冬小麥產量結構要素預報方法

張 佩，陳鄭盟，劉春偉，王福政，江海東，高 蘋

冬小麥產量結構要素預報方法

張 佩1，陳鄭盟2，劉春偉3，王福政4，江海東5，高 蘋1※

（1. 江蘇省氣象局，南京 210008；2. 福建省煙草公司龍巖市公司，龍巖 364000；3. 江蘇省農業氣象重點實驗室、南京信息工程大學應用氣象學院，南京 210044；4. 勤耕仁現代農業科技發展（淮安）有限責任公司，淮安 223001；5. 南京農業大學農業部作物生理生態與生產管理重點實驗室、江蘇省現代作物生產協同創新中心、國家信息農業工程技術中心，南京 210095）

為優選出最佳的冬小麥產量結構要素預報方法，該研究選擇冬小麥成穗數、穗粒數及千粒質量為預報目標，綜合考慮種植品種、密度及地區因子，并對氣象因子進行膨化統計，得到126個自變量因子，分別采用多元線性回歸、因子分析—線性回歸及BP（Back Propagation）神經網絡等3種方法進行建模分析。結果表明，直接采用各因子進行回歸分析無法解決不同自變量間存在的多重共線性問題，而因子分析雖然消除了不同自變量間的多重共線性，但采用因子優化后的10個綜合因子分別對3個產量結構要素進行線性回歸，得到的預報模型決定系數（2）均不足0.500。運用BP神經網絡對冬小麥3個產量結構要素進行預報，結果發現，當輸入層為126、隱含層為16、輸出層為3時，BP神經網絡結構最佳，在此結構下，模型的決定系數為0.644，明顯優于多元線性回歸及因子分析-線性回歸法。同時，基于BP神經網絡模型對冬小麥產量結構要素的預報精度平均達85.3%。因此，推薦采用BP神經網絡模型對冬小麥產量結構要素進行預報。

作物；冬小麥；產量結構要素；多元線性回歸；因子分析；BP神經網絡

0 引 言

作物產量預報可為政府制定糧食計劃及農業生產決策提供依據，是當前氣象為農服務的主要內容之一。中國作物產量預報研究始于20世紀70年代末，經過一系列項目研究和業務化試驗研究，其預報理論及方法迅速發展[1-6]，并在20世紀90年代建成作物產量預報業務系統[7]投入業務應用。發展至今，最為成熟的作物產量預報模型仍以氣象學統計方法為主，并普遍采用氣象產量模型[8-9]。然而在氣象產量數據的獲取中，需要對產量數據進行平滑處理，這就在一定程度上消減了氣象因子的波動性。氣象因子的波動往往體現為階段性，特別是農作物特定生育階段的氣候變化會導致某些產量構成要素的變化。王馥棠[10]20世紀80年代初即提出，準確預報產量結構要素不僅可以輔助預報最終產量，且可以揭示產量預報的生理學意義。

由于同一作物不同品種的自身生理特性及其對生長區域適應性的差異[11]，其生育期特征、根系形態[12-14]、水肥吸收特征[15-17]、光合特性[18-19]及對逆境的抵抗能力[20-21]均有不同程度的差異；不同的種植密度形成不同的群體結構及光能利用效率[22-24]，從而造成群體間的個體的生長發育存在差異[25]。這些差異都最終影響產量結構要素的水平。另外，同一作物在不同地區的種植品種、農藝措施也各不相同。因此，在進行產量結構要素預報時，需同時考慮品種、種植密度和地區因子。另外，以往的研究在氣象因子的選擇上，多數采用獨立時間段（如月、旬或生育階段）的氣象因子進行預報[26-29]，而冬小麥的生長發育是一個連續的累積過程，這種時間尺度的不同選擇也會影響產量的預測精度。湯志成等[4]在20世紀80年代中期即提出因子膨化處理的方法，并將其應用在早稻的產量預報上，很好地解決了這一問題。

在眾多作物產量預報的統計方法中，多元回歸法由于原理簡單、使用便捷，被普遍使用[30-31]。因子分析法是一種有效的降維分析方法，它通過研究眾多自變量間的內部依賴關系，從而把眾多因子歸結成少數幾個包含原來眾多變量信息的綜合因子，可有效消除原有變量間的多重共線性，同時簡化了數據結構。BP（Back Propagation）神經網絡是眾多人工神經網絡（Artificial Neural Networks；ANN）中的一種，因其能學習和存儲大量輸入-輸出模式的映射關系，而無需事前揭示描述這種映射關系的數學方程，可以逼近任意連續函數，具有很強的非線性映射能力，特別適合多因素對多因素關聯預測模型的構建，目前已廣泛應用于各個領域[32-36]。近年來，該方法也越來越多地被應用到農業氣象預報上，如病蟲害預測[37-38]、小氣候預測[39]、產量預報[40-41]等。

本文選擇冬小麥成穗數、穗粒數及千粒質量為預報目標，在膨化統計氣象因子的基礎上，綜合考慮冬小麥種植品種、密度及地區因子，分別采用多元線性回歸、因子分析—線性回歸及BP神經網絡進行預報模型的構建，通過預報結果與實測數據對比分析，得到最佳的預報模型，提高冬小麥產量預報效果，并為業務應用提供新的科學方法依據。

