2.2。趋势分析
有关水稻面积时间序列数据,在印度Odisha以及生产力和生产进行了分析使用Mann-Kendall趋势测试评估的趋势出现在数据。最初,这个测试被曼(
13]和肯德尔[
14),随后得到检验统计量分布(
15,
16]。这个假设检验是一种非参数,rank-based评估方法存在的时间序列数据的趋势。数据的排名是根据时间,然后每个数据点都是先后当作一个参考数据点和比较的所有数据点跟随。与参数统计测试相比,非参数测试被认为是更适合于非正态的分布式数据(
17]。由于使用的时间序列数据研究主要是非正规的分布明显的偏斜度和峰度值表
1,在这项研究中使用的非参数测试。
描述性统计和Mann-Kendall趋势分析测试的时间序列数据Odisha和印度种植水稻1950 - 51 - 2006 - 07。
| 参数 |
的意思是 |
中位数 |
标准偏差 |
峰度 |
偏态 |
Mann-Kendall趋势(<我nline-formula>
Z米米l:mi>
值) |
森的斜率(<我nline-formula>
问米米l:mi>
) |
| 全印度 | |
|
|
|
|
|
|
| 区(百万公顷) | 38.63 | 39.42 | 4.33 | −0.83 | −0.46 | 9.59 | 0.26 |
| 生产力(公斤公顷<年代up>−1年代up>) | 1351.90 | 1234.55 | 435.12 | −1.28 | 0.32 | 9.64 | 25.32 |
| 生产(几百万吨) | 53.94 | 48.74 | 22.42 | −1.27 | 0.31 | 9.81 | 1.31 |
| Odisha | |
|
|
|
|
|
|
| 区(百万公顷) | 4.29 | 4.38 | 0.25 | −0.62 | −0.65 | 5.29 | 0.01 |
| 生产力(公斤公顷<年代up>−1年代up>) | 990.35 | 967.00 | 305.89 | −0.76 | 0.29 | 6.79 | 16.39 |
| 生产(几百万吨) | 4.30 | 4.17 | 1.47 | −0.76 | 0.24 | 6.98 | 0.08 |
Mann-Kendall测试数据是由
(1)米米l:mtext>
年代米米l:mi>
=米米l:mo>
∑米米l:mo>
我米米l:mi>
=米米l:mo>
1米米l:mn>
n米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
∑米米l:mo>
j米米l:mi>
=米米l:mo>
我米米l:mi>
+米米l:mo>
1米米l:mn>
n米米l:mi>
胡志明市米米l:mi>
米米l:mo>
(米米l:mo>
x米米l:mi>
j米米l:mi>
- - - - - -米米l:mo>
x米米l:mi>
我米米l:mi>
)米米l:mo>
,米米l:mo>
在哪里<我nline-formula>
x米米l:mi>
我米米l:mi>
和<我nline-formula>
x米米l:mi>
j米米l:mi>
连续的数据值,<我nline-formula>
n米米l:mi>
是数据集记录长度,
(2)米米l:mtext>
胡志明市米米l:mi>
米米l:mo>
(米米l:mo>
θ米米l:mi>
)米米l:mo>
=米米l:mo>
{米米l:mo>
+米米l:mo>
1米米l:mn>
如果米米l:mtext>
θ米米l:mi>
>米米l:mo>
0米米l:mn>
0米米l:mn>
如果米米l:mtext>
θ米米l:mi>
=米米l:mo>
1米米l:mn>
- - - - - -米米l:mo>
1米米l:mn>
如果米米l:mtext>
θ米米l:mi>
<米米l:mo>
1米米l:mn>
。米米l:mo>
Mann-Kendall测试有两个参数检测的重要趋势。这些参数的显著性水平表明趋势的力量和斜率大小估计这表明方向以及趋势的大小。
独立同分布随机变量,没有相关数据值,<我nline-formula>
E米米l:mi>
(米米l:mo>
年代米米l:mi>
)米米l:mo>
=米米l:mo>
0米米l:mn>
;
(3)米米l:mtext>
Var米米l:mi>
米米l:mo>
(米米l:mo>
年代米米l:mi>
)米米l:mo>
=米米l:mo>
n米米l:mi>
(米米l:mo>
n米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
)米米l:mo>
(米米l:mo>
2米米l:mn>
n米米l:mi>
+米米l:mo>
5米米l:mn>
)米米l:mo>
18米米l:mn>
。米米l:mo>
