Набор данных о урожайности кукурузы, риса и сои с разрешением 10 м за 2016–2021 годы в Северо‑Восточном Китае

Почему эта карта посевов важна для повседневной жизни

Сколько продовольствия может произвести регион и как это меняется из года в год? Эти вопросы лежат в основе цен на продукты, доходов фермеров и национальной продовольственной безопасности. В этом исследовании представлена необычно детальная картина урожаев кукурузы, риса и сои по Северо‑Восточному Китаю — одному из зерновых поясов страны — с картированием урожайности каждые 10 метров за период 2016–2021 годов. Результат похож на переход от размытого спутникового снимка производства пищи к четкому крупному плану, раскрывающему различия от поля к полю, которые ранее были невидимы.

От грубых оценок к тонкоразмерным представлениям

В течение многих лет исследователи использовали спутники и статистику для оценки объемов производства продовольствия в мире. Существующие наборы данных охватывают огромные территории, но обычно на крупномасштабном уровне — десятки километров на пиксель — поэтому одно значение может объединять множество хозяйств с очень разными условиями ведения. Для национальных сводок этого может быть достаточно, но такие данные скрывают локальные проблемы, такие как плохой дренаж, неравномерное внесение удобрений или повреждения после штормов. Эта ограниченность особенно ощутима в Китае, где хозяйства часто небольшие, а практики ведения земледелия резко меняются на коротких расстояниях.

Новый способ «читать» посевы из космоса

Чтобы повысить детализацию, авторы объединили изображения европейских спутников Sentinel‑2, метеоданные и детальные карты размещения кукурузы, риса и сои. Они опирались на семейство моделей, оценивающих рост растений на основе солнечного излучения и условий окружающей среды, сосредоточившись на том, какое количество полезного света культуры фактически поглощают и превращают в биомассу. Вместо того чтобы полагаться на множество трудноизмеримых параметров полей — таких как точное содержание углерода в растениях или максимальная фотосинтетическая эффективность — они ввели две ключевые идеи: динамический индекс, фиксирующий эффективное количество света, доступного для фотосинтеза в реальных условиях, и единый коэффициент преобразования, переводящий эту энергию в урожай. Это позволило оценивать сборы без дорогостоящих измерений на каждом поле.

Преобразование света и погоды в карты урожайности

Новый индекс отслеживает, какая доля падающего света поглощается зелеными листьями с поправкой на температуру, фазу роста и водный стресс. Эти составляющие выводятся из спутниковых сигналов о вегетации и метеорологических записей. Коэффициент преобразования, калиброванный отдельно для каждого города, связывает этот энергетический показатель с официально зарегистрированными сборами за 2016–2021 годы. Суммируя индекс энергии за вегетационный период и применяя калиброванный коэффициент, модель формирует оценки урожайности для каждого пикселя с разрешением 10 метров по трем северо‑восточным провинциям. Команда затем сверяла эти оценки как с государственными статистическими данными, так и с полевыми измерениями из исследовательских станций.

Насколько хорошо это работает?

Метод уловил общие закономерности урожайности для всех трех культур и превзошел предыдущие подходы с более жесткими допущениями. Для кукурузы, риса и сои предсказания модели показали умеренную до сильной корреляции с официальной статистикой и полевыми данными, а типичные ошибки составляли около 12–14 процентов в зонах со средними и высокими урожаями. По сравнению с широко используемыми глобальными продуктами с разрешением 10 километров новые карты с разрешением 10 метров не только лучше совпадали по общему уровню, но и точнее описывали локальные различия. Авторы отмечают, что качество работы лучше всего в регионах с относительно стабильными, хорошо управляемыми посевными системами и несколько слабее в районах с низкой или крайне переменной урожайностью, например, там, где действуют вредители, бедные почвы или экстремальные погодные явления.

Что показывают карты о ключевом зерновом регионе

Шестилетняя серия карт демонстрирует, как распределяется производство кукурузы, риса и сои по Северо‑Восточному Китаю и как это меняется с течением времени. Урожайность кукурузы в целом снижается с востока на запад, риса — с запада на восток, а сои — с юга на север, что отражает различия в климате, почвах и агротехнике. Годовые сдвиги в этих картинах согласуются со статистикой на уровне уездов и указывают на влияние необычных событий, таких как наводнения или засухи. Поскольку карты разрешают отдельные поля, они также могут выявлять тонкие различия в ведении хозяйства внутри одного уезда — сведения, скрытые в более грубых национальных или провинциальных данных.

Что это значит для фермеров и продовольственной безопасности

Проще говоря, эта работа предлагает «высокодетализированный» региональный отчет о посевах, обновляемый ежегодно. Политики могут использовать его для выявления уязвимых районов, разработки более целевых мер поддержки и планирования зерновых резервов или торговли с большей уверенностью. Страховщики и кредиторы получают возможность точнее оценивать риски на уровне кластеров полей, а не целых уездов. Исследователи могут отслеживать долгосрочные тренды урожайности и проверять, как вариабельность климата или новые практики влияют на продуктивность. Хотя авторы предупреждают, что карты наиболее надежны в зонах со средними и высокими урожаями и пока не заменяют решения по управлению на уровне конкретного поля, они представляют собой важный шаг к доступному, последовательному и подробному мониторингу основных сельскохозяйственных культур в одном из важнейших зернопроизводящих регионов Китая.

Цитирование: Teng, F., Wang, M., Shi, W. et al. A 10 m maize, rice and soybean yield dataset from 2016 to 2021 in Northeast China. Sci Data 13, 344 (2026). https://doi.org/10.1038/s41597-026-06719-0

Ключевые слова: дистанционное зондирование сельского хозяйства, картирование урожайности, зерно Северо‑Восточного Китая, кукуруза рис соя, мониторинг продовольственной безопасности