东北地区2001-2022年30米分辨率年度作物类型制图：填补长期高分辨率作物分布数据空白

《Scientific Data》：30 m-resolution annual crop type maps in Northeast China from 2001 to 2022

本研究针对东北地区缺乏2000年前高分辨率作物分布数据的瓶颈问题，利用Landsat和MODIS影像融合与HISTARFM算法，首次构建了2001-2022年30米分辨率年度作物类型图谱。通过多源验证表明，该数据集总体精度达80.7%-91%，与政府统计数据的R2达0.98（水稻）、0.83（玉米）和0.90（大豆），为区域粮食安全评估和农业可持续发展提供了关键数据支撑。

　　

在中国东北广袤的黑土地上，金黄的玉米、饱满的水稻和大豆构成了中国最重要的粮食生产基地。这片被誉为"中国粮仓"的区域，以占全国四分之一的粮食产量和三分之一的商品粮输出，牢牢守护着国家的粮食安全底线。然而，在这片关乎国计民生的农业区域，科学家们却长期面临一个尴尬的局面：由于早期卫星观测数据的缺失，2013年之前的高精度作物分布图谱始终是一片空白。

这种数据缺失不仅阻碍了人们对东北地区耕作制度变迁的全面理解，更影响了农业政策效果评估和生态环境影响分析。尽管近年来随着哨兵系列卫星的启用，10米分辨率的高精度作物制图得以实现，但历史数据的断层使得长期变化趋势分析犹如"断线的珍珠"，难以串联起完整的演变链条。现有的作物制图产品往往在时空分辨率上难以兼顾——要么如MODIS数据般时间连续但空间粗糙（500米），无法准确刻画中国细碎化农田的真实分布；要么如Landsat数据般空间精细却时间断续，难以构建连续年际序列。

为了破解这一难题，由中国科学院地理科学与资源研究所董金伟研究员领衔的研究团队，在《Scientific Data》期刊上发表了题为"30米分辨率年度作物类型图谱：东北地区2001-2022年"的重要研究成果。该研究创新性地融合多源遥感数据，首次构建了覆盖东北地区22年间的30米分辨率年度作物类型数据集，为理解区域农业系统演变提供了珍贵的时空透视。

研究团队采用了几项关键技术方法：首先通过HISTARFM（高度可扩展时空自适应反射率融合模型）算法融合Landsat和MODIS影像，生成月度无缝的30米分辨率数据；然后结合多源地面样本和环境变量，构建包含光谱指数、物候特征、气象因子等112个特征参数集；最后基于随机森林算法分区训练分类模型，并通过后处理优化制图结果。研究收集了2017-2020年累计6.4万余个地面样本，并利用视觉解译补充2021-2022年验证数据。

研究区域涵盖东北三省和内蒙古四盟市，根据积温和湿度条件划分为六个农业气候区。这种分区策略有效应对了东北地区从大兴安岭北部到辽东南半岛的气候梯度差异，为模型训练提供了生态学依据。

机器学习分类器比较显示，随机森林（RF）在三江平原和松辽平原均表现最优，总体精度达94%以上，显著优于支持向量机（SVM）和分类回归树（CART）等算法。这一发现确立了RF作为核心分类器的技术优势。

精度验证结果表明，2017-2022年地面样本验证的总体精度介于80.7%-91%之间，其中水稻的识别精度最高（F1分数0.924-0.958）。通过"可信像元"方法对2001-2020年数据的验证显示，总体精度保持在85%-95%的较高水平，证实了模型具有良好的时间迁移能力。

与政府统计数据的对比分析进一步验证了数据的可靠性。市级尺度的作物面积估算与统计年鉴数据高度吻合，水稻、玉米和大豆的确定系数R²分别达到0.98、0.83和0.90。特别是水稻面积估算表现出极强的一致性，22年间R²值均高于0.96。

与现有制图产品的对比突显了本研究的独特价值。与Xuan等开发的2013-2021年30米产品相比，本数据集将时间序列向前延伸至2001年；与Liu等的500米产品相比，空间分辨率显著提升。视觉对比显示，本研究结果与高分辨率产品空间一致性高，同时克服了粗分辨率产品对田块细节表达不足的缺陷。

这项研究的意义不仅在于提供了迄今为止时间跨度最长、空间分辨率最高的东北地区作物分布数据集，更开创了区域尺度长时序精细作物制图的方法范式。通过巧妙融合多源遥感数据和解译特征变量，研究成功打破了时空分辨率不可兼得的技术壁垒。数据集准确捕捉了21世纪以来东北地区作物种植结构的时空演变规律，为分析农业政策影响、评估生态环境效应提供了重要的数据基础。

该数据集已被应用于分析大豆补贴政策效果等研究，证实其在实际政策评估中的实用价值。作为中国首个覆盖20年以上时间尺度的30米分辨率区域作物图谱，这项研究为全球类似地区的长期农业监测提供了可借鉴的技术路线，对推动农业遥感领域的发展具有里程碑意义。