基于大氣環(huán)流特征量和海溫的水稻生育期預(yù)報(bào)模型研究

郝 玲，張 佩，任義方，劉瑞翔，顏佳任

（1.連云港市氣象局，江蘇 連云港 222006；2.江蘇省氣象局，江蘇 南京 210008）

水稻是江蘇省第一大糧食作物，常年種植面積為220萬(wàn)hm2，種植面積和稻谷產(chǎn)量分別占全省糧食面積和總產(chǎn)量的40%和60%，分別約占全國(guó)水稻種植面積和水稻總產(chǎn)量的7%和10%，單產(chǎn)穩(wěn)居全國(guó)第一。水稻生育期是生產(chǎn)上品種布局、播期安排、茬口銜接等環(huán)節(jié)必須考慮的問(wèn)題，也是農(nóng)事活動(dòng)安排如病蟲(chóng)防治、肥料施用等必須關(guān)注的。同時(shí)，開(kāi)展農(nóng)用天氣預(yù)報(bào)既是落實(shí)中國(guó)氣象局戰(zhàn)略部署的重要內(nèi)容，也是中國(guó)氣象局制定的業(yè)務(wù)考核指標(biāo)之一。作為農(nóng)用天氣預(yù)報(bào)的一個(gè)重要環(huán)節(jié)，準(zhǔn)確預(yù)測(cè)預(yù)報(bào)水稻關(guān)鍵生育期則顯得尤為重要。

眾所周知，大氣環(huán)流是指大范圍大氣運(yùn)行的現(xiàn)象，它的水平尺度在1000 km以上，垂直尺度在10 km以上，時(shí)間尺度在10萬(wàn)s以上。這種大范圍的大氣運(yùn)行不僅制約著大范圍天氣的變化，而且是氣候形成的基本因素之一［1-2］。目前，已有研究表明，在氣候變暖的背景下，全國(guó)水稻各生育期呈現(xiàn)延長(zhǎng)或縮短的變化趨勢(shì)［3-8］，其變化除了與水稻品種更新有關(guān)外，還與關(guān)鍵時(shí)段的溫度和日照時(shí)數(shù)等氣象因子有關(guān)［9-10］。另外，大量研究表明，海溫的異常變化不僅會(huì)影響大氣環(huán)流［11］，而且對(duì)降水［12-14］、溫度［15］等地面氣象要素［16］的變化具有十分重要的影響，既是影響氣候變化的關(guān)鍵因子，也是影響水稻生育期變化的間接因子。

根據(jù)中長(zhǎng)期天氣預(yù)報(bào)原理，海溫和環(huán)流特征量是氣象學(xué)中長(zhǎng)期天氣預(yù)報(bào)的重要因子。本文以江蘇為例，以對(duì)中國(guó)氣候有重要影響的西太平洋海溫和環(huán)流特征量為長(zhǎng)期預(yù)報(bào)因子，采用相關(guān)統(tǒng)計(jì)分析方法分別建立了江蘇省水稻主要生育期的預(yù)報(bào)模型。這些模型經(jīng)過(guò)擬合檢驗(yàn)，效果較好，為中長(zhǎng)期農(nóng)用天氣預(yù)報(bào)奠定了技術(shù)基礎(chǔ)。

1 資料與方法

1.1 數(shù)據(jù)來(lái)源

本文選取8個(gè)水稻觀測(cè)站有記錄以來(lái)的農(nóng)業(yè)氣象資料，其中興化、鎮(zhèn)江、宜興、昆山這4站資料的時(shí)間為1980─2015年，贛榆站資料的時(shí)間為1981─2015年，淮安站資料的時(shí)間為1984─2015年，徐州站資料的時(shí)間為1986─2015年，高淳站資料的時(shí)間為1990─2015年，因此統(tǒng)一用1990─2015年的資料做相關(guān)分析。大氣環(huán)流特征量資料來(lái)自國(guó)家氣候中心，海溫資料來(lái)源于西太平洋（10°S～50°N、120°E～80°W）海表面溫度月平均值，水平分辨率為5°×5°。

