亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        異常氣候條件下小麥估產(chǎn)方法研究

        2022-08-19 15:05:58朱秀芳李石波石振君任笑程昌秀
        關(guān)鍵詞:估產(chǎn)干熱風(fēng)冬麥區(qū)

        朱秀芳,李石波,石振君,任笑,程昌秀

        (1. 北京師范大學(xué)遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100875;2. 北京師范大學(xué)環(huán)境演變與自然災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室,北京 100875;3. 中國(guó)地質(zhì)大學(xué)土地科學(xué)技術(shù)學(xué)院,北京 100083;4. 北京師范大學(xué)地理科學(xué)學(xué)部,北京 100875)

        從20世紀(jì)上半葉至今,地球大氣中的CO2濃度不斷升高,變暖趨勢(shì)越來(lái)越顯著,全球氣候變化,導(dǎo)致異常氣候事件頻發(fā)[1]。相關(guān)研究表明,盡管農(nóng)業(yè)生產(chǎn)受氣候變化的影響在不同區(qū)域有一定的差異,但整體上弊大于利[2]。我國(guó)農(nóng)業(yè)受氣候變化的影響十分嚴(yán)重[3],在各類農(nóng)業(yè)氣象災(zāi)害中,干旱和洪澇是影響我國(guó)農(nóng)作物生產(chǎn)最主要的氣象災(zāi)害。1980年以來(lái),我國(guó)洪旱災(zāi)害頻發(fā)。1998年的長(zhǎng)江和松花江流域特大洪水事件和2016年的長(zhǎng)江中下游及太湖洪澇事件直接帶來(lái)上千億元經(jīng)濟(jì)損失[4]。相比洪澇,干旱對(duì)我國(guó)農(nóng)業(yè)生產(chǎn)的影響更為嚴(yán)重[5]。有關(guān)統(tǒng)計(jì)數(shù)據(jù)表明,2007至2017年全國(guó)農(nóng)作物旱災(zāi)面積年均值為1.53×107hm2,糧食損失年均值為2.14億t,造成直接經(jīng)濟(jì)損失年均值為282.15億元,占GDP均值的0.21%[6]。在全國(guó)各種氣象災(zāi)害中,干旱導(dǎo)致的農(nóng)作物受災(zāi)面積占比約56%,洪澇導(dǎo)致的農(nóng)作物受災(zāi)面積占比約24%[7]。此外,低溫冷害、干熱風(fēng)等氣候事件的頻繁發(fā)生也給我國(guó)農(nóng)作物安全生產(chǎn)帶來(lái)了巨大挑戰(zhàn)。在中國(guó)北方麥區(qū),干熱風(fēng)災(zāi)害的發(fā)生一般會(huì)導(dǎo)致小麥減產(chǎn)5%~10%,在受災(zāi)嚴(yán)重的年份減產(chǎn)率能達(dá)到20%~30%[8]。

        隨著遙感技術(shù)的不斷發(fā)展與創(chuàng)新應(yīng)用,許多專家學(xué)者將遙感技術(shù)應(yīng)用到農(nóng)作物估產(chǎn)中[9],為作物估產(chǎn)研究開辟了新途徑[10]。從模型建立的理論角度出發(fā),當(dāng)前主流的作物估產(chǎn)模型可以分為四類:經(jīng)驗(yàn)統(tǒng)計(jì)模型、光能利用率模型、作物生長(zhǎng)模擬模型和耦合模型[11]。探究氣候變化對(duì)作物產(chǎn)量的影響,大多采用經(jīng)驗(yàn)統(tǒng)計(jì)模型中的氣象估產(chǎn)模型。氣象估產(chǎn)模型發(fā)展較早,始于20世紀(jì)70年代末,基本的氣象估產(chǎn)模型有三種。第一種,直接建立氣象因子和作物產(chǎn)量之間的回歸模型;第二種,首先計(jì)算相鄰兩年作物產(chǎn)量差和氣象因子差,然后建立作物產(chǎn)量差和氣象因子差之間的回歸模型,進(jìn)而進(jìn)行作物產(chǎn)量預(yù)測(cè)。第三種,將作物產(chǎn)量分解為趨勢(shì)產(chǎn)量和氣象產(chǎn)量?jī)刹糠?,前者反映由技術(shù)進(jìn)步(如灌溉、施肥、新品種等)導(dǎo)致的產(chǎn)量的長(zhǎng)期變化,后者反映由自然氣候要素(光照、降水、輻射等)引起的產(chǎn)量的短期波動(dòng)。

        常用的氣象估產(chǎn)模型構(gòu)建方法包括線性和非線性回歸兩大類[12-13]。隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展,神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林等新的數(shù)據(jù)挖掘手段也應(yīng)用于估產(chǎn)模型的構(gòu)建[14-16]。Breiman[17]在2001年提出了隨機(jī)森林算法。它是一種集成學(xué)習(xí)算法,具有穩(wěn)定性好,預(yù)測(cè)精度高,不易產(chǎn)生過(guò)擬合等優(yōu)點(diǎn),不需要顧慮多重共線性的問題,與神經(jīng)網(wǎng)絡(luò)和線性回歸方法相比,其表現(xiàn)更穩(wěn)定,具有較強(qiáng)的抗干擾能力。該算法已經(jīng)廣泛應(yīng)用于干旱監(jiān)測(cè)[18]、山體滑坡預(yù)測(cè)[19]、洪澇[20]和火災(zāi)風(fēng)險(xiǎn)[21]分析等方面。但目前應(yīng)用隨機(jī)森林算法進(jìn)行異常氣候條件下的作物估產(chǎn)的研究甚少。目前大多研究也并沒有驗(yàn)證所建立的估產(chǎn)模型在災(zāi)害年份的估產(chǎn)效果。為此,本文基于隨機(jī)森林算法,以氣象估產(chǎn)模型為基礎(chǔ),結(jié)合氣象災(zāi)害指數(shù)和遙感植被指數(shù),在中國(guó)五大小麥種植區(qū)分別建立估產(chǎn)模型,并驗(yàn)證其在典型災(zāi)害年份的估產(chǎn)精度,為探究氣候變化對(duì)小麥產(chǎn)量的影響,以及建立滿足異常氣候下估產(chǎn)精度的模型提供參考。

