徐 昆，朱秀芳,2,3，劉 瑩，侯陳瑤

·農(nóng)業(yè)信息與電氣技術·

采用AquaCrop作物生長模型研究中國玉米干旱脆弱性

徐 昆1，朱秀芳1,2,3※，劉 瑩1，侯陳瑤1

（1. 北京師范大學地理科學學部遙感科學與工程研究院，北京 100875；2. 北京師范大學地表過程與資源生態(tài)學國家重點實驗室，北京 100875；3. 北京師范大學環(huán)境演變與自然災害教育部重點實驗室，北京 100875）

干旱脆弱性評價作為干旱風險評估和災損評估的重要環(huán)節(jié)，在保障國家糧食安全和農(nóng)業(yè)可持續(xù)發(fā)展中具有重大意義。該文以中國5大玉米種植區(qū)為研究區(qū)域，以其中241個主要玉米種植城市為基本單元，采用擴展傅里葉幅度檢驗法選取出2個敏感參數(shù)（作物冠層形成后到衰老之前的作物系數(shù)和參考收獲指數(shù)），并在此基礎上對AquaCrop作物模型進行逐市的參數(shù)標定。利用參數(shù)標定后的模型對不同灌溉條件下玉米受到的水分脅迫及相應情景下的產(chǎn)量進行模擬計算，分別建立了5個玉米種植區(qū)對應的干旱脆弱性曲線。結果表明：5個區(qū)域的脆弱性曲線擬合結果均為S形曲線，當干旱強度指標達到0.2附近時，產(chǎn)量損失率開始迅速增加；當干旱強度指標達到0.6左右時，產(chǎn)量損失率接近最大值。擬合函數(shù)的決定系數(shù)2分別在0.47～0.98之間，曲線擬合結果較好，在中國區(qū)域性玉米干旱脆弱性研究與干旱風險評估領域具有一定的理論與應用價值。

干旱；水分脅迫；脆弱性曲線；AquaCrop模型；玉米

0 引 言

自20世紀50年代以來，以變暖為主要特征的全球氣候變化不斷加劇，干旱、洪澇等極端氣象事件發(fā)生的頻率也隨之增加。農(nóng)業(yè)生產(chǎn)在很大程度上依賴于自然氣候條件，極易在氣象災害中受到損失[1-2]。聯(lián)合國政府間氣候變化專門委員會（intergovernmental panel on climate change，IPCC）和聯(lián)合國糧農(nóng)組織（food and agriculture organization of the united nations，F(xiàn)AO）均在報告中指出，農(nóng)業(yè)是最容易受到氣候變化影響的產(chǎn)業(yè)之一[3-5]。而干旱作為因氣候變化引起的常見自然災害之一，因其持續(xù)時間長、影響復雜的特性，被認為是最具破壞性的自然災害之一。過去幾十年，中國干旱事件頻發(fā)[6-9]。2001－2016年，中國年均耕地干旱受災面積約1.85×107hm2，占各類氣象災害受災總面積的近50%，其中絕收面積達到2.16×106hm2[10]。農(nóng)業(yè)干旱已成為威脅中國糧食安全和農(nóng)業(yè)可持續(xù)發(fā)展的重要因素[11-12]。因此，干旱風險評估在農(nóng)業(yè)管理中具有重要意義。

作為對承災體抵抗災害能力的一種度量，脆弱性評估是風險評估的重要基礎。早期的脆弱性評估以定性研究為主[13-14]，后來隨著模糊數(shù)學在風險評價中的應用，脆弱性評估的定量方法得到不斷發(fā)展。目前，常用的定量脆弱性評價方法主要包含3種類型[15-16]：基于歷史災害損失數(shù)據(jù)的脆弱性評價方法[17]、基于指標的脆弱性評價方法[18]以及基于災害損失曲線（脆弱性曲線）的脆弱性評價方法。

脆弱性曲線已廣泛應用于洪水[19-20]、地震[21-23]、臺風[24-25]、滑坡[26-27]、雪崩[28-29]、冰雹[30]等多類災種的脆弱性定量研究中。在農(nóng)業(yè)干旱的研究領域中，隨著多種作物生長模型的迅速發(fā)展，模型構建法成為脆弱性曲線研究的重要方法之一[31]。Yin等[32]基于EPIC作物生長模型，利用水分脅迫指數(shù)構建了全球35個國家和地區(qū)的玉米干旱脆弱性曲線，Guo等[16]在此基礎上加入了環(huán)境因素的考慮，建立了“產(chǎn)量損失-干旱指數(shù)-環(huán)境指標”的三維脆弱性曲面。Wang等[15]、Yue等[33]分別基于EPIC模型構建了中國小麥的區(qū)域性脆弱性曲線，Jia等[34-35]則分別對中國不同區(qū)域的玉米脆弱性曲線進行擬合研究。

