衛星遙感影像中的農田 中國農科院供圖
“耕地是糧食生產的命根子，準確掌握全球農田空間分布和農作物種植情況對于國際社會確保糧食安全、調控糧食市場、應對全球變化、推進農業綠色發展等都具有重要意義。”中國農業科學院農業資源與農業區劃研究所（以下簡稱資劃所）智慧農業創新團隊首席科學家吳文斌在接受《中國科學報》采訪時說。
近日，該團隊與國際食物政策研究所、國際應用系統分析研究所、國際玉米小麥改良中心等單位合作，在國際地學期刊《地球系統科學數據》連續更新發布了2010年全球高精度耕地空間分布和農作物空間分布的制圖數據產品。
經全球學術同行及用戶評議，與歷史數據產品相比，該系列產品精度大為提高、覆蓋度大為擴展、可用性大為增強，為“聯合國可持續發展目標”評估提供了重要基礎數據支撐。
第一張圖：全球高精度耕地分布數據
論文通訊作者吳文斌說，盡管不少國家和科研機構已研制眾多全球或區域耕地制圖數據產品，他們推出的數據產品主要基于地圖和衛星影像數據完成。但是，數據質量參差不齊、彼此間的一致性較差、與公布的官方統計數據吻合度低，存在遙感影像“看到的”與統計部門“查到的”耕地數據不一致的問題。
這給政府部門、國際機構和科研高校的數據產品應用帶來諸多不確定性。
論文第一作者、資劃所副研究員陸苗告訴《中國科學報》，為了解決上述問題并對全球耕地分布數據進行更新，資劃所帶領的聯合團隊系統收集了10余套全球和區域遙感耕地制圖數據產品：全球尺度包括5個數據產品，區域尺度以高分辨率產品為主，覆蓋北美洲、歐洲和大洋洲等。不僅如此，他們還系統收集了全球尺度的覆蓋國家級、省級和市級多個層次的耕地面積統計數據，填補了統計數據在非洲、拉丁美洲和亞洲等發展中國家的空白。
論文作者、國際食物政策研究所高級研究員游良志主要負責收集全球耕地和農作物的統計數據。“已有地表數據很多，但統計數據非常難獲得。”游良志告訴《中國科學報》，一些發展中國家的統計數據并沒有公開，或者不能從網絡上獲得，必須依靠專人從當地的公開出版物獲取，有時候甚至要向當地統計部門或者管理部門收集。
2018年，他著手收集全球耕地分布統計數據時，有些國家能夠獲取到的最新數據是2010年的。但2010年時，非洲國家南蘇丹和北蘇丹還是同一個國家。“國界變了，行政區劃變了，管理部門也變了。要獲取歷史資料非常困難。”憑借國際食物政策研究所的全球分支機構和辦公網絡，游良志請各地工作人員幫忙，才得以收集到這些統計數據。
基于上述眾源數據，聯合研究團隊提出了“分級對照校驗、自下而上優化、自動分配校準”的新思路，構建了新的統計數據自適應分配模型。
“我們對現有遙感制圖產品之間的精度和一致性進行評估，以此為基礎，對比統計數據和遙感耕地制圖產品的數量精度，構建整合規則，實現了統計數據和耕地遙感數據產品的融合優化。”陸苗說。
利用該方法，他們研制了《全球2010年500米分辨率耕地融合制圖產品》（以下簡稱耕地制圖），其總體精度為90.8%，高于已有的5套全球耕地產品。同時，該耕地制圖產品和統計數據的一致性優于已有的全球耕地制圖產品。
上述研究為全球尺度耕地遙感制圖及相關研究提供了新思路和新方法，為全球農業監測、糧食估產和全球變化研究等提供準確可靠的耕地空間分布基礎信息。
第二張圖：全球高精度農作物空間分布數據
“解決全球耕地制圖僅僅是我們工作的第一步，更為重要的是如何獲取全球農作物空間分布信息。然而，受數據獲取條件等因素制約，在全球尺度開展農作物空間分布制圖研究面臨重大挑戰。”論文第一作者、資劃所副研究員余強毅告訴《中國科學報》，已有同類作物分布數據產品大多停留在2000年，如M3、MIRCA2000、SPAM2000等，已經難以滿足當前農業、環境等領域的應用需求。
