Dynamic Prediction Method for Brassica juncea var. tumida Yield Based on Climatic Suitability Index

doi:10.11923/j.issn.2095-4050.cjas2021-0082

Abstract

Abstract:

In this study, the dynamic yield prediction model of Brassica juncea var. tumida was established. Based on the climatic suitability index and the meteorological yield index, the supply and demand relationship between light, temperature, water and the key growth periods of Brassica juncea var. tumida was coupled by the dynamic yield prediction model. The meteorological data of different growth periods before the prediction date was used as reference data set. The results showed that the correlation between climatic suitability index and meteorological yield index from seedling stage to stem enlargement stage was better than the analysis results of the stem enlargement stage was considered only. The dynamic yield prediction model established by reference data set from seedling stage to stem enlargement stage had higher accuracy than that by reference data set of the stem enlargement stage. The average prediction accuracy of yield was 92.0%, the normalized root-mean-square-error was 0.196, and the average accuracy rate of the yield trend was 68.2% at different predication starting time. It indicated that the climatic suitability index considering the meteorological factors at seedling stage could better explain the influence of meteorological conditions on the yield formation, and the climatic suitability at seedling stage had a certain contribution to the yield formation. To test the dynamic yield prediction model based on the data from 2017 to 2019, the prediction accuracy of each year’s yield of Brassica juncea var. tumida was basically more than 90%. The dynamic yield prediction method based on climate suitability index could be used to predict the yield of Brassica juncea var. tumida with high accuracy and stability.

Key words: yield prediction, meteorological yield index, climatic suitability index, Brassica juncea var. tumida

CLC Number:

S165.27

WU Qiang, NI Chao, FAN Li, TANG Yuxue, LUO Zizi, FANG Li, CAI Guoqiang. Dynamic Prediction Method for Brassica juncea var. tumida Yield Based on Climatic Suitability Index[J]. Journal of Agriculture, 2022, 12(12): 69-75.

Figures/Tables 4

References 8

[9]	王飞龙, 王福民, 胡景辉, 等. 基于相对光谱变量的无人机遥感水稻估产及产量制图[J]. 遥感技术与应用, 2020, 35(2):458-468.
[10]	韩文霆, 彭星硕, 张立元, 等. 基于多时相无人机遥感植被指数的夏玉米产量估算[J]. 农业机械学报, 2020, 51(1):148-155.
[11]	马永忠, 蔡福, 赵先丽, 等. 花后持续干旱对玉米生理参数及产量的影响[J]. 气象与环境学报, 2019, 35(2):102-106.
[12]	闫平, 季生太, 孙彦坤, 等. 富裕县农田土壤湿度变化及其对玉米发育期和产量的影响[J]. 气象与环境学报, 2020, 36(4):74-82.
[13]	郑昌玲, 杨菲云, 王建林, 等. 早稻产量动态预报模型[J]. 中国农业气象, 2007, 28(4):412-416.
[14]	宋迎波, 王建林, 陈晖, 等. 中国油菜产量动态预报方法研究[J]. 气象, 2008, 34(3):93-99.
[15]	董宛麟, 王林鹏, 房志玲, 等. 北京山桃开花期变化及其气候影响因子分析[J]. 农学学报, 2020, 10(9):53-59.
[16]	杨宁, 孔令刚, 甄铁军, 等. 夏玉米产量与主要气象因子灰色关联度分析[J]. 农学学报, 2020, 10(11):37-42.
[17]	屈洋, 王可珍, 刘洋, 等. 关中西部大豆产量对气候生态条件的响应[J]. 农学学报, 2020, 10(4):71-76.
[18]	杜春英, 李帅, 王晾晾, 等. 基于历史产量丰歉影响指数的黑龙江省水稻产量动态预报[J]. 中国农业气象, 2010, 31(3):427-430.
[19]	宋迎波, 王建林, 杨霏云, 等. 粮食安全气象服务[M]. 北京: 气象出版社, 2006:182-196.
[20]	李昊宇, 王建林, 郑昌玲, 等. 气候适宜度在华北冬小麦发育期预报中的应用[J]. 气象, 2012, 38(12):1554-1559.
[21]	ALLEN R G, PEREIRA L S, RAES D, et al. Crop evapotranspiration: Guidelines for computing crop water requirements[R]. FAO irrigation and drainage paper No.56.Rome:Food and agriculture organization of the United Nations, 1998:1-327.
[22]	邱美娟, 刘布春, 袁福香, 等. 基于气候适宜度指数预报玉米产量时旬权重系数的确定方法[J]. 中国农业气象, 2018, 39(10):664-673.
[23]	马树庆. 吉林省农业气候研究[M]. 北京: 气象出版社, 1994:35-90.
[24]	杨淑华, 刘洁莉, 梁进秋, 等. 基于BP神经网络的马铃薯气候产量预报模型[J]. 农学学报, 2017, 7(4):29-33.
[1]	刘佩英. 中国芥菜[M]. 北京: 中国农业出版社, 1996:77-120.
[2]	张佩, 陈郑盟, 刘春伟, 等. 冬小麦产量结构要素预报方法[J]. 农业工程学报, 2020, 36(8):78-87.
[3]	DUMONT B, LEEMANS V, FERRANDIS S, et al. Assessing the potential of an algorithm based on meanclimatic data to predict wheat yield[J]. Precision agriculture, 2014, 15(3):255-272. doi: 10.1007/s11119-014-9346-9 URL
[4]	MARLETTO V, VENTURA F, FONTANA G, et al. Wheat growth simulation and yield prediction with seasonal forecasts and a numerical model[J]. Agricultural and forest meteorology, 2007, 147(1):71-79. doi: 10.1016/j.agrformet.2007.07.003 URL
[25]	胡园春, 安广池, 杨宁, 等. 主要气象因子与冬小麦产量的灰色关联度分析[J]. 农学学报, 2020, 10(2):92-95.
[5]	朱海霞, 李东明, 王铭, 等. 基于积分回归法黑龙江省作物产量动态预报研究[J]. 气象与环境学报, 2018, 34(3):86-92.
[6]	帅细强, 陆魁东, 黄晚华. 不同方法在湖南省早稻产量动态预报中的比较[J]. 应用气象学报, 2015, 26(1):103-111.
[7]	胡莉婷, 潘学标, 王雪姣, 等. 基于COSIM模型的棉花区域产量动态预测研究——以新疆阿克苏市为例[J]. 棉花学报, 2018, 30(1):83-91.
[8]	马鸿元, 黄健熙, 黄海, 等. 基于历史气象资料和WOFOST模型的冬小麦区域产量集合预报[J]. 农业机械学报, 2018, 49(9):1-15.

