劉文茹,陳國慶,劉恩科,居 輝,劉 勤,*

1 山東農(nóng)業(yè)大學(xué)農(nóng)學(xué)院,泰安 271018 2 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)環(huán)境與可持續(xù)發(fā)展研究所,北京 100081

氣候變化成為各國學(xué)者廣泛關(guān)注的焦點(diǎn)問題,對(duì)各領(lǐng)域帶來的影響都不容忽視。政府間氣候變化專門委員會(huì)(IPCC)第一工作組第五次評(píng)估報(bào)告AR5指出：由自然影響因素和人為影響因素共同作用,全球氣候變暖成為毋庸置疑的事實(shí)[1],自1950年以來,氣候系統(tǒng)觀測(cè)到諸多史無前例的變化。全球幾乎所有地區(qū)都經(jīng)歷了升溫過程,1880—2012年全球平均溫度已升高0.65—1.06℃,未來地表溫度可能持續(xù)增加[2]。農(nóng)業(yè)是受氣候變化較為敏感領(lǐng)域之一,中國是農(nóng)業(yè)大國,人口眾多,糧食安全問題仍然是當(dāng)前的熱點(diǎn)話題[3]。應(yīng)對(duì)氣候變化對(duì)我國糧食安全的威脅問題已成為必須面對(duì)的重大挑戰(zhàn)[4]。小麥?zhǔn)鞘澜缰饕Z食作物,長江中下游冬麥區(qū)是中國小麥主產(chǎn)區(qū)之一。氣候變化背景下,長江中下游地區(qū)的氣候和農(nóng)業(yè)氣候資源將發(fā)生顯著變化,作物產(chǎn)量也將隨之波動(dòng)[5]。溫度呈現(xiàn)增加的趨勢(shì)變化,RCP8.5情景比RCP 4.5、RCP2.6情景增溫顯著,特別是春、夏季增溫最大[6- 8];全國屬長江中下游地區(qū)年日照時(shí)數(shù)降幅最多,參考作物蒸散量在全年減幅最大,呈現(xiàn)暖濕趨勢(shì)[9]。年降水呈現(xiàn)出顯著的增加趨勢(shì),年降水日數(shù)顯著減少[10],但是春秋兩季雨量占全年比例減小,而且未來冬小麥作物的氣候生產(chǎn)潛力增加[11]。氣候條件的改變將對(duì)作物生長發(fā)育和產(chǎn)量形成造成極為顯著影響,而且還可能影響作物布局、種植制度和農(nóng)技措施改變[12],從而導(dǎo)致農(nóng)業(yè)生產(chǎn)不穩(wěn)定性增加。因此氣候變化對(duì)未來糧食作物生產(chǎn)的影響研究尤為重要。

近年來,未來氣候變化情景與作物動(dòng)態(tài)生長模型結(jié)合的評(píng)估方法已成為研究氣候變化對(duì)農(nóng)業(yè)生產(chǎn)影響的重要手段[13],DSSAT(Decision Support System for Agrotechnology Transfer)模型為主要研究工具,是目前使用最廣泛作物模型系統(tǒng)之一[14]。DSSAT 4.6模型綜合數(shù)據(jù)模塊、模型模塊、分析模塊和工具模塊不僅給予數(shù)據(jù)支持,還提供了計(jì)算和分析的方法。可系統(tǒng)預(yù)估未來作物的產(chǎn)量,并分析相應(yīng)的影響因素,彌補(bǔ)栽培管理不足,既簡(jiǎn)化了農(nóng)業(yè)生態(tài)系統(tǒng)進(jìn)程的研究,又對(duì)未來農(nóng)業(yè)決策提供了良好的工具[15- 16]。國內(nèi)外學(xué)者多用以模擬氣候變化和災(zāi)害脅迫下作物產(chǎn)量影響及適應(yīng)性策略制定、灌溉制度制定、最佳施肥量確定等方面的研究,包括利用CERES-Wheat模型研究得出氣候變化將使小麥發(fā)育加快,生育期縮短,籽粒產(chǎn)量呈下降趨勢(shì),冬小麥平均減產(chǎn)7%—8%[17],培育穗粒數(shù)較多的小麥新品種是抵抗未來氣候變化對(duì)小麥產(chǎn)量影響的重要手段[18];應(yīng)用DSSAT模型模擬指出美國薩斯州和俄克拉何馬州地區(qū)隨著二氧化碳、溫度的升高,降水量的減少,未來作物籽粒產(chǎn)量將顯著降低30%—40%[19],加拿大地區(qū)當(dāng)處于小麥最適溫度時(shí),二氧化碳的增加將會(huì)通過光合作用提高水分利用率,促進(jìn)作物生長發(fā)育和產(chǎn)量的形成[14,20]。

