SPAM模型和遙感結合提取華北地區春夏玉米種植面積*

陳 卓，謝苗苗，范玲玲，陳 浩，梁社芳，，游良志，吳文斌， 4，楊 鵬， 4※

(1.中國地質大學(北京)土地科學技術學院，北京 100083； 2.中國農業科學院農業資源與農業區劃研究所/農業部農業遙感重點實驗室，北京 100081； 3.Environment and Production Technology Division，International Food Policy Research Institute， 2033K Street，NW，Washington DC 20006，USA； 4.中國農業科學院—比利時根特大學全球變化與糧食安全聯合實驗室，北京 100081)

0 引言

農作物時空格局動態變化規律、過程和機理研究是全球變化和可持續科學領域的研究前沿和熱點[1， 2]。研究制定不同區域尺度的糧食安全政策和氣候變化應對策略，開展與此相關的陸地碳循環、氮循環、水資源利用和土壤侵蝕等研究，都需要對區域農業土地利用(Agricultural land Use)的過去、現在和未來有清楚的認識，尤其是必須了解作物空間分布的時空動態變化規律。

玉米是世界上種植最廣泛的喜溫谷類作物之一，總產量居三大谷物之首。2012年玉米成為我國種植面積最大的糧食作物，其種植面積達3 490萬hm2，總產達到2.08億t，其種植面積與產量僅次于美國。華北地區(北京市、天津市、河北省、河南省和山東省)是我國重要的商品糧生產基地，也是我國玉米的主產區，其播種面積超過1 000萬hm2，產量約占全國的40%。華北地區作物種植制度以一年一熟和一年兩熟為主。其中，一年一熟地區以春玉米、棉花等秋收作物種植為主； 一年兩熟地區則以冬小麥—夏玉米種植為主。因此，明晰華北地區玉米時空格局，尤其是獲取春玉米與夏玉米的時空格局演變規律，具有重要的科學價值和現實意義。

當前獲取大區域尺度作物時空分布信息的方法主要有統計方法[3-5]、遙感分類方法[6-12]，以及基于多源信息融合的方法[13-18]等。由于混合像元、大氣干擾、尺度轉換等因素的影響，單純基于遙感分類的方法尚難以獲取大區域尺度、長時間序列的農作物空間分布信息。統計方法則僅能反映統計單元水平上的數量變化，難以體現統計單元內作物的空間變異性[18， 19]。因此，基于多源信息融合的方法充分利用多種數據源，彌補單一數據源和方法的缺陷，有助于提升區域作物信息獲取精度，正成為大區域尺度作物空間分布信息提取的重要發展方向之一。其中，基于交叉信息熵原理的作物空間分配模型(SPAM-China：Spatial Production Allocation Model for China)是目前我國應用較為廣泛的模型之一。該模型通過集成耕地分布、作物統計面積與產量、農業灌溉分布、農作物適宜性分布等多源空間信息，利用交叉信息熵原理將農作物的種植面積與總產信息分配至網格單元，重構作物空間分布，近年來已被廣泛應用于我國大區域尺度作物時空分布特征的分析研究[15， 16， 18]。

同時，時間序列的遙感植被指數值蘊含著植被的生長和枯萎的年循環節律，經時間序列函數擬合方法重構的植被指數變化曲線，可以準確地反映農作物的出苗、拔節、抽穗、收獲等物理過程[20-22]。目前，基于NOAA/AVHRR、SPOT/VGT以及EOS/MODIS等的植被指數時序資料已經在作物生長過程監測、作物面積提取、作物類型識別和作物種植制度等方面得到了廣泛的應用[23-26]。

因此，文章研究選擇華北地區(北京市、天津市、河北省、河南省和山東省)為研究區域，以玉米種植面積為研究對象，首先構建SPAM-China模型在網格單元上重建1980—2010年間玉米空間分布信息； 然后利用SPOT/VGT 逐旬NDVI時序遙感數據構建研究區域一年一熟作物和一年二熟作物的遙感識別標志，提取區域內作物種植制度的時空分布信息，進一步識別并劃分出華北地區2000—2010年間春玉米、夏玉米的主要種植類型區； 最后，詳細分析了華北地區近10年不同種植類型區內春、夏玉米空間分布信息的時空變化特征。該研究創新性地提出了基于作物空間分配模型(SPAM-China模型)和遙感信息綜合提取華北地區春、夏玉米種植面積的新方法，為大區域、長時間尺度作物種植信息的獲取提供了新思路。

