欢迎您访问《智慧农业(中英文)》官方网站! English

四川省粮食生产时空演变格局及影响因素分析

  • 郑玲 1, 2 ,
  • 马千然 1 ,
  • 江涛 1 ,
  • 刘晓敬 , 1, 2 ,
  • 牟珈慧 3 ,
  • 王灿辉 2, 4 ,
  • 蓝羽 2, 4
展开
  • 1. 四川农业大学 资源学院,四川 成都 611130,中国
  • 2. 自然资源部耕地资源调查监测与保护利用重点实验室,四川 成都 611130,中国
  • 3. 中国地质大学(武汉) 海洋学院,湖北 武汉 430074,中国
  • 4. 四川省地质调查研究院测绘地理信息中心,四川 成都 610072,中国
刘晓敬,博士,讲师,研究方向为农业资源遥感。E-mail:

郑 玲,硕士研究生,研究方向为农业资源环境遥感技术与应用。E-mail:

收稿日期: 2024-10-31

  网络出版日期: 2025-03-18

基金资助

自然资源部耕地资源调查监测与保护利用重点实验室开放基金资助(CLRKL2024GP05)

国家自然科学基金(42401483)

Analysis of the Spatial and Temporal Patterns of Grain Production and Their Influencing Factors in Sichuan Province

  • ZHENG Ling 1, 2 ,
  • MA Qianran 1 ,
  • JIANG Tao 1 ,
  • LIU Xiaojing , 1, 2 ,
  • MOU Jiahui 3 ,
  • WANG Canhui 2, 4 ,
  • LAN Yu 2, 4
Expand
  • 1. College of Resources, Sichuan Agricultural University, Chengdu 610000, China
  • 2. Key Laboratory of Investigation and Monitoring, Protection and Utilization for Cultivated Land Resources, Ministry of Natural Resources, Chengdu 611130, China
  • 3. Faculty of Marine Sciences, China University of Geosciences, Wuhan 430074, China
  • 4. Surveying and Mapping Geographic Information Center, Sichuan Institute of Geological Survey, Chengdu 610072, China
LIU Xiaojing, E-mail:

ZHENG Ling, E-mail:

Received date: 2024-10-31

  Online published: 2025-03-18

Supported by

Open Fund of Key Laboratory of Investigation, Monitoring, Protection and Utilization for Cultivated Land Resources, Ministry of Natural Resources(CLRKL2024GP05)

National Natural Science Foundation of China(42401483)

Copyright

copyright©2025 by the authors

摘要

【目的/意义】 四川省作为中国粮食安全的战略核心区域,其粮食生产的时空动态变化对区域资源配置和国家粮食战略具有重要意义。本研究旨在揭示四川省粮食生产的空间格局及其时间变化规律,为区域粮食安全管理提供科学依据,同时探索时空协同分析方法在农业大数据研究中的应用价值。 【方法】 基于四川省2000至2019年的县域面板数据,采用标准差椭圆模型和时空立方体模型分析粮食产量的空间分布特征、冷热点变化及聚类模式,并通过时空地理加权回归模型定量评估驱动因素的时空差异化影响。 【结果和讨论】 四川省粮食产量在川东平原形成高产核心区,空间分布呈现出明显的东北-西南走向,二十年来四川省粮食产量主要表现出7种冷热点和3种聚类模式,成都平原产量持续增加,川西高原产量下降速度变缓,而川中产量持续降低,全省64.77%的地区表现出增产潜力,特别是川西地区,增产潜力显著,约16.93%的地区(地形复杂和资源匮乏的山区)可能面临减产风险。驱动因素分析结果显示,农业因素是四川省粮食产量时空特征主导因素,自然因素次之,人为和经济因素影响较小,保障农业用地面积在粮食保产增产中起着关键作用,区域自然资源条件的改善则有助于进一步提升粮食生产能力。 【结论】 本研究揭示了四川省粮食产量的时空演变特征及其驱动机制,提出的时空整合分析框架为区域粮食生产格局解析提供了新的视角,研究结果将为四川省粮食产能提升和“天府粮仓”的高质量发展提供理论支撑。

本文引用格式

郑玲 , 马千然 , 江涛 , 刘晓敬 , 牟珈慧 , 王灿辉 , 蓝羽 . 四川省粮食生产时空演变格局及影响因素分析[J]. 智慧农业, 2025 : 1 -13 . DOI: 10.12133/j.smartag.SA202411013

