Grasslands are valuable carbon sinks in the effort to mitigate climate change. However, they are not well protected and are consequently being replaced by agricultural systems worldwide. Current monitoring efforts using remote sensing and ground-based methods are insufficient, and accordingly the mapping of grassland to cropland conversions must be improved to better document these changes in the Canadian Prairies. The purpose of this study is to evaluate different structural break methods and remote sensing datasets for their temporal accuracy in detecting grassland conversions in two Alberta study areas from 2010 to 2018. Breaks For Additive Seasonal and Trend (BFAST), BFAST Seasonal and Bayesian Estimator of Abrupt change, Seasonality and Trend (BEAST) methods were applied to evaluate their sensitivity to rangeland and pasture conversions. The best model was BFAST Seasonal, correctly predicting the year of change for 76% of rangelands and 66% of pastures. This demonstrates that seasonal models are effective in detecting interannual changes in vegetation composition amidst background noise from climate and management induced phenological changes. MODIS data outperformed Landsat, outlining the importance of high temporal resolution remote sensing data to successful change detection, even at the expense of higher spatial resolution. Overall, this study demonstrates that structural break methods are effective in identifying grassland to agriculture transitions and may be useful for the operational monitoring of grassland inventories in the future.

草原是缓解气候变化的宝贵碳汇。但是，它们没有得到很好的保护，因此被全世界的农业系统所取代。当前使用遥感和基于地面的方法进行的监测工作不足，因此必须改善草地到农田转化的地图，以更好地记录加拿大大草原的这些变化。这项研究的目的是评估从2010年到2018年在两个艾伯塔省研究区进行草地转换时使用不同的结构折断方法和遥感数据集的时间准确性。季节性的加和季节性变化（BFAST），BFAST季节性和贝叶斯估计量应用突变，季节性和趋势（BEAST）方法来评估其对牧场和牧场转换的敏感性。最好的模型是BFAST Seasonal，可以正确预测76％的牧场和66％的牧场的变化年份。这表明季节模型可以有效地检测气候和管理引起的物候变化引起的背景噪声中植被组成的年际变化。MODIS数据的性能优于Landsat，概述了高时间分辨率遥感数据对成功进行变化检测的重要性，即使是以更高的空间分辨率为代价。总体而言，这项研究表明，结构性折断方法可以有效地识别草地向农业的过渡，并可能在将来对草地清单的运行进行监控。这表明季节模型可以有效地检测气候和管理引起的物候变化引起的背景噪声中植被组成的年际变化。MODIS数据的性能优于Landsat，概述了高时间分辨率遥感数据对成功进行变化检测的重要性，即使是以更高的空间分辨率为代价。总体而言，这项研究表明，结构性折断方法可以有效地识别草地向农业的过渡，并可能在将来对草地清单的运行进行监控。这表明季节模型可以有效地检测气候和管理引起的物候变化引起的背景噪声中植被组成的年际变化。MODIS数据的性能优于Landsat，概述了高时间分辨率遥感数据对成功进行变化检测的重要性，即使是以更高的空间分辨率为代价。总体而言，这项研究表明，结构性折断方法可以有效地识别草地向农业的过渡，并可能在将来对草地清单的运行进行监控。概述了高时间分辨率遥感数据对成功进行变化检测的重要性，即使是以更高的空间分辨率为代价。总体而言，这项研究表明，结构性折断方法可以有效地识别草地向农业的过渡，并可能在将来对草地清单的运行进行监控。概述了高时间分辨率遥感数据对成功进行变化检测的重要性，即使是以更高的空间分辨率为代价。总体而言，这项研究表明，结构性折断方法可以有效地识别草地向农业的过渡，并可能在将来对草地清单的运行进行监控。