帥細強陸魁東黃晚華

1）（湖南省氣象科學研究所，長沙410118）

2）（氣象防災減災湖南省重點實驗室，長沙410118）

不同方法在湖南省早稻產量動態(tài)預報中的比較

帥細強1）2）*陸魁東1）2）黃晚華1）2）

1）（湖南省氣象科學研究所，長沙410118）

2）（氣象防災減災湖南省重點實驗室，長沙410118）

為了提高產量趨勢預報的準確性和定量預報的準確率，利用1962—2002年氣象、早稻產量和田間觀測資料，建立基于氣候適宜度、關鍵氣象因子、作物生長模型的湖南省早稻產量動態(tài)預報方法，進行回代檢驗；并利用2003—2012年資料進行預報檢驗。分析表明：3種方法的預報準確率比較接近，平均在93.8%以上；基于氣候適宜度預報方法的趨勢預報準確性最高，較基于關鍵氣象因子的預報方法高4%～6%；基于作物生長模型預報方法的誤差5%以內樣本百分率最高，較基于氣候適宜度的預報方法高2%～20%。研究結果為湖南省早稻產量動態(tài)預報篩選出了較優(yōu)的方法，即產量趨勢預報選用基于氣候適宜度的方法，定量預報選用基于作物生長模型的方法，同時可供我國其他早稻區(qū)的產量動態(tài)預報方法研究借鑒。

氣候適宜度；關鍵氣象因子；作物生長模型；產量預報方法

引 言

作物產量預報是根據農作物生長過程與氣象條件的相互關系，通過數學模式估測未來農業(yè)生產的發(fā)展趨勢和最終產量的一種專業(yè)性氣象預報。通過研究影響作物產量的因素，運用合理的方法和模型可以較快、較精準地預測作物產量，并能從中分析出提高作物產量的方法，避免或減輕氣象災害的危害［1-4］。我國農業(yè)氣象工作者自20世紀70年代末開始作物產量預報的研究和服務［5-7］，20世紀80年代對糧食作物產量的氣象預測預報方法進行了深入系統(tǒng)的研究，研制了一系列適合我國不同時空尺度的作物產量氣象預報模式［6-8］。目前我國所研制和應用的作物產量氣象預報模式，可歸納為三大類，即數理統(tǒng)計模型、動力生長模型和遙感估產模型。數理統(tǒng)計模型是在氣象產量提取的基礎上，建立氣象條件與氣象產量關系的統(tǒng)計模型。其優(yōu)點是預報技術方法較成熟，預報模型簡單實用，預報時效較長，適用于距收獲期較早時間的農業(yè)產量趨勢預估；不足之處是統(tǒng)計模型中的預報因子生物學意義有待完善，進行動態(tài)預報時需建立許多預報方程，比較繁瑣。動力生長模型是根據物理學和生物學規(guī)律，以動力學方法模擬作物的能量和物質轉化過程，以天氣為驅動變量，以光合速率、呼吸速率、發(fā)育速率等為速率變量，逐時（或逐日）模擬作物的光合作用、呼吸作用、干物質分配、葉面積增長、分蘗或分枝等生長發(fā)育過程和產量形成過程。其用于作物產量預報是基于作物產量形成為生物量不斷積累的過程，同時氣象條件的影響具有一定的連續(xù)性，可以根據生長中后期累積的干物質與最終產量的關系進行動態(tài)預報。動力生長模型作為新的研究方法和技術，是未來農業(yè)氣象的發(fā)展方向，其優(yōu)點是機理性和動態(tài)性較強，不足之處是模型中的部分參數較難獲取，且需進行大量的田間試驗，另外，模型對極端氣象災害的模擬精度也有待提高。遙感估產模型是應用遙感信息和遙感方法估算作物產量的模型，通過光譜來獲取作物的生長信息，建立作物光譜與產量之間的聯(lián)系。遙感估產的優(yōu)點是可獲取大范圍數據資料，獲取信息的速度快、周期短，不足之處是空間分辨率低，作物信息提取受云層覆蓋的影響較大。目前業(yè)務上應用最為廣泛的是各種統(tǒng)計預報方法，大都編制為計算機軟件應用服務系統(tǒng)。人們利用作物產量歷史豐歉氣象影響指數的方法先后建立了中國棉花、油菜、晚稻、早稻和大豆產量的動態(tài)預報模型［9-16］，利用氣候適宜度的方法先后建立了河北玉米、河南冬小麥、山東冬小麥、四川水稻產量的動態(tài)預報模型［17-20］，錢錦霞等［21］利用關鍵氣象因子建立了鄭州地區(qū)冬小麥產量構成要素的回歸模型。近20年來，我國已經成功建立了水稻、小麥、玉米、棉花等作物的生長模擬模型，基于作物生長模型的產量動態(tài)預報方法也逐漸在作物產量動態(tài)預報中應用［22-31］。

