多种格点作物模型对中国区域水稻产量模拟能力评估*

孙 擎，杨再强,2**，杨世琼，王 琳，赵和丽，韦婷婷，李佳帅，车向红，郑晓辉



多种格点作物模型对中国区域水稻产量模拟能力评估*

孙 擎1，杨再强1,2**，杨世琼1，王 琳1，赵和丽1，韦婷婷1，李佳帅1，车向红3，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）

基于部门间影响模型比较计划（The Inter-Sectoral Impact Model Intercomparison Project，ISIMIP）FAST-TRACK轮模拟中由5种国际耦合模式比较计划第五阶段（CMIP5）全球气候资料驱动下的6种水稻格点作物模型模拟水稻产量的结果，评估了格点作物模型模拟中国区域水稻历史产量（1980−2004年）的时空分布模拟效果，并基于多种作物模型等权重集合平均（Multi-Crop Models Ensemble，MCME）对未来（2020−2099年）4种不同典型浓度路径（Recommended Concentration Pathways，RCPs）情景下的中国区域水稻产量进行预估。结果表明：相对于单种水稻模型模拟的结果，采用MCME可以有效提高水稻模型在中国区域的模拟能力。MCME模拟中国区域水稻历史年平均产量相关系数R和RMSE分别为0.798和1540.6kg·hm−2，在空间上对东北和西南地区模拟效果较好，其它地区模拟效果一般，模拟水稻产量的空间变率较大。未来随着气温和CO2浓度的上升，水稻产量呈增加趋势，在RCP8.5情景下中国区域平均水稻产量在21世纪末增加最多，达到22%，RCP6.0情景下约增产15%，RCP2.6和RCP4.5情景下水稻产量在21世纪上半叶增产，21世纪下半叶产量保持稳定甚至略有下滑，在21世纪末分别增产约4%和10%，在空间上东北和西南地区水稻增产较多，可达40%以上，其它水稻主产区如长江中下游地区和华南地区增产较小。

水稻；格点作物模型；RCPs情景；多种作物模型集合

农业对气候变化包括气温、降水、CO2浓度[1]的响应非常敏感。中国是世界最大的水稻生产国[2]，养活了世界上最多的人口，同时也是受到气候变化影响最大的国家之一。IPCC第五次评估报告(Fifth Assessment Report, AR5)[3]指出，21世纪末全球地表气温上升可能超过1.5℃，其中RCP6.0和RCP8.5情景下升温有可能超过2℃，预估至2050年每10a的粮食需求将增加约14%，同时水资源、生态、能源等领域将面临更大的风险。因此，预测未来水稻产量对国家粮食安全和农业适应气候变化的研究都有重要意义[4]。

研究气候变化对农业生产影响常使用控制试验及作物模型等方法。控制试验一般通过FACE（Free-Air CO2Enrichment， FACE）试验[5]、人工气候箱控制试验[6]等，其优点是模拟准确，对于作物生长中的生理生化机理解释清晰，但有较明显的局限性，例如不同气象因子间的相互作用存在限制、作物品种单一、试验花费较高等。在现阶段，作物模型、作物模型与气候模式耦合逐渐成为农业受气候变化影响评价研究中的主要手段，尤其是在较大区域的评估中。Zhao等[4]比较了统计模型、区域作物模型和全球格点作物模型的结果，得出在无CO2肥效、适应气候变化措施和作物品种改良的情况下，温度升高会导致全球水稻产量降低。每升温1℃，全球水稻产量平均将减少3.2%[7]。Dias等[8]利用3种作物模型研究了甘蔗的产量变化，得出多种作物模型集合可以减少模拟误差并增加模拟的准确性。Maiorano等[9]通过比较15种小麦作物模型的结果，发现多作物模型集合可以有效降低单个作物模型模拟的不确定性，可减少27%的不确定性并提升47%的预报功能。Schleussner等[10]利用7种全球格点作物模型（Global Gridded Crop Model，GGCM）的结果，得出随着气温及CO2浓度的上升，尤其在较高幅度的气温及CO2上升情景下，全球水稻、小麦等作物的产量会上升5%～10%。Li等[11]利用4个站点不同水平灌溉、氮素试验的水稻数据评估了13种水稻模型的模拟效果，表明多作物模型集合可以有效降低误差至10%以下，升温将使水稻产量降低4.8%～55.2%，CO2倍增将使产量增加20.6%～26.2%。以往研究通常在全球尺度进行，很少对区域结果进行详细评估。中国大部分研究报道均使用单种作物模型，采用不同气候资料或利用一种气候资料不同典型浓度路径（Recommended Concentration Pathways，RCPs）情景下的数据输入作物模型得到产量预测的结果[12-[13][14]15]，较少进行作物模型间的比较或者不同气候模式驱动下结果的比较评估且研究区域较小。多模式集合的方法已经在气候模式的研究评估中有较为广泛的应用[16-18,17,16]，但对多种气候资料不同RCPs情景作为输入资料、多种作物模型间的集合比较评估在中国很少有研究报道。

