基于脆弱性曲线的农作物产量损失预评估方法

1.本发明属于灾害监测与评估技术领域，涉及一种基于脆弱性曲线的农作物产量损失预评估方法。


背景技术：

2.农业旱灾损失预评估是促进农业干旱监测由传统定性评估向产量损失定量评估转变的关键环节。当前干旱对农作物产量损失的定量评估方法通常采取两种方式：一是利用历史案例数据进行评估的经验统计法；二是利用作物机理模型的模型模拟法。前者是利用历史灾害案例中的灾情信息与相对应的干旱胁迫指标进行关联，从而建立干旱强度与作物损失百分率之间的对应关系，即脆弱性曲线。在获取脆弱性曲线模型的基础上，进而对待评估农业干旱的强度进行度量，然后通过脆弱性曲线模型计算出本次干旱事件可能导致的农作物损失百分率，并进一步结合区域农作物播种面积，即可推算出本次干旱灾害可能造成的农作物损失量，即实现了旱灾损失预评估的目的。后者则是采用作物机理模型模拟农作物在不同水分胁迫程度下的作物减产程度，从而建立作物脆弱性曲线对作物损失进行灾情预评估。然而当前作物模型主要集中在农学研究，内容涉及作物模型研制与改进、作物模型参数校正以及未来气候产量模拟与预测等方面，而将作物模型用于作物脆弱性曲线的研究相对较少，其原因是作物模型涉及参数众多，且模型在不同区域表现差异较大，难以实现大范围内作物产量的评估。
3.基于灾情数据的统计预评估方法的优点是基于历史真实案例数据，评估模型具有一定的客观性，且随样本数量的不断增加，模型评估精度会有所提高，该方法可充分利用不同区域的干旱监测结果和历史真实数据，具有较高的可行性。值得注意的是，目前基于经验统计法的灾害损失预评估研究主要集中在洪涝和台风等突发性自然灾害的人员和经济损失预评估上，而针对干旱等缓发性自然灾害的损失预评估研究则相对匮乏，其原因可能是由于干旱的发生和发展过程相对复杂，难以判定其具体发生时间、影响范围和持续时间，所以对其灾害事件信息的描述和灾情的记录信息相对匮乏所导致。同时，国内外农业干旱监测的焦点仍主要集中在致灾因子层面，即对干旱范围、干旱强度和持续时间展开监测，而缺乏对干旱可能造成农作物损失的预评估研究，而关于建立宏观干旱遥感监测模型与微观作物损失模型之间关系的研究则更为鲜见。虽然由于损失预评估研究在大尺度数据获取上存在一定的困难，然而针对重点区域(如粮食主产区)的研究应加强关注，不仅有利于保障国家或区域粮食安全，同时也能够根据预评估结果及时制定合理、有效的应对预案。


