基于CAMM和CLDAS的黃淮海冬小麥成熟期連陰雨時空特征

鄔定榮, 高 靜, 姬興杰, 張溪荷, 王培娟,楊建瑩, 馬玉平, 霍治國

(1.中國氣象科學研究院,北京 100081; 2.國家氣象信息中心,北京 100081; 3.中國氣象局·河南省農業氣象保障與應用技術重點開放實驗室,鄭州 450003; 4.河南省氣象科學研究所,鄭州 450003)

引 言

黃淮海地區農耕歷史悠久,是我國主要的冬小麥種植區域,素有中國重要“糧倉”之稱,播種面積和產量占全國小麥的50%以上[1-2],對國家糧食安全具有舉足輕重的作用。該區域地處暖溫帶大陸性季風氣候區,夏季高溫多雨,冬季寒冷干燥,雨熱同期,冬小麥成熟期恰逢春末夏初,易受到連陰雨、強降雨、大風、冰雹等多種災害性天氣的影響。連陰雨易造成麥子在地里發芽、發霉和變黑,而高溫高濕的氣象條件會導致同期土壤濕度增大,使農機無法及時進入田間收割,部分搶收的麥粒也因無法及時晾曬而發生霉變,從而帶來極其嚴重的經濟損失[3-5]。因此,研究連陰雨災害的時空分布特征,對重點區域的災害監測、預測和風險評估具有重要的現實意義。

在研究災害的時空分布規律時,現有研究主要根據災情指標,基于站點資料計算災害特征,隨后插值到區域。如韓文靜等[6]基于蘋果連陰雨指標,研究了北方蘋果連陰雨災害的時空分布特征;李樹軍等[7]基于修訂后的指標研究了山東省干熱風的分布特征;王營等[8]基于構建的春玉米漬害指標研究了災害的時空分布特征。農業氣象災害空間分布的精細化程度既受站點密度的限制,又受插值方法的制約,而直接使用業務化的網格數據融合產品,則可避免復雜的氣象數據插值過程,提高災害研究的精細化水平。近年來,隨著格點數據的不斷完善[9],越來越多的農業氣象災害監測和預警研究開始使用格點數據產品[10]。何亮等[11]探討了格點資料在冬小麥干旱預警中的應用。白磊等[12]利用長時間序列的格點化氣象數據研究了霜凍災害的時空特征。孟翠麗等[13]構建了最低氣溫空間網格數據用于甘蔗寒凍害研究。隨著對資料認識的深入,格點資料也逐漸在農業氣象的業務化運行中得到應用[14]。馬玉平等[15]將中國氣象局陸面數據融合產品(China Meteorological Administration Land Data Assimilation System, CLDAS)作為驅動場,構建了中國農業氣象模型(Chinese AgroMeteorological Model, CAMM),取得了較好的效果。

農作物在不同生育階段對氣象災害的敏感性存在差異,氣象災害對產量的影響程度也因不同生育階段而異。因此,結合作物生育期分析農業氣象災害的發生規律、評估災害的影響程度,是提高農業氣象災害研究精細化程度的關鍵環節。目前,已有不少研究基于平均生育期開展了災害指標的構建和風險評價工作[16-18]。但對生育期特別敏感的災害,如蘋果花期凍害、冬小麥干熱風等,利用平均生育期評估災害影響時可能會產生較大偏差。因此越來越多的研究者開始探討將農業氣象災害開始日期與農作物的真實生育期相結合,進行災情評估,如李森等[19]基于站點實測的成熟期計算了冬小麥干熱風的時空特征。實測發育期受站點分布、觀測時效等限制,而基于機理發育模式進行發育期模擬和重構,則可彌補實測資料的不足。二者有機結合,有利于對災害的精細化評估[20]。

冬小麥連陰雨是對生育期特別敏感的災害之一[21]。目前利用機理發育模式和格點氣象資料,系統研究冬小麥成熟期連陰雨的研究還未見報道。本研究擬利用具有自主知識產權的中國農業氣象模式CAMM的發育模塊,結合中國氣象局業務化運行的CLDAS格點氣象資料,重構2008-2023年冬小麥成熟期,逐網格精細化分析冬小麥連陰雨災害發生的次數和頻率,揭示災害的時空分布特征。本研究不僅為災害監測、預警和防御提供科學依據,也可為基于作物模型的災害影響評估提供借鑒思路。

