DOI: https://doi.org/10.1038/s41597-025-06516-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41491172
تاريخ النشر: 2026-01-05
المؤلف: Yuanyuan Di وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تتناول هذه الورقة البحثية نقص خرائط المحاصيل عالية الدقة في شمال شرق الصين، وهي منطقة زراعية حيوية مسؤولة عن ثلث إنتاج الحبوب في البلاد، قبل عام 2013. قام المؤلفون بتطوير خرائط سنوية لأنواع المحاصيل بدقة 30 مترًا للمنطقة الممتدة من 2001 إلى 2022 من خلال استخدام جميع صور لاندسات وMODIS المتاحة جنبًا إلى جنب مع خوارزمية نموذج دمج الانعكاس الزمني القابل للتوسع بشكل كبير (HISTARFM).
تم تقييم دقة هذه الخرائط لأنواع المحاصيل بدقة من خلال ثلاث طرق: التحقق من صحة البيانات مقابل بيانات الحقيقة الأرضية من 2017 إلى 2022، والتي أسفرت عن دقة إجمالية تتراوح بين 80.7% و91%; التحقق باستخدام “البكسلات الموثوقة” من منتجات رسم الخرائط الزراعية الحالية من 2001 إلى 2020، مما أدى إلى دقة تتراوح بين 85% و95%; والمقارنة مع إحصاءات الحكومة من 2001 إلى 2022، والتي أظهرت معاملات ارتباط عالية ($R^2$) تبلغ 0.98 للأرز، 0.83 للذرة، و0.90 لفول الصويا. تشير النتائج إلى أن الخرائط التي تم إنشاؤها حديثًا تتماشى بشكل أفضل مع إحصاءات الحكومة مقارنةً بالخرائط السابقة للمحاصيل، مما يوفر رؤى مكانية وزمانية تفصيلية تعتبر حاسمة لتعزيز الممارسات الزراعية المستدامة في المنطقة الرئيسية لإنتاج الحبوب في الصين.
مقدمة
تسلط المقدمة الضوء على أهمية شمال شرق (NE) الصين كمنطقة زراعية حيوية، تساهم في جزء كبير من إنتاج الحبوب في البلاد. على الرغم من التكيف السريع لأنماط الزراعة استجابةً للسياسات الزراعية الوطنية، فإن نقص خرائط أنواع المحاصيل الدقيقة على المدى الطويل قد أعاق فهمًا شاملاً للتغيرات المكانية والكمية في الزراعة، فضلاً عن آثارها البيئية، بما في ذلك استنزاف المياه الجوفية وتدهور التربة. لقد جعل ظهور تكنولوجيا الأقمار الصناعية والحوسبة السحابية من الممكن إنشاء خرائط محاصيل دقيقة على مساحات واسعة وفترات زمنية، ومع ذلك، فإن الجهود الحالية في الصين قد ركزت إلى حد كبير على رسم خرائط المحاصيل الفردية، مما لا يعكس تعقيدات أنظمة المحاصيل المتعددة بشكل كافٍ.
لقد حققت الدراسات الحديثة تقدمًا في رسم خرائط المحاصيل في شمال شرق الصين، باستخدام صور Sentinel بشكل أساسي منذ عام 2017. تشمل المساهمات البارزة خرائط سنوية لأنواع المحاصيل لمحاصيل رئيسية مثل الأرز والذرة، بالإضافة إلى دراسات موسعة تغطي سنوات سابقة باستخدام بيانات لاندسات وMODIS. ومع ذلك، فإن دقة هذه الخرائط، وخاصة دقة 500 متر من MODIS، غير كافية لتمثيل المناظر الزراعية المجزأة بدقة في المنطقة. تؤكد هذه القيود على ضرورة وجود رسم خرائط متعددة المحاصيل عالية الدقة وطويلة الأجل لفهم الديناميات الزراعية المتطورة وآثارها البيئية والاجتماعية الأوسع.
الطرق
تحدد قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن تحليلًا شاملاً للموضوع. شملت المنهجيات المحددة تجارب محكومة، ونمذجة إحصائية، ومحاكاة، تم تصميمها لاختبار الفرضيات التي تم صياغتها في بداية البحث.
شمل جمع البيانات عملية أخذ عينات منهجية، مما يضمن أن العينة كانت تمثل السكان الأوسع. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما سمح بإجراء اختبارات صارمة للنتائج. تم تعريف مقاييس رئيسية لتقييم النتائج، وتم تطبيق اختبارات إحصائية مناسبة لتحديد أهمية النتائج. بشكل عام، تم تصميم الإطار المنهجي لتوفير نتائج موثوقة وقوية تساهم في فهم سؤال البحث.
المناقشة
تركز البحث على شمال شرق الصين، وهي منطقة حيوية لإنتاج الحبوب تساهم بنحو 25% من إجمالي إنتاج الحبوب في البلاد، مع تسليط الضوء بشكل خاص على الدور الكبير لمقاطعة هيلونغجيانغ في الأمن الغذائي من 2000 إلى 2022. تتميز منطقة الدراسة بتنوع المناطق الزراعية المناخية وتدعم بشكل أساسي أنظمة الزراعة الفردية بسبب ظروفها المناخية، التي تتميز بأنماط محددة من درجات الحرارة وهطول الأمطار. كانت منهجية رسم الخرائط الزراعية تتضمن سير عمل شامل باستخدام صور لاندسات المملوءة بالفجوات، وبيانات بيئية متنوعة، وتقنيات التعلم الآلي لتصنيف أنواع المحاصيل على مدى عقدين من الزمن، محققة دقة إجمالية تتراوح بين 86.2% و97.1%.
