CN113592664B - 农作物生产空间预测模拟方法、设备、模型及存储介质 - Google Patents

农作物生产空间预测模拟方法、设备、模型及存储介质 Download PDF

Info

Publication number
CN113592664B
CN113592664B CN202110898491.6A CN202110898491A CN113592664B CN 113592664 B CN113592664 B CN 113592664B CN 202110898491 A CN202110898491 A CN 202110898491A CN 113592664 B CN113592664 B CN 113592664B
Authority
CN
China
Prior art keywords
area
planting
regulated
grid
sub
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.)
Active
Application number
CN202110898491.6A
Other languages
English (en)
Other versions
CN113592664A (zh
Inventor
林正雨
陈春燕
刘远利
高文波
曹杰
刘光辉
何鹏
廖桂堂
陈章
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.)
Agricultural Information And Countryside Economy Research Institute Sichuan Academy Of Agricultural Sciences
Original Assignee
Agricultural Information And Countryside Economy Research Institute Sichuan Academy Of Agricultural Sciences
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 Agricultural Information And Countryside Economy Research Institute Sichuan Academy Of Agricultural Sciences filed Critical Agricultural Information And Countryside Economy Research Institute Sichuan Academy Of Agricultural Sciences
Priority to CN202110898491.6A priority Critical patent/CN113592664B/zh
Publication of CN113592664A publication Critical patent/CN113592664A/zh
Application granted granted Critical
Publication of CN113592664B publication Critical patent/CN113592664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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"

Landscapes

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

Abstract

本发明公开了一种农作物生产空间预测模拟方法、设备、模型及存储介质，该方法包括以下步骤：确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域生成栅格数据；根据所述主导环境变量、待调控区域中采样点的地理坐标数据确定待调控区域每个栅格象元中对应农作物的分布概率；根据所述每个栅格象元中对应农作物的分布概率筛选出可用于种植对应农作物的栅格象元；根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配。采用该方法，可直接确定生产空间，对农作物的种植具有指导意义。

