區(qū)域糧食產(chǎn)量因災(zāi)損失評估之內(nèi)蒙古自治區(qū)災(zāi)情?產(chǎn)量模型構(gòu)建*

朱永昶，劉布春，劉 園，SHIRAZI zeeshan-sana

區(qū)域糧食產(chǎn)量因災(zāi)損失評估之內(nèi)蒙古自治區(qū)災(zāi)情?產(chǎn)量模型構(gòu)建*

朱永昶1,2，劉布春1**，劉 園1，SHIRAZI zeeshan-sana1

（1. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)環(huán)境與可持續(xù)發(fā)展研究所/作物高效用水與抗災(zāi)減損國家工程實驗室/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)環(huán)境重點實驗室，北京 100081；2. 中國氣象局氣象發(fā)展與規(guī)劃院，北京 100081）

基于1981?2020年內(nèi)蒙古自治區(qū)農(nóng)業(yè)氣象災(zāi)害災(zāi)情及該地區(qū)糧食作物播種面積和產(chǎn)量數(shù)據(jù)，構(gòu)建災(zāi)情?糧食作物產(chǎn)量評估模型，并對該模型進(jìn)行驗證，以此估算該地區(qū)糧食作物因災(zāi)減產(chǎn)量。結(jié)果表明：（1）1981?2020年內(nèi)蒙古自治區(qū)糧食作物播種面積、總產(chǎn)和單產(chǎn)均呈顯著上升趨勢，增速分別為74.48×103hm2·a?1、78.85×104t·a?1和100.97kg·hm?2·a?1。（2）1981-2020年內(nèi)蒙古農(nóng)業(yè)氣象災(zāi)害受災(zāi)、成災(zāi)面積均呈先上升后下降趨勢，同期全國農(nóng)業(yè)氣象災(zāi)害成災(zāi)和受災(zāi)面積亦呈先上升后下降趨勢。（3）干旱是該地區(qū)最主要的農(nóng)業(yè)氣象災(zāi)害，其受災(zāi)和成災(zāi)面積分別占?xì)v年各災(zāi)種的總受災(zāi)和成災(zāi)面積的64.10%和62.45%?；疑P(guān)聯(lián)度分析表明，在受災(zāi)率和成災(zāi)率水平上干旱是與糧食單產(chǎn)關(guān)聯(lián)度最高的農(nóng)業(yè)氣象災(zāi)害，在絕收率水平上風(fēng)雹與糧食單產(chǎn)關(guān)聯(lián)度最高。（4）構(gòu)建的災(zāi)情-糧食作物產(chǎn)量評估模型模擬準(zhǔn)確率較高，其模擬糧食產(chǎn)量與實際糧食產(chǎn)量呈極顯著相關(guān)（R2=0.99，P<0.01），歷年模擬平均相對誤差為0.20%，翌年試報相對誤差為2.49%。（5）1981-2020年內(nèi)蒙古自治區(qū)糧食因災(zāi)損失率呈極顯著下降趨勢（R2=0.77，P<0.01），降速為0.48個百分點·a?1，平均因災(zāi)損失率為14.79%，68.42%的年份糧食單產(chǎn)因災(zāi)損失率高于10%。綜上分析，基于1981-2020年統(tǒng)計數(shù)據(jù)構(gòu)建的內(nèi)蒙古自治區(qū)災(zāi)情?糧食作物產(chǎn)量評估模型可以較好地模擬和預(yù)測糧食作物產(chǎn)量、評估糧食產(chǎn)量因災(zāi)損失，從而滿足農(nóng)業(yè)氣象業(yè)務(wù)和服務(wù)的需要。

糧食安全；農(nóng)業(yè)氣象災(zāi)害；災(zāi)情；因災(zāi)損失評估模型

內(nèi)蒙古自治區(qū)（以下簡稱內(nèi)蒙古）是國家重要農(nóng)畜產(chǎn)品生產(chǎn)基地，2021年全區(qū)糧食總產(chǎn)量為3840.3×104t，占全國糧食總產(chǎn)量的5.62%，是中國第6大產(chǎn)糧省[1]和糧食輸出大省[2]。內(nèi)蒙古未來糧食增產(chǎn)潛力受水資源、土地和自然災(zāi)害等因素約束[3]，且依靠草地轉(zhuǎn)耕地等方式增加耕地面積實現(xiàn)糧食持續(xù)增產(chǎn)與北方重要生態(tài)屏障的區(qū)域發(fā)展定位相悖[4]。內(nèi)蒙古大部分地區(qū)位于干旱、半干旱地區(qū)及農(nóng)牧交錯帶，糧食生產(chǎn)極易受到農(nóng)業(yè)氣象災(zāi)害影響[5]，研究內(nèi)蒙古農(nóng)業(yè)氣象災(zāi)害對糧食生產(chǎn)影響規(guī)律有助于最大限度降低農(nóng)業(yè)氣象災(zāi)害造成的損失，對穩(wěn)定糧食生產(chǎn)、保障糧食安全具有重要意義。

農(nóng)業(yè)氣象災(zāi)害指導(dǎo)致農(nóng)作物減產(chǎn)的異常天氣氣候[6]，約占自然災(zāi)害的70%[7]。農(nóng)業(yè)生產(chǎn)對天氣氣候要素具有高度依賴性，農(nóng)業(yè)氣象災(zāi)害可通過改變作物基本生長條件導(dǎo)致糧食減產(chǎn)[8]，從而對區(qū)域和全國范圍糧食安全產(chǎn)生影響[9]。影響糧食作物產(chǎn)量的農(nóng)業(yè)氣象災(zāi)害主要包括干旱、洪澇、低溫和風(fēng)雹等[8]。氣候變化導(dǎo)致極端天氣氣候事件頻發(fā)且強度增大[10]，致使農(nóng)業(yè)氣象災(zāi)害發(fā)生規(guī)律變化[11]且災(zāi)害影響更加復(fù)雜[12]，加劇了農(nóng)業(yè)氣象災(zāi)害對糧食生產(chǎn)的不利影響[11]。

