《Earth's Future》:Dam Regulation Moderates Climate-Induced Rice Yield Loss in the Mekong-Tonle Sap Lake System
编辑推荐:
水稻作为全球主要的粮食作物,在气候变化下日益受到洪水威胁,使依赖水稻的经济体面临风险。然而,人类活动缓解淹没对水稻影响的能力仍未得到充分量化。研究人员开发了一个综合农业水文框架,从系统视角将气候强迫、水文调节和农户决策联系起来,并将该框架应用于快速变化的澜沧江
水稻作为全球主要的粮食作物,在气候变化下日益受到洪水威胁,使依赖水稻的经济体面临风险。然而,人类活动缓解淹没对水稻影响的能力仍未得到充分量化。研究人员开发了一个综合农业水文框架,从系统视角将气候强迫、水文调节和农户决策联系起来,并将该框架应用于快速变化的澜沧江—湄公河流域,重点关注洞里萨湖,那里的洪水脉冲动态强烈影响水稻生产。相对基准期(1980–2014年)年均淹没诱发水稻损失7800万美元,在近期(2021–2060年)所有共享社会经济路径(Shared Socioeconomic Pathways, SSP)情景下平均损失均下降,主要原因是淹没面积和水稻暴露度减少。在远期(2061–2100年),损失相对近期增加;在SSP1-2.6和SSP2-4.5情景下仍低于基准期,但在SSP5-8.5情景下略超过基准期。极端损失仍有可能发生,远期SSP5-8.5情景下最大预计损失达1.6亿美元。未来损失不仅受淹没范围和持续时间控制,还受淹没相对于水稻物候的时间控制。损失从基准期的生殖期和成熟期转向未来时期的营养期和生殖期,反映了洪水消退提前和种植延迟。水库调度显著减少了淹没诱发的损失,特别是在生殖期和成熟期,而种植日期调整提供了额外效益,尤其是在远期。该框架支持洪水依赖型水稻区域中水—农业耦合系统的气候韧性评估和适应路径规划。
**论文解读:大坝调节缓解湄公河—洞里萨湖系统中气候引起的水稻产量损失**
**一、研究背景与目的**
水稻维系全球超过35亿人口的粮食安全,是发展中国家最重要的主粮作物。然而,气候变化背景下洪水灾害日益频发,全球约25%的水稻面积(约4000万公顷)位于洪水易发区域,超1亿人的生计受到威胁。东南亚是全球洪水风险最集中的地区,柬埔寨洞里萨湖(Tonle Sap Lake, TSL)泛滥平原作为全球独特的农业水文生态系统,不仅是澜沧江—湄公河流域(Lancang-Mekong River Basin, LMR)的主要洪水风险区,也是柬埔寨的“农业稻碗”。该国85%的耕地(约230万公顷)种植水稻,其中大部分位于季节性淹没的TSL泛滥平原。尽管上游水库建设和各项农业适应措施正在快速发展,但气候驱动的水文变化与水库调度将如何改变TSL泛滥平原的淹没诱发水稻损失,以及哪些适应措施能最有效提升水稻生产韧性,仍缺乏系统的量化评估。既有研究或聚焦离散洪水事件、或止步于暴露制图,鲜有将水库调节水文、湖泊尺度水动力淹没、种植日期变异与阶段特异性水稻损失函数进行整合。
**二、研究内容与意义**
针对上述知识缺口,研究人员开发了一个综合农业水文框架,将CMIP6气候强迫、含水库模块的流域水文模拟、湖泊尺度水动力淹没模拟、卫星遥感水稻识别、降雨驱动的种植日期以及分生育阶段水稻脆弱性曲线进行耦合,系统评估了基准期(1980–2014年)、近期(2021–2060年)和远期(2061–2100年)TSL泛滥平原的淹没诱发水稻经济损失,并分别评估了水库调度与种植日期调整两种适应措施的减灾效益。该研究发表在《Earth's Future》期刊。
