气候模拟数据订正方法在作物气候生产潜力预估中的应用——以江苏冬小麦为例*

陶苏林，申双和**，李雨鸿，高　苹（.气象灾害预报预警与评估协同创新中心/江苏省农业气象重点实验室/南京信息工程大学应用气象学院，南京 0044；.辽宁省气象科学研究所，沈阳 066；.江苏省气象服务中心，南京 0008）



气候模拟数据订正方法在作物气候生产潜力预估中的应用
——以江苏冬小麦为例*

陶苏林1，申双和1**，李雨鸿2，高苹3
（1.气象灾害预报预警与评估协同创新中心/江苏省农业气象重点实验室/南京信息工程大学应用气象学院，南京 210044；2.辽宁省气象科学研究所，沈阳 110166；3.江苏省气象服务中心，南京 210008）

摘要：利用全球气候模式BCC_CSM1.1（Beijing Climate Center Climate System Model version 1.1），耦合区域气候模式RegCM4（Regional Climate Model version 4）输出的1961-1990年（基准时段）气候模拟数据，并根据同期实测资料，确定模拟值和实测值之间的非线性传递函数与方差订正参数，构建气候模拟数据的误差订正模型。利用1991-2005年（验证时段）模拟数据与实测资料验证该模型的有效性，并对RCP（Representative Concentration Pathway）情景下2021-2050年（未来时段）气候模拟数据进行订正，同时通过潜力衰减方法预估未来江苏冬小麦气候生产潜力格局。结果表明：将气候模拟数据订正方法应用到作物气候生产潜力预估是有效的。以均值传递函数和方差信息建立的模型可以较好订正江苏逐日气候模拟数据。订正后的秋冬季气温、辐射量、蒸散量和冬春季降水量模拟偏差明显减小。在此基础上研究发现，冬小麦的成熟期在RCP4.5和RCP8.5情景下介于153～175和153～174，较基准时段均明显提前。两种情景下冬小麦气候生产潜力分别介于10335～14368kg·hm−2和9991～13708kg·hm−2，较基准时段呈下降趋势。其变异系数分别介于7.6%～14.6%和7.5%～13.6%，较基准时段呈增大趋势，表明江苏冬小麦气候生产潜力总体趋于不稳定。未来时段，徐州中北部、连云港东北部、宿迁西部以及盐城东南部冬小麦在RCP4.5和RCP8.5情景下可以保持相对较高的生产潜力（≥12501kg·hm−2），该省应确保这些地区的冬小麦种植用地。研究建议，作物气候生产潜力预估应考虑利用研究区实测资料对气候模拟数据进行订正，以提高预估可信度。

关键词：统计降尺度；数据订正；RCP4.5和RCP 8.5情景；气候生产潜力

陶苏林,申双和,李雨鸿,等.气候模拟数据订正方法在作物气候生产潜力预估中的应用:以江苏冬小麦为例[J].中国农业气象,2016, 37(2):174-187

江苏省普通高校研究生科研创新计划项目（CXZZ12_0503）；江苏省农业气象重点实验室开放基金（JKLAM201202）

研究未来气候变化对相关领域的影响有助于制定应对措施。利用数值模式模拟输出的气候变量（如日最高气温、最低气温和降水量等）驱动评估模式（如AEZ[1]、WOFOST[2]和DSSAT[3]等模型）可实现未来气候变化对农业的影响评估。该过程一般包含3个步骤：（1）选择合适的未来气候情景；（2）获得对气温、降水等气候变量较可信的预估结果；（3）确定评估内容并运用合适的评估方法。

分析未来气候变化对农业的影响首先需要结合气候情景。IPCC AR5典型浓度目标（Representative Concentration Pathways, RCPs）代表当前关注的多种气体的综合情景，优于2000年SRES方案[4]。RCPs情景以稳定浓度为特征，包括RCP8.5、RCP6、RCP4.5 和RCP2.6共4种情景。其中RCP8.5和RCP2.6分别为高端和低端路径，至2100年大气CO2当量浓度约1370×10−6和490×10−6[5-6]；RCP6和RCP4.5为中间稳定路径，至2100年CO2当量浓度分别稳定在约850 ×10−6和650×10−6，且RCP4.5的优先性大于RCP6[5-6]。RCP4.5情景更适合中国东部地区未来发展。因为该地区有可能较先通过改善能源体系，增加电能、低排放能源技术利用、碳捕获及地质储藏技术等实现限制温室气体排放。此外，RCP8.5情景基于人口最多、技术革新率不高、能源改善缓慢的假定，形成长时间高能源需求以及高温室气体排放，但缺乏应对气候变化相应政策[7]。该情景下的相关评估结果应作为对比结果以供参照。

未来气候变量的预估主要依靠大气环流模式（General Circulation Model, GCM），并利用降尺度方法将GCM输出的大尺度、低分辨率模拟信息转化为区域尺度的未来气候模拟结果[8]。动力降尺度方法物理意义明确，以GCM输出结果作为区域气候模式RCM（Regional Climate Model, RCM）的初始和边界条件，模拟更精细分辨率的物理过程，有效弥补GCM分辨率不足的缺陷。但该方法不可能无限提高模拟分辨率，以刻画复杂地形等小尺度气候细节[4,9]，同时受制于GCM输出结果和RCM自身的不确定性，仍存在较大误差[10-11]。气候变量的预估结果是否可信涉及均值、极值、变率以及季节循环等方面[12]。通过改善模式物理过程和参数化方案完善数值模式来减小预估误差的方法难度较大。

统计降尺度方法通过利用历史观测信息对模拟结果进行统计订正处理，计算量小、耗时少且简单易用。如差值法、比值法、移动平均值等方法可以消除气候平均值的漂移[13-14]；百分位统计降尺度方法可以订正极值[4]；基于Gamma分布和正态分布概率的方法可较好订正变率偏差[15]；以月或季为时间尺度的方法侧重还原季节分布特征[12]；回归方法则可以订正气候平均值和变率[16]。统计降尺度方法的核心是从历史观测资料提取尽可能多的信息以帮助订正预估结果，但其订正过程可能引入过多的历史观测信息，导致气候变化预估结果订正过度，甚至丢失模式模拟的基本信息，并且还没有一种统计降尺度方法可以完全订正所有形式的误差。该方法的不确定性可能源自“数值模式模拟偏差不随时间变化”和“数值模式完美地模拟出气候变化”这两种假设。而研究农业应对未来气候变化还应注意：（1）气候因子的逐日变化对作物生长发育影响很大；（2）数值模式对冬季增温的预估准确性对越冬作物研究很重要。以年或季为时间尺度的统计降尺度方法还不能提供十分可信的气候预估结果以满足这种需求。将时间尺度缩至月或日应当可以克服这些局限。对于作物研究而言，旬尺度的气候变量变化特征十分重要。因此利用旬尺度信息建立误差订正模型是必要的。

