通过协同方法识别和量化全球耕地面积比较中的地方不确定性和差异

刘小杰 $^{a,b,c}$ , 金小彬 $^{a,b,c,*}$ , 罗秀丽 $^{a,b,c}$ , 周银康 $^{a,b,c}$
南京大学地理与海洋科学学院，中国南京，210023
$^{b}$ 自然资源部沿海区域开发与保护重点实验室，中国南京，210023
$^{c}$ 碳中和与区域优化重点实验室，自然资源部，南京，210023，中国

文章信息

处理编辑：J Peng

关键词：

耕地制图
协同图
数据融合
SOSA
空间一致性

摘要

摘要全球耕地范围的时空一致性信息对于资源管理和科学研究至关重要。目前已有多种基于遥感产品的耕地数据集。然而，它们之间存在显著的差异和不确定性，导致的耕地面积估算与官方统计数据相差甚远，从而限制了其适用性。为此，本文提出了一种新的分层优化协同方法（SOSA），旨在通过融合五个现有的土地覆盖图（即 CLCD、GLC_FCS30、Globeland30、GlobalCrop 和 ESA_CCI）以及次国家统计数据，创建 2000 年至 2020 年中国的混合耕地图。鉴于大规模耕地制图的成本效益相关挑战，该方法旨在平衡数据价值、真实性和可负担性。SOSA 简化了确定最佳一致性水平和最佳产品组合的常用协议程序。初步验证了生成的耕地地图，评估表明，协同耕地地图的空间精度更高，与统计数据的吻合度也更接近于任何单一输入地图。这表明协同方法可以增强耕地制图的性能，并提高与统计数据的一致性。我们的结果预计将为数据用户提供有价值的参考，帮助未来改进耕地制图，以支持前瞻性应用，并增强我们对全球农业系统的理解和建模。

1. 引言

全球土地覆盖为农业生产提供了关键的基准信息，应用于联合国千年生态系统评估（MA）、《生物多样性报告》和《全球环境展望》（GEO）（Meng et al., 2023; Zabel et al., 2019）。特别是，农业系统对气候变化的独特影响表明，耕地管理可以显著影响温室气体排放和生物地球化学循环（Akpoti, Kabo-bah, & Zwart, 2019; Hatfield et al., 2018; Wang et al., 2022）。耕地作为一种不可替代的农业资源和生产要素，对于社会经济的可持续性至关重要（Duan et al., 2021）。根据《2022 年世界人口展望》，预计到 2050 年全球人口将超过 90 亿，日益增长的食品需求意味着维持人均饮食所需的可耕地面积将继续增加（Fritz et al., 2013; Liang et al., 2023），这给已经超负荷的农田带来了巨大的压力（Duro et al., 2020）。

此外，农业活动显著改变了陆地生态系统的结构和功能（黄等，2015；庞等，2019），影响了它们与周围大气、水和土壤的相互作用（刘、巴克希等，2020）。联合国可持续发展目标（SDGs）呼吁在提高农业生产和维持生态系统服务之间取得平衡。一个紧迫而艰巨的挑战是确保耕地系统提供安全、充足和富含营养的食物，同时最小化不利的生态影响（帕兹等，2020；维亚纳等，2022）。因此，实现这些目标需要关于耕地模式及其时空动态的一致、独立和及时的信息，这对于跟踪可持续粮食生产的进展以及各种空间明确的作物预警和监测模型（贝克-雷谢夫等，2020；佩雷斯-霍约斯等，2017）、作物水利用（特卢贡特拉等，2018）、产量预测（克雷恩-德罗什，2018）和特定政策影响评估（洛尔丹等，2023；里多特和加西亚，2020）也是至关重要的。

遥感已成为收集全球或区域土地利用/覆盖变化（LUCC）信息的强大工具，其衍生的数据集广泛用于识别农田分布和确定适合种植谷物和非谷物作物的区域（Fritz et al., 2013; Weiss et al., 2020）。在过去几十年中，已经从卫星和航空影像生成了多个大陆农田产品，并免费与公众分享。然而，早期的土地覆盖制图通常依赖于低分辨率图像，限制了其在国家或区域层面的应用（Benhammou et al., 2022）。自 2000 年代初以来，更加精细的全球土地覆盖数据已成为国际议程的一部分。这些制图产品随着地球物理仪器和技术的进步而改善，尽管这增加了收集和更新高分辨率实时地面训练样本所需的时间。特别是，随着 Landsat 档案的开放，高分辨率农田制图受到了越来越多的关注（Gumma et al., 2020; Teluguntla et al., 2018），使得创建

30 - m

分辨率的农田数据集成为可能（Hu et al., 2020）。每个产品都表现出可接受的整体准确性，可以用于在不同尺度上检测和记录农田变化（Waldner et al., 2015）。然而，这些产品之间的显著差异已被广泛报道（Fritz et al., 2013；Lu et al., 2017；Nabil et al., 2020），尤其是在过渡区和地理景观碎片化复杂的地区（Lu et al., 2020）。这些差异主要归因于传感器、分类器、获取方法、更新频率、主观解释、验证技术和地面真实参考的变化（Hua et al., 2018），这妨碍了可靠的比较，并使其在特定地区的应用变得复杂。这使得产品间的兼容性变得至关重要（Zhang et al., 2022）。已经采取了一些有益的努力来标准化这些不一致性，促进了对不断增加的现有土地覆盖图的性能比较和验证（Fritz et al., 2011）。尽管如此，用户在选择合适的数据集时仍然面临一些困惑，因为他们常常难以找到与所需的 LUCC 水平或感兴趣的地理区域相匹配的产品（Chen et al., 2019）。此外，这些产品通常提供有限的细节和有限的类别数量（Weiss et al., 2020）。

与此同时，这些产品估算的农田面积与官方统计数据不一致，因为遥感影像中不可避免的像素混合（Claverie et al., 2013）。这种差异阻碍了它们在食品政策和农业经济中的推广。学术研究揭示了卫星反演估算与特定行业统计之间的差异，原因在于农田定义的不同（Potapov et al., 2021）。大多数制图产品往往会高估或低估农田面积，这取决于如何计算包括马赛克在内的混合类型（Lu et al., 2017）。此外，现有数据集通常强调土地覆盖而非土地利用，因为航空和卫星观测具有直接性，导致基于卫星的地图可能无法充分捕捉与土地利用变化相关的农田特征（Liu et al., 2023）。作为一种共存的集合，农田不仅由覆盖地表的作物定义，还受到与人类活动相关的粮食生产的影响（Paz et al., 2020）。农业统计数据通常通过抽样调查和访谈收集，然后通过将这些数据与行政记录结合进行计算（Fritz et al., 2013）。值得注意的是，这些部门统计数据提供了通过 Landsat 数据无法获得的有价值的实用信息。然而，由于它们是在行政区划层面收集的，因此通常缺乏空间细节（Nabil et al., 2020）。