本研究在5种国际耦合模式比较计划第五阶段[17]（Coupled Climate Model Intercomparison Project 5，CMIP5）气候模式数据驱动下，对6种全球格点作物模型模拟的水稻年产量对比实际水稻产量从中国区域尺度、单个格点尺度、单种作物模型、多种作物模型集合等方面进行时间、空间模拟效果的分析评估，在此基础上对21世纪中国区域未来不同时间段水稻产量进行预估，以期在未来气候变化背景下为中国水稻产量的预测、粮食安全、风险评估和农业适应气候变化的研究提供科学支撑。

1 数据与方法

1.1 数据来源

所用数据为部门间影响模型比较计划[19]（The Inter-Sectoral Impact Model Intercomparison Project，ISIMIP）FAST-TRACK轮模拟的全球格点作物模型的结果，包括6种作物模型即EPIC[20]、GEPIC[20-21]、IMAGE[22]、LPJ-GUESS[23-24,23]、LPJML[25-26,25]和PDSSAT[27-28,27]，由5种CMIP5的气候资料包括HadGEM2-ES、IPSL-CM5A-LR、MIROC-ESM- CHEM、GFDL-ESM2M和 NorESM1-M驱动（分别简写为HADGEM、IPSL、MIROC、GFDL和NORESM），同时受到CO2浓度、共享社会经济路径[29]（The Shared Socio-Economic Pathways 2，SSP2）的影响，典型浓度路径包括RCP2.6、RCP4.5、RCP6.0和RCP8.5，气候资料包括温度、降水、湿度、风速和太阳辐射等；将气候模式由自身的网络重新投影到分辨率为0.5°´0.5°的格点上，并进行误差订正[30-31]，格点作物模型数据为2016年数据结果（表1），netCDF4格式，空间分辨率为0.5°´0.5°。由于水稻一般进行充足灌溉，雨养较少，因此，仅分析评估无水分限制的情况。

表1 ISIMIP水稻格点作物模型基本信息列表

Table 1 Information of gridded rice model from ISIMIP (The Inter-Sectoral Impact Model Intercomparison Project)

（续表）

作物模型 Crop model气候资料Climate data气候情景 Climate scenario模拟年份 Simulation year作物模型 Crop model气候资料Climate data气候情景 Climate scenario模拟年份 Simulation year LPJ-GUESSNORESM1-MRCP2.62006−2099PDSSATGFDL-ESM2MHISTORICAL1971−2005 RCP8.52006−2099RCP2.62006−2099 LPJMLGFDL-ESM2MHISTORICAL1971−2005RCP4.52006−2099 RCP2.62006−2099RCP6.02006−2099 RCP4.52006−2099RCP8.52006−2099 RCP6.02006−2099HADGEM2-ESHISTORICAL1971−2004 RCP8.52006−2099RCP2.62005−2099 HADGEM2-ESHISTORICAL1971−2004RCP4.52005−2099 RCP2.62005−2099RCP6.02005−2099 RCP4.52005−2099RCP8.52005−2099 RCP6.02005−2099IPSL-CM5A-LRHISTORICAL1971−2005 RCP8.52005−2099RCP2.62006−2099 IPSL-CM5A-LRHISTORICAL1971−2005RCP4.52006−2099 RCP2.62006−2099RCP6.02006−2099 RCP4.52006−2099RCP8.52006−2099 RCP6.02006−2099MIROC-ESM-CHEMHISTORICAL1971−2005 RCP8.52006−2099RCP2.62006−2099 MIROC-ESM-CHEMHISTORICAL1971−2005RCP4.52006−2099 RCP2.62006−2099RCP6.02006−2099 RCP4.52006−2099RCP8.52006−2099 RCP6.02006−2099NORESM1-MHISTORICAL1971−2005 RCP8.52006−2099RCP2.62006−2099 NORESM1-MHISTORICAL1971−2005RCP4.52006−2099 RCP2.62006−2099RCP6.02006−2099 RCP4.52006−2099RCP8.52006−2099 RCP6.02006−2099 RCP8.52006−2099

ISIMIP由波茨坦气候影响研究所（Potsdam Institute for Climate Impact Research，PIK）和国际应用系统分析研究所（International Institute for Applied Systems Analysis，IIASA）发起，有全球超过100个模型组参与研究（https://www.isimip.org/）[30][19, 30,32-33]。ISIMIP FAST-TRACK是第一轮模拟，主题是评估21世纪全球不同变暖水平下多个学科部门的预测，主要内容是利用5种全球气候模式（Global Climate Models，GCM）及不同RCPs情景驱动多种作物、水文、生态等模型预测未来21世纪在不同增温水平下的变化情况。

