内蒙古奈曼旗农作物春播—出苗期降水量预测模型建立

张华，李世华，董佳蕊，刘浩，丁晓华

摘要：根据天气学原理和专家研究结果，大气环流是影响中国天气气候的重要因素，因此，在进行月以上气候预测时，必须分析大范围环流形势和影响大范围环流形势变动的因子。该文应用SPSS因子分析法对奈曼旗春播及出苗期（4-6月）降水进行分析预测研究，结果从历史拟合和预测试报结果表明，均超过0.01的显著性检验标准，总体上预测效果较好，可以投入业务应用。

关键词：奈曼4-6月降水；因子分析；预测方法研究

张 华，李世华，董佳蕊，等. 内蒙古奈曼旗农作物春播-出苗期降水量预测模型建立[J]. 农业工程技术，2017，37（35）：14-16.

奈曼旗位于科爾沁沙地南缘，属北温带大陆性季风干旱气候，平均海拔高度450 m，受大陆季风气候影响，各季降水分布差异较大。春播及出苗期（4-6月）降水虽在全年中所占比重相对较小，但对农业生产起着至关重要的作用，往往由于降水偏少及时空分布不均等造成的春播及出苗期干旱灾害等会给农业生产等带来严重影响[2-3]。所以说，春播及出苗期是农业生产用水的关健季节，因此，提前作出春播及出苗期降水的长期趋势预测预报[4]，为当地党政领导提供最具科学依据的决策气象服务有十分重要的意义。

1 预报因子或指标的选取

1.1 资料与方法

根据天气学原理和专家研究结果，大气环流是影响全国天气气候的重要因素[1]，因此，在进行月以上气候预测时，必须分析大范围环流形势和影响大范围环流形势变动的因子[4，11]。表示大范围环流形势的因子有：太平洋、大西洋副热带高压、北美、北非副高、极涡面积、强度、欧亚、亚洲纬向、径向环流等，影响大范围环流变动的因子有太阳黑子活动指数、海表温度等[5]。

本研究选取国家气候中心网上实时更新的北半球副高面积指数等74个环流特征量因子。利用SPSS皮尔逊（Pearson）相关系数及向后回归剔除显著性相对较差因子的方法[14]，计算了环流因子和太阳黑子分别与4-6月降水量的相关性，选取相关检验显著的因子作为降水预测方程的因子（见表1），因子资料和降水资料长度为1961-2015年。4-6月降水预测方程的建立，选用多元回归方法[13，15]。

1.1.1 相关分析。相关分析是研究变量间密切程度的一种常用统计方法[7-8]。相关系数是描述相关关系强弱程度和方向的统计量，本分析应用皮尔逊（Pearson）相关系数法将74个环流因子上年值及当年值分别与4、5、6月降水量进行相关系数分析。

1.1.2 多元回归。研究几个自变量的变化对因变量的影响，可以用多元回归方法，亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元线性回归[9-10]。

y为因变量，x1，x2···xk为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：y=b0+b1x1+b2x2+···+bkxk+e，其中，b0为常数项，b1，b2···bk为回归系数，b1为x1，x2···xk固定时，x1每增加一个单位对y的效应，即x1对y的偏回归系数；同理b2为x1，x2···xk固定时，x2每增加一个单位对y的效应，即，x2对y的偏回归系数，等等。模型描述为：y=b0+b1x1+b2x2+···+bkxk+e[13]。

建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是：

①自变量对因变量必须有显著的影响，并呈密切的线性相关；②自变量与因变量之间的线性相关必须是真实的，而不是形式上的；③自变量之间应具有一定的独立性，即自变量之间的相关程度不应高于自变量与因变量之因的相关程度；④自变量应具有完整的统计数据，其预测值容易确定。

1.2 因子分析

经过选取55年（1960-2014）、45年（1970-2014）、35年（1980-2014）因子资料，与55年（1961-2015）、45年（1971-2015）、35年（1981-2015）奈曼旗本站4-6月降水量进行相关分析及向后回归剔除显著性相对较差因子，筛选出表1所示因子作为分别预测4、5、6月方程的因子。

2 预报方程的建立

专家分析和筛选分析表明，随着近百年全球气候的变化[6]，大气环流的平均状态在上世纪80年代有明显的调整[12]。经计算显示，奈曼本站的4-6月降水量与55年、45年、35年因子之间的相关系数的大小也存在明显的阶段性，其中二十世纪70年代以后的45年要比前60年代以后55年和80年代以后35年相关程度高，因此，我们选择了45年资料的1980-2011年作为预测方程建立的时段，将2012-2014年作为预测检验时段。

