未來RCPs情景下水稻單產模擬研究
——以浙江省寧波市為例*

郭 浩1,2，張興明2，林德根2，王靜愛2，梁勤歐1

(1.浙江師范大學 地理與環境科學學院,浙江 金華 321004;2.北京師范大學 區域地理重點實驗室,北京 100875)

?

未來RCPs情景下水稻單產模擬研究
——以浙江省寧波市為例*

郭 浩1,2，張興明2，林德根2，王靜愛2，梁勤歐1

(1.浙江師范大學 地理與環境科學學院,浙江 金華 321004;2.北京師范大學 區域地理重點實驗室,北京 100875)

以浙江省寧波市為例，采用IPCC第5次評估報告建議使用的代表性濃度路徑(RCPs)情景氣象數據，通過EPIC模型模擬未來水稻單產，探討其變化及其影響因素.結果表明：1)未來4種RCPs情景下寧波地區水稻單產呈下降趨勢，每10 a下降0.176～0.383 t/hm2；單產最大值每10 a下降0.088 8 t/hm2，最小值每10 a下降0.368 4 t/hm2，單產波動幅度增大；變異系數上升6～8個百分點，單產不穩定性加強，即不確定性增加，風險加大.2)RCP2.6和RCP4.5情景下水稻單產與日最高溫度相關性最大，相關系數分別為-0.708,-0.580；RCP6.0和RCP8.5情景下與太陽輻射相關系數最大，相關系數分別為-0.612,-0.756，未來該地區水稻生育期內日最高溫度和太陽輻射量增大是導致水稻產量下降的主要因素.

水稻；RCPs情景；EPIC；單產模擬；浙江省寧波市

0 引 言

近年來以變暖為主要特征的全球氣候變化受到人們的普遍關注.IPCC(政府間氣候變化專門委員會)指出,未來全球變暖仍將持續，到21世紀末，全球平均地表溫度在1986—2005年基礎上將升高0.3～4.8 ℃[1].全球氣候變暖正在影響農業生產，作物產量由于溫度上升等原因出現下降[2].干旱和高溫等極端天氣事件的增多導致農業生產風險加大，全球糧食安全受到威脅.水稻是世界第二大糧食作物，播種面積占世界糧食作物的27.90%，總產占1/4[3].氣候變暖改變了水稻生長的水熱條件，嚴重影響水稻的生產.對水稻產量進行模擬預測，有助于了解未來其變化趨勢，為糧食安全提供參考和借鑒.

目前常見的水稻產量預測模擬模型有：ORYZA,CERES-Rice,WOFOST和EPIC等.ORYZA是由國際水稻研究所(IRRI)與荷蘭瓦赫寧根大學(WUCR)專為熱帶水稻模擬而開發的系列模型.ORYZA模型曾用于對我國興化地區[4]和馬來西亞水稻產量、生物量等[5]進行的模擬研究，該模型主要考慮氮元素在植物中的利用，對磷、鉀等考慮較少.CERES(Crop Environment Resourse Synthesis)-Rice是DSSAT(Decision Support System for Agrotechnology Transfer)系列的子模型，通過遺傳因子與氣象要素相互作用的數學描述，對作物進行模擬.國內外學者通過該模型在氣候變化[6]、耕作制度[7]、土壤水分有效性[8]等方面對水稻生長進行模擬，但該模型對極端天氣事件及病、蟲、草等因素的危害考慮不足[9].WOFOST(World Food Studies)是由世界糧食研究中心開發，著重強調土地評價、風險分析、氣候變化影響的定量化表達.有學者利用WOFOST對浙江水稻生長進行模擬[10].WOFOST模型在特殊土壤和景觀等細節上考慮不夠細致，比較適宜在大范圍內開展模擬研究[11].EPIC(Erosion/Productivity Impact Calculator)模型是基于物理原理而進行的自然模擬過程，以天為步長，綜合考慮土地生產力和土壤侵蝕變化等對作物生長的影響[12]，具有綜合性強、模擬準確、可操作性高等優點.國內外也有較多學者采用EPIC模型對水稻生長、水稻產量等進行模擬[13-14].EPIC相較于其他模型在土壤水分、養分循環和土壤侵蝕等方面模擬更加準確，在環境變化模擬方面具有天生的優勢[15]，可以用于未來氣候情景下單點模擬研究.因此,本文選取EPIC模型對寧波市未來水稻產量進行模擬.