1 材料與方法

1.1 數據來源

冬小麥農業氣象觀測資料及氣象觀測資料源于江蘇省氣象信息中心。其中，江蘇省冬小麥農業氣象觀測普遍始于20世紀80年代初，觀測站點包括昆山、興化、如皋、大豐、淮安、盱眙、濱海、徐州、沭陽及贛榆10個（見表1），預報產量結構要素主要包括株成穗數、穗粒數及千粒質量；氣象觀測資料為對應年份前一年10月至當年5月的逐日觀測資料，氣象因素主要包括逐日的平均氣溫（℃）、最低氣溫（℃）、降水量（mm/d）、日照時數（h）等。冬小麥種植品種、密度及地區從農業氣象觀測資料中查閱。

1.2 預報因子選擇與處理

1.2.1 氣象因子膨化

以逐月總積溫T（℃）、累計降水量R（mm）及總日照時數S（h）作為表征冬小麥生長的主要熱量、水分及光照條件，考慮秋冬春季低溫往往對冬小麥生長造成較大影響，本文還統計了前一年11月至當年3月逐月日最低溫度≤0 ℃的日數D（d）。

式中t為逐日平均氣溫，℃；r為逐日降水量，mm/d；s為逐日日照時數，h；minj為逐日最低氣溫，℃，為生育期內月份的序號數，取10，11，12，…，17（其中10表示前一年10月，13表示當年一月，依此類推）；為每個月份的日序，表示每個月總天數，d；d為日最低溫度是否≤0 ℃的判斷函數。

經過膨化處理，共得到總積溫、累計降水量及總日照時數各36個序列，日最低溫度≤0 ℃的日數15個序列，共123個不同時段的氣象因子（表2）。

1.2.2 品種因子

通過品種審定公告獲取所有供分析站點歷史栽培品種的理論千粒質量，以此作為各冬小麥品種的表征因素。

1.2.3 地區因子

10個冬小麥農業氣象觀測站點分布相對均勻，站點的緯度跨度為31.4167° N～34.8333°N，經度跨度為117.1500°E～120.9500°E。本研究依據江蘇農業區劃，將10個站點分別歸為6個地區，并給每個地區賦值[1，6]（表3）。

1.2.4 種植密度

種植密度是直接影響產量結構的重要因素之一，本文統計了各站點歷年冬小麥的畝基本苗數（104株）作為種植密度的表征因子。

表2 不同時段的氣象因子

注：下標-表示膨化組合時段的起止月份，為生育期內月份的序號數；下標10表示前一年10月，13表示當年一月，依此類推。

Note: The subscript-represents the starting and ending months of puffed period,is the ordinal number of the months during the growth period; which takes 10,11,12, ... , 17; The subscript 10 represents October of the previous year, 13 represents January of the current year, and so on.

表3 冬小麥農業氣象觀測站點分區及賦值

1.3 預測模型的構建方法

經過以上因子預處理，共得到氣象、品種、地區及種植密度等4類共126個因子。由于已經考慮地區因子，并對其進行賦值處理，10個站點參與建模的樣本（見表1）均可作為獨立樣本，本文將其融合形成一個樣本數為274的建模序列，采用線性回歸、因子分析-線性回歸及BP神經網絡法等3種方式建立3個產量結構要素的預報模型。然后分別從模型的擬合度、顯著性及共線性檢驗等角度對預測模型的擬合效果進行判定，并計算80個驗證樣本的預報精度，用以評價模型的預報效果。

1.3.1 多元線性回歸

多元線性回歸是一種常用的預測建模方法，適用于以一個或多個自變量因子來解釋某一因變量的計量分析。本研究利用SPSS軟件，采用全相關方法首先對氣象、品種、地區及密度等126個預報因子與株成穗數、穗粒數及千粒質量等3個冬小麥產量結構要素進行相關分析，然后基于最小二乘法（Ordinary Least Square，OLS），采用逐步回歸法構建了冬小麥各產量結構要素預報的最優回歸模型。

設Y為某一冬小麥產量結構要素，1,2,3, …,x分別代表用來說明Y的不同自變量因子，則所建立的冬小麥產量結構要素與各氣象因子之間的線性關系模型為

式中為隨機變量，為常數項；1,2,3, …,a是各自變量因子1,2,3, …,x對應的回歸系數，表示在其他因子不變的情況下，x增加或減少一個單位引起Y增減的平均值；為冬小麥產量結構要素序號，本文取1，2，3；為參與建模的自變量因子序號。

1.3.2 因子分析-線性回歸

因子分析法可將眾多變量轉化成少數具有代表性的綜合因子，這一方面可以解決因子間的共線性問題，同時也可簡化數據結構。本研究自變量因子達126個，將因子降維分析變為可能。因此，嘗試采用因子分析法進行因子優化。本文采用主成分分析法對梳理的變量進行因子分析。首先，對參與因子分析的變量進行Kaiser-Meyer-Olkin（KMO）檢驗與巴特利（Bartlett）球形檢驗，當KMO值＞0.7，Bartlett檢驗的值＜0.05，即說明變量可進行下一步的因子分析。然后根據因子特征值、累積貢獻率表及碎石圖，確定最佳綜合因子，并輸出轉化后的綜合因子，并以此作為線性回歸的自變量，構建因子分析-線性回歸模型，回歸操作方法詳見1.3.1。

1.3.3 BP神經網絡

BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。為能做有效對比，使用與回歸模型相同的126個因子作為為輸入層因子；輸出層為株成穗數、穗粒數及千粒質量等3個冬小麥產量結構要素。

神經網絡法的預測精度主要受制于隱含層節點數目；若節點數過少，將影響網絡的學習效果，則需要增加訓練次數，而這又會降低訓練的精度；反之，網絡訓練時間增加，網絡易過擬合。本文先由經驗公式（10）確定不同的神經元數[42]，然后進行訓練對比，以得到最佳的隱含層神經元個數。