有些数据值绑定时,校正<我nline-formula>
Var米米l:mi>
米米l:mo>
(米米l:mo>
年代米米l:mi>
)米米l:mo>
是
(4)米米l:mtext>
Var米米l:mi>
米米l:mo>
(米米l:mo>
年代米米l:mi>
)米米l:mo>
=米米l:mo>
n米米l:mi>
(米米l:mo>
n米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
)米米l:mo>
(米米l:mo>
2米米l:mn>
n米米l:mi>
+米米l:mo>
5米米l:mn>
)米米l:mo>
- - - - - -米米l:mo>
∑米米l:mo>
我米米l:mi>
=米米l:mo>
1米米l:mn>
n米米l:mi>
t米米l:mi>
我米米l:mi>
(米米l:mo>
我米米l:mi>
)米米l:mo>
(米米l:mo>
我米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
)米米l:mo>
(米米l:mo>
2米米l:mn>
我米米l:mi>
+米米l:mo>
5米米l:mn>
)米米l:mo>
18米米l:mn>
,米米l:mo>
在哪里<我nline-formula>
t米米l:mi>
我米米l:mi>
表示数量关系的程度<我nline-formula>
我米米l:mi>
。为<我nline-formula>
n米米l:mi>
大于10,检验统计量
(5)米米l:mtext>
Z米米l:mi>
年代米米l:mi>
=米米l:mo>
{米米l:mo>
年代米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
(米米l:mo>
var米米l:mtext>
(米米l:mo>
年代米米l:mi>
)米米l:mo>
]米米l:mo>
0.5米米l:mn>
为米米l:mtext>
年代米米l:mi>
>米米l:mo>
0米米l:mn>
0米米l:mn>
为米米l:mtext>
年代米米l:mi>
=米米l:mo>
0米米l:mn>
年代米米l:mi>
+米米l:mo>
1米米l:mn>
(米米l:mo>
var米米l:mtext>
(米米l:mo>
年代米米l:mi>
)米米l:mo>
]米米l:mo>
0.5米米l:mn>
为米米l:mtext>
年代米米l:mi>
<米米l:mo>
0米米l:mn>
;米米l:mo>
Z米米l:mi>
年代米米l:mi>
遵循标准正态分布(
14]。趋势斜率的大小也可以计算(森,1968)。森对斜率的估计与Mann-Kendall相关测试如下:
(6)米米l:mtext>
β米米l:mi>
=米米l:mo>
中位数米米l:mtext>
(米米l:mo>
x米米l:mi>
j米米l:mi>
- - - - - -米米l:mo>
x米米l:mi>
我米米l:mi>
j米米l:mi>
- - - - - -米米l:mo>
我米米l:mi>
)米米l:mo>
,米米l:mo>
∀米米l:mo>
j米米l:mi>
>米米l:mo>
我米米l:mi>
,米米l:mo>
在哪里<我nline-formula>
x米米l:mi>
j米米l:mi>
和<我nline-formula>
x米米l:mi>
我米米l:mi>
被认为是数据值在时间吗<我nline-formula>
j米米l:mi>
和<我nline-formula>
我米米l:mi>
(<我nline-formula>
j米米l:mi>
>米米l:mo>
我米米l:mi>
),相应。中值的<我nline-formula>
N米米l:mi>
的值<我nline-formula>
β米米l:mi>
我米米l:mi>
是森表示为斜率的估计量作为吗
(7)米米l:mtext>
问米米l:mi>
我米米l:mi>
=米米l:mo>
{米米l:mo>
β米米l:mi>
(米米l:mo>
N米米l:mi>
+米米l:mo>
1米米l:mn>
)米米l:mo>
/米米l:mo>
2米米l:mn>
当米米l:mtext>
N米米l:mi>
是米米l:mtext>
奇怪的米米l:mtext>
1米米l:mn>
2米米l:mn>
(米米l:mo>
β米米l:mi>
N米米l:mi>
/米米l:mo>
2米米l:mn>
+米米l:mo>
β米米l:mi>
(米米l:mo>
N米米l:mi>
+米米l:mo>
2米米l:mn>
)米米l:mo>
/米米l:mo>
2米米l:mn>
)米米l:mo>
当米米l:mtext>
N米米l:mi>
是米米l:mtext>
甚至米米l:mtext>
。米米l:mo>
一个积极的价值<我nline-formula>