研究未来气候变化情景下作物生产潜力格局是评估未来气候变化对农业影响的重要内容，由此可以了解土地生产力和粮食安全保障能力。气候的波动或变化，光、热、水匹配的农业气候资源亦发生相应变化。光照、温度和水分等对农业生产的影响并非相互独立，其中一个因子达到作物生长最优条件也未必能实现增产[17]。气候生产潜力是指作物品种、土壤条件和田间管理制度等因素均达作物生长最优状态，研究区光温水共同决定的单位面积理论最高产量[18]。其估算常采用潜力衰减法对光合生产潜力进行温度订正和水分订正[19]。部分研究表明历史气候波动使作物气候生产潜力降低[1, 20-21]，主要影响因素是降水减少，并且旱地气候生产潜力较水田减少更多[22]。有关未来气候变化情景下的作物生产潜力的研究报道不多。已有研究发现，作物气候生产潜力主要呈增加趋势[23-25]。然而，气候生产潜力在空间上呈现明显的区域分异[1,25]。形成这种差异的可能原因，一是局地气候变化与全球趋势可能出现不一致；二是不同地区气温、降水等气候变量变化趋势和程度时空格局不同。不同地区、不同作物生产潜力对不同气候变化情景的响应值得深入探究。

本文选择RCP4.5和RCP8.5气候情景，并利用基于气候要素平均值传递函数与方差信息的误差订正方法，对全球气候模式BCC_CSM1.1驱动区域气候模式RegCM4模拟的RCP情景下未来时段（2021-2050年）逐日资料进行订正。并以江苏冬小麦为例，利用潜力衰减法预估2021-2050年研究区作物气候生产潜力变化格局，以期为未来气候变化对农业影响研究以及江苏应对措施制定提供参考和理论依据。

1　资料与方法

1.1研究区概况

江苏是中国经济与农业大省，位于北亚热带与暖温带的过渡气候带，四季分明、雨热同季、雨量集中、光照充足，农业生产条件得天独厚。冬小麦生产对该省粮食总产构成具有重要地位和作用。1979-2007年，江苏冬小麦播种面积从1.496×106hm2增至2.039×106hm2，总产占该省粮食总产份额从17.0%增至31.1%[26]。该省冬小麦生产在全国也占重要地位，其中2013年播种面积占全国总面积的8.9%，总产占全国产量的9.0%[27]。但其冬小麦生产面临两方面挑战：（1）土地资源紧张[28]。非农建设用地需求的增加和由此引致的农用地非农化，使高质量农用地比例下降。江苏南部人均耕地资源低于北部地区，但耕地面积减少速度比北部地区更快。（2）气候条件变化[28]。该省年平均气温近几十年升高趋势明显，特别是2000年以来平均气温持续偏高。苏北、苏中和苏南地区气温均有增长，苏南增长幅度最大。夏季降水量变化相对平稳，但20世纪90年代中后期开始，区域变化特征明显。气候条件变化对该省冬小麦生产的影响客观存在[8, 15]。冬小麦种植区如图1a。

1.2资料来源

气候情景数据[29]来源于全球气候模式BCC_ CSM1.1驱动区域气候模式RegCM4，用其模拟的江苏区域RCP4.5和RCP8.5情景下，1961-2005年以及2015-2050年逐日平均气温（℃）、最高气温（℃）、最低气温（℃）、降水量（mm）、风速（m×s−1）、太阳辐射（MJ×m−2）和蒸散量（mm）等，空间分辨率为50km×50km；气象观测数据为江苏60个气象台站1961-2010年逐日平均气温（℃）、最高气温（℃）、最低气温（℃）、平均空气相对湿度（%）、20：00-20：00降水量（mm）、平均风速（m×s−1）和日照时数（h）等；作物数据为江苏17个农气站1990-2010年冬小麦发育期资料。模拟格点与实测站点分布如图1b、图1c。

1.3研究方法

1.3.1气候模拟数据订正方法

图1　研究区冬小麦种植区(a)、模拟格点(b)与实测站点(c)分布Fig. 1　Distribution of planting areas of winter wheat(a), grid points(b) and observation stations(c) in the study region

本文给出一种气候情景数据订正方法：（1）采用非线性回归法建立模拟序列与观测序列之间的传递函数；（2）采用方差放大方法将模拟结果的方差订正至实测资料的方差水平。RegCM4模式模拟的格点气温和降水量可以与常规气象站观测气温和降水量构成对应序列，但辐射量和蒸散量在常规气象站观测中无对应。因此，利用观测资料，根据文献[30]和文献[31]分别估算逐日太阳总辐射和蒸散量。

利用1961-1990年基准时段RegCM4模型模拟结果与气象站实测资料获得传递函数系数和实测资料的方差信息，建立订正模型。具体为：（1）将基准时段RegCM4模拟的格点要素通过双线性插值方法[32]内插至相应气象站，形成与第m年第n旬第i日观测要素平行的序列“o”和“s”分别表示观测值和模拟值。（2）定义基准时段第m年第n旬RegCM4模拟结果的平均值为自变量Xs( m,n)，第m年第n旬观测资料的平均值为因变量Xo( m,n)，建立以下传递函数。

式中，k为旬日数，取8、9、10或11；系数c1、c2与c3通过最小二乘法[33]估计获得。（3）将待订正要素插值至气象站形成序列xi，对其进行均值订正。

1.3.2冬小麦生育期划分依据

考虑温度对冬小麦生长发育的主导作用，以有效积温的相对积累表示发育阶段[34]，即

式中，Dt为t时刻冬小麦发育阶段；Δt为时间步长；TSUMj为完成第j发育阶段所需总有效积温（℃×d），j= 1为出苗至开花阶段，j= 2为开花-成熟阶段；Tei为第i天有效温度（℃）。