未來氣候變化情景下我國水稻主產區的產量模擬也有研究，熊偉等[16]利用中國隨機天氣模型將HadCM2和ECHAM4兩種氣候模式與CERES-Rice相結合，模擬未來4種氣候情景下我國主要水稻產區產量的變化.研究表明,未來大部分地區水稻呈減產趨勢.姚鳳梅等[17-18]采用了CERES-Rice作物模型結合區域氣候模式，模擬了A2和B2氣候情景對中國南方稻區灌溉水稻產量的影響.結果顯示:隨著溫度的增加，水稻產量呈下降趨勢.上述研究使用的氣象數據相較于RCPs情景數據，在各項政策對未來排放影響方面考慮不足.同時研究著重強調對未來水稻產量的整體趨勢的探討，沒有對溫度、光照、降水等多個氣象要素與產量關系進行定量分析.本文以浙江省寧波市為例,通過EPIC模型模擬未來該地區RCPs情景下水稻單產，研究其變化趨勢、波動范圍及穩定性，并分析未來該地區水、光、熱與單產的關系.為未來氣候變化情景下該地區水稻生產提供一定的參考和科學依據.

1 數據與方法

浙江寧波位于東經120°55′～122°16′，北緯28°51′～30°33′，屬亞熱帶季風氣候.多年平均氣溫為16.7 ℃，平均降水量約1 480 mm，5—9月占全年降水量的60%.水稻是該地區主要糧食作物，是浙江省水稻高產區，以單雙季秈粳稻為主.寧波水稻拋秧面積1.3 萬hm2，占其水稻面積的14.5%，主要分布在寧波市、余姚市、奉化市等地.寧波水稻生產潛力較大，近年來單產平均在7.5 t/hm2左右，2012年百畝示范田甚至出現13.5 t/hm2的高產；但同時也受旱災影響嚴重，2013年高溫導致寧波地區約140 hm2水稻絕收.

1.1 模型與數據來源

EPIC模型包含11個子模塊：作物生長、作物環境、耕作、天氣、水文、侵蝕、養分、農藥、土壤溫度、經濟和碳循環[19].EPIC模型對作物生長的描述則分為6個部分：作物產量模塊、物候發育模塊、水分利用模塊、養分利用模塊、環境脅迫模塊和潛在生長模塊.基于EPIC模型數據需求和特點，構建相應的數據庫(見表1)，主要包括：作物生長環境數據庫、田間管理數據庫、作物單產數據庫.

代表性濃度路徑(Representative Concentration Pathways,RCPs)是指“對輻射活性氣體和顆粒物排放量、濃度隨時間變化的一致性預測，作為一個集合，它涵蓋了廣泛的人為氣候強迫”[20].RCPs情景數據可根據2100年所達到的輻射強迫不同分為4種典型濃度路徑,分別為RCP2.6,RCP4.5,RCP6.0及RCP8.5.各路徑的模型、形態等信息如表2所示.

本文的RCPs情景數據來源于德國聯邦教育與研究部(German Federal Ministry of Education and Research,BMBF)資助的ISI-MIP項目.該研究采用HadGEM2ES,IPSL-CM5A-LR,MIROC-ESM-CHEM,GFDL-ESM2M和NorESM1-M這樣5個GCMs模型，輸出空間分辨率為0.5°×0.5°網格形式的1971—2099年全球每日氣象數據[23].

RCPs情景數據對于極端天氣表現能力更強，農業生產對氣候因子尤其是極端天氣敏感性較大，因此,該數據能夠更好地用于未來氣候條件下農業生產的評估[24].

1.2 模型校準與敏感性分析

由于氣候、土壤等要素的地區差異，作物模型在不同地區和不同尺度的應用中，其模擬的精度受到不同程度的影響.EPIC模型參數具有顯著的區域性，在其研發地(美國)適用性好，應用到其他國家和地區時，需要對模型參數進行校準和修訂.目前常用的對EPIC模型進行校準的方法有：田間實驗法、專家經驗法、模擬最優法[25-26].這3種方法主要是對模型中的關鍵參數進行調整.

