未来RCPs情景下水稻单产模拟研究——以浙江省宁波市为例*

郭 浩1,2，张兴明2，林德根2，王静爱2，梁勤欧1

(1.浙江师范大学 地理与环境科学学院,浙江 金华 321004;2.北京师范大学 区域地理重点实验室,北京 100875)



未来RCPs情景下水稻单产模拟研究
——以浙江省宁波市为例*

郭 浩1,2，张兴明2，林德根2，王静爱2，梁勤欧1

(1.浙江师范大学 地理与环境科学学院,浙江 金华 321004;2.北京师范大学 区域地理重点实验室,北京 100875)

以浙江省宁波市为例，采用IPCC第5次评估报告建议使用的代表性浓度路径(RCPs)情景气象数据，通过EPIC模型模拟未来水稻单产，探讨其变化及其影响因素.结果表明：1)未来4种RCPs情景下宁波地区水稻单产呈下降趋势，每10 a下降0.176～0.383 t/hm2；单产最大值每10 a下降0.088 8 t/hm2，最小值每10 a下降0.368 4 t/hm2，单产波动幅度增大；变异系数上升6～8个百分点，单产不稳定性加强，即不确定性增加，风险加大.2)RCP2.6和RCP4.5情景下水稻单产与日最高温度相关性最大，相关系数分别为-0.708,-0.580；RCP6.0和RCP8.5情景下与太阳辐射相关系数最大，相关系数分别为-0.612,-0.756，未来该地区水稻生育期内日最高温度和太阳辐射量增大是导致水稻产量下降的主要因素.

水稻；RCPs情景；EPIC；单产模拟；浙江省宁波市

0 引 言

近年来以变暖为主要特征的全球气候变化受到人们的普遍关注.IPCC(政府间气候变化专门委员会)指出,未来全球变暖仍将持续，到21世纪末，全球平均地表温度在1986—2005年基础上将升高0.3～4.8 ℃[1].全球气候变暖正在影响农业生产，作物产量由于温度上升等原因出现下降[2].干旱和高温等极端天气事件的增多导致农业生产风险加大，全球粮食安全受到威胁.水稻是世界第二大粮食作物，播种面积占世界粮食作物的27.90%，总产占1/4[3].气候变暖改变了水稻生长的水热条件，严重影响水稻的生产.对水稻产量进行模拟预测，有助于了解未来其变化趋势，为粮食安全提供参考和借鉴.

目前常见的水稻产量预测模拟模型有：ORYZA,CERES-Rice,WOFOST和EPIC等.ORYZA是由国际水稻研究所(IRRI)与荷兰瓦赫宁根大学(WUCR)专为热带水稻模拟而开发的系列模型.ORYZA模型曾用于对我国兴化地区[4]和马来西亚水稻产量、生物量等[5]进行的模拟研究，该模型主要考虑氮元素在植物中的利用，对磷、钾等考虑较少.CERES(Crop Environment Resourse Synthesis)-Rice是DSSAT(Decision Support System for Agrotechnology Transfer)系列的子模型，通过遗传因子与气象要素相互作用的数学描述，对作物进行模拟.国内外学者通过该模型在气候变化[6]、耕作制度[7]、土壤水分有效性[8]等方面对水稻生长进行模拟，但该模型对极端天气事件及病、虫、草等因素的危害考虑不足[9].WOFOST(World Food Studies)是由世界粮食研究中心开发，着重强调土地评价、风险分析、气候变化影响的定量化表达.有学者利用WOFOST对浙江水稻生长进行模拟[10].WOFOST模型在特殊土壤和景观等细节上考虑不够细致，比较适宜在大范围内开展模拟研究[11].EPIC(Erosion/Productivity Impact Calculator)模型是基于物理原理而进行的自然模拟过程，以天为步长，综合考虑土地生产力和土壤侵蚀变化等对作物生长的影响[12]，具有综合性强、模拟准确、可操作性高等优点.国内外也有较多学者采用EPIC模型对水稻生长、水稻产量等进行模拟[13-14].EPIC相较于其他模型在土壤水分、养分循环和土壤侵蚀等方面模拟更加准确，在环境变化模拟方面具有天生的优势[15]，可以用于未来气候情景下单点模拟研究.因此,本文选取EPIC模型对宁波市未来水稻产量进行模拟.

