CN106845687A - 一种烟草品质研究方法 - Google Patents

一种烟草品质研究方法 Download PDF

Info

Publication number
CN106845687A
CN106845687A CN201611221523.4A CN201611221523A CN106845687A CN 106845687 A CN106845687 A CN 106845687A CN 201611221523 A CN201611221523 A CN 201611221523A CN 106845687 A CN106845687 A CN 106845687A
Authority
CN
China
Prior art keywords
flue
yield
cured tobacco
cigarette
tobacco
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611221523.4A
Other languages
English (en)
Inventor
邵惠芳
赵昕宇
黄五星
许自成
韩丹
张慢慢
赵蓉蓉
牛桂言
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
Henan Agricultural University
Original Assignee
Zhengzhou University
Henan Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou University, Henan Agricultural University filed Critical Zhengzhou University
Priority to CN201611221523.4A priority Critical patent/CN106845687A/zh
Publication of CN106845687A publication Critical patent/CN106845687A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明涉及一种烟草品质研究方法,具体步骤如下:(1)烤烟样品采集;(2)气象数据调查;(3)采用合适的统计分析方法,具体包括:(a)相关分析;(b)通径分析;(c)灰色关联聚类分析;(d)灰色优势决策;(e)多元回归分析;(f)灰色模型预测;(g)BP神经网络分析。本发明采用的BP神经网络模型,全面综合了烟区整个大田生育期的平均温度、相对湿度、降水量、日照时数、日最低和日最高温度、最小相对湿度等7个参数,能够为准确预测烟区烤烟产量提供性能良好的数学模型。