敏感性分析(Sensitivity Analysis)是確定關鍵參數的重要研究方法，用于從眾多參數中識別和選擇關鍵的控制參數，篩選出引起模型結果不確定性的主要因素[27].EFAST(Extent Fourier Amplitude Sensitivity Test)是目前效率較高的敏感性分析方法之一.其方法的核心是用一個周期函數的曲線在參數的多維空間內搜索，然后用傅里葉變換計算參數的幅度，幅度越大敏感性也越高[28].EFAST方法認為，模型結果的方差可以反映模型結果對輸入參數的敏感性，模型總方差是由各參數及參數間耦合作用共同作用得到，因此,方差V可以分解為

式(1)中:V表示模型結果的總方差;Vi為某一參數Xi對于模型結果貢獻的方差；Vij為參數Xi通過參數Xj作用所貢獻的方差，也即耦合方差；Vijm為參數Xi通過參數Xj,Xm作用所貢獻的方差；V12…k為參數Xi通過參數Xi,…,Xi-1,Xi+1,…,Xk所貢獻的方差.

Vij=V[E(Y/Xi,Xj) ]-Vi-Vj.

(3)

式(2)～式(3)中，某一個參數Xi所貢獻的方差Vi等于模型結果Y對Xi條件期望的方差.同樣,Vij表示Y對Xi,Xj條件期望的方差減去各自所貢獻的方差.如此，各參數及參數相互作用的方差與總方差的比值為敏感指數[29].敏感指數的取值為0～1.越接近1，參數敏感性越高，對模型模擬結果影響越大，在模型校準過程中應當著重對這些參數進行調整.

本文敏感性分析過程主要分為4步：1)確定參與敏感性分析的作物參數取值范圍和分布形式；2)在取值范圍內生成作物參數隨機樣本；3)使用EPIC模型計算所有參數樣本對應的產量輸出；4)使用EFAST法分析參數樣本與模擬產量數據，得到作物參數敏感性如圖 1所示.

圖1表明,不同參數對于模擬產量的敏感程度差異較大，敏感指數最大值接近0.35，大部分參數敏感指數接近0.潛在光能利用率(WA)、最低收獲指數(WSYF)、生長季峰值點(DLAI)、最大潛在葉面積指數(DMLA)4個參數一階敏感性指數之和為0.812，對產量波動的貢獻率占80%以上，寧波地區水稻敏感參數為WA,WSYF,DMLA,DLAI.

以2000—2009年寧波市農氣站實際單產為基準，以0.1為步長不斷調整WA,WSYF,DMLA,DLAI等4個敏感參數的值[30].參數調整范圍為初始參數值(EPIC默認參數)的0.5～1.8倍.根據模擬單產與基準單產變化趨勢及相關系數，判斷模型校準效果.

1.3 單產損失計算方法

在校準模型的基礎上，利用RCPs情景數據對2010—2099年寧波市水稻單產進行模擬，運用線性趨勢分析法，分析2010—2099年寧波市水稻單產變化趨勢，并以2000—2009年單產平均值為基準，計算未來不同年代單產損失的百分比：

式(4)中:YL表示單產損失率;Yi為第i年代單產平均值;Y0為基準單產平均值.通過單產變化和單產損失率揭示未來該地區水稻單產損失變化趨勢.統計每年4種RCPs情景下單產最大值和最小值，運用線性趨勢分析法，分析未來單產波動范圍變化.同時計算2010—2049年和2050—2099年2個不同時段的單產變異系數：

2 結果與分析

2.1 模型檢驗

實際單產數據為2000年至2009年，與模擬單產進行對比，結果如圖2所示.2000—2009年模擬單產與實際單產整體變化趨勢基本一致.2002—2003年、2005—2006年、2008—2009年兩者均呈現一致的下降趨勢，2000—2002年、2003—2005年、2007—2008年兩者也呈一致的明顯上升趨勢.模擬單產與實際單產相關系數約為0.571且在0.050水平上顯著相關，模擬結果與實際單產具有較好的相關性，模型校準結果良好.