协同方法通过结合现有的土地覆盖图和权威统计数据，为解决上述差距提供了一种替代方案。不同的实地制图产品可以用于创建农田混合百分比图，这通常更为准确（Chen et al., 2019; Zhang et al., 2022）。当前的地图协同算法一般可分为回归和协议评分方法（Lu et al., 2017）。其中，地理加权回归（GWR）是一种具有空间变化回归参数的解决方法，已广泛应用于利用众包数据库在全球范围内构建混合地图（See et al., 2015）。Schepaschenko 等（2015）整合了来自广泛来源的森林产品，使用 GWR 模型生成了分辨率为 1 公里的全球混合森林覆盖图。然而，该过程需要大量的训练样本，并且在低采样密度下可能容易出现不稳定（Lu et al., 2020）。协议评分方法根据输入数据中的一致性水平分配分数，由于其优越的可操作性和简单性，使用更为普遍（Chen et al., 2019）。实施这种方法，Jung、Henkel、Herold 和 Churkina（2006）以及 Ramankutty、Evan、Monfreda 和 Foley（2008）分别创建了用于碳循环建模的全球土地覆盖图和全球牧场面积图。然而，这类研究往往忽视了输入数据集之间的质量差异。为了解决这个问题，Fritz 等人（2011）对输入产品进行了排序，并根据专家判断分配了权重。传统上，评分分配是该过程的一个关键方面（See 等人，2015），但在处理大量输入数据集时，创建评分表可能会很繁琐（Gumma 等人，2020）。

中国的耕地模式研究长期受到缺乏可靠的空间和时间可比数据的限制（刘等，2015）。中国以仅占全球耕地的

8 %

，养活了

18 %

的世界人口，使其耕地极为珍贵（邹等，2020）。然而，近年来中国的农业景观也面临着严重挑战，包括资源错配、土地转让、耕地流失和废弃（陈等，2023；胡等，2020）。随着快速城市化，耕地被牺牲用于基础设施占用和其他非农业用途，这种情况尤为明显（田等，2021；钟等，2022）。为了弥补因耕地征用补偿平衡政策而损失的耕地，已启动大规模的土地改善、开发、复垦和整理项目（刘等，2019）。尽管通过一系列严格的法规和措施对农田实施了严格保护，但部分地区的农业结构仍然不合理和失衡（刘、孙等，2020；张等）。2015 年，优质耕地明显减少（韩 & 宋，2020）。此外，由于生态复垦、灾害和农业结构调整，中国的耕地在数量和分布上发生了显著变化，耕地保护形势严峻（刘等，2015）。虽然基于卫星监测的研究可以揭示耕地分布的模式，但由于卫星图像解读的有限准确性以及缺乏足够的实地调查和验证，它们并未准确捕捉到耕地保护政策所导致的数量变化（韦斯等，2020）。更重要的是，基于土地调查统计的先前研究使用省级行政区域作为研究单位来分析中国耕地的变化，通常忽视了不同地区耕地的空间变异。因此，获得关于耕地动态的时空一致信息的正确知识和理解，对于农业可持续性和国家粮食安全至关重要。

为了克服这些限制，本研究引入了一种基于输入数据集一致性的新的分层优化协同方法（SOSA），以提高卫星地图与统计数据之间的一致性和准确性，从而减少耕地时空演变中的不确定性。SOSA 通过结合五个全球土地覆盖数据集（CLCD、GLC_FCS30、Globeland30、GlobalCrop 和 ESA_CCI）与国家统计数据进行了校准和验证，以开发 2000 年至 2020 年间中国的协同耕地地图。我们的研究结果深入探讨了全球耕地数据集的区域多样性和不确定性，为未来的遥感制图提供了新的视角，并为根据当地条件进行产品选择和耕地保护的空间决策提供了指导。

2. 材料和方法

2.1. 研究框架

本研究的逻辑框架如图 1 所示。首先，通过掩膜提取了五组全球土地覆盖栅格数据，以获取中国地区土地利用类别的信息，并结合其分类系统对耕地和非耕地进行重新分类。其次，对这些重新分类的土地覆盖数据集进行了叠加分析，以研究它们的地理空间一致性。同时，我们分析了耕地的定量偏差和每个数据集的区域可靠性。该分析是通过使用中国 558 个县级行政区的耕地和非耕地测试样本作为参考，借助官方统计数据和第二次全国土地调查（SNLS）数据库进行的。在第三步中，空间一致性和整体准确性的评估结果被用来确定理想的一致性水平，并识别最佳的制图产品组合，随后用于创建协同耕地地图。最后，我们通过利用标准误差和混淆矩阵，将所提出的方法的协同耕地图与原始输入产品进行比较，从而评估了该方法的性能，并基于这些校准的协同耕地图进一步探讨了过去 20 年中国耕地的时空动态。

2.2. 数据采集与处理

表 1 和表 2 列出了五个公开可用的全球土地覆盖数据集，这些数据集具有相对较高的分辨率和连续性。这些数据集在全球范围内的长期一致性、周期性更新和丰富的主题细节，使其在森林砍伐、沙漠化和淡水退化等多变量应用中具有吸引力，此外还有基础研究（华等，2018）。其中，中国土地覆盖数据集（CLCD）是一个基于 Landsat 数据的年度土地覆盖产品，提供了过去三十年中国土地利用变化的全面记录（杨和黄，2021）。CLCD 将土地覆盖分类为 9 个类别。值得注意的是，虽然 CLCD 的分类特定于中国，但该数据集的优势在于逐年土地利用分类结果，其更高的时间分辨率可以细致描绘空间非平稳关系和时空异质性。

图 1. 研究框架示意图。

表 1

五组土地覆盖数据集的参数描述。

数据集

制作人

解析

纪元

方法

方案

传感器

CLCD

武汉大学 (https://zenodo.org/)

30 米

1990-2020(1)

随机森林

FAO

MODIS/陆地卫星

GLC_FCS30

中国科学院 (CAS) (https://data.cas earth.cn/)

30 米

1985-2020 (5)

随机森林

FAO

Landsat/TM, ETM

+ /

OLI

全球土地 30

中国国家地理信息中心 (http://globeland30.org/)

30 米

2000 - 2020

(10)

监督分类

自我分类

Landsat/TM, HJ_1/CCD

全球作物

马里兰大学 (https://glad.umd.edu /dataset/)

30 米

2000-2019 (4)

监督分类

自我分类

陆地卫星

ESA_CCI

欧洲空间局 (https://www.esa-landcover-cci.org/)

300 米

1992 - 2020 (1)

无监督分类

FAO

MERIS/AVHRR

表 2

耕地的定义和百分比确定。

数据集

耕地的定义

农田准确性由生产者发布

耕地百分比

CLCD

耕地

79.31%

100 %

GLC_FCS30

雨养农田

85%

100%

草本覆盖

80 %

树木或灌木覆盖（果园）

80 %

灌溉农田

88 %

100 %

全球土地 30

耕地

83.5%

100%

全球作物

一年生和多年生草本作物

79.78%

100 %

ESA_CCI

雨养农田

81 %

100 %

灌溉农田或洪水后农田

88 %

100 %

自然植被（

< 50 %

)/马赛克农田（

> 50 %

68 %

60 %

农田 (

< 50 %

)/马赛克自然植被

(> 50 %)

