基于多GCMs 模式的气候变化对河北棉花生产与耗水影响评估*

王柯宇,杨艳敏,杨永辉,刘德立,陈 丽

(1.中国科学院遗传与发育生物学研究所农业资源研究中心/中国科学院农业水资源重点实验室/河北省节水农业重点实验室 石家庄 050022;2.中国科学院大学 北京 100049;3.澳大利亚新南威尔士州初级产业部Wagga Wagga 农业研究所 Wagga Wagga 2650 澳大利亚;4.保定市灌溉试验站 望都 072450)

依据联合国政府间气候变化专门委员会第六次评估报告(AR6),与1850 到1900 年期间的平均值相比,全球平均表面气温预估将在未来20 年内增加1.5 ℃,平均降水也将增加,但随季节和区域而异,同时变率将增大[1]。在全球范围内,大气CO2浓度升高、气温升高和季节性降雨模式变化,对作物的生长发育和产量、区域种植制度、作物栽培管理、农业用水以及农业生态环境等造成不同程度的影响[2]。我国是世界上主要的棉花(Gossypiumspp.)生产国和进口国,棉花作为我国的重要战略物资,其可持续生产对我国乃至世界的农业、纺织业有着重要意义。由于棉花自身发育规律如生产周期长尤其是营养生长和生殖生长重叠时间较长等特性,使得棉花产量波动幅度较大,极易受到气候变化的影响,棉花生产的脆弱性更趋严重。因此,研究气候变化和棉花生长发育以及耗水之间的相互作用,对于理解作物行为机制和管理以及对气候变化的适应至关重要。

基于过程的作物模型因为成本低、时效高、变量易于控制等优点,成为气候变化对棉花生产影响评估的主要研究方法。目前最为常用的基于过程的作物模型有DSSAT 模型[3]、APSIM 模型[4]、RZWQM2模型[5]等。在未来气候变化的研究中,全球气候模式(Global Climate Models,GCMs)用于驱动过程模型来评价气候变化效果[6],近年来,被国内外学者广泛运用于气候变化对作物生产影响评估和相应农业适应措施的制定。关于未来气候变化对棉花生产影响预估,国内外已有不少学者做过研究。Yang 等[7]利用APSIM 模型研究了不同适应措施下未来气候变化对我国西北地区棉花产量及需水量的影响。Chen等[8]运用 RZWQM2 模型结合6 个全球气候模式,预测了气候变化对新疆策勒绿洲棉花生产的影响,并通过调整播期和品种探讨了棉花生产适应措施。Voloudakis 等[9]用FAO 的AquaCrop 模型估算了希腊A1B 情景下8 个气候模式下棉花生产带8 个站点的棉花产量,结果显示在21 世纪末产量有增加的趋势。Adhikari 等[10]运用CROPGRO-Cotton 模型结合3 种气候模式,预测未来德克萨斯高原棉花产量增加,并量化了灌溉量的减少对籽棉产量的影响。总的来说,气候变化对棉花生产的影响具有两面性: 一方面,气候变暖会加快棉花生育进程、缩短棉花生长期[11];另一方面,CO2浓度升高促进光合作用、增加干物质累积[12]。同时,气候变化对棉花的需水量和水分利用效率(WUE)有一定的影响,WUE 在相同环境温度下随着CO2增加而增加,而在相同CO2浓度下随着温度升高而降低[13]。在众多的作物模型中以APSIM 模型和DSSAT 模型由于用户界面友好、功能齐全,在世界范围内应用最为广泛,尤其是APSIM 模型,由于它的模块可以实现灵活的“插拔”、方便用户制定多种模拟规则而受到研究者的青睐。

上述研究中由于使用的GCMs 来源以及个数不同,以及作物模型的类型不同,导致了出现评估结果上的差异,造成气候变化评估的不确定性。其中气候模式是造成评估不确定性的主要来源。以往棉花预测研究大多以较少GCMs 进行分析,不同GCM 模型预测机理不同,时间分辨率和空间分辨率也存在差异,预测结果存在较大的不确定性,因此,采用多气候模式和情景是降低误差和不确定性的有效方法[14]。本研究采用最新的AR6 的22 个气候模式、4 种情景,以APSIM-COTTON 棉花模型为工具,分析气候变化条件对河北棉花物候、产量和耗水的影响,为制定应对气候变化的棉花生产管理措施提供理论依据。

