基于DSSAT CERES-Wheat模型的未來40年冬小麥最適播期分析

胡亞南 梁駒 梁社芳 李世娟 諸葉平 鄂越

摘要：在適播期內(nèi)播種是促進(jìn)小麥高產(chǎn)穩(wěn)產(chǎn)的關(guān)鍵管理技術(shù)。為應(yīng)對(duì)未來氣候變化帶來的不利影響，提高小麥高產(chǎn)優(yōu)質(zhì)主產(chǎn)區(qū)的冬小麥產(chǎn)量，本研究選取黃淮海和江淮地區(qū)作為研究區(qū)，并在研究區(qū)內(nèi)選擇3個(gè)代表站點(diǎn)，利用DSSAT CERES-Wheat模型在基準(zhǔn)時(shí)段和未來40年分別開展了4種典型濃度路徑的溫室氣體排放氣候情景（RCPs）、51個(gè)播期處理的模型模擬試驗(yàn)，以明確未來冬小麥生育期內(nèi)氣候要素和最適播期變化特征，定量分析采用最適播期管理措施對(duì)冬小麥的增產(chǎn)效應(yīng)。分析試驗(yàn)結(jié)果表明：未來冬小麥生育期內(nèi)氣候特征呈現(xiàn)暖干化的趨勢(shì);冬小麥生育期天數(shù)隨溫度升高而縮短，縮短天數(shù)在研究區(qū)地理空間上自北向南遞增;最適播期隨溫度升高而推遲，在各時(shí)段、各情景下均隨緯度減小而推遲;相對(duì)于基準(zhǔn)時(shí)段，3個(gè)站點(diǎn)2030s時(shí)段的最適播期推遲最大天數(shù)分別自北向南遞增5d、8d和13d，2050s時(shí)段最適播期較2030s時(shí)段有不同程度的推遲，且各站點(diǎn)以2050s時(shí)段RCP8.5情景下的推遲天數(shù)最多;采取最適播期播種的管理措施，在3個(gè)站點(diǎn)均有不同程度的增產(chǎn)效應(yīng)，黃淮海北片的增產(chǎn)效應(yīng)最小，黃淮海南片和江淮地區(qū)增產(chǎn)幅度相對(duì)較高，集中在2%～4%之間。因此，未來黃淮海和江淮地區(qū)可采取推遲播期、選擇適播期的管理措施來應(yīng)對(duì)氣候變暖情況，提高冬小麥產(chǎn)量。

關(guān)鍵詞：冬小麥;最適播期;氣候變化;RCPs;作物模型;黃淮海;江淮

中圖分類號(hào)：P467;S162.5文獻(xiàn)標(biāo)志碼：A文章編號(hào)：202104-SA005

引用格式：胡亞南，梁駒，梁社芳，李世娟，諸葉平，鄂越.基于DSSAT CERES-Wheat模型的未來40年冬小麥最適播期分析[J].智慧農(nóng)業(yè)（中英文），2021， 3（2）： 68-76.

HU Yanan， LIANG Ju， LIANG Shefang， LI Shijuan， ZHU Yeping， E Yue. Optimum sowing date of winter wheat in next 40 years based on DSSAT-CERES-Wheat model[J]. Smart Agriculture， 2021， 3（2）： 68-76. （in Chinese with English abstract）

1引言

小麥?zhǔn)鞘澜缟蠌V泛種植的糧食作物之一。在中國，小麥不僅是主要口糧作物之一，還是重要的商品糧和戰(zhàn)略儲(chǔ)備糧，在國家糧食安全中地位突出[1，2]。隨著小麥生產(chǎn)區(qū)域格局的演變，黃淮海和江淮冬麥區(qū)作為中國小麥主產(chǎn)區(qū)和優(yōu)勢(shì)區(qū)，其重要性更加突出[2-4]，亦逐漸成為中國優(yōu)質(zhì)小麥產(chǎn)區(qū)[5]。統(tǒng)計(jì)資料顯示，2014年，黃淮海和江淮冬麥區(qū)冬小麥總產(chǎn)量和種植面積分別占全國的88%和83%[6]，在中國小麥生產(chǎn)中有著重要地位。隨著工業(yè)革命的發(fā)展，1986—2005年全球地表平均氣溫較百年前上升0.61℃[7]。氣候變化和氣象災(zāi)害放緩了農(nóng)業(yè)生產(chǎn)力提升速率[8，9]，使糧食作物生產(chǎn)面臨著應(yīng)對(duì)人口增長和保障糧食安全的雙重難題[10]，促使氣候變化對(duì)作物的影響研究成為焦點(diǎn)，而氣候變化對(duì)小麥的影響研究是該研究領(lǐng)域工作最全面的方向之一[11]。