1.2 數(shù)據(jù)處理

為了將水稻的生育期數(shù)值化，以便建模，本文對(duì)各生育期進(jìn)行了數(shù)據(jù)轉(zhuǎn)換處理。播種期、返青期：以每年的1月1日為基準(zhǔn)，計(jì)算播種期為當(dāng)年的第多少天；返青期則在播種期的基礎(chǔ)上繼續(xù)累加實(shí)際的日數(shù)。例如徐州1986年水稻播種期為5月11日，為當(dāng)年的第131天，故將5月11日轉(zhuǎn)換為131。出苗至乳熟期：為了盡量避免由于播期的變化導(dǎo)致各生育期轉(zhuǎn)換后的數(shù)據(jù)發(fā)生改變，本研究對(duì)出苗至乳熟的9個(gè)生育期進(jìn)行了歸一化處理，即首先統(tǒng)計(jì)播種至各生育期的天數(shù)，用其除以播種至成熟期的天數(shù)，即為各生育期處理后的數(shù)據(jù)。

本研究將影響我國(guó)天氣過(guò)程的74項(xiàng)500 hPa大氣環(huán)流特征量和海表面溫度月平均值作為自變量，應(yīng)用場(chǎng)相關(guān)分析方法及最優(yōu)化相關(guān)處理技術(shù)，尋找表征江蘇省水稻生育期的最佳特征因子，并建立其回歸模型。

1.3 方法

1.3.1 最優(yōu)化因子相關(guān)分析 自變量與因變量之間存在著不同形式（線性、非線性）的相互關(guān)系，找到兩者之間最合適的相關(guān)形式非常重要，但也十分困難。而最優(yōu)化相關(guān)普查方法可以解決這一問(wèn)題。為了增加因子的信息量，首先對(duì)因子進(jìn)行膨化處理，然后再進(jìn)行最優(yōu)化普查。

因子X(jué)的線性和非線性［含單調(diào)的和非單調(diào)的單峰（谷）型］化處理可歸納為一種通用變換形式：

式（1）中：a、b為待定參數(shù)，且Xmin≤b≤Xmax，B=max(Xmax-b,b-Xmin)。

經(jīng)上式變換后，Q與Y(Y為因變量)必為單調(diào)關(guān)系，且(|X-b|/B+0.5)的值在區(qū)間［0.5,1.5］內(nèi)變化。對(duì)于單峰（谷）型關(guān)系的因子，為了避免X在最低值或最高值附近出現(xiàn)個(gè)別樣本的偶然誤差影響，b的取值以［Xmin+(Xmax-Xmin)/4,Xmax-(Xmax-Xmin)/4］為宜。至于a值，根據(jù)我們的實(shí)際工作經(jīng)驗(yàn)，一般在（-10，-1/10）和（1/10，10）2個(gè)區(qū)間內(nèi)取值效果較好。待定參量a、b可用最優(yōu)化技術(shù)求出。令目標(biāo)函數(shù)為：

式（2）中：R為當(dāng)a、b取一定值時(shí)，Q與Y的相關(guān)系數(shù)。

應(yīng)用二維尋優(yōu)的變量轉(zhuǎn)換思路將式（2）分解為一元問(wèn)題進(jìn)行逐步處理。于是，采用上述方法進(jìn)行相關(guān)普查后，獲得了一批與因變量相關(guān)最顯著的自變量因子。

1.3.2 最佳海溫自變量因子的選取 由于太平洋海溫是一個(gè)場(chǎng)，為了避免單相關(guān)的偶然性，在進(jìn)行最優(yōu)化相關(guān)處理前，需首先利用場(chǎng)相關(guān)分析方法對(duì)海溫場(chǎng)進(jìn)行相關(guān)普查，即根據(jù)場(chǎng)相關(guān)分析原理［14］，剔除高相關(guān)格點(diǎn)不足3個(gè)的海溫區(qū)，以存在連續(xù)4個(gè)以上顯著相關(guān)格點(diǎn)的海區(qū)作為1個(gè)顯著相關(guān)區(qū)，取區(qū)內(nèi)格點(diǎn)海溫的平均值作為1個(gè)新的海溫因子。再將新的海溫因子進(jìn)行最優(yōu)化普查（方法同1.3.1），挑選出與水稻生育期相關(guān)最顯著的海溫因子。

