河北省马铃薯不同产量预报方法对比分析

doi:10.3969/j.issn.1673-503X.2024.04.015

摘要/Abstract

摘要：

选用1982—2022年河北省17个基本气象观测站逐日资料、马铃薯产量数据以及生育期资料，应用3 a滑动平均法、5 a滑动平均法、五点二次平滑法、Hodrick-Prescott滤波法和二次指数平滑法对马铃薯产量进行分离计算，应用关键气象因子法和气候适宜度法对马铃薯产量进行模拟和检验，分析拟合产量与实际产量的相关系数、均方根误差以及预报准确率等。结果表明：5种产量分离方法的趋势产量总体变化较为一致；气象产量年际波动较大，各气象产量间差异也较大。在基于关键气象因子法和气候适宜度法的产量预报中，均为二次指数平滑产量分离法最好，HP滤波法次之，3 a滑动平均法较差。

关键词: 产量分离, 趋势产量, 气象产量, 产量预报

Abstract:

Utilizing daily meteorological data from 17 basic meteorological observation stations, along with potato yield and growth period data in Hebei province from 1982 to 2022, we compared potato yield of separation calculation using methods of three-year moving average, five-year moving average, five-point quadratic smoothing, Hodrick-Prescott filtering, and quadratic exponential smoothing, and applied the key meteorological factor method and the climate suitability method to simulate and validate potato yield, analyzing the correlation coefficients, root mean square errors, and forecast accuracy between the fitted and actual yields. The results indicated that all methods can fit the yield trend well. Meteorological yield exhibits significant inter-annual variability, with considerable differences among the yield separated by the different methods. For yield forecasting, the quadratic exponential smoothing method performs the best, followed by the Hodrick-Prescott filtering method, while the 3-year moving average method is the least effective.

Key words: Yield separation, Trend yield, Meteorological yield, Yield forecasting

中图分类号:

S532/P468

薛思嘉,王朋朋,魏瑞江,王云秀,杨梅,刘园园. 河北省马铃薯不同产量预报方法对比分析[J]. 气象与环境学报, 2024, 40(4): 123-130.

Sijia XUE,Pengpeng WANG,Ruijiang WEI,Yunxiu WANG,Mei YANG,Yuanyuan LIU. Comparative analysis of potato yield forecasting for different methods in Hebei province[J]. Journal of Meteorology and Environment, 2024, 40(4): 123-130.

