农村生计策略是理解乡村转型、农户收入结构和社会生态系统变化的重要基础信息。准确刻画不同生计类型的空间分布，有助于开展乡村振兴评估、可持续发展指标监测、城乡关系研究和区域差异分析，也能为乡村治理与资源配置提供数据支撑。
今日分享的是2020年中国90米分辨率农村生计策略概率栅格数据！ 该数据集英文名称为Mapping rural livelihood strategies in China using deep learning 。该数据集由Zhaxi Dawa等研究人员构建，于2026年2月5日公开发布在Zenodo平台，相关论文于2026年7月21日发表于Scientific Data期刊。
该数据集的时间范围为2020年，空间范围覆盖中国大陆农村地区，数据坐标系为WGS_1984_Web_Mercator_Auxiliary_Sphere，数据空间分辨率为90米，数据格式主要为GeoTIFF，同时提供Shapefile和CSV辅助数据。农村生计策略主要包括四类，分别为纯农业生计（F）、农业主导兼非农生计（F_NF）、非农主导兼农业生计（NF_F）和纯非农生计（NF）。每类生计策略对应一幅栅格数据，栅格像元值表示对应生计策略的模型估算概率，像元值范围为0---1，无量纲。该数据集总大小为1.12GB。
该数据集基于Landsat日间多光谱影像、VIIRS夜间灯光数据和农户调研数据，结合分位数回归XGBoost样本扩充方法与深度农村生计模型（DRLM）生成了2020年中国农村生计策略概率栅格数据。研究团队将283个农村观测点的调研标签扩推至38306个乡村聚落，并采用双分支ResNet与狄利克雷回归开展建模。模型内部交叉验证R²为0.82---0.89，独立实地调研数据验证R²为0.49---0.75。
大家可以在公众号回复关键词1236免费获取该数据！无需转发文章，直接可以获取数据！以下为数据的详细介绍：
01****数据展示
数据作者提供的数据集解压后包括3个文件夹和1个CSV表格，如下图：
其中，"农村生计概率栅格数据"文件夹为主要栅格产品；"Sample_2020"文件夹包含乡村聚落Shapefile样本数据及其生计组分标签；"Provinces_China"文件夹包含省级行政边界Shapefile数据；"Expansion of samples_2020_withXGBoost.csv"记录样本扩充过程中生成的四类生计组分估算值、不确定性信息和相关乡镇级预测变量。
首先我们打开"农村生计概率栅格数据"文件夹，可以看到该文件夹下包含5个.tif栅格文件，如下图：
其中，包含4个不同农村生计策略概率tif文件和1个预测置信度tif文件，从文件命名可以看出，F、F_NF、NF_F和NF表示不同农村生计策略类型。前4个tif文件分别对应纯非农生计（NF）概率、非农主导兼农业生计（NF_F）概率、农业主导兼非农生计（F_NF）概率和纯农业生计（F）概率；max_confidence_2020_90m.tif表示四类生计概率中的最大值，表征模型对优势生计类型的预测置信度。
值得注意的是，四类生计概率栅格在同一像元位置的概率值之和为1，满足组分数据约束；max_confidence数值越接近1，说明某一类生计策略优势越突出，数值越接近0.25，说明多类生计策略之间差异较小、类型区分相对模糊。
现在，我们以F_2020_90m.tif纯农业生计（F）概率数据为例看一下，如下图：
在图中，像元值越接近1，表示该位置农村聚落的纯农业生计概率越高；像元值越接近0，表示纯农业生计概率越低。
02****数据的其他信息
数据来源：
数据来源于Zenodo平台，具体网址为：
https://zenodo.org/records/18489933
论文地址：
https://doi.org/10.1038/s41597-026-07938-1
数据大小：
1.12GB
数据格式：
GeoTIFF、Shapefile、CSV
时间范围：
2020年
空间范围：
中国大陆农村地区
空间分辨率：
90米
地理坐标系：
CGS_WGS_1984
投影坐标系：
WGS_1984_Web_Mercator_Auxiliary_Sphere
数据引用格式：
Dawa, Zhaxi; Wenjuan, Yu; Weiqi, Zhou. Mapping rural livelihood strategies in China using deep learning. Zenodo. https://doi.org/10.5281/zenodo.18489933 (2026).
文章引用格式：
Dawa, Z., Yu, W. & Zhou, W. Mapping rural livelihood strategies in China using deep learning. Scientific Data (2026). https://doi.org/10.1038/s41597-026-07938-1
03 数据获取
如有数据需求，欢迎点击下方名片链接，关注我们并咨询获取~