1 研究方法

1.1 研究区域概况和试验设置

河北棉区属于三大棉花主产区之一黄河流域棉区,地处典型的暖温带半湿润季风气候区,无霜期为180～200 d,大于10 ℃的活动积温为4000～4600 ℃,多年平均降雨量为500～600 mm,多年平均日照时数为2580 h,雨热同期。中国统计年鉴(2021)[15]显示,2020 年河北省省棉花种植面积18.9 万hm2,占全国种植面积的5.97%,排名第二,仅低于新疆棉区。棉花的种植制度多为一年一熟制,以中早熟品种为主。进入21 世纪以来,河北平原棉区仍然是一个投入、产值和效益偏低的产区,棉区不断东移至低平原和滨海地区。土壤主要以潮土和褐土为主。

试验地点位于河北省保定市望都县内的望都灌溉试验站(115°08′E,38°41′N,海拔40.09 m),试验目的为获取校验棉花模型所需数据。站点多年平均气温11.8 ℃,年平均降水量507.5 mm,土壤类型为褐土,质地为壤土,有机质、有效氮、有效磷、有效钾含量分别为12.4 g·kg-1、48.64 mg·kg-1、17.46 mg·kg-1、95.05 mg·kg-1。试验于2019 年和2020 年进行。棉花品种为‘中植棉2 号’,播期为2019 年5 月4 日和2020 年4 月22 日。密度均为60 000 株·hm-2,行 距为60 cm,株距为27.8 cm。施肥量分别为N 276 kg·hm-2、K2O 82.8 kg·hm-2和P2O575 kg·hm-2,作为底肥一次施入。生育期间正常化控,7 月15 日打顶。观测指标包括物候期、形态指标(株高及蕾、花、铃、吐絮个数等)、干物质积累(分器官称重)以及产量,观测频率为每2 周观测一次。

1.2 数据来源

1.2.1 历史气候数据

站点的历史气象数据包括1961-2012 年逐日的最高气温(℃)、最低气温(℃)、降水量(mm)、日照时数(h)等,来源于中国气象科学数据共享服务网(CMDSSS) (http://cdc.cma.gov.cn/home.do),利用Brock[16]的方法将日照时数据转换为太阳辐射(MJ·m-2)。

1.2.2 未来气候数据

未来气候数据来自耦合模型相互比较项目第6阶段(CMIP6)数据集中的22 个GCM 模式(http://esgf-node.llnl.gov/search/cmip6/),由澳大利亚新南威尔士州初级产业部Wagga Wagga 农业研究所采用Liu 等[17]的统计降尺度方法,将数据进行空间和时间上的降尺度,获得逐日的站点数据。本研究选取GCM IPCC 排放情景特别报告中代表不同社会经济发展水平和CO2排放模式下4 个典型气候情景:SSP5-8.5 (高等排放模式)、SSP3-7.0 (高等排放模式)、SSP2-4.5 (中等排放模式)和SSP1-2.6 (低等排放模式)。具体的GCMs 信息见表1。

表1 本研究所涉及的22 个全球气候模式(GCMs)信息Table 1 Information of the 22 Global Climate Models (GCMs) applied in the study

1.2.3 土壤数据

连续土层的土壤物理特性参数主要包括容重(g·cm-3)、风干含水量(mm·mm-1)、凋萎系数(mm·mm-1)、田间持水量(mm·mm-1)、饱和含水量(mm·mm-1)、pH、土壤颗粒组成等。除凋萎系数由模型软件计算外,其他土壤参数根据田间剖挖的2 m 剖面分层取土测定取得,具体参数如表2 所示。

