安徽省一季稻播栽關(guān)鍵期極端氣候指數(shù)分布特征及其影響

秦糧朋，陳金華，尚秉琛，蔣躍林

安徽省一季稻播栽關(guān)鍵期極端氣候指數(shù)分布特征及其影響

秦糧朋1，陳金華2*，尚秉琛1，蔣躍林1

(1. 安徽農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，合肥 230031；2. 安徽省農(nóng)村綜合經(jīng)濟信息中心/安徽省農(nóng)業(yè)氣象中心，合肥 230031)

利用1970—2014年安徽省的逐日氣象數(shù)據(jù)和一季稻播栽面積數(shù)據(jù)，計算出育秧騰茬期和移栽期的19個極端氣候指數(shù)（ECI），分區(qū)討論ECI與一季稻種植面積波動的相關(guān)性，最后分析關(guān)鍵指數(shù)的時間變化特征。結(jié)果顯示：降水和氣溫分別呈“北少南多”和“南北高中間低”的分布特征，劃分為5個研究亞區(qū)。播栽面積波動主要與育秧騰茬期的極端氣候有關(guān)，大部分區(qū)域與育秧騰茬期夏季日數(shù)（SU）、連續(xù)無雨日數(shù)（CDD）呈正相關(guān)，與降水日數(shù)（DR）呈負(fù)相關(guān)。關(guān)鍵ECI的變化趨勢總體呈有利于一季稻播栽的方向發(fā)展，其中育秧騰茬期的SU和CDD整體呈顯著上升趨勢，DR呈顯著下降趨勢，未來變化趨勢均有可持續(xù)性；DR的距平變化呈“升-降-升-降-升”的波動特征，在1970s后期和1990s中期發(fā)生突變，整個研究時段存在2～4 年的周期振蕩。揭示了育秧期低溫陰雨、移栽期區(qū)域性少雨是導(dǎo)致安徽一季稻種植面積負(fù)波動的首要氣候因素。

極端氣候指數(shù)；一季稻；種植面積波動；氣候變化；安徽

稻-麥輪作種植是我國長江中下游地區(qū)最主要的種植制度之一[1-2]。夏收夏種期光溫資源充沛，縮短閑置期并合理利用茬口銜接期的光溫資源對稻-麥周年豐產(chǎn)增效意義重大[3]。安徽省是我國重要的水稻生產(chǎn)區(qū)，在全省水稻種植面積中70%以上是一季稻[4]，所以一季稻的生產(chǎn)與糧食安全緊密相關(guān)。一季稻的育秧、移栽期集中在5—6月，而且該時期還要對輪作區(qū)進行夏收、騰茬，但此時正值夏季前汛期和強對流天氣高發(fā)期，易發(fā)生連陰雨、強降水和干旱等極端天氣事件[5-6]，造成一季稻種植面積的大幅下降。安徽地處干濕性過渡帶，受全球氣候變化的影響，近幾十年氣溫上升趨勢顯著，降水情況呈現(xiàn)雨日減少，雨強增大的變化趨勢[7-8]。極端氣候是糧食豐產(chǎn)增效的制約因素之一，在極端氣候事件增多的大背景下，午季作物的夏種將受到影響[9-10]。

為探明夏季作物播栽期期間氣候變化對農(nóng)業(yè)生產(chǎn)的影響，長期以來國內(nèi)外學(xué)者做了大量研究。李向嶺等在研究積溫與夏玉米葉面積系數(shù)的關(guān)系中發(fā)現(xiàn)播期越早光合勢越高[11]；任景泉基于DSSAT系統(tǒng)建立江蘇水稻生長模型，發(fā)現(xiàn)若延誤水稻播期，會導(dǎo)致大幅減產(chǎn)[12]；葉為發(fā)[13]、陳天曄等[14]通過田間試驗，發(fā)現(xiàn)為適應(yīng)氣候變暖調(diào)整夏播期，可以提升江淮地區(qū)稻麥周年綜合產(chǎn)力。而除了光溫因素的影響，氣候變化引起的極端降水天氣是導(dǎo)致夏收夏種作物受災(zāi)的主要原因之一[15]。Mathison等根據(jù)物候機理建立模型分析作物收播期對氣候變化的響應(yīng)，研究表明南亞稻麥輪作區(qū)的夏收夏種日期與夏季風(fēng)引起的降水有關(guān)[16]。戴興臨等研究發(fā)現(xiàn)長江以南的夏季降水與水稻面積呈負(fù)相關(guān)[17]。為應(yīng)對極端降水天氣引起的旱澇災(zāi)害，姚永明等提出夏播時遇旱要及時灌水實現(xiàn)抗旱造墑[18]；Laux等采用空間模式主成分分析和線性判別分析相結(jié)合的方法，對雨季和旱季進行預(yù)測，以確定最佳播種日期[19]。

