CN113849763A - 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端 - Google Patents
冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端 Download PDFInfo
- Publication number
- CN113849763A CN113849763A CN202110495449.XA CN202110495449A CN113849763A CN 113849763 A CN113849763 A CN 113849763A CN 202110495449 A CN202110495449 A CN 202110495449A CN 113849763 A CN113849763 A CN 113849763A
- Authority
- CN
- China
- Prior art keywords
- drought
- disaster
- risk
- model
- winter wheat
- 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.)
- Pending
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 100
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 100
- 238000012502 risk assessment Methods 0.000 title claims abstract description 97
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 88
- 235000005822 corn Nutrition 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 86
- 241000209140 Triticum Species 0.000 claims abstract description 77
- 235000021307 Triticum Nutrition 0.000 claims abstract description 77
- 230000035945 sensitivity Effects 0.000 claims abstract description 59
- 230000002265 prevention Effects 0.000 claims abstract description 56
- 238000011161 development Methods 0.000 claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 60
- 239000002689 soil Substances 0.000 claims description 56
- 230000006735 deficit Effects 0.000 claims description 31
- 238000001556 precipitation Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000011160 research Methods 0.000 claims description 21
- 238000009792 diffusion process Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000003973 irrigation Methods 0.000 claims description 8
- 230000002262 irrigation Effects 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 abstract description 8
- 238000012271 agricultural production Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 33
- 239000008267 milk Substances 0.000 description 28
- 230000018109 developmental process Effects 0.000 description 24
- 210000004080 milk Anatomy 0.000 description 21
- 235000013336 milk Nutrition 0.000 description 21
- 238000009331 sowing Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 13
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 12
- 235000009973 maize Nutrition 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010899 nucleation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 235000004035 Cryptotaenia japonica Nutrition 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 102000007641 Trefoil Factors Human genes 0.000 description 1
- 235000015724 Trifolium pratense Nutrition 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003239 susceptibility assay Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于农业风险评估技术领域,公开了一种冬小麦‑夏玉米干旱灾害风险评估方法、存储介质及终端,包括:获取冬小麦和夏玉米相关数据,构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型,进行冬小麦‑夏玉米干旱灾害风险评估。本发明基于遥感和GIS技术,依据自然灾害风险理论,针对作物在不同发育阶段抵御干旱能力的差异,综合考虑致灾因子危险性、承载体暴露性、环境敏感性、防灾减灾能力等因素,对河北省冬小麦‑夏玉米主产区的作物干旱进行了风险分析和风险区划,有效的识别农业旱灾高风险区,服务于农业生产实践,并为制定科学的防灾减灾措施提供理论依据。
Description
技术领域
本发明属于农业风险评估技术领域,尤其涉及一种冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端。
背景技术
目前,IPCC第五次评估报告指出,1951-2012年全球地表平均温度显著上升0.12℃/10年[IPCC(2014)Climate Change 2014:Impacts,Adaptation,andVulnerability.Part A:Global and Sectoral Aspects.Contribution of WorkingGroup II to the Fifth Assessment Report of the Intergovernmental Panel onClimate Change,Cambridge University Press,Cambridge,and New York, 1132]。全球变暖导致干旱发生频率和强度增加,预计未来干旱风险将呈现上升趋势,我国是干旱灾害最频发和损失最严重的地区之一,农作物干旱受灾面积和损失均为各类自然灾害之首,2000-2017年全国作物平均每年因旱受灾面积19064.27千公顷,年均因旱粮食损失190.22亿公斤[王素艳等,北方冬小麦干旱灾损风险区划.作物学报,2005(03):267-274;国家防汛抗旱总指挥部,中国水旱灾害公报.中国水利水电出版社,2018.]。长期以来,我国的干旱管理工作基本上处于被动抗旱的局面,采用的是危机管理方式。农业干旱灾害风险评估不仅是农业旱灾风险管理的基础和前提,也是一种将被动抗灾变为主动避灾的一种防旱减灾措施。
