CN116089789A - 北疆冬小麦越冬期冻害指数构建算法 - Google Patents
北疆冬小麦越冬期冻害指数构建算法 Download PDFInfo
- Publication number
- CN116089789A CN116089789A CN202211515604.0A CN202211515604A CN116089789A CN 116089789 A CN116089789 A CN 116089789A CN 202211515604 A CN202211515604 A CN 202211515604A CN 116089789 A CN116089789 A CN 116089789A
- Authority
- CN
- China
- Prior art keywords
- winter
- freeze injury
- disaster
- overwintering
- period
- 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
Links
- 230000009746 freeze damage Effects 0.000 title claims abstract description 129
- 241000209140 Triticum Species 0.000 title claims abstract description 109
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 108
- 230000006378 damage Effects 0.000 claims abstract description 81
- 238000007710 freezing Methods 0.000 claims abstract description 69
- 230000008014 freezing Effects 0.000 claims abstract description 69
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 68
- 208000014674 injury Diseases 0.000 claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000035772 mutation Effects 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 230000001186 cumulative effect Effects 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims abstract description 6
- 238000003672 processing method Methods 0.000 claims abstract description 5
- 238000001816 cooling Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 235000006481 Colocasia esculenta Nutrition 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 241000209527 Arum Species 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000002354 daily effect Effects 0.000 description 7
- 244000144972 livestock Species 0.000 description 5
- 238000009331 sowing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 244000205754 Colocasia esculenta Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000722941 Achillea Species 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- SPNQRCTZKIBOAX-UHFFFAOYSA-N Butralin Chemical compound CCC(C)NC1=C([N+]([O-])=O)C=C(C(C)(C)C)C=C1[N+]([O-])=O SPNQRCTZKIBOAX-UHFFFAOYSA-N 0.000 description 1
- 235000017399 Caesalpinia tinctoria Nutrition 0.000 description 1
- 208000001034 Frostbite Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 244000179970 Monarda didyma Species 0.000 description 1
- 235000010672 Monarda didyma Nutrition 0.000 description 1
- 241001448421 Ophiopogon jaburan Species 0.000 description 1
- 240000001987 Pyrus communis Species 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 241000388430 Tara Species 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910000402 monopotassium phosphate Inorganic materials 0.000 description 1
- 235000019796 monopotassium phosphate Nutrition 0.000 description 1
- PJNZPQUBCPKICU-UHFFFAOYSA-N phosphoric acid;potassium Chemical compound [K].OP(O)(O)=O PJNZPQUBCPKICU-UHFFFAOYSA-N 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开北疆冬小麦越冬期冻害指数构建算法，选取研究区域并确定研究时间段；选择北疆冻害致灾因子；设计雪深资料处理方法及其他冻害致灾因子；分三种角度分析各站点的冻害致灾因子；分别对各区域所有站所有年份的致灾因子进行极差标准化；各区域进行KMO检验、巴特利球体检验和公因子方差计算确定所选因子是否合适；选择累计方差贡献率≥85％的前几项主成分进行分析；单独计算每个主成分对应的致灾因子的特征值和特征向量；通过每个主成分方差贡献率和特征向量分别将前几项主成分进行综合计算；结合北疆冻害灾情和冬小麦产量资料验证指数的适应性，并进行突变检验分析。为高效利用气候资源趋利避害，保障北疆小麦的安全生产提供理论依据。
