检索结果相关分组
- 西湖龙井茶开采期影响因子及预报模型
- 作者： 朱兰娟， 金志凤， 张玉静， 王治海， 刘敏， 范辽生 来源：《中国农业气象》 年份：2019 文献类型 ：期刊 关键词： 西湖龙井茶 开采期 物候期 气象因子 预报 集成模型
- 描述：基于西湖龙井茶主栽品种(龙井43和龙井群体种)开采期及气象资料,应用积温和逐步回归方法,分别构建西湖龙井茶的积温预报模型和逐步回归预报模型,并利用多元线性回归方法,对两个模型的预报结果进行集成,构建集合预报模型。结果表明:积温预报模型、逐步回归预报模型、集成预报模型均通过0.01水平的显著性检验;龙井43和龙井群体种的积温预报模型回代检验平均绝对误差(MAE)分别为3.6d和2.8d,2a试预报MAE分别为2.5d和1.0d;逐步回归预报模型的回代检验MAE分别为0.9d和1.4d,2a试预报MAE分别为1.6d和0.8d;集成预报模型的回代检验MAE分别为0.7d和1.1d,2a试预报MAE分别为1.3d和0.8d。3种预报模型对西湖龙井茶开采期预报均具有应用价值,集成预报模型较积温预报模型和逐步回归预报模型的预报效果更理想,具有实际生产指导作用。
- 全文：西湖龙井茶开采期影响因子及预报模型*朱兰娟1，金志凤2，张玉静1，王治海2，刘 敏1，范辽生1（1．杭州市气象局，杭州 310051；2．浙江省气候中心，杭州 310017）摘要：基于西湖龙井茶主栽品种（龙井43和龙井群体种）开采期及气象资料，应用积温和逐步回归方法，分别构建西湖龙井茶的积温预报模型和逐步回归预报模型，并利用多元线性回归方法，对两个模型的预报结果进行集成，构建集合预报模型。结果表明：积温预报模型、逐步回归预报模型、集成预报模型均通过0.01水平的显著性检验；龙井43和龙井群体种的积温预报模型回代检验平均绝对误差（MAE）分别为3.6d和2.8d，2a试预报MAE分别为2.5d和1.0d；逐步回归预报模型的回代检验MAE分别为0.9d和1.4d，2a试预报MAE分别为1.6d和0.8d；集成预报模型的回代检验MAE分别为0.7d和1.1d，2a试预报MAE分别为1.3d和0.8d。3种预报模型对西湖龙井茶开采期预报均具有应用价值，集成预报模型较积温预报模型和逐步回归预报模型的预报效果更理想，具有实际生产指导作用。关键词：西湖龙井茶；开采期；物候期；气象因子；预报；集成模型西湖龙井茶至今已有1200多年历史，以“色绿、香郁、味甘、形美”之四绝而闻名[1]。西湖龙井茶的独特品质除与品种和栽培管理措施有关外，也受到气候条件的影响[2−3]。杭州地处亚热带季风气候区，四季分明，雨热同季，适宜茶树栽培与优质高产[4]，但受气候变化影响，气候变率加大，早春季节几乎每年都会发生低温灾害，造成茶叶开采期推迟，影响茶叶品质和产量[5]。作为中国茶叶的第一大品牌，西湖龙井茶春茶的开采时间受到茶农、茶客和政府的广泛关注，而在品种和栽培管理方式一定的条件下，茶叶开采期主要由当年的气象条件决定，因此，开展西湖龙井茶开采期与气象因子关系研究具有重要意义。关于作物物候期的预测方法，已有专家学者开展了大量研究。积温法是一种广泛应用的物候期预测方法，前人通过积温法预测樱花盛花始期[6]、泡桐物候期[7]、桃树花期[8]。逐步回归统计方法也在农作物生长发育与天气气候条件关系分析中普遍应用[9−10]。在茶叶开采期预报中，姜燕敏等[9]将春茶开采期日序与气象要素进行逐步回归分析，构建起长期与中期开采预报模型，并结合活动积温和有效积温进行茶叶开采期预报；姜润等[11]通过有效积温、气象因子逐步回归方法对溧阳地区白茶开采期进行预报，为当地茶叶生产提供指导；李旭群[12]通过构建温湿隶属函数、低温冻害隶属函数，计算3月10℃活动积温，预报雨前“茅峰青山”和“雨花”的开采期。由于大气环流特征以及实际生产条件的复杂性，应用单一的资料和模型均会影响预报结果的精度和稳定性，阻碍业务推广应用，集成预报方法被广泛应用于天气和气候预报之中[13−15]。目前，集合预报模型在农业气象预报服务中也逐渐得到应用。宋迎波等[16]利用加权求和法将地面模型、海温模型和环流模型进行集成，构建美国玉米产量模型，预报稳定性提升；邱美娟等[17]采用加权法对3种指数模型和1种生长模型进行集成，预报山东冬小麦产量，预报准确率和稳定性均有提高；杨栋等[18]构建了不同时间尺度的奉化水蜜桃成熟期预报模型，分别采用算术平均法、回归系数法、相关系数法和绝对误差法确定其集合权重，其结果表明绝对误差法构建的加权集合模型绝对误差控制在2d以内，具有较高的实际应用价值。本研究在借鉴相关研究成果的基础上，以西湖龙井茶主栽品种的春茶开采期为研究对象，在积温法和逐步回归分析法的基础上，采用多元线性回归方法对前两者的预报结果进行集成，并检验其预报效果，进而揭示前期气象条件对春茶采摘的影响，提高西湖龙井茶开采期预报准确率，为保障茶叶优质高产提供科学依据。1 资料与方法1.1 研究区域及品种研究区域为《西湖龙井茶》标准[1]所确定的生产区域范围（图1）。研究品种为《西湖龙井茶》标准确定，并在西湖龙井茶产区主栽的龙井43和龙井群体种品种。龙井群体种已有1000多年的历史，是龙井茶最早的品种，由茶种栽培而成，开采期在3月下旬−4月初。龙井43是中国农业科学研究院茶叶研究所从龙井群体种选育出的无性系新品种，是国家级优良品种，开采期在3月中下旬。图1 西湖龙井茶生产区域Fig. 1 The production scope of Xihulongjing tea1.2 资料来源及处理西湖龙井茶的开采期来自2005年以来新闻媒体报道，龙井村、翁家山、梅家坞、双峰村、慈母桥村等地实地走访调查和福海堂茶叶基地实景监测。开采期是指每年第一批鲜叶采摘的日期，采摘标准为一芽一叶初展，即芽叶夹角小，芽长于叶，芽叶匀齐肥壮，芽叶长度不超过62.5px。