孫 擎，楊再強(qiáng)**，車向紅，楊世瓊，王 琳，鄭曉輝

?

水稻格點(diǎn)作物模型在中國區(qū)域的不確定性評估*

孫 擎1, 2，楊再強(qiáng)1, 2**，車向紅3，楊世瓊1, 2，王 琳1, 2，鄭曉輝4

（1．南京信息工程大學(xué)氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心，南京 210044；2．南京信息工程大學(xué)江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室，南京 210044；3．中國測繪科學(xué)研究院，北京 100830；4．北京師范大學(xué)全球變化與地球系統(tǒng)科學(xué)研究院，北京 100875）

作物模型是評估氣候變化對農(nóng)業(yè)生產(chǎn)影響的主要手段之一，但中國對格點(diǎn)作物模型間的比較研究尚處于初始階段。為全面評估不同作物模型在中國不同區(qū)域?qū)λ井a(chǎn)量模擬的有效性，利用聯(lián)合國糧農(nóng)組織（FAO）和中國農(nóng)業(yè)農(nóng)村部種植業(yè)管理司（SYB）水稻年平均產(chǎn)量統(tǒng)計資料，對由2種氣候資料（AgMERRA和WFDEI-GPCC）和 3種不同種植管理情景（Default、Fullharm和Harmnon情景）驅(qū)動的7種全球格點(diǎn)作物模型（CGMS-WOFOST、CLM-CROP、EPIC-BOKU、GEPIC、LPJML、PDSSAT和PEPIC模型）模擬的中國水稻產(chǎn)量進(jìn)行了對比分析。結(jié)果表明：不同格點(diǎn)作物模型之間的模擬結(jié)果差異較大，在不同區(qū)域不同格點(diǎn)作物模型的模擬效果差異顯著，不同格點(diǎn)作物模型對氣候變化和種植管理情景的響應(yīng)和敏感性不同，大部分模擬結(jié)果低估了水稻產(chǎn)量。使用不同水稻統(tǒng)計產(chǎn)量數(shù)據(jù)會對評估結(jié)果產(chǎn)生一定的影響。格點(diǎn)作物模型能夠一定程度上模擬出水稻產(chǎn)量的年際變化和氣候變化對產(chǎn)量的影響，但對于統(tǒng)計水稻產(chǎn)量上升的趨勢較難模擬。通過綜合分析產(chǎn)量在時間和空間上的波動情況，并利用2種評分方法對模擬表現(xiàn)打分，發(fā)現(xiàn)LPJML和PDSSAT在7種格點(diǎn)作物模型中模擬效果最好，同時也對不同氣候數(shù)據(jù)和種植管理情景的變化最敏感，CLM-CROP的模擬效果最差。對不同種植管理情景，Default情景下的模擬效果顯著高于Fullharm和Harmnon情景。多種格點(diǎn)作物模型集合平均（MME）可以降低單個格點(diǎn)作物模型模擬的誤差，但需對MME中的集合模型進(jìn)行挑選。

全球格點(diǎn)作物模型（GGCM）；部門間影響模型比較計劃（ISIMIP）；水稻產(chǎn)量；多種作物模型集合平均（MME）

隨著氣候變化對農(nóng)業(yè)生產(chǎn)和糧食安全影響研究的日益深入，作物模型[1]模擬和基于歷史產(chǎn)量的統(tǒng)計方法[2]作為兩種主要的研究手段，廣泛地應(yīng)用在農(nóng)業(yè)和氣候變化及其相關(guān)領(lǐng)域的研究中。

關(guān)于格點(diǎn)作物模型的比較研究剛剛開始且主要集中在國外。全球格點(diǎn)作物模型比較計劃[3?4]（Global Gridded Crop Model Intercomparison Project，GGCMI）是在部門間影響模型比較計劃[5?6]（The Inter-Sectoral Impact Model Intercomparison Project，ISIMIP）的框架下進(jìn)行的一項(xiàng)作物模型比較的研究，其目的是為全球格點(diǎn)作物模型（Global Gridded Crop Model，GGCM）提供一個全球或區(qū)域高分辨率作物模型的影響評估和模型比較框架，并通過此框架改進(jìn)GGCM，且就氣候變化對作物產(chǎn)量的影響進(jìn)行深入研究。ISIMIP已經(jīng)進(jìn)行了3輪模擬，即ISIMIP Fast Track、ISIMIP2a和ISIMIP2b。ISIMIP2a輪模擬于2017年公開了模擬的部分結(jié)果，其模擬的主題為模型校準(zhǔn)，尤其要關(guān)注在極端天氣事件和氣候變化影響下的校準(zhǔn)，本輪模擬會給全球格點(diǎn)作物模型提供歷史氣候數(shù)據(jù)集，以將其作為基礎(chǔ)數(shù)據(jù)集進(jìn)行作物產(chǎn)量的模擬[5,7]。GGCM中進(jìn)行模型結(jié)果評估使用的水稻產(chǎn)量數(shù)據(jù)[8?9]是基于聯(lián)合國糧食及農(nóng)業(yè)組織（Food and Agriculture Organization of the United Nations，F(xiàn)AO）的產(chǎn)量數(shù)據(jù)，并未使用中國本地的統(tǒng)計水稻產(chǎn)量，這將對模型結(jié)果的評估產(chǎn)生影響。Li等[10]利用13個水稻作物模型模擬了4個站點(diǎn)1～3a不同水平的灌溉、氮素水稻試驗(yàn)，并分析了其不確定性及敏感性，表明多模型集合平均的產(chǎn)量結(jié)果模擬效果較好，誤差小于10%，升溫將使產(chǎn)量降低4.8%～55.2%，CO2倍增將使產(chǎn)量增加20.6%～26.2%，敏感性分析表明模型中的生物量及收獲指數(shù)需要進(jìn)行進(jìn)一步提升，不同模型在不同站點(diǎn)模擬效果差異較大。Muller等[4]在ISIMIP2a輪模擬中發(fā)現(xiàn)，大部分GGCM對玉米、小麥和大豆的模擬能夠重建時間和空間的分布，其相關(guān)系數(shù)均在0.6以上，玉米和大豆的模擬可以解釋更多的產(chǎn)量變化，不足之處還是缺乏有效的觀測數(shù)據(jù)來做模型的評估。低緯和高緯農(nóng)業(yè)區(qū)受到氣候變化的影響明顯，中緯度農(nóng)業(yè)區(qū)的全球格點(diǎn)作物模型的模擬依舊存在較大的不確定性[1]。在未來全球升溫1.5或2℃情景下，利用GGCM的模擬結(jié)果研究表明氣候變暖會降低作物產(chǎn)量，但是依舊有較大的不確定性存在[11?12]。

中國對多種格點(diǎn)作物模型比較的研究還處在初始階段，如APSIM[13]、WOFOST[14]、DSSAT[15]等模型在中國區(qū)域應(yīng)用較多且表現(xiàn)較好，但一般只用單種作物模型輸入多種不同氣候資料對其結(jié)果進(jìn)行集合平均研究，或?qū)ψ魑锬Ｐ湍M的不確定性進(jìn)行綜述性評論[16–18]，并未在一個共同框架，即對多種作物模型輸入相同的氣候數(shù)據(jù)、種植管理數(shù)據(jù)情況下，對模擬效果進(jìn)行綜合評估，分析各個作物模型模擬結(jié)果的不同及其原因。

本研究相比以往，增加了中國自身水稻年產(chǎn)量統(tǒng)計數(shù)據(jù)，將其作為觀測資料，利用ISIMIP2a輪中使用相同輸入氣候數(shù)據(jù)和種植管理情景的全球格點(diǎn)作物模型的模擬水稻產(chǎn)量結(jié)果，針對中國不同區(qū)域在時間和空間上進(jìn)行詳細(xì)評估，根據(jù)兩種評分方法對所有模擬結(jié)果進(jìn)行綜合評價，最后對全部格點(diǎn)作物模型集合平均（MME）進(jìn)行分析評價，提煉格點(diǎn)作物模型模擬存在的不足，并對改進(jìn)模擬效果的方向提出建議，以期為中國地區(qū)水稻格點(diǎn)作物模型使用與選擇提供科學(xué)依據(jù)。

1 材料與方法

1.1 全球格點(diǎn)作物模型

ISIMIP2a輪的模擬中GGCM的結(jié)果較多，因此，只選擇具有相同輸入氣候資料的格點(diǎn)作物模型作為不確定性評價的模型，包括CGMS-WOFOST[19]、CLM-CROP[20]、EPIC-BOKU[21?22]、GEPIC[21?22]、LPJML[23?24]、PDSSAT[25–27]、PEPIC[22,28?29]共7個GGCM的產(chǎn)量結(jié)果（表1）對中國區(qū)域進(jìn)行作物模型結(jié)果的不確性分析，由于模擬結(jié)果的時間段不同，因此選擇其中的相同時段即1980?2009年。

作物模型共同輸入?yún)?shù)有氣候資料（包括最高溫度、最低溫度、平均溫度、太陽輻射、降水、風(fēng)速、濕度等），作物生育期資料（種植日期、收獲日期等），作物種植管理數(shù)據(jù)和施肥數(shù)據(jù)等。其中驅(qū)動作物模型的氣候數(shù)據(jù)集選擇AgMERRA和WFDEI-GPCC，格式為netCDF4格式，空間分辨率均為0.5°′0.5°，且已經(jīng)過誤差訂正[30]。種植管理情景分為三類：（1）Default情景，播種日期、施肥量和作物品種數(shù)據(jù)可最好模擬收獲日期；（2）Fullharm情景，統(tǒng)一使用現(xiàn)有的施肥量數(shù)據(jù)集、種植和收獲日期數(shù)據(jù)集（表2）；（3）Harmnon情景，統(tǒng)一使用現(xiàn)有的種植和收獲日期數(shù)據(jù)集，與Fullharm相同，但無氮肥脅迫（表2）。另外，ISIMIP2a輪中灌溉分為雨養(yǎng)（Rainfed）和全部灌溉（Full irrigated），考慮到水稻在中國種植時會得到充足灌溉，因此，僅選擇全部灌溉的結(jié)果進(jìn)行分析。

表1 所選全球格點(diǎn)作物模型(GGCM)及其輸入氣候資料和種植管理情景

注：（1）Default情景，即調(diào)試播種日期、施肥量和作物品種等參數(shù)能夠較好模擬收獲日期的情景；（2）Fullharm情景，即統(tǒng)一使用現(xiàn)有的施肥量數(shù)據(jù)集、種植和收獲日期數(shù)據(jù)集；（3）Harmnon情景，即統(tǒng)一使用現(xiàn)有的種植和收獲日期數(shù)據(jù)集，與Fullharm相同，但無氮肥脅迫。數(shù)據(jù)來源：http://www.rdcep.org/research-projects/ggcmi。

Note:（1）Default scenario means historical conditions regarding fertilizer application rates, crop variety and sowing date settings best reproduce given harvesting dates ,（2）Fullharm scenario means harmonized growing periods and nutrient inputs,（3）Harmnon scenario means harmonized growing periods with no nutrient stress. Data come from http://www.rdcep.org/research-projects/ggcmi.

表2 Fullharm和Harmnon種植管理情景輸入?yún)?shù)列表[3]

1.2 研究區(qū)域

由于GGCM在全球所有格點(diǎn)上運(yùn)行，無論是否為水稻實(shí)際種植區(qū)域均會運(yùn)行，因此需要得知水稻的掩膜數(shù)據(jù)，以減少全國平均水稻產(chǎn)量的誤差。利用的水稻種植掩膜數(shù)據(jù)為IRRI（The International Rice Research Institute，國際水稻研究所）基于MODIS反演的水稻種植格點(diǎn)數(shù)據(jù)[37]，原數(shù)據(jù)分辨率為500m，利用Feng的方法[38]將其重新投影至0.5°′0.5°的格點(diǎn)上，得到中國水稻格點(diǎn)種植面積百分比，將水稻種植格點(diǎn)作為水稻種植區(qū)域。將中國水稻種植區(qū)域分為4個大區(qū)，其中東北地區(qū)（Northeast，NE）包括黑龍江、吉林、遼寧，西南地區(qū)（Southwestern，SW）包括云南、四川、貴州、重慶，長江中下游地區(qū)（Middle and lower reaches of Yangtze River，YZ）包括湖南、湖北、安徽、江西、江蘇、浙江、上海，華南地區(qū)（South，SS）包括福建、廣東、廣西、臺灣、海南、香港、澳門，整個中國地區(qū)則簡寫為CN（China）。

1.3 模型驗(yàn)證資料及方法

1980?2009年統(tǒng)計水稻產(chǎn)量數(shù)據(jù)來自中國農(nóng)業(yè)農(nóng)村部種植業(yè)管理司農(nóng)作物數(shù)據(jù)庫（http://zzys.agri. gov.cn/nongqing.aspx），由于本數(shù)據(jù)庫主要是基于中國統(tǒng)計年鑒及中國農(nóng)業(yè)統(tǒng)計資料，因此，引用水稻產(chǎn)量數(shù)據(jù)時簡寫為SYB（Statistical Year Book），同時使用FAO的水稻產(chǎn)量資料（FAOSTAT，F(xiàn)AO）作為比較，分析不同水稻產(chǎn)量資料對作物模型評估的影響，水稻產(chǎn)量數(shù)據(jù)均為全國年平均產(chǎn)量（kg·hm?2）。

在評估格點(diǎn)作物模型模擬不確定性的過程中，對模擬結(jié)果進(jìn)行時間變化、波動情況、空間變化等方面的評估。水稻產(chǎn)量模擬結(jié)果的評估指標(biāo)采用均方根誤差（Root mean square error，RMSE）、相關(guān)系數(shù)（Correlation coefficient，R）、標(biāo)準(zhǔn)差（Standard deviation）和偏差（Bias）等。同時，為了比較不同格點(diǎn)作物模型在不同氣候資料和種植管理制度驅(qū)動下整體的模擬效果，選取兩個技巧評分S1和S2進(jìn)行模式的模擬能力評估[39]，技巧評分值越大說明該模式的模擬能力越強(qiáng)，模擬效果越好。

式中，R為水稻平均產(chǎn)量的模擬值與水稻產(chǎn)量統(tǒng)計值的相關(guān)系數(shù)，R0為R的最大值。

2 結(jié)果與分析

2.1 格點(diǎn)作物模型年平均產(chǎn)量模擬結(jié)果

由圖1a可見，格點(diǎn)作物模型?氣候資料?種植管理情景模擬的中國區(qū)域1980?2009年水稻年平均產(chǎn)量相差較大。水稻實(shí)際產(chǎn)量從1980年的4130kg·hm?2左右提升至2009年的6500kg·hm?2左右，呈逐年上升的趨勢，其中部分年份產(chǎn)量有少許下降的情況，F(xiàn)AO與SYB的水稻產(chǎn)量差異較小，每年的差異不會超過15kg·hm?2。不同格點(diǎn)作物模型模擬的結(jié)果差異較大，由氣候變化引起的水稻產(chǎn)量年際變化較為明顯，但不同格點(diǎn)作物模型對氣候變化的響應(yīng)各不相同，大部分作物模型未能反映出長時間序列水稻產(chǎn)量增長的狀況。從全國來看，模擬水稻產(chǎn)量較高的模型為LPJML和PDSSAT，年平均產(chǎn)量最高可以達(dá)到7791kg·hm?2，最低也會在5000kg·hm?2左右，越早的年份模擬結(jié)果相較實(shí)際產(chǎn)量偏高越多，這可能是由于這兩個作物模型輸入的種植管理參數(shù)為2000年后的參數(shù)，因此，對于較早年份的模擬結(jié)果偏高。模擬水稻產(chǎn)量較低的模型為CLM-CROP和EPIC-BOKU，其中CLM-CROP模擬的水稻產(chǎn)量最低，僅在500～900kg·hm?2區(qū)間波動，CLM-CROP只能模擬出部分華南地區(qū)的水稻產(chǎn)量，且產(chǎn)量較低，無法模擬東北、華北及長江中下游大部分地區(qū)的水稻產(chǎn)量，結(jié)果均為0，這可能與模型自身的設(shè)計有關(guān)，模型能較好模擬美國的玉米和大豆產(chǎn)量[20]，但對于水稻的研究則較少，模型中的公式和各類參數(shù)可能不適宜水稻的模擬，其中CLM-CROP-AGMERRA-FULLHARM在1998年的值為0，這是由于模擬時輸出結(jié)果的錯誤引起的；EPIC-BOKU模擬的結(jié)果在2000～2700kg·hm?2區(qū)間波動，模擬的水稻產(chǎn)量年際波動相對于其它格點(diǎn)作物模型非常小，反映了EPIC在模擬水稻產(chǎn)量時對于氣候變化的響應(yīng)較差。其余大部分格點(diǎn)作物模型模擬的水稻產(chǎn)量較為集中，在3800～5000kg·hm?2區(qū)間變化?？梢姡蟛糠指顸c(diǎn)作物模型低估了水稻產(chǎn)量，僅較少的模擬結(jié)果與實(shí)際水稻產(chǎn)量相近或者高估。

圖1 1980?2009年中國不同區(qū)域作物模型模擬水稻年平均產(chǎn)量和FAO、SYB統(tǒng)計水稻產(chǎn)量時間序列圖

注：FAO指水稻實(shí)際年產(chǎn)量來自FAO，SYB指水稻實(shí)際年產(chǎn)量來自中國統(tǒng)計年鑒和中國農(nóng)業(yè)統(tǒng)計年鑒的數(shù)據(jù)。下同。

Note: FAO means observation rice yield from Food and Agriculture Organization of the United Nations, SYB means observation rice yield from China Statistical Year Book and China Agriculture Statistical Year Book. The same as below.

從模擬的水稻產(chǎn)量年際變化來看，大部分作物模型能夠反映出水稻隨氣候變化產(chǎn)生的波動，例如1992、2004、2008年等年份大部分作物模型能夠模擬出上升的趨勢，1988、1998、2005、2007年等年份大部分作物模型能模擬出下降的趨勢；但某些年份不同格點(diǎn)作物模型會表現(xiàn)出相反的產(chǎn)量變化趨勢，比如在1998年，大部分作物模型模擬的產(chǎn)量相對于上一年是下降的，但是CLM-CROP模擬的產(chǎn)量呈現(xiàn)上升的趨勢。只有很少的模擬結(jié)果與FAO、SYB的實(shí)際水稻產(chǎn)量相近，例如PDSSAT-WFDEI.GPCC- HARMNON、PDSSAT-WFDEI.GPCC-FULLHARM、PDSSAT-AGMERRA-HARMNON、LPJML-WFDEI. GPCC-DEFAULT等模擬結(jié)果，但對于實(shí)際水稻產(chǎn)量在長時間序列呈增長的趨勢，大部分格點(diǎn)作物模型難以模擬，當(dāng)然，實(shí)際水稻產(chǎn)量呈現(xiàn)增長的趨勢并不僅僅是受氣候變化影響，還受到科技的進(jìn)步、作物新品種、農(nóng)業(yè)機(jī)械化等較大的影響。

從不同水稻主產(chǎn)區(qū)來看，格點(diǎn)作物模型在中國不同區(qū)域上的模擬結(jié)果年際變化差異也較為明顯，這是由于地區(qū)不同，氣候條件也不一樣造成的。在東北地區(qū)（圖1b）格點(diǎn)作物模型模擬的水稻產(chǎn)量普遍偏低，這可能是由于各個格點(diǎn)作物模型對水稻品種的參數(shù)按照南方水稻進(jìn)行估算，而東北地區(qū)氣溫相對于中國南方整體偏低，因此會造成模擬結(jié)果偏低，PDSSAT-WFDEI.GPCC-DEFAULT、PDSSAT- AGMERRA-DEFAULT、CGMS-WOFOST-AGMERRA- DEFAULT與CGMS-WOFOST-WFDEI.GPCC- DEFAULT與實(shí)際產(chǎn)量結(jié)果相近，表現(xiàn)較好，大部分格點(diǎn)作物模型模擬的結(jié)果在4000kg·hm?2左右，一少部分模擬結(jié)果在2000kg·hm?2左右。在華南地區(qū)（圖1c），CLM-CROP的模擬結(jié)果位于2500～3500kg·hm?2，雖然相對于CN有部分提升，但是依然很大程度上低估了水稻產(chǎn)量，但也有部分結(jié)果如LPJML-WFDEI. GPCC-DEFAULT、PDSSAT-AGMERRA-DEFAULT等高估了水稻產(chǎn)量，最高甚至達(dá)到8800kg·hm?2，其余結(jié)果與CN相差不大。在西南地區(qū)（圖1d）模擬結(jié)果與CN差異較小，長江中下游地區(qū)（圖1e）有大約1/3的模擬結(jié)果相對于華南和西南地區(qū)有些偏少，比起CN更多的格點(diǎn)作物模型低估了水稻產(chǎn)量。

2.2 格點(diǎn)作物模型對不同氣候資料和種植管理情景的響應(yīng)

圖2的箱線圖為格點(diǎn)作物模型模擬1980?2009年水稻產(chǎn)量及單種格點(diǎn)作物模型平均產(chǎn)量和FAO、SYB觀測產(chǎn)量變化情況。從圖中可以看出，從整個中國地區(qū)來看（圖2a），不同氣候數(shù)據(jù)及不同種植管理情景的驅(qū)動下格點(diǎn)作物模型模擬結(jié)果不同且相差較大。LPJML模型在不同氣候資料和種植管理情景下水稻產(chǎn)量波動最大，最大值與最小值之間相差有3249.73kg·hm?2，即對不同氣候資料和種植管理情景的變化較為敏感，最不敏感的模型為CLM-CROP，模擬結(jié)果的中位數(shù)與FAO和SYB水稻產(chǎn)量的中位數(shù)最接近的模型為PDSSAT，每種模擬結(jié)果的變率相對于FAO和SYB統(tǒng)計產(chǎn)量的變率較小，即沒有較為明顯的增長或降低的趨勢。對于東北地區(qū)（圖2b），各個模擬結(jié)果的波動變率大于整個研究區(qū)域，尤其是LPJML和PDSSAT，波動甚至可以達(dá)到中位數(shù)的?82%～52%（LPJML）和?49%～111%（PDSSAT），這主要是由于LPJML和PDSSAT對不同氣候資料和種植管理情景較為敏感，因此，產(chǎn)量對氣候變化和種植管理方式的響應(yīng)更為劇烈，EPIC-BOKU、GEPIC和LPJML模擬結(jié)果中的異常值較多，僅CGMS-WOFOST的表現(xiàn)較好，與FAO和SYB的產(chǎn)量相近。對于華南地區(qū)（圖2c），LPJML和PDSSAT的模擬結(jié)果波動最大，但在不同氣候資料和種植管理情景下的模擬結(jié)果變率與FAO和SYB統(tǒng)計產(chǎn)量類似，CLM-CROP的模擬效果相對于其它地區(qū)有較大的提升，PDSSAT的中位數(shù)與FAO和SYB統(tǒng)計產(chǎn)量的中位數(shù)最為接近。從圖2d可以看出，在之前表現(xiàn)較好的LPJML和PDSSAT在西南地區(qū)則高估了水稻產(chǎn)量。在長江中下游地區(qū)（圖2e），對于PDSSAT模型來說，由WFDEI.GPCC和Default種植管理情景驅(qū)動的結(jié)果高估了水稻產(chǎn)量，其余PDSSAT的模擬結(jié)果與FAO和SYB的結(jié)果相近，模擬效果較好，LPJML模型總體模擬波動較大，但對于單個氣候資料和種植管理情景模擬結(jié)果來說波動較小，CGMS-WOFOST、CLM-CROP、EPIC-BOKU、PEPIC都低估了水稻產(chǎn)量，波動較小，對于不同氣候資料和種植管理情景不太敏感。整體來看，LPJML和PDSSAT模擬結(jié)果與FAO和SYB的統(tǒng)計產(chǎn)量相近，模擬效果較好，同時這兩個模型對不同氣候資料和種植管理情景較為敏感，表現(xiàn)為產(chǎn)量的波動較大，其余作物模型基本都低估了水稻產(chǎn)量，對于不同氣候資料和種植管理情景不敏感，產(chǎn)量的波動較小。

圖2 1980?2009年模擬水稻產(chǎn)量和FAO、SYB統(tǒng)計水稻產(chǎn)量在中國區(qū)域不同地區(qū)的變化情況

注：箱線圖中的箱體代表25%～75%位置上的百分位數(shù)，箱體中間的短橫線表示中位數(shù)，上下短橫線分別表示10%、90%百分位數(shù)，箱線圖外的“+”表示位于10%～90%百分位數(shù)之外的部分模擬值。

Note: The boxes present the 25?75 percentile, whiskers (the horizonal lines linked to boxes by vertical line) stand for 10?90 percentile, thick and thin dashes in boxes are mean and median of crop model prediction, and black “+” are the simulated results outside the 10?90 percentile.

2.3 格點(diǎn)作物模型模擬偏差

將由不同氣候資料和管理措施情景驅(qū)動的格點(diǎn)作物模型的平均模擬結(jié)果，分別與中國區(qū)域FAO和SYB歷年統(tǒng)計的水稻平均產(chǎn)量進(jìn)行對比，計算其在中國不同區(qū)域的偏差，結(jié)果見圖3。從圖可以看出，所有模擬結(jié)果的偏差范圍在?6000～2000kg·hm?2。格點(diǎn)作物模型整體表現(xiàn)較好的有GEPIC、LPJML、PDSSAT、PEPIC，模擬較差的格點(diǎn)作物模型有CLM-CROP和EPIC-BOKU，但每個模型由于輸入的氣候資料和管理措施不同，在中國不同區(qū)域的模擬情況也不同。由于FAO與SYB的差異較小，因此，偏差的結(jié)果基本相差不大。CGMS-WOFOST在東北地區(qū)的偏差較小，對華南、長江中下游地區(qū)的偏差較大；CLM-CROP在不同種植管理情景和不同氣候數(shù)據(jù)驅(qū)動下的結(jié)果除了華南地區(qū)，偏差均小于?4000kg·hm?2，華南地區(qū)偏差稍小，但也達(dá)到了?3000kg·hm?2左右，模擬效果較差；EPIC-BOKU模型在不同種植管理情景和不同氣候數(shù)據(jù)驅(qū)動下的模擬偏差較大，但對于不同驅(qū)動數(shù)據(jù)模擬結(jié)果較為穩(wěn)定，均在?2500～3500kg·hm?2；GEPIC在Default情景下對中國南方地區(qū)模擬較好，對東北地區(qū)模擬較差，而在Fullharm和Harmnon情景下偏差較大；LPJML在不同地區(qū)的偏差變化較大，在東北地區(qū)的偏差較小，在Default情景下會高估水稻產(chǎn)量，而在Harmnon情景下則會低估水稻產(chǎn)量，Harmnon情景下西南地區(qū)的偏差較?。籔DSSAT在大部分模擬時段的偏差會稍大，F(xiàn)ullharm和Harmnon情景下模擬的東北地區(qū)水稻產(chǎn)量偏差過低，其余地區(qū)相差不大，Default情景下模擬的偏差較大；PEPIC模型在所有種植管理情景下對西南地區(qū)的模擬偏差均較小，其它情況下比實(shí)際水稻產(chǎn)量偏小1000～2500kg·hm?2，不同種植管理情景和不同氣候數(shù)據(jù)下的結(jié)果偏差相差不大。

2.4 格點(diǎn)作物模型模擬結(jié)果泰勒圖

相對于FAO和SYB的統(tǒng)計水稻產(chǎn)量，對所有模擬結(jié)果在中國不同區(qū)域的模擬表現(xiàn)做泰勒圖，如圖4所示。由圖可見，由于FAO及SYB的統(tǒng)計產(chǎn)量相差不大，因此，每個區(qū)域泰勒圖的表現(xiàn)無明顯差異，只有在信度水平檢驗(yàn)時全國平均結(jié)果均通過0.05的水平顯著性檢驗(yàn)，在不同水稻主產(chǎn)區(qū)會有不超過2個模型的結(jié)果未通過0.05水平顯著性檢驗(yàn)，例如在長江中下游地區(qū)僅PDSSAT-AGMERRA-FULLHARM未通過0.05水平顯著性檢驗(yàn)。從圖可以看出，F(xiàn)AO和SYB統(tǒng)計水稻產(chǎn)量的標(biāo)準(zhǔn)差較大，這是由于統(tǒng)計的水稻產(chǎn)量總體呈上升趨勢導(dǎo)致的，而模擬結(jié)果的標(biāo)準(zhǔn)差較小，可能是由于格點(diǎn)作物模型無法完全模擬出技術(shù)進(jìn)步、作物品種更新等因素對水稻產(chǎn)量增長的影響。對于CN區(qū)域來說，相對于SYB和FAO的統(tǒng)計水稻產(chǎn)量，LPJML-AGMERRA-DEFAULT的模擬結(jié)果相關(guān)系數(shù)最大，R值達(dá)到0.71，LPJML- WFDEI.GPCC- DEFAULT和PDSSAT-AGMERRA- DEFAULT的R值也均達(dá)到0.5以上，有16個模型的模擬結(jié)果與FAO和SYB水稻產(chǎn)量呈負(fù)相關(guān)，20個呈正相關(guān)。在東北地區(qū)，僅PDSSAT-AGMERRA- DEFAULT未通過95%的信度檢驗(yàn)，模擬效果最好的為LPJML- AGMERRA-DEFAULT和EPIC-BOKU-WFDEI.GPCC-DEFAULT，R值均達(dá)0.5以上，也有50%左右的模擬結(jié)果呈負(fù)相關(guān)；在華南地區(qū)，模擬效果最好的為LPJML-AGMERRA-DEFAULT，R僅在0.49，其余的模擬結(jié)果均較差；在西南地區(qū)，所有模擬結(jié)果均通過99%的信度水平檢驗(yàn)，模擬效果最好的為LPJML-AGMERRA-DEFAULT，相對于FAO和SYB的水稻產(chǎn)量，R值均在0.45以上，有一半（18個）的模擬結(jié)果呈負(fù)相關(guān)；對于長江中下游地區(qū)，LPJML-AGMERRA-DEFAULT的模擬結(jié)果最好，但是R值較低，分別為0.39（FAO）和0.4（SYB），超過50%的模擬結(jié)果為負(fù)相關(guān)。綜上所述，不同作物模型模擬的結(jié)果差異較大，大部分模擬效果較差，甚至部分模擬結(jié)果的相關(guān)系數(shù)出現(xiàn)負(fù)值，加之由于模型模擬科技進(jìn)步等的能力較弱，因此，標(biāo)準(zhǔn)差均較遠(yuǎn)偏離FAO與SYB水稻產(chǎn)量的標(biāo)準(zhǔn)差。

圖3 格點(diǎn)作物模型模擬的1980?2009年中國不同地區(qū)水稻產(chǎn)量與FAO和SYB觀測值的偏差熱力圖（kg·hm?2）

2.5 模擬水稻產(chǎn)量技巧評分

通過式（1）和式（2）計算各作物模型對中國區(qū)域的模擬技巧評分S1和S2及其標(biāo)準(zhǔn)差之比s（表3），從表3可以看出，S1較高的模擬結(jié)果大部分為LPJML和PDSSAT的模擬結(jié)果，S1最低的兩個格點(diǎn)作物模型為EPIC-BOKU和CLM-CROP。對于不同的種植管理制度，Default情景下的S1較高，模擬效果較好，這可能是由于Default情景下的作物品種、種植管理制度等輸入?yún)?shù)已經(jīng)本地化，比Fullharm和Harmnon情景更適于中國地區(qū)。由于FAO和SYB水稻產(chǎn)量差異不大，因此技巧評分雖有差異，但差異較小。對于技巧評分S2，LPJML、PDSSAT和GEPIC模型評分較高，說明這些格點(diǎn)作物模型在空間上的模擬效果較好，Default情景下的評分大部分高于Fullharm和Harmnon情景下，模擬效果較好。綜合S1和S2來看，LPJML和PDSSAT模型在所有格點(diǎn)作物模型中對于方差和空間上的模擬效果較好。

圖4 格點(diǎn)作物模型模擬的中國不同區(qū)域1980?2009年水稻產(chǎn)量相對于FAO和SYB泰勒圖

表3 不同氣候資料和種植管理情景驅(qū)動的格點(diǎn)作物模型模擬結(jié)果技巧評分S1、S2和s

2.6 格點(diǎn)作物模型空間模擬情況

多種格點(diǎn)作物模型集合平均水稻產(chǎn)量（Multi- gridded crop model ensemble，MME）相對于FAO和SYB水稻產(chǎn)量的R、RMSE和Bias 的空間分布結(jié)果如圖5所示，其中R和RMSE為每個格點(diǎn)上不同年份的MME平均，Bias為MME全部年份平均產(chǎn)量減去FAO或SYB的水稻產(chǎn)量。根據(jù)技巧評分S1和S2，選擇排名前5的模擬作為最優(yōu)多種格點(diǎn)作物模型集合平均（MME-S），與MME進(jìn)行比較。從圖中可以看出，MME在中國不同地區(qū)差異較大，同時加強(qiáng)了部分表現(xiàn)較差的格點(diǎn)作物模型對于中國地區(qū)的模擬效果，但R整體表現(xiàn)不高，大部分地區(qū)R值都在0.6以下，RMSE有較少地區(qū)低于1000kg·hm?2，各個地區(qū)均低估了水稻的產(chǎn)量，F(xiàn)AO和SYB情景下的模擬結(jié)果基本相同。東北地區(qū)黑龍江和吉林的MME模擬的R較大，但RMSE也較大，大部分RMSE在3000kg·hm?2以上，在遼寧MME的R較低，模擬效果較差，東北地區(qū)的Bias也較高，說明顯著低估了東北地區(qū)的水稻產(chǎn)量。MME在西南地區(qū)的表現(xiàn)較好，在貴州南部、云南R較高，RMSE較低，Bias也較小。對于長江中下游地區(qū)和華南地區(qū)來說，在浙江、江西、福建、廣東等省R值基本在0.2以上，RMSE在2000kg·hm?2左右，低估水稻產(chǎn)量2000kg·hm?2左右，其余大部分地區(qū)R值在0.2以下，模擬效果一般。綜合來看，MME在中國地區(qū)模擬效果一般，大部分地區(qū)R值在0.3左右，且RMSE較大，整體低估了水稻產(chǎn)量，尤其在東北和長江以南的地區(qū)模擬效果較差，較多低估了水稻產(chǎn)量，平均在2000kg·hm?2以上。相對于MME，MME-S極大提高了東北、華南和長江中下游地區(qū)R值，大部分東北、華南和長江中下游地區(qū)R值可以達(dá)到0.5左右；RMSE在東北、長江中下游地區(qū)有了顯著的降低， RMSE在2000kg·hm?2左右，相比MME減少了1000kg·hm?2左右，在西南地區(qū)RMSE升高，模擬效果變差；MME-S在R和RMSE效果提升的同時極大減少了全國的Bias，除了東北和西南地區(qū)，全國大部地區(qū)的Bias在2000kg·hm?2之內(nèi)，未大范圍低估全國水稻產(chǎn)量。MME對于中國地區(qū)模擬效果較差且低估了水稻產(chǎn)量，主要是由于部分格點(diǎn)作物模型如CLM-CROP的結(jié)果較差，極大影響了MME在中國地區(qū)的表現(xiàn)，因此，MME想要較好地模擬中國地區(qū)的水稻產(chǎn)量，需選擇適合的格點(diǎn)作物模型作為集合成員進(jìn)行MME的集合平均。

圖5 多種格點(diǎn)作物模型集合平均（MME）和最優(yōu)多種格點(diǎn)作物模型集合平均（MME-S）相對于FAO和SYB的R、RMSE和Bias空間分布

3 結(jié)論與討論

利用ISIMIP結(jié)果中2種不同氣候資料和3種種植管理情景驅(qū)動的7種全球格點(diǎn)作物模型，模擬中國各區(qū)域水稻產(chǎn)量結(jié)果，對比來自FAO及中國農(nóng)業(yè)農(nóng)村部種植業(yè)管理司（SYB）統(tǒng)計的水稻產(chǎn)量，對中國不同區(qū)域格點(diǎn)作物模型模擬的結(jié)果進(jìn)行了時間、空間上的不確定性評估。得出如下結(jié)論：

（1）格點(diǎn)作物模型能夠一定程度上反映氣候變化對水稻產(chǎn)量的影響，但不能較好地反映FAO和SYB統(tǒng)計的水稻產(chǎn)量上升的趨勢。不同格點(diǎn)作物模型之間的模擬結(jié)果差異較大，在不同區(qū)域各格點(diǎn)作物模型的模擬效果有顯著不同，大部分模擬結(jié)果低估了水稻產(chǎn)量。

（2）不同格點(diǎn)作物模型對氣候變化和種植管理情景的響應(yīng)和敏感性不同，其中LPJML和PDSSAT模型對不同氣候資料和種植管理情景的變化最敏感，同時模擬效果也最好，CLM-CROP模型對不同氣候資料和種植管理情景的變化最不敏感且模擬效果最差。

（3）不同水稻產(chǎn)量的統(tǒng)計數(shù)據(jù)會對格點(diǎn)作物模型的不確定性評估造成一定影響，但由于FAO和SYB的水稻產(chǎn)量相差不大，對評估結(jié)果影響較小，因此，選擇準(zhǔn)確的統(tǒng)計水稻產(chǎn)量作為不同格點(diǎn)作物模型的驗(yàn)證在不確定性評估中十分重要。

（4）綜合模擬偏差、泰勒圖和兩種技巧評分S1和S2，7種格點(diǎn)作物模型中LPJML和PDSSAT在中國不同區(qū)域的模擬效果最好。對于不同種植管理情景，Default情景下的模擬效果顯著優(yōu)于Fullharm和Harmnon的模擬效果。

（5）多種格點(diǎn)作物模型集合平均（MME）可以有效降低單個格點(diǎn)作物模型模擬的誤差，但是如果其中有一些模擬誤差過大的格點(diǎn)作物模型，會對MME的結(jié)果產(chǎn)生較大的影響，因此，需要選擇表現(xiàn)較好的格點(diǎn)作物模型作為MME的集合成員。

格點(diǎn)作物模型較多考慮了氣候變化和種植管理對水稻產(chǎn)量的影響，但未考慮其它因子，如科技進(jìn)步、病蟲害等。格點(diǎn)作物模型現(xiàn)階段使用的部分輸入數(shù)據(jù)較簡單，如Default情景中每年初始種植日期僅將中國分為兩個區(qū)域，氮磷鉀施肥數(shù)據(jù)也較為簡單，將會導(dǎo)致模擬不準(zhǔn)確，與Iizumi等[40]的分析相似。輸入數(shù)據(jù)不準(zhǔn)確會導(dǎo)致格點(diǎn)作物模型難以模擬出實(shí)際水稻產(chǎn)量，所以輸入數(shù)據(jù)包括種植日期、施肥、田間種植管理方式（例如種植行間距、株距等）、作物品種數(shù)據(jù)等需本地化到較高的分辨率。本研究僅將中國地區(qū)的平均水稻年產(chǎn)量作為實(shí)際水稻產(chǎn)量，這只能反映水稻產(chǎn)量的部分時空變化情況，并不能完全反映出全國范圍內(nèi)的水稻產(chǎn)量空間變化情況。今后的研究中可利用更詳細(xì)（例如縣級）的水稻生育期、產(chǎn)量等數(shù)據(jù)進(jìn)行模型的驗(yàn)證評估。Müller等[4]對模擬結(jié)果的評估方式較為簡單，因此，研究選擇技巧評分S1和S2對模擬結(jié)果進(jìn)行定量綜合評估。另外，僅利用1980?2009年FAO和SYB的統(tǒng)計水稻產(chǎn)量對模擬產(chǎn)量進(jìn)行了評估，對不同作物模型之間機(jī)理性差異解釋較少，對未來不同氣候情景下的模擬結(jié)果尚未進(jìn)行研究，這將是下一步研究的方向。

致謝：

感謝參與運(yùn)行模型、協(xié)調(diào)和公開ISIMIP輸出結(jié)果的同行，感謝參與ISIMIP計劃的作物模型團(tuán)隊(duì)（見表1）和ISIMIP跨部門科學(xué)團(tuán)隊(duì)提供的數(shù)據(jù)支持。

[1] Rosenzweig C,Elliott J,Deryng D,et al.Assessing agricultural risks of climate change in the 21st century in a global gridded crop model intercomparison[J].Proceedings of the National Academy of Sciences of the United States of America,2014, 111(9):3268-3273.

[2] Davidb L,Marshallb B.On the use of statistical models to predict crop yield responses to climate change[J].Agricultural & Forest Meteorology,2010,150(11):1443-1452.

[3] Elliott J,Müller 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.

[4] Müller C,Elliott J,Chryssanthacopoulos J,et al.Global gridded crop model evaluation:benchmarking,skills,deficiencies and implications[J].Geoscientific Model Development,2017,10(4): 1403-1422.

[5] Folberth C,Elliott J,Müller C,et al.Uncertainties in global crop model frameworks:effects of cultivar distribution, crop management and soil handling on crop yield estimates[J]. Biogeosciences Discussions,2016,(12):1-30.

[6] Asif S,Naqvi A,Ashfaq M,et al.Current agricultural productionsystem of punjab is vulnerable to climate change[J].2017,55(1): 125-135.

[7] Frieler K,Schauberger B,Arneth A,et al.Understanding the weather signal in national crop-yield variability[J].Earth’s Future,2017,5(6):605-616.

[8] Iizumi T,Yokozawa M,Sakurai G,et al.Historical changes in global yields:major cereal and legume crops from 1982 to 2006[J].Global Ecology and Biogeography,2014,23(3): 346-357.

[9] Ray D K,Ramankutty N,Mueller N D,et al.Recent patterns of crop yield growth and stagnation[J].Nature Communications, Nature Publishing Group,2012,(3):1293-1297.

[10] Li T,Hasegawa T,Yin X,et al.Uncertainties in predicting rice yield by current crop models under a wide range of climatic conditions[J].Global Change Biology,2015,21(3):1328-1341.

[11] Schleussner C-F,Deryng D,Müller C,et al.Crop productivity changes in 1.5℃ and 2℃ worlds under climate sensitivity uncertainty[J].Environmental Research Letters,2018,13(6): 064007.

[12] Rosenzweig C,Ruane A C,Antle J,et al.Coordinating AgMIP data and models across global and regional scales for 1.5 ℃and 2.0 ℃ assessments[J].Phil. Trans.R.Soc.A.,2017,376(2199): 20160455.

[13] 張祎, 趙艷霞. 多模式集合模擬氣候變化對玉米產(chǎn)量的影響[J].中國生態(tài)農(nóng)業(yè)學(xué)報,2017,25(6):941-948.

Zhang W,Zhao Y X.Multi-model emsemble for simulation of the impact of climate change on maize yield[J].Chinese Journal of Eco-Agriculture,2017,25(6):941-948.(in Chinese)

[14] 黃健熙,黃海,馬鴻元,等.基于MCMC方法的WOFOST模型參數(shù)標(biāo)定與不確定性分析[J].農(nóng)業(yè)工程學(xué)報,2018, 34(16):113-119.

Huang J X,Huang H,Ma H Y,et al.Markov chain monte carlo based WOFOST model parameters calibration and uncertainty analysis[J].Transactions of the CSAE,2018,34(16): 113-119.(in Chinese)

[15] 楊絢,湯緒,陳葆德,等.利用CMIP5多模式集合模擬氣候變化對中國小麥產(chǎn)量的影響[J].中國農(nóng)業(yè)科學(xué),2014,47(15): 3009-3024.

Yang X,Tang X,Chen B D,et al.Impacts of climate change on wheat yield in China simulated by CMIP5 multi-model ensemble projections[J].Scientia Agricultura Sinica,2014, 47(15):3009-3024.(in Chinese)

[16] 姚鳳梅,秦鵬程,張佳華,等.基于模型模擬氣候變化對農(nóng)業(yè)影響評估的不確定性及處理方法[J].科學(xué)通報,2011, 56(8):547-555.

Yao F M,Qin P C,Zhang J H,et al.Uncertainties in assessing the effect of climate change on agriculture using model simulation and uncertainty processing methods[J].Chin Sci Bull,2011,56(8):547-555.(in Chinese)

[17] 楊偉才,毛曉敏.氣候變化影響下作物模型的不確定性[J]. 排灌機(jī)械工程學(xué)報,2018,36(9):874-879,902.

Yang W C,Mao X M.Uncertainty of crop models under influence of climate change[J].Journal of Drainage and Irrigation Machinery Engineering,2018,36(9):874-879,902. (in Chinese)

[18] 秦鵬程,姚鳳梅,曹秀霞,等.利用作物模型研究氣候變化對農(nóng)業(yè)影響的發(fā)展過程[J].中國農(nóng)業(yè)氣象,2011,32(2):240-245.

Qin P C,Yao F M,Cao X X,et al.Development process of modeling impacts of climate change on agricultural productivity based on crop models[J].Chinese Journal of Agrometeorololy,2011,32(2):240-245.(in Chinese)

[19] de Wit A J W,van Diepen C A.Crop growth modelling and crop yield forecasting using satellite-derived meteorological inputs[J].International Journal of Applied Earth Observation and Geoinformation,2008,10(4):414-425.

[20] Drewniak B,Song J,Prell J,et al.Modeling agriculture in the Community Land Model[J].Geoscientific Model Development, 2013,6(2):495-515.

[21] Izaurralde R C,Williams J R,McGill W B,et al.Simulating soil C dynamics with EPIC:model description and testing against long-term data[J].Ecological Modelling,2006,192(3-4): 362-384.

[22] Williams J R.The EPIC model in:computer models of watershed hydrology,singh,VP[M].Water Resources Publications, Highlands Ranch,Colorado,USA,1995.

[23] Waha K,van Bussel L G J,Müller C,et al.Climate‐driven simulation of global crop sowing dates[J].Global Ecology and Biogeography,Wiley Online Library,2012,21(2):247-259.

[24] Bondeau A,Smith P C,Zaehle S,et al.Modelling the role of agriculture for the 20th century global terrestrial carbon balance[J].Global Change Biology,2007,13(3):679-706.

[25] Liu J,Williams J R,Zehnder A J B,et al.GEPIC-modelling wheat yield and crop water productivity with high resolution on a global scale[J].Agricultural Systems,2007,94(2):478-493.

[26] Elliott J,Kelly D,Chryssanthacopoulos J,et al.The parallel system for integrating impact models and sectors(pSIMS) [J].Environmental Modelling and Software,Elsevier Ltd, 2014,62(2014):509-516.

[27] Jones J W,Hoogenboom G,Porter C H,et al.The DSSAT cropping system model[J].European Journal of Agronomy, 2003,18(3-4):235-265.

[28] Folberth C, Skalsky R, Moltchanova E, et al. Uncertainty in soil data can outweigh climate impact signals in global crop yield simulations[J]. Nature Communications, 2016, 7(May): 11872.

[29] Liu W, Yang H, Folberth C, et al. Global investigation of impacts of PET methods on simulating crop-water relations for maize[J]. Agricultural and Forest Meteorology, Elsevier, 2016, 221: 164-175.

[30] Weedon G P,Gomes S,Viterbo P,et al.Creation of the WATCH forcing data and its use to assess global and regional reference crop evaporation over land during the twentieth century[J].Journal of Hydrometeorology,2011,12(5): 823-848.

[31] Sacks W J,Deryng D,Foley J A,et al.Crop planting dates:an analysis of global patterns[J].Global Ecology and Biogeography,2010,19(5):607-620.

[32] Portmann F, Siebert S, Bauer C, et al. Global dataset of monthly growing areas of 26 irrigated crops[J]. Frankfurt Hydrology Paper, 2008,60:400.

[33] Portmann F T, Siebert S, D?ll P. MIRCA2000-Global monthly irrigated and rainfed crop areas around the year 2000: A new high-resolution data set for agricultural and hydrological modeling[J]. Global Biogeochemical Cycles, 2010,24(1).

[34] Mueller N D, Gerber J S, Johnston M, et al. Closing yield gaps through nutrient and water management[J]. Nature, 2013,494(7437):390.

[35] Potter P, Ramankutty N, Bennett E M, et al. Characterizing the spatial patterns of global fertilizer application and manure production[J]. Earth Interactions, 2010,14(1):1-22.

[36] Foley J A, Ramankutty N, Brauman K A, et al. Solutions for a cultivated planet[J]. Nature, 2011,145(7369):337-342.

[37] Nelson A, Gumma M K. A map of lowland rice extent in the major rice growing countries of Asia[OL].2015, http:// irri.org/our-work/research/policy-and-markets/mapping.

[38] Feng M, Huang C, Channan S, et al. Quality assessment of Landsat surface reflectance products using MODIS data[J]. Computers and Geosciences, Elsevier, 2012, 38(1): 9-22.

[39] Taylor K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research Atmospheres, 2001, 106(D7): 7183-7192.

[40] Iizumi T, Ramankutty N. How do weather and climate influence cropping area and intensity[J]. Global Food Security, 2015, 4: 46-50.

Uncertainty Evaluation of Rice Gridded Crop Model in China

SUN Qing1, 2, YANG Zai-qiang1, 2, CHE Xiang-hong3, YANG Shi-qiong1, 2, WANG Lin1, 2, ZHENG Xiao-hui4

(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Jiangsu Key Laboratory of Agricultural Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044; 3. Chinese Academy of Surveying & Mapping, Beijing 100830; 4. College of Global Change and Earth System Science, Beijing Normal University, Beijing 100875)

Crop model is a widely-used strategy to evaluate the impact of climate change imposed on agriculture. The inter-comparison of gridded crop model is still at initial stage in China, thus making it crucial to comprehensively evaluate the performance of each global gridded crop model (GGCM). Using the statistics derived from Food and Agricultura Organization of the United Nations(FAO) and Ministry of Agriculture and Rural Affairs of the People’s Republic of China(SYB) statistical rice yearly mean yield, this paper compared the simulated rice yields of 7 GGCMs (i.e. CGMS-WOFOST, CLM-CROP, EPIC-BOKU, GEPIC, LPJML, PDSSAT and PEPIC), which are driven by 2 climate datasets (AgMERRA and WFDEI-GPCC) and 3 management scenarios (Default, Fullharm and Harmnon) from 1980 to 2009 in China. The comparisons show that the simulated rice yields from different GGCMs have significant discrepancy in different regions of China. Each GGCM has different response and sensitiveness to climate datasets and management scenarios. The majority of simulations underestimate rice yield in China even though different statistical rice yield data will affect evaluation results. To some degree, GGCMs are able to simulate the inter-annual variation of rice yield and climate change effects, but hardly simulate the pattern of rice yield increase of statistics. The analyses of rice yield fluctuation on temporal and spatial aspect demonstrate LPJML and PDSSAT perform better among 7 GGCMs using 2 skill score approaches, and are most sensitive to different climate datasets and management scenarios, while CLM-CROP have lowest stimulation accuracy. In terms of management scenarios, the simulation on Default scenario performs dramatically better than that of Fullharm and Harmnon scenarios. In addition, Multi-gridded crop model ensemble (MME) could reduce simulation error compared to single GGCM, but requires suitable members to precisely perform MME.

Global gridded crop model (GGCM); The Inter-Sectoral Impact Model Intercomparison Project (ISIMIP); Rice yield; Multi-crop model ensemble (MME)

10.3969/j.issn.1000-6362.2019.03.001

孫擎,楊再強(qiáng),車向紅,等.水稻格點(diǎn)作物模型在中國區(qū)域的不確定性評估[J].中國農(nóng)業(yè)氣象,2019,40(3):135-148

2018-08-22

。E-mail: yzq@nuist.edu.cn

國家留學(xué)基金；江蘇省研究生培養(yǎng)創(chuàng)新工程項(xiàng)目（KYLX16_0944）

孫擎（1989-），博士生，主要從事作物模型、農(nóng)業(yè)氣象災(zāi)害及風(fēng)險研究。E-mail: sunqingmeteo@gmail.com