李心怡 張 祎 趙艷霞* 杜子璇 楊沈斌

1)(南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心/南京信息工程大學(xué)應(yīng)用氣象學(xué)院， 南京 210044)

2)(中國(guó)氣象科學(xué)研究院， 北京 100081)

3)(河南省氣象科學(xué)研究所， 鄭州 450003)

引 言

農(nóng)業(yè)生產(chǎn)與氣象條件息息相關(guān)，作物產(chǎn)量和質(zhì)量易受氣候變化與氣象災(zāi)害的影響。在全球氣候變化背景下，地球升溫或提前達(dá)到1.5℃[1-2]，氣候變暖導(dǎo)致氣候異常和極端天氣增多，將對(duì)全球作物產(chǎn)生重要影響，從而威脅糧食安全[3-5]。我國(guó)氣象災(zāi)害頻發(fā)，受災(zāi)面積大，成災(zāi)比例高，是導(dǎo)致糧食產(chǎn)量下降的主要因素[6-7]。眾多學(xué)者在農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警、氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估、作物產(chǎn)量預(yù)報(bào)等領(lǐng)域做了大量工作，探究氣象與作物生長(zhǎng)之間關(guān)系[8-12]。作物產(chǎn)量是反映氣象條件、品種改良、技術(shù)進(jìn)步等方面的綜合表現(xiàn)，在作物產(chǎn)量氣象預(yù)報(bào)業(yè)務(wù)中，通常將作物實(shí)際產(chǎn)量分離成氣象產(chǎn)量和趨勢(shì)產(chǎn)量。氣象產(chǎn)量是氣象條件變化造成的短期產(chǎn)量波動(dòng)，趨勢(shì)產(chǎn)量則是由社會(huì)經(jīng)濟(jì)、市場(chǎng)供需、技術(shù)水平等因素造成的長(zhǎng)周期產(chǎn)量變化。將歷史作物產(chǎn)量序列進(jìn)行合理、準(zhǔn)確地分解，是研究氣象因子對(duì)作物產(chǎn)量影響的重要環(huán)節(jié)之一。

目前，常用的作物產(chǎn)量分離方法包括滑動(dòng)平均法、指數(shù)平滑法、Logistic擬合法和Hodrick-Prescott(HP)濾波法等[13-18]。羅夢(mèng)森等[13]建立水稻氣象產(chǎn)量預(yù)報(bào)模型時(shí)，采用直線滑動(dòng)平均法確定趨勢(shì)產(chǎn)量。Iizumi等[14]和Nguyen-Huy等[15]在研究氣候?qū)ψ魑锂a(chǎn)量影響時(shí)均采用5年滑動(dòng)平均法擬合趨勢(shì)產(chǎn)量。王培娟等[16]在建立冀、魯、豫三省冬小麥氣象產(chǎn)量模型時(shí)選取了三次多項(xiàng)式法擬合趨勢(shì)產(chǎn)量。但大部分研究只選用單一的產(chǎn)量分離方法，選取依據(jù)未做過(guò)多考慮，評(píng)判標(biāo)準(zhǔn)更偏向主觀化。

