CN113177345A - 一种网格化作物种植布局优化方法 - Google Patents

一种网格化作物种植布局优化方法 Download PDF

Info

Publication number
CN113177345A
CN113177345A CN202110737070.5A CN202110737070A CN113177345A CN 113177345 A CN113177345 A CN 113177345A CN 202110737070 A CN202110737070 A CN 202110737070A CN 113177345 A CN113177345 A CN 113177345A
Authority
CN
China
Prior art keywords
planting
area
crop
irrigation
crops
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110737070.5A
Other languages
English (en)
Other versions
CN113177345B (zh
Inventor
史文娇
王鸣雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202110737070.5A priority Critical patent/CN113177345B/zh
Publication of CN113177345A publication Critical patent/CN113177345A/zh
Application granted granted Critical
Publication of CN113177345B publication Critical patent/CN113177345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G22/00—Cultivation of specific crops or plants not otherwise provided for
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G22/00—Cultivation of specific crops or plants not otherwise provided for
    • A01G22/20—Cereals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Environmental Sciences (AREA)
  • Botany (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明提供了一种网格化作物种植布局优化方法，该方法通过对目标种植区域建立网格模型，获取每个网格单元内的作物潜在单产和适宜种植面积、作物最小灌溉需水量、作物施肥强度、耕地面积以及灌溉面积数据，结合目标种植区的县级统计种植数据，分配得到每个网格单元内的作物种植数据，以灌溉需水总量最小为优化目标，基于预定的约束条件进行种植布局优化，得到优化后各个网格单元内的作物种植面积。本发明的优化方法是基于网格单元进行，得到的优化布局结果更加精准详细，可以科学指导作物种植布局调整，有效缓解地下水位下降等生态环境问题。

