APP下载

基于CAMM和CLDAS的黄淮海冬小麦成熟期连阴雨时空特征

2024-03-09邬定荣姬兴杰张溪荷王培娟杨建莹马玉平霍治国

气象与环境科学 2024年1期
关键词:连阴雨黄淮海格点

邬定荣, 高 静, 姬兴杰, 张溪荷, 王培娟,杨建莹, 马玉平, 霍治国

(1.中国气象科学研究院,北京 100081; 2.国家气象信息中心,北京 100081; 3.中国气象局·河南省农业气象保障与应用技术重点开放实验室,郑州 450003; 4.河南省气象科学研究所,郑州 450003)

引 言

黄淮海地区农耕历史悠久,是我国主要的冬小麦种植区域,素有中国重要“粮仓”之称,播种面积和产量占全国小麦的50%以上[1-2],对国家粮食安全具有举足轻重的作用。该区域地处暖温带大陆性季风气候区,夏季高温多雨,冬季寒冷干燥,雨热同期,冬小麦成熟期恰逢春末夏初,易受到连阴雨、强降雨、大风、冰雹等多种灾害性天气的影响。连阴雨易造成麦子在地里发芽、发霉和变黑,而高温高湿的气象条件会导致同期土壤湿度增大,使农机无法及时进入田间收割,部分抢收的麦粒也因无法及时晾晒而发生霉变,从而带来极其严重的经济损失[3-5]。因此,研究连阴雨灾害的时空分布特征,对重点区域的灾害监测、预测和风险评估具有重要的现实意义。

在研究灾害的时空分布规律时,现有研究主要根据灾情指标,基于站点资料计算灾害特征,随后插值到区域。如韩文静等[6]基于苹果连阴雨指标,研究了北方苹果连阴雨灾害的时空分布特征;李树军等[7]基于修订后的指标研究了山东省干热风的分布特征;王营等[8]基于构建的春玉米渍害指标研究了灾害的时空分布特征。农业气象灾害空间分布的精细化程度既受站点密度的限制,又受插值方法的制约,而直接使用业务化的网格数据融合产品,则可避免复杂的气象数据插值过程,提高灾害研究的精细化水平。近年来,随着格点数据的不断完善[9],越来越多的农业气象灾害监测和预警研究开始使用格点数据产品[10]。何亮等[11]探讨了格点资料在冬小麦干旱预警中的应用。白磊等[12]利用长时间序列的格点化气象数据研究了霜冻灾害的时空特征。孟翠丽等[13]构建了最低气温空间网格数据用于甘蔗寒冻害研究。随着对资料认识的深入,格点资料也逐渐在农业气象的业务化运行中得到应用[14]。马玉平等[15]将中国气象局陆面数据融合产品(China Meteorological Administration Land Data Assimilation System, CLDAS)作为驱动场,构建了中国农业气象模型(Chinese AgroMeteorological Model, CAMM),取得了较好的效果。

农作物在不同生育阶段对气象灾害的敏感性存在差异,气象灾害对产量的影响程度也因不同生育阶段而异。因此,结合作物生育期分析农业气象灾害的发生规律、评估灾害的影响程度,是提高农业气象灾害研究精细化程度的关键环节。目前,已有不少研究基于平均生育期开展了灾害指标的构建和风险评价工作[16-18]。但对生育期特别敏感的灾害,如苹果花期冻害、冬小麦干热风等,利用平均生育期评估灾害影响时可能会产生较大偏差。因此越来越多的研究者开始探讨将农业气象灾害开始日期与农作物的真实生育期相结合,进行灾情评估,如李森等[19]基于站点实测的成熟期计算了冬小麦干热风的时空特征。实测发育期受站点分布、观测时效等限制,而基于机理发育模式进行发育期模拟和重构,则可弥补实测资料的不足。二者有机结合,有利于对灾害的精细化评估[20]。

冬小麦连阴雨是对生育期特别敏感的灾害之一[21]。目前利用机理发育模式和格点气象资料,系统研究冬小麦成熟期连阴雨的研究还未见报道。本研究拟利用具有自主知识产权的中国农业气象模式CAMM的发育模块,结合中国气象局业务化运行的CLDAS格点气象资料,重构2008-2023年冬小麦成熟期,逐网格精细化分析冬小麦连阴雨灾害发生的次数和频率,揭示灾害的时空分布特征。本研究不仅为灾害监测、预警和防御提供科学依据,也可为基于作物模型的灾害影响评估提供借鉴思路。

