精准快速识别小麦-玉米轮作区域对于中国北方地区耕地非粮化动态监测、主粮作物产能保障及农业可持续发展具有重要战略意义。该研究以河南省安阳市滑县为研究区,基于GEE云平台集成2018—2024年关键物候期Sentinel-2时序数据,构建光谱反...精准快速识别小麦-玉米轮作区域对于中国北方地区耕地非粮化动态监测、主粮作物产能保障及农业可持续发展具有重要战略意义。该研究以河南省安阳市滑县为研究区,基于GEE云平台集成2018—2024年关键物候期Sentinel-2时序数据,构建光谱反射率及植被指数时间序列多维特征集,分别使用传统单时相方法和改进的连续变化检测和分类(continuous change detection and classification,CCDC)算法对研究区域内主粮-主粮、主粮-非主粮、非主粮-主粮、非主粮-非主粮等4种轮作模式进行动态分类识别。结果表明:1)传统单时相方法在两个生长季的主粮作物分类总体精度(OA)最高可达96.8%、Kappa系数最高为0.96,两季影像叠加后的轮作模式识别平均OA和Kappa系数分别为71.3%、0.63;2)改进的CCDC-ANN算法对4种轮作模式识别的平均总体精度为91.8%、Kappa系数为0.891,较传统方法提升约20%;3)研究区种植结构呈现出明显的空间异质性,西部丘陵地区以主粮–非主粮轮作为主,东部平原以主粮–主粮、非主粮–主粮为主;4类轮作模式在2018—2024年均呈“先增后降再回升”动态:主粮-非主粮模式波动最剧烈,主粮-主粮模式最为平稳(波动<5%),非主粮-非主粮与非主粮-主粮模式亦表现出明显的阶段性涨落。该研究方法实现了小麦-玉米轮作区域的精准提取,为中国北方地区开展耕地非粮化监测提供了方法支撑。展开更多
文摘精准快速识别小麦-玉米轮作区域对于中国北方地区耕地非粮化动态监测、主粮作物产能保障及农业可持续发展具有重要战略意义。该研究以河南省安阳市滑县为研究区,基于GEE云平台集成2018—2024年关键物候期Sentinel-2时序数据,构建光谱反射率及植被指数时间序列多维特征集,分别使用传统单时相方法和改进的连续变化检测和分类(continuous change detection and classification,CCDC)算法对研究区域内主粮-主粮、主粮-非主粮、非主粮-主粮、非主粮-非主粮等4种轮作模式进行动态分类识别。结果表明:1)传统单时相方法在两个生长季的主粮作物分类总体精度(OA)最高可达96.8%、Kappa系数最高为0.96,两季影像叠加后的轮作模式识别平均OA和Kappa系数分别为71.3%、0.63;2)改进的CCDC-ANN算法对4种轮作模式识别的平均总体精度为91.8%、Kappa系数为0.891,较传统方法提升约20%;3)研究区种植结构呈现出明显的空间异质性,西部丘陵地区以主粮–非主粮轮作为主,东部平原以主粮–主粮、非主粮–主粮为主;4类轮作模式在2018—2024年均呈“先增后降再回升”动态:主粮-非主粮模式波动最剧烈,主粮-主粮模式最为平稳(波动<5%),非主粮-非主粮与非主粮-主粮模式亦表现出明显的阶段性涨落。该研究方法实现了小麦-玉米轮作区域的精准提取,为中国北方地区开展耕地非粮化监测提供了方法支撑。
