20220225—相关性分析
polyfit线性拟合后进行t检验判断线性关系显著水平—一阶差分去趋势
a=xlsread('gai-maizey.xls','gai-maizey');
a1=a(:,4:28);
b=xlsread('to3_1989.10-2014.09.xlsx','maize.mean1');
b1=b(2:83,:);
pp=[];
rr2=[];
tt=[];
hh=[];
for j=1:length(a1)
am=a1(j,:);
bm=b1(j,:);
avalue=[];
bvalue=[];
for i=1:length(am)-1
valuea = am(i+1) - am(i);
avalue=[avalue valuea];
end
bb=bm(2:25);
poly = polyfit(bb,avalue,1);
p1=poly(1);
pp=[pp;p1];
f = polyval(poly,bb);
up=(avalue-f).^2;
down=(avalue-mean(avalue)).^2;
r2=1-( sum(up)/sum(down) );
rr2=[rr2;r2];
[h,p,ci]=ttest2(bb,avalue);
tt=[tt;p];
hh=[hh;h];
endMatlab一元一次函数拟合及显著性检验_GAO戏精光芒万丈的博客-CSDN博客_matlab一元线性函数拟合
做皮尔逊相关性分析及显著性检验：
【数学建模】相关性分析 - 皮尔逊相关系数 & 斯皮尔曼相关系数_Anadem‘s Blog-CSDN博客_皮尔逊相关性分析数据要求
一阶差分去趋势相关性分析
（总月份均值相关性）
a=xlsread('gai-maizey.xls','gai-maizey');
a1=a(:,4:28);
b=xlsread('to3_1989.10-2014.09.xlsx','maize.mean1');
b1=b(2:end,:);
cofr=[];
cofp=[];
for j=1:length(a1)
am=a1(j,:);
bm=b1(j,:);
avalue=[];
bvalue=[];
for i=1:length(am)-1
valuea = am(i+1) - am(i);
avalue=[avalue valuea];
valueb= bm(i+1) - bm(i);
bvalue=[bvalue valueb];
end
bb=bvalue;
[r1,p1]=corrcoef(bb(:),avalue(:));
cofr=[cofr;r1(1,2)];
cofp=[cofp;p1(1,2)];
end
person=[cofr cofp];
各月份相关性：
a=xlsread('gai-maizey.xls','gai-maizey');
a1=a(:,4:28);
b=xlsread('to3_1989.10-2014.09.xlsx','maize.1');
bb=b(2:end,:);
cofr6=[];cofp6=[];cofr7=[];cofp7=[];cofr8=[];cofp8=[];cofr9=[];cofp9=[];
for k=1:length(a1)
am=a1(k,:);
b1=bb(k,:);
bm6=[];bm7=[];bm8=[];bm9=[];
for j=1:4:100
bm66=b1(j);bm6=[bm6;bm66];
bm77=b1(j+1);bm7=[bm7;bm77];
bm88=b1(j+2);bm8=[bm8;bm88];
bm99=b1(j+3);bm9=[bm9;bm99];
end
avalue=[];
bvalue6=[];
bvalue7=[];
bvalue8=[];
bvalue9=[];
for i=1:length(am)-1
valuea = am(i+1) - am(i);
avalue=[avalue valuea];
valueb6= bm6(i+1) - bm6(i);
