特早種茶葉開采期預報模型的建立與誤差分析

武強， 王旭， 方麗， 江姣，孫恩虹， 韓旭， 陳思英

1.重慶市氣象科學研究所，重慶 401147；2.重慶市巴南區氣象局，重慶 401320；3.重慶市長壽區氣象局，重慶 長壽 401220；4.重慶市江津現代農業氣象試驗站，重慶 江津 402260；5.安徽省科技研究開發中心，合肥 230088

茶樹是典型的亞熱帶常綠植物，具有喜溫、喜濕，且耐陰、喜散射光的生長特性.氣象因子是決定茶樹的物候期、鮮葉適采期的重要因素[1-2]，同時影響著茶葉品質形成的生理生化過程.在茶葉生產中，對茶葉物候期尤其是開采期的準確預判具有重要的意義，新梢嫩芽若不及時采摘，會葉片老化，品質下降，適制性范圍變小，嚴重影響成茶經濟效益.

作物物候期的氣象預測方法中，基于階段積溫學說的積溫預報法應用十分廣泛，即作物發育主要是受溫度的影響，完成某一發育階段所需的積溫基本一定[3].基于不同下限溫度的活動積溫和有效積溫在階段積溫與作物物候期的相關關系研究中[4]，以及作物模型如林果類花期、成熟期的物候期預報[5-6]中有廣泛的應用.逐步回歸統計法通過分析天氣氣候條件與作物生育期相關關系，篩選關鍵氣象因子，建立預測模型，實現作物物候期預測[7-8]，在觀賞類植物的花期氣象預報中得到應用，進而為旅游景區的打造和規劃提供參考依據[9-10].集成預報法對多種預報方法預測結論進行綜合集成，構建新的預報模型，可以優化單一預報方法預報結果不穩定的問題，達到提高預測準確率的目的.該建模思想在天氣模式、環境氣象以及農業氣象研究中均有應用，并取得較好的預報效果[11-13].

對于茶葉開采期的預測研究，孫秀邦等[14]基于積溫法對安徽涇縣春茶開采期進行預測，朱蘭娟等[15]研究了西湖龍井開采期的影響因子與預報方法，較為準確地對西湖龍井開采期進行了預報.特早種茶樹春茶開采期較常規品系明顯偏早，因而開采期對氣象條件的需求與常規品系也有一定的差異.本研究以特早種茶樹品種“巴渝特早”為研究對象，以開采期關鍵氣象影響因子以及預測方法研究為切入點，應用階段積溫預報法、逐步回歸預報法、集成預報法分別建立“巴渝特早”開采期氣象預報模型，比較不同預報方法對“巴渝特早”開采期的預報效果，旨在為特早種茶樹的開采期預報和關于春茶開采的農業管理決策提供依據.

1 材料與方法

1.1 研究區域及品種

本研究區域為“巴渝特早”品系比較試驗所在地重慶市巴南區二圣鎮白象山(29°30′N，106°42′E，海拔400～700 m)，氣候條件優越，年≥10 ℃活動積溫為5 600 ℃·d左右，茶樹生長期內常年無凍害發生，且春季氣溫回暖早，土壤水分適宜，空氣濕度大，氣候條件適宜茶樹生長.

研究品種為“巴渝特早”，鑒定編號為國品鑒茶2014001[16-17]，具有開采期特早的優點.巴南白象山種植區的多年觀測資料顯示，開采期在每年3月上旬至中旬.

1.2 資料來源及處理

茶葉開采期觀測資料(2009-2020年)來自于重慶茶葉集團有限公司.將春茶開采日期轉換為年日序值，即1月1日記為日序1，1月2日記為日序2，以此類推.

氣象資料來源于巴南區國家基本氣象站、區域自動氣象站的逐日氣象數據，包括：平均氣溫、極端最高氣溫、極端最低氣溫、降雨量、日照時數、空氣相對濕度、最小空氣相對濕度.資料年限結合開采期觀測資料，選用時段為2009年1月-2020年4月.將茶葉開采期觀測資料與氣象資料按年限分為兩類數據樣本集，2009-2018年為校正樣本，用于建立茶葉開采期預報模型；2019-2020年為驗證樣本，用于驗證所建立茶葉開采期預報模型的預報效果.

