灰色预测理论分析气候因子对遵义烟区烟叶质量的影响

温明霞 黄纯杨 马国勇 芶剑渝 崔绍秋 李又庭

摘 要 依據遵义地区烟叶主要化学成分数据，采用灰色关联分析方法，分析影响烟叶主要化学成分的气候因子。结果表明，烟叶化学成分指标与气候因子存在相关性，尤其是与气温及其相关统计指标（≥20 ℃日数、积温）的相关性较高，依托构建的预测模型能够开展烟叶质量（化学成分）的业务化预测，精度较高，稳定性较好。

关键词 气候;烟叶质量;灰色预测理论;遵义烟区

中图分类号：S572 文献标志码：A DOI：10.19415/j.cnki.1673-890x.2022.09.007

收稿日期：2022-02-11

作者简介：温明霞（1985—），女，山西长治人，硕士，农艺师，主要从事烟草生产技术推广。

*为通信作者，E-mail：gllyt@sina.com。

烟叶的质量在很大程度上决定着烟草的经济价值，而良好气候环境条件是生产优质烟叶的基础[1-2]。在影响烟叶质量的众多因素中，气候是最活跃、可控性最差的因素。优质烟叶的地域分布与气候条件密切相关，国内外优质烟叶的产地均具有良好气候环境条件，气候条件的年际变化也影响着烟叶的质量[3-4]。在一定时期内，特定烟区的品种、种植政策、土壤、栽培技术、生产条件等变化不大，烟叶质量的高低、品质的好坏与气候条件的年际变化关系更为密切[5]。历史上一些典型的烟叶低质年，除少数是受政策、品种、栽培措施的影响外，大多由不利气候条件和气象灾害造成[6]。因此，研究烟叶质量与气候条件的关系，根据气候统计分析和预测进行烟叶质量预测，对于指导烟叶生产、增加税收、行业提质增效、烟农降本增收具有重要意义。

迄今为止，不少学者对烟叶质量与气候条件的关系进行了多方面研究，但应用数学模型对烟叶质量进行研究的成果较少，还缺乏较为准确可靠的烟叶质量与气候因子之间的关系模型[7]。再加上许多气象数据、烟叶质量数据在实际操作中收集困难，时效性和准确性都达不到要求，实际工作中难以通过气候因子预测烟叶质量。随着物联网、现代气象观测、移动互联网、精细化数值天气预报与气候预测等现代科学技术的发展，使及时采集、处理与统计分析烟叶生长气象环境与烟叶生产数据，制作并提供气候预测数据成为可能，为深入分析气候与烟叶产量质量关系模型、构建基于气候因子的烟叶质量预测模型、业务化制作发布烟叶质量预测奠定了基础。

本文选取遵义烟区湄潭县、绥阳县、桐梓县、余庆县及正安县5地烟叶质量数据，依据总糖、还原糖、烟碱、糖碱比及钾氯比5个烟叶化学指标数据和气候统计数据，应用灰色关联度分析方法探讨了影响遵义地区烟叶质量的气候因子，采用灰色系统理论构建了基于气候因子的烟叶质量预测模型，并根据当年生长季气候统计分析数据和气候预测数据进行生长季月度烟叶质量预测。

1 数据与方法

1.1 数据

烟叶质量包括外观质量、物理特性、化学成分、评吸质量及安全性等诸多方面，它们分别又由相互关联的不同评价指标组成，这些指标都不同程度地直接或间接影响烤烟的质量，各项质量指标的平衡协调程度决定烟叶的工业使用价值[6-7]。其中，烟叶的化学成分主要反映烟叶的内在质量，其含量及比值直接影响烟叶质量的优劣，可以作为反映烟叶品质的客观标准。根据项目要求和质量数据的实际情况，采用总糖、还原糖、烟碱、糖碱比及钾氯比5个指标进行烟叶质量的分析。

