“耕地是粮食生产的命根子，准确掌握全球农田空间分布和农作物种植情况对于国际社会确保粮食安全、调控粮食市场、应对全球变化、推进农业绿色发展等都具备极其重大意义。”中国农业科学院农业资源与农业区划研究所（以下简称资划所）智慧农业创新团队首席科学家吴文斌在接受《中国科学报》采访时说。

  近日，该团队与国际食物政策研究所、国际应用系统分析研究所、国际玉米小麦改良中心等单位合作，在国际地学期刊《地球系统科学数据》连续更新发布了2010年全球高精度耕地空间分布和农作物空间分布的制图数据产品。

  经全球学术同行及用户评议，与历史数据产品相比，该系列新产品精度大为提高、覆盖度大为扩展、可用性大为增强，为“联合国可持续发展目标”评估提供了重要基础数据支撑。

  论文通讯作者吴文斌说，尽管不少国家和科研机构已研制众多全球或区域耕地制图数据产品，他们推出的数据产品主要基于地图和卫星影像数据完成。但是，数据质量参差不齐、彼此间的一致性较差、与公布的官方统计数据吻合度低，存在遥感影像“看到的”与统计部门“查到的”耕地数据不一致的问题。

  论文第一作者、资划所副研究员陆苗告诉《中国科学报》，未解决以上问题并对全球耕地分布数据来进行更新，资划所带领的联合团队系统收集了10余套全球和区域遥感耕地制图数据产品：全球尺度包括5个数据产品，区域尺度以高分辨率产品为主，覆盖北美洲、欧洲和大洋洲等。不仅如此，他们还系统收集了全球尺度的覆盖国家级、省级和市级多个层次的耕地面积统计数据，填补了统计数据在非洲、拉丁美洲和亚洲等发展中国家的空白。

  论文作者、国际食物政策研究所高级研究员游良志主要负责收集全球耕地和农作物的统计数据。“已有地表数据很多，但统计数据非常难获得。”游良志告诉《中国科学报》，一些发展中国家的统计数据并没有公开，或者不能从网络上获得，必须依靠专人从当地的公开出版物获取，有时候甚至要向当地统计部门或者管理部门收集。

  2018年，他着手收集全球耕地分布统计数据时，有些国家可以获取到的最新数据是2010年的。但2010年时，非洲国家南苏丹和北苏丹还是同一个国家。“国界变了，行政区划变了，管理部门也变了。要获取历史资料十分艰难。”凭借国际食物政策研究所的全球分支机构和办公网络，游良志请各地工作人员帮忙，才得以收集到这些统计数据。

  基于上述众源数据，联合研究团队提出了“分级对照校验、自下而上优化、自动分配校准”的新思路，构建了新的统计数据自适应分配模型。

  “我们对现有遥感制图产品之间的精度和一致性做评估，以此为基础，对比统计数据和遥感耕地制图产品的数量精度，构建整合规则，实现了统计数据和耕地遥感数据产品的融合优化。”陆苗说。

  利用该方法，他们研制了《全球2010年500米分辨率耕地融合制图产品》（以下简称耕地制图），其总体精度为90.8%，高于已有的5套全球耕地产品。同时，该耕地制图产品和统计数据的一致性优于已有的全球耕地制图产品。

  上述研究为全球尺度耕地遥感制图及相关研究提供了新思路和新方法，为全球农业监测、粮食估产和全球变化研究等提供准确可靠的耕地空间分布基础信息。

  “解决全球耕地制图仅仅是我们工作的第一步，更重要的是如何获取全球农作物空间分布信息。然而，受数据获取条件等因素制约，在全球尺度开展农作物空间分布制图研究面临重大挑战。”论文第一作者、资划所副研究员余强毅告诉《中国科学报》，已有同类作物分布数据产品大多停留在2000年，如M3、MIRCA2000、SPAM2000等，已经难以满足当前农业、环境等领域的应用需求。