1 數據與方法

1.1 研究區域

研究區域為黃淮海地區冬小麥主產區,包括北京、天津、河南、山東的全部及河北省除北部的大部分地區。區域地勢平坦,成熟期偶發的連陰雨災害常因排水不暢而造成嚴重的產量損失,降低小麥品質[21-22]。

1.2 數據來源

研究所用數據包括格點氣象數據、冬小麥發育期及種植分布數據。

格點氣象數據來源于國家氣象信息中心研發的CLDAS產品。該產品利用多種來源的地面、衛星等觀測資料,采用多重網格變分同化、最優插值、概率密度函數匹配、物理反演、地形校正等技術研制,在中國區域質量優于國際同類產品,且已在多種農業氣象災害監測和評估中得到廣泛應用,評估效果較好[23-25]。本研究采用CLDAS產品中的日平均氣溫、降水量和輻射等數據,數據空間分辨率為0.0625°,時段為2008年1月1日-2023年7月31日。

研究收集了區域內65個農業氣象觀測/試驗站2008-2023年冬小麥花期和成熟期數據。各站位置如圖 1所示。2008-2015年的數據來源于國家氣象信息中心,之后的數據來源于氣象大數據云平臺“天擎”(http://idata.cma/cmadaas/)和各省市氣象部門。

圖1 研究區域及農業氣象觀測站的位置

冬小麥種植分布數據來源于國家衛星氣象中心制作的2020年黃淮海冬小麥種植區域分布圖,數據的空間分辨率為0.01o。為使氣象數據和冬小麥種植分布數據相匹配,利用ArcGIS中的眾數(Majority)方法將冬小麥種植分布數據重采樣至0.0625°。

1.3 研究方法

1.3.1 冬小麥連陰雨指標

綜合公開發表的文獻資料[22,26],本研究采用的冬小麥連陰雨指標為:連續5 d及以上有降水(日降水量≥0.1 mm)且降水量≥50.0 mm的降水過程,其中允許有1 d無降水(或有微量降水)但日照時間須≤2 h,過程開始和結束日降水量必須≥0.1 mm。

由于CLDAS資料缺少日照時數數據,本文利用?ngstr?m方程計算各格點各日2 h日照時數對應的輻射[27],用來判斷CLDAS輻射數據對應的日照時數是否小于等于2 h。

1.3.2 CAMM發育模式

CAMM是中國氣象科學研究院研發的具有自主知識產權的機理性農業氣象模式。該模式聚焦中國區域農業種植特點,采用插拔式方案,構建了作物發育進程、光合呼吸作用、干物質分配、葉面積擴展等作物生長過程引擎模式,發展了水肥影響、災害影響、區域種植特色、生長評價、參數優化等可插拔模式,實現了對中國區域冬小麥、玉米、甘蔗等作物生長發育過程的實時在線模擬[14,27-29]。

發育進程是作物的生理年齡,是作物生長模型的時間指針。以往模式如WOFOST、CERES、APSIM等多基于積溫理論構建作物發育模式,這些模式假設溫度響應函數在不同年份保持不變,而實際觀測數據表明這種假設難以應用在變化環境[30-32]。CAMM通過引入日序參數描述作物發育進程對環境的適應能力,構建了耦合響應與適應機制的作物發育模式(Response and Adaptive Model, RAM),其中的響應機制是模式假設作物發育速率與溫度線性相關,適應機制是假設響應機制中的線性傾向率與前一個發育期的日序線性相關。公式如下[33]:

R=α+(β+γ×DOY)×T

(1)

式中,α、β和γ是系數;T是日平均氣溫;DOY是前一個發育期日期的日序,本文模擬冬小麥開花-成熟階段,因此DOY是各年開花期的日序;R是發育速率,從開花當日開始計算并累積,累積到1時表示冬小麥已經成熟。

