灰色-马尔柯夫链预测水稻产量的方法及其应用

将灰色系统预测模型GM(1,1)与马尔柯夫链相结合,建立玉林市早稻产量预测模型。应用结果表明:(1)模型具有灰色微分动态模型的特点,反映了产量变化的灰色过程;(2)应用马尔柯夫链对该模型所产生的误差进行修正,克服了GM模型误差较大等缺点,大大提高了预测精度,(3)灰色系统理论与随机过程理论相结合,互相取长补短,为统计理论发展开创了新的路径,也为产量预测预报提供了新的方法。     

3种水稻趋势产量拟合方法的比较分析

<正>确评估气象条件对粮食产量的影响必须以准确的气象产量为前提,因此,探求长时间序列粮食趋势产量提取分离方法对于更好地指导未来作物生产有重要意义。本文应用辽宁省9个地区17个站点62年的水稻历史产量数据,以相近地区农业生产力技术发展水平应具有一致性、产量序列的趋势应反映国家惠农政策对粮食增产的促进作用、相近地区热量条件变化的一致性可引起气象产量具有同升同降的特点等为评判标准,分析评价了应用HP滤波法、指数平滑法以及Logistic方法分离水稻的趋势产量、气象产量序列的合理性。研究结果表明:1)Logistic方法、HP滤波法以及指数平滑法所拟合出的趋势产量序列与辽宁省平均趋势产量序列一致,3种方法均能较好地反映辽宁省生产力发展水平的区域一致性特点;其中,沈阳、铁岭、鞍山、辽阳、丹东和锦州6个地区的趋势产量序列与辽宁省平均趋势产量序列间的一致性相关系数达0.908以上,表现为一致性极好;2)HP滤波法拟合出的趋势产量序列能较真实地反映由于生产力和国家政策变化所带来的实际产量的变化趋势,指数平滑法次之,而Logistic方法提取的趋势产量变化趋势反映社会发展实际的能力最差;3)不同趋势产量分离方法得到的气象产量区域平均值序列具有相似的年际及年代际变化特征,三者之间无显著区别(P0.05);HP滤波法分离得到的气象产量吻合气候特征的能力最强,指数平滑法次之,Logistic方法最差。综合分析,辽宁省水稻趋势产量的提取以应用HP滤波法最优,指数平滑法次之,而Logistic方法不适合辽宁省水稻趋势产量的提取。研究结果可为作物趋势产量拟合提供方法借鉴。     

时间序列分析模型在山东省粮食总产量预测中的应用

对比传统时间序列分析模型(线性回归、二次滑动平均、一次平滑、二次指数平滑和三次指数平滑等)与ARIMA模型在山东省粮食总产量中的拟合精度,并应用ARIMA(2,1,12)模型预测了未来3年内山东省粮食总产量.结果表明,在山东省粮食总产量拟合中,ARIMA(2,1,12)模型得到的粮食总产量拟合值与观测值的相对误差处于±10%和±5%范围内的分别为73.333%和53.333%,回归方程的决定系数为0.959,优于传统时间序列分析模型;利用ARIMA(2,1,12)模型预测未来3年内山东省粮食总产量,粮食总产量有逐年上升的趋势,且增长率逐年上升.     

不同种植模式下旱地春玉米产量对降雨和气温变化的响应

为了探究旱区气候变化及主要气象因子对不同种植模式下玉米产量的影响,该研究对AquaCrop模型玉米参数进行校准和验证,并在35a历史气象数据的基础上设计不同气温和降雨梯度,利用模拟的方法分析不同情景下玉米产量变化趋势。结果表明:AquaCrop模型在试验点模拟精度较高,3种种植模式下实测与模拟产量的均方根误差为245.34~745.10 kg/hm~2,标准均方根误差为6.94%~9.49%。在设定范围内(降雨降低15%~升高15%,气温降低1.5℃~升高1.5℃),随气温和降雨升高,3种种植模式下产量波动均呈减小趋势,其中全膜双垄沟播下产量波动最小,平均产量曲线斜率为0.083 4,适应气候变化能力较强。在A3B3(温度升高1.5℃、降雨提高15%)情景下产量均达到最大,相比历史气候,露地、单垄、全膜双垄沟播分别平均增产13.45%、11.57%、17.67%。气温对3种模式下产量均有极显著影响,降雨对露地种植产量影响为极显著,而对单垄和全膜双垄沟播产量影响显著。该研究对气候变化下作物产量预测、风险评估及制定相关管理措施提供参考。     

