吉林省极端降水事件对玉米产量的影响研究

张耀东，郭恩亮，王永芳，顾锡羚，康 尧

（1.内蒙古师范大学地理科学学院，内蒙古 呼和浩特 010022；2.内蒙古自治区蒙古高原灾害与生态安全重点实验室，内蒙古 呼和浩特 010022）

0 引言

随着全球升温气候不断趋于暖干化的态势，气候变化下的极端降水强度与频率呈显著增加的趋势，所导致的暴雨、洪涝、泥石流等灾害事件频繁发生，给人类生活、经济发展、农业生产等方面带来了严重的影响［1-3］。作为人口超14 亿的发展中国家，保证粮食安全、保障农业可持续发展是至关重要的环节之一。其中玉米作为我国三大粮食作物之一，其产量受多种因素的共同影响，而极端降水事件对玉米产量有着不可逆的影响［4，5］。极端降水事件的发生在很大程度上会对农田生态系统产生严重的、复杂的、持久的且难以恢复的破坏［6］，并且其预报难度较大，在国内极端降水变化呈现出明显的空间异质性［7］，因此探究区域极端降水事件对玉米产量的影响程度及响应机制就显得尤为必要。

吉林省作为我国玉米种植主产区之一，位于世界著名的“黄金玉米带”上，65%以上的耕地都种植玉米，玉米总产量占粮食总产量的比重高达75%以上，属于我国主要的玉米带组成部分［8］。同时，吉林省玉米受极端气候事件的影响显著，不仅导致玉米单产大幅下降，同时也造成玉米生育期缩短，灌浆速率加快，光合作用时间减少等负面影响［9，10］。然而，以往的研究主要集中于低温冷害、旱涝灾害等方面［10］，极端降水事件对玉米产量影响方面的研究相对较少。

因此，在获取吉林省1961-2019 年24 个气象站点的逐日最高、最低气温，降水以及玉米单位面积产量数据的基础上，对吉林省极端降水事件以及玉米产量的时空变化特征进行分析，并采用皮尔逊（Pearson）相关性分析法、布尔塔（Boruta）算法定量评估极端降水事件对玉米产量的影响程度大小，以期为吉林省在极端降水事件预防与防治以及粮食作物稳定高效地产出方面提供一定的科学依据。

1 研究区概况与方法

1.1 研究区概况与数据来源

吉林省地理位置介于121°38'E～131°19'E，40°50'N～46°19'N 之间，东南部高，西北部低，中西部为广阔的平原。属于温带大陆性季风气候，年平均降水量400～600 mm，但季节变化和地域差异显著，80%集中在夏季［11］。

研究所用气象数据来源于中国气象局国家气象信息中心（http：//data.cma.cn/site/index.html），选取吉林省1961-2019 年24 个气象站点的逐日最高、最低气温以及降水数据。1961-2019 年玉米单位面积产量数据主要来源于中国知网的经济与社会发展统计数据中心（https：//data.cnki.net/ValueSearch/Index？datatype=year&ky）及吉林省统计局的相关统计年鉴。对于个别年份缺失的玉米单产数据用历年平均值来代替。吉林省地理位置及站点分布情况如图1所示。

图1 研究区域及气象站点概况Fig.1 Overview of the study area and weather stations

1.2 研究方法

1.2.1 极端降水指数

为能够定量描述极端气候事件，气候变化检测指数专家组（ETCCDMI）提出27 个极端气候指数，在国际社会上得到广泛推广和使用［12，13］。其中极端降水指数有11 个。使用基于R 语言的RClimDex1.0程序包对11个极端降水指数进行计算。结合吉林省地理位置及降水量对农作物的生长情况，选取了与研究区玉米农作物生长密切相关的4 个具有代表性的极端降水指数，并将选取的指数以极端降水量指数、极端降水日数指数、极端降水强度指数进行了分类［14］（表1）。本文通过采用5 年滑动平均法对各极端降水指数长时间趋势变化进行分析。

