期刊信息
主办:内蒙古农业大学沙漠治理研究所
主管:内蒙古农业大学
ISSN:1003-7578
CN:15-1112/N
语言:中文
周期:月刊
影响因子:1.681818
数据库收录:
北大核心期刊(2004版);北大核心期刊(2008版);北大核心期刊(2011版);北大核心期刊(2014版);北大核心期刊(2017版);农业与生物科学研究中心文摘;中国科学引文数据库(2011-2012);中国科学引文数据库(2013-2014);中国科学引文数据库(2015-2016);中国科学引文数据库(2017-2018);中国科学引文数据库(2019-2020);中文社会科学引文索引-扩展(2008-2009);中文社会科学引文索引-扩展(2012-2013);中文社会科学引文索引-来源(2000-2002);中文社会科学引文索引-来源(2003);中文社会科学引文索引-来源(2004-2005);中文社会科学引文索引-来源(2006-2007);中文社会科学引文索引-来源(2010-2011);中文社会科学引文索引-来源(2014-2016);中文社会科学引文索引-来源(2017-2018);中文社会科学引文索引-来源(2019-2020);日本科学技术振兴机构数据库;中国人文社科核心期刊;期刊分类:资源科学
气候变化下干旱对中国玉米产量的影响(8)
【作者】网站采编
【关键词】
【摘要】[30] Saltelli A. Sensitivity analysis: Could better methods be used?[J]. Journal of Geophysical Research Atmospheres, 1999, 104(D3): 3789–3793. [31] 邢会敏,相诗尧,徐新刚,等. 基于
[30] Saltelli A. Sensitivity analysis: Could better methods be used?[J]. Journal of Geophysical Research Atmospheres, 1999, 104(D3): 3789–3793.
[31] 邢会敏,相诗尧,徐新刚,等. 基于 EFAST 方法的AquaCrop 作物模型参数全局敏感性分析[J]. 中国农业科学,2017,50(1):64-76. Xing Huimin, Xiang Shiyao, Xu Xingang, et al. Global sensitivity analysis of AquaCrop crop model parameters based on EFAST method[J]. Scientia Agricultura Sinica, 2017, 50(1): 64-76. (in Chinese with English abstract)
[32] Jackson R D, Idso S B R J, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133-1138.
[33] 徐昆,朱秀芳,刘莹,等. 采用AquaCrop 作物生长模型研究中国玉米干旱脆弱性[J]. 农业工程学报,2020,36(1):154-161. Xu Kun, Zhu Xiufang, Liu Ying, et al. Vulnerability of drought disaster of maize in China based on AquaCrop model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(1): 154-161. (in Chinese with English abstract)
[34] Chen Fang, Jia Huicong, Pan Donghua. Risk assessment of maize drought in China based on physical vulnerability[J/OL]. Journal of Food Quality, 2019, [2019-01-03], https://doi.org/ 10.1155/2019/.
[35] Cui Yi, Jiang Shangming, Jin Juliang, et al. Quantitative assessment of soybean drought loss sensitivity at different growth stages based on S-shaped damage curve[J]. Agricultural Water Management, 2019, 213: 821-832.
[36] Yue Yaojie, Li Jian, Ye Xinyue, et al. An EPIC model-based vulnerability assessment of wheat subject to drought[J]. Natural Hazards, 2015, 78(3): 1629-1652.
[37] Yin Yuanyuan, Zhang Xingming, Lin Degen, et al. GEPIC-V-R model: A GIS-based tool for regional crop drought risk assessment[J]. Agricultural Water Management, 2014, 144: 107-119.
[38] 刘钰,汪林,倪广恒,等. 中国主要作物灌溉需水量空间分布特征[J]. 农业工程学报,2009,25(12):6-12. Liu Yu, Wang Lin, Ni Guangheng, et al. Spatial distribution characteristics of irrigation water requirement for main crops in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(12): 6-12. (in Chinese with English abstract)
[39] Shen Yanjun, Li Shuo, Chen Yaning, et al. Estimation of regional irrigation water requirement and water supply risk in the arid region of Northwestern China 1989-2010[J]. Agricultural Water Management, 2013, 128: 55-64.
[40] Elliott J, Muller C, Deryng D, et al. The global gridded crop model intercomparison: Data and modeling protocols for Phase 1 (v1. 0)[J]. Geoscientific Model Development, 2015, 8(2): 261-277.
[41] Mpelasoka F, Awange J L, Goncalves R M. Accounting for dynamics of mean precipitation in drought projections: A case study of Brazil for the 2050 and 2070 periods[J]. Science of the Total Environment, 2018, 622: 1519-1531.
