基于DSSAT与地理空间方法的气候变化对水稻产量影响评估——以印度特伦甘纳邦哈努马孔达区为例

《Food and Energy Security》：Climate Change Impact Assessment on Rice Yield Using DSSAT and Geospatial Methods

　　

摘要专业翻译 水稻是印度特伦甘纳邦（Telangana）的主要粮食作物，其生产力深受气候变异性和不断变化的环境条件影响。理解气候变化对水稻生产的潜在影响，对于制定因地制宜的适应策略至关重要。本研究评估了历史气候变异性和预估的未来气候变化对印度特伦甘纳邦哈努马孔达区（Hanumakonda district）五个代表性农田水稻生产力的影响。研究人员利用哈努马孔达区首席规划办公室（Chief Planning Office）开展的作物收割试验（Crop Cutting Experiments，CCE）所获得的田间作物管理信息，对DSSAT-CERES Rice模型进行了校准与应用。研究人员对2007–2023年历史水稻产量进行了模拟，并利用可获得的区级水稻产量统计数据进行评估。模型表现可接受，Kharif季和Rabi季的平均归一化均方根误差（NRMSE）分别为13.02%和17.12%。研究人员利用MIROC6气候预估数据，在SSP245和SSP585气候情景下对2024–2040年未来水稻产量进行了预估。结果表明，在两种气候情景下水稻生产力总体呈下降趋势，Kharif季在SSP245和SSP585情景下平均分别下降7.38%和14.64%，Rabi季分别下降10.7%和11.5%，这对当地粮食安全构成挑战，并凸显了制定适应策略的必要性。分析表明，降雨、温度和太阳辐射的变化影响了各季节模拟产量的响应。然而，在解读研究结果时，应考虑与区级验证数据、单一气候模型的使用以及未来作物管理实践假设相关的局限性。本研究提供了哈努马孔达区水稻生产潜在气候相关风险的局部尺度评估，可为制定区域特定适应策略提供支持。

论文解读

一、研究背景与问题

水稻是全球最重要的粮食作物之一，也是印度特伦甘纳邦的主要栽培作物。气候变化——包括气温升高、降雨格局改变以及极端天气事件频发——对全球粮食生产构成了显著威胁，尤其是在发展中国家和地区。已有大量研究表明，温度升高单独或与CO₂浓度升高共同作用，可导致作物产量大幅下降。在印度，已有研究预测未来水稻产量可能下降约22%。特伦甘纳邦的水稻种植面积近年来持续扩大，Kharif季播种面积占比从2014年的22.04%增至2021年的43.79%，Rabi季从43.42%增至63.46%。尽管区域和国家尺度的气候变化对水稻生产影响研究已有较多报道，但针对哈努马孔达区的局部尺度研究信息仍然有限。该区是特伦甘纳邦主要水稻产区之一，水稻产量占全邦总产量的2.4%，当地农民种植水稻不仅用于商业目的，也是主要食物来源。因此，在该区开展局部尺度的气候风险评估，对于支持可持续农业规划和资源管理具有重要的现实意义。

二、研究内容与主要结论

本研究选取哈努马孔达区五个代表性农田，利用DSSAT-CERES Rice模型，结合地理空间方法和气候预估数据，系统评估了历史气候变异性和未来气候变化对水稻生产力的影响。研究的具体目标包括：模拟历史水稻产量、评估模型性能、预估未来SSP245和SSP585情景下的产量响应，以及分析关键气候变量对模拟产量的影响。研究结果表明，DSSAT模型在该区表现出可接受的模拟能力，未来两种气候情景下水稻产量均呈下降趋势，其中SSP585情景下的减产幅度更大，这对当地粮食安全构成潜在威胁，亟需制定针对性的适应策略。

三、关键技术方法

研究人员采用了以下主要技术方法：一是DSSAT-CERES Rice作物生长模型（用于模拟水稻生长和产量形成过程）；二是ArcGIS Pro中的Python Notebook和ArcPy模块（用于地理空间数据处理和天气数据库构建）；三是WeatherMan和SBuild工具（分别用于DSSAT天气数据和土壤数据管理）；四是CROPWAT软件（用于将定性的灌溉信息转换为定量灌溉量）；五是DSSAT内置的Sensitivity Analysis工具（用于品种遗传系数校准）；六是MIROC6全球气候模型提供的NEX-GDDP CMIP6降尺度数据（用于未来气候情景预估）；七是二阶多项式回归和多元线性回归模型（用于分析气候变量对产量的影响）。数据来源包括印度气象局（IMD）0.25°网格化历史气候数据集、NASA POWER太阳辐射数据库、ISRIC SoilGrids土壤数据库、哈努马孔达区首席规划办公室2022年作物收割试验数据以及特伦甘纳邦政府DES的区级产量统计数据。