Abstract

[Objective] Sichuan province, recognized as a strategic core region for China's food security, exhibits spatiotemporal dynamics in grain production that have significant implications for regional resource allocation and national food strategies. Existing studies have primarily focused on the spatial dimension of grain production, treating temporal and spatial characteristics separately. This approach neglected the non-stationary effects of time and failed to integrate the evolutionary patterns of time and space in a coherent manner. Consequently, the interrelationship between the temporal evolution and spatial distribution of grain production was not fully elucidated. Therefore, this study proposed a spatiotemporal integrated analysis framework along with a method for extracting spatiotemporal features. The objective was to elucidate the spatial pattern of grain production and its temporal variations in Sichuan province, thereby providing a scientific basis for regional food security management. [Methods] The study was based on county-level panel data from Sichuan province spanning the years 2000 to 2019. Multiple spatiotemporal analysis techniques were employed to comprehensively examine the evolution of grain production and to identify its driving mechanisms. Initially, standard deviation ellipse analysis and the centroid migration trajectory model were applied to assess the spatial distribution of major grain-producing areas and their temporal migration trends. This analysis enabled the identification of spatial agglomeration patterns and the direction of change in grain production. Subsequently, a three-dimensional spatiotemporal framework was constructed based on the space-time cube model. This framework integrated both temporal and spatial information. Hotspot analysis and the local Moran's I statistic were then utilized to systematically identify the distribution of cold and hot spots as well as spatial clustering patterns in county-level grain output. This approach revealed the spatiotemporal hotspots, clustering characteristics, and the evolving trends of grain production over time. Finally, a spatiotemporal geographically weighted regression model was employed to quantitatively assess the influence of various factors on grain production. These factors included natural elements (such as topography, climate, and soil properties), agricultural factors (such as the total sown area, mechanization level, and irrigation conditions), economic factors (such as per capita gross domestic product and rural per capita disposable income), and human factors (such as rural population and nighttime light intensity). The analysis elucidated the spatial heterogeneity and evolution of the principal driving forces affecting grain production in the province. [Results and Discussions] The results indicated that a high-yield core area was established on the eastern Sichuan plain, with the spatial distribution exhibiting a pronounced northeast-southwest orientation. The production centroid consistently remained near Lezhi County, although it experienced significant shifts during the periods 2000–2001 and 2009–2010. In contrast, the grain production levels in the western Sichuan plateau and the central hilly regions were relatively low. Over the past two decades, the province demonstrated seven distinct patterns in the distribution of cold and hot spots and three clustering patterns in grain production. Specifically, grain output on the Chengdu Plain continuously increased, the decline in production on the western plateau decelerated, and production in the central region consistently decreased. Approximately 64.77% of the province exhibited potential for increased production, particularly in the western region, where improvements in natural conditions and the gradual enhancement of agricultural infrastructure contributed to significant yield growth potential. Conversely, roughly 16.93% of the areas, characterized by complex topography and limited resources, faced potential yield reductions due to resource scarcity and restrictive cultivation conditions. The analysis further revealed that agricultural factors served as the dominant determinants influencing the spatiotemporal characteristics of grain production. In this regard, the total sown area and the area of cultivated land acted as positive contributors. Natural factors, including slope, soil pH, and annual sunshine duration, exerted negative effects. Although human and economic factors had relatively minor influences, indicators such as population density and nighttime light intensity also played a moderating role in regional grain production. The maintenance of agricultural land area proved crucial in safeguarding and enhancing grain yields, while improvements in natural resource conditions further bolstered production capacity. These findings underscored the inherent spatiotemporal disparities in grain production within Sichuan province and revealed the impact of agricultural resource allocation, environmental conditions, and policy support on the heterogeneity of spatial production patterns. [Conclusions] The proposed spatiotemporal integrated analysis framework provided a novel perspective for elucidating the dynamic evolution and driving mechanisms of grain production in Sichuan province. The findings demonstrated that the grain production pattern exhibited complex characteristics, including regional concentration, dynamic spatiotemporal evolution, and the interplay of multiple factors. Based on these results, future policies should emphasize the construction of high-standard farmland, the promotion of precision agriculture technologies, and the rational adjustment of agricultural resource allocation. Such measures are intended to enhance agricultural production efficiency and to improve the regional eco-agricultural system. Ultimately, these recommendations aim to furnish both theoretical support and practical guidance for the establishment of a stable and efficient grain production system and for advancing the development of Sichuan as a key granary.

0 引 言

在全球经济快速增长和城市化进程加速的背景下,粮食生产空间的动态变化已成为研究的重点领域1。粮食安全问题不仅关乎国民经济的稳定与发展,还涉及资源合理利用与环境保护2-4。四川省作为中国粮食安全的重要战略区域,其粮食产量的时空变化对国家粮食安全有重要的影响。研究四川省的粮食生产时空演变格局不仅可以保障区域粮食安全,也为全国范围内的粮食安全战略提供指导。
随着智慧农业的不断发展,利用地理信息系统(Geographic Information System, GIS)等技术手段整合多源异构数据,揭示粮食生产空间格局的演变规律,能为科学制定粮食生产策略和优化粮食生产空间格局提供决策支持。已有研究基于GIS空间自相关分析、重心迁移模型、时空加权回归等时空格局分析方法来研究粮食产量的变化,揭示了不同地区粮食生产的空间重构与动态变化5-7。影响因素的分析则主要使用了空间杜宾模型等方法,重点分析了自然资源条件、农业投入和社会经济因素对粮食产量的贡献8, 9
小尺度的地方级研究结果显示,不同省份的粮食生产呈现出差异显著的空间格局特征10, 11。安徽省表现出“北高南低”的粮食产量分布趋势12,河南省的高产区集中在豫东平原和南阳盆地6,而黑龙江省的粮食生产则呈现区域化和专门化趋势13。影响粮食产量的因素因地区而异,区域自然条件与农业投入对产量起决定性作用,包括土地利用、耕地质量建设、农业机械化等14-16
在全国和全球范围的大尺度研究中,粮食生产格局的变化同样显著17。受自然资源、政策导向和农业劳动力变化的影响18, 19,中国自改革开放以来的粮食生产空间发生了“南减北增”的趋势5, 20。全球范围内,粮食生产则面临着农业绿色效率提升和粮食安全保障之间的矛盾1, 2,而提高农业绿色生产效率是实现可持续发展的有效路径21
二十一世纪以来,中央一号文件多次聚焦“三农”领域,随着“三农”政策的实施和粮食战略的逐步调整,中国粮食生产发展取得显著成效。四川省作为国家粮食安全的战略要地,粮食生产的区位特征显著,然而由于粮食生产时空格局具有时间和空间分布双重属性,现有聚焦于粮食生产空间的相关研究(表1)通常将“时间”与“空间”特征分开处理,无法独立分析每个评价单元粮食产量的时间变化特征,难以准确揭示其时空动态变化,影响因素挖掘方面也忽略了时间非平稳效应,缺乏将时间和空间演化规律有机结合起来的时空耦合分析22,从而削弱了粮食生产时间和空间格局演变规律之间的关联性,导致目前关于四川省粮食产量的时空演变及驱动机制的研究仍不充分。
表1 粮食生产时空格局和影响因素分析主要方法

Table 1 Analytical methods for spatiotemporal patterns and influencing factors in grain production

类别 模型名称 特点 不足 研究者
空间分布格局分析

Moran's Index

全局莫兰指数

局部莫兰指数

热点分析

地理可视化

揭示时间序列截面上各评价单元间粮食产量的空间相关性 难以独立分析每个评价单元粮食产量的时间变化特征,揭示每个评价单元的时间动态变化 Li等2

重心迁移轨迹

标准差椭圆方法

研究区整体产量的空间分布和演化特征 Chai等11
时间演变格局分析

高斯滤波

差分自回归移动平均模型(Autoregressive Integrated Moving Average, ARIMA)

曼-肯德尔趋势检验(Mann-Kendall Trend Test, MK)