63 %

40 %

耕地变化的研究。CLCD 数据集已与最先进的

30 - m

分辨率主题产品进行了严格比较，包括森林、地表水和不透水面（ISA），以全面评估其特性，但与耕地的比较较少（Zhang et al., 2022）。另一个值得注意的数据集是全球土地覆盖-FCS30（GLC_FCS30），这是一个全球土地覆盖动态监测产品。它采用了一个示范性的分类系统，该系统源自地表反射率（SR）图像和局部自适应建模，结合了联合国粮食及农业组织（FAO）的分类系统，将土地覆盖分类为 29 个类别（Zhang et al., 2021）。Globeland30 是全球首个 30 米分辨率的全球土地覆盖数据集，融合了美国陆地卫星和中国灾害监测星座（DMC）的多光谱影像。它采用创新的像素-对象-知识（POK）分层分类方法将土地覆盖分类为 10 个类别（Brovelli et al., 2015）。 GlobalCrop 与其他数据集相比，利用来自 Landsat 分析就绪数据（ARD）的标准化 SR 数据作为映射输入，通过袋装决策树集成为每个像素生成概率层，从而创建全球耕地地图（Potapov 等，2021）。虽然 GlobalCrop 与其他数据集相隔一年，但仔细研究表明，在这一时期的大规模土地利用和土地覆盖变化与分类误差相比几乎可以忽略不计。欧洲航天局（ESA）气候变化倡议（CCI）项目提供了一系列基于卫星的产品，这些产品将中分辨率成像光谱仪（MERIS）SR 时间序列配置参数作为输入，以生成土地覆盖地图，使自 1990 年代以来对全球土地覆盖动态进行长期观察和分析成为可能（Zhong 等，2022）。

由于原始数据集之间坐标系统、空间分辨率和分类方案的差异，预处理和转换是必要的，以便进行有意义的比较分析。我们的第一步是使用领土边界矢量数据裁剪五组全球数据产品及其马赛克图像，以获得中国区域数据集。然后采用 GlobeLand30 的标准椭球体作为基准，将其余数据集统一为世界大地测量系统 1984，以最小化这些数据产品之间几何精度差异的影响。此外，我们选择了阿尔伯斯等面积投影作为投影转换的基础，确保参与图像产品的一致性和无面积失真。在进行逐像素一致性比较之前，对所有数据产品进行了叠加分析。任何显示像素间隙的产品都导致相应的像素从其他产品中移除。此外，特殊像素，如填充值 0 和 255，从每个数据集中被消除，以防止像素状伪影干扰后续处理。最后，前述数据集使用最近邻插值法重新采样至 300 米的分辨率。

统一的分类系统是对比来自不同来源的数据产品的前提条件（华等，2018）。选择简化的分类有助于减轻由于各种详细土地覆盖类型而可能产生的不确定性（纳比尔等，2020）。为此，我们将数据集重新分类为耕地和非耕地，同时保留耕地类别的信息。我们排除了其他类别的影响，并在每个数据集中选择相关类型进行合并，遵循联合国粮农组织对耕地的定义。其中，耕地包括耕作土地，涵盖临时农业作物的区域、用于市场和厨房花园的土地、用于割草或放牧的临时草地以及暂时休耕的土地。永久作物包括多年生作物，这些作物在地面上播种，并且多年不需要重新种植，能够在树木和灌木下生长的花卉作物，以及苗圃。此外，每个数据集中与耕地相关的类别被提取并根据其定义分配百分比权重。马赛克农田类别的权重较低，而纯农田类别的权重较高。这个过程生成了每个基于卫星的数据集在

300 - m

分辨率下的农田百分比地图，所有地图都在同一坐标系统中。

在图 2 中，我们展示了 2020 年中国耕地的地理分布，这些数据来自五个现有的数据集，以及从第二次全国土地调查（SNLS）数据库获得的训练样本。SNLS 实施了一个统一的组织模型，结合了政府协调、地方实地调查和国家质量控制。它建立在涵盖所有遥感图像的调查基础地图的基础上，确保了地图、图形和现实观察之间的一致性（Zhong 等，2022）。为了保持地理空间信息的准确性和相关性，自 2010 年以来，自然资源部每年对领土变化进行调查，并更新 SNLS 结果。这些地图划分数据经过依赖遥感图像和实地调查的地方专家的细致验证（Chen 等，2023；Liu 等，2015）。独立操作系统的存在和可观的财政援助预算进一步增强了准确、可比、系统的可信度。

图 2. 2020 年中国耕地和训练样本的空间分布。

和连贯的 LUCC 数据。预计这种可信度将在未来十年内保持，直到 2019 年（Li et al., 2022）。此外，SNLS 汇编了关于地籍地块的类型、所有权、面积和分布的全面信息，最终形成了一个庞大的数据库，其中包括在全国 31 个省进行的 2800 多项县级土地利用调查。这个丰富的数据集以其权威性和广泛的细节特征，包括地图属性，使其成为我们研究的理想参考和测试样本。

为了确保创建一个足够、平衡和多样化的训练样本，我们采用了随机选择过程，从 SNLS 数据库中选取了 558 个县级土地利用调查数据。同时，我们旨在确保所选样本的普遍性和典型性，覆盖全国 31 个省和地区，特别强调主要粮食生产区（如辽宁、河北、山东、吉林、四川、河南、湖北、江苏、安徽、黑龙江）内的样本。所选县样本的数量从 5 到 30 不等，值得注意的是，这些选定的县单位平均包含超过 50,000 个土地利用多边形。这一因素使我们能够在细尺度上深入研究耕地的空间分布特性。这些统计数据的质量和准确性为我们提供了清晰的见解。

此外，耕地的地理分布常常受到自然因素的限制，例如地形，这对遥感制图造成了一定的难度（Zhang et al., 2022），因此进一步探讨它们在每个地貌区间内的高度和坡度的一致性。其中，高度和坡度是根据数字高程模型（DEM）计算的，这些模型源于 SRTM（航天飞机雷达地形测量任务）处理升级、垂直控制、空缺填补以及与原始 SRTM 形成时不可用的数据的合并（https://www.earthdata。nasa.gov/）。此外，耕地统计数据来自国家统计局（NBS）发布的《中国统计年鉴》（http://www.stats.gov.cn/），该年鉴统计了各省、市、自治区的耕地面积及其在全国的比例。耕地训练样本来源于自然资源部收集和编制的 SNLS 基础数据。

中华民国（前称国土资源部）(https://www.mnr.gov.cn/sj/).

2.3. 研究方法

2.3.1. 空间一致性评估

一致性评估是一种在缺乏客观参考标准的情况下，用于评估多源产品可靠性的方法。它通常用于数据集之间的相互验证（华等，2018）。该方法假设每个土地覆盖数据集所采用的数据和方法是合理的。每个数据产品预计在不同程度上接近土地覆盖的真实值。换句话说，数据的很大一部分与实际情况一致或密切代表实际情况，同时也存在一部分错误判断的数据（陆等，2017）。在这种方法中，每组产品被视为对实际状态的专家判断。不同数据集对给定空间单元或时期的土地覆盖类型或定量特征的判断一致性水平被用作评估数据可靠性可能性的指标（陈等，2019）。一致性比率（CR）定义如下：

C R_{j} = \frac{M_{j}}{\frac{1}{k} \sum_{j = 1}^{k} N_{j}} \times 100 %

其中：

M_{j}

表示在同一位置上，产品

j

的像素数量，其覆盖类型为农田；

N_{j}

表示产品

j; k

中的农田像素数量，{{4}} 表示农田产品的数量。一致性越高，数据产品越可能是稳健的（Fritz et al., 2011）。

为了评估耕地产品与调查数据之间的一致性和差异，我们计算了每个数据集与基于耕地比例的官方统计数据之间的均方根误差（RMSE）。同时，我们对数据集与调查数据进行了相关性分析。RMSE 和相关系数

(R)