通過與國際研究機構合作，他們廣泛收集全球186個國家的農業生產數據，在前述耕地制圖等空間數據的支持下，完成了全球水稻、小麥、玉米等42種主要農作物的面積、總產、單產空間分布制圖，首次將全球農作物空間分布數據產品更新至2010年，極大提升了農作物空間分布數據產品的延續性。
“這套數據覆蓋的作物從以前的26種擴展至42種，基本完全覆蓋全球主要農作物類型，提升了農作物空間分布數據產品的可用性。”余強毅說，數據集不僅包括全球主要農作物面積、總產、單產等空間分布的總體情況，還從實際生產投入的角度，將每種農作物劃分成四種農業生產系統——灌溉型、高投入雨養系型、低投入雨養系型、自給自足系型，提升了農作物空間分布數據產品的客觀性。
“我們這項工作體現了全球農業科研協作網絡的優勢。”游良志說，中國農業科學院在國際農業大科學計劃項目支撐下，聯合全球農業科研優勢單位，在數據整理、加工、清洗、生產等環節實行嚴格的質量控制，并針對不同作物、不同區域、不同生產系統進行嚴格的精度驗證，極大保證了數據產品的可靠性。
論文通訊作者、資劃所研究員楊鵬介紹，將不同年份農作物空間分布數據進行對比發現，近年來，東歐、非洲、中國東北、印度西北、南澳大利亞等地區的水稻種植面積明顯增加，而中亞和南美地區的水稻種植面積顯著下降；除美國和歐洲外，全球玉米種植面積總體呈上升趨勢，這一結果印證了全球“玉米繁榮”現象，尤其是在東南亞等發展中國家和地區，玉米擴展迅速。
期待用遙感數據替代統計數據
“我們工作最大的意義是填補了全球該類數據產品的空白。”吳文斌認為，數據是科研工作的基礎。即便未來將大幅度依靠人工智能進行分析工作，但如果沒有大量基礎數據，人工智能就無從學習并獲得分析能力。
從十幾年前開始，游良志就致力于作物空間分配模型（Spatial Production Allocation Model，SPAM）的建設。“SPAM反過來就是MAPS。”游良志說，這項工作旨在為全球科學家和政策制定者提供高精度的耕地和農作物空間分布數據。前述兩項合作成果就是最新一期的SPAM 2010。
余強毅說，利用高精度數據可以對全球農作物進行估產，分析農作物種植面積的變化情況，進而為農業結構調整、農業減排等政策制定提供基礎數據。
利用這套數據產品，他們研究發現，南美洲國家耕地面積在不斷上升，但其農作物產量實際增長并不大；而中國、美國等國家，在耕地面積下降的情況下依然保持了產量的不斷增加。
“這不僅說明后者的耕地產出率顯著高于前者，還說明中國的農業科技助力提高了糧食產能，穩住糧食產量不再需要大量開墾耕地。這為我國生態文明建設、實現‘碳中和’目標提供了重要保障。”余強毅說。
游良志說，這項工作將會以5~10年的時間區間不斷更新，并希望一直“更新到衛星遙感數據可以替代統計數據”。
眾所周知，衛星遙感數據已經可以達到幾十米級甚至亞米級，但由于技術瓶頸問題尚未解決，光靠遙感數據還很難獲得高精度耕地和農作物分布數據產品。
陸苗解釋道，由于農田種植情況的復雜性，在小區域適用的數據算法很難在大區域上應用，尤其是在我國這種地塊零散的農田上。
此外，衛星遙感數據的準確性要依賴大量地面數據支撐，例如，這塊地究竟種的是什么作物、什么季節種植、種植幾茬作物，都需要人工現場調研驗證。
同時，目前已經成熟的全球性數據產品不多，也就是說供人工智能學習的基礎數據不多，人工智能尚沒有學會僅從衛星影像上辨別農作物。這同樣降低了僅利用遙感數據生成高精度耕地和農作物分布數據產品的準確度。
要解決上述技術難題，可能還需要5~10年左右的時間。吳文斌說，下一步，他們將著手制作我國的“作物一張圖”，即在一個數據產品中展示每塊農田不同時間種植的農作物情況。
相關論文信息：https://doi.org/10.5194/essd-12-1913-2020
https://doi.org/10.5194/essd-12-3545-2020
