CN112446155A - 一种目标农作物的空间格局模拟模型获取方法 - Google Patents

Abstract

本发明属于空间规划技术领域，具体公开一种目标农作物的空间格局模拟模型获取方法，包括如下步骤：S1：根据现有资料获取目标农作物的主导环境变量；S2：根据主导环境变量，建立目标农作物在目标区域内的空间格局模拟模型，并得到目标农作物的模拟面积；S3：根据目标农作物在目标区域内的模拟面积进行模型精度检验，判断模型精度是否满足要求，若是，则输出当前空间格局模拟模型，并结束获取方法，否则返回步骤S2。本发明解决了现有技术存在的缺乏空间映射关系、在大尺度研究时存在成本高、时效滞后、易受人为因素干扰以及模型对某些作物的适用性存在局限的问题。

Description

一种目标农作物的空间格局模拟模型获取方法

技术领域

本发明属于空间规划技术领域，具体涉及一种目标农作物的空间格局模拟模型获取方法。

背景技术

农作物空间格局的本质是农业土地利用变化在某一时刻的状态，它集中反映了人类对土地进行农业生产利用的过程，是作物种植类型、生产分布、种植结构、熟制方式等一系列信息在区域内的空间表达。空间格局获取是土地利用规划、国土空间规划、农业生产布局等工作前提，也是开展农作物空间格局动态变化、驱动机制等学科领域的研究基础。目前从获取途径来看，作物空间格局获取技术可分为统计数据、遥感技术、模拟模型三类。

基于统计数据方法的优势在于可以获取不同尺度行政单元的农作物面积产量，以及与农作物相关的农药、肥料、劳动力、灌溉等数据，丰富了不同尺度上的农作物空间格局信息。但是统计数据法仅反映行政单位的属性数量关系，缺乏空间映射关系，且在大尺度研究时存在成本高，时效滞后，易受人为因素干扰。随着空间观测技术的快速发展，根据作物在不同生长阶段特有的光谱特征对作物进行识别，获取不同时空尺度的作物类型、空间分布、种植结构等信息，为农作物空间格局信息获取提供了新方法。但是现阶段遥感技术也面临着混合象元、大气校正、同物异谱和异物同谱等问题，尤其是在土地覆被信息复杂、地块零碎，以及多云雨的条件，使得在长时序、大尺度上开展农作物空间格局研究面临极大挑战。空间模拟模型为农作物空间格局信息获取研究提供新的视角，目前已发展出AiC作物选择模型、SPAM模型、SPAM-China模型，但是上述模拟模型大多面向大尺度和粮食作物，对于经济作物尤其是西南地区水果作物的适用性存在局限。

发明内容

本发明旨在于至少在一定程度上解决上述技术问题之一。

为此，本发明目的在于提供一种目标农作物的空间格局模拟模型获取方法，用于解决现有技术存在的缺乏空间映射关系、在大尺度研究时存在成本高、时效滞后、易受人为因素干扰以及模型对某些作物的适用性存在局限的问题。

本发明所采用的技术方案为：

一种目标农作物的空间格局模拟模型获取方法，包括如下步骤：

S1：根据现有资料获取目标农作物的主导环境变量；

S2：根据主导环境变量，建立目标农作物在目标区域内的空间格局模拟模型，并得到目标农作物的模拟面积；

S3：根据目标农作物在目标区域内的模拟面积进行模型精度检验，判断模型精度是否满足要求，若是，则输出当前空间格局模拟模型，并结束获取方法，否则返回步骤S2。

进一步地，步骤S1中，现有资料包括：目标区域的地理数据以及对应的行政区数据、目标农作物在目标区域内的出现位置数据、所有潜在环境变量的环境变量数据以及目标农作物在目标区域内的统计面积。

进一步地，步骤S1的具体步骤为：

S1-1：根据现有资料中所有潜在环境变量的环境变量数据，获取所有潜在环境变量的贡献率；

S1-2：根据所有潜在环境变量的贡献率选择主导环境变量，即将贡献率超过贡献率阈值的潜在环境变量作为主导环境变量。

进一步地，步骤S1-2中，贡献率阈值为1％。

进一步地，步骤S2的具体步骤为：

S2-1：根据目标区域的地理数据以及对应的行政区数据，建立目标区域的地理模型；

S2-2：根据现有资料中目标农作物出现位置数据和主导环境变量的环境变量数据，使用最大熵原理建立目标农作物种植分布与主导自然环境变量关系模型；

S2-3：对目标农作物种植分布与主导自然环境变量关系模型进行精度检验，精度检验通过后，进入步骤S2-4，否则返回步骤S2-2；

S2-4：使用目标农作物种植分布与主导自然环境变量关系模型获取目标区域内的目标农作物分布概率；

S2-5：根据目标农作物的出现位置数据，将目标区域内的目标农作物分布概率添加至目标区域的地理模型的对应位置；

S2-6：将步骤S2-5得到的目标区域的地理模型转换为栅格，并获取每个栅格内的目标农作物分布概率；

S2-7：使用空间分配算法，按照栅格内的目标农作物分布概率从大到小的顺序，将每个行政区的统计面积依次分配至对应的栅格，并标识选择点，得到目标农作物在目标区域内的空间格局模拟模型；