式中，T为日平均气温（℃）；Tb和Tm分别为冬小麦发育下限温度和上限温度（℃），并取Tb= 3.0℃、Tm= 32.0℃。定义出苗期D为0，开花期D为1，成熟期D为2，其余发育期RDS以[0,2]区间实数表示。当有效积温达到完成某个发育期所需积温，则该生育期结束，进入下一个生长发育阶段。以1990-2010年实测出苗期、开花期和成熟期与同期气象资料确定冬小麦播种至出苗所需积温、出苗-开花阶段积温和开花-成熟阶段积温，以实测冬小麦播种期为平均播期，确定基准时段与未来时段冬小麦成熟期。

1.3.3气候生产力估算模型

冬小麦气候生产潜力估算模型基于潜力衰减方法建立[35]，即

式中，Yc为气候生产潜力（kg×hm−2）；E为理论光能利用率；CH为作物经济系数，取4.5×10−1[36]；h为每形成1g干物质所需的热量，取1.79×104J[37]； CA为作物灰分含量，取8.0×10−2[36]；ξ为光合有效辐射占总辐射的比例，取4.9×10−1[36]；α为作物反射率，取1.0×10−1[36]；β为作物群体对太阳辐射的漏射率，取7.0×10−2[36]；γ为光饱和限制率，取5.0× 10−2[36]；ρ为作物非光合器官对太阳辐射的无效吸收，取1.0×10−1[36]；ω为作物呼吸损耗率，取3.3× 10−1[36]；φ为量子转化效率，取2.2×10−1[36]；åQ为作物生长季内太阳总辐射（MJ×m−2）。f( T)和f( W)分别为温度[38]和水分[35]影响订正函数。

式中，T为日平均气温（℃）；P为降水量（mm）；Kc为作物系数，冬小麦全生育期取0.85[19]；ET0为参考作物蒸散量（mm）。

2　结果与分析

2.1气候模拟数据的订正

2.1.1订正模型

订正模型（4）-模型（6）由均值和方差订正构成。以南京站1月上旬逐日平均气温订正为例：（1）利用1961-1990年RegCM4模拟结果和实测资料，计算该站逐年1月上旬平均气温，形成容量为30的模拟序列和观测序列；（2）以观测序列为因变量、模拟序列为自变量进行回归分析，得到该站1月上旬关于平均气温的回归系数c1、c2和c3（表1）；（3）将回归系数代入模型（4），建立传递函数，对该旬逐日模拟结果进行均值订正；（4）利用实测资料计算逐年1月上旬平均气温的方差，并以其30a平均值代入模型（5）、模型（6）进行方差订正。该旬逐日平均气温订正模型为

表1　南京逐旬平均气温传递函数系数Table 1　Coefficients of transfer function for average temperature of every ten-day in Nanjing

其中

2.1.2模型验证

建立订正模型需要各测站各要素逐旬回归系数c1、c2和c3以及多年平均方差。利用这些信息以及1991-2005年数据验证订正模型（4）-模型（6）的有效性：（1）将1991-2005年气候模拟数据插值至60个气象站点，形成待订正序列；（2）根据各测站各要素逐旬回归系数和方差参数，确立订正模型；（3）将待订正序列输入该模型，以订正验证时段所有年份逐日数据；（4）分别计算各测站各要素逐月气候模拟要素与同期实测要素的相对误差，日平均气温、最高气温和最低气温取月平均值，降水量、辐射量和蒸散量取月总和；（5）将这些相对误差取全区平均获得江苏各要素逐月相对误差，如图2。

图2　1991-2005年订正前后气候要素模拟值与实测值比较的相对误差（Re）Fig. 2　Relative error(Re) of simulated climatic element and its correction compared with observation during 1991-2005

模型（4）-模型（6）可较好地订正未来情景下的气候模拟数据。验证时段模拟序列经订正后与同期观测序列偏差明显减小。订正前RegCM4模拟的冬季和春季气候要素值明显高于同期实测值。秋冬季节的日平均气温、日最低气温与降水量模拟偏差尤为明显（图2a、c、d）。日最高气温、辐射量和蒸散量也有类似偏差，但相对误差总体低于0.6（图2b、e、f）。订正后的日平均气温、日最低气温以及降水模拟值与实测偏差大幅减小，冬春季节尤为突出（图2a、c、d）。日最高气温、辐射量以及蒸散量模拟值经订正，与实测偏差也得到明显减小，相对误差低于0.2（图2b、e、f）。春夏季节的日最高气温、降水量、辐射量和蒸散量经订正，与实测偏差也有一定减小。因此，本文给出的包含均值和方差订正的方法是有效的。秋冬季节气温和辐射偏高、蒸散偏多以及冬春季节降水偏多的情形得以改善，冬小麦气候生产潜力预估可信度也得以提高。

2.1.3气候模拟数据订正结果

订正后的2021-2050年气候要素空间格局与以往实测气候要素分布特征[39-40]相似，江苏年平均气温和最低气温以南部最高、北部最低（图3a、c和图4a、c），最高气温以西部最高、东部最低（图3b、图4b）；年降水量分布较均匀，全省差异较小（图3d、图4d）；年辐射量以东北部最高、西南部最低（图3e、图4e）；年蒸散量以西北部最高、东南部最低（图3f、图4f）。

RCP4.5情景下，2021-2050年扬州、泰州和南通南部及其以南地区年平均气温最高，介于15.1～15.9℃（图3a）。这些高值地区范围在RCP8.5情景下向北扩大至扬州、泰州和南通中部（图4a）。徐州东部、宿迁、淮安和盐城东北部、连云港大部年平均气温最低，介于13.5～14.0℃（图3a）。低值地区范围在RCP8.5情景下向北略有收缩，且年平均气温的最低值增加了0.1℃（图4a）。高、低值地区范围的变化表明，RCP8.5情景下江苏北部地区平均气温较RCP4.5情景有所增加。这种变化也是年平均最高气温与最低气温在两种气候情景下的主要差异（图3b、c和图4b、c）。两种情景下年降水量≥1301mm的地区范围相近，但RCP8.5情景下年降水量较RCP4.5情景总体减少。年降水量介于1201～1250mm以及1251～1300mm的地区范围收缩明显，而降水量＜1200mm的地区范围扩大（图3d和图4d）。年辐射量和蒸散量在两种情景下的空间格局差异不大。年辐射量≥5001MJ×m−2的地区范围在RCP8.5情景下略有收缩（图3e和图4e），蒸散量≥1001mm的地区范围略有扩大（图3f和图4f）。