的计算方法如下（Pérez-Hoyos 等，2017）：

\begin{aligned} R M S E = \sqrt{\frac{\sum_{i = 1}^{n} {(x_{i} - y_{i})}^{2}}{n}} \\ R = \frac{\sum_{i = 1}^{n} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sqrt{\sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2} \cdot \sum_{i = 1}^{n} {(y_{i} - \bar{y})}^{2}}} \end{aligned}

其中：

x_{i}

和

\bar{x}

是单位

i

的面积比和在耕地数据集中计算的所有单位的平均面积比；

y_{i}

和

\bar{y}

分别是单位

i

的统计面积比和统计的面积比的平均值；

n

表示单位的数量。RMSE 越大，离散度越高，而更大的

R

则表示拟合优度更高（Claverie 等，2013）。

2.3.2. 混淆矩阵

混淆矩阵是卫星制图中最常用的评估方法之一，是评估不同产品准确性的基本指标（Brovelli et al., 2015）。在中国，分类准确性的评估基于五组全球土地覆盖数据和测试样本的混淆矩阵，从而计算出 Kappa 系数、总体准确率（

O A

）、遗漏错误和 commission 错误。

O A = \frac{\sum_{i = 1}^{n} x_{i i}}{N}

卡拉

= \frac{N \sum_{i = 1}^{n} x_{i i} - \sum_{i = 1}^{n} x_{i} x_{j}}{N^{2} - \sum_{i = 1}^{n} x_{i} x_{j}}

其中：

N

表示参与样本的总数；

n

是混淆矩阵的维度；

x_{i i}

是对角线上的样本数量；

x_{j}

和

x_{i}

表示列

j

和行

i

中样本的总数。

2.3.3. 分层优化协同方法 (SOSA)

SOSA 的一个基本原则是，现有卫星基础农田地图产品之间一致性较高的像素更可能是真正的农田像素（Fritz 等，2011；Lu 等，2020）。SOSA 将从统计数据中获得的农田面积分配给高概率为可耕地的像素，并自适应调整农田分布，直到累计农田面积与统计数据相匹配。该过程包括两个主要步骤：确定最佳协议水平和识别最佳产品组合。在本实验中，我们利用上述五个现有土地覆盖数据集来开发最终的农田地图，具体操作将在以下小节中阐明。

协议级别在整合各种遥感地图以开发丰富数据集方面发挥着关键作用（见等，2015）。最初，使用了次国家统计数据来评估准确性并为输入的耕地地图建立权重。值得注意的是，被评估的输入产品的质量可以显著影响协同的信心。随后，根据这一准确性和协议确定了一致性排名分数。对于每个输入产品，每个单位的耕地面积计算如下：

a_{i, j} = \sum_{m = 1}^{N} (S_{m} \times P_{m})

其中

a_{i, j}

表示由输入产品

i

估算的单位

j

的耕地面积；

P_{m}

表示数据处理后像素

m

中的耕地百分比；

S_{m}

表示通过等面积投影计算的像素面积；

m

表示标记为耕地的像素。此外，计算统计数据与由输入产品

i

估算的耕地面积之间的绝对差异

A D_{i, j}

以评估输入地图的准确性。

A D_{i, j} = abs (\frac{a_{{NBS}_{j} j} - a_{i, j}}{a_{{NBS}_{, j}}})

其中

a_{NBS, j}

是来自国家统计局的单位

j

的耕地面积统计数据。较低的

A D_{i, j}

值表示与官方统计数据的更好一致性，并且输入地图的排名更高。

协议排名分数是通过描绘输入产品的一致性和排名的表格生成的。在处理五个输入产品时，通常将它们标记为 A、B、C、D 和 E，从高到低排名。一致性水平范围从 0 到 5，表示识别一个像素为农田的输入产品数量。由于五个输入产品有 32 种排列组合

(2^{5} = 32)

，分数范围从 0 到 31（表 3）。更高的分数表示像素为农田的可能性更高。一致性水平为 5 表示所有输入产品将该像素分类为农田，赋予该像素最高分数 31。相反，一致性水平为 0 表示所有产品将该像素分类为非农田，导致最低分数为 0。对于其他一致性水平，产品有多种排列组合。例如，当一致性水平为 3 时，有十种可能的组合，分数值范围从 16 到 25。在

A, B

和 C 排名较高的情况下，如果所有三个都指示为农田，则分数值设定为 25，这高于其他组合。通过遵循这些指导方针，确定了包含五个输入产品的完整评分表的值，这些值随后用于将输入耕地层转换为协议排名图。

图 3 显示了五个输入产品的统计分配流程图。最初，选择了得分最高的 31 个像素，并计算了它们的总面积。

A_{31} = \sum (S_{31, m} \times P_{31, m})

其中

P_{31, m}

和

S_{31, m}

是标记为得分 31 的像素

m

的平均百分比和像素面积。如果面积远低于统计数据，则选择第二高一致性等级的农田像素，即得分为 30，并由此计算总面积。得分为 30 及以上的累计农田面积与统计数据进行比较。如果累计面积与统计数据非常接近，则将得分为 31 和 30 的像素指定为农田像素；否则，将包括得分较低的像素，直到累计面积等于统计数据。如图 3 所示，当得分为 29 的累计面积与统计数据最接近时，得分范围在 29 到 31 之间的像素被视为农田。总体而言，得分值表示输入产品之间的一致性，反映了农田像素的置信水平。为了将得分标准化到相同的尺度，采用了归一化过程，最终得到的置信水平值范围在

0 %

到

100 %

之间。

3. 结果

3.1. 协议分析

图 4 展示了五个农田制图数据集的一致性和不一致性区域。值 1-5 表示像素单元之间的一致性水平。值越高，表示一致性水平越大。例如，值为 1 表示只有一个数据集将像素单元分类为农田，而值为 5 则表示所有五个数据集之间完全一致。尽管区域间一致性的比例每年有所变化，但共识保持相对稳定，南部地区的空间一致性水平较低，而北部地区的水平较高（图 4a、b 和 c）。总体而言，这些数据集为东北平原、黄淮海平原和长江三角洲提供了一致的结果。平坦的地形和相对简单的自然环境。

表 3

五个输入产品的排名评分表。

输入产品的协议级别	得分	A	B	C	D	E	输入产品的协议级别	得分	A	B	C	D	E
0	0	0	0	0	0	0	3	16	0	0	1	1	1
1	1	0	0	0	0	1		17	0	1	0	1	1
	2	0	0	0	1	0		18	1	0	0	1	1
	3	0	0	1	0	0		19	0	1	1	0	1
	4	0	1	0	0	0		20	1	0	1	0	1
	5	1	0	0	0	0		21	1	1	0	0	1
2	6	0	0	0	1	1		22	0	1	1	1	0
	7	0	0	1	0	1		23	1	0	1	1	0
	8	0	0	1	1	0		24	1	1	0	1	0
	9	0	1	0	0	1		25	1	1	1	0	0
	10	0	1	0	1	0	4	26	0	1	1	1	1
	11	0	1	1	0	0		27	1	0	1	1	1
	12	1	0	0	0	1		28	1	1	0	1	1
	13	1	0	0	1	0		29	1	1	1	0	1
	14	1	0	1	0	0		30	1	1	1	1	0
	15	1	1	0	0	0	5	31	1	1	1	1	1

