潘东华，贾慧聪，陈 方，贺原惠子



中国西南地区石漠化对玉米旱灾风险的影响

潘东华1，贾慧聪2※，陈 方2，贺原惠子2

（1. 民政部国家减灾中心，北京 100124；2. 中国科学院遥感与数字地球研究所中国科学院数字地球重点实验室，北京 100094）

为做好喀斯特地区农业旱灾风险防范，揭示石漠化程度对作物旱灾风险的影响机制。该文基于灾害系统理论，引入基于物理过程的农作物模型EPIC（erosion productivity impact calculator），考虑西南喀斯特地貌背景，以水分胁迫累加值作为致灾因子，与玉米产量损失进行脆弱性曲线模拟，基于此开展不同石漠化程度区玉米旱灾产量的致灾和成灾损失风险评估。结果显示，中国西南喀斯特地区玉米受旱减产的风险呈现从西北到东南增加的趋势。在4种风险水平（2、5、10、20年一遇）下，面积占比最大的产量损失率主要集中分布在0.4～0.5区间内，这主要由地形地势、降水差异和承灾体的脆弱性所共同决定的；受石漠化影响，土层厚度为40 cm时，4种风险水平对应的减产率分别为5.8%、6.1%、7.8%、8.2%；该研究可以为中国第三大玉米主产区-西南山地玉米区的农业灾害预警和保障国家粮食安全提供重要的科学依据和技术支持。

干旱；遥感；灾害；石漠化；EPIC模型；玉米旱灾；西南喀斯特地区

0 引 言

全球喀斯特地貌集中连片分布于欧洲中南部、北美东部和中国西南地区[1]。中国西南喀斯特出露面积高达50多万km2，是世界三大喀斯特集中连片分布区中面积最大且岩性发育最强烈、生态环境最脆弱的喀斯特连续地带，也是三大喀斯特地区中石漠化灾害面积最大、灾害影响最深刻的区域[2]。20世纪90年代后期，中国西南石漠化灾害风险不断扩大，严重威胁区域社会经济可持续发展和2.2亿人口赖以生存的空间，引起了学术界广泛关注和各级政府的高度重视[3]。国内外对喀斯特地区的研究重点从早期侧重于地貌及水文过程转变到对喀斯特生态系统脆弱性、人类活动影响、生态重建等方面[4-6]。

石漠化（rock desertification）概念最早是在20世纪90年代提出的[7]。由于受人为因素的影响，在亚热带湿润地区脆弱的岩溶生态环境背景下，石漠化是土地生产力下降，土层变薄，地表逐渐呈现类似荒漠景观的土地退化过程[8]。中国西南喀斯特地区由于基岩裸露、土体浅薄、水分下渗等因素，使得该地区水土流失严重，水资源调蓄能力大大降低，一旦遭遇降水不足，极易导致农业旱灾发生[9]。

目前对喀斯特地区旱灾风险评估主要集中在气象、水文等单要素或多指标的干旱评估，没有考虑地貌对旱灾成灾机理的研究，尤其是本地区石漠化程度对土层厚度影响，分区旱灾风险的评估研究还很薄弱。作物生长模拟模型有利于定量揭示作物生育生长的规律，为可持续农业和精准农业的研究提供科学工具。作物模型对东北、华北地区进行玉米产量模拟时，一般土层厚度都是远远大于玉米根系长度，而在喀斯特地区，由于石漠化的影响，导致同一土壤类型土层厚度在空间上存在明显差异，且石漠化严重区土层厚度往往小于玉米主根系的长度（40 cm），相同降水条件下，土壤能保持的田间持水量可供作物维持蒸腾的时间要短于东北、华北等地。因此，研究石漠化程度对玉米产量的影响机理是解决西南喀斯特地区玉米旱灾风险防范的关键。

1 研究区概况

中国西南喀斯特地区因存在岩石裸露率高、土层浅薄、“双层”地质结构等特点而表现出地质性干旱，即使降雨充分，土壤能保持的田间持水量仅可供植物维持1～2周的蒸腾[10]，是全国生态区划的旱性喀斯特生态系统区[11]。