        1 研究區(qū)概況

        本文研究范圍(圖1)包括西北春麥區(qū)、北部冬麥區(qū)、黃淮海冬麥區(qū)、長(zhǎng)江中下游冬麥區(qū)與西南冬麥區(qū)[22-23]。西北春麥區(qū)位于黃淮上游三大高原的交匯地帶,該區(qū)由寧夏全區(qū)、甘肅省大部分地區(qū),內(nèi)蒙古西北部地區(qū)構(gòu)成,冬天寒冷、夏季炎熱,春季與秋季多風(fēng),天氣較為干燥,白天和晚上溫差很大。降水不足是影響該區(qū)小麥作物生長(zhǎng)的重要因素,部分地區(qū)春小麥生長(zhǎng)后期有干熱風(fēng)危害。北部冬麥區(qū)位于我國(guó)中緯度地帶,由北京全市、天津全市、河北、山西以及陜西省部分地區(qū)組成,屬于暖溫帶季風(fēng)區(qū)域。該區(qū)冬寒春旱,降水不足且分布不均勻。黃淮海冬麥區(qū)位于黃河中下游,由山東省全部、河南省大部分區(qū)域以及陜西省與山西省南部、安徽省與江蘇省北部、河北南部的少部分地區(qū)組成。該區(qū)北部小麥在低溫年份有遭受低溫冷害的風(fēng)險(xiǎn),南部地區(qū)氣溫較高,冬小麥返青期不明顯。降水量南多北少,東多西少,小麥生育期降雨可基本滿足,但北部仍偶爾有旱災(zāi)發(fā)生,需灌溉。長(zhǎng)江中下游冬麥區(qū)由湖北全省、湖南全省、江西全省、浙江全省、上海全市,安徽省與浙江省大部分地區(qū)組成。該區(qū)大部分地區(qū)的自然條件適宜小麥生長(zhǎng),但該區(qū)降水極不平衡,南部降水過(guò)多不適宜小麥生長(zhǎng),北部降水較少時(shí)有干旱發(fā)生。西南冬麥區(qū)由重慶全市、貴州全省、四川省東部與云南省北部組成。該麥區(qū)地形復(fù)雜,包括山地、盆地、平原等多種地形,其中山地為該區(qū)主要地形,復(fù)雜的地形也導(dǎo)致該區(qū)域氣候環(huán)境差異較大,農(nóng)作物種植、成熟時(shí)間差異較大,除平原地區(qū)外,農(nóng)田地塊較為破碎。

        圖1 中國(guó)小麥種植區(qū)劃Fig. 1 Wheat growing region of China

        2 技術(shù)路線與研究方法

        本文技術(shù)路線如圖2所示,主要包括以下步驟:1)利用原始?xì)庀髷?shù)據(jù)與遙感數(shù)據(jù)建立相應(yīng)氣象災(zāi)害指標(biāo)與遙感植被指數(shù);2)利用直線滑動(dòng)平均法和HP濾波法擬合趨勢(shì)產(chǎn)量,選擇最佳擬合方法;3)以氣象災(zāi)害指標(biāo)、遙感植被指數(shù)為輸入變量,實(shí)際產(chǎn)量為輸出變量,建立樣本庫(kù);4)利用隨機(jī)森林算法在不同麥區(qū)建立估產(chǎn)模型并進(jìn)行精度驗(yàn)證;5)篩選出各麥區(qū)不同類型災(zāi)害年份,并進(jìn)行估產(chǎn)驗(yàn)證;6)對(duì)不同麥區(qū)輸入變量進(jìn)行重要性評(píng)價(jià)。

        圖2 技術(shù)路線Fig. 2 Technical flowchart

        2.1 數(shù)據(jù)獲取與預(yù)處理

        通過(guò)查閱資料發(fā)現(xiàn)在我國(guó)眾多不同類型氣象災(zāi)害中,對(duì)農(nóng)作物生產(chǎn)影響較大的災(zāi)害類型主要包括旱災(zāi)、洪澇、低溫凍害以及干熱風(fēng)四種[24-28]。為此,本文收集了氣象數(shù)據(jù)與遙感數(shù)據(jù),用于構(gòu)建表示干旱、洪澇、低溫冷害、干熱風(fēng)四種災(zāi)害的指標(biāo),以及表示小麥不同時(shí)期長(zhǎng)勢(shì)情況的遙感植被指數(shù)指標(biāo),用于估產(chǎn)模型的建立。具體包括:1)來(lái)自全球標(biāo)準(zhǔn)化降水蒸散指數(shù)(Standardized Precipitation Evapotranspiration Index, SPEI)數(shù)據(jù)庫(kù)1999—2018年的SPEIbase v2.6數(shù)據(jù)集,時(shí)間尺度為1~48月,分辨率為0.5°;2)來(lái)自歐空局哥白尼氣象數(shù)據(jù)中心的1999—2018年的月平均降水量、月平均溫度、14時(shí)風(fēng)速、14時(shí)相對(duì)濕度、日最高溫度,除了日最高溫度分辨率為0.1°外,其他數(shù)據(jù)的空間分辨率均為0.25°;3)來(lái)自美國(guó)航空航天局的2000—2018年的16 d合成的MOD13Q1-NDVI數(shù)據(jù),空間分辨率為250 m。