1.3 預報方法

階段積溫預報法：計算歷年春茶開采期≥0 ℃積溫以及不同下限溫度的活動積溫、有效積溫，比較得出變異系數最小的積溫類型，計算多年平均值作為預報標準.待預測年份從當年1月1日，即日序1開始統計，結合前期氣象條件以及后期溫度預報，以達到積溫預報標準的日序作為茶葉預測開采期.

逐步回歸預報法：通過相關分析法分別計算開采期前各類氣象因子與開采期年日序相關系數，篩選出相關系數在0.05水平有統計學意義的氣象因子作為預報初選氣象因子.將初選氣象因子與開采期年日序通過逐步回歸構建開采期氣象預報模型，在有統計學意義的所有預報方案中，選擇預報效果最優的作為茶葉開采期預報模型.利用自變量氣象因子計算得到茶葉預測開采期.

集成預報法：對階段積溫預報法與逐步回歸預報法得到的日序值通過多元線性回歸得到集成預報模型.通過利用階段積溫預報法和逐步回歸預報法得到待預測年份日序值，代入集成預報模型獲得最終的茶葉預測開采期.

2 結果與分析

2.1 “巴渝特早”開采期氣象條件分析

2.1.1 熱量條件

“巴渝特早”屬于特早種茶樹品種，在茶樹遺傳特性基礎上，熱量、水分、光照等氣象條件共同決定了茶芽春季萌動的日期，其中，熱量條件是茶芽萌動的主要因素.一般認為茶樹春季生長溫度為日平均氣溫穩定通過10 ℃，新梢開始緩慢生長，隨著活動積溫的增加，春季第一片新葉展開，進入春茶開采期[18].

下限溫度指標是積溫計算過程中的必要要素，且會隨作物品種和生育期不同而不同，相同下限溫度以活動積溫和有效積溫進行作物生育期的積溫統計，或者使用單一積溫統計方法而選取不同下限溫度得到積溫統計值[19-20].為明確“巴渝特早”春梢生長的熱量需求，結合2009-2018年“巴渝特早”開采期，除統計當年≥0 ℃積溫以外，分別設定5，6，7，8，9，10 ℃的不同下限溫度，進行階段活動積溫和有效積溫的統計，篩選確定“巴渝特早”芽葉生長的下限溫度[18].此外，將采摘期前一段時間的平均氣溫作為熱量條件研究的指標，設置“巴渝特早”開采前15，10，5 d的平均氣溫.統計并計算各熱量條件指標的多年平均值以及變異系數.經計算，2009-2018年，“巴渝特早”開采期前平均氣溫作為熱量條件指標，以開采期前15 d平均氣溫變異系數較小，為0.138；有效積溫與活動積溫中，以5 ℃為下限溫度的活動積溫變異系數最小，為0.125；≥0 ℃積溫平均值為564.4 ℃·d，變異系數為0.098，是所有熱量條件指標中最小變異系數.隨著不同年份間的差異，開采期前15 d平均氣溫年際差異在5 ℃左右，≥0 ℃積溫、≥5 ℃活動積溫總體變化較為平穩，個別年份(2011，2016，2018年)較多年平均值偏低50～100 ℃·d(圖1).2015-2017年，開采期前15 d的平均氣溫變化與積溫變化呈現相反的趨勢，2015年和2017年積溫值較高，但開采期前15 d氣溫明顯偏低，主要是因為當年氣溫條件整體較好，前期積溫值偏高，茶芽達到萌發的熱量要求，但是在開采期前出現一段降溫過程，導致開采期前15 d氣溫平均值偏低，但積溫總量已經滿足茶樹芽葉生長需求，達到開采標準.2016年的情況與之相反，當年氣溫總體偏低，積溫條件偏差，但是在開采期前遇升溫過程，導致開采期前15 d平均氣溫偏高.

