1.莒南县气象局 山东临沂 276600
2.临沂市气象局山东临沂 276000
摘要:花生是重要的经济和油料作物,提高花生产量对保障油料安全和农民增收具有积极作用。气候因子的变化常常引起花生产量的波动。该文使用2001-2021年的莒南县花生产量资料和气象观测资料,利用滑动平均的方法,将花生气象产量和趋势产量进行分离处理,分别建立相应的回归预测模型,在此基础上建立基于气象因子的莒南县花生产量预测模型。并对模型效果和精度进行了模拟检验,检验证明该预测模型具有较高的预测精度,可以作为开展花生产量预测业务的工具。
关键词:气象因子;莒南;花生产量
引言
花生富含蛋白质、脂肪、糖类以及多种矿物质等营养成份,含油量超过50%,是营养价值较高的一种经济作物[1]。此外,花生还在造纸、油脂加工以及印染等行业中广泛应用。莒南县地处鲁东南丘陵地区,每年种植花生30余万亩,总产量达10余万吨,居全省第一位,是全国花生生产出口基地县,全国高优质高效花生标准化示范区,被授予“中国花生之乡”称号。
花生的产值对于增加本地农民收入和保障国家油料生产具有重要意义。王二虎等[2]基于统计分析软件建立了开封市花生产量预测模型,并对模型效果和精度进行了模拟检验。朱秀红等[3]基于SPSS建立了日照市小麦产量年景预测模型,并对历年产量进行检验,预测模型具有较高的信度和实用性本课题拟对莒南2001-2021年间的气象资料和花生单产资料进行统计分析,研究气象因子的变化对花生单产的影响,找出影响花生单产的关键因子,并构建适用于莒南本地的花生单位产量预测模型,对提高花生产量具有指导意义。
1资料与方法
1.1资料来源
花生数据来源于莒南县统计局,包含2001-2021年莒南县花生种植面积、产量、单位面积产量;气象数据来源于全国综合气象信息共享平台(CIMISS),包含2001-2021年莒南国家级气象站的5-8月的月平均气温、月降水量、月日照时数,9月1-15日的平均气温、降水量、日照时数。后文中的9月平均气温、降水率、日照时数都指1-15日的数据。
1.2计算方法
将花生产量(Y)分解为趋势产量(YT)与气象产量(YW)两部分,对莒南县2001-2018年间的气象资料和花生单产资料进行统计分析。趋势产量的计算,采用直线滑动平均法保证样本数不变,滑动步长取5年。趋势产量由农业技术水平决定,与时间相关,气象产量由生育期的气温、日照、降水决定,通过运用灰度关联度分析,得出与气象产量关联度较大的气象因子,结合年份因子采用强迫回归法建立产量预测模型。用2019-2021年的数据检验模型的准确率。
该文采用直线滑动平均法,滑动步长取5年,对莒南县花生实际产量进行处理,图1给出了2001-2018年莒南县花生实际产量与趋势产量变化。趋势产量和气象产量等具体结果列于表1。
图 1、2001-2018年莒南县花生实际产量和趋势产量变化
表 1、 2001-2018年莒南县花生产量分解
年份 | 实际产量 | 趋势产量 | 气象产量 |
2001 | 313.00 | 282.33 | 30.67 |
2002 | 257.00 | 283.25 | -26.25 |
2003 | 277.00 | 284.80 | -7.80 |
2004 | 286.00 | 284.80 | 1.20 |
2005 | 291.00 | 297.80 | -6.80 |
2006 | 313.00 | 312.62 | 0.38 |
2007 | 322.00 | 326.42 | -4.42 |
2008 | 351.10 | 331.48 | 19.62 |
2009 | 355.00 | 334.50 | 20.50 |
2010 | 316.30 | 339.08 | -22.78 |
2011 | 328.10 | 336.32 | -8.22 |
2012 | 344.90 | 326.48 | 18.42 |
2013 | 337.30 | 324.22 | 13.08 |
2014 | 305.80 | 324.10 | -18.30 |
2015 | 305.00 | 320.10 | -15.10 |
2016 | 327.50 | 317.94 | 9.56 |
2017 | 324.90 | 320.98 | 3.92 |
2018 | 326.50 | 326.30 | 0.20 |
2.产量预测模型的建立
2.1利用线性回归建立花生趋势产量预测方程
将通过采用5年直线滑动平均法得到的莒南县连续18年的花生趋势产量(YT)作为因变量,将年份(XT)作为自变量,在SPSS中采用强迫引入法进行线性回归分析,得到莒南县花生趋势产量与时间关系的线性回归方程如下:
YT=2.549XT-4806.61 (1)
该回归方程的相关系数R为0.695,判定系数R2为0.483,估计标准误差为14.507,F值为14.956,通过a<0.001的显著性检验,说明有极其显著的统计学差异。
2.2气象产量与气象因子的关联度分析
