基于VAR模型的鄯善綠洲葡萄種植區(qū)的時空分布模擬及預測

陳孟禹，賈 翔，陳蜀江，閆志明，趙彩鳳，黃鐵成

（1.蘇州科技大學外國語學院，江蘇蘇州215009；2.新疆師范大學地理科學與旅游學院，新疆烏魯木齊830054；3.烏魯木齊空間遙感應用研究所，新疆烏魯木齊830054；4.新疆農業(yè)大學管理學院，新疆烏魯木齊830052）

基于VAR模型的鄯善綠洲葡萄種植區(qū)的時空分布模擬及預測

陳孟禹1，賈 翔2，3，陳蜀江2，3，閆志明4，趙彩鳳2，3，黃鐵成2，3

（1.蘇州科技大學外國語學院，江蘇蘇州215009；2.新疆師范大學地理科學與旅游學院，新疆烏魯木齊830054；3.烏魯木齊空間遙感應用研究所，新疆烏魯木齊830054；4.新疆農業(yè)大學管理學院，新疆烏魯木齊830052）

借助遙感技術對多時相遙感影像進行信息提取分析，結合野外調查、統(tǒng)計資料等研究新疆鄯善綠洲葡萄種植區(qū)的時空分布格局與農作物用地的VAR模型關系，模擬和預測鄯善綠洲葡萄種植區(qū)的發(fā)展趨勢。結果表明：1990—2000年葡萄種植面積增速較快，增長率高達121.18%，2000—2013年增速減緩，增長率僅為20.81%；葡萄種植面積呈現(xiàn)南少北多的現(xiàn)象，其中山南地區(qū)在全縣占比為31.34%；1990—2013年間葡萄在農作物用地中占比由17.02%增至29.52%，鄯善綠洲農業(yè)種植結構日趨平衡；VAR模型顯示2014—2023年的葡萄種植面積及農作物用地面積均以較穩(wěn)定比例擴張，未來鄯善縣應加大葡萄產業(yè)轉型升級，進一步提高核心競爭力，創(chuàng)造更高的綠色GDP。

葡萄種植區(qū)；土地利用；鄯善綠洲；VAR模型；預測

中國作為傳統(tǒng)農業(yè)大國，耕地面積及其空間分布反映了農業(yè)生產資源的現(xiàn)狀，對分析糧食區(qū)域平衡、調整農業(yè)結構、預測農業(yè)資源綜合生產力與人口承載力具有重要參考價值［1］。國家統(tǒng)計局農業(yè)普查制度和層層上報及抽樣方法是獲取農作物種植面積的傳統(tǒng)途徑［2］。隨著經濟的快速發(fā)展以及產業(yè)結構的不斷調整升級，農業(yè)種植區(qū)向高技術水平、集約化、規(guī)?；姆较虬l(fā)展。由于農作物具有時間效應的規(guī)律性特點，在農業(yè)研究中借助遙感手段進行作物信息提取及分類已日趨廣泛［3－5］，林芬等［6］通過主成分分析、監(jiān)督及非監(jiān)督分類結合的方法提取ETM＋遙感影像的冬小麥信息并估測冬小麥長勢，玉蘇普江·艾麥提等［7］以2012年的HJ衛(wèi)星CCD影像為數(shù)據(jù)源通過物候歷和主要農作物的光譜特征分析確定庫、新、沙三縣棉花識別最佳時相。

VAR模型由 Litterman、Sargent和 Sims等人在1980年后提出，主要用于替代聯(lián)立方程結構模型［8］，人類借助VAR模型在經濟、社會發(fā)展等方面的研究已取得了一定成果，Karunaratne［9］基于1968—1996年澳大利亞工業(yè)分類數(shù)據(jù)建立VAR模型評估了澳大利亞產業(yè)援助機制的改變對澳大利亞經濟效益產生的影響；王金媛等［10］利用1992—2013年的經濟數(shù)據(jù)運用VAR自回歸模型對黑龍江省縣域金融發(fā)展與經濟增長關系進行了實證研究。VAR模型作為用非結構性方法建立各變量間關系的多方程模型，能夠很好的闡明兩個變量之間的相互影響關系，其在農業(yè)發(fā)展預測應用方面尚未見公開報道。