图3　订正后RCP4.5情景下2021-2050年气候要素平均值分布Fig. 3　Distribution of average value of corrected climatic element under RCP4.5 scenario during 2021-2050

图4　订正后RCP8.5情景下2021-2050年气候要素平均值分布Fig. 4　Distribution of average value of corrected climatic element under RCP8.5 scenario during 2021-2050

2021-2050年，RCP8.5情景较RCP4.5情景下的气候要素差异主要表现为，气温和蒸散量增加，降水和辐射减少，但这些差异并不明显，与Gao等[29]对同期中国的气候变化预估结论一致。但研究区这些气候要素的微小变化对冬小麦未来时段生长发育的影响不容忽视，本文利用模型（4）-模型（6）订正未来气候模拟数据的意义也在于尽可能抓住区域内气候要素的这些微小变化。

2.2冬小麦生育期的确定

冬小麦播种期与成熟期的确定方法：（1）假定研究区在未来时段（2021-2050年）保留现有作物种植制度，并以农气站1990-2010年冬小麦实测播种期作为基准时段和未来时段的平均播种期（图5a）；（2）利用农气站1990-2010年冬小麦实测播种期与成熟期以及同期气象资料确定各站冬小麦积温参数；（3）将平均播种期、积温参数，代入式（7）、式（8）分别确定基准时段和未来时段RCP4.5与RCP8.5情景下的冬小麦成熟期（图5b、c、d）。

以1月1日为1，则研究区冬小麦的播期日序介于284～310。北部地区最早播种，东南部地区最晚，最晚可推迟26d（图5a）。冬小麦在基准时段的成熟期日序介于155～178。西南部和西北部冬小麦最早成熟，东部沿海地区最晚成熟，最晚可推迟23d（图5b）。冬小麦在未来时段RCP4.5情景下的成熟期日序介于153～175，比基准时段成熟期提前。成熟期日序介于166～170的地区范围在该情景下大幅收缩，成熟期提前趋势明显（图5c）。RCP8.5情景下的成熟期日序介于153～174，较RCP4.5情景又有小幅提前（图5d）。较基准时段，冬小麦在未来时段两种情景下的成熟期最为稳定的区域主要在江苏西北部、西南部以及沿海地区。

2.3冬小麦气候生产潜力的格局变化

江苏冬小麦基准时段（1961-1990年）的气候生产潜力介于10706～14454kg·hm−2。南部地区气候生产潜力最小，北部地区最大，最大潜力差为3748kg·hm−2（图6a）。气候生产潜力≥13501kg·hm−2的地区主要在徐州西北部和盐城东南部；气候生产潜力≤11500kg·hm−2的地区主要在盐城西部、扬州南部、泰州东南部、南通北部、南京中部、镇江、常州、无锡和苏州大部。未来时段（2021-2050年）RCP4.5情景下的冬小麦气候生产潜力介于10335～ 14368kg·hm−2，与基准时段相比呈下降趋势（图6b）。气候生产潜力的最高值与最低值较基准时段分别降低86kg·hm−2和371kg·hm−2。气候生产潜力≥13501kg·hm−2的地区收缩至徐州西北部，≤11500kg·hm−2的地区扩大至扬州大部、淮安南部、盐城北部以及连云港局部地区。RCP8.5情景下的冬小麦气候生产潜力介于9991～13708kg·hm−2，下降趋势更为明显（图6c）。气候生产潜力的最高值与最低值较基准时段分别降低746kg·hm−2和715kg·hm−2，且12501～13500kg·hm−2的地区范围明显缩小。

图5　基准时段（1961-1990）和未来时段（2021-2050）冬小麦播种期和不同情景下模拟成熟期的分布Fig. 5　Distribution of sowing date and maturity date (M-date) of winter wheat simulated under different scenarios during baseline (1961-1990) and future period (2021-2050)

图6　基准时段（1961-1990）和未来时段（2021-2050）不同情景下冬小麦气候生产潜力模拟结果（kg·hm-2）Fig. 6　Distribution of climatic potential productivity of winter wheat simulated under different scenarios during baseline (1961-1990) and future period (2021-2050) (kg·ha-1)

由图7a可见，基准时段的气候生产潜力变异系数介于7.0%～13.2%。变异系数≥13.1%的地区主要在徐州东南部和连云港中西部。这些地区冬小麦气候生产潜力相对不稳定。其原因可能是该地区冬春季节降水资源较不稳定[41]。未来时段RCP4.5与RCP8.5两种情景下的冬小麦气候生产潜力变异系数均呈增大趋势，气候生产潜力趋于不稳定。变异系数≥13.1%的地区在RCP4.5情景下向南扩大至宿迁东部、淮安中部和东部、盐城北部、扬州西南部、南京东部和镇江西北部；11.1%～13.0%的地区则分别向南、东、西扩大（图7b）。RCP8.5情景下，变异系数≥13.1%和11.1%～13.0%的地区范围均有收缩，但在南通西北部地区形成了新的高值中心（图7c）。

两种情景下的变异系数与基准时段对比得出，可用3类区域表征该省未来时段冬小麦气候生产潜力稳定性变化形势：（1）基准时段相对不稳定、未来趋于更不稳定的区域，如连云港西北部；（2）基准时段相对稳定、未来趋于不稳定的区域，如盐城东北部、无锡中东部、苏州东部；（3）基准时段相对不稳定、未来趋于稳定的区域，如泰州西北部、扬州东北部。另外，徐州中部、盐城南部、南通西北部基准时段冬小麦气候生产潜力相对不稳定，至未来时段RCP4.5情景下趋于稳定，RCP8.5情景下则趋于更不稳定；淮安南部、南京北部基准时段相对不稳定，至未来时段RCP4.5情景下趋于更不稳定，RCP8.5情景下趋于稳定。

图7　基准时段（1961-1990）和未来时段（2021-2050）不同情景下冬小麦气候生产潜力模拟结果的变异系数（%）Fig. 7　Distribution of coefficient of variation of climatic potential productivity of winter wheat under different scenarios during baseline (1961-1990) and future period (2021-2050) (%)

图8　未来不同情景下冬小麦气候生产潜力模拟结果的年代际变化（kg·hm−2）Fig. 8　Inter-decadal variation of climatic potential productivity of winter wheat simulated under different future scenarios (kg·ha−1)