Description

一种网格化作物种植布局优化方法
技术领域
本发明属于种植布局优化调整技术领域，具体涉及一种网格化作物种植布局优化方法。
背景技术
目前，基于水资源展开的作物种植布局优化研究很多。研究人员多通过约束地区水资源消耗最少来调整得到节水的最优布局。然而，现有的优化布局存在一定的缺陷。第一，当前的优化布局多在区域尺度上进行，而区域尺度上的研究具有较大的空间不确定性。也有少部分研究将作物布局精细到网格上，然而优化方法多为线性优化，优化效果有待提升。第二，当前的优化研究中多对作物产量进行限制，未考虑作物不同的减产情景。第三，当前多数研究通过改变作物种植制度，如两年三熟，三年四熟等来达到节水目标，而改变种植制度需要改变农户的种植意愿，实施起来较为困难。因此，通过设定不同的作物减产目标，结合非线性优化方法，在考虑农民种植习惯和灌溉设施等实际情况下，对作物的种植布局开展网格尺度上的优化调整，能够更加有针对性的缓解重点地区地下水位下降等生态环境问题，同时保证调整措施可以有效实施。
发明内容
本发明所要解决的技术问题是提供一种网格化作物种植布局优化新方法。在模拟过程中，通过设定不同作物减产比例，采用通用代数建模系统（The General AlgebraicModeling System，GAMS）提供的Python API接口，选择Conopt4求解器中的非线性优化求解算法进行优化模拟。
根据本发明的一方面，提供了一种网格化作物种植布局优化方法，包括：步骤S1、对目标种植区域建立网格模型，获取每个网格单元内的作物潜在单产和适宜种植面积；步骤S2、获取每个网格单元内的作物最小灌溉需水量；步骤S3、根据目标种植区的县级尺度作物实际种植数据，分配得到每个网格单元内的作物种植数据，种植数据包括灌溉和雨养种植条件下的作物种植面积和单产数据；步骤S4、获取每个网格单元内的作物施肥强度数据；步骤S5、获取网格单元内的耕地面积和灌溉面积；步骤S6，以灌溉需水总量最小为优化目标，基于预定的约束条件和前述步骤得到的数据进行种植布局优化，得到优化后各个网格单元内的作物种植面积。
其中，所述步骤S2进一步包括：步骤S21，计算网格单元内的参考作物潜在蒸散量；步骤S22，结合参考作物潜在蒸散量、作物系数和水分胁迫系数，计算生育期内作物潜在蒸散量和作物实际蒸散量；步骤S23，计算网格单元的有效降雨量；步骤S24，基于作物潜在蒸散量和有效降雨量计算每个网格单元的作物最小灌溉需水量。
进一步，所述步骤S3包括：步骤S31，计算县级尺度灌溉和雨养种植条件下作物的单产和播种面积；步骤S32，计算作物在灌溉和雨养种植条件下的适宜种植面积；步骤S33，计算作物的市场可达性；步骤S34，计算作物先验分布参数；步骤S35，基于最小化交叉信息熵方法求解作物在网格单元内分配的种植比例；步骤S36，计算每个网格单元内作物的单产和种植面积。
优选的，在步骤S6之前，还包括步骤S6-1，对步骤S1-S5获得的网格数据转化为点状数据。
优选的，所述步骤S6中，所述优化目标设定为优化后种植区作物灌溉需水总量最小；其中，灌溉需水总量为步骤S2中得到的每个网格单元内最小灌溉需水量乘以对应的每个网格单元优化后的种植面积得到每个网格单元内的灌溉需水总量，再将种植区范围内所有网格单元上的灌溉需水总量相加，即得到优化后种植区作物灌溉需水总量。
优选的，所述优化目标进一步表征为下述目标函数：
Figure 193447DEST_PATH_IMAGE001
（6-1）
其中，
Figure 297538DEST_PATH_IMAGE002
表示全种植区作物
Figure 483800DEST_PATH_IMAGE003
的灌溉需水总量；
Figure 410168DEST_PATH_IMAGE004
表示优化后网格单元
Figure 647376DEST_PATH_IMAGE005
内作 物
Figure 876364DEST_PATH_IMAGE006
在灌溉
Figure 674555DEST_PATH_IMAGE007
或雨养
Figure 529248DEST_PATH_IMAGE008
种植条件
Figure 729285DEST_PATH_IMAGE009
下的种植比例；
Figure 129173DEST_PATH_IMAGE010
表示作物
Figure 414661DEST_PATH_IMAGE003
在全种植区实际 的灌溉
Figure 417252DEST_PATH_IMAGE007
或雨养
Figure 363474DEST_PATH_IMAGE008
种植条件
Figure 199843DEST_PATH_IMAGE009
下的总种植面积；
Figure 972627DEST_PATH_IMAGE011
表示网格单元
Figure 903543DEST_PATH_IMAGE012
上的最小灌溉需水 量；10为转换系数。
优选的，通过下述8个约束条件实现所述优化目标：
（1）在每个网格单元上灌溉和雨养种植条件下分配的作物种植面积加和小于等于该网格单元上的耕地面积；
（2）每个网格单元上分配的作物灌溉面积小于等于该网格单元上的灌溉面积；
（3）每个网格单元上分配的作物灌溉面积或雨养面积小于等于网格单元上灌溉或雨养种植条件下的作物适宜性种植面积；
（4）每个网格单元上分配的作物雨养面积小于等于原布局上的作物雨养面积；
（5）优化后作物的种植区在原作物种植网格单元范围内；
（6）优化后作物的总产大于等于不同减产比例与优化前种植区作物总产的乘积；
（7）优化后种植区肥料施用总量小于等于优化前的总施用量；
（8）优化后种植区作物灌溉需水总量小于等于优化前的作物灌溉需水总量。
如上所述，本发明提出了一种网格化作物种植布局优化方法，用于缓解当前地区用水紧缺以及地下水位下降等生态环境问题。该方法中考虑了不同作物减产限制条件，分别模拟了作物总产不变、减少情景下以节水为目标的可能布局。
该方法中的优化算法是基于网格单元进行的，通过非线性优化求解，以地区作物的灌溉需水总量最小为目标进行种植布局优化。同时，优化建模中设定了八个约束条件，分别保证在每个网格单元上灌溉和雨养种植条件下分配的作物种植面积加和小于等于该网格单元上的耕地面积、每个网格单元上分配的作物灌溉面积小于等于该网格单元上的灌溉面积、每个网格单元上分配的作物灌溉或雨养种植面积小于等于网格单元上灌溉或雨养种植条件下的作物适宜性种植面积、每个网格单元上分配的作物雨养面积小于等于原布局上的作物雨养面积、优化后作物的种植区保证在原作物种植网格单元范围内、优化后作物的总产大于等于不同减产比例与优化前种植区作物总产的乘积、优化后种植区肥料施用总量小于等于优化前的总施用量。
通过层层约束，能够保证得到更加合理的优化布局结果，并且能够在网格单元上精准详细的提出作物缩减目标，从而达到节水目的。此外，该方法考虑了农民种植习惯和灌溉设施等实际情况，能够在不改变农户意愿的情形下调整作物种植布局，实施起来较为可行。
本发明的上述技术方案具有如下有益的技术效果：
本发明是一种在网格尺度上对作物种植布局进行优化的方法，该发明进一步完善和发展了现有优化布局方法的可行性等问题。该方法考虑了不同减产情景下作物种植布局的最佳节水方案。此外，由于该优化方法是基于网格单元进行，得到的优化布局结果更加精准详细，可为该地区农业供给侧结构性改革中作物优化布局调整提供科学依据，有助于国家或地方政府更加方便的展开有针对性的、具体的规划措施，从网格单元进行管理、调整，从而有效的缓解地下水位下降等生态环境问题。
附图说明
图1显示了本发明的网格化作物种植布局优化方法的流程示意图。
图2显示了本发明的网格化作物种植布局优化方法的技术原理示意图。
图3是根据本发明的布局优化方法实施后灌溉小麦种植面积空间分布图。
图4是根据本发明的布局优化方法实施后雨养小麦种植面积空间分布图。
图5是根据本发明的布局优化方法实施后小麦总种植面积空间分布图。
图6是根据本发明的布局优化方法实施后小麦灌溉需水量空间分布图。
图中阴影部分表示每个网格单元上的数值大小，颜色越深，表示该网格单元上的数值越大。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
各类面积定义：
作物种植面积：作物实际种植占用的耕地面积。
作物播种面积：考虑作物不同种植季节、种植次数的种植面积。如在一年两熟区，一块地一年内种植两次同种作物，则播种面积为两次种植面积的加和。
作物适宜性种植面积：作物在灌溉或雨养种植条件下适合种植的区域面积，为理论情况。该面积综合考虑了气候、土壤和地形等要素。
当前作物种植布局：是经过多年农户的种植，依据实际情况所形成的（实际情况），该布局形成过程中不仅受到气候、地形等条件的影响，也受到人为因素影响，如作物适宜种植区被建筑用地或林草地占用等情况。
图1显示了本发明的网格化作物种植布局优化方法的流程示意图。
图2显示了本发明的网格化作物种植布局优化方法的技术原理示意图。
如图2所示，本发明提供了一种网格化作物种植布局优化方法。本发明中种植布局优化方法的技术原理主要包含三个阶段，第一阶段是优化布局建模所需的基础数据准备过程（包括步骤S1-S5），第二阶段是优化布局方法的建模，通过模型计算输出优化布局（包括步骤S6），第三阶段是将输出的优化布局结果空间化（步骤S7）。
在优化布局建模处理过程中，通过设定不同作物减产比例，采用通用代数建模系统（The General Algebraic Modeling System，GAMS）提供的Python API接口，选择Conopt4求解器中的非线性优化求解算法进行优化模拟。具体的，在模型中的优化函数及目标函数采用了非线性函数进行模拟。这里，Conopt4求解器是由外界内嵌连接到GAMS系统中的求解器，用于求解大型的非线性规划问题。在本发明的优化求解过程中，在GAMS系统可以直接调用该求解器。
下面以黄淮海区小麦种植为例详细介绍各个步骤的处理过程，但本发明不限制于此，本发明的优化模型和方法也适用于其他类似农作物的种植布局优化，例如水稻、大豆、玉米等，根据实际情况调整参数即可。
步骤S1、对目标种植区域建立网格模型，获取每个网格单元内的小麦潜在单产和适宜种植面积。
综合各类气象数据、土壤数据、土地利用数据、地形数据等，通过全球农业生态区划（GAEZ）模型模拟，对目标种植区域建立网格模型，划分成若干个网格单元，基于模型输入网格尺度数据，进一步得到种植区网格尺度上小麦在灌溉和雨养种植条件下的潜在单产和适宜性种植面积数据。该适宜性种植面积表示网格单元内气候条件、土壤条件等均适合小麦生长的区域面积。GAEZ模型依据每个土地评价单元上的气候（温度、降雨、辐射）、土壤条件等，测算小麦潜在单产和适宜小麦种植的面积。该结果为网格尺度上的结果，即每个网格单元内有对应的小麦在灌溉和雨养种植条件下的潜在单产（单位：kg/ha）和适宜种植面积（单位：ha）。
GAEZ模型共包含7个模块，分别用于农业气象数据分析和农业气象指标的编制、各种作物农业气象评估和计算雨养潜在生物量/产量、计算农业气象条件约束下的产量、计算土壤和地形限制下的产量、计算作物的潜在产量、实际作物产量数据处理和计算主要粮食作物和纤维作物的产量差。GAEZ模型根据每个土地评价单元上的气候条件和土壤条件，给出不同作物在该土地单元上种植的适宜性等级，而后根据研究时间段内的平均气候条件，对适宜的作物采用逐级限制法来计算土地粮食生产潜力，即按光合生产潜力（仅光照限制）—光温生产潜力(光照和温度限制)—气候生产潜力(光照、温度和水分限制)—农业-气候限制条件下的生产潜力(光照、温度、水分和病虫害、霜冻等灾害限制)—作物生产潜力(光照、温度、水分和病虫害、霜冻等灾害限制和土壤条件限制)进行逐级限制，最后输出潜在产量。
该步骤中气象数据包含气温、降雨、风速、湿度、日照时数、气压等，来源于中国气象数据网；土壤数据来源于中国科学院南京土壤所以及HWSD土壤数据库，主要包含土壤有机碳、pH值、土壤持水能力、土壤深度、土壤阳离子交换能力、土壤质地等；土地利用数据来源于中国科学院资源环境科学数据中心；地形数据来源于地理空间数据云平台，地形数据指地面高程数据，即海拔高度。
步骤S2、获取每个网格单元内小麦的最小灌溉需水量。
步骤S21，计算每个网格单元内的参考作物潜在蒸散量。
应用联合国粮食与农业组织（FAO）推荐的以能量平衡和水汽扩散理论为基础的 Penman-Monteith（P-M）公式，计算参考作物潜在蒸散量
Figure 343751DEST_PATH_IMAGE013
。
Figure 351021DEST_PATH_IMAGE014
（2-1）
式中，
Figure 237200DEST_PATH_IMAGE015
表示为温度曲线和饱和水气压相关的斜率，KPa/℃；
Figure 847173DEST_PATH_IMAGE016
表示地表净辐射 量，
Figure 610730DEST_PATH_IMAGE017
；
Figure 788901DEST_PATH_IMAGE018
表示土壤热通量，