式中、、分別為隱含層、輸入層及輸出層的神經元數，為[1，10]之間的常數。

采用MATLAB 2016R軟件的Neural Network Toolbox來構建冬小麥3個產量結構要素的BP網絡神經預測模型，操作步驟如下：

1）數據的歸一化處理。由于影響冬小麥產量結構要素的因子較多，且各因子原始數據的級差差異明顯，本研究在進行BP神經網絡構建前先對原始數據進行歸一化處理，將數據線性壓縮到[?1，1]的范圍，使在訓練階段的網絡更易收斂。

2）網絡訓練。網絡中間層神經元傳遞函數采用Logsig函數，輸出層神經元傳遞函數采用線性函數Purelin，訓練函數采用Trainlm。將數據的75%用于模型訓練，15%用于預測驗證，10%用于模型測試。設置模型的收斂誤差為0.000 1，學習速率為0.05，最大訓練次數為1 000。

1.4 模型的預測精度

利用所構建的預測模型對各站點預測樣本的冬小麥各產量結構要素進行預測精度PA的驗證，公式如下

式中Y為小麥產量要素的實際值。

2 結果與分析

2.1 線性回歸模型

采用逐步回歸的方式對數據進行線性回歸分析，并通過OLS法構建3個產量結構要素的預測模型（表4）。從表4中可見，3個產量結構要素的回歸方程均通過了顯著性檢驗（＜0.01）。其中，冬小麥成穗數回歸模型的主要解釋變量是基本苗數、地區因子及2—5月總積溫；穗粒數回歸模型的主要解釋變量是地區因子、基本苗數、3月日照時數及2－4月總降水量；千粒質量回歸模型主要由品種審定千粒質量、3－5月總日照時數、1－4月總積溫、4－5月總降水量及基本苗數5個因子共同解釋。

表4 冬小麥產量結構要素的多元線性回歸預測模型結果

注：1為畝基本苗數，2為地區因子，3為2－5月總積溫，4為3月日照時數，5為2－4月累計降水量，6為品種審定千粒質量，7為3－5月總日照時數，8為1－4月總積溫，9為4－5月累計降水量。

Note:1isbasic seedlings per mu;2is region factor;3is total accumulated temperature from February to May;4is sunshine hours in March;5is accumulated precipitation from February to April;6is 1000-grain weight of audited variety;7is sunshine hours during March to May;8is total accumulated temperature from January to April;9is accumulated precipitation from April to May.

從表4可以看出，產量結構要素預報模型的決定系數2分別為0.515、0.178和0.368，共線性診斷發現直接回歸分析時，多個維度特征值趨于0或對應條件指數大于10，這表明不同自變量間存在著多重共線性的問題（表5）。

表5　冬小麥產量結構要素的多元回歸預測模型共線性診斷結果

2.2 因子分析法

首先對126個因子進行因子分析，結果發現由于經過膨化處理的氣象因子為非正定矩陣，無法進行球形檢驗，即無法進行因子分析。因此，剔除組合時段的氣象因子，繼續運用主成分分析法將余下32個因子進行因子分析，結果發現，KMO值為0.738，Bartlett檢驗的值接近0，這說明參與因子分析的數據順利通過球形檢查，并根據特征值大于1和累計貢獻率確定10個綜合因子（表6）。

通過SPSS將輸出的10個綜合因子分別對株成穗數、穗粒數及千粒質量進行回歸，得到方程：

株成穗數：

穗粒數：

千粒質量：

表6 綜合因子的方差分析結果

表7 因子優化后的冬小麥產量結構要素預測模型結果

2.3 BP神經網絡法

根據式（10），經過多次優選后，發現=126，=3，=5時，=16，此結構下BP網絡收斂效果最佳，由此確定本研究最佳BP 神經網絡結構為126-16-3。由圖1可以看出，訓練值和目標值的相關系數達0.803，決定系數為0.644，高于通過多元線性回歸及因子分析-線性回歸法構建的預測模型決定系數，這說明通過BP神經網絡構建的模型模擬效果較好，明顯優于多元回歸及因子分析法。

圖1 BP神經網絡訓練模型的擬合值與實際值的比較

2.4 基于BP神經網絡模型的產量精度預測效果

利用6個地區10個站點2011－2018年產量結構資料對模型預測精度進行驗證，結果見圖2。可以得到，基于BP神經網絡模型對江蘇省冬小麥產量結構要素的預測精度平均達85.3%。分預報對象來看，BP神經網絡模型對冬小麥穗粒數及千粒質量的預測精度明顯高于株成穗數，穗粒數的預測精度平均為88.1%，其中蘇南、東部沿海及沿淮沿海地區的預測精度均超90%，東部沿海最高達95.1%；千粒質量的預測精度平均為89.5%，其中蘇南、東部沿海、沿淮沿海及淮北地區的預測精度全部超90.0%；而株成穗數的預測精度普遍較低，除沿淮（88.3%）及東部沿海（81.1%）外，其他地區均不足80%。

分地區來看，BP神經網絡模型對6個地區冬小麥產量結構要素的平均預測精度由高到低依次為：東部沿海（89.6%）＞沿淮沿海（86.4%）＞沿淮（86.3%）＞蘇南（84.3%）＞淮北（83.0%）＞江淮（81.3%）。從預測結果的標準誤差來看，BP神經網絡模型對6個地區的3個產量結構預測的標準誤差普遍較低，說明其非線性的建模特征對處理多因子有著更強的能力，預測的穩定性較高。

