魏曉奕 張佩 徐進(jìn) 朱寶

摘要：以油菜單株第一分枝數(shù)、單株籽粒質(zhì)量、單株莢果數(shù)、千粒質(zhì)量、籽粒與莖稈比、產(chǎn)量等為預(yù)測(cè)對(duì)象，利用觀測(cè)品種同為秦油2號(hào)的淮安站1995—2004年油菜農(nóng)業(yè)氣象觀測(cè)資料及對(duì)應(yīng)的氣象觀測(cè)資料，充分考慮油菜各生育階段的生理特性及其對(duì)氣象條件的不同要求，梳理確定育苗期≥0 ℃有效積溫等35個(gè)氣象因子，分別采用多元線性回歸及BP神經(jīng)網(wǎng)絡(luò)等2種方法構(gòu)建油菜產(chǎn)量因素的預(yù)測(cè)模型，并利用觀測(cè)品種也為秦油2號(hào)的鎮(zhèn)江站及射陽站1996—2000年、金壇站1997—2000年數(shù)據(jù)資料驗(yàn)證所構(gòu)建模型的預(yù)測(cè)效果。對(duì)比分析2種模型的預(yù)測(cè)效果發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)精度和穩(wěn)定性上均優(yōu)于線性回歸模型，能對(duì)具有交互作用下的眾多氣象因子和產(chǎn)量因子進(jìn)行非線性映射，可以更好地反映出油菜產(chǎn)量因素與相關(guān)氣象因子間的函數(shù)關(guān)系。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);多元線性回歸;產(chǎn)量預(yù)測(cè)方法;油菜產(chǎn)量因素

中圖分類號(hào)：S165+.27 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2021）07-0089-06

收稿日期：2020-07-27

基金項(xiàng)目：江蘇省“333工程”高層次人才培養(yǎng)科研項(xiàng)目（編號(hào)：BRA2019348）;2019年國內(nèi)外作物產(chǎn)量氣象預(yù)報(bào)專項(xiàng);江蘇省氣象局科技項(xiàng)目（編號(hào)：KM201905）。

作者簡(jiǎn)介：魏曉奕（1984—），女，山東濟(jì)南人，工程師，主要從事氣象資料研究。E-mail：topw4489@sina.com。

通信作者：張 佩，碩士，副研級(jí)高級(jí)工程師，主要從事應(yīng)用氣象研究。E-mail：78073954@qq.com。

我國作物產(chǎn)量預(yù)測(cè)研究發(fā)展至今，成熟應(yīng)用于業(yè)務(wù)服務(wù)中的模型仍以構(gòu)建氣象因子與對(duì)應(yīng)氣象產(chǎn)量間的數(shù)學(xué)模型為基礎(chǔ)[1-3]。氣象產(chǎn)量的獲取，須要對(duì)實(shí)際產(chǎn)量數(shù)據(jù)進(jìn)行平滑處理，由于此過程消減了氣象因子的波動(dòng)性，導(dǎo)致氣象產(chǎn)量并不能精確反映實(shí)際產(chǎn)量的變化。而氣象因子的波動(dòng)性直接影響作物特定生育階段的生長(zhǎng)狀況，并反映在產(chǎn)量因素的變化上。準(zhǔn)確預(yù)報(bào)產(chǎn)量因素不僅可以輔助預(yù)測(cè)最終產(chǎn)量，更重要的是可以揭示氣象因子影響作物生育過程的機(jī)制，使產(chǎn)量預(yù)測(cè)更具有生理學(xué)意義。目前有關(guān)氣象因子與產(chǎn)量因素的研究還主要集中在1個(gè)或幾個(gè)氣象因子對(duì)特定生育階段的影響[4-6];由于影響產(chǎn)量因素的因子復(fù)雜，不同因子間還存在相互影響甚至消減作用，對(duì)產(chǎn)量因素預(yù)測(cè)的研究鮮見報(bào)道。

目前，產(chǎn)量預(yù)測(cè)普遍直接選用時(shí)段內(nèi)的平均氣溫、累積降水量及總?cè)照諘r(shí)數(shù)等常規(guī)氣象因子進(jìn)行模型構(gòu)建[7-11]，而較少考慮作物自身的生理特性。在實(shí)際生產(chǎn)中，作物在不同生育階段對(duì)氣象因子波動(dòng)的響應(yīng)是不同的[6，12-13]，因此本研究結(jié)合油菜生理特性，選用不同生育階段的關(guān)鍵氣象因子進(jìn)行產(chǎn)量因素預(yù)測(cè)模型的構(gòu)建。