本研究選擇具有代表性的新疆吐魯番地區(qū)鄯善綠洲為研究區(qū)，借助遙感技術，基于多時相遙感影像分析鄯善綠洲葡萄種植區(qū)的時空分布格局及其土地利用，運用VAR模型研究“一帶一路”背景下的古絲綢之路上富有特色的葡萄種植與土地利用空間分布及動態(tài)變化的響應關系，模擬和預測葡萄種植區(qū)的發(fā)展趨勢，對于揭示鄯善綠洲農業(yè)種植結構演變的機理，預測和調控其未來發(fā)展具有重要意義。

1 研究概況

鄯善綠洲（鄯善縣）位于新疆吐魯番盆地東部，三面環(huán)山，臨近世界海平面最低點—艾丁湖，西北距烏魯木齊287 km，東距哈密市324 km［11］。該區(qū)域總面積 3.98×104km2，總人口 22.95×104；年平均氣溫為 5.7℃～14.4℃，夏季最高溫可達 48℃，冬季最低溫可至－29.9℃，屬溫帶大陸型氣候，晝夜溫差大，光照充足，無霜期長［12］；全年降水量約 4.5～5.5×108m3，有二唐溝河、柯柯亞河、坎兒其河三大水系，農業(yè)種植區(qū)中多為灌耕土，有機質含量一般在16%以上，氮、磷含量分別為0.08%和0.07%，由于種植歷史較長，土壤熟化性好，適宜種植棉花、糧食、葡萄和甜瓜等作物，且產量較高［13］。2015年鄯善縣生產總值達140.54億元，其中以葡萄、棉花和瓜果為主的種植業(yè)達5.93億元，是全國水果百強縣之一。近年來通過土地開發(fā)，非農業(yè)用地中的棕漠土形成了灌溉棕漠土，適宜種植葡萄、甜瓜等作物。

圖1 研究區(qū)位置Fig.1 Location of Shanshan Oasis

近年來，鄯善縣農業(yè)產業(yè)結構隨著農業(yè)產業(yè)結構的大力調整趨于合理。截至2013年，鄯善縣播種農作物面積 245.12 km2，其中葡萄 125.33 km2、棉花70.73 km2、哈密瓜 33.33 km2、西瓜 7.33 km2、其它8.40 km2。

1）葡萄：起源于溫帶，屬于喜溫作物，抵抗寒冷天氣方面表現(xiàn)較弱，所以在冬季的時候為使其能夠安全越冬，溫度較低地區(qū)需對葡萄采取埋土御冷的措施，在我國一般認為冬季的絕對最低溫等溫線－17℃是葡萄在冬季是需埋土防寒越冬或是露地即可越冬的分水嶺［14］，葡萄需要埋土防寒才能安全越冬，俗稱埋墩（圖2）。鄯善綠洲即屬于上述等溫線以北地區(qū)，在該區(qū)域內埋墩一般于每年的10月下旬進行，11月中旬以前完成。開墩出土在早春土壤解凍后進行，時間在3月中下旬，日平均氣溫穩(wěn)定在6℃～11℃時即可開墩出土。

圖2 葡萄埋墩過程Fig.2 Buried process of grapes

因葡萄所具備的這一特性，本研究所選擇的影像時相包括四月上旬，此時其它作物還處于播種時期而在遙感影像上幾乎無植被信息時，葡萄已能明顯識別出。

2）棉花：在4月10日—5月10日之間播種，包括播種出苗期（播種至出苗，8～15 d）、苗期（出苗至現(xiàn)蕾，40～50 d）、蕾期（現(xiàn)蕾至開花，25～30 d）、花鈴期（開花至吐絮的時期，50～70 d）、吐絮期（始絮至終絮，70 d左右）。

3）哈密瓜：在4月20日前后播種；播種后5～7天即可出苗，出苗3天之內應立即查苗補種。

4）西瓜：2月下旬—3月中旬定植，其生長發(fā)育周期可分發(fā)芽期（播種至發(fā)芽，10 d左右）、幼苗期（25～30 d）、伸蔓期（18～20 d左右）、結果期（28～40 d）四個時期。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源

本研究主要利用了以下數(shù)據(jù)：

（1）Landsat遙感影像：選取美國地質調查局（USGS）的1990年4月6日、1990年8月18日、1995年4月7日、1995年8月18日TM影像以及2000年4月2日、2000年8月18日、2005年4月5日、2005年8月 19日的 ETM影像，用于提取 1990、1995、2000、2005年的葡萄種植區(qū)及土地利用分布空間格局；

（2）Google Earth影像：選取2005年4月16日、2010年4月22日、2010年8月17日、2013年4月20日的GE數(shù)據(jù)，影像分辨率最高可達0.61 m，能很好的辨別植被類型，用于分類后檢驗修改錯分數(shù)據(jù)和精度評價；

