APP下载

东北地区粮食作物产量变化特征及其对气象干旱的响应研究

2021-03-19韩冬荟赵金媛潘学标易国庆郭颖达王浩然和骅芸陈立新

中国农业大学学报 2021年3期
关键词:东北三省单产残差

韩冬荟 赵金媛, 胡 琦 潘学标* 王 萍 易国庆 郭颖达 王浩然 和骅芸 陈立新

(1.东北林业大学 林学院,哈尔滨 150040;2.中国农业大学 资源与环境学院,北京 100193)

我国东北位于北半球中高纬度地区,属温带季风气候,四季分明,雨热同季。东北三省的粮食总产由1980年的3 543.6 万t增长至2019年的13 811 万t,粮食作物的播种面积从1 406.3万hm2扩展到2 347.2万hm2[1]。目前东北地区的粮食总产量占全国的1/5 以上,是我国最大的商品粮生产基地,是维护国家粮食安全的“压舱石”。

在全球气候变化的影响下,气候因子协同社会、生态等方面综合作用于粮食系统,增加了粮食安全的风险[2]。各地极端气象灾害频发,导致农业气候资源变化、农产品产量波动[3],其中干旱灾害对中国农业气象构成的威胁最为严重。我国北方因旱灾受损的情况明显重于南方[4],并且东北地区的干旱状况呈逐年加重的趋势。20世纪90年代以来,东北地区的干旱事件大幅度增加[5-6];2000年以后,干旱程度趋于严重[7]。研究表明,东北地区干旱成灾年占22%,平均减产率30%;干旱已经成为东北地区的主要气象灾害[8]。东北地区降水年际波动大,易使玉米遭受旱涝灾害,1961—2015年东北春玉米生长季内的降水量减少导致其产量下降[9]。气候变化引起的温度和降水异常导致东北地区水稻大幅度减产[10];东北水稻单产与气温相关显著,与降水相关并不显著[11];大豆开花-结荚期干旱风险最高[12]。

干旱灾害的发生主要取决于温度和降水变化发生的时间和程度,温度和降水协同作用于作物的生长和产量,因此选择合适的干旱指标对预测和评估产量有着重要意义。相较于帕尔默干旱指数(PDSI)、标 准 化 降 水 指 数(SPI)等指标的局限性,标准化降水蒸散指数(SPEI)综合了温度和降水的双重效应,能更全面合理的反映农田生态系统的水分平衡过程,属于综合性的气象干旱指标。

在我国,针对SPEI的研究主要集中在2 方面:一是利用SPEI指数推演地域性干旱时空变化规律:已有研究表明1981—2017年我国北方地区约74%的区域SPEI呈减小趋势,并且春季干旱化最严重,冬季最弱[13];华北平原夏玉米生长季干旱发生频率超过50%,以轻旱为主[14];渭河流域、秦岭南北均呈现干旱化趋势[15];东北除长白山地区之外,其他地区都表现出明显的干旱化趋势[11,16]。二是研究植被或作物对SPEI的响应特征:东北地区森林的归一化植被指数与SPEI基本表现为负相关,而草原和农田主要呈现正相关[17];1990—2011年北京地区短时间尺度下8月的SPEI3与玉米气候产量呈曲线关系,长时间尺度下5月的SPEI24与冬小麦气候产量呈线性相关[18]。综上,虽然不乏SPEI相关方面的研究,但是已有研究存在以下不足:1)同一研究中对SPEI的时间尺度划定相对单一(春、夏、秋、冬)或者缺乏实际意义(单纯追求统计结果显著);2)由于作物产量数据获取不易,多数研究涉及的作物种类较少、选用间接数据(比如受灾面积、归一化指数等)来代表作物生产状况,或者用全省平均数据代替各市县具体数据,导致研究针对性变弱、分析结果产生偏差等。

因此,本研究在已有研究的基础上[19],结合东北气候特点,拟将SPEI时间尺度划分为雪季、雨季、生长季和年际,综合分析水热旱涝对东北三省4 种主要粮食作物产量的影响,对比不同地区不同作物分别对不同时间尺度SPEI的响应及其敏感性。

1 数据与方法

1.1 数据来源

1.1.1气象数据来源

1961—2015年东北三省71 个气象台站(图1)的逐日气象资料(气温、降水量等)来自中国气象科学数据共享服务网(http:∥cdc.cma.gov.cn/home.do),并利用Matlab软件对缺测的气象数据进行插值订正,以保证数据的连续性和有效性。

