基于日尺度的安徽省冬小麥生長過程陰濕害災損評估模型研究

陳金華，岳 偉，吳文革 ，許有尊，喬玉強，劉瑞娜，楊太明

(1.安徽省農業氣象中心安徽省農村綜合經濟信息中心，安徽合肥 230031；2.安徽省農業科學院水稻研究所，安徽合肥 230031；3.安徽省農業科學院作物研究所，安徽合肥 230031)

蘇皖兩省淮河以南、湖北北部及河南南部等地區是我國稻茬小麥最主要種植區域，面積約500萬hm2[1]。該區域稻-麥種植為我國糧食安全做出重要貢獻，但受暖濕型氣候影響，長江中下游稻茬小麥種植過程中濕漬害問題突出，嚴重影響其產量與品質[2-5]。研究表明，蘇皖兩省江淮及其以南地區3-5月份年平均濕漬害發生次數為1.5～3.0次，漬害過程的平均持續時間達6 d以上[6]。造成小麥減產10%以上的澇漬災害平均每5年發生2次[7-8]。

前人在小麥濕漬害評估方面開展了大量研究。霍治國等[9]選取旬降水量、雨日、日照時數，構建了冬小麥、油菜澇漬指數與等級標準。盛紹學等[10]、馬曉群等[11]利用產量統計資料和旬尺度的陰濕害氣象指數分別建立了基于災損率的冬小麥漬害指標與損失評估模型。吳洪顏等[12]利用澇漬害氣象指數和災損評估模型，反演、分析了長江中下游地區春季澇漬害的發生和災損風險區劃的時空分布特征。秦鵬程等[13]基于時段有效降水和潛在蒸散確定了濕漬害過程判別和等級劃分方法。范雨嫻等[14]以有效累積降水量及連陰雨日數為判別因子，構建基于逐日數據的油菜春季澇漬過程災變判別指標。張旭暉等[15]綜合應用土壤水分與氣象觀測數據，構建基于日漬澇災害指標和權重指數的漬澇災害過程指數模型。在漬害作用機理方面，吳曉麗等[16]、吳啟俠等[17]、胡繼超等[18]通過試驗發現不同時期的漬水對冬小麥生物學特性、干物質與產量都有明顯影響。李金才等[19]、張永清等[20]、劉 楊等[21]分析指出孕穗期或灌漿期漬水的影響大于拔節期，返青期、苗期次之。但也有研究認為，出苗期是稻茬小麥漬害影響關鍵期[22]。

目前廣泛應用的濕漬害評估模型多以旬以上尺度的陰濕指數、濕潤指數作為主要參數。這類指數資料易于獲取、簡單實用，但統計時段出現旱澇急轉時，會將整個時段作為漬害影響時期。開展不同生育時期濕漬害影響機理研究對確定作物漬害防控敏感期及育種選種有重要意義，但有關結論與漬害風險評估融合應用案例并不多見。陳金華等[23]以前期降水、蒸散為基本參量，構建了日尺度的標準化前期降水蒸散指數(standardized antecedent precipitation evapotranspiration index, SAPEI)，由于采用三參數的log-Logistic概率分布F(x)進行標準化擬合，在表征日尺度的農田旱澇演變方面有較強適用性與通用性。本研究擬在此基礎上，探討日尺度的SAPEI與前人不同生育時期漬害敏感性分析試驗結果耦合應用的可行性，以期構建一種日尺度的安徽省冬小麥生長過程陰濕害災損評估方法。

1 模型構建方法

1.1 數據來源

氣象資料來源于安徽省氣象局，包括78個地面氣象觀測站的1961-2018年逐日平均氣溫、最高氣溫、最低氣溫、降水量、風速、空氣相對濕度、日照時數等。1961-2014年冬小麥分縣產量資料來源于安徽省統計年鑒。2016年冬小麥漬害損失率調查數據來源于安徽省農業科學院。

1.2 趨勢產量分解

農作物的實際產量(Yo) 受社會生產力水平、氣象條件及隨機因素共同影響。忽略隨機因素影響情況下，氣象產量(Yw)可表示為：

Yw=Yo-Yt

(1)