早稻是我國主要的糧食作物之一，其生長發(fā)育和產量形成過程與氣象條件密切相關。早稻產量預報是現代氣象為農業(yè)服務的一個重要方面。湖南省是農業(yè)大省，湖南省早稻近10年來種植面積和總產量均居全國首位，在保障國家糧食安全方面發(fā)揮了重要作用。根據天氣氣候條件的變化，客觀、定量、動態(tài)地預報作物產量，對保障國家糧食安全具有十分重要的現實意義。為了進一步提高湖南省早稻產量趨勢預報的準確性和定量預報的準確率，開展產量動態(tài)預報方法在湖南省的適應性研究，為擇優(yōu)選取趨勢預報和定量預報模型提供依據，從而進一步提升作物產量預報的科技水平。

1 資料處理

早稻氣象和生育期資料來自湖南省氣象局?？紤]區(qū)域的代表性，選取1962—2012年石門、南縣、岳陽、沅陵、常德、安化、沅江、平江、邵陽、雙峰、武岡、永州、衡陽、道縣、郴州15個氣象站的日平均溫度、最高溫度、最低溫度、降水量、日照時數、風速、水汽壓等資料，以及常德、南縣、平江、衡陽、武岡、澧縣、赫山、資興、雙峰、邵東、冷水灘、江華12個農業(yè)氣象站早稻資料進行分析研究。

1961—2012年湖南省早稻產量資料來自湖南省統(tǒng)計局。

1.1 產量資料處理

影響相鄰兩年作物產量波動的諸多因素中，作物品種和肥力影響相對穩(wěn)定，相鄰兩年作物產量的變化基本上由氣象條件變化引起［11-13］。因此，采用式（1）對湖南省早稻產量資料進行處理：

式（1）中，ΔYi為第i年湖南早稻產量豐歉值，Yi和Yi－1分別為第i年和第（i－1）年湖南早稻產量，i代表第i年，（i－1）為第i年的上一年。

1.2 生育期資料處理

南縣、常德、平江、雙峰、武岡、永州、衡陽7個氣象站用本站早稻生育期資料，石門、岳陽、沅陵、安化、沅江、邵陽、道縣、郴州8個氣象站由于未開展早稻生育期觀測，因此用相鄰農業(yè)氣象站觀測資料代替（分別為澧縣、平江、常德、赫山、南縣、邵東、江華、資興）。由于同一站點早稻播種期年際相差不大，因此早稻生育期資料采用2000—2009年的平均值。

1.3 氣象資料處理

早稻播種至預報時間的氣象資料使用日觀測資料。基于氣候適宜度的產量動態(tài)預報方法中平均溫度使用日值，降水量和日照時數使用旬值；基于關鍵氣象因子的產量動態(tài)預報方法中平均溫度、降水量和日照時數均使用旬值；基于作物生長模型的產量動態(tài)預報方法中最低溫度、最高溫度、降水、日照時數、風速、水汽壓使用日值。

2 動態(tài)預報模型及方法建立

根據湖南省早稻生長特點，構建氣象要素與湖南省早稻產量數據集，采用關聯(lián)規(guī)則發(fā)現等方法［32-34］，挖掘影響因子，建立預報模型。選取1962—2002年數據，分別建立基于氣候適宜度、關鍵氣象因子、作物生長模型的湖南省早稻產量豐歉值動態(tài)預報方法。

