区域作物种植选择方法与流程

本发明涉及农业土地利用研究技术领域，具体涉及一种区域作物种植选择方法。

背景技术：

自上世纪九十年代，土地利用与土地覆盖变化就已经成为地学研究的焦点。农业是人类与土地关系最为密切的生产活动，农业土地利用从景观尺度反映了人类对自然生态系统的影响方式及程度。农田生态系统中的粮食作物空间格局涉及到作物的组成与空间布局、复种或休闲及种植制度等特征反映在空间范围内人类对农业生产资源利用的状况，是进行农作物空间结构变化模拟研究的基础，也是作物结构调整和优化的依据。目前，围绕粮食作物空间格局的研究方法可以分为两大体系，即自上而下方法体系(top-downmethodology)和自下而上方法体系(bottom-upmethodology)。

自上而下方法体系侧重从农田环境角度出发，主要针对土地区域、地块或空间统计单元，此类方法的优点是影响因子量化相对容易，应用时间序列方法预测指标未来变化较易操作，数据较易获取。这一类方法模型包括iiasa-luc、系统动力学模型、空间统计模型clue、logistic模型、clue-s模型。但是，此类方法存在欠缺农户选择或决策对于土地的影响、土地单元与决策主体匹配较难等问题。

自下而上方法体系，主要用基于agent的模型研究不同层次农户的粮食作物选择行为、粮食作物种植利益最大化判断及其对粮食作物分布变化的影响等，可称为agent-basded方法。但目前，我国的agent-basded方法粮食作物空间格局模拟还存在以下问题：agent-based方法源自欧美，其具可操作的条件之一是研究对象为大农场、大农户，即农田作物种植面积广且连片，农场边界较易确定，了解农场主选择意愿后可直接确定将要种植的作物；与此相反，我国种植生产以小作坊式耕种为主，不同农户种植区域犬牙交错，边界不易确定；因此，目前agent-based模型的研究尺度基本被定格在村或镇一级，这对更大空间尺度研究限制极大。

技术实现要素：

本发明旨在提供一种区域作物种植选择方法，能够适用于不同面积和不同种植条件的区域，通过区域种植条件和可种植作物的生长条件之间的适应关系得到收益最大的作物作为种植作物。

本发明提供一种区域作物种植选择方法，包括如下步骤：

确定种植作物的区域以及所述区域的种植条件参数；

根据所述种植条件参数确定可种植作物种类和每一可种植作物的生长参数；

根据作物的生长参数和所述种植条件参数得到作物的收益模型；

根据每一可种植作物的生长参数结合所述收益模型，计算每一可种植作物的收益；

确定在所述区域内种植收益最高的可种植作物。

可选地，上述的区域作物种植选择方法中，确定种植作物的区域以及所述区域的种植条件参数的步骤中：

所述种植条件参数包括统计时间内所述区域的气候数据、土壤成分数据、收录的田间管理数据、水源距离数据和坡度数据。

可选地，上述的区域作物种植选择方法中，根据所述种植条件参数确定可种植作物种类和每一可种植作物的生长参数的步骤中：

所述生长参数包括每一可种植作物的生长过程受田间管理数据、距水源距离数据和坡度数据的影响程度。

可选地，上述的区域作物种植选择方法中，根据作物的生长参数和所述种植条件参数得到作物的收益模型的步骤中，所述收益模型为：

以上各符号表示的参数含义如下:

profiti是单位面积种植作物i的综合收益，其单位为元/公顷；

yieldi是作物i的单产，其单位为千克/公顷；

pricei是作物i的市场收购价格，其单位为元/千克；

profitworki是单位面积农民在种植作物i期间外出务工赚得的费用，其单位为元；

0≤coefficientworki≤1，是作物i的务工收益调节参数；

costirrigationi是单位面积作物i的灌溉成本，其单位为元/公顷；

0≤coefficientirrigation≤1，是作物i的灌溉成本系数；

costfertilizer是单位面积作物i的化肥成本，其单位为元/公顷；

costseedi是单位面积作物i的种子成本，其单位为元/公顷；

costpesticidei是单位面积作物i的农药成本，其单位为元/公顷；

costhirei是单位面积作物i的雇工成本，其单位为元/公顷；

0≤coefficientricei≤100000，是作物i的水源距离调节参数，其单位为元；

0≤coefficientslopei’≤200000，是作物i的坡度调节参数，其单位为元；

profithi是自我认知因素健康收益指数，其单位为元，值分别设为0，30000元，50000元。

可选地，上述的区域作物种植选择方法中，根据作物的生长参数和所述种植条件参数得到作物的收益模型的步骤中：

所述单产根据所述气候数据、所述土壤成分数据和所述收录的田间管理数据结合土壤侵蚀和生产力影响估算模型模拟得到。

可选地，上述的区域作物种植选择方法中，根据作物的生长参数和所述种植条件参数得到作物的收益模型的步骤中：

所述区域为东北三省，所述可种植作物包括玉米、水稻和大豆。

可选地，上述的区域作物种植选择方法中，根据每一可种植作物的生长参数结合所述收益模型，计算每一可种植作物的收益的步骤中：

所述可种植作物为水稻时，所述收益模型中：coefficientworki赋值为0；coefficientirrigation赋值为1；所述区域的所述水源距离参数为2000米之内且为低洼积水区域时，coefficientricei赋值为0；所述区域的坡度大于10度时，coefficientslopei赋值为200000；profithi赋值为0；

