基于兩種數據集構建廣東縣級尺度龍眼產量模型效果對比*

殷美祥，羅瑞婷，朱 平**，曾欽文，招偉文

基于兩種數據集構建廣東縣級尺度龍眼產量模型效果對比*

殷美祥1，羅瑞婷2，朱 平1**，曾欽文3，招偉文4

（1.廣東省氣象服務中心，廣州 510640；2.廣東省突發事件預警信息發布中心，廣州 510640；3.廣東省河源市氣象局，河源 517000；4.廣東省佛山市順德區氣象局，佛山 528300）

為構建縣級尺度龍眼產量動態精細化模擬模型，利用1990-2020年廣東省茂名市龍眼生產和國家氣象觀測站逐日氣象數據，分析氣象因子對龍眼產量的影響，基于隨機森林和逐步回歸方法，分別采用不同數據方案建立了化州、高州和信宜龍眼產量動態模擬模型，并進行對比分析。結果表明：廣東茂名龍眼產量與氣象因子密切相關，最低氣溫和相對濕度對茂名龍眼產量影響最大，隨機森林模型和逐步回歸模型入選氣象因子個數分別為15個和14個，最大相關系數分別為?0.31和0.43。與多元逐步回歸法相比，基于隨機森林回歸法構建的龍眼產量模擬模型準確率較高，模型決定系數（R2）為0.97，提升了7%，平均絕對誤差（MAE）為210.16kg·hm?2，下降了52%，均方根誤差（RMSE）為289.62kg·hm?2，下降了46%。引入模擬目標區外相似氣候特點地區數據重新構建模型后，隨機森林回歸構建的龍眼產量模擬模型準確率更高，R2提升了3%，MAE下降了32%，RMSE下降了31%，多元逐步回歸法構建的模型模擬結果無顯著變化。說明基于隨機森林回歸法構建龍眼產量模擬模型結果可靠，可滿足龍眼氣象業務服務精細化需求。

產量模擬；龍眼；精細化；隨機森林回歸

作物產量模擬是根據作物生長、發育和產量形成過程與氣象條件、社會經濟發展水平等多種因素的復雜關系，通過構建數學關系模型對農作物產量進行估測的一項專業性氣象服務業務[1?2]。及時準確模擬作物產量，對于農業宏觀調控、農業生產管理、進出口貿易、應對極端氣候及糧食安全都有重要的意義[3?7]。目前，作物產量模擬方法主要有作物生長模型、遙感估算和數理統計等模擬方法[8?10]。

作物生長模型模擬方法，是充分考慮氣象條件、土壤、管理和品種等因素對作物的綜合影響，具有較強的機理性。劉春等[11]基于能量模型構建了水稻生長模型，分析了水稻最大生長率的出現時間，發現水稻生育后期高溫對產量影響比前期受低溫影響嚴重。馬玉平等[12]應用玉米生長模型分析了東北區域氣象條件對玉米生長發育及產量形成的影響，評估了平均氣候狀態下平均模擬生物量確定方法，并進行了個例驗證。帥細強等[1]建立了基于關鍵氣象因子、氣候適宜度、作物生長模型的早稻產量預報方法，3種預報方法準確率平均高于93.8%，基于氣候適宜度和作物生長模型結合是產量預報的較優法。黃晚華等[13]闡述了當前基于作物生長模擬模型的產量預報方法進展，認為基于作物機理模型的產量預報方法是未來發展趨勢。遙感估產預報方法是利用衛星遙感反演植被指數與作物產量的定量關系構建的產量預報方法[1]。姬菊枝等[14]利用極軌氣象衛星實時資料與作物綠度值，監測作物生長狀況并進行產量預報，發現該方法結合模式預報結果可提高產量預報準確率。陳勁松等[15]利用數據同化方法提取國產環境衛星數據的水稻葉面積指數，結合作物生長模型，預測水稻產量，修正水稻作物生長模型提高水稻估產精度。

近年來，數理統計產量模擬方法已逐漸從線性回歸方法發展到機器學習方法[16?18]。劉峻明等[19]利用隨機森林算法，基于河南16a地面觀測氣象數據與作物產量資料構建冬小麥產量預測模型，預測效果較好，決定系數達到0.84。楊北萍等[20]利用遙感數據和氣象數據，建立水稻產量估算隨機森林回歸模型，以多元逐步回歸模型作為比較模型，隨機森林回歸模型水稻產量估算精度明顯高于多元逐步回歸模型。林瀅等[21]利用河南13a氣候、土壤、冬小麥遙感數據，采用隨機森林算法研究河南冬小麥產量預測最佳時間窗和影響因子，發現12月?翌年3月為河南冬小麥產量預測的最佳時間段，月降水量對模型精度影響最大，月最高溫度影響最小。王來剛等[22]基于隨機森林算法構建了河南冬小麥產量預測模型，提高了區域冬小麥產量預測精度。

