劉 維 宋迎波

(國(guó)家氣象中心， 北京100081)

引 言

現(xiàn)代農(nóng)業(yè)氣象服務(wù)為農(nóng)業(yè)防災(zāi)減災(zāi)、應(yīng)對(duì)氣候變化及國(guó)家糧食安全提供了有效的氣象保障，而開展農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)的前提就是農(nóng)業(yè)氣象業(yè)務(wù)技術(shù)的發(fā)展，近年國(guó)家級(jí)農(nóng)業(yè)氣象核心技術(shù)已向定量化、精細(xì)化邁進(jìn)[1]。目前，農(nóng)作物長(zhǎng)勢(shì)定量評(píng)估技術(shù)也由單純的農(nóng)業(yè)氣象觀測(cè)發(fā)展到基于地面觀測(cè)、衛(wèi)星遙感監(jiān)測(cè)和作物生長(zhǎng)模型模擬等方法，作物長(zhǎng)勢(shì)定量化評(píng)價(jià)能力得到大幅提升[2-3]，并在農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)中發(fā)揮重要作用，但針對(duì)氣象要素對(duì)作物的影響，尤其是農(nóng)業(yè)氣象災(zāi)害對(duì)作物產(chǎn)量的影響仍然以定性為主。國(guó)家級(jí)農(nóng)業(yè)氣象業(yè)務(wù)中相關(guān)農(nóng)業(yè)氣象災(zāi)害影響評(píng)估僅從農(nóng)業(yè)氣象災(zāi)害的持續(xù)時(shí)間、發(fā)生等級(jí)等角度描述災(zāi)害本身特點(diǎn)[4]，不能反映災(zāi)害對(duì)作物的影響程度，尤其是作物產(chǎn)量災(zāi)害損失評(píng)估很難定量化，從而很大程度上制約了農(nóng)業(yè)氣象評(píng)價(jià)水平的提高。

近年，氣候適宜度在作物長(zhǎng)勢(shì)評(píng)價(jià)[5]、作物區(qū)劃[6-8]、應(yīng)對(duì)氣候變化[9]以及作物產(chǎn)量預(yù)報(bào)[10-13]等農(nóng)業(yè)氣象科研和業(yè)務(wù)中得到廣泛應(yīng)用。但當(dāng)前氣候適宜度計(jì)算方法選取時(shí)段基本為作物生育期或以旬、月為單位[14]，上述尺度的氣候適宜度往往會(huì)平滑掉各時(shí)段內(nèi)氣象條件的劇烈波動(dòng)，從而低估短時(shí)災(zāi)害對(duì)作物的影響[15]。目前，逐日溫度適宜度和日照適宜度模型已相對(duì)成熟，而構(gòu)建逐日氣候適宜度模型的難點(diǎn)主要在于逐日降水量的隨機(jī)性[16]，導(dǎo)致無(wú)法直接計(jì)算逐日降水適宜度。另外，目前的產(chǎn)量預(yù)報(bào)模型僅使用作物播種至預(yù)報(bào)時(shí)刻的實(shí)時(shí)氣象數(shù)據(jù)，未考慮預(yù)報(bào)時(shí)刻之后氣象條件對(duì)作物產(chǎn)量的可能影響，存在一定不足。

為了定量反映氣象條件對(duì)作物產(chǎn)量的影響，本文在改進(jìn)逐日降水適宜度模型的基礎(chǔ)上，建立基于日尺度的氣候適宜度模型；同時(shí)利用預(yù)報(bào)時(shí)刻前的逐日氣候適宜度確定歷史相似年型，將預(yù)報(bào)時(shí)刻之前實(shí)時(shí)的逐日氣候適宜度與預(yù)報(bào)時(shí)刻之后相似年逐日氣候適宜度組成作物生育期完整的逐日氣候適宜度序列，并將該逐日氣候適宜度加權(quán)集成氣候適宜指數(shù)，基于氣候適宜指數(shù)與作物氣象產(chǎn)量建立作物產(chǎn)量逐日動(dòng)態(tài)預(yù)報(bào)模型。通過(guò)構(gòu)建逐日作物產(chǎn)量氣象影響指數(shù)反映氣象條件對(duì)作物產(chǎn)量的影響程度，并基于該影響指數(shù)構(gòu)建的逐日產(chǎn)量動(dòng)態(tài)預(yù)報(bào)模型對(duì)東北地區(qū)玉米主產(chǎn)省逐日產(chǎn)量預(yù)報(bào)準(zhǔn)確率進(jìn)行分析，明確逐日作物產(chǎn)量氣象影響指數(shù)的準(zhǔn)確性；以期為農(nóng)業(yè)氣象定量評(píng)價(jià)提供新方法，同時(shí)為作物逐日產(chǎn)量預(yù)報(bào)服務(wù)提供技術(shù)支撐。

