水稻格点作物模型在中国区域的不确定性评估*

孙 擎，杨再强**，车向红，杨世琼，王 琳，郑晓辉



水稻格点作物模型在中国区域的不确定性评估*

孙 擎1, 2，杨再强1, 2**，车向红3，杨世琼1, 2，王 琳1, 2，郑晓辉4

（1．南京信息工程大学气象灾害预报预警与评估协同创新中心，南京 210044；2．南京信息工程大学江苏省农业气象重点实验室，南京 210044；3．中国测绘科学研究院，北京 100830；4．北京师范大学全球变化与地球系统科学研究院，北京 100875）

作物模型是评估气候变化对农业生产影响的主要手段之一，但中国对格点作物模型间的比较研究尚处于初始阶段。为全面评估不同作物模型在中国不同区域对水稻产量模拟的有效性，利用联合国粮农组织（FAO）和中国农业农村部种植业管理司（SYB）水稻年平均产量统计资料，对由2种气候资料（AgMERRA和WFDEI-GPCC）和 3种不同种植管理情景（Default、Fullharm和Harmnon情景）驱动的7种全球格点作物模型（CGMS-WOFOST、CLM-CROP、EPIC-BOKU、GEPIC、LPJML、PDSSAT和PEPIC模型）模拟的中国水稻产量进行了对比分析。结果表明：不同格点作物模型之间的模拟结果差异较大，在不同区域不同格点作物模型的模拟效果差异显著，不同格点作物模型对气候变化和种植管理情景的响应和敏感性不同，大部分模拟结果低估了水稻产量。使用不同水稻统计产量数据会对评估结果产生一定的影响。格点作物模型能够一定程度上模拟出水稻产量的年际变化和气候变化对产量的影响，但对于统计水稻产量上升的趋势较难模拟。通过综合分析产量在时间和空间上的波动情况，并利用2种评分方法对模拟表现打分，发现LPJML和PDSSAT在7种格点作物模型中模拟效果最好，同时也对不同气候数据和种植管理情景的变化最敏感，CLM-CROP的模拟效果最差。对不同种植管理情景，Default情景下的模拟效果显著高于Fullharm和Harmnon情景。多种格点作物模型集合平均（MME）可以降低单个格点作物模型模拟的误差，但需对MME中的集合模型进行挑选。

全球格点作物模型（GGCM）；部门间影响模型比较计划（ISIMIP）；水稻产量；多种作物模型集合平均（MME）

随着气候变化对农业生产和粮食安全影响研究的日益深入，作物模型[1]模拟和基于历史产量的统计方法[2]作为两种主要的研究手段，广泛地应用在农业和气候变化及其相关领域的研究中。

关于格点作物模型的比较研究刚刚开始且主要集中在国外。全球格点作物模型比较计划[3−4]（Global Gridded Crop Model Intercomparison Project，GGCMI）是在部门间影响模型比较计划[5−6]（The Inter-Sectoral Impact Model Intercomparison Project，ISIMIP）的框架下进行的一项作物模型比较的研究，其目的是为全球格点作物模型（Global Gridded Crop Model，GGCM）提供一个全球或区域高分辨率作物模型的影响评估和模型比较框架，并通过此框架改进GGCM，且就气候变化对作物产量的影响进行深入研究。ISIMIP已经进行了3轮模拟，即ISIMIP Fast Track、ISIMIP2a和ISIMIP2b。ISIMIP2a轮模拟于2017年公开了模拟的部分结果，其模拟的主题为模型校准，尤其要关注在极端天气事件和气候变化影响下的校准，本轮模拟会给全球格点作物模型提供历史气候数据集，以将其作为基础数据集进行作物产量的模拟[5,7]。GGCM中进行模型结果评估使用的水稻产量数据[8−9]是基于联合国粮食及农业组织（Food and Agriculture Organization of the United Nations，FAO）的产量数据，并未使用中国本地的统计水稻产量，这将对模型结果的评估产生影响。Li等[10]利用13个水稻作物模型模拟了4个站点1～3a不同水平的灌溉、氮素水稻试验，并分析了其不确定性及敏感性，表明多模型集合平均的产量结果模拟效果较好，误差小于10%，升温将使产量降低4.8%～55.2%，CO2倍增将使产量增加20.6%～26.2%，敏感性分析表明模型中的生物量及收获指数需要进行进一步提升，不同模型在不同站点模拟效果差异较大。Muller等[4]在ISIMIP2a轮模拟中发现，大部分GGCM对玉米、小麦和大豆的模拟能够重建时间和空间的分布，其相关系数均在0.6以上，玉米和大豆的模拟可以解释更多的产量变化，不足之处还是缺乏有效的观测数据来做模型的评估。低纬和高纬农业区受到气候变化的影响明显，中纬度农业区的全球格点作物模型的模拟依旧存在较大的不确定性[1]。在未来全球升温1.5或2℃情景下，利用GGCM的模拟结果研究表明气候变暖会降低作物产量，但是依旧有较大的不确定性存在[11−12]。

中国对多种格点作物模型比较的研究还处在初始阶段，如APSIM[13]、WOFOST[14]、DSSAT[15]等模型在中国区域应用较多且表现较好，但一般只用单种作物模型输入多种不同气候资料对其结果进行集合平均研究，或对作物模型模拟的不确定性进行综述性评论[16–18]，并未在一个共同框架，即对多种作物模型输入相同的气候数据、种植管理数据情况下，对模拟效果进行综合评估，分析各个作物模型模拟结果的不同及其原因。