关于农业干旱风险分析还没有较为完善的研究体系,目前已有的综合监测模型大多以气象指标为因变量[韩兰英等, 中国西南地区农业干旱灾害风险空间特征.中国沙漠,2015.35(04):1015-1023.]。常用来表征农业干旱的指标包括降水量指标、土壤含水量指标、作物旱情指标以及作物需水指标等。其中,联合国粮农组织(FAO)推荐用来表征作物需水状况的作物水分亏缺指数CWDI(Crop Water Deficit Index)能够较好地反映土壤、作物和气象三方面因素的综合影响[黄晚华等,基于作物水分亏缺指数的春玉米季节性干旱时空特征分析.农业工程学报,2009.25(08):28-34.]。张艳红等人指出该指标能较好地反映主要生长季作物水分亏缺与农业干旱情况,对监测不同区域的农业干旱具有较好的适用性[张艳红,吕厚荃,李森,作物水分亏缺指数在农业干旱监测中的适用性.气象科技,2008(05):596-600.]。
目前的自然灾害风险分析工作多数都是围绕黄崇福教授提出的自然灾害理论展开的,并指出模糊集方法是表达风险中各种不确定性的有效方法之一,对区域灾害风险的评估具有重要作用[黄崇福,自然灾害风险分析的基本原理.自然灾害学报,1999(02):21-30.]。信息扩散理论是国内比较常用的模糊风险评估模型之一,它以历史灾情资料为依据,将样本进行集值化的一类模糊数学方法,该模型对概率分布未知、样本数量较少的自然灾害具有良好的适用性。但此模型不能综合的对灾害进行评估,只能分析风险源与风险载体,而无法分析防灾减灾措施[毛熙彦,蒙吉军,康玉芳,信息扩散模型在自然灾害综合风险评估中的应用与扩展.北京大学学报(自然科学版),2012.48(03):513-518]。
通过上述分析,现有技术存在的问题及缺陷为:现有的灾害风险评估方法主要从单一的因子进行考虑,没有综合对灾害进行评估。为了克服这些缺陷,提高抗灾减灾能力,保证粮食丰收和农民收入,为农业保险服务。我们综合考虑致灾因子危险性、承载体暴露性、环境敏感性、防灾减灾能力等因素,全面对干旱灾害风险进行评估,对保障我国粮食安全和稳定农民收入具有重大意义。
发明内容
针对现有技术存在的问题,本发明提供了一种冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端。
本发明是这样实现的,一种冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端,所述冬小麦-夏玉米干旱灾害风险评估方法包括:获取冬小麦和夏玉米相关数据,构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
进一步,所述构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型包括:
基于地面气候资料日值数据集和土壤水分数据各生育阶段作物水分亏缺指数;通过水分亏缺指数与减产率的关系确定干旱的临界阈值,并基于信息扩散模型建立干旱危险性评估模型,计算不同发育阶段发生干旱的风险估计值;
以农业人口数和耕地面积为指标建立承灾体暴露性模型;
以平均温度、NDVI、河网密度和DEM为指标建立环境敏感性模型;
以多年平均的人均GDP、旱涝保收面积和有效灌溉面积为指标构建防灾减灾能力模型;
基于干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型建立干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
进一步,所述作物水分亏缺指数计算公式包括:
冬小麦水分亏缺指数计算公式如下:
CWDIaw=0.2Pa′+0.4CWDI+0.4SMa;
夏玉米水分亏缺指数计算公式如下:
CWDIam=0.5CWDI+0.5SMa;
其中,Pa′表示土壤底墒,用降水距平百分率表示,不同月份的降水距平对土壤底墒的形成的贡献率不同,分别为30%、 30%、40%;SMa表示土壤含水量距平百分率;
所述土壤底墒计算公式如下:
Pa′=0.3Pa7+0.3Pa8+0.4Pa9;
土壤含水量距平百分率公式为:
进一步,所述不同生育期的作物减产率计算公式如下:
R′=R×kwi;
其中,R′表示不同生育期的作物减产率;kwi表示不同生育期水分敏感系数;R表示作物年度减产率用相对气象减产率来表示;yt表示趋势单产;yw表示气象产量。
进一步,所述干旱危险性评估模型包括:
其中,p(u≥uj)表示干旱损失风险值;uj表示位于观测值区间[u1,um]内固定间隔离散得到的任意离散实数值;n为观测样本总数。
进一步,所述干旱灾害综合风险评估模型如下:
其中:I表示干旱风险指数;D、E、S、T分别表示危险性、暴露性、敏感性和防灾减灾能力指数;WD、WE、WS、WT分别表示危险性、暴露性、敏感性和防灾减灾能力对应的权重,表示各因子对形成灾害风险的相对重要性。
进一步,所述冬小麦-夏玉米干旱灾害风险评估方法包括以下步骤:
步骤一,获取冬小麦和夏玉米的气象站点数据、统计数据、遥感数据,并对采集的数据进行预处理;
步骤二,基于获取的农作物生长发育和农田土壤湿度旬值数据集获取农作物生长发育信息;
步骤三,基于收集的相应数据确定干旱灾害综合风险评估因子,并对所述干旱灾害综合风险评估因子进行归一化处理,确定相应干旱灾害综合风险评估因子的权重,构建干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
进一步,所述统计数据包括:农村人口数量、农村人均GDP、有效灌溉面积、旱涝保收面积、农作物种植面积以及单产、农业劳动力比重及其他数据。
进一步,所述遥感数据包括:河网密度、SRTMDEM90米分辨率原始高程数据、250米分辨率的MODIS 16天植被指数据。
进一步,步骤一中,所述对采集的数据将进行预处理包括:
气象数据预处理包括:判断气象观测数据是否存在缺漏,若日均气温数据出现缺漏则利用前后两天的均值代替;若降水量数据缺漏,则记录降雨量为0;
统计数据预处理包括:采用多年同一发育期的平均值作为地区发育期的一般日期;
遥感数据预处理包括:将遥感影像统一投影坐标系为Albers,地理坐标系为WGS-1984,对影像进行拼接裁剪,计算研究区内的逐年平均NDVI图像。
进一步,所述干旱灾害综合风险评估因子包括:干旱灾害的致灾因子危险性、孕灾环境敏感性、承灾体暴露性和防灾减灾能力。
进一步,所述对所述干旱灾害综合风险评估因子进行归一化处理包括:
其中,yi +和yi -分别表示正向指标和负向指标标准化后的结果,xi表示指标的实际数值,xmax与xmin分别表示指标xi的最大值、最小值。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:获取冬小麦和夏玉米相关数据,构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的冬小麦-夏玉米干旱灾害风险评估方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明建立的冬小麦和夏玉米不同生育期干旱灾害风险评估模型可为防灾减灾提供支持。本发明基于GIS技术,依据自然灾害风险理论,针对作物在不同发育阶段抵御干旱能力的差异,综合考虑致灾因子危险性、承载体暴露性、环境敏感性、防灾减灾能力等因素,对河北省冬小麦-夏玉米主产区的作物干旱进行了风险分析和风险区划,有效的识别农业旱灾高风险区,服务于农业生产实践,并为制定科学的防灾减灾措施提供理论依据。