調(diào)整播期是被全球廣泛采用的應(yīng)對(duì)氣候變化的有效措施之一。Olesen等[12]研究認(rèn)為，過去數(shù)十年間歐洲農(nóng)民通過改變種植時(shí)間來主動(dòng)適應(yīng)氣候變化。Ruiz-Ramos等[13]利用作物模型對(duì)西班牙的單個(gè)小麥種植點(diǎn)開展多種適應(yīng)措施的模擬研究，結(jié)果表明采取提前播期的單一適應(yīng)措施就能具有較高的適應(yīng)潛力。在澳大利亞，小麥種植借助提早播種適應(yīng)措施即可實(shí)現(xiàn)產(chǎn)量增加[14]。而在中國，過去60年有利于小麥生長的適應(yīng)措施則為推遲播期[15]。由此可見，適宜的小麥播期調(diào)整方式在世界各地差異明顯。另外，已有研究表明，溫度升高使得小麥生育期縮短和減產(chǎn)[16]。冬小麥適期播種可促進(jìn)小麥全生育期生長發(fā)育和保證其壯苗，并為高產(chǎn)穩(wěn)產(chǎn)奠定基礎(chǔ)[15，17]。冬前溫度升高導(dǎo)致冬小麥冬前旺長，易發(fā)生麥田受寒而影響產(chǎn)量[18]，選擇適宜的播期可以規(guī)避受氣象災(zāi)害影響的風(fēng)險(xiǎn)[14，19]。

前人對(duì)適宜播期的研究方法主要基于大田試驗(yàn)、氣象統(tǒng)計(jì)分析和作物模型模擬。田間試驗(yàn)研究因受試驗(yàn)量大和試驗(yàn)周期長的影響，多基于1—2年試驗(yàn)開展研究[18，20]。根據(jù)小麥與氣象要素之間的關(guān)系，有研究者針對(duì)歷史時(shí)期長時(shí)間序列的氣象觀測數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，推算適宜播期[15，21]。作物模型是氣候變化影響評(píng)估研究的重要工具[22]，通過模型模擬過去30年作物生長發(fā)育、篩選適宜的適應(yīng)措施[13，23，24]。作物模型因可有效規(guī)避田間試驗(yàn)和統(tǒng)計(jì)分析等方法的不足，應(yīng)用于分析不同播期管理措施與產(chǎn)量的響應(yīng)關(guān)系研究。

本研究旨在通過篩選作物最適播期的管理措施，應(yīng)對(duì)未來氣候變化帶來的不利影響、提高黃淮海、江淮冬小麥主產(chǎn)區(qū)的產(chǎn)量。已有研究工作多集中于關(guān)注歷史時(shí)期氣候變化條件下的小麥適宜播種期水平[15，23，24]?？紤]未來多種氣候情景，確定未來氣候變化平均態(tài)水平下的小麥最適播期研究還較為缺乏。本研究工作將利用農(nóng)業(yè)技術(shù)轉(zhuǎn)移決策支持系統(tǒng)（Decision Support System for Agrotechnology Transfer，DSSAT）小麥（DSSAT-CERES-Wheat）模型，模擬篩選不同典型濃度路徑的溫室氣體排放氣候情景（Representative Concentration Pathways，RCPs）下未來40年（2021—2060年）黃淮海和江淮冬麥區(qū)高產(chǎn)冬小麥最適播期，為該地區(qū)冬小麥高產(chǎn)穩(wěn)產(chǎn)提供理論依據(jù)和科學(xué)參考。

2數(shù)據(jù)與方法

2.1研究區(qū)及數(shù)據(jù)來源

本研究選取3個(gè)分別隸屬于黃淮海北片、黃淮海南片和江淮三大冬小麥種植區(qū)的冬小麥農(nóng)業(yè)氣象試驗(yàn)站，即河北定州（HBDZ）、河南鄭州（HNZZ）和湖北麻城（HBMC）為研究站點(diǎn)。三者的地理和氣候差異明顯，且具有模型輸入所需的完整田間試驗(yàn)數(shù)據(jù)（圖1）。

研究站點(diǎn)歷史氣象數(shù)據(jù)來自于中國氣象科學(xué)數(shù)據(jù)共享網(wǎng)（http：//cdc.nmic.cn/home.do），包括2005—2009年間逐日的最高氣溫、最低氣溫、降水、日照時(shí)數(shù)等。太陽輻射值由日照時(shí)數(shù)推算而得[25]。研究站點(diǎn)同期的冬小麥田間試驗(yàn)數(shù)據(jù)也來自于中國氣象科學(xué)數(shù)據(jù)共享網(wǎng)，包括作物品種、關(guān)鍵生育期、產(chǎn)量及其構(gòu)成和農(nóng)藝管理措施。研究區(qū)農(nóng)業(yè)氣象站點(diǎn)的農(nóng)田管理措施基本與當(dāng)?shù)剞r(nóng)民的管理措施相同。土壤質(zhì)地、有機(jī)碳、容重、田間持水量等屬性數(shù)據(jù)來源于國際應(yīng)用系統(tǒng)分析研究所（International. Institute of Applied System Analysis，HASA）構(gòu)建的1：100萬空間土壤數(shù)據(jù)集（The Harmonized World Soil Database，HWSD）[26]。本研究采用的RCPs未來氣候情景數(shù)據(jù)來自于英國氣象局哈德雷中心的全球環(huán)境模型HadGEM2-ES（Hadley Centre Global. Environment Model version 2 with the coupled Earth-System configuration），該模型參與了部門間影響模型比對(duì)項(xiàng)目（The Inter-Sectoral. Impact Model Intercomparison Project）。RCPs情景包含低溫室氣體排放情景（RCP2.6）、中等溫室氣體排放情景（RCP4.5、RCP6.0）、高溫室氣體排放情景（RCP8.5）。情景數(shù)據(jù)包括1984—2060年逐日最高氣溫、最低氣溫、降水和太陽輻射四個(gè)要素，并基于等距累積分布函數(shù)方法進(jìn)行偏畸校正[27]。