由图8a可见，RCP4.5情景下，2021-2030年冬小麦气候生产潜力介于10419～14439kg·hm−2，西北部地区气候潜力较高，西南部和东北部较低。气候生产潜力≥13501kg·hm−2的地区主要在徐州西北部、连云港东北部、宿迁西南部和盐城东南部。2031-2040年冬小麦气候生产潜力呈减小趋势，介于9977～14047kg·hm−2（图8b）。气候生产潜力≥13501kg·hm−2的地区收缩至徐州中北部；≤11500kg·hm−2的地区向北、西、东扩大。2041-2050年气候生产潜力介于10401～14619kg·hm−2（图8c）。气候生产潜力≤11500kg·hm−2的地区仍然向北、向东南扩大，表明研究区冬小麦气候生产潜力进一步减小。RCP8.5情景下3个年代气候生产潜力较RCP4.5情景呈减小趋势。气候生产潜力≥13501kg·hm−2的地区自2021-2030年开始收缩，至2041-2050年江苏全省冬小麦气候生产潜力≤13169kg·hm−2（图8d、e、f）。

RCP4.5和RCP8.5两种情景下，2021-2050年冬小麦气候生产潜力可以保持较高水平的地区主要在徐州中北部和盐城东南部。连云港东北部、宿迁西部冬小麦气候生产潜力也有较高水平。主要是因为冬小麦早播晚熟，加之降水量和辐射量多、蒸散量少。这些地区有较强的冬小麦生产能力，其用地资源应予以保证。

3　结论与讨论

（1）利用实测资料对区域气候模式模拟输出的格点资料进行订正是必要的。这对作物生长发育受气候变化影响的研究十分重要。本文采用基于均值和方差订正的模型订正逐日气候模拟数据是有效的。BCC_CSM1.1驱动区域气候模式RegCM4模拟的江苏区域格点资料与实测资料相比，秋冬季气温和辐射量偏高、蒸散量偏多和冬春季降水量偏多。模型（4）-模型（6）处理后的秋冬季日平均气温、最低气温和降水量模拟偏差则明显减小，春夏季节的日最高气温、降水量、辐射量和蒸散量模拟偏差也得以减小。

（2）与RCP4.5情景相比，RCP8.5情景下2021-2050年江苏气温和蒸散量增加，降水量和辐射量减少。这些差异形成了该区冬小麦气候生产潜力的不同分布格局。未来时段（2021-2050年），冬小麦成熟期在RCP4.5和RCP8.5情景下分别介于153～175和153～174，且与基准时段（1961-1990年）相比均明显提前。两种情景下冬小麦气候生产潜力分别介于10335～14368kg·hm−2和9991～13708kg·hm−2，较基准时段呈下降趋势。最高气候生产潜力较基准时段分别降低86kg·hm−2和746kg·hm−2，最低气候生产潜力分别降低371kg·hm−2和715kg·hm−2，≥13501kg·hm−2的地区主要在徐州西北部。两种情景下的气候生产潜力变异系数分别介于7.6%～14.6%和7.5%～13.6%，较基准时段呈增大趋势，表明江苏冬小麦气候生产潜力总体趋于不稳定。变异系数≥13.1%的地区主要在徐州东南部和连云港中西部，但其范围在RCP4.5 和RCP8.5情景下均有所扩大。未来时段，徐州中北部、连云港东北部、宿迁西部以及盐城东南部冬小麦在RCP4.5（中间稳定路径）和RCP4.5（高端路径）情景下依然可以保持相对较高的生产潜力（≥12501kg·hm−2）。这些地区的冬小麦种植用地应予以保证。

本文的订正模型基于模拟值与实测值的传递函数和方差信息，可以订正模式模拟输出的逐日资料。订正的日平均气温、最高气温和最低气温优于RegCM4直接输出结果。降水量、辐射量和蒸散量订正难度较大，但订正模型处理后的结果也有较大改善。与以扰动法[42]或变量概率分布[43]为传递函数的订正方法、以模拟值与实测值之间的线性或指数关系[44]为传递函数的订正方法、百分位统计降尺度方法[4]等相比，该方法可以同时订正模式模拟结果的平均值和方差漂移，意义明确、方法简单且效果明显。但该方案的不足在于假定模式与实测变量的方差不随时间变化，并且其订正效果受限于每一旬内模拟序列与观测序列平均值的关联性。因此，建立以月为时间窗口（不建议以季为时间窗口）确定平均值传递函数，其订正效果可能更优。

预估江苏冬小麦在未来情景下的气候生产潜力可以帮助制定未来气候变化的应对措施。基准时段作为历史参照，期间的气候生产潜力估算结果准确性尤为重要。与赵俊芳等[25]估算的江苏中北部地区冬小麦气候生产潜力（6001～11000kg·hm−2）相比，本文估算的气候生产潜力偏高。但其最低值（10706kg·hm−2）与许艳等[45]估算的江苏沿海地区冬小麦气候生产潜力最低值（10954kg·hm−2）相当，最高值（14454kg·hm−2）则与田展等[1]估算的江苏区域小麦气候生产潜力最高值（13089kg·hm−2）接近。目前关于未来气候变化背景下江苏冬小麦气候生产潜力的研究报道很少。赵俊芳等[25]关于黄淮海地区的研究包括了江苏中北部地区。该地区冬小麦在B2情景下2021-2050年气候生产潜力较1961-1990年总体呈增加趋势，与本文估算结果相反。其原因可能是气候情景、气候模式以及模拟数据订正方法的差异。

本文估算结果的不确定性主要源自：（1）气候变化情景的不确定性。未来社会经济、环境变化、土地利用变化和技术进步等非气候情景还不能准确描述。而在目前科技水平下，气候系统对温室气体浓度升高的反应还不能厘清，并且天气系统自身也高度复杂可变。（2）气候生产潜力模型的不确定性。大气、作物与土壤间的物质能量交换呈高度非线性，并且气候多因子对作物产量形成的影响并非相互独立。气象资料与模型参数的获得又受实际观测条件限制。应用本文订正方法在一定程度上降低了源自前者的不确定性水平，并且相对江苏经济和社会发展水平，RCP4.5情景采纳新能源等技术应用以限制温室气体排放，较符合该省未来发展形势。而丰富的气象资料与合适的模型参数则降低了来自后者的不确定性水平。

