作物面积抽样研究方向及重点范文

我国是农业生产大国，粮食作物产量的丰欠历来受到社会、政府部门的重视。粮食作物的播种面积、产量等信息更是国家制定粮食政策和经济计划的重要依据［1-3］。及时了解、掌握主要农作物的种植面积，对于准确估计和预测农作物产量［4-9］，加强作物生产管理，确保我国粮食安全具有重要的意义［10-14］。长期以来，我国耕地和农作物播种面积等重要农业统计数据，主要采用村级起报、逐级汇总上报的全面统计方法［15-16］。在全国范围内开展全面调查方式统计作物播种面积，存在调查工作量庞大、财力和物力耗费高及调查周期长等诸多缺陷。随着我国社会经济的快速发展，政府决策部门、社会公众对农作物统计数据的需求越来越高，全面调查方法已无法适应当前市场经济条件下农村新形势发展和反映农业结构调整变化的需要。抽样技术作为一种非全面统计调查技术，因具有节省调查费用、缩短调查周期及改善调查数据质量等优点而得以在农村社会经济调查中广泛应用。以往我国农作物面积抽样调查采用省抽县、县抽乡、乡抽村、村抽农户的传统多级目录抽样方式［15］。受自身技术体系所限，目录抽样调查集中表现的问题为，抽样框更新速度慢、误差大，调查过程中对空间信息利用不够以及调查结果空间化表达较差等。随着“3S”技术(遥感技术、地理信息技术和全球定位技术)的发展与应用，世界上的发达国家，如美国和欧盟纷纷采用“3S”技术与传统抽样技术相结合的空间对地抽样方法(简称空间抽样)进了主要农作物面积监测与估计，有效地解决了目录抽样过程中存在的问题。