以西南地区为主的中国南方地区是中国三大玉米主产区之一，种植面积和总产量分别占全国玉米总面积、总产量的30%左右[12]。而玉米又是该地区的第二大粮食作物，该区的许多山区迄今仍以玉米作为主食之一；同时该地区是中国生猪饲养、生猪出栏、饲料生产的最大地区，也是玉米调入的最大地区。干旱是影响中国西南山地玉米区玉米高产稳产的第一非生物胁迫因素。

中国西南喀斯特地区主要分布在以贵州高原为中心的贵州、云南、广西、四川、重庆、湖南、湖北及广东8省市区（图1），该区人口众多，集“老、少、边、穷”为一体，森林覆盖率低，特别是黔滇渝川，仅为20%～35%，而且分布极为不均，海拔相对高差大（15～4 000 m）。云贵高原崇山峻岭，人均耕地面积少（500～800 m2），耕地土层薄，旱地占70%～75%，且坡耕地占70%～85%。地表喀斯特出露面积达51万km2，土地石漠化面积10.51万km2，占喀斯特山区总面积的近20%（表1）；土地石漠化面积大于1 000 km2的县份20个、大于500 km2的县份有74个[13]。本文将已有的西南地区土地利用数据（2010年）中水浇地和旱地类型作为玉米种植范围分布。

图1 中国西南地区石漠化等级图[14]

表1 中国西南地区石漠化等级统计

2 数据和方法

2.1 EPIC(erosion productivity impact calculator)模型

侵蚀—生产力影响评估模型（EPIC）是1984年美国农业部研制的水土资源管理和作物生产力评价模型。适合于模拟作物轮作、耕作实践、种植日期、灌溉和施肥策略等[15]。经过广泛验证和多次完善，已经在美国、法国、中国等多个国家成功地应用到作物估产、气候变化影响评价、精准农业、区域农业规划等多个领域。EPIC以日为时间步长，可模拟从一个生长季到上百年的农田水土资源及作物生产力的动态变化。作为一种多作物通用型作物生产系统模拟模型，EPIC模型能够模拟上百种作物、牧草和树木生长，其特点是根据各种作物生理生态过程的共性来研制其主体框架，再结合作物的生长参数和田间管理参数分别进行各作物的生长模拟[16]。

“丹玉十三”是中国西南地区累计推广超过十年、推广面积最大的玉米品种[17]，全生育期120～130 d，株高230～250 cm，穗位高100 cm，种植密度为3 000株[18-19]。由于数据限制，本文只选择了数据序列较好的典型玉米品种“丹玉十三”这一个品种的作物遗传参数作为中国西南喀斯特地区的玉米遗传参数，在无灌溉的条件下，通过EPIC模型模拟研究区1966—2005年玉米的生长过程。

2.2 数据准备

2.2.1 气象数据

本研究的气象数据来源于国家气象局信息中心提供的气象站点数据。包括西南喀斯特地区209个站点 1961—2010年的日降水量、日最高气温、日最低气温、日照时数、日相对湿度和日平均风速和日太阳辐射数据，通过IDW（inverse distance weighted）空间插值方法构建模型所需要的网格化气象数据库。由于缺少EPIC模型所需要的完整的太阳辐射数据，利用日照时数和天文辐射量计算出了日太阳辐射值。本文参照李克煌[20]给出的计算太阳辐射的公式，具体形式如下：

式中0代表天文辐射量，cal/(cm2·)，即每月15日的日总量；代表每天的日照时数；代表每月的平均日昼长度。

2.2.2 土壤数据

EPIC模型需要大量的输入数据来描述土壤属性和质地特性。本文采用的土壤空间数据来源于联合国粮农组织（FAO）编制的全球土壤类型分布图。土壤粒径级配，即土壤机械组成数据，是土壤属性数据中最重要的一类数据。由于FAO的土壤属性数据中缺乏饱和水导率、容重、可利用水含量等参数，因此需要基于土壤粒径级配数据插值计算。本文运用土壤水分特性软件，将美国分级标准下的土壤粒径级配数据和土壤有机质含量等数据输入，计算输出EPIC模型中所需的饱和水导率（KS）、土壤容重（）、田间持水量（FC）、萎蔫系数（）等参数。实际土层厚度分布数据来源于中国科学院南京土壤研究所中国土壤数据库。