2.2農(nóng)業(yè)技術(shù)轉(zhuǎn)移決策支持系統(tǒng)模型（DSSAT）及其有效性驗(yàn)證

農(nóng)業(yè)技術(shù)轉(zhuǎn)移決策支持系統(tǒng)是被普遍使用的作物生長模擬模型之一[28]，至今已有30多年的應(yīng)用歷史。DSSAT模型最新的版本（V4.7.5）涵蓋了42種作物的動(dòng)態(tài)生長模擬模型。本研究采用DSSAT4.7.5版本（https：//dssat.net/）的小麥模型（CERES-Wheat）開展模擬分析。模型模擬所需的輸入數(shù)據(jù)包括上文提及的天氣日值數(shù)據(jù)、作物田間試驗(yàn)數(shù)據(jù)、土壤數(shù)據(jù)以及作物品種參數(shù)值。本研究對(duì)模型參數(shù)估計(jì)采用了模型中Gen- CalcV2.0品種參數(shù)估計(jì)模塊，對(duì)各代表站點(diǎn)的6個(gè)品種冬小麥參數(shù)值進(jìn)行調(diào)試和驗(yàn)證。品種參數(shù)分別為：春化作用特性參數(shù)（P1V，d）;光周期參數(shù)（P1D，%）;籽粒灌漿持續(xù)期積溫（P5，℃·d）;開花期小麥單位冠層質(zhì)量的籽粒數(shù)（G1，粒/g）;最佳條件下單個(gè)標(biāo)準(zhǔn)籽粒的克數(shù)（G2，mg）;非脅迫條件下成熟期單株地上部標(biāo)準(zhǔn)干物質(zhì)總重（G3，g）;指葉尖逐次出現(xiàn)所需的積溫間隔（PHINT，℃·d）。

2.3模型適應(yīng)性評(píng)價(jià)指標(biāo)

通過利用各項(xiàng)統(tǒng)計(jì)指標(biāo)以及模型模擬結(jié)果與實(shí)測結(jié)果的差異性對(duì)比，檢驗(yàn)DSSAT模型模擬研究區(qū)冬小麥生育期和產(chǎn)量準(zhǔn)確性。統(tǒng)計(jì)指標(biāo)包括決定系數(shù)（R）、歸一化均方根誤差（NRMSE）[29]和均一性指數(shù)（D）[30]。具體計(jì)算公式如下：

（1）

（2）

其中，S和O分別為模擬值與觀測值;為觀測平均值;n為樣本數(shù)。當(dāng)NRMSE值低于10%時(shí)，表征模擬值與觀測值的相對(duì)誤差小、模擬精度高;當(dāng)值介于10%至20%，表征模擬效果較好;當(dāng)NRMSE值介于20%至30%，表明模擬效果一般;低于30%，則表明模擬效果差。R和D數(shù)值越接近1，越表明模擬值與觀測值的一致性越高、模擬效果越好，反之亦然。

2.4模型模擬試驗(yàn)方案與最適播期識(shí)別

利用調(diào)參驗(yàn)證后的DSSAT模型，模擬分析各代表站點(diǎn)不同氣候情景下的冬小麥最適播期變化情況以及產(chǎn)量對(duì)播期的響應(yīng)程度。模擬試驗(yàn)設(shè)置以三個(gè)站點(diǎn)的觀測播期數(shù)據(jù)為基礎(chǔ)，分別設(shè)置步長為1d共51個(gè)播期處理的模擬試驗(yàn)，即每年模擬51個(gè)播期。河北定州播種日期設(shè)置為9月21日—11月10日之間;河南鄭州播期日期設(shè)置為10月1日—11月20日之間;湖北麻城播種日期設(shè)置為10月11日—11月30日之間。各站點(diǎn)分別按照1985—2004年的基準(zhǔn)時(shí)段（Bs）、2030s時(shí)段（2021—2040年）、2050s時(shí)段（2041—2060年）三個(gè)時(shí)段分段開展模擬運(yùn)算，其中未來每個(gè)時(shí)段分別輸入RCPs四個(gè)情景進(jìn)行模擬。每個(gè)站點(diǎn)各運(yùn)行12，240次（51個(gè)播期處理×4個(gè)RCPs情景×60年）模擬試驗(yàn)。模擬試驗(yàn)的作物品種、水肥管理水平均來自各站點(diǎn)的觀測記錄，模擬試驗(yàn)考慮CO的肥效作用。

最適播期的識(shí)別通過統(tǒng)計(jì)不同播期處理下各時(shí)段平均產(chǎn)量并提取產(chǎn)量最高值對(duì)應(yīng)的播種日期為最適播期。

