基于日尺度的安徽省冬小麦生长过程阴湿害灾损评估模型研究

陈金华，岳 伟，吴文革 ，许有尊，乔玉强，刘瑞娜，杨太明

(1.安徽省农业气象中心安徽省农村综合经济信息中心，安徽合肥 230031；2.安徽省农业科学院水稻研究所，安徽合肥 230031；3.安徽省农业科学院作物研究所，安徽合肥 230031)

苏皖两省淮河以南、湖北北部及河南南部等地区是我国稻茬小麦最主要种植区域，面积约500万hm2[1]。该区域稻-麦种植为我国粮食安全做出重要贡献，但受暖湿型气候影响，长江中下游稻茬小麦种植过程中湿渍害问题突出，严重影响其产量与品质[2-5]。研究表明，苏皖两省江淮及其以南地区3-5月份年平均湿渍害发生次数为1.5～3.0次，渍害过程的平均持续时间达6 d以上[6]。造成小麦减产10%以上的涝渍灾害平均每5年发生2次[7-8]。

前人在小麦湿渍害评估方面开展了大量研究。霍治国等[9]选取旬降水量、雨日、日照时数，构建了冬小麦、油菜涝渍指数与等级标准。盛绍学等[10]、马晓群等[11]利用产量统计资料和旬尺度的阴湿害气象指数分别建立了基于灾损率的冬小麦渍害指标与损失评估模型。吴洪颜等[12]利用涝渍害气象指数和灾损评估模型，反演、分析了长江中下游地区春季涝渍害的发生和灾损风险区划的时空分布特征。秦鹏程等[13]基于时段有效降水和潜在蒸散确定了湿渍害过程判别和等级划分方法。范雨娴等[14]以有效累积降水量及连阴雨日数为判别因子，构建基于逐日数据的油菜春季涝渍过程灾变判别指标。张旭晖等[15]综合应用土壤水分与气象观测数据，构建基于日渍涝灾害指标和权重指数的渍涝灾害过程指数模型。在渍害作用机理方面，吴晓丽等[16]、吴启侠等[17]、胡继超等[18]通过试验发现不同时期的渍水对冬小麦生物学特性、干物质与产量都有明显影响。李金才等[19]、张永清等[20]、刘 杨等[21]分析指出孕穗期或灌浆期渍水的影响大于拔节期，返青期、苗期次之。但也有研究认为，出苗期是稻茬小麦渍害影响关键期[22]。

目前广泛应用的湿渍害评估模型多以旬以上尺度的阴湿指数、湿润指数作为主要参数。这类指数资料易于获取、简单实用，但统计时段出现旱涝急转时，会将整个时段作为渍害影响时期。开展不同生育时期湿渍害影响机理研究对确定作物渍害防控敏感期及育种选种有重要意义，但有关结论与渍害风险评估融合应用案例并不多见。陈金华等[23]以前期降水、蒸散为基本参量，构建了日尺度的标准化前期降水蒸散指数(standardized antecedent precipitation evapotranspiration index, SAPEI)，由于采用三参数的log-Logistic概率分布F(x)进行标准化拟合，在表征日尺度的农田旱涝演变方面有较强适用性与通用性。本研究拟在此基础上，探讨日尺度的SAPEI与前人不同生育时期渍害敏感性分析试验结果耦合应用的可行性，以期构建一种日尺度的安徽省冬小麦生长过程阴湿害灾损评估方法。

1 模型构建方法

1.1 数据来源

气象资料来源于安徽省气象局，包括78个地面气象观测站的1961-2018年逐日平均气温、最高气温、最低气温、降水量、风速、空气相对湿度、日照时数等。1961-2014年冬小麦分县产量资料来源于安徽省统计年鉴。2016年冬小麦渍害损失率调查数据来源于安徽省农业科学院。

1.2 趋势产量分解

农作物的实际产量(Yo) 受社会生产力水平、气象条件及随机因素共同影响。忽略随机因素影响情况下，气象产量(Yw)可表示为：

Yw=Yo-Yt

(1)

