• 全国中文核心期刊
  • 中国科技核心期刊
  • 美国工程索引(EI)收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

粮食产量对气候变化驱动水资源变化的响应

王婕 张建云 鲍振鑫 王国庆 吴厚发 杨艳青

王婕, 张建云, 鲍振鑫, 王国庆, 吴厚发, 杨艳青. 粮食产量对气候变化驱动水资源变化的响应[J]. 水科学进展, 2021, 32(6): 855-866. doi: 10.14042/j.cnki.32.1309.2021.06.005
引用本文: 王婕, 张建云, 鲍振鑫, 王国庆, 吴厚发, 杨艳青. 粮食产量对气候变化驱动水资源变化的响应[J]. 水科学进展, 2021, 32(6): 855-866. doi: 10.14042/j.cnki.32.1309.2021.06.005
WANG Jie, ZHANG Jianyun, BAO Zhenxin, WANG Guoqing, WU Houfa, YANG Yanqing. Response of grain yield to climate change driving water resources change[J]. Advances in Water Science, 2021, 32(6): 855-866. doi: 10.14042/j.cnki.32.1309.2021.06.005
Citation: WANG Jie, ZHANG Jianyun, BAO Zhenxin, WANG Guoqing, WU Houfa, YANG Yanqing. Response of grain yield to climate change driving water resources change[J]. Advances in Water Science, 2021, 32(6): 855-866. doi: 10.14042/j.cnki.32.1309.2021.06.005

粮食产量对气候变化驱动水资源变化的响应

doi: 10.14042/j.cnki.32.1309.2021.06.005
基金项目: 

国家重点研发计划资助项目 2017YFA0605002

国家自然科学基金国际(地区)合作与交流项目 41961124007

详细信息
    作者简介:

    王婕(1996-), 女, 山西孝义人, 博士研究生, 主要从事全球变化对水文水资源影响等研究。E-mail: wangjie_cumt@163.com

    通讯作者:

    鲍振鑫, E-mail: zxbao@nhri.cn

  • 中图分类号: P467

Response of grain yield to climate change driving water resources change

Funds: 

the National Key R & D Program of China 2017YFA0605002

the National Natural Science Foundation of China 41961124007

图(5) / 表 (1)
计量
  • 文章访问数:  301
  • HTML全文浏览量:  50
  • PDF下载量:  85
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-05-21
  • 网络出版日期:  2021-10-28
  • 刊出日期:  2021-11-30

粮食产量对气候变化驱动水资源变化的响应

doi: 10.14042/j.cnki.32.1309.2021.06.005
    基金项目:

    国家重点研发计划资助项目 2017YFA0605002

    国家自然科学基金国际(地区)合作与交流项目 41961124007

    作者简介:

    王婕(1996-), 女, 山西孝义人, 博士研究生, 主要从事全球变化对水文水资源影响等研究。E-mail: wangjie_cumt@163.com

    通讯作者: 鲍振鑫, E-mail: zxbao@nhri.cn
  • 中图分类号: P467

摘要: 水资源是支撑粮食生产的重要因素之一,气候变化驱动下的水资源变化及对粮食产量的影响是当前研究的国际前沿和热点问题。以汾河流域冬小麦和夏玉米2种主要粮食作物为研究对象,利用线性回归、人工神经网络、支持向量机、随机森林、径向基网络、极限学习机等6种机器学习算法构建粮食产量模拟模型,基于气候弹性系数法分析水资源量对气候变化响应关系,在流域尺度上研究粮食产量对气候变化驱动水资源变化的综合响应。结果表明:①机器学习算法能够较好地模拟汾河流域的冬小麦和夏玉米产量;②降水增加10%导致汾河流域水资源量增加19.4%,气温升高1℃导致水资源量减少4.3%;③当降水减少10%~30%时,冬小麦产量减少6.4%~19.3%,夏玉米产量减少4.0%~15.0%;④当气温升高0.5~3.0℃时,冬小麦产量预计增加1.8%~17.1%,夏玉米产量预计增加1.2%~7.9%;⑤汾河流域冬小麦产量对降水和气温变化的敏感性大于夏玉米。相关成果对于区域水资源管理和农业生产策略制定具有重要的科学意义和实用价值。

