位 佳，楊光榮，張黎明，范協(xié)裕，邢世和

(福建農(nóng)林大學(xué)資源與環(huán)境學(xué)院，福建福州350002)

作物產(chǎn)量、產(chǎn)值預(yù)測是當(dāng)代農(nóng)業(yè)科學(xué)研究的核心內(nèi)容之一，是農(nóng)業(yè)決策的重要依據(jù)［1］.在當(dāng)前卷煙工業(yè)追求煙葉質(zhì)量的狀況下，提高煙葉產(chǎn)值成為烤煙生產(chǎn)的關(guān)鍵［2］，而產(chǎn)值預(yù)測對于實(shí)現(xiàn)烤煙生產(chǎn)的監(jiān)測、管理科學(xué)化，具有重要的現(xiàn)實(shí)意義.烤煙是一種投入少、收入高、周期短、見效快的經(jīng)濟(jì)作物，但生態(tài)條件變化對烤煙質(zhì)量有較大影響［3］.國內(nèi)外對于如何提高烤煙產(chǎn)量的研究較多.如Helmy［4］研究指出施用無機(jī)氮的煙葉產(chǎn)量和質(zhì)量優(yōu)于施無機(jī)氮;江豪等［5］認(rèn)為種植密度及打頂時期對云煙85的產(chǎn)量與質(zhì)量影響較大.胡衛(wèi)東等［6］利用“3414”試驗(yàn)方案研究出煙葉產(chǎn)量最高時的氮磷鉀施用量.王鵬等［7］研究表明發(fā)酵餅肥可提高煙葉產(chǎn)量.曾志三等［8］通過利用歷史數(shù)據(jù)建立灰色預(yù)測模型來估測煙葉產(chǎn)量.

總之，國內(nèi)外有關(guān)煙葉的研究主要集中在煙葉產(chǎn)量與肥料的關(guān)系，且研究方法大多為田間試驗(yàn)方法;應(yīng)用數(shù)學(xué)模型估測烤煙產(chǎn)量、產(chǎn)值的研究相對較少.福建省是我國優(yōu)質(zhì)烤煙主產(chǎn)區(qū)和重要煙草生產(chǎn)基地，主要種植品種為K326、云煙87(85)［9］.本研究利用福建煙區(qū)代表性樣點(diǎn)烤煙產(chǎn)值及其影響因子數(shù)據(jù)資料，篩選建立烤煙產(chǎn)值最佳估測模型;借助GIS與烤煙產(chǎn)值最佳估測模型集成技術(shù)，利用福建煙區(qū)烤煙產(chǎn)值影響因子空間屬性數(shù)據(jù)庫，開展福建煙區(qū)烤煙產(chǎn)值估測及分區(qū)研究.

1 方法

1.1 資料收集

收集的資料主要有:(1)1∶25萬福建煙區(qū)烤煙品種用地適宜性評價數(shù)據(jù)庫，包括評價因子和烤煙用地適宜性的空間屬性數(shù)據(jù)庫;(2)福建煙區(qū)399個代表性調(diào)查樣點(diǎn)地理信息坐標(biāo)、烤煙品種產(chǎn)值(近3 a均值)及相關(guān)土壤屬性調(diào)查分析數(shù)據(jù)(其中K326樣點(diǎn)數(shù)186個，云煙85樣點(diǎn)數(shù)36個，云煙87樣點(diǎn)數(shù)177個).

