基于大氣環(huán)流特征量和海溫的水稻產(chǎn)量結(jié)構(gòu)因素預(yù)報模型研究

摘要：根據(jù)500 hPa大氣環(huán)流特征量能表征天氣形勢和控制天氣條件的這一特性及海氣相互作用原理，利用線性及單調(diào)曲線相關(guān)和最優(yōu)化因子相關(guān)2種技術(shù)對環(huán)流和海溫因子進(jìn)行普查和對比分析。挑選一批與江蘇省水稻（Oryza sativa L.）產(chǎn)量結(jié)構(gòu)因素（有效穗數(shù)、每穗粒數(shù)和千粒重）相關(guān)極顯著的大氣環(huán)流特征量及海溫因子；然后依次采用滑動相關(guān)檢驗法對普查得到的因子進(jìn)行穩(wěn)定性檢驗，采用主成分識別法對普查得到的因子進(jìn)行獨立性檢驗，確定與水稻產(chǎn)量結(jié)構(gòu)因素相關(guān)顯著、穩(wěn)定并且相對獨立的大氣環(huán)流特征量及海溫因子作為預(yù)報因子；最后基于最小二乘法建立了江蘇省水稻產(chǎn)量結(jié)構(gòu)因素動態(tài)預(yù)報的環(huán)流及海溫模型，模型擬合效果好，可以投入業(yè)務(wù)使用。

關(guān)鍵字：水稻（Oryza sativa L.）；大氣環(huán)流特征量；海溫；產(chǎn)量結(jié)構(gòu)因素；動態(tài)預(yù)報；江蘇省

中圖分類號：S162.5； S511" " " " "文獻(xiàn)標(biāo)識碼：A

文章編號：0439-8114（2023）08-0027-10

DOI：10.14088/j.cnki.issn0439-8114.2023.08.005 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Research on the prediction model of rice yield component factors based on

atmospheric circulation characteristics and sea temperature：

Taking Jiangsu Province as an example

HAO Ling1， YANG Ying2，ZHANG Pei3，QIU Hang1，QIAN Shen-yang1

（1.Lianyungang Meteorological Bureau， Lianyungang" 222006， Jiangsu， China； 2.Xuzhou Meteorological Bureau， Xuzhou" 221002， Jiangsu，China； 3.Jiangsu Meteorological Bureau， Nanjing" 210008， China）

Abstract： Based on the characteristic of the 500 hPa atmospheric circulation characteristic that could characterize the weather situation and control the weather conditions， and the principle of air-sea interaction， the two techniques of linear and monotonic curve correlation and optimization factor correlation were used to conduct census and comparative analysis on circulation and sea temperature factors. A batch of factors of atmospheric circulation characteristics and sea temperature that were extremely significantly related to the yield component factors （effective panicle number， grain number per panicle and thousand-grain weight） of rice （Oryza sativa L.） in Jiangsu Province were selected. Then， the stability of the factors obtained from the general survey was tested by the sliding correlation test， and the independence of the factors obtained from the general survey was tested by the principal component identification method. The factors of atmospheric circulation characteristics and sea temperature that were stable， independent and significantly related to the rice yield component factors were determined as the forecasting factors. Finally， based on the least squares method， circulation and sea temperature models for dynamic prediction of rice yield component factors in Jiangsu Province were established， the fitting effects of these models were good and could be put into business use.