注意：0 表示没有耕地，1 表示有耕地。

图 3. 使用五个输入产品进行农田面积统计分配的方法概述。

景观和集中、均匀分布的农田使每个产品组能够准确提取这些地区的耕地。空间一致性从主要粮食种植区逐渐降低到农业与畜牧生态过渡区，然后到草原及其周边地区。在东北平原的情况下，松嫩、辽河和三江平原作为主要的粮食生产区，表现出最高的一致性水平，其次是北方农牧生态过渡区，而在蒙古高原的牧区带观察到的一致性最低。

根据中国科学院的物理地理分区，研究区域被划分为七个部分，如图 4 所示，以调查耕地数据集一致性的区域差异。其中，东北地区的完全一致性比例最高（65%），其次是东部和中部中国，均超过 50%，而南部和西南部中国的一致性比例较低，约为

20 %

（图

4 a_{1}, b_{1}

和

c_{1}

）。横向来看，东北地区约占总量的

30 %

，东部中国占超过

20 %

，南部中国则贡献不到

5 %

。此外，省级的空间一致性比例在不同年份之间存在差异（图

4 a_{2}, b_{2}

和

c_{2}

）。在 2000 年，黑龙江、河南和山东省的一致性最高，占总量的约

70 %

，而西藏、贵州和福建省的一致性最差，占不到

10 %

。到 2020 年，黑龙江和吉林的一致性最高，尽管它们的份额有所下降。卫星图像中农田的光谱和纹理特征在某些地区难以区分

图 4. 多区域中国输入映射数据集的一致性分布。

具有不规则地形、破碎的景观以及与其他陆地特征交错的农田，主要位于南部地区（Lu et al., 2017）。因此，这些地区的遥感影像分类被证明是复杂的，导致这些农田产品之间的符合度较低。

图 4d 展示了五组农田数据在海拔和坡度方面的空间一致性变化。在海拔低于 20 米的平原和海拔在 20 到 200 米之间的丘陵地区，高度一致和完全一致的比例更为明显，表明这些地区的数据集之间具有较强的一致性。随着海拔的增加，一致性下降，海拔在 500 到 1500 米之间的地区主要分布在蒙古高原、塔里木盆地、黄土高原和云南-贵州高原。这些地区以山地地形和破碎的地貌为特征，使得农田提取变得困难，导致一致性水平较高（37.5%）。海拔超过 1500 米的地区主要位于西北藏高原，表现出高达

50.6 %

的一致性率。同样，坡度小于

2^{\circ}

的地区主要分布在地势相对简单的平原和盆地，适合农业耕作。这导致农田提取的一致性更好，

20.1 %

和

44.2 %

显示出高度和完全一致。在

2 - 6^{\circ}

的坡度范围内，不一致的比例增加到

22.9 %

，而完全一致的比例减少到

19.4 %

。坡度在

15 - 25^{\circ}

及以上的地区主要分布在青藏高原及其周边，不一致分别占

58.5 %

和

74.0 %

。总体而言，土地覆盖分类的准确性在

西南、西北和华南地区，由于地形坡度显著，受地形和粗糙度的影响很大。然而，当地形和粗糙度达到一定水平时，由于不适合人类开发，土地覆盖类型变得相对简单，主要是非耕地（张等，2015）。这种土地覆盖分类一致性的稳定性源于土地对农业利用的有限适宜性。

3.2. 准确性评估

图 5a 显示了从五个数据集中获取的耕地面积与统计数据之间的偏差。每个数据产品的耕地比例估计各不相同，并在很大程度上存在高估或低估的情况。具体而言，CLCD 在东北、西北和华北地区分别低估了耕地面积

4.0 %

、

2.1 %

和

2.0 %

，而中部和南部中国的估计相对一致。GLC_FCS30 在东北和华北地区也低估了耕地面积

4.4 %

和

2.8 %

，但在东部、中部和南部中国高估了

3.3 %, 2.1 %

和

2.6 %

，这与西北地区的统计数据大致一致。Globeland30 在东北和华北地区的耕地估计偏差约为

5.9 %

和

3.1 %

，与中部中国的统计数据一致。GlobalCrop 在东北和东部中国高估了耕地面积

2.1 %

和

2.6 %

，而在西南和南部中国则低估了。在中国东部、中部和南部，ESA_CCI 估计的耕地面积为

3.8 %, 2.0 %

，比统计数据高出

2.6 %

，而在东北和北方中国则显著低估，偏差分别为

3.5 %

和

4.5 %

。图 5b 展示了整体准确性估计，使用基于各区训练样本的误差矩阵。在北方和东北中国，GlobalCrop 达到了最高的整体准确性（

84.0 %

和

85.1 %

）。在中部和南部，中国土地覆盖数据集（CLCD）达到了最高的准确性（

89.5 %

和

87.7 %

），而 Globeland30 在西北地区表现尤为出色，整体准确性为

86.1 %

。这些输入映射数据集在各区进行了排名，以创建相应的评分表，基于整体准确性。

3.3. SOSA 开发的耕地制图

图 6a 显示了输入制图产品中利用的平均耕地百分比。绿色区域代表较低的百分比，而蓝色区域则表示较高的百分比。平均百分比在同质区域往往较高，而在异质区域则较低，特别是在东南丘陵、南中国山脉和西南高原。每个省被视为协同处理的操作单元。对于每个省级单位，耕地面积的一致性水平从高到低进行汇总，并与统计数据进行比较，以确定最佳协议水平。图 6b 描绘了每个省区的最佳协议水平，从东到西逐渐降低。具体而言，河南和山东

图 5. 耕地产品与统计数据之间的整体准确性和偏差。主要粮食生产地区的省份，达到了最高的协议水平五，表明协议水平五中的总耕地面积可以进行统计分层。在江苏、安徽、江西等东部沿海省份，以及中下游长江平原，最佳协议水平为 4。在五个西北省份，协议水平降至 3，而在贵州、西藏和云南省，协议水平为 2。这些地区由于复杂的地形和破碎的景观，表现出混合像元单元，导致数据集之间的协议较低。相比之下，福建的协议水平最低，为 1。根据第三次土地调查的主要数据公报，福建的耕地面积报告为 9320 万公顷，输入制图数据中标记为耕地的总像元面积满足统计要求。

每个农田地图的整体准确性是针对每个空间单元计算的，它们的集体表现用于对各自的数据集进行排名。随后，为每个地理单元创建了映射产品组合的评分卡，并使用校准统计确定这些输入产品的最佳组合。如图 6c 所示，在丘陵和高原地区（例如，东南丘陵、西藏高原和云南-贵州高原）观察到低一致性区域，而高一致性百分比的区域主要位于平原和盆地（例如，东北平原、华北平原、汾河-渭河盆地），与实际情况相符。对于农田百分比图上的每个像素单元，根据这些输入产品的一致性值分配了一个置信水平。较高的一致性值通常表示更可靠的解释，置信水平的定义范围从 5（最高）到 1（最低）。因此，农田置信图详细展示了协同过程的结果（图 6d）。

3.4. 协同耕地的比较与验证

图 7 展示了农业统计数据中耕地面积百分比与各省耕地数据集估算值之间的关系。对这些单独的耕地数据集进行比较显示，协同图与统计数据的符合程度最高，具有最低的均方根误差（RMSE）

0.21 %

和高达 0.97 的相关系数

(R^{2})

。值得注意的是，CLCD 相比其他四个数据集取得了更优的

R^{2} (0.93)

和更低的 RMSE（

0.68 %

）。这可能归因于 CLCD 的分类结果与中国的相关性更强，而不是其他全球土地覆盖图。相比之下，GlobalCrop 的数据点明显偏离 1:1 线，具有更高的 RMSE（