2.2 未來水稻單產變化

2.2.1 未來水稻單產損失趨勢

2010—2099年寧波市在RCPs 4種情景下的水稻單產均呈現下降的趨勢，下降幅度有所不同.RCP2.6，RCP4.5，RCP6.0和RCP8.5情景下單產下降幅度分別為：每10 a下降0.182,0.176,0.280 t/hm2和0.383 t/hm2.其中RCP4.5情景下水稻單產下降幅度最小，RCP8.5情景下下降幅度最大.

圖3是未來水稻單產損失變化情況，結果表明，RCP2.6情景下，單產呈現先下降后上升的趨勢，2070s達到最低值，減少約20.18%，隨后單產逐漸回升，該趨勢與RCP2.6輻射強迫變化相一致；RCP4.5情景下單產變化最為平緩，21世紀20年代以前單產有一定上升，隨后逐漸下降，至60年代達到減產最大值；RCP6.0情景下，單產呈現階梯狀下降的趨勢，21世紀10年代及20年代年單產迅速下降，20—50年代呈相對穩定狀態，50—60年代再次下降，至21世紀末單產有小幅回升；RCP8.5情景下單產呈現明顯的下降趨勢，產量損失最大可達45%，下降幅度較大的時段分別為21世紀20—40年代、50—69年代.

綜合來看，未來4種氣候情景下寧波市水稻單產均呈現下降趨勢，RCP4.5和RCP2.6情景下降幅度較小，RCP6.0，RCP8.0下降幅度較大.2050年以前，4種情景下單產減少相對平緩，RCP2.6，RCP4.5，RCP6.0，RCP8.5情景下分別減產約13.86%，6.00%，11.41%，11.58%.但如果不及時采取有效措施，2050年后除RCP2.6情景外其余3種情景均有大幅減產，到21世紀末4種情景下減產幅度分別為6.96%，14.78%，23.05%，44.94%.

相關研究表明，在氣候變化影響下21世紀亞洲地區可能平均減產約3.8%，包括中國南部、泰國、印度西部等多個地區為減產區域[31].在不同氣候模式下，我國水稻至21世紀50年代平均單產減少8.6%～12.6%，至80年代減產可達到18.4%～26.2%(不考慮CO2肥效性)[32].以我國主要水稻區杭州站為例，至2030年水稻產量減少約為10%～15%[16].我國長江中下游地區江蘇、浙江、江西等減產幅度為10%～20%[33].本文結論與我國南方地區水稻產量整體趨勢和減產幅度基本一致，未來氣候變化情景下我國南方地區水稻產量可能出現10%左右的下降，將面臨較大的減產危機.寧波作為浙江省水稻高產區，其水稻生產穩定性至關重要，但隨著未來氣候變暖，該地區可能出現超過40%以上的減產，這將給浙江乃至我國糧食安全造成極大威脅.

2.2.2 未來水稻單產波動

圖4是2000—2099年單產波動曲線，結果表明，4種情景中單產最大值下降幅度較小，約每10 a下降0.088 8 t/hm2；單產最小值下降幅度較大，約每10 a下降0.368 4 t/hm2.2050年以前未來單產最高可達8 t/hm2，最小值大多為3～4 t/hm2；2050以后，單產最大值大多處于7 t/hm2上下，單產最小值可以達到2 t/hm2以下；從變化范圍來看，2050年以前產量最大值和最小值差距較小;2050年以后，尤其是2070年后單產波動范圍增大，出現極端低值的頻率升高.

計算2010—2049年和2050—2099年單產變異系數.截至2049年，4種情景中,RCP6.0情景下單產變異系數最大,為37.16%，RCP4.5情景下單產變異系數最小,為23.58%.2050—2099年，單產變異系數最大及最小值依然是RCP6.0和RCP4.5，分別為43.55%,32.42%.4種情景下單產變異系數均有上升，上升幅度從6%～8%不等.21世紀后50 a區水稻單產穩定性較之前有明顯下降.