在RAM模式中,由于作物在不同年份發育到某一生育期的DOY不同,(β+γ×DOY)的取值也不同,因此不同年份作物發育速率的溫度敏感性不同(圖2)。從積溫角度看,RAM模式隱含的假設是完成發育階段所需的積溫不是常數,這是RAM模式和其他發育模式最大的不同之處。已有研究表明,RAM模式具有結構簡單、參數化過程容易、模擬效果好等特點,適合區域、大范圍的作物發育期模擬研究[33-34]。

圖2 RAM與WOFOST模式的溫度響應函數示意圖

利用CLDAS的日平均氣溫資料、冬小麥開花和成熟期資料訂正RAM模型參數,得到各站點的參數取值,統計各站點的均方根誤差(RMSE),評估區域模擬效果,隨后利用反距離權重法將參數取值插值到其他網格,得到整個研究區域逐網格的RAM模式參數。

1.3.3 計算過程

按照下述方法統計2008-2023年的連陰雨次數和過程日數。

(1)開花期資料插補和網格化

由于個別農業氣象站點在個別年份的發育期觀測不完整,致使研究區域內不同年份的生育期觀測站數不同。為了得到研究區各格點的冬小麥開花期數據,且避免簡單插值可能導致的偏差,本文假設全區域各站花期距平值較為一致,采用如下方法進行冬小麥開花期插補和網格化處理。

(2)

(3)

(4)

式中,Di,y為區域內第i個站點、第y年的開花期日序,M和N分別為區域內各年的冬小麥開花期的有效站點數和總年份數。

b.基于區域內所有站點每年和多年平均開花期日序的差值,計算得到研究區每年開花期日序距平值DAy:

(5)

利用反距離權重法將區域內所有站點的花期日序插值到研究區域全部網格,得到2008-2023年黃淮海地區逐年冬小麥開花期格點數據集。

(2)冬小麥成熟期模擬

基于CLDAS的日平均氣溫資料、網格化的冬小麥開花期資料和模式參數,逐網格運行RAM模式,得到各網格的冬小麥成熟期日序。利用均方根誤差(RMSE)和擬合優度(R2)來評估RAM模型的模擬效果。

(3)時空特征分析

為不遺漏災害天氣,考慮RAM模式模擬誤差的分布、成熟到收獲的天數,以及農機有時無法及時到位等情況等[5],本文統計成熟期前6天加后9天共16天(以下簡稱成熟期)的降水量、雨日數、連陰雨次數及過程天數,運用數理統計和GIS等方法,疊加冬小麥種植區域數據,分析成熟期連陰雨時空特征。

2 結果和分析

2.1 RAM模式評估

RAM模式對黃淮海地區冬小麥成熟期的模擬結果見圖3。RAM模式在各站模擬得到的最大、最小和平均RMSE分別為4.10、1.60和2.28 d,標準差為0.46 d,R2值為0.915,傾向率為0.913(圖3a)。RAM模擬結果較黃健熙等[35]基于WOFOST模式得到的R2(0.63～0.77)和RMSE(2.99～4.65 d)均更佳,表明RAM模式適用于模擬黃淮海地區冬小麥的成熟期,可以用于重構各格點的歷史成熟期序列。從誤差分布區間來看,絕對誤差均在10 d以內,其中在6 d、4 d、2 d和1 d以內的概率分別是98.8%、95.0%、74.4%和51.9% (圖3b)。

圖3 RAM模式模擬值和實測值的對比(a)及模擬誤差(模擬值-觀測值)的頻率分布(b)

2.2 成熟期降水量和雨日

2.2.1 降水量空間分布特征

黃淮海地區2008-2023年成熟期的平均降水量為8.8～84.6 mm,平均值為31.9 mm,呈南北高中間低的空間分布特征(圖4a)。黃淮海中部的湯陰、濮陽、封丘一帶的最低,降水量不足10 mm,最南端的信陽和固始南部的最高,降水量達80 mm以上。

