跨国界30米分辨率作物与土地利用动态监测：1994-2024年中格兰德河流域时空演变研究

本研究针对美墨边境中格兰德河流域（MRG）缺乏高时空分辨率土地利用数据的问题，开发了基于MANet-ResNeXt101架构的双月Landsat影像语义分割模型，构建了首套跨国界30米分辨率作物与土地覆盖（CLCLU）年度数据集（1994-2024）。该模型在验证中达到97.10%总体精度和78.85% mIoU，填补了跨境农业水资源管理的数据空白，为干旱区可持续发展提供关键决策支持。

　　

在气候变化与人类活动双重压力下，跨境流域的土地利用变化正深刻影响着区域生态安全和水资源分配。中格兰德河（MRG）作为美墨边境的重要水系，其流域内农业用水占比超过80%，但长期缺乏高精度、连续性的跨境土地利用数据。现有全球土地覆盖产品如MCD12Q1（500米）和GLASS（5公里）分辨率不足，而美国农业部作物数据层（CDL）仅覆盖本土且始于2008年，导致墨西哥侧农业活动监测存在盲区。这种数据鸿沟严重制约着跨境水资源协同管理，特别是在干旱加剧、地下水超采日益严重的背景下。

为破解这一难题，由Saman Ebrahimi领衔的国际团队在《Scientific Data》发表了开创性研究。该研究创新性地采用多时相Landsat影像（5/8号卫星）和MANet-ResNeXt101深度学习架构，构建了首套覆盖美墨两国的30米分辨率作物与土地覆盖年度数据集（CLCLU，1994-2024）。通过双月（7/12月）影像合成策略捕捉作物关键物候特征，模型在验证中展现出97.10%的整体精度，其中棉花（IoU_c 79.85%）和胡桃（IoU_c 82.93%）分类表现尤为突出。这项研究不仅实现了从光学影像直接生成30年尺度农业用地图谱的技术突破，更为跨境流域综合管理提供了数据基石。

关键技术方法方面，研究团队建立了多源数据融合框架：① 采用Google Earth Engine平台处理Landsat Collection 2 L2数据，生成7/12月双月合成影像（含VNIR-SWIR-TIR波段及NDVI）；② 基于CDL（2008-2024）构建41类训练样本，每年生成8万训练图斑（64×64像素）；③ 设计三种迁移学习策略（S.1-S.3）解决1994-2011年Landsat 5数据适配问题；④ 引入核注意力机制（KAM）和通道注意力（CAM）优化MANet模型，采用加权随机采样应对类别不平衡。

【数据记录与验证】

研究产出的30期年度CLCLU地图（GeoTIFF格式）通过Zenodo平台开放获取，包含9类地物编码。验证显示与NLCD的R²达0.9143（建设用地），与MCD12Q1-UMD的作物分类一致性R²为0.8557。值得注意的是，2004年因云层干扰出现精度低谷（RMSE 0.0938），印证了光学数据的固有局限。

【模型性能分析】

MANet在作物分类中展现出显著优势：苜蓿/干草（IoU_c 76.01%）、其他作物（71.66%）的识别精度远超传统方法。热红外波段（10.6-11.19μm）的引入有效提升了灌溉农田的判别能力，而注意力机制使背景类分类精度达到98.33%。时序分析证实，该模型成功修正了CDL在2009年棉花（误分类率>20%）和2010年埃尔帕索城区（漏分率15%）的显著错误。

【跨境应用价值】

研究揭示了MRG流域近30年土地利用演变规律：美国侧耕地面积波动与CDL高度吻合（R²>0.9），墨西哥侧则首次量化了胡桃种植的跨境扩张趋势。这套首个纯光学驱动的跨境数据集，为评估《1944年水资源条约》实施效果、预测干旱胁迫下的农业适应性提供了科学依据。

讨论部分指出，尽管云干扰（如2004年）和早期雷达数据缺失带来挑战，但双月合成策略显著提升了时序稳定性。作者强调，未来可结合Sentinel-1 SAR数据进一步优化，而保持农业用地分类的时序独立性仍是明智选择——这与作物轮作的天然变异性相符。该研究的真正突破在于证明：基于注意力机制的深度学习模型能有效捕捉跨境农业的时空异质性，为全球其他争议流域的土地利用监测树立了新范式。正如团队所言，当水资源成为国际争端焦点时，科学数据应成为和平对话的"通用语言"。