寧波市海曙區(qū)早稻產(chǎn)量預(yù)報模型及影響因子分析

段月，萬永建，黃鶴樓，張嘉榮，王曉慧

(1.寧波市海曙區(qū)氣象局，浙江 寧波 315000；2.普寧市氣象局，廣東 普寧 515300；3.寧波市氣象局，浙江 寧波 315012)

原海曙區(qū)是寧波中心城區(qū)，區(qū)域面積小，基本沒有農(nóng)業(yè)產(chǎn)業(yè)。2016年末，寧波市行政區(qū)劃做出重大調(diào)整，海曙區(qū)面積擴(kuò)容近20倍，新劃入地塊曾是浙江省糧食高產(chǎn)示范創(chuàng)建典型，從2008年攻關(guān)田每667 m2產(chǎn)量超800 kg開始，分別獲得單季晚稻百畝田、連作晚稻攻關(guān)田等9項(xiàng)浙江省糧食生產(chǎn)吉尼斯紀(jì)錄；2011年，在相對有利的氣候條件下，一舉獲得6項(xiàng)浙江省糧食生產(chǎn)吉尼斯紀(jì)錄；2012年更是以單產(chǎn)963.65 kg打破全國單季晚稻百畝方最高紀(jì)錄。海曙區(qū)氣象局成立僅2 a，研究氣象因子對本地核心產(chǎn)業(yè)水稻的影響成為開拓氣象為農(nóng)服務(wù)的重要一環(huán)。

水稻作為我國主要糧食作物之一，其產(chǎn)量占全國糧食總產(chǎn)的一半[1]。水稻產(chǎn)量受多種因素綜合影響，除了與品種、農(nóng)藝設(shè)施和栽培管理有關(guān)外，氣象條件也有很大影響；氣象因子除通過光合、根系吸水等因素直接影響水稻產(chǎn)量外，還與稻瘟病等田間流行病相關(guān)，進(jìn)而影響水稻產(chǎn)量[2]。隨著科技的不斷發(fā)展，農(nóng)技對水稻產(chǎn)量的影響趨于穩(wěn)定[3-6]，而降水、氣溫、日照等氣象因子則無法人為有效控制。目前有不少學(xué)者對水稻產(chǎn)量和氣象因子的關(guān)系做了大量研究[7-12]，并提出多種產(chǎn)量預(yù)報方法。其中，羅夢森等[13]分析了氣象因子與鹽城市水稻產(chǎn)量的關(guān)系，程遠(yuǎn)等[14-15]分別對黑龍江和南陵地區(qū)氣象因子與水稻產(chǎn)量的相關(guān)性做了分析，胡言青等[16]分析了各類水稻氣象產(chǎn)量的時間擬合趨勢回歸方程，張育慧等[17-19]建立了水稻產(chǎn)量預(yù)報模型。但不同模型的準(zhǔn)確率有高有低，地域局限性大。因此，本文擬借鑒已有的研究方法，基于SPSS軟件探索建立早稻產(chǎn)量預(yù)報模型，深入分析氣象因子對早稻產(chǎn)量的影響，為海曙區(qū)再創(chuàng)糧食高產(chǎn)融入氣象科技元素。

1 材料與方法

1.1 材料來源

氣象數(shù)據(jù)選自國家氣象觀測站鄞州站1993—2019年早稻全生育期3—7月逐日氣溫、降水、日照時數(shù)，統(tǒng)計篩選出3月第3候到7月第6候逐候平均氣溫、降水量、日照時數(shù)等共計84個自變量因子和4—7月逐旬氣象因子。早稻產(chǎn)量數(shù)據(jù)來源于《寧波統(tǒng)計年鑒》和寧波市海曙區(qū)農(nóng)業(yè)農(nóng)村局。