2.2.3 田间观测数据

EPIC模型需要详细的田间管理数据，这些数据必须具体到各个措施操作的时间，相应的定量措施等，并且允许用户模拟较复杂的作物轮作。EPIC模型中有2种灌溉和施肥措施可以选择：手工设置和自动设置。本文详细的田间管理数据来自于农作物田间观测数据库，资料来源于全国农业气象站点的年报表。录入完成全国1980—2010年所有站点玉米生育状况观测记录数据，共录入680份作物生育状况观测记录年报表，共计138多个农业气象观测站点（图2），其中西南地区23个站点。经过对该数据的整理和校对，建立农业气象观测站报表数据管理系统，为EPIC模型调整玉米作物参数提供了主要的数据。这些数据包括：播种期、种植密度、灌溉期、灌溉量、施肥期、施肥量、收获期和收获工具等。

图2 玉米田间试验站点分布图

2.3 EPIC模型的参数率定

具体调整玉米作物参数的方法是：按照模型需要的输入数据，将试验站点贵州省贵阳市国家基准气候站1986—1991年的日气象数据、土壤数据和实际的田间管理数据（耕作日期、管理措施等）输入到设置好的站点EPIC模型中，将输出的作物产量和实际测得的作物产量进行拟合（图3），通过反复运行模型，运用试错法调整主要参数值，比较年际间产量变化趋势和产量值是否一致，同时也参考了中国农业科学院和美国Texas A&M大学的专家们对作物参数调整的有关文献[21-23]，最终确定“丹玉十三”玉米品种的47个作物遗传参数。其中9个高敏感性的玉米作物参数分别为：能量-生物量转换因子、收获指数、最适温度、基点温度、最大潜在叶面积指数、生长季峰值点、叶面积生长参数1、叶面积生长参数2、叶面积指数下降率。

图3 “丹玉十三”典型玉米品种模拟产量和实测产量的验证

2.4 玉米旱灾产量损失风险评估

关于本文风险评估流程中所用数据的时间尺度一致性问题，首先致灾因子危险性评价应与气象数据保持一致。1961—2010年的气象数据是为了计算不同年遇型（2、5、10、20年一遇）干旱风险，气象数据序列越长，风险计算结果相对越准确，是相对独立的。受资料记录限制，目前从中国气象局资料室仅有权限查询到1980—2010年的玉米生育状况观测记录数据，且农业气象站点的玉米生育状况观测记录数据作为模型参数率定之用，不需要所有年份的数据。通过导出EPIC模型的运行结果，发现模型的运行需要前5a的训练期，才能使得模型的参数更加稳定，因此剔除了前5a的模型输出结果，故从1966—2010年模拟的结果中提取每年整个生长季的影响作物生长的WS（water stress）值。

以1 km玉米分布网格为评价单元，玉米产量损失脆弱性曲线构建：考虑石漠化程度分区，即同一土壤类型不同石漠化程度区土层厚度不同，设定2种情景对模型进行模拟，1情景为完全满足玉米水分需求，2情景为完全雨养，其他参数都一致，2种情景下的玉米产量差异认为是由水分胁迫导致的旱灾产量损失，以全生育期水分胁迫累加值作为干旱致灾指数（），与产量损失率值（）拟合构建脆弱性曲线。其中干旱致灾指数、产量损失率分别由式（2）、式（3）计算得到。

1）干旱致灾指数的具体计算如下：

式中为玉米生长季内的干旱致灾指数，H为年网格的干旱致灾指数，WS为第天的水分胁迫值，为生长季内受水分胁迫影响的天数，max为模拟的所有网格所有年份内的最大值，min为模拟的所有网格所有年份内的最小值。

2）产量损失率的具体计算如下：

式中V为年网格旱灾的单位产量损失率，Y1和Y2分别为1和2两种情景下的单位产量，max(Y1j)为网 格多年最大单位产量，max(Y1j)为网格多年最小单位产量。