0 引 言在全球气候变化的背景下,极端气象事件频发。干旱作为其中最复杂也是最具破坏性的自然现象之一,因其分布广泛、发生频率高、持续时间长的特性,对生态、农业和社会经济都会造成严重影响[1]。研究表明,在全球范围内,未来干旱事件发生的风险将进一步增加[2]。目前,中国是全球气象灾害风险最高的国家之一[3],因气候条件复杂,人口众多,生态系统脆弱,经济发展迅速,更易受到气候变化和干旱灾害的影响[4]。一些研究对未来中国干旱情形的发展进行了预测工作,Yao 等[5]基于国际耦合模式比较计划第五阶段(Phase 5 of Coupled Model Inter-Comparison Project,CMIP5)中28 个GCM 模式采用标准化蒸散指数( Standardized Precipitation Evapotranspiration Index,SPEI)对中国未来干旱的时空变化进行预测,结果显示未来中国大部分地区的干旱将更加频繁和严重;Liang 等[6]、莫兴国等[7]分别采用帕尔默干旱指数(Palmer Drought Severity Index,PDSI)评估了21 世纪中国干旱事件发生的时空变化特征,结果表明未来中国干旱化趋势将会更加广泛,干旱频率、持续时间和强度都将显著上升。农业生产直接受到温度、降水等气候变量的影响。干旱作为一种极端天气现象,是影响作物产量的主要气候制约因素之一[8-10]。在干旱条件下,水分亏缺对作物生长产生负面影响,作物关闭气孔以限制水分蒸发,造成用于光合作用的碳吸收量减少,最终导致产量下降[11]。另有Kocsis 等[12]的研究表明,干旱对土壤肥力也会造成影响。研究表明,至21 世纪50 年代,全球粮食需求预计将扩大约一倍[13-14]。为了满足未来人口增长背景下日益增长的粮食需求,了解气候变化背景下干旱对作物生产的影响至关重要。Leng 等[11]采用标准化降水指数(Standardized Precipitation Index,SPI)构建概率模型,对全球10 个最大粮食生产国小麦、玉米、水稻和大豆在不同干旱条件下的产量损失风险进行估算,结果表明作物产量损失风险随干旱程度增加呈非线性增长;Ray 等[15]的研究证明干旱对雨养和灌溉作物均会造成明显减产;Lai 等[4]利用CASA 模型分析了中国1982—2015 年陆地初级净生产力(Net Primary Production,NPP)的时空特征并探讨了干旱对NPP 的影响,结果发现中国大部分地区的NPP 与SPEI 在空间上呈显著正相关;Guo 等[3]通过构建复合气象干旱指数来描述干旱特征,建立平面回归模型对当前和未来气候条件下干旱对中国东北地区玉米产量损失的影响进行评估。此外,大量相关研究也证实了干旱对作物生产存在潜在的不利影响[16-21]。干旱是由降水、温度、风速、太阳辐射等气象因子间的复杂相互作用共同驱动的,因此评估干旱对农业生产的影响具有一定挑战性[22]。本研究基于CMIP5 中多个气候模式提供的未来气候预测数据,采用AquaCrop 作物生长模型,分别模拟了21 世纪中期及末期中国5 个主要玉米种植区在3 种不同浓度路径(rcp2.6、rcp4.5、rcp8.5)下的干旱水平以及分别在雨养、灌溉条件下的玉米产量,进而通过建立回归模型评估干旱水平对玉米产量的影响。1 研究区概况玉米是中国三大主要粮食作物之一,种植范围遍布全国,主要集中在东北、华北和西南地区,大致形成一个从东北到西南的斜长形玉米栽培带。根据气候、地形、土壤等自然资源条件及耕作制度等因素,中国玉米种植通常被划分为6 个主要产区[23]:北方春播玉米区、黄淮海夏播玉米区、西南山地丘陵玉米区、南方丘陵玉米区、西北灌溉玉米区和青藏高原玉米区。本研究基于EarthStat 提供的全球作物产量分布数据,在中国五大玉米主产区中共选取241个地级行政单元作为研究区(图1),其中北方春播玉米区73 个,黄淮海夏播玉米区66 个,西南山地丘陵玉米区52个,南方丘陵玉米区34 个,西北灌溉玉米区16 个;青藏高原玉米区玉米产量不足全国1%,故不在本研究考虑范围。图1 中国玉米种植区划Fig.1 Regionalization of maize planting areas in China2 数据与方法2.1 AquaCrop 作物生长模型简介AquaCrop 作物生长模型是由联合国粮农组织(Food and Agriculture Organization of the United Nations,FAO)于2009 年发布的一款水分驱动模型,能够有效揭示作物对水分的响应机制,与其他模型相比更适用于产量和水的响应机制研究[24]。根据FAO 灌溉与排水第33 号文件[25],作物产量和水分响应之间的转换关系如式(1)所示式中Yx和0分别表示作物潜在产量和实际产量,kg/m2;ET0和ETx分别表示作物参考蒸散量和实际蒸散量,mm;ky表示产量对水分响应的系数。为了避免非生产性用水与生产性用水效应的混淆,AquaCrop 对上述方程进行了改进,将蒸散量进一步分为土壤蒸发量和作物蒸腾量两个部分。最终作物产量以生物量和收获指数的乘积表示,如式(2)和式(3)所示式中Y 为最终作物产量,kg/m2;B 为生物量,kg/m2;HI为收获指数;WP 为生物量水分生产效率,kg/(m2?mm);Tr为作物蒸腾量,mm。模型中作物蒸腾量的计算方案如式(4)所示式中Ks为土壤水分胁迫系数;Kcb为作物系数;ET0为作物参考蒸散量,mm,由FAO Penman-Monteith 公式[26]计算得到。本研究采用的AquaCrop-OS 是Foster 等[27]于2017年 提 出 的 AquaCrop 模 型 的 开 源 版 本(AquaCrop-OpenSource),可以在多种编程语言和操作系统下运行,并能在大区域、长时间模拟计算时通过并行执行的方式大大缩短运行时间。此外,AquaCrop-OS 符合开放建模接口标准,便于与其他类型的模型建立联?数据说明基于AquaCrop 作物模型的输入要求及研究需要,本研究需要的数据主要包括1)气象数据:历史真实气象数据(1980—1999 年)包括来源于中国气象局气候研究开放实验室[28]的CN05.1 数据集(降水),空间分辨率为0.25°×0.25°;来源于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)(https:///)中ERA Interim Daily 数据集(最高气温、最低气温、平均气温、风速、降水、相对湿度、太阳辐射等),空间分辨率为0.125°×0.125°,以上数据均为日尺度;未来时期气象预测数据来源于CMIP5 中5种不同气候模式(表1)的输出结果(https://esgf-node. llnl.gov/search/cmip5/),包括历史基准时期下1950—2005年以及在3 种不同代表性浓度路径(rcp2.6、rcp4.5、rcp8.5)下2006—2100 年最高气温、最低气温、平均气温、风速、降水、相对湿度、太阳辐射的日尺度格网数据。