Description

一种烟草品质研究方法
技术领域
本发明涉及一种烟草品质研究方法,属于烟草技术领域。
背景技术
烟草属草茄木,茄科一年生或有限多年生草本植物,基部稍木质化。花序顶生,圆锥状,多花;蒴果卵状或矩圆状,长约等于宿存萼。夏秋季开花结果。主要分布于南美洲、南亚、中国。一年生或有限多年生草本,全体被腺毛;根粗壮。茎高0.7-2米,基部稍木质化。叶矩圆状披针形、披针形、矩圆形或卵形,顶端渐尖,基部渐狭至茎成耳状而半抱茎,长10-30(-70)厘米,宽8-15(-30)厘米,柄不明显或成翅状柄。花序顶生,圆锥状,多花;花梗长5-20毫米。花萼筒状或筒状钟形,长20-25毫米,裂片三角状披针形,长短不等;花冠漏斗状,淡红色,筒部色更淡,稍弓曲,长3.5-5厘米,檐部宽1-1.5厘米,裂片急尖;雄蕊中1枚显著较其余4枚短,不伸出花冠喉部,花丝基部有毛。蒴果卵状或矩圆状,长约等于宿存萼。种子圆形或宽矩圆形,径约0.5毫米,褐色。夏秋季开花结果。针对烟草品质有必要采用合适的方式研究。
发明内容
本发明的目的在于提供一种烟草品质研究方法,以便更好地建立烟草品质管理模型,便于更好地指导生产。
为实现上述目的,本发明技术方案如下。
一种烟草品质研究方法,具体步骤如下:
(1)烤烟样品采集:河南烟草种植区区划为豫西、豫中和豫南烟区,以豫西、豫中和豫南烟区为单位,统计3大主要烟草种植区2004-2014年烤烟种植情况,其中豫西烟区包括洛阳88份样品,三门峡44份样品;豫中烟区包括许昌44份样品,漯河33份样品,平顶山66份样品;豫南烟区包括驻马店55份样品,南阳88份样品;主要统计这些烟区的产量、上等烟比例、中等烟比例、上部叶比例、中部叶和下部叶比例。同时统计济源、信阳和商丘三地11份烟区烤烟产量。样品采集时以各个县为单位,在烟叶收购时进行计量统计,统计不同部位烟叶的重量及收购烟叶的总重量,进而可计算不同部位烟叶的比例。对于上等烟和中等烟比例,收购时严格按照分级标准进行统计,最后计算不同等级烟叶比例。
(2)气象数据调查:以河南省3个主要烟草种植区豫西、豫中和豫南为单位,从各地市气象局系统收集整理当地烤烟取样烟田近11年烤烟大田生育期5-9月的主要气象数据,主要气象因素包括整个大田生育期的平均温度、日照时数、相对湿度、降水量、日最高温度、日最低温度和最小相对湿度等指标。
(3)采用合适的统计分析方法,具体包括:
(a)相关分析:相关分析是研究不同指标之间是否存在某种相互关系,并对具体有相关关系的指标进行探讨其具体的相关方向和相关的程度,是一种研究各个随机变量间相关关系的统计方法。本发明主要通过分析双变量之间的Person简单相关系数来研究不同烟区烤烟产量与不同等级及部位烟叶比例之间的关系,研究其之间的相关程度,应用SPSS21.0软件计算相关系数并运用Excel来完成相关表格的制作。
(b)通径分析:通径分析是简单相关分析的继续,在多元回归的基础上将简单相关系数分解为直接通径系数和间接通径系数,具体分析步骤如下:
(b1)依据最小二乘法的原理,将线性回归方程
Y=α01x12x2+…+αnxn
变换成正规矩阵方程:
式中:Y为因变量,xi(i=1,2,…,n)为自变量,rxixj为xi和xj的简单相关系数,rxiY为xi和Y的简单相关系数,PYxi为xi对Y的直接通径系数。
(b2)将矩阵方程组转换成线性方程组,对其求解得通径系数PYxi
(b3)依据公式:得出间接通径系数。
(c)灰色关联聚类分析:
对河南10个烤烟种植区的主要经济性状进行灰色关联聚类分析,设有m个对象,n个指标,进而得到的原始数据的序列原始数据序列的始点零化象:
式中
灰色绝对关联度
由此可得各聚类指标的关联矩阵:
根据研究问题的实际需要,确定临界值λ(0≤λ≤1),其中λ越接近1,分类会越细,而每一类中所包含的指标数相对就会越少,反之则越多。
(d)灰色优势决策:
灰色局势决策首先要指定灰色事件与对策,然后构造灰色局势,确定灰色目标,并赋予各目标权重值,计算各目标局势效果测度矩阵。计算公式如下:
上限测度效果:
下限测度效果:
适中效果测度:x0表示指标的适中值。
构造综合效果测度,并根据综合效果测度寻找出最优局势,组成最优序列x,然后根据以上公式求x与与xi(i=1,2,…,n)之间的灰色绝对关联度值,根据各烟草种植区烤烟经济性状的灰色绝对关联度值的大小判断烤烟经济性状的优劣。
运用灰色关联决策对不同种植区烤烟经济性状进行最优目标解的筛选,首先对各指标进行初值变换,然后根据各个指标性质求出最优目标解,所述指标性质为上限效果测度、下限效果测度和适中效果测度;在保证烤烟品质优良的前提下,烤烟的经济性状越高越好,因此选择上限效果测度进行计算。
(e)多元回归分析:回归分析是研究一个因变量与一个或多个自变量之间的线性或非线性关系,通过自变量和因变量来确定两变量之间的因果关系,并建立回归模型,同时依据实际数据来计算模型的各个指标,最后评价该模型是否具有良好的拟合效果,进而可以对因变量进行预测。本发明分析了烤烟产量与气候因素之间的关系,并采用了逐步回归分析的方法,根据其回归方程进行预测未来烤烟产量。该统计分析在SPSS21.0软件中完成。
(f)灰色模型预测:烤烟产量的灰色预测模型是基于对烤烟产量原始数据的累加而生成数列的产量预测模型。生成的累加数列将原始数列的起伏弱化,而平稳性大大增加,显逐渐递增的形式。其步骤为:
(f1)给定的原始数列:
X(0)(i)=[X(0)(1),X(0)(2),...,X(0)(n)]
经过一次累加,得到:
即:X(1)(i)=[X(1)(1),X(1)(2),...,X(1)(n)]
(f2)将新数列的变化趋势近似地用微分方程描述
其中:a,b为辨识参数,辨识参数通过最小二乘法来估计得到。
(f3)构造数据矩阵
上式中YN为列向量,YN=[X(0)(2),X(0)(3),X(0)(4),…,X(0)(N)]T
(f4)求出时间响应方程,即预测模型,计算拟合值:
当k=1,2,……n-1时,算的是拟合值;当k≥n时,X(k+1)为预测值。
(f5)用后减运算还原:
X(0)(i)=x(1)(i)-x(1)(i-1),i=2,3,…,n
(f6)模型的检验:
(g)BP神经网络分析:人工神经网络是近些年研究的热点,该方法的研究领域包括建模、时间序列分析、模式识别和控制等。它是由大量处理单元神经元互相连接而成的人工网络,具有并行分布的信息处理的结果,通过非线性函数的复合来进行输入和输出的映射,具有自动归纳规则,获得数据内在规律的对信息的处理具有自组织、自学习的特点。BP网络模型是人工神经网络的一种,具有容错、抗干扰、联想、自学习、非线性动态处理和自组织等特征,可揭示出各个样本中的非线性关系,解决因变量和多个自变量之间的非线性精确预测的问题。因此是基于BP神经网络误差反向传播算法的多层前馈神经网络,该网络采用Sigmoid型传递函数。其函数预测的准确度高,有更好的评价预测和分析的效果,在烟草领域已被广泛的应用。本发明利用MATLAB神经网络工具箱对河南省不同烟区烤烟产量与气候因素的关系进行BP神经网络模型的构建。
该发明的有益效果在于:本发明采用的BP神经网络模型,全面综合了烟区整个大田生育期的平均温度、相对湿度、降水量、日照时数、日最低和日最高温度、最小相对湿度等7个参数,能够为准确预测烟区烤烟产量提供性能良好的数学模型。
附图说明
图1不同烟草种植区烤烟产量的差异分析。
具体实施例
本实施例中的烟草品质研究方法,具体步骤如下:
(1)烤烟样品采集:河南烟草种植区区划为豫西、豫中和豫南烟区,以豫西、豫中和豫南烟区为单位,统计3大主要烟草种植区2004-2014年烤烟种植情况,其中豫西烟区包括洛阳88份样品,三门峡44份样品;豫中烟区包括许昌44份样品,漯河33份样品,平顶山66份样品;豫南烟区包括驻马店55份样品,南阳88份样品;主要统计这些烟区的产量、上等烟比例、中等烟比例、上部叶比例、中部叶和下部叶比例。同时统计济源、信阳和商丘三地11份烟区烤烟产量。样品采集时以各个县为单位,在烟叶收购时进行计量统计,统计不同部位烟叶的重量及收购烟叶的总重量,进而可计算不同部位烟叶的比例。对于上等烟和中等烟比例,收购时严格按照分级标准进行统计,最后计算不同等级烟叶比例。
(2)气象数据调查:以河南省3个主要烟草种植区豫西、豫中和豫南为单位,从各地市气象局系统收集整理当地烤烟取样烟田近11年烤烟大田生育期5-9月的主要气象数据,主要气象因素包括整个大田生育期的平均温度、日照时数、相对湿度、降水量、日最高温度、日最低温度和最小相对湿度等指标。
(3)采用合适的统计分析方法,具体包括:
(a)相关分析:相关分析是研究不同指标之间是否存在某种相互关系,并对具体有相关关系的指标进行探讨其具体的相关方向和相关的程度,是一种研究各个随机变量间相关关系的统计方法。本发明主要通过分析双变量之间的Person简单相关系数来研究不同烟区烤烟产量与不同等级及部位烟叶比例之间的关系,研究其之间的相关程度,应用SPSS21.0软件计算相关系数并运用Excel来完成相关表格的制作。
(b)通径分析:通径分析是简单相关分析的继续,在多元回归的基础上将简单相关系数分解为直接通径系数和间接通径系数,具体分析步骤如下:
(b1)依据最小二乘法的原理,将线性回归方程
Y=α01x12x2+…+αnxn
变换成正规矩阵方程:
式中:Y为因变量,xi(i=1,2,…,n)为自变量,rxixj为xi和xj的简单相关系数,rxiY为xi和Y的简单相关系数,PYxi为xi对Y的直接通径系数。
(b2)将矩阵方程组转换成线性方程组,对其求解得通径系数PYxi
(b3)依据公式:得出间接通径系数。
(c)灰色关联聚类分析:
对河南10个烤烟种植区的主要经济性状进行灰色关联聚类分析,设有m个对象,n个指标,进而得到的原始数据的序列[79-81]
原始数据序列的始点零化象:
式中
灰色绝对关联度
由此可得各聚类指标的关联矩阵:
根据研究问题的实际需要,确定临界值λ(0≤λ≤1),其中λ越接近1,分类会越细,而每一类中所包含的指标数相对就会越少,反之则越多。
(d)灰色优势决策:
灰色局势决策首先要指定灰色事件与对策,然后构造灰色局势,确定灰色目标,并赋予各目标权重值,计算各目标局势效果测度矩阵。计算公式如下:
上限测度效果:
下限测度效果:
适中效果测度:x0表示指标的适中值。
构造综合效果测度,并根据综合效果测度寻找出最优局势,组成最优序列x,然后根据以上公式求x与与xi(i=1,2,…,n)之间的灰色绝对关联度值,根据各烟草种植区烤烟经济性状的灰色绝对关联度值的大小判断烤烟经济性状的优劣。
运用灰色关联决策对不同种植区烤烟经济性状进行最优目标解的筛选,首先对各指标进行初值变换,然后根据各个指标性质求出最优目标解,所述指标性质为上限效果测度、下限效果测度和适中效果测度;在保证烤烟品质优良的前提下,烤烟的经济性状越高越好,因此选择上限效果测度进行计算。
(e)多元回归分析:回归分析是研究一个因变量与一个或多个自变量之间的线性或非线性关系,通过自变量和因变量来确定两变量之间的因果关系,并建立回归模型,同时依据实际数据来计算模型的各个指标,最后评价该模型是否具有良好的拟合效果,进而可以对因变量进行预测。本发明分析了烤烟产量与气候因素之间的关系,并采用了逐步回归分析的方法,根据其回归方程进行预测未来烤烟产量。该统计分析在SPSS21.0软件中完成。
(f)灰色模型预测:烤烟产量的灰色预测模型是基于对烤烟产量原始数据的累加而生成数列的产量预测模型。生成的累加数列将原始数列的起伏弱化,而平稳性大大增加,显逐渐递增的形式。其步骤为:
(f1)给定的原始数列:
X(0)(i)=[X(0)(1),X(0)(2),...,X(0)(n)]
经过一次累加,得到:
即:X(1)(i)=[X(1)(1),X(1)(2),...,X(1)(n)]
(f2)将新数列的变化趋势近似地用微分方程描述
其中:a,b为辨识参数,辨识参数通过最小二乘法来估计得到。
(f3)构造数据矩阵
上式中YN为列向量,YN=[X(0)(2),X(0)(3),X(0)(4),…,X(0)(N)]T
(f4)求出时间响应方程,即预测模型,计算拟合值:
当k=1,2,……n-1时,算的是拟合值;当k≥n时,X(k+1)为预测值。
(f5)用后减运算还原:
X(0)(i)=x(1)(i)-x(1)(i-1),i=2,3,…,n
(f6)模型的检验:
(g)BP神经网络分析:人工神经网络是近些年研究的热点,该方法的研究领域包括建模、时间序列分析、模式识别和控制等。它是由大量处理单元神经元互相连接而成的人工网络,具有并行分布的信息处理的结果,通过非线性函数的复合来进行输入和输出的映射,具有自动归纳规则,获得数据内在规律的对信息的处理具有自组织、自学习的特点。BP网络模型是人工神经网络的一种,具有容错、抗干扰、联想、自学习、非线性动态处理和自组织等特征,可揭示出各个样本中的非线性关系,解决因变量和多个自变量之间的非线性精确预测的问题。因此是基于BP神经网络误差反向传播算法的多层前馈神经网络,该网络采用Sigmoid型传递函数。其函数预测的准确度高,有更好的评价预测和分析的效果,在烟草领域已被广泛的应用。本发明利用MATLAB神经网络工具箱对河南省不同烟区烤烟产量与气候因素的关系进行BP神经网络模型的构建。
利用上述方法所获得的结果如下:
(1)河南烤烟产量的总体趋势分析:
对河南省的10个主要烟草种植区的烤烟产量进行分析,其结果如图1所示。河南烟区的烤烟产量在不同种植区的表现为许昌烟草种植区>洛阳烟草种植区>驻马店烟草种植区>三门峡烟草种植区>平顶山烟草种植区>南阳烟草种植区>漯河烟草种植区>信阳烟草种植区>济源烟草种植区>商丘烟草种植区。多重比较表明,许昌烟草种植区的烤烟产量与其他烟草种植区的烤烟产量差异显著,洛阳和驻马店烟草种植区、平顶山和南阳烟草种植区、济源和商丘烟草种植区两两烟区的烤烟产量差异不显著。
就不同烟草种植区烤烟产量的变异系数而言,漯河烟草种植区烤烟产量的变异系数相对较小,为15.04%,其次是洛阳和三门峡烟区,可见样本的稳定性较好;信阳和南阳烟草种植区烤烟产量的变异系数相对较大,分别达43.95%和36.27%,样本的稳定性较漯河、洛阳和三门峡烟草种植区较差,可能与当年烟草种植面积及气候因素等有关。
据有关资料统计,全国烤烟单产均值为1700kg/hm2左右[99]。总的来看,河南烟区烤烟产量均值为1844.46kg/hm2,高于全国烤烟产量均值。其中,除济源和商丘烟草种植区的烤烟产量低于全国烤烟产量单产外,其余烟草种植区的烤烟产量均高于全国烟草产量均值。就河南省烤烟产量均值而言,除洛阳、三门峡、许昌和驻马店烟草种植区外,其余烟草种植区的烤烟产量均低于河南省烤烟产量的均值,河南省不同烟草种植区烤烟产量的差异可能与当地的地形地貌及环境因素等有关。
(2)河南烟区烤烟产量与不同等级、不同部位烟叶比例的变异分析:
(2a)烤烟产量与不同等级、部位烟叶比例的简单相关分析:
(2a.1)豫西烟区:
对烤烟样品的产量与不同等级、部位烟叶比例进行相关分析,由结果(表1)可知,上等烟比例、中等烟比例、上部叶比例、中部叶比例、下部叶比例和烤烟产量均呈显著或极显著的正相关和负相关关系。烤烟产量与上等烟比例、中等烟比例、上部叶比例、中部叶比例均呈现极显著的正相关关系,与下部叶比例呈极显著负相关关系。这与李文平等[12]研究的烤烟上中等烟比例与产量呈极显著相关的研究结果一致。
表1烤烟产量与不同等级、部位烟叶比例指标的相关分析
注:*和**分别表示相关性达到0.05和0.01显著水平。
(2a.2)豫中烟区:
对豫中烟区的烤烟产量与不同等级、部位烟叶比例进行相关分析,其分析结果如表2所示。由表2可知,不同等级及部位的烟叶比例与烤烟产量呈现显著或极显著的关系。其中,烤烟产量与中部叶比例的相关性最大,相关系数为0.902,其次是中等烟比例,除上部叶和下部叶比例与烤烟产量呈现极显著负相关关系外,上等烟比例、中等烟比例和中部叶比例与烤烟产量则呈现极显著的正相关关系。
表2烤烟产量与不同等级、部位烟叶比例指标的相关分析
注:*和**分别表示相关性达到0.05和0.01显著水平。
(2a.3)豫南烟区:
对豫南烟区的烤烟产量与不同等级、部位烟叶比例的关系进行分析,相关分析的结果如表3所示,与豫中烟区相似,豫南烟区的烤烟产量与上等烟比例的相关性最为密切,其次是上等烟比例。上等烟比例、中等烟比例、上部叶比例、中部叶比例、下部叶比例和烤烟产量均呈显著或极显著的正相关和负相关关系。烤烟产量与上等烟比例、中等烟比例、和中部叶比例均呈现极显著的正相关关系,与上部叶和下部叶比例呈极显著负相关关系。
表3烤烟产量与不同等级、部位烟叶比例指标的相关分析
注:*和**分别表示相关性达到0.05和0.01显著水平。
(2b)烤烟产量与不同等级、部位烟叶比例指标的回归分析
(2b.1)豫西烟区:
在简单相关分析的基础上,将相关分析结果中与烤烟产量显著的指标分组,分别统计不同等级、不同部位烟叶比例指标及对应烤烟产量的平均值,进行回归分析,各模型拟合结果、回归方程及显著性检验结果如表4所示。由表4可以看出,在一定适宜范围内,随着上等烟比例、中等烟比例、上部叶比例和中部叶比例的增加,烤烟产量呈增加的趋势,而烤烟产量随着下部叶比例的增加而降低。回归方程显著性检验结果显示,不同等级和不同部位烟叶比例与烤烟产量的回归方程均达到显著或极显著水平。其中,上等烟比例在线性条件下,拟合程度最好(R2为0.826),中部叶和下部叶比例与烤烟产量的关系在非线性条件下,拟合程度最好。
表4烤烟产量与不同等级、部位烟叶比例指标的回归方程及显著性分析