        2.2 輸入?yún)?shù)計(jì)算

        五大麥區(qū)范圍廣,小麥種植時(shí)間差異較大,各麥區(qū)的小麥生育期間分別為黃淮海冬麥區(qū)9月-次年6月、北部冬麥區(qū)9月-次年6月、西南冬麥區(qū)8月-次年7月、長(zhǎng)江中下游冬麥區(qū)10月-次年5月、西北春麥區(qū)3月-8月,因此本文以各麥區(qū)小麥的生育期并集為研究時(shí)段來(lái)對(duì)參數(shù)進(jìn)行計(jì)算。

        2.2.1 干旱指標(biāo) 本文選用SPEI8-6、SPEI6-10、SPEI6-10、SPEI5-8、SPEI7-12分別表示西北春麥區(qū)、北部冬麥區(qū)、黃淮海冬麥區(qū)、長(zhǎng)江中下游冬麥區(qū)、西南冬麥區(qū)中小麥整個(gè)生育期內(nèi)的干旱程度。其中,SPEIm-n為m月份時(shí)間尺度為n的SPEI干旱指數(shù),用來(lái)描述m月份過(guò)去n個(gè)月整體的干旱情況。具體計(jì)算流程是首先將SPEI干旱指數(shù)重采樣至1 km空間尺度,用全國(guó)耕地范圍數(shù)據(jù)進(jìn)行耕地掩膜,然后以縣域范圍內(nèi)SPEI干旱指數(shù)均值作為描述某縣小麥生育期內(nèi)整體干旱程度的指標(biāo)。

        2.2.2 干熱風(fēng)指標(biāo) 我國(guó)小麥干熱風(fēng)具體可以分為高溫低濕型、雨后青枯型和旱風(fēng)型3種[29]。國(guó)家氣象局發(fā)布了2019年干熱風(fēng)國(guó)家標(biāo)準(zhǔn),采用日最高氣溫、14時(shí)空氣相對(duì)濕度和14時(shí)風(fēng)速組合,結(jié)合20 cm土壤相對(duì)濕度確定了3種類型小麥干熱風(fēng)指標(biāo)。不同地區(qū)干熱風(fēng)類型不同,評(píng)定標(biāo)準(zhǔn)也不同,同時(shí)干熱風(fēng)災(zāi)害主要發(fā)生在我國(guó)北方麥區(qū),具有局地性特征。為了統(tǒng)一各麥區(qū)干熱風(fēng)指標(biāo),本文采用了“三三三”標(biāo)準(zhǔn)對(duì)各麥區(qū)小麥生育期并集內(nèi)干熱風(fēng)有效天數(shù)進(jìn)行統(tǒng)計(jì),也即當(dāng)小麥生育期并集內(nèi)某天同時(shí)滿足日最高氣溫>30℃、14時(shí)空氣相對(duì)濕度<30%、14時(shí)風(fēng)速>3 m/s三個(gè)條件時(shí)即為一個(gè)干熱風(fēng)有效天。干熱風(fēng)有效天數(shù)指小麥生育期并集內(nèi)干熱風(fēng)有效天的累積。

        其次是普遍性特征,這表現(xiàn)在人的意識(shí)普遍被物化。在現(xiàn)代性社會(huì)中,工人的生產(chǎn)活動(dòng)是無(wú)批判的機(jī)械化直接性勞動(dòng),而精英階層也別無(wú)二致。無(wú)論是資產(chǎn)階級(jí)精英還是普通的工人大眾,都處在這個(gè)時(shí)間空間化的容器里,都沉浸在“意識(shí)的物化”之中,精英的工作也只是在維護(hù)這個(gè)合理性的機(jī)械過(guò)程,依然無(wú)法跳出物化的命運(yùn)。由此可見,人的命運(yùn)已深陷在物化意識(shí)的結(jié)構(gòu)之中。

        2.2.3 洪澇與低溫冷害指標(biāo) 洪澇指標(biāo)的計(jì)算流程是:首先在像元尺度上計(jì)算小麥生育期內(nèi)某月份平均降水的歷年均值,然后用當(dāng)月平均降水實(shí)際值與歷年均值作差得到當(dāng)月平均降水距平值,最后取縣域內(nèi)耕地像元距平值的均值作為描述該縣當(dāng)月洪澇情況的指標(biāo)(下文簡(jiǎn)稱為月平均降水距平)。低溫冷害指標(biāo)的計(jì)算方法與洪澇指標(biāo)類似,計(jì)算過(guò)程不再贅述,下文簡(jiǎn)稱為月平均溫度距平。

        2.2.4 遙感植被指數(shù)計(jì)算 首先對(duì)MOD13Q1-NDVI數(shù)據(jù)利用均值濾波從250 m重采樣至1 km,然后用全國(guó)土地利用分布圖對(duì)2000—2018年小麥生育期內(nèi)MOD13Q1-NDVI數(shù)據(jù)進(jìn)行耕地掩膜,最后用全國(guó)縣級(jí)矢量對(duì)各縣耕地范圍內(nèi)NDVI取均值,作為各縣的遙感植被指數(shù)。

        2.3 趨勢(shì)產(chǎn)量擬合

        在氣象估產(chǎn)模型中,通常將小麥實(shí)際產(chǎn)量分解為趨勢(shì)產(chǎn)量、氣象產(chǎn)量和隨機(jī)產(chǎn)量三部分,其中隨機(jī)產(chǎn)量往往忽略不計(jì)。因此,實(shí)際單產(chǎn)可以分解為趨勢(shì)單產(chǎn)和氣象單產(chǎn)之和。