  通过与国际研究机构合作，他们广泛收集全球186个国家的农业生产数据，在前述耕地制图等空间数据的支持下，完成了全球水稻、小麦、玉米等42种主要农作物的面积、总产、单产空间分布制图，首次将全球农作物空间分布数据产品更新至2010年，极大提升了农作物空间分布数据产品的延续性。

  “这套数据覆盖的作物从以前的26种扩展至42种，基本完全覆盖全球主要农作物类型，提升了农作物空间分布数据产品的可用性。”余强毅说，数据集不仅包括全球主要农作物面积、总产、单产等空间分布的总体情况，还从实际生产投入的角度，将每种农作物划分成四种农业生产系统灌溉型、高投入雨养系型、低投入雨养系型、自给自足系型，提升了农作物空间分布数据产品的客观性。

  “我们这项工作体现了全球农业科研协作网络的优势。”游良志说，中国农业科学院在国际农业大科学计划项目支撑下，联合全球农业科研优势单位，在数据整理、加工、清洗、生产等环节实行严格的质量控制，并针对不一样作物、不一样的区域、不同生产系统来进行严格的精度验证，极大保证了数据产品的可靠性。

  论文通讯作者、资划所研究员杨鹏介绍，将不同年份农作物空间分布数据来进行对比发现，近年来，东欧、非洲、中国东北、印度西北、南澳大利亚等地区的水稻种植培养面积显著增加，而中亚和南美地区的水稻种植培养面积显著下降；除美国和欧洲外，全球玉米培养种植面积总体呈上升趋势，这一结果印证了全球“玉米繁荣”现象，尤其是在东南亚等发展中国家和地区，玉米扩展迅速。

  “我们工作最大的意义是填补了全球该类数据产品的空白。”吴文斌认为，数据是科研工作的基础。即便未来将大幅度依靠人工智能进行分析工作，但如果没有大量基础数据，人工智能就无从学习并获得分析能力。

  从十几年前开始，游良志就致力于作物空间分配模型（Spatial Production Allocation Model，SPAM）的建设。“SPAM反过来就是MAPS。”游良志说，这项工作旨在为全球科学家和政策制定者提供高精度的耕地和农作物空间分布数据。前述两项合作成果就是最新一期的SPAM 2010。

  余强毅说，利用高精度数据可以对全球农作物进行估产，分析农作物种植培养面积的变化情况，进而为农业结构调整、农业减排等政策制定提供基础数据。

  利用这套数据产品，他们研究之后发现，南美洲国家耕地面积在一直上升，但其农作物产量实际增长并不大；而中国、美国等国家，在耕地面积下降的情况下依然保持了产量的不断增加。

  “这不仅说明后者的耕地产出率明显高于前者，还说明中国的农业科学技术助力提高了粮食产能，稳住粮食产量不再需要大量开垦耕地。这为我国生态文明建设、实现碳中和目标提供了重要保障。”余强毅说。

  游良志说，这项工作将会以5~10年的时间区间一直更新，并希望一直“更新到卫星遥感数据可以替代统计数据”。

  众所周知，卫星遥感数据已可以达到几十米级甚至亚米级，但由于技术瓶颈问题尚未解决，光靠遥感数据还很难获得高精度耕地和农作物分布数据产品。

  陆苗解释道，由于农田种植情况的复杂性，在小区域适用的数据算法很难在大区域上应用，尤其是在我国这种地块零散的农田上。

  此外，卫星遥感数据的准确性要依赖大量地面数据支撑，例如，这块地究竟种的是什么作物、什么季节种植、种植几茬作物，都需要人工现场调研验证。

  同时，目前已经很成熟的全球性数据产品不多，也就是说供人工智能学习的基础数据不多，人工智能尚没有学会仅从卫星影像上辨别农作物。这同样降低了仅利用遥感数据生成高精度耕地和农作物分布数据产品的准确度。

  要解决上述技术难题，可能还需要5~10年左右的时间。吴文斌说，下一步，他们将着手制作我国的“作物一张图”，即在一个数据产品中展示每块农田不同时间种植的农作物情况。