问米米l:mi>
表明一个上升趋势,而一个负值代表一个下降的趋势。
年代ec>
2.3。ARIMA模型
ARIMA模型分析和预测等距的单变量时间序列数据。一个响应时间序列ARIMA模型预测价值作为自己的过去值的线性组合。ARIMA方法最初是由框和推广詹金斯(
18),和ARIMA模型通常被称为Box-Jenkins模型。在这项研究中,分析由ARIMA分为三个阶段(
19]。
年代ec>
2.4。符号为纯ARIMA模型
考虑
(8)米米l:mtext>
W米米l:mi>
t米米l:mi>
=米米l:mo>
μ米米l:mi>
+米米l:mo>
θ米米l:mi>
(米米l:mo>
B米米l:mi>
)米米l:mo>
Φ米米l:mi>
(米米l:mo>
B米米l:mi>
)米米l:mo>
一个米米l:mi>
t米米l:mi>
,米米l:mo>
在哪里<我nline-formula>
t米米l:mi>
索引,<我nline-formula>
W米米l:mi>
t米米l:mi>
是响应系列<我nline-formula>
Y米米l:mi>
t米米l:mi>
或一系列的不同响应,<我nline-formula>
μ米米l:mi>
是均值,<我nline-formula>
B米米l:mi>
是二次变换算子,<我nline-formula>
B米米l:mi>
X米米l:mi>
t米米l:mi>
=米米l:mo>
X米米l:mi>
t米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
,<我nline-formula>
Φ米米l:mi>
(米米l:mo>
B米米l:mi>
)米米l:mo>
自回归操作符,表示为一个二次变换算子多项式:<我nline-formula>
Φ米米l:mi>
(米米l:mo>
B米米l:mi>
)米米l:mo>
=米米l:mo>
1米米l:mn>
- - - - - -米米l:mo>
Φ米米l:mi>
1米米l:mn>
B米米l:mi>
- - - - - -米米l:mo>
⋯米米l:mo>
Φ米米l:mi>
p米米l:mi>
B米米l:mi>
p米米l:mi>
,米米l:mo>
θ米米l:mi>
B米米l:mi>
是移动平均算子,在二次变换算符表示为多项式<我nline-formula>
θ米米l:mi>
(米米l:mo>
B米米l:mi>
)米米l:mo>
=米米l:mo>
1米米l:mn>
- - - - - -米米l:mo>
θ米米l:mi>
1米米l:mn>
B米米l:mi>
- - - - - -米米l:mo>
⋯米米l:mo>
θ米米l:mi>
p米米l:mi>
B米米l:mi>
p米米l:mi>
,<我nline-formula>
一个米米l:mi>
t米米l:mi>
独立的扰动,也称为随机误差。对于简单的差分,<我nline-formula>
W米米l:mi>
t米米l:mi>
=米米l:mo>
(米米l:mo>
1米米l:mn>
- - - - - -米米l:mo>
B米米l:mi>
)米米l:mo>
d米米l:mi>
Y米米l:mi>
t米米l:mi>
,在那里<我nline-formula>
d米米l:mi>
差分的顺序。
<我t一个lic>
识别阶段我t一个lic>。平稳的时间序列数据进行检查,显示,水稻领域,印度生产、生产力以及Odisha是不稳定除了大米在Odisha下的面积。nonstationery时间序列数据由一阶差分平稳,最适合ARIMA模型使用数据从1951年到2007年,开发用于预测可耕种的区域,生产和生产力的大米Odisha和印度未来三年,也就是说,2007 - 2008,2008 - 2009,和2009 - 10所示。
候选人ARIMA模型被确定通过寻找季节性的命令参数的初始值”<我nline-formula>
p米米l:mi>
”和“<我nline-formula>
问米米l:mi>
”。他们通过寻找重要的自相关和偏自相关函数峰值。在识别阶段,选择一个或多个模型初步统计上似乎提供足够的可用数据的表示。然后精确的估计模型的参数是通过最小二乘法获得。
<我t一个lic>
评估阶段我t一个lic>。ARIMA模型拟合精度和模型的测试诊断的基础上统计数据。
<我t一个lic>
诊断检查我t一个lic>。选择最好的模型是基于以下的诊断。
<我t一个lic>
(我)低Akaike信息标准(AIC)我t一个lic>。另类投资会议(
20.是估计的<我nline-formula>
另类投资会议米米l:mtext>
=米米l:mo>
(米米l:mo>
- - - - - -米米l:mo>
2米米l:mn>
日志米米l:mi>
米米l:mo>
l米米l:mi>