English Abstract

王婕, 张建云, 鲍振鑫, 王国庆, 吴厚发, 杨艳青. 粮食产量对气候变化驱动水资源变化的响应[J]. 水科学进展, 2021, 32(6): 855-866. doi: 10.14042/j.cnki.32.1309.2021.06.005
引用本文: 王婕, 张建云, 鲍振鑫, 王国庆, 吴厚发, 杨艳青. 粮食产量对气候变化驱动水资源变化的响应[J]. 水科学进展, 2021, 32(6): 855-866. doi: 10.14042/j.cnki.32.1309.2021.06.005
WANG Jie, ZHANG Jianyun, BAO Zhenxin, WANG Guoqing, WU Houfa, YANG Yanqing. Response of grain yield to climate change driving water resources change[J]. Advances in Water Science, 2021, 32(6): 855-866. doi: 10.14042/j.cnki.32.1309.2021.06.005
Citation: WANG Jie, ZHANG Jianyun, BAO Zhenxin, WANG Guoqing, WU Houfa, YANG Yanqing. Response of grain yield to climate change driving water resources change[J]. Advances in Water Science, 2021, 32(6): 855-866. doi: 10.14042/j.cnki.32.1309.2021.06.005
  • 水与粮食关系密切, 是人类生存的物质基础, 同时也是保障国家安全稳定的重要战略资源[1-2]。中国水资源短缺严峻, 其中农业用水占用水总量的65%, 水与粮食空间分布矛盾突出[3]。作为水与粮食生长的初级驱动力, 气候对水资源与农业生产起决定性作用, 伴随全球气候变化影响的不断增强, 气候对水资源与农业生产的影响也日益加剧[4-6]。气候变化显著影响了中国主要江河的河川径流, 特别是北方地区的水资源矛盾更加尖锐[7-8]。气候变化对农业的影响主要表现在种植制度、病虫危害和作物产量等方面,气温升高引起作物耗水量增加, 区域水资源匮缺不能充分满足作物需水要求是作物减产的重要因素之一[9-10]。科学评估未来气候变化下水资源和粮食产量, 可为农业与水资源管理政策的制定与调整提供科技支撑, 对于保障国家水安全与粮食安全具有重要的研究意义及实用价值。

    目前, 研究粮食产量对气候变化的响应关系主要有统计分析、田间试验和模型模拟等3种方法。统计分析法主要利用历史观测数据对农业要素与气象要素之间的相关关系进行分析, 方法简单但是机理不足且难以预测未来的演变趋势[11-12]; 田间试验法则是通过田间控制生长环境进行试验观测, 数据真实但操作不便, 耗费较多人力、物力及时间[13-14]; 模型模拟法, 机理性较强, 也是常用的一种方法, 如作物生长模型是模拟粮食动态生长过程及评估未来气候情景下粮食产量变化的常用方法。孙茹等[15]、李鸣钰等[16]、Lobell等[17]分别模拟评估了在未来气候变化情景下小麦、水稻、玉米等主要粮食作物的产量变化; 为了适应气候变化对粮食产量的影响, 可以通过调整种植措施等人为干预手段进行补偿, 如秦晓晨等[18]通过设置不同灌溉方案, 发现在气候变化背景下采取适应性措施可以有效降低产量损失。但是, 作物生长模型结构十分复杂, 多适用于田间单点尺度的作物生长模拟, 在大尺度应用上有一定难度, 且需要大量详尽的输入数据, 如生长发育过程、土壤状态、田间管理措施等, 而这些数据的获取难度较大[7]。此外, 水分条件作为制约作物生长的重要因素之一, 包括作物有效降水和灌溉用水是中国北方作物生长的重要制约因素, 同时对气候变化极其敏感。分析粮食产量对气候变化的响应, 不仅要考虑未来天然降水变化对产量的影响, 也要考虑气候变化下区域水资源量的演变导致农业用水变化对粮食产量的影响。预估气候变化背景下水资源情势的空间尺度为大尺度的天然流域, 很难利用基于单点尺度的作物生长模型研究粮食产量对气候变化驱动水资源变化的耦合响应。机器学习算法的数据需求相对简单, 能够处理非线性复杂问题, 在粮食产量预估方面有成功的应用[19-20]。如何利用机器学习算法在流域尺度上以水资源为纽带开展气候变化对粮食产量影响的相关研究, 是水资源、农业与气候交叉学科的一个重要研究方向。