表2 不同深度的土壤参数Table 2 Soil parameters in different depths

1.3 模型描述及设置

APSIM (Agricultural Production Systems Simulator)是由澳大利亚CSIRO (联邦科学与工业研究组织)开发的农业生产系统模拟器,可以模拟气候、品种、土壤以及农业管理措施对作物生产的影响[18]。它由不同的模块组成,可以模拟不同作物、牧场、土壤过程以及管理措施的应用效果。因为这些模块是通过中枢中心“ENGINE”进行通信,所以单个模块可以实现“插拔”[18]。其中APSIM-COTTON 模型是以日为步长模拟棉花生长和发育的子模型,由SIRATAC 害虫管理模型[19]和DSSAT 作物水分平衡模型[20]演变而来,采用“top-to-down”的设计形式。在本研究中,使用APSIM-COTTON 7.10 版本来评估气候变化对棉花生产的影响。棉花品种采用‘中植棉2 号’,品种率定参数见表3。播期设置: 连续5 d 滑动气温超过16 ℃开始播种;灌溉设置: 自动灌溉,激发条件为60 cm 土层可利用含水量低于60%,每次灌溉55 mm;种植密度为6 株·m-2,行距60 cm;施肥设置: 播种前施入331 kg·hm-2的尿素。关于品种参数和农业措施的设置主要参考望都灌溉试验站2 年大田试验结果和当地棉农生产经验,在广泛代表性上可能存在不确定性。

1.4 统计方法

模型检验指标使用决定系数(R2)、均方根误差(RMSE)与归一化均方根误差(NRMSE)。RMSE、NRMSE 越小、R2越高,说明模拟精度越高,R2、RMSE 和NRMSE 的计算公式如下:

2 结果与分析

2.1 模型验证结果

本文利用2019 年的大田观测数据获取主要模型参数,并用2020 年数据对模型进行验证。图1、图2和表4 为作物生长主要指标验证结果,包括叶面积指数、株高、吐絮数、蕾数以及植株各器官干物重。由图1 和表4 可以看出,绿铃重和地上部分总干物重拟合较好,R2在0.9 以上,茎和叶片的干物重R2也在0.8 以上。绿铃重最高值的观测值和模拟值误差较大,原因是实际观测中由于病虫害的影响最高值较高而最终值较低,而模型没有病虫害过程模拟的子程序,造成一定的误差。从图2 和表4 可以看出,株高拟合趋势较好,但整体上模拟值偏低;叶面积指数后期模拟值偏高;绿铃数前期拟合较好,后期模拟值偏低;吐絮数模拟较好。总之,R2都在0.7 以上,结果可以接受。造成指标模拟值和观测值之间差别的原因一部分来自模型的机理性还存在欠缺,还不能完全对环境的极端因素做出反应;另一个方面是功能上的不足,比如模型缺乏整枝打顶的农业措施输入,依靠化学调控来解决。

图1 ‘中植棉2 号’棉花干物质量模拟结果的验证Fig.1 Verification of simulated dry matter of cotton cultivar ‘Zhongzhimian 2’ with results of the field experiment

图2 ‘中植棉2 号’棉花叶面积指数(LAI)、株高、蕾数和吐絮数的验证结果Fig.2 Verification results of leaf area index (LAI),plant height,squares number and open bolls number of cotton cultivar ‘Zhongzhimian 2’ with results of the field experiment

表4 APSIM-COTTON 模型模拟结果的评价指标Table 4 Evaluation indexes of APSIM-COTTON model simulation results

2.2 未来气候变化趋势

以Baseline (1981-2010 年)为基准时间段,分析了望都站点主要气候要素包括日太阳辐射、日最高温度、日最低温度、日均温度和年降雨量,在未来时间段2030s (2021-2040 年)、2050s (2041-2060 年)、2070s (2061-2080 年)和2090s (2081-2100 年)的变化趋势(图3)。在SSP1-2.6 情景下,4 个年代相对于基准期的太阳辐射分别增加0.35 MJ·m-2、0.99 MJ·m-2、1.19 MJ·m-2和1.30 MJ·m-2;在SSP2-4.5 情景下,4 个年代相对于Baseline 的太阳辐射分别增强-0.12 MJ·m-2、0.28 MJ·m-2、0.61 MJ·m-2和 0.88 MJ·m-2;在SSP3-7.0 情景下,2030s、2050s、2070s 和2090s 相对于Baseline 的太阳辐射分别减小0.94 MJ·m-2、1.03 MJ·m-2、0.89 MJ·m-2和0.70 MJ·m-2;在SSP5-8.5 情景下,4 个年代相对于Baseline 的太阳辐射分别增强0.05 MJ·m-2、0.20 MJ·m-2、0.34 MJ·m-2和0.37 MJ·m-2,且不同GCM 模式的差异越来越显著。温度在所有情景下都呈增加趋势,而且随着辐射强迫的增加和年代的推进,温度增加的幅度增加。在SSP1-2.6 情景下,日最高温度在2030s、2050s、2070s和2090s 年代分别增加1.14 ℃、1.57 ℃、1.69 ℃和1.69 ℃,而日最低温度增加1.49 ℃、1.98 ℃、2.14 ℃和2.06 ℃,日最低温度增加的幅度大于日最高温度增加的幅度;在SSP2-4.5 情景下,日最高温在2030s、2050s、2070s 和2090s 年代分别增加1.02 ℃、1.55 ℃、2.05 ℃和2.48 ℃,日最低温度增加1.47 ℃、2.18 ℃、2.75 ℃和3.27 ℃;在SSP3-7.0 情景下,在2030s、2050s、2070s 和2090s 日最高温度分别增加0.80 ℃、1.51 ℃、2.28 ℃和3.16 ℃,日最低温度增加1.28 ℃、2.23 ℃、3.28 ℃和4.44℃;在SSP5-8.5 情景下,在2030s、2050s、2070s 和2090s 日最高温度分别增加1.16 ℃、2.01 ℃、3.09 ℃和4.22 ℃,日最低温度增加1.61 ℃、2.77 ℃、4.17 ℃和5.67 ℃。

