SPAM模型和遥感结合提取华北地区春夏玉米种植面积*

陈 卓，谢苗苗，范玲玲，陈 浩，梁社芳，，游良志，吴文斌， 4，杨 鹏， 4※

(1.中国地质大学(北京)土地科学技术学院，北京 100083； 2.中国农业科学院农业资源与农业区划研究所/农业部农业遥感重点实验室，北京 100081； 3.Environment and Production Technology Division，International Food Policy Research Institute， 2033K Street，NW，Washington DC 20006，USA； 4.中国农业科学院—比利时根特大学全球变化与粮食安全联合实验室，北京 100081)

0 引言

农作物时空格局动态变化规律、过程和机理研究是全球变化和可持续科学领域的研究前沿和热点[1， 2]。研究制定不同区域尺度的粮食安全政策和气候变化应对策略，开展与此相关的陆地碳循环、氮循环、水资源利用和土壤侵蚀等研究，都需要对区域农业土地利用(Agricultural land Use)的过去、现在和未来有清楚的认识，尤其是必须了解作物空间分布的时空动态变化规律。

玉米是世界上种植最广泛的喜温谷类作物之一，总产量居三大谷物之首。2012年玉米成为我国种植面积最大的粮食作物，其种植面积达3 490万hm2，总产达到2.08亿t，其种植面积与产量仅次于美国。华北地区(北京市、天津市、河北省、河南省和山东省)是我国重要的商品粮生产基地，也是我国玉米的主产区，其播种面积超过1 000万hm2，产量约占全国的40%。华北地区作物种植制度以一年一熟和一年两熟为主。其中，一年一熟地区以春玉米、棉花等秋收作物种植为主； 一年两熟地区则以冬小麦—夏玉米种植为主。因此，明晰华北地区玉米时空格局，尤其是获取春玉米与夏玉米的时空格局演变规律，具有重要的科学价值和现实意义。

当前获取大区域尺度作物时空分布信息的方法主要有统计方法[3-5]、遥感分类方法[6-12]，以及基于多源信息融合的方法[13-18]等。由于混合像元、大气干扰、尺度转换等因素的影响，单纯基于遥感分类的方法尚难以获取大区域尺度、长时间序列的农作物空间分布信息。统计方法则仅能反映统计单元水平上的数量变化，难以体现统计单元内作物的空间变异性[18， 19]。因此，基于多源信息融合的方法充分利用多种数据源，弥补单一数据源和方法的缺陷，有助于提升区域作物信息获取精度，正成为大区域尺度作物空间分布信息提取的重要发展方向之一。其中，基于交叉信息熵原理的作物空间分配模型(SPAM-China：Spatial Production Allocation Model for China)是目前我国应用较为广泛的模型之一。该模型通过集成耕地分布、作物统计面积与产量、农业灌溉分布、农作物适宜性分布等多源空间信息，利用交叉信息熵原理将农作物的种植面积与总产信息分配至网格单元，重构作物空间分布，近年来已被广泛应用于我国大区域尺度作物时空分布特征的分析研究[15， 16， 18]。

同时，时间序列的遥感植被指数值蕴含着植被的生长和枯萎的年循环节律，经时间序列函数拟合方法重构的植被指数变化曲线，可以准确地反映农作物的出苗、拔节、抽穗、收获等物理过程[20-22]。目前，基于NOAA/AVHRR、SPOT/VGT以及EOS/MODIS等的植被指数时序资料已经在作物生长过程监测、作物面积提取、作物类型识别和作物种植制度等方面得到了广泛的应用[23-26]。

因此，文章研究选择华北地区(北京市、天津市、河北省、河南省和山东省)为研究区域，以玉米种植面积为研究对象，首先构建SPAM-China模型在网格单元上重建1980—2010年间玉米空间分布信息； 然后利用SPOT/VGT 逐旬NDVI时序遥感数据构建研究区域一年一熟作物和一年二熟作物的遥感识别标志，提取区域内作物种植制度的时空分布信息，进一步识别并划分出华北地区2000—2010年间春玉米、夏玉米的主要种植类型区； 最后，详细分析了华北地区近10年不同种植类型区内春、夏玉米空间分布信息的时空变化特征。该研究创新性地提出了基于作物空间分配模型(SPAM-China模型)和遥感信息综合提取华北地区春、夏玉米种植面积的新方法，为大区域、长时间尺度作物种植信息的获取提供了新思路。

