基于大氣環流特征量和海溫的水稻生育期預報模型研究

郝 玲，張 佩，任義方，劉瑞翔，顏佳任

（1.連云港市氣象局，江蘇 連云港 222006；2.江蘇省氣象局，江蘇 南京 210008）

水稻是江蘇省第一大糧食作物，常年種植面積為220萬hm2，種植面積和稻谷產量分別占全省糧食面積和總產量的40%和60%，分別約占全國水稻種植面積和水稻總產量的7%和10%，單產穩居全國第一。水稻生育期是生產上品種布局、播期安排、茬口銜接等環節必須考慮的問題，也是農事活動安排如病蟲防治、肥料施用等必須關注的。同時，開展農用天氣預報既是落實中國氣象局戰略部署的重要內容，也是中國氣象局制定的業務考核指標之一。作為農用天氣預報的一個重要環節，準確預測預報水稻關鍵生育期則顯得尤為重要。

眾所周知，大氣環流是指大范圍大氣運行的現象，它的水平尺度在1000 km以上，垂直尺度在10 km以上，時間尺度在10萬s以上。這種大范圍的大氣運行不僅制約著大范圍天氣的變化，而且是氣候形成的基本因素之一［1-2］。目前，已有研究表明，在氣候變暖的背景下，全國水稻各生育期呈現延長或縮短的變化趨勢［3-8］，其變化除了與水稻品種更新有關外，還與關鍵時段的溫度和日照時數等氣象因子有關［9-10］。另外，大量研究表明，海溫的異常變化不僅會影響大氣環流［11］，而且對降水［12-14］、溫度［15］等地面氣象要素［16］的變化具有十分重要的影響，既是影響氣候變化的關鍵因子，也是影響水稻生育期變化的間接因子。

根據中長期天氣預報原理，海溫和環流特征量是氣象學中長期天氣預報的重要因子。本文以江蘇為例，以對中國氣候有重要影響的西太平洋海溫和環流特征量為長期預報因子，采用相關統計分析方法分別建立了江蘇省水稻主要生育期的預報模型。這些模型經過擬合檢驗，效果較好，為中長期農用天氣預報奠定了技術基礎。

1 資料與方法

1.1 數據來源

本文選取8個水稻觀測站有記錄以來的農業氣象資料，其中興化、鎮江、宜興、昆山這4站資料的時間為1980─2015年，贛榆站資料的時間為1981─2015年，淮安站資料的時間為1984─2015年，徐州站資料的時間為1986─2015年，高淳站資料的時間為1990─2015年，因此統一用1990─2015年的資料做相關分析。大氣環流特征量資料來自國家氣候中心，海溫資料來源于西太平洋（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°。

1.2 數據處理

為了將水稻的生育期數值化，以便建模，本文對各生育期進行了數據轉換處理。播種期、返青期：以每年的1月1日為基準，計算播種期為當年的第多少天；返青期則在播種期的基礎上繼續累加實際的日數。例如徐州1986年水稻播種期為5月11日，為當年的第131天，故將5月11日轉換為131。出苗至乳熟期：為了盡量避免由于播期的變化導致各生育期轉換后的數據發生改變，本研究對出苗至乳熟的9個生育期進行了歸一化處理，即首先統計播種至各生育期的天數，用其除以播種至成熟期的天數，即為各生育期處理后的數據。

本研究將影響我國天氣過程的74項500 hPa大氣環流特征量和海表面溫度月平均值作為自變量，應用場相關分析方法及最優化相關處理技術，尋找表征江蘇省水稻生育期的最佳特征因子，并建立其回歸模型。

1.3 方法

1.3.1 最優化因子相關分析 自變量與因變量之間存在著不同形式（線性、非線性）的相互關系，找到兩者之間最合適的相關形式非常重要，但也十分困難。而最優化相關普查方法可以解決這一問題。為了增加因子的信息量，首先對因子進行膨化處理，然后再進行最優化普查。

因子X的線性和非線性［含單調的和非單調的單峰（谷）型］化處理可歸納為一種通用變換形式：

式（1）中：a、b為待定參數，且Xmin≤b≤Xmax，B=max(Xmax-b,b-Xmin)。

經上式變換后，Q與Y(Y為因變量)必為單調關系，且(|X-b|/B+0.5)的值在區間［0.5,1.5］內變化。對于單峰（谷）型關系的因子，為了避免X在最低值或最高值附近出現個別樣本的偶然誤差影響，b的取值以［Xmin+(Xmax-Xmin)/4,Xmax-(Xmax-Xmin)/4］為宜。至于a值，根據我們的實際工作經驗，一般在（-10，-1/10）和（1/10，10）2個區間內取值效果較好。待定參量a、b可用最優化技術求出。令目標函數為：