3結(jié)果與分析

3.1DSSAT-CERES-Wheat模型參數(shù)調(diào)試與驗(yàn)證

利用研究區(qū)各農(nóng)業(yè)氣象站點(diǎn)的作物田間試驗(yàn)數(shù)據(jù)、土壤數(shù)據(jù)及田間試驗(yàn)同期氣象站觀測的天氣日值數(shù)據(jù)對(duì)DSSAT-CERES-Wheat模型進(jìn)行參數(shù)調(diào)試和驗(yàn)證。通過調(diào)試使模型模擬值盡可能接近觀測值，從而實(shí)現(xiàn)模型本地化。模型有效性驗(yàn)證針對(duì)開花期（播種—開花）、成熟期（播種—成熟）和產(chǎn)量三方面進(jìn)行對(duì)比分析（圖2）。生育期模擬結(jié)果與觀測值的差均小于3d;開花期和成熟期模擬值的相對(duì)誤差分別為1.9%和0.8%，D指數(shù)值接近1。產(chǎn)量的模擬值與觀測值的擬合度亦較高，相對(duì)誤差為小于10%（6.8%），D指數(shù)值大于0.9，較生育期模擬值略偏低。由此可知，DSSAT模型能夠在研究區(qū)開展可靠的冬小麥生育期和產(chǎn)量模擬工作。

3.2研究區(qū)氣候要素和小麥生育期變化特征

針對(duì)模擬結(jié)果提取冬小麥生育期內(nèi)不同播期處理下的平均溫度、總降水量和全生育期長度等要素，分析未來2030s和2050s時(shí)段相對(duì)于基準(zhǔn)時(shí)段的變化情況。各要素值均為多年平均值。

由表1可知，未來冬小麥生育階段內(nèi)平均溫度均呈現(xiàn)上升趨勢(shì)。其中，2030s時(shí)段的平均溫度上升幅度多低于1℃;2050s時(shí)段上升幅度高于2030s時(shí)段，各個(gè)RCP情景下的升溫幅度均高于1℃，且河北定州站點(diǎn)RCP8.5情景下溫度上升幅度最高達(dá)2℃以上。全生育期降水量基本均呈現(xiàn)減少趨勢(shì)，湖北麻城站點(diǎn)2050s時(shí)段降水下降幅度明顯高于2030s時(shí)段，其余兩個(gè)站點(diǎn)在未來兩個(gè)時(shí)段下的降水減少幅度差異不大。

冬小麥的全生育期在未來兩個(gè)時(shí)期相對(duì)基準(zhǔn)時(shí)段均表現(xiàn)為長度縮短，2050s時(shí)段全生育期天數(shù)縮短天數(shù)普遍大于2030s時(shí)段，且縮短的天數(shù)由北向南遞增。三個(gè)站點(diǎn)中，湖北麻城生育期天數(shù)在未來2030s和2050s時(shí)段的差異最大，RCP8.5情景下2050s時(shí)段生育期天數(shù)比2030s少6～12d;河北定州的生育期天數(shù)在未來兩個(gè)時(shí)段的差異最小。

3.3最適播期變化特征

對(duì)小麥作物模型基準(zhǔn)時(shí)段和四個(gè)RCPs情景下2030s和2050s時(shí)段的最適播期進(jìn)行對(duì)比分析。由圖3可知，未來2030s和2050s時(shí)段三個(gè)站點(diǎn)的最適播期差異較大，呈自北向南逐漸推遲趨勢(shì)。

2030s時(shí)段，定州的最適播期介于9月21日至9月24日，比基準(zhǔn)時(shí)段的最適播期9月19日晚2～5d;鄭州的最適播期介于10月11日至10月13日，比基準(zhǔn)時(shí)段的最適播期10月5日推遲6～8d;麻城的最適播期介于10月22日至11月2日，比基準(zhǔn)時(shí)段的最適播期10月19日推遲了3～13d。其中，位于黃淮海冬麥區(qū)的定州和鄭州兩個(gè)站點(diǎn)的適播期在不同RCPs情景間差異較小，位于江淮冬麥區(qū)的麻城站適播期在各情景間差異較大。2050s時(shí)段，定州的最適播期介于9月26日至10月9日，鄭州的最適播期介于10月10日至10月17日，麻城的最適播期介于11月1日至11月6日。

冬小麥的全生育期在未來兩個(gè)時(shí)期相對(duì)基準(zhǔn)時(shí)段均表現(xiàn)為長度縮短，2050s時(shí)段全生育期天數(shù)縮短天數(shù)普遍大于2030s時(shí)段，且縮短的天數(shù)由北向南遞增。三個(gè)站點(diǎn)中，湖北麻城生育期天數(shù)在未來2030s和2050s時(shí)段的差異最大，RCP8.5情景下2050s時(shí)段的生育期天數(shù)比2030s時(shí)段少6～12d;河北定州的生育期天數(shù)在未來兩個(gè)時(shí)段的差異最小。

3.4適宜播期的增產(chǎn)幅度

提取2030s和2050s兩個(gè)時(shí)段內(nèi)以基準(zhǔn)時(shí)段最適播期為播種日期的產(chǎn)量模擬值，表征未來冬小麥種植不采取播期調(diào)整措施情況的產(chǎn)量水平。將該產(chǎn)量模擬值分別與2030s和2050s時(shí)段最適播期對(duì)應(yīng)的模擬產(chǎn)量值進(jìn)行對(duì)比分析，得出未來兩個(gè)時(shí)段下各站點(diǎn)不同RCPs氣候情景下采用最適播期管理措施后的增產(chǎn)幅度（圖4）。

