引用本文
叶宏宝, 石晓燕, 李冬, 华珊, 徐志福. .气候变化对浙江水稻生产影响的集合模拟分析[J]. 浙江农业学报, 2016,28(7): 1183-1192
YE Hong-bao, SHI Xiao-yan, LI Dong, HUA Shan, XU Zhi-fu. .Ensemble simulation of impacts of climate change on rice production in Zhejiang Province[J]. ACTA AGRICULTURAE ZHEJIANGENSIS,2016,28(7): 1183-1192  
Permissions
Copyright©2016, 《浙江农业学报》编辑部
气候变化对浙江水稻生产影响的集合模拟分析
叶宏宝, 石晓燕, 李冬, 华珊, 徐志福*
浙江省农业科学院 数字农业研究所,浙江 杭州 310021
*通信作者,徐志福,E-mail: zhifux868@163.com

作者简介:叶宏宝(1982—),男,浙江金华人,博士,助理研究员,主要从事作物系统模型与数字农业研究。E-mail: longer120new@hotmail.com

收稿日期: 2015-12-22
基金: 国家自然科学青年基金(31401287)浙江省自然科学基金(LQ13C130004)公益性行业(农业)科研专项(201303109-10)
摘要

生长模型耦合气候模式模拟是研究气候变化对农业生产影响的有效途径。本文基于3种典型浓度路径排放情景(RCP)下11个国际耦合模式比较计划第五阶段(CMIP5)全球气候模式(GCMs)的气候预估结果,以1971—2000年观测资料作为气候资料基准值(baseline),利用LARS-WG天气发生器形成包含RCP2.6、RCP4.5、RCP8.5情景下2050s(2041—2060年)和2070s(2061—2080年)时段的气候预估逐日数据集合,分析了浙江省杭州、金华两个代表站点的气候资源变化特征,以气候模式耦合水稻机理模型ORYZA2000方法,集合模拟评估了气候变化对浙江水稻生产的影响。结果表明,未来浙江代表站点杭州和金华的平均气温均会升高,预估2070s时段杭州、金华分别平均升温1.65~3.56、1.75~3.67 ℃,高温热害发生加剧。在仅考虑未来气候变化的条件下,随着温度升高,代表站点的水稻生育期相对基准期缩短。不考虑CO2浓度增加对水稻产量的肥效作用,无论早稻、晚稻、单季稻,其产量相对于基准年份均普遍减产,且高排放情景下的减产幅度明显大于低排放情景。

关键词: 水稻; 气候变化; CMIP5; OYRZA2000
中图分类号:S511 文献标志码:A 文章编号:1004-1524(2016)07-1183-10 doi: 10.3969/j.issn.1004-1524.2016.07.14
Ensemble simulation of impacts of climate change on rice production in Zhejiang Province
YE Hong-bao, SHI Xiao-yan, LI Dong, HUA Shan, XU Zhi-fu*
Institute of Digital Agriculture, Zhejiang Academy of Agricultural Sciences, Hangzhou 310021, China
Abstract

The methodology integrating crop models and global climate model are important tools to estimate the impacts of climate change on agricultural production. The characteristics of changes on agricultural climate resources and the impact of climate change on rice production in Zhejiang Province were explored with ensemble simulation of 11 global climate models (GCMs) under 3 representative concentration pathway (RCP) scenarios from the Coupled Model Inter-comparison Project Phase 5 and the ground observation data. Climate projections for 2050s period (2041-2060) and 2070s period (2061-2080) under RCP2.6, RCP4.5, RCP8.5 scenarios were stochastically downscaled to local-scale ensemble daily weather data using the LARS-WG weather generator. The local ensemble weather data were applied as input in rice simulation models ORYZA2000. It was shown that the mean temperature for Hangzhou and Jinhua during 2070s would increase by 1.65-3.56, 1.75-3.67 ℃, respectively, and the rice heat damage would become more serious. Ensemble simulation result indicated that the growth duration of rice in representative site would be shortened due to the accelerated rice development under climate warming. Without direct effect of CO2 elevation, the rice yield would decrease as compared to the baseline, and higher yield decrease was simulated under high RCP climate scenarios with greater temperature increase.