1.2 研究区域

利用的水稻种植掩膜数据为IRRI（The International Rice Research Institute，国际水稻研究机构）的基于MODIS反演的水稻种植格点数据[34]，原数据的分辨率为500m，然后利用Feng的方法[35]将其重新投影到0.5°´0.5°的格点上，得到中国区域水稻种植的格点掩膜和每个格点上水稻种植的面积数据（图1），作为历史及未来水稻种植的区域，此后计算的中国平均水稻产量只计算有水稻种植的区域。由于格点作物模型的结果在所有格点上均运行格点作物模型，因此会有许多格点产量非常低，使用水稻掩膜数据以减少不种植水稻地区的数据对全国平均水稻产量的误差。

1.3 水稻产量观测资料

用来评估历史时期水稻产量模拟情况的观测数据为每个省水稻统计产量数据，来源于中国农业农村部种植业管理司（http://zzys.agri.gov.cn/nongqing. aspx），台湾省数据来自FAO，不包括香港及澳门地区数据，利用ArcGIS 10.4制作成分省的掩膜及产量数据集，格式为netCDF4。由于不同作物模型模拟的时段各不相同，为便于比较、评估，统一选择时段1980−2004年为历史模拟时段。

图1 来自国际水稻研究机构IRRI的中国区域水稻种植面积比例图（0.5°´0.5°分辨率，2000年）

1.4 水稻产量评估方法

模拟结果评估采用的指标为均方根误差（Root mean square error，RMSE）、相关系数（Correlation coefficient，R）和标准差（Standard deviation，SD）。

2 结果与分析

2.1 作物模型模拟历史年平均水稻产量结果评估

2.1.1 水稻全区平均产量年际变化模拟情况

图2为6个作物模型分别在5种气候资料驱动下的中国区域水稻平均年产量（命名为：作物模型-气候资料）、多种气候资料驱动下的单种作物模型水稻平均年产量（作物模型-MEAN）、全部模拟结果的水稻平均年产量集合平均（CN-MEAN）和所有省份等权重年平均水稻产量观测值（OBS-MEAN），共38组。由图可以看出，1980−2004年水稻产量整体呈上升趋势，平均产量从4000kg·hm−2增至6000kg·hm−2左右，但其中某些年份也有小幅回落，如1988、1992、2000等年份。格点作物模型模拟的结果均未出现较明显的上升趋势，仅有小幅的年际波动，这与每年不同的气候条件有关。但从历年产量的数值大小看，各模型或各种条件下模拟的结果间存在明显差异，与实测值间的差距也明显不同。其中LPJ-GUESS模型模拟的水稻产量最少，仅在1400kg·hm−2左右，EPIC模型模拟效果也较差，在2300～2400kg·hm−2之间波动，模拟产量远低于实测产量的平均值。IMAGE模型模拟的水稻年平均产量最高，在8000～9000kg·hm−2，模拟产量远高于实测产量的平均值。GEPIC和LPJML模型模拟20世纪80年代初期的水稻产量较好，年平均产量在4000～5000kg·hm−2之间波动，与水稻实际年产量较为接近，之后年份低估水稻的年平均产量。PDSSAT模型模拟结果在1990年之后与OBS-MEAN的结果非常接近，模拟效果较好，年平均产量在6000kg·hm−2左右。

图2 水稻格点作物模型模拟的中国区域年平均水稻产量和观测值（1980−2004年）

注：标签名称为作物模型-气候资料、作物模型-MEAN（单种作物模型平均水稻年产量的等权重集合平均）、CN-MEAN（全部模拟结果的平均水稻年产量等权重集合平均）以及OBS-MEAN（观测的水稻年平均产量）。下同。

Note: The legend names are Crop Model-Climate Dataset, Crop Model-MEAN (single crop model ensemble with same weights), CN-MEAN (all crop model ensemble with same weights) and OBS-MEAN (observed rice yield). The same as below.

