冬小麥觀測產量與統計產量的差異性分析*

劉 維，孟翠麗，宋迎波**

冬小麥觀測產量與統計產量的差異性分析*

劉 維1，孟翠麗2，宋迎波1**

（1.國家氣象中心，北京 100081；2.武漢農業氣象試驗站，武漢 430040）

分析對比全國123個冬小麥農業氣象觀測站1991?2017年觀測產量與所在縣統計產量的年代際、變異系數和傾向率的差異；利用2006?2010年各縣冬小麥種植面積平均值省內占比作為權重因子，將縣觀測產量與縣統計產量加權集成為省級尺度觀測產量和省級尺度統計產量，并與統計局發布的省公布產量進行對比，分析省級尺度三種不同產量的年代際變化和傾向率差異。結果表明：（1）縣觀測產量和縣統計產量均表現為高產縣數量增幅明顯，低產縣數量減幅明顯；21世紀10年代兩者均為高產年代，21世紀00年代兩者差值達到峰值。（2）縣尺度變異系數觀測產量離散程度高于縣統計產量，49個縣觀測產量的變異系數小于0.20，僅8個站大于0.40；72個縣統計產量變異系數小于0.20，僅9個站點變異系數大于0.30。（3）各縣觀測產量中有73個站點傾向率呈現顯著增加趨勢，大多集中在河北、河南、山東、江蘇、安徽等冬小麥主產?。?00個縣統計產量呈顯著增加趨勢。（4）21世紀00年代為各省觀測產量和統計產量的高產年代，20世紀90年代為低產年代；山東、安徽、河北、江蘇、陜西和山西等省10a觀測產量的平均值在各個年代均高于省統計產量平均值。（5）除新疆和山西外其余省份省級尺度觀測產量傾向率均通過顯著性檢驗；所有省份省統計產量和公布產量傾向率均通過顯著性檢驗，且產量增幅均為正值。總體來說，基于觀測產量的冬小麥產量序列可以為產量預報提供新的數據來源。

冬小麥；農試站；觀測產量；統計產量；面積權重集成

作物產量預報是現代農業氣象業務服務與科研開發的重要工作之一，國家級和省級產量預報產品更是各級政府部門制定農業生產政策重要的參考依據，是氣象為農服務的重要組成部分[1?2]。隨著氣象部門精密監測、精準預報、精細服務要求的提出，精細化服務成為農業氣象業務服務的必然要求，隨著農作物長勢監測評估與預報、農業氣象災害監測和評估、農用天氣預報等農業氣象服務進入公里級別[2?3]，開展地市級和縣級作物產量預報，拓展產量預報服務范圍，提升作物產量預報的精細化和精準度是未來農業氣象業務服務的發展趨勢。目前產量預報業務應用中的產量資料唯一來源為統計部門的公布產量，但公布產量獲取存在較長的滯后性，特別是縣級尺度的產量序列，獲取難度更大。而全國氣象部門的農業氣象觀測體系中有653個農業氣象觀測站、70個農業氣象試驗站，可實時監測作物不同生育期生長狀況，且各觀測站逐年上報觀測地段觀測的單位面積作物產量數據（觀測產量）與所在縣統計局公布的單位面積的作物產量資料（統計產量），這也為氣象部門開展基于站點觀測產量的產量預報提供了數據支撐。當前多數研究集中在利用農試站生育期觀測資料進行作物模型模擬[4?7]、災害評估[8?9]、氣候變化對作物生長及種植制度的影響[10?13]等方面；吳冰潔等[14]研究了氣象因子對華北平原冬小麥市級產量的影響；趙凱娜等[15]利用灰色關聯度分析了河南省縣域冬小麥產量與生育期氣象要素的關系。當前開展縣級尺度冬小麥產量的研究就少，對農試站觀測產量本身的可用性及與統計產量的差異研究也未有相關報道。

冬小麥作為最主要的夏收糧食作物，在國家糧食安全中占有重要地位，加之氣候變化對冬小麥種植制度及產量的影響在加大[16?17]，冬小麥產量預報工作顯得尤其重要。當前全國氣象部門共有221個氣象站能提供冬小麥區域觀測產量和當地統計產量，因此本研究從歷年冬小麥觀測產量和統計產量入手，分析兩者變化規律，并利用種植面積權重占比將縣尺度產量集成為省級尺度產量，并對集成的省級產量進行對比，明確觀測產量的可用性與可預報性，為開展不同空間尺度的冬小麥預報提供產量資料基礎，以提高冬小麥產量預報的精細化和準確率，滿足現代農業氣象服務新需求。