参考数据集	起报时间(月/日)		预报模型		F值			样本量
幼苗期—膨大期（9月起始）	12月1日		ΔY=28.834·CSI-8.3994		14.362^**			33
	1月1日		ΔY=28.644·CSI-8.3748		15.338^**			33
	2月1日		ΔY=22.799·CSI-6.496		12.932^**			33
	2月21日		ΔY=34.501·CSI-14.695		18.977^**			33
膨大期（11月起始）		12月1日		ΔY=28.388·CSI-10.345		4.651^*	33
		1月1日		ΔY=29.639·CSI-11.159		5.294^*	33
		2月1日		ΔY=21.963·CSI-7.876		5.229^*	33
		2月21日		ΔY=34.588·CSI-16.380		4.651^*	33

参考数据集	起报时间(月/日)		预报模型		F值			样本量
幼苗期—膨大期（9月起始）	12月1日		ΔY=28.834·CSI-8.3994		14.362^**			33
	1月1日		ΔY=28.644·CSI-8.3748		15.338^**			33
	2月1日		ΔY=22.799·CSI-6.496		12.932^**			33
	2月21日		ΔY=34.501·CSI-14.695		18.977^**			33
膨大期（11月起始）		12月1日		ΔY=28.388·CSI-10.345		4.651^*	33
		1月1日		ΔY=29.639·CSI-11.159		5.294^*	33
		2月1日		ΔY=21.963·CSI-7.876		5.229^*	33
		2月21日		ΔY=34.588·CSI-16.380		4.651^*	33

参考数据集	检验项	12月1日起报	1月1日起报	2月1日起报	2月21日起报	平均值
幼苗期—膨大期（9月起始）	产量预报准确率	91.6	92.3	91.7	92.4	92.0
	归一化均方根误差	0.196	0.193	0.198	0.192	0.195
	丰歉趋势准确率	63.6	75.8	63.6	69.7	68.2
膨大期（11月起始）	产量预报准确率	90.5	90.7	90.8	91.3	90.8
	归一化均方根误差	0.208	0.208	0.209	0.202	0.207
	丰歉趋势准确率	54.5	54.5	57.6	60.6	56.8

参考数据集	检验项	12月1日起报	1月1日起报	2月1日起报	2月21日起报	平均值
幼苗期—膨大期（9月起始）	产量预报准确率	91.6	92.3	91.7	92.4	92.0
	归一化均方根误差	0.196	0.193	0.198	0.192	0.195
	丰歉趋势准确率	63.6	75.8	63.6	69.7	68.2
膨大期（11月起始）	产量预报准确率	90.5	90.7	90.8	91.3	90.8
	归一化均方根误差	0.208	0.208	0.209	0.202	0.207
	丰歉趋势准确率	54.5	54.5	57.6	60.6	56.8

参考数据集	年份	12月1日起报	1月1日起报	2月1日起报	2月21日起报	平均值
幼苗期—膨大期（9月起始）	2017	98.3	97.6	93.3	93.1	95.8
	2018	90.9	89.8	93.0	97.2	92.7
	2019	98.7	99.9	99.3	99.8	99.4
膨大期（11月起始）	2017	96.2	95.4	91.4	91.5	93.6
	2018	95.2	94.5	96.5	99.6	96.5
	2019	98.4	97.0	98.3	97.8	97.9