Description
技术领域
本发明涉及农作物灾害技术领域。具体地说是北疆冬小麦越冬期冻害指数构建算法。
背景技术
新疆是我国西北重要的小麦优势产区和消费区，冬小麦播种面积占全区小麦总面积的70％以上。新疆小麦主产区中塔额盆地、可克达拉市、昭苏、奇台、伊犁河谷，均为北疆区域。20世纪80年代以来北疆冬麦区气候明显变暖，同时气候变化以及随之而来的气候不稳定性升高，冷暖突变剧烈，极端气候事件增加，使得小麦灾害发生频次明显增加，直接影响冬小麦产量。
冻害是在冬季或早春深秋时期，越冬作物遭受0℃以下低温影响致使植株组织脱水结冰，从而丧失生理活动能力造成植株受害甚至死亡的一种农业气象灾害，常见类型为初冬温度骤降型、冬季长寒型和冻融型冻害，其受低温强度、低温持续时间和品种的抗冻能力等因素的影响。国内学者对冻害进行了大量研究。孟繁圆采用主成分法构建我国北部冬小麦越冬冻害指数。慕臣英等比较黄淮海地区不同冬春性小麦在隆冬期抗冻能力。张仕明等对库尔勒香梨树冬季冻害指数改进。莫志鸿等和张宏选取越冬期内最大降温幅度、平均气温、负积温、极端最低气温和冬前平均气温作为致灾因子，分别建立北京市及河南省的冬小麦越冬冻害指数。同时越冬期的冻害对畜牧、林果、蔬菜、经济作物等均造成灾害。以上的冻害致灾因子均未涉及到雪深资料，雪深是北疆冻害必需的致灾因子，且北疆冻害指数研究较少。
发明内容
为此，本发明所要解决的技术问题在于提供一种考虑雪深资料的北疆冬小麦越冬期冻害指数构建算法。
为解决上述技术问题，本发明提供如下技术方案：
北疆冬小麦越冬期冻害指数构建算法，包括如下步骤：
步骤P1：选取研究区域并确定研究时间段；
步骤P 2：选择北疆冻害致灾因子；
步骤P 3：设计雪深资料处理方法及其他冻害致灾因子；
步骤P 4：分三种角度分析各站点的冻害致灾因子；
步骤P 5：分别对各区域所有站所有年份的致灾因子进行极差标准化；
步骤P 6：各区域进行KMO检验、巴特利球体检验和公因子方差计算确定所选因子是否合适；
步骤P 7：选择累计方差贡献率≥85％的前几项主成分进行分析；
步骤P8：单独计算每个主成分对应的6个致灾因子的特征值和特征向量；
步骤P9：通过每个主成分方差贡献率和特征向量分别将前几项主成分进行综合计算；
步骤P10：结合北疆冻害灾情和冬小麦产量资料验证指数的适应性，并进行突变检验分析。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P1中，选择作物越冬期以降雪为主地区，同时也是冬麦的主产区。本文以中国北疆地区作为研究对象，来构建作物的冻害指数。研究区域为新疆北部地区，区域所处范围为42.30°～49.15°N，79.90°～96.05°E，研究区域内共有83个国家气象观测站点；
研究时间段为：选择1960-2020年的越冬期；越冬期为确定5日滑动平均气温稳定通过0℃初日至终日期间，一般情况是前一年10月份开始至次年3月份结束，记作前一年的越冬期。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P2中，从北疆冬小麦越冬期生育期内多致灾因子气候变化特征分析入手，考虑到低温、积雪和大风对北疆冬小麦越冬期冻害的影响，将雪深资料和风速资料加入北疆冻害致灾因子，最终确定以越冬期负积温、越冬期平均气温、越冬期最大降温幅度、越冬期平均雪深、越冬期极端最低气温、越冬期平均风速作为北疆冬小麦越冬冻害致灾因子，并构建冻害指数。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P3中，
P301雪深资料处理：选取北疆气象站1960-2020年越冬期期间逐日雪深资料，发现逐日雪深资料中，有个别站或某站多次没有雪深资料的占全部资料的7％，为保证数据完整进行后续研究，在没有雪深数据中，设计邻近取值；
无雪深资料算法取值思路：整个算法循环10次逐10km累加，取距离缺少资料站的经纬度均≤10km的当天有雪深数据站的所有雪深平均值作为为当天该站雪深值；在没有雪深数据的站周边超过100km也没有当日该站可获取的雪深数据时，没有雪深数据的站当天的雪深数据作空值不参与计算，当雪深最终空值占全部资料小于3％时，则不影响后期计算逐站逐年越冬期平均雪深；该方法综合考虑了不同雪深情况，均参与指数研究。
P301其他冻害致灾因子：
越冬期最大降温幅度：越冬期降温过程中连续72h内日平均气温的最大降温幅度；
越冬期极端最低气温：越冬期出现的极端最低气温最小值；
越冬期负积温：越冬期日平均气温﹤0℃的累积值；
越冬期平均气温:越冬期日平均气温的均值；
越冬期平均风速：越冬期日平均风速的均值。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P4中，
从分析线路角度确定YI区：为保证数据的完整型和延续性，选择1960-2020年共49个有稳定数据的气象观测站进行分析；
从重点对小麦的观察确定YII区：选择1960-2020年共11个小麦观测站单独进行年份分析；
从对北疆区域分析确定YIII区：选择2016-2020共83个气象观测站，单独分析近5年越冬期北疆区域冻害平均分布情况。
YI区、YII区、YIII区分别从不同重点来计算冻害指数。YI区是主要分析线路，YII区和YIII区也是从不同重点对YI分析的完善和补充。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P5中，为了能够将各个指标参与评价计算，需要对各指标进行规范化处理，通过函数变换将其数值映射到某个数值区间；
按照数据归一化方法将风险指标体系中的各要素进行归一化处理，归一化方法有两种形式，一种是数变为(0,1)之间的小数，一种是把有量纲表达式变为无量纲表达式；
归一化是将有量纲的数值经过变换，化为无量纲的数值，进而消除各指标的量纲差异，计算公式为：
式中，x’为归一化后的数据，x为样本数据，xmin为样本数据中的最小值，xmax为样本数据中的最大值。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P6中，
KMO检验用于检查变量间的相关性和偏相关性，取值在0～1之间；变量间的相关性越强，偏相关性越弱，因子分析的效果越好；实际分析中，KMO统计量在0.7以上时效果比较好；当KMO统计量在0.5以下，此时不适合应用因子分析法；
巴特利球体检验：显著性P<0.05时，说明符合标准，数据呈球形分布，各个变量在一定程度上相互独立；
公因子方差计算：几个公因子方差的累计贡献率，累计贡献率越高，说明提取的这几个公因子对于原始变量的代表性或者说解释率越高，整体的效果就越好；累计贡献率越低，说明提取的公因子的代表性或者说解释率越差，效果就越差；
