WO2023245399A1

WO2023245399A1 - 基于土地系统和气候变化耦合的水稻生产潜力模拟方法

Info

Publication number: WO2023245399A1
Application number: PCT/CN2022/100006
Authority: WO
Inventors: 李满春; 姜朋辉; 杜聪
Original assignee: 南京大学
Priority date: 2022-06-21
Filing date: 2022-06-21
Publication date: 2023-12-28
Also published as: LU503105B1

Abstract

一种基于土地系统和气候变化耦合的水稻生产潜力模拟方法，包括以下步骤：构建GM-FLUS模型模拟土地系统变化（S1），采用GAEZ模型估算水稻生产潜力（S2），分析不同情景下水稻生产潜力的空间分布特征和时间变化趋势（S3）。通过构建GM-FLUS模型模拟土地系统变化，结合CAS-ESM2气候情景模式比较计划下的共享社会经济路中的SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5四个未来气候情景，采用GAEZ模型综合考虑气候、土壤、地形、土地系统等多方面因素，估算了水稻生产潜力，为应对未来气候变化、合理利用耕地资源、保障粮食安全提供了技术支撑。

Description

基于土地系统和气候变化耦合的水稻生产潜力模拟方法

技术领域

本发明涉及地理信息技术领域，尤其涉及基于土地系统和气候变化耦合的水稻生产潜力模拟方法。

背景技术

粮食是关系国计民生的重要战略物资，粮食安全是实现经济发展、社会稳定、国家安全的重要基础。受全球性人口膨胀和粮食生产能力下降的影响，保障粮食安全是一个永恒的课题。而土地和气候正是影响粮食产量的两大基本因素。

据政府间气候变化专门委员会(IPCC)发布的第六次评估报告(AR6)指出，自19世纪以来，全球气温已经平均上升了1.1℃，如果全球温度继续上升，会引发干旱、暴雨、洪水、寒潮等极端天气频繁发生，改变粮食作物生长发育条件，进而导致产量的减产。

同时，受到工业化、城市化等进程影响，以及退耕还林还草等政策驱动，发展中国家耕地的数量有所减少、质量有所下降以及空间分布发生了变化，进而对粮食产量造成深远的影响，多次引发全球性的粮食危机。因此，科学估测土地系统和气候变化对于粮食产量和安全问题的影响，探索在未来土地利用情况、不同气候条件下的粮食产量，对政策制定和国民经济可持续发展具有重要意义。

对粮食生产潜力的计算，国内外学者采用不同的方法开展了大量的研究。常用的方法可以概括为四类：

第一类：经验法，这类方法考虑反映与粮食产量相关的因子，通过建立函数方程拟合粮食产量序列趋势得到，主要用到的模型有Miami模型、wageningen模型等，这类模型只能对气候条件较为均一的研究区粮食产量进行粗略地估算，尤其在不同区域气候条件差异巨大的区域效果较差；

第二类：作物生长模型法，这类方法以作物生长动力学为基础，考虑了作物光合作用、生理生态特性以及外部环境模拟农田生产系统水、碳、氮的流动、作物生长以及作物产量，常用的模型有DSSAT、ORYZA、SWAP、EPIC、WOFOST、AquaCrop、APSIM等，这类模型所需要的参数较多，计算成本较高，对小尺度的研究区进行粮食产量模拟的精度较高；

第三类：机器/深度学习模型，该类方法构建模型的成本较高，需要大量可靠的训练样本，才能训练出较为稳定精确的模型；

第四类：气候生产潜力模型法，是国内外公认为是模拟粮食生产潜力最基本的方法，具有代表性的模型有逐级订正模型、农业生态区位(AEZ)模型、GAEZ模型等，这类方法综合考虑了气候因素和土地要素的变化，通过逐步计算光合生产潜力、光温生产潜力、气候生产潜力、土地生产潜力得到粮食产量，能较为科学地反映在自然和人文要素影响下粮食生产潜力的结果，且模型所需的数据易获取，在宏观尺度的模拟结果更符合实际生产情况。

然而，上述模型均基于现状或历史数据开展耕地产量模拟，并未考虑未来自然与人文发展不确定性对耕地产量的影响，因此对于远期耕地保护或者农业生产布局等空间决策的指导价值较低。

发明内容

针对相关技术中的问题，本发明提出基于土地系统和气候变化耦合的水稻生产潜力模拟方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：该方法包括以下步骤：