+米米l:mo>
2米米l:mn>
米米米l:mi>
)米米l:mo>
,在那里<我nline-formula>
米米米l:mi>
=米米l:mo>
p米米l:mi>
+米米l:mo>
问米米l:mi>
和<我nline-formula>
l米米l:mi>
似然函数。
有时,南方浸信会(
21)也使用和估计<我nline-formula>
南方浸信会米米l:mtext>
=米米l:mo>
日志米米l:mi>
米米l:mo>
σ米米l:mi>
2米米l:mn>
+米米l:mo>
(米米l:mo>
米米米l:mi>
日志米米l:mi>
米米l:mo>
n米米l:mi>
)米米l:mo>
/米米l:mo>
n米米l:mi>
。
<我t一个lic>
(2)自我的渺小剩余工资我t一个lic>。如果一个时间序列的模型是一个适当的表示,它应该捕获所有的相关系列,和白噪声残差应该是相互独立的。
<我t一个lic>
(3)参数的意义我t一个lic>。意义的测试模型中参数估计表明是否一些条款可能是不必要的。
<我t一个lic>
预测阶段我t一个lic>。时间序列的预测未来值。
年代ec>
2.5。模型评价
平均绝对百分比误差(日军)如下定义被用作衡量模型的准确性:
(9)米米l:mtext>
日军米米l:mtext>
=米米l:mo>
One hundred.米米l:mn>
*米米l:mi>
(米米l:mo>
∑米米l:mo>
我米米l:mi>
=米米l:mo>
1米米l:mn>
n米米l:mi>
(米米l:mo>
|米米l:mo>
Y米米l:mi>
F米米l:mi>
- - - - - -米米l:mo>
Y米米l:mi>
|米米l:mo>
/米米l:mo>
Y米米l:mi>
)米米l:mo>
n米米l:mi>
)米米l:mo>
Y米米l:mi>
F米米l:mi>
是预测变量,<我nline-formula>
Y米米l:mi>
实际的变量,<我nline-formula>
n米米l:mi>
变量的个数。
年代AS 9.2软件(SAS研究所,Inc .,卡里,NC)用于时间序列分析和发展ARIMA模型和预测。
年代ec>
3所示。结果与讨论
3.1。趋势分析
描述性统计时间序列数据的水稻面积、产量和生产力Odisha和印度都在桌子上
1。时间序列数据绘制在图
1。水稻面积时间序列数据,生产,生产力是非正规的可评估的概率密度图和偏斜度和峰度值。因此非参数Mann-Kendall测试趋势分析进行测试的意义的趋势。从Mann-Kendall值的明显<我nline-formula>
Z米米l:mi>
统计和森的斜率估计(<我nline-formula>
问米米l:mi>
),所有的参数选择的时间序列数据分析显示重要的和积极的趋势。的Mann-Kendall<我nline-formula>
Z米米l:mi>
价值大小的斜率表示的速率增加面积,不生产,生产率Odisha相比印度场景。
的趋势,生产力和生产的大米Odisha和印度。(一)区域,百万公顷;(b)生产率、公斤公顷<年代up>−1年代up>,(c)生产几百万吨。
长期时间序列数据的趋势分析(1950 - 51 - 2006 - 07)面积的大米被发现积极的<我nline-formula>
问米米l:mi>
价值Odisha和印度的0.01和0.26,分别。低<我nline-formula>
问米米l:mi>
值可以用这一事实来解释大米仍或多或少不变下的面积在过去十年,由于城市化和工业化的竞争。面积在印度大米4345万公顷和4381万公顷,分别为1997年- 98年和2006 - 07年度,而同期面积大米Odisha从450万公顷减少到445万公顷。很明显,有停滞不前的状况下的面积大米在过去的十年中,唯一的选择增加水稻产量是垂直扩展。
趋势分析也显示相当大的增加在所有印度从668公斤公顷平均生产率的大米<年代up>−1年代up>1950 - 51公顷到2131公斤<年代up>−1年代up>在2006 - 07年,在同一时期,在Odisha从520公斤公顷增加水稻产量<年代up>−1年代up>1557公斤哈哈<年代up>−1年代up>。生产率的增长率Odisha小于所有印度平均明显从森的斜率估计的25.32公斤公顷<年代up>−1年代up>一年<年代up>−1年代up>和16.39公斤哈哈<年代up>−1年代up>一年<年代up>−1年代up>分别对印度和Odisha指示Odisha大米尚未开发的增长潜力。为了开发这个潜在的印度政府已经启动了一个项目“绿色革命”在印度东部自2010 - 11所示。
年代ec>
3.2。建立ARIMA模型
自回归(<我nline-formula>
p米米l:mi>
)和移动平均(<我nline-formula>
