Sentinel-1 SAR and Sentinel-2 optical land-cover classification with a prototype decision-support dashboard for the monsoon-driven Cauvery Delta

方法

500点随机抽样人工标注，GEE提取NDVI与SAR时序统计量，比较逻辑回归、随

发现

时序SAR加NDVI最优仅72.4%，参考标签可靠性而非模型复杂度决定精度上限。

机会点

季风区水稻分类受标签质量制约，可研究低成本高可信参考数据采集与半监督标签纠错方法。

引言 持续的季风云覆盖使光学卫星监测在三角洲农田地区不可靠，而用于检验分类精度的已有参考数据十分稀缺。我们测试了Sentinel-1 SAR与Sentinel-2光学特征在印度泰米尔纳德邦高韦里三角洲（10.85°N–11.15°N，79.05°E–79.45°E）2024年6月至2025年5月农业年度内区分水稻、植被和建设用地的效果。方法 我们抽取500个点的简单随机样本，通过高分辨率影像目视解译对每个点进行标注，并与季节性Sentinel-2合成影像进行核对。排除三类以外的点后剩余449个（水稻149个、植被256个、建设用地44个）；第二位解译员对前100个点进行了独立标注。在每个点上，Google Earth Engine提供了年度NDVI、年度Sentinel-1 VV、VH和VV/VH值，以及压缩为12项汇总统计量的29期Sentinel-1时间序列。我们采用5折交叉验证（重复三次）比较了逻辑回归、随机森林和全连接神经网络（HydraSAR-DNN），折的构建方式为随机划分或基于1 km空间区块划分。结果 在1 km区块交叉验证下，单独使用NDVI的精度仅为51.6–55.8%，低于57.0%的多数类基线。加入年度SAR后向散射后精度提升至62.7–67.0%，而Sentinel-1时间序列汇总量与NDVI结合后进一步提升至70.7–72.4%。最佳模型为逻辑回归（72.4%，Cohen's κ 0.475；与年度特征网络比较的McNemar p = 0.001）。空间区块划分使精度变化不超过2.4个百分点，且神经网络从未优于最佳简化分类器。两位解译员在68.4%的点上一致（κ 0.52），分歧主要集中在水稻与植被之间，这也正是分类器出错之处。讨论 在此情形下，决定精度上限的是参考标签的可靠性而非模型复杂度。一个原型仪表板将分类器输出与基于ET₀的灌溉计算器、基于规则的病虫害风险指标和三语短信模板并列展示；这些模块运行于占位输入之上，尚未经过田间测试。该框架旨在支持SDG 2（零饥饿）、SDG 6（清洁饮水和卫生设施）和SDG 13（气候行动），但在能够声称任何此类贡献之前仍需田间试验。参考样本、提取特征和代码已公开释放。