基于干旱风险的西藏青稞保险费率厘定及预测

以西藏青稞主要种植区为例，基于致灾因子危险性指数、承灾体暴露性指数、承灾体易损性指数和防灾减灾能力构建干旱灾害综合风险评估模型，并进行干旱灾害风险评估及区划，利用非参数法厘定各县青稞的纯保险费率，在风险区划结果基础上修正纯保险费率，再结合改进GM(1,1)模型和R/S方法预测未来修正纯保险费率。结果表明：(1)基于干旱致灾因子危险性指数和承灾体易损性指数的风险等级呈中部区域低两边高的趋势，基于干旱承灾体暴露性指数、防灾减灾能力和干旱灾害综合风险指数的风险等级由东向西有逐渐加重的趋势。(2)各县青稞保险的纯保险费率水平介于1.07%～9.79%，相差不大；修正后的纯保险费率介于1.86%～17.02%，相差较大。(3)基于干旱致灾因子危险性指数、承灾体暴露性指数和承灾体易损性指数修正下的纯保险费率空间分布呈中部高两边低的特点，基于干旱防灾减灾能力和干旱灾害综合风险指数修正下的纯保险费率呈现中部高、局部高和两边低的特征。说明科学合理的厘定纯保险费率应考虑多种干旱指数的综合影响。(4)首次利用改进GM(1,1)模型和R/S方法预测西藏青稞主要种植区未来修正纯保险费率的预测值有微弱的上升，上升...     

基于马尔柯夫过程和概率分布特征的粮食产量预测

通过分析粮食单产中气象产量分量时间序列的变化规律，综合运用马尔柯夫模型和概率密度分布函数，构建相对气象产量预测模型。以河南省民权县和陕西省武功县1949—1999年小麦单产序列为例构建模型，预测得到2000年两地区小麦产量的相对误差在20％以下。预测结果表明：综合运用马尔柯夫过程和概率分布特征预测粮食产量的方法是有效的。     

长时间序列气象数据结合随机森林法早期预测冬小麦产量

冬小麦生育早期的产量预测对于制定冬小麦整个生长期的精准管理决策具有重要参考意义。该文基于随机森林算法,采用1990—2015年河南省小麦平均拔节期至平均抽穗期地面观测气象数据与统计产量数据,分别提取不同穗分化期的温湿度、降水等47个气象要素和小麦种植区经纬度、高程3个空间要素,共计50个参数作为特征变量集,以实际单产、气象产量和相对气象产量分别作为目标变量,构建多种变量组合模型对冬小麦产量进行回归预测,并结合袋外数据重要性结果对产量影响因子进行分析。研究结果表明:1)使用气象产量和相对气象产量作为目标变量建模的预测效果优于单产模型,决定系数R~2均达到0.8以上,气象产量的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为415和558 kg/hm~2,相对气象产量的MAE和RMSE分别为0.07和0.09;2)相较于气象特征,空间特征在产量预测中起决定性作用,且小花分化期以及抽穗开花期的气象特征产量预测精度高于其他穗分化期;3)在气象特征中,利用袋外数据变量重要性得出平均温度、最低温度、负积温、最高温度在不同生育阶段对产量的影响程度。该研究结果为冬小麦生育早期产量预测提供了新的思路和方法。     

新疆农作物生长期雹灾的时空分布及危害性评估

冰雹是新疆农作物生长期频繁出现的严重气象灾害。该文利用1951—2017年雹灾出现次数、受灾面积、经济损失3大灾情要素,分析了新疆雹灾的时空分布规律。利用熵权重计算方法构建了评价雹灾危害性的灾损指数,依据伽玛分布对危害性等级进行了划分,并利用气候因子和农作物播种面积解释了雹灾时空变化的原因。新疆雹灾多发于天山两侧及邻近地区,3大灾情要素呈线性增加趋势。雹灾划分为一般、较重、严重、特重4个等级,塔城博州、奎玛流域、昭苏县、阿克苏地区、伽师县是特重灾区。动力抬升、水汽条件、大气层结不稳定是新疆雹灾时空分布的主要影响因子,而雹灾出现次数、农作物播种面积对受灾面积线性增长趋势的贡献率分别为93%和7%。利用水汽压、气团指数、播种面积作为因子,建立了雹灾出现次数偏多、偏少的年景预测模型,模型预测正确率达73%。研究结果可为新疆人工防雹避灾提供依据。     