Keyword: rice; climate change; CMIP5; OYRZA2000

气候变化是21世纪人类面临的最复杂挑战之一。农业生产与气候因素紧密相关, 是受气候变化影响最大的行业之一, 气候变化对农业的潜在影响一直受到学术界和政府部门的广泛关注, 是当今国内外研究热点之一[1, 2]。实验观测与模型模拟是常用的2类研究方法, 由于实验观测方法存在费用昂贵、耗时、不可重复, 甚至难以进行等问题, 基于作物机理模型耦合气候模式的模拟分析便成为政府间气候变化专门委员会(IPCC)推荐的评估气候变化对农业影响的主要工具与手段[3, 4, 5]。然而, 任何数学模型都只是对现实系统的一种简化与近似, 因此, 模型模拟方法存在未来气候预估、作物模型本身以及气候情景与作物模型尺度连接等多重不确定性[6, 7, 8],

集合模拟通过多模式多模型或单模式单模型参数扰动得到集合预报结果, 其特点是以一个预估的置信区间或概率形式的模拟结果取代以往确定性的形式[9, 10, 11, 12]。Murphy等[10]通过物理扰动HadAM3气候模式的29个关键参数, 形成一个包含53个成员的气候集合预估系统, 用于不确定性定量分析与概率气候预估。Challinor等[11, 12]对HadAM3气候模式和作物模型参数进行扰动, 开展当前及未来CO2翻倍情景下气候对作物产量影响的集合模拟分析, 定量分析了气候预估和作物模型参数的不确定性。Semenov等[13]利用多气候模式和气候发生器LARS-WG集合模拟分析了气候变化对欧洲小麦生产的影响。Tao等[14, 15]、Liu等[16]基于蒙特卡洛法与贝叶斯理论扰动小麦模型参数, 综合多气候模式和多IPCC排放情景, 构建了一个超级集合概率预测系统, 评估未来中国小麦产量变化。

全球气候模式(GCMs)能够较好地模拟大尺度年或季节的平均气候特征, 但其时空分辨率相对较低, 无法直接运用GCMs输出气候资料与作物机理模型耦合进行模拟。区域气候模式被认为是GCMs有效的动力降尺度方法, 可获取高分辨率的区域气候变化信息, 其输出可直接用于作物模型。因此, 许多学者应用区域气候模式(providing regional climates for impacts studies, PRECIS)的预估结果研究气候变化对作物生产的影响[17, 18, 19]。但是, 这些研究大多仅基于单一的区域气候模式输出, 对气候预估不确定性的描述往往不够。

本研究基于1971— 2010年的历史观测气象数据和国际耦合模式比较计划第五阶段(CMIP5)中11个GCMs在3种气候排放情景下的气候预估结果, 分析浙江省气候资源变化特征, 通过LARS-WG天气发生器方法获得未来气候预估逐日数据集合, 耦合水稻机理模型ORYZA2000, 集合模拟评估未来气候变化情景对浙江水稻生产的影响, 以期为农业种植区划、育种策略管理、粮食安全评估、气候变化适应政策制定等提供参考依据。

1 材料与方法
1.1 研究区域

本研究以浙江省为研究区域, 选择20个地面气象台站(图1)1971— 2014年的连续逐日气象数据, 资料源自国家气象信息中心, 包括逐日最低气温、逐日最高气温、逐日平均气温、降水量、日照时数、平均风速和平均相对湿度等基本气象要素, 选取杭州(30.23° N, 120.17° E)、金华(29.12° N, 119.65E° )作为代表性站点, 具有2年以上水稻生长观测数据。

图1 研究区域及气象台站分布
1.2 生长模型选择Fig.1 Distribution of meteorological stations in study region

