基于大氣環流特征量和海溫的水稻產量結構因素預報模型研究

摘要：根據500 hPa大氣環流特征量能表征天氣形勢和控制天氣條件的這一特性及海氣相互作用原理，利用線性及單調曲線相關和最優化因子相關2種技術對環流和海溫因子進行普查和對比分析。挑選一批與江蘇省水稻（Oryza sativa L.）產量結構因素（有效穗數、每穗粒數和千粒重）相關極顯著的大氣環流特征量及海溫因子；然后依次采用滑動相關檢驗法對普查得到的因子進行穩定性檢驗，采用主成分識別法對普查得到的因子進行獨立性檢驗，確定與水稻產量結構因素相關顯著、穩定并且相對獨立的大氣環流特征量及海溫因子作為預報因子；最后基于最小二乘法建立了江蘇省水稻產量結構因素動態預報的環流及海溫模型，模型擬合效果好，可以投入業務使用。

關鍵字：水稻（Oryza sativa L.）；大氣環流特征量；海溫；產量結構因素；動態預報；江蘇省

中圖分類號：S162.5； S511" " " " "文獻標識碼：A

文章編號：0439-8114（2023）08-0027-10

DOI：10.14088/j.cnki.issn0439-8114.2023.08.005 開放科學（資源服務）標識碼（OSID）：

Research on the prediction model of rice yield component factors based on

atmospheric circulation characteristics and sea temperature：

Taking Jiangsu Province as an example

HAO Ling1， YANG Ying2，ZHANG Pei3，QIU Hang1，QIAN Shen-yang1

（1.Lianyungang Meteorological Bureau， Lianyungang" 222006， Jiangsu， China； 2.Xuzhou Meteorological Bureau， Xuzhou" 221002， Jiangsu，China； 3.Jiangsu Meteorological Bureau， Nanjing" 210008， China）

Abstract： Based on the characteristic of the 500 hPa atmospheric circulation characteristic that could characterize the weather situation and control the weather conditions， and the principle of air-sea interaction， the two techniques of linear and monotonic curve correlation and optimization factor correlation were used to conduct census and comparative analysis on circulation and sea temperature factors. A batch of factors of atmospheric circulation characteristics and sea temperature that were extremely significantly related to the yield component factors （effective panicle number， grain number per panicle and thousand-grain weight） of rice （Oryza sativa L.） in Jiangsu Province were selected. Then， the stability of the factors obtained from the general survey was tested by the sliding correlation test， and the independence of the factors obtained from the general survey was tested by the principal component identification method. The factors of atmospheric circulation characteristics and sea temperature that were stable， independent and significantly related to the rice yield component factors were determined as the forecasting factors. Finally， based on the least squares method， circulation and sea temperature models for dynamic prediction of rice yield component factors in Jiangsu Province were established， the fitting effects of these models were good and could be put into business use.

Key words： rice（Oryza sativa L.）； atmospheric circulation characteristic； sea temperature； yield component factor； dynamic forecast； Jiangsu Province

中國作物產量預報研究自20世紀70年代開始發展至今，先后經過項目研究和業務化試驗研究，已形成了一套預報理論及方法體系［1-5］。在眾多預報方法中，得以在業務服務中成熟應用的模型仍是基于氣象產量與氣象要素間的數學關系而建立的［6］。而氣象產量的得到需要對實際產量數據進行平滑處理［7］，這使得氣象產量在一定程度上無法精確反映實際產量的變化。而準確預報產量結構要素不僅可以輔助預報最終產量，且這種預報模式對產量形成的機理比較明確，可彌補傳統產量預報生理學意義的不足［8］。

大氣環流是指大范圍大氣運行的現象，其水平尺度在1 000 km以上，垂直尺度在10 km以上，時間尺度在數日以上。這種大范圍的空氣運行制約著大范圍天氣的變化，是全球氣候特征和大范圍天氣形勢的主導因子，也是各種尺度天氣系統活動的背景［9，10］。IPCC《氣候變化與土地特別報告》指出，氣候變化已經在影響糧食安全，并且未來的影響將越來越大。一些學者研究表明，在氣候變暖的背景下，全國水稻（Oryza sativa L.）生長季的熱量、輻射及降水等氣候資源均發生了不同變化［11-13］，使得水稻種植邊界普遍北移［14，15］，進而影響水稻生育期時長和產量［16］。海溫的異常變化影響了大氣環流［17］，同時，它還會影響降水、溫度等地面氣象因子［18-22］，也是影響氣候預測的關鍵因子。