1 材料與方法

1.1 研究區域

研究區位于北緯32°～42°，東經113°～120°之間，包括北京市、天津市、河北省、河南省和山東省。該區為洪沖積平原，土地總面積為3 200hm2，大部分地區屬于暖溫帶大陸性季風氣候，≥0℃年積溫4 200～5 500℃，年平均溫度13.0℃，年平均累積輻射量5 100～5 300 MJ/m2，無霜期為170～220d，熱量條件可以滿足一年一熟和一年兩熟作物生長的需求； 年平均降水量為500～900mm，主要集中在夏季的7—9月，季節分配不均，年際變化大。華北地區以旱作農業為主，旱地面積約占全國的三分之一，其中以種植冬小麥、玉米和棉花為主，產量分別占全國的56%、37.5%和38%[20]。總體而言，華北地區南部地區作物種植制度以一年兩熟為主，作物類型主要包括冬小麥與夏玉米； 北部主要為一熟制區域，作物類型以一年一熟的春玉米和棉花等秋收作物為主，并且種植制度空間分布隨著緯度遞減呈現出簡單到復雜的變化趨勢。

圖1 研究區示意圖

1.2 數據來源

玉米空間分配模型數據包括：農業統計數據、行政邊界數據、耕地空間分布數據、耕地灌溉數據、作物氣候適宜性數據以及人口密度數據。農業統計數據來自統計年鑒，鑒于研究區縣級行政邊界在近30年來發生過多次調整，為保證時序數據的一致性和有效性，以2000年國家基礎地理信息行政邊界為基準，對縣級數據進行歸并，最終形成1980—2010年的農業統計時序數據； 行政邊界數據采用2000年全國縣級行政區劃圖，研究中其他時期的行政區劃數據處理是在此基礎上進行合并和拆分； 耕地空間分布數據主要來自遙感解譯SPOT 4數據得到的全球空間分辨率為1km的GLC-2000(Global land Cover 2000 Project)全球土地利用/覆被圖，將數據進行像元百分比； 耕地灌溉數據，來源于聯合國糧農組織(FAO)和德國卡塞爾大學聯合開發的全球空間分辨率5′×5′(約10km×10km)的農業土地灌溉區域分布圖，以網格內的灌溉百分比數據表示； 作物氣候適宜性數據采用了FAO的農業生態區劃(Global Agro-ecological Zones，GAEZ)進行劃分； 人口密度數據源自于世界人口柵格分布圖(Global Population of World，GPW Version 2)，該數據集為全球尺度上每平方公里內的人口數，人口密度數據用于表示作物分配過程中市場可達性。所有數據均統一至WGS-84坐標系(World Geodetic System 1984)，尺度重柵格化至分辨率為5′×5′。

模型驗證數據包括Monfreda等(2008)發布的M3數據集和Portmann等(2010)發布的MIRCA-2000數據集，以及中國土地利用/覆被數據集(National land Cover Data，NLCD)3類數據。其中，NLCD數據來自于中國科學院(CAS)和在地球系統科學數據共享平臺上的在線發表(http：//www.geodata.cn)。采用的遙感數據SPOT/VGT 逐旬NDVI最大值合成數據，時間范圍為2000年4月至2010年10月，空間分辨率為1km。該時序數據從比利時佛萊芒技術研究所(Flemish Institute for Technological Research，Vito)的VEGETATION 影像處理中心網站下載(http：//www.vito-eodata.be)。該數據已完成了幾何校正、輻射校正、地圖投影、狀態標識以及大氣校正等預處理。

1.3 SPAM-China模型

SPAM模型最初由國際食物政策研究所(IFPRI-International Food Policy Research Institute)設計開發，集成耕地分布、作物統計面積和產量、農業灌溉分布、農作物適宜性分布等多元空間信息數據，利用基于交叉信息熵原理的SPAM模型將農作物的種植面積與總產量精確地分配至像元，用于模擬全球或區域尺度作物的時空分布信息。目前，研究主要集中在南美、非洲、亞洲地區及全球尺度。由于各個地區自然、氣候和種植歷史等情況的不同，玉米的分布出現明顯的地域差異，因而SPAM模型結果并不能直接用于中國區域的作物時空變化分析。通過對數據源、模型參數和分配規則的調整，劉珍環等構建了適應中國區域的作物空間分配模型(SPAM-China)，并已在我國針對不同作物開展了相關研究[15-17]。該模型核心模塊包括交叉信息熵分布概率計算模塊和作物空間分配優化模塊，基本的工作思路是在對多源數據一致化處理后，采用交叉信息熵方法對多源信息進行判別和處理，計算多種作物空間分布概率，從而模擬作物空間分布。

