当前（2024）与未来气候情景（2041–2100）下17种作物的全球适宜性数据集

为何作物的未来关系到每个人

随着全球人口增长和气候变暖，一个基本而紧迫的问题是：地球上哪些地方仍然适合种植我们的主粮？本研究通过绘制详细的全球地图来解答这一问题，展示当今及未来气候条件下不同地区对17种主要作物的适宜程度。这些地图可帮助农民、规划者和公众理解未来几十年内粮食生产可能发生的空间转移。

绘制作物能否繁茂生长的分布图

作者关注“作物适宜性”，即当地气候与自然条件在多大程度上能支持作物从种植到收获的完整生长周期。研究不是依赖过时的经验法则或粗糙的全球平均值，而是汇集了一个非常大、最新的数据库，反映现代作物品种的实际种植情况。研究结合了三类主要的作物出现数据来源：生物多样性数据库中的田间观测、来自卫星的精细作物地图以及一项近期的全球作物统计数据集。三者共同产出针对17种重要作物的数百万个出现点，包括小麦、水稻、玉米、大豆、根茎作物、油料作物以及棉花、甘蔗等工业作物。

将地球数据转化为作物适宜性图集

为了理解作物为何在特定地点出现，研究将这些作物位置与30个强烈影响植物生长的环境因子配对。这些因子涵盖景观的三个主要方面。地形数据描述地势高度与形状，包括海拔与坡度。土壤数据刻画质地、深度、盐分、有机质和养分。气象数据则捕捉降水、温度、辐射、土壤水分以及作物发育所需的积温。对于当前时段（2024），这些变量来自基于气象记录、水文估算和卫星观测的高分辨率全球产品。对于未来（2041–2100），作者使用来自最新一代全球气候模型的气候投影，并基于四种不同的社会经济与排放情景。

模型如何从土地中学习

在获得该综合数据集后，团队为每种作物分别训练一个使用随机森林算法的机器学习模型。对于每个样本点，模型会看到该作物是否出现以及相关的环境条件，然后学习区分有利于作物生长的地点与不利地点。为了避免过拟合并确保模型能有效跨区域迁移，作者采用了一种空间交叉验证方案，将训练与测试数据在地理上分离。他们还使用特征选择程序去除冗余预测变量，并用贝叶斯搜索对模型参数进行调优。结果模型达到很高的准确度：在独立测试数据上，17种作物的平均总体准确率约为94%，“适宜”和“不适宜”两类均被可靠分类。

看到当今农田与未来的变化

模型一旦训练完成，就被应用于全球每个1公里×1公里的栅格单元，既用于当前气候，也用于在四种气候情景下的三个未来时间窗口。模型输出不是简单的二元答案，而是一个介于0到1之间的连续适宜性得分，之后可按可视化需要分组为若干类别。作者将其现状地图与广泛使用的全球适宜性数据集（如GAEZ和GLUES）进行了比较。总体尺度上两者一致，但本文地图展现了更细的空间细节，并且在东北中国、阿根廷等区域与独立的高分辨率作物地图更为吻合。与温度相关的变量与积温在解释作物分布中尤为重要，突显出全球农业对气候变暖的敏感性。

对粮食与规划的意义

该研究提供了一个免费可用、分辨率高的全球作物适宜性图集，覆盖17种主要作物，并包含当前与一系列未来气候路径。作者强调，应谨慎将未来投影视为精确预报——尤其是在气候超出现有观测范围的区域——但这些地图为探索作物潜力的相对增损提供了有力工具。对于担心在变化的地球上养活更多人口的决策者而言，这些数据集可用于指示应保护的优质农田、可能出现的新机会地点，以及当前耕作系统需要调整或转移的地区。

引用: Wang, T., Dong, J. Global crop suitability datasets for 17 crops under present (2024) and future climate scenarios (2041–2100). Sci Data 13, 691 (2026). https://doi.org/10.1038/s41597-026-06688-4

关键词: 作物适宜性, 气候变化, 粮食安全, 遥感, 机器学习