結(jié)合前人的研究，氣候變暖造成光、溫、水等氣候條件的變化會對夏收夏種期的農(nóng)業(yè)生產(chǎn)造成巨大影響，主要體現(xiàn)在收播日期和綜合產(chǎn)量等方面，但是播栽期的極端氣候?qū)ο募咀魑锓N植面積影響的研究尚有欠缺。本研究對安徽省一季稻播栽關(guān)鍵期的極端氣候進行分析，討論氣象因子對一季稻播栽面積的影響。在新時期農(nóng)機化背景下，旨在為農(nóng)業(yè)部門在夏糧生產(chǎn)方面制定氣候變化適應(yīng)性策略，更加科學(xué)的開展農(nóng)機搶收、搶種作業(yè)，實現(xiàn)夏糧作物的高效栽培，達到糧食豐產(chǎn)增效的目的[20-21]。

1 資料與方法

1.1 數(shù)據(jù)來源

安徽省1970—2014年的逐日降水、溫度等氣象數(shù)據(jù)來源于安徽省78個地面氣象觀測站。1970—2014年一季稻種植面積數(shù)據(jù)來源于安徽省統(tǒng)計部門。研究區(qū)域的站點分布如圖1所示。

圖1 安徽省氣象站點地理位置分布圖

Figure 1 Geographical distribution of meteorological stations in Anhui Province

1.2 數(shù)據(jù)處理與方法

1.2.1 極端氣候指數(shù) 參考由氣候變化檢測專家小組發(fā)布，并得到了國內(nèi)外學(xué)者廣泛認(rèn)同的ETCCDMI（Expert Team on Climate Change Detection Monitoring and Indices）推薦的27個極端氣候指數(shù)（extreme climate indices，ECI）；然后根據(jù)研究區(qū)域在該時段的氣象條件，從中選取9個極端溫度指數(shù)，其中包括溫度極值和極端冷、暖日數(shù)；9個極端降水指數(shù)，包括極端降水量、降水日數(shù)和降水強度；再另外增加了一個累計光照時數(shù)。因為育秧騰茬期和移栽期所需氣象條件的不同，參考安徽省一季稻代表站點的發(fā)育期[22]，以5月5日—6月5日作為育秧騰茬期和5月26日—6月20日作為移栽期，分別計算逐年極端氣候指數(shù)，具體如表1所示。氣候閾值的計算采用Bonsal的非參數(shù)法[23]，該方法由Folland[24]進行過研究，論證了其合理性，計算方法如下：1,2,3,…,m,…,N,在該升序序列中，某個值小于或等于m的概率為：

式（1）中：為百分位，為m的序號，為該氣象要素總的個數(shù)，m即為所求的閾值。

1.2.2 一季稻種植面積趨勢項分解 每年的一季稻實際播栽面積（）受社會經(jīng)濟因素、氣象條件及隨機因素共同影響。忽略隨機因素影響情況下，氣象波動面積（S）可表示為：

S=—S（2）

趨勢面積分離采用5年滑動平均法。5年滑動平均法是經(jīng)典的濾波方法，在氣候變化對農(nóng)業(yè)產(chǎn)量影響的研究中，常用于分離趨勢產(chǎn)量和氣象產(chǎn)量，該方法分離的農(nóng)業(yè)產(chǎn)量波動項能準(zhǔn)確反映出氣象因素的影響[25-26]。因此本研究采用該方法對播栽面積的波動項進行分離，從而量化分析極端氣候指數(shù)對一季稻面積的影響。

1.3 ECI分區(qū)

因為安徽屬于暖溫帶與亞熱帶的過渡區(qū)，地形包括平原、丘陵和山地等，導(dǎo)致各地氣候特征差異明顯，所以為便于分析，對各站點的ECI進行分區(qū)研究。此外，由于選用的ECI較多，其中部分指數(shù)間相關(guān)性較強，因此采用主成分分析（英文全稱，PCA）結(jié)合K-Means聚類分析從多個ECI中提取出主成分，然后對其進行聚類，達到分區(qū)目的，這也是氣候研究中用于氣候區(qū)劃的常見方法[27-28]。