选取的气候因子为不同生育期的平均温度、降水量、积温、日照时间、日平均温度≥20 ℃日数、大田期日数等热量、水分和光照指标;预测模型构建选取的气候因子为不同生育期平均气温、降水量。烟叶质量预测气候数据为当年生长季气候统计数据（预测时间点以前）和气候预测数据（预测时间点以后）。

1.2  方法

1.2.1 影响烟叶质量的气候因子分析方法

影响烟叶质量的气候因子分析采用灰色关联分析（Grey Relation Analysis，GRA）方法，该方法是根据因素之间发展趋势的相似或相异程度，即灰色关联度，作为衡量因素间关联程度的一种方法[8]。灰色关联度分析适用于有少量数据或者无规律的数据的影响因子分析。本文采用灰色关联分析方法，分析影响各质量指标的气候因子并排序，综合分析得到影响烟叶质量的气候因子及其排序。

灰色关联度分析包括确定母序列和子序列、无量纲化处理、计算灰色关联系数、计算指标关联度及形成关联序列等步骤。母序列（比较数列）是反映系统行为特征的数据序列，子序列（参考数列）是影响系统行为的因素组成的数据序列，也就是需要确立顺序的因素序列。无量纲化处理是为了使不同的影响因子具有可比性，本文采用区间化法进行。关联系数是描述比较数列与参考数列在某时刻的关联程度的一种指标，把各个时刻的关联系数集中为一个平均值，得到关联度，以反映两个数列的关联程度，根据关联度排序确定影响因子的影响程度。

1.2.2 烟叶质量预测模型构建

基于历年烟叶质量和生育期气温、降水统计值，采用多变量灰色GM（0，N）模型建模方法，构建烟叶质量（某个化学成分）预测模型，为实施烟叶质量预测奠定基础。多变量灰色预测模型的算法步骤如下。

1）计算相关因素序列1-AGO、紧邻均值数列。输入原始序列X（0），对其进行累加生成序列X（1），即1-AGO序列，并在1-AGO序列的基础上生成紧邻均值数列。

假定原始序列（即系统特征数据序列）为：

[X01=X011，X（0）12，…，X01n]      （1）

相关因素序列1-AGO为：

[X02=X021，X022，…，X02n]      （2）

……

[X0N=X0N1，X0N2，…，X0Nn]      （3）

令[i=1，2，…，N]的1-AGO序列为[X1i]，其中：

[X1ik= k=1nX0ik，  i=1，2，…，N]     （4）

生成的紧邻均值数列：

[Z1ik=12X11k+X11k-1， k=2，3，…，n]     （5）

2）计算数据矩阵B及数据向量Y。GM（0，N）模型为：

[X11k=a+i=2NbiX1ik]    （6）

（6）式中：a为发展系数，bi为驱动系数，[biX1ik]为驱动项。

引入矩阵向量记号：

[B=x122x132…x1N2x123x133…x1N3⋮⋮⋱⋮x12Nx13N…x1NN， Y=x112x113⋮x11N]   （7）

3）计算模型参数。模型参数（发展系数a、驱动系数b）的计算采用最小二乘法。参数列[u=[a，b2，b3，…，bN]T]的最小二乘估计为：

[u=BTB-1BTY]    （8）

4）计算模型的拟合值或预测值。根据模型参数，得到GM（0，N）模型，导出烟叶质量预测模型;根据模型计算拟合值或预测值。

5）计算残差及相对误差，进行误差分析。残差=实际数据-模拟数据，即：

[Ek=x0k-x0k]        （9）

相对误差为：

[Qk=Ekx0k×100%， k=2，3，…，N] （10）

1.2.3 烟叶质量预测

1.2.3.1 烟叶化學成分预测

在烟叶生长关键时期（4—9月），依据当年生长季气候统计数据、气候预测数据，应用各化学成分预测模型，按月制作发布烟叶质量（总糖、还原糖、烟碱、糖碱比和钾氯比）预测信息，并计算划定烟叶质量收益年型。