圖1 “巴渝特早”開采期熱量條件

2.1.2 影響氣象因子

因“巴渝特早”開采期一般在3月上旬至中旬，故選取2009-2018年1-3月各月、旬的平均氣溫、平均日最高氣溫、平均日最低氣溫、平均空氣相對濕度、平均日最低空氣相對濕度、總降水量、總日照時數，分別與開采期日序進行相關分析，篩選出在0.01水平有統計學意義的氣象因子作為初選因子.影響“巴渝特早”開采期的氣象因子主要集中于2月份，溫度與開采期日序的相關性高于空氣相對濕度和降水，日照時數與開采期日序無統計學意義(表1).白象山茶葉產區常年2-5月氣溫資料顯示，進入2月中旬以后，日平均氣溫在8 ℃左右，與多年觀測到的獨芽開采期日平均氣溫一致，但是早春氣溫回升以及年際差異波動較大.進入3月上旬，日平均氣溫升高到10 ℃以上，此時氣溫一般較為穩定，新梢開始緩慢生長，隨著活動積溫的增加，春季第一片新葉展開，進入春茶采摘期.統計歷年2-5月0～50 cm土層平均土壤相對含水量以及空氣相對濕度，發現白象山茶葉產區水分條件較為穩定，且滿足茶葉生長的水分需求，不構成春茶開采限制因素.而茶樹原生環境為亞熱帶叢林，為高大喬木遮蓋下的灌木群落，具有耐陰的生理特性，故光照條件對開采期影響并不顯著.

表1 與“巴渝特早”開采期日序顯著相關的氣象因子篩選結果

2.2 “巴渝特早”開采期預報模型的建立與驗證

2.2.1 階段積溫預報法

統計2009-2018年春茶開采前各熱量指標，變異系數最小的因子為≥0 ℃積溫，變異系數為0.098.多年平均值為564.4 ℃·d.因此，采用≥0 ℃積溫值作為“巴渝特早”開采期預報標準.從1月1日開始將≥0 ℃的日平均氣溫進行累加，累加值達到564.4 ℃·d的日期作為“巴渝特早”開采期.

以2009-2018年開采期日序作為校正數據集，以2019，2020年開采期日序作為驗證數據集，利用積溫預報開采期，驗證樣本預測值與調查值偏差均為1 d，預測效果較好，但在校正樣本中，預測值與調查值普遍偏差為5 d以內，個別年份偏差較大，如2011年的預測結果比實際情況偏晚14 d(表2).經調查，2011年1月氣溫持續偏低，月平均氣溫2.3 ℃，較常年同期偏低4.1 ℃，2011年1月積溫71.2 ℃·d，較其余年份1月積溫平均值偏低了127.5 ℃·d，此時茶芽尚在休眠期，對芽體生長影響不大.進入2月，氣溫迅速升高，茶芽生長較快，進入開采期，此時積溫為453.0 ℃·d，較歷年開采期積溫偏低了111.4 ℃·d，可見2011年開采期積溫偏低主要是1月的持續低溫導致.說明利用≥0 ℃積溫預報茶葉開采期，可能受到冬季茶樹休眠期的異常氣溫影響，增加預測結果的不確定性.因此，雖然在驗證樣本中，對“巴渝特早”開采期的預測偏差較小，但是在未來茶樹休眠期氣溫異常的年份，預測結果仍可能出現較大偏差.

表2 階段積溫預報結果與誤差

2.2.2 逐步回歸預報模型

以表1初選因子作為自變量，開采期年日序作為因變量進行逐步回歸，建立預報模型，預報模型在0.05水平有統計學意義.分別采用2月、2月中旬、2月下旬的平均氣溫、平均日最高氣溫、平均日最低氣溫、平均空氣相對濕度、平均日最低空氣相對濕度、總降水量、總日照時數作為預報因子，以2009-2018年開采期日序作為校正數據集，以2019，2020年開采期日序作為驗證數據集，建立逐步回歸預報模型，經比較分析預測效果，篩選得到“巴渝特早”逐步回歸開采期預報模型：

Y=124.883-7.212X1+11.223X2-5.053X3-0.544X4

式中：X1為2月中旬平均日最低氣溫；X2為2月中旬平均氣溫；X3為2月中旬平均日最高氣溫；X4為2月平均空氣相對濕度.預報模型在0.05水平有統計學意義.

逐步回歸預報模型在驗證樣本預測值與調查值時偏差分別為1.9，0.5 d，預測效果較好，在校正樣本的預報偏差為3.5 d以內，但個別年份偏差較大，如2016年預報偏差偏晚7 d(表3).調查顯示，2016年1月中上旬氣溫較高且穩定，平均值為7.3 ℃，利于特早種茶樹萌發，在茶芽萌發以后，2月上旬升溫較快，到2月上旬末平均氣溫大于10 ℃，氣溫升高促進新芽快速伸展，故使得開采期整體提前，以2月中旬氣溫為主要預報因子的預測結果出現一定偏差.