3 结果与分析

3.1 旱灾致灾危险性评价结果

基于网格统计单元的模拟信息，通过提取每年玉米生长季内受水分胁迫影响的水分胁迫因子值（WS），计算得到每年玉米整个生长季的致灾强度指数。从1966—2010年模拟的结果中提取每年整个生长季的影响作物生长的WS值，根据致灾强度指数的计算公式，计算得出每个8 km网格单元上每年的玉米旱灾致灾强度指数值，绘制了西南喀斯特地区玉米致灾强度指数平均值的空间分布图（图4）。

总体来看，旱灾致灾指数均值空间分布呈西北—东南向递减趋势，其中，中度致灾干旱（0.4～0.5）区域分布面积最大，约占西南玉米分布区的55.78%；轻度致灾干旱（0.3～0.4）区域约占31.61%，主要分布在四川盆地东部、重庆西北部以及广西、广东的中部等区域；另外，重度致灾干旱（0.5～0.7）的2个高值区集中分布在湖北中东部和广东南部，约占6.10%。这主要与降水系统的异常以及下垫面的地域差异即地形地貌条件有关。

图4 中国西南喀斯特地区玉米旱灾致灾指数平均值分布

3.2 旱灾风险性评价结果

根据上述对中国西南喀斯特地区玉米旱灾致灾强度指数和自然脆弱性的分析，本文在无灌溉并保证养分充足的情景下，通过空间EPIC模型模拟了玉米种植区内 8 km网格单元上玉米的生长过程后，计算出每个生长季的致灾强度指数，结合玉米“丹玉十三”品种的脆弱性，计算出西南喀斯特地区玉米受旱灾打击的产量损失率。在此基础上，绘制在西南地区不同致灾水平下的成灾风险系列图，包括了4个风险水平：2年一遇、5年一遇、10年一遇和20年一遇（图5）。

图5 中国西南喀斯特地区玉米旱灾成灾风险图

整体来看，中国西南喀斯特地区玉米受旱减产的风险高发区呈现从西北到东南扩散的趋势。在4种风险水平下，面积占比最大的产量损失率主要集中分布在0.4～0.5区间内。在2年一遇、5年一遇、10年一遇、20年一遇的风险水平下产量损失率等级（0.4～0.5）的玉米产区占西南玉米总产区的比例分别为55.89%、54.17%、48.99%、44.33%；其次，产量损失率等级（0.3～0.4）的玉米产区占西南玉米总产区的比例分别为32.18%、26.38%、23.46%、20.87%。

无论在哪个风险水平下，湖北中东部和广东南部地区的减产损失率都是最高，达到0.5以上减产率等级。经统计，随着年遇型的增加，极端减产风险等级（0.6～1）所占玉米总分布区的比例是逐渐增加的，从2年一遇的5.02%、5年一遇的14.39%、10年一遇的23.37%上升至20年一遇的31.33%。而同样随年遇型的增加，微度减产率等级以下的区域（0.1～0.2）所占玉米总分布区的比例从2年一遇的1.06%、5年一遇的0.68%、10年一遇的0.60%，下降至20年一遇的0.54%。

对比图4和图5，玉米干旱致灾和成灾风险的格局大体相似，但前者的分布规模大于后者，前者主要表明的是致灾风险，后者则是致灾与成灾风险的综合反映；也就是说，发生干旱的区域不一定都成灾，承灾体对旱灾脆弱的区域，成灾的可能性越大。从减产风险高值区的动态分布来看，2年一遇水平下的减产风险高值区主要集中在湖北中部和广东南部附近。这与其致灾风险水平高是一致的。随年遇型的增加，到了20年一遇水平，减产风险高值区也逐渐向东向南扩展，四川东部、湖北中东部、贵州北部、广西中南部、广东南部位于重度减产风险等级（>0.5）之上。这反映了中国石漠化生态系统的承灾阈值弹性小，农业产值高同时具有旱灾风险高的特点，同时承灾体的抗旱能力（如灌溉能力）决定了干旱成灾的机率和旱灾灾情大小。

