气候变化对粮食产量影响的研究方法综述*

王亚飞，廖顺宝

(1.河南大学环境与规划学院/河南大学哲学与公共管理学院，开封 475004； 2.防灾科技学院，北京 101601)

0 引言

全球大气监视网的观测结果表明，自人类社会工业化以来，地球大气中CO2、CH4和N2O等非凝性温室气体的浓度持续上升，其中，主要温室气体CO2的浓度在1750—2015年间增加了44%[1]。温室气体浓度增加驱动着全球气候变暖，导致地球海陆表面平均温度在1880—2012年间上升了0.85°C[2]。毫无疑问，CO2浓度增加和气温升高已经成为全球气候变化的主要趋势。

粮食生产直接依赖于水热光土等自然要素，对气候变化非常敏感。CO2浓度上升在一定条件下虽然具有增肥效用[3]，但伴随而来的气温升高、降水分布失衡、极端气候事件频率增加[2]，以及土壤侵蚀加剧[4]、农业病虫害时空迁移[5]和粮食品质下降[6]等诸多问题却使粮食生产面临更大的威胁。与此同时，全球的粮食需求持续增长，预计2050年全球粮食需求量将在2006年的水平上至少增加60%[7]。气候变化加大了粮食生产的不确定性，给粮食增产带来了巨大风险，极有可能引发全球性的粮食危机。

评估气候变化对粮食产量的影响是制定农业适应性对策，从而缓解粮食危机的前提。相关研究已经开展多年，产生了多种研究方法，但每种方法都存在一些不确定性，有着不同的优势和劣势[8]。为了比较各种方法的适用范围和优缺点，文章对常见的研究方法进行了梳理和分类(表1)，然后从方法的原理和运用出发，对各种方法的应用方向和主要问题进行分析与总结，最后预测方法发展的趋势和方法发展的驱动力，以期为气候变化影响粮食产量的研究提供参考。

表1 气候变化影响粮食产量研究方法的特征

方法名称主要研究内容优点缺点产量分解法作物生育期内气候变化对粮食生产的影响使用区域尺度的数据,模型简单,运行成本小方程可能存在共线性问题,模型缺乏解释,不便于外推实验比较法粮食生长对少量气候因子变化的敏感度分析可以从生化层面上探索粮食产量的形成过程实验条件要求高,数据获取难 生产函数法自然和社会环境对粮食产量的影响系统性强,可以考虑社会生产对气候变化的技术适应性农业生产系统过于复杂气候生产潜力模型法气候变化对粮食生产潜力的影响有利于宏观粮食生产环境变化的评估,充分利用气候资源潜在产量与实际产量差别巨大作物生长模型法不同气候情景下粮食产量的预测机理性强,模型可应用于任意时间段模型复杂,参数标定难

1 气候变化对粮食产量影响的研究方法及方法应用

1.1 产量分解法及其应用

产量分解法假设粮食产量由技术产量、气候产量和随机产量3部分构成，根据这一假设从粮食产量序列中分离出粮食的气候产量，同时从历史气象资料中提取气象因子数据，然后利用回归法分析粮食气候产量和气候因子的关系。

由于气象观测和粮食产量统计工作开展的时间较早，有了一定的历史积累，因此产量分解法在国内外都得到了广泛的应用。早在1969年，Thompson L M[9]就利用该方法分析了1930—1967年美国的气候变化对玉米产量增长的影响。在较早研究中，气象指标受观测数据的制约一般使用温度和降水的月平均或季节平均值[10]，量化的精度不高。随着农业气象站点的增加和气象观测技术的提升，大量高时空分辨率的气象数据集不断产生，为提高量化分析的精度提供了数据支持。于是，产量分解法的研究结论更加精确，Schlenker W等[11]研究1950—2005年美国玉米、大豆和棉花的产量与各自生长期气温的关系，发现3者产量的提高相对于气温变化的阈值分别是29oC、30oC和32oC，当气温超过阈值时，产量会随着气温的升高急剧下降。Butler E E等[12]分析了玉米在生长过程中对极端高温的敏感期以及敏感程度，结果显示，玉米在吐丝和灌浆早期对极端高温的敏感度4倍于营养生长期。Amin M R等[13]对比了孟加拉国4种主要粮食作物的生产情况，发现目前种植面积和产量最大的稻米品种最容易受到高温和降水的影响。