主成分分析是通過降維技術(shù), 在信息損失最小的前提下，用較少的指標(biāo)代替原始的多個指標(biāo)，同時各主成分（PCS）之間彼此獨立。K-Means聚類分析是一種經(jīng)典聚類算法，該算法主要思想是將各個聚類子集內(nèi)所有數(shù)據(jù)樣本的均值作為該類的代表點, 通過迭代過程把數(shù)據(jù)集劃分為不同類別，使得評價聚類性能準(zhǔn)則函數(shù)達到最優(yōu)[29]。本研究采用誤差平方和（the sum of squared error, SSE）來度量K-Means聚類效果，SSE隨著聚類數(shù)K的增加而減小，其遞減趨勢明顯變緩時所對應(yīng)的K值即為最優(yōu)聚類[30]。

表1 極端氣候指數(shù)

1.4 關(guān)鍵指數(shù)分析

1.4.1 相關(guān)性分析 因為農(nóng)業(yè)氣象災(zāi)害的成災(zāi)臨界值為-5%[31]，所以對每年各站點的相對氣象面積進行排序，選取中值，以-5%為閾值篩選出播栽面積的典型波動年。最后把各區(qū)域站點的相對氣象面積和ECI做斯皮爾曼相關(guān)性分析，討論極端氣候?qū)σ患镜静ピ悦娣e的影響，篩選出關(guān)鍵指數(shù)。

1.4.2 Sen’s斜率估計法 通過Sen’s斜率估計法計算關(guān)鍵因子的線性趨勢，這是一種非參數(shù)統(tǒng)計的計算方法，對異常值不敏感，常用于時間序列的趨勢分析[32]。

1.4.3 MK趨勢檢驗 對于時間序列的變化趨勢的顯著性采用Yue和Wang修正的Mann-Kendll（簡稱MK）檢驗法檢驗[33]，通過統(tǒng)計檢驗量Z來判斷，大于0時為上升趨勢，反之則是下降趨勢，Z的絕對值大于等于1.64和2.32時表示通過了信度95%和99%的顯著性檢驗。該方法不需要樣本遵從任何分布，也不受異常值干擾，得到時間序列的變化趨勢及其顯著性。

1.4.4 R/S分析 R/S分析法是由赫斯特（Hurst）提出的一種時間序列統(tǒng)計方法[34]，計算得到的Hurst指數(shù)可用于判斷序列的持續(xù)性，當(dāng)0.5

1.4.5 距平及累積距平法 為使氣候變化分析更加直觀便利，常用距平序列代替氣象變量本身的時間序列[35]。累積距平曲線可以通過波動起伏，判斷氣象變量的長期變化趨勢及持續(xù)性變化情況，以及確定突變發(fā)生的年份[36-37]。

1.4.6 關(guān)鍵因子周期分析 此外，通過Morlet小波分析來處理時間序列變化的周期，它不僅可以給出氣候序列變化的尺度，還可以顯示出變化的時間位置，廣泛應(yīng)用于氣象研究領(lǐng)域[38-39]。小波分析程序出自http://paos.colorado.edu/research/wavelets/。

2 結(jié)果與分析

2.1 播栽期氣候區(qū)劃

分別計算育秧騰茬期和播栽期各站的逐年極端氣候指數(shù)，然后求出78個站點各ECI的累年均值；最后對該78×19的矩陣進行主成分分析。育秧騰茬期和移栽期的前3個主成分的特征根都在1以上，累計方差均超過75%（表2）。因此提取前3個主成分用于氣候分區(qū)。

表2 育秧騰茬期/移栽期ECI的主成分分析

表3 育秧騰茬期主成分載荷

表4 移栽期主成分載荷

由育秧騰茬期主成分載荷可知，PC1-1主要代表DR、TP、MP1d、MP7d、D10、D25、CWD和P95；PC1-2主要代表SU、TXx和TXn；PC1-3主要代表TNx和TNn（表3）。而在移栽期，PC2-1主要代表DR、TP、MP1d、MP7d、D10、D25、CWD和P95；PC2-2主要代表TXx；PC2-3主要代表SU和TXn（表4）。