在步骤P7中：选择累计方差贡献率≥85％的前几项主成分进行分析。YI、YII区提取前3项作为主成分，YIII区提取前4项作为主成分。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P8中，
利用主成分分析方法对构建一个物理意义明确且能够有效反映北疆冻害致灾信息的综合变量，分不同重点进行全面分析北疆各站点越冬期综合冻害指数，同时也兼备独立性和可比性；
各区域内逐站点逐年冻害指数公式如下：
Y＝a1*X1+a2*X2+a3*X3+a4*X4+a5*X5+a6*X6 (2)
式(2)中，X1、X2、X3、X4、X5和X6分别为YI区、YII区、YIII区3个区内逐站点逐年的越冬期负积温、越冬期平均气温、最大降温幅度、越冬期平均雪深、越冬期极端最低气温、越冬平期均风速的区域极差标准化值，a1、a2、a3、a4、a5、a6分别为相应致灾因子的权重系数。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P9中，
P901：以YI区域为例，先计算前3个主成分表达式如下：
YI1＝a11*X1+a12*X2+a13*X3+a14*X4+a15*X5+a16*X6
YI2＝a21*X1+a22*X2+a23*X3+a24*X4+a25*X5+a26*X6
YI3＝a31*X1+a32*X2+a33*X3+a34*X4+a35*X5+a36* X6 (3)
综合YI1、YI2、YI3的公式，利用累计方差贡献率比例计算得综合表达式YI＝b1*YI1+b2*YI2+b3*YI3，b1、b2、b3分别为方差贡献率比例；
YII区和YIII区按照YI区的主成分计算；
P902：综合选取越冬期冻害主要致灾因子，利用主成分分析法确立各区冻害指数Y计算式中的系数，得到YI区、YII区、YIII区三个内的Y表达式；
YI＝0.33307*X1+0.258827*X2+0.3044*X3+0.00058*X4+0.3248*X5+0.2301*X6YII＝0.2459*X1+0.1703*X2+0.35453*X3+0.21615*X4+0.3068*X5+0.2639*X6YIII＝0.27802*X1+0.2049*X2+0.2747*X3+0.3043*X4+0.2491*X5+0.0634*X6(4)
由式(4)可知，Y与6个致灾因子的区域极差标准化值均呈正相关关系，其物理意义表示当越冬期负积温、越冬期平均气温、越冬期最大降温幅度、越冬期平均雪深、越冬期极端最低气温、越冬期平均风速均越大，冻害也越重；冻害指数越大表示冻害程度越重；
从权重系数＞0.3来看，由YI可知越冬期雪深对越冬期冻害影响权重最小，越冬期负积温、越冬期最大降温和越冬期极端最低气温影响权重最大；
YII仅分析小麦观测站点发现每个致灾因子对冻害指数均有影响，其中越冬期最大降温和极端最低气温对冬小麦冻害影响最大；
YIII分析2016-2020年冻害中发现风速对冻害指数影响最小，越冬期雪深影响最大；
发现不同侧重点去分析北疆冻害指数，影响冻害的致灾因子权重是不一样的。
上述北疆冬小麦越冬期冻害指数构建算法，在步骤P10中，
P1001：冻害灾情资料来自各级气象台站、当地民政部门、媒体报刊等记载的冻害记录，并与《气象灾害大典·新疆卷》及中国气象局的“灾情直报系统”中的记录；冬小麦产量资料来自新疆历年统计年鉴；
P1002：计算结果采用Mann-Kendall进行突变性检验；
在按时间序列顺序计算出的统计量序列UF曲线中，超过临界值置信度线(P＝0.05)的前提下，按时间序列逆序计算出的统计量序列UB曲线的2个统计量序列有明显的交叉点位于置信度线之间，则表明该交叉点为突变点，且统计上显著；若交叉点位于置信度线之外，则不确定是否为突变点。
本发明的技术方案取得了如下有益的技术效果：
本研究综合考虑北疆冬小麦越冬期生育期内多致灾因子气候变化特征分析入手，考虑到低温、积雪和大风对北疆冬小麦越冬期冻害的影响，将雪深资料和风速资料加入北疆冻害致灾因子，设计雪深资料处理方法，以越冬期负积温、平均气温、最大降温幅度、平均雪深、极端最低气温、平均风速作为北疆冬小麦越冬冻害致灾因子，并构建冻害指数。分别从多角度计算冻害指数，通过冻害历史灾情和冻害指数的对比研究，探讨在气候变暖背景下北疆易遭受冻害的区域，其冻害的发生特点及时间演变趋势和空间分布特征，为高效利用气候资源趋利避害，保障北疆小麦的安全生产提供理论依据。
以中国北疆地区作为研究对象，来构建作物越冬期以降雪为主地区的冻害指数。利用北疆49个气象站点1960—2020年气象资料，综合考虑北疆越冬期负积温、平均气温、最大降温幅度、平均雪深、极端最低气温、平均风速作为冻害致灾因子，设计雪深资料处理方法，采用主成分法构建北疆冻害指数，并单独构建分析小麦观测站点和2016-2020年北疆83个气象观测站点的冻害指数，指数值越大冻害越严重。结合历史冻害灾情资料，验证冻害指数在研究区域的适应性。致灾因子分析前利用KMO和巴特利球体检验因子选择的合适性，计算结果采用Mann-Kendall进行分析冻害的突变特征，探究北疆越冬冻害的时空分布特征。
本发明分别从多角度计算冻害指数，通过冻害历史灾情和冻害指数的对比研究，探讨在气候变暖背景下北疆易遭受冻害的区域，其冻害的发生特点及时间演变趋势和空间分布特征，为高效利用气候资源趋利避害，保障北疆小麦的安全生产提供理论依据。
附图说明
图1本发明构建北疆冬麦越冬期冻害指数构建整体功能示意图；
图2本发明实施例中北疆地区示意图及气象观测站点分布图；
图3a本发明实施例中1960-2020年北疆YI区冻害指数年际变化趋势；
图3b本发明实施例中1960-2020年北疆YII区冻害指数年际变化趋势；
图4a本发明实施例中1960-2020年北疆YI区冻害指数的M-K突变检验；
图4b本发明实施例中1960-2020年北疆YII区冻害指数的M-K突变检验；
图5a本发明实施例中1960-1970年北疆49个站不同年代冻害指数的空间平均分布；
图5b本发明实施例中1971-1980年北疆49个站不同年代冻害指数的空间平均分布；
图5c本发明实施例中1981-1990年北疆49个站不同年代冻害指数的空间平均分布；
图5d本发明实施例中1991-2000年北疆49个站不同年代冻害指数的空间平均分布；
图5e本发明实施例中2001-2010年北疆49个站不同年代冻害指数的空间平均分布；
图5f本发明实施例中2011-2020年北疆49个站不同年代冻害指数的空间平均分布；
图6本发明实施例中2016—2020年北疆83个站冻害指数空间平均分布；
图7a本发明实施例中YI区中2009年越冬期冻害分布情况；
图7b本发明实施例中YIII区中2018年越冬期冻害分布情况。
具体实施方式
1区域与方法
1.1研究区域概况
研究时间选择1960-2020年越冬期。研究区域为新疆北部地区，如图2。区域所处范围为42.30°～49.15°N，79.90°～96.05°E，研究区域内共有83个国家气象观测站点。
