采用AquaCrop作物生长模型研究中国玉米干旱脆弱性

徐 昆，朱秀芳,2,3，刘 莹，侯陈瑶

·农业信息与电气技术·

采用AquaCrop作物生长模型研究中国玉米干旱脆弱性

徐 昆1，朱秀芳1,2,3※，刘 莹1，侯陈瑶1

（1. 北京师范大学地理科学学部遥感科学与工程研究院，北京 100875；2. 北京师范大学地表过程与资源生态学国家重点实验室，北京 100875；3. 北京师范大学环境演变与自然灾害教育部重点实验室，北京 100875）

干旱脆弱性评价作为干旱风险评估和灾损评估的重要环节，在保障国家粮食安全和农业可持续发展中具有重大意义。该文以中国5大玉米种植区为研究区域，以其中241个主要玉米种植城市为基本单元，采用扩展傅里叶幅度检验法选取出2个敏感参数（作物冠层形成后到衰老之前的作物系数和参考收获指数），并在此基础上对AquaCrop作物模型进行逐市的参数标定。利用参数标定后的模型对不同灌溉条件下玉米受到的水分胁迫及相应情景下的产量进行模拟计算，分别建立了5个玉米种植区对应的干旱脆弱性曲线。结果表明：5个区域的脆弱性曲线拟合结果均为S形曲线，当干旱强度指标达到0.2附近时，产量损失率开始迅速增加；当干旱强度指标达到0.6左右时，产量损失率接近最大值。拟合函数的决定系数2分别在0.47～0.98之间，曲线拟合结果较好，在中国区域性玉米干旱脆弱性研究与干旱风险评估领域具有一定的理论与应用价值。

干旱；水分胁迫；脆弱性曲线；AquaCrop模型；玉米

0 引 言

自20世纪50年代以来，以变暖为主要特征的全球气候变化不断加剧，干旱、洪涝等极端气象事件发生的频率也随之增加。农业生产在很大程度上依赖于自然气候条件，极易在气象灾害中受到损失[1-2]。联合国政府间气候变化专门委员会（intergovernmental panel on climate change，IPCC）和联合国粮农组织（food and agriculture organization of the united nations，FAO）均在报告中指出，农业是最容易受到气候变化影响的产业之一[3-5]。而干旱作为因气候变化引起的常见自然灾害之一，因其持续时间长、影响复杂的特性，被认为是最具破坏性的自然灾害之一。过去几十年，中国干旱事件频发[6-9]。2001－2016年，中国年均耕地干旱受灾面积约1.85×107hm2，占各类气象灾害受灾总面积的近50%，其中绝收面积达到2.16×106hm2[10]。农业干旱已成为威胁中国粮食安全和农业可持续发展的重要因素[11-12]。因此，干旱风险评估在农业管理中具有重要意义。

作为对承灾体抵抗灾害能力的一种度量，脆弱性评估是风险评估的重要基础。早期的脆弱性评估以定性研究为主[13-14]，后来随着模糊数学在风险评价中的应用，脆弱性评估的定量方法得到不断发展。目前，常用的定量脆弱性评价方法主要包含3种类型[15-16]：基于历史灾害损失数据的脆弱性评价方法[17]、基于指标的脆弱性评价方法[18]以及基于灾害损失曲线（脆弱性曲线）的脆弱性评价方法。

脆弱性曲线已广泛应用于洪水[19-20]、地震[21-23]、台风[24-25]、滑坡[26-27]、雪崩[28-29]、冰雹[30]等多类灾种的脆弱性定量研究中。在农业干旱的研究领域中，随着多种作物生长模型的迅速发展，模型构建法成为脆弱性曲线研究的重要方法之一[31]。Yin等[32]基于EPIC作物生长模型，利用水分胁迫指数构建了全球35个国家和地区的玉米干旱脆弱性曲线，Guo等[16]在此基础上加入了环境因素的考虑，建立了“产量损失-干旱指数-环境指标”的三维脆弱性曲面。Wang等[15]、Yue等[33]分别基于EPIC模型构建了中国小麦的区域性脆弱性曲线，Jia等[34-35]则分别对中国不同区域的玉米脆弱性曲线进行拟合研究。