根据烟叶的总糖、还原糖、烟碱、糖碱比、钾氯比及其适宜程度，统计分析各指标历年的变化情况，按照协调、较协调、欠协调3档，制定烟叶质量收益年型划分标准。

1.2.3.2 烟叶质量收益年型划分

对各指标测量结果进行无量纲化处理，对上部、中部、下部取平均值为相应指标的无量纲化值;再根据无量纲化值进行赋值，并转化为百分制得分。

由于质量化学成分指标属于区间型指标（某个范围内较适宜），无量纲化处理采用区间化法，指标处于适宜范围时，无量纲化值为1，偏差最大时无量纲化值为0，其余无量纲化值处于0～1。某化学指标得分为无量纲化值×100。

参照《贵州省遵义市烤烟种植区划》等研究成果，化学成分综合得分为5个指标的加权得分[9-10]，总糖、还原糖、烟碱、糖碱比和钾氯比的加权系数分别为0.12、0.19、0.22、0.33和0.14。根据综合得分，按照表1的标准确定质量收益年型。

2 结果与分析

2.1 影响烟叶质量的气候因子

总体而言，烟叶化学成分指标与气候因子存在相关性（灰色关联度大于0.5），只有2个站个别化学指标与特定时期的降水量不存在相关性（灰色关联度小于0.5）。其中，烟叶化学成分与气温及其相关指标（成熟期≥20 ℃日数、积温）的相关性较高，与降水量的相关性较低，与日照时间的相关性也不是很高。此外，各站气候因子关联排序并不完全相同，但总体趋势基本一致，见表2。

2.2 烟叶质量预测模型

依据历史烟叶质量与生育期气温、降水统计值，采用多变量灰色GM（0，N）模型建模方法进行建模。相关气象数据序列中，P表示降水量、T表示气温、数字表示月份，如P45代表4—5月降水量、T6代表6月平均气温。

