全 文 ：作物学报 ACTA AGRONOMICA SINICA 2008, 34(9): 1588−1597　 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

基金项目: 国家自然科学基金项目(30370815)
作者简介: 朱大威(1982−), 男, 安徽固镇人, 硕士, 研究实习员, 从事农业信息技术研究。Tel: 025-84390194; E-mail:judeway@163.com
*
通讯作者(Corresponding author): 金之庆, 博士, 研究员, 研究方向: 作物模拟与气候变化影响评价。Tel: 025-84390193; E-mail:
zhiqingjin@163.com
Received(收稿日期): 2008-01-11; Accepted(接受日期): 2008-03-25.
DOI: 10.3724/SP.J.1006.2008.01588
气候及其变率变化对东北地区粮食生产的影响
朱大威 金之庆*
(江苏省农业科学院农业资源与环境研究所, 江苏南京 210014)
摘 要: 利用 GISS、GFDL和 UKMO 3种国际上通用的平衡大气环流模型(GCM)的有关输出值, 结合东北 3大农业
生态区 19个样点近 40年(1961—2000)的逐日气候资料(Baseline)以及未来气候变率变化(ΔCV)的 3种假设, 并利用天
气发生器(WGEN), 生成每个样点 9 种兼顾气候及其变率变化的(CC+ΔCV)情景; 选用 DSSAT 中的 SOYGRO、
CERES-Maize、CERES-Wheat和 CERES-Rice作为效应模型, 并利用各样点的 Baseline, 同期大豆、玉米、小麦和水
稻的产量统计资料以及典型土壤资料, 对上述模型进行参数调试、可靠性检验和灵敏度分析; 将各效应模型分别在
CC+ΔCV 情景及 Baseline 下运行, 通过比较模拟结果, 就 CO2有效倍增时气候及其变率变化对不同生态区粮食作物
的影响做出定量评价。结果表明, 4种效应模型在研究区域均有较好的适应性, 其作为气候变化影响评价工具具有合
理性; 气候变暖对东北大豆和水稻生产总体上有利, 尤其是在北部高寒区与东部湿润区, 模拟产量均明显提高, 但
CC对玉米和小麦生产的影响以负面为主, 特别是玉米在各生态区不同情景下均表现为剧烈减产; 随着 ΔCV增大, 雨
育大豆、玉米和春小麦不仅模拟产量下降, 而且稳产性变差, 但对灌溉水稻影响不大。
关键词: 东北地区; 粮食生产; 气候变化; 气候变率; 模拟模型
Impacts of Changes in Both Climate and Its Variability on Food Produc-
tion in Northeast China
ZHU Da-Wei and JIN Zhi-Qing*
(Institute of Agriculture Resources and Environment, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, Jiangsu, China)
Abstract: Northeast China abounds in soybean (Glycine max L.), maize (Zea mays L.), wheat (Triticum aestivum L.), and rice
(Oryza sativa L.), and is one of the most susceptive regions to climate change in the country. It has been found an increase in
mean annually temperature about 0.34℃ per 10 years in recent 50 years. The probabilities of meteorological disasters, such as
drought, flood and cold damages also increase with increasing of climatic variability (CV), which has caused northeast China to
be one of regions with the greatest fluctuation in grain yields in China. According to IPCC, the possible increase in mean earth
temperature would be 1.8−4.0℃ from now up to the end of this century. Meanwhile, the mean temperature in northeast China
would be obviously higher than that of the earth. The air temperature with a doubling of CO2 concentration (555 μmol mol−1) in
future might be 6−7 ℃ higher than that at present time according to the predictions of 3 GCMs. Therefore, the possible effects of
changes in both climate and it variability on food production in the studied region has drawn more attentions of Chinese govern-
ment and scientists. In this study, 9 scenarios of (CC+ΔCV) involving both climate change (CC) and its variability (ΔCV) were
generated at 19 sites in 3 agroecological zones in northeast China using the WGEN as a tool and based on the output of the 3
General Circulation Models (GISS, GFDL, and UKMO GCMs), the local current daily weather data from 1961 to 2000 (Baseline)
at each site as well as the 3 hypotheses about the increase in CV in future. Then 4 crop models, i.e., SOYGRO, CERES-Maize,
CERES-Wheat, and CERES-Rice in DSSAT were selected as the effect models and their parameter modification, validation and
sensitivity analyses were done using the baseline weather, statistical yield data of the 4 crops and the local typical soil data. Finally,
the potential impacts of changes in both climate and its variability on the food production in the studied regions with a doubling of
CO2 concentration doubled were assessed by running the effect models under both baseline and various (CC+ΔCV) scenarios, and
第 9期 朱大威等: 气候及其变率变化对东北地区粮食生产的影响 1589