農(nóng)業(yè)氣象災(zāi)害對不同區(qū)域糧食作物產(chǎn)量影響研究多采用災(zāi)情數(shù)據(jù)統(tǒng)計分析[9,13]，構(gòu)建災(zāi)情?產(chǎn)量模型[14?17]及災(zāi)害風(fēng)險評估模型[18]，作物模型模擬[19?21]和灰色關(guān)聯(lián)度分析[22]等方法。Shi等[9]采用時序疊加法分析了旱澇災(zāi)害對中國各省糧食產(chǎn)量損失的影響。劉玉汐等[13]基于東北地區(qū)災(zāi)情數(shù)據(jù)構(gòu)建災(zāi)害強度指數(shù)分析了東北地區(qū)災(zāi)情變化特征。Liu等[14?16]分別構(gòu)建了華北平原、東北地區(qū)和長江中下游各省的災(zāi)情-產(chǎn)量模型。李秀芬等[20]確定了基于WOFOST作物模型的內(nèi)蒙古河套灌區(qū)玉米低溫冷害評價指標(biāo)。Wang等[21]采用APSIM作物模型評估了遼寧春玉米干旱風(fēng)險。

目前構(gòu)建內(nèi)蒙古災(zāi)情-糧食作物產(chǎn)量評估模型定量評估該地區(qū)農(nóng)業(yè)氣象災(zāi)害對糧食產(chǎn)量影響的研究鮮見報道。本研究基于1981-2020年內(nèi)蒙古自治區(qū)農(nóng)業(yè)氣象災(zāi)害災(zāi)情和糧食產(chǎn)量統(tǒng)計數(shù)據(jù)，分析內(nèi)蒙古糧食播種面積、產(chǎn)量趨勢及對國家糧食生產(chǎn)的貢獻(xiàn)，明晰該地區(qū)不同種類農(nóng)業(yè)氣象災(zāi)害災(zāi)情變化規(guī)律及對糧食作物單產(chǎn)影響。構(gòu)建災(zāi)情-糧食作物產(chǎn)量評估模型，評估模型精準(zhǔn)度，并采用該模型定量評估內(nèi)蒙古農(nóng)業(yè)氣象災(zāi)害對糧食作物單產(chǎn)影響，以期為內(nèi)蒙古糧食產(chǎn)量災(zāi)害影響定量預(yù)測及農(nóng)業(yè)防災(zāi)減災(zāi)救災(zāi)等提供科學(xué)方法和依據(jù)。

1 資料與方法

1.1 研究區(qū)域

內(nèi)蒙古自治區(qū)（37°24′N-53°23′N，97°12′E- 126°04′E）面積約1.18×106km2，大致為東北西南走向，地貌主要為高原，平均海拔為1000m[23]。氣候主要為中溫帶大陸性季風(fēng)氣候，年平均氣溫?5～10℃，由西向東遞減，年降水量35～530mm，由東北向西南遞減[24]，年蒸發(fā)量在1200～3200mm，由東向西遞增[25]。

1.2 數(shù)據(jù)來源

1981-2020年全國（不含港澳臺地區(qū)）和內(nèi)蒙古自治區(qū)小麥、玉米、水稻、大豆、薯類等糧食作物及糧食作物總播種面積、產(chǎn)量數(shù)據(jù)，干旱、洪澇、風(fēng)雹和低溫等農(nóng)業(yè)氣象災(zāi)害導(dǎo)致的農(nóng)作物受災(zāi)、成災(zāi)和絕收面積等災(zāi)情數(shù)據(jù)，農(nóng)作物播種面積數(shù)據(jù)來自于國家統(tǒng)計局?jǐn)?shù)據(jù)庫（https://data.stats.gov.cn）和農(nóng)業(yè)部種植業(yè)管理司農(nóng)作物數(shù)據(jù)庫（http://zzys.agri.gov.cn）。

1.3 糧食氣象減產(chǎn)量估算模型及指標(biāo)計算

1.3.1 受災(zāi)率、成災(zāi)率及絕收率

為避免播種面積變化引起的糧食產(chǎn)量波動，采用受災(zāi)率、成災(zāi)率和絕收率來分析相對災(zāi)損[16]。計算式分別為

式中，Rc、Ra和Rd分別為受災(zāi)率、成災(zāi)率和絕收率（%）。Sc、Sa和Sd分別為農(nóng)作物受災(zāi)面積、成災(zāi)面積和絕收面積（hm2），分別指農(nóng)作物因災(zāi)減產(chǎn)>10%、>30%和>80%的面積[26]。S 為農(nóng)作物總播種面積（hm2）。由于內(nèi)蒙古糧食作物占農(nóng)作物播種面積比重較大（1981-2020年平均占比79%），假設(shè)農(nóng)作物受災(zāi)害影響比率穩(wěn)定的情況下，農(nóng)作物災(zāi)損率近似等于糧食作物災(zāi)損率。

1.3.2 糧食氣象減產(chǎn)量

糧食作物產(chǎn)量受氣候條件、技術(shù)措施和隨機噪聲等因素影響，可對應(yīng)將糧食作物產(chǎn)量分離為氣象產(chǎn)量、趨勢產(chǎn)量和隨機產(chǎn)量，且隨機產(chǎn)量可忽略不計[15?16]，計算式為

式中，Y、Yw和Yt分別為實際產(chǎn)量、氣象產(chǎn)量和趨勢產(chǎn)量（kg·hm?2）。趨勢產(chǎn)量可采用線性回歸、滑動平均、正交多項式等多種方法模擬[15?16]。選取3a滑動平均法模擬趨勢產(chǎn)量，其分離的糧食氣象減產(chǎn)量與災(zāi)情統(tǒng)計數(shù)據(jù)回歸模型的擬合優(yōu)度最高。

期望產(chǎn)量為研究時段內(nèi)最優(yōu)氣候條件下的糧食產(chǎn)量，即該年趨勢產(chǎn)量與研究時段內(nèi)最大氣象產(chǎn)量的和[15?16]，計算式為

式中，Yd和Ywmax分別為期望產(chǎn)量和研究時段內(nèi)最大氣象產(chǎn)量（kg·hm?2）。

糧食氣象減產(chǎn)量為期望產(chǎn)量與糧食實際產(chǎn)量的差值[15?16]，計算式為

式中，Ywr為糧食氣象減產(chǎn)量（kg·hm?2）。

1.3.3 糧食因災(zāi)減產(chǎn)量

干旱、洪澇、風(fēng)雹和低溫等多種農(nóng)業(yè)氣象災(zāi)害均可造成糧食減產(chǎn)[8]，糧食因災(zāi)減產(chǎn)量可由糧食氣象減產(chǎn)量與受災(zāi)率、成災(zāi)率和絕收率構(gòu)建多元回歸方程模擬估算，計算式為