气象资料为杭州国家基准站的逐日气象资料，要素包括平均气温、最高气温、最低气温、降水量、日照时数、相对湿度、不同深度平均地温（0、5、10、15、20、1000px）等，资料年限为1951年1月−2018年4月。气温和湿度用算术平均法将1−3月的日气象资料统计为旬值，降水量和日照时数用求和法算出旬值，雨日数根据日降水量统计而成（日降水量≥0.1mm时计1个雨日）。为验证茶农中流传的“冻一冻，缩一缩”的说法，将日最低气温低于4℃（包括4、3、2、1、0、−1、−2℃）的天数进行旬统计，求出各旬各温度的低温天数。将2005−2018年春茶开采期日期转换为年日序值，以1月1日为 1，1月2日为2，依次类推。1.3 开采期预报方法1.3.1 积温预报法计算两种积温：活动积温和有效积温。高于生长下限的日平均温度为活动温度，活动积温是指作物在某时期内活动温度对时间的积分。有效温度是日平均温度与生长下限温度之差，有效积温是指作物在某时期内有效温度对时间的积分。实际计算时将积分简化为求和。生长温度下限的确定：姜燕敏等[9]通过6～10℃之间，每隔1℃的活动积温和有效积温比较，认为龙井43开采期的10℃活动积温变异系数最小，其生长下限温度为10℃；杨亚军等[19]通过茶树冷处理试验，得出茶树生长下限温度为10℃的结论。因此，采用10℃作为龙井43和龙井群体种的生长下限温度。积温起止日的确定：采用5日滑动平均方法确定积温起始日，即在某一时段内，第一个连续5d日平均气温的平均值≥10℃，且这5d中第一个日平均气温≥10℃的日期作为积温统计起始日；积温统计终止日则为西湖龙井茶开采期的前一天。因杭州站历年5日滑动平均气温通过10℃的时间基本出现在2月上旬，同时，唐湖等[20]通过茶树休眠和萌发时期的物质变化试验也得出了龙井43在2月初萌发的结论，因此，从2月1日开始统计5日滑动平均气温通过10℃的日期。积温预报标准的确定：利用杭州国家基准气候站2005−2016年2−4月的日平均气温逐日资料，分别统计龙井43和龙井群体种积温起止日间≥10℃的活动积温、有效积温，并计算变异系数，以变异系数小的积温作为开采期预报积温。为得到明确开采日期，采用2005−2016年积温平均值作为积温预报模型标准。1.3.2 逐步回归预报法通过相关系数计算，筛选出满足条件的气象因子，再采用逐步回归统计方法，构建西湖龙井茶开采期年日序预报模型。具体为（1）计算相关系数：采用相关分析方法，分别计算2005−2016年不同气象因子与龙井43和龙井群体种开采期年日序的相关系数。（2）确定初选因子：筛选出相关系数通过0.05水平显著性检验的气象因子作为初选因子，3月的初选因子考虑是否可以被预报。（3）建立逐步回归预报模型：将初选因子和开采期年日序导入SPSS软件，采用逐步回归分析功能，得到龙井43和龙井群体种开采期预报方程，多个预报方程通过0.05水平显著性检验时，选取预报效果好的方程构建预报模型。1.3.3 集成预报法集成预报模型可以克服单一预报模型的局限性，实现优势互补。西湖龙井茶开采期预报采用多元线性回归方法，对积温预报模型和逐步回归预报模型的预报结果进行集成，具体做法是：以积温预报模型和逐步回归预报模型预测的年日序值作为自变量，开采期的年日序值作为因变量，利用SPSS软件的多元线性回归功能，分别统计龙井43和龙井群体种开采期的集成预报模型，并对其预报效果进行检验，通过0.05水平显著性检验时采用该模型，反之，不采用。2 结果与分析2.1 西湖龙井开采期调查结果由图2可见，龙井43和龙井群体种的开采期主要集中在3月，个别年份较晚，龙井群体种开采进入4月初（2005年为4月2日，2012年为4月1日）。龙井群体种历年开采期相对稳定，平均为3月27日，最早年份是2006年和2007年，比平均开采期早5d，最晚为2005年，比平均开采期晚6d，最早与最晚开采日期相差11d；而龙井43的开采期变幅较大，平均为3月17日，最早为2016年，比平均开采期早10d，最晚为2012年，比平均开采期晚9d，最早与最晚开采日期相差19d。每年开采期的震荡，给茶客购买茶叶和茶农安排生产带来很大的不确定性，有必要开展西湖龙井茶开采期预报。对比两个主栽品种的开采期可见，两者的变化趋势一致，每年龙井43的开采期均早于龙井群体种，平均偏早10d。开采早的年份两者差异大，如2007年（相差13d）、2013年（相差15d）和2016年（相差19d）；而开采晚的年份两者差异小，如2008年（相差6d）、2010年（相差6d）和2012年（相差6d）。随着气候变暖，春茶的开采期提前，龙井43和龙井群体种的春茶开采期差异将更大，上市时间更具不确定性，迫切需要加强开采期预测。图2 2005−2018年西湖龙井茶开采期调查结果Fig. 2 Investigating results of the picking date of Xihulongjing tea from 2005 to 20182.2 影响西湖龙井茶开采期的气象因子筛选结果选取2005−2016年1−3月各旬的平均气温、平均最高气温、平均最低气温、平均地温（0、5、10、15、20、1000px）、低温天数（≤4、3、2、1、0、−1、−2℃）、降水量、雨日数、平均相对湿度、日照时数等气象因子，分别与龙井43和龙井群体种的开采期年日序进行相关分析，筛选出通过0.05水平显著性检验的气象因子作为初选因子，其中3月的初选因子排除地温、日照时数（表1和表2）。表1 与龙井43开采期年日序相关显著的气象因子筛选结果Table 1 Selecting results of meteorological factors significantly correlated with picking date of Longjing43注：*、**分别表示相关系数通过0.05、0.01水平显著性检验。