1961—2010年气候变化对西南冬小麦潜在和 雨养产量影响的模拟分析

利用农业气象试验站作物资料及土壤资料,评价 APSIM-Wheat 模型在西南地区的适应性,应用该模型分析该地区1961—2010年冬小麦潜在和雨养产量的时空变化特征,通过逐步回归分析揭示小麦生长季主要气象因子对潜在产量和雨养产量的影响及相对贡献率。研究结果表明： APSIM 模型对该区5个常用小麦品种的模拟效果较好,模拟与实测生育期的均方根误差(RMSE)在7.0 d 以内,地上部分生物量和产量模拟值与实测值的归一化均方根误差(NRMSE)均低于25%,模型在西南地区具有较好的适应性。1961—2010年研究区域36%的站点冬小麦生长季总辐射显著降低,其中北部、东南部和南部中区最显著;68%的站点生长季≥0℃有效积温显著增加,西部增温显著;30%的站点生长季平均气温日较差显著减小,南部中区最显著;全区生长季总降水大面积减少但不显著,减少区主要位于最南端和东南部。模拟的冬小麦潜在产量在65%的站点呈显著减产趋势,南部中区和北部变化最明显;雨养产量在25%的站点显著降低,北部地区较明显,全区减产趋势较弱。减产显著的站点中,生长季辐射降低、温度升高、气温日较差减小对潜在产量降低的贡献率分别为45%、36%和2%,对雨养产量降低的贡献率分别为36%、39%和－8%,而降水减少对雨养产量降低的贡献率为7%。西南冬小麦生长季辐射降低、温度升高及降水减少共同导致了冬小麦潜在和雨养产量的显著下降,而气温日较差的降低对冬小麦潜在和雨养产量的影响分别表现为负作用和正作用,整体上辐射和温度的影响程度最大。     

GM(0,N)灰色预测模型在云南小春作物产量预报中的应用

利用1972-2004年的云南小春作物单产和与其灰关联度最优的10个气象因子时间序列,采用原始序列和残差序列进行GM（0,N）预测建模,对云南小春作物产量趋势进行预测.结果表明：通过残差修正后所建立的云南省小春作物产量预测模型适用于产量趋势预报,通过了小概率统计检验,预报结果有一定的参考价值.     

作物产量灰色马尔柯夫链预测模型

以黑龙江垦区１９４９－１９９２年小麦单产资料为例，用灰色系统ＧＭ（１，１）动态预测模拟和预测趋势产量，用马尔柯夫链动态预测模型预报气象产量，从而组合一套完整的作特意一灰色马尔柯夫链预测模型。以此模型对黑龙江垦区小麦单进行预测，其结果均怀实况基本相符。     

基于遥感数据和气象数据的水旱地冬小麦产量估测

研究利用遥感数据进行了运城地区冬小麦不同生育时期归一化差值植被指数和产量关系的研究,利用气象数据和光谱数据构建了冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型。结果表明：运城地区水旱地冬小麦均以5月8日左右的NDVI值与产量相关性最好,且达极显著水平,因此该时期为建立冬小麦遥感估产模型的最佳时相。通过对冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型预测效果进行的F检验,表明各模型均达到极显著水平。与其他两种模型相比,光谱气象产量模型的决定系数（R2）有明显的提高,并且相对均方根误差（RRMSE     

气候波动对重庆水稻产量的影响及对策

选用代表重庆四个区域的江津、丰都、奉节、酉阳1960-2001年的气象及水稻产量资料,采用Mann-Kendall突变检测方法对水稻产量资料序列进行分段,利用Logistic曲线进行分段拟合求取水稻的趋势产量,进而得到气象产量,利用积分回归等方法分析气候因子对水稻产量的影响。结果表明：重庆四个地区的水稻单产均在20世纪80年代前期发生突变性增长;采用Logistic分段拟合趋势产量的效果明显优于线性拟合,体现了水稻的实际变化趋势;水稻的气象产量具有较明显的年际变化,表现出一定的阶段性,20世纪60年代初期、整个70年代、90年代中后期气象产量较低,而60年代中后期、80年代中期-90年代中前期水稻的气象产量相对较高;造成重庆水稻减产的主要因素为春季低温阴雨和伏旱等灾害,因此,应采取春季保温和增蓄伏前水等措施促进水稻增产丰收。     