2.1 基于氣候適宜度的早稻產量動態(tài)預報方法

首先借鑒作物溫度適宜度模型［16-18］，建立湖南省早稻溫度適宜度模型。結合當地田間試驗數據，分析確定模型中早稻各生育期所需的最低溫度、最高溫度和適宜溫度（表1）。在計算湖南早稻各站逐日溫度適宜度的基礎上，采用算術平均的方法分別計算單站逐旬溫度適宜度和區(qū)域逐旬溫度適宜度?？紤]到湖南省早稻抽穗揚花期降水過多會造成大雨洗花現象，影響早稻結實率和最終產量，而其他生育期早稻水分供應充足。根據水分供應特征，分段建立湖南省早稻降水適宜度模型。采用算術平均的方法，對15個站的旬降水量進行處理，求得區(qū)域旬降水量（區(qū)域旬日照時數處理方法類似）。當抽穗開花期區(qū)域旬降水距平百分率超過30%時，區(qū)域旬降水適宜度的值為1971—2000年區(qū)域旬平均降水量與區(qū)域旬降水量的比值；其他情況下區(qū)域旬降水適宜度的值為1。當區(qū)域旬日照時數不小于區(qū)域旬平均日照時數時，早稻對光照的需求已滿足，區(qū)域旬日照適宜度的值為1；當區(qū)域旬日照時數小于區(qū)域旬平均日照時數時，區(qū)域日照適宜度的值為區(qū)域旬日照時數與區(qū)域旬平均日照時數的比值。為了綜合反映溫光水氣象因素對早稻適宜性的影響，采用幾何平均值的方法，對區(qū)域旬溫度適宜度、區(qū)域旬降水適宜度、區(qū)域旬日照適宜度進行計算，得到湖南省早稻氣候適宜度［17-19］。用加權集成的方法，構建湖南省早稻從播種至任意時段的氣候適宜指數計算模型。首先計算早稻生育期內每一旬氣候適宜度與早稻產量豐歉值的相關系數，然后計算每一旬相關系數占早稻生育期內所有旬相關系數總和的比值，以此作為該旬的權重系數。利用1962—2002年早稻生育期內逐日溫光水氣象資料，計算不同時段早稻氣候適宜指數，分析早稻氣候適宜指數與早稻產量豐歉值的關系，建立早稻產量豐歉值動態(tài)預報模型（表2）。所建動態(tài)預報模型均達到0.02的顯著性水平，且隨著早稻由營養(yǎng)生長期向生殖生長期的推進，顯著性水平從0.02逐步上升到0.001，表明越接近生長后期，早稻氣候適宜指數與產量的關系越密切。

表1 湖南省早稻各生育期的最低溫度、最高溫度和適宜溫度（單位：℃）Table 1 The minimum，maximum and optimum temperatures at different growth stages of early rice in Hunan Province（unit：℃）

表2 基于氣候適宜度的湖南省早稻產量豐歉值動態(tài)預報模型Table 2 Dynamic forecasting models for bumper or poor harvest of early rice yield based on climatic suitability in Hunan Province

2.2 基于關鍵氣象因子的產量動態(tài)預報方法

首先分析湖南省早稻生長期內1962—2002年各旬平均溫度、旬降水量、旬日照時數與早稻產量豐歉值的相關性，計算區(qū)域各旬氣候要素與早稻產量豐歉值的相關系數（表3）；然后選取相關系數較大且機理性較強的5月上旬日照時數（返青分蘗期，影響分蘗速率）、5月中旬平均氣溫（分蘗期，影響有效穗）、5月下旬降水量（分蘗末期至孕穗期，影響幼穗分化）、6月上旬平均氣溫（孕穗期，影響花粉形成）、6月中旬降水量（抽穗揚花期，影響結實）、6月下旬平均氣溫（乳熟期，影響灌漿速率）、7月上旬降水量（乳熟期，影響千粒重）、7月中旬平均氣溫（成熟期，影響收獲）等關鍵氣象因子，利用1962—2002年數據建立旬動態(tài)預報模型（表4），并進行顯著性檢驗。除4月30日預報模型未達到0.10顯著性水平外，其他時段預報模型均達到0.02的顯著性水平。

