摘要：采用煙區(qū)代表性樣點的烤煙產量和相關影響因素調查資料，在篩選出烤煙K326、云煙87（85）品種產量最佳估測模型的基礎上，借助GIS與烤煙產量最佳估測模型集成技術開展福建煙區(qū)不同烤煙品種產量的估測與空間分區(qū)，揭示福建省煙區(qū)耕地不同烤煙品種產量的空間差異。結果表明，人工神經(jīng)網(wǎng)絡模型對K326和云煙87（85）產量的估測精度最高，分別高達99.48%和99.51%，可作為福建煙區(qū)烤煙產量預測的最佳模型。福建煙區(qū)K326、云煙87（85）高產量區(qū)面積分別為96 695.67和208 683.58 hm2，集中分布于浦城、建陽、建甌等縣市；中產量區(qū)面積分別為121 879.70 hm2和91 803.92 hm2；低產量區(qū)面積分別為296 096.70 hm2和214 184.60 hm2，中產區(qū)主要分布于永定、寧化和上杭等縣（市），表明福建省煙區(qū)種植云煙系列烤煙品種可獲得更高的產量。

關鍵詞：GIS（Geographic Information System）；福建??；烤煙；產量；估測模型；空間分區(qū)

中圖分類號：S572 文獻標識碼：A 文章編號：0439-8114（2016）10-2514-07

DOI：10.14088/j.cnki.issn0439-8114.2016.10.017

Abstract：Based on the flue-cured tobacco output and its relevant influence factors data of representative samples in the tobacco area，this study was conducted to reveal spatial variation of flue-cured tobacco output of different flue-cured tobacco varieties in Fujian tobacco production areas. Based on the ideal estimation model of flue-cured tobacco yield for tobacco K326， cloud and mist 85 and 87， and the aid of GIS the yield and spatial distribution of different lue-cured tobacco variaties were estimated.The results showed that the estimation accuracy of the artificial neural network towards tobacco K326，cloud and mist 85 and 87 were 99.48% and 99.51%，respectively. So the neural network model was the best model to estimate the flue-cured tobacco production in Fujian province. The high yield regions of tobacco K326，Yunyan 87（85） were concentrated in Pucheng， Jianyang，Jianou，with the area of 96 695.67 hm2 and 208 683.58 hm2，respectively；The medium yield regions of tobacco K326，Yunyan 87（85） were mainly distributed in Yongding， Ninghua and Shanghang，with the area of 121 879.70 hm2 and 91 803.92 hm2，respectively；the low yield regions of tobacco K326，Yunyan 87（85） were 296 096.70 hm2 and 214 184.60 hm2，respectively. The research demonstrates that planting mist series in Fujian tobacco-growing areas can lead to higher yields.

Key words：Geographic Information System；Fujian province；flue-cured tobacco；output；estimating model；spatial division

福建是中國煙草發(fā)源地之一，由于福建省煙區(qū)位于亞熱帶季風氣候區(qū)，氣候溫和，日照充足，降水豐沛，為烤煙生長提供較理想的立地條件，從而成為中國優(yōu)質烤煙主產區(qū)和重要煙草生產基地。福建省煙區(qū)主要位于南平、三明和龍巖三市，合計烤煙種植面積占全省烤煙種植總面積的95%以上，2013烤煙產量達16.14萬t，主要種植品種為K326、云煙87（85）[1]。煙葉的產量和品質直接關系到烤煙種植業(yè)的經(jīng)濟效益，故烤煙產量和品質的提升一直是人們關注的熱點，但國內外至今有關烤煙產量的研究主要集中于烤煙產量的影響因素及改良技術措施等方面。如Farrokh等[2]研究指出氮肥與鉀肥施用量對煙葉產量以及質量影響最大；Huo等[3]利用15N標記示蹤技術尋找提高烤煙產量和品質的最佳水-氮耦合比率；Tariq等[4]通過田間試驗研究了不同施肥方法與煙草養(yǎng)分吸收的相關性及其對烤煙品質和產量的影響；尹鵬達等[5]借助偏最小二乘回歸施肥模型研究表明，氮磷鉀肥與烤煙產量及煙葉化學成分均有顯著的回歸關系；上官力等[6]研究了同一海拔高度種植不同海拔高度選育的煙草種子對烤煙產量和品質的影響；李淑娥等[7]采用SPSS統(tǒng)計軟件分別建立趨勢產量和氣候產量回歸模型，最終建立白河煙區(qū)產量回歸模型。可見，國內外至今針對烤煙產量估測模型的研究報道較少，在篩選建立區(qū)域烤煙產量最佳估測模型的基礎上，借助GIS與產量最佳估測模型集成技術實現(xiàn)區(qū)域烤煙品種產量的空間估測與分區(qū)則更少見研究報道。為此，本研究利用福建煙區(qū)不同烤煙品種代表性調查樣點烤煙產量及其相關影響因素資料數(shù)據(jù)，在篩選建立烤煙產量最佳估測模型的基礎上，借助GIS與烤煙產量最佳估測模型集成技術，利用福建煙區(qū)烤煙產量影響因子空間屬性數(shù)據(jù)庫，開展福建煙區(qū)烤煙產量估測及分區(qū)研究，為實現(xiàn)福建煙區(qū)烤煙產量的動態(tài)監(jiān)控，保障煙草優(yōu)質、高產、高效生產提供科學依據(jù)。

