下载文档原格式
中国农业植被净初级生产力模拟（Ⅰ）-模型的建立与灵敏度分
析
中国农业植被净初级生产力模拟(Ⅰ)-模型的建立与灵敏度分析
以业已建成的稻麦作物净初级生产力模型为基本框架,建立了一个具有普适性的中国农业植被净初级生产力模型(Crop-C).Crop-C的模拟对象为占我国农作物总播种面积2/3的水稻、小麦、玉米、棉花、油菜和大豆.该模型包括2个主要功能模块:光合作用和呼吸作用;土壤-作物系统氮素运移.前者综合考虑了环境因子和氮素的影响,后者包括了作物氮素吸收、土壤氮矿化和化肥氮释放.灵敏度分析表明,在输入参数变化±10%时,Crop-C对6个主要输入参数响应的敏感性依次为温度＞光合有效辐射＞大气CO2浓度＞土壤全氮含量＞施氮量＞降水.模型分析表明,气候变暖将降低作物净初级生产力.
作者：黄耀王彧张稳于永强王平HUANG Yao WANG Yu ZHANG Wen YU Yong-qiang WANG Ping 作者单位：黄耀,张稳,于永强,HUANG Yao,ZHANG Wen,YU Yong-qiang(中国科学院,大气物理研究所大气边界层物理和大气化学国家重点实验室,北京,100029) 王彧,王平,WANG Yu,WANG Ping(南京农业大学,资源与环境科学学院,南京,210095)
刊名：自然资源学报ISTIC PKU英文刊名：JOURNAL OF NATURAL RESOURCES 年，卷(期)：2006 21(5) 分类号：X171.1 关键词：农业植被净初级生产力模拟模型灵敏度分析碳循环气候变化。
作物生长模拟模型研究和应用综述作物生长模拟模型研究和应用综述摘要：作物生长模拟模型作为一种重要的农业科学工具，能够模拟和预测作物生长的过程和产量，对农业生产具有重要的指导意义。
本文综述了作物生长模拟模型的研究现状和应用情况，包括模型的发展历程、模型结构与参数推导、模型验证与评价、模型应用领域等。
通过对近年来的研究进展进行梳理和总结，旨在为作物科学领域相关研究人员提供参考和借鉴。
关键词：作物生长模拟模型；发展历程；模型结构；参数推导；模型验证；模型评价；模型应用1. 引言作物生长模拟模型是基于作物生理生态过程的数学表示，通过对光能、水分、温度和营养等环境因素影响下作物生长的模拟，能够为农业生产提供科学依据。
自上世纪60年代起，作物生长模拟模型的研究迅速发展，并在农业科学、气象学、资源环境等领域得到广泛应用。
本文旨在全面梳理作物生长模拟模型的研究现状和应用情况，为相关研究人员提供参考和借鉴。
2. 作物生长模拟模型的发展历程2.1 早期模型早期的作物生长模拟模型主要基于经验公式和统计关系，如蒸散发模型和生长势模型。
这些模型简单直观，但对作物生理过程描述不准确，模拟精度较低。
2.2 生物物理模型生物物理模型通过考虑作物的生理生态过程，建立物理机制与参数之间的关系，提高了模型的精度与准确性。
该类模型主要包括光合模型、水分模型、温度模型等。
2.3 动态模型动态模型考虑了作物生长过程中不同生育阶段的特点，建立了动态的生长过程描述，提高了模型的实用性。
这类模型包括基于氮、磷等营养物质的模型、基于作物品种的模型等。
3. 作物生长模拟模型的结构与参数推导作物生长模拟模型通常包括四个部分：能量收支模块、水分平衡模块、碳氮平衡模块和生长发育模块。
其中，能量收支模块描述了作物光能的利用与传递过程，水分平衡模块描述了作物水分的吸收与利用过程，碳氮平衡模块描述了作物碳氮的吸收与利用过程，生长发育模块描述了作物的生长发育过程。
作物生长模拟模型探究和应用综述作物生长模拟模型是农业科学领域中的重要工具，可以援助农业探究者和农夫进行科学的农作物种植管理。
该模型利用数学和计算机技术，通过对作物的生长过程进行模拟和猜测，为农业生产决策提供科学依据。
