王贺然，张 琪，陈鹏狮，赵 明，刘东明，黄 岩，黄 悦

（1.辽宁省生态气象和卫星遥感中心，沈阳110166；2.辽宁省气象台，沈阳110166；3.中国平安财产保险股份有限公司，深圳518048）

东北地区作为中国粮食主产区和商品粮基地，对于农产品产业链来说，其农业气象条件、农作物长势、未来产量尤其受到关注，产量预测结果的关注主体由政府、行业部门转为市场主体［1，2］。近年来，资本、技术对农业的关注、投入逐渐增多，不仅农作物种植者，农产品产业链上的收储、加工、贸易企业和涉农互联网、金融、保险、电商企业均开始关注作物产量［3］，各大机构已经在生长季期间，独立或联合开展主产区作物长势调查，动态跟踪作物长势，并与行业部门合作，分析气象条件对作物后期产量形成的影响而进一步预测产量，为作物收储、农产品生产、资本市场投资行为、农作物灾害理赔等提供参考依据。所以提供动态、准确的农业气象条件对作物产量的影响预测信息及对政府和行业部门、市场主体、种植户制定决策、调整市场行为、从事农业生产活动意义重大。

中国从20世纪70年代就着手研究产量预报方法［4］，80年代开展业务化应用［5］，涉及的作物种类不断增加［6-10］。目前产量预报业务中普遍采用的方法包括农学方法、统计学方法、遥感估产、作物生长模型等，随着静态预报到动态预报的发展，产量预报的准确度、精细化程度、预报时效逐渐提高［1，5，11］，产量预报结果可以应用到作物产量预报、农业气象条件评价、农业气象灾害影响预测或评估等方面。在统计学方法中，目前气象部门主要基于关键气象因子、气候适宜度指数、作物产量历史丰歉气象影响指数进行产量动态预报［3］。基于关键气象因子、气候适宜度指数的产量动态预报方法已经应用于辽宁省春玉米、水稻、大豆的产量预报中［2，3，12］，但基于作物产量历史丰歉气象影响指数的方法在辽宁省尤其是分市作物产量预报的应用尚未有报道。目前市场主体对作物产量预测信息的需求不仅局限于其主产省，更重要的是及时明确当年的主产市县、高产市县、优产市县，这些决定了收获期市场主体的市场行为，对于粮食收购商、贸易商、保险公司等产业链企业或服务商来说，更早更准确的产量预测信息和产地信息，可以提升物流效率、降低运输成本、获得更多利润，对理赔成本的计算和保险产品覆盖地区的调整提供指导。

本研究应用前人研究方法，对辽宁省14市及全省的春玉米、水稻、大豆单产进行逐候预报，为完善该地区产量预报的关键技术、提高产量预报业务的精细化水平提供技术支撑。

1 材料与方法

1.1 区域概况

辽宁省是中国的粮食主产省，具备较强的粮食生产和贸易优势，粮食产量万众瞩目。辽宁省不仅有多个产粮大县，而且发展形成了多个北方重要粮食贸易港。春玉米、水稻、花生、大豆分别是辽宁省前四大作物，受雨养条件限制，辽宁省内春玉米、花生、大豆等旱田作物的产量几乎完全依赖气象条件。

1.2 资料来源

气象资料为1980—2016年辽宁省56个气象站作物生长季（5—9月）逐日最高气温（℃）、最低气温（℃）、降水量（mm）和日照时数（h），来自辽宁省气象信息中心；产量资料为1980—2016年辽宁省及1992—2016年辽宁省14个市的春玉米、水稻、大豆单产（kg/hm2），来自辽宁省统计年鉴。

1.3 资料处理

1.3.1 气象资料处理采用算术平均的方法，将各站气象资料处理成区域气象资料，形成省、市日平均气温，日平均降水量，日平均日照时数。将区域气象资料由日资料处理成候资料，形成省、市候平均气温，候累积降水量，候累积日照时数，以自然月为计算周期，每候5 d或6 d（31日所在候），生长季5—9月共30候。将区域气象资料按候累加处理成预报日期前的区域分段气象资料，并对部分气象要素进行标准化处理。计算播种（5月第1候）以来，每5 d或6 d省、市的积温、分段累积降水量、分段累积日照时数，即5月1日至5月6日、5月1日至5月10日、5月1日至5月15日、…以此类推。将分段累积降水量、分段累积日照时数进行标准化处理，处理后分别称为分段累积标准化降水量、分段累积标准化日照时数。分段累积标准化降水量计算公式如下：