本发明选用水分亏缺指数CWDI作为干旱指数识别干旱事件以及持续时间,并在传统CWDI的基础上进行了改进,综合考虑了前期土壤底墒以及土壤含水量对冬小麦和夏玉米生育阶段的影响,通过减产率与CWDI的相关性分析,确定冬小麦和夏玉米在不同生育阶段的干旱致灾阈值和等级从而更好判别干旱事件的发生。此外,本发明应用信息扩散模糊数学理论对河北省2000-2018年的CWDI进行了干旱的致灾风险分析,用有限的信息对干旱风险进行了定量化分析。但是基于信息扩散理论只考虑气象等因素,因此,结合自然灾害理论,选用承载体暴露性、环境敏感性以及防灾减灾能力进行综合分析,有效地识别农业旱灾高风险区,服务于农业生产实践,并为制定科学的防灾减灾措施提供理论依据。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的冬小麦-夏玉米干旱灾害风险评估方法流程图。
图2(a)是本发明实施例提供的冬小麦干旱风险评估结果示意图。
图2(b)是本发明实施例提供的夏玉米干旱风险评估结果示意图。
图3(a)是本发明实施例提供的播种期-分蘖期冬小麦致灾因子危险性风险区划示意图。
图3(b)是本发明实施例提供的分蘖期-停止生长期冬小麦致灾因子危险性风险区划示意图。
图3(c)是本发明实施例提供的返青期-拔节期冬小麦致灾因子危险性风险区划示意图。
图3(d)是本发明实施例提供的拔节期-乳熟期冬小麦致灾因子危险性风险区划示意图。
图4(a)是本发明实施例提供的播种期-三叶期夏玉米致灾因子危险性风险区划示意图。
图4(b)是本发明实施例提供的三叶期-拔节期夏玉米致灾因子危险性风险区划示意图。
图4(c)是本发明实施例提供的拔节期-抽穗期夏玉米致灾因子危险性风险区划示意图。
图4(d)是本发明实施例提供的抽穗期-乳熟期夏玉米致灾因子危险性风险区划示意图。
图4(e)是本发明实施例提供的乳熟期-成熟期夏玉米致灾因子危险性风险区划示意图。
图4(f)是本发明实施例提供的全生育期致灾因子危险性风险区划示意图。
图5(a)是本发明实施例提供的播种期-分蘖期冬小麦环境敏感性区划示意图。
图5(b)是本发明实施例提供的分蘖期-停止生长期冬小麦环境敏感性区划示意图。
图5(c)是本发明实施例提供的返青期-拔节期冬小麦环境敏感性区划示意图。
图5(d)是本发明实施例提供的拔节期-乳熟期冬小麦环境敏感性区划示意图。
图5(e)是本发明实施例提供的乳熟期-成熟期冬小麦环境敏感性区划示意图。
图6(a)是本发明实施例提供的播种期-三叶期夏玉米环境敏感性区划示意图。
图6(b)是本发明实施例提供的三叶期-拔节期夏玉米环境敏感性区划示意图。
图6(c)是本发明实施例提供的拔节期-抽穗期夏玉米环境敏感性区划示意图。
图6(d)是本发明实施例提供的抽穗期-乳熟期夏玉米环境敏感性区划示意图。
图6(e)是本发明实施例提供的乳熟期-成熟期夏玉米环境敏感性区划示意图。
图7是本发明实施例提供的研究区承载体暴露性分布示意图。
图8是本发明实施例提供的研究区防灾减灾能力分布示意图。
图9(a)是本发明实施例提供的播种期-分蘖期冬小麦旱灾综合风险区化示意图。
图9(b)是本发明实施例提供的分蘖期-停止生长期冬小麦旱灾综合风险区化示意图。
图9(c)是本发明实施例提供的返青期-拔节期冬小麦旱灾综合风险区化示意图。
图9(d)是本发明实施例提供的拔节期-乳熟期冬小麦旱灾综合风险区化示意图。
图9(e)是本发明实施例提供的乳熟期-成熟期冬小麦旱灾综合风险区化示意图。
图10(a)是本发明实施例提供的播种期-三叶期夏玉米旱灾综合风险区划示意图。
图10(b)是本发明实施例提供的三叶期-拔节期夏玉米旱灾综合风险区划示意图。
图10(c)是本发明实施例提供的拔节期-抽穗期夏玉米旱灾综合风险区划示意图。
图10(d)是本发明实施例提供的抽穗期-乳熟期夏玉米旱灾综合风险区划示意图。
图10(e)是本发明实施例提供的乳熟期-成熟期夏玉米旱灾综合风险区划示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端,下面结合附图对本发明作详细的描述。
本发明实施例提供的冬小麦-夏玉米干旱灾害风险评估方法包括:获取冬小麦和夏玉米相关数据,构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
本发明实施例提供的构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型包括:
基于地面气候资料日值数据集和土壤水分数据各生育阶段作物水分亏缺指数;通过水分亏缺指数与减产率的关系确定干旱的临界阈值,并基于信息扩散模型建立干旱危险性评估模型,计算不同发育阶段发生干旱的风险估计值;
以农业人口数和耕地面积为指标建立承灾体暴露性模型;
以平均温度、NDVI、河网密度和DEM为指标建立环境敏感性模型;
以多年平均的人均GDP、旱涝保收面积和有效灌溉面积为指标构建防灾减灾能力模型;
基于干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型建立干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
本发明实施例提供的作物水分亏缺指数计算公式包括:
冬小麦水分亏缺指数计算公式如下:
CWDIaw=0.2Pa′+0.4CWDI+0.4SMa;
夏玉米水分亏缺指数计算公式如下:
CWDIam=0.5CWDI+0.5SMa;
其中,Pa′表示土壤底墒,用降水距平百分率表示,不同月份的降水距平对土壤底墒的形成的贡献率不同,分别为30%、 30%、40%;SMa表示土壤含水量距平百分率;
所述土壤底墒计算公式如下:
Pa′=0.3Pa7+0.3Pa8+0.4Pa9;
土壤含水量距平百分率公式为:
所述不同生育期的作物减产率计算公式如下:
R′=R×kwi;
其中,R′表示不同生育期的作物减产率;kwi表示不同生育期水分敏感系数;R表示作物年度减产率用相对气象减产率来表示;yt表示趋势单产;yw表示气象产量。
所述干旱危险性评估模型包括:
其中,p(u≥uj)表示干旱损失风险值;uj表示位于观测值区间[u1,um]内固定间隔离散得到的任意离散实数值;n 为观测样本总数。
本发明实施例提供的干旱灾害综合风险评估模型如下:
其中:I表示干旱风险指数;D、E、S、T分别表示危险性、暴露性、敏感性和防灾减灾能力指数;WD、WE、WS、WT分别表示危险性、暴露性、敏感性和防灾减灾能力对应的权重,表示各因子对形成灾害风险的相对重要性。
如图1所示,本发明实施例提供的冬小麦-夏玉米干旱灾害风险评估方法包括以下步骤:
S101,获取冬小麦和夏玉米的气象站点数据、统计数据、遥感数据,并对采集的数据进行预处理;
S102,基于获取的农作物生长发育和农田土壤湿度旬值数据集获取农作物生长发育信息;
S103,基于收集的相应数据确定干旱灾害综合风险评估因子,并对所述干旱灾害综合风险评估因子进行归一化处理,确定相应干旱灾害综合风险评估因子的权重,构建干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
本发明实施例提供的统计数据包括:农村人口数量、农村人均GDP、有效灌溉面积、旱涝保收面积、农作物种植面积以及单产、农业劳动力比重及其他数据。
本发明实施例提供的遥感数据包括:河网密度、SRTMDEM90米分辨率原始高程数据、250米分辨率的MODIS 16天植被指数据。
步骤S101中,本发明实施例提供的对采集的数据将进行预处理包括:
气象数据预处理包括:判断气象观测数据是否存在缺漏,若日均气温数据出现缺漏则利用前后两天的均值代替;若降水量数据缺漏,则记录降雨量为0;
统计数据预处理包括:采用多年同一发育期的平均值作为地区发育期的一般日期;
遥感数据预处理包括:将遥感影像统一投影坐标系为Albers,地理坐标系为WGS-1984,对影像进行拼接裁剪,计算研究区内的逐年平均NDVI图像。
