西湖龍井茶開采期影響因子及預報模型*

朱蘭娟，金志鳳，張玉靜，王治海，劉 敏，范遼生

?

西湖龍井茶開采期影響因子及預報模型*

朱蘭娟1，金志鳳2，張玉靜1，王治海2，劉 敏1，范遼生1

（1．杭州市氣象局，杭州 310051；2．浙江省氣候中心，杭州 310017）

基于西湖龍井茶主栽品種（龍井43和龍井群體種）開采期及氣象資料，應用積溫和逐步回歸方法，分別構建西湖龍井茶的積溫預報模型和逐步回歸預報模型，并利用多元線性回歸方法，對兩個模型的預報結果進行集成，構建集合預報模型。結果表明：積溫預報模型、逐步回歸預報模型、集成預報模型均通過0.01水平的顯著性檢驗；龍井43和龍井群體種的積溫預報模型回代檢驗平均絕對誤差（MAE）分別為3.6d和2.8d，2a試預報MAE分別為2.5d和1.0d；逐步回歸預報模型的回代檢驗MAE分別為0.9d和1.4d，2a試預報MAE分別為1.6d和0.8d；集成預報模型的回代檢驗MAE分別為0.7d和1.1d，2a試預報MAE分別為1.3d和0.8d。3種預報模型對西湖龍井茶開采期預報均具有應用價值，集成預報模型較積溫預報模型和逐步回歸預報模型的預報效果更理想，具有實際生產指導作用。

西湖龍井茶；開采期；物候期；氣象因子；預報；集成模型

西湖龍井茶至今已有1200多年歷史，以“色綠、香郁、味甘、形美”之四絕而聞名[1]。西湖龍井茶的獨特品質除與品種和栽培管理措施有關外，也受到氣候條件的影響[2?3]。杭州地處亞熱帶季風氣候區，四季分明，雨熱同季，適宜茶樹栽培與優質高產[4]，但受氣候變化影響，氣候變率加大，早春季節幾乎每年都會發生低溫災害，造成茶葉開采期推遲，影響茶葉品質和產量[5]。作為中國茶葉的第一大品牌，西湖龍井茶春茶的開采時間受到茶農、茶客和政府的廣泛關注，而在品種和栽培管理方式一定的條件下，茶葉開采期主要由當年的氣象條件決定，因此，開展西湖龍井茶開采期與氣象因子關系研究具有重要意義。

關于作物物候期的預測方法，已有專家學者開展了大量研究。積溫法是一種廣泛應用的物候期預測方法，前人通過積溫法預測櫻花盛花始期[6]、泡桐物候期[7]、桃樹花期[8]。逐步回歸統計方法也在農作物生長發育與天氣氣候條件關系分析中普遍應用[9?10]。在茶葉開采期預報中，姜燕敏等[9]將春茶開采期日序與氣象要素進行逐步回歸分析，構建起長期與中期開采預報模型，并結合活動積溫和有效積溫進行茶葉開采期預報；姜潤等[11]通過有效積溫、氣象因子逐步回歸方法對溧陽地區白茶開采期進行預報，為當地茶葉生產提供指導；李旭群[12]通過構建溫濕隸屬函數、低溫凍害隸屬函數，計算3月10℃活動積溫，預報雨前“茅峰青山”和“雨花”的開采期。

由于大氣環流特征以及實際生產條件的復雜性，應用單一的資料和模型均會影響預報結果的精度和穩定性，阻礙業務推廣應用，集成預報方法被廣泛應用于天氣和氣候預報之中[13?15]。目前，集合預報模型在農業氣象預報服務中也逐漸得到應用。宋迎波等[16]利用加權求和法將地面模型、海溫模型和環流模型進行集成，構建美國玉米產量模型，預報穩定性提升；邱美娟等[17]采用加權法對3種指數模型和1種生長模型進行集成，預報山東冬小麥產量，預報準確率和穩定性均有提高；楊棟等[18]構建了不同時間尺度的奉化水蜜桃成熟期預報模型，分別采用算術平均法、回歸系數法、相關系數法和絕對誤差法確定其集合權重，其結果表明絕對誤差法構建的加權集合模型絕對誤差控制在2d以內，具有較高的實際應用價值。

本研究在借鑒相關研究成果的基礎上，以西湖龍井茶主栽品種的春茶開采期為研究對象，在積溫法和逐步回歸分析法的基礎上，采用多元線性回歸方法對前兩者的預報結果進行集成，并檢驗其預報效果，進而揭示前期氣象條件對春茶采摘的影響，提高西湖龍井茶開采期預報準確率，為保障茶葉優質高產提供科學依據。