類似研究發現，未來南方地區，水稻高產年和低產年的概率明顯增加，產量分布趨于兩極化，也即單產波動范圍加大[17].包括浙江在內的長江中下游稻區產量年際變率相對于基準值有所上升，未來該地區水稻產量穩定性變差[31].與浙江相鄰的福建省水稻產量未來穩定性較差[34].年際間波動幅度增加，主要由于氣溫升高，導致某些年份極端高溫出現的頻次增加，進而影響水稻生長，致使年際間產量波動.未來南方部分地區可能出現水稻單產的波動性增強的現象，高溫、干旱等極端天氣事件的頻次加大可能導致單產不確定性增加.近年來，寧波地區多次出現極端高溫導致水稻減產，2013年部分地區甚至出現絕收現象，進一步驗證了本文的結論.由于未來寧波市水稻單產出現極端低值概率增加，單產最小值下降幅度較大，使得波動范圍加大，不穩定性增加.可見未來該地區水稻生產應當重點關注出現極端低值的情況.

綜上所述，未來4種RCPs情景下寧波市水稻生產的風險加大，主要表現在單產呈下降趨勢，單產的波動范圍逐漸增大，單產的不穩定性增加.隨著未來氣候變化加劇，該地區水稻單產的不確定性增加.

2.3 未來水稻單產主要影響因素

未來4種氣候情景下，寧波市水稻單產呈現整體下降、波動性增加的變化趨勢.為了近一步探究造成該變化的主要因素，本文對單產和氣候數據進行相關性分析,具體見表3.

水、光、熱是影響作物生長的最主要氣象要素，表3即4種RCPs情景下未來水稻單產與生育期內水(降水、相對濕度)、光(太陽輻射)、熱(最高溫、最低溫)相關系數表.從表中可以看出,未來寧波地區水稻生育期內雖然降水量有一定的上升，但相對濕度依然呈現下降的趨勢，這主要因為太陽輻射和溫度的上升幅度較大，生育期內降水量的微弱增加不足以改變未來該地區向暖干化轉變的趨勢.到21世紀末，4種情景下相對濕度下降約2～3個百分點，溫度上升1～4 ℃，太陽輻射可能增加1 W/m2以上.水稻對水分需求較大，該地區暖干化轉變的趨勢加大旱災發生的可能性，嚴重影響水稻生產.

4種情景中RCP2.6和RCP4.5模擬單產與生育期內日最高溫度呈高度負相關，相關系數分別為0.708和0.580；RCP6.0和RCP8.5的模擬單產與生育期內太陽輻射強度呈高度負相關，相關系數分別為0.612,0.756.由此可見，未來寧波市RCP2.6和RCP4.5情景下水稻單產下降的主要原因是由于日最高溫的大幅上升，RCP6.0,RCP8.5情景下主要由于太陽輻射量的升高影響單產，使水稻減產.

日最高溫度多出現在午后，這一時期作物蒸騰、蒸散量增加，水稻需水量加大，但由于相對濕度下降，水稻很可能發生萎蔫，加大了遭受高溫熱害、高溫干旱的可能性.研究表明，溫度上升尤其是極端高溫對糧食產量有負面影響[35].高溫、低風速的情況下，水稻穗部的溫度比氣溫高4 ℃[36]，嚴重影響發育.華東地區水稻生產研究表明,氣溫升高對水稻生長不利，其影響遠大于降水量對產量的影響[37].同時太陽輻射的大幅上升導致該地區夜間溫度升高，夜間溫度升高5 ℃，水稻減產可達90%[38]，夜間溫度升高使水稻的呼吸作用加強，消耗大量有機質，造成減產.未來由于日最高溫度、太陽輻射的增加導致寧波市水稻產量下降，出現極端低產的概率增加，不穩定性增強.因此，該地區應當加強對溫度、太陽輻射的關注度，防范高溫、干旱等極端事件對水稻生產的影響，加大預警力度；進一步完善水稻旱災保險制度，降低理賠門檻；采取合理有效的灌溉措施，穩定水稻生產，降低旱災發生的可能性.