年日序以1月1日为1。下同。Note:* is P<0.05，** is P<0.01. E- is the first ten-day of a month；M- is the middle ten-day of a month；L- is last ten-day of a month. Ordinal day is the day in order of a year from Jan.1. The same as below.表2 与龙井群体种开采期年日序相关显著的气象因子筛选结果Table 2 Selecting results of meteorological factors significantly correlated with picking date of Longjingqunti从初选因子的时段看，龙井43和龙井群体种初选因子的时段绝大多数出现在2月中旬以后，说明2月上旬打破休眠后的气象因子是影响西湖龙井茶开采期的关键因子，而1月上旬−2月上旬因茶芽处于休眠期，气象因子对其影响小。从初选因子的要素看，与西湖龙井茶两个品种开采期关系最密切的是温度，包括平均气温、平均最高气温、平均最低气温、不同深度的平均地温和不同界限的低温天数。2月中旬以后气温上升快，有利茶芽萌发生长，开采期提前；2月中旬以后地温较高，有利茶树根系生长和发育，开采期提前；2月中旬和下旬低温天数多，茶树通过不饱和脂肪酸、蛋白质等内含物的变化，以适应外界的低温逆境，开采期延后[21]。降水对西湖龙井茶开采期的制约不如温度，主要是1月上旬的降水量、雨日数、平均相对湿度和3月上旬的雨日数，降水量大、雨日数多、湿度大，则促进茶叶提前开采。由表可见，各旬日照时数均未通过0.05水平显著性检验，茶树喜光耐阴，日照时数不是制约西湖龙井茶开采期的关键因子。在实际生产中，降水和温度往往是相互矛盾的，降水量大、雨日数多，容易出现低温，最终的结果由温度和降水等因子综合作用决定。2.3 西湖龙井开采期预报模型的建立与验证2.3.1 积温预报模型按照活动积温和有效积温的计算方法，分别统计2005-2016年龙井43和龙井群体种在积温起始日-终止日≥10℃的活动积温、有效积温及其变异系数（表3）。由表可见，2005-2016年，西湖龙井茶开采期的有效积温变异系数在0.32～0.40，活动积温变异系数在0.19～0.27，活动积温的变幅小于有效积温，稳定性较好。因此，采用2005-2016年活动积温平均值作为龙井43和龙井群体种积温预报模型的预报标准，预报标准分别为169.9℃·d和278.5℃·d。表3 2005-2016年西湖龙井茶开采期所需≥10℃有效积温、活动积温及其变异系数Table 3 Statistics of ≥10℃ accumulated temperature and its coefficient of variation for picking date of Xihulongjing tea in 2005−2016注：每年从2月1日起，采用5日滑动平均法确定积温统计起始日，开采期前1日作为积温统计终止日，分别统计活动积温和有效积温。以变异系数小的活动积温平均值作为龙井43和龙井群体种开采期积温达到标准。Note: Every year from February 1, the moving average method is used to calculate the date when the average daily temperature of 5 continuous days is not less 10℃. The first day of the 5 continuous days when the temperature is higher than 10℃ is used as the starting date of accumulated temperature statistics, and the day before the exploitation of Longjing 43 and Longjingqunti is used as the termination date of accumulated temperature statistics. The annual active accumulated temperatures of Longjing43 and Longjingqunti were obtained by accumulating the daily average temperature (≥10℃) between the start date and termination date from 2005−2016. The annual effective accumulated temperature of Longjing43 and Longjingqunti were obtained by accumulating the temperature after using the average daily temperature (≥10℃) subtracting 10℃ from the start date and the end date of 2005−2016. The accumulated temperature with a small coefficient of variation is chosen as the prediction accumulated temperature, and the averaged value can be used as the the prediction standard.