圖4 2008-2023年冬小麥成熟期平均降水量(a)及其隨年份的變化趨勢(b)空間分布圖

2008-2023年各格點降水量的變化趨勢為-4.9～5.6 mm/a,平均為0.3 mm/a,略呈增加趨勢(圖4b)。從空間分布看,冬小麥成熟期降水量在黃淮海地區大致呈南北兩端減少、西部和中部增加的趨勢,其中河南西部增加得最多,達4.0 mm/a以上,而北部的涿州和南部的南陽一帶減少得較多,在-3.0 mm/a左右。

2.2.2 雨日數空間分布特征

冬小麥成熟期雨日數為1.0～9.1天,平均為5.4天,呈南北兩端高中間低的空間分布格局(圖5a)。太行山東麓、泰安周邊、河南省西部和南部的雨日數偏多,均在6天以上;區域中部的雨日數最低,約在3天左右;山東半島地區的雨日數居中,平均每年為4～5天。2008-2023年整個黃淮海地區冬小麥成熟期的雨日數波動范圍較小,為-0.6～0.5天/a變化,平均為0.1天/a (圖 5b)。河北中北部以減少趨勢為主,其他區域雖然以小幅增加為主,但各格點間波動較大。

圖5 2008-2023年冬小麥成熟期雨日數(a)及其隨年份的變化趨勢(b)空間分布圖

2.3 成熟期連陰雨時空特征

2.3.1 連陰雨災害面積

據農業農村部的公開報道,2023年黃淮海地區冬小麥連陰雨受災面積為186.0×104hm2[36],基于本文方法統計得到的面積為193.8×104hm2,二者較為一致。表明基于機理性作物發育模式和格點氣象數據模擬冬小麥成熟期,進而結合連陰雨指標可以較好地反映實際災情。

2.3.2 連陰雨逐年變化特征

2008-2023年黃淮海地區冬小麥連陰雨災害面積的年際波動較大(圖6)。2012、2020和2021年幾乎無災,而2009、2013、2018和2023年受災面積較大,依次為88.67×104、107.40×104、247.76×104和193.8×104hm2,其他年份的受災面積較小。從4個受災面積較大的年份來看,2009年冬小麥成熟期連陰雨受災面積最小,且連陰雨過程持續時間較短,以5～7天為主;2013年受災面積較2009年的略增,但連陰雨過程持續9天以上的面積增加較多;2018年的受災面積最大,且連陰雨過程以5～9天為主,9天以上連陰雨過程受災面積很小。與其他年份顯著不同的是,2023年不僅5～9天的連陰雨過程影響面積高達134.8×104hm2,而且還有59.0×104hm2的面積發生了持續天數在10天以上的過程,對冬小麥生產造成較大的不利影響。雖然研究時段內連陰雨無明顯的時間變化趨勢,但災情較重的年份大致呈現4～5年的周期性規律,且連陰雨持續時間趨向于越來越長、災害影響面積趨向于越來越大。

圖6 2008-2023年不同連陰雨日數下受災面積逐年變化動態

據河南省農業農村廳報道,歷史上2009年、2013年、2016年和2018年都是連陰雨比較嚴重的年份[37]。2016年雖然受災面積較小,但持續天數較長,約半數以上的面積持續天數在9天以上,可以認為災情也不輕(圖6)。因此,本文研究結果與農業農村廳的報道較為吻合。

2.3.3 連陰雨空間分布特征

從空間分布上看,連陰雨發生次數呈現出空間上零散發生,但局部區域具有集中性的特征(圖7)。北京、天津、河北北部和中南部、山東西部等地發生連陰雨災害的次數極少;山東德州、惠民和河北阜城、河間一帶發生連陰雨災害的空間范圍較大,但頻率不高,為0.625次/10年,即在研究的16年間僅發生一次,而且均發生在2018年。此外,太行山東麓和膠東半島也有零星發生。整個黃淮海地區,河南省的連陰雨災害較為嚴重,多地均有零星分布,發生次數較多的區域主要分布在鞏義、鄭州、杞縣、商丘一線以南,且以河南東南部的西平、信陽、正陽和潢川一帶最頻繁,最多可達1.875次/10年,即約5年一遇(圖8)。