上述研究對作物生長模型的校正多采用國家、省份、流域、自然區(qū)劃等較大區(qū)域為模型校正的基本單元，難以保證單元內(nèi)部的自然地理條件的均一性。干旱指標的構建采用水分脅迫指數(shù)的逐日累加的方法，只考慮了干旱的累積效應而忽略了干旱持續(xù)時間的影響，為解決以上問題，該文以中國5大玉米種植區(qū)域內(nèi)的241個玉米種植城市為研究區(qū)域，以地級市為模型校正的基本單元，對AquaCrop作物模型參數(shù)進行逐市的標定，在此基礎上模擬了不同灌溉情景下玉米受到的水分脅迫及對應的產(chǎn)量，使用水分脅迫的日均值代替?zhèn)鹘y(tǒng)的累加值來描述干旱強度，進而構建5個玉米種植區(qū)的干旱脆弱性曲線。

1 研究區(qū)概況

玉米是中國三大主要谷類作物之一。中國玉米種植范圍廣泛，主要集中在東北、華北和西南地區(qū)，形成從東北到西南的一條長而傾斜的玉米種植帶。根據(jù)氣候、土壤、地貌等地理條件以及耕作制度等各項因素，佟屏亞[36]將中國劃分為6個主要玉米種植區(qū)，分別為北方春播玉米種植區(qū)、黃淮海夏播玉米種植區(qū)、西南山地玉米種植區(qū)、南方丘陵玉米種植區(qū)、西北灌溉玉米種植區(qū)以及青藏高原玉米種植區(qū)。

該文在Earth Stat全球作物分布數(shù)據(jù)的基礎上，結合各省市、農(nóng)村的統(tǒng)計年鑒與調(diào)查年鑒，最終選取中國241個主要玉米種植城市作為研究對象。上述241個城市均分布在5個玉米種植區(qū)中：73個在北方春播玉米種植區(qū)，66個在黃淮海夏播玉米種植區(qū)，52個在西南山地玉米種植區(qū)，34個在南方丘陵玉米種植區(qū)，16個在西北灌溉玉米種植區(qū)，如圖1所示。

圖1 中國玉米產(chǎn)區(qū)分布

2 數(shù)據(jù)與方法

2.1 AquaCrop模型原理簡介

AquaCrop是2009年由FAO組織研發(fā)出的一款新型作物生長模型，模型主要包含土壤水分平衡、作物生長模擬和大氣組分3個基本模塊[37]。它是水分驅(qū)動模型[38]，通過控制土壤中可利用水的含量來影響作物產(chǎn)量。FAO灌溉與排水第33號文件給出了作物產(chǎn)量和水分響應的轉換關系，如式（1）所示：

式中Y和0分別為作物的潛在產(chǎn)量和實際產(chǎn)量，kg/m2；ET和ET0分別為作物潛在蒸散量和實際蒸散量，mm；k為產(chǎn)量對水分響應的系數(shù)。

AquaCrop模型對上述方程進行了改進，將蒸散量進一步分為土壤蒸發(fā)量和作物蒸騰量2部分，從而避免了非生產(chǎn)性用水（土壤蒸發(fā)）與生產(chǎn)性用水（作物蒸騰）效應的混淆。最終的生產(chǎn)量以生物量和收獲指數(shù)來表示，用以突出水分脅迫對二者各自的影響。改進后的公式為[37]

式中為最終作物產(chǎn)量，kg/m2；為生物量，kg/m2；HI為收獲指數(shù)；WP為生物量水分生產(chǎn)效率，kg/(m2·mm)；T為作物蒸騰量，mm。

2.2 數(shù)據(jù)說明

AquaCrop作物模型所需的輸入數(shù)據(jù)主要包括4個部分：氣象數(shù)據(jù)、土壤數(shù)據(jù)、作物數(shù)據(jù)和管理數(shù)據(jù)（表1）。在本研究中，氣象數(shù)據(jù)來源于國家氣候中心和歐洲中期天氣預報中心，主要包含中國1979—2015年的氣溫、降水、風速、太陽輻射等；土壤數(shù)據(jù)來自ISRIC世界土壤信息，主要包含土壤質(zhì)地、土壤有機質(zhì)含量和土層剖面等信息；作物數(shù)據(jù)包含作物生長發(fā)育參數(shù)、蒸發(fā)蒸騰參數(shù)、產(chǎn)量形成參數(shù)、脅迫參數(shù)等；管理數(shù)據(jù)則取自于模型默認值。此外，各市的市級玉米單產(chǎn)數(shù)據(jù)來源于中國農(nóng)村統(tǒng)計年鑒以及全國各省統(tǒng)計年鑒，用于AquaCrop模型參數(shù)的校正和驗證。

