《Remote Sensing of Environment》：A framework to detect tillage practices from space: A demonstration in the US Midwest
編輯推薦：
美國中西部玉米大豆耕作實踐動態監測框架構建與驗證，結合衛星數據、環境變量和機器學習建立動態特征閾值模型，有效緩解土壤濕度、植被覆蓋等干擾因素，較傳統固定閾值方法在玉米（R2 0.62-0.84）和大豆（R2 0.52-0.84）中耕分類精度提升0.03-0.12，揭示2000-2022年區域中耕采用率變化規律及政策驅動因素。
吳曉翠|周渠|關凱宇|王勝|詹姆斯·希普爾|彭斌|陳張亮|秦榮珠
美國伊利諾伊大學厄巴納-香檳分校可持續性、能源與環境研究所農業生態系統可持續性中心，厄巴納，伊利諾伊州
摘要
保護性耕作實踐在可持續農業中發揮著關鍵作用，在美國也越來越受歡迎。關于耕作實踐的準確空間和時間地圖對于監測保護性耕作的采用情況以及評估其對土壤水分和養分流失及溫室氣體排放的影響至關重要。我們利用衛星數據、環境變量和機器學習構建了一個動態特征閾值框架，用于繪制2000年至2022年間美國中西部玉米和大豆田的耕作情況。該框架能夠有效考慮當地土壤、植被和環境因素對作物殘茬的復雜影響。我們比較了使用動態特征閾值和固定特征閾值（分別以寬帶角指數（BAI）或歸一化差異耕作指數（NDTI）作為關鍵特征）進行耕作繪制的準確性。結果顯示，結合BAI特征的動態特征閾值框架能夠準確估計三種耕作方式（免耕、減少耕作和傳統耕作）的百分比，玉米田的R2值分別為0.84、0.62和0.76，大豆田分別為0.84、0.52和0.70。與基于NDTI的特征相比，基于BAI的特征的動態特征閾值框架表現更好，R2值提高了0.03–0.12（對于不同的玉米耕作方式）和0.05–0.10（對于大豆）。固定特征閾值框架的性能明顯低于動態特征閾值框架（玉米和大豆不同耕作方式的R2值分別降低了0.23–0.61），主要是因為后者沒有考慮這些復雜因素�；贐AI的動態特征閾值框架的結果表明，美國中西部地區在耕作采用上存在顯著差異。我們還發現，從2000年到2022年，美國中西部地區保護性耕作（免耕或減少耕作）的采用率緩慢增加。達科他州北部、明尼蘇達州南部、內布拉斯加州東部和愛荷華州的免耕比例有所上升，這些變化主要是從減少耕作轉變而來的。所提出的基于遙感的框架在空間和時間上顯著改善了耕作信息的獲取，為區域耕作實踐的繪制提供了一種高度適用且成本效益高的方法。
引言
采用可持續和環保的農業實踐對于應對環境挑戰和確保糧食安全至關重要（Corsi和Muminjanov，2019）。作為保護性農業的主要實踐之一，保護性耕作（如免耕和減少耕作）通過減少耕作強度和保持作物殘茬來減少土壤侵蝕、保持水分和增加土壤養分（Quemada等人，2018；Zheng等人，2014）。此外，不同的耕作方式對溫室氣體排放和土壤碳含量有顯著影響，這凸顯了獲取此類信息的重要性（Abdalla等人，2013；Huang等人，2018；Wang等人，2021；Beegum等人，2023）。通常，這些結果的量化依賴于基于過程的生物化學建模，這需要詳細的數據作為輸入（Zhou等人，2021）。因此，以準確且成本效益高的方式檢測耕作實踐是更好地理解農業實踐影響并進一步推動可持續農業發展的前提。
有多種方法可以追蹤耕作信息，包括地面調查和遙感技術。在美國，收集耕作信息的主要方法包括人口普查、與農民的調查（USDA，2019）以及路邊調查（CTIC，2024）。例如，美國農業部國家農業統計服務局（NASS）每5年根據農業人口普查提供覆蓋整個美國的三類耕作類型信息（傳統耕作、減少耕作和免耕面積）。盡管這些普查數據包含了來自美國農場和牧場操作者的最完整耕作信息，但其空間和時間分辨率相對較低。此外，美國農業部自然資源保護局（USDA-NRCS）通過在一些州（如印第安納州）進行路邊調查來收集作物殘茬信息，這可以提供更詳細的田間耕作信息（ISDA，2024）。然而，由于時間和人力資源的限制，所有這些基于調查的方法都不適合大規模及時獲取耕作信息。
遙感技術允許每天進行大規模數據收集，從而能夠及時且成本效益高地監測大面積地區的耕作實踐。許多先前的研究已經探討了利用高光譜或多光譜遙感數據衍生的作物殘茬指數（CRIs）來繪制耕作實踐的應用（Daughtry等人，2006；Gao等人，2022；Quemada等人，2018；Yue等人，2020；Zheng等人，2013）。這些CRIs通常使用兩個或三個光譜帶來增強殘茬信息，其中短波紅外（SWIR）帶對于區分作物殘茬和土壤背景尤為重要，因為干作物殘茬中的纖維素和木質素在SWIR帶具有更強的吸收特征（Daughtry，2001；Zheng等人，2014）。歸一化差異耕作指數（NDTI）是一種常見的基于Landsat SWIR帶的CRI。它與作物殘茬覆蓋度的關聯已在局部尺度上得到廣泛研究。