本研究中, 水稻生长模型选用广泛使用的ORYZA2000模型, 它以天为时间步长, 能够模拟潜在生产水平、水分限制水平和氮素限制水平下水稻的生长发育、产量形成以及土壤水氮的动态变化过程[20]。按格式建立ORYZA2000模型运行所需的作物参数、田间管理措施、逐日气象及土壤数据等文件。作物参数表征了不同水稻品种间的差异, 一般认为, ORYZA2000模型的大部分参数具有普适性, 采用默认值即可, 通常只有10%左右的关键参数需要进行本地化调试, 主要是生育参数和发育速率、干物质分配系数、比叶面积等。本研究利用水稻田间观测数据与文献调研数据, 结合当地气象资料, 通过模型提供的DRATE和PARAM子程序对上述模型参数进行本地化调参, 确定代表性品种的关键参数。

1.3 气候变化情景

国际耦合模式比较计划第五阶段(CMIP5)是IPCC第五次评估报告(AR5)撰写的重要科学依据。在CMIP5中, 未来百年气候变化的预估情景有了较大改变, 采用“ 典型浓度路径” 的辐射强迫情景, 包括4种强度的排放情景, 从低到高分别为RCP2.6、RCP4.5、RCP6.0和RCP8.5。本研究以1971— 2000年观测资料作为气候资料基准值(baseline), 选取CMIP5中11个全球气候模式在低(RCP2.6)、中(RCP4.5)、高(RCP8.5)排放情景下模拟2050s(2041— 2060年)与2070s(2061— 2080年)时段的共66组气象预估逐月数据(来源:http://www.worldclim.org/CMIP5)。

由于ORYZA2000水稻模型需要输入逐日气象资料, 而CMIP5逐月预估结果无法直接作为ORYZA2000模型输入, 因此, 本研究采用气象发生器法进行降尺度。LARS-WG是由英国洛桑实验站研制的随机气象发生器, 能够基于历史逐日气候资料和气候变化情景数据, 生成若干年的最高气温、最低气温、降雨量、太阳辐射等的逐日气象资料, 用来重建历史时期气候或产生未来气候情景逐日数据。LARS-WG的适用性已在全球不同地区得到验证, 且与其他气候发生器相比, 能够更好地模拟极端气象天气[21]。本研究以1971— 2000年的历史气象观测资料(baseline)对天气发生器LARS-WG进行参数设定, 计算66组气候情景逐月预估气象相对于基准期的变化, 对LARS-WG天气发生器参数进行调整, 每组情景随机模拟100次, 形成未来气候预估的逐日数据集合(2站点× 11气候模式× 3个RCP情景× 2个时段× 100次)。

1.4 数据统计分析

本研究涉及上万次模拟计算、大量模型文件格式转化以及数据统计分析, 主要利用工具包括ArcGIS 9.0软件、开源统计软件R语言, 以及Visual Studio C#等。采用最小二乘法拟合各气候要素一元线性回归方程, 以回归系数的10倍作为气候倾向率, 表示农业气候资源的变化趋势。

2 结果与分析
2.1 浙江省农业气候资源变化特征分析

2.1.1 1971— 2010年历史气候变化

本研究利用气候倾向率指标分析1971— 2010年浙江省平均气温、最高气温、≥ 10 ℃积温, ≥ 10 ℃生长季天数、日照时数、降水量的变化趋势特征(表1)。结果表明, 1971— 2010年浙江省年均气温、年均最高气温的年际变化呈极显著上升趋势, 气候倾向率全省平均值分别为0.41、0.46 ℃· 10 a-1, ≥ 10 ℃积温和≥ 10 ℃生长季天数增加, 稳定≥ 20 ℃终日推迟, 热量资源增加。年均日照时数呈强烈的下降趋势, 平均减幅达53.71 h· 10 a-1。1971— 2010年浙江省年均降水量为1 411.16 mm, 年均雨日153.6 d, 年均降水量、年均雨日的年际变化分别表现为增加与减少趋势, 气候倾向率分别是13.92 mm· 10 a-1和-3.92 d· 10 a-1, 但不显著。总降水量增加而雨日减少意味着平均降水强度增加, 平均降水强度的年际变化呈极显著上升趋势。

表1 1971— 2010年浙江省农业气候资源的变化趋势 Table 1 Trend of agricultural climate element in Zhejiang during 1971— 2010