作物生长模拟模型的探究和应用已经取得了显著的效果，本文将综述作物生长模拟模型的探究进展和应用状况。
作物生长模拟模型的探究主要集中于作物的生永生理过程和环境因素的互相作用干系。
通过对光、温度、水分、营养等因素的监测和分析，探究者可以建立相应的数学模型，再通过计算机模拟作物的生长和发育过程。
作物生长模拟模型的探究方法多种多样，包括基于物理原理的模型、基于统计学的模型、基于机器进修的模型等。
这些模型中最常用的是基于物理原理的模型，其基本假设是作物的生长和发育过程受到光合作用、呼吸作用、吸纳养分等物理过程的影响。
作物生长模拟模型的应用广泛，主要包括农作物产量猜测、作物品种适应性评估、灾难风险评估、耕作管理优化等。
通过模拟和猜测作物生长过程，可以准时依据环境因素的变化来调整作物的种植结构，合理打算农作物的种植时间和田间管理措施，最大限度地提高农作物的产量和质量。
作物生长模拟模型还可以评估不同作物品种在不同环境条件下的适应性，为农业科研人员和农夫选择适合的作物品种提供科学依据。
此外，作物生长模拟模型还可以用于评估农作物受灾的风险，并为灾难应急管理提供决策支持。
目前，作物生长模拟模型的探究仍面临一些挑战。
一方面，作物的生长过程受到多种环境因素的影响，涉及的参数和变量较多，探究者需要对这些参数和变量进行准确测定和模拟。
另一方面，作物生长模拟模型的建立和验证需要大量的试验数据，但得到这些数据通常需要耗费大量的时间和人力资源。
此外，作物生长模拟模型的效用也受到不同环境条件和农业管理措施的影响，模型在不同地区和不同年份的应用效果可能存在差异。
为了进一步推行作物生长模拟模型的探究和应用，我们需要加强多学科的合作，包括农业科学、计算机科学、统计学等领域的专家和探究者的合作。
电脑模拟技术在农业气象中的应用农作物生长模型的构建电脑模拟技术在农业气象中的应用——农作物生长模型的构建随着科学技术的不断更新与发展，电脑模拟技术逐渐应用于各个领域，其中之一就是农业气象领域。
电脑模拟技术可以通过建立农作物生长模型，帮助农业生产者更好地规划农作物种植和管理，从而提高农作物产量和质量。
本文将介绍电脑模拟技术在农业气象中的应用，并重点探讨农作物生长模型的构建方法。
一、电脑模拟技术在农业气象中的应用农业气象是研究天气对农作物生长发育和农田生态环境的影响的一门学科。
它通过监测和分析气象要素，了解大气环境对农作物的影响，并提供科学依据，帮助农业生产者制定农作物种植计划和农田管理方案。
电脑模拟技术的应用可以更加准确地模拟和预测农作物的生长发育过程，从而提供决策支持。
通过收集和整理实测的气象数据，利用数学统计和建模方法，可以构建农作物生长的数学模型。
这些模型基于电脑模拟技术可以模拟各种不同的气象情况，预测农作物在不同环境下的产量、品质和生长发育进程。
二、农作物生长模型的构建方法1. 数据收集与处理农作物生长模型的构建首先需要收集和处理大量的气象数据和农作物生长数据。
气象数据包括气温、降水量、相对湿度、光照强度等多个气象要素，农作物生长数据包括生长期、生物量、叶面积指数等参数。
这些数据可以通过气象观测站、气象卫星、农田监测设备等途径获得。
2. 建立数学模型在获得足够的数据基础上，可以利用数学统计和建模方法建立农作物生长的数学模型。
常用的模型有生长周期模型、生长速率模型、生物量累积模型等。
根据农作物的类型、生长特性和实际需求，选择合适的数学模型进行建立。
3. 模型参数估计与验证模型参数是农作物生长模型的重要组成部分，通过对已有数据的拟合和计算，可以估计出模型中各个参数的值。
为了验证模型的有效性和准确性，还需要利用独立的数据集进行模型验证。
只有在模型参数估计和验证过程中，模型才能更好地适应不同气象环境和农作物类型的需求。
生态系统动态变化模型构建及预测随着全球环境问题的日益突出，生态系统的动态变化对于科学研究和环境管理变得越来越重要。