由圖4可知，2050s時(shí)段的增產(chǎn)幅度基本高于2030s時(shí)段，采用最適播期后的產(chǎn)量增加幅度地區(qū)間差異較大。三個(gè)站點(diǎn)中河北定州的增產(chǎn)幅度最小，2030s時(shí)段的增產(chǎn)幅度介于0.15%～0.7%，2050s時(shí)段除RCP2.6外其余情景下的增產(chǎn)幅度均高于2030s時(shí)段，其中2050s時(shí)段RCP8.5情景下的增產(chǎn)幅度最高為1.98%。河南鄭州各情景下2050s的增產(chǎn)幅度分別為3.12%、2.39%、3.17%和3.93%，比2030s時(shí)段的增產(chǎn)幅度高0.22%～1.52%。湖北麻城站在RCP2.6和RCP4.5情景下，2050s時(shí)段的增產(chǎn)幅度較高，分別為4.74%和3.57%，均明顯高于同一情境下的2030s時(shí)段增產(chǎn)幅度值;RCP6.0和RCP8.5時(shí)段出現(xiàn)相反的情況，但2030s和2050s時(shí)段的增產(chǎn)幅度差異不大，介于1.8%～2.7%之間。

4討論

DSSAT作物模型在中國已經(jīng)被十分廣泛地應(yīng)用于評(píng)估氣候變化和管理措施對(duì)作物生長和產(chǎn)量的影響[31-33]。本研究中利用該模型評(píng)估氣候變化條件下播期管理措施的改變對(duì)小麥生育期、產(chǎn)量的影響，進(jìn)而明確小麥最適播期。常規(guī)采用的大田試驗(yàn)的研究方法因受氣候試驗(yàn)條件設(shè)計(jì)和受人力物力等多方面限制，難以很好地反應(yīng)出長時(shí)間序列下的氣候變化對(duì)播期的影響。氣象統(tǒng)計(jì)分析方法由于分析過程中缺少對(duì)作物實(shí)際生理特征的考慮，僅能基于大量氣候數(shù)據(jù)獲得長期播期的可能變化特征。作物機(jī)理模型既能考慮作物生理生態(tài)效應(yīng)，又可兼顧氣候變化對(duì)作物的影響評(píng)估在時(shí)間長度上的要求。

因播期改變引發(fā)小麥生育期的改變，從而產(chǎn)生小麥生育期內(nèi)的光、熱和水資源利用的差異。在不當(dāng)?shù)臅r(shí)間播種可能會(huì)加劇作物受到的非生物脅迫[14，24]。有研究表明冬前溫度升高有利于冬小麥播期推遲，晚播可以降低早春凍害帶來的不利影響[34]。Wang等[35]用DSSAT模型開展冬小麥最適播期模擬分析，結(jié)果表明過去30年（1987—2016）華北平原可有效提高小麥產(chǎn)量的適宜播期范圍介于9月15日至10月20日之間。王夏等[20]在河南開展的大田試驗(yàn)發(fā)現(xiàn)冬小麥隨著播種期的推遲，小麥全生育期縮短，獲得高產(chǎn)的適宜播期為10月中上旬。前人在模型和田間試驗(yàn)角度均與本研究在黃淮南片河南鄭州代表站點(diǎn)模擬確定基準(zhǔn)時(shí)段的最適播期（10月5日）結(jié)果重合，并且三個(gè)代表站均呈現(xiàn)隨時(shí)間推移冬小麥生育期內(nèi)平均溫度升高、生育期縮短和獲得冬小麥最高產(chǎn)量的最適播期亦推遲的趨勢(shì)與前人研究結(jié)果相同。此外，有研究利用根區(qū)水質(zhì)模型模擬，表明推遲小麥播期促進(jìn)氮素吸收、提高作物產(chǎn)量[36]。因此，選擇最適播期播種可有效提高冬小麥產(chǎn)量、降低氣候變化負(fù)面影響[37]。

據(jù)估計(jì)，相對(duì)于工業(yè)革命前，未來全球平均氣溫分別在RCP2.6和RCP4.5情景下的2030s和2050s時(shí)段增溫1.5℃和2℃[27]。三個(gè)站點(diǎn)冬小麥生育期平均溫度較基準(zhǔn)時(shí)段的增溫值累加基準(zhǔn)時(shí)段相對(duì)于工業(yè)革命前的增溫0.61℃，即為其相對(duì)工業(yè)革命前的增溫幅度。根據(jù)表1可知，三個(gè)站點(diǎn)未來2030s和2050s時(shí)段冬小麥生育期的氣候變化趨勢(shì)特征一致，呈現(xiàn)暖干化趨勢(shì)，平均溫度升高0.5℃～2.3℃，其中在RCP2.6情景下2030s時(shí)段和RCP4.5情景下2050s時(shí)段的冬小麥生育期內(nèi)平均氣溫分別最低增溫和1.91℃。

多有研究僅針對(duì)這兩種增溫幅度開展研究分析，但是由于當(dāng)前全球?qū)υ鰷?.5℃目標(biāo)未達(dá)成共識(shí)[38]，本研究為了更全面呈現(xiàn)未來可能的影響，采用了四套R(shí)CPs情景對(duì)未來40年的氣候數(shù)據(jù)進(jìn)行模擬分析。本研究中選取三個(gè)代表站點(diǎn)開展最適播期的模型模擬分析，其研究結(jié)果難以全面反映整個(gè)區(qū)域最適播期變化的整體水平。為了使得研究結(jié)果更具有代表性，在研究區(qū)代表站點(diǎn)選擇過程中雖受到作物數(shù)據(jù)資料的限制，但仍考慮了盡量擴(kuò)大代表站點(diǎn)間空間上的差異。此外，本研究采用的RCPs情景數(shù)據(jù)來源于單一的氣候模式、作物模型也采用的單一模型，因而未能考慮不同氣候模式間對(duì)未來氣候預(yù)測的差異以及作物模型間的模擬差異，給研究結(jié)果帶來一定的不確定性[39]。這些需在進(jìn)一步研究過程全面考慮以降低研究結(jié)果的不確定性。