S2-8：将每个行政区的所有选择点对应的栅格内分配的面积进行累加，得到每个行政区的目标农作物的模拟面积。

进一步地，步骤S2-2中，目标农作物种植分布与主导自然环境变量关系模型的公式为：

式中，p(y＝1|x)为目标农作物分布在站点x处的概率；p(x)为站点x选择概率，其中，

p(y＝1)为整个目标区域内目标农作物分布概率；p(x|y＝1)为站点x处目标农作物的模拟分布概率；π(x)为根据目标农作物出现位置数据得到的站点x处目标农作物的真实分布概率，其中，π(x)＝p(x|y＝1)。

进一步地，步骤S2-3中，使用受试者工作特征曲线的下面积即AUC值对目标农作物种植分布与主导自然环境变量关系模型进行精度检验，当AUC值大于0.75时，精度检验通过，否则精度检验不通过。

进一步地，步骤S3中，模型精度检验的具体步骤为：

A1：将每个行政区的目标农作物的模拟面积和现有资料中对应的统计面积进行相关性分析，得到相关系数；

A2：将每个行政区的目标农作物的模拟面积和现有资料中对应的统计面积进行误差分析，得到相对误差，统计相对误差大于相对误差阈值的行政区的个数，并根据相对误差大于相对误差阈值的行政区的个数和行政区总个数，得到占比；

A3：当相关系数大于相关系数阈值且占比小于占比阈值时，模型精度合格，否则，模型精度不合格。

进一步地，步骤A3中，相关系数阈值为0.9，占比阈值为15％。

进一步地，步骤A3中，误差阈值为25％。

本发明的有益效果为：

本发明建立的空间格局模拟模型考虑了空间映射关系，降低了大尺度研究时存在成本，提高了时效，避免了人为因素的干扰，基于不同农作物的主导环境变量，提高了空间格局模拟模型的适用性。

本发明的其他有益效果将在具体实施方式中进行详细说明。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是空间格局模拟模型获取方法流程图。

图2是柑橘种植分布与环境变量的关系模型精度图。

图3是实施例中目标农作物分布概率示意图。

图4是实施例中空间格局模拟模型示意图。

图5是市州尺度下模拟面积-统计面积相关性分析图。

图6是县域尺度下模拟面积-统计面积相关性分析图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本发明公开的功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本发明阐述的实施例中。

应当理解，本发明使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若术语“包括”、“包括了”、“包含”和/或“包含了”在本发明中被使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。

应当理解，在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

实施例1

本发明针对我国西南地区大宗水果之一的柑橘作物为例，利用统计数据和潜在地理分布概率模型设计了一种柑橘空间格局模拟模型，对柑橘面积属性的空间化，实现重构不同空间尺度的柑橘时空分布信息。

一种目标农作物的空间格局模拟模型获取方法，如图1所示，包括如下步骤：

S1：根据现有资料获取目标农作物的主导环境变量；

农作物空间格局具有独特性，自然环境约束便是其最主要特征之一；农作物一般在高适宜区开始初始生产实践，其后生产者不断地增加管理成本、时间成本、改善基础设施，学习先进技术，形成路径依赖，再向周边扩张，这样使得在一定时期内，农作物空间保留着强烈的自然适宜性，农作物生产空间绝大部分包含在适宜空间之内；

