基于气象要素的逐日玉米产量气象影响指数

刘 维 宋迎波

(国家气象中心， 北京100081)

引 言

现代农业气象服务为农业防灾减灾、应对气候变化及国家粮食安全提供了有效的气象保障，而开展农业气象业务服务的前提就是农业气象业务技术的发展，近年国家级农业气象核心技术已向定量化、精细化迈进[1]。目前，农作物长势定量评估技术也由单纯的农业气象观测发展到基于地面观测、卫星遥感监测和作物生长模型模拟等方法，作物长势定量化评价能力得到大幅提升[2-3]，并在农业气象业务服务中发挥重要作用，但针对气象要素对作物的影响，尤其是农业气象灾害对作物产量的影响仍然以定性为主。国家级农业气象业务中相关农业气象灾害影响评估仅从农业气象灾害的持续时间、发生等级等角度描述灾害本身特点[4]，不能反映灾害对作物的影响程度，尤其是作物产量灾害损失评估很难定量化，从而很大程度上制约了农业气象评价水平的提高。

近年，气候适宜度在作物长势评价[5]、作物区划[6-8]、应对气候变化[9]以及作物产量预报[10-13]等农业气象科研和业务中得到广泛应用。但当前气候适宜度计算方法选取时段基本为作物生育期或以旬、月为单位[14]，上述尺度的气候适宜度往往会平滑掉各时段内气象条件的剧烈波动，从而低估短时灾害对作物的影响[15]。目前，逐日温度适宜度和日照适宜度模型已相对成熟，而构建逐日气候适宜度模型的难点主要在于逐日降水量的随机性[16]，导致无法直接计算逐日降水适宜度。另外，目前的产量预报模型仅使用作物播种至预报时刻的实时气象数据，未考虑预报时刻之后气象条件对作物产量的可能影响，存在一定不足。

为了定量反映气象条件对作物产量的影响，本文在改进逐日降水适宜度模型的基础上，建立基于日尺度的气候适宜度模型；同时利用预报时刻前的逐日气候适宜度确定历史相似年型，将预报时刻之前实时的逐日气候适宜度与预报时刻之后相似年逐日气候适宜度组成作物生育期完整的逐日气候适宜度序列，并将该逐日气候适宜度加权集成气候适宜指数，基于气候适宜指数与作物气象产量建立作物产量逐日动态预报模型。通过构建逐日作物产量气象影响指数反映气象条件对作物产量的影响程度，并基于该影响指数构建的逐日产量动态预报模型对东北地区玉米主产省逐日产量预报准确率进行分析，明确逐日作物产量气象影响指数的准确性；以期为农业气象定量评价提供新方法，同时为作物逐日产量预报服务提供技术支撑。

1 材料与方法

1.1 气象与产量数据

气象数据为1981—2020年5—9月黑龙江、吉林、辽宁、内蒙古东部地区共43个气象站逐日气象数据，包括最高气温(单位：℃)、最低气温(单位：℃)、降水量(单位：mm)、日照时数(单位：h)，其中内蒙古东部地区包括赤峰市、通辽市、兴安盟和呼伦贝尔市，上述数据来源于国家气象信息中心。产量数据为黑龙江、吉林、辽宁各省以及内蒙古东部地区1981—2020年玉米单位面积产量(单位：kg·hm-2)，上述数据来源于国家统计局。

以各个站点玉米多年平均发育期为基础，计算各站点逐日降水适宜度、温度适宜度、日照适宜度和气候适宜度，省级逐日气候适宜度是由省内站点逐日气候适宜度算术平均得到。综合考虑东北地区玉米的生育时段，起止时段确定为5月1日—9月30日。

1.2 降水适宜度

(1)

式(1)中，F(pi)为站点逐日降水适宜度，R为站点逐日可利用降水量，根据当日与前9 d的逐日降水量加权集成得到

(2)

式(2)中，Ri为日降水量，i为日序，N=9；研究表明，考虑地表径流因素，当日降水量Ri高于30 mm时，仅以30 mm计为当日可利用降水量，超出部分不予考虑[17]。Wi为权重系数，由于降水对作物生长发育存在累积效应，考虑到土壤水分影响的消退作用，以指数方程形式进行模拟，分别选取从预报日起向前算共5 d，10 d，15 d，20 d，25 d，30 d降水量进行迭代，1981—2020年模型预报准确率分析结果表明，前10 d降水量累积效应对东北地区玉米生长影响最大，根据指数方程确定逐日降水量的权重系数(图1)。R0为站点1981—2010年30年逐日可利用降水量的平均值。在此基础上，将省内所有站点逐日降水适宜度进行算术平均得到省级逐日降水适宜度F(p)p。

