基于区域试验的空间序列气象产量分离方法——以丰乐-新世纪联合体黄淮南片小麦区域试验为例

李俊秀 周景春 张存岭

（1濉溪县城市管理局，安徽濉溪 235100；2濉溪县气象局，安徽濉溪 235100；3濉溪县科学技术协会，安徽濉溪 235100）

由全球气候变化导致极端天气事件发生频率不断上升，极端天气事件造成的气象灾害成为影响农作物年际产量的最主要因素。作物生长发育及最终产量与光、热、水、相对湿度条件之间的关系错综复杂，同时受因子组合的影响。1个因子或几个因子对农作物生长的正效应可能被其他因子加强、减弱或完全抵消。准确获取气象产量是评估气象灾害对作物产量影响的前提[1]，也是明确气象限制因子及影响时期的关键。选取合适的方法，将作物产量序列进行合理、准确的分解，是研究气象因子对作物产量影响的重要步骤[2]。

作物产量主要受社会因素以及自然因素影响，同时还存在偶然因素。社会因素的影响表现为科技进步和投入增加所引起的生产力水平提高、作物产量逐步递增，这部分产量称为趋势产量。气象因素是自然因素中最主要的影响因素，自然因素年际间、区域间变化造成的作物产量波动称为气象产量。由一些偶然因素变动引起的作物产量变化称为随机产量。由于随机产量对实际产量影响较小，无法用函数的形式表达出来，不能量化，且多年均值为0，一般忽略不计。

趋势产量是一种长期稳定变动的均匀信号，而气象产量、随机产量具有不确定性、无规律性，利用现有数据对趋势产量进行统计拟合比直接测算气象产量、随机产量更合理。在通过显著水平检验的前提下拟合趋势产量，利用实际产量与趋势产量的差求得气象产量，是分离气象产量最有效的方法[3]。目前，用于拟合时间序列作物趋势产量的方法可归为移动平均法（3年、5年、单指数、双指数等）、回归分析法（线性、非线性）、滤波分析法（HP、BP等）3类[1-6]，3类方法各具特点，且对不同地区、不同农作物的趋势产量拟合准确度存在差别，用于拟合空间序列作物趋势产量的方法鲜见报道。

1 利用区域试验分离气象产量方法推导

2017—2019年度丰乐联合体黄淮南片区域试验承试点25个，汇总23点；2019—2020年度新世界联合体生产试验承试点22个，汇总21点。3年共同的汇总点16个。在这16个试点中，3年平均试点产量7 283.4～9 246.3 kg/hm2，平均8 017.2 kg/hm2。与3年平均试点产量相比，2017—2018年度为-23.10%～5.99%，平均-13.13%，为歉年。2018—2019年度为-10.56%～21.11%，平均9.58%；2019—2020年度-12.64%～14.40%，平均3.55%；均为丰年。

时间序列趋势产量回归分析，将实际产量设定为因变量，将年份设定为自变量，采用最小二乘法建立自变量与因变量的线性或非线性拟合模型[4]。空间序列最基本的自变量为经纬度。逐步回归分析表明，试点产量（Y）与试点纬度（X=（N-32）×6，N代表纬度）曲线相关，Y=3 978.49+2 069.013N1/2-257.968N，P1/2=0.016，P=0.057，F=5.162**。同一试点年际间经纬度没有变化，而作物产量年际间存在明显的丰歉。因此，纬度只能用来拟合单一生产周期的趋势产量，不能分离多年度的气象产量。进行空间序列趋势产量拟合，必须寻找1个自变量，这里设定为空间指数（S），插入公式如下：

在区域试验产量参数分析中，以参试种产量为因变量，各试点全部参试品种平均产量（试点产量）为自变量进行回归分析，用回归系数评价品种适应性[7]。年度试点产量本身包含丰歉，以年度试点产量拟合趋势产量，势必遗漏影响产量的部分气象限制因子。同时，只能分离参试品种产量，不能分离试点的气象产量。

3年平均试点产量（Y3a）代表试点正常年份的技术水平，与各年度试点产量（Yi）呈极显著正相关（表1）。直接用3年平均试点产量直线回归拟合趋势产量，会造成同一试点3年的趋势产量一样，为此引入年增长量。时间序列趋势产量滑动平均法，将连续3、5年的作物单产看作是变化的线性函数。1985—2018年河南省小麦单产每10年增加1 158 kg/hm2，约增产1.95%[5]。2000—2019年，冬小麦主产区各地年均单产在3 426～5 910 kg/hm2，区域年均增产83.12 kg/hm2，约增长1.78%[6]。这里年增产率取1.90%。

