主要作物產(chǎn)量分離方法比較

李心怡 張 祎 趙艷霞* 杜子璇 楊沈斌

1)(南京信息工程大學(xué)氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心/南京信息工程大學(xué)應(yīng)用氣象學(xué)院， 南京 210044)

2)(中國氣象科學(xué)研究院， 北京 100081)

3)(河南省氣象科學(xué)研究所， 鄭州 450003)

引 言

農(nóng)業(yè)生產(chǎn)與氣象條件息息相關(guān)，作物產(chǎn)量和質(zhì)量易受氣候變化與氣象災(zāi)害的影響。在全球氣候變化背景下，地球升溫或提前達(dá)到1.5℃[1-2]，氣候變暖導(dǎo)致氣候異常和極端天氣增多，將對全球作物產(chǎn)生重要影響，從而威脅糧食安全[3-5]。我國氣象災(zāi)害頻發(fā)，受災(zāi)面積大，成災(zāi)比例高，是導(dǎo)致糧食產(chǎn)量下降的主要因素[6-7]。眾多學(xué)者在農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)警、氣象災(zāi)害風(fēng)險評估、作物產(chǎn)量預(yù)報等領(lǐng)域做了大量工作，探究氣象與作物生長之間關(guān)系[8-12]。作物產(chǎn)量是反映氣象條件、品種改良、技術(shù)進步等方面的綜合表現(xiàn)，在作物產(chǎn)量氣象預(yù)報業(yè)務(wù)中，通常將作物實際產(chǎn)量分離成氣象產(chǎn)量和趨勢產(chǎn)量。氣象產(chǎn)量是氣象條件變化造成的短期產(chǎn)量波動，趨勢產(chǎn)量則是由社會經(jīng)濟、市場供需、技術(shù)水平等因素造成的長周期產(chǎn)量變化。將歷史作物產(chǎn)量序列進行合理、準(zhǔn)確地分解，是研究氣象因子對作物產(chǎn)量影響的重要環(huán)節(jié)之一。

目前，常用的作物產(chǎn)量分離方法包括滑動平均法、指數(shù)平滑法、Logistic擬合法和Hodrick-Prescott(HP)濾波法等[13-18]。羅夢森等[13]建立水稻氣象產(chǎn)量預(yù)報模型時，采用直線滑動平均法確定趨勢產(chǎn)量。Iizumi等[14]和Nguyen-Huy等[15]在研究氣候?qū)ψ魑锂a(chǎn)量影響時均采用5年滑動平均法擬合趨勢產(chǎn)量。王培娟等[16]在建立冀、魯、豫三省冬小麥氣象產(chǎn)量模型時選取了三次多項式法擬合趨勢產(chǎn)量。但大部分研究只選用單一的產(chǎn)量分離方法，選取依據(jù)未做過多考慮，評判標(biāo)準(zhǔn)更偏向主觀化。

近年來，人們對不同作物產(chǎn)量分離方法進行探討。房世波[19]以氣候變化對棉花產(chǎn)量影響為例，基于趨勢產(chǎn)量模擬曲線符合社會技術(shù)各發(fā)展階段的實際、氣象條件相似區(qū)域氣象產(chǎn)量應(yīng)具有很強的相關(guān)性以及關(guān)鍵氣候因子與棉花生育特性關(guān)系的合理性，對三點滑動平均法、五點滑動平均法和二次曲線法進行探討。牛浩等[20]以山東省玉米為例，運用相關(guān)分析與方差分析對HP濾波法、5年滑動平均法、回歸分析法和雙指數(shù)平滑法4種方法擬合趨勢產(chǎn)量的顯著性和分離氣象產(chǎn)量的準(zhǔn)確性進行比較。趙東妮等[21]以遼寧省水稻為例，通過比較各站點趨勢產(chǎn)量序列與實際產(chǎn)量的擬合程度以及與區(qū)域農(nóng)業(yè)生產(chǎn)力技術(shù)發(fā)展水平和氣象產(chǎn)量一致性，評價了HP濾波法、指數(shù)平滑法及Logistic方法的合理性。這些研究側(cè)重趨勢產(chǎn)量擬合的準(zhǔn)確度以及不同方法分離的氣象產(chǎn)量的差異，較少探究分離出的氣象產(chǎn)量能否有效捕獲氣象因子對產(chǎn)量影響。然而，在農(nóng)業(yè)氣象研究中，作物產(chǎn)量分離最終目的是獲取導(dǎo)致產(chǎn)量波動的氣象信息。