以往諸多研究多集中于歷史階段SRES情景下全國范圍或旱作區(qū)域研究氣候變化對(duì)小麥產(chǎn)量影響,針對(duì)長江中下游地區(qū)研究也多以水稻為研究對(duì)象。應(yīng)用作物模型結(jié)合未來氣候情景模擬長江中下游地區(qū)未來小麥產(chǎn)量潛力進(jìn)行定量描述和分析主要?dú)庀筚Y源影響機(jī)理的研究尚少。因此,本文應(yīng)用RCP各情景(baseline、RCP 2.6、RCP 4.5、RCP 8.5)輸出的長江中下游地區(qū)主要?dú)庀笠氐闹鹑漳Ｊ侥M數(shù)據(jù)、逐日歷史觀測(cè)數(shù)據(jù),嘗試借助DSSAT-GLUE模型進(jìn)行作物遺傳參數(shù)的率定和和驗(yàn)證,探討未來時(shí)期(2021—2050年)冬小麥生產(chǎn)潛力變化特征,評(píng)價(jià)未來氣候變化對(duì)作物產(chǎn)量的影響,為制定適應(yīng)氣候變化的對(duì)策等提供科學(xué)依據(jù),對(duì)提高作物抗氣候變化風(fēng)險(xiǎn)的能力具有重要的意義。

1 材料與方法

1.1 研究區(qū)概況

長江中下游冬麥區(qū)是中國小麥主要產(chǎn)區(qū)之一,如圖1所示,研究區(qū)域位于27°33′—34°9′N、110°49′—122°30′E,北以秦嶺淮河、黃淮冬麥區(qū)為界,南以南嶺、武夷山脈與華南冬麥區(qū)相鄰,西抵鄂西及湘西山地與西南冬麥區(qū)接壤,東至東海海濱[21],包括湖北、湖南、江西、浙江地區(qū),江蘇、安徽淮河以南及河南部分地區(qū)。蘇、安徽及湖北是集中產(chǎn)麥區(qū),全區(qū)地域遼闊,區(qū)位條件優(yōu)越,地區(qū)地勢(shì)西高東低,低山丘陵與平原相間分布,沿江沿海的雙重地形優(yōu)勢(shì)(長江水系貫穿東西,東臨黃海、東海)西起江漢平原,經(jīng)洞庭、鄱陽兩湖平原、沿江平原,東至江浙的太湖平原和沿海平原,湖泊眾多(洞庭湖、鄱陽湖等)。本區(qū)屬于北亞熱帶季風(fēng)區(qū),熱量資源豐富,氣候濕潤,降雨充沛,小麥生育期間降水340—960mm,降水分布不均衡。年平均氣溫14—18℃之間,小麥生育期間太陽總輻射量為193—226kJ/cm2,≥0℃的積溫2000—2200℃,無霜期210—270d。種植制度多為一年二熟,以稻-麥種植方式為主,少數(shù)地區(qū)稻-棉/雜糧輪作,氣候變暖背景下稻麥輪作種植方式可能進(jìn)一步擴(kuò)大。稻麥周年輪作全區(qū)小麥適播期為10月下旬至11月中旬,成熟期北部5月底至6月中旬上旬。

1.2 數(shù)據(jù)來源

1.2.1 氣象數(shù)據(jù)

本研究的氣象模擬資料采用國家氣象局提供的BCC-CSM1- 1模式模擬的baseline、RCP 2.6、RCP 4.5、RCP 8.5情景下(RCP 4.5和RCP 6.0均屬于中等濃度排放路徑,研究多應(yīng)用RCP 4.5,故本文未選用RCP 6.0)的歷史時(shí)期(1961—2010年)和未來時(shí)段(2021—2050年)0.5°×0.5°逐日格點(diǎn)降水量(mm)、最高氣溫(℃)、最低氣溫(℃)、太陽輻射量(MJ/m2)等數(shù)據(jù)資料集,采用雙線性插值法降尺度到長江中下游地區(qū)典型氣象站點(diǎn)[22],典型站點(diǎn)依照以下原則：模擬站點(diǎn)應(yīng)平均分布在研究區(qū)域內(nèi),不宜過于集中,具有區(qū)域代表性;選擇管理數(shù)據(jù)記載整齊一致、完整全面。氣象觀測(cè)資料來源于中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/)中國地面數(shù)據(jù)資料日值集：包括降雨量(mm)、最高溫度(℃)、最低溫度(℃)、日照時(shí)數(shù)(h)并計(jì)算冬小麥生育期間≥10℃積溫。由于模型數(shù)據(jù)格式要求需將日照時(shí)數(shù)按照國際公認(rèn)的經(jīng)驗(yàn)公式轉(zhuǎn)變?yōu)榭偺栞椛淞?計(jì)算公式如下[23- 25]

(1)

(2)

(3)

(4)

式中,Q為日總輻射量(KJ/cm2);Q0為日天文輻射量;a和b為經(jīng)驗(yàn)系數(shù),長江中下游地區(qū)分別取0.15和0.54[23];n為日照時(shí)數(shù)(h);N為最大時(shí)長。T為周期1440分即;I0=13.167×10-4MJ m-2s-1為太陽常數(shù);DAY為當(dāng)日日序,1月1日為1,12月31為365或366;ω0為日出時(shí)角;ρ為日平地距離;δ為太陽赤緯;φ為地理緯度。

1.2.2 土壤數(shù)據(jù)

本文土壤數(shù)據(jù)來源于中國土壤數(shù)據(jù)庫(http://vdb3.soil.csdb.cn/)數(shù)據(jù)集。根據(jù)DSSAT-CERES-Wheat需要數(shù)據(jù)包括土壤類型、剖面特征、土壤理化性質(zhì),即土壤名稱、土壤顏色、土壤保水性能,土層層次及各層土壤質(zhì)地(石礫、粉粒、黏粒所占百分比);有機(jī)碳(根據(jù)Van Benmmelen因數(shù)由有機(jī)質(zhì)計(jì)算得)[26]、全氮、pH值、陽離子交換量等。

