基于關鍵氣象因子的山東省棉花產量預報

侯夢媛

（山東省微山縣氣象局，山東微山 277600）

0 引言

棉花是重要的經濟作物，在中國國民經濟中占有重要地位。據統計，2020 年山東省棉花產量達18.3×107kg，播種面積14.3×104hm2。棉花是喜溫、喜光、耐旱的短日照作物[1]，其產量形成與氣象條件關系密切。一般而言，溫度、光照和降水能夠改變棉花生長的環境要素，進而影響棉花的生長發育及物候期，最終使其產量發生變化[2-3]。不同地區棉花在不同時期對光溫水條件的需求不同，例如新疆棉花籽棉產量在7 月與平均溫度呈顯著負相關，但在8 月卻與平均溫度成顯著正相關[4]；春季降雨少、夏季及秋季光照充足是山東地區棉花棉鈴成熟吐絮的有利條件[5]。吳昊等[6]對鄱陽湖地區棉花的研究認為，蕾鈴脫落率與花鈴期降水量絕對距平呈正相關。但降雨日數過長、雨量異常偏多也會造成棉花蕾鈴脫落增加、產量下降[7-8]。在極端干旱區，吐絮期日照時數長、溫度高有利于棉花產量的增加[9]。

基于關鍵氣象因子的產量預報是目前常用的作物產量預報方法之一，其基本思路是在提取顯著影響作物氣象產量的氣象關鍵因子的基礎上，利用神經網絡分析或回歸分析等方法構建作物產量預測模型。李樹巖等[10]根據夏玉米產量及7 月中旬—9 月中旬旬平均氣溫、旬降水量、旬日照時數，確定了13個關鍵氣象因子，以此為基礎建立夏玉米氣象產量預報模型，在全省不同區域均達到了一定的預報效果。黃珍珠等[11]將橡膠生長期間的風速、降水、日照、氣溫等氣象要素依次按旬、月進行膨化處理，篩選出與影響橡膠產量的關鍵氣象因子，建立了橡膠產量預報模型，預報準確率在90%以上。此外，該方法在水稻[12]、大豆[13]、小麥[14]、馬鈴薯[15]、油菜[16]等作物的產量預報中也有廣泛應用。但以上研究所建立的預報模型多以旬或月為時間步長，在實時動態預報方面存在一定的時間局限性，也對作物產量預報準確率有一定影響[17]。

因此，本研究以候為時間步長，采用因子膨化處理，對山東省棉花生育期間的逐候平均氣溫、降水量和日照時數進行膨化，篩選出顯著影響棉花氣象產量的關鍵氣象因子，并以此建立產量預報模型，以期為山東省棉花產量的定量、動態、精細化預報提供理論依據。

1 資料與方法

1.1 資料來源

氣象資料為山東省17 個氣象站1990—2020 年逐日平均氣溫、降水量和日照時數，來源于山東省氣候中心。所用山東省棉花單產資料來源于國家統計局，山東省各地市棉花單產資料來源于山東省統計年鑒，資料年代均為1990—2020年。棉花生育期劃分時段為4月3候—10月4候[18]，具體結果如表1所示。為比較不同地區模型預報誤差的大小，根據地理位置將全省劃分為魯南、魯中、魯西北和魯東4 個區域，其中魯南地區包括菏澤、濟寧、棗莊、臨沂、日照，魯中地區包括濟南、萊蕪、泰安、淄博、濰坊，魯西北地區包括東營、濱州、德州、聊城，魯東地區包括青島、煙臺、威海。

表1 山東省棉花生育期及出現時間

1.2 研究方法

1.2.1 產量資料處理棉花產量主要受社會和自然因素的共同影響，其中社會經濟、農業技術等社會因素引發的產量變化為棉花的趨勢產量，自然條件引起的產量變化為棉花的氣象產量[19]。長時間序列棉花產量可以看作趨勢產量、氣象產量和隨機產量之和，計算公式見式(1)。

式中：Y、Ya、Yb分別為實際產量、趨勢產量和氣象產量，kg/hm2；θ表示隨機產量，一般可以忽略不計[20]。利用5 a滑動平均法擬合趨勢產量，將趨勢產量從實際產量中分離出來；用實際產量減去趨勢產量，則得到氣象產量。由1990—2020年山東省棉花單產變化圖（圖1）可見，趨勢產量與氣象產量的變化趨勢基本一致。

圖1 1990—2020年山東省棉花產量

1.2.2 氣象資料處理根據地面觀測數據統計方法，一個月分為6候，第6候為26日至月底，每候5 d或6 d[21]。首先利用算術平均方法處理17站氣象資料，得到全省和區域逐候平均氣溫、降水量和日照時數，以自然月為計算周期，棉花生長時段為4月3候—10月4候，共38候。依次對山東省棉花生育期內的逐候平均氣溫、降水量和日照時數等氣象要素以線性組合的方式進行膨化處理[22]，時間尺度組合自4月3候開始，至當年10月4候結束。

