数据可用性声明：本文关联实体数据集已在《全球变化数据仓储电子杂志（中英文）》出版，可获取：https://doi.org/10.3974/geodb.2026.04.06.V1 https://cstr.escience.org.cn/CSTR:20146.11.2026.04.06.V1.
1 前言
政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）第七次评估报告大纲明确指出，全球气候风险评估已从单一物理变量转向对复杂、复合及级联风险的深度整合，特别强调在不同排放情景与“过冲路径”下，地球系统关键阈值与突变（如临界点效应）对区域农业生产、粮食安全及生态系统稳定性可能产生的潜在不可逆影响[1, 3]。全球气候变暖不仅仅是单一的环境问题，同时还会引发一系列系统性的社会问题，农业生产受此影响更甚。气候变化背景下自然灾害和极端天气、气候事件的增多，可能会使原本较为脆弱的农业生产危机加剧，未来有可能对国家粮食安全带来严重威胁[4]。
青藏高原作为全球平均海拔最高的高原，具有独特而复杂的气候，同时该地区的农业生产在垂直梯度上已经接近环境极限。因此，极端天气和气候导致的各类自然灾害对该地区的农业影响较其他地区更为突出。目前，高原地区土地资源十分有限且质量不高，使得粮食需求的增长和有限的供给能力之间的矛盾日益突出[5]。在如此苛刻的适生环境下，能在高原地区种植的粮食作物种类十分有限，而青稞由于其耐寒耐旱、生长期短且抗逆性强的特点，适宜在青藏高原种植[6, 7]。在当前全球气候变化的背景下，青藏高原地区如何凭借有限的耕地资源，对农业生产进行科学管控与合理布局显得尤其重要。因此，本数据集预估当前及未来不同时期、不同情景下的青稞潜在适宜区，为高原地区合理开展青稞种植、掌握后备宜耕地资源分布提供数据参考。
本数据集依托当前青藏高原青稞种植面积数据，随机生成青稞样本点，基于MaxEnt模型和影响青稞种植的环境变量，对当前期、未来近期和未来中期的青稞种植潜在适宜区进行预估，以获得青稞种植适宜区格网尺度的空间分布数据[8]。
2 数据集元数据简介
《两种不同气候情景下青藏高原青稞种植潜在适宜区数据集》[9]的名称、作者、地理区域、数据年代、数据集组成、数据出版与共享服务平台、数据共享政策等信息见表1。
3 数据研发方法
作者基于青藏高原目前青稞种植现状，建立全域范围内广泛覆盖的青稞样本点数据集，并识别影响青稞种植的核心生境变量，采用MaxEnt模型模拟各情景下的青稞种植潜在适宜区。为了保证青藏高原青稞潜在适宜区在空间上的连续性，避免预估结果出现大量破碎化斑块，本数据集并未剔除对于水体、冰川积雪、建设用地、裸地等无法种植农作物的土地利用与土地覆被类型，在后续对数据的实际应用过程中，可考虑根据区域实际现状剔除不适宜的地类。
3.1 技术路线
两种不同气候情景下青藏高原青稞种植潜在适宜区数据集研发步骤如下：（1）基于当前青藏高原青稞种植面积数据，通过ArcGIS软件的相关处理，生成134,410个样本点，再按照IPCC对于可能性的定义，分层进行青稞样本点的筛选，最终确定3,066个青稞样本点；（2）对于42个有可能对青稞种植潜在适宜区影响的生境变量，进行了KL散度计算、贡献率排序以及多重共线性的排除，最终筛选出10个MaxEnt模型中的生境变量；（3）构建MaxEnt模型，输入3,066个样本点，75％用于训练模型识别青稞适宜生长的环境，25%用于验证，通过比较AUC值，模型模拟当前期青稞潜在分布区并进行精度验证；（4）预估不同气候情景下青稞潜在适宜区的分布。具体流程见图1所示。
| 条目 | 描述 |
|---|---|
