中国半干旱牧区天然打草场空间格局遥感提取与分析

doi:10.11686/cyxb2025297

摘要/Abstract

摘要：

天然打草场作为半干旱牧区草地资源的重要组成部分，对维持草地生态系统的稳定与可持续发展具有重要意义。然而，长期以来，我国天然打草场空间分布数据匮乏，现有数据难以准确反映其现状，制约了草地资源的科学管理与保护。为解决这一问题，本研究基于多源遥感数据融合技术（Sentinel-2与Landsat-8影像），引入地形、光谱指数和纹理特征，采用面向对象分割和支持向量机（support vector machine， SVM）算法，对半干旱牧区天然打草场进行了高精度遥感提取。研究结果显示，2020-2022年间半干旱牧区天然打草场总面积为794.92万hm2，其中内蒙古北部牧区占比最大（81.19%），温性草原为主要打草类型（61.87%）。固定打草场和机动打草场面积分别为477.12万和317.80万hm2，占比分别为60.02%和39.98%，空间分布呈现明显区域差异。遥感提取总体精度达84.76%，Kappa系数为0.69，与地面调查数据一致性较高，其中内蒙古北部牧区精度最高（87.16%）。本研究填补了近10年来天然打草场空间分布数据的空白，为草地资源的科学管理、生态保护与可持续利用提供了可靠的数据支持。

关键词: 半干旱牧区, 打草场, 多源数据融合, 面向对象分割, 机器学习模型, 遥感提取

Abstract:

As a vital component of grassland resources in semi-arid pastoral areas， natural cutting pastures play a significant role in maintaining the stability and sustainable development of grassland ecosystems. However， China has long faced a scarcity of spatial distribution data on natural cutting pastures， and existing data inadequately reflect their current status， hindering scientific management and conservation of grassland resources. To address this issue， this study employed a multi-source remote sensing data fusion approach （Sentinel-2 and Landsat-8 imagery）， incorporating topographic features， spectral indices， and texture features. Using object-oriented segmentation and a support vector machine （SVM） algorithm， high-accuracy remote sensing extraction to identify natural cutting pastures in semi-arid pastoral areas was conducted. The results revealed that the total area of natural cutting pastures in semi-arid pastoral areas from 2020 to 2022 was 7.9492 million hectares， with the pastoral area in northern Inner Mongolia accounting for the largest proportion （81.19%）， and temperate grasslands being the dominant type （61.87%）. The areas of fixed cutting pastures and mobile cutting pastures were 4.7712 million and 3.1780 million hectares， accounting for 60.02% and 39.98% of the total area， respectively， showing distinct regional disparities in spatial distribution. The overall accuracy of remote sensing extraction reached 84.76%， with a Kappa coefficient of 0.69， indicating high consistency with ground survey data. The pastoral area in northern Inner Mongolia achieved the highest accuracy （87.16%）. This study fills the gap in spatial distribution data of natural cutting pastures over the past decade and provides reliable data support for the scientific management， ecological conservation， and sustainable utilization of grassland resources.

Key words: semi-arid pastoral areas, cutting pastures, multi-source data fusion, object-oriented segmentation, machine learning model, remote sensing extraction

黄埔, 黄青, 辛晓平. 中国半干旱牧区天然打草场空间格局遥感提取与分析[J]. 草业学报, 2026, 35(7): 1-14.

Pu HUANG, Qing HUANG, Xiao-ping XIN. Remote sensing extraction and analysis of the spatial pattern of natural cutting pastures in semi-arid pastoral areas of China[J]. Acta Prataculturae Sinica, 2026, 35(7): 1-14.