图/表 9

表1

图1

图2

表2

表3

表4

表5

表6

表7

参考文献 28

1	何虹, 王巧娟, 李亮, 等. 宁夏引黄灌区玉米趋势产量与气候产量分离方法研究[J]. 灌溉排水学报, 2022, 41 (4): 30- 39.
2	成林, 刘荣花. 农学模式在冬小麦产量动态预报中的应用[J]. 气象与环境科学, 2017, 40 (2): 28- 32.
3	杨霏云, 朱玉祥, 李文科, 等. 统计方法在中国农业气象中的应用进展[J]. 气象与环境科学, 2016, 39 (3): 121- 129.
4	侯英雨, 王建林. 利用气象卫星资料估算全球作物总产研究[J]. 气象, 2005, 31 (8): 18- 21.
5	陈艳玲, 顾晓鹤, 官阿都, 等. 基于遥感信息和WOFOST模型参数同化的冬小麦单产估算方法研究[J]. 麦类作物学报, 2018, 38 (9): 1127- 1136.
6	帅细强, 陆魁东, 黄晚华. 不同方法在湖南省早稻产量动态预报中的比较[J]. 应用气象学报, 2015, 26 (1): 103- 111.
7	徐敏, 徐经纬, 高苹, 等. 不同统计模型在冬小麦产量预报中的预报能力评估—以江苏麦区为例[J]. 中国生态农业学报(中英文), 2020, 28 (3): 438- 447.
8	刘春涛, 慕臣英, 李德萍, 等. 青岛市崂山地区樱桃产量预报方法研究[J]. 气象与环境学报, 2017, 33 (5): 108- 112.
9	邱美娟, 宋迎波, 王建林, 等. 农业气象产量预报方法中权重系数的确定[J]. 气象与环境学报, 2016, 32 (2): 106- 111.
10	宋虎远. 河南省花生产量预报技术研究[D]. 郑州: 郑州大学, 2021.
11	王贺然, 张慧, 王莹, 等. 基于两种方法建立辽宁大豆产量丰歉预报模型对比[J]. 中国农业气象, 2018, 39 (11): 725- 738.
12	李心怡. 作物产量分离方法的比较——以江苏水稻为例[D]. 南京: 南京信息工程大学, 2020.
13	葛道阔, 曹宏鑫, 张文宇, 等. 4种水稻气象产量分离方法的对比研究[J]. 江西农业学报, 2020, 32 (12): 1- 6.
14	李琳琳, 王婷, 李雨鸿, 等. 基于关键气象因子的辽宁省水稻产量动态预报[J]. 大麦与谷类科学, 2017, 34 (4): 50- 54.
15	许鑫, 马兆务, 熊淑萍, 等. 基于气候年型的河南省冬小麦产量预测[J]. 中国农业科技导报, 2022, 24 (2): 136- 144.
16	赵桂涛, 刘中聚, 冯尚宗, 等. 基于气象因素的临沂水稻产量评估预测模型[J]. 江西农业学报, 2016, 28 (10): 71- 74.
17	赵东妮, 王艳华, 任传友, 等. 3种水稻趋势产量拟合方法的比较分析[J]. 中国生态农业学报, 2017, 25 (3): 345- 355.
18	牛浩, 陈盛伟. 山东省玉米气象产量分离方法的多重比较分析[J]. 山东农业科学, 2015, 47 (8): 95- 99.
19	李心怡, 张祎, 赵艳霞, 等. 主要作物产量分离方法比较[J]. 应用气象学报, 2020, 31 (1): 74- 82.
20	刘维, 宋迎波. 基于气象要素的逐日玉米产量气象影响指数[J]. 应用气象学报, 2022, 33 (3): 364- 374.
21	薛思嘉, 魏瑞江, 王朋朋, 等. 基于关键气象因子的河北省马铃薯产量预报[J]. 干旱气象, 2021, 39 (1): 138- 143.
22	赵迦琪. 呼包鄂地区气候舒适度时空变化及其关键气象因子分析[J]. 气象与环境学报, 2022, 38 (2): 78- 88.
23	周晓宇, 龚强, 赵春雨, 等. 辽宁省冰雪气候资源适宜性评价[J]. 气象与环境学报, 2020, 36 (5): 76- 85.
24	金林雪, 李云鹏, 李丹, 等. 气候变化背景下内蒙古马铃薯关键生长期气候适宜性分析[J]. 中国生态农业学报, 2018, 26 (1): 38- 48.
25	段晓凤, 钱华, 李剑萍, 等. 4种播期下西吉马铃薯气候生产潜力稳定性分析[J]. 干旱地区农业研究, 2011, 29 (2): 266- 271.
26	李阳, 刘静, 马力文, 等. 宁夏中南部山区马铃薯气候适宜度时空变化特征[J]. 干旱气象, 2020, 38 (6): 1001- 1008.
27	冯朋博, 慕宇, 孙建波, 等. 高温对马铃薯块茎形成期光合及抗氧化特性的影响[J]. 生态学杂志, 2019, 38 (9): 2719- 2726.
28	王宪富. 呼和浩特地区马铃薯生产气候资源研究[D]. 杨凌: 西北农林科技大学, 2009.