تؤكد نتائج الدراسة على فعالية مصنف Random Forest في رسم أنواع المحاصيل بدقة، مع التحقق من صحة العينات الحقيقية والمقارنات مع مجموعات بيانات أنواع المحاصيل الحالية التي تظهر أداءً قويًا. توفر خرائط أنواع المحاصيل السنوية التي تم إنشاؤها رؤى تفصيلية حول الديناميات المكانية والزمنية لأنماط الزراعة، والتي تعتبر ضرورية لفهم التغيرات الزراعية المدفوعة بالسياسات الوطنية وطلب الغذاء. تعتبر هذه المجموعة من البيانات موردًا حيويًا للبحوث المستقبلية حول الاستدامة الزراعية وآثارها الاجتماعية والاقتصادية والبيئية في شمال شرق الصين.
DOI: https://doi.org/10.1038/s41597-025-06516-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41491172
Publication Date: 2026-01-05
Author(s): Yuanyuan Di et al.
Primary Topic: Remote Sensing in Agriculture
Overview
This research paper addresses the lack of high-resolution crop maps in Northeast China, a vital agricultural area responsible for one-third of the country’s commodity grain production, prior to 2013. The authors developed annual 30 m crop type maps for the region spanning from 2001 to 2022 by utilizing all available Landsat and MODIS imagery alongside the Highly Scalable Temporal Adaptive Reflectance Fusion Model (HISTARFM) algorithm.
The accuracy of these crop-type maps was rigorously evaluated through three methods: validation against ground-truth data from 2017 to 2022, which yielded overall accuracies between 80.7% and 91%; validation using ‘trusted pixels’ from existing crop-mapping products from 2001 to 2020, resulting in accuracies of 85% to 95%; and comparison with government statistics from 2001 to 2022, which demonstrated high correlation coefficients ($R^2$) of 0.98 for paddy rice, 0.83 for maize, and 0.90 for soybean. The findings indicate that the newly generated maps are more consistent with government statistics than previous crop maps, offering detailed spatial and temporal insights that are crucial for promoting sustainable agricultural practices in China’s primary grain-producing region.
Introduction
The introduction highlights the significance of Northeast (NE) China as a vital agricultural region, contributing to a substantial portion of the nation’s grain production. Despite the rapid adaptation of cropping patterns in response to national agricultural policies, the lack of long-term, precise crop type maps has impeded a thorough understanding of the spatial and quantitative changes in agriculture, as well as their environmental impacts, including groundwater depletion and soil degradation. The emergence of satellite technology and cloud computing has made it feasible to generate accurate crop maps over extensive areas and timeframes, yet existing efforts in China have largely focused on single-crop mapping, which does not adequately capture the complexities of multi-crop systems.
Recent studies have made strides in crop mapping within NE China, primarily utilizing Sentinel imagery since 2017. Notable contributions include annual crop type maps for key crops like paddy rice and maize, as well as extended studies that cover earlier years using Landsat and MODIS data. However, the resolution of these maps, particularly the 500-meter resolution from MODIS, is insufficient for accurately representing the fragmented agricultural landscape in the region. This limitation underscores the necessity for high-resolution, long-term multi-crop mapping to better understand the evolving agricultural dynamics and their broader ecological and social implications.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive analysis of the subject matter. Specific methodologies included controlled experiments, statistical modeling, and simulations, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved a systematic sampling process, ensuring that the sample was representative of the broader population. The analysis was conducted using advanced statistical software, allowing for rigorous testing of the results. Key metrics were defined to evaluate the outcomes, and appropriate statistical tests were applied to determine the significance of the findings. Overall, the methodological framework was designed to provide robust and reliable results that contribute to the understanding of the research question.
Discussion
The research focuses on Northeast China, a vital grain-producing region contributing about 25% of the nation’s total grain output, particularly highlighting Heilongjiang province’s significant role in food security from 2000 to 2022. The study area features diverse agro-climate zones and predominantly supports single-cropping systems due to its climatic conditions, characterized by specific temperature and precipitation patterns. The methodology for crop mapping involved a comprehensive workflow utilizing gap-filled Landsat imagery, various environmental data, and machine learning techniques to classify crop types over two decades, achieving overall accuracies between 86.2% and 97.1%.
The study’s findings underscore the effectiveness of the Random Forest classifier in accurately mapping crop types, with validation against ground truth samples and comparisons to existing crop-type datasets demonstrating robust performance. The annual crop-type maps generated provide detailed insights into the spatial and temporal dynamics of cropping patterns, which are essential for understanding agricultural changes driven by national policies and food demand. This dataset serves as a critical resource for future research on agricultural sustainability and its socio-economic and environmental impacts in Northeast China.