华北平原冬小麦对极端高温的产量响应:GGCMI-AgMIP模型评估与JULES-crop模型中的热胁迫物候改进
《Agricultural and Forest Meteorology》:Winter wheat yield responses to extreme heat in the North China Plain: GGCMI-AgMIP model evaluation and a heat-stress phenology improvement in JULES-crop
【字体:
大
中
小
】
时间:2026年08月13日
来源:Agricultural and Forest Meteorology 6.6
编辑推荐:
摘要
在GGCMI-AgMIP框架中,作物模型被用于评估气候对作物产量的影响,但其再现区域气候变率及极端气候条件下观测到的产量响应的能力仍需进一步评估。为填补这一评估空白,以中国华北平原为区域案例研究,将县级冬小麦产量与气候数据与GGCMI第二阶段模拟结果相结合进行分析。研究
摘要
在GGCMI-AgMIP框架中,作物模型被用于评估气候对作物产量的影响,但其再现区域气候变率及极端气候条件下观测到的产量响应的能力仍需进一步评估。为填补这一评估空白,以中国华北平原为区域案例研究,将县级冬小麦产量与气候数据与GGCMI第二阶段模拟结果相结合进行分析。研究重点关注三个生长季气候驱动因素:平均温度、降水量以及极端高温日数——即生长季内日最高气温超过34℃的天数。我们并非仅评估产量水平,而是通过对比这些气候驱动因素对应的有效产量-气候响应类型,并以观测到的响应作为基准来诊断模型表现。此外,还通过针对性的JULES-作物实验,测试通过调整物候期以应对热胁迫是否能够减少模拟中极端高温响应的偏差。观测结果显示,在华北平原中部,极端高温日数与冬小麦产量之间存在广泛的显著负线性关系,而生长季平均温度和降水量带来的响应则具有更强的空间异质性。大多数GGCMI模型未能再现这种针对极端高温的观测响应类型,表明其在表征热胁迫影响方面存在系统性缺陷。原有的JULES-作物配置也无法在那些对高温敏感的地区捕捉到显著的负线性产量-极端高温日数关系。将热胁迫效应纳入物候发育和衰老过程后,JULES-作物模型的功能响应得到改善,使得在16个存在显著负线性关系的观测点中,有7个点的关系保持一致。尽管这种针对性修改并未完全消除模型与观测之间的差异,但它表明物候对极端高温的敏感性是导致模型偏差的一个合理过程层面原因。本研究将GGCMI第二阶段的评估从大规模产量水平比较拓展到基于区域响应的诊断,并指出通过考虑热胁迫对物候的影响,是提升在日益严重的极端高温条件下冬小麦模拟精度的一种可行途径。
引言
小麦是全球数十亿人的主要粮食作物,中国是其最大生产国之一,约占全球小麦产量的18%(Liu等,2021)。华北平原是中国最重要的小麦产区,其小麦产量约占全国总量的71%(Sun等,2006)。在中国,冬小麦在小麦种植中占主导地位,其产量和种植面积约占全国总量的90%(中国统计局,2015)。气候变化和气候变率可能通过温度、降水以及极端气候事件的频率变化影响小麦生产(Kang等,2009;Lv等,2013;Yang等,2017)。在华北平原,预计极端高温事件和强降水会愈发频繁,这可能对小麦生产产生重要影响(H. Wang等,2022;Bai等,2021)。因此,华北平原是一个理想的区域案例,可用于评估作物模型是否能够再现观测到的冬小麦对气候变率及极端气候条件的产量响应。