1 資料與方法

1.1 研究區域及品種

研究區域為《西湖龍井茶》標準[1]所確定的生產區域范圍（圖1）。研究品種為《西湖龍井茶》標準確定，并在西湖龍井茶產區主栽的龍井43和龍井群體種品種。龍井群體種已有1000多年的歷史，是龍井茶最早的品種，由茶種栽培而成，開采期在3月下旬?4月初。龍井43是中國農業科學研究院茶葉研究所從龍井群體種選育出的無性系新品種，是國家級優良品種，開采期在3月中下旬。

圖1 西湖龍井茶生產區域

1.2 資料來源及處理

西湖龍井茶的開采期來自2005年以來新聞媒體報道，龍井村、翁家山、梅家塢、雙峰村、慈母橋村等地實地走訪調查和福海堂茶葉基地實景監測。開采期是指每年第一批鮮葉采摘的日期，采摘標準為一芽一葉初展，即芽葉夾角小，芽長于葉，芽葉勻齊肥壯，芽葉長度不超過2.5cm。氣象資料為杭州國家基準站的逐日氣象資料，要素包括平均氣溫、最高氣溫、最低氣溫、降水量、日照時數、相對濕度、不同深度平均地溫（0、5、10、15、20、40cm）等，資料年限為1951年1月?2018年4月。氣溫和濕度用算術平均法將1?3月的日氣象資料統計為旬值，降水量和日照時數用求和法算出旬值，雨日數根據日降水量統計而成（日降水量≥0.1mm時計1個雨日）。為驗證茶農中流傳的“凍一凍，縮一縮”的說法，將日最低氣溫低于4℃（包括4、3、2、1、0、?1、?2℃）的天數進行旬統計，求出各旬各溫度的低溫天數。

將2005?2018年春茶開采期日期轉換為年日序值，以1月1日為 1，1月2日為2，依次類推。

1.3 開采期預報方法

1.3.1 積溫預報法

計算兩種積溫：活動積溫和有效積溫。高于生長下限的日平均溫度為活動溫度，活動積溫是指作物在某時期內活動溫度對時間的積分。有效溫度是日平均溫度與生長下限溫度之差，有效積溫是指作物在某時期內有效溫度對時間的積分。實際計算時將積分簡化為求和。

生長溫度下限的確定：姜燕敏等[9]通過6～10℃之間，每隔1℃的活動積溫和有效積溫比較，認為龍井43開采期的10℃活動積溫變異系數最小，其生長下限溫度為10℃；楊亞軍等[19]通過茶樹冷處理試驗，得出茶樹生長下限溫度為10℃的結論。因此，采用10℃作為龍井43和龍井群體種的生長下限溫度。

積溫起止日的確定：采用5日滑動平均方法確定積溫起始日，即在某一時段內，第一個連續5d日平均氣溫的平均值≥10℃，且這5d中第一個日平均氣溫≥10℃的日期作為積溫統計起始日；積溫統計終止日則為西湖龍井茶開采期的前一天。因杭州站歷年5日滑動平均氣溫通過10℃的時間基本出現在2月上旬，同時，唐湖等[20]通過茶樹休眠和萌發時期的物質變化試驗也得出了龍井43在2月初萌發的結論，因此，從2月1日開始統計5日滑動平均氣溫通過10℃的日期。

積溫預報標準的確定：利用杭州國家基準氣候站2005?2016年2?4月的日平均氣溫逐日資料，分別統計龍井43和龍井群體種積溫起止日間≥10℃的活動積溫、有效積溫，并計算變異系數，以變異系數小的積溫作為開采期預報積溫。為得到明確開采日期，采用2005?2016年積溫平均值作為積溫預報模型標準。

1.3.2 逐步回歸預報法

通過相關系數計算，篩選出滿足條件的氣象因子，再采用逐步回歸統計方法，構建西湖龍井茶開采期年日序預報模型。具體為

（1）計算相關系數：采用相關分析方法，分別計算2005?2016年不同氣象因子與龍井43和龍井群體種開采期年日序的相關系數。

（2）確定初選因子：篩選出相關系數通過0.05水平顯著性檢驗的氣象因子作為初選因子，3月的初選因子考慮是否可以被預報。

（3）建立逐步回歸預報模型：將初選因子和開采期年日序導入SPSS軟件，采用逐步回歸分析功能，得到龍井43和龍井群體種開采期預報方程，多個預報方程通過0.05水平顯著性檢驗時，選取預報效果好的方程構建預報模型。