3 結論與討論

面對未來氣候變暖，寧波市水稻單產的不確定性增加，水稻生產風險加大.主要表現在：1)未來水稻單產呈現下降的趨勢，至21世紀中葉4種情景下水稻單產減少幅度分別為13.86%,6.00%,11.41%,11.58%，至21世紀末減少幅度可能高達44.94%；2)水稻單產的波動范圍加大、穩定性減小，4種情景下2050—2099年與2010—2049年水稻單產變異系數上升6～8個百分點.寧波作為浙江省水稻高產區，對未來氣候變暖條件下水稻生產風險應當引起足夠的重視，加強水稻生產管理.通過調整生育期、改良品種等措施，盡量減緩水稻產量下降趨勢，逐漸適應氣候變化.從而穩定浙江及我國南方水稻區的生產，減小對我國乃至世界糧食安全的威脅.

未來4種氣候情景下，對水稻單產影響最大的為日最高溫度和太陽輻射，相關系數最高分別為-0.708和-0.756.適宜的光照和溫度能促進水稻生長，但隨著未來寧波地區趨向于暖干化，光、熱反而在一定程度上成為抑制水稻生長的主要因素.未來該地區應當著重防范氣候變暖尤其是高溫、干旱等極端天氣事件對水稻生產的影響.完善水稻旱災等理賠保險機制，盡量減少由于氣候變化導致產量下降所帶來的負面影響.

在今后的相關研究中以下問題值得進一步探討：1)在模型和氣候情景的選擇上，目前對未來水稻產量模擬研究中大多使用較為成熟的SRES排放情景.但SRES情景數據對極端天氣事件的表現不足，隨著未來氣候變化的不斷加劇，極端天氣事件增多，該情景已經難以滿足對未來預測的需求.本文使用IPCC第5次評估報告建議使用的RCPs情景數據，但該數據在農業生產研究中的應用還不成熟，部分濃度路徑可能需要進一步探討.在今后的研究中可以綜合多個氣候模式對作物產量進行預估，以減小由單一氣候模擬帶來的不確定性.同時，ORYZA，CERES-Rice，EPIC等是較為常見的用于水稻模擬研究的模型，每個模型都有各自的優勢和局限性，例如EPIC在土壤侵蝕等方面具有優勢，在水文單元響應上也有一定的局限性.2)水稻種植受自然和人為作用共同影響，在對未來水稻產量模擬研究中，應綜合考慮自然和人為因素.在自然因素方面，南方多丘陵、山地，水稻種植存在山地和平原2種不同的環境，寧波市屬于寧紹平原，因此,本文研究對象以平原水稻為主.事實上丘陵水稻種植缺少水源、水利設施較差、有機質匱乏、耕性差，降雨淋溶和徑流使得氮元素等大量流失[39]，因此,在干旱等災害面前更加脆弱.面對未來氣候變暖，平原水稻和山地水稻對溫度的敏感程度不同，產量可能有較大差異.未來加強不同環境下水稻對比模擬研究具有重要意義.在人為因素方面，未來水稻品種改良、科學技術進步等對水稻生產有較大影響.但由于模型的局限性，本文很難將未來人為因素考慮在內，目前對該方面的研究也相對欠缺，今后研究中可以根據歷史水稻種植發展及農業技術發展速度預估未來發展趨勢，從而更加全面地模擬未來水稻生長.3)未來CO2等溫室氣體濃度增加，能提高植物單位葉面積的凈光合速率，增加干物質積累量，同時提高作物對水分的利用效率，對作物產量提高有促進作用[40].雖然有研究表明CO2對部分水稻的肥效作用不足以抵消由溫度升高帶來的負面影響[33]，但筆者認為可以在一定程度上減緩水稻產量的下降速度.

[1]IPCC.Working group I contribution to the IPCC fifth assessment report climate change 2013:The physical science basis[M].Cambridge:Cambridge University Press,2013:1-36.

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

[3]FAO.World rice statistics 2011[R].Rome:FAO,2011.

[4]申雙和,楊沈斌,李秉柏,等.基于ENVISAT ASAR數據的水稻估產方案[J].中國科學:D輯 地球科學,2009,39(6):763-773.