近年基于隨機森林機器學習的產量模擬方法取得了快速發展，主要集中在水稻、小麥、大豆和玉米等糧食作物，針對龍眼產量模擬的研究成果鮮少報道。此外，上述產量模擬的研究主要應用于國家或省級層面，但實際生產中產量模擬要求越來越精細，亟待區縣層面產量模擬業務以滿足農業生產的需求。茂名市龍眼產區是廣東龍眼重要產區，其龍眼種植面積占粵西龍眼種植總面積的77.6%[23]，亟需龍眼產量精細化模擬研究業務和服務，對提高地區特色農產品種植和科學經營具有重要的參考。鑒于此，本文以廣東茂名龍眼為研究對象，探究龍眼生長發育中氣象條件與產量的關系；基于隨機森林回歸方法構建區（縣）龍眼產量模擬模型，與多元逐步回歸模型產量模擬結果對比驗證，為龍眼精細化產量模擬提供參考。

1 數據與方法

1.1 數據來源

廣東省茂名市是龍眼產量的主產區，位于21.22?22.42°N，110.19?111.41°E，以茂名市的化州、高州和信宜3個縣級市作為研究區域。1990?2020年廣東茂名5個地區（化州、高州、信宜、茂南和電白）的龍眼種植面積和統計產量來自茂名市統計局[24]，龍眼產量序列為其總產量與種植面積換算得到（kg · hm?2）。1990?2020年廣東茂名5個典型站（化州、高州、信宜、茂南和電白）逐日氣象資料來自廣東省氣象數據中心，包含平均氣溫、最低氣溫、最高氣溫、日降水量、日照時數、平均風速、相對濕度、低溫陰雨日數等。基于所獲取的逐日氣象數據，計算5個典型站逐旬（全年共計36旬）平均氣溫（℃）、最低氣溫（℃）、平均最高氣溫（℃）、≥10℃活動積溫（℃）、平均日降水量（mm·d?1）、平均日照時數（h）、平均風速（m·s?1）、平均相對濕度（%），共計288個因子數據，以及全年平均氣溫、最低氣溫、平均最高氣溫、≥10℃活動積溫、平均日降水量、平均日照時數、平均風速、平均相對濕度和低溫陰雨日數，共計9個因子，總計297個氣象因子數據。

參考段海來等[26]研究成果，龍眼生育期覆蓋全年，具體生育期劃分為：花芽生理分化期（1月上旬?2月下旬，共計6旬）、花芽形態分化期（3月上旬?4月中旬，共計5旬）、開花期（4月下旬?5月下旬，共計4旬）、果實發育成熟期（6月上旬?8月下旬，共計9旬）、抽梢期（9月上旬?10月下旬，共計6旬）、休眠期（11月上旬?12月下旬，共計6旬）。

1.2 模擬模型構建方法

1.2.1 氣象產量分解

根據1990?2020年3個典型地區（化州、高州和信宜）龍眼種植面積和統計產量計算得到各地區龍眼產量，計算式為

式中，Y為龍眼實際產量，Yt為趨勢產量，Yw為氣象產量，Ei為隨機產量，Ei較小一般忽略不計，單位均為kg·hm?2。龍眼趨勢產量采用線性擬合方程計算而得，3個地區龍眼趨勢產量擬合方程及決定系數如表1所示，結合式（1）分別計算化州、高州、信宜3個地區的氣象產量。

1.2.2 隨機森林回歸算法

隨機森林回歸算法（Random Forest Regression，RFR）是由多棵決策樹集成的機器學習算法，采用樣本和特征雙重隨機抽樣構建決策樹集，將所有決策樹的計算結果取平均值作為隨機森林模型的模擬結果，克服了傳統的決策樹算法易擬合、精度不足的問題[21]。訓練模型時，通過自助法（Bootstrap）從樣本數據集中隨機采樣k個子集，構建k棵決策樹。每次未被抽到的數據稱為袋外數據（Out-of-bag，OOB），用來評價模型訓練時內部誤差和特征的重要程度。理論上隨機森林法包含的決策樹數量越多，模型測試誤差越小，擬合效果越好。當決策樹個數達到一定數量，模型測試誤差變化很小，此時的決策樹數量可作為理想決策樹數量。其次，生成每棵決策樹時需從M個特征變量中隨機選取m個特征變量（m

表1 三個典型地區龍眼趨勢產量擬合方程及其決定系數

注：x為年序號，取值為1，2，…，31。Yt為趨勢產量(kg·hm?2)。

Note: x is the year serial number in 1990?2020, which is 1, 2, ..., 31. Ytrepresent the trend yield(kg·ha?1).