0.81 %

）和较低的

R^{2}

（0.86）。这种偏差可能归因于 GlobalCrop 对耕地的定义，包括各种马赛克类型。例如，GlobalCrop 涵盖了用于全年种植和多年生草本作物的土地，这些作物用于饲料、生物燃料和人类消费（Potapov 等，2021）。由于碎片化的景观斑块导致混合像素的存在，分类结果和不同产品之间以及与统计数据相比的农田面积估计存在差异。总之，协同图与统计数据的吻合度更高，证明了这种方法在解决卫星农田图与部门统计数据之间不一致性方面的有效性。

表 4 列出了五个农田数据集及其在训练样本区域内的协同图的准确性评估结果。GlobalCrop 在这些输入数据集中表现出最高的空间位置可靠性，Kappa 系数为 0.64，总体准确率为

87.7 %

。CLCD 和 GlobeLand30 紧随其后，总体准确率分别为

86.1 %

和

85.6 %

，Kappa 系数分别为 0.64 和 0.63。相比之下，ESA_CCI 和 GLC_FCS30 表现出较低的位置可靠性，总体准确率分别为

84.1 %

和

84.0 %

，Kappa 系数分别为 0.59 和 0.60。具体而言，CLCD 的误分类率为

34.6 %

，并且遗漏率。

图 6. 基于五个耕地制图数据集的协同结果：(a) 平均耕地百分比；(b) 最优一致性水平；(c) 耕地百分比图；(d) 耕地置信度图。

图 7. 来自统计数据的耕地百分比散点图和 CLCD（a）；GLC_FCS30（b）；Globeland30（c）；GlobalCrop（d）；ESA_CCI（e）和协同图（f）的估算值。

17.6 %

的比率，主要在西南和东北地区（图 8a）。GLC_FCS30 的误分类率较高（39.13%），但遗漏率较低

(17.3 %)

，大多数遗漏的耕地集中在西北。GLC_FCS30 中耕地的高误分类率可能归因于将东南部的大块花园和林地错误分类为耕地。GlobeLand30 显示出最低的耕地遗漏率，但误分类率较高，错误标记的耕地

表 4

五个数据集与协同图之间评估参数的比较。

评估参数	CLCD	GLC_FCS30	全球土地 30	全球作物	ESA_CCI	协同农田
整体准确率（%）	86.07	83.95	85.63	87.72	84.06
卡帕系数	0.637	0.595	0.633	0.640	0.586
佣金错误（%）	34.58	39.13	35.98	24.86	38.16
遗漏错误 (%)	17.58	17.34	15.70	31.14	0.816

图 8. 样本区域内漏标耕地和错误标记耕地的空间分布。

主要分布在中国西南地区（图 8c）。GlobalCrop 的耕地误分类率最低，但遗漏率较高，主要集中在中国西部（图 8d）。此外，ESA_CCI 的耕地误判率为

38.2 %

，耕地遗漏率为

21.6 %

。

（图 8e），均低于 GLC_FCS30 和 GlobalCrop。这表明，当采用合适的技术时，低空间分辨率数据也可以实现正确的分类。协同耕地地图的准确性是通过误差矩阵进行评估的。

图 9. 2000-2020 年中国耕地的时空动态分布。

验证样本（图 8f），验证结果见表 4。协同图的整体准确率达到了

93.3 %

，Kappa 系数为 0.82。耕地的漏报率和漏报率分别为

12.9 %

和

7.8 %

，均低于前面提到的单个数据集的观察值。这表明协同方法可以利用多个数据集创建更准确的混合图。SOSA 的整体准确率提高反映了在这些实验中采用的融合方法的可行性和可追溯性，并标志着多源耕地数据成功整合为具有科学改进特征的新精炼数据集。

3.5. 中国耕地分布的时空动态

对输入产品及其协同图的空间分析被用来辨别中国耕地在栅格层面的演变特征和模式（图 9）。在过去二十年中，整体耕地分布相对稳定，动态特征表现为区域差异和微妙变化。在宏观层面，耕地重心向西北和东北方向移动，这一变化受到南方高质量耕地减少的推动，南方的水和温度条件更适合其他土地用途。在微观层面，这一变化体现在城乡之间耕地资源的重新分配，以及对坡地荒地的开垦以扩大耕地面积。直到 2005 年，总耕地面积持续快速下降，年均减少 278,000 公顷。导致这一下降的因素包括生态修复、建设用地占用、自然灾害造成的损失以及农业结构调整（段等，2021）。随后，中央政府实施了一系列严格的措施和保护制度。高质量的耕地得到了建立，地方政府被要求负责维护其行政区内的耕地面积和受保护的基本农田，这在当前的国土空间规划中有所概述。具体政策包括耕地红线的划定、农业税的取消以及建立基本农田保护的常态机制（田等，2021）。这些措施在一定程度上有效遏制了因土地滥用或非法占用而导致的耕地减少趋势。然而，尽管对非农业用地侵占采取了严格的反制措施，2010 年至 2020 年间耕地面积的减少仍然是由于土地绿化和农业结构调整（胡等，2020）。随着保护政策的深入推进，土地管理模式、方法和技术措施的持续改进与提升，以及耕地平衡等保护制度的严格实施（钟等，2022），中国的耕地总面积总体上保持了动态平衡。

在此期间，耕地约占总土地面积的 63%，这一点在协同耕地地图中得到了体现。耕地主要集中在东部季风区的平原、盆地和低丘陵地区。另一方面，不稳定耕地主要出现在中国东部和南部，这些地区是经济最发达、人口密度最高的地区。这些地区面临着农业土地资源流失的更大风险（张等，2015）。耕地的快速减少在长江经济带、珠江三角洲和北方生态带尤为明显，约 22%的耕地被转为非耕地使用。值得注意的是，东南沿海地区的耕地减少，受到持续城市化、社会经济增长和建设用地扩张的驱动，仍然是一个具有挑战性的问题（钟等，2022）。在干旱和半干旱地区，生态倡议，如植被恢复，特别是在林地和草地，显著促进了耕地的减少（段等，2021）。相反，新耕地的增加主要发生在中国西北和东北地区，约有 17%的原用于其他目的的土地被转为耕地。新疆、内蒙古、甘肃和宁夏等地区通过开垦盐碱地、荒地、裸地和以前未使用的土地，显著提高了储备耕地资源的利用率。相比之下，东北地区耕地的增加主要涉及草地、林地、未使用土地的转化以及农村发展的土地整合。

关于各省耕地变化（图 10），观察到在研究期间，

70.9 %

个省的耕地面积有所减少。值得注意的是，山东、河南、江苏、四川和河北省的耕地面积显著下降。这些省份以广泛的农业和高人口密度为特征，但面临人均耕地可用性低和储备资源有限等挑战。近期城市扩张导致农业用地征用增加，加剧了耕地流失的风险。此外，人为耕地弃耕、生态修复努力和灾害相关损害也加大了保护当地耕地的困难（曾等，2023）。相比之下，新疆、黑龙江、内蒙古、山西和宁夏省的耕地面积显著增加。特别是新疆新增了 319 万公顷耕地，占全国总增加量的约

40 %

。内蒙古和黑龙江也做出了重要贡献，分别占总增加量的

25 %

和

15 %

。这些省份对中国耕地变化有着显著影响，逐渐实现了减少与扩展耕地之间的平衡。这得益于灌溉和水土保持基础设施的改善、农业技术投资的增加、大规模的土地复兴努力以及耕地轮作的试点项目。这些举措在维持全国耕地整体稳定方面发挥了关键作用。