生态系统动态变化模型的构建及预测成为了研究生态系统可持续发展的关键工具。
本文将介绍生态系统动态变化模型的构建方法，以及如何通过这些模型来进行生态系统的预测。
首先，构建生态系统动态变化模型需要收集大量的环境数据和生物数据。
这些数据包括生物群落的组成结构、环境参数的变化情况、物种的分布和数量等。
通过统计学和数学建模的方法，可以将这些数据转化为数学模型。
常用的模型包括线性模型、非线性模型、时空模型等。
其中，非线性模型常用于描述生物个体生长和种群动态变化，而时空模型则更适用于描述生态系统的空间分布和时序变化。
其次，模型参数的选择和估计是构建生态系统动态变化模型的关键一步。
参数的选择需要基于生态学背景和研究目标，合理选择的参数可以减小模型的误差。
参数的估计可以通过实地观测和实验室实验来获取。
此外，统计学方法如最大似然估计和贝叶斯估计也可以用于估计模型参数。
通过不断的参数调整和模型拟合，可以得到更加准确的模型。
然后，利用构建好的生态系统动态变化模型进行预测。
预测可以基于已知的数据，通过模型的推断和模拟来进行。
预测的结果可以为生态系统和环境管理决策提供科学依据。
例如，通过预测某一生物群落的动态变化，可以评估不同管理方案的影响并选择最优方案，从而实现生态系统的可持续发展。
此外，生态系统动态变化模型还可以用于对生态风险的评估。
生态风险是指人类活动对生态系统造成的潜在危害。
通过构建动态变化模型，并将人类活动的影响纳入模型中，可以评估不同活动对生态系统的风险程度，帮助决策者合理规划和管理资源。
最后，需要指出的是，生态系统动态变化模型的构建和预测存在一定的不确定性。
生态系统是复杂的非线性系统，受到多种因素的影响，因此模型的预测结果可能存在一定误差。
为了减小误差，我们可以引入不确定性分析和灵敏度分析的方法，评估模型的稳定性和可靠性。
大麦生长田间试验模拟模型及可视化研究大麦生长田间试验模拟模型及可视化研究引言：大麦是一种重要的粮食作物，其生长状况对农业生产至关重要。
为了提高大麦的产量和质量，农业科学家和研究人员一直在努力寻找有效的培育方法。
近年来，随着计算机技术和模拟技术的快速发展，模拟模型和可视化研究成为了研究大麦生长的重要方法。
本文将介绍大麦生长田间试验模拟模型及可视化研究的相关进展，并探讨其应用前景。
一、大麦生长田间试验模拟模型的建立1. 数据采集与处理建立大麦生长田间试验模拟模型的第一步是采集和处理数据。
研究人员可以通过田间观察和实验测量等方式获取与大麦生长相关的数据，包括温度、湿度、光照强度、土壤水分含量等。
这些数据将作为建立模型的基础。
2. 模型构建与参数估计基于采集到的数据，研究人员可以建立大麦生长模型。
大麦的生长受到多种因素的影响，包括气候条件、土壤性质、肥料施用等。
因此，模型需要考虑这些因素，并进行参数估计。
常见的模型方法包括物理模型、统计模型和机器学习模型等。
3. 验证和改进建立模型后，需要对其进行验证和改进。
研究人员可以通过与实际田间试验结果的对比来评估模型的准确性和可靠性，并对模型进行调整和改进。
这个过程是不断迭代的，直到模型达到满意的效果为止。
二、大麦生长田间试验模拟模型的可视化研究1. 三维可视化通过将大麦生长田间试验模拟模型与三维可视化技术相结合，可以直观地展示大麦的生长过程。
研究人员可以将模型中的生长曲线、生长轨迹等信息以三维图像的形式呈现出来，使观察者能够更好地了解大麦的生长过程和变化规律。
2. 动态模拟除了静态的三维可视化，研究人员还可以通过动态模拟的方式来展示大麦的生长过程。
通过将模型与时间相关联，可以模拟大麦在不同生长阶段的变化和发展。
这种方法可以帮助研究人员更好地观察和理解大麦生长的动态变化。
3. 虚拟现实应用虚拟现实技术可以提供更加沉浸式的体验，使观察者能够身临其境地体验大麦的生长过程。
