《International Journal of Applied Earth Observation and Geoinformation》：A standardized approach to map spatially explicit crop rotations at regional scale
编辑推荐：
当前美国作物轮作数据缺乏足够的空间覆盖、分辨率和显式性，而这些对于有效和可持续的农业规划至关重要。本研究提出了一种标准化框架，将数据驱动技术与专家见解及基于卫星的作物图相结合，以生成区域尺度的详细作物轮作图。利用马尔可夫链（Markov chains），模型从
当前美国作物轮作数据缺乏足够的空间覆盖、分辨率和显式性，而这些对于有效和可持续的农业规划至关重要。本研究提出了一种标准化框架，将数据驱动技术与专家见解及基于卫星的作物图相结合，以生成区域尺度的详细作物轮作图。利用马尔可夫链（Markov chains），模型从历史数据预测可能的作物序列，并通过基于知识的查找表将其分类为不同的轮作。该框架应用于美国农业部经济研究服务局（USDA-ERS）在堪萨斯州的田间边界。进一步，利用来自280个田间站点的调查参考数据评估了准确性。
研究发现，大豆、冬小麦和玉米占据了堪萨斯州三分之一的农田。冬小麦在堪萨斯州中部和西部普遍存在，在18个主导轮作中的13个中出现，要么作为连续作物，要么与夏季作物和休耕轮作。玉米是堪萨斯州西部的主要灌溉作物，通常与非灌溉作物轮作。基于玉米和大豆的轮作覆盖了40%的区域。这些轮作，连同连续冬小麦，表现出高一致性，而更多变的高粱轮作则相反。该框架在高概率站点实现了71%的准确性。考虑到作物轮作预测模型的高性能，可以将其扩展到绘制美国其他地区当前和历史轮作图，所得地图可用于分析环境后果。
论文解读文章
**研究背景与问题**
作物轮作（crop rotation）是指在同一块田地上按顺序种植不同作物，能够改善土壤健康、管理病虫害并提高作物生产力。区域尺度的作物轮作记录对于制定政策和有效决策至关重要，这些轮作图可用于作物模型模拟产量和生物物理特性，并有助于理解环境影响，包括碳损失和温室气体排放。然而，当前美国作物轮作数据缺乏足够的空间覆盖、分辨率和空间显式性（spatial explicitness），而这些都是有效和可持续农业规划所必需的。尽管已有研究利用空间作物类型数据生成轮作图，但现有框架尚未在美国区域尺度上应用，尽管有全面的国家尺度多年作物类型图，如作物数据层（Cropland Data Layer, CDL）和作物序列边界（Crop Sequence Boundaries, CSB）。因此，本研究旨在开发一种标准化框架，结合数据驱动的马尔可夫链与专家知识，利用CSB数据生成区域尺度的作物轮作图；在堪萨斯州实施该框架，利用八年（2015–2022年）的作物信息分析轮作实践的空间模式；并利用调查数据集评估轮作图。该论文发表在《International Journal of Applied Earth Observation and Geoinformation》。
**主要技术方法**
研究人员采用了一个两步框架。首先，通过历史作物类型图生成所有唯一作物序列组合，识别潜在轮作；选择覆盖90%以上作物面积的前20个组合，并由专家根据当地实践验证或调整。其次，利用马尔可夫链（Markov chains）方法估计每个CSB字段（田间边界）的作物轮作概率，选择最可能的轮作。该框架使用堪萨斯州2015年至2022年的历史作物序列数据实施。最终轮作图利用来自280个商业冬小麦田间站点的调查数据（2016–2018年），通过混淆矩阵（confusion matrix）评估准确性，并计算总体精度、Cohen's Kappa系数和马修斯相关系数（Matthews Correlation Coefficient, MCC）。