未来气候变化情景下我国水稻主产区的产量模拟也有研究，熊伟等[16]利用中国随机天气模型将HadCM2和ECHAM4两种气候模式与CERES-Rice相结合，模拟未来4种气候情景下我国主要水稻产区产量的变化.研究表明,未来大部分地区水稻呈减产趋势.姚凤梅等[17-18]采用了CERES-Rice作物模型结合区域气候模式，模拟了A2和B2气候情景对中国南方稻区灌溉水稻产量的影响.结果显示:随着温度的增加，水稻产量呈下降趋势.上述研究使用的气象数据相较于RCPs情景数据，在各项政策对未来排放影响方面考虑不足.同时研究着重强调对未来水稻产量的整体趋势的探讨，没有对温度、光照、降水等多个气象要素与产量关系进行定量分析.本文以浙江省宁波市为例,通过EPIC模型模拟未来该地区RCPs情景下水稻单产，研究其变化趋势、波动范围及稳定性，并分析未来该地区水、光、热与单产的关系.为未来气候变化情景下该地区水稻生产提供一定的参考和科学依据.

1 数据与方法

浙江宁波位于东经120°55′～122°16′，北纬28°51′～30°33′，属亚热带季风气候.多年平均气温为16.7 ℃，平均降水量约1 480 mm，5—9月占全年降水量的60%.水稻是该地区主要粮食作物，是浙江省水稻高产区，以单双季籼粳稻为主.宁波水稻抛秧面积1.3 万hm2，占其水稻面积的14.5%，主要分布在宁波市、余姚市、奉化市等地.宁波水稻生产潜力较大，近年来单产平均在7.5 t/hm2左右，2012年百亩示范田甚至出现13.5 t/hm2的高产；但同时也受旱灾影响严重，2013年高温导致宁波地区约140 hm2水稻绝收.

1.1 模型与数据来源

EPIC模型包含11个子模块：作物生长、作物环境、耕作、天气、水文、侵蚀、养分、农药、土壤温度、经济和碳循环[19].EPIC模型对作物生长的描述则分为6个部分：作物产量模块、物候发育模块、水分利用模块、养分利用模块、环境胁迫模块和潜在生长模块.基于EPIC模型数据需求和特点，构建相应的数据库(见表1)，主要包括：作物生长环境数据库、田间管理数据库、作物单产数据库.

代表性浓度路径(Representative Concentration Pathways,RCPs)是指“对辐射活性气体和颗粒物排放量、浓度随时间变化的一致性预测，作为一个集合，它涵盖了广泛的人为气候强迫”[20].RCPs情景数据可根据2100年所达到的辐射强迫不同分为4种典型浓度路径,分别为RCP2.6,RCP4.5,RCP6.0及RCP8.5.各路径的模型、形态等信息如表2所示.

本文的RCPs情景数据来源于德国联邦教育与研究部(German Federal Ministry of Education and Research,BMBF)资助的ISI-MIP项目.该研究采用HadGEM2ES,IPSL-CM5A-LR,MIROC-ESM-CHEM,GFDL-ESM2M和NorESM1-M这样5个GCMs模型，输出空间分辨率为0.5°×0.5°网格形式的1971—2099年全球每日气象数据[23].

RCPs情景数据对于极端天气表现能力更强，农业生产对气候因子尤其是极端天气敏感性较大，因此,该数据能够更好地用于未来气候条件下农业生产的评估[24].

1.2 模型校准与敏感性分析

由于气候、土壤等要素的地区差异，作物模型在不同地区和不同尺度的应用中，其模拟的精度受到不同程度的影响.EPIC模型参数具有显著的区域性，在其研发地(美国)适用性好，应用到其他国家和地区时，需要对模型参数进行校准和修订.目前常用的对EPIC模型进行校准的方法有：田间实验法、专家经验法、模拟最优法[25-26].这3种方法主要是对模型中的关键参数进行调整.

敏感性分析(Sensitivity Analysis)是确定关键参数的重要研究方法，用于从众多参数中识别和选择关键的控制参数，筛选出引起模型结果不确定性的主要因素[27].EFAST(Extent Fourier Amplitude Sensitivity Test)是目前效率较高的敏感性分析方法之一.其方法的核心是用一个周期函数的曲线在参数的多维空间内搜索，然后用傅里叶变换计算参数的幅度，幅度越大敏感性也越高[28].EFAST方法认为，模型结果的方差可以反映模型结果对输入参数的敏感性，模型总方差是由各参数及参数间耦合作用共同作用得到，因此,方差V可以分解为

式(1)中:V表示模型结果的总方差;Vi为某一参数Xi对于模型结果贡献的方差；Vij为参数Xi通过参数Xj作用所贡献的方差，也即耦合方差；Vijm为参数Xi通过参数Xj,Xm作用所贡献的方差；V12…k为参数Xi通过参数Xi,…,Xi-1,Xi+1,…,Xk所贡献的方差.