基于机器学习和无人机多光谱遥感的苜蓿产量预测

作物产量快速准确预估对规模化农业生产具有重要意义。该研究在河北省涿州市开展田间试验，设置5个灌水处理及雨养对照区，使用无人机搭载多光谱相机在苜蓿的分枝期、现蕾期和初花期进行遥感监测，将光谱参数与苜蓿产量做相关性分析，分别挑选各生育时期相关性较好的5种植被指数，以去除土壤噪声后的5种植被指数和作物表面模型提取的苜蓿株高为输入变量，通过支持向量回归算法建立各生育时期的苜蓿产量预测模型，并结合实测产量进行模型评价。结果表明，苜蓿产量预测模型精度由高到低的生育时期依次为初花期、现蕾期、分枝期，使用植被指数和株高组合作为输入变量可以提高产量模型的预测精度。在初花期使用植被指数和株高组合输入变量所构建的估产模型最优，其决定系数、均方根误差和标准均方根误差分别为0.90、500 kg/hm2和14.3%，可用于苜蓿产量的快速准确评估。研究结果可为苜蓿的规模化生产和精细化管理提供技术支持。     

基于K-means 聚类和ELM神经网络的养殖水质溶解氧预测

为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题,该文以2014、2015年江苏常州养殖基地水质和气象数据为基础,提出了一种基于K-means聚类和ELM神经网络（extreme learning machine,ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数,自定义相似日的统计量－相似度,通过K-means聚类方法将历史日样本划分为若干类,然后分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明,该模型均具有较快的计算速度和较高的预测精度,在常规天气下,平均绝对百分误差和均方根误差分别达到1.4%、10.8%;在突变天气下,平均绝对百分误差和均方根误差分别达到2.6%和11.6%,有利于水产养殖水质精准调控。     

耦合土壤墒情的气候适宜度指数在山东省冬小麦产量动态预报中的应用

利用山东省1981-2011年历年冬小麦生育期及产量资料、14个气象站点的逐日气象资料、1992-2011年冬小麦生长季逐旬20cm土壤墒情资料,分别构建考虑和不考虑土壤墒情的冬小麦不同生长阶段的气候适宜度指数计算模型,通过与气象产量进行相关和回归分析,建立了基于两种气候适宜度指数的3-5月逐旬产量动态预报模型,并进行历史回代检验和动态外推预报。结果表明:考虑土壤墒情的气候适宜度指数能够更客观地反映山东省冬小麦生长期间气象条件和土壤水分对其产量形成的影响,构建的气候适宜度指数与冬小麦气象产量的相关系数均通过0.01水平的显著性检验,相关性高于不考虑土壤墒情的气候适宜度指数。产量动态预报模型对1992-2009年历史回代检验的平均准确率均在95.0%以上,标准化均方根误差RMSE均小于6%。对2010-2011年外推预报准确率最高达99.4%,最低为95.4%,说明预报准确率较高,建立的产量动态预报模型可以在业务上推广应用。     

基于高维Copula函数的逐日潜在蒸散量及气象干旱预测

尝试引入高维Copula函数对影响参考作物蒸散量ET_0的气象因素进行联合分布构建,揭示不同变量间的相关结构,建立多元气象因素对ET_0的联合分布模型,对逐日ET_0及短期干旱等级进行预测,并将枯季1—4月份的多维Copula联合分布预测模型的系统性偏差构造成修正函数,代回ET_0预报模型以改善预报效果,利用洱海流域内大理站1954—2018年逐日气象观测数据,以FAO Penman-Monteith方程为标准值对比分析。结果表明:1)平均气温(T)和最高气温(T_(max))2个气象因子组合时,二维Normal Copula模型对逐日ET_0预测的精度最高,叠加上修正函数项之后,相对误差小于10%、15%、20%、25%的样本比例分别提高到71.6%、84.4%、91.4%、96.5%,全年符合指数IA变化范围为0.98～0.99,平均偏差ME为0.17～0.30,均方根误差RMSE为0.54～0.64,Nash-Sutcliffe效率系数为0.90～0.98;2)将逐日ET_0预测方法应用于逐日气象干旱预测评估(以逐日SPEI指数为例),逐日SPEI指数预测值与标准值的相关系数为0.95～0.99,平均偏差ME为-0.10～0.35,均方根误差RMSE为0.20～0.30,符合指数IA为0.97～0.98,Nash-Sutcliffe效率系数NSE为0.91～0.97,在降水量多的季节,Copula函数模型预测ET_0的精度更高一些,且逐日SPEI预测的误差参数都优于逐日ET_0的预测结果。     