表3 逐步回歸模型預報結果與誤差

2.2.3 開采期集成預報模型

以2009-2018年積溫預報和逐步回歸預報模型預測結果的日序作為自變量，以開采期實際調查值作為因變量，采用多元回歸方法確定積溫預報法與逐步回歸預報法的權重系數，構建集成預報模型，得到：

Y=1.63+0.127Y1+0.848Y2

式中：Y1為積溫預報日序值；Y2為逐步回歸預報模型預測日序值.

以2009-2018年開采期日序作為校正數據集，以2019，2020年開采期日序作為驗證數據集，集成預報模型在驗證樣本中，預測值與調查值偏差分別為1.6，0.5 d，預測效果較好.校正樣本的預報偏差為3.4 d以內，個別年份，如2016年預報偏差偏晚6.4 d，預報偏差也較逐步回歸預報模型變小，預報精度有所提高(表4).

表4 “巴渝特早”開采期集成預報模型預報結果與誤差

2.3 不同預報方法性能比較

比較3種“巴渝特早”開采期預報方法的預測結果與實際值的差異(圖2)，階段積溫預報值與實際值擬合優度R2為0.539，與調查值一致性較好，說明積溫預報方法能夠較好地對開采期進行預測，結合實際預報結果與實際值的比較，發現預測結果可能存在一定的偏差；逐步回歸模型預測值與實際值擬合優度R2為0.749，擬合效果較積溫預報方法有明顯的提升，能夠對“巴渝特早”開采期進行更加準確地預報；集成預報模型預測值與實際值擬合優度R2為0.765，較逐步回歸預測模型的準確性有所提升.

圖2 預報模型預測值與實際值擬合比較

比較3種開采期預報模型性能指標(表5)，階段積溫預報的預報性能表現相對較差，集成預報模型預報性能表現最好.階段積溫預報結果最大偏差可達14 d，集成預報模型最大偏差為6.4 d，偏差明顯縮小，排除掉個別異常偏差值以后，積溫預報結果偏差在5 d以內，集成預報模型偏差在3.4 d以內，預測偏差的縮小在實際生產中具有重要意義，當春季新芽葉達到采摘標準以后，及時采摘才能保證茶葉的品質以及經濟效益.利用階段積溫預報的結果殘差平方和為273.0，表明階段積溫預報法對茶葉開采期預測的準確率的不確定性較大，而集成預報模型預測結果殘差平方和僅為74.5，集成預報法對茶葉開采期預測的準確率的不確定性明顯減小.階段積溫預報的結果剩余均方差為5.225，集成預報模型預測結果剩余均方差為2.729，能夠更加準確地對“巴渝特早”開采期進行預測.

表5 預報模型性能指標

3 結論與討論

比較3種“巴渝特早”開采期預報方法的預測結果與實際值的差異，階段積溫法、逐步回歸法、集成預報法的預報值與實際值擬合優度R2分別為0.539，0.749，0.765，階段積溫預報結果最大偏差可達14 d，集成預報模型最大偏差為6.4 d，排除掉個別異常偏差值，積溫預報結果偏差在5 d以內，集成預報模型偏差在3.4 d以內.階段積溫預報的預報性能表現相對較差，集成預報模型預報性能表現最好.

階段積溫預報要結合前期氣溫以及后期氣溫預報來做統計，對特早芽種的茶樹來說，當年冬季異常偏暖可能導致茶芽提前萌發，1月1日前的偏高氣溫在積溫統計中就有所遺漏，導致結果預測不準確；此外，積溫預報僅考慮了熱量條件對茶芽發育與葉片展開的影響，忽略了降水、光照等氣象要素對生育期的綜合影響，也會為預測結果增加一定的不確定性.

利用逐步回歸方法建立“巴渝特早”開采期預報模型，相較于階段積溫預報法預測結果的準確性明顯提升.選擇多個關鍵氣象因子進行逐步回歸建模，對開采期真值的擬合效果更好，但是對于關鍵氣象因子以外的氣象因子的開采期影響考慮不足，會導致逐步回歸模型預報的局限性.

集成預報模型融合階段積溫預報與逐步回歸預報結果優化了階段積溫預報法與逐步回歸預報法預測結果的不穩定性，一定程度規避了積溫預報法個別年份較大的不確定性，同時較逐步回歸模型預測結果的基礎上有所提升，預測精度較高，適用于特早種茶葉的開采期氣象預報.

本研究的開采期觀測資料依然較少，隨著觀測資料的積累，可對各預測模型進行進一步優化.