引言

农作物产量预报是现代农业气象服务的重要工作之一，是保障国家粮食安全的重要举措，当前气象部门作物产量预报主要是对作物的平均单产与种植面积进行预测，种植面积数据一是通过卫星遥感技术进行提取(钱永兰等，2007；黄健熙等，2017；杨珺雯等，2018)，二是根据统计局提供的种植意向进行估算。而作物平均单产的预测方法较多，除了传统的数理统计(邱美娟等，2015；侯英雨等，2018；徐敏等，2020)方法以外，遥感模型估产(陈鹏飞等，2013；张东霞等，2014；谭昌伟等，2015)、作物生长模型模拟(秦鹏程等，2016；王雪姣等，2017；马鸿元等，2018)、机器学习(王海军等，2013；刘峻明等，2019；李颖和陈怀亮，2020)、多模式集成预报(Huang et al, 2015；Li et al，2015；Yao et al，2015)等新技术与新方法的不断应用也拓展了单产的预报思路。近年来国家气象中心不断发展与改进作物产量预报技术，全年粮食产量预报准确率不断提升，尤其是近10年全年粮食平均单产的预报准确率达99.5%，冬小麦、玉米、水稻等主要作物平均单产预报准确率也均保持在较高水平。

开展作物产量预报除了需要相关预报技术方法以外，产量数据序列是建立各种算法模型的基础，但在作物产量预报中对产量数据序列的研究相对较少。目前应用的产量数据来源于统计局公布数据，存在一定的滞后性，尤其是县级尺度的产量资料获取难度更大。从20世纪80年代起农业气象观测业务开始恢复运行，2010年之前农业气象观测站点的观测资料主要采取气象旬(月)报方式进行编报与传输；2010年之后农业气象测报业务系统软件正式在全国农业气象观测站开展业务运行，作物生长发育、自然物候和畜牧气象等信息能及时上传。目前气象部门拥有653个农业气象观测站，各个站点都会按照观测规范定期监测作物生长状况(包括作物生育期、株高、干物质、叶面积指数等)，当观测的作物成熟收获后会对单位面积产量进行实测，并将观测产量上报国家气象信息中心用以建立历史观测产量的数据库。

目前气象部门积累了大量的农业气象观测资料，这也成为气象部门开展为农服务业务的基础，但是当前对农业气象观测站作物观测数据尤其是观测产量的研究大多集中在农业气象灾害评估(曹雯等，2019；马青荣等，2020；姜丽霞等，2021)、气候变化影响(谭凯炎等，2017；李勤英等，2018)、作物模型模拟(李秀芬等，2016；张阳等，2018)等方面，而对观测产量本身的质量、稳定性及对产量预报业务应用的研究报道几乎没有。在利用前期观测产量与统计局公布产量对比分析的基础上(刘维等，2021)，针对观测产量和公布产量数据序列，基于气候适宜指数预报方法开展全国尺度冬小麦产量预报，对不同产量序列预报准确率进行对比分析，以确定基于观测产量序列开展产量预报业务的可行性，为作物产量预报提供新的数据支撑。

1 资料和方法 1.1 研究区域

冬小麦观测产量台站主要集中河南、山东、安徽等10个省(自治区)，2013—2017年的统计数据显示，上述地区冬小麦5年平均总产量全国占比超过90%，尤其河南、山东、安徽、河北、江苏5个省产量占比超过82%，是当前全国最重要的冬小麦生产地；本文选择的经过数据质量控制的123个农业气象试验站主要集中在上述5个省份(图 1)。

1.2 研究方法 1.2.1 产量序列建立

冬小麦省级产量序列有两种，一是国家统计局公布的各省(自治区)冬小麦单产，称其为省公布产量；二是由省(自治区)内各县观测产量加权集成求得，即以省内各观测站所在县的2006—2010年5年冬小麦平均种植面积占比(占省内所有观测站所在县种植面积之和)为权重，对各个观测站观测单产进行加权集成，由于获取的统计局公布县级产量数据时段为1981—2010年，导致无法使用逐年种植面积进行加权，故使用统计数据年限最新的5年平均面积进行加权集成，进而得到所在省(自治区)的冬小麦平均单产(刘维等，2021)，称其为省观测产量。

全国尺度冬小麦单产序列有两种：一是国家统计局公布的全国冬小麦平均单产，称其为全国公布产量；二是由各省(自治区)冬小麦观测产量集成求得，即由各省(自治区)冬小麦逐年种植面积占比[占10个省(自治区)种植面积之和]为权重，与逐年省级观测产量加权集成，得到全国冬小麦平均单产，称其为全国观测产量。