因此，本文以江蘇省水稻產(chǎn)量為例，統(tǒng)計1985—2018年24個縣(市)水稻產(chǎn)量，采用3年滑動平均、5年滑動平均、五點二次平滑、二次指數(shù)平滑和HP濾波5種方法，獲取趨勢產(chǎn)量并用一致性相關(guān)系數(shù)評價擬合效果。在此基礎(chǔ)上，采用年際增量法分離氣象產(chǎn)量，并以相對氣象產(chǎn)量表示。通過比較6種方法獲得的相對氣象產(chǎn)量的平均值與標(biāo)準(zhǔn)差初步篩選合適的方法，根據(jù)典型年份增減產(chǎn)記錄與相對氣象產(chǎn)量對比，優(yōu)選出能準(zhǔn)確捕獲到氣象因子導(dǎo)致產(chǎn)量變異的方法，并利用多元逐步回歸建立氣象產(chǎn)量模型，進一步分析氣象產(chǎn)量與氣象因子的關(guān)系是否符合水稻的生育特性及其對氣候的響應(yīng)規(guī)律，找到最優(yōu)作物產(chǎn)量分離方法。

1 研究區(qū)域與方法

1.1 數(shù)據(jù)來源

1985—2018年江蘇省24個縣(市)的水稻產(chǎn)量數(shù)據(jù)來自江蘇省農(nóng)村統(tǒng)計年鑒，逐日氣象數(shù)據(jù)來自國家氣象信息中心，包括日平均氣溫、日最高氣溫、日最低氣溫、降水量、日照時數(shù)等，24個氣象站點分布見圖1。參照該區(qū)域水稻常年生長發(fā)育期，將逐日氣象數(shù)據(jù)分別處理到旬和月尺度，得到逐旬和逐月最高氣溫、最低氣溫、平均氣溫、降水量和日照時數(shù)。1987—2016年氣象因子對產(chǎn)量影響明顯的記錄，來自《中國氣象災(zāi)害大典》(江蘇卷)[22]和江蘇省氣象局。

圖1 研究區(qū)域及氣象站點分布

1.2 作物產(chǎn)量分離方法

為了研究氣象因子與水稻產(chǎn)量之間的關(guān)系，首先要剔除歷史時期生產(chǎn)力發(fā)展水平下的長周期產(chǎn)量分量，得到水稻氣象產(chǎn)量。長周期趨勢產(chǎn)量一般由社會經(jīng)濟、生產(chǎn)技術(shù)等因素導(dǎo)致[23-24]。任一產(chǎn)量時間序列均可分解為趨勢產(chǎn)量、氣象產(chǎn)量和隨機產(chǎn)量，隨機產(chǎn)量又被稱為隨機噪聲。因此，水稻實際產(chǎn)量Y可分解為趨勢產(chǎn)量Yt、氣象產(chǎn)量Yw和隨機產(chǎn)量ε，即

Y=Yt+Yw+ε。

(1)

趨勢產(chǎn)量Yt可通過3年滑動平均法、5年滑動平均法、五點二次平滑法、二次指數(shù)平滑法和HP濾波法5種方法分別擬合獲得。

1.2.1 滑動平均法

線性滑動平均是趨勢擬合技術(shù)最基礎(chǔ)最常用的方法[25]，相當(dāng)于低通濾波。用鄰近年份的數(shù)據(jù)平均值表示變化趨勢。經(jīng)過滑動平均后，產(chǎn)量序列中短于滑動長度的周期被削弱。由于本文使用了30年數(shù)據(jù)，而政策變化、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整等一般都不低于3年，故滑動長度k取3和5，分別做3年滑動平均和5年滑動平均?；瑒悠骄ǖ娜毕菔窃斐僧a(chǎn)量序列兩端的損失，n個數(shù)據(jù)只能得到n-k+1個平滑值。為了彌補數(shù)據(jù)兩端的損失，處理時延長時間序列，選取1985—2018年的產(chǎn)量數(shù)據(jù)進行滑動平均，以保證擬合出的1987—2016年30年的趨勢產(chǎn)量數(shù)據(jù)完整。

