郭 浩1,2，張興明2，林德根2，王靜愛2，梁勤歐1

(1.浙江師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院,浙江 金華 321004;2.北京師范大學(xué) 區(qū)域地理重點(diǎn)實(shí)驗(yàn)室,北京 100875)

?

未來(lái)RCPs情景下水稻單產(chǎn)模擬研究
——以浙江省寧波市為例*

郭 浩1,2，張興明2，林德根2，王靜愛2，梁勤歐1

(1.浙江師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院,浙江 金華 321004;2.北京師范大學(xué) 區(qū)域地理重點(diǎn)實(shí)驗(yàn)室,北京 100875)

以浙江省寧波市為例，采用IPCC第5次評(píng)估報(bào)告建議使用的代表性濃度路徑(RCPs)情景氣象數(shù)據(jù)，通過(guò)EPIC模型模擬未來(lái)水稻單產(chǎn)，探討其變化及其影響因素.結(jié)果表明：1)未來(lái)4種RCPs情景下寧波地區(qū)水稻單產(chǎn)呈下降趨勢(shì)，每10 a下降0.176～0.383 t/hm2；單產(chǎn)最大值每10 a下降0.088 8 t/hm2，最小值每10 a下降0.368 4 t/hm2，單產(chǎn)波動(dòng)幅度增大；變異系數(shù)上升6～8個(gè)百分點(diǎn)，單產(chǎn)不穩(wěn)定性加強(qiáng)，即不確定性增加，風(fēng)險(xiǎn)加大.2)RCP2.6和RCP4.5情景下水稻單產(chǎn)與日最高溫度相關(guān)性最大，相關(guān)系數(shù)分別為-0.708,-0.580；RCP6.0和RCP8.5情景下與太陽(yáng)輻射相關(guān)系數(shù)最大，相關(guān)系數(shù)分別為-0.612,-0.756，未來(lái)該地區(qū)水稻生育期內(nèi)日最高溫度和太陽(yáng)輻射量增大是導(dǎo)致水稻產(chǎn)量下降的主要因素.

水稻；RCPs情景；EPIC；單產(chǎn)模擬；浙江省寧波市

0 引 言

近年來(lái)以變暖為主要特征的全球氣候變化受到人們的普遍關(guān)注.IPCC(政府間氣候變化專門委員會(huì))指出,未來(lái)全球變暖仍將持續(xù)，到21世紀(jì)末，全球平均地表溫度在1986—2005年基礎(chǔ)上將升高0.3～4.8 ℃[1].全球氣候變暖正在影響農(nóng)業(yè)生產(chǎn)，作物產(chǎn)量由于溫度上升等原因出現(xiàn)下降[2].干旱和高溫等極端天氣事件的增多導(dǎo)致農(nóng)業(yè)生產(chǎn)風(fēng)險(xiǎn)加大，全球糧食安全受到威脅.水稻是世界第二大糧食作物，播種面積占世界糧食作物的27.90%，總產(chǎn)占1/4[3].氣候變暖改變了水稻生長(zhǎng)的水熱條件，嚴(yán)重影響水稻的生產(chǎn).對(duì)水稻產(chǎn)量進(jìn)行模擬預(yù)測(cè)，有助于了解未來(lái)其變化趨勢(shì)，為糧食安全提供參考和借鑒.

目前常見的水稻產(chǎn)量預(yù)測(cè)模擬模型有：ORYZA,CERES-Rice,WOFOST和EPIC等.ORYZA是由國(guó)際水稻研究所(IRRI)與荷蘭瓦赫寧根大學(xué)(WUCR)專為熱帶水稻模擬而開發(fā)的系列模型.ORYZA模型曾用于對(duì)我國(guó)興化地區(qū)[4]和馬來(lái)西亞水稻產(chǎn)量、生物量等[5]進(jìn)行的模擬研究，該模型主要考慮氮元素在植物中的利用，對(duì)磷、鉀等考慮較少.CERES(Crop Environment Resourse Synthesis)-Rice是DSSAT(Decision Support System for Agrotechnology Transfer)系列的子模型，通過(guò)遺傳因子與氣象要素相互作用的數(shù)學(xué)描述，對(duì)作物進(jìn)行模擬.國(guó)內(nèi)外學(xué)者通過(guò)該模型在氣候變化[6]、耕作制度[7]、土壤水分有效性[8]等方面對(duì)水稻生長(zhǎng)進(jìn)行模擬，但該模型對(duì)極端天氣事件及病、蟲、草等因素的危害考慮不足[9].WOFOST(World Food Studies)是由世界糧食研究中心開發(fā)，著重強(qiáng)調(diào)土地評(píng)價(jià)、風(fēng)險(xiǎn)分析、氣候變化影響的定量化表達(dá).有學(xué)者利用WOFOST對(duì)浙江水稻生長(zhǎng)進(jìn)行模擬[10].WOFOST模型在特殊土壤和景觀等細(xì)節(jié)上考慮不夠細(xì)致，比較適宜在大范圍內(nèi)開展模擬研究[11].EPIC(Erosion/Productivity Impact Calculator)模型是基于物理原理而進(jìn)行的自然模擬過(guò)程，以天為步長(zhǎng)，綜合考慮土地生產(chǎn)力和土壤侵蝕變化等對(duì)作物生長(zhǎng)的影響[12]，具有綜合性強(qiáng)、模擬準(zhǔn)確、可操作性高等優(yōu)點(diǎn).國(guó)內(nèi)外也有較多學(xué)者采用EPIC模型對(duì)水稻生長(zhǎng)、水稻產(chǎn)量等進(jìn)行模擬[13-14].EPIC相較于其他模型在土壤水分、養(yǎng)分循環(huán)和土壤侵蝕等方面模擬更加準(zhǔn)確，在環(huán)境變化模擬方面具有天生的優(yōu)勢(shì)[15]，可以用于未來(lái)氣候情景下單點(diǎn)模擬研究.因此,本文選取EPIC模型對(duì)寧波市未來(lái)水稻產(chǎn)量進(jìn)行模擬.

未來(lái)氣候變化情景下我國(guó)水稻主產(chǎn)區(qū)的產(chǎn)量模擬也有研究，熊偉等[16]利用中國(guó)隨機(jī)天氣模型將HadCM2和ECHAM4兩種氣候模式與CERES-Rice相結(jié)合，模擬未來(lái)4種氣候情景下我國(guó)主要水稻產(chǎn)區(qū)產(chǎn)量的變化.研究表明,未來(lái)大部分地區(qū)水稻呈減產(chǎn)趨勢(shì).姚鳳梅等[17-18]采用了CERES-Rice作物模型結(jié)合區(qū)域氣候模式，模擬了A2和B2氣候情景對(duì)中國(guó)南方稻區(qū)灌溉水稻產(chǎn)量的影響.結(jié)果顯示:隨著溫度的增加，水稻產(chǎn)量呈下降趨勢(shì).上述研究使用的氣象數(shù)據(jù)相較于RCPs情景數(shù)據(jù)，在各項(xiàng)政策對(duì)未來(lái)排放影響方面考慮不足.同時(shí)研究著重強(qiáng)調(diào)對(duì)未來(lái)水稻產(chǎn)量的整體趨勢(shì)的探討，沒有對(duì)溫度、光照、降水等多個(gè)氣象要素與產(chǎn)量關(guān)系進(jìn)行定量分析.本文以浙江省寧波市為例,通過(guò)EPIC模型模擬未來(lái)該地區(qū)RCPs情景下水稻單產(chǎn)，研究其變化趨勢(shì)、波動(dòng)范圍及穩(wěn)定性，并分析未來(lái)該地區(qū)水、光、熱與單產(chǎn)的關(guān)系.為未來(lái)氣候變化情景下該地區(qū)水稻生產(chǎn)提供一定的參考和科學(xué)依據(jù).

1 數(shù)據(jù)與方法

浙江寧波位于東經(jīng)120°55′～122°16′，北緯28°51′～30°33′，屬亞熱帶季風(fēng)氣候.多年平均氣溫為16.7 ℃，平均降水量約1 480 mm，5—9月占全年降水量的60%.水稻是該地區(qū)主要糧食作物，是浙江省水稻高產(chǎn)區(qū)，以單雙季秈粳稻為主.寧波水稻拋秧面積1.3 萬(wàn)hm2，占其水稻面積的14.5%，主要分布在寧波市、余姚市、奉化市等地.寧波水稻生產(chǎn)潛力較大，近年來(lái)單產(chǎn)平均在7.5 t/hm2左右，2012年百畝示范田甚至出現(xiàn)13.5 t/hm2的高產(chǎn)；但同時(shí)也受旱災(zāi)影響嚴(yán)重，2013年高溫導(dǎo)致寧波地區(qū)約140 hm2水稻絕收.

1.1 模型與數(shù)據(jù)來(lái)源

EPIC模型包含11個(gè)子模塊：作物生長(zhǎng)、作物環(huán)境、耕作、天氣、水文、侵蝕、養(yǎng)分、農(nóng)藥、土壤溫度、經(jīng)濟(jì)和碳循環(huán)[19].EPIC模型對(duì)作物生長(zhǎng)的描述則分為6個(gè)部分：作物產(chǎn)量模塊、物候發(fā)育模塊、水分利用模塊、養(yǎng)分利用模塊、環(huán)境脅迫模塊和潛在生長(zhǎng)模塊.基于EPIC模型數(shù)據(jù)需求和特點(diǎn)，構(gòu)建相應(yīng)的數(shù)據(jù)庫(kù)(見表1)，主要包括：作物生長(zhǎng)環(huán)境數(shù)據(jù)庫(kù)、田間管理數(shù)據(jù)庫(kù)、作物單產(chǎn)數(shù)據(jù)庫(kù).

代表性濃度路徑(Representative Concentration Pathways,RCPs)是指“對(duì)輻射活性氣體和顆粒物排放量、濃度隨時(shí)間變化的一致性預(yù)測(cè)，作為一個(gè)集合，它涵蓋了廣泛的人為氣候強(qiáng)迫”[20].RCPs情景數(shù)據(jù)可根據(jù)2100年所達(dá)到的輻射強(qiáng)迫不同分為4種典型濃度路徑,分別為RCP2.6,RCP4.5,RCP6.0及RCP8.5.各路徑的模型、形態(tài)等信息如表2所示.

本文的RCPs情景數(shù)據(jù)來(lái)源于德國(guó)聯(lián)邦教育與研究部(German Federal Ministry of Education and Research,BMBF)資助的ISI-MIP項(xiàng)目.該研究采用HadGEM2ES,IPSL-CM5A-LR,MIROC-ESM-CHEM,GFDL-ESM2M和NorESM1-M這樣5個(gè)GCMs模型，輸出空間分辨率為0.5°×0.5°網(wǎng)格形式的1971—2099年全球每日氣象數(shù)據(jù)[23].

RCPs情景數(shù)據(jù)對(duì)于極端天氣表現(xiàn)能力更強(qiáng)，農(nóng)業(yè)生產(chǎn)對(duì)氣候因子尤其是極端天氣敏感性較大，因此,該數(shù)據(jù)能夠更好地用于未來(lái)氣候條件下農(nóng)業(yè)生產(chǎn)的評(píng)估[24].

1.2 模型校準(zhǔn)與敏感性分析

由于氣候、土壤等要素的地區(qū)差異，作物模型在不同地區(qū)和不同尺度的應(yīng)用中，其模擬的精度受到不同程度的影響.EPIC模型參數(shù)具有顯著的區(qū)域性，在其研發(fā)地(美國(guó))適用性好，應(yīng)用到其他國(guó)家和地區(qū)時(shí)，需要對(duì)模型參數(shù)進(jìn)行校準(zhǔn)和修訂.目前常用的對(duì)EPIC模型進(jìn)行校準(zhǔn)的方法有：田間實(shí)驗(yàn)法、專家經(jīng)驗(yàn)法、模擬最優(yōu)法[25-26].這3種方法主要是對(duì)模型中的關(guān)鍵參數(shù)進(jìn)行調(diào)整.

敏感性分析(Sensitivity Analysis)是確定關(guān)鍵參數(shù)的重要研究方法，用于從眾多參數(shù)中識(shí)別和選擇關(guān)鍵的控制參數(shù)，篩選出引起模型結(jié)果不確定性的主要因素[27].EFAST(Extent Fourier Amplitude Sensitivity Test)是目前效率較高的敏感性分析方法之一.其方法的核心是用一個(gè)周期函數(shù)的曲線在參數(shù)的多維空間內(nèi)搜索，然后用傅里葉變換計(jì)算參數(shù)的幅度，幅度越大敏感性也越高[28].EFAST方法認(rèn)為，模型結(jié)果的方差可以反映模型結(jié)果對(duì)輸入?yún)?shù)的敏感性，模型總方差是由各參數(shù)及參數(shù)間耦合作用共同作用得到，因此,方差V可以分解為

式(1)中:V表示模型結(jié)果的總方差;Vi為某一參數(shù)Xi對(duì)于模型結(jié)果貢獻(xiàn)的方差；Vij為參數(shù)Xi通過(guò)參數(shù)Xj作用所貢獻(xiàn)的方差，也即耦合方差；Vijm為參數(shù)Xi通過(guò)參數(shù)Xj,Xm作用所貢獻(xiàn)的方差；V12…k為參數(shù)Xi通過(guò)參數(shù)Xi,…,Xi-1,Xi+1,…,Xk所貢獻(xiàn)的方差.

Vij=V[E(Y/Xi,Xj) ]-Vi-Vj.

(3)

式(2)～式(3)中，某一個(gè)參數(shù)Xi所貢獻(xiàn)的方差Vi等于模型結(jié)果Y對(duì)Xi條件期望的方差.同樣,Vij表示Y對(duì)Xi,Xj條件期望的方差減去各自所貢獻(xiàn)的方差.如此，各參數(shù)及參數(shù)相互作用的方差與總方差的比值為敏感指數(shù)[29].敏感指數(shù)的取值為0～1.越接近1，參數(shù)敏感性越高，對(duì)模型模擬結(jié)果影響越大，在模型校準(zhǔn)過(guò)程中應(yīng)當(dāng)著重對(duì)這些參數(shù)進(jìn)行調(diào)整.

本文敏感性分析過(guò)程主要分為4步：1)確定參與敏感性分析的作物參數(shù)取值范圍和分布形式；2)在取值范圍內(nèi)生成作物參數(shù)隨機(jī)樣本；3)使用EPIC模型計(jì)算所有參數(shù)樣本對(duì)應(yīng)的產(chǎn)量輸出；4)使用EFAST法分析參數(shù)樣本與模擬產(chǎn)量數(shù)據(jù)，得到作物參數(shù)敏感性如圖 1所示.

圖1表明,不同參數(shù)對(duì)于模擬產(chǎn)量的敏感程度差異較大，敏感指數(shù)最大值接近0.35，大部分參數(shù)敏感指數(shù)接近0.潛在光能利用率(WA)、最低收獲指數(shù)(WSYF)、生長(zhǎng)季峰值點(diǎn)(DLAI)、最大潛在葉面積指數(shù)(DMLA)4個(gè)參數(shù)一階敏感性指數(shù)之和為0.812，對(duì)產(chǎn)量波動(dòng)的貢獻(xiàn)率占80%以上，寧波地區(qū)水稻敏感參數(shù)為WA,WSYF,DMLA,DLAI.

以2000—2009年寧波市農(nóng)氣站實(shí)際單產(chǎn)為基準(zhǔn)，以0.1為步長(zhǎng)不斷調(diào)整WA,WSYF,DMLA,DLAI等4個(gè)敏感參數(shù)的值[30].參數(shù)調(diào)整范圍為初始參數(shù)值(EPIC默認(rèn)參數(shù))的0.5～1.8倍.根據(jù)模擬單產(chǎn)與基準(zhǔn)單產(chǎn)變化趨勢(shì)及相關(guān)系數(shù)，判斷模型校準(zhǔn)效果.

1.3 單產(chǎn)損失計(jì)算方法

在校準(zhǔn)模型的基礎(chǔ)上，利用RCPs情景數(shù)據(jù)對(duì)2010—2099年寧波市水稻單產(chǎn)進(jìn)行模擬，運(yùn)用線性趨勢(shì)分析法，分析2010—2099年寧波市水稻單產(chǎn)變化趨勢(shì)，并以2000—2009年單產(chǎn)平均值為基準(zhǔn)，計(jì)算未來(lái)不同年代單產(chǎn)損失的百分比：

式(4)中:YL表示單產(chǎn)損失率;Yi為第i年代單產(chǎn)平均值;Y0為基準(zhǔn)單產(chǎn)平均值.通過(guò)單產(chǎn)變化和單產(chǎn)損失率揭示未來(lái)該地區(qū)水稻單產(chǎn)損失變化趨勢(shì).統(tǒng)計(jì)每年4種RCPs情景下單產(chǎn)最大值和最小值，運(yùn)用線性趨勢(shì)分析法，分析未來(lái)單產(chǎn)波動(dòng)范圍變化.同時(shí)計(jì)算2010—2049年和2050—2099年2個(gè)不同時(shí)段的單產(chǎn)變異系數(shù)：

2 結(jié)果與分析

2.1 模型檢驗(yàn)

實(shí)際單產(chǎn)數(shù)據(jù)為2000年至2009年，與模擬單產(chǎn)進(jìn)行對(duì)比，結(jié)果如圖2所示.2000—2009年模擬單產(chǎn)與實(shí)際單產(chǎn)整體變化趨勢(shì)基本一致.2002—2003年、2005—2006年、2008—2009年兩者均呈現(xiàn)一致的下降趨勢(shì)，2000—2002年、2003—2005年、2007—2008年兩者也呈一致的明顯上升趨勢(shì).模擬單產(chǎn)與實(shí)際單產(chǎn)相關(guān)系數(shù)約為0.571且在0.050水平上顯著相關(guān)，模擬結(jié)果與實(shí)際單產(chǎn)具有較好的相關(guān)性，模型校準(zhǔn)結(jié)果良好.

2.2 未來(lái)水稻單產(chǎn)變化

2.2.1 未來(lái)水稻單產(chǎn)損失趨勢(shì)

2010—2099年寧波市在RCPs 4種情景下的水稻單產(chǎn)均呈現(xiàn)下降的趨勢(shì)，下降幅度有所不同.RCP2.6，RCP4.5，RCP6.0和RCP8.5情景下單產(chǎn)下降幅度分別為：每10 a下降0.182,0.176,0.280 t/hm2和0.383 t/hm2.其中RCP4.5情景下水稻單產(chǎn)下降幅度最小，RCP8.5情景下下降幅度最大.

圖3是未來(lái)水稻單產(chǎn)損失變化情況，結(jié)果表明，RCP2.6情景下，單產(chǎn)呈現(xiàn)先下降后上升的趨勢(shì)，2070s達(dá)到最低值，減少約20.18%，隨后單產(chǎn)逐漸回升，該趨勢(shì)與RCP2.6輻射強(qiáng)迫變化相一致；RCP4.5情景下單產(chǎn)變化最為平緩，21世紀(jì)20年代以前單產(chǎn)有一定上升，隨后逐漸下降，至60年代達(dá)到減產(chǎn)最大值；RCP6.0情景下，單產(chǎn)呈現(xiàn)階梯狀下降的趨勢(shì)，21世紀(jì)10年代及20年代年單產(chǎn)迅速下降，20—50年代呈相對(duì)穩(wěn)定狀態(tài)，50—60年代再次下降，至21世紀(jì)末單產(chǎn)有小幅回升；RCP8.5情景下單產(chǎn)呈現(xiàn)明顯的下降趨勢(shì)，產(chǎn)量損失最大可達(dá)45%，下降幅度較大的時(shí)段分別為21世紀(jì)20—40年代、50—69年代.

綜合來(lái)看，未來(lái)4種氣候情景下寧波市水稻單產(chǎn)均呈現(xiàn)下降趨勢(shì)，RCP4.5和RCP2.6情景下降幅度較小，RCP6.0，RCP8.0下降幅度較大.2050年以前，4種情景下單產(chǎn)減少相對(duì)平緩，RCP2.6，RCP4.5，RCP6.0，RCP8.5情景下分別減產(chǎn)約13.86%，6.00%，11.41%，11.58%.但如果不及時(shí)采取有效措施，2050年后除RCP2.6情景外其余3種情景均有大幅減產(chǎn)，到21世紀(jì)末4種情景下減產(chǎn)幅度分別為6.96%，14.78%，23.05%，44.94%.

相關(guān)研究表明，在氣候變化影響下21世紀(jì)亞洲地區(qū)可能平均減產(chǎn)約3.8%，包括中國(guó)南部、泰國(guó)、印度西部等多個(gè)地區(qū)為減產(chǎn)區(qū)域[31].在不同氣候模式下，我國(guó)水稻至21世紀(jì)50年代平均單產(chǎn)減少8.6%～12.6%，至80年代減產(chǎn)可達(dá)到18.4%～26.2%(不考慮CO2肥效性)[32].以我國(guó)主要水稻區(qū)杭州站為例，至2030年水稻產(chǎn)量減少約為10%～15%[16].我國(guó)長(zhǎng)江中下游地區(qū)江蘇、浙江、江西等減產(chǎn)幅度為10%～20%[33].本文結(jié)論與我國(guó)南方地區(qū)水稻產(chǎn)量整體趨勢(shì)和減產(chǎn)幅度基本一致，未來(lái)氣候變化情景下我國(guó)南方地區(qū)水稻產(chǎn)量可能出現(xiàn)10%左右的下降，將面臨較大的減產(chǎn)危機(jī).寧波作為浙江省水稻高產(chǎn)區(qū)，其水稻生產(chǎn)穩(wěn)定性至關(guān)重要，但隨著未來(lái)氣候變暖，該地區(qū)可能出現(xiàn)超過(guò)40%以上的減產(chǎn)，這將給浙江乃至我國(guó)糧食安全造成極大威脅.

2.2.2 未來(lái)水稻單產(chǎn)波動(dòng)

圖4是2000—2099年單產(chǎn)波動(dòng)曲線，結(jié)果表明，4種情景中單產(chǎn)最大值下降幅度較小，約每10 a下降0.088 8 t/hm2；單產(chǎn)最小值下降幅度較大，約每10 a下降0.368 4 t/hm2.2050年以前未來(lái)單產(chǎn)最高可達(dá)8 t/hm2，最小值大多為3～4 t/hm2；2050以后，單產(chǎn)最大值大多處于7 t/hm2上下，單產(chǎn)最小值可以達(dá)到2 t/hm2以下；從變化范圍來(lái)看，2050年以前產(chǎn)量最大值和最小值差距較小;2050年以后，尤其是2070年后單產(chǎn)波動(dòng)范圍增大，出現(xiàn)極端低值的頻率升高.

計(jì)算2010—2049年和2050—2099年單產(chǎn)變異系數(shù).截至2049年，4種情景中,RCP6.0情景下單產(chǎn)變異系數(shù)最大,為37.16%，RCP4.5情景下單產(chǎn)變異系數(shù)最小,為23.58%.2050—2099年，單產(chǎn)變異系數(shù)最大及最小值依然是RCP6.0和RCP4.5，分別為43.55%,32.42%.4種情景下單產(chǎn)變異系數(shù)均有上升，上升幅度從6%～8%不等.21世紀(jì)后50 a區(qū)水稻單產(chǎn)穩(wěn)定性較之前有明顯下降.

類似研究發(fā)現(xiàn)，未來(lái)南方地區(qū)，水稻高產(chǎn)年和低產(chǎn)年的概率明顯增加，產(chǎn)量分布趨于兩極化，也即單產(chǎn)波動(dòng)范圍加大[17].包括浙江在內(nèi)的長(zhǎng)江中下游稻區(qū)產(chǎn)量年際變率相對(duì)于基準(zhǔn)值有所上升，未來(lái)該地區(qū)水稻產(chǎn)量穩(wěn)定性變差[31].與浙江相鄰的福建省水稻產(chǎn)量未來(lái)穩(wěn)定性較差[34].年際間波動(dòng)幅度增加，主要由于氣溫升高，導(dǎo)致某些年份極端高溫出現(xiàn)的頻次增加，進(jìn)而影響水稻生長(zhǎng)，致使年際間產(chǎn)量波動(dòng).未來(lái)南方部分地區(qū)可能出現(xiàn)水稻單產(chǎn)的波動(dòng)性增強(qiáng)的現(xiàn)象，高溫、干旱等極端天氣事件的頻次加大可能導(dǎo)致單產(chǎn)不確定性增加.近年來(lái)，寧波地區(qū)多次出現(xiàn)極端高溫導(dǎo)致水稻減產(chǎn)，2013年部分地區(qū)甚至出現(xiàn)絕收現(xiàn)象，進(jìn)一步驗(yàn)證了本文的結(jié)論.由于未來(lái)寧波市水稻單產(chǎn)出現(xiàn)極端低值概率增加，單產(chǎn)最小值下降幅度較大，使得波動(dòng)范圍加大，不穩(wěn)定性增加.可見未來(lái)該地區(qū)水稻生產(chǎn)應(yīng)當(dāng)重點(diǎn)關(guān)注出現(xiàn)極端低值的情況.

綜上所述，未來(lái)4種RCPs情景下寧波市水稻生產(chǎn)的風(fēng)險(xiǎn)加大，主要表現(xiàn)在單產(chǎn)呈下降趨勢(shì)，單產(chǎn)的波動(dòng)范圍逐漸增大，單產(chǎn)的不穩(wěn)定性增加.隨著未來(lái)氣候變化加劇，該地區(qū)水稻單產(chǎn)的不確定性增加.

2.3 未來(lái)水稻單產(chǎn)主要影響因素

未來(lái)4種氣候情景下，寧波市水稻單產(chǎn)呈現(xiàn)整體下降、波動(dòng)性增加的變化趨勢(shì).為了近一步探究造成該變化的主要因素，本文對(duì)單產(chǎn)和氣候數(shù)據(jù)進(jìn)行相關(guān)性分析,具體見表3.

水、光、熱是影響作物生長(zhǎng)的最主要?dú)庀笠?，?即4種RCPs情景下未來(lái)水稻單產(chǎn)與生育期內(nèi)水(降水、相對(duì)濕度)、光(太陽(yáng)輻射)、熱(最高溫、最低溫)相關(guān)系數(shù)表.從表中可以看出,未來(lái)寧波地區(qū)水稻生育期內(nèi)雖然降水量有一定的上升，但相對(duì)濕度依然呈現(xiàn)下降的趨勢(shì)，這主要因?yàn)樘?yáng)輻射和溫度的上升幅度較大，生育期內(nèi)降水量的微弱增加不足以改變未來(lái)該地區(qū)向暖干化轉(zhuǎn)變的趨勢(shì).到21世紀(jì)末，4種情景下相對(duì)濕度下降約2～3個(gè)百分點(diǎn)，溫度上升1～4 ℃，太陽(yáng)輻射可能增加1 W/m2以上.水稻對(duì)水分需求較大，該地區(qū)暖干化轉(zhuǎn)變的趨勢(shì)加大旱災(zāi)發(fā)生的可能性，嚴(yán)重影響水稻生產(chǎn).

4種情景中RCP2.6和RCP4.5模擬單產(chǎn)與生育期內(nèi)日最高溫度呈高度負(fù)相關(guān)，相關(guān)系數(shù)分別為0.708和0.580；RCP6.0和RCP8.5的模擬單產(chǎn)與生育期內(nèi)太陽(yáng)輻射強(qiáng)度呈高度負(fù)相關(guān)，相關(guān)系數(shù)分別為0.612,0.756.由此可見，未來(lái)寧波市RCP2.6和RCP4.5情景下水稻單產(chǎn)下降的主要原因是由于日最高溫的大幅上升，RCP6.0,RCP8.5情景下主要由于太陽(yáng)輻射量的升高影響單產(chǎn)，使水稻減產(chǎn).

日最高溫度多出現(xiàn)在午后，這一時(shí)期作物蒸騰、蒸散量增加，水稻需水量加大，但由于相對(duì)濕度下降，水稻很可能發(fā)生萎蔫，加大了遭受高溫?zé)岷?、高溫干旱的可能?研究表明，溫度上升尤其是極端高溫對(duì)糧食產(chǎn)量有負(fù)面影響[35].高溫、低風(fēng)速的情況下，水稻穗部的溫度比氣溫高4 ℃[36]，嚴(yán)重影響發(fā)育.華東地區(qū)水稻生產(chǎn)研究表明,氣溫升高對(duì)水稻生長(zhǎng)不利，其影響遠(yuǎn)大于降水量對(duì)產(chǎn)量的影響[37].同時(shí)太陽(yáng)輻射的大幅上升導(dǎo)致該地區(qū)夜間溫度升高，夜間溫度升高5 ℃，水稻減產(chǎn)可達(dá)90%[38]，夜間溫度升高使水稻的呼吸作用加強(qiáng)，消耗大量有機(jī)質(zhì)，造成減產(chǎn).未來(lái)由于日最高溫度、太陽(yáng)輻射的增加導(dǎo)致寧波市水稻產(chǎn)量下降，出現(xiàn)極端低產(chǎn)的概率增加，不穩(wěn)定性增強(qiáng).因此，該地區(qū)應(yīng)當(dāng)加強(qiáng)對(duì)溫度、太陽(yáng)輻射的關(guān)注度，防范高溫、干旱等極端事件對(duì)水稻生產(chǎn)的影響，加大預(yù)警力度；進(jìn)一步完善水稻旱災(zāi)保險(xiǎn)制度，降低理賠門檻；采取合理有效的灌溉措施，穩(wěn)定水稻生產(chǎn)，降低旱災(zāi)發(fā)生的可能性.

3 結(jié)論與討論

面對(duì)未來(lái)氣候變暖，寧波市水稻單產(chǎn)的不確定性增加，水稻生產(chǎn)風(fēng)險(xiǎn)加大.主要表現(xiàn)在：1)未來(lái)水稻單產(chǎn)呈現(xiàn)下降的趨勢(shì)，至21世紀(jì)中葉4種情景下水稻單產(chǎn)減少幅度分別為13.86%,6.00%,11.41%,11.58%，至21世紀(jì)末減少幅度可能高達(dá)44.94%；2)水稻單產(chǎn)的波動(dòng)范圍加大、穩(wěn)定性減小，4種情景下2050—2099年與2010—2049年水稻單產(chǎn)變異系數(shù)上升6～8個(gè)百分點(diǎn).寧波作為浙江省水稻高產(chǎn)區(qū)，對(duì)未來(lái)氣候變暖條件下水稻生產(chǎn)風(fēng)險(xiǎn)應(yīng)當(dāng)引起足夠的重視，加強(qiáng)水稻生產(chǎn)管理.通過(guò)調(diào)整生育期、改良品種等措施，盡量減緩水稻產(chǎn)量下降趨勢(shì)，逐漸適應(yīng)氣候變化.從而穩(wěn)定浙江及我國(guó)南方水稻區(qū)的生產(chǎn)，減小對(duì)我國(guó)乃至世界糧食安全的威脅.

未來(lái)4種氣候情景下，對(duì)水稻單產(chǎn)影響最大的為日最高溫度和太陽(yáng)輻射，相關(guān)系數(shù)最高分別為-0.708和-0.756.適宜的光照和溫度能促進(jìn)水稻生長(zhǎng)，但隨著未來(lái)寧波地區(qū)趨向于暖干化，光、熱反而在一定程度上成為抑制水稻生長(zhǎng)的主要因素.未來(lái)該地區(qū)應(yīng)當(dāng)著重防范氣候變暖尤其是高溫、干旱等極端天氣事件對(duì)水稻生產(chǎn)的影響.完善水稻旱災(zāi)等理賠保險(xiǎn)機(jī)制，盡量減少由于氣候變化導(dǎo)致產(chǎn)量下降所帶來(lái)的負(fù)面影響.

在今后的相關(guān)研究中以下問(wèn)題值得進(jìn)一步探討：1)在模型和氣候情景的選擇上，目前對(duì)未來(lái)水稻產(chǎn)量模擬研究中大多使用較為成熟的SRES排放情景.但SRES情景數(shù)據(jù)對(duì)極端天氣事件的表現(xiàn)不足，隨著未來(lái)氣候變化的不斷加劇，極端天氣事件增多，該情景已經(jīng)難以滿足對(duì)未來(lái)預(yù)測(cè)的需求.本文使用IPCC第5次評(píng)估報(bào)告建議使用的RCPs情景數(shù)據(jù)，但該數(shù)據(jù)在農(nóng)業(yè)生產(chǎn)研究中的應(yīng)用還不成熟，部分濃度路徑可能需要進(jìn)一步探討.在今后的研究中可以綜合多個(gè)氣候模式對(duì)作物產(chǎn)量進(jìn)行預(yù)估，以減小由單一氣候模擬帶來(lái)的不確定性.同時(shí)，ORYZA，CERES-Rice，EPIC等是較為常見的用于水稻模擬研究的模型，每個(gè)模型都有各自的優(yōu)勢(shì)和局限性，例如EPIC在土壤侵蝕等方面具有優(yōu)勢(shì)，在水文單元響應(yīng)上也有一定的局限性.2)水稻種植受自然和人為作用共同影響，在對(duì)未來(lái)水稻產(chǎn)量模擬研究中，應(yīng)綜合考慮自然和人為因素.在自然因素方面，南方多丘陵、山地，水稻種植存在山地和平原2種不同的環(huán)境，寧波市屬于寧紹平原，因此,本文研究對(duì)象以平原水稻為主.事實(shí)上丘陵水稻種植缺少水源、水利設(shè)施較差、有機(jī)質(zhì)匱乏、耕性差，降雨淋溶和徑流使得氮元素等大量流失[39]，因此,在干旱等災(zāi)害面前更加脆弱.面對(duì)未來(lái)氣候變暖，平原水稻和山地水稻對(duì)溫度的敏感程度不同，產(chǎn)量可能有較大差異.未來(lái)加強(qiáng)不同環(huán)境下水稻對(duì)比模擬研究具有重要意義.在人為因素方面，未來(lái)水稻品種改良、科學(xué)技術(shù)進(jìn)步等對(duì)水稻生產(chǎn)有較大影響.但由于模型的局限性，本文很難將未來(lái)人為因素考慮在內(nèi)，目前對(duì)該方面的研究也相對(duì)欠缺，今后研究中可以根據(jù)歷史水稻種植發(fā)展及農(nóng)業(yè)技術(shù)發(fā)展速度預(yù)估未來(lái)發(fā)展趨勢(shì)，從而更加全面地模擬未來(lái)水稻生長(zhǎng).3)未來(lái)CO2等溫室氣體濃度增加，能提高植物單位葉面積的凈光合速率，增加干物質(zhì)積累量，同時(shí)提高作物對(duì)水分的利用效率，對(duì)作物產(chǎn)量提高有促進(jìn)作用[40].雖然有研究表明CO2對(duì)部分水稻的肥效作用不足以抵消由溫度升高帶來(lái)的負(fù)面影響[33]，但筆者認(rèn)為可以在一定程度上減緩水稻產(chǎn)量的下降速度.

[1]IPCC.Working group I contribution to the IPCC fifth assessment report climate change 2013:The physical science basis[M].Cambridge:Cambridge University Press,2013:1-36.

[2]Lobell D B,Schlenker W,Costa-Roberts J.Climate trends and global crop production since 1980[J].Science,2011,333(6042):616-620.

[3]FAO.World rice statistics 2011[R].Rome:FAO,2011.

[4]申雙和,楊沈斌,李秉柏,等.基于ENVISAT ASAR數(shù)據(jù)的水稻估產(chǎn)方案[J].中國(guó)科學(xué):D輯 地球科學(xué),2009,39(6):763-773.

[5]Vaghefi N,Shamsudin M N,Makmom A,et al.The economic impact of climate change on rice production in Malaysia[J].International Journal of Agricultural Research,2011,6(1):67-74.

[6]江敏,金之慶,石春林,等.福建省基于自適應(yīng)調(diào)整的水稻生產(chǎn)對(duì)未來(lái)氣候變化的響應(yīng)[J].作物學(xué)報(bào),2012,38(12):2246-2257.

[7]Timsina J,Humphreys E.Performance of CERES-rice and CERES-wheat models in rice-wheat systems:A review[J].Agricultural Systems,2006,90(1):5-31.

[8]Mahmood R,Legates D R,Meo M.The role of soil water availability in potential rainfed rice productivity in Bangladesh:applications of the CERES-rice model[J].Applied Geography,2004,24(2):139-159.

[9]林忠輝,莫興國(guó),項(xiàng)月琴.作物生長(zhǎng)模型研究綜述[J].作物學(xué)報(bào),2003,29(5):750-758.

[10]謝文霞,嚴(yán)力蛟,王光火.運(yùn)用 WOFOST 模型對(duì)浙江水稻潛在生長(zhǎng)過(guò)程的模擬與驗(yàn)證[J].中國(guó)水稻科學(xué),2006,20(3):319-323.

[11]謝文霞,王光火,張奇春.WOFOST 模型的發(fā)展及應(yīng)用[J].土壤通報(bào),2006,37(1):154-158.

[12]Liu Junguo.A GIS-based tool for modelling large-cale crop-water relations[J].Environmental Modelling & Software,2009,24(3):411-422.

[13]Worou O N,Gaiser T,Saito K,et al.Simulation of soil water dynamics and rice crop growth as affected by bunding and fertilizer application in inland valley systems of West Africa[J].Agriculture,Ecosystems & Environment,2012,162：4-35.

[14]何飛.區(qū)域農(nóng)業(yè)旱災(zāi)系統(tǒng)研究——以湖南蒸水流域水稻旱災(zāi)為例[D].北京:北京師范大學(xué)減災(zāi)與應(yīng)急管理研究院,2010.

[15]范蘭,呂昌河,陳朝.EPIC 模型及其應(yīng)用[J].地理科學(xué)進(jìn)展,2012,31(5):584-592.

[16]熊偉,陶福祿,許吟隆,等.氣候變化情景下我國(guó)水稻產(chǎn)量變化模擬[J].中國(guó)農(nóng)業(yè)氣象,2001,22(3):1-5.

[17]姚鳳梅,張佳華,孫白妮,等.氣候變化對(duì)中國(guó)南方稻區(qū)水稻產(chǎn)量影響的模擬和分析[J].氣候與環(huán)境研究,2007,12(5):659-666.

[18]Yao Fengmei,Xu Yinglong,Lin E,et al.Assessing the impacts of climate change on rice yields in the main rice areas of China[J].Climatic Change,2007,80(3/4):395-409.

[19]Singh V P.Computer models of watershed hydrology[M/CD].Highlands Ranch.Colo:Water Resources Publications,2002.

[20]Moss R H,Edmonds J A,Hibbard K A,et al.The next generation of scenarios for climate change research and assessment[J].Nature,2009,463(7282):747-756.

[21]van-Vuuren D P,Edmonds J,Kainuma M,et al.The representative concentration pathways:an overview[J].Climatic Change,2011,109(1):5-31.

[22]陳敏鵬,林而達(dá).代表性濃度路徑情景下的全球溫室氣體減排和對(duì)中國(guó)的挑戰(zhàn)[J].氣候變化研究進(jìn)展,2010(6):436-442.

[23]Hempel S,Frieler K,Warszawski L,et al.A trend-preserving bias correction-the ISI-MIP approach[J].Earth System Dynamics,2013,4(2):219-236.

[24]胡亞南,劉穎杰.2011—2050年RCP4.5新情景下東北春玉米種植布局及生產(chǎn)評(píng)估[J].中國(guó)農(nóng)業(yè)科學(xué),2013,46(15):3105-3114.

[25]Folberth C,Gaiser T,Abbaspour K C,et al.Regionalization of a large-scale crop growth model for sub-Saharan Africa:Model setup,evaluation,and estimation of maize yields[J].Agriculture,Ecosystems & Environment,2012,151:21-33.

[26]Barros I,Williams J R,Gaiser T.Modeling soil nutrient limitations to crop production in semiarid NE of Brazil with a modified EPIC version: II:Field test of the model[J].Ecological Modelling,2005,181(4):567-580.

[27]吳錦,余福水,陳仲新,等.基于EPIC 模型的冬小麥生長(zhǎng)模擬參數(shù)全局敏感性分析[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(7):136-142.

[28]Xu C,Gertner G.Extending a global sensitivity analysis technique to models with correlated parameters[J].Computational Statistics & Data Analysis,2007,51(12):5579-5590.

[29]姜志偉,陳仲新,周清波,等.CERES-wheat作物模型參數(shù)全局敏感性分析[J].農(nóng)業(yè)工程學(xué)報(bào),2011,27(1):236-242.

[30]Yin Yuanyuan,Zhang Xingming,Lin Degen,et al.GEPIC-VR model:A GIS-based tool for regional crop drought risk assessment[J].Agricultural Water Management,2014,144:107-119.

[31]Matthews R B,Kropff M J,Horie T,et al.Simulating the impact of climate change on rice production in Asia and evaluating options for adaptation[J].Agricultural Systems,1997,54(3):399-425.

[32]Wei Xiong,Conway D,Lin E,et al.Potential impacts of climate change and climate variability on China′s rice yield and production[J].Clim Res,2009,40(1):23-35.

[33]楊沈斌,申雙和,趙小艷,等.氣候變化對(duì)長(zhǎng)江中下游稻區(qū)水稻產(chǎn)量的影響[J].作物學(xué)報(bào),2010,36(9):1519-1528.

[34]江敏,金之慶,楊慧,等.基于IPCC SRES A1B 情景下的福建省水稻生產(chǎn)模擬研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2012,20(5):625-634.

[35]Prasad P V V,Boote K J,Allen J L H,et al.Species,ecotype and cultivar differences in spikelet fertility and harvest index of rice in response to high temperature stress[J].Field Crops Research,2006,95(2):398-411.

[36]Tian Xiaohai,Matsui T,Li S,et al.Heat-induced floret sterility of hybrid rice (Oryza sativa L.) cultivars under humid and low wind conditions in the field of Jianghan Basin,China[J].Plant Production Science,2010,13(3):243-251.

[37]孫衛(wèi)國(guó),程炳巖,楊沈斌,等.區(qū)域氣候變化對(duì)華東地區(qū)水稻產(chǎn)量的影響[J].中國(guó)農(nóng)業(yè)氣象,2011,32(2):227-234.

[38]Mohammed A R,Tarpley L.High nighttime temperatures affect rice productivity through altered pollen germination and spikelet fertility[J].Agricultural and Forest Meteorology,2009,149(6): 999-1008.

[39]陳安強(qiáng),雷寶坤,魯耀,等.南方山地丘陵區(qū)考慮水稻產(chǎn)量和生態(tài)安全的容許施氮量[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(9):131-139.

[40]黃建曄,楊洪建,董桂春,等.開放式空氣 CO2濃度增高對(duì)水稻產(chǎn)量形成的影響[J].應(yīng)用生態(tài)學(xué)報(bào),2002,13(10):1210-1214.

(責(zé)任編輯 杜利民)

SimulationofriceyieldunderRCPsscenariosinfuture:AcaseofNingbo,Zhejiangprovince

GUO Hao1,2, ZHANG Xingming2, LIN Degen2, WANG Jing′ai2, LIANG Qin′ou1

(1.CollegeofGeographyandEnvironmentalSciences,ZhejiangNormalUniversity,JinhuaZhejiang321004,China; 2.SchoolofGeography,BeijingNormalUniversity,Beijing100875,China)

Taken Ningbo, Zhejiang as an example and used representative concentration pathways (RCPs) scenarios meteorological data which proposed by IPCC 5th Assessment Report, simulated rice yield in future with EPIC model to explore the change and its influencing factor. The results showed that: 1)The rice yield of Ningbo will decline under all RCPs scenarios in future. It would drop 0.176～0.383 t/hm2each of 10 years. The maximum yields would fall 0.088 8 t/hm2and the minimum will drop 0.368 4 t/hm2each of 10 years. The fluctuation amplitude would ascend and the coefficient of variation would increase 6～8 percent, so that the instability and uncertainty of the yield would reinforce. 2)The correlations between yield and daily maximum temperature reached maximum under RCP2.6 and RCP4.5 scenarios which would be -0.708 and -0.580, respectively. While the correlations between yield and solar radiation reached maximum under RCP6.0 and RCP8.5 scenarios which would be -0.612 and -0.756, respectively. The maximum temperature and solar radiation in rice growth stages would be the major factors which leading rice yield decline in this area in future.

rice; RCPs scenarios; EPIC; yield simulation; Ningbo city, Zhejiang province

10.16218/j.issn.1001-5051.2015.04.016

2014-09-29；

：2015-01-06

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃資助項(xiàng)目(2012CB955403)

郭 浩(1990-)，男，安徽宿州人，碩士研究生.研究方向：地理信息系統(tǒng).

王靜愛.E-mail: jwang@bnu.edu.cn

S162.5+3

：A

：1001-5051(2015)04-0452-09