1.3.3 集成預報法

集成預報模型可以克服單一預報模型的局限性，實現優勢互補。西湖龍井茶開采期預報采用多元線性回歸方法，對積溫預報模型和逐步回歸預報模型的預報結果進行集成，具體做法是：以積溫預報模型和逐步回歸預報模型預測的年日序值作為自變量，開采期的年日序值作為因變量，利用SPSS軟件的多元線性回歸功能，分別統計龍井43和龍井群體種開采期的集成預報模型，并對其預報效果進行檢驗，通過0.05水平顯著性檢驗時采用該模型，反之，不采用。

2 結果與分析

2.1 西湖龍井開采期調查結果

由圖2可見，龍井43和龍井群體種的開采期主要集中在3月，個別年份較晚，龍井群體種開采進入4月初（2005年為4月2日，2012年為4月1日）。龍井群體種歷年開采期相對穩定，平均為3月27日，最早年份是2006年和2007年，比平均開采期早5d，最晚為2005年，比平均開采期晚6d，最早與最晚開采日期相差11d；而龍井43的開采期變幅較大，平均為3月17日，最早為2016年，比平均開采期早10d，最晚為2012年，比平均開采期晚9d，最早與最晚開采日期相差19d。每年開采期的震蕩，給茶客購買茶葉和茶農安排生產帶來很大的不確定性，有必要開展西湖龍井茶開采期預報。

對比兩個主栽品種的開采期可見，兩者的變化趨勢一致，每年龍井43的開采期均早于龍井群體種，平均偏早10d。開采早的年份兩者差異大，如2007年（相差13d）、2013年（相差15d）和2016年（相差19d）；而開采晚的年份兩者差異小，如2008年（相差6d）、2010年（相差6d）和2012年（相差6d）。隨著氣候變暖，春茶的開采期提前，龍井43和龍井群體種的春茶開采期差異將更大，上市時間更具不確定性，迫切需要加強開采期預測。

圖2 2005?2018年西湖龍井茶開采期調查結果

2.2 影響西湖龍井茶開采期的氣象因子篩選結果

選取2005?2016年1?3月各旬的平均氣溫、平均最高氣溫、平均最低氣溫、平均地溫（0、5、10、15、20、40cm）、低溫天數（≤4、3、2、1、0、?1、?2℃）、降水量、雨日數、平均相對濕度、日照時數等氣象因子，分別與龍井43和龍井群體種的開采期年日序進行相關分析，篩選出通過0.05水平顯著性檢驗的氣象因子作為初選因子，其中3月的初選因子排除地溫、日照時數（表1和表2）。

表1 與龍井43開采期年日序相關顯著的氣象因子篩選結果

注：*、**分別表示相關系數通過0.05、0.01水平顯著性檢驗。年日序以1月1日為1。下同。

Note:*is P<0.05，**is P<0.01. E- is the first ten-day of a month；M- is the middle ten-day of a month；L- is last ten-day of a month. Ordinal day is the day in order of a year from Jan.1. The same as below.

表2 與龍井群體種開采期年日序相關顯著的氣象因子篩選結果

從初選因子的時段看，龍井43和龍井群體種初選因子的時段絕大多數出現在2月中旬以后，說明2月上旬打破休眠后的氣象因子是影響西湖龍井茶開采期的關鍵因子，而1月上旬?2月上旬因茶芽處于休眠期，氣象因子對其影響小。

從初選因子的要素看，與西湖龍井茶兩個品種開采期關系最密切的是溫度，包括平均氣溫、平均最高氣溫、平均最低氣溫、不同深度的平均地溫和不同界限的低溫天數。2月中旬以后氣溫上升快，有利茶芽萌發生長，開采期提前；2月中旬以后地溫較高，有利茶樹根系生長和發育，開采期提前；2月中旬和下旬低溫天數多，茶樹通過不飽和脂肪酸、蛋白質等內含物的變化，以適應外界的低溫逆境，開采期延后[21]。降水對西湖龍井茶開采期的制約不如溫度，主要是1月上旬的降水量、雨日數、平均相對濕度和3月上旬的雨日數，降水量大、雨日數多、濕度大，則促進茶葉提前開采。由表可見，各旬日照時數均未通過0.05水平顯著性檢驗，茶樹喜光耐陰，日照時數不是制約西湖龍井茶開采期的關鍵因子。在實際生產中，降水和溫度往往是相互矛盾的，降水量大、雨日數多，容易出現低溫，最終的結果由溫度和降水等因子綜合作用決定。