Description

农作物生产空间预测模拟方法、设备、模型及存储介质
技术领域
本发明属于农作物生产布局技术领域，具体涉及一种农作物生产空间预测模拟方法、设备、模型及存储介质。
背景技术
农作物生产空间是由“自然-人文”因素的地域分异规律所决定的农作物生产在地域上的分工形式，是农作物在空间上的动态组合与地域布局。由于“自然-人文”的双重属性，农作物生产空间演化可视为农业产业集群的演化。已有研究认为农业产业集群是一个具有生命力的产业群落，可以分为孕育、成长、成熟和衰退四个阶段。在产业不同的生命周期阶段，由于流入效应、乘数效应、流出效应的交织导致的空间差异和阶段差异并存，农作物生产空间并不一定经历从低级到高级直至衰亡的全生命过程。因此，在掌握和分析农作物生产空间变化特征及其的响应机制的基础上，进行科学调控和优化是农作物空间和农业土地系统研究的关键任务。简言之，农作物生产空间调控就是尊重自然适宜性，扬长避短，因地制宜，根据不同地区的自然和社会经济条件，部署最适宜的农作物或者将农作物布局到最佳适宜区。
我国柑橘种植面积居世界第一，是南方地区支撑农村经济发展的重要产业支柱。四川省处于长江上中游柑橘优势区。近年来，受价格上涨利好，以及四川盆地黄龙病和溃疡病发生率较低，四川柑橘空间扩张加速，已存在生产空间向中低适宜等级空间，甚至不适宜等级空间转移的趋势，亟需对四川柑橘生产空间进行调控。
目前，农作物生产空间调控技术主要可分为数理计量法、空间模型法2类。数理计量法是指在经济分析过程中，运用数学符号和数字算式的推导来研究和表示过程和现象的研究方法。如线性规划方法、多目标函数、模糊聚类、灰色模型等。数理分析法使经济过程和经济现象研究的表述较简洁清晰，其推理更加直观方便和精确，因此长期以来得到广泛运用。空间模型法根据农作物生理生长的对自然资源因素的响应，通过建立气候、地形、土壤等自然适宜性评价体系，识别和划分农作物适宜空间，并在此基础上对生产空间调控提出指导意见。
但是，上述方法存在以下问题：
现有空间模型法更关注农作物自然适宜性，其模拟结果的本质是农作物的适宜空间，而非生产空间，适宜空间面积一般较大，且远远超过生产空间面积，难以指导具体种植生产。
发明内容
本发明为了解决上述现有空间模拟法模拟出的农作物的适宜空间不能指导具体种植生产的问题，提供一种农作物生产空间预测模拟方法、设备、模型及存储介质。
为了实现上述目的，本发明采用以下技术方案：
本发明第一方面提供一种农作物生产空间预测模拟方法，包括以下步骤：
确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域生成栅格数据，且统一规范所述主导环境变量的栅格数据的空间分辨率
根据所述主导环境变量、待调控区域中采样点的地理坐标数据确定待调控区域每个栅格象元中对应农作物的分布概率；
根据所述每个栅格象元中对应农作物的分布概率筛选出可用于种植对应农作物的栅格象元；
根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配。
本方案通过将主导环境变量进行处理在待调控区域生成栅格数据，通过主导环境变量确定每个栅格象元对应农作物的分布概率，种植面积分配基于该分布概率和预测种植面积进行分配，采用该方法，可直接确定生产空间，对农作物的种植具有指导意义。
在一个可能的设计中，所述确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域生成栅格数据，包括：
确定影响对应农作物生产的潜在环境变量，所述潜在环境变量包括潜在自然变量和潜在人文变量；
将所述潜在环境变量在待调控区域生成栅格数据，并统一所述潜在环境变量栅格数据的空间分辨率；
计算所述潜在自然变量的贡献率并根据所述贡献率识别出潜在自然变量中的主导自然变量，所述主导自然变量为贡献率大于一阈值的所述潜在自然变量；
对主导自然变量、潜在人文变量和待调控区域现有对应农作物种植面积进行相关性分析，对主导自然变量、潜在人文变量进行筛选；
在筛选出的主导自然变量的基础上加入筛选出的潜在人文变量，进行多重共线性诊断，识别主导环境变量。
现有方法中，其主导环境变量的确定缺少对社会经济、制度政策、技术进步等人文因素的考虑，降低了生产空间调控的科学性和合理性。本方案进一步对主导环境变量的确认方法进行了优化，其引入人文因素的指标，克服了传统空间模型对只关注自然因素的不足。同时利用最大熵模型计算农作物分布概率，降低了对传统空间模型指标及其阈值的主观性，提高对对应农作物生产空间模拟的精度。
在一个可能的设计中，所述对应农作物为柑橘时，识别出的所述主导环境变量包括海拔、化肥施用强度、有效灌溉面积、劳动力投入强度、年平均气温、年日照时数、气温年较差、坡度、年均空气湿度、农药施用强度、经济反哺能力、消费水平、无霜期、城市化水平、夏季≥38℃持续天数、路网密度、粮食保障、pH、年降水量、最热月平均气温、技术进步和制度政策。
在一个可能的设计中，所述根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配，包括：
比较各次区域的预测种植面积与该次区域内可用于种植对应农作物的栅格象元面积之和，所述待调控区域包括多个地理位置不相重叠的次区域，
若次区域的预测种植面积大于该次区域内可用于种植对应农作物的栅格象元面积之和，则直接对该次区域中所有可用于种植对应农作物的栅格象元进行种植面积分配；
若次区域的预测种植面积小于等于该次区域内可用于种植对应农作物的栅格象元面积之和，则分别对各次区域进行步骤A和B的操作，
A、对次区域内可用于种植对应农作物的栅格象元所对应的分布概率进行排序,
B、将次区域的预测种植面积按分布概率从高到低的顺序对该次区域内的栅格象元进行种植面积分配，所述栅格象元分配的种植面积为该栅格象元实际表征的地理面积，统计已分配的种植面积并对已分配的栅格象元进行位置标记生成标记点；
待次区域中各栅格象元的种植面积分配完成后，统计该次区域中已分配的种植面积，计算该次区域的预测种植面积与该次区域中已分配的种植面积的差值；
在待调控区域的各次区域中各栅格的种植面积均分配完成后，计算大于0的差值的总和A；
