冬小麦观测产量与统计产量的差异性分析*

刘 维，孟翠丽，宋迎波**

冬小麦观测产量与统计产量的差异性分析*

刘 维1，孟翠丽2，宋迎波1**

（1.国家气象中心，北京 100081；2.武汉农业气象试验站，武汉 430040）

分析对比全国123个冬小麦农业气象观测站1991−2017年观测产量与所在县统计产量的年代际、变异系数和倾向率的差异；利用2006−2010年各县冬小麦种植面积平均值省内占比作为权重因子，将县观测产量与县统计产量加权集成为省级尺度观测产量和省级尺度统计产量，并与统计局发布的省公布产量进行对比，分析省级尺度三种不同产量的年代际变化和倾向率差异。结果表明：（1）县观测产量和县统计产量均表现为高产县数量增幅明显，低产县数量减幅明显；21世纪10年代两者均为高产年代，21世纪00年代两者差值达到峰值。（2）县尺度变异系数观测产量离散程度高于县统计产量，49个县观测产量的变异系数小于0.20，仅8个站大于0.40；72个县统计产量变异系数小于0.20，仅9个站点变异系数大于0.30。（3）各县观测产量中有73个站点倾向率呈现显著增加趋势，大多集中在河北、河南、山东、江苏、安徽等冬小麦主产省；100个县统计产量呈显著增加趋势。（4）21世纪00年代为各省观测产量和统计产量的高产年代，20世纪90年代为低产年代；山东、安徽、河北、江苏、陕西和山西等省10a观测产量的平均值在各个年代均高于省统计产量平均值。（5）除新疆和山西外其余省份省级尺度观测产量倾向率均通过显著性检验；所有省份省统计产量和公布产量倾向率均通过显著性检验，且产量增幅均为正值。总体来说，基于观测产量的冬小麦产量序列可以为产量预报提供新的数据来源。

冬小麦；农试站；观测产量；统计产量；面积权重集成

作物产量预报是现代农业气象业务服务与科研开发的重要工作之一，国家级和省级产量预报产品更是各级政府部门制定农业生产政策重要的参考依据，是气象为农服务的重要组成部分[1−2]。随着气象部门精密监测、精准预报、精细服务要求的提出，精细化服务成为农业气象业务服务的必然要求，随着农作物长势监测评估与预报、农业气象灾害监测和评估、农用天气预报等农业气象服务进入公里级别[2−3]，开展地市级和县级作物产量预报，拓展产量预报服务范围，提升作物产量预报的精细化和精准度是未来农业气象业务服务的发展趋势。目前产量预报业务应用中的产量资料唯一来源为统计部门的公布产量，但公布产量获取存在较长的滞后性，特别是县级尺度的产量序列，获取难度更大。而全国气象部门的农业气象观测体系中有653个农业气象观测站、70个农业气象试验站，可实时监测作物不同生育期生长状况，且各观测站逐年上报观测地段观测的单位面积作物产量数据（观测产量）与所在县统计局公布的单位面积的作物产量资料（统计产量），这也为气象部门开展基于站点观测产量的产量预报提供了数据支撑。当前多数研究集中在利用农试站生育期观测资料进行作物模型模拟[4−7]、灾害评估[8−9]、气候变化对作物生长及种植制度的影响[10−13]等方面；吴冰洁等[14]研究了气象因子对华北平原冬小麦市级产量的影响；赵凯娜等[15]利用灰色关联度分析了河南省县域冬小麦产量与生育期气象要素的关系。当前开展县级尺度冬小麦产量的研究就少，对农试站观测产量本身的可用性及与统计产量的差异研究也未有相关报道。

冬小麦作为最主要的夏收粮食作物，在国家粮食安全中占有重要地位，加之气候变化对冬小麦种植制度及产量的影响在加大[16−17]，冬小麦产量预报工作显得尤其重要。当前全国气象部门共有221个气象站能提供冬小麦区域观测产量和当地统计产量，因此本研究从历年冬小麦观测产量和统计产量入手，分析两者变化规律，并利用种植面积权重占比将县尺度产量集成为省级尺度产量，并对集成的省级产量进行对比，明确观测产量的可用性与可预报性，为开展不同空间尺度的冬小麦预报提供产量资料基础，以提高冬小麦产量预报的精细化和准确率，满足现代农业气象服务新需求。