2.2.1  桐梓县

总糖预测模型为：

[X01k=1.646 6X02k+0.008 9X03k]       （11）

（11）式中：[X02k]、[X03k]分别对应T45、P6数列。平均相对误差为0.144%，残差平方和为0.015 8。

还原糖预测模型为：

[X01k=1.529 2X02k-0.002 8X03k]       （12）

（12）式中：[X02k]、[X03k]分别对应T45、P6数列。平均相对误差为3.191%，残差平方和为5.204 0。

烟碱预测模型为：

[X01k=0.180 4X02k-0.001 7X03k]       （13）

（13）式中：[X02k]、[X03k]分别对应T45、P6数列。平均相对误差为1.902%，残差平方和为0.023 0。

糖碱比预测模型为：

[X01k=0.029 5X02k+0.843 7X03k]       （14）

（14）式中：[X02k]、[X03k]分别对应P45、T78数列。平均相对误差为2.346%，残差平方和为0.662 5。

钾氯比预测模型为：

[X01k=-0.017 1X02k+0.365 9X03k]       （15）

（15）式中：[X02k]、[X03k]分别对应P45、T78数列。平均相对误差为1.669%，残差平方和为1.047 2。

2.2.2  正安县

总糖预测模型为：

[X01k=1.204 1X02k]       （16）

（16）式中：[X02k]对应T6数列。平均相对误差为0.278%，残差平方和为0.028 5。

还原糖预测模型为：

[X01k=1.070 2X02k]       （17）

（17）式中：[X02k]对应T6数列。平均相对误差为4.408%，残差平方和为5.017 2。

烟碱预测模型为：

[X01k=0.108 6X02k]      （18）

（18）式中：[X02k]对应T78数列。平均相对误差为0.663%，残差平方和为0.001 4。

糖碱比预测模型为：

[X01k=0.568 6X02k]       （19）

（19）式中：[X02k]对应T6数列。平均相对误差为7.547%，残差平方和为2.866 4。

钾氯比预测模型为：

[X01k=0.014 1X02k]       （20）

（20）式中：[X02k]、[X03k]分别对应T78数列。平均相对误差为1.275%，残差平方和为0.219 3。

2.2.3  绥阳县

总糖预测模型为：

[X01k=1.517 5X02k+0.008 9X03k]       （21）

（21）式中：[X02k]、[X03k]分別对应T45、P6数列。平均相对误差为0.688%，残差平方和为0.305 7。

还原糖预测模型为：

[X01k=0.681 0X02k+0.021 7X03k]       （22）

（22）式中：[X02k]、[X03k]分别对应T6、P79数列。平均相对误差为0.112%，残差平方和为0.005 8。

烟碱预测模型为：

[X01k=0.008 2X02k+0.033 9X03k]       （23）

（23）式中：[X02k]、[X03k]分别对应P45、T79数列。平均相对误差为2.121%，残差平方和为0.029 5。

糖碱比预测模型为：

[X01k=0.529 2X02k+0.014 9X03k]       （24）

（24）式中：[X02k]、[X03k]分别对应T45、P6数列。平均相对误差为0.474%，残差平方和为0.021 1。

钾氯比预测模型为：

[X01k=-0.023 8X02k+0.490 6X03k]       （25）

（25）式中：[X02k]、[X03k]分别对应P45、T79数列。平均相对误差为0.014%，残差平方和为0.000 0。

2.2.4  湄潭县

总糖预测模型为：

[X01k=-0.019 2X02k+1.322 5X03k+                            0.009 6X04k]       （26）

（26）式中：[X02k]、[X03k]、[X04k]分别对应P45、T6、P78数列。平均相对误差为0.474%，残差平方和为0.280 4。

还原糖预测模型为：

[X01k=-0.029 3X02k+1.081 2X03k+                           0.020 8X04k]       （27）

（27）式中：[X02k]、[X03k]、[X04k]分别对应P45、T6、P78数列。平均相对误差为0.596%，残差平方和为0.237 5。

烟碱预测模型为：

[X01k=-0.003 0X02k+0.111 7X03k+                           0.002 7X04k]       （28）

（28）式中：[X02k]、[X03k]、[X04k]分别对应P45、T6、P78数列。平均相对误差为3.884%，残差平方和为0.132 5。

糖碱比预测模型为：

[X01k=0.020 9X02k+0.413 0X03k-                            0.006 0X04k]       （29）

（29）式中：[X02k]、[X03k]、[X04k]分别对应P45、T6、P78数列。平均相对误差为0.191%，残差平方和为0.008 8。

钾氯比预测模型为：

[X01k=-0.009 4X02k-0.631 9X03k+                            0.868 7X04k]       （30）

（30）式中：[X02k]、[X03k]、[X04k]分别对应P45、T6、T78数列。平均相对误差为8.188%，残差平方和为17.931 8。

2.2.5  余庆县

总糖预测模型为：

[X01k=1.600 5X02k-0.006 8X03k]       （31）

（31）式中：[X02k]、[X03k]分别对应T45、P78数列。平均相对误差为2.140%，残差平方和为1.699 1。

还原糖预测模型为：

[X01k=1.358 8X02k-0.005 1X03k]       （32）

（32）式中：[X02k]、[X03k]分别对应T45、P78数列。平均相对误差为1.767%，残差平方和为0.763 8。

烟碱预测模型为：

[X01k=0.100 7X02k+0.001 0X03k]       （33）

（33）式中：[X02k]、[X03k]分别对应T6、P78数列。平均相对误差为2.600%，残差平方和为0.022 6。

糖碱比预测模型为：

[X01k=0.828 5X02k-0.010 0X03k]       （34）

（34）式中：[X02k]、[X03k]分别对应T45、P78数列。平均相对误差为3.295%，残差平方和为0.651 7。

钾氯比预测模型为：

[X01k=0.274 8X02k-0.003 0X03k]       （35）

（35）式中：[X02k]、[X03k]分别对应T45、P6数列。平均相对误差为0.818%，残差平方和为0.055 5。

2.3 烟叶质量预测

根据2020年生长季气候统计数据、气候预测数据，应用各地各化学成分预测模型，进行化学成分值预测，再根据化学成分预测值计算质量综合得分，按照质量收益年型划分标准确定质量收益年型。各月预测结果见表3。从表格数据可知，2020年5个站点的收益年型均较好，无欠协调情况;桐梓县各月的收益年型均为较协调，在5个站点中质量最差;绥阳县和余庆县收益年型均为协调，在5个站点中质量最好。

