基于样本生成算法与随机森林的苜蓿种植空间分布及刈割强度大尺度精准制图研究

本研究针对苜蓿草地遥感制图中样本匮乏、数据时空分辨率低的瓶颈问题，创新性提出融合多源时序卫星数据（Sentinel-1/2、Landsat 8）与知识驱动样本生成算法的方法，通过Google Earth Engine（GEE）平台结合随机森林（RF）分类器，实现了宁夏地区苜蓿空间分布（F1=0.97）及刈割强度的精准制图，为草牧业可持续发展提供关键技术支撑。

　　

苜蓿作为全球最重要的饲草作物之一，其高蛋白含量和再生特性使其成为草牧业的核心支柱。然而，传统统计方法获取苜蓿种植面积存在主观性强、更新滞后等缺陷，而现有遥感技术又面临两大挑战：一是受限于地面样本稀缺，二是单源遥感数据难以捕捉多次刈割特性。尤其在宁夏这样的复杂农业景观中，小地块交错分布和频繁刈割（每年4-7次）更增加了精准监测难度。

针对这些痛点，中国农业科学院等机构的研究团队在《Computers and Electronics in Agriculture》发表创新成果。研究团队开发了知识驱动的训练样本自动生成算法，整合Sentinel-1 SAR雷达数据、Sentinel-2和Landsat 8光学影像，通过Google Earth Engine平台构建随机森林分类模型，首次实现省级尺度苜蓿分布与刈割强度的同步制图。关键技术包括：基于NDVI时序的样本生成算法、多源数据特征融合策略、以及结合植被指数突降规律的刈割事件检测框架。

【研究结果】

1. 精度验证：知识模板算法生成的样本总体精度达0.96，RF模型分类F1分数达0.97，近红外植被反射率(NIRv)被证明为最具判别力的特征。
2. 时序特征：春季被确定为识别苜蓿的最佳时段，多时相数据有效捕捉刈割后的植被指数突降特征。
3. 区域差异：宁夏北部灌溉区刈割频率显著高于南部山区，揭示水热条件对生产管理的调控作用。

【结论意义】
该研究突破传统样本采集瓶颈，建立的"样本生成-多源分类-刈割检测"技术链条，为高精度苜蓿监测提供新范式。成果不仅支持CARS-34国家牧草产业技术体系决策，更推动遥感技术在草牧业数字化转型中的应用，对保障饲料安全、优化种植结构具有重要实践价值。方法论层面，研究证实SAR与光学数据融合可有效提升多云地区监测鲁棒性，为类似作物监测研究提供借鉴。