Key words： rice（Oryza sativa L.）； atmospheric circulation characteristic； sea temperature； yield component factor； dynamic forecast； Jiangsu Province

中國作物產(chǎn)量預(yù)報研究自20世紀(jì)70年代開始發(fā)展至今，先后經(jīng)過項目研究和業(yè)務(wù)化試驗研究，已形成了一套預(yù)報理論及方法體系［1-5］。在眾多預(yù)報方法中，得以在業(yè)務(wù)服務(wù)中成熟應(yīng)用的模型仍是基于氣象產(chǎn)量與氣象要素間的數(shù)學(xué)關(guān)系而建立的［6］。而氣象產(chǎn)量的得到需要對實際產(chǎn)量數(shù)據(jù)進(jìn)行平滑處理［7］，這使得氣象產(chǎn)量在一定程度上無法精確反映實際產(chǎn)量的變化。而準(zhǔn)確預(yù)報產(chǎn)量結(jié)構(gòu)要素不僅可以輔助預(yù)報最終產(chǎn)量，且這種預(yù)報模式對產(chǎn)量形成的機理比較明確，可彌補傳統(tǒng)產(chǎn)量預(yù)報生理學(xué)意義的不足［8］。

大氣環(huán)流是指大范圍大氣運行的現(xiàn)象，其水平尺度在1 000 km以上，垂直尺度在10 km以上，時間尺度在數(shù)日以上。這種大范圍的空氣運行制約著大范圍天氣的變化，是全球氣候特征和大范圍天氣形勢的主導(dǎo)因子，也是各種尺度天氣系統(tǒng)活動的背景［9，10］。IPCC《氣候變化與土地特別報告》指出，氣候變化已經(jīng)在影響糧食安全，并且未來的影響將越來越大。一些學(xué)者研究表明，在氣候變暖的背景下，全國水稻（Oryza sativa L.）生長季的熱量、輻射及降水等氣候資源均發(fā)生了不同變化［11-13］，使得水稻種植邊界普遍北移［14，15］，進(jìn)而影響水稻生育期時長和產(chǎn)量［16］。海溫的異常變化影響了大氣環(huán)流［17］，同時，它還會影響降水、溫度等地面氣象因子［18-22］，也是影響氣候預(yù)測的關(guān)鍵因子。

本研究以江蘇省為例，利用對中國氣候有重要影響的西太平洋海溫和環(huán)流特征量作為長期預(yù)報因子，采用線性及單調(diào)曲線相關(guān)與最優(yōu)化因子相關(guān)2種技術(shù)對環(huán)流因子進(jìn)行普查、對比分析，挑選一批與水稻產(chǎn)量結(jié)構(gòu)因素相關(guān)極其顯著、穩(wěn)定性強、因子間相互獨立、可靠的大氣環(huán)流特征量及海溫場作為預(yù)報因子，并在此基礎(chǔ)上，建立了江蘇省水稻產(chǎn)量動態(tài)預(yù)報的環(huán)流及海溫模型。

1 資料與方法

1.1 資料來源

選取江蘇省8個水稻觀測站有記錄以來的產(chǎn)量相關(guān)資料，其中興化、鎮(zhèn)江、宜興、昆山4站資料為1980—2015年，贛榆站資料為1981—2015年，淮安站資料為1984—2015年，徐州站資料為1986—2015年，高淳站資料為1990—2015年。產(chǎn)量相關(guān)資料與對應(yīng)的氣象資料均來自江蘇省氣象信息中心。

影響中國天氣過程的74項500 hPa大氣環(huán)流特征量資料和286個格點海溫資料［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°］來自國家氣候中心。

1.2 最佳大氣環(huán)流特征量自變量因子的選取

如何選擇到相關(guān)顯著、穩(wěn)定且獨立的預(yù)報因子是回歸預(yù)報的關(guān)鍵和基礎(chǔ)。應(yīng)用最優(yōu)化相關(guān)處理技術(shù)，尋找表征水稻產(chǎn)量結(jié)構(gòu)因素的最佳環(huán)流特征因子。為了增加因子的信息量，首先對因子進(jìn)行了膨化處理。大氣環(huán)流特征量因子的線性和非線性化處理可歸納為一種通用變換形式，如下式所示。

