论文总字数：19402字

目 录

1 引言 1

2 材料与方法 2

2.1 数据来源 2

2.2 田间试验设计 2

2.3多元回归分析建模方法 2

2.3.1 多元回归分析 2

2.3.2 精度检验 3

2.4 GM(1,1)灰色预测模型 3

2.4.1 模型原理 3

2.4.2 精度检验 4

3 结果与分析 5

3.1 2016年水稻生育期气候条件特征 5

3.2 水稻分期播种试验效果评价 7

3.2.1 不同播期水稻生长发育状况 7

3.2.2 分期播种水稻产量方差分析 8

3.2.3 不同播期对水稻产量及其构成因素的影响 8

3.3 气候因子与产量形成的灰色关联分析 9

3.4水稻产量预测（2017-2026年） 11

4 结论与讨论 14

4.1 水稻生育期天气气候特点及其对水稻的影响 14

4.2 分期播种试验结果及影响水稻产量的关键气候因子 14

4.3 基于多元回归产量预测模型的播期建议 15

参考文献 15

致谢 17

水稻应对高温热害的分期播种试验及其减灾效果预测

黄劭劼

, China

Abstract

With the global warming, the frequency of high temperature events will increase. Since rice is one of the main food crops in Jiangsu Province, during the rice growth and development period, especially during rice heading stage, high temperature weather will have a serious impact on rice growth, leading to its yield reduce. Therefore, it is very necessary to study the heat harm of rice in depth.

For a reasonable and effective response to rice heat-harm, stage sowing test of rice were carried out in this study. Based on the analysis of the relationship between meteorological conditions, yield and yield components of different sowing dates, the causes of low yield of rice were found out. This paper uses the gray correlation analysis between climatic factors and yield formation to establish a multiple regression prediction model, combining with GM (1,1) gray prediction theory to predict the rice yield under the future climatic conditions, and to put forward proposals to avoid disadvantages as well.

The conclusions are as following: The meteorological conditions of the rice growth period in 2016 were special, so the differences of rice yield between different sowing dates were very significant. The 1000- grain weight and effective panicle number of rice under different sowing dates did not change much, but the differences between grain number and seed setting rate per panicle were significant. The key climatic factors of rice yield multiple regression model were the average maximum temperature before and after heading 10 days, the average relative humidity after 20 days of heading and the average temperature of 5 days before heading. The results of the prediction of rice yield in different sowing dates from 2017 to 2026 showed that, 80% years of the maximum yield occurred in the rice sowing date May 10, and the average yield of this sowing date was the largest, with the smallest disaster loss value. Therefore, it is suggested that the sowing dates of rice should be planned reasonably and they should be adjusted to May 10 each year. This paper provides sufficient theoretical basis for rational planning of rice sowing dates to deal with rice heat-harm.

Key words: Rice Heat-Harm；Stage Sowing；Multiple Regression；GM (1,1) Gray Prediction

1 引言

IPCC第五次评估报告(AR5)从多层面、多视角证实了近百年来全球变暖的事实，包括全球地表平均温度升高、冰冻圈冰盖的冰储量减少、全球海平面上升、海表水酸化严重、极端气候事件频发等^[1]。科学家们采用地球系统模式或气候模式对未来的气象条件进行模拟，不同的模式模拟得出了同一个结论，即全球气候的变暖趋势在未来相当长的时间段内仍将持续。模拟结果表明，21世纪末全球平均地表温度在1986-2005年的基础上将升高0.3-4.8℃，且极端暖事件将进一步增多^[1]。在全球气候变暖的大背景下，我国夏季发生高温的频率更高，时间更长，目前高温是影响我国主要夏粮生长和发育的重要天气因素。因此，积极应对气候变化，合理利用气候资源，保证农业生产持续高效和可持续发展，对保障我国的粮食安全有非常重要的价值。

我国水稻年种植产量和面积均居世界前列，可见水稻在我国农业生产中具有至关重要的地位。作为水稻生产大省的江苏省，水稻常年总产占全省粮食总产60%左右^[2-3]。然而，在每年的7 月下旬至 8 月中旬，由于受副热带高压控制，江苏各地往往出现高温天气，而一季稻在此时间段内正处于孕穗或抽穗开花高温敏感期，高温热害气象灾害的时常发生^[4]，使其已成为影响本地水稻产量的主要气象灾害之一。根据高温热害等级指标（表1），统计1961-2010年水稻生育期内的温度状况表明，以南京、溧阳为代表站点的西南部区域是江苏省水稻高温热害的高发区（表2）^[5]。因此，本文基于2016年南京地区夏季持续高温天气和田间试验观测数据，结合一季稻高温热害的等级指标，开展水稻应对高温热害的分期播种试验及减灾效果评价研究。本研究利用灰色关联分析建立多元回归模型，并结合GM(1,1)灰色预测理论对未来气候条件下的水稻产量开展预测，从而为长江中下游地区的水稻高温热害风险评估及制定趋利避害策略提供参考。

表1 水稻高温热害等级指标^[5]

表2 江苏省1961-2010年水稻生育期高温热害状况^[5]

2 材料与方法

2.1 数据来源

历史气象资料来源于大气观测场自动气象站2007-2016年4-10月的正点地面气象要素数据和正点地面辐射数据，田间试验数据来源于农业气象试验站水稻分期播种盆栽试验，观测内容按《农业气象观测规范》，主要包括生育期、生长状况和产量构成要素等。

2.2 田间试验设计

试验于2016年4月开始在农业气象试验站进行。该试验为水稻分期播种的盆栽试验。水稻先播种在试验田里，后移栽到盆中，移栽时，每盆2穴，盆的直径为20cm，按大田生产种植管理标准施底肥。试验共设4个播种时期，每个播期有40盆水稻，按照4*10盆的矩形图案摆放。各播期之间间隔10天，分别是4月20日（第Ⅰ期）、4月30日（第Ⅱ期）、5月10日（第Ⅲ期）和5月20日（第Ⅳ期）。移栽日期同样间隔10天，分别是5月20日（第Ⅰ期）、5月30日（第Ⅱ期）、6月10日（第Ⅲ期）和6月20日（第Ⅳ期）。其中，每个播期分别设置4个重复，每个重复有10盆。试验采用随机区组排列，常规水肥管理，成熟后及时收获，每个小区单独收获，分别用信封分装，称量鲜重，烘干机内彻底烘干后再称量干重计产。

2.3多元回归分析建模方法

本文应用多元回归模型建立了一个因变量为水稻产量，自变量为关键气候因子的水稻产量预测模型，从而可以预测2017-2026年不同播期的水稻产量。多元回归模型的模型原理及精度检验如下。

2.3.1 多元回归分析

自然界许多变量间都存在着某种依赖和制约的关系，假设y为因变量，x为自变量，通常认为，自变量x是可以精确测量或严格控制的；因变量y是可观测的，但存在观测误差。在研究因变量y与自变量x的复杂关系过程中，若因变量y随着多个自变量x的变化而变化，且因变量y与这多个自变量x之间的关系成一个线性函数关系，则y与x之间的关系就形成了多元线性回归模型，而获得该模型的方法称为线性回归分析^[6]。

其多元线性回归的模型为：

其中，y为随机变量，为非随机变量，为常数项，称为回归系数（i=1,2,3,…n）。为随机变量，称为随机误差，它可以理解为y中无法用表示的其他各种随机因素造成的误差。

剩余内容已隐藏，请支付后下载全文，论文总字数：19402字