1 材料与方法

1.1 研究区域及产量数据

研究区域包括河南、山东、安徽、新疆等北方10个省、自治区，根据2013−2017年统计产量数据，该区域冬小麦5a平均总产量占全国总产量的90%以上，其中河南、山东、安徽、河北、江苏5省约占82%，是最重要的小麦生产地。冬小麦单位面积实测产量数据为全国冬小麦农业气象观测站1991−2017年的产量观测数据（新疆和江苏为1995−2017年，省级产量同），剔除观测年份少于10a的站点后剩余123个站点；各站点冬小麦实测产量数据来源于国家气象信息中心。

县尺度单位面积产量资料包括两类，一是直接使用123个站点的实测产量观测数据作为站点所在县的产量，称为县观测产量；二是直接使用123个站点所在县对应的统计产量资料，称为县统计产量，该资料来源于各农试站提供的当年县级统计产量。

省级产量有三类，一是直接使用国家统计局公布的各省平均单产，称为省公布产量，来源于各省统计年鉴；二是由各县产量集成计算，即以省内涉及的各观测站所在县5a（2006−2010年）冬小麦种植面积平均值占比（占省内所有观测站所在县种植面积之和）作为权重因子，对各站单产进行加权集成得到所在省的冬小麦平均单产，由各县统计产量集成的省级产量称为省统计产量，由各县所辖农试站观测产量集成的称为省观测产量；各省观测站站点信息及面积权重因子等资料见表1。

表1 各省观测站和县数量及站点面积权重因子

1.2 研究方法

1.2.1 产量倾向率

对产量序列与年份进行线性回归分析[18−19]，回归系数b为产量线性倾向率，b＞0表明产量随时间呈增加趋势，b＜0表明产量随时间呈减少趋势，并对相关系数进行显著性检验。

1.2.2 产量系列变异系数

用变异系数来反映县观测产量与县统计产量各自间的离散程度[20]，即

式中，CVi为变异系数，CVi越大表示产量越离散，SDi为县观测产量或县统计产量的标准差，Meani为产量平均值，i为观测产量或统计产量。

2 结果与分析

2.1 县级尺度观测产量与统计产量的差异

2.1.1 平均值差异

由图1a可见，1991−2000年10a间，河北、山东、江苏、新疆、河南东部等地县观测产量平均值大部在4000kg·hm−2以上；山西、陕西、湖北、河南西部多在4000kg·hm−2以下；共有18个县10a平均产量超过6000kg·hm−2，38个县平均产量不足4000kg·hm−2，其中仅12个县不足3000kg·hm−2。而从县统计产量10a均值来看，山东、江苏、新疆、河南东部多在4000kg·hm−2以上，仅7个县10a平均产量超过6000kg·hm−2，55个县统计产量平均值不足4000kg·hm−2，其中有26个不足3000kg·hm−2。从两者差值来看，共有84个县观测产量高于县统计产量，其中有36个县超过1000kg·hm−2，尤以甘肃、陕西两省突出；仅有39个县观测产量低于县统计产量。

由图1b可见，2001−2010年10a间，大部省份10a县观测产量平均值都在4000kg·hm−2以上，仅17个县平均产量不足4000kg·hm−2，集中在山西、陕西和湖北；而有38个县超过6000kg·hm−2。而从县统计产量10a均值来看，共有42个县统计产量不足4000kg·hm−2，且大部分集中在甘肃、陕西、山西、湖北等省，共有19个县统计产量高于6000kg·hm−2。从两者差值来看，共有91个县观测产量高于县统计产量，其中有52个超过1000kg·hm−2；仅32个县观测产量低于县统计产量。

