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\(R^{2}=1- \dfrac { \sum\limits_{i=1}^{n}(y_{i}- \overset{\hat{} }{y}_{i})^{2}}{ \sum\limits_{i=1}^{n}(y_{i}- \overline {y})^{2}}\)．

在对两个变量\(x\)，\(y\)进行线性回归分析时，有下列步骤：
\(①\)对所求出的回归直线方程作出解释；
\(②\)收集数据\((x_{i},y_{i})\)，\(i=1\)，\(2\)，\(…\)，\(n\)；
\(③\)求线性回归方程；
\(④\)求相关系数；
\(⑤\)根据所搜集的数据绘制散点图．
如果根据可形性要求能够作出变量\(x\)，\(y\)具有线性相关结论，则在下列操作顺序中正确的是\((\)　　\()\)

为促进农业发展，加快农村建设，某地政府扶持兴建了一批“超级蔬菜大棚”\(.\)为了解大棚的面积与年利润之间的关系，随机抽取了其中的\(7\)个大棚，并对当年的利润进行统计整理后得到了如下数据对比表：

大棚面积\((\)亩\()x\)	\(4.5\)	\(5.0\)	\(5.5\)	\(6.0\)	\(6.5\)	\(7.0\)	\(7.5\)
年利润\((\)万元\()y\)	\(6\)	\(7\)	\(7.4\)	\(8.1\)	\(8.9\)	\(9.6\)	\(11.1\)

由所给数据的散点图可以看出，各样本点都分布在一条直线附近，并且\(y\)与\(x\)有很强的线性相关关系．
\((\)Ⅰ\()\)求\(y\)关于\(x\)的线性回归方程；
\((\)Ⅱ\()\)小明家的“超级蔬菜大棚”面积为\(8.0\)亩，估计小明家的大棚当年的利润为多少；
\((\)Ⅲ\()\)另外调查了近\(5\)年的不同蔬菜亩平均利润\((\)单位：万元\()\)，其中无丝豆为：\(1.5\)，\(1.7\)，\(2.1\)，\(2.2\)，\(2.5\)；彩椒为：\(1.8\)，\(1.9\)，\(1.9\)，\(2.2\)，\(2.2\)，请分析种植哪种蔬菜比较好？
参考数据：\( \sum\limits_{i=1}^{7}x_{i}y_{i}=359.6\)，\( \sum\limits_{i=1}^{7}(x_{i}- \overline {x})^{2}=7\)．
参考公式：\( \hat {b}= \dfrac { \sum\limits_{i=1}^{n}x_{i}y_{i}-n \overline {x} \overline {y}}{ \sum\limits_{i=1}^{n}(x_{i}- \overline {x})^{2}}\)，\( \hat {a}= \overline {y}- \hat {b} \overline {x}\)．

某地大力发展旅游业，如图是自\(2013\)年开始，到该地旅游的人数的折线图．

\((\)Ⅰ\()\)试判断每年的旅游人数\(y\)与年的序号\(t\)之间是否具有线性相关关系；
\((\)Ⅱ\()\)若\(y\)与\(t\)之间的线性回归方程是\( \overset{\land }{y}=15t+ \overset{\land }{a}\)，求\( \overset{\land }{a}\)，丙据此预报\(2018\)年到该地旅游的人数大约是多少．
\((\)Ⅲ\()\)该地自\(2016\)年开始出台了刺激旅游的政策，规定来本地旅游的游客，旅游不超过\(3\)天这，每人补贴\(100\)元，超过\(3\)天，不超过\(5\)天者，每人补贴\(300\)元，超过\(5\)天者，每人补贴\(500\)元，\(2016\)年底对本年的旅游情况进行了统计，结果如下：

旅游天数	\(2\)	\(3\)	\(4\)	\(5\)	\(6\)	\(7\)
人数\((\)万\()\)	\(30\)	\(40\)	\(60\)	\(80\)	\(50\)	\(20\)

\(2017\)延续了此补贴政策，结果游客人数持续增加，但游客旅游天数的频率基本保持不变，据此估算\(2018\)年对该地旅游政策补贴大约需要预算多少钱？

某数学老师身高\(176cm\)，他爷爷、父亲和儿子的身高分别是\(173cm\)、\(170cm\)和\(182cm.\)因儿子的身高与父亲的身高有关，该老师用线性回归分析的方法预测他孙子的身高为 ______ \(cm\)．

某单位为了了解用电量\(y(\)度\()\)与气温\(x(^{\circ}C)\)之间的关系，随机统计了某\(4\)天的用电量与当天气温，并制作了对照表：

气温\(x(^{\circ}C)\)	\(18\)	\(13\)	\(10\)	\(-1\)
用电量\(y(\)度\()\)	\(24\)	\(34\)	\(38\)	\(64\)

由表中数据得线性回归方程\( \hat y=bx+a\)中\(b=-2\)，预测当气温为\(-4^{\circ}C\)时，用电量的度数约为\((\)　　\()\)

某车间为了规定工时定额，需要确定加工零件所花费的时间，为此作了四次试验，得到的数据如下：

 \((1)\)求出\(y\)关于\(x\)的线性回归方程\(\hat {y}=\hat {b}x+\hat {a} \)，并在坐标系中画出回归直线； 

  

\((2)\)试预测加工\(10\)个零件需要多少小时？

\((\)注：\(\hat {b}= \dfrac{ \sum\nolimits_{i=1}^{n}{x}_{i}{y}_{i}-n \bar{x} \bar{y}}{ \sum\nolimits_{i=1}^{n}x_{i}^{2}-n{ \overset{¯}{x}}^{2}} \)，\(\hat {a}= \bar{y}-\hat {b} \bar{x} \)，\(\sum\limits_{i=1}^{4}{x}_{i}{y}_{i}=52.5, \sum\limits_{i=1}^{4}x_{i}^{2}=54 )\)