1国内外研究现状

1.1作物面积空间抽样方法研究方面

早在1974～1986年，美国开展的“大面积农作物估产试验”(LACIE)和“农业和资源的空间遥感调查”(AGRISTARS)就采用面积抽样框(AreaSamplingFrame)方法进行作物面积抽样估算。两计划针对不同级别区域采用不同的抽样布点方式。在有部级详细历史数据的地区(如州)采用二阶随机分层抽样布点;在低于州一级的国家地理区域采用标准分层抽样布点［10］。FAO在其刊印的统计发展丛书中对3种常用农业调查方法(目录框、面积框和多样框抽样调查)的抽样设计、精度评价及适用范围进行了详尽介绍［17-18］。为了估算希腊全国的各种作物种植面积，Tsiligirides［19］参考欧盟MARS计划中设计的作物面积抽样调查方案，首先将希腊全国以省为单位分成9个省区，对于每个省采用14km×14km的网格(block)进行剖分，形成抽样框，每个网格再剖分成700m×700m更小网格(segment)。在省级单位基础上，基于1∶10万地形图，根据区域作物分布特点(山区，有作物丘陵区、平原区、盆地区等)分成7层(后改进为6层)，将网格图与分区图进行叠加，针对不同层设计不同抽样比(山区0.3%，平原区2.5%)进行抽样(抽切块)，采用简单随机抽样布点，每年5～6月通过1∶5万地形图确定抽中样本空间位置，通过1∶5000的航片或地面调查统计样本内作物面积。Gallego［20］总结了MARS计划在全欧盟范围内开展作物面积抽样调查研究时采取的两个主要行动:区域作物面积总量监测和欧盟地区作物面积年际变化监测。在区域作物面积总量监测部分，MARS计划采用面积框进行地面调查，具体实施程序为:(1)于1988年首先在欧盟地区选取5个面积约为20km2的调查区(此后逐渐增加)，依据高分辨率遥感图像将其划分为面积为25～200hm2(视田块大小而定)的切块;(2)利用遥感图像对试验区农业利用程度进行分层，共分5层。(3)在每层内采用系统抽样方法抽取切块，利用遥感图像统计抽中切块内作物面积。(4)基于分层抽样方法提供的外推总体公式估计调查区作物面积。该抽样方法自1988年推行以来一直处于不断完善中。Delinc［21］等介绍了自2001年开始，在欧盟15个成员国推行的土地利用/覆盖面积框统计调查(LU-CAS)项目中采用的抽样调查方案。LUCAS计划以简单随机抽样作为抽样效率评价标准，通过对比分层和两阶段系统抽样方法的效率，最终选定两阶段系统抽样方法(该法抽样效率为1.7，而分层抽样为1.5)。该法实际上是一个点抽样方法，首先基于遥感影像将欧盟地区划分成18km×18km的正方形网格，然后在每个网格点处按系统等距抽样法抽取PSUs，整个欧盟范围内共计抽取10个PSUs，PSUs形状为矩形，面积90hm2。最后，在每个抽中的PSUs内按2×5个的设计形式布置观测点，共计100个观测点。对所有观测点采取全面调查形式获取相关数据。Dennis［22］等报道了美国国家统计科学研究所的环境评估与修复报告中采用的抽样设计方案。该方案主要采用分层两阶段面积抽样技术，首先针对每个镇区选择3218.688m×9656.064m的调查区域，然后将该区域划分为804.672m×804.672m的初级抽样单位(PSUs)，全国范围内总计30万个PSUs。根据土地利用类型对PSUs进行分层及确定每层抽样比，一般每层抽取两个PSUs，然后在每个PSUs抽取3个观测点，3个测点并非完全独立，其中第一个点随机选取，剩余两点分别位于该点两侧。该法至今仍被沿用。Pradhan［23］基于GIS、遥感和面积框抽样方法，开发了一套地理信息系统用于伊朗哈马丹省的作物面积抽样调查。该系统抽样部分的具体实施步骤如下:(1)首先将研究区域划分为多个尺寸为10km×10km的方格，然后将每个方格再细分为尺寸为1km×1km的正方形切块;每个方格内共计100个切块。(2)基于研究区域内农业利用密集度对其分层，具体分为4层:高密度利用区(灌溉农业区);中等密集区(雨养农业区);低密集区(混合农业区);极低农业区(牧场)。(3)抽取可能切块。对已划分好的切块采用系统等距抽样抽取可能切块(抽样距离3km)，并对抽中切块进行编号。(4)抽取最终切块。在已抽中的可能切块中，根据不同农业密集区预先确定的抽样比，利用简单随机抽样确定最终抽取切块。(5)利用航拍照片统计最终切块内作物面积，根据分层抽样方法中给出的外推公式估计总体均值、方差及变异系数。将该抽样方法得到的估算结果与伊朗农业部提供的实测数据对比表明，该法抽样精度可达99.8%。国内作物面积抽样研究主要集中在传统抽样方法应用方面(如简单随机、分层、系统、整群及多阶段抽样)［10-13，24-28］。如周华茂［26］以成都平原为研究区，应用遥感技术，根据作物生长环境进行分层，对样方大小、抽样率、抽样数、样方位置及布点方式等抽样技术要素进行了研究，建立了一套适合我国南方水稻播面的抽样调查体系，但该方法对于样方大小、抽样率的制定主要参考以往研究成果经验确定，另外，样方的空间位置的布设主要通过系统抽样的布设方式，对样本的空间关联性和异质性考虑不足。陈仲新［10］等为建立一套估计全国冬小麦面积变化的遥感监测方法，采用分层抽样技术，以全国各县冬小麦种植面积统计数据为分层指标，共计分6层，采用累计频率等值平方根法确定层界，对于抽中样本采用TM影像人工判读小麦面积作为样本观测值，进行全国冬小麦面积变化总体外推，结果表明在95%的置信度下，监测精度可达97%以上。刘海启［27］为及时获取全国每年耕地总变化数，以全国各县级单位为抽样单元，以耕地年际变化率为估计量，采用分层抽样技术，分层标志为分县耕地变化数，层界采用累计频率等值平方根法确定，进行了全国年际耕地总变化数抽样估计，结果表明在85%的置信度下，抽样精度可达85%。不足之处在于样本的选取和布置缺乏空间属性考虑。为准确及时估计全国棉花种植面积变化情况，焦险峰［13］将全国主产棉区分为新疆和黄淮海、长江中下游区。对于新疆棉区，首先在对应新疆全境的1:25万地形图划分处棉花种植区，然后用标准地形图幅剖分棉花种植区形成抽样基础单元，采用分层抽样技术，将棉花种植统计数据折算到地形图幅上，以上年棉花播种面积作为分层标志，共计分6层，累计频率等值平方根法确定层界，抽选样本采用中巴卫星图像解译结果得到样本观测值，最后外推新疆全境棉花播种面积变化，结果表明在95%的置信度下，抽样精度可达95%。还有一些学者将多种传统抽样方法加以联合应用，如吴炳方和李强子［29］提出基于作物种植结构区划，采用整群抽样和样条采样技术相结合的方法，估算全国农作物种植面积。其中，利用整群抽样估算作物总种植成数(全部作物面积占耕地面积比例);样条采样技术估算单种作物占全部作物面积比例，根据两个抽样估计得到的比例，计算得到单种作物种植面积。但该研究中存在样本容量计算科学性不足、样方尺寸凭经验确定以及未考虑样本点的空间分布特性的问题。迄今为止，国内对于空间化样本抽选方面的研究相对较少。Wang［30］等以山东省净耕地面积(毛耕地面积扣除坟头、沟渠及护田临时农舍等细小地物后的面积)为抽样调查目标，利用TM遥感影像(分辨率30m)全覆盖得到山东全省耕地毛面积。基于航片(分辨率20cm)形成抽样单元层(规则网格覆盖抽样区域)，利用专家知识，以航片为抽样底图进行分层抽样，通过抽样确定层内细小地物占毛耕地面积比例，并与耕地毛面积相乘实现对山东全省净耕地面积的抽样估计。李连发［31］等在总结以往抽样模型(抽样方法单一且缺乏比较)的基础上，结合样本空间关联性，提出空间抽样优化决策模型。该模型采用多种抽样方案组合形式获取成本—精度变化图，经回归模拟归一化到同一坐标系中，通过比较各方案的样本数—误差变化趋势得到抽样优化决策方案。阳小琼［32］等利用“3S”技术结合传统的简单随机、系统和分层抽样技术，设计处3种作物面积空间对地抽样方案，通过试验研究，在综合比较三者的抽样精度，最小样本量和稳定性最终优选出空间分层抽样抽样效率最优。张锦水［14］等基于遥感与传统抽样技术相结合的设计思路，以规则网格为抽样调查单元，采用分层抽样方法对冬小麦种植面积空间抽样效率影像因子(格网大小、分层层数及作物种植丰度)进行了试验分析。