图1 前10 d内降水量权重系数Fig.1 Weight coefficients of precipitation in previous 10 days

1.3 温度适宜度

基于玉米不同发育期所需要的上限温度、最适温度和下限温度，计算站点逐日温度适宜度[18]；在此基础上，将省内所有站点逐日温度适宜度进行算术平均得到省逐日温度适宜度F(t)p。

1.4 日照适宜度

基于站点逐日日照百分率为70%和30%时的日照时数[19]，计算站点逐日日照适宜度；在此基础上，将省内所有站点逐日日照适宜度进行算术平均得到省级逐日日照适宜度F(s)p。

1.5 气候适宜指数

基于省级逐日温度、降水和日照适宜度计算逐日气候适宜度，并利用气候适宜度贡献系数构建气候适宜指数：

(3)

(4)

(5)

其中，F(c)p为各省逐日气候适宜度；Ki为逐日气候适宜度贡献系数，ri为起始年至预报前一年逐日气候适宜度与气象产量的相关系数，i为日序，n为生育期日数；F(c)为各省生育期气候适宜指数。

1.6 相似年型确定

计算预报年预报时刻之前的逐日气候适宜度与历史上所有年份相同起止时段气候适宜度的相关系数与欧氏距离的比值，按照比值从大到小排序，选取前3个年份作为3个相似年型[20]，分别称为第1、第2、第3相似年。

1.7 作物产量气象影响指数

选取3个相似年对应的逐日气候适宜度作为未来气候情景数据，利用预报时刻之前实时的逐日气候适宜度与预报时刻之后相似年逐日气候适宜度组成玉米生育期完整的逐日气候适宜度序列，将气候适宜度序列加权集成气候适宜指数，将历年气候适宜指数与气象产量进行回归分析，分别建立基于第1相似年、第2相似年和第3相似年气候情景数据的作物产量逐日动态预报模型。采用线性分离方法将作物实际单产分离为农业技术产量和气象产量，考虑到产量变化的可比性，采用相对产量表征气象产量，下文中的气象产量均为相对气象产量，具体计算方法见文献[20]。

计算基于第1、第2和第3相似年气候适宜度的逐日预报气象产量，并加权集成综合预报气象产量

Yw=0.5×Yw1+0.3×Yw2+0.2×Yw3。

(6)

式(6)中，Yw为综合预报气象产量，即逐日作物产量气象影响指数，Yw1,Yw2和Yw3分别为基于第1、第2和第3相似年气候适宜度的预报气象产量。权重系数是基于1981-2020年第1、第2、第3相似年气候适宜度的预报气象产量，赋予不同权重数据进行迭代计算，将3个相似年预报结果进行加权集成，并与当年实际气象产量进行对比分析，准确率达到最高时的权重系数即为3个相似年预报气象产量的权重系数，分别为0.5，0.3和0.2。Yw<0表明预报年气象条件对作物气象产量的贡献为负值，即气象条件不利于气象产量增加；Yw>0表明气象条件有利于气象产量增加。

1.8 作物产量同期气象影响指数

为了分析气象条件对作物产量影响程度及与前一年同期对比情况，构建逐日作物产量同期气象影响指数，即利用预报年气象产量与预报年前一年实际气象产量建立指数：

(7)

式(7)中，Di为预报年i时刻的气象影响指数，即逐日作物产量同期气象影响指数，Yw,i为预报年中i时刻的预报气象产量。Yw-1,i为预报年前一年i时刻的实际气象产量，Di序列从1982年开始计算。Di<0表明预报年气象条件不及前一年同期，Di>0则相反。

1.9 作物产量气象影响指数检验

为了评估逐日作物产量气象影响指数的准确性，在预报气象产量的基础上，利用农业技术产量计算综合相似年的预报单产及准确率[20]。同理，计算3个相似年单产预报准确率并对不同相似年预报准确率进行对比。