2.3 研究方法

2.3.1 模型校正與驗證

參數(shù)敏感分析可以有效減少模型校正過程中的數(shù)據(jù)處理量，大幅度提高工作效率。該文采用擴展傅里葉幅度檢驗法（extended Fourier amplitude sensitivity test, EFAST）來進行敏感參數(shù)分析[39-40]。EFAST是一種基于方差分解的全局敏感性分析方法，目前已經(jīng)廣泛應用于多種作物模型[41-44]。該方法通過分解模擬結果的方差獲得各參數(shù)的敏感指數(shù)，參數(shù)的敏感性指數(shù)越大表示該參數(shù)對模型輸出結果的影響越大。研究中選取2個敏感性指數(shù)最大的參數(shù)作為待校正參數(shù)。

在其他非敏感參數(shù)固定的情況下，將待校正的敏感參數(shù)以FAO作物參考手冊中提供的參考值為初始值，在0.7～1.3范圍內(nèi)以0.02為步長進行隨機變化，在所有參數(shù)組合下運行模型并得到對應的模擬產(chǎn)量，然后與統(tǒng)計產(chǎn)量進行擬合，以二者的歸一化均方根誤差（normalized root mean square error，NRMSE）作為模型校正的評價指標。通常認為，當NRMSE達到10%以下為優(yōu)秀，10%～20%之間為良好，20%～30%之間為尚可，大于30%則說明擬合結果較差。

完成模型校正工作后，將標定的參數(shù)組合輸入模型模擬出各市玉米產(chǎn)量，并與統(tǒng)計數(shù)據(jù)進行擬合，以決定系數(shù)（2）作為評價指標，對校正結果進行驗證。

2.3.2 脆弱性曲線構建

利用AquaCrop作物模型中的灌溉管理功能進行灌溉情景設置。情景1為完全灌溉情景，在作物模型中選擇灌溉方式為凈灌溉（net irrigation），設置灌溉水平為100%，即灌溉能夠完全滿足作物生長需求。情景2為無灌溉情景，對應灌溉方式中的雨養(yǎng)（rain-fed），即不灌溉，完全依靠自然降水提供作物生長所需水分的情景。2種情景都處于歷史真實氣象條件、實際土壤條件和默認田間管理條件下，是否存在水分脅迫是2種灌溉情景的唯一區(qū)別。故認為情景1與情景2中模擬產(chǎn)量的差值即為剔除其他環(huán)境脅迫的影響、只由水分脅迫造成的損失，為歷史真實氣候條件下因干旱導致的產(chǎn)量損失值。

表1 數(shù)據(jù)說明

脆弱性曲線是一種定量化表達承災體脆弱性的方法，在該文中用來衡量作物在遭受干旱影響時可能導致的產(chǎn)量損失。故構建脆弱性曲線的關鍵在于干旱強度指標和產(chǎn)量損失指標的設計和構建。

該文使用作物水分脅迫指數(shù)（crop water stress indicator，CWSI）來定義干旱強度指標，式（4）為水分脅迫指數(shù)的計算方式[45]，用作物模型模擬中的實際蒸散量與潛在蒸散量的比值來表示。水分脅迫指數(shù)受到氣象條件、土壤性質(zhì)、作物遺傳參數(shù)以及耕作制度等多種因素的共同影響，取值范圍在0~1之間，指數(shù)越大代表作物受到的水分脅迫越強烈。

式中CWSI為水分脅迫指數(shù)，ET和ET0分別為實際蒸散量和潛在蒸散量，mm。

考慮到干旱的累積效應和干旱持續(xù)時間的影響，筆者將干旱強度指標定義為水分脅迫指數(shù)的日均值：

式中DHI表示干旱強度指數(shù)，CWSI表示第天的水分脅迫指數(shù)，表示生育期天數(shù)，d。

產(chǎn)量損失指標用產(chǎn)量損失率表示：

式中YLR表示玉米因水分脅迫導致的產(chǎn)量損失率，1和2分別表示情景1（完全灌溉）和情景2（無灌溉）條件下的玉米產(chǎn)量，t/hm2。

從AquaCrop模型的模擬輸出結果中提取2個不同灌溉情景下各玉米種植城市歷年的產(chǎn)量，計算其因干旱導致的產(chǎn)量損失率及對應的干旱強度指標。在此基礎上擬合出5個玉米種植區(qū)的干旱脆弱性曲線。已有研究顯示[15,33-34,46]，干旱強度指標和產(chǎn)量損失率之間符合logistic函數(shù)關系。故本研究基于1979—2015年共37 a的長時期歷史情境，使用logistic曲線實現(xiàn)脆弱性曲線擬合。