1 方法步驟

1.1 資料收集

根據(jù)研究需要，收集以下數(shù)據(jù)：①1∶250 000福建煙區(qū)烤煙品種用地適宜性評價數(shù)據(jù)庫，包括評價因子和烤煙用地適宜性的空間屬性數(shù)據(jù)庫，由土壤生態(tài)系統(tǒng)健康與調控福建省高校重點實驗室提供；②福建煙區(qū)399個代表性調查樣點地理信息坐標、烤煙品種產量（近3年均值）及相關土壤屬性調查分析數(shù)據(jù)。其中K326樣點數(shù)為186個，云煙85樣點數(shù)36個，云煙87樣點數(shù)為177個，由福建省煙草總公司煙草農業(yè)科學研究所提供。

1.2 烤煙產量影響因子及其屬性數(shù)據(jù)集建立

煙草是一種對生態(tài)條件十分敏感的作物，不同生態(tài)因子對煙草生長發(fā)育特性、煙葉產量高低、品質好壞等影響差異明顯[8]。地形因子與土壤中的水分及物質運移有著緊密的聯(lián)系[9]，從而會影響土壤中養(yǎng)分的分布，同時地形因子通過制約水熱條件再分布而對區(qū)域小氣候產生顯著影響。充足的光照、適宜的氣溫是形成優(yōu)質煙葉的必要條件[10]，烤煙大田生育期日照時數(shù)要求達500～700 h，最佳溫度為20～28 ℃，日照百分率為40%以上，≥20 ℃成熟期日均溫的持續(xù)日數(shù)不少于50 d，水分是煙草重要的生態(tài)因子和組成成分，烤煙生育期月均降水量要求在100～200 mm之間[11]。良好的土壤條件是烤煙優(yōu)質高產的重要基礎，烤煙為喜鉀忌氯作物，對土壤酸堿度較為敏感，適宜pH 5.5～6.5，肥力中等，有機質含量適中，質地為輕黏壤土、中壤和沙壤土最能生產出優(yōu)質的烤煙[12]。綜上所述，選取土壤因素（有機質、黏粒、堿解氮、速效磷、水溶性氯、交換性鎂、pH和速效鉀）、立地環(huán)境因素（坡度、坡向、耕層厚度、地下水位）、氣候因素（無霜期、日均溫≥20 ℃的持續(xù)日數(shù)、日照時數(shù)和日均溫≥10 ℃活動積溫）共16個因子作為福建煙區(qū)烤煙產量估測的主要影響因子。

代表性樣點的土壤因子數(shù)據(jù)為福建煙區(qū)399個調查樣點的實測值，立地環(huán)境條件和氣候因子數(shù)據(jù)借助ARC/GIS軟件，通過399個調查樣點的地理信息坐標，從福建煙區(qū)烤煙用地適宜性評價因子數(shù)據(jù)庫中提取。由于云煙85和云煙87是同源品種，其生產和效益相近，且因云煙85的實際調查樣點數(shù)偏少，故將兩者合并進行產量建模、預測和分區(qū)。將獲取的數(shù)據(jù)分別建立福建省煙區(qū)烤煙K326、云煙87（85）產量估測模型篩選的樣點數(shù)據(jù)集，其中K326樣點數(shù)據(jù)集為186個，云煙87（85）樣點數(shù)據(jù)集為213個。將樣點數(shù)據(jù)集分為估測模型建模樣本（占70%）和精度驗證樣本（占30%）兩部分，所有樣本數(shù)均符合統(tǒng)計學的大樣本原則。