2)土壤数据:来源于ISRIC 全球土壤信息(http:///)的WISE30sec,v1.0 数据集(2016 年),主要包括土壤质地数据(沙粒含量、黏粒含量)和土壤有机质含量数据,分辨率为0.008 3°,共7 层。3)作物数据:作物生长发育数据来源于国家气象科学数据中心(http:///)的中国农作物生长发育和农田土壤湿度旬值数据集,主要包括2005—2012 年中国各气象站点的玉米种植时间、种植密度以及出苗期、开花期、成熟期等主要生长发育参数;产量数据来源于中国农村统计年鉴及全国各省统计年鉴(http:///),主要包括2002—2011 年各地级市玉米产量和播种面积,用于作物模型的参数校正与验证;作物分布数据来源于EarthStat的“Harvested Area and Yield for 175 Crops Year 2000”数据集,内容包括1997—2003 年全球175 种作物产量和收获面积的平均值,分辨率为0.008 3°,在本研究中主要用于研究区的确定。表1 耦合模式比较计划第五阶段(CMIP5)模式信息Table 1 Information of the Phase 5 of Coupled Model Inter-Comparison Project (CMIP5) models模式 Model 研究机构 Institute 国家 Country 空间分辨率Resolution/(°)CNRM-CM5 国家气象研究中心/欧洲科学计算高级研究和培训中心(CNRM/CERFACS) 法国 1.4×1.4 CSIRO-Mk3-6-0 英联邦科学与工业研究组织(CSIRO) 澳大利亚 1.875×1.875 HadGEM2-ES 英国气象局哈德莱气候预测和研究中心(Met Office) 英国 1.875×1.25 MIROC5 日本海洋地球科学技术处大气海洋研究所和国家环境研究所(MIROC) 日本 1.4×1.4 MRI-CGCM3 日本气象研究所(MRI) 日本 1.125×1.1252.3 研究方法2.3.1 模型输入参数AquaCrop 作物生长模型的输入模块包括气象、土壤、作物、管理4 个部分,所有输入数据的空间分辨率均通过重采样统一到地级行政单元。模型的气象输入(日尺度)包括最高气温、最低气温、降水、参考蒸散量、CO2浓度5 部分内容。其中最高气温、最低气温、降水均直接来自数据集;CO2浓度数据采用模型默认值(利用夏威夷MaunaLoa 天文台1958 年以来测量的平均大气CO2质量浓度作为参考建立的CO2质量浓度数据库[29]);参考蒸散量ET0则根据FAO Penman-Monteith 公式[26],由平均气温、风速、相对湿度、太阳辐射等变量计算得到,如式(5)所示式中Rn为作物表面净辐射,MJ /(m2?d);G 为土壤热通量密度,MJ /(m2?d);T 为2 m 高处日平均气温,℃;u2为2 m 高处的风速,m/s;es为饱和水汽压,kPa,由最高气温、最低气温、平均气温计算得到;ea为实际水汽压,kPa,由平均气温和相对湿度计算得到;Δ 为蒸汽压力曲线的斜率,kPa/℃,由平均气温计算得到;γ为湿度计算常数,kPa/℃。模型的土壤输入包括砂粒含量、黏粒含量等土壤质地数据和土壤有机质含量数据,可直接由数据集中获取,用来计算土壤永久凋萎点、田间持水量、饱和含水量、饱和导水率等。模型的作物输入主要包括生长发育参数、蒸发蒸腾参数、产量形成参数、胁迫参数等。其中,生长发育参数包括冠层覆盖度相关参数、根系生长相关参数,以及作物生育期数据等。本研究中假定未来情景下玉米种植制度不变,生育期资料直接由数据集获取,其他敏感作物参数来自于作物模型校正结果,非敏感参数则使用FAO 参考值。模型的管理数据主要包括灌溉、土壤肥力、地表覆盖状况等。其中灌溉管理模块是本研究的重要输入模块,具体设置方法在2.3.3 节中进行详细说明,其他管理数据采用作物模型推荐?模型校正与验证作物模型校正是精确模拟的基础。由于AquaCrop 作物模型中存在很多相关参数,无法一一进行测量和标定,因此在模型校正前需要通过参数敏感性分析选出对模型模拟结果影响最大的参数(即敏感参数)作为待校正参数。本研究采用扩展傅里叶幅度检验法[30](Extended Fourier Amplitude Sensitivity Test,EFAST)来挑选敏感参数。EFAST 是一种全局敏感性分析方法[31],强调整个参数空间的不确定性及多个参数间的相互作用。EFAST通过对模拟结果的方差分解计算各参数的敏感性指数,敏感性指数越大则说明参数对模拟结果的影响越大。本研究从FAO 作物手册中提供的36 个主要作物参数中选取2 个敏感性指数最大的参数进行校正。本研究从统计年鉴中获取了241 个地级行政单元2002—2011 年的玉米单产数据,其中2002—2009 共8 a的数据用作模型校正的样本,2010—2011 共2 a 的数据则用于对校正结果的精度验证。在保持其他非敏感参数不变的前提下,将待校正敏感参数的初始值设定为FAO 作物手册提供的参考值,在参考值的0.7~1.3 倍范围内以0.02 倍为步长对初始值进行随机变化并在对应年份的实际气象、土壤条件下运行作物模型,得到多组模拟产量。在不同参数组合下,以归一化均方根误差(Normalized Root Mean Square Error,NRMSE)为标准比较模拟产量和统计产量,选取使得NRMSE 最小的参数组合作为校正结果。最后,将经校正得到241 个地级行政的标准参数组带回模型,将得到模拟产量与对应年份的统计产量进行比较,完成对校正结果的精度验?灌溉情景模拟利用AquaCrop作物模型提供的灌溉管理功能可以实现对不同灌溉情境下作物产量的模拟。本研究中分别设置了完全灌溉和无灌溉2 种情景。其中,完全灌溉情景对应作物模型中的灌溉方式为净灌溉(net irrigation),设置灌溉水平为100%;无灌溉情景对应的灌溉方式为雨养(rain-fed)。由于2 种情景中除灌溉与否外,温度、降水、太阳辐射、土壤条件、田间管理措施等其他因素均相同,故可以认为作物模型在2 种灌溉情景下模拟得到的结果只受水分胁迫的影响,即2 种情景下的产量差异仅由干旱胁迫导致。利用AquaCrop 模型在上述2 种灌溉情景下的产量模拟结果,玉米因干旱胁迫导致的产量损失率(Yield Loss Rate,YLR,%)的定义如式(6)所示式中Y1、Y2分别代表完全灌溉情景和无灌溉情景下的玉米单产产量,t/ 干旱指数构建本研究中采用无灌溉条件下作物水分胁迫指数(Crop Water Stress Indicator,CWSI)来定义干旱强度[32]。CWSI 指数以作物的实际蒸散量未能满足潜在蒸散量的程度来描述作物受水分胁迫强度,取值范围为0~1,指数越大则表示作物受水分胁迫越强。该指数受到气候条件、土壤性质、作物遗传特性等多种因素共同影响,可以有效反映农业干旱对作物生长的影响。计算公式如式(7)所示式中ET 和ETP分别代表作物的实际蒸散量和潜在蒸散量,mm。其中,ET 和ETP均为日尺度数据,来自AquaCrop作物模型的输出结果。