1 材料與方法

1.1 氣象與產(chǎn)量數(shù)據(jù)

氣象數(shù)據(jù)為1981—2020年5—9月黑龍江、吉林、遼寧、內(nèi)蒙古東部地區(qū)共43個(gè)氣象站逐日氣象數(shù)據(jù)，包括最高氣溫(單位：℃)、最低氣溫(單位：℃)、降水量(單位：mm)、日照時(shí)數(shù)(單位：h)，其中內(nèi)蒙古東部地區(qū)包括赤峰市、通遼市、興安盟和呼倫貝爾市，上述數(shù)據(jù)來(lái)源于國(guó)家氣象信息中心。產(chǎn)量數(shù)據(jù)為黑龍江、吉林、遼寧各省以及內(nèi)蒙古東部地區(qū)1981—2020年玉米單位面積產(chǎn)量(單位：kg·hm-2)，上述數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局。

以各個(gè)站點(diǎn)玉米多年平均發(fā)育期為基礎(chǔ)，計(jì)算各站點(diǎn)逐日降水適宜度、溫度適宜度、日照適宜度和氣候適宜度，省級(jí)逐日氣候適宜度是由省內(nèi)站點(diǎn)逐日氣候適宜度算術(shù)平均得到。綜合考慮東北地區(qū)玉米的生育時(shí)段，起止時(shí)段確定為5月1日—9月30日。

1.2 降水適宜度

(1)

式(1)中，F(xiàn)(pi)為站點(diǎn)逐日降水適宜度，R為站點(diǎn)逐日可利用降水量，根據(jù)當(dāng)日與前9 d的逐日降水量加權(quán)集成得到

(2)

式(2)中，Ri為日降水量，i為日序，N=9；研究表明，考慮地表徑流因素，當(dāng)日降水量Ri高于30 mm時(shí)，僅以30 mm計(jì)為當(dāng)日可利用降水量，超出部分不予考慮[17]。Wi為權(quán)重系數(shù)，由于降水對(duì)作物生長(zhǎng)發(fā)育存在累積效應(yīng)，考慮到土壤水分影響的消退作用，以指數(shù)方程形式進(jìn)行模擬，分別選取從預(yù)報(bào)日起向前算共5 d，10 d，15 d，20 d，25 d，30 d降水量進(jìn)行迭代，1981—2020年模型預(yù)報(bào)準(zhǔn)確率分析結(jié)果表明，前10 d降水量累積效應(yīng)對(duì)東北地區(qū)玉米生長(zhǎng)影響最大，根據(jù)指數(shù)方程確定逐日降水量的權(quán)重系數(shù)(圖1)。R0為站點(diǎn)1981—2010年30年逐日可利用降水量的平均值。在此基礎(chǔ)上，將省內(nèi)所有站點(diǎn)逐日降水適宜度進(jìn)行算術(shù)平均得到省級(jí)逐日降水適宜度F(p)p。

圖1 前10 d內(nèi)降水量權(quán)重系數(shù)Fig.1 Weight coefficients of precipitation in previous 10 days

1.3 溫度適宜度

基于玉米不同發(fā)育期所需要的上限溫度、最適溫度和下限溫度，計(jì)算站點(diǎn)逐日溫度適宜度[18]；在此基礎(chǔ)上，將省內(nèi)所有站點(diǎn)逐日溫度適宜度進(jìn)行算術(shù)平均得到省逐日溫度適宜度F(t)p。

1.4 日照適宜度

基于站點(diǎn)逐日日照百分率為70%和30%時(shí)的日照時(shí)數(shù)[19]，計(jì)算站點(diǎn)逐日日照適宜度；在此基礎(chǔ)上，將省內(nèi)所有站點(diǎn)逐日日照適宜度進(jìn)行算術(shù)平均得到省級(jí)逐日日照適宜度F(s)p。

1.5 氣候適宜指數(shù)

基于省級(jí)逐日溫度、降水和日照適宜度計(jì)算逐日氣候適宜度，并利用氣候適宜度貢獻(xiàn)系數(shù)構(gòu)建氣候適宜指數(shù)：

(3)

(4)

(5)

