Reducing redundancy in multi-temporal analysis to improve field-scale detection of crop residue burning

准确的田块尺度水稻秸秆焚烧制图对于可靠的排放估算和有效的政策干预至关重要。然而，当前遥感方法常因在多时相观测中重复检测同一田块尺度而导致显著不准确，造成田块尺度的系统性高估，现有研究对此仍未充分解决。本研究利用多时相遥感数据和模糊机器学习技术，采用“个体样本作为均值”（Individual Sample as Mean, ISM）训练方法应对这一挑战。研究在印度北阿坎德邦乌达姆·辛格·纳加尔县的纳纳克马塔地区实施。利用覆盖收割和焚烧后秸秆状况的PlanetScope卫星影像以减少冗余。采用改进的可能性c均值（Modified Possibilistic c-Means, MPCM）分类器，结合ISM方法，对2025年10月至11月期间的13个观测日期进行秸秆焚烧制图。焚烧活动高峰出现在2025年10月23日前后，随后逐渐下降，至2025年11月16日未检测到焚烧。MPCM与ISM的结合有效减少了因重复检测同一焚烧区域而导致的焚烧事件高估。具体而言，ISM训练方法能够处理由不完全燃烧、残茬混合和田间准备延迟引起的焚烧模式变异性，它考虑了类别多样性，而非将所有实例强制归入单一泛化表示。使用平均隶属度差异（Mean Membership Difference, MMD）和传统分类指标进行精度评估，证明了所提框架的稳健性。类内MMD为0，类间MMD为0.66，表明类别可分性强，精确率、召回率和F1分数分别为0.775、0.688和0.729。所提框架为解决时间冗余和监测多样化农业环境中的残茬焚烧行为提供了一种更可靠且经定量验证的方法。