| 数据集名称 | 两种不同气候情景下青藏高原青稞种植潜在适宜区数据集 |
| 数据集短名 | P.SuitableArea_QZ_ Plateau |
| 作者信息 | 魏瑛, 青海师范大学, yingwei202509@163.com 刘旋, 青海师范大学, 202547331003@stu.qhnu.edu.cn 马伟东, 青海师范大学, mwd0910@sina.com 刘峰贵, 青海师范大学, lfg_918@163.com 周强, 青海师范大学, zhouqiang729@163.com 陈琼, 青海师范大学, 2025055@qhnu.edu.cn |
| 地理区域 | 青藏高原（约 25°N–40°N, 73°E–105°E） |
| 数据年代 | 1970–2000；2021–2040；2041–2060 |
| 时间分辨率 | 2.5′×2.5′ |
| 数据格式 | .tif |
| 数据量 | 6.27 MB |
| 数据集组成 | 青藏高原当前期青稞种植适宜区空间分布数据；青藏高原未来近期、未来中期RCP4.5情景、RCP8.5情景下青稞种植潜在适宜区空间分布数据 |
| 基金项目 | 中华人民共和国科学技术部 ( 2019QZKK0606 ) |
| 数据计算环境 | ArcGIS |
| 出版与共享服务平台 | 全球变化科学研究数据出版系统 http://www.geodoi.ac.cn |
| 地址 | 北京市朝阳区大屯路甲11号100101，中国科学院地理科学与资源研究所 |
| 数据共享政策 | （1）“数据”以最便利的方式通过互联网系统免费向全社会开放，用户免费浏览、免费下载；（2）最终用户使用“数据”需要按照引用格式在参考文献或适当的位置标注数据来源；（3）增值服务用户或以任何形式散发和传播（包括通过计算机服务器）“数据”的用户需要与《全球变化数据学报（中英文）》编辑部签署书面协议，获得许可；（4）摘取“数据”中的部分记录创作新数据的作者需要遵循10%引用原则，即从本数据集中摘取的数据记录少于新数据集总记录量的10%，同时需要对摘取的数据记录标注数据来源[10] |
| 数据和论文检索系统 | DOI，CSTR，Crossref，DCI，CSCD，CNKI，SciEngine，WDS，GEOSS，PubScholar，CKRSC，OARL |
3.2 数据来源
在充分考虑了影响青稞种植自然适宜性的各方面因素之后，选择如下数据开展工作：
（1）42个有可能对青稞种植潜在适宜区影响的环境变量值包括气候指标、土壤指标、高程、坡度以及太阳辐射，其中高程数据（2010年，空间分辨率为30 m×30 m）来源于美国地质调查所；土壤参数指标（2012年，空间分辨率为5′×5′）来源于世界土壤数据库（Harmonized World Soil Database）；气象指标、生物气候变量数据来源于世界气候数据库（World Clim, Version 2.0），其中当前期的数据基准期为1970–2000年，未来近期和未来中期分别为2021–2040年和2041–2060年，数据集选择RCP 4.5（温度上升1.0–2.6 ℃，CO2浓度变化650×10‒6 L/L，降水增加4.00%）和RCP 8.5（温度上升2.6–4.8 ℃，CO2浓度变化1,350×10‒6 L/L，降水增加4.60%）两种代表浓度路径，空间分辨率为2.5′×2.5′。
（2）青藏高原青稞种植面积数据（2019年，空间分辨率为15 m×15 m）的作用在于构建青稞种植样本点数据集，来源于团队前期研发的数据集[11]；