图2是杭州、金华两个站点1971— 2010年7— 9月平均最高气温、年均降水量、年均日照时数的年际变化趋势。7— 9月通常处于早稻灌浆结实期、单季稻的减数分裂期或部分中稻的开花期, 水稻此时对高温敏感。从图2可看出, 7— 9月平均最高气温呈显著增加趋势, 杭州、金华两地的气候倾向率平均值分别为0.563、0.395 ℃· 10 a-1, 水稻遭遇高温热害的程度将加重。两个站点的年均降水量、年均日照时数变化趋势与全省一致。从年均降水量来看(图2), 杭州略有减少趋势, 金华则呈增加趋势, 但均不显著。图2还给出了2个站点1971— 2010年日照时数的演变趋势, 可以看出, 杭州与金华的年均日照时数均呈显著的减少趋势, 气候倾向率分别为-50.67、-72.67 h· 10 a-1。

图2 1970— 2010年杭州、金华气候资源变化特征Fig.2 Characteristics of climate element change during 1971— 2010 in Hangzhou and Jinhua

2.1.2 CMIP5预估未来气候分析

表2给出CMIP5中11个GCMs在RCP2.6, RCP4.5和RCP8.5排放情景下代表性站点以及浙江省2050s与2070s两个时段的平均气温和降水量变化的集合平均。预估结果表明, 3种排放情景下, 未来平均气温均会升高, 杭州站2050s时段平均气温分别增加1.54、1.89、2.40 ℃, 2070s时段分别升温1.65、2.31、3.56 ℃; 金华站2050s时段分别升温1.66、2.01、2.51 ℃, 2070s时段分别升温1.75、2.39、3.67 ℃, 杭州和金华2个站点的增温幅度均大于全省平均水平, 且以高排放情景下比低排放情景下增温明显。降水预估结果显示, 杭州21世纪中远期(2041— 2080)降水可能减少3.47%~5.87%, 金华则略有增加, 3种排放情景间降水无明显变化趋势。

表2 CMIP5预估未来平均气温和降水量的集合平均 Table 2 Annual mean temperature and precipitation predicted based on CMIP5 output

持续高温可能会对作物生长和发育造成不可逆转的影响, 引发高温热害。根据前人研究结果, 本研究采用日最高气温连续3 d≥ 35 ℃作为水稻高温热害的指标, 统计分析了杭州、金华2个站点高温热害发生的天数与强度(图3)。从图3可看出, 杭州、金华未来发生高温热害的天数波动范围变大, 总天数显著上升, 高排放情景下更甚于低排放情景; 在高温热害强度上, 未来也呈增加趋势, 且异常极值增多, 表明未来连续极端高温天气将趋于常态化, 势必影响未来水稻产量的年际稳定性。

图3 CMIP5预估未来气候下高温热害变化情况Fig.3 Predicted rice heat damage in Hangzhou and Jinhua based on CMIP5 output data

2.2 ORYZA2000模型的站点验证

在将作物模型用于评估气候变化对作物生长的影响之前, 需要对模型的本地适用性进行检验。本研究利用水稻生长观测数据进行参数校正, 以杭州2013年独立观测数据进行模型模拟效果验证。图4是主要发育期模型模拟值与实测值1∶ 1比较图, 直观展示了模拟值与观测值之间良好的吻合度, 两者线性回归的决定系数R2达0.95以上, 均方差根RMSE=3.59。

图4 主要生育期模拟值与实测值1∶ 1比较图Fig.4 Comparison between simulated and observed development stages for single rice in Hangzhou

图5是水稻叶片生物量、茎生物量、穗生物量的动态模拟效果对比图, 从图中可看出, 所选模型可以较好地模拟水稻各器官生物量的生长动态。经统计分析, 地上部生物量模拟值与实测值差异范围在-234~249 kg· hm-2, 模拟值与实测值无显著性差异。总体结果表明, ORYZA2000模型对浙江省水稻有较好的模拟能力, 可以应用于该区域作为评估气候变化对作物生长影响的工具。

