多種格點作物模型對中國區域水稻產量模擬能力評估*

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

?

多種格點作物模型對中國區域水稻產量模擬能力評估*

孫 擎1，楊再強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. 南京信息工程大學氣象災害預報預警與評估協同創新中心，南京 210044；2. 南京信息工程大學江蘇省農業氣象重點實驗室，南京 210044；3. 中國測繪科學研究院，北京 100830；4. 北京師范大學全球變化與地球系統科學研究院，北京 100875）

基于部門間影響模型比較計劃（The Inter-Sectoral Impact Model Intercomparison Project，ISIMIP）FAST-TRACK輪模擬中由5種國際耦合模式比較計劃第五階段（CMIP5）全球氣候資料驅動下的6種水稻格點作物模型模擬水稻產量的結果，評估了格點作物模型模擬中國區域水稻歷史產量（1980?2004年）的時空分布模擬效果，并基于多種作物模型等權重集合平均（Multi-Crop Models Ensemble，MCME）對未來（2020?2099年）4種不同典型濃度路徑（Recommended Concentration Pathways，RCPs）情景下的中國區域水稻產量進行預估。結果表明：相對于單種水稻模型模擬的結果，采用MCME可以有效提高水稻模型在中國區域的模擬能力。MCME模擬中國區域水稻歷史年平均產量相關系數R和RMSE分別為0.798和1540.6kg·hm?2，在空間上對東北和西南地區模擬效果較好，其它地區模擬效果一般，模擬水稻產量的空間變率較大。未來隨著氣溫和CO2濃度的上升，水稻產量呈增加趨勢，在RCP8.5情景下中國區域平均水稻產量在21世紀末增加最多，達到22%，RCP6.0情景下約增產15%，RCP2.6和RCP4.5情景下水稻產量在21世紀上半葉增產，21世紀下半葉產量保持穩定甚至略有下滑，在21世紀末分別增產約4%和10%，在空間上東北和西南地區水稻增產較多，可達40%以上，其它水稻主產區如長江中下游地區和華南地區增產較小。

水稻；格點作物模型；RCPs情景；多種作物模型集合

農業對氣候變化包括氣溫、降水、CO2濃度[1]的響應非常敏感。中國是世界最大的水稻生產國[2]，養活了世界上最多的人口，同時也是受到氣候變化影響最大的國家之一。IPCC第五次評估報告(Fifth Assessment Report, AR5)[3]指出，21世紀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℃，預估至2050年每10a的糧食需求將增加約14%，同時水資源、生態、能源等領域將面臨更大的風險。因此，預測未來水稻產量對國家糧食安全和農業適應氣候變化的研究都有重要意義[4]。

研究氣候變化對農業生產影響常使用控制試驗及作物模型等方法。控制試驗一般通過FACE（Free-Air CO2Enrichment， FACE）試驗[5]、人工氣候箱控制試驗[6]等，其優點是模擬準確，對于作物生長中的生理生化機理解釋清晰，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、試驗花費較高等。在現階段，作物模型、作物模型與氣候模式耦合逐漸成為農業受氣候變化影響評價研究中的主要手段，尤其是在較大區域的評估中。Zhao等[4]比較了統計模型、區域作物模型和全球格點作物模型的結果，得出在無CO2肥效、適應氣候變化措施和作物品種改良的情況下，溫度升高會導致全球水稻產量降低。每升溫1℃，全球水稻產量平均將減少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確性。Maiorano等[9]通過比較15種小麥作物模型的結果，發現多作物模型集合可以有效降低單個作物模型模擬的不確定性，可減少27%的不確定性并提升47%的預報功能。Schleussner等[10]利用7種全球格點作物模型（Global Gridded Crop Model，GGCM）的結果，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、小麥等作物的產量會上升5%～10%。Li等[11]利用4個站點不同水平灌溉、氮素試驗的水稻數據評估了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，升溫將使水稻產量降低4.8%～55.2%，CO2倍增將使產量增加20.6%～26.2%。以往研究通常在全球尺度進行，很少對區域結果進行詳細評估。中國大部分研究報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）情景下的數據輸入作物模型得到產量預測的結果[12-[13][14]15]，較少進行作物模型間的比較或者不同氣候模式驅動下結果的比較評估且研究區域較小。多模式集合的方法已經在氣候模式的研究評估中有較為廣泛的應用[16-18,17,16]，但對多種氣候資料不同RCPs情景作為輸入資料、多種作物模型間的集合比較評估在中國很少有研究報道。

