Systematic vegetation index discovery for phenology-based crop mapping

引言 系统性植被指数发现（Systematic Vegetation Index Discovery, SVID）框架通过将光谱波段与基本算术运算相结合，生成并评估大量植被指数（vegetation indices, VIs）。我们评估了系统性发现的指数能否在降低多时相光谱数据维度的同时，相比NDVI等传统指数提升农业土地覆盖分类性能。方法 我们将SVID应用于韩国安东一处323.9公顷的农业景观，该区域包含稻田、辣椒田和覆膜温室，使用2022年获取的32景无云Sentinel-2A影像。在1,328个候选表达式中，1,144个生成了数值有效栅格。针对每个指数，利用其32个时相的时间剖面分别训练随机森林模型，并在500个未参与训练的独立参考点上进行评估。在排序之前，388个表达式被识别为与另一表达式代数等价，另有355个为严格单调变换，因而对基于秩的分类器不可区分。结果 这1,144个指数因此代表401个不同特征。若干近红外与可见光比值族的表现优于NDVI。表现最佳的指数(NIR – Red)/(Green × Blue)总体精度达到97.0%，Kappa系数为0.873，而NDVI分别为94.4%和0.734；该差异经McNemar检验显著（p = 0.002）。提升主要集中在温室类别，其生产者精度从58.6%提高至84.5%。使用所有时相全部四个原始波段（128个特征）的模型精度为96.0%，与最佳单一指数在统计上不可区分，表明在未检测到精度损失的情况下实现了四倍的维度缩减。然而，排名位置并不稳定：401个特征中有10个与最佳特征在统计上并列，且由于有限精度效应，数学上等价的公式之间差异可达3.4个百分点。讨论 SVID能够识别出性能与常规指数及全多波段时间模型相当或更优的紧凑光谱表示。然而，排名靠前指数之间的不稳定性表明，结果应以指数族及置信区间的形式报告，而非单一最优指数。局限性包括仅使用一个站点、一年数据和四个光谱波段；需要在不同站点、年份和s