设为首页
加入收藏
Possible Impacts of Future Climate Change on Irrigated Winter Wheat and Adaptive Strategies in Henan Province
-
摘要: 灌溉是河南省冬小麦最重要的种植管理模式。在DSSAT-CERES小麦模型参数调试和区域适用性验证的基础上，利用区域气候模式PRECIS输出的未来气候情景资料，量化分析了2021—2050年河南省灌溉条件下冬小麦产量的可能变化，结果表明：若不采取其他措施，未来A2，B2两种温室气体排放情景下，河南省冬小麦产量平均减少5%左右，A2情景减产率略高于B2；随着产量降低，产量波动区间略有缩小，但25%~75%的稳产区间也相应缩小，且B2情景下更容易出现极端低产的年份；冬小麦水分利用效率相应降低。采取适当应对措施，如延迟播种期、减小种植密度等有利于提高产量或缓解减产趋势。Abstract: Henan Province is one of the most important growing areas for winter wheat in China, and irrigation is the main planting and managing mode for winter wheat. Traditionally, winter wheat is watered three times during the whole growing season, namely, irrigating before overwintering, at green turning stage and jointing to grain filling stage respectively. As to the impact of climate warming, how the irrigated wheat would be influenced in the future has been concerned.DSSAT-CERES Wheat Model is widely used in China and has been proved feasible in future influence simulating. Based on parameters debugging and regional validation of the DSSAT-CERES Wheat Model, two different climatic scenarios data which is outputted by regional climate model PRECIS is combined to study the possible yield variation of winter wheat in the future 30 years of 2021—2050 in Henan Province. The reduction rate of yield and the reduction distribution as well as the changing of water use efficient (WUE) are shown.By drawing quartile graph, the fluctuation of the yield in the future is analyzed.In case of two kinds of greenhouse gas emission scenarios A2 and B2, on the assumption that the traditional irrigation mode doesn't change, the average rate of yield reduction is 5% approximately, and the reduction in A2 scenario is more obvious than B2. Generally speaking, the final yield reduction on the east and southwest plain is relatively less, and the largest reduction rate appears in different decade for different scenarios. With the yield reduction, the variability of yield decreases a little, but 25%—75% interval which means stable yield also shrinks.Extreme low yield is more likely to occur in B2 scenario than A2. During 2021—2050, with the decrease of final yield and increase of water consumption, the WUE for irrigated winter wheat will decrease by 9% averagely for two scenarios. Taking the advantage of crop model experiment, sowing