1 材料与方法

1.1 研究区域

研究区位于北纬32°～42°，东经113°～120°之间，包括北京市、天津市、河北省、河南省和山东省。该区为洪冲积平原，土地总面积为3 200hm2，大部分地区属于暖温带大陆性季风气候，≥0℃年积温4 200～5 500℃，年平均温度13.0℃，年平均累积辐射量5 100～5 300 MJ/m2，无霜期为170～220d，热量条件可以满足一年一熟和一年两熟作物生长的需求； 年平均降水量为500～900mm，主要集中在夏季的7—9月，季节分配不均，年际变化大。华北地区以旱作农业为主，旱地面积约占全国的三分之一，其中以种植冬小麦、玉米和棉花为主，产量分别占全国的56%、37.5%和38%[20]。总体而言，华北地区南部地区作物种植制度以一年两熟为主，作物类型主要包括冬小麦与夏玉米； 北部主要为一熟制区域，作物类型以一年一熟的春玉米和棉花等秋收作物为主，并且种植制度空间分布随着纬度递减呈现出简单到复杂的变化趋势。

图1 研究区示意图

1.2 数据来源

玉米空间分配模型数据包括：农业统计数据、行政边界数据、耕地空间分布数据、耕地灌溉数据、作物气候适宜性数据以及人口密度数据。农业统计数据来自统计年鉴，鉴于研究区县级行政边界在近30年来发生过多次调整，为保证时序数据的一致性和有效性，以2000年国家基础地理信息行政边界为基准，对县级数据进行归并，最终形成1980—2010年的农业统计时序数据； 行政边界数据采用2000年全国县级行政区划图，研究中其他时期的行政区划数据处理是在此基础上进行合并和拆分； 耕地空间分布数据主要来自遥感解译SPOT 4数据得到的全球空间分辨率为1km的GLC-2000(Global land Cover 2000 Project)全球土地利用/覆被图，将数据进行像元百分比； 耕地灌溉数据，来源于联合国粮农组织(FAO)和德国卡塞尔大学联合开发的全球空间分辨率5′×5′(约10km×10km)的农业土地灌溉区域分布图，以网格内的灌溉百分比数据表示； 作物气候适宜性数据采用了FAO的农业生态区划(Global Agro-ecological Zones，GAEZ)进行划分； 人口密度数据源自于世界人口栅格分布图(Global Population of World，GPW Version 2)，该数据集为全球尺度上每平方公里内的人口数，人口密度数据用于表示作物分配过程中市场可达性。所有数据均统一至WGS-84坐标系(World Geodetic System 1984)，尺度重栅格化至分辨率为5′×5′。

模型验证数据包括Monfreda等(2008)发布的M3数据集和Portmann等(2010)发布的MIRCA-2000数据集，以及中国土地利用/覆被数据集(National land Cover Data，NLCD)3类数据。其中，NLCD数据来自于中国科学院(CAS)和在地球系统科学数据共享平台上的在线发表(http：//www.geodata.cn)。采用的遥感数据SPOT/VGT 逐旬NDVI最大值合成数据，时间范围为2000年4月至2010年10月，空间分辨率为1km。该时序数据从比利时佛莱芒技术研究所(Flemish Institute for Technological Research，Vito)的VEGETATION 影像处理中心网站下载(http：//www.vito-eodata.be)。该数据已完成了几何校正、辐射校正、地图投影、状态标识以及大气校正等预处理。

1.3 SPAM-China模型

SPAM模型最初由国际食物政策研究所(IFPRI-International Food Policy Research Institute)设计开发，集成耕地分布、作物统计面积和产量、农业灌溉分布、农作物适宜性分布等多元空间信息数据，利用基于交叉信息熵原理的SPAM模型将农作物的种植面积与总产量精确地分配至像元，用于模拟全球或区域尺度作物的时空分布信息。目前，研究主要集中在南美、非洲、亚洲地区及全球尺度。由于各个地区自然、气候和种植历史等情况的不同，玉米的分布出现明显的地域差异，因而SPAM模型结果并不能直接用于中国区域的作物时空变化分析。通过对数据源、模型参数和分配规则的调整，刘珍环等构建了适应中国区域的作物空间分配模型(SPAM-China)，并已在我国针对不同作物开展了相关研究[15-17]。该模型核心模块包括交叉信息熵分布概率计算模块和作物空间分配优化模块，基本的工作思路是在对多源数据一致化处理后，采用交叉信息熵方法对多源信息进行判别和处理，计算多种作物空间分布概率，从而模拟作物空间分布。