越冬期为确定5日滑动平均气温稳定通过0℃初日至终日期间，一般情况是前一年10月份开始至次年3月份结束，记作前一年的越冬期。
从三个角度进行分析：
为保证数据的完整型和延续性，选择1960-2020年共49个有稳定数据的气象观测站(YI区)进行分析。
选择1960-2020年共11个小麦观测站(YII区)单独进行年份分析。
北疆观测站于2016年增加至83个，为更精确进行区域分析，加强冻害预防的精确度，选择2016-2020共83个气象观测站(YIII区)，单独分析近5年越冬期北疆区域冻害平均分布情况。
YI区、YII区、YIII区分别从不同重点来计算冻害指数。YI区是主要分析线路，YII区和YIII区也是从不同重点对YI分析的完善和补充。
1.2资料来源
气象数据来自于中国气象科学数据共享服务网。选取北疆共83个气象台站1960—2020年(或自建站以来)的地面气象观测数据(图2)，包括逐日平均温度、逐日雪深、平均风速。冻害灾情资料来自各级气象台站、当地民政部门、媒体报刊等记载的冻害记录，并与《气象灾害大典·新疆卷》及中国气象局的“灾情直报系统”中的记录；冬小麦产量资料来自新疆历年统计年鉴。
1.3冻害致灾因子及雪深资料处理
从北疆冬小麦越冬期生育期内多致灾因子气候变化特征分析入手，考虑到低温、积雪和大风对北疆冬小麦越冬期冻害的影响，将雪深资料和风速资料加入北疆冻害致灾因子，最终确定以越冬期负积温、越冬期平均气温、越冬期最大降温幅度、越冬期平均雪深、越冬期极端最低气温、越冬期平均风速作为北疆冬小麦越冬冻害致灾因子，并构建冻害指数
雪深资料处理
选取北疆气象站1960-2020年越冬期期间逐日雪深资料，发现逐日有个别站或某站多次没有雪深资料占全部资料的7％，为保证数据完整进行后续研究，在没有雪深数据中设计邻近取值。
无雪深资料算法取值思路：整个算法循环10次逐10km累加，取距缺资料站经纬度均≤10km的当天有雪深数据站所有雪深平均值为当天该站雪深值。在没有雪深数据的站周边超过100km也没有当日该站可获取的雪深数据，该站当天的雪深作空值不参与计算，雪深最终空值占全部资料的2.6％，已不影响后期计算逐站逐年越冬期平均雪深。该方法综合考虑了不同雪深情况，均参与指数研究。
1.4冻害指数的构建与检验
根据北疆实际情况确定越冬期最大降温幅度、越冬期极端最低气温、越冬期负积温、越冬期平均气温、越冬期平均雪深和越冬期平均风速作为越冬期冻害的致灾因子，构建北疆冻害指数。
越冬期最大降温幅度：越冬期降温过程中连续72h内日平均气温的最大降温幅度；
越冬期极端最低气温：越冬期出现的极端最低气温最小值；
越冬期负积温：越冬期日平均气温﹤0℃的累积值；
越冬期平均气温:越冬期日平均气温的均值；
越冬期平均风速：越冬期日平均风速的均值。
这6个致灾因子综合考虑了北疆越冬期主要气象资料温度、风、雪深综合影响因素加入冻害指数研发。
利用主成分分析方法对构建一个物理意义明确且能够有效反映北疆冻害致灾信息的综合变量，分不同重点进行全面分析北疆各站点越冬期综合冻害指数，同时也兼备独立性和可比性。
各区域内逐站点逐年冻害指数
Y＝a1*X1+a2*X2+a3*X3+a4*X4+a5*X5+a6*X6 (1)
(1)式中X1、X2、X3、X4、X5和X6分别为3个区(I、II、III)内逐站点逐年的越冬负积温、越冬平均气温、最大降温幅度、越冬期雪深、越冬极端最低气温、越冬平均风速的区域极差标准化值，a1、a2、a3、a4、a5、a6分别为相应致灾因子的权重系数。
1.5检验方法
因子分析前，首先进行KMO检验、巴特利球体检验和公因子方差计算。KMO检验用于检查变量间的相关性和偏相关性，取值在0～1之间。KMO统计量越接近于1，变量间的相关性越强，偏相关性越弱，因子分析的效果越好。实际分析中，KMO统计量在0.7以上时效果比较好；当KMO统计量在0.5以下，此时不适合应用因子分析法。Bartlett球形检验的显著性P<0.05时，说明符合标准，数据呈球形分布，各个变量在一定程度上相互独立。公因子方差计算是几个公因子方差的累计贡献率，累计贡献率越高，说明提取的这几个公因子对于原始变量的代表性或者说解释率越高，整体的效果就越好。
计算结果采用Mann-Kendall进行突变性检验。在UF曲线(按时间序列顺序计算出的统计量序列)超过临界值置信度线(P＝0.05)的前提下，UB曲线(按时间序列逆序计算出的统计量序列)2个统计量序列有明显的交叉点位于置信度线之间，则表明该交叉点为突变点，且统计上显著；若交叉点位于置信度线之外，则不确定是否为突变点。
2结果与分析
2.1冻害指数的确定与验证
综合选取越冬期冻害主要致灾因子，利用主成分分析法确立各区冻害指数Y计算式中的系数，得到3个区(Y I区、Y II区、Y III区)内Y表达式。
YI＝0.33307*X1+0.258827*X2+0.3044*X3+0.00058*X4+0.3248*X5+0.2301*X6
YII＝0.2459*X1+0.1703*X2+0.35453*X3+0.21615*X4+0.3068*X5+0.2639*X6YIII＝0.27802*X1+0.2049*X2+0.2747*X3+0.3043*X4+0.2491*X5+0.0634*X6
(2)
由公式(2)可知，Y与6个致灾因子的区域极差标准化值均呈正相关关系，其物理意义表示当越冬期负积温、越冬期平均气温、越冬期最大降温幅度、越冬期平均雪深、越冬期极端最低气温、越冬期平均风速均越大，冻害也越重。冻害指数越大表示冻害程度越重。
从权重系数＞0.3来看，由YI可知越冬期雪深对越冬期冻害影响权重最小，越冬期负积温、越冬期最大降温幅度和越冬期极端最低气温影响权重最大。YII仅分析小麦观测站点发现每个致灾因子对冻害指数均有影响，其中越冬期最大降温幅度和极端最低气温对冬小麦冻害影响最大。YIII区分析2016-2020年冻害中发现风速对冻害指数影响最小，越冬期平均雪深影响最大。可以发现不同侧重点去分析北疆冻害指数，影响冻害的致灾因子权重是不一样的。
结合北疆灾情，经检验YI值基本能够反映北疆冻害发生情况，与历史灾情情况的结果基本一致。1966年冬季，石河子市兵团农八师150团冬小麦死亡27.5％，莫索湾、下野地等地冬小麦部分死亡。昌吉自治州牲畜因饥寒死亡8万余头，死亡率达34％。塔城地区塔城市、额敏县冻死野外工作人员4人，冻伤多人。1968年冬季，博尔塔拉自治州温尔县严寒、积雪薄、造成冬小麦大面积死亡。石河子市莫索湾和兵团农八师150团冬小麦100％冻死。1976年冬季，哈密地区巴里坤提前降雪，天山北麓小麦尚未收割全部结冻，全县减产500余万公斤。哈密县冬白菜全部冻害，损失约1000万公斤。昌吉自治州大雪，牲畜死亡1.4万头。次年初额敏县冻死冬麦1.0万亩。1984年冬季阿勒泰地区冻死7人。伊犁地区伊宁市持续低温-30℃，伴7级风，是伊犁地区罕见的低温年。果树发生大范围冻害，电站停工，交通部门停运车辆121辆。次年1-3月，博尔塔拉自治州冻害，冻死小麦3.45万亩，占全州总数的50.8％。塔城地区额敏县冻死冬小麦7300亩。阿勒泰地区布尔津县7次冷空气入侵，死亡牲畜18万头，受灾1560户11927人。1987年冬季阿勒泰地区冻、饿死亡牲畜1万余头。塔城地区死亡牲畜3.13万余头。2009年冬季新疆地区出现了60年一遇的暴雪天气，降雪量突破历史同期极值，这此暴雪天气使北疆地区的冬小麦遭到了严重的冻害。2010年入冬以来，新疆阿勒泰地区先后遭受3次严重寒潮雪灾，阿勒泰山后山一带积雪厚度达180厘米以上，给当地农牧业生产、道路交通运输以及各族群众的生活造成较大影响。2012年冬，昌吉州发生百万亩冬小麦冻害，冻害轻重和越冬水灌量不足以及播期偏早、生长偏旺造成抗冻能力弱有关。2018年冬，寒流入侵北疆，造成多地区达到了-30℃的低温环境。过低的温度造成冬麦和葡萄根系的严重冻伤，对于农作物的伤害是极大的。2020越冬期，新疆生产建设兵团第六师红旗农场冬小麦越冬受灾，出现了大面积死亡现象。从总体看来，冻害指数能够较好反映历年冻害实际情况，具有较强的适应性，能够用于表征北疆冬小麦的越冬冻害。