式中Yt為趨勢產量，由社會生產力水平決定Yw氣象產量。氣象產量是絕對量，不具可比性，因此引入氣象減產率(△Y)的概念，即：

△Y=(Yo-Yt)/Yt×100%

(2)

本研究趨勢產量分解采用HP濾波方法[24]，通過Eviews軟件實現。

1.3 基于日尺度過程的冬小麥陰濕害綜合指數構建

1.3.1 標準化前期降水蒸散指數

無灌溉時忽略地表徑流與地下水影響，某日水分收支量(△Wi)可用降水與蒸散差值來表示。

△Wi=Pi-Kc×ET0,i

(3)

式中，i為日序數；Pi為日降水量，ET0,i為日參考蒸散量，采用聯合國糧農組織(FAO，1998)推薦的Penman-Monteith模型計算；Kc為作物系數，計算方法參考文獻[25]。

當前農田土壤水分供應能力與前期水分收支量有關，可用前期降水與蒸散差值指數(antecedent precipitation evapotranspiration index, APEI)表示。

(4)

式中，m為前推天數，取值100，i為前推日序數(當日為0)，K為日尺度衰減系數,取0.955，同文獻[26]、[23]；△Wi為日水分收支量。

陳金華等[23]對APEI序列數據x={x1，x2，……，xn}，采用三參數的log-Logistic概率分布F(x)進行擬合，再經正態標準化求得APEI的標準化變量，即標準化前期降水蒸散指數(SAPEI)。記log-Logistic擬合分布超過某個x值的累積概率P=1-F(x)。F(x)計算方法同文獻[23]。

(5)

(6)

式中，c0=2.515 517，c1=0.802 853，c2= 0.010 328，d1=1.432 788，d2=0.189 269，d3= 0.001 308。

日尺度的SAPEI可反映降水時間分布及日雨量大小對旱澇的影響，精準刻畫安徽省不同區域日尺度的旱澇變化[23]，其等級標準與理論累積概率見表1[23,27-28]。

表1 標準化前期降水蒸散指數(SAPEI)等級標準、理論累積概率Table 1 Grade standard and theoretical cumulative probability for standardized antecedent precipitation evapotranspiration index(SAPEI)

1.3.2 日陰濕害氣象指數

作物陰濕害是由農田水分供應過剩、日照不足引起。不計地形、土壤因素影響時，某日作物陰濕害強度(Qi)可表示為：

(7)

式中，SAPEIi為當日SAPEI值，SAPELw0為漬害發生界限值，取值0.5，fs為日照百分率。

1.3.3 基于逐日過程的冬小麥陰濕害綜合指數

已有試驗表明，由于漬水發生時期、強度和天數的不同，漬害災損率會存在差異[17,19-22]。因此，單一以漬水時期、天數或強度來劃定濕漬害的農業影響指標均存在局限性。本研究通過陰濕害氣象指數與階段敏感性系數耦合，以有效陰濕害積來表征陰濕害所處階段、強度、持續時間的綜合影響，構建一種基于日尺度過程的冬小麥全生育期陰濕害綜合指數(overcast and waterlogging composite index，OWCI)。

(8)

式中，n為全生育期天數，i為日序數，ri為第i日漬害敏感性系數。本研究參考前人漬害控制試驗結果及專家經驗[19-22]認為，小麥漬害敏感性在冬季緩慢生長(越冬)期最低，越冬至返青期呈漸升趨勢，拔節后快速增強，揚花期進入緩增期，并趨于冬后最大值。小麥冬前漬害敏感性在越冬至冬前分蘗生長階段呈漸升趨勢，三葉至出苗期為快速增強期，出苗前為緩增期，并趨于冬前最大值。即冬前、冬后敏感性均符合Logistic曲線分布，可用下式表示[29]：

(9)

式中,α、β為參數，γmax陰濕害敏感性最大值，冬后γmax取值1.0；通常冬前陰濕害影響可通過作物自身調節彌補，故本研究冬前γmax取值 0.5。Logistic 曲線實質是一個拉長的S形累積增長曲線，其一階導數為速度函數。當速度函數的二階導數值為0時，Logistic 曲線方程的增長速率出現拐點，此時有：

(10)

(11)