**三、主要技术方法**
研究人员采用的关键技术方法包括:(1)基于Sentinel-1合成孔径雷达(Synthetic Aperture Radar, SAR)与Sentinel-2多光谱影像(Multispectral Instrument, MSI),利用随机森林(Random Forest)算法提取10 m分辨率水稻分布图,并采用368个实地验证点进行精度评估;(2)选取5个全球气候模式(Global Climate Model, GCM)与3种共享社会经济路径情景(SSP1-2.6、SSP2-4.5、SSP5-8.5),采用MBCn方法进行多变量偏差校正;(3)利用THREW分布式水文模型模拟流域径流,并通过嵌入的水库模块动态模拟122座水库(数据来自湄公河委员会MRC与湄公河区域未来研究所MERFI)的蓄泄过程;(4)利用三维Delft3D-Flow水动力模型模拟洞里萨河—湖系统的双向水流与淹没动态;(5)采用分生育阶段深度—历时影响曲线估算水稻产量损失率;(6)设计现实适应(水库运行+非均匀种植日历)、无结构控制与无管理调整三个对比情景。
**四、研究结果**
**4.1 模拟性能验证:** 水稻分布图总体精度(Overall Accuracy, OA)达0.94,Kappa系数为0.87;THREW水文模型在桔井站校准与验证期纳什效率系数(Nash-Sutcliffe Efficiency, NSE)为0.89;Delft3D-Flow水动力模型在主要水文站水位模拟NSE超过0.95,2011年极端洪水淹没模拟的精确率(Precision)为87.2%、召回率(Recall)为90.5%。损失评估以2011年柬埔寨洪水实际损失约1.39亿美元进行量级合理性验证。
**4.2 洪水期与水稻种植日期变化:** 基准期洪水期平均始于6月13日、结束于10月12日,水稻种植平均在6月24日。未来情景下,洪水发生时间平均提前15天以上,而水稻种植日期在远期延迟7–10天,导致洪水消退相对于种植日期明显提前,淹没暴露从成熟期向生殖期转移。
**4.3 气候变化下的淹没特征:** 基准期TSL泛滥平原年均淹没面积为126万公顷,淹没波及水稻面积34.5万公顷。近期淹没范围普遍缩减,SSP1-2.6情景下最为显著;远期淹没范围反弹,SSP5-8.5情景下淹没持续时间向外部泛滥平原扩展。
**4.4 淹没诱发水稻损失:** 基准期年均损失为7800万美元(区间4400万–1.41亿美元)。近期各情景损失均低于基准期;远期SSP5-8.5情景平均损失约8000万美元、略超基准期,最大损失达1.6亿美元。损失构成从基准期以生殖期和成熟期为主转向未来以营养期和生殖期为主。
**4.5 水库调度的影响:** 水库调度使基准期平均淹没面积减少15.83万公顷、损失减少2300万美元;近未来SSP1-2.6情景下淹没面积减少达30.58万公顷。损失削减主要发生在成熟期(基准期平均减少1900万美元)和生殖期。
**4.6 种植日期调整的影响:** 种植日期调整使基准期平均损失减少500万美元;近期部分情景下效果有限,但在远期SSP5-8.5情景下损失平均减少900万美元,最大减少达2000万美元,主要作用于生殖期和成熟期。
**五、讨论与结论**
研究表明,TSL淹没变化受降水、潜在蒸散发、水库调节径流、支流来流和湄公河倒灌的综合平衡控制,并不随温室气体强迫呈单调变化。水稻损失的关键决定因素是淹没与作物物候的时间匹配关系。水库调度作为结构性措施能有效削减洪水风险和成熟期损失,但需权衡水电、渔业、泥沙输移与生态系统服务等流域多目标;种植日期调整作为低成本非结构性措施在远期具有显著潜力,但受灌溉条件、品种选择与早季洪水风险的制约。研究局限性包括CMIP6对极端事件刻画不足、稻田面积与单产价格假设固定、未纳入采砂导致的河床下切与水位降低影响等。研究结论强调:未来水稻损失不仅取决于淹没范围与历时,更取决于洪水与作物发育阶段的季节性匹配程度;应协调