劉文茹,陳國慶,劉恩科,居 輝,劉 勤,*

1 山東農業(yè)大學農學院,泰安 271018 2 中國農業(yè)科學院農業(yè)環(huán)境與可持續(xù)發(fā)展研究所,北京 100081

氣候變化成為各國學者廣泛關注的焦點問題,對各領域帶來的影響都不容忽視。政府間氣候變化專門委員會(IPCC)第一工作組第五次評估報告AR5指出：由自然影響因素和人為影響因素共同作用,全球氣候變暖成為毋庸置疑的事實[1],自1950年以來,氣候系統(tǒng)觀測到諸多史無前例的變化。全球幾乎所有地區(qū)都經歷了升溫過程,1880—2012年全球平均溫度已升高0.65—1.06℃,未來地表溫度可能持續(xù)增加[2]。農業(yè)是受氣候變化較為敏感領域之一,中國是農業(yè)大國,人口眾多,糧食安全問題仍然是當前的熱點話題[3]。應對氣候變化對我國糧食安全的威脅問題已成為必須面對的重大挑戰(zhàn)[4]。小麥是世界主要糧食作物,長江中下游冬麥區(qū)是中國小麥主產區(qū)之一。氣候變化背景下,長江中下游地區(qū)的氣候和農業(yè)氣候資源將發(fā)生顯著變化,作物產量也將隨之波動[5]。溫度呈現(xiàn)增加的趨勢變化,RCP8.5情景比RCP 4.5、RCP2.6情景增溫顯著,特別是春、夏季增溫最大[6- 8];全國屬長江中下游地區(qū)年日照時數(shù)降幅最多,參考作物蒸散量在全年減幅最大,呈現(xiàn)暖濕趨勢[9]。年降水呈現(xiàn)出顯著的增加趨勢,年降水日數(shù)顯著減少[10],但是春秋兩季雨量占全年比例減小,而且未來冬小麥作物的氣候生產潛力增加[11]。氣候條件的改變將對作物生長發(fā)育和產量形成造成極為顯著影響,而且還可能影響作物布局、種植制度和農技措施改變[12],從而導致農業(yè)生產不穩(wěn)定性增加。因此氣候變化對未來糧食作物生產的影響研究尤為重要。

近年來,未來氣候變化情景與作物動態(tài)生長模型結合的評估方法已成為研究氣候變化對農業(yè)生產影響的重要手段[13],DSSAT(Decision Support System for Agrotechnology Transfer)模型為主要研究工具,是目前使用最廣泛作物模型系統(tǒng)之一[14]。DSSAT 4.6模型綜合數(shù)據(jù)模塊、模型模塊、分析模塊和工具模塊不僅給予數(shù)據(jù)支持,還提供了計算和分析的方法?？上到y(tǒng)預估未來作物的產量,并分析相應的影響因素,彌補栽培管理不足,既簡化了農業(yè)生態(tài)系統(tǒng)進程的研究,又對未來農業(yè)決策提供了良好的工具[15- 16]。國內外學者多用以模擬氣候變化和災害脅迫下作物產量影響及適應性策略制定、灌溉制度制定、最佳施肥量確定等方面的研究,包括利用CERES-Wheat模型研究得出氣候變化將使小麥發(fā)育加快,生育期縮短,籽粒產量呈下降趨勢,冬小麥平均減產7%—8%[17],培育穗粒數(shù)較多的小麥新品種是抵抗未來氣候變化對小麥產量影響的重要手段[18];應用DSSAT模型模擬指出美國薩斯州和俄克拉何馬州地區(qū)隨著二氧化碳、溫度的升高,降水量的減少,未來作物籽粒產量將顯著降低30%—40%[19],加拿大地區(qū)當處于小麥最適溫度時,二氧化碳的增加將會通過光合作用提高水分利用率,促進作物生長發(fā)育和產量的形成[14,20]。

以往諸多研究多集中于歷史階段SRES情景下全國范圍或旱作區(qū)域研究氣候變化對小麥產量影響,針對長江中下游地區(qū)研究也多以水稻為研究對象。應用作物模型結合未來氣候情景模擬長江中下游地區(qū)未來小麥產量潛力進行定量描述和分析主要氣象資源影響機理的研究尚少。因此,本文應用RCP各情景(baseline、RCP 2.6、RCP 4.5、RCP 8.5)輸出的長江中下游地區(qū)主要氣象要素的逐日模式模擬數(shù)據(jù)、逐日歷史觀測數(shù)據(jù),嘗試借助DSSAT-GLUE模型進行作物遺傳參數(shù)的率定和和驗證,探討未來時期(2021—2050年)冬小麥生產潛力變化特征,評價未來氣候變化對作物產量的影響,為制定適應氣候變化的對策等提供科學依據(jù),對提高作物抗氣候變化風險的能力具有重要的意義。