注:*和**表示回归方程显著性达到0.05和0.01显著水平。
(2b.2)豫中烟区:
对豫中烟区的烤烟产量与不同等级、部位烟叶比例指标进行回归分析,各模型拟合结果、回归方程及显著性检验结果如表5所示。由表5可知,在一定适宜范围内,随着上等烟比例、中等烟比例、上部叶、中部叶及下部叶比例的增加,烤烟产量呈增加的趋势。回归方程显著性检验结果显示,不同等级和不同部位烟叶比例与烤烟产量的回归方程均达到极显著水平。其中,上等烟比例、上部叶和中部叶比例在非线性条件下,拟合程度较好,中部叶比例的拟合度最好(R2为0.8085),中等烟比例和下部叶比例与烤烟产量的关系在线性条件下,拟合程度最好。
表5烤烟产量与不同等级、部位烟叶比例指标的回归方程及显著性分析
注:*和**表示回归方程显著性达到0.05和0.01显著水平。
(2b.3)豫南烟区:
对豫南烟区烤烟产量与不同等级、部位烟叶比例进行分析,其结果如表6所示,除中等烟比例与烤烟产量呈非线性关系外,其余指标与烤烟产量均呈线性关系。且在一定适宜范围内,烤烟产量随着上等烟比例、中等烟比例、上部叶和中部叶比例的增加而呈增加的趋势,回归方程显著性检验结果显示,不同等级和不同部位烟叶比例与烤烟产量的回归方程均达到极显著水平。其中,中部叶比例与烤烟产量的线性拟合度最好,R2为0.8777,中等烟比例与烤烟产量的拟合度较其他指标低,但让呈现极显著水平。
表6烤烟产量与不同等级、部位烟叶比例指标的回归方程及显著性分析
注:*和**表示回归方程显著性达到0.05和0.01显著水平。
(2c)不同烤烟产量类群下不同等级及部位烟叶比例的特点:
(2c.1)豫西烟区:
依据豫西烟区12个县的近11年的烤烟产量情况,对样品进行均值聚类分析,结果见表7。由结果可知,有22个样本属于Ⅰ类群,占样本总数的16.67%,主要来自卢氏和灵宝;Ⅱ类群样本数有66个,占样本总数的50.00%,主要包括新安、栾川、汝阳、宜阳、陕县和洛宁等地的样品,44个样本处在Ⅲ类群,占样本总数的33.33%,样本主要来自渑池、孟津、嵩县和伊川。
对不同类群烤烟产量进行统计分析,Ⅰ、Ⅱ、Ⅲ产量类群分别是2065.07kg/hm2,1730.03kg/hm2和1671.90kg/hm2,Ⅰ类群与Ⅱ类群和Ⅲ类群间差异显著,而Ⅱ类群和Ⅲ类群间差异不显著。从变异系数可知,Ⅰ产量类群变异系数较小,样品整体稳定性较好。
表7不同烤烟产量类群的数量特征分析及样品来源分布
注:同列字母不同表示差异达到0.05显著水平。
对不同类群间不同等级、部位烟叶比例进行多重比较,并进行差异分析(表8)。除了上部叶比例外,其他等级及部位烟叶的比例在不同口感类群间的差异达到显著或极显著的水平,且烟叶等级及部位比例在不同类群间的含量呈现规律性变化。具体来说,上等烟比例、中部叶比例和下部叶比例在三个类群间的变化均为Ⅰ类群>Ⅱ类群>Ⅲ类群,且上等烟比例、中部叶比例和下部叶比例在不同类群间的变化与烤烟产量变化一致。除了下部烟叶比例外,中等烟比例在不同类群间达到极显著差异,而上等烟比例、上部叶和中部叶比例在不同类群间达到显著差异。
据有关资料统计,中等烟比例的均值达50%左右[99],上等烟比例理论最大值为69.30%,而全国实际平均值为30.10%;烟草种植区的烤烟最高上等烟比例不到45%,绝大部分产区上等烟比例在40%以下[100]。由表4可知,豫西烟区Ⅰ类群及Ⅱ类群中烤烟上等烟比例均高于全国烤烟上等烟比例的平均值,中等烟比例在Ⅰ类群和Ⅲ类群中的比例分别为54.63%和56.64%,均高于全国均值。由此可知,豫西烟区的上等烟和中等烟比例相对较高。
表8不同烤烟产量类群中不同等级、部位烟叶比例的差异比较
注:同行字母不同表示差异达到0.05显著水平。
(2c.2)豫中烟区:
对豫中烟区的143个样品进行分析,其样品进行均值聚类分析结果如表4所示,有44个样本属于Ⅰ类群,占样本总数的30.77%,其产量相较与其他类群较高,主要来自许昌、临颍、宝丰、襄城;Ⅱ产量类群样本数有55个,占样本总数的38.46%,主要包括鄢陵、叶县、鲁山、舞阳、郏县等地的样品,44个样本处在Ⅲ类群,该类群烤烟产量较其他类群低,占样本总数的30.77%,样本主要来自禹州、城区、舞钢、汝州。
对不同类群烤烟产量进行统计分析,Ⅰ、Ⅱ、Ⅲ产量类群分别是2104.91kg/hm2,1805.88kg/hm2和1595.72kg/hm2,各个类群间的差异较为显著。从变异系数可知,Ⅰ产量类群变异系数较小,样品整体稳定性较好,而Ⅲ产量类群的变异系数相对较大,为33.92%,说明烤烟产量的稳定性较差。
表9不同烤烟产量类群的数量特征分析及样品来源分布
注:同列字母不同表示差异达到0.05显著水平。
对不同类群间不同等级、部位烟叶比例进行多重比较,并进行差异分析(表6)。除了上部叶和下部叶的比例外,其他等级及部位烟叶的比例在不同产量类群间的差异达到显著或极显著的水平,同时除下部叶比例外,烟叶等级及部位比例在不同类群间的含量呈现规律性变化。具体来说,上等烟比例、中等烟比例、上部叶和中部叶比例在三个类群间的变化均为Ⅰ类群>Ⅱ类群>Ⅲ类群,且上等烟比例、中等烟比例、上部叶和中部叶比例在不同类群间的变化与烤烟产量变化一致。上等烟和中等烟比例在不同类群间达到极显著差异,中部叶比例在不同产量类群间呈现显著差异,而上部叶和下部叶比例在不同类群间达到显著差异。
由表10可知,豫中烟区Ⅰ类群中烤烟上等烟比例高于全国烤烟上等烟比例的平均值,中等烟比例在Ⅰ类群和Ⅱ类群中的比例分别为55.23%和51.20%,高于豫西烟区,且均高于全国均值。
表10不同烤烟产量类群中不同等级、部位烟叶比例的差异比较
注:同行字母不同表示差异达到0.05显著水平。
(2c.3)豫南烟区:
依据豫南烟区13个县的近11年的烤烟产量情况,对样品进行均值聚类分析,结果见表11。由结果可知,有44个样本属于Ⅰ类群,占样本总数的30.77%,主要包括西平、上蔡、方城、社旗;Ⅱ类群样本数有55个,占样本总数的38.46%,主要包括沁阳、遂平、镇平、内乡、邓州等地的样品,44样本处在Ⅲ类群,占样本总数的30.77%,样本主要来自确山、西峡、浙川、唐河。
对不同类群烤烟产量进行统计分析,Ⅰ、Ⅱ、Ⅲ产量类群的烤烟产量均值分别是2015.95kg/hm2,1711.73kg/hm2和1636.42kg/hm2,Ⅰ类群与Ⅱ类群和Ⅲ类群间差异显著,而Ⅱ类群和Ⅲ类群间差异不显著。从变异系数可知,Ⅲ产量类群变异系数较小,样品整体稳定性较好。
表11不同烤烟产量类群的数量特征分析及样品来源分布
注:同列字母不同表示差异达到0.05显著水平。
对不同类群中的不同等级、部位烟叶比例进行多重比较,并进行差异分析(表12)。由分析结果可知,Ⅰ类群和Ⅲ类群间的各个指标间均达到显著差异,而Ⅱ类群和Ⅲ类群间的各个指标均差异不显著,且烟叶等级及部位比例在不同类群间的含量呈现规律性变化。具体来说,上等烟比例、中等烟比例和中部叶比例在三个类群间的变化均为Ⅰ类群>Ⅱ类群>Ⅲ类群,且上等烟比例、中等烟比例和中部叶比例在不同类群间的变化与烤烟产量变化一致,而上部叶和下部叶比例则表现为Ⅲ类群>Ⅱ类群>Ⅰ类群。
由表12可知,豫南烟区Ⅰ类群中烤烟上等烟比例高于全国烤烟上等烟比例的平均值,中等烟比例在Ⅰ类群和Ⅲ类群中的比例分别为54.98%和51.04%,其中Ⅰ类群中的中等烟比例较豫西烟区高,且均高于全国均值。由此可知,豫南烟区的中等烟比例相对较高。
表12不同烤烟产量类群中不同等级、部位烟叶比例的差异比较
注:同行字母不同表示差异达到0.05显著水平。
(3)不同烟区烤烟产量与气候因素的关系分析:
(3a)不同烟区烤烟产量与气候因素的通径分析:
(3a.1)豫西烟区:
对烤烟大田生育期的平均温度、相对湿度、降水量、日照时数、日最低和日最高温度、最小相对湿度与烤烟产量的关系进行通径分析,其结果如表13所示,大田气候因子对烤烟产量的直接作用不均等,其对烤烟产量的影响表现为平均温度>日照时数>日最高温度>相对湿度>降水量>最小相对湿度>日最低温度。其中平均温度、相对湿度、日最低和最高温度、最小相对湿度对烤烟产量为正直接作用,降水量和日照时数为负直接作用。
从气候因子对烤烟产量间接作用的总和可知,各气候因子对烤烟产量的间接作用也有较大的差异,其中日照时数对烤烟产量的间接作用最大,其次是降水量,而日最高温度对其的间接作用最小;降水量、日照时数、日最低温度对烤烟产量是正间接作用,而平均温度、相对湿度、日最高温度、最小相对湿度则为负间接作用;从间接作用的途径来看,平均温度通过日照时数对烤烟产量起间接作用;相对湿度、日照时数通过平均温度对烤烟产量起间接作用;降水量、日最低和日最高温度通过平均温度、日照时数对烤烟产量起间接作用;最小相对湿度通过平均温度、日最高温度和相对湿度对烤烟产量起间接作用。