省份名称后的括号内为该省的气象台站数。

1.1.2作物产量数据来源

1992—2015年东北三省主产的水稻、玉米、大豆、小麦4 种作物的单产数据来自国家地球系统科学数据中心(http:∥northeast.geodata.cn)(其中黑龙江29 个市县;吉林23 个市县;辽宁12 个市县)、黑龙江统计年鉴(1993—2016年)、吉林统计年鉴(1993—2016年)、辽宁统计年鉴(1993—2016年)。由于吉林省不是小麦产区,故在此不涉及吉林小麦。

1.2 研究方法

1.2.1标准化降水蒸散指数SPEI计算方法

首先计算月降水量与月潜在蒸散量的差值,然后将其累计概率值进行正态标准化,即得到SPEI指数[20],具体步骤如下:

计算月降水-蒸散差值,其中月潜在蒸散量的计算采用Thornthwaite方法如下:

Di=Pi-PETi

(1)

式中:Pi为月降水量,mm;i=1,2,…,12,表示月份;PETi为月潜在蒸发量,mm。

进一步建立降水-蒸散差值时间序列,即计算不同时间尺度下的气候学水分盈亏值D:

(2)

式中:k为时间尺度;n为计算月份,k≤n。

最后得到正态标准化降水-蒸散差值时间序列。对数据序列进行正态标准化,由于其可能存在负值,故引入三参数的Log-Logistic概率分布F(x)对式(2)建立的序列进行拟合,即可得到对应序列的SPEI指数。

(3)

式中:α、β和γ分别代表尺度参数、形状参数和位置参数,并且∞

(4)

(5)

P=1-F(x)

(6)

当P>0.5 时,P=P-1。

式(4)中,C0=2.515 517,C1=0.802 853,C2=0.010 328,d1=1.432 788,d2=0.189 269,d3=0.001 308。

SPEI的平均值为0,标准差为1,SPEI数值越小,代表干旱程度越严重,表1为中国气象局制定的 SPEI 干旱等级划分标准[14]。

表1 SPEI干旱等级划分

东北地区的雪季主要集中于前一年的12月至当年的2月,该时期的标准化降水蒸散指数用2-SPEI3表示;雨季集中于6—8月,该时期的标准化降水蒸散指数用8-SPEI3表示;生长季集中于5—10月,其标准化降水蒸散指数表示为10-SPEI6;年际SPEI对应于1—12月全年,表用12-SPEI12表示[7]。

1.2.2气象产量分离方法

粮食产量受到气象要素和物化投入的综合影响,通常将其主要分为由气象条件引起的气象产量和社会技术进步产生的趋势产量,本研究采用经已有研究验证的适用于全国长时间粮食单产序列分析的HP 滤波法[21],对东北地区主要粮食作物单产进行气象产量分离。忽略随机产量后,假定:

Yi=Ymi+Yti

式中:i代表第i年,i=1,2,3…,T;Yi为第i年的实际单产;Ymi为气象产量;Yti为趋势产量,HP滤波法就是要将Yti从Yi里分离出去,并使损失函数最小化:

(7)

式中:λ为平滑参数,对于年度数据,已有研究设定λ=100。

本研究利用Eviews 9.0对东北三省粮食作物历年单产进行滤波,得到相应的气象产量。

1.2.3建立标准化产量残差序列

在HP滤波法分离气象产量的基础上,为了比较SPEI对不同作物产量的影响,建立气象产量的标准化产量残差序列[22],具体方法如下:

Yri=(Ymi-μ)/σ

(8)

式(8)中:Yri表示第i年的产量残差;Ymi表示第i年的气象产量;μ表示第i年各省全部市县对应作物的气象产量平均值;σ表示相应的气象产量标准差。这种方法在相关研究中已经应用[23-24],并且验证了标准化产量残差可以更好地比较分析具有不同平均值和标准差的作物间、地点间和年际间的产量变异性。

1.2.4其他方法

研究中有关产量的统计分析通过IBM SPSS Statistics 19完成;SPEI的时空分布利用ArcGIS 10.1软件的反距离权重插值法(IDW)完成。

2 结果与分析

2.1 东北三省主要粮食作物单产及气象产量的时序变化

气候变暖给东北农业生产带来的影响利弊共存,一方面提高了作物的光温生产潜力,另一方面,极端天气事件增加、气象灾害突发等造成作物减产。图2 展示了东北三省水稻、玉米、大豆和小麦历年单产(中位数)时序变化及其阶段性生产水平差异。