从连续5日滑动平均气温通过10℃的起始日开始，按顺序将日平均气温≥10℃的温度进行累加，当累加温度达到或超过169.9℃·d时停止累加，把第二天作为龙井43的开采期；同理，将日平均气温≥10℃的温度累加，累加温度达到或超过278.5℃·d时停止累加，把第二天作为龙井群体种的开采期。计算结果如表4。由表可见，2005-2016年龙井43和龙井群体种的开采期年日序拟合MAE分别为3.6d和2.8d；两者的相关系数分别为0.846和0.808，均通过0.01水平的显著性检验。龙井43开采期2017年预报年日序为71，比调查日期偏早2d；2018年开采期预报年日序为76，比调查日期偏晚3d。龙井群体种2017年开采期预报年日序为86，与调查日期相同；2018年开采期预报年日序为86，比调查日期偏晚2d。2.3.2 逐步回归预报模型以初选因子作为自变量，开采期年日序为因变量，导入SPSS软件，利用其逐步回归分析功能，分别构建龙井43和龙井群体种的开采期年日序逐步回归预报模型（表5），预报模型均通过0.01水平显著性检验。从预报模型来看，2月下旬低温天数和3月上旬平均最低气温是影响龙井43和龙井群体种开采期的关键气象因子，2月中旬的平均地温对龙井43的开采期亦有影响。影响龙井43开采期的2月下旬低温天数其最低气温为1℃，高于龙井群体种的0℃，这可能与龙井群体种经过一千多年的驯化，更能适应低温环境有关；而龙井43是20世纪60年代利用龙井群体种培育的新品种，其耐低温性不如龙井群体种。表4 积温预报模型预报结果（年日序）及其误差Table 4 Ordinal day results of the accumulated temperature simulation model for Xihulongjing and its errors注：龙井43和龙井群体种的开采期活动积温达到标准分别是169.9℃·d和278.5℃·d；误差数据为正表示预报日期比调查日期偏晚，负表示偏早，0表示准确。Note: The active accumulated temperature of Longjing43 and Longjingqunti to reached the standard is 169.9℃·d and 278.5℃·d ，respectively. The positive data indicated that the forecast result was later than the investigation date, while the negative data means earlier, and 0 shows that the forecast was accurate.表5 逐步回归预报模型及其预报结果（年日序）Table 5 Stepwise regression prediction model and its forecasting results(ordinal day)利用龙井43和龙井群体种的开采期年日序逐步回归预报模型对2005−2016年的开采期年日序进行拟合，预测值与调查值的MAE分别为0.9d和1.4d，预报精度较高。对2017年和2018年进行试预报，龙井43的预报开采期年日序分别为71.6和71.3，分别比调查日期偏早1.4d和1.7d；龙井群体种的预报开采期年日序分别为84.6和84.4，分别比调查日期偏早1.4d和偏晚0.2d，试预报效果较理想。2.3.3 集成预报模型以2005−2016年积温预报模型和逐步回归预报模型预测的年日序作为自变量，开采期年日序作为因变量，采用SPSS的多元线性回归功能，分别构建龙井43和龙井群体种的集成预报模型（表6）。用集成预报模型预报结果对2005−2016年的龙井43和龙井群体种开采期年日序进行回代检验，MAE分别为0.7d和1.1d，比积温预报模型预报的MAE分别缩小了2.9d和1.7d，比逐步回归预报模型预报的MAE分别缩小0.2d和0.3d，预报精度提高明显。对2017年和2018年进行试预报，龙井43开采期的预报年日序分别为75.4和73.1，分别比调查日期晚2.4d和0.1d，MAE比积温预报模型缩小了1.2d，比逐步回归预报模型缩小了0.3d；龙井群体种开采期的预报年日序分别为85.1和84.7，比调查日期偏早0.9d和偏晚0.7d，MAE比积温预报模型缩小了0.2d，与逐步回归预报模型持平，预报精度有所提高。表6 集成预报模型及预报结果（年日序）Table 6 The multiple regression ensemble method and its forecasting results(ordinal day)3 结论与讨论3.1 结论采用积温预报模型预报西湖龙井茶开采期时，活动积温的变异系数小于有效积温，稳定性更好，回代检验和试预报的MAE小于4d，具有应用价值。与姜燕敏等[9]的龙井43活动积温变异小的结果一致，与李旭群[12]的“茅山青峰”、“雨花”茶叶开采期和3月活动积温线性相关的结果类似。逐步回归预报模型对西湖龙井茶开采期预报的效果理想，回代检验和试预报的MAE小于2d，具有生产应用价值。初选因子表明，温度对茶叶开采期起关键作用，其次是降水，日照的影响不显著。这与金志凤等[4]的浙江茶叶生产中温度适宜度优于降水适宜度，降水适宜度优于光照适宜度的结论符合；与李湘阁等[22]的早春低温使茶芽萌动延迟，生育减慢的研究结果一致。集成预报模型的预报精度比积温预报模型提高明显，较逐步回归预报模型有所提高，预报结果可应用于生产服务。3.2 讨论仅用积温预报西湖龙井茶具有较大的不确定性，例如2007年龙井43开采期和2016年龙井群体种开采期的预报日期均比调查日期提前9d，这与肖静等[23−24]的积温预报具有不确定性的研究结果一致，在实际应用中仅考虑积温不能满足服务生产的需要，考虑低温等因子对茶树萌芽的影响，可提高预报精度。