本研究相比以往，增加了中国自身水稻年产量统计数据，将其作为观测资料，利用ISIMIP2a轮中使用相同输入气候数据和种植管理情景的全球格点作物模型的模拟水稻产量结果，针对中国不同区域在时间和空间上进行详细评估，根据两种评分方法对所有模拟结果进行综合评价，最后对全部格点作物模型集合平均（MME）进行分析评价，提炼格点作物模型模拟存在的不足，并对改进模拟效果的方向提出建议，以期为中国地区水稻格点作物模型使用与选择提供科学依据。

1 材料与方法

1.1 全球格点作物模型

ISIMIP2a轮的模拟中GGCM的结果较多，因此，只选择具有相同输入气候资料的格点作物模型作为不确定性评价的模型，包括CGMS-WOFOST[19]、CLM-CROP[20]、EPIC-BOKU[21−22]、GEPIC[21−22]、LPJML[23−24]、PDSSAT[25–27]、PEPIC[22,28−29]共7个GGCM的产量结果（表1）对中国区域进行作物模型结果的不确性分析，由于模拟结果的时间段不同，因此选择其中的相同时段即1980−2009年。

作物模型共同输入参数有气候资料（包括最高温度、最低温度、平均温度、太阳辐射、降水、风速、湿度等），作物生育期资料（种植日期、收获日期等），作物种植管理数据和施肥数据等。其中驱动作物模型的气候数据集选择AgMERRA和WFDEI-GPCC，格式为netCDF4格式，空间分辨率均为0.5°´0.5°，且已经过误差订正[30]。种植管理情景分为三类：（1）Default情景，播种日期、施肥量和作物品种数据可最好模拟收获日期；（2）Fullharm情景，统一使用现有的施肥量数据集、种植和收获日期数据集（表2）；（3）Harmnon情景，统一使用现有的种植和收获日期数据集，与Fullharm相同，但无氮肥胁迫（表2）。另外，ISIMIP2a轮中灌溉分为雨养（Rainfed）和全部灌溉（Full irrigated），考虑到水稻在中国种植时会得到充足灌溉，因此，仅选择全部灌溉的结果进行分析。

表1 所选全球格点作物模型(GGCM)及其输入气候资料和种植管理情景

注：（1）Default情景，即调试播种日期、施肥量和作物品种等参数能够较好模拟收获日期的情景；（2）Fullharm情景，即统一使用现有的施肥量数据集、种植和收获日期数据集；（3）Harmnon情景，即统一使用现有的种植和收获日期数据集，与Fullharm相同，但无氮肥胁迫。数据来源：http://www.rdcep.org/research-projects/ggcmi。

Note:（1）Default scenario means historical conditions regarding fertilizer application rates, crop variety and sowing date settings best reproduce given harvesting dates ,（2）Fullharm scenario means harmonized growing periods and nutrient inputs,（3）Harmnon scenario means harmonized growing periods with no nutrient stress. Data come from http://www.rdcep.org/research-projects/ggcmi.

表2 Fullharm和Harmnon种植管理情景输入参数列表[3]

1.2 研究区域

由于GGCM在全球所有格点上运行，无论是否为水稻实际种植区域均会运行，因此需要得知水稻的掩膜数据，以减少全国平均水稻产量的误差。利用的水稻种植掩膜数据为IRRI（The International Rice Research Institute，国际水稻研究所）基于MODIS反演的水稻种植格点数据[37]，原数据分辨率为500m，利用Feng的方法[38]将其重新投影至0.5°´0.5°的格点上，得到中国水稻格点种植面积百分比，将水稻种植格点作为水稻种植区域。将中国水稻种植区域分为4个大区，其中东北地区（Northeast，NE）包括黑龙江、吉林、辽宁，西南地区（Southwestern，SW）包括云南、四川、贵州、重庆，长江中下游地区（Middle and lower reaches of Yangtze River，YZ）包括湖南、湖北、安徽、江西、江苏、浙江、上海，华南地区（South，SS）包括福建、广东、广西、台湾、海南、香港、澳门，整个中国地区则简写为CN（China）。

1.3 模型验证资料及方法

1980−2009年统计水稻产量数据来自中国农业农村部种植业管理司农作物数据库（http://zzys.agri. gov.cn/nongqing.aspx），由于本数据库主要是基于中国统计年鉴及中国农业统计资料，因此，引用水稻产量数据时简写为SYB（Statistical Year Book），同时使用FAO的水稻产量资料（FAOSTAT，FAO）作为比较，分析不同水稻产量资料对作物模型评估的影响，水稻产量数据均为全国年平均产量（kg·hm−2）。

在评估格点作物模型模拟不确定性的过程中，对模拟结果进行时间变化、波动情况、空间变化等方面的评估。水稻产量模拟结果的评估指标采用均方根误差（Root mean square error，RMSE）、相关系数（Correlation coefficient，R）、标准差（Standard deviation）和偏差（Bias）等。同时，为了比较不同格点作物模型在不同气候资料和种植管理制度驱动下整体的模拟效果，选取两个技巧评分S1和S2进行模式的模拟能力评估[39]，技巧评分值越大说明该模式的模拟能力越强，模拟效果越好。

