李清斌，仲鹏志，魏莎莎，黄 新，陈 磊，孙军波，曹艳艳

（浙江省慈溪市气象局，浙江慈溪 315300）

0 引言

草莓是蔷薇科草莓属多年生常绿草本植物，因品种繁多、适应性强等特点，在中国南北方均有种植，是世界广泛栽培的重要经济作物。2020 年国内草莓种植面积达到13.16万hm2，年产量344.9万t[1]，然而在草莓单位面积产量上仅略高于世界平均水平，与美国、西班牙、以色列等国在单位面积产量上还存在较大差距[2]。现在对大棚草莓产量相关研究多为品种、栽培模式、土壤、水肥[3-7]等因素对其的影响，而基于超过10年的棚内小气候关键因子如棚内温度、总辐射、有效积温和辐热积等构建大棚草莓年产量气象预测模型则鲜有报道。

国内江南地区普遍采用无加温大棚早促成栽培进行草莓生产，与北方挡土墙可加温温室不同，故对江南地区无加温草莓大棚条件下产量的研究有其独特性和必要性。江南地区草莓大棚栽培面积较大且栽培模式相似的主要有上海、浙江、江苏、安徽等省市[8]。浙江省作为江南地区草莓主产省之一，2019年草莓种植面积达6253.34 hm2，产量达14.25 万t[9]。目前主栽品种‘红颊’占浙江草莓种植面积的80%以上[10]。近年来，随着设施大棚栽培技术的推广，大棚草莓种植以高产值、效益好等优势迅速发展，成为浙江省乡村振兴特色农产业的亮点，亦是农村经济的新增长点。

本研究以浙江省设施农业气象试验站大棚草莓11 个生长年份的产量品质观测资料以及棚内外关键小气候因子数据为材料，采用多项式预报方法，对大棚小气候要素关键因子与草莓产量相关性进行研究，构建基于有效积温和辐热积等小气候关键因子与产量的多元回归模型，以期了解大棚草莓关键小气候因子对产量的影响，找到大棚草莓关键小气候因子进行相应调控，并根据其变化规律保障莓农增产增收。

1 材料与方法

1.1 试验材料与试验地点

供试草莓品种为浙江省主栽品种‘红颊’，每年9月上中旬定植，12 月进入采果始期，采果期可持续到次年4月底结束。本研究所用草莓产量品质观测数据以及棚内小气候要素数据由2011—2021 年11 个年份观测而来。

试验在浙江省设施农业气象试验站（慈溪，121°17′30″E，30°12′15″N，海拔5.4 m）草莓试验大棚内进行，大棚为南方标准GP825 单体无加温钢管大棚，冬季采用多层膜覆盖保温。

1.2 试验设计

在浙江省设施农业气象试验站草莓试验大棚内采用随机区组试验设定试验小区，每小区观测10株无病虫害生长势一致的草莓壮苗，4个重复，共计40株试验苗。自每年9 月上中旬定植后开始观测其发育期，在进入采果期时分批采摘并称量记录各试验小区内果重指标，至次年4 月下旬采果期结束后统计该年度小区总产量。

棚内在草莓植株冠层布设温度、空气湿度、太阳总辐射等代表“光温湿”关键小气候要素自动观测探头，实时记录草莓全生育期棚内小气候要素变化情况。

1.3 试验方法

1.3.1 小气候要素数据获取及仪器设备 草莓大棚内关键小气候要素涵盖作物生长必需的“光温湿”三要素，其中气温、空气湿度的测定采用DHC2 温湿度二合一传感器测量，气温测量范围-50～60℃、分辨力0.1℃、准确度±0.2℃，空气相对湿度测量范围0%～100%、分辨力1%、精度±3%(≤80%)或±5%(＞80%)。太阳总辐射数据采用FS-S6A传感器测定，测量范围0～2000 W/m²、分辨力5 W/m2、准确度±5%（曝辐量日累计）。数据主采集系统采用32位操作系统，24位高精度模-数转换，自持式高精度实时时钟，月误差小于15 s；数据采集频率为20 s/次，存储每30 min的平均值。

1.3.2 果实产量数据获取 产量采取成熟即采、随采随测原则，用电子天平分批称量各小区采摘果总质量，MP1002（精度0.01 g）分析天平测量，记录采果日期，至采果期结束后统计该年度小区总产量。4个试验小区总面积6.67 m2，计算可得到试验小区单位面积产量。

1.4 数据处理

采用统计分析软件SPSS 18.0 和Excel 2007 数据分析软件对试验数据进行分析处理。

2 结果与分析

2.1 气象产量和趋势产量的分离

气象产量和趋势产量的分离趋势产量由地理环境、水肥、品种和生产力水平等因素决定。栽培制度相对较为一致，品种同为‘红颊’，产量数据均为同一基地试验观测，上述外部因素逐年变化幅度比较小，有相对的稳定性。

构建的趋势单产模型Y(T)的表达式如式(1)。

式中，Y(T)表示第T年的趋势产量，T表示年份，利用近10年（2011—2020年）的统计数据通过SPSS软件建立多元回归模型；a、b、c、d、e为参数；T是2011—2020年的单产时间序列，U表示第T年趋势产量模型产生的随机误差。得到草莓趋势产量模型如式(2)。

其中，T代表年序（如2011 年T=1，2012 年T=2，……，2020年T=10），Y(T)代表某年的趋势产量，趋势产量模型如图1中的曲线所示。大棚草莓气象产量为实际单位面积产量与趋势产量之差，根据预报方程分离的趋势产量与气象产量具体数值见表1。

