追踪前沿和热点分享 http://blog.sciencenet.cn/u/maokebiao 关心气候变化研究,追求技术进步

博文

[转载]保障我国粮食安全的“三藏战略”理论和方法

已有 1106 次阅读 2022-7-12 09:52 |个人分类:生活点滴|系统分类:科研笔记|文章来源:转载

https://mp.weixin.qq.com/s/TPt7Y2ux0uel11_lWdq9oA

实施“藏粮于民(户)和粮食节约”,确保粮食安全(毛克彪等的建议最早在2010年的相关论文里面开始进行阐述,2018年10月第一次正式向有关部门建议,本版本是2019、2020、2021、2022年修改后的版本,多次通过不同途径提交给中央、部委和地方等相关部门)。


毛克彪等提出“藏粮于民”与“藏粮于地和藏粮于技 构成“三藏战略(藏粮于民、藏粮于地和藏粮于技)”理论和方法,建议对“藏粮于民(户)和粮食节约”进行立项研究,形成政策保障措施落地,保障国家粮食安全和应对极端事件。


建议实施“藏粮于民(户)和粮食节约”,并纳入国家和地方粮食安全基本保障法,以提高我国粮食响应极端事件的反应能力,减轻国家和地方粮食存储和应急压力,稳定物价,确保社会稳定。


八位建议专家是:中国农业科学院毛克彪、李全新、逄焕成和覃志豪研究员,北京林业大学冯仲科教授,宁夏大学王旭明和郭中华教授,以及中国科学院沈彦俊研究员等。


毛克彪研究员从2008年对我国南方冰雪灾害进行监测和分析后,一直关注极端事件对我国粮食安全的影响,特别是他领导的农业大数据课题组通过课题(国家自然科学基金:基于遥感研究气候变化背景下农业旱灾时空变化对粮食生产影响;农业部专项:国内外农业大数据应用跟踪研究)支持研究极端灾害事件对我国农业生产的影响以及粮食存储变化问题,提出目前实施“藏粮于民和节约粮食”可以有效应对极端事件和稳定物价,为粮食安全起到稳定器的作用。


首先,国家地方储备粮食减少。自2001年起,我国粮食供给实行市场化,各地粮食局人员裁撤、功能转换,由过去的储备供给转向市场调节,部分地方的粮库转租给商业机构甚至拍卖。


由于我国粮食连年丰收,部分地方粮食收购部门和商业机构出于利益和成本考虑,“低价进、高价出”,地方粮食储备大幅减少,有的地方甚至减少35% 以上。


其次,民间粮食储备减少。2000年之前,几乎每户农村家庭家都有一个小粮仓,存够平均至少半年的粮食。按照平均每人每天消耗0.8斤粮食,8亿农村人至少储备了1171亿斤粮食。


2010年之后,特别是新农村建设加速的最近五年,农村房屋结构已经大变样,过去每家每户的小粮仓基本消失。特别是农村的年轻人,许多人在城镇买房,80%以上的农村家庭已经不再储备粮食。


抽样调查显示,农村减少的粮食储备多达750亿斤。2000年前城镇居民一般每次购买一袋50-100斤的粮食,近年来由于超市的袋装粮食逐步递减,现在城镇居民家中余粮基本与超市袋装粮食大小一致,多为每袋10斤。初步估算,近年我国民间粮食减少接近我国一半人口半年的粮食储备量。


种粮面积减少。由于种粮利润不大,需要给予补贴,一些地方不够重视粮食生产,双季稻种植一季稻,甚至部分省市采用进口代替生产,导致本地农民种粮积极性不高,很多地方改种果树等经济作物,比如福建、四川、云南、贵州、广西等多个省份。对部分地区抽查发现,当地大量农田低价流转或抛荒,农村青壮年大量外流。


极端事件导致粮食保障不足。2020年新冠疫情期间,产粮大省湖北从黑龙江调粮,一些偏远农村发生粮荒。新冠疫情还加剧国际粮食贸易波动,加上俄乌冲突和中美贸易摩擦,对我国的粮食生产和农业发展战略影响比较大。