1.2.3 栽培管理數(shù)據(jù)

本研究選用當(dāng)?shù)刂饕耘嗥贩N為研究對(duì)象,收集整理昆山、滁州、英山和鐘祥4個(gè)代表性站點(diǎn)的播種期、出苗期、開花期、成熟期、產(chǎn)量、灌溉內(nèi)容(灌溉時(shí)期、灌溉量和灌溉方式)、施肥內(nèi)容(施肥時(shí)間、施肥種類和施肥量)等栽培管理數(shù)據(jù)。

1.3 研究方法

1.3.1 作物模型

農(nóng)業(yè)技術(shù)轉(zhuǎn)移支持系統(tǒng)(DSSAT)是廣泛使用作物生長動(dòng)態(tài)模型,近年來在氣候變化對(duì)作物生產(chǎn)影響不同管理水平對(duì)作物產(chǎn)量相應(yīng)等方面應(yīng)用較為廣泛。

本文應(yīng)用DSSAT 4.6模型作為主要研究工具,逐日模擬作物生長發(fā)育過程及產(chǎn)量。模型包括綜合數(shù)據(jù)模塊(主要依靠氣象資料、土壤資料、栽培管理、遺傳參數(shù)資料)、模型模塊(模擬作物生長發(fā)育動(dòng)態(tài)和產(chǎn)量等)、分析模塊(可進(jìn)行季節(jié)分析、輪作分析及空間分析)和工具模塊不僅給予數(shù)據(jù)支持,還提供了計(jì)算、分析的方法。現(xiàn)階段還不能應(yīng)用到實(shí)際生產(chǎn)中,但是隨著科技的進(jìn)步和農(nóng)業(yè)的發(fā)展DSSAT模型具有廣闊的應(yīng)用和發(fā)展前景[27],可系統(tǒng)的預(yù)測(cè)作物未來作物的產(chǎn)量,并分析相應(yīng)的影響因素,彌補(bǔ)栽培管理不足,既簡(jiǎn)化了農(nóng)業(yè)生態(tài)系統(tǒng)進(jìn)程的研究,又對(duì)未來農(nóng)業(yè)決策提供了良好的工具[28- 29]。

1.3.2 品種遺傳參數(shù)率定

模型參數(shù)的本地化過程是提高模擬精確度的關(guān)鍵環(huán)節(jié),精準(zhǔn)的作物遺傳參數(shù)更是保證預(yù)測(cè)結(jié)果可靠性的前提條件[30]。選擇典型站點(diǎn)應(yīng)用廣泛且產(chǎn)量相對(duì)較穩(wěn)定的代表性品種,并連續(xù)種植2—5a以上,部分年份數(shù)據(jù)用來調(diào)整作物遺傳參數(shù),另一部分用于模擬效果的評(píng)價(jià)。遺傳參數(shù)調(diào)試創(chuàng)建天氣、土壤、栽培管理、A文件等[15]同時(shí)為了使模型正常運(yùn)轉(zhuǎn),在未進(jìn)行參數(shù)調(diào)整之前應(yīng)假設(shè)一組遺傳參數(shù)。DSSAT-GLUE參數(shù)估計(jì)模塊對(duì)冬小麥遺產(chǎn)參數(shù)進(jìn)行率定,通過多輪GLUE(Generalized likelihood uncertainty estimation)實(shí)現(xiàn)作物遺傳參數(shù)的科學(xué)估計(jì),第一輪總體參數(shù)估計(jì),第二輪估計(jì)作物的物候期參數(shù),第三輪估計(jì)作物生長參數(shù)。為了保證預(yù)估的準(zhǔn)確性每輪GLUE3000次以上[31]。以表1數(shù)據(jù)為依據(jù)進(jìn)行參數(shù)的調(diào)試,直至模擬值與實(shí)測(cè)值相吻合,既而實(shí)現(xiàn)模型本土化。在檢驗(yàn)?zāi)Ｐ瓦m用性時(shí),應(yīng)用均方根誤差(RMSE)、均一化均方根誤差(NRMSE)分析模型模擬誤差,符合度(D)來判定模擬值與實(shí)測(cè)值的符合度,方法如下[32]：

(5)

(6)

(7)

式中,RMSE為均方根誤差;NRMSE為均一化相對(duì)均方根誤差;D為符合度,simi為第i個(gè)模擬值;obsi為第i個(gè)實(shí)測(cè)值;為觀測(cè)值的平均值;n為樣本的數(shù)量。一般認(rèn)為NRMSE<10%為極好;10%30%為差;D值越接近1說明模擬值與實(shí)測(cè)值的一致性較好,反之則越差。