bvalue6=[bvalue6 valueb6];
valueb7= bm7(i+1) - bm7(i);
bvalue7=[bvalue7 valueb7];
valueb8= bm8(i+1) - bm8(i);
bvalue8=[bvalue8 valueb8];
valueb9= bm9(i+1) - bm9(i);
bvalue9=[bvalue9 valueb9];
end
[r1,p1]=corrcoef(bvalue6(:),avalue(:));
cofr6=[cofr6;r1(1,2)];
cofp6=[cofp6;p1(1,2)];
[r1,p1]=corrcoef(bvalue7(:),avalue(:));
cofr7=[cofr7;r1(1,2)];
cofp7=[cofp7;p1(1,2)];
[r1,p1]=corrcoef(bvalue8(:),avalue(:));
cofr8=[cofr8;r1(1,2)];
cofp8=[cofp8;p1(1,2)];
[r1,p1]=corrcoef(bvalue9(:),avalue(:));
cofr9=[cofr9;r1(1,2)];
cofp9=[cofp9;p1(1,2)];
end
person=[cofr6 cofp6 cofr7 cofp7 cofr8 cofp8 cofr9 cofp9];
detrend去趋势相关性分析
（总月份均值相关性分析）
a=xlsread('gai-maizey.xls','gai-maizey');
a1=a(:,4:28);
b=xlsread('aod_1989.10-2014.09.xlsx','maize.mean1');
b1=b(2:end,:);
cofr=[];
cofp=[];
for j=1:length(a1)
am=a1(j,:);
bm=b1(j,:);
avalue=[];
valuea = detrend(am);
avalue=[avalue valuea];
bb=bm;
[r1,p1]=corrcoef(bb(:),avalue(:));
cofr=[cofr;r1(1,2)];
cofp=[cofp;p1(1,2)];
end
person=[cofr cofp];
（各月份相关性分析）
a=xlsread('gai-maizey.xls','gai-maizey');
a1=a(:,4:28);
b=xlsread('aod_1989.10-2014.09.xlsx','maize.1');
bb=b(2:end,:);
cofr6=[];cofp6=[];cofr7=[];cofp7=[];cofr8=[];cofp8=[];cofr9=[];cofp9=[];
for k=1:length(a1)
am=a1(k,:);
b1=bb(k,:);
bm6=[];bm7=[];bm8=[];bm9=[];
for j=1:4:100
bm66=b1(j);bm6=[bm6;bm66];
bm77=b1(j+1);bm7=[bm7;bm77];
bm88=b1(j+2);bm8=[bm8;bm88];
bm99=b1(j+3);bm9=[bm9;bm99];
end
avalue=[];
valuea = detrend(am);
avalue=[avalue valuea];
[r1,p1]=corrcoef(bm6,avalue(:));
cofr6=[cofr6;r1(1,2)];
cofp6=[cofp6;p1(1,2)];
[r1,p1]=corrcoef(bm7,avalue(:));
cofr7=[cofr7;r1(1,2)];
cofp7=[cofp7;p1(1,2)];
[r1,p1]=corrcoef(bm8,avalue(:));
cofr8=[cofr8;r1(1,2)];
cofp8=[cofp8;p1(1,2)];
[r1,p1]=corrcoef(bm9,avalue(:));
cofr9=[cofr9;r1(1,2)];
cofp9=[cofp9;p1(1,2)];