1.2 烤煙產(chǎn)值影響因子的確定及其數(shù)據(jù)庫的建立

烤煙為喜光、喜溫作物，烤煙大田生育期日照時數(shù)要求達(dá)500－700 h，日照百分率為40%以上，適宜生長的溫度為20－28℃，成熟期日均溫大于20℃的持續(xù)日數(shù)不少于50 d.合理的降水是形成優(yōu)質(zhì)煙葉的有利氣候條件，烤煙生育期月均降水量為100－200 mm.肥力中等、質(zhì)地疏松、有機(jī)質(zhì)含量適中的土壤最適于種植烤煙.烤煙為喜鉀作物，對土壤酸堿度較為敏感，適宜pH值為5.5－6.5.烤煙忌氯，氯離子含量低于0.8%才能生產(chǎn)出優(yōu)質(zhì)煙葉［11］.根據(jù)上述烤煙對氣候、土壤和地形等立地條件的要求，選取立地環(huán)境條件(坡度、坡向、耕層厚度、地下水位)、土壤理化性質(zhì)(有機(jī)質(zhì)、粘粒、堿解氮、速效磷、水溶性氯、交換性鎂、pH值和速效鉀)、氣候(無霜期、日均溫≥20℃的持續(xù)天數(shù)、日照時數(shù)和≥10℃活動積溫)共16個因子作為福建煙區(qū)烤煙產(chǎn)值估測的主要影響因子.

土壤理化性質(zhì)因子數(shù)據(jù)為福建煙區(qū)399個代表性調(diào)查樣點(diǎn)實(shí)測數(shù)據(jù);立地環(huán)境條件和氣候因子數(shù)據(jù)借助ARC/GIS軟件，通過399個烤煙產(chǎn)值調(diào)查樣點(diǎn)的地理信息坐標(biāo)，從福建煙區(qū)烤煙用地適宜性評價因子數(shù)據(jù)庫中提取.由于云煙85和云煙87是同源烤煙品種，其生產(chǎn)和效益相近，且考慮到云煙85的實(shí)際調(diào)查樣點(diǎn)數(shù)相對偏少，故將兩者合并后進(jìn)行產(chǎn)值建模、預(yù)測和分區(qū).利用獲取的數(shù)據(jù)分別建立福建省煙區(qū)烤煙K326、云煙87(85)產(chǎn)值估測模型篩選的樣點(diǎn)數(shù)據(jù)集(K326樣點(diǎn)數(shù)據(jù)集有186個，云煙87(85)樣點(diǎn)數(shù)據(jù)集有213個)，并將該樣點(diǎn)數(shù)據(jù)集分成兩部分，分別作為估測模型建模(或訓(xùn)練)樣本和估測模型精度的驗(yàn)證樣本.其中，烤煙K326建?；蛴?xùn)練樣本數(shù)為130個，驗(yàn)證樣本數(shù)為56個;云煙87(85)建模或訓(xùn)練樣本數(shù)為149個，驗(yàn)證樣本數(shù)為64個，符合統(tǒng)計學(xué)的大樣本原則.

1.3 烤煙品種產(chǎn)值估測模型的建立

1.3.1 神經(jīng)網(wǎng)絡(luò)模型的建立 神經(jīng)網(wǎng)絡(luò)算法是一種采用誤差反向傳播算法的自動學(xué)習(xí)過程的方法［12］.利用研究區(qū)279個建?；蛴?xùn)練樣本的烤煙產(chǎn)值和立地環(huán)境條件、土壤理化性質(zhì)和氣候因子數(shù)據(jù)資料，根據(jù)神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)確定原則［13－14］，借助DPS統(tǒng)計軟件分別對K326、云煙87(85)產(chǎn)值的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行擬合［15］.經(jīng)過多次神經(jīng)網(wǎng)絡(luò)訓(xùn)練的比較［16－18］，分別選取烤煙K326、云煙87(85)產(chǎn)值的神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，建立了烤煙品種的神經(jīng)網(wǎng)絡(luò)模型.在DPS數(shù)據(jù)處理系統(tǒng)中，建立含1個隱層的BP網(wǎng)絡(luò)，將所篩選出的16個影響因子作為輸入樣本，以烤煙K326、云煙87(85)的產(chǎn)值作為輸出樣本.以輸入層節(jié)點(diǎn)數(shù)為自變量的個數(shù)，即因子個數(shù)，故輸入層節(jié)點(diǎn)數(shù)為16.Sigmoid參數(shù)取0.9，允許誤差為0.0001，迭代次數(shù)為1000，將輸入樣本作標(biāo)準(zhǔn)化轉(zhuǎn)換，K326和云煙87(85)產(chǎn)值模型的最小訓(xùn)練速率分別為0.6和0.9，動態(tài)參數(shù)均取0.6，隱含層節(jié)點(diǎn)數(shù)分別選取14和16.