1.3.1 信息熵分布概率

对于给定的分布概率(p1，p2，…pk)，可定义Shannon信息熵为：

(1)

通过引入交叉信息熵(CE)用于度量两个概率分布pi和qi不一致的情况，获得最小交叉信息熵方式确定概率的限制。

(2)

式(2)中，pi和qi分别表示X县中第j种作物分布的两个概率——作物面积可分配概率sijl和潜在适宜种植面积可分配概率πijl：

(3)

式(3)中，CAj表示X县第j种作物的像元总面积，Aijl表示X县第i个像元上可分配的j作物种植面积； 模型初始时，假设j作物在X县内所有像元上平均分配。

(4)

式(4)中，πijl表示i像元上作物j的潜在分布概率；Suijl为适宜作物种植面积；PDi表示人口密度。

1.3.2 作物分配优化模型

(5)

其中分配概率应满足如下优化条件：

(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…表示行政统计单元内的像元；j=1， 2， 3…表示作物种类；l=灌溉种植、雨养高投入、雨养低投入3种不同的种植方式。SCAjk表示上一级统计单元的种植面积；IRAi表示灌溉数据；Availi表示像元中的总耕地面积； 通过建立交叉信息熵获得各像元内各种作物的分布概率，进行空间优化配置，获得作物最大可能的最终分布概率sijl，最后模型输出结果包括1980年、1990年、2000年、2010年4个时间节点玉米种植面积的空间分布。

1.4 玉米时空分布结果精度评价

为了检验SPAM-China模型模拟我国华北地区玉米面积空间分布的适用性，该文将该模型的输出结果与国际上同类型的MIRCA-2000和M3数据集进行比较[15， 21]，比较的基础是：第一，SPAM-China模型、MIRCA-2000和M3数据集都使用了我国2000年的省级统计数据，并包含了华北地区玉米种植面积信息； 第二，在时间上与SPAM-China模型输出的2000年的结果具有一致性，且空间分辨率均为5′×5′。具体的方法为：(1)在像元尺度上，提取SPAM-China模型模拟的2000年玉米空间分布分别与MIRCA-2000和M3数据集的结果进行Kappa检验，分析不同模型结果之间的一致性； (2)将3套数据2000年的玉米种植面积与土地利用/覆被数据集中的旱地面积进行逐像元比对，定义玉米种植面积大于旱地面积的像元为错分像元，从错分像元的数量和空间分布两个方面来进行比较。

1.5 华北地区作物种植制度提取

利用SPOT/VGT-NDVI影像可以获取一年36个时相的NDVI时序数据，该数据的理想动态变化曲线从波谷到波峰到波谷可以体现作物的生长过程，即从播种、出苗、抽穗到成熟、收割的周期性规律。因此，通过监测华北地区时序NDVI曲线的峰值数目就可以确定该地区作物的种植制度[22-24]。

首先，该研究采用非对称性高斯函数拟合方法对时序数据进行平滑重构，以最大可能削弱噪声影响，减少数据序列的空值点，从而提升其年际间和区域间的可对比性[25-26]。该方法是一个从局部最优化拟合到全局拟合的方法，具有很大灵活性，可以使得重建的NDVI曲线较好描述数据中复杂和微小的变化。其次，玉米种植类型的识别最终相当于时序植被指数曲线峰值频数的提取。提取时序植被指数曲线最常用的方法为基于差分方法来求取离散点极大值个数。该种方法存在一个突出的问题是对离散点的峰值特别敏感，可以将时序曲线中的非峰值的小峰都可以提取出来。虽然时序植被指数数据进行了平滑重构，但仍存在因影像质量或者华北地区冬小麦种植区的冬前峰而造成的异常波峰的出现[27]。