3.3 不同石漠化程度对玉米旱灾产量损失的影响

已有相关研究表明，土壤是作物生长的主要限定因子，中国西南喀斯特地区种植玉米的旱坡地土壤瘠薄，保水保肥能力差，是制约玉米产量提高的重要因素[24-28]。玉米全生育期能从土壤中吸取的水量，除取决于降雨量和降雨分布外，关键还取决于土壤的土层厚度。以土壤有效水含量（容积）20%计算，土层20～40 cm的土壤，土壤供水能力仅为40～80 mm，而土层超过80 cm的，土壤供水能力达160 mm以上。同时，在玉米全生育期中，由于土层厚度不同，土壤对降雨蓄积能力存在明显差异，土层厚度<40cm时，壤中流损失达74～247 mm，土层厚度>100 cm时，壤中流损失仅为33～143 mm，两者平均值相差73 mm，土层厚度直接影响玉米对同期降雨的利用[29-30]。

统计显示，中国西南玉米种植区土层厚度80cm的面积约占63%，其中土层厚度20～40 cm的面积约占23%（图6），而这些地区也是玉米旱灾频发的地区。通过分析不同致灾风险水平下的减产损失率（计算网格的均值）与土层厚度的关系，结果显示，不同致灾风险水平下，土层厚度对玉米的减产率差别较大，2年、5年、10年和20年一遇致灾水平下，土层厚度为40cm时，对应的减产率分别为5.8%、6.1%、7.8%、8.2%；土层厚度为80 cm时，对应的减产率分别为3.8%、4.5%、5.5%、6.0%（图7）；总体而言，玉米减产率与土层厚度呈明显的负相关，即随着土层厚度的增加玉米减产率逐渐减小，且当土层厚度大于150 cm时，减产率趋于稳定，且一般小2%。因此，加快推进西南喀斯特石漠化的综合治理，不仅能够减轻作物旱灾损失，更重要的是它对构筑长江、珠江两大流域上游的生态屏障和实现本地区持续发展具有重要的现实意义。

图6 中国西南喀斯特地区土层厚度图

图7 不同致灾风险水平下的减产损失率与土层厚度的关系

4 结 论

1）在已经实现的空间作物模型计算机产量模拟的基础上，考虑西南喀斯特地貌背景，利用典型玉米品种模型结构参数，开展不同石漠化程度区玉米旱灾产量的致灾和成灾损失风险评估。结果显示，在4种风险水平（2、5、10、20年一遇）下，面积占比最大的产量损失率主要集中分布在0.4～0.5区间内。随着年遇型的增加，极端减产风险等级（0.6～1）所占玉米总分布区的比例是逐渐增加的，从2年一遇的5.02%、5年一遇的14.39%、10年一遇的23.37%上升至20年一遇的31.33%。四川东部、湖北中东部、贵州北部、广西中南部、广东南部位于重度减产风险等级（>0.5）之上。这主要是地形地势、降水差异和承灾体的脆弱性共同作用的结果。

2）作物模型对东北、华北地区进行玉米产量模拟时，一般土层厚度都是远远大于玉米根系长度，而在喀斯特地区，由于石漠化的影响，导致同一土壤类型土层厚度在空间上存在明显差异，且石漠化严重区土层厚度往往小于玉米主根系的长度（40 cm），相同降水条件下，土壤能保持的田间持水量可供作物维持蒸腾的时间要短于东北、华北等地。研究结果显示，不同致灾风险水平下，土层厚度对玉米的减产率差别较大，2年、5年、10年和20年一遇致灾水平下，土层厚度为40cm时，对应的减产率分别为5.8%、6.1%、7.8%、8.2%；土层厚度为80 cm时，对应的减产率分别为3.8%、4.5%、5.5%、6.0%。因此，研究不同土层厚度对玉米产量的影响机理是做好喀斯特地区玉米旱灾风险防范的关键。

[1] John G, Smith D. Human impact on the Cuilcagh Karst areas[M]. Italy: Universita Dipadova, 1991: 23－28.

