農(nóng)業(yè)氣象觀測站冬小麥觀測產(chǎn)量資料在產(chǎn)量預(yù)報業(yè)務(wù)中的應(yīng)用研究*

劉 維 宋迎波

國家氣象中心，北京 100081

提 要： 基于農(nóng)業(yè)氣象觀測站冬小麥觀測產(chǎn)量和觀測站所在縣統(tǒng)計部門公布產(chǎn)量，通過冬小麥種植面積加權(quán)集成到省級和全國尺度的觀測及公布產(chǎn)量，對比分析兩者產(chǎn)量序列差異，結(jié)合氣候適宜指數(shù)方法開展全國尺度冬小麥觀測和公布產(chǎn)量預(yù)報并對預(yù)報準確率進行對比分析。結(jié)果表明：除新疆外，各省(自治區(qū))觀測產(chǎn)量和公布產(chǎn)量相關(guān)性較好，且通過顯著性水平檢驗；全國尺度觀測產(chǎn)量與公布產(chǎn)量相關(guān)系數(shù)達到0.97，觀測產(chǎn)量可以反映公布產(chǎn)量的變化規(guī)律。全國尺度觀測和公布產(chǎn)量的氣象產(chǎn)量增減趨勢一致性較好，適宜開展產(chǎn)量預(yù)報業(yè)務(wù)；省級尺度觀測產(chǎn)量則不適宜開展產(chǎn)量預(yù)報業(yè)務(wù)。基于觀測產(chǎn)量和公布產(chǎn)量序列開展自身序列單產(chǎn)預(yù)報時，準確率均較高，且公布產(chǎn)量預(yù)報準確率普遍高于觀測產(chǎn)量；利用觀測產(chǎn)量對公布產(chǎn)量進行轉(zhuǎn)換預(yù)報時，準確率有所下降。綜合來說，由于觀測產(chǎn)量實時性、客觀性和代表性強，因此，開展基于觀測產(chǎn)量序列的全國尺度冬小麥產(chǎn)量預(yù)報具有業(yè)務(wù)可行性，可以為作物產(chǎn)量預(yù)報提供新的數(shù)據(jù)支撐。

引 言

農(nóng)作物產(chǎn)量預(yù)報是現(xiàn)代農(nóng)業(yè)氣象服務(wù)的重要工作之一，是保障國家糧食安全的重要舉措，當前氣象部門作物產(chǎn)量預(yù)報主要是對作物的平均單產(chǎn)與種植面積進行預(yù)測，種植面積數(shù)據(jù)一是通過衛(wèi)星遙感技術(shù)進行提取(錢永蘭等，2007；黃健熙等，2017；楊珺雯等，2018)，二是根據(jù)統(tǒng)計局提供的種植意向進行估算。而作物平均單產(chǎn)的預(yù)測方法較多，除了傳統(tǒng)的數(shù)理統(tǒng)計(邱美娟等，2015；侯英雨等，2018；徐敏等，2020)方法以外，遙感模型估產(chǎn)(陳鵬飛等，2013；張東霞等，2014；譚昌偉等，2015)、作物生長模型模擬(秦鵬程等，2016；王雪姣等，2017；馬鴻元等，2018)、機器學(xué)習(王海軍等，2013；劉峻明等，2019；李穎和陳懷亮，2020)、多模式集成預(yù)報(Huang et al,2015；Li et al，2015；Yao et al，2015)等新技術(shù)與新方法的不斷應(yīng)用也拓展了單產(chǎn)的預(yù)報思路。近年來國家氣象中心不斷發(fā)展與改進作物產(chǎn)量預(yù)報技術(shù)，全年糧食產(chǎn)量預(yù)報準確率不斷提升，尤其是近10年全年糧食平均單產(chǎn)的預(yù)報準確率達99.5%，冬小麥、玉米、水稻等主要作物平均單產(chǎn)預(yù)報準確率也均保持在較高水平。