end
person=[cofr6 cofp6 cofr7 cofp7 cofr8 cofp8 cofr9 cofp9];
20220227—B站视频学习
7.总体方差与样本方差（符号表示）、总体方差的无偏估计
20220228—B站视频学习数理统计研究生课程_哔哩哔哩_bilibili
8.线性回归（公式推导【偏差最小】、决定系数、用协方差表示）
9.卡方分布（标准正态分布中取样的平方的分布）、自由度
10.T分布（X服从正态分布、Y服从卡方分布，则构成另一随机变量T=X/(Y/N)^0.5）
11.F分布（X,Y各自相互独立且服从卡方分布，构成另一随机变量F=X/n1/(Y/n2)）
12.假设检验（样本推断总体）：
零假设与备择假设（小概率推断）抽样结果如何代替总体？
显著性水平（检验统计量‘）、双侧检验单侧检验
U检验：方差已知，关于均值的检验；
t检验：方差、μ未知，关于μ的检验；以样本方差代替总体方差进行检验、均服从正态分布时的μ检验
卡方检验：两个临界值；
F检验：两个正态分布，方差有无显著差异，两个临界值；方差齐性；
单边检验：μ值大小;
13.非参数假设检验（总体分布无从知晓）：
20220301—B站视频学习一元一次函数拟合及显著性分析
第二章、一元线性回归（中下）-回归方程的显著性检验 及残差分析_哔哩哔哩_bilibili
两独立样本的均值比较：一般都要先经过方差齐性检验判断方差是否有显著差异，再进行独立样本T检验（科创文章中的问题）
【毕设数据相关性分析】
20220302—科创文章改图，分析毕设数据
origin合并多图，在修改组图的时候遇到图例不出现的问题，被牵拌了好久，最终还是重新绘制其中一幅才解决；
空气污染物指标在总体生长季内与作物产量的相关关系不好，考虑不同生长季的影响，比如对冬小麦，考虑3、4月份有孕穗期、灌浆期等影响，各自提取出来与最终产量相比，仍然相关性不太好
b=xlsread('aod_1989.10-2014.09.xlsx','wheat.1');
growp3=[];
growp4=[];
for i=7:9:225
z3=[i-1];
grow3=b(2:66,z3);
growp3=[growp3 grow3];
z4=[i];
grow4=b(2:66,z4);
growp4=[growp4 grow4];
end
a=xlsread('gai-wheaty.xls','gai-wheaty');
a1=a(:,4:28);
cofr=[];
cofp=[];
for j=1:length(a1)
am=a1(j,:);
bm=growp4(j,:);
avalue=[];
bvalue=[];
for i=1:length(am)-1
valuea = am(i+1) - am(i);
avalue=[avalue valuea];
valueb= bm(i+1) - bm(i);
bvalue=[bvalue valueb];
end
[r1,p1]=corrcoef(bvalue(:),avalue(:));
cofr=[cofr;r1(1,2)];
cofp=[cofp;p1(1,2)];
end20220303—matlab多元回归模型
B站发现课程：MATLAB科学计算（进阶部分共4章：(已完结)模型分析与算法设计）：方差+回归+多元统计+预测模型+神经网络_哔哩哔哩_bilibili
针对夏玉米来讲，在其生长季内6-9月份，对于各月的臭氧总柱浓度值与作物单产进行多元线性回归模拟，提取fitlm函数中各系数的拟合值以及P值
多重共线性判断：多项式拟合之前先进行膨胀因子VIF的检验；（<5,不存在多重共线性；>10,必须消除共线性影响）
b=xlsread('aod_1989.10-2014.09.xlsx','maize.1');
bb=b(2:end,:);
bm6=[];bm7=[];bm8=[];bm9=[];
v=[];
for k=1:size(bb,1)
b1=bb(k,:);
for j=1:4:100
bm66=b1(j);bm6=[bm6;bm66];
