小麦是中国三大主要粮食作物之一。自2000年以来，小麦总产量连续八年超过1.3亿吨，在保障中国粮食安全方面发挥了关键作用（国家统计局，2024年）。及时收割小麦对于保持产量和质量至关重要（Kochiieru等人，2021年；Nawi等人，2010年）。然而，由于各地区耕地和农业机械分布不均，仍存在挑战。事实证明，跨区域农业机械作业是提高中国农业生产效率的有效途径（Guo等人，2024年；Ma等人，2023年）。然而，目前的跨区域机械作业调度主要基于经验知识，缺乏基于小麦最佳收割期的科学规划，这导致了机械资源分配效率低下和作业效率低等问题。
由于作物生长周期和种植模式（如复种）的影响，农业生产对时间非常敏感。获取机械收割的准确时间窗口是跨区域作业的关键指导信息（Cong等人，2022年；Wang等人，2021年）。了解大空间尺度上小麦的最佳收割期，并为机械调度和分配提供定量决策支持，对于提高农业机械作业效率以及确保小麦产量和质量具有重要意义（Guo等人，2024年；Huang等人，2022年；Wang和Huang，2022年）。在大空间尺度上，作物生长具有显著的时空异质性，这导致了作物收割的复杂时空模式（Lobell和Azzari，2017年；Yang等人，2023a；Yang等人，2023b）。作物的收割期受当地种植模式、种植规模和天气条件的影响。例如，复种或三熟地区的收割期通常较短，有利于及时种植下一季作物。在作物种植规模较大的地区，对大规模机械收割的需求更大。天气，特别是降水和土壤条件，是影响作物最佳收割期决策的主要因素之一（De Toro和Hansson，2004年；Huber等人，2023年）。然而，大空间尺度上作物收割期的时空模式是如何受这些因素影响的，目前尚不清楚。
受中国政府农业机械购置补贴（AMPS）政策的推动，农业机械的数量迅速增加（Meng等人，2024年）。为了促进AMPS实施和运营的信息化，中国农业和农村事务部还推出了一项“三合一”信息政策，该政策监测农业机械的作业轨迹，以确保购买的农业机械得到合理使用。中国的农业机械补贴“三合一”政策提供了大量的农业机械作业数据。所有纳入该政策的农业机械都配备了车载传感器，在田间作业（如种植和收割）时收集地理坐标信息。中国政府还致力于推进国家数据系统，以实现农业机械作业的动态监测、数据共享和大数据应用（Wu等人，2023年）。然而，如此大量的农业机械数据尚未得到有效分析。
深度学习模型可以通过其网络结构从大量数据中自主学习复杂和层次化的模式。作为一种典型的数据驱动方法，深度学习在农业系统监测方面展示了巨大潜力，例如作物产量估算（Cao等人，2026年；Chen等人，2023年；Li等人，2022年）、作物制图（Fan等人，2024年；Xu等人，2020年）和物候监测（Katal等人，2022年；Tian等人，2025年）。长短期记忆模型是一种特殊的循环神经网络，由于其门控机制，具有强大的时间特征提取能力。LSTM的结构在学习环境因素对作物生长的时间和累积影响方面表现出良好性能（Lin等人，2020年；Xiong等人，2024a；Xiong等人，2024b）。最近的研究还表明，结合多源数据的多个网络可以更好地学习作物生长的时空模式（Zhong等人，2023年）。这些研究表明，深度学习方法将是农业数据挖掘的强大工具。然而，在农业机械作业领域，如何开发一个系统框架来分析作物收割模式及其驱动因素仍不清楚。
在本研究中，我们提出了一个框架，利用来自国家农业机械作业数据库（Wu等人，2023年）的独特大规模农业机械作业数据集进行分析。该数据集包含了2022年至2024年中国小麦收割机的广泛作业轨迹数据。我们重点分析了黄淮海平原（HHHP）乡镇级小麦收割持续时间的时空模式，结合了收割轨迹数据、遥感数据、作物强度数据和天气数据。在本研究中，我们将小麦收割持续时间定义为每个乡镇80%的小麦面积被收割的时间长度。我们开发了深度学习模型来揭示小麦收割持续时间的潜在驱动因素。此外，我们还分析了本地和跨区域收割机如何支持HHHP的小麦收割。本研究旨在解决以下三个研究问题：
(1)中国HHHP小麦收割持续时间的时间和空间模式是什么？
(2)深度学习模型捕捉到的小麦收割持续时间模式的关键因素是什么？
(3)本地和跨区域收割机如何支持HHHP的小麦收割？