表13烤烟产量与气候因素间的通径分析
(3a.2)豫中烟区:
对豫中烟区的烤烟产量与烤烟大田生育期气候因素的关系进行通径分析,其结果如表14所示,气候因素对烤烟产量的直接作用不均等,其对烤烟产量的影响表现为平均温度>日照时数>降水量>最小相对湿度>日最高温度>相对湿度>日最低温度。其中平均温度、降水量、日照时数、相对湿度、日最高温度、最小相对湿度对烤烟产量为正直接作用,而日最低温度则起负直接作用。
从气候因素对烤烟产量间接作用的总和可知,各气候因素对烤烟产量的间接作用也有较大的差异,其中平均温度对烤烟产量的间接作用最大,其次是日照时数,而日最低温度对其的间接作用最小;除日最低温度和最小相对湿度外,其余气候因素对烤烟产量均为正间接作用;从间接作用的途径来看,平均温度通过日照时数和降水量对烤烟产量起间接作用;相对湿度和降水量通过平均温度和日照时数对烤烟产量起间接作用;日照时数和日最高温度通过平均温度和降水量对烤烟产量起间接作用;日最低温度和最小相对湿度通过平均温度和日照时数对烤烟产量起间接作用。
表14烤烟产量与气候因素间的通径分析
(3a.3)豫南烟区:
对豫南烟区烤烟大田生育期的平均温度、相对湿度、降水量、日照时数、日最低和日最高温度、最小相对湿度与烤烟产量的关系进行通径分析,其结果如表15所示,大田气候因子对烤烟产量的直接作用不均等,其对烤烟产量的影响表现为日照时数>平均温度>降水量>相对湿度>日最高温度>最小相对湿度>日最低温度。其中除最小相对湿度外,其余气候因素对烤烟产量均为正直接作用。
从气候因素对烤烟产量间接作用的总和可知,各气候因素对烤烟产量的间接作用也有较大的差异,其中日照时数对烤烟产量的间接作用最大,其次是平均温度,而日最高温度对其的间接作用最小;从间接作用的途径来看,平均温度通过日照时数和降水量对烤烟产量起间接作用;相对湿度、降水量通过平均温度和日照时数对烤烟产量起间接作用;日照时数通过平均温度和降水量对烤烟产量起间接作用;日最低温度、日最高温度和最小相对湿度通过平均温度和日照时数对烤烟产量起间接作用。
表15烤烟产量与气候因素间的通径分析
(3b)不同烟区烤烟产量与气候因素的灰色优势分析
(3b.1)豫西烟区:
将烤烟产量作为特征行为序列,将气候因素作为相关行为序列,得到原始数据序列,求出原始数据的始点零化像,然后分别计算烤烟产量与气候因素的灰色绝对关联度、灰色相对关联度,进而计算其与气候因素的灰色综合关联度,分析结果如表16所示,就烤烟产量与主要气候因素的灰色绝对关联度来看,烤烟产量与主要气候因素的灰色绝对关联度均小于0.6;从相对关联度来看,平均温度与烤烟产量关联度最大,其次是日照时数、日最低温度,降水量;由综合关联度可知,烤烟产量与气候因素的关联序为平均温度>日照时数>降水量>日最低温度>相对湿度>最小相对湿度>日最高温度。可见,平均温度、日照时数、降水量和日最低温度对烤烟经济性状的影响较大。
表16烤烟产量与气候因素的灰色优势分析
(3b.2)豫中烟区:
对豫中烟区的烤烟产量与气候因素的关系进行分析,其分析结果如表17所示,就烤烟产量与主要气候因素的灰色绝对关联度来看,烤烟产量与主要气候因子的灰色绝对关联度均小于0.6;从相对关联度来看,降水量与烤烟产量关联度最大,其次是平均温度、日照时数、日最低温度;由综合关联度可知,烤烟产量与气候因子的关联序为日照时数>平均温度>降水量>日最低温度>最小相对湿度>相对湿度>日最高温度。可见,日照时数、平均温度、降水量和日最低温度对烤烟经济性状的影响较大。
表17烤烟产量与气候因素的灰色优势分析
(3b.3)豫南烟区:
将豫南烟区的烤烟产量作为特征行为序列,将气候因素作为相关行为序列,得到原始数据序列,求出原始数据的始点零化像,然后分别计算豫南烟区烤烟产量与气候因素的灰色绝对关联度、灰色相对关联度,进而计算其与气候因子的灰色综合关联度,分析结果如表18所示,就烤烟产量与主要气候因素的灰色绝对关联度来看,烤烟产量与主要气候因子的灰色绝对关联度均小于0.6,其中烤烟产量与日照时数的灰色绝对关联度最大;从相对关联度来看,平均温度与烤烟产量关联度最大,其次是日照时数、日最低温度,降水量;由综合关联度可知,烤烟产量与气候因子的关联序为平均温度>日照时数>日最低温度>降水量>最小相对湿度>日最高温度>相对湿度。可见,平均温度、日照时数、日最低气温度和降水量对烤烟经济性状的影响较大。
表18烤烟产量与气候因素的灰色优势分析
(4)基于多气候因素的烟叶产量预测模型(不同地区)
(4a)不同烟区烤烟产量的灰色预测模型:
(4a.1)豫西烟区:
对豫西烟区2004-2014年的烤烟产量进行统计分析,其烤烟产量如表19所示。
表19洛阳和三门峡烟区年烤烟产量
经过经依次累加计算求得:
X1(i)=[1529.94,3311.54,5203.75,6608.50,9017.96,11205.84,13496.36,15371.50,17594.67,19607.59,21841.72]
构造数据矩阵
YN=[1784.60,1892.21,1404.75,2409.46,2187.88,2290.52,1875.14,2223.17,2012.92,2234.13]T
计算得到:a=-0.02,b=1786.61。
由此得到豫西烟区烤烟产量预测模型:
经过计算得到豫西烟区的烤烟预测产量见表20:
表20豫西烟区烤烟产量预测值
经由上述分析可知,豫西烟区烤烟产量预测值与实际值比较吻合,实际产量均匀地分布在预测产量的两边。经过精度检验,平均预测精度为0.95,预测精度高,结果可靠。说明灰色预测模型可运用于豫西烟区的烤烟产量预测。
(4a.2)豫中烟区:
对豫中烟区2004-2014年的烤烟产量进行统计分析,其烤烟产量如表21所示。
表21豫南烟区年烤烟产量
经过经依次累加计算求得:
X1(i)=[1100.75,2968.78,4652.69,6100.00,8150.02,10532.71,12829.57,14707.35,16882.96,19033.04,21178.60]
构造数据矩阵
YN=[1868.03,1683.91,1447.31,2050.02,2382.69,2296.86,1877.78,2175.61,2150.08,2145.56]T
计算得到:a=-0.03,b=1732.21。
由此得到豫中烟区烤烟产量预测模型:
经过计算得到豫中烟区的烤烟预测产量见表22:
表22许昌、漯河和平顶山烟区烤烟产量预测值
经由上述分析可知,许昌、漯河和平顶山烟区烤烟产量预测值与实际值比较吻合,实际产量均匀地分布在预测产量的两边。经过精度检验,平均预测精度为0.94,预测精度高,结果可靠。说明灰色预测模型可运用于许昌、漯河和平顶山烟区的烤烟产量预测。
(4a.3)豫南烟区
对豫南烟区2004-2014年的烤烟产量进行统计分析,其烤烟产量如表23所示。
表23豫南烟区年烤烟产量
经过经依次累加计算求得:
X1(i)=[1313.25,3110.92,4827.77,6004.62,7942.05,10323.25,12508.00,14725.68,16905.21,18932.80,21113.22]
构造数据矩阵
YN=[1797.67,1716.02,1176.85,1937.43,2381.20,2184.75,2217.68,2179.53,2027.59,2180.42]T
计算得到:a=-0.03,b=1625.93。
由此得到豫南烟区烤烟产量预测模型:
经过计算得到豫南烟区的烤烟预测产量见表24:
表24豫南烟区烤烟产量预测值
经由上述分析可知,豫南烟区烤烟产量预测值与实际值比较吻合,实际产量均匀地分布在预测产量的两边。经过精度检验,平均预测精度为0.96,预测精度高,结果可靠。说明灰色预测模型可运用于豫南烟区的烤烟产量预测。
(4b)不同烟区烤烟产量的多元回归分析:
(4b.1)豫西烟区:
以豫西烟区整个大田生育期的平均温度、相对湿度、降水量、日照时数、日最低和日最高温度、最小相对湿度作为自变量,豫西烟区的烤烟产量为因变量,通过逐步回归分析获得回归模型:
Y=-1320.7+131.78x1+7.52x2+3.44x3
式中:Y为豫西烟区烤烟产量,x1为平均温度,x2为降水量,x3为日照时数。(其中,x1,x2,x3,x4的变化均在烤烟正常生长发育所需要的气候条件的范围内)
由表25和26可知,所建立的回归模型的方差分析达到极显著水平,各个变量的回归系数均达到极显著水平,残差诊断的Durbin-Waston统计量d=1.869,接近于2,表示残差相互独立。上述回归模型可靠性诊断结果说明,建立的烤烟产量回归模型的可靠性较高。
逐步回归分析的结果(表25,26)表明,平均温度、降水量、日照时数综合影响烤烟的产量,并与烤烟产量的高低存在极显著的回归关系。在所考察的7项指标中该3项指标共同决定了烤烟产量变化的97.4%。
