Een meerjarig 30 m-dataset van de hoofdgewassen in Xinjiang, China (2013–2024) gebaseerd op geharmoniseerde Landsat–Sentinel-2-gegevens

Waarom gewaskaartlegging vanuit de ruimte ertoe doet

Een groeiende bevolking voeden in een opwarmende, uitdrogende wereld vereist dat we weten wat waar wordt geplant en hoe dat in de loop van de tijd verandert. In Xinjiang, een uitgestrekte en grotendeels aride regio in het westen van China die veel van het land’s katoen en granen produceert, is deze basale informatie verrassend moeilijk te verkrijgen geweest. De hier beschreven studie zet jaren aan satellietbeelden om in een gedetailleerde kaart van de belangrijkste gewassen in Xinjiang, en biedt boeren, planners en wetenschappers een nieuw venster op hoe dit droogtegevoelige graangebied wordt beheerd.

Een droog gebied met grote landbouwambities

Xinjiang beslaat een gebied van ongeveer een zesde van China, omringd door hoge bergen en woestijnbekkens. De meeste landbouw vindt plaats in groene oases die worden gevoed door rivieren en irrigatiekanalen, waar katoen, maïs, tarwe, rijst en boomgaarden domineren. Nationale beleidsmaatregelen en waterbesparende technologieën hebben geholpen van Xinjiang China’s grootste katoenproducent te maken, terwijl de granen van vitaal belang zijn voor de regionale voedselvoorziening. Toch maken dezelfde bergen, woestijnen en verspreide percelen die het landschap markant maken het ook lastig om alleen met traditionele enquêtes te monitoren. Tot nu toe besloegen beschikbare kaarten vaak slechts één gewas, enkele jaren of relatief grove detaillering.

Satellietmomentopnames omzetten in een jaarlijkse gewasatlas

De onderzoekers bouwden een nieuw kaartsysteem met behulp van geharmoniseerde Landsat–Sentinel-2-gegevens, een wereldwijd product dat de sterke punten van twee satellietvloten combineert in consistente weergaven van het aardoppervlak om de paar dagen met een resolutie van 30 meter. Ze richtten zich op twee eenvoudige indicatoren die satellieten kunnen meten: hoe groen het land is en hoeveel water aanwezig is in planten en bodem. Door te volgen hoe deze signalen gedurende het groeiseizoen stijgen en dalen, vingen ze het groeiritme van elk gewas, zoals de vroege piek van tarwe in het voorjaar, de lange zomerse stijging van katoen of de ondergelopen percelen van rijst.

Een slimme classificator leren velden te herkennen

Om deze seizoenspatronen in gewaslabels te vertalen, combineerde het team duizenden veld- en afbeeldingsgebonden monsters verzameld in 2018 en 2019 met een machine learning-methode bekend als random forest. Eerst filterden ze niet-landbouwgrond weg met behulp van een bestaande nationale landbedekkingskaart, zodat het model zich op echte percelen concentreerde. Vervolgens pasten ze vloeiende wiskundige krommen toe op de satellietsignalen, waardoor ruisige beeldreeksen veranderden in schone groeiprofilen. Het random forest leerde hoe verschillende gewassen zich doorgaans door het jaar gedragen en paste deze kennis daarna toe op elke geschikte satellietpixel in Xinjiang voor elk jaar van 2013 tot 2024.

Controleren hoe goed de kaarten overeenkomen met de werkelijkheid

Elke geautomatiseerde kaart behoeft zorgvuldige toetsing. Het team hield een deel van hun veld- en afbeeldingsmonsters achter als een onafhankelijke testset en vergeleek deze met de voorspellingen van het model. Voor de twee validatiejaren bereikten de meeste hoofdgewassen gebruikers- en producentenaccuraatheden boven de 83 procent, en kwam de totale nauwkeurigheid uit op 90 en 93 procent. Ze telden ook de in kaart gebrachte oppervlakte van elk gewas per district op en vergeleken deze waarden met officiële statistieken en met andere specialistische gewaskaarten voor katoen, maïs en tarwe. De satellietgebaseerde schattingen volgden deze onafhankelijke bronnen nauwgezet, vooral voor katoen, wat erop wijst dat de kaarten niet alleen vastleggen waar gewassen worden geteeld, maar ook hoe hun oppervlak in de loop van de tijd verschuift.

Wat dit betekent voor voedsel en milieu

Het resultaat van dit werk is een openbaar, 30 meter resolutie archief van Xinjiangs hoofdgewassen vanaf 2013, dat wordt geüpdatet naarmate nieuwe satellietgegevens binnenkomen. Voor niet-experts betekent dit dat vragen zoals hoe snel katoen is uitgebreid, waar maïs tarwe vervangt of hoe boomgaarden zich langs nieuwe kanalen verspreiden nu met helder visueel bewijs beantwoord kunnen worden. Hoewel de auteurs nog onzekerheden noemen, met name voor gemengde of kleinere gewasg r oepen, biedt de dataset een krachtig instrument voor het monitoren van regionale voedselproductie, het sturen van water- en ruimtelijk beleid en het bestuderen van de wisselwerking tussen landbouw en kwetsbare woestijn- en bergecosystemen.

Bronvermelding: Liang, Q., Di, Y., Hao, X. et al. A 30 m Multi-Year Dataset of Major Crop Distributions in Xinjiang, China (2013–2024) Based on Harmonized Landsat–Sentinel-2 Data. Sci Data 13, 730 (2026). https://doi.org/10.1038/s41597-026-07082-w

Trefwoorden: gewaskaartlegging, remote sensing, landbouw in Xinjiang, satellietgegevens, voedselzekerheid