[5]Vaghefi N,Shamsudin M N,Makmom A,et al.The economic impact of climate change on rice production in Malaysia[J].International Journal of Agricultural Research,2011,6(1):67-74.

[6]江敏,金之慶,石春林,等.福建省基于自適應調整的水稻生產對未來氣候變化的響應[J].作物學報,2012,38(12):2246-2257.

[7]Timsina J,Humphreys E.Performance of CERES-rice and CERES-wheat models in rice-wheat systems:A review[J].Agricultural Systems,2006,90(1):5-31.

[8]Mahmood R,Legates D R,Meo M.The role of soil water availability in potential rainfed rice productivity in Bangladesh:applications of the CERES-rice model[J].Applied Geography,2004,24(2):139-159.

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

[10]謝文霞,嚴力蛟,王光火.運用 WOFOST 模型對浙江水稻潛在生長過程的模擬與驗證[J].中國水稻科學,2006,20(3):319-323.

[11]謝文霞,王光火,張奇春.WOFOST 模型的發展及應用[J].土壤通報,2006,37(1):154-158.

[12]Liu Junguo.A GIS-based tool for modelling large-cale crop-water relations[J].Environmental Modelling & Software,2009,24(3):411-422.

[13]Worou O N,Gaiser T,Saito K,et al.Simulation of soil water dynamics and rice crop growth as affected by bunding and fertilizer application in inland valley systems of West Africa[J].Agriculture,Ecosystems & Environment,2012,162：4-35.

[14]何飛.區域農業旱災系統研究——以湖南蒸水流域水稻旱災為例[D].北京:北京師范大學減災與應急管理研究院,2010.

[15]范蘭,呂昌河,陳朝.EPIC 模型及其應用[J].地理科學進展,2012,31(5):584-592.

[16]熊偉,陶福祿,許吟隆,等.氣候變化情景下我國水稻產量變化模擬[J].中國農業氣象,2001,22(3):1-5.

[17]姚鳳梅,張佳華,孫白妮,等.氣候變化對中國南方稻區水稻產量影響的模擬和分析[J].氣候與環境研究,2007,12(5):659-666.

[18]Yao Fengmei,Xu Yinglong,Lin E,et al.Assessing the impacts of climate change on rice yields in the main rice areas of China[J].Climatic Change,2007,80(3/4):395-409.

[19]Singh V P.Computer models of watershed hydrology[M/CD].Highlands Ranch.Colo:Water Resources Publications,2002.

[20]Moss R H,Edmonds J A,Hibbard K A,et al.The next generation of scenarios for climate change research and assessment[J].Nature,2009,463(7282):747-756.

[21]van-Vuuren D P,Edmonds J,Kainuma M,et al.The representative concentration pathways:an overview[J].Climatic Change,2011,109(1):5-31.

[22]陳敏鵬,林而達.代表性濃度路徑情景下的全球溫室氣體減排和對中國的挑戰[J].氣候變化研究進展,2010(6):436-442.

[23]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.

[24]胡亞南,劉穎杰.2011—2050年RCP4.5新情景下東北春玉米種植布局及生產評估[J].中國農業科學,2013,46(15):3105-3114.

[25]Folberth C,Gaiser T,Abbaspour K C,et al.Regionalization of a large-scale crop growth model for sub-Saharan Africa:Model setup,evaluation,and estimation of maize yields[J].Agriculture,Ecosystems & Environment,2012,151:21-33.

[26]Barros I,Williams J R,Gaiser T.Modeling soil nutrient limitations to crop production in semiarid NE of Brazil with a modified EPIC version: II:Field test of the model[J].Ecological Modelling,2005,181(4):567-580.

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

[28]Xu C,Gertner G.Extending a global sensitivity analysis technique to models with correlated parameters[J].Computational Statistics & Data Analysis,2007,51(12):5579-5590.

[29]姜志偉,陳仲新,周清波,等.CERES-wheat作物模型參數全局敏感性分析[J].農業工程學報,2011,27(1):236-242.