1 材料與方法

1.1 研究區(qū)概況

長江中下游冬麥區(qū)是中國小麥主要產區(qū)之一,如圖1所示,研究區(qū)域位于27°33′—34°9′N、110°49′—122°30′E,北以秦嶺淮河、黃淮冬麥區(qū)為界,南以南嶺、武夷山脈與華南冬麥區(qū)相鄰,西抵鄂西及湘西山地與西南冬麥區(qū)接壤,東至東海海濱[21],包括湖北、湖南、江西、浙江地區(qū),江蘇、安徽淮河以南及河南部分地區(qū)。蘇、安徽及湖北是集中產麥區(qū),全區(qū)地域遼闊,區(qū)位條件優(yōu)越,地區(qū)地勢西高東低,低山丘陵與平原相間分布,沿江沿海的雙重地形優(yōu)勢(長江水系貫穿東西,東臨黃海、東海)西起江漢平原,經洞庭、鄱陽兩湖平原、沿江平原,東至江浙的太湖平原和沿海平原,湖泊眾多(洞庭湖、鄱陽湖等)。本區(qū)屬于北亞熱帶季風區(qū),熱量資源豐富,氣候濕潤,降雨充沛,小麥生育期間降水340—960mm,降水分布不均衡。年平均氣溫14—18℃之間,小麥生育期間太陽總輻射量為193—226kJ/cm2,≥0℃的積溫2000—2200℃,無霜期210—270d。種植制度多為一年二熟,以稻-麥種植方式為主,少數(shù)地區(qū)稻-棉/雜糧輪作,氣候變暖背景下稻麥輪作種植方式可能進一步擴大。稻麥周年輪作全區(qū)小麥適播期為10月下旬至11月中旬,成熟期北部5月底至6月中旬上旬。

1.2 數(shù)據(jù)來源

1.2.1 氣象數(shù)據(jù)

本研究的氣象模擬資料采用國家氣象局提供的BCC-CSM1- 1模式模擬的baseline、RCP 2.6、RCP 4.5、RCP 8.5情景下(RCP 4.5和RCP 6.0均屬于中等濃度排放路徑,研究多應用RCP 4.5,故本文未選用RCP 6.0)的歷史時期(1961—2010年)和未來時段(2021—2050年)0.5°×0.5°逐日格點降水量(mm)、最高氣溫(℃)、最低氣溫(℃)、太陽輻射量(MJ/m2)等數(shù)據(jù)資料集,采用雙線性插值法降尺度到長江中下游地區(qū)典型氣象站點[22],典型站點依照以下原則：模擬站點應平均分布在研究區(qū)域內,不宜過于集中,具有區(qū)域代表性;選擇管理數(shù)據(jù)記載整齊一致、完整全面。氣象觀測資料來源于中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/)中國地面數(shù)據(jù)資料日值集：包括降雨量(mm)、最高溫度(℃)、最低溫度(℃)、日照時數(shù)(h)并計算冬小麥生育期間≥10℃積溫。由于模型數(shù)據(jù)格式要求需將日照時數(shù)按照國際公認的經驗公式轉變?yōu)榭偺栞椛淞?計算公式如下[23- 25]

(1)

(2)

(3)

(4)

式中,Q為日總輻射量(KJ/cm2);Q0為日天文輻射量;a和b為經驗系數(shù),長江中下游地區(qū)分別取0.15和0.54[23];n為日照時數(shù)(h);N為最大時長。T為周期1440分即;I0=13.167×10-4MJ m-2s-1為太陽常數(shù);DAY為當日日序,1月1日為1,12月31為365或366;ω0為日出時角;ρ為日平地距離;δ為太陽赤緯;φ為地理緯度。

1.2.2 土壤數(shù)據(jù)