        式中:yt為小麥實(shí)際單產(chǎn),Yt為趨勢(shì)單產(chǎn),Yc為氣象單產(chǎn),單位為kg/hm2。

        本文利用直線滑動(dòng)平均法(包括3 a和5 a直線滑動(dòng)平均法)和HP濾波法[30]對(duì)五大麥區(qū)所有縣小麥實(shí)際單產(chǎn)進(jìn)行趨勢(shì)產(chǎn)量擬合,用實(shí)際單產(chǎn)減去趨勢(shì)單產(chǎn)得到氣象單產(chǎn)。以氣象單產(chǎn)為輸出變量,以四類氣象災(zāi)害指標(biāo)為輸入變量,分別在五大麥區(qū)構(gòu)建隨機(jī)森林回歸模型。模型擬合精度越高說(shuō)明對(duì)氣象產(chǎn)量擬合效果越好,也即對(duì)趨勢(shì)產(chǎn)量擬合效果越好,以此來(lái)篩選最適合的趨勢(shì)產(chǎn)量擬合方法。模型擬合精度用驗(yàn)證樣本的決定系數(shù)R2,均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)進(jìn)行評(píng)價(jià)。

        2.4 隨機(jī)森林回歸與驗(yàn)證

        隨機(jī)森林算法的主要思想是從原始訓(xùn)練集中有放回地抽取k個(gè)樣本,且每個(gè)樣本的樣本容量均與原始訓(xùn)練集的大小一致;然后對(duì)每個(gè)樣本分別進(jìn)行回歸樹建模,得到k個(gè)建模結(jié)果,最后以每一棵回歸樹預(yù)測(cè)結(jié)果的平均值作為最終預(yù)測(cè)結(jié)果[31]。隨機(jī)森林估產(chǎn)模型的輸入變量包括趨勢(shì)單產(chǎn)1個(gè)、干熱風(fēng)有效天數(shù)1個(gè)、SPEI干旱指數(shù)1個(gè)、生育期內(nèi)月平均降水距平N個(gè)、生育期內(nèi)月平均溫度距平N個(gè)、生育期內(nèi)每16 d的NDVI植被指數(shù)M個(gè),合計(jì)2N+M+3個(gè)。需要注意的是,不同麥區(qū)小麥的生育期不同,因此生育期內(nèi)月平均溫度距平和月平均降水距平的個(gè)數(shù)N在不同麥區(qū)將發(fā)生改變。以樣本集中3/4樣本子集作為訓(xùn)練樣本建立回歸模型,1/4樣本子集作為驗(yàn)證樣本進(jìn)行估產(chǎn)模型擬合精度的驗(yàn)證。隨機(jī)森林回歸模型擬合精度用模型決定系數(shù)R2、驗(yàn)證樣本的均方根誤差、平均絕對(duì)誤差以及平均相對(duì)誤差進(jìn)行評(píng)價(jià)。

        2.5 災(zāi)害年份估產(chǎn)精度驗(yàn)證

        采用麥區(qū)內(nèi)主要?。ㄖ陛犑校┺r(nóng)作物受災(zāi)面積累計(jì)的大小來(lái)表示各麥區(qū)整體受干旱、洪澇、低溫冷害三類氣象災(zāi)害導(dǎo)致的農(nóng)作物受災(zāi)情況。另外,由于年鑒統(tǒng)計(jì)數(shù)據(jù)中不包含干熱風(fēng)災(zāi)害統(tǒng)計(jì)數(shù)據(jù),因此對(duì)于不同麥區(qū)干熱風(fēng)災(zāi)害年份的確定,主要參考了其他專家學(xué)者的相關(guān)研究。災(zāi)害年份確定之后,將五大麥區(qū)災(zāi)害年份對(duì)應(yīng)的樣本進(jìn)行剔除,對(duì)各麥區(qū)重新建立隨機(jī)森林回歸模型,然后將各麥區(qū)旱災(zāi)、洪澇災(zāi)害、低溫冷害、干熱風(fēng)災(zāi)害年份對(duì)應(yīng)的樣本的自變量代入重新訓(xùn)練好的模型進(jìn)行災(zāi)害年份產(chǎn)量預(yù)測(cè)。最后在縣級(jí)尺度和麥區(qū)尺度分別進(jìn)行了精度驗(yàn)證??h級(jí)尺度驗(yàn)證用各麥區(qū)中所有縣小麥單產(chǎn)真實(shí)值和預(yù)測(cè)值的相對(duì)誤差的平均值表示。麥區(qū)尺度驗(yàn)證用各麥區(qū)實(shí)際單產(chǎn)和預(yù)測(cè)單產(chǎn)的相對(duì)誤差進(jìn)行評(píng)價(jià)。其中,各麥區(qū)實(shí)際單產(chǎn)是先用各縣實(shí)際單產(chǎn)與各縣實(shí)際種植面積計(jì)算得到麥區(qū)實(shí)際總產(chǎn)量,再用實(shí)際總產(chǎn)量除以總種植面積得到。同理,各麥區(qū)預(yù)測(cè)單產(chǎn)是先用各縣預(yù)測(cè)單產(chǎn)與各縣實(shí)際種植面積計(jì)算得到麥區(qū)總預(yù)測(cè)產(chǎn)量,再用麥區(qū)總預(yù)測(cè)產(chǎn)量除以總種植面積得到。

        2.6 特征重要性評(píng)價(jià)方法

        用隨機(jī)森林中某個(gè)樹節(jié)點(diǎn)的樣本方差與分裂后兩個(gè)葉子節(jié)點(diǎn)樣本方差進(jìn)行差值運(yùn)算,用該差值來(lái)評(píng)價(jià)某個(gè)特征的重要性程度,差值降低越高表示該特征重要性越大。計(jì)算得到模型所有特征重要性后,對(duì)所有特征重要性值作歸一化處理[32]。主要說(shuō)明的是:對(duì)于某一模型,所有特征重要性值累積為1,特征重要性具體的值本身并無(wú)意義,因此分析時(shí)關(guān)注的是特征重要性值之間的相對(duì)差異。

