Mapes de patrons de cultiu a la Xina durant el 2015-2021

Zona d’estudi

Hi ha una llarga història de patrons de cultiu diversificats a causa de la complexitat climàtica i topogràfica a la Xina4. La intensitat de cultiu augmenta de nord a sud, i el cultiu múltiple domina a les regions al sud de 400NO4. Per exemple, els sistemes de cultiu múltiple d’arròs doble i blat d’hivern més blat de moro són populars a la plana del riu Yangtze Mitjà-inferior i la plana Huang-Huai-Hai, respectivament (Fig. 1).22. Tres conreus bàsics, blat de moro, arròs arrossat i blat, estan àmpliament distribuïts per tot el país (figura S1). Aquests tres cultius principals van contribuir a més de la meitat (57,08%) de la superfície sembrada total a la Xina el 2020 (http://www.stats.gov.cn/english/).

Fig. 1

El mapa de distribució dels patrons de cultiu el 2021, 9 regions agrícoles i llocs de validació a la Xina. Notes: A a I representaven nou regions agrícoles de la Xina. () Pla del riu Yangtze mitjà-baix; (B) Plana Huang-Huai-Hai; (VS) Nord-est de la Xina; (D) Mongòlia Interior i al llarg de la Gran Muralla; (E) Safata de loess; (F) Sud-oest de la Xina; (G) Sud de la Xina; (H) regió de Gansu-Xinjiang; (jo) Regió de Qinghai-Tibet.

Imatges MODIS i preprocessament

Hem utilitzat els productes de reflectància superficial de l’espectroradiòmetre d’imatges de resolució moderada (MODIS) de 500 m de 8 dies (MOD09A1) del 2015 al 2021. Es van calcular tres índexs espectrals: l’índex de vegetació millorat de 2 bandes (EVI2)23LSWI16i Índex de sequera multibanda normalitzat (NMDI)24 (Fig. 2). Les funcions d’EVI2, LSWI i NMDI es proporcionen a les eq. 1-3 de la següent manera.

$${rm{EVI2}}=2,5vegades left({rho }_{NIR}-{rho }_{{rm{Vermell}}}right)/left({rho } _{NIR}+2,4veces {rho }_{{rm{Vermell}}}+1dreta)$$

(1)

$${rm{LSWI}}=esquerra({rho }_{NIR}-{rho }_{SWIR6}dreta)/esquerra({rho }_{NIR}+{rho } _{SWIR6}right)$$

(2)

$$NMDI=frac{{rho }_{NIR}-left({rho }_{SWIR6}-{rho }_{SWIR7}right)}{{rho }_{NIR}+ left({rho }_{SWIR6}-{rho }_{SWIR7}right)}$$

(3)

on, ρNIR, ρVermell, ρSWIR6 i ρSWIR7 va representar els valors de reflectància superficial de la banda vermella (620–670 nm), infraroja propera (841–875 nm), banda infraroja d’ona curta centrada a 1640 nm (1628–1652 nm) i 2130 nm (2105–2155 nm) , respectivament.

Fig. 2
imatge 2

El flux de treball de la metodologia: preprocessament de dades, obtenció de la intensitat de cultiu, mapeig de tres cultius bàsics i obtenció de mapes anuals de patrons de cultiu a la Xina.

Per a cada índex espectral (EVI2, LSWI i NMDI), es va desenvolupar una sèrie de temps contínua diària basada en les observacions sense núvols mitjançant el Whittaker Smoother (WS)25. El suau WS va funcionar bé en diverses regions de cultiu i, per tant, es va aplicar aquí26.

Dades de validació i altres conjunts de dades

Les dades de validació d’aquest estudi incloïen les dades de referència de la veritat del sòl i les dades del cens agrícola. Les dades de referència de la veritat terrestre es van recollir a les principals regions agrícoles amb receptors GPS i càmeres digitals durant el període d’estudi (2015-2021) (figura 1, taula S1). Per a cada lloc de mostreig, es va registrar la ubicació geogràfica i els tipus de cultiu. La fiabilitat de les dades de prospecció del sòl es va millorar mitjançant la confirmació visual basada en imatges d’alta resolució a Google Earth. Alguns llocs de referència amb mides de camp petites es van eliminar per tenir en compte els problemes de píxels mixts de les imatges MODIS. Finalment, vam obtenir un total de 18.379 mostres terrestres recollides durant el període 2015-2021 (taula S1). Totes les dades de referència de la veritat del sòl es van utilitzar per validar les dades del patró de cultiu l’any corresponent. Les dades del cens agrícola es van obtenir de l’Oficina Nacional d’Estadística de la Xina (NSBC) (http://www.stats.gov.cn/english/), que es van recollir mitjançant estadístiques de mostreig. Les dades del calendari de conreus de les estacions agrometeorològiques van registrar les dates de sembra, plàntula, llaurat, encapçalament i collita del blat d’hivern (210 llocs) o del blat de primavera (90 llocs). Les dades del calendari es van aplicar per establir les superfícies de tendència de les etapes fenològiques clau del blat d’hivern i del blat de primavera, respectivament. Les dades del calendari de cultius van ser proporcionades pel Centre Nacional d’Informació Meteorològica de l’Administració Meteorològica de la Xina.