产量分离方法	平均气温			降水量			日照时数
产量分离方法	时段(月/旬)	相关系数	因子	时段(月/旬)	相关系数	因子	时段(月/旬)	相关系数	因子
方法1	5上至5下	-0.25^*	X₁
	6中至7中	-0.30^*	X₂	7下至8中	-0.35^*	X₁₂	5中至7上	0.11^*	X₁₇
	6中至7下	-0.32^*	X₃	9上	-0.33^*	X₁₃	5下至7中	0.15^*	X₁₈
	8下	-0.49^**	X₄	9上	-0.33^*	X₁₃	8下至9上	-0.20^*	X₁₉
	8下至9上	-0.40^**	X₅
方法2	5中至5下	-0.29^*	X₆				5中至7中	0.15^*	X₂₀
	6中至7中	-0.33^*	X₂	7中至8中	-0.31^*	X₁₄	5下至7中	0.14^*	X₁₈
	6下至7中	-0.37^*	X₇	8下至9上	-0.28^*	X₁₅	8中至9上	-0.25^*	X₂₁
	8下	-0.51^**	X₄	8下至9上	-0.28^*	X₁₅	8下至9上	-0.39^**	X₁₉
	8下至9上	-0.44^**	X₅				8下至9上	-0.39^**	X₁₉
方法3	5上至6中	-0.33^*	X₈				5中至7上	0.11^*	X₁₇
	5下至7中	-0.37^*	X₉	7中至8中	-0.36^*	X₁₄	5下至7中	0.12^*	X₁₈
	6下至7中	-0.47^**	X₇	9上	-0.30^*	X₁₃	8中至9上	-0.30^*	X₂₁
	8下至9上	-0.36^*	X₅				8下至9上	-0.43^**	X₁₉
方法4	5上至6下	-0.29^*	X₁₀
	6中至7中	-0.33^*	X₂	7下至8中	-0.39^*	X₁₂	5中至7上	0.12^*	X₁₇
	6下至7中	-0.35^*	X₇	7下至8中	-0.39^*	X₁₂	5下至7中	0.11^*	X₁₈
	8下	-0.44^**	X₄	9上	-0.32^*	X₁₃	8中至9上	-0.22^*	X₂₁
	8下至9上	-0.39^*	X₅
方法5	5上至5下	-0.21^*	X₁
	6上至7中	-0.23^*	X₁₁	7下至8下	-0.41^**	X₁₆	5中至7上	0.14^*	X₁₇
	6中至7下	-0.31^*	X₃	7下至8下	-0.41^**	X₁₆	5下至7中	0.16^*	X₁₈
	8下	-0.44^**	X₄	8下至9上	-0.31^*	X₁₅	8下至9上	-0.37^*	X₁₉
	8下至9上	-0.49^**	X₅

预报模型	起报时间	产量预报方程	R²	显著水平
A1	7月10日	Y_A=2103.2-103.2X₁+11.3X₁₇	0.35	P < 0.05
	8月10日	Y_A=2743.4-35.0X₂-62.0X₃-11.2X₁₇-7.6X₁₈	0.37	P < 0.05
	9月10日	Y_A=2922.3-53.3X₂-23.2X₃-31.7X₅-10.2X₁₃-11.0X₁₉	0.50	P < 0.01
A2	7月10日	Y_A=2264.3-113.4X₆	0.38	P < 0.05
	8月10日	Y_A=2413.2-18.3X₂-88.3X₆+10.2X₁₈	0.46	P < 0.01
	9月10日	Y_A=3202.3-55.6X₂-25.6X₅-23.2X₇-10.2X₁₅+19.7X₁₈-12.0X₂₁	0.62	P < 0.01
A3	7月10日	Y_A=2673.0-111.4X₈+10.6X₁₇	0.39	P < 0.05
	8月10日	Y_A=2543.2-53.4X₇-65.4X₈+10.7X₁₇+11.2X₁₈	0.43	P < 0.01
	9月10日	Y_A=2893.3-44.0X₅-64.3X₉-21.3X₁₃+21.2X₁₈-10.4X₁₉	0.61	P < 0.01
A4	7月10日	Y_A=2281.6-110.6X₁₀+31.0X₁₇	0.41	P < 0.01
	8月10日	Y_A=2444.8-47.3X₇-45.4X₁₀+10.9X₁₈	0.53	P < 0.01
	9月10日	Y_A=2926.7-77.4X₂-31.0X₄-19.7X₁3+10.3X₁₈-11.5X₂₁	0.70	P < 0.01
A5	7月10日	Y_A=2296.0-113.2X₁+11.2X₁₇	0.41	P < 0.01
	8月10日	Y_A=2344.3-65.4X₁-32.2X₁₁+10.3X₁₈	0.66	P < 0.01
	9月10日	Y_A=3284.3-45.4X₅-74.4X₁₁-11.0X₁5+11.4X₁₇-10.5X₁₉	0.73	P < 0.01