研究区整体产量的时间变化趋势

Chen等23

杨铁军等24

Du和Fan25

影响因素分析方法 地理加权回归(Geographically Weighted Regression, GWR) 产量与影响因素间的线性或非线性关系 局部模型,考虑了地理位置对结果的影响,未考虑时间非平稳性的影响 刘正佳等20
空间滞后模型(Spatial Lag Model, SLM) 全局模型,未考虑地理位置、时间非平稳性的影响,难以准确识别粮食生产的关键驱动机制 He等14
皮尔逊相关系数 Zhang等26
随机森林 Chen等23
广义加性模型(Generalized Additive Model, GAM) Anderso等27
因此,本研究提出兼顾时间和空间属性的时空整合分析框架和时空特征挖掘方法,开展四川省粮食产量时空演变格局协同分析研究,深入探讨近二十年来四川省粮食生产的时空演变规律及驱动因素,以期为中国西南地区粮食安全战略的制定提供科学依据。

1 研究区概况

四川省位于中国西南部,地处长江上游,地形多样,复杂的地貌以及独特的地理条件造就了四川省独特的粮食生产环境,享有“天府粮仓”的美誉。
县域是农业管理和政策执行的核心单元28,本研究以县为基本研究单元,结合二十年间行政区划调整和数据的可获取性,将前锋区划入广安区内,将恩阳区划入巴州区内,共涉及181个县级区域,研究区概况如图1所示。
图1 四川省研究区概况图

注: 该图由自然资源部标准地图服务网站下载的审图号为川S【2021】00050号标准地图制作,底图无修改。

Fig. 1 Overview map of the study area: Sichuan province

2 数据来源与方法

2.1 数据来源与处理

研究数据包括统计数据和遥感数据(表2)。其中统计数据完整度达94.4%,缺失数据采用多重插补法填补29, 30。遥感数据无缺失,经过裁剪、拼接、地理配准、分区统计处理,生成与统计数据时空范围和尺度一致的县域面板数据。
表2 研究数据基本信息

Table 2 Basic information of the research data

数据名称 来源 时间范围 类型
逐年的粮食总产量 《中国县域统计年鉴》 2000—2019年 统计数据
农作物总播种面积
常用耕地面积
农用机械总动力
有效灌溉面积
农用化肥施用量
人均地区生产总值 《中国区域经济统计年鉴》
农村居民人均可支配收入
中国平均气温、降水、日照数据集(1 km) 国家青藏高原科学数据中心
长时间序列逐年人造夜间灯光数据集(1 km) 遥感数据
四川省土地利用数据(30 m) 《Earth System Science Data》
北半球植被逐年关键物候期数据集(8 km) 国家地球系统科学数据中心
土壤pH、有机碳、全氮、全磷、全钾含量数据集(90 m) 2010—2018年
DEM(Digital Elevation Model)数据(30 m) 地理空间数据云 2009年

2.2 研究方法

本研究采用时空协同分析策略,基于ArcGIS Pro软件及时空地理加权回归(Geographically and Temporally Weighted Regression, GTWR)插件工具,探究四川省粮食生产时空演变规律。首先通过标准差椭圆和重心迁移轨迹模型,分析粮食产量主产区的空间分布及其时间动态迁移趋势;然后基于时空立方体模型整合时间和空间信息,剖析粮食产量在时空维上的时空热点、聚集特征和变化趋势;最后采用GTWR模型,量化影响因素对产量的时空影响强度,技术路线图如图2所示。
图2 四川省粮食生产时空演变格局及影响因素分析研究流程图

Fig. 2 Research flowchart for the analysis of spatiotemporal evolution patterns and influencing factors of grain production in Sichuan province

2.2.1 标准差椭圆和重心迁移轨迹

标准差椭圆是以整体空间视角为基础,对地理元素空间分布的中心性、展布性等特性进行定量分析,其计算如公式(1)~公式(8)所示。
X ¯ w = i = 1 n w i x i i = 1 n w i
Y ¯ w = i = 1 n w i y i i = 1 n w i
A = i = 1 n x ¯ l 2 - i = 1 n y ¯ l 2
B = ( i = 1 n x ¯ l 2 - i = 1 n y ¯ l 2 ) 2 - 4 ( i = 1 n x ¯ l y ¯ l ) 2
C = 2 i = 1 n x ¯ l y ¯ l
t a n α = A + B C
σ x = i = 1 n ( w i x ˜ i c o s α - w i y ˜ i s i n α ) 2 i = 1 n w i 2
σ y = i = 1 n ( w i x ˜ i s i n α - w i y ˜ i c o s α ) 2 i = 1 n w i 2
式中:(xiyi )为研究对象的空间坐标;wi 表示对应权重;(XwYw )为标准差椭圆的重心;α为方位角;σxσyx轴标准差和y轴标准差;( x ˜ i y ˜ i)为各研究对象区位到重心(XwYw )的坐标偏差。