以上数据均按照张镱锂[12, 13]等确定的青藏高原的范围进行掩膜提取，从而作为青稞种植潜在适宜区预估的范围。
3.3 算法原理
作物样本点的代表性和数据量，以及对作物有实质性的影响的生境变量，是使用MaxEnt模型预估青稞种植潜在适宜区时的关键问题。基于此，需进行青稞种植分布点以及影响青稞种植的环境变量的双重筛选。
3.3.1 青稞种植分布点的生成及筛选
青稞种植分布点数据库是基于2019年青藏高原青稞种植面积数据，在ArcGIS软件中对矢量图层进行“矢量-栅格图层转换”“栅格转点”等处理后建立，共得到134,410个点。按照IPCC对于可能性的定义，将网格中的青稞种植面积按不同面积划为5组，之后按照一定的比例在其各组中确定样本点选取的数量，最终确定进入模型中的青稞分布点的数量为3,066个，详细的筛选过程见数据集关联的文章中的相关描述[14]。
3.2.2 MaxEnt模型生境变量的筛选
基于上述合理选取的样本点数量，对42个有可能影响青稞种植潜在适宜区的环境变量进行筛选，步骤包括：（1）KL散度的计算，消除所有KL散度低于1的变量，并将剩余的变量保留至下一步筛选，经过计算后共筛选出18个变量；（2）贡献率评估，将剩余的18个生境变量输入MaxEnt模型中进行二次筛选，剔除贡献率不显著的因子；（3）因子的自相关分析，为避免输入模型的指标具有高度相关性而进行第三次筛选，保留了剩余的10个变量，如表2所示。
4 数据结果与验证
4.1 数据集组成
数据集内容包括：当前期、RCP4.5未来近期、RCP8.5未来近期、RCP4.5未来中
| 变量名称 | 变量含义 | 贡献率 | 变量名称 | 变量含义 | 贡献率 |
|---|---|---|---|---|---|
| BIO1 | 年均温 | 50.50% | BIO4 | 温度季节性 | 1.70% |
| BIO12 | 年均降水 | 31.6% | BIO8 | 湿季均温 | 1.30% |
| BIO9 | 干季均温 | 5.40% | SDTO | 砂砾百分比 | 1.00% |
| BIO5 | 暖季最高温 | 4.70% | ORGC | 有机碳含量 | 1.00% |
| CECC | 粘土部分的阳离子交换容量 | 2.50% | ECEC | 有效阳离子交换量 | 0.30% |
远期、RCP8.5未来中远期青稞潜在适宜种植区。空间分辨率为2.5ʹ×2.5ʹ。数据集存储为.tif格式。
4.2 MaxEnt模型模拟结果的精度评价
MaxEnt模型整合作物现存分布数据与网格环境梯度指标，判断区域是否适合该作物种植。该模型以0–1为量化区间，衡量不同区域环境与目标作物生境需求的相似度，既能预测物种潜在分布范围，也可输出对应的分布概率估值。作者将3,066个青稞样本点按75%和25%的比例划分训练集与验证集，对应的AUC值为0.888和0.885，表明模型精度较高，可用于青藏高原青稞潜在适宜种植区预测[14]。
4.3 当前期的预估结果与精度验证
4.3.1 当前期的预估结果
以适宜度P作为分区依据，将研究区域划分为4类：P∈[0%,1%)为不适宜区，P∈[1%,33%)为低适宜区，P∈[33%,66%)为中适宜区，P∈[66%,100%)为高适宜区。按照上述规则划分的青稞潜在种植适宜区空间分布见图2。
（参考审图号为GS(2020)4630号的标准地图制作）
4.3.2 当前期预估结果的精度验证
为验证青稞潜在种植适宜区的模拟结果，将实际种植面积数据作为检验样本，分别与模型输出的不适宜区、适宜区图层进行空间叠加，统计两类分区内实际种植面积及占比。当不适宜区内实际种植面积占比越接近0%、适宜区内实际种植面积占比越接近100%，说明模型预测结果精度越高。验证结果如表3所示。
