夏玉米生育期内极端气候事件时空演变特征分析

陈君洁，丁一民，高 爽，万愉快，朱 磊

（1.宁夏大学土木与水利工程学院，银川 750021；2.旱区现代农业水资源高效利用教育部工程研究中心，银川 750021）

0 引言

大气层中持续增加的温室气体（CO2、CH4等）阻挡了热量向外逃逸，明显改变了地球原有的气候环境[1]。世界气象组织（WMO）的统计数据表明，自有观测记录以来20 个最热的年份都出现在过去22 年中（1998-2019 年），并且随着大气层中温室气体浓度进一步突破现有观测记录，这种升温趋势仍将持续[2]。在大多数预估模型中，如果保持当前温室气体排放水平，全球平均温度到本世纪末将进一步上升3～5 ℃[3,4]。伴随着全球变暖，极端气候事件的发生频率也在显著增加，已经对自然生态系统和人类社会产生了不可忽视的影响[3,5]。

玉米是我国第一大粮食作物，具有产量高，易于栽培等特点，适宜种植区较广[6]。由于玉米生长直接依赖于光照、温度、降水和二氧化碳浓度等气候环境因子，因而在面临极端气候事件时更为敏感和脆弱。大量的研究表明，极端高温在影响玉米发育速率的同时也会影响花粉结构和功能，致使籽粒发育不良并严重影响其孕穗率和结实率，从而导致产量的大幅度下降[7]。暴雨会对玉米的种子、叶片以及茎秆造成毁坏，也容易导致农田积水较多，不利于玉米根系发育，出现烂根现象，诱发各类病虫害，导致玉米减产[8]。与此同时，暴雨可能会导致地面径流和深层渗漏的发生，在降低雨水利用效率的同时致使农田养分流失，进而增加灌溉需水量，威胁灌溉系统的稳定性。因此，评估玉米生育期内极端气候事件的时空演变规律对粮食安全和水资源可持续利用具有重要研究意义。

黄淮海地区作为我国夏玉米的主要产区，其种植面积与产量分别约占全国的28%和30%[9]。以往的研究关注了该地区历史时期的气候变化特征，但与玉米生长和耗水高度相关的极端气候事件时空演变规律还有待进一步研究[10-12]。因此，本文利用基于分位数映射的偏差校正方法（QM）和107 个气象站点实测数据，校正了11 种耦合模式第六次比较计划（CMIP6）气候模式（GCM），结合高温热害和极端暴雨指标，评估了该地区未来两个时期（2021-2050 年和2051-2080 年）夏玉米生育期内极端气候事件的时空演变规律，以期为区域农业生产和水资源管理提供参考。

1 材料与方法

1.1 研究区概况

黄淮海地区位于我国东部，分布范围大致为111.5°～122.5°E，30.0°～42.5°N，包括河北省、河南省、山东省、安徽省、江苏省、北京市和天津市共7个省及直辖市（图1）。该地区的气候类型是温带大陆性季风气候，降水主要集中在夏季，多年平均气温和降水量分别为12.09 ℃和484.5 mm[13]。目前，黄淮海地区≥10℃的年累积温度约为3 700～4 700 ℃·d，从北向南逐渐升高；年降水量从研究区域的东南部到西北部呈下降趋势，由大约1 000 mm 减少到600 mm，而且大致60%～70%的年降水量发生在6-9月的夏玉米生育期内[14]。

图1 黄淮海地区107个气象站点的空间分布Fig.1 Distribution of 107 meteorological stations in Huang-Huai-Hai region

1.2 研究数据

地面气象站点观测数据来源于中国气象数据网（http:∕∕data.cma.cn∕），包含107 个站点1978-2017 年的逐日最高温度和降水量数据。此外，本文还统计了黄淮海地区7个省及直辖市的夏玉米1992-2013年平均播种日期与成熟日期，以此确定夏玉米的生育周期，具体统计结果见表1，相关数据同样来源于中国气象数据网。