Figure 270698DEST_PATH_IMAGE017
，一般取0；
Figure 543417DEST_PATH_IMAGE019
表示干湿度常数，KPa/℃；
Figure 692638DEST_PATH_IMAGE020
表示空气平均温度，℃；
Figure 41711DEST_PATH_IMAGE021
表示2m处风速，m/s；
Figure 10804DEST_PATH_IMAGE022
表示饱和水气压，KPa；
Figure 131555DEST_PATH_IMAGE023
表示实际观 测水气压差，KPa。
步骤S22，计算生育期内小麦潜在蒸散量和小麦实际蒸散量。
本步骤结合参考作物潜在蒸散量
Figure 276229DEST_PATH_IMAGE024
、作物系数
Figure 45471DEST_PATH_IMAGE025
和水分胁迫系数
Figure 501860DEST_PATH_IMAGE026
，计算 生育期内逐日的小麦潜在蒸散量
Figure 132692DEST_PATH_IMAGE027
和实际蒸散量
Figure 459768DEST_PATH_IMAGE028
。
Figure 275278DEST_PATH_IMAGE029
（2-2）
Figure 579482DEST_PATH_IMAGE030
（2-3）
公式（2-2）为作物在第
Figure 138640DEST_PATH_IMAGE031
天潜在蒸散量
Figure 726747DEST_PATH_IMAGE032
的计算，其中
Figure 713158DEST_PATH_IMAGE033
为第
Figure 534352DEST_PATH_IMAGE031
天的作物 系数，
Figure 772566DEST_PATH_IMAGE034
为第
Figure 605393DEST_PATH_IMAGE031
天的参考作物潜在蒸散；
公式（2-3）为作物在第
Figure 123224DEST_PATH_IMAGE031
天实际蒸散量
Figure 41502DEST_PATH_IMAGE035
的计算，其中
Figure 817828DEST_PATH_IMAGE036
为第
Figure 239582DEST_PATH_IMAGE031
天的作物水分 胁迫系数，具体计算公式如下：
Figure 692429DEST_PATH_IMAGE037
（2-4）
式中，
Figure 238948DEST_PATH_IMAGE038
为作物根部平均深度的土壤含水量；
Figure 835277DEST_PATH_IMAGE039
为根区最大土壤有效含水量；
Figure 783641DEST_PATH_IMAGE040
为作物从根区土壤中吸收的无水分胁迫的水分含量占根区最大土壤有效含水量
Figure 548335DEST_PATH_IMAGE039
的 比例；
Figure 300259DEST_PATH_IMAGE041
（2-5）
式中，
Figure 543021DEST_PATH_IMAGE042
为前一时期的土壤含水量，
Figure 814734DEST_PATH_IMAGE043
为1天，
Figure 484750DEST_PATH_IMAGE044
为第
Figure 225435DEST_PATH_IMAGE031
天的有效降雨，
Figure 6309DEST_PATH_IMAGE045
为第
Figure 132528DEST_PATH_IMAGE031
天的灌溉用水（仅针对灌溉作物，雨养条件下为0）；
Figure 973445DEST_PATH_IMAGE046
为第
Figure 699961DEST_PATH_IMAGE031
天的作物实际蒸散 量；
Figure 284527DEST_PATH_IMAGE047
为第
Figure 530831DEST_PATH_IMAGE031
天的径流；
Figure 542650DEST_PATH_IMAGE048
（2-6）
式中，
Figure 992348DEST_PATH_IMAGE049
为常数，在雨养地区为2，灌溉地区为3；
Figure 115025DEST_PATH_IMAGE050
（2-7）
式中，
Figure 340470DEST_PATH_IMAGE051
为常数，
Figure 132976DEST_PATH_IMAGE052
为作物在第
Figure 709451DEST_PATH_IMAGE031
天的潜在蒸散量。
步骤S23，计算网格单元内的有效降雨量。
公式（2-8）为有效降雨量
Figure 760453DEST_PATH_IMAGE053
的计算，其中
Figure 574825DEST_PATH_IMAGE054
表示第
Figure 194025DEST_PATH_IMAGE055
天的实际降雨量，当第
Figure 867583DEST_PATH_IMAGE055
天的平均温度低于0℃时，认为
Figure 332062DEST_PATH_IMAGE056
等于
Figure 892619DEST_PATH_IMAGE057
，当第
Figure 682720DEST_PATH_IMAGE058
天有积雪，且第
Figure 702629DEST_PATH_IMAGE055
天的平均温 度高于0℃，则认为
Figure 846165DEST_PATH_IMAGE059
等于平均温度乘以4mm/℃。
Figure 900709DEST_PATH_IMAGE060
（2-8）
步骤S24，基于小麦潜在蒸散量和有效降雨量计算网格区域的小麦最小灌溉需水量。
该最小灌溉需水量表示小麦生长过程中能够满足其自身生长发育的理论最小需 水量，即除去降雨补充的水分后，仍然需要通过灌溉方式补充的水资源量。该步骤得到的小 麦最小灌溉需水量为网格尺度上的结果。最小灌溉需水量
Figure 720766DEST_PATH_IMAGE061
的计算公式如下：
Figure 227971DEST_PATH_IMAGE062
（2-9）
其中，当生育期内小麦潜在蒸散量
Figure 175199DEST_PATH_IMAGE063
大于等于有效降雨量
Figure 84249DEST_PATH_IMAGE064
时，最小 灌溉需水量
Figure 950574DEST_PATH_IMAGE065
等于两者的差值；当生育期内小麦潜在蒸散量
Figure 836752DEST_PATH_IMAGE063
小于有效降雨量
Figure 181146DEST_PATH_IMAGE064
时，则最小灌溉需水量
Figure 351227DEST_PATH_IMAGE065
为0。
步骤S3、根据目标种植区的县级尺度小麦实际种植数据，分配得到每个网格单元内小麦的种植数据，种植数据包括灌溉和雨养种植条件下小麦的种植面积和单产数据。
获取种植区范围内各县域小麦的实际种植情况，包括播种面积、单产等数据，通过作物产量空间分布模型（SPAM）和最小化交叉信息熵方法，计算模拟得到网格尺度上灌溉和雨养种植条件下小麦的种植面积和单产数据。具体模拟算法如下的子步骤S31-S36。
本发明的优选实施例中，以最小化交叉信息熵和作物产量空间分布模型(Spatial production allocation model, SPAM)为理论基础，结合黄淮海区小麦种植的实际情况进行修正，得到适用于黄淮海区的小麦空间分布模拟模型，进而模拟实现小麦种植面积和实际产量的空间分布，模型的主要计算流程如下。
步骤S31，计算灌溉和雨养种植条件下小麦的单产和播种面积
依据现有研究结果得到黄淮海区各流域范围内小麦在灌溉和雨养种植条件下单 产的比值参数
Figure 388453DEST_PATH_IMAGE066
（下表1）。黄淮海区小麦灌溉和雨养种植条件下种植比例
Figure 260463DEST_PATH_IMAGE067
（
Figure 815073DEST_PATH_IMAGE068
表示不同作物类型，
Figure 698715DEST_PATH_IMAGE069
表示不同种植条件，即灌溉条件
Figure 786801DEST_PATH_IMAGE070
和雨养条件
Figure 755894DEST_PATH_IMAGE071
）则依据“2010年全 球空间分类作物统计数据v2.0”的数据结果进行计算，该数据集中包含全球2010年42种作 物在灌溉和雨养种植条件下的种植面积，灌溉和雨养种植条件下的种植面积与总种植面积 （灌溉加雨养）的比值即为
Figure 583036DEST_PATH_IMAGE072
。依据小麦的灌溉比例
Figure 586764DEST_PATH_IMAGE073
、雨养比例
Figure 700214DEST_PATH_IMAGE074
和比值参数
Figure 281237DEST_PATH_IMAGE075
可以计算灌溉和雨养种植条件下的单产。
Figure 36703DEST_PATH_IMAGE076
（3-1）
Figure 770304DEST_PATH_IMAGE077
（3-2）
其中，
Figure 585813DEST_PATH_IMAGE078
为小麦的县级统计单产，
Figure 155597DEST_PATH_IMAGE079
表示县级尺度雨养小麦单产，
Figure 183596DEST_PATH_IMAGE080
表示县级尺度灌溉小麦单产，通过乘以比值参数
Figure 771703DEST_PATH_IMAGE081
可以得到；
Figure 758114DEST_PATH_IMAGE082
（3-3）
其中，
Figure 923516DEST_PATH_IMAGE083
表示灌溉或雨养种植条件下的小麦播种面积，
Figure 145419DEST_PATH_IMAGE084
表示县级统计数据的小麦总播种面积。
表1 黄淮海区不同流域灌溉和雨养种植条件下小麦主要种植参数
Figure 712666DEST_PATH_IMAGE085
Figure 745344DEST_PATH_IMAGE086
步骤S32，计算小麦在灌溉和雨养种植条件下的适宜种植面积
研究通过步骤S1的全球农业生态区划(Global Agro Ecological Zone, GAEZ)模型模拟得到小麦在灌溉和雨养种植条件下的适宜种植面积数据。
步骤S33，计算小麦的市场可达性
本研究采用人口密度计算市场可达性。当前研究认为人口密度和市场可达性之间 存在较高的相关性，因为作物生产者也是消费者，同时更高的人口密度意味着更大的市场 潜力和更低的运输成本。因此可以依据下列公式计算市场可达性
Figure 398043DEST_PATH_IMAGE087
：
Figure 659522DEST_PATH_IMAGE088
（3-4）
Figure 346855DEST_PATH_IMAGE089
（3-5）
其中，
Figure 409489DEST_PATH_IMAGE090
，
Figure 424850DEST_PATH_IMAGE091
为县域
Figure 129500DEST_PATH_IMAGE092
内最大的人口密度，
Figure 530395DEST_PATH_IMAGE093
为县域
Figure 29509DEST_PATH_IMAGE092
内 最小的人口密度，
Figure 532166DEST_PATH_IMAGE094
为县域
Figure 509349DEST_PATH_IMAGE092
内最大人口密度和最小人口密度差均分为100份的间隔。
步骤S34，计算小麦先验分布参数
基于上述公式得到的结果，依据公式（3-6）和（3-7）求得小麦生产的成本参数
Figure 797373DEST_PATH_IMAGE095
以及先验分布参数
Figure 467389DEST_PATH_IMAGE096
，该参数可以代表作物
Figure 457342DEST_PATH_IMAGE097
（小麦）在网格单元
Figure 238216DEST_PATH_IMAGE098
中出现的可 能性大小，越高的成本参数意味着该网格单元中的分配比例越大。
Figure 879282DEST_PATH_IMAGE099
（3-6）
Figure 454620DEST_PATH_IMAGE100
（3-7）
其中，
Figure 56502DEST_PATH_IMAGE101
为网格单元
Figure 516433DEST_PATH_IMAGE102
内作物
Figure 887372DEST_PATH_IMAGE103
的市场可达性，
Figure 525289DEST_PATH_IMAGE104
为网格 单元
Figure 83309DEST_PATH_IMAGE105
内作物
Figure 346931DEST_PATH_IMAGE106
