控制灌溉条件下水稻灌溉需水量对气候变化的响应

鲍金丽，王卫光，丁一民

(河海大学 水文水资源与水利工程科学国家重点实验室，南京 210098)

0 引 言

以温度升高、降水波动为主要特征的气候变化，已经对农业灌溉需水产生了显著的影响。水稻作为耗水量最大的粮食作物，其灌溉需水量受气候变化影响尤为显著[1]。目前，已有众多学者展开了水稻灌溉需水量对气候变化响应的研究。其中，主要以历史气象数据和大气环流模式(GCMs)结合作物系数法与水量平衡原理或结合作物模型，逐日推求水稻灌溉需水量[2-4]。王卫光等[5]基于作物系数法和水量平衡，综合考虑降雨有效性和区域渗漏特征，在A2和B2两种气候情景下分析了长江中下游水稻灌溉需水量时空变化特征；黄志刚等[6]以作物系数法结合有效降雨研究了CMIP5_RCP4.5情景下松嫩平原水稻灌溉需水量变化特征。然而，不同的灌溉方式对应着不同的灌溉制度，在不同的生育期有着不同的灌溉上下限。因此，基于需水量、有效降雨和平均渗漏的水量平衡计算，并不能完全反应水稻灌溉过程。此外，水稻控制灌溉技术由于其高效的节水能力，而得到了广泛的推广[7]。但以往的研究多集中于常规灌溉，基于水稻控制灌溉制度结合水量平衡原理，研究水稻灌溉需水量对气候变化的响应还未见报道。本文基于昆山灌排试验基地的试验资料、气象观测数据以及CMIP5气候模式数据，结合水稻控制灌溉制度、水量平衡原理和TM积温模型研究过去50年(1961-2010年)以及21世纪未来3个时期[2011-2040年(20年代)、2041-2070年(50年代)和2071-2100年(80年代)]水稻生育期以及灌溉需水量变化特征。

1 数据和方法

1.1 气象数据

本文所采用的气象数据包括昆山站点历史气象观测数据以及GCMs气候模式数据。其中，历史气象数据来自中国气象局信息中心气象资料室(http:∥data.cma.cn/)。GCMs数据来源于耦合模式比较计划第五阶段(CMIP5)气候模式数据。CMIP5气候模式分辨率普遍较高，大气物理过程描述精细，且提供了更多的气候变量输出。CMIP5气候模式数据采用了新一代温室气体排放情景----典型浓度路径(RCPs)，RCPs各情景在2100年选择不同的辐射强度目标。其中：RCP2.6表示2100年左右，辐射强度最高达到2.6 W/m2，RCP4.5和RCP6.0表示在2100年左右，辐射强度分别稳定在4.5和6.0 W/m2，而RCP8.5表示在2100年辐射强度将达8.5 W/m2。本文采用BCC-CSM1.1(m)、GFDL-ESM2M和HadGEM2-ES三种气候模式(表1)的4种气候情景。

表1 3种气候模式详细信息Tab.1 The detail information of three GCMs

1.2 水稻灌溉需水量计算

本文基于水稻控制灌溉制度结合水量平衡原理，逐日推求水稻灌溉需水量。控制灌溉是指根据水稻不同时期对水分敏感程度的差异，在各生育期设置合理土壤水分供应。除在返青期保持5～25 mm水层外，其余各生育阶段均不建立水层，仅保持土壤水分控制上限为饱和含水量，下限在不同生育期分别取饱和含水量的60%～80%[7](图1，水层深度负值为土壤含水量换算成水层深度)。

图1 水稻控制灌溉制度Fig.1 Rice controlled irrigation schedule

水稻田间水量平衡公式如下：

hi-hi-1=Ri+Ii-Di-Si-ETci

(1)

式中：hi、hi-1分别为第i天、第i-1天的水层深度，mm；Ri、Ii、Di、Si分别表示第i天的降雨量、灌水量、排水量、渗漏量，mm；ETci为第i天的水稻需水量，mm；水稻渗漏量根据昆山灌排试验基地2008年控制灌溉试验各生育期平均渗漏量确定[8]，不同生育期渗漏量分别取为4.33，4.02，4.59，3.24，2.27，2.32，3.11，2.81，1.3(mm)。水稻需水量(ETci)的计算基于日最低气温、日最高气温、辐射、风速、平均水汽压数据，采用FAO-56 Penman-Monteith方法，计算参考作物腾发量(ET0i)，然后采用单作物系数法和水分胁迫系数计算水稻逐日需水量(ETci)：

ETci=KcKsET0i

(2)

式中：ET0i为日参考作物腾发量，mm；Kc为作物系数；Ks为土壤水分胁迫系数。其中Kc系数采用昆山单季中稻作物系数修正值[9]，在生育期初始、中期和末期分别取为1.05、1.2、1.0。Ks计算方法参考文献[10]。