2.2.2 时空立方体

时空立方体模型融合了二维现实世界中的平面空间和一维的时间序列,组合成了三维立方体,能更加直观地表达时间语义,使空间特征更具有时序性。时空立方体为分析时空数据提供了结构化的框架,结合热点分析、空间聚类分析和趋势分析方法,可以深入揭示数据在空间和时间上的复杂模式和变化趋势。
本研究利用二维坐标轴表达粮食总产量的空间分布,利用一维时间轴表示各县域粮食总产量随时间的变化,以1年为时间步长间隔,时间步长数为20,构建三维粮食产量时空立方体,在立方体的每个立方体格中进行计算和聚合相关属性,完成热点分析、空间聚类分析、趋势分析和产量预测。
1)热点分析和空间聚类分析。用于识别四川省粮食产量在时空上的聚集模式。热点分析基于Getis-Ord Gi*统计量,计算每个立方体单元的Z得分和P值,评估粮食产量在时空邻域内的变化模式。根据Z值和P值的不同组合可生成17种模式31,高正Z得分和低P值指示显著的热点区域,高负Z得分和低P值指示显著的冷点区域。本研究采用局部莫兰指数Ii 判断空间聚类特征,将有相似特征的时空单元归为一类,用于揭示四川粮食产量在县域尺度上的空间格局异同。
Gi*统计量计算如公式(9)所示。
Z i * = j = 1 n w i , j x j - μ j = 1 n w i , j [ n j = 1 n w i , j 2 - ( j = 1 n w i , j ) 2 ] . σ 2 n - 1
式中:Zi *表示第i单元格的标准化得分;wi,j 为第i和第j单元格的空间权重;xj 为第j单元格的粮食产量值; μ为平均值; σ为标准差。根据计算结果;Zi *>0且P<0.05表示显著热点,Zi *<0且P<0.05表示显著冷点,Zi *=0且P≥0.05表示未检测到显著空间模式。
局部莫兰指数Mi 计算如公式(10)所示。
M i = x i - μ S i 2 j = 1 , j i n w i , j ( x j - μ )
式中:Si 表示全局样本标准差;Mi >0表示正相关(“高-高”或“低-低”聚类),Mi <0表示负相关(“高-低”或“低-高”聚类)。
2)趋势分析与产量预测。旨在检测粮食产量随时间的变化模式。本研究在时空立方体框架下,选用Mann-Kendall方法进行趋势检验。对各县粮食产量时间序列构造统计量Z,如公式(11)所示。
Z = i = 1 n - 1 j = i + 1 n s g n ( g j - g i ) - 1 i = 1 n - 1 j = i + 1 n s g n ( g j - g i )
式中:n为逐年粮食产量g所构建的时间序列长度。当Z>0时表示上升趋势,Z=0为无趋势,Z<0为下降趋势。Z的绝对值越大,说明序列变化趋势越明显,采用t检验进行趋势显著性检验。
产量预测采用差分自回归移动平均模型(Autoregressive Integrated Moving Average, ARIMA),模型由自回归项(Autoregressive term, AR)、积分项(Integration term, I)和移动平均项(Moving Average term, MA)三部分构成。AR描述当前值与过去观测值的关系,I通过差分使时间序列平稳,MA刻画当前值与误差项的关系。ARIMA模型能有效捕捉时间序列的趋势与随机波动,为粮食产量预测提供可靠支持。

2.2.3 GTWR模型

GTWR是一种时空回归模型,在普通地理加权回归模型的基础上融入了时间属性,并且考虑时间的非平稳性,以便提供更加准确的结果,计算如公式(12)所示。
y i = β ( u i , v i , t i ) + k = 1 p β k ( u i , v i , t i ) x i k + ε i
式中:yixik 分别为样本点自变量和因变量对应的观测值;uivi 分别为i个样本点的经纬度坐标;ti 表示时间;(uiviti )为i样本点的时空坐标;βuiviti )为i样本点的回归常数;βkuiviti )为i样本点的第k个回归参数;εi 为模型的残差。
GTWR模型的参数设定包括带宽选择和空间权重矩阵构建两个核心环节。带宽选择采用赤池信息准则(Akaike Information Criterion, AIC),通过交叉验证方法确定固定最优带宽,以保证模型拟合的最佳平衡性。空间权重矩阵基于高斯核函数构建,权重值随距离增大而指数衰减,能够有效捕捉区域粮食生产的空间异质性。模型性能通过调整后的R²进行验证,确保参数设定的科学性和可靠性。

3 结果与分析

3.1 四川省2000~2019年粮食总产量时空演化格局

3.1.1 标准差椭圆及重心迁移分析

标准差椭圆及重心迁移分析结果揭示了四川省粮食主产区的整体分布情况和变化情况。由图3可知,四川省粮食生产区主要集中在川东平原地区,粮食总产量在过去二十年内的空间分布及发展趋势表现出明显的方向性和聚集性特征。2000~2019年期间四川省粮食总产量的重心始终位于乐至县,呈现从西北向东南迁移的趋势,其间有一定折返现象。在2000~2001年和2009~2010年,重心偏移较大,分别达12.32和8.9 km,显示出较为明显的重心位置波动,其余时段产量重心均较为稳定,表明四川省粮食生产格局平稳发展。
图3 2000~2019年四川省总粮食产量标准差椭圆及重心迁移轨迹图

注:该图由自然资源部标准地图服务网站下载的审图号为川S【2021】00050号标准地图制作,底图无修改。

Fig. 3 Standard deviation ellipse and centroid migration trajectory of total grain yield in Sichuan province from 2000 to 2019

标准差椭圆的分析结果显示(图3图4),2000~2019年,四川省粮食总产量的空间分布趋势呈现出东北—西南走向。长半轴和短半轴的差距较大,即扁率较大,表明该方向性特征较为明显。短半轴较短反映出粮食总产量的空间分布在过去二十年中的离散程度较小,具有明显的聚集性。2000~2019年椭圆的面积呈上升趋势,增幅约为10%,表明粮食产量的集中程度有所下降,其中2008~2016年增长幅度较为平稳,2000~2001年和2016~2017年增长幅度较为剧烈,表明二十年间四川省粮食产量的空间向心力逐渐减弱,川东北和川南地区多地产量持续增加。
图4 2000~2019年标准差椭圆参数变化

Fig. 4 Changes in standard deviation ellipse parameters from 2000 to 2019

3.1.2 时空热点和空间聚类分析

在2000~2019年期间,川东的盐亭县等平原地区粮食产量始终保持全省较高水平,年均产量超过20万吨(图5)。这种高产水平主要归因于川东地形平坦、耕地资源丰富,以及灌溉条件便利,使得该区域适合大规模机械化种植。相比之下,川西的阿坝县和甘孜县等高原山区产量水平则长期处于较低水平,这一现象在图5c图5e中尤为明显。川西地区地势陡峭、耕地面积有限、气候寒冷,这些因素共同制约了粮食生产能力的发展。这种显著的东西差异不仅体现了四川省区域资源条件的差异,也揭示了地形和气候条件对农业生产能力的显著影响。
图5 2000~2019年四川省粮食产量空间分布图

注:该图由自然资源部标准地图服务网站下载的审图号为川S【2021】00050号标准地图制作,底图无修改。

Fig. 5 Spatial distribution of grain production in Sichuan province from 2000 to 2019

通过时空热点分析进一步挖掘四川省粮食产量时空演变规律,发现四川省粮食产量时空变化特征主要呈现5种热点模式和2种冷点模式(图6)。表3统计了四川省2000~2019年粮食产量的冷热点类型、对应面积及占比。从表3中可以看出,冷点面积(62.57%)远大于热点面积(34.09%),表明二十年来四川省粮食总产量呈下降趋势的区域多于升高的区域。
图6 2000~2019年四川省粮食产量时空热点空间分布图

