東北三省地區生長季旱澇對春玉米產量的影響

王蔚丹 孫麗 裴志遠 馬尚杰 陳媛媛 孫娟英 董沫

摘要：評估生長季旱澇對作物產量的影響有助于農民采取措施增產保收。本研究基于1988—2017年氣象站點數據和災情、產量等統計數據，以中國東北三省為研究區，通過對比多時間尺度指標——標準化降水指數（SPI）和標準化降水蒸散指數（SPEI）與旱澇受災率的關系，選擇優勢指數表征東北春玉米生長季干濕狀況，基于HP濾波構建相對氣象產量，利用距離相關分析方法選取合理時間尺度和關鍵月份的指數，分析這些指數與春玉米相對氣象產量的關系以及不同生育階段水分條件與產量之間的關系。結果表明：（1）SPI、SPEI均能表征東北地區農作物受旱和受澇狀況，整體上SPEI在表征東北地區旱澇時更具優越性，尤其在遼寧省，因旱受災率與SPI和SPEI相關系數差距明顯，因澇受災率與SPEI相關系數最大值為0.54，與SPI相關性不顯著。（2）遼寧省SPEI-8與相對氣象產量的距離相關系數最大，吉林省和黑龍江省SPEI-8與相對氣象產量的距離相關系數最大;各省對應的SPEI與相對氣象產量呈向下的拋物線趨勢，其中遼寧省春玉米產量受干旱和雨澇的共同影響，吉林、黑龍江兩省主要受干旱災害的影響。（3）遼寧省春玉米在拔節—抽穗期主要受干旱影響，生長季后期受洪澇災害影響較前期加重;當SPEI為1.0左右時，吉林省春玉米在出苗—拔節、拔節—抽穗期可達到最高產，抽穗—乳熟期受干旱影響嚴重;黑龍江關鍵生育期主要受旱災影響，在出苗—拔節、拔節—抽穗期正常偏濕年份可達到最高產量，但中度及以上雨澇仍會導致玉米減產，抽穗—乳熟期在輕度濕潤時可高產，重度濕潤時會因澇減產。本研究對東北三省地區預估旱澇災害對春玉米產量影響和及時采取災害防御措施具有一定的參考價值。

關鍵詞：干旱;洪澇;標準化降水指數SPI;標準化降水蒸散指數SPEI;產量;春玉米;東北三省

中圖分類號：S166文獻標志碼：A文章編號：202106-SA004

引用格式：王蔚丹，孫麗，裴志遠，馬尚杰，陳媛媛，孫娟英，董沫.東北三省地區生長季旱澇對春玉米產量的影響[J].智慧農業（中英文），2021， 3（2）： 126-137.

WANG Weidan， SUN Li， PEI Zhiyuan， MA Shangjie， CHEN Yuanyuan， SUN Juanying， DONG Mo. Effect of growing season drought and flood on yield of spring maize in three northeast provinces of China[J]. Smart Agriculture，2021， 3（2）： 126-137. （in Chinese with English abstract）

1引言

旱澇災害是影響農業生產較為嚴重的自然災害，直接威脅糧食安全。氣候變化正導致極端天氣事件的強度和頻率上升，尤其是干旱和洪澇[1]。《2020年全球糧食危機報告》（GRFC 2020）指出干旱和洪水等極端天氣是嚴重糧食不安全的重要驅動因素之一[2]。東北三省是中國玉米等重要糧食作物的生產基地之一，該地區素有“黃金玉米帶”之稱，玉米產量占全國產量的30%左右。受全球氣候變暖影響，旱澇災害呈“廣發、頻發”態勢，對玉米產量和市場穩定供給造成威脅。探究和揭示春玉米不同生育階段干濕狀況與產量之間的關系，對預估旱澇對春玉米產量影響和及時采取災害防御措施均具有重要意義。

