內(nèi)蒙古奈曼旗農(nóng)作物春播—出苗期降水量預(yù)測模型建立

張華，李世華，董佳蕊，劉浩，丁曉華

摘要：根據(jù)天氣學(xué)原理和專家研究結(jié)果，大氣環(huán)流是影響中國天氣氣候的重要因素，因此，在進(jìn)行月以上氣候預(yù)測時，必須分析大范圍環(huán)流形勢和影響大范圍環(huán)流形勢變動的因子。該文應(yīng)用SPSS因子分析法對奈曼旗春播及出苗期（4-6月）降水進(jìn)行分析預(yù)測研究，結(jié)果從歷史擬合和預(yù)測試報結(jié)果表明，均超過0.01的顯著性檢驗(yàn)標(biāo)準(zhǔn)，總體上預(yù)測效果較好，可以投入業(yè)務(wù)應(yīng)用。

關(guān)鍵詞：奈曼4-6月降水；因子分析；預(yù)測方法研究

張 華，李世華，董佳蕊，等. 內(nèi)蒙古奈曼旗農(nóng)作物春播-出苗期降水量預(yù)測模型建立[J]. 農(nóng)業(yè)工程技術(shù)，2017，37（35）：14-16.

奈曼旗位于科爾沁沙地南緣，屬北溫帶大陸性季風(fēng)干旱氣候，平均海拔高度450 m，受大陸季風(fēng)氣候影響，各季降水分布差異較大。春播及出苗期（4-6月）降水雖在全年中所占比重相對較小，但對農(nóng)業(yè)生產(chǎn)起著至關(guān)重要的作用，往往由于降水偏少及時空分布不均等造成的春播及出苗期干旱災(zāi)害等會給農(nóng)業(yè)生產(chǎn)等帶來嚴(yán)重影響[2-3]。所以說，春播及出苗期是農(nóng)業(yè)生產(chǎn)用水的關(guān)健季節(jié)，因此，提前作出春播及出苗期降水的長期趨勢預(yù)測預(yù)報[4]，為當(dāng)?shù)攸h政領(lǐng)導(dǎo)提供最具科學(xué)依據(jù)的決策氣象服務(wù)有十分重要的意義。

1 預(yù)報因子或指標(biāo)的選取

1.1 資料與方法

根據(jù)天氣學(xué)原理和專家研究結(jié)果，大氣環(huán)流是影響全國天氣氣候的重要因素[1]，因此，在進(jìn)行月以上氣候預(yù)測時，必須分析大范圍環(huán)流形勢和影響大范圍環(huán)流形勢變動的因子[4，11]。表示大范圍環(huán)流形勢的因子有：太平洋、大西洋副熱帶高壓、北美、北非副高、極渦面積、強(qiáng)度、歐亞、亞洲緯向、徑向環(huán)流等，影響大范圍環(huán)流變動的因子有太陽黑子活動指數(shù)、海表溫度等[5]。

本研究選取國家氣候中心網(wǎng)上實(shí)時更新的北半球副高面積指數(shù)等74個環(huán)流特征量因子。利用SPSS皮爾遜（Pearson）相關(guān)系數(shù)及向后回歸剔除顯著性相對較差因子的方法[14]，計(jì)算了環(huán)流因子和太陽黑子分別與4-6月降水量的相關(guān)性，選取相關(guān)檢驗(yàn)顯著的因子作為降水預(yù)測方程的因子（見表1），因子資料和降水資料長度為1961-2015年。4-6月降水預(yù)測方程的建立，選用多元回歸方法[13，15]。

1.1.1 相關(guān)分析。相關(guān)分析是研究變量間密切程度的一種常用統(tǒng)計(jì)方法[7-8]。相關(guān)系數(shù)是描述相關(guān)關(guān)系強(qiáng)弱程度和方向的統(tǒng)計(jì)量，本分析應(yīng)用皮爾遜（Pearson）相關(guān)系數(shù)法將74個環(huán)流因子上年值及當(dāng)年值分別與4、5、6月降水量進(jìn)行相關(guān)系數(shù)分析。