式中Yt为趋势产量，由社会生产力水平决定Yw气象产量。气象产量是绝对量，不具可比性，因此引入气象减产率(△Y)的概念，即：

△Y=(Yo-Yt)/Yt×100%

(2)

本研究趋势产量分解采用HP滤波方法[24]，通过Eviews软件实现。

1.3 基于日尺度过程的冬小麦阴湿害综合指数构建

1.3.1 标准化前期降水蒸散指数

无灌溉时忽略地表径流与地下水影响，某日水分收支量(△Wi)可用降水与蒸散差值来表示。

△Wi=Pi-Kc×ET0,i

(3)

式中，i为日序数；Pi为日降水量，ET0,i为日参考蒸散量，采用联合国粮农组织(FAO，1998)推荐的Penman-Monteith模型计算；Kc为作物系数，计算方法参考文献[25]。

当前农田土壤水分供应能力与前期水分收支量有关，可用前期降水与蒸散差值指数(antecedent precipitation evapotranspiration index, APEI)表示。

(4)

式中，m为前推天数，取值100，i为前推日序数(当日为0)，K为日尺度衰减系数,取0.955，同文献[26]、[23]；△Wi为日水分收支量。

陈金华等[23]对APEI序列数据x={x1，x2，……，xn}，采用三参数的log-Logistic概率分布F(x)进行拟合，再经正态标准化求得APEI的标准化变量，即标准化前期降水蒸散指数(SAPEI)。记log-Logistic拟合分布超过某个x值的累积概率P=1-F(x)。F(x)计算方法同文献[23]。

(5)

(6)

式中，c0=2.515 517，c1=0.802 853，c2= 0.010 328，d1=1.432 788，d2=0.189 269，d3= 0.001 308。

日尺度的SAPEI可反映降水时间分布及日雨量大小对旱涝的影响，精准刻画安徽省不同区域日尺度的旱涝变化[23]，其等级标准与理论累积概率见表1[23,27-28]。

表1 标准化前期降水蒸散指数(SAPEI)等级标准、理论累积概率Table 1 Grade standard and theoretical cumulative probability for standardized antecedent precipitation evapotranspiration index(SAPEI)

1.3.2 日阴湿害气象指数

作物阴湿害是由农田水分供应过剩、日照不足引起。不计地形、土壤因素影响时，某日作物阴湿害强度(Qi)可表示为：

(7)

式中，SAPEIi为当日SAPEI值，SAPELw0为渍害发生界限值，取值0.5，fs为日照百分率。

1.3.3 基于逐日过程的冬小麦阴湿害综合指数

已有试验表明，由于渍水发生时期、强度和天数的不同，渍害灾损率会存在差异[17,19-22]。因此，单一以渍水时期、天数或强度来划定湿渍害的农业影响指标均存在局限性。本研究通过阴湿害气象指数与阶段敏感性系数耦合，以有效阴湿害积来表征阴湿害所处阶段、强度、持续时间的综合影响，构建一种基于日尺度过程的冬小麦全生育期阴湿害综合指数(overcast and waterlogging composite index，OWCI)。

(8)

式中，n为全生育期天数，i为日序数，ri为第i日渍害敏感性系数。本研究参考前人渍害控制试验结果及专家经验[19-22]认为，小麦渍害敏感性在冬季缓慢生长(越冬)期最低，越冬至返青期呈渐升趋势，拔节后快速增强，扬花期进入缓增期，并趋于冬后最大值。小麦冬前渍害敏感性在越冬至冬前分蘖生长阶段呈渐升趋势，三叶至出苗期为快速增强期，出苗前为缓增期，并趋于冬前最大值。即冬前、冬后敏感性均符合Logistic曲线分布，可用下式表示[29]：

(9)

式中,α、β为参数，γmax阴湿害敏感性最大值，冬后γmax取值1.0；通常冬前阴湿害影响可通过作物自身调节弥补，故本研究冬前γmax取值 0.5。Logistic 曲线实质是一个拉长的S形累积增长曲线，其一阶导数为速度函数。当速度函数的二阶导数值为0时，Logistic 曲线方程的增长速率出现拐点，此时有：

(10)

(11)