開展作物產(chǎn)量預(yù)報除了需要相關(guān)預(yù)報技術(shù)方法以外，產(chǎn)量數(shù)據(jù)序列是建立各種算法模型的基礎(chǔ)，但在作物產(chǎn)量預(yù)報中對產(chǎn)量數(shù)據(jù)序列的研究相對較少。目前應(yīng)用的產(chǎn)量數(shù)據(jù)來源于統(tǒng)計局公布數(shù)據(jù)，存在一定的滯后性，尤其是縣級尺度的產(chǎn)量資料獲取難度更大。從20世紀80年代起農(nóng)業(yè)氣象觀測業(yè)務(wù)開始恢復(fù)運行，2010年之前農(nóng)業(yè)氣象觀測站點的觀測資料主要采取氣象旬(月)報方式進行編報與傳輸；2010年之后農(nóng)業(yè)氣象測報業(yè)務(wù)系統(tǒng)軟件正式在全國農(nóng)業(yè)氣象觀測站開展業(yè)務(wù)運行，作物生長發(fā)育、自然物候和畜牧氣象等信息能及時上傳。目前氣象部門擁有653個農(nóng)業(yè)氣象觀測站，各個站點都會按照觀測規(guī)范定期監(jiān)測作物生長狀況(包括作物生育期、株高、干物質(zhì)、葉面積指數(shù)等)，當觀測的作物成熟收獲后會對單位面積產(chǎn)量進行實測，并將觀測產(chǎn)量上報國家氣象信息中心用以建立歷史觀測產(chǎn)量的數(shù)據(jù)庫。

目前氣象部門積累了大量的農(nóng)業(yè)氣象觀測資料，這也成為氣象部門開展為農(nóng)服務(wù)業(yè)務(wù)的基礎(chǔ)，但是當前對農(nóng)業(yè)氣象觀測站作物觀測數(shù)據(jù)尤其是觀測產(chǎn)量的研究大多集中在農(nóng)業(yè)氣象災(zāi)害評估(曹雯等，2019；馬青榮等，2020；姜麗霞等，2021)、氣候變化影響(譚凱炎等，2017；李勤英等，2018)、作物模型模擬(李秀芬等，2016；張陽等，2018)等方面，而對觀測產(chǎn)量本身的質(zhì)量、穩(wěn)定性及對產(chǎn)量預(yù)報業(yè)務(wù)應(yīng)用的研究報道幾乎沒有。在利用前期觀測產(chǎn)量與統(tǒng)計局公布產(chǎn)量對比分析的基礎(chǔ)上(劉維等，2021)，針對觀測產(chǎn)量和公布產(chǎn)量數(shù)據(jù)序列，基于氣候適宜指數(shù)預(yù)報方法開展全國尺度冬小麥產(chǎn)量預(yù)報，對不同產(chǎn)量序列預(yù)報準確率進行對比分析，以確定基于觀測產(chǎn)量序列開展產(chǎn)量預(yù)報業(yè)務(wù)的可行性，為作物產(chǎn)量預(yù)報提供新的數(shù)據(jù)支撐。

1 資料和方法

1.1 研究區(qū)域

冬小麥觀測產(chǎn)量臺站主要集中河南、山東、安徽等10個省(自治區(qū))，2013—2017年的統(tǒng)計數(shù)據(jù)顯示，上述地區(qū)冬小麥5年平均總產(chǎn)量全國占比超過90%，尤其河南、山東、安徽、河北、江蘇5個省產(chǎn)量占比超過82%，是當前全國最重要的冬小麥生產(chǎn)地；本文選擇的經(jīng)過數(shù)據(jù)質(zhì)量控制的123個農(nóng)業(yè)氣象試驗站主要集中在上述5個省份(圖1)。

圖1 冬小麥觀測產(chǎn)量站點分布Fig.1 Distribution of agrometeorological observation stations for winter wheat

1.2 研究方法

1.2.1 產(chǎn)量序列建立

冬小麥省級產(chǎn)量序列有兩種，一是國家統(tǒng)計局公布的各省(自治區(qū))冬小麥單產(chǎn)，稱其為省公布產(chǎn)量；二是由省(自治區(qū))內(nèi)各縣觀測產(chǎn)量加權(quán)集成求得，即以省內(nèi)各觀測站所在縣的2006—2010年5年冬小麥平均種植面積占比(占省內(nèi)所有觀測站所在縣種植面積之和)為權(quán)重，對各個觀測站觀測單產(chǎn)進行加權(quán)集成，由于獲取的統(tǒng)計局公布縣級產(chǎn)量數(shù)據(jù)時段為1981—2010年，導(dǎo)致無法使用逐年種植面積進行加權(quán)，故使用統(tǒng)計數(shù)據(jù)年限最新的5年平均面積進行加權(quán)集成，進而得到所在省(自治區(qū))的冬小麥平均單產(chǎn)(劉維等，2021)，稱其為省觀測產(chǎn)量。