H＝（│X-b│/B+0.5）a " " " " " （1）

B=max（Xmax-b，b-Xmin）" " " "（2）

式中，X為大氣環(huán)流特征量因子；H為處理變換后的大氣環(huán)流特征量因子，變換后，H與水稻3個產(chǎn)量結(jié)構(gòu)因素（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］變化；a、b為待定參數(shù)，根據(jù)實際工作經(jīng)驗，b的取值范圍以Xmin+（Xmax-Xmin）/4≤b≤Xmax-（Xmax-Xmin）/4為宜，a則應(yīng)在（-10，-1/10）和（1/10，10）2個區(qū)間內(nèi)取值，這樣可避免X在最低或最高值附近出現(xiàn)的個別樣本的偶然誤差影響。待定參數(shù)a、b可用最優(yōu)化技術(shù)求出，令目標(biāo)函數(shù)" " " "f（a，b）為：

f（a，b）=1-R2" " " "（3）

式中，R為a、b取一定值時，變換后的大氣環(huán)流特征量因子X與水稻產(chǎn)量構(gòu)成因素的相關(guān)系數(shù)。經(jīng)過最優(yōu)化相關(guān)處理普查后獲得的因子是一批與水稻產(chǎn)量構(gòu)成因素相關(guān)最顯著的大氣環(huán)流特征量因子。

1.3 最佳海溫自變量因子的選取

由于太平洋海溫是一個場，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，需首先利用場相關(guān)分析方法對海溫場進(jìn)行相關(guān)普查。即根據(jù)場相關(guān)分析原理［20］，剔除單個或連續(xù)2～4個高相關(guān)的海溫區(qū)，以存在連續(xù)4個以上相關(guān)顯著格點的海區(qū)作為1個相關(guān)顯著區(qū)，取區(qū)內(nèi)格點海溫的平均值作為1個新的海溫因子，再將新的海溫因子進(jìn)行最優(yōu)化普查（方法同“1.2”），挑選出與水稻產(chǎn)量構(gòu)成因素相關(guān)最顯著的海溫因子。

1.4 穩(wěn)定性檢驗與獨立性檢驗

通過最優(yōu)化相關(guān)普查方法可以找到相關(guān)顯著因子，但它不能保征選擇到的因子與因變量之間相關(guān)的平穩(wěn)性。因此，本研究采用滑動相關(guān)檢驗法對普查得到的因子進(jìn)行穩(wěn)定性檢驗，以淘汰掉一些相關(guān)程度前好后差或波動變化較大的因子，保證所選因子與水稻產(chǎn)量結(jié)構(gòu)因素指標(biāo)間具有穩(wěn)定、顯著的相關(guān)關(guān)系；采用主成分識別法對普查得到的因子進(jìn)行獨立性檢驗，剔除共線性因子。即在達(dá)到α＝0.01信度水平的相關(guān)顯著因子中分別剔除掉復(fù)共線性因子，則剩下的因子就是分別與各站點水稻各產(chǎn)量結(jié)構(gòu)因素相關(guān)顯著、穩(wěn)定并且相對獨立的因子。

1.5 預(yù)報模型的構(gòu)建

由于已考慮了因子相關(guān)的最優(yōu)化、顯著性、穩(wěn)定性和獨立性，因此，由自變量組合的聯(lián)立方程可以達(dá)到非奇異。利用逐步回歸方法從8個站點中保留下的相關(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)定可靠的水稻產(chǎn)量結(jié)構(gòu)因素擬合回歸模型?？紤]資料來源和預(yù)報時效，選取上一年1月到動態(tài)預(yù)報前1個月的環(huán)流特征量和海溫進(jìn)行分析處理。

2 結(jié)果與分析

2.1 水稻產(chǎn)量結(jié)構(gòu)因素與環(huán)流特征量的相關(guān)分析

由于篇幅有限，僅列出與高淳站水稻有效穗數(shù)（表1）、興化站水稻穗結(jié)實粒數(shù)（表2）和贛榆站水稻千粒重（表3）相關(guān)的環(huán)流因子，可以看出水稻各產(chǎn)量結(jié)構(gòu)因子與全球副高各指數(shù)相關(guān)密切，其相關(guān)性達(dá)0.01極顯著水平。