干旱通常被認為是一個緩慢的過程，多以季或年尺度進行評估，但在農業領域，作物關鍵生育階段發生短時干旱也能造成重大影響[3]。干旱具有多時間尺度的特性[4，5]。標準化降水指數（Standardized Precipitation Index，SPI）和標準化降水蒸散指數（Standardized Precipitation Evapotranspiration Index，SPEI）是常用的多時間尺度指數。Vicente等[5]提出SPEI指數時，選用了較為簡單的Thornthwaite模型計算潛在蒸散。沈國強等[6]驗證基于Penman-Monteith模型的SPEI指數在東北地區應用的有效性，認為其在定量化研究方面具有較好的適用性。許多研究者用多時間尺度指數研究東北地區的干旱時空分布特征[6-9]、干旱風險的空間格局等[10，11]，為區域水資源管理與規劃、農業生產與生態系統保護等提供科學依據。也有部分研究者利用多時間尺度干旱指數評價干旱與產量的關系[12-14]。針對東北春玉米作物，劉維等[15]利用9月份6個月尺度的SPI表征遼寧、吉林、黑龍江和內蒙古東部春玉米全生育期干旱，分析SPI對產量的影響，但該研究未考慮由于區域差異，與產量波動有較強相關關系的指數的時間尺度和監測時段也可能不同。楊曉晨等[16]以3個月時間尺度SPEI表征春玉米不同生育階段干旱情況，選擇與氣候產量相關性最高的生育階段分析SPEI與產量之間的關系，但結果不甚理想，且未詳細分析春玉米各個生育階段干旱對最終產量的影響。韓冬薈等[17]用特定月份、特定時間尺度的SPEI表征不同時節的水分狀況對主要糧食作物產量的影響，側重于對比不同地區不同作物分別對SPEI的響應及其敏感性。SP1和SPEI不僅能表征干旱情況，亦能指示洪澇災害[18]，Ayugi等[19]利用SPEI對肯尼亞的氣象干旱和洪水情景進行了評估;Du等[20]驗證了SPI在旱澇監測方面的適用性和有效性。東北地區雨熱同期的特點突出，農業生產不僅受干旱的威脅，雨澇也是主要氣象災害之一。李秀芬等[21]選取SPI為旱澇判識指數，分析了黑龍江省大豆生長季旱澇的時序特征，以及旱澇對大豆不同生育階段產量的影響。任宗悅等[22]對1958—2017年東北地區春玉米旱澇趨勢的演變進行研究，指出春玉米干旱的發生頻率高于洪澇的發生頻率，但前3個生育階段水分盈余情況呈加重趨勢。可以看出，SPI和SPEI兩個指數具有多時間尺度特征，既可以表征干旱，也可以表征濕潤或洪澇。

東北地區旱澇皆有發生，但目前研究側重于利用多時間尺度指數進行干旱監測評估，且多以特定月份特定時間尺度的指數表征生育期干旱，研究生育期內最能表征東北三省旱澇對春玉米產量影響的對應月份和時間尺度的指數，解析不同生育階段旱澇與春玉米產量的關系，可以定量評估旱澇災害對春玉米產量的影響，進而合理安排實施各項措施。本研究計算東北三省1988—2017年SPI和SPEI指數，優選更能表征生育期內旱澇情況的多時間尺度指數，結合距離相關分析方法，研究各省與春玉米產量波動有較強相關關系的時間尺度和月份的指數，分析其與春玉米產量波動的關系;同時，分析不同生育階段的干濕狀況對春玉米產量的影響，以期為東北地區春玉米安全生產和災害防御管理等提供科學依據。

2材料和方法

2.1研究區概況

以東北三省（遼寧省、吉林省和黑龍江省）為研究區，區域內夏季溫和濕潤，冬季嚴寒漫長，無霜期160～200d，年降水量為400～1000mm，年均溫度為-3～10℃，屬于溫帶大陸性季風氣候[16]。東北三省春玉米主要分布如圖1所示。由于雨熱同期，在春玉米生育期內較易發生旱澇災害，其影響不容忽視。2017年，黑吉遼三省農作物旱澇受災面積約5.73×104hm，占農作物總受災面積的86.2%[21]。

2.2數據來源及處理

玉米空間分布數據來源于中國科學院地理科學與資源研究所董金瑋團隊發布的基于Sentinel-2數據的2017年中國東北地區作物類型圖（https：//figshare.com/articles/figure/The_10-m_ crop_type_maps_in_N ortheast_China_during_2017- 2019/13090442/1）。氣象數據源自中國氣象數據網“中國地面氣候資料日值數據集（V3.0）”（http：//data.cma.cn/data/cdcdetail/dataCode/SURF_CLI_CHN_MUL_DAY_V3.0.html），該數據集已經過嚴格的質量控制。根據作物類型圖，選取東北三省玉米分布區內具有較完整時間序列的臺站75個（圖1），數據時間為1988—2017年。將逐日氣象資料進行處理得到月尺度累積降水量、最高氣溫、最低氣溫、2m高度平均風速、日照時數、相對濕度等數據。東北三省春玉米單產、種植面積、農作物受災面積等統計數據來源于中國國家統計局、中國國家糧食局和農業農村部種植業管理司，統計時間為1988—2017年。由于每年春玉米種植面積不同，為便于比較干旱和洪澇災害造成的危害程度，使用農作物因旱受災面積與種植面積比值表示因旱受災率，洪澇受災面積與種植面積比值表示因澇受災率。