5結(jié)論

本研究借助DSSAT模型，開展以中國冬小麥主產(chǎn)區(qū)黃淮海北片、南片和江淮為研究區(qū)的小麥最適播期研究。研究選取三個(gè)代表站點(diǎn)，利用代表站點(diǎn)農(nóng)業(yè)氣象站點(diǎn)的氣候觀測資料和Had- GEM2-ES全球環(huán)境模型輸出的RCPs氣候情景資料、作物資料和土壤資料，對(duì)DSSAT CERES- Wheat模型在研究區(qū)的適用性進(jìn)行驗(yàn)證，開展51 個(gè)播期處理的播期模擬試驗(yàn)，評(píng)估未來不同RCPs氣候情景下氣候變化特征及其對(duì)冬小麥適宜播種期的影響。

冬小麥的最適播期在基準(zhǔn)時(shí)段、2030s和2050s時(shí)段均表現(xiàn)為隨緯度減小而推遲。三個(gè)站點(diǎn)的2030s和2050s時(shí)段的最適播期以鄭州調(diào)整幅度最小，由基準(zhǔn)時(shí)段的10月中旬分別推遲至10月中上旬和10月中下旬;定州最適播期由基準(zhǔn)時(shí)段的9月中下旬推遲至9月下旬和10月上旬，麻城最適播期由基準(zhǔn)時(shí)段的10月中下旬推遲至10月下旬和11月上旬。不同情景之間以RCP8.5情景下的推遲天數(shù)最多。各研究站點(diǎn)采用最適播期播種獲得產(chǎn)量提升的差異較大，黃淮海北部的河北定州增產(chǎn)不明顯;黃淮南部的鄭州和江淮的麻城增產(chǎn)幅度較為顯著，增產(chǎn)幅度集中在2%～4%之間。

參考文獻(xiàn)：

[1]盧布，丁斌，呂修濤，等.中國小麥優(yōu)勢(shì)區(qū)域布局規(guī)劃研究[J].中國農(nóng)業(yè)資源與區(qū)劃，2010，31（2）： 6-12.

LU B， DING B， LYU X， et al. Arrangement planning of Chinese wheat ascendant regions[J]. Chinese Journal. of Agricultural. Resources and Regional. Planning， 2010，31（2）： 6-12.

[2]李明輝，周玉璽，周林，等.中國小麥生產(chǎn)區(qū)域優(yōu)勢(shì)度演變及驅(qū)動(dòng)因素分析[J].中國農(nóng)業(yè)資源與區(qū)劃，2015， 36（5）： 7-15.

LI M， ZHOU Y， ZHOU L， et al. Comparative advantage changes of regional. wheat production in China and analysis of influncing factors[J]. Chinese Journal. of Agricultural. Resources and Regional. Planning，2015，36（5）： 7-15.

[3]趙廣才.中國小麥種植區(qū)劃研究（一）[J].麥類作物學(xué)報(bào)，2010， 30（5）： 886-895.

ZHAO G. Study on Chinese wheat planting regionalization （I）[J]. Journal. of Triticeae Crops， 2010， 30（5）： 886-895.

[4] ZHAO H， ZHAI X， GUO L， et al. Assessing the efficiency and sustainability of wheat production systems in different climate zones in China using emergy analysis[J]. Journal. of Cleaner Production， 2019， 235： 724-732.

[5]何中虎，林作楫，王龍俊，等.中國小麥品質(zhì)區(qū)劃的研究[J].中國農(nóng)業(yè)科學(xué)，2002， 35（4）： 359-364.

HE Z， LIN Z， WANG L， et al. Classification on Chinese wheat regions based on quality[J]. Scientia Agricultura Sinica， 2002，35（4）： 359-364.

[6]中華人民共和國農(nóng)業(yè)部.中國農(nóng)業(yè)年鑒（2014）[M].北京：中國農(nóng)業(yè)出版社，2015.

Ministry of Agriculture and Rural. Affairs of the Peopled Republic of China. China agricultural. statistical. yearbook （2014）[M]. Beijing： China Agriculture Press，2015.

[7] CHURCH J， CLARK P， CAZENAVE A， et al， Change climate 2013： The physical. science basis. Contribution of working group I to the fifth assessment report of the intergovernmental. panel on climate change[M]. Cambridge： Cambridge University Press， United Kingdom， 2013.

[8]ORTIZ-BOBEA A， AULT T R， CARRILLO C M， et al. Anthropogenic climate change has slowed global. agricultural. productivity growth [J]. Nature Climate Change， 2021， 11（4）： 306-312.

[9] SHI W， WANG M， LIU Y. Crop yield and production responses to climate disasters in China[J]. Science of the Total. Environment， 2021， 750： ID 141147.

