摘 要 通過(guò)3年滑動(dòng)平均法、二次指數(shù)滑動(dòng)法、HP濾波法和ARIMA模型擬合趨勢(shì)產(chǎn)量，分離出安徽省宣城市宣州區(qū)煙草氣象產(chǎn)量，將氣象產(chǎn)量與不同生育期氣象因子作相關(guān)分析，找出影響產(chǎn)量的氣象因子，再將氣象產(chǎn)量與關(guān)鍵氣象因子作嶺回歸分析，最終建立宣州區(qū)煙草產(chǎn)量預(yù)測(cè)模型。研究中發(fā)現(xiàn)不同的氣象產(chǎn)量分離方法在變化趨勢(shì)上大致相同，其中HP濾波法分離出的氣象產(chǎn)量表現(xiàn)更為合理。以HP濾波法分離出的氣象產(chǎn)量為基礎(chǔ)設(shè)計(jì)的關(guān)于氣象因子的嶺回歸氣象產(chǎn)量預(yù)測(cè)模型表現(xiàn)較為優(yōu)秀，能夠較精準(zhǔn)地反映及預(yù)測(cè)宣州區(qū)煙草產(chǎn)量。由于煙草觀測(cè)數(shù)據(jù)有限等原因，氣象產(chǎn)量預(yù)測(cè)模型精度有待進(jìn)一步提高和驗(yàn)證。

關(guān)鍵詞 煙草；氣象產(chǎn)量；預(yù)測(cè)；嶺回歸；安徽省宣城市宣州區(qū)

中圖分類(lèi)號(hào)：S572 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2024.11.057

皖南屬于我國(guó)五大烤煙主要種植區(qū)域中的東南煙草種植區(qū)，具有優(yōu)質(zhì)煙生產(chǎn)的氣候條件和區(qū)位優(yōu)勢(shì)，其中宣城市宣州區(qū)作為主要煙草種植區(qū)占了很大比重，種植地段主要集中在從平原向山區(qū)過(guò)渡的宣州區(qū)中北部，煙葉種植成為本區(qū)農(nóng)業(yè)生產(chǎn)的重要組成部分。氣候條件與煙草生長(zhǎng)的好壞有著很大的聯(lián)系，會(huì)對(duì)煙草的質(zhì)量和產(chǎn)量造成重大影響。氣候條件好的年份，煙葉質(zhì)量較好，產(chǎn)量較高；氣候條件差的年份，煙葉質(zhì)量相對(duì)差，甚至出現(xiàn)大幅減產(chǎn)。隨著農(nóng)業(yè)科技水平的提高，農(nóng)藥化肥、田間管理等可控因素對(duì)煙葉產(chǎn)量的影響趨于穩(wěn)定，而氣溫、降水、日照等不可控氣象因子對(duì)煙葉產(chǎn)量的影響越來(lái)越大。因此，做好氣象條件對(duì)本地?zé)煵萆a(chǎn)氣象產(chǎn)量影響的研究十分重要。通過(guò)該項(xiàng)研究，對(duì)當(dāng)?shù)責(zé)熑~生產(chǎn)及增進(jìn)煙葉創(chuàng)收具有科學(xué)指導(dǎo)意義，以期更好地做好本地?zé)煵萆a(chǎn)氣象服務(wù)。

1" 資料與方法

1.1" 數(shù)據(jù)來(lái)源

本研究使用2014—2021年的氣象資料、煙葉生育期和產(chǎn)量資料，其中，氣象資料來(lái)源于宣城國(guó)家一般氣象觀測(cè)站，煙葉生育期資料來(lái)源于宣城農(nóng)業(yè)氣象試驗(yàn)站，煙葉產(chǎn)量資料來(lái)源于宣城市統(tǒng)計(jì)年鑒。

1.2" 煙葉氣象產(chǎn)量預(yù)測(cè)方法

農(nóng)技措施對(duì)作物的影響在時(shí)間序列上是一個(gè)變化較緩慢的過(guò)程，可看作是穩(wěn)定的非自然因素，因此，把年序作為自變量，以某種函數(shù)關(guān)系去近似模擬這類(lèi)穩(wěn)定的非自然因素對(duì)作物產(chǎn)量影響的時(shí)間變率，稱(chēng)為趨勢(shì)產(chǎn)量，經(jīng)過(guò)趨勢(shì)模擬后的產(chǎn)量序列剩余項(xiàng)作為氣象因素影響的產(chǎn)量分量，統(tǒng)稱(chēng)為氣象產(chǎn)量。