在国内，近年的研究不仅模拟粮食产量对气候变化的响应，而且还对响应过程进行剖析，试图确定粮食产量在形成过程中对气候变化的敏感期和敏感气候因子。剖析的视角有两个，第一个是按照作物的生育期对气候指标进行解剖[14-16]。陈超等[14]将水稻的生育期划分为5个阶段，建立了水稻产量与不同生育阶段气候因子之间的回归函数，结果发现水稻产量在抽穗至成熟期对气温和辐射的变化最敏感，而在移栽至分蘖期对日较差的变化最敏感。第二个剖析的视角是对粮食产量构成指标和气候指标同时进行解剖[17， 18]。赵艺等[17]将产量构成分为空壳率、秕谷率和千粒重，将气候指标按照水稻的拔节孕穗期、抽穗开花期和灌浆乳熟期进行划分，分析产量构成要素与不同生育阶段气候因子间的相关性。而张玉芳等[18]认为，水稻产量的构成要素是在不同生育阶段内完成的，因此有针对性地建立了穗粒数、空壳率和千粒重与特定生育阶段内气候因子的回归方程。以上研究都尽可能地从微观层面分析气候变化对粮食产量的影响，但是不同地区数据样本回归分析的结果差异很大[17， 18]，气候因子对产量构成要素的影响仅在少数地区通过了显著性检验，因此难以做出置信度较高的定量评价。

1.2 实验比较法及其应用

在气候变化影响粮食产量的实验中，首先需要设置两个或者两个以上的实验组，形成若干有差别的气候环境，然后跟踪测量各个实验组农作物的生长性状、产量构成和最终产量，最后对比分析不同生长环境下的粮食产量和产量构成的差异。

设置实验组有两种方法。第一种方法是使用人工气候室， 1949年美国加利福尼亚技术研究所建立了能控制光照、温度、湿度和气体成分的人工气候室，引起了众多学界特别是植物学界的关注[19]，随后很多国家都建立了不同规模和不同类型的人工气候室，包括全封闭环境模拟室、开顶式气室、开放式气室等[20]。第二种方法是更改作物的播期[21， 22]，由于在一年中各个实验组的作物基因、土壤组分、田间管理水平都完全相同，所以组间粮食生长性状和产量的差异完全是由生长期内气候环境的差异造成的，该方法虽然简单易行，但是不能控制气候因子的变化、不能模拟特定的气候情景，因此应用范围有限，在此不再赘叙。

考虑到未来的气候情景以CO2浓度和温度变化为主要特征，同时水分是雨养作物区重要的农业气候资源，人工气候室在设置作物生长环境时以CO2浓度、温度和水分控制为主。一般以大田自然气候环境为参照，改变这3种气候因子之一的值或者两个气候因子的值形成若干实验组[23-29]。在良好的实验条件下，研究者能够详细监控作物生长的过程，跟踪测量作物生长各阶段的物理性状、化学性状以及成熟后的产量和产量构成，这非常有利于从生化层面上探索气候变化对粮食产量的影响。Dwivedi S K等[29]分析4种基因型水稻的相对含水量、膜稳定性指数、叶绿素含量、光合速率、可溶性总糖含量和产量对CO2和温度变化的应激性，总体看来，CO2浓度升高25%对4种水稻各项生理指标都有不同程度的正向效应，效应值在5%～30%之间，而温度升高2℃也带来了大致相等的负面效应。居辉等[30]的盆栽试验显示，在不施氮肥的环境下，与大气浓度CO2(390mg/L)相比，高浓度CO2(550mg/L)可使冬小麦的生育期缩短3～5d，光合速率提升13%，水分利用效率增加39%，穗粒数增加3.7%，千粒重增加5.3%，产量提高16%。以上研究的结论比较精确，但是结论仅在严格的实验条件下才能够成立。相同的实验在不同的年份开展，其结果也可能产生较大的差异[30]，这表明实验比较法的研究结论依赖于苛刻的环境条件。

1.3 生产函数法及其应用

从经济学的角度来看，任何生产过程都可以看做是在一定的自然环境和社会经济条件下一组投入要素转化为产出的过程[31]。生产函数就是描述这一转化过程的数学表达，对于气候变化影响粮食产量的研究，生产函数法以分析粮食生产要素投入为切入点，探索各种投入要素对粮食产出的作用关系，构建生产函数方程，最后计算各种要素及其组合对粮食产量的弹性系数。综合气候因子和社会经济投入要素的生产函数模型也被称为气候—经济模型，是利用经济计量手段研究气候变化对粮食产量影响的代表性模型之一[32]。