    本文选取黄河中游水资源短缺问题突出的重要粮食产区汾河流域为研究区, 以冬小麦和夏玉米2种主要粮食作物为研究对象, 在粮食产量与气候、水资源、农业生产等驱动因素相关分析的基础上, 利用6种机器学习算法分别构建冬小麦和夏玉米的产量模拟模型, 利用气候弹性系数法分析水资源量对气候变化的响应关系, 研究粮食产量对气候变化驱动水资源变化的综合响应。

    • 汾河位于黄河中游, 是黄河的第二大支流, 如图 1所示。汾河流域位于110°E—114°E、35°N—39°N, 呈带状分布, 流域北部为山地高原, 中部和南部为平原河谷地带, 地跨太原、吕梁等11个地级市, 流域面积3.9万km2。汾河流域属大陆性季风气候, 年均降水量约300~500 mm, 多年平均水资源总量约34亿m3, 且年内分配不均。作为黄河流域重要的农业生产基地, 汾河流域内耕地面积占总面积的42%左右, 土壤肥沃, 气候适宜, 种植历史悠久, 是中国北方地区最著名的粮食基地之一。流域内种植农作物的种类包括粮食、油料、棉花、蔬菜、瓜果等, 其中粮食作物播种占比超过85%, 以小麦和玉米为主, 分别占粮食作物播种面积的20%和50%左右。受地域热量因素的限制, 汾河流域种植的小麦和玉米分别是冬小麦和夏玉米, 冬小麦的生育周期一般为10月至次年6月, 夏玉米的生育周期一般为6—10月。

      图  1  研究区概况

      Figure 1.  Basic information of the Fenhe River basin

    • 地形数据来源于地理空间数据云(http://www.gscloud.cn/)STRM 90m的数字高程数据。汾河流域出口控制水文站(河津站)的实测径流数据来自黄河水利委员会, 序列长度为1960—2018年。气象数据来源于中国气象数据网的中国地面气候资料日值数据集(V3.0)的站点数据, 利用汾河流域内及周边17个气象站点观测的降水、气温、日照时数3个气象要素, 将1998—2018年的数据按反距离加权插值到地级市尺度上, 折算出冬小麦和夏玉米各年生育期内的气象条件(总降水量、平均气温、总日照时数)。流域内各地级市的水资源量、农业用水量数据来源于水资源公报, 农业相关数据来自统计年鉴, 包括种植面积、灌溉面积、粮食作物产量、成灾面积、农业机械动力等, 资料年限均为1998—2018年。对于公报及统计数据, 种植面积和粮食产量是冬小麦和夏玉米的实际数据; 而灌溉面积、成灾面积、机械动力、农业水资源量是地级市全部农作物生产的年尺度数据, 同样折算为2种作物各自生育期内的数据。

    • 参考气候弹性系数的概念, 水资源量对气象要素变化的弹性系数计算公式如下[21] :

      $$ \varepsilon=\frac{\mathrm{d} Q}{\mathrm{~d} Y} \frac{Q}{Y} $$ (1)

      式中: ε为水资源量的气候弹性系数; Q为径流; Y为降水量或气温等气象要素。

      将式(1)改写为离散形式如下:

      $$ \frac{\Delta Q_{i}}{\bar{Q}}=\varepsilon \frac{\Delta Y_{i}}{\bar{Y}} $$ (2)

      式中: QY分别为水资源量和气象要素的平均值; △Qi和△Yi为相对均值的变化值。ε可用最小二乘法计算, 公式如下:

      $$ \varepsilon=\frac{\bar{Y}}{\bar{Q}} \frac{\sum\left(Y_{i}-\bar{Y}\right)\left(Q_{i}-\bar{Q}\right)}{\sum\left(Y_{i}-\bar{Y}\right)^{2}}=r \frac{C_{Q}}{C_{Y}} $$ (3)