by making comparison between the output simulated. The results showed that the 4 effect models were available in the studied
regions and can be used as a tool in climate impact study. Climate change (CC) would be favorable for soybean and rice produc-
tion in the studied region, especially in the northern cold zone and eastern wet zone, but unfavorable for both maize and spring
wheat, the yields simulated, particularly the maize yield, reduced significantly under all the scenarios. With increasing of CV, not
only the yields reduced compared with the control (ΔCV=0), but also the yield stabilities decreased for the rainfed crops, such as
soybean, maize and spring wheat. However, there was no influence for the irrigated rice.
Keywords: Northeast China; Food production; Climate change; Climatic variability; Simulation model
我国东北地区地势平坦, 土壤肥沃, 光水资源
优越, 唯热量条件略嫌不足, 盛产大豆、玉米、小麦
和水稻, 是国内重要的粮食主产区和最大的商品粮
生产基地。近 30年来, 由于科技进步和政府加大投
入 , 东北地区粮食单产呈持续增长态势 [1]; 但东北
地区也是我国受全球气候变化影响最显著的地区之
一[2], 近 50 年间平均每 10 年增温 0.34℃[2], 降水量
年际变化亦有增大迹象。热量条件改善固然总体上
对粮食生产有利, 但与气候变暖相伴发生的气候变
率(climatic variability, CV)的增大则明显增加干旱、
洪涝、低温冷害等灾害性天气的发生频率[3], 致使东
北地区已成为我国粮食单产波动最大的区域之一[3]。
据 IPCC[4]估计, 从现在开始到 2100 年, 全球平均气
温“最可能的升高幅度”是 1.8~4.0℃。根据 3种大气
环流模型(GCM)模拟的结果 , 东北地区的增温幅度
又明显高于全球平均水平, 到 CO2 有效倍增时(555
μmol mol−1)将达到 6~7℃[5-6]。说明东北地区未来几十
年内很可能面临历代农民都没有经历过的高温。因此,
气候及其变率变化给东北地区粮食生产可能带来的
冲击已引起我国政府和科学家的高度关注。
我们早先根据基于 GCM 的气候变化情景, 结
合若干农业气候指标, 估算了我国冬小麦安全种植
北界在东北地区的地理位移 [7], 并通过各情景下的
作物模拟试验, 提出了东北地区今后为适应气候变
化应在南部有条件地区扩种冬小麦 , 以生育期较
长、产量较高的中晚熟品种逐步取代早熟品种, 适
当扩种大豆、减少玉米种植面积, 在西部干旱地区
兴建大型水利工程等对策。近年来, 国内外其他学
者也开展了相关研究 [8-11], 但上述研究在生成区域
性气候变化情景时, 仅考虑各气候要素平均值的变
化, 较少考虑CV的可能变化, 而后者与灾害性天气
的发生概率密切相关, 对粮食生产的影响至关重要;
另外, 在调试确定 CERES 模型的遗传参数时, 仅根
据各地代表性品种连续种植 3 年以上的田间试验资
料采用“试错法”加以实现, 而这些资料的代表性,
以及利用 3~4 年的田间试验资料调试遗传参数的合
理性都值得商榷。针对上述问题, 本研究一方面在
基于平衡 GCM的区域性气候变化情景中增加了 CV
变化的考虑, 另一方面改用面上统计的长序列产量
资料并从中扣除科技进步因素的影响, 来代替个别
品种年份较短的田间试验资料, 以期使评价结果更
具科学合理性。
1 材料与方法
1.1 农业生态区的划分与样点选择
东北地区大豆、玉米、小麦和水稻均为一年单
季种植, 其生长季基本一致, 故将全区划分为北部
高寒、东部湿润和西部干旱 3 大农业生态区[12], 共
选择 19 个代表性样点(图 1)开展本研究。鉴于东北
地区旱作基本采用雨养方式, 而水稻种植则是“以水
定稻”, 故分析过程中对大豆、玉米和春小麦, 只考
虑雨养方式, 而对水稻则考虑灌溉方式。

图 1 东北地区 3大农业生态区及 19个样点分布图
Fig. 1 Three agro-ecological zones and 19 representative sites
in northeast China