然而，土壤或作物殘茬的含水量會顯著降低SWIR帶的反射率，從而削弱纖維素和木質素的吸收特征，增加估計作物殘茬覆蓋度的不確定性（Hively等人，2019；Quemada等人，2018）。為了減輕土壤和作物殘茬含水量的影響，Yue等人（2020）提出了基于三個常規寬帶的寬帶角指數（BAI）。通過實驗室和實地測量的驗證，他們發現BAI可以減少水分效應，并具有估計作物殘茬覆蓋度的潛力。然而，大多數研究主要集中在建立基本原理或評估在少數地點或有限區域估計作物殘茬覆蓋度的能力上。在區域尺度上，這些基于CRIs的耕作信號可能對局部土壤條件（土壤類型、含水量）、綠色植被的存在、作物類型和殘茬年齡敏感（Daughtry等人，2005；Zheng等人，2013）�；谀承┑攸c的固定（靜態）閾值方法難以應用于更廣泛的區域。因此，將這些因素納入長期監測大范圍地區的耕作實踐至關重要。
為了克服現有研究中的上述挑戰，我們專注于構建一個特征閾值檢測框架，以準確估計中西部的耕作實踐。我們旨在解決以下科學問題：（1）如何利用衛星數據有效考慮殘茬信號與局部環境變量（如土壤性質和土壤濕度）之間的相互作用，從而在區域尺度上檢測耕作實踐？（2）根據我們衍生的耕作數據，過去二十年中西部地區的耕作實踐在空間模式和時間趨勢上如何變化？為了解決這些問題，我們結合基于衛星的CRIs、土壤變量、視覺指數（VI）和天氣變量以及綜合的地面參考數據，開發了一個空間和時間動態特征閾值框架。在動態特征閾值框架中，耕作實踐是根據CRIs衍生的耕作特征和隨縣和年份變化的動態特征閾值來檢測的。具體來說，我們研究了兩種不同CRI特征（NDTI和BAI）的適用性：NDTI是最廣泛使用的殘茬指數之一，而BAI被認為對土壤濕度的敏感性較低。進一步將動態特征閾值框架與固定特征閾值框架進行了比較，以展示考慮局部環境條件對殘茬信號影響的必要性。在固定特征閾值框架中，耕作實踐是根據與動態特征閾值框架相似的耕作特征來檢測的，但特征閾值在兩種不同情況下是固定的：（1）在空間和時間上都是固定的；（2）僅在年份上固定，但包括空間變化。然后我們將動態特征閾值框架應用于2000年至2022年美國中西部的耕作百分比估計，并探討了過去二十年耕作采用背后的政策驅動因素。在本研究中，我們強調結合耕作和環境因素以及機器學習模型和動態閾值，以一種可解釋且成本效益高的方式增強耕作實踐的檢測。所提出的框架提供了一種系統方法，能夠適應大范圍地區和長時間內的不同環境條件，使用中等分辨率數據，我們認為這代表了耕作實踐繪制方面的重大進步，而傳統上這種方法受到固定閾值的限制。
方法概述
方法論概述
在美國中西部，玉米和大豆是主要的經濟作物，近年來其種植面積約為1.5億英畝，占總作物面積的60-70%（USDA，2019）。玉米通常在4月至6月初種植，9月至11月收獲，具體時間因地點和地區農業實踐而異。大豆通常在4月底至6月種植，9月至11月初收獲（USDA FAS，2024）。耕作實踐通常
用于耕作實踐檢測的模型閾值
我們使用XGBoost模型來預測閾值，輸入包括土壤性質、視覺指數（VI）和天氣變量，地面參考數據的反閾值被用作訓練集和驗證集。模型驗證顯示，基于動態BAI的閾值模型在預測玉米的兩個閾值方面表現優異（圖4a），R2值分別為0.80和0.88。同樣，該模型在大豆方面的表現也很高，R2值為0.78
動態特征閾值檢測框架在耕作檢測中的優勢
在這項研究中，我們開發了一個可行且穩健的特征閾值框架，用于長期大規模檢測耕作實踐。我們的結果顯示，動態特征閾值框架在繪制三類耕作實踐方面表現優異。該框架能夠在最小空間尺度（如像素級別或田塊級別）預測耕作類型，然后將耕作信息匯總到區域尺度以訓練和擬合模型參數。
結論
在這項研究中，我們提出了一個動態特征閾值框架，該框架考慮了土壤背景和環境影響對作物殘茬信號的影響，并預測了耕作實踐的時空變化。與以往的方法不同，該框架使用XGBoost模型實現了隨縣和年份變化的閾值預測。我們對2000年至2016年中西部地區耕作百分比的預測分析表明，該框架能夠實現更好的預測能力
CRediT作者貢獻聲明
吳曉翠：寫作——審稿與編輯、撰寫初稿、可視化、驗證、方法論、調查、正式分析、數據管理、概念化。周渠：寫作——審稿與編輯、可視化、驗證、方法論。關凱宇：寫作——審稿與編輯、監督、項目管理、方法論、資金獲取、概念化。王勝：寫作——審稿與編輯。詹姆斯·希普爾：寫作——
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文所述的工作。
致謝
本工作主要得到了美國農業部國家食品和農業研究所（NIFA）基礎計劃的資助（2022-68013-37052、2023-68016-41371和2023-67013-39046），以及美國農業部風險管理機構（RMA）在RSA編號RMA20CPT0011222下的支持，還有美國農業部首席經濟學家可持續生物燃料原料分析辦公室項目（獎項編號58-0111-24-004的支持。本工作還得到了1887年《哈奇法案》的支持，項目編號7001159，來自美國農業部