其中，F(xiàn)(c)p為各省逐日氣候適宜度；Ki為逐日氣候適宜度貢獻(xiàn)系數(shù)，ri為起始年至預(yù)報(bào)前一年逐日氣候適宜度與氣象產(chǎn)量的相關(guān)系數(shù)，i為日序，n為生育期日數(shù)；F(c)為各省生育期氣候適宜指數(shù)。

1.6 相似年型確定

計(jì)算預(yù)報(bào)年預(yù)報(bào)時(shí)刻之前的逐日氣候適宜度與歷史上所有年份相同起止時(shí)段氣候適宜度的相關(guān)系數(shù)與歐氏距離的比值，按照比值從大到小排序，選取前3個(gè)年份作為3個(gè)相似年型[20]，分別稱為第1、第2、第3相似年。

1.7 作物產(chǎn)量氣象影響指數(shù)

選取3個(gè)相似年對(duì)應(yīng)的逐日氣候適宜度作為未來(lái)氣候情景數(shù)據(jù)，利用預(yù)報(bào)時(shí)刻之前實(shí)時(shí)的逐日氣候適宜度與預(yù)報(bào)時(shí)刻之后相似年逐日氣候適宜度組成玉米生育期完整的逐日氣候適宜度序列，將氣候適宜度序列加權(quán)集成氣候適宜指數(shù)，將歷年氣候適宜指數(shù)與氣象產(chǎn)量進(jìn)行回歸分析，分別建立基于第1相似年、第2相似年和第3相似年氣候情景數(shù)據(jù)的作物產(chǎn)量逐日動(dòng)態(tài)預(yù)報(bào)模型。采用線性分離方法將作物實(shí)際單產(chǎn)分離為農(nóng)業(yè)技術(shù)產(chǎn)量和氣象產(chǎn)量，考慮到產(chǎn)量變化的可比性，采用相對(duì)產(chǎn)量表征氣象產(chǎn)量，下文中的氣象產(chǎn)量均為相對(duì)氣象產(chǎn)量，具體計(jì)算方法見文獻(xiàn)[20]。

計(jì)算基于第1、第2和第3相似年氣候適宜度的逐日預(yù)報(bào)氣象產(chǎn)量，并加權(quán)集成綜合預(yù)報(bào)氣象產(chǎn)量

Yw=0.5×Yw1+0.3×Yw2+0.2×Yw3。

(6)

式(6)中，Yw為綜合預(yù)報(bào)氣象產(chǎn)量，即逐日作物產(chǎn)量氣象影響指數(shù)，Yw1,Yw2和Yw3分別為基于第1、第2和第3相似年氣候適宜度的預(yù)報(bào)氣象產(chǎn)量。權(quán)重系數(shù)是基于1981-2020年第1、第2、第3相似年氣候適宜度的預(yù)報(bào)氣象產(chǎn)量，賦予不同權(quán)重?cái)?shù)據(jù)進(jìn)行迭代計(jì)算，將3個(gè)相似年預(yù)報(bào)結(jié)果進(jìn)行加權(quán)集成，并與當(dāng)年實(shí)際氣象產(chǎn)量進(jìn)行對(duì)比分析，準(zhǔn)確率達(dá)到最高時(shí)的權(quán)重系數(shù)即為3個(gè)相似年預(yù)報(bào)氣象產(chǎn)量的權(quán)重系數(shù)，分別為0.5，0.3和0.2。Yw<0表明預(yù)報(bào)年氣象條件對(duì)作物氣象產(chǎn)量的貢獻(xiàn)為負(fù)值，即氣象條件不利于氣象產(chǎn)量增加；Yw>0表明氣象條件有利于氣象產(chǎn)量增加。

1.8 作物產(chǎn)量同期氣象影響指數(shù)

為了分析氣象條件對(duì)作物產(chǎn)量影響程度及與前一年同期對(duì)比情況，構(gòu)建逐日作物產(chǎn)量同期氣象影響指數(shù)，即利用預(yù)報(bào)年氣象產(chǎn)量與預(yù)報(bào)年前一年實(shí)際氣象產(chǎn)量建立指數(shù)：

(7)

式(7)中，Di為預(yù)報(bào)年i時(shí)刻的氣象影響指數(shù)，即逐日作物產(chǎn)量同期氣象影響指數(shù)，Yw,i為預(yù)報(bào)年中i時(shí)刻的預(yù)報(bào)氣象產(chǎn)量。Yw-1,i為預(yù)報(bào)年前一年i時(shí)刻的實(shí)際氣象產(chǎn)量，Di序列從1982年開始計(jì)算。Di<0表明預(yù)報(bào)年氣象條件不及前一年同期，Di>0則相反。