圖2 BP神經網絡模型對江蘇冬小麥產量結構要素的預測精度

3 討 論

作物產量結構要素的數據序列隱含了大量的動態特征，而且影響因素眾多。預測產量需要選取的影響因素相互獨立，這就使得影響因素的選擇非常復雜且難度較大。

利用多元線性回歸模型可以在眾多因子中尋找與各產量結構要素關系密切的主要因素，以此為依據，可以對農業生產進行階段性指導。從各因子和3個冬小麥產量結構要素的相關分析結果來看，株成穗數與基本苗數呈負相關關系（=?0.646**，**表示相關通過0.01水平顯著性檢驗，下同），即基本苗數越多，表示冬小麥種植密度越大，對后期的成穗存在明顯的限制；地區因子對株成穗數的影響主要體現在株成穗數的空間分布上（=0.316**），成穗數自南向北越來越多，這可能是由于小麥品種的冬性自南向北趨于明顯，對應的成穗特征由少穗大穗向多穗小穗變化[43]；2－5月總積溫越高，成穗數越多（=0.099），這可能是冬小麥返青后熱量條件越好，群體營養生長旺盛，抑制成穗[43]。穗粒數回歸模型中地區因子的表現也符合北方多穗小穗、南方少穗大穗的規律，與成穗數相反，穗粒數與地區因子呈負相關關系（=?0.330**），它呈現北少南多的分布趨勢；穗粒數與畝基本苗數呈負相關關系（=?0.161**），當基本苗數越多，后期成穗受阻，穗數的降低一定程度上會促進穗型的成長，從而使穗粒數增加。而在千粒質量的回歸模型中，品種特性是首要因子（=0.450**），3－5月總日照時數（=0.366**）及1－4月總積溫（=0.049）越多，即光溫條件越好，則越利于冬小麥籽粒的充實積累，而4－5月總降水量（=?0.283**）越多，可能是灌漿成熟階段遇連續陰雨過程，使籽粒灌漿受阻，最終導致千粒質量下降；畝基本苗數與千粒質量呈負相關關系（=?0.288**），依據前述分析結果，基本苗數越多，促進穗型的成長而使穗粒數增加，這就限制了籽粒個體的生長。

但各自變量因子不是獨立存在，它們往往相互影響、相互制約。本文直接對126個自變量因子進行線性回歸建模后發現，3個冬小麥產量結構要素預報模型的決定系數2均較低，且不同自變量因子間存在著多重共線性的問題。而多重共線性會造成參數估計量含義不合理，變量的顯著性檢驗失去意義，可能將重要的解釋變量排除在模型之外，進而導致模型的預測功能失效。另外，由于多元線性回歸模型摒棄了其他因子，僅把與產量結構要素相關性大的主要因子作為預報因子進行建模，如果當被摒棄的因子發生異常時，多元回歸模型就會放大該因子的波動性，其預測結果就會產生較大誤差。李蓬勃等[44]研究也發現，利用多元回歸法構建糧食產量的預測模型時，會出現數據信息的屏蔽效應，而導致模型預測精度不高。因此可以看出，多元回歸模型是一種線性估計算法，在對復雜過程特別在對多種不同類別因子的模擬上存在明顯的局限性。尤其是當建模因子較多時，多元回歸法無法解決各自變量因子間可能存在的多重共線性問題。

解決多重共線性的主要方法有3類，一是排除引起共線性的變量，如逐步回歸法；二是差分法，將原模型變換為差分模型；三是減小參數估計量的方差，如嶺回歸法。在本研究中，已經采取了逐步回歸法，但是模型仍存在多重共線性；而采用差分模型、嶺回歸模型由于因變量數量過大，會降低模型的魯棒性，過多冗余信息會導致數據處理時間過長。因子分析法是一種有效的降維分析方法，不僅可以解決原來因子間的共線性問題，同時也可簡化數據結構。本文采用因子分析法確實消除了不同自變量間的多重共線性，但采用因子優化后的10個綜合因子分別對3個產量結構要素進行線性回歸，得到的預測模型的擬合效果仍然欠佳。

BP神經網絡模型對輸入-輸出因子沒有限制，能夠以較高精度逼近任何線性或非線性連續函數，特別適合多因素對多因素關聯預測模型的構建。在前人的研究[40-41]中，大部分基于BP神經網絡的產量預測普遍只針對單產一個因素，即為非線性多對一映射。本文的建模因子達126個，預測目標為3個，建模樣本為274個，采用BP神經網絡，也能快速有效地得到了最佳網絡結構（126-16-3），所構建的模型對冬小麥產量結構要素的預測精度平均達85.3%，且預測的穩定性較高。但BP神經網絡自身也存在缺點，由于其沒有對主導預測因子進行篩選的功能[45]，多為純方法論研究，對模型的生理學意義較少關注。本文在建模前，充分考慮了冬小麥各產量結構要素可能的影響因子，最終將種植品種、密度及地區也作為預報因子，在一定程度上彌補了BP神經網絡缺少生理解釋的不足。

4 結 論

作物最終產量的變化是由各產量結構要素的變化引起的，因此，本文以冬小麥成穗數、穗粒數及千粒質量為研究目標，在對氣象因子進行膨化處理的基礎上，綜合考慮種植品種、密度及地區因子，分別采用多元線性回歸、因子分析-線性回歸及BPNN神經網絡等3種方法進行建模分析。結果如下：

1）利用多元線性回歸法構建冬小麥產量結果要素的預測模型時，可以在眾多因子中尋找與各產量結構要素關系密切的主要因素，但對模型進行共線性診斷發現，多個維度特征值趨于0或對應條件指數大于10，即參與模型構建的自變量間存在多重共線性。