3 結果與分析

3.1 模型校正與驗證

由參數(shù)敏感性分析得到的2個敏感參數(shù)分別為作物冠層形成后到衰老之前的作物系數(shù)K和參考收獲指數(shù)HI0（表2）。

表2 參數(shù)全局敏感性分析排名前10的參數(shù)

模型校正結果為241個城市的標準參數(shù)組。采用線性回歸結果的斜率、R和nRMSE，通過比較每個城市的模擬產(chǎn)量和統(tǒng)計產(chǎn)量對經(jīng)過參數(shù)校正的模型進行精度檢驗，結果如圖2所示。模擬產(chǎn)量統(tǒng)計產(chǎn)量的皮爾遜相關系數(shù)為0.82，擬合直線的斜率為0.81（通過顯著性檢驗，在0.01水平上顯著），散點集中在1:1線附近，說明利用作物模型模擬出的產(chǎn)量與實際產(chǎn)量接近；2=0.67，擬合程度較高；nRMSE=17%，介于10%～20%之間，結果良好。總體來說，模型校正的精度達到預期水平。經(jīng)驗證后的各城市的率定參數(shù)K為0.315～1.785、HI0為0.144～0.816。

圖2 模型驗證結果

3.2 區(qū)域脆弱性曲線

圖3為中國5個玉米種植區(qū)的干旱脆弱性曲線擬合結果及對應的災損函數(shù)表達式。北方春播玉米種植區(qū)、黃淮海夏播玉米種植區(qū)、西南山地玉米種植區(qū)、南方丘陵玉米種植區(qū)、西北灌溉玉米種植區(qū)的擬和結果對應的2依次為0.93、0.86、0.47、0.70、0.98，總體來說位于北方的3個區(qū)域的擬合效果優(yōu)于南方的2個區(qū)域。由脆弱性曲線擬合結果圖可以看出，5個區(qū)域的擬合曲線均近似為“S”形。當干旱強度指標DHI達到0.2附近時，產(chǎn)量損失率開始迅速增加；當DHI達到0.6左右時，產(chǎn)量損失率接近最大值。

觀察圖中散點可知，西北灌溉玉米種植區(qū)各城市單元的干旱強度明顯高于其他地區(qū)，西南山地區(qū)和南方丘陵區(qū)的干旱強度則明顯最低。表3對241個城市單元的年均干旱強度指數(shù)進行了統(tǒng)計。結果顯示，西北灌溉玉米種植區(qū)的干旱水平最高，所有城市單元的DHI均在0.2以上，其中81.25%的城市高于0.4。其次是北方春播玉米種植區(qū)，近半數(shù)城市單元的DHI達到0.2以上，20%左右超過0.4。再次是黃淮海夏播玉米種植區(qū)和南方丘陵玉米種植區(qū)。干旱水平最低的是西南山地玉米種植區(qū)，該區(qū)域中所有城市單元的DHI均在0.2以下。

圖3 不同玉米種植區(qū)區(qū)域干旱脆弱性曲線

表3 不同干旱強度指標下城市個數(shù)及占比

4 討 論

4.1 模型校正與驗證

作物模型校正和驗證的精度通常會受到多種因素的影響，例如校正單元、樣本數(shù)量以及模型輸入數(shù)據(jù)的質(zhì)量等。在現(xiàn)有全國尺度基于模型模擬的脆弱性曲線研究中，模型校正通常以較大的自然區(qū)域作為基本校正單元[15,33-34,47]。根據(jù)地理學第一定律[48]，如果基本校正單元過大，則難以保證同一區(qū)域內(nèi)的均質(zhì)化，同一組標定參數(shù)不能真實反映區(qū)域內(nèi)的地理環(huán)境差異，從而導致作物模型的模擬結果產(chǎn)生較大的誤差。故本研究采用市級行政單元作為作物模型的基本校正單元，有效提高了同一校正單元內(nèi)地理環(huán)境的相似性，從而提高了模型的模擬運算精度。