图5 水稻不同部位生物量实测值与模拟值比较Fig.5 Comparison between simulated and observed biomass of different organs for single rice in Hangzhou

2.3 气候变化对水稻生育期影响的模拟分析

图6是不同RCP情景下2050s和2070s时段代表站点水稻生育期模拟结果相对基准气候生育期变化的箱形图。相比基准气候, 杭州和金华站点未来早稻、晚稻、单季稻生育期主要呈缩短趋势, 杭州站未来早稻、晚稻、单季稻生育期分别缩短1.98~4.87、4.60~7.13、2.95~5.72 d, 金华站未来早稻、晚稻、单季稻生育期分别缩短1.11~3.34、-0.24~3.50、-2.86~2.64 d。从图6可看出, 随着时间推移, 升温幅度加大, 两个代表站点早稻生育期缩短幅度均增大, 且以高排放情景下缩短幅度大于低排放情景。晚稻、单季稻生育期响应规律与早稻不同, 2070s高排放情景下生育期缩短天数比2050s情景下更少, 金华站点2070时段RCP8.5高排放情景下甚至出现生育期延长现象。这主要是因为, 虽然高温对水稻发育有抑制作用, 但当温度超过模型设定的水稻发育适宜的上限温度, 水稻发育速率线性下降。浙江省单季稻生长季正好是全年温度最高的季节(6— 10月), 特别是金华站点6— 10月日最高温度较高, 在2070s高排放情景下较大的增温幅度(3.67 ℃), 导致极端高温(≥ 35 ℃)出现天数增多, 进而导致生育期延长。总体上看, 气候变暖会加速水稻的生育进程, 缩短水稻的生育期。

图6 不同RCP情景下2050s和2070s时段代表站点水稻生育期相对基准期的变化箱形图Fig.6 Changes of rice growth duration in 2050s and 2070s under RCP2.6, RCP4.5, RCP8.5 scenarios compared with baseline

2.4 气候变化对水稻单产影响的集合模拟

本研究在对未来气候变化情景水稻单产进行模拟分析时, 暂不考虑CO2浓度增加对水稻产量的直接肥效作用。气候变化对产量的影响以产量相对变化率来表示, 即产量相对变化率=(情景下单产模拟值-基准单产模拟值)/基准单产模拟值× 100%。集合模拟结果表明, 在RCP2.6、RCP4.5、RCP8.5这3种排放情景下, 杭州和金华站点早稻、晚稻及单季稻的单产相对于基准期普遍减产(图7), 高强度排放情景下的水稻单产减产率比低强度排放情景大, 杭州站3种排放情景下2050s时段早稻分别减产21.11%、22.23%、24.82%, 晚稻分别减产27.42%、29.22%、31.76%, 单季稻分别减产22.60%、23.87%、25.86%。晚稻受气候变化影响更大, 晚稻模拟结果的平均减产率大于早稻和单季稻, 杭州站和金华站的最大减产幅度分别达36.17%和33.86%。随着时间推移, 气温增幅加大, 水稻减产幅度呈增大趋势, 2070s时段平均减产率大于2050s时段。总体上, 未来气温升高, 浙江早稻、晚稻以及单季稻减产明显, 其可能原因是, 温度升高, 特别是水稻生长期间夜间最低温度的增加, 加剧了水稻呼吸作用的消耗。另外, 单季稻和中晚稻生长期经历了平均温度最高的7— 8月份, 在未来增温幅度下, 极易遭遇极端高温热害, 其减产幅度明显大于早稻。

图7 不同RCP情景下2050s与2070s时段杭州(上)与金华(下)水稻单产变化箱形图Fig.7 Changes of rice yield in 2050s and 2070s under RCP2.6, RCP4.5, RCP8.5 scenarios compared with baseline without CO2 fertilization effect in Hangzhou (up) and Jinhua (down)

3 讨论

未来气候变化是影响水稻生产的主要不确定性因素之一。近年来, 已有许多国内外学者利用机理作物模型耦合气候模式来研究未来气候变化对作物生产的影响。集合模拟方法能够定量地描述气候变化对农作物产量影响评估的不确定性, 可提供对未来农作物生产影响的可能区间范围, 因而得到广泛应用。