图/表 12

参考文献 31

[1]	Xie G D， Zhang Y L， Lu C X， et al. Study on valuation of rangeland ecosystem services of China. Journal of Natural Resources， 2001， 16（1）： 47-53.
	谢高地，张钇锂，鲁春霞，等. 中国自然草地生态系统服务价值. 自然资源学报， 2001， 16（1）： 47-53.
[2]	Bai Y F， Chen S P. Carbon sequestration of Chinese grassland ecosystems： stock， rate and potential. Chinese Journal of Plant Ecology， 2018， 42（3）： 261-264.
	白永飞，陈世苹. 中国草地生态系统固碳现状、速率和潜力研究. 植物生态学报， 2018， 42（3）： 261-264.
[3]	Yang Y， Wang G X， Li Y， et al. Spatial-temporal changes in the critical vegetation coverage of grasslands with function of soil-water conversation， wind-breaking and sand-fixing in the Three-Rivers Headwater Region， China. Mountain Research， 2024， 42（2）： 143-153.
	杨祎，王根绪，李阳，等. 三江源区草地水土保持与防风固沙功能临界植被覆盖度时空变化分析. 山地学报， 2024， 42（2）： 143-153.
[4]	Yi M X， Sun Z G， Cong P F， et al. Research progress on the response of grassland ecosystem function to climate change. Chinese Journal of Grassland， 2023， 45（12）： 112-120.
	羿明璇，孙政国，丛鹏飞，等. 草地生态系统功能对气候变化的响应研究进展. 中国草地学报， 2023， 45（12）： 112-120.
[5]	Liu L L， Jing X， Ren H Y， et al. Grassland biodiversity， stability， and implications for grassland conservation and restoration. Bulletin of National Natural Science Foundation of China， 2023， 37（4）： 560-570.
	刘玲莉，井新，任海燕，等. 草地生物多样性与稳定性及对草地保护与修复的启示. 中国科学基金， 2023， 37（4）： 560-570.
[6]	Li X L， Hou X Y， Leonid U， et al. Effects of climate change on household compound ecosystems and herders’ adaptation. Acta Prataculturae Sinica， 2013， 22（1）： 148-156.
	李西良，侯向阳， Leonid Ubugunov，等. 气候变化对家庭牧场复合系统的影响及其牧民适应. 草业学报， 2013， 22（1）： 148-156.
[7]	Zhu J， Zhang B， Tan Z L， et al. Research progress of clipping effect on quality and biomass of grazing. Pratacultural Science， 2009， 26（2）： 80-85.
	朱珏，张彬，谭支良，等. 刈割对牧草生物量和品质影响的研究进展. 草业科学， 2009， 26（2）： 80-85.
[8]	Tang H， Gao W， Xu L J， et al. Monitoring forage harvesting area in semi-arid pasture based on Landsat TM images. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（23）： 160-167.
	唐欢，高娃，徐丽君，等. 基于Landsat TM影像的半干旱牧区天然打草场面积的遥感监测. 农业工程学报， 2015， 31（23）： 160-167.
[9]	He Z X， Zhang M， Wu B F， et al. Extraction of summer crop in Jiangsu based on Google earth engine. Journal of Geo-information Science， 2019， 21（5）： 752-766.
	何昭欣，张淼，吴炳方，等. Google earth engine支持下的江苏省夏收作物遥感提取. 地球信息科学学报， 2019， 21（5）： 752-766.
[10]	Liu T， Ren H R. Object-oriented extraction of paddy rice planting areas using phenological features from the GEE platform. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（12）： 189-196.
	刘通，任鸿瑞. GEE平台下利用物候特征进行面向对象的水稻种植分布提取. 农业工程学报， 2022， 38（12）： 189-196.
[11]	Niu Q K， Liu L， Huang G H， et al. Extraction of complex crop structure in the Hetao Irrigation District of Inner Mongolia using GEE and machine learning. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（6）： 165-174.
	牛乾坤，刘浏，黄冠华，等. 基于GEE和机器学习的河套灌区复杂种植结构识别. 农业工程学报， 2022， 38（6）： 165-174.
[12]	Tang X J， Wei Y Q， Luo D L， et al. Object-oriented tea plantation extraction based on GEE： The case of Shuangjiang County， a typical hilly mountainous area in the subtropical monsoon region of south China. Pratacultural Science， 2024， 41（8）： 1897-1908.
	唐雪洁，魏彦强，罗栋梁，等. 基于GEE的面向对象茶园提取——以我国南方亚热带季风地区典型丘陵山区双江县为例. 草业科学， 2024， 41（8）： 1897-1908.
[13]	Liu J， Wang L M， Yao B M， et al. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（15）： 200-209.
	刘佳，王利民，姚保民，等. 基于多时相OLI数据的宁夏大尺度水稻面积遥感估算. 农业工程学报， 2017， 33（15）： 200-209.
[14]	Pei H， Sun T J， Wang X Y. Object-oriented land use/cover classification based on texture features of Landsat 8 OLI image. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（2）： 248-255.
	裴欢，孙天娇，王晓妍. 基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类. 农业工程学报， 2018， 34（2）： 248-255.
[15]	Vidican R， Mălina A， Ranta O， et al. Using remote sensing vegetation indices for the discrimination and monitoring of agricultural crops： A critical review. Agronomy， 2023， 13（12）： 3040.
[16]	Jin K， Wang F， Han J Q， et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015. Acta Geographica Sinica， 2020， 75（5）： 961-974.
	金凯，王飞，韩剑桥，等. 1982—2015年中国气候变化和人类活动对植被NDVI变化的影响. 地理学报， 2020， 75（5）： 961-974.
[17]	Haralick R M， Shanmugam K， Dinstein I. Textural features for image classification. IEEE Transactions on Systems， Man， and Cybernetics， 1973， 3（6）： 610-621.
[18]	Hall-beyer M. Practical guidelines for choosing GLCM textures to use in landscape classification tasks over a range of moderate spatial scales. International Journal of Remote Sensing， 2017， 38（5）： 1312-1338.
[19]	Huang P， Zheng Q， Liang C. Overview of image segmentation methods. Journal of Wuhan University （Natural Science Edition）， 2020， 66（6）： 519-531.
	黄鹏，郑淇，梁超. 图像分割方法综述. 武汉大学学报（理学版）， 2020， 66（6）： 519-531.
[20]	China Land Surveying and Planning Institute， Department of Cadastral Management （Bureau of Real Estate Registration）， Ministry of Land and Resources. Current land use classification： GB/T 21010-2017. Beijing： China Standards Press， 2017.
	中国土地勘测规划院，国土资源部地籍管理司（不动产登记局）. 土地利用现状分类： GB/T 21010-2017. 北京：中国标准出版社， 2017.
[21]	Foody G M， Mathur A. A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on Geoscience and Remote Sensing， 2004， 42（6）： 1335-1343.
[22]	Huang C， Davis L S， Townshend J R G. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing， 2002， 23（4）： 725-749.
[23]	Liang Y， Han G D， Zhou H， et al. Study on Inner Mongolia Leymus chinensis steppe in Hexigten Banner grassland utilization. Inner Mongolia Prataculture， 2011， 23（3）： 32-36.
	梁燕，韩国栋，周禾，等. 内蒙古克什克腾旗羊草草原打草场合理利用的研究. 内蒙古草业， 2011， 23（3）： 32-36.
[24]	Chen Y J. Study on the utilization of natural grassland in Inner Mongolia based on meteorological conditions. Beijing： Chinese Academy of Agricultural Sciences， 2007.
	陈亚军. 基于气象条件的内蒙古天然打草场利用方式研究. 北京：中国农业科学院， 2007.
[25]	Suo X J， Xiang L， Gao H， et al. Effects of different utilization methods on community characteristics of primary vegetation of Stipa grandis steppe， Inner Mongolia， China. Acta Prataculturae Sinica， 2024， 33（4）： 12-21.
	索晓晶，项磊，高贺，等. 不同利用方式对大针茅草原植被群落特征的影响. 草业学报， 2024， 33（4）： 12-21.
[26]	Wu J G， Lin L P， Li T W， et al. Fusing Landsat 8 and Sentinel-2 data for 10-m dense time-series imagery using a degradation-term constrained deep network. International Journal of Applied Earth Observation and Geoinformation， 2022， 108： 102738.
[27]	Zhao X R， Liu J， Yang S K， et al. Spatio-temporal variations of typical woodland and grassland phenology and its response to meteorological factors in northern China. Acta Ecologica Sinica， 2023， 43（9）： 3744-3755.
	赵心睿，刘冀，杨少康，等. 北方地区典型林草地物候时空变化特征及其对气象因子的响应. 生态学报， 2023， 43（9）： 3744-3755.
[28]	Zhang Q J， Han X L， Liu J. Technology progress and development trend of spaceborne synthetic aperture radar remote sensing. Spacecraft Engineering， 2017， 26（6）： 1-8.
	张庆君，韩晓磊，刘杰. 星载合成孔径雷达遥感技术进展及发展趋势. 航天器工程， 2017， 26（6）： 1-8.
[29]	Breiman L. Random forests. Machine Learning， 2001， 45（1）： 5-32.
[30]	Chen T Q， Guestrin C. XGBoost： A scalable tree boosting system//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco： ACM， 2016： 785-794.
[31]	Li M， Ning D J， Guo J C. Attention mechanism-based CNN-LSTM model and its application. Computer Engineering and Applications， 2019， 55（13）： 20-27.
	李梅，宁德军，郭佳程. 基于注意力机制的CNN-LSTM模型及其应用. 计算机工程与应用， 2019， 55（13）： 20-27.