在眾多作物產(chǎn)量預(yù)測(cè)模型的構(gòu)建方法中，多元回歸法由于原理簡(jiǎn)單、使用便捷，在研究中被普遍使用[14-15]。它采用線性順序處理的方法，適用于以多個(gè)自變量因子來解釋某一因變量，但它對(duì)復(fù)雜過程的模擬有一定的局限。與多元回歸不同，BP（back propagation）神經(jīng)網(wǎng)絡(luò)可學(xué)習(xí)并存儲(chǔ)大量輸入-輸出模式的映射關(guān)系，而又無需事前揭示描述其數(shù)學(xué)方程，因此可以逼近任意連續(xù)函數(shù)，從而具有很強(qiáng)的非線性映射能力，已得到廣泛應(yīng)用[16-19]，如病蟲害預(yù)測(cè)[20-21]、小氣候預(yù)測(cè)[22]、產(chǎn)量預(yù)測(cè)[23-24]等農(nóng)業(yè)氣象預(yù)測(cè)。這些應(yīng)用大多數(shù)還只是采用了多因素對(duì)單因素關(guān)聯(lián)模型的構(gòu)建方法。

江蘇省油菜種植面積近年來有所調(diào)減，但仍是最重要的油料作物，且單位面積產(chǎn)量水平一直位于全國前列。因此，本研究以秦油2號(hào)油菜5個(gè)產(chǎn)量因素及最終產(chǎn)量為研究對(duì)象，選用淮安站1995—2004年、鎮(zhèn)江站1996—2000年、射陽站1996—2000年、金壇站1997—2000年的油菜農(nóng)業(yè)氣象觀測(cè)資料進(jìn)行分析，以避免因品種差異對(duì)預(yù)測(cè)結(jié)果帶來誤差。首先結(jié)合油菜的生理特性，梳理并確定不同發(fā)育期的氣象指標(biāo)因子;在此基礎(chǔ)上，運(yùn)用多元線性回歸和BP神經(jīng)網(wǎng)絡(luò)2種方法進(jìn)行油菜產(chǎn)量因素預(yù)測(cè)模型的構(gòu)建，并對(duì)比分析2種方法在預(yù)測(cè)效果的差異，以確定適用于江蘇省油菜產(chǎn)量因素預(yù)測(cè)的最佳方法。

1 資料與方法

1.1 資料來源

江蘇省油菜農(nóng)業(yè)氣象觀測(cè)普遍從20世紀(jì) 80年代初至中后期開始。由于油菜種植區(qū)域的調(diào)整縮減，油菜的農(nóng)氣觀測(cè)站點(diǎn)于2000、2011年也相應(yīng)進(jìn)行了調(diào)整。為了避免品種差異對(duì)產(chǎn)量預(yù)測(cè)的影響，確定觀測(cè)品種同為秦油2號(hào)的年序?yàn)榉治鰳颖?，?shù)據(jù)分別來自淮安站（1995—2004年）、鎮(zhèn)江站（1996—2000年）、射陽站（1996—2000年）及金壇站（1997—2000年）。

油菜農(nóng)業(yè)氣象觀測(cè)資料及氣象觀測(cè)資料源于江蘇省氣象信息中心。其中，油菜農(nóng)業(yè)氣象觀測(cè)資料主要包括各發(fā)育期出現(xiàn)時(shí)間、產(chǎn)量因素（單株第一分枝數(shù)、單株籽粒質(zhì)量、單株莢果數(shù)、千粒質(zhì)量、籽粒與莖稈比）及產(chǎn)量，氣象觀測(cè)資料為對(duì)應(yīng)年份前一年9月中旬至當(dāng)年5月下旬的逐日觀測(cè)資料，氣象因素主要包括平均氣溫、最低氣溫、最高氣溫、降水量、日照時(shí)數(shù)、日出日落時(shí)間等。

1.2 氣象因子的選擇

本研究將油菜一生劃分為育苗期（播種至移栽期）、大田苗期（移栽至現(xiàn)蕾期）、蕾薹期（現(xiàn)蕾至開花期）、花果期（開花至成熟期）4個(gè)生育期階段進(jìn)行研究。