1.2.2 五點二次平滑法

五點二次平滑法與線性滑動平均作用一樣，對經(jīng)過一次滑動平均產(chǎn)生的序列再進行滑動平均，得到變化趨勢[26]，常用于分析氣候變化的趨勢[27]。對于數(shù)據(jù)兩端的缺失值用上文同樣方法處理，擴大時間序列范圍，選取1985—2018年的產(chǎn)量數(shù)據(jù)。

1.2.3 二次指數(shù)平滑法

二次指數(shù)平滑法是在直線滑動平均的基礎(chǔ)上進行改進，用指數(shù)序列加權(quán)平均。具有計算簡單、樣本需求量較少、適應(yīng)性較強、結(jié)果較穩(wěn)定的特點。由于產(chǎn)量序列為30年，初始值可以認(rèn)定為第1個數(shù)據(jù)，且產(chǎn)量序列呈明顯上升趨勢，因此，公式中系數(shù)沿用前人研究成果取0.3[28]。因為二次指數(shù)法屬于疊代，具有滯后性，第1年擬合后的趨勢產(chǎn)量數(shù)據(jù)延用原值，導(dǎo)致分離后的氣象產(chǎn)量序列首端缺失。為了彌補缺失，擬合從1986年數(shù)據(jù)開始，以保證1987—2016年30年的數(shù)據(jù)完整。

1.2.4 HP濾波法

HP濾波法是Hodrick等[29]提出的用于測算美國第二次世界大戰(zhàn)后經(jīng)濟發(fā)展的周期趨勢項和短期波動項的方法。HP濾波法可看作高通濾波器，將產(chǎn)量的時間序列看作是不同頻率成分的疊加，通過高通濾波分離出高頻成分(氣象產(chǎn)量)與低頻成分(趨勢產(chǎn)量)。HP濾波法分離出的趨勢產(chǎn)量無滯后性，故序列首尾沒有缺損。

1.2.5 年際增量法

年際增量法認(rèn)為影響作物產(chǎn)量波動的諸多因素中，作物品種和肥力影響相對穩(wěn)定，相鄰兩年作物產(chǎn)量的變化主要由氣象條件變化引起[30]。該方法常用于產(chǎn)量動態(tài)預(yù)報[31-32]。年際增量法與前文5種方法不同的是，它不對實際產(chǎn)量進行趨勢擬合，而是用相鄰兩年作物單產(chǎn)變化率表述氣象因子導(dǎo)致的產(chǎn)量變異。這里引入年際增量法，與其他幾種分離方法進行比較。

1.3 相對氣象產(chǎn)量

為使氣象因子對產(chǎn)量的影響不受時間和地域的限制，采用相對氣象產(chǎn)量表征氣象產(chǎn)量變異，使不同方法得到的結(jié)果具有可比性。定義氣象產(chǎn)量與趨勢產(chǎn)量的比值為相對氣象產(chǎn)量Ya：

(2)

Ya為正值，表示氣象因子利于作物生長發(fā)育即產(chǎn)量增加；反之，Ya為負(fù)值，表示產(chǎn)量減少[33]。

1.4 作物產(chǎn)量分離方法篩選

為比較不同方法捕獲關(guān)鍵氣象因子或主要農(nóng)業(yè)氣象災(zāi)害帶來產(chǎn)量變異的能力，選取了氣象條件對水稻產(chǎn)量影響明顯的5個典型年份(表1)，其中1997年、1999年、2003年和2007年為典型減產(chǎn)年份，2002年為典型豐產(chǎn)年份。用6種方法得到的相對氣象產(chǎn)量與5個典型年份對比，如果與實況一致，則進行記錄，5個年份中全部一致則記為100%，有4年一致則記為80%，……，以此類推,選出能捕獲到氣象因子導(dǎo)致產(chǎn)量變異的方法。

表1 典型年份記錄

1.5 作物產(chǎn)量分離方法驗證

作物產(chǎn)量分離目的是找到氣象因子與作物產(chǎn)量之間的關(guān)系。因此，基于選定的作物產(chǎn)量分離方法，采用多元逐步回歸法建立相對氣象產(chǎn)量與全生育期氣象因子的關(guān)系模型，模型表達(dá)式如下：

Ya=β0+β1x1+β2x2+…+βmxm+e。

(3)