全國尺度冬小麥單產(chǎn)序列有兩種：一是國家統(tǒng)計局公布的全國冬小麥平均單產(chǎn)，稱其為全國公布產(chǎn)量；二是由各省(自治區(qū))冬小麥觀測產(chǎn)量集成求得，即由各省(自治區(qū))冬小麥逐年種植面積占比[占10個省(自治區(qū))種植面積之和]為權(quán)重，與逐年省級觀測產(chǎn)量加權(quán)集成，得到全國冬小麥平均單產(chǎn)，稱其為全國觀測產(chǎn)量。

1.2.2 氣象產(chǎn)量

農(nóng)作物產(chǎn)量與作物品種創(chuàng)新、農(nóng)業(yè)技術(shù)管理水平提升、種植制度變更以及全球氣候變化等因素息息相關(guān)，作物產(chǎn)量可以按照時間序列分解為趨勢產(chǎn)量、氣象產(chǎn)量和隨機產(chǎn)量，一般情況下不考慮隨機產(chǎn)量(Lobell et al，2011；劉維等，2018)，因此作物產(chǎn)量可簡單表示為：

Y=Yt+Yw

(1)

式中：Y為作物實際產(chǎn)量，Yt為趨勢產(chǎn)量，Yw為氣象產(chǎn)量。

本文利用二次曲線分離方法模擬趨勢產(chǎn)量。二次曲線分離是指利用預(yù)報年之前的實際產(chǎn)量和年份建立相關(guān)方程，由此計算趨勢產(chǎn)量：

Yt=aX2+bX+c

(2)

式中：X為時間序列(即1991，1992，…，2017)，其中a、b、c均為模擬系數(shù)，由最小二乘法計算得出(崔日鮮，2014)，由此方程計算出預(yù)報年的Yt即為預(yù)報年的趨勢產(chǎn)量。

由于各地冬小麥種植品種、管理方式存在一定差異，采用相對氣象產(chǎn)量(Yi)來表征氣象產(chǎn)量的差異性，使得在不同產(chǎn)量分離方法下，各省(自治區(qū))不同產(chǎn)量序列存在可比性，相對氣象產(chǎn)量可表示為(下文中出現(xiàn)的氣象產(chǎn)量均為相對氣象產(chǎn)量)：

(3)

式中：Yi<0表明當年氣象條件不利于作物增產(chǎn)，即為減產(chǎn)年；Yi>0表明當年氣象條件利于作物增產(chǎn)，即為增產(chǎn)年。業(yè)務(wù)服務(wù)中將歷年氣象產(chǎn)量求和，得出的值越趨近于0，表明產(chǎn)量分離的效果越好：

(4)

式中：SumY為某地區(qū)歷年氣象產(chǎn)量之和，j為參與計算的年數(shù)。

1.2.3 產(chǎn)量預(yù)報方法

氣候適宜指數(shù)預(yù)報方法是利用作物生育期內(nèi)的光溫水資料，結(jié)合不同發(fā)育期生物學(xué)特性，建立作物不同生育時段的溫度、日照和水分適宜度及氣候適宜度，利用逐旬的氣候適宜度加權(quán)構(gòu)建作物播種至某一時段的氣候適宜指數(shù)，利用氣候適宜指數(shù)與氣象產(chǎn)量構(gòu)建作物產(chǎn)量動態(tài)預(yù)報模型(宋迎波等，2020)：

(5)

(6)

(7)

Yi=aFc+b

(8)

式中:Fc旬為作物旬氣候適宜度，F(xiàn)t旬為作物旬溫度適宜度，F(xiàn)s旬為作物旬日照適宜度;Fp旬為作物旬水分適宜度，F(xiàn)ic旬為區(qū)域作物旬氣候適宜度，F(xiàn)c為作物播種至某一旬的氣候適宜指數(shù)，Ki為各旬氣候適宜度對產(chǎn)量的影響系數(shù)，n為播種至某旬的旬數(shù);Ri為區(qū)域某旬氣候適宜度與氣象產(chǎn)量的相關(guān)系數(shù)，a和b為模擬系數(shù)。