表3 各旬氣候要素與湖南省早稻產量豐歉值的相關系數Table 3 Correlation coefficients between ten-day climate factors and bumper or poor harvest of early rice yield in Hunan Province

表4 基于關鍵氣象因子的湖南省早稻產量豐歉值動態(tài)預報模型Table 4 Dynamic forecasting models for bumper or poor harvest of early rice yield based on key meteorological factors in Hunan Province

2.3 基于作物生長模型的產量動態(tài)預報方法

作物模型選用ORYZA2000。該模型可描述潛在、水分脅迫和氮素脅迫等3種生產水平上水稻的生長、發(fā)育及產量形成過程，采用量綱為1的模擬發(fā)育進程，將水稻出苗、幼穗分化、開花和生理成熟時的發(fā)育階段分別定義為0.0，0.65，1.0和2.0［34-37］。ORYZA2000根據水稻不同發(fā)育階段的發(fā)育速率常數、熱量單位日增量和光周期來計算發(fā)育速率［38］，考慮了移栽對早稻發(fā)育進程造成的影響。ORYZA2000對水稻生長諸過程有深入的定量描述，并已經在一些地區(qū)進行了檢驗和應用［22，26，35］，對高溫、水分脅迫等也有一定的考慮。ORYZA2000生長參數包括比葉面積、同化物分配系數、葉片相對生長速率、葉片死亡速率、莖同化物向穗轉移系數、最大粒重等。在對模型參數單點校準的基礎上，對各站點數值進行分析，結合地形、氣候、水稻熟性分布和當地生產實際對參數進行區(qū)域化。除主要生長發(fā)育參數外，還依據田間試驗及當地農業(yè)生產實際情況，將ORYZA2000模型中水分脅迫部分參數進行本地化訂正，包括田間持水量、作物最大扎根深度、最小地下水位、最大地下水位、田間水分固定滲透速率、早稻初始泥漿水深、灌溉模式等。本地化的ORYZA2000模型檢驗結果表明［26］，江西、湖南地區(qū)1981—2004年31個農業(yè)氣象站的早稻開花期、成熟期的平均誤差為3～6 d，早稻成熟期地上生物總干重、成熟期穗重模擬值與實測值的平均相對誤差分別為12%～20%。

根據文獻［26］的結果，建立基于ORYZA2000的湖南早稻產量逐旬動態(tài)預報方法。首先根據預報時間對最高溫度、最低溫度、降水量、日照時數、風速、水汽壓等氣象資料進行處理，早稻播種至預報時間的氣象資料采用觀測值，預報時間之后的氣象資料采用1971—2000年平均值；然后利用本地化的ORYZA2000作物模型，對15個代表站1962—2012年早稻進行逐日生長模擬，用15個代表站的模擬產量加權生成湖南省早稻模擬產量（權重為代表站所在區(qū)域早稻面積占湖南省早稻面積的比值）。產量豐歉值預報采用當年湖南早稻模擬產量與上一年模擬產量的差值除以上一年模擬產量的百分比表示。由于ORYZA2000作物模型模擬以日為時間步長單位，因此理論上可實現湖南省早稻產量的日動態(tài)預報。本文選擇預報時間為4月30日、5月10日、5月20日、5月31日、6月10日、6月20日、6月30日、7月10日、7月20日的早稻產量動態(tài)預報結果進行分析。

3 不同動態(tài)預報方法的檢驗及比較

利用1962—2012年資料，從趨勢預報準確性、預報準確率、誤差5%以內的樣本百分率、誤差7%以內的樣本百分率等方面對不同動態(tài)預報方法進行回代檢驗和預報檢驗。趨勢是指當年值減去上一年值的變化：結果為正值時，表示增趨勢；結果為負值時，表示減趨勢。趨勢預報準確性是指預報值與實測值增減趨勢一致的年數占總預報年數的百分比。誤差5%以內的樣本百分率是指預報準確率在95%以上的年數占總預報年數的百分比。誤差7%以內的樣本百分率是指預報準確率在93%以上的年數占總預報年數的百分比。預報準確率為