1.3.2 雙重篩選逐步回歸模型的建立 雙重篩選逐步回歸模型是一種逐步算法，既能按照自變量與因變量的關(guān)系對因變量進(jìn)行分組，又能使每個自變量對各組因變量的影響程度反映出來，最后分組建立方程［19］.設(shè)Fx和Fy分別為自變量和因變量的引入和剔除臨界值，則一般取:

式中，F(xiàn)α和Fβ分別表示給定置信度;p和m分別表示因變量和自變量的個數(shù).

采用DPS統(tǒng)計軟件分別對K326、云煙87(85)產(chǎn)值的雙重篩選回歸方程進(jìn)行擬合(其中置信度α和β均為0.1)，建立以下 K326、云煙 87(85)產(chǎn)值的最優(yōu)回歸方程.因變量 Yk和 Y1分別為 K326和云煙87(85)的單位面積產(chǎn)值;自變量為pH(X1)、粘粒(X2)、有機(jī)質(zhì)(X3)、堿解氮(X4)、速效磷(X5)、速效鉀(X6)、交換性鎂(X7)、水溶性氯(X8)、耕層厚度(X9)、地下水位(X10)、無霜期(X11)、日照時數(shù)(X12)、≥20℃持續(xù)天數(shù)(X13)、≥10℃活動積溫(X14)、坡度(X15)和坡向(X16).

在臨界值Fx=1.28，F(xiàn)y=2.10的條件下，建立如下回歸方程:

模型的相關(guān)系數(shù) R=0.352，顯著水平 P=0.037，剩余標(biāo)準(zhǔn)差 S=16.41，n=128，表明模型中的自變量與K326的單位面積產(chǎn)值呈顯著相關(guān).

在臨界值Fx=0.50，F(xiàn)y=2.09的條件下，建立如下回歸方程:

模型的相關(guān)系數(shù)R=0.397，顯著水平 P=0.007，剩余標(biāo)準(zhǔn)差S=197.46，n=147，表明模型中的自變量與云煙87(85)的單位面積產(chǎn)值呈極顯著相關(guān).

1.4 最佳模型的驗(yàn)證與確定

為篩選出福建煙區(qū)最佳產(chǎn)值估測模型，將56個K326和64個云煙87(85)烤煙品種驗(yàn)證樣本的立地環(huán)境條件、土壤理化性質(zhì)和氣候因子數(shù)據(jù)分別代入上述各烤煙產(chǎn)值估測模型，計算出K326、云煙87(85)的驗(yàn)證樣本烤煙產(chǎn)值模型的估測值.通過以下檢驗(yàn)方法確定最佳產(chǎn)值估測模型:(1)估測產(chǎn)值與實(shí)際產(chǎn)值的線性回歸分析，根據(jù)相關(guān)系數(shù)和斜率判斷模型估測產(chǎn)值的準(zhǔn)確性;(2)利用配對樣本t檢驗(yàn)法驗(yàn)證樣本估測產(chǎn)值與實(shí)際產(chǎn)值的差異顯著性;(3)測定模型估測產(chǎn)值與實(shí)際產(chǎn)值的模擬精度.

1.5 烤煙產(chǎn)值的空間推算與分區(qū)

利用烤煙產(chǎn)值最佳預(yù)測模型、主導(dǎo)影響因子空間和屬性柵格數(shù)據(jù)庫，借助ARC/GIS軟件，分別估測福建煙區(qū)K326、云煙87(85)的產(chǎn)值，得到煙區(qū)K326、云煙87(85)的烤煙產(chǎn)值柵格空間數(shù)據(jù)圖層;利用福建煙區(qū)烤煙生態(tài)適宜用地圖層分別掩膜K326、云煙87(85)的烤煙產(chǎn)值柵格空間數(shù)據(jù)圖層，建立福建煙區(qū)烤煙適種區(qū)的K326、云煙87(85)產(chǎn)值柵格空間數(shù)據(jù)庫.利用福建煙區(qū)烤煙適種區(qū)K326、云煙87(85)產(chǎn)值柵格空間數(shù)據(jù)庫，借助動態(tài)聚類分析模型［19］，進(jìn)行福建省烤煙適種區(qū)K326、云煙87(85)產(chǎn)值分區(qū)，具體分區(qū)標(biāo)準(zhǔn)見表1.