1.2.3 多元逐步回歸法

多元逐步回歸法是傳統統計學方法，依據所選變量因子與目標因子的相關性，按照模型顯著性要求逐個引入或剔除因子，減少多重共線性問題，構建簡潔模型。利用龍眼生育期逐旬的氣象要素因子與氣象產量建立多元逐步回歸方程，以 95%顯著性為標準，構建 3 個地區多元逐步回歸模型，與機器學習方法對比評估龍眼產量模擬能力。

1.2.4 模型構建方案

以氣象因子為特征值、龍眼氣象產量為目標值，組成數據樣本集。為研究引入相似氣候特點的樣本集是否會提高產量模擬準確性，在研究區域內構建兩個數據集，見表2。第一數據集包含化州、高州、信宜3個區域的297個氣象因子數據；第二數據集在第一數據集基礎上，增加了與目標區域具有相似氣候特點的電白和茂南兩個縣的297個氣象因子數據。采用隨機森林回歸算法和逐步回歸方法構建不同龍眼產量的模擬模型，對比機器學習和傳統統計學方法的模擬效果。以模型構建目標區域的2012?2020年數據樣本集作為測試數據集，以模型構建目標區域的1990?2011年數據樣本集和研究區域內非模型構建目標區域的1990?2020年數據樣本作為訓練數據集，構建相應的模擬模型。

表2 構建模型所需的訓練集和測試集劃分方案

注：訓練集和測試集是指篩選出的氣象因子特征值及其對應的龍眼氣象產量目標值共同組成的數據樣本集。

Note: The training set and the test set refer to the data sample set composed of the selected characteristic values of meteorological factors and their corresponding target values of meteorological yield of Longan.

1.2.5 模型評價指標

采用決定系數（R2）、平均絕對誤差（MAE）和均方根誤差（RMSE）3個模型評價指標，評估3個目標地區龍眼氣象產量模型精度。其中決定系數R2越大，模型精度越高；平均絕對誤差MAE和均方根誤差RMSE的值越小，模型精度越高。計算公式分別為

2 結果與分析

2.1 建模所需關鍵氣象因子篩選

根據1990?2020年茂名地區5個典型站點氣象數據，逐旬和年平均氣溫、最低氣溫、最高氣溫、≥10℃活動積溫、平均日降水量、平均日照時數、平均風速、平均相對濕度和逐年的低溫陰雨日數，總計297個氣象因子數據，結合龍眼氣象產量，按照95%顯著性水平檢驗標準，篩選88個氣象因子及龍眼氣象產量與氣象因子的相關系數。由表3可知，龍眼不同生育階段最低氣溫、平均相對濕度入選因子個數最多（14～15個），≥10℃活動積溫和平均氣溫入選12個，平均日降水量、平均風速、最高氣溫、平均日照時數入選因子共8～10個，說明龍眼生育期內最低氣溫、平均相對濕度對龍眼氣象產量的影響較大。龍眼氣象產量與不同生育時段平均風速呈負相關，與3月下旬?12月的日降水量呈負相關，與平均相對濕度呈正相關，與很多時段的≥10℃活動積溫呈正相關，說明大風、陰雨天氣、日照不足等均不利于龍眼氣象產量的增加。

從龍眼不同生育期來看，花芽生理分化期（1月上旬?2月下旬），龍眼氣象產量與1月上旬最低氣溫為正相關，與1月中旬最高氣溫負相關，適當低溫有利于抑制營養生長、提高細胞液濃度、促進花芽分化，而溫度升高影響花芽分化，引起“沖梢”現象[26]。花芽形態分化期（3月上旬?4月中旬），龍眼氣象產量與3月上旬平均日照時數和最高氣溫、3月下旬平均日降水量呈負相關，高溫、多雨和高日照時數不利于花芽發育生長。龍眼氣象產量與5月上旬平均相對濕度呈正相關，與平均日照時數和最高氣溫呈負相關，說明開花初期（4月下旬）需濕潤環境，高溫高日照不利于開花，高濕有利于開花；末花期（5月下旬）龍眼氣象產量與≥10℃活動積溫、最低氣溫、平均氣溫和平均日照時數呈正相關，適宜溫度和日照充足的晴朗天氣有利于末花期昆蟲授粉，提高龍眼坐果率[27]。果實發育成熟期（6月上旬?8月下旬），正是臺風降雨集中期，龍眼氣象產量與7、8月的平均風速、平均日降水量均呈負相關關系，降雨過多易影響根系生長，大風易折斷樹枝，造成龍眼減產[23、28]。龍眼氣象產量與8月≥10℃活動積溫、最低氣溫、平均氣溫和平均日照時數正相關，說明適宜溫度和充足日照有利于果實發育[29]。抽梢期（9月上旬?10月下旬）龍眼氣象產量與最高氣溫、≥10℃活動積溫、平均氣溫的相關性達到0.3以上，說明充足光照和溫度，有利于龍眼光合作用[27]。休眠期（11月上旬?12月下旬）龍眼氣象產量與最高氣溫、平均氣溫、≥10℃活動積溫和平均風速呈負相關，說明連續高溫、大風不利于果樹休眠[29]。