1.2 资料来源
气候本底资料(Baseline)主要用于生成 CO2有效
倍增时考虑与不考虑气候变率变化的气候变化情景,
1590 作 物 学 报 第 34卷

取自上述 19个样点近 40年(1961—2000)的逐日气象
资料, 包括最高、最低气温, 降水量和日照时数, 由
中国气象局资料中心提供; 各样点典型土壤剖面资
料用于效应模型(effect model)的输入, 包括土壤分
类、pH值、有机质含量、粒径分级、土壤容重等均
取自文献[13]; 作物产量资料主要用于调试效应模
型中与产量有关的遗传参数, 包括 19个样点面上统
计的大豆、玉米、小麦、水稻近 20年产量资料, 均
取自中国农业科学院以县为基本单位的农业统计资
料; 其余作物资料如生育期、种植密度、行距等取
自文献[14]。
1.3 CO2有效倍增时气候变化情景的生成
本研究的(2×CO2)情景包括两类, 一类仅考虑
气候变化、不考虑 CV变化, 简称 CC情景; 另一类
同时考虑气候及其 CV的变化, 简称 CC+ΔCV情景。
上述两类情景文件的长度均为 40年, 与 Baseline一
致。CC情景文件的生成方法采用国际上通用的 3种
平衡 GCM(GISS、GFDL 和 UKMO, 其分辨率依次
为 7.83 Lat.×10 Long., 4.44 Lat.×7.5 Long.和 5.0
Lat.×7.5 Long.)的有关网格点值与各样点 40 年
(1961—2000)逐日气象资料(Baseline)叠加或相乘而
成[15]。CC+ΔCV情景文件中仅考虑温度与降水变率
的可能变化, 其生成步骤有三: ⑴将各样点基于 3种
GCM的 CC情景文件分别输入农业技术转化决策支
持系统(DSSAT)中的天气发生器(WGEN), 然后提取
与 CV 有关的特征参数, 包括温度方差与降水量(服
从 Γ分布函数)方差; ⑵根据研究区域未来 CV可能变
化的 3 种假设, 即 ΔCV=0(对照)、ΔCV=10%、ΔCV=
20%, 分别将温度的原方差乘以 110%和 120%, 将降
水量Γ函数中的形状参数 α分别除以 110%和 120%的
平方, 尺度参数β分别乘以 110%和 120%的平方, 以产
生新的方差或特征参数 [16]; ⑶将新的方差或特征参
数回代 WGEN, 产生每个样点与上述假设相符的 3
种 CC+ΔCV 情景文件, 分别记为 ΔCV0、ΔCV10%
和 ΔCV20%情景。
1.4 效应模型(Effect models)
针对大豆、玉米、小麦、水稻 4 种作物, 分别
选用美国 DSSAT 中的 4 种作物生长模型 , 即
SOYGRO、CERES-Maize、CERES-Wheat和 CERES-
Rice 作为本研究的效应模型。这些模型均为机理性
较强的作物生长模型, 可以模拟气候、土壤、基因
型和栽培措施对作物生长发育和产量的影响, 已在
美国和其他许多国家得到广泛验证并用于农业先进
技术的传播[17-18]。1990年以后, DSSAT模型作为效
应模型已应用于全球气候变化对作物生产的影响评
价研究。
在效应模型中, 我们还考虑了大气 CO2浓度增长
对作物光合作用和蒸腾作用的生理影响, 因为浓度不
断增长的大气 CO2不仅能够通过温室效应间接“加热”
全球气候, 还能对作物光合作用与气孔行为直接产生
影响[19]。C3作物(大豆、小麦、水稻)和 C4作物(玉米)
之间由于在生化和解剖学上有着显著差异[19], 故对大
气 CO2浓度增长会做出不同响应。本研究采用“系数
订正法”处理这种差异, 即假定某种作物在 CO2有效
倍增(555 μmol mol−1)时的光合速率(或蒸腾速率)等于
它在参比浓度(330 μmol mol−1)下的光合速率(或蒸腾
速率)乘以光合作用订正系数 C (或蒸腾作用订正系数
R)。C值取两种浓度下光合速率之比; R值的确定则根
据两种浓度水平上的叶片气孔阻抗(γ)值, 按 Penman-
Monteith方程计算[20-21]。表 1给出了 4种作物的 C值
和 γ 值[18]。显然, 就光合作用而言, 大豆受益于 CO2
直接影响最为明显, 其次是水稻和春小麦, 而玉米最
小; 就提高水分利用效率而言, 受益最大的是玉米,
而大豆、小麦、水稻等 C3作物则相对较小。
1.4.1 遗传参数调试与模型验证 参照我们先前
的方法[6-7], 首先利用各样点不同作物有代表性品种
的田间试验资料和同期逐日天气资料调试并确定与
生育期有关的遗传参数; 然后将上述参数固定下来,
再利用近 20年(1981—2000年)逢双年份的逐日气象
资料与同期面上产量资料并从中扣除科技进步的影
响, 采用“试错法”对上述效应模型中与产量有关的
遗传参数进行调试与确定; 最后利用逢单年份资料
对模型及其遗传参数进行可靠性检验。由于利用面上
产量资料调试确定的“遗传参数”不再针对某个具体田

表 1 4种效应模型中用于模拟 CO2直接影响的光合作用订正系数(C)和 2种 CO2水平上的气孔阻抗值(γ)
Table 1 Photosynthetic ratio(C) and stomata resistances (γ) used in the four effect models to simulate direct physiological effects of CO2
水稻/春小麦 Rice/spring wheat 玉米 Maize 大豆 Soybean 大气 CO2浓度
CO2 concentration C γ (s m−1) C γ (s m−1) C γ (s m−1)
330 μmol mol−1 1 34.4 1 55.8 1 34.4
555 μmol mol−1 1.17 49.7 1.06 87.4 1.21 49.7
第 9期 朱大威等: 气候及其变率变化对东北地区粮食生产的影响 1591


块和品种, 而是针对当地某种作物的整体生产状况,
因此称这些“遗传参数”为某作物的“地区性参数”。
图 2 给出了对 4 种效应模型进行检验的结果。
可以看出模拟产量与统计产量之间都达到极显著相
关, 拟合方程的截距较小, 斜率接近于 1。同时, 4种
作物的模拟生育期与实测值之间的符合度也较好 ,
误差均不超过 4 d (图略)。说明所选的 4种效应模型
在研究区域都适用。
1.4.2 灵敏度分析 为了检验上述效应模型应
用于本研究的合理性, 我们选择东北三大农业生态
区的若干样点, 就温度、降水量及其变率变化对各
模型分别进行了灵敏度分析(表 2 和表 3)。由表 2 可