上述研究对作物生长模型的校正多采用国家、省份、流域、自然区划等较大区域为模型校正的基本单元，难以保证单元内部的自然地理条件的均一性。干旱指标的构建采用水分胁迫指数的逐日累加的方法，只考虑了干旱的累积效应而忽略了干旱持续时间的影响，为解决以上问题，该文以中国5大玉米种植区域内的241个玉米种植城市为研究区域，以地级市为模型校正的基本单元，对AquaCrop作物模型参数进行逐市的标定，在此基础上模拟了不同灌溉情景下玉米受到的水分胁迫及对应的产量，使用水分胁迫的日均值代替传统的累加值来描述干旱强度，进而构建5个玉米种植区的干旱脆弱性曲线。

1 研究区概况

玉米是中国三大主要谷类作物之一。中国玉米种植范围广泛，主要集中在东北、华北和西南地区，形成从东北到西南的一条长而倾斜的玉米种植带。根据气候、土壤、地貌等地理条件以及耕作制度等各项因素，佟屏亚[36]将中国划分为6个主要玉米种植区，分别为北方春播玉米种植区、黄淮海夏播玉米种植区、西南山地玉米种植区、南方丘陵玉米种植区、西北灌溉玉米种植区以及青藏高原玉米种植区。

该文在Earth Stat全球作物分布数据的基础上，结合各省市、农村的统计年鉴与调查年鉴，最终选取中国241个主要玉米种植城市作为研究对象。上述241个城市均分布在5个玉米种植区中：73个在北方春播玉米种植区，66个在黄淮海夏播玉米种植区，52个在西南山地玉米种植区，34个在南方丘陵玉米种植区，16个在西北灌溉玉米种植区，如图1所示。

图1 中国玉米产区分布

2 数据与方法

2.1 AquaCrop模型原理简介

AquaCrop是2009年由FAO组织研发出的一款新型作物生长模型，模型主要包含土壤水分平衡、作物生长模拟和大气组分3个基本模块[37]。它是水分驱动模型[38]，通过控制土壤中可利用水的含量来影响作物产量。FAO灌溉与排水第33号文件给出了作物产量和水分响应的转换关系，如式（1）所示：

式中Y和0分别为作物的潜在产量和实际产量，kg/m2；ET和ET0分别为作物潜在蒸散量和实际蒸散量，mm；k为产量对水分响应的系数。

AquaCrop模型对上述方程进行了改进，将蒸散量进一步分为土壤蒸发量和作物蒸腾量2部分，从而避免了非生产性用水（土壤蒸发）与生产性用水（作物蒸腾）效应的混淆。最终的生产量以生物量和收获指数来表示，用以突出水分胁迫对二者各自的影响。改进后的公式为[37]

式中为最终作物产量，kg/m2；为生物量，kg/m2；HI为收获指数；WP为生物量水分生产效率，kg/(m2·mm)；T为作物蒸腾量，mm。

2.2 数据说明

AquaCrop作物模型所需的输入数据主要包括4个部分：气象数据、土壤数据、作物数据和管理数据（表1）。在本研究中，气象数据来源于国家气候中心和欧洲中期天气预报中心，主要包含中国1979—2015年的气温、降水、风速、太阳辐射等；土壤数据来自ISRIC世界土壤信息，主要包含土壤质地、土壤有机质含量和土层剖面等信息；作物数据包含作物生长发育参数、蒸发蒸腾参数、产量形成参数、胁迫参数等；管理数据则取自于模型默认值。此外，各市的市级玉米单产数据来源于中国农村统计年鉴以及全国各省统计年鉴，用于AquaCrop模型参数的校正和验证。

2.3 研究方法

2.3.1 模型校正与验证

参数敏感分析可以有效减少模型校正过程中的数据处理量，大幅度提高工作效率。该文采用扩展傅里叶幅度检验法（extended Fourier amplitude sensitivity test, EFAST）来进行敏感参数分析[39-40]。EFAST是一种基于方差分解的全局敏感性分析方法，目前已经广泛应用于多种作物模型[41-44]。该方法通过分解模拟结果的方差获得各参数的敏感指数，参数的敏感性指数越大表示该参数对模型输出结果的影响越大。研究中选取2个敏感性指数最大的参数作为待校正参数。

