将 K 均值聚类应用于植被指数以利用摩洛哥 Mohammed VI 高分辨率卫星影像绘制耕地图

更智能的作物地图为何重要

为不断增长的人口提供粮食，依赖于近实时了解地面到底种植了什么。农民和政府需要可靠的地图来显示作物种植位置、哪些地块是裸地，以及这些格局如何随季节变化。本研究展示了如何将一颗摩洛哥地球观测卫星与一种简单的人工智能方法配对，将原始影像转化为高度准确的耕地地图，无需大量人工标注数据。

从太空观测农田

研究聚焦于 Mohammed VI 卫星系统——一对在太阳同步轨道上绕地运行的摩洛哥卫星。它们以四个波段（包括近红外）拍摄分辨率为 0.5 米的高精度影像，足以辨识单个小地块甚至果树行。作者选取了摩洛哥北部非斯–梅克内斯地区的一处 175 公顷农业区作为研究对象，该区有谷物、玉米、橄榄、杏仁、葡萄和蔬菜田，也有未耕地块和稀疏植被。如此多样化的地景使得该地区成为测试区分耕地与其他地类工具的理想场地。

把颜色变成线索

原始卫星影像只是不同波段亮度值的网格。为了让这些网格更具信息性，科学家常常计算“植被指数”，将若干波段融合为一个反映植物健康或水分含量的数值。本研究使用广为人知的归一化差异植被指数（NDVI），它能突出含叶绿素的茂盛植被；以及改进的归一化差异水分指数（MNDWI），它利用绿光与近红外对湿度差异敏感。将这两个指数与原始的近红外波段一起，构成了描述每个像素植被与水分状况的紧凑三层信息，比单一波段提供更多信息。

让数据自行分组

研究者没有依赖成千上万手工标注样本来训练复杂模型，而是采用了 K 均值——一种来自无监督机器学习的直接聚类算法。K 均值通过寻找数据中的模式，将光谱特性相似的像素分为固定数量的簇。经过基础预处理——提取相关波段、计算两个指数、堆叠它们并将所有数值缩放到 0 到 1 之间——团队让 K 均值创建恰好三类簇。随后将这三类解释为背景（田块外或无有效信号区域）、裸土和以作物为主的区域。由于方法是无监督的，它可以在无需额外标注训练数据的情况下应用于新影像。

将方法付诸检验

为评估该方法的效果，作者在同一高分影像上使用地理信息软件手动描绘耕作地块，制作了详尽的参考地图。然后他们比较了四种估算耕地比例的方法：仅基于近红外亮度的简单阈值法、仅基于 NDVI 的阈值法、在原始彩色波段上运行的标准 K 均值，以及他们提出的将指数与近红外数据合并进行聚类的“光谱 K 均值”。研究区的真实耕地比例为 71.07%。近红外阈值法低估为 65.59%，仅用 NDVI 得到 66.13%，标准 K 均值为 67.18%。光谱 K 均值最接近真实值，为 72.07%，相对误差仅 1.41%——比其他方法好几倍。

对未来农业的意义

对于农民、水资源管理者和规划者来说，这类自动化且精确的制图方法提供了一种在大范围内监测田地的实用手段，无需昂贵的田间调查或海量标注数据。通过可靠地区分耕地与非耕地并指出植被是否茂盛或受胁迫，该方法可支持精准灌溉、指导施肥并帮助追踪土地利用变化。尽管当前验证基于单幅影像，但该方法指向了一个前景：将简单的无监督算法应用于高分辨率卫星数据，常规地生成田块尺度的作物图，从而在提高粮食产量的同时支持更可持续的土地与水资源利用。

引用: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

关键词: 精准农业, 卫星影像, 作物制图, 无监督学习, 植被指数