2.3 西湖龍井開采期預報模型的建立與驗證

2.3.1 積溫預報模型

按照活動積溫和有效積溫的計算方法，分別統計2005-2016年龍井43和龍井群體種在積溫起始日-終止日≥10℃的活動積溫、有效積溫及其變異系數（表3）。由表可見，2005-2016年，西湖龍井茶開采期的有效積溫變異系數在0.32～0.40，活動積溫變異系數在0.19～0.27，活動積溫的變幅小于有效積溫，穩定性較好。因此，采用2005-2016年活動積溫平均值作為龍井43和龍井群體種積溫預報模型的預報標準，預報標準分別為169.9℃·d和278.5℃·d。

表3 2005-2016年西湖龍井茶開采期所需≥10℃有效積溫、活動積溫及其變異系數

注：每年從2月1日起，采用5日滑動平均法確定積溫統計起始日，開采期前1日作為積溫統計終止日，分別統計活動積溫和有效積溫。以變異系數小的活動積溫平均值作為龍井43和龍井群體種開采期積溫達到標準。

Note: Every year from February 1, the moving average method is used to calculate the date when the average daily temperature of 5 continuous days is not less 10℃. The first day of the 5 continuous days when the temperature is higher than 10℃ is used as the starting date of accumulated temperature statistics, and the day before the exploitation of Longjing 43 and Longjingqunti is used as the termination date of accumulated temperature statistics. The annual active accumulated temperatures of Longjing43 and Longjingqunti were obtained by accumulating the daily average temperature (≥10℃) between the start date and termination date from 2005?2016. The annual effective accumulated temperature of Longjing43 and Longjingqunti were obtained by accumulating the temperature after using the average daily temperature (≥10℃) subtracting 10℃ from the start date and the end date of 2005?2016. The accumulated temperature with a small coefficient of variation is chosen as the prediction accumulated temperature, and the averaged value can be used as the the prediction standard.

從連續5日滑動平均氣溫通過10℃的起始日開始，按順序將日平均氣溫≥10℃的溫度進行累加，當累加溫度達到或超過169.9℃·d時停止累加，把第二天作為龍井43的開采期；同理，將日平均氣溫≥10℃的溫度累加，累加溫度達到或超過278.5℃·d時停止累加，把第二天作為龍井群體種的開采期。計算結果如表4。由表可見，2005-2016年龍井43和龍井群體種的開采期年日序擬合MAE分別為3.6d和2.8d；兩者的相關系數分別為0.846和0.808，均通過0.01水平的顯著性檢驗。龍井43開采期2017年預報年日序為71，比調查日期偏早2d；2018年開采期預報年日序為76，比調查日期偏晚3d。龍井群體種2017年開采期預報年日序為86，與調查日期相同；2018年開采期預報年日序為86，比調查日期偏晚2d。

2.3.2 逐步回歸預報模型

以初選因子作為自變量，開采期年日序為因變量，導入SPSS軟件，利用其逐步回歸分析功能，分別構建龍井43和龍井群體種的開采期年日序逐步回歸預報模型（表5），預報模型均通過0.01水平顯著性檢驗。

從預報模型來看，2月下旬低溫天數和3月上旬平均最低氣溫是影響龍井43和龍井群體種開采期的關鍵氣象因子，2月中旬的平均地溫對龍井43的開采期亦有影響。影響龍井43開采期的2月下旬低溫天數其最低氣溫為1℃，高于龍井群體種的0℃，這可能與龍井群體種經過一千多年的馴化，更能適應低溫環境有關；而龍井43是20世紀60年代利用龍井群體種培育的新品種，其耐低溫性不如龍井群體種。

表4 積溫預報模型預報結果（年日序）及其誤差

注：龍井43和龍井群體種的開采期活動積溫達到標準分別是169.9℃·d和278.5℃·d；誤差數據為正表示預報日期比調查日期偏晚，負表示偏早，0表示準確。

Note: The active accumulated temperature of Longjing43 and Longjingqunti to reached the standard is 169.9℃·d and 278.5℃·d ，respectively. The positive data indicated that the forecast result was later than the investigation date, while the negative data means earlier, and 0 shows that the forecast was accurate.