基于氣象因子的產(chǎn)量預(yù)測(cè)模型首先需要將農(nóng)業(yè)產(chǎn)量分離為氣象產(chǎn)量與趨勢(shì)產(chǎn)量，再通過(guò)數(shù)學(xué)方法對(duì)兩種產(chǎn)量分別進(jìn)行預(yù)測(cè)，兩種產(chǎn)量預(yù)測(cè)結(jié)果之和就是目標(biāo)作物的農(nóng)業(yè)產(chǎn)量預(yù)測(cè)值。因此將作物產(chǎn)量Y分為以生產(chǎn)力水平為主導(dǎo)的趨勢(shì)產(chǎn)量Ytrend、以氣候條件為主要因素的氣象產(chǎn)量Ymet和隨機(jī)誤差，在隨機(jī)誤差忽略不計(jì)的情況下，產(chǎn)量公式即：

Y=Y_trend+Y_met" （1）

關(guān)于氣象產(chǎn)量的預(yù)測(cè)方法有多種。陶正達(dá)等以吳中區(qū)枇杷為研究對(duì)象，對(duì)比分析ARIMA模型、GM模型、線(xiàn)性趨勢(shì)和二次指數(shù)平滑法在區(qū)域性經(jīng)濟(jì)作物上氣象產(chǎn)量分離的適用性，發(fā)現(xiàn)使用GM和線(xiàn)性趨勢(shì)方法分離的枇杷氣象產(chǎn)量的正負(fù)性與農(nóng)業(yè)氣象災(zāi)害年鑒匹配較好，使用GM方法構(gòu)建的基于氣象因子的產(chǎn)量預(yù)測(cè)模型效果最好[1]。賈晗思等通過(guò)逐步回歸，建立了3 年、5 年滑動(dòng)平均計(jì)算趨勢(shì)產(chǎn)量后剝離出玉米氣象產(chǎn)量，并建立產(chǎn)量線(xiàn)性預(yù)測(cè)模型[2]。張勇等采用滑動(dòng)平均-灰色預(yù)測(cè)法分離蘋(píng)果氣象產(chǎn)量，通過(guò)氣象指數(shù)與蘋(píng)果減產(chǎn)率的相關(guān)分析，確定蘋(píng)果花期凍害氣象指數(shù)，構(gòu)建蘋(píng)果花期凍害氣象指數(shù)與減產(chǎn)率之間的關(guān)系模型[3]。溫欣茹等將特色作物莜麥作為主要研究對(duì)象，基于氣象因素的逐步回歸分析預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行莜麥產(chǎn)量預(yù)測(cè)，發(fā)現(xiàn)表明BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于莜麥產(chǎn)量預(yù)測(cè)精度高[4]。

本研究擬通過(guò)3年滑動(dòng)平均法、二次指數(shù)滑動(dòng)法、HP濾波法和ARIMA模型擬合趨勢(shì)產(chǎn)量，分離出宣州區(qū)煙草氣象產(chǎn)量，將氣象產(chǎn)量與不同時(shí)期氣象因子作相關(guān)分析，找出影響產(chǎn)量的氣象因子，再將氣象產(chǎn)量與關(guān)鍵氣象因子作嶺回歸分析，最終建立宣州區(qū)煙草產(chǎn)量預(yù)測(cè)模型。

2" 氣象產(chǎn)量分離

2.1" 滑動(dòng)平均法

本研究首先計(jì)算煙葉實(shí)際產(chǎn)量的3年滑動(dòng)平均值，用3年滑動(dòng)平均值對(duì)時(shí)間t擬合趨勢(shì)回歸方程，計(jì)算出趨勢(shì)產(chǎn)量，擬合趨勢(shì)產(chǎn)量回歸方程[5]，公式為