date, planting density and irrigating method are adjusted, respectively. Results show that postponing the planting date has an effect on increasing yield and yield stability, subtracting the planting density to some extent achieves more yield than increasing the density, and changing the watering method from ditch irrigation to trickle could save water resource and enhance final yield.
-
Keywords:
- winter wheat /
- production /
- irrigation /
- climate scenario
-
引言
城市空气质量与一定范围内污染源的分布和排放有关, 与大气运动对空气中污染物的稀释、扩散、清除和聚集的强度有关。前者可用当地环境监测站的实测空气质量记录来反映, 并认为污染源在短期内有相对稳定性, 而空气污染预报主要从天气过程与污染物的关系出发进行研究[1-2]。大气运动具有随机性, 天气预报具有不确定性, 城市空气污染预报同样具有不确定性。本文应用不确定性系统理论和方法———集对分析[3] (set pair analysis:SPA) 来处理城市空气污染预报中的不确定性问题, 以提高预报准确率。
1. 集对分析的基本思路
天气系统具有确定性和不确定性的双重特性[4], 相应的预报模型也应有既确定又不确定的品质, 即同时具有处理确定性问题和不确定性问题的能力。在多元回归预报模型中, 进入模型的因子虽然经过天气学和数理统计方法的精选, 具有所谓的“优良性能”, 但是这种“优良性能”实际上是对于整个样本或次数众多的预报过程而言, 是一个整体概念, 对于样本中的某一个例或者具体应用中的某次预报则并非完全如此。有时其中的一个或几个因子“性能不佳”就导致了一次预报的失败。也就是说, 在使用多元回归模型所进行的多次天气预报中, 模型中各因子的预报性能是在不断变化的。一些因子在这次预报中表现出较强的预报性能, 而在另一次预报中则表现出较弱的预报性能, 甚至还有可能起干扰预报的负作用。这给我们提出了如下的问题:假设有一个多元回归模型, 因变量是一维随机变量Y, 自变量为m维变量X。在某次预报中有p(p < m) 个自变量分量性能不佳, 那么, 能否使这p个自变量分量在这次预报中少发挥作用或不发挥作用, 而由其余的 (m-p) 个性能优良的自变量分量来决定模型的预报结论?换句话说, 要提高多元回归模型在多次天气预报中的预报准确率, 必须使模型中各自变量分量的作用大小动态地变化, 每当自变量分量的预报性能下降时, 它的作用就要受到某种抑制, 而让其它预报性能较好的自变量分量的作用得到充分发挥。
2. 空气污染预报中自变量性能的优劣识别
2.1 邻近估计和变异系数
人们可能认为, 从差别甚微的n个初始场出发通过预报模式的积分, 得到的n个预报结果应该“差别甚微”, 但是大量的预报实践表明这n个预报结果可能发散到较大区域。这是由空气污染预报的不确定性所造成的。用不同的预报模式分别对n个初始场作预报, 如果这种发散越小, 就认为预报模式的质量越好[5]。
同样在用非参数回归制作天气预报时, 近邻估计[6]要在样本中为估计点X找到最为相近的k个个例, 记为 (Xi, Yi) (其中i=1, 2, …, k)。此时k个近邻的Xi是k个初始场, k个近邻的Yi是k个预测值。如果k个近邻的Yi分布越集中, 则表示用自变量X去预测Y的效果越好; 反之如果k个Yi的分布越分散, 则表示用X去预测Y的效果越差。k个近邻的Yi分布是集中或分散的程度称离散度, 可以用标准差或方差来定量描述。考虑不同单位和不同数量级别的两组数字的离散度比较, 则可采用标准差除以平均值所得到的变异系数[7] (coefficient of variability) 来表示。当预报量为一维时, 如果用
(1) 有时为了计算方便把变异系数的平方当变异系数使用, 此时变异系数cv可表示为:
(2) 2.2 同异反分析
为了表述简便起见, 暂时把多元回归模型中的某一因子记为Zi(i=1, 2, …, n), 记Zi中的最大值为Zmax, 把第i个例的Zi与Zmax组成集对。对集对进行对比分析可知, 当用Zi去预测Ri时, 可以给出的预测是一个概率分布, 它的均值可作为实际使用中的预测值。在某问题下对某集对作分析, 它们共有n=q+f+p个特性, 其中有q个特性为两个集合所共有, 有p个特性为两个集合对立, 在其余的f个特性上则表现为既不对立又不同一。如果预测的不确定性较小, 则同一度
2.3 自变量预报性能优劣概念及强势与弱势判别
根据SPA理论, 当用同一度a、差异度b和对立度c去剖析多元回归模型中自变量X与因变量Y的关系时, 事实上还描述了自变量的一种态势, 因此为方便计, 我们把某次天气预报中具有较好预报性能的自变量分量称为是处于强势的自变量分量, 把在某次预报中具有较差预报性能的自变量分量称为是处于弱势的自变量分量。一个自变量分量是处于强势还是弱势, 由相应的变异系数决定。变异系数取最大值时, 认为该因子处于弱势。