所述可种植作物为大豆时，所述收益模型中：coefficientworki赋值为1；coefficientirrigation赋值为0；所述区域的所述水源距离参数为2000米之内且为低洼积水区域时，coefficientricei赋值为100000；所述区域的坡度大于10度并小于15度时，coefficientslopei赋值为0；所述区域的坡度大于或等于15度时，coefficientslopei赋值为200000；profithi赋值为30000；

所述可种植作物为玉米时，所述收益模型中：coefficientworki赋值为1；coefficientirrigation赋值为0；所述区域的坡度大于10度并小于15度时，coefficientslopei赋值为0；所述区域的坡度大于或等于15度时，coefficientslopei赋值为200000；profithi赋值为50000。

本发明提供的上述技术方案与现有技术相比，至少具有如下技术效果：

本发明通过获取区域的种植条件特性和可种植作物的生长特性，将两者进行匹配并根据收益模型计算不同可种植作物在该区域内的收益，之后确定收益最高的可种植作物进行种植，使收益计算模型能够适用于不同空间尺度区域、不同种植特性区域。从而能够实现在区域尺度上，建立农户作物种植选择模型，可通过不进行农户分类按照利益最优化为原则选择种植作物，为研究区作物种植空间格局模拟做好铺垫。

附图说明

图1为本发明一个实施例区域作物种植选择方法的流程图；

图2a为本发明一个实施例中不考虑自我认知因素健康收益指数和坡度指数的情况下东北区域种植水稻、大豆和玉米的空间格局模拟结果；

图2b为图2a与基准图进行对比的结果；

图2c为本发明一个实施例中考虑自我认知因素健康收益指数和坡度指数的情况下东北区域种植水稻、大豆和玉米的空间格局模拟结果。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和提出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种区域作物种植选择方法，如图1所示，包括如下步骤：

s101：确定种植作物的区域以及所述区域的种植条件参数；所述区域即为实际要确定种植哪种作物的区域，可以限定为全国范围内、某一省份、某一乡镇等。对于每一区域来说，都有其特定的种植条件参数。例如，区域内或者区域附近是否有水源，区域的土壤成分是否适于某一作物的生长，区域是否平坦(即坡度数据)，区域的气候等条件参数，田间管理数据，以上各个参数可以选择在统计时间内的统计结果。统计时间可以为一个自然年度，或者某一作物从种植到收获的一个周期等。

s102：根据所述种植条件参数确定可种植作物种类和每一可种植作物的生长参数；可种植作物是与种植条件参数相适应，例如东北三省区域内，适于种植水稻、大豆和玉米。每一可种植作物的生长参数可以包括其生长或收获过程中的所有相关参数，例如生长过程中是否需要丰富的水分(即对水源的位置和地势的高低有特殊需求)。

s103：根据作物的生长参数和所述种植条件参数得到作物的收益模型；收益模型中涉及到在种植作物过程中可以赚得利益部分，以及需要付出成本部分，相应的还考虑到人为决策因素部分。

s104：根据每一可种植作物的生长参数结合所述收益模型，计算每一可种植作物的收益；

s105：确定在所述区域内种植收益最高的可种植作物。

本实施例的上述方案中，通过获取到区域的种植条件特性和可种植作物的生长特性，将两者进行匹配并根据收益模型计算不同可种植作物在该区域内的收益，之后确定收益最高的可种植作物进行种植，使收益计算模型能够适用于不同大小区域、不同种植特性区域的情况。从而能够实现在区域尺度上，建立农户作物种植选择模型，可通过不进行农户分类按照利益最优化为原则选择种植作物，为研究区作物种植空间格局模拟做好铺垫。

在上述方案中，为了实现在区域尺度上，以研究区农民整体为研究对象，建立农户作物种植选择模型，即可通过不进行农户分类、而假设研究区农户都为理性决策者按照利益最优化为原则选择种植作物，完善作物空间格局模拟综合模型，为研究区作物种植空间格局模拟做好铺垫。在模型建立过程中，主要考虑：自然资源因素变量(即气候、土壤、地形、水源远近等因素)、政策因素变量(政府收购价格)、市场因素变量(市场收购价格、打工系数及其他成本计算等)及种植主体能力因素(田间管理)，同时还需要考虑种植主体自我认知因素。