近年來(lái)，人們對(duì)不同作物產(chǎn)量分離方法進(jìn)行探討。房世波[19]以氣候變化對(duì)棉花產(chǎn)量影響為例，基于趨勢(shì)產(chǎn)量模擬曲線符合社會(huì)技術(shù)各發(fā)展階段的實(shí)際、氣象條件相似區(qū)域氣象產(chǎn)量應(yīng)具有很強(qiáng)的相關(guān)性以及關(guān)鍵氣候因子與棉花生育特性關(guān)系的合理性，對(duì)三點(diǎn)滑動(dòng)平均法、五點(diǎn)滑動(dòng)平均法和二次曲線法進(jìn)行探討。牛浩等[20]以山東省玉米為例，運(yùn)用相關(guān)分析與方差分析對(duì)HP濾波法、5年滑動(dòng)平均法、回歸分析法和雙指數(shù)平滑法4種方法擬合趨勢(shì)產(chǎn)量的顯著性和分離氣象產(chǎn)量的準(zhǔn)確性進(jìn)行比較。趙東妮等[21]以遼寧省水稻為例，通過(guò)比較各站點(diǎn)趨勢(shì)產(chǎn)量序列與實(shí)際產(chǎn)量的擬合程度以及與區(qū)域農(nóng)業(yè)生產(chǎn)力技術(shù)發(fā)展水平和氣象產(chǎn)量一致性，評(píng)價(jià)了HP濾波法、指數(shù)平滑法及Logistic方法的合理性。這些研究側(cè)重趨勢(shì)產(chǎn)量擬合的準(zhǔn)確度以及不同方法分離的氣象產(chǎn)量的差異，較少探究分離出的氣象產(chǎn)量能否有效捕獲氣象因子對(duì)產(chǎn)量影響。然而，在農(nóng)業(yè)氣象研究中，作物產(chǎn)量分離最終目的是獲取導(dǎo)致產(chǎn)量波動(dòng)的氣象信息。

因此，本文以江蘇省水稻產(chǎn)量為例，統(tǒng)計(jì)1985—2018年24個(gè)縣(市)水稻產(chǎn)量，采用3年滑動(dòng)平均、5年滑動(dòng)平均、五點(diǎn)二次平滑、二次指數(shù)平滑和HP濾波5種方法，獲取趨勢(shì)產(chǎn)量并用一致性相關(guān)系數(shù)評(píng)價(jià)擬合效果。在此基礎(chǔ)上，采用年際增量法分離氣象產(chǎn)量，并以相對(duì)氣象產(chǎn)量表示。通過(guò)比較6種方法獲得的相對(duì)氣象產(chǎn)量的平均值與標(biāo)準(zhǔn)差初步篩選合適的方法，根據(jù)典型年份增減產(chǎn)記錄與相對(duì)氣象產(chǎn)量對(duì)比，優(yōu)選出能準(zhǔn)確捕獲到氣象因子導(dǎo)致產(chǎn)量變異的方法，并利用多元逐步回歸建立氣象產(chǎn)量模型，進(jìn)一步分析氣象產(chǎn)量與氣象因子的關(guān)系是否符合水稻的生育特性及其對(duì)氣候的響應(yīng)規(guī)律，找到最優(yōu)作物產(chǎn)量分離方法。

1 研究區(qū)域與方法

1.1 數(shù)據(jù)來(lái)源

1985—2018年江蘇省24個(gè)縣(市)的水稻產(chǎn)量數(shù)據(jù)來(lái)自江蘇省農(nóng)村統(tǒng)計(jì)年鑒，逐日氣象數(shù)據(jù)來(lái)自國(guó)家氣象信息中心，包括日平均氣溫、日最高氣溫、日最低氣溫、降水量、日照時(shí)數(shù)等，24個(gè)氣象站點(diǎn)分布見(jiàn)圖1。參照該區(qū)域水稻常年生長(zhǎng)發(fā)育期，將逐日氣象數(shù)據(jù)分別處理到旬和月尺度，得到逐旬和逐月最高氣溫、最低氣溫、平均氣溫、降水量和日照時(shí)數(shù)。1987—2016年氣象因子對(duì)產(chǎn)量影響明顯的記錄，來(lái)自《中國(guó)氣象災(zāi)害大典》(江蘇卷)[22]和江蘇省氣象局。