式中，R为水稻平均产量的模拟值与水稻产量统计值的相关系数，R0为R的最大值。

2 结果与分析

2.1 格点作物模型年平均产量模拟结果

由图1a可见，格点作物模型−气候资料−种植管理情景模拟的中国区域1980−2009年水稻年平均产量相差较大。水稻实际产量从1980年的4130kg·hm−2左右提升至2009年的6500kg·hm−2左右，呈逐年上升的趋势，其中部分年份产量有少许下降的情况，FAO与SYB的水稻产量差异较小，每年的差异不会超过15kg·hm−2。不同格点作物模型模拟的结果差异较大，由气候变化引起的水稻产量年际变化较为明显，但不同格点作物模型对气候变化的响应各不相同，大部分作物模型未能反映出长时间序列水稻产量增长的状况。从全国来看，模拟水稻产量较高的模型为LPJML和PDSSAT，年平均产量最高可以达到7791kg·hm−2，最低也会在5000kg·hm−2左右，越早的年份模拟结果相较实际产量偏高越多，这可能是由于这两个作物模型输入的种植管理参数为2000年后的参数，因此，对于较早年份的模拟结果偏高。模拟水稻产量较低的模型为CLM-CROP和EPIC-BOKU，其中CLM-CROP模拟的水稻产量最低，仅在500～900kg·hm−2区间波动，CLM-CROP只能模拟出部分华南地区的水稻产量，且产量较低，无法模拟东北、华北及长江中下游大部分地区的水稻产量，结果均为0，这可能与模型自身的设计有关，模型能较好模拟美国的玉米和大豆产量[20]，但对于水稻的研究则较少，模型中的公式和各类参数可能不适宜水稻的模拟，其中CLM-CROP-AGMERRA-FULLHARM在1998年的值为0，这是由于模拟时输出结果的错误引起的；EPIC-BOKU模拟的结果在2000～2700kg·hm−2区间波动，模拟的水稻产量年际波动相对于其它格点作物模型非常小，反映了EPIC在模拟水稻产量时对于气候变化的响应较差。其余大部分格点作物模型模拟的水稻产量较为集中，在3800～5000kg·hm−2区间变化。可见，大部分格点作物模型低估了水稻产量，仅较少的模拟结果与实际水稻产量相近或者高估。

图1 1980−2009年中国不同区域作物模型模拟水稻年平均产量和FAO、SYB统计水稻产量时间序列图

注：FAO指水稻实际年产量来自FAO，SYB指水稻实际年产量来自中国统计年鉴和中国农业统计年鉴的数据。下同。

Note: FAO means observation rice yield from Food and Agriculture Organization of the United Nations, SYB means observation rice yield from China Statistical Year Book and China Agriculture Statistical Year Book. The same as below.

从模拟的水稻产量年际变化来看，大部分作物模型能够反映出水稻随气候变化产生的波动，例如1992、2004、2008年等年份大部分作物模型能够模拟出上升的趋势，1988、1998、2005、2007年等年份大部分作物模型能模拟出下降的趋势；但某些年份不同格点作物模型会表现出相反的产量变化趋势，比如在1998年，大部分作物模型模拟的产量相对于上一年是下降的，但是CLM-CROP模拟的产量呈现上升的趋势。只有很少的模拟结果与FAO、SYB的实际水稻产量相近，例如PDSSAT-WFDEI.GPCC- HARMNON、PDSSAT-WFDEI.GPCC-FULLHARM、PDSSAT-AGMERRA-HARMNON、LPJML-WFDEI. GPCC-DEFAULT等模拟结果，但对于实际水稻产量在长时间序列呈增长的趋势，大部分格点作物模型难以模拟，当然，实际水稻产量呈现增长的趋势并不仅仅是受气候变化影响，还受到科技的进步、作物新品种、农业机械化等较大的影响。

从不同水稻主产区来看，格点作物模型在中国不同区域上的模拟结果年际变化差异也较为明显，这是由于地区不同，气候条件也不一样造成的。在东北地区（图1b）格点作物模型模拟的水稻产量普遍偏低，这可能是由于各个格点作物模型对水稻品种的参数按照南方水稻进行估算，而东北地区气温相对于中国南方整体偏低，因此会造成模拟结果偏低，PDSSAT-WFDEI.GPCC-DEFAULT、PDSSAT- AGMERRA-DEFAULT、CGMS-WOFOST-AGMERRA- DEFAULT与CGMS-WOFOST-WFDEI.GPCC- DEFAULT与实际产量结果相近，表现较好，大部分格点作物模型模拟的结果在4000kg·hm−2左右，一少部分模拟结果在2000kg·hm−2左右。在华南地区（图1c），CLM-CROP的模拟结果位于2500～3500kg·hm−2，虽然相对于CN有部分提升，但是依然很大程度上低估了水稻产量，但也有部分结果如LPJML-WFDEI. GPCC-DEFAULT、PDSSAT-AGMERRA-DEFAULT等高估了水稻产量，最高甚至达到8800kg·hm−2，其余结果与CN相差不大。在西南地区（图1d）模拟结果与CN差异较小，长江中下游地区（图1e）有大约1/3的模拟结果相对于华南和西南地区有些偏少，比起CN更多的格点作物模型低估了水稻产量。