**研究结果**
**3.1 唯一作物轮作**
通过对2018–2022年CSB数据的分析，研究人员确定了堪萨斯州的主导作物为冬小麦、玉米、大豆、高粱、休耕和双季冬小麦/大豆，这些作物覆盖了95%的农业面积。基于专家知识，选择了18种轮作，约占70%的总农田。最常见的五种轮作是“玉米-大豆”、“高粱-冬小麦-休耕”、“玉米-冬小麦-休耕”、“连续冬小麦”和“冬小麦-休耕”，各占5–11%的农田。
**3.2 作物轮作面积与空间模式**
利用马尔可夫链模型，基于八年（2015–2022年）的作物序列数据预测后两年作物，生成覆盖700万公顷（占堪萨斯州农田70%）的轮作图。主要连续作物——大豆、冬小麦和玉米——约占映射面积的33%。休耕期整合在36%的土地中。基于玉米和大豆的轮作覆盖430万公顷，略低于2022年USDA普查的550万公顷。冬小麦出现在18种选定轮作中的13种，覆盖约410万公顷。东部堪萨斯州主要采用“玉米-大豆”、“连续大豆”、“连续玉米”等轮作（占40%）。连续冬小麦集中在中南部（占12.6%）。西部堪萨斯州以灌溉玉米为主，常与非灌溉作物轮作。
**3.3 区域相对面积**
研究人员分析了七个区域的轮作分布，发现降水、灌溉、土壤、地形和经济因素共同塑造了轮作模式。东部地区（如东北部）以“玉米-大豆”为主（69%），西部半干旱地区（如西北部）以“玉米-冬小麦-休耕”（29%）和“高粱-冬小麦-休耕”（24%）为主，体现了水分限制。中央地区轮作多样性高，如北中部“玉米-大豆”（25%）和“连续冬小麦”（17%）并存。
**3.4 轮作转移概率**
转移概率图显示，“玉米-大豆”、“连续大豆”和“连续冬小麦”等轮作具有高概率和低空间变异，表明稳定和广泛使用。而包含休耕的轮作具有高概率但显著的空间变异。“连续玉米”显示出低一致性（概率低至71%），表明玉米与其他作物之间频繁转换。
**3.5 评估结果**
对于概率超过70%的站点，轮作映射方案表现出良好性能：总体精度71%，Kappa系数0.67，MCC 0.68。概率低于70%的站点性能较低：精度46%，Kappa 0.39，MCC 0.40。所有站点综合精度为59%，Kappa 0.53，表明中等一致性。与现有研究相比，该结果与法国（Osman et al., 2015, 60%）和英国（Upcott et al., 2023, 36–89%）的马尔可夫链方法相当，但低于内布拉斯加州的深度神经网络方法（77%），后者计算成本更高。
**3.6 局限性**
该框架集中于主要作物，作物多样性增加会使轮作模式更复杂；三年最大轮作长度可能不适用于所有区域；使用马尔可夫链而非先进深度学习模型；依赖历史轮作模式，可能无法检测社会经济、政策、气候变化等因素导致的转变。历史数据质量和一致性影响准确性，CDL映射误差可能引入错误。
**结论**
研究人员提出的作物轮作映射框架利用CSB数据集作为输入，结合基于马尔可夫链的预测模型与基于知识的方法，生成区域尺度轮作图。在堪萨斯州应用后，识别出18种轮作。大豆、冬小麦和玉米占据三分之一农田，休耕占另三分之一。基于玉米和大豆的轮作占40%的轮作面积。冬小麦出现在13种轮作中，尤其在中部堪萨斯州与夏季作物和休耕组合。西部堪萨斯州以灌溉田为主，主要种植玉米，常与非灌溉作物轮作。概率图显示玉米和大豆轮作及连续冬小麦的高一致性，而高粱轮作表现出显著变异。对于轮作概率超过70%的站点，框架达到71%精度（Kappa 0.67，MCC 0.68）；低概率站点精度为46%（Kappa 0.39，MCC 0.40）。马尔可夫链因其简单和低计算需求而被选择，适用于区域尺度映射。该框架可评估并应用于不同地点，轮作图可与模拟模型集成，以研究最佳轮作、覆盖作物对净碳平衡的影响以及不同轮作对碳氮平衡的影响。