bm77=b1(j+1);bm7=[bm7;bm77];
bm88=b1(j+2);bm8=[bm8;bm88];
bm99=b1(j+3);bm9=[bm9;bm99];
end
x=[bm6 bm7 bm8 bm9];
rx=corrcoef(x);
vif=diag(inv(rx));vif=vif';
v=[v;vif];
end
a=xlsread('gai-maizey.xls','gai-maizey');
a1=a(:,4:28);
b=xlsread('to3_1989.10-2014.09.xlsx','maize.1');
bb=b(2:end,:);
xxi=[];
p=[];
for k=1:length(a1)
am=a1(k,:);
b1=bb(k,:);
bm6=[];bm7=[];bm8=[];bm9=[];
for j=1:4:100
bm66=b1(j);bm6=[bm6;bm66];
bm77=b1(j+1);bm7=[bm7;bm66];
bm88=b1(j+2);bm8=[bm8;bm66];
bm99=b1(j+3);bm9=[bm9;bm66];
end
avalue=[];
bvalue6=[];
bvalue7=[];
bvalue8=[];
bvalue9=[];
for i=1:length(am)-1
valuea = am(i+1) - am(i);
avalue=[avalue valuea];
valueb6= bm6(i+1) - bm6(i);
bvalue6=[bvalue6 valueb6];
valueb7= bm7(i+1) - bm7(i);
bvalue7=[bvalue7 valueb7];
valueb8= bm8(i+1) - bm8(i);
bvalue8=[bvalue8 valueb8];
valueb9= bm9(i+1) - bm9(i);
bvalue9=[bvalue9 valueb9];
end
x=[bvalue6(:) bvalue7(:) bvalue8(:) bvalue9(:)];
y=avalue(:);
md1=fitlm(x,y);
xi=md1.Coefficients.Estimate;xi=xi';
xxi=[xxi;xi];
pi=md1.Coefficients.pValue;pi=pi';
p=[p;pi];
end
总生长季
a=xlsread('gai-maizey.xls','gai-maizey');
a1=a(:,4:28);
b=xlsread('aod_1989.10-2014.09.xlsx','maize.mean1');
b1=b(2:end,:);
xxi=[];
p=[];
r2=[];
for j=1:length(a1)
am=a1(j,:);
bm=b1(j,:);
avalue=[];
bvalue=[];
for i=1:length(am)-1
valuea = am(i+1) - am(i);
avalue=[avalue valuea];
valueb= bm(i+1) - bm(i);
bvalue=[bvalue valueb];
end
x=bvalue(:);
y=avalue(:);
md1=fitlm(x,y);
xi=md1.Coefficients.Estimate;xi=xi';
xxi=[xxi;xi];
pi=md1.Coefficients.pValue;pi=pi';
p=[p;pi];
r22=md1.Rsquared.Ordinary;
r2=[r2;r22];
end
小麦数据（改动）
for j=2:9:225
bm66=b1(j);bm6=[bm6;bm66];
bm77=b1(j+3:j+4);bm777=mean(bm77,2);bm7=[bm7;bm777];
bm88=b1(j+5);bm8=[bm8;bm88];
bm99=b1(j+6);bm9=[bm9;bm99];
end对各系数整理，标注了系数的显著性检验（深色95%，浅色90%）