本文土壤數(shù)據(jù)來源于中國土壤數(shù)據(jù)庫(http://vdb3.soil.csdb.cn/)數(shù)據(jù)集。根據(jù)DSSAT-CERES-Wheat需要數(shù)據(jù)包括土壤類型、剖面特征、土壤理化性質,即土壤名稱、土壤顏色、土壤保水性能,土層層次及各層土壤質地(石礫、粉粒、黏粒所占百分比);有機碳(根據(jù)Van Benmmelen因數(shù)由有機質計算得)[26]、全氮、pH值、陽離子交換量等。

1.2.3 栽培管理數(shù)據(jù)

本研究選用當?shù)刂饕耘嗥贩N為研究對象,收集整理昆山、滁州、英山和鐘祥4個代表性站點的播種期、出苗期、開花期、成熟期、產量、灌溉內容(灌溉時期、灌溉量和灌溉方式)、施肥內容(施肥時間、施肥種類和施肥量)等栽培管理數(shù)據(jù)。

1.3 研究方法

1.3.1 作物模型

農業(yè)技術轉移支持系統(tǒng)(DSSAT)是廣泛使用作物生長動態(tài)模型,近年來在氣候變化對作物生產影響不同管理水平對作物產量相應等方面應用較為廣泛。

本文應用DSSAT 4.6模型作為主要研究工具,逐日模擬作物生長發(fā)育過程及產量。模型包括綜合數(shù)據(jù)模塊(主要依靠氣象資料、土壤資料、栽培管理、遺傳參數(shù)資料)、模型模塊(模擬作物生長發(fā)育動態(tài)和產量等)、分析模塊(可進行季節(jié)分析、輪作分析及空間分析)和工具模塊不僅給予數(shù)據(jù)支持,還提供了計算、分析的方法?，F(xiàn)階段還不能應用到實際生產中,但是隨著科技的進步和農業(yè)的發(fā)展DSSAT模型具有廣闊的應用和發(fā)展前景[27],可系統(tǒng)的預測作物未來作物的產量,并分析相應的影響因素,彌補栽培管理不足,既簡化了農業(yè)生態(tài)系統(tǒng)進程的研究,又對未來農業(yè)決策提供了良好的工具[28- 29]。

1.3.2 品種遺傳參數(shù)率定

模型參數(shù)的本地化過程是提高模擬精確度的關鍵環(huán)節(jié),精準的作物遺傳參數(shù)更是保證預測結果可靠性的前提條件[30]。選擇典型站點應用廣泛且產量相對較穩(wěn)定的代表性品種,并連續(xù)種植2—5a以上,部分年份數(shù)據(jù)用來調整作物遺傳參數(shù),另一部分用于模擬效果的評價。遺傳參數(shù)調試創(chuàng)建天氣、土壤、栽培管理、A文件等[15]同時為了使模型正常運轉,在未進行參數(shù)調整之前應假設一組遺傳參數(shù)。DSSAT-GLUE參數(shù)估計模塊對冬小麥遺產參數(shù)進行率定,通過多輪GLUE(Generalized likelihood uncertainty estimation)實現(xiàn)作物遺傳參數(shù)的科學估計,第一輪總體參數(shù)估計,第二輪估計作物的物候期參數(shù),第三輪估計作物生長參數(shù)。為了保證預估的準確性每輪GLUE3000次以上[31]。以表1數(shù)據(jù)為依據(jù)進行參數(shù)的調試,直至模擬值與實測值相吻合,既而實現(xiàn)模型本土化。在檢驗模型適用性時,應用均方根誤差(RMSE)、均一化均方根誤差(NRMSE)分析模型模擬誤差,符合度(D)來判定模擬值與實測值的符合度,方法如下[32]：

(5)

(6)

(7)

式中,RMSE為均方根誤差;NRMSE為均一化相對均方根誤差;D為符合度,simi為第i個模擬值;obsi為第i個實測值;為觀測值的平均值;n為樣本的數(shù)量。一般認為NRMSE<10%為極好;10%30%為差;D值越接近1說明模擬值與實測值的一致性較好,反之則越差。

1.3.3 生育期和產量的模擬

本文根據(jù)長江中下游地區(qū)域地理位置和生態(tài)類型選擇4個典型站點作為模擬試點?；赗CP情景下輸出的歷史時段(BAS)和未來時段(RCP)主要氣象要素的逐日模式模擬數(shù)據(jù),采用本地化后的品種遺傳參數(shù),假定土壤條件不變的情況下,設定相應的種植條件(例如,模擬前根據(jù)歷史觀測資料進行合理的選擇播種期),利用DSSAT模型預測不同時段冬小麥生育期和產量變化趨勢特征,便于分析模擬兩個時段均利用模式模擬數(shù)據(jù),均不考慮土壤肥力、栽培管理措施等因素的影響僅受氣象條件影響的模擬分析。