表1 福建煙區(qū)烤煙產(chǎn)值分區(qū)標(biāo)準(zhǔn)Table 1 The division index of flue-cured tobacco output value in Fujian tobacco production area

1.6 面積統(tǒng)計

利用福建煙區(qū)烤煙生態(tài)適宜用地圖層數(shù)據(jù)庫的圖斑面積數(shù)據(jù)，以縣(市、區(qū))為單位，按產(chǎn)值分區(qū)分別統(tǒng)計烤煙K326和云煙87(85)高、中、低產(chǎn)值區(qū)面積.

2 結(jié)果與分析

2.1 烤煙產(chǎn)值估測模型的優(yōu)選

福建省煙區(qū)K326與云煙87(85)實(shí)際產(chǎn)值與模型的模擬值見表2、3.從圖1、2可以看出，神經(jīng)網(wǎng)絡(luò)模型模擬的K326、云煙87(85)產(chǎn)值與其實(shí)測值的相關(guān)系數(shù)分別為0.97和0.98，均達(dá)到極顯著水平(P＜0.01);雙重篩選回歸模型模擬的K326、云煙87(85)產(chǎn)值與其實(shí)測值的相關(guān)系數(shù)分別為0.12和0.42，顯著性水平較差.樣本t檢驗(yàn)結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)模型估測的K326、云煙87(85)產(chǎn)值與其實(shí)測值的t值分別為0.43和0.54;雙重篩選回歸模型估測的K326、云煙87(85)的相應(yīng)t值分別為1.19和0.63.根據(jù)2種烤煙品種樣本數(shù)(K326為55，云煙87(85)為63)可知，品種K326樣本數(shù)的t0.05為2.05，品種云煙87(85)樣本數(shù)的t0.05為2.00.由此可見，2種模型的產(chǎn)值估測值與實(shí)際值之間均無顯著差異，其中神經(jīng)網(wǎng)絡(luò)模型下的烤煙產(chǎn)值估測值與實(shí)際值的t值最小.從表4可以看出神經(jīng)網(wǎng)絡(luò)模型對K326與云煙87(85)估測產(chǎn)值均值的模擬精度分別達(dá)99.74%和99.72%，高于雙重篩選回歸模型對K326與云煙87(85)估測產(chǎn)值均值的模擬精度.

表2 K326產(chǎn)值的模型預(yù)測值和實(shí)際調(diào)查值Table 2 Model estimated output values and actual investigative output values of tabacco K326

圖1 福建煙區(qū)K326實(shí)際值與不同模型估測值的線性回歸Fig.1 Correlative analysis of model estimated output values and actual output values of K326 in Fujian tobacco production area

圖2 福建煙區(qū)云煙87(85)實(shí)際值與不同模型估測值的線性回歸Fig.2 Correlative analysis of model estimated output values and actual output values of Yunyan 87(85)in Fujian tobacco production area

表3 云煙87(85)產(chǎn)值的模型預(yù)測值和實(shí)際調(diào)查值Table 3 Model estimated output values and actual investigative output values of tobacco Yunyan 87(85)

另外從模型估測產(chǎn)值平均值和標(biāo)準(zhǔn)差來看，神經(jīng)網(wǎng)絡(luò)模型的K326與云煙87(85)估測產(chǎn)值的均值分別為(19609.03 ±118.42)元·hm－2和(21924.93 ±112.76)元·hm－2，分別比 K326 與云煙 87(85)實(shí)際調(diào)查產(chǎn)值的均值高0.26%和0.28%.而雙重篩選回歸模型的K326與云煙87(85)估測產(chǎn)值的均值分別為(18993.03 ±476.12)元·hm－2和(22140.74 ±436.99)元·hm－2，分別為 K326 與云煙 87(85)實(shí)際調(diào)查產(chǎn)值均值的97.11%和101.26%.