3 讨论

各气候因子对烟叶质量的影响程度会因烟区不同而有所不同。在遵义烟区，各地气候因子的影响程度（关联排序）基本一致，气温及其相关指标（成熟期≥20 ℃日数、积温）影响相对较高，降水、日照时间的影响相对较低。但这并不意味着降水、日照等其他因子对烟叶质量的影响就小，只是反映了遵义烟区关键生育期内降水、日照等相对较好地满足烟叶生长的需要，年际变化相对较小。对其他烟区而言，气候因子的影响程度可能不同于遵义烟区，影响最大的气候因子可能为降水或日照时间。

烟叶质量预测模型构建应用了气温、降水这2类气候因子，是由现阶段气候预测的能力所决定的，其他气候因子预测的效果目前并不理想，难以支撑烟叶质量的业务化预测。由于烟叶质量资料年限较短，只能采用灰色预测理论以构建多变量灰色GM（0，N）模型。如果掌握较长时间序列数据，可运用多种方法建模，进行对比研究，构建效果更为理想的烟叶质量预测模型。

从2020年烟叶质量预测效果看，模型的精度与稳定性尚可，可用于业务化预测。但受基础数据年限较短的影响，模型预测效果有待实践的进一步检验，需要不断进行模型的校验和完善。

4 結论

本文以烟叶化学成分为切入点，分析了影响遵义烟区烟叶质量的气候因子，构建了基于气候因子的烟叶质量预测模型，并对2020年生育期烟叶进行了业务化的质量预测。结果表明，烟叶化学成分指标与气候因子存在相关性，尤其是与气温及其相关统计指标（≥20 ℃日数、积温）的相关性较高，依托构建的预测模型能够开展烟叶质量（化学成分）的业务化预测，精度较高，稳定性较好。今后，可在烟叶外观质量、物理特性、评吸质量和安全性等方面进行相关研究，从而构建全面的烟叶质量预测模型，进行烟叶质量预测。

参考文献：

[1] 贺升华，任炜.烤烟气象[M].昆明：云南科技出版社，2001.

[2] 彭新辉，易建华，周清明.气候对烤烟内在质量的影响研究进展[J].中国烟草科学，2009，30（1）：68-72.

[3] 戴冕.我国主产烟区若干气象因素与烟叶化学成分关系的研究[J].中国烟草学报，2000，6（1）：27-34.

[4] 石俊雄，陈雪，雷璐.生态因子对贵州烟叶主要化学成分的影响[J].中国烟草科学，2008，29（2）：18-22.

[5] 陈伟，王三根，唐远驹，等.不同烟区烤烟化学成分的主导气候影响因子分析[J].植物营养与肥料学报，2008，14（1）：144-150.

[6] 易建华，彭新辉，邓小华，等.气候和土壤及其互作对湖南烤烟还原糖、烟碱和总氮含量的影响[J].生态学报，2010，30（16）：4467-4475.

[7] 李东亮，冯广林.灰色系统理论在烟草质量评价中的应用[M].北京：中国水利水电出版社，2013.

[8] 刘思峰.灰色系统理论及其应用[M].8版.北京：科学出版社，2017.

[9] 贵州省遵义市烤烟种植区划项目组.贵州省遵义市烤烟种植区划[M].贵阳：贵州人民出版社，2015.

[10] 王彦亭，谢剑平，李志宏.中国烟草种植区划[M].北京：科学出版社，2010.

（责任编辑：刘宁宁  丁志祥）