式中，Ywdr為糧食因災(zāi)減產(chǎn)量（kg·hm?2），a、b和c分別為受災(zāi)率、成災(zāi)率和絕收率的回歸系數(shù)，d為常數(shù)項。

1.3.4 模型驗證

糧食產(chǎn)量計算式為

式中，Ys為模擬糧食產(chǎn)量（kg·hm?2）。通過對模擬值與實測值進(jìn)行回歸分析，計算平均相對誤差等檢驗?zāi)M準(zhǔn)確性。

1.3.5 糧食因災(zāi)損失率

糧食因災(zāi)損失率為糧食因災(zāi)減產(chǎn)量占期望產(chǎn)量的比例，計算式為

Rl=Ywdr/Yd（9）

式中，Rl為糧食因災(zāi)損失率（%）。

1.4 災(zāi)害特征指標(biāo)計算

1.4.1 災(zāi)害強度指數(shù)

災(zāi)害強度指數(shù)可更好地表示農(nóng)業(yè)氣象災(zāi)害變化特征[13,27]，計算式為

DI=(0.3Ra+0.7Rd)/Rc×100%（10）

式中，DI為災(zāi)害強度指數(shù)。

1.4.2 變異系數(shù)

災(zāi)害變異系數(shù)表征災(zāi)情變化與平均值的偏離情況[13]，計算式為

CVi=SDi/AVRi×100%（11）

式中，CVi為變異系數(shù)，SD為受災(zāi)率、成災(zāi)率標(biāo)準(zhǔn)差，AVR為受災(zāi)率、成災(zāi)率平均值。

1.4.3 M-K檢驗

M-K（Mann-Kendall）檢驗由H.B.Mann及M.G.Kendall提出，是一種非參數(shù)突變檢驗方法[28]，計算方法詳見符淙斌等[29]對M-K檢驗的具體定義和研究。

1.5 灰色關(guān)聯(lián)度分析

采用灰色關(guān)聯(lián)度分析方法（Grey Relation Analysis，GRA）[22,30?31]研究糧食單產(chǎn)與氣象災(zāi)害相關(guān)程度。設(shè)置糧食作物單產(chǎn)為參考數(shù)列xo={xo(1), xo(2), xo(3),… , xo(n) }，設(shè)置受災(zāi)率、成災(zāi)率和絕收率為比較數(shù)列xi={xi(1), xi(2), xi(3),… , xi(n) }，并對數(shù)列值進(jìn)行離差標(biāo)準(zhǔn)化[22]處理。關(guān)聯(lián)系數(shù)計算式為

關(guān)聯(lián)度計算式為

1.6 數(shù)據(jù)處理

使用Microsoft Excel及SPSS軟件進(jìn)行數(shù)據(jù)分析與模型檢驗，包括相關(guān)分析和多元線性回歸等。

2 結(jié)果與分析

2.1 內(nèi)蒙古自治區(qū)糧食播種面積和產(chǎn)量分析

2.1.1 糧食播種面積和種植結(jié)構(gòu)

由圖1可見，1981-2020年內(nèi)蒙古糧食作物播種面積呈極顯著增加趨勢（R2=0.86，P<0.01），年平均增長速率為74.48×103hm2·a?1，2020年內(nèi)蒙古糧食播種面積為6833.17×103hm2，較1981年增長了77.30%。同期全國糧食播種面積呈波動變化趨勢，1981-2003年呈下降趨勢，特別是1998-2003年由113787.40×103hm2極顯著下降至99410.37×103hm2（R2=0.97，P<0.01），下降了12.63%，2004-2020年呈極顯著增加趨勢（R2=0.84，P<0.01），年平均增長速率為891.89×103hm2·a?1。內(nèi)蒙古糧食作物播種面積占全國糧食作物播種總面積比例總體呈上升趨勢，由1981年的3.35%增長為2018年的5.85%。可見從糧食作物播種面積及占全國比重來講內(nèi)蒙古作為產(chǎn)糧大省的地位愈加突出。

圖1 1981?2020年內(nèi)蒙古自治區(qū)糧食播種面積與同期全國統(tǒng)計數(shù)據(jù)變化比較

注：*、**分別表示相關(guān)系數(shù)通過0.05、0.01水平的顯著性檢驗。缺港澳臺數(shù)據(jù)。下同。

Note:*is P<0.05，**is P<0.01. Lack of data of Hongkong, Macao and Taiwan. The same as below.

圖2表明，1981-2020年，內(nèi)蒙古糧食作物種植結(jié)構(gòu)變化較大，其中小麥、雜糧雜豆和薯類播種面積占總糧食作物總播種面積比例有所下降，分別由1981年的23.43%、49.74%和6.02%下降到了2020年的7.01%、12.98%和4.10%。1981-2020年內(nèi)蒙古雜糧雜豆種植面積亦呈極顯著下降趨勢，年均下降速率為25.75×103hm2·a?1（R2=0.78，P<0.01），小麥種植面積總體呈下降趨勢（年均下降速率10.60×103hm2·a?1），其中1992-2003年極顯著下降（R2=0.83，P<0.01）。水稻和大豆播種面積占比均有增加，分別由1981年的0.42%、5.03%增至2020年的2.36%和17.59%，特別是玉米播種面積占比增加最大，由1981年的15.36%增至2020年的55.96%。1981-2020年內(nèi)蒙古玉米、大豆和水稻種植面積亦呈極顯著上升趨勢，年均增長速率分別為80.80×103（R2=0.92，P<0.01）、25.20×103（R2=0.87，P<0.01）和3.63×103hm2·a?1（R2=0.65，P<0.01）?？梢娪衩渍饾u取代雜糧雜豆和小麥成為內(nèi)蒙古最主要的糧食作物之一。

圖2 1981?2020年內(nèi)蒙古自治區(qū)各類糧食作物種植面積及占比

2.1.2 糧食總產(chǎn)和單產(chǎn)