（3）HJ－1A／1B衛(wèi)星數(shù)據(jù)：選取環(huán)境保護部衛(wèi)星環(huán)境應用中心的2010年4月13日、2010年8月6日、2010年8月24日、2013年4月11日、2013年8月1日的HJ－1A／1B衛(wèi)星數(shù)據(jù)，空間分辨率均為30 m，用于提取2010、2013年的葡萄種植區(qū)及土地利用分布空間格局；

（4）其它：DEM數(shù)據(jù)（空間分辨率為90 m，來源于地理空間數(shù)據(jù)云的SRTM3 V4.1版本）、中國行政基礎地理數(shù)據(jù)、森林資源二類調查數(shù)據(jù)以及野外調查數(shù)據(jù)等。

2.2 數(shù)據(jù)分析與處理

借助 ENVI軟件對 Landsat和 HJ－1A／1B遙感影像進行大氣校正（Atmosphere Correction）、幾何校正（Geometric Correction）、圖像融合（Image Fusion）、圖像鑲嵌（Image Mosaic）、裁剪（Subset）等預處理，數(shù)據(jù)輸出的格式為Geotiff，投影為UTM。

2.2.1 鄯善綠洲1990—2013年土地利用現(xiàn)狀分類結合2007年國家出臺的《土地利用現(xiàn)狀分類》及研究需要，借助ENVI軟件，采用監(jiān)督分類法中的最大似然法將經預處理得到的6期夏季8月份遙感影像的地物劃分為6類，包括林地、草地、農作物用地、水域、工礦居民用地、未利用地，其中：農作物用地包括棉花、葡萄、哈密瓜、西瓜，未利用地包括植被覆蓋度較低的稀疏林、稀疏灌木林、稀疏草地、裸巖、裸土、沙漠／沙地、鹽堿地以及冰川／永久積雪。然后建立精度評估誤差矩陣，從而對分類結果進行精度評價，總正確率達到87%，能夠滿足研究需要。

2.2.2 鄯善綠洲1990—2013年葡萄種植區(qū)提取NDVI（歸一化植被指數(shù)）是反映農作物長勢的重要參數(shù)之一，實地調查對比發(fā)現(xiàn)葡萄與其它作物年內NDVI曲線變化基本一致，冬季的12月—2月曲線走勢差別較小，這是由于冬季葡萄為防寒已經進行了埋土處理，其它作物也不再覆蓋地表；而從3月—6月曲線差距較為明顯。3月初，葡萄種植區(qū)的NDVI值與其它作物仍基本無差別，到了3月下旬，葡萄NDVI曲線陡然上升至0.2以上，而其它作物仍維持在0.1左右，這是由于此時間段內葡萄已經開墩出土并在植被指數(shù)上有所體現(xiàn)，但因為此時葡萄葉片并未完全長出，故NDVI值只是相較其它作物有所增大，與此同期其它作物仍處于播種階段，故在1月—3月NDVI曲線較為平緩，值無大的變化。

因此可以利用4月初葡萄NDVI值大于其它農作物的特點從土地利用分類后的農作物用地圖層提取葡萄種植區(qū)。

借助ENVI軟件，首先將預處理得到的春季4月份遙感影像根據(jù)（式1）進行波段運算，得到研究區(qū)6期NDVI分布；其次借助決策樹分類工具，確定閾值為NDVI≥0.2來提取葡萄、林地、草地區(qū)域；最后利用ArcGIS軟件將土地利用分類得到的農作物用地與決策樹分類所得到的葡萄、林地、草地區(qū)域進行疊加，其重疊區(qū)域即為葡萄種植區(qū)（圖3）。

借助Google Earth高分辨率影像采用分層隨機采樣方法對葡萄種植區(qū)提取結果進行精度評價。采用簡單的分類正確樣本數(shù)與總體樣本數(shù)的百分比作為精度高低的評價指標，樣本容量由Fitzpatrick－Lins建議的二項式概率理論計算得到［15］。經過計算，提取精度均大于85%，能夠滿足研究要求（表1）。

圖3 1990—2013年葡萄種植區(qū)分布Fig.3 Grape growing area of1990 to 2013

3 結果與分析

3.1 葡萄與農作物用地的時空分布

3.1.1 葡萄種植區(qū)的空間分布格局 由葡萄種植區(qū)提取結果（圖3）統(tǒng)計得到1990—2013年鄯善縣各鄉(xiāng)鎮(zhèn)葡萄種植面積（表2）。