灰色关联度分析对系统发展变化态势提供了量化的度量,非常适合动态历程分析[4]。对于两个系统之间的因素,其随时间或不同对象而变化的关联性大小的量度,称为关联度。在系统发展过程中,若两个因素变化的趋势具有一致性,同步变化程度较高,即关联程度较高;反则较低
[5]。
根据2001-2018年气象资料,统计花生生育期5-9月各月降水量、平均气温、日照时数,将数据列进行离差标准化无量纲处理,即求出各个要素的最低值、全距,然后将各原始数据列减去最低值再除以全距,将去量纲化的气象系数,产量数据作为参考数列,去量纲化的各气象因子数据作为比较数列,分辨系数取0.5计算关联系数。由于关联系数是比较序列与参考序列在各个时刻的关联程度,不方便进行整体性比较,所以求出各个时刻的关联系数的平均值即关联度,用关联度表示比较序列与参考序列的关联程度。经计算得到莒南县花生产量与各个气象因子的关联度如表2表示。由表2可知关联度前五的气象因子分别是9月日照、7月降水、8月日照、5月气温和6月气温,这与花生出苗期需要一定积温,花针期为水分关键期、结荚期对光照敏感的结论基本符合[6-7]。
表 2、 莒南县花生单位产量与气象要素的关联度
气象因子 | ssh9 | pre7 | ssh8 | tem5 | tem6 | tem8 | ssh5 | pre9 | tem7 | ssh6 | tem9 | pre5 | pre8 | pre6 | ssh7 | |
关联度 | 0.736 | 0.734 | 0.693 | 0.689 | 0.677 | 0.676 | 0.663 | 0.663 | 0.662 | 0.654 | 0.653 | 0.644 | 0.630 | 0.624 | 0.618 | |
排名 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
2.3强迫回归建立花生产量预测方程
选择与花生气象产量关联度最大的前5个气象因子建立回归方程,将花生产量作为因变量,将关联度前5的气象因子作为自变量,采用强迫回归法进行回归分析,最终得到如下多元线性回归方程:Yw=3.203X1+2.566X2+0.08X3+0.055X4+0.118X5-164.171 (2)
X1至X5分别是5月气温、6月气温、7月降水、8月日照和9月日照
该回归方程的相关系数R为0.759,判定系数R2为0.576,估计标准误差为12.366,F值为3.257,德斌-沃森数2.556,说明变量之间相互独立,VIF均小于1.4,说明变量之间不存在多重共线性。通过a<0.05的显著性检验,说明有统计学差异。
2.4花生产量预测模型和效果校验
由花生趋势产量预测方程和气象产量预测方程得到莒南县花生产量预测方程:
Y=2.549XT+3.203X1+2.566X2+0.08X3+0.055X4+0.118X5-4970.781 (3)
将年份数据和相对应的气象因子数据代入式,计算得到莒南县2019-2021年的花生预测产量。并与这3年的花生实际产量进行比较,以对该模型的预测精度进行校验,结果见表3。由表3可见,该模型预测莒南县花生产量平均预测精度为89%,具有较高的预测精度。
表 3 、2019-2021年莒南县花生实际产量与预测产量比较
年份 | 实际产量 | 预测产量 | 准确率 |
2019 | 310.40 | 339.50 | 90.63% |
2020 | 281.10 | 332.22 | 81.82% |
2021 | 377.41 | 353.96 | 93.79% |
3结论
根据莒南县历年的花生产量和相关气象资料,采用滑动平均的方法,将花生气象产量和趋势产量进行分离处理,以线性回归法模拟趋势产量,以强迫回归法模拟气象产量,在此基础上建立基于气象因子的莒南县花生产量预测模型。由于在建立预测模型中充分考虑到多个气象因子对花生产量的影响,使构成模型的气象因子具有较好的生物学意义,与花生产量具有较高的相关性,从而保证了该预测模型具有较好的实用性。通过对对该模型预测精度进行了模拟检验,结果证明该模型具有较高的预报精确度,可以投入到业务中使用,是一种有效的农作物产量预报工具,有利于提高农业气象产量预报的准确性。
参考文献
[1]周萍,王海燕,胡燕.花生的药用价值研究进展[J].时珍国医国药,2009,20(11):2854-2855.
[2]王二虎,宋晓.基于气象因子的开封市花生产量预测模型[J].陕西农业科学,2012,58(04):31-33.
[3]朱秀红,李秀珍,姚文军等.基于SPSS的日照市小麦产量年景预测模型[J].中国农学通报,2010,26(02):295-297.
[4]叶惠煊,刘向前,刘恒言等.湘葛一号总黄酮与气候因子的灰色关联度分析[J].西北药学杂志,2013,28(05):443-447.
[5]李倩,梁宗锁,董娟娥等.丹参品质与主导气候因子的灰色关联度分析[J].生态学报,2010,30(10):2569-2575.