农作物生长模拟模型的建立与应用研究随着科技的不断发展，模拟模型的应用越来越普及。
当我们将模拟模型应用到农业生产中，可以提高农业生产效率，节约资源，为人类的食品安全保障做出贡献。
文章探讨农作物生长模拟模型的建立和应用研究。
一、农作物生长模拟模型的理论农作物生长模拟模型基于作物的生长规律，将种植条件、环境因素等关键因素纳入模拟训练，从而模拟出作物在整个生长过程中的状态与变化规律，为提高农业生产提供基础数据。
为了建立一个完整的模型，需要包含以下关键元素：1.环境因素：先决植株生长的因素，如光照、温度、湿度。
2.生理因素：植株生长发育的内在机制，如光合作用、营养吸收。
3.物化因素：植株生长的物理设施，如农田的土壤、施肥等。
综合考虑环境、生理和物化因素三个方面，建立模拟模型，选择不同的数据特征来评估模型的有效性和适用性。
二、农作物生长模拟模型的建立1.模型确定选择合适的模型结构是模拟模型建立的第一步。
模型可以分为物理模型、统计模型和机器学习模型。
农作物生长模拟模型应用最广泛的是统计模型，根据环境因素和生理因素复杂性不同，可以选择线性统计模型、非线性统计模型和时变统计模型。
模型建立过程应采用多种验证方法，如交叉验证和留一法，确保模型的准确性和精确性。
2.数据采集数据采集通常是建立模拟模型的瓶颈之一。
农作物生长模拟模型的数据来源包括田间实验、实际观测和遥感数据等。
现在许多农田会采用自动化技术进行数据采集和处理，这对模型的稳定性和精度提高至关重要。
3.建模过程经过上述模型和数据准备后，接下来进行模拟编程。
建模过程应该遵循简单而精确的策略。
模型应该精确反映实际农业生产中常见的变化和偏差，避免模型复杂而不精确的现象。
建模过程中，应将模型的过程细化分解，方便后续的数据分析和修正。
4.模型修正模拟模型的预测能力是建模过程的核心问题之一，模型的误差来源于模型本身和数据偏差。
模型修正的过程中，通常需要进行数据增强和模型参数调整。
农田土壤有机碳时空变化模型构建与分析随着人口的增长和农业生产的发展，农田土壤有机碳的变化对农业可持续发展至关重要。
为了更好地管理和保护农田土壤有机碳资源，构建和分析农田土壤有机碳时空变化模型显得尤为重要。
本文将介绍农田土壤有机碳的概念及其重要性，然后探讨构建农田土壤有机碳时空变化模型的方法，并分析模型结果以提供农田土壤有机碳管理的建议。
首先，农田土壤有机碳是农业生态系统中的重要组成部分，对维持土壤结构和生物多样性具有重要作用。
有机碳是土壤中的有机物质的主要组成部分，包括植物残体、动物残体和微生物体。
农田土壤有机碳含量的变化直接影响土壤质量、农作物产量和温室气体排放。
因此，准确掌握农田土壤有机碳的时空变化规律对于农业可持续发展至关重要。
构建农田土壤有机碳时空变化模型是研究农田土壤有机碳变化规律的有效途径。
模型的构建可以基于多种方法，包括统计模型、机器学习模型和物理过程模型。
统计模型适用于将历史数据与农田土壤有机碳变化的关系进行拟合和预测，如回归模型和时间序列模型。
机器学习模型则通过学习历史数据的模式和规律，进行土壤有机碳的预测和分类，如神经网络和支持向量机。
物理过程模型则基于土壤碳循环的物理、生物和化学过程，通过数学方程对土壤有机碳进行建模，如农田土壤有机碳模型（SOC模型）。
选择适合的模型方法，可以根据数据可用性、模型的可解释性和预测性能等方面进行综合考虑。
在实际应用中，构建农田土壤有机碳时空变化模型需要考虑以下几个方面：1. 数据收集：模型构建的第一步是收集土壤有机碳的时空变化数据。
这些数据可以从农田调查、实验室分析和卫星遥感等来源获取。
数据的质量和覆盖范围将直接影响模型的可靠性。
2. 变量选择：根据模型的目标和数据的可用性，选择合适的解释变量和响应变量。