（小麦）在灌溉或雨养种植条件
Figure 572376DEST_PATH_IMAGE107
下的潜在单产，
Figure 489517DEST_PATH_IMAGE108
为作物
Figure 190625DEST_PATH_IMAGE109
（小 麦）在灌溉或雨养种植条件
Figure 116993DEST_PATH_IMAGE110
下的种植比例;
Figure 72311DEST_PATH_IMAGE111
为网格单元
Figure 691511DEST_PATH_IMAGE112
内作物
Figure 850222DEST_PATH_IMAGE113
在灌溉或雨养种 植条件
Figure 314702DEST_PATH_IMAGE110
下分配的先验分布参数。
步骤S34是通过一些参数，如市场可达性、适宜性面积等得到网格尺度上的小麦先 验分配参数，即先得到大致每个网格上小麦种植面积可能的分配比例
Figure 249160DEST_PATH_IMAGE114
；然后通过步骤 S35，在各个约束条件的限制下，得到最精确的每个网格上小麦种植面积分配的比例
Figure 180206DEST_PATH_IMAGE115
， 最后结合小麦的总种植面积乘以每个网格单元上的分配比例
Figure 934536DEST_PATH_IMAGE115
，得到每个网格上的种植 面积。
步骤S35，基于最小化交叉信息熵求解小麦分布比例
交叉熵用于描述两个可能分布之间的差异，可以反映系统的稳定性，交叉熵越小， 变量的不确定性越小，系统越稳定。对作物分布进行求解时，通过在满足耕地、适宜种植面 积、灌溉面积等约束条件下，最小化先验分布参数
Figure 592919DEST_PATH_IMAGE116
和作物分布
Figure 647463DEST_PATH_IMAGE117
之间的交叉熵，可 以使
Figure 952673DEST_PATH_IMAGE117
尽可能接近真实的概率分布：
Figure 725457DEST_PATH_IMAGE118
（3-7）
其中
Figure 531739DEST_PATH_IMAGE119
为交叉熵，
Figure 66888DEST_PATH_IMAGE117
表示网格单元上分配的小麦在灌溉或雨养种植条件下 的种植比例。
在进行最小交叉熵的模拟时，需要同时满足以下约束条件：
Figure 198792DEST_PATH_IMAGE120
（3-8）
Figure 68659DEST_PATH_IMAGE121
（3-9）
Figure 944211DEST_PATH_IMAGE122
（3-10）
Figure 832402DEST_PATH_IMAGE123
（3-11）
Figure 869628DEST_PATH_IMAGE124
（3-12）
其中，
Figure 492370DEST_PATH_IMAGE125
为网格单元
Figure 640455DEST_PATH_IMAGE126
上的灌溉面积；
Figure 524097DEST_PATH_IMAGE127
为网格单元
Figure 358323DEST_PATH_IMAGE126
上的耕地面 积；
Figure 327416DEST_PATH_IMAGE128
表示作物
Figure 154558DEST_PATH_IMAGE129
（小麦） 在灌溉或雨养种植条件
Figure 892707DEST_PATH_IMAGE130
下的总种植面积；
Figure 661949DEST_PATH_IMAGE131
表示网格单元
Figure 118338DEST_PATH_IMAGE132
上作物
Figure 608225DEST_PATH_IMAGE133
（小麦）在灌溉或雨养种植条件
Figure 341826DEST_PATH_IMAGE134
下的适宜性种植 面积；
Figure 157335DEST_PATH_IMAGE135
表示各县域
Figure 473258DEST_PATH_IMAGE136
的统计数据中作物
Figure 32416DEST_PATH_IMAGE137
（小麦）实际播种面积与作物
Figure 620523DEST_PATH_IMAGE137
（小麦）熟 制的比例；公式（3-8）约束了作物
Figure 341354DEST_PATH_IMAGE137
（小麦）在种植条件
Figure 896969DEST_PATH_IMAGE138
下，各县域内所有网格单元
Figure 994238DEST_PATH_IMAGE139
上分配 的种植比例加和等于1；公式（3-9）约束了作物
Figure 295907DEST_PATH_IMAGE140
（小麦）在网格单元
Figure 328585DEST_PATH_IMAGE141
上，在灌溉和雨养种植 条件
Figure 981283DEST_PATH_IMAGE142
下分配的种植面积加和小于等于网格单元
Figure 242762DEST_PATH_IMAGE143
上的耕地面积；公式（3-10）约束了作物
Figure 930096DEST_PATH_IMAGE140
（小麦）在网格单元
Figure 992730DEST_PATH_IMAGE143
上灌溉或雨养种植条件
Figure 8090DEST_PATH_IMAGE142
下分配的种植面积小于等于作物适宜种植面 积；公式（3-11）约束了各县域内作物
Figure 447162DEST_PATH_IMAGE140
（小麦）在所有网格单元
Figure 848056DEST_PATH_IMAGE143
上分配的种植面积等于统 计数据中作物
Figure 347170DEST_PATH_IMAGE140
（小麦）实际播种面积与作物
Figure 708882DEST_PATH_IMAGE140
（小麦）熟制的比例；公式（3-12）约束作物
Figure 827010DEST_PATH_IMAGE140
（小麦）在网格单元
Figure 223357DEST_PATH_IMAGE143
上分配的灌溉面积小于等于该网格单元
Figure 519471DEST_PATH_IMAGE143
上的灌溉面积；
其中
Figure 368478DEST_PATH_IMAGE144
的计算公式如下：
Figure 149353DEST_PATH_IMAGE145
（3-13）
其中，
Figure 541151DEST_PATH_IMAGE146
为作物
Figure 382068DEST_PATH_IMAGE140
（小麦）在灌溉或雨养种植条件
Figure 577426DEST_PATH_IMAGE142
下的熟制。
本发明的模型中，目标函数是存在对数关系的非线性问题，且需要优化求解大量 的
Figure 161991DEST_PATH_IMAGE147
变量。因此，可以通过通用代数建模系统 （The General Algebraic Modeling System）提供的Python API接口，选择非线性函数编程实现黄淮海区的优化求解。
步骤S36，计算每个网格单元内小麦的单产和种植面积。
依据求得的
Figure 267350DEST_PATH_IMAGE147
，可以计算各网格单元
Figure 154535DEST_PATH_IMAGE148
上分配的小麦种植面积
Figure 243713DEST_PATH_IMAGE149
：
Figure 726910DEST_PATH_IMAGE150
（3-14）
其次，依据小麦在灌溉和雨养种植条件下的潜在单产
Figure 217934DEST_PATH_IMAGE151
可以求得各 县域内的平均潜在单产
Figure 135074DEST_PATH_IMAGE152
，并依据公式（3-16）计算得到各网格单元
Figure 321336DEST_PATH_IMAGE153
上小麦在不同 种植条件下的实际单产
Figure 247704DEST_PATH_IMAGE154
。
Figure 452289DEST_PATH_IMAGE155
（3-15）
Figure 805910DEST_PATH_IMAGE156
（3-16）
上述步骤S31-S36分为四个阶段：
第一阶段即S31分配灌溉和雨养种植条件下的小麦单产和播种面积。由于从统计年鉴搜集的数据是不分灌溉和雨养种植条件的，而后续算法的应用过程中需要划分，因此首先需要将统计数据按照灌溉和雨养种植条件进行分类。
第二阶段主要用于计算小麦分布的先验参数，包含步骤S32-S34。其中，步骤S32-S33为数据准备过程，步骤S34为小麦先验分布参数的计算过程。
第三阶段步骤S35，主要依据小麦先验分布参数计算每个网格单元上最接近于真 实分布的概率
Figure 479468DEST_PATH_IMAGE157
。
第四阶段步骤S36，即依据步骤S35求得的
Figure 943947DEST_PATH_IMAGE157
计算每个网格单元上小麦的单产和 种植面积，即步骤S3的最终计算结果。
本发明步骤S3的算法原理即通过结合县域尺度上的统计数据，按照求得的网格尺 度上小麦最接近于真实分布的概率进行分配，得到最接近真实分布情况的空间布局，即每 个网格单元内的小麦种植比例或者种植面积。小麦先验分布参数
Figure 143984DEST_PATH_IMAGE158
需先依据步骤S1得到 的小麦种植适宜性面积数据以及由人口密度数据计算得到的市场可达性计算得到。
县域尺度小麦的播种面积、单产数据均来源于不同的农业统计年鉴。由于县区尺度范围太大，相当于搜集到每个县域上的平均单产和总播种面积，但是具体在更小的单元上播种面积怎么分配、单产是怎样的并不清楚。通过本发明步骤S3的模拟计算，可以将搜集到的县区尺度小麦单产、播种面积分配到网格尺度上，从而体现每个县区内播种面积和单产的差异性。同时保证了每个县域内的网格单元上总产加和等于县域小麦总产，每个网格单元上的播种面积加和等于县区小麦播种面积总量，最后分配到网格单元上，对于优化种植分布更加精确。
步骤S4、获取每个网格单元内的小麦施肥强度数据。
获取网格尺度上小麦种植所需的氮肥、磷肥、钾肥等肥料的施用强度数据，即单位面积施肥量（单位：kg/ha）。
通过整理黄淮海区范围内的农业气象站点资料，获取各个农业气象站点上小麦的氮肥、磷肥、钾肥施用强度数据；其次将小麦种植分区与省界叠加，划分为各个亚区，统计各亚区范围内各农业气象站点上小麦施肥强度数据的平均值，并将其作为该亚区的小麦施肥强度数据；最后，通过将每个亚区内的各个网格单元赋值为该平均施肥强度，即完成空间化。施用强度数据为单位面积内的肥料施用量，只需要将该数值赋值到每个网格单元，不需要通过其他算法分配。
氮肥、磷肥、钾肥的施用强度数据来源于各农业气象站点的统计资料。
步骤S5、获取网格单元内的耕地面积和灌溉面积。
网格单元内的耕地面积和灌溉面积，表示该网格单元内所有作物当前实际占用的耕地面积和实施灌溉部分的耕地面积。通过土地利用数据，计算得到网格单元内耕地所占的百分比，进而计算网格单元内的耕地面积；从“全球灌溉地区数字地图v4”得到种植区的各个网格单元内灌溉百分比数据，进而确定网格单元内灌溉所占的耕地面积。
步骤S6-1，将步骤S1-S5获得的网格单元数据转化为点状数据。
在进行步骤S6的优化建模之前，还需要对前述步骤S1-S5获得的基础数据进行处理，处理过程如下。
利用ArcGIS的创建渔网工具，创建种植区范围固定距离的渔网点，如1km×1km。创建渔网工具为内嵌到ArcGIS软件中的应用工具，可以创建包含矩形网格所组成网络的要素类。创建渔网需要三组基本信息：渔网的空间范围、行数和列数以及旋转的角度。
在本发明中，利用此工具输入的空间范围为目标种植区（本发明为黄淮海区的范围，具体包括北京市、天津市、河北省、山东省、河南省、安徽省和江苏省）；行数和列数设置中，可以通过给定的网格长度和宽度确定，选择1km作为长和宽进行确定；旋转角度设置不考虑，选择不旋转。通过将三组基本信息输入，会输出覆盖研究区范围的一组渔网点，这些渔网点之间的距离均为1km。
渔网点表示将各个网格单元（矩形单元）转换为点的形式，方便优化建模处理。依据创建的渔网点数据提取各渔网点S1-S5得到的各类指标数据，即小麦在灌溉和雨养种植条件下的适宜种植面积、小麦生长发育所需的最小灌溉需水量、当前种植布局下的种植数据（灌溉和雨养小麦的种植面积和单产数据）、当前种植布局下氮肥/磷肥/钾肥的施用强度数据、耕地面积和灌溉面积，作为后续步骤S8优化过程所需的基础数据。
本步骤中，渔网点的作用主要是将面状的网格单元信息转换到点状，方便后续优化建模过程中数据的输入。
由于后面的优化建模步骤不能输入网格单元上的信息，但是可以输入每个点的信息。前述步骤S1-S5得到各指标数据为面状的网格数据，不能直接输入后续的优化建模过程，需要先将网格数据转换成点形式，即每个网格单元中心对应一个渔网点，将每个网格单元内的有效信息（S1-S5得到的各指标数据）提取到各个渔网点上。本步骤通过创建渔网工具提取的渔网点数据是覆盖研究区范围的一系列点状数据。通过将网格单元上的数据提取到点上，方便后续算法的进行。