1.3 烤煙品種產量估測模型的建立

1.3.1 神經(jīng)網(wǎng)絡模型的建立 BP人工神經(jīng)網(wǎng)絡模型是一種模擬大腦-思維-計算之間關系的人工智能系統(tǒng)，是目前應用最廣，被廣泛接受的神經(jīng)網(wǎng)絡學習算法，能夠自動以任意精度逼近任意復雜的非線性映射[13]。根據(jù)神經(jīng)網(wǎng)絡模型的網(wǎng)絡參數(shù)確定原則，借助DPS統(tǒng)計軟件分別對K326共130個、云煙87（85）共149個的產量進行擬合。通過BP算法誤差反向傳播法，信號從多個輸入層節(jié)點導入，中間是一層與多層隱層節(jié)點，非線性耦合傳遞到輸出層，逐步調整網(wǎng)絡參數(shù)，最終得到一個誤差平方和最佳的原則修正網(wǎng)絡結構[14-16]。

具體參數(shù)設置如下：網(wǎng)絡輸入層神經(jīng)元節(jié)點數(shù)即系統(tǒng)的自變量個數(shù)，設定為16；輸出層神經(jīng)元節(jié)點即系統(tǒng)目標個數(shù)設定為1；中間層激發(fā)函數(shù)Sigmoid為0.9，允許誤差為0.000 1，最大迭代次數(shù)為1 000，數(shù)據(jù)進行標準化變換；K326產量模型的最小訓練速率確定為0.8，激發(fā)函數(shù)確定為0.6，第1隱含層節(jié)點數(shù)選取14；云煙87（85）產量模型的最小訓練速率確定為0.9，激發(fā)函數(shù)確定為0.6，第1隱含層節(jié)點數(shù)選取16。

1.3.2 逐步回歸模型的建立 逐步回歸分析方法是一種逐步篩選出顯著影響因子的算法，其每一步篩選都要通過F值檢驗作為自變量對因變量作用的顯著程度判斷標準，從大到小地依次逐個引入回歸方程，當F值的顯著水平P≤0.05時，顯著性檢驗為顯著，否則將其剔除掉[17]，這一過程持續(xù)到?jīng)]有變量可以剔除為止。借助DPS統(tǒng)計軟件的逐步回歸分析方法，分別對130個K326樣點、149個云煙87（85）樣點的產量建立以下逐步回歸模型。

Yk=67.941+2.641X1+0.251X2+0.471X3-0.029X4+0.027X6-0.265X7+0.082X8-0.065X10-0.173X11+0.137 2X12-0.009X14

模型的決定系數(shù)R2=0.635，顯著性水平P=0.046，n=128，表明模型中的自變量與K326的單位面積產量呈顯著相關。

Y87（85）=148.797-3.896X1-0.218X2+0.153X3+0.047X4-0.010X5+0.013X6-0.128X7+0.010X8-1.741X9-0.179X10+0.077X11+0.050X12+0.690X13-0.016X14+0.045X15+0.091X16

模型的決定系數(shù)R2=0.744，顯著性水平P=0.015，n=147，表明模型中的自變量與云煙87（85）的單位面積產量呈顯著相關。

式中，Yk和Y87（85）分別為K326和云煙87（85）的單位面積產量；X1為pH，X2為黏粒，X3為有機質，X4為堿解氮，X5為速效磷，X6為速效鉀，X7為交換性鎂，X8為水溶性氯，X9為耕層厚度，X10為地下水位，X11為無霜期，X12為日照時數(shù)，X13為≥20 ℃日數(shù)，X14為≥10 ℃活動積溫，X15為坡度，X16為坡向（下同）。

1.4 最佳模型篩選與檢驗

將56個K326和64個云煙87（85）烤煙品種驗證樣本的立地、土壤和氣候因子數(shù)據(jù)分別代入上述建立的各烤煙產量估測模型，計算獲得K326、云煙87（85）驗證樣本烤煙產量的模型估測值，采用模型估測產量與實際調查產量的線性回歸相關性檢驗、配對樣本t檢驗和均方根誤差檢驗（RMSE）綜合判斷確定煙區(qū)烤煙產量估測的最佳模型。