表1 极端降水指数定义Tab.1 Definition of extreme precipitation indices

1.2.2 气候产量及趋势产量的提取

为了量化气候要素与气候产量之间的关系，需消除不同历史时期由社会要素导致玉米生长过程发生变化的趋势产量，得到玉米气候产量。本文则通过Eviews11.0 软件中HP 滤波法对玉米气候产量及趋势产量进行提取。

高通滤波（HP滤波）法是由Hodrick&Prescott提出［15］，用来消除时间序列所包含的趋势成分而被广泛运用的一种方法，所分离出的趋势产量无滞后性，序列首尾不存在缺损。其中，玉米实际产量的计算公式如下：

式中：Y、Yw、Yt分别为玉米的实际产量、气候产量以及趋势产量；ε为随机产量，通常将其忽略不计［16］。

玉米气候产量的计算公式为：

由上述公式所计算出的玉米气候产量缺少定量描述气候波动对玉米产量的影响程度，而玉米相对气候产量能更好地解释这一问题［11，17-19］。其计算公式如下：

式中：Xr为相对气候产量，%；Xw为气候产量，kg/hm2；Xt为趋势产量，kg/hm2。

其中，当Xr＞10%时，为气候丰年，表征当年的气候要素有利于玉米的生长；Xr＜-10%时，为气候歉年，表征当年的气候要素不利于玉米的生长，其余为正常年份。

1.2.3 时空序列趋势分析

森式（Sen）斜率法是一种用来分析某一要素长时间序列数据变化趋势的方法［20，21］。该方法主要通过计算序列斜率的中值（β），从而来表征此序列的平均变化率以及时间序列的变化趋势。本文采用Sen斜率法评估极端降水指数和玉米产量的时空变化趋势，计算公式如下：

式中：Median表示为取中值函数，xj和xi表示不同年份的序列数据，j、i为时间序列。当β＞0 时，序列呈上升趋势；当β=0 时，序列趋势不明显；当β＜0时，序列呈下降趋势。

Mann-Kendall 显著性检验法是一种广泛应用于气象数据长期变化趋势分析中的非参数检验方法，该方法不需要样本遵循一定的分布，也不受少数异常值的干扰［21，22］。计算公式如下所示：

时间序列为｛xi｝，i=1，2，3，…，n，计算公式如下：

其中：

式中：xj，xi为时间序列数据；n为数据长度；sgn 为符号函数，当|Z|＞1.65、1.96 和2.58 时，表示变化趋势分别通过了置信度为90%、95%和99%，本研究采用通过95%的置信度检验。

1.2.4 相关性分析

采用Pearson相关性分析法，计算玉米气候产量与极端降水指数之间的相关系数（R），具体计算公式如下［23］：

式中：xi为第i年的极端降水指数；yi为第i年的玉米气候产量；为极端降水指数年平均值；为玉米气候产量年平均值。

本文也通过采用多项式曲线拟合法，分析极端降水指数对玉米气候产量影响程度的大小，以及找出各极端降水指数的临界值。多项式函数拟合公式如下：

式中：y为玉米气候产量；x为极端降水指数；m是多项式的阶数；ai为各极端降水指数系数。

1.2.5 Boruta重要性评估

Boruta算法主要是围绕随机森林展开构建的一种用于特征筛选的包装算法，通过平均减少精度值来筛选出与目标变量具有相关性的重要性指标［24，25］。本文使用Boruta 包进行特征选择评估极端降水指数对玉米气候产量的重要性程度。计算公式如下：

式中：MSEOOB为随机森林的袋外误差；yi是样本值是样本yi的袋外样本的预测值。

式 中：Zscore为特征Z分数，为袋外误差的平均值；SDMSEOOB为袋外误差的标准差。当Zscore＞shadowMax，则该特征被认为是重要的；否则，该变量被认为是不重要的。