因此，该研究利用阈值方法，结合李正国等建立的以区域春、夏玉米物候历为依据的玉米种植类型遥感解译标志，来提取华北地区作物种植制度信息。其中，夏玉米的物候期遥感识别标志为：出苗期为6月中旬至7月上旬，成熟期为9月下旬至10月下旬，生长季长度为90—180d； 春玉米的识别标志为：出苗期为3月上旬至4月下旬，成熟期为9月下旬至10月中旬，且生长季长度为210—300d[20]。最后，利用提取时序植被指数曲线峰值数，来定义每个像元的作物种植制度，受华北地区本身地理环境的限制，时序植被指数曲线最多出现两个峰值，即一个峰值代表该地区为一年一熟制，两个峰值代表该地区为一年两熟制。

1.6 春、夏玉米空间识别

根据不同作物类型物候期的季节分布特征，可知冬小麦—夏玉米区的种植制度主要为一年两熟制，而春玉米和棉花种植区对应一年一熟制[20]。因此，将SPAM-China模型重构的华北地区玉米空间分布信息与作物种植制度空间分布信息相结合，则一年一熟制对应春玉米，一年两熟制对应夏玉米，从而获得2000—2010年间春、夏玉米空间分布信息。

1.7 春、夏玉米种植类型区划分

为了划分春、夏玉米种植类型区，该文将2000—2010年间一直种植春玉米的区域定义为“单一春玉米种植区”，一直种植夏玉米的区域定义为“单一夏玉米种植区”，春、夏玉米交替种植的区域定义为“春夏玉米混种区”。

图2 华北地区玉米种植面积空间分布精度对比(a：SPAM-China，b：MIRCA，c：M3)，其中灰色像元代表错分像元

图3 华北地区玉米种植面积的总体变化趋势

2 结果分析

2.1 玉米空间分布结果精度比较

图4 华北地区玉米种植面积变化的时空格局(a： 1980—1989，b： 1990—1999，c： 2000—2010，d： 1980—2010)

图5 华北地区玉米的空间动态类型(a：单一春玉米种植区，b：单一夏玉米种植区，c：春夏玉米混种区)

SPAM-China模型输出结果与MIRCA-2000和M3数据集的对比结果显示：(1)从模型Kappa一致性检验来看，SPAM-China与MIRCA-2000和M3的Kappa系数(κ)分别为0.46和0.42，表明SPAM-China模型与MIRCA-2000和M3为中等一致性(0.41≤κ≤0.60，moderate)[15]； (2)错分像元的空间分布来看(图2)，SPAM-China模型的分配结果在河北的中部、北京、天津以及河南的西部地区均明显优于其他两组数据集，且错分像元分布较为均匀； (3)错分像元的数量来看，SPAM-China，MIRCA-2000和M3数据集的错分像元数分别为334， 361和499，分别占旱地总像元数的4.09%， 4.42%和6.10%。上述对比表明，SPAM-China模型的玉米空间分配结果总体上优于现有的MIRCA-2000和M3数据集，能够更精确地反映网格单元上玉米种植的空间分布。

2.2 玉米种植面积的时空分布特征

1980—2010年，华北玉米种植面积发生了显著变化，到2010年已达到1 000万hm2，较1980年相比增加近360万hm2，年均增加面积近12万hm2(图3)。20世纪80年代，玉米种植面积增加明显的地区主要集中在华北地区南部的河南和山东两省，面积缩减的区域则位于河北省南部(图4a)； 自20世纪90年代开始，河南省东部与山东省中部玉米种植面积显著减少，种植面积增加的区域则分布于河北省南部与山东省西北部(图4b)； 2000年以后，面积显著增加的区域明显增多，其中以河南省和山东省表现最为明显(图4c)。总体而言，华北地区玉米种植面积呈显著增长趋势，其中增加面积主要集中在华北中南部地区，而北部地区玉米种植面积相对减少(图4d)。

2.3 华北地区各省(市)春、夏玉米种植面积时空变化特征

表1 2000—2010年华北地区各省市春、夏玉米种植面积与产量的时序变化

类型变化北京天津河北河南山东种植面积(万hm2)春玉米20009.097.8157.6914.1534.69201011.1215.05126.9719.4487.68变化量2.037.2469.285.2852.99比例(%)229312037153夏玉米200010.787.57176.00181.27229.5320101.375.10144.09284.45257.49变化量-9.41-2.47-31.91103.1827.96比例(%)-87-33-185712