1 材料與方法

1.1 研究區域及產量數據

研究區域包括河南、山東、安徽、新疆等北方10個省、自治區，根據2013?2017年統計產量數據，該區域冬小麥5a平均總產量占全國總產量的90%以上，其中河南、山東、安徽、河北、江蘇5省約占82%，是最重要的小麥生產地。冬小麥單位面積實測產量數據為全國冬小麥農業氣象觀測站1991?2017年的產量觀測數據（新疆和江蘇為1995?2017年，省級產量同），剔除觀測年份少于10a的站點后剩余123個站點；各站點冬小麥實測產量數據來源于國家氣象信息中心。

縣尺度單位面積產量資料包括兩類，一是直接使用123個站點的實測產量觀測數據作為站點所在縣的產量，稱為縣觀測產量；二是直接使用123個站點所在縣對應的統計產量資料，稱為縣統計產量，該資料來源于各農試站提供的當年縣級統計產量。

省級產量有三類，一是直接使用國家統計局公布的各省平均單產，稱為省公布產量，來源于各省統計年鑒；二是由各縣產量集成計算，即以省內涉及的各觀測站所在縣5a（2006?2010年）冬小麥種植面積平均值占比（占省內所有觀測站所在縣種植面積之和）作為權重因子，對各站單產進行加權集成得到所在省的冬小麥平均單產，由各縣統計產量集成的省級產量稱為省統計產量，由各縣所轄農試站觀測產量集成的稱為省觀測產量；各省觀測站站點信息及面積權重因子等資料見表1。

表1 各省觀測站和縣數量及站點面積權重因子

1.2 研究方法

1.2.1 產量傾向率

對產量序列與年份進行線性回歸分析[18?19]，回歸系數b為產量線性傾向率，b＞0表明產量隨時間呈增加趨勢，b＜0表明產量隨時間呈減少趨勢，并對相關系數進行顯著性檢驗。

1.2.2 產量系列變異系數

用變異系數來反映縣觀測產量與縣統計產量各自間的離散程度[20]，即

式中，CVi為變異系數，CVi越大表示產量越離散，SDi為縣觀測產量或縣統計產量的標準差，Meani為產量平均值，i為觀測產量或統計產量。

2 結果與分析

2.1 縣級尺度觀測產量與統計產量的差異

2.1.1 平均值差異

由圖1a可見，1991?2000年10a間，河北、山東、江蘇、新疆、河南東部等地縣觀測產量平均值大部在4000kg·hm?2以上；山西、陜西、湖北、河南西部多在4000kg·hm?2以下；共有18個縣10a平均產量超過6000kg·hm?2，38個縣平均產量不足4000kg·hm?2，其中僅12個縣不足3000kg·hm?2。而從縣統計產量10a均值來看，山東、江蘇、新疆、河南東部多在4000kg·hm?2以上，僅7個縣10a平均產量超過6000kg·hm?2，55個縣統計產量平均值不足4000kg·hm?2，其中有26個不足3000kg·hm?2。從兩者差值來看，共有84個縣觀測產量高于縣統計產量，其中有36個縣超過1000kg·hm?2，尤以甘肅、陜西兩省突出；僅有39個縣觀測產量低于縣統計產量。

由圖1b可見，2001?2010年10a間，大部省份10a縣觀測產量平均值都在4000kg·hm?2以上，僅17個縣平均產量不足4000kg·hm?2，集中在山西、陜西和湖北；而有38個縣超過6000kg·hm?2。而從縣統計產量10a均值來看，共有42個縣統計產量不足4000kg·hm?2，且大部分集中在甘肅、陜西、山西、湖北等省，共有19個縣統計產量高于6000kg·hm?2。從兩者差值來看，共有91個縣觀測產量高于縣統計產量，其中有52個超過1000kg·hm?2；僅32個縣觀測產量低于縣統計產量。

圖1 1991?2000年(a)、2001?2010年(b)和2011?2017(c)年縣尺度觀測產量(1)、統計產量(2)和兩者之差(3)