      式中: Qi为第i年的年均径流;Yi为第i年的年均降水或年均气温;r为水资源量与气象要素的相关系数;CQCY分别为水资源量、气象要素的变差系数。

      若同时考虑降水(P)和气温(T)的影响, 可将公式(2)改写为

      $$ \frac{\Delta Q_{i}}{\bar{Q}}=\varepsilon_{P} \frac{\Delta P_{i}}{\bar{P}}+\varepsilon_{T} \frac{\Delta T_{i}}{\bar{T}} $$ (4)

      式中: εPεT分别为水资源量对降水和气温的弹性系数。可利用公式(4)来估算降水和气温变化导致的水资源量变化。

    • 利用6种机器学习算法构建汾河流域的粮食产量预估模型, 包括: 线性回归(LR)、BP神经网络(BP)、支持向量机(SVR)、随机森林(RF)、径向基网络(RBF)和极限学习机(ELM)。LR简单便捷, 但无法描述非线性关系; BP算法应用广泛, 但训练速度较慢, 容易陷入局部极小点, 且对于学习速率的选择相对敏感; SVR算法具有良好的泛化性能, 对参数和核函数选择较敏感; RF易于理解与实现, 数据准备简单, 但当决策树个数过多时需要的时间较多, 在噪音大的样本中容易过拟合; RBF训练简洁且学习收敛速度快, 能够逼近任意非线性函数, 但RBF网络很可能需要比BP神经网络多得多的隐含层神经元来达到预期的训练目标; ELM算法学习速度快、泛化性能好, 能够避免局部最优, 但在回归问题的测试和比较研究中, ELM的学习表现可能超过BP算法, 也可能略低于BP算法。由于各算法的计算原理及参数优化结果不同, 模拟结果不尽相同, 为充分考虑各算法的计算结果, 提高预估产量的稳定性, 采用算数平均法简单集成6种算法的模拟结果, 得到集成模拟产量。

      以汾河流域2种主要粮食作物冬小麦和夏玉米分别构建产量预估模型, 根据农业生产实践的相关经验, 模型输入选择冬小麦和夏玉米在各自生育期内气温、降水量、日照时数、粮食作物种植面积、灌溉面积、本地水资源量、农业用水量、化肥用量、农业机械动力、成灾面积等10个与粮食产量相关的要素。各要素之间具有一定的相关关系, 在要素相关分析及共线性检验的基础上, 利用主成分分析法进行降维。将输入数据划分为训练集与测试集, 汾河流域内大于100 km2的地级市有8个, 资料长度为21a, 冬小麦和夏玉米2种作物的数据量均为168个, 训练集与测试集的样本数分别为120个和48个。将训练集的数据输入6种机器学习算法训练模型参数, 并在测试集进行模拟验证, 训练集参数优选的目标函数采用相关系数(R2)和均方根误差(ERMS), 计算公式如下:

      $$ {R^2} = \frac{{\sum\limits_{i = 1}^N {\left( {{G_{{\rm{obs}}\mathit{i}}} - {{\bar G}_{{\rm{obs}}}}} \right)} \left( {{G_{{\rm{sim}}i}} - {{\bar G}_{{\rm{obs}}}}} \right)}}{{{{\left[ {\sum\limits_{i = 1}^N {{{\left( {{G_{{\rm{obs}}\mathit{i}}} - {{\bar G}_{{\rm{obs}}}}} \right)}^2}} \sum\limits_{i = 1}^N {{{\left( {{G_{{\rm{sim}}\mathit{i}}} - {{\bar G}_{{\rm{obs}}}}} \right)}^2}} } \right]}^{\frac{1}{2}}}}} $$ (5)
      $$ E_{\mathrm{RMS}}=\sqrt{\frac{\sum\limits_{i=1}^{N}\left(G_{\mathrm{obs}i}-G_{\mathrm{sim} i}\right)^{2}}{N}} $$ (6)

