基于EKC的海南省农业经济增长与农业面源污染的关系分析

为了解海南省农业面源污染与农业经济增长的关系,为海南省农业面源污染防治提供理论依据,选取2000—2017年海南省化肥施用密度、农药施用密度、地膜施用密度及畜禽粪尿排泄密度作为面源污染指标,人均农业产值为农业经济发展指标,采用回归分析法,对人均农业产值与农业面源污染各指标进行环境库茨涅茨曲线(EKC)分析。结果表明:海南省的农业面源污染源指标与人均农业产值存在显著的"N"型、倒"U"型及"U"型曲线关系。基于分析结果,提出了探索绿色农业发展模式,强化源头治理;建立农业农村环境管理体系,加强监督力度;推广生态农业循环模式,加大品牌创建;建立多元化投入机制,创新金融支持的建议。     

农作物空间格局研究进展及发展探讨

农作物空间格局研究具有重要的理论意义和现实意义,已经成为地理学和生态学研究的前沿和热点。本文总结了农作物空间格局重构方法、驱动力分析和模拟预测等方面的研究进展,在讨论分析当前研究所存在问题和未来发展趋势的基础上,提出了农作物空间格局研究工作的思维导图。研究表明,在农作物空间信息重构领域,统计调查法、遥感提取法和空间模型分配法均存在优势和缺陷;在农作物空间格局驱动力分析和模拟预测领域,仅从自然驱动力或社会经济驱动力单一角度来分析往往难以全面理解农作物空间格局变化过程。研究认为,基于空间模型的区域农作物空间信息复合重构技术、融合自然和社会经济多因子多尺度的农作物空间格局驱动力研究方法、耦合地理模型和社会经济模型的农作物空间格局模拟预测模型将是农作物空间格局研究领域的重要发展方向。     

我国芒果布局时空变迁及对劳动力市场的反应研究

[目的]为我国芒果生产布局优化和生产要素合理配置提供参考依据.[方法]本研究运用GIS技术、重心分析法定量描述了1996-2018年我国芒果生产布局的时空演变,并利用2004-2018年我国芒果主产省区面板数据构建芒果种植面积对劳动力价格的供给反应模型,实证测算了芒果种植面积对劳动力价格及相关变量的反应程度.[结果]我...     

基于ZigBee无线传感器网络的海南省耕地监测管理系统

通过在海南省10个核心示范大田洋野外安装环境温湿度传感器、土壤温度水分传感器等,利用Zig Bee无线传输方式,构建了一个基于物联网的耕地远程实时监测系统。该系统基于已建立的海南耕地质量改良信息共享平台,实现了铺前镇、枫木镇、大路镇、东成镇等大田洋环境数据位置的地图显示,实现了耕地环境的空气温湿度、土壤温湿度、光照度、CO2等数据的实时采集,根据用户的需求可查询某一段时间的历史监测数据,为用户对无线传感器和野外耕地环境的数据监测提供了远程管理,提高了海南耕地环境的信息化管理水平。     

不同时间尺度太阳辐射数据对作物生长模型的影响(英)

逐日太阳辐射数据是作物模拟模型的重要输入参数之一。然而,在很多情况下,候、旬、月尺度的辐射信息相对容易获取。该文利用长时间序列(1961-2000)逐日太阳辐射数据,分别建立研究区候、旬、月不同时间尺度太阳辐射数据库,利用两个常用的作物生长模型(CERES-Maize和CGOPGRO-Soybean),以逐日数据(太阳辐射和模拟结果)为基准,分别探讨在雨养和灌溉条件下,不同时间尺度太阳辐射数据对作物生长模型的影响。结果表明:在不同时间尺度下,模型的输出(花期和作物产量)都接近于基准值。总体来看,两个模型模拟的花期平均误差和平均相对误差均接近于0,均方根误差为3.5d;CERES-Maize模型的模拟产量低于基准值,而CGOPGRO-Soybean的模拟结果高于基准值。在雨养和灌溉条件下,CERES-Maize的平均相对误差和均方根误差分别为-0.59%,120kg/hm2和-0.52%,129kg/hm2,CGOPGRO-Soybean的平均相对误差和均方根误差分别为5%,152kg/hm2和4.7%,165kg/hm2。短期数据误差(RMSE)是影响模型精度的主要因素。CGOPGRO-Soybean模型对不同时间尺度太阳辐射数据和水情信息比CERES-Maize模型敏感。当缺少逐日太阳辐射数据时,在雨养和灌溉条件下,候、旬、月尺度的太阳辐射数据都可以用于作物生长模型。     