2 结果与分析

2.1 不同相似年逐日平均预报准确率对比

利用1981—2010年，1981—2011年，…，1981—2019年气候适宜指数与气象产量，分别建立2011—2020年5月2日—9月30日东北地区基于3个相似年和综合相似年的玉米产量逐日动态预报模型。从东北地区玉米不同相似年逐日预报平均准确率(图2)看，辽宁和内蒙古东部3个相似年和综合相似年逐年平均预报准确率均较为接近，综合相似年预报准确率略高于3个相似年。2014年两地玉米单产预报准确率均为近10年最低，特别是辽宁预报准确率仅为75%，分析原因发现，2014年辽宁中西部玉米主产区发生了严重的夏伏旱，玉米抽雄吐丝和授粉灌浆受阻，结实率下降，玉米单产降幅高达27.8%(图3)，极端灾害年景导致预报准确率偏低；2015年后两地平均准确率趋于稳定，且多在90%以上(图2)。黑龙江综合相似年预报准确率总体最高，3个相似年预报准确率差异较大且年际间波动也较大，其中第3相似年预报效果较好(图2)，10年中有4年预报准确率最高，2016年和2020年准确率最低。吉林除2012年和2018年3个相似年和综合相似年准确率差异较大以外(图2)，其余年份均较为接近，综合相似年整体效果最好，仅2018年预报准确率较低，主要原因是吉林西部春播期间持续干旱和夏季高温导致玉米单产较上年下降15%(图3)。

东北地区玉米单产10年平均预报准确率结果(表1)表明：综合相似年预报效果均优于3个相似年，内蒙古东部和吉林各相似年预报准确率差异较小，且第1相似年预报准确率优于第2、第3相似年；黑龙江不同年型差异最大，第3相似年10年平均准确率优于其他两个相似年；辽宁第2相似年准确率优于第1和第3相似年，总体预报准确率在东北地区最低。结合近10年东北地区单产变化(图3)可以看到，内蒙古东部和黑龙江单产水平呈现相对稳定并缓慢提高的特点，而吉林和辽宁年际间单产波动大，尤其是辽宁，这也导致其在东北地区预报准确率最低。由于相似年是根据作物播种到预报时刻光温水适宜度计算得到，仅表明在已经发生时段内气象条件的单纯相似，但由于作物品种的更新、生产力水平的提高以及发布预报时刻之后气象条件的不断变化，导致气象条件相似的年份，作物产量的变化未必最相近，因此存在第2或第3相似年预报效果较好的情况。但从整体来看，综合相似年预报效果好的年份数高于第1相似年，第1相似年预报效果好于第2和第3相似年，因此以下分析针对综合相似年预报结果开展。

图2 2011—2020年东北地区不同相似年准确率对比Fig.2 Comparison on the accuracy of yield in Northeast China from 2011 to 2020

图3 2011—2020年东北地区平均单产Fig.3 Yield in Northeast China from 2011 to 2020

表1 2011—2020年东北地区不同年型10年平均准确率(单位：%)Table 1 Average accuracy of 10 years under the different similar yearsin Northeast China from 2011 to 2020(unit:%)

2.2 综合相似年逐月平均预报准确率对比

基于综合相似年逐日预报结果，计算2011—2020年5—9月东北地区玉米单产逐月平均预报准确率(图4)，结果表明：辽宁除2014年外，其余各年逐月平均准确率稳定在80%以上，10年中6月预报准确率波动幅度最大，9月波动幅度最小；从10年逐月平均预报准确率看，随着发育期的推进，9月准确率整体上最高，5—7月准确率总体接近，但低于8月及9月(表2)。内蒙古东部(图4)预报准确率年际间波动较大，有45个月准确率均在85%以上，另外5个月在85%以下，其中2014年除8月外,其余各月均不足85%；各年6月准确率波动最大但10年平均值反而最高，9月波动最小且10年平均值最低。黑龙江(图4)预报准确率年际间波动整体小于东北其他3个省区，随着发育期推进，5—8月10年平均准确率逐步提高，但9月略低于8月。吉林(图4)除2018年准确率偏低外，其余年份准确率波动相对较小；各月10年平均准确率较为接近。

图4 基于综合相似年的2011—2020年东北地区玉米单产逐月平均预报准确率对比Fig.4 Comparison on the accuracy of yield in different month under the comprehensive similar year in Northeast China from 2011 to 2020