1990—2013年各鄉(xiāng)鎮(zhèn)葡萄種植面積差異較大。2013年各鄉(xiāng)鎮(zhèn)中葡萄種植面積最大的是連木沁鎮(zhèn)，占鄯善葡萄總種植面積的23.39%，其次分別為七克臺鎮(zhèn)、魯克沁鎮(zhèn)、鄯善鎮(zhèn)、辟展鄉(xiāng)、達浪坎鄉(xiāng)、東巴扎回族鄉(xiāng)、迪坎鄉(xiāng)、吐峪溝鄉(xiāng)，比例依次為：17.40%、16.13%、10.06%、8.34%、7.43%、6.65%、5.43%、4.63%。2013年火焰山南部艾丁湖盆地區(qū)（吐峪溝鄉(xiāng)、魯克沁鎮(zhèn)、達浪坎鄉(xiāng)和迪坎鄉(xiāng)）葡萄種植面積達41.12 km2，占全縣葡萄種植面積的 31.34%。

表1 1990—2013年遙感分類結果精度評價Table 1 Accuracy assessmentof classification from 1990 to 2013

表2 1990—2013年各鄉(xiāng)鎮(zhèn)葡萄種植面積／km2Table 2 The grape acreage in the township from 1990 to 2013

由于高程對溫度和熱量的變化有著直接的影響，進而影響葡萄種植分布。將DEM數(shù)據(jù)與葡萄種植區(qū)進行疊加分析，得到各高程帶內的葡萄種植區(qū)空間分布特征（表3）。

表3 葡萄種植面積隨高程的變化Table 3 Grapes spatial elevation grading

通常情況下，高程越高，溫度和熱量相對越低，故作物的物候期會推遲，果實的成熟期也會相應推后，這使得果實糖分的積累增加，增強了葡萄的口感，但由于葡萄是喜溫性作物，海拔過高反而不利于葡萄生長［16］。研究區(qū)葡萄種植區(qū)主要集中于高程300～500m，種植面積為 64.82 km2，在總面積中所占比重達到49.41%。低于海平面以下區(qū)域的葡萄種植面積為39.28 km2，占總種植面積的29.94%（表3）。鄯善作為我國葡萄干的主要產區(qū)，其葡萄晾房主要分布于高程300～600 m，主要考慮到通風且減少周圍綠洲水分對其的影響，從而提高葡萄干的品質［12］。由此可知，葡萄晾房的分布也間接影響了葡萄種植區(qū)域的分布。

3.1.2 葡萄種植區(qū)的動態(tài)變化 總體上，1990—2013年鄯善縣的葡萄種植面積不斷增大，其中1990—2000年增長了 59.50 km2，增長率高達121.18%，增長速度較快；自2000年后增速逐漸減緩，2013年葡萄種植面積較2000年增加了22.60 km2，增長率為 20.81%。

按行政區(qū)劃分，1990—2013年葡萄種植面積在鄯善各鄉(xiāng)鎮(zhèn)均呈現(xiàn)增加趨勢，但增加的速度各不相同（表4），其中：葡萄種植大鎮(zhèn)連木沁鎮(zhèn)在葡萄面積擴張方面一直處于遙遙領先的地位，其次是七克臺鎮(zhèn)和魯克沁鎮(zhèn)；各鄉(xiāng)鎮(zhèn)中葡萄擴張速度最為緩慢的是吐峪溝鄉(xiāng)和迪坎鄉(xiāng)，1990—2000年擴張速度較快，之后增加幅度較小，其它鄉(xiāng)鎮(zhèn)變化趨勢與之類似。

按地理單元劃分（圖3），1990—2013年間葡萄種植面積的擴張速度山北天山沖擊平原區(qū)大于山南艾丁湖盆地區(qū)，山北天山沖擊平原區(qū)在此期間葡萄面積增加量為53.81 km2，山南艾丁湖盆地區(qū)為28.29 km2。但從二者占葡萄種植總面積的比重來看，山北天山沖擊平原區(qū)由 1990年的 67.76%降至 2013年的66.37%，而山南艾丁湖盆地區(qū)自1990年的32.24%增至2013年的33.63%。由此可看出葡萄種植正由火焰山以北向火焰山以南地區(qū)擴張，主要是由于火焰山以南地勢較為平坦，更適宜人類生產生活。

表4 1990—2013年各鄉(xiāng)鎮(zhèn)葡萄種植面積變化量／km2Table 4 Variation in grape acreage of the township from 1990 to 2013