        3 研究結(jié)果

        3.1 趨勢(shì)產(chǎn)量擬合方法

        分別采用3 a直線滑動(dòng)平均法、5 a直線滑動(dòng)平均法和HP濾波法對(duì)五大麥區(qū)所有縣小麥實(shí)際單產(chǎn)進(jìn)行趨勢(shì)產(chǎn)量擬合,進(jìn)而計(jì)算氣象單產(chǎn),建立氣象單產(chǎn)和四類氣象災(zāi)害指標(biāo)之間的隨機(jī)森林回歸模型,對(duì)其進(jìn)行驗(yàn)證,結(jié)果如圖3所示。北部冬麥區(qū)和長(zhǎng)江中下游冬麥區(qū)中HP方法R2最高,但3 a直線滑動(dòng)平均法的均方根誤差和平均絕對(duì)誤差最低;黃淮海冬麥區(qū)和西北春麥區(qū)中3 a直線滑動(dòng)平均法R2最高,均方根誤差、平均絕對(duì)誤差最低;西南冬麥區(qū)5 a直線滑動(dòng)平均法R2最高,但3 a方法的均方根誤差、平均絕對(duì)誤差最低。綜合來(lái)看,3 a直線滑動(dòng)平均法擬合趨勢(shì)產(chǎn)量最好。因此,本文采用3 a直線滑動(dòng)平均法對(duì)趨勢(shì)產(chǎn)量進(jìn)行擬合,并進(jìn)行下一步估產(chǎn)模型建立。

        圖3 氣象產(chǎn)量與氣象因子擬合精度Fig. 3 Fitting accuracy of meteorological yield and meteorological factors

        3.2 隨機(jī)森林估產(chǎn)模型構(gòu)建與精度驗(yàn)證結(jié)果

        表1為各麥區(qū)隨機(jī)森林估產(chǎn)模型擬合精度統(tǒng)計(jì)。各麥區(qū)估產(chǎn)模型擬合R2均達(dá)到了0.98以上,平均相對(duì)誤差均低于0.073。其中,黃淮海冬麥區(qū)估產(chǎn)模型擬合精度最高,決定系數(shù)R2為0.992、均方根誤差為125.183 kg/hm2,平均絕對(duì)誤差為76.703 kg/hm2、平均相對(duì)誤差為0.019;西北春麥區(qū)估產(chǎn)模型擬合精度相對(duì)最低,決定系數(shù)R2為0.990、均方根誤差為200.835 kg/hm2、平均絕對(duì)誤差為131.655 kg/hm2、平均相對(duì)誤差為0.073。綜上所述,用本文提出的方法對(duì)各麥區(qū)建立的隨機(jī)森林估產(chǎn)模型擬合精度整體很高,能夠滿足大范圍尺度估產(chǎn)精度。

        表1 各麥區(qū)估產(chǎn)模型擬合精度Table 1 Fitting accuracy of yield estimation models in each wheat growing region

        3.3 災(zāi)害年份估產(chǎn)精度驗(yàn)證

        3.3.1 災(zāi)害年份確定 圖4至圖8為各麥區(qū)農(nóng)作物災(zāi)損統(tǒng)計(jì)情況,以2000—2019年《中國(guó)農(nóng)村統(tǒng)計(jì)年鑒》全國(guó)各省農(nóng)作物自然氣候?yàn)?zāi)害損失數(shù)據(jù)為基礎(chǔ),以各麥區(qū)主要?。ㄖ陛犑校┺r(nóng)作物受災(zāi)面積累計(jì)的大小為依據(jù),對(duì)五大麥區(qū)不同類型災(zāi)害的典型年份進(jìn)行確定。例如,西北春麥區(qū)主要包括甘肅、寧夏以及內(nèi)蒙古西北部地區(qū),內(nèi)蒙古西北部地區(qū)多為戈壁沙漠地帶,故用寧夏與甘肅農(nóng)作物受災(zāi)面積的累計(jì)來(lái)表示該區(qū)整體農(nóng)作物受災(zāi)狀況;西南冬麥區(qū)主要包括重慶與貴州全部、四川中東部、云南中北部以及陜西南部少部分地區(qū),故用重慶與貴州農(nóng)作物受災(zāi)面積累計(jì)并參考四川、云南農(nóng)作物受災(zāi)面積來(lái)表示該區(qū)整體農(nóng)作物受災(zāi)狀況,其他三個(gè)麥區(qū)進(jìn)行類似分析來(lái)確定不同類型災(zāi)害的典型年份。

        圖4 西北春麥區(qū)農(nóng)作物受災(zāi)面積統(tǒng)計(jì)Fig. 4 Area of crop affected by disaster in northwest spring wheat area

        圖5 北部冬麥區(qū)農(nóng)作物受災(zāi)面積統(tǒng)計(jì)Fig. 5 Area of crop affected by disaster in northern winter wheat area

        圖8 西南冬麥區(qū)農(nóng)作物受災(zāi)面積統(tǒng)計(jì)Fig. 8 Area of crop affected by disaster in southwest winter wheat area