若总和A大于0，则对待调控区域内未分配的栅格象元按分布概率从高到低的顺序排序，将总和A对应的种植面积按分布概率从高到低的顺序对待调控区域内未分配的栅格象元进行种植面积分配直至将各次区域的预测种植面积总和分配完，对已分配的栅格象元进行位置标记生成标记点。
在一个可能的设计中，所述方法还包括：
将已标记的栅格象元输出，并转化为栅格数据；
在地理信息系统上进行面积计算；
输出对应农作物的生产空间模拟方案。
现有方法的处理结果是农作物种植面积比例结构或种植规模，缺少空间数据处理，没能建立空间映射关系，无法实现空间表达，即只有数量结构而无空间分布。本方案通过对已分配栅格进行位置标记，通过导出所有标记点的栅格象元，并在地理信息系统上计算面积后输出，其不仅能实现数据表达，也能实现空间分布的展示。
在一个可能的设计中，所述方法还包括：
利用AUC值检验对应农作物分布概率的准确性。
本方案采用AUC值检验分布概率的准确性，提高分布概率的准确度，以提高后续对应农作物生产空间模拟的准确度。
本发明第二方面提供一种农作物生产空间预测模拟模型，包括依次信号连接的主导环境变量确认单元、分布概率确认单元、栅格象元确认单元、种植面积分配单元；
所述主导环境变量确认单元用于确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域生成栅格数据；
所述分布概率确认单元用于根据所述主导环境变量确定待调控区域中对应农作物分布概率；
所述栅格象元确认单元用于根据所述每个栅格象元中对应农作物的分布概率筛选出可用于种植对应农作物的栅格象元；
所述种植面积分配单元用于根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配。
在一个可能的设计中，所述模型还包括方案输出单元，
所述方案输出单元还用于对已分配的栅格进行位置标记已生产标记点；
所述方案输出单元用于将标记点导出并进行栅格数据转化，并在地理信息系统上计算面积后输出对应农作物的生产空间模拟方案。
本发明第三方面提供一种农作物生产空间预测模拟设备，包括依次通信连接的存储器和处理器，所述存储器上存储有计算机程序，所述处理器用于读取所述计算机程序，执行第一方面及其任一所述的农作物生产空间预测模拟方法。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行第一方面及其任一所述的农作物生产空间预测模拟方法。
本发明与现有技术相比，至少具有以下优点和有益效果：
1、本发明通过将主导环境变量进行处理在待调控区域中生成栅格数据，通过主导环境变量确定每个栅格象元对应农作物分布概率，种植面积分配基于该分布概率和预测种植面积进行分配，采用该方法，可直接确定生产空间，对农作物的种植布局具有指导意义。
2、本发明的主导环境变量引入人文因素的指标，克服了传统空间模型对只关注自然因素的不足，同时利用最大熵模型计算农作物分布概率，降低了对传统空间模型指标及其阈值的主观性，提高对对应农作物生产空间模拟的精度。
3、本发明通过对已分配栅格象元进行位置标记，通过标记点导出并进行栅格数据转化，并在地理信息系统上计算面积后输出，其不仅能实现数据表达，也能实现空间分布的展示。
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为本发明方法的流程图。
图2为一具体实施例中柑橘采样点位置的经纬坐标图。
图3为一具体实施例中四川省柑橘空间分布预测结果的ROC曲线及AUC值。
图4为一具体实施例中输出的四川省生产空间的分布概率图。
图5为一具体实施例中四川省内的柑橘的生产空间模拟方案图。
图6为四川省空间分割图。
图7为采用本方案的方法得到的四川省可用于布局柑橘的栅格象元结果图。
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。本文公开的特定结构和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文阐述的实施例中。
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，可以不以非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
本方案第一方面提供一种农作物生产空间预测模拟方法，该方法可以但不限于由一模拟装置来执行，模拟装置可以是软件，或者为软件和硬件的组合，模拟装置可以集成在智能移动端、平板、电脑等智能设备中。该方法不仅适于柑橘生成空间的模拟，也适于苹果、猕猴桃、茶叶、桃等农作物生产空间的模拟。具体的，如图1所示，该农作物生产空间预测模拟方法包括以下步骤S101～步骤S105。
步骤S101、确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域中生成栅格数据。
该步骤中，主导环境变量可以仅采用自然变量或者自然变量与人文变量相结合的方法，当然，采用自然变量与人文变量相结合的方法为更优方式。
具体的，以柑橘生产空间的模拟为例，对本实施例中主导环境变量的确认步骤进行详细说明，其确认过程包括步骤S1011～步骤S1014。
步骤S1011、确定影响对应农作物生产分布的潜在环境变量，所述潜在环境变量包括潜在自然变量和潜在人文变量。
通过文献梳理、已有研究成果和专家知识，根据柑橘对光、热、水、土等自然环境的适宜性，以及对生产因素、社会因素、市场因素、经济因素等人文环境的适宜性，构建影响柑橘生产分布的潜在环境变量，最终，确定了39个潜在环境变量，其中，潜在自然变量26个，潜在人文变量13个，具体如表1。
表1影响柑橘生产空间的潜在自然变量
通过文献梳理、已有研究成果，确定计算公式或获取方法，得到潜在环境变量的属性数据，其中，潜在环境变量的属性数据宜采用多年均值数据。具体的，本实施例中，潜在环境变量的属性数据采用时间跨度为1980～2015年的均值数据。序号1～15变量通过表2对应计算公式计算得到四川省范围内42个基础气象站点位置的气候属性均值数据；序号16～23变量通过表2对应获取方法计算得到四川省范围内2697个采样点的土壤属性均值数据；序号24～26变量本身为栅格数据无需计算；序号27～39变量通过表2对应获取方法计算得到1980～2015年四川省181个县区的属性均值数据；具体如表2。