1.1.2 多元回歸。研究幾個自變量的變化對因變量的影響，可以用多元回歸方法，亦稱多重回歸。當(dāng)多個自變量與因變量之間是線性關(guān)系時，所進(jìn)行的回歸分析就是多元線性回歸[9-10]。

y為因變量，x1，x2···xk為自變量，并且自變量與因變量之間為線性關(guān)系時，則多元線性回歸模型為：y=b0+b1x1+b2x2+···+bkxk+e，其中，b0為常數(shù)項(xiàng)，b1，b2···bk為回歸系數(shù)，b1為x1，x2···xk固定時，x1每增加一個單位對y的效應(yīng)，即x1對y的偏回歸系數(shù)；同理b2為x1，x2···xk固定時，x2每增加一個單位對y的效應(yīng)，即，x2對y的偏回歸系數(shù)，等等。模型描述為：y=b0+b1x1+b2x2+···+bkxk+e[13]。

建立多元性回歸模型時，為了保證回歸模型具有優(yōu)良的解釋能力和預(yù)測效果，應(yīng)首先注意自變量的選擇，其準(zhǔn)則是：

①自變量對因變量必須有顯著的影響，并呈密切的線性相關(guān)；②自變量與因變量之間的線性相關(guān)必須是真實(shí)的，而不是形式上的；③自變量之間應(yīng)具有一定的獨(dú)立性，即自變量之間的相關(guān)程度不應(yīng)高于自變量與因變量之因的相關(guān)程度；④自變量應(yīng)具有完整的統(tǒng)計(jì)數(shù)據(jù)，其預(yù)測值容易確定。

1.2 因子分析

經(jīng)過選取55年（1960-2014）、45年（1970-2014）、35年（1980-2014）因子資料，與55年（1961-2015）、45年（1971-2015）、35年（1981-2015）奈曼旗本站4-6月降水量進(jìn)行相關(guān)分析及向后回歸剔除顯著性相對較差因子，篩選出表1所示因子作為分別預(yù)測4、5、6月方程的因子。

2 預(yù)報方程的建立

專家分析和篩選分析表明，隨著近百年全球氣候的變化[6]，大氣環(huán)流的平均狀態(tài)在上世紀(jì)80年代有明顯的調(diào)整[12]。經(jīng)計(jì)算顯示，奈曼本站的4-6月降水量與55年、45年、35年因子之間的相關(guān)系數(shù)的大小也存在明顯的階段性，其中二十世紀(jì)70年代以后的45年要比前60年代以后55年和80年代以后35年相關(guān)程度高，因此，我們選擇了45年資料的1980-2011年作為預(yù)測方程建立的時段，將2012-2014年作為預(yù)測檢驗(yàn)時段。

應(yīng)用SPSS軟件的分析多元線性回歸功能分別建立4、5、6月份降水量預(yù)測方程。

2.1 4-6月預(yù)測方程

建立回歸模型：

根據(jù)各月多元回歸系數(shù)代入得如下回歸方程：

Y4=384.148-1.982X1-3.756X2-0.547X3+ 1.047X4+0.331X5+0.987X6-0.912X7+0.454X8-0.912X9

Y5=315.506-0.529X1+0.440X2-0.976X3-1.209X4-1.413X5-0.332X6+0.767X7-0.947X8-0.851X9

Y6=-54.537+3.086X1+0.108X2+1.313X3+1.112X4-0.515X5+0.362X6-2.466X7+3.102X8

2.2 回歸方程的顯著性檢驗(yàn)

表2-1 4、5、6月模型匯總表R分別為0.928、0.913、0.925，說明各月模型擬合度較高，4月92.8%的預(yù)測、5月91.3%的預(yù)測、6月92.5%的預(yù)測可以用相應(yīng)模型來預(yù)測，表2-2回歸模型的方差分析表，4、5、6月的顯著性概率均為0.000<0.001。其中4月F（0.05，9，22）值為2.34，F(xiàn)（0.01，9，22） 值為3.35，F(xiàn)（0.001，9，22） 值為4.99，5月F（0.05，9，22）值為2.37，F(xiàn)（0.01，9，22） 值為3.40，F(xiàn)（0.001，9，22） 值為5.11，6月F（0.05，8，23）值為2.37，F(xiàn)（0.01，8，23） 值為3.41，F(xiàn)（0.001，8，23） 值為5.09，因此各月回歸方程相關(guān)非常顯著。（F值用Excel中FINV（ ）函數(shù)求得）。