2）采用因子分析法可消除不同自變量間的多重共線性，但采用因子優化后的10個綜合因子進行模型構建，3個產量結構要素預測模型的決定系數2均小于0.5，擬合效果欠佳。

3）基于BP神經網絡進行冬小麥產量結構要素預測模型的構建時得到，最佳BP 神經網絡結構輸入層為126、隱含層為16、輸出層為3，模型的決定系數2為0.644，均高于多元線性回歸及因子分析—線性回歸法構建的預測模型，且模型對各產量結構要素的預測精度平均達85.3%，其中對穗實粒數及千粒質量的預測精度接近90%。這說明基于BP神經網絡法構建的冬小麥產量結構要素預測模型的預測效果較好，可輔助預報冬小麥最終產量。

仍有一些問題有待進一步研究，如模型對株成穗數的預測精度仍偏低，且對江淮地區冬小麥各產量結構要素的預測精度較其它地區也偏低。因此，如何提升預測模型對不同預報對象、不同地區的預測效果將是下一步的研究重點之一。

[1] 吳元中. 產量預報中資料處理方法的探討[J]. 中國農業氣象，1982，2：61-64.

Wu Yuanzhong. Discussion on data processing method in yield forecast[J]. Chinese Journal of Agrometeorology, 1982, 2: 61-64. (in Chinese with English abstract)

[2] 宛公展，王寶成，藍鴻第. 華北地區冬小麥產量預報模式的初步研究[J]. 氣象學報，1984，42(3)：356-363.

Wan Gongzhan, Wang Baocheng, Lan Hongdi. A preliminary study of yield forecast model for winter wheat in North China[J]. Acta Meteorologica Sinica, 1984, 42(3): 356-363. (in Chinese with English abstract)

[3] 周電輝. 模糊數學在研究定西地區胡麻產量預報中的應用[J]. 植物生態學與地植物學叢刊，1985，9(2)：120-131.

Zhou Dianhui. Application of fuzzy mathematics in study of common flax yield forecasting in Dingxi area[J]. Acta Phytoecologica Et Geobotanica Sinica, 1985, 9(2): 120-131. (in Chinese with English abstract)

[4] 湯志成，鄒永林. 江蘇省雙季早稻產量預報的累加型模式[J]. 江蘇農業學報，1986，2(3)：12-19.

Tang Zhicheng, Zou Yonglin. Regional rice yield prediction from weather data: A successive regression model[J]. Journal of Agricultural Sciences, 1986, 2(3): 12-19. (in Chinese with English abstract)

[5] 王春乙，潘亞茹. 用帶周期分量的逐步回歸模型預測冬小麥產量的試驗[J]. 氣象，1989，15(8)：22-25.

Wang Chunyi, Pan Yaru. An approach to winter wheat yield prediction using a model with orthogonal factors and periodic components[J]. Meteorological Monthly, 1989, 15(8): 22-25. (in Chinese with English abstract)

[6] 湯志成，孫涵. 產量預報的加權多重回歸模型[J]. 中國農業氣象，1992，13(4)：24-28.

Tang Zhicheng, Sun Han. The model of weighted multiple regression for yield prediction. Chinese Journal of Agrometeorology, 1992, 13(4): 24-28. (in Chinese with English abstract)

[7] 莊立偉，王馥棠，王石立. 農業氣象產量預測業務系統的研制[J]. 應用氣象學報，1996，7(3)：294-299.

Zhuang Liwei, Wang Futang, Wang Shili. Development of agrometeorological yield forecasting operational system[J]. Quarterly Journal of Applied Meteorology, 1996, 7(3): 294-299. (in Chinese with English abstract)

[8] 王培娟，張佳華，謝東輝，等. A2和B2情景下冀魯豫冬小麥氣象產量估算[J]. 應用氣象學報，2011，22(5)：549-557.

Wang Peijuan, Zhang Jiahua, Xie Donghui, et al. Estimation for weather yield of winter wheat under A2 and B2 scenarios in Hebei, Shandong and Henan Provinces[J]. Journal of Applied Meteorological Science, 2011, 22(5): 549-557. (in Chinese with English abstract)

[9] 王媛，方修琦，徐錟，等. 氣候變化背景下“氣候產量”計算方法的探討[J]. 自然資源學報，2004，19(4)：531-536.

Wang Yuan, Fang Xiuqi, Xu Tan, et al. A method for calculating the climatic yield of grain under climate change[J]. Journal of Natural Resources, 2004, 19(4): 531-536. (in Chinese with English abstract)

[10] 王馥棠. 農業氣象作物產量預報概述[J]. 氣象科技，1983，2：36-41.

Wang Futang. An overview of agrometeorological crop yield forecast[J]. Meteorological Science and Technology, 1983, 2: 36-41. (in Chinese with English abstract)

[11] Liu Nian, Meng Daqing, Tang Tianze, et al. Ecological adaptability of new hybrid rapeseed varieties in Sichuan Hilly areas[J]. Agricultural Science & Technology, 2016, 17(1): 69-71.

[12] 劉俊萍，劉剛，游璐，等. 不同品種油茶細根時空分布動態[J]. 應用生態學報，2018，29(12)：3927-3933.

Liu Junpin, Liu Gang, You Lu , et al. Temporal and spatial distributions of fine roots of different varieties of Camellia oleifera[J]. Chinese Journal of Applied Ecology, 2018, 29(12): 3927-3933. (in Chinese with English abstract)

[13] 張耗，黃鉆華，王靜超. 江蘇中秈水稻品種演進過程中根系形態生理性狀的變化及其與產量的關系[J]. 作物學報，2011，37(6)：1020-1030.

