NDVI、噪声和细微差别：使用卫星时间序列进行土地覆盖分类

我一直对数据中的模式很感兴趣——只要你提出正确的问题，混乱和原始的东西就可以变得清晰。所以当我遇到一个结合遥感、时间序列和分类的任务时，我觉得这是挑战自己和成长的完美方式。

这与提交或排行榜无关，而是关于探索现实世界的数据、试验想法，以及看看我能在多大程度上推动我对机器学习的理解。

解码任务：根据 NDVI 时间序列进行土地覆盖

问题：使用卫星获取的 NDVI 数据对土地覆盖类型（如森林、草地、水、果园）进行分类。

NDVI，即归一化差异植被指数，定义为：

在哪里：

• NIR = 近红外反射
• RED = 红色反射率

它是一种反映植被健康状况的遥感指标。绿色、多叶区域显示较高的 NDVI；贫瘠或水域则较低。该数据集为每个位置提供了 27 个 NDVI 观测值，跨越两年——实际上，这是植被行为的时间序列。

每一行看起来都像这样：

• 身份证
• 27个时间点的NDVI
• 地面真实标签：{水、不透水、农场、森林、草地、果园} 之一

但没有任何东西是干净的。

数据并不完美——但正因如此，它才成为学习的完美工具

首先：数据缺失。大量的数据。云层遮挡了卫星视野，整个时间戳都变成了空白。

第二：嘈杂的标签，因为它们来自 openstreetmap 多边形——众包的，并不总是精确的。

“森林”类别的 NDVI 值分布

第三：严重的类别不平衡。几乎 75％ 的样本被标记为“森林”，而其他样本的实例则少得多。

我很早就意识到，这并不是要向数据抛出一个花哨的模型，而是要设计特征、构建稳健性，以及学习如何像数据科学家一样思考。

预处理：仔细填补空白

我从简单的开始：用中位数插补来处理缺失值。平均值和 KNN 插补方法要么过于平滑，要么增加了偏差。而中位数让我可以保留每个样本中的季节性故事，而不会扭曲信号。

<span style="color:rgba(0, 0, 0, 0.8)"><span style="background-color:#ffffff"><span style="background-color:#f9f9f9"><span style="color:#242424">df = df.fillna（df.median（numeric_only = <span style="color:#aa0d91">True</span>））</span></span></span></span>

对于类别不平衡，我对多数类别（森林）进行了欠采样，然后应用SMOTE对果园或水等少数类别进行上采样。这给了我一个更加平衡和易于学习的数据集，即不会让森林主导学习的数据集。

将时间序列转化为模型可以使用的内容

原始 NDVI 值只是数字。我需要它们来表达模式语言。

因此我设计了每个特征，旨在捕捉植被随时间的变化：

• 基本属性：ndvi_mean，，，，ndvi_std​ndvi_min​ndvi_maxndvi_range
• 季节性：夏季与冬季的平均 NDVI 及其差异
• 趋势检测：线性回归斜率（ndvi_trend）
• 局部变化：滚动平均值和标准差以减少噪音并放大信号
• 变化指标：一阶差分（ndvi_diff）和绿化率

将序列转化为汇总统计数据有助于反映现实世界的行为。

建模：从简单到强大

我从逻辑回归开始。它易于解释，速度快，并且是一个很好的基准。令人惊讶的是，经过特征工程后，它的表现相当不错，f1 分数为 0.78，准确率为 85%。

接下来我添加了随机森林，这对于嘈杂的数据非常有用并且仍然可以解释。

最后，我运行了XGBoost，使用网格搜索来调整超参数。

快速查看结果

在干净的、保留的测试拆分上：

logistic regression    → macro f1 ≈ 0.78
random forest          → macro f1 ≈ 0.94
xgboost                → macro f1 ≈ 0.96

准确度很高，但由于类别不平衡，宏 f1 分数在这里更重要。令人惊讶的是，由于有效的特征工程，即使是像逻辑回归这样更简单的模型也能保持其地位。

我使用了特征重要性图（来自随机森林和 xgboost）来查看最突出的特征。一致的顶级特征是：

• ndvi_greening_rate
• season_diff
• ndvi_trend
• rolling_std

这些特征不仅仅是数学上的，而且代表了真实的季节性植被行为。看到这些特征反映在模型的首选中，感觉很有说服力。

这教会了我什么

这不仅仅是建立一个模型。这是一门速成课程：

• 数据整理和归纳
• 时间特征工程
• 理解不平衡学习
• 选择和调整模型
• 使用特征重要性和视觉验证来解释结果

我了解到，即使数据混乱，经过深思熟虑的小步骤也能累积起来。如果做得正确，特征工程可以与复杂性竞争。

我接下来想尝试什么

我很好奇想了解更多：

• 直接在 NDVI 序列上使用1d 卷积或 LSTM
• 应用信号平滑（如 Savitzky-Golay）
• 结合空间背景——这个数据点在地理上位于哪里？
• 甚至可以构建一个小型 Web 应用程序，根据用户上传的 NDVI 数据预测土地覆盖类型