1.3.3 生育期和產(chǎn)量的模擬

本文根據(jù)長江中下游地區(qū)域地理位置和生態(tài)類型選擇4個(gè)典型站點(diǎn)作為模擬試點(diǎn)?；赗CP情景下輸出的歷史時(shí)段(BAS)和未來時(shí)段(RCP)主要?dú)庀笠氐闹鹑漳Ｊ侥M數(shù)據(jù),采用本地化后的品種遺傳參數(shù),假定土壤條件不變的情況下,設(shè)定相應(yīng)的種植條件(例如,模擬前根據(jù)歷史觀測(cè)資料進(jìn)行合理的選擇播種期),利用DSSAT模型預(yù)測(cè)不同時(shí)段冬小麥生育期和產(chǎn)量變化趨勢(shì)特征,便于分析模擬兩個(gè)時(shí)段均利用模式模擬數(shù)據(jù),均不考慮土壤肥力、栽培管理措施等因素的影響僅受氣象條件影響的模擬分析。

2 結(jié)果與分析

2.1 冬小麥品種參數(shù)的調(diào)試與驗(yàn)證

本文基于典型站點(diǎn)(昆山2002—2003年、滁州2005—2006年、英山2004—2005年、鐘祥2001—2002年)的觀測(cè)數(shù)據(jù)、土壤、田間栽培管理數(shù)據(jù)分別對(duì)相應(yīng)冬小麥品種(揚(yáng)麥11號(hào)、揚(yáng)麥158、鄂麥14號(hào)、881)遺傳參數(shù)進(jìn)行逐一率定。由表1可見,作物遺傳參數(shù)校準(zhǔn)后開花期與成熟期的模擬結(jié)果的相對(duì)均方差根在0.83%—2.98%,產(chǎn)量的均方根誤差控制下7%以下,符合度(D)均接近于1,表明作物遺傳參數(shù)準(zhǔn)確度高,可較準(zhǔn)確地反映當(dāng)?shù)仄贩N遺傳特征。

為了進(jìn)一步驗(yàn)證作物遺傳參數(shù)適用性,應(yīng)用昆山2004—2006年、滁州2007—2008年、英山2006—2009年和鐘祥2003—2005年相應(yīng)品種冬小麥的開花期、成熟期與產(chǎn)量進(jìn)行模擬,并通過模擬值與實(shí)測(cè)值的對(duì)比分析評(píng)價(jià)模擬效果。如圖2所示,冬小麥開花期、成熟期日序和產(chǎn)量的模擬值與實(shí)測(cè)值的相對(duì)均方差根分別在0.57%—2.81%、0.57%—2.81%和4.68%—9.99%(均小于10%),說明模擬效果較好。符合度D均在0.72—0.99之間,說明模擬值與實(shí)測(cè)值吻合度較高,可模擬未來冬小麥生育期和產(chǎn)量,可信度較高。

2.2 氣候模式模擬的未來氣象要素變化

不同時(shí)段,三種典型情景下冬小麥生育期內(nèi)≥10℃積溫、降水量和太陽總輻射量較基準(zhǔn)年變化區(qū)別較大。

表1各站點(diǎn)小麥品種參數(shù)及開花期、成熟期、產(chǎn)量的模擬值與實(shí)測(cè)值的比較分析

Table1Analysiscomparisonbetweenobservedandsimulatedvaluesforvarietyparametersanthesisstagematuritystageandyieldofwinterwheatinselectedfourstations

站點(diǎn)Station主栽品種SpeciesP1V/dP1D/%P5/(℃/d)G1/(no/g)G2/mgG3/gPHINT/(℃/d)開花期Anthesis成熟期Maturity產(chǎn)量YieldNRMSE/%DNRMSE/%DNRMSE/%D昆山揚(yáng)麥11號(hào)23.075.1539.818.026.61.960.01.710.820.890.836.830.82滁州揚(yáng)麥15862.319.1554.221.825.41.095.01.790.991.800.994.180.94英山鄂麥14號(hào)8.994.5690.717.137.61.360.00.900.971.300.892.500.83鐘祥88131.285.6593.216.933.71.160.00.950.982.980.854.770.82

P1V：最適溫度條件下通過春花階段所需天數(shù),Thermal time from seedling emergence to the end of the juvenile phase during which the plant is not responsive to changes in photoperiod;P1D：光周期參數(shù),Extent to which development is delayed for each hour increase in photo period above the longest photoperiod at which development proceeds at a maximum rate;P5：籽粒灌漿期積溫,Thermal time from silking to physiological maturity;G1：開花期單位株冠質(zhì)量的籽粒數(shù),Potential spikelet number coefficient as estimated from the number of spikelets of main culm dry weight at anthesis;G2：最佳條件下標(biāo)準(zhǔn)籽粒質(zhì)量,Maximum possible number of kernels per plant;G3：成熟期非脅迫下單株莖穗標(biāo)準(zhǔn)干質(zhì)量,Kernel-filling rate during the linear grain-filling stage and under optimum conditions;PHINT：完成一片葉生長所需積溫,Phyllochron interval: the interval in thermal time between successive leaf tip appearances;NRMSE：歸一化均方根誤差,normalized root mean squared error;D：模擬值與實(shí)測(cè)值的符合程度,coincidence degree of distribution between simulated and measured value

圖2 冬小麥品種模擬開花期、成熟期日序與產(chǎn)量的模擬值與實(shí)測(cè)值比較Fig.2 Comparison of observed and simulated values duration of flowering and maturity stages and yields in winter wheatNRMSE：歸一化均方根誤差,normalized root mean squared error;D：模擬值與實(shí)測(cè)值的符合程度,coincidence degree of distribution between simulated and measured value