地物类别Land cover	二级地类Second land class
耕地Cropland	水田Paddy field，旱地Dryland，水浇地Irrigated land
林地Forest	乔木林地Arbor forest land，竹林地Bamboo forest land，森林沼泽Forest marsh，灌木林地Shrub forest land，灌丛沼泽Shrub marsh，其他林地Other forest land
刈割草地Cutting pasture	刈割草地Cutting pasture
牧草地Grazing pasture	牧草地Grazing pasture
沼泽草地Marsh grassland	沼泽草地Marsh grassland
其他草地Other grassland	其他草地Other grassland
水域Water	河流水面River water surface，湖泊水面Lake water surface，水库水面Reservoir water surface，坑塘水面Pond water surface，沟渠Ditch，沼泽地Marshland，冰川及永久积雪Glacier and permanent snow cover
建设用地Building land	零售商业用地Retail commercial land，批发市场用地Wholesale market land，餐饮用地Catering land，旅馆用地Hotel land，商务金融用地Commercial and financial land，娱乐用地Entertainment land，其他商服用地Other commercial service land，工业用地Industrial land，仓储用地Warehousing land，城镇住宅用地Urban residential land，农村宅基地Rural homestead
未利用地Barren	空闲地Vacant land，盐碱地Saline-alkali land，沙地Sandy land，裸土地Bare land