预报模型	起报时间	产量预报方程	R²	显著水平
B1	7月10日	Y_B=354.3f₁-66.5	0.23	P < 0.05
	8月10日	Y_B=367.0f₂-69.3	0.30	P < 0.05
	9月10日	Y_B=333.2f₃-72.0	0.38	P < 0.01
B2	7月10日	Y_B=352.3f₁-70.7	0.29	P < 0.05
	8月10日	Y_B=389.4f₂-92.3	0.36	P < 0.05
	9月10日	Y_B=398.3f₃-102.3	0.43	P < 0.01
B3	7月10日	Y_B=321.5f₁-49.4	0.20	P < 0.05
	8月10日	Y_B=364.0f₂-73.4	0.36	P < 0.05
	9月10日	Y_B=354.3f₃-50.4	0.35	P < 0.05
B4	7月10日	Y_B=374.3f₁-84.3	0.32	P < 0.05
	8月10日	Y_B=356.0f₂-66.0	0.41	P < 0.01
	9月10日	Y_B=365.0f₃-90.3	0.53	P < 0.01
B5	7月10日	Y_B=335.2f₁-87.4	0.36	P < 0.05
	8月10日	Y_B=374.5f₂-93.4	0.47	P < 0.01
	9月10日	Y_B=387.4f₃-75.0	0.61	P < 0.01

预报模型	7月10日起报		8月10日起报		9月10日起报
预报模型	相关系数	RMSE(kg/hm²)	相关系数	RMSE(kg/hm²)	相关系数	RMSE(kg/hm²)
A1	0.754	411.2	0.763	322.3	0.771	323.4
A2	0.823	365.4	0.833	320.3	0.843	300.4
A3	0.892	278.0	0.880	343.2	0.878	356.4
A4	0.901	233.2	0.923	217.6	0.910	234.1
A5	0.922	203.0	0.893	331.0	0.911	221.0
B1	0.636	388.7	0.632	393.4	0.673	387.3
B2	0.664	404.0	0.683	382.4	0.701	349.3
B3	0.604	453.4	0.616	550.4	0.689	379.5
B4	0.843	310.2	0.860	278.0	0.883	265.0
B5	0.783	334.5	0.802	298.3	0.815	338.0

预报模型	7月10日起报		8月10日起报		9月10日起报
预报模型	相关系数	RMSE(kg/hm²)	相关系数	RMSE(kg/hm²)	相关系数	RMSE(kg/hm²)
A1	0.702	311.7	0.717	294.5	0.723	276.5
A2	0.734	283.4	0.755	294.5	0.783	299.5
A3	0.689	303.4	0.703	319.0	0.732	268.0
A4	0.808	269.5	0.829	256.4	0.856	243.5
A5	0.832	277.0	0.833	267.6	0.855	255.4
B1	0.650	293.4	0.679	322.3	0.704	294.5
B2	0.783	266.5	0.802	277.3	0.817	263.4
B3	0.603	372.3	0.614	366.4	0.607	343.6
B4	0.857	267.6	0.835	270.5	0.800	270.4
B5	0.887	223.4	0.901	203.0	0.930	197.6