由圖3可知,RCP 2.6情景下冬小麥生育期內(nèi)≥10℃積溫較基準(zhǔn)時(shí)期表現(xiàn)出明顯的下降趨勢(shì),變化幅度在-12%—-34%之間。RCP 4.5和RCP 8.5情景冬小麥生育期內(nèi)≥10℃積溫則均呈現(xiàn)逐增加趨勢(shì),且2020—2030年RCP 4.5情景增加幅度大于RCP8.5,2030—2050年則與之相反;降水量的年際波動(dòng)都比較大,RCP 2.6、RCP 8.5情景下降水量較基準(zhǔn)時(shí)段比大部分年份表現(xiàn)為增加趨勢(shì),RCP 4.5降水量較基準(zhǔn)年大都減少;太陽總輻射量較基準(zhǔn)年均有所降低,但降低的幅度隨著年份的增加逐漸減小。RCP 2.6降低幅度最小,而RCP 4.5和RCP 8.5降低幅度相對(duì)較大多處于40%—52%,特別是RCP 8.5情景下降低幅度最大,最高年份可達(dá)54 MJ m2a-1。

圖3 未來時(shí)段3種RCP情景主要?dú)庀笠剌^基準(zhǔn)時(shí)段變化趨勢(shì)Fig.3 The variations of main meteorological elements under three RCP scenarios over the middle and lower Yangtze River during 2021—2050 compared with baseline

表2為長江中下游地區(qū)各典型站點(diǎn)主要?dú)夂蛸Y源及其變化率?；鶞?zhǔn)時(shí)段,冬小麥生育期內(nèi)太陽總輻射量在5536—6496MJ m2a-1以7.6—11.8MJ m2a-1(P<0.05)的趨勢(shì)逐漸減,降水區(qū)域差異較大,≥10℃積溫滁州地區(qū)相對(duì)較低其他地區(qū)在3573—3883℃之間。各典型濃度路徑下英山、滁州、昆山、鐘祥太陽總輻射量多呈現(xiàn)逐極顯著的增加趨勢(shì),變化率則表現(xiàn)為隨濃度路徑增加逐漸增加,高端濃度路徑最大增加速率可達(dá)到30.0 MJ m-2a-1(P<0.01)。降水量變化各異但變化趨勢(shì)均不顯著。高、低端濃度路徑下冬小麥生育期內(nèi)≥10℃積溫的變化率分別以8.7—12.0℃/a和12.9—30.0℃/a的趨勢(shì)顯著或極顯著的增加,穩(wěn)定濃度路徑(RCP 4.5)≥

表2 各站點(diǎn)未來典型濃度路徑(RCP)情景下氣象要素及變化率

SR代表太陽總輻射量,represents the total amount of solar radiation;AT≥10℃代表≥10℃積溫,represents accumulated temperature above10℃;P代表降水量,represents precipitation;*代表P<0.05,**代表P<0.01

10℃積溫除昆山站外其他站點(diǎn)變化并不顯著。總體而言未來各情景太陽總輻射量變化率與基準(zhǔn)時(shí)段相反,均呈現(xiàn)顯著或及顯著的增加趨勢(shì),降水量的變化并不顯著,冬小麥生育期內(nèi)≥10℃積溫變化率表現(xiàn)為RCP 8.5>RCP 2.6>RCP 4.5呈顯著或極顯著的增加趨勢(shì)。

2.3 未來30年冬小麥物候期的變化趨勢(shì)

在DSSAT-CERES-wheat模型中冬小麥開花期和成熟期是兩個(gè)尤為重要的物候期,不同RCP情景下2021—2050年長江中下游地區(qū)冬小麥的開花、成熟期日序較基準(zhǔn)年變化模擬結(jié)果(表3、表4)。由表可知,基準(zhǔn)時(shí)段典型站點(diǎn)開花期和成熟期日序在157—216d和190—244d之間,開花到成熟所持續(xù)天數(shù)為28—36d。RCP 2.6情景下,除昆山冬小麥開花期和成熟期日序較基準(zhǔn)年提前外其余均有所推遲,開花期到成熟期天數(shù)則有所增加。RCP 8.5和RCP 4.5情景下較基準(zhǔn)年均有所提前,那么開花期到成熟期天數(shù)則隨之縮短。RCP 4.5情景下,2021—2030年冬小麥開花期日序和成熟期日序較基準(zhǔn)年提前分別推遲了8—12d和9—13d,較2030—2050年少3—5d。

表3 未來氣候變化情景下冬小麥開花期日序較基準(zhǔn)年變化

BAS：歷史階段開花期日序,flowing period in baseline;“-”代表未來時(shí)段開花期較基準(zhǔn)期提前;“+”代表未來時(shí)段開花期較基準(zhǔn)期延后

表4 未來氣候變化情景下冬小麥成熟期日序較基準(zhǔn)年變化

BAS：歷史階段開花期日序,flowing period in baseline;“-”代表未來時(shí)段開花期較基準(zhǔn)期提前;“+”代表未來時(shí)段開花期較基準(zhǔn)期延后

2.4 未來典型濃度路徑(RCP)情景下冬小麥產(chǎn)量變化趨勢(shì)

