2018–2022 年美国用于气候感知作物监测的大规模多任务多传感器数据集

为什么从太空观察农田很重要

在变暖的世界里养活不断增长的人口，依赖于在收获前很久就了解作物状况。热浪、干旱和季节变化会导致产量年际间大幅波动，进而深刻影响粮食价格和农民生计。然而，研究人员和农学家长期缺乏一个将卫星影像、天气、土壤与地面收获数据大规模整合在一起的综合性信息来源。本文介绍了 CropClimateX，这是一个面向美国、旨在填补该空白的开放数据库，帮助科学家构建更好的工具以预测作物胁迫、改进农场管理并增强粮食安全。

汇聚多重观察视角

CropClimateX 基于一个简单的理念：没有单一测量能完整描述作物在变化的天气下如何生长。因此，作者将多种“视角”缝合在一起。高分辨率光学卫星如 Sentinel-2 和 Landsat-8 展示了田块的绿度和植被密度；来自 Sentinel-1 的雷达数据补充了田地结构和湿度信息，即使在云层之下也能穿透；像 MODIS 这样的粗分辨率传感器则跟踪更大尺度的植被生长、叶面积与地表温度模式。除此之外，数据库还叠加了逐日天气记录、干旱指标、土壤特性（如质地和有机碳）、地形特征（如海拔和坡度）以及按县统计的各作物每年种植、收获和产量数据。

将全国划分为“聪明”小瓦块

一个关键挑战是美国国土辽阔，若要存储每一天每颗卫星的每个像素数据将难以为继。团队没有覆盖整个国家，而是将农田划分为许多精心挑选的小块，称为“minicube”。每个 minicube 覆盖 12×12 公里区域，包含所有相关卫星和天气数据的时间序列。在 2018–2022 年间，作者在 1,527 个县创建了约 15,500 个此类 minicube，重点覆盖主要的粮食和纤维作物：玉米、大豆、冬小麦、棉花和燕麦。这一设计使数据在现代计算机上可处理且紧凑，同时足够细致以捕捉相邻田块和管理区之间的差异。

用算法聚焦真实农田

为决定 minicube 的放置位置，研究者并未简单地在每个县上铺设固定网格。许多县包含城市、森林或湖泊，这些区域对作物监测无关紧要。因此，他们设计了两种优化策略，搜索既能覆盖尽可能多农田又能避免浪费面积的瓦块位置。一种方法是滑动网格算法（Sliding Grid Algorithm），通过缓慢移动规则网格直到它与田块对齐；另一种是遗传算法（Genetic Algorithm），通过测试、变异和重组候选布局模拟进化。通过结合两种方法的最佳方案，团队相比简单网格减少了 43% 的瓦块数量，但仍覆盖约 93% 的作物面积——在不牺牲有用信息的前提下大幅缩减了存储需求。

在农田上捕捉气候极端事件

CropClimateX 不仅是平均状况的地图；它还追踪对农民最重要的极端事件。作者将每个 minicube 与美国干旱监测（U.S. Drought Monitor）的周度干旱等级以及基于日温度计算的专门热浪和寒潮指标相连接。在 2018–2022 年间，几乎所有 minicube 在某些时间都经历过至少中度干旱，许多地区甚至出现严重或极端干旱。数据库还包含详尽的土壤和地形图层，使研究者能够探讨例如沙质土壤是否在干旱下更早受损，或坡度如何影响水分胁迫等问题。这些图层共同描绘出气候冲击如何在美国斑驳的田块网络中展开的丰富画面。

对未来收成的意义

对非专业读者而言，关键结论是 CropClimateX 将零散的卫星、天气和农场统计数据转化为任何人都能使用的单一、有序资源。由于 minicube 将产量与生长季节内的地表与天空状况对齐，它们为现代机器学习模型提供了理想的训练数据。这些模型可以学习预测产量、标记新出现的作物胁迫、测试哪些传感器最有信息量，或探索未来气候极端事件如何影响粮食生产。从实际层面讲，这意味着更好的预警、更智能的管理建议和更稳健的应对更热、更不稳定气候的规划——所有这些都基于覆盖美国真实农田的开放数据。

引用: Höhl, A., Ofori-Ampofo, S., Fernández-Torres, MÁ. et al. A large-scale, multitask, multisensory dataset for climate-aware crop monitoring in the US from 2018–2022. Sci Data 13, 72 (2026). https://doi.org/10.1038/s41597-026-06611-x

关键词: 作物监测, 遥感, 气候极端事件, 机器学习, 农业数据