表3 龍眼氣象產量與生育期內88個逐旬氣象因子的相關系數

注：參數的下標m-n表示月-旬，n取值1、2、3分別表示每月上、中、下旬；當m和n都為0表示全年。下同。

Note: The subscript m- n of the parameter represents month-ten days in this month, with values ranging from 1 to 3, representing early, middle, and last ten days respectively. When m and n are both 0, it indicates the total year. The same as below.

2.2 基于3站點構建的產量模擬模型

基于第一數據集（3站），根據龍眼氣象產量與氣象因子的關系，將通過95%顯著性檢驗入選的88個氣象因子作為特征變量，針對化州、高州、信宜3個站點分別構建龍眼氣象產量模擬模型。采用網格搜索法，根據隨機森林超參數調參經驗[19?21]，設定隨機森林中決策樹數目k范圍[1，200]，決策樹最大深度d范圍[1，30]，決策樹節點在分支后每個子節點須包含的最小樣本數l范圍[1，30]，其它參數設置為默認值，以決定系數（R2）為模型評判標準，窮舉所有參數的可能取值組合，采用5折交叉驗證，將3個縣84組訓練樣本組成的訓練集隨機劃分為5個互斥子集，其中4個子集訓練，剩下的子集為驗證集，直至所有樣本參與且不重復，最后對各次驗證值取平均作為最終的驗證結果，實現最優參數的選取。最終取得隨機森林模擬模型的最優參數如下：化州RFR模型的參數k、d、l分別設為46、9、1，高州RFR模型的參數k、d、l分別設為53、9、1，信宜RFR模型的參數k、d、l分別設為160、5、1。

采用多元逐步回歸方法建立模擬方程，以P＜0.05作為標準，經過對參數多次的引入和剔除，最后分別選取12、11、15個因子參數建立逐步回歸的化州LR模型、高州LR模型、信宜LR模型。對比隨機森林與逐步回歸兩種方法構建模型訓練結果來看（表4），3個站點逐步回歸模型決定系數（R2）分別為0.75、0.76和0.07，平均絕對誤差（MAE）分別為299.25kg·hm?2、340.92kg·hm?2和509.30kg·hm?2，均方根誤差（RMSE）分別為357.35kg·hm?2、393.76kg·hm?2和577.26kg·hm?2。與逐步回歸模型相比較，基于隨機森林回歸模型R2分別為0.91、0.92和0.90，提升大于22%；MAE分別為180.63kg·hm?2、185.04kg·hm?2和208.73kg·hm?2，平均下降48%；RMSE分別為248.11kg·hm?2、247.56kg·hm?2和269.40kg·hm?2，平均下降40%。可見基于隨機森林回歸模型訓練效果顯著優于多元線性回歸模型。

2.3 基于5站點構建的產量模擬模型

基于第二數據集（3站點加周邊相似站點數據），根據龍眼氣象產量與氣象因子的關系，針對化州、高州、信宜構建氣象產量模擬模型。3個縣訓練樣本為146組。逐步優化后取得隨機森林模型最優參數如下：化州RFR模型的參數k、d、l分別設為72、7、1，高州RFR模型的參數k、d、l分別設為65、15、1，信宜RFR模型的參數k、d、l分別設為129、8、1。采用多元逐步回歸法，經過對參數多次的引入和剔除，最后分別選取18、23和18個因子建立化州LR模型、高州LR模擬模型、信宜LR模擬模型。對比基于5站點構建的隨機森林和逐步回歸兩類模擬模型的結果（表5），基于5個站點的逐步回歸模型R2分別為0.68、0.59和0.61，MAE分別為420.53kg·hm?2、502.97kg·hm?2和456.73kg·hm?2，RMSE分別為531.57kg·hm?2、575.72kg·hm?2和572.41kg·hm?2。與逐步回歸模擬模型相比較，基于隨機森林回歸的模擬模型R2分別為0.94、0.95和0.95，平均提升52%；MAE分別為203.09kg·hm?2、186.20 kg·hm?2和196.05kg·hm?2，平均下降57%；RMSE分別為271.88kg·hm?2、259.47kg·hm?2和267.24kg·hm?2，平均下降52%。基于隨機森林回歸模擬模型訓練效果仍顯著高于多元線性回歸模型。與第一數據集的對比，第二數據集構建隨機森林模擬模型R2、MAE、RMSE分別提升了4%、2%和4%，逐步回歸模型R2、MAE、RMSE分別提升了250%、25%和31%。可見，引入了與目標區域具有相似氣候特點數據后，隨機森林模擬模型決定系數有所提升，但多元線性回歸模型誤差反而明顯加大。