2.2 格点作物模型对不同气候资料和种植管理情景的响应

图2的箱线图为格点作物模型模拟1980−2009年水稻产量及单种格点作物模型平均产量和FAO、SYB观测产量变化情况。从图中可以看出，从整个中国地区来看（图2a），不同气候数据及不同种植管理情景的驱动下格点作物模型模拟结果不同且相差较大。LPJML模型在不同气候资料和种植管理情景下水稻产量波动最大，最大值与最小值之间相差有3249.73kg·hm−2，即对不同气候资料和种植管理情景的变化较为敏感，最不敏感的模型为CLM-CROP，模拟结果的中位数与FAO和SYB水稻产量的中位数最接近的模型为PDSSAT，每种模拟结果的变率相对于FAO和SYB统计产量的变率较小，即没有较为明显的增长或降低的趋势。对于东北地区（图2b），各个模拟结果的波动变率大于整个研究区域，尤其是LPJML和PDSSAT，波动甚至可以达到中位数的−82%～52%（LPJML）和−49%～111%（PDSSAT），这主要是由于LPJML和PDSSAT对不同气候资料和种植管理情景较为敏感，因此，产量对气候变化和种植管理方式的响应更为剧烈，EPIC-BOKU、GEPIC和LPJML模拟结果中的异常值较多，仅CGMS-WOFOST的表现较好，与FAO和SYB的产量相近。对于华南地区（图2c），LPJML和PDSSAT的模拟结果波动最大，但在不同气候资料和种植管理情景下的模拟结果变率与FAO和SYB统计产量类似，CLM-CROP的模拟效果相对于其它地区有较大的提升，PDSSAT的中位数与FAO和SYB统计产量的中位数最为接近。从图2d可以看出，在之前表现较好的LPJML和PDSSAT在西南地区则高估了水稻产量。在长江中下游地区（图2e），对于PDSSAT模型来说，由WFDEI.GPCC和Default种植管理情景驱动的结果高估了水稻产量，其余PDSSAT的模拟结果与FAO和SYB的结果相近，模拟效果较好，LPJML模型总体模拟波动较大，但对于单个气候资料和种植管理情景模拟结果来说波动较小，CGMS-WOFOST、CLM-CROP、EPIC-BOKU、PEPIC都低估了水稻产量，波动较小，对于不同气候资料和种植管理情景不太敏感。整体来看，LPJML和PDSSAT模拟结果与FAO和SYB的统计产量相近，模拟效果较好，同时这两个模型对不同气候资料和种植管理情景较为敏感，表现为产量的波动较大，其余作物模型基本都低估了水稻产量，对于不同气候资料和种植管理情景不敏感，产量的波动较小。

图2 1980−2009年模拟水稻产量和FAO、SYB统计水稻产量在中国区域不同地区的变化情况

注：箱线图中的箱体代表25%～75%位置上的百分位数，箱体中间的短横线表示中位数，上下短横线分别表示10%、90%百分位数，箱线图外的“+”表示位于10%～90%百分位数之外的部分模拟值。

Note: The boxes present the 25−75 percentile, whiskers (the horizonal lines linked to boxes by vertical line) stand for 10−90 percentile, thick and thin dashes in boxes are mean and median of crop model prediction, and black “+” are the simulated results outside the 10−90 percentile.

2.3 格点作物模型模拟偏差

将由不同气候资料和管理措施情景驱动的格点作物模型的平均模拟结果，分别与中国区域FAO和SYB历年统计的水稻平均产量进行对比，计算其在中国不同区域的偏差，结果见图3。从图可以看出，所有模拟结果的偏差范围在−6000～2000kg·hm−2。格点作物模型整体表现较好的有GEPIC、LPJML、PDSSAT、PEPIC，模拟较差的格点作物模型有CLM-CROP和EPIC-BOKU，但每个模型由于输入的气候资料和管理措施不同，在中国不同区域的模拟情况也不同。由于FAO与SYB的差异较小，因此，偏差的结果基本相差不大。CGMS-WOFOST在东北地区的偏差较小，对华南、长江中下游地区的偏差较大；CLM-CROP在不同种植管理情景和不同气候数据驱动下的结果除了华南地区，偏差均小于−4000kg·hm−2，华南地区偏差稍小，但也达到了−3000kg·hm−2左右，模拟效果较差；EPIC-BOKU模型在不同种植管理情景和不同气候数据驱动下的模拟偏差较大，但对于不同驱动数据模拟结果较为稳定，均在−2500～3500kg·hm−2；GEPIC在Default情景下对中国南方地区模拟较好，对东北地区模拟较差，而在Fullharm和Harmnon情景下偏差较大；LPJML在不同地区的偏差变化较大，在东北地区的偏差较小，在Default情景下会高估水稻产量，而在Harmnon情景下则会低估水稻产量，Harmnon情景下西南地区的偏差较小；PDSSAT在大部分模拟时段的偏差会稍大，Fullharm和Harmnon情景下模拟的东北地区水稻产量偏差过低，其余地区相差不大，Default情景下模拟的偏差较大；PEPIC模型在所有种植管理情景下对西南地区的模拟偏差均较小，其它情况下比实际水稻产量偏小1000～2500kg·hm−2，不同种植管理情景和不同气候数据下的结果偏差相差不大。