表5 逐步回歸預報模型及其預報結果（年日序）

利用龍井43和龍井群體種的開采期年日序逐步回歸預報模型對2005?2016年的開采期年日序進行擬合，預測值與調查值的MAE分別為0.9d和1.4d，預報精度較高。對2017年和2018年進行試預報，龍井43的預報開采期年日序分別為71.6和71.3，分別比調查日期偏早1.4d和1.7d；龍井群體種的預報開采期年日序分別為84.6和84.4，分別比調查日期偏早1.4d和偏晚0.2d，試預報效果較理想。

2.3.3 集成預報模型

以2005?2016年積溫預報模型和逐步回歸預報模型預測的年日序作為自變量，開采期年日序作為因變量，采用SPSS的多元線性回歸功能，分別構建龍井43和龍井群體種的集成預報模型（表6）。

用集成預報模型預報結果對2005?2016年的龍井43和龍井群體種開采期年日序進行回代檢驗，MAE分別為0.7d和1.1d，比積溫預報模型預報的MAE分別縮小了2.9d和1.7d，比逐步回歸預報模型預報的MAE分別縮小0.2d和0.3d，預報精度提高明顯。

對2017年和2018年進行試預報，龍井43開采期的預報年日序分別為75.4和73.1，分別比調查日期晚2.4d和0.1d，MAE比積溫預報模型縮小了1.2d，比逐步回歸預報模型縮小了0.3d；龍井群體種開采期的預報年日序分別為85.1和84.7，比調查日期偏早0.9d和偏晚0.7d，MAE比積溫預報模型縮小了0.2d，與逐步回歸預報模型持平，預報精度有所提高。

表6 集成預報模型及預報結果（年日序）

3 結論與討論

3.1 結論

采用積溫預報模型預報西湖龍井茶開采期時，活動積溫的變異系數小于有效積溫，穩定性更好，回代檢驗和試預報的MAE小于4d，具有應用價值。與姜燕敏等[9]的龍井43活動積溫變異小的結果一致，與李旭群[12]的“茅山青峰”、“雨花”茶葉開采期和3月活動積溫線性相關的結果類似。

逐步回歸預報模型對西湖龍井茶開采期預報的效果理想，回代檢驗和試預報的MAE小于2d，具有生產應用價值。初選因子表明，溫度對茶葉開采期起關鍵作用，其次是降水，日照的影響不顯著。這與金志鳳等[4]的浙江茶葉生產中溫度適宜度優于降水適宜度，降水適宜度優于光照適宜度的結論符合；與李湘閣等[22]的早春低溫使茶芽萌動延遲，生育減慢的研究結果一致。

集成預報模型的預報精度比積溫預報模型提高明顯，較逐步回歸預報模型有所提高，預報結果可應用于生產服務。

3.2 討論

僅用積溫預報西湖龍井茶具有較大的不確定性，例如2007年龍井43開采期和2016年龍井群體種開采期的預報日期均比調查日期提前9d，這與肖靜等[23?24]的積溫預報具有不確定性的研究結果一致，在實際應用中僅考慮積溫不能滿足服務生產的需要，考慮低溫等因子對茶樹萌芽的影響，可提高預報精度。

逐步回歸預報模型反映了不同氣象因子之間的相互依賴關系，建立了各因子之間的最優關系模型，對龍井43和龍井群體種的預報效果較理想，預報模型引入的旬最低氣溫天數關鍵因子，驗證了民間茶葉“凍一凍，縮一縮”的說法，與楊亞軍等[21]茶樹可通過內含物變化，適應外界低溫逆境的結果一致。

集成預報模型由不同的預報方法融合而成，克服了單一模型的不確定性和不穩定，提高了西湖龍井茶開采期的預報精度，滿足了業務服務需要，可為茶客購買茶葉、茶農安排生產和政府安排活動提供依據。此外，遙感技術、作物模型在大宗作物生育期監測中得到廣泛應用[25]，遙感技術在橡膠等經濟作物的物候期監測中也得到應用[26]，將遙感數據、作物模型、統計模型、積溫模型等集成，可以實現不同類型信息的優勢互補[27?28]，未來可繼續開展模型融合技術的研究。

本研究的樣本數量較少，預報模型還有較大的不確定性，在實際應用中，可隨著樣本數的增加，不斷調試模型，提高預報精度。

從杭州國家基準氣候站1951年以來的數據分析，2月下旬≤1℃和≤0℃的低溫天數均呈減少趨勢，3月上旬的旬平均最低氣溫呈上升趨勢，西湖龍井茶的開采期將有所提前，低溫對西湖龍井茶生產的影響將加強，需要加強霜凍等天氣防范。該結果與朱媛君等[29]的氣候變暖，春夏季物候期提前的研究結果一致。

[1] 翁昆,許燕君,沈紅,等.GH/T 1115-2015 西湖龍井茶[S].北京:中華全國供銷合作總社,2015.