[2] 黄秋昊，蔡运龙. 基于RBFN模型的贵州省石漠化危险度评价[J]. 地理学报，2005，(5)：771－778. Huang Qiuhao, Cai Yunlong. Hazardous assessment of Karst Rocky desertification in Guizhou Province: An application of the RBFN model[J]. Acta Geographica Sinica, 2005, (5): 771－778. (in Chinese with English abstract)

[3] 黄晓云，常晟，王静爱，等. 中国喀斯特脆弱生态环境石漠化风险评价方法[J]. 世界林业研究，2013，(6)：45－51. Huang Xiaoyun, Chang Sheng, Wang Jingai, et al. Rockification risk evaluation method for fragile ecological environment in China’s Karst Region[J]. World Forestry Research, 2013, (6): 45－51. (in Chinese with English abstract)

[4] Cruse R, Gelder B, Flanagan D, et al. Daily estimates of rainfall, water runoff, and soil erosion in Iowa[J]. Journal of Soil and Water Conservation, 2006, 61(4): 191－199.

[5] Marques M J, Bienes R, Perez-Rodriguez R, et al. Soil degradation in Central Spain due to sheet water erosion by low-intensity rainfall events[J]. Earth Surface Processes and Landforms, 2008, 33(3): 414－423

[6] 蔡雄飞，王济，雷丽，等. 不同雨强对中国西南喀斯特山区土壤侵蚀影响的模拟研究[J]. 水土保持学报，2009，23(6)：5－13. Cai Xiongfei, Wang Ji, Lei Li, et al. Laboratorial simulation of different rainfall intensity influence on soil erosion in Southwest Karst Area, China[J]. Journal of Soil and Water Conservation, 2009, 23(6): 5－13. (in Chinese with English abstract)

[7] 王德炉，朱守谦，黄宝龙. 石漠化的概念及其内涵[J]. 南京林业大学学报：自然科学版，2004，(6)：87－90. Wang Delu, Zhu Shouqian, Huang Baolong. Discussion on the conception and connotation of rocky desertification [J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2004, (6): 87－90. (in Chinese with English abstract)

[8] Tu Y L. The analysis on reason and present situation of land rock desertification, Guizhou province. In: Li Jing, Development and Harness in Carbonate Rock Area[M]. Guizhou People’s Publishing House, Guiyang, China: 58－70.

[9] Jiang Z C, Lian Y Q, Qin X Q. Rocky desertification in Southwest China: Impacts, causes, and restoration[J]. Earth- Science Reviews, 2014, 132: 1－12.

[10] 李安定，卢永飞，韦小丽，等. 花江喀斯特峡谷地区不同小生境土壤水分的动态研究[J]. 中国岩溶，2008，(1)： 56－62. Li Anding, Lu Yongfei, Wei Xiaoli, et al. Studies on the regime of soil moisture under different microhabitats in Huajiang karst valley[J]. Carsologica Sinica, 2008, (1): 56－62. (in Chinese with English abstract)

[11] 王世杰，李阳兵. 喀斯特石漠化研究存在的问题与发展趋势[J]. 地球科学进展，2007，22(6)：573－582. Wang Shijie, Li Yangbing. Problems and development trends about researches on Karst Rocky desertification[J]. Advances In Earth Science, 2007, 22(6): 573－582. (in Chinese with English abstract)

[12] 李高科，潘光堂. 西南玉米区种质利用现状及研究进展[J]. 玉米科学，2005，(2)：3－7. Li Gaoke, Pan Guangtang. The utilization present situation and study advances of the germplasm in Southwest Maize Zone[J]. Journal of Maize Sciences, 2005, (2): 3－7. (in Chinese with English abstract)

[13] 潘东华，袁艺，贾慧聪，等. 我国典型区因旱饮水困难人口快速评估模型研究[J]. 灾害学，2014，29(3)：34－39. Pan Donghua, Yuan Yi, Jia Huicong, et al. Rapid assessment model of population in drinking water access difficulties because of drought in different regions of China[J]. Journal of Catastrophology, 2014, 29(3): 34－39. (in Chinese with English abstract)

[14] 王静爱，左伟. 中国地理图集[M]. 北京：中国地图出版社，2009.

[15] Cabelguenne M, Debaeke P H, Puech J, et al. Real time irrigation management using the EPIC-PHASE model and weather forecasts[J]. Agricultural Water Management, 1997, 32: 227－238.