2.4 格点作物模型模拟结果泰勒图

相对于FAO和SYB的统计水稻产量，对所有模拟结果在中国不同区域的模拟表现做泰勒图，如图4所示。由图可见，由于FAO及SYB的统计产量相差不大，因此，每个区域泰勒图的表现无明显差异，只有在信度水平检验时全国平均结果均通过0.05的水平显著性检验，在不同水稻主产区会有不超过2个模型的结果未通过0.05水平显著性检验，例如在长江中下游地区仅PDSSAT-AGMERRA-FULLHARM未通过0.05水平显著性检验。从图可以看出，FAO和SYB统计水稻产量的标准差较大，这是由于统计的水稻产量总体呈上升趋势导致的，而模拟结果的标准差较小，可能是由于格点作物模型无法完全模拟出技术进步、作物品种更新等因素对水稻产量增长的影响。对于CN区域来说，相对于SYB和FAO的统计水稻产量，LPJML-AGMERRA-DEFAULT的模拟结果相关系数最大，R值达到0.71，LPJML- WFDEI.GPCC- DEFAULT和PDSSAT-AGMERRA- DEFAULT的R值也均达到0.5以上，有16个模型的模拟结果与FAO和SYB水稻产量呈负相关，20个呈正相关。在东北地区，仅PDSSAT-AGMERRA- DEFAULT未通过95%的信度检验，模拟效果最好的为LPJML- AGMERRA-DEFAULT和EPIC-BOKU-WFDEI.GPCC-DEFAULT，R值均达0.5以上，也有50%左右的模拟结果呈负相关；在华南地区，模拟效果最好的为LPJML-AGMERRA-DEFAULT，R仅在0.49，其余的模拟结果均较差；在西南地区，所有模拟结果均通过99%的信度水平检验，模拟效果最好的为LPJML-AGMERRA-DEFAULT，相对于FAO和SYB的水稻产量，R值均在0.45以上，有一半（18个）的模拟结果呈负相关；对于长江中下游地区，LPJML-AGMERRA-DEFAULT的模拟结果最好，但是R值较低，分别为0.39（FAO）和0.4（SYB），超过50%的模拟结果为负相关。综上所述，不同作物模型模拟的结果差异较大，大部分模拟效果较差，甚至部分模拟结果的相关系数出现负值，加之由于模型模拟科技进步等的能力较弱，因此，标准差均较远偏离FAO与SYB水稻产量的标准差。

图3 格点作物模型模拟的1980−2009年中国不同地区水稻产量与FAO和SYB观测值的偏差热力图（kg·hm−2）

2.5 模拟水稻产量技巧评分

通过式（1）和式（2）计算各作物模型对中国区域的模拟技巧评分S1和S2及其标准差之比s（表3），从表3可以看出，S1较高的模拟结果大部分为LPJML和PDSSAT的模拟结果，S1最低的两个格点作物模型为EPIC-BOKU和CLM-CROP。对于不同的种植管理制度，Default情景下的S1较高，模拟效果较好，这可能是由于Default情景下的作物品种、种植管理制度等输入参数已经本地化，比Fullharm和Harmnon情景更适于中国地区。由于FAO和SYB水稻产量差异不大，因此技巧评分虽有差异，但差异较小。对于技巧评分S2，LPJML、PDSSAT和GEPIC模型评分较高，说明这些格点作物模型在空间上的模拟效果较好，Default情景下的评分大部分高于Fullharm和Harmnon情景下，模拟效果较好。综合S1和S2来看，LPJML和PDSSAT模型在所有格点作物模型中对于方差和空间上的模拟效果较好。

图4 格点作物模型模拟的中国不同区域1980−2009年水稻产量相对于FAO和SYB泰勒图

表3 不同气候资料和种植管理情景驱动的格点作物模型模拟结果技巧评分S1、S2和s

2.6 格点作物模型空间模拟情况

多种格点作物模型集合平均水稻产量（Multi- gridded crop model ensemble，MME）相对于FAO和SYB水稻产量的R、RMSE和Bias 的空间分布结果如图5所示，其中R和RMSE为每个格点上不同年份的MME平均，Bias为MME全部年份平均产量减去FAO或SYB的水稻产量。根据技巧评分S1和S2，选择排名前5的模拟作为最优多种格点作物模型集合平均（MME-S），与MME进行比较。从图中可以看出，MME在中国不同地区差异较大，同时加强了部分表现较差的格点作物模型对于中国地区的模拟效果，但R整体表现不高，大部分地区R值都在0.6以下，RMSE有较少地区低于1000kg·hm−2，各个地区均低估了水稻的产量，FAO和SYB情景下的模拟结果基本相同。东北地区黑龙江和吉林的MME模拟的R较大，但RMSE也较大，大部分RMSE在3000kg·hm−2以上，在辽宁MME的R较低，模拟效果较差，东北地区的Bias也较高，说明显著低估了东北地区的水稻产量。MME在西南地区的表现较好，在贵州南部、云南R较高，RMSE较低，Bias也较小。对于长江中下游地区和华南地区来说，在浙江、江西、福建、广东等省R值基本在0.2以上，RMSE在2000kg·hm−2左右，低估水稻产量2000kg·hm−2左右，其余大部分地区R值在0.2以下，模拟效果一般。综合来看，MME在中国地区模拟效果一般，大部分地区R值在0.3左右，且RMSE较大，整体低估了水稻产量，尤其在东北和长江以南的地区模拟效果较差，较多低估了水稻产量，平均在2000kg·hm−2以上。相对于MME，MME-S极大提高了东北、华南和长江中下游地区R值，大部分东北、华南和长江中下游地区R值可以达到0.5左右；RMSE在东北、长江中下游地区有了显著的降低， RMSE在2000kg·hm−2左右，相比MME减少了1000kg·hm−2左右，在西南地区RMSE升高，模拟效果变差；MME-S在R和RMSE效果提升的同时极大减少了全国的Bias，除了东北和西南地区，全国大部地区的Bias在2000kg·hm−2之内，未大范围低估全国水稻产量。MME对于中国地区模拟效果较差且低估了水稻产量，主要是由于部分格点作物模型如CLM-CROP的结果较差，极大影响了MME在中国地区的表现，因此，MME想要较好地模拟中国地区的水稻产量，需选择适合的格点作物模型作为集合成员进行MME的集合平均。

