栾 青 ，马雅丽 ，李伟伟 ，相 栋

（1.山西省气候中心，山西太原030002；2.侯马市气象局，山西侯马043010）

冬小麦是我国主要粮食作物之一，其播种面积占粮食播种面积的1/5。在北方，其地位更加重要，播种面积和总产量占全部粮食播种面积和总产量的1/2[1]。在当今气候变暖的背景下，农业生产的不稳定性、产量波动增大等一系列问题显得尤为突出[2-5]。

临汾市是山西省冬小麦的种植主产区，据近5 a（2004—2009年）播种面积统计，临汾市冬小麦种植面积占山西省冬小麦种植面积的33.8%。因此，准确地估计冬小麦的产量，对于政府部门及时、准确地掌握粮食生产状况，进行粮食宏观调控具有至关重要的作用[6]。

本研究从冬小麦产量预报实际业务出发，在ArcGIS地理信息系统软件下提取临汾市冬小麦种植区不同时期的气温、降水和日照作为因子，建立了临汾市冬小麦动态气象估产模型，经验证模型估产误差较小，稳定度较高。

1 资料和方法

本研究选用的资料为临汾市各县（市）1981—2008年的气象站地面观测资料和冬小麦产量资料。1982—2007年数据用于建模，2008年的数据用来验证估产模型的准确性。

气象观测资料包括旬降水量（mm）、旬平均气温（℃）、旬日照时数（h）；产量资料来自临汾市各县（市）冬小麦单产（kg/hm2）；地理信息数据来自临汾市各县（市）边界矢量文件及冬小麦种植区矢量图层（矢量图层通过解译MODIS卫星资料，综合了区域的DEM、坡度、坡向等资料得到[7]）。

数据处理过程包括[8]：（1）将研究区内气象站点的各气象因子以旬为单位进行空间内插（插值方法选用克里格法（KRIGING）[9]，内插空间分辨率为250 m），得到研究区内1981—2008年每年各旬的气温、降水和日照3个气象因子的空间数据。（2）在ArcGIS地理信息系统软件下，利用Grid模块提取研究区内耕地部分1981—2008年各旬气象数据。并利用县界Coverage进行分县统计耕地上的气象因素均值，最后将各县气象要素均值作为建模所用的气象要素数据。

2 模型建立

2.1 估产模型因子的选取

气象条件对作物产量的形成起着重要的作用。考虑到气象因素对作物产量的影响具有贮存性，且对作物生长具有一定的滞后性。因此，本研究建模时采用的气象因子为一段时间内的累积值。同时，从产量预报业务需求出发，本研究从冬小麦返青至成熟期，以旬为单位共模拟7次，建立7个时期的估产模型，分别为3月下旬、4月上旬、4月中旬、4月下旬、5月上旬、5月中旬和5月下旬。

临汾市冬小麦生长期一般为：9月上旬播种，10月上旬出苗生长，12月至第2年2月为越冬期，3月份开始返青生长，一直到6月上旬收获，全生育期有240～250 d。气温、降水和日照时数以及各因子的累积作用对冬小麦产量影响较大[10]，因此，本研究建模时选用的气象因子为：9月1日至11月30日的降水量（R9-11），12月1日至第2年2月28日降水量（R12-2），第2年3月降水量（R3）；10月1日至11月30日平均气温（T10-11），12月1日至第2年2月28日的平均气温（T12-2），第 2年 3月平均气温（T3）；第 2年3月日照时数（S3）。当模拟4月上旬时，R3/T3/S3分别改为R3-4f/T3-4f/S3-4f表示3月上旬持续到4月上旬的各因子状况……，以此类推。

2.2 产量数据处理

2.2.1 产量分解 农作物的最终产量是在各种自然因素和非自然因素的综合影响下形成的。到目前为止，国内外研究者大都将这些因素按影响的性质和时间尺度划分为农业技术措施、气象条件和随机“噪声”3大类。

因此，可将作物产量Yt分解为3个部分：（1）由技术进步、农业政策、物质投入的增长而引起的作物产量的增长，它反映了一定历史时期的社会经济技术发展水平，称为时间技术趋势产量，简称趋势产量（Yit）；（2）由气象条件类差异造成作物产量的波动，相应的产量分量称为气象产量（Yiw），它反映气象波动对产量的影响；（3）由随机因子影响的随机误差项产量（ei）（为不可控制因素，一般可忽略不计）。即：

气象模型建立的关键步骤是将农作物产量分解成趋势产量和气象产量。然后再分别模拟趋势产量和气象产量。

气象产量＝农作物产量－趋势产量，即：

2.2.2 趋势产量的预测 趋势产量预测的方法有直线回归、指数函数、正交多项式回归、幂函数、滑动平均法等，进行趋势产量预报建模时可根据实地产量状况选择其中的1种方法进行计算。趋势产量的形式一般符合“S”型曲线或直线形式。本研究采用3点滑动平均法来计算趋势产量。

