用于美国本土的自动化10米分辨率在季作物类型数据图层映射

为何快速作物地图很重要

每年夏季，数百万英亩的玉米、大豆、棉花及其他作物影响着美国乃至全球的粮食与燃料价格。然而，目前最广泛使用的国家级作物地图通常要在收获数月后才发布，这对于许多实时决策来说为时已晚。本研究提出了一种方法，可以在生长季节内对美国本土（下48州）进行逐田块的作物分布制图，分辨率足以识别单个田块，且仅有几天的时延。

一种新型的在季作物图

作者们引入了“在季作物类型数据图层”（In season Crop type Data Layer，简称 ICDL），这是覆盖下48州的每月10米分辨率作物类型系列地图。与传统产品通常在次年才发布不同，这些6、7、8月的地图在每月结束后大约五天内公开。这种速度使农民、公司和机构能够在作物仍在地里时跟踪种植面积、监测风险并规划物流。ICDL以标准地图格式提供，可通过 CropSmart 网络门户在线查看或下载以供独立分析。

从太空读取土地信息

为构建这些及时地图，团队依赖来自两个卫星项目的稳定影像流：欧洲的 Sentinel-2 和美国的 Landsat 8 与 9。这些卫星以对叶片生长和水分敏感的多波段光谱反复拍摄同一片田地，记录作物从晚春到夏季如何出苗、生长和成熟。方法还利用多年的美国作物地图作为先验，学习某些作物在同一田块中重复出现或以简单规律交替（例如玉米与大豆年际轮作）的模式。遵循这些稳定模式的像素被视为各作物的可信训练样本，用于训练制图系统。

将影像时间序列转换为田块级地图

对于覆盖全国部分区域的每个卫星影像场景，研究人员将可信训练像素与从五月到相应夏月收集的影像堆栈结合。他们处理这些数据以标准化分辨率并计算反映植被茂盛度和水分的简单指数。然后，一种称为随机森林的机器学习方法学习变化的卫星信号如何对应不同的地表覆盖类型，包括主要作物以及牧场或森林等其他类别。分别从 Sentinel 和 Landsat 流创建地图，再拼接为全国图层，因 Sentinel 细节更丰富而被优先采用。最后的清理步骤消除孤立误分类像素，以锐化田块边界。

这些地图有多准确

团队通过将 ICDL 与在内布拉斯加和爱荷华收集的田间观测以及官方州级作物面积统计进行比较，仔细检验了其准确性。在像素层面，随着作物发育，准确率逐步提高：六月约为81%，到八月上升至约93%到98%，在夏末常常超过长期发布的 Cropland Data Layer。该方法在玉米带地区对玉米和大豆的表现尤其出色。当基于 ICDL 的面积估算与玉米、大豆和棉花的官方总量比较时，大多数州的差异通常在几个百分点内，区域总体总量与报告值非常接近。

对粮食与土地管理的意义

对于规划者、分析师和科学家而言，ICDL 提供了一幅及时的、覆盖全国且细化到单个田块的农作物分布图，描绘的是生长季内农民正在种植的作物，而不是事后很久才知道的情况。作者指出，性能可能随作物、区域和影像质量而异，但这些地图始终达到较高准确率并紧跟官方统计。这个新数据图层可用于增强产量预测、供需估算以及干旱或市场冲击的风险评估，帮助决策者更快地应对农业景观的变化。

引用: 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

关键词: 作物制图, 卫星影像, 农业监测, 遥感, 美国作物