图5 多种格点作物模型集合平均（MME）和最优多种格点作物模型集合平均（MME-S）相对于FAO和SYB的R、RMSE和Bias空间分布

3 结论与讨论

利用ISIMIP结果中2种不同气候资料和3种种植管理情景驱动的7种全球格点作物模型，模拟中国各区域水稻产量结果，对比来自FAO及中国农业农村部种植业管理司（SYB）统计的水稻产量，对中国不同区域格点作物模型模拟的结果进行了时间、空间上的不确定性评估。得出如下结论：

（1）格点作物模型能够一定程度上反映气候变化对水稻产量的影响，但不能较好地反映FAO和SYB统计的水稻产量上升的趋势。不同格点作物模型之间的模拟结果差异较大，在不同区域各格点作物模型的模拟效果有显著不同，大部分模拟结果低估了水稻产量。

（2）不同格点作物模型对气候变化和种植管理情景的响应和敏感性不同，其中LPJML和PDSSAT模型对不同气候资料和种植管理情景的变化最敏感，同时模拟效果也最好，CLM-CROP模型对不同气候资料和种植管理情景的变化最不敏感且模拟效果最差。

（3）不同水稻产量的统计数据会对格点作物模型的不确定性评估造成一定影响，但由于FAO和SYB的水稻产量相差不大，对评估结果影响较小，因此，选择准确的统计水稻产量作为不同格点作物模型的验证在不确定性评估中十分重要。

（4）综合模拟偏差、泰勒图和两种技巧评分S1和S2，7种格点作物模型中LPJML和PDSSAT在中国不同区域的模拟效果最好。对于不同种植管理情景，Default情景下的模拟效果显著优于Fullharm和Harmnon的模拟效果。

（5）多种格点作物模型集合平均（MME）可以有效降低单个格点作物模型模拟的误差，但是如果其中有一些模拟误差过大的格点作物模型，会对MME的结果产生较大的影响，因此，需要选择表现较好的格点作物模型作为MME的集合成员。

格点作物模型较多考虑了气候变化和种植管理对水稻产量的影响，但未考虑其它因子，如科技进步、病虫害等。格点作物模型现阶段使用的部分输入数据较简单，如Default情景中每年初始种植日期仅将中国分为两个区域，氮磷钾施肥数据也较为简单，将会导致模拟不准确，与Iizumi等[40]的分析相似。输入数据不准确会导致格点作物模型难以模拟出实际水稻产量，所以输入数据包括种植日期、施肥、田间种植管理方式（例如种植行间距、株距等）、作物品种数据等需本地化到较高的分辨率。本研究仅将中国地区的平均水稻年产量作为实际水稻产量，这只能反映水稻产量的部分时空变化情况，并不能完全反映出全国范围内的水稻产量空间变化情况。今后的研究中可利用更详细（例如县级）的水稻生育期、产量等数据进行模型的验证评估。Müller等[4]对模拟结果的评估方式较为简单，因此，研究选择技巧评分S1和S2对模拟结果进行定量综合评估。另外，仅利用1980−2009年FAO和SYB的统计水稻产量对模拟产量进行了评估，对不同作物模型之间机理性差异解释较少，对未来不同气候情景下的模拟结果尚未进行研究，这将是下一步研究的方向。

致谢：

感谢参与运行模型、协调和公开ISIMIP输出结果的同行，感谢参与ISIMIP计划的作物模型团队（见表1）和ISIMIP跨部门科学团队提供的数据支持。

[1] Rosenzweig C,Elliott J,Deryng D,et al.Assessing agricultural risks of climate change in the 21st century in a global gridded crop model intercomparison[J].Proceedings of the National Academy of Sciences of the United States of America,2014, 111(9):3268-3273.

[2] Davidb L,Marshallb B.On the use of statistical models to predict crop yield responses to climate change[J].Agricultural & Forest Meteorology,2010,150(11):1443-1452.

[3] Elliott J,Müller C,Deryng D,et al.The Global Gridded Crop Model Intercomparison:data and modeling protocols for Phase 1(v1.0)[J].Geoscientific Model Development,2015,8(2): 261-277.

[4] Müller C,Elliott J,Chryssanthacopoulos J,et al.Global gridded crop model evaluation:benchmarking,skills,deficiencies and implications[J].Geoscientific Model Development,2017,10(4): 1403-1422.

[5] Folberth C,Elliott J,Müller C,et al.Uncertainties in global crop model frameworks:effects of cultivar distribution, crop management and soil handling on crop yield estimates[J]. Biogeosciences Discussions,2016,(12):1-30.

