结合多传感器遥感时间序列数据精确绘制美国东北部干草地、牧场与耕地分布图

《Remote Sensing Applications: Society and Environment》：Accurate mapping of hay, pasture, and cropland in the Northeastern U.S. by combining multi-sensor remotely sensed time series data

　　

摘要：多年生草地(perennial grasslands)在支撑全球食物系统中至关重要。不同草地利用类型——如干草地(hay)、牧场(pasture)或闲置草地(idle grasslands)——因服务于不同的生产及生态目标，需在景观尺度上进行区分。然而，现有空间农业数据集存在缺陷，无法准确追踪美国东北部的草地利用变化趋势。研究人员采用机器学习方法绘制美国佛蒙特州(Vermont)的草地利用图，综合高分辨率影像〔国家农业影像计划(National Agriculture Imagery Program; NAIP)〕与植被物候及结构时间序列数据〔哨兵-2(Sentinel-2)及哨兵-1(Sentinel-1)〕构建机器学习模型，将土地划分为耕作作物(cultivated crops)、干草(hay)、牧草(pasture)或闲置地(撂荒或最低程度管理的草地)。该模型生成的佛蒙特州耕作作物、干草与牧场数据集(Vermont Cultivated Crops, Hay, and Pasture Dataset; VT CHPD)基于12,500个参考点进行稳健训练与检验。研究人员从三方面评估VT CHPD：(1)模型预测精度；(2)NAIP、Sentinel-2归一化植被指数(Normalized Difference Vegetation Index; NDVI)及Sentinel-1雷达植被指数(Radar Vegetation Index; RVI)对草地利用分类的重要性；(3)数据集估算值与已有数据产品对比。VT CHPD总体精度达90%，对耕作作物、干草、牧场及闲置地的识别均有较高精度，其中Sentinel-2 NDVI变量重要性最高。该数据集在县级尺度上与基于普查的美国农业普查(U.S. Census of Agriculture)中耕地与干草地的面积高度吻合，克服了现有数据集普遍高估干草地面积的长期问题。VT CHPD通过识别并量化占该州农业用地26.7%的闲置农业草地，提升了对佛蒙特州农业土地利用的认知。该发现对佛蒙特州未来农业生产潜力具重要意义，尤其强调需结合其他生产性农业草地利用类型，持续追踪此类闲置草地的状态与利用情况。

论文解读——《Remote Sensing Applications: Society and Environment》刊载论文"Accurate mapping of hay, pasture, and cropland in the Northeastern U.S. by combining multi-sensor remotely sensed time series data"的解读

一、研究背景与意义

多年生草地(perennial grasslands)可占全球农用地面积达70%，是草食家畜重要的饲料来源，可分为用于刈割青贮或干草的干草地(hay/hayland)、用于放牧的牧场(pasture)及曾为农田草地后因撂荒或极少管理而处于闲置状态的闲置农业草地(idle agricultural grasslands)。在美国东北部尤其是佛蒙特州(Vermont)，草地多由人为维持以防演替为灌丛或森林，支撑着重要的乳业经济，但近两百年来草地面积持续下降，且草地利用类型之间的转换频繁却缺乏可靠的空间数据加以记录。现有常用土地覆盖产品如国家土地覆盖数据库(National Land Cover Database; NLCD, 30 m)、耕地数据层(Cropland Data Layer; CDL, 10–30 m)及佛蒙特土地覆盖(Vermont Land Cover; VTLC, 0.5 m)均未精细区分草地利用类型或将干草与牧场合并为一类，NLCD中合并类的用户精度仅64%、生产者精度仅54%，且普遍存在干草地面积高估现象，与基于调查的农业普查(U.S. Census of Agriculture; COA)偏差可达两倍。此外，现有产品不含闲置草地类别，可能将其误分为生产性草地从而进一步加大面积偏差。美国东北部草地地块小而分散、生长季短、多云雨、草地农业为雨养(rainfed)，进一步增加了光谱相似草地类型遥感区分的难度。因此，有必要发展融合多传感器时间序列遥感数据与机器学习的方法，在该地区实现耕作作物、干草、牧场及闲置草地的精细分类，以弥补区域数据缺口，并为农业规划、生态系统服务评估提供依据。

