英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
长期和逐年温度变化对中国玉米产量的影响
张琪，张继泉，郭恩亮，严邓华，孙忠义
（接收日期:2013年11月15日/接收日期:2014年1月17日/在线发表日期:2014年2月4日@ Springer-Verlag Wien 2014）
摘要：气候变化对作物产量的影响可分为长期影响和年影响。本研究的目的是利用历史数据集评估长期影响和年度影响是否不同。将东北和中西部吉林、安徽1961-2005年玉米产量数据与温度数据集相结合，建立统计回归模型，评价长期温度变化和逐年温度变化对玉米产量的影响。超过一半的产量趋势来自非气候因素，如管理和技术。当长期温度每摄氏度升高时，玉米产量可以增加三倍(用方法1测量)或两倍(方法2)。中国东北的农业也从气候变暖中受益。但是年复一年的气温变化只能使产量增加12%，几乎是长期气温变化影响的20倍。我们的结论是，长期温度变化和逐年温度变化对作物产量的影响是完全不同的。因此，从年复一年的变化中得出的模型不能用于评估长期气候变化的影响。为了满足未来对粮食的需求，必须提高作物产量。世界粮食产量的很大一部分正从粮食转向生物燃料汤普森2008)。这就加重了对农作物产量的需求。全球气候变化最重要的影响之一是农业生产，这是高度不确定的。大量关于全球或区域尺度的气候变化和农业应对的研究表明，气候变化对农业适应、气候变化减缓和政策制定具有重大影响(如Nicholls 1997;Aggarwal et al. 2002;罗贝尔2007)。美国和非洲是研究最频繁的地区(Schlenker和Robert 2009;Schlenker和Lobell 2010;Lobell et al. 2005)。中国是一个农业大国，只有世界7%的可耕地可以养活世界22%的人口(Piao et al. 2010)。农业文化对中国的粮食安全起着核心作用。气候变化加剧了中国未来粮食安全的脆弱性。但是，关于气候变化对中国农业影响的研究还很少(Barry and Cai 1996, Liu et al. 2004;Wang et al. 2009)。气候变化可以分为两部分，长期变化和年变化。一些研究假设它们对作物产量有相同的影响，并使用从年复一年的变化中得出的模型来计算长期气候变化的影响(Lobel 2007b;Rowhani et al. 2011)。然而，这一假设之前并未得到验证。
1介绍
由于管理和其他因素，全球农作物产量在过去几十年中大幅度增加。美国大多数县在1982-1998年间都经历了气温的负趋势，这一特征大约占这些长期产量收益的20% (Lobell 2003)。在高纬度地区，气温有上升趋势，这促进了作物产量(Tchebakova et al. 2011)。全球变暖不会带来很大的改善，甚至不会降低已经存在最佳温度地区的作物产量(Ortiz et al. 2008)。与年际产量变化相比，温度对长期产量趋势的驱动作用更大(Lobell and Burke 2008)。气候变化、年际或年际变化各不相同;它增加了许多地区的产量波动，降低了作物产量(Rowhani et al. 2011)。例如,作物产量有强烈的负面反应极端temper-atures超过30°C(罗贝尔et al . 2013年),和极端的温度或降水事件的频率增加了很多在全球气候变化(Aggarwal et al . 2006年)。降雨量对年际产量变化的影响最大(Maltais-Landry and Lobell 2012)。
有两种方法可以评估气候对作物产量的影响:经验统计方法(例如，Lobell et al. 2011;Sanabria和Lomme 2013)和基于过程的方法(例如，Lobell et al. 2005;Maltais-Landry 2012;Lobell et al. 2013)。统计方法需要至少20年的足够长的作物产量和天气观测的历史数据，以建立回归模型(Lobell and Burke 2009)。基于过程的方法通过输入农田试验数据、详细的地理空间数据和管理实践等多种数据，对作物生长系统进行模拟，建立物理模型，对模型参数进行标定。它可以通过在变化的气候条件下运行模型来评估气候变化对作物产量的影响，同时保持技术/管理因素不变。没有完美的模型，每个模型都有其缺陷。统计模型的主要问题是，它通常使用生长季节气候元素的平均值，这些平均值可能会掩盖每日或每周的模式，例如可能导致错误结论的极端事件(Semenov 1997)。在全球变暖的情况下，极端事件发生的频率要高得多。但统计模型的优点是数据需求有限;模型的不确定性可以透明地评估(Lobell和Burke 2010)。基于过程的方法过多地依赖于模型结构设计、人工假设、数据质量、模型校准和应用等。很难发现模型的不确定性是如何产生的。然而，它的优点是通过保持管理和其他常量来隔离天气对作物产量的影响(White and Hoogenboom 2010)。本研究采用统计方法来评价气候对作物产量的影响，因为它提供的数据需求较小，并且可以很容易地用来评估模型的不确定性。