[6] Asif S,Naqvi A,Ashfaq M,et al.Current agricultural productionsystem of punjab is vulnerable to climate change[J].2017,55(1): 125-135.

[7] Frieler K,Schauberger B,Arneth A,et al.Understanding the weather signal in national crop-yield variability[J].Earth’s Future,2017,5(6):605-616.

[8] Iizumi T,Yokozawa M,Sakurai G,et al.Historical changes in global yields:major cereal and legume crops from 1982 to 2006[J].Global Ecology and Biogeography,2014,23(3): 346-357.

[9] Ray D K,Ramankutty N,Mueller N D,et al.Recent patterns of crop yield growth and stagnation[J].Nature Communications, Nature Publishing Group,2012,(3):1293-1297.

[10] Li T,Hasegawa T,Yin X,et al.Uncertainties in predicting rice yield by current crop models under a wide range of climatic conditions[J].Global Change Biology,2015,21(3):1328-1341.

[11] Schleussner C-F,Deryng D,Müller C,et al.Crop productivity changes in 1.5℃ and 2℃ worlds under climate sensitivity uncertainty[J].Environmental Research Letters,2018,13(6): 064007.

[12] Rosenzweig C,Ruane A C,Antle J,et al.Coordinating AgMIP data and models across global and regional scales for 1.5 ℃and 2.0 ℃ assessments[J].Phil. Trans.R.Soc.A.,2017,376(2199): 20160455.

[13] 张祎, 赵艳霞. 多模式集合模拟气候变化对玉米产量的影响[J].中国生态农业学报,2017,25(6):941-948.

Zhang W,Zhao Y X.Multi-model emsemble for simulation of the impact of climate change on maize yield[J].Chinese Journal of Eco-Agriculture,2017,25(6):941-948.(in Chinese)

[14] 黄健熙,黄海,马鸿元,等.基于MCMC方法的WOFOST模型参数标定与不确定性分析[J].农业工程学报,2018, 34(16):113-119.

Huang J X,Huang H,Ma H Y,et al.Markov chain monte carlo based WOFOST model parameters calibration and uncertainty analysis[J].Transactions of the CSAE,2018,34(16): 113-119.(in Chinese)

[15] 杨绚,汤绪,陈葆德,等.利用CMIP5多模式集合模拟气候变化对中国小麦产量的影响[J].中国农业科学,2014,47(15): 3009-3024.

Yang X,Tang X,Chen B D,et al.Impacts of climate change on wheat yield in China simulated by CMIP5 multi-model ensemble projections[J].Scientia Agricultura Sinica,2014, 47(15):3009-3024.(in Chinese)

[16] 姚凤梅,秦鹏程,张佳华,等.基于模型模拟气候变化对农业影响评估的不确定性及处理方法[J].科学通报,2011, 56(8):547-555.

Yao F M,Qin P C,Zhang J H,et al.Uncertainties in assessing the effect of climate change on agriculture using model simulation and uncertainty processing methods[J].Chin Sci Bull,2011,56(8):547-555.(in Chinese)

[17] 杨伟才,毛晓敏.气候变化影响下作物模型的不确定性[J]. 排灌机械工程学报,2018,36(9):874-879,902.

Yang W C,Mao X M.Uncertainty of crop models under influence of climate change[J].Journal of Drainage and Irrigation Machinery Engineering,2018,36(9):874-879,902. (in Chinese)

[18] 秦鹏程,姚凤梅,曹秀霞,等.利用作物模型研究气候变化对农业影响的发展过程[J].中国农业气象,2011,32(2):240-245.

Qin P C,Yao F M,Cao X X,et al.Development process of modeling impacts of climate change on agricultural productivity based on crop models[J].Chinese Journal of Agrometeorololy,2011,32(2):240-245.(in Chinese)

[19] de Wit A J W,van Diepen C A.Crop growth modelling and crop yield forecasting using satellite-derived meteorological inputs[J].International Journal of Applied Earth Observation and Geoinformation,2008,10(4):414-425.

[20] Drewniak B,Song J,Prell J,et al.Modeling agriculture in the Community Land Model[J].Geoscientific Model Development, 2013,6(2):495-515.

[21] Izaurralde R C,Williams J R,McGill W B,et al.Simulating soil C dynamics with EPIC:model description and testing against long-term data[J].Ecological Modelling,2006,192(3-4): 362-384.

[22] Williams J R.The EPIC model in:computer models of watershed hydrology,singh,VP[M].Water Resources Publications, Highlands Ranch,Colorado,USA,1995.

[23] Waha K,van Bussel L G J,Müller C,et al.Climate‐driven simulation of global crop sowing dates[J].Global Ecology and Biogeography,Wiley Online Library,2012,21(2):247-259.

[24] Bondeau A,Smith P C,Zaehle S,et al.Modelling the role of agriculture for the 20th century global terrestrial carbon balance[J].Global Change Biology,2007,13(3):679-706.

[25] Liu J,Williams J R,Zehnder A J B,et al.GEPIC-modelling wheat yield and crop water productivity with high resolution on a global scale[J].Agricultural Systems,2007,94(2):478-493.

[26] Elliott J,Kelly D,Chryssanthacopoulos J,et al.The parallel system for integrating impact models and sectors(pSIMS) [J].Environmental Modelling and Software,Elsevier Ltd, 2014,62(2014):509-516.