本研究以江蘇省為例，利用對中國氣候有重要影響的西太平洋海溫和環流特征量作為長期預報因子，采用線性及單調曲線相關與最優化因子相關2種技術對環流因子進行普查、對比分析，挑選一批與水稻產量結構因素相關極其顯著、穩定性強、因子間相互獨立、可靠的大氣環流特征量及海溫場作為預報因子，并在此基礎上，建立了江蘇省水稻產量動態預報的環流及海溫模型。

1 資料與方法

1.1 資料來源

選取江蘇省8個水稻觀測站有記錄以來的產量相關資料，其中興化、鎮江、宜興、昆山4站資料為1980—2015年，贛榆站資料為1981—2015年，淮安站資料為1984—2015年，徐州站資料為1986—2015年，高淳站資料為1990—2015年。產量相關資料與對應的氣象資料均來自江蘇省氣象信息中心。

影響中國天氣過程的74項500 hPa大氣環流特征量資料和286個格點海溫資料［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°］來自國家氣候中心。

1.2 最佳大氣環流特征量自變量因子的選取

如何選擇到相關顯著、穩定且獨立的預報因子是回歸預報的關鍵和基礎。應用最優化相關處理技術，尋找表征水稻產量結構因素的最佳環流特征因子。為了增加因子的信息量，首先對因子進行了膨化處理。大氣環流特征量因子的線性和非線性化處理可歸納為一種通用變換形式，如下式所示。

H＝（│X-b│/B+0.5）a " " " " " （1）

B=max（Xmax-b，b-Xmin）" " " "（2）

式中，X為大氣環流特征量因子；H為處理變換后的大氣環流特征量因子，變換后，H與水稻3個產量結構因素（因變量）必為單調關系，且│X-b│/B+0.5的值在區間［0.5，1.5］變化；a、b為待定參數，根據實際工作經驗，b的取值范圍以Xmin+（Xmax-Xmin）/4≤b≤Xmax-（Xmax-Xmin）/4為宜，a則應在（-10，-1/10）和（1/10，10）2個區間內取值，這樣可避免X在最低或最高值附近出現的個別樣本的偶然誤差影響。待定參數a、b可用最優化技術求出，令目標函數" " " "f（a，b）為：

f（a，b）=1-R2" " " "（3）

式中，R為a、b取一定值時，變換后的大氣環流特征量因子X與水稻產量構成因素的相關系數。經過最優化相關處理普查后獲得的因子是一批與水稻產量構成因素相關最顯著的大氣環流特征量因子。

1.3 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［20］，剔除單個或連續2～4個高相關的海溫區，以存在連續4個以上相關顯著格點的海區作為1個相關顯著區，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“1.2”），挑選出與水稻產量構成因素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相關顯著因子，但它不能保征選擇到的因子與因變量之間相關的平穩性。因此，本研究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產量結構因素指標間具有穩定、顯著的相關關系；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信度水平的相關顯著因子中分別剔除掉復共線性因子，則剩下的因子就是分別與各站點水稻各產量結構因素相關顯著、穩定并且相對獨立的因子。

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。利用逐步回歸方法從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產量結構因素擬合回歸模型。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個月的環流特征量和海溫進行分析處理。

2 結果與分析

2.1 水稻產量結構因素與環流特征量的相關分析

由于篇幅有限，僅列出與高淳站水稻有效穗數（表1）、興化站水稻穗結實粒數（表2）和贛榆站水稻千粒重（表3）相關的環流因子，可以看出水稻各產量結構因子與全球副高各指數相關密切，其相關性達0.01極顯著水平。

2.2 水稻產量構成因素的環流特征量回歸模型的構建

利用逐步回歸方法從8個站點中保留下的相關環流因子中篩選出貢獻最大的因子，建立穩定可靠的回歸模型。表4、表5和表6分別列出了水稻有效穗數、穗結實粒數和千粒重的環流預報模型，可以看出8個站點回歸模型均達0.01極顯著水平。

2.3 水稻產量結構因素與西太平洋海溫的關系分析

為了尋找江蘇省水稻各產量結構因素出現的前期強信號區，對8個站點的當年水稻各結構因素與上一年1月至當年產量預報前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。結果發現，江蘇省水稻各產量結構因素對太平洋海溫響應明顯。受篇幅限制，文中以興化水稻有效穗數（圖1）、昆山水稻穗結實粒數（圖2）及徐州千粒重（圖3）的相關系數空間分布圖為例，詳細分析這3個代表站點產量結構因素與太平洋海溫的相關性。