Weng K,Xu Y J,Shen H,et al.GH/T 1115-2015 Xihulongjing tea[S].Beijing:All China Federation of Supply and Marketing Cooperatives,2015.(in Chinese)

[2] 黃壽波.茶樹生長的農業氣象指標[J].農業氣象,1981,(3): 54-58．

Huang S B.Agrometeorological index for the growth of tea[J].Chinese Journal of Agrometeorology,1981,(3):54-58.(in Chinese)

[3] 黃壽波.氣象因子與茶樹生育、產量、品質的關系[J].中國農業科學,1986,(4):96．

Huang S B.The relationship between meteorological factors and tea fertility,yield and quality[J].Scientia Agricultura Sinica,1986,(4):96.(in Chinese)

[4] 金志鳳,葉建剛,楊再強,等.浙江省茶葉生長的氣候適宜性[J].應用生態學報,2014,25(4):967-973.

Jin Z F,Ye J G,Yang Z Q,et al.Climate suitability for tea growing in Zhejiang Province[J].Chinese Journal of Applied Ecology,2014,25(4):967- 973.(in Chinese)

[5] 金志鳳,胡波,嚴甲真,等.浙江省茶葉農業氣象災害風險評價[J].生態學雜志,2014,33(3):771-777.

Jin Z F,Hu B,Yan J Z,et al.Agro-meteorological disaster risk evaluation of tea planting in Zhejiang province[J].Chinese Journal of Ecology,2014,33(3):771-777.(in Chinese)

[6] 葉彩華,周孝煌,姜會飛,等.下限溫度對北京櫻花盛花始期模擬效果的影響[J].中國農業氣象,2018,39(1):1-8.

Ye C H,Zhou X H,Jiang H F,et al.Impacts of different base temperature on simulation effect of beginning flowering date of Prunus discoidea in Beijing[J].Chinese Journal of Agrometeorology,2018,39(1):1-8.(in Chinese)

[7] 郁珍艷,高大偉,吳利紅,等.氣象條件對浙江省泡桐物候期的影響研究[J].氣象科學,2014,34(6):666-671．

Yu Z Y,Gao D W,Wu L H,et al.Influence of weather conditions onphenological period in Zhejiang province[J].Meteorological Science and Technology,2014, 34(6):666-671.(in Chinese)

[8] 姚日升,涂小萍,丁燁毅,等.寧波桃樹花期預報方法[J].氣象科技,2014,42(1):180-186.

Yao R S,Tu X P,Ding Y Y,et al.A method for forecasting peach flowering in Ningbo[J].Meteorological Science and Technology,2014,42(1):180-186.(in Chinese)

[9] 姜燕敏,金志鳳,李松平,等.浙南春茶開采前后氣象條件分析及開采期預報[J].中國農業氣象,2015,36(2):212-219.

Jiang Y M,Jin Z F,Li S P,et al.Meteorological conditions analysis and prediction model establishment on spring tea first plucking date in south Zhejiang[J].Chinese Journal of Agrometeorology,2015,36(2):212-219.(in Chinese)

[10] 郭建平,莊立偉,陳玥熤.東北玉米熱量指數預測方法研究(Ⅱ):逐步回歸預測方法[J].災害學,2009,24(4):11-14.

Guo J P,Zhuang L W,Chen Y Y.Study on forecasting method of corn heat index in northeastern China(Ⅱ):stepwise regression model[J].Journal of Catastrophology,2009,24(4): 11-14.(in Chinese)

[11] 姜潤,錢半噸,蔣文妍,等.‘白葉1號’茶樹品種在溧陽開采期預測研究[J].茶葉,2014,40(3):134-137.