为实现上述目的，以所有农户整体为视角，将其设想为理性决策人即追求综合利益最大化【综合利益最大化不仅考虑了经济利益，而且还涉及农户劳作劳累程度的健康利益(自我认知因素)，而健康利益转化为经济利益进行量化。经农户调研，这一原则符合东北地区实际情况】。具体的方法是在单位作物种植面积上计算纯利润时考虑单独作物毛收益及成本因素，通过二者计算出单位面积某种作物纯收益，进行三种作物纯收益的比较，选择纯收益最大的作物作为农民种植作物。在模型设计层面，并没有着重考虑土地权属流转，这是因为农田保护政策只允许在耕地性质下进行，不允许更改土地利用性质；耕地在不同农民间流转，他们的决策方式是一致，具有共性，没有差别，不影响决策机理，这是本模型重要的假设前提及基础之一；假设二是农民的种植选择行为是以之前年份种植利益结果影响农民决策判断为判断基础。

基于上述考虑因素，得到所述收益模型为：

以上各符号表示的参数含义如下:

profiti是单位面积种植作物i的综合收益，其单位为元/公顷，作物指的是玉米、水稻和大豆。

yieldi是作物i的单产，其单位为千克/公顷；是由epic(erosion-productivityimpactcalculator)模型模拟(千克/公顷)，并实现空间化，因为需要输入作物生长过程中每天的气候数据，因此它较好地反映了气候对于作物生长的影响，此外，土壤和田间管理数据的录入，可以使影响单产的相关因素在模型中都得以体现，单产预测结果比较准确，更重要的是模型可以将单产结果在空间定位，很好解决了空间显性问题。

pricei是作物i的市场收购价格，其单位为元/千克；

profitworki是单位面积农民在种植作物i期间外出务工赚得的费用，其单位为元；事实上，在中国东北三省，田间劳动力在种植玉米和大豆期间都在赋闲，因此很多农民选择外出到城镇打零工作为另一收入来源，待秋收时回田收割。

0≤coefficientworki≤1，是作物i的务工收益调整参数；种植玉米或大豆赋值1即种植这两种作物可以外出打工赚钱，种植水稻即赋值0表示，因水稻种植田间管理较为复杂不能外出打工。

costirrigationi是单位面积作物i的灌溉成本，其单位为元/公顷；

0≤coefficientirrigation≤1，是作物i的灌溉成本系数；如果是水稻赋值1，如果是玉米或大豆则赋值0，因为在东北地区玉米和大豆基本上是雨养旱作，不进行灌溉。

costfertilizeri是单位面积作物i的化肥成本，其单位为元/公顷；

costseedi是单位面积作物i的种子成本，其单位为元/公顷；

costpesticidei是单位面积作物i的农药成本，其单位为元/公顷；

costhirei是单位面积作物i的雇工成本，其单位为元/公顷；

0≤coefficientricei≤100000，是作物i的水源距离调节参数，其单位为元；在实际生产中，河流沿岸2千米范围内一般种植的是水稻，因为低洼地区经常积水很难种植其他作物，当作物是水稻时，coefficientricei距水源距离调节参数为0，而作物是玉米或大豆时，系数为100000以保证这一地区100％种植水稻。

0≤coefficientslopei’≤200000，是作物i的坡度调节参数，其单位为元；coefficientslopei’这一参数是保证在坡度大于10度但小于15度的耕地种植玉米，大于15度的耕地种植大豆，即坡度大于10度且小于15度时，如果是玉米赋值为0，水稻和大豆赋值为200000元，而大于15度时，大豆赋值为0，水稻和玉米赋值为200000元(因为在调研中发现，东北山前半山区由于大豆比较效益低，一般种植在山上比较陡的坡地，而一般较缓坡地，仍然种植玉米)。有一种极端情况即坡度大于10度同时也在水系2千米范围内，这种情况下种植玉米或大豆的可能性还是非常大，因此coefficientslopei系数是200000元，保证结果是玉米或大豆。

profithi是自我认知因素健康收益指数。该指数是指在播种和收获过程中，较为节省劳力的作物在优先考虑范围内。由于农户为节省劳动力成本及机械化程度不高的情况下(如山区半山区)，通常自己参加劳作，在经济发展收入提高及生活条件改善的情况下，健康和养优意识使比较“省事”的作物得到一定程度的青睐。但该指数约束性质应弱于coefficientricei和coefficientslopei’，因为目前从事农业生产的劳动者多为年岁较大群体，该指数对于年岁较轻的群体应比较显著。经农户调研和专家调研结果，三种作物水稻、大豆、玉米健康收益指数逐步增加，在本模型中分别设为0，30000元，50000元。