东北种植区主要分布在松嫩平原、三江平原和辽河流域,由于水稻品质好,水稻种植发展很快,2019年东北三省水稻总产超过3 400 万t。不过东北三省的水稻单产变化趋势有所不同(图2(a))。整体而言,吉林省的水稻产区县市单产极大值较其他两省数值更大,但2010年以后三省各站水稻单产相差不大;黑龙江水稻单产在20世纪90年代以后增长速度较快,在去除异常值的前提下,其最大值可达到13 647 kg/hm2,比80年代单产增加了42.7%,其中气候变暖贡献率将近1/3[8],可见气候变暖已经将黑龙江以小麦和玉米为主的种植结构变为了以玉米和水稻为主[25]。辽宁省的水稻单产近几年有所波动,这与辽宁省近年来发生的旱涝灾害有关。

作为东北农作区的优势作物品种,玉米的气候产量潜力最高,其实际单产变化在各省表现不同(图2(b))。黑龙江玉米单产在整体上表现为逐年上升趋势,高值为2009年的10 772 kg/hm2和2010年的10 747 kg/hm2。吉林省各地的玉米在20 世纪90年代初期的单产值相对较低,2000年以后有所提升,在2002年达到了12 598 kg/hm2,成为东北地区近年玉米单产最高值,但是2009年后单产偏低,这与2009年吉林省降水偏少,玉米在出苗期和灌浆期遭遇气象干旱有关[26]。辽宁省大部分地区可以满足玉米晚熟品种的生长,但是近些年呈现减产趋势[27]。

东北是我国重要的大豆产区,黑龙江和吉林省历年的大豆单产呈逐年上升趋势(图2 (c))。与东北其他主要粮食作物相比,大豆的单产相对较低,除了受到技术水平的限制,与东北的气候条件限制了大豆的生长有关,更与东北地区逐年加重的干旱化形势密切相关。

东北的小麦主要为春小麦,不具有综合比较优势,1985—2015年,东北小麦种植面积明显减少,吉林的小麦已接近消失[28]。虽然春小麦单产在整体上呈增加趋势,但对于东北这类面积主导型产区,小麦种植面积大幅缩水导致总产不断下降[29]。黑辽两省小麦单产差异不大,变化趋势相对平稳,近年来辽宁省小麦单产高于黑龙江,黑龙江小麦单产比辽宁的波动性更大(图2(d))。

图2 1992—2015年东北三省作物单产变化

为了分离气象条件对作物产量的影响,此处利用HP滤波法提取各站点4 种作物的气象产量,并取历年均值和标准差作图(图3)。由图3可见:东北三省中作物气象产量波动性最大的是辽宁省,这与辽宁省近年来多发旱涝灾害有关[25];4 种作物中气象产量波动性最小的是小麦,这与其在东北分布区域小、产量水平低有关。水稻和玉米的气象产量波动周期具有相似性,且气象产量正值多于负值。另外,黑龙江和吉林的大豆气象产量波动性较小。

2.2 不同时段SPEI对东三省粮食作物气象产量的影响

本研究将1992—2015年东北三省各市县通过HP滤波法得到的粮食作物气象产量与不同时段(雪季、雨季、生长季、年际)的SPEI进行相关分析(显著性水平<0.05的保留),得到不同作物的气象产量与不同尺度SPEI显著相关的台站个数及其在全省的占比,结果见表2。

由表2 可知:黑龙江省多数市县的粮食作物产量受生长季SPEI影响较明显;吉林省主要是雨季和生长季SPEI对作物产量具有显著影响;辽宁省位居三省最南部,其4种作物的气象产量与不同时段SPEI的相关关系中,雪季SPEI的相关性最好。此外,相同省份的不同作物对相同时段的SPEI响应敏感度也不同,不同省份相同作物与相同时段的SPEI相关性也有差异。

图3 1992—2015年东北三省作物气象产量变化

将黑龙江、吉林、辽宁的4 种粮食作物气象产量与4 个时段的SPEI分别进行相关分析,并将显著性水平<0.05 的相关系数统计值归纳见表3。整体而言,4 种粮食作物气象产量与雪季SPEI(2-SPEI3)的相关关系跟其他3 个时段SPEI(8-SPEI3,10-SPEI6,12-SPEI12)的相关关系表现相反,这与东北雨热同季、年降水主要来自雨季等气候特征有关。吉林省雪季SPEI与4 种粮食作物气象产量均表现为负相关关系;辽宁省雪季SPEI与4 种粮食作物气象产量均表现为正相关关系;黑龙江省除去水稻,其他作物的气象产量与雪季SPEI也都呈现正相关,这种差异与气象产量非标准化有关,因此,为了更加合理地分析SPEI对不同作物产量的影响,后续引入标准化产量残差序列。