解释变量可以包括土地利用类型、降水量、温度和施肥量等因素，而响应变量是土壤有机碳含量。
3. 模型构建：选择合适的模型方法，并通过训练和验证数据对模型进行参数估计和性能评估。
《作物生长模拟模型研究和应用综述》篇一一、引言随着科技的不断进步，作物生长模拟模型已成为现代农业科学研究的重要工具。
该模型通过数学、物理和生物学的综合方法，模拟和预测作物的生长过程，为农业生产提供科学依据。
本文将对作物生长模拟模型的研究和应用进行综述，以期为相关领域的研究者提供参考。
二、作物生长模拟模型的研究1. 模型发展历程作物生长模拟模型的发展经历了多个阶段。
早期模型主要基于生理生态学原理，通过模拟作物的光合作用、呼吸作用、水分代谢等生理过程，预测作物的生长情况。
随着计算机技术的进步，作物生长模拟模型逐渐发展为更加复杂、全面的模型，能够更好地反映作物的生长过程。
2. 模型构建方法作物生长模拟模型的构建方法主要包括系统分析、数学建模、参数估计和模型验证等步骤。
其中，系统分析是确定模型的研究对象和目标，明确模型的输入和输出；数学建模则是根据生物学原理和实验数据，建立数学方程描述作物的生长过程；参数估计是确定模型中各参数的值；模型验证则是通过实验数据检验模型的准确性和可靠性。
3. 模型应用领域作物生长模拟模型广泛应用于农业生产、生态保护、气候变化等多个领域。
在农业生产中，模型可以帮助农民选择适宜的作物品种和种植时间，优化农田管理措施，提高作物产量和品质。
在生态保护方面，模型可以预测不同环境因素对生态系统的影响，为生态保护提供科学依据。
在气候变化方面，模型可以预测气候变化对作物生长的影响，为应对气候变化提供科学支持。
三、作物生长模拟模型的应用1. 农业生产管理作物生长模拟模型在农业生产管理中具有广泛应用。
通过模拟作物的生长过程，可以帮助农民选择适宜的作物品种和种植时间，制定合理的施肥和灌溉计划，优化农田管理措施，提高作物的产量和品质。
此外，模型还可以预测作物的病虫害发生情况，为农民提供科学的防治措施。
2. 生态保护作物生长模拟模型可以预测不同环境因素对生态系统的影响。
例如，通过模拟气候变化对作物生长的影响，可以评估气候变化的生态风险，为生态保护提供科学依据。
松嫩平原中部农作物空间格局时空变化分析刘克宝;陆忠军;宋茜【摘要】[目的]在国家"玉米调减"、"粮豆轮作"、"大豆目标价格"等种植结构调整政策背景下,分析2011～2016年松嫩平原中部地区农作物空间格局变化,为黑龙江省西部地区种植结构调整提供数据参考和科学基础.[方法]选择克山县为研究区域,利用2016年黑龙江省主要农作物一张图、2011年黑龙江省水稻、玉米本底数据,采取遥感手段提取2011年大豆分布,生成2011和2016年作物空间分布图;选取水稻、玉米、大豆和其他作物为研究对象,分别对农场和县域进行5年内种植结构变化、耕地内部4类作物面积转换分析和景观格局指数评价.[结果]①克山县种植结构发生了巨大的改变,55％左右的耕地种植作物发生变化,目前均以玉米、大豆为主,主要变化方向为大豆改种玉米.②克山县县域总体景观MPS变大,CI减小,机械化和规模化程度总体提升,AWMSI降低,斑块形状更加规则.[结论]①克山县种植结构的发展趋势由相对效益较低的大豆向着相对效益较高的玉米、水稻方向发展,种植结构由2011年的大豆为主要作物,转变为玉米和大豆为主要种植作物,且2016年玉米种植规模超过大豆,成为种植规模最大的作物;水稻受到自然地理条件的制约较大,面积扩张集中在县域的流域附近.②大豆、玉米和水稻的规模化、机械化和破碎化程度正逐渐趋于一致,其他作物规模化和机械化程度明显低于3种作物,破碎化程度高于3种作物;大豆、水稻和其他作物分布逐渐离散,玉米区域集中且优势度明显高于其他3种作物.