2 結果與分析

2.1 冬小麥品種參數(shù)的調試與驗證

本文基于典型站點(昆山2002—2003年、滁州2005—2006年、英山2004—2005年、鐘祥2001—2002年)的觀測數(shù)據(jù)、土壤、田間栽培管理數(shù)據(jù)分別對相應冬小麥品種(揚麥11號、揚麥158、鄂麥14號、881)遺傳參數(shù)進行逐一率定。由表1可見,作物遺傳參數(shù)校準后開花期與成熟期的模擬結果的相對均方差根在0.83%—2.98%,產量的均方根誤差控制下7%以下,符合度(D)均接近于1,表明作物遺傳參數(shù)準確度高,可較準確地反映當?shù)仄贩N遺傳特征。

為了進一步驗證作物遺傳參數(shù)適用性,應用昆山2004—2006年、滁州2007—2008年、英山2006—2009年和鐘祥2003—2005年相應品種冬小麥的開花期、成熟期與產量進行模擬,并通過模擬值與實測值的對比分析評價模擬效果。如圖2所示,冬小麥開花期、成熟期日序和產量的模擬值與實測值的相對均方差根分別在0.57%—2.81%、0.57%—2.81%和4.68%—9.99%(均小于10%),說明模擬效果較好。符合度D均在0.72—0.99之間,說明模擬值與實測值吻合度較高,可模擬未來冬小麥生育期和產量,可信度較高。

2.2 氣候模式模擬的未來氣象要素變化

不同時段,三種典型情景下冬小麥生育期內≥10℃積溫、降水量和太陽總輻射量較基準年變化區(qū)別較大。

表1各站點小麥品種參數(shù)及開花期、成熟期、產量的模擬值與實測值的比較分析

Table1Analysiscomparisonbetweenobservedandsimulatedvaluesforvarietyparametersanthesisstagematuritystageandyieldofwinterwheatinselectedfourstations

站點Station主栽品種SpeciesP1V/dP1D/%P5/(℃/d)G1/(no/g)G2/mgG3/gPHINT/(℃/d)開花期Anthesis成熟期Maturity產量YieldNRMSE/%DNRMSE/%DNRMSE/%D昆山揚麥11號23.075.1539.818.026.61.960.01.710.820.890.836.830.82滁州揚麥15862.319.1554.221.825.41.095.01.790.991.800.994.180.94英山鄂麥14號8.994.5690.717.137.61.360.00.900.971.300.892.500.83鐘祥88131.285.6593.216.933.71.160.00.950.982.980.854.770.82

P1V：最適溫度條件下通過春花階段所需天數(shù),Thermal time from seedling emergence to the end of the juvenile phase during which the plant is not responsive to changes in photoperiod;P1D：光周期參數(shù),Extent to which development is delayed for each hour increase in photo period above the longest photoperiod at which development proceeds at a maximum rate;P5：籽粒灌漿期積溫,Thermal time from silking to physiological maturity;G1：開花期單位株冠質量的籽粒數(shù),Potential spikelet number coefficient as estimated from the number of spikelets of main culm dry weight at anthesis;G2：最佳條件下標準籽粒質量,Maximum possible number of kernels per plant;G3：成熟期非脅迫下單株莖穗標準干質量,Kernel-filling rate during the linear grain-filling stage and under optimum conditions;PHINT：完成一片葉生長所需積溫,Phyllochron interval: the interval in thermal time between successive leaf tip appearances;NRMSE：歸一化均方根誤差,normalized root mean squared error;D：模擬值與實測值的符合程度,coincidence degree of distribution between simulated and measured value

圖2 冬小麥品種模擬開花期、成熟期日序與產量的模擬值與實測值比較Fig.2 Comparison of observed and simulated values duration of flowering and maturity stages and yields in winter wheatNRMSE：歸一化均方根誤差,normalized root mean squared error;D：模擬值與實測值的符合程度,coincidence degree of distribution between simulated and measured value