表1 黄淮海地区夏玉米生育期Tab.1 Phenology of summer maize in Huang-Huai-Hai Region

大气环流模式（GCM）是评估气候变化影响的主要手段[15-17]。耦合模式第六次比较计划（CMIP6）提出了最新的共享路径（SSP），并且对CMIP5 模式中一直存在的辐射强迫量化差与模型偏差等疑难问题进行了改善[18,19]。本文所涉及的11个CMIP6 全 球 气 候 模 式 数 据 来 源 于https:∕∕esgf-node.llnl.gov∕search∕cmip6，时间序列为1978-2080 年，时间尺度为日尺度，详细信息见表2。SSP2-4.5 是对CMIP5 模式中RCP4.5 情景的升级，该情景结合了中等社会脆弱性与中等辐射强迫，被广泛应用在区域降尺度与气候预测计划中[20]。SSP5-8.5是CMIP5模式中RCP8.5 高强迫情景的升级，该情景假设了最极端的气候变化过程[20]。因此，本文选择上述两个情景开展极端气候事件的时空演变规律分析。

表2 11个CMIP6气候模式概况Tab.2 Detailed information of the 11 CMIP6 GCMs

1.3 极端气候事件指标

一般认为当温度超过32～35 ℃时，夏玉米将会受到高温热害的威胁，有时甚至出现高温杀雄等现象[21]。本文选用日最高温度超过35 ℃的积温（Killing degree days，KDD）作为夏玉米热害程度的指标[7,22]，以此评估历史和未来时期中黄淮海地区的夏玉米在其生育期内可能遭受的热害程度，具体计算公式如下：

式中：KDD为夏玉米生育期内高温有效积温的累积值，°C·d；dh为播种期；dm为成熟收割的日期；Tmaxi为夏玉米生育期内第i天的日最高温度；Th为高温热害的温度阈值，即35 ℃；KDi为第i天的高温有效积温。

夏玉米需水量大，但是却不耐涝[23]。其生育期内降水较为集中，且多有暴雨发生，可能会导致涝渍灾害进而影响夏玉米的生长过程[24]。因此，本文以日降水量≥50 mm 的天数作为评估黄淮海地区夏玉米生育期内极端降水的指标[25,26]。

1.4 气候模式数据偏差校正方法

本文采用一种基于分位数映射的偏差校正方法（Quantile Mapping，QM）对气象要素进行校正处理[27]。该方法利用历史时期气候模式输出数据和实际观测数据的差异，建立统计关系与转换函数，然后用此转换函数去估计未来数据的可能值[28]。这里的基本假定是在一个给定的分位数下，气候模式与观测值在训练期的差异对于未来时期仍然适用。对温度的校正方法表示为公式（3），而降水校正方法如公式（4）所示。

式中：F和F-1分别是观测值（o）或者模型值（m）在训练期（c）或未来时期（p）的概率累积函数和分位数概率累积函数，是经过偏差校正后的模型数据，xm-p是校正前的模型数据。

本研究中以1978-2000 年的数据为训练数据，以2001-2014 年的数据为验证数据，对偏差校正的结果进行了评估。考虑到气候模式中可能存在的季节性偏差，本文对每一个月份的数据分别进行了偏差校正处理。

2 结果与分析

2.1 气候模式偏差校正效果分析

表3 展示了验证期（2001-2014 年）不同气候模式偏差校正后月累积降水量和月均最高温度相对于实测值的均方根误差（RMSE），结果表明校正后月累积降水量RMSE通常不大于20 mm，其中8 月份的偏差值最大，而10 月份的偏差值最小。校正后月均最高温度的RMSE普遍在0.2～0.3 ℃之间，且不同GCM的偏差值差异较小。

表3 验证期偏差校正后降水量和最高温度相对于实测值的RMSETab.3 RMSE of bias corrected precipitation and maximum temperature relative to observation during validation period

图2 展示了夏玉米生育期内不同气候模式偏差校正前后KDD、暴雨天数和降水天数相对于实测值的偏差，可见校正前KDD值与实测值有着非常明显的偏差，其中5 个GCM 的KDD值显著偏大，部分站点多年平均KDD值甚至比实测值大200 ℃·d 以上，而KDD值偏小的GCM 中，偏小幅度均小于30 ℃·d。校正后不同GCM 中大部分站点的KDD偏差值在±1.5 ℃·d 之间。与KDD类似，GCM 降水序列也存在着显著的偏差。从图2（b）中可见，除AC1、CAN1 和CMCC 模式外，其他所有GCM 均显著低估了暴雨发生的频次，其中MRI 模式中部分站点多年平暴雨天数甚至低估了超过3 d。此外，需要注意的是所有GCM 模拟的多年平均降水天数均明显大于实际降水天数，并且偏差幅度在大多在40 d 以上。校正后多年平均暴雨天数偏差普遍在±0.2 d 以内，多年平均降水天数偏差在±1 d 以内。上述结果表明本文所采用的QM 偏差校正方法能够有效消除GCM 中存在的系统性偏差。