1.3.1 信息熵分布概率

對于給定的分布概率(p1，p2，…pk)，可定義Shannon信息熵為：

(1)

通過引入交叉信息熵(CE)用于度量兩個概率分布pi和qi不一致的情況，獲得最小交叉信息熵方式確定概率的限制。

(2)

式(2)中，pi和qi分別表示X縣中第j種作物分布的兩個概率——作物面積可分配概率sijl和潛在適宜種植面積可分配概率πijl：

(3)

式(3)中，CAj表示X縣第j種作物的像元總面積，Aijl表示X縣第i個像元上可分配的j作物種植面積； 模型初始時，假設j作物在X縣內所有像元上平均分配。

(4)

式(4)中，πijl表示i像元上作物j的潛在分布概率；Suijl為適宜作物種植面積；PDi表示人口密度。

1.3.2 作物分配優化模型

(5)

其中分配概率應滿足如下優化條件：

(6)

(7)

CAjl×sijl≤Suijl?i?j?l

(8)

(9)

(10)

1≥sijl≥0 ?i，j，l

(11)

式(5)～(11)中，i=1， 2， 3…表示行政統計單元內的像元；j=1， 2， 3…表示作物種類；l=灌溉種植、雨養高投入、雨養低投入3種不同的種植方式。SCAjk表示上一級統計單元的種植面積；IRAi表示灌溉數據；Availi表示像元中的總耕地面積； 通過建立交叉信息熵獲得各像元內各種作物的分布概率，進行空間優化配置，獲得作物最大可能的最終分布概率sijl，最后模型輸出結果包括1980年、1990年、2000年、2010年4個時間節點玉米種植面積的空間分布。

1.4 玉米時空分布結果精度評價

為了檢驗SPAM-China模型模擬我國華北地區玉米面積空間分布的適用性，該文將該模型的輸出結果與國際上同類型的MIRCA-2000和M3數據集進行比較[15， 21]，比較的基礎是：第一，SPAM-China模型、MIRCA-2000和M3數據集都使用了我國2000年的省級統計數據，并包含了華北地區玉米種植面積信息； 第二，在時間上與SPAM-China模型輸出的2000年的結果具有一致性，且空間分辨率均為5′×5′。具體的方法為：(1)在像元尺度上，提取SPAM-China模型模擬的2000年玉米空間分布分別與MIRCA-2000和M3數據集的結果進行Kappa檢驗，分析不同模型結果之間的一致性； (2)將3套數據2000年的玉米種植面積與土地利用/覆被數據集中的旱地面積進行逐像元比對，定義玉米種植面積大于旱地面積的像元為錯分像元，從錯分像元的數量和空間分布兩個方面來進行比較。

1.5 華北地區作物種植制度提取

利用SPOT/VGT-NDVI影像可以獲取一年36個時相的NDVI時序數據，該數據的理想動態變化曲線從波谷到波峰到波谷可以體現作物的生長過程，即從播種、出苗、抽穗到成熟、收割的周期性規律。因此，通過監測華北地區時序NDVI曲線的峰值數目就可以確定該地區作物的種植制度[22-24]。

首先，該研究采用非對稱性高斯函數擬合方法對時序數據進行平滑重構，以最大可能削弱噪聲影響，減少數據序列的空值點，從而提升其年際間和區域間的可對比性[25-26]。該方法是一個從局部最優化擬合到全局擬合的方法，具有很大靈活性，可以使得重建的NDVI曲線較好描述數據中復雜和微小的變化。其次，玉米種植類型的識別最終相當于時序植被指數曲線峰值頻數的提取。提取時序植被指數曲線最常用的方法為基于差分方法來求取離散點極大值個數。該種方法存在一個突出的問題是對離散點的峰值特別敏感，可以將時序曲線中的非峰值的小峰都可以提取出來。雖然時序植被指數數據進行了平滑重構，但仍存在因影像質量或者華北地區冬小麥種植區的冬前峰而造成的異常波峰的出現[27]。