4. 讨论

4.1. 结果解释

在广阔区域内准确且经济高效地绘制农田是一项既引人入胜又充满挑战的工作。本研究介绍了一种新颖的协同方法，称为 SOSA，旨在实现绘图精度与经济性的最佳平衡。该方法充分利用统计数据与土地覆盖数据集之间的互补性，通过将所有可用的卫星地图和统计数据合并为一个统一的产品。它因其在通过对可用土地覆盖数据集应用明确协议进行绘图的可行性和可靠性而获得认可。SOSA 方法的基础是输入农田产品之间的协议，其中输入农田地图根据农田面积统计进行排名。构建了一个评分表以描绘输入产品的一致性。核心原则是将次国家级别的统计数据分配给具有更高农田评分的像素，然后整合相应的结果以得出最终的农田范围。在实际操作中，我们应用该方法生成混合中国耕地地图，利用多个可用的遥感产品和次国家统计数据。主要结果强调，协同地图的表现优于单独的输入地图，并与统计数据更为一致。这证实了协同方法提高制图准确性和增强与统计来源一致性的能力。

显著的是，评分分配在确定遥感地图产品组合中发挥了关键作用。SOSA 简化了评分方法，消除了对训练样本的需求，这使其与其他协调方法不同。以前的方法涉及创建大量静态评分表，以区分农田和非农田，对于

n

个输入产品，有

2^{n}

种可能的评分组合，这使得该过程耗时且复杂。

北京 (BD); 天津 (TJ); 河北 (HEB); 山西 (SX); 内蒙古 (IM); 辽宁 (LN); 吉林 (JL); 黑龙江 (HLJ); 上海 (SH); 江苏 (JS); 浙江 (ZJ); 安徽

(AH);

; 福建 (FJ); 江西 (JX); 山东 (SD); 河南 (HEN); 湖北 (HUB); 湖南 (HUN); 广东 (GD); 广西 (GX); 海南

(HN)

; 重庆

(CQ)

; 四川

(SC)

; 贵州

(GZ)

; 云南

(YN)

; 西藏

(TB)

; 陕西

(SHX)

; 甘肃 (GS); 青海

(QH)

; 宁夏 (NX); 新疆

(XI)

图 10. 2000 年至 2020 年中国各省耕地变化。

劳动密集型（Fritz et al., 2013）。相比之下，SOSA 确定了最佳协议级别，并为每个单位建立了动态评分表。评分表是离散的，其分配规则可以适应各种耕地制图应用（Lu et al., 2017）。大多数省级单位的最佳协议级别范围从 2 到 4，形成了构建评分表的基础，显著减少了其体积并提高了效率。虽然一些基于网络的解决方案和在线平台众包样本，如 LACO-Wiki (https://laco-wiki.net/), Collect Earth (https://www.collect.earth/), 和 Geo-Wiki (https://www.geo-wiki.org/), 积累了大量的地面真实样本，但评估其可靠性仍然是一项具有挑战性的任务（Schepaschenko et al., 2015; See et al., 2015）。更重要的是，样本质量和不确定性相关的问题不能被忽视，因为这些样本主要是由志愿者收集的（Chen et al., 2019），即使验证方法有良好的文档记录，其应用也需要相当的专业知识。

由于这些统计数据来源于实地调查和航空照片的视觉解读，SOSA 假设这些统计数据代表实际的耕地面积。这些统计数据随后与每个省级单位内现有的数据集整合，以分配等效的面积。SOSA 的优势在于其将卫星影像的空间信息与经过验证的地面观测统计数据相结合，考虑了耕地的土地利用变化特征。然而，值得注意的是，协同图中呈现的耕地面积与统计数据大致一致，但并不完全一致，这主要是由于卫星地图与行政统计之间固有的空间尺度差异。如图 9 所示，GLC_FCS30、Globeland30 和 ESA_CCI 估算的耕地面积往往高于统计数据，主要是由于像素混合和马赛克耕地类别。为了解决这个问题，根据类别方案定义，预先确定的百分比权重被分配给输入产品，并计算均匀网格内的平均耕地百分比以进行分辨率标准化。与传统的二元耕地或非耕地地图不同，生成了一张耕地百分比地图，该地图在统计上与数据一致。确定耕地类别的适当权重分配超出了本研究的范围，但这是一个值得在未来研究的主题，因为它可能会影响最终地图的结果。

4.2. 限制与展望

尽管从多个来源提取农田在这项实证研究中已被证明是可行的，但我们也意识到这种方法存在某些不确定性。如前所述，这里描述的方法在很大程度上依赖于输入层的准确性和范围以及次国家统计数据的可靠性，类似于大多数模型。首先，农田定义中的差异和模糊性可能会影响这些制图产品之间的一致性。例如，某些包含灌木和丘陵地区农田的马赛克类别在 GLC_FCS30 和 ESA_CCI 中很常见，而 GlobalCrop 将一年生和多年生作物分类为农田，但 CLCD 将其分类为森林，从而导致农业-牧场生态带的不确定性。此外，农业景观在确定协同农田地图输入数据集的一致性方面也发挥着关键作用（Peng et al., 2017）。农田置信度地图可以视为制图质量的空间显性指标，在同质区域中输入数据集之间的一致性较高，而在选定的累积区域中排名得分也较高。相反，在异质区域内低一致性使得协同结果更加不确定。这表明，异质区域内农田产品的有限精度和相关不确定性阻碍了它们的有效性，因此在这些区域需要更全面的准确性方法，以提高协同结果的质量。随着未来高质量数据的增加，预计协同地图将进一步改善。

对遥感产品类别准确性的探索性分析为多源辅助数据集的融合提供了重要的先验知识。通过结合基本准确性评估，可以更全面地评估制图产品的质量。

一致性评估，从而补偿偏差或不直观的个体评估结果。信息融合技术在土地覆盖分类制图中的应用是全球变化研究中的一个显著趋势，特别是考虑到多源数据的共存和整合，解决了单一土地覆盖数据集在研究应用中日益突出的不足问题。协同融合是一种多层次、多方面的数据处理过程，可以用来解决数据分类系统之间的不兼容性，并在一定程度上提高映射数据的可靠性和稳健性，从而扩展时空感知范围。假设改进的协同图也被整合到空间显式模型中，以减少与农田面积相关的不确定性，这将进一步增强在土地利用变化、气候变化、全球植被和地球系统建模等领域的预测应用。

5. 结论

我们的研究将现有的全球土地覆盖产品进行协同组合，以提高中国农田估算的准确性。这种方法非常适合减少遥感数据与国家农田统计之间的地方差异。我们引入了一种基于遥感图像和统计数据的新校准方法，并验证了生成的农田地图。与传统的评分分配方法相比，这种方法在实现数据集协同方面具有显著的潜力。它还具有适应性，允许在新产品可用时无缝集成。初步证据和比较表明，协同地图的准确性和统计一致性优于原始的单独制图产品。此外，这种方法可以扩展到当前关注的农田制图之外，覆盖整个大陆甚至全球范围。它适用于多种土地覆盖类型，包括森林、草原和水体。然而，我们的评估也表明仍有改进的空间，因为这里描述的方法在很大程度上依赖于输入层的准确性和覆盖范围，以及次国家统计数据的可靠性。随着可预见的未来更多高质量数据的可用，这一映射预计将进一步完善。