表4 基于第一實驗數據集構建的逐步回歸模型和隨機森林模型的模擬效果

2.4 基于兩種數據集建立的模型驗證

為評估各模擬模型在實際業務工作中的適用性，利用2012?2020年化州、高州、信宜3個地區測試數據，計算各地區氣象產量和趨勢產量后驗證模擬精度（圖1）。基于第一數據集建立的模擬模型，逐步回歸模型R2為0.92，MAE為358.79kg·hm?2，RMSE為512.87kg·hm?2。相比逐步回歸模型，隨機森林回歸模型的R2為0.95，提升了3%，其MAE為307.85kg·hm?2，下降了14%，其RMSE為417.22kg·hm?2，下降了19%。基于第二數據集建立的模型，逐步回歸模型R2為0.91，MAE為439.28kg·hm?2，RMSE為534.58kg·hm?2。相比逐步回歸模型，隨機森林回歸模型的R2為0.97，提升了7%，其MAE為210.16kg·hm?2，下降了52%，其RMSE為289.62kg·hm?2，下降了46%。可見，隨機森林回歸模擬模型模擬效果顯著高于多元線性回歸模型。

對比不同數據集建立的模型模擬效果。逐步回歸模型引入區域外數據后，決定系數基本不變，但平均絕對誤差和均方根誤差分別提升了22%和4%。隨機森林回歸模型引入區域外數據后，決定系數評分提升了3%，平均絕對誤差下降了32%，均方根誤差下降了 31%。可見，整體上兩類模型模擬準確性均較高，可以較好地滿足龍眼產量估算。引入區域外數據后，隨機森林回歸模擬模型能夠明顯提升模擬效果，但逐步回歸模擬模型無顯著影響，甚至平均絕對誤差擴大。

表5 基于第二實驗數據集構建的逐步回歸模型和隨機森林模型的模擬效果

(a)基于3站點構建Based on 3 stations dataset，（b）基于5站點構建Based on 5 stations dataset

3 結論與討論

3.1 結論

（1）龍眼產量與氣象因子密切相關，不同生育階段影響的氣象因子不同。生育期內最低氣溫、相對濕度對龍眼產量影響最大；大風、陰雨天氣、日照不足等不利于龍眼生長。

（2）基于隨機森林回歸的龍眼產量模擬模型準確度顯著高于傳統逐步回歸方法。驗證結果表明，隨機森林回歸模型決定系數為0.97，提升了7%，平均絕對誤差為210.16kg·hm?2，下降了52%、均方根誤差為289.62kg·hm?2，下降了46%。

（3）引入與目標區域有相似氣候特點的區域外樣本數據后，基于隨機森林回歸龍眼產量模擬模型的模擬效果顯著提升，決定系數提升了3%，平均絕對誤差下降了32%，均方根誤差下降了31%。引入區域外數據后，對逐步回歸模擬模型模擬結果無顯著影響。

因此，通過引入氣候特點相似的區域外樣本數據，提高基于隨機森林的產量模擬模型準確性，可以解決小區域產量樣本不足問題，滿足當地龍眼產量預測。

3.2 討論

采用隨機森林回歸方法構建的縣級尺度龍眼產量模擬模型準確率較高，可作為縣域龍眼種植、經營等活動的參考依據，發現了引入與目標區域有相似氣候特點的區域外樣本數據可顯著提升該模型的模擬效果，積累了在縣域樣本數據較少的情況下如何提高模擬準確率的經驗。

目前，已有較多省級或者區域層面的產量研究成果，鮮有縣級尺度的龍眼產量模擬模型研究。縣級尺度的龍眼產量和氣候數據樣本量較少，數據樣本獲取難度較大，是縣級尺度的龍眼產量模擬模型構建的難點之一。本文提出并驗證了通過引入氣候特點相似的區域外樣本數據，顯著提高基于隨機森林回歸的產量模擬模型模擬效果，解決小區域訓練樣本不足的問題。但具體以何種標準來引入區域外的數據，還有待未來繼續深入研究。未來可以嘗試采用氣候相似距離挑選氣候相似性的區域。氣候相似距離是通過多維空間相似距離來衡量不同地區間種植龍眼的氣候特征相似程度，相似距離越大，表示相似程度越低；反之，表示相似程度越高[30]。可結合地方需要和特點，設置氣候相似距離閾值，當氣候相似距離小于某個閾值時，將該地區的樣本引入目標區域的龍眼模擬模型構建和驗證工作中。