由圖1c可見，2011?2017年7a間，大部省份7a縣觀測產量平均值都在4000kg·hm?2以上，僅10個縣平均產量不足4000kg·hm?2，集中在山西、湖北；而有65個縣超過6000kg·hm?2，且大部分集中在河南、山東、河北、安徽及新疆。而從縣統計產量7a均值來看，共有22個縣統計產量不足4000kg·hm?2，45個縣統計產量高于6000kg·hm?2。從兩者差值來看，共有87個縣觀測產量高于統計產量，其中46個超過1000kg·hm?2；僅有36個縣觀測產量低于縣統計產量。

可見，對于縣觀測產量來說，超過6000kg·hm?2的縣個數從20世紀90年代的18個增至21世紀10年代的65個，而不足4000kg·hm?2的個數從38個減至10個。對于縣統計產量來說，不足4000kg·hm?2的縣個數從20世紀90年代的55個減至21世紀00年代的42個再到10年代的22個，而超過6000kg·hm?2的個數從7個增至45個。整體上看，縣觀測產量和縣統計產量均增幅明顯，21世紀10年代均為高產年代，但兩者差值在00年代達到峰值，2010年以后兩者差值減小，但仍高于20世紀90年代。

2.1.2 變異系數差異

對1991?2017年縣觀測產量變異系數的分析表明（圖2a），49個縣觀測產量變異系數小于0.20，46個變異系數在0.20～0.30，陜西、山西、甘肅等地共有8個站大于0.40。對縣統計產量變異系數的分析表明（圖2b），14個縣統計產量變異系數小于0.10，58個縣變異系數在0.10～0.20，僅9個站點變異系數大于0.30，表明統計產量年際間差異較小。從兩者對比來看，新疆和山東兩省區內所有縣變異系數都小于0.30，觀測產量和統計產量穩定性最高；僅甘肅通渭、陜西永壽和河北黃驊三地觀測產量和統計產量變異系數均大于0.3。

整體上看，縣尺度變異系數觀測產量離散程度要高于縣統計產量，因為縣觀測產量是農試站地塊實際測得的產量，代表的范圍有限，且易受到管理措施和氣象災害的影響；而縣統計產量則是全縣的平均單產，代表全縣的產量水平，且當某地出現災害導致減產時，全縣其余地塊可能出現不受災或者增產的可能性，縣內不同地塊存在補償性，這就導致縣統計產量相對穩定，所以觀測產量波動大，統計產量波動較小。一般情況在作物品種和種植方式較為穩定以及農業措施較為完善的情形下，縣單產的年際間變化可以認為是由于氣象條件波動造成的，一定程度上也為利用觀測產量進行產量預報提供了客觀條件。

2.1.3 線性傾向率差異

由圖3可見，1991?2017年（圖3a），各縣觀測產量中有73個站點線性變化呈現顯著增加趨勢，大多集中在河北、河南、山東、江蘇、安徽等主產省；僅湖北麻城、新疆莎車、甘肅文縣和山東福山4個縣呈現顯著減少趨勢，其余46個站點線性變化不顯著；傾向率高于200kg·hm?2·a?1的5個站全部通過顯著性檢驗，表明產量增幅明顯。而各站所在縣的統計產量（圖3b）有100個縣線性變化呈現顯著增加趨勢；僅湖北隨州和谷城、山東淄博、新疆若羌和山西臨猗5個站點呈現顯著減少趨勢，僅18個站點線性變化趨勢不顯著?？偣?2個縣觀測產量和統計產量的線性變化趨勢均通過顯著性檢驗，其中63個縣都呈現顯著增加趨勢，僅6個縣線性變化趨勢相反。縣觀測產量傾向率在?164～266kg·hm?2·a?1，波動幅度較大；而縣統計產量傾向率波動較小，產量增幅小于縣觀測產量，且符合產量逐年增加的趨勢。

圖2 1991?2017年縣觀測產量(a)和統計產量(b)的變異系數

注：畫黑色圈的站點通過0.05水平顯著性檢驗。

Note: The stations with black cycle mean P＜0.05.