因此，該研究利用閾值方法，結合李正國等建立的以區域春、夏玉米物候歷為依據的玉米種植類型遙感解譯標志，來提取華北地區作物種植制度信息。其中，夏玉米的物候期遙感識別標志為：出苗期為6月中旬至7月上旬，成熟期為9月下旬至10月下旬，生長季長度為90—180d； 春玉米的識別標志為：出苗期為3月上旬至4月下旬，成熟期為9月下旬至10月中旬，且生長季長度為210—300d[20]。最后，利用提取時序植被指數曲線峰值數，來定義每個像元的作物種植制度，受華北地區本身地理環境的限制，時序植被指數曲線最多出現兩個峰值，即一個峰值代表該地區為一年一熟制，兩個峰值代表該地區為一年兩熟制。

1.6 春、夏玉米空間識別

根據不同作物類型物候期的季節分布特征，可知冬小麥—夏玉米區的種植制度主要為一年兩熟制，而春玉米和棉花種植區對應一年一熟制[20]。因此，將SPAM-China模型重構的華北地區玉米空間分布信息與作物種植制度空間分布信息相結合，則一年一熟制對應春玉米，一年兩熟制對應夏玉米，從而獲得2000—2010年間春、夏玉米空間分布信息。

1.7 春、夏玉米種植類型區劃分

為了劃分春、夏玉米種植類型區，該文將2000—2010年間一直種植春玉米的區域定義為“單一春玉米種植區”，一直種植夏玉米的區域定義為“單一夏玉米種植區”，春、夏玉米交替種植的區域定義為“春夏玉米混種區”。

圖2 華北地區玉米種植面積空間分布精度對比(a：SPAM-China，b：MIRCA，c：M3)，其中灰色像元代表錯分像元

圖3 華北地區玉米種植面積的總體變化趨勢

2 結果分析

2.1 玉米空間分布結果精度比較

圖4 華北地區玉米種植面積變化的時空格局(a： 1980—1989，b： 1990—1999，c： 2000—2010，d： 1980—2010)

圖5 華北地區玉米的空間動態類型(a：單一春玉米種植區，b：單一夏玉米種植區，c：春夏玉米混種區)

SPAM-China模型輸出結果與MIRCA-2000和M3數據集的對比結果顯示：(1)從模型Kappa一致性檢驗來看，SPAM-China與MIRCA-2000和M3的Kappa系數(κ)分別為0.46和0.42，表明SPAM-China模型與MIRCA-2000和M3為中等一致性(0.41≤κ≤0.60，moderate)[15]； (2)錯分像元的空間分布來看(圖2)，SPAM-China模型的分配結果在河北的中部、北京、天津以及河南的西部地區均明顯優于其他兩組數據集，且錯分像元分布較為均勻； (3)錯分像元的數量來看，SPAM-China，MIRCA-2000和M3數據集的錯分像元數分別為334， 361和499，分別占旱地總像元數的4.09%， 4.42%和6.10%。上述對比表明，SPAM-China模型的玉米空間分配結果總體上優于現有的MIRCA-2000和M3數據集，能夠更精確地反映網格單元上玉米種植的空間分布。

2.2 玉米種植面積的時空分布特征

1980—2010年，華北玉米種植面積發生了顯著變化，到2010年已達到1 000萬hm2，較1980年相比增加近360萬hm2，年均增加面積近12萬hm2(圖3)。20世紀80年代，玉米種植面積增加明顯的地區主要集中在華北地區南部的河南和山東兩省，面積縮減的區域則位于河北省南部(圖4a)； 自20世紀90年代開始，河南省東部與山東省中部玉米種植面積顯著減少，種植面積增加的區域則分布于河北省南部與山東省西北部(圖4b)； 2000年以后，面積顯著增加的區域明顯增多，其中以河南省和山東省表現最為明顯(圖4c)。總體而言，華北地區玉米種植面積呈顯著增長趨勢，其中增加面積主要集中在華北中南部地區，而北部地區玉米種植面積相對減少(圖4d)。

2.3 華北地區各省(市)春、夏玉米種植面積時空變化特征

表1 2000—2010年華北地區各省市春、夏玉米種植面積與產量的時序變化

類型變化北京天津河北河南山東種植面積(萬hm2)春玉米20009.097.8157.6914.1534.69201011.1215.05126.9719.4487.68變化量2.037.2469.285.2852.99比例(%)229312037153夏玉米200010.787.57176.00181.27229.5320101.375.10144.09284.45257.49變化量-9.41-2.47-31.91103.1827.96比例(%)-87-33-185712

