基于集成学习的大规模耕地质量遥感监测新方法及其在东北地区的应用

本研究针对传统耕地质量评估方法在复杂土壤类型识别中的局限性，创新性地结合GBDT（梯度提升决策树）和Bagging（装袋算法）集成学习技术，利用MODIS遥感数据、HWSD土壤数据库及地形信息，构建了东北地区耕地质量遥感监测模型。结果显示：该模型对优质耕地（占比>95%）识别准确率高，但在低等级耕地（Grade 3）评估中存在显著差异（遥感检测0.50–0.60% vs GIS结果1.24–4.56%），揭示了遥感数据在复杂土壤环境中的技术瓶颈，为耕地资源精准管理提供了新思路。

　　

研究背景与意义
耕地质量是维系粮食安全与生态平衡的核心要素，但传统评估方法依赖耗时耗力的实地采样，难以满足大尺度动态监测需求。东北作为中国最大商品粮基地，其黑土退化问题日益严峻，亟需发展高效精准的评估技术。尽管遥感技术具备广覆盖优势，但在复杂土壤类型（如盐碱土、瘠薄土）识别中存在精度不足的挑战，尤其对低质量耕地的误判可能引发政策误导。

研究机构与方法
黑龙江省气象局等机构研究人员创新融合多源数据：基于MODIS（中分辨率成像光谱仪）的植被指数、土壤湿度及反射率特征，整合HWSD（和谐世界土壤数据库）的理化参数，结合地形高程数据，采用GBDT（梯度提升决策树）进行特征筛选，并通过Bagging（装袋算法）集成优化模型鲁棒性。研究覆盖东北三省及内蒙古四盟（1.25×10⁶
km²
），对比GIS（地理信息系统）传统评估结果验证模型效能。

研究结果

1. Study area
   东北耕地质量呈现显著空间异质性，GIS评估显示70–90分区间存在多峰波动，反映局部土壤退化热点；而遥感模型结果分布更平滑，揭示集成学习有效缓解了局部噪声干扰。

2. Results and analysis
   模型对优质耕地（>60分）识别准确率达95%以上，但Grade 3耕地检测比例仅为GIS结果的1/3–1/8。进一步分析表明，MODIS数据对土壤有机质、盐分等关键指标的敏感性不足是主要制约因素。

3. Conclusion
   研究证实集成学习可显著提升遥感数据的耕地质量反演能力，尤其在高等级耕地评估中具备替代传统方法的潜力。然而，针对低质量耕地的监测仍需结合高光谱或无人机数据弥补分辨率缺陷。

意义与展望
该成果为耕地保护“天-地”一体化监测网络构建提供了关键技术支撑，其模型框架可扩展至全球其他黑土区。未来需重点突破多源数据融合算法，以应对气候变化背景下土壤退化的早期预警需求。

（注：全文严格依据原文事实，专业术语如GBDT、Bagging等均保留原始大小写及上下标格式，作者单位使用中文名称，未添加文献引用标识。）