近日，中国科学院地理科学与资源研究胡云锋课题组在SCI一区Top期刊IEEE Transactions on Geoscience and Remote Sensing(IF=8.6)发表题目为“Mapping of Hay-Harvesting Grasslands Using Harmonized Landsat Sentinel-2 Time Series and Deep Learning in Temperate Steppe”学术论文，该论文利用遥感与深度学习，提出一个绘制北方草原打草地图的方法，为牧区饲草管理、生态保护和智能决策提供方法参考。
论文第一作者为中国科学院地理所博士研究生鲁维（研究方向：草原遥感，遥感影像信息提取）
草原打草背景与数据需求
在中国北方广袤的温带草原上，草原利用方式正经历一场深刻的变革。几千年来，欧亚大陆的温性草原以自由放牧为主，牧民“逐水草而居”，随季节迁徙。那时并没有“收割牧草”的概念，牲畜在冬季只能靠拨雪觅食、啃食枯草来度过漫长寒冬。这种传统的游牧方式虽孕育了辉煌的草原文明，却也让牧业极易受到气候波动的影响。历史上，当严冬突至、草枯雪厚时，牲畜大批死亡的灾情屡见不鲜，甚至成为北方游牧民族南迁的重要原因之一。进入21世纪后，随着中国牧区经济发展和机械化水平的提升，牧业管理理念开始转变。借鉴西方“人工饲草地”的经验，牧区政府和牧民逐步在天然草地上划定“打草场”，在夏末秋初集中收割、晾晒牧草，为牲畜储备越冬饲料。这一变化，不仅有效缓解了冬季饲草短缺问题，还促进了牧民增收、改善了草原生态管理，标志着半干旱温带草原地区的畜牧业正迈向系统化、现代化。然而，长期以来，中国北方半干旱草原缺乏系统的打草场空间数据。由于牧民分散经营、管理主体多样，加之基层管理部门信息化水平较低，政府难以获取全面、准确的草原利用信息。这种数据缺口给草原利用强度评估、饲草储备规划以及生态管理带来了不小的不确定性。
研究区概况
本研究选取的区域位于中国内蒙古锡林郭勒草原。研究区内草地主要分为打草草地和放牧草地，分别用于割草和放牧。每年牧民会在8月中下旬到9月中下旬开展一次打草活动。
图1 研究区概况
研究方法
在这项研究中，我们利用 Harmonized Landsat Sentinel-2 (HLS)光学遥感数据，开发了一套可以自动识别半干旱草原中天然打草场的智能方法。我们的方法以像素级时间序列为基础，能够精确描绘出打草场的空间分布。整个过程包括三个主要步骤：(1)构建NDVI时间序列：通过插值算法和时间滤波，让NDVI数据在时间上保持连续，从而获得更完整的植被生长曲线。(2)模型训练与验证：引入了一个名为LITE的轻量级深度学习模型。它基于Inception结构，能够高效提取草原生长变化中的关键特征。(3)模型可解释性分析：为了“看懂”模型的决策过程，我们采用了Grad-CAM（梯度加权类激活映射）技术。这项方法能告诉我们模型在分析NDVI曲线时，最关注哪些时间段，从而揭示AI在识别割草事件时的思考逻辑。
实验结果
更多实验结果可在文末点击“阅读原文”
1.总体结果
我们将LITE模型与几种常见的算法进行了对比，包括随机森林（RF）、多层感知机（MLP）、一维卷积神经网络（1D-CNN）和InceptionTime模型。结果显示，LITE在识别天然打草场方面表现最出色，其总体精度（OA）达到92.06%，F1分数为90.65%，分别比其他模型高出2.79%–9.41%（OA）和 2.08%–9.48%（F1）。
图3 不同模型的分类结果对比
2.Grad-CAM 可视化解析
在我们的研究中，LITE模型能够“读懂”草原植被的时间变化。它通过一个名为Inception模块的结构，从连续的卫星NDVI时间序列中提取深层特征。为了弄清楚模型在关注什么，我们使用了Grad-CAM的可视化方法，把模型“关注”的时间段展示出来。结果显示：LITE模型在NDVI曲线中对“割草事件”特别敏感。它的注意力主要集中在割草前后几天，准确捕捉到了NDVI值在收割期的明显下降。同时，它也能识别出从6月初到7月中旬草原的开花和旺长期，这说明模型不仅能“看到”割草，还能理解植物的自然生长周期。相比之下，InceptionTime（包含6个Inception模块）表现得更分散。有的模块注意力杂乱无章，有的虽然关注到植被生长阶段，却难以聚焦割草时间，甚至有的在多数时间段都保持高关注，显得过度敏感。总体来说，LITE虽然结构更简单（只有一个Inception模块），但能精准提取与割草事件最相关的信息。这说明它不仅高效，而且更“聪明”——能够更好地理解草原的季节变化，为割草监测提供了更具解释性的技术支持。
图4 由LITE和InceptionTime的Inception模块得到的时间归因曲线。横轴表示一年中的日期（DOY），(1)–(16)表示16个样本点。(a)–(g)中的黑色虚线表示NDVI曲线，蓝色曲线包络区域表示各时间步的重要性评分；红色透明方框表示在示例像素位置上根据(h)可观测到的割草事件发生时间段。(a)LITE的Inception模块。(b-g)InceptionTime的
6个Inception模块。(h)示例样本。
总结与未来工作
本研究在温带半干旱草原地区首次实现了天然割草地的自动化识别，为草原监测、智能牧业和区域可持续发展提供了重要的数据基础和技术支持。
未来，团队将进一步探索基于LITE模型的割草时间识别方法，并将草地割草活动的时空信息与土壤养分、水分、降水等气候生态因子相结合，系统评估割草活动对草原生态系统的影响。这项研究将为科学制定草地利用强度、优化牧草收获节奏、兼顾生产与生态保护提供新的科学依据。
更多细节请移步阅读原文。