式(3)中，Ya是相對氣象產(chǎn)量；x1，x2，…，xm是各氣象因子；β0，β1，…，βm為回歸系數(shù)；e是遵從正態(tài)分布N(0，σ2)的隨機誤差。逐步回歸分析顯著性采用F檢驗，引入滿足A=0.05的顯著因子，剔除A=0.1的不顯著因子。用建立的相對氣象產(chǎn)量模型對選定的分離方法是否能夠合理解釋氣象因子與產(chǎn)量之間的關(guān)系進行合理性檢驗。

2 結(jié)果與分析

2.1 趨勢產(chǎn)量擬合

應(yīng)用3年滑動平均法、5年滑動平均法、五點二次平滑法、二次指數(shù)平滑法和HP濾波法5種方法對24個縣(市)30年的水稻單產(chǎn)分別進行趨勢擬合。結(jié)果表明，這5種方法擬合的趨勢產(chǎn)量與實際產(chǎn)量均達(dá)到0.01顯著性水平。以大豐、如皋為例(圖2)，20世紀(jì)80年代由于進一步貫徹執(zhí)行改革和開放的方針，農(nóng)民積極性大幅提高；同時生產(chǎn)力的發(fā)展，如雜交水稻的推廣，農(nóng)村勞動生產(chǎn)率得到極大提高，生產(chǎn)力持續(xù)增長，因此，該階段糧食產(chǎn)量增長速度較快。而從90年代后期開始，農(nóng)業(yè)種植技術(shù)進一步加強，糧食產(chǎn)值穩(wěn)定增長，但增長速度放緩。由圖2可見，5種方法擬合出的趨勢產(chǎn)量均能較好反映1987—2016年糧食產(chǎn)量總體增長的特征。

然而，不同方法擬合結(jié)果各有特點。HP濾波法擬合的趨勢產(chǎn)量表現(xiàn)為平穩(wěn)向上傾斜，對產(chǎn)量起伏劇烈的部分捕獲能力較差。相反，二次指數(shù)平滑法保留了產(chǎn)量的波動性特征，擬合出的趨勢產(chǎn)量在峰谷處與實際更為接近，如大豐1998—2007年和如皋1997—2003年產(chǎn)量變化。整體上，3年滑動平均、5年滑動平均與五點二次平滑法擬合出的產(chǎn)量趨勢較為相似，反映出波動特征，表現(xiàn)為增長趨勢上疊加上下起伏。

圖2 5種方法擬合的1987—2016年趨勢產(chǎn)量

由于整個研究區(qū)域的社會和技術(shù)水平發(fā)展過程差異不大，相鄰地區(qū)趨勢產(chǎn)量變化特征應(yīng)基本一致，因此，用一致性相關(guān)系數(shù)ρc評價5種方法擬合趨勢產(chǎn)量的適用性，當(dāng)一致性相關(guān)系數(shù)具有顯著性統(tǒng)計學(xué)意義時，可結(jié)合ρc大小進行一致性程度評價[21]。結(jié)果如表2所示，不同方法擬合的各縣(市)趨勢產(chǎn)量序列與區(qū)域平均趨勢產(chǎn)量序列均達(dá)到0.01顯著性水平，基本呈一致性較好和一致性極好，ρc≥0.5；僅極個別地區(qū)一致性差,ρc<0.5。由此可見，5種方法均適用于擬合該地區(qū)水稻趨勢產(chǎn)量。該結(jié)論與前人研究結(jié)果一致[20-21]，即不同產(chǎn)量分離方法在趨勢產(chǎn)量擬合上無明顯差別。

表2 江蘇省24個縣(市)不同方法擬合的趨勢產(chǎn)量序列與研究區(qū)域平均趨勢產(chǎn)量序列的一致性檢驗

2.2 氣象產(chǎn)量分離

分別采用3年滑動平均法、5年滑動平均法、五點二次平滑法、二次指數(shù)平滑法、HP濾波法以及年際增量法6種方法對1985—2018年24個縣(市)水稻單產(chǎn)進行氣象產(chǎn)量分離，得到對應(yīng)的相對氣象產(chǎn)量?？紤]到同一氣候區(qū)氣候特征相似，且大面積的農(nóng)業(yè)氣象災(zāi)害發(fā)生往往與大的天氣過程有關(guān)，所以同一氣候區(qū)或鄰近區(qū)域水稻的氣象產(chǎn)量應(yīng)具有基本相似的變化特征[19]。因此，以不同作物產(chǎn)量分離方法得到的24個縣(市)相對氣象產(chǎn)量的平均值作為整個研究區(qū)域的相對氣象產(chǎn)量序列，并求取其標(biāo)準(zhǔn)差度量隨機變量離散程度。合理的產(chǎn)量分離方法得到的不同區(qū)域相對氣象產(chǎn)量具有同升(增產(chǎn))同降(減產(chǎn))的特點,即一致性較好,樣本標(biāo)準(zhǔn)差較??；反之，標(biāo)準(zhǔn)差較大[21]。