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

(3)

式(2)～式(3)中，某一个参数Xi所贡献的方差Vi等于模型结果Y对Xi条件期望的方差.同样,Vij表示Y对Xi,Xj条件期望的方差减去各自所贡献的方差.如此，各参数及参数相互作用的方差与总方差的比值为敏感指数[29].敏感指数的取值为0～1.越接近1，参数敏感性越高，对模型模拟结果影响越大，在模型校准过程中应当着重对这些参数进行调整.

本文敏感性分析过程主要分为4步：1)确定参与敏感性分析的作物参数取值范围和分布形式；2)在取值范围内生成作物参数随机样本；3)使用EPIC模型计算所有参数样本对应的产量输出；4)使用EFAST法分析参数样本与模拟产量数据，得到作物参数敏感性如图 1所示.

图1表明,不同参数对于模拟产量的敏感程度差异较大，敏感指数最大值接近0.35，大部分参数敏感指数接近0.潜在光能利用率(WA)、最低收获指数(WSYF)、生长季峰值点(DLAI)、最大潜在叶面积指数(DMLA)4个参数一阶敏感性指数之和为0.812，对产量波动的贡献率占80%以上，宁波地区水稻敏感参数为WA,WSYF,DMLA,DLAI.

以2000—2009年宁波市农气站实际单产为基准，以0.1为步长不断调整WA,WSYF,DMLA,DLAI等4个敏感参数的值[30].参数调整范围为初始参数值(EPIC默认参数)的0.5～1.8倍.根据模拟单产与基准单产变化趋势及相关系数，判断模型校准效果.

1.3 单产损失计算方法

在校准模型的基础上，利用RCPs情景数据对2010—2099年宁波市水稻单产进行模拟，运用线性趋势分析法，分析2010—2099年宁波市水稻单产变化趋势，并以2000—2009年单产平均值为基准，计算未来不同年代单产损失的百分比：

式(4)中:YL表示单产损失率;Yi为第i年代单产平均值;Y0为基准单产平均值.通过单产变化和单产损失率揭示未来该地区水稻单产损失变化趋势.统计每年4种RCPs情景下单产最大值和最小值，运用线性趋势分析法，分析未来单产波动范围变化.同时计算2010—2049年和2050—2099年2个不同时段的单产变异系数：

2 结果与分析

2.1 模型检验

实际单产数据为2000年至2009年，与模拟单产进行对比，结果如图2所示.2000—2009年模拟单产与实际单产整体变化趋势基本一致.2002—2003年、2005—2006年、2008—2009年两者均呈现一致的下降趋势，2000—2002年、2003—2005年、2007—2008年两者也呈一致的明显上升趋势.模拟单产与实际单产相关系数约为0.571且在0.050水平上显著相关，模拟结果与实际单产具有较好的相关性，模型校准结果良好.

2.2 未来水稻单产变化

2.2.1 未来水稻单产损失趋势

2010—2099年宁波市在RCPs 4种情景下的水稻单产均呈现下降的趋势，下降幅度有所不同.RCP2.6，RCP4.5，RCP6.0和RCP8.5情景下单产下降幅度分别为：每10 a下降0.182,0.176,0.280 t/hm2和0.383 t/hm2.其中RCP4.5情景下水稻单产下降幅度最小，RCP8.5情景下下降幅度最大.

图3是未来水稻单产损失变化情况，结果表明，RCP2.6情景下，单产呈现先下降后上升的趋势，2070s达到最低值，减少约20.18%，随后单产逐渐回升，该趋势与RCP2.6辐射强迫变化相一致；RCP4.5情景下单产变化最为平缓，21世纪20年代以前单产有一定上升，随后逐渐下降，至60年代达到减产最大值；RCP6.0情景下，单产呈现阶梯状下降的趋势，21世纪10年代及20年代年单产迅速下降，20—50年代呈相对稳定状态，50—60年代再次下降，至21世纪末单产有小幅回升；RCP8.5情景下单产呈现明显的下降趋势，产量损失最大可达45%，下降幅度较大的时段分别为21世纪20—40年代、50—69年代.