興化站水稻有效穗數與上一年1月至當年8月太平洋海溫均存在高相關區（相關系數≥0.32或≤" "-0.32，通過0.05水平顯著性檢驗）（圖1）。其中，在東太平洋、西太平洋10°N以北存在顯著正相關，高相關中心相關系數均在0.62以上，均在10°N附近，上一年 1—6月高正相關區域西進北抬，且相關性逐步增強，上一年6月顯著相關區域集中在10°N～50°N，130°E～140°W海區，正相關中心相關系數達0.64，上一年7—10月高正相關區域逐漸分散、減小至基本消失，上一年11月以后高正相關區域范圍再次逐步增大、相關性逐步增強，且高相關中心進一步北抬至40°N附近；負相關區位于西太平洋海區，上一年1—6月高負相關區域范圍逐步增大、集中，相關性逐步增強，上一年6月顯著相關區域集中在5°N～25°N、170°W～125°W海區，負相關中心相關系數達-0.66，之后負相關區逐步減弱、分散，至當年1月基本消失，當年2—6月高負相關區域再次出現，但范圍較小，相關性也較弱，當年7月開始高負相關區域再次縮小。

昆山站水稻穗結實粒數與上一年1月至當年8月太平洋海溫均存在高相關區（相關系數≥0.32或≤-0.32，通過0.05水平顯著檢驗），以正相關為主（圖2）。其中，在東、西太平洋10°N以北存在顯著正相關，上一年1—7月高正相關區域西進北抬，且相關性逐步增強，上一年7月顯著相關區域集中在10°N～50°N、125°E～140°W海區，正相關中心相關系數達0.64，上一年8—9月高正相關區域逐漸分散、減小，上一年10月以后高正相關區域范圍再次逐步增大、相關性逐步增強，只在當年1月、2月有短暫的減弱，至當年6月顯著高相關區域再次集中在10°N～50°N、125°E～140°W海區，有4個正相關中心，相關系數分別達0.59、0.64、0.60和0.64，此后高正相關區逐漸分散、減小；負相關區位于西太平洋海區，僅在上一年11—12月及當年2月、4月、5月、6月存在較為集中的高負相關區域，其他月份高負相關區域范圍較小，相關性也較弱。

與有效穗數、穗結實粒數不同，千粒重與太平洋海溫的高正相關區偏西，而高負相關區則位于東太平洋海區，相關系數空間分布較為一致，基本上都呈西負東正的特征（圖3）。其中，上一年1—3月高正相關區主要集中在30°N以北海區，此后高正相關區南落，且區域逐漸減小、分散，上一年10月以后高正相關區域范圍逐步增大、相關性逐步增強，上一年12月顯著相關區域集中在3個海區，分別為40°N～50°N、160°E～155°W，5°S～20°N、165°E～145°W及5°N～40°N、125°W～145°W，正相關中心相關系數達0.67，此后高相關區逐步分散并南落至10°N以南；上一年1—3月在東太平洋10°N以北存在顯著負相關，上一年3月高相關中心相關系數達-0.65，此后高負相關區域逐漸減小，上一年10月以后高負相關區域范圍再次逐步增大、相關性逐步增強，并逐漸西移，當年3月負相關區集中在10°N～30°N、130°E～150°W海區，當年4月開始高負相關區域再次逐漸縮小、分散。

由此可見，水稻各產量構成因素與上一年和當年太平洋海溫存在高相關性，因此，太平洋海溫對水稻產量具有可預報性，而且海溫影響的滯后效應可大幅提高預測模型的預測時效。

2.4 水稻產量結構因素的海溫預報模型的構建

利用逐步回歸方法，建立水稻各產量結構因素的海溫回歸模型，表7、表8和表9分別列出了水稻有效穗數、穗結實粒數和千粒重的海溫預報模型，可以看出8個站點回歸模型均達0.01極顯著水平。