      式中: GobsiGsimi分别为第i个样本的实测产量与模拟产量, t; GobsGsim分别为实测产量与模拟产量均值, t;N为样本总数。R2越接近1, ERMS越小, 表明模拟值越接近实测值, 模拟效果越好。综上, 基于机器学习算法及集成方法构建了汾河流域主要粮食作物的产量预估模型。

    • 根据气候模式评估结果[22-23], 预计到21世纪中期黄河流域气温与降水将分别变化0.5~2.0 ℃、-10%~ 20%, 到21世纪末期气温与降水变化范围则是0.5~3.0 ℃、-10%~20%。未来降水变化均有较大的不确定性, 与基准期相比降水总体减少趋势和极端气候发生的可能性较大。因此, 针对汾河流域未来可能的气温和降水变化做出如下情景设置。将气温在现状基础(1960—2018年)上分别增加0.5 ℃、1.0 ℃、1.5 ℃、2.0 ℃、2.5 ℃、3.0 ℃, 将降水量在现状基础上分别增减10%、20%、30%, 共建立12种不同的气候变化情景。参考《全国国土规划纲要》、《全国农业可持续发展规划》和《山西省土地利用总体规划》等各类土地利用规划文件进行调整和规划。主要以耕地面积调整为主, 设置3种未来土地利用情景: 基期现状年、近期目标年、远期目标年3类耕地情景, 相对于基期现状年, 近期目标年和远期目标年下的耕地面积分别减少3%和5%。

      气候变化会对区域水资源量造成影响已是不争的事实, 水分是限制农业生产的重要因素, 以气候变暖为主要特征的气候变化对作物物候产生了重要的影响。在气候变化情景下, 降水与气温的变化导致流域水资源量变化和作物生育周期的变化, 基于弹性系数法计算流域水资源量对气候变化的响应, 并依据相关关系推求农业用水量的变化。

      (1) 基于历史统计资料构建作物生育周期对气候变化的响应, 进一步推求生育周期变化导致的日照时数变化, 综合整理在每种情景下降水、气温、作物周期、日照时数、本地水资源量、农业用水量的综合变化作为模型情景输入。

      (2) 在土地利用变化情景下, 依据情景设置相应改变冬小麦和夏玉米的种植面积, 并依据相关关系相应改变灌溉面积, 同样整理每种情景下的种植面积和灌溉面积作为模型的情景输入。

      (3) 将气候变化情景和土地利用变化情景交叉组合, 即在12种气候变化情景、3种土地利用情景下分别模拟冬小麦和夏玉米的产量, 各情景的模拟结果与基准期模拟结果(降水、气温、土地利用保持不变时的产量模拟结果)的相对变化即为汾河流域主要粮食作物的产量对气候变化驱动水资源变化的响应。

    • 根据农业生产实践和历史研究经验, 综合考虑气象条件、耕地状况、农业管理措施、机械条件、灾害因子等多种影响因素作为影响粮食产量的主要要素, 包括气温、降水量、日照时数、粮食作物种植面积、灌溉面积、本地水资源量、农业用水量、化肥用量、农业机械动力、成灾面积等10个因子。由于各个地级市的面积、产量等数据差距较大, 将地级市数据统计到流域尺度, 统一分析1998—2018年间汾河流域的冬小麦和夏玉米产量与各驱动要素的相关关系, 如图 2图 3所示。结果表明: 对于冬小麦, 除日照时数、种植面积、成灾面积与产量间呈负相关关系(其中日照时数、种植面积与产量间的关系不显著, 而成灾面积与产量负相关显著)外, 其余因子均与冬小麦产量呈正相关关系。其中, 降水、农业用水量与产量间的相关系数相对较高, 分别为0.440、0.506。对于夏玉米, 降水、气温、日照、和农业机械4个因子与产量间的相关关系并不显著, 成灾面积与产量间呈负相关关系(通过显著性检验), 其余因子均与夏玉米产量呈正相关关系(通过显著性检验)。其中, 种植面积、灌溉面积、农业用水量、施肥量等因子与夏玉米产量间的相关系数均大于0.9, 是影响夏玉米产量的重要要素。相对而言, 冬小麦散点图中的点群分布相对较为分散, 考虑是因为各地级市上冬小麦的种植面积相对较小, 除气象因子外其余数据是由年尺度的统计数据换算到生育期尺度, 存在一定的误差。其中, 种植面积与冬小麦产量之间呈不显著的负相关关系, 这是因为近年来汾河流域冬小麦的种植面积逐渐减少, 而总产基本不变或略有增加, 这与单产的提高有关;夏玉米的点群分布相对集中, 其中农业机械动力与产量的散点图中有3个奇异点, 这是2016—2018年3 a内的机械动力情况, 根据国家统计局相关资料显示这一变化与国家政策相关, 中国农业机械动力2015年前不断增长而2016年后受经济补贴、市场和环保等方面制约, 机械动力大幅度下降, 这也说明1998—2015年间农业机械与产量间关系相对密切, 2016年后关系相对不显著。