图3为中国水稻格点作物模型年平均产量结果的泰勒图，同时根据式（1）−式（3）计算每个作物模型结果的R、RMSE和SD，结果如表2所示。从图3和表2可以得知，对于未进行集合平均的单个模拟结果来说，由GFDL驱动的LPJML模型其相关系数R最大，为0.725，R最小的是由MIROC驱动的PDASSAT模型，为−0.339。由GFDL和HADGEM驱动的格点作物模型的R一般高于由其它气候资料驱动的格点作物模型。每个作物模型的RMSE差异较大，但由不同气候资料驱动的同一作物模型 RMSE较小的格点作物模型大多为LPJML模型的结果，在900kg·hm−2左右，RMSE最大的水稻格点作物模型为LPJ-GUESS模型，RMSE在4300kg·hm−2左右，与实际水稻产量差距较大，低估60%以上。中国区域的水稻实际年平均产量的标准差较大，这主要是由于实际水稻产量的上升较快造成的，而所有格点作物模型模拟结果的标准差较小，这主要是由于水稻格点作物模型结果年际变化较小，水稻产量较为稳定，也就无法很好地反应水稻年平均产量的上升趋势，这可能是由于现有的作物模型尚未考虑种植水稻的技术进步和水稻品种的更替等原因，因此现有的作物模型模拟的结果只能反应气候的变化趋势。对于多种气候资料驱动的单种作物模型水稻平均年产量集合平均的结果来说，相关系数R有了明显的提升，模拟最好的LPJML-MEAN其R达到了0.759，R最小的模型为PDASSAT-MEAN，仅0.246，其余模型的R在0.5～0.6，除PDSSAT模型的集合平均结果外，其余作物模型的集合平均结果R均达到显著相关。CN-MEAN的R达到0.798，与OBS-MEAN极显著相关，但是多作物模型集合平均的结果CN-MEAN的RMSE和标准差相对于单种作物模型的集合平均结果提升较少，RMSE为1540.6kg·hm−2，标准差与实际水稻产量相差较大，为79.5，只能部分反映出水稻年平均产量上升的趋势。

图3 水稻格点作物模型模拟中国区域水稻年平均产量与实际产量关系的泰勒图（1980−2004年）

表2 水稻格点作物模型结果相对于观测产量的标准差、相关系数和RMSE

2.1.2 水稻产量空间模拟情况

图4为水稻格点作物模型模拟1980−2004年水稻产量与观测产量的相关系数（R）的空间分布。从图可以看出，各个作物模型在不同气候资料的驱动下每个格点模拟产量与实际产量的相关系数R也不尽相同，空间分布差异较大。EPIC模型在东北地区的黑龙江和吉林、西南地区的重庆和贵州模拟较好，在华南地区如福建等地的模拟效果较差；GEPIC模型在东北及西南地区的模拟效果比其它地区较好；IMAGE模型区域间的模拟效果差异极大，在东北地区及云南、广西、广东等地模拟效果较好，但是对于长江中下游地区模拟效果非常差，这可能是由于模型自身的问题或输入参数缺乏所导致；LPJ-GUESS模型整体的R并不高，仅在利用MIROC气候资料驱动的情况下在长江中下游、福建等地的模拟效果稍好；而LPJML模型模拟结果与LPJ-GUESS类似，这可能是由于LPJML和LPJ-GUESS均基于LPJ模型，模型整体框架及物理过程相类似的原因；对于PDASSAT模型来说，利用各个气候资料驱动的空间模拟结果，大部分地区的R在0.5以下。

图4 水稻格点作物模型中国区域产量相对于观测产量相关系数（R）的空间分布（1980-2004年）

图5为水稻格点作物模型模拟1980−2004年水稻产量与观测产量的RMSE分布图，从图可以看出，不同作物模型的RMSE在空间分布上存在较大差异，同一种作物模型在不同地区间也存在较大差异。EPIC模型在东北地区的辽宁、吉林等省，西南地区的四川、重庆等省的RMSE较大，最高可达5000kg·hm−2，长江中下游及华南地区RMSE稍小，但也达3000kg·hm−2；GEPIC模型在全国大部分地区的RMSE都很小，在2000kg·hm−2以内，仅在东北地区稍大，为2500～4500kg·hm−2，可见其模拟效果较好；IMAGE模型在大多数地区的RMSE都很大，超过4000kg·hm−2，仅在四川、重庆等地的模拟效果较好，RMSE在1500kg·hm−2以下；LPJ-GUESS模型在中国区域的模拟效果较差，RMSE均在4000kg·hm−2以上，仅部分地区如江西、安徽等地RMSE稍小，但也在2500kg·hm−2左右；LPJML模型在东北部分地区和云南的RMSE稍高，余下全国绝大多数地区的RMSE均在1500kg·hm−2以下，模拟效果较好；PDSSAT模型的模拟效果一般，全国大部分地区在1500～3000kg·hm−2，仅在安徽、湖北、东北的部分地区模拟水稻产量的RMSE较大。总体看来，GEPIC和LPJML模拟水稻产量在中国区域的RMSE较低，表现最好，与实际水稻产量接近。