2.2 水稻產(chǎn)量構(gòu)成因素的環(huán)流特征量回歸模型的構(gòu)建

利用逐步回歸方法從8個站點中保留下的相關(guān)環(huán)流因子中篩選出貢獻(xiàn)最大的因子，建立穩(wěn)定可靠的回歸模型。表4、表5和表6分別列出了水稻有效穗數(shù)、穗結(jié)實粒數(shù)和千粒重的環(huán)流預(yù)報模型，可以看出8個站點回歸模型均達(dá)0.01極顯著水平。

2.3 水稻產(chǎn)量結(jié)構(gòu)因素與西太平洋海溫的關(guān)系分析

為了尋找江蘇省水稻各產(chǎn)量結(jié)構(gòu)因素出現(xiàn)的前期強信號區(qū)，對8個站點的當(dāng)年水稻各結(jié)構(gòu)因素與上一年1月至當(dāng)年產(chǎn)量預(yù)報前1個月的各月海溫場資料進(jìn)行計算，根據(jù)臨近原則尋找相關(guān)區(qū)。結(jié)果發(fā)現(xiàn)，江蘇省水稻各產(chǎn)量結(jié)構(gòu)因素對太平洋海溫響應(yīng)明顯。受篇幅限制，文中以興化水稻有效穗數(shù)（圖1）、昆山水稻穗結(jié)實粒數(shù)（圖2）及徐州千粒重（圖3）的相關(guān)系數(shù)空間分布圖為例，詳細(xì)分析這3個代表站點產(chǎn)量結(jié)構(gòu)因素與太平洋海溫的相關(guān)性。

興化站水稻有效穗數(shù)與上一年1月至當(dāng)年8月太平洋海溫均存在高相關(guān)區(qū)（相關(guān)系數(shù)≥0.32或≤" "-0.32，通過0.05水平顯著性檢驗）（圖1）。其中，在東太平洋、西太平洋10°N以北存在顯著正相關(guān)，高相關(guān)中心相關(guān)系數(shù)均在0.62以上，均在10°N附近，上一年 1—6月高正相關(guān)區(qū)域西進(jìn)北抬，且相關(guān)性逐步增強，上一年6月顯著相關(guān)區(qū)域集中在10°N～50°N，130°E～140°W海區(qū)，正相關(guān)中心相關(guān)系數(shù)達(dá)0.64，上一年7—10月高正相關(guān)區(qū)域逐漸分散、減小至基本消失，上一年11月以后高正相關(guān)區(qū)域范圍再次逐步增大、相關(guān)性逐步增強，且高相關(guān)中心進(jìn)一步北抬至40°N附近；負(fù)相關(guān)區(qū)位于西太平洋海區(qū)，上一年1—6月高負(fù)相關(guān)區(qū)域范圍逐步增大、集中，相關(guān)性逐步增強，上一年6月顯著相關(guān)區(qū)域集中在5°N～25°N、170°W～125°W海區(qū)，負(fù)相關(guān)中心相關(guān)系數(shù)達(dá)-0.66，之后負(fù)相關(guān)區(qū)逐步減弱、分散，至當(dāng)年1月基本消失，當(dāng)年2—6月高負(fù)相關(guān)區(qū)域再次出現(xiàn)，但范圍較小，相關(guān)性也較弱，當(dāng)年7月開始高負(fù)相關(guān)區(qū)域再次縮小。