1.5 烤煙產量空間推算與分區(qū)

為實現(xiàn)不同品種烤煙產量空間推算與分區(qū)，利用烤煙產量最佳估測模型和主要影響因子空間數(shù)據(jù)庫，借助ARC/GIS軟件，分別估測福建煙區(qū)K326、云煙87（85）的產量并建立相應烤煙品種產量空間數(shù)據(jù)圖層，利用福建煙區(qū)烤煙生態(tài)適宜用地圖層分別模擬K326、云煙87（85）的烤煙產量空間數(shù)據(jù)圖層，建立福建煙區(qū)烤煙適種區(qū)K326、云煙87（85）產量空間數(shù)據(jù)庫，借助動態(tài)聚類分析模型[18]，開展福建省烤煙適種區(qū)K326、云煙87（85）產量分區(qū)，分區(qū)標準見表1。

2 結果與分析

2.1 烤煙產量最佳估測模型的確定

由表2和表3可見，采用人工神經(jīng)網(wǎng)絡模型估測的K326與云煙87（85）產量均值分別為（1 866.36±10.70）和（2 130.42±10.23） kg/hm2，與實際調查產量均值間的絕對差值分別為0.52%和0.50%；而采用逐步回歸模型的估測產量均值分別為（1 929.88±47.05） kg/hm2和（2 166.06±35.38） kg/hm2，與實際調查產量均值間的絕對差值分別為2.87%和2.13%；t檢驗結果顯示，采用人工神經(jīng)網(wǎng)絡模型估測的K326和云煙87（85）產量與實際調查產量的t值（分別為0.91和1.03）均小于逐步回歸模型（分別為1.14和1.30），2種模型的烤煙品種估測與實際產量間的t值均小于t0.05（t0.05=2.05，n=55；t0.05=2.00，n=63），表明2種模型估測的烤煙品種產量和實際產量均無顯著差異，但均以人工神經(jīng)網(wǎng)絡模型估測的產量與實際調查產量差異較小?？緹熎贩N的模型估測產量與實際調查產量相關分析結果（圖1和圖2）表明，采用人工神經(jīng)網(wǎng)絡模型估測的K326和云煙87（85）產量與實際調查產量的相關系數(shù)（均為0.95）均顯著高于逐步回歸模型（分別為0.39和0.48），表明采用人工神經(jīng)網(wǎng)絡模型估測的K326和云煙87（85）產量與實際調查產量的相關性更為密切。由表4可以看出，采用人工神經(jīng)網(wǎng)絡模型估測的K326和云煙87（85）實際調查與估測產量的RMSE值（分別為79.40和81.88）均明顯低于逐步回歸模型（分別為353.05和284.59），同時人工神經(jīng)網(wǎng)絡模型對K326和云煙87（85）產量的模擬精度（分別為99.48%和99.51%）均高于逐步回歸模型（分別為97.21%和97.87%），表明人工神經(jīng)網(wǎng)絡模型的烤煙品種估測產量與實際調查產量誤差較小。因此，人工神經(jīng)網(wǎng)絡模型對K326與云煙87（85）產量的估測精度較高，可作為福建煙區(qū)烤煙產量估測的最佳模型。

2.2 烤煙產量空間分區(qū)分析

從利用ARC/GIS與人工神經(jīng)網(wǎng)絡模型集成技術估測的福建煙區(qū)不同烤煙品種產量可見（表5），福建省煙區(qū)烤煙K326和云煙87（85）產量空間差異較為明顯，K326產量為2 624.10～1 305.00 kg/hm2，變異系數(shù)為14.16%，產量均值為1 752.90 kg/hm2；云煙87（85）產量為2 803.95～1 395.00 kg/hm2，變異系數(shù)為16.34%，產量均值為1 959.60 kg/hm2。