由此可見，神經(jīng)網(wǎng)絡(luò)模型下的烤煙產(chǎn)值估測值與實(shí)際值差距最小.綜上所述，神經(jīng)網(wǎng)絡(luò)模型對K326與云煙87(85)的產(chǎn)值模擬較為準(zhǔn)確，可作為福建K326與云煙87(85)烤煙品種產(chǎn)值的估測模型.

表4 烤煙K326、云煙87(85)產(chǎn)值模型預(yù)測均值與實(shí)際調(diào)查均值的對比結(jié)果1)Table 4 Comparison results of estimated average output values of model and actual average output values of K326，Yunyan 87(85)

2.2 烤煙產(chǎn)值分區(qū)

從表5可看出，煙區(qū)間烤煙產(chǎn)值差異十分明顯，烤煙K326、云煙87(85)估測產(chǎn)值分別為12000.00－27180.00 元·hm－2和 13532.10－29536.95 元·hm－2，產(chǎn)值均值分別為17149.65 和20683.20 元·hm－2.

3 討論

(1)驗(yàn)證結(jié)果表明，神經(jīng)網(wǎng)絡(luò)模型可以作為福建煙區(qū)K326與云煙87(85)烤煙品種產(chǎn)值估測的理想模型.利用神經(jīng)網(wǎng)絡(luò)模型估測了福建煙區(qū)各縣市K326、云煙87(85)品種的產(chǎn)值，借助動態(tài)聚類分析模型，將福建省烤煙適種區(qū)的K326、云煙87(85)的產(chǎn)值劃分為高產(chǎn)值區(qū)、中產(chǎn)值區(qū)和低產(chǎn)值區(qū)3個等級(圖3)，其中烤煙K326高產(chǎn)值區(qū)集中分布在浦城、連城、上杭、長汀和永定縣市的低丘陵地帶，云煙87(85)高產(chǎn)值區(qū)主要分布于建陽、長汀、上杭、新羅和尤溪等縣(市區(qū));烤煙K326低產(chǎn)值區(qū)主要分布于順昌、尤溪、武平、大田、政和、邵武和建甌等縣(市)，云煙87(85)低產(chǎn)值區(qū)主要分布于建寧、建陽、武夷山、政和、建甌和武平等縣(市).分區(qū)結(jié)果表明:福建煙區(qū)云煙87(85)高產(chǎn)值區(qū)面積明顯大于K326，煙區(qū)耕地應(yīng)優(yōu)先選擇種植云煙系列品種.

(2)農(nóng)作物產(chǎn)值預(yù)測方法大都具有區(qū)域差異性，不同預(yù)測過程中考慮的影響因子不同.從這個角度出發(fā)，本研究根據(jù)烤煙農(nóng)業(yè)環(huán)境的特殊性，同時比較2種相對適合的模型，優(yōu)選最佳的預(yù)測模型，提高了預(yù)測精度，進(jìn)而可以使產(chǎn)值預(yù)測與分區(qū)結(jié)果更加切合實(shí)際.在實(shí)際應(yīng)用中可將人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的分析方法結(jié)合起來，如計算機(jī)圖像分析、回歸分析、模糊數(shù)學(xué)、灰色系統(tǒng)、遺傳算法、專家系統(tǒng)等，使預(yù)測結(jié)果更加精確.另外，影響烤煙產(chǎn)值的因素隨著時間的變化也在不斷地發(fā)生變化，因此烤煙產(chǎn)值的預(yù)測也會出現(xiàn)誤差，只有根據(jù)諸多因素的變化對模型進(jìn)行調(diào)整才能減少誤差，進(jìn)而使烤煙產(chǎn)值預(yù)測和分區(qū)結(jié)果更加合理、實(shí)用.今后仍需不斷完善模型，并且與其它模型結(jié)合，從而提高模型預(yù)測的精度和適用性.

表5 福建煙區(qū)不同烤煙品種估測產(chǎn)值及分區(qū)面積Table 5 The model estimated output values and division areas of flue-cured tobacco in Fujian tobacco production area

［1］林紹森，唐永金.幾種作物產(chǎn)量預(yù)測模型及其特點(diǎn)分析［J］.西南科技大學(xué)學(xué)報，2005，20(3):55－60.

