论文部分内容阅读
干旱不仅影响自然环境和生态系统的平衡,且对农业生产造成严重后果,是制约我国农业发展的主要因素之一。农业干旱监测的传统方法主要是关注植被状况和土壤湿度等单一因素的影响,对于干旱监测的多因子研究相对较少,且由于区域的局限性,无法准确体现区域大范围的空间连续性干旱状况。人工神经网络是一种相对成熟的机器学习方法,具有学习过程快、多因子建模、方便灵活、稳定性好和预测精度高等优点,近年来在生态学以及环境科学等多个领域被广泛应用。因此,利用神经网络建模和模拟,对多气候因子影响的大范围区域干旱进行综合研究具有较高的价值,对农业干旱灾情防控也具有较大的现实意义。本研究利用农业干旱灾情数据集、月温度和降雨量数据以及年蒸散量数据,以气象要素作为模型自变量,以农业旱灾损失率作为目标向量,建立基于气象因子的农业干旱监测神经网络模型。系统地分析了1949~2015来中国农业干旱灾害损失率的变化趋势和灾损率的空间分布差异,分析了降雨量和气温等多个气象要素对农业干旱灾害损失率的影响,掌握气象要素与农业干旱灾害之间的关系。研究结果将有助于解决大范围农业干旱监测的问题,为政府和相关管理部门的防旱减灾工作提供科学参考。主要研究结论如下:1.基于BP人工神经网络算法,利用作物生长期1~10月的月高温、低温,月强/弱降雨量的覆盖面积百分比作为模型的输入因子,以农业旱灾损失率作为模型的输出因子,对中国25个省(自治区)构建温度降雨量农业干旱监测模型,通过在测试集上的验证,得到较高的决定系数(0.60~0.91)。在进一步改进的基础上,加入年蒸散量作为模型输入,从而建立了降雨及蒸散量的农业干旱监测模型。在模型验证上,模型的模拟值与观测值之间的决定系数处于0.62~0.96的范围内。总体来看,该模型能为区域农业干旱监测提供一种新的方法。2.中国农业干旱区域分布具有一定的时间差异性和空间异质性。在时间上(1949~2015),季节性明显,多发生在夏旱,且年际之间差异显著。在空间上,中国农业干旱整体呈现出北部重于南部,东部重于西部的分布特征。北方地区农业对气候变化的敏感性比南方更为突出,北方农业旱灾的在降雨条件变动较少的情况下即可发生。3.农业干旱对不同气象要素的响应情况不一致。由于农作物各个阶段对气候要素的依赖程度不同及非均匀的气象要素季节分布特征,农业旱灾损失率主要受作物关键生长期(4月~8月)的降雨和温度等气象要素的变化影响,而其他时段气象要素变化对农业旱灾损失率的影响不明显。同时,温度与降雨量对农业干旱的影响程度并不一致。在全国范围内,灾年与非灾年之间的平均温度的差异为1.1%,降雨量的差异为9.3%。可以看出,降雨量对农业干旱的影响更为显著。4.评估了每个省份(自治区)农业干旱的累积降雨量阈值。该阈值可为政府等有关部门实施有效的农业干旱监测活动提供一定的理论支持。