Автоматизированная поквартальная карта посевов с разрешением 10 м для сопредельных штатов США

Почему важны оперативные карты посевов

Каждое лето миллионы акров кукурузы, сои, хлопка и других культур формируют цены на продукты питания и топливо в США и за их пределами. Тем не менее наиболее широко используемая национальная карта посевов обычно публикуется через несколько месяцев после сбора урожая, что слишком поздно для многих решений в реальном времени. В этом исследовании представлен способ картирования того, что растет где по всей территории сопредельных штатов США в сам сезон, с детализацией, позволяющей видеть отдельные поля, и с задержкой всего в несколько дней.

Новый вид сезонной карты посевов

Авторы представляют «In season Crop type Data Layer» (ICDL) — набор ежемесячных карт, показывающих типы культур с разрешением 10 метров по 48 нижним штатам. В отличие от традиционных продуктов, появляющихся в следующем году, эти карты за июнь, июль и август публикуются примерно через пять дней после конца каждого месяца. Такая скорость позволяет фермерам, компаниям и государственным службам отслеживать посевные площади, мониторить риски и планировать логистику пока культуры еще находятся в поле. ICDL поставляется в стандартном картографическом формате и доступна для просмотра через веб-портал CropSmart или для загрузки и независимого анализа.

Чтение ландшафта из космоса

Чтобы создать такие оперативные карты, команда опирается на постоянный поток изображений от двух спутниковых программ: Sentinel-2 из Европы и Landsat-8 и -9 из США. Эти спутники многократно фотографируют одни и те же поля в нескольких диапазонах света, чувствительных к росту листьев и влаге, фиксируя, как культуры появляются, развиваются и созревают с поздней весны до лета. Метод также использует многолетние исторические карты посевов США, чтобы выявлять, где те или иные культуры регулярно повторяются на одних и тех же полях или чередуются в простых схемах, например кукуруза и соя поочередно. Пиксели, демонстрирующие такие стабильные паттерны, служат надежными примерами каждой культуры для обучения системы картирования.

Преобразование временных рядов изображений в карты по полям

Для каждого спутникового кадра, покрывающего часть страны, исследователи объединяют проверенные обучающие пиксели со стэками снимков, собранных с мая по соответствующий летний месяц. Они обрабатывают эти данные для стандартизации разрешения и вычисляют простые индикаторы биомассы и водного состояния растений. Метод машинного обучения под названием случайный лес затем изучает, как меняющиеся спутниковые сигналы соотносятся с разными покровами земли, включая основные культуры и другие классы, такие как пастбища или леса. Отдельные карты создаются на основе потоков Sentinel и Landsat, а затем объединяются в национальные слои, с приоритетом Sentinel из‑за его более высокой детализации. Финальный этап очистки сглаживает изолированные ошибочно классифицированные пиксели, чтобы уточнить границы полей.

Насколько точны карты

Команда тщательно проверила ICDL, сравнивая её с полевыми наблюдениями, собранными в Небраске и Айове, и с официальной статистикой площадей посевов по штатам. На уровне пикселей точность улучшается по мере развития культур: примерно 81 процент в июне и около 93–98 процентов в августе, часто превосходя устоявшийся Cropland Data Layer в конце лета. Метод особенно хорошо работает для кукурузы и сои в зоне кукурузного пояса. При сравнении оценок площадей по ICDL с официальными итогами по кукурузе, сое и хлопку различия обычно составляют всего несколько процентов для большинства штатов, а общие региональные суммы очень близки к отчетным значениям.

Что это значит для продовольствия и управления землей

Для планировщиков, аналитиков и ученых ICDL предлагает своевременную общенациональную картину того, что выращивают фермеры, вплоть до отдельных полей, в течение сезона, а не задолго после его завершения. Хотя авторы отмечают, что точность может варьироваться в зависимости от культуры, региона и качества изображений, карты стабильно достигают высокой точности и в целом хорошо согласуются с официальной статистикой. Этот новый слой данных может усилить прогнозы урожайности, оценки спроса и предложения и расчеты рисков, связанных с засухой или рыночными шоками, помогая лицам, принимающим решения, быстрее реагировать на изменения в сельскохозяйственном ландшафте.

Цитирование: Li, H., Di, L., Zhang, C. et al. Automated 10-m Resolution In-season Crop-type Data Layer Mapping for Contiguous United States. Sci Data 13, 750 (2026). https://doi.org/10.1038/s41597-026-07099-1

Ключевые слова: картирование посевов, спутниковые снимки, мониторинг сельского хозяйства, дистанционное зондирование, культуры США