分别将6个作物模型在所有气候模式及情景下的格点模拟结果进行等权重集合平均（图6），与全部水稻格点作物模型等权重集合平均（CN），并计算与实际水稻产量的R和RMSE空间分布情况。从图6可以看出，EPIC模型在西南及东北地区的R和RMSE都较高，其它地区模拟效果一般；GEPIC模型的模拟在西南地区稍好，R较高的同时RMSE较低，东北地区虽然R较高但是RMSE也较高，其它地区R较低，RMSE也较低；IMAGE模型对广东、广西、云南等地的模拟效果较好，但是在R较高的同时RMSE也较高，其它地区模拟效果较差；LPJ-GUESS模型对中国区域的模拟较差，模拟产量非常低，因此RMSE偏高，需要对模型的输入数据进行较大改进或对模型内部的相关模拟过程进行较多调整；LPJML模型对于中国区域的模拟效果相对于别的作物模型来说较好，相关系数R大部分地区在0.25以上，同时RMSE也较低；PDASSAT模型对中国区域的模拟较差，只有华南、华北、西南部分地区的RMSE较低，东北地区模拟效果稍好，相关系数R较高且RMSE较低；将所有模型的结果进行等权重平均（CN）后，东北地区的相关系数R较高，但该地区的RMSE也较高，长江中下游地区的RMSE较低，但是相关系数R也较低，西南地区模拟效果最好，R较高的同时RMSE较低。综合作物模型模拟水稻年产量时间、空间分布的结果来看，CN-MEAN的模拟效果最好，优于单个格点作物模型集合平均的结果，因此选取全部模型等权重集合平均的结果对中国区域未来水稻产量进行预测分析。

图5 水稻格点作物模型中国区域产量相对于观测产量的RMSE分布（1980−2004年）

图6 单个水稻格点作物模型等权重集合平均与全部水稻格点作物模型等权重集合平均（CN）在中国区域水稻模拟年产量相对于观测产量的R与RMSE分布（1980−2004年）

2.2 作物模型模拟未来水稻产量变化情况

2.2.1年际变化

多作物模型集合平均的模拟能力较强，其结果能够较好地反映未来在不同气候情景下中国区域水稻产量的时空分布变化。图7为水稻格点作物模型在不同RCPs气候情景下模拟的21世纪中国区域平均水稻产量年际变化。从图可以看出，多作物模型集合平均结果下的历史及未来中国区域年平均水稻产量呈现逐渐上升趋势，但在不同RCPs情景下水稻产量的变化趋势也各不相同，在RCP2.6情景下中国水稻平均产量在21世纪上半叶有较大的增长趋势，从2006年的4524.22kg·hm−2增至2050年的4890.07kg·hm−2，但在21世纪后半叶产量增长陷入停滞，甚至有小幅回落，基本稳定在4800～4900kg·hm−2，21世纪末整体增产在4%左右。由于ISIMIP FAST-TRACK数据的限制，在RCP4.5和RCP6.0情景下，只有18个格点作物模型的结果，导致模拟结果较全部作物模型集合平均（RCP2.6与RCP8.5情景下模拟的水稻产量）的结果偏高，且与历史平均产量不衔接，因此，将RCP4.5和RCP6.0情景下的水稻产量结果以模拟历史产量最后一年为基准，所有年份的水稻产量降至与历史产量相同的水平上，即RCP4.5和RCP6.0情景下的水稻产量均减去2004年模拟的水稻平均产量（图8）。从图8可以看出，在RCP4.5和RCP6.0情景下的中国水稻平均产量模拟结果均呈现上升趋势，RCP6.0情景下在21世纪上半叶水稻产量上升较慢，RCP4.5情景下上升较快，至21世纪最后30a，RCP6.0情景下的水稻产量和产量的增长速率均超过RCP4.5情景下，但均小于RCP8.5情景下，21世纪末RCP4.5整体增产10%左右，RCP6.0增产15%左右；对于RCP8.5情景下的水稻平均产量，21世纪全程均保持较高的增长速度，最高产量在5500kg·hm−2左右，高于其余RCPs情景下的水稻产量，在21世纪末增产22%左右。说明随着CO2浓度及气温的升高，中国区域的未来水稻产量将增产。这也提示在对未来水稻产量进行分析时，应选取更多的作物模型进行集合，以消除单个作物模型模拟的误差，同时还应注意格点作物模型结果不同版本的问题，例如ISIMIP FAST-TRACK轮的模拟从开始到现阶段，经历过多次更新，使用不同版本的数据也可能造成误差。

图7 不同气候情景下多格点作物模型集合平均对中国区域水稻平均产量的年际变化模拟

注：阴影部分表示该结果多格点作物模型集合平均的5%～95%的置信区间。

Note: Shadings show the 5%–95% ranges across the distribution of individual model simulations.

