一只药用昆虫的产卵数\(y\)与一定范围内的温度\(x\)有关，现收集了该种药用昆虫的\(6\)组观测数据如表：

温度\(x/^{\circ}C\)	\(21\)	\(23\)	\(24\)	\(27\)	\(29\)	\(32\)
产卵数\(y/\)个	\(6\)	\(11\)	\(20\)	\(27\)	\(57\)	\(77\)

经计算得：\( \overline {x}= \dfrac {1}{6} \sum\limits_{i=1}^{6}x_{i}=26\)，\( \overline {y}= \dfrac {1}{6} \sum\limits_{i=1}^{6}y_{i}=33\)，\( \sum\limits_{i=1}^{6}(x_{i}- \overline {x})(y_{i}- \overline {y})=557\)，\( \sum\limits_{i=1}^{6}(x_{i}- \overline {x})^{2}=84\)，\( \sum\limits_{i=1}^{6}(y_{i}- \overline {y})^{2}=3930\)，线性回归模型的残差平方和\( \sum\limits_{i=1}^{6}(y_{i}- \overset{\hat{} }{y}_{i})^{2}=236.64\)，\(e^{8.0605}≈3167\)，其中\(x_{i}\)，\(y_{i}\)分别为观测数据中的温度和产卵数，\(i=1\)，\(2\)，\(3\)，\(4\)，\(5\)，\(6\)．
\((\)Ⅰ\()\)若用线性回归模型，求\(y\)关于\(x\)的回归方程\( \overset{\hat{} }{y}= \overset{\hat{} }{b}x+ \overset{\hat{} }{a}(\)精确到\(0.1)\)；
\((\)Ⅱ\()\)若用非线性回归模型求得\(y\)关于\(x\)的回归方程为\( \overset{\hat{} }{y}=0.06e^{0.2303x}\)，且相关指数\(R^{2}=0.9522\)．
\((\) \(i\) \()\)试与\((\)Ⅰ\()\)中的回归模型相比，用\(R^{2}\)说明哪种模型的拟合效果更好．
\((ii)\)用拟合效果好的模型预测温度为\(35^{\circ}C\)时该种药用昆虫的产卵数\((\)结果取整数\()\)．
附：一组数据\((x_{1},y_{1})\)，\((x_{2},y_{2})\)，\(…\)，\((x_{n},y_{n})\)，其回归直线\( \overset{\hat{} }{y}= \overset{\hat{} }{b}x+ \overset{\hat{} }{a}\)的斜率和截距的最小二乘估计为\( \overset{\hat{} }{b}= \dfrac { \sum\limits_{i=1}^{n}(x_{i}- \overline {x})(y_{i}- \overline {y})}{ \sum\limits_{i=1}^{n}(x_{i}- \overline {x})^{2}}\)，\( \overset{\hat{} }{a}= \overline {y}- \overset{\hat{} }{b} \overline {x}\)；相关指数\(R^{2}=1- \dfrac { \sum\limits_{i=1}^{n}(y_{i}- \overset{\hat{} }{y}_{i})^{2}}{ \sum\limits_{i=1}^{n}(y_{i}- \overline {y})^{2}}\)．

在彩色显影中，由经验可知：形成染料光学密度\(y\)与析出银的光学密度\(x\)由公式\(y=Ae^{ \frac {b}{x}}(b < 0)\)表示，现测得试验数据如下：

\(x_{i}\)	\(0.05\)	\(0.06\)	\(0.25\)	\(0.31\)	\(0.07\)	\(0.10\)	\(0.38\)	\(0.43\)	\(0.14\)	\(0.20\)
\(y_{i}\)	\(0.10\)	\(0.14\)	\(1.00\)	\(1.12\)	\(0.23\)	\(0.37\)	\(1.19\)	\(1.25\)	\(0.59\)	\(0.79\)

试求\(y\)对\(x\)的回归方程．
参考数据：
\(①\)由最小二乘法可得线性回归方程\( \overset{\land }{y}=bx+a\)中，\(b= \dfrac { \sum\limits_{i=1}^{n}(x_{i}- \overset{}{x})(y_{i}- \overset{}{y})}{ \sum\limits_{i=1}^{n}(x_{i}- \overset{}{x})^{2}}\)，\(a= \overset{ .}{y}-b \overset{ .}{x}\)
\(②\)设\(u= \dfrac {1}{x}\)，\(v=\ln y\)，有下表：

\(u_{i}\)	\(20.000\)	\(16.667\)	\(4.000\)	\(3.226\)	\(14.286\)	\(10.000\)	\(2.632\)	\(2.326\)	\(7.143\)	\(5.000\)
\(v_{i}\)	\(-2.303\)	\(-1.966\)	\(0.000\)	\(0.113\)	\(-1.470\)	\(-0.994\)	\(0.174\)	\(0.223\)	\(-0.528\)	\(-0.236\)

\(③\)设\(a=\ln A\)，\(b= \dfrac { \sum\limits_{i=1}^{n}(u_{i}- \overset{}{u})(v_{i}- \overset{}{v})}{ \sum\limits_{i=1}^{n}(u_{i}- \overset{}{u})^{2}}=-0.146\)，则有\(a= \overset{ .}{v}-b \overset{ .}{u}=0.548\)
\(④e^{0.548}=1.73\)．

某地区某农产品近几年的产量统计如表：

年     份	\(2012\)	\(2013\)	\(2014\)	\(2015\)	\(2016\)	\(2017\)
年份代码\(t\)	\(1\)	\(2\)	\(3\)	\(4\)	\(5\)	\(6\)
年产量\(y(\)万吨\()\)	\(6.6\)	\(6.7\)	\(7\)	\(7.1\)	\(7.2\)	\(7.4\)

\((1)\)根据表中数据，建立\(y\)关于\(t\)的线性回归方程\( \hat {y}= \hat {b}\;t+ \hat {a}\)；
\((2)\)根据\((1)\)中所建立的回归方程预测该地区\(2018\)年\((t=7)\)该农产品的产量．
附：对于一组数据\((t_{1},y_{1})\)，\((t_{2},y_{2})\)，\(…\)，\((t_{n},y_{n})\)，其回归直线\( \hat {y}= \hat {b}\;t+ \hat {a}\)的斜率和截距的最小二乘估计分别为：\( \hat {b}= \dfrac { \sum\limits_{i=1}^{n}(t_{i}- \overline {t})(y_{i}- \overline {y})}{ \sum\limits_{i=1}^{n}(t_{i}- \overline {t})^{2}}\)，\( \hat {a}= \overline {y}- \hat {b}\; \overline {t}\)．