[10] GODFRAY H C J， PRETTY J， THOMAS S M， et al. Linking policy on climate and food[J]. Science， 2011，331（6020）： 1013-1014.

[11] HERTEL T W， DE LIMA C Z. Viewpoint： Climate impacts on agriculture： Searching for keys under the streetlight[J]. Food Policy， 2020， 95： ID 101954.

[12] OLESEN J E， TRNKA M， KERSEBAUM K C， et al. Impacts and adaptation of European crop production systems to climate change[J]. European Journal. of Agronomy， 2011， 34（2）： 96-112.

[13] RUIZ-RAMOS M， FERRISE R， RODRIGUEZ A， et al. Adaptation response surfaces for managing wheat under perturbed climate and CO in a Mediterranean environment [J]. Agricultural. Systems， 2018， 159： 260-274.

[14] HUNT J R， LILLEY J M， TREVASKIS B， et al. Early sowing systems can boost Australian wheat yields despite recent climate change[J]. Nature Climate Change，2019， 9（3）： 244-247.

[15]李德，楊太明，張學(xué)賢.氣候變暖背景下宿州冬小麥適播期的確定[J].中國農(nóng)業(yè)氣象，2012， 33（2）： 254-258.

LI D， YANG T， ZHANG X. Determination of optimum sowing date of winter wheat in Suzhou under global. warming[J]. Chinese Journal. of Agrometeorology， 2012， 33（2）：254-258.

[16] TAO F， ZHANG Z， ZHANG S， et al. Heat stress impacts on wheat growth and yield were reduced in the Huang-Huai-Hai Plain of China in the past three de- cades[J]. European Journal. of Agronomy， 2015， 71： 44-52.

[17]吳乾慧，張勃，馬彬，等.氣候變暖對(duì)黃土高原冬小麥種植區(qū)的影響[J].生態(tài)環(huán)境學(xué)報(bào)，2017， 26（3）： 429-436.

WU Q， ZHANG B， MA B， et al. Impact of climate warming on winter wheat planting in the Loess Pla- teau[J]. Ecology and Environmental. Sciences， 2017， 26 （3）： 429-436.

[18]劉萬代，陳現(xiàn)勇，尹鈞，等.播期和密度對(duì)冬小麥豫麥49-198群體性狀和產(chǎn)量的影響[J].麥類作物學(xué)報(bào)，2009， 29（3）： 464-469.

LIU W， CHEN X， YIN J， et al. Effect of sowing date and planting density on population trait and grain yield of winter wheat cultivar Yumai 49-198[J]. Journal. of Triticeae Crops， 2009， 29（3）： 464-469.

[19] SANDHU S S， KAUR P， GILL K K， et al. The effect of recent climate shifts on optimal. sowing windows for wheat in Punjab， India[J]. Journal. of Water and Climate Change， 2020， 11（4）： 1177-1190.

[20]王夏，胡新，孫忠富，等.不同播期和播量對(duì)小麥群體性狀和產(chǎn)量的影響[J].中國農(nóng)學(xué)通報(bào)，2011， 27（21）： 170-176.

WANG X， HU X， SUN Z， et al. Effect of different sowing dates and planting density on group characters andyield of wheat[J]. Chinese Agricultural. Science Bulletin， 20119 27（21）： 170-176

[21] MOURTZINIS S， SPECHT J E， CONLEY S P. Defining optimal. soybean sowing dates across the US[J]. Scientific Reports， 2019， 9（1）： ID 2800.

[22] CHENU K， PORTER J R， MARTRE P， et al. Contribution of crop models to adaptation in wheat[J]. Trends in Plant Science， 2017， 22（6）： 472-490.

[23]江曉東，張濤，陳佳鑫，等.基于WOFOST模型的蘇南地區(qū)春小麥種植適應(yīng)性分析[J].南方農(nóng)業(yè)學(xué)報(bào)，2020，51（2）： 335-341.

JIANG X， ZHANG T， CHEN J， et al. Adaptability of spring wheat planting in the south of Jiangsu based on WOFOST model[J]. Journal. of Southern Agriculture，2020，51（2）： 335-341

[24] XIN Y， TAO F. Optimizing genotype-environment- management interactions to enhance productivity and eco-efficiency for wheat-maize rotation in the North China Plain[J]. Science of The Total. Environment，2019， 654： 480-492.

[25] ALLEN R G， PEREIRA L S， RAES D， et al. Crop evapotranspiration-guidelines for computing crop water requirements-FAO irrigation and drainage paper 56[M]. Roma： FAO-Food and Agriculture Organization of the United Nations， 1998.

[26] FAO/IIASA/ISRIC/ISSCAS/JRC. Harmonized world soil database （version 1.1） [S]. FAO， Rome： Italy and IIASA， Laxenburg， Austria， 2009.

[27] SU B， HUANG J， FISCHER T， et al. Drought losses in China might double between the 1.5 degrees C and 2.0 degrees C warming[J]. Proceedings of the National. Academy of Sciences of The United States of America，2018， 115（42）： 10600-10605.

[28] JONES J W， HOOGENBOOM G， PORTER C H， et al. DSSAT cropping system model[J]. European Journal. of Agronomy， 2003， 18： 235-265.

[29] WALLACH D， GOFFINET B. Mean squared error of prediction as a criterion for evaluating and comparing system models[J]. Ecological. Modelling， 1989， 44（3）： 299-306.