由圖3可知，1981-2020年內(nèi)蒙古糧食總產(chǎn)量呈極顯著上升趨勢（R2=0.91，P<0.01），年平均增長速率為78.85×104t·a?1，2020年內(nèi)蒙古糧食總產(chǎn)量為3664.10×104t，是1981年的7.18倍。1981-1997年全國糧食總產(chǎn)量亦呈極顯著上升趨勢（R2=0.90，P<0.01），1998-2003年呈極顯著下降趨勢（R2=0.87，P<0.01），2004-2020年極顯著上升（R2=0.94，P<0.01）。2020年全國糧食總產(chǎn)量較1981年上升105.98%，年均增長速率為861.18×104t·a?1。內(nèi)蒙古糧食總產(chǎn)量占全國糧食總產(chǎn)量比重呈上升趨勢，由1981年的1.57%上升至2020年的5.47%?？梢?，內(nèi)蒙古正逐漸成為中國北方重要的產(chǎn)糧大省。

圖3 1981?2020年內(nèi)蒙古自治區(qū)糧食總產(chǎn)與同期全國統(tǒng)計數(shù)據(jù)變化比較

1981-2020年內(nèi)蒙古及全國糧食單產(chǎn)均呈上升趨勢（圖4），年平均增長速率分別為100.97kg·hm?2·a?1和72.66kg·hm?2·a?1，內(nèi)蒙古歷年糧食作物單產(chǎn)均低于全國平均水平。

2.2 內(nèi)蒙古自治區(qū)農(nóng)作物災(zāi)情分析

2.2.1 災(zāi)害面積

圖5表明，1981?2020年內(nèi)蒙古農(nóng)業(yè)氣象災(zāi)害受災(zāi)和成災(zāi)面積均呈先上升后下降趨勢，其中1981?2001年受災(zāi)和成災(zāi)面積均呈極顯著增加趨勢。同期全國總體農(nóng)業(yè)氣象災(zāi)害受災(zāi)和成災(zāi)面積均呈先上升后下降趨勢，其中1981?2003年分別以639.99×103hm2·a?1（R2=0.52，P<0.01）和598.82× 103hm2·a?1（R2=0.63，P<0.01）的速率極顯著上升，2004?2020年均極顯著下降。

圖4 1981?2020年內(nèi)蒙古自治區(qū)糧食單產(chǎn)與同期全國統(tǒng)計數(shù)據(jù)變化比較

2.2.2 災(zāi)害強度

內(nèi)蒙古1981-2018年總體災(zāi)害強度指數(shù)變化及其M-K檢驗如圖6和圖7所示。由圖可見，內(nèi)蒙古總體災(zāi)害強度指數(shù)波動性強（圖6），且在1983年和2019年存在突變現(xiàn)象（圖7），平均災(zāi)害強度指數(shù)為66.80%。

2.2.3 災(zāi)害種類

1981?2020年內(nèi)蒙古各農(nóng)業(yè)氣象災(zāi)害災(zāi)種占總災(zāi)害影響面積比例不同（圖8），各災(zāi)種成災(zāi)面積占比依次為干旱（64.10%）、洪澇（16.68%）、風(fēng)雹（13.02%）和低溫（6.21%），受災(zāi)面積占比依次為干旱（62.45%）、洪澇（18.46%）、風(fēng)雹（13.27%）和低溫（5.82%）?？梢?，就災(zāi)害影響面積而言干旱和洪澇是內(nèi)蒙古主要農(nóng)業(yè)氣象災(zāi)害。

由表1可見，無論是受災(zāi)率還是成災(zāi)率，內(nèi)蒙古低溫災(zāi)害變異系數(shù)在各災(zāi)種中均最大，其次是洪澇、風(fēng)雹和干旱災(zāi)害，表明在北方干旱半干旱地區(qū)低溫和洪澇災(zāi)情波動最大。

圖5 1981?2020年內(nèi)蒙古自治區(qū)（a）和同期全國（b）受災(zāi)、成災(zāi)面積

Fig. 5 Disaster covered and affected area of IMAR (a) with national statistical data (b) from 1981 to 2020

圖6 1981?2018年內(nèi)蒙古農(nóng)業(yè)氣象災(zāi)害強度指數(shù)變化

圖7 1981?2020年內(nèi)蒙古農(nóng)業(yè)氣象總體災(zāi)害強度指數(shù)M-K檢驗

圖8 1981?2020年內(nèi)蒙古自治區(qū)各災(zāi)種受災(zāi)面積（a）和成災(zāi)面積（b）

表1 1981?2020年內(nèi)蒙古各農(nóng)業(yè)氣象災(zāi)害受災(zāi)率、成災(zāi)率變異系數(shù)

2.2.4 災(zāi)害影響

由表2可知，不同作物農(nóng)業(yè)氣象災(zāi)害與糧食作物單產(chǎn)關(guān)聯(lián)度排序不盡相同。在受災(zāi)率、成災(zāi)率和絕收率水平上，糧食作物單產(chǎn)與4類農(nóng)業(yè)氣象災(zāi)害關(guān)聯(lián)度大小分別表現(xiàn)為干旱>風(fēng)雹>洪澇>低溫，干旱>風(fēng)雹>低溫>洪澇，及風(fēng)雹>干旱>洪澇>低溫?？梢?，干旱、風(fēng)雹農(nóng)業(yè)氣象災(zāi)害對內(nèi)蒙古糧食作物單產(chǎn)影響較大。

表2 內(nèi)蒙古糧食作物單產(chǎn)與農(nóng)業(yè)氣象災(zāi)害的灰色關(guān)聯(lián)度

注：Rc、Ra和Rd分別為受災(zāi)率、成災(zāi)率和絕收率(%)。

Note: Rcis disaster covered rate, Rais affected rate, and Rdisdisaster failure rate(%).