式中l、r為拐點出現日期的日序數。本研究結合安徽小麥常年發育期[30]，設漬害敏感性最小值日期出現在1月16日(越冬期)，冬前進入快速增長與緩增期的拐點日期為12月1日(越冬前)、11月1日(出苗期)，冬后進入快速增長與緩增期的拐點日期為3月1日(返青期)、4月21日(揚花期)，將其與1月16日的間隔日序數代入方程求得冬前、冬后Logistic曲線α、β參數，代入方程(9)取得全生育期的陰濕害敏感性系數(圖1)。

圖1 冬小麥全生育期陰濕害敏感性系數Logistic曲線變化

1.4 陰濕害災損評估模型構建

首先篩選典型漬害年樣本，然后以基于過程敏感性的冬小麥陰濕害綜合指數(OWCI)為自變量、氣象減產率(△Y)為因變量，建立陰濕害災損評估模型。由于無漬害時理論災損率應為0，且陰濕害指數越大，氣象減產率越大，設置曲線的截距為0進行建模。陰濕害災損評估模型為：

△Y=a·(OWCI)2+b·OWCI

(12)

式中，a、b為回歸系數。典型漬害年需同時排除以下條件：

(1)剔除干旱對產量損失的影響。以旱積指數(Dr)作為篩選因子。

(13)

式中，SAPEId0為干旱發生界限值, 取 -0.5。本研究要求全生育期Dr<5.0，其中播種至出苗期(10月6日-11月10日)、孕穗以后 (4-5月)兩個關鍵期的Dr<0.5。

(2)剔除高低溫災害影響。4月份日最低氣溫Tmin≤2.0 ℃的霜凍日數、5月份日平均氣溫T>30.0 ℃或日最高氣溫Tmax>35.0 ℃的高溫日數、冬季(12-2月)日最低氣溫Tmin<-10 ℃的凍害日數。三者累計值≤4 d。

(3)剔除豐年，即選擇△Y>-3.00%的 樣本。

經篩選得到典型陰濕害年樣本90個。隨機將樣本分為兩組，第一組60個樣本用于陰濕害災損評估模型建模，第二組30個樣本用于模型 檢驗。

2 結果與分析

2.1 冬小麥陰濕害災損評估模型的擬合性比較

為求證不同階段陰濕害影響的敏感性，用Logistic曲線陰濕害敏感性方法(Logisticγi)、等敏感性方法(γi=1)分別求得典型陰濕害年的OWCIs、OWCIe數值，并分別應用SPSS統計分析軟件，建立陰濕害災損評估模型。結果顯示，兩種方法的氣象減產率與作物陰濕害綜合指數OWCI呈明顯二次曲線關系，R2分別為 0.843、0.805，均通過0.001顯著性檢驗(表2)。對兩種方法比較，Logistic曲線陰濕害敏感性方法的R2、F、均方根誤差值均優于等敏感性方法。

表2 冬小麥濕漬害災損評估模型回歸參數Table 2 Regression parameters in yield loss models for winter wheat overcast and water logging disaster

圖2 冬小麥濕漬害災損評估模型模擬值與觀測值比較(A:等敏感性方法；B:Logistic γi方法)

2.2 冬小麥陰濕害災損評估模型檢驗

2.2.1 典型年樣本檢驗

利用第二組樣本對表2方程進行檢驗，結果顯示，利用Logistic曲線陰濕害敏感性方法與等敏感性方法得到氣象減產率的模擬值與觀測值均高度相關，R2分別達0.685 1、0.573 2，趨勢線與y=x標準線基本吻合。兩者比較看，等敏感性方法的輕、中度陰濕害年的災損模擬值明顯高于觀測值，而Logistic曲線陰濕害敏感性方法未出現類似情況，且總體模擬效果也優于等敏感性方法。可見，Logistic曲線陰濕害敏感性方法可以剔除非敏感期無效漬害的影響。