2002年第5號臺風(fēng)“威馬遜”引發(fā)的洪澇造成浙江省約8 500萬美元農(nóng)業(yè)和漁業(yè)損失[20]；2015年第9號強(qiáng)臺風(fēng)“燦鴻”造成浙江省農(nóng)作物受災(zāi)面積17.73 萬hm2，其中絕收2.25 萬hm2，直接經(jīng)濟(jì)損失84.4億元[21]。這兩次臺風(fēng)的影響時間均在早稻成熟期，對海曙區(qū)早稻產(chǎn)量影響較大。由于采用線性回歸建模，對于氣象因子有一定的適應(yīng)范圍。當(dāng)氣象因子在該范圍內(nèi)變化時，模型具有較高精度，但若出現(xiàn)極端或異常氣候現(xiàn)象時，因子高于或低于適應(yīng)范圍臨界值，氣象因子對產(chǎn)量的指示作用會減弱，此時模型預(yù)測的準(zhǔn)確率就會降低。故2002和2015年早稻產(chǎn)量不計入統(tǒng)計分析，實(shí)際樣本容量為25 a。

1.2 氣象產(chǎn)量分離

作物產(chǎn)量受綜合因素影響，一般將作物實(shí)際產(chǎn)量分解為趨勢產(chǎn)量、氣象產(chǎn)量和隨機(jī)產(chǎn)量。趨勢產(chǎn)量由生產(chǎn)水平和經(jīng)濟(jì)條件決定；氣象產(chǎn)量體現(xiàn)年際間氣象條件差異造成的波動[22-23]；隨機(jī)產(chǎn)量是由一些沒考慮到的偶然因素及統(tǒng)計誤差所產(chǎn)生，因偶然因素不常發(fā)生且影響不大，故可忽略不計。早稻產(chǎn)量的分解方程：

y=yt+yw+Δy。

(1)

式中，y表示早稻實(shí)際產(chǎn)量(kg·hm-2)，其中，yt為趨勢產(chǎn)量，yw為氣象產(chǎn)量，Δy為隨機(jī)產(chǎn)量。由此可分離出早稻氣象產(chǎn)量。

1.3 SPSS統(tǒng)計方法

SPSS是一款界面友好、功能強(qiáng)大的統(tǒng)計軟件，氣象數(shù)據(jù)統(tǒng)計分析中的回歸分析和相關(guān)性分析等功能較為成熟[24-25]。本文主要用SPSS 19.0版本的線性回歸和最小二乘法進(jìn)行運(yùn)算和分析。

線性回歸是利用數(shù)理統(tǒng)計中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計分析方法。最小二乘法(又稱最小平方法)是一種數(shù)學(xué)優(yōu)化技術(shù)，是通過最小化誤差的平方和來尋找數(shù)據(jù)的最佳函數(shù)匹配。利用最小二乘法可以簡便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和為最小。在樣本容量為n的預(yù)報量y和因變量x的實(shí)驗(yàn)值中，滿足線性回歸方程[23]：

(2)

2 結(jié)果與分析

2.1 模擬早稻趨勢產(chǎn)量

打開SPSS 19.0，將早稻實(shí)際單產(chǎn)yt(因變量)和年序t(自變量)(1，2，…，25)進(jìn)行曲線估計，從模擬結(jié)果中挑選顯著性水平sig.<0.05、相關(guān)系數(shù)r≥0.381(25 a樣本的臨界相關(guān)系數(shù))，且F(方差檢驗(yàn))通過5%的兩個最優(yōu)趨勢產(chǎn)量方程，分別是對數(shù)模型(因變量為yt)和冪模型[因變量為ln(yt)]，分析結(jié)果見表1和表2。

表1 2種模型的方差分析結(jié)果

表2 2種模型對應(yīng)的回歸系數(shù)

yt(i)=5 756.732+255.149×ln(t)；

(3)

yt(i)=e[8.661+0.04×ln(t)]。

(4)

2.2 氣象產(chǎn)量預(yù)報方程模擬

2.2.1 分離氣象產(chǎn)量

將年序t(1，2，…，25)分別代入方程(3)和(4)式，計算出兩種模型的趨勢產(chǎn)量yt(i)。已知每年的實(shí)際產(chǎn)量，根據(jù)方程(1)得到對應(yīng)模型的氣象產(chǎn)量yw(i)，具體見表3。