1.9 作物產(chǎn)量氣象影響指數(shù)檢驗(yàn)

為了評(píng)估逐日作物產(chǎn)量氣象影響指數(shù)的準(zhǔn)確性，在預(yù)報(bào)氣象產(chǎn)量的基礎(chǔ)上，利用農(nóng)業(yè)技術(shù)產(chǎn)量計(jì)算綜合相似年的預(yù)報(bào)單產(chǎn)及準(zhǔn)確率[20]。同理，計(jì)算3個(gè)相似年單產(chǎn)預(yù)報(bào)準(zhǔn)確率并對(duì)不同相似年預(yù)報(bào)準(zhǔn)確率進(jìn)行對(duì)比。

2 結(jié)果與分析

2.1 不同相似年逐日平均預(yù)報(bào)準(zhǔn)確率對(duì)比

利用1981—2010年，1981—2011年，…，1981—2019年氣候適宜指數(shù)與氣象產(chǎn)量，分別建立2011—2020年5月2日—9月30日東北地區(qū)基于3個(gè)相似年和綜合相似年的玉米產(chǎn)量逐日動(dòng)態(tài)預(yù)報(bào)模型。從東北地區(qū)玉米不同相似年逐日預(yù)報(bào)平均準(zhǔn)確率(圖2)看，遼寧和內(nèi)蒙古東部3個(gè)相似年和綜合相似年逐年平均預(yù)報(bào)準(zhǔn)確率均較為接近，綜合相似年預(yù)報(bào)準(zhǔn)確率略高于3個(gè)相似年。2014年兩地玉米單產(chǎn)預(yù)報(bào)準(zhǔn)確率均為近10年最低，特別是遼寧預(yù)報(bào)準(zhǔn)確率僅為75%，分析原因發(fā)現(xiàn)，2014年遼寧中西部玉米主產(chǎn)區(qū)發(fā)生了嚴(yán)重的夏伏旱，玉米抽雄吐絲和授粉灌漿受阻，結(jié)實(shí)率下降，玉米單產(chǎn)降幅高達(dá)27.8%(圖3)，極端災(zāi)害年景導(dǎo)致預(yù)報(bào)準(zhǔn)確率偏低；2015年后兩地平均準(zhǔn)確率趨于穩(wěn)定，且多在90%以上(圖2)。黑龍江綜合相似年預(yù)報(bào)準(zhǔn)確率總體最高，3個(gè)相似年預(yù)報(bào)準(zhǔn)確率差異較大且年際間波動(dòng)也較大，其中第3相似年預(yù)報(bào)效果較好(圖2)，10年中有4年預(yù)報(bào)準(zhǔn)確率最高，2016年和2020年準(zhǔn)確率最低。吉林除2012年和2018年3個(gè)相似年和綜合相似年準(zhǔn)確率差異較大以外(圖2)，其余年份均較為接近，綜合相似年整體效果最好，僅2018年預(yù)報(bào)準(zhǔn)確率較低，主要原因是吉林西部春播期間持續(xù)干旱和夏季高溫導(dǎo)致玉米單產(chǎn)較上年下降15%(圖3)。

東北地區(qū)玉米單產(chǎn)10年平均預(yù)報(bào)準(zhǔn)確率結(jié)果(表1)表明：綜合相似年預(yù)報(bào)效果均優(yōu)于3個(gè)相似年，內(nèi)蒙古東部和吉林各相似年預(yù)報(bào)準(zhǔn)確率差異較小，且第1相似年預(yù)報(bào)準(zhǔn)確率優(yōu)于第2、第3相似年；黑龍江不同年型差異最大，第3相似年10年平均準(zhǔn)確率優(yōu)于其他兩個(gè)相似年；遼寧第2相似年準(zhǔn)確率優(yōu)于第1和第3相似年，總體預(yù)報(bào)準(zhǔn)確率在東北地區(qū)最低。結(jié)合近10年?yáng)|北地區(qū)單產(chǎn)變化(圖3)可以看到，內(nèi)蒙古東部和黑龍江單產(chǎn)水平呈現(xiàn)相對(duì)穩(wěn)定并緩慢提高的特點(diǎn)，而吉林和遼寧年際間單產(chǎn)波動(dòng)大，尤其是遼寧，這也導(dǎo)致其在東北地區(qū)預(yù)報(bào)準(zhǔn)確率最低。由于相似年是根據(jù)作物播種到預(yù)報(bào)時(shí)刻光溫水適宜度計(jì)算得到，僅表明在已經(jīng)發(fā)生時(shí)段內(nèi)氣象條件的單純相似，但由于作物品種的更新、生產(chǎn)力水平的提高以及發(fā)布預(yù)報(bào)時(shí)刻之后氣象條件的不斷變化，導(dǎo)致氣象條件相似的年份，作物產(chǎn)量的變化未必最相近，因此存在第2或第3相似年預(yù)報(bào)效果較好的情況。但從整體來(lái)看，綜合相似年預(yù)報(bào)效果好的年份數(shù)高于第1相似年，第1相似年預(yù)報(bào)效果好于第2和第3相似年，因此以下分析針對(duì)綜合相似年預(yù)報(bào)結(jié)果開展。