注:该图由自然资源部标准地图服务网站下载的审图号为川S【2021】00050号标准地图制作,底图无修改。

Fig. 6 Spatiotemporal hotspot distribution of grain production in Sichuan province from 2000 to 2019

表3 2000~2019年四川省总粮食产量时空冷热点面积和占比

Table 3 Spatiotemporal hot and cold spot area and proportion of total grain yield in Sichuan province from 2000 to 2019

类型 面积/km2 占比/% 类型 面积/km2 占比/%
热点 165 768.70 34.09 冷点 304 248.40 62.57
连续热点 6 299.00 1.30 连续冷点 2 134.10 0.44
逐渐减少的热点 10 732.60 2.21 逐渐减少的冷点 195 809.10 40.27
历史热点 150.10 0.03 历史冷点 320.40 0.07
加强的热点 105 339.80 21.66 加强的冷点 48 962.10 10.07
新增热点 437.60 0.09 新增冷点 127.40 0.03
振荡的热点 11 836.40 2.43 振荡的冷点 4 090.20 0.84
持续的热点 28 209.70 5.80 持续的冷点 51 317.20 10.55
分散的热点 2 763.50 0.57 分散的冷点 1 487.90 0.31
未检测到模式 16 239.20 3.34
具体来说,热点区域主要分布在四川省中部山区和东部平原区。其中,加强的热点占比最高,为21.66%,主要集中在盐亭县等大多数川东平原地区,这些地区历年粮食产量一直处于增加的趋势,并且这种趋势还在进一步加强;其次为持续的热点,占比为5.80%,主要集中于安州区等地区,表明这些区域在整个研究期间内,粮食产量保持稳定上升的趋势,增长趋势较为平稳;再次为振荡的热点占比为2.43%,主要集中于昭化区县等地区,这些地区在过去二十年内粮食产量既出现过上升也出现过下降,但在近几年为上升趋势;逐渐减少的热点占比较少,为2.21%,分布于彭州市等地区,其特征为粮食产量一直处于上升的趋势,但这种趋势逐渐减弱;连续热点占比为1.30%,主要分布在米易县等地区,反映这些地区在某些时间段内出现了持续的增长,但这种增长趋势并未贯穿整个研究时期。
冷点区域主要分布在四川省西部。其中,逐渐减少的冷点占比最高,达40.27%,主要集中于理塘县等川西地区,这些地区历年粮食产量一直处于减少的趋势,但这种趋势在减弱;其次为加强的冷点,占比为10.07%,主要分布于九寨沟县等地,历年粮食产量一直处于减少的趋势,并且这种趋势还在进一步加强。
空间聚类特征进一步表明近二十年间四川省粮食产量时空演变特征东西差异显著(图7)。“高-高”聚类模式主要分布在川东地区,这些地区粮食产量一直维持在较高水平,表现出四川省粮食主产区的特点;低-低聚类的模式主要分布在川西和川中的大部分地区,这些地区粮食产量历年都维持着较低的水平;而在安州区、崇州市、昭化区、青川县等地分别出现“高-低”聚类和“低-高”聚类,这主要是由于这些地区间显著的地形、耕地条件差异导致的粮食产量差距明显;而部分川中和川南地区二十年来的粮食产量变化较为剧烈,既出现过“低-低”“高-高”的聚类模式,又出现过“低-高”“高-低”聚类特征,故这些区域的空间聚类特征表现为多种类型耦合的情况。
图7 2000~2019年四川省粮食总产量局部聚类空间分布及位置数占比图

注:该图由自然资源部标准地图服务网站下载的审图号为川S【2021】00050号标准地图制作,底图无修改。

Fig.7 Spatial distribution and proportional counts of local clusters in grain production in Sichuan province from 2000 to 2019

3.1.3 趋势分析

2000~2019年的四川粮食产量变化趋势如图8表4所示。四川省64.77%的区域呈现出粮食产量上升趋势,主要集中在川西地区,这主要是因为川西高原近年来自然条件改善,农业基础设施逐步完善,土地利用效率提高,这些因素使川西成为未来增产潜力显著的区域32。另一方面,16.93%的区域呈现产量下降趋势,主要分布在川中部的崇州市、大邑县和汉源县等地,这些区域地形复杂、耕地资源有限以及农业投入不足,面临较大的减产风险。整体而言,川东和川西地区的粮食产量未来变化趋势差异显著。
图8 2000~2019年四川省总粮食产量时空趋势图

注:该图由自然资源部标准地图服务网站下载的审图号为川S【2021】00050号标准地图制作,底图无修改。

Fig.8 Spatiotemporal trend map of total grain yield in Sichuan province from 2000 to 2019

表4 2000~2019 年四川省粮食产量变化趋势面积和占比

Table 4 Spatiotemporal trend area and proportion of total grain yield in Sichuan province from 2000 to 2019

类型 面积/km2 占比/% 类型 面积/km2 占比/%
上升趋势 314 977.50 64.77 下降趋势 82 337.20 16.93
上升趋势-99%置信度 252 002.00 51.82 下降趋势-99%置信度 55 917.50 11.50
上升趋势-95%置信度 42 479.90 8.74 下降趋势-95%置信度 21 221.60 4.36
上升趋势-90%置信度 20 495.60 4.21 下降趋势-90%置信度 5 198.10 1.07
无显著趋势 88 990.00 18.30
基于ARIMA模型预测了2030年四川省粮食生产的变化趋势,预测模型经均方百分比误差(Mean Absolute Percentage Error, MAPE)评估,结果准确率达86.04%,精度良好。预测结果显示(图9),粮食高产区集中在川东的平原地带,而川中的部分丘陵地带和川西山区则受限于自然条件和经济发展水平,基础设施和农业机械化水平相对较低,耕地质量基础条件弱且水资源分布不均,使得这些区域的生产力提升受到阻碍,粮食生产潜力有限。
图9 2030年四川省总粮食产量时空预测图

注:该图由自然资源部标准地图服务网站下载的审图号为川S【2021】00050号标准地图制作,底图无修改。

Fig.9 Spatiotemporal forecast map of total grain yield in Sichuan province in 2030