1.2空间抽样样方(抽样调查单元)尺寸设计研究方面

Houseman［33］指出，在采用分层抽样方法进行作物面积调查时，切块尺寸应该等于或小于层块(stra-tumblock)尺寸。Allen［34］报道了美国国家统计局开展的“六月调查计划”(JES)采用的切块尺寸20～2000hm2，一般选取260hm2(即1平方英里)。González［35］指出可以对切块尺寸与估计方差间进行相关分析优化切块尺寸。Carfagna和Gallego［36］指出针对不同的研究目标，切块尺寸的选取也应随之不同。如欧盟MARS计划中的作物面积清查与面积变化两个不同项目中切块的尺寸设计就应分别设计。Cafagna和Gallgeo［36］指出通过建立切块尺寸与。抽样方差间的相关关系图可用于优化样方尺寸。例如对于类似于欧盟MARS计划中作物面积年际变化估计项目这样的两阶段抽样，在设计切块尺寸时，同样可以利用空间相关图进行。Cafagna利用空间自相关指数定量表达抽样区调查对象空间相关性，最终实现切块尺寸优化设计。Taylor［37］等指出对于作物面积估计而言，采用面积框抽样设计时，为确保切块内存在一定的空间异质性，一般要求单个切块内平均包含15～30个地块。欧盟MARS计划一般采用25～100hm2的切块尺寸［19-20］。Gallgeo［20］以欧盟MARS计划中作物面积年际变化估计项目的数据为例，进行了切块尺寸优化设计研究。在优化设计站点内切块尺寸时，Gallgeo将两阶段抽样(第一阶段抽站点，第二阶段站点抽切块)中将站点包含的切块视为抽样理论中的“群”，通过建立抽样区空间相关图(correlogram)与群内相关系数的数学关系，寻求对应空间相关图零值或接近零值时站点内切块数以此确定切块尺寸。周华茂［24-25］采用卫星遥感抽样与GIS相结合的方法，利用分层抽样技术，将四川省土地利用类型区分为7层，抽样数为118个，样方大小10km×10km，抽样率2.0%，结果表明满足土地利用现状监测的精度要求。同样存在样方尺寸选取及样本容量计算缺乏科学依据的问题。