本文利用氣候適宜度方法基于縣氣象站點的光、溫、水適宜度，計算全國光溫水適宜度和全國氣候適宜度指數(shù)，并與全國尺度觀測產(chǎn)量和公布產(chǎn)量分離后的氣象產(chǎn)量進行建模，開展產(chǎn)量預(yù)報，并對全國尺度冬小麥觀測產(chǎn)量和公布產(chǎn)量的預(yù)報結(jié)論進行對比分析。

2 結(jié)果與分析

2.1 產(chǎn)量對比

1991—2017年各省(自治區(qū))觀測產(chǎn)量與公布產(chǎn)量對比分析結(jié)果表明(表1)，所有省(自治區(qū))觀測產(chǎn)量均大于公布產(chǎn)量，除河南、河北和新疆差異在620 kg·hm-2以下外，其余均在1 000 kg·hm-2以上，其中陜西和甘肅在1 500 kg·hm-2以上。從省級觀測產(chǎn)量與公布產(chǎn)量兩者均方根誤差來看，河南和新疆觀測產(chǎn)量均方根誤差小于公布產(chǎn)量，表明這兩省(自治區(qū))的觀測產(chǎn)量相對公布產(chǎn)量波動較小，產(chǎn)量水平相對穩(wěn)定。10個省(自治區(qū))觀測產(chǎn)量與公布產(chǎn)量相關(guān)系數(shù)分析結(jié)果表明，9個省(自治區(qū))均通過0.05顯著性水平檢驗，整體上相關(guān)性較好，其中，河南、山東、安徽、河北4個省觀測產(chǎn)量與公布產(chǎn)量間的相關(guān)系數(shù)高于0.90；僅新疆兩者相關(guān)系數(shù)為0.10，且未通過顯著性水平檢驗，表明新疆觀測產(chǎn)量和公布產(chǎn)量不具有相關(guān)性，觀測產(chǎn)量不能反映公布產(chǎn)量的變化情況。從10個省(自治區(qū))歷年觀測產(chǎn)量和公布產(chǎn)量對比圖可以看出(圖2)，整體上觀測產(chǎn)量與公布產(chǎn)量變化趨勢較為接近，省級觀測產(chǎn)量總體略大于公布產(chǎn)量，這也同站點尺度分析結(jié)果相吻合(劉維等，2021)。

圖2 1991—2017年省級冬小麥觀測產(chǎn)量和公布產(chǎn)量對比Fig.2 Comparison of observed yield and announced yield of winter wheat at provincial level from 1991 to 2017

表1 1991—2017年省級和全國冬小麥觀測產(chǎn)量和公布產(chǎn)量差值對比Table 1 The yield average between observed yield and announced yield at provincial and national levels from 1991 to 2017

1991—2017年全國觀測產(chǎn)量和全國公布產(chǎn)量進行分析發(fā)現(xiàn)(表1)，全國平均觀測產(chǎn)量比公布產(chǎn)量高1 118 kg·hm-2，觀測產(chǎn)量均方根誤差也高于公布產(chǎn)量；從兩者逐年變化來看(圖3a)，觀測產(chǎn)量各年均高于公布產(chǎn)量，偏高比例在25%上下，但兩者擬合增減趨勢基本上保持一致，公布產(chǎn)量的R2略高于觀測產(chǎn)量。從兩者擬合上來看(圖3b)，全國觀測產(chǎn)量與公布產(chǎn)量相關(guān)系數(shù)為0.97，通過0.05的顯著性水平檢驗，表明兩者相關(guān)性較高，觀測產(chǎn)量能夠反映公布產(chǎn)量的變化情況。

圖3 1991—2017年全國冬小麥觀測產(chǎn)量和公布產(chǎn)量年變化(a)及兩者擬合(b)Fig.3 Annual variation characteristics (a) and fitting comparisons (b) of observed yield and announced yield of winter wheat at national level from 1991 to 2017