除去基本校正單元的選擇，還有一些其他因素可能影響模型參數(shù)標定的精度。研究中采用擴展傅里葉幅度檢驗法選取了2個敏感參數(shù)進行標定，但其他非敏感參數(shù)同樣對模型模擬結果存在或多或少的影響；同時由于缺乏實際的田間管理數(shù)據(jù)（如灌溉、施肥、農(nóng)藥、地表覆蓋等），研究中采用模型默認值作為輸入，同樣可能導致模擬結果的誤差；此外，對不同玉米品種間作物參數(shù)差異的忽略也可能是模型校正不確定性的來源之一。

4.2 干旱指標構建

在已有的研究中，基于水分脅迫構建干旱指標的方法通常采用生育期內(nèi)每日水分脅迫指數(shù)的累加值來計算干旱強度指數(shù)，常用的2種計算方法如式（7）[16,32]和式（8）[33,47,49]所示：

式中DHI代表第年第個區(qū)域/格網(wǎng)的干旱強度指數(shù)，CWSI為第年中第天的水分脅迫指數(shù)，max(DHI)和min(DHI)分別代表第個區(qū)域/格網(wǎng)中所有站點/場景下歷年DHI的最大值和最小值。這2種方法均采用以水分脅迫指數(shù)累加值計算干旱強度指數(shù)DHI的方法（稱為累加法）。這種方法存在2個弊端：1）累加法只考慮到作物干旱的累積效應而忽略了干旱持續(xù)時間的影響。當作物因干旱提前死亡而導致生育期提前結束的情況下，模型模擬會提前結束，由累加法計算得到的干旱強度將會比實際值偏小，這將可能導致干旱脆弱性曲線擬合過程中出現(xiàn)DHI值偏小而對應產(chǎn)量損失率接近1的異常點，使得脆弱性曲線擬合結果出現(xiàn)偏差。2）由于累加法計算得到的DHI值通常大于1，為了使DHI的取值范圍落在0~1之間，上述公式均對累加結果進行了標準化處理。但是這樣一來，不僅干旱強度指數(shù)失去了其作為水分脅迫指數(shù)的真實物理意義，同時不同區(qū)域之間也會失去可比性。

本研究中用水分脅迫指數(shù)的日均值（式（6））代替?zhèn)鹘y(tǒng)的累加值，提出了更加合理的干旱強度指數(shù)構建方法。當一個情景中不存在作物提前死亡的情況時，使用日均法與累加法構建的干旱強度指數(shù)是相同的，而當作物因干旱死亡、提前結束生育期的情景下，使用日均值能夠有效解決干旱指數(shù)計算小于真實值的問題，從而提高脆弱性曲線擬合的精度；同時也使得不同情景之間更具可比性，因此日均法的適用范圍更為廣泛。此外，由于水分脅迫指數(shù)的取值范圍本身就介于0~1之間，不需要進行額外的標準化處理，故很容易對不同區(qū)域間干旱強度指數(shù)的大小進行統(tǒng)計和比較。綜上，該文中在傳統(tǒng)累加法的基礎上改進后得到的日均法更適用于脆弱性曲線研究中干旱強度指標的構建。

4.3 作物在不同生長階段對干旱的響應

該文僅研究了玉米在完整生育期中產(chǎn)量受水分脅迫的影響，在構建脆弱性曲線的時候，各生長階段的水分脅迫大小在干旱致在強度的計算中是等權重的。但事實上，由于作物在不同生長階段對水分的需求有所差異，在相同的水分脅迫強度下產(chǎn)生的影響也應有所不同。故在未來的研究中，應當進一步完善對作物在不同生長階段對干旱強度的響應規(guī)律，在建立干旱強度指標時對不同階段的水分脅迫賦予相應的權重，進一步增加作物干旱脆弱性曲線的理論和實用價值。

5 結 論

該文以中國5大玉米種植區(qū)域中的241個玉米種植城市為研究單元，在對AquaCrop作物模型完成參數(shù)標定的基礎上，提出了基于模型模擬的脆弱性曲線構建方法。主要結果如下：

1）AquaCrop作物模型中，對玉米產(chǎn)量變化最為敏感的2個參數(shù)分別是作物冠層形成后到衰老之前的作物系數(shù)和參考收獲指數(shù)。對這2個敏感參數(shù)在241個玉米種植城市中進行逐市標定，最終得到對應241個城市的241個標準參數(shù)組。驗證的結果表明，模型校正的精度較高（2=0.67）。

2）5個玉米種植區(qū)的玉米干旱脆弱性曲線擬合結果均接近“S”形，當干旱強度指標（drought hazard index, DHI）達到0.2附近時，產(chǎn)量損失率開始迅速增加；當DHI達到0.6左右時，產(chǎn)量損失率接近最大值。北方春播玉米種植區(qū)、黃淮海夏播玉米種植區(qū)、西南山地玉米種植區(qū)、南方丘陵玉米種植區(qū)、西北灌溉玉米種植區(qū)擬合函數(shù)的決定系數(shù)依次為0.93、0.86、0.47、0.70、0.98，曲線擬合結果較好，在中國區(qū)域性玉米干旱脆弱性研究方面具有一定參考價值，在干旱風險評估領域具有一定的實際應用價值。

[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, 2014, 111(9): 3268－3273.

