基于遥感的福建闽侯丘陵区农作物种植面积空间抽样方法

以福建闽侯县作为研究区,采用传统抽样(简单随机抽样、系统抽样、分层抽样)、空间抽样(空间随机抽样、空间系统抽样、空间分层抽样)等方法对研究区农作物种植面积进行样本抽选、总体推算及误差估计,结果表明:1 500 m×1 500 m格网为最优抽样单元尺寸,空间分层抽样方法的相对误差为3.86%,变异系数为6.03%,抽样成本为6.03,抽样效率高.与传统抽样方法相比,空间抽样方法显著减少样本容量,节约调查成本.     

福建省闽侯县区域农作物种植面积的空间抽样方案

基于国产GF-1号卫星影像农作物空间分布数据,以正方形网格作为抽样单元形状,综合应用遥感技术、空间抽样方法、模拟退火算法及空间自相关理论,对福建省闽侯县农作物种植面积进行估算.结果表明:根据全局自相关指数Moran's I及其显著性指标Z Score,选取1 500 m×1 500 m作为最优单元尺寸;对研究区进行剖分,构建抽样框,对比空间随机抽样、空间系统抽样及空间分层抽样的抽样结果,空间分层抽样方法的样本容量为37,相对误差为3.86%,抽样效率最高;运用模拟退火优化算法规划野外调查的最优路径,确定空间抽样调查方案.     

顾及空间自相关的农作物面积空间抽样研究进展

【目的】对当前农作物面积空间抽样调查在空间自相关研究方面存在不足与发展趋势进行总结与展望。【方法】文章简要概括了空间自相关的科学内涵与研究方法,并根据其在不同领域的实践应用对空间自相关的基本特征进行了系统总结;通过对国内外专家学者研究进展的评述,指出目前考虑空间自相关的农作物面积空间抽样调查方法仅从抽样精度、抽样费用、抽样单元设计和分层效率方面对空间抽样效率进行评价,并未考虑农作物面积单元间空间自相关性的存在会对其空间抽样造成影响的发展现状。【结果 /结论】国内外学者在抽样单元间空间自相关性的理论研究与综合应用方面做了大量的研究,但涉及空间自相关性对农作物面积空间抽样效率影响方面的研究则鲜有报道,缺乏空间自相关性对农业资源空间抽样效率影响的定量评价方法和指标,影响了农作物面积空间抽样方案的优化与实施。可进一步开展关于抽样单元空间自相关性对农作物抽样效率影响的定量研究,为进一步改善农作物空间抽样调查方法在不同地区应用适宜性评价和抽样效率提供理论依据。     

区域总量控制下的冬小麦种植面积空间分布优化

【目的】利用传统遥感与抽样相结合的方法进行农作物种植面积测量,只能获得区域总量,无法有效获取农作物种植面积空间分布信息。针对以上不足,开展区域总量控制下的冬小麦种植面积空间分布优化研究,从而提高冬小麦种植面积测量的空间分布精度。【方法】将整个遥感影像像元划分为3部分:"纯净冬小麦像元"、"混合冬小麦像元"和"典型非冬小麦像元"。综合软、硬分类方法各自的优势,在区域冬小麦总量面积一定的前提下,设定阈值确定混合冬小麦像元的空间分布范围。【结果】传统遥感与抽样相结合的方法提取出的冬小麦结果RMSE为0.13,优于硬分类方法(RMSE为0.16)和软分类方法(RMSE为0.20)。【结论】区域总量控制下的软、硬分类方法能够有效地对冬小麦种植面积空间分布进行优化,既保证了区域测量精度,又提高了空间分布的准确性。     