圖1 研究區(qū)域及氣象站點(diǎn)分布

1.2 作物產(chǎn)量分離方法

為了研究氣象因子與水稻產(chǎn)量之間的關(guān)系，首先要剔除歷史時(shí)期生產(chǎn)力發(fā)展水平下的長(zhǎng)周期產(chǎn)量分量，得到水稻氣象產(chǎn)量。長(zhǎng)周期趨勢(shì)產(chǎn)量一般由社會(huì)經(jīng)濟(jì)、生產(chǎn)技術(shù)等因素導(dǎo)致[23-24]。任一產(chǎn)量時(shí)間序列均可分解為趨勢(shì)產(chǎn)量、氣象產(chǎn)量和隨機(jī)產(chǎn)量，隨機(jī)產(chǎn)量又被稱為隨機(jī)噪聲。因此，水稻實(shí)際產(chǎn)量Y可分解為趨勢(shì)產(chǎn)量Yt、氣象產(chǎn)量Yw和隨機(jī)產(chǎn)量ε，即

Y=Yt+Yw+ε。

(1)

趨勢(shì)產(chǎn)量Yt可通過(guò)3年滑動(dòng)平均法、5年滑動(dòng)平均法、五點(diǎn)二次平滑法、二次指數(shù)平滑法和HP濾波法5種方法分別擬合獲得。

1.2.1 滑動(dòng)平均法

線性滑動(dòng)平均是趨勢(shì)擬合技術(shù)最基礎(chǔ)最常用的方法[25]，相當(dāng)于低通濾波。用鄰近年份的數(shù)據(jù)平均值表示變化趨勢(shì)。經(jīng)過(guò)滑動(dòng)平均后，產(chǎn)量序列中短于滑動(dòng)長(zhǎng)度的周期被削弱。由于本文使用了30年數(shù)據(jù)，而政策變化、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整等一般都不低于3年，故滑動(dòng)長(zhǎng)度k取3和5，分別做3年滑動(dòng)平均和5年滑動(dòng)平均?；瑒?dòng)平均法的缺陷是造成產(chǎn)量序列兩端的損失，n個(gè)數(shù)據(jù)只能得到n-k+1個(gè)平滑值。為了彌補(bǔ)數(shù)據(jù)兩端的損失，處理時(shí)延長(zhǎng)時(shí)間序列，選取1985—2018年的產(chǎn)量數(shù)據(jù)進(jìn)行滑動(dòng)平均，以保證擬合出的1987—2016年30年的趨勢(shì)產(chǎn)量數(shù)據(jù)完整。

1.2.2 五點(diǎn)二次平滑法

五點(diǎn)二次平滑法與線性滑動(dòng)平均作用一樣，對(duì)經(jīng)過(guò)一次滑動(dòng)平均產(chǎn)生的序列再進(jìn)行滑動(dòng)平均，得到變化趨勢(shì)[26]，常用于分析氣候變化的趨勢(shì)[27]。對(duì)于數(shù)據(jù)兩端的缺失值用上文同樣方法處理，擴(kuò)大時(shí)間序列范圍，選取1985—2018年的產(chǎn)量數(shù)據(jù)。

1.2.3 二次指數(shù)平滑法

二次指數(shù)平滑法是在直線滑動(dòng)平均的基礎(chǔ)上進(jìn)行改進(jìn)，用指數(shù)序列加權(quán)平均。具有計(jì)算簡(jiǎn)單、樣本需求量較少、適應(yīng)性較強(qiáng)、結(jié)果較穩(wěn)定的特點(diǎn)。由于產(chǎn)量序列為30年，初始值可以認(rèn)定為第1個(gè)數(shù)據(jù)，且產(chǎn)量序列呈明顯上升趨勢(shì)，因此，公式中系數(shù)沿用前人研究成果取0.3[28]。因?yàn)槎沃笖?shù)法屬于疊代，具有滯后性，第1年擬合后的趨勢(shì)產(chǎn)量數(shù)據(jù)延用原值，導(dǎo)致分離后的氣象產(chǎn)量序列首端缺失。為了彌補(bǔ)缺失，擬合從1986年數(shù)據(jù)開(kāi)始，以保證1987—2016年30年的數(shù)據(jù)完整。