式（2）中，P表示預報準確率，L表示預報產量，S表示實測產量（這里為統(tǒng)計產量）。

3.1 回代檢驗

回代檢驗（1962—2002年）結果表明：基于氣候適宜度的早稻產量動態(tài)預報方法趨勢預報準確性不低于66%（表5），平均為70%；預報準確率不低于94.3%，平均為94.6%；其中誤差5%以內的樣本百分率不低于51%，平均為55%；誤差7%以內的樣本百分率不低于66%，平均為68%。且隨著早稻發(fā)育進程的推進，模型趨勢預報準確性和預報準確率有上升趨勢。

表5 1962—2002年基于氣候適宜度的早稻產量動態(tài)預報方法回代檢驗Table 5 Fitting test for dynamic forecasting method of early rice yield based on climatic suitability from 1962 to 2002

基于關鍵氣象因子的早稻產量動態(tài)預報方法的趨勢預報準確性不低于54%（表6），平均為64%，比基于氣候適宜度的產量動態(tài)預報方法低6%；預報準確率不低于94.3%，平均為94.7%，比基于氣候適宜度的產量動態(tài)預報方法高0.1%；誤差5%以內的樣本百分率不低于51%，平均為55%，與基于氣候適宜度的產量動態(tài)預報方法相同；誤差7%以內的樣本百分率不低于63%，平均為67%，比基于氣候適宜度的產量動態(tài)預報方法低1%。隨著早稻發(fā)育進程的推進，模型趨勢預報準確性、預報準確率和誤差5%以內樣本百分率均呈上升趨勢。

基于作物生長模型的早稻產量動態(tài)預報方法趨勢預報準確性不低于54%（表7），平均為60%，比基于氣候適宜度的產量動態(tài)預報方法低10%，比基于關鍵氣象因子的產量動態(tài)預報方法低4%；預報準確率不低于93.6%，平均為93.8%，比基于氣候適宜度的產量動態(tài)預報方法低0.8%，比基于關鍵氣象因子的產量動態(tài)預報方法低0.9%；誤差5%以內的樣本百分率不低于46%，平均為57%，均比基于氣候適宜度和關鍵氣象因子的產量動態(tài)預報方法高2%；誤差7%以內的樣本百分率不低于59%，平均為66%，比基于氣候適宜度的產量動態(tài)預報方法低2%，比基于關鍵氣象因子的產量動態(tài)預報方法低1%。

表6 1962—2002年基于關鍵氣象因子的早稻產量動態(tài)預報方法回代檢驗Table 6 Fitting test for dynamic forecasting method of early rice yield based on key meteorological factors from 1962 to 2002

表7 1962—2002年基于作物生長模型的早稻產量動態(tài)預報方法回代檢驗Table 7 Fitting test for dynamic forecasting method of early rice yield based on crop growth simulation model from 1962 to 2002

3.2 預報檢驗

預報檢驗（2003—2012年）結果表明：基于氣候適宜度的早稻產量動態(tài)預報方法趨勢預報準確性不低于50%（表8），平均為58%；預報準確率不低于95.5%，平均為96.3%；誤差5%以內的樣本百分率不低于30%，平均為51%；誤差7%以內的樣本百分率不低于70%，平均為83%。

基于關鍵氣象因子的早稻產量動態(tài)預報方法趨勢預報準確性不低于40%（表9），平均為54%，比基于氣候適宜度的產量動態(tài)預報方法低4%；預報準確率不低于95.2%，平均為95.8%，比基于氣候適宜度的產量動態(tài)預報方法低0.5%；誤差5%以內的樣本百分率不低于50%，平均為59%，比基于氣候適宜度的產量動態(tài)預報方法高8%；誤差7%以內的樣本百分率不低于60%，平均為84%，比基于氣候適宜度的產量動態(tài)預報方法高1%。