逐步回归预报模型反映了不同气象因子之间的相互依赖关系，建立了各因子之间的最优关系模型，对龙井43和龙井群体种的预报效果较理想，预报模型引入的旬最低气温天数关键因子，验证了民间茶叶“冻一冻，缩一缩”的说法，与杨亚军等[21]茶树可通过内含物变化，适应外界低温逆境的结果一致。集成预报模型由不同的预报方法融合而成，克服了单一模型的不确定性和不稳定，提高了西湖龙井茶开采期的预报精度，满足了业务服务需要，可为茶客购买茶叶、茶农安排生产和政府安排活动提供依据。此外，遥感技术、作物模型在大宗作物生育期监测中得到广泛应用[25]，遥感技术在橡胶等经济作物的物候期监测中也得到应用[26]，将遥感数据、作物模型、统计模型、积温模型等集成，可以实现不同类型信息的优势互补[27−28]，未来可继续开展模型融合技术的研究。本研究的样本数量较少，预报模型还有较大的不确定性，在实际应用中，可随着样本数的增加，不断调试模型，提高预报精度。从杭州国家基准气候站1951年以来的数据分析，2月下旬≤1℃和≤0℃的低温天数均呈减少趋势，3月上旬的旬平均最低气温呈上升趋势，西湖龙井茶的开采期将有所提前，低温对西湖龙井茶生产的影响将加强，需要加强霜冻等天气防范。该结果与朱媛君等[29]的气候变暖，春夏季物候期提前的研究结果一致。参考文献 References[1] 翁昆,许燕君,沈红,等.GH/T 1115-2015 西湖龙井茶[S].北京:中华全国供销合作总社,2015.Weng K,Xu Y J,Shen H,et al.GH/T 1115-2015 Xihulongjing tea[S].Beijing:All China Federation of Supply and Marketing Cooperatives,2015.(in Chinese)[2] 黄寿波.茶树生长的农业气象指标[J].农业气象,1981,(3): 54-58．Huang S B.Agrometeorological index for the growth of tea[J].Chinese Journal of Agrometeorology,1981,(3):54-58.(in Chinese)[3] 黄寿波.气象因子与茶树生育、产量、品质的关系[J].中国农业科学,1986,(4):96．Huang S B.The relationship between meteorological factors and tea fertility,yield and quality[J].Scientia Agricultura Sinica,1986,(4):96.(in Chinese)[4] 金志凤,叶建刚,杨再强,等.浙江省茶叶生长的气候适宜性[J].应用生态学报,2014,25(4):967-973.Jin Z F,Ye J G,Yang Z Q,et al.Climate suitability for tea growing in Zhejiang Province[J].Chinese Journal of Applied Ecology,2014,25(4):967- 973.(in Chinese)[5] 金志凤,胡波,严甲真,等.浙江省茶叶农业气象灾害风险评价[J].生态学杂志,2014,33(3):771-777.Jin Z F,Hu B,Yan J Z,et al.Agro-meteorological disaster risk evaluation of tea planting in Zhejiang province[J].Chinese Journal of Ecology,2014,33(3):771-777.(in Chinese)[6] 叶彩华,周孝煌,姜会飞,等.下限温度对北京樱花盛花始期模拟效果的影响[J].中国农业气象,2018,39(1):1-8.Ye C H,Zhou X H,Jiang H F,et al.Impacts of different base temperature on simulation effect of beginning flowering date of Prunus discoidea in Beijing[J].Chinese Journal of Agrometeorology,2018,39(1):1-8.(in Chinese)[7] 郁珍艳,高大伟,吴利红,等.气象条件对浙江省泡桐物候期的影响研究[J].气象科学,2014,34(6):666-671．Yu Z Y,Gao D W,Wu L H,et al.Influence of weather conditions on Paulownia phenological period in Zhejiang province[J].Meteorological Science and Technology,2014, 34(6):666-671.(in Chinese)[8] 姚日升,涂小萍,丁烨毅,等.宁波桃树花期预报方法[J].气象科技,2014,42(1):180-186.Yao R S,Tu X P,Ding Y Y,et al.A method for forecasting peach flowering in Ningbo[J].Meteorological Science and Technology,2014,42(1):180-186.(in Chinese)[9] 姜燕敏,金志凤,李松平,等.浙南春茶开采前后气象条件分析及开采期预报[J].