Les dades de distribució de les terres de conreu es van derivar de les dades de coberta terrestre global de 30 m GlobeLand30 el 202027. La precisió total de GlobeLand30 el 2020 és del 85,72% i el coeficient Kappa és de 0,82 (www.globallandcover.com). Per correspondre a les imatges MODIS, els píxels de terres de cultiu de 30 m de les dades de GlobeLand30 es van agregar espacialment a un mapa de fraccions de conreu de 500 m. Per simplificar, vam classificar la puresa de píxels dels píxels MODIS en tres grups: els percentatges de terres de conreu de> 90%, 50-90% i <50% es van etiquetar com a píxels purs, mixtos moderats i barrejats seriosament, respectivament. No es van tenir en compte els píxels MODIS amb una fracció de conreu molt petita (és a dir, <30%). Els grups mixtos purs, moderats i seriosament barrejats ocupaven el 39%, el 42% i el 19% dels píxels MODIS a la Xina, respectivament (figura S2).

Visió general de l’enfocament de mapeig de patrons de retall

Un patró de cultiu es coneix com la seqüència anual i la distribució espacial dels principals cultius en una part específica de la terra de conreu. Per tant, el mapatge de patrons de cultiu hauria de proporcionar informació sobre la intensitat de cultiu i els tipus de cultiu. Quan es conreen múltiples cultius, hem derivat la seqüència de plantació de dos o triples cultius. Per exemple, el patró de cultiu de “blat d’hivern-blat de moro” representa un cultiu doble amb una rotació de blat d’hivern més blat de moro. Hem realitzat processos de mapeig de patrons de retall mitjançant el programari MATLAB (Fig. 2). Els mapes de patrons de cultiu anuals es van obtenir derivant la intensitat del cultiu i mapejant tres tipus de cultius bàsics (arròs, blat de moro, blat). Aquests algorismes de mapeig basats en el coneixement es van descriure a les seccions següents (Fig. 2).

Deriva la intensitat de cultiu

Els algorismes basats en pics d’índexs de vegetació (VI) s’han aplicat àmpliament per identificar la intensitat de cultiu en estudis anteriors.28. Tanmateix, els algorismes basats en el pic VI es van veure desafiats pels canvis dels perfils temporals VI en diferents patrons de cultiu en grans àrees i diversos anys.15.17. Es va proposar un mètode d’extracció automàtic de la intensitat de tall basat en les Isolines of Wavelet Spectra (CIIWS) amb consideracions de la complexa variabilitat intraclasse dels perfils temporals VI.29.30. L’índex de retall es va identificar a partir de tres característiques principals, l’amplada de l’esquelet, el nombre màxim de centres de brillantor forts i la intersecció dels seus intervals d’escala, derivats dels espectres d’onades (Fig. 2).29.30. L’algoritme de mapeig d’intensitat de cultiu CIIWS és capaç de derivar automàticament la intensitat de cultiu, que és robust a la variabilitat intraclasse, com ara el canvi de fenologia, el creixement del cultiu reforçat o reduït o la diversitat de cultius.29.30. L’algoritme de mapeig d’intensitat de cultiu basat en wavelets es va aplicar a la Xina continental per obtenir la intensitat de cultiu anual del 1982 al 2013, amb una precisió global del 91,63%4. Per tant, en aquest estudi es va aplicar aquest algorisme de mapeig d’intensitat de retall basat en les característiques d’ondelets29.30.