1.2.4 HP濾波法

HP濾波法是Hodrick等[29]提出的用于測(cè)算美國(guó)第二次世界大戰(zhàn)后經(jīng)濟(jì)發(fā)展的周期趨勢(shì)項(xiàng)和短期波動(dòng)項(xiàng)的方法。HP濾波法可看作高通濾波器，將產(chǎn)量的時(shí)間序列看作是不同頻率成分的疊加，通過(guò)高通濾波分離出高頻成分(氣象產(chǎn)量)與低頻成分(趨勢(shì)產(chǎn)量)。HP濾波法分離出的趨勢(shì)產(chǎn)量無(wú)滯后性，故序列首尾沒(méi)有缺損。

1.2.5 年際增量法

年際增量法認(rèn)為影響作物產(chǎn)量波動(dòng)的諸多因素中，作物品種和肥力影響相對(duì)穩(wěn)定，相鄰兩年作物產(chǎn)量的變化主要由氣象條件變化引起[30]。該方法常用于產(chǎn)量動(dòng)態(tài)預(yù)報(bào)[31-32]。年際增量法與前文5種方法不同的是，它不對(duì)實(shí)際產(chǎn)量進(jìn)行趨勢(shì)擬合，而是用相鄰兩年作物單產(chǎn)變化率表述氣象因子導(dǎo)致的產(chǎn)量變異。這里引入年際增量法，與其他幾種分離方法進(jìn)行比較。

1.3 相對(duì)氣象產(chǎn)量

為使氣象因子對(duì)產(chǎn)量的影響不受時(shí)間和地域的限制，采用相對(duì)氣象產(chǎn)量表征氣象產(chǎn)量變異，使不同方法得到的結(jié)果具有可比性。定義氣象產(chǎn)量與趨勢(shì)產(chǎn)量的比值為相對(duì)氣象產(chǎn)量Ya：

(2)

Ya為正值，表示氣象因子利于作物生長(zhǎng)發(fā)育即產(chǎn)量增加；反之，Ya為負(fù)值，表示產(chǎn)量減少[33]。

1.4 作物產(chǎn)量分離方法篩選

為比較不同方法捕獲關(guān)鍵氣象因子或主要農(nóng)業(yè)氣象災(zāi)害帶來(lái)產(chǎn)量變異的能力，選取了氣象條件對(duì)水稻產(chǎn)量影響明顯的5個(gè)典型年份(表1)，其中1997年、1999年、2003年和2007年為典型減產(chǎn)年份，2002年為典型豐產(chǎn)年份。用6種方法得到的相對(duì)氣象產(chǎn)量與5個(gè)典型年份對(duì)比，如果與實(shí)況一致，則進(jìn)行記錄，5個(gè)年份中全部一致則記為100%，有4年一致則記為80%，……，以此類推,選出能捕獲到氣象因子導(dǎo)致產(chǎn)量變異的方法。

表1 典型年份記錄

1.5 作物產(chǎn)量分離方法驗(yàn)證

作物產(chǎn)量分離目的是找到氣象因子與作物產(chǎn)量之間的關(guān)系。因此，基于選定的作物產(chǎn)量分離方法，采用多元逐步回歸法建立相對(duì)氣象產(chǎn)量與全生育期氣象因子的關(guān)系模型，模型表達(dá)式如下：

Ya=β0+β1x1+β2x2+…+βmxm+e。

(3)

式(3)中，Ya是相對(duì)氣象產(chǎn)量；x1，x2，…，xm是各氣象因子；β0，β1，…，βm為回歸系數(shù)；e是遵從正態(tài)分布N(0，σ2)的隨機(jī)誤差。逐步回歸分析顯著性采用F檢驗(yàn)，引入滿足A=0.05的顯著因子，剔除A=0.1的不顯著因子。用建立的相對(duì)氣象產(chǎn)量模型對(duì)選定的分離方法是否能夠合理解釋氣象因子與產(chǎn)量之間的關(guān)系進(jìn)行合理性檢驗(yàn)。