图 2 东北地区 19个样点不同效应模型的模拟产量与统计产量比较
Fig. 2 Comparisons between the yields simulated by the four effect models and the statistical yields at nineteen sites in northeast China

表 2 温度与降水量改变时 4种作物的模拟产量相对于 Base产量的变化百分比
Table 2 Percentage change in simulated yields under changed temperature and precipitation conditions compared with the base
yields for the four crops
降水变化 Change in precipitation 作物
Crop
样点
Site
效应模型
Effect model
温度变化
Change in temp. (℃) ΔP = 0 ΔP = +20% ΔP= −20%
0 0 2 −3
2 2 4 0
大豆
Soybean
富锦/东部湿润区
Fujin/eastern wet zone
SOYGRO
4 −4 −1 −6
0 0 1 −2
2 −7 −5 −9
玉米
Maize
白城/西部干旱区
Baicheng/western
arid zone
CERES-Maize
4 −17 −14 −20
0 0 8 −12
2 2 9 −6
春小麦
Spring wheat
漠河/北部高寒区
Mohe/northern cold zone
CERES-Wheat
4 −7 0 −17
0 0 0 0
2 −6 −6 −6
水稻
Rice
通化/东部湿润区
Tonghua/eastern wet zone
CERES-Rice
4 −11 −11 −11
1592 作 物 学 报 第 34卷

表 3 温度与降水变率变化引起的 4种作物模拟产量变化的相对百分比
Table 3 Percentage change in simulated yields resulted from changing temperature and precipitation variabilities for the 4 crops
降水变率变化 Change in preci. variability 作物
Crop
样点
Site
效应模型
Effect model
温度变率变化
Change in temp.
variability (%) ΔCV (P) = 0 ΔCV (P) = 10% ΔCV(P) = 20%
0 0 –2 –5
10 –2 –5 –10
大豆
Soybean
富锦/东部湿润区
Fujin/eastern wet zone
SOYGRO
20 –4 –10 –13
0 0 –3 –9
10 –8 –10 –11
玉米
Maize
白城/西部干旱区
Baicheng/western
arid zone
CERES-Maize
20 –12 –14 –21
0 0 –2 –4
10 –2 –7 –8
春小麦
Spring wheat
漠河/北部高寒区
Mohe/northern cold zone

CERES-Wheat
20 –4 –9 –10
0 0 –1 –1
10 –2 –3 –4
水稻
Rice
通化/东部湿润区
Tonghua/eastern wet zone

CERES-Rice
20 –3 –5 –6

见, 富锦点的大豆模拟产量对温度和降水量的变化
轻度敏感, 增温 2℃因热量条件改善故增产, 增温
4℃因生育期明显缩短故减产, 降水量增减 20%亦会
造成产量轻微波动, 但高温、干旱并发(增温 4℃、
雨量减少 20%)则会造成显著减产。漠河点的春小麦
也有类似结果, 不同的是产量对雨量变化更为敏感,
这可能与小麦作物对水分要求比较严格有关。白城
点玉米模拟产量对温度变化较为敏感, 即增温幅度
愈大 , 减产愈明显 , 但对降水量变化则较为钝感 ,
当 ΔT= 0℃时, ±20%的变化只引起较小的产量波动,
这可能与玉米对水分逆境适应能力较强有关, 但高
温、干旱并发则会造成严重减产。通化点的水稻模
拟产量由于采用灌溉方式, 故对降水量变化极不敏
感, 但对温度则相当敏感, 即增温愈多减产愈明显。
上述分析结果基本上符合当地的作物生产实际。
为了进一步分析各效应模型对气候变率变化
(ΔCV)的敏感性, 利用 WGEN 改变各样点 Baseline
中温度和降水的变率(ΔCV=10%, 20%), 然后在气候
变率(CV)变化条件下分别运行各效应模型, 并将模
拟产量与 ΔCV=0(对照)情景下的模拟产量做比较 ,
结果见表 3。可以看出, 如果降水变率不变[ΔCV (P)
= 0], 随着温度变率ΔCV (T)的增大, 4种作物的模拟
产量均较对照有所下降 ; 如果 ΔCV (T)=0, 随着
ΔCV (P)的增大, 除灌溉水稻受影响较小外, 其余旱
作均明显减产; 随着 ΔCV (T)和 ΔCV (P)同时增大, 4
种作物表现为进一步减产。以上结果表明气候变率
增大对作物产量不利, 这与人们的认识一致。总之,
上述灵敏度分析说明本研究所选用的各种效应模型
对 CC 和 ΔCV 的响应均符合作物生产规律, 其作为
气候变化影响评价的工具是合理的。
1.5 灾害性天气指标
东北地区目前生长季(5—9月)较短, 只能种植一季
作物, 故大豆、玉米、春小麦和水稻 4 种作物的生
长季基本一致。当 CO2 有效倍增时, 除气候要素的
平均值发生变化外, 干旱、洪涝、高低温等灾害性
天气的发生频率也会随 ΔCV增大而发生变化。因此,
本研究选择严重低温冷害年(生长季月平均气温之
和的负距平≤−4℃[22])的发生频次、暴雨日数(日降
雨量≥50 mm)、季节性干旱发生频次(连续 20日降水
量之和≤5.0 mm[23])和日极端最高气温≥35℃的天数
(简称高温天数)作为衡量灾害性天气的指标。尽管高
温热害目前还不会对上述作物构成威胁, 但随着气候
不断增暖, 今后将可能成为不容忽视的灾种。
2 结果与分析
2.1 CC+ΔCV情景下天气灾害的演变趋势
由表 4 可以看出, 当 CO2有效倍增时, 如果不
考虑 ΔCV, 各区作物生长季高温天数将显著增多 ,
其中西部干旱区要明显多于其他两区, UKMO 情景
要明显多于其他两情景, 并且随着 ΔCV 增大, 高温
日数有明显增多趋势; 严重低温冷害年的发生频次
(取小数 1 位)在基于 3 种 GCM 的各种 CC+ΔCV 情
景下, 与当前值(Base)相比均无显著变化, 说明即使
气候变暖后仍有出现严重低温冷害的可能, 尽管这
种概率是非常低的; 如果不考虑 ΔCV, 暴雨日数除
西部干旱区和东部湿润区在 GISS 情景下较之 Base
第 9期 朱大威等: 气候及其变率变化对东北地区粮食生产的影响 1593


