Abstract Accurate information on cropland spatial distribution is required for global-scale assessments and agricultural land use policies. Cloud computing platforms such as Google Earth Engine (GEE) provide unprecedented opportunities for large-scale classifications of Landsat data. We developed a novel method to fuse pixel-based random forest classification of continental-scale Landsat data on GEE and an object-based segmentation approach known as recursive hierarchical segmentation (RHSeg). Using our fusion method, we produced a continental-scale cropland extent map for North America at 30 m spatial resolution for the nominal year 2010. The total cropland area for North America was estimated at 275.18 million hectares (Mha). The overall accuracies of the map are >90% across the continent. This map also compares well with the United States Department of Agriculture (USDA) cropland data layer (CDL), Agriculture and Agri-food Canada (AAFC) annual crop inventory (ACI), and the Mexican government agency Servicio de Informacion Agroalimentaria y Pesquera (SIAP)'s agricultural boundaries. Furthermore, our map compared well with sub-country statistics including state-wise and county-wise cropland statistics in regression models resulting in R2 > 0.84. This key contribution paves the way for more detailed products such as crop intensity, crop type, and crop irrigation, and provides a method for creating high-resolution cropland extent maps for other countries where spatial information about croplands are not as prevalent.

中文翻译：

---

在大陆尺度农田范围分类中集成基于云的工作流

摘要 全球尺度评估和农业土地利用政策需要有关农田空间分布的准确信息。谷歌地球引擎 (GEE) 等云计算平台为 Landsat 数据的大规模分类提供了前所未有的机会。我们开发了一种新方法来融合 GEE 上大陆尺度 Landsat 数据的基于像素的随机森林分类和称为递归分层分割 (RHSeg) 的基于对象的分割方法。使用我们的融合方法，我们制作了 2010 年标称年份 30 m 空间分辨率的北美大陆尺度农田范围图。北美的农田总面积估计为 2.7518 亿公顷 (Mha)。该地图的整体准确度在整个大陆 > 90%。该地图还与美国农业部 (USDA) 农田数据层 (CDL)、加拿大农业和农业食品部 (AAFC) 年度作物清单 (ACI) 以及墨西哥政府机构 Servicio de Informacion Agroalimentaria y Pesquera ( SIAP) 的农业边界。此外，我们的地图与回归模型中的子国家统计数据（包括州和县级农田统计数据）进行了很好的比较，导致 R2 > 0.84。这一关键贡献为更详细的产品（如作物强度、作物类型和作物灌溉）铺平了道路，并提供了一种为其他国家创建高分辨率农田范围地图的方法，这些国家的农田空间信息不那么普遍。加拿大农业和农业食品部 (AAFC) 年度作物清单 (ACI)，以及墨西哥政府机构 Servicio de Informacion Agroalimentaria y Pesquera (SIAP) 的农业边界。此外，我们的地图与回归模型中的子国家统计数据（包括州和县级农田统计数据）进行了很好的比较，导致 R2 > 0.84。这一关键贡献为更详细的产品（如作物强度、作物类型和作物灌溉）铺平了道路，并提供了一种为其他国家创建高分辨率农田范围地图的方法，这些国家的农田空间信息不那么普遍。加拿大农业和农业食品部 (AAFC) 年度作物清单 (ACI)，以及墨西哥政府机构 Servicio de Informacion Agroalimentaria y Pesquera (SIAP) 的农业边界。此外，我们的地图与回归模型中的子国家统计数据（包括州和县级农田统计数据）进行了很好的比较，导致 R2 > 0.84。这一关键贡献为更详细的产品（如作物强度、作物类型和作物灌溉）铺平了道路，并提供了一种为其他国家创建高分辨率农田范围地图的方法，这些国家的农田空间信息不那么普遍。我们的地图与回归模型中的子国家统计数据（包括州和县级农田统计数据）进行了很好的比较，导致 R2 > 0.84。这一关键贡献为更详细的产品（如作物强度、作物类型和作物灌溉）铺平了道路，并提供了一种为其他国家创建高分辨率农田范围地图的方法，这些国家的农田空间信息不那么普遍。我们的地图与回归模型中的子国家统计数据（包括州和县级农田统计数据）进行了很好的比较，导致 R2 > 0.84。这一关键贡献为更详细的产品（如作物强度、作物类型和作物灌溉）铺平了道路，并提供了一种为其他国家创建高分辨率农田范围地图的方法，这些国家的农田空间信息不那么普遍。