2.3 內(nèi)蒙古自治區(qū)災(zāi)情-糧食產(chǎn)量模型

2.3.1 模型構(gòu)建

基于內(nèi)蒙古1981-2020年歷年糧食單產(chǎn)選取3a滑動平均法模擬趨勢產(chǎn)量，計算期望產(chǎn)量及相應(yīng)氣象減產(chǎn)量，將糧食氣象減產(chǎn)量與農(nóng)業(yè)氣象災(zāi)害受災(zāi)率、成災(zāi)率和絕收率進(jìn)行多元線性回歸分析，建立災(zāi)情-產(chǎn)量模型為，Yw=387.574Rc+934.407Ra+ 411.930Rd+228.393（R2=0.29**，P<0.01）。表明內(nèi)蒙古農(nóng)業(yè)氣象災(zāi)害受災(zāi)率、成災(zāi)率和絕收率與氣象減產(chǎn)量呈顯著正相關(guān)關(guān)系，即受災(zāi)率、成災(zāi)率和絕收率越高糧食因災(zāi)損失越大。

2.3.2 模型驗證

根據(jù)災(zāi)情-糧食產(chǎn)量模型計算內(nèi)蒙古歷年糧食因災(zāi)減產(chǎn)量和相應(yīng)年份糧食產(chǎn)量模擬值，并與實際產(chǎn)量值進(jìn)行比較，由圖9、圖10可見，模擬產(chǎn)量與實際產(chǎn)量呈極顯著相關(guān)（R2=0.99，P<0.01），二者相對誤差在?12.99%～10.80%，平均相對誤差為0.20%。采用災(zāi)情-產(chǎn)量模型預(yù)測翌年糧食產(chǎn)量，相對誤差為2.49%。說明本研究構(gòu)建的災(zāi)情-糧食產(chǎn)量模型模擬較為準(zhǔn)確。

圖9 內(nèi)蒙古糧食作物模擬單產(chǎn)和實際單產(chǎn)

圖10 1981?2020年內(nèi)蒙古糧食單產(chǎn)模擬誤差

2.3.3 糧食因災(zāi)損失率

1981-2020年內(nèi)蒙古糧食平均因災(zāi)損失率為14.79%，分別有68.42%、44.74%和21.05%的年份糧食單產(chǎn)因災(zāi)損失率高于10%、15%和20%（圖11），表明農(nóng)業(yè)氣象災(zāi)害對該省糧食單產(chǎn)影響較大。圖11同時表明，1981-2020年內(nèi)蒙古糧食因災(zāi)損失率呈極顯著下降趨勢（R2=0.77，P<0.01），降幅為0.48個百分點·a?1。

圖11 1981?2020年內(nèi)蒙古糧食因災(zāi)損失率

3 結(jié)論與討論

3.1 討論

3.1.1 農(nóng)業(yè)氣象災(zāi)害對內(nèi)蒙古糧食產(chǎn)量具有重大影響

氣候變化背景下不斷增加的干旱、洪澇、低溫和風(fēng)雹等災(zāi)害會造成糧食作物減產(chǎn)[14,32?33]。本研究發(fā)現(xiàn)，內(nèi)蒙古干旱、洪澇等農(nóng)業(yè)氣象災(zāi)害占比較大，與中國農(nóng)業(yè)氣象災(zāi)害時空格局分布符合[34]，通過分析內(nèi)蒙古糧食作物產(chǎn)量與農(nóng)業(yè)氣象災(zāi)害間的關(guān)系構(gòu)建災(zāi)情?產(chǎn)量模型，表明受災(zāi)率、成災(zāi)率和絕收率均對糧食作物氣象減產(chǎn)量產(chǎn)生影響，與東北等地區(qū)相關(guān)研究結(jié)果一致[15]，建立的內(nèi)蒙古災(zāi)情-產(chǎn)量模型擬合精度低于王健等[15]對于黑龍江、吉林和遼寧等省份的研究，而高于張軼等[16]建立的江蘇、上海、浙江和湖南等省份的模型模擬精度，這可能是由于各省復(fù)種指數(shù)、災(zāi)情復(fù)雜情況等不同及各研究統(tǒng)計方式不同[16]導(dǎo)致的。模型的構(gòu)建和糧食因災(zāi)損失率的計算均證明農(nóng)業(yè)氣象災(zāi)害對內(nèi)蒙古糧食產(chǎn)量具有重大影響。

3.1.2 模型不確定性解釋分析

受限于缺乏縣域及分作物農(nóng)業(yè)氣象災(zāi)害災(zāi)情數(shù)據(jù)，本文基于省級統(tǒng)計數(shù)據(jù)開展研究。由于內(nèi)蒙古東西跨度較大，實際農(nóng)業(yè)氣象災(zāi)害災(zāi)情及不同作物主產(chǎn)區(qū)地域分布不均，不同作物單產(chǎn)存在差異且不同農(nóng)業(yè)氣象災(zāi)害對作物單產(chǎn)影響存在差異[6]等原因，基于糧食作物平均單產(chǎn)與農(nóng)業(yè)氣象災(zāi)害災(zāi)情數(shù)據(jù)建立的災(zāi)情-產(chǎn)量模型存在不確定性。農(nóng)業(yè)氣象災(zāi)害發(fā)生規(guī)律復(fù)雜、不確定性大，該模型預(yù)測未來糧食產(chǎn)量效果還需進(jìn)一步驗證。

3.1.3 采取防災(zāi)減災(zāi)措施是內(nèi)蒙古糧食持續(xù)增產(chǎn)重要途徑

1981-2020年內(nèi)蒙古糧食產(chǎn)量呈上升趨勢，在2021年躍居全國第6大產(chǎn)糧省[1]，這一方面與內(nèi)蒙古不斷增長的糧食作物種植面積有關(guān)[35]，另一方面也可能與種植結(jié)構(gòu)調(diào)整[36]以及水、化肥和農(nóng)藥等農(nóng)業(yè)資源投入增加[37?38]等因素有關(guān)。內(nèi)蒙古作為中國北方重要的生態(tài)屏障[4]，未來應(yīng)繼續(xù)以開墾草地為耕地等方式擴大耕地面積且應(yīng)減少化肥、農(nóng)藥等使用，大部分區(qū)域位于干旱、半干旱地區(qū)[5]的內(nèi)蒙古未來糧食增產(chǎn)受土地、水資源等諸多限制。1981-2020年內(nèi)蒙古糧食因災(zāi)損失率超10%的年份占總年份的68%以上，雖在采取防災(zāi)減災(zāi)措施的情況下內(nèi)蒙古糧食因災(zāi)損失率呈整體下降趨勢，進(jìn)一步加強農(nóng)業(yè)氣象災(zāi)害防災(zāi)減災(zāi)技術(shù)措施，減少糧食因災(zāi)損失，提高糧食產(chǎn)量是內(nèi)蒙古保持糧食增產(chǎn)的重要途徑之一。