2.3研究方法

2.3.1多時間尺度指數

SPI和SPEI兩個指數具有較強的數學統計機理，可反映多時間尺度的旱澇，且易于實現，被廣泛應用。SPI僅考慮降水數據，具體計算方法見文獻[4]，本研究采用Gamma函數擬合降雨時間序列。SPEI是SPI的補充，考慮了水量平衡，本研究利用FAO推薦的Penman-Monteith蒸散模型計算SPEI指數，逐月潛在蒸散量（ET）計算方法如公式（1）所示。進而計算逐月降水量與潛在蒸散量的差值，對累計概率密度進行正態標準化求得SPEI，具體計算方法參見文獻[5]。SPI和SPEI對應的旱澇等級劃分標準見表1。其中，指數值越小表示越干旱，反之越濕潤。本研究對研究區1988—2017年4月—9月份各月1～6個月的時間尺度計算SPI和SPEI，其中，得到的指數分別記為SPIn-M和SPEIn-M，n表示時間尺度，M表示月份。如SPEI-9表示9月份5個月時間尺度的SPEI值。

（1）

其中，為潛在蒸散量，mm;△為溫度隨飽和水汽壓變化的斜率，kPa/℃;U為離地2m高處風速，m/s;e為空氣飽和水汽壓，kPa;e為空氣實際水汽壓，kPa;T為平穩氣溫，℃;γ為濕度表常數，kPa/℃;R為到達地面的凈輻射，MJ/（m·d）;G為土壤熱通量密度，MJ/（m·d）。

參照文獻[22]和[23]，確定東北地區春玉米全生育期為4—9月，劃分為播種—出苗（4、5月）、出苗—拔節（5、6月）、拔節—抽穗（6、7月）、抽穗—乳熟（7、8月）和乳熟—成熟（8、9月）5個生育階段。

2.3.2相對氣象產量

作物產量不僅受自然因素的影響，還受到品種改良、管理方式改善、種植制度改變等社會因素以及隨機誤差的影響。作物統計產量一般包括趨勢產量、氣候波動產量和隨機產量。趨勢產量是指生產中社會生產力的發展，而氣候波動產量是氣候波動的貢獻（主要是氣象災害）[24]。許多研究者為了研究氣候波動與作物產量之間的關系一般將隨機“噪聲”略去，對趨勢產量進行分離[25-27]。本研究利用相對氣象產量來表示氣候波動對春玉米產量的影響。

Y=Y+Y（2）

（3）

其中，Y為統計產量，kg/hm;Y為氣象產量，kg/hm;Y為趨勢產量，kg/hm，由實際產量序列擬合方程得出;Y表示相對氣象產量。

本研究采用HP濾波方法模擬春玉米產量趨勢，具體計算方法參照文獻[28]。

2.3.3相關分析

Pearson相關分析是最常用的相關分析方法，利用該方法研究SPI、SPEI與因旱受災率、因澇受災率的關系。由于Pearson相關分析只能度量數據間的線性相關程度，而SPEI與春玉米產量的關系不一定是線性的，故不能直接用Pearson相關分析研究二者之間的關系。距離相關系數能在很大程度上克服Pearson相關系數的弱點[29]，并且不需要任何的模型假設和參數條件。本研究選用距離相關系數來度量不同月份和時間尺度的SPEI與產量波動之間的關系。其計算方法[30]如下：

（4）

其中，，、和分別為：

（5）

（6）

（7）

同理計算和。其中，u和v是進行相關分析的兩個參量，n表示樣本個數。

3結果與分析

3.1SPI、SPEI與因旱受災率、因澇受災率的關系

利用Pearson相關分析法計算各省農作物因旱受災率與春玉米生育期內各月份1～6個月時間尺度SPI、SPEI的相關系數（表2），其中4月份均未通過0.05顯著性檢驗，因此未列出。結果顯示，遼寧省因旱受災率與SPI、SPEI相關系數最小值分別為-0.46、-0.76，差距明顯;黑龍江省指標差距最小，分別為-0.52、-0.53。隨著緯度位置北移，SPI、SPEI對因旱受災率表征的差異逐漸減小，但整體上仍表現為SPEI指數與因旱受災率相關性更強。因旱受災率與SPEI的相關性在各個省份之間存在差異，同一月份、同一時間尺度的SPEI對比，以SPEI-8為例，與遼寧省、吉林省和黑龍江省與因旱受災率的相關系數分別為-0.65、-0.46和-0.40，綜合來看，相關性最強的是遼寧省，其次為吉林省，黑龍江省相關性最弱。

