粮食是农业的基础,是人类生存最基本的生活消费品,而中国作为世界上人口最多的国家,也是世界上粮食生产和消费最大的国家,其粮食产量统计数据具有重要的研究价值和意义。粮食产量数据统计一般是以行政区划为单元进行的,因此,在一个行政区域内部,粮食产量只能被看成是均匀分布的(尽管实际情况并非如此),这不利于使用粮食产量数据进行跨学科的综合研究,而属性数据空间化正是解决了上述问题的有效手段。自属性数据空间化概念提出以来,国内外研究工作者已经在社会经济数据空间化方面做了大量的研究,提出了各种各样的方法和模型。但纵观已有的社会经济统计数据空间化研究,可知现阶段对粮食产量数据进行空间化的研究还比较少。而空间化过程中必然会产生误差。因此,本文基于多元线性回归分析方法,探讨分析不同的数据源、不同样本尺度、不同分区方案和不同误差修正方法与粮食产量空间化结果精度的关系。本文分为两部分来探讨不同数据源、样本尺度、分区方案和误差修正方法与粮食产量空间化精度的关系。开展了以下工作并得到了相应结论:(1)利用多元线性回归分析建模,探讨不同样本尺度和分区方案对空间化精度的影响。在全国范围内,按照3种分区方案(全国不分区、全国分为7个区以及按省分区),选择3种尺度上(县级、地市级和公里格网)的总产及平均产量数据(即4种样本:县级粮食总产、县级平均粮食产量、地市级粮食总产、地市级平均粮食产量)分别为因变量,以对应的3种农田类型(水田、水浇地、旱地)面积数据为自变量,基于多元线性回归分析方法,得到了15种粮食产量空间化模型。选取6个空间化结果误差评价因子,对空间化结果进行误差分析。结果表明:(1)采用同一尺度的样本建立多元线性回归模型,当常数项为0时,空间化结果精度随着分区方案的细化先提高再降低,当常数项非0时,空间化结果精度随着分区方案的细化而降低;(2)在全国不分区和分为7个区2种情况下,空间化结果精度随着分析样本尺度的细化(从地市级到县级再到公里格网)先提高后降低。(2)利用多元线性回归分析建模,探讨不同数据源对空间化精度的影响。以河南省为例,分别以土地覆被数据中的各县不同农田面积数据、土地利用数据中各县不同农田面积数据和各县不同农田面积统计数据为自变量,以各县粮食产量统计数据为因变量,运用多元线性回归分析方法,得到3种粮食产量空间化模型。选取3个空间化结果误差评价因子,上述评价指标以外,对空间化结果的评价还考虑了计算结果中栅格单元值为负的占比情况。对空间化结果进行误差分析,得出空间化精度最优的结果。结果表明:基于1:25万土地覆被数据计算得到的空间化结果精度最高(决定系数为0.5724),基于统计年鉴数据计算得到空间化结果的精度次之(决定系数为0.5095),基于1:10万土地利用数据计算得到的空间化结果精度最低(决定系数为0.3868)。(3)利用不同的误差修正方法修正空间化初步结果,探讨不同误差修正方法对空间化精度的影响及优劣。以河南省为例,利用7种误差修正方法对空间化初步结果进行修正,选取4个空间化结果误差评价因子,对修正后的7个空间化结果进行误差分析。结果表明:(1)均值法、权重系数法Ⅱ和权重系数法Ⅲ不能被用于修正空间化初步结果。(2)比例系数法、权重系数法Ⅰ、权重系数法Ⅳ和权重系数法Ⅴ4种方法都可以被用于修正空间化初步结果,提高空间化精度。其中,权重系数法Ⅰ修正后的空间化结果精度最高(决定系数为0.7416),权重系数法Ⅴ次之(决定系数为0.7316),比例系数法第三(决定系数为0.7286),权重系数法Ⅳ最差(决定系数为0.7244)。(3)当利用可提高空间化初步结果精度的方法修正空间化误差时,修正后的空间化精度不因方法的不同而差异很大。综上可知:基于土地利用/土地覆被数据、利用多元回归分析方法进行粮食产量空间化是可行的。在气候、农业技术条件相似的情况下,粮食产量与农田面积成正比,因此利用多元线性回归分析方法可得到精确的模型。但数学模型只能尽量逼近实际,必然会产生误差。因此在具体建模时,需选择合适的数据源、样本尺度、分区方案和误差修正方法降低空间化误差。本研究弥补了粮食产量空间化误差分析的不足,探寻了不同样本尺度、分区方案、数据源和误差修正方法与空间化误差的关系,提高了空间化精度,同时对其他类型的社会经济统计数据空间化研究具有一定的参考价值。