1 数据与方法

1.1 研究区域

研究区域为黄淮海地区冬小麦主产区,包括北京、天津、河南、山东的全部及河北省除北部的大部分地区。区域地势平坦,成熟期偶发的连阴雨灾害常因排水不畅而造成严重的产量损失,降低小麦品质[21-22]。

1.2 数据来源

研究所用数据包括格点气象数据、冬小麦发育期及种植分布数据。

格点气象数据来源于国家气象信息中心研发的CLDAS产品。该产品利用多种来源的地面、卫星等观测资料,采用多重网格变分同化、最优插值、概率密度函数匹配、物理反演、地形校正等技术研制,在中国区域质量优于国际同类产品,且已在多种农业气象灾害监测和评估中得到广泛应用,评估效果较好[23-25]。本研究采用CLDAS产品中的日平均气温、降水量和辐射等数据,数据空间分辨率为0.0625°,时段为2008年1月1日-2023年7月31日。

研究收集了区域内65个农业气象观测/试验站2008-2023年冬小麦花期和成熟期数据。各站位置如图 1所示。2008-2015年的数据来源于国家气象信息中心,之后的数据来源于气象大数据云平台“天擎”(http://idata.cma/cmadaas/)和各省市气象部门。

图1 研究区域及农业气象观测站的位置

冬小麦种植分布数据来源于国家卫星气象中心制作的2020年黄淮海冬小麦种植区域分布图,数据的空间分辨率为0.01o。为使气象数据和冬小麦种植分布数据相匹配,利用ArcGIS中的众数(Majority)方法将冬小麦种植分布数据重采样至0.0625°。

1.3 研究方法

1.3.1 冬小麦连阴雨指标

综合公开发表的文献资料[22,26],本研究采用的冬小麦连阴雨指标为:连续5 d及以上有降水(日降水量≥0.1 mm)且降水量≥50.0 mm的降水过程,其中允许有1 d无降水(或有微量降水)但日照时间须≤2 h,过程开始和结束日降水量必须≥0.1 mm。

由于CLDAS资料缺少日照时数数据,本文利用Ångström方程计算各格点各日2 h日照时数对应的辐射[27],用来判断CLDAS辐射数据对应的日照时数是否小于等于2 h。

1.3.2 CAMM发育模式

CAMM是中国气象科学研究院研发的具有自主知识产权的机理性农业气象模式。该模式聚焦中国区域农业种植特点,采用插拔式方案,构建了作物发育进程、光合呼吸作用、干物质分配、叶面积扩展等作物生长过程引擎模式,发展了水肥影响、灾害影响、区域种植特色、生长评价、参数优化等可插拔模式,实现了对中国区域冬小麦、玉米、甘蔗等作物生长发育过程的实时在线模拟[14,27-29]。

发育进程是作物的生理年龄,是作物生长模型的时间指针。以往模式如WOFOST、CERES、APSIM等多基于积温理论构建作物发育模式,这些模式假设温度响应函数在不同年份保持不变,而实际观测数据表明这种假设难以应用在变化环境[30-32]。CAMM通过引入日序参数描述作物发育进程对环境的适应能力,构建了耦合响应与适应机制的作物发育模式(Response and Adaptive Model, RAM),其中的响应机制是模式假设作物发育速率与温度线性相关,适应机制是假设响应机制中的线性倾向率与前一个发育期的日序线性相关。公式如下[33]:

R=α+(β+γ×DOY)×T

(1)

式中,α、β和γ是系数;T是日平均气温;DOY是前一个发育期日期的日序,本文模拟冬小麦开花-成熟阶段,因此DOY是各年开花期的日序;R是发育速率,从开花当日开始计算并累积,累积到1时表示冬小麦已经成熟。