图1 1991−2000年(a)、2001−2010年(b)和2011−2017(c)年县尺度观测产量(1)、统计产量(2)和两者之差(3)

由图1c可见，2011−2017年7a间，大部省份7a县观测产量平均值都在4000kg·hm−2以上，仅10个县平均产量不足4000kg·hm−2，集中在山西、湖北；而有65个县超过6000kg·hm−2，且大部分集中在河南、山东、河北、安徽及新疆。而从县统计产量7a均值来看，共有22个县统计产量不足4000kg·hm−2，45个县统计产量高于6000kg·hm−2。从两者差值来看，共有87个县观测产量高于统计产量，其中46个超过1000kg·hm−2；仅有36个县观测产量低于县统计产量。

可见，对于县观测产量来说，超过6000kg·hm−2的县个数从20世纪90年代的18个增至21世纪10年代的65个，而不足4000kg·hm−2的个数从38个减至10个。对于县统计产量来说，不足4000kg·hm−2的县个数从20世纪90年代的55个减至21世纪00年代的42个再到10年代的22个，而超过6000kg·hm−2的个数从7个增至45个。整体上看，县观测产量和县统计产量均增幅明显，21世纪10年代均为高产年代，但两者差值在00年代达到峰值，2010年以后两者差值减小，但仍高于20世纪90年代。

2.1.2 变异系数差异

对1991−2017年县观测产量变异系数的分析表明（图2a），49个县观测产量变异系数小于0.20，46个变异系数在0.20～0.30，陕西、山西、甘肃等地共有8个站大于0.40。对县统计产量变异系数的分析表明（图2b），14个县统计产量变异系数小于0.10，58个县变异系数在0.10～0.20，仅9个站点变异系数大于0.30，表明统计产量年际间差异较小。从两者对比来看，新疆和山东两省区内所有县变异系数都小于0.30，观测产量和统计产量稳定性最高；仅甘肃通渭、陕西永寿和河北黄骅三地观测产量和统计产量变异系数均大于0.3。

整体上看，县尺度变异系数观测产量离散程度要高于县统计产量，因为县观测产量是农试站地块实际测得的产量，代表的范围有限，且易受到管理措施和气象灾害的影响；而县统计产量则是全县的平均单产，代表全县的产量水平，且当某地出现灾害导致减产时，全县其余地块可能出现不受灾或者增产的可能性，县内不同地块存在补偿性，这就导致县统计产量相对稳定，所以观测产量波动大，统计产量波动较小。一般情况在作物品种和种植方式较为稳定以及农业措施较为完善的情形下，县单产的年际间变化可以认为是由于气象条件波动造成的，一定程度上也为利用观测产量进行产量预报提供了客观条件。

2.1.3 线性倾向率差异

由图3可见，1991−2017年（图3a），各县观测产量中有73个站点线性变化呈现显著增加趋势，大多集中在河北、河南、山东、江苏、安徽等主产省；仅湖北麻城、新疆莎车、甘肃文县和山东福山4个县呈现显著减少趋势，其余46个站点线性变化不显著；倾向率高于200kg·hm−2·a−1的5个站全部通过显著性检验，表明产量增幅明显。而各站所在县的统计产量（图3b）有100个县线性变化呈现显著增加趋势；仅湖北随州和谷城、山东淄博、新疆若羌和山西临猗5个站点呈现显著减少趋势，仅18个站点线性变化趋势不显著。总共72个县观测产量和统计产量的线性变化趋势均通过显著性检验，其中63个县都呈现显著增加趋势，仅6个县线性变化趋势相反。县观测产量倾向率在−164～266kg·hm−2·a−1，波动幅度较大；而县统计产量倾向率波动较小，产量增幅小于县观测产量，且符合产量逐年增加的趋势。