基于主成分分析結(jié)果，用ArcGIS10.5分別對兩個研究時段的前3個主成分進行反距離權(quán)重插值,得到ECI主成分得分的空間分布特征。PCS1-1和PCS2-1均為由北向南遞增，降水在兩個研究時段均呈現(xiàn)‘北少南多’的分布特征（圖2（a）和2（d））；PCS1-2的高值區(qū)在淮北區(qū)域和皖南山區(qū)，這兩塊區(qū)域在育秧騰茬期溫度整體較高，得分0.4～3.1（圖2b）；PCS1-3的高值區(qū)主要分布在沿江區(qū)域，該區(qū)域在育秧騰茬區(qū)溫度較低，得分0.9～2.4（圖2（c））；PCS2-2和PCS2-3的高值區(qū)均呈現(xiàn)在南北兩端，高溫極值和高溫日數(shù)在移栽期主要都分布在淮北和皖南地區(qū)。

圖2 主成分得分的空間分布

Figure 2 The spatial distribution of PCS

圖 3 均值聚類分析（a）和氣候區(qū)劃（b）

Figure 3 K-Means cluster analysis(a) and climate regionalization(b)

圖4 逐年相對氣象面積

Figure 4 Annual relative meteorological area

對育秧騰茬期和移栽期每個站點的PCS做K-Means聚類分析，誤差平方和（SSE）在=5時，是下降趨勢明顯變緩的轉(zhuǎn)折點（圖3（a）），所以最優(yōu)聚類是分為5類。聚類分析結(jié)果顯示，研究區(qū)域自北向南劃分為5個亞區(qū)：Ⅰ區(qū)（沿淮淮北）、Ⅱ區(qū)（江淮之間）、Ⅲ區(qū)（沿江中東部）、Ⅳ區(qū)（沿江西部）和Ⅴ區(qū)（皖南南部），區(qū)劃結(jié)果與育秧騰茬期、移栽期各PCS的空間分布十分吻合（圖3（b））。

2.2 典型波動年份的相關(guān)分析

根據(jù)每年相對氣象面積（ΔS）的變化情況，篩選出一季稻播栽面積的典型波動年份：1972、1973、1976、1977、1978、2003和2007 年（圖4）。在這些年份，大部分研究區(qū)域的播栽面積發(fā)生了明顯的負(fù)波動。

表5 育秧騰茬期/移栽期ECI與各區(qū)域一季稻播栽面積的相關(guān)性

注：*在0.05水平（雙側(cè)）上顯著相關(guān)；**在0.01水平（雙側(cè)）上顯著相關(guān)。

表6 各區(qū)域關(guān)鍵指數(shù)的Sen’s斜率、MK趨勢檢驗和Hurst指數(shù)

如表5所示，在育秧騰茬期，SU、CDD和SSD在Ⅱ—Ⅴ區(qū)的大部分區(qū)域呈顯著正相關(guān)；TN10、TX10和DR則呈顯著負(fù)相關(guān)；Ⅰ區(qū)和其他區(qū)域不同，與TXx、TN90、TX90等高溫指數(shù)呈顯著負(fù)相關(guān)，而與大部分極端降水指數(shù)呈顯著正相關(guān)。而在移栽期，大部分區(qū)域的ECI與相對氣象面積呈較弱的相關(guān)性，只有在Ⅲ區(qū)與SU、TXx、TX90等高溫指數(shù)呈顯著負(fù)相關(guān)，而DR、TP等極端降水指數(shù)則普遍呈正相關(guān)。相關(guān)分析結(jié)果表明，一季稻在苗期主要受到低溫、降水的影響，因為陰雨寡照天氣會嚴(yán)重影響水稻光合作用產(chǎn)物的形成，引起爛種爛 秧[40-41]，導(dǎo)致播栽面積的下降。

圖5 DR在育秧騰茬期各區(qū)域的距平變化

Figure 5 The variation of DR anomaly in each sub-region during the seedling and harvesting stage