表25烤烟产量与气候因素回归模型的系数
表26烤烟产量与气候因素的回归模型分析
(4b.2)豫中烟区:
以豫中烟区整个大田生育期的气候因素作为自变量,烤烟产量为因变量,通过逐步回归分析(表27,28)获得回归模型:
Y=-5956.65+150.27x1+1.20x2+21.83x3+54.03x4
式中:Y为豫中烟区烤烟产量,x1为平均温度,x2为日照时数,x3为最小相对湿度,x4为日最高温度。(其中,x1,x2,x3,x4的变化均在烤烟正常生长发育所需要的气候条件的范围内)
由表27和28可知,所建立的回归模型的方差分析达到极显著水平,各个变量的回归系数均达到极显著水平,残差诊断的Durbin-Waston统计量d=2.207,表示残差相互独立。上述回归模型可靠性诊断结果说明,建立的烤烟产量回归模型的可靠性较高。
逐步回归分析的结果(表27,28)表明,平均温度、日照时数、最小相对湿度和日最高温度综合影响烤烟的产量,并与烤烟产量的高低存在极显著的回归关系。在所考察的7项指标中该4项指标共同决定了烤烟产量变化的99.3%。
表27烤烟产量与气候因素回归模型的系数
表28烤烟产量与气候因素的回归模型分析
(4b.3)豫南烟区:
以豫南烟区整个大田生育期的平均温度、相对湿度、降水量、日照时数、日最低和日最高温度、最小相对湿度作为自变量,豫南烟区的烤烟产量为因变量,通过逐步回归分析(见表29)获得回归模型:
Y=-2610.69+101.9x1+3.87x2+3.65x3+0.15x4
式中:Y为豫南烟区烤烟产量,x1为平均温度,x2为降水量,x3为日照时数,x4为日最低温度。(其中,x1,x2,x3,x4的变化均在烤烟正常生长发育所需要的气候条件的范围内)
由表29和30可知,所建立的回归模型的方差分析达到极显著水平,除日最低气温外,其他变量的回归系数均达到极显著水平,残差诊断的Durbin-Waston统计量d=2.346,表示残差相互独立。上述回归模型可靠性诊断结果说明,建立的烤烟产量回归模型的可靠性较高。
逐步回归分析的结果(表29,30)表明,平均温度、降水量、日照时数和日最低温度综合影响烤烟的产量,并与烤烟产量的高低存在极显著的回归关系。在所考察的7项指标中该4项指标共同决定了烤烟产量变化的93.7%。
表29烤烟产量与气候因素回归模型的系数
表30烤烟产量与气候因素的回归模型分析
(4c)不同烟区烤烟产量的BP神经网络分析:
以豫西、豫中、豫南烟区的整个大田生育期的平均温度、相对湿度、降水量、日照时数、日最低和日最高温度、最小相对湿度作为输入变量,三个烟区的烤烟产量作为输出变量,构建网络结构为7-5-1的BP神经网络模型。其中,7个输入层节点对应接受7个输入变量;5个中间层节点是多次试验后确定的;1个隐层节点对应烤烟产量输出。中间层采用Sigmoid函数作为变换函数;输出层则采用线性函数。BP神经网络训练时,首先将三个烟区的33个样本数据进行随机分组,按照0.7:0.15:0.15的比例将样本集分为训练样本集、校验样本集和测试样本集。然后,利用训练样本集对网络进行训练,修正网络连接权值;并不断利用校验样本集对网络输出进行校验。最后,当达到停止训练的条件时,终止网络训练,并利用测试样本集对网络输出进行测试。经过12次迭代计算,网络的校验样本输出误差最小,网络训练结束。其中,回归的R值均大于0.96,说明经过样本训练所建立BP神经网络模型,其输出值与实测值有良好的趋势一致性,总体误差较小。另外,从网络输出的误差分布直方图来看,样本输出误差总体上基本符合正态分布特征,这也说明所得到的BP神经网络模型是较为可靠的。总之,利用BP神经网络方法所建立的烟区烤烟产量预测模型,其结果是较为可靠的。相对于一般的多元回归模型,BP神经网络模型具有良好的自组织、自适应特性,可以更好的反映样本数据中所蕴含的规律。本发明采用的BP神经网络模型,全面综合了烟区整个大田生育期的平均温度、相对湿度、降水量、日照时数、日最低和日最高温度、最小相对湿度等7个参数,能够为准确预测烟区烤烟产量提供性能良好的数学模型。
(4f)河南省不同烟区烤烟经济性状的综合分析:
(4f.1)烤烟经济性状的灰色关联聚类分析:
河南不同烟草种植区烤烟经济性状的均值表现如表31所示。由表31可知,许昌烟区烤烟产量和上等烟比例均值相对较高,分别达2181.76kg/hm2和36.23%,其产量显著高于全国烤烟单产均值,而济源烟区的烤烟产量和上等烟比例则相对较低;而济源烟区的中等烟比例则相对较高,为66.93%,高于全国中等烟比例均值。由此可知,协调河南烟区烤烟产量的经济性状尤为重要,各烟草种植区应根据当地种植条件,在保证烤烟品质的前提下,提高烤烟经济性状。
表31不同烟草种植区烤烟产量、上等烟和中等烟比例的均值
由表31的不同烟草种植区烤烟产量、上等烟和中等烟比例的均值为基础,对不同烟区烤烟的产量、上等烟和中等烟比例指标进行原始数据的无量纲化处理,进而得到初值变换后的数据序列,然后对各指标原始数据进行始点零化像,计算灰色绝对关联度值,组成灰色绝对关联矩阵(见表32)。其中x值的大小分别代表了不同烟草种植区产量、上等烟和中等烟比例的关联度值,其值越大,说明其产量、上等烟和中等烟比例相对较好。
表32不同烟草种植区烤烟产量、上等烟和中等烟比例的灰色绝对关联矩阵
根据灰色关联聚类的要求,确定聚类临界值λ,由表32不同种植区烤烟经济性状的灰色绝对关联矩阵可知,令λ=0.95,从第一行开始依次进行检查,选出大于0.95的rij,主要有r12、r18、r34、r36、r39、r46、r47、r49、r67、r69、r79,由此可知,x1与x2、x8在同一类中;x3与x4、x6、x9在同一类中;x4与x6、x7、x9在同一类中;x6与x7、x9在同一类中;x7与x9在同一类中;x5与x10各自成一类。根据取号最小的指标作为各类的代表,得到的聚类结果如表33所示。由结果可知,第Ⅰ类群主要包括三门峡、洛阳和济源烟区;第Ⅱ类群主要包括信阳烟区;第Ⅲ类群主要包括许昌、南阳、驻马店、平顶山、漯河烟区;第Ⅳ类群主要包括商丘烟区。从变异系数可知,除第Ⅱ类群中烤烟产量变异系数较大,为42.46%,其他类群经济性状则相对较小,样品整体稳定性较好。
表33不同种植区烤烟产量、上等烟和中等烟比例聚类结果
(4f.2)烤烟经济性状的差异性分析
对不同烟草种植区的烤烟产量、上等烟和中等烟比例进行方差分析,分析结果如表34和表35所示。方差分析结果表明,不同类群间的上等烟和中等烟比例达到极显著差异,烤烟产量达到显著差异。多重比较的结果表明,第Ⅲ类烤烟产量与第Ⅱ类和第Ⅳ类差异显著,而与第Ⅰ类烤烟产量差异不显著,其中第Ⅲ类烤烟产量的均值最高,而第Ⅳ类中烤烟产量较低;上等烟比例在第Ⅲ类和第Ⅳ类中显著高于第Ⅰ类和第Ⅱ类,且第Ⅰ类和第Ⅱ类上等烟比例差异不显著,上等烟比例在类间的表现为第Ⅲ类>第Ⅳ类>第Ⅰ类>第Ⅱ类;中等烟比例在第Ⅰ类中显著高于其他类别,且第Ⅱ、Ⅲ和Ⅳ类间的中等烟比例差异不显著,其中第Ⅰ类中等烟比例最高,而第Ⅳ类中等烟比例最低。由此可知,三门峡、洛阳和济源烟区的烤烟中等烟比例较高,许昌、南阳、驻马店、平顶山和漯河烟区的中等烟比例次之,而烤烟产量和上等烟比例则较其他烟草种植区高,其均值达2079.62kg/hm2和33.86%;信阳烟区的烤烟产量和上等烟比例相对较低,商丘烟区的中等烟比例最低。
表34不同类别烤烟经济产量、上等烟和中等烟比例的方差分析
注:*、**分别表示处理间差异达到0.05和0.01显著水平。
表35不同类别烤烟经济性状产量、上等烟和中等烟比例的多重比较
注:同列数据后的不同小写字母表示类别间差异达到5%显著水平。
(4f.3)烤烟经济性状的灰色关联决策分析:
按照灰色绝对关联度的计算步骤,计算不同烤烟种植区其产量、上等烟和中等烟比例的平均值与最优目标解之间的关联度值,进而得到不同烤烟种植区烤烟产量、上等烟和中等烟比例的灰色关联决策值,其结果见表36。
表36不同种植区烤烟经济产量、上等烟和中等烟比例的灰色关联决策分析
由表36可知,不同种植区烤烟产量、上等烟和中等烟比例的灰色关联决策值大小表示不同种植区烤烟产量、上等烟和中等烟比例综合指标的优劣程度。经过综合评价,第Ⅰ类平均决策值为0.93,占样本总数的27.66%;第Ⅱ类平均决策值为0.89,占样本总数的6.38%;第Ⅲ类平均决策值为0.98,占总样本数较大,为55.32%;第Ⅳ类平均决策值为0.85,占样本总数10.64%。其中产量、上等烟和中等烟比例最优的是第Ⅲ类,主要包括许昌、南阳、驻马店、平顶山和漯河烟区;第Ⅰ类产量、上等烟和中等烟比例表现中等,主要包括三门峡、洛阳和济源烟区,决策值较低的是第Ⅰ类,主要有信阳烟区,决策值最低的为商丘烟区。