综合来看，未来4种气候情景下宁波市水稻单产均呈现下降趋势，RCP4.5和RCP2.6情景下降幅度较小，RCP6.0，RCP8.0下降幅度较大.2050年以前，4种情景下单产减少相对平缓，RCP2.6，RCP4.5，RCP6.0，RCP8.5情景下分别减产约13.86%，6.00%，11.41%，11.58%.但如果不及时采取有效措施，2050年后除RCP2.6情景外其余3种情景均有大幅减产，到21世纪末4种情景下减产幅度分别为6.96%，14.78%，23.05%，44.94%.

相关研究表明，在气候变化影响下21世纪亚洲地区可能平均减产约3.8%，包括中国南部、泰国、印度西部等多个地区为减产区域[31].在不同气候模式下，我国水稻至21世纪50年代平均单产减少8.6%～12.6%，至80年代减产可达到18.4%～26.2%(不考虑CO2肥效性)[32].以我国主要水稻区杭州站为例，至2030年水稻产量减少约为10%～15%[16].我国长江中下游地区江苏、浙江、江西等减产幅度为10%～20%[33].本文结论与我国南方地区水稻产量整体趋势和减产幅度基本一致，未来气候变化情景下我国南方地区水稻产量可能出现10%左右的下降，将面临较大的减产危机.宁波作为浙江省水稻高产区，其水稻生产稳定性至关重要，但随着未来气候变暖，该地区可能出现超过40%以上的减产，这将给浙江乃至我国粮食安全造成极大威胁.

2.2.2 未来水稻单产波动

图4是2000—2099年单产波动曲线，结果表明，4种情景中单产最大值下降幅度较小，约每10 a下降0.088 8 t/hm2；单产最小值下降幅度较大，约每10 a下降0.368 4 t/hm2.2050年以前未来单产最高可达8 t/hm2，最小值大多为3～4 t/hm2；2050以后，单产最大值大多处于7 t/hm2上下，单产最小值可以达到2 t/hm2以下；从变化范围来看，2050年以前产量最大值和最小值差距较小;2050年以后，尤其是2070年后单产波动范围增大，出现极端低值的频率升高.

计算2010—2049年和2050—2099年单产变异系数.截至2049年，4种情景中,RCP6.0情景下单产变异系数最大,为37.16%，RCP4.5情景下单产变异系数最小,为23.58%.2050—2099年，单产变异系数最大及最小值依然是RCP6.0和RCP4.5，分别为43.55%,32.42%.4种情景下单产变异系数均有上升，上升幅度从6%～8%不等.21世纪后50 a区水稻单产稳定性较之前有明显下降.

类似研究发现，未来南方地区，水稻高产年和低产年的概率明显增加，产量分布趋于两极化，也即单产波动范围加大[17].包括浙江在内的长江中下游稻区产量年际变率相对于基准值有所上升，未来该地区水稻产量稳定性变差[31].与浙江相邻的福建省水稻产量未来稳定性较差[34].年际间波动幅度增加，主要由于气温升高，导致某些年份极端高温出现的频次增加，进而影响水稻生长，致使年际间产量波动.未来南方部分地区可能出现水稻单产的波动性增强的现象，高温、干旱等极端天气事件的频次加大可能导致单产不确定性增加.近年来，宁波地区多次出现极端高温导致水稻减产，2013年部分地区甚至出现绝收现象，进一步验证了本文的结论.由于未来宁波市水稻单产出现极端低值概率增加，单产最小值下降幅度较大，使得波动范围加大，不稳定性增加.可见未来该地区水稻生产应当重点关注出现极端低值的情况.

综上所述，未来4种RCPs情景下宁波市水稻生产的风险加大，主要表现在单产呈下降趋势，单产的波动范围逐渐增大，单产的不稳定性增加.随着未来气候变化加剧，该地区水稻单产的不确定性增加.

2.3 未来水稻单产主要影响因素

未来4种气候情景下，宁波市水稻单产呈现整体下降、波动性增加的变化趋势.为了近一步探究造成该变化的主要因素，本文对单产和气候数据进行相关性分析,具体见表3.