图2 验证期多年平均KDD、暴雨天数和降水天数校正前后相对于实测值的偏差值Fig.2 Bias of KDD,heavy rain days and rain days relative to observation before and after bias correction during validation period

2.2 年均最高温度与年累积降水量变化特征

图3 展示了SSP2-4.5 和SSP5-8.5 情景下黄淮海地区夏玉米生育期内，所有站点平均最高温度和降水量相对于历史基准期（1978-2017年）的变化值，箱式图描述了不同气候模式预估结果的差异。就多模式平均值而言，SSP2-4.5 情景下夏玉米生育期内最高温度在未来两个时期将分别增加1.38 ℃和2.52 ℃，而SSP5-8.5 情景下将分别增加1.76 ℃和3.58 ℃。不同气候模式之间高温增加值的差异非常明显，并且以SSP5-8.5 情景下2021-2050 时期的差异最为突出，最大差值可达1.2 ℃以上。同时期，SSP2-4.5 情景下上四分位数和下四分位数气候模式的温度差异也达到了0.25 ℃。降水量在未来两个时期也呈上升趋势，但上升幅度相对较小。在SSP2-4.5 情景下，多模式平均夏玉米生育期内降水量将分别增加12.27 mm和26.39 mm，而SSP5-8.5 情景下将增加9.86 mm 和39.54 mm。不同情景之间降水量变化值的差异也非常明显，其中SSP2-4.5 情景下上四分位数和下四分位数气候模式的降水量差值约为20 mm，而SSP5-8.5情景下的差值约为30 mm。

图3 SSP2-4.5和SSP5-8.5情景下未来两个时期最高温度和降水量的变化值Fig.3 Changes in maximum temperature and precipitation under SSP2-4.5 and SSP5-8.5 scenarios during future two stages

2.3 高温热害与暴雨天数变化特征

2.3.1 历史时期高温热害与暴雨天数时空变化特征

图4 展示了黄淮海地区夏玉米生育期内KDD值和暴雨天数在1978-2017年的变化趋势。其中，KDD值整体呈上升的趋势，上升幅度达2.62 ℃·d∕10a，表明历史时期夏玉米生育期内热害程度逐步严重。暴雨天数与KDD值的变化规律相似亦呈上升趋势，只是幅度相对较小，仅为0.1 d∕10a。总体而言，KDD值和暴雨天数在过去的40 年里分别增加了约10 ℃·d 和0.3 d。

图4 历史时期（1978-2017）KDD值和暴雨天数的变化趋势Fig.4 Trend of KDD and the number of heavy rain days during historical period(1978-2017)

图5 展示了黄淮海地区夏玉米生育期内KDD值和暴雨天数在历史时期（1978-2017 年）的空间变化特征。多年平均KDD值在空间上呈现从北到南、从东到西逐步增加的趋势，从接近于0 ℃·d 上升到40 ℃·d。其中，安徽省南部遭受的热害程度最为严重，KDD值普遍大于30 ℃·d，而河北省北部、山东省东部和江苏省东北部地区热害程度最低，KDD值均小于5 ℃·d。多年平均暴雨天数空间上大体呈现从北到南、从西到东逐步增加的趋势。其中河北省北部地区多年平均暴雨天数仅不到1 d，部分站点甚至少于0.5 d，而江苏省和安徽省的暴雨天数则普遍大于2.5 d。

图5 历史时期（1978-2017）年均KDD值和年均暴雨天数的空间分布Fig.5 Distribution of the multi-year mean KDD and the number of heavy rain days during historical period(1978-2017)

2.3.2 未来时期高温热害时空变化特征

图6 展示了未来时期11 个气候模式两种情景下黄淮海地区夏玉米生育期内KDD值的时间变化趋势和相对于历史的多模式平均变化值，从图6 中可见在接下来的60 年中KDD值将继续呈增加的趋势，但上升速率明显提高。此外，在SSP2-4.5 情景下，不同气候模式KDD值的变化幅度有较大差异，到2080 年这种差异能达到130 ℃·d。而在SSP5-8.5 情景下，不同气候模式的KDD值在2050 年以前差别相对较小，随后迅速扩大。另外，还需注意到的是不同气候模式中KDD值年际间波动性的差异亦较为明显。就多模式平均而言，SSP2-4.5 情景下KDD值在2021-2050和2051-2080年代相对于历史基准期将分别增加16.4 ℃·d 和41.3 ℃·d，而SSP5-8.5 情景下KDD值在2021-2050 和2051-2080 年代相对于历史基准期将分别增加23.1 ℃·d和75.8 ℃·d。