3.2 四川省2000~2019年粮食总产量变化影响因素分析

3.2.1 影响因子筛选

决定粮食产量高低的因素众多,本研究主要从自然因素、农业因素、经济因素和人为因素四个方面,选取22个指标(表5)来挖掘四川省粮食总产量变动的影响因子。
表5 四川省粮食产量变动影响因素指标

Table 5 Indicators of factors influencing grain production changes in Sichuan province

类型 主要因子 具体指标 符号 单位
自然因素 地形状况 平均高程 X1 m
坡度 X2 (°)
气候条件 年均降雨 X3 m
年均气温 X4
全年日照时数 X5 h
土壤质量 0~15 cm土壤pH值 X6
0~15 cm土壤有机碳含量 X7 g/kg
0~15 cm土壤全氮含量 X8 g/kg
0~15 cm土壤全磷含量 X9 g/kg
0~15 cm土壤全钾含量 X10 g/kg
农业因素 耕作条件 农作物总播种面积 X11 kha
常用耕地面积 X12 hm2
有效灌溉面积 X13 kha
农用化肥施用量 X14 t
农用机械总动力 X15 千万W
农作物生长节律 植被生长季始期(Start of Season, SOS) X16
植被生长季峰值(Peak of Season, POS) X17
植被生长季末期(End of Season, EOS) X18
经济因素 地区经济发展水平 人均地区生产总值 X19 元/人
农村收入水平 农村居民人均可支配收入 X20
人为因素 乡村人口 乡村人口数 X21 万人
人类活动强度 夜间灯光强度 X22
为了消除指标共线性对影响因素分析的影响,首先对选取的自然、农业、人为、经济因素指标进行共线性检验。通常,当方差膨胀因子(Variance Inflation Factor, VIF)小于10且容差大于0.1时,解释变量之间无严重共线性,反之则存在。表6显示,平均高程、年均气温、0~15 cm土壤有机碳含量存在严重共线性,基于相关性分析(图10)结果,剔除了强相关性的平均高程、年均气温、0~15 cm土壤有机碳含量及EOS,筛选后的影响因素指标的VIF值和容差均符合要求,确保了后续影响因素分析结果的显著性和准确性。
表6 四川省粮食产量驱动因素识别的解释变量共线性检验表

Table 6 Collinearity test of explanatory variables in the identification of driving factors for grain production in Sichuan province

变量 剔除前容差 剔除前VIF值 剔除后容差 剔除后VIF 值
平均高程 0.01 81.774
坡度 0.11 9.236 0.150 6.682
年均降雨 0.45 2.245 0.491 2.036
年均气温 0.02 45.871
全年日照时数 0.21 4.725 0.367 3.564
0~15 cm土壤pH值 0.28 3.553 0.367 2.727
0~15 cm土壤有机碳含量 0.01 141.784
0~15 cm土壤全氮含量 0.01 102.881 0.125 7.977
0~15 cm土壤全磷含量 0.10 10.340 0.183 5.475
0~15 cm土壤全钾含量 0.15 6.643 0.513 1.950
农作物总播种面积 0.11 8.947 0.123 8.161
常用耕地面积 0.15 6.695 0.152 6.593
有效灌溉面积 0.22 4.480 0.234 4.282
农用化肥施用量 0.32 3.082 0.339 2.952
农用机械总动力 0.28 3.516 0.288 3.468
SOS 0.01 103.942 0.119 8.391
POS 0.00 387.408 0.123 8.132
EOS 0.01 123.659
人均地区生产总值 0.25 4.053 0.255 3.928
农村居民人均可支配收入 0.30 3.314 0.311 3.215
乡村人口数 0.26 3.865 0.260 3.848
夜间灯光强度 0.42 2.399 0.419 2.388

注:空白单元格表示该变量因存在严重共线性问题已被排除,不参与后续驱动因素识别分析。

图10 2000~2019年四川省粮食产量各驱动因素相关性热图

Fig. 10 Correlation heatmap of driving factors for grain production in Sichuan province from 2000 to 2019

3.2.2 影响因素分析

基于筛选出的18个影响因素,对四川省粮食产量进行GTWR分析,模型的调整后R 2值为0.98,表明模型拟合效果较佳。
GTWR回归系数统计结果如图11所示,整体来看,坡度、全年日照时数、0~15 cm土壤pH值和夜间灯光强度等因素的负系数占比明显高于正系数,随着坡度升高、日照时间延长、土壤pH值增加,以及人类活动强度的上升,粮食产量相应降低,表明这些因素对粮食常量具有负向抑制作用。而年均降雨、0~15 cm土壤全钾含量、农作物总播种面积、常用耕地面积等因素则表现出正向促进作用,表明这些因素的增加可有效提升粮食产量。
图11 基于GTWR模型的2000~2019年四川省粮食产量影响因素回归系数统计箱型图

Fig. 11 GTWR-based statistical box plot of regression coefficients for grain production determinants in Sichuan province from 2000 to 2019

各影响因子的GTWR回归结果空间分布图显示(图12),在自然因素方面,坡度、土壤pH值、全磷和全钾含量的影响较为显著。尽管川中地区的坡度条件总体对粮食产量呈现负向作用,但稻城县和九龙县等地却表现出异常的正向作用,这得益于陡坡地的高效利用与农业基础设施的持续优化。一方面,这些区域通过梯田改良和高效灌溉技术克服了地形限制;另一方面,当地政府在基础设施建设和农业技术推广上的投入显著增强了粮食生产能力。此外,土壤全磷和全钾含量在某些地区如喜德县和西充县对粮食增产的作用明显。
图12 基于GTWR模型的2000~2019年四川省粮食产量影响因素回归系数空间分布图

注:该图由自然资源部标准地图服务网站下载的审图号为川S【2021】00050号标准地图制作,底图无修改。

Fig. 12 GTWR-based spatial distribution map of regression coefficients for grain production determinants in Sichuan province from 2000 to 2019