圖4為RCP情景下長江中下游地區(qū)4個(gè)典型站點(diǎn)2021—2050年冬小麥潛在產(chǎn)量變化。在不考慮CO2濃度效應(yīng)、品種差異和管理措施僅受氣候變化影響的情況下,冬小麥潛在產(chǎn)量均呈現(xiàn)出下降趨勢(shì),下降幅度表現(xiàn)為RCP 2.6>RCP 8.5>RCP 4.5。冬小麥產(chǎn)量較基準(zhǔn)年相比區(qū)域差異明顯,研究區(qū)域南部>北部(昆山、英山下降幅度較滁州、鐘祥大3%—59%。RCP 2.6情景下,≥10℃積溫較基準(zhǔn)年下降幅度最大,較其他情景而言太陽總幅度量降低幅度最小,但是產(chǎn)量下降幅度較大(除昆山),表明太陽總輻射量增加并不能彌補(bǔ)積溫的急劇減少造成負(fù)面影響。RCP 8.5產(chǎn)量降低幅度大于RCP 4.5≥10℃積溫相差多4℃—362℃之間,開花期和成熟期提前天數(shù)最多,說明一定范圍內(nèi)冬小麥產(chǎn)量隨積溫的增加逐漸增加,超過一定閾值時(shí)則逐漸減少。若積溫、降雨量水平類似的情況下,太陽總輻射量較基準(zhǔn)年降低幅度減小,冬小麥的產(chǎn)量變化幅度也隨之減小,表明氣候因子增加或減少并不能彌補(bǔ)積溫過低產(chǎn)生的負(fù)效應(yīng),積溫水平一致的情況下,產(chǎn)量降低幅度隨太陽總輻射量減少幅度的增加而逐漸減小。

圖4 未來RCPs情景下冬小麥潛在產(chǎn)量變化(2021—2050)Fig.4 Changes in potential yields of winter wheat under future climate scenarios compared with baseline

3 討論

長江中下游屬低緯度地區(qū),沿江沿海,溫度相對(duì)較高,降水充沛,太陽輻射總量相對(duì)較少,溫度相對(duì)較高,大部分地區(qū)均無灌溉習(xí)慣,區(qū)域降水條件能滿足作物生育期內(nèi)的水分需求。RCP情景下未來降水量變化趨勢(shì)并不顯著,降水量對(duì)小麥的產(chǎn)量的影響較小[11]。≥10℃積溫和太陽輻射量是冬小麥產(chǎn)量變化的主要影響因子,未來情景下持續(xù)增溫,生育期內(nèi)≥10℃積溫也會(huì)隨之增加。小麥屬于低溫長日照作物,必須經(jīng)歷一定的低溫誘導(dǎo)才能開花結(jié)實(shí),所以如果春化階段溫度過高,營養(yǎng)生長不良而抑制生殖生長影響和開花結(jié)實(shí),或者春化作用提前。太陽總輻射量過高,提前成熟,造成干物質(zhì)積累少,最終導(dǎo)致小麥開花期和成熟期有所推遲,產(chǎn)量潛力降低。SRES情境下A2、B2模式全國溫度、降水增加,2050s小麥雨養(yǎng)產(chǎn)量降低11.4%和20.4%,長江中下游地區(qū)由于降水的增加小麥產(chǎn)量有上升趨勢(shì)[33]。因此,本文只從氣象的角度來探明由于氣候資源的改變對(duì)未來冬小麥潛在產(chǎn)量的影響,作物產(chǎn)量變化幅度的差異因氣候條件、品種和管理措施的不同而產(chǎn)生差異。針對(duì)小麥生育期縮短,產(chǎn)量降低問題,可通過推遲播期、培育穗粒數(shù)較大品種來降低氣候變化帶來的不利影響[4],為長江中下游冬小麥的生產(chǎn)提供理論依據(jù)和指導(dǎo)。

未來氣候大背景下,CERES系列模型已經(jīng)在許多國家得到廣泛的驗(yàn)證[18],本文考慮到區(qū)域差異性及品種適應(yīng)性,選用4個(gè)代表性品種調(diào)試了適應(yīng)各地區(qū)的品種遺傳參數(shù),結(jié)果表明DSSAT模型在長江中下游地區(qū)的模擬效果良好,模擬結(jié)果可信度較高;但是該模型包含了大量過程簡(jiǎn)化和半經(jīng)驗(yàn)性質(zhì)的參數(shù),對(duì)病蟲害、洪澇和極端天氣事件等災(zāi)害性天氣影響的研究并不突出,本文未考慮CO2和NO3的溫室效應(yīng)對(duì)作物生長的影響,本文對(duì)冬小麥的模擬存在不確定性。因此,未來產(chǎn)量潛力的模擬上有必要進(jìn)一步考慮土壤、管理、品種更替,極端災(zāi)害和溫室氣體等方面進(jìn)一步深入研究。若要應(yīng)用到未來實(shí)際生產(chǎn)和優(yōu)化管理應(yīng)嘗試建立多因子模擬分析,考慮各個(gè)因子的交互作用,增加實(shí)驗(yàn)?zāi)晗藓蜏y(cè)定指標(biāo),以期模擬未來真實(shí)潛力,根據(jù)不同氣候情景分析氣候要素的變化趨勢(shì),并通過作物動(dòng)態(tài)生長模型對(duì)氣候要素影響對(duì)作物產(chǎn)量潛在影響進(jìn)行模擬分析,制定科學(xué)合理的措施來應(yīng)對(duì)。