1.4 穩(wěn)定性檢驗(yàn)與獨(dú)立性檢驗(yàn)

通過(guò)最優(yōu)化相關(guān)普查方法可以找到顯著相關(guān)因子，但它不能保證選擇到的因子與因變量之間相關(guān)的平穩(wěn)性。因此，本文采用滑動(dòng)相關(guān)檢驗(yàn)法對(duì)普查得到的因子進(jìn)行穩(wěn)定性檢驗(yàn)，以淘汰掉一些相關(guān)程度前好后差或波動(dòng)變化較大的因子，保證所選因子與水稻生育期之間具有穩(wěn)定、顯著的相關(guān)關(guān)系。然后采用主成分識(shí)別法對(duì)普查得到的因子進(jìn)行獨(dú)立性檢驗(yàn)，剔除共線性因子，即在達(dá)到α=0.01信度水平的顯著相關(guān)因子中剔除復(fù)共線性因子，最終剩下的因子就是分別與各站點(diǎn)水稻各生育期相關(guān)顯著、穩(wěn)定且相對(duì)獨(dú)立的因子。

1.5 預(yù)報(bào)模型的構(gòu)建

由于已考慮了因子相關(guān)的最優(yōu)化、顯著性、穩(wěn)定性和獨(dú)立性，因此，由自變量組合的聯(lián)立方程可以達(dá)到非奇異的效果。利用逐步回歸分析方法，從8個(gè)站點(diǎn)中保留下的相關(guān)環(huán)流和海溫因子中，篩選出貢獻(xiàn)最大的因子，建立穩(wěn)定、可靠的水稻生育期回歸預(yù)報(bào)模型。考慮資料來(lái)源和預(yù)報(bào)時(shí)效，選取上一年1月到動(dòng)態(tài)預(yù)報(bào)前1個(gè)月的因子進(jìn)行分析處理。

2 結(jié)果與分析

2.1 江蘇省水稻生育期的環(huán)流預(yù)報(bào)模型

2.1.1 水稻生育期與環(huán)流特征量的相關(guān)分析 通過(guò)分析得到，8個(gè)水稻觀測(cè)站的水稻生育期均與全球副高各種指數(shù)相關(guān)密切。受篇幅限制，本文僅以鎮(zhèn)江站水稻分蘗期與環(huán)流特征量的相關(guān)分析為例，從表1可以看出：鎮(zhèn)江水稻分蘗期與全球副高各種指數(shù)的相關(guān)性均達(dá)到了0.01的極顯著水平。

表1 鎮(zhèn)江站水稻分蘗期的環(huán)流特征量最優(yōu)因子相關(guān)普查結(jié)果

2.1.2 水稻生育期的環(huán)流特征量預(yù)報(bào)回歸模型的構(gòu)建 由于已經(jīng)考慮了因子相關(guān)的最優(yōu)化、顯著性、穩(wěn)定性和獨(dú)立性，因此，由自變量組合的聯(lián)立方程可以達(dá)到非奇異的效果。利用逐步回歸分析方法，從8個(gè)站點(diǎn)保留下的相關(guān)環(huán)流因子中，篩選出貢獻(xiàn)最大的因子，建立了各站點(diǎn)水稻主要生育期的環(huán)流預(yù)報(bào)模型。受篇幅限制，本文僅以鎮(zhèn)江、淮安站為例，從表2、表3中可以看出，2個(gè)站點(diǎn)水稻各生育期的回歸模型均達(dá)到了0.01的極顯著水平，說(shuō)明所建回歸模型穩(wěn)定、可靠。