数据消除单位影响：
重温归一化(MinMaxScaler)和标准化(StandardScaler)_Miracle8070-CSDN博客_standardscaler和minmaxscaler
了解了一些方法后，之所以想进行去除量纲化，回归系数变化太大或太小，希望看到不同的指标对最终作物产量的影响程度；
【机器学习】回归过程中的数据标准化_Shwan_ma的博客-CSDN博客_lasso回归前应该标准化吗
线性回归系数的标准误_回归模型中的标准化回归系数是什么，该如何计算得到？..._weixin_39861669的博客-CSDN博客
我的数据处理
标准化数据后（zscore）数据的分布并不会变化，因此选择标准化，不希望得到的系数太大或太小；在多项式回归中可以衡量某一个指标对最终结果的影响程度，特别是对于含义不同的指标；
毕设数据分析做到现在面临的问题：指标与作物单产的相关性不好且相关性不显著，要不要展示出来？；在进行了多项式拟合后，发现各系数作用不同，且进行各系数的显著性检验后还是有一部分显著的，但是是少数的；
做了臭氧、AOD、CO、SO2与夏玉米单产6-9月生长季内的总平均与各月份相关性以及各月份与单产的多元线性回归
20220304—针对夏玉米单产，分析处理的各空气污染物指标与其相关性和多元线性回归
| 6月 | 7月 | 8月 | 9月 | |
| 正相关(r>0.4) | 54 | 33 | 48 | 62 |
| 正相关显著 | 2 | 1 | 4 | 11 |
| 负相关(r<-0.4) | 28 | 49 | 34 | 20 |
| 负相关显著 | 0 | 4 | 0 | 0 |
| 拟合后系数为正 | 65 | 30 | 45 | 75 |
| 系数正显著 | 4 | 2 | 8 | 13 |
| 拟合后系数为负 | 17 | 52 | 37 | 7 |
| 系数负显著 | 0 | 8 | 1 | 0 |
82个网格点，气溶胶光学厚度 6月份与夏玉米单产呈现出正相关的有54个网格，其中具有中度（r>0.4）以上的正相关性且较为显著的有2个网格，呈现出负相关的有28个网格，其中无显著的具有中度以上的负相关性的网格；7月份与夏玉米单产呈现出正相关的有33个网格，其中具有中度以上的正相关性且较为显著的有1个网格，呈现出负相关的有49个网格，其中具有中度以上的负相关性且较为显著的有4个网格；8月份与夏玉米单产呈现出正相关的有48个网格，其中具有中度以上的正相关性且较为显著的有4个网格，呈现出负相关的有34个网格，其中无显著的具有中度以上的负相关性的网格；9月份与夏玉米单产呈现出正相关的有62个网格，其中具有中度以上的正相关性且较为显著的有11个网格，呈现出负相关的有20个网格，其中无显著的具有中度以上的负相关性的网格；同时，通过多项式拟合后，各月份的系数中，6月份对最终的作物单产正影响的网格点有65个，其中有显著正影响的有4个，负影响的网格点有17个，无显著负影响的网格点；7月份对最终的作物单产正影响的网格点有30个，其中有显著正影响的有2个，负影响的网格点有52个，具有显著负影响的网格点有8个；8月份对最终的作物单产正影响的网格点有45个，其中有显著正影响的有8个，负影响的网格点有37个，具有显著负影响的网格点有1个；9月份对最终的作物单产正影响的网格点有75个，其中有显著正影响的有13个，负影响的网格点有7个，无显著负影响的网格点；通过相关性分析以及多项式拟合，可以看到，7月份气溶胶光学厚度对夏玉米单产产生显著的负影响，8、9月份气溶胶光学厚度对夏玉米单产能产生显著的正影响。
| 6月 | 7月 | 8月 | 9月 | |
| 相关等级大于0.4 | 1 | 2 | 3 | 0 |
| 显著性 | 1 | 2 | 3 | 0 |
| 正相关 | 14 | 61 | 67 | 29 |
| 正相关显著 | 0 | 2 | 3 | 0 |
| 负相关 | 68 | 21 | 15 | 53 |
| 负相关显著 | 1 | 0 | 0 | 0 |
| 系数正 | 13 | 65 | 67 | 33 |