本研究在5種國際耦合模式比較計劃第五階段[17]（Coupled Climate Model Intercomparison Project 5，CMIP5）氣候模式數據驅動下，對6種全球格點作物模型模擬的水稻年產量對比實際水稻產量從中國區域尺度、單個格點尺度、單種作物模型、多種作物模型集合等方面進行時間、空間模擬效果的分析評估，在此基礎上對21世紀中國區域未來不同時間段水稻產量進行預估，以期在未來氣候變化背景下為中國水稻產量的預測、糧食安全、風險評估和農業適應氣候變化的研究提供科學支撐。

1 數據與方法

1.1 數據來源

所用數據為部門間影響模型比較計劃[19]（The Inter-Sectoral Impact Model Intercomparison Project，ISIMIP）FAST-TRACK輪模擬的全球格點作物模型的結果，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驅動（分別簡寫為HADGEM、IPSL、MIROC、GFDL和NORESM），同時受到CO2濃度、共享社會經濟路徑[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、風速和太陽輻射等；將氣候模式由自身的網絡重新投影到分辨率為0.5°′0.5°的格點上，并進行誤差訂正[30-31]，格點作物模型數據為2016年數據結果（表1），netCDF4格式，空間分辨率為0.5°′0.5°。由于水稻一般進行充足灌溉，雨養較少，因此，僅分析評估無水分限制的情況。

表1 ISIMIP水稻格點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）和國際應用系統分析研究所（International Institute for Applied Systems Analysis，IIASA）發起，有全球超過100個模型組參與研究（https://www.isimip.org/）[30][19, 30,32-33]。ISIMIP FAST-TRACK是第一輪模擬，主題是評估21世紀全球不同變暖水平下多個學科部門的預測，主要內容是利用5種全球氣候模式（Global Climate Models，GCM）及不同RCPs情景驅動多種作物、水文、生態等模型預測未來21世紀在不同增溫水平下的變化情況。

1.2 研究區域

利用的水稻種植掩膜數據為IRRI（The International Rice Research Institute，國際水稻研究機構）的基于MODIS反演的水稻種植格點數據[34]，原數據的分辨率為500m，然后利用Feng的方法[35]將其重新投影到0.5°′0.5°的格點上，得到中國區域水稻種植的格點掩膜和每個格點上水稻種植的面積數據（圖1），作為歷史及未來水稻種植的區域，此后計算的中國平均水稻產量只計算有水稻種植的區域。由于格點作物模型的結果在所有格點上均運行格點作物模型，因此會有許多格點產量非常低，使用水稻掩膜數據以減少不種植水稻地區的數據對全國平均水稻產量的誤差。

1.3 水稻產量觀測資料

用來評估歷史時期水稻產量模擬情況的觀測數據為每個省水稻統計產量數據，來源于中國農業農村部種植業管理司（http://zzys.agri.gov.cn/nongqing. aspx），臺灣省數據來自FAO，不包括香港及澳門地區數據，利用ArcGIS 10.4制作成分省的掩膜及產量數據集，格式為netCDF4。由于不同作物模型模擬的時段各不相同，為便于比較、評估，統一選擇時段1980?2004年為歷史模擬時段。

圖1 來自國際水稻研究機構IRRI的中國區域水稻種植面積比例圖（0.5°′0.5°分辨率，2000年）

1.4 水稻產量評估方法

模擬結果評估采用的指標為均方根誤差（Root mean square error，RMSE）、相關系數（Correlation coefficient，R）和標準差（Standard deviation，SD）。

2 結果與分析

2.1 作物模型模擬歷史年平均水稻產量結果評估

2.1.1 水稻全區平均產量年際變化模擬情況

圖2為6個作物模型分別在5種氣候資料驅動下的中國區域水稻平均年產量（命名為：作物模型-氣候資料）、多種氣候資料驅動下的單種作物模型水稻平均年產量（作物模型-MEAN）、全部模擬結果的水稻平均年產量集合平均（CN-MEAN）和所有省份等權重年平均水稻產量觀測值（OBS-MEAN），共38組。由圖可以看出，1980?2004年水稻產量整體呈上升趨勢，平均產量從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。格點作物模型模擬的結果均未出現較明顯的上升趨勢，僅有小幅的年際波動，這與每年不同的氣候條件有關。但從歷年產量的數值大小看，各模型或各種條件下模擬的結果間存在明顯差異，與實測值間的差距也明顯不同。其中LPJ-GUESS模型模擬的水稻產量最少，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，模擬產量遠低于實測產量的平均值。IMAGE模型模擬的水稻年平均產量最高，在8000～9000kg·hm?2，模擬產量遠高于實測產量的平均值。GEPIC和LPJML模型模擬20世紀80年代初期的水稻產量較好，年平均產量在4000～5000kg·hm?2之間波動，與水稻實際年產量較為接近，之后年份低估水稻的年平均產量。PDSSAT模型模擬結果在1990年之后與OBS-MEAN的結果非常接近，模擬效果較好，年平均產量在6000kg·hm?2左右。