表2 2011—2020年东北地区逐月平均预报准确率(单位：%)Table 2 Monthly average forecast accuracy in Northeast China from 2011 to 2020(unit:%)

2.3 综合相似年逐日预报准确率对比

由7月31日和8月31日东北地区基于综合相似年预报准确率(表3)可知，总体上8月31日的准确率高于7月31日，表明随着玉米发育期推进以及实时气象数据的增加，预报模型的准确率逐步提高，尤其辽宁10年平均准确率从7月31日的 90.8% 提高到8月31日的93.4%，仅内蒙古东部10年平均准确率略有下降。从逐年预报看，2016—2020年准确率总体上高于2011—2015年，仅4次准确率低于90%，其中吉林出现3次，这也同图3中2016年前各地区单产波动相对较大有关，导致气象产量预报难度加大。

以辽宁为例，2014年和2018年分别为准确率较低和较高的代表年份，由逐日预报准确率动态变化图(图5a)可以看到，2014年实际单产仅为5023 kg·hm-2，而预报单产维持在6000 kg·hm-2左右，尤其是6月28日预报单产和实际单产差异达到最大，逐日预报准确率出现最小值63.5%；其后预报单产减小，准确率开始提升，8月10日后预报单产和准确率相对稳定，最终预报单产下降至5884 kg·hm-2，准确率提高到82.9%。2018年预报单产和实际单产差异总体较小(图5b)，尤其是8月8日后预报单产和实际单产基本相同，准确率稳定在99%左右，预报效果好。

表3 2011—2020年7月31日和8月31日东北地区预报准确率(单位：%)Table 3 Forecast accuracy in Northeast China on 31 Jul and 31 Aug from 2011 to 2020(unit:%)

图5 2014年(a)和2018年(b)辽宁逐日预报和实际单产及预报准确率Fig.5 Daily forecast yield,announced yield and forecast accuracy of Liaoning in 2014(a) and 2018(b)

2.4 逐日作物产量气象影响指数

由基于综合相似年的玉米单产日尺度预报准确率可知，基于逐日气象要素构建的逐日作物产量气象影响指数Yw的准确率可以表征玉米生育期内光温水要素的变化对作物单产的影响，且日尺度的预报准确率整体上也反映该指数的准确性；但准确率并不能表征气象要素对作物产量的正负贡献及影响程度，需要对逐日作物产量气象影响指数进行分析。

仍以2014年和2018年辽宁逐日作物产量气象影响指数Yw(图6a)为例，可以看到，2014年和2018年气象条件对作物气象产量的贡献呈现负-正-负的变化特点，2014年7月31日之前气象条件有利于作物气象产量的增加，随后Yw持续下降，9月30日仅为-7.2，表明当年气象条件不利于作物气象产量的增加。对2014年辽宁逐日气象数据研究发现，辽宁西部玉米主产区拔节至抽雄吐丝期(6月20日—7月20日)降水量比常年同期偏少50%～80%，夏伏旱为2010—2014年最重的一年，导致玉米抽雄吐丝受阻，结实率下降，产量受到影响，这同2014年辽宁实际产量较2013年下降的趋势一致。2018年辽宁7月20日前气象条件有利于作物气象产量的增加，但7月下旬后Yw小幅下降，8月15日后回升，但始终维持在-2.0上下；7月20日—8月15日辽宁降水量较常年同期偏少20%，加之高温日数和平均最高气温均为1981年以来历史同期最高，高温少雨导致不同程度农业干旱，使得正值抽雄期的玉米花粉活力降低，结实率下降，这也同2018年辽宁实际产量较2017年下降的趋势一致。

以2014年和2018年辽宁逐日作物产量同期气象影响指数(图6b)为例，2014年全年气象条件不如2013年同期；2018年除了6月气象条件好于2017年以外，其余时间段不如2017年同期，该结论也同Yw的趋势保持一致。这两年Yw和D表明基于气象要素的逐日作物产量气象影响指数可用于定量评估当年不同时间段气象条件对作物的影响程度，也可用于省级尺度产量预报，有业务应用价值。

图6 2014年和2018年辽宁逐日作物产量气象影响指数(a)和逐日作物产量同期气象影响指数(b)Fig.6 The daily crop meteorological yield impact index(a) and same period index(b)of Liaoning in 2014 and 2018