Claims (1)

1.一种烟草品质研究方法,具体步骤如下:
(1)烤烟样品采集:河南烟草种植区区划为豫西、豫中和豫南烟区,以豫西、豫中和豫南烟区为单位,统计3大主要烟草种植区2004-2014年烤烟种植情况,其中豫西烟区包括洛阳88份样品,三门峡44份样品;豫中烟区包括许昌44份样品,漯河33份样品,平顶山66份样品;豫南烟区包括驻马店55份样品,南阳88份样品;主要统计这些烟区的产量、上等烟比例、中等烟比例、上部叶比例、中部叶和下部叶比例;同时统计济源、信阳和商丘三地11份烟区烤烟产量;样品采集时以各个县为单位,在烟叶收购时进行计量统计,统计不同部位烟叶的重量及收购烟叶的总重量,进而可计算不同部位烟叶的比例;对于上等烟和中等烟比例,收购时严格按照分级标准进行统计,最后计算不同等级烟叶比例;
(2)气象数据调查:以河南省3个主要烟草种植区豫西、豫中和豫南为单位,从各地市气象局系统收集整理当地烤烟取样烟田近11年烤烟大田生育期5-9月的主要气象数据,主要气象因素包括整个大田生育期的平均温度、日照时数、相对湿度、降水量、日最高温度、日最低温度和最小相对湿度等指标;
(3)采用合适的统计分析方法,具体包括:
(a)相关分析:相关分析是研究不同指标之间是否存在某种相互关系,并对具体有相关关系的指标进行探讨其具体的相关方向和相关的程度,是一种研究各个随机变量间相关关系的统计方法;本发明主要通过分析双变量之间的Person简单相关系数来研究不同烟区烤烟产量与不同等级及部位烟叶比例之间的关系,研究其之间的相关程度,应用SPSS21.0软件计算相关系数并运用Excel来完成相关表格的制作;
(b)通径分析:通径分析是简单相关分析的继续,在多元回归的基础上将简单相关系数分解为直接通径系数和间接通径系数,具体分析步骤如下:
(b1)依据最小二乘法的原理,将线性回归方程
Y=α01x12x2+…+αnxn
变换成正规矩阵方程:
1 r x 1 x 2 ... r x x x n r x 2 x 1 1 ... r x 2 x n ... ... ... ... r x n x 1 r x n x 2 ... 1 · P Yx 1 P Yx 2 ... P Yx n = r x 1 Y r x 2 Y ... r x 3 Y
式中:Y为因变量,xi(i=1,2,…,n)为自变量,rxixj为xi和xj的简单相关系数,rxiY为xi和Y的简单相关系数,PYxi为xi对Y的直接通径系数;
(b2)将矩阵方程组转换成线性方程组,对其求解得通径系数PYxi
r x 1 Y = p Yx 1 + r x 1 x 2 P Yx 2 + ... + r x x x n P Yx n r x 2 Y = r x 2 x 1 P Yx 2 + P Yx 2 + ... + r x 2 x n P Yx n ... r x n Y = r x n x 1 p Yx 1 + r x n x 2 P Yx 2 + ... + P Yx n
(b3)依据公式:得出间接通径系数;
(c)灰色关联聚类分析:
对河南10个烤烟种植区的主要经济性状进行灰色关联聚类分析,设有m个对象,n个指标,进而得到的原始数据的序列[79-81]
x 1 = x 1 ( 1 ) , x 1 ( 2 ) , x 1 ( 3 ) ... , x 1 ( m ) x 2 = x 2 ( 1 ) , x 2 ( 2 ) , x 2 ( 3 ) ... , x 2 ( m ) . . . x n = x n ( 1 ) , x n ( 2 ) , x n ( 3 ) ... , x n ( m )
原始数据序列的始点零化象:
x 1 0 = x 1 0 ( 1 ) , x 1 0 ( 2 ) , x 1 0 ( 3 ) ... , x 1 0 ( m ) x 2 0 = x 2 0 ( 1 ) , x 2 0 ( 2 ) , x 2 0 ( 3 ) ... , x 2 0 ( m ) . . . x n 0 = x n 0 ( 1 ) , x n 0 ( 2 ) , x n 0 ( 3 ) ... , x n 0 ( m )
式中
灰色绝对关联度
由此可得各聚类指标的关联矩阵:
R = r 11 r 12 ... r 1 n r 22 ... r 2 n ... ... r m n
根据研究问题的实际需要,确定临界值λ(0≤λ≤1),其中λ越接近1,分类会越细,而每一类中所包含的指标数相对就会越少,反之则越多;
(d)灰色优势决策:
灰色局势决策首先要指定灰色事件与对策,然后构造灰色局势,确定灰色目标,并赋予各目标权重值,计算各目标局势效果测度矩阵;计算公式如下:
上限测度效果:
下限测度效果:
适中效果测度:x0表示指标的适中值;
构造综合效果测度,并根据综合效果测度寻找出最优局势,组成最优序列x,然后根据以上公式求x与xi(i=1,2,…,n)之间的灰色绝对关联度值,根据各烟草种植区烤烟经济性状的灰色绝对关联度值的大小判断烤烟经济性状的优劣;
运用灰色关联决策对不同种植区烤烟经济性状进行最优目标解的筛选,首先对各指标进行初值变换,然后根据各个指标性质求出最优目标解,所述指标性质为上限效果测度、下限效果测度和适中效果测度;在保证烤烟品质优良的前提下,烤烟的经济性状越高越好,因此选择上限效果测度进行计算;
(e)多元回归分析:回归分析是研究一个因变量与一个或多个自变量之间的线性或非线性关系,通过自变量和因变量来确定两变量之间的因果关系,并建立回归模型,同时依据实际数据来计算模型的各个指标,最后评价该模型是否具有良好的拟合效果,进而可以对因变量进行预测;本发明分析了烤烟产量与气候因素之间的关系,并采用了逐步回归分析的方法,根据其回归方程进行预测未来烤烟产量;该统计分析在SPSS21.0软件中完成;
(f)灰色模型预测:烤烟产量的灰色预测模型是基于对烤烟产量原始数据的累加而生成数列的产量预测模型;生成的累加数列将原始数列的起伏弱化,而平稳性大大增加,显逐渐递增的形式;其步骤为:
(f1)给定的原始数列:
X(0)(i)=[X(0)(1),X(0)(2),...,X(0)(n)]
经过一次累加,得到:
即:X(1)(i)=[X(1)(1),X(1)(2),...,X(1)(n)]
(f2)将新数列的变化趋势近似地用微分方程描述
d x ( 1 ) d t + ax ( 1 ) = b
其中:a,b为辨识参数,辨识参数通过最小二乘法来估计得到;
a b = ( B ( T ) B ) - 1 B T Y N
(f3)构造数据矩阵
上式中YN为列向量,YN=[X(0)(2),X(0)(3),X(0)(4),…,X(0)(N)]T
B = - 1 2 ( X 1 ( 2 ) + X 1 ( 1 ) ) 1 - 1 2 ( X 1 ( 3 ) + X 1 ( 2 ) ) 1 . . . . . . - 1 2 ( X 1 ( n ) + X 1 ( n - 1 ) ) 1
(f4)求出时间响应方程,即预测模型,计算拟合值:
X ( 1 ) ( k + 1 ) = ( x ( 1 ) ( 1 ) - b a ) e - a k + b a
当k=1,2,……n-1时,算的是拟合值;当k≥n时,X(k+1)为预测值;
(f5)用后减运算还原:
X(0)(i)=x(1)(i)-x(1)(i-1),i=2,3,…,n
(f6)模型的检验:
ϵ = 1 n Σ i = 1 n | x 0 ( 1 ) ( i ) - x ( 0 ) ( i ) | , i = 1 , 2 , ... , n
(g)BP神经网络分析:利用MATLAB神经网络工具箱对河南省不同烟区烤烟产量与气候因素的关系进行BP神经网络模型的构建。
CN201611221523.4A 2016-12-27 2016-12-27 一种烟草品质研究方法 Pending CN106845687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611221523.4A CN106845687A (zh) 2016-12-27 2016-12-27 一种烟草品质研究方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611221523.4A CN106845687A (zh) 2016-12-27 2016-12-27 一种烟草品质研究方法