2.2 省級尺度產量的差異

2.2.1 各年代平均值的差異

結合站點面積權重計算各省級年尺度觀測產量與統計產量，在此基礎上計算各省每10a平均值，由表2可以看出，對省觀測產量來說，除新疆和山西外，其余8省10a均值呈現增加的趨勢，2011?2017年7a間平均值最高，山東和安徽增幅超過2000kg·hm?2；新疆為2001?2010年10a平均值最高，山西為最低。對省統計產量來說，各省10a平均值均為2011?2017年7a最高，河南和安徽增幅超過2000kg·hm?2，湖北和山西在2001?2010年10a平均值最低。對于省公布產量，除了湖北省2001?2010年10a均值最低外，其余各省均為2011?2017年7a間平均值最高，1991?2000年10a平均值最小，呈現增產的趨勢。

從省觀測產量與省統計產量兩者差值來看，1991?2000年10a間，僅湖北省觀測產量低于省統計產量，山東省兩者最接近，為203kg·hm?2，甘肅差值最高，達2000kg·hm?2；2001?2010年10a間，河南、新疆、湖北三省兩者最為接近，其差值不足25kg·hm?2，但河南為負值，甘肅差值最高，達2367kg·hm?2；2011?2017年7a間，安徽兩者差值最低，為99kg·hm?2，河南和新疆觀測產量小于統計產量。從省觀測產量與省公布產量兩者差值來看，除新疆外，其余各省7a觀測產量均高于省公布產量，尤其是安徽、江蘇、陜西三省各個年代差值均高于1000kg·hm?2，甘肅高于2000kg·hm?2；河南在2000年以后省觀測產量與公布產量較為接近。

總體來看，與站點尺度每10a均值一致，2001?2010年為各省觀測產量和統計產量的高產年代，1991?2000年為低產年代；山東、安徽、河北、江蘇、陜西和山西等省10a觀測產量均值在各個年代均高于省統計產量均值；除山西省觀測產量與統計產量差值各年代維持在1000kg·hm?2以外，其余省份各年代間差值變化各不相同。省公布產量則呈現年代際增產的趨勢，這也與農業技術管理水平的提升保持一致；但總體上低于省觀測產量和省統計產量。

表2 省級尺度觀測產量和統計產量以及公布產量每10a均值（kg·hm?2）

注：Aveobs、Avestaand Aveann分別為省觀測產量、省統計產量和省公布產量每10a平均值。

Notes: Aveobs, Avestaand Aveannmean average of observed yield, statistical yield and announced yield.

2.2.2 省級變異系數的差異

從各省所有縣觀測產量和統計產量的標準差和變異系數的平均值來看（表3），各省內所有縣觀測產量標準差的平均值都在1000kg·hm?2以上，安徽省標準差的平均值最大；各省縣統計產量標準差的平均值在571～1285kg·hm?2，新疆最小，安徽最大；且觀測產量標準差平均值都高于統計產量標準差平均值。從兩者變異系數平均值來看，山東、江蘇、新疆三省區觀測產量變異系數平均值均小于0.20；而山東、江蘇、新疆、湖北四省區統計產量變異系數平均值小于0.20。除河北和甘肅兩省變異系數平均值相同外，其余各省觀測產量變異系數均高于統計產量變異系數平均值?？傮w來看，省內平均變異系數觀測產量離散程度高于統計產量，這也與縣尺度變異系數變化結果相吻合。

表3 各省內縣觀測產量和統計產量標準差以及變異系數平均值對比

注：SDobs和SDsta分別為省觀測產量和省統計產量平均值(kg·hm?2)；CVobs和CVsta分別為省觀測產量和省統計產量變異系數。

Notes：SDobsand SDstamean average of standard deviation of observed yield and statistical yield(kg·ha?1); CVobsand CVstamean average of coefficient of variation of observed yield and statistical yield.

2.2.3 省級尺度產量線性傾向率的差異

由省級尺度不同產量傾向率可知（表4），除新疆和山西省觀測產量傾向率未通過顯著性檢驗外，其余各省傾向率都通過顯著性檢驗，且新疆傾向率為負值；從傾向率數值來看，安徽、山東、河北、河南各省觀測產量增幅明顯。省統計產量和公布產量傾向率均通過顯著性檢驗，且產量增幅均為正值；山東、河北、湖北、陜西各省兩者傾向率都低于觀測產量的傾向率；僅安徽省觀測、統計和公布產量傾向率均高于100kg·hm?2·a?1。新疆因地域遼闊，各地小麥生產氣候條件差異很大，導致觀測產量傾向率不顯著；山西由于冬小麥主產區位于汾河中下游且一般都有灌溉條件，導致觀測產量相對穩定變化不明顯，因此觀測產量傾向率不顯著。省公布產量由于考慮全省的冬小麥生產情況，受氣象條件影響相對較小，往往隨著品種改良及農業技術水平提升而呈現增產的趨勢。

表4 各省觀測產量、統計產量和公布產量傾向率

注：Tenobs、Tensta和Tenann分別為省觀測產量、統計產量和公布產量傾向率，*表示通過0.05水平的顯著性檢驗。

Notes: Tenobs, Tenstaand Tenannmean the tendency ratio of observed yield, statistical yield and announced yield.*is P＜0.05.