2 結(jié)果與分析

2.1 趨勢(shì)產(chǎn)量擬合

應(yīng)用3年滑動(dòng)平均法、5年滑動(dòng)平均法、五點(diǎn)二次平滑法、二次指數(shù)平滑法和HP濾波法5種方法對(duì)24個(gè)縣(市)30年的水稻單產(chǎn)分別進(jìn)行趨勢(shì)擬合。結(jié)果表明，這5種方法擬合的趨勢(shì)產(chǎn)量與實(shí)際產(chǎn)量均達(dá)到0.01顯著性水平。以大豐、如皋為例(圖2)，20世紀(jì)80年代由于進(jìn)一步貫徹執(zhí)行改革和開(kāi)放的方針，農(nóng)民積極性大幅提高；同時(shí)生產(chǎn)力的發(fā)展，如雜交水稻的推廣，農(nóng)村勞動(dòng)生產(chǎn)率得到極大提高，生產(chǎn)力持續(xù)增長(zhǎng)，因此，該階段糧食產(chǎn)量增長(zhǎng)速度較快。而從90年代后期開(kāi)始，農(nóng)業(yè)種植技術(shù)進(jìn)一步加強(qiáng)，糧食產(chǎn)值穩(wěn)定增長(zhǎng)，但增長(zhǎng)速度放緩。由圖2可見(jiàn)，5種方法擬合出的趨勢(shì)產(chǎn)量均能較好反映1987—2016年糧食產(chǎn)量總體增長(zhǎng)的特征。

然而，不同方法擬合結(jié)果各有特點(diǎn)。HP濾波法擬合的趨勢(shì)產(chǎn)量表現(xiàn)為平穩(wěn)向上傾斜，對(duì)產(chǎn)量起伏劇烈的部分捕獲能力較差。相反，二次指數(shù)平滑法保留了產(chǎn)量的波動(dòng)性特征，擬合出的趨勢(shì)產(chǎn)量在峰谷處與實(shí)際更為接近，如大豐1998—2007年和如皋1997—2003年產(chǎn)量變化。整體上，3年滑動(dòng)平均、5年滑動(dòng)平均與五點(diǎn)二次平滑法擬合出的產(chǎn)量趨勢(shì)較為相似，反映出波動(dòng)特征，表現(xiàn)為增長(zhǎng)趨勢(shì)上疊加上下起伏。

圖2 5種方法擬合的1987—2016年趨勢(shì)產(chǎn)量

由于整個(gè)研究區(qū)域的社會(huì)和技術(shù)水平發(fā)展過(guò)程差異不大，相鄰地區(qū)趨勢(shì)產(chǎn)量變化特征應(yīng)基本一致，因此，用一致性相關(guān)系數(shù)ρc評(píng)價(jià)5種方法擬合趨勢(shì)產(chǎn)量的適用性，當(dāng)一致性相關(guān)系數(shù)具有顯著性統(tǒng)計(jì)學(xué)意義時(shí)，可結(jié)合ρc大小進(jìn)行一致性程度評(píng)價(jià)[21]。結(jié)果如表2所示，不同方法擬合的各縣(市)趨勢(shì)產(chǎn)量序列與區(qū)域平均趨勢(shì)產(chǎn)量序列均達(dá)到0.01顯著性水平，基本呈一致性較好和一致性極好，ρc≥0.5；僅極個(gè)別地區(qū)一致性差,ρc<0.5。由此可見(jiàn)，5種方法均適用于擬合該地區(qū)水稻趨勢(shì)產(chǎn)量。該結(jié)論與前人研究結(jié)果一致[20-21]，即不同產(chǎn)量分離方法在趨勢(shì)產(chǎn)量擬合上無(wú)明顯差別。