| 类别 | 面积 | 占比 |
|---|---|---|
| 适宜区中的青稞种植面积 | 27.37×104 hm2 | 99.88% |
| 不适宜区中的青稞种植面积 | 3.15 hm2 | 0.12% |
4.4 青藏高原未来近期青稞种植潜在适宜区分布
青藏高原未来近期的青稞种植潜在适宜区如图3所示，空间格局分布与当前期较为一致，不同情景下略有差异。从时间变化上来看，不适宜区面积在逐渐缩小，低、中、高适宜区的面积逐渐增大，适宜区紧密围绕高原东部的河谷地带及南部的雅鲁藏布江流域展开，原本处于气候边缘区的低适宜带向高海拔寒冷地区稳步推进，反映出气候暖湿化初期生境条件的改善。从不同情景来看，RCP8.5下的不适宜区面积比RCP4.5下的要小，中、高适宜的面积比RCP4.5下的要大，这表明高浓度路径下的温室效应在短期内对提升高原农业热量资源具有更强的正向驱动作用。
4.5 青藏高原未来中期青稞种植潜在适宜区分布
青藏高原未来中期的青稞种植潜在适宜区如图4所示。到未来中期，青稞种植潜在适宜区的空间边界与适宜度等级均发生了显著位移。从时间变化上来看，从当前期到未来中期，适宜区种植边界跨越式突破，当前期大面积存在的不适宜区在未来中期剧烈萎缩，尤其是高原腹地、三江源东部地区和藏南谷地，青稞生境由“不适宜”向“低、中适宜”大规模转化；从未来近期到未来中期，青稞种植潜在适宜区结构更加趋向连片化。高适宜区核心范围由零散分布转变为以河谷地区为中心的规模化聚集，中适宜区的界线呈现出明显的向北、向高海拔延伸的趋势。
从长时间序列变化上来看，随着三个时期的演替，不适宜青稞种植的区域面积在收缩，相应地适宜青稞种植的区域面积在增大。在未来中期，两个情景对比来看，RCP4.5情景下青稞种植中、高适宜区的面积小于RCP8.5情景，不适宜区面积比RCP8.5情景下的面积更大。同时RCP8.5情景下的未来中期是不适宜区占比最低、高适宜区占比最高的时期，体现了极端排放情景对高寒作物种植上限的深度重塑。从空间分布来看，青藏高原西北部以及柴达木盆地地区青稞种植适宜度减少或基本不变，而在高原的南部、中部和东部，青稞种植适宜度显著增加，且随着时间的变化增幅明显。
（参考审图号为GS(2020)4630号的标准地图制作）
5 讨论和总结
本数据集基于当前青藏高原青稞种植面积数据，随机生成青稞样本点，基于MaxEnt模型和影响青稞种植的环境变量，对当前期、未来近期和未来中期的青稞种植潜在适宜区进行预估，同时将对当前期预估的结果与当前青藏高原青稞种植面积数据进行模拟结果的精度验证，以确保预测的未来两种情景下的青藏高原青稞种植潜在适宜区更加准确，获得青稞种植适宜区格网尺度的空间分布数据。数据集反映了未来时期青藏高原青稞种植潜在适宜区的总体格局随着时间的变化以及情景的不同，体现出气候暖湿化初期生境条件改善的同时，极端排放情景也影响着高寒作物的种植上限。
（参考审图号为GS(2020)4630号的标准地图制作）
本数据集可用于分析不同未来情景下青稞种植适宜区的空间分布，既能为青稞种植布局优化、灾害暴露定量评估提供依据，也能为青藏高原特色农业发展、粮食安全保障及气候变化应对相关决策提供数据支撑。该数据集支持了第一作者理学博士学位论文的完成。
作者分工：魏瑛和刘旋处理了数据并撰写了数据论文；刘峰贵、周强和陈琼依据模型设计了算法；马伟东对数据集的开发做了总体设计。魏瑛全程实施并验证数据。
致谢：感谢在学位论文完成过程中，导师马伟东副教授给予的指导与帮助。
利益冲突声明：本研究不存在研究者以及与公开研究成果有关的利益冲突。