与此同时,极端灾害天气进入周期性的高发期。研究表明,气候变化有准60年的拉马德雷冷暖位相交替周期(“拉马德雷”是一种高空气压流,分别以“暖位相”和“冷位相”两种形式交替在太平洋上空出现,每种现象持续20年至30年),2000年以来全球进入拉马德雷冷位相,预计会延长至2030年。


节约粮食。粮食浪费严重,危机意识缺乏。改革开放以来百姓生活持续改善,中老年人的饥荒意识逐渐淡薄,没有挨饿经历、不知种粮辛苦的年轻人不珍惜粮食,餐桌浪费严重。我们需要通过各种方式进行粮食节约宣传。


潜在产量不等于实际产量。近年来“藏粮于技”“藏粮于地”取得很大进展,国家建设了一批高标准农田,粮食单产已有大幅提高。但是,“藏粮于技”“藏粮于地”只表明我们有高产的潜力,不等于真正的产量,只有地里种了才有粮食;粮食生产具有周期性,不能把潜在的产量当成真正的粮食。


凡事预则立、不预则废。为应对极端事件、消除粮食隐患,毛克彪等提出在实施“藏粮于技和藏粮于地”的同时,实行“藏粮于民和粮食节约”,从而形成“三藏战略”。


藏粮于民。鼓励农村家庭和城镇家庭分别储备3-6个月和1-2个月的余粮。此举是粮食安全稳定器,可有效缓解粮食存储压力、增强应对各种灾害的能力,以稳定物价、保持社会稳定。


城乡互保。有条件的城镇居民可利用各自的渠道,根据自家的具体情况与农民签订互帮协议,即城市居民每年提前向农村居民预付购买够自家一年口粮的资金,以稳定农民收入、鼓励农民种粮。


此外,他们建议实行兵团种粮、建立现代化的蔬菜种植基地,以提高粮食生产和国家粮食安全保障能力——种粮收益低,建议基于平等自愿原则逐步实现农民土地参股,在全国设置东北、华北、西北、华中、西南和东南六大兵团种粮基地,实行国家种粮。农民可以通过土地参股获得相关固定收益,从而解决退休后无工资的难题。


蔬菜生长受气候变化影响比较大,建议在城乡结合带建立能抗极端灾害的蔬菜大棚,以应对极端气候、调节蔬菜价格,有条件的地方应立即启动。


请大家积极宣传,推动“藏粮于民和粮食节约”普及,使得“三藏战略(藏粮于民、藏粮于地和藏粮于技)”成为我国粮食安全的基本政策。


(通过四年多的宣传,感谢大家提出了很多很好的建议,特别得到了多位院士的支持。这里解释一下:“民”是指民间。大家存的粮食不是给别人存的,都是给自家吃的,不需要给别人家存,除非有委托。这里我们主要提的是战略,具体操作不同的地方不一样,需要我们推动政府出台相关政策。“藏粮于民”最简单的操作就是家里多两或几袋超市真空包装大米,始终保持一个动态存量即可。)


图片


图片



图片


图片

团队部分论文介绍

4套数据集(气温数据集,陆面温度数据集,海温数据集和土壤水分数据集)

1. Fang, S., Mao, K., Xia, X., Wang, P., Shi, J., Bateni, S. M., Xu, T., Cao, M., Heggy, E., Qin, Z., Dataset of daily near-surface air temperature in China from 1979 to 2018, Earth Syst. Sci. Data. 14, 1413–1432, https://doi.org/10.5194/essd-14-1413-2022 , 2022. (Version 1.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.5502275 . 【中国气温数据集】

2. Zhao, B., Mao, K., Cai, Y., Shi, J., Li, Z., Qin, Z., Meng, X., A combined Terra and Aqua MODIS land surface temperature and meteorological station data product for China from 2003 – 2017, Earth Syst. Sci. Data, 2020, 12, 2555–2577. https://doi.org/10.5194/essd-12-2555-2020  [Data set]. Zenodo. https://doi.org/10.5281/zenodo.3528024 . 【中国地表温度数据集】

3. Cao, M., Mao, K., Yan, Y., Shi, J., Wang, H., Xu, T., Fang, S., Yuan, Z., A new global gridded sea surface temperature data product based on multisource data, Earth Syst. Sci. Data, 2021 13, 2111–2134, https://doi.org/10.5194/essd-13-2111-2021 , 2021. [Data set]. Zenodo. https://doi.org/10.5281/zenodo.4419804 . 【全球海面温度数据集】