2.3 關(guān)鍵指數(shù)的時間變化特征

因為SU，DR，CDD在大部分區(qū)域（≥3個亞區(qū)）呈顯著相關(guān)，所以把這3個ECI作為關(guān)鍵指數(shù)，分析其變化趨勢（表6）。SU在各區(qū)域都呈極顯著增長趨勢，速率為1.14～1.43 d·10a-1，且Hurst指數(shù)均在0.6以上，未來的變化趨勢會有較強的可持續(xù)性。DR在整個研究區(qū)域呈下降趨勢，速率為﹣0.22～﹣0.56 d·10a-1，與MK趨勢檢驗的結(jié)果一致，各區(qū)域都通過了99%置信水平，Hurst指數(shù)除了在Ⅰ區(qū)表現(xiàn)出不確定性外，其他區(qū)域都呈一定可持續(xù)性。CDD在Ⅰ、Ⅱ區(qū)無顯著變化趨勢，在Ⅲ～Ⅴ區(qū)呈顯著增長趨勢，速率為0.22～0.52 d·10a-1，這3個子區(qū)的Hurst指數(shù)也表現(xiàn)出未來可持續(xù)性。

由于DR與4個子區(qū)的播栽面積在0.01水平上呈顯著相關(guān)，所以著重對DR的時間變化特征進行分析（圖5）。DR在整個研究區(qū)域正、負(fù)距平年數(shù)接近。其中Ⅰ～Ⅳ區(qū)變化特征相似，在1970s前期以正距平為主，在1970s后期發(fā)生突變，呈波動下降趨勢，到1980s末開始回升，但在1990s中期又發(fā)生突變，呈大幅下降趨勢，直到2011年后才有小幅回升。Ⅴ區(qū)在1970s以正距平為主，在1977年發(fā)生突變后，到2011年一直呈波動下降趨勢。

采用小波Molert進行連續(xù)小波變換分析，獲得DR在育秧騰茬期45年的小波功率譜（圖6）。DR在各區(qū)域的整個研究時段以2～4年的周期振蕩為主，通過了0.05的紅噪聲檢驗。

總體而言，關(guān)鍵指數(shù)的歷史變化趨勢及其未來發(fā)展有利于一季稻的播栽，但也發(fā)現(xiàn)DR的波動特征明顯，變化比較復(fù)雜。有研究證實了ENSO及其衍生模態(tài)對東亞春、夏季極端降水事件的發(fā)生提供有利條件，導(dǎo)致江淮地區(qū)春夏之交的降水變率大[42-43]。所以，播栽期的階段性低溫、降水天氣仍會給安徽一季稻播栽面積的穩(wěn)定造成威脅。

粗黑色輪廓表示通過95%置信水平的紅噪聲檢驗；U型曲線即影響錐，表示小波譜區(qū)域及邊緣效應(yīng)。

Figure 6 Wavelet power spectra of DR in each sub-region during the seedling and harvesting stage

3 結(jié)論

通過對一季稻播栽期19個極端氣候指數(shù)累年均值數(shù)據(jù)序列進行主成分和K-Mean聚類分析，將安徽分為沿淮淮北、江淮之間、沿江中東部、沿江西部和皖南南部5個亞區(qū)，然后分區(qū)研究了各ECI與一季稻種植面積波動的相關(guān)性，并分析了影響一季稻種植面積波動的關(guān)鍵氣候指數(shù)的氣候變化特征，得到主要研究結(jié)論如下：

（1）在育秧騰茬期，江淮及其以南地區(qū)的SU（夏季日數(shù)）、CDD（連續(xù)無雨日數(shù)）和SSD（累計光照時數(shù)）等因子與水稻播栽面積呈正相關(guān)，而TN10（冷夜日數(shù)）、TX10（冷晝?nèi)諗?shù)）和DR（降水日數(shù)）與水稻播栽面積呈負(fù)相關(guān)；可見江淮及其以南地區(qū)育秧騰茬期的低溫、陰雨天氣是危害秧苗質(zhì)量、秧苗面積的首要氣候因素。沿淮淮北地區(qū)相比于其他區(qū)域氣候偏干，SU、TXx（最高溫極大值）等高溫指數(shù)會導(dǎo)致一季稻播栽面積下降，降水則有利于一季稻種植面積的增加；即沿淮淮北地區(qū)育秧騰茬期的高溫、少雨天氣是危害一季稻種植的首要氣候因素。在移栽期，沿江中東部地區(qū)的SU、TXx、CDD等極端氣候指數(shù)與一季稻種植面積波動呈顯著負(fù)相關(guān)，這表明該地區(qū)移栽期階段性高溫干旱風(fēng)險高，會危害一季稻的移栽；而其他區(qū)域的極端氣候指數(shù)與一季稻播栽面積相關(guān)性不顯著或呈弱相關(guān)性。