昆山站水稻穗結(jié)實粒數(shù)與上一年1月至當(dāng)年8月太平洋海溫均存在高相關(guān)區(qū)（相關(guān)系數(shù)≥0.32或≤-0.32，通過0.05水平顯著檢驗），以正相關(guān)為主（圖2）。其中，在東、西太平洋10°N以北存在顯著正相關(guān)，上一年1—7月高正相關(guān)區(qū)域西進(jìn)北抬，且相關(guān)性逐步增強，上一年7月顯著相關(guān)區(qū)域集中在10°N～50°N、125°E～140°W海區(qū)，正相關(guān)中心相關(guān)系數(shù)達(dá)0.64，上一年8—9月高正相關(guān)區(qū)域逐漸分散、減小，上一年10月以后高正相關(guān)區(qū)域范圍再次逐步增大、相關(guān)性逐步增強，只在當(dāng)年1月、2月有短暫的減弱，至當(dāng)年6月顯著高相關(guān)區(qū)域再次集中在10°N～50°N、125°E～140°W海區(qū)，有4個正相關(guān)中心，相關(guān)系數(shù)分別達(dá)0.59、0.64、0.60和0.64，此后高正相關(guān)區(qū)逐漸分散、減小；負(fù)相關(guān)區(qū)位于西太平洋海區(qū)，僅在上一年11—12月及當(dāng)年2月、4月、5月、6月存在較為集中的高負(fù)相關(guān)區(qū)域，其他月份高負(fù)相關(guān)區(qū)域范圍較小，相關(guān)性也較弱。

與有效穗數(shù)、穗結(jié)實粒數(shù)不同，千粒重與太平洋海溫的高正相關(guān)區(qū)偏西，而高負(fù)相關(guān)區(qū)則位于東太平洋海區(qū)，相關(guān)系數(shù)空間分布較為一致，基本上都呈西負(fù)東正的特征（圖3）。其中，上一年1—3月高正相關(guān)區(qū)主要集中在30°N以北海區(qū)，此后高正相關(guān)區(qū)南落，且區(qū)域逐漸減小、分散，上一年10月以后高正相關(guān)區(qū)域范圍逐步增大、相關(guān)性逐步增強，上一年12月顯著相關(guān)區(qū)域集中在3個海區(qū)，分別為40°N～50°N、160°E～155°W，5°S～20°N、165°E～145°W及5°N～40°N、125°W～145°W，正相關(guān)中心相關(guān)系數(shù)達(dá)0.67，此后高相關(guān)區(qū)逐步分散并南落至10°N以南；上一年1—3月在東太平洋10°N以北存在顯著負(fù)相關(guān)，上一年3月高相關(guān)中心相關(guān)系數(shù)達(dá)-0.65，此后高負(fù)相關(guān)區(qū)域逐漸減小，上一年10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，并逐漸西移，當(dāng)年3月負(fù)相關(guān)區(qū)集中在10°N～30°N、130°E～150°W海區(qū)，當(dāng)年4月開始高負(fù)相關(guān)區(qū)域再次逐漸縮小、分散。

由此可見，水稻各產(chǎn)量構(gòu)成因素與上一年和當(dāng)年太平洋海溫存在高相關(guān)性，因此，太平洋海溫對水稻產(chǎn)量具有可預(yù)報性，而且海溫影響的滯后效應(yīng)可大幅提高預(yù)測模型的預(yù)測時效。

2.4 水稻產(chǎn)量結(jié)構(gòu)因素的海溫預(yù)報模型的構(gòu)建

利用逐步回歸方法，建立水稻各產(chǎn)量結(jié)構(gòu)因素的海溫回歸模型，表7、表8和表9分別列出了水稻有效穗數(shù)、穗結(jié)實粒數(shù)和千粒重的海溫預(yù)報模型，可以看出8個站點回歸模型均達(dá)0.01極顯著水平。

