灰色預測理論分析氣候因子對遵義煙區煙葉質量的影響

溫明霞 黃純楊 馬國勇 芶劍渝 崔紹秋 李又庭

摘 要 依據遵義地區煙葉主要化學成分數據，采用灰色關聯分析方法，分析影響煙葉主要化學成分的氣候因子。結果表明，煙葉化學成分指標與氣候因子存在相關性，尤其是與氣溫及其相關統計指標（≥20 ℃日數、積溫）的相關性較高，依托構建的預測模型能夠開展煙葉質量（化學成分）的業務化預測，精度較高，穩定性較好。

關鍵詞 氣候;煙葉質量;灰色預測理論;遵義煙區

中圖分類號：S572 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2022.09.007

收稿日期：2022-02-11

作者簡介：溫明霞（1985—），女，山西長治人，碩士，農藝師，主要從事煙草生產技術推廣。

*為通信作者，E-mail：gllyt@sina.com。

煙葉的質量在很大程度上決定著煙草的經濟價值，而良好氣候環境條件是生產優質煙葉的基礎[1-2]。在影響煙葉質量的眾多因素中，氣候是最活躍、可控性最差的因素。優質煙葉的地域分布與氣候條件密切相關，國內外優質煙葉的產地均具有良好氣候環境條件，氣候條件的年際變化也影響著煙葉的質量[3-4]。在一定時期內，特定煙區的品種、種植政策、土壤、栽培技術、生產條件等變化不大，煙葉質量的高低、品質的好壞與氣候條件的年際變化關系更為密切[5]。歷史上一些典型的煙葉低質年，除少數是受政策、品種、栽培措施的影響外，大多由不利氣候條件和氣象災害造成[6]。因此，研究煙葉質量與氣候條件的關系，根據氣候統計分析和預測進行煙葉質量預測，對于指導煙葉生產、增加稅收、行業提質增效、煙農降本增收具有重要意義。

迄今為止，不少學者對煙葉質量與氣候條件的關系進行了多方面研究，但應用數學模型對煙葉質量進行研究的成果較少，還缺乏較為準確可靠的煙葉質量與氣候因子之間的關系模型[7]。再加上許多氣象數據、煙葉質量數據在實際操作中收集困難，時效性和準確性都達不到要求，實際工作中難以通過氣候因子預測煙葉質量。隨著物聯網、現代氣象觀測、移動互聯網、精細化數值天氣預報與氣候預測等現代科學技術的發展，使及時采集、處理與統計分析煙葉生長氣象環境與煙葉生產數據，制作并提供氣候預測數據成為可能，為深入分析氣候與煙葉產量質量關系模型、構建基于氣候因子的煙葉質量預測模型、業務化制作發布煙葉質量預測奠定了基礎。

本文選取遵義煙區湄潭縣、綏陽縣、桐梓縣、余慶縣及正安縣5地煙葉質量數據，依據總糖、還原糖、煙堿、糖堿比及鉀氯比5個煙葉化學指標數據和氣候統計數據，應用灰色關聯度分析方法探討了影響遵義地區煙葉質量的氣候因子，采用灰色系統理論構建了基于氣候因子的煙葉質量預測模型，并根據當年生長季氣候統計分析數據和氣候預測數據進行生長季月度煙葉質量預測。

1 數據與方法

1.1 數據

煙葉質量包括外觀質量、物理特性、化學成分、評吸質量及安全性等諸多方面，它們分別又由相互關聯的不同評價指標組成，這些指標都不同程度地直接或間接影響烤煙的質量，各項質量指標的平衡協調程度決定煙葉的工業使用價值[6-7]。其中，煙葉的化學成分主要反映煙葉的內在質量，其含量及比值直接影響煙葉質量的優劣，可以作為反映煙葉品質的客觀標準。根據項目要求和質量數據的實際情況，采用總糖、還原糖、煙堿、糖堿比及鉀氯比5個指標進行煙葉質量的分析。

選取的氣候因子為不同生育期的平均溫度、降水量、積溫、日照時間、日平均溫度≥20 ℃日數、大田期日數等熱量、水分和光照指標;預測模型構建選取的氣候因子為不同生育期平均氣溫、降水量。煙葉質量預測氣候數據為當年生長季氣候統計數據（預測時間點以前）和氣候預測數據（預測時間點以后）。