（2）育秧騰茬期對農(nóng)業(yè)影響較大的夏季日數(shù)和連續(xù)無雨日數(shù)基本呈顯著增長趨勢，且有未來可持續(xù)性；而降水日數(shù)整體呈顯著下降趨勢，變化速率為﹣0.22～﹣0.56 d·10a-1，而且未來也會繼續(xù)維持下降趨勢。降水日數(shù)在過去45年大部分區(qū)域呈現(xiàn)‘升-降-升-降-升’的波動變化特征，在1970s后期和1990s中期發(fā)生了突變；在整個研究時段以2～4年的周期振蕩為主。

（3）綜合來看，一季稻的播栽面積主要受到育秧騰茬期極端氣候的影響，沿淮淮北區(qū)域在該時段更易受到高溫、干旱的脅迫，而在沿淮以南的地區(qū)則更易受到低溫及降水天氣的影響，如果光溫條件不足，會導(dǎo)致播栽面積的下降。一季稻面積在未來仍易受到播栽期低溫、陰雨及局地旱澇天氣的影響，因此，為了安徽省一季稻的穩(wěn)產(chǎn)豐產(chǎn)，還需注重提升播栽關(guān)鍵期極端氣候事件的應(yīng)對能力。

[1] TIMSINA J, CONNOR D J. Productivity and management of rice-wheat cropping systems: issues and challenges[J]. Field Crops Res, 2001, 69(2): 93-132.

[2] 陳中督, 徐春春, 紀(jì)龍, 等. 長江中游地區(qū)稻麥生產(chǎn)系統(tǒng)碳足跡及氮足跡綜合評價[J]. 植物營養(yǎng)與肥料學(xué)報, 2019, 25(7): 1125-1133.

[3] 龔金龍, 張洪程, 常勇, 等. 稻麥“雙遲”栽培模式及其周年生產(chǎn)力的綜合評價[J]. 中國水稻科學(xué), 2011, 25(6): 629-638.

[4] 張建軍, 馬曉群, 許瑩. 安徽省一季稻生長氣候適宜性評價指標(biāo)的建立與試用[J]. 氣象, 2013, 39(1): 88-93.

[5] 肖志強, 吳巧娟, 樊明, 等. 長江上游隴南山區(qū)連陰雨時空演變氣候特征與災(zāi)害風(fēng)險區(qū)劃[J]. 長江流域資源與環(huán)境, 2014, 23(S1): 165-170.

[6] 謝均, 曹經(jīng)福, 宮志宏. 天津市2018年夏季農(nóng)業(yè)氣象條件分析[J]. 天津農(nóng)業(yè)科學(xué), 2019, 25(2): 87-90.

[7] 任秀真, 徐光來, 劉永婷, 等. 安徽省近56年氣候要素時空演變特征[J]. 水土保持研究, 2018, 25(5): 287-294.

[8] 王濤, 劉承曉. 安徽省近60年雨日、降水量及雨強的氣候變化特征[J]. 南京信息工程大學(xué)學(xué)報(自然科學(xué)版), 2019, 11(1): 101-109.

[9] 艾治勇. 長江中游地區(qū)氣候變化特點及雙季稻適應(yīng)性高產(chǎn)栽培技術(shù)研究[D]. 長沙: 湖南農(nóng)業(yè)大學(xué), 2012.

[10] 杜祥備, 孔令聰, 習(xí)敏, 等. 江淮區(qū)域稻麥兩熟制周年資源分配、利用特征[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(中英文), 2019, 27(7): 1078-1087.

[11] 李向嶺, 趙明, 李從鋒, 等. 玉米葉面積系數(shù)動態(tài)特征及其積溫模型的建立[J]. 作物學(xué)報, 2011, 37(2): 321-330.

[12] 任景全. 氣候變化背景下江蘇省水稻高溫?zé)岷δM研究[D]. 南京: 南京信息工程大學(xué), 2013.

[13] 葉為發(fā). 沿江麥區(qū)稻麥連作條件下不同播期對水稻生長及產(chǎn)量的影響[J]. 現(xiàn)代農(nóng)業(yè)科技, 2018(3): 10-12.