S1、构建GM-FLUS模型模拟土地系统变化；

S2、采用GAEZ模型估算水稻生产潜力；

S3、分析不同情景下水稻生产潜力的空间分布特征和时间变化趋势。

进一步的，所述构建GM-FLUS模型模拟土地系统变化，包括以下步骤：

S11、采集原始数据，并根据系统变动规律预测未来土地利用类型的数量；

S12、构建灰色预测模型，并将其预测出的土地利用变化的数量作为FLUS模型的输入；

S13、对建立的灰色预测模型进行精度检验与评估；

S14、利用所述FLUS模型未来土地系统变化。

进一步的，所述采集原始数据，并根据系统变动规律预测未来土地利用类型的数量，包括以下步骤：

S111、选取多组历史土地利用遥感监测数据作为原始数据；

S112、对每种土地利用类型数量进行处理，寻找系统变动规律，生成有规律性的数据序列，并建立相应的微分方程模型，预测未来土地利用类型的数量。

进一步的，所述构建灰色预测模型，并将其预测出的土地利用变化的数量作为FLUS 模型的输入，包括以下步骤：

S121、设每一类土地利用数据原始非负序列为X ⁽⁰⁾，其表达式为：

X ⁽⁰⁾＝{x ⁽⁰⁾(1),(x) ⁽⁰⁾(2),…,x ⁽⁰⁾(n)}

S122、对X ⁽⁰⁾构造一次累加序列为X ⁽¹⁾，其表达式为：

X ⁽¹⁾＝{x ⁽¹⁾(1),(x) ⁽¹⁾(2),…,x ⁽¹⁾(n)}

式中，i＝1,…,k，k＝1,2,…，n，n表示原始序列的个数；

S123、构建一阶灰色预测模型，其白化方程为：

式中，a表示发展灰度，b表示内生成控制灰度，且a、b满足：

z ⁽¹⁾(k)＝0.5x ⁽¹⁾(k)+0.5x ⁽¹⁾(k-1)