由圖3可知,RCP 2.6情景下冬小麥生育期內≥10℃積溫較基準時期表現(xiàn)出明顯的下降趨勢,變化幅度在-12%—-34%之間。RCP 4.5和RCP 8.5情景冬小麥生育期內≥10℃積溫則均呈現(xiàn)逐增加趨勢,且2020—2030年RCP 4.5情景增加幅度大于RCP8.5,2030—2050年則與之相反;降水量的年際波動都比較大,RCP 2.6、RCP 8.5情景下降水量較基準時段比大部分年份表現(xiàn)為增加趨勢,RCP 4.5降水量較基準年大都減少;太陽總輻射量較基準年均有所降低,但降低的幅度隨著年份的增加逐漸減小。RCP 2.6降低幅度最小,而RCP 4.5和RCP 8.5降低幅度相對較大多處于40%—52%,特別是RCP 8.5情景下降低幅度最大,最高年份可達54 MJ m2a-1。

圖3 未來時段3種RCP情景主要氣象要素較基準時段變化趨勢Fig.3 The variations of main meteorological elements under three RCP scenarios over the middle and lower Yangtze River during 2021—2050 compared with baseline

表2為長江中下游地區(qū)各典型站點主要氣候資源及其變化率?；鶞蕰r段,冬小麥生育期內太陽總輻射量在5536—6496MJ m2a-1以7.6—11.8MJ m2a-1(P<0.05)的趨勢逐漸減,降水區(qū)域差異較大,≥10℃積溫滁州地區(qū)相對較低其他地區(qū)在3573—3883℃之間。各典型濃度路徑下英山、滁州、昆山、鐘祥太陽總輻射量多呈現(xiàn)逐極顯著的增加趨勢,變化率則表現(xiàn)為隨濃度路徑增加逐漸增加,高端濃度路徑最大增加速率可達到30.0 MJ m-2a-1(P<0.01)。降水量變化各異但變化趨勢均不顯著。高、低端濃度路徑下冬小麥生育期內≥10℃積溫的變化率分別以8.7—12.0℃/a和12.9—30.0℃/a的趨勢顯著或極顯著的增加,穩(wěn)定濃度路徑(RCP 4.5)≥

表2 各站點未來典型濃度路徑(RCP)情景下氣象要素及變化率

SR代表太陽總輻射量,represents the total amount of solar radiation;AT≥10℃代表≥10℃積溫,represents accumulated temperature above10℃;P代表降水量,represents precipitation;*代表P<0.05,**代表P<0.01

10℃積溫除昆山站外其他站點變化并不顯著?？傮w而言未來各情景太陽總輻射量變化率與基準時段相反,均呈現(xiàn)顯著或及顯著的增加趨勢,降水量的變化并不顯著,冬小麥生育期內≥10℃積溫變化率表現(xiàn)為RCP 8.5>RCP 2.6>RCP 4.5呈顯著或極顯著的增加趨勢。

2.3 未來30年冬小麥物候期的變化趨勢

在DSSAT-CERES-wheat模型中冬小麥開花期和成熟期是兩個尤為重要的物候期,不同RCP情景下2021—2050年長江中下游地區(qū)冬小麥的開花、成熟期日序較基準年變化模擬結果(表3、表4)。由表可知,基準時段典型站點開花期和成熟期日序在157—216d和190—244d之間,開花到成熟所持續(xù)天數(shù)為28—36d。RCP 2.6情景下,除昆山冬小麥開花期和成熟期日序較基準年提前外其余均有所推遲,開花期到成熟期天數(shù)則有所增加。RCP 8.5和RCP 4.5情景下較基準年均有所提前,那么開花期到成熟期天數(shù)則隨之縮短。RCP 4.5情景下,2021—2030年冬小麥開花期日序和成熟期日序較基準年提前分別推遲了8—12d和9—13d,較2030—2050年少3—5d。