2 结果与分析

2.1 极端降水指数时空变化特征

2.1.1 时间变化特征

吉林省1961-2019 年极端降水指数的年际变化趋势如图2所示，由结果可知：极端降水量指数R95p 的Sen 斜率值为0.301 mm/a，呈波动上升的趋势；而PRCPTOT 的Sen 斜率值为-0.18 mm/a，呈下降的趋势，均未通过显著性检验。两者在1986 年、1994 年、2010 年期间出现较大值，在2010 年均达到峰值，造成这一现象的原因与2010 年夏季在松花江流域发生的特大洪涝灾害有着密切的联系［26］。极端降水日数指数R20 在过去近60年里的Sen 斜率值为0.31 d/a，呈增加趋势，波动区间为4.42～9.92 d，分别在1986 年、2009 年达到最大值和最小值，这一结果表明吉林省极端降水频率有所增加。极端降水强度指数SDII的Sen 斜率值为0.27 mm/（d·a），呈上升趋势，并在1994 年达到最大值为10.7 mm/d，最小值发生在2009 年为7.24 mm/d。由此可看出吉林省年际降水量以及降水强度年际间差异较大，易发生洪涝、暴雨等极端降水事件灾害。从5年滑动平均曲线可知，吉林省极端降水指数R95p、PRCPTOT、R20 和SDII 整体上在20世纪60年代至80年代变化趋势一致，呈下降的趋势；从20世纪80 年代初期开始，降水结构发生变化，除PRCPTOT 以外，其余极端降水指数均呈上升趋势。

图2 1961-2019年吉林省极端降水指数的时间变化趋势Fig.2 Temporal trend of extreme precipitation indices in Jilin Province from 1961 to 2019

2.1.2 空间变化特征

利用Sen斜率法对研究区各站点极端降水指数的空间变化趋势进行分析，结果如图3所示：极端降水指数在空间上整体表现为西部下降，东部上升，并由西北部向东南部逐渐递增的趋势。这主要是因为吉林省西部处于生态环境相对脆弱的农牧交错带，大陆季风气候显著，该地区的降水量相对匮乏，极易引发干旱灾害［27］。

图3 1961-2019年吉林省极端降水指数的空间变化趋势Fig.3 Spatial variation trend of extreme precipitation indices in Jilin Province from 1961 to 2019

极端降水量指数R95p 与PRCPTOT 存在显著的空间差异性，即R95p 呈上升和下降的面积分别占总面积的80.08%与19.92%。其中上升的区域主要分布于吉林省的中部以及东部地区，大安市周边通过了0.05 水平显著性检验，呈显著上升趋势；下降的区域主要分布于吉林省的西北部以及南部。而PRCPTOT空间分布规律特征较为清晰，呈上升趋势的地区占总面积的71.64%，主要分布于中部、北部以及东部地区；呈下降趋势的地区主要分布于西部以及南部地区，可看出吉林省绝大部分地区降水量呈上升的趋势。极端降水日数指数R20 与极端降水强度指数SDII在空间分布上具有一致性，呈上升趋势的地区分别占总面积的68.21%与63.92%，均位于吉林省的中部、东部以及西北部的部分地区；呈下降趋势的地区分布于吉林省的西部以及东南部的小部分区域，说明近59年来吉林省所遭遇的极端降水在日降水量以及强度上呈上升的区域明显高于下降的区域。综上所述，吉林省在1961-2019 年所发生的极端降水事件整体上在西部、南部和东南部地区呈下降的趋势；吉林省北部、中部及东部地区普遍出现上升的趋势，降水总量和降水强度均有明显上升的趋势，然而极少数地区通过了0.05 水平显著性检验，由此也说明吉林省不同地区极端降水事件年内分布不均衡。