基于遥感识别误差校正面积的农作物种植面积抽样高效分层指标研究——以冬小麦为例

【目的】在遥感与空间抽样相结合进行农作物面积调查中,由于传统的基于面积规模的分层指标设计中缺失对遥感识别结果分类误差的表达,一定程度上影响抽样效率,因此提出基于遥感分类误差校正面积的分层标志--误差校正面积,以期改进农作物种植面积抽样调查效率。【方法】选取北京市通州、大兴区为研究区域,以冬小麦为例,选择16 m分辨率GF-1号影像（获取时间2015年4月4日）为遥感数据源,进行抽样方案的设计。设计与计算高效分层指标,先从像元尺度判断像元相应的错入、错出方向并计算其对应的误差面积,再在抽样单元尺度上统计所有像元的误差面积,将其用于面积规模的校正,校正后结果即为所提出的分层抽样指标--误差校正面积（S_correct）;构建边长为90-300 m的规则正方形格网为抽样框,并完成设置分层层数、确定分层界限方法、样本量分配方式、总体估计方式等空间抽样方案设计。基于设计的抽样方案进行试验,进行研究区冬小麦的区域总量面积反推。以误差校正面积指标和传统分层指标--面积规模为分层指标,进行多次种植面积抽样推断后进行指标有效性分析和精度评价,通过对相关性、典型区域分类错误像元误差分布、总体方差、平均相对误差 、CV值等方面的对比分析,验证所提出指标的可行性与优势。【结果】（1）通过结合原始影像、目标真值分布、遥感分类结果图、分类错误像元误差分布图的对比分析,从像元尺度验证了该指标能校正分类错误像元,从而改善分类结果;在试验抽样框下,误差校正面积的相关系数相较于面积规模略有提高,且数值大于0.7,可保证其与真值较高且稳定的相关性。验证了该指标作为分层指标的有效性。（2）在试验抽样框下,使用误差校正面积作为分层指标进行多次外推面积得到的总体方差在1.70×10¹³-2.41×10¹³,面积规模的总体方差为2.05×10¹³-3.11×10¹³,误差校正面积在推断稳定性方面高于面积规模;采用误差校正面积作为分层指标得到的 为4.21%-5.00%,面积规模的 为4.87%-5.98%,误差校正面积指标能稳定提高近1%的精度;选择误差校正面积指标作为分层指标进行抽样估算结果的CV值在试验抽样框下始终低于面积规模的推断结果,能稳定减少近0.8%。因此误差校正面积指标在与目标真值相关性、抽样精度、推断稳定性等方面均优于传统面积规模分层指标。【结论】误差校正面积指标可在一定程度上提高种植面积抽样调查精度,保证推断的稳定性,验证了遥感识别误差校正面积指标作为分层标志的有效性,能够提高抽样效率,其相较面积规模指标更具有优势。     

HJ-1号卫星数据与统计抽样相结合的冬小麦区域面积估算

【目的】探讨利用HJ-1号卫星遥感数据进行冬小麦种植面积测量的可行性,并进一步结合统计抽样的方法,估算区域冬小麦种植面积,解决单靠遥感进行冬小麦种植面积测量时多期影像信息误差积累和生长差异性影响的问题。【方法】以北京市为研究区,采用多时相HJ-1号卫星遥感数据与分层抽样相结合的方法进行冬小麦种植面积测量:利用多时相HJ-1号卫星遥感数据获取冬小麦遥感识别结果(56506.67hm2),结合耕地地块数据建立入样总体,以耕地地块内冬小麦遥感识别面积作为分层标志进行分层随机抽样,反推得到北京市冬小麦面积总量(59680hm2)。【结果】多时相冬小麦遥感识别结果MAE为0.17,bias为-0.05,抽样反推区域总量面积提高了约5%,在一定程度上纠正了HJ-1号卫星多期遥感影像提取冬小麦区域面积偏低的问题。【结论】本文方法能够准确测量出区域冬小麦总量面积,具有较强的应用性和普适性,为采用HJ-1号卫星遥感数据进行农作物种植面积遥感测量进行了先期的方法探讨,深化了该遥感数据源的应用。     

