气候变化下基于AquaCrop与DSSAT模型集成的三江平原作物产量干旱风险模拟与适应性规划

本研究针对气候变化背景下三江平原主要作物产量预测不确定性大的问题，通过集成AquaCrop和DSSAT两种机理模型与高斯过程(GP)机器学习算法，构建了多模型融合预测框架。结果表明：灌溉参数对产量变异的贡献度超过60%，显著高于气候胁迫因子；在中高排放情景(SSP5-8.5)下，雨养作物产量预计下降8-42%；研究生成的30th与70th百分位数减产概率空间分布图，为区域适应性水资源管理提供了精准决策依据。

　　

在全球人口持续增长和气候变化加剧的双重压力下，农业系统面临着前所未有的挑战。据预测，到2050年全球人口将达到97亿，这对本已紧张的粮食生产系统提出了更高要求。与此同时，大气CO₂浓度持续上升，加剧了降雨强度、干旱频率、海平面上升和全球变暖等气候变化负面影响。这些气候挑战对水稻、花生等需水作物以及小麦、玉米等主粮作物和高蛋白油料作物大豆造成了额外压力，这些作物提供了全球70%以上的热量和蛋白质摄入。

中国三江平原作为最大的内陆湿地和主要粮食产区，其农业用水占总水资源量的64%，地下水位持续下降导致严重的水资源压力。政府间气候变化专门委员会(IPCC)推荐通过调整种植模式和改进灌溉技术等适应性策略来应对这些挑战。田间试验表明，通过改进灌溉和商业化耐旱品种，水分胁迫下的谷类和豆类产量可提高30-140%。然而，实施这些适应措施需要可靠的工具来预测不同气候和管理条件下的作物产量。

传统基于过程的作物模型如AquaCrop和DSSAT在量化这些适应措施方面仍然不可或缺，但各自存在结构局限性。机理模型往往低估了天气、土壤和管理因素之间复杂的非线性相互作用。相比之下，独立的机器学习模型虽然灵活，但缺乏物理解释性，并且在训练域外泛化能力较差。机器学习方法，特别是随机森林和高斯过程(GP)，通过捕捉非线性气候-产量关系和提供正式的不确定性估计，对机理模型形成了有力补充。

针对AquaCrop和DSSAT作物生长模型在再现区域生态系统过程方面的互补性弱点，本研究提出了一个GP集成框架，将模型输出与卫星测量获取的植被指数和利用全球再分析数据平滑到本地水平的气候协变量相结合。这种设计既保持了基于过程模型的物理透明度，又利用了机器学习方法学习非线性的能力，以创建具有明确误差区域的概率产量预测。

研究采用了综合建模框架来探索气候变化对三江平原作物生产的影响。该方法结合了基于过程的作物模型(AquaCrop和DSSAT)和机器学习GP集成，以改进变化气候条件下的产量预测。方法流程包括五个关键步骤：(1)使用1981-2020年历史数据对玉米、水稻、大豆和小麦进行AquaCrop和DSSAT的校准和验证；(2)将模型输出与气象数据、土壤特征和植被指数等环境协变量整合；(3)使用GP集成来适应非线性依赖关系并量化不确定性；(4)在共享社会经济路径(SSP) SSP1-2.6、SSP2-4.5和SSP5-8.5下预测2021-2060年的中期产量；(5)生成空间概率曲面，区分灾难性(≤30th百分位数)和中等(30-70th百分位数)产量短缺，并确定基于SPEI的干旱阈值，以精确定位优先适应区域。

4.1. 雨养和灌溉情景下基于作物模型的作物产量模拟

结果显示，从1980年代到2060年，三江平原的历史和预测产量变化显著。玉米产量从1980年代初的2吨/公顷持续增长到2010年的6吨/公顷。模拟的雨养情景终点稳定在7吨/公顷左右，而灌溉情景终点超过10吨/公顷，雨养和灌溉之间的水分限制差距约为3吨/公顷。水稻的变化范围最大，观测期间在2-10吨/公顷之间，但在2000年代初和2014年出现急剧下降。预计雨养情况下约为4吨/公顷，灌溉情况下为8-10吨/公顷。大豆在1990年代中期之前低于1.5吨/公顷，2000-2009年保持稳定，然后以不高的速率增长；估计雨养产量约为1.8吨/公顷，灌溉能再增加0.5吨/公顷。小麦在1980年代初达到约7吨/公顷的高点，1999年后下降，2001年下降最显著。2030年后，灌溉的AquaCrop和DSSAT模拟结果将合并到7吨/公顷左右，而雨养情景则低1-2吨/公顷。

4.2. 作物产量预测的比较与评估

使用R2和RMSE对AquaCrop和DSSAT在灌溉条件下的预测性能进行评估。所有作物的实际产量范围广泛：玉米和水稻为2.5-15.0吨/公顷，小麦为2.5-12.5吨/公顷，大豆为0-4.0吨/公顷，反映了该地区由肥沃黑土和5-9月生长季500-600毫米降水驱动的多样化农业生态系统。DSSAT consistently优于AquaCrop，实现了0.85-0.98的R2值和0.13-0.52吨/公顷的RMSE，而AquaCrop的R2为0.52-0.78，RMSE为0.23-0.93吨/公顷。玉米显示最高准确度(DSSAT: R2 = 0.98, RMSE = 0.29吨/公顷)，其次是水稻(R2 = 0.85, RMSE = 0.52吨/公顷)、大豆(R2 = 0.86, RMSE = 0.13吨/公顷)和小麦(R2 = 0.86, RMSE = 0.37吨/公顷)。