圖7 冬小麥成熟期連陰雨平均次數的空間分布

圖8 冬小麥成熟期每次連陰雨過程平均天數的空間分布

從區域上看,每次連陰雨過程的平均持續天數以7天以下為主。太行山東麓和膠東半島多在6天以下,山東德州、惠民和河北阜城、河間一帶在8天以下;河南東南部持續時間較長,特別是沈丘、信陽、潢川一帶,多在9天以上。結合圖7可見,河南省南部的信陽和駐馬店地區是冬小麥成熟期連陰雨的高發和重發區域,應高度關注連陰雨災害對該區域冬小麥生產的影響。

3 討 論

(1)本文研究結果與部分已有研究基本相符,如連陰雨災害總體上呈北輕南重的趨勢等。有文獻指出,河南南部,如周口、駐馬店等地連陰雨風險等級較高,而南陽、渭河、商丘等地的次之[21]。本研究也表明這一帶是連陰雨發生最頻繁的區域,每次過程的持續天數也較長,二者較為一致。文獻報道2009年偃師有持續7天的連陰雨過程[22],但本研究沒監測到這個過程。結合偃師附近鞏義站冬小麥的發育資料可知,當年實測成熟期為5月29日,模擬成熟期為5月27日,截取的連陰雨統計時段為5月21日至6月5日。偃師在時段內僅在5月22日、5月27-28日有降水,不滿足連陰雨指標。但是在5月9-15日連續7天有降水,且總量達到了連陰雨指標。因此,對成熟時段選擇的不同是造成這種差異的主要原因,表明在以后的研究中可以適當放寬對成熟時段的定義。

(2)現有連陰雨指標雖然能夠較為準確地提取到受災區域,但是冬小麥成熟期是否能夠發生連陰雨災害,一方面取決于誘發連陰雨的氣象條件,另一方面還與冬小麥品種有關。在連陰雨災害多發重發區域種植耐濕、抗穗發芽的品種可有效減輕連陰雨災害的影響[38]。在災害指標方面,可結合生產區域的實際氣象條件,不斷改進和完善冬小麥成熟期連陰雨災害指標,如考慮空氣濕度在小麥霉變過程中的重要影響,探討連陰雨災害過程前期土壤墑情對過程降水量的吸收和存儲能力及致災的影響程度等。此外,現有指標僅能識別連陰雨災害的發生區域和影響范圍,對災情嚴重程度的判識還存在不足,不利于災害防控措施的有效實施。建立基于災害致災過程和機理的綜合指標體系將是今后的研究重點。

(3)基于CLDAS格點氣象數據,計算得到的2023年河南省南陽地區冬小麥連陰雨災害面積很小,但是網絡上公開報道表明,2023年南陽連陰雨災情較重[39]。檢查格點與站點的氣象數據,發現格點降水量數據與站點觀測存在一定偏差。因此,CLDAS數據雖然整體上與站點數據的吻合度較好,但仍需在一些細節上進一步提升數據的融合精度。此外,冬小麥的實際種植區域分辨率普遍高于現有CLDAS資料,在以后的研究中,考慮進一步提高氣象數據的分辨率,以更好地與實際種植區域匹配,實現更精細化的災害評估和監測。

4 結 論

本文以黃淮海地區為研究區域,利用CLDAS格點數據和農業氣象觀測站冬小麥歷史發育期數據,訂正機理性中國農業氣象模式CAMM的發育模塊參數,重構格點化的冬小麥成熟期日序,進而分析成熟期連陰雨時空分布特征。主要結論如下:(1)機理性發育模式可以較好地模擬冬小麥成熟期(RMSE為2.28±0.46 d),得到的連陰雨面積與實際災情較為吻合。(2)連陰雨災害年際波動大,嚴重的災情大致4～5年一遇,且災情有逐漸加重的趨勢。(3)黃淮海地區冬小麥成熟期連陰雨災害主要集中在河南省南部的信陽、駐馬店地區,不僅發生頻率高(約5年一遇),且每次過程持續天數也較多(9天以上)。

致 謝

黃淮海冬小麥種植區域圖由國家衛星氣象中心張明偉副研究員提供,在此表示感謝!