[14] 陳天曄, 袁嘉琦, 劉艷陽, 等. 江淮下游不同播期對稻–麥周年作物產(chǎn)量、品質(zhì)及溫光資源利用的影響[J]. 作物學(xué)報, 2020, 46(10): 1566-1578.

[15] 霍治國, 范雨嫻, 楊建瑩, 等. 中國農(nóng)業(yè)洪澇災(zāi)害研究進展[J]. 應(yīng)用氣象學(xué)報, 2017, 28(6): 641-653.

[16] MATHISON C, DEVA C, FALLOON P, et al. Estimating sowing and harvest dates based on the Asian summer monsoon[J]. Earth Syst Dynam, 2018, 9(2): 563-592.

[17] 戴興臨, 卞新民, 馮金飛. 南方水稻面積波動與我國夏季降水分布的相關(guān)性分析[J]. 江西農(nóng)業(yè)學(xué)報, 2009, 21(7): 117-119, 126.

[18] 姚永明, 陳玉琪, 張啟祥, 等. 淮北夏玉米生育期氣候資源特點和增產(chǎn)栽培技術(shù)[J]. 中國農(nóng)業(yè)氣象, 2009, 30(S2): 205-209.

[19] LAUX P, KUNSTMANN H, BáRDOSSY A. Predicting the regional onset of the rainy season in West Africa[J]. Int J Climatol, 2008, 28(3): 329-342.

[20] 楊敏麗, 白人樸, 劉敏, 等. 建設(shè)現(xiàn)代農(nóng)業(yè)與農(nóng)業(yè)機械化發(fā)展研究[J]. 農(nóng)業(yè)機械學(xué)報, 2005, 36(7): 68-72.

[21] 龔金龍, 張洪程, 常勇, 等. 稻麥“雙遲”栽培模式及其周年生產(chǎn)力的綜合評價[J]. 中國水稻科學(xué), 2011, 25(6): 629-638.

[22] 于波. 安徽農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)手冊[M]. 北京: 氣象出版社, 2013.

[23] BONSAL B R, ZHANG X, VINCENT L A, et al. Characteristics of daily and extreme temperatures over Canada[J]. J Climate, 2001, 14(9): 1959-1976.

[24] FOLLAND C, ANDERSON C. Estimating changing extremes using empirical ranking methods[J]. J Climate, 2002, 15(20): 2954-2960.

[25] IIZUMI T, LUO J J, CHALLINOR A J, et al. Impacts of El Ni?o Southern Oscillation on the global yields of major crops[J]. Nat Commun, 2014, 5: 3712.

[26] NGUYEN-HUY T, DEO R C, MUSHTAQ S, et al. Modeling the joint influence of multiple synoptic-scale, climate mode indices on Australian wheat yield using a vine Copula-based approach[J]. Eur J Agron, 2018, 98: 65-81.

[27] HUANG J, ZHANG F M, ZHOU L M, et al. Regional changes of climate extremes and its effect on rice yield in Jiangsu Province, southeast China[J]. Environ Earth Sci, 2018, 77(3): 1-11.

[28] 劉吉峰, 李世杰, 丁裕國, 等. 近幾十年我國極端氣溫變化特征分區(qū)方法探討[J]. 山地學(xué)報, 2006, 24(3): 291-297.

[29] ZHANG W, YANG H N, JIANG H Y, et al. Automatic data clustering analysis of arbitrary shape with K-means and enhanced ant-based template mechanism[C]//2012 IEEE 36th Annual Computer Software and Applications Conference. July 16-20, 2012. Izmir, Turkey. IEEE, 2012: 452-460.

[30] 成衛(wèi)青, 盧艷紅. 一種基于最大最小距離和SSE的自適應(yīng)聚類算法[J]. 南京郵電大學(xué)學(xué)報(自然科學(xué)版), 2015, 35(2): 102-107.

[31] GOCIC M, TRAJKOVIC S. Analysis of changes in meteorological variables using Mann-Kendall and Sen's slope estimator statistical tests in Serbia[J]. Glob Planet Change, 2013, 100: 172-182.

[32] 李世奎. 中國農(nóng)業(yè)災(zāi)害風(fēng)險評價與對策[M]. 北京: 氣象出版社, 1999.

[33] YUE S, WANG C Y. The Mann-Kendall test modified by effective sample size to detect trend in serially correlated hydrological series[J]. Water Resour Manag, 2004, 18(3): 201-218.