现有资料包括：目标区域的地理数据以及对应的行政区数据、目标农作物在目标区域内的出现位置数据、所有潜在环境变量的环境变量数据以及目标农作物在目标区域内的统计面积；

具体步骤为：

S1-1：根据现有资料中所有潜在环境变量的环境变量数据，运用最大熵MaxEnt模型的“刀切法”获取所有潜在环境变量的贡献率，如表1所示；

表1

S1-2：根据所有潜在环境变量的贡献率选择主导环境变量，即将贡献率超过贡献率阈值1％的潜在环境变量作为主导环境变量，表1中标注“*”为2015年主导环境变量；

S2：根据主导环境变量，建立目标农作物在目标区域内的空间格局模拟模型，并得到目标农作物的模拟面积；

具体步骤为：

S2-1：根据目标区域的地理数据以及对应的行政区数据，建立目标区域的地理模型；

S2-2：根据现有资料中目标农作物出现位置数据和主导环境变量的环境变量数据，使用最大熵原理建立目标农作物种植分布与主导自然环境变量关系模型；

在最大熵估计中，目标农作物的真实分布表示成研究区域X个站点集上的概率分布，对每个站点x均有一个非负的概率π(x)，然后以目标农作物分布点的数据作为限制因子对概率分布π进行建模；限制因子的表达为环境变量的简单函数f1,f2,…,fn；在模拟农作物分布时，假设从站点集X中随机选取一个站点x，如果存在该目标农作物为1，不存在为0，是否存在的响应变量为y，则分布概率π(x)＝p(x|y＝1)，即已知该目标农作物在研究区内分布情况下，在站点x观察到目标农作物存在的概率，目标农作物种植分布与主导自然环境变量关系模型的公式为：

式中，p(y＝1|x)为目标农作物分布在站点x处的概率；p(x)为站点x选择概率，其中，

p(y＝1)为整个目标区域内目标农作物分布概率；p(x|y＝1)为站点x处目标农作物的模拟分布概率；π(x)为根据目标农作物出现位置数据得到的站点x处目标农作物的真实分布概率，其中，π(x)＝p(x|y＝1)；

S2-3：对目标农作物种植分布与主导自然环境变量关系模型进行精度检验，精度检验通过后，进入步骤S2-4，否则返回步骤S2-2；

使用受试者工作特征曲线的下面积即AUC值对目标农作物种植分布与主导自然环境变量关系模型进行精度检验，其取值范围0.5～1，AUC值越大，表示模型准确性越好，其中0.50～0.60为模型失败；0.60～0.70为模型较差；0.70～0.80为模型一般；0.80～0.90为模型好；0.90～1.0为模型非常好，当AUC值大于0.75时，精度检验通过，否则精度检验不通过，如图2所示；

S2-4：使用目标农作物种植分布与主导自然环境变量关系模型获取目标区域内的目标农作物分布概率；

S2-5：根据目标农作物的出现位置数据，将目标区域内的目标农作物分布概率添加至目标区域的地理模型的对应位置，如图3所示；

S2-6：将步骤S2-5得到的目标区域的地理模型转换为栅格，并获取每个栅格内的目标农作物分布概率；

将目标区域内的目标农作物的概率分布格局转换为点(ponit)矢量数据，并与目标区域行政区划矢量数据进行空间连接，获取行政区名称和面积统计数据值字段，并导入Orcale数据库建立表(Table)文件；

S2-7：使用空间分配算法，按照栅格内的目标农作物分布概率从大到小的顺序，将每个行政区的统计面积依次分配至对应的栅格，栅格数据的单位应与面积统计数据的单位保持一致，本实施例中单位均统一成平方公里，并标识选择点，得到如图4所示的目标农作物在目标区域内的空间格局模拟模型；

S2-8：将每个行政区的所有选择点对应的栅格内分配的面积进行累加，得到每个行政区的目标农作物的模拟面积；

S3：根据目标农作物在目标区域内的模拟面积进行模型精度检验，判断模型精度是否满足要求，若是，则输出当前空间格局模拟模型，并结束获取方法，否则返回步骤S2；

模型精度检验的具体步骤为：

A1：将每个行政区的目标农作物的模拟面积和现有资料中对应的统计面积进行相关性分析，得到相关系数；

A2：将每个行政区的目标农作物的模拟面积和现有资料中对应的统计面积进行误差分析，得到相对误差，统计相对误差大于相对误差阈值25％的行政区的个数，并根据相对误差大于相对误差阈值的行政区的个数和行政区总个数，得到占比；

A3：当相关系数大于相关系数阈值0.9且占比小于占比阈值15％时，模型精度合格，否则，模型精度不合格；

目标农作物在目标区域内的模拟面积和现有资料中对应的统计面积如表2所示；

表2

表3

如图5所示，在市州尺度下：将21个市州柑橘面积统计数据做横坐标，以模型模拟面积做纵坐标绘制散点图，2015年的相关系数达到0.9998，R²＞90％，且在10％水平上显著，为极显著相关，相对误差为2.94％；如表3所示，相对误差大于误差阈值的占比为14.28％，可见模型模拟的柑橘面积在市域尺度很好地反映了统计数据的分布规律；