      图  2  各驱动要素与汾河流域冬小麦产量间的相关关系

      Figure 2.  Correlation among the driving factors and winter wheat yield

      图  3  各驱动要素与汾河流域夏玉米产量间的相关关系

      Figure 3.  Correlation among the driving factors and summer maize yield

      虽然降水、气温、日照3个气象要素与粮食产量相关系数并不高, 但不能否定其与粮食产量间的重要关系。研究及生产实际表明, 降水量是影响粮食生产的重要因素之一, 降水在生育期内分配不均, 或许不能很好地与粮食作物需水时间完全吻合, 造成生育期内的降水总量无法准确表征降水要素与粮食产量间的相关性[24]。大多研究表明气温升高对粮食产量产生影响[25], 然而不同地区、不同作物类型、不同生长阶段对气温的需求不同, 生育期平均气温与产量间的相关性也被部分掩盖。此外, 光照的明暗交替过程有利于植物进行光化合及光呼吸[26], 光照持续时间越长, 光合过程越彻底。生育期内的总日照时数可以表征光照的数量, 但无法说明明暗交替的频率[27]。因此, 虽然降水、日照和气温与产量间的相关系数不高, 但都是影响产量的重要因素, 需要被充分考虑。

    • 经共线性检验, 10个驱动要素的共线性统计量容差≤0.2, 即要素间存在严重共线性情况, 采用主成分分析法降维处理为4个相互独立的主成分变量作为模型输入, 并将冬小麦和夏玉米在地级市上的年产量作为模型目标输出, 计算时段为1998—2018年, 随机抽取样本数据作为训练集与测试集, 进行率定与验证, 模拟结果如图 4所示。

      图  4  6种机器学习算法的模拟结果

      Figure 4.  Simulation result of six machine learning algorithms

      汾河流域冬小麦和夏玉米的产量在各算法下的模拟结果都良好, 所构建的粮食产量预估模型能够较好地模拟主要粮食作物的产量。整体来看, 随机森林最好, 其次分别是神经网络、支持向量机、线性回归、极限学习机和径向基网络。冬小麦的模拟结果相对更好, 各算法在训练期及测试期的R2均大于0.8, ERMS均小于10。夏玉米除径向基网络模拟在测试期的R2为0.70、ERMS为17.95外, 其余模拟精度都相对较高。

      不同的学习算法具有不同的原理、结构、假定、条件, 适用范围并不相同, 导致最终的模拟结果也不相同, 由于模型结构、模型输入、模型参数等不确定性必然会导致各种算法的模拟结果会存在一定程度的偏差。因此, 为减少误差、提高精度, 考虑将各种方法的模拟结果进行简单的集成去综合各种算法的优点, 改进粮食产量预估模型的整体性能。将6种机器学习算法的模拟结果进行算术平均, 得出冬小麦和夏玉米产量的集成模拟结果(图 4), 图中对比发现集成后的模拟结果基本不会劣于任意单一算法的模拟算法, 2种作物在测试集模拟的R2分别是0.96和0.92, 集成后的ERMS大多数均小于单一算法的ERMS, 明显提升了单一算法的模拟结果, 集成后的结果效果较好。