3 结论和讨论

研究表明：

1) 利用3个相似年预报结果加权集成综合相似年作物产量气象影响指数，整体上可提高东北地区玉米产量预报准确率。年尺度预报结果表明:内蒙古东部和吉林不同相似年准确率整体上较好，黑龙江年际间波动大，辽宁预报准确率最低。

2) 基于综合相似年的月尺度预报结果表明:随着玉米发育期推进和实时气象数据引入模型，黑吉辽3省月平均预报准确率总体呈逐月提高趋势，辽宁和吉林均在9月达到最高，黑龙江8月平均预报准确率高于9月；内蒙古东部各月平均准确率较为接近且均高于93%。

3) 7月31日和8月31日东北地区日尺度准确率总体较好，且8月31日预报准确率总体高于7月31日；由2014年和2018年辽宁预报结果可以看到，在出现较明显气象灾害情况下，日尺度预报差异较大，但随着玉米发育期推进，预报产量和实际产量趋于接近，准确率逐步提高。

4) 基于气象要素构建的逐日作物产量气象影响指数和同期气象影响指数可以定量评估不同时段气象条件对作物产量的影响程度，可提高农业气象定量化评价水平并为产量预报提供参考。

基于逐日气象要素建立的逐日作物产量气象影响指数，存在预报准确率波动大的特点，尤其是会出现连续2 d预报结论突变的现象，造成该现象的主要原因有3个：一是逐日适宜度的计算依赖逐日气象要素，当前后两日气象要素差异较大时会导致计算适宜度的结果差异大，多出现在强降温过程或者强降水的前后，影响模型的准确率。二是发育期的变化，作物由一个发育期进入下一个发育期时，两个发育期光温水适宜指标非线性变化导致适宜度的变化[21]。三是本文选取的气象站点比实际气象站点数量少，导致逐日适宜度波动大，一定程度上影响省级尺度逐日适宜度的结果。此外，理论上不考虑农业技术大幅更新的情况，各省单产年际间波动可认为由气象条件造成；但实际公布的作物单产是由作物总产量除以作物种植面积得到的，由于农业管理、统计方式等原因，省级作物单产往往同气象条件的变化不一致。同时，不同产量分离方法也会影响气象产量序列[22]，下一步将评估不同产量分离方法的日尺度预报准确率，以期找到各省最适合的产量分离方法。

本文利用相似年方法组成作物生育期完整的气象条件，并与作物气象产量构建逐日作物产量气象影响指数预报模型，但未考虑预报时刻之后的实际天气预报数据，尤其是目前已广泛应用的未来30 d逐日气象要素预报数据[23]，一方面是由于预报数据中缺乏日照时数要素，限制了预报模型的构建；另一方面由于从作物播种后就开始逐日动态预测产量，因此只利用站点未来30 d的预测数据仍无法构建生育期完整的气象资料。相比较而言，目前利用相似年数据是解决未来气候情景数据的有效途径之一[24-25]。

国家级作物产量预报模型是以月尺度或旬尺度构建的，预报准确率相对较高，基本可以满足业务服务的需求；但随着气象部门监测精密、预报精准、服务精细的新要求，产量预报也要向时空精细化方面发展。当前产量预报空间精细化算法已经成熟并在国家气象中心得到应用[26]，但时间精细化预报仍存在短板，虽然基于作物模型模拟的逐日预报已经在国家级业务系统中应用[27]，但预报准确率偏低，且依赖作物模型分配系数的准确性，基于逐日作物产量气象影响指数构建的作物产量动态预报模型在准确率与预报时效上均可满足时间精细化要求。

目前农业气象定量化评价水平程度相对较低，尤其是农业气象灾害评估能力不足，往往只能在作物收获测产后确定。本文探索建立一种可以逐日动态定量评估气象条件对作物产量影响的方法，并利用模型不同尺度的预报准确率评估该方法的准确率。总体上准确率普遍较好，说明基于日尺度的预报模型可以开展作物产量的逐日动态预报，该模型可用于灾害性天气发生后，定量化评估灾害造成的产量损失。但当遇到较为严重的农业气象灾害时，逐日作物产量气象影响指数可能低估或高估灾害的影响程度，这也表明基于逐日气象要素建立的逐日作物产量气象影响指数还存在改进的空间。