2000—2010年，华北地区春玉米面积增加超过136万hm2，占该区玉米总种植面积的比例由17%上升至27%(表1)。河北、河南、山东、北京、天津等省(市)的春玉米种植面积均增加，增加比例分别达120%、37%、153%、22%和93%，其中，河北省、山东省面积增加最为明显，增加的春玉米面积占华北地区春玉米总增加量的89%左右。

这10年间，华北地区夏玉米面积增加87万hm2，但占区域玉米总种植面积的比例由83%下降为73%(表1)。华北地区不同省市夏玉米种植面积变化明显，其中河南省和山东省夏玉米种植面积增加，增加比例分别为57%和12%。河北省、北京市、天津市夏玉米种植面积减少，其中河北省减少面积最多，达32万hm2，该省减少面积占华北地区夏玉米减少面积的73%，而北京市夏玉米面积比例减少最大，降幅达87%。

表2 2000—2010年华北地区玉米种植类型区春夏玉米种植面积变化

玉米种植类型区种植面积及(万hm2)占华北地区玉米总种植面积比例玉米空间动态类型春玉米种植面积(万hm2)夏玉米种植面积(万hm2)2000201020002010变化量20002010变化量 单一春玉米种植区49.35(6%)60.80(6%)春玉米增加型21.4446.8925.45(5%)000 春玉米减少型27.9113.89-14.02(6%)000 单一夏玉米种植区259.97(34%)382.15(38%)夏玉米增加型000139.07310.27171.2(35%)夏玉米减少型000120.971.78-49.12(20%)春夏玉米混种区458.48(60%)563.06(56%)春增夏增型7.7459.9252.18(11%)76.34167.6391.29(19%)春增夏减型29.58140.32110.74(23%)214.6189.8-124.81(50%)春减夏增型16.146.57-9.57(4%)30.7868.6437.86(8%)春减夏减型33.8113.74-20.07(8%)49.4916.4-33.09(13%)其他4.66(0%)7.25(0%)华北地区玉米总种植面积772.461 013.25玉米总增加面积 488.72玉米总减少面积 -250.68

2.4 华北地区不同玉米种植类型区的时空变化特征

2.4.1 单一春玉米种植区的时空变化特征

单一春玉米种植区分布范围显示(图5a)，该区春玉米主要分布于河北省与北京市的北部。华北地区玉米种植类型区春夏玉米种植面积变化显示(表2)， 2000—2010年，春玉米种植面积增加了11万hm2，占华北地区玉米种植面积比例维持6%不变。其中，春玉米增加型主要分布于河北省的西北和东北地区， 10年间增加面积合计25万hm2，占华北地区玉米总增加面积的5%； 春玉米减少型零散分布于整个种植区，种植面积合计减少14万hm2，占华北地区玉米减少面积的6%。上述结果表明，虽然单一春玉米种植区内春玉米种植面积增加，但增加速率和华北地区玉米总种植面积的增加速率达到一致，因此所占华北地区玉米总种植面积的比重保持不变。

2.4.2 单一夏玉米种植区的时空变化特征

单一夏玉米种植区分布范围显示(图5b)，该区夏玉米主要分布于山东、河北和河南3省交界区域，尤其是河南省东部与山东省西部。华北地区玉米种植类型区春夏玉米种植面积变化显示(表2)， 10年间，夏玉米种植面积增加了122万hm2，所占区域玉米总种植面积比例由34%上升至38%。其中，夏玉米增加型主要分布于河南省东北部，面积增加171万hm2，占华北地区玉米总增加面积的35%； 而夏玉米减少型则集中分布于3省交界地带，面积减少了49万hm2，占华北地区玉米总减少面积的20%。上述结果表明，单一夏玉米种植区内，夏玉米种植面积增加，且占华北地区玉米总种植面积的比例也上升。