本发明实施例提供的干旱灾害综合风险评估因子包括:干旱灾害的致灾因子危险性、孕灾环境敏感性、承灾体暴露性和防灾减灾能力。
本发明实施例提供的对所述干旱灾害综合风险评估因子进行归一化处理包括:
其中,yi +和yi -分别表示正向指标和负向指标标准化后的结果,xi表示指标的实际数值,xmax与xmin分别表示指标xi的最大值、最小值。
下面结合具体实施例对本发明的技术效果作进一步描述。
实施例1:
1、研究区概况及数据来源
本发明基于GIS技术,依据自然灾害风险理论,针对作物在不同发育阶段抵御干旱能力的差异,综合考虑致灾因子危险性、承载体暴露性、环境敏感性、防灾减灾能力等因素,对河北省冬小麦-夏玉米主产区的作物干旱进行了风险分析和风险区划,有效的识别农业旱灾高风险区,服务于农业生产实践,并为制定科学的防灾减灾措施提供理论依据。
2数据来源及预处理
2.1气象站点数据
选取2000-2018年河北省冬小麦-夏玉米主产区的邢台、遵化、青龙、秦皇岛、霸州、唐山、乐亭、保定、饶阳、黄烨、南宫共11个气象观测数据,数据来源于国家气象资源共享网(https://data.cma.cn/)。利用地面气候资料日值数据集和土壤水分数据来计算干旱指数;利用中国农作物生长发育和农田土壤湿度旬值数据集获得农作物生长发育信息。
2.2统计数据
统计数据来源于河北省统计年鉴(2000-2018),包括农村人口数量、农村人均GDP、有效灌溉面积、旱涝保收面积、农作物种植面积以及单产、农业劳动力比重等。
2.3遥感数据
遥感数据包括河网密度、SRTMDEM90米分辨率原始高程数据、250米分辨率的MODIS16天植被指数据,将遥感影像统一投影坐标系为Albers,地理坐标系为WGS-1984,对影像进行拼接裁剪,最后计算研究区内的逐年平均NDVI图像。其中 SRTMDEM90米分辨率原始高程数据和植被指数数据来源于地理空间数据云(http://www.gscloud.cn/),河网密度数据来自由 WWF(世界自然基金会)和USGS美国地质调查局合作开发的HydroSHEDS数据集(https://hydrosheds.org/downloads)。
2.4数据预处理
气象观测数据常存在缺测情况,日均气温可采用前后两天的均值代替,降水量数据直接记为无雨日,即降雨量为0。由于气象条件及耕作制度的影响,各地发育期日期稍有变化,因此采用多年同一发育期的平均值来反映当地发育期的一般日期,将研究区按区域划分冀东(唐山市、秦皇岛市)、冀中(廊坊市、沧州市、保定市)、冀南(邯郸市、衡水市、石家庄市、邢台市),下表为冬小麦和夏玉米根据发育的关键时期划分的不同阶段以及生育日期。
表1研究区冬小麦平均生育日期
表2研究区夏玉米平均生育日期
播种期-三叶期 | 三叶期-拔节期 | 拔节期-抽穗期 | 抽穗期-乳熟期 | 乳熟期-成熟期 | |
冀东 | 6.20-7.2 | 7.2-7.20 | 7.20-8.15 | 8.15-9.12 | 9.12-10.5 |
冀中 | 6.15-6.28 | 6.28-7.20 | 7.20-8.5 | 8.5-8.30 | 8.30-9.20 |
冀南 | 6.10-6.20 | 6.20-7.20 | 7.20-8.5 | 8.5-8.28 | 8.28-9.25 |
3、方法
3.1加权综合评估法
加权综合评估法是将各个因素在同一基础或者同一标准上进行量化,综合考虑了各个因子对总体对象的影响程度,把各个具体的指标的优劣综合起来,用一个数值化的指标加以集中,表示整个评价对象的优劣。具体计算公式如下:
式中,Cvj是评价因子的总值;Qvij为对于因子j的指标i;Wci为指标i的权重值;m为评价指标个数。
考虑到旱灾的危险性、暴露性、敏感性和旱灾风险生成的作用方向是相同,而防灾减灾能力与旱灾风险生成的作用方向是相反,采用自然灾害风险指数法,将干旱风险评价模型定义为:
式中:I为干旱风险指数,D、E、S、T分别为危险性、暴露性、敏感性和防灾减灾能力指数,WD、WE、WS、WT分别为危险性、暴露性、敏感性和防灾减灾能力对应的权重,表示各因子对形成灾害风险的相对重要性。
3.2指标归一化法
归一化法可以消除各要素量纲的影响,是的评价具有统一性和可比性,而指标又可以按照性质不同划分为正向指标和负向指标。如果指标xi数值越高,所反映的要素风险也越高,则为正向指标,否则为负向指标[24]。
式中,yi +和yi -分别为正向指标和负向指标标准化后的结果,xi为指标的实际数值,xmax与xmin分别为指标 xi的最大值、最小值,可在计算前确定。
3.3层次分析法
对于加权综合评估法中权重的确定采用层次分析法(analytic hierarchyprocess,AHP)确定各因素和指标的权重值。它是在对复杂决策问题的本质、影响因素及其内在关系等进行分析的基础上,用较少的定量信息使决策的思维数学化,而提供简便的决策方法,计算可采用九标度打分方法对比两两指标之间的相对重要程度。根据比较判断矩阵推求要素的各项影响指标 x_i的权重w_i。具体的计算方法参照文献。本次研究基于自然灾害风险理论,从干旱灾害的致灾因子危险性、孕灾环境敏感性、承灾体暴露性和防灾减灾能力四大因子入手建立干旱灾害综合风险评估模型。具体指标及其权重信息如表3。
表3干旱风险综合评估模型指标
3.4信息扩散模型
信息扩散是一种处理不完备信息的模糊方法,认为一定存在着一个适当的扩散函数,可以将传统的观测样本点集值化,以弥补资料不足带来的缺陷,达到提高精度的目的。模型具体如下:
设X是研究区内在过去n年的风险评估指标的实际观测值的样本集合:
X={X1,X2,X3,...,Xn} (5)
式中xi为观测样本,这里xi是指2000-2018年不同发育阶段的冬小麦和夏玉米的水分亏缺指数CWDI,n为观测样本总数,n=19。
U为样本集合X中实际样本的扩散范围集合:
U={U1,U2,U3,...,Um} (6)
式中:uj是位于区间[u1,um]内固定间隔离散得到的任意离散实数值,m是离散点总数。一个单值观测样本点xi按照下式将所携带的信息扩散给U中所有点
式中:h为扩散系数,由样本集合X={x1,x2,x3,...,xn}中的最大值b、最小值a和样本点个数n确定。
假设对第i个样本点xi按式(7)进行信息扩散,在进行风险评估时,为了使每一个集值样本点的地位相同,令:
得到任意样本xi的归一化信息分布:
这样就将单值样本点xi变成了一个以uxi(uj)为隶属函数的模糊子集。对uxi(uj)进行处理,便可得到一种效果较好的风险评估结果,令:
其物理意义是由{x1,x2,x3,...,xn}经信息扩散推断出,如果灾害观测值只能取u1,u2,u3,…,um中的一个,在将xi均看作是样本点代表时(包括部分的代表在随机实验中没有出现的样本点),观测值为uj的样本点个数为q(uj)。显然q(uj) 通常不是一个正整数,但一定是一个不小于零的数。再令:
Q事实上就是各uj点上样本点数的总和,从理论上讲,应有Q=n,但由于计算过程中四舍五入的误差,它们之间通常略有差别。则:
就是样本点落在uj处的频率值,可作为概率的估计值。那么超越uj的概率值为:
式中:p(u≥uj)即是超越概率风险估计值。如果所论指标是灾害损失值,则为旱灾损失风险值。
本发明选取不同生育阶段的作物水分亏缺指数CWDI计算数据,根据信息扩散理论模型可得到研究区不同生育阶段各等级干旱灾害风险估计值。
3.5作物水分亏缺指数(CWDI)计算及划分
3.5.1计算CWDI
干旱致灾因子危险性分析是对干旱进行识别,并对其强度、频度、持续时间及空间范围进行分析。选择能够准确的反映作物不同发育阶段的供需水状况的作物水分亏缺指数CWDI作为干旱致灾因子危险性评估指标,来判断作物是否发生干旱,计算干旱发生的频率。作物水分亏缺率CWDI按照中华人民共和国气象行业标准(QX/T81-2007)中的计算方法,公式为:
式中,CWDI为作物生育期内的水分亏缺率;W为生育期内的自然降水量(mm);E为生育期内需水量(mm),作物需水量是参考作物蒸散量(ETO)和作物系数(Kc)之积,参考作物蒸散量采用FAO推荐的Penman-Monteith计算,计算公式为:
CWDIaw=0.2Pa′+0.4CWDI+0.4SMa (16)
其中Rn为净辐射量(MJ.m-2/d),G为土壤热通量(MJ.m-2/d),γ为湿度计常数(kPa/C),T为空气平均温度(℃),U2为地面以上2m高处的风速(m/s);es为空气饱和水汽压(kPa);ea为空气实际水汽压(kPa);△为饱和水汽压与空气温度关系曲线的斜率(kPa/℃)。
对于非标准条件下的作物系数可以用下式来进行修正:
当自然降水不能满足冬小麦需水量时,土壤贮水就如地下水库不断输送水分满足冬小麦生长所需。因此,本发明考虑了冬小麦休闲期土壤贮水及生育期水分盈亏量,修订了作物水分亏缺指数,加入了土壤底墒和10-40cm的土壤含水量对各生育阶段作物干旱的影响,参考罗俊杰以及任义方等研究,将冬小麦种植前三月(7月、8月和9月)作为底墒的形成期,贡献率为20%,CWDI和土壤含水量贡献率分别为40%,40%。改进的作物水分亏缺指数CWDIa计算公式为:
CWDIaw=0.2Pa′+0.4CWDI+0.4SMa (18)
式中,Pa′为土壤底墒,用降水距平百分率来表示,假设不同月份的降水距平对土壤底墒的形成的贡献率不同,分别为 30%、30%、40%;SMa为土壤含水量距平百分率。土壤底墒的计算公式为:
Pa′=0.3Pa7+0.3Pa8+0.4Pa9 (20)
对于夏玉米来说,不需要考虑到土壤底墒对不同生育阶段干旱的影响,只需要考虑土壤含水量和作物水分亏缺指数的影响,并且假设两者的贡献率相同,分别为50%、50%,公式为:
CWDIam=0.5CWDI+0.5SMa (22)
3.5.2减产率
干旱致灾阈值和等级是衡量干旱是否发生以及发生程度的关键,目前主要是通过构建与减产率与干旱指标的关系来确定。农作物产量的形成受到各种自然因素和非自然因素的综合影响,Nicholl指出,同一地区、同一种作物的最终产量形成主要是受生产力发展水平决定的趋势产量和气候因子决定的气候产量共同决定的其影响因素,具体用公式表示产量的分解过程如下式所示:
y=yt+yw+Δy (23)
式中:y为作物单产;yt为趋势单产,主要反映农业生产技术水平的提高对产量的贡献,具有渐进性和相对稳定性;yw为气象产量,主要受气象因子年际变化的影响并具有短期波动性;Δy为随机“噪声”,由于随机因素不常发生并且占比较小,随机产量一般不予考虑。故公式可简化为:
y=yt+yw (24)
最终的减产率可以表示为:
R为相对气象产量,用于表示减产率。本发明选择研究区内冬小麦和夏玉米实际单产的时间序列,采用三次多项式模拟趋势产量,得到各县区趋势产量。但所得到农作物减产率干旱指标的相关系数不高,由此可见,作物减产不仅受干旱灾害的影响,还受其它灾害和防灾抗灾能力的综合影响。
对于不同生育期的作物减产率以年度减产率与水分敏感系数的乘积表示:
R′=R×kwi (26)
其中,R′为不同生育期的作物减产率;R为作物年度减产率用相对气象减产率来表示;kwi为不同生育期水分敏感系数,依据相关研究成果确定,如表4-5所示。
表4河北省冬小麦不同生育阶段水分敏感系数
播种期-分蘖期 | 分蘖期-停止生长期 | 返青期-拔节期 | 拔节期-乳熟期 | 乳熟期-成熟期 |
0.1721 | 0.1721 | 0.0591 | 0.1694 | 0.3108 |
表5河北省夏玉米不同生育阶段水分敏感系数
播种期-三叶期 | 三叶期-拔节期 | 拔节期-抽穗期 | 抽穗期-乳熟期 | 乳熟期-成熟期 |
0.064 | 0.064 | 0.117 | 0.345 | 0.207 |
根据农业上划分减产率的标准,确定相对减产率R′≤5%的年份正常年,减产率在5%~10%、10%~20%、20%~ 30%之间分别为轻度、中度、重度减产年,>30%为严重减产年,最终得到不同生育期的作物减产率划分标准。将减产率和CWDI指数做回归分析,建立关系式,根据减产率的干旱等级划分标准,反推出CWDI的划分标准,具体可参照表6-7。
表6河北省冬小麦不同生育阶段CWDI划分标准
轻度干旱 | 中度干旱 | 重度干旱 | 严重干旱 | |
播种期-分蘖期 | 29.36 | 39.41 | 59.50 | 79.60 |
分蘖期-停止生长期 | 31.21 | 39.80 | 57.00 | 74.19 |
返青期-拔节期 | 34.67 | 41.03 | 53.76 | 66.48 |
拔节期-乳熟期 | 79.73 | 119.09 | 197.81 | 276.53 |
乳熟期-成熟期 | 29.23 | 42.42 | 68.81 | 95.19 |
表7河北省夏玉米不同生育阶段CWDI划分标准
轻度干旱 | 中度干旱 | 重度干旱 | 严重干旱 | |
播种期-三叶期 | 32.48 | 44.79 | 69.43 | 94.06 |
三叶期-拔节期 | 29.45 | 49.56 | 89.78 | 129.99 |
拔节期-抽穗期 | 32.49 | 55.96 | 102.89 | 149.82 |
抽穗期-乳熟期 | 25.6 | 47.70 | 91.72 | 135.75 |
乳熟期-成熟期 | 17.73 | 23.41 | 34.78 | 46.14 |
4、结果与分析
4.1基于信息扩散理论的干旱危险性分析
本发明选择研究区内各气象站点2000-2018年冬小麦和夏玉米不同生育阶段的CWDIa作为实际观测样本。根据各气象站点样本的变化范围,确定干旱指数论域和选取的步长,将论域集合变成离散集合,计算不同发育阶段发生干旱的风险估计值。以唐山站冬小麦播种期-分蘖期为例,说明计算干旱风险评估计算过程。计算CWDI得到干旱指数样本集X={23.38,30.62, 42.58,-58.86,20.43,36.55,22.73,-7.28,11.09,36.23,22.28,5.45,-27.43,35.32,36.35,20.95,-64.05,-4.21,31.14},样本个数大于11,所以根据信息扩散系数的计算公式h=15.91,本发明将论域定为U={-100,-98,…,98,100},步长选择2,最终计算干旱风险估计值以及超越风险概率值。同理可得到各气象站点冬小麦和夏玉米在不同发育阶段发生干旱的风险估计值,根据CWDI干旱等级划分,得出不同等级干旱的概率风险值。如表8所示
表8冬小麦不同类型干旱灾害危险性估计值
9夏玉米不同类型干旱灾害危险性估计值
上述图表为近19年以作物水分亏缺指数为样本计算出的风险估计值,可以较好地反映河北省冬小麦和夏玉米主产区的干旱状况。从冬小麦和夏玉米11个台站旱灾危险性估计值以及不同生育阶段的干旱等级横向对比发现可知,全年农作物发生轻度和中度干旱的危险性较大,发生严重干旱的可能性极低,冬小麦在不同生育阶段发生干旱的平均估计值在0.25~0.60左右,说明冬小麦大约2~4年就会发生一次干旱,在分蘖期-停止生长期以及返青期-拔节期发生干旱的可能性更大,并且返青期-拔节期只发生轻度和中度干旱,播种期-分蘖期以及分蘖期-停止生长期很有可能发生重度或者严重干旱;夏玉米在危险性上表现的比冬小麦低,并且在各站点的危险性差异较大,只有播种期-三叶期危险性较大,为0.45,大概2年发生一次干旱,其余的生育阶段都比较低,平均值在0.18~0.29左右,夏玉米为3~6年发生一次干旱,拔节期-抽穗期发生干旱的危险性最低,容易发生重度干旱和严重干旱是播种期-三叶期以及乳熟期-成熟期,因夏玉米为雨养条件,所以夏玉米发生干旱的程度主要和这一时期的降水有关。
基于上述得到的数据,按照生育阶段的前后顺序依次赋予0.2、0.2、0.3、0.2、0.1的权重得到全生育期的风险评估值。利用ArcGIS10.2软件绘制出研究区内冬小麦和夏玉米在不同生育阶段旱灾风险评估区划图,利用反距离加权内插法和GIS 自然断点法,将干旱灾害风险评估指标按低、中低、中度、中高和高风险5个等级划分。将整个研究区划分为冀东、冀中和冀南三部分进行分析,得到:
冬小麦种植期间:
1)播种期-分蘖期干旱风险性由高到低依次为:冀南、冀东、冀中,其中邢台和邯郸则处于高风险区;
2)分蘖期-停止生长期干旱风险性由高到低依次为:冀中、冀东、冀南;
3)返青期-拔节期,除唐山和秦皇岛部分区域外,研究区发生干旱的风险性均较高;
4)拔节期-乳熟期,除廊坊部分地区外,冀中位于低风险区,冀南和冀东风险水平均较高;
5)乳熟期-成熟期干旱风险性由高到低依次为:冀中、冀南、冀东;
6)综合而言,发生干旱可能性由高到低依次为:冀中、冀南和冀东。
夏玉米种植期间:
1)播种期-三叶期发生干旱的风险性由冀南向冀东依次递减;
2)三叶期-拔节期在大部分区域处于中低、中度风险区,冀东干旱的风险性最低;
3)拔节期-抽穗期发生干旱的风险性由高到低依次为:冀南、冀中、冀东;
4)抽穗期-乳熟期,除小部分地区外,研究区发生干旱的危险性均较高;
5)乳熟期-成熟期,冀中发生干旱的危险性最高,向两侧呈现递减趋势;
6)综合而言,发生干旱可能性由高到低依次为:冀南、冀中和冀东。
4.2环境敏感性分析
对于干旱灾害而言,环境敏感性是指干旱灾害发生地区的自然环境和人类环境对干早形成和发展的贡献程度,主要指干旱危险区的气候背景、植被状况、地理条件、土壤性质和水文环境。根据研究区的实际状况,选择温度、NDVI、DEM、河网密度来表征干旱环境敏感性计算冬小麦和夏玉米在不同生育阶段的环境敏感性并利用ArcGIS进行区划。由图5、6可知,冬小麦和夏玉米的环境敏感性空间分布相似并且各个生育阶段也表现的极为相似,呈现出冀东位于较低敏感区,冀中和冀南都有高敏感区的零星分布,石家庄南部和邢台市在作物种植期一直保持高敏感状态。
4.3承灾体暴露性分析
暴露性是指承灾体暴露于环境下的可能受到致灾因子威胁的数量、密度、分布、价值等特征,反映的是可能受到致灾因子威胁的承灾体的量级大小。根据统计局出版的各省和直辖市的统计年鉴,选择该县耕地面积以及农业人口数的多年平均值表征承灾体暴露性。从图7可知,研究区的暴露性大部分地区位于中等水平以上,高暴露区和低暴露区在研究区内都呈零星点状分布,其中保定和石家庄市暴露性总体表现较低。
4.4防灾减灾能力分析
防灾能力指作物能够从干旱灾害中恢复生产能力的大小,是作物自身抗逆性和人为参与防灾共同作用的结果,防灾减灾能力和经济密不可分,本发明以人均GDP、有效灌溉面积和旱涝保收面积在该县多年平均值作为防灾减灾的指标。由图8可知,研究区的防灾减灾能力全位于中低水平以上,空间分布与承灾体暴露性区划相似,高防灾减灾能力区呈零星点状分布,秦皇岛市全市均位于中低防灾减灾能力区。
4.5干旱灾害综合风险分析
本发明基于自然灾害风险理论,分别对农业旱灾的致灾危险性、环境敏感性、承灾体暴露性以及防灾减灾能力进行了分析,采用层次分析法确定这四个要素的权重分别为0.4258、0.2312、0.1945、0.1484,计算了河北省冬小麦-夏玉米在不同生育阶段的旱灾综合风险指数。为评价农作物的干旱风险程度,利用自然断点法将旱灾风险分为5个等级,分别为低风险区、中低风险区、中等风险区、中高风险区以及高风险区。
从图10中可知,河北省冬小麦在高风险区和中高风险区在各阶段分布范围均较为广泛。冀南地区除在分蘖期-停止生长期阶段风险较低外,其余生育阶段的风险性均处于较高状态,该地区冬小麦在分蘖期-停止生长期之外干旱危险性也比较高,大部分处于中高和高危险区,且暴露性和环境敏感性也处于较高状态,因此干旱可能成为制约冀南地区冬小麦生产的关键因素,而在分蘖期-停止生长期,由于灌溉原因大大减弱了干旱的而影响作用;冀中地区风险性变化较大,保定市在全生育期均处于中低和中度风险区,而廊坊则一直位于高风险中心,沧州市位于中度至中高风险区,主要由于沧州市和廊坊市自身干旱危险性大部分处于中高至高风险区;冀东地区表现为由东北向西南递减的趋势,秦皇岛在播种期至乳熟期阶段一直处于高风险状态,这与它的干旱危险性表现正好相反,该区的种植面积比例少,而且防灾减灾能力较弱,一旦发生干旱,产生危害可能会很大。
河北省夏玉米较冬小麦来说,高风险区和中高风险区在各生育阶段分布范围有所减少。冀南地区在播种期至乳熟期风险较大,整个冀南地区处于中高和高风险区,该区在这些生育阶段的干旱危险性也比较高,大部分处于中高和高危险区,且暴露性和环境敏感性也处于较高状态,与冬小麦类似,干旱也可能成为制约冀南地区夏玉米生产的关键因素;对于冀中地区来说,在播种期-三叶期阶段旱灾风险性位于中低和中度水平,其他生育阶段风险性变化较大,保定市在全生育阶段一直保持在中度水平左右,廊坊市和沧州市大部分地区位于中高和高危险区,主要由于廊坊市和沧州市敏感性和暴露性比例处于较高水平;冀东地区风险性由东北向西南呈现递减趋势,虽然整个冀东地区的危险性、暴露性、敏感性均处于较低水平,但以旱灾的综合分析结果来看,秦皇岛位于高风险中心,唐山位于低值中心,说明防灾减灾能力对于冀东地区的影响很大。
本发明选用水分亏缺指数CWDI作为干旱指数识别干旱事件以及持续时间,并在传统CWDI的基础上进行了改进,综合考虑了前期土壤底墒以及土壤含水量对冬小麦和夏玉米生育阶段的影响,通过减产率与CWDI的相关性分析,确定冬小麦和夏玉米在不同生育阶段的干旱致灾阈值和等级从而更好判别干旱事件的发生。此外,本发明应用信息扩散模糊数学理论对河北省2000-2018年的CWDI进行了干旱的致灾风险分析,用有限的信息对干旱风险进行了定量化分析。但是基于信息扩散理论只考虑气象等因素,因此,结合自然灾害理论,选用承载体暴露性、环境敏感性以及防灾减灾能力进行综合分析,有效地识别农业旱灾高风险区,服务于农业生产实践,并为制定科学的防灾减灾措施提供理论依据。
依据自然灾害风险理论,以风险评价指标体系和模型建立为重点,对河北省冬小麦、夏玉米不同生育阶段旱灾风险进行评价于分析。评价结果表明:河北省冬小麦与夏玉米相比较,各生育阶段的旱灾综合风险中高以及高风险的区划范围有所缩小,冀南地区的冬小麦和夏玉米的风险均处于较高水平,并且环境敏感性以及暴露性比例也比较高,干旱可能成为制约冀南地区农作物生长的关键因素;冀中地区风险性变化空间分布不均,其中保定市在冬小麦和夏玉米种植期间一直保持中低和中等水平,廊坊市和沧州市除夏玉米在苗期的旱灾综合风险较低外,其他时期大部分地区位于中高和高风险区;冀东地区风险性由东北向西南呈现递减趋势,秦皇岛市的综合风险高于唐山市。事实上,对于冀中和冀南综合风险的比较高风险的区域,干旱危险性也是最为严重的地区,且这些地区暴露性比例高,环境也较为敏感,防灾减灾能力在一定程度上缓解了旱灾对该区的影响力度,而对于冀东地区来说,干旱危险性小,环境敏感性较弱,但承载体的暴露性以及防灾减灾能力空间分布同旱灾综合风险相同,呈现由东北向西南递增的趋势,所以在冀东地区也存在高风险区;这也说明本发明采用的分析模型可以有效的反应干旱对河北省冬小麦和夏玉米在不同生育阶段所造成的影响。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或 DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种冬小麦-夏玉米干旱灾害风险评估方法,其特征在于,所述冬小麦-夏玉米干旱灾害风险评估方法包括:获取冬小麦和夏玉米相关数据,构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
2.如权利要求1所述的冬小麦-夏玉米干旱灾害风险评估方法,其特征在于,所述构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型包括:
基于地面气候资料日值数据集和土壤水分数据各生育阶段作物水分亏缺指数;通过水分亏缺指数与减产率的关系确定干旱的临界阈值,并基于信息扩散模型建立干旱危险性评估模型,计算不同发育阶段发生干旱的风险估计值;
以农业人口数和耕地面积为指标建立承灾体暴露性模型;
以平均温度、NDVI、河网密度和DEM为指标建立环境敏感性模型;
以多年平均的人均GDP、旱涝保收面积和有效灌溉面积为指标构建防灾减灾能力模型;