1.2? 方法

1.2.1 影響煙葉質量的氣候因子分析方法

影響煙葉質量的氣候因子分析采用灰色關聯分析（Grey Relation Analysis，GRA）方法，該方法是根據因素之間發展趨勢的相似或相異程度，即灰色關聯度，作為衡量因素間關聯程度的一種方法[8]?；疑P聯度分析適用于有少量數據或者無規律的數據的影響因子分析。本文采用灰色關聯分析方法，分析影響各質量指標的氣候因子并排序，綜合分析得到影響煙葉質量的氣候因子及其排序。

灰色關聯度分析包括確定母序列和子序列、無量綱化處理、計算灰色關聯系數、計算指標關聯度及形成關聯序列等步驟。母序列（比較數列）是反映系統行為特征的數據序列，子序列（參考數列）是影響系統行為的因素組成的數據序列，也就是需要確立順序的因素序列。無量綱化處理是為了使不同的影響因子具有可比性，本文采用區間化法進行。關聯系數是描述比較數列與參考數列在某時刻的關聯程度的一種指標，把各個時刻的關聯系數集中為一個平均值，得到關聯度，以反映兩個數列的關聯程度，根據關聯度排序確定影響因子的影響程度。

1.2.2 煙葉質量預測模型構建

基于歷年煙葉質量和生育期氣溫、降水統計值，采用多變量灰色GM（0，N）模型建模方法，構建煙葉質量（某個化學成分）預測模型，為實施煙葉質量預測奠定基礎。多變量灰色預測模型的算法步驟如下。

1）計算相關因素序列1-AGO、緊鄰均值數列。輸入原始序列X（0），對其進行累加生成序列X（1），即1-AGO序列，并在1-AGO序列的基礎上生成緊鄰均值數列。

假定原始序列（即系統特征數據序列）為：

[X01=X011，X（0）12，…，X01n]? ? ? （1）

相關因素序列1-AGO為：

[X02=X021，X022，…，X02n]? ? ? （2）

……

[X0N=X0N1，X0N2，…，X0Nn]? ? ? （3）

令[i=1，2，…，N]的1-AGO序列為[X1i]，其中：

[X1ik= k=1nX0ik，? i=1，2，…，N]? ? ?（4）

生成的緊鄰均值數列：

[Z1ik=12X11k+X11k-1， k=2，3，…，n]? ? ?（5）

2）計算數據矩陣B及數據向量Y。GM（0，N）模型為：

[X11k=a+i=2NbiX1ik]? ? （6）

（6）式中：a為發展系數，bi為驅動系數，[biX1ik]為驅動項。

引入矩陣向量記號：

[B=x122x132…x1N2x123x133…x1N3????x12Nx13N…x1NN， Y=x112x113?x11N]? ?（7）

3）計算模型參數。模型參數（發展系數a、驅動系數b）的計算采用最小二乘法。參數列[u=[a，b2，b3，…，bN]T]的最小二乘估計為：

[u=BTB-1BTY]? ? （8）

4）計算模型的擬合值或預測值。根據模型參數，得到GM（0，N）模型，導出煙葉質量預測模型;根據模型計算擬合值或預測值。

5）計算殘差及相對誤差，進行誤差分析。殘差=實際數據-模擬數據，即：

[Ek=x0k-x0k]? ? ? ? （9）

相對誤差為：

[Qk=Ekx0k×100%， k=2，3，…，N] （10）

1.2.3 煙葉質量預測

1.2.3.1 煙葉化學成分預測

在煙葉生長關鍵時期（4—9月），依據當年生長季氣候統計數據、氣候預測數據，應用各化學成分預測模型，按月制作發布煙葉質量（總糖、還原糖、煙堿、糖堿比和鉀氯比）預測信息，并計算劃定煙葉質量收益年型。