1.3.2 产量资料处理本研究作物产量计算公式如下：

式中，ΔYi为第i年与第i-1年的作物单产的变化，即产量丰歉值，Yi和Yi-1分别为第i年和第i-1年作物单产，i代表第i年，i-1代表第i年的前一年。

1.4 预报方法

1.4.1 基本原理某一地点，相邻年份土壤条件不变、技术水平变化不大，如果忽略品种因素，作物单产的变化可认为由气象要素的差异引起，所以作物产量与播种以来的气象条件密切相关，相似的气象条件会引起作物相同的产量变化幅度，因此，首先根据气象要素的综合诊断指标确定作物生长某一阶段气象条件相似的年份，再根据这些历史相似年中同种作物前后两年产量变化情况计算预报年作物产量丰歉气象影响指数，建立作物产量动态预报模型［7，13，14］。

1.4.2预报方法的确定

1）综合诊断指标的建立和历史相似年的选择。

利用欧式距离和相关系数法计算预报年气象要素与历史上任意一年同一时段同类气象要素差异，建立综合诊断指标，判断历史相似年的排序。本研究选择积温、分段累积标准化降水量、分段累积标准化日照时数3个气象要素分别代表温、水、光3种气象条件，以候为预报周期对2016年辽宁省春玉米、水稻、大豆单产进行预报，预报时间为气象要素所在时段下一候的第一天。

相似距离计算公式如下：

相关系数计算公式如下：

综合聚类指标计算公式如下：

式中，cik为预报年（k年）与历史任一年（i年）的综合聚类指标，是综合诊断指标，其值越大，则预报年与历史某一年的气象影响程度越一致，dik为欧氏距离，rik为相关系数。k为预报年，i为历史任一年，j为气象要素的序号，xkj为预报年作物播种至预报时间第j个气象要素值，xij历史任一年同一时段同类气象要素值，n为资料长度。针对每个气象要素，选择cik值最大的3年为历史相似年，共9年。

2）产量丰歉值的计算。

前人由于对温、光、水等气象条件分别用多种气象要素来表示，所以可以对气象要素进行多种组合计算，对比分析出历史相似年作物单产的变化值与预报年最接近的组合，对选种的组合采取单因子分析、两因子组合分析、大概率分析、加权平均分析、综合影响指数分析、集成分析等方法，确定产量动态预报的预报因子和预报方法［7］。本研究选择积温、分段累积标准化降水量、分段累积标准化日照时数一种组合，采用加权平均分析方法计算预报年作物产量丰歉气象影响指数。

式中，ΔY′i为第i年作物产量丰歉气象影响指数即作物单产丰歉值的预报值，ΔYi(+)为9个历史相似年型中作物单产丰歉值为正值的累加，ΔYi(-)为9个历史相似年型中作物单产丰歉值为负值的累加，l为作物单产丰歉值为正值的个数，m为作物单产丰歉值为负值的个数，a(+)为预报值为正值的概率，a(-)为预报值为负值的概率。

3）产量预报值的计算。

根据式（7）计算作物单产丰歉值后，利用式（10）计算作物单产的预报值。

式中，Y′i为第i年作物单产预报值，Yi-1为第i-1年作物单产，ΔY′i为第i年作物单产丰歉值的预报值。

1.4.3 检验方法的确定对2016年辽宁省作物单产动态预报结果进行检验，用单产预报准确率来评价预报模型，单产预报准确率的计算方法见式（11）。

式中，Y′i为第i年作物单产预报值，Yi为第i年作物单产实际值。

2 结果与分析

2.1 气象要素相似年

因为辽宁省省、市作物产量序列不同，为了寻找省气象条件更为相似的历史年，分别根据2016年省、市气象数据确定历史相似年而预测各级作物单产。表1列出了不同预报时间（以7月16日、8月26日、9月21日为例），省、市的温度相似年、日照时数相似年、降水相似年。