生产函数法的应用研究可以分为两类，第一类通过对比包含气候因子在内的各种生产投入要素的弹性系数，寻找粮食生产的瓶颈[33-37]。朱琳[33]将粮食生产要素分为气候、技术、硬投入和政策4类，发现硬投入和气候因素对陕西省夏秋两季粮食单产起主导作用。相似的，田甜等[34]在分析各种农业资料投入、政策、规模和气候的基础上认为财政支持、机械化和农业技术是中国粮食单产水平提高的关键。第二类研究重点关注气候因子的弹性系数，忽略社会经济因子的弹性系数，其目的是在农业生产系统的大背景中分析气候变化对粮食产量影响的边际效应[38-42]。陈帅等[41]发现气候因子对粮食单产的影响是“倒U型”非线性关系，因此存在最优拐点，目前中国水稻种植区的降水量和日照时长已经超过了最优点，但是小麦种植区的降水量和日照时长却未达到最优点。丑洁明等[42]从生产函数模型中拓展出预测气候变化影响量的方法，用以描述气候变化的影响在粮食总产出中所占的分量，并且利用中国8个粮食生产区的小麦、稻谷和粮食总产的农业资料对该方法进行检验，结果显示，实际资料估算值与模型预测估算值之间的最大误差为8.45%， 8个地区中有5个地区的误差在2%以内，这表明该方法具有一定的可靠性。

1.4 气候生产潜力模型法及其应用

气候生产潜力是在光、温、水等自然条件下、利用最优管理手段一个地区可能达到的粮食产量的上限，也称为净第一性生产力[43]。气候生产潜力模型起源于对光合有效辐射和光能转化效率的研究[44]，后来添加了温度和水分参数，形成了光合潜力模型、光温潜力模型和气候潜力模型3个层次[45]。目前代表性的模型有Miami模型、Thornthwaite Memoiral模型、Chikugo模型、Wagenigen模型、农业生态区位(AEZ)模型、GAEZ模型、黃秉维模型、朱志辉模型、周广胜模型和逐级订正模型等。

结合地理信息系统(GIS)技术，利用气候生产潜力模型可以描绘粮食产量上限水平的时空格局演变，直观地分析粮食生产潜力的年际变化和区域差异。孙爽等[46]利用逐级订正法估算中国冬小麦潜在种植区在20世纪中后期两个时段内的冬小麦的潜在光温产量，分析了气候变化背景下中国冬小麦光温适宜种植区的界限、面积和分布的变化特征。王铮等[47]采用黄秉维模型计算中国在20世纪末期和21世纪中期的农业生产潜力，指出传统的农业生产潜力分界线(胡焕庸线)正在被改变。胡焕庸线以东秦岭淮河线以北的地区以及四川盆地的农业生产潜力升高，而南方省份的农业生产潜力降低，气候变化可导致胡焕庸线以西的地区人口比重增长1%。孙懿慧[45]对各类生产潜力模型进行筛选，结合实际产量分析水稻的增产潜力和增长空间，结果显示，湖北省水稻生产对气候资源的利用效率在35%～45%之间，仍有较高的增产潜力。总之，气候生产潜力模型的应用对优化种植区域和品种布局、提高单产水平、增强粮食生产综合能力、合理高效的利用气候资源具有重要的指导意义。

1.5 作物生长模型法及其应用

作物生长模型是以作物生长动力学理论为基础，采用系统工程的方法建立数学模型，模拟特定自然和经济条件下的农田生产系统水、碳、氮的流动、作物生长以及作物产量[48， 49]。作物生长模型从20世纪60年代起步，至今已发展出超过200种的类别[50]，目前应用较多的有WOFOST、SWAP、ORYZA、EPIC、DASSAT、APSIM、AquaCrop、CCSODS等系列。