图8 RCP4.5和RCP6.0情景下多格点作物模型集合平均模拟的未来水稻产量降至与RCP2.6和RCP8.5同一水平下水稻平均产量（RCP4.5_trans和RCP6.0_trans）的年际变化

2.2.2 空间分布

相对于1980−2004年历史时段模拟的平均水稻产量，水稻格点作物模型在不同RCPs情景下，未来不同时段中国区域平均水稻产量偏差空间分布变化情况如图9所示。从图可以看出，在不同RCPs情景下水稻增产的区域较为一致，东北、华北及西南地区增产最多。RCP2.6情景下未来不同时段水稻产量相对于历史时段水稻产量增长较少，只有在东北、云南等地有600～1200kg·hm−2的增长。RCP4.5情景下在东北、四川等水稻主产区均有大幅增长，全国各地均有不同增长，只有在安徽南部、福建等地水稻产量增长较小，同时随着气温和CO2浓度的升高，全国绝大部分地区水稻产量呈增长趋势。在RCP6.0情景下水稻产量随着气温和CO2浓度的升高呈增长趋势，其中东北、西南地区呈现较大幅度的增长，长江中下游地区、湖南地区增长幅度较小。在RCP8.5情景下，21世纪上半叶水稻产量增长较小，仅在东北地区、西南部分地区如云南东北部、云南西南部、四川东部呈现小幅增长，到了21世纪后期，东北、华北、西南地区水稻产量呈现较大幅度的增长，平均增产可达40%以上，但在长江中下游地区、华南地区增幅较小，增产在1200kg·hm−2以内，这可能是由于长江中下游、华南地区已经有充足的水热条件，因此产量增长幅度较小，在东北、西南地区现阶段水热条件不足，水稻为喜温作物，因此增温与增加CO2浓度可能会对水稻生长发育产生较大有利影响，从而出现产量增幅较大的情况，也可能是由于部分模型会高估温度和CO2浓度升高致水稻增产，同时也体现了高纬及低纬高海拔地区增暖放大的现象。RCP4.5和RCP6.0的产量增长幅度较大是由于缺少格点作物模型部分结果而造成较大的误差，因此只能分析水稻增产的空间分布，不对产量进行分析或与RCP2.6及RCP8.5情景下的结果比较。

图9 相对于1980−2004年历史时段模拟的平均水稻产量，未来多种格点作物模型集合平均在不同RCPs情景下不同时段对中国区域平均水稻产量模拟偏差的空间分布

3 讨论与结论

3.1 结论

（1）多种作物模型集合平均的模拟能力要优于单个作物模型。利用单种作物模型的结果很难给出可信的结论，同时作物模型之间、作物模型与观测值之间的差别较大。多种作物模型集合平均的相关系数R和RMSE较其它作物模型模拟结果均有较明显的提升，R和RMSE分别为0.798和1540.6kg·hm−2，能在保持R较高的空间分布情况下维持较低的RMSE，但在空间上的模拟变率较大。

（2）随着未来气温及CO2浓度的升高，水稻产量呈增加的趋势。在RCP2.6和RCP4.5情景下，21世纪上半叶水稻产量增加，但在21世纪后半叶水稻产量保持稳定甚至略有下滑，在RCP6.0和RCP8.5情景下水稻产量会持续增长，增产在不同RCP情景中也是最多的。21世纪末随着CO2浓度的升高，在RCP2.6、RCP4.5、RCP6.0和RCP8.5情景下分别增产约4%、10%、15%、22%，这与Li等[11]的研究结果较为一致。

（3）在不同RCPs气候情景下，未来气温及CO2浓度的升高对于东北、华北、西南地区的水稻影响较大，水稻产量有较明显的增长，平均可增产40%以上，对长江中下游、华南等地的水稻产量影响较小，仅小幅增产或不增产。

3.2 讨论

多种作物模型集合平均的结果虽呈上升趋势，但在评估中无法完全反映水稻实际年平均产量上升的趋势，RMSE较大，这是由于各个作物模型使用不同的气候资料驱动，较少或者没有考虑农业技术进步和水稻品种的改良等对于水稻产量的影响。ISIMIP FAST-TRACK中多种水稻格点作物模型对中国区域的模拟能力仍有许多不足，这是由于各个作物模型在某些模块对作物生长发育的模拟有一定局限性，且在输入作物模型的数据资料中也有不全或大范围采用相同的输入数据，例如施肥量、种植日期、种植管理方式等在中国区域较为单一，同时气候资料对于温度、降水、辐射等气象要素的模拟也存在较大不确定性[16-17,16]，这些因素都将导致作物模型模拟效果变差，另外观测资料也存在不足，只利用了每个省的年平均水稻产量，因此评估及预估的结果有一定的不确定性。未来对中国水稻产量的评估可使用更加精细的水稻格点实际产量数据，可以更好地分析出水稻格点作物模型在空间上的模拟效果。另外本研究仅利用了有CO2浓度强迫下的格点作物模型的结果，对于分离温度与CO2浓度对模拟结果的影响并未进行研究。