3.2 結(jié)論

1981-2020年內(nèi)蒙古自治區(qū)糧食作物播種面積、總產(chǎn)和單產(chǎn)均呈總體上升趨勢，內(nèi)蒙古及全國農(nóng)業(yè)氣象災(zāi)害受災(zāi)面積和成災(zāi)面積均呈先上升后下降趨勢。干旱是內(nèi)蒙古最主要的農(nóng)業(yè)氣象災(zāi)害，占?xì)v年各災(zāi)種受災(zāi)和成災(zāi)面積的64.10%和62.45%。在受災(zāi)率、成災(zāi)率和絕收率水平上，糧食作物單產(chǎn)與各農(nóng)業(yè)氣象災(zāi)害關(guān)聯(lián)度排序分別為干旱>風(fēng)雹>洪澇>低溫、干旱>風(fēng)雹>低溫>洪澇和風(fēng)雹>干旱>洪澇>低溫。農(nóng)業(yè)氣象災(zāi)害對內(nèi)蒙古糧食產(chǎn)量影響較大，1981-2020年內(nèi)蒙古糧食平均因災(zāi)損失率為14.79%，有68.42%的年份糧食單產(chǎn)因災(zāi)損失率高于10%。構(gòu)建的內(nèi)蒙古災(zāi)情-糧食作物產(chǎn)量評估模型模擬準(zhǔn)確率較高，模擬產(chǎn)量與實際產(chǎn)量呈極顯著相關(guān)（R2=0.99，P<0.01），且歷年模擬平均相對誤差為0.20%，可用于未來糧食產(chǎn)量預(yù)測。

[1] 國家統(tǒng)計局.國家統(tǒng)計局關(guān)于2021年糧食產(chǎn)量數(shù)據(jù)的公告[R].http://www.gov.cn/xinwen/2021-12/06/content_5656247. htm. 2021.

National Bureau of Statistics.Announcement of the National Bureau of Statistics on 2021 grain output data[R]. http://www.gov.cn/xinwen/2021-12/06/content_5656247.htm.2021.(in Chinese)

[2] 郭相平,余濤,吳夢洋,等.中國省區(qū)虛擬水流動及對農(nóng)業(yè)用水的影響[J].排灌機械工程學(xué)報,2018,36(8):744-749.

Guo X P,Yu T,Wu M Y,et al.Virtual water flow and its impact on agricultural water utilization among provinces of China[J]. Journal of Drainage and Irrigation Machinery Engineering,2018, 36(8):744-749.(in Chinese)

[3] 王一杰,邸菲,辛嶺.我國糧食主產(chǎn)區(qū)糧食生產(chǎn)現(xiàn)狀、存在問題及政策建議[J].農(nóng)業(yè)現(xiàn)代化研究,2018,39(1):37-47.

Wang Y J,Di F,Xin L.The status and problems of grain production in the main grain production areas of China and policy suggestions[J].Research of Agricultural Modernization, 2018,39(1):37-47.(in Chinese)

[4] 李玉紅.內(nèi)蒙古糧食生產(chǎn)與生態(tài)安全屏障建設(shè)研究[J].生態(tài)經(jīng)濟,2017,33(3):115-119.

Li Y H. On grain production and ecological security barrier construction in Inner Mongolia[J].Ecological Economy, 2017,33(3):115-119.(in Chinese)

[5] 李長生,李彰俊,楊文義,等.內(nèi)蒙古農(nóng)業(yè)氣象災(zāi)害發(fā)生規(guī)律的探討[J].內(nèi)蒙古氣象,2009(6):14-17.

Li C S, Li Z J,Yang W Y,et al.The development and defense response of agro-meteorological disaster in Inner Mongolia[J].Meteorology Journal of Inner Mongolia, 2009(6):14-17.(in Chinese)

[6] 王春乙,婁秀榮,王建林.中國農(nóng)業(yè)氣象災(zāi)害對作物產(chǎn)量的影響[J].自然災(zāi)害學(xué)報,2007(5):37-43.

Wang C Y,Lou X R,Wang J L.Influence of agrometeorological disasters on output of crop in China[J]. Journal of Natural Disasters,2007(5):37-43.(in Chinese)

[7] 霍治國,李世奎,王素艷,等.主要農(nóng)業(yè)氣象災(zāi)害風(fēng)險評估技術(shù)及其應(yīng)用研究[J].自然資源學(xué)報,2003(6):692-703.

Huo Z G,Li S K,Wang S Y,et al.Study on the risk evaluation technologies of main agrometeorological disasters and their application[J].Journal of Natural Resources,2003(6):692-703.(in Chinese)

[8] Xu X M,Tang Q H.Spatiotemporal variations in damages to cropland from agrometeorological disasters in mainland China during 1978-2018[J].Science of the Total Environment, 2021,785(2-4):147247.

[9] Shi W J,Wang M L,Liu Y T.Crop yield and production responses to climate disasters in China[J].Science of the Total Environment,2020,750:141147.

[10] IPCC.Climate change 2021:the physical science basis. Contribution of working group I to the Sixth Assessment Report of the IPCC[M].UK:Cambridge University Press, 2021.

[11] 趙其國,錢海燕.低碳經(jīng)濟與農(nóng)業(yè)發(fā)展思考[J].生態(tài)環(huán)境學(xué)報,2009,18(5):1609-1614.

Zhao Q G,Qian H Y.Low carbon economy and thinking of agricultural development[J].Ecology and Environmental Sciences,2009,18(5):1609-1614.(in Chinese)

[12] Li R P,Yu W Y,Feng R,et al.Identification and characteristics of combined agrometeorological disasters caused by low temperature in a rice growing region in Liaoning Province,China[J].Scientific Reports,2021,11: 9968.

[13] 劉玉汐,任景全,孫月,等.1971-2016年東北地區(qū)農(nóng)業(yè)氣象災(zāi)害損失變化特征及影響[J].干旱氣象,2020,38(4):647-654.

Liu Y X,Ren J Q,Sun Y,et al.Characteristics of loss caused by agrometeorological disaster and its impact from 1971 to 2016 in Northeast China[J].Journal of Arid Meteorology, 2020,38(4):647-654.(in Chinese)

[14] Liu Y,Liu B C,Yang X J,et al.Relationships between drought disasters and crop production during ENSO episodes across the North China Plain[J].Regional Environmental Change,2014,15(8):1689-1701.