海南省早稻产量与生育期气象因子的灰色关联与相关性分析

为探明海南岛早稻各生育期气候变化趋势,以及分析气象因子在旬时间尺度上对早稻产量的影响,以陵水、儋州、海口、琼中4个站点1998—2013年的逐日气象数据(降水量、平均风速、最大风速、平均气温、日最高气温、日最低气温、平均相对湿度、最小相对湿度和日照时数)和早稻单产为研究对象,对单产进行趋势产量和气象产量分离,并结合灰色关联分析、相关性分析和多元逐步回归分析探讨早稻生育期气象因子对早稻产量的影响。结果表明,4个站点的气象单产对实际单产具有一定程度的影响。在早稻生育期中,海口平均风速和最大风速呈上升趋势,最小相对湿度呈下降趋势;儋州和琼中平均风速和最大风速呈下降趋势;陵水日最低气温呈下降趋势,其他气象因子均无明显变化趋势。灰色关联分析表明,在整个生育期中,影响海口、儋州和琼中早稻产量的主要气象因子均为平均风速,影响陵水早稻产量的气象因子为日照时数。在旬时间尺度上的相关性分析表明,对海口、儋州、琼中、陵水早稻产量影响最大的气象因子分别为4月下旬降水量、3月上旬日最低气温、6月下旬日最高气温和1月下旬平均相对湿度。多元逐步回归方程结果表明拟合度较高,4个站点平均误差均未超过5%。     

华南地区极端气温事件时空变化及其因子分析

选用1959—2016年华南地区72个地面气象站点逐日气温数据,计算了研究区16种极端气温指数,分析了1959—2016年研究区极端气温事件的时空变化特征和影响研究区极端气温指数的因子,及其与年平均气温、地理位置和大尺度大气环流的关系,并预测了未来研究区域极端气温事件变化趋势.结果表明:1959年以来,研究区气温日较差(DTR)和极端冷事件(FD、ID、TN10p、TX10p、CSDI)呈下降趋势;生物生长季(GSL)、极端热事件(SU、TR、TN90p、TX90p、WSDI)和气温极值指数(TXx、TNx、TXn、TNn)呈明显增加趋势.从年代际尺度来看,1960s(19世纪60年代,以下以此类推)以来,研究区极端气温事件与其年际变化趋势基本一致.从空间尺度来看,气温日较差(DTR)和极端冷事件(FD、ID、TN10p、TX10p、CSDI)气候倾向率小于0的站点比例分别为85％、99％、100％、99％、90％、93％,仅有个别站点存在下降趋势,零星分布在沿海地区.生物生长季(GSL)增加的站点共有55个,但其显著性水平较低;极端热事件(SU、TR、TN90p、TX90p、WSDI)气候倾向率大于0且通过显著性检验站点分别为20、58、68、48、29个,增加趋势明显.气温极值指数(TXx、TNx、TXn、TNn)也呈增加趋势,仅沿海地区个别站点呈下降趋势.利用因子分析法提取了5个公共因子,其累计方差贡献率为82.49％,其中公共因子1方差贡献率为44.72％,反映了极端气温事件与极端热事件的相关性很强.相关分析表明,极端热事件(SU、TR、TN90p、TX90p、WSDI)能很好地指示年平均气温的变化情况,并且其他极端气温指数之间也存在很好的相关关系;极端气温指数变化趋势表现出明显的地理位置依赖性.此外,大尺度环流分析表明,ENSO异常变化与华南地区极端气温关系密切,南海副高强度指数(SCSSHII)和西太平洋副高强度指数(WPSHII)对研究区极端气温事件具有明显贡献.R/S分析法表明,研究区极端气温事件表现为强持续性,未来变化趋势与过去的变化趋势相同.     