| 系数正显著 | 0 | 3 | 1 | 0 |
| 系数负 | 69 | 17 | 15 | 49 |
| 系数负显著 | 4 | 0 | 0 | 2 |
82个网格点，臭氧总柱浓度 6月份与夏玉米单产呈现出正相关的有14个网格，其中无具有中度（r>0.4）以上的正相关性且较为显著，呈现出负相关的有68个网格，其中具有中度以上的负相关性且较为显著的有1个网格；7月份与夏玉米单产呈现出正相关的有61个网格，其中具有中度以上的正相关性且较为显著的有2个网格，呈现出负相关的有21个网格，其中无显著的具有中度以上的负相关性的网格；8月份与夏玉米单产呈现出正相关的有67个网格，其中具有中度以上的正相关性且较为显著的有1个网格，呈现出负相关的有15个网格，其中无显著的具有中度以上的负相关性的网格；9月份与夏玉米单产呈现出正相关的有29个网格，呈现出负相关的有53个网格，其中无显著的具有中度以上的负相关性或正相关的网格；同时，通过多项式拟合后，各月份的系数中，6月份对最终的作物单产正影响的网格点有13个，其中无具有显著正影响的网格，负影响的网格点有69个，具有显著负影响的网格点有4个；7月份对最终的作物单产正影响的网格点有65个，其中有显著正影响的有3个，负影响的网格点有17个，其中无具有显著负影响的网格；8月份对最终的作物单产正影响的网格点有67个，其中有显著正影响的有1个，负影响的网格点有15个，其中无具有显著负影响的网格；9月份对最终的作物单产正影响的网格点有33个，其中无具有显著正影响的网格，负影响的网格点有49个，具有显著负影响的网格点有2个；通过相关性分析以及多项式拟合，可以看到，6月份臭氧总柱浓度对夏玉米单产产生显著的负影响，7、8月份臭氧总柱浓度对夏玉米单产能产生显著的正影响。
| 6月 | 7月 | 8月 | 9月 | |
| 相关等级大于0.4 | 4 | 6 | 16 | 5 |
| 显著性 | 4 | 6 | 16 | 3 |
| 正相关 | 67 | 45 | 20 | 67 |
| 正相关显著 | 4 | 4 | 0 | 3 |
| 负相关 | 15 | 37 | 62 | 15 |
| 负相关显著 | 0 | 2 | 16 | 0 |
| 系数正 | 51 | 43 | 22 | 65 |
| 系数正显著 | 5 | 4 | 0 | 13 |
| 系数负 | 31 | 39 | 60 | 17 |
| 系数负显著 | 0 | 3 | 23 | 0 |
SO2柱质量密度对下玉米单产的影响，总体来看，8 月份负相关性且负影响最为显著；9月份的正相关性且正影响最为显著；
| 6月 | 7月 | 8月 | 9月 | |
| 相关等级大于0.4 | 0 | 7 | 3 | 3 |
| 显著性 | 0 | 6 | 3 | 3 |
| 正相关 | 48 | 41 | 57 | 68 |
| 正相关显著 | 0 | 2 | 3 | 3 |
| 负相关 | 34 | 41 | 25 | 14 |
| 负相关显著 | 0 | 4 | 0 | 0 |
| 系数正 | 30 | 44 | 39 | 62 |
| 系数正显著 | 0 | 0 | 0 | 4 |
| 系数负 | 52 | 38 | 43 | 20 |
| 系数负显著 | 1 | 5 | 2 | 0 |
CO柱含量对下玉米单产的影响，总体来看，7月份负相关性且负影响最为显著；9月份的正相关性且正影响最为显著；
就各空气污染物指标（AOD、03、SO2、CO）对夏玉米单产影响来看，各自有不同的差异性：
7月份气溶胶光学厚度对夏玉米单产产生显著的负影响，8、9月份气溶胶光学厚度对夏玉米单产能产生显著的正影响；6月份臭氧总柱浓度对夏玉米单产产生显著的负影响，7、8月份臭氧总柱浓度对夏玉米单产能产生显著的正影响；8 月份SO2柱质量密度与夏玉米单产的负相关性且负影响最为显著；9月份的正相关性且正影响最为显著；7月份CO柱含量与夏玉米单产的负相关性且负影响最为显著；9月份的正相关性且正影响最为显著；
7月份，臭氧总柱浓度是正影响，其余较多为负影响；9月份大多数指标都不会造成负影响显示正影响；具体应该分析夏玉米各生长阶段特性；