[2]Xie W, Xiong W, Pan J, et al. Decreases in global beer supply due to extreme drought and heat[J]. Nature Plants, 2018, 4(11):964－973.

[3]IPCC. Climate change 2007: Impact, adaption, and vulnerability[M]. Cambridge: Cambridge University Press, 2007.

[3]IPCC. Climate change 2014: Impact, adaption, and vulnerability[M]. Cambridge: Cambridge University Press, 2014.

[4]FAO. Global report on food crises 2017[R/OL]. 2017-03-28 [2019-05-01]. http://www.fao.org

[5]何斌，武建軍，呂愛鋒. 農(nóng)業(yè)干旱風險研究進展[J]. 地理科學進展，2010，29(5)：557－564.

He Bin, Wu Jianjun, Lü Aifeng. New advances in agricultural drought risk study[J]. Progress in Geography, 2010, 29(5): 557－564. (in Chinese with English abstract)

[6]Dai A. Increasing drought under global warming in observations and models[J]. Nature Climate Change, 2012, 3(1): 52－58.

[7]Chen H, Sun J. Changes in drought characteristics over China using the standardized precipitation evapotranspiration index[J]. Journal of Climate, 2015, 28(13): 5430－5447.

[8]Yao N, Li Y, Lei T, et al. Drought evolution, severity and trends in mainland China over 1961－2013[J]. Science of the Total Environment, 2018, 616/617: 73－89.

[10]國家統(tǒng)計局. 中國統(tǒng)計年鑒[M]. 北京：中國統(tǒng)計出版社, 2017.

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

[12]Leng G, Tang Q, Rayburg S. Climate change impacts on meteorological, agricultural and hydrological droughts in China[J]. Global & Planetary Change, 2015, 126(126): 23－34.

[13]Birkmann J. Measuring vulnerability to promote disaster- resilient societies: Conceptual frameworks and definitions[M]. Measuring Vulnerability to Natural Hazards: Towards Disaster Resilient Societies. Tokyo: United Nations University Press, 2006.

[14]Wisner B. At risk: Natural hazards, people’s vulnerability and disasters[M]. London: Psychology Press, 2004.

[15]Wang Z, He F, Fang W, et al. Assessment of physical vulnerability to agricultural drought in China[J]. Natural Hazards, 2013, 67(2): 645－657.

[16]Guo H, Zhang X, Lian F, et al. Drought risk assessment based on vulnerability surfaces: A case study of maize[J]. Sustainability, 2016, 8(8): 813.

[17]Dilley M. Natural disaster hotspots: A global risk analysis[J]. Uwe Deichmann, 2005, 20(4): 1－145.

[18]Wu H, Wilhite D A. An operational agricultural drought risk assessment model for Nebraska, USA[J]. Natural Hazards, 2004, 33(1): 1－21.

[19]Smith D I. Flood damage estimation: A review of urban stage-damage curves and loss functions[J]. Water SA, 1994, 20(3): 231－238.

[20]Dutta D, Herath S, Musiakec K. A mathematical model for flood loss estimation[J]. Journal of Hydrology, 2003, 277(1/2): 24－49.

[21]Singhal A, Kiremidjian A S. Method for probabilistic evaluation of seismic structural damage[J]. Journal of Structural Engineering, 1996, 122(12): 1459－1467.

[22]Colombi M, Borzi B, Crowley H, et al. Deriving vulnerability curves using Italian earthquake damage data[J]. Bulletin of Earthquake Engineering, 2008, 6(3): 485－504.

[23]Orsini G. A model for buildings’ vulnerability assessment using the parameterless scale of seismic intensity (PSI)[J]. Earthquake Spectra, 2012, 15(3): 463－483.

[24]Khanduri A C, Morrow G C. Vulnerability of buildings to windstorms and insurance loss estimation[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2003, 91(4): 455－467.

[25]Lee K H, Rosowsky D V. Fragility assessment for roof sheathing failure in high wind regions[J]. Engineering Structures, 2005, 27(6): 857－868.

[26]Bell R, Glade T. Quantitative risk analysis for landslides: Examples from Bildudalur, NW-Iceland[J]. Natural Hazards and Earth System Sciences, 2004, 4(1): 117－131.