为了体现水分胁迫对作物影响的累积效应,本研究中将干旱指数(Drought Hazard Index,DHI)定义为作物生长期内水分胁迫指数的日均值,如式(8)所示式中CWSIi表示作物生长期内第i 天的水分胁迫指数,n表示作物生长期天数 回归模型构建大量相关研究表明,Logistic 函数可以较好地描述干旱强度与作物产量损失之间的关系[33-37]。故本研究选择使用Logistic 回归模型建立干旱指数和玉米产量损失之间的关系。3 结果与分析3.1 模型校正与验证参数敏感性分析结果如表2 所示,排名前2 的敏感参数分别为作物冠层形成后到衰老之前的作物系数(Kcb)和参考收获指数(HI0)。表2 扩展傅里叶幅度检验法(EFAST)全局敏感分析结果 (前10 位)Table 2 Results of the Extended Fourier Amplitude Sensitivity Test (EFAST) global sensitivity analysis (Top 10)参数名 Parameter 参数全称 Parameter long name 全局敏感性指数Global sensitivity index排名Ranking Kcb 冠层形成后到衰老之前的作物系数 0.427 1 1 HI0 参考收获指数 0.283 2 2 WP 归一化水分生产力 0.206 9 3 fshape-r 根区扩展形状因子 0.133 4 4 WPy 产量形成阶段水分生产力的调整 0.125 6 5 p-up3 引起冠层早衰的土壤水分消耗上限阈值 0.124 1 6 Zmin 最小有效根深 0.113 9 7 CCx 最大冠层覆盖度 0.110 0 8 GDDup 生物量生产的最小生长度日 0.108 3 9 CGC 冠层增长系数 0.090 1 10模型校正结果为241 个地级行政单元的标准参数组,经校正后241 个单元的参数结果:Kcb为0.32~1.79,HI0为0.14~0.82。将校正后的标准参数组带回作物模型,在验证年份2010—2011 年的真实气象数据下运行模型,将得到的模拟产量与对应年份的统计产量进行比较,结果如图2 所示。图中散点代表2010—2011 年241 个地级行政单元的模型模拟产量及对应的统计产量。结果显示,模拟产量与统计产量的皮尔逊相关系数为0.82,回归方程的斜率为0.81(通过显著性检验,在0.01 水平上显著),与1∶1 线比较接近,结果说明模拟产量与统计产量大致接近。回归方程的R2=0.67,拟合程度较高;NRMSE=0.17,结果良好。总体来说,模型精度验证可以达到预期水平。图2 模型验证结果Fig.2 Model validation 历史基准时期干旱分析图3 显示了中国历史时期(1980—1999 年)干旱强度均值分布情况。结果显示,历史真实气象条件下,中国的干旱强度在空间上大致呈现由西北至东南递减的趋势。研究区内241 个地级行政单元中,干旱最严重的单元位于西北灌溉玉米区,干旱指数0.688 8;干旱最轻的单元则位于西南山地丘陵玉米区,干旱指数0.012 9。5个玉米种植区的干旱强度由大到小依次是:西北灌溉玉米区、北方春播玉米区、黄淮海夏播玉米区、南方丘陵玉米区、西南山地丘陵玉米区,对应的平均干旱指数依次是0.496 8、0.244 4、0.136 3、0.092 7、0.062 0。图3 历史时期中国干旱强度分布Fig.3 Distribution of historical drought hazard in China3.3 未来气候情景下干旱变化分析图4 a~图4f 分别显示了5 种气候模式rcp2.6、rcp4.5、rcp8.5,3 种不同代表性浓度路径下中国21 世纪中期(2030—2049 年)及21 世纪末期(2080—2099年)的干旱强度均值的分布情况。为了更直观地显示干旱强度在区域上的时空变化情况,研究中分别统计了历史基准时期及未来时期3 种不同代表性浓度路径下5 个玉米种植区内干旱指数的平均值,如表3 所示。图4 和表3 中的数据均为5 种气候模式下模拟结果的平均值。图4 未来气候情景下中国干旱强度时空分布Fig.4 Distribution of drought hazard under future climate scenarios in China注:rcp2.6、rcp4.5 和rcp8.5 表示3 种不同的代表性浓度路径情景,下同。Note: rcp2.6, rcp4.5 and rcp8.5 were 3 different representative concentration paths, the same below.表3 中国五大玉米种植区平均干旱指数(DHI)Table 3 Average values of Drought Hazard Index (DHI) in five maize planting regions of China平均干旱指数Average Drought Hazard Index rcp2.6 rcp4.5 rcp8.5 玉米种植区 Maize planting region 历史 时期 Period of history 21 世纪中期Mid-21st Century 21 世纪末期End-21st Century 21 世纪中期Mid-21st Century 21 世纪末期End-21st Century 21 世纪中期Mid-21st Century 21 世纪末期End-21st Century北方春播玉米区 0.244 4 0.292 3 0.282 9 0.289 8 0.297 4 0.292 1 0.296 9黄淮海夏播玉米区 0.136 3 0.193 7 0.196 4 0.200 3 0.217 6 0.201 8 0.215 1西南山地丘陵玉米区 0.062 0 0.052 9 0.053 6 0.053 9 0.054 3 0.053 8 0.058 2南方丘陵玉米区 0.092 7 0.151 7 0.158 1 0.159 6 0.161 6 0.162 8 0.169 4西北灌溉玉米区 0.496 8 0.531 4 0.519 7 0.527 9 0.529 0 0.531 1 0.535 3由图表结果可知,在未来气候条件下,中国的干旱强度在空间上的分布与历史基准时期基本一致,在干旱最严重的甘肃省北部、内蒙古西部地区,干旱指数可以达到0.7 以上,与历史时期相比明显增长;在五大玉米种植区中,干旱强度最大的是西北灌溉玉米区,在不同浓度路径与未来时期的组合中区域内平均干旱指数为0.519 7~0.535 3,相比于历史基准时期增长了4.61%~7.75%;其次是北方春播玉米区,平均干旱指数在0.282 9~0.297 4 之间,与该区域历史时期相比增长了15.75%~21.69%;再次是黄淮海夏播玉米区和南方丘陵玉米区,2 个玉米区的平均干旱指数分别在0.193 1~0.217 6、0.151 7~0.169 4 之间,相比于历史时期的增长率分别为41.67%~59.65%、63.65%~82.74%;干旱强度最小的是西南山地丘陵玉米区,区域内平均干旱指数仅为0.052 9~0.058 2,相比于该区域历史时期干旱指数降低了6.13%~14.68%。