1.2.1 熱量因子 已有研究表明，油菜不同生育階段對(duì)溫度的要求不同，其中育苗期溫度過低，不利于出苗及出苗后生長(zhǎng)，一般5 ℃以下要20 d以上才能出苗;苗期適宜生長(zhǎng)溫度為10～20 ℃，遇短期 0 ℃ 以下低溫不致受凍，但若持續(xù)時(shí)間長(zhǎng)則也會(huì)受害。蕾薹期是油菜搭好豐產(chǎn)架子的關(guān)鍵時(shí)期，一般春后氣溫達(dá)5 ℃以上即現(xiàn)蕾，10 ℃以上迅速抽薹，此時(shí)若遇0 ℃以下低溫則導(dǎo)致裂薹和死蕾發(fā)生，進(jìn)而影響產(chǎn)量。花果期前期當(dāng)氣溫低于10 ℃時(shí)，會(huì)減少開花數(shù)量，當(dāng)氣溫低于5 ℃，則開花停止;當(dāng)籽粒灌漿時(shí)日最高溫度超過30 ℃，會(huì)出現(xiàn)高溫逼熟現(xiàn)象[25]。

因此，本研究以各生育階段的關(guān)鍵溫度（育苗期為0 ℃;大田苗期、蕾薹期皆為0、5 ℃;花果期為0、10 ℃）為節(jié)點(diǎn)，統(tǒng)計(jì)了4個(gè)生育期階段內(nèi)各大于等于關(guān)鍵溫度的有效積溫（Ti），日平均溫度低于關(guān)鍵溫度的日數(shù)（Dtm

Ti=∑nm=1（tm-t0）;（1）

Dtm

Dtl≤t0}=∑nm=1dm，dm=0，tl>t01，tl≤t0;（3）

Dtm≥t0=n-Dtm

Dth≥30i=∑nm=1dm，dm=1，th≥30 ℃0，th<30 ℃。（5）

式中：i表示生育階段序號(hào)數(shù)，取1、2、3、4;m表示每個(gè)生育階段內(nèi)的日序;n表示每個(gè)生育階段的長(zhǎng)度，即時(shí)間，d;tm為逐日平均溫度，℃;tl為逐日最低溫度，℃;th為逐日最高溫度，℃;t0為生長(zhǎng)關(guān)鍵溫度，℃，育苗期取{0}、大田苗期、蕾薹期取{0，5}、花果期取{0，5，10}。

1.2.2 日照、降水因子 日照、降水因子主要統(tǒng)計(jì)了4個(gè)生育期階段內(nèi)的總?cè)照諘r(shí)數(shù)Si、總可照時(shí)數(shù)Sai、總降水量Ri 。

Si=∑nm=1Sm;（6）

Sai=∑nm=1（Sasm-Sarm）;（7）

Ri=∑nm=1Rm。（8）

式中：Sm為逐日日照時(shí)數(shù)，h;Sasm逐日日落時(shí)間，h;Sarm逐日日出時(shí)間，h;Rm為逐日降水量，mm。

最終梳理確定35個(gè)自變量因子。

1.3 預(yù)測(cè)模型構(gòu)建方法

1.3.1 多元線性回歸模型構(gòu)建 本研究利用SPSS軟件，采用全相關(guān)方法首先對(duì)育苗期≥0 ℃有效積溫等35個(gè)氣象因子與單株第一分枝數(shù)等5個(gè)油菜產(chǎn)量因素及產(chǎn)量進(jìn)行相關(guān)分析，然后基于最小二乘法（ordinary least square，OLS），采用逐步回歸法構(gòu)建油菜各產(chǎn)量因素預(yù)測(cè)的最優(yōu)回歸模型。

設(shè)Yc為油菜產(chǎn)量因素，xj分別代表不同氣象因子，以用來說明Yc，則構(gòu)建油菜產(chǎn)量因素與各氣象因子之間的線性關(guān)系模型：

Yc=∑qj=1ajxj+a0。（9）

式中：a0為隨機(jī)變量，為常數(shù)項(xiàng);aj是各氣象因子xj對(duì)應(yīng)的偏回歸系數(shù)，表示在其他氣象因子不變的情況下，xj增加或減少1個(gè)單位引起Yc增減的平均值。c為油菜產(chǎn)量因素?cái)?shù)量，本研究取6個(gè);j為氣象因子序號(hào);q為參與建模的氣象因子數(shù)量，個(gè)。

1.3.2 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建 BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。為做有效對(duì)比，使用與多元回歸模型相同的35個(gè)氣象因子作為輸入層因子，輸出層為單株第一分枝數(shù)等5個(gè)油菜產(chǎn)量因素及產(chǎn)量。