本研究运用水稻机理模型耦合气候模式的集合模拟方法, 选取11个CMIP5全球气候模式和3种IPCC排放情景, 模拟2050s、2070s时段浙江水稻生育期与产量变化的范围。采用天气发生器法, 基于基准气候数据和CMIP5不同RCP排放情景下未来逐月预估气象, 由基准气象对LARS-WG天气发生器进行参数标定, 每组情景随机模拟100次, 形成未来气候预估的逐日数据集合(2站点× 11气候模式× 3个RCP情景× 2个时段× 100次)。极端天气事件, 尤其是极端高温对农作物有较严重的影响, LARS-WG天气发生器在前人研究中被证明能较好地模拟极端天气, 因此, 以此方法建立未来逐日气象集合来评估气候变化对水稻产量的影响更具实际意义。

本研究结果与针对长江中下游稻区单双季稻生产影响的同类研究结论相似[17, 18, 19], 未来温度升高将加快水稻的生育期进程, 缩短水稻生长期, 造成水稻减产。但是, 不同地区气候环境因素不同, 气候变化对水稻生育期和产量影响的区域差异也较大。本研究中, 晚稻、单季稻的生育期在2070s高排放情景下生育期缩短天数比2050s情景下更少, 金华站点2070s时段RCP8.5高排放情景下生育期甚至出现延长, 可能原因是高温对水稻发育产生抑制作用。水稻模型中对发育速率的计算设定了适宜温度范围, 超过上限温度阈值, 水稻发育速率减少, 在江敏等[22]研究中也有类似设定。在不考虑CO2浓度增加对水稻产量直接肥效作用的情况下, 杭州与金华水稻单产相对于基准期普遍减产, 可能原因是, 温度升高后水稻遭遇高温热害严重, 高温影响受精过程而形成空壳, 整个灌浆期缩短, 谷粒灌浆不充分, 使水稻结实率和千粒重降低, 从而导致产量下降[23, 24]。此外, 升温也会加剧水稻呼吸作用消耗, 导致光合产物累积减少。Peng等[25]研究认为, 夜间最低温度每增高1 ℃, 水稻产量将下降10%。此外, 增温也造成水稻生育期缩短; 同时, 未来气候下日照时数减少, 致使光合作用时间和光合产物减少, 灌浆不充分。

CMIP5预估气候情景下降水增减变化不大, 而增温将给浙江省带来更为丰富的热量资源, 热量资源提高有利于提高复种指数。结合当前作物种植制度, 在水分资源充足条件下, 加大农业投入, 进行“ 单改双” 水稻种植, 改变作物种植制度, 提高复种指数, 将是提高粮食产量的有效途径。另外, 气候变化使各个地区的光、热、水等农业气候资源重新分配与组合, 在未来气候变暖的趋势下, 调整播期, 主动地适应水稻生育期内的光温水资源的新配置, 引进或改良培育耐热新品种, 也不失为适应气候变化的有效措施。

此外, 还特别值得指出的是, 气候变化复杂多变, 未来气候变化的模拟评估研究中存在诸多不确定性, 如气候模式与模型耦合连接过程的尺度连接问题, 以及作物模型技术本身等尚存不足, 均会影响模拟预估的效果。本研究的集合模拟中没有考虑水稻种植措施自适应调整与病虫害的影响, 灌溉选择了自动灌溉方式, 忽略了未来降水变化对水稻产量的影响。总而言之, 气候变化对农业生产的影响是一项复杂而系统的研究课题, 任重道远, 亟待相关科研工作者深入研究。

4 结论

(1)1971— 2010年浙江省年均气温、年均最高气温呈显著上升趋势, 气候变化率全省平均值分别为0.41, 0.46 ℃· 10 a-1, ≥ 10 ℃积温和≥ 10 ℃生长季天数增加, 稳定≥ 20 ℃终日推迟, 热量资源增加。年均日照时数呈强烈的下降趋势, 年均降水量无显著变化。在RCP2.6、RCP4.5、RCP8.5这3种排放情景下, CMIP5多气候模式预估未来2050s、2070s时段浙江省气温明显升高, 杭州和金华站点升温幅度高于全省平均水平, 预估2070s时段杭州、金华平均升温分别为1.65~3.56、1.75~3.67 ℃, 且高排放情景比低排放情景增温更多。