計算各省因澇受災率與各月份1～6個月時間尺度SPI、SPEI的相關系數（表3）。其中4、5、6月份均未通過0.05顯著性檢驗，因此未列出。7、8、9月1～6個月時間尺度指數與各省因澇受災率呈正相關關系。遼寧省因澇受災率與SPEI相關系數最大值為0.54，與SPI相關性均不顯著，吉林省和黑龍江省的因澇受災率與SPI、SPEI相關系數最大值分別為0.48、0.54和0.65、0.69，SPEI更能反映三省的農作物受澇情況。SPI、SPEI與因旱受災率、因澇受災率的關系分析表明，SPI、SPEI能夠表征東北地區農作物的受旱和受澇情況，但SPEI更具優越性，因此選擇SPEI作為旱澇表征指標，進一步分析各省因旱受災率和因澇受災率對SPEI的響應以及旱澇狀況對春玉米產量的影響。

結果表明，遼寧省因旱受災率與SPEI-8最相關，因澇受災率與SPEI-8最相關，吉林省和黑龍江省因旱受災率與SPEI-8最相關（因表2中小數點后保留2位，黑龍江SPEI-8與因旱受災率相關系數與SPEI-8相同），因澇受災率與SPEI-9最相關。基于此，分析三省受災率與SPEI之間的關系（圖2），可以看出，三省因旱受災率普遍大于因澇受災率，因旱受災率隨SPEI的增大而減小，因澇受災率則隨著SPEI的增大而增大。當上述省份相應月份及時間尺度的SPEI<-0.2時，三省的因旱受災率普遍大于30%，相應月份及時間尺度的SPEI>1.3時，三省的因澇受災率普遍大于15%。

3.2歷史旱澇和春玉米產量的關系

東北三省農作物生產以雨養農業為主，通過HP濾波方法分離后得出的相對氣象產量，能在一定程度上反映當年春玉米生長季中氣象條件的優劣。因此，將相對氣象產量與因旱受災率、因澇受災率等數據進行相關分析，結果顯示（表4），東北三省相對氣象產量與因旱受災率均呈極顯著相關（P<0.01），氣象產量與因澇受災率在遼寧省達到0.05顯著性水平，吉林省和黑龍江省不顯著。這表明，本研究估計的相對氣象產量能夠在一定程度上反映歷史旱澇影響，可以用來分析產量變化與氣候要素之間的關系。

3.3旱澇狀況對春玉米產量的影響分析

3.3.1生育期內SPEI與春玉米產量的關系分析

選擇合理時間尺度和關鍵月份的干旱指數分析水分狀況對春玉米產量的影響。首先利用距離相關系數衡量生育期內不同月份、不同時間尺度SPEI與相對氣象產量的相關性，選取與產量波動有較強相關關系的時間尺度和月份，對相對氣象產量與相應的SPEI進行回歸分析。結果顯示，遼寧省SPEI-8與相對氣象產量距離相關系數最大，為0.49;吉林、黑龍江兩省SPEI-8與相對氣象產量距離相關系數最大，為0.53和0.46。通常用3—6個月時間尺度SPEI表征作物生長季，評價干旱對產量的影響[27]。因此，選取遼寧省SPEI-8、吉林省和黑龍江省SPEI-8分別表征作物生長季的旱澇狀況，分析水分條件對產量的影響。三省8月份相應時間尺度SPEI與春玉米相對氣象產量呈現向下的拋物線關系（y=ax+bx+c，a<0），表現為先上升后下降趨勢，表明東北春玉米產量變化受到旱、澇災害的共同影響（圖3）。三省作物生長季旱澇對春玉米產量的影響有所不同。其中，遼寧省對干濕變化更為敏感（越大，拋物線開口越小，變化更劇烈），因旱、澇造成的減產更嚴重。其中黑龍江省決定系數R最小，為0.2730。參考表1旱澇等級劃分標準，由圖3（a），遼寧省拋物線最高值對應SPEI<0.5，表明正常年份即可高產增收，同時雨澇對產量的影響小于干旱，但也不可忽視;根據拋物線函數關系，輕旱（SPEI-8<-0.9）或中度濕潤以上（SPEI-8>1.6）可能導致減產10%以上。由圖3（b）和圖3（c）可知，吉林省和黑龍江省的拋物線最高值對應SPEI更趨于濕潤區間，在0.5～1之間，在氣象條件輕度濕潤的年份才能最高產，干旱對春玉米產量的影響均明顯大于雨澇的影響;根據拋物線函數關系，輕旱（吉林SPEI-8<-0.6，黑龍江SPEI-8<-1.0）或極端濕潤時（吉林SPEI-8>2.0，黑龍江SPEI-8>2.4）可能導致減產10%以上。