1.2.2 气象产量

农作物产量与作物品种创新、农业技术管理水平提升、种植制度变更以及全球气候变化等因素息息相关，作物产量可以按照时间序列分解为趋势产量、气象产量和随机产量，一般情况下不考虑随机产量(Lobell et al，2011；刘维等，2018)，因此作物产量可简单表示为：

$ Y = {Y_{\rm{t}}} + {Y_{\rm{w}}} $

(1)

式中：Y为作物实际产量，Y_t为趋势产量，Y_w为气象产量。

本文利用二次曲线分离方法模拟趋势产量。二次曲线分离是指利用预报年之前的实际产量和年份建立相关方程，由此计算趋势产量：

$ {Y_{\rm{t}}} = a{X^2} + bX + c $

(2)

式中：X为时间序列(即1991，1992，…，2017)，其中a、b、c均为模拟系数，由最小二乘法计算得出(崔日鲜，2014)，由此方程计算出预报年的Y_t即为预报年的趋势产量。

由于各地冬小麦种植品种、管理方式存在一定差异，采用相对气象产量(Y_i)来表征气象产量的差异性，使得在不同产量分离方法下，各省(自治区)不同产量序列存在可比性，相对气象产量可表示为(下文中出现的气象产量均为相对气象产量)：

$ {Y_i} = \frac{{{Y_{\rm{w}}}}}{{{Y_{\rm{t}}}}} \times 100\% $

(3)

式中：Y_i < 0表明当年气象条件不利于作物增产，即为减产年；Y_i>0表明当年气象条件利于作物增产，即为增产年。业务服务中将历年气象产量求和，得出的值越趋近于0，表明产量分离的效果越好：

$ SumY = \sum\limits_{i = 1}^j {{Y_i}} $

(4)

式中：SumY为某地区历年气象产量之和，j为参与计算的年数。

1.2.3 产量预报方法

气候适宜指数预报方法是利用作物生育期内的光温水资料，结合不同发育期生物学特性，建立作物不同生育时段的温度、日照和水分适宜度及气候适宜度，利用逐旬的气候适宜度加权构建作物播种至某一时段的气候适宜指数，利用气候适宜指数与气象产量构建作物产量动态预报模型(宋迎波等，2020)：

$ {F_{{c_{旬}}}} = \sqrt[3]{{{F_{{t_{旬}}}}{F_{{s_{旬}}}}{F_{{p_{旬}}}}}} $

(5)

$ {F_c} = \sum\limits_{i = 1}^n {{K_i}{F_{i{c_{旬}}}}} $

(6)

$ {K_i} = \frac{{{R_i}}}{{\sum\limits_{i = 1}^n {{R_i}} }} $

(7)

$ {Y_i} = a{F_c} + b $

(8)

式中: F_c旬为作物旬气候适宜度，F_t旬为作物旬温度适宜度，F_s旬为作物旬日照适宜度; F_p旬为作物旬水分适宜度，F_ic旬为区域作物旬气候适宜度，F_c为作物播种至某一旬的气候适宜指数，K_i为各旬气候适宜度对产量的影响系数，n为播种至某旬的旬数; R_i为区域某旬气候适宜度与气象产量的相关系数，a和b为模拟系数。

本文利用气候适宜度方法基于县气象站点的光、温、水适宜度，计算全国光温水适宜度和全国气候适宜度指数，并与全国尺度观测产量和公布产量分离后的气象产量进行建模，开展产量预报，并对全国尺度冬小麦观测产量和公布产量的预报结论进行对比分析。

2 结果与分析 2.1 产量对比

1991—2017年各省(自治区)观测产量与公布产量对比分析结果表明(表 1)，所有省(自治区)观测产量均大于公布产量，除河南、河北和新疆差异在620 kg·hm^-2以下外，其余均在1 000 kg·hm^-2以上，其中陕西和甘肃在1 500 kg·hm^-2以上。从省级观测产量与公布产量两者均方根误差来看，河南和新疆观测产量均方根误差小于公布产量，表明这两省(自治区)的观测产量相对公布产量波动较小，产量水平相对稳定。10个省(自治区)观测产量与公布产量相关系数分析结果表明，9个省(自治区)均通过0.05显著性水平检验，整体上相关性较好，其中，河南、山东、安徽、河北4个省观测产量与公布产量间的相关系数高于0.90；仅新疆两者相关系数为0.10，且未通过显著性水平检验，表明新疆观测产量和公布产量不具有相关性，观测产量不能反映公布产量的变化情况。从10个省(自治区)历年观测产量和公布产量对比图可以看出(图 2)，整体上观测产量与公布产量变化趋势较为接近，省级观测产量总体略大于公布产量，这也同站点尺度分析结果相吻合(刘维等，2021)。