4 結(jié)論

1)作物遺傳參數(shù)率定后,模擬的開花、成熟期和產(chǎn)量與實(shí)測(cè)值的相對(duì)均方差根分別分在0.83%—2.98%之間和7%以下,符合度均接近于1,表明作物遺傳參數(shù)準(zhǔn)確度高,調(diào)試的品種可較準(zhǔn)確的進(jìn)行模擬研究,結(jié)果可信度較高。

2)2021—2050年RCP情景下,冬小麥生育期內(nèi)≥10℃積溫、降水量和太陽總輻射量較基準(zhǔn)年變化各異。除RCP 2.6情景外,≥10℃積溫較基準(zhǔn)年呈現(xiàn)逐漸增加,增加速率表現(xiàn)為RCP 8.5>RCP 2.6>RCP 4.5;降水量年際波動(dòng)都比較大,區(qū)域性差異明顯,變化率未達(dá)到顯著水平;太陽總輻射量較基準(zhǔn)年均有所降低,但降低的幅度隨著年份的增加逐漸減小,變化率均呈現(xiàn)顯著或及顯著的增加趨勢(shì)。

3)DSSAT-CERES-wheat模型模擬中,總體表現(xiàn)為,除昆山外冬小麥開花期、成熟期較基準(zhǔn)年均有所提前,那么開花期到成熟期天數(shù)則隨之縮短,且RCP 8.5>RCP 4.5。

4)作物產(chǎn)量變化幅度的差異因氣候條件、品種、管理措施的不同而產(chǎn)生差異,未來僅考慮氣候資源的影響長江中下游地區(qū)冬小麥產(chǎn)量潛力與基準(zhǔn)年減少(RCP 2.6>RCP 8.5>RCP 4.5),且區(qū)域差異明顯。昆山、英山下降幅度較滁州和鐘祥大,表明一定范圍內(nèi)冬小麥產(chǎn)量隨積溫的增加逐漸增加,超過一定閾值時(shí)則逐漸減少,其他氣候因子增加或減少并不能彌補(bǔ)積溫過低產(chǎn)生的負(fù)效應(yīng)。若溫度過高,開花、成熟期延遲,造成營養(yǎng)生長延長,生殖生長受阻,分蘗過多,成穗率減少導(dǎo)致產(chǎn)量降低。

參考文獻(xiàn)(References):

[1] Stocker T F, Qin D, Plattner G K, Tignor M, Allen SK, Boschung J, Nauels A, Xia Y, Bex V, Midgley PM. Climate Change 2013: The Physical Science Basis. Cambridge, UK, New York, USA: Cambridge University Press, 2013.

[2] IPCC. Summary for policymakers//Stocker T F, Qin D, Plattner G K, Tignor M, Allen SK, Boschung J, Nauels A, Xia Y, Bex V, Midgley PM, eds. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, UK: Cambridge University Press, 2013.

[3] 居輝, 熊偉, 許吟隆, 林而達(dá). 氣候變化對(duì)我國小麥產(chǎn)量的影響. 作物學(xué)報(bào), 2005, 31(10): 1340- 1343.

[4] 袁靜, 許吟隆. 基于CERES模型的臨沂小麥生產(chǎn)的適應(yīng)措施研究. 中國農(nóng)業(yè)氣象, 2008, 29(3): 251- 255.

[5] 楊絢, 湯緒, 陳葆德, 田展, 趙思健. 利用CMIP5多模式集合模擬氣候變化對(duì)中國小麥產(chǎn)量的影響. 中國農(nóng)業(yè)科學(xué), 2014, 47(15): 3009- 3024.

[6] 劉文茹, 居輝, 陳國慶, 劉恩科, 劉勤. 典型濃度路徑(RCP)情景下長江中下游地區(qū)氣溫變化預(yù)估. 中國農(nóng)業(yè)氣象, 2017, 38(2): 65- 75.

[7] 徐穎, 丁一匯, 趙宗慈. 長江中下游地區(qū)21世紀(jì)氣候變化情景預(yù)測(cè). 自然災(zāi)害學(xué)報(bào), 2004, 13(1): 25- 31.

[8] 曾小凡, 周建中, 翟建青, 蘇布達(dá), 熊明. 2011- 2050年長江流域氣候變化預(yù)估問題的探討. 氣候變化研究進(jìn)展, 2011, 7(2): 116- 122.

[9] 楊曉光, 李勇, 代姝瑋, 劉志娟, 王文峰. 氣候變化背景下中國農(nóng)業(yè)氣候資源變化IX. 中國農(nóng)業(yè)氣候資源時(shí)空變化特征. 應(yīng)用生態(tài)學(xué)報(bào), 2011, 22(12): 3177- 3188.

[10] 梅偉, 楊修群. 我國長江中下游地區(qū)降水變化趨勢(shì)分析. 南京大學(xué)學(xué)報(bào): 自然科學(xué), 2005, 41(6): 577- 589.

