基于耕地数据层的跨区域样本生成方法在大范围冬小麦制图中的应用——以中国黄淮海平原为例

针对大范围冬小麦遥感制图中训练样本匮乏的难题，本研究提出基于耕地数据层(CDL)和时间序列影像的跨区域样本生成(CrossRS)方法，通过随机森林算法迁移规则、物候信息筛选和空间滤波三步策略，在黄淮海平原实现了精度达94.1%的冬小麦制图，为无可靠作物产品的地区提供了样本生成新范式。

　　

在全球粮食安全背景下，冬小麦作为第二大主粮作物，其精准空间分布监测对农业政策制定至关重要。然而，传统遥感制图方法面临两大瓶颈：一是发展中国家缺乏美国Cropland Data Layer(CDL)这类高精度作物产品作为样本源；二是冬小麦与冬季油菜、冬蒜等作物物候重叠导致分类混淆。尤其在中国黄淮海平原(HHP)，多云天气导致光学影像缺失，更增加了大范围制图的难度。

武汉大学测绘遥感信息工程国家重点实验室的研究团队创新性地提出跨区域样本生成(CrossRS)方法，利用同纬度美国堪萨斯州的CDL样本，结合Sentinel-1/2时间序列数据，实现了中国HHP地区10米分辨率的高精度冬小麦制图，相关成果发表于《International Journal of Applied Earth Observation and Geoinformation》。

研究采用三项关键技术：(1)基于CDL置信度>95%提取堪萨斯州高纯度冬小麦样本；(2)通过随机森林概率迁移建立目标区冬小麦像素池；(3)利用Sentinel-1 VH极化值(-17.5dB阈值)区分冬小麦与冬季油菜/冬蒜。研究覆盖中国8个省份，验证了方法在跨传感器(Landsat-8)、跨年份(2017-2023)场景下的适用性。

4.1 冬小麦制图精度
在山东成武县和湖北潜江市，CrossRS方法的总体精度(OA)分别达94.1%和99.7%，显著优于ChinaWheat10等现有产品。典型区域显示，该方法能清晰区分冬小麦(深绿)、冬蒜(浅绿)和冬季油菜(花期黄色)，而其他方法存在严重混分。

4.3 跨省适用性验证
在河南、江苏等8省典型县域的比较中，CrossRS结果与Sentinel-2目视解译高度一致。特别是在河南中牟县，成功识别出被其他产品误判为冬小麦的冬蒜种植区，证明物候特征与雷达数据融合的有效性。

4.4 跨年/跨传感器迁移
将2020年Sentinel样本直接用于2019/2021年制图，OA仍保持85.5%-97.3%；迁移至30米Landsat-8数据时OA达83.5%，显示方法对时空变化的稳健性。

4.5 长时间序列监测
2017-2023年河南省市级(R²=0.91-0.96)和县级(R²>0.86)冬小麦面积估算与统计年鉴高度吻合，证实方法支持业务化监测的能力。

讨论与展望
该研究突破性地将作物物候规律与跨区域迁移学习结合：一方面利用同纬度作物生长周期相似性，通过CDL解决样本短缺；另一方面创新性地采用Sentinel-1 VH值(-17.5dB)作为冬小麦"光学-雷达"联合判别标志。值得注意的是，相比既往仅关注冬油菜干扰的研究，本文首次系统解决了冬蒜混淆问题——这在北方省份尤为关键，因为冬蒜在混合像元中占比可达63.3%。

局限性与未来方向包括：多云地区光学数据缺失可能影响概率迁移稳定性，以及GEE平台算力限制对大区域应用的制约。团队计划引入自适应特征选择机制，结合物候轨迹建模进一步提升方法普适性。这项研究为全球农作物监测提供了一种低成本、高精度的样本生成范式，特别适用于缺乏地面调查资源的发展中国家。