[27]Galli M, Guzzetti F. Landslide vulnerability criteria: A case study from Umbria, central Italy[J]. Environmental Management, 2007, 40(4): 649－664.

[28]Keylock C J, Barbolini M. Snow avalanche impact pressure - vulnerability relations for use in risk assessment[J]. Canadian Geotechnical Journal, 2001, 38(2): 227－238.

[29]Cappabianca F, Barbolini M, Natale L. Snow avalanche risk assessment and mapping: A new method based on a combination of statistical analysis, avalanche dynamics simulation and empirically-based vulnerability relations integrated in a GIS platform[J]. Cold Regions Science and Technology, 2008, 54(3): 193－205.

[30]Hohl R, Schiesser H H, Aller D. Hailfall: The relationship between radar-derived hail kinetic energy and hail damage to buildings[J]. Atmospheric Research, 2002, 63(3): 177－207.

[31]周瑤，王靜愛. 自然災害脆弱性曲線研究進展[J]. 地球科學進展，2012，27(4)：435－442.

Zhou Yao, Wang Jingai. A review on development of vulnerability curve of natural disaster[J]. Advance in Earth Sciences, 2012, 27(4): 435－442. (in Chinese with English abstract)

[32]Yin Y, Zhang X, Lin D, et al. GEPIC-V-R model: A GIS-based tool for regional crop drought risk assessment[J]. Agricultural Water Management, 2014, 144: 107－119.

[33]Yue Y, Li J, Ye X, et al. An EPIC model-based vulnerability assessment of wheat subject to drought[J]. Natural Hazards, 2015, 78(3): 1629－1652.

[34]Jia H, Wang J, Cao C, et al. Maize drought disaster risk assessment of China based on EPIC model[J]. International Journal of Digital Earth, 2012, 5(6): 488－515.

[35]董姝娜，龐澤源，張繼權，等. 基于CERES-Maize模型的吉林西部玉米干旱脆弱性曲線研究[J]. 災害學，2014，29(3)：115－119.

Dong Shuna, Pang Zeyuan, Zhang Jiquan, et al. Research on vulnerability curve of drought disaster of maize on CERES-Maize model in western Jilin province[J]. Journal of Catastrophology, 2014, 29(3): 115－119. (in Chinese with English abstract)

[36]佟屏亞. 中國玉米種植區(qū)劃[M]. 北京：中國農(nóng)業(yè)科技出版社，1992.

[37]朱秀芳，李宜展，潘耀忠，等. AquaCrop作物模型研究和應用進展[J]. 中國農(nóng)學通報，2014，30(8)：270－278.

Zhu Xiufang, Li Yizhan, Pan Yaozhong, et al. A review on the research and application of AquaCrop model[J]. Chinese Agricultural Science Bulletin, 2014, 30(8): 270－278. (in Chinese with English abstract)

[38]Todorovic M, Albrizio R, Zivotic L, et al. Assessment of AquaCrop, CropSyst, and WOFOST models in the simulation of sunflower growth under different water regimes[J]. Agronomy Journal, 2009, 101(3): 509－521.

[39]邢會敏，相詩堯，徐新剛，等. 基于EFAST方法的AquaCrop作物模型參數(shù)全局敏感性分析[J]. 中國農(nóng)業(yè)科學，2017，50(1)：64－76.

Xing Huimin, Xiang Shiyao, Xu Xingang, et al. Global sensitivity analysis of AquaC rop crop model parameters based on EFAST method[J]. Scientia Agricultura Sinica, 2017, 50(1): 64－76. (in Chinese with English abstract)

[40]Saltelli A. Sensitivity analysis: Could better methods be used?[J]. Journal of Geophysical Research Atmospheres, 1999, 104(D3): 3789－3793.

[41]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)工程學報，2011，27(1)：236－242.

Jiang Zhiwei, Chen Zhongxin, Zhou Qingbo, et al. Global sensitivity analysis of CERES-Wheat model parameters[J]. Transaction of the Chinese Society of Agriculture Engineering (Transactions of the CSAE), 2011, 27(1): 236－242. (in Chinese with English abstract)

[42]DeJonge K C, Li J C A, Ahmadi M, et al. Global sensitivity and uncertainty analysis of a dynamic agroecosystem model under different irrigation treatments[J]. Ecological Modelling, 2012, 231: 113－125.

[43]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(5): 171－182.

[44]Vanuytrecht E, Raes D, Willems P. Global sensitivity analysis of yield output from the water productivity model AquaCrop[J]. Environmental Modelling & Software, 2014, 51(1): 323－332.