2.3 方程的歷史擬合檢驗(yàn)

利用表2-3中的因子方程，擬合了1980-2012年歷年4、5、6月的月降水量。圖1-圖3給出了各月份因子預(yù)測的降水實(shí)況的年際變化圖。

從各月預(yù)測方程的擬合相關(guān)系數(shù)看，擬合效果顯著，均超過0.01的顯著性檢驗(yàn)標(biāo)準(zhǔn)，相關(guān)系數(shù)見表3。

2.4 2013-2015年4-6月降水預(yù)測檢驗(yàn)

利用建立的4月、5月、6月預(yù)測方程，對2013-2015年4-6月降水量進(jìn)行了試報檢驗(yàn)。結(jié)果顯示（圖4-圖6），4月的預(yù)測效果最好，5月的預(yù)測效果排第二，6月的預(yù)測效果第三。

綜合以上預(yù)測方程的歷史擬合和預(yù)測試報結(jié)果表明，總體上預(yù)測效果較好，預(yù)測準(zhǔn)確率4-5月較高，6月次之，4-6月降水量預(yù)測模型可以用于業(yè)務(wù)應(yīng)用，但6月模型還有待進(jìn)一步實(shí)踐檢驗(yàn)，我們將在業(yè)務(wù)預(yù)報和服務(wù)中邊應(yīng)用邊檢驗(yàn)，逐步優(yōu)化和改進(jìn)預(yù)報方程參數(shù)，逐步提高預(yù)測準(zhǔn)確率。

參考文獻(xiàn)

[1] 魏鳳英. 現(xiàn)代氣候統(tǒng)計(jì)診斷預(yù)測技術(shù)[M]. 北京：氣象出版社，1999.

[2] 李克讓，郭其蕰，張家誠等. 中國干旱災(zāi)害研究及成災(zāi)對策[M]. 鄭州：河南科學(xué)技術(shù)出版社，1999.

[3] 中國國家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會. 中華人民共和國國家標(biāo)準(zhǔn)GB/T 20481-2006.氣象干旱等級[M]. 北京：中國標(biāo)準(zhǔn)出版社，2006.

[4] 王永光，龔振淞，許 力，等. 中國溫度、降水的長期氣候趨勢及其影響因子分析[J]. 應(yīng)用氣象學(xué)報，2005，Vol.15（增刊）.

[5] 國家氣候中心網(wǎng)站，http：//ncc.cma.gov.cn/cn/.

[6] 魏鳳英，韓雪，王永光，等. 中國短期氣候預(yù)測的物理基礎(chǔ)及其方法研究[M]. 北京：氣象出版社，2015.

[7] 吳洪寶，吳蕾著. 氣候變率診斷和預(yù)測方法[M]. 北京：氣象出版社，2005.

[8] 黃嘉佑. 氣象統(tǒng)計(jì)分析與預(yù)報方法（第3版）[M]. 北京：氣象出版社，2004.

[9] 李湘閣，胡凝，等. 實(shí)用氣象統(tǒng)計(jì)方法[M]. 北京：氣象出版社，2015.

[10] 黃嘉佑，李慶祥，等. 氣象數(shù)據(jù)統(tǒng)計(jì)分析方法[M]. 北京：氣象出版社，2015.

[11] 孫照渤，陳海山，譚桂容，等. 短期氣候預(yù)測基礎(chǔ)[M]. 北京：氣象出版社，2010.

[12] 李俊亭，竹磊磊，李曄，等. 河南省春季降水的氣候特征及干旱預(yù)測[J]. 人民黃河，2010（12）.

[13] 于秀林，任雪松. 多元統(tǒng)計(jì)分析[M]. 北京：中國統(tǒng)計(jì)出版社，1999.

[14] 郝梨仁，樊元郝，哲 歐. SPSS實(shí)用統(tǒng)計(jì)分析[M]. 北京：中國水利水電出版社，2002.

[15] 何曉群. 應(yīng)用回歸分析[M]. 北京：中國人民大學(xué)出版社，2001.