图2 1991−2017年县观测产量(a)和统计产量(b)的变异系数

注：画黑色圈的站点通过0.05水平显著性检验。

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

2.2 省级尺度产量的差异

2.2.1 各年代平均值的差异

结合站点面积权重计算各省级年尺度观测产量与统计产量，在此基础上计算各省每10a平均值，由表2可以看出，对省观测产量来说，除新疆和山西外，其余8省10a均值呈现增加的趋势，2011−2017年7a间平均值最高，山东和安徽增幅超过2000kg·hm−2；新疆为2001−2010年10a平均值最高，山西为最低。对省统计产量来说，各省10a平均值均为2011−2017年7a最高，河南和安徽增幅超过2000kg·hm−2，湖北和山西在2001−2010年10a平均值最低。对于省公布产量，除了湖北省2001−2010年10a均值最低外，其余各省均为2011−2017年7a间平均值最高，1991−2000年10a平均值最小，呈现增产的趋势。

从省观测产量与省统计产量两者差值来看，1991−2000年10a间，仅湖北省观测产量低于省统计产量，山东省两者最接近，为203kg·hm−2，甘肃差值最高，达2000kg·hm−2；2001−2010年10a间，河南、新疆、湖北三省两者最为接近，其差值不足25kg·hm−2，但河南为负值，甘肃差值最高，达2367kg·hm−2；2011−2017年7a间，安徽两者差值最低，为99kg·hm−2，河南和新疆观测产量小于统计产量。从省观测产量与省公布产量两者差值来看，除新疆外，其余各省7a观测产量均高于省公布产量，尤其是安徽、江苏、陕西三省各个年代差值均高于1000kg·hm−2，甘肃高于2000kg·hm−2；河南在2000年以后省观测产量与公布产量较为接近。

总体来看，与站点尺度每10a均值一致，2001−2010年为各省观测产量和统计产量的高产年代，1991−2000年为低产年代；山东、安徽、河北、江苏、陕西和山西等省10a观测产量均值在各个年代均高于省统计产量均值；除山西省观测产量与统计产量差值各年代维持在1000kg·hm−2以外，其余省份各年代间差值变化各不相同。省公布产量则呈现年代际增产的趋势，这也与农业技术管理水平的提升保持一致；但总体上低于省观测产量和省统计产量。

表2 省级尺度观测产量和统计产量以及公布产量每10a均值（kg·hm−2）

注：Aveobs、Avestaand Aveann分别为省观测产量、省统计产量和省公布产量每10a平均值。

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

2.2.2 省级变异系数的差异

从各省所有县观测产量和统计产量的标准差和变异系数的平均值来看（表3），各省内所有县观测产量标准差的平均值都在1000kg·hm−2以上，安徽省标准差的平均值最大；各省县统计产量标准差的平均值在571～1285kg·hm−2，新疆最小，安徽最大；且观测产量标准差平均值都高于统计产量标准差平均值。从两者变异系数平均值来看，山东、江苏、新疆三省区观测产量变异系数平均值均小于0.20；而山东、江苏、新疆、湖北四省区统计产量变异系数平均值小于0.20。除河北和甘肃两省变异系数平均值相同外，其余各省观测产量变异系数均高于统计产量变异系数平均值。总体来看，省内平均变异系数观测产量离散程度高于统计产量，这也与县尺度变异系数变化结果相吻合。

表3 各省内县观测产量和统计产量标准差以及变异系数平均值对比

注：SDobs和SDsta分别为省观测产量和省统计产量平均值(kg·hm−2)；CVobs和CVsta分别为省观测产量和省统计产量变异系数。

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 省级尺度产量线性倾向率的差异

由省级尺度不同产量倾向率可知（表4），除新疆和山西省观测产量倾向率未通过显著性检验外，其余各省倾向率都通过显著性检验，且新疆倾向率为负值；从倾向率数值来看，安徽、山东、河北、河南各省观测产量增幅明显。省统计产量和公布产量倾向率均通过显著性检验，且产量增幅均为正值；山东、河北、湖北、陕西各省两者倾向率都低于观测产量的倾向率；仅安徽省观测、统计和公布产量倾向率均高于100kg·hm−2·a−1。新疆因地域辽阔，各地小麦生产气候条件差异很大，导致观测产量倾向率不显著；山西由于冬小麦主产区位于汾河中下游且一般都有灌溉条件，导致观测产量相对稳定变化不明显，因此观测产量倾向率不显著。省公布产量由于考虑全省的冬小麦生产情况，受气象条件影响相对较小，往往随着品种改良及农业技术水平提升而呈现增产的趋势。