在其他非敏感参数固定的情况下，将待校正的敏感参数以FAO作物参考手册中提供的参考值为初始值，在0.7～1.3范围内以0.02为步长进行随机变化，在所有参数组合下运行模型并得到对应的模拟产量，然后与统计产量进行拟合，以二者的归一化均方根误差（normalized root mean square error，NRMSE）作为模型校正的评价指标。通常认为，当NRMSE达到10%以下为优秀，10%～20%之间为良好，20%～30%之间为尚可，大于30%则说明拟合结果较差。

完成模型校正工作后，将标定的参数组合输入模型模拟出各市玉米产量，并与统计数据进行拟合，以决定系数（2）作为评价指标，对校正结果进行验证。

2.3.2 脆弱性曲线构建

利用AquaCrop作物模型中的灌溉管理功能进行灌溉情景设置。情景1为完全灌溉情景，在作物模型中选择灌溉方式为净灌溉（net irrigation），设置灌溉水平为100%，即灌溉能够完全满足作物生长需求。情景2为无灌溉情景，对应灌溉方式中的雨养（rain-fed），即不灌溉，完全依靠自然降水提供作物生长所需水分的情景。2种情景都处于历史真实气象条件、实际土壤条件和默认田间管理条件下，是否存在水分胁迫是2种灌溉情景的唯一区别。故认为情景1与情景2中模拟产量的差值即为剔除其他环境胁迫的影响、只由水分胁迫造成的损失，为历史真实气候条件下因干旱导致的产量损失值。

表1 数据说明

脆弱性曲线是一种定量化表达承灾体脆弱性的方法，在该文中用来衡量作物在遭受干旱影响时可能导致的产量损失。故构建脆弱性曲线的关键在于干旱强度指标和产量损失指标的设计和构建。

该文使用作物水分胁迫指数（crop water stress indicator，CWSI）来定义干旱强度指标，式（4）为水分胁迫指数的计算方式[45]，用作物模型模拟中的实际蒸散量与潜在蒸散量的比值来表示。水分胁迫指数受到气象条件、土壤性质、作物遗传参数以及耕作制度等多种因素的共同影响，取值范围在0~1之间，指数越大代表作物受到的水分胁迫越强烈。

式中CWSI为水分胁迫指数，ET和ET0分别为实际蒸散量和潜在蒸散量，mm。

考虑到干旱的累积效应和干旱持续时间的影响，笔者将干旱强度指标定义为水分胁迫指数的日均值：

式中DHI表示干旱强度指数，CWSI表示第天的水分胁迫指数，表示生育期天数，d。

产量损失指标用产量损失率表示：

式中YLR表示玉米因水分胁迫导致的产量损失率，1和2分别表示情景1（完全灌溉）和情景2（无灌溉）条件下的玉米产量，t/hm2。

从AquaCrop模型的模拟输出结果中提取2个不同灌溉情景下各玉米种植城市历年的产量，计算其因干旱导致的产量损失率及对应的干旱强度指标。在此基础上拟合出5个玉米种植区的干旱脆弱性曲线。已有研究显示[15,33-34,46]，干旱强度指标和产量损失率之间符合logistic函数关系。故本研究基于1979—2015年共37 a的长时期历史情境，使用logistic曲线实现脆弱性曲线拟合。

3 结果与分析

3.1 模型校正与验证

由参数敏感性分析得到的2个敏感参数分别为作物冠层形成后到衰老之前的作物系数K和参考收获指数HI0（表2）。

表2 参数全局敏感性分析排名前10的参数

模型校正结果为241个城市的标准参数组。采用线性回归结果的斜率、R和nRMSE，通过比较每个城市的模拟产量和统计产量对经过参数校正的模型进行精度检验，结果如图2所示。模拟产量统计产量的皮尔逊相关系数为0.82，拟合直线的斜率为0.81（通过显著性检验，在0.01水平上显著），散点集中在1:1线附近，说明利用作物模型模拟出的产量与实际产量接近；2=0.67，拟合程度较高；nRMSE=17%，介于10%～20%之间，结果良好。总体来说，模型校正的精度达到预期水平。经验证后的各城市的率定参数K为0.315～1.785、HI0为0.144～0.816。