(2)在仅考虑未来气候变化的条件下, 不考虑其他性适应措施, CMIP5多气候模式耦合ORYZA2000模型的集合模拟结果表明, 随着未来温度升高, 代表站点水稻生育期主要呈缩短趋势。不考虑CO2浓度增加对水稻产量的肥效作用, 无论早稻、晚稻、单季稻, 其单产相对于基准期表现为普遍减产, 且在高排放情景下, 水稻减产率比低排放情景更大。随着时间推移, 气温增幅加大, 水稻减产幅度呈增大趋势, 2070s时段平均减产率大于2050s时段。

The authors have declared that no competing interests exist.

参考文献
[1] KANG Y, KHAN S, MA X. Climate change impacts on crop yield, crop water productivity and food security-A review[J]. Progress in Natural Science, 2009, 19(12): 1665-1674. [本文引用:1]
[2] WANG J X, HUANG J K, YANG J. Overview of impacts of climate change and adaptation in China's agriculture[J]. Journal of Integrative Agriculture, 2014, 13(1): 1-17. [本文引用:1]
[3] WHITE J W, HOOGENBOOM G, KIMBALL B A, et al. Methodologies for simulating impacts of climate change on crop production[J]. Field Crops Research, 2012, 124(3): 357-368. [本文引用:1]
[4] 秦鹏程, 姚凤梅, 曹秀霞, 等. 利用作物模型研究气候变化对农业影响的发展过程[J]. 中国农业气象, 2011, 32(2): 240-245.
QIN P C, YAO F M, CAO X X, et al. Development process of modeling impacts of climate change on agricultural productivity based on crop models[J]. Chinese Journal of Agrometeorology, 2011, 32(2): 240-245. (in Chinese with English abstract) [本文引用:1]
[5] JU H, LIN E D, WHEELER T, et al. Climate change modelling and its roles to Chinese crops yield[J]. Journal of Integrative Agriculture, 2013, 12(5): 892-902. [本文引用:1]
[6] WALKER W E, HARREMOËS P, ROTMANS J, et al. Defining uncertainty: A conceptual basis for uncertainty management in model-based decision support[J]. Integrated Assessment, 2003, 4(1): 5017. [本文引用:1]
[7] 姚凤梅, 秦鹏程, 张佳华, 等. 基于模型模拟气候变化对农业影响评估的不确定性及处理方法[J]. 科学通报, 2011, 56(8): 547-555.
YAO F M, QIN P C, ZHANG J H, et al. Uncertainties in assessing the effect of climate change on agriculture using model simulation and uncertainty processing methods[J]. Chinese Science Bulletin, 2011, 56(8): 547-555. (in Chinese) [本文引用:1]
[8] 孙颖, 秦大河, 刘洪滨. IPCC第五次评估报告不确定性处理方法的介绍[J]. 气候变化研究进展, 2012, 8(2): 150-153.
SUN Y, QIN D H, LIU H B. Introduction to treatment of uncertainties for IPCC fifth assessment report[J]. Advances in Climate Change Research, 2012, 8(2): 150-153. (in Chinese) [本文引用:1]
[9] HAWKINS E, SUTTON R. The potential to narrow uncertainty in regional climate predictions[J]. Bulletin of the American Meteorological Society, 2009, 90(8): 1095-1107. [本文引用:1]
[10] MURPHY J M, SEXTON D M H, BARNETT D N, et al. Quantification of modelling uncertainties in a large ensemble of climate change simulations. [J]. Nature, 2004, 430(7001): 768-772. [本文引用:2]
[11] CHALLINOR A, WHEELER T, SLINGO J, et al. Quantification of physical and biological uncertainty in the simulation of the yield of a tropical crop using present-day and doubled CO2 climates[J]. Philosophical Transactions of the Royal Society of London, 2005, 360(1463): 2085-2094. [本文引用:2]
[12] CHALLINOR A J, WHEELER T, HEMMING D, et al. Ensemble yield simulations: Crop and climate uncertainties, sensitivity to temperature and genotypic adaptation to climate change[J]. Climate Research, 2009, 38(2): 117-127. [本文引用:2]