1991—2017年全国观测产量和全国公布产量进行分析发现(表 1)，全国平均观测产量比公布产量高1 118 kg·hm^-2，观测产量均方根误差也高于公布产量；从两者逐年变化来看(图 3a)，观测产量各年均高于公布产量，偏高比例在25%上下，但两者拟合增减趋势基本上保持一致，公布产量的R²略高于观测产量。从两者拟合上来看(图 3b)，全国观测产量与公布产量相关系数为0.97，通过0.05的显著性水平检验，表明两者相关性较高，观测产量能够反映公布产量的变化情况。

2.2 产量分离检验

对1991—2017年冬小麦不同产量序列分离的气象产量进行效果检验，从表 2可以看出，各省(自治区)观测产量和SumY公布产量的历年气象产量之和均趋近于0，尤其是山东省两者效果最好。针对观测产量来说，陕西、河北、安徽3个省SumY绝对值均大于0.2；仅河北省SumY为负值，表明27年间总体上河北省气象条件不利于冬小麦产量增加。针对公布产量来说，甘肃、山西、湖北3个省SumY绝对值均大于0.2；且甘肃、湖北、新疆、河南、江苏5个省(自治区)SumY为负值，表明上述5个省(自治区)27年间气象条件总体上不利于冬小麦产量增加，但由于农业生产管理水平持续改进、作物品种不断更新、病虫害防治能力大幅提高等原因，使得虽然气象产量为负值，但冬小麦实际产量仍总体保持增产的趋势。

从1991—2017年分离后的逐年气象产量增减趋势一致性百分比可以看出，除山西和山东一致性百分比高于80%外，其余8个省(自治区)均不足80%，湖北不足60%；表明对省级尺度来说，同一省份不同产量序列分离后的气象产量存在正负值差异的年份较多，即气象条件对观测产量和公布产量的贡献相反。对某一地区、某一年份来说，气象条件对作物的影响基本固定，因此气象产量增减趋势一致性百分比偏低表明观测产量不适宜用于开展省级尺度产量预报，会导致基于气象产量构建的预报模型产生误差，从而降低作物产量预报准确率。

对于全国尺度来说，观测产量和公布产量的历年气象产量之和SumY均趋近于0，表明二次曲线分离整体上适用于冬小麦产量分离，且分离效果较好。气象产量增减趋势一致性百分比为88.9%，即1991—2017年27年中有24年的气象产量趋势一致，仅1992、2009和2015年增减趋势相反(图 4)，表明总体上观测产量和公布产量的趋势一致，与图 3b的结果相吻合，因此，可以用观测产量的变化来反映公布产量的变化。此外，2010年之前两者气象产量波动均较大，2010年之后波动趋势相对较小，这也同实际观测产量和公布产量在2010年后趋于稳定保持一致，与图 3a中2010年后的变化趋势相吻合。

2.3 全国冬小麦产量预报结果检验

利用1991—2012、1991—2013、1991—2014、1991—2015、1991—2016年全国冬小麦观测产量和公布产量的气象产量与播种至5月20日的气候适宜指数建立2013—2017年全国冬小麦单产预报模型，并对两者预报结果进行对比。结果表明(表 3)，对于观测产量来说，除2016年预报准确率不足96.0%以外，其余4年准确率均在98.0%以上，其中2017年达99.9%，5年平均准确率为98.5%。对于公布产量来说，5年平均预报准确率高于观测产量，且各年准确率均高于98.5%。利用观测产量和公布产量的拟合方程将预报的全国冬小麦观测产量换算为公布产量后发现，预报准确率普遍低于观测和公布产量预报准确率，其中2016年准确率仅为92.0%，5年平均准确率为96.0%，仅2014年维持在较高水平；换算后的准确率降低的主要原因：(1)观测产量序列经拟合转换为公布产量序列时，拟合统计方程存在系统性误差；(2)观测产量序列年际间波动较大，观测产量自身预报的准确率略偏低。上述两种因素叠加，一定程度上导致转换后的冬小麦产量预报准确率有所降低。