水、光、热是影响作物生长的最主要气象要素，表3即4种RCPs情景下未来水稻单产与生育期内水(降水、相对湿度)、光(太阳辐射)、热(最高温、最低温)相关系数表.从表中可以看出,未来宁波地区水稻生育期内虽然降水量有一定的上升，但相对湿度依然呈现下降的趋势，这主要因为太阳辐射和温度的上升幅度较大，生育期内降水量的微弱增加不足以改变未来该地区向暖干化转变的趋势.到21世纪末，4种情景下相对湿度下降约2～3个百分点，温度上升1～4 ℃，太阳辐射可能增加1 W/m2以上.水稻对水分需求较大，该地区暖干化转变的趋势加大旱灾发生的可能性，严重影响水稻生产.

4种情景中RCP2.6和RCP4.5模拟单产与生育期内日最高温度呈高度负相关，相关系数分别为0.708和0.580；RCP6.0和RCP8.5的模拟单产与生育期内太阳辐射强度呈高度负相关，相关系数分别为0.612,0.756.由此可见，未来宁波市RCP2.6和RCP4.5情景下水稻单产下降的主要原因是由于日最高温的大幅上升，RCP6.0,RCP8.5情景下主要由于太阳辐射量的升高影响单产，使水稻减产.

日最高温度多出现在午后，这一时期作物蒸腾、蒸散量增加，水稻需水量加大，但由于相对湿度下降，水稻很可能发生萎蔫，加大了遭受高温热害、高温干旱的可能性.研究表明，温度上升尤其是极端高温对粮食产量有负面影响[35].高温、低风速的情况下，水稻穗部的温度比气温高4 ℃[36]，严重影响发育.华东地区水稻生产研究表明,气温升高对水稻生长不利，其影响远大于降水量对产量的影响[37].同时太阳辐射的大幅上升导致该地区夜间温度升高，夜间温度升高5 ℃，水稻减产可达90%[38]，夜间温度升高使水稻的呼吸作用加强，消耗大量有机质，造成减产.未来由于日最高温度、太阳辐射的增加导致宁波市水稻产量下降，出现极端低产的概率增加，不稳定性增强.因此，该地区应当加强对温度、太阳辐射的关注度，防范高温、干旱等极端事件对水稻生产的影响，加大预警力度；进一步完善水稻旱灾保险制度，降低理赔门槛；采取合理有效的灌溉措施，稳定水稻生产，降低旱灾发生的可能性.

3 结论与讨论

面对未来气候变暖，宁波市水稻单产的不确定性增加，水稻生产风险加大.主要表现在：1)未来水稻单产呈现下降的趋势，至21世纪中叶4种情景下水稻单产减少幅度分别为13.86%,6.00%,11.41%,11.58%，至21世纪末减少幅度可能高达44.94%；2)水稻单产的波动范围加大、稳定性减小，4种情景下2050—2099年与2010—2049年水稻单产变异系数上升6～8个百分点.宁波作为浙江省水稻高产区，对未来气候变暖条件下水稻生产风险应当引起足够的重视，加强水稻生产管理.通过调整生育期、改良品种等措施，尽量减缓水稻产量下降趋势，逐渐适应气候变化.从而稳定浙江及我国南方水稻区的生产，减小对我国乃至世界粮食安全的威胁.

未来4种气候情景下，对水稻单产影响最大的为日最高温度和太阳辐射，相关系数最高分别为-0.708和-0.756.适宜的光照和温度能促进水稻生长，但随着未来宁波地区趋向于暖干化，光、热反而在一定程度上成为抑制水稻生长的主要因素.未来该地区应当着重防范气候变暖尤其是高温、干旱等极端天气事件对水稻生产的影响.完善水稻旱灾等理赔保险机制，尽量减少由于气候变化导致产量下降所带来的负面影响.