表3 未來氣候變化情景下冬小麥開花期日序較基準年變化

BAS：歷史階段開花期日序,flowing period in baseline;“-”代表未來時段開花期較基準期提前;“+”代表未來時段開花期較基準期延后

表4 未來氣候變化情景下冬小麥成熟期日序較基準年變化

BAS：歷史階段開花期日序,flowing period in baseline;“-”代表未來時段開花期較基準期提前;“+”代表未來時段開花期較基準期延后

2.4 未來典型濃度路徑(RCP)情景下冬小麥產量變化趨勢

圖4為RCP情景下長江中下游地區(qū)4個典型站點2021—2050年冬小麥潛在產量變化。在不考慮CO2濃度效應、品種差異和管理措施僅受氣候變化影響的情況下,冬小麥潛在產量均呈現(xiàn)出下降趨勢,下降幅度表現(xiàn)為RCP 2.6>RCP 8.5>RCP 4.5。冬小麥產量較基準年相比區(qū)域差異明顯,研究區(qū)域南部>北部(昆山、英山下降幅度較滁州、鐘祥大3%—59%。RCP 2.6情景下,≥10℃積溫較基準年下降幅度最大,較其他情景而言太陽總幅度量降低幅度最小,但是產量下降幅度較大(除昆山),表明太陽總輻射量增加并不能彌補積溫的急劇減少造成負面影響。RCP 8.5產量降低幅度大于RCP 4.5≥10℃積溫相差多4℃—362℃之間,開花期和成熟期提前天數(shù)最多,說明一定范圍內冬小麥產量隨積溫的增加逐漸增加,超過一定閾值時則逐漸減少。若積溫、降雨量水平類似的情況下,太陽總輻射量較基準年降低幅度減小,冬小麥的產量變化幅度也隨之減小,表明氣候因子增加或減少并不能彌補積溫過低產生的負效應,積溫水平一致的情況下,產量降低幅度隨太陽總輻射量減少幅度的增加而逐漸減小。

圖4 未來RCPs情景下冬小麥潛在產量變化(2021—2050)Fig.4 Changes in potential yields of winter wheat under future climate scenarios compared with baseline

3 討論

長江中下游屬低緯度地區(qū),沿江沿海,溫度相對較高,降水充沛,太陽輻射總量相對較少,溫度相對較高,大部分地區(qū)均無灌溉習慣,區(qū)域降水條件能滿足作物生育期內的水分需求。RCP情景下未來降水量變化趨勢并不顯著,降水量對小麥的產量的影響較小[11]?！?0℃積溫和太陽輻射量是冬小麥產量變化的主要影響因子,未來情景下持續(xù)增溫,生育期內≥10℃積溫也會隨之增加。小麥屬于低溫長日照作物,必須經歷一定的低溫誘導才能開花結實,所以如果春化階段溫度過高,營養(yǎng)生長不良而抑制生殖生長影響和開花結實,或者春化作用提前。太陽總輻射量過高,提前成熟,造成干物質積累少,最終導致小麥開花期和成熟期有所推遲,產量潛力降低。SRES情境下A2、B2模式全國溫度、降水增加,2050s小麥雨養(yǎng)產量降低11.4%和20.4%,長江中下游地區(qū)由于降水的增加小麥產量有上升趨勢[33]。因此,本文只從氣象的角度來探明由于氣候資源的改變對未來冬小麥潛在產量的影響,作物產量變化幅度的差異因氣候條件、品種和管理措施的不同而產生差異。針對小麥生育期縮短,產量降低問題,可通過推遲播期、培育穗粒數(shù)較大品種來降低氣候變化帶來的不利影響[4],為長江中下游冬小麥的生產提供理論依據(jù)和指導。

未來氣候大背景下,CERES系列模型已經在許多國家得到廣泛的驗證[18],本文考慮到區(qū)域差異性及品種適應性,選用4個代表性品種調試了適應各地區(qū)的品種遺傳參數(shù),結果表明DSSAT模型在長江中下游地區(qū)的模擬效果良好,模擬結果可信度較高;但是該模型包含了大量過程簡化和半經驗性質的參數(shù),對病蟲害、洪澇和極端天氣事件等災害性天氣影響的研究并不突出,本文未考慮CO2和NO3的溫室效應對作物生長的影響,本文對冬小麥的模擬存在不確定性。因此,未來產量潛力的模擬上有必要進一步考慮土壤、管理、品種更替,極端災害和溫室氣體等方面進一步深入研究。若要應用到未來實際生產和優(yōu)化管理應嘗試建立多因子模擬分析,考慮各個因子的交互作用,增加實驗年限和測定指標,以期模擬未來真實潛力,根據(jù)不同氣候情景分析氣候要素的變化趨勢,并通過作物動態(tài)生長模型對氣候要素影響對作物產量潛在影響進行模擬分析,制定科學合理的措施來應對。

4 結論

1)作物遺傳參數(shù)率定后,模擬的開花、成熟期和產量與實測值的相對均方差根分別分在0.83%—2.98%之間和7%以下,符合度均接近于1,表明作物遺傳參數(shù)準確度高,調試的品種可較準確的進行模擬研究,結果可信度較高。

