1981-2008年中国水稻产量发展与产量差距缩小

关键词：作物模型，产量差距，产量趋势，气候变化，粮食安全

摘要：人口的增加、土地资源的有限和环境保护的要求，突出了在有限的耕地上提高作物产量的紧迫性。为了确定农业生产可持续集约化下可能的粮食供应，有必要准确估计产量潜力和产量差距。在这里，我们使用了一个经过充分验证的、基于过程的大规模作物模型，该模型用于捕捉大面积水稻的作物与天气关系，并使用集成模型模拟方法来估计中国水稻种植区的产量潜力。我们进一步评估了过去30年水稻实际产量、产量潜力和产量差距的时空格局。发现95%以上的县水稻产量呈上升趋势。然而，48.3%的县已经出现了单产停滞。在过去的30年中，由于气温的升高，东北地区的产量潜力每年增加20-40公斤/公顷，而气温的升高和太阳辐射的减少使其他地区的产量潜力每年减少10-30公斤/公顷。由于实际产量和产量潜力的变化，93.4%的县的产量差距平均每年减少0.5-2%，导致增产的空间变小。此外，65.9%的县已接近其产量上限（gt;70%的产量潜力）。研究表明，推广先进的管理技术以缩小产量差距，培育适应气候变化的品种以扩大产量潜力，对农业生产的可持续发展和粮食安全具有同等重要的意义。

1 引言

面对预计人口的迅速增长，粮食安全是一个重要的研究和政策问题（Bruinsma 2009; van Wart et al. 2013）。在20世纪50年代前，预计人口增长将稳定在90亿左右（Godfray et al. 2010)），这将需要大约100%的粮食供应增长（Tilman et al. 2011）。因此，提高作物产量是近几十年来人类面临的最大挑战之一（Licker et al. 2010）。可能需要约1.32亿公顷的额外土地来满足日益增长的粮食需求（Alexandratos and Bruinsma 2012）。然而，由于农业活动严重影响环境质量，已被确定为全球变暖的关键驱动力，则在尽量减少农业用地扩张的情况下提高作物产量是最佳途径（Cassman et al.2003; Searchinger et al. 2008; Montzka et al. 2011; Pittelkow et al. 2014）。因此，必须提高现有耕地的作物生产力（Ramankutty et al. 2002;van Wart et al. 2013）。水稻是世界范围内的一种重要作物，据估计，在未来十年内，为了满足世界需求，每年需要增加800万至1000万吨的产量，这将要求在不扩大耕地面积的情况下，年产量增加1.2%至1.5%（Seck et al. 2012）。在中国，即使人均消费量保持在目前水平，2030年前还需要增加20%的产量才能养活人口（Peng et al.2009）。然而，更高的消费水平和对加工食品的更大需求是不可避免的，并将增加食品供应的压力（Godfray et al. 2010）。此外，有限的土地资源和未来预期农田的减少强调了中国提高作物生产力的必要性（Lu and Fan2013; Zhang et al. 2014）。

尽管提高生产率的需求已被广泛接受，但由于近年来全球产量停滞不前，实现这一目标可能很困难（Brisson et al. 2010;Cassman et al. 2010; Ray et al. 2012）。鉴于中国的作物产量也面临停滞（Grassini et al. 2013;Iizumi et al. 2014; Li et al. 2014; Zhang et al. 2014; Wei et al.2015)，需要对产量潜力（Yp）和产量差距（Ygp）进行评估。Yp表示没有水和养分限制的产量，被认为是改善田间管理的可能产量。同时，Ygp显示实际产量(Ya)和Yp之间的差距，用于指示产量提高的潜力。这两个指标有助于确定在可持续农业集约化下作物产量增加的程度(Jiang et al. 2013; van Ittersum et al. 2013).

大米作为我国65%以上人口的主食，是我国最重要的粮食(Zhang et al. 2005)。此外，中国对世界水稻生产的巨大贡献(过去20年中提高大约30%)（FAOSTAT 2015）使其成为国内和国际粮食供应的重要贡献者，从而使人们更加关注其产量模式和产量潜力(Xiong et al.2009; Licker et al. 2010; Ray et al. 2012; van Wart et al.2013; Zhang et al. 2014)。Licker等人（2010）发现中国气候潜力产量为6-10t/ha，从北向南呈下降趋势，在他们的研究中广泛观察到Ygp小于25%。Van Wart等人（2013）表示中国平均Yp 为7.8t/ha，平均Ygp为 18%。如此小的Ygp并不是产量发展的积极指标，因为田间产量上限已被确定为Yp的80%，同时也是产量停滞的指标(Cassman et al. 2003; Lobell et al. 2009)。最近，Zhang 等人（2014）报道了一个不同的发现，其中包括在许多地区（除中国东南部）经常观察到Ygp超过35%。

这种不一致的结果可以归因于这些研究中使用了不同的目标，空间尺度和方法。虽然三种方法（田间试验、统计分析和作物模型模拟）已广泛用于计算Yp和Ygp，但作物模型模拟被认为更真实，提供更准确的Yp（Lobell et al. 2009; van Ittersum et al. 2013）。然而，数据的缺乏和粗略的研究规模极大地限制了将特定领域的结果投射到其他领域的能力（Tao et al. 2015）。由于气候条件、土壤和种植方式的异质性，将特定地点的估计值插值到区域尺度会带来很大的不确定性（Jagtap and Jones 2002;de Wit et al. 2005）。而且，在国家尺度的结果不能代表更小尺度的空间格局。综上所述，合理的研究规模和合适的方法对Yp和Ygp模式的准确和系统分析至关重要。