    • 根据气候弹性系数法, 计算得出汾河流域水资源量对降水的弹性系数是1.94, 说明水资源量随降水增加而增加, 即当降水增加10%时, 流域水资源量将增加19.4%;水资源量对气温的弹性系数是-0.41, 表明水资源量随气温升高而减少, 即当气温升高1 ℃时, 汾河的水资源量将减少4.3%。水资源量对降水变化的敏感性高于对气温变化的敏感性。在不同气候情景下, 汾河流域水资源量的变化情况如表 1所示。当降水分别增加10%、20%、30%时, 汾河水资源量增加19.4%、38.8%、58.2%, 降水减少时变化则相反。当气温升高0.5 ℃、1.0 ℃、1.5 ℃、2.0 ℃、2.5 ℃、3.0 ℃时, 汾河流域的水资源量在(-12.8%, -2.1%) 区间内变化。汾河流域水资源量对气候变化的响应结果与王登等[28]、蔺彬彬等[29]的研究成果基本吻合, 结论可信。

      表 1  粮食产量对气候变化驱动水资源变化的响应

      Table 1.  Response of grain yield to climate change driving water resources change  %

      类别 响应关系 降水变化率 气温变化量
      -30% -20% -10% 10% 20% 30% 0.5 ℃ 1.0 ℃ 1.5 ℃ 2.0 ℃ 2.5 ℃ 3.0 ℃
      水资源量 水资源量变化率 -58.2 -38.8 -19.4 19.4 38.8 58.2 -2.1 -4.3 -6.4 -8.5 -10.7 -12.8
      冬小麦产量 对气候变化直接响应 -17.3 -11.5 -5.7 5.7 11.3 16.8 1.9 4.0 5.9 7.9 12.8 17.6
      对气候-水资源综合响应 -19.3 -12.9 -6.4 6.4 12.7 18.8 1.8 3.8 5.7 7.6 12.4 17.1
      夏玉米产量 对气候变化直接响应 -12.4 -7.2 -3.1 4.2 8.6 12.8 1.3 2.6 3.8 5.1 6.7 8.5
      对气候-水资源综合响应 -15.0 -8.9 -4.0 5.0 10.2 15.3 1.2 2.4 3.5 4.7 6.2 7.9

      利用构建好的粮食产量预估模型和评估思路, 分别改变模型输入, 计算得出变化情景下的粮食产量变化, 结果如表 1图 5所示。汾河流域冬小麦和夏玉米的产量均随降水增加而增加, 随气温升高产量增加, 产量对降水变化的敏感性高于气温变化的敏感性, 2种作物产量对降水变化的响应较为接近, 对于气温升高的响应则是冬小麦更加敏感。

      图  5  不同情景下冬小麦和夏玉米的产量变化

      Figure 5.  Change of grain yield under different scenarios

      将水资源量作为中间变量计算粮食产量对气候变化的响应时, 结果表明在现状土地利用水平下, 当降水减少时产量减少(降水减少10%~30%时, 小麦产量减少6.4%~19.3%, 玉米产量减少4.0%~15.0%); 当降水增加时产量增加(降水增加10%~30%时, 小麦产量增加6.4%~18.8%, 玉米产量增加5.0%~15.3%), 小麦产量对降水变化的敏感性大于玉米。一般而言气温升高会导致作物生长速度发生变化, 从而影响作物的生育周期及产量, 且气候变暖对冬季播种作物的影响大于夏播作物[30]。相关资料显示, 中国北方地区冬小麦的全生育期平均缩短1.9 d/10a[31-32], 夏玉米的全生育期则有所增长, 平均增加0.4 d/10 a [33]。当气候变暖0.5~3.0 ℃时, 汾河流域冬小麦的生育周期预计缩短1~15 d, 产量预计增加1.8%~17.1%; 而夏玉米的生育期预计延长0~5 d, 产量预计增加1.2%~7.9%。在现状土地利用情景向近期目标年和远期目标年土地利用转变的过程中, 由于种植面积的减少造成了相同气候变化情景下粮食产量随之减少,即在耕地面积减少3%时, 小麦和玉米的产量分别减少1.8%、2.2%左右; 在耕地面积减少5%时, 产量分别减少3.1%、3.6%左右。