2.2.2 應用效果檢驗

應用基于Logisticγi法建立的冬小麥陰濕害災損評估模型對2015-2016年度陰濕害影響進行評估，結果顯示，合肥以南地區陰濕害災損為3.1%～38.6%，其中沿江江南大部災損達10%以上，皖南南部、沿江西部部分地區最重，普遍達2成以上(圖3分類色斑圖)。對江淮31個縣(區)冬小麥漬害影響調查數據顯示，沿江大部分地區的漬害損失率為15%～20%，江淮之間大部分地區在10%左右(圖3標注)。從兩者對比看，濕漬害影響總體上表現江淮之間站點小于沿江站點，但個別站點存在輕重相反情況，具體數值上也有一定差異。這主要與調查點的代表性，調查數據與評估數據點、面差異性有關。

圖3 基于Logistic γi方法的2016年冬小麥陰濕害災損評估應用效果(色斑圖:模擬值,標注：調查值)

2.3 冬小麥陰濕害災損氣候風險分析

應用基于Logistic法所建模型構建1981-2018年冬小麥陰濕害災損率序列數據，并分別計算1981-2010年冬小麥陰濕害災損率氣候態值(△Y′)及2011年以來平均災損與氣候態值的距平百分率(Ya)。結果顯示，△Y′ 總體呈緯向分布，沿江中西部及皖南大部為冬小麥陰濕害災損氣候風險高值區，△Y′為3.1%～7.0%不等；沿淮淮北為冬小麥漬害災損氣象風險低值區，△Y′小于1%；其他地區陰濕害災損氣候風險中等，△Y′為1.1%～3.0%不等(圖4A)。 全省的Ya值為 -55.7%～209.4%，除合肥、巢湖、馬鞍山為負值區外，大部分地區的Ya大于0(圖4B)。

圖4 基于Logistic γi方法的冬小麥陰濕害災損率空間分布(A：1981-2010年30年氣候態均值；B:2011年以來均值)

可見，2011年以來的平均陰濕害損失率較1981-2010年30年氣候態值有加重趨勢，其中沿淮Ya普遍大于90%，即加重1～2倍不等。

3 討 論

選取日尺度的標準化前期降水蒸散指數、日照百分率為陰濕害關鍵影響因子，采用有效陰濕害積及其所處生育時期的敏感性耦合方法，建立基于過程的冬小麥全生育期陰濕害綜合指數(OWCI)，并通過OWCI與陰濕害典型年氣象減產率的相關性分析，構建了一種基于過程敏感性的冬小麥陰濕害災損評估方法。結果表明，陰濕害典型年氣象減產率與Logistic曲線敏感性法、等敏感性法構建的冬小麥陰濕害綜合氣象指數均呈良好的二次曲線擬合關系。經檢驗，兩種方法所建模型具有較高的預測精度，其中Logistic曲線敏感性法所建模型的效果較好。說明以有效陰濕害積作為冬小麥陰濕害的危險性評價指標有實際應用價值。

本研究在典型年樣本篩選上，以基于過程的旱積指數剔除干旱年型，確保了入選樣本干旱噪音最小化；在旱積指數遠小于漬積指數條件下，部分輕中度濕漬害年也作為典型年樣本，提高了典型年樣本不同等級覆蓋度。而同類研究中，多以階段性水分盈虧率或相關災情統計數據為典型年篩選條件，入選的樣本多為重、特澇年型；總體偏澇但旱澇并存的樣本也可能進入典型年，存在氣象減產率中含有干旱損失率分量問題。本研究構建的基于過程敏感性的冬小麥陰濕害災損評估方法，綜合了致災因子危險性、承災體敏感性影響，可較好地實現冬小麥不同生育時期的陰濕害災損的差異性評估。而同類旬以上尺度的濕漬害評估方法存在平滑或均等化陰濕害過程影響問題。另外，通過陰濕害氣象指標與前人漬害敏感性試驗參數的融合應用，提高了陰濕害災損評估精度與動態性能，也間接證實不同生育時期陰濕害敏感性存在差異，但不同生育時期陰濕害敏感性系數及其出現拐點日期，是結合前人試驗及經驗方法確定，還有待進一步驗證。

由圖4A、B比較可知，2010s以來，安徽大部分地區陰濕害影響有加重趨勢，其中北部冬小麥主產區加重趨勢更為顯著。陰濕害是影響小麥產量與品質的關鍵因素之一，未來小麥生產需要加大陰濕害及其衍生災害的應對與防控力度。