上述步骤S6中提取的数据格式为.dbf格式（ArcGIS软件中数据存储时的文件格式），为了便于后续建模处理，将步骤S6提取的.dbf格式数据转存为.xlsx格式，并利用Python，将数据进一步修正为方便GAMS软件读取的.gdx格式的文件。
步骤S6，以小麦的灌溉需水总量最小为优化目标，基于预定的约束条件和前述步骤得到的数据进行种植布局优化，得到优化后各个网格单元内小麦的种植面积。
本步骤S6中，通过构建目标函数和约束条件，结合上述步骤S1-S5提取的各类基础数据，利用GAMS软件，优化模拟，输出满足目标函数和约束条件下的小麦种植布局，即确定优化后各个网格单元内小麦的种植面积。
具体来说，在GAMS软件中新建工程文件，读取优化算法，选择Conopt4解决器，并依据自身数据大小，设定程序运行的内存限制，然后运行优化算法。优化算法包括目标函数和约束条件。
其中，目标函数表示了本专利的种植布局优化方法的优化目标，本发明中，布局优化方法的优化目标设定为保证优化后种植区小麦灌溉需水总量最小。这里，小麦灌溉需水总量为步骤S2中得到的每个网格单元内小麦灌溉需水量乘以对应的每个网格单元优化后的种植面积，得到每个网格单元内的灌溉需水总量，再将种植区范围内所有网格单元上的灌溉需水总量相加，即得到优化后种植区小麦灌溉需水总量。
本发明的实施例中，目标函数的实现是通过调用GAMS系统中“最小化”函数实现的，该函数的原理即通过比较满足不同约束条件下的各种情景，找到目标最小的情景。
在GAMS软件实现优化算法模型中，优化目标采用下述目标函数（6-1）实现：
Figure 294605DEST_PATH_IMAGE159
（6-1）
其中，
Figure 314514DEST_PATH_IMAGE160
表示目标种植区内作物
Figure 723630DEST_PATH_IMAGE161
的灌溉需水总量；
Figure 778173DEST_PATH_IMAGE162
表示优化后网格单元
Figure 208018DEST_PATH_IMAGE163
内作物
Figure 105435DEST_PATH_IMAGE161
在灌溉
Figure 911717DEST_PATH_IMAGE164
或雨养
Figure 696134DEST_PATH_IMAGE165
种植条件
Figure 828038DEST_PATH_IMAGE166
下的种植比例；
Figure 556959DEST_PATH_IMAGE167
表示作物
Figure 58610DEST_PATH_IMAGE168
在目标种 植区实际的灌溉
Figure 822167DEST_PATH_IMAGE164
或雨养
Figure 734759DEST_PATH_IMAGE165
种植条件
Figure 482135DEST_PATH_IMAGE166
下的总种植面积；
Figure 754854DEST_PATH_IMAGE169
表示网格单元
Figure 638496DEST_PATH_IMAGE163
上的灌溉 需水量；10为转换系数。
为达到上述优化目标，本发明的优化方法设置了多个约束条件，下面详细介绍本发明优化方法的约束条件，这些优化条件以约束函数的形式设置在优化模型中。
下述各个约束条件和目标函数之间的联系主要是通过种植比例
Figure 987569DEST_PATH_IMAGE170
进行联系。优 化过程中，通过各个约束条件，可以输出多种优化后的种植比例
Figure 691083DEST_PATH_IMAGE170
，通过将各种
Figure 908437DEST_PATH_IMAGE170
应 用到目标函数（6-1）中，计算不同种植比例对应的灌溉需水总量。通过比较不同的灌溉需水 总量，确定一种灌溉需水总量最小的方案，然后输出此情景下的
Figure 272685DEST_PATH_IMAGE170
。约束函数如下所示：
Figure 917293DEST_PATH_IMAGE171
（6-2）
公式（6-2）约束了在每个网格单元
Figure 249048DEST_PATH_IMAGE163
上，灌溉和雨养种植条件
Figure 738935DEST_PATH_IMAGE172
下分配的小麦种植 面积的加和小于等于该网格单元上的耕地面积（S5得到结果）。
Figure 721804DEST_PATH_IMAGE173
表示优化后网格单元
Figure 271734DEST_PATH_IMAGE163
上作物
Figure 90785DEST_PATH_IMAGE168
在灌溉或雨养种植条件
Figure 649943DEST_PATH_IMAGE172
下分配的种植比例；
Figure 988782DEST_PATH_IMAGE174
表示作物
Figure 709614DEST_PATH_IMAGE168
在目标种 植区实际的灌溉或雨养种植条件
Figure 875016DEST_PATH_IMAGE172
下的总种植面积；
Figure 847651DEST_PATH_IMAGE175
表示网格单元
Figure 680478DEST_PATH_IMAGE163
内的耕地面 积；
Figure 228003DEST_PATH_IMAGE176
（6-3）
公式（6-3）约束了每个网格单元
Figure 756067DEST_PATH_IMAGE177
上，灌溉条件下分配的小麦种植面积小于等于该 网格单元内的灌溉面积（S5得到的灌溉面积数据）。
Figure 802565DEST_PATH_IMAGE178
表示网格单元
Figure 755478DEST_PATH_IMAGE177
内的灌溉面积；
Figure 959057DEST_PATH_IMAGE179
（6-4）
公式（6-4）约束了每个网格单元
Figure 99052DEST_PATH_IMAGE177
上，灌溉或雨养种植条件
Figure 662757DEST_PATH_IMAGE172
下分配的小麦种植面 积小于等于该网格内灌溉或雨养种植条件下的小麦适宜性种植面积（步骤S1获得的数据）。
Figure 204597DEST_PATH_IMAGE180
表示网格单元
Figure 844657DEST_PATH_IMAGE177
内作物
Figure 98046DEST_PATH_IMAGE168
在灌溉或雨养种植条件
Figure 340808DEST_PATH_IMAGE172
下的适宜性种植面积；
Figure 612521DEST_PATH_IMAGE181
（6-5）
公式（6-5）约束了优化后每个网格单元
Figure 282536DEST_PATH_IMAGE177
上分配的雨养小麦种植比例小于等于原 布局上每个网格单元内的雨养小麦种植比例（步骤S3得到的当前布局下网格尺度的雨养小 麦的种植比例）。
Figure 521757DEST_PATH_IMAGE182
表示优化前网格单元
Figure 568210DEST_PATH_IMAGE177
上作物
Figure 694429DEST_PATH_IMAGE168
在种植条件
Figure 535346DEST_PATH_IMAGE172
为雨养下的种植比例；
Figure 763327DEST_PATH_IMAGE183
表示种植条件
Figure 347893DEST_PATH_IMAGE172
为雨养；
本发明的方法中，主要的优化目标是灌溉需水总量最小。通过上述约束条件，使得优化后雨养小麦的种植比例不超过原布局下的雨养小麦种植比例。例如，黄淮海区江苏省和安徽省南部地区降雨充足，且以种植水稻为主。在实现灌溉水最小目标的背景下，如果不限制雨养小麦的种植比例，这些地区的雨养小麦会大幅增长，与实际的种植情况不符（以水稻种植为主，小麦种植面积较小）。因此设置约束，保证优化后雨养小麦的种植比例不增加。
Figure 594197DEST_PATH_IMAGE184
（6-6）
公式（6-6）约束了优化后的小麦种植区保证在原小麦种植网格单元范围内（S3输 出的当前小麦种植布局上的面积大于0的地区）。该约束保证了在网格单元
Figure 606016DEST_PATH_IMAGE177
上，优化前作物
Figure 819828DEST_PATH_IMAGE168
在灌溉
Figure 942505DEST_PATH_IMAGE185
或雨养
Figure 43316DEST_PATH_IMAGE186
种植条件
Figure 491615DEST_PATH_IMAGE172
下分配的种植面积为0时，优化后该网格单元
Figure 428609DEST_PATH_IMAGE177
上分配的同种 种植条件
Figure 354977DEST_PATH_IMAGE172
下的种植比例也为0；本约束条件限定了优化后小麦种植区域必须在原小麦种 植布局范围内。当前小麦的种植布局是经过农户多年种植过程中所形成的，在当前小麦种 植布局范围外，可能并不适合小麦的种植。通过约束保证了优化后小麦仍然在原有布局范 围内，防止小麦在气候条件或人为条件限制下不适合的地方种植；
Figure 434928DEST_PATH_IMAGE187
（6-7）
公式（6-7）约束了优化后小麦总产大于等于不同减产比例与优化前种植区小麦总产（S3步骤中，当前小麦单产和种植面积计算得到小麦总产量）的乘积。该约束中，分别设置了小麦总产不变、减产10%、20%和30%四个比例，分别用于约束优化后的总产量需求。一方面，产量不变条件即分析在保证现有小麦产量下的布局情况，另一方面，通过设置不同的减产百分比，分析在可接受的减产比例下的可能布局方案；
Figure 663916DEST_PATH_IMAGE188
（6-8）
公式（6-8）约束了优化后种植区肥料（N、P、K）施用总量（步骤S4输出的肥料施用强度乘以优化后得到的小麦种植面积，得到优化后的肥料施用总量）小于等于优化前的总施用量（步骤S4输出的肥料施用强度结合S3得到的小麦种植面积，计算得到优化前肥料的总施用量）。该约束保证了优化后肥料的施用量不增加，减少对环境的影响；
Figure 462107DEST_PATH_IMAGE189
（6-9）
公式（6-9）约束了优化后种植区小麦灌溉需水总量（步骤S2得到的小麦灌溉需水量乘以优化后的种植面积得到）小于等于优化前的小麦灌溉需水总量（S2得到的小麦灌溉需水量乘以优化前的小麦种植面积得到），即优化后灌溉水总需求量不增加。通过该指标的约束，有利于达到本发明的优化目标，即保证优化后的灌溉需水量最小。通过限制优化后的水需求不增加，以实现灌溉水不超过原布局的最小目标。
步骤S7、优化后的结果进行空间化。
通过上述一系列约束算法进行优化，可以得到优化后各渔网点上的灌溉小麦种植面积和雨养小麦种植面积。步骤S6-1中通过创建的渔网点数据，提取每个渔网点对应的网格单元上的信息，即将面状的网格单元转换为了点状数据。本步骤S7中，通过ArcGIS软件的点转栅格工具实现空间化，即通过点转栅格工具，将点数据重新转换为网格单元对应的面状数据形式，从而得到网格尺度下的优化结果。
本发明方法的最终目标是要实现网格尺度下的作物种植布局优化模拟，但是由于优化建模过程中需要点状形式的数据输入，因此，本发明先获取网格尺度的基础数据，然后转换为点状的，最后再转换为网格尺度的结果。
如上所述，本发明提出了一种网格化作物种植布局优化方法，以保证优化后种植区作物灌溉需水总量最小，用于缓解当前地区用水紧缺以及地下水位下降等生态环境问题。本发明的方法进一步考虑了不同种作物减产限制条件，分别模拟了作物总产不变、减少10%、减少20%以及减少30%情景下以节水为目标的可能布局。
本发明方法中的优化算法是基于网格单元进行的，通过非线性优化求解，以地区种植作物的灌溉需水总量最小为目标，同时设定了8个约束条件，分别保证（1）在每个网格单元上灌溉和雨养种植条件下分配的作物种植面积加和小于等于该网格单元上的耕地面积、（2）每个网格单元上分配的作物灌溉面积小于等于该网格单元上的灌溉面积、（3）每个网格单元上分配的作物灌溉面积或雨养面积小于等于网格单元上灌溉或雨养种植条件下的作物适宜性种植面积、（4）每个网格单元上分配的作物雨养面积应该小于等于原布局上的作物雨养面积、（5）优化后作物的种植区保证在原作物种植网格单元范围内、（6）优化后作物的总产大于等于不同减产比例与优化前种植区小麦总产的乘积、（7）优化后种植区肥料总施用量小于等于优化前的总施用量、（8）优化后种植区作物灌溉需水总量小于等于优化前的作物灌溉需水总量。