本文基于隨機森林回歸的龍眼產量模擬模型準確度顯著高于傳統逐步回歸方法，這與楊北萍等[20]有相似的研究結果。未來可以引入更多的建模方法，尤其是基于機器學習方法，如AdaBoost、XGBoost方法進行作物產量模擬，深入研究對比不同機器學習方法對縣級尺度作物產量的模擬能力和效果。本文只在廣東茂名進行了龍眼產量的模擬，評估具有一定局限性，今后將周邊龍眼產區的縣域納入試驗，擴大模擬模型構建方案試驗研究范圍，還可以引入建設密度更大的氣象區域自動站數據，氣象遙感數據、氣象行業外其他因子作為建模數據，進一步提升模擬準確度。

[1] 帥細強,陸魁東,黃晚華.不同方法在湖南省早稻產量動態預報中的比較[J].應用氣象學報,2015,26(1):103-111.

Shuai X Q,Lu K D,Huang W H.A comparative study on dynamic forecasting of early rice yield by using different methods in Hunan province[J].Journal of Applied Meteorological Science,2015,26(1):103-111.(in Chinese)

[2] 徐敏,徐經緯,高蘋,等.不同統計模型在冬小麥產量預報中的預報能力評估:以江蘇麥區為例[J].中國生態農業學報,2020,28(3):438-447.

Xu M,Xu J W,Gao P,et al.Evaluation of winter wheat yield prediction ability of different statistical models:a case study of Jiangsu wheat-growing region[J].Chinese Journal of Eco-Agriculture,2020,28(3):438-447.(in Chinese)

[3] 劉維,宋迎波.基于不同空間尺度的作物產量集成預報:以江蘇一季稻為例[J].氣象科學,2021,41(6):828-834.

Liu W,Song Y B.Comparative analysis of different regional scales integration yield prediction a case study of single rice in Jiangsu[J].Journal of the Meteorological Sciences, 2021,41(6):828-834.(in Chinese)

[4] 李樹巖,劉偉昌.基于氣象關鍵因子的河南省夏玉米產量預報研究[J].干旱地區農業研究,2014,32(5):223-227.

Li S Y,Liu W C.Research on the yield prediction of summer maize in Henan province based on meteorological key factors[J].Agricultural Research in the Arid Areas, 2014,32(5):223-227.(in Chinese)

[5] 魏瑞江,宋迎波,王鑫.基于氣候適宜度的玉米產量動態預報方法[J].應用氣象學報,2009,20(5):622-627.

Wei R J,Song Y B, Wang X.Method for dynamic forecast of corn yield based on climatic suitability[J].Journal of Applied Meteorological Science,2009,20(5):622-627.(in Chinese)

[6] 劉錦鑾,何健,沙奕卓,等.越南和泰國水稻產量預報研究[J].華南農業大學學報,2005(3):1-4.

Jiu J L,He J, Sha Y Z,et al.Research on the rice yield forecast in Vietnam and Thailand[J].Journal of South China Agricultural University,2005(3):1-4.(in Chinese)

[7] 游超,蔡元剛,張玉芳.基于氣象適宜指數的四川盆地水稻氣象產量動態預報技術研究[J].高原山地氣象研究,2011, 31(1):51-55.

You C,Cai Y G, Zhang Y F.Study on dynamic forecasting technology of meteorological yield of rice in sichuan basin based on weather appropriate index[J].Plateau and Mountain Meteorology Research,2011,31(1):51-55.(in Chinese)

[8] Jin I Y.Predicting regional rice production in South Korea using spatial data and crop-growth modeling[J].Agricultural Systems,2003,77(1):23-38.

[9] Guillaume J,Elizabeth P,Liu J G.Using leaf area index, retrieved from optical imagery, in the STICS crop model for predicting yield and biomass of field crops[J].Field Crop Research,2012, 131(2):63-74.

[10] Everingham Y,Sexton J,Skocaj D,et al.Accurate prediction of sugarcane yield using a random forest algorithm[J]. Agronomy for Sustainable Development,2016,36(2):27.

[11] 劉春,張春輝,郭薩薩.基于能量模型的水稻生長模型[J].應用氣象學報,2013,24(2):240-247.