20220305—对夏玉米各生长阶段进行具体分析
2m处温度数据集的选择
太阳辐射数据集的选择
20220306—修改科创论文，继续分析数据
昨天处理了RAD数据，整体看一下RAD和AOD的相关性（R=0.42;P=0）
a=xlsread('aod_1989.10-2014.09.xlsx','Sheet1');
aa=a(2:end,2:end);
b=xlsread('rad_1989.10-2014.09.xlsx','Sheet1');
bb=b(:,2:end);
x=aa(:);x=zscore(x);
y=bb(:);y=zscore(y);
[r1,p1]=corrcoef(x,y);
cofr=r1(1,2);
cofp=p1(1,2);利用scatter做了相关散点图；一些常用的符号标记：
MATLAB中scatter函数的用法（绘制散点图）_xuxinrk的博客-CSDN博客_scatter函数
根据前段时间的各空气污染物指标对作物单产的影响，应该具体看夏玉米各生长阶段的生长特性；
（前述内容）
“就各空气污染物指标（AOD、03、SO2、CO）对夏玉米单产影响来看，各自有不同的差异性：
7月份气溶胶光学厚度对夏玉米单产产生显著的负影响，8、9月份气溶胶光学厚度对夏玉米单产能产生显著的正影响；6月份臭氧总柱浓度对夏玉米单产产生显著的负影响，7、8月份臭氧总柱浓度对夏玉米单产能产生显著的正影响；8 月份负相关性且负影响最为显著；9月份的正相关性且正影响最为显著；7月份负相关性且负影响最为显著；9月份的正相关性且正影响最为显著；
7月份，臭氧总柱浓度是正影响，其余较多为负影响；9月份大多数指标都不会造成负影响显示正影响；具体应该分析夏玉米各生长阶段特性；”
（1）出苗期间：土壤墒情
（2）拔节至大喇叭口期间
气象条件对济南市济阳区夏玉米生长发育的影响——以2020年为例 - 中国知网
（3）孕穗：充足水分
（4）抽雄、开花吐丝：适宜温度，光照
黄淮地区夏玉米抽雄吐丝期高温热害的发生及应对策略 - 中国知网
吐丝前高温胁迫对不同耐热型夏玉米产量及穗发育特征的影响 - 中国知网
（5）灌浆
ARCGIS里渐变色图框调不出来
ArcGIS操作小技巧(五)之色带-----横向(水平)图例_zhoulong_giser-CSDN博客_arcgis色带图例
20220307—整理工作进展
GIS里连续色带依然没有弄好，在网页中发现手动调整图例的：
https://jingyan.baidu.com/article/e6c8503c6b0fa1e54f1a180e.html
20220308—汇报工作进展，继续分析数据
结合空气污染物对温度、降雨、辐射量的影响，分析出现的前述相关性结果的差异性；
山西省气溶胶光学厚度时空变化特征及气候效应分析 - 中国知网
20220309—读文献、分析冬小麦单产与各空气污染物相关性
早上有点看不进去文献，就先练习一下matlab绘图，自己下载了m_map工具箱，参考一下博客：
MATLAB 地图工具箱 m_map 的安装和入门技巧(转） - limanjihe - 博客园
冬小麦各生长阶段
（1）苗期、第一次分蘖期（11月）
（2）越冬期（12、1月）
分蘖期和拔节期干旱对小麦主茎和分蘖穗粒形成的影响 - 中国知网
（3）返青期（2、3月），增温保墒
（4）拔节期、抽穗期、（4月）——水、光照
（5）灌浆期（5月）——水、光照
冬小麦生长周期是多少 冬小麦灌浆期注意事项.doc - 百度文库
旱地冬小麦灌浆期冠层温度与产量和水分利用效率的关系 - 中国知网
20220310—分析各污染物与冬小麦单产相关性
月份取11、2&3均值、4、5月；
（1）aod
| 11月 | 2、3月 | 4月 | 5月 | |
| 相关等级大于0.4 | 1 | 8 | 2 | 25 |
| 显著性 | 1 | 7 | 2 | 25 |
| 正相关 | 30 | 31 | 49 | 37 |
| 正相关显著 | 1 | 0 | 1 | 13 |
| 负相关 | 35 | 34 | 16 | 28 |