[34] HURST H E. Long-term storage capacity of reservoirs[J]. T Am Soc Civ Eng, 1951, 116(1): 770-799.

[35] 左洪超, 呂世華, 胡隱樵. 中國近50年氣溫及降水量的變化趨勢分析[J]. 高原氣象, 2004, 23(2): 238-244.

[36] 閆敏華, 鄧偉, 陳泮勤. 三江平原氣候突變分析[J]. 地理科學(xué), 2003, 23(6): 661-667.

[37] 劉政鴻. 陜西省近50年來降水量時空變化特征分析[J]. 水土保持研究, 2015, 22(2): 107-112.

[38] 胡乃發(fā),王安志,關(guān)德新,等. 1959—2006年長白山地區(qū)降水序列的多時間尺度分析[J]. 應(yīng)用生態(tài)學(xué)報, 2010, 21(3): 549-556.

[39] SHIAU J T, HUANG C Y. Detecting multi-purpose reservoir operation induced time-frequency alteration using wavelet transform[J]. Water Resour Manag, 2014, 28(11): 3577-3590.

[40] 林迢, 簡根梅, 裘鵬霄, 等. 浙江早稻播種育秧期連陰雨發(fā)生規(guī)律分析[J]. 中國農(nóng)業(yè)氣象, 2001, 22(3): 10-14.

[41] 黃淑娥, 田俊, 吳慧峻. 江西省雙季水稻生長季氣候適宜度評價分析[J]. 中國農(nóng)業(yè)氣象, 2012, 33(4): 527-533.

[42] 劉明竑, 任宏利, 張文君, 等. 超強厄爾尼諾事件對中國東部春夏季極端降水頻率的影響[J]. 氣象學(xué)報, 2018, 76(4): 539-553.

[43] 勵申申, 壽紹文. 赤道東太平洋海溫與我國江淮流域夏季旱澇的成因分析[J]. 應(yīng)用氣象學(xué)報, 2000, 11(3): 331-338.

The distribution characteristics and influence of extreme climate indices in key stage of single-season rice planting in Anhui Province

QIN Liangpeng1, CHEN Jinhua2, SHANG Bingchen1, JIANG Yuelin1

(1. School of Resources and Environment, Anhui Agricultural University, Hefei 230031;2. Anhui Rural Comprehensive Economic Information Center/Anhui Agricultural Meteorological Center, Hefei 230031)

Based on the daily meteorological data and single-season rice planting area data in Anhui Province from 1970 to 2014, 19 extreme climate indices (ECI) were calculated for the seedling-harvesting stage and transplanting stage. The correlation between ECI and the fluctuation of single-season rice planting area was discussed, and the temporal variation characteristics of key indices were analyzed. The results showed that the distribution of precipitation and temperature was ‘less in the north and more in the south’, and the temperature was characterized by ‘high in the north and low in the middle’, respectively, which could be divided into five sub-regions. The fluctuation of planting area was mainly related to the extreme climate in the seedling-harvesting stage, and most of the area was positively correlated with summer days (SU) and continuous days without rain (CDD), and negatively correlated with precipitation days (DR) in most regions. The change trend of key ECI was generally in favor of single-season rice planting, in which SU and CDD showed a significant increase trend and DR showed a significant decrease trend in the whole seedling stubble stage, and the future trends were sustainable. The anomaly of DR showed a fluctuation characteristic of ‘up-down-up-down-up’, and abrupt change in the late 1970s and mid-1990s, and a 2-4 year periodic oscillations throughout the whole study period. It was revealed that low temperature and rainy day during the stage of single-season rice seedling and regional drought during the stage of ransplanting were the main climatic factors leading to the negative fluctuation of single-season rice planting area in Anhui province.

extreme climate indices; single-season rice; fluctuation of planting area; climate change; Anhui Province

S511; S162.51

A

1672-352X (2022)06-0997-09

10.13610/j.cnki.1672-352x.20230106.003

2023-01-09 09:13:15

[URL] https://kns.cnki.net/kcms/detail//34.1162.S.20230106.1156.004.html

2021-09-29

國家重點研發(fā)計劃項目(2018YFD0300905) 和科技助力經(jīng)濟2020重點專項（KJZLJJ202002）共同資助。

秦糧朋，碩士研究生。E-mail：867313488@qq.com

陳金華，正研級高工。E-mail：ckinghua@126.com