图3 SSP1-2.6、SSP2-4.5、SSP3-7.0 和SSP5-8.5 气候情景下研究区各气候指标变化趋势Fig.3 Annual change trend of climate indexes at the study area under SSP1-2.6,SSP2-4.5,SSP3-7.0 and SSP5-8.5 climate scenarios

年降雨量在多数情景下随着年代的递增而增加。基准期的年降雨量为548.61 mm,2030s、2050s、2070s 和2090s 在SSP1-2.6 驱动模式下,分别增加96.29 mm、130.17 mm、129.57 mm 和124.73 mm;在SSP2-4.5 驱动模式下,分别增加85.3 mm、142.81 mm、139.68 mm 和147.3 mm;在SSP3-7.0 驱动模式下,分别增加106.9 mm、121.44 mm、178.19 mm 和222.28 mm;在SSP5-8.5 驱动模式下,分别增加100.77 mm、152.72 mm、207.95 mm 和278.65 mm。

2.3 未来气候变化对棉花生产和耗水的影响

2.3.1 物候期

在对播期、出苗期、现蕾期、吐絮期、收获期进行分析后发现,所有物候指标随辐射强迫加剧和年代推进,在不同GCMs 模式驱动下的变异增加(图4)。对于播期,在SSP1-2.6 和SSP2-4.5 情景下,2030s、2050s、2070s 和2090s 相对于基准期都有所提前,但后3 个年代即2050s、2070s 和2090s 之间差别不大;而在SSP3-7.0 和SSP5-8.5 情景下随着时间推移播期之间差异明显增大,在2090s 年代提前了10 d 以上。对于出苗期和现蕾期,在4 种情景下相比基准期都有提前的趋势,但是各个情景和年代之间尤其是后3 个年代中值差别均不大,但是SSP5-8.5情景下,2070s 和2090s 两个年代的变异显著增加。对于吐絮期和收获期,除SSP1-2.6 情景之外的其他情景,表现出比较一致的趋势,即随着辐射强迫的增加和年代的推进提前期增加。在2090s 年代,SSP1-2.6、SSP2-4.5、SSP3-7.0 和SSP5-8.5 情景下吐絮期分别提前9.3 d、12.0 d、14.7 d 和16.0 d,而收获期分别提前15.3 d、21.0 d、30.3 d 和35.2 d。

图4 SSP1-2.6、SSP2-4.5、SSP3-7.0 和SSP5-8.5 气候情景下22 种GCMs 模拟的棉花物候期变化预测Fig.4 Prediction of cotton phenology changes simulated by 22 GCMs under SSP1-2.6,SSP2-4.5,SSP3-7.0 and SSP5-8.5 climate scenarios

2.3.2 耗水量

耗水指标对未来气候变化的响应是各个因素综合作用的结果,温度和降雨量的增加对耗水是直接的正效应,而温度升高导致的生育期缩短则是间接的负效应。各耗水指标的变化趋势如图5 所示。

图5 SSP1-2.6、SSP2-4.5、SSP3-7.0 和SSP5-8.5 气候情景下22 种GCMs 模拟的棉花耗水指标的变化预测Fig.5 Prediction of cotton water consumption indexes changes simulated by 22 GCMs under SSP1-2.6,SSP2-4.5,SSP3-7.0 and SSP5-8.5 climate scenarios