2.5 水稻產(chǎn)量構(gòu)成因素預(yù)報模型擬合結(jié)果的檢驗

利用上述預(yù)報模型進(jìn)行回代檢驗，對水稻各產(chǎn)量構(gòu)成因素的環(huán)流和海溫預(yù)報模型進(jìn)行模擬，并采用百分位數(shù)法對各模型擬合準(zhǔn)確度分布情況進(jìn)行分析，結(jié)果見圖4和圖5。從圖4和圖5可以看出，各模型的擬合效果較好，擬合準(zhǔn)確度普遍超90%，尤其對千粒重的擬合準(zhǔn)確度更高，平均擬合準(zhǔn)確度超95%，且模型的擬合穩(wěn)定度高，歷年的擬合準(zhǔn)確度均達(dá)90%以上。

從模型對有效穗數(shù)、穗結(jié)實粒數(shù)和千粒重的擬合準(zhǔn)確度分布集中程度來看，環(huán)流回歸模型和海溫回歸模型對千粒重的擬合準(zhǔn)確度比對有效穗數(shù)和穗結(jié)實粒數(shù)更高，表現(xiàn)在對各站點3個產(chǎn)量結(jié)構(gòu)因素的估算準(zhǔn)確度百分位數(shù) 25%～75%分布箱體及95%置信區(qū)間上，即千粒重的環(huán)流、海溫回歸模型比有效穗數(shù)和穗結(jié)實粒數(shù)的環(huán)流、海溫回歸模型箱體更短，擬合結(jié)果的數(shù)據(jù)密度也更為集中；從分布中位數(shù)來看，千粒重環(huán)流、海溫回歸模型最高，其次是有效穗數(shù)環(huán)流、海溫回歸模型，穗結(jié)實粒數(shù)環(huán)流、海溫模型相對最低，數(shù)據(jù)密度最高峰也表現(xiàn)出相同的規(guī)律。這說明環(huán)流回歸模型和海溫回歸模型對水稻產(chǎn)量結(jié)構(gòu)因素的擬合效果均表現(xiàn)為千粒重＞有效穗數(shù)＞穗結(jié)實粒數(shù)。

3 小結(jié)與討論

氣象要素是影響作物產(chǎn)量形成的主要不確定因子［23］，它的變化與氣候背景場的配置息息相關(guān)，環(huán)流特征量和海溫是氣象學(xué)中長期天氣預(yù)報的重要因子［9］。因此，利用環(huán)流特征量、海溫進(jìn)行產(chǎn)量預(yù)報具有可行性。同時，由于氣候背景是大尺度因子構(gòu)成的，對各地氣象要素的影響具有滯后效應(yīng)［24］，因此利用大氣環(huán)流特征量和海溫來建立江蘇省水稻產(chǎn)量結(jié)構(gòu)因素的預(yù)測模型可提高產(chǎn)量預(yù)報的預(yù)測時效，可為政府農(nóng)業(yè)宏觀決策和指導(dǎo)提供依據(jù)，對水稻生產(chǎn)趨利避害奪取豐產(chǎn)穩(wěn)產(chǎn)具有十分重要的意義。

本研究首先采用最優(yōu)化處理方法，挑選出與水稻產(chǎn)量構(gòu)成因素相關(guān)最顯著的大氣環(huán)流及海溫因子，并先后利用滑動相關(guān)檢驗法、主成分識別法對挑選出的因子進(jìn)行穩(wěn)定性和獨立性檢驗，以篩選出與水稻各產(chǎn)量結(jié)構(gòu)因素相關(guān)顯著、穩(wěn)定并且相對獨立的因子。通過分析發(fā)現(xiàn)，水稻各產(chǎn)量結(jié)構(gòu)因素與全球副高各指數(shù)相關(guān)密切，與上一年和當(dāng)年太平洋海溫也存在高相關(guān)性。在此基礎(chǔ)上，利用逐步回歸方法，從篩選出的高相關(guān)環(huán)流、海溫因子中優(yōu)選出貢獻(xiàn)最大的因子，建立穩(wěn)定可靠的產(chǎn)量結(jié)構(gòu)因素的擬合回歸模型，這些模型均達(dá)0.01極顯著水平，且歷史擬合效果較好，擬合準(zhǔn)確度普遍超90%，尤其對千粒重的擬合準(zhǔn)確度更高，平均超95%，且模型的擬合穩(wěn)定度高，歷年的擬合準(zhǔn)確度均達(dá)90%以上。