神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)精度主要受制于隱含層節(jié)點(diǎn)數(shù);若節(jié)點(diǎn)數(shù)過少，將影響網(wǎng)絡(luò)的學(xué)習(xí)效果，則須要增加訓(xùn)練次數(shù)，而這又會(huì)降低訓(xùn)練的精度;反之，網(wǎng)絡(luò)訓(xùn)練時(shí)間增加，網(wǎng)絡(luò)易過擬合。本研究先由經(jīng)驗(yàn)公式（10）確定不同的神經(jīng)元數(shù)[26]，然后進(jìn)行訓(xùn)練對(duì)比，以得到最佳的隱含層神經(jīng)元數(shù)。

p=o+l+α。（10）

式中：p、o、l分別為隱含層、輸入層及輸出層的神經(jīng)元數(shù)，個(gè);α代表1～10的常數(shù)。

本研究主要采用MATLAB 2016R軟件的Neural Network Toolbox來構(gòu)建氣象因子與油菜產(chǎn)量因素的BP網(wǎng)絡(luò)神經(jīng)預(yù)測(cè)模型，操作步驟如下：（1）數(shù)據(jù)的歸一化處理。由于影響油菜產(chǎn)量因子的氣象因子較多，且氣象因子原始數(shù)據(jù)的級(jí)差差異明顯，本研究在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)構(gòu)建前先對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理。（2）網(wǎng)絡(luò)訓(xùn)練。將數(shù)據(jù)的70%用于模型訓(xùn)練，30%用于預(yù)測(cè)檢驗(yàn)。設(shè)置模型的收斂誤差為 0.000 1，學(xué)習(xí)速率為0.05，最大訓(xùn)練輪回?cái)?shù)為5 000。

利用所構(gòu)建的多元回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)鎮(zhèn)江站及射陽站1996—2000年、金壇站1997—2000年各產(chǎn)量要素進(jìn)行模型預(yù)測(cè)精度PAc驗(yàn)證，并將二者進(jìn)行對(duì)比分析。預(yù)測(cè)精度PAc的計(jì)算公式如下：

PAc=（1-Yc-YaYa）×100%。（11）

式中：Ya為油菜產(chǎn)量要素的實(shí)際值。

2 結(jié)果分析

2.1 多元線性回歸模型及其變量解釋

由表1可以看出，5個(gè)油菜產(chǎn)量要素及產(chǎn)量預(yù)測(cè)模型的擬合優(yōu)度均較好，模型R2均在0.8以上，尤其Y2、Y3和Y4的R2達(dá)到0.96以上。

由表1可知，對(duì)于油菜產(chǎn)量來說，它主要由花果期≥0 ℃有效積溫、育苗期總?cè)照諘r(shí)數(shù)解釋。從各產(chǎn)量因素的解釋變量來看，油菜的單株第一分枝數(shù)以育苗期總?cè)照諘r(shí)數(shù)和總降水量、大田苗期總?cè)照諘r(shí)數(shù)為主要解釋變量;單株籽粒質(zhì)量主要由大田苗期總可照時(shí)數(shù)、蕾薹期日最低溫度≤5 ℃時(shí)間、大田苗期日最低溫度≤0 ℃時(shí)間及花果期≥0 ℃ 有效積溫共同解釋;單株莢果數(shù)主要由育苗期總?cè)照諘r(shí)數(shù)、大田苗期總降水量及大田苗期日平均溫度>5 ℃時(shí)間共同解釋;千粒質(zhì)量、籽粒與莖稈比均主要由花果期日最低溫度≤10 ℃時(shí)間及育苗期≥0 ℃有效積溫2個(gè)因子解釋。

2.2 2種模型對(duì)產(chǎn)量因素的預(yù)報(bào)效果對(duì)比

根據(jù)公式（10），經(jīng)過多次優(yōu)選后，發(fā)現(xiàn)o=35，l=6，α=7時(shí)，p=14，此結(jié)構(gòu)下BP網(wǎng)絡(luò)收斂效果最佳，由此確定本研究最佳BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為35-14-6。

通過BP神經(jīng)網(wǎng)絡(luò)模型得到的預(yù)測(cè)值與多元回歸模型的預(yù)測(cè)結(jié)果進(jìn)行比較后發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度普遍表現(xiàn)更優(yōu)。從總體預(yù)測(cè)精度（圖1）來看，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)油菜各產(chǎn)量因素的預(yù)測(cè)精度平均較多元回歸模型明顯提高，其中除對(duì)單株第一分枝數(shù)的預(yù)測(cè)精度略低于多元回歸模型外，在其他各產(chǎn)量因素的預(yù)測(cè)上，BP神經(jīng)網(wǎng)絡(luò)模型均具有更高的精度，其中單株籽粒質(zhì)量和千粒質(zhì)量分別提高8.96、8.01百分點(diǎn)，籽粒與莖稈比提高了2241百分點(diǎn)，產(chǎn)量提高4.66百分點(diǎn)。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)不同產(chǎn)量因素的預(yù)測(cè)精度的標(biāo)準(zhǔn)差為5.41%，明顯低于多元回歸模型的10.75%，這說明BP神經(jīng)網(wǎng)絡(luò)非線性的建模特征對(duì)處理多因子有著更強(qiáng)的能力，對(duì)不同產(chǎn)量因素預(yù)測(cè)的穩(wěn)定性更高。