3.1.3 農作物用地的時空分布格局 農作物用地在1990—2013年間逐年擴張，與各地類總體變化方向一致，均呈現(xiàn)由北逐步向南擴張的趨勢（表5）。

表5 1990—2013年農作物用地面積及其在鄯善綠洲中所占比重與變化Table 5 Crop land area and it’s proportion and change in Shanshan Oasis from1990 to 2013

1990—2013年間，農作物用地面積變化量及其在鄯善綠洲的比重保持同步增長趨勢（表5），農作物用地面積變化量和比重變化量均在1995—2000年間達到最大，這與葡萄種植面積的變化趨勢（表4）基本一致。2000—2005年農作物用地擴張速度雖有所下降，但下降幅度不大，面積增加量和比重變化量分別達到 42.91 km2和 0.11%；2005—2013年，農作物用地擴張速度趨于穩(wěn)定，面積變化量基本維持在1.1 km2·a－1，其在鄯善綠洲的比重變化量也同樣維持平穩(wěn)狀態(tài)。農作物用地在此變化過程中所呈現(xiàn)的特點也說明了其在鄯善綠洲發(fā)展中通過不斷調整最終尋得了適應發(fā)展并與其它各地類平衡的狀態(tài)。

3.2 葡萄種植區(qū)與農作物用地面積的VAR模型

VAR模型是基于數(shù)據(jù)的統(tǒng)計性質建立模型，把系統(tǒng)中每個內生變量作為所有內生變量的滯后值的函數(shù)來構造模型，從而將單變量自回歸模型推廣到由“向量”自回歸模型［17－18］。VAR模型得到的是內生變量之間相互作用的關系模型，在本研究中即為葡萄種植面積和土地利用兩者之間相互作用的關系。根據(jù)模型結構，可以得到兩個變量短期的相互影響關系，即滯后項的系數(shù)。而在構造模型之前需要進行的協(xié)整檢驗，得到的兩個變量存在協(xié)整關系，也說明了該模型可以表示兩個變量之間存在長期均衡關系。葡萄面積和土地利用這兩個變量并不是單向影響，而是相互產生作用相互制約的，其不僅存在短期的關系，同時存在長期的相互影響關系，故采用VAR模型對這兩個變量進行研究。

3.2.1 單位根檢驗 由于大多數(shù)時間序列都是非平穩(wěn)的，故在對時間序列進行建模前，首先要檢驗序列的平穩(wěn)性［19］，本研究使用最常用的 ADF檢驗法對葡萄種植面積和綠洲面積之間的單位根檢驗（表6）。

在水平單位根檢驗結果中 P值均大于0.05（表6），意味著葡萄面積和綠洲面積兩個變量均為不平穩(wěn)序列，而一階差分后單位根檢驗 P值小于0.05，說明葡萄面積和綠洲面積這兩組變量在進行一階差分之后的序列為平穩(wěn)序列，即兩個變量均為一階單整。

3.2.2 VAR模型定階 本研究采用信息準則法對VAR模型［17－18］進行定階（表 7）。

表6 葡萄種植面積和綠洲面積之間的單位根檢驗結果Table 6 The test results of unit root between the grape growing area and oasis area

表7 VAR模型定階結果Table 7 VARmodel order results

定階結果表明：AIC和SC均為1階最小，說明應該采用1階建立VAR模型（表7）。

3.2.3 VAR模型建立 通過對模型建立前的平穩(wěn)性檢驗及滯后階數(shù)的確定，建立葡萄種植面積及綠洲面積之間的VAR模型（表8）。

農作物用地面積與葡萄面積的 R方分別為0.900124、0.922676，擬合度非常高（表 8）。F統(tǒng)計量分別為 76.60547、101.4269，遠遠大于 1%顯著水平的臨界值，說明模型顯著成立，且系數(shù)均通過了檢驗。農作物用地與葡萄面積滯后一階的系數(shù)為正，說明滯后一期的農作物用地面積和與葡萄面積對當期具有正向影響。

根據(jù)以上結果建立葡萄種植面積與綠洲面積兩者間的VAR模型（式2）：

表8 VAR模型參數(shù)估計結果Table 8 The estimation results of VARmodel parameter

式中，GD為農作物用地面積，PT為葡萄種植面積，t為年份。

3.2.4 模型檢驗 VAR模型的平穩(wěn)性檢驗結果顯示，VAR模型特征根均位于單位圓曲線內部（圖4），證明該模型為平穩(wěn)系統(tǒng)，能夠滿足脈沖響應和預測方差分析的需要。