中国苹果空间分布格局及年际动态变化分析

【目的】对我国苹果种植现状及历史变化动态进行分析,获得我国苹果空间分布格局及年际动态变化特征。【方法】文章基于历史统计数据,从苹果空间格局、种植面积动态分析和空间格局变化趋势3个方面进行了分析。【结果】在空间格局上,我国苹果种植在空间分布上呈现出以陕西省和山东省为中心的"双中心"分布特征;在苹果种植面积动态变化方面,全国苹果种植面积呈现出先增加后降低,随后保持比较稳定的趋势,各省份苹果种植面积变化规律呈现出"单峰"变化和"N字"变化两种类型;在苹果空间格局变化上,我国苹果种植出现明显"西移"现象:陕西省和甘肃省苹果种植面积占比增长迅速,并成为我国重要的苹果生产大省,山东省和辽宁省苹果种植面积占比下降明显,对我国苹果种植的影响逐渐降低。【结论】利用变异系数对苹果种植面积的波动性进行了分析,结果表明在全国层面,全国苹果种植面积变异系数为0.36,波动性较小,说明我国苹果种植面积总体稳定。在各省层面,陕西省变异系数最大,甘肃省次之,变异系数最小的为辽宁省,变异系数分别为0.61、0.58和0.27。表明陕西省与甘肃省苹果种植面积年际波动较大,而辽宁省苹果种植面积年际波动较小。此外,通过分析苹果种植面积均值与变异系数的相关关系,发现苹果种植面积年际变化波动性的高低与该省苹果种植面积的大小无显著相关关系。     

江苏省水稻主产区水稻种植面积时空动态变化分析

【目的】揭示江苏省水稻种植时空格局及动态变化特征，评价其稳定生产水平和种 植结构的空间变化规律，为江苏省水稻生产空间布局的优化调整和可持续发展提供决策依 据。【方法】文章选择江苏省水稻主产区50 个1∶50 000 比例尺标准地形图图幅单元为研究 区域，基于江苏省5 m 空间分辨率耕地遥感数据库，利用2011—2019 年水稻生长期内多源 遥感卫星影像，提取研究区当年的水稻种植面积及空间分布信息。运用数理统计和GIS 空间 分析功能，研究水稻面积变化幅度、变异系数以及转非水稻面积的时空分布特征，继而分析 2011—2019 年水稻种植面积的时空动态变化。【结果】研究区内50% 的地区水稻种植面积 仍然保持相对稳定，42% 的地区水稻种植面积缓慢下降，仅8% 的地区水稻种植面积急剧下 降。2011 年以来，累计有11.6 万hm2 水稻田逐年转为非耕地或持续种植其他作物，占2011 年研究区内水稻种植面积的13.7%。【结论】2011—2019 年研究区内水稻种植面积变化趋势 线斜率为-0.88，总体呈下降趋势，水稻面积平均变化率为-1.03%，变异系数为2.99%。     

基于遥感和“两区”划定耕地数据的农作物面积估算分层抽样体系研究

【目的 】四川气候多云雨天气,通过全覆盖遥感影像解译来掌握主要农作物种植面积、分布非常困难,采用野外实地抽样调查与遥感影像分类相结合是有效可行的方法。【方法 】文章以遥感和GIS为手段,充分利用“两区”划定耕地基础数据,采用两级空间分层抽样方法和实验最优空间抽样体系的设计来建立长期的野外调查样方。采用空间分析技术、传统抽样方法相结合的两级空间分层抽样技术,在不同研究区内,以误差、变异系数和抽样个数为抽样效率的评价指标,实验和确定不同层的样方大小、抽样方法和抽样比例的最优抽样体系;通过确定的最优抽样体系,反推2022年研究区油菜和小麦面积,验证其精度。【结果 】抽样体系中样方大小为0.5 km×0.5 km、抽样方法为分层顺序抽样方法或分层麦士比抽样方法、抽样个数为25个左右,误差和变异系数较小,为最优抽样体系。【结论 】经验证,用最优抽样体系反推的2022年油菜小麦面积精度均在93%以上,建立了适用于四川省不同区域的最优抽样体系,布设了长久的野外调查样方。     