2.3 2種模型在不同地區(qū)的預(yù)報(bào)效果對(duì)比

進(jìn)一步對(duì)鎮(zhèn)江、金壇和射陽的預(yù)報(bào)效果（圖2至圖4）進(jìn)行分析發(fā)現(xiàn)，無論是BP神經(jīng)網(wǎng)絡(luò)模型還是多元回歸模型，對(duì)鎮(zhèn)江、金壇地區(qū)油菜各產(chǎn)量因素的預(yù)測(cè)精度均普遍高于射陽，這可能是由于射陽地處江蘇東部沿海，具有較明顯的海洋性氣候特征，鎮(zhèn)江、金壇與淮安同處中西部?jī)?nèi)陸，氣候特征較為相似。

其中，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)鎮(zhèn)江油菜各產(chǎn)量因素的預(yù)測(cè)精度平均達(dá)81.54%，較多元回歸模型提升7.43百分點(diǎn)，且在對(duì)每一個(gè)結(jié)構(gòu)因素的預(yù)測(cè)上，BP神經(jīng)網(wǎng)絡(luò)均表現(xiàn)更優(yōu)，提升效果依次為單株莢果數(shù)（19.11百分點(diǎn)）>千粒質(zhì)量（8.37百分點(diǎn)）>單株籽粒質(zhì)量（7.00百分點(diǎn)）>籽粒與莖稈比（5.08百分點(diǎn)）>單株第一分枝數(shù)（3.35百分點(diǎn)）>產(chǎn)量（1.65百分點(diǎn)）。BP神經(jīng)網(wǎng)絡(luò)模型對(duì)金壇油菜各產(chǎn)量因素的平均預(yù)測(cè)精度達(dá)87.00%，較多元回歸模型提升了5.19百分點(diǎn)，就各產(chǎn)量因素來看，對(duì)單株第一分枝數(shù)和產(chǎn)量的預(yù)測(cè)精度略低于多元回歸模型，對(duì)千粒質(zhì)量的預(yù)測(cè)精度提升最高，達(dá)17.52百分點(diǎn)，對(duì)單株莢果數(shù)、籽粒與莖稈比和單株籽粒質(zhì)量的預(yù)測(cè)精度分別提升了11.31、889、1.05百分點(diǎn)。射陽站油菜各產(chǎn)量因素的多云回歸模型的預(yù)測(cè)精度平均僅為66.49%，采用BP神經(jīng)網(wǎng)絡(luò)建模后，預(yù)測(cè)精度提高了8.46百分點(diǎn);但對(duì)單株第一分枝數(shù)和單株莢果數(shù)的預(yù)測(cè)效果，多元回歸模型明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

3 討論與結(jié)論

從農(nóng)學(xué)角度來看，正是各產(chǎn)量因素的波動(dòng)才引起作物產(chǎn)量的變化。本研究以油菜單株第一分枝數(shù)、單株籽粒質(zhì)量、單株莢果數(shù)、千粒質(zhì)量、籽粒與莖稈比與產(chǎn)量等作為預(yù)測(cè)對(duì)象，選用淮安站油菜觀測(cè)品種同為秦油2號(hào)的數(shù)據(jù)資料進(jìn)行模型構(gòu)建，有效避免了地區(qū)、品種對(duì)產(chǎn)量因素的影響。另外，淮安1995—2004年油菜觀測(cè)為同一地塊，可認(rèn)為土壤條件基本不變，且農(nóng)業(yè)氣象觀測(cè)人員的田間管理措施也基本一致。因此，可以近似認(rèn)為該觀測(cè)地塊1995—2004年油菜產(chǎn)量因素的波動(dòng)主要是由氣象因子的變化造成的。