3.3.2不同生育階段SPEI與春玉米產量的關系分析

作物在不同生育階段對水分的敏感程度不同，以SPEI-M（M=5，6，7，8，9）表示各生育階段的干濕狀況，分析各生育階段旱澇對春玉米產量的影響。根據回歸擬合結果，選擇相應的模型。三省在播種一出苗階段均不顯著，表明該生育階段水分條件變化對春玉米產量影響不明顯。

在出苗一拔節期，吉林省和黑龍江省SPEI-6與春玉米產量的增減密切相關，春玉米相對氣象產量與SPEI-6呈現向下的拋物線關系;遼寧省SPEI-6與春玉米產量增減的相關不顯著（未列出）;該階段吉林省拋物線最高值對應的SPEI在1.0左右（圖4（d）），表明降水偏多達到中度濕潤時對春玉米高產有利，干旱對春玉米產量的影響遠大于雨澇的影響;黑龍江省產量主要受干旱影響，拋物線最高值對應的SPEI在0.5左右，正常偏濕年份達到最高產量，但中度及以上雨澇會導致玉米減產（圖4（g））。

在拔節—抽穗期，遼寧省、吉林省和黑龍江省SPEI與相對氣象產量擬合二次曲線均達到顯著性水平，拋物線最高值對應的SPEI分別在1.5、1.0和0.5附近（圖4（a）、（e）、（h）），表明該階段三省主要受干旱影響，分別在接近重度濕潤、中度濕潤和輕度濕潤時可達到最高產，也就是說，雖然該階段三省也會出現氣象過濕狀態，但極少對春玉米產量產生負面影響。

在抽穗—乳熟期，遼寧省春玉米相對氣象產量與SPEI-8呈現向下的拋物線關系（圖4（b）），該階段遼寧省在正常年份即可達到高產增收，但中度濕潤時可能造成玉米減產;黑龍江省拋物線最高值對應的SPEI接近1.0（圖4（i）），在輕度濕潤時對春玉米最終產量增加有利，但輕度干旱或重度濕潤時可能導致玉米減產;吉林省則呈線性關系并通過0.05顯著性檢驗，干旱對玉米產量影響嚴重（圖4（f））。

在乳熟—成熟期，吉林省和黑龍江省SPEI-9與玉米產量增減的相關性不顯著;遼寧省相對氣象產量與SPEI-9呈現向下的拋物線關系（圖4（c）），拋物線最高值對應的SPEI-9值接近0，表明干旱對春玉米產量的影響稍大于雨澇，在正常偏旱或將到輕度濕潤時可能造成玉米減產。

遼寧省春玉米產量在拔節—抽穗期主要受干旱影響，氣候越干旱，對春玉米產量越不利，生長季后期受洪澇的影響較前期加重，旱澇均對產量有很大影響，隨著春玉米生長并逐漸進入成熟期，產量對雨澇的響應越來越敏感。吉林省和黑龍江省主要受旱災影響，尤其是吉林省，抽穗—乳熟期的SPEI與相對氣象產量呈線性關系。

4討論與結論

4.1討論

本研究采用春玉米分布區內的站點，選取東北三省與產量波動有較強相關關系的時間尺度和月份的SPEI指數，研究其與相對氣象產量的關系，擬合優度較用特定月份、特定尺度的SPI有較大提高[15]，尤其是黑龍江省決定系數R為0.2730，比用9月份6個月時間尺度SPI與相對氣象產量的決定系數R（0.096）提高了0.1770。

從歷史受災率可以看出，遼寧省、吉林省和黑龍江省農作物既受旱也受澇，因旱受災率普遍大于因澇受災率。但在省級尺度上，遼寧省春玉米產量同時受旱澇影響，吉林省和黑龍江省主要因旱災減產。這是因為吉林省和黑龍江省雨澇高發區主要為非玉米主產區，如吉林東部和黑龍江中、北部地區[22]，因此受雨澇影響較小。

氣象指標的旱澇標準簡單易用，但不能表征特定區域特定作物旱澇狀況，只有綜合區域、作物品種等特性后，才可用于農業旱澇災害評估。本研究將東北春玉米不同生育階段SPEI與相對氣象產量回歸分析，得到因旱澇減產的對應SPEI閾值范圍，由于該閾值是旱澇發生規律、作物品種以及不同生育階段對水分需求等多種因素共同作用的結果，因此認為可以用于該區域春玉米旱澇災害的預測評估。