式中，z ⁽¹⁾表示X ⁽¹⁾紧邻均值生成序列，k＝2,3,…，n，T表示转置运算符号。

进一步的，其特征在于，所述对建立的灰色预测模型进行精度检验与评估，包括以下步骤：

S131、依据后验差比值c与小误差概率p两个指标对灰色预测模型进行检验，其表达式分别为：

p＝P{|q ⁽⁰⁾(k)-q|<0.6745s ₁}

式中，q ⁽⁰⁾表示残差序列；

q表示残差序列的均值；

S ₁表示原始序列的标准差；

S ₂表示残差序列的标准差；

S132、若所述灰色预测模型的精度不符合要求，则使用残差序列建立灰色预测模型对原模型进行修正，提高精度；

S133、若所述灰色预测模型的精度符合要求，则还原数据与预测值，其运算表达式为：

式中，a表示发展灰度；

b表示内生成控制灰度；

x ⁽⁰⁾表示原始非负序列；

表示原始非负序列的预测值；

表示一次累加序列的预测值；

e表示自然常数；

t表示时间。

进一步的，利用所述FLUS模型未来土地系统变化，包括以下步骤：

S141、采用人工神经网络从原始土地利用数据与驱动因子获取各类用地类型的适宜性概率；

S142、基于轮盘赌选择的自适应惯性竞争机制进行未来土地变化的模拟，处理多种土地利用类型相互转化时的不确定性与复杂性。

进一步的，所述采用人工神经网络从原始土地利用数据与驱动因子获取各类用地类型的适宜性概率的运算表达式为：

式中，sp(p,k,t)为第k种地类在栅格p和时间t上的适宜性概率；

ω _j,k为隐藏层与输出层间的权重；

sigmoid()为隐藏层到输出层的激励函数；

net _j(p,t)为第j个隐藏层栅格p在时间t上所接收到的信号。

进一步的，所述基于轮盘赌选择的自适应惯性竞争机制进行未来土地变化的模拟，处理多种土地利用类型相互转化时的不确定性与复杂性，包括以下步骤：

S1421、计算第k种地类在t时刻的自适应惯性系数

其表达式为：

式中，

分别为t-1、t-2时刻第k种类型用地的需求数量与栅格数量的差值；

S1422、通过元胞自动机模型的迭代功能，将栅格的概率分配到各用地类型，计算t时刻栅格p转化为k类型用地的概率

其表达式为：

式中，sc _c→k表示用地类型c转化为k的成本，

1-sc _c→k表示转化的难易程度；

表示领域影响程度；

表示在N阶Moore领域窗口内第k种用地类型的栅格总数；

ω _k表示各用地类型的领域影响程度的权重。

进一步的，所述采用GAEZ模型估算水稻生产潜力，包括以下步骤：

S21、根据温度和降水条件来评价水稻空间分布的气候适宜性；

S22、针对水稻适宜种植区域，采用逐级限制法来计算水稻生产潜力。

进一步的，所述生产潜力依次包括光合生产潜力、光温生产潜力、光温水生产潜力、气候生产潜力及水稻生产潜力。

本发明的有益效果为：通过构建GM-FLUS模型模拟土地系统变化，结合CAS-ESM2气候情景模式比较计划下的共享社会经济路中的SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5四个未来气候情景，采用GAEZ模型综合考虑气候、土壤、地形、土地系统等多方面因素，估算了水稻生产潜力，可以为应对未来气候变化、合理利用耕地资源、保障粮食安全提供了技术支撑。

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

图1是根据本发明实施例的基于土地系统和气候变化耦合的水稻生产潜力模拟方法的流程图；

图2是根据本发明实施例的基于土地系统和气候变化耦合的水稻生产潜力模拟方法的总体技术路线图；

图3是根据本发明实施例的基于土地系统和气候变化耦合的水稻生产潜力模拟方法中GAEZ模型结构图；

图4是根据本发明实施例的基于土地系统和气候变化耦合的水稻生产潜力模拟方法中2020年水稻生产潜力空间分布图；

图5是根据本发明实施例的基于土地系统和气候变化耦合的水稻生产潜力模拟方法的相关性验证示意图。

具体实施方式

为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

根据本发明的实施例，提供了基于土地系统和气候变化耦合的水稻生产潜力模拟方法。

现结合附图和具体实施方式对本发明进一步说明，如图1-7所示，根据本发明的一个实施例，提供了基于土地系统和气候变化耦合的水稻生产潜力模拟方法，该方法包括以下步骤：

S1、构建GM-FLUS模型模拟土地系统变化，包括以下步骤：

S11、采集原始数据，并根据系统变动规律预测未来土地利用类型的数量，包括以下步骤：

S111、选取多组历史土地利用遥感监测数据作为原始数据；

本发明使用1990年、1995年、2000年、2005年、2010年、2015年、2020年共七期土地利用遥感监测数据作为原始数据，对每一种土地利用类型数量进行处理，寻找系统变动规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测2030年、2040年、2050年、2060年的土地利用类型的数量。

S12、构建灰色预测模型，并将其预测出的土地利用变化的数量作为FLUS模型的输入，包括以下步骤：

X ⁽⁰⁾＝{x ⁽⁰⁾(1),(x) ⁽⁰⁾(2),…,x ⁽⁰⁾(n)}

S122、对X ⁽⁰⁾构造一次累加序列为X ⁽¹⁾，其表达式为：

X ⁽¹⁾＝{x ⁽¹⁾(1),(x) ⁽¹⁾(2),…,x ⁽¹⁾(n)}

式中，i＝1,…,k，k＝1,2,…,n，n表示原始序列的个数；

S123、构建一阶灰色预测模型，其白化方程为：

式中，a表示发展灰度，b表示内生成控制灰度，且a、b满足：

z ⁽¹⁾(k)＝0.5x ⁽¹⁾(k)+0.5x ⁽¹⁾(k-1)