Jiang R,Qian B D,Jiang W Y,et al.Forecast of first plucking date of white tea cultivar‘White Leaf 1’in Liyang[J].Journal of Tea,2014,40(3):134-137.(in Chinese)

[12] 李旭群.雨前“茅山青峰”、“雨花”茶開采期預報方法[J].中國農業氣象,1990,11(2):59-61．

Li X Q.The prediction method of first plucking date for Maoshan Qingfeng and Yuhua tea before rain[J].Chinese Journal of Agrometeorology,1990,11(2):59-61.(in Chinese)

[13] 張玲,智協飛.2008年初中國南方冰凍雨雪天氣的多模式集成預報[J].熱帶氣象學報,2013,29(3):393-402．

Zhang L,Zhi X F.Multimodel ensemble forecasting of low temperature and icy weather over central and southern China during early 2008[J].Journal of Tropical Meteorology,2013, 29(3):393-402.(in Chinese)

[14] 張涵斌,智協飛,王亞男,等.基于TIGGE資料的西太平洋熱帶氣旋多模式集成預報方法比較[J].氣象,2015,41(9): 1058-1067.

Zhang H B,Zhi X F,Wang Y N,et al.Comparison of multimodel ensemble methods for western pacific tropical cyclone forecast based on TIGGE data[J].Meteorological Monthly,2015,41(9):1058-1067.(in Chinese)

[15] 熊聰聰,耿世潔,董昊,等.基于混合算法的降水集成預報研究[J].計算機工程與科學,2016,38(10):2147-2152.

Xiong C C,Geng S J,Dong H.Integrated precipitation forecast based on hybrid algorithms[J].Computer Engineering& Science,2016, 38(10):2147-2152. (in Chinese)

[16] 宋迎波,楊霏云,鄭昌玲,等.美國玉米產量業務預報方法研究[J].中國農業氣象,2008,29(4):446-449.

Song Y B,Yang F Y,Zheng C L,et al.Research on operational forecast methods of corn yields in the United States of America(USA)[J].Chinese Journal of Agrometeorology,2008, 29(4):446-449.(in Chinese)

[17] 邱美娟,宋迎波,王建林,等.山東省冬小麥產量動態集成預報方法[J].應用氣象學,2016,27(2):191-200.

Qiu M J,Song Y B,Wang J L,et al.Integrated technology of yield dynamic prediction of winter wheat in Shandong province[J].Journal of Applied Meteorological Science,2016, 27(2):191-200.(in Chinese)

[18] 楊棟,丁燁毅,金志鳳,等.浙江水蜜桃成熟期集合預報模型[J].中國農業氣象,2018,39(6):421-430.

Yang D,Ding Y Y,Jin Z F,et al.Collection model for maturity forecasting of juicy peach in Zhejiang province[J].Chinese Journal of Agrometeorology,2018,39(6):421-430.(in Chinese)

[19] 楊亞軍,鄭雷英,王新超等.冷馴化和ABA對茶樹抗寒力及其體內脯氨酸含量的影響[J].茶葉科學,2004,24(3): 177-182．

Yang Y J,Zheng L Y,Wang X C,et al.Effect of cold acclimation and ABA on cold hardiness,contents of proline in tea plants[J].Journal of Tea Science,2004,24(3):177-182. (in Chinese)

[20] 唐湖,郝心愿,王璐,等.茶樹越冬芽在休眠與萌發時期的物質交流變化及其分子調控[J].作物學報,2017,43(5): 669-677.

Tang H,Hao X Y,Wang L,et al.Molecular regulation and substance exchange dynamics at dormancy and budbreak stages in overwintering buds of tea plant[J]. Acta Agronomica Sinica,2017,43(5):669-677.(in Chinese)

[21] 楊亞軍,鄭雷英,王新超.低溫對茶樹葉片膜脂脂肪酸和蛋白質的影響[J].亞熱帶植物科學,2005,34(1):5-9．

Yang Y J,Zheng L Y,Wang X C.Changes of membrane fatty acid composition and protein in tea leaves at low temperature[J].Subtropical Plant Science,2005,34(1):5-9.(in Chinese)

[22] 李湘閣,閔慶文,余衛東.南京地區茶樹生長氣候適應性研究[J].南京氣象學院學報,1995,18(4):572-577.

Li X G,Min Q W,Yu W D.Study of climate adaptability of tea plants in Nanjing Area[J].Journal of Nanjing Institute of Meteorology,1995,18(4):572-577.(in Chinese)

[23] 肖靜,李楠,姜會飛.作物發育期積溫計算方法及其穩定性[J].氣象研究與應用,2010,31(2):64-67.

Xiao J,Li N,Jiang H F.Calculation and stability of accumulated temperatures in the growing season of winter wheat[J].Journal of Meteorological Research and Application,2010,31(2):64-67.(in Chinese)

[24] Vinocur M G,Ritchie J T.Maize leaf development biases caused by Air-Apex temperature differences[J].Agronomy Journal,2001,93:767-772.