[45]Jackson R D, Idso S B R J, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133－1138.

[46]Cui Y, Jiang S, Jin J, et al. Quantitative assessment of soybean drought loss sensitivity at different growth stages based on S-shaped damage curve[J]. Agricultural Water Management, 2019, 213: 821－832.

[47]Jia H C, Pan D H, Li J, et al. Risk assessment of maize drought disaster in southwest China using the Environmental Policy Integrated Climate model[J]. Journal of Mountain Science, 2016, 13(3): 465－475.

[48]Tobler W R. A computer movie simulatiing urban growth in the detroit region[J]. Economic Geography, 1970, 46(2): 234－240.

[49]Wang Z, Fang W, Sun P, et al. Assessment on typical drought risk for wheat production in China based on natural vulnerability[J]. Arid Zone Research, 2010, 27(1): 23－35.

Vulnerability of drought disaster of maize in China based on AquaCrop model

Xu Kun1, Zhu Xiufang1,2,3※, Liu Ying1, Hou Chenyao1

(1100875,; 2.100875,; 3.100875,)

Drought disaster assessment has become increasingly significant in ensuring national food security and sustainable agricultural development. Vulnerability assessment plays a significant role in disaster research area and vulnerability curve is one of the common quantitative evaluation methods in the field of vulnerability research. In this paper, using the AquaCrop model that has been calibrated city by city, we simulated the response of maize yield to different water stress and then constructed drought vulnerability curves for 5 maize planting regions in China: the north spring maize planting region, the Huang-Huai-Hai summer maize planting region, the southwest mountain maize planting region, the south hilly maize planting region and the northwest irrigated maize planting region. In this research, firstly, 2 of 36 main crop parameters of maize were selected as sensitive parameters based on a global sensitivity analysis method, Extended Fourier Amplitude Sensitivity Test. Then, AquaCrop model was calibrated city by city in 241 maize-growing cities and used to simulate the maize yield under different irrigation scenarios. Finally, we built drought vulnerability curves of 5 main maize plating regions with an improved drought hazard index construction method, which used an average value of daily drought hazard indexes instead of the commom accumulate value, thus we raised comparability of drought hazard index between different maize planting regions and took extreme drought situation into account. The results showed that: 1) The 2 most sensitive parameters to maize yield in the Aquacrop model were the crop coefficient when canopy growth was complete but prior to senescence and the reference harvest index. We finally obtain 241 groups of parameters for the 241 maize planting cities after finishing model calibration and according to the result of validation, the accuracy of the model calibration was satisfactory (2=0.67). 2) All the 5 vulnerability curves followed an “S” shape. And we found that when the drought hazard index reached 0.2, the yield loss rate began to increase rapidly; and when it reached 0.6, the yield loss rate approached the maximum value. The2of the fitted functions in 5 maize planting regions were 0.93, 0.86, 0.47, 0.70, 0.98, respectively. The northwest irrigated maize planting region had the highest2and the southwest mountain maize planting region had the lowest. The drought situation was more serious in the northwest irrigated maize planting region, followed by the north spring maize planting region, the Huang-Huai-Hai summer maize planting region, the south hilly maize planting region and the southwest mountain maize planting region. The research enriched case studies of the AquaCrop model and vulnerability curve construction, quantitatively explored the spatial and temporal differences in drought effects on maize yield in China and enhanced the researches on yield loss prediction. It provides valulble information for the study of drought hazard vulnerability of maize in China and has a certain practical value in the field of drought risk assessment.

drought; water stress; vulnerability curves; AquaCrop model; maize

徐 昆，朱秀芳，劉 瑩，侯陳瑤. 采用AquaCrop作物生長模型研究中國玉米干旱脆弱性[J]. 農(nóng)業(yè)工程學報，2020，36(1)：154－161.doi：10.11975/j.issn.1002-6819.2020.01.018 http://www.tcsae.org

Xu Kun, Zhu Xiufang, Liu Ying, Hou Chenyao. Vulnerability of drought disaster of maize in China based on AquaCrop model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(1): 154－161. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.01.018 http://www.tcsae.org

2019-05-09

2019-09-10

國家重點研發(fā)計劃（2019YFAO606900）；國家自然科學基金青年基金項目（41401479）

徐 昆，博士生，專業(yè)方向為地圖學與地理信息系統(tǒng)。Email：xukun@mail.bnu.edu.cn

朱秀芳，副教授，博士，主要研究方向為遙感應用。Email：zhuxiufang@bnu.edu.cn

10.11975/j.issn.1002-6819.2020.01.018

S423; S513

A

1002-6819(2020)-01-0154-08