基于干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型建立干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
3.如权利要求2所述的冬小麦-夏玉米干旱灾害风险评估方法,其特征在于,所述作物水分亏缺指数计算公式包括:
冬小麦水分亏缺指数计算公式如下:
CWDIaw=0.2Pa′+04CWDI+0.4SMa;
夏玉米水分亏缺指数计算公式如下:
CWDIam=0.5CWDI+0.5SMa;
其中,Pa′表示土壤底墒,用降水距平百分率表示,不同月份的降水距平对土壤底墒的形成的贡献率不同,分别为30%、30%、40%;SMa表示土壤含水量距平百分率;
所述土壤底墒计算公式如下:
Pa′=0.3Pa7+0.3Pa8+0.4Pa9;
土壤含水量距平百分率公式为:
7.如权利要求1所述的冬小麦-夏玉米干旱灾害风险评估方法,其特征在于,所述冬小麦-夏玉米干旱灾害风险评估方法包括以下步骤:
步骤一,获取冬小麦和夏玉米的气象站点数据、统计数据、遥感数据,并对采集的数据进行预处理;
步骤二,基于获取的农作物生长发育和农田土壤湿度旬值数据集获取农作物生长发育信息;
步骤三,基于收集的相应数据确定干旱灾害综合风险评估因子,并对所述干旱灾害综合风险评估因子进行归一化处理,确定相应干旱灾害综合风险评估因子的权重,构建干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
8.如权利要求7所述的冬小麦-夏玉米干旱灾害风险评估方法,其特征在于,所述统计数据包括:农村人口数量、农村人均GDP、有效灌溉面积、旱涝保收面积、农作物种植面积以及单产、农业劳动力比重及其他数据;
所述遥感数据包括:河网密度、SRTMDEM90米分辨率原始高程数据、250米分辨率的MODIS 16天植被指数据;
步骤一中,所述对采集的数据将进行预处理包括:
气象数据预处理包括:判断气象观测数据是否存在缺漏,若日均气温数据出现缺漏则利用前后两天的均值代替;若降水量数据缺漏,则记录降雨量为0;
统计数据预处理包括:采用多年同一发育期的平均值作为地区发育期的一般日期;
遥感数据预处理包括:将遥感影像统一投影坐标系为Albers,地理坐标系为WGS-1984,对影像进行拼接裁剪,计算研究区内的逐年平均NDVI图像;
所述干旱灾害综合风险评估因子包括:干旱灾害的致灾因子危险性、孕灾环境敏感性、承灾体暴露性和防灾减灾能力;
所述对所述干旱灾害综合风险评估因子进行归一化处理包括:
其中,yi +和yi -分别表示正向指标和负向指标标准化后的结果,xi表示指标的实际数值,xmax与xmin分别表示指标xi的最大值、最小值。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:获取冬小麦和夏玉米相关数据,构建包括干旱危险性评估模型、承灾体暴露性模型、环境敏感性模型、防灾减灾能力模型的干旱灾害综合风险评估模型,进行冬小麦-夏玉米干旱灾害风险评估。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1~8任意一项所述的冬小麦-夏玉米干旱灾害风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495449.XA CN113849763A (zh) | 2021-11-22 | 2021-11-22 | 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495449.XA CN113849763A (zh) | 2021-11-22 | 2021-11-22 | 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113849763A true CN113849763A (zh) | 2021-12-28 |
Family
ID=78972925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110495449.XA Pending CN113849763A (zh) | 2021-11-22 | 2021-11-22 | 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113849763A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384591A (zh) * | 2023-05-23 | 2023-07-04 | 中国水利水电科学研究院 | 一种基于大数据的旱情预测方法、系统和介质 |
CN116596303A (zh) * | 2023-05-08 | 2023-08-15 | 广东省水利水电科学研究院 | 一种干旱风险评估与区划方法、系统、介质、设备及终端 |
CN117688290A (zh) * | 2023-12-11 | 2024-03-12 | 中国科学院地理科学与资源研究所 | 基于等级划分的干旱灾害综合风险预警方法及系统 |
CN117894158A (zh) * | 2024-03-15 | 2024-04-16 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389740A (zh) * | 2015-12-29 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 一种基于作物生长模型的农业旱灾风险评估方法 |
CN105930954A (zh) * | 2016-04-08 | 2016-09-07 | 中国水利水电科学研究院 | 一种基于三层风险评估的干旱灾害风险应对方法 |
KR20170005553A (ko) * | 2015-07-06 | 2017-01-16 | 주식회사 유일기연 | 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발 |
CN113516418A (zh) * | 2021-08-27 | 2021-10-19 | 中国农业科学院农业环境与可持续发展研究所 | 一种苹果种植区干旱灾害风险评估方法 |
-
2021
- 2021-11-22 CN CN202110495449.XA patent/CN113849763A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170005553A (ko) * | 2015-07-06 | 2017-01-16 | 주식회사 유일기연 | 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발 |
CN105389740A (zh) * | 2015-12-29 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 一种基于作物生长模型的农业旱灾风险评估方法 |
CN105930954A (zh) * | 2016-04-08 | 2016-09-07 | 中国水利水电科学研究院 | 一种基于三层风险评估的干旱灾害风险应对方法 |
CN113516418A (zh) * | 2021-08-27 | 2021-10-19 | 中国农业科学院农业环境与可持续发展研究所 | 一种苹果种植区干旱灾害风险评估方法 |
Non-Patent Citations (2)
Title |
---|
梅茹玉等: "河北省冬小麦—夏玉米干旱灾害风险评估", 《中国农业资源与区划》, 1 September 2021 (2021-09-01) * |
