利用机器学习方法估算美国本土范围内的牧场面积 胡明月（Mingyue Hu） 于辛迪（Cindy Yu） 朱正远（Zhengyuan Zhu） 莎拉·麦科德（Sarah McCord） 洛雷塔·J·梅茨（Loretta J. Metz）

《Remote Sensing》：Estimating Grazing Land Acres Across the Contiguous United States Using Machine Learning Methods Mingyue Hu, Cindy Yu, Zhengyuan Zhu, Sarah McCord and Loretta J. Metz

　　

摘要

量化美国范围内牧场和草地（统称为放牧用地）的面积是许多放牧用地评估的关键第一步。本研究提出了一个基于模型的框架，通过整合高质量的调查数据与基于卫星的栅格地理空间数据来估算任意地理边界内的放牧用地面积。我们利用美国农业部自然资源保护局（NRCS）国家资源清查（NRI）调查中的图像解读数据作为参考数据集，通过机器学习将NRI的点级数据与基于卫星的耕地数据层（CDL）的辅助数据融合，以提高放牧用地面积估算的精度。该方法包括三个步骤：（1）建立NRI牧场和草地指标与CDL变量之间的关系模型；（2）生成美国本土的高分辨率牧场和草地概率地图；（3）汇总这些概率值以计算特定区域的牧场和草地面积。这种方法为研究人员和土地管理者提供了一个可扩展的工具，可以在自选的研究区域内定义放牧用地的范围，确保后续的资源特征或状况评估具有代表性和空间准确性。