Liu C,Zhang C H,Guo S S.Rice growth model based on energy model[J].Journal of Applied Meteorological Science, 2013,24(2):240-247.(in Chinese)

[12] 馬玉平,王石立,王馥棠.作物模擬模型在農業氣象業務應用中的研究初探[J].應用氣象學報,2005(3):293-303.

Ma Y P,Wang S L,Wang F T.A preliminary study on the application of crop simulation models in agrometeorological services[J].Journal of Applied Meteorological Science,2005 (3):293-303.(in Chinese)

[13] 黃晚華,薛昌穎,李忠輝,等.基于作物生長模擬模型的產量預報方法研究進展[J].中國農業氣象,2009,30(S1): 140-143.

Huang W H,Xue C Y,Li Z H,et al.Research progress in yield forecasting method based on crop growth simulation model in China [J].Chinese Journal of Agrometeorology, 2009,30(S1):140-143.(in Chinese)

[14] 姬菊枝,陶國輝,范玉波,等.利用氣象衛星遙感進行哈爾濱地區作物生長狀況監測及產量預報[J].東北農業大學學報,2008(6):59-62.

Ji J Z,Tao G H,Fan Y B,et al.Crop growth monitoring and yield for ecast by satellite remote sensing technique in Harbin[J].Journal of Northeast Agricultural University,2008 (6):59-62.(in Chinese)

[15] 陳勁松,黃健熙,林琿,等.基于遙感信息和作物生長模型同化的水稻估產方法研究[J].中國科學:信息科學,2010,40 (S1):173-183.

Chen J S,Huang J X,Lin H,et al. Rice yield estimation by assimilation remote sensing into crop growth model[J]. Scientia Sinica(Informationis),2010,40(S1):173-183.(in Chinese)

[16] Jeong J H,Resop J P,Mueller N D,et al.Random forests for global and regional crop yield predictions[J].PLoSONE, 2016,11(6):e0156571

[17] Aghighi H,Azadbakht M,Ashourloo D,et al.Machine learning regression techniques for the silage maize yield prediction using time-series images of Landsat 8 OLI[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2018,11(12):4563.

[18] Elavarasan D,Vincent D R,Sharma V,et al.Forecasting yield by integrating agrarian factors and machine learning models:A survey [J].Computers and Electronics in Agriculture, 2018,155:257.

[19] 劉峻明,和曉彤,王鵬新,等.長時間序列氣象數據結合隨機森林法早期預測冬小麥產量[J].農業工程學報,2019, 35(6):158-166.

Liu J M,He X T, Wang P X,et al.Early prediction of winter wheat yield with long time series meteorological data and random forest method[J].Transactions of the Chinese Society of Agricultural Engineering,2019,35(6):158-166. (in Chinese)

[20] 楊北萍,陳圣波,于海洋,等.基于隨機森林回歸方法的水稻產量遙感估算[J].中國農業大學學報,2020,25(6):26-34.

Yang B P,Chen S B,Yu H Y,et al.Remote sensing estimation rice yield based on random forest regression method[J]. Journal of China Agricultural University,2020,25(6):26- 34.(in Chinese)

[21] 林瀅,邵懷勇.基于隨機森林算法的河南省冬小麥產量預測最佳時間窗和影響因子研究[J].麥類作物學報,2020,40 (7):874-880.

Lin Y,Shao H Y.Study on optimal time and influencing factors for winter wheat yield prediction in Henan based on random forsest algorithm[J].Journal of Triticeae Crops,2020,40(7):874-880.(in Chinese)

[22] 王來剛,鄭國清,郭燕,等.融合多源時空數據的冬小麥產量預測模型研究[J].農業機械學報,2022,53(1):198-204.

Wang L G,Zheng G Q,Guo Y,et al.Prediction of winter wheat yield based on fusing multi-source spatio-temporal data[J].Transactions of the Chinese Society for Agricultural Machinery,2022,53(1):198-204.(in Chinese)

[23] 郭棟梁,韓冬梅,黃石連,等.2022年廣東龍眼生產形勢分析[J].中國熱帶農業,2023(1):5-13.

Guo D L,Han D M,Huang S L,et al.Analysis of Guangdong longan production situation in 2022[J].China Tropical Agriculture,2023(1):5-13.(in Chinese)

[24] 茂名市統計局.茂名市統計年鑒(1990-2020)[M].北京:中國統計出版社,1991-2021.

Statistics Bureau of Maoming City.Statistics yearbook of maoming city(1980-2004)[M].Beijing:China Statistics Press,1991-2021.

[25] 劉維,宋迎波.農業氣象觀測站冬小麥觀測產量資料在產量預報業務中的應用研究[J].氣象,2021,47(12):1546- 1554.