在农业因素方面,农作物总播种面积和常用耕地面积是影响粮食产量的主要正向驱动力。影响最显著的地区集中在雅江县和西昌市等地,而耕地面积不足或低值地区如喜德县和西昌市则可能导致粮食减产。此外,农用机械总动力对川东地区的影响较为明显,而有效灌溉面积、农用化肥等对粮食产量的作用较小。
从人为和经济因素的角度,乡村人口数对粮食产量有正向作用,特别是在岳西县等区域表现突出。相比之下,人均地区生产总值和夜间灯光强度等因素则呈现出负向抑制作用,表明经济发展和人类活动的增加可能对粮食生产产生不利影响。
综上所述,农业因素对粮食产量的影响最大,其次为自然因素,再次为人为和经济因素。农业资源的合理利用和自然条件的优化将是保障粮食增产的关键。

4 结 论

本研究基于时空协同分析视角,运用GIS时空特征挖掘方法,采用标准差椭圆、重心迁移轨迹模型、时空立方体模型和GTWR模型,揭示了四川省粮食产量的时空演变格局及其驱动因素,主要结论如下。
基于标准差椭圆和重心迁移轨迹模型,对2000~2019年四川省粮食产量的空间分布特征进行分析。结果表明,四川省粮食主产区较为集中,位于川东地区,空间分布呈东北—西南走向,非主产区粮食产量呈增加趋势。近二十年来,粮食产量重心始终位于乐至县,呈现微弱的西北—东南的迁移趋势,表明四川省粮食生产格局整体平稳,具有较强的持续性和稳定性。
基于时空立方体模型,探究分析了四川省粮食产量的时空冷热点分布和聚类模式。结果显示,四川省粮食产量主要表现出7种冷热点和3种聚类模式,表明四川省的粮食生产空间存在显著的区域差异,空间自相关性强。34.09%的区域表现为热点,其中作为粮食主产区的川东地区为加强的热点区域,产量将持续增长。而62.57%的区域为冷点且以“低-低”聚类模式为主,主要集中在川西和川中部分地区,这些区域受地形、耕地条件影响粮食产量呈现逐渐减少的趋势。
通过GTWR模型定量评估了四川省粮食生产的主要驱动因素。研究结果表明,四川省粮食产量的主要驱动因素为常用耕地面积、农作物总播种面积和乡村人口数。农业因素对粮食产量的贡献最大。其次是自然因素、人为因素和经济因素。
基于本研究结果,并深入参考《四川省高标准农田建设管理条例》等相关政策,提出以下优化建议,旨在进一步优化粮食生产的空间格局与资源配置策略:1)在川东高产区,强化高标准农田建设,推广精准农业技术,扩大有效灌溉面积,改良农用机械化水平,进一步增强农业投入对粮食增产的正向作用。2)在川西和川中山地丘陵区域,削弱坡度对粮食增产增收的负向影响,侧重坡耕地、梯田(地)建设改造,合理布置田间灌排,针对丘陵山区水土流失风险较高的区域,考虑生态农业模式,促进农业可持续发展。3)强化科技支撑,加强粮食生产时空智能监管平台建设,提升粮食生产智慧管理水平,为农业政策调整和资源配置提供精准支撑,全面助力新时代更高水平“天府粮仓”建设。
尽管本研究通过时空分析整合框架揭示了四川省粮食生产的时空动态格局及其驱动机制,但仍存在一些局限性。首先,本研究聚焦于四川省各县区的粮食生产空间,未考虑尺度效应,未来可通过对比分析像元、县、市、省不同尺度的粮食生产时空演化格局及其驱动机制差异,完善粮食生产时空监测技术体系。其次,尽管GTWR模型能够较好地解释时空动态变化,但模型本身依赖于输入数据的质量和完整性,由于统计数据、遥感数据均存在一定的不确定性,未来可通过结合多模态大数据挖掘等途径,开展多省份更大空间范围的数据和方法适用性探索。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

1
CAI J M, MA E P, LIN J, et al. Exploring global food security pattern from the perspective of spatio-temporal evolution[J]. Journal of geographical sciences, 2020, 30(2): 179-196.

2
LI F, MA S, LIU X L. Changing multi-scale spatiotemporal patterns in food security risk in China[J]. Journal of cleaner production, 2023, 384: ID 135618.

3
崔宁波, 董晋. 主产区粮食生产安全: 地位、挑战与保障路径[J]. 农业经济问题, 2021, 42(7): 130-144.

CUI N B, DONG J. Grain production security in major grain-producing areas: Status,challenges and guarantee path [J]. Issues in agricultural economy, 2021, 42(7): 130-144.

4
CHEN W X, WANG G Z, CAI W N, et al. Spatiotemporal mismatch of global grain production and farmland and its influencing factors[J]. Resources, conservation and recycling, 2023, 194: ID 107008.

5
张秋梦, 杨方社, 李飞. 改革开放以来中国粮食生产空间重构[J]. 自然资源学报, 2021, 36(6): 1426-1438.

ZHANG Q M, YANG F S, LI F. The grain production space reconstruction in China since the reform and opening up[J]. Journal of natural resources, 2021, 36(6): 1426-1438.

6
马泉来, 吕敏敏, 杨延伟, 等. 河南省耕地粮食生产时空演变及功能分区[J]. 地域研究与开发, 2024, 43(2): 161-167.

MA Q L, LYU M M, YANG Y W, et al. Spatial-temporal evolution of cultivated grain production capacity and functional zoning in Henan Province[J]. Areal research and development, 2024, 43(2): 161-167.

7
杨宗辉, 蔡鸿毅, 覃诚, 等. 我国粮食生产的时空格局及其影响因素分析[J]. 中国农业科技导报, 2018, 20(9): 1-11.

YANG Z H, CAI H Y, QIN C, et al. Analysis on the spatial and temporal pattern of China's grain production and its influencing factors[J]. Journal of agricultural science and technology, 2018, 20(9): 1-11.

8
LIU Y S, ZOU L L, WANG Y S. Spatial-temporal characteristics and influencing factors of agricultural eco-efficiency in China in recent 40 years[J]. Land use policy, 2020, 97: ID 104794.

9
XU W Y, JIN X B, LIU J, et al. Spatiotemporal evolution and the detection of key drivers in the resilience of cultivated land system in major grain-producing regions of China[J]. Land degradation & development, 2023, 34(15): 4712-4727.

10
冯珊珊, 张磊, 刘序, 等. 2000—2020 年广东省耕地面积与粮食生产的时空演变特征[J]. 水土保持通报, 2024, 44(3): 252-262.