中国农业气象,2015,36(2):212-219.Jiang Y M,Jin Z F,Li S P,et al.Meteorological conditions analysis and prediction model establishment on spring tea first plucking date in south Zhejiang[J].Chinese Journal of Agrometeorology,2015,36(2):212-219.(in Chinese)[10] 郭建平,庄立伟,陈玥熤.东北玉米热量指数预测方法研究(Ⅱ):逐步回归预测方法[J].灾害学,2009,24(4):11-14.Guo J P,Zhuang L W,Chen Y Y.Study on forecasting method of corn heat index in northeastern China(Ⅱ):stepwise regression model[J].Journal of Catastrophology,2009,24(4): 11-14.(in Chinese)[11] 姜润,钱半吨,蒋文妍,等.‘白叶1号’茶树品种在溧阳开采期预测研究[J].茶叶,2014,40(3):134-137.Jiang R,Qian B D,Jiang W Y,et al.Forecast of first plucking date of white tea cultivar‘White Leaf 1’in Liyang[J].Journal of Tea,2014,40(3):134-137.(in Chinese)[12] 李旭群.雨前“茅山青峰”、“雨花”茶开采期预报方法[J].中国农业气象,1990,11(2):59-61．Li X Q.The prediction method of first plucking date for Maoshan Qingfeng and Yuhua tea before rain[J].Chinese Journal of Agrometeorology,1990,11(2):59-61.(in Chinese)[13] 张玲,智协飞.2008年初中国南方冰冻雨雪天气的多模式集成预报[J].热带气象学报,2013,29(3):393-402．Zhang L,Zhi X F.Multimodel ensemble forecasting of low temperature and icy weather over central and southern China during early 2008[J].Journal of Tropical Meteorology,2013, 29(3):393-402.(in Chinese)[14] 张涵斌,智协飞,王亚男,等.基于TIGGE资料的西太平洋热带气旋多模式集成预报方法比较[J].气象,2015,41(9): 1058-1067.Zhang H B,Zhi X F,Wang Y N,et al.Comparison of multimodel ensemble methods for western pacific tropical cyclone forecast based on TIGGE data[J].Meteorological Monthly,2015,41(9):1058-1067.(in Chinese)[15] 熊聪聪,耿世洁,董昊,等.基于混合算法的降水集成预报研究[J].计算机工程与科学,2016,38(10):2147-2152.Xiong C C,Geng S J,Dong H.Integrated precipitation forecast based on hybrid algorithms[J].Computer Engineering& Science,2016, 38(10):2147-2152. (in Chinese)[16] 宋迎波,杨霏云,郑昌玲,等.美国玉米产量业务预报方法研究[J].中国农业气象,2008,29(4):446-449.Song Y B,Yang F Y,Zheng C L,et al.Research on operational forecast methods of corn yields in the United States of America(USA)[J].Chinese Journal of Agrometeorology,2008, 29(4):446-449.(in Chinese)[17] 邱美娟,宋迎波,王建林,等.山东省冬小麦产量动态集成预报方法[J].应用气象学,2016,27(2):191-200.Qiu M J,Song Y B,Wang J L,et al.Integrated technology of yield dynamic prediction of winter wheat in Shandong province[J].Journal of Applied Meteorological Science,2016, 27(2):191-200.(in Chinese)[18] 杨栋,丁烨毅,金志凤,等.浙江水蜜桃成熟期集合预报模型[J].中国农业气象,2018,39(6):421-430.Yang D,Ding Y Y,Jin Z F,et al.Collection model for maturity forecasting of juicy peach in Zhejiang province[J].Chinese Journal of Agrometeorology,2018,39(6):421-430.(in Chinese)[19] 杨亚军,郑雷英,王新超等.冷驯化和ABA对茶树抗寒力及其体内脯氨酸含量的影响[J].