在氣象因子的選擇上，充分考慮油菜不同生育階段對(duì)溫、光、水的不同要求[25]，本研究以各生育階段的關(guān)鍵溫度為節(jié)點(diǎn)，統(tǒng)計(jì)與油菜產(chǎn)量因素密切相關(guān)的育苗期≥0 ℃有效積溫等35個(gè)氣象因子，并利用多元回歸模型在眾多氣象因子中尋找出限制各產(chǎn)量因素的主要因素。從多元線性回歸模型分析結(jié)果可以看出，油菜產(chǎn)量主要由花果期≥0 ℃有效積溫及育苗期總?cè)照諘r(shí)數(shù)解釋，其中花果期≥0 ℃有效積溫越大，越利于油菜產(chǎn)量的提高。從各產(chǎn)量因素的解釋變量來看，油菜的單株第一分枝數(shù)和單株莢果數(shù)均主要取決于油菜生長(zhǎng)前期的氣象條件，其中單株第一分枝數(shù)以育苗期總?cè)照諘r(shí)數(shù)和總降水量、大田苗期總?cè)照諘r(shí)數(shù)為主要解釋變量，這可能是由于江蘇省冬春季熱量條件可完全滿足油菜前期生長(zhǎng)的需求，日照和降水成為了生長(zhǎng)的主要限制氣象因子[27]。單株籽粒質(zhì)量受影響的生育階段較多，其主要由大田苗期總可照時(shí)數(shù)、蕾薹期日最低溫度≤5 ℃時(shí)間、大田苗期日最低溫度≤0 ℃時(shí)間及花果期≥0 ℃有效積溫共同解釋，其中蕾薹期日最低溫度<5 ℃時(shí)間與單株籽粒質(zhì)量成負(fù)相關(guān)，這主要是因?yàn)槔俎菲谌粲龅降陀? ℃低溫天氣，不利于油菜現(xiàn)蕾抽薹及開花授粉，會(huì)影響油菜莢果的發(fā)育，進(jìn)而影響后期籽粒形成[25]。單株莢果數(shù)與生長(zhǎng)前期的光溫水條件均關(guān)系密切。千粒質(zhì)量、籽粒與莖稈比均主要由花果期日最低溫度≤10 ℃時(shí)間及育苗期≥0 ℃有效積溫2個(gè)因子解釋，其中育苗期≥0 ℃有效積溫越高，越利于油菜千粒質(zhì)量的提高，這說明油菜籽粒的灌漿充實(shí)不僅與生長(zhǎng)后期的氣象條件有關(guān)，前期的生長(zhǎng)積累，也影響了后期的生長(zhǎng);花果期日最低溫度≤10 ℃時(shí)間越多，可能會(huì)拉長(zhǎng)籽粒的灌漿充實(shí)時(shí)間，從而增加籽粒的積累，同時(shí)也使莖稈的營(yíng)養(yǎng)向籽粒轉(zhuǎn)化得更多，促使籽粒與莖稈的比值增大。從以上模型構(gòu)建的結(jié)果可以看出，產(chǎn)量因素的多元線性回歸預(yù)測(cè)模型都反映出了實(shí)際生產(chǎn)中出現(xiàn)的油菜生長(zhǎng)狀況，彌補(bǔ)了氣象產(chǎn)量模型的不足。

但氣象因子不是獨(dú)立存在的，它們之間相互影響、相互制約，而由于多元回歸模型摒棄了其他因子，僅把與產(chǎn)量因素相關(guān)性大的主要因子作為預(yù)報(bào)因子進(jìn)行建模，當(dāng)氣象條件出現(xiàn)較大波動(dòng)尤其是當(dāng)被摒棄的因子發(fā)生異常時(shí)，多元回歸模型就會(huì)放大氣象因子的波動(dòng)性，其預(yù)測(cè)結(jié)果就會(huì)產(chǎn)生較大誤差。因此，它僅適用于氣象條件穩(wěn)定的時(shí)間區(qū)段。同時(shí)，由于多元回歸模型是一種線性估計(jì)算法，受因子互作的影響易出現(xiàn)對(duì)稱、叢聚及屏蔽等效應(yīng)而導(dǎo)致模型的預(yù)測(cè)精度不高，且缺乏穩(wěn)定性。