1.3 TM模型

水稻移栽日期和生育期的计算采用Carla Cesaraccio等[11]于2001年提出的Temperature Model(TM)模型，该模型是一种估算逐小时均温的经验模型，相比其他模型能够更加有效地模拟日温度曲线并准确计算积温值。TM模型将一天分为3个阶段，第一阶段从太阳升起时刻Hn到最高温对应时刻Hx；第二阶段从最高温对应时刻到日落时刻Ho；第三阶段从日落时刻到第二天最低温对应时刻Hp。一和二阶段温度是用两段正弦函数曲线拟合，第三阶段用平方根函数拟和。Ho和Hp根据当地经纬度确定，Hx=Ho-4，Hp=Hn+24。4个时刻Hn、Hx、Ho、Hp对应温度分别为：当日最低温度Tn、当日最高温度Tx、日落时温度To、第二天最低温度Tp。

To=Tx-c(Tx-Tp)

(3)

一天内每一时刻温度函数计算公式：

对式(4)求积分，将积分后的3个结果求和，得到一天的积温值。

以昆山灌排试验基地2011年的水稻生育期为基准，采用TM模型算出2011年水稻移栽日期当量积温为5.3 万℃，生育期当量积温为7.3万℃。

1.4 Delta降尺度

由于大气环流模式(GCM)分辨率普遍较低，且区域模拟能力差。因此，在应用GCM进行区域气候变化研究时，需对其进行校正处理。降尺度是一种有效的弥补GCM不足的方法，本文采用Delta方法结合研究区实测气象数据对所采用的3种GCM模式进行降尺度处理。Delta方法具体计算过程为：①分别计算各气象要素实测数据均值和气候模式输出数据均值；②针对不同气象要素以实测均值和气候模式均值构建乘法或加法因子，本文中，最高气温、最低气温和辐射采用相加形式，而水气压、风速和降水采用相乘形式；③GCM预估未来气象序列相乘或相加对应校正因子，从而实现GCM的降尺度处理。

2 结果与讨论

2.1 过去50 a水稻需水量、灌溉需水量、移栽日期和生育期变化

基于控制灌溉制度和作物系数法构建水稻逐日水量平衡模型，结合历史气象数据，在假定水稻品种不变的条件下模拟过去50年(1961-2010年)水稻需水量、灌溉需水量、移栽日期和生育期变化特征(图2)，并采用MK趋势检验法对各要素进行趋势显著性分析。从图2中可以看出，水稻移栽日期显著提前、生育期显著缩短(|Z|值均大于95%置信水平值1.96)，但移栽日期提前天数相对于生育期缩短天数更大，生育期在1960-1970年代甚至有小幅上升趋势。水稻需水量有小幅上升趋势，但上升趋势不显著(|Z|<1.96)，与需水量不同，灌溉需水量呈现显著下降趋势(|Z|<1.96)。图3给出了研究区过去50年水稻生育期内最高气温、最低气温均值和降水量变化趋势，从图中可以看出各气象变量均呈显著上升趋势。由于在本文中，移栽日期和生育期仅受最高气温和最低气温影响，因此气温的显著上升带来了移栽日期的显著提前和生育期的大幅缩短。在水稻生育期显著缩短的情景下，水稻需水量呈现小幅上升趋势，说明最高气温和最低气温的显著上升带来的需水量增加大于生育期缩短对需水量的影响。生育期内降水量显著增加(|Z|=2.4>1.96)，以及水稻需水量基本不变，两者共同作用导致了灌溉需水量的显著下降。

图2 1961-2010年控制灌溉条件下水稻需水量、灌溉需水量、移栽日期及生育期变化趋势Fig.2 The change of rice water requirement, irrigation water requirement, transplant date and growth duration under controlled irrigation in 1961-2010

图3 1961-2010年水稻生育期内最高气温、最低气温及降水量变化趋势Fig.3 The change of maximum and minimum temperature and precipitation in rice growth duration in 1961-2010

2.2 未来气候变化下水稻移栽日期、生育期、需水量和灌溉需水量变化

以1961-2010年平均值为基准值，计算3种模式4种情景在未来3个时期的水稻移栽日期、生育期、需水量和灌溉需水量变化幅度(图4)。从图4中可以看出，除RCP2.6情景外，3个气候模式在其他情景的几乎所有时期，水稻生育期随着时间的推移而逐渐缩短，且随着辐射强度的增大(从RCP2.6至RCP8.5)，缩短天数也逐渐增大。尽管三种气候模式的生育期呈现出相似的变化特征，但具体变化天数有着明显的差异。其中以HadGEM2-ES(HADG)模式缩短天数最大，其最大值为RCP8.5情景2071-2100年的31 d。在BCC-CSM1.1(m)(BCC)模式下，生育期均值最大以及最小缩短天数分别为RCP8.5情景下2071-2100年的26 d和RCP2.6情景下2011-2040年时期的11 d。在GFDL-ESM2M(GFDL)模式下，生育期缩短最小，其最大以及最小缩短天数分别为RCP8.5情景下2071-2100年的17 d和RCP2.6情景下2071-2100年时期的3 d。在RCP2.6情景下，3种气候模式生育期在2071-2100年均有一定程度的增加，增加幅度约为1～4 d。水稻移栽日期变化规律与生育期变化规律大致相同，但不同气候模式的差异性相对较小，在RCP2.6情景下，3种气候模式变化幅度较为接近。3种气候模式中，仍以HADG变化幅度最大，在RCP8.5情景下2071-2100年，移栽日期最大提前36 d。而移栽最小提前天数出现在BCC气候模式的RCP6.0情景下2011-2040年的12 d。