y_t = 189 0.4+52.448 t" （2）

式中：y_t是趨勢(shì)產(chǎn)量； t是以2014年為第1年的時(shí)間年序。趨勢(shì)產(chǎn)量擬合效果見(jiàn)圖1，下同。

2.2" 二次指數(shù)平滑法

指數(shù)平滑法是在移動(dòng)平均法基礎(chǔ)上發(fā)展起來(lái)的，具有移動(dòng)平均法的優(yōu)點(diǎn)，同時(shí)還考慮了不同時(shí)期的數(shù)據(jù)的不同作用，相比于適用于數(shù)據(jù)中短期預(yù)測(cè)的一次指數(shù)平滑，二次平滑法更多考慮趨勢(shì)性?；跀?shù)據(jù)序列小于10個(gè)，設(shè)置前3期數(shù)據(jù)的平均值作為初始值，找出最佳的模型參數(shù)，初始值為1 947.164，alpha值為0.100，此時(shí)RMSE值為172.644（見(jiàn)表1）。并以此參數(shù)進(jìn)行模型構(gòu)建從而得到趨勢(shì)產(chǎn)量擬合值。

2.3" HP濾波法

采用EVIEWS計(jì)量分析軟件進(jìn)行擬合[6]。計(jì)算方法如下所示：

g_t=（λF+I）^-1y_t" （3）

式中：gt是趨勢(shì)產(chǎn)量；yt是實(shí)際產(chǎn)量；F是系數(shù)矩陣；I是單位矩陣；參數(shù)λ的取值影響HP濾波法的最終結(jié)果，通常情況下，λ的取值增大，對(duì)應(yīng)的趨勢(shì)線(xiàn)就趨于平緩?？偨Y(jié)前人經(jīng)驗(yàn)后設(shè)定λ的取值為100。

2.4" ARIMA模型

ARIMA模型的全稱(chēng)叫作自回歸移動(dòng)平均模型，是統(tǒng)計(jì)模型中常見(jiàn)的一種用來(lái)進(jìn)行時(shí)間序列預(yù)測(cè)的模型。針對(duì)年度實(shí)際產(chǎn)量，通過(guò)對(duì)多個(gè)潛在備選模型進(jìn)行建模和對(duì)比選擇，找出最優(yōu)模型為：ARMA（1，1），模型參數(shù)見(jiàn)表2，其擬合公式為：

y_t=2 662.384-0.298*y_t-1+1.000*ε_t-1 （4）

式中：y_t是當(dāng)前時(shí)間點(diǎn)的值； 1.000是自回歸系數(shù)；ε_t-1是噪聲項(xiàng)。根據(jù)噪聲檢驗(yàn)結(jié)果來(lái)看，p值大于0.1，則在0.1的顯著性水平下不能拒絕原殘差是白噪聲假設(shè)，因此模型基本滿(mǎn)足要求。

對(duì)趨勢(shì)產(chǎn)量進(jìn)行合理性分析：由圖1可以看出，4種擬合方法擬合的趨勢(shì)產(chǎn)量在前期相對(duì)接近，但在中后期差異比較明顯，滑動(dòng)平均法、二次指數(shù)平滑法和HP濾波法整體呈上升趨勢(shì)，ARIMA 模型擬合數(shù)據(jù)起伏較大。由于趨勢(shì)產(chǎn)量主要受生產(chǎn)力水平影響，隨著煙草生產(chǎn)技術(shù)的成熟穩(wěn)定，合理的煙草產(chǎn)量應(yīng)呈現(xiàn)出逐漸增加的趨勢(shì)，產(chǎn)量波動(dòng)不大。因此，ARIMA 模型擬合數(shù)據(jù)表現(xiàn)相對(duì)較差。滑動(dòng)平均法擬合產(chǎn)量數(shù)據(jù)雖然也呈明顯上升趨勢(shì)，但因煙草生產(chǎn)技術(shù)暫時(shí)沒(méi)有重要變革性改變，后期趨勢(shì)產(chǎn)量明顯偏高，與實(shí)際不相符合。二次指數(shù)平滑法和HP濾波法擬合趨勢(shì)產(chǎn)量數(shù)據(jù)相對(duì)穩(wěn)定，且整體呈上升趨勢(shì)，表現(xiàn)相對(duì)較好。