[15] 王健,劉布春,劉園,等.基于農(nóng)業(yè)災(zāi)情的東北糧食產(chǎn)量估算模型及災(zāi)損分析[J].中國農(nóng)業(yè)氣象,2013,34(5):720-726.

Wang J,Liu B C,Liu Y,et al.Grain yield estimation models and loss analysis based on agro-meteorological disaster exposure in Northeast China[J].Chinese Journal of Agrometeorology,2013,34(5):720-726.(in Chinese)

[16] 張軼,劉布春,楊曉娟,等.基于農(nóng)作物災(zāi)情的長江中下游地區(qū)糧食產(chǎn)量損失評估[J].中國農(nóng)業(yè)氣象,2018,39(4): 280-291

Zhang Y,Liu B C,Yang X J,et al.Grain yield loss evaluation based on agro-meteorological disaster exposure in the middle-lower Yangtze plain[J].Chinese Journal of Agrometeorology,2018,39(4):280-291.(in Chinese)

[17] 單琨,劉布春,劉園.基于自然災(zāi)害系統(tǒng)理論的遼寧省玉米干旱風(fēng)險分析[J].農(nóng)業(yè)工程學(xué)報,2012,28(8):186-194.

Shan K,Liu B C,Liu Y.Analysis on drought risk of maize based on natural disaster system theory in Liaoning province[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(8):186-194.(in Chinese)

[18] Wang Y,Zhang Q,Wang S P,et al.Characteristics of agro-meteorological disasters and their risk in Gansu Province against the background of climate change[J]. Natural Hazards,2017,89:899-921.

[19] 張雪芬,余衛(wèi)東,王春乙.基于作物模型災(zāi)損識別的黃淮區(qū)域冬小麥晚霜凍風(fēng)險評估[J].高原氣象,2012,31(1): 277-284.

Zhang X F,Yu W D,Wang C Y.Risk evaluation for spring frost disaster of winter wheat in Yellow Huang-Huai River regions based on crop model[J].Plateau Meteorology, 2012,31(1):277-284.(in Chinese)

[20] 李秀芬,馬樹慶,趙慧穎,等.基于WOFOST模型的內(nèi)蒙古河套灌區(qū)玉米低溫冷害評價[J].中國農(nóng)業(yè)氣象,2016, 37(3):352-360.

Li X F,Ma S Q,Zhao H Y,et al.Evaluation on maize chilling injury based on WOFOST Model in Hetao Irrigation region in Inner Mongolia[J].Chinese Journal of Agrometeorology,2016,37(3):352-360.(in Chinese)

[21] Wang Y X,Lv J,Wang Y C,et al.Drought risk assessment of spring maize based on APSIM crop model in Liaoning province,China[J].International Journal of Disaster Risk Reduction,2020,45:101483.

[22] 高姣姣,徐剛.重慶市氣象災(zāi)害與農(nóng)作物單產(chǎn)的灰色關(guān)聯(lián)度分析[J].西南大學(xué)學(xué)報(自然科學(xué)版),2016,38(2):32-36.

Gao J J,Xu G.Gray correlation analysis of meteorological disasters and crop yield in Chongqing[J].Journal of Southwest University(Natural Science Edition),2016,38(2): 32-36.(in Chinese)

[23] 王紅霞,柳小妮,郭婧,等.AMMRR插值法的改進(jìn)及其在內(nèi)蒙古草地綜合順序分類中的應(yīng)用[J].中國生態(tài)農(nóng)業(yè)學(xué)報,2013,21(7):904-912.

Wang H X,Liu X N,Guo J,et al.Improvement of AMMRR interpolation and application in CSCS classification of Inner Mongolia grassland[J].Chinese Journal of Eco- Agriculture,2013,21(7):904-912.(in Chinese)

[24] 滑永春,薩如拉,王冰.內(nèi)蒙古草原NPP時空變化及驅(qū)動力[J].中國沙漠,2021,41(5):130-139.

Hua Y C,Sa R L,Wang B.Spatial and temporal variation of grassland NPP and its driving forces in Inner Mongolia[J].Journal of Desert Research,2021,41(5):130- 139.(in Chinese)

[25] 樂榮武,張娜,王晶杰,等.2000-2019年內(nèi)蒙古草地地上生物量的時空變化特征[J].中國科學(xué)院大學(xué)學(xué)報,2022, 39(1):21-33.

Le R W,Zhang N,Wang J J,et al.Spatiotemporal variation of grassland aboveground biomass in Inner Mongolia from 2000 to 2019[J].Journal of University of Chinese Academy of Sciences,2022,39(1):21-33.(in Chinese)

[26] 徐磊,張峭.中國農(nóng)業(yè)巨災(zāi)風(fēng)險評估方法研究[J].中國農(nóng)業(yè)科學(xué),2011,44(9):1945-1952.

Xu L,Zhang Q.Assessment approach for agricultural catastrophic risk in China[J].Scientia Agricultura Sinica, 2011,44(9):1945-1952.(in Chinese)

[27] 趙映慧,郭晶鵬,毛克彪,等.1949-2015年中國典型自然災(zāi)害及糧食災(zāi)損特征[J].地理學(xué)報,2017,72(7):1261-1276.

Zhao Y H,Guo J P,Mao K B.Spatio-temporal distribution of typical natural disasters and grain disaster losses in China from 1949 to 2015[J].Acta Geographica Sinica, 2017,72(7):1261-1276.(in Chinese)

[28] 丁一匯,張莉.青藏高原與中國其他地區(qū)氣候突變時間的比較[J].大氣科學(xué),2008(4):794-805.

Ding Y H,Zhang L.Intercomparison of the time for climate abrupt change between the Tibetan Plateau and other regions in China[J].Chinese Journal of Atmospheric Sciences, 2008(4):794-805.Chinese)

[29] 符淙斌,王強.氣候突變的定義和檢測方法[J].大氣科學(xué),1992(4):482-493.

Fu C B,Wang Q.The definition and detection of the abrupt climate change[J].Chinese Journal of Atmospheric Sciences,1992(4):482-493.(in Chinese)

[30] 譚學(xué)瑞,鄧聚龍.灰色關(guān)聯(lián)分析:多因素統(tǒng)計分析新方法[J].統(tǒng)計研究,1995(3):46-48.