圖2 水稻格點作物模型模擬的中國區域年平均水稻產量和觀測值（1980?2004年）

注：標簽名稱為作物模型-氣候資料、作物模型-MEAN（單種作物模型平均水稻年產量的等權重集合平均）、CN-MEAN（全部模擬結果的平均水稻年產量等權重集合平均）以及OBS-MEAN（觀測的水稻年平均產量）。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為中國水稻格點作物模型年平均產量結果的泰勒圖，同時根據式（1）?式（3）計算每個作物模型結果的R、RMSE和SD，結果如表2所示。從圖3和表2可以得知，對于未進行集合平均的單個模擬結果來說，由GFDL驅動的LPJML模型其相關系數R最大，為0.725，R最小的是由MIROC驅動的PDASSAT模型，為?0.339。由GFDL和HADGEM驅動的格點作物模型的R一般高于由其它氣候資料驅動的格點作物模型。每個作物模型的RMSE差異較大，但由不同氣候資料驅動的同一作物模型 RMSE較小的格點作物模型大多為LPJML模型的結果，在900kg·hm?2左右，RMSE最大的水稻格點作物模型為LPJ-GUESS模型，RMSE在4300kg·hm?2左右，與實際水稻產量差距較大，低估60%以上。中國區域的水稻實際年平均產量的標準差較大，這主要是由于實際水稻產量的上升較快造成的，而所有格點作物模型模擬結果的標準差較小，這主要是由于水稻格點作物模型結果年際變化較小，水稻產量較為穩定，也就無法很好地反應水稻年平均產量的上升趨勢，這可能是由于現有的作物模型尚未考慮種植水稻的技術進步和水稻品種的更替等原因，因此現有的作物模型模擬的結果只能反應氣候的變化趨勢。對于多種氣候資料驅動的單種作物模型水稻平均年產量集合平均的結果來說，相關系數R有了明顯的提升，模擬最好的LPJML-MEAN其R達到了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模型的集合平均結果外，其余作物模型的集合平均結果R均達到顯著相關。CN-MEAN的R達到0.798，與OBS-MEAN極顯著相關，但是多作物模型集合平均的結果CN-MEAN的RMSE和標準差相對于單種作物模型的集合平均結果提升較少，RMSE為1540.6kg·hm?2，標準差與實際水稻產量相差較大，為79.5，只能部分反映出水稻年平均產量上升的趨勢。

圖3 水稻格點作物模型模擬中國區域水稻年平均產量與實際產量關系的泰勒圖（1980?2004年）

表2 水稻格點作物模型結果相對于觀測產量的標準差、相關系數和RMSE

2.1.2 水稻產量空間模擬情況

圖4為水稻格點作物模型模擬1980?2004年水稻產量與觀測產量的相關系數（R）的空間分布。從圖可以看出，各個作物模型在不同氣候資料的驅動下每個格點模擬產量與實際產量的相關系數R也不盡相同，空間分布差異較大。EPIC模型在東北地區的黑龍江和吉林、西南地區的重慶和貴州模擬較好，在華南地區如福建等地的模擬效果較差；GEPIC模型在東北及西南地區的模擬效果比其它地區較好；IMAGE模型區域間的模擬效果差異極大，在東北地區及云南、廣西、廣東等地模擬效果較好，但是對于長江中下游地區模擬效果非常差，這可能是由于模型自身的問題或輸入參數缺乏所導致；LPJ-GUESS模型整體的R并不高，僅在利用MIROC氣候資料驅動的情況下在長江中下游、福建等地的模擬效果稍好；而LPJML模型模擬結果與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；對于PDASSAT模型來說，利用各個氣候資料驅動的空間模擬結果，大部分地區的R在0.5以下。