[27] Jones J W,Hoogenboom G,Porter C H,et al.The DSSAT cropping system model[J].European Journal of Agronomy, 2003,18(3-4):235-265.

[28] Folberth C, Skalský R, Moltchanova E, et al. Uncertainty in soil data can outweigh climate impact signals in global crop yield simulations[J]. Nature Communications, 2016, 7(May): 11872.

[29] Liu W, Yang H, Folberth C, et al. Global investigation of impacts of PET methods on simulating crop-water relations for maize[J]. Agricultural and Forest Meteorology, Elsevier, 2016, 221: 164-175.

[30] Weedon G P,Gomes S,Viterbo P,et al.Creation of the WATCH forcing data and its use to assess global and regional reference crop evaporation over land during the twentieth century[J].Journal of Hydrometeorology,2011,12(5): 823-848.

[31] Sacks W J,Deryng D,Foley J A,et al.Crop planting dates:an analysis of global patterns[J].Global Ecology and Biogeography,2010,19(5):607-620.

[32] Portmann F, Siebert S, Bauer C, et al. Global dataset of monthly growing areas of 26 irrigated crops[J]. Frankfurt Hydrology Paper, 2008,60:400.

[33] Portmann F T, Siebert S, Döll P. MIRCA2000-Global monthly irrigated and rainfed crop areas around the year 2000: A new high-resolution data set for agricultural and hydrological modeling[J]. Global Biogeochemical Cycles, 2010,24(1).

[34] Mueller N D, Gerber J S, Johnston M, et al. Closing yield gaps through nutrient and water management[J]. Nature, 2013,494(7437):390.

[35] Potter P, Ramankutty N, Bennett E M, et al. Characterizing the spatial patterns of global fertilizer application and manure production[J]. Earth Interactions, 2010,14(1):1-22.

[36] Foley J A, Ramankutty N, Brauman K A, et al. Solutions for a cultivated planet[J]. Nature, 2011,145(7369):337-342.

[37] Nelson A, Gumma M K. A map of lowland rice extent in the major rice growing countries of Asia[OL].2015, http:// irri.org/our-work/research/policy-and-markets/mapping.

[38] Feng M, Huang C, Channan S, et al. Quality assessment of Landsat surface reflectance products using MODIS data[J]. Computers and Geosciences, Elsevier, 2012, 38(1): 9-22.

[39] Taylor K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research Atmospheres, 2001, 106(D7): 7183-7192.

[40] Iizumi T, Ramankutty N. How do weather and climate influence cropping area and intensity[J]. Global Food Security, 2015, 4: 46-50.

Uncertainty Evaluation of Rice Gridded Crop Model in China

SUN Qing1, 2, YANG Zai-qiang1, 2, CHE Xiang-hong3, YANG Shi-qiong1, 2, WANG Lin1, 2, ZHENG Xiao-hui4

(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Jiangsu Key Laboratory of Agricultural Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044; 3. Chinese Academy of Surveying & Mapping, Beijing 100830; 4. College of Global Change and Earth System Science, Beijing Normal University, Beijing 100875)

Crop model is a widely-used strategy to evaluate the impact of climate change imposed on agriculture. The inter-comparison of gridded crop model is still at initial stage in China, thus making it crucial to comprehensively evaluate the performance of each global gridded crop model (GGCM). Using the statistics derived from Food and Agricultura Organization of the United Nations(FAO) and Ministry of Agriculture and Rural Affairs of the People’s Republic of China(SYB) statistical rice yearly mean yield, this paper compared the simulated rice yields of 7 GGCMs (i.e. CGMS-WOFOST, CLM-CROP, EPIC-BOKU, GEPIC, LPJML, PDSSAT and PEPIC), which are driven by 2 climate datasets (AgMERRA and WFDEI-GPCC) and 3 management scenarios (Default, Fullharm and Harmnon) from 1980 to 2009 in China. The comparisons show that the simulated rice yields from different GGCMs have significant discrepancy in different regions of China. Each GGCM has different response and sensitiveness to climate datasets and management scenarios. The majority of simulations underestimate rice yield in China even though different statistical rice yield data will affect evaluation results. To some degree, GGCMs are able to simulate the inter-annual variation of rice yield and climate change effects, but hardly simulate the pattern of rice yield increase of statistics. The analyses of rice yield fluctuation on temporal and spatial aspect demonstrate LPJML and PDSSAT perform better among 7 GGCMs using 2 skill score approaches, and are most sensitive to different climate datasets and management scenarios, while CLM-CROP have lowest stimulation accuracy. In terms of management scenarios, the simulation on Default scenario performs dramatically better than that of Fullharm and Harmnon scenarios. In addition, Multi-gridded crop model ensemble (MME) could reduce simulation error compared to single GGCM, but requires suitable members to precisely perform MME.

Global gridded crop model (GGCM); The Inter-Sectoral Impact Model Intercomparison Project (ISIMIP); Rice yield; Multi-crop model ensemble (MME)

10.3969/j.issn.1000-6362.2019.03.001

孙擎,杨再强,车向红,等.水稻格点作物模型在中国区域的不确定性评估[J].中国农业气象,2019,40(3):135-148

2018-08-22

。E-mail: yzq@nuist.edu.cn

国家留学基金；江苏省研究生培养创新工程项目（KYLX16_0944）

孙擎（1989-），博士生，主要从事作物模型、农业气象灾害及风险研究。E-mail: sunqingmeteo@gmail.com