设有n次观测Xi, Yi(i=1, 2, …, n), 在自变量定义域中有任意估计点X=x, x和Xi在p维自变量空间的位置写成列向量
(3) 和
(4) 则它们之间的统计距离定义为
(5) 其中sii(i=1, 2, ……, p) 为自变量均方差。如果自变量为一维, 即当p=1时, 那么
(6) 从式 (5) 和式 (6) 可知, 统计距离以样本标准差为基本单位。把式 (6) 与式 (1) 归纳在一起:
(7) 利用式 (7) 可以对回归模型中每一因子的各个例分别做近邻分析, 找出k个近邻, 对k个近邻因变量计算变异系数。在每一个例中, 由m个因子计算出m个变异系数, 变异系数取最大值时, 可认为该因子可能处于弱势。
以绍兴市气象台城市空气污染预报中可吸入颗粒物 (PM10) 的污染指数预报为例来说明态势的分析与判断过程。在该预报过程中并不直接预报PM10的污染指数, 而先预报它的变量, 即先预报ΔY=Yt-Yt-1, 再计算出Yt。其中t为要预报的日期, t-1为t日的前一天日期。资料选用2003年和2004年5月21日—9月10日, 模型中涉及样本的容量为222 (缺4天资料), 预报因子为6个, 其中X1为MM5模式输出的12~24 h雨量; X2为24~36 h雨量; X3为T213的850 hPa 24 h温度梯度; X4为700 hPa 24 h垂直速度; X5为850 hPa 24 h温度露点差; X6为24 h海平面气压梯度。整个分析与判断过程分两步进行:第一步, 对由数值预报产品格点资料进行天气学和统计学方面的分析加工, 组合成为关键区或锋区因子; 第二步, 根据各个例中每个因子的cv值来判断因子的强势或弱势状态。表 1列出了各因子各个例的变异系数cv, 计算时取近邻数为k=7[9]。对表中变异系数的进一步统计分析可知, 当某因子的cv值为6个因子中最大的cv值, 且 (cv≥51.8) 时, 该因子的预报能力较差, 表明其处于弱势。如在个例1中因子X6的变异系数cv=289.0为6个因子中的最大值, 表明该因子X6处于弱势; 在个例2中没有因子处于弱势; 而在个例3和个例4中, 可以看到都是因子X1处于弱势, 其余个例可类推。
表 1 各预报因子的变异系数
3. 自变量分量处于弱势时的分解
在预报模型的自变量中, 自变量分量之间相互联系、相互制约, 有机地组成一个整体。在预报时如果发现一个分量处于弱势, 说明它在模型中的重要性已下降, 甚至可能干扰模型作出正确预报结论, 因而希望让这些分量在这次预报中减少作用甚至失去作用。要达到此目的, 显然不能简单地剔除这个自变量分量。本章从SPA的原理出发, 用联系度公式导出解决这一问题的具体方法。
在联系度表达式中, 差异度
(8) 或表示为
(9) 如果回归模型共有m个因子, 则式中∑表示对m个因子求和, 在上式中求和与求平均等价。
式 (8) 和式 (9) 的含义是:当因子处于弱势时, 它的差异度的f个特征按一定比分配给它的同一度和对立度, 这个比就是所有因子的平均同一度与平均对立度之比。按SPA的规定, 取j=-1, 可得
(10) 或
(11) 式 (10) 和式 (11) 是适用于多元回归预报模型的联系度表达式。用此式对表 2的数据进行计算, 可得到各因子的联系度值, 表 3仅列出X1和X2的联系度, 其余可类推。
表 2 各个例中预报因子X1的同异反分析
表 3 预报因子的联系度
4. 动态多元回归模型应用效果比较
通过上面一系列的分析处理, 现在可以用多元线性回归模型和最小二乘法, 对表 3的联系度资料作为自变量, 建立新的预报模型。本文称新的回归模型为基于SPA的动态多元回归模型, 简称为动态回归模型, 相应的工作称为动态多元回归分析。
前面的例子中有6个预报因子, 分别为X1~X6。通过一系列的处理, 可得到它们相应的映射, 映射主要应用式 (10) 以及因子的态势判断式 (7) 来进行的。式 (10) 是针对多元回归模型的特点从集对分析的联系度表达式推导而来。如果注意一下前面的推导过程, 不难发现当因子处于强势时, 因子的映射只不过是线性变换; 而当因子处于劣势时, 该因子在模型中的作用已消失, 它的作用已由其它因子取代, 自然这是非线性变换。如果所有因子都是线性变换, 映射并不能使模型的质量有所变化。映射前后因子与预报量的相关系数见表 4, 可见大部分因子的相关系数有了提高。复相关系数和残差平方和, 新模型为0.609和50260.1, 传统多元回归模型为0.514和58765.1, 新模型的复相关系数有了提高, 预报误差则比原模型减少了14.47%, 可见新模型预报能力有了明显提高。
表 4 预报因子映射前后的相关系数比较
SPA有两个基本观点:不确定性和确定性可以放在同一个系统中进行分析和处理; 不确定性与确定性在一定条件下可以相互转换。在把SPA应用于多元预报模型的过程中, 本文主要做了两件工作:一是设计了自变量分量态势的判断方法, 用以辨认确定性部分和不确定性部分; 二是推导了适用多元回归分析的联系度表达式, 用以使不确定性转化为确定性。
表 5是以第66号个例所作的分析。根据变异系数判断, 第1因子处于弱势, X1对预报量的估计为12.15, 预报量实况为43, X1的估计比实况明显偏小。由于X1被判别为弱势, 用式 (11) 作非线性映射得到新因子, 新因子是X2, X3, X4, X5和X6的函数, 用新因子计算得到它对预报量的估计为31.07, 新因子的预报值比原因子预报值有了明显提高。其他因子由于并不处于弱势, 它的一元回归值没有变化。原预报模型的预报值为25.0, 动态多元回归模型的预报值为32.6, 它们的预报误差分别为18.0和10.4, 后者比前者减少了误差42.22%。可见通过因子的势态判断、因子的同异反分析和线性非线性变换等一系列处理, 预报误差有了明显减少, 同时也可看到动态多元回归模型对因子处理机制是一般预报方法难以实现的。