[25] 宮詔健,劉利民,陳杰,等.基于MODIS NDVI數據的遼寧省春玉米物候期提取研究[J].沈陽農業大學學報,2018,49(3): 257-265.

Gong Z J,Liu L M,Chen J,et al.Phenophase extraction of spring maize in Liaoning province based on MODIS NDVI data[J].Journal of Shenyang Agricultural University,2018, 49(3):257-265.(in Chinese)

[26] 陳小敏,陳匯林,李偉光,等.海南島天然橡膠林春季物候期的遙感監測[J].中國農業氣象,2016,37(1):111-116.

Chen X M,Chen H L,Li W G,et al.Remote sensing monitoring of spring phenophase of natural rubber forest in Hainan Province[J].Chinese Journal of Agrometeorology, 2016,37(1):111-116.(in Chinese)

[27] 易雪,王建林,宋迎波,等.早稻產量動態繼承預報方法研究[J].中國水稻科學,2011,25(3):307-313.

Yi X,Wang J L,Song Y B,et al.Study on dynamic integrated prediction of early rice yield[J].Chin J Rice Sci,2011, 25(3):307-313.(in Chinese)

[28] 李存軍,王紀華,王嫻,等.遙感數據和作物模型集成方法與應用前景[J].農業工程學報,2008,24(11):295-301.

Li C J,Wang J H,Wang X,et al.Methods for integration of remote sensing data and crop model and their prospects in agricultural application[J].Transactions of CSAE,2008, 24(11):295-301.(in Chinese)

[29] 朱媛君,郝琦,清華,等.呼和浩特自然歷主要物候期和物候季節變化特征及歸因[J].中國農業氣象,2017,38(1):9-20.

Zhu Y J,Hao Q,Qing H,et al.Changes of main phenophases of natural calendar and phenological seasons in Hohhot[J].Chinese Journal of Agrometeorology,2017,38(1): 9-20.(in Chinese)

Research on the Factors of Xihulongjing Tea Picking Date and Its Prediction Model

ZHU Lan-juan1, JIN Zhi-feng2, ZHANG Yu-jing1, WANG Zhi-hai2, LIU Min1, FAN Liao-sheng1

（1. Hangzhou Meteorological Bureau, Hangzhou 310051, China；2. Zhejiang Climate Center, Hangzhou 310017）

s: Based on the picking date of the main species of Xihulongjing Tea (Longjing43 and Longjingqunti) and its meteorological data, the accumulated temperature prediction model and the stepwise regression prediction model of Xihulongjing tea were constructed by using accumulated temperature and stepwise regression method, also the prediction of multiple regression ensemble method was integrated by these two prediction results, using the multiple linear regression method. The results showed that the accumulated temperature prediction model, stepwise regression prediction model and integrated prediction model all passed the significance test of P<0.01. The simulated mean absolute error（MAE） of accumulated temperature prediction model were 3.6d and 2.8d, while the prediction MAE of 2-year test prediction were 2.5d and 1.0d for Longjing43 and Longjingqunti respectively. In addition, the simulated MAE of stepwise regression analysis were 0.9d and 1.4d, the prediction MAE of 2-year test prediction were 1.6d and 0.8d for Longjing43 and Longjingqunti separately. The prediction of multiple regression ensemble method was more accurate than single method with the simulated MAE value were 0.7d and 1.1d ,while the prediction MAE of 2-year test prediction were 1.3d and 0.8d, the prediction of multiple regression ensemble method would provide more scientific support for guiding tea production. These three forecasting models are of practical value for the prediction of the picking up period of Xihulongjing tea. The prediction of multiple regression ensemble method is more ideal and with more practical application value than accumulated temperature forecasting model and stepwise regression analysis model.

Xihulongjing tea; Picking date; Phenophase; Meteorological factors; Prediction; Ensemble method

10.3969/j.issn.1000-6362.2019.03.003

朱蘭娟,金志鳳,張玉靜,等.西湖龍井茶開采期影響因子及預報模型[J].中國農業氣象,2019,40(3):159-169

2018-09-13

浙江省氣象科技計劃項目（2015C02048；2017ZD10）；杭州市氣象科技計劃項目（QX201503）

朱蘭娟（1969-），女，高級工程師，主要從事農業氣象服務研究工作。E-mail: 463339804@qq.com