③利用景观格局指数,可以很好地量化反映作物种植格局空间分布变化情况,包括规模、空间分布、形状、异质性和相关性情况.【期刊名称】《中国农业信息》【年(卷),期】2018(030)002【总页数】11页(P42-52)【关键词】农作物;空间格局;景观格局指数;时空变化【作者】刘克宝;陆忠军;宋茜【作者单位】黑龙江省农业科学院遥感技术中心,哈尔滨150086;农业部农业信息技术重点实验室,北京100081;黑龙江省农业科学院遥感技术中心,哈尔滨150086;中国农业科学院农业资源与农业区划研究所,北京100081;农业部农业信息技术重点实验室,北京100081【正文语种】中文0 引言农作物空间格局是一个地区或生产单位作物种植结构、熟制与种植方式的空间表达[1-3]，其时空分布受自然资源条件和市场经济行为影响，具有空间集聚性和时序动态性等特征。
农作物空间格局动态变化模拟模型(CROPS)构建夏天1,2, 吴文斌1,2,*, 余强毅1,2, 杨鹏1,2, 周清波1,2, 唐华俊1,2（1.农业部农业信息技术重点实验室，北京100081；2.中国农业科学院农业资源与农业区划研究所，北京100081）摘要：农作物空间格局指特定区域内农作物种植结构、空间分布等信息，是农业土地系统的核心内容之一，也是农业结构调整的重要依据。
随着空间模拟技术的发展，农业土地系统的时空动态表达成为可能，但传统模型方法更多关注土地利用类型的转化，而忽视耕地内部农作物格局时空特征的表达。
本研究基于CLUE-S土地利用变化模拟模型，进行了概念模型设计、框架和模块重建、参数本底化和校正，研究并提出一个适用于我国农作物空间格局动态变化模拟模型（CROPS，Crop Pattern Simulator）的可行架构，使其能够实现区域尺度土地利用变化与农作物空间格局变化的双层动态模拟。
CROPS模型采用了两层次嵌套模拟的模型结构，第一个层次实现对耕地空间格局动态变化过程和状态的表达，第二层次基于第一层次的模拟输出的耕地空间格局，实现耕地内部的农作物空间格局动态变化的有效模拟。
CROPS模型主要包括非空间和空间两个大模块，空间模块又包括空间模块I和空间模块II。
CROPS模型在东北三省进行了区域应用，结果表明，模型总体模拟效果较好，能够科学合理的表达耕地空间格局和农作物空间格局的动态变化过程。
关键词：农作物空间格局；动态变化；CROPS模型0引言农作物空间格局特指一个区域内农作物种植结构、分布、熟制和种植方式等信息[1]，是农业土地系统的核心内容之一。
一方面，农作物空间格局能够反映蕴藏于农业土地系统内部的诸多服务功能，如粮食安全、农田碳库、生物质能源生产等；另一方面，其反映了空间范围内人类利用农业生产资源的状况，是农作物结构调整和优化的重要依据[2-4]。
因此，开展农作物空间格局变化过程及特征研究具有较高的实用价值和重要的科学意义。
近年来，国内外很多学者针对农作物格局及其变化进行了相关研究[5]。
统计调查方法是较早且较为常用的方法之一，即以一定的行政区为基本单元进行农作物面积统计分析[6, 7]，但这种方法往往忽略了分析单元内部的空间异质性，而且主观性较强。
随着遥感、地理信息系统等空间信息技术的发展，农作物格局的空间显性表达(Spatially-explicit representation)逐步成为可能。
如[8]利用MODIS遥感数据提取了区域农作物种植结构；[9]同样利用MODIS 数据，实现了我国南方15省(市、自治区)各类水稻(早稻、晚稻和单季稻)种植面积的快速识别；Gao利用航片和遥感影像(TM/ETM+)分析了中国黑龙江省1958，1980，2000三个时间段水稻空间格局变化情况[10]。