[13] SEMENOV M A, STRATONOVITCH P. Use of multi-model ensembles from global climate models for assessment of climate change impacts[J]. Climate Research, 2010, 41(1): 1-14. [本文引用:1]
[14] TAO F, ZHAO Z, LIU J, et al. Modelling the impacts of weather and climate variability on crop productivity over a large area: A new super-ensemble-based probabilistic projection[J]. Agricultural & Forest Meteorology, 2009, 149(8): 1266-1278. [本文引用:1]
[15] TAO F, ZHAO Z. Climate change, wheat productivity and water use in the North China Plain: A new super-ensemble-based probabilistic projection[J]. Agricultural & Forest Meteorology, 2013, 170(2): 146-165. [本文引用:1]
[16] LIU Y, TAO F. Probabilistic change of wheat productivity and water use in China for global mean temperature changes of 1°, 2°, and 3 ℃[J]. Journal of Applied Meteorology & Climatology, 2013, 52(1): 114-129. [本文引用:1]
[17] XIONG W, HOLMAN I, LIN E, et al. Climate change, water availability and future cereal production in China[J]. Agriculture Ecosystems & Environment, 2010, 135(1/2): 58-69. [本文引用:2]
[18] 姚凤梅, 张佳华, 孙白妮, 等. 气候变化对中国南方稻区水稻产量影响的模拟和分析[J]. 气候与环境研究, 2007, 12(5): 659-666.
YAO F M, ZHANG J H, SUN B N, et al. Simulation and analysis of effects of climate change on rice yields in southern China[J]. Climatic and Environmental Research, 2007, 12(5): 659-666. (in Chinese with English abstract) [本文引用:2]
[19] SHEN S H, YANG S B, ZHAO Y X, et al. Simulating the rice yield change in the middle and lower reaches of the Yangtze River under SRES B2 scenario[J]. Acta Ecologica Sinica, 2011, 31(1): 40-48. [本文引用:2]
[20] BOUMAN B A M, KROPFF M J, TUONG T P, et al. ORYZA2000: Modelling lowland rice[D]. Los Banos, Philippines: International Rice Research Institute, 2011. [本文引用:1]
[21] SEMENOV M A, BROOKS R J, BARROW E M, et al. Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates[J]. Climate Research, 1998, 10(2): 95-107. [本文引用:1]
[22] 江敏, 金之庆, 石春林, 等. 气候变化对福建省水稻生产的阶段性影响[J]. 中国农学通报, 2009, 25(10): 220-227.
JIANG M, JIN Z Q, SHI C L, et al. Gradual impacts of climate change on rice production in Fujian Province[J]. Chinese Agricultural Science Bulletin, 2009, 25(10): 220-227. (in Chinese with English abstract) [本文引用:1]
[23] KRISHNAN P, RAMAKRISHNAN B, REDDY K R, et al. High-temperature effects on rice growth, yield, and grain quality[J]. Advances in Agronomy, 2011, 111: 87-206. [本文引用:1]
[24] 谢晓金, 李秉柏, 李映雪, 等. 抽穗期高温胁迫对水稻产量构成要素和品质的影响[J]. 中国农业气象, 2010, 31(3): 411-415.
XIE X J, LI B B, LI Y X, et al. Effects of high temperature stress on yield components and grain quality during heading stage[J]. Chinese Journal of Agrometeorology, 2010, 31(3): 411-415. (in Chinese with English abstract) [本文引用:1]
[25] PENG S B, HUANG J, SHEEHY J E, et al. Rice yields decline with higher night temperature from global warming. [J]. Proceedings of the National Academy of Sciences of the United States of America, 2004, 101(27): 9971-9975. [本文引用:1]