Cartografia de l’arròs, el blat de moro i el blat a partir d’indicadors fenològics

En referències relacionades es van desenvolupar algorismes per mapejar l’arròs, el blat de moro i el blat15,31,32 i aplicat en aquest estudi. Hem fet millores crítiques sobre aquests algorismes de mapeig de retalls proposats principalment per fer front al problema de píxels mixts a les imatges MODIS15,29,30,31,32. En primer lloc, es van aplicar llindars basats en la puresa de píxels a les regles de decisió (taula 1) per fer front al problema de píxels mixtes de les imatges MODIS. S’esperava que el cultiu objectiu de píxels barrejats mostrés valors més baixos que els dels píxels purs quan el cultiu objectiu es va destacar amb valors més grans als nostres indicadors proposats (és a dir, blat de moro). Els llindars basats en la puresa de píxels es van determinar a partir de l’avaluació de la precisió amb les dades del cens agrícola el 2018. Els llindars basats en la puresa de píxels es van aplicar a escala nacional i diversos anys (2015-2021) sense adaptacions. En segon lloc, els mapes derivats es van millorar encara més incorporant les seves àrees adequades corresponents. Concretament, es van estimar les zones adequades d’arròs simple i blat de moro de primavera en funció de les condicions topogràfiques i climàtiques (elevació i temperatura acumulada superiors als 10 graus).33. Finalment, vam calcular les àrees estimades de tres cultius bàsics a partir de productes derivats de MODIS mitjançant el mapa de fraccions de terres de cultiu. A les seccions següents es va proporcionar una descripció concisa dels algorismes de mapeig originals.

Taula 1 Informació sobre mètriques fenològiques i regles de decisió per al mapeig de cultius.

Es va proposar un algorisme de mapeig de l’arròs basat en la fenologia mitjançant la consideració combinada de la fenologia de la vegetació i les variacions de l’aigua superficial (CCVS)31. La variació de LSWI als camps d’arròs va ser menor que la d’altres camps de cultiu durant el període des del conreu fins a les dates de la partida.31. Per tant, la proporció de canvi d’amplitud de LSWI a 2-band Enhanced Vegetation Index 2 (RCLE) durant aquest període es va utilitzar com a mètrica principal per al mapeig de l’arròs (Fig. 2, Taula 1). L’algoritme de mapeig de l’arròs CCVS es va aplicar amb èxit a 15 unitats administratives a nivell provincial del sud de la Xina, que van obtenir una precisió global del 93-94%31. L’algoritme de mapeig de l’arròs CCVS va demostrar ser robust pel que fa a la variabilitat intraclasse de l’arròs14.

Recentment es va proposar un mapeig automàtic de blat de moro Exploring Lvariació de la humitat durant la floració Spis (MELS)32. Un indicador únic per a la cartografia del blat de moro va ser la relació entre pendent positiu acumulat i pendent negatiu (RCPN) de NMDI durant l’etapa de floració (Fig. 2, Taula 1). Els llocs de blat de moro es van destacar per valors constantment més alts en el nostre indicador basat en la fenologia proposat (RCPN) en comparació amb altres cultius. Es va aplicar una regla senzilla per derivar el blat de moro32 (Taula 1). La capacitat del mètode MELS es va verificar a la Xina continental, amb una precisió global del 91%32.

En aquest estudi es va explotar un algorisme de mapeig del blat d’hivern basat en la fenologia mitjançant la combinació de variacions abans i després de les dates estimades de capçalera (CBAH) (Fig. 2).15. L’algoritme CBAH va demostrar l’adaptabilitat dels perfils temporals VI a la variabilitat intraclasse34. Aquest algorisme de mapeig es va operar a la plana del nord de la Xina des del 2001 fins al 2013, amb una precisió global d’al voltant del 90%15. L’algoritme CBAH es va ampliar per mapejar tant el blat d’hivern com el blat de primavera a escala nacional. La distribució potencial del blat d’hivern i del blat de primavera es va determinar a partir de les latituds i la temperatura acumulada per sobre dels 5 ° C amb referències a les dades del calendari de cultius de les estacions agrometeorològiques. A continuació, es van establir les superfícies de tendència de les etapes fenològiques clau (dates de capçalera i longitud de creixement primerenca) per al blat d’hivern i el blat de primavera, respectivament35. Per al blat d’hivern es va aplicar l’altitud i la latitud; i per al blat de primavera, es va aplicar la temperatura acumulada per sobre dels 5 °C i la latitud. Es van desenvolupar dos indicadors basats en la fenologia explorant les variacions de VI durant les etapes de creixement inicial i tardana estimades (Fig. 2, Taula 1). Es podria aplicar una regla de decisió senzilla per identificar el blat mitjançant aquests dos indicadors basats en la fenologia (taula 1).

Leave a Comment

Your email address will not be published. Required fields are marked *