表2影响柑橘生产空间分布的潜在环境变量属性数据的获取方法或计算公式
将上述所有潜在环境变量采用空间插值技术在待调控区域中生成栅格数据(Raster)，栅格数据包括多个栅格象元，范围为四川省全域。本实施例中，利用ArcGIS10.2，在四川省全域中，生成所述39个潜在环境变量的栅格数据，栅格数据生成方法具体如表3。
表3影响柑橘生产空间的潜在环境变量栅格数据生成方法
将所述潜在环境变量的栅格数据重采样为同一分辨率，统一投影方式，使所述潜在环境变量的栅格数据的象元行列数保持一致，空间范围保持一致。待调控区域可以是一个小区域、一个县、一个省或多个省甚至全国范围。本实施例以四川省全域为例对本方案的方法进行详细说明。本实施例以1km×1km的空间分辨率(即栅格象元的大小为1km×1km)进行说明。对应的，其空间分辨率也可为2km×2km，或者10km×10km，或者其他。利用ArcGIS10.2，统一规范所述39个潜在环境变量的栅格数据。通过重采样工具将栅格数据统一为1km×1km空间分辨率。通过投影转换工具将投影坐标统一为WGS_1984_UTM_Zone_48N。通过空间裁剪、掩膜提取等技术方法，将栅格数据的象元行数统一为1400个，列数统一为1895个，空间范围统一为四川省全域，纬度26.049°～34.316°，经度97.352°～108.542°。
步骤S1012、计算所述潜在自然变量的贡献率并根据所述贡献率识别出潜在自然变量中的主导自然变量，所述主导自然变量为贡献率大于一阈值的所述潜在自然变量。具体的，该步骤包括步骤S10121～步骤S10123。
步骤S10121、将潜在自然变量的栅格数据转化为ASCⅡ格式，以便于MaxEnt模型识别计算。可采用ArcGIS10.2的数据转换工具将栅格数据转化为ASCⅡ格式。
步骤S10122、获取对应农作物在待调控区域采样点的地理坐标。地理坐标格式为十进制度，并将地理坐标保存为CSV格式。地理坐标的获取方式有多种，其一，可通过野外实地考察，用手持GPS定位获得四川省柑橘主产区采样点位置的地理坐标；其二，可通过生物科学中心数据库、全球物种多样性信息库、教学标本资源共享平台查询补充。总计获取202个柑橘采样点位置的经纬坐标，如图2所示。
步骤S10123、运用MaxEnt模型(Maximum Entropy Approach，即最大熵模型)的刀切法单元jackkn ife计算出潜在自然变量的贡献率，将贡献率大于一阈值的作为影响柑橘生产空间的主导自然变量，此处的阈值可选定为1％、1.1％、0.9％等，此处优选为为1％。在一具体实施例中，MaxEnt模型(版本为3.4.4)的参数设置如下：①随机选择75％的柑橘采样点作为训练样本，用来训练模型，25％作为验证样本；②选中Random Seed，迭代次数为500次，迭代类型为交叉验证(Cross Validate)；③选择执行“Create Response Curves”；④选择执行“Do Jackknife to Measure Varible Important”。从而，筛选出的主导自然变量如表4中标记有*的变量。
表4柑橘生产空间的主导自然变量
序号 潜在自然变量 贡献率 变量属性
1 海拔 64.43 *
2 最热月平均气温 8.25 *
3 年平均气温 2.90 *
4 夏季≥38℃持续天数 2.89 *
5 年均空气湿度 2.30 *
6 花期日平均气温 1.60 *
7 坡度 1.56 *
8 年降水量 1.49 *
9 气温年较差 1.48 *
10 ≥0℃积温 1.41 *
11 年日照时数 1.24 *
12 最冷月平均气温 1.10 *
13 无霜期 1.06 *
14 ≥10℃积温 1.05 *
15 pH值 1.00 *
16 坡向 0.95 /
17 粘粒含量 0.94 /
18 秋季降水量 0.89 /
19 花期幼果期平均空气湿度 0.88 /
20 全磷 0.79 /
21 全氮 0.50 /
22 日平均气温≥10℃持续天数 0.40 /
23 粉粒含量 0.34 /
24 全钾 0.24 /
25 沙粒含量 0.20 /
26 有机质 0.18 /
步骤S1013、对主导自然变量、潜在人文变量和待调控区域现有对应农作物种植面积进行相关性分析，对主导自然变量、潜在人文变量进行筛选，剔除与对应农作物现有种植面积相关性低或者相关性不显著的变量，具体的，可保留在0.05及以上水平显著的指标。
在一具体实施例中，首先，利用所述15个主导自然变量栅格数据、四川省县域行政区划矢量数据，运用ArcGIS10.2的区域分析工具，获取四川省181个县区15个主导自然变量的均值数据。其次，利用四川省181个县区15个主导自然变量的均值数据、获取的13个潜在人文变量分县区属性均值数据、四川省181个县区柑橘2015年种植面积进行相关性分析。比较效益变量与柑橘现有种植面积的Pearson相关性在0.05水平上不显著，剔除比较效益变量，保留在0.05及以上水平显著的27个变量。
步骤S1014、在筛选出的主导自然变量的基础上加入筛选出的潜在人文变量，进行多重共线性诊断，消除因素的共线性影响，识别主导环境变量。具体的，当变量同时满足容忍度＞0.1、方差扩大因子＜10，且决定系数R2＞0.9时，可作为影响四川柑橘生产空间的主导变量。
基于上述方法，最终确认出海拔、化肥施用强度、有效灌溉面积、劳动力投入强度、年平均气温、年日照时数、气温年较差、坡度、年均空气湿度、农药施用强度、经济反哺能力、消费水平、无霜期、城市化水平、夏季≥38℃持续天数、路网密度、粮食保障、pH、年降水量、最热月平均气温、技术进步和制度政策为影响四川全域柑橘生产空间的主导环境变量。上述22个变量的容忍度＞0.1，且方差扩大因子＜10(mean VIF＝8.06)，22个变量对四川柑橘生产空间的影响的决定系数R2＝0.948。