4. Meng, X., Mao, K., Meng, F., Shi, J., Zeng, J., Shen, X., Cui, Y., Jiang, L., Guo, Z., A fine-resolution soil moisture dataset for China in 2002–2018, Earth Syst. Sci. Data, 2021, 13, 3239–3261. https://doi.org/10.5194/essd-13-3239-2021 . [Data set]. Zenodo. https://doi.org/10.5281/zenodo.4738556 . 【中国土壤水分数据集】

部分地表温度和土壤水分反演相关论文:

 

1. Wang, H, Mao, K., Yuan, Z., Shi, J, Cao, M., Qin, Z., Duan, S., Tang, B., A method for land surface temperature retrieval based on model-data-knowledge-driven and deep learning, Remote Sensing of Environment, 2021, 265, 1-19.  https://doi.org/10.1016/j.rse.2021.112665

2. Mao, K., Shi, J., Li, Z., Tang, H., An RM-NN algorithm for retrieving land surface temperature and emissivity from EOS/MODIS data, Journal of Geophysical Research-atmosphere, 2007, 112, D21102, 1-17. https://doi.org/10.1029/2007JD008428

3. Wang, H., Mao, K., Mu, F., Shi, J., Yang, J., Li, Z., Qin, Z., A Split Window Algorithm for Retrieving Land Surface Temperature from FY-3D MERSI-2 data, Remote Sensing, 2019, 11, 20183, 1-25. https://doi.org/10.3390/rs11182083

4. Mao, K., Qin Z., Shi J., Gong P., A Practical Split-Window Algorithm for Retrieving Land Surface Temperature from MODIS Data, International Journal of Remote Sensing, 2005,26:3181-3204. https://doi.org/10.1080/01431160500044713

5. Mao, K., Shi, J., Tang, H., Li, Z., Wang, X., Chen, K., A Neural Network Technique for Separating Land Surface Emissivity and Temperature from ASTER Imagery, IEEE Trans. Geosci. Remote Sensing, 2008, 46(1), 200-208. 10.1109/TGRS.2007.907333

6. Mao, K., Li, S., Wang, D., Zhang, L., Tang, H., Wang, X., Li, Z., Retrieval of Land Surface Temperature and Emissivity from ASTER1B data Using Dynamic Learning Neural Network, international journal of remote sensing, 2011, 32(19), 5413-5423. https://doi.org/10.1080/01431161.2010.501043

7.    Mao, K., Ma, Y., Shen, X., et al., Estimation of Broadband Emissivity (8-12um) from ASTER Data by Using RM-NN, Optics Express, 2012, 20(18), 20096-20101. https://doi.org/10.1364/OE.20.020096

8. Xia, L., Mao, K., Ma, Y., Zhao, F., Jiang, L.P., Shen, X.Y., Qin, Z.H., An algorithm for retrieving land surface temperature using VIIRS data in combination with multi-sensors, Sensors, 2014, 14, 21385-21408. https://doi.org/10.3390/s141121385

9.    Mao, K., Shi, J., Li, Z., Qin, Z., Li, M., Xu, B., A physics-based statistical algorithm for retrieving land surface temperature from AMSR-E passive microwave data, Science in China (Series D), 2007, 7, 1115-1120. doi: 10.1007/s11430-007-2053-x 

10.Tan, J., Nusseiba, N., Mao, K., Shi, J., Li, Z., Xu, T., Yuan, Z., Deep Learning Convolutional Neural Network for the Retrieval of Land Surface Temperature from AMSR2 Data in China, Sensors, 2019, 19, 2987:1-20. https://doi.org/10.3390/s19132987 .

11.   Mao, K., Zuo, Z., Shen, X., Xu, T., Gao, C., Liu, G., Retrieval of Land-surface Temperature from AMSR2 Data Using a Deep Dynamic Learning Neural Network, Chinese Geographical Science. 2018, 28,1, 1–11. doi: 10.1007/s11769-018-0930-1

12.   Mao, K., Tang, H., Wang, X., Zhou, Q., Wang, D., Near-Surface Air Temperature Estimation from ASTER Data Using Neural Network, International Journal of Remote Sensing,2008, 29(20), 6021-6028. https://doi.org/10.1080/01431160802192160

13. Yan, Y., Mao, K., Shen, X., Cao, M., Xu, T., Guo, Z., Bao, Q., Evaluation of the influence of ENSO on tropical vegetation in long time series using a new indicator, Ecological Indicators, 2021,129,1-22. https://doi.org/10.1016/j.ecolind.2021.107872 .

