全球视野 媒体聚焦
接受央视报道共计15次 党媒、央媒、地方官媒总传播量达0.5亿人次
基于多时相多光谱遥感影像的罂粟像素级识别提取
研究背景
罂粟是鸦片、吗啡等毒品的主要来源植物。我国法律严禁非法种植罂粟，但部分偏远地区仍存在零星非法种植。传统的人工踏查方式效率低、覆盖面有限，难以满足大面积监测需求。卫星遥感技术具有大范围、多时相、客观性强的优势，是罂粟种植监测的有效手段。
研究目标
本研究利用多时相Sentinel-2 L2A多光谱影像（17期），结合已知罂粟地块的矢量数据，构建综合考虑光谱特征、植被指数特征、物候时序特征和花期纹理特征的罂粟遥感识别模型，实现对研究区内罂粟种植区域的精准识别与空间分布制图。
研究区域
目标种植基地为合法罂粟种植区域，调研显示2026年该区域罂粟的花期为6月份，花色为白色。
技术路线
本研究以多时相Sentinel2-L2A卫星影像为基础数据源，从光谱、植被指数、物候时序、花期纹理四大维度构建多维度遥感特征集；完成样本均衡、特征筛选、特征标准化等预处理流程，基于随机森林（RF）、梯度提升（Gradient Boosting）、支持向量机（SVM）三种机器学习方法分别构建罂粟识别模型，采用交叉验证方法评估最优模型，完成全域像素级罂粟识别提取和结果后处理优化，最终输出罂粟二值分类图、识别概率分布图与空间分布矢量数据，实现罂粟地块精准遥感识别与空间量化提取。
图 1. 罂粟遥感识别模型技术路线
技术方法
随机森林是一种基于集成学习（Ensemble Learning）的机器学习算法。通过构建大量“去相关”的决策树，并将它们的预测结果进行集成，提升整体模型的准确率和鲁棒性。本质是多个决策树的集成，每棵树都是在“有放回抽样”的数据子集和“随机特征子集”上训练得到。既可用于分类（Classification），也可用于回归（Regression），具有高准确率、抗过拟合、对异常值和噪声鲁棒、可处理大规模高维数据的优点。
图 2. 随机森林核心思想
研究结果
图 3. 罂粟遥感识别二值分类图
图4. 罂粟遥感识别概率分布图
优势及局限性分析
优势分析
1. 多维特征融合：综合光谱+植被指数+物候时序+纹理四类特征。
2. 红边波段深度利用：基于文献确证的关键红边波段组合（684/706/725nm）。
3. 多时相物候建模：利用完整生长季的时序信息区分罂粟与混淆植被。
局限性分析
1. 训练样本有限：仅已知部分样本罂粟地块，模型泛化能力需进一步验证。
2. 空间分辨率限制：Sentinel-2的10m分辨率对极小斑块识别能力有限。
3. 混淆类别风险：白色油菜花等在花期可能造成误分。