      不考虑气候变化对水资源量的影响, 直接计算粮食产量对降水和气温变化的响应, 如表 1所示, 对比2种方法的结果, 考虑水资源量作为中间变量时, 小麦和玉米产量对降水变化的响应更为明显。供水条件是制约作物生长的因素之一, 特别在北方缺水地区除天然降水外, 人工灌溉也是重要的水源, 在变化环境下单一依靠降水往往难以满足农业生产的需求, 需要按一定制度辅以灌溉措施。气候变化不仅直接作用于作物生长过程, 还会引起水资源量变化, 进一步影响灌溉制度的制定, 因此,仅考虑降水气温等气象因子的直接变化不足以充分表征其对粮食产量的影响, 将水资源量作为中间变量, 综合考虑气候变化及水资源变化对粮食产量的贡献, 结果更为准确。

      汾河流域的粮食作物主要以冬小麦和夏玉米为主, 2种作物产量对降水变化的响应较为接近, 伴随着升温汾河流域2种作物产量均增加, 这与孙茹等[15]、李阔等[34]的结论也基本一致。但是冬小麦产量对气温升高更加敏感。在升温2 ℃以内, 小麦增产在8%以内, 玉米增产在5%以内;当继续升温到2.5 ℃, 甚至到3 ℃时, 小麦将增产12%~18%, 而玉米增产量仍在9%以内。夏玉米的生育周期一般为6—10月, 冬小麦生育周期为10月至次年6月, 升温使得冬小麦全生育期缩短, 越冬死亡率降低;升温使得夏玉米播种时间提前, 生育期延长, 使得产量增加。未来可以综合考虑该地区气候变化趋势, 调整作物播种期, 合理调整灌溉与雨水利用以及改进生产技术等方法趋利避害, 保障黄河中游地区的粮食安全。气候对产量的影响是一个综合复杂过程, 本文仅从整个生育期内分析流域粮食产量对气候变化的响应, 未细化到作物不同生长阶段的演变, 不同生长期内气象要素的演变对产量的贡献方向不尽相同, 因此,未来需要深入研究气候变化对作物生理过程的影响。

    • 本文在粮食产量驱动要素分析的基础上, 基于机器学习算法构建汾河流域冬小麦和夏玉米2种粮食作物的粮食产量预估模型, 基于气候弹性系数法分析水资源量对气象要素的敏感性, 设置未来气候情景及土地利用情景, 作为模型输入, 评估粮食产量对气候变化驱动水资源变化的响应, 主要结论如下:

      (1) 利用6种机器学习算法构建汾河流域冬小麦和夏玉米的粮食产量预估模型, 能够较好地模拟历史粮食产量, 其中随机森林和神经网络模拟结果相对更好, 并对多算法结果进行集成, 集成后的结果基本均优于单一算法。

      (2) 采用气候弹性系数法, 计算得出汾河流域水资源量对降水的敏感度为1.94, 对气温的敏感度为-0.41, 即当降水增加10%时, 汾河流域水资源量增加19.4%, 当气温升高1 ℃时, 流域水资源量减少4.3%。

      (3) 将水资源量作为中间变量计算粮食产量对气候变化的响应, 结果表明降水减少10%~30%时, 小麦产量减少6.4%~19.3%, 玉米产量减少4.0%~15.0%; 气候变暖0.5~3.0 ℃时, 汾河流域冬小麦产量预计增加1.8%~17.1%,夏玉米产量预计增加1.2%~7.9%。在耕地面积减少3%时, 小麦和玉米的产量分别减少1.8%、2.2%左右; 在耕地面积减少5%时, 产量分别减少3.1%、3.6%左右。

      水资源与粮食产量的变化受到多种因素的影响和制约, 其过程机理较为复杂, 需要在今后的研究工作中进一步深入分析。未来可以将机器学习算法、作物生长模型、水文模型和田间试验结果等充分耦合, 深入揭示流域尺度上基于水文循环规律的作物生长机制, 探索输入数据相对简单且精度较高的产量模拟方法, 结合区域气候模式进一步分析粮食作物产量在不同生长期内对气候变化的响应。

参考文献 (34)

目录

    /

    返回文章
    返回