14. Yan, Y., Mao, K., Shi, J., Piao, S. L., Shen, X.Y., Dozier, J., Liu, Y., Ren, H.L, Bao, Q., Driving forces of land surface temperature anomalous changes in North America in 2002–2018, Scientific Reports, 2020, 6931(10), 1-13. https://doi.org/10.1038/s41598-020-63701-5 .

15. Han, J., Mao, K.,Xu, T.,  Guo, J., Zuo, Z., Gao, C., A soil moisture estimation framework based on the CART algorithm and its application in China, Journal of Hydrology, 2018, 561, 65-75. https://doi.org/10.1016/j.jhydrol.2018.05.051

16.   Xia, L., Zhao, F., Chen, L., Zhang, R., Mao, K., Kylling, A., Ma, Y., Performance comparison of the MODIS and the VIIRS 1.38 μm cirrus cloud channels using libRadtran and CALIOP data, Remote Sensing of Environment,2018,206,363–374. https://doi.org/10.1016/j.rse.2017.12.040

17.   Lang Xia, Fen Zhao, Kebiao Mao*, Zijin Yuan, Zhiyuan Zuo,Tongren Xu, SPI-Based Analyses of Drought Changes over the Past 60 Years in China’s Major Crop-Growing Areas, Remote Sens. 2018, 171(10),1-15. https://doi.org/10.3390/rs10020171

18.   Mao, K., Tang H. J., Zhang L. X., Li M. C., Guo Y., Zhao D. Z., A Method for Retrieving Soil Moisture in Tibet Region By Utilizing Microwave Index from TRMM/TMI Data, International Journal of Remote Sensing, 2008, 29(10), 2905-2925. https://doi.org/10.1080/01431160701442104

19.   Kebiao Mao, H. T. Li, D. Y. Hu, J. Wang, J. X. Huang, Z. L. Li, Q. B. Zhou, and H. J. Tang, Estimation of water vapor content in near-infrared bands around 1 μm from MODIS data by using RM–NN, Optics Express, 2010, 18(9), 9542–9554.

20. 毛克彪杨军韩秀珍唐世浩袁紫晋高春雨基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究中国农业信息, 2018, 30(5),47-57.

21. 毛克彪唐华俊, 陈仲新,王永前, 一个用神经网络优化的针对ASTER数据反演地表温度和发射率的多波段算法, 国土资源遥感,2007, 73 (3): 18-22.

22. 毛克彪, 唐华俊, 李丽英, 许丽娜, 一个从MODIS数据同时反演地表温度和发射率的神经网络算法, 遥感信息, 2007, 92(4):9-15.

23. 毛克彪,施建成, 覃志豪宫鹏, 徐斌, 蒋玲梅, 一个针对ASTER数据同时反演地表温度和比辐射率的四通道算法,遥感学报,2006, 4: 593-599.

24. Kebiao Mao, Jiancheng Shi, Huajun Tang, Zhao-Liang Li, Xiufeng Wang, Kunshan Chen, A Neural Network Technique for Separating Land Surface Emissivity and Temperature from ASTER Imagery, IEEE Trans. Geosci. Remote Sensing, 2008, 46(1): 200-208.

25. Kebiao Mao, J. Shi, Z. Li, and H. Tang, An RM-NN algorithm for retrieving land surface temperature and emissivity from EOS/MODIS data, Journal of Geophysical Research-atmosphere, 2007, 112,D21102: 1-17.

26. 王平,毛克彪,孟飞,袁紫晋,中国东海海表温度时空演化分析,国土资源遥感,2020, 32(4):227235

27. 葛非凡,毛克彪,蒋跃林,谭雪兰,赵映慧,夏浪,华东地区夏季极端高温特征及其对植被的影响,中国农业气象,2017,38(01):42-51.