表8 2003—2012年基于氣候適宜度的早稻產量動態(tài)預報方法預報檢驗Table 8 Extrapolation test for dynamic forecasting method of early rice yield based on climatic suitability from 2003 to 2012

表9 2003—2012年基于關鍵氣象因子的早稻產量動態(tài)預報方法預報檢驗Table 9 Extrapolation test for dynamic forecasting method of early rice yield based on key meteorological factors from 2003 to 2012

基于作物生長模型的產量動態(tài)預報方法趨勢預報準確性不低于40%（表10），平均為50%，比基于氣候適宜度的產量動態(tài)預報方法低8%，比基于關鍵氣象因子的產量動態(tài)預報方法低4%；預報準確率不低于94.1%，平均為95.8%，比基于氣候適宜度的產量動態(tài)預報方法低0.5%，與基于關鍵氣象因子的產量動態(tài)預報方法相同；誤差5%以內的樣本百分率不低于50%，平均為71%，比基于氣候適宜度的產量動態(tài)預報方法高20%，比基于關鍵氣象因子的產量動態(tài)預報方法高12%；誤差7%以內的樣本百分率不低于60%，平均為79%，比基于氣候適宜度的產量動態(tài)預報方法低4%，比基于關鍵氣象因子的產量動態(tài)預報方法低5%。

表10 2003—2012年基于作物生長模型的早稻產量動態(tài)預報方法預報檢驗Table 10 Extrapolation test for dynamic forecasting method of early rice yield based on crop growth simulation model from 2003 to 2012

4 小 結

分析表明：

1）基于氣候適宜度、關鍵氣候因子、作物生長模型的湖南省早稻產量動態(tài)預報方法的預報準確率比較接近，平均在93.8% 以上。定量預報以基于作物生長模型的動態(tài)預報方法最優(yōu)，預報誤差5%以內的樣本百分率最高。基于氣候適宜度和基于關鍵氣象因子的動態(tài)預報方法，除早稻移栽返青期（4月30日）預報模型未達到0.10顯著性水平外，其他時段預報模型均達到0.02的顯著性水平，其中分蘗普遍期至拔節(jié)期的預報模型達到0.01的顯著性水平，生殖生長期預報模型達到0.001的顯著性水平。

2）趨勢預報準確性以基于氣候適宜度的動態(tài)預報方法最高，基于關鍵氣象因子的動態(tài)預報方法次之，3種方法的預報效果均表現出生殖生長期優(yōu)于營養(yǎng)生長期。這主要因為3種方法均假定預報日期以后的氣候條件正常，而實際可能會出現各種不可預知的情況。

每一種產量預報方法都有一定局限性。統(tǒng)計預報方法建立的產量預報模型對作物的生長機理考慮較少，而作物模型中的部分參數獲取較難，且需做大量的田間試驗。如何將目前建立的多種產量預報方法進行組合和集成，充分發(fā)揮各自的優(yōu)勢，從而建立一套集合預報方法，有待今后進一步研究。另外，本研究結果反映了不同預報方法及模型之間在原理和特點上的差異，但不同預報方法的趨勢預報準確性和預報準確率與地區(qū)、作物以及所建立的模型有關。對于作物產量年際變化較大、受多種不利氣候條件影響較大的地區(qū)和作物，還需具體研究。

［1］ 莫喆，劉中秋，吳永常.國內外農業(yè)生產監(jiān)測及產量預報系統(tǒng)的現狀與分析.農業(yè)信息科學，2008，24（5）：434-437.

［2］ Douglas K B，Mark A F.Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics.Agricultural and Forest Meteorology，2013，173：74-84.

［3］ Juraj B，van der Velde M，Erwin S，et al.Pan-European crop modelling with EPIC：Implementation，up-scaling and regional crop yield validation.Agricultural Systems，2013，120：61-75.

［4］ Yannick C，de Wit A，Gregory D，et al.Potential performances of remotely sensed LAI assimilation in WOFOST model based on an OSS Experiment.Agricultural and Forest Meteorology，2011，151：1843-1855.