表 4 东北地区在 BASELINE和基于 3种 GCM的 CC+ΔCV情景下灾害性天气的发生频次
Table 4 Freguency of weather disasters under the BASELINE and the three GCMs-based CC+ΔCV scenarios in northeast China
GISS GFDL UKMO 农业生态区
Agroecological
zone
灾害性天气指标
Indices of weather disasters
Base
line ΔCV
0
ΔCV
10%
ΔCV
20%
ΔCV
0
ΔCV
10%
ΔCV
20%
ΔCV
0
ΔCV
10%
ΔCV
20%
≥35℃天数 Number of days ≥35℃ 0.8 5.5 7.6 9.3 8.0 9.9 11.7 32.1 34.7 36.8
低温冷害次数 Chilling damage times 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
暴雨日数 Number of hard rain days 0.6 0.5 0.8 1.0 0.5 0.7 0.8 0.5 0.8 1.0
北部高寒区
Northern cold
zone
干旱次数 Times of drought 1.0 0.5 0.6 0.7 0.5 0.5 0.8 0.5 0.5 0.7
≥35℃天数 Number of days ≥35℃ 0.4 6.2 8.1 10.1 9.3 10.9 13.0 29.6 31.9 34.0
低温冷害次数 Chilling damage times 0.1 0.1 0.1 0.1 0.0 0.1 0.0 0.0 0.1 0.1
暴雨日数 Number of hard rain days 0.8 1.2 1.4 1.8 1.0 1.2 1.5 0.8 1.0 1.4
东部湿润区
Eastern wet
zone
干旱次数 Times of drought 0.6 0.4 0.5 0.5 0.4 0.5 0.6 0.4 0.5 0.6
≥35℃天数 Number of days ≥35℃ 4.0 17.2 20.4 21.5 28.4 31.3 31.9 49.8 52.7 52.7
低温冷害次数 Chilling damage times 0.1 0.1 0.1 0.1 0.1 0.1 0.0 0.0 0.1 0.1
暴雨日数 Number of hard rain days 0.8 1.7 2.0 2.3 0.5 0.8 1.0 0.9 1.0 1.5
西部干旱区
Western arid
zone
干旱次数 Times of drought 1.3 0.8 0.9 0.9 1.0 1.1 1.2 0.9 1.0 1.2

明显增多外, 其余均不显著, 但随着 ΔCV 增大有明
显增多趋势; 季节性干旱的发生频次, 在各种情景
下均较 Base 有所减少, 这可能与各种 GCM 所预测
的降雨量增多有关, 但高温会加剧作物蒸散, 很难
说干旱的威胁会有所减缓, 随着 ΔCV 增大, 季节性
干旱的发生频次同样有增多趋势。综上所述, 研究
区域未来气候逆境主要表现在高温热害上, 高温不
仅会缩短作物生育期, 使光合时间减少、籽粒灌浆
不充分, 还会影响花粉受精, 造成减产。
2.2 气候及变率变化对大豆产量的影响
由图 3可见, 如果不考虑 CV, 北部高寒区与东部
湿润区在 3种 GCM情景下的模拟产量均较 Base显著
提高, 其中北部高寒区的平均产量近乎成倍增加, 东
部湿润区的平均增幅亦达到 30%左右。其原因一是得
益于大气 CO2的增益作用, 二是得益于热量条件的改
善。特别是北部高寒区, 目前热量明显不足, 气候变暖
将有利于大豆生长和产量形成; 西部干旱区的情况较
为复杂, 在 GISS 情景下大豆平均增产 39%, 在 GFDL
和 UKMO情景下分别减产 26%和 37%, 这主要与各种
GCM预测的生长季的增温幅度和降水量变幅不一致有
关。该区在 GISS情景下, 大豆生长季气温较 Base上升
2.9℃, 降水量增加近 40%, 因而有利于大豆产量的提
高 ; 在 GFDL 和 UKMO 情景下 , 温度增幅高达
4.4~7.3 , ℃ ≥35℃高温日数由 Base 的 4.0 d 年−1增至
28.4~49.8 d 年−1, 而降水量增加尚不足 10%, 这样不仅
会加快大豆发育进程, 使光合时间减少、鼓粒期灌浆不
充分, 还会因蒸散作用增强而导致干旱化程度加剧并
造成严重减产。
如果进一步考虑 ΔCV, 东北地区大豆模拟产量
较对照(ΔCV0情景)有下降趋势(图 3)。ΔCV10%情景
下平均减幅为 2%~11%; ΔCV20%情景下为 3%~29%。
减产的原因, 一是生长季≥35℃的高温日数增多了,
ΔCV0情景下全区平均为 19 d, ΔCV10%和 ΔCV20%
情景下分别为 21.4 d和 23.0 d; 二是降水分布趋于不