6種產(chǎn)量分離方法得到的區(qū)域相對氣象產(chǎn)量的平均值及標(biāo)準(zhǔn)差序列見圖3。從平均值看，不同方法的結(jié)果具有相似的年際變化特征。具體而言，3年滑動平均法、5年滑動平均法、五點二次平滑法、二次指數(shù)平滑法和HP濾波法分離出的相對氣象產(chǎn)量結(jié)果類似，波動幅度相對較小。年際增量法因只考慮相鄰年份的產(chǎn)量變化，因此,波動幅度明顯大于其他5種方法，表明年際增量法一定程度上夸大了氣象因子對水稻產(chǎn)量的影響。

從標(biāo)準(zhǔn)差看，6種分離方法的標(biāo)準(zhǔn)差平均值從小到大依次為五點二次平滑法(2.4%)、二次指數(shù)平滑法(2.6%)、3年滑動平均法(2.8%)、5年滑動平均法(3.4%)、HP濾波法(3.9%)和年際增量法(5.5%)，其中，HP濾波法和年際增量法得到的相對氣象產(chǎn)量樣本標(biāo)準(zhǔn)差序列顯著大于其他4種方法,達(dá)到0.05顯著性水平。結(jié)果表明：五點二次平滑法、二次指數(shù)平滑法、3年滑動平均法和5年滑動平均法分離得到的各縣(市)相對氣象產(chǎn)量同相變化特征較明顯,HP濾波法次之,年際增量法與其他5種方法差異較大。從研究區(qū)域相對氣象產(chǎn)量序列反映氣象要素年際變化特征看, 五點二次平滑法、二次指數(shù)平滑法、3年滑動平均法和5年滑動平均法分離得到的相對氣象產(chǎn)量序列更合理。

2.3 作物產(chǎn)量分離方法確定

相對氣象產(chǎn)量與典型年記錄的比較見表3，6種分離方法捕獲整個區(qū)域典型年份氣象因子或災(zāi)害導(dǎo)致產(chǎn)量變化的能力從大到小依次為五點二次平滑法和3年滑動平均法、5年滑動平均法和年際增量法、二次指數(shù)平滑法和HP濾波法，且3組間差異達(dá)到0.05顯著性水平。五點二次平滑法和3年滑動平均法可以捕獲絕大多數(shù)典型年份氣象因子帶來的產(chǎn)量變化；其次是5年滑動平均法和年際增量法，能捕獲多數(shù)典型年份的產(chǎn)量變化；而二次指數(shù)平滑法與HP濾波法幾乎不能捕獲產(chǎn)量變化。

2.2節(jié)中的結(jié)果已經(jīng)表明，五點二次平滑法、二次指數(shù)平滑法、3年滑動平均法和5年滑動平均法分離的相對氣象產(chǎn)量與HP濾波法和年際增量法相比更為合理。其中，五點二次平滑法與3年滑動平均法對于氣象產(chǎn)量變異典型年份的捕獲能力比二次指數(shù)平滑法和3年滑動平均法強。因此，五點二次平滑法和3年滑動平均法有較強的普適性。