表2 江蘇省24個(gè)縣(市)不同方法擬合的趨勢(shì)產(chǎn)量序列與研究區(qū)域平均趨勢(shì)產(chǎn)量序列的一致性檢驗(yàn)

2.2 氣象產(chǎn)量分離

分別采用3年滑動(dòng)平均法、5年滑動(dòng)平均法、五點(diǎn)二次平滑法、二次指數(shù)平滑法、HP濾波法以及年際增量法6種方法對(duì)1985—2018年24個(gè)縣(市)水稻單產(chǎn)進(jìn)行氣象產(chǎn)量分離，得到對(duì)應(yīng)的相對(duì)氣象產(chǎn)量?？紤]到同一氣候區(qū)氣候特征相似，且大面積的農(nóng)業(yè)氣象災(zāi)害發(fā)生往往與大的天氣過(guò)程有關(guān)，所以同一氣候區(qū)或鄰近區(qū)域水稻的氣象產(chǎn)量應(yīng)具有基本相似的變化特征[19]。因此，以不同作物產(chǎn)量分離方法得到的24個(gè)縣(市)相對(duì)氣象產(chǎn)量的平均值作為整個(gè)研究區(qū)域的相對(duì)氣象產(chǎn)量序列，并求取其標(biāo)準(zhǔn)差度量隨機(jī)變量離散程度。合理的產(chǎn)量分離方法得到的不同區(qū)域相對(duì)氣象產(chǎn)量具有同升(增產(chǎn))同降(減產(chǎn))的特點(diǎn),即一致性較好,樣本標(biāo)準(zhǔn)差較?。环粗?，標(biāo)準(zhǔn)差較大[21]。

6種產(chǎn)量分離方法得到的區(qū)域相對(duì)氣象產(chǎn)量的平均值及標(biāo)準(zhǔn)差序列見(jiàn)圖3。從平均值看，不同方法的結(jié)果具有相似的年際變化特征。具體而言，3年滑動(dòng)平均法、5年滑動(dòng)平均法、五點(diǎn)二次平滑法、二次指數(shù)平滑法和HP濾波法分離出的相對(duì)氣象產(chǎn)量結(jié)果類似，波動(dòng)幅度相對(duì)較小。年際增量法因只考慮相鄰年份的產(chǎn)量變化，因此,波動(dòng)幅度明顯大于其他5種方法，表明年際增量法一定程度上夸大了氣象因子對(duì)水稻產(chǎn)量的影響。

從標(biāo)準(zhǔn)差看，6種分離方法的標(biāo)準(zhǔn)差平均值從小到大依次為五點(diǎn)二次平滑法(2.4%)、二次指數(shù)平滑法(2.6%)、3年滑動(dòng)平均法(2.8%)、5年滑動(dòng)平均法(3.4%)、HP濾波法(3.9%)和年際增量法(5.5%)，其中，HP濾波法和年際增量法得到的相對(duì)氣象產(chǎn)量樣本標(biāo)準(zhǔn)差序列顯著大于其他4種方法,達(dá)到0.05顯著性水平。結(jié)果表明：五點(diǎn)二次平滑法、二次指數(shù)平滑法、3年滑動(dòng)平均法和5年滑動(dòng)平均法分離得到的各縣(市)相對(duì)氣象產(chǎn)量同相變化特征較明顯,HP濾波法次之,年際增量法與其他5種方法差異較大。從研究區(qū)域相對(duì)氣象產(chǎn)量序列反映氣象要素年際變化特征看, 五點(diǎn)二次平滑法、二次指數(shù)平滑法、3年滑動(dòng)平均法和5年滑動(dòng)平均法分離得到的相對(duì)氣象產(chǎn)量序列更合理。