Publications (1)

Publication Number Publication Date
CN106845687A true CN106845687A (zh) 2017-06-13

Family

ID=59136505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611221523.4A Pending CN106845687A (zh) 2016-12-27 2016-12-27 一种烟草品质研究方法

Country Status (1)

Country Link
CN (1) CN106845687A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921415A (zh) * 2018-06-25 2018-11-30 西南石油大学 一种油藏措施增油效果影响因素的分析方法
CN109345141A (zh) * 2018-11-01 2019-02-15 云南省气候中心 一种火龙果气候品质认证方法
CN109993413A (zh) * 2019-03-04 2019-07-09 中国地质大学(武汉) 一种基于数据驱动的烤烟质量效益综合评价方法及系统
CN110150078A (zh) * 2019-05-27 2019-08-23 福建中烟工业有限责任公司 一种确定福建烟区烟草移栽日期的方法和系统
CN110954657A (zh) * 2019-12-02 2020-04-03 浙江中烟工业有限责任公司 一种烟叶化学品质的评价方法
CN112288719A (zh) * 2020-10-29 2021-01-29 中国水产科学研究院渔业机械仪器研究所 一种海带含水率诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002041599A (ja) * 2000-07-26 2002-02-08 Sumitomo Chem Co Ltd 農業資材判別方法
US20050234691A1 (en) * 2004-04-20 2005-10-20 Singh Ramesh P Crop yield prediction
CN104792786A (zh) * 2015-05-18 2015-07-22 上海烟草集团有限责任公司 一种烟叶原料质量控制方法
CN105740988A (zh) * 2016-02-03 2016-07-06 南京鼎尔特科技有限公司 基于灰色关联分析和多元线性回归模型对煤炭热值的预测方法
CN105956708A (zh) * 2016-05-12 2016-09-21 扬州大学 基于灰关联时间序列的短期风速预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002041599A (ja) * 2000-07-26 2002-02-08 Sumitomo Chem Co Ltd 農業資材判別方法
US20050234691A1 (en) * 2004-04-20 2005-10-20 Singh Ramesh P Crop yield prediction
CN104792786A (zh) * 2015-05-18 2015-07-22 上海烟草集团有限责任公司 一种烟叶原料质量控制方法
CN105740988A (zh) * 2016-02-03 2016-07-06 南京鼎尔特科技有限公司 基于灰色关联分析和多元线性回归模型对煤炭热值的预测方法
CN105956708A (zh) * 2016-05-12 2016-09-21 扬州大学 基于灰关联时间序列的短期风速预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张慢慢: "河南烟区烤烟经济性状的灰关联聚类分析评价", 《中国农业科技导报》 *
张慢慢: "烤烟产量的主要影响因素及预测方法研究进展", 《江西农业学报》 *
易谆: "基于灰色预测和线性回归的烟叶产量预测模型", 《计算机应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921415A (zh) * 2018-06-25 2018-11-30 西南石油大学 一种油藏措施增油效果影响因素的分析方法
CN108921415B (zh) * 2018-06-25 2022-07-08 西南石油大学 一种油藏措施增油效果影响因素的分析方法
CN109345141A (zh) * 2018-11-01 2019-02-15 云南省气候中心 一种火龙果气候品质认证方法
CN109993413A (zh) * 2019-03-04 2019-07-09 中国地质大学(武汉) 一种基于数据驱动的烤烟质量效益综合评价方法及系统
CN110150078A (zh) * 2019-05-27 2019-08-23 福建中烟工业有限责任公司 一种确定福建烟区烟草移栽日期的方法和系统
CN110150078B (zh) * 2019-05-27 2021-04-30 福建中烟工业有限责任公司 一种确定福建烟区烟草移栽日期的方法和系统
CN110954657A (zh) * 2019-12-02 2020-04-03 浙江中烟工业有限责任公司 一种烟叶化学品质的评价方法
CN110954657B (zh) * 2019-12-02 2022-03-25 浙江中烟工业有限责任公司 一种烟叶化学品质的评价方法
CN112288719A (zh) * 2020-10-29 2021-01-29 中国水产科学研究院渔业机械仪器研究所 一种海带含水率诊断方法

Similar Documents

Publication Publication Date Title
CN106845687A (zh) 一种烟草品质研究方法
CN107578104A (zh) 一种中药生产过程知识系统
CN106485262A (zh) 一种母线负荷预测方法
CN108898251A (zh) 考虑气象相似性和功率波动的海上风电场功率预测方法
CN102930163A (zh) 一种2型糖尿病风险状态判定方法
Oteros et al. Year clustering analysis for modelling olive flowering phenology
CN110276679A (zh) 一种面向深度学习的网络个人信贷欺诈行为检测方法
CN109975238A (zh) 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法
CN110717524B (zh) 一种老年人热舒适预测方法
Ma et al. Correlation analysis for the attack of bacillary dysentery and meteorological factors based on the Chinese medicine theory of Yunqi and the medical-meteorological forecast model
CN111898922A (zh) 一种多尺度农作物产量评估方法及系统
CN106373022A (zh) 基于bp‑ga的温室农作物种植效率条件优化方法及系统
CN114186423A (zh) 一种雪茄烟品的适宜种植区预测评估方法及系统
CN111598337A (zh) 一种分布式光伏短期出力预测的方法
CN115424696B (zh) 一种基于迁移学习的中医罕见病中药处方生成方法和系统
CN115619583A (zh) 一种复合农业气象灾害监测指标体系的构建方法
Kao et al. A modified Roger’s distance algorithm for mixed quantitative–qualitative phenotypes to establish a core collection for Taiwanese vegetable soybeans
Esse et al. Effects of land use change on water availability and water efficiency in the temperate basins of south-central Chile
CN115754136A (zh) 一种构建烤烟病害动态预测模型的方法
Brandes et al. Recognizing modes of acculturation in personal networks of migrants
CN107644274A (zh) 基于大气候数据的烟草野火病气象预测预报方法
Xiao et al. Assessing habitat suitability and selecting optimal habitats for relict tree Cathaya argyrophylla in Hunan, China: Integrating pollen size, environmental factors, and niche modeling for conservation
CN114896378A (zh) 一种基于知识图谱与机器学习的农作物病虫害问答模型
CN108133296A (zh) 基于活动的社交网络下的一种结合环境数据的活动出席预测方法
CN111257240B (zh) 基于近地高光谱数据和集成模型的油菜氮磷钾养分诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170613

RJ01 Rejection of invention patent application after publication