王辉: "启东市青蚕豆气候适宜性评价及高温灾害风险评估", 《安徽农学通报》, 15 July 2020 (2020-07-15), pages 3 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596303A (zh) * | 2023-05-08 | 2023-08-15 | 广东省水利水电科学研究院 | 一种干旱风险评估与区划方法、系统、介质、设备及终端 |
CN116384591A (zh) * | 2023-05-23 | 2023-07-04 | 中国水利水电科学研究院 | 一种基于大数据的旱情预测方法、系统和介质 |
CN116384591B (zh) * | 2023-05-23 | 2023-08-29 | 中国水利水电科学研究院 | 一种基于大数据的旱情预测方法、系统和介质 |
CN117688290A (zh) * | 2023-12-11 | 2024-03-12 | 中国科学院地理科学与资源研究所 | 基于等级划分的干旱灾害综合风险预警方法及系统 |
CN117688290B (zh) * | 2023-12-11 | 2024-05-17 | 中国科学院地理科学与资源研究所 | 基于等级划分的干旱灾害综合风险预警方法及系统 |
CN117894158A (zh) * | 2024-03-15 | 2024-04-16 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Impact of droughts on winter wheat yield in different growth stages during 2001–2016 in Eastern China | |
CN113849763A (zh) | 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端 | |
Sharma et al. | Precipitation and temperature changes in eastern India by multiple trend detection methods | |
Araya et al. | A new agro-climatic classification for crop suitability zoning in northern semi-arid Ethiopia | |
Wang et al. | Regional water-energy cycle response to land use/cover change in the agro-pastoral ecotone, Northwest China | |
Chen et al. | The impacts of climate change on crops in China: A Ricardian analysis | |
Wei et al. | Monitoring drought dynamics in China using Optimized Meteorological Drought Index (OMDI) based on remote sensing data sets | |
Zhou et al. | Evapotranspiration over a rainfed maize field in northeast China: How are relationships between the environment and terrestrial evapotranspiration mediated by leaf area? | |
Wang et al. | Long-term relative decline in evapotranspiration with increasing runoff on fractional land surfaces | |
Rahman et al. | Hydrological impacts of climate change on rice cultivated riparian wetlands in the Upper Meghna River Basin (Bangladesh and India) | |
Steinbauer et al. | Recent changes in high-mountain plant community functional composition in contrasting climate regimes | |
Shi et al. | Two centuries of April-July temperature change in southeastern China and its influence on grain productivity | |
Zhang et al. | Carrying capacity for vegetation across northern China drylands | |
Cao et al. | Spatiotemporal dynamics of vegetation net ecosystem productivity and its response to drought in Northwest China | |
Zhou et al. | Inter-annual Variation in Grassland Net Ecosystem Productivity and Its Coupling Relation to Climatic Factors in China | |
CN114254964A (zh) | 水稻区域气候品质评估方法及系统 | |
Chen et al. | Risk assessment of maize drought in China based on physical vulnerability | |
Chen et al. | Comparing crop growth and carbon budgets simulated across AmeriFlux agricultural sites using the Community Land Model (CLM) | |
CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
Zhang et al. | Agricultural drought characteristics in a typical plain region considering irrigation, crop growth, and water demand impacts | |
Chu et al. | Mapping and forecasting of rice cropping systems in central China using multiple data sources and phenology-based time-series similarity measurement | |
Pavlova et al. | Assessment approach of the spatial wheat cultivation risk for the main cereal cropping regions of Russia | |
AU2021105767A4 (en) | Risk Assessment Method of Winter Wheat Summer Maize Disaster | |
CN113850465B (zh) | 一种无资料地区的水文干旱监测系统 | |
Batungwanayo et al. | Response of seasonal vegetation dynamics to climatic constraints in Northeastern Burundi |
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 |