DOI: https://doi.org/10.5194/essd-18-4373-2026
تاريخ النشر: 2026-06-26
المؤلف: Yin Liu وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
يقدم هذا القسم مجموعة بيانات CropPlantHarvest، وهي أول مجموعة شاملة من تواريخ زراعة وحصاد الذرة وفول الصويا السنوية عبر منطقة الغرب الأوسط الأمريكي بدقة 500 متر من 2001 إلى 2024. تعالج هذه المجموعة بيانات القيود المفروضة على الإحصائيات على مستوى الولايات والتقاويم المعتمدة على القواعد من خلال توفير بيانات عالية الدقة تلتقط التباين داخل المنطقة وتأثير اتخاذ القرار البشري على الممارسات الزراعية. تعتبر مجموعة البيانات هذه ضرورية لتحسين تقديرات إنتاج المحاصيل، وتقييم التكيف مع المناخ، ودعم حساب الكربون الزراعي.
تتضمن المنهجية لتقدير تواريخ الزراعة نظام CropSow، الذي يدمج نمذجة المحاصيل المستندة إلى الاستشعار عن بعد مع الملاحظات الساتلية، بينما يتم تحديد تواريخ الحصاد باستخدام مؤشر ظاهرة الحصاد المعدل (NHPI)، الذي يستخدم صور MODIS للكشف عن التغيرات الطيفية التي تشير إلى أحداث الحصاد. تظهر التحقق من تقارير تقدم المحاصيل من وزارة الزراعة الأمريكية دقة عالية، مع خطأ مطلق متوسط يبلغ حوالي 5 أيام لكل من الذرة وفول الصويا. توفر مجموعة بيانات CropPlantHarvest ليس فقط تسهيل نمذجة محسنة لإنتاج المحاصيل وانبعاثات غازات الدفيئة، ولكنها أيضًا تعمل كمعيار لتحسين منتجات ظاهرة الاستشعار عن بعد وتقييم تأثيرات تطور ممارسات الإدارة الزراعية. مجموعة البيانات متاحة عبر Zenodo، مما يوفر موردًا قيمًا للبحث في الأمن الغذائي ومرونة المناخ.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تسلط الدراسة الضوء على اتجاهات ونماذج محددة ظهرت من البيانات، بما في ذلك زيادة ملحوظة في المتغير التابع مع التلاعب بالمتغير المستقل. تمثل الرسوم البيانية، مثل المخططات والرسوم البيانية، هذه العلاقات بشكل فعال، مما يوفر فهمًا بصريًا واضحًا للنتائج. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول سؤال البحث، داعمة الفرضيات الأولية وممهدة الطريق لمزيد من التحقيق.
المناقشة
ت outlines قسم المناقشة في ورقة البحث المنهجيات ومجموعات البيانات المستخدمة لتقدير تواريخ زراعة وحصاد الذرة وفول الصويا في الغرب الأوسط الأمريكي، تغطي السنوات من 2001 إلى 2024. تستخدم الدراسة مجموعة متنوعة من مصادر البيانات، بما في ذلك الصور الساتلية من جهاز الاستشعار MODIS، وخرائط نوع المحاصيل من طبقة بيانات الأراضي الزراعية التابعة لوزارة الزراعة الأمريكية (CDL)، وبيانات الأرصاد الجوية والتربة من قواعد بيانات Daymet وgSSURGO، على التوالي. تسهل هذه المجموعات من البيانات معايرة نموذج نمو المحاصيل الذي يدمج المتغيرات البيئية لتحسين دقة تقديرات تواريخ الزراعة والحصاد.
تستخدم المنهجية لتقدير تواريخ الزراعة نظام CropSow، الذي يجمع بين تحليل سلسلة زمنية NDVI مع محاكي أنظمة الإنتاج الزراعي (APSIM) لنمذجة ديناميات نمو المحاصيل. لتقدير تاريخ الحصاد، يتم استخدام مؤشر ظاهرة الحصاد المعدل (NHPI) للكشف عن التحولات في شيخوخة المحاصيل. تظهر التحقق من مجموعة بيانات CropPlantHarvest الناتجة ارتباطات قوية مع بيانات الحقيقة الأرضية، محققة قيم R² تبلغ 0.46 و0.51 لتواريخ زراعة الذرة وفول الصويا، على التوالي، وقيم أعلى لتواريخ الحصاد. تحلل الدراسة أيضًا الاتجاهات الزمانية والمكانية وتأثيرات الأرصاد الجوية على تواريخ الزراعة والحصاد، كاشفة عن رؤى مهمة حول تأثيرات المناخ على الممارسات الزراعية في المنطقة.
DOI: https://doi.org/10.5194/essd-18-4373-2026
Publication Date: 2026-06-26
Author(s): Yin Liu et al.
Primary Topic: Remote Sensing in Agriculture
Overview
The section presents the CropPlantHarvest dataset, which is the first comprehensive collection of annual corn and soybean planting and harvesting dates across the U.S. Midwest at a 500 m resolution from 2001 to 2024. This dataset addresses the limitations of existing state-level statistics and rule-based calendars by providing high-resolution data that captures intra-regional variability and the influence of human decision-making on agricultural practices. The dataset is crucial for enhancing crop yield estimates, assessing climate adaptation, and supporting agricultural carbon accounting.
The methodology for estimating planting dates involves the CropSow system, which integrates remotely sensed crop modeling with satellite observations, while harvesting dates are determined using the Normalized Harvest Phenology Index (NHPI), which utilizes MODIS imagery to detect spectral changes indicative of harvesting events. Validation against USDA crop progress reports shows a high accuracy, with a mean absolute error of approximately 5 days for both corn and soybean. The availability of CropPlantHarvest not only facilitates improved modeling of crop yields and greenhouse gas emissions but also serves as a benchmark for refining remote-sensing phenology products and evaluating the impacts of evolving agricultural management practices. The dataset is accessible via Zenodo, providing a valuable resource for research in food security and climate resilience.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the study highlights specific trends and patterns that emerged from the data, including a notable increase in the dependent variable as the independent variable was manipulated. Graphical representations, such as plots and charts, effectively illustrate these relationships, providing a clear visual understanding of the results. Overall, the findings contribute valuable insights into the research question, supporting the initial hypotheses and paving the way for further investigation.
Discussion
The discussion section of the research paper outlines the methodologies and datasets utilized for estimating planting and harvesting dates of corn and soybean in the U.S. Midwest, covering the years 2001 to 2024. The study employs a diverse array of data sources, including satellite imagery from the Moderate Resolution Imaging Spectroradiometer (MODIS), crop type maps from the USDA Cropland Data Layer (CDL), and meteorological and soil data from the Daymet and gSSURGO databases, respectively. These datasets facilitate the calibration of a crop growth model that integrates environmental variables to enhance the accuracy of planting and harvesting date estimations.
The methodology for estimating planting dates utilizes the CropSow system, which combines NDVI time series analysis with the Agricultural Production Systems sIMulator (APSIM) to model crop growth dynamics. For harvesting date estimation, the Normalized Harvest Phenology Index (NHPI) is employed to detect transitions in crop senescence. The validation of the resulting CropPlantHarvest dataset demonstrates strong correlations with ground truth data, achieving R² values of 0.46 and 0.51 for planting dates of corn and soybean, respectively, and higher values for harvesting dates. The study further analyzes spatiotemporal trends and meteorological influences on planting and harvesting dates, revealing significant insights into the effects of climate on agricultural practices in the region.