未来可以增加更多、分辨率更高的作物模型输入资料如灌溉、施肥、作物品种、初始种植日期、田间管理方式等，使作物模型在格点上的模拟更加准确，另外可以输入一定的适应性措施例如种植或收获时间的调整[36]。格点作物模型主要模拟了一季稻的种植，在未来也可增加模拟双季稻、三季稻等种植情况。由于不同作物模型模拟效果差异较大，因此在多种作物模型集合中对作物模型的选择也非常重要，将直接影响到集合的模拟效果，未来可以对集合成员的挑选展开研究，选择模拟效果较好的作物模型作为集合的成员，但多种作物模型集合也可能会干扰或抵消其中一些集合成员对作物的某些例如生长、生理等方面模拟较好的地方，这也是今后需要进行研究的方面。此外还可借鉴CMIP5资料的相关研究方法，利用多作物模型集合平均的方法进行研究，如加权平均的方法[37]，提高作物模型集合的模拟能力，比较作物模型间各个模块的模拟过程，并对作物模型进行改进等。

致谢：

感谢参与ISIMIP计划的作物模型团队和ISIMIP跨部门科学团队提供的数据支持。

[1]Wheeler T,Von Braun J.Climate change impacts on global food security[J].Science, 2013,341(6145):508-513.

[2]FAO.FAO-STAT[EB/OL].http://www.fao.org/faostat/en/#data,2017.

[3]IPCC.Climate change 2014:synthesis report.Contribution of working groups I,II and III to the Fifth assessment report of the intergovernmental panel on climate change[M].Core Writing Team,R.K.Pachauri and L.A. Meyer,2014.

[4]Zhao C,Piao S,Wang X,et al.Plausible rice yield losses under future climate warming[J].Nature Plants,2016,3(1):16202.

[5]Cai C,Li G,Yang H,et al.Do all leaf photosynthesis parameters of rice acclimate to elevated CO2,elevated temperature,and their combination,in FACE environments[J].Global Change Biology,2018,24(4):1685-1707.

[6]孙擎, 杨再强, 高丽娜,等. 低温对早稻幼穗分化期叶片生理特性的影响及其与产量的关系[J].中国生态农业学报,2014,22(11):1326-1333.

Sun Q,Yang Z Q,Gao L N,et al.Effect of low temperature stress on physiological characteristics of flag leaf and its relationship with grain yield during panicle primordium differentiation stage of early rice[J].Chinese Journal of Eco-Agriculture,2014,22(11):1326-1333.(in Chinese)

[7]Zhao C,Liu B,Piao S,et al.Temperature increase reduces global yields of major crops in four independent estimates[J].Proceedings of the National Academy of Sciences of the United States of America,National Academy of Sciences,2017,114(35):9326-9331.

[8]Dias H B,Sentelhas P C.Evaluation of three sugarcane simulation models and their ensemble for yield estimation in commercially managed fields[J].Field Crops Research,Elsevier, 2017,213:174-185.

[9]Maiorano A,Martre P,Asseng S,et al.Crop model improvement reduces the uncertainty of the response to temperature of multi-model ensembles[J].Field Crops Research,2017,202: 5-20.

[10]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.

[11]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.

[12]Masutomi Y,Takahashi K,Harasawa H,et al.Impact assessment of climate change on rice production in Asia in comprehensive consideration of process/parameter uncertainty in general circulation models[J].Agriculture,Ecosystems and Environment,2009,131(3-4):281-291.

[13]李阔,熊伟,潘婕,等.未来升温1.5℃与 2.0℃背景下中国玉米产量变化趋势评估[J].中国农业气象,2018,39(12):765-777.

Li K,Xiong W,Pan J,et al.Trend evaluation on changes of maize yield in China under global warming by 1.5℃ and 2.0℃[J].Chinese Journal of Agrometeorology,2018,39(12): 765-777.(in Chinese)

[14]周桐宇, 江敏, 孙汪亮,等.RCPs情景下福建省水稻生产的适应性调整模拟研究[J].中国水稻科学,2018,32(3): 265-276.

Zhou T Y,Jiang M,Sun W L,et al.Simulation of rice adaptability adjustment in Fujian province under RCPs scenarios[J].Chin J Rice Sci,2018,32(3):265-276.(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]Knutti R,Sedláček J.Robustness and uncertainties in the new CMIP5 climate model projections[J].Nature Climate Change, 2012,3(4):369-373.