在該研究區，農作物受旱澇影響程度可用多時間尺度指數表征，但也存在一定的不確定性，尤其是澇災。一方面，SPEI多基于月尺度及更長時間尺度數據計算得到，而澇災是在短時間內即可發生并產生影響的災害，過長時間尺度容易發生旱澇中和以及識別滯后的現象[31];另一方面，三省因旱受災率普遍大于因澇受災率，春玉米主要受旱災影響減產，極端濕潤的年份和受災范圍相對較少，因澇受災樣本數量偏少使SPEI表征的雨澇與產量之間的關系更為模糊。

4.2結論

本研究以東北三省為研究區，基于氣象、統計等數據，用HP濾波、線性相關、距離相關、二次曲線擬合等方法，研究各省與春玉米產量波動有較強相關關系的時間尺度和月份的指數，分析其與春玉米產量波動的關系，主要取得的結論如下：

（1）SPI和SPEI均能表征東北地區受旱和受澇情況。二者相比，SPEI與因旱受災率、因澇受災率相關性更強，更能表征研究區的旱澇狀況。因旱受災率與各時間尺度SPEI、相對氣象產量相關程度在遼寧省和吉林省相對較強，黑龍江省較弱，而因澇受災率與各時間尺度SPEI的相關性在黑龍江省較強，吉林和遼寧兩省稍弱。整體上，SPEI與因旱受災率的相關性更強，與受澇情況相比，SPEI更能表征干旱。

（2）遼寧省SPEI-8與相對氣象產量的距離相關系數最大，吉林省和黑龍江省相對氣象產量最相關的指數是SPEI-8。三省SPEI與相對氣象產量呈向下的拋物線趨勢。三省相比，遼寧省因旱澇產生的產量變化更為劇烈。整體上，遼寧省洪澇災害對產量的影響小于干旱，但不容忽視，輕旱或中度濕潤以上可能導致減產10%以上;吉林、黑龍江兩省因干旱造成的減產遠大于雨澇，輕旱或極端濕潤時可能導致減產10%以上。

（3）春玉米產量對旱澇的敏感性在不同生育階段存在差異，各省區SPEI與相對氣象產量在播種—出苗階段回歸分析均不顯著，水分條件對春玉米產量的影響有限;在拔節—抽穗、抽穗—乳熟期均顯著，春玉米對這兩個生育時段的干濕狀況更為敏感。遼寧省在拔節—抽穗期接近重度濕潤時，玉米可達到最高產，該階段主要對干旱影響敏感，生長季后期受洪澇災害影響較前期加重，旱澇災害對產量均有影響。吉林省在出苗—拔節、拔節—抽穗期當SPEI=1.0左右可達到最高產，抽穗—乳熟期受干旱影響嚴重。黑龍江省春玉米關鍵生育期主要受干旱影響，在出苗—拔節、拔節—抽穗期正常偏濕年份可達到最高產量，但中度及以上雨澇會導致玉米減產，抽穗—乳熟期在輕度濕潤時可實現高產，重度濕潤時才會因澇減產。

本研究主要集中在省級空間尺度，以多站點均值代表區域總體干濕狀況，分辨率較低。同時，作物種植結構調整以及不同時期歷史記錄的統計口徑等可能發生變化，這些給研究結果帶來一定的不確定性。后續研究中，可考慮將站點數據與遙感數據結合，綜合二者優勢，提高時空分辨率，并選取更合適的指數，將關鍵發展階段和短時間尺度干旱指數相結合，以提升旱澇指數對產量變化趨勢的預測精準度，并開展空間分析等。

參考文獻：

[1] FONTES F， GORST A， PALMER C. Threshold effects of extreme weather events on cereal. yields in India[J]. Climatic Change， 2021， 165： 1-2.

[2] Global. Network Against Food Crisis. Global. report on food crises 2020[R]. Brussels/Rome/New York： Food Security Information Network， 2020.

[3]明博，陶洪斌，王璞.基于標準化降水蒸散指數研究干旱對北京地區作物產量的影響[J].中國農業大學學報，2013， 18（5）：28-36.

MING B， TAO H， WANG P. Impact of drought on grain yield in Beijing investigated by SPEI-based methods[J]. Journal. of China Agricultural. University， 2013，18（5）： 28-36.

[4] MCKEE T B， DOESKEN N J， KLEIST J. The relationship of drought frequency and duration to time scales[C]// Eighth Conference on Applied Climatology. Boston， Massachusetts， USA： American Meteorological. Society， 1993： 179-184.