图2 模型验证结果

3.2 区域脆弱性曲线

图3为中国5个玉米种植区的干旱脆弱性曲线拟合结果及对应的灾损函数表达式。北方春播玉米种植区、黄淮海夏播玉米种植区、西南山地玉米种植区、南方丘陵玉米种植区、西北灌溉玉米种植区的拟和结果对应的2依次为0.93、0.86、0.47、0.70、0.98，总体来说位于北方的3个区域的拟合效果优于南方的2个区域。由脆弱性曲线拟合结果图可以看出，5个区域的拟合曲线均近似为“S”形。当干旱强度指标DHI达到0.2附近时，产量损失率开始迅速增加；当DHI达到0.6左右时，产量损失率接近最大值。

观察图中散点可知，西北灌溉玉米种植区各城市单元的干旱强度明显高于其他地区，西南山地区和南方丘陵区的干旱强度则明显最低。表3对241个城市单元的年均干旱强度指数进行了统计。结果显示，西北灌溉玉米种植区的干旱水平最高，所有城市单元的DHI均在0.2以上，其中81.25%的城市高于0.4。其次是北方春播玉米种植区，近半数城市单元的DHI达到0.2以上，20%左右超过0.4。再次是黄淮海夏播玉米种植区和南方丘陵玉米种植区。干旱水平最低的是西南山地玉米种植区，该区域中所有城市单元的DHI均在0.2以下。

图3 不同玉米种植区区域干旱脆弱性曲线

表3 不同干旱强度指标下城市个数及占比

4 讨 论

4.1 模型校正与验证

作物模型校正和验证的精度通常会受到多种因素的影响，例如校正单元、样本数量以及模型输入数据的质量等。在现有全国尺度基于模型模拟的脆弱性曲线研究中，模型校正通常以较大的自然区域作为基本校正单元[15,33-34,47]。根据地理学第一定律[48]，如果基本校正单元过大，则难以保证同一区域内的均质化，同一组标定参数不能真实反映区域内的地理环境差异，从而导致作物模型的模拟结果产生较大的误差。故本研究采用市级行政单元作为作物模型的基本校正单元，有效提高了同一校正单元内地理环境的相似性，从而提高了模型的模拟运算精度。

除去基本校正单元的选择，还有一些其他因素可能影响模型参数标定的精度。研究中采用扩展傅里叶幅度检验法选取了2个敏感参数进行标定，但其他非敏感参数同样对模型模拟结果存在或多或少的影响；同时由于缺乏实际的田间管理数据（如灌溉、施肥、农药、地表覆盖等），研究中采用模型默认值作为输入，同样可能导致模拟结果的误差；此外，对不同玉米品种间作物参数差异的忽略也可能是模型校正不确定性的来源之一。

4.2 干旱指标构建

在已有的研究中，基于水分胁迫构建干旱指标的方法通常采用生育期内每日水分胁迫指数的累加值来计算干旱强度指数，常用的2种计算方法如式（7）[16,32]和式（8）[33,47,49]所示：

式中DHI代表第年第个区域/格网的干旱强度指数，CWSI为第年中第天的水分胁迫指数，max(DHI)和min(DHI)分别代表第个区域/格网中所有站点/场景下历年DHI的最大值和最小值。这2种方法均采用以水分胁迫指数累加值计算干旱强度指数DHI的方法（称为累加法）。这种方法存在2个弊端：1）累加法只考虑到作物干旱的累积效应而忽略了干旱持续时间的影响。当作物因干旱提前死亡而导致生育期提前结束的情况下，模型模拟会提前结束，由累加法计算得到的干旱强度将会比实际值偏小，这将可能导致干旱脆弱性曲线拟合过程中出现DHI值偏小而对应产量损失率接近1的异常点，使得脆弱性曲线拟合结果出现偏差。2）由于累加法计算得到的DHI值通常大于1，为了使DHI的取值范围落在0~1之间，上述公式均对累加结果进行了标准化处理。但是这样一来，不仅干旱强度指数失去了其作为水分胁迫指数的真实物理意义，同时不同区域之间也会失去可比性。