然而，無論是環(huán)流模型還是海溫模型，由于考慮的都是大的氣候背景，無法及時響應(yīng)水稻生長期間遭遇突發(fā)性氣象災(zāi)害對產(chǎn)量的影響。而水稻產(chǎn)量結(jié)構(gòu)因素與特定時段的氣象條件密切相關(guān)，如在孕穗末期及花期遇高溫、低溫、陰雨或大風(fēng)等，造成水稻生育期延遲、碳氮比例失調(diào)等，最終增加空粒比例［25-27］；灌漿乳熟期遇高溫、低溫或連陰雨則易導(dǎo)致灌漿不充分，影響千粒重［28］。因此，仍需綜合考慮更小時間尺度的氣象因子對水稻生長及產(chǎn)量的影響，以提高水稻產(chǎn)量結(jié)構(gòu)因素預(yù)報的準(zhǔn)確性。

參考文獻(xiàn)：

［1］ 吳元中.產(chǎn)量預(yù)報中資料處理方法的探討［J］.中國農(nóng)業(yè)氣象，1982（2）：61-64.

［2］ 宛公展，王寶成，藍(lán)鴻第.華北地區(qū)冬小麥產(chǎn)量預(yù)報模式的初步研究［J］. 氣象學(xué)報，1984，42（3）：356-363.

［3］ 湯志成，鄒永林.江蘇省雙季早稻產(chǎn)量預(yù)報的累加型模式［J］.江蘇農(nóng)業(yè)學(xué)報，1986，2（3）：12-19.

［4］ 王春乙，潘亞茹.用帶周期分量的逐步回歸模型預(yù)測冬小麥產(chǎn)量的試驗［J］.氣象，1989，15（8）：22-25.

［5］ 湯志成，孫 涵.產(chǎn)量預(yù)報的加權(quán)多重回歸模型［J］.中國農(nóng)業(yè)氣象，1992，13（4）：24-28.

［6］ 王培娟，張佳華，謝東輝，等.A2和B2情景下冀魯豫冬小麥氣象產(chǎn)量估算［J］.應(yīng)用氣象學(xué)報，2011，22（5）：549-557.

［7］ 王 媛，方修琦，徐 錟，等.氣候變化背景下“氣候產(chǎn)量”計算方法的探討［J］.自然資源學(xué)報，2004，19（4）：531-536.

［8］ 張 佩，陳鄭盟，劉春偉，等.冬小麥產(chǎn)量結(jié)構(gòu)要素預(yù)報方法［J］.農(nóng)業(yè)工程學(xué)報，2020，36（8）：78-87.

［9］ 章基嘉，葛 玲.中長期天氣預(yù)報基礎(chǔ)［M］.北京：氣象出版社，1983.108-174.

［10］ 梁必騏.天氣學(xué)［M］.北京：氣象出版社，1980.281-323.

［11］ MA X， WU S H， LI Y E， et al. Rice re-cultivation in southern China： An option for enhanced climate change resilience in rice production［J］. Journal of geographical sciences， 2013， 23（1）： 67-84.

［12］ 賴純佳，千懷遂，段海來，等.淮河流域小麥-水稻種植制度的氣候適宜性［J］.中國農(nóng)業(yè)科學(xué)，2011，44（14）：2868-2875.

［13］ 李 建，江曉東，楊沈斌，等.長江中下游地區(qū)水稻生長季節(jié)內(nèi)農(nóng)業(yè)氣候資源變化［J］.江蘇農(nóng)業(yè)學(xué)報，2020，36（1）：99-107.