如图6所示，在县域尺度下：将181个县域柑橘面积统计数据做横坐标，以模型模拟面积做纵坐标绘制散点图，2015年的相关系数达到0.9999，R²＞90％，且在10％水平上显著，为极显著相关，相对误差为2.94％；如表3所示，2015年相对误差≥25％的县域只有12个，占比为10.91％，可见模型模拟的柑橘面积在县域尺度很好地反映了统计数据的分布规律。

本发明建立的空间格局模拟模型考虑了空间映射关系，降低了大尺度研究时存在成本，提高了时效，避免了人为因素的干扰，基于不同农作物的主导环境变量，提高了空间格局模拟模型的适用性。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域技术人员在不付出创造性的劳动的情况下，即可理解并实施。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (10)

1.一种目标农作物的空间格局模拟模型获取方法，其特征在于：包括如下步骤：

S1：根据现有资料获取目标农作物的主导环境变量；

S2：根据主导环境变量，建立目标农作物在目标区域内的空间格局模拟模型，并得到目标农作物的模拟面积；

S3：根据目标农作物在目标区域内的模拟面积进行模型精度检验，判断模型精度是否满足要求，若是，则输出当前空间格局模拟模型，并结束获取方法，否则返回步骤S2。

2.根据权利要求1所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤S1中，现有资料包括：目标区域的地理数据以及对应的行政区数据、目标农作物在目标区域内的出现位置数据、所有潜在环境变量的环境变量数据以及目标农作物在目标区域内的统计面积。

3.根据权利要求2所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤S1的具体步骤为：

S1-1：根据现有资料中所有潜在环境变量的环境变量数据，获取所有潜在环境变量的贡献率；

S1-2：根据所有潜在环境变量的贡献率选择主导环境变量，即将贡献率超过贡献率阈值的潜在环境变量作为主导环境变量。

4.根据权利要求3所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤S1-2中，贡献率阈值为1％。

5.根据权利要求2所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤S2的具体步骤为：

S2-1：根据目标区域的地理数据以及对应的行政区数据，建立目标区域的地理模型；

S2-2：根据现有资料中目标农作物出现位置数据和主导环境变量的环境变量数据，使用最大熵原理建立目标农作物种植分布与主导自然环境变量关系模型；

S2-3：对目标农作物种植分布与主导自然环境变量关系模型进行精度检验，精度检验通过后，进入步骤S2-4，否则返回步骤S2-2；

S2-4：使用目标农作物种植分布与主导自然环境变量关系模型获取目标区域内的目标农作物分布概率；

S2-5：根据目标农作物的出现位置数据，将目标区域内的目标农作物分布概率添加至目标区域的地理模型的对应位置；

S2-6：将步骤S2-5得到的目标区域的地理模型转换为栅格，并获取每个栅格内的目标农作物分布概率；

S2-7：使用空间分配算法，按照栅格内的目标农作物分布概率从大到小的顺序，将每个行政区的统计面积依次分配至对应的栅格，并标识选择点，得到目标农作物在目标区域内的空间格局模拟模型；

S2-8：将每个行政区的所有选择点对应的栅格内分配的面积进行累加，得到每个行政区的目标农作物的模拟面积。

6.根据权利要求5所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤S2-2中，目标农作物种植分布与主导自然环境变量关系模型的公式为：

式中，p(y＝1|x)为目标农作物分布在站点x处的概率；p(x)为站点x选择概率，其中，

p(y＝1)为整个目标区域内目标农作物分布概率；p(x|y＝1)为站点x处目标农作物的模拟分布概率；π(x)为根据目标农作物出现位置数据得到的站点x处目标农作物的真实分布概率，其中，π(x)＝p(x|y＝1)。

7.根据权利要求6所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤S2-3中，使用受试者工作特征曲线的下面积即AUC值对目标农作物种植分布与主导自然环境变量关系模型进行精度检验，当AUC值大于0.75时，精度检验通过，否则精度检验不通过。

8.根据权利要求2所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤S3中，模型精度检验的具体步骤为：

A1：将每个行政区的目标农作物的模拟面积和现有资料中对应的统计面积进行相关性分析，得到相关系数；

A2：将每个行政区的目标农作物的模拟面积和现有资料中对应的统计面积进行误差分析，得到相对误差，统计相对误差大于相对误差阈值的行政区的个数，并根据相对误差大于相对误差阈值的行政区的个数和行政区总个数，得到占比；

A3：当相关系数大于相关系数阈值且占比小于占比阈值时，模型精度合格，否则，模型精度不合格。

9.根据权利要求8所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤A3中，相关系数阈值为0.9，占比阈值为15％。

10.根据权利要求8所述一种目标农作物的空间格局模拟模型获取方法，其特征在于：所述步骤A3中，误差阈值为25％。

Images