圖2 2011—2020年?yáng)|北地區(qū)不同相似年準(zhǔn)確率對(duì)比Fig.2 Comparison on the accuracy of yield in Northeast China from 2011 to 2020

圖3 2011—2020年?yáng)|北地區(qū)平均單產(chǎn)Fig.3 Yield in Northeast China from 2011 to 2020

表1 2011—2020年?yáng)|北地區(qū)不同年型10年平均準(zhǔn)確率(單位：%)Table 1 Average accuracy of 10 years under the different similar yearsin Northeast China from 2011 to 2020(unit:%)

2.2 綜合相似年逐月平均預(yù)報(bào)準(zhǔn)確率對(duì)比

基于綜合相似年逐日預(yù)報(bào)結(jié)果，計(jì)算2011—2020年5—9月東北地區(qū)玉米單產(chǎn)逐月平均預(yù)報(bào)準(zhǔn)確率(圖4)，結(jié)果表明：遼寧除2014年外，其余各年逐月平均準(zhǔn)確率穩(wěn)定在80%以上，10年中6月預(yù)報(bào)準(zhǔn)確率波動(dòng)幅度最大，9月波動(dòng)幅度最?。粡?0年逐月平均預(yù)報(bào)準(zhǔn)確率看，隨著發(fā)育期的推進(jìn)，9月準(zhǔn)確率整體上最高，5—7月準(zhǔn)確率總體接近，但低于8月及9月(表2)。內(nèi)蒙古東部(圖4)預(yù)報(bào)準(zhǔn)確率年際間波動(dòng)較大，有45個(gè)月準(zhǔn)確率均在85%以上，另外5個(gè)月在85%以下，其中2014年除8月外,其余各月均不足85%；各年6月準(zhǔn)確率波動(dòng)最大但10年平均值反而最高，9月波動(dòng)最小且10年平均值最低。黑龍江(圖4)預(yù)報(bào)準(zhǔn)確率年際間波動(dòng)整體小于東北其他3個(gè)省區(qū)，隨著發(fā)育期推進(jìn)，5—8月10年平均準(zhǔn)確率逐步提高，但9月略低于8月。吉林(圖4)除2018年準(zhǔn)確率偏低外，其余年份準(zhǔn)確率波動(dòng)相對(duì)較??；各月10年平均準(zhǔn)確率較為接近。

圖4 基于綜合相似年的2011—2020年?yáng)|北地區(qū)玉米單產(chǎn)逐月平均預(yù)報(bào)準(zhǔn)確率對(duì)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?yáng)|北地區(qū)逐月平均預(yù)報(bào)準(zhǔn)確率(單位：%)Table 2 Monthly average forecast accuracy in Northeast China from 2011 to 2020(unit:%)

2.3 綜合相似年逐日預(yù)報(bào)準(zhǔn)確率對(duì)比

由7月31日和8月31日東北地區(qū)基于綜合相似年預(yù)報(bào)準(zhǔn)確率(表3)可知，總體上8月31日的準(zhǔn)確率高于7月31日，表明隨著玉米發(fā)育期推進(jìn)以及實(shí)時(shí)氣象數(shù)據(jù)的增加，預(yù)報(bào)模型的準(zhǔn)確率逐步提高，尤其遼寧10年平均準(zhǔn)確率從7月31日的 90.8% 提高到8月31日的93.4%，僅內(nèi)蒙古東部10年平均準(zhǔn)確率略有下降。從逐年預(yù)報(bào)看，2016—2020年準(zhǔn)確率總體上高于2011—2015年，僅4次準(zhǔn)確率低于90%，其中吉林出現(xiàn)3次，這也同圖3中2016年前各地區(qū)單產(chǎn)波動(dòng)相對(duì)較大有關(guān)，導(dǎo)致氣象產(chǎn)量預(yù)報(bào)難度加大。