表3 淮安站水稻主要生育期的環(huán)流預(yù)報(bào)模型

2.2 江蘇省水稻生育期的海溫預(yù)報(bào)模型

2.2.1 江蘇省水稻生育期與西太平洋海溫的關(guān)系分析 為了尋找江蘇省水稻各生育期的前期海溫強(qiáng)信號(hào)區(qū)，對(duì)8個(gè)站點(diǎn)的當(dāng)年水稻生育期與上一年1月到當(dāng)年各生育期前1個(gè)月的各月海溫場(chǎng)資料進(jìn)行計(jì)算，根據(jù)臨近原則，尋找相關(guān)區(qū)。結(jié)果顯示，江蘇省8個(gè)站點(diǎn)的水稻各生育期對(duì)太平洋海溫響應(yīng)明顯，受篇幅限制，本文僅以鎮(zhèn)江水稻分蘗期、淮安水稻抽穗期的相關(guān)系數(shù)空間分布圖為例，詳細(xì)分析這2個(gè)代表站點(diǎn)代表生育期與太平洋海溫的相關(guān)性。

鎮(zhèn)江水稻分蘗期與上年1月至當(dāng)年5月太平洋海溫均存在高相關(guān)區(qū)（指相關(guān)系數(shù)≥0.32或≤-0.32，通過(guò)0.05顯著性檢驗(yàn)），相關(guān)系數(shù)的空間分布較為一致，基本上都呈現(xiàn)“西負(fù)東正”的特征（西太平洋存在負(fù)相關(guān)區(qū)，東太平洋存在正相關(guān)區(qū)）（圖1）。具體而言，在西太平洋10°N以北存在顯著負(fù)相關(guān)區(qū)，在高相關(guān)中心相關(guān)系數(shù)的絕對(duì)值均在0.45以上；在上一年1─7月，高負(fù)相關(guān)區(qū)域范圍逐步增大，相關(guān)性逐步增強(qiáng)，并逐步向西移動(dòng)，其中上一年6月，顯著相關(guān)區(qū)域集中在3個(gè)海區(qū)，地理位置為（45°N～50°N，170°E～165°W）、（10°N～35°N，130°E～140°W），負(fù)相關(guān)中心的相關(guān)系數(shù)達(dá)到-0.51；上一年7月至當(dāng)年1月，高負(fù)相關(guān)區(qū)域逐漸減小、分散；當(dāng)年2月以后，高負(fù)相關(guān)區(qū)域范圍再次逐步增大，相關(guān)性逐步增強(qiáng)。正相關(guān)區(qū)位于東太平洋海區(qū)，在上一年1─4月，高正相關(guān)區(qū)域范圍逐步增大，相關(guān)性逐步增強(qiáng)；上一年5─7月，正相關(guān)區(qū)消失，至8月再次出現(xiàn)；上一年8月至當(dāng)年2月，高正相關(guān)區(qū)域范圍再次逐步增大，相關(guān)性逐步增強(qiáng)，其中當(dāng)年2月正相關(guān)中心的相關(guān)系數(shù)達(dá)到0.51；從當(dāng)年3月開(kāi)始，高正相關(guān)區(qū)域逐漸縮小。

圖1 1980─2015年鎮(zhèn)江水稻分蘗期與太平洋海溫的相關(guān)系數(shù)