基于CERES-Maize模型的玉米水分关键期干旱指数天气保险：以陕西长武为例一

水分关键期干旱是影响玉米生长和产量的主要限制因子,构建此时期玉米干旱损失模型,研究干旱指数天气保险,对于合理设计天气指数保险和解决目前传统农业保险的困境,转移农业气象灾害风险具有重要意义。针对作物特定阶段单因子气象灾害影响难以剥离的问题,本研究在西北农林科技大学旱作农业长武试验站进行了连续3a的雨养玉米观测试验,利用田间试验数据(玉米生长发育数据、气象数据、土壤数据和田间管理数据)对CERES-Maize模型进行参数校正和验证,模拟玉米水分关键期(6月21日-8月31日)干旱对生长和产量的影响,构建干旱损失模型;依据长武1990-2019年的气象数据,利用EasyFit软件筛选出玉米水分关键期干旱指数最优分布模型,模拟干旱发生概率;结合干旱损失模型,利用纯费率精算方法厘定玉米水分关键期干旱指数保险费率;采用投影寻踪的统计方法,设计干旱指数保险赔付方案。结果表明,CERES-Maize模型校正和验证的平均绝对相对误差ARE和相对均方根误差RRMSE都小于10%,符合作物模型模拟精度的要求;模拟的干旱指数(DI)与玉米减产率(y,%)间呈显著的线性函数关系,即y=-0.55DI+107.17;Log-logistic模型对干旱指数分布的拟合精度最高,Anderson-Darling(AD)检验值仅为0.20,轻旱、中旱、重旱和特旱发生的概率分别为9.75%、5.90%、3.71%和3.50%。基于Log-logistic模型厘定的玉米水分关键期干旱指数保险费率为5.6%。在玉米生长水分关键期,干旱指数保险的起赔点为DI=185,DI≤185时,进行分级赔付。     

耦合土壤墒情的气候适宜度指数在山东省冬小麦产量动态

利用山东省1981-2011年历年冬小麦生育期及产量资料、14个气象站点的逐日气象资料、1992-2011年冬小麦生长季逐旬20cm土壤墒情资料,分别构建考虑和不考虑土壤墒情的冬小麦不同生长阶段的气候适宜度指数计算模型,通过与气象产量进行相关和回归分析,建立了基于两种气候适宜度指数的3-5月逐旬产量动态预报模型,并进行历史回代检验和动态外推预报。结果表明：考虑土壤墒情的气候适宜度指数能够更客观地反映山东省冬小麦生长期间气象条件和土壤水分对其产量形成的影响,构建的气候适宜度指数与冬小麦气象产量的相关系数均通过0.01水平的显著性检验,相关性高于不考虑土壤墒情的气候适宜度指数。产量动态预报模型对1992-2009年历史回代检验的平均准确率均在95.0%以上,标准化均方根误差RMSE均小于6%。对2010-2011年外推预报准确率最高达99.4%,最低为95.4%,说明预报准确率较高,建立的产量动态预报模型可以在业务上推广应用。     

多种潮土有机质高光谱预测模型的对比分析

为了对比不同方法建模效果的差异,筛选潮土有机质高光谱最佳预测模型,该研究采集国家潮土土壤肥力与肥料效益长期监测站不同施肥处理耕层土样83份,采用25种光谱预处理方法(15种单一预处理方法,10种预处理方法相加算法)结合3种建模方法(多元线性回归、偏最小二乘回归、支持向量机回归),构建不同的潮土有机质高光谱预测模型。对比模型预测结果表明,最佳光谱建模方法是偏最小二乘回归法,该方法结合多种预处理方法均获得了较高的模型预测精度和可靠性,25个检验模型的平均决定系数、均方根误差值RMSEv和相对分析误差RPD值分别为0.913、1.264 g/kg和3.299。使用预处理方法相加算法能更好地提升模型精度,相比使用单一预处理方法,3种建模方法的检验模型平均决定系数分别提高了0.049、0.033和0.071,RMSEv分别降低了0.318、0.204和0.528 g/kg,RPD值分别提高了0.530、0.307和1.144。先用多元散射校正法再进行5个平滑点数的一阶导数预处理在3种建模方法中表现均较好(平均决定系数=0.934,平均RMSEv=1.17 g/kg,平均RPD=3.59),可作为潮土有机质预测模型的通用预处理方法。偏最小二乘回归模型结合最大值标准化预处理所建模型(决定系数=0.948,RMSEv=0.972 g/kg,RPD=4.276)精度高、可靠性强,且建模过程数据运算更为简便,是筛选出的最佳潮土有机质高光谱预测模型。该研究结果对潮土有机质高光谱预测建模有一定的指导作用,并为筛选最佳高光谱预测模型提供技术参考。