通过上述约束条件的组合约束，能够保证得到更加合理的优化布局结果，并且能够在网格单元上精准详细的提出作物种植面积缩减目标，特别是精确到每个网格单元内的种植面积精准控制，从而达到节水目的。此外，该方法考虑了农民种植习惯和灌溉设施等实际情况，能够在不改变农户意愿的情景下调整作物种植布局，实施起来较为可行。
下面结合实施例对本发明的技术方案进行说明。
本发明中，以黄淮海区为例实施网格化小麦种植布局优化方法。图3-5中分别显示了灌溉小麦、雨养小麦以及小麦总种植面积的空间分布，其中OPT表示优化后小麦种植面积的空间分布，CG表示优化后较优化前的种植面积变化量的空间分布，INT表示优化前小麦种植面积的空间分布。0%、10%、20%和30%分别表示总产不变以及减产10%、20%和30%的情景。
1. 种植区概况
黄淮海区（29°41′–42°37′N，110°21′–122°42′E）包含我国的第二大平原（黄淮海 平原），也是世界上最大的含水层之一。其面积大约
Figure 316800DEST_PATH_IMAGE190
，包含北京市、天津市、河北 省、山东省、河南省、安徽省以及江苏省。从北到南，分别分布着海河、黄河和淮河流域。作为 我国重要的农业区，黄淮海区对保障我国的粮食安全发挥着重要作用。该区域内，粮食作物 总产量约占全国总产量的35%以上，而小麦的总产量甚至超过全国总产量的80%。黄淮海区 主要作物种植制度为冬小麦-夏玉米，但由于黄淮海区受到季风气候的影响，年内降雨主要 集中在7、8月份，冬小麦生育期内降雨匮乏且耗水量大，为保证小麦的稳定高产，当前多通 过大量开采地下水灌溉来满足小麦的生长需求。然而，过度开采地下水引起了黄淮海区地 下水位大幅下降和地下水漏斗群的产生，已有研究指出黄淮海区地下水位平均每年下降达 0.8m，形成了总面积达
Figure 516837DEST_PATH_IMAGE191
的浅层地下水漏斗区，
Figure 916725DEST_PATH_IMAGE192
的深层地下水漏斗 区，该现状严重制约地区内农业的可持续发展。基于黄淮海区面临的严重问题，我们选择黄 淮海区作为实例进行解释本研究方法的可行性和有效性。
2. 研究数据
（1）气象数据
研究使用1981-2015年期间黄淮海区平均温度、降雨、相对湿度、风速、大气压和日照时数等日值数据。其中，站点尺度气象数据来源于中国气象数据网，并使用ANUSPLIN软件对各项气象因子进行空间插值，插值结果空间分辨率为1km。网格尺度气象数据来源于国家青藏高原数据中心。
（2）作物统计观测数据
本研究使用的作物统计数据主要包括黄淮海区各农业气象站点的农作物生育期和产量观测数据；各类农业统计年鉴中获取1981年以来的黄淮海区县级尺度主要作物的单产、总产和播种面积数据。
（3）资源环境数据
研究使用的资源环境数据主要包含土壤数据、地形数据、土地利用数据、土地利用网格百分比数据。其中地形数据来源于地理空间数据云，空间分辨率为30m；土地利用数据来源于国家土地利用/土地覆被数据集（NLCD）；土壤类型、土壤pH、土壤有机碳等土壤属性数据来源于中国科学院南京土壤所的中国土壤数据集和中国科学院资源环境科学数据中心的土壤属性数据集，土壤有效含水量数据来源于ISRIC-WISE全球土壤属性数据集。
（4）管理和人口密度数据
本研究使用的管理数据包括黄淮海区化肥施用量数据、县级灌溉面积统计数据和灌溉面积网格数据。其中，作物施肥量数据和县级灌溉面积数据来源于农业统计年鉴，灌溉百分比数据来源于全球灌溉地区数据地图v4，分辨率为5′×5′；人口密度数据来源于世界人口分布图，空间分辨率为0.5′×0.5′。
（5）作物系数Kc值数据
本研究主要作物蒸散计算相关的作物系数Kc来源于《北方地区主要农作物灌溉用水定额》。该数据中包括黄淮海区范围主要作物的作物系数，该系数值以FAO的作物系数为标准，校正后与国内试验资料相对比，使得结果既可以验证FAO的标准方法在我国北方地区的实用性，也可使得结果具有更好的精度和更强的可比性。
（6）作物灌溉、雨养比例数据
本研究使用的灌溉、雨养比例数据来源于SPAM2010数据集。该数据集提供了2010年全球42种作物在灌溉条件和雨养种植条件下的种植面积空间分布，研究通过灌溉条件下作物种植面积与总种植面积的比例来确定黄淮海区的灌溉、雨养比例。
3. 研究方法
（1）小麦潜在产量和适宜性面积模拟
结合各类气象数据、土壤数据、地形数据等，通过全球农业生态区划（GAEZ）模型，通过在气候条件限制、土壤水条件限制、病虫害和霜冻等灾害限制、土壤属性、地形、耕地比例和灌溉面积等共同限制下，模拟输出作物的生产潜力，同时输出的数据还包含灌溉和雨养种植条件下的适宜性种植面积数据。
（2）小麦最小灌溉需水量的计算
利用各类气象数据，采用FAO推荐的以能量平衡和水汽扩散理论为基础的Penman-Monteith公式，计算参考作物潜在蒸散量。并结合作物系数和水分胁迫系数，计算小麦在生育期内逐日的潜在蒸散量和实际蒸散量。其次结合降雨数据计算逐日有效降雨，小麦生育期内潜在蒸散量与有效降雨两者的差值即为小麦的最小灌溉需水量。具体算法参见步骤S2的描述。
（3）网格尺度上小麦种植面积和实际产量的模拟
小麦产量空间模拟方面，以最小化交叉信息熵和作物产量空间分布模型（SPAM）为基础，结合小麦的播种面积和单产等统计数据以及其他的气象、土壤、地形等数据模拟得到。作物产量空间分配模型首先需要将小麦的播种面积、单产等数据按照灌溉与否划分为灌溉和雨养种植条件下的对应数据；其次通过GAEZ模型模拟得到的各级小麦适宜性面积进行加和，得到最终适宜性面积数据；第三，通过人口密度等数据计算市场可达性；第四，基于作物的市场可达性、适宜性面积以及潜在单产等数据，计算网格单元尺度上的作物生产的成本参数和先验分布参数，越高的成本参数代表网格单元中分配的比例越大；第五，基于交叉信息熵理论，模拟得到网格单元上小麦最可能接近真实分布的概率；最后结合得到的接近真实的分布概率与种植面积数据、单产数据综合，计算得到网格尺度上的作物种植面积和单产。
（4）施肥数据空间化
通过统计年鉴和农业气象站点等统计数据，整理黄淮海区各省市及各农业气象站点的小麦氮肥、磷肥和钾肥的施用强度，借助ArcGIS工具，将统计数据进行空间化显示。
（5）小麦优化布局算法
为了得到小麦最小化灌溉用水需求的优化布局，分别模拟了小麦总产不变、减少10%、20%和30%的情况下，肥料用量不增加、网格尺度上雨养种植区面积不增加等条件下的优化布局。该方法使用了通用代数建模系统（GAMS）的Python API接口，选择Conopt4解决器中的非线性求解算法，模拟小麦的优化布局。
该方法首先通过构建渔网点，并提取各渔网点上的所需参数，如小麦的最小灌溉需水量、灌溉百分比网格数据、耕地百分比网格数据、优化前灌溉小麦和雨养小麦的分配比例、灌溉和雨养条件下的适宜性种植面积、灌溉和雨养条件下的小麦实际单产、灌溉和雨养条件下的小麦总种植面积、氮肥/磷肥/钾肥的施用强度。最后，结合GAMS软件的非线性解决器进行优化求解，具体优化求解的目标函数及约束条件参见步骤S6。
（6）通过GAMS优化求解能够得到各渔网点上小麦种植面积的优化结果。通过ArcGIS的点转栅格工具，可以将结果进行空间化，得到网格尺度上灌溉和雨养种植条件下的小麦优化布局结果。
4. 研究结果
通过对黄淮海区小麦的种植布局进行优化模拟，输出满足最小化种植区灌溉用水需求的结果，保证小麦总产不变以及减少10%、20%和30%，同时施肥量不增加且小麦调减或调增均在小麦原网格布局上进行的优化布局，并对比分析了布局变化特征。
（1）黄淮海区优化布局的灌溉小麦种植面积空间分布变化
图3是根据本发明的布局优化方法实施后灌溉小麦种植面积空间分布图。
如图3所示，从种植区整体上看，在小麦总产不变以及分别缩减10%、20%和30%的情 况下，灌溉小麦种植比例在灌溉需水量较大的中部地区大幅减少，大部分地区灌溉小麦种 植比例减少30%以下，但是在山东省北部、河南省北部地区以及京津部分地区灌溉小麦缩减 幅度在30%以上，同时河北省北部地区大部分灌溉小麦的种植面积缩减为0，但在部分小麦 高产区灌溉比例有所增加；在降雨较为充沛、小麦灌溉需水量小的江苏省和安徽省南部，灌 溉小麦比例有所增加。分省来看，京津地区灌溉小麦缩减幅度超过65%，调减比例在各省中 最高。山东省、江苏省和安徽省的灌溉小麦缩减比例次之，分别可达各省市原布局比例的 32.2-66%、29.5-30.9%和34.9-44.5%。河北省灌溉小麦缩减比例略低于山东省、江苏省和安 徽省，在不同总产限制条件下降幅可达
Figure 202213DEST_PATH_IMAGE193
，在总产不变情景 下甚至略有提升，增加
Figure 830903DEST_PATH_IMAGE194
。
（2）黄淮海区优化布局的雨养小麦种植面积空间分布变化
图4是根据本发明的布局优化方法实施后雨养小麦种植面积空间分布图。
如图4所示，黄淮海区雨养小麦的种植面积在不同减产百分比条件下的布局与原 布局相差不大。其中江苏省雨养小麦减少面积占原小麦种植面积的比例最大，不同总产限 制条件下下降比例为11.7-11.8%，其余各省份下降比例均低于6%。安徽省雨养小麦缩减幅 度最大，但低于
Figure 885446DEST_PATH_IMAGE195
。山东省和河南省次之，调减幅度为
Figure 721815DEST_PATH_IMAGE196
，其余各省市调减幅度均低于1×
Figure 229020DEST_PATH_IMAGE197
。
（3）黄淮海区优化布局的小麦总种植面积空间分布变化
图5是根据本发明的布局优化方法实施后小麦总种植面积空间分布图。
如图5所示，在约束小麦总产不变以及分别减少10%、20%和30%的条件下，小麦的种 植布局与原布局有较大差别，尤其是灌溉小麦的种植面积变化比较大。从不同省市的角度 上看，京津地区总种植面积调减较少，不同总产限制条件下下降幅度均低于
Figure 35302DEST_PATH_IMAGE198
， 但降幅占原京津地区小麦种植面积的60%以上，调减比例在各省市中最高。山东省、江苏省 和安徽省小麦总种植面积调减幅度次之，分别可达各省市原布局的30.6-62.6%、26.3- 27.4%、34.9-44.4%，其中山东省小麦总缩减面积最大，达到
Figure 334565DEST_PATH_IMAGE199
。河北省小麦总种植面积调减幅度略低于山东省、江苏省和安徽省，但随着总产不断下降， 灌溉小麦的调减幅度增加最为明显。河南省虽然小麦种植面积调减比例略低于其他省市， 但由于优化前小麦总面积就很高，因而调减幅度也处于较高水平，不同总产限制条件下可 达
Figure 935311DEST_PATH_IMAGE200
；在总产不变约束下，河北省总播种面积可有提升。
（4）黄淮海区优化布局的灌溉需水总量变化
图6是根据本发明的布局优化方法实施后小麦灌溉需水量空间分布图。
如图6所示，从黄淮海区整体上看，不同总产限制条件下，大部分地区小麦灌溉需 水量均有较大幅度下降，尤其是黄淮海区中部地区。其中，在河北省东部地区、山东省北部 和河南省北部地区灌溉水消耗量减少超过10×
Figure 70757DEST_PATH_IMAGE201
m³。通过优化布局，在总产不变以及下 降10%、20%和30%的条件下，黄淮海区整体可分别节约
Figure 680730DEST_PATH_IMAGE202
的灌溉用水。 从不同省市来看，小麦产量较高但灌溉需水量低的江苏省由于灌溉小麦的面积有所增加， 灌溉需水量在不同总产限制条件下有所增长，增加幅度为
Figure 444287DEST_PATH_IMAGE203
。但 由于该地区降雨相对充足，灌溉需水量少，增加的灌溉用水并不会增加黄淮海区整体的用 水负担。山东省的小麦灌溉用水量缩减最大，不同总产限制条件下缩减幅度高达
Figure 373191DEST_PATH_IMAGE204
，缩减部分占山东省原灌溉需水量的13.4-72.2%。
5 结论
通过限制小麦总产不变以及分别减少10%、20%和30%，对黄淮海区小麦的种植布局 进行优化调整。在不同减产百分比条件下，小麦种植比例在灌溉需水量较大的中部地区调 减明显，全黄淮海区可分别缩减
Figure 589408DEST_PATH_IMAGE205
的灌溉用水。在总产减少30%的情景 下节水量最大，但是节约单位体积的灌溉用水所需付出的总产减产代价最高；而在总产限 制减少10%的条件下，虽然节水量少，但是每节约1m³的灌溉用水需付出的减产代价为1.11 kg/m³。经过优化布局调整后的大部分小麦种植区内平均水分利用效率提升，且区域内产量 差有所下降。因而，对高耗水的山东省、河南省和河北省等地，建议对小麦进行适当的流出， 从而缓解区域用水压力，促进黄淮海区水资源的高效利用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，简称ROM)或随机存取存储器(RandomAccessMemory，简称RAM)等。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (16)