以遼寧為例，2014年和2018年分別為準(zhǔn)確率較低和較高的代表年份，由逐日預(yù)報(bào)準(zhǔn)確率動(dòng)態(tài)變化圖(圖5a)可以看到，2014年實(shí)際單產(chǎn)僅為5023 kg·hm-2，而預(yù)報(bào)單產(chǎn)維持在6000 kg·hm-2左右，尤其是6月28日預(yù)報(bào)單產(chǎn)和實(shí)際單產(chǎn)差異達(dá)到最大，逐日預(yù)報(bào)準(zhǔn)確率出現(xiàn)最小值63.5%；其后預(yù)報(bào)單產(chǎn)減小，準(zhǔn)確率開始提升，8月10日后預(yù)報(bào)單產(chǎn)和準(zhǔn)確率相對(duì)穩(wěn)定，最終預(yù)報(bào)單產(chǎn)下降至5884 kg·hm-2，準(zhǔn)確率提高到82.9%。2018年預(yù)報(bào)單產(chǎn)和實(shí)際單產(chǎn)差異總體較小(圖5b)，尤其是8月8日后預(yù)報(bào)單產(chǎn)和實(shí)際單產(chǎn)基本相同，準(zhǔn)確率穩(wěn)定在99%左右，預(yù)報(bào)效果好。

表3 2011—2020年7月31日和8月31日東北地區(qū)預(yù)報(bào)準(zhǔn)確率(單位：%)Table 3 Forecast accuracy in Northeast China on 31 Jul and 31 Aug from 2011 to 2020(unit:%)

圖5 2014年(a)和2018年(b)遼寧逐日預(yù)報(bào)和實(shí)際單產(chǎn)及預(yù)報(bào)準(zhǔn)確率Fig.5 Daily forecast yield,announced yield and forecast accuracy of Liaoning in 2014(a) and 2018(b)

2.4 逐日作物產(chǎn)量氣象影響指數(shù)

由基于綜合相似年的玉米單產(chǎn)日尺度預(yù)報(bào)準(zhǔn)確率可知，基于逐日氣象要素構(gòu)建的逐日作物產(chǎn)量氣象影響指數(shù)Yw的準(zhǔn)確率可以表征玉米生育期內(nèi)光溫水要素的變化對(duì)作物單產(chǎn)的影響，且日尺度的預(yù)報(bào)準(zhǔn)確率整體上也反映該指數(shù)的準(zhǔn)確性；但準(zhǔn)確率并不能表征氣象要素對(duì)作物產(chǎn)量的正負(fù)貢獻(xiàn)及影響程度，需要對(duì)逐日作物產(chǎn)量氣象影響指數(shù)進(jìn)行分析。

仍以2014年和2018年遼寧逐日作物產(chǎn)量氣象影響指數(shù)Yw(圖6a)為例，可以看到，2014年和2018年氣象條件對(duì)作物氣象產(chǎn)量的貢獻(xiàn)呈現(xiàn)負(fù)-正-負(fù)的變化特點(diǎn)，2014年7月31日之前氣象條件有利于作物氣象產(chǎn)量的增加，隨后Yw持續(xù)下降，9月30日僅為-7.2，表明當(dāng)年氣象條件不利于作物氣象產(chǎn)量的增加。對(duì)2014年遼寧逐日氣象數(shù)據(jù)研究發(fā)現(xiàn)，遼寧西部玉米主產(chǎn)區(qū)拔節(jié)至抽雄吐絲期(6月20日—7月20日)降水量比常年同期偏少50%～80%，夏伏旱為2010—2014年最重的一年，導(dǎo)致玉米抽雄吐絲受阻，結(jié)實(shí)率下降，產(chǎn)量受到影響，這同2014年遼寧實(shí)際產(chǎn)量較2013年下降的趨勢(shì)一致。2018年遼寧7月20日前氣象條件有利于作物氣象產(chǎn)量的增加，但7月下旬后Yw小幅下降，8月15日后回升，但始終維持在-2.0上下；7月20日—8月15日遼寧降水量較常年同期偏少20%，加之高溫日數(shù)和平均最高氣溫均為1981年以來(lái)歷史同期最高，高溫少雨導(dǎo)致不同程度農(nóng)業(yè)干旱，使得正值抽雄期的玉米花粉活力降低，結(jié)實(shí)率下降，這也同2018年遼寧實(shí)際產(chǎn)量較2017年下降的趨勢(shì)一致。