FENG S S, ZHANG L, LIU X, et al. Spatiotemporal evolution characteristics of cropland area and grain production in Guangdong province during 2000—2020[J]. Bulletin of soil and water conservation, 2024, 44(3): 252-262.

11
CHAI J, WANG Z Q, YANG J, et al. Analysis for spatial-temporal changes of grain production and farmland resource: Evidence from Hubei province, Central China[J]. Journal of cleaner production, 2019, 207: 474-482.

12
江激宇, 刘嘉铭, 赵勇, 等. 安徽县域粮食生产时空特征及影响因素研究[J]. 云南农业大学学报 (社会科学), 2023, 17(6): 18-27.

JIANG J Y, LIU J M, ZHAO Y, et al. Study on spatial and temporal characteristics and influencing factors of grain production in Anhui county[J]. Journal of Yunnan agricultural university (social science), 2023, 17(6): 18-27.

13
周立青, 程叶青. 黑龙江省粮食生产的时空格局及动因分析[J]. 自然资源学报, 2015, 30(3): 491-501.

ZHOU L Q, CHENG Y Q. Spatio-temporal pattern and its driving factors of grain production in Heilongjiang province[J]. Journal of natural resources, 2015, 30(3): 491-501.

14
HE H H, DING R J, TIAN X P. Spatiotemporal characteristics and influencing factors of grain yield at the county level in Shandong province, China[J]. Scientific reports, 2022, 12: ID 12001.

15
WANG Z P, ZHANG E S, CHEN G J. Spatiotemporal variation and influencing factors of grain yield in major grain-producing counties: A comparative study of two provinces from China[J]. Land, 2023, 12(9): ID 1810.

16
王凤, 刘艳芳, 孔雪松, 等. 中国县域粮食产量时空演变及影响因素变化[J]. 经济地理, 2018, 38(5): 142-151.

WANG F, LIU Y F, KONG X S, et al. Spatial and temporal variation of grain production and its influencing factors at the county level in China[J]. Economic geography, 2018, 38(5): 142-151.

17
WU J Z, SHEN C, ZHANG J H, et al. Spatial pattern and its changes of grain production using GIS[J]. IOP conference series: earth and environmental science, 2018, 113: ID 012044.

18
贾琨, 杨艳昭, 封志明. "一带一路" 沿线国家粮食生产的时空格局分析[J]. 自然资源学报, 2019, 34(6): 1135-1145.

JIA K, YANG Y Z, FENG Z M. An evaluation of the Belt and Road cereals production from a view of spatial-temporal patterns[J]. Journal of natural resources, 2019, 34(6): 1135-1145.

19
LI S T, ZHANG D J, XIE Y, et al. Analysis on the spatio-temporal evolution and influencing factors of China's grain production[J]. Environmental science and pollution research, 2022, 29(16): 23834-23846.

20
刘正佳, 钟会民, 李裕瑞, 等. 近20年中国粮食生产变化特征及其对区域粮食供需格局的影响[J]. 自然资源学报, 2021, 36(6): 1413-1425.

LIU Z J, ZHONG H M, LI Y R, et al. Change in grain production in China and its impacts on spatial supply and demand distributions in recent two decades[J]. Journal of natural resources, 2021, 36(6): 1413-1425.

21
ZHANG Z X, SHI K F, TANG L, et al. Exploring the spatiotemporal evolution and coordination of agricultural green efficiency and food security in China using ESTDA and CCD models[J]. Journal of cleaner production, 2022, 374: ID 133967.

22
MA L B, YANG B Y, ZHANG H J, et al. Evolution of the spatiotemporal pattern of China's grain production in the past 20 years and its driving mechanism[J]. PLoS one, 2024, 19(5): ID e0303258.

23
CHEN X, ANDERSON W, YOU L Z, et al. Observed trends in multiple breadbasket yield shocks[J]. Environmental research letters, 2024, 19(10): ID 104005.

24
杨铁军, 杨娜, 朱春华, 等. 一种新的基于ARIMA模型的粮食产量预测[J]. 河南工业大学学报(自然科学版), 2015, 36(5): 19-22.

YANG T J, YANG N, ZHU C H, et al. Investigation of grain output prediction based on ARIMA model[J]. Journal of Henan university of technology (natural science edition), 2015, 36(5): 19-22.

25
DU Y W, FAN Y P. Spatiotemporal dynamics of agricultural sustainability assessment: A study across 30 Chinese provinces[J]. Sustainability, 2023, 15(11): ID 9066.

26
ZHANG H T, XU Y J, LU Y F, et al. Spatiotemporal variations and driving factors of crop productivity in China from 2001 to 2020[J]. Journal of environmental management, 2024, 371: ID 123344.

27
ANDERSON W, BAETHGEN W, CAPITANIO F, et al. Climate variability and simultaneous breadbasket yield shocks as observed in long-term yield records[J]. Agricultural and forest meteorology, 2023, 331: ID 109321.

28
中华人民共和国国务院. 国务院关于建立粮食生产功能区和重要农产品生产保护区的指导意见(国发〔2017〕24号)[EB/OL]. 北京, 中国. (2017-03-30) [2024-10-10].

29
方叶林, 朱志刚, 陆海云. 城市群旅游生态效率时空演化及影响因素比较研究——以长三角与珠三角城市群为例[J]. 地理与地理信息科学, 2025, 41(1): 134-141.

FANG Y L, ZHU Z G, LU H Y. A comparative study on the spatiotemporal evolution and influencing factors of tourism eco-efficiency in urban agglomerations: a case study of the Yangtze River Delta and the Pearl River Delta urban agglomerations[J]. Geography and Geo-information science, 2025, 41(1): 134-141.

30
METKUS T S, SOKOLL L J, BARTH A S, et al. Myocardial injury in severe COVID-19 compared with non–COVID-19 acute respiratory distress syndrome[J]. Circulation, 2021, 143(6): 553-565.

31
ESRI. ArcGIS Pro [EB/OL]. Esri Inc., (2024-11-27) [2025-02-26].

32
XIANG M S, YANG J, LI W H, et al. Spatiotemporal evolution and simulation prediction of ecosystem service function in the western Sichuan plateau based on land use changes[J]. Frontiers in environmental science, 2022, 10: ID 890580.

文章导航

/