2 結果與分析

2.1 關鍵氣象因子

將1990—2020 年山東省棉花氣象產量與膨化后的氣象因子進行相關分析，結果顯示，通過0.05水平顯著性檢驗的關鍵氣象因子共14 個（表2）?？梢钥闯?，棉花產量與不同時段的平均氣溫和降水均呈正相關關系，但與生育前期的日照時數呈負相關，與生育后期的日照時數正相關。一般情況下，棉花在4月3候—6月2候期間正處在播種、出苗期，此時棉花生長的適宜土壤水分下限要達到60%～65%[23]，水分不足將對棉花幼苗生長及之后的蕾鈴發育產生不利影響，且生長前期經受干旱后，后期如水分補償不足棉花更易出現棉桃大量脫落、鈴重偏低等現象[24]。山東省受季風氣候影響，全年降水分布不均，棉花生長期間降水集中于蕾期和花鈴期，播種期和苗期的降水量最少[25]，因此水分條件對棉花產量具有正效應。棉花對低溫較敏感，日氣溫低于15℃時生長受限、易發生真菌病害進而減產[26]，生長后期日氣溫低于20℃則影響纖維成熟[27]。6 月6候棉花正處現蕾期，此時遭受低溫將會影響棉花光合性能，抑制生長發育，進而降低光化學效率產量[28]，因此平均氣溫對棉花產量有正向效應。4月3候—6月5候，棉花一般處在播種—蕾期，而在降雨量、積溫相同的情況下，縮短日照時間能夠促進棉花現蕾開花[29]；同時，由于播種期和苗期的降水量較少，晴熱干旱，此時日照時數增加則會加劇水分對棉花生長的制約，抑制棉花早發，導致后期產量下降[30]。9 月1 候—9 月4 候棉花處在吐絮成熟期，此間充足的日照將會利于棉花光合產物積累，增加鈴重，因而對棉花產量具有正向促進作用。

表2 棉花氣象產量與氣象因子的相關系數

2.2 氣象產量預報模型建立

為實現以候為時間步長的棉花產量動態預報，將篩選出的14個關鍵氣象因子（表2）所在時段的下一候第1天作為起報時間，即將4月16日、4月21日、5月26日、6月6日、6月11日、6月21日、6月26日、7月1日、9月21 日作為起報時間。選取起報時段之前的所有關鍵氣象因子作為自變量，氣象產量作為因變量，采用多元線性逐步回歸的方法，建立相應起報時間的棉花氣象產量預報模型。在多元逐步回歸模型建立過程中，并非所有因子都能進入最終模型，因此在各候的預報模型中，僅A2、A8、A9、A10、A11共4個因子參與了建模，舍棄了其他影響系數較小的因子。各起報時間模型的預報因子及其回歸系數見表3。

表3 棉花氣象產量預報模型回歸系數

2.3 模型回代檢驗

為明確模型在區域應用的準確性，分別將全省、魯南、魯中、魯西北、魯東1990—2016年的氣象資料回代入預報模型，計算各起報時段全省及不同區域的棉花氣象產量，計算產量預報準確率[10]（表4）?？梢钥闯?，全省預報產量趨勢回代檢驗平均準確率為94.1%，但各區域之間回代檢驗準確率有一定差異。其中，魯南和魯中地區模型回代檢驗準確率大致相當，分別在91.3%～94.1%、93.1%～94.0%之間，但魯中地區回代檢驗準確率變幅更??；魯西北地區回代檢驗準確率為88.2%～93.3%，平均為92.7%，僅6 月11 日起報模型準確率低于90%；魯東地區模型回代檢驗準確率為87.3%～88.4%，各起報時間模型回代檢驗準確率均低于90%，平均只有88.3%。

表4 1990—2016年棉花產量預報模型回代檢驗平均準確率 %

2.4 模型預報檢驗

利用模型對2017—2020 年全省及不同區域的棉花產量進行試報，表5 列出各起報時間棉花產量預報準確率?？梢钥闯?，全省平均預報準確率為95.1%，各區域預報準確率均在90%以上。其中，魯南地區預報準確率最高，平均92.1%；魯東地區模型預報準確率最低，平均90.9%。

表5 2017—2020棉花產量預報準確率 %

3 結論與討論

利用模型對1990—2010 年山東省棉花產量進行回代模擬，各起報時間棉花預報產量趨勢回代檢驗全省平均準確率為94.1%。不同區域間模型回代準確率有一定差異，魯南地區最高，平均93.6%；魯中地區次之，平均為93.5%且變幅最??；全省只有魯東地區模型回代檢驗平均準確率低于90%。利用模型對2017—2020年棉花產量進行預報檢驗，全省平均預報準確率為95.1%，各區域平均預報準確率均在90%以上，且區域間差別不大，魯南、魯中、魯西北、魯東地區預報平均準確率分別為92.1%、91.5%、91.5%、90.9%。該模型預報準確率較高，且方法簡單、易于使用，相比傳統以旬或月為時間步長的預報模型，能夠更及時、準確地預報當地的棉花產量，具有較高的業務應用價值。

4—6月山東省棉花一般處于播種—現蕾期，受季風氣候影響，該時期降水量較少，降水成為棉花生長的重要制約因素，因而降水量對棉花產量具有正效應。同時，降水較少時日照時數增加則會加劇水分對棉花生長的制約，因而日照時數在該時期與棉花產量負相關。溫度對棉花產量的影響最小，且兩者為正相關。

為充分考慮連續的氣象條件對棉花產量的影響，本研究以候為時間步長，對棉花生育期間的逐候氣象要素進行因子膨化處理，根據膨化后的氣象因子與氣象產量的相關關系建立產量預報模型，該模型能夠有效減弱時間間斷對預報準確率的影響，但仍存在一定的局限性。進行逐候動態預報時，模型預報準確率并未隨起報時間的后移有明顯提升，各起報時間模型預報差異并不顯著，滾動預報的優勢不明顯；此外，基于關鍵氣象因子建立產量預報模型對數據穩定性的依賴度較高，且建模時分析單一氣象要素與棉花產量的關系，卻并未考慮各氣象要素間的相互影響，也未將人工栽培管理措施影響及作物生長機理和抗逆性等因素考慮在內。今后應在綜合考慮作物自身生長機理及人工栽培干預的條件下，結合多種建模方法，深入探討氣象條件對棉花產量的影響效應，以更進一步提高棉花產量預報的準確率。