2018, Vol. 26
玉米(Zea mays)的种植面积与总产量分别占我国粮食作物的30.3%和33.7%, 分别位列我国粮食作物种植面积和总产量的第1位和第2位; 而华北平原夏玉米的种植面积和总产量分别占全国玉米生产的34.7%和36.8%, 是我国玉米的主产区之一[1]。IPCC第5次评估报告指出, 在过去100年中全球地表温度上升明显, 20世纪70年代以来温度上升尤其显著[2]。研究表明, 华北地区是我国气温上升较为明显地区[3], 且大量研究表明华北平原在过去几十年太阳总辐射呈现明显的下降趋势[4], 气候变化给该地区的农业生产带来了许多不确定因素。明确过去各种气象要素的变化对华北平原不同区域农业生产的影响, 采取合理应对措施应对气候变化, 是保障未来粮食安全的重要环节。
气候变化给我国玉米主产区的玉米生产带来了许多不确定因素。张祎等[5]利用多模式集合的方法模拟了气候变化对东北地区玉米产量的影响; 孙宏勇等[6]利用统计分析方法对夏玉米产量和影响夏玉米产量的主要气象因子进行分析, 得出该区域夏玉米产量的波动与气象因子有较强的关系。周梦子等[7]定量分析了省份尺度上夏季极端高温日数对玉米产量的影响, 结果表明夏季极端高温天气所导致的玉米产量的减产程度在不同地区差异较大。陆伟婷等[8]分析了黄淮海地区气候变暖对夏玉米生育进程及产量的影响, 结果表明随着温度的上升, 不同区域的夏玉米生育期和产量变化呈现不一致的特点。Kassie等[9]利用两种作物生长模型CERES- maize和WOFOST评估了气候变化对埃塞俄比亚中央裂谷玉米产量的影响, 同时分析了模型模拟结果的差异。GRASSINI等[10]利用作物生长模型CERES-maize分析了美国玉米带雨养产量和灌溉产量的限制性因素。Tollenaar等[11]使用一种新的生物物理学方法, 认为太阳总辐射的增加对美国玉米带1984—2013年的产量增加贡献率约为27%。王泓霏等[12]利用Hybrid-Maize模型对邢台地区的夏玉米生长状况进行模拟, 表明过去一段时间该地区夏玉米产量呈下降趋势, 主要与生育期内太阳辐射下降及温度升高导致的生育期缩短有关, 且太阳辐射下降是主要原因。目前已有许多学者利用不同的作物生长模型分析气候变化对不同地区不同作物的影响, 但是由于模拟尺度的原因, 得出的结论往往不具有一致性[13-14]。在玉米的生产潜力评估方面, 黄川容等[15]采用华北平原的气象、土壤理化和作物数据作为WOFOST作物生长模型的输入数据, 估算了华北平原主要粮食作物的光温生产潜力与气候生产潜力, 同时分析了主要粮食作物生产潜力年变化率的时空变化规律。刘玲等[16]利用作物生长模型WOFOST对华北平原夏玉米生产潜力进行了数值模拟并对其进行了自然正交分解。前人的研究普遍采用的是模型在单点尺度的应用[16-17], 通过插值形成区域分布图, 往往误差较大, 难以准确反映华北平原局地小气候对农业生产的影响。目前也少有研究利用再分析资料与模型模拟结合的方法对区域尺度粮食产量及其波动进行定量评估。
本文在前人研究的基础上, 通过对WOFOST作物生长模型校准与验证后, 对模型代码进行修改以实现模型的面域化应用, 利用再分析资料, 模拟了1979—2015年华北平原夏玉米的生长情况。利用一元线性回归、经验正交分解(EOF)两种分析方法分析了华北平原夏玉米潜在产量的时空变化, 利用逐个栅格相关性分析、奇异值分解(SVD)两种分析方法分析了华北平原不同区域夏玉米潜在产量与全生育期、吐丝前和吐丝后温度及太阳总辐射的相关性, 以期为正确评估气候变化对华北平原不同区域夏玉米潜在产量的影响, 制定适合该区域的应对未来气候变化的有效措施, 保障我国粮食生产安全提供科学依据。
1 数据来源与研究方法 1.1 研究区概况华北平原(32°~40°N, 114°~121°E)一般指燕山以南、淮河以北、黄土高原以东的广阔平原地区, 面积约30万km2, 平原人口和耕地面积约占我国的1/5。该区域属暖温带季风气候, 光热资源充足, 雨热同期, 降水量年际间变化大且多集中在夏季, 熟制为一年两熟或两年3熟, 粮食作物以小麦(Triticum aestivum)、玉米为主[18]。农作物生产历来以旱地为主, 近年来灌溉条件不断改善, 目前华北平原耕地中水田占3%, 水浇地占54%, 旱地占43%, 冬小麦、玉米等生产在全国具有重要地位[19]。本文以河北中南部、北京、天津、山东、河南东部、安徽北部、江苏北部为研究区, 如图 1所示。
|
图 1 华北平原研究区及农业气象试验站分布 Figure 1 Study area of the North China Plain and distribution of agrometeorological stations |
模型所使用的气象数据来自中国区域地面气象要素数据集(http://westdc.westgis.ac.cn/data), 该数据集是由中国科学院青藏高原研究所开发的一套近地面气象与环境要素再分析数据集, 以国际上现有的Princeton再分析资料、GLDAS资料、GEWEX-SRB辐射资料, 以及TRMM降水资料为背景场, 融合了中国气象局常规气象观测数据制作而成。其时间分辨率为3 h, 水平空间分辨率0.1°, 包含近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射和地面降水率共7个要素(变量)。采用数据集的地面向下短波辐射(W·m-2)经过换算后作为模型的辐射输入数据(kJ·m-2·d-1), 该气象要素数据集经Chen等[20]验证, 精度较高, 可用于本文的研究, 作为作物生长模型WOFOST的输入气象数据, 模拟研究区夏玉米的生长。
1.3 作物生长模型WOFOST本研究选用的作物生长模型为世界粮食研究中心(CWFS)和荷兰瓦格宁根大学共同开发的WOFOST (WOrld FOod STudy)模型, 是现阶段国际上较为先进的作物生长模型之一。该模型是一种模拟特定土壤和气候条件下一年生作物生长的动态解释性模型, 在定量土地评价、区域产量预报、风险评估、年际间产量波动研究以及气候变化影响的定量评估等方面有较好的应用[21]。该模型以作物的同化作用、呼吸作用、蒸腾作用和干物质分配等生理生态过程为模拟基础, 主要包括潜在生长条件、水分限制条件和养分限制条件下作物生长的模拟。研究区为典型的季风气候区, 降水主要集中在夏季, 夏玉米的生长期大部分处在夏季, 雨热同期的气候特点为夏玉米的种植提供了较为有利的条件[22], 因此研究进行了华北平原夏玉米潜在生长条件的模拟。
1.4 模型校准及面域化模型在使用前需进行校准与验证[23]。通常WOFOST模型的输入参数包括气象、土壤、作物以及管理参数。逐日气象数据来源于再分析资料, 包括太阳总辐射、日最高气温、日最低气温、风速、水汽压、降水。华北平原典型的土壤类型为潮土和褐土[24], 模型的土壤参数文件设置参考相关文献[23]。
使用Simlab软件进行的基于EFAST方法的全局敏感性试验, 结合Wang等[25]的分析结果, 将WOFOST模型的作物参数根据参数的敏感性分成3类, 分别使用不同方法修改参数。最不敏感的参数采用模型的默认值或者相关文献[23, 26-27]的参数值。在空间上相对稳定的敏感性参数来源于田间实测以及观测站数据[20], 试验地点在河北省曲周县中国农业大学曲周试验站, 试验年份为2015年, 种植玉米品种为华北平原主要栽培品种‘农大108’, 试验中采用优化管理以保证夏玉米整个生长季不受水分和养分供应的限制, 同时有效控制其他不利因素, 包括杂草、病虫害等。在空间上存在变异性的敏感性参数如AMAXTB、SPAN以及SLATB等通过Stol等[28]的FSEOPT优化算法进行校准。
根据研究区的不同地点对模型参数进行设置, 生成分辨率为0.1°的作物参数文件, 更改WOFOST的模型代码, 对研究区的每个栅格调用不同的作物参数文件以及气象参数文件, 利用Windows的批处理命令实现模型的循环调用, 从而实现了WOFOST模型在研究区的面域化应用。
1.5 时空变化及其影响因素方法本文选择逐栅格一元线性回归和EOF分析两种方法分析华北平原夏玉米产量时空变化趋势。引入对潜在产量影响最大的气温和太阳总辐射两个气象因子, 并分为全生育期、吐丝前和吐丝后3个时间段, 通过逐栅格相关性分析和SVD分析两种方法分析夏玉米产量对气象因素的响应机制。
EOF分析即对要素场进行经验正交函数分解, 是分析要素场时空变化的重要方法。运用EOF分解可以将长时间序列大空间尺度的要素场分解为空间函数和时间函数, 进而反映要素的空间特性及其随时间的变化。本文以研究区多年模型模拟的夏玉米产量为原始资料矩阵
| $ X = VT $ | (1) |
式中: V为空间函数矩阵, T为时间系数矩阵。
SVD分析即奇异值分解, 是提取两个要素场耦合信号的重要方法。将夏玉米产量场的距平作为左场X, 气象要素场距平为右场Y, 本文为夏玉米生长期平均温度场以及太阳总辐射场, 计算交叉协方差阵:
| $ S = \frac{1}{n}XY' $ | (2) |
对矩阵进行奇异值分解, 即:
| $ S = U\Lambda V' $ | (3) |
式中: U和V的列分别是左、右特征向量, Λ是非负奇异值组成的对角阵。
计算异性相关系数, 即左场(或右场)距平序列与右场(或左场)模态时间系数的相关程度, 采用蒙特卡罗方法进行显著性检验。
1.6 数据处理模型WOFOST处理完数据生成输出文件, 利用编程读取数据, 整理到表格, 再利用Matlab处理数据。计算每个栅格37年的夏玉米潜在产量的平均值、标准偏差、变异系数及气候倾向率, 并对其潜在产量进行EOF分析。将夏玉米生长期分为3个时期, 即全生育期、吐丝前和吐丝后, 计算每个栅格的日平均气温和日均太阳总辐射的气候倾向率, 并对拟合的温度和总辐射随时间变化的一元线性方程进行显著性检验, 把未通过0.01显著性检验的方程排除; 计算夏玉米不同生长时期每个栅格的产量与温度、产量与总辐射的皮尔森相关系数, 进行相关系数的显著性检验, 将未通过0.01显著性检验的相关系数排除; 然后进行产量与气象要素的SVD分析, 计算异性相关系数, 进行相关系数的显著性检验, 把未通过0.01显著性检验的相关系数排除。利用ArcGIS生成空间分布图。
2 结果与分析 2.1 模型验证从华北平原的农业气象试验站多年实测产量与对应栅格模型模拟的潜在产量的1:1图上可以看出(图 2), 研究区内, 有90%的农业气象试验站实测多年没有水分限制的夏玉米产量与模型模拟的夏玉米潜在产量对比落在了±25%误差线以内; 出现实测与模拟结果落在25%误差线以外的农业气象试验站主要出现在河北省和江苏省, 模型模拟的结果一般比观测结果偏大, 这可能与生长期的一些不利因素有关, 如极端的气象条件、病虫害等。从不同省份的模拟结果来看, 平均绝对误差由小到大依次为河南、天津、安徽、山东、河北、江苏。调参后的模型对夏玉米生育期的模拟误差在0~9 d。以上结果表明, 经过校准后的WOFOST模型能够较好地模拟华北平原夏玉米的潜在产量。
|
图 2 华北平原农业气象试验站多年灌溉夏玉米实测产量与WOFOST模拟潜在产量结果对比 Figure 2 Observed yield and simulated potential summer maize yields of agrometeorological stations in the North China Plain 对角线为1:1线; 虚线为相对于1:1线±25%的偏离。 Diagonal solid line is 1:1 ratio; dotted lines show ±25% deviation from 1:1 line. |
从图 3可知在1979—2015年, 研究区通过显著性检验的大部分地区的平均温度, 无论是玉米全生育期、吐丝前还是吐丝后, 均呈现出升高的趋势, 大部分地区的增温幅度为0.1~0.7 ℃·(10a)-1, 其中河北中部偏西地区(石家庄西部)温度上升较为明显, 在1.6 ℃·(10a)-1附近波动, 鲁西北的小部分地区全生育期和吐丝前平均温度略呈下降趋势; 大部分地区吐丝后平均气温较吐丝前上升更明显。
|
图 3 1979—2015年华北平原气温倾向率分布图(a:玉米全生育期; b:玉米吐丝前; c:玉米吐丝后) Figure 3 Spatial distributions about mean temperature tendency in the North China Plain from 1979 to 2015 (a: entire crop cycle of amize; b: pre-silking phase of maize; c: post-silking phase of maize) 白色区域表示未通过0.01水平的显著性检验。 Colored area means P ≤ 0.01. |
在1979—2015年, 研究区日均太阳总辐射通过显著性检验的地区, 无论是玉米全生育期还是吐丝前和吐丝后, 总辐射均呈下降趋势, 大部分地区下降幅度为-450~-950 kJ·m-2·d-1·(10a)-1(图 4)。其中, 北京大部、河北中南部吐丝前太阳总辐射下降明显, 山东中东部吐丝后太阳总辐射下降明显。
|
图 4 1979—2015年华北平原日均太阳总辐射倾向率分布图(a:玉米全生育期; b:玉米吐丝前; c:玉米吐丝后) Figure 4 Spatial distribution about mean daily total solar radiation tendency in the North China Plain from 1979 to 2015 (a: entire crop cycle of maize; b: pre-silking phase of maize; c: post-silking phase of maize) 白色区域表示未通过0.01水平的显著性检验。 colored area means P ≤ 0.01. |
从图 5研究区1979—2015年的夏玉米潜在平均产量分布图可以看出, 研究区的产量大致呈现从南向北逐渐升高的特点, 这与研究区光热资源的配置有关, 同时也与夏玉米的生理特点有关, 大部分地区的夏玉米潜在产量为7 000~9 000 kg·hm-2; 研究区西北部与东北部的夏玉米潜在产量较低, 这与海拔较高导致的热量不足有关。
|
图 5 WOFOST模型模拟的1979—2015年华北平原夏玉米平均潜在产量分布图 Figure 5 Spatial distribution of mean potential summer maize yield simulated with WOFOST model in the North China Plain (1979-2015) |
从研究区产量的标准差分布图(图 6a)可以看出, 研究区的西北部产量变化较大, 变化较小的地区在北京南部、天津及河北中部一带, 标准差在500 kg·hm-2以下。从夏玉米潜在产量的倾向率图(图 6b)看, 研究区的西北部, 唐山的北部以及山东半岛的东部夏玉米潜在产量呈上升趋势, 这些地区的夏玉米潜在产量上升幅度大部分在200~600 kg·hm-2·(10a)-1, 其中, 河北中部偏西地区夏玉米潜在产量上升较为明显, 变化幅度在2 000 kg·hm-2·(10a)-1左右, 研究区的其余大部分地区夏玉米潜在产量呈下降趋势。其中河北中南部、天津、鲁西北以及皖北的部分区域下降较明显, 变化幅度在-250 kg·hm-2·(10a)-1左右。
|
图 6 WOFOST模型模拟的1979—2015年华北平原夏玉米潜在产量标准偏差(a)及产量倾向率(b)分布图 Figure 6 Spatial distribution of standard deviation (a) and tendency (b) of potential summer maize yield simulated with WOFOST model in the North China Plain from 1979 to 2015 |
夏玉米潜在产量EOF分析的前5个模态(表略)累积方差贡献率达78.14%, 其中, 前两个模态的方差贡献率为37.18%和21.65%, 第3个模态开始方差贡献率迅速减小, 因此本文取前两个模态进行分析。第1特征向量的空间分布图主要体现的是多年平均夏玉米潜在产量的空间分布情况(图 7a), 即河北西部和东北部、北京西北部、山东中部及东部为正值的区域与研究区其他为负值的区域是两种分布型, 代表了夏玉米潜在产量的相对较低地区和较高地区。从第1特征向量的时间系数图可以看出夏玉米产量的年际变化情况(图 8a), 时间系数呈正负分布, 且年际波动较大, 表明该区域夏玉米潜在产量年际波动较大, 这很可能是与该地区处于季风区, 各类气象要素年际波动较大有关。时间系数绝对值越大, 表明这一年的这类分布型越典型。时间系数为正的年份表示河北西部和东北部、北京西北部、山东中部及东部夏玉米潜在产量较常年偏多, 其余地区则较常年偏少; 时间系数为负值的年份则相反。对时间系数进行一元线性回归分析, 方程并未通过0.1的显著性检验, 表明第1模态的时间系数线性趋势并不明显。
|
图 7 华北平原夏玉米潜在产量经验正交分解(EOF)分析第1(a)和第2(b)特征向量空间分布 Figure 7 Spatial pattern of EOF1 (a) and EOF2 (b) for potential summer maize yield in the North China Plain |
第2特征向量的空间分布图主要体现的是夏玉米潜在产量变化趋势的空间差异(图 7b), 即河北西部和秦皇岛唐山、北京西北部、山东中部及东部这些呈正值的区域, 与天津、北京东南部、河北中南部、鲁西北、河南东部、皖北、苏北西部这些呈负值的区域, 呈现相反的变化趋势。颜色越深的地方绝对值越大, 即为该区域的中心。从第2特征向量的时间系数可以看出有明显的从负值转为正值的过程(图 8b), 通过对时间系数进行一元线性回归分析, 时间系数呈增加趋势, 拟合的回归方程通过了0.01的显著性检验。第2特征向量时间系数的变化表明该区域的夏玉米潜在产量随时间发生了明显的趋势变化, 第2特征向量为正值的区域, 即河北西部、秦皇岛唐山、北京西北部、山东中部及东部这些区域夏玉米潜在产量有增加的趋势; 第2特征向量为负值的区域, 即天津、北京东南部、河北中南部、鲁西北、河南东部、皖北、苏北西部夏玉米潜在产量呈下降趋势。这与上述图 6b的变化趋势一致。
|
图 8 1979—2015年华北平原夏玉米潜在产量经验正交分解(EOF)分析第1模态时间系数(a)和第2模态时间系数(b)图 Figure 8 Time coefficients of EOF1 (a) and EOF2 (b) for potential summer maize yield in the North China Plain from 1979 to 2015 |
从通过显著性检验的平均温度与夏玉米潜在产量皮尔森相关系数分布(图 9)可以看出, 通过检验的区域主要集中在河北西部、河北东北部、北京西北部、山东中部和东部, 这些区域温度与产量呈现明显的正相关, 相关系数普遍在0.9以上。全生育期相关系数较吐丝前和吐丝后大, 吐丝前和吐丝后相关系数变化不大, 说明在这些区域温度对夏玉米整个生育期都有较大影响。结合图 3的结果分析可知, 上述地区夏玉米潜在产量随着温度的升高而增加。
|
图 9 1979—2015年华北平原通过显著性检验的温度与夏玉米潜在产量相关系数分布图(a:全生育期; b:吐丝前; c:吐丝后) Figure 9 Spatial distribution of correlation coefficients between temperature and potential summer maize yield in the North China Plain from 1979 to 2015 (a: entire crop cycle; b: pre-silking phase; c: post-silking phase.) 白色区域表示未通过0.01水平的显著性检验。 Colored area means P ≤ 0.01. |
夏玉米潜在产量与平均气温奇异值分解结果如表 1所示。前3个模态的累积方差贡献率达97.95%, 其中第1模态方差贡献率为84.14%, 表明对第1模态进行分析即可揭示夏玉米潜在产量与平均温度的关系。前3个模态的时间相关系数分别为0.94、0.75、0.82, 均通过了显著性检验(α=0.01), 说明夏玉米潜在产量与平均气温之间存在明显相关性。
|
表1 华北平原夏玉米潜在产量与平均温度奇异值分解(SVD)分析结果 Table 1 Singular value decomposition (SVD) expansion of potential summer maize yield and mean temperature in the North China Plain |
夏玉米产量与平均气温SVD分析的第1模态时间序列(图略)表明, 夏玉米潜在产量与平均气温的时间系数变化趋势具有较为一致的年际波动, 平均温度的年际波动幅度大于夏玉米潜在产量。从第1模态夏玉米潜在产量异性相关系数分布图 10a可以看出, 通过显著性检验的正值区主要位于北京西北部、河北西部和东北部、山东中部和东部, 相关系数在0.9左右; 负值区零散分布在河北中南部、山东西北部、天津东部等地。从平均温度异性相关系数分布图 10b可以看出, 通过显著性检验的正值区分布在山东西北部以外的大部分地区, 相关系数在0.9左右。这对空间分布性表明, 当北京西北部、河北西部和东北部、山东中部和东部平均温度增加(减少)时, 夏玉米潜在产量随之增加(减少), 与逐栅格的相关性分析结果基本一致。
|
图 10 SVD分析第1模态华北平原夏玉米潜在产量(a)和平均温度(b)异性相关性分布 Figure 10 Heterogeneous correlation patterns for the first mode of potential summer maize yield (a) and mean temperature (b) of SVD analysis in the North China Plain |
从太阳总辐射与夏玉米潜在产量的皮尔森相关系数分布(图 11)可以看出, 通过显著性检验的研究区面积较大, 全生育期和吐丝后主要集中在除河北西部、北京西北部以及河北秦皇岛唐山北部地区以外的其他地区, 吐丝前面积不大, 主要集中在北京东南部、天津、河北中部、鲁西北以及河南东部的部分地区。相关系数均呈正相关, 全生育期和吐丝后的相关系数普遍在0.8以上, 吐丝前在0.5左右, 吐丝后的相关系数最大。吐丝后通过显著性检验的区域较吐丝前更大, 分布相对集中, 且相关系数比吐丝前大, 说明太阳总辐射的变化对北京东南部、天津、河北中南部和秦皇岛唐山南部、河南东部、山东大部、皖北以及苏北这些区域夏玉米的生长有较大影响, 而且主要是对夏玉米的生殖生长有较大影响。结合图 4的结果可知, 该区域的太阳总辐射呈明显的下降趋势, 说明该区域夏玉米潜在产量随着太阳总辐射的下降而降低。
|
图 11 1979—2015年华北平原通过显著性检验的日均太阳总辐射与夏玉米潜在产量相关系数分布图(a:全生育期; b:吐丝前; c:吐丝后) Figure 11 Spatial distribution of correlation coefficients between mean daily total solar radiation and summer maize yield in the North China Plain from 1979 to 2015 (a: entire crop cycle; b: pre-silking phase; c: post-silking phase.) 白色区域表示未通过0.01水平的显著性检验。 Colored area means P ≤ 0.01. |
夏玉米潜在产量与日均太阳总辐射奇异值分解结果如表 2所示。前3个模态的累积方差贡献率达97.39%, 其中第1模态方差贡献率为93.12%, 表明对第1模态进行分析即可揭示夏玉米潜在产量与太阳总辐射的关系。前3个模态的时间相关系数分别为0.88、0.70、0.74, 均通过了显著性检验(α=0.01), 说明夏玉米潜在产量与太阳总辐射之间存在明显的相关关系。
|
|
表2 华北平原夏玉米潜在产量与日均总辐射奇异值分解(SVD)分析结果 Table 2 Singular value decomposition (SVD) expansion of potential summer maize yield and mean daily total solar radiation in the North China Plain |
从夏玉米产量与日均太阳总辐射的SVD分析的第1模态时间序列(图略)可以看出, 夏玉米产量与太阳总辐射的时间系数变化趋势具有较为一致的年际波动, 太阳总辐射的年际波动幅度大于夏玉米产量。从第1模态夏玉米潜在产量异性相关系数分布(图 12a)看, 通过显著性检验的负值区主要位于北京东南部、天津、河北中南部、河南东部、山东、皖北、苏北, 数值较高的地区位于河南、山东、安徽、江苏4省交界附近。从太阳总辐射异性相关系数分布(图 12b)看, 通过显著性检验的负值区分布在研究区的大部分地区, 相关系数在0.3~0.8左右。这对空间分布性表明, 当北京东南部、天津、河北中南部、河南东部、山东、皖北、苏北日均太阳总辐射增加(减少)时, 夏玉米潜在产量随之增加(减少), 与逐栅格的相关性分析结果基本一致。其中, 河南东部、山东南部、皖北、苏北夏玉米潜在产量的减少与太阳总辐射密切相关。
|
图 12 第1模态华北平原夏玉米潜在产量(a)和太阳总辐射(b)异性相关性分布 Figure 12 Heterogeneous correlation patterns for the first mode of potential summer maize yield (a) and mean daily total solar radiation (b) of SVD analysis in the North China Plain |
1) 通过对WOFOST模型的校准与验证, 模型能较好地反映华北平原夏玉米的产量情况, 对模型进行面域化应用以后, 结合再分析资料, 模型能较好地重现该区域1979—2015年夏玉米潜在产量, 实现了再分析资料与作物生长模型的结合, 进而研究气候变化对该区域夏玉米潜在产量的影响。
2) 1979—2015年华北平原的夏玉米潜在产量大致呈现从南向北逐渐升高的特点, 这与研究区光热资源的配置及夏玉米的生理特点有关, 大部分地区的夏玉米潜在产量为7 000~9 000 kg·hm-2, 与前人的研究结果基本一致[15]。华北平原受季风气候的影响夏玉米潜在产量年际波动较大, 研究区的西北部夏玉米潜在产量标准差较大, 北京南部、天津以及河北中部一带标准差较小, 在500 kg·hm-2以下。研究区的西北部、河北唐山的北部以及山东半岛的东部夏玉米潜在产量呈上升趋势, 这些地区的夏玉米潜在产量上升幅度大部分在200~600 kg·hm-2·(10a)-1, 其中, 河北中部偏西地区夏玉米潜在产量上升较为明显, 变化幅度在2 000 kg·hm-2·(10a)-1左右, 研究区其余大部分地区夏玉米潜在产量呈下降趋势。其中河北中南部、天津、鲁西北以及皖北的部分区域下降较明显, 变化幅度在-250 kg·hm-2·(10a)-1左右。就夏玉米产量的变化趋势方面, 本文的研究结果与前人基本一致[14], 但也有个别学者的研究结果与本文不太一致[13], 除了考虑尺度的原因外, 也可能与模型本身、作物品种遗传参数、空间数据及品种和管理参数引起的误差等有关。
3) 河北西部和东北部、北京西北部和山东中部和东部的夏玉米潜在产量和温度之间有很好的相关关系, 相关系数在0.9以上, 大部分地区气温倾向率为0.1~0.7 ℃·(10a)-1, 该地区的夏玉米潜在产量在过去37年呈上升趋势, 很可能是由气温上升导致的[29]。总体而言, 研究区内的这些区域由于温度上升带来的增产效应超过了总辐射下降导致的减产效应, 夏玉米潜在产量呈现上升趋势。
4) 北京东部和南部、天津、河北中南部和秦皇岛唐山南部、山东、河南东部、皖北和苏北这些地方的夏玉米潜在产量与太阳总辐射具有较强的相关关系, 相关系数在0.8左右, 其中吐丝后通过显著性检验的区域较吐丝前大, 相关系数也较吐丝前大。大部分地区总辐射倾向率为-450~-950 kJ·m-2·d-1·(10a)-1, 与前人的研究结果较为一致[22], 这些区域大部分地方夏玉米潜在产量呈下降趋势, 很可能是由于这些地方人类活动的增加导致的太阳总辐射下降导致的[11], 且总辐射的下降主要对夏玉米的生殖生长阶段构成影响。
研究区内的历史夏玉米潜在产量时空变化较为复杂, 气候变化导致的产量增加和减少的情况同时存在。最新的研究认为温度对作物的影响是非线性的, 当温度高于关键温度后其产量会出现下降[29]。本文研究区内大部分地区夏玉米生长期气温呈现明显的升高趋势, 气温的升高对于夏玉米潜在产量呈现增加趋势的地区较为有利, 这些地区由于气温升高增加了夏玉米生长期内的积温, 改善了原来温度偏低导致的发育迟缓的不利条件; 但同时应该注意到, 对于研究区内夏玉米潜在产量较高的地区, 虽然温度与夏玉米潜在产量的相关系数并不高, 但是随着未来气温升高的进一步加剧, 气温升高可能会加速作物的发育进程, 导致生物量和产量的累积减少[30]。因此, 针对研究区气候变化的适应性措施需要因地制宜。太阳总辐射对于作物的生长发育具有重要的生理意义。研究区内绝大多数地区的太阳总辐射在过去一段时间呈现明显的下降趋势, 且夏玉米潜在产量下降的地区与太阳总辐射的相关系数较高, 这很可能是太阳总辐射下降对作物生理过程产生了不利影响[11]。
本研究主要考虑的是气候变化华北平原夏玉米潜在产量的影响, 未来受气候变化的影响, 该区域的降水也会发生一定的改变, 从而导致水分限制条件下夏玉米产量的波动。因此, 未来需要进一步评估气候变化对该区域水分限制条件下夏玉米产量的影响。本文采用了目前国际上较为主流的WOFOST作物生长模型, 由于不同的作物生长模型模拟结果存在差异, 因此未来还需进行其他模型模拟结果的对比分析。同时, 需进一步的试验研究, 以验证模拟结果。研究区内气候变化对不同区域的影响程度不同, 因此还需要进一步评估应对气候变化的适应性措施, 如改变品种、调整播种期在不同区域的适用情况。
| [1] |
张岩. 中国黄淮海夏玉米区玉米光温生产潜力时空演变特征模拟分析[D]. 南京: 南京农业大学, 2013: 2-13
ZHANG Y. Simulation analysis of the temporal and spatial changing trends of photo-thermal yields of summer maize in Huang-Huai-Hai area of China[D]. Nanjing: Nanjing Agri-cultural University, 2013: 2-13 http://cdmd.cnki.com.cn/Article/CDMD-10307-1014216875.htm |
| [2] | Stocker T F, Qin D, Plattner G K, et al. Climate Change 2013: The Physical Science Basis. Contribution of Working Group Ⅰ to the Fifth Assessment Report of the Intergovernmen-tal[M]. Cambridge, United Kingdom and New York, USA: Panel on Climate Change Cambridge University Press, 2013 |
| [3] |
孟林, 刘新建, 邬定荣, 等. 华北平原夏玉米主要生育期对气候变化的响应[J]. 中国农业气象, 2015, 36(4): 375–382.
MENG L, LIU X J, WU D R, et al. Responses of summer maize main phenology to climate change in the North China Plain[J]. Chinese Journal of Agrometeorology, 2015, 36(4): 375–382. |
| [4] | WILD M. Enlightening global dimming and brightening[J]. Bulletin of the American Meteorological Society, 2012, 93(1): 27–37. DOI:10.1175/BAMS-D-11-00074.1 |
| [5] |
张祎, 赵艳霞. 多模式集合模拟气候变化对玉米产量的影响[J]. 中国生态农业学报, 2017, 25(6): 941–948.
ZHANG Y, ZHAO Y X. Multi-model ensemble for simulation of the impact of climate change on maize yield[J]. Chinese Journal of Eco-Agriculture, 2017, 25(6): 941–948. |
| [6] |
孙宏勇, 张喜英, 陈素英, 等. 气象因子变化对华北平原夏玉米产量的影响[J]. 中国农业气象, 2009, 30(2): 215–218.
SUN H Y, ZHANG X Y, CHEN S Y, et al. Effect of meteoro-logical factors on grain yield of summer maize in the North China Plain[J]. Chinese Journal of Agrometeorology, 2009, 30(2): 215–218. |
| [7] |
周梦子, 王会军, 霍治国. 极端高温天气对玉米产量的影响及其与大气环流和海温的关系[J]. 气候与环境研究, 2017, 22(2): 134–148.
ZHOU M Z, WANG H J, HUO Z G. The influence of heat stress on maize yield and its association with atmospheric general circulation and sea surface temperature[J]. Climatic and Environmental Research, 2017, 22(2): 134–148. |
| [8] |
陆伟婷, 于欢, 曹胜男, 等. 近20年黄淮海地区气候变暖对夏玉米生育进程及产量的影响[J]. 中国农业科学, 2015, 48(16): 3132–3145.
LU W T, YU H, CAO S N, et al. Effects of climate warming on growth process and yield of summer maize in Huang-Huai-Hai Plain in last 20 years[J]. Scientia Agricultura Sinica, 2015, 48(16): 3132–3145. DOI:10.3864/j.issn.0578-1752.2015.16.004 |
| [9] | KASSIE B T, VAN ITTERSUM M K, HENGSDIJK H, et al. Climate-induced yield variability and yield gaps of maize (Zea mays L.) in the Central Rift Valley of Ethiopia[J]. Field Crops Research, 2014, 160: 41–53. DOI:10.1016/j.fcr.2014.02.010 |
| [10] | GRASSINI P, YANG H S, CASSMAN K C. Limits to maize productivity in Western Corn-Belt:A simulation analysis for fully irrigated and rainfed conditions[J]. Agricultural and Forest Meteorology, 2009, 149(8): 1254–1265. DOI:10.1016/j.agrformet.2009.02.012 |
| [11] | TOLLENAAR M, FRIDGEN J, TYAGI P, et al. The contribution of solar brightening to the US maize yield trend[J]. Nature Climate Change, 2017, 7(4): 275–278. DOI:10.1038/nclimate3234 |
| [12] |
王泓霏, 陈新平, 崔振岭, 等. 气候变化对邢台夏玉米的影响及品种适应性[J]. 应用生态学报, 2014, 25(1): 155–161.
WANG H F, CHEN X P, CUI Z L, et al. Impacts of climate change on summer maize production and adaptive selection of varieties in Xingtai County, Hebei, China[J]. Chinese Journal of Applied Ecology, 2014, 25(1): 155–161. |
| [13] |
钟新科, 刘洛, 徐新良, 等. 近30年中国玉米气候生产潜力时空变化特征[J]. 农业工程学报, 2012, 28(15): 94–101.
ZHONG X K, LIU L, XU X L, et al. Characteristics of spa-tial-temporal variation of maize climate productivity during last 30 years in China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(15): 94–101. |
| [14] |
葛亚宁, 刘洛, 徐新良, 等. 近50a气候变化背景下我国玉米生产潜力时空演变特征[J]. 自然资源学报, 2015, 30(5): 784–795.
GE Y N, LIU L, XU X L, et al. Temporal and spatial varia-tions of Chinese maize production potential on the back-ground of climate change during 1960-2010[J]. Journal of Natural Resources, 2015, 30(5): 784–795. DOI:10.11849/zrzyxb.2015.05.007 |
| [15] |
黄川容, 刘洪. 气候变化对黄淮海平原冬小麦与夏玉米生产潜力的影响[J]. 中国农业气象, 2011, 32(S1): 118–123.
HUANG C R, LIU H. The effect of the climate change on potential productivity of winter wheat and summer maize in the Huang-Huai-Hai Plain[J]. Chinese Journal of Agromete-orology, 2011, 32(S1): 118–123. |
| [16] |
刘玲, 刘建栋, 邬定荣, 等. 华北平原夏玉米生产潜力数值模拟及其自然正交分析[J]. 中国农学通报, 2013, 29(33): 85–93.
LIU L, LIU J D, WU D R, et al. EOF analysis of the potential yield based on the simulation results of summer maize growth in the North China Plain[J]. Chinese Agricultural Science Bulletin, 2013, 29(33): 85–93. |
| [17] | LIU S X, MO X G, LIN Z H, et al. Crop yield responses to climate change in the Huang-Huai-Hai Plain of China[J]. Ag-ricultural Water Management, 2010, 97(8): 1195–1209. DOI:10.1016/j.agwat.2010.03.001 |
| [18] | WU D R, YU Q, LU C H, et al. Quantifying production po-tentials of winter wheat in the North China Plain[J]. European Journal of Agronomy, 2006, 24(3): 226–235. DOI:10.1016/j.eja.2005.06.001 |
| [19] | BINDER J, GRAEFF S, LINK J, et al. Model-based approach to quantify production potentials of summer maize and spring maize in the North China Plain[J]. Agronomy Journal, 2008, 100(3): 862–873. DOI:10.2134/agronj2007.0226 |
| [20] | CHEN Y Y, YANG K, HE J, et al. Improving land surface temperature modeling for dry land of China[J]. Journal of Geophysical Research:Atmospheres, 2011, 116(D20): D20104. DOI:10.1029/2011JD015921 |
| [21] | BOOGAARD H, WOLF J, SUPIT I, et al. A regional imple-mentation of WOFOST for calculating yield gaps of au-tumn-sown wheat across the European Union[J]. Field Crops Research, 2013, 143: 130–142. DOI:10.1016/j.fcr.2012.11.005 |
| [22] |
王占彪, 王猛, 尹小刚, 等. 气候变化背景下华北平原夏玉米各生育期水热时空变化特征[J]. 中国生态农业学报, 2015, 23(4): 473–481.
WANG Z B, WANG M, YIN X G, et al. Spatiotemporal char-acteristics of heat and rainfall changes in summer maize sea-son under climate change in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2015, 23(4): 473–481. |
| [23] | MA G N, HUANG J X, WU W B, et al. Assimilation of MODIS-LAI into the WOFOST model for forecasting regional winter wheat yield[J]. Mathematical and Computer Modelling, 2013, 58(3/4): 634–643. |
| [24] |
邵立威, 罗建美, 尹工超, 等. 河北低平原区冬小麦夏玉米产量提升的理论与技术研究[J]. 中国生态农业学报, 2016, 24(8): 1114–1122.
SHAO L W, LUO J M, YIN G C, et al. Research on exploiting wheat-maize grain yield theory and technology in the eastern low plain of Hebei Province[J]. Chinese Journal of Eco-Agriculture, 2016, 24(8): 1114–1122. |
| [25] | WANG J, LI X, LU L, et al. Parameter sensitivity analysis of crop growth models based on the extended Fourier Amplitude Sensitivity Test method[J]. Environmental Modelling & Software, 2013, 48: 171–182. |
| [26] | MA H Y, HUANG J X, ZHU D H, et al. Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST-ACRM model with Ensemble Kalman Filter[J]. Mathematical and Computer Modelling, 2013, 58(3/4): 759–770. |
| [27] | LI Y, ZHOU Q G, ZHOU J, et al. Assimilating remote sensing information into a coupled hydrology-crop growth model to estimate regional maize yield in arid regions[J]. Ecological Modelling, 2014, 291: 15–27. DOI:10.1016/j.ecolmodel.2014.07.013 |
| [28] | STOL W, ROUSE D I, KRAALINGEN D W G V, et al. FSEOPT a FORTRAN program for calibration and uncertain-ty analysis of simulation models[J]. European Urology Sup-plements, 1992, 6(1992): 229. |
| [29] |
房世波, 沈斌, 谭凯炎, 等. 大气[CO2]和温度升高对农作物生理及生产的影响[J]. 中国生态农业学报, 2010, 18(5): 1116–1124.
FANG S B, SHEN B, TAN K Y, et al. Effect of elevated CO2 concentration and increased temperature on physiology and production of crops[J]. Chinese Journal of Eco-Agriculture, 2010, 18(5): 1116–1124. |
| [30] | CHALLINOR A J, KOEHLER A K, RAMIREZ-VILLEGAS J, et al. Current warming will reduce yields unless maize breeding and seed systems adapt immediately[J]. Nature Climate Change, 2016, 6(10): 954–958. DOI:10.1038/nclimate3061 |