表2 东北三省主要粮食作物气象产量与SPEI显著相关台站数比例

表3 东北三省主要粮食作物气象产量与SPEI的相关系数统计值

2.3 标准化产量残差序列对不同时段SPEI的响应

将东北三省各市县4 种粮食作物的历年气象产量进行残差标准化后形成序列,与各SPEI序列进行回归分析,其中设定Yr>0为高产,Yr<0为低产,Yr=0表示气象产量与多年平均值相等;SPEI<0为干旱或者趋于干旱,SPEI>0为湿润或者趋于湿润[24]。

2.3.1水稻标准化产量残差序列对SPEI的响应

黑龙江的水稻产量与生长季SPEI(10-SPEI6)、年尺度SPEI(12-SPEI12)呈负相关;吉林的水稻产量与雪季SPEI(2-SPEI3)呈负相关;辽宁水稻气象产量与雨季SPEI(8-SPEI3)呈负相关、与雪季SPEI(2-SPEI3)表现为正相关(图4)。说明除辽宁冬季降雪有利于水稻生产外,其他时段水稻生长的需水量是可以被满足[22]甚至是过量的,也反映了在东北气候变暖的背景下,即使洪涝灾害在北方呈减缓趋势,但是夏涝仍是造成东北水稻减产甚至绝收的重要灾害[30-31],主要是由于这个时段正处于水稻的生长季,尤其是水稻生殖生长的关键阶段。图4(a)、(b)、(c)和(e)显示东北三省水稻的极端低产值(Yr<-2)基本位于0

图4 水稻标准化产量残差对SPEI的响应

2.3.2玉米标准化产量残差序列对SPEI的响应

东北春玉米区是我国最大的玉米产区,在气候变暖的背景下,东北三省的玉米产量表现为增加趋势,并且越往北增加越明显[32]。由图5可见,黑龙江的玉米Yr与生长季SPEI呈负相关,2007年黑龙江的日平均温度、日最低温度、日最高温度均高于前后几年,且降水较常年偏少,导致黑龙江多地干旱[33],但呼玛、嫩江、孙吴、北安在2007年出现玉米气象产量高值(Yr为2.67~4.33),这4站均位于黑龙江北部地区,表明北部地区气候变暖使增产明显[32]。在较干旱的条件下,吉林玉米标准化产量残差值随着生长季10-SPEI6的增加而增加;在较湿润的条件下,其气象产量残差值变化不大;但降水过多,Yr随着SPEI的增加而减小,即当水分不成为制约气象产量的因素时,过多的降水可能会导致减产。辽宁玉米标准化产量残差值随着雪季2-SPEI3的增加而增加。整体而言,玉米Yr黑龙江>Yr吉林>Yr辽宁,玉米Yr(Yr:-2.00~2.00)多集中在SPEI取值范围为-2.00~1.00(图5),即在同样的水分条件下,均可能出现高产或者低产,这与其他要素比如光照、温度、病虫害等有关,可见东北各地春玉米气象产量对SPEI的响应需要根据不同生态区域进行具体分析。

图5 玉米标准化产量残差对SPEI的响应

2.3.3大豆标准化产量残差序列对SPEI的响应

东北是我国大豆的主要产区,大豆属于喜湿作物,生长季需水量较大,生长季里任何阶段的干旱都会对产量有所影响[33]。从图6 可见,黑龙江的大豆标准化产量残差与生长季和年际SPEI具有显著的相关关系,吉林的大豆标准化产量残差与生长季SPEI相关显著,辽宁的大豆标准化产量残差则与雪季SPEI表现出显著相关,其中对黑龙江和吉林的回归分析表明二者的二次曲线关系拟合度更好,即当SPEI<0时,随着SPEI的增加,两省的Yr逐渐增大;当SPEI>0时,随着SPEI的增加,两省的Yr逐渐减小。同时可见,黑吉两省的大豆标准化产量残差的数值范围接近,且抛物线最高点对应的SPEI均约为0,说明东北三省干旱和雨涝对大豆产量波动造成的影响程度相似[34]。

2.3.4小麦标准化产量残差序列对SPEI的响应

东北春小麦通常4月中旬左右播种,8月之前成熟,抗旱能力强,生育期短。所选择的10-SPEI6指数能够覆盖春小麦的生育期。由图7可见,黑龙江省春小麦标准化产量残差与10-SPEI6的呈负相关,即在春小麦出苗-成熟阶段,降水越多越不利于其生长发育。