对于生育期内蒸散量而言,除SSP1-2.6 的2050s、2070s 和2090s 高于基准期5.3～13.1 mm 外,其他情景都低于基准期11.9～71.4 mm;低辐射强迫情景SSP1-2.6 和SSP2-4.5 下,不同GCM 驱动下的均值在后3 个年代变化不大,而高辐射情景SSP3-7.0 和SSP5-8.5 下则随着年代增加有降低的趋势。生育期内土壤蒸发量在低辐射强迫情景SSP1-2.6 和SSP2-4.5 下,除了2030s 低于基准期5.4～7.1 mm 外,其他年代高于基准期0.1～8.4 mm;而在高强迫情景SSP3-7.0 和SSP5-8.5 下,未来年代低于基准期0.2～12.2 mm,但各个年代之间差别不大或者变化规律不明显。

对于年蒸散量而言,除了SSP3-7.0 情景的未来年代蒸散量低于基准期12.4～38.6 mm 外,其他各个情景的未来年代(除2030s 外)高于基准期4.7～42.3 mm,且呈随年代推进而增加的趋势。在SSP5-8.5 情景 下,2030s、2050s、2070s 和2090s 分别比基准年代增加6.5 mm、7.8 mm、14.3 mm 和32.7 mm。对于年土壤蒸发量,各情景下随年代的推进而增加,增加幅度在5.0～58.3 mm,且辐射强迫越高各个年代之间的差距越明显。

而灌溉量则是生育期内蒸散量和降雨量的综合结果,未来大部分情景下由于生育期的缩短导致了生育期内蒸散量降低,而未来降雨的增加也减少了灌溉量,因此未来不同情景和不同年代下的灌溉量均低于基准期,但各个情景下不同年代间差异不明显。在SSP5-8.5 情景下,未来4 个时期较基准期灌溉量分别减少25.7 mm、23.8 mm、30.5 mm 和29.0 mm。

2.3.3 生长发育及产量

棉花产量总的变化趋势为: 在低辐射强迫情景下各个年代之间差异不明显,而在高辐射强迫情景下,较基准期下降趋势明显(图6)。在SSP1-2.6 情景下,2030s 和2090s 分别比基准期下降76.5 kg·hm-2和61.5 kg·hm-2;而在2050s 和2070s 则有轻微的增加趋势,分别比基准期增加24.2 kg·hm-2和22.7 kg·hm-2。在SSP2-4.5 情景下,未来的4 个时间段比基准期减少46.6～133.0 kg·hm-2,且4 个年代的产量差别不大。而在SSP3-7.0 和SSP5-8.5 情景下,则有比较明显的随着年代增加产量降低的趋势,2090s 年代分别比基准期下降432.7 kg·hm-2和432.5 kg·hm-2。

图6 SSP1-2.6、SSP2-4.5、SSP3-7.0 和SSP5-8.5 气候情景下22 种GCMs 模拟的棉花产量、地上干物质重量和叶面积指数的变化预测Fig.6 Prediction of cotton yield,dry matter aboveground and leaf area index (LAI) changes simulated by 22 GCMs under SSP1-2.6,SSP2-4.5,SSP3-7.0 and SSP5-8.5 climate scenarios

地上部分干物质总量在SSP1-2.6 情景下未来各年代比基准期增加13.7～46.7 g·m-2;而在SSP2-4.5 情景下前3 个年代与基准期相差不大且略低于基准期,2090s 高于基准期44.0 g·m-2;而在高辐射强迫情景SSP3-7.0 和SSP5-8.5 下随着年代的增加而降低,SSP3-7.0 情景下4 个年代相对于基准期分别减少85.9 g·m-2、92.3 g·m-2、115.8 g·m-2和161.5 g·m-2;SSP5-8.5 情景下减少10.3 g·m-2、24.3 g·m-2、51.5 g·m-2和151.3 g·m-2。

叶面积指数在所有情景下出现比较一致的趋势,即随着年代增加而下降,而且随辐射强迫增加下降幅度增加。在较低辐射强迫情景下,2050s、2070s和2090s 年代之间变化不大,而在较高的辐射强迫情境下,不同年代之间叶面积指数相差较大。