在RAM模式中,由于作物在不同年份发育到某一生育期的DOY不同,(β+γ×DOY)的取值也不同,因此不同年份作物发育速率的温度敏感性不同(图2)。从积温角度看,RAM模式隐含的假设是完成发育阶段所需的积温不是常数,这是RAM模式和其他发育模式最大的不同之处。已有研究表明,RAM模式具有结构简单、参数化过程容易、模拟效果好等特点,适合区域、大范围的作物发育期模拟研究[33-34]。

图2 RAM与WOFOST模式的温度响应函数示意图

利用CLDAS的日平均气温资料、冬小麦开花和成熟期资料订正RAM模型参数,得到各站点的参数取值,统计各站点的均方根误差(RMSE),评估区域模拟效果,随后利用反距离权重法将参数取值插值到其他网格,得到整个研究区域逐网格的RAM模式参数。

1.3.3 计算过程

按照下述方法统计2008-2023年的连阴雨次数和过程日数。

(1)开花期资料插补和网格化

由于个别农业气象站点在个别年份的发育期观测不完整,致使研究区域内不同年份的生育期观测站数不同。为了得到研究区各格点的冬小麦开花期数据,且避免简单插值可能导致的偏差,本文假设全区域各站花期距平值较为一致,采用如下方法进行冬小麦开花期插补和网格化处理。

(2)

(3)

(4)

式中,Di,y为区域内第i个站点、第y年的开花期日序,M和N分别为区域内各年的冬小麦开花期的有效站点数和总年份数。

b.基于区域内所有站点每年和多年平均开花期日序的差值,计算得到研究区每年开花期日序距平值DAy:

(5)

利用反距离权重法将区域内所有站点的花期日序插值到研究区域全部网格,得到2008-2023年黄淮海地区逐年冬小麦开花期格点数据集。

(2)冬小麦成熟期模拟

基于CLDAS的日平均气温资料、网格化的冬小麦开花期资料和模式参数,逐网格运行RAM模式,得到各网格的冬小麦成熟期日序。利用均方根误差(RMSE)和拟合优度(R2)来评估RAM模型的模拟效果。

(3)时空特征分析

为不遗漏灾害天气,考虑RAM模式模拟误差的分布、成熟到收获的天数,以及农机有时无法及时到位等情况等[5],本文统计成熟期前6天加后9天共16天(以下简称成熟期)的降水量、雨日数、连阴雨次数及过程天数,运用数理统计和GIS等方法,叠加冬小麦种植区域数据,分析成熟期连阴雨时空特征。

2 结果和分析

2.1 RAM模式评估

RAM模式对黄淮海地区冬小麦成熟期的模拟结果见图3。RAM模式在各站模拟得到的最大、最小和平均RMSE分别为4.10、1.60和2.28 d,标准差为0.46 d,R2值为0.915,倾向率为0.913(图3a)。RAM模拟结果较黄健熙等[35]基于WOFOST模式得到的R2(0.63~0.77)和RMSE(2.99~4.65 d)均更佳,表明RAM模式适用于模拟黄淮海地区冬小麦的成熟期,可以用于重构各格点的历史成熟期序列。从误差分布区间来看,绝对误差均在10 d以内,其中在6 d、4 d、2 d和1 d以内的概率分别是98.8%、95.0%、74.4%和51.9% (图3b)。

图3 RAM模式模拟值和实测值的对比(a)及模拟误差(模拟值-观测值)的频率分布(b)

2.2 成熟期降水量和雨日

2.2.1 降水量空间分布特征

黄淮海地区2008-2023年成熟期的平均降水量为8.8~84.6 mm,平均值为31.9 mm,呈南北高中间低的空间分布特征(图4a)。黄淮海中部的汤阴、濮阳、封丘一带的最低,降水量不足10 mm,最南端的信阳和固始南部的最高,降水量达80 mm以上。

图4 2008-2023年冬小麦成熟期平均降水量(a)及其随年份的变化趋势(b)空间分布图

2008-2023年各格点降水量的变化趋势为-4.9~5.6 mm/a,平均为0.3 mm/a,略呈增加趋势(图4b)。从空间分布看,冬小麦成熟期降水量在黄淮海地区大致呈南北两端减少、西部和中部增加的趋势,其中河南西部增加得最多,达4.0 mm/a以上,而北部的涿州和南部的南阳一带减少得较多,在-3.0 mm/a左右。