2.2 產(chǎn)量分離檢驗

對1991—2017年冬小麥不同產(chǎn)量序列分離的氣象產(chǎn)量進行效果檢驗，從表2可以看出， 各省(自治區(qū))觀測產(chǎn)量和SumY公布產(chǎn)量的歷年氣象產(chǎn)量之和均趨近于0，尤其是山東省兩者效果最好。針對觀測產(chǎn)量來說，陜西、河北、安徽3個省SumY絕對值均大于0.2；僅河北省SumY為負值，表明27年間總體上河北省氣象條件不利于冬小麥產(chǎn)量增加。針對公布產(chǎn)量來說，甘肅、山西、湖北3個省SumY絕對值均大于0.2；且甘肅、湖北、新疆、河南、江蘇5個省(自治區(qū))SumY為負值，表明上述5個省(自治區(qū))27年間氣象條件總體上不利于冬小麥產(chǎn)量增加，但由于農(nóng)業(yè)生產(chǎn)管理水平持續(xù)改進、作物品種不斷更新、病蟲害防治能力大幅提高等原因，使得雖然氣象產(chǎn)量為負值，但冬小麥實際產(chǎn)量仍總體保持增產(chǎn)的趨勢。

表2 1991—2017年省級和全國觀測產(chǎn)量與公布產(chǎn)量SumY對比和氣象產(chǎn)量增減趨勢一致性百分比Table 2 Comparison on the SumY and the percent of consistency statistics of trend meteorological yield of observed yield and announced yield at provincial and national levels from 1991 to 2017

從1991—2017年分離后的逐年氣象產(chǎn)量增減趨勢一致性百分比可以看出，除山西和山東一致性百分比高于80%外，其余8個省(自治區(qū))均不足80%，湖北不足60%；表明對省級尺度來說，同一省份不同產(chǎn)量序列分離后的氣象產(chǎn)量存在正負值差異的年份較多，即氣象條件對觀測產(chǎn)量和公布產(chǎn)量的貢獻相反。對某一地區(qū)、某一年份來說，氣象條件對作物的影響基本固定，因此氣象產(chǎn)量增減趨勢一致性百分比偏低表明觀測產(chǎn)量不適宜用于開展省級尺度產(chǎn)量預(yù)報，會導(dǎo)致基于氣象產(chǎn)量構(gòu)建的預(yù)報模型產(chǎn)生誤差，從而降低作物產(chǎn)量預(yù)報準確率。

對于全國尺度來說，觀測產(chǎn)量和公布產(chǎn)量的歷年氣象產(chǎn)量之和SumY均趨近于0，表明二次曲線分離整體上適用于冬小麥產(chǎn)量分離，且分離效果較好。氣象產(chǎn)量增減趨勢一致性百分比為88.9%，即1991—2017年27年中有24年的氣象產(chǎn)量趨勢一致，僅1992、2009和2015年增減趨勢相反(圖4)，表明總體上觀測產(chǎn)量和公布產(chǎn)量的趨勢一致，與圖3b的結(jié)果相吻合，因此，可以用觀測產(chǎn)量的變化來反映公布產(chǎn)量的變化。此外，2010年之前兩者氣象產(chǎn)量波動均較大，2010年之后波動趨勢相對較小，這也同實際觀測產(chǎn)量和公布產(chǎn)量在2010年后趨于穩(wěn)定保持一致，與圖3a中2010年后的變化趨勢相吻合。

圖4 1991—2017年全國尺度冬小麥觀測產(chǎn)量和公布產(chǎn)量的氣象產(chǎn)量對比Fig.4 Comparison on the meteorological yield of observed yield and announced yield of winter wheat at national level from 1991 to 2017

2.3 全國冬小麥產(chǎn)量預(yù)報結(jié)果檢驗

利用1991—2012、1991—2013、1991—2014、1991—2015、1991—2016年全國冬小麥觀測產(chǎn)量和公布產(chǎn)量的氣象產(chǎn)量與播種至5月20日的氣候適宜指數(shù)建立2013—2017年全國冬小麥單產(chǎn)預(yù)報模型，并對兩者預(yù)報結(jié)果進行對比。結(jié)果表明(表3)，對于觀測產(chǎn)量來說，除2016年預(yù)報準確率不足96.0%以外，其余4年準確率均在98.0%以上，其中2017年達99.9%，5年平均準確率為98.5%。對于公布產(chǎn)量來說，5年平均預(yù)報準確率高于觀測產(chǎn)量，且各年準確率均高于98.5%。利用觀測產(chǎn)量和公布產(chǎn)量的擬合方程將預(yù)報的全國冬小麥觀測產(chǎn)量換算為公布產(chǎn)量后發(fā)現(xiàn)，預(yù)報準確率普遍低于觀測和公布產(chǎn)量預(yù)報準確率，其中2016年準確率僅為92.0%，5年平均準確率為96.0%，僅2014年維持在較高水平；換算后的準確率降低的主要原因：(1)觀測產(chǎn)量序列經(jīng)擬合轉(zhuǎn)換為公布產(chǎn)量序列時，擬合統(tǒng)計方程存在系統(tǒng)性誤差；(2)觀測產(chǎn)量序列年際間波動較大，觀測產(chǎn)量自身預(yù)報的準確率略偏低。上述兩種因素疊加，一定程度上導(dǎo)致轉(zhuǎn)換后的冬小麥產(chǎn)量預(yù)報準確率有所降低。