由福建煙區(qū)烤煙品種產量分區(qū)結果（圖3）可知，福建省煙區(qū)K326品種高產量區(qū)面積達96 695.67 hm2，占福建省煙區(qū)生態(tài)適宜用地總面積的18.79%，集中分布于浦城、建陽、長汀和建甌等縣（市）；云煙87（85）高產量區(qū)面積為208 683.58 hm2，占福建省煙區(qū)生態(tài)適宜用地總面積的40.55%，主要分布于浦城、建陽、上杭、建甌和寧化等縣（市、區(qū)）。這些產量比較高的煙區(qū)一般分布于海拔低于400 m的地區(qū)、平均坡度為3.08°、平均日照時數(shù)725.46 h和≥10 ℃活動積溫3 326 ℃的地區(qū)，這為烤煙生長發(fā)育提供了優(yōu)越的氣候條件；從土壤類型來看，高產區(qū)的主要土壤類型為灰泥田和灰泥沙田等，質地多為壤土，耕層厚度均值達22.37 cm，土壤有機質30.14 g/kg、堿解氮163.59 mg/kg、速效鉀76.40 mg/kg，速效鉀含量比全省煙區(qū)適宜種植烤煙耕地土壤的均值高6.63 mg/kg，交換性鎂含量適中，為烤煙生長發(fā)育提供了較理想的養(yǎng)分條件。

福建省煙區(qū)K326品種中產量區(qū)面積達121 879.70 hm2，占全省烤煙適宜用地總面積的23.68%，主要分布于浦城、武夷山、長汀、連城、上杭、武平、永定、寧化和永安縣（市）；云煙87（85）中產量區(qū)面積達91 803.92 hm2，占福建省烤煙適宜用地總面積的17.84%，主要分布于建甌、建陽、長汀、上杭、新羅、永定、寧化和尤溪縣（市、區(qū)）。這些耕地多分布于低丘緩坡，海拔也相對較低，氣候條件與高產量區(qū)相似，但土壤耕層厚度和速效鉀含量均值僅分別為全省煙區(qū)適宜烤煙種植的耕地土壤相應屬性均值的96.51%和92.34%，而土壤水溶性氯含量均值則比全省煙區(qū)適宜烤煙種植耕地土壤的相應均值高2.17 mg/kg，土壤類型多為肥力相對較差的黃泥沙田等，因此，上述區(qū)域耕地土壤的耕層厚度、速效鉀和水溶性氯含量等屬性不利于煙葉產量的提高。

福建省煙區(qū)K326品種低產區(qū)面積為296 096.70 hm2，占全省烤煙生態(tài)適宜用地總面積的57.53%，集中分布于建甌、建陽、邵武、順昌、武夷山、武平和新羅等縣（市、區(qū)）；云煙87（85）低產區(qū)耕地面積為214 184.60 hm2，占全省烤煙生態(tài)適宜用地總面積的41.61%，主要分布于建甌、邵武、武夷山、長汀、連城、武平和寧化等縣（市）。這些區(qū)域大多分布于海拔較高的山地丘陵坡地區(qū)，交通不便，田間管理困難，大部分地處陰坡，日照時數(shù)的不足也制約了烤煙的光合作用，≥10 ℃活動積溫比福建省煙區(qū)均值低210.68 ℃，耕層厚度均值僅為13.24 cm，土壤有機質含量23.12 g/kg、堿解氮含量150.05 mg/kg和速效鉀含量60.01 mg/kg，水溶性氯含量均值比福建省煙區(qū)適宜烤煙種植耕地土壤相應均值高3.11 mg/kg，熱量、光照和土壤條件均不利于烤煙的生長發(fā)育。

3 小結與討論

不同數(shù)學模型估測精度比較表明，人工神經(jīng)網(wǎng)絡模型可作為福建煙區(qū)烤煙產量估測的最佳模型，利用該模型將福建煙區(qū)主栽品種K326和云煙87（85）的產量劃分為高產、中產和低產量區(qū)。云煙87（85）高產量區(qū)面積占福建省煙區(qū)評價區(qū)域總面積的40.55%，明顯高于K326高產量區(qū)面積（僅占全省煙區(qū)評價區(qū)域總面積的18.79%），表明福建煙區(qū)種植云煙系列烤煙品種可獲得更高的產量。