S13、对建立的灰色预测模型进行精度检验与评估，包括以下步骤：

p＝P{|q ⁽⁰⁾(k)-q|<0.6745s ₁}

式中，q ⁽⁰⁾表示残差序列；

q表示残差序列的均值；

S ₁表示原始序列的标准差；

S ₂表示残差序列的标准差；

式中，a表示发展灰度；

b表示内生成控制灰度；

x ⁽⁰⁾表示原始非负序列；

表示原始非负序列的预测值；

表示一次累加序列的预测值；

e表示自然常数；

t表示时间。

S14、利用所述FLUS模型未来土地系统变化，包括以下步骤：

S141、采用人工神经网络从原始土地利用数据与驱动因子获取各类用地类型的适宜性概率，其运算表达式为：

式中，sp(p,k,t)为第k种地类在栅格p和时间t上的适宜性概率；

ω _j,k为隐藏层与输出层间的权重；

sigmoid()为隐藏层到输出层的激励函数；

net _j(p,t)为第j个隐藏层栅格p在时间t上所接收到的信号。

S142、基于轮盘赌选择的自适应惯性竞争机制进行未来土地变化的模拟，处理多种土地利用类型相互转化时的不确定性与复杂性，包括以下步骤：

S1421、计算第k种地类在t时刻的自适应惯性系数

其表达式为：

式中，

S1422、通过元胞自动机(CA)模型的迭代功能，将栅格的概率分配到各用地类型，计算t时刻栅格p转化为k类型用地的概率

其表达式为：

式中，sc _c→k表示用地类型c转化为k的成本，

1-sc _c→k表示转化的难易程度；

表示领域影响程度；

表示在N阶Moore领域窗口内第k种用地类型的栅格总数，本发明选择N＝3；ω_k为各用地类型的邻域影响程度的权重；

ω _k表示各用地类型的领域影响程度的权重。

S2、采用GAEZ模型估算水稻生产潜力，包括以下步骤：

其中，所述生产潜力依次包括光合生产潜力、光温生产潜力、光温水生产潜力、气候生产潜力及水稻生产潜力。

本发明使用GAEZ模型估算水稻生产潜力，首先根据温度(日均温、日最高温度、日最低温度、积温)和降水(降水量、相对湿度、降水强度、降水变率)条件来评价水稻空间分布的气候适宜性，然后针对水稻适宜种植区域，采用逐级限制法来计算水稻生产潜力，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)—光温水生产潜力(光照、温度和水分限制)—气候生产潜力(农业气候灾害限制)—水稻生产潜力(土壤及各种管理措施限制)逐级进行，如图3所示。

GAEZ模型可以模拟雨养和灌溉两种情景，在雨养条件下仅考虑降水对水稻生产潜力的减产效应；而在灌溉条件下，假设水分是充足的，不考虑水分对水稻生产潜力的影响。本发明假设未来灌溉技术达到较高水平，因而直接采用灌溉情景下的粮食生产潜力。计算过程中结合了耕地分布数据和潜在熟制数据，水稻仅在水田上种植，考虑了多熟制来获取最大的水稻生产潜力。

本发明估算了2020年水田的水稻生产潜力。以全国各省(市)为基本统计单元，统计各省市2020年水稻生产潜力总产量，并与国家统计局发布的2020年全国31个省(市)(除香港特别行政区、台湾省、澳门特别行政区外)水稻产量数据进行相关性验证。图中红色虚线表示估算出的2020年模拟的潜在水稻产量与国家统计局发布的2020年实际水稻产量的相关趋势线，二者相关性系数为0.82，说明二者存在较强的相关性，即潜在水稻产量的变化在很大程度上能反映实际水稻产量的变化趋势。

从估算结果来看，本发明估算的2020年水稻生产潜力总量与实际产量相关性系数为0.82，水稻生产潜力总量是全国实际水稻产量统计值的1.27倍，与刘洛(2014)等人估算的2010年粮食生产潜力总量与实际粮食产量的相关性验证结果基本一致，本发明估算的水稻潜力总量与实际统计值更为接近。

综上所述，借助于本发明的上述技术方案，通过构建GM-FLUS模型模拟土地系统变化，结合CAS-ESM2气候情景模式比较计划下的共享社会经济路中的SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5四个未来气候情景，采用GAEZ模型综合考虑气候、土壤、地形、土地系统等多方面因素，估算了水稻生产潜力，可以为应对未来气候变化、合理利用耕地资源、保障粮食安全提供了技术支撑。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，该方法包括以下步骤：

S1、构建GM-FLUS模型模拟土地系统变化；

S2、采用GAEZ模型估算水稻生产潜力；

S3、分析不同情景下水稻生产潜力的空间分布特征和时间变化趋势。
根据权利要求1所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，所述构建GM-FLUS模型模拟土地系统变化，包括以下步骤：

S11、采集原始数据，并根据系统变动规律预测未来土地利用类型的数量；

S12、构建灰色预测模型，并将其预测出的土地利用变化的数量作为FLUS模型的输入；

S13、对建立的灰色预测模型进行精度检验与评估；

S14、利用所述FLUS模型未来土地系统变化。
根据权利要求2所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，所述采集原始数据，并根据系统变动规律预测未来土地利用类型的数量，包括以下步骤：