降水、温度和辐射会显著影响作物产量(Tebaldi和Lobell 2008)。它们被用作统计函数的自变量。这些变量在生长季节的平均值通常被测量。但这样的平均值可能忽略了前treme事件对最终收益率的影响。有许多其他可以用来代替这些值的变量。一种方法是将整个生长期分为几个阶段，并使用生长期平均值。另一个衡量标准是作物超过临界阈值的时间长度，如生长度数(GDDs)和死亡度数(KDDs) (Butler和Huybers 2013)。一些天气变量可能彼此高度相关;最好是在构建模型时使用不相关的变量。
在本研究中，我们关注的是温度对中国玉米产量的影响。具体目标包括长期温度变化的影响，每年的温度变化对玉米产量的影响，以及他们的比较。这种分析可以定性地描述长期和逐年温度变化的不同影响。采用1961-2005年玉米历史产量数据和生长季平均温度数据，对不同因变量和自变量的线性统计模型进行拟合。
2研究区
吉林省位于中国东北中部(图1)，是世界著名的黄金玉米带之一。它具有北大陆性季风气候，冬季漫长而寒冷，夏季短暂而温暖。这种天气条件非常适合玉米生产。为了与吉林省进行比较，我们选择了中国中部的安徽省作为对照。安徽北部为暖半湿润季风气候，南部为亚热带湿润季风气候，以淮河为界。这两个省的玉米生产是雨养农业系统，大约在5月播种，9月收获。图2显示了这两个省份玉米产量的波动情况。这一时期吉林省和安徽省玉米产量均有明显的增长趋势。吉林省的玉米产量几乎是安徽省的两倍。省内标准差有上升趋势。这可能是由近年来频繁发生的区域性气象灾害造成的。安徽由于纬度较低，热状况比吉林好。因为全球变暖,tem-perature 21站在所有这些(13站在吉林和安徽8站)有明显的增加趋势,平均tem-perature吉林和安徽增加了1.06和0.36°C,分别在过去50年(图3)。吉林省的增加的趋势更加明显。这一结果与许多认为高纬度地区对全球变暖更为敏感的研究一致(如Piao et al. 2010)。长期降水的趋势不像气温那样明显。吉林站4个，安徽站5个，降水有增加趋势;其他站点有下降的趋势。
3方法
为了衡量天气变化对作物产量的影响，我们首先需要知道产量的组成部分。某一年的最终作物产量可能受到天气、病虫害、耕作技术和管理、农业政策、创新等(Zhang et al. 2013)。天气可分为长期气候变化和年复一年的天气波动。年复一年的天气波动是影响产量的主要“随机”因素。其他因素，包括长期气候变化，构成了相对持续的趋势。因此，最终作物产量(Y)可分为产量趋势(Yt，主要受常数因素影响)和产量波动(Yf，主要受随机因素影响)两部分。
Y=Yt Yf （1）
图1研究区，吉林有13个气象站，安徽有8个气象站
原料产量不随产量波动而变化。有必要对原始产量数据进行去趋势化，将随机因素的影响与连续因素分开。有几种方法可以做到这一点。第一种方法是用多项式拟合的连续因子近似该趋势，并从中提取产量异常。最常用的方法是线性趋势法、对数收益率法和第一差异法(Lobell and Burke 2009)。每年气候变化的影响研究中，我们使用多项式回归来降低原料产量。对于其他情况，我们使用线性回归来消除趋势。
在本研究中，我们使用两种方法来识别长期温度变化对玉米产量的影响。如何将长期气候变化的影响与其他恒常因素区分开来是一个重要的问题。第一种方法是比较吉林和安徽。由于这两个省处于同一个国家，农业政策、创新和种植技术的趋势不会有很大的不同。所以我们假设这两个省之间产量趋势的差异可能是长期气候变化造成的。这里我们只考虑温度变化，因为长期降水没有明显的趋势:
beta;=（Delta;Yt_jilin-Delta;Yt_anhui)/(Delta;Tt_jilin-Delta;Tt_anhui) (2)
Delta;Yt_jilin=Yt_jinlin_2005-Yt_jinlin_1961 (3)
图2吉林、安徽玉米产量波动情况;箱底和箱顶分别为各监测站每年产量的1 / 4和3 / 4;盒内频带为各测点收益率的中位数;圆圈是异常的站
图3生长期(5 - 9月)吉林、安徽平均气温;趋势线是用线性回归拟合的趋势温度
beta;在那的长期收益率的敏感性变化引起的温度变化,Yt_Jilin_2005收益率趋势- 2005年吉林省和安徽省的产量趋势变化，吉林省和安徽省的Tt_Anhui为吉林省和安徽省的生长期温度趋势变化。