基于环境与光谱相似性的橡胶树叶片磷含量局部估测模型

为解决现有基于光谱相似性的局部样本搜索方法存在样本误选引起模型预测性能降低的问题,该研究提出先利用环境因子对叶片样本进行类别划分,然后在与待估测样本具有相同类别的样本集内进行局部样本搜索的方法。为验证该方法的有效性,将其用于实际案例中。在案例研究中,分3个时期（4－6月：抽叶期,7－9月：成熟期,10－12月：衰老期）在相同地块采集橡胶树叶片样品,然后利用该方法分别构建每个时期橡胶树叶片磷含量高光谱估测模型,并将模型预测精度与利用现有局部样本搜索方法构建的模型进行比较。为体现该研究提出方法的稳定性和可靠性,将每个时期采集的叶片样本随机分割5次,然后利用方差分析比较不同模型之间的预测精度是否存在显著差异。结果表明,利用该研究提出的方法构建的3个时期的橡胶树叶片磷含量高光谱估测模型预测精度（抽叶期：RMSE分别为(0.031±0.003)%和(0.030±0.004)%,成熟期：RMSE分别为(0.030±0.002)%和(0.029±0.003)%,衰老期：RMSE分别为(0.026±0.002)%和(0.024±0.003)%）都要高于利用现有局部样本搜索方法构建的高光谱估测模型（抽叶期：RMSE分别为(0.034±0.002)%和(0.034±0.002)%,成熟期：RMSE分别为(0.042±0.002)%和(0.042±0.003)%,衰老期RMSE分别为(0.034±0.003)%和(0.035±0.003)%）,且在成熟期和衰老期的差异达到了P<0.05的显著性水平,这就证明了在进行局部样本搜索时必须要考虑橡胶树叶片样本所处环境的差异,以避免选择到与待估测样本不属于同一环境条件的局部样本,进而可显著提高估测模型的预测性能。     

基于多源环境变量和随机森林的橡胶园土壤全氮含量预测

土壤全氮与土壤肥力和土壤氮循环紧密相关。掌握土壤全氮详细的空间分布信息对提高土壤肥力管理效率和更好地了解土壤氮循环至关重要。该文以儋州国营橡胶园为研究区域,采集2511个土壤样品,利用随机森林(random forest,RF)、逐步线性回归(stepwise linear regression,SLR)、广义加性混合模型(generalized additive mixed model,GAMM)以及分类回归树(classification and regression tree,CART)结合多源环境变量(成土母质、平均降雨量、平均气温和归一化植被指数)对研究区橡胶园土壤全氮含量进行空间预测,并通过754个独立验证点比较了4种模型的预测精度。结果表明RF对土壤全氮的预测值和实测值的相关系数(0.82)明显高于SLR(0.68)、GAMM(0.70)和CART(0.69),而RF的预测平均绝对误差(0.08836 g/kg)和均方根误差(0.13090 g/kg)均低于SLR、GAMM和CART。此外,RF模型预测结果能反映更为详细的局部土壤全氮含量空间变化信息,与实际情况更为接近。可见,RF模型可作为橡胶园土壤全氮含量空间分布预测的高效方法,为其他土壤属性的空间分布预测提供了一种新的方法。     

样点稀少条件下基于环境相似性的土壤有机碳空间分布预测

针对现有土壤有机碳（soil organic carbon,SOC）空间分布预测模型难以适用于样点稀少条件下的问题,该研究依据成土环境越相似土壤属性越相似的假设,提出一种基于环境相似性的SOC空间分布预测方法（environmental similarity model,ESM）,首先利用影响SOC空间分布的关键环境变量刻画研究区成土环境,然后比较采样点与待估测点处的环境相似度,最后依据环境相似度预测待估测点处的SOC含量。为验证ESM方法的有效性,以云南省作为案例研究区,并设置3个情景：1）从64个采样点中随机抽取10个点作为训练集,余下的采样点作为验证集,随机抽取20次;2）从64个采样点中随机抽取20个点作为训练集,余下的采样点作为验证集,随机抽取20次;3）从64个采样点中随机抽取30个点作为训练集,余下的采样点作为验证集,随机抽取20次。以平均绝对误差（mean absolute error,MAE）和均方根误差（root mean square error,RMSE）评估模型预测精度。方差分析结果表明,采样点分别为10、20和30这3个情景条件下ESM的MAE（12.7、11.7、11.1 g/kg）都显著（P < 0.05）低于多重线性回归（72.6、23.0、16.7 g/kg）和人工神经网络（15.8、14.9、15.8 g/kg）,表明ESM模型具有较高的预测精度及较强的鲁棒性,可为成土因素复杂区域SOC空间分布的预测提供借鉴和指导。