茶叶科学,2004,24(3): 177-182．Yang Y J,Zheng L Y,Wang X C,et al.Effect of cold acclimation and ABA on cold hardiness,contents of proline in tea plants[J].Journal of Tea Science,2004,24(3):177-182. (in Chinese)[20] 唐湖,郝心愿,王璐,等.茶树越冬芽在休眠与萌发时期的物质交流变化及其分子调控[J].作物学报,2017,43(5): 669-677.Tang H,Hao X Y,Wang L,et al.Molecular regulation and substance exchange dynamics at dormancy and budbreak stages in overwintering buds of tea plant[J]. Acta Agronomica Sinica,2017,43(5):669-677.(in Chinese)[21] 杨亚军,郑雷英,王新超.低温对茶树叶片膜脂脂肪酸和蛋白质的影响[J].亚热带植物科学,2005,34(1):5-9．Yang Y J,Zheng L Y,Wang X C.Changes of membrane fatty acid composition and protein in tea leaves at low temperature[J].Subtropical Plant Science,2005,34(1):5-9.(in Chinese)[22] 李湘阁,闵庆文,余卫东.南京地区茶树生长气候适应性研究[J].南京气象学院学报,1995,18(4):572-577.Li X G,Min Q W,Yu W D.Study of climate adaptability of tea plants in Nanjing Area[J].Journal of Nanjing Institute of Meteorology,1995,18(4):572-577.(in Chinese)[23] 肖静,李楠,姜会飞.作物发育期积温计算方法及其稳定性[J].气象研究与应用,2010,31(2):64-67.Xiao J,Li N,Jiang H F.Calculation and stability of accumulated temperatures in the growing season of winter wheat[J].Journal of Meteorological Research and Application,2010,31(2):64-67.(in Chinese)[24] Vinocur M G,Ritchie J T.Maize leaf development biases caused by Air-Apex temperature differences[J].Agronomy Journal,2001,93:767-772.[25] 宫诏健,刘利民,陈杰,等.基于MODIS NDVI数据的辽宁省春玉米物候期提取研究[J].沈阳农业大学学报,2018,49(3): 257-265.Gong Z J,Liu L M,Chen J,et al.Phenophase extraction of spring maize in Liaoning province based on MODIS NDVI data[J].Journal of Shenyang Agricultural University,2018, 49(3):257-265.(in Chinese)[26] 陈小敏,陈汇林,李伟光,等.海南岛天然橡胶林春季物候期的遥感监测[J].中国农业气象,2016,37(1):111-116.Chen X M,Chen H L,Li W G,et al.Remote sensing monitoring of spring phenophase of natural rubber forest in Hainan Province[J].Chinese Journal of Agrometeorology, 2016,37(1):111-116.(in Chinese)[27] 易雪,王建林,宋迎波,等.早稻产量动态继承预报方法研究[J].中国水稻科学,2011,25(3):307-313.Yi X,Wang J L,Song Y B,et al.Study on dynamic integrated prediction of early rice yield[J].Chin J Rice Sci,2011, 25(3):307-313.(in Chinese)[28] 李存军,王纪华,王娴,等.遥感数据和作物模型集成方法与应用前景[J].农业工程学报,2008,24(11):295-301.Li C J,Wang J H,Wang X,et al.Methods for integration of remote sensing data and crop model and their prospects in agricultural application[J].Transactions of CSAE,2008, 24(11):295-301.(in Chinese)[29] 朱媛君,郝琦,清华,等.呼和浩特自然历主要物候期和物候季节变化特征及归因[J].