结果表明,与历史基准时期相比,在未来时期3 种不同浓度路径下,除西南山地丘陵玉米区的干旱强度有所减轻外,其他4 个玉米区的干旱强度均有增加,增加幅度由大到小依次是南方丘陵玉米区、黄淮海夏播玉米区、北方春播玉米区、西北灌溉玉米区。此外,与21 世纪中期相比,至21 世纪末期,除rcp2.6 情景下北方春播玉米区、西北灌溉玉米区的干旱强度有所减轻外,rcp4.5、rcp8.5 情景下全部5 个玉米区及rcp2.6 情景下剩余3 个玉米区的干旱强度均有所增加 未来气候情景下玉米干旱损失率分析图5 和表4 分别显示了rcp2.6、rcp4.5、rcp8.5,3 种不同代表性浓度路径下中国21 世纪中期、21 世纪末期玉米因干旱胁迫导致的产量损失率(其他环境条件完全一致的前提下,无灌溉相比于完全灌溉的减产率)时空分布情形及5 个玉米种植区平均产量损失率的统计结果。图5 和表4 中的数据均为5 种气候模式下模拟结果的平均值。图5 未来气候情景下中国玉米产量损失率时空分布Fig.5 Distribution of maize yield loss rate under future climate scenarios in China表4 中国五大玉米区产量损失率(YLR)平均值Table 4 Average values of crop Yield Loss Rate (YLR) in five maize planting regions of China平均产量损失率 Average Yield Loss Rate/% rcp2.6 rcp4.5 rcp8.5 玉米种植区 Maize planting region 21 世纪 中期 Mid-21st Century 21 世纪 末期 End-21st Century 21 世纪 中期 Mid-21st Century 21 世纪 末期 End-21st Century 21 世纪中期 Mid-21st Century 21 世纪末期 End-21st Century北方春播 玉米区 37.60 36.67 37.65 38.29 38.04 38.57 黄淮海夏播 玉米区 16.98 17.54 17.05 18.64 17.43 19.42 西南山地丘陵玉米区 1.80 1.75 1.81 1.87 1.91 2.12 南方丘陵 玉米区 9.18 11.48 10.62 13.03 12.23 11.50 西北灌溉 玉米区 90.43 90.03 91.19 95.50 91.28 96.29图表结果显示,在无灌溉条件下,未来中国五大玉米种植区的产量损失率由大到小依次为西北灌溉玉米区(>90%)、北方春播玉米区(36%~39%)、黄淮海夏播玉米区(16%~20%)、南方丘陵玉米区(9%~13%)、西南山地丘陵玉米区(1%~3%)。其中,新疆南部及甘肃省北部在无灌溉情景下的玉米产量损失率可能高达99%以上;而在西南山地丘陵玉米区中部的四川、云南一带,同样无灌溉情景下玉米产量损失率不到1%。从趋势变化上来看,至21 世纪末期,仅有rcp2.6 情景下北方春播玉米区、西南山地丘陵玉米区、西北灌溉玉米区以及rcp8.5 情景下南方丘陵玉米区的产量损失率相比于21 世纪中期略有下降。而在rcp4.5 情景下全部5 个玉米区、rcp8.5 情景下剩余4 个玉米区以及rcp2.6 情景下2 个玉米区中,玉米因干旱所致的产量损失率均有所增加。从结果上看,玉米产量损失率的时空分布规律与干旱强度基本一致 未来气候情景下干旱对玉米产量损失的影响图6 通过建立Logistic 回归模型描述了干旱强度与玉米产量损失率之间的关系。图中横轴为干旱指数,纵轴为对应的玉米干旱产量损失率,散点分别来自研究区内241 个地级行政单元在rcp2.6、rcp4.5、rcp8.5 情景下21世纪中期、末期的模拟结果。结果显示,回归得到的“S”曲线的R2=0.96,RMSE=0.07,说明Logistic 函数能够很好地描述干旱指数与产量损失率之间的关系。观察图中回归曲线可知,当干旱指数<0.2 时,对应产量损失率在10%以下,产量损失率随干旱指数增长较为缓慢;当干旱指数介于0.2~0.6 之间时,产量损失率随着干旱指数增大而迅速增加;当干旱指数>0.6 时,产量损失率达到90%以上,增长速率再次趋于平缓。图6 干旱强度指数(DHI)对作物产量损失率(YLR)的影响Fig.6 Effects of Drought Hazard Index (DHI) on crop Yield Loss Rate (YLR)4 讨 论本研究对于中国未来干旱的区域化分布特征及其对作物产量影响的时空变化特征进行了定量化评估,为制定区域性农业干旱适应战略提供了信息,这对于规划和减轻其对农业生产的潜在负面影响具有十分重要的意义。研究中考虑了3 种不同代表性浓度路径下的未来气候情景。其中rcp8.5 是一种缺乏气候变化应对政策的高排放情景,在这一情景中,温室气体浓度将持续上升,2100 年辐射强迫预计达到8.5 W/m2;rcp4.5 情景中,碳排放在一定程度上得到控制,预计2100 年辐射强迫在4.5 W/m2左右;rcp2.6 则是最为理想的一种情景,它假设人类将采用更多积极的方式面对气候变化,至21 世纪末辐射强迫仅在2.6 W/m2以下,温室气体排放则将降至负值。以目前全球对温室气体排放控制的现状来看,与rcp2.6、rcp8.5 相比,预计rcp4.5 情景下的估计结果将更加接近真实状况[7],但无论在哪一种情景下,未来中国大部分地区的干旱水平都将呈现总体上升的趋势,作物产量也将产生不同程度的损失。根据本研究的评估结果,未来中国西北地区干旱程度最为严重,在无灌溉情形下,玉米产量损失平均可以90%以上,农业生产需要完全依赖于灌溉,这与刘钰等[38]、Shen 等[39]的研究结果相一致,在这部分极端干旱地区,当地政府应做好水资源调节分配工作,积极维护灌溉设施,充分提高水资源利用效率,保证农业灌溉需求。北方、黄淮海地区未来干旱水平相比于西北地区较低,但干旱水平相比于历史时期有明显增加,作物面临的干旱风险水平也随之增加。同时,由于这2 个区域的干旱指数多集中于“S”曲线中部,玉米产量损失率随着干旱强度增大而急剧增加,因此从理论上讲,在灌溉量相同的前提下,北方、黄淮海地区的灌溉可以更加有效地降低玉米的产量损失,其灌溉效益是最高的。此外,北方春播玉米区和黄淮海夏播玉米区也是全国玉米产量最高的两大产区,理应引起政府部门的足够重视,制定合理灌溉策略来保障农业生产的用水需求。在西南、南方地区,自然降水基本上可以完全满足作物生长的需求,农业生产对灌溉的依赖程度很低。但由于南方地区未来干旱强度与历史时期相比增长幅度相对较大,故也应尽量完善灌溉设备,准备相关应急措施,以防突发性轻旱、中旱事件的发生。在研究中,由于施肥、农药、地表覆盖物等一些实际田间管理数据的缺失以及对作物生长原理及农艺过程的不完全了解,以基于作物模型的方法对未来气候情景下作物产量的模拟难免存在一定程度上的不确定性[40]。同时,相关研究表明CMIP5 中全球气候模式对未来气候预测的系统偏差也是不确定性的主要来源之一[41]。尽管研究中使用多个全球气候模式的数据作为模型输入以尽可能减轻这方面的影响,但因气候模式不确定性对产量模拟的影响依旧难以完全消除。此外,研究中使用最近邻方法将不同分辨率下的模式数据统一重采样到地级行政单元的方法也相对比较粗糙。在今后的研究中,将尝试采用更加严谨的降尺度方式对多种气候模式数据进行统合,同时也会采取适合的措施对气候模式数据的系统偏差进行校正,从而进一步减少模型不确定性带来的影响,使模拟结果更加精确。5 结 论本研究以中国五大玉米种植区中241 个地级行政单元为研究对象,基于国际耦合模式比较计划第五阶段(Phase 5 of Coupled Model Inter-Comparison Project,CMIP5)中多个气候模式提供的未来气候预测数据集和AquaCrop 作物生长模型对中国在21 世纪中期及末期在rcp2.6、rcp4.5、rcp8.5,3 种不同代表性浓度路径下的干旱强度及玉米产量损失率进行了模拟计算,比较了中国未来时期与历史基准时期干旱分布的时空变化,并在此基础上通过建立Logistic 回归模型评估了干旱水平对玉米产量的影响。主要结论如下:1)在未来气候条件下,中国干旱强度及玉米产量损失在空间分布上均呈现由西北到东南递减的总体趋势。5个玉米种植区的干旱强度及产量损失率由大到小依次是:西北灌溉玉米区、北方春播玉米区、黄淮海夏播玉米区、南方丘陵玉米区、西南山地丘陵玉米区。2)与历史时期相比,未来中国干旱水平除西南山地丘陵玉米区略有下降以外,其余地区均呈现总体上升趋势,这种趋势在rcp4.5、rcp8.5 情景下的表现尤为明显。其中南方丘陵玉米区的干旱强度增长幅度最大,其次是黄淮海夏播玉米区、北方春播玉米区和西北灌溉玉米区。3)玉米因干旱导致的产量损失率随干旱强度变化符合Logistic 曲线关系,回归结果的R2=0.96。当干旱指数到达0.2 附近时,随着干旱指数增长,产量损失率开始迅速增加;当干旱指数到达0.6 左右时,产量损失率接近最大值。4)未来中国西北地区干旱程度最为严重,在无灌溉情形下,玉米产量损失平均可以90%以上,而北方春播玉米区和黄淮海夏播玉米区干旱指数的阈值正处于“S”曲线斜率最大的中部,产量损失对干旱变化的反应最为敏感,灌溉效益最高。因此,在这3 个区域需要积极维护灌溉设施,充分提高水资源利用效率,以保证农业灌溉需求。[参考文献][1] Schubert S D, Stewart R E, Wang Hailan, et al. Global meteorological drought: A synthesis of current understanding with a focus on SST drivers of precipitation deficits[J]. Journal of Climate, 2016, 29(11): 3989-4019.[2] Dai Aiguo. Increasing drought under global warming in observations and models[J]. Nature Climate Change, 2013, 3(1): 52-58.[3] Guo Enliang, Liu Xingpeng, Zhang Jiquan, et al. Assessing spatiotemporal variation of drought and its impact on maize yield in Northeast China[J]. Journal of Hydrology, 2017, 553: 231-247.[4] Lai Chengguang, Li Jun, Wang Zhaoli, et al. Drought-induced reduction in net primary productivity across mainland China from 1982 to 2015[J]. Remote Sensing, 2018, 10(9): 1433.[5] Yao Ning, Li Linchao, Feng Puyu, et al. Projections of drought characteristics in China based on a standardized precipitation and evapotranspiration index and multiple GCMs[J]. Science of Total Environment, 2020, 704: .[6] Liang Yulian, Wang Yongli, Yan Xiaodong, et al. Projection of drought hazards in China during Twenty-first Century[J]. Theoretical and Applied Climatology, 2018, 133(1/2): 331-341.[7] 莫兴国,胡实,卢洪健,等. GCM 预测情景下中国21 世纪干旱演变趋势预测[J]. 自然资源学报,2018,33(7):1244-1256. Mo Xingguo, Hu Shi, Lu Hongjian, et al. Drought trends over the terrestrial China in the 21stCentury in climate changes scenarios with ensemble GCM projections[J]. Journal of Natural Resources, 2018, 33(7): 1244-1256. (in Chinese with English abstract)[8] Matiu M, Ankerst D P, Menzel A. Interactions between temperature and drought in global and regional crop yield variability during 1961–2014[J]. PloS One, 2017, 12(5): e0.[9] Lesk C, Rowhani P, Ramankutty N. Influence of weather disasters on global crop production[J]. Nature, 2016, 529(7584): 84-87.[10] Feng Sifang, Hao Zengchao. Quantifying likelihoods of extreme occurrences causing yield reduction at the global scale[J]. Science of Total Environment, 2020, 704: .