3 結論與討論

3.1 結論

（1）縣觀測產量和統計產量均表現出高產縣（單產高于6000kg·hm?2）數量增多、低產縣（單產低于4000kg·hm?2）數量減少的趨勢；21世紀10年代兩者產量均為高產年代。

（2）縣觀測產量變異系數離散程度高于縣統計產量，縣觀測產量和統計產量變異系數小于0.20的個數分別為49和72；新疆和山東所有縣兩種產量變異系數都小于0.30，產量穩定性最高?？h觀測產量和統計產量分別有73和100個站點傾向率呈現顯著增加趨勢，主要集中在河北、河南、山東、江蘇、安徽等冬小麥主產省。

（3）21世紀10年代為省觀測產量和省統計產量的高產年代，山東、安徽、河北、江蘇、陜西和山西六省10a省觀測產量的平均值在所有年代均高于省統計產量平均值。

（4）除河北和甘肅外其余各省觀測產量變異系數平均值均高于統計產量的平均值，除新疆和山西外其余各省觀測產量傾向率均通過顯著性檢驗，所有省統計和公布產量傾向率均通過顯著性檢驗，且產量增幅均為正值。

3.2 討論

縣尺度作物產量受到農業技術措施[11,21?22]、生育期氣象條件變化[23?24]、統計因素等影響導致波動，而統計產量變異性小于觀測產量的主要原因在于：（1）縣觀測點以外地區的災害有無及發生類型與特點不同，全縣大災年中也有不受災或災輕的增產地塊，豐收年也有少數受災減產地塊，存在相互補償；而觀測地段的災害發生較為單一。（2）不同農田對單一災害大面積發生時的響應不同，例如干旱年低濕地增產，多雨年高崗地增產；秋涼年早播有利，秋暖年晚播有利；不同地塊之間存在相互補償導致縣統計產量較為穩定，而觀測地段不存在相互補償現象。（3）部分地區出于政策原因往往在減產年少報減產，而增產年少報增產。

利用站點觀測資料進行省級集成時，僅選擇了觀測站點所在縣的近5a冬小麥種植面積平均值作為面積權重，由于各地冬小麥種植面積的不斷變化，加之冬小麥地段觀測站點個數遠少于主產縣個數，用觀測站點面積進行加權集成也有一定的局限性；如何在沒有冬小麥全部縣級作物種植面積的情形下，進行產量的升尺度集成也是值得探討的話題。當前利用衛星遙感技術提取作物種植面積相關技術也較為成熟[25?28]，國家級農業氣象業務中冬小麥遙感提取最小尺度僅做到地級市一級，且針對的是北方冬小麥主產區，要做到縣尺度提取面積尚有困難，在現有條件下，利用觀測站所在縣5a種植面積加權集成到省級尺度相對容易實現。

由于部分農業氣象觀測站存在遷站、觀測作物種類改變等客觀原因，以及農業氣象觀測站的種植管理水平、災害發生情況不同于大田，加之最終測產中存在的人工統計誤差等因素，會導致觀測產量與統計產量之間存在一定的差異，因此，基于觀測產量資料的產量預報應該主要針對氣象產量的增減趨勢開展預報服務，判別當年氣象條件對作物產量的影響是增產還是減產，利用氣象產量的增減幅度，結合統計模型預報最終產量。

站點觀測產量最直接反應了當地氣象條件的利弊影響，因此數據更具代表性和客觀性；同時，目前產量預報應用的產量資料唯一來源為統計局公布產量，但公布產量獲取存在較長的滯后性，特別是縣級尺度的產量序列，獲取難度更大。因此，利用各站點觀測產量建立氣象部門的產量資料序列，并在此基礎上建立縣級和省級作物產量預報模型，可以補充和驗證利用公布數據建立的產量預報模型結論，同時氣象部門應用新數據源開展的作物產量預報結論也可為統計和農業部門提供參考。

[1] 徐敏,徐經緯,高萍,等.不同統計模型在冬小麥產量預報中的預報能力評估:以江蘇麥區為例[J].中國生態農業學報,2020,28(3): 438-447.