2.2冻害指数时间变化趋势
由图3a和图3b可知，在YI区、YII区计算中，各区域中KMO分别为0.681、0.666，巴特利Bartlett球形度检验的显著性值均为0.000<0.01，公因子方差提取各因子的共同度均＞0.7，选择累计方差贡献率≥85％，分别提取前3个主成分进行分析，其累计方差分别为86.960、86.688，随着年份增加，指数整体均显著减少。YI区、YII区的范围分别为0.36—0.72、0.44—0.93，其平均值为0.51、0.64，其倾向率分别为-0.0021/年、-0.0027/年。
其中YI区YI>0.7的年份有1966、1968、1976，YI<0.4的年份有2006、2008、2019；II区YII>0.8分布年份有1960、1966、1976、1968、1984、1987，YII<0.5分布年份有2006、2008、1991、2019。对YI区、YII区域分别分三个时间阶段，(1960-1989)其倾向率分别为-0.0023/年、-0.0038/年，(1990-2009)其倾向率分别为0.0013/年、0.0024/年，(2010-2020)其倾向率分别为-0.0115/年、-0.0182/年。
通过上面分析可知，近60年中冻害最严重的年份集中在1966、1976、1968、1984、1987。且仅分析小麦观测点的年平均冻害值高于北疆49个气象站的年平均冻害值。I区、II区整体年份均显著下降，但在1990-2009年份中均明显上升趋势。
利用Mann-Kendall突变检验分析方法对北疆各站点的1960—2020年冻害指数Y的变化趋势进行突变检验。根据各区域UF(按时间序列顺序计算出的统计量序列)和UB(按时间序列逆序计算出的统计量序列)两条曲线的交点确定冻害指数下降是个突变现象。由图4a和图4b可知，在YI区域中，两条曲线的交点确定冻害指数重合点在1982、1984、1985年，即YI区突变年份为1985年，在YII区重合点在1981年，YI区、YII区在突变之前冻害指数平均值分别为0.56、0.71，突变之后平均值分别为0.48、0.60。由此可知，北疆冻害发生程度在1980年代后比1980年代前减少，呈显著下降趋势，其中2008—2012年均有明显上升趋势。
2.3冻害指数空间分布特征
2.3.1YI区逐年代冻害指数平均分布
由图5a-图5f可知，1960-2020年(YI区)进行分6个时间段进行如下逐区域分析。1960-1970年间，YI平均值为0.57，YI>0.7主要分布于整个阿勒泰地区，其中YI>0.8区域主要分布在阿勒泰地区富蕴县和青河县。0.6<YI≤0.7主要分布于天山山脉中段及东段向北至阿勒泰，包括巴里坤哈萨克自治县、奇台县、吉木萨尔县、米东区、石河子市、乌苏市、额敏县、乌尔禾区和福海县。
1971-1980年间，YI平均值为0.56，在YI>0.6区域同60年代，在天山中段增加了呼图壁县。巴里坤县观测点YI>0.7。在0.5<YI≤0.6区域中，精河县南部区域和乌鲁木齐县YI<0.5。
1981-1990年间，YI平均值为0.51，在YI>0.6区域明显减少。YI>0.6区域除石河子市、米东区、奇台、巴里坤站点外其他均分布在阿勒泰地区。
1991-2000年YI平均值为0.48和2001-2010年YI平均值为0.49。YI>0.6均集中在阿勒泰地区、奇台、米东、石河子市站点。2011-2020年间，YI平均值为0.46，0.5<YI≤0.6的区域明显减少，主要分布在米东区、奇台县、巴里坤县、石河子市和乌苏市及北延至阿勒泰。YI>0.6集中在阿勒泰地区，其中YI>0.7分布在青河县和福海县。
2.3.2YIII区冻害指数平均分布
由图6可知，选择2016-2020共83个气象观测站(YIII区)近5年冻害指数平均值进行逐区域分析，KMO值为0.587，Bartlett球形度检验的显著性值均为0.000<0.01，公因子方差提取各因子的共同度均＞0.7，选择累计方差贡献率≥85％，提取前4个主成分进行分析，其累计方差为92.9％。YIII平均值为0.50，YIII>0.7的区域主要分布在富蕴和青河县，其中YIII>0.8在富蕴县东北区。0.6<YIII≤0.7区域集中在昌吉州北部延至阿勒泰各区域，托里县局部。0.5<YIII≤0.6区域主要集中在昭苏南部、巴里坤和伊吾县交界区、木垒县、奇台县、吉木萨尔县北部、天山区、米东区、沙湾县、乌苏县北部、石河子区、裕民县和额敏县、哈巴河县、各布克赛尔县。对于伊犁地区在当0.5<YIII≤0.6时必须及时防范。
2.3.3近20年冻害指数较高年分布情况
通过图3a和图3b可知，近20年中2009年越冬期平均冻害最高的一年，2018年越冬期是近5年中冻害较严重的一年。因此对YI区中2009年和YIII区中2018年越冬期冻害指数分布情况如下图7a和图7b。由图7a可知，2009年越冬期YI≥0.8分布在整个阿勒泰地区，0.7≤YI<0.8分布在阿勒泰周边至北塔山，奇台县、昌吉市、石河子市。0.6≤YI<0.7分布天山山脉中段及东段除乌鲁木齐市区域外向北延至阿勒泰周边。
由图7b可知，2018年越冬期YIII≥0.8区域较2009年越冬期明显减少，冻害集中在富蕴和青河县；0.7≤YIII<0.8分布在阿勒泰其他区域、昌吉州北部、奇台县局部。0.6≤YIII<0.7区域明显比2009年越冬期扩大，分布在塔城额敏县、托里县及天山山脉中段及东段除乌鲁木齐市区域外向北延至阿勒泰地区。
2009年和2018年越冬期轻度冻害和中度冻害均有小麦主要种植区。
2.4冬麦冻害发生的次数和频率
结合灾情相关资料，YII仅考虑小麦观测站点和历史灾害报告中小麦受灾吻合度最高。现详细分析小麦观测站点在逐20年中受冻害的次数和频率。
表1YII区中11个小麦观测站点在逐20年中受冻害情况分布表
昭苏县观测站点海拔1851米，巴里坤县观测点海拔1679米。其他观测站点海拔在460—930米之间。同一区域海拔高度越高发生冻害频率及重度冻害年份要多。随着80年代气候突变后，1981-2020Years发生冻害次数明显减少，发生重度冻害逐20年明显逐渐减少，发生轻度和中度冻害年份数2001-2020Years比1981-2000Years略有增加。在2001-2020Years中阿勒泰市、昌吉市重度冻害年份数相比前20年略增加，剩下冬麦观测站点发生重度冻害数均减少。对于伊犁地区(伊宁市、新源县、昭苏县)冻害指数均偏低，发生冻害的频率小，是小麦种植最好区域。