2.2 吉林省玉米产量的变化特征

2.2.1 玉米产量的时间变化特征

由图4 可知：吉林省1961-2019 年24 个气象站点的玉米实际单产整体在1 281～8 545 kg/hm2区间范围内，年际间差异较大。在1961-1996 年间玉米实际单产呈稳定上升趋势；在1997-2009 年间玉米实际单产波动幅度较大，其中，在1997 年与2000年间实际单产出现下降滑坡的趋势，主要原因是因为这两年发生严重的干旱事件，导致玉米大幅减产。在2008年由于政策变迁，启动了粮食增产建设工程［28］，使得玉米产量达到峰值，而随后在2009 年又因旱灾的影响使得产量又迅速下降；在2010年之后玉米实际单产恢复稳定，均维持在趋势产量水平左右。再结合玉米气候产量的线性趋势变化幅度较大，近59年来均呈波动变化的趋势，尤其是在1990 年之后变化幅度明显增强；与此同时，玉米相对气候产量也表现出与玉米气候产量变化趋势相一致的结果，由此可看出玉米产量受气候因素影响颇深。玉米趋势产量在1961-2003 年间均保持上升趋势，即由1961 年1 327.11 kg/hm2上升到2003 年7 280.61 kg/hm2；在2004年之后玉米趋势产量出现下降的趋势，到2010 年后恢复稳定。玉米相对气候产量在59 a 间，有10 个气候歉年（1969 年、1977年、1980 年、1981 年、1989 年、1995 年、1997 年、2000 年、2007年、2009年），表明当年所发生的干旱等灾害对玉米的生长发育造成严重的影响，导致玉米产量明显下降。气候丰年有11 个（1965 年、1970 年、1974 年、1975 年、1984 年、1990 年、1996 年、1998 年、1999 年、2006 年、2008 年），在此期间极端降水量以及极端降水强度均保持在相对较高的水平，同时受地方政策的影响，使得气候因素以及社会因素对玉米产量起到增产的效果，其余年份为正常年份。

图4 1961-2019年吉林省地区单位面积玉米产量的变化趋势Fig.4 Variation trend of maize yield per unit area in Jilin Province from 1961 to 2019

2.2.2 气候产量的空间变化特征

吉林省1961-2019 年玉米气候产量的空间变化趋势如图5所示，由结果可知：玉米气候产量在59 年间呈增加趋势的地区主要分布于西北部、中部以及东部地区，占总面积的80.85%，其中乾安县、前郭县、农安县以及双阳县增加趋势较为明显，其原因可能与吉林省夏季在玉米处于生长阶段降水大致表现为东多西少，自南部向中西部、东部地区逐渐递减的分布特征［29］。而近年来吉林省极端降水事件频发，极端降水量以及极端降水强度持续增加，极端降水的出现对于受干旱影响较为严重的地区有缓解旱情的作用，因此玉米气候产量相对增加趋势明显，但均未通过0.05 水平显著性检验。而呈下降趋势的地区主要分布于西部、南部以及中北部的部分地区，占总面积的19.15%，这些地区大多数处于海拔较高或者降水量短缺地区，受各种因素的制约导致玉米气候产量处于相对减少趋势，并也均未通过显著性检验。由此表明玉米气候产量受气候条件影响较为显著，吉林省不同地区的水热条件差异较大，所造成的干旱或者极端降水等气象灾害对吉林省玉米产量的影响程度存在显著的空间差异性。

图5 1961-2019年吉林省玉米气候产量空间变化趋势Fig.5 Spatial variation trend of maize climate yield in Jilin Province from 1961 to 2019

2.3 极端降水指数对玉米气候产量的影响研究

2.3.1 极端降水指数与玉米气候产量的相关性分析

在时间特征分析上，本文利用SPSS 26 软件，将玉米气候产量、R95p、PRCPTOT、R20、SDII 作为变量进行Pearson 相关性分析（表2），由结果可知气候产量与四个极端降水指数之间均呈正相关关系。再结合极端降水指数与玉米气候产量之间的多项式拟合曲线（图6），分析玉米气候产量对极端降水指数的响应程度大小。