作物生长模型因解释性强的特征而广受欢迎，在世界范围内得到了广泛的应用。早期的研究在实验的基础上，人为调整模型的气候参数进行粮食产量的敏感性分析[51]，随着IPCC一系列气候情景和浓度排放的推出，对未来气候变化的进程似乎可以做出具有一定可信度的预测，于是新的研究基本上结合全球或区域气候模式进行。此类研究一部分以预测未来气候情景下粮食产量的变化为基本目标[2-54]，另一部分则在此基础之上尝试寻求气候变化的适应性策略[5-57]。例如，Mihailovic D T等[52]利用DSSAT模型分析A1B和A2情景下塞尔维亚小麦、玉米和大豆产量的变化，指出仅有玉米在A2情景和缺乏灌溉的条件下才会减产。Stratonovitch P等[56]利用Sirius模型分析高温热害作用于小麦开花期带来的减产威胁，并且根据欧洲的气候情景评估培育新品种可能带来的增产潜力。

由于气候变化存在不确定性，集合模拟通过参数扰动以概率形式的结果取代确定性结果成为研究的一个热点方向[58-60]。叶宏宝等[60]参考CMIP5中11种气候模式和3种浓度路径排放共33种组合的气候情景，对于每种气候情景都用LARS-WG天气发生器随机模拟100次，形成了21世纪中后期逐日气象数据集，采用ORYZA2000模型模拟浙江省水稻生产的状况，最后以箱形图来表达不确定气候情景下水稻单产变化的特征分布，就产量箱型图的中值而言，若不考虑CO2的肥效作用， 3种排放情景下的早稻、晚稻和单季稻的平均减产幅度在21世纪中期都超过了20%，晚稻的最大减产幅度甚至达到36.17%。

2 各方法存在的问题

2.1 产量分解法的问题

在产量分解模型中，技术产量指的是平均气候条件下当年的农业技术水平能够获得的粮食产量，该产量的真实数据并不存在，其模拟值通过粮食产量序列趋势分析获得，具有稳定性的特征，因此产量分解模型包含了农业技术稳定进步的假设[61]。绿色革命以来，粮食产量的螺旋式上升证明了技术进步的存在，但是面向量化研究时，不得不思考如下两个问题：技术进步的稳定性有多强？技术产量适合用什么样的数学方法模拟？传统的Logistic函数、二次曲线、自然对数方程等方法虽然被大量采用，但是常常忽略对上述问题的回答。实际上，粮食产量具有非线性非平稳的特征[62-64]，年际间更替粮食品种、增加灌溉设施、改变耕作制度和发布粮食政策都可能带来粮食产量的大幅变动[64]，因此传统的函数方程拟合技术产量误差较大，一阶差分法在这种情况下也不满足使用条件，滑动平均、HP滤波和BP神经网络等方法则存在参数依赖或过度拟合的问题[65-67]。鉴于此，分时段拟合法[62， 68]、经验模态分解法[63]和去趋势互相关分析法[64]等一些新的方法开始被采用，这些方法虽然有益于问题的解决，但在实践中还未经过充分的检验。粮食生产是一个复杂的自然和经济过程，在缺乏粮食产量形成的机理分析时，拟合技术产量的误差不可避免，这增加了研究结论的误差。

2.2 实验比较法的问题

实验比较法的第一个问题是数据获取困难。由于CO2浓度、气温、降水等气候因子变量是连续型变量，不能一一列举其变量值，因此人工气候室在设置气候环境时只能为每个实验组分配特定的值。在实验完成后，一般只能对实验结果做对比分析，这种研究被局限在气候因子和粮食产量多维空间的“点对点”的比较上。如果需要将“点”连成“线”或者拓展成“面”，则需要建立回归方程。从现有的文献来看，大多数研究都选择两种气候因子变化组合设置实验的气候环境[25-29]，然而受实验数据过少的制约，这些研究未能进行粮食产量与两种气候因子变化的回归分析，所以研究结果无法外推。

实验比较法的另一个问题是研究结果的稳定性差。例如，高浓度CO2的肥效作用已经得到了研究者们的广泛认可，但是对肥效作用的强弱却各持己见。居辉等[30]的实验表明，高浓度CO2的肥效作用在低温年度明显偏低，然而Xu G等[69]的实验却发现高浓度CO2的肥效作用在低温环境下比高温环境下更加显著。相似的矛盾也出现在其他气候因子的研究中[25]，学者普遍认为，人工气候室的差异、作物品种差异以及施肥措施的差异是矛盾产生的原因[24， 25， 30]。此外，已有实验表明高浓度CO2在紫外UV-B辐射增强时丧失了肥效作用[70]，而O3浓度增加导致作物叶片损伤以致光合效率低下，也会影响到作物对其他气候资源的利用[71]。因此可以推断，气候因子对粮食产量的影响存在着交叉作用，针对某一种或者两种气候因子的实验如果忽视了外在环境条件，其研究结论的不确定性将大大增加。