江苏耕地资源紧张，保持高产和稳产对该省的冬小麦生产十分重要。但是未来气候变化对农业的影响研究，如作物气候生产潜力[46]、适宜度区划[47]等，还缺少稳定性评估。本文关注了冬小麦气候生产潜力在未来时段稳定性变化，特别指出气候生产潜力趋于不稳定的生产区域。这对细化该省未来气候变化应对措施有较好参考。根据目前研究结果，建议江苏在保证冬小麦种植用地前提下，同时考虑如下措施保障冬小麦生产：（1）适当推迟播种期，防止冬小麦因冬季气温升高而过快生长；（2）趁墒及时播种，避免降水量波动带来的不利影响；（3）充分利用该省较完善的灌溉设施，合理安排灌溉。

本文给出了一种订正逐日气候模拟数据的方法，并预估了未来气候变化情景下江苏冬小麦生产力。但如何选择适合研究区的未来气候变化情景、合理的气候模型、恰当的订正方法，尤其是如何定量评估不确定性，均有待深入研究。

参考文献References

[1]田展,梁卓然,史军,等.近50年气候变化对中国小麦生产潜力的影响分析[J].中国农学通报,2013,29(9):61-69.

Tian Z,Liang Z R,Shi J,et al.Analysis of impact on China wheat potential productivity of climate change during 1961-2010[J].Chinese Agricultural Science Bulletin,2013, 29(9):61-69. (in Chinese)

[2]米娜,张玉书,蔡福,等.未来气候变化对东北地区玉米单产影响的模拟研究[J].干旱区资源与环境,2012,26(8):117-123.

Mi N,Zhang Y S,Cai F,et al.Modelling the impacts of future climate change on maize productivity in northeast China[J]. Journal of Arid Land Resources and Environment,2012, 26(8):117-123.(in Chinese)

[3]李剑萍,杨侃,曹宁,等.气候变化情景下宁夏马铃薯单产变化模拟[J].中国农业气象,2009,30(3):407-412.

Li J P,Yang K,Cao N,et al.Simulation of changes of potato yields under different climate change scenarios in Ningxia[J]. Chinese Journal of Agrometeorology,2009,30(3):407-412.(in Chinese)

[4]刘绿柳,任国玉.百分位统计降尺度方法及在GCMs日降水订正中的应用[J].高原气象,2012,31(3):715-722.

Liu L L,Ren G Y.Percentile statistical downscaling method and its application in the correction of GCMs daily precipitation in China[J].Plateau Meteorology,2012,31(3): 715-722.(in Chinese)

[5]Van Vuuren D P,Edmonds J,Kainuma M,et al.The representative concentration pathways:an overview[J]. Climatic Change,2011,109:5-31.

[6]王绍武,罗勇,赵宗慈.新一代温室气体排放情景[J].气候变化研究进展,2012,8(4):305-307.

Wang S W,Luo Y,Zhao Z C,et al.New generation of scenarios of greenhouse gas emission[J].Advances in Climate Change Research,2012,8(4):305-307.(in Chinese)

[7]Riahi K,Rao S,Krey V,et al.RCP8.5:a scenario of comparatively high greenhouse gas emissions[J].Climatic Change,2011, 109:33-57.

[8]刘绿柳,刘兆飞,徐宗学.21世纪黄河流域上中游地区气候变化趋势分析[J].气候变化研究进展,2008,4(3):167-172.

Liu L L,Liu Z F,Xu Z X.Trends of climate change for the upper-middle reaches of the Yellow River in the 21st century[J].Advances in Climate Change Research,2008,4(3): 167-172.(in Chinese)

[9]Krysanova V,Hattermann F,Wechsung F.Implications of complexity and uncertainty for integrated modelling and impact assessment in river basins[J].Environmental Modelling & Software,2007,22(5):701-709.

[10]Nikulin G,Kjellström E,Hansson U L F,et al.Evaluation and future projections of temperature, precipitation and wind extremes over Europe in an ensemble of regional climate simulations[J].Tellus A,2011,63(1):41-55.

[11]周林.区域气候模式情景预估的统计释用方法研究[D].兰州:兰州大学,2013.

Zhou L.Statistical bias correction methods of regional climate model projection[D].Lanzhou:Lanzhou University, 2013.(in Chinese)

[12]周林,潘婕,张镭,等.气候模拟日降水量的统计误差订正分析:以上海为例[J].热带气象学报,2014,30(1):137-144.

Zhou L,Pan J,Zhang L, et al.Analysis on statistical bias correction of daily precipitation simulated by regional climate model[J].Journal of Tropical Meteorology,2014, 30(1):137-144.(in Chinese)

[13]李军,黄敬峰,王秀珍,等.山区月平均气温的短序列订正方法研究[J].浙江大学学报(农业与生命科学版),2005, 31(2):165-170.

Li J,Huang J F,Wang X Z,et al.Research on adjusting methods of monthly average temperature series inmountainous area[J].Journal of Zhejiang University(Agric. & Life Sci.),2005,31(2):165-170.(in Chinese)

[14]幺枕生,丁裕国.气候统计[M].北京:气象出版社,1990. Yao Z S,Ding Y G.Climatological statistics[M].Beijing: China Meteorological Press,1990.(in Chinese)

[15]Yang W,Andréasson J,Graham L P,et al.Distribution-based scaling to improve usability of regional climate model projections for hydrological climate change impacts studies[J].Hydrology Research,2010,41(3-4):211-229.

[16]郑祚芳,张秀丽,曹鸿兴,等.气候模拟数据的订正与应用:以北京为例[J].气候变化研究进展,2007,3(5):299-302.

Zheng Z F,Zhang X L,Cao H X,et al.Revision and use of simulated climate data:a case study for Beijing[J].Advances in Climate Change Research,2007,3(5):299-302.(in Chinese) [17]Blackman G E,Black J N,Kemp A W.Physiological and ecological studies in the analysis of plant environment.X:an analysis,of the effects of seasonal variation in daylight and temperature on the growth of Helianthus annuus in the vegetative phase[J].Annals of Botany,1955,19(4):527-548.

[18]龙斯玉.江苏省农业气候资源生产潜力及区划的研究[J].地理科学,1985,5(3):218-226.

Long S Y.The survey for potential productivity of agroclimatic resources and its regionization in Jiangsu province[J].Scientia Geographica Sinica,1985,5(3):218-226. (in Chinese)

[19]王素艳,霍治国,李世奎,等.中国北方冬小麦的水分亏缺与气候生产潜力:近40 年来的动态变化研究[J].自然灾害学报,2003,12(1):121-130.