技术实现要素：

4.本发明的目的是提供一种基于脆弱性曲线的农作物产量损失预评估方法，解决了现有农业干旱定性监测技术中无法定量刻画干旱导致的农作物产量潜在损失的瓶颈问题。
5.本发明所采用的技术方案是，基于脆弱性曲线的农作物产量损失预评估方法，具体包括如下步骤：
6.步骤1，构建脆弱性曲线；
7.步骤2，根据步骤1构建的脆弱性曲线进行作物产量损失评估，得到农业旱灾预评估损失量l
total
。
8.本发明的特点还在于：
9.步骤1的具体过程为：
10.步骤1.1，进行气象单产分离；
11.步骤1.2，选取不同干旱监测指数分别与相对气象产量进行相关性分析，根据相关性分析结果确定最终采用的干旱监测指数d，利用选定的干旱监测指数d，计算干旱强度值e：
12.步骤1.3，根据步骤1.2的分析结果构建脆弱性模型。
13.步骤1.1的具体过程为：
14.将作物单产实际产量y分解成趋势产量y
t
和气象产量yc两部分，如下公式(1)所示：
15.y＝y
t
+ycꢀꢀ
(1)；
16.式中，y为实际产量；y
t
为趋势产量；yc为气象产量；
17.为了实现不同地区之间气象产量的对比，采用相对气象单产进行计量，计算公式如下：
18.yr＝yc/y
×
100％
ꢀꢀ
(2)。
19.步骤1.2中，采用如下公式(3)计算干旱强度值e：
[0020][0021]
步骤1.3的具体过程为：根据步骤步骤1.2所得结果，建立以干旱强度为自变量、作物产量损失比为因变量的农业旱灾损失预评估模型l：
[0022]
l＝f(e，yr)
ꢀꢀ
(4)。
[0023]
步骤2中，采用如下公式(5)计算农业旱灾预评估损失量l
total
：
[0024]
l
total
＝l
×qꢀꢀ
(5)。
[0025]
本发明的有益效果是，克服了传统的农业干旱监测指数只体现等级或严重程度等定性描述方式的不足，通过构建与干旱监测指数相关联的农业旱灾损失预评估模型，实现了农业旱灾损失预评估的定量表达，有助于相关决策部门根据预评估的结果及时制定合理、有效的风险应对预案。
附图说明
[0026]
图1是本发明基于脆弱性曲线的农作物产量损失预评估方法的技术流程图；
[0027]
图2(a)～(d)是干旱指数与气象单产的相关性；
[0028]
图3(a)～(b)是本发明基于脆弱性曲线的农作物产量损失预评估方法的预评估模型构建结果；
[0029]
图4(a)～(b)是本发明基于脆弱性曲线的农作物产量损失预评估方法的实施案例图。
具体实施方式
[0030]
下面结合附图和具体实施方式对本发明进行详细说明。
[0031]
本发明基于脆弱性曲线的农作物产量损失预评估方法，包括如下流程：
[0032]
步骤1，构建脆弱性曲线：损失预评估是自然灾害风险评估的重要环节，即分析一定时间段内，一系列不同强度的自然灾害对受灾区域可能造成的损失，包括直接经济损失、间接经济损失、人员伤亡以及建筑物损坏等。本发明主要着眼于农业旱灾损失预评估，因此在评估指标上主要选取作物产量损失比作为评价指标。通过对气象产量波动与干旱指数关系的分析，建立以农业干旱强度为自变量、作物产量损失比为因变量的农业旱灾损失预评估模型，即可得到研究区农作物产量损失比，进而通过与承灾体暴露数量的相乘，即可获得最终预评估作物产量损失情况(参见图1)。
[0033]
步骤1的具体过程为：
[0034]
步骤1.1，气象单产分离；
[0035]
考虑到粮食单产数据同时受技术进步、气象波动以及其他因素共同影响，因此为研究气象异常对粮食单产的影响，首先需要将粮食单产数据分解成趋势产量、气象产量以及随机误差等三个部分，分别代表技术进步影响的产量、气象条件影响的产量和随机因素引起的产量波动。由于随机误差难以用固定的函数关系进行描述，并且随机误差占实际单产的比例很少，一般都忽略不计，从而将作物单产数据分解成趋势产量(y
t
)和气象产量(yc)两部分。由于干旱是华北平原主要的农业气象灾害，因此可将气象产量的波动主要归因于干旱灾害的影响。
[0036]
y＝y
t
+ycꢀꢀ
(1)；
[0037]
式中，y为实际产量；y
t
为趋势产量；yc为气象产量。
[0038]
为了实现不同地区之间气象产量的对比，通常采用相对气象单产进行计量，计算公式如下：
[0039]
yr＝yc/y
×
100％
ꢀꢀ
(2)；
[0040]
式中，yr为相对气象单产，单位为％。
[0041]
步骤1.2，变量相关分析：
[0042]
为获取能够有效表征作物产量波动的最佳干旱监测指数，在获取作物相对气象产量基础上，选取不同干旱监测指数分别与相对气象产量进行相关性分析，根据相关性分析结果确定最终采用的干旱监测指数(d)。利用选定的干旱监测指数(d)，计算干旱强度值(e)：
[0043][0044]
式中，di为第i时间点的干旱指数值，n为干旱持续时间，e为本次干旱强度值。
[0045]
步骤1.3，脆弱性模型构建：通过上述气象产量波动与干旱指数关系的分析，建立了以干旱强度为自变量、作物产量损失比为因变量的农业旱灾损失预评估模型，如下公式公式(4)所示：
[0046]
l＝f(e，yr)
ꢀꢀ
(4)；
[0047]
根据步骤1.3所得结果与作物暴露数量的相乘，即可获得最终预评估作物产量损失情况，即农业旱灾预评估损失量l
total
：
[0048]