4.3. 作物产量风险的空间分析

空间概率分析显示了到本世纪中叶，中国三江平原主要作物收获量低于关键历史基准的频率。30th百分位数(严重损失的代理)的概率在大部分流域保持在0.4以下，表明真正的灾难性季节预计仍然相对罕见。西南部的一些深色调和北纬46-47度、东经132度附近的一个小集群暴露了局部热点，这些地区的慢性供水压力或土壤限制使作物更加脆弱。将阈值提高到中位数(50th百分位数)后，更广泛的平原地区面临约0.45-0.70的概率，意味着许多地区的农民可以预期每两年中就有一年的收获达到或低于其历史中位数。70th百分位数的概率从四分之三到接近确定性，表明整个产量分布的结构性左移： recurrent, non-disastrous harvest penalties are poised to become the norm rather than the exception.

4.4. 不同情景下作物产量的比较分析

在中等排放情景(SSP2-4.5)下，四种作物在灌溉时显示产量适度增加，玉米增加略超过10%，达到约9.0-10吨/公顷，水稻增加约相同数量，大豆略多，小麦略少。这些10-17%的反应是高温室气体浓度和温和控水期间温度适度上升的加性施肥结果。然而，在高排放情景(SSP5-8.5)下，前景完全不同。即使在灌溉方案中，玉米、水稻、大豆和小麦都显著下降，介于8.3和7.0吨/公顷之间，玉米下降16%，水稻12%，大豆31%，小麦22%。雨养生产力下降百分比更大，高达40%，加强了非灌溉种植对非调控变暖中超级炎热和不规则降水的惊人易感性。

4.5. 灌溉和干旱因素对产量预测的影响

SHAP分析显示，灌溉因素(DSSAT Irrigation和Aqua Irrigation)对产量预测的影响大于干旱指数(SPEI)。Aqua Rain和DSSAT Rain降雨因素，以及DSSAT Irrigation和Aqua Irrigation，是产量预测的主要贡献者，而不同尺度的SPEI对产量预测只有轻微影响。这表明模型的大部分预测能力来自灌溉数据。模型评估指标支持这些观察结果，均方误差(MSE)为0.385，决定系数(R2)为0.8318，表明模型可以解释约83%的产量变异，表现出强大的预测性能。

4.6. 引发不同水平产量损失的干旱阈值

干旱强度和管理选择如何转化为2021-2060年间三江平原大豆、玉米、水稻和春小麦大幅减产的概率。每种作物显示不同的脆弱性模式：大豆是最干旱的豆类，即使没有正式的干旱信号，灌溉下损失≥30%产量的中位概率徘徊在四分之一左右，雨养地块升至约0.40-0.45。严重干旱将这些中位数驱动到～0.60(灌溉)和>0.80(雨养)。玉米明显更具韧性，在≥30%损失行，中位概率保持在0.15以下，即使在严重干旱中；风险只有在≥50%和≥70%行对雨养种植才变得突出(0.35-0.50)。水稻显示最宽的模型分布，强调了水源的杠杆作用。小麦在高风险侧明显异常值，即使有灌溉且零干旱，损失≥30%产量的中位概率约为0.30；雨养中位数超过0.60。

研究结论强调，三江平原的作物产量预计对未来气候情景高度敏感，灌溉在决定结果方面发挥关键作用。在低排放SSP1-2.6情景下，灌溉系统显示显著改进，玉米和水稻产量预计到2060年增加超过30%，达到约11吨/公顷，而大豆和小麦增加10-15%。在中等SSP2-4.5情景下，灌溉作物预计经历 modest yield gains of 10-17%。相比之下，高排放SSP5-8.5情景预测显著产量下降，即使有灌溉，玉米损失16%，水稻12%，大豆31%，小麦22%。雨养系统在此情景下更加脆弱，面临高达40%的产量减少。

灌溉有效性 closely tied to a crop's specific vulnerability to drought. 存在明确的脆弱性层次：小麦 > 大豆 > 水稻 > 玉米。对最脆弱的小麦，损失30%或更多的中位概率在雨养条件下即使没有干旱也超过60%，在严重干旱期间接近100%。对大豆，类似损失的中位概率在雨养非干旱环境中为40-45%，在严重干旱中增加到超过80%。灌溉显著降低这些风险，对小麦减少约30个百分点的大于等于50%产量损失概率，对大豆减少20点。玉米是最具韧性的作物，即使最坏干旱中，损失≥30%的中位概率保持在15%以下。水稻生产几乎完全依赖灌溉来避免重大损失。

这些发现强调了针对作物的适应性策略的必要性，结合节水技术、耐旱遗传学和数据驱动管理来增强韧性。研究生成的高分辨率概率表面为指数保险设计提供了基础，其中与百分位数阈值相关的支出可以对冲农民对抗日益频繁的亚中位收获。空间梯度主张差异化适应，西部针对性的灌溉升级和持续土壤水分保持可以进一步抑制仍然 moderate 的严重损失风险，而在高风险中部和东部地带，需要系统响应——耐热品种、错开种植日历、混合种植系统和 renewed water-allocation strategies——来遏制平均产量 pervasive erosion。