图 3 基于 3种 GCM的 CC+ΔCV情景下东北各生态区大豆模拟产量相对于 Base的变化百分比
Fig. 3 Percentage change of soybean yield to the base yields simulated under various CC+ΔCV scenarios based on the three GCMs
compared with the base yields in the three ecological zones of northeast China
1594 作 物 学 报 第 34卷

均匀, ΔCV0情景下暴雨日数平均为 0.9 d, ΔCV10%
和 ΔCV20%情景下分别增至 1.1 d和 4.0 d。总之, 伴
随 ΔCV增大, 高温、暴雨等气象灾害的出现频次亦
随之增加, 将对大豆产量构成负面影响, 但总体上
说, 气候变化对东北地区的大豆生产是利多于弊, 即
使在基于 3 种 GCM 的 ΔCV20%情景下, 全区大豆的
平均模拟产量仍较 Base产量提高 51%、29%和 9%。
2.3 气候及变率变化对玉米产量的影响
对照图 4与图 3, 可以发现, 如果不考虑 ΔCV,
玉米与大豆的模拟结果几乎相反, 即全区在各情景
下都一律减产。减产原因一是增温缩短了玉米全生
育期, 使光合时间减少、灌浆不充分; 二是玉米属
C4作物, 其光合作用很少能从 CO2增益效应中直接
获益。3大农业生态区中, 以西部干旱区的减产幅度
最为明显, 平均为 17%, 其次是北部高寒区和东部
湿润区, 平均为 9%和 6%。西部干旱区之所以减产
最大, 主要是增温幅度较大的缘故, 而降水量变化
对玉米来说也许不是主要的减产原因, 理由是在高
CO2 浓度下玉米气孔开度会变小, 叶片蒸腾会减弱,
因而其水分利用效率会明显提高。在 GISS情景下, 尽
管玉米生长季的降水量增加了近 40%, 但仍然减产就
是很好的证明。北部高寒区和东部湿润区玉米减产幅
度之所以较小, 主要是增温幅度较小的缘故。由图 4
还可见, 3种基于 GCM的 CC情景中, 仍以 UKMO情
景减产最大, 为 16%, 其次是 GFDL和 GISS情景, 依
次为 11%和 5%, 这也与各情景的增温幅度有关。

图 4 基于 3种 GCM的 CC+ΔCV情景下东北各农业生态区玉米模拟产量相对于 Base产量的变化百分比
Fig. 4 Percentage change of maize yield simulated yield under various CC+ΔCV scenarios based on the three compared with the
base yield GCMs in the three agro-ecological zones of northeast China