Wang S Y,Huo Z G,Li S K,et al.Water deficiency and climatic productive potentialities of winter wheat in north of China:study on its dynamic change in recent 40 years[J].Journal of Natural Disasters,2003,12(1):121-130.(in Chinese)

[20]罗永忠,成自勇,郭小芹.近40a甘肃省气候生产潜力时空变化特征[J].生态学报,2011,31(1):221-229.

Luo Y Z,Cheng Z Y,Guo X Q.The changing characteristics of potential climate productivity in Gansu province during nearly 40 years[J].Acta Ecologica Sinica,2011,31(1):221-229. (in Chinese)

[21]周广胜.气候变化对中国农业生产影响研究展望[J].气象与环境科学,2015,38(1):80-94.

Zhou G S.Research prospect on impact of climate change on agricultural production in China[J].Meteorological and Environmental Sciences,2015,38(1):80-94.(in Chinese)

[22]韩荣青,郑度,戴尔阜,等.中国粮食主产区生产潜力对气候波动响应研究[J].资源科学,2014,36(12):2611-2623.

Han R Q,Zheng D,Dai E F,et al.Response of production potential to climate fluctuation in major grain regions of China[J].Resources Science,2014,36(12):2611-2623.(in Chinese)

[23]庞艳梅,陈超,潘学标,等.未来气候情景下四川盆地冬小麦生育期气候资源及生产潜力的变化[J].中国农业气象, 2014,35(1):1-9.

Pang Y M,Chen C,Pan X B,et al.Change of climatic resources and potential productivity during the entire growth period of winter wheat under future climate scenario in Sichuan Basin[J].Chinese Journal of Agrometeorology, 2014,35(1):1-9.(in Chinese)

[24]庞艳梅,陈超,潘学标,等.未来气候变化对四川盆地玉米生育期气候资源及生产潜力的影响[J].中国生态农业学报,2013,21(12):1526-1536.

Pang Y M,Chen C,Pan X B,et al.Impact of future climate change on climatic resources and potential productivity of maize in Sichuan Basin[J].Chinese Journal of Eco-Agriculture, 2013,21(12):1526-1536.(in Chinese)

[25]赵俊芳,郭建平,邬定荣,等.2011-2050年黄淮海冬小麦、夏玉米气候生产潜力评价[J].应用生态学报,2011,22(12): 3189-3195.

Zhao J F,Guo J P,Wu D R,et al.Climatic potential productivity of winter wheat and summer maize in Huanghuaihai plain in 2011-2050[J].Chinese Journal of Applied Ecology,2011,22(12):3189-3195.(in Chinese)

[26]李光泗,徐建玲,李丰.江苏省粮食增产制约因素及增产途径分析[J].南京财经大学学报,2009,157(3):20-24.

Li G S,Xu J L,Li F.Analysis on restriction factors and approaches to increase grain production in Jiangsu province[J].Journal of Nanjing University of Finance and Economics,2009,157(3):20-24.(in Chinese)

[27]中华人民共和国国家统计局.中国统计年鉴2014[M].北京:中国统计出版社, 2014.

National Bureau of Statistics of China.China statistical yearbook 2014[M].Beijing:China Statistics Press,2014. (in Chinese)

[28]张红富,周生路,吴绍华.江苏省粮食生产时空变化及影响因素分析[J].自然资源学报,2011,26(2):319-327.

Zhang H F,Zhou S L,Wu S H,et al.Temporal and spatial variation of grain production in Jiangsu province and its influencing factors[J].Journal of Natural Resources,2011, 26(2):319-327.(in Chinese)

[29]Gao X J,Wang M L,Giorgi F.Climate change over China in the 21st century as simulated by BCC_CSM1.1-RegCM4.0[J].Atmospheric and Oceanic Science Letters, 2013,6(5):381-386.

[30]曹雯,申双和.我国太阳日总辐射计算方法的研究[J].南京气象学院学报,2008,31(4):587-591.

Cao W,Shen S H.Estimation of daily solar radiation in China[J].Journal of Nanjing Institute of Meteorology,2008 31(4):587-591.(in Chinese)

[31]Allen R G,Perreira L S,Raes D.Crop evapotranspiration,inFAO irrigation and drainage paper 56[M]. Rome:FAO,1998.

[32]Yuan B,Guo J,Ye M,et al.Variety distribution pattern and climatic potential productivity of spring maize in Northeast China under climate change[J].Chinese Science Bulletin,2012,57(26):3497-3508.

[33]Whittaker E T,Robinson G.The method of least squares,in the calculus of observations:a treatise on numerical mathematics(4th ed.)[M].1967,New York:Dover,209.

[34]Driessen P M,Konijn N T.Land use-system analysis[M]. Wagningen,Netherlands:Wageningen Agricultural University, 1992.

[35]王晓煜,杨晓光,孙爽,等.气候变化背景下东北三省主要粮食作物产量潜力及资源利用效率比较[J].应用生态学报,2015,26(10):3091-3102.

Wang X Y,Yang X G,Sun S,et al.Comparison of potential yield and resources utilization efficiency of main food crops in three provinces of Northeast China under climate change[J].Chinese Journal of Applied Ecology,2015,26(10): 3091-3102.(in Chinese)

[36]许艳,濮励杰,于雪,等.沿海滩涂围垦区土地生产潜力模型构建与应用[J].地理科学进展,2015,34(7):862-870.

Xu Y,Pu L J,Yu X,et al.Potential land productivity of the coastal reclamation zones of Rudong county,Jiangsu province[J].Progress in Geography,2015,34(7):862-870.(in Chinese)

[37]于沪宁,赵丰收.光热资源和农作物的光热生产潜力:以河北省栾城县为例[J].气象学报,1982,40(3):327-334.

Yu H N,Zhao F S.On the light and thermal resources and the crop potential productivity:taking Luancheng county of Hebei province as example[J].Acta Meteorologica Sinica, 1982,40(3):327-334.(in Chinese)

[38]谢云,王晓岚,林燕.近40年中国东部地区夏秋粮作物农业气候生产潜力时空变化[J].资源科学,2003,25(2): 7-13.