本研究中用水分胁迫指数的日均值（式（6））代替传统的累加值，提出了更加合理的干旱强度指数构建方法。当一个情景中不存在作物提前死亡的情况时，使用日均法与累加法构建的干旱强度指数是相同的，而当作物因干旱死亡、提前结束生育期的情景下，使用日均值能够有效解决干旱指数计算小于真实值的问题，从而提高脆弱性曲线拟合的精度；同时也使得不同情景之间更具可比性，因此日均法的适用范围更为广泛。此外，由于水分胁迫指数的取值范围本身就介于0~1之间，不需要进行额外的标准化处理，故很容易对不同区域间干旱强度指数的大小进行统计和比较。综上，该文中在传统累加法的基础上改进后得到的日均法更适用于脆弱性曲线研究中干旱强度指标的构建。

4.3 作物在不同生长阶段对干旱的响应

该文仅研究了玉米在完整生育期中产量受水分胁迫的影响，在构建脆弱性曲线的时候，各生长阶段的水分胁迫大小在干旱致在强度的计算中是等权重的。但事实上，由于作物在不同生长阶段对水分的需求有所差异，在相同的水分胁迫强度下产生的影响也应有所不同。故在未来的研究中，应当进一步完善对作物在不同生长阶段对干旱强度的响应规律，在建立干旱强度指标时对不同阶段的水分胁迫赋予相应的权重，进一步增加作物干旱脆弱性曲线的理论和实用价值。

5 结 论

该文以中国5大玉米种植区域中的241个玉米种植城市为研究单元，在对AquaCrop作物模型完成参数标定的基础上，提出了基于模型模拟的脆弱性曲线构建方法。主要结果如下：

1）AquaCrop作物模型中，对玉米产量变化最为敏感的2个参数分别是作物冠层形成后到衰老之前的作物系数和参考收获指数。对这2个敏感参数在241个玉米种植城市中进行逐市标定，最终得到对应241个城市的241个标准参数组。验证的结果表明，模型校正的精度较高（2=0.67）。

2）5个玉米种植区的玉米干旱脆弱性曲线拟合结果均接近“S”形，当干旱强度指标（drought hazard index, DHI）达到0.2附近时，产量损失率开始迅速增加；当DHI达到0.6左右时，产量损失率接近最大值。北方春播玉米种植区、黄淮海夏播玉米种植区、西南山地玉米种植区、南方丘陵玉米种植区、西北灌溉玉米种植区拟合函数的决定系数依次为0.93、0.86、0.47、0.70、0.98，曲线拟合结果较好，在中国区域性玉米干旱脆弱性研究方面具有一定参考价值，在干旱风险评估领域具有一定的实际应用价值。

[1]Rosenzweig C, Elliott J, Deryng D, et al. Assessing agricultural risks of climate change in the 21st century in a global gridded crop model intercomparison[J]. Proceedings of the National Academy of Sciences, 2014, 111(9): 3268－3273.

[2]Xie W, Xiong W, Pan J, et al. Decreases in global beer supply due to extreme drought and heat[J]. Nature Plants, 2018, 4(11):964－973.

[3]IPCC. Climate change 2007: Impact, adaption, and vulnerability[M]. Cambridge: Cambridge University Press, 2007.

[3]IPCC. Climate change 2014: Impact, adaption, and vulnerability[M]. Cambridge: Cambridge University Press, 2014.

[4]FAO. Global report on food crises 2017[R/OL]. 2017-03-28 [2019-05-01]. http://www.fao.org

[5]何斌，武建军，吕爱锋. 农业干旱风险研究进展[J]. 地理科学进展，2010，29(5)：557－564.

He Bin, Wu Jianjun, Lü Aifeng. New advances in agricultural drought risk study[J]. Progress in Geography, 2010, 29(5): 557－564. (in Chinese with English abstract)

[6]Dai A. Increasing drought under global warming in observations and models[J]. Nature Climate Change, 2012, 3(1): 52－58.

[7]Chen H, Sun J. Changes in drought characteristics over China using the standardized precipitation evapotranspiration index[J]. Journal of Climate, 2015, 28(13): 5430－5447.