圖4 水稻格點作物模型中國區域產量相對于觀測產量相關系數（R）的空間分布（1980-2004年）

圖5為水稻格點作物模型模擬1980?2004年水稻產量與觀測產量的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間也存在較大差異。EPIC模型在東北地區的遼寧、吉林等省，西南地區的四川、重慶等省的RMSE較大，最高可達5000kg·hm?2，長江中下游及華南地區RMSE稍小，但也達3000kg·hm?2；GEPIC模型在全國大部分地區的RMSE都很小，在2000kg·hm?2以內，僅在東北地區稍大，為2500～4500kg·hm?2，可見其模擬效果較好；IMAGE模型在大多數地區的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模型在中國區域的模擬效果較差，RMSE均在4000kg·hm?2以上，僅部分地區如江西、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和云南的RMSE稍高，余下全國絕大多數地區的RMSE均在1500kg·hm?2以下，模擬效果較好；PDSSAT模型的模擬效果一般，全國大部分地區在1500～3000kg·hm?2，僅在安徽、湖北、東北的部分地區模擬水稻產量的RMSE較大。總體看來，GEPIC和LPJML模擬水稻產量在中國區域的RMSE較低，表現最好，與實際水稻產量接近。

分別將6個作物模型在所有氣候模式及情景下的格點模擬結果進行等權重集合平均（圖6），與全部水稻格點作物模型等權重集合平均（CN），并計算與實際水稻產量的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的R和RMSE都較高，其它地區模擬效果一般；GEPIC模型的模擬在西南地區稍好，R較高的同時RMSE較低，東北地區雖然R較高但是RMSE也較高，其它地區R較低，RMSE也較低；IMAGE模型對廣東、廣西、云南等地的模擬效果較好，但是在R較高的同時RMSE也較高，其它地區模擬效果較差；LPJ-GUESS模型對中國區域的模擬較差，模擬產量非常低，因此RMSE偏高，需要對模型的輸入數據進行較大改進或對模型內部的相關模擬過程進行較多調整；LPJML模型對于中國區域的模擬效果相對于別的作物模型來說較好，相關系數R大部分地區在0.25以上，同時RMSE也較低；PDASSAT模型對中國區域的模擬較差，只有華南、華北、西南部分地區的RMSE較低，東北地區模擬效果稍好，相關系數R較高且RMSE較低；將所有模型的結果進行等權重平均（CN）后，東北地區的相關系數R較高，但該地區的RMSE也較高，長江中下游地區的RMSE較低，但是相關系數R也較低，西南地區模擬效果最好，R較高的同時RMSE較低。綜合作物模型模擬水稻年產量時間、空間分布的結果來看，CN-MEAN的模擬效果最好，優于單個格點作物模型集合平均的結果，因此選取全部模型等權重集合平均的結果對中國區域未來水稻產量進行預測分析。

圖5 水稻格點作物模型中國區域產量相對于觀測產量的RMSE分布（1980?2004年）

圖6 單個水稻格點作物模型等權重集合平均與全部水稻格點作物模型等權重集合平均（CN）在中國區域水稻模擬年產量相對于觀測產量的R與RMSE分布（1980?2004年）

2.2 作物模型模擬未來水稻產量變化情況

2.2.1年際變化

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

圖7 不同氣候情景下多格點作物模型集合平均對中國區域水稻平均產量的年際變化模擬

注：陰影部分表示該結果多格點作物模型集合平均的5%～95%的置信區間。

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

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

2.2.2 空間分布

相對于1980?2004年歷史時段模擬的平均水稻產量，水稻格點作物模型在不同RCPs情景下，未來不同時段中國區域平均水稻產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情景下水稻增產的區域較為一致，東北、華北及西南地區增產最多。RCP2.6情景下未來不同時段水稻產量相對于歷史時段水稻產量增長較少，只有在東北、云南等地有600～1200kg·hm?2的增長。RCP4.5情景下在東北、四川等水稻主產區均有大幅增長，全國各地均有不同增長，只有在安徽南部、福建等地水稻產量增長較小，同時隨著氣溫和CO2濃度的升高，全國絕大部分地區水稻產量呈增長趨勢。在RCP6.0情景下水稻產量隨著氣溫和CO2濃度的升高呈增長趨勢，其中東北、西南地區呈現較大幅度的增長，長江中下游地區、湖南地區增長幅度較小。在RCP8.5情景下，21世紀上半葉水稻產量增長較小，僅在東北地區、西南部分地區如云南東北部、云南西南部、四川東部呈現小幅增長，到了21世紀后期，東北、華北、西南地區水稻產量呈現較大幅度的增長，平均增產可達40%以上，但在長江中下游地區、華南地區增幅較小，增產在1200kg·hm?2以內，這可能是由于長江中下游、華南地區已經有充足的水熱條件，因此產量增長幅度較小，在東北、西南地區現階段水熱條件不足，水稻為喜溫作物，因此增溫與增加CO2濃度可能會對水稻生長發育產生較大有利影響，從而出現產量增幅較大的情況，也可能是由于部分模型會高估溫度和CO2濃度升高致水稻增產，同時也體現了高緯及低緯高海拔地區增暖放大的現象。RCP4.5和RCP6.0的產量增長幅度較大是由于缺少格點作物模型部分結果而造成較大的誤差，因此只能分析水稻增產的空間分布，不對產量進行分析或與RCP2.6及RCP8.5情景下的結果比較。