作物模型被广泛用于评估气候对作物产量的影响,同时为区域乃至全球的产量预测提供支持(J?germeyr等,2021;Leng,2017;Zhang等,2018)。然而,模型模拟出的小麦产量对气候驱动因素的响应仍存在较大不确定性(Müller等,2021;Wang等,2020;Wang等,2017;Martre等,2015)。这种不确定性不仅体现在模拟产量的数值大小上,还体现在模型是否能够再现产量与气候驱动因素之间的函数关系上(Corbeels等,2018;Wang等,2017)。即便在历史时期,模型模拟产量与观测值之间存在一致性,也不意味着模型能够在气候变化或极端气候条件下准确再现产量响应(Easterling等,1996)。因此,全球网格化作物模型比较项目(GGCMI)的最新分析强调,应注重评估模型对各个单独气候驱动因素的响应能力,而不能仅仅依赖历史产量观测数据(Müller等,2024)。所以,除了传统的产量水平比较之外,还需要基于响应的评估方法,以判断作物模型是否能够捕捉到区域尺度上观察到的有效产量-气候关系。
在农业模型比较与改进项目(AgMIP)的支持下开展的GGCMI第二阶段,提供了一个多模型框架,用于在全球范围内评估作物产量对气候变率的响应。GGCMI模型已被广泛应用于研究全球不同地区主要作物的气候影响,并在捕捉大规模产量变化方面展现出一定的能力(Müller等,2017;Franke等,2020)。不过,先前的评估也显示,模型性能在不同区域存在显著差异,例如在中国,模型模拟的产量与观测值之间的相关性相对较低(Franke等,2020)。因此,目前尚不清楚GGCMI第二阶段模型在华北平原这类高产区域能否较好地再现观测到的产量-气候响应类型。
本研究重点关注的生长季气候驱动因素包括平均温度、降水量以及极端高温日数。其中,极端高温对冬小麦生产而言尤为关键。尽管有实验和观测证据表明热胁迫会显著影响作物产量和品质(Akter和Rafiqul Islam,2017;Hossain等,2013),但许多现有的作物模型并未充分体现极端高温事件对作物产量的影响(Webber等,2016;Rezaei等,2015b;B. Liu等,2016a)。在小麦生长过程中,生殖期和灌浆期的高温会加速生长进程,缩短灌浆时间,加剧作物衰老,从而降低最终产量(Farooq等,2011;B. Liu等,2016b)。另有研究指出,热胁迫对作物物候的影响虽很重要,但在作物模型中往往得不到充分体现(Rezaei等,2015a;Kumar等,2023;Mankin等,2024)。对于华北平原的冬小麦系统而言,这一局限性更为突出,因为该地区的物候模式、灌溉方式以及季节末的极端高温事件相互交织,共同影响着作物产量响应(N. Wang等,2022;S. Wang等,2022;Yang等,2022)。因此,热胁迫对物候发育的影响很可能是导致模型模拟的冬小麦对极端高温响应出现偏差的一个合理过程层面原因。
JULES-作物模型为检验这一潜在的偏差来源提供了合适的基于过程的模型框架。JULES-作物是嵌入在联合英国陆地环境模拟器(JULES)中的作物建模模块,旨在模拟作物在区域乃至全球尺度上对气候和管理措施的生长及产量响应(Osborne等,2014;Williams等,2017)。虽然JULES-作物原始版本曾参与GGCMI第二阶段的研究,但此处分析的GGCMI第二阶段数据集中并未包含其模拟的冬小麦产量数据。不过,由于JULES-作物能够明确体现物候发育过程,因此它仍是研究热胁迫对物候的影响、进而探究其是否为模型模拟冬小麦对极端高温响应出现偏差的潜在原因的合适工具。
在本研究中,我们将华北平原各县的冬小麦产量与气候数据,与GGCMI第二阶段模拟结果以及针对性的JULES-作物实验相结合进行分析。具体而言,我们的目标包括:(1)描述冬小麦对生长季平均温度、降水量以及极端高温日数的响应类型;(2)评估GGCMI第二阶段模型及原始JULES-作物配置是否能够再现这些区域性的观测响应类型;(3)测试在JULES-作物的物候发育过程中引入热胁迫效应,是否能提升模型对冬小麦在极端高温条件下的产量响应的模拟精度。通过将观测到的产量-气候响应基准与多模型评估以及针对性的过程层面模型实验相结合,本研究将GGCMI第二阶段的评估从大规模产量水平比较拓展到了基于区域响应的诊断。同时,本研究也指出热胁迫对物候的影响是导致模型偏差的一个合理因素,同时也是在日益严重的极端高温条件下提升冬小麦模拟精度的一条可行路径。