3讨论
通过上面分析来看，在冻害发生年份中轻度至中度冻害大部分区域是冬小麦主要种植区，由于发生轻度冻害频率较高，为防御小麦冻害的发生，降低小麦冻害的发生程度。常见的措施有以下5个方面：(1)选好品种，选好品种是防御小麦冻害的最好方法，抗冻的小麦品种在冻害发生的年份损失小或者没有损失。(2)种好小麦，是指在精细整地和底墒充足的基础上适期适量播种小麦，播时调好农业机械，确保播种深浅一致，争取一播全苗。(3)管好小麦，小麦出苗后加强小麦冬前管理，争取小麦壮苗越冬，返青后合理调节水肥管理，争取多成穗成大穗，后期加强防病治虫。(4)在春季寒潮来临之前浇好小麦，浇水可以提高地温，改善农田小气候，显著减轻小麦所受的冻害。有条件的农户或合作社可以用喷灌和滴灌。(5)喷好叶面肥，在小麦上喷施壮丰安、天丰芸苔素、磷酸二氢钾等叶面肥，可增加小麦植株的抗逆性，减轻冻害的发生程度。
由于冬小麦受冻害影响是一个复杂的过程，影响因素多，如越冬前气候因子、作物品种类型、冬前抗寒锻炼、地理环境和种植管理等，小麦的抗寒机理受遗传基因和环境因素的共同制约，也受小麦生育周期的复杂性和环境因子的多变性等因素综合影响，在进行灾害分析时可能会产生一定的误差。同时由于小麦冻害的历史灾情资料不完善，使得冻害指数的应用存在一定偏差，在后期业务应用和实地检验中不断的完善和优化指数。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本专利申请权利要求的保护范围之中。
Claims (10)
1.北疆冬小麦越冬期冻害指数构建算法，其特征在于，包括如下步骤：
步骤P1：选取研究区域并确定研究时间段；
步骤P 2：选择北疆冻害致灾因子；
步骤P 3：设计雪深资料处理方法及其他冻害致灾因子；
步骤P 4：分三种角度分析各站点的冻害致灾因子；
步骤P 5：分别对各区域所有站所有年份的致灾因子进行极差标准化；
步骤P 6：各区域进行KMO检验、巴特利球体检验和公因子方差计算确定所选因子是否合适；
步骤P 7：选择累计方差贡献率≥85％的前几项主成分进行分析；
步骤P8：单独计算每个主成分对应的6个致灾因子的特征值和特征向量；
步骤P9：通过每个主成分方差贡献率和特征向量分别将前几项主成分进行综合计算；
步骤P10：结合北疆冻害灾情和冬小麦产量资料验证指数的适应性，并进行突变检验分析。
2.根据权利要求1所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P1中，研究区域为新疆北部地区，区域所处范围为42.30°～49.15°N，79.90°～96.05°E，研究区域内共有83个国家气象观测站点；
研究时间段为：选择1960-2020年的越冬期；越冬期为确定5日滑动平均气温稳定通过0℃初日至终日期间，一般情况是前一年10月份开始至次年3月份结束，记作前一年的越冬期。
3.根据权利要求1所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P2中，从北疆冬小麦越冬期生育期内多致灾因子气候变化特征分析入手，考虑到低温、积雪和大风对北疆冬小麦越冬期冻害的影响，将雪深资料和风速资料加入北疆冻害致灾因子，最终确定以越冬期负积温、越冬期平均气温、越冬期最大降温幅度、越冬期平均雪深、越冬期极端最低气温、越冬期平均风速作为北疆冬小麦越冬冻害致灾因子，并构建冻害指数。
4.根据权利要求3所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P3中，
P301雪深资料处理：选取北疆气象站1960-2020年越冬期期间逐日雪深资料，发现逐日雪深资料中，有个别站或某站多次没有雪深资料的占全部资料的7％，为保证数据完整进行后续研究，在没有雪深数据中，设计邻近取值；
无雪深资料算法取值思路：整个算法循环10次逐10km累加，取距离缺少资料站的经纬度均≤10km的当天有雪深数据站的所有雪深平均值作为为当天该站雪深值；在没有雪深数据的站周边超过100km也没有当日该站可获取的雪深数据时，没有雪深数据的站当天的雪深数据作空值不参与计算，当雪深最终空值占全部资料小于3％时，则不影响后期计算逐站逐年越冬期平均雪深；
P301其他冻害致灾因子：
越冬期最大降温幅度：越冬期降温过程中连续72h内日平均气温的最大降温幅度；
越冬期极端最低气温：越冬期出现的极端最低气温最小值；
越冬期负积温：越冬期日平均气温﹤0℃的累积值；
越冬期平均气温:越冬期日平均气温的均值；
越冬期平均风速：越冬期日平均风速的均值。
5.根据权利要求1所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P4中，
从分析线路角度确定YI区：为保证数据的完整型和延续性，选择1960-2020年共49个有稳定数据的气象观测站进行分析；
从重点对小麦的观察确定YII区：选择1960-2020年共11个小麦观测站单独进行年份分析；
从对北疆区域分析确定YIII区：选择2016-2020共83个气象观测站，单独分析近5年越冬期北疆区域冻害平均分布情况。
6.根据权利要求1所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P5中，为了能够将各个指标参与评价计算，需要对各指标进行规范化处理，通过函数变换将其数值映射到某个数值区间；
按照数据归一化方法将风险指标体系中的各要素进行归一化处理，归一化方法有两种形式，一种是数变为(0,1)之间的小数，一种是把有量纲表达式变为无量纲表达式；
归一化是将有量纲的数值经过变换，化为无量纲的数值，进而消除各指标的量纲差异，计算公式为：
式中，x’为归一化后的数据，x为样本数据，xmin为样本数据中的最小值，xmax为样本数据中的最大值。
7.根据权利要求1所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P6中，
KMO检验用于检查变量间的相关性和偏相关性，取值在0～1之间；变量间的相关性越强，偏相关性越弱，因子分析的效果越好；实际分析中，KMO统计量在0.7以上时效果比较好；当KMO统计量在0.5以下，此时不适合应用因子分析法；
巴特利球体检验：显著性P<0.05时，说明符合标准，数据呈球形分布，各个变量在一定程度上相互独立；
公因子方差计算：几个公因子方差的累计贡献率，累计贡献率越高，说明提取的这几个公因子对于原始变量的代表性或者说解释率越高，整体的效果就越好；累计贡献率越低，说明提取的公因子的代表性或者说解释率越差，效果就越差；
在步骤P7中：选择累计方差贡献率≥85％的前几项主成分进行分析。YI、YII区提取前3项作为主成分，YIII区提取前4项作为主成分。
8.根据权利要求7所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P8中，