随着 ΔCV增大, 玉米将进一步减产(图 4)。与对
照 ΔCV0 情景相比, 全区模拟产量在 ΔCV10%情景
下减产 2%, 在 ΔCV20%情景下减产 4%。这与 Lal
等[9]用 CERES-Maize模型分析 ΔCV对印度 Madhya
地区玉米产量的影响所得结果一致。进一步减产的
原因, 主要是生长季的高温天数、暴雨日数以及季
节性干旱的发生频次都增加了, 而低温冷害的威胁
尽管概率很低, 但依然存在(表 3)。
2.4 气候及其变率变化对春小麦产量的影响
在基于 3种 GCM的各种 CC+ΔCV情景下分别
运行 CERES-Wheat, 可得到东北各生态区春小麦的
平均模拟产量, 其相对于 Base 的变化百分比如图 5
所示。可以看出, 如果不考虑 ΔCV, 各生态区春小
麦在 UKMO 情景下产量减幅最大, 平均达 56%; 在
GFDL情景下或增或减, 平均产量较 Base略有下降;
在 GISS 情景下以增产为主, 平均增 7%。就生态区
而言, 东部湿润区的春小麦减产程度最轻, 其次是
北部高寒区, 而西部干旱区除在GISS情景下增产外,
其余皆减产。造成区域与情景之间显著差异的原因
除增温幅度不一外, 还与水分条件有很大关系。这
是因为春小麦需水量较大 , 对水分有较严格的要
求。东部湿润区降水充足、土壤墒情好, 故春小麦
增产或减产较轻 ; 北部高寒区土壤水分相对充分 ,
蒸散作用弱, 故减产亦相对较轻; 西部干旱区原本
降雨量就少, 在极端的 UKMO 情景下蒸散加剧, 故
减产尤烈, 该区之所以在 GISS情景下增产, 与预测
的降水量增多有关。为了进一步说明水分条件对春
小麦产量形成所起的关键作用 , 还参照文献[16]的
方法, 计算了各气候变化情景下小麦生长期的蒸散
比(β), 即实际蒸散量与潜在蒸散量的比值。结果表
明, GISS 和 GFDL 情景下的 β 值约 0.79, 尚能维持
春小麦正常生长; 而 UKMO情景下的 β值仅为 0.55,
已无法满足需要。
由图 5 还可以看出, ΔCV 增大对春小麦产量同
样有负面影响。ΔCV10%情景下, 春小麦的模拟产量
较之对照减少了 4%~6%; ΔCV20%情景下, 减幅提
高到 7%~9%, 这主要与旱涝、高低温等天气灾害的
发生频次增多有关。
第 9期 朱大威等: 气候及其变率变化对东北地区粮食生产的影响 1595



图 5 基于 3种 GCM的 CC+ΔCV情景下东北各农业生态区小麦模拟产量相对于 Base的变化百分比
Fig. 5 Percentage change of spring wheat yields simulated under various CC+ΔCV scenarios based on the three GCMs compared
with the base yields in the three ecological zones of northeast China

2.5 气候及变率变化对水稻产量的影响
图 6 显示, 如果不考虑 ΔCV, 所有情景下的水
稻模拟产量均较 Base增产。按 GCM估算, GISS和
GFDL情景下都增产 15%、UKMO情景下增产 10%;
按生态区估算, 北部高寒区受益最大, 3种情景下平
均增幅达 17%; 东部湿润区和西部干旱区也都增产
11%左右。可见未来气候变化对水稻的正面影响占
主导地位, 其前提是必须有充分灌溉水作保证。增
产的原因, 一是水稻为喜温作物, 增温可改善研究
区域热量不足的现状; 二是水稻为 C3 作物, 大气
CO2 增益作用有利于其光合作用和产量形成。以上
正效应可以补偿因生育期缩短带来的负效应。

图 6 基于 3种 GCM的 CC+ΔCV情景下东北各农业生态区水稻模拟产量相对 Base的变化百分比
Fig. 6 Percentage change of rice yields simulated under various CC+ΔCV scenarios based on the three GCMs compared with the
base yields in the three ecological zones of northeast China

由图 6 还可见, 随着 ΔCV 增大, 各生态区在 3
种基于 GCM的情景下水稻模拟产量均有下降趋势。
ΔCV10%情景下的平均产量相对于对照 ΔCV0 情景
约下降 1%; ΔCV20%情景约下降 2%。与其他旱作相
比, 水稻受 ΔCV 的影响较小, 主要原因一是水稻耐
高温的能力通常要强于其他旱作, 二是灌溉条件得
到了充分保证。
2.6 不同作物的稳产性分析
由表 5看出, 如果不考虑 ΔCV, 4种作物中以春
小麦的 YVC 最大, 平均达 34%, 大豆和玉米次之,
依次为 25%和 22%, 水稻因有灌溉水作保证 YVC最
小, 仅 12%; 各生态区中以西部干旱区的YVC最大,
平均为 31%, 其次为北部高寒区和东部湿润区, 分
别为 22%和 20%; 3种 GCM情景中, 以 UKMO情景
下的 YVC 最大, 平均达到 28%, 而 GFDL 和 GISS
情景下分别为 24%和 19%。由表 5还可见, 随着 ΔCV
增大, 3 种旱作的 YVC 亦增加明显, 在 ΔCV10%和
ΔCV20%情景下, YVC分别较 ΔCV0情景增加 3%和
7%; 但 ΔCV 增大对灌溉水稻的影响较小 , 在
ΔCV10%和 ΔCV20%情景下 YVC仅增加 1%和 2%。
3 讨论
气候变率(CV)与许多灾害性天气的发生概率有
关, 对粮食生产的冲击很大。鉴于气候要素平均值
的变化与极端气候事件的发生概率之间有着复杂且
不确定的非线性关系, 因此准确地预测 CV 变化是
1596 作 物 学 报 第 34卷

