发布人:     发布日期: 2025-05-12    浏览次数:

1.文章信息

        文章标题：Annual winter wheat mapping for unveiling spatiotemporal patterns in China with a knowledge-guided approach and multi-source datasets（基于知识引导的方法和多源数据集揭示中国冬小麦时空变化模式的年度制图）

        第一作者：Gaoxiang Yang（南京农业大学）

        通讯作者：程涛（教授 | 南京农业大学）

        文章发表期刊：《ISPRS Journal of Photogrammetry and Remote Sensing》

2.研究内容

      在广域和长时间跨度上获取作物分布的空间显式信息，对于优化农业空间配置和保障粮食安全至关重要。尽管近年来基于遥感的多种作物类型制图方法不断涌现，但由于缺乏地面样本或稳定的遥感影像源，现有算法在时空尺度上的可扩展性较差，仍难以生成长期且高质量的作物类型图。

图 1. 中国研究区的位置。图中浅绿色、蓝色、红色和橙色填充的省份分别表示中国的北方（NC）、西北（NWC）、南方（SC）和西南（SWC）农业生态区。方格表示 1° × 1° 网格的划分，绿色圆圈大小不一，表示2000–2022年间各省冬小麦的平均种植面积。（有关图中颜色的说明，请参阅本文网络版。）

      该研究提出了一种基于知识引导的机器学习（Knowledge-Guided Machine Learning, KGML）方法（图2），通过整合多源遥感与环境数据，提取逐年训练样本，实现中国冬小麦的长期制图。该研究首先依据作物生长发育规律，利用光谱或极化特征变化提取关键物候阶段，并结合相应的光谱特征以增强作物类型间的区分度。随后，从候选作物像元中自动提取并优化年度训练样本，利用谐波特征训练机器学习分类器，从而逐年生成中国冬小麦分布图。

图 2. 知识引导方法的示意图，用于自动化训练数据生成、年度冬小麦制图及时空动态分析。

      基于这一长期数据集，该研究开展了2000年至2023年间全国尺度冬小麦种植区域的时空动态分析，并进一步量化其驱动因素。通过KGML方法，首次在中国范围内构建了空间分辨率为30米的长期冬小麦产品（ChinaWheat30L）（图3）。

图3. 2000–2023年中国年冬小麦30米空间分辨率地图（ChinaWheat30L）。(a–e) 分别为2000年、2005年、2010年、2015年和2020年的ChinaWheat30L；(f) 表示24年间冬小麦种植频率；(s1–s4) 为2020年ChinaWheat30L在四个20×20公里子区域的放大图，对应位置在子图(e)中标注；(t1–t4) 为冬小麦主产省（河南、山东、安徽、江苏）种植频率的放大图，对应位置在子图(f)中标示。

      独立验证结果表明，ChinaWheat30L的总体精度为0.929，F1分数为0.906（图4），且跨年度波动较小。

图 4. 基于知识引导的训练数据和局部自适应随机森林（RF）方法生成的2000至2023年年度冬小麦地图的精度评估结果。

      冬小麦制图结果在省级和市级尺度上与农业统计数据高度一致（R²分别为0.93和0.84）（图5）。此外，ChinaWheat30L在多种地貌类型中表现出较低的分类偏差，相比同类产品精度提升了4–10%（图6，7）。

图 5. 2000至2023年冬小麦种植面积在卫星反演数据与农业普查数据之间的市级尺度对应关系。

图 6. 在不同类型区域中对比ChinaWheat10（参考数据）、ChinaWheat30L、WheatMap_PTDTW、WheatMap_TWDTW、WheatMap_OZM和WheatMap_WWMI（对应第2至第7列）冬小麦图的表现。对比区域包括：(a) 小农田，(b) 国有农场，(c) 冬小麦与果树交错带，(d) 冬小麦与油菜混作区。其中(a)与(b)使用的是合成的假彩色Landsat卫星图像作为背景图像，而(c)与(d)由于缺乏高质量Landsat图像，分别使用了假彩色（NIR-SWIR-红光）Sentinel-2图像和真彩色（红-绿-蓝）PlanetScope图像作为背景。（有关图中颜色的说明，请参阅本文网络版。）

图 7. 在各数据产品覆盖期内，对ChinaWheat10（参考数据）、ChinaWheat30L、WheatMap_PTDTW、WheatMap_TWDTW、WheatMap_OZM和WheatMap_WWMI的年度精度进行比较。需注意，此比较仅针对各产品的共同年份进行。

      总体来看，过去二十年全国冬小麦种植面积总体保持稳定，但在山区、干旱区和高度城市化地区出现显著下降，而在气候适宜、耕地集中的平原地区则有所增加（图8）。

图 8. 2000至2023年冬小麦种植面积在0.05° × 0.05°网格尺度上的变化趋势。(a) 为全国冬小麦动态变化图；(b) 和 (c) 显示两个冬小麦主产区的显著变化区域；(d)、(f) 和 (h) 分别展示了在种植面积呈下降、稳定和上升趋势的三个典型区域中的ChinaWheat30L成果图；(e)、(g) 和 (i) 为相应区域的假彩色合成Landsat卫星影像。

      其次，冬小麦种植面积减少主要归因于自然因素，这一点通过海拔、温度和降水变量的高均值SHAP值得到了体现（图9）。

图 9. 驱动冬小麦动态变化的十个自然和社会经济变量的SHAP值。(a) 和 (b) 分别为下降区域的变量均值SHAP值和输入样本的具体SHAP值；(c) 和 (d) 为增长区域的相应指标。请注意，(b) 中的负SHAP值表示正向效应，因为冬小麦种植面积的下降用负值表示。

      该研究在无地面样本的情况下，实现了中国冬小麦长期、高分辨率、自动化、稳健的制图，为深入开展作物时空动态和粮食安全研究提供了新的数据支撑和研究视角。

该研究生成的ChinaWheat30L产品可通过以下链接访问：https://zenodo.org/records/15124014。

3.文章引用

    Gaoxiang Yang, Xingrong Li, Yuan Xiong, Meng He, Lei Zhang, Chongya Jiang, Xia Yao, Yan Zhu, Weixing Cao, Tao Cheng, Annual winter wheat mapping for unveiling spatiotemporal patterns in China with a knowledge-guided approach and multi-source datasets, ISPRS Journal of Photogrammetry and Remote Sensing, Volume 225, 2025, Pages 163-179, ISSN 0924-2716, https://doi.org/10.1016/j.isprsjprs.2025.04.031.