| 负相关显著 | 0 | 7 | 1 | 12 |
| 系数正 | 31 | 25 | 48 | 37 |
| 系数正显著 | 4 | 2 | 2 | 13 |
| 系数负 | 34 | 40 | 17 | 28 |
| 系数负显著 | 0 | 3 | 1 | 13 |
（2）O3
| 11月 | 2、3月 | 4月 | 5月 | |
| 相关等级大于0.4 | 3 | 2 | 7 | 1 |
| 显著性 | 3 | 2 | 6 | 1 |
| 正相关 | 28 | 41 | 39 | 33 |
| 正相关显著 | 1 | 1 | 2 | 1 |
| 负相关 | 36 | 23 | 25 | 31 |
| 负相关显著 | 2 | 1 | 4 | 0 |
| 系数正 | 20 | 42 | 35 | 26 |
| 系数正显著 | 1 | 2 | 3 | 0 |
| 系数负 | 45 | 23 | 30 | 39 |
| 系数负显著 | 1 | 0 | 2 | 5 |
（3）SO2
| 11月 | 2、3月 | 4月 | 5月 | |
| 相关等级大于0.4 | 5 | 2 | 3 | 17 |
| 显著性 | 5 | 1 | 3 | 17 |
| 正相关 | 46 | 20 | 29 | 36 |
| 正相关显著 | 3 | 1 | 2 | 11 |
| 负相关 | 19 | 45 | 36 | 29 |
| 负相关显著 | 2 | 0 | 1 | 6 |
| 系数正 | 25 | 33 | 41 | 27 |
| 系数正显著 | 1 | 2 | 0 | 0 |
| 系数负 | 40 | 32 | 24 | 38 |
| 系数负显著 | 7 | 0 | 2 | 0 |
（4）CO
| 11月 | 2、3月 | 4月 | 5月 | |
| 相关等级大于0.4 | 0 | 5 | 11 | 33 |
| 显著性 | 0 | 5 | 11 | 32 |
| 正相关 | 34 | 34 | 39 | 37 |
| 正相关显著 | 0 | 1 | 7 | 21 |
| 负相关 | 31 | 31 | 26 | 28 |
| 负相关显著 | 0 | 4 | 4 | 11 |
| 系数正 | 29 | 23 | 35 | 36 |
| 系数正显著 | 2 | 2 | 3 | 16 |
| 系数负 | 36 | 42 | 30 | 29 |
| 系数负显著 | 1 | 3 | 0 | 12 |
2、3月份气溶胶光学厚度对冬小麦单产产生显著的负影响，5月份气溶胶光学厚度对冬小麦单产能产生显著的正影响以及负影响；11、4月份臭氧总柱浓度对冬小麦单产产生显著的负影响以及正影响；11、5月份SO2柱质量密度产生显著的负影响以及正影响；2、3月份CO柱含量负相关性且负影响最为显著；4、5月份的既有显著的正影响又有负影响；
考虑污染物对气候变化的影响
（1）对辐射的影响：对于选定的各个月份，都要分别取出相应的污染物值以及辐射值；
夏玉米：6、7、8、9；冬小麦：11、2&3、4、5；
例如：AOD对夏玉米单产的影响：在代表性月份7、9月，分别展示其与单产相关性、AOD值、地表辐射值空间分布
【ArcGIS系列视频教程】65.制作**多年度对比图_哔哩哔哩_bilibili
20220314—学术报告的一点想法
南京信息工程大学的冯老师团队，针对地表臭氧浓度对粮食安全的影响，主要做的是0TC或者FACE大田实验，构建臭氧浓度与作物单产的剂量响应方程，并且探究对于不同的品种之间，臭氧浓度主要是影响了哪个方面以此来影响产量；在报告中，对于作物的生理特性，饱和光合速率、作物细胞抗坏血酸物质、穗粒等，对臭氧浓度的响应程度；
考虑臭氧浓度对作物产量的直接影响作用和间接影响作用，直接影响作用可以理解为其对作物直接的影响，比如通过气孔进入植物体影响一系列光合作用（作物吸收的臭氧量）；间接影响作用，通过影响气候因子（温度、降雨、辐射量等）从而影响作物产量，臭氧与其它污染物指标协同、复合作用等的影响；
模型或者卫星产品的一些臭氧浓度值等与地面观测站数据的结合；