Zhang Hao, Huang Zuanhua, Wang Jingchao. Changes in morphological and physiological traits of roots and their relationships with grain yield during the evolution of mid-season Indica Rice cultivars in Jiangsu Province[J]. Acta Agronomica Sinica, 2011, 37(6): 1020-1030. (in Chinese with English abstract)

[14] 田中偉，樊永惠，殷美，等. 長江中下游小麥品種根系改良特征及其與產量的關系[J]. 作物學報，2015，41(4)：613-622.

Tian Zhongwei, Fan Yonghui, Yin Mei, et al. Genetic improvement of root growth and its relationship with grain yield of wheat cultivars in the middle-lower Yangtze River[J]. Acta Agronomica Sinica, 2015, 41(4): 613-622. (in Chinese with English abstract)

[15] 閆學梅，于振文，張永麗，等. 不同小麥品種耗水特性和籽粒產量的差異[J]. 應用生態學報，2011，22(3)：694-700.

Yan Xuemei, Yu Zhenwen, Zhang Yongli, et al. Differences in water consumption characteristics and grain yield of different wheat cultivars[J]. Chinese Journal of Applied Ecology, 2011, 22(3): 694-700. (in Chinese with English abstract)

[16] 黃芳，韓曉宇，王崢，等. 不同年代冬小麥品種的產量和磷生理效率對土壤肥力水平的響應[J]. 植物營養與肥料學報，2016，22(5)：1222-1231.

Huang Fang, Han Xiaoyu, Wang Zheng, et al. Responses of grain yield and phosphorus physiological efficiency of wheat cultivars released in different decades to soil fertility levels[J]. Journal of Plant Nutrition and Fertilizer 2016, 22(5): 1222-1231. (in Chinese with English abstract)

[17] 董寶娣，張正斌，劉孟雨，等. 小麥不同品種的水分利用特性及對灌溉制度的響應[J]. 農業工程學報，2007，23(9)：27-33.

Dong Baodi, Zhang Zhengbin, Liu Mengyu, et al. Water use characteristics of different wheat varieties and their responses to different irrigation scheduling[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(9): 27-33. (in Chinese with English abstract)

[18] 敖雪，謝甫綈，劉婧琦，等. 同磷效率大豆品種光合特性的比較[J]. 作物學報，2009，35(3)：522-529.

Ao Xue, Xie Futi, Liu Jingqi, et al. Comparison of photosynthetic characteristics in soybean cultivars with different phosphorus efficiencies[J]. Acta Agronomica Sinica, 2009, 35(3): 522?529. (in Chinese with English abstract)

[19] 董志新，韓清芳，賈志寬，等. 不同苜蓿（L.）品種光合速率對光和CO2濃度的響應特征[J]. 生態學報，2007，27(6)：2272-2278.

Dong Zhixin, Han Qingfang, Jia Zhikuan, et al. Photosynthesis rate in response to light intensity and CO2concentration in different alfalfa varieties[J]. Acta Ecologica Sinica, 2007, 27(6): 2272-2278. (in Chinese with English abstract)

[20] 周玲，王朝輝，李富翠，等. 不同產量水平旱地冬小麥品種干物質累積和轉移的差異分析[J]. 生態學報，2012，32(13)：4123-4131.

Zhou Ling, Wang Zhaohui, Li Fucui, et al. Analysis of dry matter accumulation and translocation for winter wheat cultivars with different yields on dryland[J].Acta Ecologica Sinica, 2012, 32(13): 4123-4131. (in Chinese with English abstract)

[21] 段驊，唐琪，劇成欣，等. 抽穗灌漿早期高溫與干旱對不同水稻品種產量和品質的影響[J]. 中國農業科學，2012，45(22)：4561-4573.

Duan Hua, Tang Qi, Ju Chengxin, et al. Effect of high temperature and drought on grain yield and quality of different rice varieties during heading and early grain filling periods[J]. Scientia Agricultura Sinica, 2012, 45(22): 4561-4573. (in Chinese with English abstract)

[22] Leach J E, Stevenson H J, Rainbow A J, et al. Effects of high plant populations on the growth and yield of winter oilseed rape (L.)[J]. The Journal of Agricultural Science, 1999, 132 (2): 173-180.

[23] Momoh E J, Zhou W. Growth and yield responses to plant density and stage of transplanting in winter oilseed rape (L.)[J]. Journal of Aronomy and Crop Science, 2001, 186(4): 253-259.

[24] 徐宗貴，孫磊，王浩，等. 種植密度對旱地不同株型春玉米品種光合特性與產量的影響[J]. 中國農業科學，2017，50(13)：2463-2475.

Xu Zonggui, Sun Lei, Wang Hao, et al. Effects of different planting densities on photosynthetic characteristics and yield of different variety types of spring maize on dry land[J]. Scientia Agricultura Sinica, 2017, 50(13): 2463-2475. (in Chinese with English abstract)

[25] 鄔小春. 密度對不同株型夏玉米單株生產力與群體產量的影響[D]. 楊凌：西北農林科技大學，2016.

Wu Xiaochun. Effects on Density on Individual Productivity and Yield of Different Plant Types Corn[D]. Yangling: Northwest A&F University, 2016. (in Chinese with English abstract)

[26] 吳普特，趙西寧. 氣候變化對中國農業用水和糧食生產的影響[J]. 農業工程學報，2010，26(2)：1-6.

Wu Pute, Zhao Xining. Impact of climate change on agricultural water use and grain production in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 1-6. (in Chinese with English abstract)

[27] 高永剛，顧紅，姬菊枝，等. 近43年來黑龍江氣候變化對農作物產量影響的模擬研究[J]. 應用氣象學報，2007，18(4)：532-538.