1.一种网格化作物种植布局优化方法，包括：
步骤S1、对目标种植区域建立网格模型，获取每个网格单元内的作物潜在单产和适宜种植面积；
步骤S2、获取每个网格单元内的作物最小灌溉需水量；
步骤S3、根据目标种植区的县级统计种植数据，分配得到每个网格单元内的种植数据，种植数据包括灌溉和雨养种植条件下的作物种植面积和单产数据；
步骤S4、获取每个网格单元内的作物施肥强度数据；
步骤S5、获取网格单元内的耕地面积和灌溉面积；
步骤S6，以灌溉需水总量最小为优化目标，基于预定的约束条件和前述步骤S1-S5得到的数据进行种植布局优化，得到优化后各个网格单元内的作物种植面积。
2.根据权利要求1所述的方法，所述步骤S2进一步包括：
步骤S21，计算网格单元内的参考作物潜在蒸散量；
步骤S22，结合参考作物潜在蒸散量、作物系数和水分胁迫系数，计算生育期内作物潜在蒸散量和作物实际蒸散量，其中作物潜在蒸散量基于参考作物潜在蒸散量和作物系数计算得到，作物实际蒸散量则基于作物潜在蒸散量和水分胁迫系数计算得到；
步骤S23，计算网格单元内的有效降雨量；
步骤S24，基于作物潜在蒸散量和有效降雨量计算每个网格单元内的作物最小灌溉需水量。
3.根据权利要求1所述的方法，所述步骤S3进一步包括：
步骤S31，计算灌溉和雨养种植条件下作物的单产和播种面积；
步骤S32，计算作物在灌溉和雨养种植条件下的适宜种植面积；
步骤S33，计算作物的市场可达性；
步骤S34，计算作物先验分布参数；
步骤S35，基于最小化交叉信息熵方法求解作物在网格单元上分配的种植比例；
步骤S36，计算每个网格单元上作物的单产和种植面积。
4.根据权利要求1所述的方法，在所述步骤S6之前，还包括步骤S6-1，对步骤S1-S5获得的网格数据转化为点状数据。
5.根据权利要求1所述的方法，所述步骤S6中，所述优化目标设定为优化后种植区作物灌溉需水总量最小；
其中，灌溉需水总量为步骤S2中得到的每个网格单元内最小灌溉需水量乘以对应的优化后每个网格单元内的种植面积，得到每个网格单元内的灌溉需水总量，再将种植区范围内所有网格单元上的灌溉需水总量相加，即得到优化后种植区作物灌溉需水总量。
6.根据权利要求5所述的方法，所述优化目标进一步表征为下述目标函数：
Figure 90054DEST_PATH_IMAGE001
（6-1）
其中，
Figure 69511DEST_PATH_IMAGE002
表示目标种植区内作物
Figure 662298DEST_PATH_IMAGE003
的灌溉需水总量；
Figure 637600DEST_PATH_IMAGE004
表示优化后网格单元
Figure 248710DEST_PATH_IMAGE005
内 作物
Figure 133489DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 479151DEST_PATH_IMAGE006
下的种植比例；
Figure 989636DEST_PATH_IMAGE007
表示作物
Figure 720832DEST_PATH_IMAGE003
在目标种植区 实际的灌溉或雨养种植条件
Figure 792824DEST_PATH_IMAGE006
下的总种植面积；
Figure 609470DEST_PATH_IMAGE008
表示网格单元
Figure 660996DEST_PATH_IMAGE005
上的最小灌溉需水 量；10为转换系数；
Figure 246698DEST_PATH_IMAGE009
表示种植条件
Figure 224013DEST_PATH_IMAGE006
为灌溉。
7.根据权利要求5或6所述的方法，通过下述8个约束条件实现所述优化目标：
（1）在每个网格单元上灌溉和雨养种植条件下分配的作物种植面积加和小于等于该网格单元上的耕地面积；
（2）每个网格单元上分配的作物灌溉面积小于等于该网格单元上的灌溉面积；
（3）每个网格单元上分配的作物灌溉或雨养面积小于等于网格单元上灌溉或雨养种植条件下的该作物适宜性种植面积；
（4）每个网格单元上分配的作物雨养面积小于等于原布局上该网格单元内的作物雨养面积；
（5）优化后作物的种植区在原作物种植网格单元范围内；
（6）优化后作物的总产大于等于不同减产比例与优化前种植区作物总产的乘积；
（7）优化后种植区肥料总施用量小于等于优化前的总施用量；
（8）优化后种植区作物灌溉需水总量小于等于优化前的作物灌溉需水总量。
8.根据权利要求7所述的方法，所述8个约束条件分别采用下述约束函数实现：
Figure 527955DEST_PATH_IMAGE010
（8-1）
公式（8-1）约束了在每个网格单元
Figure 114663DEST_PATH_IMAGE005
上，灌溉和雨养种植条件
Figure 820451DEST_PATH_IMAGE006
下分配的作物
Figure 968667DEST_PATH_IMAGE003
种植面 积加和小于等于该网格单元
Figure 759905DEST_PATH_IMAGE005
上的耕地面积，
Figure 164953DEST_PATH_IMAGE011
表示优化后网格单元
Figure 725247DEST_PATH_IMAGE005
上作物
Figure 309943DEST_PATH_IMAGE003
在灌溉
Figure 322898DEST_PATH_IMAGE012
或雨养
Figure 516988DEST_PATH_IMAGE013
种植条件
Figure 931789DEST_PATH_IMAGE006
下分配的种植比例，
Figure 687387DEST_PATH_IMAGE014
表示作物
Figure 187638DEST_PATH_IMAGE003
在目标种植区实际的 灌溉
Figure 404993DEST_PATH_IMAGE012
或雨养
Figure 192077DEST_PATH_IMAGE013
种植条件
Figure 367843DEST_PATH_IMAGE006
下的总种植面积，
Figure 106123DEST_PATH_IMAGE015
表示网格单元
Figure 392748DEST_PATH_IMAGE005
内的耕地面积；
Figure 765829DEST_PATH_IMAGE016
（8-2）
公式（8-2）约束了每个网格单元
Figure 128809DEST_PATH_IMAGE017
上，灌溉种植条件下
Figure 338073DEST_PATH_IMAGE018
分配的作物
Figure 428389DEST_PATH_IMAGE003
种植面 积小于等于该网格单元
Figure 190065DEST_PATH_IMAGE017
内的灌溉面积；
Figure 176475DEST_PATH_IMAGE019
表示网格单元
Figure 889348DEST_PATH_IMAGE017
内的灌溉面积；
Figure 32622DEST_PATH_IMAGE020
（8-3）
公式（8-3）约束了每个网格单元
Figure 131028DEST_PATH_IMAGE021
上，灌溉或雨养种植条件
Figure 570231DEST_PATH_IMAGE006
下分配的作物
Figure 19666DEST_PATH_IMAGE003
种植面积 小于等于该网格单元
Figure 969561DEST_PATH_IMAGE022
内灌溉或雨养种植条件
Figure 188053DEST_PATH_IMAGE006
下的作物
Figure 63736DEST_PATH_IMAGE003
适宜性种植面积；
Figure 249736DEST_PATH_IMAGE023
表示网格单元
Figure 16704DEST_PATH_IMAGE005
内作物
Figure 840434DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 642344DEST_PATH_IMAGE006
下的适宜性种植面积；
Figure 66372DEST_PATH_IMAGE024
（8-4）
公式（8-4）约束了优化后每个网格单元
Figure 856605DEST_PATH_IMAGE005
上分配的作物
Figure 49689DEST_PATH_IMAGE003
雨养面积小于等于原布局上 每个网格单元
Figure 765710DEST_PATH_IMAGE005
内的作物
Figure 427766DEST_PATH_IMAGE003
雨养面积；
Figure 474220DEST_PATH_IMAGE025
表示优化前网格单元
Figure 774007DEST_PATH_IMAGE005
上作物
Figure 146083DEST_PATH_IMAGE003
在种植条件
Figure 13545DEST_PATH_IMAGE026
为雨养情况下的种植比例；
Figure 880001DEST_PATH_IMAGE027
表示种植条件
Figure 296945DEST_PATH_IMAGE026
为雨养；
Figure 839921DEST_PATH_IMAGE028
（8-5）
公式（8-5）约束了优化后的作物种植区保证在原作物种植网格单元范围内,即在网格 单元
Figure 945412DEST_PATH_IMAGE005
上，优化前作物
Figure 864826DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 873627DEST_PATH_IMAGE026
下分配的种植面积为0时，优化后该网格 单元上分配的同种植条件下的种植比例也为0；
Figure 587505DEST_PATH_IMAGE029
（8- 6）
公式（8-6）约束了优化后作物
Figure 445871DEST_PATH_IMAGE003
总产大于等于不同减产比例与优化前种植区作物
Figure 903397DEST_PATH_IMAGE003
总 产的乘积；
Figure 763774DEST_PATH_IMAGE030
表示网格单元
Figure 914133DEST_PATH_IMAGE005
上作物
Figure 994216DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 255433DEST_PATH_IMAGE006
下的单产；
Figure 455470DEST_PATH_IMAGE031
表示减 产比例；
Figure 28927DEST_PATH_IMAGE032
表示研究区范围；
Figure 845573DEST_PATH_IMAGE033
（8- 7）
公式（8-7）约束了优化后种植区作物
Figure 395634DEST_PATH_IMAGE003
的肥料施用总量小于等于优化前作物
Figure 981337DEST_PATH_IMAGE003
的肥料 施用总量；
Figure 722765DEST_PATH_IMAGE034
表示网格单元
Figure 761128DEST_PATH_IMAGE005
内作物
Figure 114881DEST_PATH_IMAGE003
的施肥强度数据；
Figure 820668DEST_PATH_IMAGE035
（8-8）
公式（8-8）约束了优化后种植区作物
Figure 482068DEST_PATH_IMAGE003
的灌溉需水总量不超过优化前的作物
Figure 273306DEST_PATH_IMAGE003
灌溉需 水总量，
Figure 899591DEST_PATH_IMAGE036
表示网格单元
Figure 459885DEST_PATH_IMAGE005
内的最小灌溉需水量。
9.根据权利要求2所述的方法，所述步骤S21中，采用下述公式计算网格单元内的参考 作物潜在蒸散量
Figure 277537DEST_PATH_IMAGE037
：
Figure 556072DEST_PATH_IMAGE038
（9-1）
式中，
Figure 986047DEST_PATH_IMAGE039
表示为温度曲线和饱和水气压相关的斜率，KPa/℃；
Figure 666427DEST_PATH_IMAGE040
表示地表净辐射量，
Figure 657910DEST_PATH_IMAGE041
；
Figure 158162DEST_PATH_IMAGE042
表示土壤热通量，
Figure 391828DEST_PATH_IMAGE041
，一般取0；
Figure 926715DEST_PATH_IMAGE043
表示干湿度常数，KPa/℃；
Figure 86170DEST_PATH_IMAGE044
表示空气平均温度，℃；
Figure 808138DEST_PATH_IMAGE045
表示2m处风速，m/s；
Figure 845495DEST_PATH_IMAGE046
表示饱和水气压，KPa；
Figure 234888DEST_PATH_IMAGE047
表示实际观测 水气压差，KPa。
10.根据权利要求9所述的方法，所述步骤S22中，采用下述公式计算作物潜在蒸散量
Figure 833753DEST_PATH_IMAGE048
和作物实际蒸散量
Figure 308597DEST_PATH_IMAGE049
：
Figure 884066DEST_PATH_IMAGE050
（10-1）
Figure 127965DEST_PATH_IMAGE051
（10-2）
公式（10-1）为作物在第
Figure 894802DEST_PATH_IMAGE052
天潜在蒸散量
Figure 856942DEST_PATH_IMAGE053
的计算，其中
Figure 236102DEST_PATH_IMAGE054
为第
Figure 68928DEST_PATH_IMAGE052
天的作物系数，
Figure 757399DEST_PATH_IMAGE055
为第
Figure 459032DEST_PATH_IMAGE052
天的参考作物潜在蒸散；
公式（10-2）为作物在第
Figure 359992DEST_PATH_IMAGE052
天实际蒸散量
Figure 594795DEST_PATH_IMAGE056
的计算，其中
Figure 454167DEST_PATH_IMAGE057
为第
Figure 109008DEST_PATH_IMAGE052
天的作物水分胁 迫系数，具体计算公式如下：
Figure 344817DEST_PATH_IMAGE058
（10-3）
式中，
Figure 434127DEST_PATH_IMAGE059
为作物根部平均深度的土壤含水量；
Figure 970458DEST_PATH_IMAGE060
为根区最大土壤有效含水量；
Figure 863327DEST_PATH_IMAGE061
为作物从根区土壤中吸收的无水分胁迫的水分含量占根区最大土壤有效含水量
Figure 387981DEST_PATH_IMAGE062
的 比例；
Figure 581065DEST_PATH_IMAGE063
（10-4）
式中，
Figure 31506DEST_PATH_IMAGE064
为前一时期的土壤含水量，
Figure 411672DEST_PATH_IMAGE065
为1天，
Figure 740016DEST_PATH_IMAGE066
为第
Figure 522028DEST_PATH_IMAGE067
天的有效降雨，
Figure 894103DEST_PATH_IMAGE068
为 第
Figure 279342DEST_PATH_IMAGE067
天的灌溉用水；
Figure 395065DEST_PATH_IMAGE069
为第
Figure 47894DEST_PATH_IMAGE067
天的作物实际蒸散量；
Figure 590871DEST_PATH_IMAGE070
为第
Figure 194897DEST_PATH_IMAGE067
天的径流；
Figure 114311DEST_PATH_IMAGE071
（10-5）
式中，
Figure 621647DEST_PATH_IMAGE072
为常数，在雨养地区为2，灌溉地区为3；
Figure 335525DEST_PATH_IMAGE073
（10-6）
式中，
Figure 960935DEST_PATH_IMAGE074
为常数，
Figure 169194DEST_PATH_IMAGE075
为作物在第
Figure 780303DEST_PATH_IMAGE067
天的潜在蒸散量。
11.根据权利要求10所述的方法，所述步骤S23中，采用下述公式计算网格单元内的有效降雨量：
Figure 179930DEST_PATH_IMAGE076
（11-1）
式中，
Figure 509280DEST_PATH_IMAGE077
表示第
Figure 255650DEST_PATH_IMAGE067
天的实际降雨量，当第
Figure 986846DEST_PATH_IMAGE067
天的平均温度低于0℃时，认为
Figure 825882DEST_PATH_IMAGE078
等 于
Figure 517895DEST_PATH_IMAGE079
，当第
Figure 97649DEST_PATH_IMAGE067
-1天有积雪，且第
Figure 417772DEST_PATH_IMAGE067
天的平均温度高于0℃，则认为
Figure 395087DEST_PATH_IMAGE078
等于平均温度乘 以4mm/℃。
12.根据权利要求11所述的方法，所述步骤S24中，采用下述公式计算网格区域的作物 最小灌溉需水量
Figure 433450DEST_PATH_IMAGE080
：
Figure 112885DEST_PATH_IMAGE081
（12-1）
当生育期内的作物潜在蒸散量
Figure 287515DEST_PATH_IMAGE082
大于等于有效降雨量
Figure 684998DEST_PATH_IMAGE083
时，最小灌溉需 水量
Figure 961390DEST_PATH_IMAGE084
等于两者的差值，当生育期内作物潜在蒸散量
Figure 368100DEST_PATH_IMAGE082
小于有效降雨量
Figure 177662DEST_PATH_IMAGE083
时，则灌溉需水量
Figure 480468DEST_PATH_IMAGE084
为0。
13.根据权利要求3所述的方法，所述步骤S31中，通过下述公式计算县级尺度灌溉和雨养种植条件下作物的单产和播种面积：
Figure 244155DEST_PATH_IMAGE085
（13-1）
Figure 188978DEST_PATH_IMAGE086
（13-2）
其中，
Figure 855976DEST_PATH_IMAGE087
为作物
Figure 329682DEST_PATH_IMAGE003
的县级统计单产；
Figure 580666DEST_PATH_IMAGE088
和
Figure 329180DEST_PATH_IMAGE089
分别表示各县域 作物
Figure 113334DEST_PATH_IMAGE003
在雨养
Figure 23521DEST_PATH_IMAGE013
和灌溉
Figure 761801DEST_PATH_IMAGE012
种植条件
Figure 48426DEST_PATH_IMAGE006
下的单产水平；
Figure 690016DEST_PATH_IMAGE090
和
Figure 36684DEST_PATH_IMAGE091
分别表 示各县域作物
Figure 980369DEST_PATH_IMAGE003
在雨养
Figure 555838DEST_PATH_IMAGE013
和灌溉
Figure 799737DEST_PATH_IMAGE012
种植条件
Figure 566574DEST_PATH_IMAGE006
下的种植比例，即雨养作物种植面积和灌溉作 物种植面积占总种植面积的比例；
Figure 263135DEST_PATH_IMAGE092
为用于计算作物
Figure 376715DEST_PATH_IMAGE003
灌溉单产和雨养单产的比例参 数；
Figure 475121DEST_PATH_IMAGE093
（13-3）
其中，
Figure 898012DEST_PATH_IMAGE094
表示县级尺度作物
Figure 334066DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 766185DEST_PATH_IMAGE006
下的播种面 积，
Figure 988DEST_PATH_IMAGE095
表示县级统计数据中作物
Figure 109627DEST_PATH_IMAGE003
的总播种面积；
Figure 780780DEST_PATH_IMAGE096
表示作物
Figure 767322DEST_PATH_IMAGE003
在灌溉或雨 养种植条件
Figure 840320DEST_PATH_IMAGE006
下的种植比例。
14.根据权利要求3所述的方法，所述步骤S35中，通过下述公式基于最小化交叉信息熵方法求解网格单元上的作物分配比例：
Figure 111071DEST_PATH_IMAGE097
（14-1）
其中，
Figure 269520DEST_PATH_IMAGE098
为交叉熵，
Figure 59753DEST_PATH_IMAGE099
表示网格单元
Figure 518416DEST_PATH_IMAGE100
上分配的作物
Figure 703278DEST_PATH_IMAGE003
在不同种植条件
Figure 349023DEST_PATH_IMAGE006
下的 种植比例；
Figure 942947DEST_PATH_IMAGE101
表示网格单元
Figure 508314DEST_PATH_IMAGE005
上作物
Figure 145969DEST_PATH_IMAGE003
在不同种植条件
Figure 764163DEST_PATH_IMAGE006
下分配的初始种植比例，即作物 先验分布参数；
在进行最小交叉熵的模拟时，需要同时满足以下约束条件：
Figure 879886DEST_PATH_IMAGE102
（14-2）
Figure 296830DEST_PATH_IMAGE103
（14-3）
Figure 839807DEST_PATH_IMAGE104
（14-4）
Figure 210877DEST_PATH_IMAGE105
（14-5）
Figure 864712DEST_PATH_IMAGE106
（14-6）
其中，
Figure 139092DEST_PATH_IMAGE107
为网格单元
Figure 852970DEST_PATH_IMAGE108
上的灌溉面积；
Figure 445756DEST_PATH_IMAGE109
为网格单元
Figure 637703DEST_PATH_IMAGE108
上的耕地面积；
Figure 763660DEST_PATH_IMAGE110
表示目标种植区内作物
Figure 382860DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 197363DEST_PATH_IMAGE006
下的总种植面积；
Figure 458580DEST_PATH_IMAGE111
表示网格单元
Figure 924197DEST_PATH_IMAGE005
上作物
Figure 232075DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 783142DEST_PATH_IMAGE006
下的适宜性种植面 积；
Figure 598782DEST_PATH_IMAGE112
表示县域
Figure 184484DEST_PATH_IMAGE113
统计数据中作物
Figure 660334DEST_PATH_IMAGE003
实际播种面积与作物
Figure 698697DEST_PATH_IMAGE003
熟制的比例；公式 （14-2）约束了作物
Figure 786870DEST_PATH_IMAGE003
在灌溉和雨养种植条件
Figure 227079DEST_PATH_IMAGE006
下，各县域内所有网格单元
Figure 154057DEST_PATH_IMAGE005
上分配比例的 加和等于1；公式（14-3）约束了作物
Figure 679716DEST_PATH_IMAGE003
在网格单元
Figure 837159DEST_PATH_IMAGE005
上，在灌溉和雨养种植条件
Figure 131875DEST_PATH_IMAGE006
下分配的 作物种植面积加和小于等于网格单元
Figure 700259DEST_PATH_IMAGE005
内的耕地面积；公式（14-4）约束了作物
Figure 696903DEST_PATH_IMAGE003
在网格单 元
Figure 641725DEST_PATH_IMAGE005
上不同灌溉或雨养种植条件
Figure 541679DEST_PATH_IMAGE006
下分配的作物种植面积小于等于作物适宜种植面积；公 式（14-5）约束了各县域内作物
Figure 280965DEST_PATH_IMAGE003
在所有网格单元
Figure 33414DEST_PATH_IMAGE021
上分配的种植面积等于统计数据中作物
Figure 516348DEST_PATH_IMAGE003
实际播种面积与作物
Figure 785655DEST_PATH_IMAGE003
熟制的比例；公式（14-6）约束作物
Figure 446575DEST_PATH_IMAGE003
在网格单元
Figure 434122DEST_PATH_IMAGE005
上灌溉种植条 件下分配的作物种植面积小于等于该网格单元
Figure 704435DEST_PATH_IMAGE005
上的灌溉面积；
其中，
Figure 93828DEST_PATH_IMAGE114
的计算公式如下：
Figure 925649DEST_PATH_IMAGE115
（14-7）
其中，
Figure 134914DEST_PATH_IMAGE116
为作物
Figure 477427DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 455747DEST_PATH_IMAGE006
下的熟制。
15.根据权利要求14所述的方法，所述步骤S36中，通过下述公式计算每个网格单元上作物的单产和种植面积：
依据求得的
Figure 973316DEST_PATH_IMAGE117
，可以求得各网格单元上分配的种植面积
Figure 155030DEST_PATH_IMAGE118
；
Figure 517878DEST_PATH_IMAGE119
（15-1）
依据作物
Figure 131131DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 819601DEST_PATH_IMAGE006
下的潜在单产
Figure 488611DEST_PATH_IMAGE120
，可以求得各县域内 的平均潜在单产
Figure 655150DEST_PATH_IMAGE121
，并依据公式（15-3）计算得到各网格单元
Figure 873642DEST_PATH_IMAGE122
上作物
Figure 985211DEST_PATH_IMAGE003
在不同灌溉 或雨养种植条件
Figure 390784DEST_PATH_IMAGE006
下的实际单产
Figure 111747DEST_PATH_IMAGE123
；
Figure 184745DEST_PATH_IMAGE124
（15-2）
Figure 198706DEST_PATH_IMAGE125
（15-3）
其中，
Figure 357155DEST_PATH_IMAGE126
表示县级尺度上作物
Figure 881809DEST_PATH_IMAGE003
在灌溉或雨养种植条件
Figure 809313DEST_PATH_IMAGE006
下的单产水平。
16.根据前述权利要求1-6、9-15中任一项所述的方法，所述优化方法在不同减产目标条件下，分别进行基于网格单元的作物种植面积分布的优化，以实现灌溉需水总量最小的优化目标。
CN202110737070.5A 2021-06-30 2021-06-30 一种网格化作物种植布局优化方法 Active CN113177345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110737070.5A CN113177345B (zh) 2021-06-30 2021-06-30 一种网格化作物种植布局优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110737070.5A CN113177345B (zh) 2021-06-30 2021-06-30 一种网格化作物种植布局优化方法