圖9 相對于1980?2004年歷史時段模擬的平均水稻產量，未來多種格點作物模型集合平均在不同RCPs情景下不同時段對中國區域平均水稻產量模擬偏差的空間分布

3 討論與結論

3.1 結論

（1）多種作物模型集合平均的模擬能力要優于單個作物模型。利用單種作物模型的結果很難給出可信的結論，同時作物模型之間、作物模型與觀測值之間的差別較大。多種作物模型集合平均的相關系數R和RMSE較其它作物模型模擬結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，水稻產量呈增加的趨勢。在RCP2.6和RCP4.5情景下，21世紀上半葉水稻產量增加，但在21世紀后半葉水稻產量保持穩定甚至略有下滑，在RCP6.0和RCP8.5情景下水稻產量會持續增長，增產在不同RCP情景中也是最多的。21世紀末隨著CO2濃度的升高，在RCP2.6、RCP4.5、RCP6.0和RCP8.5情景下分別增產約4%、10%、15%、22%，這與Li等[11]的研究結果較為一致。

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

3.2 討論

多種作物模型集合平均的結果雖呈上升趨勢，但在評估中無法完全反映水稻實際年平均產量上升的趨勢，RMSE較大，這是由于各個作物模型使用不同的氣候資料驅動，較少或者沒有考慮農業技術進步和水稻品種的改良等對于水稻產量的影響。ISIMIP FAST-TRACK中多種水稻格點作物模型對中國區域的模擬能力仍有許多不足，這是由于各個作物模型在某些模塊對作物生長發育的模擬有一定局限性，且在輸入作物模型的數據資料中也有不全或大范圍采用相同的輸入數據，例如施肥量、種植日期、種植管理方式等在中國區域較為單一，同時氣候資料對于溫度、降水、輻射等氣象要素的模擬也存在較大不確定性[16-17,16]，這些因素都將導致作物模型模擬效果變差，另外觀測資料也存在不足，只利用了每個省的年平均水稻產量，因此評估及預估的結果有一定的不確定性。未來對中國水稻產量的評估可使用更加精細的水稻格點實際產量數據，可以更好地分析出水稻格點作物模型在空間上的模擬效果。另外本研究僅利用了有CO2濃度強迫下的格點作物模型的結果，對于分離溫度與CO2濃度對模擬結果的影響并未進行研究。

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，使作物模型在格點上的模擬更加準確，另外可以輸入一定的適應性措施例如種植或收獲時間的調整[36]。格點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干擾或抵消其中一些集合成員對作物的某些例如生長、生理等方面模擬較好的地方，這也是今后需要進行研究的方面。此外還可借鑒CMIP5資料的相關研究方法，利用多作物模型集合平均的方法進行研究，如加權平均的方法[37]，提高作物模型集合的模擬能力，比較作物模型間各個模塊的模擬過程，并對作物模型進行改進等。

致謝：

感謝參與ISIMIP計劃的作物模型團隊和ISIMIP跨部門科學團隊提供的數據支持。

[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, 高麗娜,等. 低溫對早稻幼穗分化期葉片生理特性的影響及其與產量的關系[J].中國生態農業學報,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℃背景下中國玉米產量變化趨勢評估[J].中國農業氣象,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的適應性調整模擬研究[J].中國水稻科學,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中國小麥產量的影響[J]. 中國農業科學,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

國家留學基金；江蘇省研究生培養創新工程項目（KYLX16_0944）

孫擎（1989?），博士生，主要從事作物模型、農業氣象災害及其風險研究。E-mail: sunqingmeteo@gmail.com

孫擎,楊再強,楊世瓊,等.多種格點作物模型對中國區域水稻產量模擬能力評估[J].中國農業氣象,2019,40(4):199-213