地物类别Land cover	二级地类Second land class
耕地Cropland	水田Paddy field，旱地Dryland，水浇地Irrigated land
林地Forest	乔木林地Arbor forest land，竹林地Bamboo forest land，森林沼泽Forest marsh，灌木林地Shrub forest land，灌丛沼泽Shrub marsh，其他林地Other forest land
刈割草地Cutting pasture	刈割草地Cutting pasture
牧草地Grazing pasture	牧草地Grazing pasture
沼泽草地Marsh grassland	沼泽草地Marsh grassland
其他草地Other grassland	其他草地Other grassland
水域Water	河流水面River water surface，湖泊水面Lake water surface，水库水面Reservoir water surface，坑塘水面Pond water surface，沟渠Ditch，沼泽地Marshland，冰川及永久积雪Glacier and permanent snow cover
建设用地Building land	零售商业用地Retail commercial land，批发市场用地Wholesale market land，餐饮用地Catering land，旅馆用地Hotel land，商务金融用地Commercial and financial land，娱乐用地Entertainment land，其他商服用地Other commercial service land，工业用地Industrial land，仓储用地Warehousing land，城镇住宅用地Urban residential land，农村宅基地Rural homestead
未利用地Barren	空闲地Vacant land，盐碱地Saline-alkali land，沙地Sandy land，裸土地Bare land

农业区 Agricultural region	各地类的样本数量Number of samples in each class
农业区 Agricultural region	耕地 Cropland	林地 Forest	刈割草地 Cutting pasture	牧草地 Grazing pasture	沼泽草地 Marsh grassland	其他草地 Other grassland	水域 Water	建设用地 Building land	未利用地 Barren
内蒙古北部牧区Pastoral area in northern Inner Mongolia	100	50	400	150	100	300	30	50	50
内蒙古中南部牧农区Pastoral and agricultural areas in central-south Inner Mongolia	200	150	250	100	60	80	30	50	50
松嫩三江平原农业区Songnen Sanjiang plain agricultural area	400	100	100	80	60	120	30	50	50

农业区 Agricultural region	各地类的样本数量Number of samples in each class
农业区 Agricultural region	耕地 Cropland	林地 Forest	刈割草地 Cutting pasture	牧草地 Grazing pasture	沼泽草地 Marsh grassland	其他草地 Other grassland	水域 Water	建设用地 Building land	未利用地 Barren
内蒙古北部牧区Pastoral area in northern Inner Mongolia	100	50	400	150	100	300	30	50	50
内蒙古中南部牧农区Pastoral and agricultural areas in central-south Inner Mongolia	200	150	250	100	60	80	30	50	50
松嫩三江平原农业区Songnen Sanjiang plain agricultural area	400	100	100	80	60	120	30	50	50

农业区Agricultural region	总体精度Overall accuracy （%）	Kappa系数Kappa coefficient
内蒙古北部牧区Pastoral area in northern Inner Mongolia	87.16	0.74
内蒙古中南部牧农区Pastoral and agricultural areas in central-south Inner Mongolia	81.12	0.61
松嫩三江平原农业区Songnen Sanjiang plain agricultural area	77.10	0.51
半干旱牧区总体情况General overview of semi-arid pastoral region	84.76	0.69