2.2.2 雨日数空间分布特征

冬小麦成熟期雨日数为1.0~9.1天,平均为5.4天,呈南北两端高中间低的空间分布格局(图5a)。太行山东麓、泰安周边、河南省西部和南部的雨日数偏多,均在6天以上;区域中部的雨日数最低,约在3天左右;山东半岛地区的雨日数居中,平均每年为4~5天。2008-2023年整个黄淮海地区冬小麦成熟期的雨日数波动范围较小,为-0.6~0.5天/a变化,平均为0.1天/a (图 5b)。河北中北部以减少趋势为主,其他区域虽然以小幅增加为主,但各格点间波动较大。

图5 2008-2023年冬小麦成熟期雨日数(a)及其随年份的变化趋势(b)空间分布图

2.3 成熟期连阴雨时空特征

2.3.1 连阴雨灾害面积

据农业农村部的公开报道,2023年黄淮海地区冬小麦连阴雨受灾面积为186.0×104hm2[36],基于本文方法统计得到的面积为193.8×104hm2,二者较为一致。表明基于机理性作物发育模式和格点气象数据模拟冬小麦成熟期,进而结合连阴雨指标可以较好地反映实际灾情。

2.3.2 连阴雨逐年变化特征

2008-2023年黄淮海地区冬小麦连阴雨灾害面积的年际波动较大(图6)。2012、2020和2021年几乎无灾,而2009、2013、2018和2023年受灾面积较大,依次为88.67×104、107.40×104、247.76×104和193.8×104hm2,其他年份的受灾面积较小。从4个受灾面积较大的年份来看,2009年冬小麦成熟期连阴雨受灾面积最小,且连阴雨过程持续时间较短,以5~7天为主;2013年受灾面积较2009年的略增,但连阴雨过程持续9天以上的面积增加较多;2018年的受灾面积最大,且连阴雨过程以5~9天为主,9天以上连阴雨过程受灾面积很小。与其他年份显著不同的是,2023年不仅5~9天的连阴雨过程影响面积高达134.8×104hm2,而且还有59.0×104hm2的面积发生了持续天数在10天以上的过程,对冬小麦生产造成较大的不利影响。虽然研究时段内连阴雨无明显的时间变化趋势,但灾情较重的年份大致呈现4~5年的周期性规律,且连阴雨持续时间趋向于越来越长、灾害影响面积趋向于越来越大。

图6 2008-2023年不同连阴雨日数下受灾面积逐年变化动态

据河南省农业农村厅报道,历史上2009年、2013年、2016年和2018年都是连阴雨比较严重的年份[37]。2016年虽然受灾面积较小,但持续天数较长,约半数以上的面积持续天数在9天以上,可以认为灾情也不轻(图6)。因此,本文研究结果与农业农村厅的报道较为吻合。

2.3.3 连阴雨空间分布特征

从空间分布上看,连阴雨发生次数呈现出空间上零散发生,但局部区域具有集中性的特征(图7)。北京、天津、河北北部和中南部、山东西部等地发生连阴雨灾害的次数极少;山东德州、惠民和河北阜城、河间一带发生连阴雨灾害的空间范围较大,但频率不高,为0.625次/10年,即在研究的16年间仅发生一次,而且均发生在2018年。此外,太行山东麓和胶东半岛也有零星发生。整个黄淮海地区,河南省的连阴雨灾害较为严重,多地均有零星分布,发生次数较多的区域主要分布在巩义、郑州、杞县、商丘一线以南,且以河南东南部的西平、信阳、正阳和潢川一带最频繁,最多可达1.875次/10年,即约5年一遇(图8)。

图7 冬小麦成熟期连阴雨平均次数的空间分布

图8 冬小麦成熟期每次连阴雨过程平均天数的空间分布

从区域上看,每次连阴雨过程的平均持续天数以7天以下为主。太行山东麓和胶东半岛多在6天以下,山东德州、惠民和河北阜城、河间一带在8天以下;河南东南部持续时间较长,特别是沈丘、信阳、潢川一带,多在9天以上。结合图7可见,河南省南部的信阳和驻马店地区是冬小麦成熟期连阴雨的高发和重发区域,应高度关注连阴雨灾害对该区域冬小麦生产的影响。