图4 水稻移栽日期、生育期、需水量以及灌溉需水量相对历史基准期变化幅度(横坐标为21世纪年代和气候模式)Fig.4 The change of rice transplant date, growth duration,water requirement and irrigation water requirement relative to baseline period

与移栽日期和生育期不同，水稻需水量和灌溉需水量在4种气候情景下并无明显的变化趋势。除RCP2.6情景外，GFDL的需水量在其他3种气候情景下均小于基准期均值。而BCC和HADG模式在所有情景下均大于基准期均值。其中最大值为BCC模式RCP8.5情景下2071-2100年的22.4%，最小值为GFDL模式RCP45情景下2011-2040年的-9.1%。灌溉需水量变化规律与需水量相似，最大值为BCC模式RCP4.5情景下2011-2040年的47.8%，最小值为GFDL模式RCP8.5情景下2041-2070年的-31.4%。水稻需水量不仅受生育期长度的影响，还受温度、辐射、风速以及降水等因素的综合影响。在未来气候条件下[12]，温度的大幅升高和辐射的增加导致需水量的增加，但生育期的缩短和风速的变化带来需水量的减小，同时降水在未来气候条件下有着较大的波动性。因此，在多种因素共同作用下，需水量和灌溉需水量未呈现出明显的变化特征。

3 结 论

(1)过去50年，由于水稻生育期内气温和降水的显著增加，导致移栽日期显著提前，生育期明显缩短，需水量小幅上升，灌溉需水量显著下降。

(2)在未来气候条件下，水稻生育周期显著缩短，移栽日期明显提前，但不同气候模式差异较大。水稻需水量和灌溉需水量在BCC和GFDL模式下总体上高于基准期均值，但无明显变化规律，水稻灌溉需水量由于受降水影响较大，其变化幅度大于水稻需水量。

本文未考虑不同GCMs的不确定性以及不同灌溉方式对水稻灌溉需水量的影响，同时气候变化下水稻灌溉需水量在空间上的差异性也有待研究。

□

[1] Wang W, Yu Z, Zhang W, et al. Responses of rice yield, irrigation water requirement and water use efficiency to climate change in China: Historical simulation and future projections[J]. Agricultural Water Management, 2014,146:249-261.

[2] 王卫光, 孙风朝, 彭世彰, 等. 水稻灌溉需水量对气候变化响应的模拟[J]. 农业工程学报, 2013,(14):90-98.

[3] 韩 冰, 罗玉峰, 王卫光, 等. 气候变化对水稻生育期及灌溉需水量的影响[J]. 灌溉排水学报, 2011,(1):29-32.

[4] 罗玉峰, 彭世彰, 王卫光, 等. 气候变化对水稻灌溉需水量的影响----以高邮灌区为例[J]. 武汉大学学报(工学版), 2009,(5):609-613.

[5] 王卫光, 彭世彰, 孙风朝, 等. 气候变化下长江中下游水稻灌溉需水量时空变化特征[J]. 水科学进展, 2012,(5):656-664.

[6] 黄志刚, 王小立, 肖 烨, 等. 气候变化对松嫩平原水稻灌溉需水量的影响[J]. 应用生态学报, 2015,(1):260-268.

[7] 彭世彰, 罗玉峰, 王卫光. 水稻节水高产控制灌溉实用技术[M]. 北京: 中国水利水电出版社, 2015.

[8] Peng S, Yang S, Xu J, et al. Nitrogen and phosphorus leaching losses from paddy fields with different water and nitrogen managements[J]. Paddy and Water Environment, 2011,9(3):333-342.

[9] 彭世彰, 徐俊增. 水稻控制灌溉理论与技术[M]. 南京: 河海大学出版社, 2011.

[10] 郝树荣, 崔鹏程, 张展羽, 等. 南京地区水稻节水灌溉定额及适宜灌溉模式[J]. 水资源保护, 2015,(6):150-153.

[11] Cesaraccio C, Spano D, Duce P, et al. An improved model for determining degree-day values from daily temperature data[J]. International Journal of Biometeorology, 2001,45(4):161-169.

[12] 杨 绚, 李栋梁, 汤 绪. 基于CMIP5多模式集合资料的中国气温和降水预估及概率分析[J]. 中国沙漠, 2014,(3):795-804.