基于集成学习和旋转稳定性率的历史作物清单数据作物类型标签生成方法研究

针对季前作物分类缺乏真实标签的难题，研究人员提出集成学习模型结合旋转稳定性率(RSR)指标，从历史年度作物清单(ACI)数据中生成高精度作物类型标签。通过自适应概率阈值策略，模型在冬小麦、大豆等作物分类中准确率超90%，为复杂轮作系统的季前制图提供新方法。

　　

在全球极端天气频发、人口快速增长威胁粮食安全的背景下，精准的季前作物分类对农业灾害评估和政策制定至关重要。然而，传统方法依赖生长季后期遥感数据，无法满足早期监测需求。中国国家自然科学基金青年项目支持的研究团队提出创新解决方案——通过挖掘历史年度作物清单(ACI)数据中的轮作规律，实现作物类型的早期预测。

研究团队开发了集成学习框架，引入旋转稳定性率(Rotation Stability Rate, RSR)量化种植序列稳定性，并首创作物自适应的概率阈值策略。关键技术包括：1) 基于加拿大安大略省ACI数据构建三年作物序列库；2) 采用随机森林、XGBoost和LightGBM三类分类器并行训练；3) 通过地面验证数据(2020-2021年)和魁北克等三地区ACI数据验证模型。

Predictions of individual classifiers
三种分类器单独预测时整体精度仅约65%，反映出ACI数据中作物类型误差的干扰。概率分布图显示不同分类器对同一作物的置信度存在显著差异，证实集成学习的必要性。

Advantages of the proposed method
相比传统"可信像素"方法采用的固定90%阈值，本研究提出的动态阈值策略使冬小麦分类精度从68%提升至89%，牧草从72%提升至91%。在复杂轮作区测试中，整体精度达73-86%，显著优于现有方法。

Conclusions
该研究突破性地将RSR指标与集成学习结合，解决了复杂轮作系统季前分类的难题。模型生成的标签可为作物模型提供早期输入，对农业保险定损、产量预测具有重要应用价值。发表于《Computers and Electronics in Agriculture》的成果为智慧农业发展提供了新的技术路径。