Gao Yonggang, Gu Hong, Ji Juzhi, et al. Simulation study of climate change impact on crop yield in Heilongjiang Province from 1961 to 2003[J]. Journal of Applied Meteorology, 2007, 18(4): 532-538. (in Chinese with English abstract)

[28] 藺濤，謝云，劉剛，等. 黑龍江省氣候變化對糧食生產的影響[J]. 自然資源學報，2008，23(2)：307-318.

Lin Tao, Xie Yun, Liu Gang, et al. Impact of climate change on crop yields in Heilongjiang Province[J]. Journal of Natural Resources, 2008, 23(2): 307-318. (in Chinese with English abstract)

[29] 孫衛國，程炳巖，楊沈斌，等. 區域氣候變化對華東地區水稻產量的影響[J]. 中國農業氣象，2011，32(2)：227-234.

Sun Weiguo, Cheng Bingyan, Yang Shenbin, et al. Impact of the regional climate variations on rice yield in East China[J]. Chinese Journal of Agrometeorology, 2011, 32(2): 227-234. (in Chinese with English abstract)

[30] 錢錦霞，郭建平. 鄭州地區冬小麥產量構成要素的回歸模型[J]. 應用氣象學報，2012，23(4)：500-504.

Qian Jinxia, Guo Jianping. Regression models of winter wheat yield components in Zhengzhou area[J]. Journal of Applied Meteorological Science, 2012, 23(4): 500-504. (in Chinese with English abstract)

[31] 易雪，王建林，宋迎波. 氣候適宜指數在早稻產量動態預報上的應用[J]. 氣象，2010，36(6)：85-89.

Yi Xue, Wang Jianlin, Song Yingbo. Application of climatic suitability index to dynamical prediction of early rice yield[J]. Meteorological Monthly, 2010, 36(6): 85-89. (in Chinese with English abstract)

[32] Timothy R Green, Jose D Salas, Ana Martinez, et al. Relating crop yield to topographic attributes using Spatial Analysis Neural Networks and regression [J]. Science Direct, 2006, 139 (1): 23-37.

[33] 邵月紅，張萬昌，劉永和，等. BP神經網絡在多普勒雷達降水量的估測中的應用[J]. 高原氣象，2009，28(4)：846-853.

Shao Yuehong, Zhang Wanchang, Liu Yonghe, et al. Application of back-propagation neural network in precipitation estimation with Doppler Radar [J]. Plateau Meteorology, 2009, 28(4): 846-853. (in Chinese with English abstract)

[34] 瞿英，王冕，董文旭，等. 基于BP 神經網絡的農田大氣氨濃度預測[J]. 中國生態農業學報(中英文)，2019，27(4)：519-528.

Qu Ying, Wang Mian, Dong Wenxu, et al. Prediction of atmospheric ammonia concentration in farmlands using BP neural network[J]. Chinese Journal of Eco-Agriculture, 2019, 27(4): 519-528. (in Chinese with English abstract)

[35] 張漫，李婷，季宇寒，等. 基于BP 神經網絡算法的溫室番茄CO2增施策略優化[J]. 農業機械學報，2015，46(8)：239-245.

Zhang Man, Li Ting, Ji Yuhan, et al. Optimization of CO2enrichment strategy based on BPNN for tomato plants in greenhouse[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(8): 239-245. (in Chinese with English abstract)

[36] 劉雪，李亞妹，劉嬌，等. 基于BP 神經網絡的鮮雞蛋貨架期預測模型[J]. 農業機械學報，2015，46(10)：328-334.

Liu Xue, Li Yamei, Liu Jiao, et al. BP neural network based prediction model for fresh egg’s shelf life[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10): 328-334. (in Chinese with English abstract)

[37] 劉庭洋，李燁，浦仕磊，等. 基于BP神經網絡的稻瘟病預測預報研究[J]. 西南農業學報，2017，30(7)：1546-1553.

Liu Tingyang, Li Ye, Pu Shilei, et al. Investigation of rice blast prediction and forecast based on BP neural network[J]. Southwest China Journal of Agricultural Sciences, 2017, 30(7): 1546-1553. (in Chinese with English abstract)

[38] 靳然，李生才. 基于小波神經網絡和BP 神經網絡的麥蚜發生期預測對比[J]. 植物保護學報，2016，43(3)：353-361.

Jin Ran, Li Shengcai. Comparison of occurrence periods of wheat aphids based on artificial neural network and wavelet neural network prediction systems[J]. Journal of Plant Protection, 2016, 43(3): 353-361. (in Chinese with English abstract)

[39] 溫永菁，李春，薛慶禹，等. 基于逐步回歸與BP神經網絡的日光溫室溫濕度預測模型對比分析[J]. 中國農學通報，2018，34(16)：115-125.

Wen Yongjing, Li Chun, Xue Qingyu, et al. Temperature and humidity prediction models in solar greenhouse: Comparative analysis based on stepwise regression and BP neural network[J]. Chinese Agricultural Science Bulletin, 2018, 34(16): 115-125. (in Chinese with English abstract)

[40] 戎陸慶，陳飛，歐陽浩. 基于GRA&BPNN的廣西糧食產量預測研究[J]. 中國農業資源與區劃，2017，38(2)：105-111.

Rong Luqing, Chen Fei, Ouyang Hao. Predicting grain yield of Guangxi province based on GRA＆BPNN[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(2): 105-111. (in Chinese with English abstract)

[41] 莊星，韓飛. 基于混合群智能算法優化BP 神經網絡的糧食產量預測[J]. 江蘇大學學報：自然科學版，2019，40(2)：209-215.