步骤S102、根据所述主导环境变量、待调控区域中采样点的地理坐标数据确定待调控区域中每个栅格象元中对应农作物的分布概率。此处采样点的地理坐标是经纬坐标。该步骤包括具体步骤S1021～步骤S1024。
步骤S1021、建立主导环境变量与对应农作物地理分布的关系模型。在一实施例中，本次采用202个柑橘采样点位置的经纬坐标(CSV格式)，所述22个主导环境变量的ASCⅡ格式数据，运用MaxEnt模型(版本为3.4.4)建立起四川省柑橘地理分布与所述22个主导环境变量的关系模型。MaxEnt模型(版本为3.4.4)的参数设置如下：①随机选择75％的柑橘采样点作为训练样本，用来训练模型，25％作为验证样本；②选中Random Seed，迭代次数为500次，迭代类型为交叉验证(Cross Validate)。
步骤S1022、对步骤S1021确定的关系模型进行检验。检验可采用受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)的下面积(Area Under Curve，AUC)作为检验分布概率准确性的指标，其取值范围0.5～1。AUC值越大，表示分布概率准确性越好。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。一般当AUC值>0.75时，可认为模型可用。若检验通过则进行待调控区域中每个栅格象元中对应农作物分布概率的计算；若检验不通过，即AUC值﹤0.75，则回到步骤S101重新确认主导环境变量。本实施例中，训练集AUC值为0.959，验证集的AUC值为0.940，均>0.75，且模型精度达到“非常好”等级，采用本方案得到的四川省柑橘空间分布预测结果的ROC曲线及AUC值具体如图3，检验通过。
步骤S1023、将所述主导环境变量、待调控区域采样点的地理坐标数据输入最大熵模型中输出待调控区域每个栅格象元中对应农作物分布概率。最大熵模型为现有模型，其基于最大熵原理构建。分布概率取值0％～100％，概率值越大表示对应农作物在栅格象元中存在分布的可能性越高，0％表示栅格象元中没有对应农作物分布，100％表示栅格象元中有对应农作物分布。在一实施例中，其四川省柑橘的分布概率图输出如图4所示。
步骤S1024、对步骤S1023得到的对应农作物的分布概率数据进行格式转换，从ASCⅡ格式转换为栅格数据格式。可利用ArcGIS10.2的数据管理工具，将步骤S1023计算获取的对应农作物的分布概率数据格式从ASCⅡ格式转换为栅格数据格式。
步骤S103，根据所述每个栅格象元对应农作物的分布概率筛选出可用于种植对应农作物的栅格象元后输出，其四川省的分布概率输出结果如图4所示。具体的，先剔除对应农作物分布概率的栅格数据中不适宜布局对应农作物的栅格象元；其次，对比待调控区域土地利用类型数据，剔除不可用于布局对应农作物的栅格象元。在一实施例里中，针对柑橘，删除分布概率小于30％的栅格象元且仅保留土地利用类型为旱地、其他林地2种类型的栅格象元。最终输出的修正后的四川省柑橘的分布概率栅格数据如图5所示。
步骤S104、根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配。
该步骤中，根据待调控区域的面积判定是否需要对其进行区域分割，具体的，可根据面积阈值进行是否要区域分割的判断，若待调控区域的面积小于等于面积阈值，则直接进行种植面积分配；若待调控区域的面积大于面积阈值，则先对其进行区域分割，再进行面积分配。
比如某个县区，其面积小于面积阈值，则直接对其进行种植面积分配。首先统计筛选出可用于种植对应农作物的栅格象元面积之和(Q象元)，比较筛选出可用于种植对应农作物的栅格象元面积之和(Q象元)与待调控区域的预测种植面积(Q预测)的大小。此时存在两种情况，其一，待调控区域的预测种植面积(Q预测)大于待调控区域内可用于布局对应农作物的栅格象元面积之和(Q象元)。其分配方案为：对所有筛选出可用于种植对应农作物的栅格象元进行种植面积分配，此处Q象元即待调控区域模拟布局面积。其二，待调控区域的预测种植面积(Q预测)小于等于待调控区域内可用于布局对应农作物的栅格象元面积之和(Q象元)。其分配方案包括:对待调控区域范围内筛选出的可用于种植对应农作物的栅格象元对应的分布概率进行排序，按照分布概率从高到低的顺序对可用于种植对应农作物的栅格象元进行预测种植面积分配，直至该待调控区域的预测种植面积Q预测分配完毕。此处待调控区域模拟布局面积大于等于该待调控区域的预测种植面积(Q预测)。比如某县其预测种植面积Q预测为2100亩，其筛选出可用于种植对应农作物的栅格象元面积之和Q象元为2500亩，则将该县栅格象元按概率从高到低的顺序逐级进行分配，直至预测种植面积2100亩的面积分配完毕。同样以1km×1km分辨率为例，一个栅格象元表征1km2的种植面积，同理，若栅格的分辨率为0.5km×0.5km，则一个栅格象元表征0.25km2的种植面积。又或者，某县其预测种植面积Q预测为2100亩，其筛选出可用于种植对应农作物的栅格象元面积之和Q象元为2000亩，则将该县可用于种植对应农作物的栅格象元全部进行分配。
比如某个市域或省域，其面积大于一面积阈值，可先将待调控区域分为多个地理位置不相重叠的次区域，次区域可以是不同层级的行政区划单位，如乡镇、县区、市州等单位，也可以是其他空间区域的组合，并对分割出的次区域编号。以四川省为例，设定面积阈值为20000平方千米，而四川省的面积大于20000平方千米，须进行空间分割。四川省包括多个市、县，可以对四川省以市级为单位划分地域、也可以县级为单位划分地域，本实施例以市州为行政单位对四川进行区域分割，将其分割为21个次区域，并将次区域编号1～21号，具体如图6。再对待调控区域执行步骤S1041～步骤S1044的分配方法。
步骤S1041、分别对各次区域内可用于种植对应农作物的栅格象元所对应的分布概率进行排序，所述待调控区域包括多个地理位置不相重叠的次区域。以四川省为例，分别对四川省内的21个次区域即市州内的栅格象元对应的分布概率进行排序。