问米米l:mi>
)参数被确定基于块PACF显著峰值和ACF的不同的时间序列。而确定最适合的ARIMA模型,适当的值<我nline-formula>
p米米l:mi>
,<我nline-formula>
d米米l:mi>
,<我nline-formula>
问米米l:mi>
选择最小值对应的选择标准,也就是说,AIC和南方浸信会。最适合模型适合水稻面积、生产、生产力Odisha和印度AIC和南方浸信会在表
2。自回归和移动平均参数的估计以及常数项展示在表
3。很明显从“<我nline-formula>
t米米l:mi>
“价值,所有的参数估计是重要的ARIMA模型是一个重要的标准。很明显从图
2(一个)ACF面积的大米在印度有很大的峰值滞后1和PACF逐渐下降(图
3(一个)),这表明一阶的移动平均模型。
自回归综合移动平均(ARIMA)模型拟合时间序列数据对水稻面积、生产力,和相应的选择标准,也就是说,Akaike信息标准(AIC)和Schwarz-Bayesian信息标准(SBC)。
| 参数 |
ARIMA模型 |
另类投资会议 |
南方浸信会 |
| 全印度 | |
|
|
| 区域,百万公顷 | ARIMA (0, 1, 1) | 165.33 | 169.38 |
| 生产力,公斤哈哈<年代up>−1年代up> |
ARIMA (2, 1, 0) | 674.76 | 680.84 |
| 生产几百万吨 | ARIMA (2, 1, 0) | 339.82 | 343.87 |
| Odisha | |
|
|
| 区域,百万公顷 | ARIMA (0, 0) | −46.67 | −40.54 |
| 生产力,公斤哈哈<年代up>−1年代up> |
ARIMA (1, 1, 1) | 746.61 | 752.69 |
| 生产、百万音调 | ARIMA (1, 1, 1) | 144.27 | 150.34 |
最终估计的参数自回归综合移动平均(ARIMA)模型适合水稻面积时间序列数据,生产力和生产Odisha和印度。
| 参数 |
华宇电脑参数 |
估计 |
标准错误 |
t米米l:mi>
价值 |
| 印度 | |
|
|
|
| 区域,百万公顷 | μ | 0.24 | 0.07 | 3.46<我nline-formula>
*米米l:mi>
|
| MA1 | 0.52 | 0.12 | 4.46<我nline-formula>
*米米l:mi>
|
| 生产力,公斤哈哈<年代up>−1年代up> |
μ | 25.14 | 3.99 | 6.31<我nline-formula>
*米米l:mi>
|
| AR1 | 25.67 | 6.14 | 4.18<我nline-formula>
*米米l:mi>
|
| AR2 | −0.79 | 0.13 | −6.10<我nline-formula>
*米米l:mi>
|
| 生产、百万音调 | μ | −0.36 | 0.13 | −2.74<我nline-formula>
*米米l:mi>
|
| AR1 | −0.76 | 0.13 | −5.76<我nline-formula>
*米米l:mi>
|
| AR2 | −0.30 | 0.13 | −2.22<我nline-formula>
*米米l:mi>
|
| Odisha | |
|
|
|
| 区域,百万公顷 | μ | 3.85 | 0.14 | 27.53<我nline-formula>
*米米l:mi>
|
| AR1 | 0.50 | 0.12 | 4.18<我nline-formula>
*米米l:mi>
|
| AR2 | 0.49 | 0.12 | 4.06<我nline-formula>
*米米l:mi>
|
| 生产力,公斤哈哈<年代up>−1年代up> |
μ | 17.50 | 8.38 | 2.09<我nline-formula>
*米米l:mi>
|
| MA1 | 0.56 | 0.16 | 3.54<我nline-formula>
*米米l:mi>
|
| AR1 | −0.33 | 0.18 | −1.87<我nline-formula>
*米米l:mi>
|
| 生产、百万音调 | μ | 0.085 | 0.04 | 2.17<我nline-formula>
*米米l:mi>
|
| MA1 | 0.54 | 0.16 | 3.41<我nline-formula>
*米米l:mi>
|
| AR1 | −0.38 | 0.17 | −2.25<我nline-formula>
*米米l:mi>
|
*米米l:mi>
重要,<我nline-formula>
P米米l:mi>
=米米l:mo>
0.05米米l:mn>
