2000 年至 2015 年中国（即水稻、小麦和玉米1km 网格）三种主要作物年收获面积的时空变化

摘要

可靠、连续的主要作物收获面积信息对于研究地表动态和制定影响农业生产、土地利用和可持续发展的政策至关重要。然而，中国目前还没有高分辨率的空间明确和时间连续的作物收获面积信息。全国范围内主要农作物收获面积的时空格局也鲜有研究。在本研究中，我们提出了一种新的基于作物物候的作物制图方法，以 GLASS 叶面积指数（LAI）产品为基础，生成 2000 年至 2015 年中国三种主要作物（即水稻、小麦和玉米）的 1 km 收获面积数据集。首先，我们结合基于拐点和阈值的方法，检索了三种主要作物的关键物候期。然后，如果能同时确定某种作物的三个关键物候期，我们就能确定该作物的种植网格。最后，我们综合考虑了作物物候特征和旱地、水田的参照系，绘制了作物分类图和年收获面积数据集（ChinaCropArea1 km）。与县级农业统计数据相比，作物分类精度较高，R2 值始终大于 0.8。进一步分析了这一时期主要农作物收获区域的时空格局。结果表明，水稻收获面积在中国东北地区急剧扩大，而在中国南方地区则有所减少。全国主要玉米种植区的玉米收获面积大幅扩大。小麦收获面积虽然在主产区显著增加，但总体上有所减少。这些时空模式可归因于各种人为、生物物理和社会经济驱动因素，包括城市化、华南地区耕作强度降低、气候变化导致的灾害频发以及华北和西南地区的大面积撂荒农田。由此产生的数据集可用于多种用途，包括地表建模、农业生态系统建模、农业生产和土地利用决策。前言 – 人工智能教程

初始数据

 本研究采用了基于 MODIS 的 2000 至 2015 年改进型 LAI 产品（GLASS LAI），其空间分辨率为 1 千米，复合天数为 8 天。GLASS LAI 产品由北京师范大学全球变化数据处理与分析中心（http://glass-product.bnu.edu.cn/?pid=3&c=1）提供，基于时间序列反射率数据，采用一般回归神经网络（GRNNs）方法生成（Liang 等，2013 年）。与其他LAI产品相比，GLASS LAI在时间上更连续，空间上更完整（Xiao等，2014），已被应用于全球土地覆被监测和作物模型同化（Chen等，2018；Liu等，2019）。

数据处理

我们使用近邻重采样方法将所有栅格数据投影或重新投影到 "亚北阿尔伯斯等面积圆锥 "投影上，因为该投影对面积计算的偏差最小，因此适合与实际收获面积进行比较。然后，使用国家土地利用图谱中的耕地作为耕地掩模。最后，我们合并了 46 幅年度 GLASS LAI 图像，得到了每个耕地像素的 LAI 时间序列，并进一步应用了常用的萨维茨基-戈莱（S-G）滤波方法来降低 GLASS LAI 时间序列的噪声。 

作物分类

在完成不同作物关键物候期的检索后，我们根据可同时识别的三个关键物候期（见第 2.3.2.1 节）确定每种作物的作物种植网格。例如，如果某一网格可同时检测到冬小麦的返青期、扬花期和成熟期，则将该网格视为冬小麦种植网格。然后，在一些种植模式复杂的省份，中国北方的春玉米很容易与其他春季植被混淆。在这种情况下，我们根据作物物候特征，采用最大 LAI 的阈值来剔除各作物最大 LAI 低于阈值的伪耕地网格（图 2 右下角）。最终，我们在根据作物栽培网格剔除非作物网格的质量控制后，得到了每种作物的分类图。

空间分析

为了研究中国三大作物的时空格局，我们首先将网格从 1 km 提升到 5 km。然后，我们用 Theil-Sen 估计法计算了每个网格中作物面积百分比的线性趋势。我们使用 Mann-Kendall 检验法检验了每个网格中趋势的显著性。最后，我们总结了像素和省尺度上具有显著趋势（p < 0.1）的面积变化，以研究 2000 年至 2015 年的相应特征。我们还根据具有显著趋势的 5 公里网格计算了面积的增减。

 

 

结论

为了获取中国三大主粮作物长期以来的动态变化，本研究提出了一种新的基于物候学的作物测绘方法，基于GLASS LAI产品生成了2000-2015年三大主粮作物1 km作物收获面积数据集，即ChinaCropArea1 km。与县级农业统计数据相比，ChinaCropArea1 km 被证实具有高度一致性，基于物候学的方法是稳健可靠的。我们还基于作物分类图对全国范围内的误差（即 RRMSE）进行了量化，结果表明大部分地区的误差较小。

进一步的时空分析揭示了以下几个显著的模式：(1) 水稻面积在东北部显著扩大，但在东南部有所减少；(2) 小麦收获面积普遍减少，但在小麦主产区显著增加；(3) 玉米收获面积在全国大部分地区显著增加。造成这种时空格局的驱动因素包括城市化、工业化、山区耕作强度降低、气候变化导致灾害频发、北部和西南部出现大面积撂荒农田以及国家农业政策的激励作用。

与以往的研究相比，本次研究具有更多优势。首先，它考虑了几种主要的作物种植模式。其次，基于物候学的方法可在大面积范围内反复应用。最后，它基于 GLASS LAI 产品，该产品具有时空连续性高和完整性强的优点。此外，我们首次提供了分辨率为 1 千米的中国三种主要作物的年度和空间明确的作物栽培图。这些数据集可用于地表建模、农业生态系统建模、农业生产预测和农业政策制定等多种用途。

数据集描述

本数据集提供 2000 年至 2015 年中国三种主要农作物（即水稻、小麦和玉米）的 1km 网格农作物收获面积数据集。

*** 数据文件为".tif "格式。

*** 空间范围：中国大陆

*** 时间分辨率：年度

*** 像素大小：1000 米

*** 投影信息亚洲北部阿尔伯斯等面积圆锥形

*** 文件名约定：CHN_CropType_Year.tif

*** 作物类型：包括玉米、小麦、水稻。

*** 年份：2000 年至 2015 年的数值

数据链接

Data for: Identifying the spatiotemporal changes of annual harvesting areas for three staple crops in China by integrating multi-data sources - Mendeley Data

数据链接：

Luo, Yuchuan; Zhang, Zhao; Li, Ziyue; Chen, Yi; Zhang, Liangliang; Cao, juan; Tao, F (2020), “Data for: Identifying the spatiotemporal changes of annual harvesting areas for three staple crops in China by integrating multi-data sources”, Mendeley Data, V2, doi: 10.17632/jbs44b2hrk.2