［5］ 蘭洪第，段運懷，章慶辰，等.東北地區(qū)糧豆產量預報.科學通報，1982，27（6）：383.

［6］ 趙四強.應用海溫預報糧食產量的初步探討.科學通報，1982，27（20）：126-127.

［7］ 錢拴，王建林.農業(yè)氣象作物產量預報的特點與思考.氣象科技，2003，31（5）：33-38.

［8］ 王石立，馬玉平，劉文泉，等.面向Internet的農業(yè)氣象產量動態(tài)預報.氣象，2004，30（4）：42-46.

［9］ 王建林，宋迎波.棉花產量動態(tài)預測方法研究.中國棉花，2002，29（9）：5-7.

［10］ 王建林，楊霏云，宋迎波.西北地區(qū)玉米產量動態(tài)業(yè)務預報方法探討.應用氣象學報，2004，15（1）：51-57.

［11］ 宋迎波，王建林，陳暉，等.中國油菜產量動態(tài)預報方法研究.氣象，2008，34（3）：93-99.

［12］ 宋迎波，王建林，楊霏云.糧食安全氣象服務.北京：氣象出版社，2006：188-195.

［13］ 楊霏云，王建林.晚稻單產動態(tài)預測方法研究.氣象科技，2005，33（5）：433-436.

［14］ 鄭昌玲，楊霏云，王建林，等.早稻產量動態(tài)預報模型.中國農業(yè)氣象，2007，28（4）：412-416.

［15］ 鄭昌玲，王建林，宋迎波，等.大豆產量動態(tài)預報模型研究.大豆科學，2008，27（6）：943-948.

［16］ 杜春英，李帥，王晾晾，等.基于歷史產量豐歉影響指數的黑龍江省水稻產量動態(tài)預報.中國農業(yè)氣象，2010，31（3）：427-430.

［17］ 魏瑞江，宋迎波，王鑫.基于氣候適宜度的玉米產量動態(tài)預報方法.應用氣象學報，2009，20（5）：622-626.

［18］ 劉偉昌，陳懷亮，余衛(wèi)東，等.基于氣候適宜度指數的冬小麥動態(tài)產量預報技術研究.氣象與環(huán)境科學，2008，31（2）：21-24.

［19］ 李曼華，薛曉萍，李鴻怡.基于氣候適宜度指數的山東省冬小麥產量動態(tài)預報.中國農學通報，2012，28（12）：291-295.

［20］ 游超，蔡元剛，張玉芳.基于氣象適宜指數的四川盆地水稻氣象產量動態(tài)預報技術研究.高原山地氣象研究，2011，31（1）：51-55.

［21］ 錢錦霞，郭建平.鄭州地區(qū)冬小麥產量構成要素的回歸模型.應用氣象學報，2012，23（4）：500-504.

［22］ 劉布春，王石立，馬玉平.國外作物模型區(qū)域應用研究進展.氣象科技，2002，30（4）：194-203.

［23］ 高永剛，王育光，殷世平，等.世界糧食研究模型在黑龍江省作物產量預報中的應用.中國農業(yè)氣象，2006，27（1）：27-30.

［24］ 高永剛，顧紅，姬菊枝，等.近43年來黑龍江氣候變化對農作物產量影響的模擬研究.應用氣象學報，2007，18（4）：532-538.

［25］ 袁東敏，尹志聰，郭建平.SRES B2氣候情景下東北玉米產量變化數值模擬.應用氣象學報，2014，25（3）：284-292.

［26］ 帥細強，王石立，馬玉平.基于水稻生長模型的氣象影響評價和產量動態(tài)預測.應用氣象學報，2008，19（1）：71-81.

［27］ 高亮之.農業(yè)模型學基礎.上海：天馬圖書有限公司，2004：186-206.

［28］ 潘學標.作物模型原理.北京：氣象出版社，2003：273-303.

