吳添圓 吳道航 傾鵬程 蔡成滿

(中山市氣象局，廣東 中山 528400)

引言

水稻作為我國主要糧食作物之一，產(chǎn)量接近糧食總產(chǎn)量的1/2[1]。水稻產(chǎn)量受多種要素的影響，隨著經(jīng)濟(jì)科技的發(fā)展和土、水、肥條件的提高改善，水稻的產(chǎn)量有所提高，但是年際間仍有較大波動(dòng)，除了受當(dāng)時(shí)當(dāng)?shù)氐纳鐣?huì)條件和農(nóng)業(yè)水平限制外，氣候要素對(duì)水稻各個(gè)生育期也有密切的影響[2]。廣東省中山市地處珠三角中南部，瀕臨南海，屬亞熱帶季風(fēng)氣候。中山市的氣候特點(diǎn)，光照充足、熱量豐富、雨量充沛、干濕分明。本文通過氣象統(tǒng)計(jì)方法，分析研究中山市早稻氣象產(chǎn)量和氣象要素，包括平均氣溫、降水、最高平均氣溫等要素之間的關(guān)系；分析影響早稻產(chǎn)量的最主要的氣象要素特征以及早稻不同生育期對(duì)這些氣象要素的敏感程度，為當(dāng)?shù)厮镜纳a(chǎn)提供理論依據(jù)和決策參考。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)

本文使用了1995—2018年逐年中山市早稻平均產(chǎn)量(kg·667m-2，以下簡稱為產(chǎn)量)數(shù)據(jù)，1995—2018年逐日氣象要素?cái)?shù)據(jù)。其中，中山市早稻產(chǎn)量數(shù)據(jù)來源于中山市統(tǒng)計(jì)年鑒，氣象數(shù)據(jù)來自中山市基本國家氣象站。

1.2 方法

趙東妮等研究指出，在Logistic方法、HP濾波法和指數(shù)滑動(dòng)平均法中，從趨勢(shì)產(chǎn)量的擬合結(jié)果與惠農(nóng)政策的實(shí)施和社會(huì)發(fā)展的情況來看，HP濾波擬合出的趨勢(shì)產(chǎn)量序列與實(shí)際情況吻合最好。HP濾波法是經(jīng)濟(jì)學(xué)中用來消除時(shí)間序列所包含的趨勢(shì)成分而被運(yùn)用的一種方法，是一種時(shí)間序列在狀態(tài)空間的分解方法。王桂芝等認(rèn)為HP濾波分解在進(jìn)行長時(shí)間序列的趨勢(shì)產(chǎn)量擬合過程中具有一定優(yōu)勢(shì)。在研究氣候變化對(duì)糧食產(chǎn)量影響中，作物模型法、模擬實(shí)驗(yàn)和統(tǒng)計(jì)分析法比較常見，而研究氣象要素與長時(shí)間序列糧食產(chǎn)量的關(guān)系時(shí)，可以把糧食產(chǎn)量分解為氣象產(chǎn)量、趨勢(shì)產(chǎn)量、隨機(jī)誤差3部分。HP濾波可以視作一個(gè)近似的高通濾波器，隨機(jī)誤差可看成隨機(jī)噪音，隨機(jī)誤差對(duì)產(chǎn)量的影響基本無規(guī)律可循，可忽略不計(jì)，即氣象產(chǎn)量 = 實(shí)際產(chǎn)量-趨勢(shì)產(chǎn)量。使用HP濾波得到的氣象產(chǎn)量如圖1所示。

圖1 1995—2018年中山市早稻氣象產(chǎn)量

研究氣象規(guī)律，必然會(huì)涉及很多因素，每一種因素實(shí)際上就是一種變量，回歸分析就是尋找和確定各種變量之間定量關(guān)系的方法之一。回歸分析的主要思路是，確定幾個(gè)變量之間是否存在某種相關(guān)關(guān)系，如果存在某種相關(guān)關(guān)系，從而建立起定量的數(shù)學(xué)表達(dá)式，利用此表達(dá)式，根據(jù)自變量的觀測值預(yù)測因變量的可能取值；估計(jì)這種預(yù)測可能達(dá)到的精度(可能出現(xiàn)的誤差范圍)。

2 結(jié)果與分析

2.1 早稻氣象產(chǎn)量與平均氣溫

以逐年(1995—2018年)2月中旬—7月上旬的平均氣溫作為自變量(共15個(gè)自變量)，中山市早稻氣象產(chǎn)量作為因變量，分別建立一元一次回歸方程，從而得到15個(gè)偏回歸系數(shù)?；貧w模型的偏回歸系數(shù)(圖2)反映了各旬平均氣溫對(duì)中山市早稻氣象產(chǎn)量的影響效應(yīng)變化情況(正值為正影響效應(yīng)，氣溫升高，對(duì)氣象產(chǎn)量影響為正，利于產(chǎn)量增加；反之利于氣象產(chǎn)量下降)。建立氣象產(chǎn)量回歸方程的結(jié)果顯示，4月上旬、6月中旬、7月上旬的平均氣溫分別通過90%的顯著性檢驗(yàn)(早稻氣象產(chǎn)量與平均氣溫的正相關(guān)通過90%顯著性檢驗(yàn)，如表1)；4月下旬、5月中旬的平均氣溫分別通過95%的顯著性檢驗(yàn)(早稻氣象產(chǎn)量與平均氣溫的正相關(guān)通過95%顯著性檢驗(yàn)，如表1)。