基于遥感和PPS分层抽样的区域棉花面积估算

针对传统抽样调查工作面临着野外调查工作量大、资料时效性较低且难以满足人们对数据现势性的高要求等一系列缺点,以新疆棉花种植主棉区沙湾县、玛纳斯县、呼图壁县为研究区,结合遥感技术提出了一种基于PPS分层抽样的空间抽样设计方案,并将该方案用于研究区棉花种植面积的估算。结果显示,PPS抽样与分层抽样结合后极大地提高了PPS抽样反推总体的方法优势。分配样本时分别采用按每层辅助变量之和的期望的算术平方根与该层待抽样单位总数之积、每层辅助变量之和进行比例分配的2种分配方法,其对应的反推总体的估计量变异系数分别为0.008、0.009,相对误差分别为0.016、0.017,分层后的样本变异程度极低,为反推结果的高精度打下了基础。2种样本分配方式的棉花种植面积提取精度均高于94%。该方法不仅精度高,而且在实际操作中简单方便。     

Design of a spatial sampling scheme considering the spatial autocorrelation of crop acreage included in the sampling units

Information on crop acreage is important for formulating national food polices and economic planning.Spatial sampling,a combination of traditional sampling methods and remote sensing and geographic information system(GIS)technology,provides an efficient way to estimate crop acreage at the regional scale.Traditional sampling methods require that the sampling units should be independent of each other,but in practice there is often spatial autocorrelation among crop acreage contained in the sampling units.In this study,using Dehui County in Jilin Province,China,as the study area,we used a thematic crop map derived from Systeme Probatoire d’Observation de la Terre(SPOT-5)imagery,cultivated land plots and digital elevation model data to explore the spatial autocorrelation characteristics among maize and rice acreage included in sampling units of different sizes,and analyzed the effects of different stratification criteria on the level of spatial autocorrelation of the two crop acreages within the sampling units.Moran’s I,a global spatial autocorrelation index,was used to evaluate the spatial autocorrelation among the two crop acreages in this study.The results showed that although the spatial autocorrelation level among maize and rice acreages within the sampling units generally decreased with increasing sampling unit size,there was still a significant spatial autocorrelation among the two crop acreages included in the sampling units(Moran’s I varied from 0.49 to 0.89),irrespective of the sampling unit size.When the sampling unit size was less than3 000 m,the stratification design that used crop planting intensity(CPI)as the stratification criterion,with a stratum number of 5 and a stratum interval of 20%decreased the spatial autocorrelation level to almost zero for the maize and rice area included in sampling units within each stratum.Therefore,the traditional sampling methods can be used to estimate the two crop acreages.Compared with CPI,there was still a strong spatial correlation among the two crop acreages included in the sampling units belonging to each stratum when cultivated land fragmentation and ground slope were used as stratification criterion.As far as the selection of stratification criteria and sampling unit size is concerned,this study provides a basis for formulating a reasonable spatial sampling scheme to estimate crop acreage.     

GEE支持下的河南省冬小麦面积提取及长势监测

【目的】使用遥感技术对2017—2020年河南省冬小麦的空间分布信息进行高精度的提取,然后对2020年冬小麦的长势进行高频度的监测并结合气象条件进行分析。【方法】本文基于谷歌地球引擎（Google Earth Engine,GEE）云平台,对选取的Landsat 8影像数据根据NDVI最大值进行合成,然后进行特征构建,添加地形特征、纹理特征、NDVI以及一个新特征NDVI增幅,使用随机森林分类方法对样本数据按照构建的特征进行训练提取河南省2017—2020年冬小麦的播种面积信息;经过精度验证后对提取的河南省2020年的冬小麦种植区域生成掩膜,对掩膜区域（冬小麦种植区域）结合MODIS高时间分辨率影像数据,使用NDVI同期差值法对2020年2—4月份的冬小麦进行高频度的长势监测。【结果】使用GEE云平台能够对河南省冬小麦种植区域的空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、NDVI后再加入新特征NDVI增幅,能够有效提高冬小麦的提取精度以及降低与统计数据的相对误差,基于混淆矩阵计算的平均总体分类精度为95.2%、平均kappa系数为0.909、冬小麦的平均分类精度为95.3%,与河南省统计年鉴数据相比,本文方法提取的2017—2019年河南省冬小麦播种面积相对误差均低于3%,河南省冬小麦主要种植区域的冬小麦播种面积的平均相对误差低于6%;使用MODIS影像数据结合NDVI差值模型能够对河南省2020年的冬小麦进行高频度的长势监测,河南省冬小麦在返青初期长势较往年及2019年好,到生育后期大部分区域长势与往年及2019年持平,总体上2020年冬小麦的长势较往年及2019年好。【结论】本文提出的方法能够对河南省冬小麦进行高精度的提取以及高频度的长势监测,且能够为地方政府或者一些农业部门在安排指导农事活动上提供科学依据。     