由表2 和图6（a）、图6（b）可看出，玉米气候产量与极端降水量指数R95p、PRCPTOT 均呈正相关关系，相关系数分别为0.181、0.189。玉米气候产量均随着降水量的增加呈先增加后下降的趋势，在R95p、PRCPTOT 分别超出190、610 mm 时，玉米气候产量呈下降的势头。说明极端降水量在达到一定界限时，较大的降水量对玉米生长造成严重的后果，导致玉米减产。由表2 和图6（c）、图6（d）可知，玉米气候产量与极端降水日数指数R20 和极端降水强度指数SDII 均呈显著正相关关系；当R20＞8 d 时，玉米气候产量开始下降，并且有较多散点更接近拟合曲线，而SDII 的拟合趋势也在出现下降的态势，表明极端降水日数与降水强度是影响玉米气候产量的关键指标。

表2 吉林省玉米气候产量与极端降水指数之间的Pearson相关性分析Tab.2 Pearson correlation analysis between maize climate yield and extreme precipitation indices in Jilin Province

图6 1961-2019年吉林省极端降水指数与玉米气候产量的多项式拟合曲线Fig.6 Polynomial fitting curve of extreme precipitation indices and maize climatic yield in Jilin Province from 1961 to 2019

玉米气候产量与极端降水指数之间的相关性空间分布如图7 所示，结果显示：玉米气候产量与极端降水指数R95p、PRCPTOT、R20、SDII呈正相关关系的地区均大于呈负相关的地区，表明适当的极端降水缓解了大部分地区所面临的水资源匮乏等情况，对提高土壤墒情及促进玉米的生长发育起到了积极作用。其中，玉米气候产量与极端降水量指数R95p、PRCPTOT整体呈正相关关系，且在空间分布上具有一致性，呈显著正相关的地区均分布于吉林省的西北部地区，例如大安市、前郭县等地区；呈负相关关系的地区主要分布于中东部以及南部地区，均未通过显著性检验。造成这一现象的原因可能由于西北部地区受旱灾影响较为严重［27］，极端降水量的增加对该地区玉米的生长起到至关重要的作用。玉米气候产量与极端降水日数指数R20 的相关系数范围在-0.162～0.476 区间内，相比于玉米气候产量与其他极端降水指数之间的相关性，与R20 之间的相关性系数最高，其中大安市、双辽市以及扶余县地区通过了0.05 水平显著性检验，呈显著正相关关系。玉米气候产量与极端降水强度指数SDII 呈正相关关系的地区主要分布于梅河口市及桦甸市以北的整个区域；呈负相关关系的地区分布于吉林省的南部地区，包括：桦甸市、梅河口市、通化市等地区。综上所述，玉米气候产量与极端降水指数整体在西北部以及东部地区呈正相关，在南部呈负相关，这主要与吉林省西部受旱灾影响较为严重，以及南部地区受长白山脉地形的影响，自南方输送的水汽大部在山前凝结降落等气候、地形因素有关。

图7 1961-2019年吉林省极端降水指数与玉米气候产量的空间相关性Fig.7 Spatial correlation between extreme precipitation indices and maize climatic yield in Jilin Province from 1961 to 2019

2.3.2 极端降水指数对玉米气候产量的重要性分析

通过采用R 语言包中的Boruta 算法进行特征集合的选择入手，从而评估各极端降水指数对玉米气候产量的重要性程度，结果如图8 所示：各极端降水指数对吉林省玉米气候产量的重要性程度由大到小依次排序为：R20＞R95p＞SDII＞PRCPTOT，其中除PRCPTOT 被判定为不确定特征以外，其余三者均被判定为重要特征。其中R20、R95p、SDII 的Z 分数分别为7.05、7.02 和4.98，说明玉米气候产量对极端降水日数以及极端降水量的敏感性较高，而对极端降水强度的敏感程度相对较弱。