l
total
＝l
×qꢀꢀ
(5)。
[0049]
式中，l脆弱性曲线模型；l
total
的单位与承灾体暴露数量单位一致；q为承灾体暴露数量，即作物播种面积。
[0050]
步骤2，作物产量损失预评估：
[0051]
步骤2.1，干旱事件强度：当干旱事件发生时，选取上述模型构建过程中采用干旱监测指数，开展干旱事件监测，并分别统计区域尺度和空间尺度干旱指数强度(e)，以此作为干旱损失预评估模型的输入因子。
[0052]
步骤2.1，作物受灾面积统计：基于上述干旱监测指数监测结果，并结合当年作物种植面积等信息，确定干旱影响范围，即作物暴露在干旱中的面积(q)。
[0053]
步骤2.3，作物损失预评估：将上述获取的干旱强度(e)和作物受灾面积(q)输入到公式(4)和公式(5)构建的农业旱灾损失预评估模型中获取作物损失百分比和可能的产量损失量。
[0054]
本发明通过构建干旱监测指数与作物产量损失间的脆弱性曲线，实现了干旱监测强度与作物产量损失间的关联性，从而实现了作物产量损失预评估，可为灾害风险管理与防灾减灾决策提供重要技术支撑。
[0055]
实施例
[0056]
依据本发明提出的方法，以2014年华北平原夏季特大干旱为例，对河南省和山东省7月份发生的农业干旱可能造成的作物产量损失进行预评估。
[0057]
1.气象单产分离
[0058]
通过上述研究方法和统计数据，对山东省17个市和河南省18个市的趋势单产和气象单产进行了分离，并计算了全部35个市域的气象相对单产数据。本实施例仅以山东济南和河南郑州两市冬小麦和夏玉米单产为例进行展示粮食单产分离结果(表1和表2)。
[0059]
表1冬小麦实际单产分离结果
[0060][0061]
表2夏玉米实际单产分离结果
[0062][0063]
2.变量相关分析：
[0064]
通过上述发明，本文选取综合干旱监测指数(idi)，分别对河南省和山东省气象产量波动与干旱程度之间的相关性进行了分析，图2(a)是山东省冬小麦产量损失率与idi的相关性，图2(b)是山东省夏玉米产量损失率与idi的相关性，图2(c)是河南省冬小麦产量损失率与idi的相关性，图2(d)是河南省夏玉米产量损失率与idi的相关性。结果显示，idi与作物减产率之间具有显著的相关性，并且冬小麦和夏玉米两种作物的决定系数r2均超过了0.5，说明本实施例所选取的综合干旱指数能够较好地表征研究区不同作物产量的波动状况，可以作为旱灾损失预评估模型的输入因子。
[0065]
3.脆弱性曲线构建：
[0066]
本实施例选取数据取自中国气象共享服务网提供的《中国农业气象灾情旬值数据集》，该数据集详细记录了灾害名称、受灾作物、灾害发生日期、灾害程度、灾害强度、灾害面积以及灾害百分比等灾害信息。由于作物受灾面积比与作物减产率之间具有很好的相关性，这里选用作物受灾面积比作为因变量，上述选取的综合干旱监测指数作为自变量分别构建了河南省和山东省农业旱灾损失预评估模型，最终得到了河南省脆弱性曲线(图3(a))和山东省的脆弱性曲线(图3(b))。
[0067]
4.损失预评估：利用上述综合干旱监测指数(idi)，获取了2014年夏季山东省和河南省特大干旱事件的干旱强度，并分别统计了河南省和山东省的作物面积信息，进而将干旱强度和作物面积输入到3.3中构建的作物产量损失预评估模型中，得到了河南省农业损失率空间分布图(图4(a))和山东省农业损失率空间分布图(图4(b))。考虑到华北平原灌溉面积不断扩大，灌溉已成为减轻农业旱灾损失的重要途径，因此本案例还搜集到了河南省和山东省逐年的粮食播种面积和有效灌溉面积两项指标，分别统计出考虑灌溉情况和不考虑灌溉两种情况下，本发明方法在损失预评估结果中的精度对比(表3和表4)。
[0068]
表3河南省作物面积和受灾比统计(万亩)
[0069][0070]
表4山东省作物面积和受灾比统计(万亩)
[0071][0072]
5.结果验证
[0073]
通过利用本发明构建的河南省和山东省农业旱灾损失预评估模型对两个省份近11年农业旱灾损失进行预评估，并将模型预评估结果与真实受灾面积进行比对，从而对模型评估精度进行了评价。结果显示，在不考虑有效灌溉面积和考虑有效灌溉面积两种情景下，本发明所构建的预评估模型均对受灾比例进行了一定的高估，其中河南省在不考虑有效灌溉面积情况下的平均评估偏差为25.88％，而在考虑有效灌溉面积情况时的平均评估偏差为23.04％(表5)。相比于河南省评估结果，山东省的整体预评估精度要高于河南省评估结果，其中山东省不考虑有效灌溉面积时的平均评估偏差为12.11％，而考虑有效灌溉面积时的平均评估偏大为7.09％。通过对比来看，山东省考虑有效灌溉面积与不考虑有效灌溉面积两者评估精度差距要明显大于河南省评估结果，其原因是山东省有效灌溉面积的比例要明显高于河南省统计结果。另一方面，两省评估结果的绝对误差也存在一定的差距，其原因可能与模型构建的样本数据关系较大，由于受到灾情统计数据匮乏的限制，预评估精度有待进一步提高。尽管如此，本发明所构建的农业旱灾损失预评估模型对于定量评估干旱所造成的可能损失、制定相应的防灾减灾对策仍具有一定实际参考价值(表6)。
[0074]
表5河南省脆弱性模型验证结果
[0075][0076]
表6山东省脆弱性模型验证结果
[0077][0078]