四、研究结果

模型校准与性能评估。 研究人员利用DSSAT的Sensitivity Analysis工具，针对五个站点在Kharif和Rabi两个季节分别确定了最优品种遗传系数。模型评估结果显示，所有站点的NRMSE均在可接受范围内，其中Site-3表现最佳，Kharif季NRMSE为6.99%。五个站点Kharif季NRMSE范围为6.99%–17.95%，Rabi季为13.63%–27.87%。模拟产量与观测产量总体吻合良好，表明DSSAT模型具备较强的模拟能力。

历史气候变量与产量关系分析。 2007–2023年历史模拟结果表明，各站点在降雨异常偏多的年份均出现产量下降。Kharif季2020年各站点降雨量较各自平均值平均偏高65%，所有站点在该年产量均明显下降；Rabi季2007年多数站点降雨偏多，同样对应较低产量。分析表明，降雨与水稻产量之间存在负相关关系，极端降雨事件对产量有不利影响。Kharif季生长季平均温度为27.48°C，Rabi季为27.83°C，温度升高对产量具有负面效应。

SSP245情景下未来产量预估。 Kharif季2024–2040年各站点生长季平均降雨量为662.63 mm，平均温度较历史时期上升0.73°C至28.21°C，平均太阳辐射较历史时期下降0.93 MJ/m²/day至15.85 MJ/m²/day。Rabi季平均降雨量较历史时期下降59%至26.29 mm，平均温度上升0.46°C至28.31°C。在SSP245情景下，Kharif季平均产量下降7.38%，Rabi季下降10.7%。

SSP585情景下未来产量预估。 Kharif季各站点生长季平均降雨量为675.13 mm，平均温度为28.27°C，平均太阳辐射为15.98 MJ/m²/day。Rabi季平均降雨量较历史时期下降64%至21.29 mm，平均温度上升0.63°C至28.47°C，部分站点最高日温度可达36°C，可能对作物造成热胁迫。在SSP585情景下，Kharif季平均产量下降14.64%，Rabi季下降11.5%。Kharif季SSP585情景下的减产幅度约为SSP245情景的1.98倍。

回归分析与影响评估。 多元线性回归模型的R²在Kharif季为0.71，Rabi季为0.92。在两种季节中，平均温度均为影响水稻产量最显著的因素，且与产量呈负相关。Kharif季平均降雨与产量呈负相关，而Rabi季呈正相关，这与印度季节性降雨格局有关——Kharif季集中了全年大部分降水，极端降雨易导致涝渍从而降低产量。DSSAT模拟的产量下降幅度大于回归模型估计值，原因是DSSAT还考虑了水分胁迫等生物物理约束。

五、讨论与结论

讨论部分指出，未来情景下水稻产量下降与温度升高、降雨格局改变和太阳辐射变化密切相关。温度升高会加速作物发育、缩短灌浆期、减少生物量积累，最终导致减产。研究同时指出若干局限性：模型验证使用的是区级统计数据而非田间尺度观测数据，存在空间尺度不匹配问题；未来气候预估仅基于MIROC6单一气候模型，未能涵盖多模型集合的不确定性；作物管理信息来自2022年CCE数据并被假定在研究期间保持不变，未考虑农民可能的适应性调整；研究仅覆盖五个代表性农田，属于局部尺度评估而非区域代表性研究。

研究结论认为，DSSAT-CERES Rice模型能够较好地模拟哈努马孔达区水稻生产力，未来SSP245和SSP585情景下Kharif和Rabi两季水稻产量均呈下降趋势，产量下降与关键生长阶段降雨模式、温度条件和太阳辐射的变化有关，温度是影响模拟产量变异性的重要气候因素之一。研究建议采取改进灌溉管理、优化播种时间和选用气候韧性水稻品种等适应策略，并指出未来研究应整合多模型气候集合、长期田间尺度观测和替代作物管理情景，以更好地量化不确定性并评估潜在适应措施。