从全国冬小麦观测产量和公布产量的预报准确率来看，不同产量序列在开展自身序列的单产预报时，准确率均较高；而利用观测产量对公布产量进行换算预报时，受观测产量自身预报准确率和转换模型系统误差影响，预报准确率有所降低。研究表明，由于观测产量实时性、客观性和代表性强，因此，基于观测产量序列开展全国尺度的冬小麦平均单产预报在产量预报中业务中具有较好的应用价值，既可以为产量预报提供新的数据来源，又可以把历史产量观测数据激活使用，提高观测资料的业务应用能力。

3 结论与讨论

本文对比了由县尺度冬小麦观测产量进行加权集成后的省级、全国尺度观测产量序列和统计局公布的省级、全国尺度公布产量序列，并利用气候适宜指数方法开展全国尺度的冬小麦产量预报，对预报结果进行对比分析后，得到以下结论：

(1) 省级冬小麦观测产量值均高于公布产量，除新疆外，其余各省观测产量和公布产量相关性较好；全国尺度冬小麦观测产量和公布产量均方根误差较为接近，且两者拟合效果好，观测产量可以反映公布产量的变化规律。

(2) 由于省级尺度观测产量和公布产量气象产量增减趋势一致性百分比较低，因此省级尺度观测产量不适宜用于开展产量预报业务；而全国尺度下由于观测产量和公布产量的气象产量增减趋势一致性较好，可为全国区域冬小麦产量预报提供新的数据支持。

(3) 利用观测产量和公布产量序列开展冬小麦产量预报时，不同产量序列预报自身序列的单产准确率较高，且公布产量准确率普遍高于观测产量；基于观测产量预报结果对公布产量进行转换预报时，5年中有4年预报准确率均存在不同程度下降。

(4) 由于观测产量资料实时性、客观性和代表性强，基于农业气象观测站观测产量序列开展全国尺度冬小麦产量预报具有业务应用的可行性和参考性。

当前农业气象观测站中作物发育期观测资料已经在农业气象业务中得到大量应用，支撑了农业气象业务的发展，但是作物观测产量数据却基本没有进行业务应用，主要存在以下几个问题：部分台站观测作物调整，导致观测产量序列缺失；部分台站观测资料缺测年份较多，观测产量数据不连续；台站同一作物观测产量年际间波动较大，导致数据可靠性下降；当前直接使用观测产量资料开展农业气象服务的业务基本不涉及。上述原因导致当前农业气象观测站观测产量数据一直没有得到有效充分的利用，且每年还有大量的观测产量新增数据进入数据库中。

由于部分省份冬小麦观测产量资料的缺失，文中仅利用10个主产省(自治区)面积权重加权集成全国尺度观测产量序列，会与实际产量存在一定误差。冬小麦不同空间尺度、不同产量序列对比结果表明，省级和全国尺度观测产量均高于公布产量，但两者存在较好的相关性，尤其是全国尺度两种产量数据相关系数达0.97，可以用观测产量来表征公布产量，从而为开展产量预报提供了新的数据基础。

由于农业气象观测站观测产量直接反映了各地气象条件对作物单产的影响，可被实时获取，且受其他外在因素的影响小，因而更具实时性、客观性和代表性；但由于各省(自治区)观测站数量远少于主产县个数，因此，目前基于观测产量开展县级尺度作物产量预报尚不具可行性。通过面积加权集成到省级尺度的冬小麦观测产量后，部分省份两种产量序列相关性尽管通过了显著性水平检验但相关系数不高，且由于建立预报模型的气象产量与统计局公布的统计产量分离后的气象产量出现多数年份增减趋势不一致的情况，会导致省级尺度预报模型预报准确率降低，同时也不能正确反映气象条件对作物最终产量的影响，表明基于观测产量开展省级尺度作物产量预报也存在不足。从全国尺度预报结果看，利用各观测站观测产量结合面积权重构建升尺度全国的作物产量预报模型，其预报准确率基本可以维持在一个较高的水平，可以为产量预报提供新的数据支撑和参考预报，同时可对观测产量的自身可靠性与稳定性进行评估。本研究更重要的意义在于可以将整理后的县-省-全国尺度冬小麦观测产量数据应用到日常的农业气象服务中，由于台站观测产量跟气象条件密切相关，可结合作物观测产量三要素开展农业气象灾害评估、作物年景评估等农业气象业务，提升服务的科学性。