[8]Yao N, Li Y, Lei T, et al. Drought evolution, severity and trends in mainland China over 1961－2013[J]. Science of the Total Environment, 2018, 616/617: 73－89.

[10]国家统计局. 中国统计年鉴[M]. 北京：中国统计出版社, 2017.

[11]Lobell D B, Schlenker W, Costa-Roberts J. Climate trends and global crop production since 1980[J]. Science, 2011, 333(6042): 616－620.

[12]Leng G, Tang Q, Rayburg S. Climate change impacts on meteorological, agricultural and hydrological droughts in China[J]. Global & Planetary Change, 2015, 126(126): 23－34.

[13]Birkmann J. Measuring vulnerability to promote disaster- resilient societies: Conceptual frameworks and definitions[M]. Measuring Vulnerability to Natural Hazards: Towards Disaster Resilient Societies. Tokyo: United Nations University Press, 2006.

[14]Wisner B. At risk: Natural hazards, people’s vulnerability and disasters[M]. London: Psychology Press, 2004.

[15]Wang Z, He F, Fang W, et al. Assessment of physical vulnerability to agricultural drought in China[J]. Natural Hazards, 2013, 67(2): 645－657.

[16]Guo H, Zhang X, Lian F, et al. Drought risk assessment based on vulnerability surfaces: A case study of maize[J]. Sustainability, 2016, 8(8): 813.

[17]Dilley M. Natural disaster hotspots: A global risk analysis[J]. Uwe Deichmann, 2005, 20(4): 1－145.

[18]Wu H, Wilhite D A. An operational agricultural drought risk assessment model for Nebraska, USA[J]. Natural Hazards, 2004, 33(1): 1－21.

[19]Smith D I. Flood damage estimation: A review of urban stage-damage curves and loss functions[J]. Water SA, 1994, 20(3): 231－238.

[20]Dutta D, Herath S, Musiakec K. A mathematical model for flood loss estimation[J]. Journal of Hydrology, 2003, 277(1/2): 24－49.

[21]Singhal A, Kiremidjian A S. Method for probabilistic evaluation of seismic structural damage[J]. Journal of Structural Engineering, 1996, 122(12): 1459－1467.

[22]Colombi M, Borzi B, Crowley H, et al. Deriving vulnerability curves using Italian earthquake damage data[J]. Bulletin of Earthquake Engineering, 2008, 6(3): 485－504.

[23]Orsini G. A model for buildings’ vulnerability assessment using the parameterless scale of seismic intensity (PSI)[J]. Earthquake Spectra, 2012, 15(3): 463－483.

[24]Khanduri A C, Morrow G C. Vulnerability of buildings to windstorms and insurance loss estimation[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2003, 91(4): 455－467.

[25]Lee K H, Rosowsky D V. Fragility assessment for roof sheathing failure in high wind regions[J]. Engineering Structures, 2005, 27(6): 857－868.

[26]Bell R, Glade T. Quantitative risk analysis for landslides: Examples from Bildudalur, NW-Iceland[J]. Natural Hazards and Earth System Sciences, 2004, 4(1): 117－131.

[27]Galli M, Guzzetti F. Landslide vulnerability criteria: A case study from Umbria, central Italy[J]. Environmental Management, 2007, 40(4): 649－664.

[28]Keylock C J, Barbolini M. Snow avalanche impact pressure - vulnerability relations for use in risk assessment[J]. Canadian Geotechnical Journal, 2001, 38(2): 227－238.

[29]Cappabianca F, Barbolini M, Natale L. Snow avalanche risk assessment and mapping: A new method based on a combination of statistical analysis, avalanche dynamics simulation and empirically-based vulnerability relations integrated in a GIS platform[J]. Cold Regions Science and Technology, 2008, 54(3): 193－205.

[30]Hohl R, Schiesser H H, Aller D. Hailfall: The relationship between radar-derived hail kinetic energy and hail damage to buildings[J]. Atmospheric Research, 2002, 63(3): 177－207.

[31]周瑶，王静爱. 自然灾害脆弱性曲线研究进展[J]. 地球科学进展，2012，27(4)：435－442.

