基于多源数据融合的长期耕作强度动态监测：美国堪萨斯州的遥感验证与田间调查分析

本研究通过整合10年田间调查数据与HLS卫星影像，创新性采用双月合成方法结合随机森林模型，实现了耕作强度分类（准确率0.65）和变化检测（准确率0.57），揭示了低强度耕作年均16%的弃用现象，为农业碳汇评估和政策制定提供了重要技术支撑。

　　

耕作管理是影响农业可持续发展和气候变化应对的关键因素，其中低强度耕作（low-intensity tillage）因其在土壤碳固存（SOC）、水土保持等方面的生态效益备受推崇。然而现实情况复杂多变：农民可能因病虫害防控、作物轮作需求等因素频繁切换耕作强度，单次高强度耕作就可能导致多年累积的生态效益大幅缩水。这种动态变化给精准监测带来巨大挑战——现有地面调查成本高昂且主观性强，而卫星遥感虽具时空覆盖优势，但受作物类型、残留物降解等因素干扰，准确率波动较大。

为破解这一难题，研究人员整合了美国堪萨斯州McPherson和Harvey两县2011-2022年间1,209块农田（总面积27,000公顷）的独特地面调查数据集，该数据由固定分析人员采用六类耕作标准（后简化为高/低强度二分法）持续采集。结合Harmonized Landsat Sentinel-2（HLS）卫星影像，研究团队创新性地开发了多阶段分析框架：首先提取14种光谱指数（包括利用短波红外SWIR1/SWIR2波段吸收特性的简单耕作指数STI）和8种GLCM纹理特征；针对时序数据高维度问题，对比测试了季节合成、分位数合成和首创的双月合成（bimonthly composition）三种降维方法；最后通过随机森林（RF）、注意力LSTM（atLSTM）和Transformer等算法进行建模，并采用Boruta算法进行特征优选。

技术方法上，研究通过5折交叉验证评估模型性能，重点利用非生长季影像合成来规避植被信号干扰。环境因子如数字高程模型（DEM）和SSURGO土壤数据库被纳入测试，但未显示显著贡献。特征选择最终锁定13个关键变量，其中SWIR相关指数和NDVI的组合最具判别力。

研究结果揭示：1）耕作动态方面，年均34%的农田发生强度变化，低强度耕作面积净增1,609公顷，但存在16%的弃用率，且平均持续周期仅3年；2）模型表现上，双月合成+随机森林组合最优，小麦/大豆分类准确率达0.63，显著优于深度学习方法；3）机理分析发现，STI均值（反映木质素吸收特征）与低强度耕作强相关，而较高NDVI（可能与杂草滋生有关）预示高强度耕作。

讨论部分指出，该研究首次在多作物混合场景实现耕作强度遥感识别，其双月合成策略有效克服了植被信号干扰。尽管0.65的准确率低于单一作物研究，但更贴近实际农业复杂性。值得注意的是，频繁的耕作强度转换（2-3年周期）可能削弱土壤碳汇效益，这对生态补偿政策设计具有警示意义。未来研究需结合残留物覆盖率量化，以弥合人工标签与遥感生物物理参数间的鸿沟。论文发表于《International Journal of Applied Earth Observation and Geoinformation》，为长时序大尺度耕作监测提供了方法论范本。