2.3 建模方法

按照2.2产量分解方法及趋势产量的预测方法，将1981—2008年山西省临汾市冬小麦产量数据分解成趋势产量和气象产量。在ArcGIS地理信息系统软件下，首先以旬为单位，将气温、降水和日照数据插值，然后提取临汾市冬小麦种植区的气象要素。将分解得到的气象产量作为因变量，提取的旬气象要素作为自变量，在SPSS 11.5统计软件中进行多元回归，建立冬小麦估产模型，共建立7个时期的预报模型。

3 结果与分析

3.1 建模结果

本研究成果目标是要在实际业务中进行运用，因此，大致按照冬小麦生育期以旬为单位，从3月下旬开始到5月下旬，共建立7个时期的冬小麦产量预报模型。

以3月下旬为例，建立的冬小麦气象产量预报模型为：Y＝0.99×R9-11＋1.96×R12-2－0.61×R3＋8.30×T10-11－55.56×T12-2＋76.09×T3－2.72×S3－339.607。

以此类推建立4月上旬、4月中旬、4月下旬、5月上旬、5月中旬和5月下旬的临汾市冬小麦的气象产量预报模型，各模型参数如表1所示。

表1 临汾市冬小麦估产模型参数

3.2 模型验证

将2008年的气象数据分别代入表1中不同时期的气象估产模型中，计算2008年临汾市的气象产量，然后再加上趋势产量，得到2008年不同时期冬小麦的预测产量。将预测值与实际统计值进行比较，对模型进行验证。验证结果如表2所示。

表2 临汾市冬小麦动态估产模型验证结果

从表2的验证结果可以看出，2008年3月下旬至5月下旬，利用临汾市冬小麦动态估产模型模拟结果的相对误差在-0.36%～5.87%之间，变幅最大为6.2%，相对误差绝对值在0.33%～5.87%之间，其平均相对误差绝对值为3.54%。

4 结论与讨论

（1）本研究在ArcGIS系统支持下，首先将离散的气象站点观测数据利用空间内插的方法进行插值，然后再提取冬小麦种植区的气象要素，将提取的气温、降水和日照数据与冬小麦产量建立多元回归模型。相比单纯利用气象站点的观测数据，建模具有更强的科学性。

（2）本研究在建立冬小麦估产模型时，选取了气温、降水、日照3个主要气象因子，且考虑了气象因子对作物产量的贮存性和滞后性。通过验证，本研究建立的冬小麦动态估产模型的误差较小，波动性变化较小，稳定度高，适合于实际业务运行。模型结果及因子选取方法对山西省冬小麦估产工作具有一定的指导意义。

（3）本研究估产模型还存在一定的弊端，一是需要大量的气象资料，二是极端天气气候事件可能导致较高的估产误差。因此，使用该估产模型时再结合遥感估产，能提供精度更高的估产结果。

（4）大量学者对冬小麦估产都进行过研究，但数据大都基于气象站观测数据、抽样调查数据或是统计数据，存在一定的片面性。本研究首先提取冬小麦种植区的气象要素，然后再建模，相比单纯利用气象站点的观测数据建模，具有更强的科学性。

（5）本研究提取1981—2008年气象因子时使用了同一个冬小麦种植区矢量图层，且受到MODIS卫星数据空间分辨率（250 m）的限制，提取的冬小麦种植面积存在一定的误差。如果使用更高分辨率的卫星数据解译，种植面积将更加准确，估产的误差也将进一步减小。

[1]任建强，陈仲新，唐华俊.基于MODIS-NDVI的区域冬小麦遥感估产：以山东省济宁市为例[J].应用生态学报，2006，17（12）：2371-2375.

[2]车少静，智利辉.气候变暖对石家庄冬小麦主要生育期的影响及对策[J].中国农业气象，2005，26（3）：180-183.

[3]余卫东，赵国强，陈怀亮.气候变化对河南省主要农作物生育期的影响[J].中国农业气象，2007，28（1）：9-12.

[4]汪青春，张国胜，李林，等.柴达木盆地近40 a气候变化及其对农业影响的研究[J].干旱气象，2004，22（4）：32.

[5]姚晓红，李侠.气候变暖对天水市川灌地玉米生长发育的影响及对策研究[J].干旱气象，2006，24（3）：30.

[6]王培娟，谢东辉，张佳华，等.BEPS模型在华北平原冬小麦估产中的应用[J].农业工程学报，2009，25（10）：148-153.

[7]常捷.基于RS和GIS的流域耕地时空变化研究：以伊洛河流域中部洛宁县为例[J].河南农业科学，2003（7）：37-39.

[8]任建强.基于遥感技术的冬小麦区域估产模型研究 [D].北京：中国农业大学，2006.

[9]段晋芳，王青杵，王改玲，等.基于GIS的山西永定河流域降水空间插值方法分析[J].山西农业科学，2010，38（3）：44-47.

[10]朱蒙芬，李红艳，孟春香，等.呼伦贝尔市2006年气候条件对农业影响分析[J].内蒙古农业科技，2009（5）：77-78.