2.5 水稻產量構成因素預報模型擬合結果的檢驗

利用上述預報模型進行回代檢驗，對水稻各產量構成因素的環流和海溫預報模型進行模擬，并采用百分位數法對各模型擬合準確度分布情況進行分析，結果見圖4和圖5。從圖4和圖5可以看出，各模型的擬合效果較好，擬合準確度普遍超90%，尤其對千粒重的擬合準確度更高，平均擬合準確度超95%，且模型的擬合穩定度高，歷年的擬合準確度均達90%以上。

從模型對有效穗數、穗結實粒數和千粒重的擬合準確度分布集中程度來看，環流回歸模型和海溫回歸模型對千粒重的擬合準確度比對有效穗數和穗結實粒數更高，表現在對各站點3個產量結構因素的估算準確度百分位數 25%～75%分布箱體及95%置信區間上，即千粒重的環流、海溫回歸模型比有效穗數和穗結實粒數的環流、海溫回歸模型箱體更短，擬合結果的數據密度也更為集中；從分布中位數來看，千粒重環流、海溫回歸模型最高，其次是有效穗數環流、海溫回歸模型，穗結實粒數環流、海溫模型相對最低，數據密度最高峰也表現出相同的規律。這說明環流回歸模型和海溫回歸模型對水稻產量結構因素的擬合效果均表現為千粒重＞有效穗數＞穗結實粒數。

3 小結與討論

氣象要素是影響作物產量形成的主要不確定因子［23］，它的變化與氣候背景場的配置息息相關，環流特征量和海溫是氣象學中長期天氣預報的重要因子［9］。因此，利用環流特征量、海溫進行產量預報具有可行性。同時，由于氣候背景是大尺度因子構成的，對各地氣象要素的影響具有滯后效應［24］，因此利用大氣環流特征量和海溫來建立江蘇省水稻產量結構因素的預測模型可提高產量預報的預測時效，可為政府農業宏觀決策和指導提供依據，對水稻生產趨利避害奪取豐產穩產具有十分重要的意義。

本研究首先采用最優化處理方法，挑選出與水稻產量構成因素相關最顯著的大氣環流及海溫因子，并先后利用滑動相關檢驗法、主成分識別法對挑選出的因子進行穩定性和獨立性檢驗，以篩選出與水稻各產量結構因素相關顯著、穩定并且相對獨立的因子。通過分析發現，水稻各產量結構因素與全球副高各指數相關密切，與上一年和當年太平洋海溫也存在高相關性。在此基礎上，利用逐步回歸方法，從篩選出的高相關環流、海溫因子中優選出貢獻最大的因子，建立穩定可靠的產量結構因素的擬合回歸模型，這些模型均達0.01極顯著水平，且歷史擬合效果較好，擬合準確度普遍超90%，尤其對千粒重的擬合準確度更高，平均超95%，且模型的擬合穩定度高，歷年的擬合準確度均達90%以上。

然而，無論是環流模型還是海溫模型，由于考慮的都是大的氣候背景，無法及時響應水稻生長期間遭遇突發性氣象災害對產量的影響。而水稻產量結構因素與特定時段的氣象條件密切相關，如在孕穗末期及花期遇高溫、低溫、陰雨或大風等，造成水稻生育期延遲、碳氮比例失調等，最終增加空粒比例［25-27］；灌漿乳熟期遇高溫、低溫或連陰雨則易導致灌漿不充分，影響千粒重［28］。因此，仍需綜合考慮更小時間尺度的氣象因子對水稻生長及產量的影響，以提高水稻產量結構因素預報的準確性。

參考文獻：

［1］ 吳元中.產量預報中資料處理方法的探討［J］.中國農業氣象，1982（2）：61-64.

［2］ 宛公展，王寶成，藍鴻第.華北地區冬小麥產量預報模式的初步研究［J］. 氣象學報，1984，42（3）：356-363.

［3］ 湯志成，鄒永林.江蘇省雙季早稻產量預報的累加型模式［J］.江蘇農業學報，1986，2（3）：12-19.

［4］ 王春乙，潘亞茹.用帶周期分量的逐步回歸模型預測冬小麥產量的試驗［J］.氣象，1989，15（8）：22-25.

［5］ 湯志成，孫 涵.產量預報的加權多重回歸模型［J］.中國農業氣象，1992，13（4）：24-28.

［6］ 王培娟，張佳華，謝東輝，等.A2和B2情景下冀魯豫冬小麥氣象產量估算［J］.應用氣象學報，2011，22（5）：549-557.

［7］ 王 媛，方修琦，徐 錟，等.氣候變化背景下“氣候產量”計算方法的探討［J］.自然資源學報，2004，19（4）：531-536.