由表1可知，在同一预报年中，对于同一预报地区，相同气象要素在不同预报时间的3个相似年有差异，有完全相同的，如沈阳市的降水相似年在3个时段的3年完全相同，有部分相同的，如沈阳的温度相 似年在3个 时段中2006年出现 了3次，2014年出现了2次，但没有完全不同的；在同一预报年中，对于同一预报地区，不同气象要素在同一预报时间的相似年有差异，多为完全不同，如沈阳市5月1日至7月15日3个气象要素的9个相似年完全不同，有部分相同的，如朝阳市5月1日至9月20日3个气象要素的9个相似年中，1995年和1998年均出现了2次，但没有全部相同的；在同一预报年中，相同预报时间，对于不同预报地区，同一气象要素的相似年有差异，有部分相同的，如5月1日至7月15日全省、大连市、鞍山市、锦州市、营口市、阜新市、铁岭市、朝阳市的降水相似年均有2014年、2015年，有完全相同的，如5月1日至8月25日朝阳市、盘锦市的降水相似年均为1995年、1998年、2010年，两个地区间会出现完全不同的情况，如5月1日至8月26日抚顺市、锦州市的6个降水相似年完全不同。

表1 辽宁省2016年气象条件的历史相似年

2.2 模型检验结果

同一预报年、预报时间相同时，尽管不同作物在同一预报地区的气象条件历史相似年相同，但同年份的气象条件对不同作物的影响不同，所以不同作物在相同相似年对应的单产变幅不同，丰歉值的预报结果不同。作物单产预报丰歉值与实际丰歉值见

由表2至表4可知，分作物看，春玉米的单产预报准确率大多高于80%，水稻的单产预报准确率大多高于90%，大豆的单产预报准确率大多高于80%，但不及春玉米。水稻的单产预报准确率普遍高于其他两种旱田作物且不同预报时间的预报值较稳定，各种作物的单产预报准确率并没有因接近成熟期而提高。分地区看，全省、沈阳市、鞍山市、抚顺市、本溪市、营口市、阜新市、辽阳市、铁岭市、盘锦市的春玉米、水稻的单产预报准确率高于大豆，大连市、丹东市、锦州市、朝市阳、葫芦岛市的水稻、大豆的单产预报准确率高于玉米。

表2 辽宁省2016年春玉米单产丰歉值的预报结果和单产预报准确率 （单位：%）

表3 辽宁省2016年水稻单产丰歉值的预报结果和单产预报准确率 （单位：%）

表4 辽宁省2016年大豆单产丰歉值的预报结果和单产预报准确率 （单位：%）

3 小结与讨论

本研究通过综合聚类分析，确定气象条件相似的历史年份，分别建立了辽宁省春玉米、水稻、大豆产量丰歉气象影响指数而进行产量预报。这种基于作物产量历史丰歉气象影响指数的产量动态预报方法，可以实现辽宁省三大粮食作物的逐候产量动态预报，且单产预报准确率普遍高于80%，可以满足辽宁省省级和大部分市级产量预报的业务需求。该方法与基于综合关键气象因子和气候适宜度指数的产量动态预报方法共同构成了基于统计学方法的辽宁省作物产量预报技术体系。

但该方法确定出来的相似年所表现出的差异与邱美娟等［15］的研究结果相同。这是因为同一省份内，不同地区的气候特征存在较大差异，如大连市和朝阳市，所以对于同一预报年，它们之间各自的相似年不具备可比性，不同气象要素的相似年有差异。但同一预报年，同一地区某一气象要素的相似年随时间会发生变化，甚至完全不同，这可能源于该方法的理论基础，因为这种相似在同一个地区寻找出的相对相似的气象相似年，这种相对的相似年会随着数据序列的变化而变化。

两次预报的产量丰歉趋势会出现相反的情况，这可能由于预报地区内不同地块气象条件在不同时段的差异造成的，因为模型的建立过程中没有明确体现出气象灾害的影响［7，9，13，15］，所以一定区域范围内，某一地块出现气象灾害，尤其是较严重的气象灾害，或者灾害范围较大时，该地区作物的减产风险就较大，产量预报结果可能从增产转为减产，如果这种灾害影响时段不是发生在作物的关键生育期，则产量预报结果可能再次转为增产。这个问题可以在一定程度上通过缩小预报地区的范围来解决，如根据地块产量和邻近的站点气象数据对某一相对小的地区开展产量预报，因为产量数据与气象数据更为匹配。