片段内容
冬小麦产量数据与气象数据
来自中国国家统计局各省统计年鉴的华北平原四个省份——山东、河南、河北和安徽——的县级小麦产量数据,时间跨度为1990年至2019年。同一时期的气象站数据,包括平均温度、最高温度和降水量,则来自中国气象局国家气象信息中心。
冬小麦产量的模型与观测数据比较
1990年至2010年间,华北平原四个省份(山东、河南、河北和安徽)的冬小麦产量模型模拟值与观测值之间存在明显差异(见图2)。在山东和河南,多模型模拟的平均产量在绝对数值上与观测值较为接近,约为4–6吨/公顷,但在河北则低估了约1吨/公顷,而在安徽则高估了约1吨/公顷。在各模型中,pDSSAT模型的模拟结果相对更接近观测值。
华北平原的观测产量-气候响应
通过对华北平原四个省份的观测分析,可以发现冬小麦产量与气候驱动因素之间存在复杂的关系(见图4)。极端高温日数是一个有助于识别作物对极端高温胁迫响应程度的有用指标。尽管极端高温日数与生长季平均温度和降水量都有关,但它能够反映那些仅靠季节平均温度或降水量无法完全体现的短期高温事件。
结论
本研究通过结合观测数据、GGCMI框架下的多模型模拟结果以及针对性的JULES-作物实验,对华北平原冬小麦产量对气候驱动因素的响应进行了系统评估。借助回归分析方法,我们分析了当前作物模型在这一重要小麦产区能否有效再现产量与气候之间的函数关系。观测结果表明,极端高温日数与冬小麦产量之间存在广泛的负相关关系。
作者贡献声明
刘立荣:写作——审阅与编辑、写作——初稿撰写、概念设计、可视化、验证、软件应用、方法设计、研究实施、正式分析、数据整理。Karina Bett-Williams:写作——审阅与编辑、监督、软件应用、方法设计、正式分析、概念设计。Stephen Sitch:写作——审阅与编辑、监督、软件应用、正式分析。Christoph Müller:写作——审阅与编辑、正式分析。杨慧怡:写作——审阅与编辑。
关于写作过程中生成式AI及AI辅助技术的声明
在撰写本文时,作者使用了ChatGPT来提升文本的可读性和语言表达质量。在使用该工具或服务之后,作者对内容进行了必要的审阅和修改,并对最终发表文章的内容承担全部责任。
资金支持
本研究得到了中国国家留学基金委[项目编号202104910080]、欧盟“地平线2020”研究与创新计划4C项目[项目编号821003]、英国研究与创新机构-BBSRC的NetZeroPlus(NZ+)项目[项目编号BB/V011588/1],以及英国研究与创新机构“AI for Net Zero”计划的ADD-TREES项目[项目编号EP/Y005597/1]的支持。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
我们感谢埃克塞特大学环境、科学和经济学院的Mike O’Sullivan在模型模拟方面的指导。同时,也要感谢英国南极调查局的Huiling Zou在 manuscript格式整理上的帮助。此外,还感谢埃克塞特大学数学系的Hao Yu在数据收集方面的协助。他们的支持对完成本研究至关重要。我们还要感谢英国的数据分析平台JASMIN。
刘立荣|Karina Bett-Williams|Stephen Sitch|Christoph Müller|杨慧怡|Jefferson Goncalves De Souza|Munir Hoffmann|Maria Carolina Duran Rojas|徐贝瑶
英国埃克塞特大学环境、科学和经济学院,埃克塞特,EX4 4QF
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号