河南省冬小麦种植频率时空变化及影响因素分析

【目的】通过对河南省2001—2015年间不同时期（2001—2005、2006—2010及2011—2015年）冬小麦种植频率（winter wheat planting frequency,WWPF）时空变化及其主要影响因素定量分析,进一步明晰区域作物种植频率变化时空变化分布特征和主要影响因素顺序。【方法】以河南省为研究区,冬小麦为研究作物,在利用中低分辨率MODIS EVI时序遥感数据和CART决策树算法进行连续15年（2001—2015年）作物种植空间分布信息提取基础上,获取了研究区不同时期冬小麦种植频率空间信息。在此基础上,开展不同时期冬小麦种植频率时空变化分析,并利用相关分析、主成分分析和线性回归分析等数理统计方法对不同时期研究区种植频率变化的影响因素进行分析,最终确定主要影响因素的重要性排序。【结果】基于MODIS EVI时序遥感数据和CART决策树算法可获得河南省较高精度连续多年冬小麦种植空间分布信息,经验证,研究区冬小麦遥感提取平均总体精度为90.39%,Kappa系数在0.82—0.92之间,可满足区域冬小麦种植频率变化研究所需作物空间分布精度要求;通过分析河南省不同时期冬小麦种植频率时空变化信息,省域内冬小麦主产区大部分具有较高的冬小麦种植频率（WWPF>80%）,而豫西南和豫南等山区由于地形复杂、自然条件较差导致冬小麦种植频率普遍较低（WWPF≤40%）。此外,3个时段期间,河南省冬小麦主产区高频种植冬小麦面积呈逐步增加趋势,WWPF>80%的面积比例分别为42.68%、59.94%和63.07%,低频种植面积呈减小趋势,WWPF≤40%的面积比例分别为28.53%、17.99%和16.63%,这对我国冬小麦主产区稳定粮食种植面积具有重要意义;从冬小麦种植频率影响因素分析结果看,河南省冬小麦种植频率与有效灌溉面积比例、土壤质量综合指数、播期气候适宜度、坡度和高程等指标间均存在显著的相关性,且除与坡度、高程呈负相关外,与其余因素均为正相关关系。以上指标对河南省冬小麦种植频率变化影响程度的排序结果为土壤综合质量指数>播期气候适宜度>有效灌溉面积比例>坡度（高程）,即土壤质量>播期气候条件>灌溉条件>地形条件。【结论】通过对河南省冬小麦种植频率时空变化及其影响因素进行定量分析,明确了河南省冬小麦种植频率时空分布特征和变化规律,明晰了河南省区域冬小麦种植频率变化影响因素及其重要性排序,为开展作物种植面积变化分析提供了一定技术方法和思路借鉴,为区域农业土地利用决策模型构建提供一定基础理论支撑。     