根據煙葉的總糖、還原糖、煙堿、糖堿比、鉀氯比及其適宜程度，統計分析各指標歷年的變化情況，按照協調、較協調、欠協調3檔，制定煙葉質量收益年型劃分標準。

1.2.3.2 煙葉質量收益年型劃分

對各指標測量結果進行無量綱化處理，對上部、中部、下部取平均值為相應指標的無量綱化值;再根據無量綱化值進行賦值，并轉化為百分制得分。

由于質量化學成分指標屬于區間型指標（某個范圍內較適宜），無量綱化處理采用區間化法，指標處于適宜范圍時，無量綱化值為1，偏差最大時無量綱化值為0，其余無量綱化值處于0～1。某化學指標得分為無量綱化值×100。

參照《貴州省遵義市烤煙種植區劃》等研究成果，化學成分綜合得分為5個指標的加權得分[9-10]，總糖、還原糖、煙堿、糖堿比和鉀氯比的加權系數分別為0.12、0.19、0.22、0.33和0.14。根據綜合得分，按照表1的標準確定質量收益年型。

2 結果與分析

2.1 影響煙葉質量的氣候因子

總體而言，煙葉化學成分指標與氣候因子存在相關性（灰色關聯度大于0.5），只有2個站個別化學指標與特定時期的降水量不存在相關性（灰色關聯度小于0.5）。其中，煙葉化學成分與氣溫及其相關指標（成熟期≥20 ℃日數、積溫）的相關性較高，與降水量的相關性較低，與日照時間的相關性也不是很高。此外，各站氣候因子關聯排序并不完全相同，但總體趨勢基本一致，見表2。

2.2 煙葉質量預測模型

依據歷史煙葉質量與生育期氣溫、降水統計值，采用多變量灰色GM（0，N）模型建模方法進行建模。相關氣象數據序列中，P表示降水量、T表示氣溫、數字表示月份，如P45代表4—5月降水量、T6代表6月平均氣溫。