以2014年和2018年遼寧逐日作物產(chǎn)量同期氣象影響指數(shù)(圖6b)為例，2014年全年氣象條件不如2013年同期；2018年除了6月氣象條件好于2017年以外，其余時(shí)間段不如2017年同期，該結(jié)論也同Yw的趨勢(shì)保持一致。這兩年Yw和D表明基于氣象要素的逐日作物產(chǎn)量氣象影響指數(shù)可用于定量評(píng)估當(dāng)年不同時(shí)間段氣象條件對(duì)作物的影響程度，也可用于省級(jí)尺度產(chǎn)量預(yù)報(bào)，有業(yè)務(wù)應(yīng)用價(jià)值。

圖6 2014年和2018年遼寧逐日作物產(chǎn)量氣象影響指數(shù)(a)和逐日作物產(chǎn)量同期氣象影響指數(shù)(b)Fig.6 The daily crop meteorological yield impact index(a) and same period index(b)of Liaoning in 2014 and 2018

3 結(jié)論和討論

研究表明：

1) 利用3個(gè)相似年預(yù)報(bào)結(jié)果加權(quán)集成綜合相似年作物產(chǎn)量氣象影響指數(shù)，整體上可提高東北地區(qū)玉米產(chǎn)量預(yù)報(bào)準(zhǔn)確率。年尺度預(yù)報(bào)結(jié)果表明:內(nèi)蒙古東部和吉林不同相似年準(zhǔn)確率整體上較好，黑龍江年際間波動(dòng)大，遼寧預(yù)報(bào)準(zhǔn)確率最低。

2) 基于綜合相似年的月尺度預(yù)報(bào)結(jié)果表明:隨著玉米發(fā)育期推進(jìn)和實(shí)時(shí)氣象數(shù)據(jù)引入模型，黑吉遼3省月平均預(yù)報(bào)準(zhǔn)確率總體呈逐月提高趨勢(shì)，遼寧和吉林均在9月達(dá)到最高，黑龍江8月平均預(yù)報(bào)準(zhǔn)確率高于9月；內(nèi)蒙古東部各月平均準(zhǔn)確率較為接近且均高于93%。

3) 7月31日和8月31日東北地區(qū)日尺度準(zhǔn)確率總體較好，且8月31日預(yù)報(bào)準(zhǔn)確率總體高于7月31日；由2014年和2018年遼寧預(yù)報(bào)結(jié)果可以看到，在出現(xiàn)較明顯氣象災(zāi)害情況下，日尺度預(yù)報(bào)差異較大，但隨著玉米發(fā)育期推進(jìn)，預(yù)報(bào)產(chǎn)量和實(shí)際產(chǎn)量趨于接近，準(zhǔn)確率逐步提高。

4) 基于氣象要素構(gòu)建的逐日作物產(chǎn)量氣象影響指數(shù)和同期氣象影響指數(shù)可以定量評(píng)估不同時(shí)段氣象條件對(duì)作物產(chǎn)量的影響程度，可提高農(nóng)業(yè)氣象定量化評(píng)價(jià)水平并為產(chǎn)量預(yù)報(bào)提供參考。

基于逐日氣象要素建立的逐日作物產(chǎn)量氣象影響指數(shù)，存在預(yù)報(bào)準(zhǔn)確率波動(dòng)大的特點(diǎn)，尤其是會(huì)出現(xiàn)連續(xù)2 d預(yù)報(bào)結(jié)論突變的現(xiàn)象，造成該現(xiàn)象的主要原因有3個(gè)：一是逐日適宜度的計(jì)算依賴逐日氣象要素，當(dāng)前后兩日氣象要素差異較大時(shí)會(huì)導(dǎo)致計(jì)算適宜度的結(jié)果差異大，多出現(xiàn)在強(qiáng)降溫過(guò)程或者強(qiáng)降水的前后，影響模型的準(zhǔn)確率。二是發(fā)育期的變化，作物由一個(gè)發(fā)育期進(jìn)入下一個(gè)發(fā)育期時(shí)，兩個(gè)發(fā)育期光溫水適宜指標(biāo)非線性變化導(dǎo)致適宜度的變化[21]。三是本文選取的氣象站點(diǎn)比實(shí)際氣象站點(diǎn)數(shù)量少，導(dǎo)致逐日適宜度波動(dòng)大，一定程度上影響省級(jí)尺度逐日適宜度的結(jié)果。此外，理論上不考慮農(nóng)業(yè)技術(shù)大幅更新的情況，各省單產(chǎn)年際間波動(dòng)可認(rèn)為由氣象條件造成；但實(shí)際公布的作物單產(chǎn)是由作物總產(chǎn)量除以作物種植面積得到的，由于農(nóng)業(yè)管理、統(tǒng)計(jì)方式等原因，省級(jí)作物單產(chǎn)往往同氣象條件的變化不一致。同時(shí)，不同產(chǎn)量分離方法也會(huì)影響氣象產(chǎn)量序列[22]，下一步將評(píng)估不同產(chǎn)量分離方法的日尺度預(yù)報(bào)準(zhǔn)確率，以期找到各省最適合的產(chǎn)量分離方法。