Montero利用GIS技术构建了藤类植物生长分布模型[11][12]模拟展示了新疆棉花种植面积时空格局演变特征，并揭示当地棉花种植业发展的主要驱动力；吴文斌利建立了农作物播种面积变化模拟系统，分析研究了2005-2035年间世界主要农作物(水稻、玉米、小麦和大豆)播种面积变化的数量特征和空间格局[13]。
自1997年至今，美国农业部国家农业统计中心（USDA-NASS，National Agricultural Statistics Service of the US Department of Agriculture）不惜花费大量人力物力，将多源中高分辨率遥感影像与统计调查数据相结合，制作了每年一期的耕地内部作物分布图（CDL，Cropland data layers），供后续研究使用[14]。
不难发现，遥感技术是提取农作物空间分布信息的有效方法，但其相对成本较高，不利于获取大区域、长时间序列的农作物空间格局及其动态变化特征。
而空间模拟技术作为遥感夏天为博士后吴文斌为副研究员余强毅为助理研究员杨鹏为研究员周清波为研究员唐华俊为研究员通讯作者：吴文斌Email：wuwenbin@基金项目：国家自然科学基金项目（40930101，40971218，41271112），国家重点基础研究发展计划项目（“973”计划）（2010CB951504）技术的重要补充，能够较为省时省力的表达地理空间要素的分布、格局与变化过程[3]，但目前相关模型研究多停留在土地利用变化模拟方面，较少涉及耕地内部农作物空间格局的模拟表达[4, 15]。
针对此问题，本研究充分利用CLUE-S（Conversion of Land Use and its Effects at Small region extent）土地利用变化模拟模型的理论和方法[16]，经过改进、重建、参数本地化和校正，研究并提出一个适用于我国的农作物空间格局动态变化模拟模型（CROPS，Crop Pattern Simulator）的可行架构，使其能够实现区域尺度土地利用变化与农作物空间格局变化的双层嵌套动态模拟。
此外，本研究选取我国东北地区（辽宁、吉林、黑龙江）进行模拟实验，测试模型的运转情况，并简要介绍了模型模拟的相关结果。
1 CROPS的概念模型农业土地利用是人类为了自身的生存和发展需求而有意识地对农业土地资源进行开发、经营和利用的活动[17-19]。
耕地是农业土地利用的最重要形式，为农作物生长、发育和成熟提供必备的自然生态环境，耕地和林地、草地等其它土地利用类型相互影响并处于动态变化之中。
受多种因素影响，农作物空间格局不断发生变化，包括耕地内部不同作物之间的相互更替或转换，也包括和耕地外部其它土地利用类型的转换。
因此，模拟分析农作物空间格局变化的前提是掌握耕地的空间格局动态变化，因为耕地为农作物空间格局变化提供必要的空间区间和范围。
基于该思路，本研究基于CLUE-S模型提出了CROPS模型构建的概念模型（如图1）。
第一个层次通过对不同土地利用类型之间动态变化的模拟，实现对耕地空间格局动态变化过程和状态的表达。
第二层次基于第一层次的模拟输出的耕地空间格局，实现耕地内部的农作物空间格局动态变化的有效模拟。
为实现不同层次的空间模拟，CROPS模型基于空间动力的学原理，将区域范围内的土地利用格局和农作物种植格局可以视为一个整体的系统，在自然环境和社会经济等驱动力因素的共同作用下，区域系统空间结构状态或各状态要素空间格局的演变，并且该地区的土地利用格局和农作物种植格局处于动态平衡状态。
同时，该地区的农作物空间格局变化主要发生在耕地内部，受到耕地的空间分布区域限制。
在不同的层次下，通过分析土地利用类型或农作物类型空间分布与自然地理和社会经济等驱动力因素之间的相互作用，进而实现土地利用类型或农作物类型面积总量在空间位置的分配。
该概念模型不仅充分发挥了CLUE-S模型在传统土地利用类型转换或突变（如草地转耕地或耕地转林地）过程模拟方面的优势和特点，也扩展了模型的功能和应用领域，实现了土地利用类型稳定下的渐变（如农作物类型更替）过程模拟，实现了两个层次的有机嵌套模拟。