對VAR模型的格蘭杰因果進行檢驗（表9）。

P值均小于 0.05（表9），說明拒絕了葡萄面積和農作物用地面積不存在格蘭杰因果關系的假設，即葡萄面積和農作物用地面積互為因果關系。

對VAR模型的協(xié)整關系進行檢驗（表10）。

圖4 特征方程根Fig.4 Inverse roots of AR characteristic polynomial

表9 VAR格蘭杰因果檢驗結果Table 9 VAR Granger causality／block exogeneity wald tests

表10 VAR模型協(xié)整檢驗結果Table 10 The test results of VARmodel cointegration

對于不存在協(xié)整關系的假設，P值為0.00907，小于0.05，說明拒絕該假設（表10）。對于存在一個協(xié)整關系的假設，P值為 0.4924，大于 0.05，說明接受該假設，即葡萄種植面積和綠洲面積存在長期協(xié)整關系。

對VAR模型的殘差進行檢驗（表11）。

表11 殘差正態(tài)檢驗Table 11 VAR residual normality tests

從輸出的統(tǒng)計量檢驗值可知，P值均大于0.05，說明接受原假設，即殘差是服從正態(tài)分布的。

對VAR模型的預測精度進行檢驗（表12），發(fā)現(xiàn)預測值與實際值相對誤差較小，均在5%以內。說明所建立的模型預測精度很好，可以用于葡萄和農作物用地面積的預測。

表12 葡萄與農作物用地面積預測值與實際值比較／km2Table 12 The comparison between the predictedvalue and actual value of crop land area

3.2.5 模型預測 經以上驗證，該模型各參數(shù)檢驗及精度驗證結果均較好，可用于預測。預測期不宜設置過長，因預測期越長，累計誤差越大［20］，故為了更準確地預測葡萄及農作物用地面積，選擇預測期為10年，得到預測結果（表13）。

表13 2014—2023年葡萄和農作物用地面積及其比重預測Table 13 Prediction of the grapes and crop land and its proportion from 2014 to 2023

預測結果顯示：2014—2023間葡萄種植面積和農作物用地面積均保持逐步擴張趨勢（表13）。葡萄在農作物用地中所占的比重也隨著其面積的增加而小幅度上升，但其每年的比重變化值基本保持在0.25%左右，即鄯善綠洲葡萄種植面積的變化趨勢更加趨于穩(wěn)定化，其農業(yè)種植結構也在不斷調整中尋得較好的平衡。

4 結 論

本研究借助遙感技術對多時相遙感影像進行信息提取，在此基礎上建立葡萄種植區(qū)和農作物用地面積的VAR模型，進而模擬和預測葡萄種植區(qū)的發(fā)展趨勢，結論如下：

1）葡萄種植面積不斷增大。1990年年葡萄種植面積僅為 49.1 km2，而到 2000年增長至 108.6 km2，增長率高達121.18%，增長速度較快；自2000年以后增長速度減緩，2013年葡萄種植面積較2000年增加了22.60 km2，增長率為 20.81%。2013年山南地區(qū)葡萄種植面積達41.12 km2，占全縣總數(shù)31.34%，葡萄種植區(qū)空間分布呈現(xiàn)南少北多趨勢，主要是由于山南一帶氣候干燥，致蒸發(fā)量大于山北地區(qū)，缺水比較嚴重，而山北地區(qū)降水量相對豐富。

2）鄯善綠洲1990—2013年間葡萄種植面積由17.02%增至29.52%，在2000年左右變化出現(xiàn)一個小波峰，隨后仍然繼續(xù)增長。由此說明葡萄種植在鄯善綠洲發(fā)展過程中日趨穩(wěn)定，葡萄種植產業(yè)也日漸成熟，也側面表明鄯善綠洲農業(yè)種植結構在不斷調整中尋得了平衡點。

3）利用所建立的VAR模型對2014—2023年的葡萄種植面積及農作物用地面積進行預測，發(fā)現(xiàn)此預測期內二者面積均以較穩(wěn)定比例擴張。

4）目前為止，關于葡萄方面的研究，大多學者側重于葡萄種植及釀酒的技術、歷史、文化的探討或是大尺度地研究我國葡萄生產區(qū)域的布局變化，少有人通過遙感手段來探索小區(qū)域內葡萄的空間分布及動態(tài)變化，缺乏相關的經驗以及完整的參考資料。相較于河南、山東等農業(yè)大省，鄯善綠洲由于其地域特殊性，農作物種類較為簡單，利用4月中旬左右的遙感影像提取葡萄分布信息較為合理，研究結果可信，但能否大范圍推廣尚待深入研究。