[16] 贾慧聪，潘东华，王静爱，等. 基于EPIC 模型的黄淮海夏播玉米旱灾风险评价[J]. 地理学报，2011，66(5)： 643－652. Jia Huicong, Pan Donghua, Wang Jingai, et al. Maize drought disaster risk assessment based on EPIC Model: A case study of maize region in Northern China[J]. Acta Geographica Sinica, 2011, 66(5): 643－652. (in Chinese with English abstract)

[17] 张景莲. 1982年以来我国玉米品种演变规律及未来育种对策研究[D]. 郑州：河南农业大学，2007. Zhang Jinglian. Study on Maize (L) Varieties Evolvement Regularity Since 1982 and Future Breeding Strategy in China[D]. Zhengzhou: Henan Agricultural University, 2007. (in Chinese with English abstract)

[18] 王懿波，王振华，王永普，等. 中国玉米主要种质杂交优势利用模式研究[J]. 中国农业科学，1997，30(4)：16－24. Wang Yibo, Wang Zhenhua, Wang Yongpu, et al. Studies on the heterosis utilizing models of main maize germplasms in China[J]. Scientia Agricultura Sinica, 1997, 30 (4): 16－24. (in Chinese with English abstract)

[19] 黎裕，王天宇. 我国玉米育种种质基础与骨干亲本的形成[J]. 玉米科学，2010，18(5)：1－8. Li Yu, Wang Tianyu. Germplasm base of maize breeding in China and formation of foundation parents[J]. Journal of Maize Sciences, 2010, 18(5): 1－8. (in Chinese with English abstract)

[20] 李克煌. 气候资源学[M]. 北京：气象出版社，1995.

[21] 余福水. EPIC模型应用于黄淮海平原冬小麦估产的研究：以栾城为例[D]. 北京：中国农业科学院，2007. Yu Fushui. Yield Estimation of Winter Wheat with EPIC Model in Huang-huai-hai Plain- A Case Study in Luancheng, Hebei[D]. Beijing: Chinese Academy of Agricultural Sciences, 2007. (in Chinese with English abstract)

[22] Chung S W, Gassman P W, Huggins D R, et al. EPIC tile flow and nitrate loss predictions for three minnesota cropping systems[J]. Journal of Environmental Quality, 2001, 30 (3): 822－830.

[23] Jonghan Ko, Giovanni Piccinni, Evelyn Steglich. Using EPIC model to manage irrigated cotton and maize[J]. Agricultural Water Management, 2009, 96(9): 1323－1331.

[24] Rong T Z, Li W C, Yang K C, et al. Maize Breeding of Southwest Ecological Regions in China[M]. Beijing: China Agriculture Press, 2003.

[25] Zhou Z F. Application of remote sensing and GIS technology for land desertification in Guizhou Karst region[J]. Bulletin of Soil and Water Conservation, 2001, 21(3): 52－63.

[26] Zhang J H, Yang W Y, Zhao X J. Cause of drought and countermeasures in hilly area of central Sichuan Basin[J]. Tillage and cultivation, 1998, 3: 63－65.

[27] Swan J B, Shaffer M J, Paulson W H, et al. Simulating the effects of soil depth and climatic factors on corn yield[J]. Soil Science Society of America Journal, 1987, 51(4): 1025－1032.

[28] 郭庆法，王庆成，汪黎明. 中国玉米栽培学[M]. 上海：上海科学技术出版社，2004.

[29] Christensen L A, David E M. Toward a general method of estimating productivity-soil depth response relationships[J]. Journal of Soil and Water Conservation, 1988, 43(2): 199－202.

[30] Pagoulatos A. The probability of precipitation and the crop-yield, soil–depth function[J]. Journal of Soil and Water Conservation, 1989, 44(4): 349－351.