式中l、r为拐点出现日期的日序数。本研究结合安徽小麦常年发育期[30]，设渍害敏感性最小值日期出现在1月16日(越冬期)，冬前进入快速增长与缓增期的拐点日期为12月1日(越冬前)、11月1日(出苗期)，冬后进入快速增长与缓增期的拐点日期为3月1日(返青期)、4月21日(扬花期)，将其与1月16日的间隔日序数代入方程求得冬前、冬后Logistic曲线α、β参数，代入方程(9)取得全生育期的阴湿害敏感性系数(图1)。

图1 冬小麦全生育期阴湿害敏感性系数Logistic曲线变化

1.4 阴湿害灾损评估模型构建

首先筛选典型渍害年样本，然后以基于过程敏感性的冬小麦阴湿害综合指数(OWCI)为自变量、气象减产率(△Y)为因变量，建立阴湿害灾损评估模型。由于无渍害时理论灾损率应为0，且阴湿害指数越大，气象减产率越大，设置曲线的截距为0进行建模。阴湿害灾损评估模型为：

△Y=a·(OWCI)2+b·OWCI

(12)

式中，a、b为回归系数。典型渍害年需同时排除以下条件：

(1)剔除干旱对产量损失的影响。以旱积指数(Dr)作为筛选因子。

(13)

式中，SAPEId0为干旱发生界限值, 取 -0.5。本研究要求全生育期Dr<5.0，其中播种至出苗期(10月6日-11月10日)、孕穗以后 (4-5月)两个关键期的Dr<0.5。

(2)剔除高低温灾害影响。4月份日最低气温Tmin≤2.0 ℃的霜冻日数、5月份日平均气温T>30.0 ℃或日最高气温Tmax>35.0 ℃的高温日数、冬季(12-2月)日最低气温Tmin<-10 ℃的冻害日数。三者累计值≤4 d。

(3)剔除丰年，即选择△Y>-3.00%的 样本。

经筛选得到典型阴湿害年样本90个。随机将样本分为两组，第一组60个样本用于阴湿害灾损评估模型建模，第二组30个样本用于模型 检验。

2 结果与分析

2.1 冬小麦阴湿害灾损评估模型的拟合性比较

为求证不同阶段阴湿害影响的敏感性，用Logistic曲线阴湿害敏感性方法(Logisticγi)、等敏感性方法(γi=1)分别求得典型阴湿害年的OWCIs、OWCIe数值，并分别应用SPSS统计分析软件，建立阴湿害灾损评估模型。结果显示，两种方法的气象减产率与作物阴湿害综合指数OWCI呈明显二次曲线关系，R2分别为 0.843、0.805，均通过0.001显著性检验(表2)。对两种方法比较，Logistic曲线阴湿害敏感性方法的R2、F、均方根误差值均优于等敏感性方法。

表2 冬小麦湿渍害灾损评估模型回归参数Table 2 Regression parameters in yield loss models for winter wheat overcast and water logging disaster

图2 冬小麦湿渍害灾损评估模型模拟值与观测值比较(A:等敏感性方法；B:Logistic γi方法)

2.2 冬小麦阴湿害灾损评估模型检验

2.2.1 典型年样本检验

利用第二组样本对表2方程进行检验，结果显示，利用Logistic曲线阴湿害敏感性方法与等敏感性方法得到气象减产率的模拟值与观测值均高度相关，R2分别达0.685 1、0.573 2，趋势线与y=x标准线基本吻合。两者比较看，等敏感性方法的轻、中度阴湿害年的灾损模拟值明显高于观测值，而Logistic曲线阴湿害敏感性方法未出现类似情况，且总体模拟效果也优于等敏感性方法。可见，Logistic曲线阴湿害敏感性方法可以剔除非敏感期无效渍害的影响。