2000—2010年，華北地區春玉米面積增加超過136萬hm2，占該區玉米總種植面積的比例由17%上升至27%(表1)。河北、河南、山東、北京、天津等省(市)的春玉米種植面積均增加，增加比例分別達120%、37%、153%、22%和93%，其中，河北省、山東省面積增加最為明顯，增加的春玉米面積占華北地區春玉米總增加量的89%左右。

這10年間，華北地區夏玉米面積增加87萬hm2，但占區域玉米總種植面積的比例由83%下降為73%(表1)。華北地區不同省市夏玉米種植面積變化明顯，其中河南省和山東省夏玉米種植面積增加，增加比例分別為57%和12%。河北省、北京市、天津市夏玉米種植面積減少，其中河北省減少面積最多，達32萬hm2，該省減少面積占華北地區夏玉米減少面積的73%，而北京市夏玉米面積比例減少最大，降幅達87%。

表2 2000—2010年華北地區玉米種植類型區春夏玉米種植面積變化

玉米種植類型區種植面積及(萬hm2)占華北地區玉米總種植面積比例玉米空間動態類型春玉米種植面積(萬hm2)夏玉米種植面積(萬hm2)2000201020002010變化量20002010變化量 單一春玉米種植區49.35(6%)60.80(6%)春玉米增加型21.4446.8925.45(5%)000 春玉米減少型27.9113.89-14.02(6%)000 單一夏玉米種植區259.97(34%)382.15(38%)夏玉米增加型000139.07310.27171.2(35%)夏玉米減少型000120.971.78-49.12(20%)春夏玉米混種區458.48(60%)563.06(56%)春增夏增型7.7459.9252.18(11%)76.34167.6391.29(19%)春增夏減型29.58140.32110.74(23%)214.6189.8-124.81(50%)春減夏增型16.146.57-9.57(4%)30.7868.6437.86(8%)春減夏減型33.8113.74-20.07(8%)49.4916.4-33.09(13%)其他4.66(0%)7.25(0%)華北地區玉米總種植面積772.461 013.25玉米總增加面積 488.72玉米總減少面積 -250.68

2.4 華北地區不同玉米種植類型區的時空變化特征

2.4.1 單一春玉米種植區的時空變化特征

單一春玉米種植區分布范圍顯示(圖5a)，該區春玉米主要分布于河北省與北京市的北部。華北地區玉米種植類型區春夏玉米種植面積變化顯示(表2)， 2000—2010年，春玉米種植面積增加了11萬hm2，占華北地區玉米種植面積比例維持6%不變。其中，春玉米增加型主要分布于河北省的西北和東北地區， 10年間增加面積合計25萬hm2，占華北地區玉米總增加面積的5%； 春玉米減少型零散分布于整個種植區，種植面積合計減少14萬hm2，占華北地區玉米減少面積的6%。上述結果表明，雖然單一春玉米種植區內春玉米種植面積增加，但增加速率和華北地區玉米總種植面積的增加速率達到一致，因此所占華北地區玉米總種植面積的比重保持不變。

2.4.2 單一夏玉米種植區的時空變化特征

單一夏玉米種植區分布范圍顯示(圖5b)，該區夏玉米主要分布于山東、河北和河南3省交界區域，尤其是河南省東部與山東省西部。華北地區玉米種植類型區春夏玉米種植面積變化顯示(表2)， 10年間，夏玉米種植面積增加了122萬hm2，所占區域玉米總種植面積比例由34%上升至38%。其中，夏玉米增加型主要分布于河南省東北部，面積增加171萬hm2，占華北地區玉米總增加面積的35%； 而夏玉米減少型則集中分布于3省交界地帶，面積減少了49萬hm2，占華北地區玉米總減少面積的20%。上述結果表明，單一夏玉米種植區內，夏玉米種植面積增加，且占華北地區玉米總種植面積的比例也上升。