［29］ 馬玉平，王石立，王馥棠.作物模擬模型在農業(yè)氣象業(yè)務應用中的研究初探.應用氣象學報，2005，16（3）：293-303.

［30］ 劉春，張春輝，郭薩薩.基于能量模型的水稻生長模型.應用氣象學報，2013，24（2）：240-247.

［31］ 薛昌穎，楊曉光，Bam B，等.ORYZA2000模型模擬北京地區(qū)旱稻的適應性初探.作物學報，2005，31（12）：1567-1571.

［32］ 韓家煒，堪博.數據挖掘：概念與技術.北京：機械工業(yè)出版社，2007：8-21.

［33］ 王海峰，張健，黃曉亞.數據挖掘技術及其在漁情預報中的應用.計算機時代，2007（11）：52-53.

［34］ 石揚，張燕平，趙姝，等.基于商空間的氣象時間序列數據挖掘研究.計算機工程與應用，2007，43（1）：201-203.

［35］ Kropff M J，van Laar H H，Ten B H F M.ORYZA1：A Basic Model for Irrigated Lowland Rice Production.Wageningen：Centre for Agrobiological Research，1993：76-83.

［36］ Kropff M J，van Laar H H，Matthews R.ORAZA1，An Ecophysiological Model for Irrigation Rice Production.SARP Research Proceedings，1994：110.

［37］ Bouman B A M，van Keulen，van Laar H H，et al.The school of de Wit crop growth simulation models：A pedigree and historical overview.Agricultural Systems，1996，52：171-198.

［38］ Matthews R B，Hunt L A.A model describing the growth of cassava.Field Crops Res，1994，36：69-84.

A Comparative Study on Dynamic Forecasting of Early Rice Yield by Using Different Methods in Hunan Province

Shuai Xiqiang1）2）Lu Kuidong1）2）Huang Wanhua1）2）

1）（Meteorological Science Institute of Hunan Province，Changsha410118）

2）（Key Lab of Hunan Province for Meteorological Disaster Prevention and Mitigation，Changsha410118）

The crop yield forecasting is one of the most important aspects of meteorological services for agricultural production.In order to improve the prediction accuracy，different forecasting methods are compared，and dynamic forecasting models of early rice yield are established based on climatic suitability，key meteorological factors and crop growth simulation model.Daily mean，maximum and minimum temperatures，precipitation，sunshine duration，wind velocity and vapor pressure data of 15 representative meteorological stations are used，as well as the early rice growth and yield data of 12 representative agricultural meteorological stations in Hunan Province from 1962 to 2002.Fitting test is performed by constraining the margin of error less than 5%.Extrapolation test is performed using data from 2003 to 2012，showing the accuracy of three methods are similar，all higher than 93.8%，and the dynamic forecasting models practically pass the test of 0.02 level，except for failing the test of 0.10 level on 30 April.Forecasting models from rifeness tiller to elongating stage pass the test of 0.01 level，and forecasting models at reproductive stage pass the test of 0.001 level too.The method based on climatic suitability improves the accuracy by 4%－6%comparing to that based on key meteorological factors and is 8%－10%more accurate than that based on crop growth simulation model.In quantitative forecast，the method based on crop growth simulation model is optimum，leading to obviously more samples whose margin of error is less than 5%.According to the analysis，the better method of early rice yield forecasting is screened out for Hunan Province.The method based on climatic suitability is chosen to carry out trend prediction of early rice yield，and the method based on crop growth simulation model is used to make quantitative forecast.It also provides reference for dynamic forecasting method research of early rice yield in other areas of China.

climatic suitability；key meteorological factor；crop growth simulation model；yield forecasting method

帥細強，陸魁東，黃晚華.不同方法在湖南省早稻產量動態(tài)預報中的比較.應用氣象學報，2015，26（1）：103-111.

10.11898／1001-7313.20150111

2014-05-13收到，2014-09-22收到再改稿。

公益性行業(yè)（氣象）科研專項（GYHY201206022，GYHY201206020），湖南省氣象局重大項目“現代農業(yè)氣象業(yè)務服務綜合平臺研究”

*email：nqsxq＠163.com