2)2021—2050年RCP情景下,冬小麥生育期內≥10℃積溫、降水量和太陽總輻射量較基準年變化各異。除RCP 2.6情景外,≥10℃積溫較基準年呈現(xiàn)逐漸增加,增加速率表現(xiàn)為RCP 8.5>RCP 2.6>RCP 4.5;降水量年際波動都比較大,區(qū)域性差異明顯,變化率未達到顯著水平;太陽總輻射量較基準年均有所降低,但降低的幅度隨著年份的增加逐漸減小,變化率均呈現(xiàn)顯著或及顯著的增加趨勢。

3)DSSAT-CERES-wheat模型模擬中,總體表現(xiàn)為,除昆山外冬小麥開花期、成熟期較基準年均有所提前,那么開花期到成熟期天數(shù)則隨之縮短,且RCP 8.5>RCP 4.5。

4)作物產量變化幅度的差異因氣候條件、品種、管理措施的不同而產生差異,未來僅考慮氣候資源的影響長江中下游地區(qū)冬小麥產量潛力與基準年減少(RCP 2.6>RCP 8.5>RCP 4.5),且區(qū)域差異明顯。昆山、英山下降幅度較滁州和鐘祥大,表明一定范圍內冬小麥產量隨積溫的增加逐漸增加,超過一定閾值時則逐漸減少,其他氣候因子增加或減少并不能彌補積溫過低產生的負效應。若溫度過高,開花、成熟期延遲,造成營養(yǎng)生長延長,生殖生長受阻,分蘗過多,成穗率減少導致產量降低。

參考文獻(References):

[1] Stocker T F, Qin D, Plattner G K, Tignor M, Allen SK, Boschung J, Nauels A, Xia Y, Bex V, Midgley PM. Climate Change 2013: The Physical Science Basis. Cambridge, UK, New York, USA: Cambridge University Press, 2013.

[2] IPCC. Summary for policymakers//Stocker T F, Qin D, Plattner G K, Tignor M, Allen SK, Boschung J, Nauels A, Xia Y, Bex V, Midgley PM, eds. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, UK: Cambridge University Press, 2013.

[3] 居輝, 熊偉, 許吟隆, 林而達. 氣候變化對我國小麥產量的影響. 作物學報, 2005, 31(10): 1340- 1343.

[4] 袁靜, 許吟隆. 基于CERES模型的臨沂小麥生產的適應措施研究. 中國農業(yè)氣象, 2008, 29(3): 251- 255.

[5] 楊絢, 湯緒, 陳葆德, 田展, 趙思健. 利用CMIP5多模式集合模擬氣候變化對中國小麥產量的影響. 中國農業(yè)科學, 2014, 47(15): 3009- 3024.

[6] 劉文茹, 居輝, 陳國慶, 劉恩科, 劉勤. 典型濃度路徑(RCP)情景下長江中下游地區(qū)氣溫變化預估. 中國農業(yè)氣象, 2017, 38(2): 65- 75.

[7] 徐穎, 丁一匯, 趙宗慈. 長江中下游地區(qū)21世紀氣候變化情景預測. 自然災害學報, 2004, 13(1): 25- 31.

[8] 曾小凡, 周建中, 翟建青, 蘇布達, 熊明. 2011- 2050年長江流域氣候變化預估問題的探討. 氣候變化研究進展, 2011, 7(2): 116- 122.

[9] 楊曉光, 李勇, 代姝瑋, 劉志娟, 王文峰. 氣候變化背景下中國農業(yè)氣候資源變化IX. 中國農業(yè)氣候資源時空變化特征. 應用生態(tài)學報, 2011, 22(12): 3177- 3188.

[10] 梅偉, 楊修群. 我國長江中下游地區(qū)降水變化趨勢分析. 南京大學學報: 自然科學, 2005, 41(6): 577- 589.

[11] 劉文茹,陳國慶,曲春紅,居輝,劉勤.RCP情景下長江中下游麥稻二熟制氣候生產潛力變化特征研究.生態(tài)學報,2018，38(01):1-11

[12] 張宇, 王石立, 王馥棠. 氣候變化對我國小麥發(fā)育及產量可能影響的模擬研究. 應用氣象學報, 2000, 11(3): 264- 270.

[13] 楊沈斌, 申雙和, 趙小艷, 趙艷霞, 許吟隆, 王主玉, 劉娟, 張瑋瑋. 氣候變化對長江中下游稻區(qū)水稻產量的影響. 作物學報, 2010, 36(9): 1519- 1528.