Publications (2)

Publication Number Publication Date
CN113177345A true CN113177345A (zh) 2021-07-27
CN113177345B CN113177345B (zh) 2021-11-19

Family

ID=76927977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110737070.5A Active CN113177345B (zh) 2021-06-30 2021-06-30 一种网格化作物种植布局优化方法

Country Status (1)

Country Link
CN (1) CN113177345B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570273A (zh) * 2021-08-03 2021-10-29 北京师范大学 一种灌溉耕地统计数据的空间化方法及系统
CN113592664A (zh) * 2021-08-05 2021-11-02 四川省农业科学院农业信息与农村经济研究所 农作物生产空间预测模拟方法、设备、模型及存储介质
CN113641946A (zh) * 2021-10-15 2021-11-12 中国科学院地理科学与资源研究所 耗水作物种植布局优化方法及装置
CN113822479A (zh) * 2021-09-22 2021-12-21 中国科学院地理科学与资源研究所 一种兼顾生产、环境和经济效益的区域农业种植结构多目标优化方法
CN114009281A (zh) * 2021-12-07 2022-02-08 中国农业大学 一种作物种植适宜性推荐方法
CN114488921A (zh) * 2022-04-14 2022-05-13 山东省农业机械科学研究院 一种智慧果园物联网管控系统
CN116326460A (zh) * 2023-05-24 2023-06-27 中国农业科学院农业环境与可持续发展研究所 一种多通道数据采集方法及农作物精准灌溉施肥控制系统
CN116720614A (zh) * 2023-06-05 2023-09-08 中国科学院地理科学与资源研究所 一种土地布局优化方法
WO2023245399A1 (zh) * 2022-06-21 2023-12-28 南京大学 基于土地系统和气候变化耦合的水稻生产潜力模拟方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110506616A (zh) * 2019-08-30 2019-11-29 中国科学院地理科学与资源研究所 一种地下滴灌反馈控制系统
CN110580657A (zh) * 2019-10-12 2019-12-17 中国水利水电科学研究院 农业灌溉需水量预测方法
CN110992201A (zh) * 2019-12-17 2020-04-10 黄河勘测规划设计研究院有限公司 生态灌区实现节水挖潜的综合措施配置方法
CN112837169A (zh) * 2021-01-11 2021-05-25 黄河勘测规划设计研究院有限公司 一种干旱过程网格化旱情综合监测、预警与评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110506616A (zh) * 2019-08-30 2019-11-29 中国科学院地理科学与资源研究所 一种地下滴灌反馈控制系统
CN110580657A (zh) * 2019-10-12 2019-12-17 中国水利水电科学研究院 农业灌溉需水量预测方法
CN110992201A (zh) * 2019-12-17 2020-04-10 黄河勘测规划设计研究院有限公司 生态灌区实现节水挖潜的综合措施配置方法
CN112837169A (zh) * 2021-01-11 2021-05-25 黄河勘测规划设计研究院有限公司 一种干旱过程网格化旱情综合监测、预警与评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIANGZHI YOU .ETC: ""Generating global crop distribution maps: From census to grid"", 《AGRICULTURAL SYSTEMS》 *
唐鹏钦 等: ""利用交叉信息熵模拟东北地区水稻种植面积空间分布"", 《农业工程学报》 *
彭致功 等: ""基于灌溉制度优化和种植结构调整的用水总量控制"", 《农业工程学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570273B (zh) * 2021-08-03 2023-09-05 北京师范大学 一种灌溉耕地统计数据的空间化方法及系统
CN113570273A (zh) * 2021-08-03 2021-10-29 北京师范大学 一种灌溉耕地统计数据的空间化方法及系统
CN113592664B (zh) * 2021-08-05 2023-07-18 四川省农业科学院农业信息与农村经济研究所 农作物生产空间预测模拟方法、设备、模型及存储介质
CN113592664A (zh) * 2021-08-05 2021-11-02 四川省农业科学院农业信息与农村经济研究所 农作物生产空间预测模拟方法、设备、模型及存储介质
CN113822479A (zh) * 2021-09-22 2021-12-21 中国科学院地理科学与资源研究所 一种兼顾生产、环境和经济效益的区域农业种植结构多目标优化方法
CN113822479B (zh) * 2021-09-22 2022-08-16 中国科学院地理科学与资源研究所 一种兼顾生产、环境和经济效益的区域农业种植结构多目标优化方法
CN113641946A (zh) * 2021-10-15 2021-11-12 中国科学院地理科学与资源研究所 耗水作物种植布局优化方法及装置
CN114009281A (zh) * 2021-12-07 2022-02-08 中国农业大学 一种作物种植适宜性推荐方法
CN114488921A (zh) * 2022-04-14 2022-05-13 山东省农业机械科学研究院 一种智慧果园物联网管控系统
CN114488921B (zh) * 2022-04-14 2022-08-16 山东省农业机械科学研究院 一种智慧果园物联网管控系统
US11889793B2 (en) 2022-04-14 2024-02-06 Shandong Academy Of Agricultural Machinery Sciences Internet-of-things management and control system for intelligent orchard
WO2023245399A1 (zh) * 2022-06-21 2023-12-28 南京大学 基于土地系统和气候变化耦合的水稻生产潜力模拟方法
CN116326460A (zh) * 2023-05-24 2023-06-27 中国农业科学院农业环境与可持续发展研究所 一种多通道数据采集方法及农作物精准灌溉施肥控制系统
CN116326460B (zh) * 2023-05-24 2023-08-04 中国农业科学院农业环境与可持续发展研究所 一种多通道数据采集方法及农作物精准灌溉施肥控制系统
CN116720614A (zh) * 2023-06-05 2023-09-08 中国科学院地理科学与资源研究所 一种土地布局优化方法

Also Published As

Publication number Publication date
CN113177345B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN113177345B (zh) 一种网格化作物种植布局优化方法
Liu et al. Modeling the role of irrigation in winter wheat yield, crop water productivity, and production in China
Kibe et al. Water–nitrogen relationships for wheat growth and productivity in late sown conditions
Chen et al. Simulating impacts of climate change on cotton yield and water requirement using RZWQM2
MAO et al. Resource use efficiency, ecological intensification and sustainability of intercropping systems
Brogaard et al. Primary production of Inner Mongolia, China, between 1982 and 1999 estimated by a satellite data-driven light use efficiency model
Lu et al. Quantitative assessment of resource-use efficient cropping systems: a case study for Ansai in the Loess Plateau of China
Cao et al. Rural transition in the loess hilly and gully region: From the perspective of “flowing” cropland
Xiao et al. Response of net primary production to land use and climate changes in the middle‐reaches of the Heihe River Basin
CN113641946B (zh) 耗水作物种植布局优化方法及装置
Wang et al. Production potential and yield gaps of summer maize in the Beijing-Tianjin-Hebei Region
CN104718933B (zh) 一种周年连作宽垄沟的玉米产量的预测方法和灌水质量的评价方法
Xiaolong et al. Effects of a rainwater-harvesting furrow/ridge system on spring corn productivity under simulated rainfalls
Liu et al. Drip irrigation enhances water use efficiency without losses in cucumber yield and economic benefits in greenhouses in North China
CN103745407A (zh) 借助智能手机和gps制定作物精确栽培方案的方法和系统
Rao et al. GIS-based decision support system for real time water demand estimation in canal irrigation systems
Tran Modelling yield response to deficit irrigation by Aquacrop in the mekong Delta, Vietnam
Cadro et al. Geothermal energy for sustainable agriculture: a case study Sarajevo, Bosnia and Herzegovina.
Binesh et al. Preparation of spatial distribution maps of saffron water requirement in Kermanshah province.
CN110786113A (zh) 一种烤烟k326在高等肥力土壤种植的施肥方法
Kumari et al. Impact of dynamic vegetation on near-surface meteorology using a newly developed WRF_NOAHMP_SUCROS coupled model
Tamene et al. Models comparative study for estimating crop water requirement and irrigation scheduling of maize in Metekel Zone, Benishangul Gumuz Regional State, Ethiopia
Feng et al. Feasibility analysis of a double-cropping system for the efficient use of farmland on China’s Loess Plateau
Gumeniuk et al. Agro-ecological Assessment for the Transition of the Agricultural Sector in Ukraine: Methodology and Results for Baseline Climate
DURY et al. Numéro spécial

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant