孫 擎，楊再強(qiáng),2**，楊世瓊，王 琳，趙和麗，韋婷婷，李佳帥，車向紅，鄭曉輝

?

多種格點(diǎn)作物模型對(duì)中國(guó)區(qū)域水稻產(chǎn)量模擬能力評(píng)估*

孫 擎1，楊再強(qiáng)1,2**，楊世瓊1，王 琳1，趙和麗1，韋婷婷1，李佳帥1，車向紅3，鄭曉輝4

（1. 南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)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(guó)測(cè)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）

基于部門間影響模型比較計(jì)劃（The Inter-Sectoral Impact Model Intercomparison Project，ISIMIP）FAST-TRACK輪模擬中由5種國(guó)際耦合模式比較計(jì)劃第五階段（CMIP5）全球氣候資料驅(qū)動(dòng)下的6種水稻格點(diǎn)作物模型模擬水稻產(chǎn)量的結(jié)果，評(píng)估了格點(diǎn)作物模型模擬中國(guó)區(qū)域水稻歷史產(chǎn)量（1980?2004年）的時(shí)空分布模擬效果，并基于多種作物模型等權(quán)重集合平均（Multi-Crop Models Ensemble，MCME）對(duì)未來（2020?2099年）4種不同典型濃度路徑（Recommended Concentration Pathways，RCPs）情景下的中國(guó)區(qū)域水稻產(chǎn)量進(jìn)行預(yù)估。結(jié)果表明：相對(duì)于單種水稻模型模擬的結(jié)果，采用MCME可以有效提高水稻模型在中國(guó)區(qū)域的模擬能力。MCME模擬中國(guó)區(qū)域水稻歷史年平均產(chǎn)量相關(guān)系數(shù)R和RMSE分別為0.798和1540.6kg·hm?2，在空間上對(duì)東北和西南地區(qū)模擬效果較好，其它地區(qū)模擬效果一般，模擬水稻產(chǎn)量的空間變率較大。未來隨著氣溫和CO2濃度的上升，水稻產(chǎn)量呈增加趨勢(shì)，在RCP8.5情景下中國(guó)區(qū)域平均水稻產(chǎn)量在21世紀(jì)末增加最多，達(dá)到22%，RCP6.0情景下約增產(chǎn)15%，RCP2.6和RCP4.5情景下水稻產(chǎn)量在21世紀(jì)上半葉增產(chǎn)，21世紀(jì)下半葉產(chǎn)量保持穩(wěn)定甚至略有下滑，在21世紀(jì)末分別增產(chǎn)約4%和10%，在空間上東北和西南地區(qū)水稻增產(chǎn)較多，可達(dá)40%以上，其它水稻主產(chǎn)區(qū)如長(zhǎng)江中下游地區(qū)和華南地區(qū)增產(chǎn)較小。

水稻；格點(diǎn)作物模型；RCPs情景；多種作物模型集合

農(nóng)業(yè)對(duì)氣候變化包括氣溫、降水、CO2濃度[1]的響應(yīng)非常敏感。中國(guó)是世界最大的水稻生產(chǎn)國(guó)[2]，養(yǎng)活了世界上最多的人口，同時(shí)也是受到氣候變化影響最大的國(guó)家之一。IPCC第五次評(píng)估報(bào)告(Fifth Assessment Report, AR5)[3]指出，21世紀(jì)末全球地表氣溫上升可能超過1.5℃，其中RCP6.0和RCP8.5情景下升溫有可能超過2℃，預(yù)估至2050年每10a的糧食需求將增加約14%，同時(shí)水資源、生態(tài)、能源等領(lǐng)域?qū)⒚媾R更大的風(fēng)險(xiǎn)。因此，預(yù)測(cè)未來水稻產(chǎn)量對(duì)國(guó)家糧食安全和農(nóng)業(yè)適應(yīng)氣候變化的研究都有重要意義[4]。

研究氣候變化對(duì)農(nóng)業(yè)生產(chǎn)影響常使用控制試驗(yàn)及作物模型等方法。控制試驗(yàn)一般通過FACE（Free-Air CO2Enrichment， FACE）試驗(yàn)[5]、人工氣候箱控制試驗(yàn)[6]等，其優(yōu)點(diǎn)是模擬準(zhǔn)確，對(duì)于作物生長(zhǎng)中的生理生化機(jī)理解釋清晰，但有較明顯的局限性，例如不同氣象因子間的相互作用存在限制、作物品種單一、試驗(yàn)花費(fèi)較高等。在現(xiàn)階段，作物模型、作物模型與氣候模式耦合逐漸成為農(nóng)業(yè)受氣候變化影響評(píng)價(jià)研究中的主要手段，尤其是在較大區(qū)域的評(píng)估中。Zhao等[4]比較了統(tǒng)計(jì)模型、區(qū)域作物模型和全球格點(diǎn)作物模型的結(jié)果，得出在無CO2肥效、適應(yīng)氣候變化措施和作物品種改良的情況下，溫度升高會(huì)導(dǎo)致全球水稻產(chǎn)量降低。每升溫1℃，全球水稻產(chǎn)量平均將減少3.2%[7]。Dias等[8]利用3種作物模型研究了甘蔗的產(chǎn)量變化，得出多種作物模型集合可以減少模擬誤差并增加模擬的準(zhǔn)確性。Maiorano等[9]通過比較15種小麥作物模型的結(jié)果，發(fā)現(xiàn)多作物模型集合可以有效降低單個(gè)作物模型模擬的不確定性，可減少27%的不確定性并提升47%的預(yù)報(bào)功能。Schleussner等[10]利用7種全球格點(diǎn)作物模型（Global Gridded Crop Model，GGCM）的結(jié)果，得出隨著氣溫及CO2濃度的上升，尤其在較高幅度的氣溫及CO2上升情景下，全球水稻、小麥等作物的產(chǎn)量會(huì)上升5%～10%。Li等[11]利用4個(gè)站點(diǎn)不同水平灌溉、氮素試驗(yàn)的水稻數(shù)據(jù)評(píng)估了13種水稻模型的模擬效果，表明多作物模型集合可以有效降低誤差至10%以下，升溫將使水稻產(chǎn)量降低4.8%～55.2%，CO2倍增將使產(chǎn)量增加20.6%～26.2%。以往研究通常在全球尺度進(jìn)行，很少對(duì)區(qū)域結(jié)果進(jìn)行詳細(xì)評(píng)估。中國(guó)大部分研究報(bào)道均使用單種作物模型，采用不同氣候資料或利用一種氣候資料不同典型濃度路徑（Recommended Concentration Pathways，RCPs）情景下的數(shù)據(jù)輸入作物模型得到產(chǎn)量預(yù)測(cè)的結(jié)果[12-[13][14]15]，較少進(jìn)行作物模型間的比較或者不同氣候模式驅(qū)動(dòng)下結(jié)果的比較評(píng)估且研究區(qū)域較小。多模式集合的方法已經(jīng)在氣候模式的研究評(píng)估中有較為廣泛的應(yīng)用[16-18,17,16]，但對(duì)多種氣候資料不同RCPs情景作為輸入資料、多種作物模型間的集合比較評(píng)估在中國(guó)很少有研究報(bào)道。

本研究在5種國(guó)際耦合模式比較計(jì)劃第五階段[17]（Coupled Climate Model Intercomparison Project 5，CMIP5）氣候模式數(shù)據(jù)驅(qū)動(dòng)下，對(duì)6種全球格點(diǎn)作物模型模擬的水稻年產(chǎn)量對(duì)比實(shí)際水稻產(chǎn)量從中國(guó)區(qū)域尺度、單個(gè)格點(diǎn)尺度、單種作物模型、多種作物模型集合等方面進(jìn)行時(shí)間、空間模擬效果的分析評(píng)估，在此基礎(chǔ)上對(duì)21世紀(jì)中國(guó)區(qū)域未來不同時(shí)間段水稻產(chǎn)量進(jìn)行預(yù)估，以期在未來氣候變化背景下為中國(guó)水稻產(chǎn)量的預(yù)測(cè)、糧食安全、風(fēng)險(xiǎn)評(píng)估和農(nóng)業(yè)適應(yīng)氣候變化的研究提供科學(xué)支撐。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

所用數(shù)據(jù)為部門間影響模型比較計(jì)劃[19]（The Inter-Sectoral Impact Model Intercomparison Project，ISIMIP）FAST-TRACK輪模擬的全球格點(diǎn)作物模型的結(jié)果，包括6種作物模型即EPIC[20]、GEPIC[20-21]、IMAGE[22]、LPJ-GUESS[23-24,23]、LPJML[25-26,25]和PDSSAT[27-28,27]，由5種CMIP5的氣候資料包括HadGEM2-ES、IPSL-CM5A-LR、MIROC-ESM- CHEM、GFDL-ESM2M和 NorESM1-M驅(qū)動(dòng)（分別簡(jiǎn)寫為HADGEM、IPSL、MIROC、GFDL和NORESM），同時(shí)受到CO2濃度、共享社會(huì)經(jīng)濟(jì)路徑[29]（The Shared Socio-Economic Pathways 2，SSP2）的影響，典型濃度路徑包括RCP2.6、RCP4.5、RCP6.0和RCP8.5，氣候資料包括溫度、降水、濕度、風(fēng)速和太陽輻射等；將氣候模式由自身的網(wǎng)絡(luò)重新投影到分辨率為0.5°′0.5°的格點(diǎn)上，并進(jìn)行誤差訂正[30-31]，格點(diǎn)作物模型數(shù)據(jù)為2016年數(shù)據(jù)結(jié)果（表1），netCDF4格式，空間分辨率為0.5°′0.5°。由于水稻一般進(jìn)行充足灌溉，雨養(yǎng)較少，因此，僅分析評(píng)估無水分限制的情況。

表1 ISIMIP水稻格點(diǎn)作物模型基本信息列表

Table 1 Information of gridded rice model from ISIMIP (The Inter-Sectoral Impact Model Intercomparison Project)

（續(xù)表）

作物模型 Crop model氣候資料Climate data氣候情景 Climate scenario模擬年份 Simulation year作物模型 Crop model氣候資料Climate data氣候情景 Climate scenario模擬年份 Simulation year LPJ-GUESSNORESM1-MRCP2.62006?2099PDSSATGFDL-ESM2MHISTORICAL1971?2005 RCP8.52006?2099RCP2.62006?2099 LPJMLGFDL-ESM2MHISTORICAL1971?2005RCP4.52006?2099 RCP2.62006?2099RCP6.02006?2099 RCP4.52006?2099RCP8.52006?2099 RCP6.02006?2099HADGEM2-ESHISTORICAL1971?2004 RCP8.52006?2099RCP2.62005?2099 HADGEM2-ESHISTORICAL1971?2004RCP4.52005?2099 RCP2.62005?2099RCP6.02005?2099 RCP4.52005?2099RCP8.52005?2099 RCP6.02005?2099IPSL-CM5A-LRHISTORICAL1971?2005 RCP8.52005?2099RCP2.62006?2099 IPSL-CM5A-LRHISTORICAL1971?2005RCP4.52006?2099 RCP2.62006?2099RCP6.02006?2099 RCP4.52006?2099RCP8.52006?2099 RCP6.02006?2099MIROC-ESM-CHEMHISTORICAL1971?2005 RCP8.52006?2099RCP2.62006?2099 MIROC-ESM-CHEMHISTORICAL1971?2005RCP4.52006?2099 RCP2.62006?2099RCP6.02006?2099 RCP4.52006?2099RCP8.52006?2099 RCP6.02006?2099NORESM1-MHISTORICAL1971?2005 RCP8.52006?2099RCP2.62006?2099 NORESM1-MHISTORICAL1971?2005RCP4.52006?2099 RCP2.62006?2099RCP6.02006?2099 RCP4.52006?2099RCP8.52006?2099 RCP6.02006?2099 RCP8.52006?2099

ISIMIP由波茨坦氣候影響研究所（Potsdam Institute for Climate Impact Research，PIK）和國(guó)際應(yīng)用系統(tǒng)分析研究所（International Institute for Applied Systems Analysis，IIASA）發(fā)起，有全球超過100個(gè)模型組參與研究（https://www.isimip.org/）[30][19, 30,32-33]。ISIMIP FAST-TRACK是第一輪模擬，主題是評(píng)估21世紀(jì)全球不同變暖水平下多個(gè)學(xué)科部門的預(yù)測(cè)，主要內(nèi)容是利用5種全球氣候模式（Global Climate Models，GCM）及不同RCPs情景驅(qū)動(dòng)多種作物、水文、生態(tài)等模型預(yù)測(cè)未來21世紀(jì)在不同增溫水平下的變化情況。

1.2 研究區(qū)域

利用的水稻種植掩膜數(shù)據(jù)為IRRI（The International Rice Research Institute，國(guó)際水稻研究機(jī)構(gòu)）的基于MODIS反演的水稻種植格點(diǎn)數(shù)據(jù)[34]，原數(shù)據(jù)的分辨率為500m，然后利用Feng的方法[35]將其重新投影到0.5°′0.5°的格點(diǎn)上，得到中國(guó)區(qū)域水稻種植的格點(diǎn)掩膜和每個(gè)格點(diǎn)上水稻種植的面積數(shù)據(jù)（圖1），作為歷史及未來水稻種植的區(qū)域，此后計(jì)算的中國(guó)平均水稻產(chǎn)量只計(jì)算有水稻種植的區(qū)域。由于格點(diǎn)作物模型的結(jié)果在所有格點(diǎn)上均運(yùn)行格點(diǎn)作物模型，因此會(huì)有許多格點(diǎn)產(chǎn)量非常低，使用水稻掩膜數(shù)據(jù)以減少不種植水稻地區(qū)的數(shù)據(jù)對(duì)全國(guó)平均水稻產(chǎn)量的誤差。

1.3 水稻產(chǎn)量觀測(cè)資料

用來評(píng)估歷史時(shí)期水稻產(chǎn)量模擬情況的觀測(cè)數(shù)據(jù)為每個(gè)省水稻統(tǒng)計(jì)產(chǎn)量數(shù)據(jù)，來源于中國(guó)農(nóng)業(yè)農(nóng)村部種植業(yè)管理司（http://zzys.agri.gov.cn/nongqing. aspx），臺(tái)灣省數(shù)據(jù)來自FAO，不包括香港及澳門地區(qū)數(shù)據(jù)，利用ArcGIS 10.4制作成分省的掩膜及產(chǎn)量數(shù)據(jù)集，格式為netCDF4。由于不同作物模型模擬的時(shí)段各不相同，為便于比較、評(píng)估，統(tǒng)一選擇時(shí)段1980?2004年為歷史模擬時(shí)段。

圖1 來自國(guó)際水稻研究機(jī)構(gòu)IRRI的中國(guó)區(qū)域水稻種植面積比例圖（0.5°′0.5°分辨率，2000年）

1.4 水稻產(chǎn)量評(píng)估方法

模擬結(jié)果評(píng)估采用的指標(biāo)為均方根誤差（Root mean square error，RMSE）、相關(guān)系數(shù)（Correlation coefficient，R）和標(biāo)準(zhǔn)差（Standard deviation，SD）。

2 結(jié)果與分析

2.1 作物模型模擬歷史年平均水稻產(chǎn)量結(jié)果評(píng)估

2.1.1 水稻全區(qū)平均產(chǎn)量年際變化模擬情況

圖2為6個(gè)作物模型分別在5種氣候資料驅(qū)動(dòng)下的中國(guó)區(qū)域水稻平均年產(chǎn)量（命名為：作物模型-氣候資料）、多種氣候資料驅(qū)動(dòng)下的單種作物模型水稻平均年產(chǎn)量（作物模型-MEAN）、全部模擬結(jié)果的水稻平均年產(chǎn)量集合平均（CN-MEAN）和所有省份等權(quán)重年平均水稻產(chǎn)量觀測(cè)值（OBS-MEAN），共38組。由圖可以看出，1980?2004年水稻產(chǎn)量整體呈上升趨勢(shì)，平均產(chǎn)量從4000kg·hm?2增至6000kg·hm?2左右，但其中某些年份也有小幅回落，如1988、1992、2000等年份。格點(diǎn)作物模型模擬的結(jié)果均未出現(xiàn)較明顯的上升趨勢(shì)，僅有小幅的年際波動(dòng)，這與每年不同的氣候條件有關(guān)。但從歷年產(chǎn)量的數(shù)值大小看，各模型或各種條件下模擬的結(jié)果間存在明顯差異，與實(shí)測(cè)值間的差距也明顯不同。其中LPJ-GUESS模型模擬的水稻產(chǎn)量最少，僅在1400kg·hm?2左右，EPIC模型模擬效果也較差，在2300～2400kg·hm?2之間波動(dòng)，模擬產(chǎn)量遠(yuǎn)低于實(shí)測(cè)產(chǎn)量的平均值。IMAGE模型模擬的水稻年平均產(chǎn)量最高，在8000～9000kg·hm?2，模擬產(chǎn)量遠(yuǎn)高于實(shí)測(cè)產(chǎn)量的平均值。GEPIC和LPJML模型模擬20世紀(jì)80年代初期的水稻產(chǎn)量較好，年平均產(chǎn)量在4000～5000kg·hm?2之間波動(dòng)，與水稻實(shí)際年產(chǎn)量較為接近，之后年份低估水稻的年平均產(chǎn)量。PDSSAT模型模擬結(jié)果在1990年之后與OBS-MEAN的結(jié)果非常接近，模擬效果較好，年平均產(chǎn)量在6000kg·hm?2左右。

圖2 水稻格點(diǎn)作物模型模擬的中國(guó)區(qū)域年平均水稻產(chǎn)量和觀測(cè)值（1980?2004年）

注：標(biāo)簽名稱為作物模型-氣候資料、作物模型-MEAN（單種作物模型平均水稻年產(chǎn)量的等權(quán)重集合平均）、CN-MEAN（全部模擬結(jié)果的平均水稻年產(chǎn)量等權(quán)重集合平均）以及OBS-MEAN（觀測(cè)的水稻年平均產(chǎn)量）。下同。

Note: The legend names are Crop Model-Climate Dataset, Crop Model-MEAN (single crop model ensemble with same weights), CN-MEAN (all crop model ensemble with same weights) and OBS-MEAN (observed rice yield). The same as below.

圖3為中國(guó)水稻格點(diǎn)作物模型年平均產(chǎn)量結(jié)果的泰勒?qǐng)D，同時(shí)根據(jù)式（1）?式（3）計(jì)算每個(gè)作物模型結(jié)果的R、RMSE和SD，結(jié)果如表2所示。從圖3和表2可以得知，對(duì)于未進(jìn)行集合平均的單個(gè)模擬結(jié)果來說，由GFDL驅(qū)動(dòng)的LPJML模型其相關(guān)系數(shù)R最大，為0.725，R最小的是由MIROC驅(qū)動(dòng)的PDASSAT模型，為?0.339。由GFDL和HADGEM驅(qū)動(dòng)的格點(diǎn)作物模型的R一般高于由其它氣候資料驅(qū)動(dòng)的格點(diǎn)作物模型。每個(gè)作物模型的RMSE差異較大，但由不同氣候資料驅(qū)動(dòng)的同一作物模型 RMSE較小的格點(diǎn)作物模型大多為L(zhǎng)PJML模型的結(jié)果，在900kg·hm?2左右，RMSE最大的水稻格點(diǎn)作物模型為L(zhǎng)PJ-GUESS模型，RMSE在4300kg·hm?2左右，與實(shí)際水稻產(chǎn)量差距較大，低估60%以上。中國(guó)區(qū)域的水稻實(shí)際年平均產(chǎn)量的標(biāo)準(zhǔn)差較大，這主要是由于實(shí)際水稻產(chǎn)量的上升較快造成的，而所有格點(diǎn)作物模型模擬結(jié)果的標(biāo)準(zhǔn)差較小，這主要是由于水稻格點(diǎn)作物模型結(jié)果年際變化較小，水稻產(chǎn)量較為穩(wěn)定，也就無法很好地反應(yīng)水稻年平均產(chǎn)量的上升趨勢(shì)，這可能是由于現(xiàn)有的作物模型尚未考慮種植水稻的技術(shù)進(jìn)步和水稻品種的更替等原因，因此現(xiàn)有的作物模型模擬的結(jié)果只能反應(yīng)氣候的變化趨勢(shì)。對(duì)于多種氣候資料驅(qū)動(dòng)的單種作物模型水稻平均年產(chǎn)量集合平均的結(jié)果來說，相關(guān)系數(shù)R有了明顯的提升，模擬最好的LPJML-MEAN其R達(dá)到了0.759，R最小的模型為PDASSAT-MEAN，僅0.246，其余模型的R在0.5～0.6，除PDSSAT模型的集合平均結(jié)果外，其余作物模型的集合平均結(jié)果R均達(dá)到顯著相關(guān)。CN-MEAN的R達(dá)到0.798，與OBS-MEAN極顯著相關(guān)，但是多作物模型集合平均的結(jié)果CN-MEAN的RMSE和標(biāo)準(zhǔn)差相對(duì)于單種作物模型的集合平均結(jié)果提升較少，RMSE為1540.6kg·hm?2，標(biāo)準(zhǔn)差與實(shí)際水稻產(chǎn)量相差較大，為79.5，只能部分反映出水稻年平均產(chǎn)量上升的趨勢(shì)。

圖3 水稻格點(diǎn)作物模型模擬中國(guó)區(qū)域水稻年平均產(chǎn)量與實(shí)際產(chǎn)量關(guān)系的泰勒?qǐng)D（1980?2004年）

表2 水稻格點(diǎn)作物模型結(jié)果相對(duì)于觀測(cè)產(chǎn)量的標(biāo)準(zhǔn)差、相關(guān)系數(shù)和RMSE

2.1.2 水稻產(chǎn)量空間模擬情況

圖4為水稻格點(diǎn)作物模型模擬1980?2004年水稻產(chǎn)量與觀測(cè)產(chǎn)量的相關(guān)系數(shù)（R）的空間分布。從圖可以看出，各個(gè)作物模型在不同氣候資料的驅(qū)動(dòng)下每個(gè)格點(diǎn)模擬產(chǎn)量與實(shí)際產(chǎn)量的相關(guān)系數(shù)R也不盡相同，空間分布差異較大。EPIC模型在東北地區(qū)的黑龍江和吉林、西南地區(qū)的重慶和貴州模擬較好，在華南地區(qū)如福建等地的模擬效果較差；GEPIC模型在東北及西南地區(qū)的模擬效果比其它地區(qū)較好；IMAGE模型區(qū)域間的模擬效果差異極大，在東北地區(qū)及云南、廣西、廣東等地模擬效果較好，但是對(duì)于長(zhǎng)江中下游地區(qū)模擬效果非常差，這可能是由于模型自身的問題或輸入?yún)?shù)缺乏所導(dǎo)致；LPJ-GUESS模型整體的R并不高，僅在利用MIROC氣候資料驅(qū)動(dòng)的情況下在長(zhǎng)江中下游、福建等地的模擬效果稍好；而LPJML模型模擬結(jié)果與LPJ-GUESS類似，這可能是由于LPJML和LPJ-GUESS均基于LPJ模型，模型整體框架及物理過程相類似的原因；對(duì)于PDASSAT模型來說，利用各個(gè)氣候資料驅(qū)動(dòng)的空間模擬結(jié)果，大部分地區(qū)的R在0.5以下。

圖4 水稻格點(diǎn)作物模型中國(guó)區(qū)域產(chǎn)量相對(duì)于觀測(cè)產(chǎn)量相關(guān)系數(shù)（R）的空間分布（1980-2004年）

圖5為水稻格點(diǎn)作物模型模擬1980?2004年水稻產(chǎn)量與觀測(cè)產(chǎn)量的RMSE分布圖，從圖可以看出，不同作物模型的RMSE在空間分布上存在較大差異，同一種作物模型在不同地區(qū)間也存在較大差異。EPIC模型在東北地區(qū)的遼寧、吉林等省，西南地區(qū)的四川、重慶等省的RMSE較大，最高可達(dá)5000kg·hm?2，長(zhǎng)江中下游及華南地區(qū)RMSE稍小，但也達(dá)3000kg·hm?2；GEPIC模型在全國(guó)大部分地區(qū)的RMSE都很小，在2000kg·hm?2以內(nèi)，僅在東北地區(qū)稍大，為2500～4500kg·hm?2，可見其模擬效果較好；IMAGE模型在大多數(shù)地區(qū)的RMSE都很大，超過4000kg·hm?2，僅在四川、重慶等地的模擬效果較好，RMSE在1500kg·hm?2以下；LPJ-GUESS模型在中國(guó)區(qū)域的模擬效果較差，RMSE均在4000kg·hm?2以上，僅部分地區(qū)如江西、安徽等地RMSE稍小，但也在2500kg·hm?2左右；LPJML模型在東北部分地區(qū)和云南的RMSE稍高，余下全國(guó)絕大多數(shù)地區(qū)的RMSE均在1500kg·hm?2以下，模擬效果較好；PDSSAT模型的模擬效果一般，全國(guó)大部分地區(qū)在1500～3000kg·hm?2，僅在安徽、湖北、東北的部分地區(qū)模擬水稻產(chǎn)量的RMSE較大?？傮w看來，GEPIC和LPJML模擬水稻產(chǎn)量在中國(guó)區(qū)域的RMSE較低，表現(xiàn)最好，與實(shí)際水稻產(chǎn)量接近。

分別將6個(gè)作物模型在所有氣候模式及情景下的格點(diǎn)模擬結(jié)果進(jìn)行等權(quán)重集合平均（圖6），與全部水稻格點(diǎn)作物模型等權(quán)重集合平均（CN），并計(jì)算與實(shí)際水稻產(chǎn)量的R和RMSE空間分布情況。從圖6可以看出，EPIC模型在西南及東北地區(qū)的R和RMSE都較高，其它地區(qū)模擬效果一般；GEPIC模型的模擬在西南地區(qū)稍好，R較高的同時(shí)RMSE較低，東北地區(qū)雖然R較高但是RMSE也較高，其它地區(qū)R較低，RMSE也較低；IMAGE模型對(duì)廣東、廣西、云南等地的模擬效果較好，但是在R較高的同時(shí)RMSE也較高，其它地區(qū)模擬效果較差；LPJ-GUESS模型對(duì)中國(guó)區(qū)域的模擬較差，模擬產(chǎn)量非常低，因此RMSE偏高，需要對(duì)模型的輸入數(shù)據(jù)進(jìn)行較大改進(jìn)或?qū)δＰ蛢?nèi)部的相關(guān)模擬過程進(jìn)行較多調(diào)整；LPJML模型對(duì)于中國(guó)區(qū)域的模擬效果相對(duì)于別的作物模型來說較好，相關(guān)系數(shù)R大部分地區(qū)在0.25以上，同時(shí)RMSE也較低；PDASSAT模型對(duì)中國(guó)區(qū)域的模擬較差，只有華南、華北、西南部分地區(qū)的RMSE較低，東北地區(qū)模擬效果稍好，相關(guān)系數(shù)R較高且RMSE較低；將所有模型的結(jié)果進(jìn)行等權(quán)重平均（CN）后，東北地區(qū)的相關(guān)系數(shù)R較高，但該地區(qū)的RMSE也較高，長(zhǎng)江中下游地區(qū)的RMSE較低，但是相關(guān)系數(shù)R也較低，西南地區(qū)模擬效果最好，R較高的同時(shí)RMSE較低。綜合作物模型模擬水稻年產(chǎn)量時(shí)間、空間分布的結(jié)果來看，CN-MEAN的模擬效果最好，優(yōu)于單個(gè)格點(diǎn)作物模型集合平均的結(jié)果，因此選取全部模型等權(quán)重集合平均的結(jié)果對(duì)中國(guó)區(qū)域未來水稻產(chǎn)量進(jìn)行預(yù)測(cè)分析。

圖5 水稻格點(diǎn)作物模型中國(guó)區(qū)域產(chǎn)量相對(duì)于觀測(cè)產(chǎn)量的RMSE分布（1980?2004年）

圖6 單個(gè)水稻格點(diǎn)作物模型等權(quán)重集合平均與全部水稻格點(diǎn)作物模型等權(quán)重集合平均（CN）在中國(guó)區(qū)域水稻模擬年產(chǎn)量相對(duì)于觀測(cè)產(chǎn)量的R與RMSE分布（1980?2004年）

2.2 作物模型模擬未來水稻產(chǎn)量變化情況

2.2.1年際變化

多作物模型集合平均的模擬能力較強(qiáng)，其結(jié)果能夠較好地反映未來在不同氣候情景下中國(guó)區(qū)域水稻產(chǎn)量的時(shí)空分布變化。圖7為水稻格點(diǎn)作物模型在不同RCPs氣候情景下模擬的21世紀(jì)中國(guó)區(qū)域平均水稻產(chǎn)量年際變化。從圖可以看出，多作物模型集合平均結(jié)果下的歷史及未來中國(guó)區(qū)域年平均水稻產(chǎn)量呈現(xiàn)逐漸上升趨勢(shì)，但在不同RCPs情景下水稻產(chǎn)量的變化趨勢(shì)也各不相同，在RCP2.6情景下中國(guó)水稻平均產(chǎn)量在21世紀(jì)上半葉有較大的增長(zhǎng)趨勢(shì)，從2006年的4524.22kg·hm?2增至2050年的4890.07kg·hm?2，但在21世紀(jì)后半葉產(chǎn)量增長(zhǎng)陷入停滯，甚至有小幅回落，基本穩(wěn)定在4800～4900kg·hm?2，21世紀(jì)末整體增產(chǎn)在4%左右。由于ISIMIP FAST-TRACK數(shù)據(jù)的限制，在RCP4.5和RCP6.0情景下，只有18個(gè)格點(diǎn)作物模型的結(jié)果，導(dǎo)致模擬結(jié)果較全部作物模型集合平均（RCP2.6與RCP8.5情景下模擬的水稻產(chǎn)量）的結(jié)果偏高，且與歷史平均產(chǎn)量不銜接，因此，將RCP4.5和RCP6.0情景下的水稻產(chǎn)量結(jié)果以模擬歷史產(chǎn)量最后一年為基準(zhǔn)，所有年份的水稻產(chǎn)量降至與歷史產(chǎn)量相同的水平上，即RCP4.5和RCP6.0情景下的水稻產(chǎn)量均減去2004年模擬的水稻平均產(chǎn)量（圖8）。從圖8可以看出，在RCP4.5和RCP6.0情景下的中國(guó)水稻平均產(chǎn)量模擬結(jié)果均呈現(xiàn)上升趨勢(shì)，RCP6.0情景下在21世紀(jì)上半葉水稻產(chǎn)量上升較慢，RCP4.5情景下上升較快，至21世紀(jì)最后30a，RCP6.0情景下的水稻產(chǎn)量和產(chǎn)量的增長(zhǎng)速率均超過RCP4.5情景下，但均小于RCP8.5情景下，21世紀(jì)末RCP4.5整體增產(chǎn)10%左右，RCP6.0增產(chǎn)15%左右；對(duì)于RCP8.5情景下的水稻平均產(chǎn)量，21世紀(jì)全程均保持較高的增長(zhǎng)速度，最高產(chǎn)量在5500kg·hm?2左右，高于其余RCPs情景下的水稻產(chǎn)量，在21世紀(jì)末增產(chǎn)22%左右。說明隨著CO2濃度及氣溫的升高，中國(guó)區(qū)域的未來水稻產(chǎn)量將增產(chǎn)。這也提示在對(duì)未來水稻產(chǎn)量進(jìn)行分析時(shí)，應(yīng)選取更多的作物模型進(jìn)行集合，以消除單個(gè)作物模型模擬的誤差，同時(shí)還應(yīng)注意格點(diǎn)作物模型結(jié)果不同版本的問題，例如ISIMIP FAST-TRACK輪的模擬從開始到現(xiàn)階段，經(jīng)歷過多次更新，使用不同版本的數(shù)據(jù)也可能造成誤差。

圖7 不同氣候情景下多格點(diǎn)作物模型集合平均對(duì)中國(guó)區(qū)域水稻平均產(chǎn)量的年際變化模擬

注：陰影部分表示該結(jié)果多格點(diǎn)作物模型集合平均的5%～95%的置信區(qū)間。

Note: Shadings show the 5%–95% ranges across the distribution of individual model simulations.

圖8 RCP4.5和RCP6.0情景下多格點(diǎn)作物模型集合平均模擬的未來水稻產(chǎn)量降至與RCP2.6和RCP8.5同一水平下水稻平均產(chǎn)量（RCP4.5_trans和RCP6.0_trans）的年際變化

2.2.2 空間分布

相對(duì)于1980?2004年歷史時(shí)段模擬的平均水稻產(chǎn)量，水稻格點(diǎn)作物模型在不同RCPs情景下，未來不同時(shí)段中國(guó)區(qū)域平均水稻產(chǎn)量偏差空間分布變化情況如圖9所示。從圖可以看出，在不同RCPs情景下水稻增產(chǎn)的區(qū)域較為一致，東北、華北及西南地區(qū)增產(chǎn)最多。RCP2.6情景下未來不同時(shí)段水稻產(chǎn)量相對(duì)于歷史時(shí)段水稻產(chǎn)量增長(zhǎng)較少，只有在東北、云南等地有600～1200kg·hm?2的增長(zhǎng)。RCP4.5情景下在東北、四川等水稻主產(chǎn)區(qū)均有大幅增長(zhǎng)，全國(guó)各地均有不同增長(zhǎng)，只有在安徽南部、福建等地水稻產(chǎn)量增長(zhǎng)較小，同時(shí)隨著氣溫和CO2濃度的升高，全國(guó)絕大部分地區(qū)水稻產(chǎn)量呈增長(zhǎng)趨勢(shì)。在RCP6.0情景下水稻產(chǎn)量隨著氣溫和CO2濃度的升高呈增長(zhǎng)趨勢(shì)，其中東北、西南地區(qū)呈現(xiàn)較大幅度的增長(zhǎng)，長(zhǎng)江中下游地區(qū)、湖南地區(qū)增長(zhǎng)幅度較小。在RCP8.5情景下，21世紀(jì)上半葉水稻產(chǎn)量增長(zhǎng)較小，僅在東北地區(qū)、西南部分地區(qū)如云南東北部、云南西南部、四川東部呈現(xiàn)小幅增長(zhǎng)，到了21世紀(jì)后期，東北、華北、西南地區(qū)水稻產(chǎn)量呈現(xiàn)較大幅度的增長(zhǎng)，平均增產(chǎn)可達(dá)40%以上，但在長(zhǎng)江中下游地區(qū)、華南地區(qū)增幅較小，增產(chǎn)在1200kg·hm?2以內(nèi)，這可能是由于長(zhǎng)江中下游、華南地區(qū)已經(jīng)有充足的水熱條件，因此產(chǎn)量增長(zhǎng)幅度較小，在東北、西南地區(qū)現(xiàn)階段水熱條件不足，水稻為喜溫作物，因此增溫與增加CO2濃度可能會(huì)對(duì)水稻生長(zhǎng)發(fā)育產(chǎn)生較大有利影響，從而出現(xiàn)產(chǎn)量增幅較大的情況，也可能是由于部分模型會(huì)高估溫度和CO2濃度升高致水稻增產(chǎn)，同時(shí)也體現(xiàn)了高緯及低緯高海拔地區(qū)增暖放大的現(xiàn)象。RCP4.5和RCP6.0的產(chǎn)量增長(zhǎng)幅度較大是由于缺少格點(diǎn)作物模型部分結(jié)果而造成較大的誤差，因此只能分析水稻增產(chǎn)的空間分布，不對(duì)產(chǎn)量進(jìn)行分析或與RCP2.6及RCP8.5情景下的結(jié)果比較。

圖9 相對(duì)于1980?2004年歷史時(shí)段模擬的平均水稻產(chǎn)量，未來多種格點(diǎn)作物模型集合平均在不同RCPs情景下不同時(shí)段對(duì)中國(guó)區(qū)域平均水稻產(chǎn)量模擬偏差的空間分布

3 討論與結(jié)論

3.1 結(jié)論

（1）多種作物模型集合平均的模擬能力要優(yōu)于單個(gè)作物模型。利用單種作物模型的結(jié)果很難給出可信的結(jié)論，同時(shí)作物模型之間、作物模型與觀測(cè)值之間的差別較大。多種作物模型集合平均的相關(guān)系數(shù)R和RMSE較其它作物模型模擬結(jié)果均有較明顯的提升，R和RMSE分別為0.798和1540.6kg·hm?2，能在保持R較高的空間分布情況下維持較低的RMSE，但在空間上的模擬變率較大。

（2）隨著未來氣溫及CO2濃度的升高，水稻產(chǎn)量呈增加的趨勢(shì)。在RCP2.6和RCP4.5情景下，21世紀(jì)上半葉水稻產(chǎn)量增加，但在21世紀(jì)后半葉水稻產(chǎn)量保持穩(wěn)定甚至略有下滑，在RCP6.0和RCP8.5情景下水稻產(chǎn)量會(huì)持續(xù)增長(zhǎng)，增產(chǎn)在不同RCP情景中也是最多的。21世紀(jì)末隨著CO2濃度的升高，在RCP2.6、RCP4.5、RCP6.0和RCP8.5情景下分別增產(chǎn)約4%、10%、15%、22%，這與Li等[11]的研究結(jié)果較為一致。

（3）在不同RCPs氣候情景下，未來氣溫及CO2濃度的升高對(duì)于東北、華北、西南地區(qū)的水稻影響較大，水稻產(chǎn)量有較明顯的增長(zhǎng)，平均可增產(chǎn)40%以上，對(duì)長(zhǎng)江中下游、華南等地的水稻產(chǎn)量影響較小，僅小幅增產(chǎn)或不增產(chǎn)。

3.2 討論

多種作物模型集合平均的結(jié)果雖呈上升趨勢(shì)，但在評(píng)估中無法完全反映水稻實(shí)際年平均產(chǎn)量上升的趨勢(shì)，RMSE較大，這是由于各個(gè)作物模型使用不同的氣候資料驅(qū)動(dòng)，較少或者沒有考慮農(nóng)業(yè)技術(shù)進(jìn)步和水稻品種的改良等對(duì)于水稻產(chǎn)量的影響。ISIMIP FAST-TRACK中多種水稻格點(diǎn)作物模型對(duì)中國(guó)區(qū)域的模擬能力仍有許多不足，這是由于各個(gè)作物模型在某些模塊對(duì)作物生長(zhǎng)發(fā)育的模擬有一定局限性，且在輸入作物模型的數(shù)據(jù)資料中也有不全或大范圍采用相同的輸入數(shù)據(jù)，例如施肥量、種植日期、種植管理方式等在中國(guó)區(qū)域較為單一，同時(shí)氣候資料對(duì)于溫度、降水、輻射等氣象要素的模擬也存在較大不確定性[16-17,16]，這些因素都將導(dǎo)致作物模型模擬效果變差，另外觀測(cè)資料也存在不足，只利用了每個(gè)省的年平均水稻產(chǎn)量，因此評(píng)估及預(yù)估的結(jié)果有一定的不確定性。未來對(duì)中國(guó)水稻產(chǎn)量的評(píng)估可使用更加精細(xì)的水稻格點(diǎn)實(shí)際產(chǎn)量數(shù)據(jù)，可以更好地分析出水稻格點(diǎn)作物模型在空間上的模擬效果。另外本研究?jī)H利用了有CO2濃度強(qiáng)迫下的格點(diǎn)作物模型的結(jié)果，對(duì)于分離溫度與CO2濃度對(duì)模擬結(jié)果的影響并未進(jìn)行研究。

未來可以增加更多、分辨率更高的作物模型輸入資料如灌溉、施肥、作物品種、初始種植日期、田間管理方式等，使作物模型在格點(diǎn)上的模擬更加準(zhǔn)確，另外可以輸入一定的適應(yīng)性措施例如種植或收獲時(shí)間的調(diào)整[36]。格點(diǎn)作物模型主要模擬了一季稻的種植，在未來也可增加模擬雙季稻、三季稻等種植情況。由于不同作物模型模擬效果差異較大，因此在多種作物模型集合中對(duì)作物模型的選擇也非常重要，將直接影響到集合的模擬效果，未來可以對(duì)集合成員的挑選展開研究，選擇模擬效果較好的作物模型作為集合的成員，但多種作物模型集合也可能會(huì)干擾或抵消其中一些集合成員對(duì)作物的某些例如生長(zhǎng)、生理等方面模擬較好的地方，這也是今后需要進(jìn)行研究的方面。此外還可借鑒CMIP5資料的相關(guān)研究方法，利用多作物模型集合平均的方法進(jìn)行研究，如加權(quán)平均的方法[37]，提高作物模型集合的模擬能力，比較作物模型間各個(gè)模塊的模擬過程，并對(duì)作物模型進(jìn)行改進(jìn)等。

致謝：

感謝參與ISIMIP計(jì)劃的作物模型團(tuán)隊(duì)和ISIMIP跨部門科學(xué)團(tuán)隊(duì)提供的數(shù)據(jù)支持。

[1]Wheeler T,Von Braun J.Climate change impacts on global food security[J].Science, 2013,341(6145):508-513.

[2]FAO.FAO-STAT[EB/OL].http://www.fao.org/faostat/en/#data,2017.

[3]IPCC.Climate change 2014:synthesis report.Contribution of working groups I,II and III to the Fifth assessment report of the intergovernmental panel on climate change[M].Core Writing Team,R.K.Pachauri and L.A. Meyer,2014.

[4]Zhao C,Piao S,Wang X,et al.Plausible rice yield losses under future climate warming[J].Nature Plants,2016,3(1):16202.

[5]Cai C,Li G,Yang H,et al.Do all leaf photosynthesis parameters of rice acclimate to elevated CO2,elevated temperature,and their combination,in FACE environments[J].Global Change Biology,2018,24(4):1685-1707.

[6]孫擎, 楊再強(qiáng), 高麗娜,等. 低溫對(duì)早稻幼穗分化期葉片生理特性的影響及其與產(chǎn)量的關(guān)系[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2014,22(11):1326-1333.

Sun Q,Yang Z Q,Gao L N,et al.Effect of low temperature stress on physiological characteristics of flag leaf and its relationship with grain yield during panicle primordium differentiation stage of early rice[J].Chinese Journal of Eco-Agriculture,2014,22(11):1326-1333.(in Chinese)

[7]Zhao C,Liu B,Piao S,et al.Temperature increase reduces global yields of major crops in four independent estimates[J].Proceedings of the National Academy of Sciences of the United States of America,National Academy of Sciences,2017,114(35):9326-9331.

[8]Dias H B,Sentelhas P C.Evaluation of three sugarcane simulation models and their ensemble for yield estimation in commercially managed fields[J].Field Crops Research,Elsevier, 2017,213:174-185.

[9]Maiorano A,Martre P,Asseng S,et al.Crop model improvement reduces the uncertainty of the response to temperature of multi-model ensembles[J].Field Crops Research,2017,202: 5-20.

[10]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.

[11]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.

[12]Masutomi Y,Takahashi K,Harasawa H,et al.Impact assessment of climate change on rice production in Asia in comprehensive consideration of process/parameter uncertainty in general circulation models[J].Agriculture,Ecosystems and Environment,2009,131(3-4):281-291.

[13]李闊,熊偉,潘婕,等.未來升溫1.5℃與 2.0℃背景下中國(guó)玉米產(chǎn)量變化趨勢(shì)評(píng)估[J].中國(guó)農(nóng)業(yè)氣象,2018,39(12):765-777.

Li K,Xiong W,Pan J,et al.Trend evaluation on changes of maize yield in China under global warming by 1.5℃ and 2.0℃[J].Chinese Journal of Agrometeorology,2018,39(12): 765-777.(in Chinese)

[14]周桐宇, 江敏, 孫汪亮,等.RCPs情景下福建省水稻生產(chǎn)的適應(yīng)性調(diào)整模擬研究[J].中國(guó)水稻科學(xué),2018,32(3): 265-276.

Zhou T Y,Jiang M,Sun W L,et al.Simulation of rice adaptability adjustment in Fujian province under RCPs scenarios[J].Chin J Rice Sci,2018,32(3):265-276.(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(duì)中國(guó)小麥產(chǎn)量的影響[J]. 中國(guó)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]Knutti R,Sedlá?ek J.Robustness and uncertainties in the new CMIP5 climate model projections[J].Nature Climate Change, 2012,3(4):369-373.

[17]Taylor K E,Stouffer R J,Meehl G A.An overview of CMIP5 and the experiment design[J].Bulletin of the American Meteorological Society,2012,93(4):485-498.

[18]Guo X,Huang J,Luo Y,et al.Projection of heat waves over China for eight different global warming targets using 12 CMIP5 models[J].Theoretical and Applied Climatology, Springer Vienna,2017,128(3-4):507-522.

[19]Warszawski L,Frieler K,Huber V,et al.The Inter-Sectoral Impact Model Intercomparison Project (ISI-MIP):project framework[J].Proceedings of the National Academy of Sciences,2014,111(9):3228-3232.

[20]Williams J R.The EPIC model in:computer models of watershed hydrology,singh,VP[M].Highlands Ranch,Colorado, USA:Water Resources Publications,1995:909-1000.

[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]Bouwman A F,Kram T,Klein Goldewijk K.Integrated modelling of global environmental change.An overview of IMAGE[M].Netherlands: Netherlands Environmental Assessment Agency,Bilthoven, 2006:225-228.

[23]Lindeskog M,Arneth A,Bondeau A,et al.Implications of accounting for land use in simulations of ecosystem carbon cycling in Africa[J].Earth System Dynamics,2013,4(2):385-407.

[24]Smith B,Prentice I C,Sykes M T.Representation of vegetation dynamics in the modelling of terrestrial ecosystems:comparing two contrasting approaches within European climate space[J].ETEMA SPECIAL ISSUE Global Ecology & Biogeography,2001,10:621-637.

[25]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.

[26]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.

[27]Elliott J,Kelly D,Chryssanthacopoulos J,et al.The parallel system for integrating impact models and sectors pSIMS[A]. Proceedings of the conference on extreme science and engineering discovery environment gateway to discovery[C]. New York: ACM Press, 2013:1.

[28]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.

[29]Fricko O,Havlik P,Rogelj J,et al.The marker quantification of the Shared Socioeconomic Pathway 2:a middle-of-the-road scenario for the 21st century[J].Global Environmental Change, Elsevier Ltd,2017,42:251-267.

[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]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.

[32]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.

[33]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.

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

[35]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.

[36]Wang J,Wang E,Yang X,et al.Increased yield potential of wheat-maize cropping system in the North China Plain by climate change adaptation[J].Climatic Change,2012,113(3-4): 825-840.

[37]Xu Y,Gao X,Giorgi F.Upgrades to the reliability ensemble averaging method for producing probabilistic climate-change projections[J].Climate Research,2010,41(1):61-81.

Evaluations and Projections of Rice Yield from Multi-gridded Crop Model over China

SUN Qing1, YANG Zai-qiang1, 2, YANG Shi-qiong1, WANG Lin1, ZHAO He-li1, WEI Ting-ting1, LI Jia-shuai1, CHE Xiang-hong3, 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)

Based on The Inter-Sectoral Impact Model Intercomparison Project (ISIMIP) FAST-TRACK round’s results, we evaluated rice yield simulations of 6 global gridded crop models (GGCMs) driven by 5 Coupled Model Intercomparison Project Phase 5 (CMIP5) climate datasets from 1980 to 2004 as history period. Subsequently, the multi-crop model ensemble (MCME) was used to predict temporal-spatial distribution of future rice yield over China from the year 2020 to 2099 under different Recommended Concentration Pathways (RCPs). The results showed that MCME provided better performance for historic rice yield distribution with R of 0.798 and RMSE of 1540.6kg·ha?1compared to single crop model results. MCME results showed better simulations in the north-east and south-west regions of China, but had poor performance in other regions. Moreover, the MCME overestimated spatial variability. Furthermore, under the increasing of temperature and CO2concentration, rice yield had the largest growth of nearly 20% in the late 21stcentury under RCP8.5 scenario compare to the early 21stcentury and had a larger growth of 15% under RCP6.0 scenario approximately. For RCP2.6 and RCP4.5 scenarios, rice yield increased in the first half of 21stcentury, and stayed stable or even slightly decreased in the second half of 21stcentury, thus leading to a rise of only 4% and 10% respectively by the late 21stcentury. Rice yield would increase significantly (>40%) in the north-east and south-west regions of China. While other main rice planting areas like middle and lower reaches of Yangtze River and South China only experienced little increase.

Rice；Gridded crop model；RCPs scenarios；Multi-crop model ensemble

10.3969/j.issn.1000-6362.2019.04.001

2018?11?13

。E-mail：yzq@nuist.edu.cn

國(guó)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)害及其風(fēng)險(xiǎn)研究。E-mail: sunqingmeteo@gmail.com

孫擎,楊再強(qiáng),楊世瓊,等.多種格點(diǎn)作物模型對(duì)中國(guó)區(qū)域水稻產(chǎn)量模擬能力評(píng)估[J].中國(guó)農(nóng)業(yè)氣象,2019,40(4):199-213