[5] VICENTE S M， BEGUERIA S， LOPEZ J I. A multiscalar drought index sensitive to global. warming： The standardized precipitation evapotranspiration index[J]. Journal. of Climate， 2010， 23（7）： 1696-1718.

[6]沈國強，鄭海峰，雷振鋒.SPEI指數在中國東北地區干旱研究中的適用性分析[J].生態學報，2017， 37 （11）：3787-3795.

SHEN G， ZHENG H， LEI Z. Applicability analysis of SPEI for drought research in Northeast China[J]. Acta EcologicaSinica， 2017， 37（11）： 3787-3795.

[7]高蔣，姜彤，蘇布達，等.基于SPEI的1961—2012年東北地區干旱演變特征分析[J].中國農業氣象，2014，35（6）： 656-662.

GAO B， JIANG T， SU B. Evolution analysis on droughts in Northeast China during 1961—2012 based on SPEI[J]. Chinese Journal. of Agrometeorology， 2014， 35（6）： 656-662.

[8]蔡思揚，左德鵬，徐宗學，等.基于SPEI干旱指數的東北地區干旱時空分布特征[J].南水北調與水利科技，2017，15（5）： 15-21.

CAI S， ZUO D， XU Z， et al. Spatiotemporal. characteristics of drought in Northeast China based on SPEI[J]. South-to-North Water Transfers and Water Science & Technology， 2017， 15（5）： 15-21.

[9]沈國強，鄭海峰，雷振鋒.基于SPEI指數的1961—2014年東北地區氣象干旱時空特征研究[J].生態學報，2017， 37（17）： 5882-5893.

SHEN G， ZHENG H， LEI Z. Spatiotemporal. analysis of meteorological. drought （1961—2014） in Northeast China using a standardized precipitation evapotranspiration index[J]. Acta EcologicaSinica， 2017， 37（17）： 5882-5893.

[10]李明，胡煒霞，張蓮芝，等.基于SPEI的東北地區氣象干旱風險分析[J].干旱區資源與環境，2018， 32（7）： 137-142.

LI M， HU W， ZHANG L， et al. Risk analysis of meteorological. drought in Northeast China based on standardized precipitation evapotranspiration index[J]. Journal. of Arid Land Resources and Environment， 2018， 32（7）： 137-142.

[11] YU X Y， HE X Y， ZHENG H F， et al. Spatial. and temporal. analysis of drought risk during the crop-growing season over Northeast China[J]. Natural. Hazards， 2014， 71（1）： 275-289.

[12] NOORI SMS， LIAGHAT A M， EBRAHIMI K. Prediction of crop production using drought indices at different time scales and climatic factors to manage drought risk[J]. Journal. of the American Water Resources Association， 2011，48： 1-9.

[13] MING B， GUO Y Q， TAO H B， et al. SPEIPM-based research on drought impact on maize yield in North China Plain[J]， Journal. of Integrative Agriculture，2015， 14（4）： 660-669.

[14]高超，尹周祥，許瑩.淮河流域冬小麥主要生育期旱澇時空特征及對產量的影響[J].農業工程學報，2017 （22）： 111-119.

GAO C， YIN Z， XU Y. Space-time characteristics of drought and flood in main growing periods of winter wheat in Huaihe River Basin and its impact on yield[J]. Transactions of the CSAE，2017， 33（22）： 103-111.

[15]劉維，李祎君，何亮，等.基于SPI判定的東北春玉米生長季干旱對產量的影響[J].農業工程學報，2018， 34（22）： 121-127.

LIU W， LI Y， HE L， et al. Effect of growing season drought on spring maize yields in Northeast China based on standardized precipitation index[J]. Transactions of the CSAE， 2018， 34（22）： 12M27.

[16]楊曉晨，明博，陶洪斌，等.中國東北春玉米區干旱時空分布特征及其對產量的影響[J].中國生態農業學報，2015， 23（6）： 758-767.

YANG X， MING B， TAO H， et al. Spatial. distribution characteristics and impact on spring maize yield of drought in Northeast China[J]. Chinese Journal. of Eco- Agriculture， 2015， 23（6）： 758-767.

[17]韓冬薈，趙金媛，胡琦，等.東北地區糧食作物產量變化特征及其對氣象干旱的響應研究[J].中國農業大學學報，2021，26（3）： 188-200.

HAN D， ZHAO J， HU Q. Analysis of crop yield variation characteristics in Northeast China and the response to meteorological. drought[J]. Journal. of China Agricultural. University， 2021， 26（3）： 188-200.

[18]王米雪，延軍平，李雙雙.1960-2013年中國東南沿海地區旱澇時空變化特征及其趨勢分析[J].資源科學，2014，36（11）： 2307-2315.