。
自相关函数(ACF)地区,生产力和生产Odisha和印度。(一)区(百万公顷)在印度;(b)生产率(公斤公顷<年代up>−1年代up>)在印度;(c)生产在印度(几百万吨);(d)地区在Odisha(百万公顷);(e)生产率(公斤公顷<年代up>−1年代up>在Odisha);和(f)生产(几百万吨)Odisha(阴影区域的情节在5%显著水平)。
偏自相关函数(PACF)地区,生产力和生产Odisha和印度。(一)区(百万公顷)在印度;(b)生产率(公斤公顷<年代up>−1年代up>)在印度;(c)生产在印度(几百万吨);(d)地区在Odisha(百万公顷);(e)生产率(公斤公顷<年代up>−1年代up>在Odisha);和(f)生产(几百万吨)Odisha(阴影区域的情节在5%显著水平)。
同样重要的峰值滞后2的PACF印度水稻产量和生产指示ARIMA的二阶自回归模型<我nline-formula>
(米米l:mo>
2、1米米l:mn>
,米米l:mo>
0米米l:mn>
)米米l:mo>
,它被发现是一个最适合的模型。重要的PACF峰值滞后2(图
3 (d))和逐渐下降ACF(图
2 (d))对水稻面积Odisha表明纯,ARIMA二阶自回归模型<我nline-formula>
(米米l:mo>
2、0米米l:mn>
,米米l:mo>
0米米l:mn>
)米米l:mo>
和被发现最好的安装。显著峰值滞后1的数字
2 (e)和
2 (f)和数字
3 (e)和
3 (f)、ACF和PACF表示一阶自回归和移动平均模型Odisha的生产力和生产。ACF和PACF策划对拟合模型的残差和说谎的范围内,这表明ARIMA模型拟合得很好。
年代ec>
3.3。利用ARIMA模型预测
水稻面积的观测值和预测值,生产和生产力的百分比偏差表
4。可耕种的面积的预测价值的大米,2007 - 08年,2008 - 09年,并为Odisha 2009 - 10,分别为4.46,4.45,和444万公顷的偏差−0.22,0,−1.60%。负价值%偏差显示,预测值高于实际值。同样的预期值可耕种的区域所有的印度平均年2007 - 08年,2008 - 09年,2009 - 10分别为43.88,44.12,和4435万公顷偏离实际的0.07%,3.12%,分别和−5.80%。
自回归移动平均(ARIMA)模型集成的性能对水稻面积,生产力和生产Odisha和印度。
| 参数 |
年的预测 |
实际值 |
预测的值 |
%在预测误差(<我nline-formula>
±米米l:mo>
) |
日军在预测 |
| 印度 | |
|
|
|
|
| 区域,百万公顷 | 2007 - 08年 | 43.91 | 43.88 | 0.07 | 2.99 |
| 2008 - 09 | 45.54 | 44.12 | 3.12 |
| 2009 - 10 | 41.92 | 44.35 | −5.80 |
| 生产力,公斤哈哈<年代up>−1年代up> |
2007 - 08年 | 2202年 | 2121.24 | 3.67 | 2.32 |
| 2008 - 09 | 2178年 | 2173.59 | 0.20 |
| 2009 - 10 | 2125年 | 2190.89 | −3.10 |
| 生产、百万音调 | 2007 - 08年 | 96.69 | 92.22 | 4.62 | 5.41 |
| 2008 - 09 | 99.18 | 95.26 | 3.95 |
| 2009 - 10 | 89.09 | 95.92 | −7.67 |
| Odisha | |
|
|
|
|
| 区域,百万公顷 | 2007 - 08年 | 4.45 | 4.46 | −0.22 | 0.61 |
| 2008 - 09 | 4.45 | 4.45 | 0.00 |
| 2009 - 10 | 4.37 | 4.44 | −1.60 |
| 生产力,公斤哈哈<年代up>−1年代up> |
2007 - 08年 | 1720年 | 1503.89 | 12.56 | 5.17 |
| 2008 - 09 | 1529年 | 1544.61 | −1.02 |
| 2009 - 10 | 1585年 | 1554.45 | 1.93 |
| 生产、百万音调 | 2007 - 08年 | 7.66 | 6.77 | 11.62 | 4.90 |
| 2008 - 09 | 6.81 | 6.95 | −2.06 |
| 2009 - 10 | 6.92 | 6.99 | −1.01 |
日军:平均绝对百分比误差。