淮安水稻抽穗期與上年1月至當(dāng)年5月太平洋海溫均存在高相關(guān)區(qū)（指相關(guān)系數(shù)≥0.34或≤-0.34，通過(guò)0.05顯著性檢驗(yàn)）（圖2）。從正相關(guān)區(qū)來(lái)看，總體呈現(xiàn)“東西太平洋的正相關(guān)區(qū)交替出現(xiàn)”。具體來(lái)說(shuō)，在上一年1─4月，西太平洋25°N以北、東太平洋5°N以南均存在高相關(guān)區(qū)，其中西太平洋正相關(guān)區(qū)的相關(guān)性逐步增強(qiáng)，上一年4月正相關(guān)中心的相關(guān)系數(shù)達(dá)到0.61；從上一年5月開(kāi)始，西太平洋的正相關(guān)區(qū)域逐步減小，至上一年7─9月時(shí)消失；但上一年7─9月東太平洋地區(qū)開(kāi)始出現(xiàn)正相關(guān)區(qū)，且隨著時(shí)間的推移，該相關(guān)區(qū)域范圍逐步增大，相關(guān)性逐步增強(qiáng)，至上一年11月時(shí)正相關(guān)中心的相關(guān)系數(shù)達(dá)到0.47；從上一年10月開(kāi)始，西太平洋地區(qū)再次出現(xiàn)正相關(guān)區(qū)，且相關(guān)區(qū)域范圍逐步增大，相關(guān)性逐步增強(qiáng)，至當(dāng)年1月時(shí)正相關(guān)中心的相關(guān)系數(shù)達(dá)到0.62；之后高相關(guān)區(qū)域逐漸減小，在當(dāng)年3月以后消失。從負(fù)相關(guān)區(qū)來(lái)看，上一年1─9月，在10°N以北、140°W以東存在高相關(guān)區(qū)，其中1─6月相關(guān)區(qū)域范圍逐步增大，相關(guān)性逐步增強(qiáng)，至上一年6月時(shí)負(fù)相關(guān)中心的相關(guān)系數(shù)達(dá)到-0.55；隨后該相關(guān)區(qū)域逐漸減小，相關(guān)性逐步減弱；從當(dāng)年2月開(kāi)始，負(fù)相關(guān)區(qū)域逐步向北擴(kuò)大，相關(guān)性逐步增強(qiáng)；當(dāng)年6─7月存在3個(gè)負(fù)相關(guān)中心，相關(guān)系數(shù)分別達(dá)到-0.59、 -0.53、-0.57。

圖2 1984─2015年淮安水稻抽穗期與太平洋海溫的相關(guān)系數(shù)

由此可見(jiàn)，無(wú)論是水稻分蘗期還是抽穗期，都與上年和當(dāng)年太平洋海溫存在高相關(guān)性。因此，太平洋海溫對(duì)水稻分蘗期和抽穗期具有可預(yù)報(bào)性，而且海溫影響的滯后效應(yīng)可大幅提高預(yù)測(cè)模型的預(yù)報(bào)時(shí)效。

2.2.2 水稻生育期的海溫預(yù)報(bào)回歸模型的構(gòu)建 為了使建立的預(yù)測(cè)模型的擬合和預(yù)報(bào)效果達(dá)到最佳，本文將相關(guān)區(qū)內(nèi)格點(diǎn)海溫的平均值進(jìn)行了最優(yōu)化處理；在此基礎(chǔ)上，進(jìn)一步考慮了預(yù)報(bào)因子相關(guān)的穩(wěn)定性和獨(dú)立性。利用逐步回歸分析方法，建立了江蘇省8個(gè)站點(diǎn)水稻各生育期的海溫預(yù)報(bào)回歸模型，限于篇幅，本文僅以鎮(zhèn)江、淮安站為例。從表4、表5中可以看出，2個(gè)站點(diǎn)水稻主要生育期的海溫預(yù)報(bào)模型均達(dá)到了0.01的極顯著水平。

表4 鎮(zhèn)江水稻主要生育期的海溫預(yù)報(bào)模型

表5 淮安水稻主要生育期的海溫預(yù)報(bào)模型

2.3 預(yù)報(bào)模型的擬合效果

利用上述環(huán)流和海溫預(yù)報(bào)模型進(jìn)行回代檢驗(yàn)，對(duì)水稻各生育期進(jìn)行模擬檢驗(yàn)，圖3、圖4分別給出了鎮(zhèn)江水稻分蘗期和淮安水稻抽穗期環(huán)流和海溫預(yù)報(bào)模型的擬合情況，由此可以看出，2個(gè)模型的歷史擬合效果均較好，其中鎮(zhèn)江水稻分蘗期的環(huán)流回歸預(yù)報(bào)模型的擬合誤差平均為2.88%，其中擬合誤差超過(guò)5%的年份有6個(gè)；海溫回歸預(yù)報(bào)模型的擬合誤差平均為5.42%，其中擬合誤差超過(guò)5%的年份有16個(gè)?；窗菜境樗肫诘沫h(huán)流和海溫回歸預(yù)報(bào)模型的平均擬合誤差分別為1.02%和1.08%，且所有年份的擬合誤差均小于3%。