再結(jié)合2014—2021年氣候?qū)煵萆L(zhǎng)影響及氣象產(chǎn)量情況進(jìn)行分析。2014年雖然7月5日出現(xiàn)局部煙田短時(shí)受澇，但整個(gè)梅雨期無(wú)大范圍嚴(yán)重洪澇發(fā)生，屬于正常偏好年份[7]。2015年煙草大田生育期間降水偏多，雖對(duì)品質(zhì)有一定不良影響，但整體產(chǎn)量屬于正常年份。2016年成熟期因遭受歷史罕見(jiàn)特大連續(xù)暴雨、洪澇災(zāi)害致煙葉產(chǎn)量大幅下降，屬重災(zāi)年份。2017年7月上旬開(kāi)始，出現(xiàn)連續(xù)晴熱天氣，后期最高氣溫超過(guò)37℃，因及時(shí)采收，避免了高溫?zé)岷?，產(chǎn)量適中，屬于正常年份。2018年煙葉大田期氣候條件屬于正常年份，煙葉產(chǎn)量處于歷年中等較高水平。2019年煙草大田期后期氣候條件稍偏好，總體屬于中等偏高水平。2020年大田期后期遇到罕見(jiàn)的涼夏天氣，氣候條件對(duì)煙葉生長(zhǎng)有嚴(yán)重不利影響，煙葉產(chǎn)量偏差。2021年大田期氣候正常，煙葉產(chǎn)質(zhì)處于歷史中等水平。4種擬合方法計(jì)算出的氣象產(chǎn)量整體呈現(xiàn)時(shí)正時(shí)負(fù)的波動(dòng)性，符合氣象產(chǎn)量的定義，且基本切合歷年氣象波動(dòng)趨勢(shì)?；瑒?dòng)平均法、二次指數(shù)平滑法和HP濾波法計(jì)算氣象產(chǎn)量在前期相對(duì)接近，切合氣候評(píng)價(jià)，而ARIMA 模型結(jié)果有較大偏差；在個(gè)別年份的表現(xiàn)上，例如在2018年前后的氣象產(chǎn)量表現(xiàn)上，二次指數(shù)平滑法結(jié)果傾向于氣候明顯有利，而滑動(dòng)平均法、HP濾波法和ARIMA 模型相對(duì)符合氣候評(píng)價(jià)；在后期的氣象產(chǎn)量表現(xiàn)上，滑動(dòng)平均法表現(xiàn)為氣候明顯不利，與氣候評(píng)價(jià)有較大偏差，其余3種表現(xiàn)相對(duì)接近。

將4種方法擬合的趨勢(shì)產(chǎn)量與實(shí)際產(chǎn)量進(jìn)行相關(guān)性分析，均未通過(guò)相關(guān)性驗(yàn)證，HP濾波法擬合的趨勢(shì)產(chǎn)量與實(shí)際產(chǎn)量相關(guān)系數(shù)最大為0.398，二次平滑法擬合趨勢(shì)產(chǎn)量與實(shí)際產(chǎn)量相關(guān)系數(shù)最小為0.075（見(jiàn)表3）。

綜合以上趨勢(shì)產(chǎn)量和氣象產(chǎn)量的合理性及相關(guān)性分析可以看出，4種擬合方法中，HP濾波法擬合的趨勢(shì)產(chǎn)量和計(jì)算出的氣象產(chǎn)量相對(duì)更為合理。

3" 基于氣象因子的產(chǎn)量預(yù)測(cè)模型構(gòu)建

3.1" 氣象因子篩選

由于影響氣象產(chǎn)量的主要因素是氣象因子，因此構(gòu)建氣象產(chǎn)量模型必須篩選合適的氣象因子。宣州區(qū)煙草主要采用大棚統(tǒng)一育苗，3月下旬前后進(jìn)行大田移栽，3月底左右成活，苗期受外界氣象因素影響較小，因此主要考慮4—7月時(shí)段的氣象因子。首先利用4—7月的逐月降水量、月暴雨日數(shù)、月平均溫度、月日較差和、月高溫日數(shù)、月日照時(shí)數(shù)、月最長(zhǎng)連續(xù)降雨日數(shù)等氣象要素，與4種方法擬合的氣象產(chǎn)量進(jìn)行相關(guān)性分析。結(jié)果顯示，對(duì)氣象產(chǎn)量影響較大的氣象因子主要為4—7月的逐月降水量、月暴雨日數(shù)、月日照時(shí)數(shù)和月最長(zhǎng)連續(xù)降雨日數(shù)等，其中6月降水量、7月降水量、6月最長(zhǎng)連續(xù)降水日數(shù)等分別通過(guò)0.05級(jí)別檢驗(yàn)，相關(guān)性顯著。

