光学与雷达时序影像融合的保护性农业地块分类框架及其在碳中和发展中的应用

本研究针对保护性农业(CA)监测依赖人工调查的瓶颈问题，整合Sentinel-2/Landsat光学影像与Sentinel-1雷达时序数据，结合农业普查数据构建随机森林(RF)分类模型，实现CA三大原则（作物多样化、土壤覆盖最大化、最小机械扰动）的量化评估。模型在比利时瓦隆区验证准确率达92%，首次揭示该地区15.5%耕地采用CA模式，为全球农业可持续发展监测提供可扩展技术方案。

　　

随着全球土壤退化问题日益严峻，农业土壤正面临侵蚀、有机质流失、生物多样性下降等多重威胁。联合国粮农组织(FAO)倡导的保护性农业(Conservation Agriculture, CA)通过作物多样化、土壤覆盖最大化、最小机械扰动三大原则，成为实现可持续农业的关键路径。然而传统CA监测依赖农户申报和实地考察，效率低下且难以大规模推广。比利时瓦隆区的研究团队创新性地将多源遥感技术与机器学习相结合，开发出首个能系统评估CA实施状况的自动化监测框架。

研究团队整合2015-2020年间Sentinel-2、Landsat-7/8光学影像与Sentinel-1雷达数据，通过Google Earth Engine(GEE)平台构建时序分析模型。针对CA三大原则分别开发量化指标：利用农业普查数据计算作物轮作多样性；基于归一化植被指数(NDVI)和归一化耕作指数(NDTI)识别土壤覆盖状况；结合雷达数据反演耕作扰动特征。最终采用随机森林(Random Forest, RF)算法构建分类模型，在247块验证田块上实现92%的分类准确率。

物种多样性
通过分析6年作物轮作记录发现，81%的CA田块达到FAO标准的3种以上作物轮作，显著高于传统农业(TA)。作物类型数量与NDVI时序波动特征呈强相关性，证实遥感数据可有效反映生物多样性。

土壤覆盖监测
建立动态阈值法识别冬季覆盖作物，克服固定阈值受环境干扰的缺陷。通过融合降水数据优化NDTI指数，成功区分裸露土壤与作物残茬覆盖，准确率达89%。

耕作扰动评估
Sentinel-1雷达数据捕捉土壤表面粗糙度变化，结合光学影像的NDTI特征，构建耕作强度评价体系。证实CA田块主要采用非翻转耕作(non-inversion tillage)，显著减少土壤结构破坏。

区域应用验证
模型在比利时Hesbaye地区18,516块耕地中识别出2,875块(15.5%)CA田块，空间分布显示CA实施与土壤类型、坡度显著相关。变量重要性分析表明，作物轮作多样性和秋季土壤覆盖度是区分CA的最关键指标。

该研究突破性地实现CA三大原则的协同量化评估，建立的GEE自动化流程具有全球推广价值。92%的验证精度证明多源遥感数据可替代人工调查，为《欧洲绿色协议》的农业可持续发展目标提供监测工具。研究还揭示CA实施仍存在区域不平衡，未来需结合政策激励扩大推广。论文成果发表于遥感领域顶级期刊《Remote Sensing of Environment》，为全球农业碳中和进程提供重要技术支撑。