        由圖可以看出,低溫冷害、干旱和洪澇災(zāi)害嚴(yán)重年份在西北春麥區(qū)分別為2004年、2000年和2013年,在北部冬麥區(qū)分別為2006年、2001年和2007年,在黃淮海冬麥區(qū)分別為2005年、2001年和2003年,在長(zhǎng)江中下游冬麥區(qū)分別為2008年、2001年和2003年,在西南冬麥區(qū)分別為2008年、2001年和2002年。干熱風(fēng)災(zāi)害有較強(qiáng)的區(qū)域性,其主要集中在我國(guó)河西地區(qū)、黃淮海平原等地區(qū)[33],即西北春麥區(qū)、北方冬麥區(qū)以及黃淮海冬麥區(qū)。已有研究表明[26,29,34-35],1960年至2017年河西地區(qū)干熱風(fēng)發(fā)生總次數(shù)和日數(shù)先緩慢減少后迅速增多,其中2004年的干熱風(fēng)發(fā)生總天數(shù)最高,持續(xù)天數(shù)也達(dá)到了歷年最長(zhǎng)(12 d);1961年至2015年黃淮海平原地區(qū)干熱風(fēng)日數(shù)總體呈下降趨勢(shì),但是在2001年黃淮海平原地區(qū)仍發(fā)生了一次嚴(yán)重的干熱風(fēng)災(zāi)害,區(qū)域平均干熱風(fēng)日數(shù)達(dá)8.1 d。因此,本文將 2004年作為西北春麥區(qū)干熱風(fēng)災(zāi)害年份,2001年作為北部冬麥區(qū)與黃淮海冬麥區(qū)的干熱風(fēng)災(zāi)害年份。長(zhǎng)江中下游冬麥區(qū)與西南冬麥區(qū)未進(jìn)行干熱風(fēng)災(zāi)害年份的確定。

        圖6 黃淮海冬麥區(qū)農(nóng)作物受災(zāi)面積統(tǒng)計(jì)Fig. 6 Area of crop affected by disaster in Huang-Huai-Hai winter wheat area

        圖7 長(zhǎng)江中下游冬麥區(qū)農(nóng)作物受災(zāi)面積統(tǒng)計(jì)Fig. 7 Area of crop affected by disaster in middle and lower reaches of Yangtze River winter wheat area

        3.3.2 災(zāi)害年份估產(chǎn)精度驗(yàn)證結(jié)果 表2為縣級(jí)和麥區(qū)級(jí)兩個(gè)尺度的驗(yàn)證結(jié)果。各麥區(qū)所有縣單產(chǎn)平均相對(duì)誤差的最大值為西北春麥區(qū)洪澇災(zāi)害年份的估產(chǎn)精度(0.060),最小值為黃淮海冬麥區(qū)洪澇災(zāi)害年份的估產(chǎn)精度(0.017),平均相對(duì)誤差的均值為0.032。黃淮海冬麥區(qū)災(zāi)害年份的估產(chǎn)精度高于其他麥區(qū)災(zāi)害年份的估產(chǎn)精度,西北春麥區(qū)災(zāi)害年份估產(chǎn)精度相對(duì)最低。在不同類型災(zāi)害年份,五大麥區(qū)單產(chǎn)預(yù)測(cè)精度整體較高,整體相對(duì)誤差最大為0.049,最小為0.001,均值為0.018。

        表2 精度驗(yàn)證結(jié)果Table 2 Accuracy verification results

        3.4 輸入特征重要性排序結(jié)果

        不同小麥種植區(qū)有各自的生態(tài)環(huán)境特點(diǎn),小麥在不同麥區(qū)受到的異常氣候?yàn)?zāi)害類型差異較大。由圖9可以看出,西北春麥區(qū)和北部冬麥區(qū)變量重要性排序中,干熱風(fēng)有效天數(shù)重要性在所有變量中排名分別達(dá)到了第3和第13位,在所有氣象類因子重要性排名中則分別達(dá)到了第1位和第6位,而在其他麥區(qū),干熱風(fēng)災(zāi)害因子重要性都很低,這表明干熱風(fēng)災(zāi)害是影響西北春麥區(qū)和北部冬麥區(qū)小麥生長(zhǎng)的重要因素。

        圖9 各麥區(qū)輸入變量重要性排序Fig. 9 Order of importance of input variables in five wheat growing regions

        各麥區(qū)SPEI干旱指數(shù)在所有氣象類因子重要性排序中均達(dá)到較高排名,分別為西北春麥區(qū)第2位、北部冬麥區(qū)第2位、黃淮海冬麥區(qū)第1位、長(zhǎng)江中下游冬麥區(qū)第1位、西南冬麥區(qū)第3位,表明干旱仍是五大麥區(qū)影響小麥生產(chǎn)的重要因素。

        不同生育階段溫度變化對(duì)旱地春小麥產(chǎn)量的影響大小依次為灌漿成熟期、開花灌漿期、播種出苗期、孕穗開花期、拔節(jié)孕穗期、出苗分蘗期、分蘗拔節(jié)期[36],需水關(guān)鍵期為出苗期、拔節(jié)期、開花期[37],本文西北春麥區(qū)不同月份降水與溫度參數(shù)重要性計(jì)算統(tǒng)計(jì)結(jié)果與其大致相符。冬小麥在拔節(jié)期對(duì)水分脅迫敏感性最強(qiáng),其次是抽穗灌漿期、返青期、灌漿成熟期[38],除西南冬麥區(qū)外,其他冬麥區(qū)降水參數(shù)重要性統(tǒng)計(jì)結(jié)果與其大致相符,不同月份的溫度參數(shù)重要性分布較為均勻,整體差異不大。