3 讨论

3.1 棉花物候、耗水、产量对未来气候的响应

温度的升高加快了棉花的发育进程,缩短了棉花发育时期[8,21],我们的研究显示,播期在不同情景下的2090s 年代比基准期提前4～14 d,在不改变品种的前提下,收获期也提前。然而由于在适应气候变化的过程中育种工作也是与时俱进的,晚熟品种被证明在未来可以提高棉花产量[7]。随着温度增加棉花周年耗水量增加,但由于未来降雨量增加,未来灌溉量有减少的趋势。王凯旋[22]评估了未来黄淮海地区89 个站点3 种主要作物的需水量和灌溉需水量的变化特征,在2030-2089 年,RCP4.5 和RCP8.5 两种情景下棉花需水量有上升趋势,而灌溉量变化趋势不明显。Luo 等[23]模拟了澳大利亚干旱区2030 年代棉花用水量有增加的趋势。本文的研究结果出现的灌溉水减少的趋势主要受生育期缩短和未来降雨增加的影响,如果未来更换晚熟品种、增加生育期的长度,灌溉用水也有增加的可能。

产量受多种因素的影响,一般认为温度增加对棉花产量是负效应,而CO2浓度、降雨以及太阳辐射的增加则是正效应。Li 等[24]利用Meta 分析方法比较了基于作物模型和GCMs 模型的世界范围内气候变化对棉花产量的影响,结果显示,气温每升高1 ℃(0.26～6.08 ℃),棉花产量下降7.79%;降水量和CO2浓度每增加1 mm 和1 mmol·L-1,棉花产量分别增加0.10%和0.05%。在文献所涵括的站点中一半以上的站点显示未来气候变化对棉花产量是正效应,而不到一半的站点则是负效应。我们的研究结果显示棉花产量在低辐射强迫下有增加的趋势,而在高辐射强迫下呈降低趋势。不同产量的响应结果主要取决于采用的模型种类、气候模式种类以及数量和当地气候、土壤性质、耕作方式和管理实践等因素。除了评估时采用的作物模型和GCMs 模型影响外,环境因素条件也是重要的影响因素,如果一个地区的土壤类型适宜作物生长、耕作方式和管理实践先进,应对未来气候变化的能力相对较强,越恶劣的环境条件对气候变化的缓冲能力越弱。

3.2 不确定性分析

气候变化影响评估的不确定性主要来自两个方面: 一方面来自作物模型的不确定性,另一个方面来自气候模式的不确定性。作物模型的不确定性一方面来自模型本身的结构和功能对现实模拟的差异,一方面来自模型参数的校准程度。本研究选用模拟结构功能相对齐全的APSIM-COTTON 进行模拟,能对未来气候主要因素: 温度、太阳辐射、降雨、CO2浓度以及各种农业措施进行响应,而且在两年大田试验取得的详尽数据基础上对模型的参数进行了精细的校正,在一定程度上减少了参数误差带来的不确定性。但是由于单个试验站点数据的局限性,模型参数的普适性尚需验证,今后的研究尚需多点试验数据的支撑[25-27]。

以往的研究表明,气候模式和气候情景是气候变化影响量化不确定性的主要来源[28],因此运用多种气候模式驱动作物模型可以有效地降低由于气候模式的选择带来的误差。本研究选用22 个GCMs 模型来评价气候变化对棉花生长的影响,相对于选用单一或较少的气候模式结果更为可靠。近年来气候变化评估中,研究者们也越来越趋向选用更多的气候模式[29-30]来减少模拟的不确定性。

4 结论

本研究通过开展两年的大田试验获取了模型校验需要的详细数据,对APSIM-COTTON 模型进行了精细的校验,验证结果显示模拟值和观测值拟合结果比较理想。然后利用22 个GCMs 模型的降尺度数据驱动作物模型,模拟结果显示: 在所有气候情景下,未来的所有时间段,播期提前,各个发育时期(出苗、现蕾、吐絮、收获)都较基准期缩短。年内总蒸散量呈增加的趋势,灌水量减少。棉花产量在未来则表现出在低辐射强迫下不同年代差异不大,而在高辐射强迫下降低的趋势。在SSP1-2.6、SSP2-4.5、SSP3-7.0 和SSP5-8.5 情景下2090s 皮棉产量相比基准期分别减少61.5 kg·hm-2、46.6 kg·hm-2、407.1 kg·hm-2和432.5 kg·hm-2。同时,上述研究结果表明,不同GCMs 驱动下的作物模型模拟结果差异较大,运用多个气候模式模拟的均值更具代表性。