潘东华，贾慧聪，陈 方，贺原惠子. 中国西南地区石漠化对玉米旱灾风险的影响[J]. 农业工程学报，2017，33(23)：172－178. doi：10.11975/j.issn.1002-6819.2017.23.022 http://www.tcsae.org

Pan Donghua, Jia Huicong, Chen Fang, He Yuanhuizi. Impacts of rocky desertification on maize drought risk in Southwest China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 172－178. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.022 http://www.tcsae.org

Impacts of rocky desertification on maize drought risk in Southwest China

Pan Donghua1, Jia Huicong2※, Chen Fang2, He Yuanhuizi2

(1.100124,; 2.100094,)

Frequent drought stress was one of the major factors limiting the crop growth and distribution in the Karst region of Southwest China. In order to prevent the risk of agricultural drought in Karst region and reveal the impact mechanism of rocky desertification degree on the crop drought risk, based on the disaster system theory and the EPIC (erosion productivity impact calculator) crop model, the risk assessment of hazard-inducing factors and disaster loss of maize drought in different areas of rocky desertification was carried out. Taking 1 km grid as the evaluation unit, 2 scenarios were set up in simulation during the period of 1966-2010. The Scenario S1was completely satisfied with the moisture requirement of maize, the Scenario S2was completely rain fed, and the other parameters were the same. The difference in maize yield between the 2 scenarios was considered to be the drought loss due to water stress. Considering the Karst topography in Southwest China, taking the accumulated value of water stress during the whole growth period as the hazard-inducing factor, the physical vulnerability curve was simulated with the maize yield loss. The results showed that, in 4 risk levels (once in 2, 5, 10 and 20 years), the yield loss rate with the largest distribution area in Southwest China was mainly distributed in the 0.4-0.5 range.With the increase of annual occurrence rate, the proportion of extreme yield loss risk grade (0.6-1) area accounting for the total maize distribution area was gradually increasing, which was 5.02%, 14.39%, 23.37% and 23.37% at the level of once in 2, 5, 10, and 20 years. Eastern Sichuan, central-eastern Hubei,northern Guizhou, central-southern Guangxi and southern Guangdong reached the loss risk grade higher than 0.5, which was mainly decided by the terrain, precipitation differences and vulnerability of hazard-affected body. Generally when simulating maize production in the Northeast and North China by the crop model, the soil thickness was much larger than the root length of maize. In the Karst area, due to the influence of rocky desertification, the thickness of soil layers of the same soil type was significantly different in space, and the thickness of the soil layer in the serious rocky desertification area was often less than the main root length of maize (40 cm). Under the same rainfall conditions, the time to maintain transpiration for the crops from the field water-holding capacity that the soil can maintain in Karst areas was shorter than the Northeast, North China and other places. The results showed that under different levels of disaster risk, the maize yield loss rate due to soil thickness was quite different. When the soil thickness was 40 cm, the corresponding yield loss rates were 5.8%, 6.1%, 7.8% and 8.2% respectively at the level of once in 2, 5, 10 and 20 years.When the soil thickness was 80 cm, the corresponding yield loss rates were 3.8%, 4.5%, 5.5%, and 6.0%, respectively. Therefore, studying the mechanism of maize yield affected by different soil layer thicknesses was the key to prevent maize drought risk in Karst areas. This research can provide important scientific basis and technical support for agricultural drought disaster reduction and food security of maize regions in Southwest China.

drought; remote sensing; disasters; rocky desertification; EPIC crop model; maize drought; Southwest Karst regions

10.11975/j.issn.1002-6819.2017.23.022

X43

B

1002-6819(2017)-23-0172-07

2017-05-23

2017-09-19

国家自然科学基金项目“极端气候事件对我国旱灾适应性的影响机制研究”（41471428）；国家自然科学基金项目“我国华北地区土壤水效用对玉米旱灾风险的影响机制研究”（41671505）；国家重点研发计划“中高纬度湿地系统对气候变化的响应研究”（2016YFA0602302，2016YFB0502502）；中国气象局兰州干旱气象研究所资助项目“基于信息图谱的因旱需救助人口动态估算研究”（IAM201609）

潘东华，江苏丹阳人，博士，副研究员，主要研究方向为干旱灾害评估与风险防范研究与管理研究。Email：pandonghua@ndrcc.gov.cn

贾慧聪，山东聊城人，博士，副研究员，主要研究方向为GIS&RS在自然灾害风险分析中的应用研究。Email：jiahc@radi.ac.cn