        各麥區(qū)不同時(shí)間NDVI植被指數(shù)重要性差異較大,每個(gè)麥區(qū)都有一個(gè)時(shí)間段的NDVI植被指數(shù)重要性相對(duì)較高。具體來(lái)說(shuō),西北春麥區(qū)為16號(hào)變量(3月22日至4月6日)、北部冬麥區(qū)為16號(hào)變量(4月7日至4月22日)、黃淮海冬麥區(qū)為16號(hào)變量(4月7日至4月22日)、西南冬麥區(qū)為4號(hào)變量(9月14日至9月29日)??傮w來(lái)說(shuō),北部冬麥區(qū)、黃淮海冬麥區(qū)重要性較高的NDVI植被指數(shù)的時(shí)間大致處于小麥生長(zhǎng)的拔節(jié)期與抽穗成熟期,而在西北春麥區(qū)與西南冬麥區(qū),處于小麥種植前期的NDVI植被指數(shù)顯示出較高的重要性。其中值得注意的一點(diǎn)是長(zhǎng)江中下游冬麥區(qū)的18號(hào)變量(5月25日至6月9日的NDVI)顯示重要性很高,其次是15號(hào)變量(4月7日至4月22日),前者小麥已經(jīng)進(jìn)入收獲期,后者在抽穗期,理論上后者才是更重要,出現(xiàn)這個(gè)問題的原因詳見后文的討論。

        4 討論

        4.1 本研究的主要科學(xué)貢獻(xiàn)

        1)傳統(tǒng)的氣象估產(chǎn)模型的輸入變量往往是原始的氣象要素,如降水量、溫度等,而非氣候指標(biāo)。氣候指標(biāo)是一定氣候條件下的單項(xiàng)氣候要素或多種氣候要素綜合的特征量,如干旱指數(shù),熱浪指數(shù),高溫指數(shù)等。氣候指標(biāo)能更加綜合的反映氣候條件的變化,特別是考慮作物生長(zhǎng)條件的農(nóng)業(yè)氣候指標(biāo),能更好的衡量農(nóng)業(yè)氣象條件的利弊。本文從影響小麥生長(zhǎng)的主要農(nóng)業(yè)自然災(zāi)害(干旱、洪澇、干熱風(fēng)和低溫凍害)出發(fā),計(jì)算了SPEI干旱指數(shù)、降水距平、干熱風(fēng)指數(shù)和溫度距平來(lái)反映研究區(qū)中四個(gè)主要農(nóng)業(yè)自然災(zāi)害的情況,據(jù)此構(gòu)建的估產(chǎn)模型經(jīng)過(guò)驗(yàn)證可以有效的進(jìn)行災(zāi)害年份小麥的產(chǎn)量估計(jì)。

        2)NDVI指數(shù)(包括NDVI的最大值、生長(zhǎng)季的NDVI累計(jì)值等)是遙感估產(chǎn)中最常用的植被指數(shù)。傳統(tǒng)的遙感統(tǒng)計(jì)估產(chǎn)模型往往只依托于遙感指數(shù),而不考慮非遙感數(shù)據(jù)。本研究綜合使用遙感數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行估產(chǎn)模型的建立。相比單純的遙感數(shù)據(jù),加入氣候數(shù)據(jù)能夠增加模型估產(chǎn)結(jié)果的穩(wěn)定性,減少由傳感器衰變,大氣條件差異等造成的植被指數(shù)本身年際間的變化而產(chǎn)生的估產(chǎn)誤差。相比單純使用氣候指數(shù),遙感數(shù)據(jù)能夠在一定程度上反映人類活動(dòng)的影響,例如人工灌溉對(duì)干旱的抵御作用,從而避免僅僅考慮氣候?yàn)?zāi)害指數(shù)而帶來(lái)的產(chǎn)量低估。

        3)本文利用隨機(jī)森林算法對(duì)各個(gè)麥區(qū)估產(chǎn)模型的輸入變量的重要性進(jìn)行了分析,可以幫助我們更好的理解影響各個(gè)麥區(qū)小麥產(chǎn)量的主要因素,為不同區(qū)域的小麥防災(zāi)減災(zāi)措施的制定提供參考,也可以為其他區(qū)域的小麥估產(chǎn)研究和其他作物估產(chǎn)模型的建立提供輸入變量篩選的方法借鑒。

        4.2 本研究的不足之處

        1)計(jì)算2000—2018年小麥種植區(qū)各縣四類災(zāi)害指標(biāo)與遙感植被指數(shù)時(shí),考慮到工作量和試驗(yàn)可行性,以及每年對(duì)全國(guó)小麥空間分布提取也同樣存在一定的誤差,最終選擇用2010年全國(guó)土地利用空間分類圖中耕地范圍來(lái)代替各縣小麥種植區(qū)進(jìn)行參數(shù)的計(jì)算,這會(huì)在一定程度上帶來(lái)誤差。例如對(duì)于NDVI變量,長(zhǎng)江中下游冬麥區(qū)的5月25日至6月9日的NDVI重要性顯示很高,其次是4月7日至4月22日的NDVI,前者小麥已經(jīng)進(jìn)入收獲期,后者在抽穗期,這一結(jié)果和理論預(yù)期不符合。究其原因可能是長(zhǎng)江中下游的小麥種植面積總體小于水稻的種植面積,小麥?zhǔn)斋@期時(shí)以耕地范圍統(tǒng)計(jì)出來(lái)的NDVI指數(shù)很大程度上是水稻的信息,5月25日至6月9日大致在早稻的拔節(jié)孕穗期和中稻的移栽期,此時(shí)發(fā)生干旱對(duì)水稻的產(chǎn)量影響很大。