2.4.3 春夏玉米混种区的时空变化特征

春夏玉米混种区分布范围显示(图5c)，该区玉米在河北、河南、山东、北京、天津等省(市)均有分布，尤其是河北省的东南部、河南省的西南部以及山东省的东部地区。华北地区玉米种植类型区春夏玉米种植面积变化显示(表2)， 10年间，玉米种植面积增加了105万hm2，占华北地区玉米总种植面积比例由60%下降为56%。该区玉米主要有4种变化类型，分别为春增夏减型、春增夏增型、春减夏减型和春减夏增型。其中，春增夏减型主要分布于河北省东南部、山东省中东部和天津市，其中春玉米增加面积为111万hm2，占华北地区玉米总增加面积的23%，夏玉米减少面积为125万hm2，占华北地区玉米减少面积的50%。春增夏增型主要集中在山东省的中部地区，春玉米和夏玉米增加面积分别为52万hm2， 91万hm2，占华北地区玉米总增加面积的11%和19%； 春减夏减型玉米分布较分散，春玉米和夏玉米减少面积分别为20万hm2， 33万hm2，占华北地区玉米总减少面积的8%和13%； 春减夏增型主要分布于河南省的西南部地区，春玉米减少面积为10万hm2，占华北地区玉米减少面积的4%，夏玉米增加面积为38万hm2，占华北地区玉米总增加面积的7%。以上结果表明，春夏玉米混种区的种植面积在华北地区所占比例有所下降，但该区仍是玉米种植的主要区域，春增夏减型是春夏玉米混种区内典型的动态变化类型，变化特征主要表现为春玉米种植面积增加和夏玉米种植面积减少，可见春玉米逐渐成为春夏玉米混种区的主要玉米种植类型。

3 结论与讨论

3.1 结论

该研究利用1980—2010年中国华北地区(北京、天津、河北、河南和山东)分县玉米播种面积、耕地分布以及气候适宜性分布等多源数据，基于SPAM-China模型，提取了区域内玉米的时空分布信息，结合时序遥感数据提取的种植制度信息，识别并划分了华北地区春、夏玉米的主要种植类型区，重点分析了不同类型区内的春、夏玉米空间动态类型的变化特征。主要研究结论如下：

(1)1980—2010年，华北地区玉米种植面积增加了360万hm2，增加面积主要集中在华北中南部地区，时间发生在2000年以后。

(2)2000—2010年，华北地区春玉米面积增加136万hm2，占该区玉米总种植面积的比例由17%上升至27%，其中河北省与山东省春玉米增加的面积占该区春玉米总增加面积的89%左右； 夏玉米种植面积增加87万hm2，但所占华北地区玉米总种植面积的比重下降，其中河北省夏玉米减少的面积占华北地区夏玉米减少面积的73%。

(3)2000—2010年，春夏玉米混种区是华北地区玉米生产的主体区域，占华北地区玉米总种植面积比例由60%下降为56%，春增夏减型是该类型区典型空间动态类型，主要分布于河北省东南部、山东省中东部和天津市。其中， 92%的春玉米增加面积和76%的夏玉米减少面积发生在该种植类型区，近期呈现出春玉米增加、夏玉米减少的态势，可见该种植类型区内以春玉米为代表的一熟制度正在逐渐取代传统的冬小麦—夏玉米二熟种植制度。

3.2 讨论

SPAM-China模型结果能基本反映出近30年华北地区玉米空间变化，与玉米种植变化的实际情况较吻合，其次融合基于SPOT-VGT数据获取的玉米熟制数据，弥补了该模型在区分玉米种植类型的不足，同样也弥补了仅用玉米SPOT-VGT数据获取玉米空间分布中混合像元造成的区域面积统计误差的问题[20]。但是，SPAM-China模型中不仅集成了多源数据，而且主要借助1980—2010年间县级农业统计数据进行像元分配，必然会对模型结果的精度造成一定的影响。因此，更新并评估包括土地利用数据在内的模型集成数据对不同时段结果精度的影响将是后续研究的重要内容。其次，当前玉米空间分布像元分辨率为5′×5′，有待进一步将其提高到30″×30″，以分析细部变化特征； 再次，随着全球变暖，社会经济的快速发展，以及2016年的一系列最新的玉米政策目标—“调整结构、取消临储”的制订，我国玉米种植结构布局发生了巨大的变化，而该文仅考虑了华北地区不同玉米种植类型的地理时空分布特征，尚未考虑自然、社会、经济以及政策调整等因素的影响机制，未来有待通过解析玉米空间格局与不同驱动因素的关系，来进一步完善玉米空间格局变化及其影响机制研究，同时为完善相关政策的出台提供科学依据[28-32]。