[30]Yin Yuanyuan,Zhang Xingming,Lin Degen,et al.GEPIC-VR model:A GIS-based tool for regional crop drought risk assessment[J].Agricultural Water Management,2014,144:107-119.

[31]Matthews R B,Kropff M J,Horie T,et al.Simulating the impact of climate change on rice production in Asia and evaluating options for adaptation[J].Agricultural Systems,1997,54(3):399-425.

[32]Wei Xiong,Conway D,Lin E,et al.Potential impacts of climate change and climate variability on China′s rice yield and production[J].Clim Res,2009,40(1):23-35.

[33]楊沈斌,申雙和,趙小艷,等.氣候變化對長江中下游稻區水稻產量的影響[J].作物學報,2010,36(9):1519-1528.

[34]江敏,金之慶,楊慧,等.基于IPCC SRES A1B 情景下的福建省水稻生產模擬研究[J].中國生態農業學報,2012,20(5):625-634.

[35]Prasad P V V,Boote K J,Allen J L H,et al.Species,ecotype and cultivar differences in spikelet fertility and harvest index of rice in response to high temperature stress[J].Field Crops Research,2006,95(2):398-411.

[36]Tian Xiaohai,Matsui T,Li S,et al.Heat-induced floret sterility of hybrid rice (Oryza sativa L.) cultivars under humid and low wind conditions in the field of Jianghan Basin,China[J].Plant Production Science,2010,13(3):243-251.

[37]孫衛國,程炳巖,楊沈斌,等.區域氣候變化對華東地區水稻產量的影響[J].中國農業氣象,2011,32(2):227-234.

[38]Mohammed A R,Tarpley L.High nighttime temperatures affect rice productivity through altered pollen germination and spikelet fertility[J].Agricultural and Forest Meteorology,2009,149(6): 999-1008.

[39]陳安強,雷寶坤,魯耀,等.南方山地丘陵區考慮水稻產量和生態安全的容許施氮量[J].農業工程學報,2013,29(9):131-139.

[40]黃建曄,楊洪建,董桂春,等.開放式空氣 CO2濃度增高對水稻產量形成的影響[J].應用生態學報,2002,13(10):1210-1214.

(責任編輯 杜利民)

SimulationofriceyieldunderRCPsscenariosinfuture:AcaseofNingbo,Zhejiangprovince

GUO Hao1,2, ZHANG Xingming2, LIN Degen2, WANG Jing′ai2, LIANG Qin′ou1

(1.CollegeofGeographyandEnvironmentalSciences,ZhejiangNormalUniversity,JinhuaZhejiang321004,China; 2.SchoolofGeography,BeijingNormalUniversity,Beijing100875,China)

Taken Ningbo, Zhejiang as an example and used representative concentration pathways (RCPs) scenarios meteorological data which proposed by IPCC 5th Assessment Report, simulated rice yield in future with EPIC model to explore the change and its influencing factor. The results showed that: 1)The rice yield of Ningbo will decline under all RCPs scenarios in future. It would drop 0.176～0.383 t/hm2each of 10 years. The maximum yields would fall 0.088 8 t/hm2and the minimum will drop 0.368 4 t/hm2each of 10 years. The fluctuation amplitude would ascend and the coefficient of variation would increase 6～8 percent, so that the instability and uncertainty of the yield would reinforce. 2)The correlations between yield and daily maximum temperature reached maximum under RCP2.6 and RCP4.5 scenarios which would be -0.708 and -0.580, respectively. While the correlations between yield and solar radiation reached maximum under RCP6.0 and RCP8.5 scenarios which would be -0.612 and -0.756, respectively. The maximum temperature and solar radiation in rice growth stages would be the major factors which leading rice yield decline in this area in future.

rice; RCPs scenarios; EPIC; yield simulation; Ningbo city, Zhejiang province

10.16218/j.issn.1001-5051.2015.04.016

2014-09-29；

：2015-01-06

國家重點基礎研究發展計劃資助項目(2012CB955403)

郭 浩(1990-)，男，安徽宿州人，碩士研究生.研究方向：地理信息系統.

王靜愛.E-mail: jwang@bnu.edu.cn

S162.5+3

：A

：1001-5051(2015)04-0452-09