步骤S1042、分别将各次区域的预测种植面积按分布概率从高到低的顺序对该次区域内的栅格象元进行种植面积分配，所述栅格象元分配的种植面积为该栅格象元实际表征的地理面积，直至该次区域的预测种植面积S预测分配完毕或者该次区域筛选出可用于种植对应农作物的栅格象元分配完毕；统计已分配的种植面积并对已分配的栅格象元进行位置标记生成标记点。
具体的，由于本方案中栅格象元大小为1km×1km，一个栅格象元表征1km2的种植面积。首先，分别统计各次区域筛选出可用于种植对应农作物的栅格象元面积之和(S象元)；比较各区域中筛选出可用于种植对应农作物的栅格象元面积之和(S象元)与该次区域预测种植面积(S预测)的大小。此时也存在两种情况，
其一，次区域的预测种植面积(S预测)大于次区域内可用于布局对应农作物的栅格象元面积之和(S象元)。其分配方案：对所有筛选出可用于种植对应农作物的栅格象元进行种植面积分配。此处，次区域内可用于布局对应农作物的栅格象元面积之和(S象元)即为该次区域模拟布局面积。其二，次区域的预测种植面积(S预测)小于等于次区域内可用于布局对应农作物的栅格象元面积之和(S象元)。其分配方案：对次区域范围内的筛选出的可用于种植对应农作物的栅格象元对应的分布概率进行排序，按照分布概率从高到低的顺序对可用于种植对应农作物的栅格象元进行预测种植面积分配，直至该次区域调控生产区域的预测种植面积分配完毕。
在该步骤中，若所有次区域内可用于种植对应农作物的栅格象元均分配完毕，则结束分配；若有的次区域内可用于种植对应农作物的栅格象元未分配完，则进入步骤S1043。
步骤S1043、待次区域中各栅格象元的种植面积分配完成后，统计该次区域中已分配的种植面积，计算该次区域的预测种植面积与该次区域中已分配的种植面积的差值。在有的此区域中，其预测种植面积大于该区域中可用于种植对应农作物的栅格象元面积之和，需要将未分配的预测种植面积即该次区域的预测种植面积与该次区域中已分配的种植面积的差值对应的种植面积调至其他可分配的次区域中。
步骤S1044、待调控区域的各次区域中各栅格的种植面积均分配完成后，计算大于0的差值的总和A；若总和A大于0，则对待调控区域内未分配的栅格按分布概率从高到低的顺序排序，将总和A对应的种植面积按分布概率从高到低的顺序对待调控区域内未分配的栅格进行种植面积分配直至将各次区域的预测种植面积总和分配完或者所有未分配的栅格分配完毕，对已分配的栅格进行位置标记生成标记点。
采用上述方法，得到的四川生产空间预测模拟过程表如表5所示。
表5生产空间预测模拟过程表
导出所有标记点，根据栅格象元对应的种植面积计算已分配的预测种植面积，即统计待调控区域内对应农作物生产空间模拟布局面积。利用Orcale数据库、SQL语言导出所有已标示可用于布局柑橘的栅格象元，并利用ArcGIS10.2的区域分析工具，计算得到四川省全域范围柑橘生产空间模拟布局面积(即Q模拟)，其结果为3070平方公里，具体见表6。
表6四川省柑橘生产空间预测模拟分布表
步骤S105、导出将已标记的栅格象元，并转化为栅格数据；在地理信息系统上进行面积计算，输出对应农作物的生产空间模拟方案。
采用待调控区域对应农作物模拟分布总面积(Q模拟)与待调控区域对应农作物面积预测数据(Q预测)的相对误差对模型精度进行检验，本实施例中，Q模拟＝3070平方公里，Q预测＝3069.95平方公里，则
采用该方法模拟分布数据与场景预测数据的相对误差＜0.05％，模拟预测精度较高。
经精度检验后，设定相对误差阈值0.05％，由于相对误差0.0016％<0.05％，表明符合精度要求，则利用ArcGIS10.2的导出地图工具，输出步骤S104获得的所有已标示可用于布局柑橘的栅格象元，具体如图7。
通过本方案不仅能输出数据结构，且可给出空间分布结构，建立其空间映射关系，实现空间表达，且在自然因素中加入了人文因素，提高生产空间调控的科学性和合理性，整个方法不完全依赖专家经验，农作物生产布局更客观有效。
本方法立足生产空间对自然驱动因素、人文驱动因素的响应机制分析结果，探索构建了农作物生产空间预测模拟模型，根据生产布局的内在要求和外部环境，对柑橘生产布局过程进行模拟，为农业区域生产布局研究提供一定的理论基础和实践方法。
本发明第二方面提供一种农作物生产空间预测模拟模型，依次信号连接的主导环境变量确认单元、分布概率确认单元、栅格象元确认单元、种植面积分配单元；
所述主导环境变量确认单元用于确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域生成栅格数据；
所述分布概率确认单元用于根据所述主导环境变量、待调控区域中采样点的地理坐标数据确定待调控区域每个栅格象元中对应农作物的分布概率；
所述栅格象元确认单元用于根据所述每个栅格象元中对应农作物的分布概率筛选出可用于种植对应农作物的栅格象元；
所述种植面积分配单元用于根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配。
在一种可能的设计中，该模型还包括方案输出单元，
所述方案输出单元还用于将已分配的栅格象元进行位置标记以生成标记点；
所述方案输出单元用于将标记点导出并进行栅格数据转化，并在地理信息系统上计算面积后输出对应农作物的生产空间模拟方案。
本实施例第三方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行第一方面及其任意一种农作物生产空间预测模拟方法。
本实施例第四方面提供一种实现上述任意一种方法的建模设备，包括依次通信连接的存储器和处理器，所述存储器上存储有计算机程序，所述处理器用于读取所述计算机程序，执行第一方面及其任意一种农作物生产空间预测模拟方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-OnlyMemory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源单元、显示屏和其它必要的部件。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种农作物生产空间预测模拟方法，其特征在于，包括以下步骤：