圖3 鎮(zhèn)江水稻分蘗期環(huán)流和海溫回歸預(yù)報(bào)模型的模擬情況

圖4 淮安水稻抽穗期環(huán)流和海溫回歸預(yù)報(bào)模型的模擬情況

3 結(jié)論與討論

本文選取影響我國(guó)天氣過(guò)程的74項(xiàng)500 hPa大氣環(huán)流特征量和海表面溫度月平均值作為自變量，應(yīng)用場(chǎng)相關(guān)分析方法及最優(yōu)化相關(guān)處理技術(shù)，尋找了預(yù)測(cè)江蘇省水稻生育期的最佳特征因子。

水稻生育期與全球副高各種指數(shù)相關(guān)密切，水稻各生育期與全球副高各種指數(shù)的相關(guān)性均達(dá)到了0.01的極顯著水平。利用逐步回歸分析方法，篩選出貢獻(xiàn)最大的因子，建立了穩(wěn)定可靠的江蘇8個(gè)站點(diǎn)水稻各生育期的環(huán)流回歸預(yù)報(bào)模型，各個(gè)模型的歷史擬合效果均較好。

江蘇省水稻各生育期對(duì)太平洋海溫響應(yīng)明顯，與上年和當(dāng)年太平洋海溫存在高相關(guān)性，因此太平洋海溫對(duì)水稻生育期具有可預(yù)報(bào)性。利用逐步回歸分析方法，建立了江蘇各站點(diǎn)水稻各生育期的海溫回歸預(yù)報(bào)模型，各模型的歷史擬合效果也較好。

作物的生長(zhǎng)發(fā)育進(jìn)程受當(dāng)?shù)丨h(huán)境的直接影響，氣象條件是主要的影響因子，其中氣溫、日照時(shí)數(shù)等氣象要素的變化會(huì)改變作物的生長(zhǎng)速率和生育期［17-18］；而各地氣象要素的變化又與氣候背景場(chǎng)息息相關(guān)。由于氣候背景是由大尺度因子構(gòu)成的，對(duì)各地氣象要素的影響具有滯后效應(yīng)［19］，因此利用大氣環(huán)流特征量和海溫來(lái)建立江蘇省水稻生育期的預(yù)測(cè)模型，不僅可以大幅提高預(yù)測(cè)模型的預(yù)報(bào)時(shí)效，而且能有效地彌補(bǔ)短期農(nóng)用天氣預(yù)報(bào)的不足。在實(shí)際業(yè)務(wù)服務(wù)中，利用所建模型可以提前1～2個(gè)月對(duì)水稻生育期進(jìn)行預(yù)測(cè)。雖然本研究所建立預(yù)測(cè)模型的擬合效果均較好，但在今后實(shí)際應(yīng)用中的預(yù)報(bào)效果還有待于驗(yàn)證。

IPCC發(fā)布的第五次科學(xué)評(píng)估報(bào)告指出，自工業(yè)化以來(lái)，全球地表溫度持續(xù)升高，出現(xiàn)了氣候變暖的趨勢(shì)［20］。未來(lái)除了采用氣候因子來(lái)預(yù)測(cè)作物生育期外，還可以劃分不同的生育階段，在作物種植氣候資源評(píng)估等方面做進(jìn)一步分析研究［21-23］，然后通過(guò)選育和調(diào)整優(yōu)良品種以使之更好地適應(yīng)氣候變化。