表3 2種模型對應(yīng)的產(chǎn)量 單位：kg·hm-2

2.2.2 氣象產(chǎn)量預(yù)報方程模擬

在SPSS軟件中建立數(shù)據(jù)文件，其中，前2列變量為兩種模型對應(yīng)的氣象產(chǎn)量yw(i)(因變量)，第3列起為氣象因子(自變量)，記為xn，n=1，2，…，84。選用線性回歸分析中的模型擬合，將預(yù)測值標(biāo)準(zhǔn)化處理，并設(shè)置信區(qū)間為95%，從模擬結(jié)果中挑選出兩組最優(yōu)氣象產(chǎn)量預(yù)報方程(5)和(6)。

yw(i)=-981.039+126.839x5-6.78x39-

18.663x59-13.715x73；

(5)

yw(i)=-2 331.744-46.47x3+130.612x5+39.947x10+69.777x13+96.581x15-62.223x23+11.941x29-4.157x45-8.902x62。

(6)

式中，x3是3月第5候平均氣溫；x5是4月第1候平均氣溫；x10是4月第6候平均氣溫；x13是5月第3候平均氣溫；x15是5月第5候平均氣溫；x23是7月第1候平均氣溫；x29是3月第3候降水量；x39是5月第1候降水量；x45是6月第1候降水量；x59是3月第5候日照時數(shù)；x62是4月第2候日照時數(shù)；x73是6月第1候日照時數(shù)。

2.3 最小二乘法擬合早稻產(chǎn)量預(yù)報方程

方程(3)與(5)相加得到對數(shù)模型早稻產(chǎn)量預(yù)報方程：

y(1，t)=4 775.693+255.149ln(t)+126.839x5-6.78x39-18.663x59-13.715x73。

(7)

方程(4)與(6)相加得到冪模型早稻產(chǎn)量預(yù)報方程：

y(2，t)=e[8.661+0.04×ln(t)]-2 331.744-46.47x3+130.612x5+39.947x10+69.777x13+96.581x15-62.223x23+11.941x29-4.157x45-8.902x62。

(8)

假設(shè)存在一組系數(shù)b(i)，滿足

y(t)=b1y(1，t)+b2y(2，t)。

(9)

為提高預(yù)報準(zhǔn)確率，用最小二乘法擬合算出兩個預(yù)報模型所占權(quán)重系數(shù)b(i)，使得早稻產(chǎn)量實(shí)際值與預(yù)測值的差值的平方和達(dá)到最小，由方程(3)得出b(i)的值：

b1=0.352；b2=0.511。

將其代入方程(9)，得到擬合預(yù)報模型：

y(t)=489.523+89.812ln(t)+

0.511e[8.661+0.04×ln(t)]-23.746x3+111.39x5+

20.413x10+35.656x13+49.353x15-31.796x23+

6.012x29-2.387x39+2.124x45-6.569x59-4.549x62-

4.828x73。

(10)

2.4 預(yù)報方程檢驗(yàn)

(11)

將氣象因子數(shù)據(jù)代入預(yù)報模型(10)，得到1993—2019年海曙區(qū)早稻產(chǎn)量的模擬預(yù)報值，通過公式(11)計算其準(zhǔn)確率。由圖1可知，除2003年預(yù)報準(zhǔn)確率為92.34%外，其余年份預(yù)報準(zhǔn)確率均大于95%。2020年受超長梅雨期連陰雨天氣影響，早稻產(chǎn)量為5 775 kg·hm-2，準(zhǔn)確率仍達(dá)91.48%。將模擬預(yù)報產(chǎn)量與實(shí)際產(chǎn)量做對比發(fā)現(xiàn)，預(yù)報值與實(shí)際值的時間序列曲線變化趨勢基本一致，表明預(yù)報結(jié)果可信度較高，該預(yù)報方程能較好地模擬早稻產(chǎn)量，基本滿足業(yè)務(wù)需求。

圖1 海曙區(qū)早稻產(chǎn)量擬合預(yù)報

2.5 氣象因子對早稻產(chǎn)量影響分析

由圖2可知，1993—2010年早稻單產(chǎn)無明顯增長趨勢。隨著種植品種的穩(wěn)定和機(jī)插率的不斷提高，加上農(nóng)戶間種植水平差距的不斷縮小，2011—2018年早稻單產(chǎn)總體呈上升趨勢，2019年有所下降。