表1 试点产量与3年平均产量的回归关系

分析表明（表2），空间指数与试点和品种产量（Yw）呈极显著直线正相关，可以拟合趋势产量。这里采用相对气象产量表征产量波动，使结果更具可比性。试点和参试品种相对气象产量为0.00%±11.18%～-0.01%±13.25%。2017—2018年为-11.39%±9.04%，2018—2019年度10.15%±9.11%，2019—2020年度1.28%±6.68%，与实际产量的丰歉吻合。

表2 趋势产量拟合直线回归方程

2 利用区域试验分离气象产量的优势

2.1 原始数据准确可靠

品种区域试验是指通过统一规范要求进行试验，对新育成品种的丰产性、适应性、抗逆性和品质进行全面鉴定，根据品种在区域试验中的表现，结合抗逆性鉴定和品质分析结果，进行综合评价，是品种审定和推广的依据。由国家和省（区、市）品种审定委员会组织实施，有统一的试验方案。田间试验由试验站、农科院或种子企业的专业技术人员在相对固定的试验地点实施，全区或去边行收获计产，按标准含水量折算，品种表现差异大、数据记载不完整、或不能真实反映品种性状的试点不纳入汇总。逐日气象数据来自距试验地点最近的国家基本气象站。

2.2 样本容量大

育成品种完成试验程序一般要进行2个正季生产周期的区域试验和1个正季生产周期的生产试验。汇总点区域试验不少于10个，生产试验不少于区域试验。3a至少30点次。

2.3 不需要人为划分生育期

品种区域试验要求田间记载物候期，如小麦播种、出苗、抽穗和成熟期，玉米播种、出苗、抽雄、吐丝和成熟期，大豆播种、出苗、开花和成熟期。统计逐日气象数据不需要人为划分生育期。

2.4 便于检验准确性

趋势产量拟合准确性直接影响气象产量分离准确度，趋势产量的准确拟合尤为重要。完成试验程序的参试品种均参加3个正季生产周期试验，可同时进行试点和多个参试品种气象产量分离，以检验趋势产量拟合的准确性。

丰乐-新世纪联合体黄淮南片区域试验小麦实际单产与空间指数呈极显著直线正相关，相关系数为0.525～0.622，P≤0.000 2，气象产量最大占比19.88%～31.85%（表3），具有合理性意义[3]。

表3 试点和不同品种的气象产量

同一试验不同参试品种应具有相似的产量趋势[4]，气象产量具有基本相同的波动趋势。笔者分析的区域试验，试点和品种气象产量之间呈极显著正相关，且相关系数≥0.735 1，2/3的试点表现同升（增产）同降（减产）；丰产年份不乏减产试点，减产试点也有品种增产，反之亦然（表4）。这说明利用空间指数拟合趋势产量能有效捕获气象因子对产量影响和品种间差异。

表4 不同试点的相对气象产量范围

产量分离目的是找到气象因子与作物产量之间的关系。同一生态区气候特征相似，且大面积农业气象灾害发生往往与大的天气过程有关。不同品种气象产量与气象因子的相关性应该一致，且与作物生长发育特性具有很强的合理性。相关系数出现数值较大正负差异，应重新进行产量分离。笔者分析的区域试验，只有部分对作物产量没有影响的气象因子，与相对气象产量的相关系数出现正负差异，其相关系数绝对值≤0.166（P≥0.265）；但凡有相关系数绝对值≥0.195（P≤0.189）的，都没有出现正负差异，具有一致性（表5）。11月、1—4月最低气温和5月最高气温，11—12月、2月相对湿度和11—12月降水量与相对气象产量正相关；10月和3、5月的降水量、相对湿度与相对气象产量负相关；这些都与小麦生长发育对气象条件的要求吻合。品种间差异表现在相关系数、回归系数的大小上。

表5 主要气象因子与相对气象产量的相关系数

3 结论

应用区域试验数据分离气象产量，分析影响作物产量的主要气象因子及关键时段，具有原始数据准确可靠、样本容量大、不需要人为划分生育期、便于检验准确性等优势，依空间指数直线回归拟合趋势产量操作简便，结果合理。