图6 SSP2-4.5和SSP5-8.5情景下2021-2080年不同气候模式KDD变化趋势Fig.6 Trends of KDD of different GCMs from 2021 to 2080 under SSP2-4.5 and SSP5-8.5

图7展示了未来时期两种情景下黄淮海地区夏玉米生育期内KDD值相对于历史基准期多模式平均变化值的空间分布特征。总体而言，未来气候条件下KDD值在绝大多数地区将迅速增加，呈现出从北到南、从东到西逐步上升的趋势。在SSP2-4.5情景下，KDD多模式平均增加值在2021-2050年期间普遍小于30 ℃·d，而在2051-2080 年期间大部分地区的KDD增加值会达到50～82 ℃·d。在SSP5-8.5 情景下，KDD增加值进一步扩大，空间分布的特征与SSP2-4.5 情景下基本一致。在2021-2050 年期间增加值普遍在45 ℃·d 以内，而在2051-2080 年期间，河北省西南、河南省东南和安徽省南部地区的KDD增加值将高达120～135 ℃·d。

图7 SSP2-4.5与SSP5-8.5情景下未来两个时期多模式平均KDD空间变化值Fig.7 Spatial distribution of changes in multi-model average KDD under SSP2-4.5 and SSP5-8.5 scenarios during future two stages

2.3.3 未来时期暴雨天数时空变化特征

图8 展示了未来时期11 个气候模式两种情景下黄淮海地区夏玉米生育期内暴雨天数的变化趋势和相对于历史的多模式平均变化值。可见在接下来的60 年中暴雨天数将继续呈增加的趋势，且变化幅度与历史时期也较为相似。在两种气候情景下，不同气候模式下暴雨天数的时间变化趋势有较大的差异。就多模式平均而言，SSP2-4.5情景下暴雨天数在2021-2050和2051-2080年代相对于历史基准期将分别增加0.09 d和0.18 d，而SSP5-8.5 情景下暴雨天数在2021-2050 和2051-2080年代相对于历史基准期将分别增加0.07 d和0.29 d。

图8 SSP2-4.5和SSP5-8.5情景下未来时期不同气候模式暴雨天数变化趋势Fig.8 Trends of heavy rain days of different GCMs from 2021 to 2080 under SSP2-4.5 and SSP5-8.5

图9展示了未来两个时期两种情景下相对于历史基准期黄淮海地区夏玉米生育期内暴雨天数的多模式平均变化值的空间分布。在SSP2-4.5情景下，2021-2050时期大部分地区的暴雨天数有所增加，其中河北省北部部分站点增加值将超过0.3 d，而山东省西北和安徽省中地区暴雨天数将下降0.25～0.1 d。在2051-2080年代，暴雨天数整体亦呈增加趋势，其中河北省东部和山东省东部地区将增加0.35～0.7 d。在SSP5-8.5 情景下，2021-2050年代大部分地区的暴雨天数与SSP2-4.5情景下的变化规律基本一致，大部分地区暴雨天数将增加0～0.2 d，而安徽省和江苏省南部区域一些站点暴雨天数反而将下降0～0.2 d。在2051-2080年代，暴雨天数增加幅度略大于SSP2-4.5情景，大部分地区将增加0.2 d 以上，其中河北省东部、山东省东部、河南省西部和安徽省南部地区将增加0.4～1 d。

图9 SSP2-4.5与SSP5-8.5情景下未来两个时期多模式平均暴雨天数空间变化值Fig.9 Spatial distribution of changes in multi-model average heavy rain days under SSP2-4.5 and SSP5-8.5 scenarios during future two stage

3 讨 论

伴随着极端气候事件频发的全球变暖，将不可避免地对未来农业生产和灌溉活动产生重要影响[29]。玉米作为黄淮海地区重要的粮食作物，其安全生产对区域粮食安全和水资源可持续利用具有重要意义。本文基于QM 偏差校正方法，对11个CMIP6 气候模式数据进行了校正处理，并利用校正后的气象预估数据集，结合KDD值和暴雨天数这两种极端气候事件指标，评估了未来气候条件下黄淮海地区夏玉米生育期内高温热害和极端降水的时空演变规律。