［14］ 王曉煜，楊曉光，呂 碩，等.全球氣候變暖對中國種植制度可能影響Ⅻ.氣候變暖對黑龍江寒地水稻安全種植區(qū)域和冷害風(fēng)險的影響［J］. 中國農(nóng)業(yè)科學(xué)，2016，49（10）：1859-1871.

［15］ 宋艷玲，劉 波，鐘海玲.氣候變暖對我國南方水稻可種植區(qū)的影響［J］.氣候變化研究進(jìn)展，2011，7（4）：259-264.

［16］ 李鳴鈺，高西寧，潘 婕，等.未來升溫1.5 ℃與2.0 ℃背景下中國水稻產(chǎn)量可能變化趨勢［J］.自然資源學(xué)報，2021，36（3）： 567-581.

［17］ 劉 梅，高 蘋，王靜苒，等.江蘇夏季逐月高溫日數(shù)與西太平洋海溫場相關(guān)分析及預(yù)測模型建立［J］.氣象，2011， 37（12）：1553-1559.

［18］ 汪 靖，呂江津.天津地區(qū)雨季降水異常年大氣環(huán)流特征分析［J］.氣象，2011，37（8）：950-955.

［19］ 鄧偉濤，孫照渤，曾 剛，等.中國東部夏季降水型的年代際變化及其與北太平洋海溫的關(guān)系［J］.大氣科學(xué)，2009，33（4）： 835-846.

［20］ 錢維宏，朱 江，王永光，等.江淮梅雨和赤道太平洋區(qū)域海溫變化的關(guān)系［J］.科學(xué)通報，2009， 54（1）： 79-84.

［21］ 湯志成，高 蘋.作物產(chǎn)量預(yù)報系統(tǒng)［J］.中國農(nóng)業(yè)氣象，1996，17（2）： 49-52.

［22］ 賈小龍，陳麗娟，龔振淞，等.2010年海洋和大氣環(huán)流異常及對中國氣候的影響［J］.氣象，2011， 37（4）：446-453.

［23］ 陸佳嵐，王 凈，馬 成，等.長江流域中稻產(chǎn)量和品質(zhì)性狀差異與其生育期氣象因子的相關(guān)性［J］.江蘇農(nóng)業(yè)學(xué)報，2020，" " 36（6）：1361-1372.

［24］ ZHANG S， TAO F. Modeling the response of rice phenology to climate change and variability in different climatic zones： Comparisons of five models［J］. European journal of agronomy， 2013， 45： 165-176.

［25］ 楊 軍，章毅之，賀浩華，等.水稻高溫?zé)岷Φ难芯楷F(xiàn)狀與進(jìn)展［J］.應(yīng)用生態(tài)學(xué)報， 2020， 31（8）： 2817-2830.

［26］ 馬熙達(dá)，任傳友，王艷華，等.孕穗開花期持續(xù)低溫對不同熟期水稻氣孔導(dǎo)度的影響［J］.中國農(nóng)業(yè)氣象，2016，37（6）：682-690.

［27］ 郭 翔，趙金鵬，王茹琳，等.四川盆區(qū)直播和移栽水稻的連陰雨災(zāi)害危險性［J］.應(yīng)用生態(tài)學(xué)報， 2021， 32（9）： 3213-3222.

［28］ 胡雅杰， 余恩唯， 叢舒敏， 等.結(jié)實期動態(tài)溫度對軟米粳稻產(chǎn)量和品質(zhì)的影響［J］.作物學(xué)報，2022，48（12）：3155-3165.

收稿日期：2022-06-28

基金項目：國家重點研發(fā)計劃課題（2018YFD1000900）；2019年國內(nèi)外作物產(chǎn)量氣象預(yù)報專項

作者簡介：郝 玲（1983-），女，天津人，高級工程師，主要從事農(nóng)業(yè)氣象研究，（電話）18761308722（電子信箱）702381568@qq.com；通信作者，張 佩，正研級高級工程師，主要從事農(nóng)業(yè)氣象研究，（電子信箱）78073954@qq.com。