基于深度学习的德国1990–2023年年度农业土地利用制图

《Scientific Data》:Nationwide annual agricultural land-use maps of Germany from 1990 to 2023 derived from satellite imagery

【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Data 7.2

编辑推荐:

  本研究呈现了1990年至2023年间德国全境的年度农业土地利用制图成果,该成果基于Landsat与Sentinel-2卫星影像,采用深度学习方法构建。研究人员利用2006年至2022年的农户申报数据,提取了13种作物类别及1种草地类别的年度训练样本。这些样本用

  
本研究呈现了1990年至2023年间德国全境的年度农业土地利用制图成果,该成果基于Landsat与Sentinel-2卫星影像,采用深度学习方法构建。研究人员利用2006年至2022年的农户申报数据,提取了13种作物类别及1种草地类别的年度训练样本。这些样本用于训练一个多年份一维卷积神经网络,随后应用于生成年度土地利用图。2010年至2022年间,地图总体精度介于85%至93%之间。从时间平均来看,草地、油菜、冬谷物、甜菜和玉米等主导类别均被以较高精度(≥90%)识别。相比之下,休耕地和种植园等次要类别的预测精度较低(≤52%)。将地图面积与农业统计数据进行时间序列比对后发现,多数类别呈现高度相关性,其中玉米的相关性尤为显著(r = 0.978)。所提供的制图成果为分析农业土地利用的长期趋势奠定了重要基础,可用于填补国家农业统计数据的时间空缺,并将统计数据降尺度至更高的空间单元。
**研究背景与问题**

在德国,农业景观的土地利用在过去几十年中经历了显著变化,其驱动因素涵盖社会经济、政策与环境等多个层面,这些因素相互交织,共同塑造了农业景观的格局,影响了农业土地利用的范围、类型和强度。为制定促进农业可持续发展的有效政策,亟需全面理解这些驱动因素及其对农业土地利用的影响,这就需要长期、具有空间显式信息的农业土地利用数据。尽管德国已存在如官方地形制图信息系统、共同农业政策地理空间应用框架以及官方农业统计等主要数据源,但这些数据源存在一定局限。若只提供耕地和草地等粗粒度土地覆盖类别,缺乏农业土地利用类型的详细信息;虽包含详细类型信息但时空覆盖有限且不公开;官方统计虽含详细信息但调查频率低(每3-4年一次)、数据汇总至区级无法进行空间显式分析,且类别定义随时间变化需大量整合工作。遥感数据凭借其高时空覆盖率,适合对农业土地进行连续长期的大范围制图,有潜力弥补上述数据源的不足。随着数据量的增加、人工智能方法的进步以及云平台的普及,农业土地利用制图得到极大发展。然而,在哥白尼计划时代(2015年)之前,尤其是回溯至1990年的详细全国尺度农业土地利用图极为稀缺,这使得有效的长期监测十分困难。1990年之所以关键,是因为它是各国向联合国气候变化框架公约强制报告温室气体清单的基准年。因此,高分辨率、全覆盖、长期的土地利用图不仅有助于理解驱动因素,还可能改善国家温室气体排放报告,支持政府间气候变化专门委员会指南中的三级(基于过程的)建模。此类长期地图的潜在用途还包括农业统计数据的时空降尺度、评估农业景观异质性、分析作物序列与轮作、评估农业政策以及估算作物供给响应等。基于此,研究人员利用深度学习技术,结合Landsat(1990-2023)和Sentinel-2(2015-2023)的全部存档影像,生成了一套包含13种主要作物类别与1个草地类别的德国全国农业土地利用历史数据集。

**研究内容与结论**

研究人员通过整合多源卫星数据与农民申报的参考数据,采用时间序列编码、数据增强与卷积网络相结合的策略,成功实现了数据稀疏条件下的全国尺度农业土地利用制图。在方法上,研究利用FORCE对1990年至2023年间的Landsat和2015年至2023年间的Sentinel-2影像进行预处理,生成30米分辨率的分析就绪数据,并提取六个光谱波段和三个光谱指数(共九个波段)。参考数据方面,研究人员获取了2006年至2022年德国各联邦州的共同农业政策地理空间框架地块数据,将其翻译并归并为14个土地利用类别。制图核心采用一维卷积神经网络模型,将每个像素和波段编码为365天的时序数组,并结合随机观测选择与随机日期移位两种数据增强方法,模拟数据稀疏条件下的时序模式。通过分年度随机采样像素构建多年份训练和验证池,完成模型训练后逐像素生成初始土地利用图。农业掩膜的生成则利用德国相关的土地覆盖参考库训练另一个一维卷积神经网络模型,经时空多数滤波后提取耕地、多年生作物和草地像元,处理得到最终土地利用图。研究数据均可在公共数据仓库获取。