圖2 1993—2019年海曙區(qū)早稻產(chǎn)量與4—5月平均氣溫

相關(guān)分析表明，4月上旬的平均最低和最高氣溫、5月平均最低氣溫、4—5月的平均氣溫與產(chǎn)量呈正相關(guān)，相關(guān)系數(shù)分別為0.450、0.496、0.467、0.549；6月上旬日照時數(shù)與產(chǎn)量呈負(fù)相關(guān)，相關(guān)系數(shù)為-0.518；均通過信度為0.05的25 a樣本的臨界相關(guān)系數(shù)(0.381)。從圖2可以看出，4—5月的平均氣溫與早稻產(chǎn)量波動基本一致，4—5月平均氣溫較高時，對應(yīng)早稻高產(chǎn)(2006和2018年)，擬合方程(10)中氣溫系數(shù)較大，且4—5月氣溫占比大，也從側(cè)面證明了以上觀點(diǎn)。由圖3可知，6月上旬日照時數(shù)偏多，導(dǎo)致產(chǎn)量低(2003和2005年)；而日照時數(shù)偏少時，利于提高產(chǎn)量(2006和2018年)。

圖3 1993—2019年海曙區(qū)早稻產(chǎn)量與6月上旬日照時數(shù)

由圖4可知，全生育期總降水量以2003年最少，2005年次之；其中6月降水量2003和2005年較少，而5月和7月降水量卻不是最少的，說明全生育期降水量尤其是6月降水量的不均也會影響早稻產(chǎn)量。

圖4 1993—2019年海曙區(qū)早稻全生育期及5—7月降水量

2020年早稻產(chǎn)量偏低，平均約5 775 kg·hm-2，早稻生長中后期天氣氣候異常，入梅異常偏早，出梅偏遲，梅汛期長達(dá)50 d，降水集中，平均梅雨量為579 mm，是常年的2.4倍，連續(xù)陰雨天導(dǎo)致早稻產(chǎn)量偏低。邱新法[26]認(rèn)為，6月雙季早稻拔節(jié)—抽穗期降水不均影響孕穗，4月上旬至5月上旬雙季早稻育秧和移栽期多低溫陰雨影響其栽后早發(fā)，也與本文分析結(jié)果相符。

3 小結(jié)與討論

本文基于SPSS軟件用曲線估計法分離出氣象產(chǎn)量，采用線性回歸分析和最小二乘法建立早稻產(chǎn)量預(yù)報模型，經(jīng)模擬驗(yàn)證1993—2019年早稻產(chǎn)量預(yù)報準(zhǔn)確率較高(多在95%以上)，且該模型的預(yù)報與實(shí)際產(chǎn)量時間序列曲線變化趨勢一致，拐點(diǎn)和極值點(diǎn)也基本一致，證明該模型在生產(chǎn)上具有探索和指導(dǎo)意義，可為本地早稻產(chǎn)量預(yù)報提供重要參考。

早稻產(chǎn)量受多種氣象因子共同影響，其中4月上旬的平均最低和最高氣溫、5月平均最低氣溫、4—5月的平均氣溫與產(chǎn)量呈正相關(guān)，這說明營養(yǎng)生長期氣溫偏高有利于早稻搭好豐產(chǎn)苗架，實(shí)現(xiàn)“秧好一半稻”；6月上旬的日照時數(shù)與產(chǎn)量呈反相關(guān)，這可能與此階段日照強(qiáng)烈導(dǎo)致早稻營生長期延長而幼穗分化期縮短有關(guān)。全生育期降水，尤其是6月降水不均也會影響早稻產(chǎn)量，但兩者之間的相關(guān)性有待進(jìn)一步研究。

氣象因子對早稻產(chǎn)量至關(guān)重要，深入研究兩者之間的關(guān)系，有利于深化氣象為農(nóng)服務(wù)，使之更有針對性地指導(dǎo)農(nóng)戶進(jìn)行田間管理，實(shí)現(xiàn)趨利避害，提高早稻產(chǎn)量。在研究早稻產(chǎn)量預(yù)測方程時，分離氣象產(chǎn)量和趨勢產(chǎn)量尤為重要。本文僅用了一種模擬方法建立模型，今后可嘗試其他建模方法以比較出最優(yōu)預(yù)報方程，并進(jìn)一步深入研究晚稻和雙季稻不同生育期(尤其是關(guān)鍵生育期)下各類氣象因子對產(chǎn)量的影響權(quán)重。