S111、选取多组历史土地利用遥感监测数据作为原始数据；

S112、对每种土地利用类型数量进行处理，寻找系统变动规律，生成有规律性的数据序列，并建立相应的微分方程模型，预测未来土地利用类型的数量。
根据权利要求3所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，所述构建灰色预测模型，并将其预测出的土地利用变化的数量作为FLUS模型的输入，包括以下步骤：

S121、设每一类土地利用数据原始非负序列为X ⁽⁰⁾，其表达式为：

X ⁽⁰⁾＝{x ⁽⁰⁾(1),(x) ⁽⁰⁾(2),…,x ⁽⁰⁾(n)}

S122、对X ⁽⁰⁾构造一次累加序列为X ⁽¹⁾，其表达式为：

X ⁽¹⁾＝{x ⁽¹⁾(1),(x) ⁽¹⁾(2),…,x ⁽¹⁾(n)}

式中，i＝1,…,k，k＝1,2,…,n，n表示原始序列的个数；

S123、构建一阶灰色预测模型，其白化方程为：

式中，a表示发展灰度，b表示内生成控制灰度，且a、b满足：

z ⁽¹⁾(k)＝0.5x ⁽¹⁾(k)+0.5x ⁽¹⁾(k-1)

式中，z ⁽¹⁾表示X ⁽¹⁾紧邻均值生成序列，k＝2,3,…，n，T表示转置运算符号。
根据权利要求4所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，所述对建立的灰色预测模型进行精度检验与评估，包括以下步骤：

S131、依据后验差比值c与小误差概率p两个指标对灰色预测模型进行检验，其表达式分别为：

p＝P{|q ⁽⁰⁾(k)-q|<0.6745s ₁}

式中，q ⁽⁰⁾表示残差序列；

q表示残差序列的均值；

S ₁表示原始序列的标准差；

S ₂表示残差序列的标准差；

S132、若所述灰色预测模型的精度不符合要求，则使用残差序列建立灰色预测模型对原模型进行修正，提高精度；

S133、若所述灰色预测模型的精度符合要求，则还原数据与预测值，其运算表达式为：

式中，a表示发展灰度；

b表示内生成控制灰度；

x ⁽⁰⁾表示原始非负序列；

表示原始非负序列的预测值；

表示一次累加序列的预测值；

e表示自然常数；

t表示时间。
根据权利要求5所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，利用所述FLUS模型未来土地系统变化，包括以下步骤：

S141、采用人工神经网络从原始土地利用数据与驱动因子获取各类用地类型的适宜性概率；

S142、基于轮盘赌选择的自适应惯性竞争机制进行未来土地变化的模拟，处理多种土地利用类型相互转化时的不确定性与复杂性。
根据权利要求6所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，所述采用人工神经网络从原始土地利用数据与驱动因子获取各类用地类型的适宜性概率的运算表达式为：

式中，sp(p,k,t)为第k种地类在栅格p和时间t上的适宜性概率；

ω _j,k为隐藏层与输出层间的权重；

sigmoid()为隐藏层到输出层的激励函数；

net _j(p,t)为第j个隐藏层栅格p在时间t上所接收到的信号。
根据权利要求7所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，所述基于轮盘赌选择的自适应惯性竞争机制进行未来土地变化的模拟，处理多种土地利用类型相互转化时的不确定性与复杂性，包括以下步骤：

S1421、计算第k种地类在t时刻的自适应惯性系数
其表达式为：

式中，
分别为t-1、t-2时刻第k种类型用地的需求数量与栅格数量的差值；

S1422、通过元胞自动机模型的迭代功能，将栅格的概率分配到各用地类型，计算t时刻栅格p转化为k类型用地的概率
其表达式为：

式中，sc _c→k表示用地类型c转化为k的成本，

1-sc _c→k表示转化的难易程度；

表示领域影响程度；

表示在N阶Moore领域窗口内第k种用地类型的栅格总数；

ω _k表示各用地类型的领域影响程度的权重。
根据权利要求1所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，所述采用GAEZ模型估算水稻生产潜力，包括以下步骤：

S21、根据温度和降水条件来评价水稻空间分布的气候适宜性；

S22、针对水稻适宜种植区域，采用逐级限制法来计算水稻生产潜力。
根据权利要求9所述的基于土地系统和气候变化耦合的水稻生产潜力模拟方法，其特征在于，所述生产潜力依次包括光合生产潜力、光温生产潜力、光温水生产潜力、气候生产潜力及水稻生产潜力。