在第二种方法中，吉林有13个监测站，安徽有8个监测站;首先，我们利用线性趋势拟合各站点的产量和温度趋势，从而剔除年际气候变化的影响，其函数为:
Yt = kYt C (4)
Yt =收益率在某一年的趋势，kY =Delta;Yt/Delta; t是收益率趋势的年度变化。kT = Delta;Tt / t为温度变化趋势的年际变化。我们应用一个简单的线性回归模型来拟合这些监测站:
kY = m beta;kT ↋ (5)
我们可以看到，当kT = 0时，收益率仍然会每年变化m。因此，m可以表示常数因子/非气候因子导致的产量趋势部分。beta;是sensi-tivity收益率变化的长期温度变化引起的。
为评价气候年变化对玉米产量的影响，采用吉林省13个站点1961 - 2010年玉米产量数据和生长季平均温度数据。我们使用一个简单的线性回归模型来拟合这650个样本:
Yf = n alpha;Tf ↋ (6)
4 结果
长期的温度变化对作物产量的影响评估方法一个是4092公斤公顷minus;1°Cminus;1,几乎是三倍的玉米产量增加。图4显示了评估结果通过方法2。模型有统计学意义(plt;0.01)with slope=3,223.09 kg ha minus; 1 ° Cminus; 1 , offset=63.51 kg haminus;1 yearminus;1从图中可以看出，在45年的时间里，各站产量和温度均有上升趋势，其中吉林的上升趋势比安徽明显。使用温度和产量趋势观察统计回归关系,我们计算non-climatic因素,如技术和管理,造成63.51公斤的平均收益率趋势haminus;minus;1 1年。这些值分别占吉林省和安徽省玉米总产量趋势的42.33%和73.54%。在美国，这一比例很大，80%的产量趋势来自于非气候因素(Lobell 2003)。长期温度对玉米产量的影响是3223 .09点haminus;1°Cminus;1公斤,超过两个玉米产量增加。趋势的温度增加了1.06°C在吉林和安徽只有0.36°C在这45年。这部分解释了为什么吉林省的产量趋势(42.33%)中只有一半(73.54%)来自非气候因素，而安徽省的产量趋势(73.54%)中大部分(73.54%)来自非气候因素。对于大多数站,每年产量趋势高于63.51公斤minus;1。也就是说，长期的气温升高对中国特别是东北地区的玉米产量产生了积极的影响。
图5为产量和温度异常的回归统计。温度异常分布minus;0.88和0.84°C之间的占90%的样本。和产量之间的异常分布的haminus;1minus;2371公斤和2085公斤minus;1占90%。收益率波动幅度较大。干旱、洪涝、热浪、虫害等气象灾害也会带来巨大的产量损失。很难区分有多少产量损失是由温度异常引起的，而不是由其他原因引起的。因此，产量波动与温度异常的相关性不明显。利用该回归统计模型，我们计算出了气温年变化对其的影响。玉米产量162.2公斤haminus;1°Cminus;1。长期温度变化对玉米产量的影响大约是每年温度变化的20多倍。用每年变化得出的模型来计算长期气候变化的影响是不合理的。
Trend_yield(kg/year.ha)
Trend_temp
图4回归统计温度和产量趋势斜率= 3223 .09点公斤haminus;1°Cminus;1,抵消= 63.51公斤haminus;minus;1年1,n = 21,p lt; 0.01;坡度可以解释长期温度变化对玉米产量的影响;这种抵消解释了非气候因素的影响。
图5回归统计异常玉米产量(公斤)和tempera-ture吉林省(°C)的13个站1961年至2010年期间,斜率= 162.2公斤minus;1°Cminus;1,抵消=minus;46公斤minus;1,n = 650;概率密度函数(pdf)描述了温度异常的分布.
5讨论与结论
在本研究中，我们发现长期和年复一年的温度变化对玉米产量的影响是相当不同的。长期温度变化对玉米产量的影响约为温度年变化的20多倍。用年复一年变化的模型来计算长期气候变化的影响是不合理的。气候变暖的趋势使中国东北的农业受益良多。本研究存在一些不确定性。首先，为了评估长期温度变化的影响，我们假设两个省的其他常数因子几乎相同。尽管技术趋势可能相同，但由于土壤、水资源等因素的影响，玉米增产的敏感性
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[21052]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