表 5 SPA对因子的订正
5. 结语
多元回归模型是在城市空气污染预报中应用广泛的一种预测模型, 回归分析对因子的筛选有许多行之有效的方法[10], 而如何合理地使用因子则未引起人们的足够重视。实际上, 合理地选择回归因子和合理地使用因子同样重要。从这个意义上说, 本文给出了一种科学地使用因子的新思路。而在各种各样的预测问题中, 城市空气污染预报是一种典型的复杂的预测问题, 它既含有确定性, 又含有不确定性。根据SPA把不确定性和确定性作为一个动态的同异反确定不确定系统处理的思想, 动态地分析和处理每次预报中因子作用的变化, 效果较为满意, 说明为预报模型增加不确定性处理的能力有助于提高城市空气污染预报准确率[11]。
-
![]()
图 1 1994—2004年冬小麦产量观测值与模拟值
Figure 1. Observed and simulated yields of winter wheat during 1994—2004
![]()
图 2 1994—2004年冬小麦全生育期长度观测值与模拟值
Figure 2. Observed and simulated developmental days of winter wheat during 1994—2004
![]()
图 3 未来不同年代河南省灌溉小麦产量变化
Figure 3. Yield variation of irrigated winter wheat for different decades in the future
![]()
图 4 不同情景下冬小麦产量四分位图
Figure 4. Quartile figure of winter wheat under different scenarios
![]()
图 5 不同情景下冬小麦水分利用效率变化
Figure 5. Variation of water use efficiency for winter wheat under different scenarios
![]()
图 6 A2情景下不同播种期灌溉冬小麦产量变化
Figure 6. Yield variation of irrigated winter wheat by different plant dates under A2 scenario
表 1 PRECIS模拟的地面气温、降水及CO2体积比浓度变化
Table 1 Variation of temperature, precipitation and CO2 density by PRECIS
时段 A2情景 B2情景 气温增量/℃ 降水增量/% CO2/(μL·L-1) 气温增量/℃ 降水增量/% CO2/(μL·L-1) 2021—2050年 1.00~2.11 3.3~7.0 440~559 1.16~2.20 3.7~7.0 429~492 注：相对于气候基准时段 (1961—1990年)。 
下载: 导出CSV
-
孙卫国, 朱业玉, 王记芳, 等.河南省气候变化与北极涛动的时频相关.气象与环境科学, 2008, 31(4):1-7. http://www.cnki.com.cn/Article/CJFDTOTAL-HNQX200804002.htm 王建英, 韩相斌, 王超, 等.豫东北主要农作物对气候变暖的响应.气象与环境科学, 2009, 32(1):43-46. http://www.cnki.com.cn/Article/CJFDTOTAL-HNQX200901010.htm 闫小珍, 张随贤, 苗国柱, 等.小麦发育期对冬季积温变化的响应分析.气象与环境科学, 2009, 32(4): 37-39. http://www.cnki.com.cn/Article/CJFDTOTAL-HNQX200904009.htm 江敏, 金之庆, 高亮之, 等.全球气候变化对中国冬小麦生产的阶段性影响.江苏农业学报, 1998, 14(2):90-95. http://www.cnki.com.cn/Article/CJFDTOTAL-JSNB802.006.htm 金之庆, 方娟, 葛道阔, 等.全球气候变化影响我国冬小麦生产之前瞻.作物学报, 1994, 20(2): 186-197. http://www.cnki.com.cn/Article/CJFDTOTAL-XBZW199402008.htm 张强, 韩永翔, 宋连春.全球气候变化及其影响因素研究进展综述.地球科学进展, 2005, 20(9):990-998. http://youxian.cnki.com.cn/yxdetail.aspx?filename=ZHXU201702029&dbname=CJFDPREP 任义方, 赵艳霞, 王春乙.河南省冬小麦干旱保险风险评估与区划.应用气象学报, 2011, 22(5):537-548. DOI: 10.11898/1001-7313.20110503 李树岩, 刘荣花, 成林, 等.河南省农业综合抗旱能力分析与区划.