本文利用相似年方法組成作物生育期完整的氣象條件，并與作物氣象產(chǎn)量構(gòu)建逐日作物產(chǎn)量氣象影響指數(shù)預(yù)報(bào)模型，但未考慮預(yù)報(bào)時(shí)刻之后的實(shí)際天氣預(yù)報(bào)數(shù)據(jù)，尤其是目前已廣泛應(yīng)用的未來(lái)30 d逐日氣象要素預(yù)報(bào)數(shù)據(jù)[23]，一方面是由于預(yù)報(bào)數(shù)據(jù)中缺乏日照時(shí)數(shù)要素，限制了預(yù)報(bào)模型的構(gòu)建；另一方面由于從作物播種后就開始逐日動(dòng)態(tài)預(yù)測(cè)產(chǎn)量，因此只利用站點(diǎn)未來(lái)30 d的預(yù)測(cè)數(shù)據(jù)仍無(wú)法構(gòu)建生育期完整的氣象資料。相比較而言，目前利用相似年數(shù)據(jù)是解決未來(lái)氣候情景數(shù)據(jù)的有效途徑之一[24-25]。

國(guó)家級(jí)作物產(chǎn)量預(yù)報(bào)模型是以月尺度或旬尺度構(gòu)建的，預(yù)報(bào)準(zhǔn)確率相對(duì)較高，基本可以滿足業(yè)務(wù)服務(wù)的需求；但隨著氣象部門監(jiān)測(cè)精密、預(yù)報(bào)精準(zhǔn)、服務(wù)精細(xì)的新要求，產(chǎn)量預(yù)報(bào)也要向時(shí)空精細(xì)化方面發(fā)展。當(dāng)前產(chǎn)量預(yù)報(bào)空間精細(xì)化算法已經(jīng)成熟并在國(guó)家氣象中心得到應(yīng)用[26]，但時(shí)間精細(xì)化預(yù)報(bào)仍存在短板，雖然基于作物模型模擬的逐日預(yù)報(bào)已經(jīng)在國(guó)家級(jí)業(yè)務(wù)系統(tǒng)中應(yīng)用[27]，但預(yù)報(bào)準(zhǔn)確率偏低，且依賴作物模型分配系數(shù)的準(zhǔn)確性，基于逐日作物產(chǎn)量氣象影響指數(shù)構(gòu)建的作物產(chǎn)量動(dòng)態(tài)預(yù)報(bào)模型在準(zhǔn)確率與預(yù)報(bào)時(shí)效上均可滿足時(shí)間精細(xì)化要求。

目前農(nóng)業(yè)氣象定量化評(píng)價(jià)水平程度相對(duì)較低，尤其是農(nóng)業(yè)氣象災(zāi)害評(píng)估能力不足，往往只能在作物收獲測(cè)產(chǎn)后確定。本文探索建立一種可以逐日動(dòng)態(tài)定量評(píng)估氣象條件對(duì)作物產(chǎn)量影響的方法，并利用模型不同尺度的預(yù)報(bào)準(zhǔn)確率評(píng)估該方法的準(zhǔn)確率?？傮w上準(zhǔn)確率普遍較好，說(shuō)明基于日尺度的預(yù)報(bào)模型可以開展作物產(chǎn)量的逐日動(dòng)態(tài)預(yù)報(bào)，該模型可用于災(zāi)害性天氣發(fā)生后，定量化評(píng)估災(zāi)害造成的產(chǎn)量損失。但當(dāng)遇到較為嚴(yán)重的農(nóng)業(yè)氣象災(zāi)害時(shí)，逐日作物產(chǎn)量氣象影響指數(shù)可能低估或高估災(zāi)害的影響程度，這也表明基于逐日氣象要素建立的逐日作物產(chǎn)量氣象影響指數(shù)還存在改進(jìn)的空間。