28. 夏浪,毛克彪,马莹,孙知文,赵芬,基于可见光红外成像辐射仪数据的地表温度反演,农业工程学报,2014,8(4):109-116.

29. 毛克彪,施建成,李召良,覃志豪,李满春,徐斌,一个针对被动微波数据AMSRE数据反演地表温度的物理统计算法,中国科学D辑,2006,36(12):1170-1176.

30. 毛克彪,马莹,夏浪,沈心一,用MODIS数据反演近地表空气温度的RM-NN算法,高技术通讯, 2013, 23(5):462-466.

31. 毛克彪,王道龙,李滋睿,张立新,周清波,唐华俊,李丹丹,利用AMSR-E被动微波数据反演地表温度的神经网络算法, 高技术通讯, 2009, 19(11): 1195-1200.

32. 毛克彪,覃志豪, 施建成, 宫鹏, 针对MODIS数据的劈窗算法研究,武汉大学学报(信息科学版), 2005, 8: 703-708.

33. 毛克彪,覃志豪,宫鹏, 余琴, 劈窗算法精度评价及参数敏感性分析,中国矿业大学学报, 2005, 3:318-322.

34. 毛克彪, 覃志豪, 施建成, MODIS影像和劈窗算法反演山东半岛的地表温度,中国矿业大学学报(自然科学版), 2005, 1:46-50.

35. 毛克彪, 唐华俊, 周清波, 马柱国, 实用劈窗算法的改进及大气水汽含量对精度影响评价,武汉大学学报(信息科学版), 2008, 33(2):116-119.

36. 毛克彪, 施建成, 李召良, 覃志豪, 贾媛媛, 用被动微波AMSR数据反演地表温度及发射率方法研究,国土资源遥感, 2005, 3:14-18

37. 毛克彪,施建成, 覃志豪, 宫鹏, 徐斌,从MODIS数据中同时反演地表温度和比辐射率的多波段算法研究,兰州大学学报(自然科学版)(专辑), 2005, 6:49-55.

 

部分全球变化论文:

1. Guo, J., Mao, K., Yuan, Z., Qin, Z., Xu, T., Bateni, S.M., Zhao, Y., Ye, C., Global Food Security Assessment during 1961–2019.Sustainability 2021, 132, 1-18. https://doi.org/10.3390/su132414005

2. Mao, K., Ma, Y., Tan, X., Shen, X., Liu, G., Li, Z., Chen, J., Xia, L., Global surface temperature change analysis based on MODIS data in recent twelve years, Advance Space Research, 2017,59,503-512. https://doi.org/10.1016/j.asr.2016.11.007 .

3. Mao, K., Ma, Y., Xia, L., Chen, W.Y., Shen, X. Y., He, T.J., Global aerosol change in the last decade: An analysis based on MODIS data, Atmospheric Environment, 2014, 94, 680-686. https://doi.org/10.1016/j.atmosenv.2014.04.053

4. Mao, K., Li, Z., Chen, J., Ma, Y., Liu, G., Tan, X., Yang, K., Global vegetation change analysis based on MODIS data in recent twelve years, High Technology Letters, 2016, 22(4), 343-349. Doi:10.3773/j.issn.1006-6748.2016.04.001

5. Mao, K., Chen, J., Li, Z., Ma, Y., Song, Y., Tan, X., Yang, K., Global water vapor content decreases from 2003 to 2012: an analysis based on MODIS Data, Chinese Geographical Science, 2017, 27(1), 1-7. https://doi.org/10.1007/s11769-017-0841-6

6. Mao, K., Yuan, Z., Zuo, Z., Xu, T., Shen, X., Gao, C., Changes in Global Cloud Cover Based on Remote Sensing Data from 2003 to 2012, Chinese Geographical Science, 2019,29,2, 306–315. https://doi.org/10.1007/s11769-019-1030-6



https://wap.sciencenet.cn/blog-67260-1346924.html

上一篇:全国日尺度空气温度数据集(1979-2018)和全国地温、全球海温、全国土壤水分月尺度数据下载。
下一篇:利用干旱的机会治理湖泊富营养化-大家推动各部门行动起来
收藏 IP: 159.226.205.*| 热度|

1 杨正瓴

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-12-9 20:00

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部