Tan X R,Deng J L.Grey correlation analysis: a new method for multivariate statistical analysis[J].Statistical Research, 1995(3):46-48.(in Chinese)

[31] 鮑新中,武鵬,周雨.基于聚類-灰色關(guān)聯(lián)分析的財務(wù)預(yù)警指標(biāo)篩選研究[J].中國注冊會計師,2012(7):72-78.

Bao X Z,Wu P,Zhou Y.Research on financial early- warning index screening based on clustering-grey correlation analysis[J].Chinese Certified Public Accountant, 2012(7): 72-78.(in Chinese)

[32] Tao F L,Zhang S,Zhang Z.Changes in rice disasters across China in recent decades and the meteorological and agronomic causes[J].Regional Environmental Change,2013 (13):743-759.

[33] Zhai R,Tao F L,Lall U,et al.Larger drought and flood hazards and adverse impacts on population and economic productivity under 2.0 than 1.5°C warming[J].Earth's Future,2020, 8(7):1-17.

[34] 桑婧,郝璐.近30年中國主要農(nóng)業(yè)氣象災(zāi)害典型場時空格局分異特征[J].中國生態(tài)農(nóng)業(yè)學(xué)報,2018,26(9):1302-1314.

Sang J,Hao L.Spatio-temporal patterns of typical agro- meteorological disasters in China in the past 30 years[J].Chinese Journal of Eco-Agriculture,2018,26(9): 1302-1314.(in Chinese)

[35] 孫通,封志明,楊艷昭.2003-2013年中國縣域單元糧食增產(chǎn)格局及貢獻(xiàn)因素研究[J].自然資源學(xué)報,2017,32(2): 177-185.

Sun T,Feng Z M,Yang Y Z.Study on spatiotemporal patterns and contribution factors of China’s grain output increase at the county level during 2003-2013[J].Journal of Natural Resources,2017,32(2):177-185.(in Chinese)

[36] 王軍,張越杰.中國糧食增產(chǎn)的主要因素貢獻(xiàn)分解與實證估算[J].統(tǒng)計與決策,2020,36(1):44-48.

Wang J,Zhang Y J.Decomposition and empirical estimation of main factors contributing to grain yield Increase in China[J].Statistics and Decision,2020,36(1): 44-48.(in Chinese)

[37] 苗珊珊.糧食生產(chǎn)核心區(qū)糧食產(chǎn)量“十連增”是否具有可持續(xù)性:基于河南省糧食種植結(jié)構(gòu)調(diào)整的視角[J].農(nóng)林經(jīng)濟管理學(xué)報,2015,14(6):567-576.

Miao S S.Sustainability of “Ten Consecutive Increase” in core grain production area based on the perspective of grain planting structure adjustment[J].Journal of Agro- Forestry Economics and Management,2015,14(6): 567-576. (in Chinese)

[38] 陶江,楊德剛.50年來新疆糧食增產(chǎn)因素的主成分分析[J].干旱區(qū)地理,2004(1):95-99.

Tao J,Yang D G.Analysis on factors of Xinjiang grain increase production in recent 50 years with principal components method[J].Arid Land Geography,2004(1): 95-99. (in Chinese)

Assessment Regional Grain Yield Loss- Formulation of Agrometeorological Disaster-Yield Model of Inner Mongolia Autonomous Region

ZHU Yong-chang1,2, LIU Bu-chun1, LIU Yuan1, SHIRAZI Zeeshan-Sana1

(1．Institute of Environment and Sustainable Development in Agriculture, CAAS/National Engineering Laboratory of Efficient Crop Water Use and Disaster Reduction/Key Laboratory of Agricultural Environment, Ministry of Agriculture and Rural Affairs, Beijing 100081,China; 2．CMA Institute for Development and Programmer Design, Beijing 100081)

The aim of this paper is to assess the loss of grain production caused by agrometeorological disasters in the Inner Mongolia Autonomous Region (IMAR), which is an important grain production base of China. The disaster-yield assessment model was formed and verified using grain production, yield, planting area and agrometeorological disaster conditions data of the IMAR from 1981 to 2020, and the loss of grain yield caused by meteorological disasters was assessed by this model. The results showed that grain production, yield and planting area observed an escalating trend from 1981 to 2020, and the rate of increase was 78.85×104t·y?1, 100.97kg·ha?1·y?1and 74.48×103ha?1·y?1. The covered and affected area of agrometeorological disasters for the IMAR and National both increased and then decreased during the 1981-2020 period. Drought was the most important agrometeorological disaster in the IMAR, and the covered and affected area was 64.10% and 62.45%, respectively, accounting the total covered and affected area of all kinds of disasters in 1981?2020. The grey correlation analysis showed that drought had the highest correlation with grain yield at the level of disaster covered and affected rate, and hail had the highest correlation with grain yield at the level of disaster destory rate. The disaster-yield assessment model constructed by this study was of high simulation accuracy, and the linear regression coefficients (R2) and the slop between the simulated and measured grain yield was 0.99 and 0.98, respectively (P < 0.01). The average relative simulation yield was 0.20% and relative simulation error of the following year grain yield was 2.49%. Grain yield loss rate due to disaster in the IMAR decreased (R2=0.77，P<0.01) from 1981 to 2020 with a rate of 0.48 percentage points·y?1, and average grain yield loss rate was 14.79% and there were 68.42% of years which grain yield loss rate above 10%. The disaster-yield assessment model of the IMAR formulated in this study can simulate and predict grain yield, and assess the loss of grain yield due to disasters, which can meet the needs of agrometeorological services.

Food security;Agrometeorological disasters;Condition of disaster;Disaster-yield loss model

10.3969/j.issn.1000-6362.2023.01.004

朱永昶,劉布春,劉園,等.區(qū)域糧食產(chǎn)量因災(zāi)損失評估之內(nèi)蒙古自治區(qū)災(zāi)情-產(chǎn)量模型構(gòu)建[J].中國農(nóng)業(yè)氣象2023,44(1):36-46

2022?01?15

中國農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程協(xié)同創(chuàng)新任務(wù)（CAAS-XTCX2018023）；中國農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程（CAAS-ASTIP-2014-IEDA）

劉布春，研究員，主要從事農(nóng)業(yè)減災(zāi)研究，E-mail: liubuchun@caas.cn

朱永昶，E-mail: zhuyongchangcma@126.com