Zhou Yao, Wang Jingai. A review on development of vulnerability curve of natural disaster[J]. Advance in Earth Sciences, 2012, 27(4): 435－442. (in Chinese with English abstract)

[32]Yin Y, Zhang X, Lin D, et al. GEPIC-V-R model: A GIS-based tool for regional crop drought risk assessment[J]. Agricultural Water Management, 2014, 144: 107－119.

[33]Yue Y, Li J, Ye X, et al. An EPIC model-based vulnerability assessment of wheat subject to drought[J]. Natural Hazards, 2015, 78(3): 1629－1652.

[34]Jia H, Wang J, Cao C, et al. Maize drought disaster risk assessment of China based on EPIC model[J]. International Journal of Digital Earth, 2012, 5(6): 488－515.

[35]董姝娜，庞泽源，张继权，等. 基于CERES-Maize模型的吉林西部玉米干旱脆弱性曲线研究[J]. 灾害学，2014，29(3)：115－119.

Dong Shuna, Pang Zeyuan, Zhang Jiquan, et al. Research on vulnerability curve of drought disaster of maize on CERES-Maize model in western Jilin province[J]. Journal of Catastrophology, 2014, 29(3): 115－119. (in Chinese with English abstract)

[36]佟屏亚. 中国玉米种植区划[M]. 北京：中国农业科技出版社，1992.

[37]朱秀芳，李宜展，潘耀忠，等. AquaCrop作物模型研究和应用进展[J]. 中国农学通报，2014，30(8)：270－278.

Zhu Xiufang, Li Yizhan, Pan Yaozhong, et al. A review on the research and application of AquaCrop model[J]. Chinese Agricultural Science Bulletin, 2014, 30(8): 270－278. (in Chinese with English abstract)

[38]Todorovic M, Albrizio R, Zivotic L, et al. Assessment of AquaCrop, CropSyst, and WOFOST models in the simulation of sunflower growth under different water regimes[J]. Agronomy Journal, 2009, 101(3): 509－521.

[39]邢会敏，相诗尧，徐新刚，等. 基于EFAST方法的AquaCrop作物模型参数全局敏感性分析[J]. 中国农业科学，2017，50(1)：64－76.

Xing Huimin, Xiang Shiyao, Xu Xingang, et al. Global sensitivity analysis of AquaC rop crop model parameters based on EFAST method[J]. Scientia Agricultura Sinica, 2017, 50(1): 64－76. (in Chinese with English abstract)

[40]Saltelli A. Sensitivity analysis: Could better methods be used?[J]. Journal of Geophysical Research Atmospheres, 1999, 104(D3): 3789－3793.

[41]姜志伟，陈仲新，周清波，等. CERES-Wheat作物模型参数全局敏感性分析[J]. 农业工程学报，2011，27(1)：236－242.

Jiang Zhiwei, Chen Zhongxin, Zhou Qingbo, et al. Global sensitivity analysis of CERES-Wheat model parameters[J]. Transaction of the Chinese Society of Agriculture Engineering (Transactions of the CSAE), 2011, 27(1): 236－242. (in Chinese with English abstract)

[42]DeJonge K C, Li J C A, Ahmadi M, et al. Global sensitivity and uncertainty analysis of a dynamic agroecosystem model under different irrigation treatments[J]. Ecological Modelling, 2012, 231: 113－125.

[43]Wang J, Li X, Lu L, et al. Parameter sensitivity analysis of crop growth models based on the extended Fourier amplitude sensitivity test method[J]. Environmental Modelling & Software, 2013, 48(5): 171－182.

[44]Vanuytrecht E, Raes D, Willems P. Global sensitivity analysis of yield output from the water productivity model AquaCrop[J]. Environmental Modelling & Software, 2014, 51(1): 323－332.

[45]Jackson R D, Idso S B R J, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133－1138.

[46]Cui Y, Jiang S, Jin J, et al. Quantitative assessment of soybean drought loss sensitivity at different growth stages based on S-shaped damage curve[J]. Agricultural Water Management, 2019, 213: 821－832.