表1 1995—2018年中山市早稻氣象產(chǎn)量與同期各旬平均氣溫的相關(guān)系數(shù)

夏小曼指出水稻抽穗期和乳熟期為水稻產(chǎn)量形成的關(guān)鍵時(shí)期。有研究表明，水稻前中期的適溫為日平均氣溫25～30℃。

分析得出早稻種植在適宜溫度內(nèi)(25～30℃)，在分蘗(4月下旬)、拔節(jié)(5月中旬)等前中期平均氣溫升高且均為明顯的正影響，有利于產(chǎn)量的增加(圖2)。

圖2 旬平均氣溫對(duì)中山市早稻氣象產(chǎn)量回歸方程的偏回歸系數(shù)

2.2 早稻氣象產(chǎn)量與降水量

類似于早稻氣象產(chǎn)量與平均氣溫的分析，以逐年(1995—2018年)2月中旬—7月上旬的降水量作為自變量(共15個(gè)自變量)，中山市早稻氣象產(chǎn)量作為因變量，得到15個(gè)偏回歸系數(shù)。分析得出，6月下旬的降水量通過90%的顯著性檢驗(yàn)(早稻氣象產(chǎn)量與4月中旬、6月下旬降水量的負(fù)相關(guān)通過90%顯著性檢驗(yàn)，表略)；6月中旬的降水量通過95%的顯著性檢驗(yàn)(早稻氣象產(chǎn)量與降水量的負(fù)相關(guān)通過90%顯著性檢驗(yàn)，表略)。分析得出在水稻的抽穗(6月中旬)、乳熟期(6月下旬)，降水量的增加利于產(chǎn)量的減產(chǎn)。

2.3 早稻氣象產(chǎn)量與最高氣溫的平均值

以逐年(1995—2018年)2月中旬—7月上旬的逐旬最高氣溫平均值作為自變量(共15個(gè)自變量)，方法與上述相同，得到15個(gè)偏回歸系數(shù)。建立回歸方程的結(jié)果顯示，5月中旬、6月中旬的最高氣溫平均值分別通過90%的顯著性檢驗(yàn)(早稻氣象產(chǎn)量與最高氣溫平均值的正相關(guān)通過90%顯著性檢驗(yàn)，表略)；4月上旬、4月下旬的最高氣溫平均值分別通過95%的顯性檢驗(yàn)(早稻氣象產(chǎn)量與最高氣溫平均值的正相關(guān)通過95%顯著性檢驗(yàn)，表略)。水稻前中期的適溫為日平均氣溫25～30℃，分析得出在早稻的適溫范圍內(nèi)，返青(4月上旬)、拔節(jié)(5月中旬)、抽穗(6月中旬)等生育期中，最高氣溫平均值的升高，對(duì)早稻產(chǎn)量有促進(jìn)作用。

3 早稻的回歸模型

在考查基本氣象要素(此外，本文省略了日照時(shí)數(shù)、相對(duì)濕度的特征)與早稻產(chǎn)量的線性關(guān)系的基礎(chǔ)上，選取與氣象產(chǎn)量的相關(guān)系數(shù)通過90%以上顯著性檢驗(yàn)的氣象要素，試圖建立中山市早稻氣象產(chǎn)量(y)的多元一次回歸模型。以1995—2016年5月中旬平均氣溫(x1)，7月上旬平均氣溫(x2)，6月中旬降水量(x3)，4月上旬最高氣溫平均值(x4)作為變量建立中山市早稻氣象產(chǎn)量回歸方程：

y=4.65×x1+5.24×x2-0.07×x3 +1.87×x4-310.71

圖3 1995—2018年早稻氣象產(chǎn)量的回歸方程

回歸方程中每個(gè)自變量均通過90%以上顯著性t檢驗(yàn)。分析結(jié)果顯示，1995—2016年氣象產(chǎn)量與回歸值(y)的相關(guān)系數(shù)值為0.84，從圖3可以看出，使用回歸方程預(yù)測的2017年、2018年的y值(-17.1，15.6)趨勢(shì)與實(shí)際情況(2.9，22.7)相同，但數(shù)值上仍有差異。綜合而言，由氣象要素建立的回歸方程，其預(yù)測氣象產(chǎn)量的趨勢(shì)可以作為有用的參考。

4 結(jié)論與討論

本研究以中山市1995—2018年的早稻平均產(chǎn)量數(shù)據(jù)和中山市1995—2018年的平均溫度、降水量、最高平均溫度、最低平均溫度等氣象數(shù)據(jù)為基礎(chǔ)，利用HP濾波方法、多元一次回歸方程模型，分析了中山市早稻氣象產(chǎn)量與氣象要素的關(guān)系。結(jié)果表明，在水稻不同生育期對(duì)氣象不同要素敏感性不同，多元一次回歸方程模型預(yù)測趨勢(shì)與實(shí)際情況相同，但是數(shù)值上仍有差異，其預(yù)測氣象產(chǎn)量的趨勢(shì)可以作為有用的參考。