2.3 生产函数法的问题

目前，粮食生产投入要素的分类以及各类要素的构成没有形成标准，因此现有的研究中要素投入指标呈现出多样化的特点，这容易造成遗漏变量偏误的问题。一部分研究在模型中仅仅设置农业资料投入和气候因子变量，忽略了农业政策、种植结构和经营规模等变量。而有些研究却表明这些易忽略的变量具有很高的弹性系数[34， 39， 63]。粮食产量与研究期的社会生产条件、农业政策、用户行为、市场规模和气候变化等多种要素均有或强或若的关联，发生重要变量遗漏的可能性很大。

如何构建生产函数又是摆在台面上的一道难题，即便研究者拥有详细全面的生产数据，也难以在现有的数学表达中选择一个恰当的模型。鉴于柯布—道格拉斯(C-D)生产函数理论在经济学中的巨大影响力，相当一部分研究在其基础之上引入气候因子构建C-D-C模型。然而，典型的C-D-C是线性回归，不能体现生产投入要素与粮食产量间的非线性关系，而且C-D-C模型中不包含变量交叉，无法表达生产投入要素组合对粮食产量的影响。于是，一些研究尝试用自变量的二次方表达非线性关系[39]，更进一步的，引入气候变量间的交叉项[72]或者气候变量与经济变量之间的交叉项[73]表达组合影响，有的则直接采用包含交叉项的超越对数生产函数模型[38， 74]。不过也有观点认为，气候变化对粮食产量的影响处于不断变化之中，这种变化不应该用固定参数模型表达[75]。以上研究为构建恰当的生产函数提供了参考，但时至今日，各种生产投入要素及其组合与粮食产量之间的量化关系依然不明确，因此构建符合实际的生产函数仍然困难。

2.4 气候生产潜力模型法的问题

气候生产潜力模型法以公式推导理论上的潜在产量，计算结果普遍偏高，难以在实践中验证，而且采用不同的模型和参数时结果相差悬殊。例如，逐级订正模型是一种常见的气候生产潜力估算模型，应用该模型时，设置温度对光合作用的订正参数可以采用三基点法、李克煌法、龙斯玉法、Cehenbauer法等等，不同的方法订正结果有明显差异[45， 76]，究竟哪种结果合理没有定论。

模型的公式通常只考虑光、温、水等自然因素，也有少量涉及到作物的生长性状，较少的模型变量虽然有利于推广应用，但是对于时间跨度大的研究来说，过少的变量限制了模型在时间方向上的外推应用。例如，CO2浓度变化是影响气候生产潜力的重要因素，短时间内CO2浓度微弱变化对粮食生产的影响可以忽略不计，然而一个地区气候生产潜力的变化只有通过长时间跨度的对比才能够发现，由于大多数的潜力模型不考虑大气组成，长时间段内CO2浓度变化对气候生产潜力的影响被忽略了。此外，在一些气候变化较大或耕作制度复杂的地区，气候变化可能带来耕作制度的改变，气候资源的利用效率将发生质变，这进一步增加了气候生产潜力模型的估算误差。

2.5 作物生长模型法的问题

气候变化对粮食产量的影响评估至少在区域尺度之上才会有政策意义。此时，气候情景从全球气候模式(GCM)缩小到区域气候模式(RCM)，性质为降尺度应用，而传统的作物模型通常基于田间尺度开发，属于升尺度应用，因此产生了尺度错位的问题。对于GCM降尺度的影响，一些实验表明，在简单的地形环境下，GCM和RCM驱动的作物产量模拟结果没有差异[77]，但在复杂的地形环境下，GCM和RCM的驱动效果则明显不同[78]，因此可以根据地形条件对GCM做降尺度处理，其不确定性仍在可控范围。对于模型升尺度应用的问题，传统单点作物模型的理论基础和结构框架无法提供有效的解决办法。例如，Gbegbelegbe S等[79]以0.5°×0.5°的分辨率进行全球小麦产量模拟时，为了创造均质化的区域农业环境而将全球小麦生产系统划分为17种类型，不同类型对应着不同的模型参数，然而模拟结果与FAO统计数据的差别依然较大，标准误差值达到1.3t/hm2。有太多的因素对模拟结果产生影响，气候、土壤、品种、种植密度、水肥措施都有可能造成系统误差，“均质化的农业环境”相对于敏感的作物模型来说只是一种“伪假设”。大量文献表明，作物模型参数标定的成本很高，需要全面并且精确的环境数据进行模型的验证，利用GIS工具的空间网格划分并不能提供足够精度的环境数据，作物模型在网格单元上极有可能失去了运行的边界条件，其模拟结果的不确定性太大。因此，重构单点作物模型框架、拓展区域作物模型理论是解决尺度依赖的一个重要思路[80]。