2.2.1? 桐梓縣

總糖預測模型為：

[X01k=1.646 6X02k+0.008 9X03k]? ? ? ?（11）

（11）式中：[X02k]、[X03k]分別對應T45、P6數列。平均相對誤差為0.144%，殘差平方和為0.015 8。

還原糖預測模型為：

[X01k=1.529 2X02k-0.002 8X03k]? ? ? ?（12）

（12）式中：[X02k]、[X03k]分別對應T45、P6數列。平均相對誤差為3.191%，殘差平方和為5.204 0。

煙堿預測模型為：

[X01k=0.180 4X02k-0.001 7X03k]? ? ? ?（13）

（13）式中：[X02k]、[X03k]分別對應T45、P6數列。平均相對誤差為1.902%，殘差平方和為0.023 0。

糖堿比預測模型為：

[X01k=0.029 5X02k+0.843 7X03k]? ? ? ?（14）

（14）式中：[X02k]、[X03k]分別對應P45、T78數列。平均相對誤差為2.346%，殘差平方和為0.662 5。

鉀氯比預測模型為：

[X01k=-0.017 1X02k+0.365 9X03k]? ? ? ?（15）

（15）式中：[X02k]、[X03k]分別對應P45、T78數列。平均相對誤差為1.669%，殘差平方和為1.047 2。

2.2.2? 正安縣

總糖預測模型為：

[X01k=1.204 1X02k]? ? ? ?（16）

（16）式中：[X02k]對應T6數列。平均相對誤差為0.278%，殘差平方和為0.028 5。

還原糖預測模型為：

[X01k=1.070 2X02k]? ? ? ?（17）

（17）式中：[X02k]對應T6數列。平均相對誤差為4.408%，殘差平方和為5.017 2。

煙堿預測模型為：

[X01k=0.108 6X02k]? ? ? （18）

（18）式中：[X02k]對應T78數列。平均相對誤差為0.663%，殘差平方和為0.001 4。

糖堿比預測模型為：

[X01k=0.568 6X02k]? ? ? ?（19）

（19）式中：[X02k]對應T6數列。平均相對誤差為7.547%，殘差平方和為2.866 4。

鉀氯比預測模型為：

[X01k=0.014 1X02k]? ? ? ?（20）

（20）式中：[X02k]、[X03k]分別對應T78數列。平均相對誤差為1.275%，殘差平方和為0.219 3。

2.2.3? 綏陽縣

總糖預測模型為：

[X01k=1.517 5X02k+0.008 9X03k]? ? ? ?（21）

（21）式中：[X02k]、[X03k]分別對應T45、P6數列。平均相對誤差為0.688%，殘差平方和為0.305 7。

還原糖預測模型為：

[X01k=0.681 0X02k+0.021 7X03k]? ? ? ?（22）

（22）式中：[X02k]、[X03k]分別對應T6、P79數列。平均相對誤差為0.112%，殘差平方和為0.005 8。

煙堿預測模型為：

[X01k=0.008 2X02k+0.033 9X03k]? ? ? ?（23）

（23）式中：[X02k]、[X03k]分別對應P45、T79數列。平均相對誤差為2.121%，殘差平方和為0.029 5。

糖堿比預測模型為：

[X01k=0.529 2X02k+0.014 9X03k]? ? ? ?（24）

（24）式中：[X02k]、[X03k]分別對應T45、P6數列。平均相對誤差為0.474%，殘差平方和為0.021 1。

鉀氯比預測模型為：

[X01k=-0.023 8X02k+0.490 6X03k]? ? ? ?（25）

（25）式中：[X02k]、[X03k]分別對應P45、T79數列。平均相對誤差為0.014%，殘差平方和為0.000 0。

2.2.4? 湄潭縣

總糖預測模型為：

[X01k=-0.019 2X02k+1.322 5X03k+? ? ? ? ? ? ? ? ? ? ? ? ? ? 0.009 6X04k]? ? ? ?（26）

（26）式中：[X02k]、[X03k]、[X04k]分別對應P45、T6、P78數列。平均相對誤差為0.474%，殘差平方和為0.280 4。

還原糖預測模型為：

[X01k=-0.029 3X02k+1.081 2X03k+? ? ? ? ? ? ? ? ? ? ? ? ? ?0.020 8X04k]? ? ? ?（27）

（27）式中：[X02k]、[X03k]、[X04k]分別對應P45、T6、P78數列。平均相對誤差為0.596%，殘差平方和為0.237 5。

煙堿預測模型為：

[X01k=-0.003 0X02k+0.111 7X03k+? ? ? ? ? ? ? ? ? ? ? ? ? ?0.002 7X04k]? ? ? ?（28）

（28）式中：[X02k]、[X03k]、[X04k]分別對應P45、T6、P78數列。平均相對誤差為3.884%，殘差平方和為0.132 5。

糖堿比預測模型為：

[X01k=0.020 9X02k+0.413 0X03k-? ? ? ? ? ? ? ? ? ? ? ? ? ? 0.006 0X04k]? ? ? ?（29）

（29）式中：[X02k]、[X03k]、[X04k]分別對應P45、T6、P78數列。平均相對誤差為0.191%，殘差平方和為0.008 8。

鉀氯比預測模型為：

[X01k=-0.009 4X02k-0.631 9X03k+? ? ? ? ? ? ? ? ? ? ? ? ? ? 0.868 7X04k]? ? ? ?（30）