WANG M， YAN J， LI S. Spatial. temporal. variation and the tendency of droughts and floods on the southeast coast of China over 54 Years[J]. Resources Science， 2014，36（11）： 2307-2315.

[19] AYUGI B， TAN G， NIU R， et al. Evaluation of meteorological. drought and flood scenarios over Kenya， East Africa[J]. Atmosphere， 2020， 11（3）： 1-20.

[20] DU J， FANG J， XU W， et al. Analysis of dry/wet conditions using the standardized precipitation index and its potential. usefulness for drought/flood monitoring in Hunan province， China[J]. Stochastic Environmental. Research & Risk Assessment， 2013， 27（2）： 377-387.

[21]李秀芬，郭昭濱，朱海霞，等.黑龍江省大豆生長季旱澇時序特征及其對產量的影響[J].應用生態學報，2020，31（4）： 1223-1232.

LI X， GUO Z， ZHU H， et al. Time-series characteristics of drought and flood in spring soybean growing season and its effect on soybean yield in Heilongjiang province， China[J]. Chinese Journal. of Applied Ecology， 2020， 31（4）： 1223-1232.

[22]任宗悅，劉曉靜，劉家福，等.近60年東北地區春玉米旱澇趨勢演變研究[J].中國生態農業學報，2020， 28 （2）： 179-190.

REN Z， LIU X， LIU J， et al. Evolution of drought and flood trend in the growth period of spring maize in Northeast China in the past 60 years[J]. Chinese Journal. of Eco-Agriculture， 2020， 28（2）： 179-190.

[23]王蕊，張繼權，郭恩亮，等.近55a吉林中西部玉米生長季旱澇時空特征分析[J].自然災害學報，2018， 27 （1）： 186-197.

WANG R， ZHANG J， GUO E， et al. Spatiotemporal. characteristics of drought and waterlogging during maize growing season in midwestern Jilin province for recent 55 years [J]. Journal. of Natural. Disasters， 2018，27（1）： 186-197.

[24] ZHANG Q， YU H， SUN P， et al. Multisource data based agricultural. drought monitoring and agricultural. loss in China[J]. Global. and planetary change， 2019，172（JAN.）： 298-306.

[25] LOBELL D B， SCHLENKER W， COSTA-ROBERTS J. Climate trends and global. crop production since 1980[J]. Science， 2011，333（6042）： 616-620.

[26] POTOPOVA V， BORONEANT C， BOINCEAN B， et al. Impact of agricultural. drought on main crop yields in the Republic of Moldova[J]. International. Journal. of Climatology， 2015， 36（4）： 2063-2082.

[27] WU H， HUBBARD K G， WILHITE D A. An agricultural. drought risk-assessment model for com and soybeans[J]. International. Journal. of Climatology， 2004， 24（6）： 723-741.

[28]王桂芝，陸金帥，陳克垚，等.基于HP濾波的氣候產量分離方法探討[J].中國農業氣象，2014， 35（2）： 195-199.

WANG G， LU J， CHEN K， et al. Exploration of method in separating climatic output based on HP Filter[J]. Chinese Journal. of Agrometeorology， 2014， 35（2）： 195-199.

[29] FINLEY A O， MCROBERTS R E. Efficient k-nearest neighbor searches for multi-source forest attribute mapping[J]. Remote Sensing of Environment， 2008， 112 （5）： 2203-2211.

[30]王黎明，吳香華，趙天良，等.基于距離相關系數和支持向量機回歸的PM2.5濃度滾動統計預報方案[J].環境科學學報，2017， 37（4）： 1268-1276.

WANG L， WU X， ZHAO T， et al. 2017. A scheme for rolling statistical. forecasting of PM2.5 concentrations based on distance correlation coefficient and support vector regression[J]. Acta Scientiae Circumstantiae， 2017，37（4）： 1268-1276.

[31]高雅文，鄧可楠，張月，等.基于農業旱澇指標的湖北省棉花生育期內旱澇急轉特征分析[J].灌溉排水學報，2021， 40（2）： 101-110.

GAO Y， DENG K， ZHANG Y， et al. Using agro-meteorological. indexes to analyze variation in abrupt drought-flooding Alternation during cotton growth season in Hubei province[J]. Journal. of Irrigation and Drainage， 2021， 40（2）： 101-110.

作者簡介：王蔚丹（1985—），女，博士，研究方向為農業干旱監測及自然災害風險分析。Email：wangwd52@mail.bnu.edu.cn。

*通訊作者：孫麗（1978—），女，高級工程師，研究方向為農業遙感監測。電話：010-59197153。Email：sunli0618@163.com。