BP神經(jīng)網(wǎng)絡(luò)模型對(duì)油菜各產(chǎn)量結(jié)構(gòu)的預(yù)測(cè)精度總體優(yōu)于多元線性回歸模型，且具有更好的穩(wěn)定性。但BP神經(jīng)網(wǎng)絡(luò)自身也存在缺點(diǎn)，由于其沒有對(duì)主導(dǎo)預(yù)測(cè)因子進(jìn)行篩選的功能[22]，大部分基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)量預(yù)測(cè)研究普遍只針對(duì)產(chǎn)量一個(gè)因素，即為非線性多對(duì)一映射，且多為純方法論研究，對(duì)模型的生理學(xué)意義較少關(guān)注。本研究在建模前，充分考慮了油菜各生育階段的生理特征及其對(duì)氣象條件的不同要求，梳理了具有生理學(xué)意義的35個(gè)因子，在一定程度上彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)缺少生理解釋的不足。同時(shí)，充分利用了BP神經(jīng)網(wǎng)絡(luò)的非線性映射的優(yōu)勢(shì)，實(shí)現(xiàn)多因素對(duì)多因素關(guān)聯(lián)預(yù)測(cè)模型的構(gòu)建。

綜上，在進(jìn)行油菜產(chǎn)量因素的預(yù)測(cè)過程中，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果優(yōu)于多元回歸，且預(yù)測(cè)穩(wěn)定性高，說明BP網(wǎng)絡(luò)神經(jīng)模型有更好的抗干擾性，能對(duì)具有交互作用下的氣象因子和產(chǎn)量因子進(jìn)行非線性映射，可以更好地反映出油菜產(chǎn)量因素與相關(guān)氣象因子間的函數(shù)關(guān)系。同時(shí)，BP網(wǎng)絡(luò)神經(jīng)可以實(shí)現(xiàn)多因子輸入及多因子輸出，較多元回歸模型每種因變量都要建立不同模型，更為簡(jiǎn)便快捷，可以應(yīng)用在油菜產(chǎn)量預(yù)測(cè)的氣象業(yè)務(wù)服務(wù)上，但仍有一些問題有待進(jìn)一步研究。如模型對(duì)單株籽粒質(zhì)量、單株莢果數(shù)的預(yù)測(cè)結(jié)果誤差較大，且對(duì)射陽地區(qū)油菜各產(chǎn)量因素的預(yù)測(cè)效果總體仍有偏差。

因此，下一步仍將繼續(xù)對(duì)提升模型對(duì)不同預(yù)報(bào)對(duì)象、不同地區(qū)的預(yù)測(cè)效果開展研究。同時(shí)，本研究?jī)H分析了油菜各產(chǎn)量因素與光、溫、水因子的關(guān)聯(lián)模型，但眾所周知，影響作物產(chǎn)量形成的氣象因素還有很多，如太陽輻射、環(huán)境二氧化碳濃度等，甚至大尺度的海溫、環(huán)流背景都會(huì)對(duì)產(chǎn)量的形成產(chǎn)生影響。另外，除了氣象因素，土壤條件、人為的田管措施等也會(huì)影響產(chǎn)量形成。由此可見，如何綜合考慮多種因素、利用非線性理論提高產(chǎn)量因素的預(yù)測(cè)效果是未來的另一個(gè)研究重點(diǎn)。

參考文獻(xiàn)：

[1]王賀然，張 慧，王 瑩，等. 基于兩種方法建立遼寧大豆產(chǎn)量豐歉預(yù)報(bào)模型對(duì)比[J]. 中國農(nóng)業(yè)氣象，2018，39（11）：725-738.

[2]王培娟，張佳華，謝東輝，等.A2和B2情景下冀魯豫冬小麥氣象產(chǎn)量估算[J]. 應(yīng)用氣象學(xué)報(bào)，2011，22（5）：549-557.

[3]王 媛，方修琦，徐 錟，等. 氣候變化背景下“氣候產(chǎn)量”計(jì)算方法的探討[J]. 自然資源學(xué)報(bào)，2004，19（4）：531-536.

[4]孫 建，饒?jiān)铝?，樂美旺，? 干旱脅迫對(duì)芝麻生長(zhǎng)與產(chǎn)量性狀的影響及其抗旱性綜合評(píng)價(jià)[J]. 中國油料作物學(xué)報(bào)，2010，32（4）：55-533.

[5]袁 晉，羅慶明，劉衛(wèi)國，等. 氣象因子對(duì)川中丘陵地區(qū)帶狀套作大豆產(chǎn)量的影響[J]. 中國油料作物學(xué)報(bào)，2014，36（6）：777-783.

[6]涂玉琴，戴興臨. 花期低溫陰雨對(duì)甘藍(lán)型油菜產(chǎn)量和種子含油量的影響[J]. 中國油料作物學(xué)報(bào)，2011，33（5）：470-475.

[7]吳普特，趙西寧. 氣候變化對(duì)中國農(nóng)業(yè)用水和糧食生產(chǎn)的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（2）：1-6.