2.3 作物產(chǎn)量分離方法確定

相對(duì)氣象產(chǎn)量與典型年記錄的比較見(jiàn)表3，6種分離方法捕獲整個(gè)區(qū)域典型年份氣象因子或?yàn)?zāi)害導(dǎo)致產(chǎn)量變化的能力從大到小依次為五點(diǎn)二次平滑法和3年滑動(dòng)平均法、5年滑動(dòng)平均法和年際增量法、二次指數(shù)平滑法和HP濾波法，且3組間差異達(dá)到0.05顯著性水平。五點(diǎn)二次平滑法和3年滑動(dòng)平均法可以捕獲絕大多數(shù)典型年份氣象因子帶來(lái)的產(chǎn)量變化；其次是5年滑動(dòng)平均法和年際增量法，能捕獲多數(shù)典型年份的產(chǎn)量變化；而二次指數(shù)平滑法與HP濾波法幾乎不能捕獲產(chǎn)量變化。

2.2節(jié)中的結(jié)果已經(jīng)表明，五點(diǎn)二次平滑法、二次指數(shù)平滑法、3年滑動(dòng)平均法和5年滑動(dòng)平均法分離的相對(duì)氣象產(chǎn)量與HP濾波法和年際增量法相比更為合理。其中，五點(diǎn)二次平滑法與3年滑動(dòng)平均法對(duì)于氣象產(chǎn)量變異典型年份的捕獲能力比二次指數(shù)平滑法和3年滑動(dòng)平均法強(qiáng)。因此，五點(diǎn)二次平滑法和3年滑動(dòng)平均法有較強(qiáng)的普適性。

圖3 6種產(chǎn)量分離方法得到的相對(duì)氣象產(chǎn)量區(qū)域平均值及標(biāo)準(zhǔn)差序列

表3 江蘇省24個(gè)縣(市)不同方法分離的氣象產(chǎn)量與5個(gè)典型年記錄的比較

2.4 作物產(chǎn)量分離方法的檢驗(yàn)

基于以上結(jié)果，選用五點(diǎn)二次平滑法與3年滑動(dòng)平均法建立相對(duì)氣象產(chǎn)量模型，進(jìn)一步分析作物產(chǎn)量與氣象因子之間的關(guān)系是否符合水稻的生育特性及其對(duì)氣象因子的響應(yīng)規(guī)律。以鎮(zhèn)江、金湖為例(表4)，回歸模型表明，10月上旬日照時(shí)數(shù)、5月下旬最低氣溫、6月上旬最高氣溫、7月上旬降水以及9月降水因子均與水稻相對(duì)氣象產(chǎn)量呈顯著相關(guān)，達(dá)0.05顯著性水平。水稻灌漿-成熟階段(9-10月)，相對(duì)氣象產(chǎn)量與日照時(shí)數(shù)為正相關(guān)關(guān)系，與降水呈負(fù)相關(guān)關(guān)系。該階段是決定產(chǎn)量的關(guān)鍵期，光照充足有利于水稻光合作用，促進(jìn)產(chǎn)量形成，陰雨寡照會(huì)增加空秕率，使千粒重下降，從而降低產(chǎn)量。此外，強(qiáng)降水可能導(dǎo)致水稻倒伏、受淹，嚴(yán)重影響水稻產(chǎn)量。出苗-分蘗期(5月下旬—7月上旬)的溫度和降水都與相對(duì)氣象產(chǎn)量呈負(fù)相關(guān)關(guān)系。由于江蘇省是水稻適宜生長(zhǎng)區(qū)，溫度和降水通常滿足該階段水稻的正常生長(zhǎng)發(fā)育，但營(yíng)養(yǎng)生長(zhǎng)期溫度升高過(guò)快,導(dǎo)致作物發(fā)育速度加快,生育期縮短，光合作用時(shí)間減少，會(huì)使水稻減產(chǎn)；同樣，該時(shí)期降水過(guò)多易發(fā)生澇漬災(zāi)害,不利于水稻分蘗。