表1 大棚草莓年气象产量预测值及预测精度

图1 大棚草莓逐年实际产量、趋势产量与趋势产量模型曲线

2.2 大棚草莓气象产量的处理及预报

根据产量与棚内小气候因子相关性分析发现，大棚草莓产量影响主要与温度和太阳辐射2个要素最直接相关，在产果前期温度作为产量预测参数相关性较强，而3月以后的采果中后期，辐射与辐热积作为参数相关性更强，故而筛选12月—次年2月棚内有效积温和3—4 月棚内辐热积作为产量预测模型关键气象因子，并用统计分析软件SPSS 18.0 分析处理相关数据，构建气象产量的模拟预报方程，如式(3)，复相关系数R=0.959(R2=0.919)，F=9.133，进行F显著性检验，F＜F0.05（差异达显著水平）。

其中，X1为12月棚内有效积温，X2为次年1月棚内有效积温，X3为次年2 月棚内有效积温，X4为次年3 月棚内辐热积，X5为次年4月棚内辐热积。

2.3 大棚草莓气象产量预测值及预测精度

用式(2)模拟得到趋势产量，根据式(3)模拟气象产量。把气象产量模拟值和模拟的趋势产量相加，即为大棚草莓预测单位面积产量。各年份产量预测结果见表1。

预测产量与实际产量的占比百分率即为预测精度，预测产量越接近实际产量，占比百分率越高，说明精度越高，反之则说明精度低。根据实际产量与预测产量计算得到预测精度，结果见表1，对该模型进行评价，各年预报精度均达90%以上，该模型能较好地满足产量模拟预报的精度要求，其中模拟预报精度达95%以上的有7年，精度达90%以上的有11年，平均精度达95.3%，其中2021年为大棚草莓产量预报检验年，模拟精度为90.82%。综上，本模型预测精度高，模型内关键参数指标容易获取，具有较强实用性。

3 结论

在作物产量的模拟和预报模型建立过程中，人们对经验数据分析最常用的统计方法有多项式分离法和滑动平均法，因滑动平均方法对样本数量有损耗，使用多项式方法分离气象产量和趋势产量，其优点在于不必减少样本数，尤其是当产量和气象资料的样本数比较少时，这种方法的优点比较明显，预测精确度更高[11-12]。

根据笔者团队早年研究，大棚草莓产量主要与温度和太阳辐射2 个要素最直接相关，在产果前期温度作为产量预测参数相关性较强，而3 月以后的采果中后期，辐射与辐热积作为参数相关性更佳[13]。但由于当时研究年限较短，仅构建了一些逐月模型，未对全年产量预测做出更精准的产量预测模型。而本研究在结合前人设施小气候关键因子研究基础上，结合更多年份设施小气候关键要素及大棚草莓产量数据，构建了更为合理、精准度更优的大棚草莓全年气象产量预测模型。

杨淑华等[14]结合降水量参数这种气象非线性因子，发现采用BP神经网络模型结合非线性因子精确度更高，而本研究关键小气候因子参数中气温、辐热积多为线性因子，故多元回归模型已可以简便快捷达到较高精度，便于在其他无降水这类非线性气象因子影响的设施作物小气候模型构建时参考应用。

草莓大棚内灌溉采用合理滴灌模式，与外界降水交互性较少，从水分的角度，受外界降水影响少，认为各月土壤水分含量在一个满足草莓生长需求的适宜值，草莓棚内全生育期不存在干旱减产或涝害减产等情况，故与露地作物产量预报模型中大量引入各月降水量作为参数不同，在该预报模型中未引入降水作为参数，有效积温和辐热积2个关键因子更有其合理性，冬春季大棚外界降水要素影响更多体现在间接影响降水时段的温度和太阳辐射变化。

每年的1、2月本应该是全年气温最低的2个月份，但近年来，冬季连阴雨频发，发生连阴雨时段较长的年份，1、2 月棚内累计有效积温反而较未出现连阴雨晴冷的年份高，但连阴雨对产量是有明显抑制作用的，故在产量预报方程中1、2月棚内有效积温与产量预测值呈反比；4月外界气温已升得过高，过高的棚温和过强辐射对草莓产量有明显抑制作用，故4 月辐热积与年气象产量预测值也呈反比。

4 讨论

在作物产量预报模型研究方面，大宗露地作物如小麦、水稻、玉米、棉花、大豆[15-19]等作物产量模型研究较多，预报技术方法也较为多样，除了统计预报模型，还有结合遥感的预报模型，结合大量作物参数的作物生长模拟方法等类型[20-24]，而对于设施作物产量预报模型目前研究报道较少，特别是对于无加温类型的南方钢结构大棚草莓年产量预报模型鲜有研究和报道。

本研究为设施作物小气候关键因子构建产量预报模型研究提供一定思路，但设施作物生长及产量品质形成除了受外界环境影响，内部还受到其自身水分和养分代谢影响[25]。Yang等[26]在对草莓露地产量预测模型中引入了可视化拍摄等现代化的手段，为今后大棚草莓产量预测研究方面开拓了新思路，今后的研究中，应通过生理生化试验等方式引入作物自身水分、养分代谢参数，并结合新的技术手段包括AI智能深度算法学习等前沿技术应用，使大棚草莓产量预报更加精准与完善。