确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域生成栅格数据；
根据所述主导环境变量、待调控区域中采样点的地理坐标数据确定待调控区域每个栅格象元中对应农作物的分布概率；
根据所述每个栅格象元中对应农作物的分布概率筛选出可用于种植对应农作物的栅格象元；
根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配；
所述确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域生成栅格数据，包括：
确定影响对应农作物生产的潜在环境变量，所述潜在环境变量包括潜在自然变量和潜在人文变量；
将所述潜在环境变量在待调控区域生成栅格数据，并统一所述潜在环境变量栅格数据的空间分辨率；
计算所述潜在自然变量的贡献率并根据所述贡献率识别出潜在自然变量中的主导自然变量，所述主导自然变量为贡献率大于一阈值的所述潜在自然变量；
对主导自然变量、潜在人文变量和待调控区域现有对应农作物种植面积进行相关性分析，对主导自然变量、潜在人文变量进行筛选；
在筛选出的主导自然变量的基础上加入筛选出的潜在人文变量，进行多重共线性诊断，识别主导环境变量；
所述根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配，包括：
比较各次区域的预测种植面积与该次区域内可用于种植对应农作物的栅格象元面积之和，所述待调控区域包括多个地理位置不相重叠的次区域，
若次区域的预测种植面积大于该次区域内可用于种植对应农作物的栅格象元面积之和，则直接对该次区域中所有可用于种植对应农作物的栅格象元进行种植面积分配；
若次区域的预测种植面积小于等于该次区域内可用于种植对应农作物的栅格象元面积之和，则分别对各次区域进行步骤A和B的操作，
A、对次区域内可用于种植对应农作物的栅格象元所对应的分布概率进行排序,
B、将次区域的预测种植面积按分布概率从高到低的顺序对该次区域内的栅格象元进行种植面积分配，所述栅格象元分配的种植面积为该栅格象元实际表征的地理面积，统计已分配的种植面积并对已分配的栅格象元进行位置标记生成标记点；
待次区域中各栅格象元的种植面积分配完成后，统计该次区域中已分配的种植面积，计算该次区域的预测种植面积与该次区域中已分配的种植面积的差值；
待调控区域的各次区域中各栅格的种植面积均分配完成后，计算大于0的差值的总和A；
若总和A大于0，则对待调控区域内未分配的栅格象元按分布概率从高到低的顺序排序，将总和A对应的种植面积按分布概率从高到低的顺序对待调控区域内未分配的栅格象元进行种植面积分配直至将各次区域的预测种植面积总和分配完，对已分配的栅格象元进行位置标记生成标记点。
2.根据权利要求1所述的一种农作物生产空间预测模拟方法，其特征在于，所述对应农作物为柑橘时，识别出的所述主导环境变量包括海拔、化肥施用强度、有效灌溉面积、劳动力投入强度、年平均气温、年日照时数、气温年较差、坡度、年均空气湿度、农药施用强度、经济反哺能力、消费水平、无霜期、城市化水平、夏季≥38℃持续天数、路网密度、粮食保障、pH、年降水量、最热月平均气温、技术进步和制度政策。
3.根据权利要求1所述的一种农作物生产空间预测模拟方法，其特征在于，所述方法还包括：
导出已标记的栅格象元，并转化为栅格数据；
在地理信息系统上进行面积计算；
输出对应农作物的生产空间模拟方案。
4.根据权利要求1所述的一种农作物生产空间预测模拟方法，其特征在于，所述方法还包括：
利用AUC值检验对应农作物分布概率的准确性。
5.一种农作物生产空间预测模拟模型，其特征在于，用于实现权利要求1-4任一所述的农作物生产空间预测模拟方法，包括依次信号连接的主导环境变量确认单元、分布概率确认单元、栅格象元确认单元、种植面积分配单元；
所述主导环境变量确认单元用于确定与对应农作物生产相关的主导环境变量，并对所述主导环境变量进行处理以在待调控区域生成栅格数据；
所述分布概率确认单元用于根据所述主导环境变量、待调控区域中采样点的地理坐标数据确定待调控区域每个栅格象元中对应农作物的分布概率；
所述栅格象元确认单元用于根据所述每个栅格象元中对应农作物的分布概率筛选出可用于种植对应农作物的栅格象元；
所述种植面积分配单元用于根据对应农作物在待调控区域的预测种植面积、所述可用于种植对应农作物的栅格象元及栅格象元对应的地理面积对所述待调控区域进行种植面积分配。
6.根据权利要求5所述的一种农作物生产空间预测模拟模型，其特征在于，所述模型还包括方案输出单元，
所述方案输出单元还用于对已分配的栅格象元进行位置标记以生成标记点；
所述方案输出单元用于将标记点导出并进行栅格数据转化，并在地理信息系统上计算面积后输出对应农作物的生产空间模拟方案。
7.一种农作物生产空间预测模拟设备，包括依次通信连接的存储器和处理器，所述存储器上存储有计算机程序，其特征在于：所述处理器用于读取所述计算机程序，执行权利要求1-4任一所述的农作物生产空间预测模拟方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于：当所述指令在计算机上运行时，执行权利要求1-4任一所述的农作物生产空间预测模拟方法。
CN202110898491.6A 2021-08-05 2021-08-05 农作物生产空间预测模拟方法、设备、模型及存储介质 Active CN113592664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110898491.6A CN113592664B (zh) 2021-08-05 2021-08-05 农作物生产空间预测模拟方法、设备、模型及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110898491.6A CN113592664B (zh) 2021-08-05 2021-08-05 农作物生产空间预测模拟方法、设备、模型及存储介质