生态学杂志, 2009, 28(8): 1555-1560. http://www.cnki.com.cn/Article/CJFDTOTAL-STXZ200908021.htm 成林, 李树岩, 刘荣花, 等.限量灌溉下冬小麦水分利用效率模拟.生态学杂志, 2009, 28(10):2147-2152. http://www.cnki.com.cn/Article/CJFDTOTAL-STXZ200910038.htm 王培娟, 张佳华, 谢东辉, 等. A2和B2情景下冀鲁豫冬小麦气象产量估算.应用气象学报, 2011, 22(5): 549-557. DOI: 10.11898/1001-7313.20110504 许吟隆.应用Hadley中心RCM发展中国高分辨率区域气候情景.气候变化通讯, 2004, 3(5):6. http://cpfd.cnki.com.cn/Article/CPFDTOTAL-ZGQX200711010018.htm 许吟隆, Jones R G.利用ECMWF再分析数据验证PRECIS对中国区域气候的模拟能力.中国农业气象, 2004, 25(1):5-9. http://www.cnki.com.cn/Article/CJFDTOTAL-ZGNY200401001.htm Jones J W, Hoogenboom G, Porter C H, et al. The DSSAT cropping system model. European Journal of Agronomy, 2003, 18:235-265. DOI: 10.1016/S1161-0301(02)00107-7
Francisco J M, Daniel S. Dynamic adaptation of maize and wheat production to climate change. Climatic Change, 2009, 94: 143-156. DOI: 10.1007/s10584-009-9544-z
熊伟.CERES-Wheat模型在我国小麦区的应用效果及误差来源.应用气象学报, 2009, 20(1):88-94. DOI: 10.11898/1001-7313.20090111 田展, 刘纪远, 曹明奎.气候变化对中国黄淮海农业区小麦生产影响模拟研究.自然资源学报, 2006, 21(4):598-607. DOI: 10.11849/zrzyxb.2006.04.013 袁静, 许吟隆.基于CERES模型的临沂小麦生产的适应措施研究.中国农业气象, 2008, 29(3): 251-255. http://www.cnki.com.cn/Article/CJFDTOTAL-ZGNY200803000.htm 河南省土壤普查办公室.河南土壤.北京:中国农业出版社, 2004. 居辉, 熊伟, 许吟隆, 等.气候变化对我国小麦产量的影响.作物学报, 2005, 31(10):1340-1343. DOI: 10.3321/j.issn:0496-3490.2005.10.017 陈超, 金之庆, 郑有飞, 等. CO2倍增时气候及其变率变化对黄淮海平原冬小生产的影响.江苏农业学报, 2004, 20(1):7-12. http://www.cnki.com.cn/Article/CJFDTotal-JSNB200401002.htm 熊伟, 许吟隆, 林而达.气候变化导致的冬小麦产量波动及应对措施模拟.农业资源与环境科学, 2005, 21(5):380-385. http://www.cnki.com.cn/Article/CJFDTOTAL-ZNTB200505110.htm 成林, 刘荣花, 马志红.增温对河南省冬小麦产量的影响分析.中国生态农业学报, 2011, 19(4):854-859. http://www.cnki.com.cn/Article/CJFDTOTAL-ZGTN201104026.htm 张宇, 王石立, 王馥棠.气候变化对我国小麦发育及产量可能影响的模拟研究.应用气象学报, 2000, 11(3):264-270. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20000341&flag=1 余卫东, 赵国强, 陈怀亮.气候变化对河南省主要农作物生育期的影响.中国农业气象, 2007, 28(1):9-12. http://www.cnki.com.cn/Article/CJFDTOTAL-ZGNY200701002.htm 王馥棠.近十年来我国气候变暖影响研究的若干进展.应用气象学报, 2002, 13(6): 755-766. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20020699&flag=1 廖建雄, 王根轩.干旱、CO2和温度升高对春小麦光合、蒸发蒸腾及水分利用效率的影响.应用生态学报, 2002, 13(5):547-550. http://www.cnki.com.cn/Article/CJFDTotal-YYSB200205007.htm 申双和, 张雪松, 邓爱娟, 等.不同高度层冬小麦叶片水分利用效率对CO2浓度变化的响应.中国农业气象, 2009, 30(4):547-552. http://www.cnki.com.cn/Article/CJFDTotal-ZGNY200904014.htm
计量
- 文章访问数: 4514
- HTML全文浏览量: 1115
- PDF下载量: 2236