3 方法发展的趋势和驱动力

针对“未来的气候变化对粮食产量的影响”这一最具有价值的议题，气候模型驱动作物模型的方法是目前主流的研究方法，然而粮食生产并非只能被动接受气候变化的影响，土地利用方式和土地覆被变化也能够影响气候进程[81]。同时，降水的时空变异将重新分配区域可利用的水资源，农业灌溉和其他用水需求可能会产生冲突。此外，气候变化必定伴随着农户行为适应和农业技术进步，是否考虑这些经济因素对粮食生产的预测影响很大。这些问题需要多模型综合的方法来解决，在实践中，作物模型与气候模型的整合进展较为缓慢[82]，但是水文模型和作物模型的结合已经成熟[83， 84]，而纳入了经济模型的研究方法在气候变化的适应性方面也有所突破[85]。可以预见，随着科学的发展和人们对气候变化认知的逐渐深入，气候变化对粮食产量影响的研究将在作物生长模型法的基础上逐渐结合其他模型方法从而形成一套综合的气候—水文—作物—经济模型法。

方法的发展有两个驱动力量，第一个是多源数据融合，典型的代表是将具有空间连续性的遥感数据与具有时间连续性的作物模型同化[86]，改善作物模型的驱动参数，发展单点作物模型估产模式为区域作物模型估产模式[87， 88]。在气候模型、水文模型、作物模型和经济模型综合的过程中，其数据来源复杂、尺度不一、缺乏标准等问题将逐渐暴露出来，如何促进多源数据融合是一项重要挑战。方法发展的第二个驱动力是多目标研究模式的产生。从国家层面上来看，粮食生产既要满足当前社会对粮食的需求，又要保证未来粮食生产能力的可持续性，同时尽可能减少粮食生产过程中的温室气体排放。因此，粮食生产的目标不仅仅是高产，还包括土地合理利用和环境保护。从生产者层面上来看，农户从事粮食生产追求的是经济利益，最终产量不仅与种植技术有关，还与种植意愿和粮食价格有关，可以说农户的最终目标不是粮食高产，而是种粮收益。由此看出，粮食生产的目标是多方面的，产量是众多目标中的一个子目标，粮食生产追求的应该是整体目标最优，而不是子目标最优。考虑到这些因素，一些研究开始向多目标模式转变[89-91]。这些目标包括气候变化背景下的粮食高产、水土保持、土地温室气体排放控制、农户种粮收益等。他们相互制约，彼此可能发生冲突，需要统筹规划协调发展。当目标过多时，有必要引入一般均衡理论和多目标最优决策技术，这也会促进方法的发展与创新。

4 结论

将气候变化影响粮食产量的研究方法归纳为产量分解法，实验比较法，生产函数法，气候潜力模型法和作物生长模型法5个类别，对各类方法的应用方向和主要问题进行总结，探查方法发展的趋势和驱动力。

(1)产量分解法常用于分析粮食产量变化与不同生育期气候因子变化之间的关系。实验比较法一般用于粮食产量对单个气候因子或若干气候因子变化的敏感性分析。生产函数法适用于在农业生产系统中分析气候变化对粮食产量影响的边际效应。气候生产潜力模型法用于对比气候变化带来的粮食产量上限的改变，侧重于农业生产环境的评估。作物生长模型法一般结合气候情景预测未来气候变化对粮食产量的影响。

(2)产量分解法的主要问题是粮食的技术产量拟合困难，实验比较法的问题是数据获取难、模型稳定性较差，生产函数法容易遗漏重要变量、函数构造困难，气候生产潜力模型法的结论难以验证，作物生长模型法存在尺度错位的问题。

(3)气候变化对粮食产量影响的研究将由单一模型法逐渐向综合模型法过渡，多源数据融合和多目标研究模式成为方法发展的驱动力。