表4 各省观测产量、统计产量和公布产量倾向率

注：Tenobs、Tensta和Tenann分别为省观测产量、统计产量和公布产量倾向率，*表示通过0.05水平的显著性检验。

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

3 结论与讨论

3.1 结论

（1）县观测产量和统计产量均表现出高产县（单产高于6000kg·hm−2）数量增多、低产县（单产低于4000kg·hm−2）数量减少的趋势；21世纪10年代两者产量均为高产年代。

（2）县观测产量变异系数离散程度高于县统计产量，县观测产量和统计产量变异系数小于0.20的个数分别为49和72；新疆和山东所有县两种产量变异系数都小于0.30，产量稳定性最高。县观测产量和统计产量分别有73和100个站点倾向率呈现显著增加趋势，主要集中在河北、河南、山东、江苏、安徽等冬小麦主产省。

（3）21世纪10年代为省观测产量和省统计产量的高产年代，山东、安徽、河北、江苏、陕西和山西六省10a省观测产量的平均值在所有年代均高于省统计产量平均值。

（4）除河北和甘肃外其余各省观测产量变异系数平均值均高于统计产量的平均值，除新疆和山西外其余各省观测产量倾向率均通过显著性检验，所有省统计和公布产量倾向率均通过显著性检验，且产量增幅均为正值。

3.2 讨论

县尺度作物产量受到农业技术措施[11,21−22]、生育期气象条件变化[23−24]、统计因素等影响导致波动，而统计产量变异性小于观测产量的主要原因在于：（1）县观测点以外地区的灾害有无及发生类型与特点不同，全县大灾年中也有不受灾或灾轻的增产地块，丰收年也有少数受灾减产地块，存在相互补偿；而观测地段的灾害发生较为单一。（2）不同农田对单一灾害大面积发生时的响应不同，例如干旱年低湿地增产，多雨年高岗地增产；秋凉年早播有利，秋暖年晚播有利；不同地块之间存在相互补偿导致县统计产量较为稳定，而观测地段不存在相互补偿现象。（3）部分地区出于政策原因往往在减产年少报减产，而增产年少报增产。

利用站点观测资料进行省级集成时，仅选择了观测站点所在县的近5a冬小麦种植面积平均值作为面积权重，由于各地冬小麦种植面积的不断变化，加之冬小麦地段观测站点个数远少于主产县个数，用观测站点面积进行加权集成也有一定的局限性；如何在没有冬小麦全部县级作物种植面积的情形下，进行产量的升尺度集成也是值得探讨的话题。当前利用卫星遥感技术提取作物种植面积相关技术也较为成熟[25−28]，国家级农业气象业务中冬小麦遥感提取最小尺度仅做到地级市一级，且针对的是北方冬小麦主产区，要做到县尺度提取面积尚有困难，在现有条件下，利用观测站所在县5a种植面积加权集成到省级尺度相对容易实现。

由于部分农业气象观测站存在迁站、观测作物种类改变等客观原因，以及农业气象观测站的种植管理水平、灾害发生情况不同于大田，加之最终测产中存在的人工统计误差等因素，会导致观测产量与统计产量之间存在一定的差异，因此，基于观测产量资料的产量预报应该主要针对气象产量的增减趋势开展预报服务，判别当年气象条件对作物产量的影响是增产还是减产，利用气象产量的增减幅度，结合统计模型预报最终产量。

站点观测产量最直接反应了当地气象条件的利弊影响，因此数据更具代表性和客观性；同时，目前产量预报应用的产量资料唯一来源为统计局公布产量，但公布产量获取存在较长的滞后性，特别是县级尺度的产量序列，获取难度更大。因此，利用各站点观测产量建立气象部门的产量资料序列，并在此基础上建立县级和省级作物产量预报模型，可以补充和验证利用公布数据建立的产量预报模型结论，同时气象部门应用新数据源开展的作物产量预报结论也可为统计和农业部门提供参考。