二、主要技术方法概述

研究人员以美国佛蒙特州为研究区，选取2021年作为研究年份，收集由实地调查与高分辨率影像人工解译获得的12,500个参考点作为训练与验证样本队列(source of reference points from field survey and high-resolution image interpretation)。遥感特征变量包括：(1)高分辨率自然彩色影像——国家农业影像计划(National Agriculture Imagery Program; NAIP, 0.5–1 m)衍生纹理与光谱特征；(2)Sentinel-2多光谱时间序列计算各时期归一化植被指数(Normalized Difference Vegetation Index; NDVI)及增强植被指数等；(3)Sentinel-1 C波段合成孔径雷达(synthetic aperture radar; SAR)时间序列计算雷达植被指数(Radar Vegetation Index; RVI)及极化比，以捕捉刈割引起的冠层结构与湿度变化。基于以上多时相、多传感器特征构建机器学习分类模型（machine learning classifier，文中未限定具体算法名称但指出经网格调参与交叉验证），将像元划分为六类：耕作作物(cultivated crops)、干草(hay)、牧场(pasture)、闲置草地(idle)、草坪/庭院(lawns)及树木/林地(trees)。模型训练与测试按约定比例划分参考点，采用总体精度(overall accuracy)、用户精度(user's accuracy)、生产者精度(producer's accuracy)及混淆矩阵评估，并将县级分类面积汇总与COA报道值比较验证。

三、研究结果

Results

研究人员展示并分析了VT CHPD(Vermont Cultivated Crops, Hay, and Pasture Dataset, 10 m分辨率)2021年佛蒙特州土地利用分类结果（对应原文Table 1、Figure 4–6）。该数据集将农业土地利用划分为六类（耕作作物、干草、牧场、闲置草地、草坪/庭院、树木/林地），其中前四类为核心农业草地及耕地类别。通过混淆矩阵评估，VT CHPD总体精度为90%；各类别均取得较高用户精度与生产者精度，其中Sentinel-2 NDVI时间序列的特征重要性(variable importance)最高，NAIP纹理与Sentinel-1 RVI对区分具相似NDVI曲线的牧场与闲置草地具补充作用。县级尺度上VT CHPD估算的耕作作物与干草面积与COA报道值高度一致，未出现已有数据集明显高估干草面积的现象。VT CHPD识别出闲置农业草地占佛蒙特州农业用地总面积的26.7%。以上结果表明结合多传感器时间序列遥感数据与机器学习可有效区分光谱相似的草地利用类型并量化以往未被单独分类的闲置草地。

四、讨论与结论翻译

Discussion

研究人员指出，美国东北部生产性草地面积长期下降且部分转为闲置或彻底弃置，VT CHPD填补了该区域精细草地利用类型空间数据的空白，使景观尺度追踪草地管理模式、更精确估算畜牧生产潜力及识别面临转出草地风险的土地（即闲置类）成为可能。区别于以往产品，VT CHPD单独设立闲置草地类别并通过多时相刈割信号（Sentinel-2 NDVI骤降峰数及时段、Sentinel-1 RVI响应）将其与持续放牧或持续低植被覆盖区分，这解释了既往产品高估干草面积的部分原因。该方法所用数据均为公开数据集，可在美国其他具类似草地分类困难的区域推广复现。研究亦承认局限包括对极小斑块及城镇草坪与牧场的偶尔混淆、个别年份异常天气可能影响物候曲线形态，后续可纳入更长时序及面向对象(object-based image analysis; OBIA)策略改进。

Conclusion（结论部分翻译）

遥感预测土地利用已有数十年历史，但区分草地利用类型的方法发展相对滞后。本研究描述了一种草地类型分类方法，并通过生成VT CHPD解决了美国东北部干草地与牧场常被合并或误分的数据缺口，制作出区分耕作作物、干草、牧场及闲置草地的分布图。VT CHPD解释了东北部已知的土地利用分类不准确问题——即现有数据层对干草与 pasture 的高估——其总体精度达90%，在县级与农业普查高度吻合，并首次在该区域量化了占农业用地26.7%的闲置农业草地。所采用基于公开多传感器时间序列遥感数据与机器学习的框架可被复制推广至其他存在类似草地利用分类困难的农业景观，以改善农业土地利用监测。