[14] 文新亞, 陳阜. 基于DSSAT模型模擬氣候變化對不同品種冬小麥產量潛力的影響. 農業(yè)工程學報, 2011, 27(2): 74- 79.

[15] Attia A, Rajan N, Xue Q, Nair S, Ibrahim A, Hays D. Application of DSSAT-CERES-Wheat model to simulate winter wheat response to irrigation management in the Texas High Plains. Agricultural Water Management,2016,(165): 50- 60.

[16] 林忠輝, 莫興國, 項月琴. 作物生長模型研究綜述. 作物學報, 2003, 29(5): 750- 758.

[17] 袁靜. 氣候變化對小麥生產的影響及適應措施分析[D]. 北京: 中國農業(yè)科學院, 2008.

[18] 楊軒, 王自奎, 曹銓, 張小明, 沈禹穎. 隴東地區(qū)幾種旱作作物產量對降水與氣溫變化的響應. 農業(yè)工程學報, 2016, 32(9): 106- 114.

[19] Tubiello F N, Rosenzweig C, Goldberg R A,Jagtap S, Jones J W. Effects of climate change on US crop production: simulation results using two different GCM scenarios. Part I: wheat, potato, maize, and citrus. Climate Research, 2002, 20(3): 259- 270.

[20] Qian B D, De Jong R, Huffman T, Wang H, Yang J J. Projecting yield changes of spring wheat under future climate scenarios on the Canadian Prairies. Theoretical and Applied Climatology, 2016, 123(3/4): 651- 669.

[21] 王偉, 黃義德, 黃文江, 李存軍, 王嫻. 作物生長模型的適用性評價及冬小麥產量預測. 農業(yè)工程學報, 2010,26(3): 233- 237.

[22] 陶蘇林, 申雙和, 李雨鴻, 高蘋. 氣候模擬數(shù)據(jù)訂正方法在作物氣候生產潛力預估中的應用——以江蘇冬小麥為例. 中國農業(yè)氣象, 2016, 37(2): 174- 187.

[23] Almorox J, Hontoria C. Global solar radiation estimation using sunshine duration in Spain. Energy Conversion and Management, 2004, 45(9/10): 1529- 1535.

[24] 盧燕宇, 田紅, 魯俊, 溫華洋. 近50年安徽省太陽總輻射的時空變化特征. 氣象科技, 2016,44(5): 769- 775.

[25] 張運林, 秦伯強, 陳偉民, 胡維平. 太湖無錫地區(qū)太陽總輻射的氣候學計算及特征分析. 應用氣象學報, 2003, 14(3): 339- 347.

[26] 周海軍, 孫靜萍, 崔敏, 團良, 白力軍. 呼倫貝爾地區(qū)草原表層土壤中總有機碳與有機質初探. 中國環(huán)境監(jiān)測, 2013, 29(5): 111- 113.

[27] 羅毅, 郭偉. 作物模型研究與應用中存在的問題. 農業(yè)工程學報, 2008, 24(5): 307- 312.

[28] 吳錦, 余福水, 陳仲新, 陳晉. 基于EPIC模型的冬小麥生長模擬參數(shù)全局敏感性分析. 農業(yè)工程學報, 2009, 25(7): 136- 142.

[29] 劉海龍, 諸葉平, 李世娟, 楊靖一, 白由路. DSSAT作物系統(tǒng)模型的發(fā)展與應用. 農業(yè)網(wǎng)絡信息, 2011, (11): 5- 12.

[30] 姚寧, 周元剛, 宋利兵, 劉健, 李毅, 吳淑芳, 馮浩, 何建強. 不同水分脅迫條件下DSSAT-CERES-Wheat模型的調參與驗證. 農業(yè)工程學報, 2015, 31(12): 138- 150.

[31] 姜志偉, 武雪萍, 華珞, 蔡典雄, 逢煥成, 吳會軍. 洛陽孟津農業(yè)技術轉移決策支持系統(tǒng)數(shù)據(jù)庫組建. 首都師范大學學報: 自然科學版, 2009, 30(3): 71- 76.

[32] He J Q. Best Management Practice Development With the CERES-Maize Model for Sweet Corn Production in North Florida[D]. Gainesville: University of Florida, 2008.

[33] 熊偉, 居輝, 許吟隆, 林而達. 氣候變化下我國小麥產量變化區(qū)域模擬研究. 中國生態(tài)農業(yè)學報, 2006, 14(2): 164- 167.