生产力的预测价值为2007 - 08年的大米,2008 - 09年,2009 - 10 Odisha分别为1503.89,1544.61和1544.45公斤公顷<年代up>−1年代up>偏差为12.56−1.02和1.93%,分别。Odisha水稻产量的12.56%的高偏差是由于水稻产量在2007年- 08年跳比平均生产力(表
1)。水稻产量的预测价值在印度的年2007 - 08年,2008 - 09年,2009 - 10分别为2121.24,2173.59和2190.89公斤公顷<年代up>−1年代up>用3.67,0.20,分别和−3.10%偏差预测(表
4)。
总预测生产的大米Odisha为6.77,6.95,和699万吨年2007 - 08年,2008 - 09年,与预测偏差为11.62,2009 - 10−2.06,分别和−1.01%。这是由于高2007 - 08年平均生产率。类似印度的平均生产偏差为4.62,3.95,分别和−7.67%。水稻面积的预测误差百分比变化从0.07到5.80和0.22−−−1.60印度和Odisha,分别。水稻产量的预测偏差百分比是0.20到3.67和1.02−12.56%印度和Odisha,分别。%偏差预测生产大米的变化从3.95到7.67和1.01−−11.62%印度和Odisha,分别。日军在6%的预测参数Odisha以及印度。
年代ec>
4所示。结论
大米的趋势分析数据显示增加生产力和产量趋势Odisha和印度;增加的速度比所有的印度平均在Odisha少。这可能归因于underexploitation潜在的因低投入的农业操作和其他生物和非生物因素。之间的桥梁现有和潜在的生产力,水稻品种适合在农民的领域可以引入不同的生态系统的营养和农艺管理实践。基于预测和验证的结果,它可能会得出结论,ARIMA模型可以成功地用于预测水稻面积、生产、生产力Odisha以及印度的立即随后几年。
年代ec>
突出了
趋势分析水稻面积、生产和生产力的Odisha对印度的历史数据1950 - 51 - 2008 - 09年就完成了。
预测水稻面积、生产和生产力的Odisha对印度是由历史数据利用ARIMA模型。
利益冲突
作者宣称没有利益冲突有关的出版。
年代ec>
承认
作者感谢中央水稻研究所主任Cuttack, Odisha(印度),执行这项研究提供的所有帮助。
一个ck>
[
Siddiq年代urname>
大肠。
米纳斯年代urname>
p K。
弗兰克年代urname>
j . D。
爱德华。年代urname>
j . H。
桥接在印度水稻产量缺口一个rticle-title>
桥接在亚洲太平洋地区的水稻产量缺口我t一个lic>
2000年一年>
联合国粮农组织亚太区域办事处曼谷
84年
111年
]
[
森年代urname>
p K。
回归系数的估计基于肯德尔τ一个rticle-title>
美国统计协会杂志》上我t一个lic>
1968年一年>
39
1379年
1389年
10.1080 / 01621459.1968.10480934
]
[
斯利瓦斯塔瓦年代urname>
s . C。
沙玛年代urname>
美国C。
辛格年代urname>
b K。
Yadava年代urname>
h·S。
一个概要文件的大蒜生产在印度:事实,趋势和机会一个rticle-title>
国际期刊《农业、环境和生物技术我t一个lic>
2012年一年>
5
4我年代年代ue>
477年
482年
]
[
马赫什年代urname>
M。
耆那教徒的年代urname>
b . C。
复合增长率(CGR)面积、生产和生产力的木瓜sujeet kumar恰蒂斯加尔邦的地区一个rticle-title>
国际期刊《农业、环境和生物技术我t一个lic>
2013年一年>
6
1我年代年代ue>
139年
143年
]
[
Balanagammal年代urname>
D。
Ranganathan年代urname>
c·R。
Sundaresan年代urname>
R。
预测的农业场景在泰米尔Nadu-a时间序列分析一个rticle-title>
农业统计的印度社会杂志》上我t一个lic>
2000年一年>
53
3我年代年代ue>
273年
286年
MR1855716
]
[
Balasubramanian年代urname>
P。
Dhanavanthan年代urname>
P。
作物生产的季节性建模和预测一个rticle-title>
统计数据和应用程序我t一个lic>
2002年一年>
4
2我年代年代ue>
107年
118年
MR2049995
]
[
赛义德年代urname>
N。
赛义德年代urname>
一个。
Zakria年代urname>
M。
Bajwa年代urname>
t M。
利用ARIMA模型预测小麦生产在巴基斯坦一个rticle-title>