应用SPSS软件的分析多元线性回归功能分别建立4、5、6月份降水量预测方程。

2.1 4-6月预测方程

建立回归模型：

根据各月多元回归系数代入得如下回归方程：

Y4=384.148-1.982X1-3.756X2-0.547X3+ 1.047X4+0.331X5+0.987X6-0.912X7+0.454X8-0.912X9

Y5=315.506-0.529X1+0.440X2-0.976X3-1.209X4-1.413X5-0.332X6+0.767X7-0.947X8-0.851X9

Y6=-54.537+3.086X1+0.108X2+1.313X3+1.112X4-0.515X5+0.362X6-2.466X7+3.102X8

2.2 回归方程的显著性检验

表2-1 4、5、6月模型汇总表R分别为0.928、0.913、0.925，说明各月模型拟合度较高，4月92.8%的预测、5月91.3%的预测、6月92.5%的预测可以用相应模型来预测，表2-2回归模型的方差分析表，4、5、6月的显著性概率均为0.000<0.001。其中4月F（0.05，9，22）值为2.34，F（0.01，9，22） 值为3.35，F（0.001，9，22） 值为4.99，5月F（0.05，9，22）值为2.37，F（0.01，9，22） 值为3.40，F（0.001，9，22） 值为5.11，6月F（0.05，8，23）值为2.37，F（0.01，8，23） 值为3.41，F（0.001，8，23） 值为5.09，因此各月回归方程相关非常显著。（F值用Excel中FINV（ ）函数求得）。

2.3 方程的历史拟合检验

利用表2-3中的因子方程，拟合了1980-2012年历年4、5、6月的月降水量。图1-图3给出了各月份因子预测的降水实况的年际变化图。

从各月预测方程的拟合相关系数看，拟合效果显著，均超过0.01的顯著性检验标准，相关系数见表3。

2.4 2013-2015年4-6月降水预测检验

利用建立的4月、5月、6月预测方程，对2013-2015年4-6月降水量进行了试报检验。结果显示（图4-图6），4月的预测效果最好，5月的预测效果排第二，6月的预测效果第三。

综合以上预测方程的历史拟合和预测试报结果表明，总体上预测效果较好，预测准确率4-5月较高，6月次之，4-6月降水量预测模型可以用于业务应用，但6月模型还有待进一步实践检验，我们将在业务预报和服务中边应用边检验，逐步优化和改进预报方程参数，逐步提高预测准确率。

参考文献

[1] 魏凤英. 现代气候统计诊断预测技术[M]. 北京：气象出版社，1999.

[2] 李克让，郭其蕰，张家诚等. 中国干旱灾害研究及成灾对策[M]. 郑州：河南科学技术出版社，1999.

[3] 中国国家质量监督检验检疫总局，中国国家标准化管理委员会. 中华人民共和国国家标准GB/T 20481-2006.气象干旱等级[M]. 北京：中国标准出版社，2006.

[4] 王永光，龚振淞，许 力，等. 中国温度、降水的长期气候趋势及其影响因子分析[J]. 应用气象学报，2005，Vol.15（增刊）.

[5] 国家气候中心网站，http：//ncc.cma.gov.cn/cn/.

[6] 魏凤英，韩雪，王永光，等. 中国短期气候预测的物理基础及其方法研究[M]. 北京：气象出版社，2015.

[7] 吴洪宝，吴蕾著. 气候变率诊断和预测方法[M]. 北京：气象出版社，2005.

[8] 黄嘉佑. 气象统计分析与预报方法（第3版）[M]. 北京：气象出版社，2004.

[9] 李湘阁，胡凝，等. 实用气象统计方法[M]. 北京：气象出版社，2015.

[10] 黄嘉佑，李庆祥，等. 气象数据统计分析方法[M]. 北京：气象出版社，2015.

[11] 孙照渤，陈海山，谭桂容，等. 短期气候预测基础[M]. 北京：气象出版社，2010.

[12] 李俊亭，竹磊磊，李晔，等. 河南省春季降水的气候特征及干旱预测[J]. 人民黄河，2010（12）.

[13] 于秀林，任雪松. 多元统计分析[M]. 北京：中国统计出版社，1999.

[14] 郝梨仁，樊元郝，哲 欧. SPSS实用统计分析[M]. 北京：中国水利水电出版社，2002.

[15] 何晓群. 应用回归分析[M]. 北京：中国人民大学出版社，2001.