［2］殷英，張玉，余祥文，等.烤煙主要農(nóng)藝性狀與產(chǎn)量產(chǎn)值的關(guān)系研究［J］.中國煙草科學(xué)，2012，33(6):18－22.

［3］周金仙，盧江平，白永富，等.不同生態(tài)區(qū)煙草品種產(chǎn)量、品質(zhì)變化研究初報［J］.云南農(nóng)業(yè)大學(xué)學(xué)報，2003，18(1):97－102.

［4］HELMY A M.Agronomic performance and chemical response of tobacco to some organic nitrogen sources and conventional nitrogen fertilizers under sandy soil condition［J］.Grasas Yaceites，2009，60(1):55－67.

［5］江豪，陳朝陽，王建明，等.種植密度、打頂時期對云煙85煙葉產(chǎn)量及質(zhì)量的影響［J］.福建農(nóng)林大學(xué)學(xué)報:自然科學(xué)版，2002，31(4):437－441.

［6］胡衛(wèi)東，張楊珠，李洪斌，等.施肥比例對煙草產(chǎn)量和品質(zhì)的影響［J］.湖南農(nóng)業(yè)科學(xué)，2010，23:63－66.

［7］王鵬，湯暉，李江力，等.發(fā)酵餅肥對烤煙產(chǎn)量質(zhì)量和效益的影響［J］.黑龍江八一農(nóng)墾大學(xué)學(xué)報，2004，16(1):32－35.

［8］曾志三，顧明.GM(1，1)模型對煙草產(chǎn)量的灰色預(yù)測［J］.山地農(nóng)業(yè)生物學(xué)報，2006，25(4):293－296.

［9］陳建.福建經(jīng)濟(jì)與社會統(tǒng)計年鑒(農(nóng)村篇)［M］.福州:福建人民出版社，2004:137－138.

［10］趙晶，王連喜，朱勇，等.云南與福建烤煙K326主要化學(xué)成分比較分析與分類評價［J］.西南農(nóng)業(yè)學(xué)報，2012，25(2):449－454.

［11］邢世和，張黎明，周碧青.福建農(nóng)用地利用區(qū)劃［M］.北京:中國農(nóng)業(yè)科學(xué)技術(shù)出版社，2012:3，54.

［12］郭慶春.基于BP神經(jīng)網(wǎng)絡(luò)模型的糧食產(chǎn)量預(yù)測［J］.湖南農(nóng)業(yè)科學(xué)，2011(17):136－138.

［13］蔡昆爭，何振芳，李力.人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中的應(yīng)用.農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究［J］.2001，17(1):54－56.

［14］MULLER B，REINHARDT J.Neural networks，an introduction［M］.Berlin:Spinger－Verlag，1990:52－62.

［15］唐啟義，馮明光.DPS數(shù)據(jù)處理系統(tǒng)——實(shí)驗(yàn)設(shè)計、統(tǒng)計分析及數(shù)據(jù)挖掘［M］.北京:科學(xué)出版社，2005.

［16］徐進(jìn)，李玉民.基于神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量系統(tǒng)預(yù)測方法研究［J］.現(xiàn)代化農(nóng)業(yè)，2001(9):29－31.

［17］王啟平.BP神經(jīng)網(wǎng)絡(luò)在我國糧食產(chǎn)量預(yù)測中的應(yīng)用［J］.2002(3):79－80.

［18］浦瑞良，宮鵬，R.Yang.應(yīng)用神經(jīng)網(wǎng)絡(luò)和多元回歸技術(shù)預(yù)測森林產(chǎn)量［J］.應(yīng)用生態(tài)學(xué)報，1999，10(2):129－134.

［19］項(xiàng)云飛，陳繪畫，張建薇.馬尾松毛蟲危害程度分級預(yù)報的研究［J］.安徽農(nóng)業(yè)科學(xué)，2009，37(17):8037－8041.

［20］邢世和，黃吉，黃河，等.GIS支持下的區(qū)域耕地質(zhì)量評價［J］.福建農(nóng)林大學(xué)學(xué)報:自然科學(xué)版，2002，31(3):378－382.