圖3 6種產(chǎn)量分離方法得到的相對氣象產(chǎn)量區(qū)域平均值及標(biāo)準(zhǔn)差序列

表3 江蘇省24個縣(市)不同方法分離的氣象產(chǎn)量與5個典型年記錄的比較

2.4 作物產(chǎn)量分離方法的檢驗

基于以上結(jié)果，選用五點二次平滑法與3年滑動平均法建立相對氣象產(chǎn)量模型，進一步分析作物產(chǎn)量與氣象因子之間的關(guān)系是否符合水稻的生育特性及其對氣象因子的響應(yīng)規(guī)律。以鎮(zhèn)江、金湖為例(表4)，回歸模型表明，10月上旬日照時數(shù)、5月下旬最低氣溫、6月上旬最高氣溫、7月上旬降水以及9月降水因子均與水稻相對氣象產(chǎn)量呈顯著相關(guān)，達(dá)0.05顯著性水平。水稻灌漿-成熟階段(9-10月)，相對氣象產(chǎn)量與日照時數(shù)為正相關(guān)關(guān)系，與降水呈負(fù)相關(guān)關(guān)系。該階段是決定產(chǎn)量的關(guān)鍵期，光照充足有利于水稻光合作用，促進產(chǎn)量形成，陰雨寡照會增加空秕率，使千粒重下降，從而降低產(chǎn)量。此外，強降水可能導(dǎo)致水稻倒伏、受淹，嚴(yán)重影響水稻產(chǎn)量。出苗-分蘗期(5月下旬—7月上旬)的溫度和降水都與相對氣象產(chǎn)量呈負(fù)相關(guān)關(guān)系。由于江蘇省是水稻適宜生長區(qū)，溫度和降水通常滿足該階段水稻的正常生長發(fā)育，但營養(yǎng)生長期溫度升高過快,導(dǎo)致作物發(fā)育速度加快,生育期縮短，光合作用時間減少，會使水稻減產(chǎn)；同樣，該時期降水過多易發(fā)生澇漬災(zāi)害,不利于水稻分蘗。

因此，3年滑動平均和五點二次平滑法分離得到的相對氣象產(chǎn)量能夠反映氣象因子對產(chǎn)量的影響并可較合理解釋相對氣象產(chǎn)量與氣象因子的關(guān)系。

表4 鎮(zhèn)江和金湖相對氣象產(chǎn)量模型參數(shù)

3 結(jié)論與討論

氣象條件與作物產(chǎn)量之間的關(guān)系一直是農(nóng)業(yè)氣象研究的重點。選取合適的方法分離趨勢產(chǎn)量與氣象產(chǎn)量可準(zhǔn)確地描述產(chǎn)量與氣象因子的關(guān)系，是開展產(chǎn)量預(yù)報、氣象災(zāi)害評估等工作的重要環(huán)節(jié)。以1985—2018年江蘇省24個縣(市)水稻歷史統(tǒng)計產(chǎn)量為基礎(chǔ)，從趨勢產(chǎn)量擬合、氣象產(chǎn)量分離兩方面分析比較了3年滑動平均法、5年滑動平均法、五點二次平滑法、二次指數(shù)平滑法、HP濾波法和年際增量法6種方法用于作物產(chǎn)量分離的合理性。首先，將年際增量法與其他5種方法進行比較；其次，將分離出的氣象產(chǎn)量與典型年份的增、減產(chǎn)記錄進行對比，據(jù)此篩選出一致性更高、普適性更強的方法；最后，利用回歸模型確定的氣象因子與氣象產(chǎn)量之間的關(guān)系對優(yōu)選出的方法進行合理性解釋。得到以下結(jié)論：

1) 從適用性看，3年滑動平均法、5年滑動平均法、五點二次平滑法、二次指數(shù)平滑法和HP濾波法這5種方法均適用于水稻趨勢產(chǎn)量的擬合，擬合出的產(chǎn)量能表現(xiàn)出隨著生產(chǎn)力水平不斷提高帶來的糧食產(chǎn)量增長的趨勢。

2) 從合理性看，通過對相對氣象產(chǎn)量序列的均值和標(biāo)準(zhǔn)差的分析，五點二次平滑法、二次指數(shù)平滑法、3年滑動平均法和5年滑動平均法這4種方法分離得到的氣象產(chǎn)量序列合理性大于HP濾波法和年際增量法。

3) 從普適性看，五點二次平滑法與3年滑動平均法較其余4種方法更具有普適性，基本能夠捕獲24個縣(市)絕大多數(shù)典型年份氣象因子造成的產(chǎn)量變化。氣象產(chǎn)量建模能反映氣象因子對產(chǎn)量的影響，符合水稻生長發(fā)育狀況。

由于我國地域差異顯著，氣候差異明顯，影響產(chǎn)量的要素復(fù)雜多樣，而且作物產(chǎn)量對技術(shù)進步以及氣候變化的敏感性不同[34]。在對比作物產(chǎn)量分離方法時未考慮不同長度時間序列以及氣候要素突變對產(chǎn)量分離的影響。因此，未來可以考慮通過劃分不同時間段選取合適的作物產(chǎn)量分離方法[35]或混合使用多種分離方法得到更準(zhǔn)確的分析結(jié)果，從而更客觀地反映氣候變化對作物產(chǎn)量的影響。