因此，在本研究中，我们使用了一个经过充分验证的、基于过程的作物生长模型，即基于过程的通用模型来捕捉大面积水稻的作物-天气关系（Tao and Zhang 2013），以估算中国所有典型水稻种植区的Yps。通过进行集成模拟来解释模型生物物理过程中的不确定性，更好地反映作物品种的异质性（Tao et al. 2015）。此外，与以往在站点尺度上估算Yp的研究不同，我们对中国主要水稻种植区的每个网格（0.5°times; 0.5°)进行了研究。该研究尺度有望更好地代表气候、土壤和环境的异质条件（Tao et al. 2015）。本研究旨在改进对大面积Yp和Ygp估计，并呈现这些变量的显式时空模式。这些结果将有助于确定地方和区域农业政策，特别是涉及粮食安全和农业可持续发展战略的政策。

2.数据与方法

2.1研究区域和数据来源

水稻作为一种重要的农作物，在我国东北、中部和南部都有广泛种植。在本研究中，我们重点研究了这些主要产区的Ya、Yp和Ygp值。根据水稻播种比的网格（0.5°times;0.5°）数据集，我们划定了比值大于1%的区域作为我们的研究区。最后，研究区覆盖了16个省（图1）。在过去的几十年里，中国大约95%的大米产自该区域。

图 1 中国水稻栽培比例及四个子区域划分（省名：1黑龙江2吉林3辽宁4江苏5安徽6湖北7浙江8江西9湖南10福建11广东12广西13重庆14四川15贵州16云南）

1981年至2008年按县划分的产量记录来自研究区县和省的农业年鉴，如陶和张(2013)。我们首先计算了各县域产量时间序列的平均值和标准差。并计算每个县产量时间序列的均值和标准差。其次，当记录被定义为异常值时，如果它们超出生物物理可达到的产量范围或平均值plusmn;标准偏差的两倍范围，则将其删除( Zhang et al.2014)。第三，选择记录过去30年中覆盖超过20年且同时覆盖2000年以后超过5年的县作为研究对象。设定20年的阈值以保持趋势分析有意义的样本量，同时设置5年的阈值来确保水稻近年来在选区内有持续生产。最后，利用研究区1268个县水稻产量的时间序列，并将这些产量定义为Ya值。

收集整个研究区域的气候数据、物候数据、土壤质地和水文特性数据作为MCWLA-Rice模型的输入。气候数据包括研究期间的每日最高和最低温度、蒸气压力、太阳辐射(SR)、湿度和降水。从1981年到2008年,这些变量的每日网格(0.5°times;0.5°）数据集由Yuan等人(2014) 基于600个气候站的记录和薄板样条方法制作。物候数据来自中国气象数据共享服务系统，然后使用最近邻算法插值到0.5°times;0.5°的网格中。土壤参数，包括土壤质地相关的田间渗透速率和有效体积持水量，如Tao and Zhang (2013)所描述一样是从粮农组织土壤数据集(Zouml;bler 1986)获得。

为分析社会经济因素对水稻产量的影响，收集了国家统计局有关农业发展的统计资料。选择的因素是农民人数（10⁴人），肥料使用（10⁴吨)，农药使用(10³吨），灌溉面积(10⁴公顷)，和B农业总功率机械(10⁴kW)。所有这些数据记录了省级范围内农业生产总投入的设置。由于没有关于水稻的记录，而水稻是研究省份的主要作物，我们将这些数据用作一个省份农业发展的指标，并假设这种发展可以推动水稻产量的变化。在本研究中，我们使用了1991年至2008年的数据来确保数据完整性。

2.2基于过程的作物生长模型及其参数化

在本研究中,我们使用了基于过程的作物模型MCWLA-Rice (Tao and Zhang 2013)来模拟Yp。该模型旨在以每天的时间为单位模拟作物的生长发育，并在大尺度上评估天气和气候因素对作物生产的影响。该模型在以往的研究中被广泛用于模拟水稻的生长和生产力(Tao and Zhang 2013; Li et al. 2015; Wang et al. 2016; Confalonieri et al.2016)。在该模型中，模拟水稻物候发育、叶片发育以及高低温胁迫的影响遵循水稻-气候关系的模拟模型(Horie et al. 1995)。土壤水文模拟采用Haxeltine和Prentice（1996）的半经验方法。当前模型采用了隆德-波茨坦-杰纳全球植被动态模型中基于过程的耦合CO2和H2O交换的稳健表示(Haxeltine and Prentice 1996; Sitch et al.2003; Bondeau et al. 2007)。最后，利用收获指数将光合产物积累的生物量转化为产量。在以往的研究中，对同一研究尺度下的方程和相应的参数进行了详细的描述(Tao et al. 2009; Tao and Zhang 2013)。

在这里，模型是基于相同尺度的气候、物候和土壤数据为0.5°times;0.5°网格构建的。wang等人 (2016)对模型进行校准和验证，并为每个省选择了30组最优参数。在大多数省份观察到1981年至2008年模拟产量与实测产量之间存在显著相关性，均方根误差小于10%(Wang et a1.2016)。使用选定的30组最佳参数，我们对潜在产量进行了模型集成模拟。具有30组参数的集合模拟旨在改善物理和生物过程的不确定性以及作物品种和管理实践的多样性（Tao et al. 2015)。

2.3 Ya、 Yp和 Ygp趋势分析 剩余内容已隐藏，支付完成后下载完整资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[596028]，资料为PDF文档或Word文档，PDF文档可免费转换为Word