Xu M,Xu J W,Gao P,et al.Evaluation of winter wheat yield prediction ability of different statistical models:a case study of Jiangsu wheat-growing region[J].Chinese Journal of Eco-Agriculture,2020,28(3): 438-447.(in Chinese)

[2] 侯英雨,張蕾,吳門新,等.國家級現代農業氣象業務技術進展[J].應用氣象學報,2018,29(6):641-656.

Hou Y Y,Zhang L,Wu M X,et al.Advances of modern agrometeorological service and technology in China[J]. Journal of Applied Meteorological Science,2018,29(6): 641-656.(in Chinese)

[3] 吳門新,莊立偉,侯英雨,等.中國農業氣象業務系統(CAgMSS)設計與實現[J].應用氣象學報,2019,30(5): 513-527.

Wu M X,Zhuang L W,Hou Y Y,et al.The design and implementation of China agricultural meteorological service system(CAgMSS)[J].Journal of Applied Meteorological Science,2019,30(5):513-527.(in Chinese)

[4] 李秀芬,馬樹慶,宮麗娟,等.基于WOFOST的東北地區玉米生育期氣象條件適宜度評價[J].中國農業氣象,2013, 34(1):43-49.

Li X F,Ma S Q,Gong L J,et al.Evaluation of meteorological suitability degree during maize growth period based on WOFOST in northeast China[J].Chinese Journal of Agrometeorology,2013,34(1):43-49.(in Chinese)

[5] 李秀芬,馬樹慶,趙慧穎,等.基于WOFOST模型的內蒙古河套灌區玉米低溫冷害評價[J].中國農業氣象,2016, 37(3):352-360.

Li X F,Ma S Q,Zhao H Y,et al.Evaluation on maize chilling injury based on WOFOST model in Hetao irrigation region in Inner Mongolia[J].Chinese Journal of Agrometeorology, 2016,37(3):352-360.(in Chinese)

[6] 張陽,王連喜,李琪,等.基于WOFOST 模型的吉林省中西部春玉米灌溉模擬[J].中國農業氣象,2018,39(6):411-420.

Zhang Y,Wang L X,Li Q,et al.Irrigation simulation of spring maize in central and western of Jilin province based on WOFOST model[J].Chinese Journal of Agrometeorology, 2018,39(6):411-420.(in Chinese)

[7] 欒青,郭建平,馬雅麗,等.基于線性生長假設的作物積溫模型穩定性比較[J].中國農業氣象,2020,41(11):695-706.

Luan Q,Guo J P,Ma Y L, et al.Comparison of model’s stability about integrated temperature based on linear hypotheses[J].Chinese Journal of Agrometeorology,2020, 41(11):695-706.(in Chinese)

[8] 張軼,劉布春,楊曉娟,等.基于農作物災情的長江中下游地區糧食產量損失評估[J].中國農業氣象,2018,39(4): 280-291.

Zhang Y,Liu B C,Yang X J,et al.Grain yield loss evaluation based on agro-meteorological disaster exposure in the Middle-Lower Yangtze Plain[J].Chinese Journal of Agrometeorology,2018,39(4):280-291.(in Chinese)

[9] 萬能涵,楊曉光,劉志娟,等.氣候變化背景下中國主要作物農業氣象災害時空分布特征Ⅲ:華北地區夏玉米干旱[J].中國農業氣象,2018,39(4):209-219.

Wan N H,Yang X G,Liu Z J,et al.Temporal and spatial variations of agro-meteorological disasters of main crops in China in a changing climate(Ⅲ):drought of summer maize in North China Plain[J].Chinese Journal of Agrometeorology, 2018,39(4):209-219.(in Chinese)

[10] 譚凱炎,鄔定榮,趙花榮.氣候變暖背景下華北平原冬小麥生育期溫度條件變化趨勢分析[J].中國農業氣象,2017, 38(6):333-341.

Tan K Y,Wu D R,Zhao H R.Trend analysis of temperature conditions over different growth periods of winter wheat under climate warming in North China Plain[J].Chinese Journal of Agrometeorology,2017,38(6):333-341.(in Chinese)

[11] 李勤英,姚鳳梅,張佳華,等.不同農藝措施對縮小冬小麥產量差和提高氮肥利用率的評價[J].中國農業氣象, 2018,39(6):370-379.

