近日，我院胡琼老师联合中国农业科学院农业资源与农业区划研究所、国际应用系统分析研究所（IIASA）、国际食物政策研究所（IFPRI）等国内外科研机构，在全球高分辨率耕地遥感制图研究方面取得新进展。相关成果以“Hcropland30: A hybrid 30-m global cropland map by leveraging global land cover products and Landsat data based on a deep learning model”为题，于2026年7月发表于《Remote Sensing of Environment》期刊。
耕地空间分布是开展农业生产监测、粮食安全评估和全球变化研究的重要基础数据。近年来，国际上已发布多套10-30米全球土地覆盖产品，但由于数据源、分类体系和制图方法不同，不同产品的耕地信息仍存在明显空间差异，尤其在山区、小农经营区和景观破碎地区，耕地识别的不确定性较高。针对这一问题，研究团队构建了融合多源遥感信息与深度学习的全球耕地制图新框架。该方法综合利用六套全球土地覆盖产品、Landsat时序植被指数以及气候、地形等信息，通过分层采样和模拟退火算法自动筛选全球代表性样本，并利用集成学习将有限的人工点状样本扩展为高质量面状伪标签，进一步结合U-Net深度学习模型，实现全球30米耕地（Hcropland30）自动识别。研究结果表明，Hcropland30全球尺度的总体识别精度为89.8%。与现有主流全球土地覆盖产品相比，其在亚洲、非洲等小农经营地区，以及山区、丘陵等农业景观复杂区表现出更突出的耕地识别优势。研究同时发现，该框架对输入土地覆盖产品的类型和数量具有较强鲁棒性，为后续开展长时序全球耕地动态制图，以及森林、草地、湿地等其它地表覆盖类型制图提供了潜力。
全球耕地产品Hcropland30研制流程与已有产品精度对比
该研究得到了国家重点研发计划（2022YFB3903502）和国家自然科学基金（42571441）等项目的共同资助。
论文链接：https://doi.org/10.1016/j.rse.2026.115552
数据链接：https://zenodo.org/records/13169748
数据链接:https://noda.ac.cn/datasharing/datasetDetails/6a3e242469b86c117e3f58a5
通讯员：胡琼
编辑：周亲
审读：吴浩