全球气候变暖对中国种植制度可能影响Ⅷ ——气候变化对中国冬小麦冬春性品种种植界限的影响

【目的】全球气候变化背景下,中国20世纪80年代以后冬季温度升高明显,这一变化对冬小麦冬春性品种种植界限产生怎样的影响,为了回答这一科学问题,笔者以1981年为时间节点,将1951—2010年划分为两个时段,分析比较后一时段冬季温度升高对中国冬小麦的强冬性、冬性、弱冬性和春性4种类型品种种植北界和种植南界的空间位移及可种植面积的影响。【方法】依据制约冬小麦正常越冬的冻害指标和影响春化天数指标确定冬小麦不同品种种植的北界和南界;采用ArcGIS软件绘制冬小麦不同品种种植区域及种植面积变化。【结果】与1951—1980年相比,1981—2010年冬小麦强冬性品种种植北界在宁夏-甘肃及河北-辽宁北移趋势最明显,分别北移200 km和100 km,其种植南界东部地区北移趋势大于西部地区,在江苏和安徽等地移动90 km,强冬性品种可种植面积共增加36.24万km2;冬小麦冬性品种种植北界在山东-河北变化明显,向北移动310 km,种植南界在贵州毕节-习水地区向西推移趋势明显,西推95 km,冬小麦冬性品种可种植区域共增加17.75万km2;冬小麦弱冬性品种种植北界在安徽、江苏、河南和山东交互之处变化明显,北移120—370 km,西部地区变化趋势不明显,种植南界呈略微北推趋势,冬小麦弱冬性品种可种植面积共增加15.70万km2;冬小麦春性品种种植北界在江苏、安徽和河南变化明显,北移230 km,而西部地区不明显,春性品种可种植面积共增加23.44万km2。华北北部地区以强冬性品种为主,华南地区以春性品种为主,河南、山东和四川等地区冬小麦可种植冬春性品种类型较多,以冬性和弱冬性品种为主。【结论】由于中国冬季温度明显升高,较1951—1980年,1981—2010年冬小麦不同冬春性品种种植界限明显北移,北界北移趋势大于南界移动趋势,种植区域面积增大,其中强冬性品种种植界限及可种植区域移动最明显。     

滴灌冬小麦精量穴播栽培模式效果分析

【目的】研究冬小麦精量穴播栽培模式效果,为滴灌小麦优质高产栽培技术规程提供科学依据。【方法】在不同播种量处理的示范田内样点调查,采用固定和随机取样等方法,调查与分析空穴率、基本苗、冬前总茎数、越冬总茎数、平均单株分蘖数及可能有效分蘖数、有效穗数、产量等,与龙王庙村常规播种地块对比产量和效益。【结果】获取精量穴播冬小麦播种量6.3 kg/667m²、8.3 kg/667m² 2个播种量的空穴率分别是20.6%、9.1%,基本苗分别是10.3×10⁴/667m²、14.4×10⁴/667m²,冬前单株分蘖数分别是3.1和2.8,冬前分蘖成穗率分别是98%和65%,平均单株成穗率分别是403%和283%,收获穗数分别是41.5×10⁴/667m²和40.7×10⁴/667m²、实收单产分别是628和632 kg/667m²等,精量穴播2个处理均取得了较高的产量,分别比同等条件下条播16 kg/667m²播种量处理实收单产分别增加38和42 kg/667m²,节约种子分别是9.7和7.7 kg/667m²,增加效益分别是494.16和488.84元/667m²。【结论】冬小麦产量高低与播种量没有明显关系;随着播种量的增加,平均单株成穗率和冬前分蘖成穗率逐渐减少;在肥水充足的条件下,收获穗数随着播量增加呈下降趋势;平均穗粒数随着平均穗数增加而减少;精量播种冬小麦可以节约生产成本,提高产量和种植效益;播量为6.3 kg/667m²时,冬前分蘖数与分蘖成穗数接近,有效分蘖数和收获穗数最高,平均单株成穗率达403%,冬前分蘖成穗率达98%,节本增效金额达494.16元/667m²,节本增效最多。     