3 讨 论

(1)本文研究结果与部分已有研究基本相符,如连阴雨灾害总体上呈北轻南重的趋势等。有文献指出,河南南部,如周口、驻马店等地连阴雨风险等级较高,而南阳、渭河、商丘等地的次之[21]。本研究也表明这一带是连阴雨发生最频繁的区域,每次过程的持续天数也较长,二者较为一致。文献报道2009年偃师有持续7天的连阴雨过程[22],但本研究没监测到这个过程。结合偃师附近巩义站冬小麦的发育资料可知,当年实测成熟期为5月29日,模拟成熟期为5月27日,截取的连阴雨统计时段为5月21日至6月5日。偃师在时段内仅在5月22日、5月27-28日有降水,不满足连阴雨指标。但是在5月9-15日连续7天有降水,且总量达到了连阴雨指标。因此,对成熟时段选择的不同是造成这种差异的主要原因,表明在以后的研究中可以适当放宽对成熟时段的定义。

(2)现有连阴雨指标虽然能够较为准确地提取到受灾区域,但是冬小麦成熟期是否能够发生连阴雨灾害,一方面取决于诱发连阴雨的气象条件,另一方面还与冬小麦品种有关。在连阴雨灾害多发重发区域种植耐湿、抗穗发芽的品种可有效减轻连阴雨灾害的影响[38]。在灾害指标方面,可结合生产区域的实际气象条件,不断改进和完善冬小麦成熟期连阴雨灾害指标,如考虑空气湿度在小麦霉变过程中的重要影响,探讨连阴雨灾害过程前期土壤墒情对过程降水量的吸收和存储能力及致灾的影响程度等。此外,现有指标仅能识别连阴雨灾害的发生区域和影响范围,对灾情严重程度的判识还存在不足,不利于灾害防控措施的有效实施。建立基于灾害致灾过程和机理的综合指标体系将是今后的研究重点。

(3)基于CLDAS格点气象数据,计算得到的2023年河南省南阳地区冬小麦连阴雨灾害面积很小,但是网络上公开报道表明,2023年南阳连阴雨灾情较重[39]。检查格点与站点的气象数据,发现格点降水量数据与站点观测存在一定偏差。因此,CLDAS数据虽然整体上与站点数据的吻合度较好,但仍需在一些细节上进一步提升数据的融合精度。此外,冬小麦的实际种植区域分辨率普遍高于现有CLDAS资料,在以后的研究中,考虑进一步提高气象数据的分辨率,以更好地与实际种植区域匹配,实现更精细化的灾害评估和监测。

4 结 论

本文以黄淮海地区为研究区域,利用CLDAS格点数据和农业气象观测站冬小麦历史发育期数据,订正机理性中国农业气象模式CAMM的发育模块参数,重构格点化的冬小麦成熟期日序,进而分析成熟期连阴雨时空分布特征。主要结论如下:(1)机理性发育模式可以较好地模拟冬小麦成熟期(RMSE为2.28±0.46 d),得到的连阴雨面积与实际灾情较为吻合。(2)连阴雨灾害年际波动大,严重的灾情大致4~5年一遇,且灾情有逐渐加重的趋势。(3)黄淮海地区冬小麦成熟期连阴雨灾害主要集中在河南省南部的信阳、驻马店地区,不仅发生频率高(约5年一遇),且每次过程持续天数也较多(9天以上)。

致 谢

黄淮海冬小麦种植区域图由国家卫星气象中心张明伟副研究员提供,在此表示感谢!

猜你喜欢

连阴雨黄淮海格点
2022 年国审黄淮海夏播玉米新品种
带有超二次位势无限格点上的基态行波解
黄淮海北部地区夏玉米稳产高产的播期优选
沿淮地区秋季连阴雨综合指数构建及其变化特征
一种电离层TEC格点预测模型
1961—2018年高淳连阴雨天气特征分析及对策探讨
带可加噪声的非自治随机Boussinesq格点方程的随机吸引子
廊坊市连阴雨(雪)天气统计分析
我国秋季连阴雨的气候特征及大气环流特征
格点和面积