5）因遙感影像的時相局限性，導致本研究中所選取的遙感影像的時相較為混亂，只對1990年、1995年、2000年、2005年、2010年、2013年這 6期的影像數(shù)據(jù)進行了信息提取及分析，數(shù)據(jù)的不連續(xù)性導致在分析葡萄種植面積與農作物用地的響應關系時也會有偏差，未來研究工作中需進一步完善。

“一帶一路”上的鄯善綠洲作為吐魯番地區(qū)重要的生態(tài)安全屏障，地理優(yōu)勢極為突出，其生態(tài)文明建設不僅關系到當?shù)氐目沙掷m(xù)發(fā)展，還關系到整個吐魯番地區(qū)的生態(tài)安全和可持續(xù)發(fā)展。鄯善綠洲憑借自然條件優(yōu)越、市場需求廣闊、產業(yè)基礎較好的優(yōu)勢條件，葡萄種植歷史悠久，其不僅是農業(yè)的主導產業(yè)，也是農民增收的主要渠道。縱觀國內市場，發(fā)達省市葡萄種植面積和產量逐年上升，葡萄酒消費市場日趨活躍，葡萄產業(yè)的競爭日趨激烈，未來鄯善縣應實施葡萄優(yōu)質化戰(zhàn)略，培育壯大龍頭企業(yè)，促進葡萄產業(yè)轉型升級，優(yōu)化葡萄種植結構，實施綜合開發(fā)，充分發(fā)揮葡萄產業(yè)鏈條長、關聯(lián)度大的特點，發(fā)展一批代表葡萄酒及相關產業(yè)發(fā)展較高水平的葡萄品種園、葡萄酒堡、葡萄莊園，并在帶動葡萄旅游產業(yè)一體化發(fā)展的同時，改善鄯善縣生態(tài)環(huán)境，搶抓國家“一帶一路”歷史發(fā)展機遇，積極打造“一帶一路”上的戰(zhàn)略支點和西部樣板城市。

［1］ 盧必慧.基于多指標體系的臨安市土地資源承載力綜合評價研究［D］.杭州：浙江大學，2014.

［2］ 李 楊，江 南，侍 昊，等.基于SPOT／VGT NDVI的大區(qū)域農作物空間分布［J］.農業(yè)工程學報，2010，36（12）：242-247，430.

［3］ 唐華俊，吳文斌，楊 鵬，等.農作物空間格局遙感監(jiān)測研究進展［J］.中國農業(yè)科學，2010，43（14）：2879-2888.

［4］ 許寶泉，梁長利，舒 慶，等.基于 GIS技術的祖歷河流域糧食產量及糧食安全分析［J］.干旱地區(qū)農業(yè)研究，2015，33（6）：265-269.

［5］ 史 舟，梁宗正，楊媛媛，等.農業(yè)遙感研究現(xiàn)狀與展望［J］.農業(yè)機械學報，2015，58（2）：247-260.

［6］ 林 芬，趙庚星，常春艷，等.基于相鄰軌道圖像的冬小麥面積提取及長勢分析［J］.農業(yè)資源與環(huán)境學報，2016，33（4）：384-389.

［7］ 玉蘇普江·艾麥提，玉蘇甫·買買提，阿里木江·卡斯木.基于分類回歸樹分析的棉花種植面積提取——以庫、新、沙三縣為例［J］.干旱地區(qū)農業(yè)研究，2014，32（5）：187-191.

［8］ 張美英，何 杰.時間序列預測模型研究綜述［J］.數(shù)學的實踐與認識，2011，41（18）：189-195.

［9］ Njikam o Cockburn-J.Trade liberalization and productivity growth：firm-level evidence from cameroon［J］.Journal of Developing Areas，2011，44（22）：279-302.

［10］ 王金媛，李桂林，張啟文.縣域金融發(fā)展與縣域經濟增長關系的實證研究——基于黑龍江省64個縣（市）的VAR模型分析［J］.黑龍江畜牧獸醫(yī)，2016，59（14）：34-38.

［11］ 陳彩蘋，丁永建，劉時銀.塔里木河上游阿克蘇地區(qū)水資源與綠洲農業(yè)種植結構調整優(yōu)化研究——以拜城縣為例［J］.干旱區(qū)資源與環(huán)境，2007，30（5）：29-34.

