寧波市海曙區早稻產量預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)

原海曙區是寧波中心城區，區域面積小，基本沒有農業產業。2016年末，寧波市行政區劃做出重大調整，海曙區面積擴容近20倍，新劃入地塊曾是浙江省糧食高產示范創建典型，從2008年攻關田每667 m2產量超800 kg開始，分別獲得單季晚稻百畝田、連作晚稻攻關田等9項浙江省糧食生產吉尼斯紀錄；2011年，在相對有利的氣候條件下，一舉獲得6項浙江省糧食生產吉尼斯紀錄；2012年更是以單產963.65 kg打破全國單季晚稻百畝方最高紀錄。海曙區氣象局成立僅2 a，研究氣象因子對本地核心產業水稻的影響成為開拓氣象為農服務的重要一環。

水稻作為我國主要糧食作物之一，其產量占全國糧食總產的一半[1]。水稻產量受多種因素綜合影響，除了與品種、農藝設施和栽培管理有關外，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量外，還與稻瘟病等田間流行病相關，進而影響水稻產量[2]。隨著科技的不斷發展，農技對水稻產量的影響趨于穩定[3-6]，而降水、氣溫、日照等氣象因子則無法人為有效控制。目前有不少學者對水稻產量和氣象因子的關系做了大量研究[7-12]，并提出多種產量預報方法。其中，羅夢森等[13]分析了氣象因子與鹽城市水稻產量的關系，程遠等[14-15]分別對黑龍江和南陵地區氣象因子與水稻產量的相關性做了分析，胡言青等[16]分析了各類水稻氣象產量的時間擬合趨勢回歸方程，張育慧等[17-19]建立了水稻產量預報模型。但不同模型的準確率有高有低，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量預報模型，深入分析氣象因子對早稻產量的影響，為海曙區再創糧食高產融入氣象科技元素。

1 材料與方法

1.1 材料來源

氣象數據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，統計篩選出3月第3候到7月第6候逐候平均氣溫、降水量、日照時數等共計84個自變量因子和4—7月逐旬氣象因子。早稻產量數據來源于《寧波統計年鑒》和寧波市海曙區農業農村局。

2002年第5號臺風“威馬遜”引發的洪澇造成浙江省約8 500萬美元農業和漁業損失[20]；2015年第9號強臺風“燦鴻”造成浙江省農作物受災面積17.73 萬hm2，其中絕收2.25 萬hm2，直接經濟損失84.4億元[21]。這兩次臺風的影響時間均在早稻成熟期，對海曙區早稻產量影響較大。由于采用線性回歸建模，對于氣象因子有一定的適應范圍。當氣象因子在該范圍內變化時，模型具有較高精度，但若出現極端或異常氣候現象時，因子高于或低于適應范圍臨界值，氣象因子對產量的指示作用會減弱，此時模型預測的準確率就會降低。故2002和2015年早稻產量不計入統計分析，實際樣本容量為25 a。

1.2 氣象產量分離

作物產量受綜合因素影響，一般將作物實際產量分解為趨勢產量、氣象產量和隨機產量。趨勢產量由生產水平和經濟條件決定；氣象產量體現年際間氣象條件差異造成的波動[22-23]；隨機產量是由一些沒考慮到的偶然因素及統計誤差所產生，因偶然因素不常發生且影響不大，故可忽略不計。早稻產量的分解方程：

y=yt+yw+Δy。

(1)

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

1.3 SPSS統計方法

SPSS是一款界面友好、功能強大的統計軟件，氣象數據統計分析中的回歸分析和相關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行運算和分析。

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

(2)

2 結果與分析

2.1 模擬早稻趨勢產量

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

表1 2種模型的方差分析結果

表2 2種模型對應的回歸系數

yt(i)=5 756.732+255.149×ln(t)；

(3)

yt(i)=e[8.661+0.04×ln(t)]。

(4)

2.2 氣象產量預報方程模擬

2.2.1 分離氣象產量

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量yt(i)。已知每年的實際產量，根據方程(1)得到對應模型的氣象產量yw(i)，具體見表3。

表3 2種模型對應的產量 單位：kg·hm-2

2.2.2 氣象產量預報方程模擬

在SPSS軟件中建立數據文件，其中，前2列變量為兩種模型對應的氣象產量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，將預測值標準化處理，并設置信區間為95%，從模擬結果中挑選出兩組最優氣象產量預報方程(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；x62是4月第2候日照時數；x73是6月第1候日照時數。

2.3 最小二乘法擬合早稻產量預報方程

方程(3)與(5)相加得到對數模型早稻產量預報方程：

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量預報方程：

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)

假設存在一組系數b(i)，滿足

y(t)=b1y(1，t)+b2y(2，t)。

(9)

為提高預報準確率，用最小二乘法擬合算出兩個預報模型所占權重系數b(i)，使得早稻產量實際值與預測值的差值的平方和達到最小，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 預報方程檢驗

(11)

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

圖1 海曙區早稻產量擬合預報

2.5 氣象因子對早稻產量影響分析

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

圖2 1993—2019年海曙區早稻產量與4—5月平均氣溫

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

圖3 1993—2019年海曙區早稻產量與6月上旬日照時數

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量。

圖4 1993—2019年海曙區早稻全生育期及5—7月降水量

2020年早稻產量偏低，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50 d，降水集中，平均梅雨量為579 mm，是常年的2.4倍，連續陰雨天導致早稻產量偏低。邱新法[26]認為，6月雙季早稻拔節—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，也與本文分析結果相符。

3 小結與討論

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

早稻產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月的平均氣溫與產量呈正相關，這說明營養生長期氣溫偏高有利于早稻搭好豐產苗架，實現“秧好一半稻”；6月上旬的日照時數與產量呈反相關，這可能與此階段日照強烈導致早稻營生長期延長而幼穗分化期縮短有關。全生育期降水，尤其是6月降水不均也會影響早稻產量，但兩者之間的相關性有待進一步研究。

氣象因子對早稻產量至關重要，深入研究兩者之間的關系，有利于深化氣象為農服務，使之更有針對性地指導農戶進行田間管理，實現趨利避害，提高早稻產量。在研究早稻產量預測方程時，分離氣象產量和趨勢產量尤為重要。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預報方程，并進一步深入研究晚稻和雙季稻不同生育期(尤其是關鍵生育期)下各類氣象因子對產量的影響權重。