表3 2013—2017年全國冬小麥單產(chǎn)預(yù)報準確率(單位：%)Table 3 Forecast accuracy of winter wheat yield from 2013 to 2017 (unit: %)

從全國冬小麥觀測產(chǎn)量和公布產(chǎn)量的預(yù)報準確率來看，不同產(chǎn)量序列在開展自身序列的單產(chǎn)預(yù)報時，準確率均較高；而利用觀測產(chǎn)量對公布產(chǎn)量進行換算預(yù)報時，受觀測產(chǎn)量自身預(yù)報準確率和轉(zhuǎn)換模型系統(tǒng)誤差影響，預(yù)報準確率有所降低。研究表明，由于觀測產(chǎn)量實時性、客觀性和代表性強，因此，基于觀測產(chǎn)量序列開展全國尺度的冬小麥平均單產(chǎn)預(yù)報在產(chǎn)量預(yù)報中業(yè)務(wù)中具有較好的應(yīng)用價值，既可以為產(chǎn)量預(yù)報提供新的數(shù)據(jù)來源，又可以把歷史產(chǎn)量觀測數(shù)據(jù)激活使用，提高觀測資料的業(yè)務(wù)應(yīng)用能力。

3 結(jié)論與討論

本文對比了由縣尺度冬小麥觀測產(chǎn)量進行加權(quán)集成后的省級、全國尺度觀測產(chǎn)量序列和統(tǒng)計局公布的省級、全國尺度公布產(chǎn)量序列，并利用氣候適宜指數(shù)方法開展全國尺度的冬小麥產(chǎn)量預(yù)報，對預(yù)報結(jié)果進行對比分析后，得到以下結(jié)論：

(1)省級冬小麥觀測產(chǎn)量值均高于公布產(chǎn)量，除新疆外，其余各省觀測產(chǎn)量和公布產(chǎn)量相關(guān)性較好；全國尺度冬小麥觀測產(chǎn)量和公布產(chǎn)量均方根誤差較為接近，且兩者擬合效果好，觀測產(chǎn)量可以反映公布產(chǎn)量的變化規(guī)律。

(2)由于省級尺度觀測產(chǎn)量和公布產(chǎn)量氣象產(chǎn)量增減趨勢一致性百分比較低，因此省級尺度觀測產(chǎn)量不適宜用于開展產(chǎn)量預(yù)報業(yè)務(wù)；而全國尺度下由于觀測產(chǎn)量和公布產(chǎn)量的氣象產(chǎn)量增減趨勢一致性較好，可為全國區(qū)域冬小麥產(chǎn)量預(yù)報提供新的數(shù)據(jù)支持。

(3)利用觀測產(chǎn)量和公布產(chǎn)量序列開展冬小麥產(chǎn)量預(yù)報時，不同產(chǎn)量序列預(yù)報自身序列的單產(chǎn)準確率較高，且公布產(chǎn)量準確率普遍高于觀測產(chǎn)量；基于觀測產(chǎn)量預(yù)報結(jié)果對公布產(chǎn)量進行轉(zhuǎn)換預(yù)報時，5年中有4年預(yù)報準確率均存在不同程度下降。

(4)由于觀測產(chǎn)量資料實時性、客觀性和代表性強，基于農(nóng)業(yè)氣象觀測站觀測產(chǎn)量序列開展全國尺度冬小麥產(chǎn)量預(yù)報具有業(yè)務(wù)應(yīng)用的可行性和參考性。