Li Q Y,Yao F M,Zhang J H,et al.Evaluation of different agronomic measures on narrowing the yield gap and improving nitrogen use efficiency of winter wheat[J]. Chinese Journal of Agrometeorology,2018,39(6):370-379. (in Chinese)

[12] 馬雪晴,胡琦,潘學標,等.1961-2015年華北平原夏玉米生長季氣候年型及其影響分析[J].中國農業氣象,2019, 40(2):65-75.

Ma X Q,Hu Q,Pan X B,et al.Analysis of annual climate types and its impact on summer maize in the North China Plain over the period 1961-2015[J].Chinese Journal of Agrometeorology,2019,40(2):65-75.(in Chinese)

[13] 劉思華,李晶,黃晚華,等.湖南省春玉米光溫生產潛力和產量差特征及限制因子分析[J].中國農業氣象,2020, 41(2):94-101.

Liu S H,Li J,Huang W H,et al.Characteristics and limiting factors of light-temperature potential productivity and yield gap of spring maize in Hunan province[J].Chinese Journal of Agrometeorology,2020,41(2):94-101.(in Chinese)

[14] 吳冰潔,王靖,唐建昭,等.華北平原冬小麥產量變異的氣象影響因子分析[J].中國農業氣象,2018,39(10):623-635.

Wu B J,Wang J,Tang J Z,et al.Meteorological influencing factors on variation in winter wheat yield in the North China Plain[J].Chinese Journal of Agrometeorology,2018, 39(10):623-635.(in Chinese)

[15] 趙凱娜,寧曉菊,秦耀辰,等.縣域冬小麥生育期氣候要素與產量的灰色關聯度分析:以河南省為例[J].中國農業氣象,2017,38(11):729-737.

Zhao K N,Ning X J,Qin Y C,et al.Grey correlation analysis between climatic elements during winter wheat growing period and yield in counties:a case study of Henan Province[J].Chinese Journal of Agrometeorology,2017, 38(11):729-737.(in Chinese)

[16] Asseng S,Ewert F,Rosenzweig C,et al.Uncertainty in simulating wheat yields under climate change[J].Nature Climate Change,20133(9):827-832.

[17] Tao F,Zhang Z,Xiao D,et al.Responses of wheat growth and yield to climate change in different climate zones of China,1981-2009[J].Agricultural and Forest Meteorology, 2014,189:91-104.

[18] 崔日鮮.山東省太陽總輻射的時空變化特征分析[J].自然資源學報,2014,29(10):1780-1791.

Cui R X.The analysis of spatiotemporal variation characteristics of global solar radiation in Shandong province[J].Journal of Natural Resources,2014,29(10): 1780-1791.(in Chinese)

[19] 王秀芬,楊艷昭,尤飛.近30年來黑龍江省氣候變化特征分析[J].中國農業氣象, 2011,32(S1):28-32.

Wang X F,Yang Y Z,You F.Analysis on characteristics of climate change in recent 30 years in Heilongjiang province[J].Chinese Journal of Agrometeorology,2011, 32(S1):28-32.(in Chinese)

[20] 錢永蘭,毛留喜,周廣勝.全球主要糧食作物產量變化及其氣象災害風險評估[J].農業工程學報,2016,32(1):226-235.

Qian Y L,Mao L X,Zhou G S.Changes in global main crop yields and its meteorological risk assessment[J]. Transactions of the CSAE,2016,32(1):226-235.(in Chinese)

[21] Wang F,He Z,Sayre K,et al.Wheat cropping systems and technologies in China[J].Field Crops Research,2009,111(3): 181-188.

[22] Zhang P,Wei T,Wang H X,et al.Effects of straw mulch on soil water and winter wheat production in dryland farming[J].Scientific Reports,2015(5):10725.

[23] 肖登攀,陶福祿,沈彥俊,等.華北平原冬小麥對過去30年氣候變化響應的敏感性研究[J].中國生態農業學報,2014,22(4):430-438.

Xiao D P,Tao F L,Shen Y J,et al.Sensitivity of response of winter wheat to climate change in the North China Plain in the last three decades[J].Chinese Journal of Eco-Agriculture, 2014,22(4):430-438.(in Chinese)

[24] 郝立生,吳雁,王榮英.海河低平原春季氣候變化對冬小麥產量的影響[J].氣象與減災研究,2007,30(4):20-24．

Hao L S,Wu Y,Wang R Y.Impact of spring climate change on wheat yield in lower Haihe Plain[J].Meteorological and Disaster Reduction Research,2007,30(4):20-24.(in Chinese)

[25] 錢永蘭,楊邦杰,焦險峰.基于遙感抽樣的國家尺度農作物面積統計方法評估[J].農業工程學報,2007,23(11):180- 187.