Xie Y,Wang X L,Lin Y.Temporal and spatial variation of climatic potential productivity for grain crops in eastern China within forty years[J].Resources Science,2003, 25(2):7-13.(in Chinese)

[39]黄爱军.江淮地区近50年农业气候资源时空变化及稻麦生产响应特征研究[D].南京:南京农业大学,2011.

Huang A J.The study of the evolution characteristics of agricultural climate resources and response characteristic of rice and wheat production during the last 50 years in Jianghuai region[D].Nanjing:Nanjing Agricultural University, 2011.(in Chinese)

[40]尹云鹤,吴绍洪,戴尔阜.1971-2008 年我国潜在蒸散时空演变的归因[J].科学通报,2010,55(22):2226-2234.

Yin Y H,Wu S H,Dai E F.Determining factors in potential evaportranspiration changes over China in the period 1971-2008[J].Chinese Science Bulletin,2010,55(22):2226-2234.(in Chinese)

[41]邓自旺,周晓兰,陈海山.江苏降水长期趋势及年代际变化空间差异分析[J].应用气象学报,2004,15(6):696-705.

Zheng Z W,Zhou X L,Chen H S.Spatial variation of precipitation trend and interdecadal change in Jiangsu[J]. Journal of Applied Meteorological Science,2004, 15(6):696-705.(in Chinese)

[42]石英,高学杰,吴佳,等.华北地区未来气候变化的高分辨率数值模拟[J].应用气象学报,2010,21(5):580-589.

Shi Y,Gao X J,Wu J,et al.Simulating future climate changes over north China with a high resolution regional climate model[J].Journal of Applied Meteorological Science,2010, 21(5):580-589.(in Chinese)

[43]Piani C,Haerter J O,Coppola E.Statistical bias correction for daily precipitation in regional climate models over Europe[J].Theoretical and Applied Climatology,2010, 99(1-2):187-192.

[44]Piani C,Weedon G P,Best M,et al.Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models[J].Journal of Hydrology,2010,395(3):199-215.

[45]许艳,濮励杰,朱明.基于作物生长期的江苏省沿海地区气候生产潜力估算[J].地理科学,2015,35(5):658-664.

Xu Y, Pu L J,Zhu M.Calculation of climate potential productivity at coastal zone of Jiangsu province based on crop growing period[J].Scientia Geographica Sinica,2015, 35(5):658-664.(in Chinese)

[46]褚荣浩,申双和,吕厚荃,等.RegCM3下1951-2100 年江苏省热量资源及一季稻气候生产潜力[J].江苏农业学报, 2015,31(4):779-785.

Chu R H,Shen S H,Lv H Q,et al.Thermal resources and climatic potential productivity of single-season rice in Jiangsu province under RegCM3 from 1951 to 2100[J].Jiangsu Journal of Agricultural Sciences,2015,31(4): 779-785.(in Chinese)

[47]申双和,褚荣浩,吕厚荃,等.气候变化情景下黄淮海冬麦区降水量及其适宜度变化分析[J].中国农业气象,2015,36(4): 454-464.

Shen S H,Chu R H,Lv H Q,et al.Precipitation variation and its suitability for winter wheat in Huang-Huai-Hai region under climate change[J].Chinese Journal of Agrometeorology, 2015,36(4):454-464.(in Chinese)

Application of Bias Correction Method for Simulated Climate Data in Projection of Crop Climatic Potential Productivity
——A Case Study of Winter Wheat in Jiangsu

TAO Su-lin1, SHEN Shuang-he1, LI Yu-hong2, GAO Ping3
(1.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Jiangsu Key Laboratory of Agricultural Meteorology/School of Applied Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Liaoning Institute of Meteorological Sciences, Shenyang 110166; 3.Meteorological Service Center for Jiangsu Province, Nanjing 210008)

Abstract：A bias correction model for simulated climate data was constructed. The nonlinear transfer function between simulations and observations and the parameters for variation correction were determined based on historical simulations outputting from a regional climate model RegCM4 coupled with a global model BCC_CSM1.1 (Beijing Climate Center Climate System Model version 1.1) and the observations during baseline period from 1961-1990. The effectiveness of bias correction model was verified using simulated climate data and observed dataduring validation period from 1991-2005. This model was then used to correct climate data under RCP (Representative Concentration Pathway) scenarios during future period from 2021-2050. Meanwhile, the spatial patterns of winter wheat climatic potential productivity of Jiangsu were projected via productivity decay method under future scenario climates. The results indicated that it was effective to apply bias correction method for simulated climate data in projection of crop climatic potential productivity. The bias correction model with mean value and variation information was an excellent way of correcting simulated climate data at daily scale in Jiangsu. The bias of simulated temperature, radiation, evapotranspiration in autumn and winter as well as precipitation in winter and spring was reduced obviously after correction. Then, on the basis of bias correction, the maturity date of winter wheat in Jiangsu was projected between 153-175 and 153-174 respectively under RCP4.5 and RCP8.5 scenarios, and would advance obviously compared with baseline. The estimated climatic potential productivity of winter wheat was projected between 10335-14368kg·ha−1and 9991-13708kg·ha−1respectively, and would tend to be lower than that during baseline period. Accordingly, the coefficient of variation of climatic potential productivity was projected between 7.6%-14.6% and 7.5%-13.6% respectively, and would increase compared with baseline, which indicated a tendency towards unstable for climatic potential productivity of winter wheat in Jiangsu. Moreover, during future period, the climatic potential productivity of winter wheat would remain relatively high (≥12501kg·ha−1) in central and northern Xuzhou, northeastern Lianyungang, western Suqian and southeastern Yancheng under RCP4.5 and RCP8.5 scenarios. Thus, the cultivated land for winter wheat in these regions should be guaranteed by the government of Jiangsu. Our results suggested a consideration of bias correction for simulated climate data using observations of study region before estimating crop climatic potential productivity, in order to enhance the credibility of the projections.

Key words：Statistical downscaling; Data correction; RCP4.5 and RCP8.5 scenarios; Climatic potential productivity

doi:10.3969/j.issn.1000-6362.2016.02.007

* 收稿日期：2015-06-25**通讯作者。E-mail: yqzhr@nuist.edu.cn

基金项目：公益性行业（气象）科研专项（GYHY201506018；GYHY201306046）；中国气象局气候变化专项（CCSF201318）；

作者简介：陶苏林（1986-），博士生，研究方向为应用气象与数值计算方法。E-mail: sulin.tao@outlook.com