[17]Taylor K E,Stouffer R J,Meehl G A.An overview of CMIP5 and the experiment design[J].Bulletin of the American Meteorological Society,2012,93(4):485-498.

[18]Guo X,Huang J,Luo Y,et al.Projection of heat waves over China for eight different global warming targets using 12 CMIP5 models[J].Theoretical and Applied Climatology, Springer Vienna,2017,128(3-4):507-522.

[19]Warszawski L,Frieler K,Huber V,et al.The Inter-Sectoral Impact Model Intercomparison Project (ISI-MIP):project framework[J].Proceedings of the National Academy of Sciences,2014,111(9):3228-3232.

[20]Williams J R.The EPIC model in:computer models of watershed hydrology,singh,VP[M].Highlands Ranch,Colorado, USA:Water Resources Publications,1995:909-1000.

[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]Bouwman A F,Kram T,Klein Goldewijk K.Integrated modelling of global environmental change.An overview of IMAGE[M].Netherlands: Netherlands Environmental Assessment Agency,Bilthoven, 2006:225-228.

[23]Lindeskog M,Arneth A,Bondeau A,et al.Implications of accounting for land use in simulations of ecosystem carbon cycling in Africa[J].Earth System Dynamics,2013,4(2):385-407.

[24]Smith B,Prentice I C,Sykes M T.Representation of vegetation dynamics in the modelling of terrestrial ecosystems:comparing two contrasting approaches within European climate space[J].ETEMA SPECIAL ISSUE Global Ecology & Biogeography,2001,10:621-637.

[25]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.

[26]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.

[27]Elliott J,Kelly D,Chryssanthacopoulos J,et al.The parallel system for integrating impact models and sectors pSIMS[A]. Proceedings of the conference on extreme science and engineering discovery environment gateway to discovery[C]. New York: ACM Press, 2013:1.

[28]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.

[29]Fricko O,Havlik P,Rogelj J,et al.The marker quantification of the Shared Socioeconomic Pathway 2:a middle-of-the-road scenario for the 21st century[J].Global Environmental Change, Elsevier Ltd,2017,42:251-267.

[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]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.

[32]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.

[33]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.

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

[35]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.

[36]Wang J,Wang E,Yang X,et al.Increased yield potential of wheat-maize cropping system in the North China Plain by climate change adaptation[J].Climatic Change,2012,113(3-4): 825-840.

[37]Xu Y,Gao X,Giorgi F.Upgrades to the reliability ensemble averaging method for producing probabilistic climate-change projections[J].Climate Research,2010,41(1):61-81.

Evaluations and Projections of Rice Yield from Multi-gridded Crop Model over China

SUN Qing1, YANG Zai-qiang1, 2, YANG Shi-qiong1, WANG Lin1, ZHAO He-li1, WEI Ting-ting1, LI Jia-shuai1, CHE Xiang-hong3, 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)

Based on The Inter-Sectoral Impact Model Intercomparison Project (ISIMIP) FAST-TRACK round’s results, we evaluated rice yield simulations of 6 global gridded crop models (GGCMs) driven by 5 Coupled Model Intercomparison Project Phase 5 (CMIP5) climate datasets from 1980 to 2004 as history period. Subsequently, the multi-crop model ensemble (MCME) was used to predict temporal-spatial distribution of future rice yield over China from the year 2020 to 2099 under different Recommended Concentration Pathways (RCPs). The results showed that MCME provided better performance for historic rice yield distribution with R of 0.798 and RMSE of 1540.6kg·ha−1compared to single crop model results. MCME results showed better simulations in the north-east and south-west regions of China, but had poor performance in other regions. Moreover, the MCME overestimated spatial variability. Furthermore, under the increasing of temperature and CO2concentration, rice yield had the largest growth of nearly 20% in the late 21stcentury under RCP8.5 scenario compare to the early 21stcentury and had a larger growth of 15% under RCP6.0 scenario approximately. For RCP2.6 and RCP4.5 scenarios, rice yield increased in the first half of 21stcentury, and stayed stable or even slightly decreased in the second half of 21stcentury, thus leading to a rise of only 4% and 10% respectively by the late 21stcentury. Rice yield would increase significantly (>40%) in the north-east and south-west regions of China. While other main rice planting areas like middle and lower reaches of Yangtze River and South China only experienced little increase.

Rice；Gridded crop model；RCPs scenarios；Multi-crop model ensemble

10.3969/j.issn.1000-6362.2019.04.001

2018−11−13

。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、农业气象灾害及其风险研究。E-mail: sunqingmeteo@gmail.com

孙擎,杨再强,杨世琼,等.多种格点作物模型对中国区域水稻产量模拟能力评估[J].中国农业气象,2019,40(4):199-213