数据可用性

这些生成的协同耕地地图是开放获取的，可以在 https://doi.org/10.7910/DVN/J8WB8T 上找到。所有应用于协同耕地制图的注释代码都在此网站共享：https://dat averse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/ SECLXQ。

CRediT 作者贡献声明

刘小杰：方法论、软件、可视化、数据管理、撰写初稿、撰写审阅与编辑。金小彬：概念化、验证、撰写审阅与编辑、项目管理。罗秀丽：正式分析、调查、资源、数据管理、可视化。周银康：资源、监督、资金获取。

竞争利益声明

作者声明不存在利益冲突。

致谢

本研究得到了中国国家自然科学基金（编号：41971234 和编号：41971235）、中国国家社会科学基金重大项目（编号：19ZDA096）以及沿海区域开发重点实验室开放基金的资助。

保护，自然资源部，中国（编号：2021CZEPK07）。

参考文献

Akpoti, K., Kabo-bah, A., & Zwart, S. (2019). 农业用地适宜性分析：最新进展及气候变化分析整合的展望。《农业系统》，173，172-208。

贝克-雷谢夫, I., 贾斯蒂斯, C., 巴克, B., 汉伯, M., 伦博尔德, F., 博尼法西奥, R., 扎帕科斯塔, M., 布德, M., 马加兹迪雷, T., & 希托特, C. (2020). 加强面临粮食不安全风险国家的农业决策：GEOGLAM 作物监测早期预警系统. 环境遥感, 237, 文章 111553.

Benhammou, Y., Alcaraz-Segura, D., Guirado, E., Khaldi, R., Achchab, B., Herrera, F., & Tabik, S. (2022). Sentinel2GlobalLULC：一个用于全球土地利用/覆盖制图的哨兵-2 RGB 图像切片数据集，结合深度学习。科学数据，9，681。

Brovelli, M., Molinari, M., Hussein, E., Chen, J., & Li, R. (2015). 全球土地 30 的首次国家级全面精度评估：方法论与结果。遥感, 7, 4197-4212。

陈, D., 陆, M., 周, Q., 肖, J., 汝, Y., 魏, Y., & 吴, W. (2019). 两种协同方法在混合农田制图中的比较. 遥感, 11(3), 213.

陈华，谭勇，肖伟，何涛，徐晟，孟飞，李晓，熊伟。（2023）。中国过去 20 年补充耕地利用的连续性和效率评估：耕地废弃的视角。《清洁生产杂志》，388，文章 135987。

Claverie, M., Vermote, E., Weiss, M., Baret, F., Hagolle, O., & Demarez, V. (2013) 在法国西南部农田上验证粗空间分辨率的 LAI 和 FAPAR 时间序列。环境遥感, 139, 216-230.

Crane-Droesch, A. (2018). 农业中作物产量预测和气候变化影响评估的机器学习方法。环境研究快报, 13, 文章 114003。

段杰，任超，王思，张晓，雷斯，徐静，顾斌。（2021）。农业用地的整合可以促进中国的农业可持续性。《自然食品》，2，1014-1022。

Duro, J., Lauk, C., Kastner, T., Erb, K., & Haberl, H. (2020). 全球食品消费、耕地需求和土地利用效率的不平等：一项分解分析。全球环境变化, 64, 文章 102124。

弗里茨, S., 西, L., 你, L., 贾斯蒂斯, C., 贝克-雷谢夫, I., 比德克尔克, L., 库马尼, R., 德福尔尼, P., 埃尔布, K., 福利, J., & 吉利亚姆斯, S. (2013). 需要改进全球农田地图. Eos, 美国地球物理联盟会刊, 94, 31-32.

Fritz, S., You, L., Bun, A., See, L., McCallum, I., Schill, C., Perger, C., Liu, J., Hansen, M., & Obersteiner, M. (2011). 撒哈拉以南非洲的农田：使用五个土地覆盖数据集的协同方法。地球物理研究快报, 38, 文章 L04404。

Gumma, M., Thenkabail, P., Teluguntla, P., Oliphant, A., Xiong, J., Giri, C., Pyla, V., Dixit, S., & Whitbread, A. (2020). 使用谷歌地球引擎云上的随机森林机器学习算法，从 Landsat 卫星时间序列大数据中提取的南亚农业耕地范围和面积。地理信息科学与遥感, 57, 302-322.

韩志，宋伟。（2020）。废弃农田：广西喀斯特山区的模式与决定因素。《应用地理》，122，文章 102245。

哈特菲尔德，J.，安特尔，J.，加雷特，K.，伊萨乌拉尔德，R.，马德，T.，马歇尔，E.，尼亚林，M.，罗伯逊，P.，& 齐斯卡，L.（2018）。农业系统中的气候变化指标。《气候变化》，163，1719-1732。

黄, J., Tichit, M., Poulot, M., Darly, S., Li, S., Petit, C., & Aubry, C. (2015). 可持续农业中多功能性和生态系统服务的比较评审. 环境管理杂志, 149, 138-147.

华, T., 赵, W., 刘, Y., 王, S., & 杨, S. (2018). 全球土地覆盖数据集的空间一致性评估：GLC2000、CCI LC、MCD12、GLOBCOVER 和 GLCNMO 之间的比较. 遥感, 10(11), 1846.

胡, Q., 向, M., 陈, D., 周, J., 吴, W., & 宋, Q. (2020). 2000 年至 2010 年全球耕地集约化超过扩张：基于 GlobeLand30 的时空分析. 《环境科学总论》，746，文章 141035.

Jung, M., Henkel, K., Herold, M., & Churkina, G. (2006). 利用全球土地覆盖产品的协同效应进行碳循环建模。环境遥感, 101,

534 - 553

.

梁志，孙丽，田志，费舍尔，颜华。（2023）。气候变化下中国粮食生产潜力的增加。《PNAS Nexus》，2，1-10。

李杰，韩杰，张颖，孙宇，彭博，谢晓，郭晨，叶华。（2022）。1996 年至 2019 年中国耕地时空变化及驱动因素分析。《环境科学前沿》，10，文章 983289。

刘, X., 巴克希, B., 鲁甘尼, B., 索萨, D., 巴雷, J., 约翰斯顿, J., 拉伦特, A., & 维罗内斯, F. (2020). 生态系统服务在生命周期评估中的量化与评估：级联框架在稻米种植系统中的应用. 《环境科学总论》，747，文章 141278.

刘涛, 刘华, & 齐勇. (2015). 城市化中国的建设用地扩张与耕地保护：来自 1996-2006 年全国土地调查的见解. 国际栖息地, 46, 13-22.

刘, Y., 孙, D., 王, H., 王, X., 余, G., & 赵, X. (2020). 中国农业绿色生产的评估：1978-2017. 清洁生产杂志, 243, 文章 118483.

刘, F., 张, Z., 赵, X., 王, X., 左, L., 温, Q., 易, L., 许, J., 胡, S., & 刘, B. (2019). 过去四十年中国耕地因城市扩张而损失的情况. 《环境科学总论》，650, 847-857.

刘, Y., 钟, Y., 马, A., 赵, J., & 张, L. (2023). 基于噪声标签学习的跨分辨率国家级土地覆盖制图：以中国为例。

- 通讯作者。南京大学地理与海洋科学学院，中国南京，210023。
电子邮件地址：jinxb@nju.edu.cn (X.-b. Jin)。