利用主成分分析方法对构建一个物理意义明确且能够有效反映北疆冻害致灾信息的综合变量，分不同重点进行全面分析北疆各站点越冬期综合冻害指数，同时也兼备独立性和可比性；
各区域内逐站点逐年冻害指数公式如下：
Y＝a1*X1+a2*X2+a3*X3+a4*X4+a5*X5+a6*X6 (2)
式(2)中，X1、X2、X3、X4、X5和X6分别为YI区、YII区、YIII区3个区内逐站点逐年的越冬期负积温、越冬期平均气温、最大降温幅度、越冬期平均雪深、越冬期极端最低气温、越冬平期均风速的区域极差标准化值，a1、a2、a3、a4、a5、a6分别为相应致灾因子的权重系数。
9.根据权利要求8所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P9中，
P901：以YI区域为例，先计算前3个主成分表达式如下：
YI1＝a11*X1+a12*X2+a13*X3+a14*X4+a15*X5+a16*X6
YI2＝a21*X1+a22*X2+a23*X3+a24*X4+a25*X5+a26*X6
YI3＝a31*X1+a32*X2+a33*X3+a34*X4+a35*X5+a36* X6 (3)
综合YI1、YI2、YI3的公式，利用累计方差贡献率比例计算得综合表达式YI＝b1*YI1+b2*YI2+b3*YI3，b1、b2、b3分别为方差贡献率比例；
YII区和YIII区按照YI区的主成分计算；
P902：综合选取越冬期冻害主要致灾因子，利用主成分分析法确立各区冻害指数Y计算式中的系数，得到YI区、YII区、YIII区三个内的Y表达式；
YI＝0.33307*X1+0.258827*X2+0.3044*X3+0.00058*X4+0.3248*X5+0.2301*X6YII＝0.2459*X1+0.1703*X2+0.35453*X3+0.21615*X4+0.3068*X5+0.2639*X6YIII＝0.27802*X1+0.2049*X2+0.2747*X3+0.3043*X4+0.2491*X5+0.0634*X6(4)
由式(4)可知，Y与6个致灾因子的区域极差标准化值均呈正相关关系，其物理意义表示当越冬期负积温、越冬期平均气温、越冬期最大降温幅度、越冬期平均雪深、越冬期极端最低气温、越冬期平均风速均越大，冻害也越重；冻害指数越大表示冻害程度越重；
从权重系数＞0.3来看，由YI可知越冬期雪深对越冬期冻害影响权重最小，越冬期负积温、越冬期最大降温和越冬期极端最低气温影响权重最大；
YII仅分析小麦观测站点发现每个致灾因子对冻害指数均有影响，其中越冬期最大降温和极端最低气温对冬小麦冻害影响最大；
YIII分析2016-2020年冻害中发现风速对冻害指数影响最小，越冬期雪深影响最大；
发现不同侧重点去分析北疆冻害指数，影响冻害的致灾因子权重是不一样的。
10.根据权利要求1所述的北疆冬小麦越冬期冻害指数构建算法，其特征在于，在步骤P10中，
P1001：冻害灾情资料来自各级气象台站、当地民政部门、媒体报刊等记载的冻害记录，并与《气象灾害大典·新疆卷》及中国气象局的“灾情直报系统”中的记录；冬小麦产量资料来自新疆历年统计年鉴；
P1002：计算结果采用Mann-Kendall进行突变性检验；
在按时间序列顺序计算出的统计量序列UF曲线中，超过临界值置信度线(P＝0.05)的前提下，按时间序列逆序计算出的统计量序列UB曲线的2个统计量序列有明显的交叉点位于置信度线之间，则表明该交叉点为突变点，且统计上显著；若交叉点位于置信度线之外，则不确定是否为突变点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211515604.0A CN116089789A (zh) | 2022-11-29 | 2022-11-29 | 北疆冬小麦越冬期冻害指数构建算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211515604.0A CN116089789A (zh) | 2022-11-29 | 2022-11-29 | 北疆冬小麦越冬期冻害指数构建算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116089789A true CN116089789A (zh) | 2023-05-09 |
Family
ID=86200010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211515604.0A Pending CN116089789A (zh) | 2022-11-29 | 2022-11-29 | 北疆冬小麦越冬期冻害指数构建算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116089789A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853936A (zh) * | 2024-03-08 | 2024-04-09 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
-
2022
- 2022-11-29 CN CN202211515604.0A patent/CN116089789A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853936A (zh) * | 2024-03-08 | 2024-04-09 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
| CN117853936B (zh) * | 2024-03-08 | 2024-05-31 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Increasing cropping intensity in response to climate warming in Tibetan Plateau, China | |
| Yang et al. | Effects of distance from a tree line on photosynthetic characteristics and yield of wheat in a jujube tree/wheat agroforestry system | |
| Farajzadeh et al. | Modelling apple tree bud burst time and frost risk in Iran | |
| Zhai et al. | The water-saving potential of using micro-sprinkling irrigation for winter wheat production on the North China Plain | |