[47]Jia H C, Pan D H, Li J, et al. Risk assessment of maize drought disaster in southwest China using the Environmental Policy Integrated Climate model[J]. Journal of Mountain Science, 2016, 13(3): 465－475.

[48]Tobler W R. A computer movie simulatiing urban growth in the detroit region[J]. Economic Geography, 1970, 46(2): 234－240.

[49]Wang Z, Fang W, Sun P, et al. Assessment on typical drought risk for wheat production in China based on natural vulnerability[J]. Arid Zone Research, 2010, 27(1): 23－35.

Vulnerability of drought disaster of maize in China based on AquaCrop model

Xu Kun1, Zhu Xiufang1,2,3※, Liu Ying1, Hou Chenyao1

(1100875,; 2.100875,; 3.100875,)

Drought disaster assessment has become increasingly significant in ensuring national food security and sustainable agricultural development. Vulnerability assessment plays a significant role in disaster research area and vulnerability curve is one of the common quantitative evaluation methods in the field of vulnerability research. In this paper, using the AquaCrop model that has been calibrated city by city, we simulated the response of maize yield to different water stress and then constructed drought vulnerability curves for 5 maize planting regions in China: the north spring maize planting region, the Huang-Huai-Hai summer maize planting region, the southwest mountain maize planting region, the south hilly maize planting region and the northwest irrigated maize planting region. In this research, firstly, 2 of 36 main crop parameters of maize were selected as sensitive parameters based on a global sensitivity analysis method, Extended Fourier Amplitude Sensitivity Test. Then, AquaCrop model was calibrated city by city in 241 maize-growing cities and used to simulate the maize yield under different irrigation scenarios. Finally, we built drought vulnerability curves of 5 main maize plating regions with an improved drought hazard index construction method, which used an average value of daily drought hazard indexes instead of the commom accumulate value, thus we raised comparability of drought hazard index between different maize planting regions and took extreme drought situation into account. The results showed that: 1) The 2 most sensitive parameters to maize yield in the Aquacrop model were the crop coefficient when canopy growth was complete but prior to senescence and the reference harvest index. We finally obtain 241 groups of parameters for the 241 maize planting cities after finishing model calibration and according to the result of validation, the accuracy of the model calibration was satisfactory (2=0.67). 2) All the 5 vulnerability curves followed an “S” shape. And we found that when the drought hazard index reached 0.2, the yield loss rate began to increase rapidly; and when it reached 0.6, the yield loss rate approached the maximum value. The2of the fitted functions in 5 maize planting regions were 0.93, 0.86, 0.47, 0.70, 0.98, respectively. The northwest irrigated maize planting region had the highest2and the southwest mountain maize planting region had the lowest. The drought situation was more serious in the northwest irrigated maize planting region, followed by the north spring maize planting region, the Huang-Huai-Hai summer maize planting region, the south hilly maize planting region and the southwest mountain maize planting region. The research enriched case studies of the AquaCrop model and vulnerability curve construction, quantitatively explored the spatial and temporal differences in drought effects on maize yield in China and enhanced the researches on yield loss prediction. It provides valulble information for the study of drought hazard vulnerability of maize in China and has a certain practical value in the field of drought risk assessment.

drought; water stress; vulnerability curves; AquaCrop model; maize

徐 昆，朱秀芳，刘 莹，侯陈瑶. 采用AquaCrop作物生长模型研究中国玉米干旱脆弱性[J]. 农业工程学报，2020，36(1)：154－161.doi：10.11975/j.issn.1002-6819.2020.01.018 http://www.tcsae.org

Xu Kun, Zhu Xiufang, Liu Ying, Hou Chenyao. Vulnerability of drought disaster of maize in China based on AquaCrop model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(1): 154－161. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.01.018 http://www.tcsae.org

2019-05-09

2019-09-10

国家重点研发计划（2019YFAO606900）；国家自然科学基金青年基金项目（41401479）

徐 昆，博士生，专业方向为地图学与地理信息系统。Email：xukun@mail.bnu.edu.cn

朱秀芳，副教授，博士，主要研究方向为遥感应用。Email：zhuxiufang@bnu.edu.cn

10.11975/j.issn.1002-6819.2020.01.018

S423; S513

A

1002-6819(2020)-01-0154-08