[30] WILLMOTT C J. Some comments on the evaluation of model performance[J]. Bulletin of the American Meteorological. Society， 1982， 63（11）： 1309-1313.

[31]孫茹，韓雪，潘婕，等.全球1.5℃和2.0℃升溫對(duì)中國小麥產(chǎn)量的影響研究[J].氣候變化研究進(jìn)展，2018，14（6）： 573-582.

SUN R， HAN X， PAN J， et al. The impact of 1.5℃and 2.0℃global. warming on wheat production in China[J]. Climate Change Research， 2018， 14（6）： 573-582.

[32] YANG X， TIAN Z， SUN L， et al. The impacts of increased heat stress events on wheat yield under climate change in China[J]. Climatic Change， 2017， 140（3）：605-620.

[33] ASSENG S， MARTRE P， MAIORANO A， et al. Climate change impact and adaptation for wheat protein[J]. Global. Change Biology， 2019， 25（1）： 155-173.

[34] SUN H， ZHANG X， CHEN S， et al. Effects of harvest and sowing time on the performance of the rotation of winter wheat-summer maize in the North China Plain[J]. Industrial. Crops and Products， 2007， 25（3）： 239-247.

[35] WANG C， FENG L， WU L， et al. Assessment of genotypes and management strategies to improve resilience of winter wheat production[J]. Sustainability， 2020， 12 （4）： 1-21.

[36] DING D， FENG H， ZHAO Y， et al. Modifying winterwheat sowing date as an adaptation to climate change on the loess plateau[J]. Agronomy Journal， 2016， 108 （1）： 53-63.

[37] TAO F， ZHANG Z， XIAO D， et al. Responses of wheat growth and yield to climate change in different climate zones of China， 1981—2009[J]， Agricultural. and Forest Meteorology， 2014， 189-190： 91-104.

[38] DUAN H， ZHOU S， JIANG K， et al. Assessing China's efforts to pursue the 1.5℃warming limit[J]. Science，2021，372（6540）： 378-385.

[39] XIONG W， ASSENG S， HOOGENBOOM G， et al. Different uncertainty distribution between high and low latitudes in modelling warming impacts on wheat[J]. Nature Food， 2019， 1（1）： 63-69.

Optimum Sowing Date of Winter Wheat in Next 40 Years Based on DSSAT-CERES-Wheat Model

HU Yanan1*， LIANG Ju2， LIANG Shefang3， LI Shijuan1， ZHU Yeping1， E Yue1

（1. Agricultural. Information Institute， Chinese Academy of Agricultural. Sciences/Key Laboratory of Agri-information Sendee Technology. Ministry of Agriculture and Rural. Affairs， Beijing 100081， China; 2. College of Engineering， Mathematics and Physical. Sciences. University of Exeter. Exeter EXA 4QF， UK; 3. Key Laboratory of Agricultural. Remote Sensing， Ministry of Agriculture and Rural. Affairs/Institute of Agricultural. Resources and Regional. Planning. Chinese Academy of Agricultural. Sciences， Beijing 100081， China）

Abstract： Climate change requires crop adaptation. Plantint at the suitable date is a key management technology to promote crop yield and address the impact of climate change. Wheat is one of the most important staple crops in China. Huang-Huai-Hai and Jiang-Huai regions are high-quality and high-quantity planting areas for wheat. To deal. with the adverse effects of climate change and promote the winter wheat yield in Huang-Huai-Hai and Jiang-Huai regions， the optimum sowing date was identified by creating a wheat simulation with DSSAT CERES-Wheat model. The simulation experiment was designed with 51 management inputs of sowing date and 4 climate scenarios （RCPs） under baseline period （1985—2004） and 40 years in future for three representative stations in the study region. The optimum sowing data of winter wheat was corresponding to the simulation set with highest yield in each site. The characters of changes in climate factors during the growth period and the optimum sowing date among the different period were detected， and the yield increase planted at the optimum sowing date was quantified. The results showed that， in the future， the climate during winter wheat growth period showed a trend of warming and drying would shorten the growth period. The optimum sowing date would be postponed with the rise of temperature， and the decrease of latitude in all periods and under various climate scenarios. Relative to the baseline period， the maximum delay days of the optimal. sowing date increased from north to south during 2030s， which were 5 days， 8 days and 13 days at the three representative stations， respectively. The optimum sowing times in 2050s were delayed in different degrees compared with that in 2030s. The largest postponed days at each station was at the RCP8.5 scenario in 2050s. Adopting the management of optimum planting date could mitigate climatic negative effects and was in varying degrees of yield increasing effect at three sites. The smallest increase occurred in Huang-Huai-Hai north region， while Huang-Huai-Hai south region and Jiang-Huai region had the relatively higher yield increasement about 2%—4%. Therefore， the present study demonstrated an effective management of optimum sowing date to promote winter wheat yield under climate change in Huang-Huai-Hai and Jiang-Huai regions.

Key words： winter wheat; optimum sowing date; climate change; RCPs; crop model; Huang-Huai-Hai; Jiang-Huai

（登陸www.smartag.net.cn免費(fèi)獲取電子版全文）

*通訊作者：胡亞南（1983—），女，博士，副研究員，研究方向?yàn)樽魑锬Ｐ湍M。電話：010-82109348。E-mail：huyanan@caas.cn。