基于自动样本生成与随机森林的华北平原冬小麦时空分布制图：2000-2024年30米分辨率数据集

《Scientific Data》：A 30?m winter wheat distribution dataset for the North China Plain from 2000 to 2024

华北平原是我国冬小麦主产区，其长期、高分辨率分布数据却一直匮乏。为解决此问题，研究人员通过结合自动化训练样本生成与随机森林（RF）分类器，构建了2000-2024年华北平原30米分辨率的冬小麦分布数据集（WheatMapNCP）。该数据集制图精度高（OA平均达95.98%），估算面积与统计数据高度一致，为基于卫星数据进行及时、透明的小麦面积估算提供了可靠方法，对监测冬小麦动态、保障粮食安全意义重大。

　　

华北平原是中国最重要的粮食生产基地之一，其中冬小麦的种植面积和产量对国家粮食安全具有举足轻重的影响。然而，尽管其地位如此关键，我们却长期缺乏一套能够精细、连续描绘这片广袤土地上冬小麦“年轮”的地图。传统的统计和监测方法往往存在时效滞后、空间细节不足等问题，难以满足精准农业管理和政策制定的实时需求。特别是在气候变化和耕地“非粮化”等压力下，能否及时、准确地掌握冬小麦的种植分布与面积变化，已成为一个关乎“国之大者”的紧迫科学问题。为了解决这一难题，一项发表在《Scientific Data》上的研究为我们带来了一份珍贵的长时序“画卷”——一套覆盖华北平原、时间跨度长达25年（2000-2024年）、空间分辨率精细至30米的冬小麦分布数据集。

研究人员巧妙地将自动化训练样本生成与随机森林（Random Forest, RF）分类器相结合，构建了这套名为WheatMapNCP的数据集。为了确保面积估算的无偏性，他们采用了分层随机抽样框架进行验证。这项研究不仅是为了画出一张图，更是为了建立一种可重复、高效率的卫星遥感监测新范式。

关键技术方法概述

本研究主要运用了几个关键技术：1) 基于先验知识与时序卫星影像（如Landsat）的自动化训练样本生成方法，高效获取模型训练所需的纯净像元；2) 采用随机森林（RF） 分类器对年度影像进行分类，识别冬小麦像元；3) 利用分层随机抽样框架，对分类结果进行精度验证与面积估算，以得到无偏的面积统计数据。研究区域覆盖整个华北平原。

研究结果

1. 数据产品与验证

本研究生成了2000-2024年华北平原30米分辨率的冬小麦年度分布图。精度验证表明，所制地图的平均总体精度（OA）高达95.98 ± 1.15%，平均F1分数为86.4%，证明了数据集的高可靠性。

2. 面积估算与一致性分析

将数据集得出的冬小麦种植面积与官方统计数据进行对比，发现两者在时间趋势上高度一致。在省级尺度上，估算面积与统计面积的确定系数（R²）在0.97到0.98之间；在市（地）级尺度上，R²也达到了0.84到0.96的较高水平。这表明WheatMapNCP数据集能有效反映不同空间尺度上的冬小麦实际种植情况。

3. 空间格局与时间动态

生成的分布图清晰揭示了华北平原冬小麦种植的空间聚集特征，主要集中于山东西部、河南中北部、河北南部等传统农区。时间序列分析则直观展示了二十五年间冬小麦种植空间的动态变化过程。

研究结论与意义

本研究成功创建了一套长期、高精度、高时空分辨率的华北平原冬小麦分布数据集（WheatMapNCP）。该数据集不仅填补了该区域长时间序列、精细化冬小麦制图产品的空白，其“自动化样本生成+随机森林分类+分层抽样估算”的技术路线，更提供了一种可操作性强、透明度高、能够及时更新的农作物面积遥感监测方法。这套数据集和相应方法，能够为农业部门动态监测作物种植结构、评估粮食生产形势、制定相关农业政策提供直接的数据支持和决策依据，对于保障国家粮食安全具有重要的科学与应用价值。