[11] Leng Guoyong, Hall J. Crop yield sensitivity of global major agricultural countries to droughts and the projected changes in the future[J]. Science of the Total Environment, 2019, 654: 811-821.[12] Kocsis M, Dunai A, Mako A, et al. Estimation of the drought sensitivity of Hungarian soils based on corn yield responses[J]. Journal of Maps, 2019, 16(2): 148-154.[13] Godfray H C J, Beddington J R, Crute I R, et al. Food security: The challenge of feeding 9 billion people[J]. Science, 2010, 327(5967): 812-818.[14] Tilman D, Balzer C, Hill J, et al. Global food demand and the sustainable intensification of agriculture[J]. Proceedings of the National Academy of Sciences, 2011, 108(50): -.[15] Ray R L, Fares A, Risch E. Effects of drought on crop production and cropping areas in Texas[J]. Agricultural & Environmental Letters, 2018, 3(1): .[16] Lobell D B, Roberts M J, Schlenker W, et al. Greater sensitivity to drought accompanies maize yield increase in the US Midwest[J]. Science, 2014, 344(6183): 516-519.[17] Zipper S C, Qiu J, Kucharik C J. Drought effect on US maize and soybean production: Spatiotemporal patterns and historical changes[J]. Environmental Research Letters, 2016, 11(9): 0.[18] Troy T J, Kipgen C, Pal I. The impact of climate extremes and irrigation on US crop yields[J]. Environmental Research Letters, 2015, 10(5): 0.[19] Feng Puyu, Liu Deli, Wang Bin, et al. Projected changes in drought across the wheat belt of Southeastern Australia using a downscaled climate ensemble[J]. International Journal of Climatology, 2019, 39(2): 1041-1053.[20] Madadgar S, Aghakouchak A, Farahmand A, et al. Probabilistic estimates of drought impacts on agricultural production[J]. Geophysical Research Letters, 2017, 44(15): 7799-7807.[21] Araujo J A, Abiodun B J, Crespo O. Impacts of drought on grape yields in Western Cape, South Africa[J]. Theoretical and Applied Climatology, 2016, 123(1/2): 117-130.[22] Liu Xianfeng, Zhu Xiufang, Pan Yaozhong, et al. Agricultural drought monitoring: Progress, challenges and prospects[J]. Journal of Geographical Sciences, 2016, 26(6): 750-767.[23] 佟屏亚. 中国玉米种植区划[M]. 北京:中国农业科技出版社,1992.[24] 朱秀芳,李宜展,潘耀忠,等. AquaCrop 作物模型研究和应用进展[J]. 中国农学通报,2014,30(8):270-278. Zhu Xiufang, Li Yizhan, Pan Yaozhong, et al. A review on the research and application of AquaCrop model[J]. Chinese Agricultural Science Bulletin, 2014, 30(8): 270-278. (in Chinese with English abstract)[25] Doorenbos J, Kassam A H. Yield response to water[Z]. Irrigation and Drainage Paper no. 33, FAO. Rome, Italy, 1979.[26] Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration guidelines for computing crop water requirements[Z]. Irrigation and Drainage Paper no. 56, FAO. Rome, Italy, 1998.[27] Foster T, Brozovic N, Butler A P, et al. AquaCrop-OS: An open source version of FAO’s crop water productivity model[J]. Agricultural Water Management, 2017, 181: 18-22.[28] 吴佳,高学杰. 一套格点化的中国区域逐日观测资料及与其他资料的对比[J]. 地球物理学报,2013,56(4):1102-1111. Wu Jia, Gao Xuejie. A gridded daily observation dataset over China region and comparison with the other datasets[J]. Chinese Journal of Geophysics, 2013, 56(4): 1102-1111. (in Chinese with English abstract)[29] 李晶,付驰,李双双,等. 