**研究结果**

**总体精度**:基于未参与训练或验证的各地块像元,计算2011年至2022年各年份总体精度,范围为85%至93%之间,最高值在2018年(92.3%),最低值在2012年(85.3%)。2015年之后,当Landsat与Sentinel-2影像均可获取时,总体精度普遍超过90%。总体精度与年际清晰观测数量中位数之间存在显著正相关(r=0.712, p=0.006),表明观测次数对制图精度有重要影响。2012年因仅Landsat 7 SLC-off数据可用,其清晰观测数最少,精度也最低。

**类别精度**:采用F1分数(用户精度与生产者精度的调和平均)评估各类别精度。时间平均来看,草地、油菜、冬小麦、甜菜和玉米等高占比类别获得了最高精度(≥90%);而休耕地和种植园等低占比类别精度较低(≤52%)。具体来看,草地的F1分数变化范围为91.9%至94.4%;油菜、冬小麦、甜菜和玉米在所有年份均保持了85%以上的精度,最低值多出现在2012年。跳类精度波动较大,马铃薯类别的年度间变化幅度最大(最低42.0%,最高92.2%)。休耕地是所有类别中预测难度最大的,其F1分数范围仅为12.9%至39.5%。研究通过合成混淆矩阵揭示了系统性的混淆模式,主要分为三组:一是谷物类别内部(冬小麦、夏小麦、玉米)彼此混淆;二是半自然植被组(草地与休耕地、种植园)混淆严重;三是集约管理的特色作物组(马铃薯、园艺作物、甜菜)之间相互混淆。休耕地用户精度极低(19.5%),主要为草地的过度误分造成,这或源于休耕地实际可覆盖有草而不呈裸地状态。马铃薯、向日葵、园艺作物和禾木等类别也呈现出不同程度的中等偏低精度。

**与官方统计的比较**:将制图面积与官方统计进行比较。总面积呈正相关(r=0.757)且有所高估。八个主要类别显示出正相关,玉米和甜菜相关性很高(r>0.9),冬小麦、油菜、草地等五类的相关性介于0.6-0.83,马铃薯的相关性中等(r=0.33)。豆类相关性最低(r=0.001),休耕地和园艺作物则为负相关。在年际差异方面,甜菜的偏差最小。休耕地因与草地的光谱混淆导致预测困难,以及园艺作物因田块面积小、光谱混合等因素造成的不确定性,制约了其预测精度。

**讨论与结论**

**与其他产品的比较方面**,由于类别标准、空间分辨率和验证方法存在差异,直接比较需谨慎。研究指出在多数年份与多数类别上,其精度水平不逊于甚至优于现有其他全国尺度产品,尤其在2016年类别精度全面优于一项分辨率相同的研究。**关于研究的未来方向**,研究强调了观测数量变化对模型在不同年份间泛化的影响,指出若转移至数据稀疏年份,精度可能下降。提供了基于CSO图层空间信息构建不确定性图的逻辑建议,以便用户在使用时进行不确定性建模。对多年生作物施加的3年时间过滤虽有效降低了噪声,但也可能掩盖发生于短时间内的真实短暂转换,对精确的年度变化检测可能造成潜在低估。**数据与方法的局限**主要包括:精度评估所用像素与训练样本同源于共同农业政策地块数据,评估结果可能偏向于上限值;2006年之前因缺乏参考数据,地图不确定性无法通过准确性评估加以量化。尽管如此,通过与官方统计的趋势比较,未发现明显年代不合理性,表明早期制图具有可视和时间上的合理性。研究者也认识到现工作流程主要采用模型端增强策略而非跨年度显式训练数据迁移来应对数据稀缺问题,强调未来融入域适应或时间样本传递方法或将进一步拓展参考信息的利用效率、减少对同期样本的依赖。综上,本研究提供了一套贯通1990-2023年的全国尺度、30米分辨率农业土地利用时序产品,具备填补统计数据时空空白、支撑生态与政策研究的重要应用价值。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号