北方旱寒区冬油菜种植气候适宜性研究

【目的】分析北方旱寒区冬油菜种植分布和气候条件之间的关系,确定影响冬油菜种植分布的主要气候因子,在区域尺度上划分冬油菜种植气候适宜性区域,为改进冬油菜生产布局,合理调整农业生产结构和种植布局提供参考依据。【方法】利用多年不同油菜品种地理分期播种试验数据和长序列气候数据,筛选影响冬油菜种植分布的潜在气候因子,采用基于DEM的小网格推算法建立潜在气象因子空间数据库,并在此基础上利用MaxEnt模型分析北方旱寒区冬油菜种植分布与气候条件的关系,确定影响北方旱寒区冬油菜种植分布的主要气象因子,模拟北方旱寒区冬油菜的潜在空间分布概率,并划分北方旱寒区冬油菜种植气候适宜性区域。【结果】潜在气象因子对冬油菜种植分布的总贡献率达到0.89,按贡献率大小确定影响北方旱寒区冬油菜种植分布的主要气候因子包括：年平均温度、负积温、极端低温、最冷月最低温度、最冷月平均温度;冬油菜在北方旱寒区潜在分布概率为0-0.84,按其分布概率将北方旱寒区冬油菜种植区域划分为4个等级：不适宜种植区域、次适宜种植区域、适宜种植区域和最适宜种植区域;冬油菜种植北界,大抵以吉林南部、内蒙古南部、新疆南部为界限,与传统冬油菜种植北界相比较,向北推进了1 200 km,纬度由39°N提升到45°N。【结论】北方旱寒区超过50%的地区都可以种植冬油菜,冬油菜种植区北移是可行的,且具有很大的扩展潜力,冬油菜将成为北方旱寒区重要的油料作物。这将突破原有传统的冬油菜种植区划,改变冬油菜生产的布局结构。     

农田尺度下冬小麦晚霜冻害空间差异及原因分析

【目的】揭示农田尺度下冬小麦晚霜冻害与产量关系及其空间分布规律,探讨其空间差异性原因,为冻害风险早期预判及影响因子调控提供先验知识和依据。【方法】选择矮抗58冬小麦品种作为研究对象,以2013年4月发生的3次自然霜冻为契机,构建死穗率、残穗率、残穗指数和减产率等晚霜冻害评价指标。基于商丘市一农户麦田内100个采样点（以5 m间隔定点）的小麦产量、冻害考察以及土壤肥力测定数据,运用多元线性逐步回归、地统计学、系统聚类、方差分析以及多重比较等方法对穗数、实际产量和晚霜冻害评价指标进行空间统计分析,探讨其与小麦发育进程、返青期土壤肥力因子的关系。【结果】逐步回归分析表明,死穗率是影响穗数的关键因子,呈负效应。影响实际产量的因子是残穗指数、死穗率和残穗率,3个因子均呈负效应,值越大,实际产量越低,其中残穗指数的影响最大（直接通径系数为-0.453）。影响减产率的因子为死穗率、残穗率和残穗指数,3个因子均为正效应,值越大,减产率越高,其中死穗率的影响最大（直接通径系数为0.626）。晚霜冻害具有显著的正空间自相关特性,冻害程度相近的样点在局域空间上呈集聚分布状态;在所有冻害评价指标中,减产率的空间集聚性最强（Moran’s I=0.5538）。冻害分区结果表明,随着冻害程度加深,穗数和实际产量显著降低（P＜0.05）;死穗率增幅最大（达271.3%）,其次是残穗率和残穗指数（分别为36.4%和31.8%）,它们共同成为导致减产率大幅攀升（增幅达132.1%）的因素;冻害程度最重的区域几乎连片分布,空间集聚性明显。小麦发育进程和返青期土壤养分的空间差异明显,与晚霜冻害具有一定空间关联性。土壤全氮、水解氮、速效磷、速效钾和有机质等与冻害指标之间达显著负相关（P＜0.05）,随着前期土壤养分含量降低,冻害程度呈加重趋势。前期持续干旱使得土壤含水量迅速下降,进一步加重了晚霜冻害的影响程度。【结论】在农田尺度下,晚霜冻害影响冬小麦穗数和实际产量的空间差异性明显,其空间分布与小麦发育进程和返青期土壤养分等因子有一定的关联性,这为在精细空间上进行冻害风险早期预判与因子调控提供了可能。