由于具有较为粗糙的空间分辨率和系统性误差，GCM 直接输出的气象预估序列不能应用于气候变化影响评估研究中[30]。从本文研究结果来看，所采用的11 种CMIP6 气候模式在模拟温度和降水过程中均存在较为明显的不足，其中约有一半的GCM 高估了历史时期极端高温事件，而绝大多数GCM低估了暴雨（日降水＞50 mm）发生的频率并引入了更多的小雨天气（日降水＜10 mm）。这与CMIP5气候模式中存在的偏差一致，表明CMIP6 气候模式仍然未能解决CMIP5 气候模式在模拟极端气候事件中存在的不足[31]。从图2来看，本文所采用的QM 偏差校正方法，能够较为准确地消除温度和降水中存在的偏差，且校正效果与以往研究类似，表明QM 方法能够有效处理极端气候事件的偏差。但需要注意的是极端降水的校正效果要明显弱于极端高温的校正效果，这是由于降水存在较强的随机性，其准确模拟仍然存在较大的难度[32]。

历史时期的高温热害值普遍小于40 ℃·d，但在未来时期，尤其是SSP5-8.5 情景下的河南省地区，KDD值将可能进一步增加120 ℃·d，导致高温热害将逐渐成为影响夏玉米产量的重要因素（图7）。因此，在未来气候变化条件下，黄淮海西南部夏玉米播种区应采取调整播种日期或采用耐高温的玉米品种，以规避高温热害对夏玉米生育期的影响[33]。暴雨频率过去几十年呈现明显增加的趋势，这与以往研究取得的结论相同[10,34]。这是因为随着全球变暖，饱和水汽压值不断增加，空气中蓄水量能力变强，从而导致降水更多地以暴雨的形式发生[35]。在CMIP6的两种预估情景下，黄淮海地区夏玉米生育期内多模式平均降水量呈现增加的趋势，但增加幅度仅在10～40 mm 之间，这与基于CMIP5 的预估结果较为类似[36]。与此同时暴雨发生的频率明显增加，其中以SSP2-4.5 情景下河北省北部和山东省地区增加值最为突出。但安徽省和江苏省中南部地区暴雨频次增加幅度要明显小于北方地区，甚至在SSP2-4.5 情景下2051-2080 时期和SSP5-8.5 情景下2021-2050 时期出现了暴雨频次小幅减少的现象，这在一定程度上反应了“雨带北移”[37]现象在未来时期将持续发生。暴雨频次的增加，可能会导致黄淮海未来时期降水的利用率降低，进而对玉米生长和灌溉系统稳定性带来不利影响，因此在进行灌溉水资源和灌溉渠系规划时有必要考虑暴雨频率的变化。

本文仅分析了极端高温和极端降水在未来时期的时空演变规律，但从作物生长机理和农田水循环机理的角度分析极端气候事件将对玉米生产和灌溉的影响研究还有待进一步开展。此外，本文假定了物候期在未来时期保持不变，但历史长序列物候观测数据表明，随着气候条件的改变，播种日期和生育周期长度将会发生明显的变化。如何在考虑物候期合理变化的条件下更加准确地评估极端气候事件的影响研究仍有待开展。

4 结 论

(1)校正前CMIP6 气候模式存在明显的系统性偏差，尤其在模拟极端降水上存在明显的不足。校正结果表明，QM 方法不仅能够消除气候模式中极端气候事件模拟的偏差，同时也有效消除了晴雨模拟的偏差。

(2) 未来两个时期（2021-2050、2051-2080）黄淮海地区夏玉米生育期内多模式平均最高温度在两个情景（SSP2-4.5、SSP5-8.5）下均显著升高，其中SSP5-8.5 情景下的增幅要更为突出，在未来两个时期将分别增加1.76 ℃和3.58 ℃。高温热害值（KDD）的增加趋势与最高温度变化趋势大体一致，两种情景下均以河南省中部、安徽省南部和河北省西南部热害程度最为严重。

(3)夏玉米生育期内多模式平均降水量在未来同样呈现增加的趋势，但增加幅度相对较小。与此同时，暴雨天数也呈现小幅度增加的现象。在SSP2-4.5 情景下，大部分地区暴雨天数变化值都将有所增加，但在山东省西部和安徽省北部暴雨天数将略有下降。在SSP5-8.5 情景下，大部分地区暴雨天数的变化值与SSP2-4.5 情景下的规律基本一致，但在安徽省南部和江苏省南部暴雨天数有小幅减少。

本文研究结果将为区域农业生产和水资源合理规划提供依据，从而对保障区域粮食安全和水资源可持续利用具有重要意义。