由于煙草是喜光、喜溫作物，本研究在選擇氣象因子時(shí)仍然需要考慮溫度和日照等氣象因素的影響，因此擬將 4—7月降水量，4—7月平均溫度，4—7月日照時(shí)數(shù)，4—7月最長(zhǎng)連續(xù)性降水日數(shù)等因素作為影響煙草氣候產(chǎn)量的主要?dú)庀笠蜃印?/p>

3.2" 基于氣象因子的產(chǎn)量預(yù)測(cè)模型建立

由于采用的部分?jǐn)?shù)據(jù)具有共線(xiàn)性，嶺回歸是一種專(zhuān)用于共線(xiàn)性數(shù)據(jù)分析的有偏估計(jì)回歸方法[8-11]。對(duì)4-7月降水量（R4、R5、R6、R7）、4—7月平均氣溫（T4、T5、T6、T7）、4—7月日照時(shí)數(shù)（S4、S5、S6、S7）、4—7月最長(zhǎng)連續(xù)性降水日數(shù)（C4、C5、C6、C7）和HP濾波法計(jì)算的氣象產(chǎn)量進(jìn)行嶺回歸分析。結(jié)果見(jiàn)表4，根據(jù)方差擴(kuò)大因子確定K=0.083。

嶺回歸的結(jié)果顯示：基于F檢驗(yàn)顯著性p值為NaN，水平上不呈現(xiàn)顯著性，接受原假設(shè)，表明自變量與因變量之間不存在著回歸關(guān)系。同時(shí)，模型的擬合優(yōu)度R2為0.996，模型表現(xiàn)較為優(yōu)秀。模型的公式為：

Y_met=1 382.508+0.39×R4-0.236×R5-0.056×R6-0.338×R7+3.064×T4-0.553×T5-17.339×T6-23.253×T7+0.74×S4-1.545×S5+0.913×S6-0.107×S7-8.101×C4-8.437×C5-18.977×C6+0.55×C7" （5）

模型擬合結(jié)果見(jiàn)圖2。

3.3" 產(chǎn)量預(yù)測(cè)模型評(píng)價(jià)

煙草生育期間喜光、喜溫、耐旱，移栽后成活的4月伸根期間，適宜的溫度和光照能促進(jìn)煙草根系發(fā)育，移栽時(shí)的降水有利于煙苗的成活和緩苗，緩苗后土壤水分適當(dāng)降低有利于根系生長(zhǎng)[12-13]。進(jìn)入快速生長(zhǎng)期后適宜溫度為25～28 ℃，高于35 ℃時(shí)不利于煙株生長(zhǎng)，需要降水充足且均勻，土壤相對(duì)濕度穩(wěn)定在80%左右。成熟期需要充足的光照，適宜溫度為20～25 ℃，雨水過(guò)多會(huì)影響光照，短時(shí)間內(nèi)降水過(guò)多會(huì)引起洪澇。由于宣州區(qū)5—7月常會(huì)有高溫高濕天氣出現(xiàn)，6月中下旬至7月上旬常有連續(xù)性陰雨或暴雨天氣，都會(huì)對(duì)煙草生長(zhǎng)帶來(lái)不同程度的影響，以上因素在該模型能得到較好體現(xiàn)。