Qian Y L,Yang B J,Jiao X F.Accuracy assessment on the crop area estimating method based on RS sampling at national scale[J].Transact ions of the CSAE,2007,23(11): 180-187.(in Chinese)

[26] 陳鵬飛,楊飛,杜佳.基于環境減災衛星時序歸一化植被指數的冬小麥產量估測[J].農業工程學報,2013,29(11): 124-131.

Chen P F,Yang F,Du J.Yield forecasting for winter wheat using time series NDVI from HJ satellite[J].Transactions of the CSAE,2013,29(11):124-131.(in Chinese)

[27] 黃健熙,侯矞焯,蘇偉,等.基于GF-1 WFV 數據的玉米與大豆種植面積提取方法[J].農業工程學報,2017,33(7): 164-170.

Huang J X,Hou Y Z,Su W,et al.Mapping corn and soybean cropped area with GF-1 WFV data[J]. Transactions of the CSAE,2017,33(7):164-170.(in Chinese)

[28] 張超,童亮,劉哲.基于多時相GF-1 WFV 和高分紋理的制種玉米田識別[J].農業機械學報,2019,50(2):163-168.

Zhang C,Tong L,Liu Z,et al.Identification method of seed maize plot based on multi-temporal GF-1 WFV and Kompsat-3 texture[J].Transactions of the Chinese Society for Agricultural Machinery,2019,50(2):163-168.(in Chinese)

Studies on the Difference of Observed Yield and Statistical Yield of Winter Wheat

LIU Wei1, MENG Cui-li2, SONG Ying-bo1

(1. National Meteorological Center, Beijing 100081, China; 2. Argo-meteorological Station of Wuhan, Wuhan 430040)

The difference of interdecadal variations, coefficient of variation and tendency ratio between the observed yield of winter wheat from 123 agrometeorological observation stations and the statistical yield of winter wheat at county level where the observation station was located from 1991 to 2017. The proportion of average winter wheat planting area in each county in five years(2006?2010) was used as the weight factor to integrate the observed yield and statistical yield at province level, at the same time using the announced yield at province level from National Bureau of Statistics. The interdecadal variations and tendency ration of three different yields at provincial level were compared and analyzed. The results showed that:(1) the number of high yield counties increased significantly, and low yield counties decreased significantly in both observed yield and statistical yield counties. The two yield were both high yield years in the 2010s, and the difference between the two reached peak value in the 2000s. (2) The coefficient of variation of observed yield at the county scale was higher than the statistical yield. The coefficient of variation of statistical yield in 49 counties were less than 0.20 and only 8 were greater than 0.40, while 72 statistical yield counties were less than 0.20 and only 9 were greater than 0.30. The coefficient of variation of statistical yield in all counties in Xinjiang and Shandong provinces were less than 0.30. (3) The tendency ratio of 73 observed yield counties showed a significant increase mostly concentrated in the major producing provinces such as Hebei, Henan, Shandong, Jiangsu, and Anhui; and 100 statistical yield counties showed the same significant increase. The tendency ratio of observed and statistical yield in 72 counties passed the significance test at the same time. (4) The 2000s were the high yield years for both observed and statistical yield at provinces level and 1990s were the low yield years. The average of the observed yield in every 10 years was higher than the average of the statistical yield in Shandong, Anhui, Hebei, Jiangsu, Shaanxi and Shanxi province. (5) Eight provinces had passed the significant test on tendency ration of the observed yield at the provincial level except for Xinjiang and Shanxi province. While tendency ration of the statistical yield and the announced yield in all provinces had passed the significant test and the yield growth was positive. In general, the winter wheat yield series based on the observed yield could provide a new data source for yield forecast.

Winter wheat; Agrometeorological observation stations; Observed yield; Statistical yield ; Area weight factor integration

10.3969/j.issn.1000-6362.2021.02.004

劉維,孟翠麗,宋迎波.冬小麥觀測產量與統計產量的差異性分析[J].中國農業氣象,2021,42(2):123-133

2020?07?07

國家氣象中心預報員專項（Y201912）；2019年國內外作物產量預報專項；2020年國內外作物產量預報專項

宋迎波，研究員，研究方向為作物產量預報，E-mail：songyb@cma.gov.cn

劉維，E-mail:rainvswindvs@163.com