［8］ 張 佩，陳鄭盟，劉春偉，等.冬小麥產量結構要素預報方法［J］.農業工程學報，2020，36（8）：78-87.

［9］ 章基嘉，葛 玲.中長期天氣預報基礎［M］.北京：氣象出版社，1983.108-174.

［10］ 梁必騏.天氣學［M］.北京：氣象出版社，1980.281-323.

［11］ MA X， WU S H， LI Y E， et al. Rice re-cultivation in southern China： An option for enhanced climate change resilience in rice production［J］. Journal of geographical sciences， 2013， 23（1）： 67-84.

［12］ 賴純佳，千懷遂，段海來，等.淮河流域小麥-水稻種植制度的氣候適宜性［J］.中國農業科學，2011，44（14）：2868-2875.

［13］ 李 建，江曉東，楊沈斌，等.長江中下游地區水稻生長季節內農業氣候資源變化［J］.江蘇農業學報，2020，36（1）：99-107.

［14］ 王曉煜，楊曉光，呂 碩，等.全球氣候變暖對中國種植制度可能影響Ⅻ.氣候變暖對黑龍江寒地水稻安全種植區域和冷害風險的影響［J］. 中國農業科學，2016，49（10）：1859-1871.

［15］ 宋艷玲，劉 波，鐘海玲.氣候變暖對我國南方水稻可種植區的影響［J］.氣候變化研究進展，2011，7（4）：259-264.

［16］ 李鳴鈺，高西寧，潘 婕，等.未來升溫1.5 ℃與2.0 ℃背景下中國水稻產量可能變化趨勢［J］.自然資源學報，2021，36（3）： 567-581.

［17］ 劉 梅，高 蘋，王靜苒，等.江蘇夏季逐月高溫日數與西太平洋海溫場相關分析及預測模型建立［J］.氣象，2011， 37（12）：1553-1559.

［18］ 汪 靖，呂江津.天津地區雨季降水異常年大氣環流特征分析［J］.氣象，2011，37（8）：950-955.

［19］ 鄧偉濤，孫照渤，曾 剛，等.中國東部夏季降水型的年代際變化及其與北太平洋海溫的關系［J］.大氣科學，2009，33（4）： 835-846.

［20］ 錢維宏，朱 江，王永光，等.江淮梅雨和赤道太平洋區域海溫變化的關系［J］.科學通報，2009， 54（1）： 79-84.

［21］ 湯志成，高 蘋.作物產量預報系統［J］.中國農業氣象，1996，17（2）： 49-52.

［22］ 賈小龍，陳麗娟，龔振淞，等.2010年海洋和大氣環流異常及對中國氣候的影響［J］.氣象，2011， 37（4）：446-453.

［23］ 陸佳嵐，王 凈，馬 成，等.長江流域中稻產量和品質性狀差異與其生育期氣象因子的相關性［J］.江蘇農業學報，2020，" " 36（6）：1361-1372.

［24］ ZHANG S， TAO F. Modeling the response of rice phenology to climate change and variability in different climatic zones： Comparisons of five models［J］. European journal of agronomy， 2013， 45： 165-176.

［25］ 楊 軍，章毅之，賀浩華，等.水稻高溫熱害的研究現狀與進展［J］.應用生態學報， 2020， 31（8）： 2817-2830.

［26］ 馬熙達，任傳友，王艷華，等.孕穗開花期持續低溫對不同熟期水稻氣孔導度的影響［J］.中國農業氣象，2016，37（6）：682-690.

［27］ 郭 翔，趙金鵬，王茹琳，等.四川盆區直播和移栽水稻的連陰雨災害危險性［J］.應用生態學報， 2021， 32（9）： 3213-3222.

［28］ 胡雅杰， 余恩唯， 叢舒敏， 等.結實期動態溫度對軟米粳稻產量和品質的影響［J］.作物學報，2022，48（12）：3155-3165.

收稿日期：2022-06-28

基金項目：國家重點研發計劃課題（2018YFD1000900）；2019年國內外作物產量氣象預報專項

作者簡介：郝 玲（1983-），女，天津人，高級工程師，主要從事農業氣象研究，（電話）18761308722（電子信箱）702381568@qq.com；通信作者，張 佩，正研級高級工程師，主要從事農業氣象研究，（電子信箱）78073954@qq.com。