4" 結(jié)論與討論

宣州區(qū)煙草作為當(dāng)?shù)氐奶厣?jīng)濟(jì)作物，其產(chǎn)量的精確預(yù)測(cè)對(duì)當(dāng)?shù)責(zé)煵莓a(chǎn)業(yè)鏈等經(jīng)濟(jì)發(fā)展有著重要意義，基于氣象因子的氣象產(chǎn)量預(yù)測(cè)模型研究可以對(duì)煙草氣象產(chǎn)量進(jìn)行有效預(yù)測(cè)，對(duì)煙草產(chǎn)量提升及煙草氣象指數(shù)保險(xiǎn)設(shè)計(jì)等有一定積極作用。研究中發(fā)現(xiàn)，不同的氣象產(chǎn)量分離方法在變化趨勢(shì)上大致相同，其中HP濾波法分離出的氣象產(chǎn)量表現(xiàn)更為合理。以HP濾波法分離出的氣象產(chǎn)量為基礎(chǔ)設(shè)計(jì)的關(guān)于氣象因子的嶺回歸氣象產(chǎn)量預(yù)測(cè)模型擬合優(yōu)度為0.996，模型表現(xiàn)較為優(yōu)秀，能夠較為精準(zhǔn)地反映及預(yù)測(cè)宣州區(qū)煙草產(chǎn)量。由于煙草觀測(cè)數(shù)據(jù)有限等原因，該氣象產(chǎn)量預(yù)測(cè)模型精度有待進(jìn)一步提高和驗(yàn)證。

參考文獻(xiàn)：

[1] 陶正達(dá)， 趙靜嫻， 顧荊奕， 等. 幾種分離方法在區(qū)域經(jīng)濟(jì)作物產(chǎn)量預(yù)測(cè)上的適用性分析： 以吳中區(qū)枇杷為例 [J]. 中國(guó)農(nóng)業(yè)氣象， 2023， 44（10）： 876-888.

[2] 賈晗思， 字雪明， 楊宇涵， 等. 保山壩區(qū)玉米產(chǎn)量預(yù)測(cè)模型研究 [J]. 南方農(nóng)業(yè)， 2023， 17（17）： 37-41.

[3] 張勇， 屈振江， 劉璐， 等. 渭北蘋(píng)果花期凍害氣象指數(shù)保險(xiǎn)設(shè)計(jì) [J]. 氣象科技， 2023， 51（4）： 605-612.

[4] 溫欣茹， 萇自力， 葉永飛， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的張家口市莜麥氣象產(chǎn)量預(yù)測(cè)研究 [J]. 科學(xué)技術(shù)創(chuàng)新， 2023（17）： 93-96.

[5] 胡安霞， 田青， 曹魯， 等. 氣象條件對(duì)油菜生產(chǎn)影響的分析——以安徽宣城為例 [J]. 中國(guó)農(nóng)學(xué)通報(bào)， 2018， 34（22）： 109-112.

[6] 吳琦磊， 鄧金堂. 基于EViews的我國(guó)農(nóng)產(chǎn)品產(chǎn)量與相關(guān)投入的模型分析與預(yù)測(cè)檢驗(yàn) [J]. 情報(bào)探索， 2010（5）： 39-41.

[7] 曹魯， 孫玲玲. 宣城市宣州區(qū)氣候?qū)煵萆a(chǎn)的影響 [J]. 現(xiàn)代農(nóng)業(yè)科技， 2023（13）： 174-177， 181.

[8] 楊楠. 嶺回歸分析在解決多重共線(xiàn)性問(wèn)題中的獨(dú)特作用 [J]. 統(tǒng)計(jì)與決策， 2004， 20（3）： 14-15.

[9] 楚建軍， 陳平， 李虎， 等. 大氣污染與肺癌關(guān)系的嶺回歸分析——徐州市1980—1991年大氣污染與肺癌斷面研究 [J]. 環(huán)境與健康雜志， 1993， 10（5）： 201-204.

[10] 熊?chē)?guó)經(jīng)， 董玉竹， 宗瑾. 基于嶺回歸法對(duì)“三廢” 排放影響因素的研究——以江西省為例 [J]. 生態(tài)經(jīng)濟(jì)， 2017， 33（2）： 103-107.

[11] 邱強(qiáng)， 顧尤莉. 國(guó)際能源價(jià)格波動(dòng)對(duì)我國(guó)碳排放影響的效應(yīng)研究——基于嶺回歸分析 [J]. 國(guó)際商務(wù)研究， 2017， 38（5）： 35-46.

[12] 胡立勇， 丁艷鋒. 作物栽培學(xué) [M]. 北京： 高等教育出版社， 2008.

[13] 楊霏云. 實(shí)用農(nóng)業(yè)氣象指標(biāo) [M]. 北京： 氣象出版社， 2015.

（責(zé)任編輯：易" 婧）