        2)本文根據(jù)各省(直轄市)農(nóng)作物自然災(zāi)害損失數(shù)據(jù)進(jìn)行各麥區(qū)災(zāi)害年份的確定,一方面災(zāi)損數(shù)據(jù)并不只針對(duì)小麥,另一方面災(zāi)損數(shù)據(jù)是按照行政單元統(tǒng)計(jì)的,而麥區(qū)是跨行政單元的。我們以麥區(qū)包括的主要省(直轄市)的災(zāi)損總量來(lái)反映整個(gè)麥區(qū)的災(zāi)損情況,由此確定各麥區(qū)不同災(zāi)害類型的典型災(zāi)害年份,可能會(huì)產(chǎn)生一定誤差。在后續(xù)的研究中可以考慮根據(jù)時(shí)間序列氣象數(shù)據(jù)進(jìn)行不同類型災(zāi)害年份的確定。

        3)本文選擇的SPEI干旱指數(shù)和干熱風(fēng)有效天數(shù)是對(duì)小麥生育期整體災(zāi)害情況的描述,然而發(fā)生在不同生育期的相同災(zāi)害對(duì)作物產(chǎn)量的影響是不同的,在后續(xù)的研究中需要在小麥不同生育期對(duì)災(zāi)害指標(biāo)進(jìn)行計(jì)算,以便分析在小麥不同生長(zhǎng)階段發(fā)生的氣象災(zāi)害對(duì)產(chǎn)量的影響差異。

        5 結(jié)論

        本文基于隨機(jī)森林算法,以氣象災(zāi)害指標(biāo)、遙感植被指數(shù)、趨勢(shì)產(chǎn)量為輸入變量,構(gòu)建了五大麥區(qū)的估產(chǎn)模型,并在典型災(zāi)害年份進(jìn)行了估產(chǎn)精度的驗(yàn)證,得到如下主要結(jié)論:

        1) 精度驗(yàn)證結(jié)果顯示,各麥區(qū)回歸模型的決定系數(shù)R2均達(dá)到了0.95以上,驗(yàn)證樣本的平均相對(duì)誤差均低于0.073,均方根誤差均低于200.835 kg/hm2,平均絕對(duì)誤差均低于131.655 kg/hm2。各麥區(qū)所有縣災(zāi)害年份實(shí)際單產(chǎn)與預(yù)測(cè)單產(chǎn)平均相對(duì)誤差均低于0.060,各麥區(qū)區(qū)級(jí)實(shí)際單產(chǎn)與預(yù)測(cè)單產(chǎn)的相對(duì)誤差均低于0.049。

        2)輸入特征的重要性在不同麥區(qū)具有一定的差異性,與地區(qū)氣候差異情況有關(guān)。SPEI干旱指數(shù)在五大麥區(qū)重要性均較高,表明干旱仍然是五大麥區(qū)影響小麥生產(chǎn)的重要因素;干熱風(fēng)指標(biāo)重要性在西北春麥區(qū)與北部春麥區(qū)較高,符合干熱風(fēng)主要發(fā)生在河西與黃淮海地區(qū)的局地性特點(diǎn);各麥區(qū)月平均溫度距平重要性與月平均降水距平重要性整體差異比較小;總體來(lái)說(shuō)拔節(jié)期與抽穗期的小麥NDVI相比其他時(shí)間段的NDVI更重要。

        猜你喜歡
        估產(chǎn)干熱風(fēng)冬麥區(qū)
        基于無(wú)人機(jī)多光譜遙感數(shù)據(jù)的煙草植被指數(shù)估產(chǎn)模型研究
        遙感技術(shù)在大豆種植情況監(jiān)測(cè)中的應(yīng)用
        幾種化學(xué)制劑對(duì)葡萄光合作用抵御干熱風(fēng)的影響
        黃淮和長(zhǎng)江中下游冬麥區(qū)小麥品種(系)農(nóng)藝性狀 及其聚類分析*
        國(guó)內(nèi)外301份小麥品種(系)種子萌發(fā)期抗旱性鑒定及評(píng)價(jià)
        基于GIS的邯鄲市干熱風(fēng)時(shí)空變化特征分析
        1961—2015年黃淮海地區(qū)冬小麥干熱風(fēng)災(zāi)害時(shí)空分布特征
        小麥栽培的特點(diǎn)及不同冬麥區(qū)存在的問題
        65年來(lái)濮陽(yáng)市冬小麥干熱風(fēng)災(zāi)害特征分析
        基于地級(jí)市的區(qū)域水稻遙感估產(chǎn)與空間化研究
        亚无码乱人伦一区二区| 国产精品国产三级国产在线观| 国产三级精品三级在线| 人妻少妇不满足中文字幕 | 吃下面吃胸在线看无码| 日本韩国一区二区高清| 每日更新在线观看av| 国产午夜福利在线播放| 亚洲欧洲久久久精品| 日本一区二区三区在线观看视频| 亚洲在线视频免费视频| 人妻少妇久久中文字幕一区二区| 国产成人户外露出视频在线| 91麻豆精品激情在线观最新| 一区二区三区天堂在线| 国产国拍亚洲精品mv在线观看| 国产精品主播视频| 激情视频国产在线观看| 日韩精品综合一本久道在线视频| 国产一区二区精品久久| 国产偷国产偷亚洲欧美高清| 亚洲视频观看一区二区| 亚洲欧美中文日韩在线v日本| 国产亚洲精品资源在线26u| 国产伦精品一区二区三区四区| 日韩精品人妻一区二区三区蜜桃臀| 亚洲综合网国产精品一区| 国产乱人伦精品一区二区| 国产特级毛片aaaaaa| 制服丝袜天堂国产日韩| 日本人妖一区二区三区| 无码国产精成人午夜视频一区二区| 国产suv精品一区二区883| 91久久国产自产拍夜夜嗨| 少妇熟女天堂网av天堂| 欧美激情一区二区三区| 极品尤物高潮潮喷在线视频| 国产91熟女高潮一曲区| 天堂资源中文网| 无码国产一区二区三区四区| 无码伊人久久大蕉中文无码|