式（2）中：R為當a、b取一定值時，Q與Y的相關系數。

應用二維尋優的變量轉換思路將式（2）分解為一元問題進行逐步處理。于是，采用上述方法進行相關普查后，獲得了一批與因變量相關最顯著的自變量因子。

1.3.2 最佳海溫自變量因子的選取 由于太平洋海溫是一個場，為了避免單相關的偶然性，在進行最優化相關處理前，需首先利用場相關分析方法對海溫場進行相關普查，即根據場相關分析原理［14］，剔除高相關格點不足3個的海溫區，以存在連續4個以上顯著相關格點的海區作為1個顯著相關區，取區內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行最優化普查（方法同1.3.1），挑選出與水稻生育期相關最顯著的海溫因子。

1.4 穩定性檢驗與獨立性檢驗

通過最優化相關普查方法可以找到顯著相關因子，但它不能保證選擇到的因子與因變量之間相關的平穩性。因此，本文采用滑動相關檢驗法對普查得到的因子進行穩定性檢驗，以淘汰掉一些相關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生育期之間具有穩定、顯著的相關關系。然后采用主成分識別法對普查得到的因子進行獨立性檢驗，剔除共線性因子，即在達到α=0.01信度水平的顯著相關因子中剔除復共線性因子，最終剩下的因子就是分別與各站點水稻各生育期相關顯著、穩定且相對獨立的因子。

1.5 預報模型的構建

由于已考慮了因子相關的最優化、顯著性、穩定性和獨立性，因此，由自變量組合的聯立方程可以達到非奇異的效果。利用逐步回歸分析方法，從8個站點中保留下的相關環流和海溫因子中，篩選出貢獻最大的因子，建立穩定、可靠的水稻生育期回歸預報模型。考慮資料來源和預報時效，選取上一年1月到動態預報前1個月的因子進行分析處理。

2 結果與分析

2.1 江蘇省水稻生育期的環流預報模型

2.1.1 水稻生育期與環流特征量的相關分析 通過分析得到，8個水稻觀測站的水稻生育期均與全球副高各種指數相關密切。受篇幅限制，本文僅以鎮江站水稻分蘗期與環流特征量的相關分析為例，從表1可以看出：鎮江水稻分蘗期與全球副高各種指數的相關性均達到了0.01的極顯著水平。

表1 鎮江站水稻分蘗期的環流特征量最優因子相關普查結果

2.1.2 水稻生育期的環流特征量預報回歸模型的構建 由于已經考慮了因子相關的最優化、顯著性、穩定性和獨立性，因此，由自變量組合的聯立方程可以達到非奇異的效果。利用逐步回歸分析方法，從8個站點保留下的相關環流因子中，篩選出貢獻最大的因子，建立了各站點水稻主要生育期的環流預報模型。受篇幅限制，本文僅以鎮江、淮安站為例，從表2、表3中可以看出，2個站點水稻各生育期的回歸模型均達到了0.01的極顯著水平，說明所建回歸模型穩定、可靠。

表3 淮安站水稻主要生育期的環流預報模型

2.2 江蘇省水稻生育期的海溫預報模型

2.2.1 江蘇省水稻生育期與西太平洋海溫的關系分析 為了尋找江蘇省水稻各生育期的前期海溫強信號區，對8個站點的當年水稻生育期與上一年1月到當年各生育期前1個月的各月海溫場資料進行計算，根據臨近原則，尋找相關區。結果顯示，江蘇省8個站點的水稻各生育期對太平洋海溫響應明顯，受篇幅限制，本文僅以鎮江水稻分蘗期、淮安水稻抽穗期的相關系數空間分布圖為例，詳細分析這2個代表站點代表生育期與太平洋海溫的相關性。

鎮江水稻分蘗期與上年1月至當年5月太平洋海溫均存在高相關區（指相關系數≥0.32或≤-0.32，通過0.05顯著性檢驗），相關系數的空間分布較為一致，基本上都呈現“西負東正”的特征（西太平洋存在負相關區，東太平洋存在正相關區）（圖1）。具體而言，在西太平洋10°N以北存在顯著負相關區，在高相關中心相關系數的絕對值均在0.45以上；在上一年1─7月，高負相關區域范圍逐步增大，相關性逐步增強，并逐步向西移動，其中上一年6月，顯著相關區域集中在3個海區，地理位置為（45°N～50°N，170°E～165°W）、（10°N～35°N，130°E～140°W），負相關中心的相關系數達到-0.51；上一年7月至當年1月，高負相關區域逐漸減小、分散；當年2月以后，高負相關區域范圍再次逐步增大，相關性逐步增強。正相關區位于東太平洋海區，在上一年1─4月，高正相關區域范圍逐步增大，相關性逐步增強；上一年5─7月，正相關區消失，至8月再次出現；上一年8月至當年2月，高正相關區域范圍再次逐步增大，相關性逐步增強，其中當年2月正相關中心的相關系數達到0.51；從當年3月開始，高正相關區域逐漸縮小。

