编辑推荐：
东北地区作为我国重要粮食生产基地，其主要粮食作物（MGC）高分辨率地图缺失。研究人员运用样本生成和集成学习策略，结合光学与 SAR 图像绘制 2019 - 2023 年 10 米分辨率的 NE - MGCM。该地图精度高，为粮食安全和农业管理提供数据支持。
在广袤的中华大地上，东北地区一直扮演着至关重要的角色，它是我国的 “大粮仓”，为保障国家粮食安全立下赫赫战功。玉米、水稻和大豆这三种主要粮食作物（MGC），占据了东北地区粮食总产量的 98.7%。然而，在农业现代化发展的进程中，一个棘手的问题逐渐凸显出来：东北地区缺乏高分辨率的 MGC 地图。这一缺失可不得了，它就像在航海时失去了精准的航海图，严重阻碍了对作物种植模式时空变化的分析，也让农业政策的制定变得困难重重。要知道，在全球气候变化的大背景下，极端天气事件越来越频繁，新冠疫情等社会事件也时不时给农业生产带来冲击，精准的 MGC 地图对于农作物生长监测、防灾减灾、农业保险理赔以及生产结构调整来说，简直是必不可少。所以，开展绘制东北地区高分辨率 MGC 地图的研究迫在眉睫。
来自国内的研究人员勇敢地挑起了这一重担，他们开展了一项极具意义的研究，旨在利用样本生成方法和集成学习策略，结合光学和合成孔径雷达（SAR）图像，绘制出 2019 - 2023 年东北地区 10 米分辨率的 MGC 地图（NE - MGCM）。经过不懈努力，他们取得了令人瞩目的成果。NE - MGCM 的制图精度相当高，五年平均总体精度（OA）达到 94.96%，平均 Kappa 系数为 0.9264。玉米、水稻和大豆的生产者精度（PA）分别在 91.12% - 94.55%、94.89 - 96.36%、94.53 - 95.69% 的范围内。与四个公共数据集相比，NE - MGCM 的整体表现更为出色，与统计数据的一致性也很高。这一成果意义非凡，它能够有效地追踪东北地区 MGC 的时空分布变化，为国家粮食安全和农业管理提供了坚实的数据支撑，就像给农业发展装上了 “智慧大脑”，让农业决策更加科学、精准。该研究成果发表在《European Journal of Agronomy》上。
研究人员在此次研究中用到了几个关键技术方法。首先，借助 GEE 平台获取 Sentinel - 1/2 数据及其衍生特征集，为后续分析提供数据基础。其次，运用了多阶段空间均匀采样模型和渐进样本净化框架来生成和净化常见作物样本。最后，采用基于集成学习的机器学习分类模型进行高精度作物分类。
研究结果
- 作物地图精度评估：利用 Sentinel - 1/2 数据及衍生特征集绘制出 2019 - 2023 年东北地区主要粮食作物地图（NE - MGCM）。从分布来看，玉米在东北地区种植最为广泛，在平原、丘陵和山谷都有种植，尤其是在世界三大黄金玉米带之一的松嫩平原（SNP）；水稻主要沿河流呈带状分布，黑龙江省东部的三江平原（SJP）最为集中；大豆也有相应的分布区域。
- 作物时空分布：NE - MGCM 时间序列数据产品有效追踪了 2019 - 2023 年东北地区玉米、水稻和大豆的时空分布变化。通过对比五年间三种作物的制图面积和官方统计数据发现，每年三种作物的制图面积均高于统计面积，但年际变化趋势一致，比如玉米种植面积在 2020 年略有下降。
研究结论与讨论
准确绘制大规模 MGC 空间分布地图对于农业政策制定、灾害管理和粮食安全保障至关重要。本研究利用 Sentinel - 1/2 图像和样本自动生成方法，结合集成学习模型，成功绘制出 2019 - 2023 年东北地区 10 米分辨率的 MGC 地图（NE - MGCM）。这种方法大幅减少了对实地样本数量的需求，生成的样本能覆盖 MGC 种植区域。NE - MGCM 的高制图精度和良好表现，为东北地区乃至全国的农业发展提供了有力的数据支持，有助于相关部门及时掌握作物种植动态，科学制定农业政策，合理规划农业生产布局，提升农业应对自然灾害和市场变化的能力，从而为保障国家粮食安全和推动农业可持续发展奠定坚实基础。