图1 CROPS概念模型2 CROPS模型的基本模块基于图1的CROPS概念模型，本研究提出了农作物空间格局模拟模型的基本框架，如图2所示。
CROPS模型工作流程为：首先进行第一层次（土地利用层）的空间格局模拟，在此基础上，利用第一层模拟的耕地格局作为控制，在耕地内部进行第二层次（农作物层）的空间格局模拟。
从模型每一层的组成模块看，CROPS模型主要包括非空间和空间两个大模块，即需求模块和空间分析与分配模块。
图2 CROPS模型结构图2.1 非空间模块非空间模块为输入研究对象需求功能，该模块主要用于控制在历史上各种驱动力因素影响下的研究对象数量变化，或者未来不同情景条件下的研究对象数量变化情况。
该研究对象需求决定空间模块中模拟分配的土地利用类型或农作物的总面积。
在CROPS模型中，第一层次的非空间模块主要计算各土地利用类型的土地面积需求，第二层次的非空间模块则主要计算不同农作物类别的土地面积需求。
非空间模块的输入数据主要为历史或者未来不同情景下的土地利用数据和农作物种植数据。
通常情况下，历史农作物空间格局变化的需求量为统计年鉴数据，未来情景变化一般会利用趋势外推法，或者利用未来情景模型计算需求量。
1.2空间模块空间模块主要考虑空间化后的自然环境和社会经济因素的作用，分别将两个层次的模拟需求分配到空间位置，达到空间显性表达的目的。
空间模块又包括空间模块I和空间模块II。
2.2.1空间模块I空间模块I的目的是分析土地利用类型或农作物类别的空间分布适宜性、确定两个层次上的转换规则、以及转换的区域性和政策性限制因素。
（1）适宜性分析子模块该子模块的主要功能是根据土地利用类型或农作物类别空间分布格局和备选驱动因素数据，计算出各个土地利用类型或农作物类别在空间上的分布概率，利用分布概率来判断每种研究对象的空间分布适宜性。
这些备选驱动力因素中有些因素是直接导致研究对象发生变化，有些因素是间接导致研究对象发生变化，通过空间统计分析，可以确定在所有因素的影响下研究对象类型发生转变时最有可能出现的空间位置。
在CROPS 模型中，通过选取具有代表性的驱动力因子，以模拟对象（第一层为土地利用类型，第二层为农作物类型）空间数据为基础，利用二元Logistic 回归方程计算出每一种研究对象发生的概率，该方程可以解释各种研究对象类型与驱动力因素之间的关系。
分布概率计算公式如下：X X X ⨯++⨯+⨯+=⎪⎪⎪⎭⎫ ⎝⎛-nin i i i i ββββp p Log (122)110 式中，p i表示出现某一模拟对象i 的概率；X 表示各驱动因素；β是各影响因子相应的回归系数。
回归系数β运用统计学软件进行计算，方程需要置信度一般要大于95％（即α≤0.05），相关性较低的影响因子将不选入回归方程。
通常情况下，每一种研究对象（土地利用类型或农作物种植类型）的影响因素不同，故进入回归方程中的影响因素也不一样。
构建完成各种研究类型的回归方程后，利用ROC 曲线进行检验方程的精度[20]：ROC 值介于0.5和1之间，如果该值越接近于1时，说明该研究类型的概率分布和真实分布之间具有较好的一致性，构建的回归方程能较好地解释该研究类型的空间分布；反之，若该值越接近0.5，说明回归方程不能有效的解释该研究类型的空间分布，需要重新选取新的驱动力因素构建回归方程。
（2）转换规则子模块转换规则包括类型转移弹性系数和类型转移次序两部分。
类型转移弹性系数用0～1的数值表示，描述各类型变化的可逆性。
0代表极易发生转变，1代表不易发生转换，数值越小表示越容易发生转变。
类型转移次序表示两类用地之间发生转化的可能性，如林地能够转化为耕地，则标记为“+”，建设用地很难转变成耕地，则标记为“-”。