国际农业生物学》杂志上我t一个lic>
2000年一年>
2
4我年代年代ue>
352年
353年
]
[
Boken年代urname>
诉K。
使用时间序列分析预测春小麦产量:一个案例研究的加拿大大草原一个rticle-title>
农学期刊我t一个lic>
2000年一年>
92年
6我年代年代ue>
1047年
1053年
10.2134 / agronj2000.9261047x
2 - s2.0 - 0034545345
]
[
英迪拉年代urname>
R。
达塔年代urname>
一个。
单变量预测国家级的农业生产一个rticle-title>
经济和政治周刊》我t一个lic>
2003年一年>
38
18我年代年代ue>
1800年
1803年
]
[
Chandran年代urname>
k P。
Prajneshu,年代urname>
以跳分非参数回归方法来描述国家的油籽产量数据一个rticle-title>
农业统计的印度社会杂志》上我t一个lic>
2005年一年>
59
2我年代年代ue>
126年
130年
MR2252453
]
[
苏雷什年代urname>
K·K。
Priya年代urname>
s·r·K。
利用ARIMA模型预测甘蔗产量tamilnadu一个rticle-title>
糖技术我t一个lic>
2011年一年>
13
1我年代年代ue>
23
26
10.1007 / s12355 - 011 - 0071 - 7
2 - s2.0 - 79959324107
]
[
家门口年代urname>
Iquebal年代urname>
m·A。
将挑战年代urname>
C。
木豆的建模和预测(Cajanus毛竹)生产使用集成自回归移动平均方法一个rticle-title>
印度农业科学杂志》上我t一个lic>
2011年一年>
81年
6我年代年代ue>
520年
523年
2 - s2.0 - 79960203847
]
[
曼恩年代urname>
h . B。
非参数测试与趋势一个rticle-title>
费雪我t一个lic>
1945年一年>
13
245年
259年
10.2307 / 1907187
MR0012405
]
[
肯德尔年代urname>
m·G。
等级相关措施我t一个lic>
1975年一年>
英国伦敦
查尔斯·格里芬
]
[
赫希年代urname>
r·M。
松弛年代urname>
j . R。
非参数与串行依赖季节性趋势测试数据一个rticle-title>
水资源研究我t一个lic>
1984年一年>
20.
6我年代年代ue>
727年
732年
10.1029 / WR020i006p00727
]
[
氮化镓年代urname>
t Y。
Hydroclimatic趋势和可能在加拿大草原气候变暖一个rticle-title>
水资源研究我t一个lic>
1998年一年>
34
11我年代年代ue>
3009年
3015年
10.1029/98 wr01265
2 - s2.0 - 3543012058
]
[
窦年代urname>
l
黄年代urname>
M。
在香港年代urname>
Y。
统计评估保护措施对水流的影响反应在黄土高原的一个分水岭,中国一个rticle-title>
水资源管理我t一个lic>
2009年一年>
23
10我年代年代ue>
1935年
1949年
10.1007 / s11269 - 008 - 9361 - 6
2 - s2.0 - 67650373439
]
[
盒子年代urname>
g . E。
詹金斯年代urname>
g . M。
时间序列分析。预测和控制我t一个lic>
1970年一年>
旧金山,加州,美国
Holden-Day
MR0272138
]
[
盒子年代urname>
e . P。
詹金斯年代urname>
g . M。
时间序列分析:预测与控制我t一个lic>
1976年一年>
恩格尔伍德悬崖,纽约,美国
新世纪
]
[
Akaike年代urname>
H。
一个新的统计模型识别一个rticle-title>
IEEE自动控制我t一个lic>
1974年一年>
19
6我年代年代ue>
716年
723年
MR0423716
2 - s2.0 - 0016355478
]
[
Hirotsugu年代urname>
一个。
贝尔纳多年代urname>
j . M。
DeGroot年代urname>
m . H。
林德利年代urname>
d . V。
可能性和贝叶斯过程一个rticle-title>
贝叶斯统计我t一个lic>
1980年一年>
瓦伦西亚,西班牙
大学出版社
143年
166年
]