圖1 1980─2015年鎮江水稻分蘗期與太平洋海溫的相關系數

淮安水稻抽穗期與上年1月至當年5月太平洋海溫均存在高相關區（指相關系數≥0.34或≤-0.34，通過0.05顯著性檢驗）（圖2）。從正相關區來看，總體呈現“東西太平洋的正相關區交替出現”。具體來說，在上一年1─4月，西太平洋25°N以北、東太平洋5°N以南均存在高相關區，其中西太平洋正相關區的相關性逐步增強，上一年4月正相關中心的相關系數達到0.61；從上一年5月開始，西太平洋的正相關區域逐步減小，至上一年7─9月時消失；但上一年7─9月東太平洋地區開始出現正相關區，且隨著時間的推移，該相關區域范圍逐步增大，相關性逐步增強，至上一年11月時正相關中心的相關系數達到0.47；從上一年10月開始，西太平洋地區再次出現正相關區，且相關區域范圍逐步增大，相關性逐步增強，至當年1月時正相關中心的相關系數達到0.62；之后高相關區域逐漸減小，在當年3月以后消失。從負相關區來看，上一年1─9月，在10°N以北、140°W以東存在高相關區，其中1─6月相關區域范圍逐步增大，相關性逐步增強，至上一年6月時負相關中心的相關系數達到-0.55；隨后該相關區域逐漸減小，相關性逐步減弱；從當年2月開始，負相關區域逐步向北擴大，相關性逐步增強；當年6─7月存在3個負相關中心，相關系數分別達到-0.59、 -0.53、-0.57。

圖2 1984─2015年淮安水稻抽穗期與太平洋海溫的相關系數

由此可見，無論是水稻分蘗期還是抽穗期，都與上年和當年太平洋海溫存在高相關性。因此，太平洋海溫對水稻分蘗期和抽穗期具有可預報性，而且海溫影響的滯后效應可大幅提高預測模型的預報時效。

2.2.2 水稻生育期的海溫預報回歸模型的構建 為了使建立的預測模型的擬合和預報效果達到最佳，本文將相關區內格點海溫的平均值進行了最優化處理；在此基礎上，進一步考慮了預報因子相關的穩定性和獨立性。利用逐步回歸分析方法，建立了江蘇省8個站點水稻各生育期的海溫預報回歸模型，限于篇幅，本文僅以鎮江、淮安站為例。從表4、表5中可以看出，2個站點水稻主要生育期的海溫預報模型均達到了0.01的極顯著水平。

表4 鎮江水稻主要生育期的海溫預報模型

表5 淮安水稻主要生育期的海溫預報模型

2.3 預報模型的擬合效果

利用上述環流和海溫預報模型進行回代檢驗，對水稻各生育期進行模擬檢驗，圖3、圖4分別給出了鎮江水稻分蘗期和淮安水稻抽穗期環流和海溫預報模型的擬合情況，由此可以看出，2個模型的歷史擬合效果均較好，其中鎮江水稻分蘗期的環流回歸預報模型的擬合誤差平均為2.88%，其中擬合誤差超過5%的年份有6個；海溫回歸預報模型的擬合誤差平均為5.42%，其中擬合誤差超過5%的年份有16個。淮安水稻抽穗期的環流和海溫回歸預報模型的平均擬合誤差分別為1.02%和1.08%，且所有年份的擬合誤差均小于3%。

圖3 鎮江水稻分蘗期環流和海溫回歸預報模型的模擬情況

圖4 淮安水稻抽穗期環流和海溫回歸預報模型的模擬情況

3 結論與討論

本文選取影響我國天氣過程的74項500 hPa大氣環流特征量和海表面溫度月平均值作為自變量，應用場相關分析方法及最優化相關處理技術，尋找了預測江蘇省水稻生育期的最佳特征因子。

水稻生育期與全球副高各種指數相關密切，水稻各生育期與全球副高各種指數的相關性均達到了0.01的極顯著水平。利用逐步回歸分析方法，篩選出貢獻最大的因子，建立了穩定可靠的江蘇8個站點水稻各生育期的環流回歸預報模型，各個模型的歷史擬合效果均較好。

江蘇省水稻各生育期對太平洋海溫響應明顯，與上年和當年太平洋海溫存在高相關性，因此太平洋海溫對水稻生育期具有可預報性。利用逐步回歸分析方法，建立了江蘇各站點水稻各生育期的海溫回歸預報模型，各模型的歷史擬合效果也較好。

作物的生長發育進程受當地環境的直接影響，氣象條件是主要的影響因子，其中氣溫、日照時數等氣象要素的變化會改變作物的生長速率和生育期［17-18］；而各地氣象要素的變化又與氣候背景場息息相關。由于氣候背景是由大尺度因子構成的，對各地氣象要素的影響具有滯后效應［19］，因此利用大氣環流特征量和海溫來建立江蘇省水稻生育期的預測模型，不僅可以大幅提高預測模型的預報時效，而且能有效地彌補短期農用天氣預報的不足。在實際業務服務中，利用所建模型可以提前1～2個月對水稻生育期進行預測。雖然本研究所建立預測模型的擬合效果均較好，但在今后實際應用中的預報效果還有待于驗證。

IPCC發布的第五次科學評估報告指出，自工業化以來，全球地表溫度持續升高，出現了氣候變暖的趨勢［20］。未來除了采用氣候因子來預測作物生育期外，還可以劃分不同的生育階段，在作物種植氣候資源評估等方面做進一步分析研究［21-23］，然后通過選育和調整優良品種以使之更好地適應氣候變化。