气候变暖背景下农作物空间格局重构研究

文|李海亮 郑倩

全球气候变暖已经是一个不争的事实，气候变化问题已经成为21世纪各国可持续发展中面临的重大课题。政府间气候变化专门委员会（IPCC）第六次评估报告第一工作组的报告《气候变化2021：自然科学基础》指出，目前全球地表平均温度较工业化前高出约1℃。在考虑所有排放情景下，至少到本世纪中叶，全球地表温度将继续升高。除非在未来几十年内大幅减少二氧化碳和其他温室气体排放，否则21世纪将升温1.5℃或2℃。预计全球持续变暖将进一步加剧全球水循环，包括其变率、全球季风降水以及干湿事件的强度。当全球升温2℃，极端高温将更频繁地达到农业和健康的临界耐受阈值。《中国气候变化蓝皮书》指出1951-2020年，中国地表年平均气温呈显著上升趋势，升温速率为0.26℃/10年，近20年是20世纪初以来中国的最暖时期。气候变暖的趋势将对我国自然生态系统和社会经济部门产生重要影响。气候变暖对农业的影响利弊兼有，有利影响包括农业光热资源增加、部分作物种植面积扩大和森林系统受益等，而不利方面则可能涉及对粮食产量与品质、水资源、农作物生长等的影响，应对气候变化挑战与机遇并存。

农业土地利用是土地系统的重要组成部分。农作物空间格局是一个地区农作物种植结构和种植方式的空间表达，是农业土地利用的一种形式和内容。农作物空间格局反映了农作物生产在空间维度对气候和土壤等自然资源，以及劳动力和技术等社会资源的利用状况，是农业资源利用优化及产业结构调整的重要依据。气候变暖背景下，我国的农业气候资源发生了明显改变，农作物空间格局也正在发生着变化。同时，农作物空间格局对气候变化的响应又会反作用于农业生态环境，影响陆地生态系统循环过程的变化，进而诱发区域气候和环境发生变化。因此，农作物空间格局及其动态变化研究具有必要性和紧迫性，也具有重要的科学意义，已经成为全球变化及其区域响应领域的重要发展方向。

农作物空间格局重构的主要方法

一是基于统计数据的方法。统计数据包含了农作物种植的面积、产量、单产、化肥施用和农业投入等大量的信息。统计数据在定量分析中具有显著优势，被广泛应用于不同区域尺度和时间序列农作物空间格局研究。数据来源有FAO 统计数据库FAOSTAT（http://www.fao.org/faostat/en/）、中国统计年鉴、地方统计年鉴、地方经济统计年鉴、地方区域统计年鉴、国家统计局网站、农业农村部相关司局网站、农业信息网站、地方农业部门的统计资料等。

二是基于遥感识别的方法。遥感技术作为一种新技术，因其空间覆盖率高、连续性强和时效性高等优点正被广泛应用于对地观测活动中，在不同时空尺度下的农作物空间格局动态变化研究中发挥了重要作用。遥感数据包括Quick Bird卫星数据、NOAA/AVHRR卫星数据、MODIS卫星数据、Landsat卫星数据、Sentinel卫星数据、环境减灾卫星数据、高分系列卫星数据、资源三号卫星数据等。识别方法有目视解译、非监督分类、监督分类，以及结合数学方法的智能分类方法和基于多源数据融合的分类方法等。

三是基于数学模型的方法。基于数学模型的方法可以归纳为两类，一类是考虑农作物自然生长过程，构建基于光、温、水、土壤、地形等自然条件为参数的数学模型，实现对不同作物空间分布的模拟。另一类是基于农业生产条件，利用现有数学模型，结合统计数据和其他模拟结果数据，模拟农作物分布变化的复合方法。主要模型包括AiC（Action-in-Context）模型、SPAM（Spatial Production Allocation Model）模型和SPAM-China模型等。

农作物空间格局重构存在的主要问题

尽管基于统计数据的方法在定量分析中表现突出，但同时存在数据获取成本较高、时效性不高和稳定性较差的不足，且仅能反映统计单元水平上的数据变化，不能反映统计单元内部的空间差异。基于遥感识别的方法同样存在许多亟待解决的问题，如混合像元、同物异谱和同谱异物等现象的广泛存在，识别精度受到一定程度的影响。基于遥感识别的方法对种植结构相对单一、土地利用结构和地形地貌相对简单的区域可达到较高的精度，但对于作物种植结构复杂的区域作物空间分布信息的精确获取，尚存在一定难度。基于数学模型的方法是在各种预设条件下对农作物空间分布进行研究，是农作物空间信息研究的一种重要方法，不仅可以应用于不同尺度的农作物空间信息重构，也可用于未来情景下的农作物空间格局模拟预测，有效弥补基于统计数据和遥感识别方法的不足。但是，农作物的空间信息变化不只受到模型所设定条件的影响，也受到其他复杂因素的影响。基于数学模型的方法在理论上可以实现对农作物空间分布的模拟，但若缺乏对其他复杂因素的综合考虑，会影响模拟的效果。

未来发展趋势和研究重点

在农作物空间格局重构研究领域，基于统计数据的方法、基于遥感识别的方法和基于数学模型的方法均存在优势和缺陷。基于多源数据和数学模型的复合方法既可以充分利用多尺度、多信息源的数据，又可以弥补单一研究方法的缺陷，大大提高研究结果的精度，代表了区域农作物空间信息重构技术的重要发展方向。

随着云计算技术的快速发展，高效、高精度的云计算服务平台相继出现。如NASA地球交换计划（NEX，NASA Earth Exchange）、谷 歌 地 球 引 擎（GEE，Google Earth Engine）和亚马逊云计算服务平台（AWS，Amazon web service），这些平台已经存储了大量的地球观测数据。它们能够利用分布于世界各地的海量服务器和最强大的云计算和存储能力，以一种内在并行方式处理数万亿计的影像数据。已经有部分学者基于这些平台的高空间分辨率遥感数据实现了海岸线、城市用地等多种土地利用类型的遥感数据提取。基于云计算平台的高效、高精度农作物遥感数据提取是未来农作物空间格局重构研究的重点之一。

不同数据源之间存在空间分辨率、时间分辨率、数据质量和处理规则等方面的差异，如不同遥感数据采取的分类规则和处理方法可能不相同，遥感数据与统计数据的尺度可能不一致，导致不同数据源之间的信息同化效率低下。因此，开展多源信息的一致化处理及数据融合、空间分布信息重构结果的验证和比对分析十分重要，可以减少数据差异对农作物空间格局研究的影响，促进数据处理算法的改进，有效提高农作物空格局重构的精度。多源数据的融合和结果数据的反馈研究是未来农作物空间格局重构研究的重点之一。

基于多源数据和数学模型的农作物空间格局重构技术是基于统计数据、基于遥感识别和基于数据模型三种方法集成的复合模拟方法，其关键是在数据融合和结果反馈研究的基础上进行农作物空间分配模型的构建。空间分配模型建立的重点在于因变量和辅助因子的选择，以及这些因素与目标变量的关系分析。农作物的空间分布不仅与气候、土壤等自然环境因子相关，也与农户种植习惯、农业政策等社会经济因子紧密相关。只有综合考虑自然环境因子和社会经济因子才可以模拟得到更加接近真实的农作物空间信息。基于多源数据的农作物空间分配复合模型的构建也是未来农作物空间格局重构研究的重点之一。