2.2.2 应用效果检验

应用基于Logisticγi法建立的冬小麦阴湿害灾损评估模型对2015-2016年度阴湿害影响进行评估，结果显示，合肥以南地区阴湿害灾损为3.1%～38.6%，其中沿江江南大部灾损达10%以上，皖南南部、沿江西部部分地区最重，普遍达2成以上(图3分类色斑图)。对江淮31个县(区)冬小麦渍害影响调查数据显示，沿江大部分地区的渍害损失率为15%～20%，江淮之间大部分地区在10%左右(图3标注)。从两者对比看，湿渍害影响总体上表现江淮之间站点小于沿江站点，但个别站点存在轻重相反情况，具体数值上也有一定差异。这主要与调查点的代表性，调查数据与评估数据点、面差异性有关。

图3 基于Logistic γi方法的2016年冬小麦阴湿害灾损评估应用效果(色斑图:模拟值,标注：调查值)

2.3 冬小麦阴湿害灾损气候风险分析

应用基于Logistic法所建模型构建1981-2018年冬小麦阴湿害灾损率序列数据，并分别计算1981-2010年冬小麦阴湿害灾损率气候态值(△Y′)及2011年以来平均灾损与气候态值的距平百分率(Ya)。结果显示，△Y′ 总体呈纬向分布，沿江中西部及皖南大部为冬小麦阴湿害灾损气候风险高值区，△Y′为3.1%～7.0%不等；沿淮淮北为冬小麦渍害灾损气象风险低值区，△Y′小于1%；其他地区阴湿害灾损气候风险中等，△Y′为1.1%～3.0%不等(图4A)。 全省的Ya值为 -55.7%～209.4%，除合肥、巢湖、马鞍山为负值区外，大部分地区的Ya大于0(图4B)。

图4 基于Logistic γi方法的冬小麦阴湿害灾损率空间分布(A：1981-2010年30年气候态均值；B:2011年以来均值)

可见，2011年以来的平均阴湿害损失率较1981-2010年30年气候态值有加重趋势，其中沿淮Ya普遍大于90%，即加重1～2倍不等。

3 讨 论

选取日尺度的标准化前期降水蒸散指数、日照百分率为阴湿害关键影响因子，采用有效阴湿害积及其所处生育时期的敏感性耦合方法，建立基于过程的冬小麦全生育期阴湿害综合指数(OWCI)，并通过OWCI与阴湿害典型年气象减产率的相关性分析，构建了一种基于过程敏感性的冬小麦阴湿害灾损评估方法。结果表明，阴湿害典型年气象减产率与Logistic曲线敏感性法、等敏感性法构建的冬小麦阴湿害综合气象指数均呈良好的二次曲线拟合关系。经检验，两种方法所建模型具有较高的预测精度，其中Logistic曲线敏感性法所建模型的效果较好。说明以有效阴湿害积作为冬小麦阴湿害的危险性评价指标有实际应用价值。

本研究在典型年样本筛选上，以基于过程的旱积指数剔除干旱年型，确保了入选样本干旱噪音最小化；在旱积指数远小于渍积指数条件下，部分轻中度湿渍害年也作为典型年样本，提高了典型年样本不同等级覆盖度。而同类研究中，多以阶段性水分盈亏率或相关灾情统计数据为典型年筛选条件，入选的样本多为重、特涝年型；总体偏涝但旱涝并存的样本也可能进入典型年，存在气象减产率中含有干旱损失率分量问题。本研究构建的基于过程敏感性的冬小麦阴湿害灾损评估方法，综合了致灾因子危险性、承灾体敏感性影响，可较好地实现冬小麦不同生育时期的阴湿害灾损的差异性评估。而同类旬以上尺度的湿渍害评估方法存在平滑或均等化阴湿害过程影响问题。另外，通过阴湿害气象指标与前人渍害敏感性试验参数的融合应用，提高了阴湿害灾损评估精度与动态性能，也间接证实不同生育时期阴湿害敏感性存在差异，但不同生育时期阴湿害敏感性系数及其出现拐点日期，是结合前人试验及经验方法确定，还有待进一步验证。

由图4A、B比较可知，2010s以来，安徽大部分地区阴湿害影响有加重趋势，其中北部冬小麦主产区加重趋势更为显著。阴湿害是影响小麦产量与品质的关键因素之一，未来小麦生产需要加大阴湿害及其衍生灾害的应对与防控力度。