當前農(nóng)業(yè)氣象觀測站中作物發(fā)育期觀測資料已經(jīng)在農(nóng)業(yè)氣象業(yè)務(wù)中得到大量應(yīng)用，支撐了農(nóng)業(yè)氣象業(yè)務(wù)的發(fā)展，但是作物觀測產(chǎn)量數(shù)據(jù)卻基本沒有進行業(yè)務(wù)應(yīng)用，主要存在以下幾個問題：部分臺站觀測作物調(diào)整，導(dǎo)致觀測產(chǎn)量序列缺失；部分臺站觀測資料缺測年份較多，觀測產(chǎn)量數(shù)據(jù)不連續(xù)；臺站同一作物觀測產(chǎn)量年際間波動較大，導(dǎo)致數(shù)據(jù)可靠性下降；當前直接使用觀測產(chǎn)量資料開展農(nóng)業(yè)氣象服務(wù)的業(yè)務(wù)基本不涉及。上述原因?qū)е庐斍稗r(nóng)業(yè)氣象觀測站觀測產(chǎn)量數(shù)據(jù)一直沒有得到有效充分的利用，且每年還有大量的觀測產(chǎn)量新增數(shù)據(jù)進入數(shù)據(jù)庫中。

由于部分省份冬小麥觀測產(chǎn)量資料的缺失，文中僅利用10個主產(chǎn)省(自治區(qū))面積權(quán)重加權(quán)集成全國尺度觀測產(chǎn)量序列，會與實際產(chǎn)量存在一定誤差。冬小麥不同空間尺度、不同產(chǎn)量序列對比結(jié)果表明，省級和全國尺度觀測產(chǎn)量均高于公布產(chǎn)量，但兩者存在較好的相關(guān)性，尤其是全國尺度兩種產(chǎn)量數(shù)據(jù)相關(guān)系數(shù)達0.97，可以用觀測產(chǎn)量來表征公布產(chǎn)量，從而為開展產(chǎn)量預(yù)報提供了新的數(shù)據(jù)基礎(chǔ)。

由于農(nóng)業(yè)氣象觀測站觀測產(chǎn)量直接反映了各地氣象條件對作物單產(chǎn)的影響，可被實時獲取，且受其他外在因素的影響小，因而更具實時性、客觀性和代表性；但由于各省(自治區(qū))觀測站數(shù)量遠少于主產(chǎn)縣個數(shù)，因此，目前基于觀測產(chǎn)量開展縣級尺度作物產(chǎn)量預(yù)報尚不具可行性。通過面積加權(quán)集成到省級尺度的冬小麥觀測產(chǎn)量后，部分省份兩種產(chǎn)量序列相關(guān)性盡管通過了顯著性水平檢驗但相關(guān)系數(shù)不高，且由于建立預(yù)報模型的氣象產(chǎn)量與統(tǒng)計局公布的統(tǒng)計產(chǎn)量分離后的氣象產(chǎn)量出現(xiàn)多數(shù)年份增減趨勢不一致的情況，會導(dǎo)致省級尺度預(yù)報模型預(yù)報準確率降低，同時也不能正確反映氣象條件對作物最終產(chǎn)量的影響，表明基于觀測產(chǎn)量開展省級尺度作物產(chǎn)量預(yù)報也存在不足。從全國尺度預(yù)報結(jié)果看，利用各觀測站觀測產(chǎn)量結(jié)合面積權(quán)重構(gòu)建升尺度全國的作物產(chǎn)量預(yù)報模型，其預(yù)報準確率基本可以維持在一個較高的水平，可以為產(chǎn)量預(yù)報提供新的數(shù)據(jù)支撐和參考預(yù)報，同時可對觀測產(chǎn)量的自身可靠性與穩(wěn)定性進行評估。本研究更重要的意義在于可以將整理后的縣-省-全國尺度冬小麥觀測產(chǎn)量數(shù)據(jù)應(yīng)用到日常的農(nóng)業(yè)氣象服務(wù)中，由于臺站觀測產(chǎn)量跟氣象條件密切相關(guān)，可結(jié)合作物觀測產(chǎn)量三要素開展農(nóng)業(yè)氣象災(zāi)害評估、作物年景評估等農(nóng)業(yè)氣象業(yè)務(wù)，提升服務(wù)的科學(xué)性。