| CN110793921A (zh) | 一种抽雄授粉期玉米洪涝灾害遥感监测与评估方法与系统 | |
| Mishra et al. | Sensitivity analysis of four wheat cultivars to varying photoperiod and temperature at different phenological stages using WOFOST model | |
| Shrestha et al. | Strategies to improve cereal production in the Terai region (Nepal) during dry season: simulations with aquacrop | |
| Álamo et al. | Precision techniques for improving the management of the olive groves of southern Spain | |
| Dass et al. | Intercropping in fingermillet (Eleusine coracana) with pulses for enhanced productivity, resource conservation and soil fertility in uplands of southern Orissa | |
| Wu et al. | Change in phosphorus requirement with increasing grain yield for Chinese maize production | |
| CN116089789A (zh) | 北疆冬小麦越冬期冻害指数构建算法 | |
| Serman et al. | Water productivity and net profit of high-density olive orchards in San Juan, Argentina | |
| Zalaghi et al. | Applying data envelopment analysis (DEA) to improve energy efficiency of apple fruit, focusing on cumulative energy demand | |
| Wang et al. | Light perception and use efficiency differ with maize plant density in maize-peanut intercropping | |
| Chavez et al. | Growth response and productivity of sorghum for bioenergy production in south Texas | |
| CN103392549A (zh) | 一种晚熟柑橘冬季落果的防治方法 | |
| Zang | Recent increased incidences of potato late blight on the Jos Plateau: A case for intercropping | |
| CN110956322B (zh) | 气候变暖趋势下的夏玉米花期高温灾害风险预测方法 | |
| Kirilenko et al. | Climate change impacts and adaptations in the countries of the former Soviet Union | |
| Khalil et al. | Sensitivity of Winter Crops to climate variability in the irrigated subtropics of Iraq (Al-Diwaniyah) | |
| Inurreta-Aguirre et al. | Impact of shade and tree root pruning on soil water content and crop yield of winter cereals in a Mediterranean alley cropping system | |
| Wabela et al. | Effects of irrigation scheduling on yield of potato and water productivity southern, Ethiopia | |
| Ucak et al. | Determination of water-efficiency relationships and silage quality characteristics of the maize species for silage (Zea Mays L.) The First Product Grown Under Semi-Arid Climate Conditions | |
| CN106034973B (zh) | 一种杉木人工林防灾控制方法 | |
| Verheye | Agro-climate-based land evaluation systems |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240306 Address after: 830049 No. 666 Shengli Road, Tianshan District, Urumqi City, Xinjiang Uygur Autonomous Region Applicant after: XINJIANG University Country or region after: China Applicant after: Xinjiang Xingnong Network Information Center Applicant after: Meteorological Bureau of Kashgar Region, Xinjiang Uygur Autonomous Region Address before: 830002 No. 327 Jianguo Road, Tianshan District, Urumqi City, Xinjiang Uygur Autonomous Region Applicant before: Xinjiang Xingnong Network Information Center Country or region before: China Applicant before: Meteorological Bureau of Kashgar Region, Xinjiang Uygur Autonomous Region |
|
| TA01 | Transfer of patent application right |