因此，3年滑動(dòng)平均和五點(diǎn)二次平滑法分離得到的相對(duì)氣象產(chǎn)量能夠反映氣象因子對(duì)產(chǎn)量的影響并可較合理解釋相對(duì)氣象產(chǎn)量與氣象因子的關(guān)系。

表4 鎮(zhèn)江和金湖相對(duì)氣象產(chǎn)量模型參數(shù)

3 結(jié)論與討論

氣象條件與作物產(chǎn)量之間的關(guān)系一直是農(nóng)業(yè)氣象研究的重點(diǎn)。選取合適的方法分離趨勢(shì)產(chǎn)量與氣象產(chǎn)量可準(zhǔn)確地描述產(chǎn)量與氣象因子的關(guān)系，是開(kāi)展產(chǎn)量預(yù)報(bào)、氣象災(zāi)害評(píng)估等工作的重要環(huán)節(jié)。以1985—2018年江蘇省24個(gè)縣(市)水稻歷史統(tǒng)計(jì)產(chǎn)量為基礎(chǔ)，從趨勢(shì)產(chǎn)量擬合、氣象產(chǎn)量分離兩方面分析比較了3年滑動(dòng)平均法、5年滑動(dòng)平均法、五點(diǎn)二次平滑法、二次指數(shù)平滑法、HP濾波法和年際增量法6種方法用于作物產(chǎn)量分離的合理性。首先，將年際增量法與其他5種方法進(jìn)行比較；其次，將分離出的氣象產(chǎn)量與典型年份的增、減產(chǎn)記錄進(jìn)行對(duì)比，據(jù)此篩選出一致性更高、普適性更強(qiáng)的方法；最后，利用回歸模型確定的氣象因子與氣象產(chǎn)量之間的關(guān)系對(duì)優(yōu)選出的方法進(jìn)行合理性解釋。得到以下結(jié)論：

1) 從適用性看，3年滑動(dòng)平均法、5年滑動(dòng)平均法、五點(diǎn)二次平滑法、二次指數(shù)平滑法和HP濾波法這5種方法均適用于水稻趨勢(shì)產(chǎn)量的擬合，擬合出的產(chǎn)量能表現(xiàn)出隨著生產(chǎn)力水平不斷提高帶來(lái)的糧食產(chǎn)量增長(zhǎng)的趨勢(shì)。

2) 從合理性看，通過(guò)對(duì)相對(duì)氣象產(chǎn)量序列的均值和標(biāo)準(zhǔn)差的分析，五點(diǎn)二次平滑法、二次指數(shù)平滑法、3年滑動(dòng)平均法和5年滑動(dòng)平均法這4種方法分離得到的氣象產(chǎn)量序列合理性大于HP濾波法和年際增量法。

3) 從普適性看，五點(diǎn)二次平滑法與3年滑動(dòng)平均法較其余4種方法更具有普適性，基本能夠捕獲24個(gè)縣(市)絕大多數(shù)典型年份氣象因子造成的產(chǎn)量變化。氣象產(chǎn)量建模能反映氣象因子對(duì)產(chǎn)量的影響，符合水稻生長(zhǎng)發(fā)育狀況。

由于我國(guó)地域差異顯著，氣候差異明顯，影響產(chǎn)量的要素復(fù)雜多樣，而且作物產(chǎn)量對(duì)技術(shù)進(jìn)步以及氣候變化的敏感性不同[34]。在對(duì)比作物產(chǎn)量分離方法時(shí)未考慮不同長(zhǎng)度時(shí)間序列以及氣候要素突變對(duì)產(chǎn)量分離的影響。因此，未來(lái)可以考慮通過(guò)劃分不同時(shí)間段選取合適的作物產(chǎn)量分離方法[35]或混合使用多種分離方法得到更準(zhǔn)確的分析結(jié)果，從而更客觀地反映氣候變化對(duì)作物產(chǎn)量的影響。