编辑推荐：
为解决现有作物生产环境刻画方法在时空上的不足，研究人员开展了利用数据驱动的动态空间框架刻画埃塞俄比亚雨养小麦生产环境的研究。结果识别出五种主要生产环境，该框架可助力农业评估与干预，意义重大。
在全球粮食安全备受关注的当下，精准把握作物生产环境对农业发展至关重要。然而，传统的作物生产环境刻画方法存在诸多问题。一方面，从农场试验、田间实验和作物模型校准获取的农艺信息，因数据收集成本高、耗时长，大多局限于小范围区域。另一方面，现有方法难以兼顾不同农业景观的生物物理变异性，也无法有效捕捉不同生长季节的时间变异性。同时，一些已有的空间框架，如全球产量差距地图集的气候分区方案（GYGA - CZ）等，普遍存在过于粗糙、通用、静态的问题，在环境分割时依赖主观决策，且不能针对特定作物进行有效干预，无法满足复杂动态生产景观的需求。
在这样的背景下，来自国外的研究人员开展了一项旨在刻画埃塞俄比亚雨养小麦作物生产环境的研究。他们引入并运用了一种数据驱动的动态空间框架，该研究成果发表在《Agricultural Systems》上，为解决上述难题带来了新的思路和方法。
研究人员在开展研究时，主要运用了以下关键技术方法：首先，利用集成机器学习方法，结合时间序列卫星图像和环境数据，绘制 2021 和 2022 年Meher生长季的雨养小麦面积图。其次，运用基于像素和对象的聚类方法，考虑短期变化和长期趋势，划分动态农业生态空间单元（ASUs）。聚类依据的是包括气候、土壤、地形和植被指数等关键生物物理变量。
下面来看具体的研究结果：
- 雨养小麦面积：通过研究发现，雨养小麦面积在地理分布上呈现明显的集中趋势，主要集中在埃塞俄比亚的中部地区，并向北部扩展。集成方法在两个生长季的分类精度都很高，2021 年总体精度（OA）达到 88%，2022 年为 94%。同时，该方法的泛化能力也很强。此外，研究估算的雨养小麦面积在 2021 年为 224 万公顷，2022 年为 250 万公顷，与官方统计数据相比，虽存在一定差异，但能反映出区域分布特征。
- 动态农业生态空间单元：基于像素和对象的聚类方法识别出了五种农业生态空间单元（ASUs 1 - 5），每个单元代表了具有相似生物物理特征的独特生产环境。不同的 ASUs 在空间分布和面积覆盖上存在差异，部分 ASUs 的空间模式较为稳定，而部分则呈现出动态变化。例如，像素 - 基于的 ASU 4 是雨养小麦种植的主要环境，而对象 - 基于的 ASUs 1 和 5 在雨养小麦面积覆盖中占比较大。
- 聚类性能评估：通过 Kruskal - Wallis 检验和轮廓系数等评估指标发现，像素 - 基于和对象 - 基于的 ASUs 在大多数变量上存在显著差异，聚类质量较高，内部凝聚力强，相互之间分离度较好。同时，不同时期的 ASUs 之间既有相似性，也存在一定的动态变化。
- 生产环境特征描述：结合小麦面积图和 ASUs，研究人员对埃塞俄比亚的小麦种植区域进行了特征描述，划分出 “prime highlands for rainfed wheat”、“favorable mid - altitude rainfed wheat environments” 等不同类型的生产环境，明确了各区域的潜力和限制因素。
在研究结论和讨论部分，该研究具有多方面的重要意义。从雨养小麦面积 mapping 来看，研究揭示了其在埃塞俄比亚的扩展趋势，并且通过多源高分辨率数据、生物物理变量的结合以及集成方法，提高了 mapping 的准确性，能够有效捕捉小农户耕作条件下土地种植的时空模式。动态 ASUs 的划分提供了一个强大且可扩展的框架，平衡了过度简化和过度细分的问题，具有空间和时间上的可扩展性与动态性，有助于理解生产环境的变化，为气候变化适应策略提供参考。将雨养小麦面积与 ASUs 集成，能够识别出适合和限制雨养小麦种植的区域，为农业决策提供依据。此外，该框架在农艺分析、资源分配优化、农业技术评估等方面具有重要作用，还可低成本地应用于其他作物和生产环境，为全球农业发展提供了有益的借鉴，有力地推动了农业可持续发展。