（30）式中：[X02k]、[X03k]、[X04k]分別對應P45、T6、T78數列。平均相對誤差為8.188%，殘差平方和為17.931 8。

2.2.5? 余慶縣

總糖預測模型為：

[X01k=1.600 5X02k-0.006 8X03k]? ? ? ?（31）

（31）式中：[X02k]、[X03k]分別對應T45、P78數列。平均相對誤差為2.140%，殘差平方和為1.699 1。

還原糖預測模型為：

[X01k=1.358 8X02k-0.005 1X03k]? ? ? ?（32）

（32）式中：[X02k]、[X03k]分別對應T45、P78數列。平均相對誤差為1.767%，殘差平方和為0.763 8。

煙堿預測模型為：

[X01k=0.100 7X02k+0.001 0X03k]? ? ? ?（33）

（33）式中：[X02k]、[X03k]分別對應T6、P78數列。平均相對誤差為2.600%，殘差平方和為0.022 6。

糖堿比預測模型為：

[X01k=0.828 5X02k-0.010 0X03k]? ? ? ?（34）

（34）式中：[X02k]、[X03k]分別對應T45、P78數列。平均相對誤差為3.295%，殘差平方和為0.651 7。

鉀氯比預測模型為：

[X01k=0.274 8X02k-0.003 0X03k]? ?   ?（35）

（35）式中：[X02k]、[X03k]分別對應T45、P6數列。平均相對誤差為0.818%，殘差平方和為0.055 5。

2.3 煙葉質量預測

根據2020年生長季氣候統計數據、氣候預測數據，應用各地各化學成分預測模型，進行化學成分值預測，再根據化學成分預測值計算質量綜合得分，按照質量收益年型劃分標準確定質量收益年型。各月預測結果見表3。從表格數據可知，2020年5個站點的收益年型均較好，無欠協調情況;桐梓縣各月的收益年型均為較協調，在5個站點中質量最差;綏陽縣和余慶縣收益年型均為協調，在5個站點中質量最好。

3 討論

各氣候因子對煙葉質量的影響程度會因煙區不同而有所不同。在遵義煙區，各地氣候因子的影響程度（關聯排序）基本一致，氣溫及其相關指標（成熟期≥20 ℃日數、積溫）影響相對較高，降水、日照時間的影響相對較低。但這并不意味著降水、日照等其他因子對煙葉質量的影響就小，只是反映了遵義煙區關鍵生育期內降水、日照等相對較好地滿足煙葉生長的需要，年際變化相對較小。對其他煙區而言，氣候因子的影響程度可能不同于遵義煙區，影響最大的氣候因子可能為降水或日照時間。

煙葉質量預測模型構建應用了氣溫、降水這2類氣候因子，是由現階段氣候預測的能力所決定的，其他氣候因子預測的效果目前并不理想，難以支撐煙葉質量的業務化預測。由于煙葉質量資料年限較短，只能采用灰色預測理論以構建多變量灰色GM（0，N）模型。如果掌握較長時間序列數據，可運用多種方法建模，進行對比研究，構建效果更為理想的煙葉質量預測模型。

從2020年煙葉質量預測效果看，模型的精度與穩定性尚可，可用于業務化預測。但受基礎數據年限較短的影響，模型預測效果有待實踐的進一步檢驗，需要不斷進行模型的校驗和完善。

4 結論

本文以煙葉化學成分為切入點，分析了影響遵義煙區煙葉質量的氣候因子，構建了基于氣候因子的煙葉質量預測模型，并對2020年生育期煙葉進行了業務化的質量預測。結果表明，煙葉化學成分指標與氣候因子存在相關性，尤其是與氣溫及其相關統計指標（≥20 ℃日數、積溫）的相關性較高，依托構建的預測模型能夠開展煙葉質量（化學成分）的業務化預測，精度較高，穩定性較好。今后，可在煙葉外觀質量、物理特性、評吸質量和安全性等方面進行相關研究，從而構建全面的煙葉質量預測模型，進行煙葉質量預測。

參考文獻：

[1] 賀升華，任煒.烤煙氣象[M].昆明：云南科技出版社，2001.

[2] 彭新輝，易建華，周清明.氣候對烤煙內在質量的影響研究進展[J].中國煙草科學，2009，30（1）：68-72.

[3] 戴冕.我國主產煙區若干氣象因素與煙葉化學成分關系的研究[J].中國煙草學報，2000，6（1）：27-34.

[4] 石俊雄，陳雪，雷璐.生態因子對貴州煙葉主要化學成分的影響[J].中國煙草科學，2008，29（2）：18-22.

[5] 陳偉，王三根，唐遠駒，等.不同煙區烤煙化學成分的主導氣候影響因子分析[J].植物營養與肥料學報，2008，14（1）：144-150.

[6] 易建華，彭新輝，鄧小華，等.氣候和土壤及其互作對湖南烤煙還原糖、煙堿和總氮含量的影響[J].生態學報，2010，30（16）：4467-4475.

[7] 李東亮，馮廣林.灰色系統理論在煙草質量評價中的應用[M].北京：中國水利水電出版社，2013.

[8] 劉思峰.灰色系統理論及其應用[M].8版.北京：科學出版社，2017.

[9] 貴州省遵義市烤煙種植區劃項目組.貴州省遵義市烤煙種植區劃[M].貴陽：貴州人民出版社，2015.

[10] 王彥亭，謝劍平，李志宏.中國煙草種植區劃[M].北京：科學出版社，2010.

（責任編輯：劉寧寧? 丁志祥）