在今后的相关研究中以下问题值得进一步探讨：1)在模型和气候情景的选择上，目前对未来水稻产量模拟研究中大多使用较为成熟的SRES排放情景.但SRES情景数据对极端天气事件的表现不足，随着未来气候变化的不断加剧，极端天气事件增多，该情景已经难以满足对未来预测的需求.本文使用IPCC第5次评估报告建议使用的RCPs情景数据，但该数据在农业生产研究中的应用还不成熟，部分浓度路径可能需要进一步探讨.在今后的研究中可以综合多个气候模式对作物产量进行预估，以减小由单一气候模拟带来的不确定性.同时，ORYZA，CERES-Rice，EPIC等是较为常见的用于水稻模拟研究的模型，每个模型都有各自的优势和局限性，例如EPIC在土壤侵蚀等方面具有优势，在水文单元响应上也有一定的局限性.2)水稻种植受自然和人为作用共同影响，在对未来水稻产量模拟研究中，应综合考虑自然和人为因素.在自然因素方面，南方多丘陵、山地，水稻种植存在山地和平原2种不同的环境，宁波市属于宁绍平原，因此,本文研究对象以平原水稻为主.事实上丘陵水稻种植缺少水源、水利设施较差、有机质匮乏、耕性差，降雨淋溶和径流使得氮元素等大量流失[39]，因此,在干旱等灾害面前更加脆弱.面对未来气候变暖，平原水稻和山地水稻对温度的敏感程度不同，产量可能有较大差异.未来加强不同环境下水稻对比模拟研究具有重要意义.在人为因素方面，未来水稻品种改良、科学技术进步等对水稻生产有较大影响.但由于模型的局限性，本文很难将未来人为因素考虑在内，目前对该方面的研究也相对欠缺，今后研究中可以根据历史水稻种植发展及农业技术发展速度预估未来发展趋势，从而更加全面地模拟未来水稻生长.3)未来CO2等温室气体浓度增加，能提高植物单位叶面积的净光合速率，增加干物质积累量，同时提高作物对水分的利用效率，对作物产量提高有促进作用[40].虽然有研究表明CO2对部分水稻的肥效作用不足以抵消由温度升高带来的负面影响[33]，但笔者认为可以在一定程度上减缓水稻产量的下降速度.

[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]申双和,杨沈斌,李秉柏,等.基于ENVISAT ASAR数据的水稻估产方案[J].中国科学:D辑 地球科学,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,金之庆,石春林,等.福建省基于自适应调整的水稻生产对未来气候变化的响应[J].作物学报,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]林忠辉,莫兴国,项月琴.作物生长模型研究综述[J].作物学报,2003,29(5):750-758.

[10]谢文霞,严力蛟,王光火.运用 WOFOST 模型对浙江水稻潜在生长过程的模拟与验证[J].中国水稻科学,2006,20(3):319-323.

[11]谢文霞,王光火,张奇春.WOFOST 模型的发展及应用[J].土壤通报,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]何飞.区域农业旱灾系统研究——以湖南蒸水流域水稻旱灾为例[D].北京:北京师范大学减灾与应急管理研究院,2010.

[15]范兰,吕昌河,陈朝.EPIC 模型及其应用[J].地理科学进展,2012,31(5):584-592.

[16]熊伟,陶福禄,许吟隆,等.气候变化情景下我国水稻产量变化模拟[J].中国农业气象,2001,22(3):1-5.

[17]姚凤梅,张佳华,孙白妮,等.气候变化对中国南方稻区水稻产量影响的模拟和分析[J].气候与环境研究,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]陈敏鹏,林而达.代表性浓度路径情景下的全球温室气体减排和对中国的挑战[J].气候变化研究进展,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]胡亚南,刘颖杰.2011—2050年RCP4.5新情景下东北春玉米种植布局及生产评估[J].中国农业科学,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]吴锦,余福水,陈仲新,等.基于EPIC 模型的冬小麦生长模拟参数全局敏感性分析[J].农业工程学报,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]姜志伟,陈仲新,周清波,等.CERES-wheat作物模型参数全局敏感性分析[J].农业工程学报,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]杨沈斌,申双和,赵小艳,等.气候变化对长江中下游稻区水稻产量的影响[J].作物学报,2010,36(9):1519-1528.

[34]江敏,金之庆,杨慧,等.基于IPCC SRES A1B 情景下的福建省水稻生产模拟研究[J].中国生态农业学报,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]孙卫国,程炳岩,杨沈斌,等.区域气候变化对华东地区水稻产量的影响[J].中国农业气象,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]陈安强,雷宝坤,鲁耀,等.南方山地丘陵区考虑水稻产量和生态安全的容许施氮量[J].农业工程学报,2013,29(9):131-139.

[40]黄建晔,杨洪建,董桂春,等.开放式空气 CO2浓度增高对水稻产量形成的影响[J].应用生态学报,2002,13(10):1210-1214.

(责任编辑 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

国家重点基础研究发展计划资助项目(2012CB955403)

郭 浩(1990-)，男，安徽宿州人，硕士研究生.研究方向：地理信息系统.

王静爱.E-mail: jwang@bnu.edu.cn

S162.5+3

：A

：1001-5051(2015)04-0452-09