图8 各极端降水指数对玉米气候产量的重要性Fig.8 Importance of extreme precipitation indices to maize climatic yield

3 讨论

吉林省是一个比较典型的生态环境脆弱地区，受极端气候事件影响显著。由于其特殊的地理位置，西部靠近干燥的内蒙古高原，与海洋远隔，水汽条件匮乏；东南部也因受长白山脉的阻挡，年均降水量较少，极易发生干旱事件。然而东部山区靠近松花江和日本海，受西南暖湿气流的影响水汽通过西南季风向东北运动输送到该地区的水汽充足，因此该区域内也易发生洪涝、渍水等极端降水事件［27，29-31］。本文就吉林省地区极端降水事件和玉米产量的时空分布及其相互关系做了相关研究，结果发现吉林省极端降水事件的降水量、降水日数、降水强度等在空间上均呈自西向东增加的趋势，这与任景全的研究结果相一致［32］。在研究吉林省玉米产量时，发现吉林省玉米实际单产整体呈波动上升的趋势，在2010 年左右至今呈缓慢回升的趋势，马文慧等［33］在研究吉林省玉米单产发展历程与提升路径时也证实了这一点。

通过研究极端降水事件对玉米产量的影响，发现呈正相关关系的地区大多分布于吉林省海拔较低的西北部以及东部的部分地区，而呈负相关关系的地区分布在海拔较高的东南部和南部地区，说明极端降水事件也受地形因素的影响，在东部发生频率要强于西部和中部地区，因此要加强预防吉林省东部及中部的强降水来袭。这一点与前人在对吉林省1961-2015年极端降水指数时空特征分析的结果一致［32］。

研究也存在一些不足之处。影响吉林省玉米产量的因素不仅是由极端降水事件造成的，极端高温引起的干旱热浪等灾害事件、人为因素以及社会因素也同样对玉米产量有着显著的影响，从本研究中也发现极端降水事件对玉米产量的影响不是特别显著。近年来，大量研究表明吉林省大部分地区由干旱缺水导致的玉米减产现象十分严重，地方也相应的出台粮食政策提高产率［27，28，34］。因此在以后的工作中应着重去考虑不同极端气候事件以及人类活动等因素对吉林省玉米产量的影响。此外，由于玉米在不同生育期所需水分不同，对极端降水事件的敏感程度不同，而本文也缺乏探究极端降水事件在玉米不同生育期的时空差异及其对最终玉米产量影响的研究，因此接下来的工作也需继续完善玉米不同生育期内的极端气候事件对吉林省玉米产量的影响。

4 结论

（1）1961-2019 年吉林省59 年间极端降水指数R95p、R20、SDII 在时间变化趋势上均呈上升的趋势，说明近年来吉林省极端降水事件在降水量、降水日数以及降水强度上均有所增加。在空间变化趋势上，各极端降水指数均表现为西部下降，东部上升，并由西北部向东南部逐渐递增的趋势。

（2）吉林省玉米实际单产与趋势产量在时间变化趋势上均呈显著上升的趋势。玉米相对气候产量与玉米气候产量在时间变化趋势上一致，59 年间，气候丰年有11 个，气候歉年有10个，其余为正常年份。在空间变化趋势上，玉米气候产量呈增加趋势的地区主要分布于西北部、中部以及东部地区，呈下降趋势的地区主要分布于西部、南部以及中北部的部分地区。

（3）极端降水指数与玉米气候产量之间的相关性主要表现为：在西北部以及东部地区呈正相关，在南部呈负相关关系的分布规律；各极端降水指数与玉米气候产量在吉林省的西北部呈显著正相关关系的地区较多。

（4）极端降水指数对玉米气候产量的重要性从大到小依次为：R20＞R95p＞SDII＞PRCPTOT，其中R20 与R95p 的重要性得分较高，分别为7.05、7.02。说明极端降水日数以及极端降水量对玉米气候产量变化的重要性相对显著。