［12］ 陳蜀江，馬 靜，李春蕾，等.基于二次分類的葡萄干晾房遙感信息挖掘及反演［J］.西北農業(yè)學報，2015，24（3）：111-120.

［13］ 秦文韜，王忠躍.GIS在葡萄研究與生產中的應用［J］.中外葡萄與葡萄酒，2012，41（3）：54-57.

［14］ 徐德源，王 健，任水蓮，等.新疆葡萄產品的優(yōu)勢及其生態(tài)氣候條件評價［J］.新疆氣象，2004，61（1）：16-19.

［15］ Im J，Jensen JR.A change detection model based on neighborhood correlation image analysis and decision tree classification［J］.Remote Sensing of Environment，2005，99（3）：326-340.

［16］ 孫殿明，趙 萍，孫顏琪.瑪納斯縣釀酒葡萄產業(yè)發(fā)展的農業(yè)氣候條件分析［J］.農業(yè)與技術，2015，37（17）：149-151.

［17］ 劉 宏，李述晟.FDI對我國經濟增長、就業(yè)影響研究——基于 VAR模型［J］.國際貿易問題，2013，42（4）：105-114.

［18］ Simkins S.Forecasting with vector autoregressive（var）models subject to business cycle restrictions［J］.International Journal of Forecasting，1995，11（4）：569-583.

［19］ 張 歡，成金華.中國能源價格變動與居民消費水平的動態(tài)效應—基于VAR模型和SVAR模型的檢驗［J］.資源科學，2011，33（5）：806-813.

［20］ 侯 偉，魯學軍，張春曉，等.面向對象的高分辨率影像信息提取方法研究——以四川理縣居民地提取為例［J］.地球信息科學學報，2010，12（1）：119-125.

Simulation and prediction of the temporal-spatial distributions of grape grow ing areas based on the VAR model in Shanshan Oasis

CHENMeng-yu1，JIA Xiang2，3，CHEN Shu-jiang2，3，YAN Zhi-ming4，ZHAO Cai-feng2，3，HUANG Tie-cheng2，3
（1.College of Foreign Lɑnguɑges，Suzhou University of Scienceɑnd Technology，Suzhou，Jiɑngsu 215009，Chinɑ；2.College of Geogrɑphy Scienceɑnd Tourism，Xinjiɑng Normɑl University，Urumqi，Xinjiɑng 830054，Chinɑ；3.Urumqi Institute of Spɑtiɑl Remote Sensing Applicɑtions，Urumqi，Xinjiɑng 830054，Chinɑ；4.Mɑnɑgement College，Xinjiɑng Agriculturɑl University，Urumqi，Xinjiɑng 830052，Chinɑ）

Extracted and analysed long phase information from multitemporal remote sensing images based on RS，combined with field investigation and statistical data，the VAR model between the spatial and temporal field investigation，statistics analysis distribution pattern of the grape planting area and crop land in Shanshan were studied，then to simulate and forecast the development trend of the Shanshan oasis grape growing area.The results showed that：The growth speed of grape planting area was relatively quick from 1990 to 2000，the growth rate was as high as 121.18%，but it slowed down from 2000 to 2013，the growth ratewas only 20.81%；the grape growing areas showed a trend of less distribution in south and more in north，the southern area in the county accounted for 31.34%；the proportion of grape growing area in the field of agricultural crops increased from 17.02%to 29.52%from 1990 to 2013，the growing structure ofagriculture in Shanshan Oasis is becomingmore andmore balanced；the VARmodel showed that the grape growing area and crop land keep in a relatively stable expansion proportion of area scale from 2014—2023.Shanshan Couty should increase the transformation and upgrading of grape industry in the future，and further improve the core compebitiveness and create a higher green GDP.

grape growing area；land use；Shanshan Oasis；VAR；prediction

S663.1；S601.9

A

1000-7601（2017）05-0049-09

10.7606／j.issn.1000-7601.2017.05.08

2016-07-24

2016-09-02

國家自然科學基金“基于NDVI時間效應的塔里木河流域胡楊林春尺蠖災害遙感動態(tài)監(jiān)測研究”（31460167）資助

陳孟禹（1992—），男，新疆烏魯木齊人，本科，主要從事遙感與地理信息系統(tǒng)研究。E-mail：535480893＠qq.com。

賈 翔（1988—），男，河南南陽人，碩士，經濟師，主要從事遙感與地理信息系統(tǒng)研究。E-mail：jiaxiang19891204＠126.com。