1.3样本空间布局研究方面

Caselton和Hussian最早提出基于已有观测站点处相关随机变量最大熵值法进行最优测点更新布置。应用kriging方差的最优样本布局方法的早期研究有Ripley［38］和Warrick［39］。用先验知识估计半变异函数以便获得更好的抽样设计，很多学者在不同领域都应用到了这一思想。Groves［40］以印度班加罗尔的调查为例，提出了在空间上螺旋排列样本的空间抽样方式。Kott［41］等为拟研究随机变量的熵值提供一个上限，并基于该上限为解决最优空间设计问题开发了一套数学算法。Buseo［42］)等采用Shannon熵值法对西班牙马拉加地区土壤蓄水层水压力的空间分布规律进行了最优抽样设计观测，经与实测值比较表明效果良好。Webster［43］提出了基于多阶层样本的半变异函数估计方法。张继光等［44］在对桂西北喀斯特洼地土壤水分空间变异结构的研究中指出，由于取样空间序列是结构性与随机性的统一，经典统计学方法虽能确定给定置信条件下的合理抽样数目但不能决定取样点的空间布局，而地统计学方法可以弥补这一不足(如其中的变程和等值线图等)。

2国内外作物面积空间抽样研究存在问题

尽管国内外学者在应用空间抽样方法进行农作物面积估计方面积累了一定的经验成果，但由于缺乏对作物面积空间抽样方案的优化设计研究(主要指空间抽样方法的优化选择和抽样基础要素的优化设计)，使得作物面积空间抽样技术在国家尺度范围的推广应用受到限制。总结国内外作物面积空间抽样研究存在问题可以得出以下认识:(1)作物面积空间抽样方法研究在我国发展较快，应用前景十分广阔。然而国内外关于不同农业生产区的作物种植面积空间抽样方法的效率评价与优化选择方面的研究还很缺乏，研究工作滞后于应用，急需开展相关研究。(2)国内外在作物面积空间抽样样方尺寸的设计研究方面，大多根据研究区耕地地块大小总体平均水平及破碎程度凭经验选定，或者参考研究区可利用的遥感影像单幅覆盖范围而定，缺乏对样方尺寸的科学设计与优化选择。(3)国内外在作物面积空间抽样样本布局研究方面，主要采用随机或系统等距布点方式，由于缺乏对抽样基础单元间空间关联性和变异性的定量评价，从而导致样本空间布局的合理性不够，抽样外推总体精度不高，因此应进一步研究样本空间布局合理布设的依据和准则。

3研究展望

3.1加强不同农业生产区作物面积空间抽样方法优化选择研究

我国幅员辽阔，南北方各地区耕地地块大小、破碎程度及空间分布各异。同时，在耕地上种植的农作物类型、种植结构也各不相同。因此，需要引入空间分析理论，加强对抽样调查区地物表面进行定量分析。在此基础上，需要构建多种空间抽样方法的效率评价指标体系，包括抽样精度、抽样费用、抽样框构建难易程度、样本观测值获取的难易程度等。通过对多种空间抽样方法的效率进行综合评价，完成不同农业生产区作物面积空间抽样方法的适宜性评价，最终实现空间抽样方法的优化选择。

3.2加强作物面积空间抽样基础要素优化设计研究

空间抽样基础要素包括样方尺寸、样本容量及样本空间布局。抽样基础要素设计的合理与否决定了抽样误差与抽样成本的高低及样本野外调查的难易程度，属于作物面积空间抽样方法设计的关键性问题。以往相关研究中，在样方尺寸设计方面大多凭经验确定，缺乏理论依据;样本容量主要通过传统抽样理论中给出的计算公式确定，并未对抽样基础单元的空间属性加以考虑，导致样本容量偏大;在样本空间布局方面，由于没有考虑抽样框内总体单元间空间异质性和关联性，导致样本空间布局对总体指标的代表性不足，另外，更未对样本空间布局进行全局优化，因此，需要加强作物面积空间抽样基础要素优化设计研究，有效提高空间抽样效率。

3.3加强作物面积空间抽样技术的业务化应用研究

作物面积空间抽样技术研究最终需要纳入国家农村统计调查制度和农情监测业务体系。以往相关研究大多侧重于空间抽样方法的理论应用与小区域的试验研究，在全国范围内业务化应用研究尚未开展。因此，需要加强在大区域尺度条件下的作物面积空间抽样技术的业务化应用研究，包括在可获得基础数据条件下的抽样框构建方法研究，样本观测值的可操作性获取技术研究，样本空间位置已定且数量不足情况下的作物面积总体外推及误差估计方法研究及样本轮换与更新技术研究。