中国农业气象,2017,38(1):9-20.Zhu Y J,Hao Q,Qing H,et al.Changes of main phenophases of natural calendar and phenological seasons in Hohhot[J].Chinese Journal of Agrometeorology,2017,38(1): 9-20.(in Chinese)Research on the Factors of Xihulongjing Tea Picking Date and Its Prediction ModelZHU Lan-juan1, JIN Zhi-feng2, ZHANG Yu-jing1, WANG Zhi-hai2, LIU Min1, FAN Liao-sheng1（1. Hangzhou Meteorological Bureau, Hangzhou 310051, China；2. Zhejiang Climate Center, Hangzhou 310017）Abstracts: Based on the picking date of the main species of Xihulongjing Tea (Longjing43 and Longjingqunti) and its meteorological data, the accumulated temperature prediction model and the stepwise regression prediction model of Xihulongjing tea were constructed by using accumulated temperature and stepwise regression method, also the prediction of multiple regression ensemble method was integrated by these two prediction results, using the multiple linear regression method. The results showed that the accumulated temperature prediction model, stepwise regression prediction model and integrated prediction model all passed the significance test of P<0.01. The simulated mean absolute error（MAE） of accumulated temperature prediction model were 3.6d and 2.8d, while the prediction MAE of 2-year test prediction were 2.5d and 1.0d for Longjing43 and Longjingqunti respectively. In addition, the simulated MAE of stepwise regression analysis were 0.9d and 1.4d, the prediction MAE of 2-year test prediction were 1.6d and 0.8d for Longjing43 and Longjingqunti separately. The prediction of multiple regression ensemble method was more accurate than single method with the simulated MAE value were 0.7d and 1.1d ,while the prediction MAE of 2-year test prediction were 1.3d and 0.8d, the prediction of multiple regression ensemble method would provide more scientific support for guiding tea production. These three forecasting models are of practical value for the prediction of the picking up period of Xihulongjing tea. The prediction of multiple regression ensemble method is more ideal and with more practical application value than accumulated temperature forecasting model and stepwise regression analysis model.Key words: Xihulongjing tea; Picking date; Phenophase; Meteorological factors; Prediction; Ensemble methoddoi:10.3969/j.issn.1000-6362.2019.03.003朱兰娟,金志凤,张玉静,等.西湖龙井茶开采期影响因子及预报模型[J].中国农业气象,2019,40(3):159-169*收稿日期：2018-09-13基金项目：浙江省气象科技计划项目（2015C02048；2017ZD10）；杭州市气象科技计划项目（QX201503）作者简介：朱兰娟（1969-），女，高级工程师，主要从事农业气象服务研究工作。E-mail: 463339804@qq.com