Interpretable multi-index framework for extracting dry-season built-up areas: benchmarking machine learning with Sentinel-2
Sarah Sejari · Vazeer Mahammood
提出可解释多指数规则框架，用Sentinel-2提取旱季建成区，性能优于机器学习。
Sentinel-2A影像，BAEI、DBSI、NDVI组合规则，对比SVM与随
BAEI-DBSI-NDVI规则达95%精度、Kappa 0.89，优于单指数及SVM/RF且无需重
可探索该规则框架向其他气候带与传感器迁移，并结合少量样本的半监督学习提升城市核心区精度。
该研究提出可解释的多指数规则框架，在旱季建成区提取上以更少标注数据达到95%精度并优于SVM/RF，方法新颖、验证充分，对农业遥感与乡村土地利用监测有参考价值。
建成表面与裸露干土之间的光谱相似性显著制约了旱季建成区提取。尽管机器学习技术可通过建模复杂光谱关系来应对这一挑战，但其通常需要足够大且具有代表性的标记训练数据集。因此，本研究探讨了一种对数据需求较低、基于规则的多指数方法用于旱季建成区制图，旨在减少对大规模标记训练数据集的依赖，同时保持有效的分类性能。研究分析了2024年4月获取的Sentinel-2A影像，并对2020年、2022年和2024年进行了时间验证。在测试的组合中，建成区提取指数（BAEI）、干裸土指数（DBSI）和归一化差异植被指数（NDVI）表现最佳，总体精度达95%，Kappa系数为0.89。相较于单一指数BAEI（总体精度80%；Kappa 0.55），这一结果有显著提升，建成区用户精度从61%提高至92%。多时相验证证实，优化后的BAEI–DBSI–NDVI决策规则在2020—2024年旱季影像上无需重新校准即可保持稳定，总体精度达93%—96%，建成区F1分数为84%—93%。空间分析表明，该方法在外围和农业区域表现稳健，而在密集城市核心区由于光谱异质性存在中等程度变异。为评估所提框架的业务化稳健性，将其与机器学习分类器进行了基准比较，具体为支持向量机（SVM）和随机森林（RF）。在本研究的特定条件下，所提出的基于规则的方法（95%精度）略优于SVM（93%）和RF（92%），同时具有更高的透明性并减少了对大规模标记训练数据集的依赖。此外，特征重要性分析证实了所选指数在解决光谱混淆方面的关键作用。这些发现表明，所提框架为类似维沙卡帕特南的热带沿海环境旱季城市监测提供了一种透明且计算高效的方法。