[1] 徐敏,徐经纬,高萍,等.不同统计模型在冬小麦产量预报中的预报能力评估:以江苏麦区为例[J].中国生态农业学报,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,张蕾,吴门新,等.国家级现代农业气象业务技术进展[J].应用气象学报,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] 吴门新,庄立伟,侯英雨,等.中国农业气象业务系统(CAgMSS)设计与实现[J].应用气象学报,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,马树庆,宫丽娟,等.基于WOFOST的东北地区玉米生育期气象条件适宜度评价[J].中国农业气象,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,马树庆,赵慧颖,等.基于WOFOST模型的内蒙古河套灌区玉米低温冷害评价[J].中国农业气象,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] 张阳,王连喜,李琪,等.基于WOFOST 模型的吉林省中西部春玉米灌溉模拟[J].中国农业气象,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] 栾青,郭建平,马雅丽,等.基于线性生长假设的作物积温模型稳定性比较[J].中国农业气象,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] 张轶,刘布春,杨晓娟,等.基于农作物灾情的长江中下游地区粮食产量损失评估[J].中国农业气象,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] 万能涵,杨晓光,刘志娟,等.气候变化背景下中国主要作物农业气象灾害时空分布特征Ⅲ:华北地区夏玉米干旱[J].中国农业气象,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] 谭凯炎,邬定荣,赵花荣.气候变暖背景下华北平原冬小麦生育期温度条件变化趋势分析[J].中国农业气象,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,姚凤梅,张佳华,等.不同农艺措施对缩小冬小麦产量差和提高氮肥利用率的评价[J].中国农业气象, 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] 马雪晴,胡琦,潘学标,等.1961-2015年华北平原夏玉米生长季气候年型及其影响分析[J].中国农业气象,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] 刘思华,李晶,黄晚华,等.湖南省春玉米光温生产潜力和产量差特征及限制因子分析[J].中国农业气象,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] 吴冰洁,王靖,唐建昭,等.华北平原冬小麦产量变异的气象影响因子分析[J].中国农业气象,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] 赵凯娜,宁晓菊,秦耀辰,等.县域冬小麦生育期气候要素与产量的灰色关联度分析:以河南省为例[J].中国农业气象,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] 崔日鲜.山东省太阳总辐射的时空变化特征分析[J].自然资源学报,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,杨艳昭,尤飞.近30年来黑龙江省气候变化特征分析[J].中国农业气象, 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] 钱永兰,毛留喜,周广胜.全球主要粮食作物产量变化及其气象灾害风险评估[J].农业工程学报,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,陶福禄,沈彦俊,等.华北平原冬小麦对过去30年气候变化响应的敏感性研究[J].中国生态农业学报,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,吴雁,王荣英.海河低平原春季气候变化对冬小麦产量的影响[J].气象与减灾研究,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] 钱永兰,杨邦杰,焦险峰.基于遥感抽样的国家尺度农作物面积统计方法评估[J].农业工程学报,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] 陈鹏飞,杨飞,杜佳.基于环境减灾卫星时序归一化植被指数的冬小麦产量估测[J].农业工程学报,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] 黄健熙,侯矞焯,苏伟,等.基于GF-1 WFV 数据的玉米与大豆种植面积提取方法[J].农业工程学报,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] 张超,童亮,刘哲.基于多时相GF-1 WFV 和高分纹理的制种玉米田识别[J].农业机械学报,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

刘维,孟翠丽,宋迎波.冬小麦观测产量与统计产量的差异性分析[J].中国农业气象,2021,42(2):123-133

2020−07−07

国家气象中心预报员专项（Y201912）；2019年国内外作物产量预报专项；2020年国内外作物产量预报专项

宋迎波，研究员，研究方向为作物产量预报，E-mail：songyb@cma.gov.cn

刘维，E-mail:rainvswindvs@163.com