Liu W, Song Y B.Operational application of observed yield of winter wheat from agrometeorological stations in yield prediction[J].Meteorological Monthly,2021,47(12):1546-1554. (in Chinese)

[26] 段海來,千懷遂.華南地區龍眼種植的溫度風險評估[J].地理研究,2009,28(4):1095-1104.

Duan H L,Qian H S.Assessing the temperature risk to longan planting in South China[J].Geograp Hical Research, 2009,28(4):1095-1104.(in Chinese)

[27] 陳國保, 李永平,姚志東.2011 年龍眼掛果率高的氣象成因分析[J].氣象研究與應用,2012,33(1):52-55.

Chen G B,Li Y P,Yao Z D.Meteorological analysis of longan fruiting rate in 2011[J].Journal of Meteorological Research and Application,2012,33(1):52-55.(in Chinese)

[28] 楊蘇勤,尤競飛,葉曉冰.2012年泉州龍眼掛果情況的氣象成因分析[J].氣象水文海洋儀器,2013,30(2):58-61.

Yang S Q,You J F,Ye X B. Meteorological causes of Quanzhou longan fruiting rate in 2012[J].Meteorological Hydrological and Marine Instrument,2013,30(2):58- 61.(in Chinese)

[29] 段海來,千懷遂,俞芬,等.華南地區龍眼的溫度適宜性及其變化趨勢[J].生態學報,2008(11):5303-5313.

Duan H L,Qian H S,Yu F,et al. Temperature suitability of longan and its changes in South China area[J].Acta Ecologica Sinica,2008(11):5303-5313.(in Chinese)

[30] 梁敏妍,黃翠銀,張羽,等.廣東仁化縣與廣西容縣沙田柚氣候生態適應性比較[J].南方農業學報,2019,50(11): 2496-2503.

Liang M Y,Huang C Y,Zhang Y,et al.Climatic and ecological adaptability of Shatian pomelo:a comparative analysis between Renhua of Guangdong and Rongxian of Guangxi[J].Journal of Southern Agriculture,2019,50(11): 2496-2503.(in Chinese)

Effect Comparison of County-scale Model of Longan Yield in Guangdong Based on Two Datasets

YIN Mei-xiang1, LUO Rui-ting2, ZHU Ping1, ZENG Qin-Wen3, ZHAO Wei-Wen4

(1.Guangdong Meteorological Service Center, Guangzhou 510640, China; 2.Guangdong Provincial Emergency Early Warning Release Center, Guangzhou 510640; 3.Heyuan Meteorological Bureau of Guangdong Province,Heyuan 517000; 4.Shunde Meteorological Service, Foshan 528300)

In order to construct a county-scale dynamic refined simulation model for longan yield, authors analyze the influence of meteorological factors on longan yield using the longan production data of Maoming from 1990 to 2020 and the daily meteorological data of the national meteorological observatory, establish and carry out the comparative analysis on the dynamic simulation model of longan yield in Huazhou, Gaozhou and Xinyi based on the random forest regression method and stepwise regression method with different data schemes. The results showed that the longan yield in Maoming is closely related to meteorological factors, and the minimum temperature and the relative humidity during the growth period have the greatest influence on the longan yield in Maoming, with 15 and 14 meteorological factors selected respectively, and their maximum correlation coefficients being ?0.31 and 0.43, respectively. Compared with the multiple stepwise regression method, the accuracy of longan yield simulation model constructed by the random forest regression method is higher. The model determination coefficient (R2) is 0.97, which increases by 7%, the mean absolute error (MAE) is 210.16kg·ha?1, which decreases by 52%, and the root mean square error (RMSE) is 289.62kg·ha?1, which decreases by 46%. When the data of similar climate characteristic areas outside the simulation target region is introduced, the simulation result of the random forest regression model is significantly improved, with R2increases by 3%, MAE decreases by 32%, and RMSE decreases by 31%, while the simulation result of the stepwise regression model has no significant change. The longan yield simulation model based on the random forest regression method is reliable, which can meet the demand for refined meteorological service of longan.

Yield simulation; Longan; Refined simulation; Random forest regression

10.3969/j.issn.1000-6362.2023.06.005

殷美祥,羅瑞婷,朱平,等.基于兩種數據集構建廣東縣級尺度龍眼產量模型效果對比[J].中國農業氣象,2023,44(6):502-512

2023?03?06

廣東省重點領域研發計劃項目（2020B0101130021）；廣東省氣象局科技項目（GRMC2022LM02）；廣東省氣象公共服務中心科技項目（2021M14）

朱平，高級工程師，主要從事氣象服務管理、智慧氣象服務體系、氣象服務數字化轉型研究，E-mail：61231442@qq.com

殷美祥，E-mail：646343261@qq.com