烤煙產量的影響因素十分復雜，不同品種及研究區(qū)域影響烤煙產量的因素各異，且不同數(shù)學模型適用的條件也不同，故在實際應用中應根據(jù)研究區(qū)域和烤煙品種差異，科學選擇烤煙產量的最佳估測模型。此外，烤煙生長發(fā)育過程是生態(tài)因素和社會因素共同作用的結果，且作物生長過程也是一個隨時間變化的動態(tài)過程，本研究只是從生態(tài)條件對烤煙產量的影響角度入手，尚未考慮區(qū)域生態(tài)條件的動態(tài)變化以及社會經(jīng)濟因素（如人為灌溉、施肥及病蟲害防治等）對烤煙產量的影響。因此，在今后的研究中應綜合運用數(shù)學模型、生物學、經(jīng)濟學和3S技術，通過多模型綜合運用的方法提高模型的預測精度，以便更好地為區(qū)域烤煙種植業(yè)的高效和持續(xù)發(fā)展提供技術支撐。

參考文獻：

[1] 福建省統(tǒng)計局.福建經(jīng)濟與社會統(tǒng)計年鑒（農村篇）[M].福州：福建人民出版社，2004.137-138.

[2] FARROKH A R， AZIZOV I， FARROKH A. Effect of nitrogen and potassium fertilizer on yield， quality and some quantitative parameters of flue-cured tobacco cv.K326[J].African Journal of Agricultural Research，2012，7（17）：2601-2680.

[3] HOU M M，SHAO， X H，LI Y Y.Effects of water and N-15-labelled fertilizer coupling on the growth， N uptake， quality and yield，of flue-cured tobaccos：A two-year lysimeter experiment[J].Research on Crops，2013，14（03）：950-959.

[4] TARIQ M，AKBAR A，LATAF-UL-HAQ，et al.Comparing application methods for boron fertilizer on the yield and quality of tobacco（Nicotiana tabacum L.）[J].Communication in Soil Science and Plant Analysis，2010，41（13）：1525-1537.

[5] 尹鵬達，趙麗娜，朱文旭，等.基于偏最小二乘回歸的填充型烤煙優(yōu)化施肥研究[J].中國煙草科學，2011，32（4）：61-65.

[6] 上官力，彭家宇，任曉紅，等.不同海拔選育的煙草種子對烤煙產質量的影響[J].湖北農業(yè)科學，2013，52（21）：5214-5216.

[7] 李淑娥，王智慧，劉開平，等.白河煙區(qū)烤煙產量多元線性回歸模型年景預測[J].作物研究，2012，26（7）：84-86.

[8] 李鵬飛.主要生態(tài)因素和烘烤對烤煙致香物質含量的影響[D].長沙：湖南農業(yè)大學，2009.

[9] 秦 松，樊 燕，劉洪斌，等.地形因子與土壤養(yǎng)分空間分布的相關性研究[J].水土保持研究，2008，15（1）：46-49.

[10] 周 宏.不同光強光質對烤煙生長發(fā)育和煙堿合成代謝的影響[D].南京：南京農業(yè)大學，2013.

[11] 薊紅霞.土壤條件對烤煙生長養(yǎng)分累積和品質的影響[D].北京：中國農業(yè)科學院，2006.

[12] 邢世和，張黎明，周碧清.福建農用地利用區(qū)劃[M].福州：中國農業(yè)科學技術出版社，2012.54.

[13] 張淑娟，何 勇，方 慧.人工神經(jīng)網(wǎng)絡在作物產量與土壤空間分布信息關系分析中的應用[J].系統(tǒng)工程理論與實踐，2003， 12（12）：121-127.

[14] 王淑紅.基于神經(jīng)網(wǎng)絡的選礦廠數(shù)學模型及應用研究[D].昆明：昆明理工大學，2002.

[15] 牛之賢，李武鵬，張文杰.基于AIGA-BP神經(jīng)網(wǎng)絡的糧食產量預測研究[J].計算機工程與應用，2012，48（2）：235-237.

[16] 唐啟義.DPS數(shù)據(jù)處理系統(tǒng)[M].北京：科學出版社，2013.466.

[17] 劉曉宇，孟 軍.基于逐步回歸的黑龍江省煙葉產量預測[J].中國農學通報，2012，28（7）：223-227.

[18] 陳桂芬，曹麗英，王國偉.加權空間模糊動態(tài)聚類算法在土壤肥力評價中的應用[J].中國農業(yè)科學，2009，42（10）：3559-3563.