东北春小麦区AquaCrop 模型模拟验证及春小麦生产力初步评估[J]. 灌溉排水学报,2014,33(2):69-72. Li Jing, Fu Chi, Li Shuangshuang, et al. The simulation of northeast spring wheat productivity based on the AquaCrop model and modeling verification[J]. Journal of Irrigation and Drainage, 2014, 33(2): 69-72. (in Chinese with English abstract)[30] Saltelli A. Sensitivity analysis: Could better methods be used?[J]. Journal of Geophysical Research Atmospheres, 1999, 104(D3): 3789–3793.[31] 邢会敏,相诗尧,徐新刚,等. 基于 EFAST 方法的AquaCrop 作物模型参数全局敏感性分析[J]. 中国农业科学,2017,50(1):64-76. Xing Huimin, Xiang Shiyao, Xu Xingang, et al. Global sensitivity analysis of AquaCrop crop model parameters based on EFAST method[J]. Scientia Agricultura Sinica, 2017, 50(1): 64-76. (in Chinese with English abstract)[32] Jackson R D, Idso S B R J, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133-1138.[33] 徐昆,朱秀芳,刘莹,等. 采用AquaCrop 作物生长模型研究中国玉米干旱脆弱性[J]. 农业工程学报,2020,36(1):154-161. Xu Kun, Zhu Xiufang, Liu Ying, et al. Vulnerability of drought disaster of maize in China based on AquaCrop model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(1): 154-161. (in Chinese with English abstract)[34] Chen Fang, Jia Huicong, Pan Donghua. Risk assessment of maize drought in China based on physical vulnerability[J/OL]. Journal of Food Quality, 2019, [2019-01-03], https://doi.org/ 10.1155/2019/.[35] Cui Yi, Jiang Shangming, Jin Juliang, et al. Quantitative assessment of soybean drought loss sensitivity at different growth stages based on S-shaped damage curve[J]. Agricultural Water Management, 2019, 213: 821-832.[36] Yue Yaojie, Li Jian, Ye Xinyue, et al. An EPIC model-based vulnerability assessment of wheat subject to drought[J]. Natural Hazards, 2015, 78(3): 1629-1652.[37] Yin Yuanyuan, Zhang Xingming, Lin Degen, et al. GEPIC-V-R model: A GIS-based tool for regional crop drought risk assessment[J]. Agricultural Water Management, 2014, 144: 107-119.[38] 刘钰,汪林,倪广恒,等. 中国主要作物灌溉需水量空间分布特征[J]. 农业工程学报,2009,25(12):6-12. Liu Yu, Wang Lin, Ni Guangheng, et al. Spatial distribution characteristics of irrigation water requirement for main crops in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(12): 6-12. (in Chinese with English abstract)[39] Shen Yanjun, Li Shuo, Chen Yaning, et al. Estimation of regional irrigation water requirement and water supply risk in the arid region of Northwestern China 1989-2010[J]. Agricultural Water Management, 2013, 128: 55-64.[40] Elliott J, Muller C, Deryng D, et al. The global gridded crop model intercomparison: Data and modeling protocols for Phase 1 (v1. 0)[J]. Geoscientific Model Development, 2015, 8(2): 261-277.[41] Mpelasoka F, Awange J L, Goncalves R M. Accounting for dynamics of mean precipitation in drought projections: A case study of Brazil for the 2050 and 2070 periods[J]. Science of the Total Environment, 2018, 622: 1519-1531.
文章来源:《干旱区资源与环境》 网址: http://www.ghqzyyhjzz.cn/qikandaodu/2021/0120/399.html