Publications (2)

Publication Number Publication Date
CN113592664A CN113592664A (zh) 2021-11-02
CN113592664B true CN113592664B (zh) 2023-07-18

Family

ID=78255598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110898491.6A Active CN113592664B (zh) 2021-08-05 2021-08-05 农作物生产空间预测模拟方法、设备、模型及存储介质

Country Status (1)

Country Link
CN (1) CN113592664B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156886A (zh) * 2010-12-27 2011-08-17 中国农业大学 基于统计数据和遥感影像数据的区域化肥投入空间化方法
CN103886409A (zh) * 2014-03-13 2014-06-25 汕头大学 农业种植辅助决策系统
CN106845699A (zh) * 2017-01-05 2017-06-13 南昌大学 一种预测油茶适生区的方法
CN107609687A (zh) * 2017-08-25 2018-01-19 中国农业大学 一种农作物品种测试站点布局方法及装置
CN109885926A (zh) * 2019-02-18 2019-06-14 南京农业大学 基于r语言的作物生长模型空间栅格模拟方法
CN111445347A (zh) * 2020-05-26 2020-07-24 中国水产科学研究院黄海水产研究所 一种海区水产养殖空间规划决策支持系统
CN111489092A (zh) * 2020-04-15 2020-08-04 云南户外图科技有限公司 一种植物栽培种植环境适生区的评估方法及系统
CN112183428A (zh) * 2020-10-09 2021-01-05 浙江大学中原研究院 一种小麦种植区域分割与产量预测方法
CN112446155A (zh) * 2020-12-09 2021-03-05 四川省农业科学院农业信息与农村经济研究所 一种目标农作物的空间格局模拟模型获取方法
CN113177345A (zh) * 2021-06-30 2021-07-27 中国科学院地理科学与资源研究所 一种网格化作物种植布局优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263707B2 (en) * 2017-08-08 2022-03-01 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156886A (zh) * 2010-12-27 2011-08-17 中国农业大学 基于统计数据和遥感影像数据的区域化肥投入空间化方法
CN103886409A (zh) * 2014-03-13 2014-06-25 汕头大学 农业种植辅助决策系统
CN106845699A (zh) * 2017-01-05 2017-06-13 南昌大学 一种预测油茶适生区的方法
CN107609687A (zh) * 2017-08-25 2018-01-19 中国农业大学 一种农作物品种测试站点布局方法及装置
CN109885926A (zh) * 2019-02-18 2019-06-14 南京农业大学 基于r语言的作物生长模型空间栅格模拟方法
CN111489092A (zh) * 2020-04-15 2020-08-04 云南户外图科技有限公司 一种植物栽培种植环境适生区的评估方法及系统
CN111445347A (zh) * 2020-05-26 2020-07-24 中国水产科学研究院黄海水产研究所 一种海区水产养殖空间规划决策支持系统
CN112183428A (zh) * 2020-10-09 2021-01-05 浙江大学中原研究院 一种小麦种植区域分割与产量预测方法
CN112446155A (zh) * 2020-12-09 2021-03-05 四川省农业科学院农业信息与农村经济研究所 一种目标农作物的空间格局模拟模型获取方法
CN113177345A (zh) * 2021-06-30 2021-07-27 中国科学院地理科学与资源研究所 一种网格化作物种植布局优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Simulation of citrus production space based on MaxEnt;Zhengyu Lin et al.;《Frontiers in Environmental Science》;第10卷;文献号993920 *
四川柑橘适宜分布及其对气候变化的响应研究;林正雨;陈强;邓良基;李晓;何鹏;熊鹰;;中国生态农业学报(中英文)(第06期);第845-859页 *
基于适宜概率模型的柑橘生产空间模拟变化;林正雨等;《农业现代化研究》;第43卷(第4期);第726-737页 *
应用地理栅格对赣无油茶良种植区域的遴选;丁浩宸;《东北林业大学学报》;第48卷(第8期);第38-41页 *

Also Published As

Publication number Publication date
CN113592664A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
Zhong et al. A city-scale estimation of rooftop solar photovoltaic potential based on deep learning
CN111401634B (zh) 一种获取气候信息处理方法、系统、存储介质
CN108701274A (zh) 一种城市小尺度空气质量指数预测方法与系统
CN106651036A (zh) 空气质量预报系统
Li et al. Pattern of spatial evolution of rural settlements in the Jizhou District of China during 1962–2030
CN105760970A (zh) 空气质量指数的预测方法
CN104239706A (zh) 一种地面观测气温时空数据集的制备方法
Palmas et al. Exploring the decision-space for renewable energy generation to enhance spatial efficiency
CN104408258A (zh) 融合环境因素的大尺度土壤有机碳空间分布模拟方法
CN113902580A (zh) 一种基于随机森林模型的历史耕地分布重建方法
KR20140021179A (ko) 일사량 예측 방법 및 장치
CN116542537B (zh) 用于增加碳汇的绿色空间规划方法、系统、设备及介质
Song et al. A continuous space location model and a particle swarm optimization-based heuristic algorithm for maximizing the allocation of ocean-moored buoys
CN106919645A (zh) 复杂地貌大景区的景点气象要素智能精细预测方法
WO2024152865A1 (zh) 一种基于气象站的生态系统碳水通量计算方法及系统
CN115630567A (zh) 一种海岸带土壤有机碳储量模拟及预测方法
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
CN108764527B (zh) 一种土壤有机碳库时空动态预测最优环境变量筛选方法
CN113506371B (zh) 街区尺度气候图绘制方法、装置、电子设备及存储介质
CN115758856A (zh) 一种景观格局及气候变化对流域未来水质影响的研究方法
Wang et al. Measuring solar radiation and spatio-temporal distribution in different street network direction through solar trajectories and street view images
Mubea et al. Spatial effects of varying model coefficients in urban growth modeling in Nairobi, Kenya
CN112560633A (zh) 基于深度学习的植物关键物候期时间点预测方法及系统
CN113592664B (zh) 农作物生产空间预测模拟方法、设备、模型及存储介质
CN116502050A (zh) 全球通量站点蒸散发观测缺失的动态插补方法与系统

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