[11] 劉文茹,陳國慶,曲春紅,居輝,劉勤.RCP情景下長江中下游麥稻二熟制氣候生產(chǎn)潛力變化特征研究.生態(tài)學(xué)報(bào),2018，38(01):1-11

[12] 張宇, 王石立, 王馥棠. 氣候變化對(duì)我國小麥發(fā)育及產(chǎn)量可能影響的模擬研究. 應(yīng)用氣象學(xué)報(bào), 2000, 11(3): 264- 270.

[13] 楊沈斌, 申雙和, 趙小艷, 趙艷霞, 許吟隆, 王主玉, 劉娟, 張瑋瑋. 氣候變化對(duì)長江中下游稻區(qū)水稻產(chǎn)量的影響. 作物學(xué)報(bào), 2010, 36(9): 1519- 1528.

[14] 文新亞, 陳阜. 基于DSSAT模型模擬氣候變化對(duì)不同品種冬小麥產(chǎn)量潛力的影響. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(2): 74- 79.

[15] Attia A, Rajan N, Xue Q, Nair S, Ibrahim A, Hays D. Application of DSSAT-CERES-Wheat model to simulate winter wheat response to irrigation management in the Texas High Plains. Agricultural Water Management,2016,(165): 50- 60.

[16] 林忠輝, 莫興國, 項(xiàng)月琴. 作物生長模型研究綜述. 作物學(xué)報(bào), 2003, 29(5): 750- 758.

[17] 袁靜. 氣候變化對(duì)小麥生產(chǎn)的影響及適應(yīng)措施分析[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2008.

[18] 楊軒, 王自奎, 曹銓, 張小明, 沈禹穎. 隴東地區(qū)幾種旱作作物產(chǎn)量對(duì)降水與氣溫變化的響應(yīng). 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(9): 106- 114.

[19] Tubiello F N, Rosenzweig C, Goldberg R A,Jagtap S, Jones J W. Effects of climate change on US crop production: simulation results using two different GCM scenarios. Part I: wheat, potato, maize, and citrus. Climate Research, 2002, 20(3): 259- 270.

[20] Qian B D, De Jong R, Huffman T, Wang H, Yang J J. Projecting yield changes of spring wheat under future climate scenarios on the Canadian Prairies. Theoretical and Applied Climatology, 2016, 123(3/4): 651- 669.

[21] 王偉, 黃義德, 黃文江, 李存軍, 王嫻. 作物生長模型的適用性評(píng)價(jià)及冬小麥產(chǎn)量預(yù)測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2010,26(3): 233- 237.

[22] 陶蘇林, 申雙和, 李雨鴻, 高蘋. 氣候模擬數(shù)據(jù)訂正方法在作物氣候生產(chǎn)潛力預(yù)估中的應(yīng)用——以江蘇冬小麥為例. 中國農(nóng)業(yè)氣象, 2016, 37(2): 174- 187.

[23] Almorox J, Hontoria C. Global solar radiation estimation using sunshine duration in Spain. Energy Conversion and Management, 2004, 45(9/10): 1529- 1535.

[24] 盧燕宇, 田紅, 魯俊, 溫華洋. 近50年安徽省太陽總輻射的時(shí)空變化特征. 氣象科技, 2016,44(5): 769- 775.

[25] 張運(yùn)林, 秦伯強(qiáng), 陳偉民, 胡維平. 太湖無錫地區(qū)太陽總輻射的氣候?qū)W計(jì)算及特征分析. 應(yīng)用氣象學(xué)報(bào), 2003, 14(3): 339- 347.

[26] 周海軍, 孫靜萍, 崔敏, 團(tuán)良, 白力軍. 呼倫貝爾地區(qū)草原表層土壤中總有機(jī)碳與有機(jī)質(zhì)初探. 中國環(huán)境監(jiān)測(cè), 2013, 29(5): 111- 113.

[27] 羅毅, 郭偉. 作物模型研究與應(yīng)用中存在的問題. 農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(5): 307- 312.

[28] 吳錦, 余福水, 陳仲新, 陳晉. 基于EPIC模型的冬小麥生長模擬參數(shù)全局敏感性分析. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(7): 136- 142.

[29] 劉海龍, 諸葉平, 李世娟, 楊靖一, 白由路. DSSAT作物系統(tǒng)模型的發(fā)展與應(yīng)用. 農(nóng)業(yè)網(wǎng)絡(luò)信息, 2011, (11): 5- 12.

[30] 姚寧, 周元?jiǎng)? 宋利兵, 劉健, 李毅, 吳淑芳, 馮浩, 何建強(qiáng). 不同水分脅迫條件下DSSAT-CERES-Wheat模型的調(diào)參與驗(yàn)證. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(12): 138- 150.

[31] 姜志偉, 武雪萍, 華珞, 蔡典雄, 逢煥成, 吳會(huì)軍. 洛陽孟津農(nóng)業(yè)技術(shù)轉(zhuǎn)移決策支持系統(tǒng)數(shù)據(jù)庫組建. 首都師范大學(xué)學(xué)報(bào): 自然科學(xué)版, 2009, 30(3): 71- 76.

[32] He J Q. Best Management Practice Development With the CERES-Maize Model for Sweet Corn Production in North Florida[D]. Gainesville: University of Florida, 2008.

[33] 熊偉, 居輝, 許吟隆, 林而達(dá). 氣候變化下我國小麥產(chǎn)量變化區(qū)域模擬研究. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào), 2006, 14(2): 164- 167.