以东北三省区域、水稻、大豆和玉米三种作物为例，通过modis(moderate-resolutionimagingspectroradio-meter)获取的东北地区水稻、玉米和大豆2009年实际空间分布图作为验证基准图。经过结果的校正修正，该图的样点验证精度超过了90％。该图基准的空间分辨率为0.25千米×0.25千米，为了与本发明结果进行验证叠加，我们将该验证图重采样(resample)为1千米×1千米。将模拟图与验证图空间单元格相匹配栅格的数量占栅格总数量的比定为准确率作为验证的指标，匹配比取值在0-1之间，1为模拟结果最好，0为最差。

图2a显示了不考虑自我认知因素健康收益指数和坡度指数的情况下区域三种重要作物空间格局模拟结果：玉米占据了三种作物种植地带的大部分地区，尤其是在平原这种种植优势更加明显。因为中国东北三省是世界著名的黄金玉米种植带，松嫩平原(inthesongnengplain)气候与土壤状况非常适合玉米种植，所以模拟的结果与实际情况较为符合。此外，由于玉米的收购价从2000年的每千克1.2元人民币提高到2008年的2元左右，农民种植玉米的积极性空前提高，玉米的种植范围在不断扩大，从2000年542万公顷猛增到2008年的840万公顷，而总产也从2335万吨增长至5094万吨；而三个省份种植面积和产量都有增长，尤其是黑龙江省的种植面积增加翻了一倍多，除了三江平原(thesanjiangplain)开垦因素外，一些原有的小麦被玉米取代。水稻的空间分布基本在水系周围，通过应用coefficientrice参数，这一特征得到了很好的表达。东北三省的水稻由于其品质在中国国内农产品市场较受欢迎，大批水稻的外调极大地刺激了当地水稻的种植。此外，水稻是中国人的主食，对水稻收购的政府采购保护价格也使种植水稻多了一份保险，因此农民种植积极性较高。2000年该区水稻种植面积是268万公顷，2008年的面积增长为370万公顷，总产从1794万吨增长至2602万吨；三个省份在面积和产量方面都有增加，黑龙江的面积扩涨了近50％。大豆基本分布在小兴安岭和松嫩平原之间的过渡地带及三江平原的顶部，由此可见，目前东北三省的大豆大部分分布在黑龙江省，与实际情况较为符合。从20世纪80年代到2008年左右，大豆在松嫩和辽河平原地区占有相当重要的地位，种植面积从2000年的370万公顷增长到2008年的470万公顷左右。但是因为野生大豆单产较低、无政策保护价格及到岸大豆价格便宜等因素，这些重要粮食作物种植区的大豆有逐渐被玉米和水稻所取代的趋势。

经过验证图与模拟图的比较分析可知(图2b)：研究区三种作物空间格局模拟图模拟的准确率为78.62％。平原地区的模拟效果远远好于山区及山前过渡地带所指区域。误差主要分布在小兴安岭和松嫩平原之间过渡地带1和三江平原南部与长白山之间的山前地带2。

图2c为考虑自我认知因素健康收益指数和坡度指数的模拟结果，可以发现在图2a中分布在小兴安岭和松嫩平原之间过渡地带和三江平原南部与长白山之间的山前地带大豆很多被校正为玉米，山区及山前过渡地带空间模拟结果得到了较好的纠正，coefficientslopei’和profithi参数起到了一定的作用。研究区三种作物空间格局模拟图模拟的准确率为82.39％，从整体准确度角度分析，比图2a的结果有了近4个百分点的提高。

本实施例的以上方案中，建立了计算收益的模型，通过将其与epic模型链接实现了农户作物种植选择结果的空间化即主要粮食作物水稻、玉米和大豆作物空间格局模拟。从结果来看，区域尺度探索是有科研探索价值。本实施例的以上方案与现有技术相比重点在于：

a.空间尺度，以往的研究都是在镇和村的空间尺度上进行开展，但本发明将其推绎到区域空间尺度，这对于未来大空间尺度的研究可以提供较好的借鉴；

b.本发明的农户作物种植选择模型(farmercropselectionmodel，fcs)是通过农户调查获取最直接的影响农户种植决策因子，有别与以往在中国区域的研究是以专家经验获取的宏观类因子，这类因子的应用往往与实际差距较大；

c.本发明将东北地区农户作为整体研究，这与以往文献在小区域对农户进行分类研究有很大不同，作者认为在大空间尺度上，农户共性的探索是agent-based模型能否在更大空间尺度探索研究的关键；

d.本发明将fcs模型与农学作物生长模型进行链接，有别于以往的链接细胞自动机模型(cellularautomatamodel)，农学作物生长模型不但有空间地理信息，涉及到气候、土壤及管理因素，而且还可以精确模拟单产，对于最终模拟精度的提高具有重要的辅助作用；

e.农户决策中，不再单纯以经济利益为建模基准，而是加入了农户自我认知因素。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。