Zhuang Xing, Han Fei. Prediction of grain yield based on BP neural network optimized by hybrid swarm intelligence algorithm[J]. Journal of Jiangsu University：Natural Science Editon, 2019, 40(2): 209-215. (in Chinese with English abstract)

[42] 陶海龍. 基于混合智能算法的鐵路運量預測研究[D]. 蘭州：蘭州交通大學，2012.

Tao Hailong. Study on Forecast of Railway Traffic Volume Based on Hybrid Intelligent Algorithm[D]. Lanzhou: Lanzhou Jiaotong University, 2012. (in Chinese with English abstract)

[43] 楊文鈺，屠乃美. 作物栽培學各論[M]. 北京：中國農業出版社，2006.

[44] 李蓬勃，閆曉冉，徐東瑞. BP神經網絡和多元線性回歸在糧食產量空間分布預測中的比較[J]. 干旱區資源與環境，2014，28(9)：74-79.

Li Pengbo, Yan Xiaoran, Xu Dongrui. Comparison of grain yield spatial distribution forecast between the models of BP neural network and multiple linear regression[J]. Journal of Arid Land Resources and Environment, 2014, 28(9): 74-79. ( in Chinese with English abstract)

[45] 蘇博，劉魯，楊方廷. GM(1，N)灰色系統與BP神經網絡方法的糧食產量預測比較研究[J]. 中國農業大學學報，2006，11(4)：99-104.

Su Bo, Liu Lu, Yang Fangting. Comparison and research of grain production forecasting with methods of GM(1 ,N)gray system and BPNN[J]. Journal of China Agricultural University, 2006, 11(4): 99-104. ( in Chinese with English abstract)

Method for the prediction of wheat yield components

Zhang Pei1, Chen Zhengmeng2, Liu Chunwei3, Wang Fuzheng4, Jiang Haidong5, Gao Ping1※

(1.210008,; 2.,364000,; 3.,,,210044,; 4.().,.,’223001,; 5.,,,,,210095,)

Accurate determination of yield components can assist in predicting the final crop yields, revealing the physiological significance of yield estimation. Research on the direct prediction of crop yield components is still lacking, because the feature data of yield components for long sequence are difficult to obtain, and some highly variable factors influence each other on the accuracy of the estimation. In this study, the spike quantity per plant (SQ), grain number per spike (GN), and 1000-grain weight (1 000 GW) of winter wheat were taken as prediction targets, to determine the optimal method for the prediction of winter wheat yield components. 126 independent factors were achieved using the puffing technology for meteorological factors after assessing the factors of planting species, density and region. A multivariable linear regression was used to analyze the crucial factors correlated to the concerned crop yield, and thereby to determine the quantitative relationship between the factors and yields. Three multiple regression models for the yield components of winter wheats were constructed after the 126 independent factors were regressed step by step. The determination coefficient2of the three multiple regression models were 0.515, 0.178 and 0.368, respectively,all at a low level than before. In collinearity diagnosis, if the characteristic values of multiple dimensions in 3 models were approaching to be zero, or the corresponding condition indexes were greater than 10, the time-delay prediction can occur due to the multicollinearity relation between factors. To solve this collinearity among factors and verify the data structure, a factor analysis was conducted to transform various observed variables into a few typical comprehensive factors. The optimized 126 independent variables made it possible to reduce the factor dimension. After factors optimization, 10 comprehensive factors were obtained to establish the three multiple regression predicting models of yield components, and the determination coefficient2were 0.376, 0.111 and 0.261, respectively, all less than 0.5. Based on neural network principle, a back-propagating neural network (BPNN) model was established between multiple independent factors and dependent variables, due to its ability for an approximate representation without restricting the input-output data. The determination coefficient2of the proposed model was 0.644 under the optimal model structure (126-16-3), indicating much better than that from the multiple linear regression and factor analysis. The overall prediction accuracy of BPNN model was 85.3%. The average prediction accuracies of grain number (GN) and 1000-grain weight (1 000 GW) were 88.1% and 89.5%, respectively, showing significantly higher than that of spike quantity per plant (SQ).In the prediction regions, the average prediction accuracies of the BPNN model were more than 80% in 6 regions, with the highest prediction accuracy of 89.6% in the east coast of Jiangsu.The results demonstrate that the nonlinear feature of BPNN model can be used to improve the approximation ability when dealing with multiple factors. The BPNN modeling is strongly recommended to predict yield components of winter wheat.

crops;winter wheat; yield components; multiple liner regression; factor analysis; BPNN

張佩，陳鄭盟，劉春偉，等. 冬小麥產量結構要素預報方法[J]. 農業工程學報，2020，36(8)：78-87.doi：10.11975/j.issn.1002-6819.2020.08.000 http://www.tcsae.org

Zhang Pei, Chen Zhengmeng, Liu Chunwei, et al. Method for the prediction of wheat yield components[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 78-87. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.000 http://www.tcsae.org

2019-12-12

2020-02-29

國家重點研發計劃課題（2018YFD1000900）；2019年國內外作物產量氣象預報專項；江蘇省“333工程”高層次人才培養科研項目；江蘇省氣象局科技項目（KM201905）

張佩，副高，主要從事應用氣象及設施農業的研究。Email：78073954@qq.com

高蘋，正研，主要從事應用氣象研究。Email：571086340@qq.com

10.11975/j.issn.1002-6819.2020.08.010

S165+.27

A

1002-6819(2020)-08-0078-10