[8]高永剛，顧 紅，姬菊枝，等. 近43年來黑龍江氣候變化對(duì)農(nóng)作物產(chǎn)量影響的模擬研究[J]. 應(yīng)用氣象學(xué)報(bào)，2007，18（4）：532-538.

[9]藺 濤，謝 云，劉 剛，等. 黑龍江省氣候變化對(duì)糧食生產(chǎn)的影響[J]. 自然資源學(xué)報(bào)，2008，23（2）：307-318.

[10]謝遠(yuǎn)玉，張智勇，劉翠華，等. 贛州近30年氣候變化對(duì)雙季早稻產(chǎn)量的影響[J]. 中國農(nóng)業(yè)氣象，2011，32（3）：388-393.

[11]孫衛(wèi)國，程炳巖，楊沈斌，等. 區(qū)域氣候變化對(duì)華東地區(qū)水稻產(chǎn)量的影響[J]. 中國農(nóng)業(yè)氣象，2011，32（2）：227-234.

[12]張海燕，解備濤，段文學(xué)，等. 不同時(shí)期干旱脅迫對(duì)甘薯光合效率和耗水特性的影響[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2018，29（6）：1943-1950.

[13]宋廣樹，孫忠富，孫 蕾，等. 東北中部地區(qū)水稻不同生育時(shí)期低溫處理下生理變化及耐冷性比較[J]. 生態(tài)學(xué)報(bào)，2011，31（13）：3788-3795.

[14]錢錦霞，郭建平. 鄭州地區(qū)冬小麥產(chǎn)量構(gòu)成要素的回歸模型[J]. 應(yīng)用氣象學(xué)報(bào)，2012，23（4）：500-504.

[15]易 雪，王建林，宋迎波. 氣候適宜指數(shù)在早稻產(chǎn)量動(dòng)態(tài)預(yù)報(bào)上的應(yīng)用[J]. 氣象，2010，36（6）：85-89.

[16]Green T R，Salas J D，Martinez A， et al. Relating crop yield to topographic attributes using Spatial Analysis Neural Networks and regression [J]. Science Direct， 2007，139（1/2）：23-37.

[17]邵月紅，張萬昌，劉永和，等. BP神經(jīng)網(wǎng)絡(luò)在多普勒雷達(dá)降水量的估測(cè)中的應(yīng)用[J]. 高原氣象，2009，28（4）：846-853.

[18]瞿 英，王 冕，董文旭，等. 基于BP 神經(jīng)網(wǎng)絡(luò)的農(nóng)田大氣氨濃度預(yù)測(cè)[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)（中英文），2019，27（4）：519-528.

[19]侯藝璇，趙華甫，吳克寧，等. 基于BP神經(jīng)網(wǎng)絡(luò)的作物Cd 含量預(yù)測(cè)及安全種植分區(qū)[J]. 資源科學(xué)，2018，40（12）：2414-2424.

[20]劉庭洋，李 燁，浦仕磊，等. 基于BP神經(jīng)網(wǎng)絡(luò)的稻瘟病預(yù)測(cè)預(yù)報(bào)研究[J]. 西南農(nóng)業(yè)學(xué)報(bào)，2017，30（7）：1546-1553.

[21]靳 然，李生才. 基于小波神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)的麥蚜發(fā)生期預(yù)測(cè)對(duì)比[J]. 植物保護(hù)學(xué)報(bào)，2016，43（3）：353-361.

[22]溫永菁，李 春，薛慶禹，等. 基于逐步回歸與BP 神經(jīng)網(wǎng)絡(luò)的日光溫室溫濕度預(yù)測(cè)模型對(duì)比分析[J]. 中國農(nóng)學(xué)通報(bào)，2018，34（16）：115-125.

[23]戎陸慶，陳 飛，歐陽浩. 基于GRA&BPNN的廣西糧食產(chǎn)量預(yù)測(cè)研究[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2017，38（2）：105-111.

[24]莊 星，韓 飛. 基于混合群智能算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)[J]. 江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，40（2）：209-215.

[25]楊文鈺，屠乃美，張洪程，等. 作物栽培學(xué)各論[M]. 北京：中國農(nóng)業(yè)出版社，2003.

[26]陶海龍. 基于混合智能算法的鐵路運(yùn)量預(yù)測(cè)研究[D]. 蘭州：蘭州交通大學(xué)，2012.

[27]張 佩，田 娜，趙會(huì)穎，等. 江蘇省冬小麥氣候適宜度動(dòng)態(tài)模型建立及應(yīng)用[J]. 氣象科學(xué)，2015，35（4）：468-473.