2.4.3 春夏玉米混種區的時空變化特征

春夏玉米混種區分布范圍顯示(圖5c)，該區玉米在河北、河南、山東、北京、天津等省(市)均有分布，尤其是河北省的東南部、河南省的西南部以及山東省的東部地區。華北地區玉米種植類型區春夏玉米種植面積變化顯示(表2)， 10年間，玉米種植面積增加了105萬hm2，占華北地區玉米總種植面積比例由60%下降為56%。該區玉米主要有4種變化類型，分別為春增夏減型、春增夏增型、春減夏減型和春減夏增型。其中，春增夏減型主要分布于河北省東南部、山東省中東部和天津市，其中春玉米增加面積為111萬hm2，占華北地區玉米總增加面積的23%，夏玉米減少面積為125萬hm2，占華北地區玉米減少面積的50%。春增夏增型主要集中在山東省的中部地區，春玉米和夏玉米增加面積分別為52萬hm2， 91萬hm2，占華北地區玉米總增加面積的11%和19%； 春減夏減型玉米分布較分散，春玉米和夏玉米減少面積分別為20萬hm2， 33萬hm2，占華北地區玉米總減少面積的8%和13%； 春減夏增型主要分布于河南省的西南部地區，春玉米減少面積為10萬hm2，占華北地區玉米減少面積的4%，夏玉米增加面積為38萬hm2，占華北地區玉米總增加面積的7%。以上結果表明，春夏玉米混種區的種植面積在華北地區所占比例有所下降，但該區仍是玉米種植的主要區域，春增夏減型是春夏玉米混種區內典型的動態變化類型，變化特征主要表現為春玉米種植面積增加和夏玉米種植面積減少，可見春玉米逐漸成為春夏玉米混種區的主要玉米種植類型。

3 結論與討論

3.1 結論

該研究利用1980—2010年中國華北地區(北京、天津、河北、河南和山東)分縣玉米播種面積、耕地分布以及氣候適宜性分布等多源數據，基于SPAM-China模型，提取了區域內玉米的時空分布信息，結合時序遙感數據提取的種植制度信息，識別并劃分了華北地區春、夏玉米的主要種植類型區，重點分析了不同類型區內的春、夏玉米空間動態類型的變化特征。主要研究結論如下：

(1)1980—2010年，華北地區玉米種植面積增加了360萬hm2，增加面積主要集中在華北中南部地區，時間發生在2000年以后。

(2)2000—2010年，華北地區春玉米面積增加136萬hm2，占該區玉米總種植面積的比例由17%上升至27%，其中河北省與山東省春玉米增加的面積占該區春玉米總增加面積的89%左右； 夏玉米種植面積增加87萬hm2，但所占華北地區玉米總種植面積的比重下降，其中河北省夏玉米減少的面積占華北地區夏玉米減少面積的73%。

(3)2000—2010年，春夏玉米混種區是華北地區玉米生產的主體區域，占華北地區玉米總種植面積比例由60%下降為56%，春增夏減型是該類型區典型空間動態類型，主要分布于河北省東南部、山東省中東部和天津市。其中， 92%的春玉米增加面積和76%的夏玉米減少面積發生在該種植類型區，近期呈現出春玉米增加、夏玉米減少的態勢，可見該種植類型區內以春玉米為代表的一熟制度正在逐漸取代傳統的冬小麥—夏玉米二熟種植制度。

3.2 討論

SPAM-China模型結果能基本反映出近30年華北地區玉米空間變化，與玉米種植變化的實際情況較吻合，其次融合基于SPOT-VGT數據獲取的玉米熟制數據，彌補了該模型在區分玉米種植類型的不足，同樣也彌補了僅用玉米SPOT-VGT數據獲取玉米空間分布中混合像元造成的區域面積統計誤差的問題[20]。但是，SPAM-China模型中不僅集成了多源數據，而且主要借助1980—2010年間縣級農業統計數據進行像元分配，必然會對模型結果的精度造成一定的影響。因此，更新并評估包括土地利用數據在內的模型集成數據對不同時段結果精度的影響將是后續研究的重要內容。其次，當前玉米空間分布像元分辨率為5′×5′，有待進一步將其提高到30″×30″，以分析細部變化特征； 再次，隨著全球變暖，社會經濟的快速發展，以及2016年的一系列最新的玉米政策目標—“調整結構、取消臨儲”的制訂，我國玉米種植結構布局發生了巨大的變化，而該文僅考慮了華北地區不同玉米種植類型的地理時空分布特征，尚未考慮自然、社會、經濟以及政策調整等因素的影響機制，未來有待通過解析玉米空間格局與不同驅動因素的關系，來進一步完善玉米空間格局變化及其影響機制研究，同時為完善相關政策的出臺提供科學依據[28-32]。