图7表明黑龙江省的小麦产量残差序列Yr随着生长季SPEI(10-SPEI6)的增大而不断减小,辽宁小麦产量残差序列Yr随着雪季SPEI(2-SPEI3)的增大而不断增加。在图4(d)中,辽宁水稻Yr随雪季SPEI的增加而不断增大,图5(c)和图6(d)同样显示辽宁省玉米和大豆的Yr随着雪季SPEI的增加不断增大。由此可见,辽宁省雪季SPEI与4种粮食作物标准化产量残差序列均呈显著的正相关关系,即冬季降雪增加有利于当年的作物生长。再将与作物产量显著相关的SPEI进行主成分分析得到彼此线性不相关的SPEI,进而重新建立组合值[22]。然而,本研究发现在东北地区,与粮食作物显著相关的SPEI之间线性相关性比较低,不宜做主成分分析,即本研究选定SPEI时结合了当地的气候和作物特征。

3 讨 论

本研究对SPEI尺度和时期的选择是依据东北气候和作物生长特点而设定的,也有研究是将各月份、各尺度的SPEI分别与作物产量进行相关分析,对气象条件影响作物产量的研究多集中于作物生长季,尤其在东北这种季风气候地区更为如此。本研究发现非生长季节的水热条件对作物生长也具有重要影响,比如冬季的温度和降雪会通过影响土壤水分供给能力而影响作物的产量,本研究中辽宁省此种作用效果相对明显。1961—2013年辽宁省65.4%站点的降雪量有增加趋势、90.4%站点的降雪强度呈增大趋势[35],冬季气温表现为上升趋势[36]。在冬季气温升高、降雪增加的气候背景下,一方面随着气温升高,冻土层深度变浅,有利于农业生产;另一方面,降雪增加、积雪层厚度增大有利于调节不同温度条件下的土层含水率[37]。在土壤冻结期,积雪的存在有利于土壤保温和减少土壤水分蒸发、渗透,并且积雪的厚度和持续时间影响着土壤微生物生长和活性;在融雪产水期间,融雪水可以为土壤补给水分,尤其对于我国东北地区,农作物在生长季遭遇旱灾甚至久旱无雨的情况,储存的融雪水就起到了至关重要的作用[38]。由此可见在气候变暖的背景下,东北冬季降雪增加、温度升高,对辽宁省乃至东北大部的粮食增产都起着积极作用。因此“大气-作物-土壤”作为一个整体生态系统,内部各要素之间的耦合作用在各个时期表现不同,应结合大尺度下的气候变化规律和局地的气候特点对农情进行分析,有利于指导未来的农业生产。

图6 大豆标准化产量残差对SPEI的响应

图7 小麦标准化产量残差对SPEI的响应

4 结 论

本研究通过东北三省1961—2015年的气象数据和1992—2015年4 种粮食作物产量数据比较分析了雪季、雨季、生长季和年际SPEI对作物产量的影响,主要得到以下结论:

1)雪季SPEI与粮食作物产量残差序列显著相关,尤其是在辽宁省更为明显,即辽宁省雪季的SPEI与水稻、玉米、大豆和小麦的气象产量均成显著的正相关关系。说明东北冬季虽无作物生长,但是冬季的温度和降雪对土壤水分、微生物等方面的作用间接决定了来年作物的生长条件,甚至可以调节夏季和生长季降水不足带来的负面影响,验证了农谚“瑞雪兆丰年”在东北地区的科学性。

2)不同省份、同一省份不同站点的粮食作物对相同时段的SPEI响应不同,说明研究东北各地粮食作物产量对SPEI的响应需要根据不同生态区域特点进行具体分析;但是各省各时段的SPEI对同一作物的影响具有一致性,并且各省同一作物对雨季、生长季、年际SPEI的响应基本一致。除雪季之外,东北水稻的气象产量与各时间尺度SPEI基本成负相关。大豆气象产量与生长季、年际SPEI显著相关,且当SPEI<0时,其标准化产量残差随着SPEI的增加而增大;当SPEI>0时,标准化产量残差随着SPEI的增加而减小。玉米和小麦与SPEI的关系在不同区域的表现有所不同。

猜你喜欢

东北三省单产残差
基于双向GRU与残差拟合的车辆跟驰建模
初中地理《东北三省》教学案例与反思
农大农企联手创山西小麦最高单产新纪录
油菜“不务正业”,单产3.4吨
单产948.48千克!“金种子”迸发大能量
我国玉米单产纪录第七次被刷新
基于残差学习的自适应无人机目标跟踪算法
基于递归残差网络的图像超分辨率重建
东北三省滑雪产业的空间拓展路径
用课程标准审视教材、思考教学——以“‘白山黑水’——东北三省”的教学为例