表 5 各种 CC+ΔCV情景下东北不同生态区模拟作物产量的平均变异系数
Table 5 Variability coefficients of crop yields under various CC+ΔCV scenarios based on the three GCMs in the three ecological
zones of northeast China (%)
GISS GFDL UKMO 作物
Crop
灌溉方式
Irrigation
pattern
农业生态区
Agro-ecological zone ΔC
V0
ΔCV1
0%
ΔCV
20%
ΔC
V0
ΔCV10
%
ΔCV2
0%
ΔC
V0
ΔCV
10%
ΔCV
20%
北部高寒区 Northern cold zone 17 17 29 16 21 28 18 21 29
西部干旱区 Western arid zone 28 28 31 45 49 48 35 37 39
大豆
Soybean
雨育
Rainfed
东部湿润区 Eastern wet zone 18 20 22 21 23 25 31 35 37
北部高寒区 Northern cold zone 8 9 13 9 14 12 25 27 33
西部干旱区 Western arid zone 19 22 25 52 61 70 32 44 46
玉米
Maize
雨育
Rainfed
东部湿润区 Eastern wet zone 15 17 21 22 24 26 25 31 36
北部高寒区 Northern cold zone 27 31 36 24 29 30 41 44 50
西部干旱区 Western arid zone 39 42 43 47 51 54 48 55 54
春小麦
Spring
wheat
雨育
Rainfed
东部湿润区 Eastern wet zone 26 29 33 27 29 31 42 46 50
北部高寒区 Northern cold zone 14 18 20 14 15 21 21 22 23
西部干旱区 Western arid zone 8 8 10 8 8 8 7 8 9
水稻
Rice
灌溉
Irrigated
东部湿润区 Eastern wet zone 11 11 12 13 14 14 14 14 16

件相当困难的事。本研究通过若干假设在气候变化
情景中增加了 CV 的考虑, 尽管这还带有一定人为
因素, 但所得的各项结论有助于人们认识 CC+ΔCV
影响东北地区粮食生产的趋势、范围和程度。
本研究在进行气候变化影响评价时, 还假定研
究区域未来的农业技术将维持在目前水平, 即种植
制度、品种布局和栽培管理等都没有发生变化, 没
有明显的土壤问题, 病虫草害等都得到良好控制。
这似乎将极为复杂的问题过于简化了。无可否认的
是 , 气候剧烈变化后 , 上述情况肯定会发生变化 ,
生产部门和农民必然会采取一些适应性措施, 科技
进步也能解决其中一些可控的问题。但诸多因素将
如何变化, 一时很难估计, 也无法准确估计。因此,
目前国内外同类研究都假定未来的农业技术等是不
变的。这样做的目的主要是便于和当前值进行比较,
以便做出较为客观的评价。
本研究采用的 3 种 GCM 都是国际上通用的平
衡(equilibrium) GCM。这里的所谓“平衡”, 是指
CO2 有效倍增时全球气候变化的瞬间状态。大气科
学家之所以研究这种状态, 主要目的是回避全球气
候变暖的速度问题, 而它不仅涉及到复杂的气候系
统本身, 还牵涉到大量经济、社会、政治和外交问
题, 目前还存在着较大的不确定性和争议。当然, 当
研究目标涉及到气候变暖速度问题时 , 用渐变
(Transient) GCM, 如 GISS Transient B Run和 A2、
B2等就比较合适, 它们甚至考虑了不同的 CO2减排
方案。此外 , 本研究之所以选用 3 种 equilibrium
GCM同时进行分析, 主要是因为它们给出的预测结
果尽管在全球尺度上比较一致, 但在区域尺度上往
往大相径庭, 而根据现有的知识, 很难判断哪一个
GCM 就比较准确。因此, 同时选用了 3 种 GCM 的
有关网格点值, 结合气候变率变化的 3 种假设, 最
终生成了 9种 CC+ΔCV情景。然后在这些情景下运
行效应模型, 凡模拟结果趋势比较一致的, 即认为
今后出现的可能性较大, 反之则较小。
目前比较成功的作物生长模型, 大多都是为正
常气候条件下的栽培管理设计的, 对一些极端气候
事件, 如洪涝、暴雨、特大干旱、高温热害等尚无
法做出合理响应。这也是本研究乃至整个作物模型
技术有待进一步加强的研究方向之一。为了弥补这
个缺陷, 我们选择了一些灾害性天气指标对当前气
候和未来气候变化情景加以分析, 目的是试图说明
今后演变的趋势。
4 结论
4种效应模型(SOYGRO、CERES-Maize、CERES-
Wheat 和 CERES-Rice)在东北地区均有较好的适应
性, 其作为气候变化影响评价工具具有合理性。当
CO2 有效倍增时, 东北地区作物生长季的气象灾害
主要是高温危害, 随着 ΔCV 增大, 高温、暴雨、季
节性干旱等灾害性天气的发生频次将有所增加, 低
温冷害的发生机率尽管很低, 但依然存在。未来气
候变化对东北大豆生产总体上有利, 除西部干旱区
减产可能性较大外, 其余均有明显增产的可能, 即
第 9期 朱大威等: 气候及其变率变化对东北地区粮食生产的影响 1597


使考虑 ΔCV的不利影响, 全区大豆模拟产量仍以增
产为主。未来气候变化对东北玉米生产弊多利少 ,
各区玉米模拟产量在所有情景下均显著下降, 随着
ΔCV 的增大, 产量将进一步降低。未来气候变化对
东北春小麦生产以负面影响为主, ΔCV 增大对小麦
产量同样不利。未来气候变化对水稻的正面作用似
乎占主导地位, 各生态区在各情景下都表现为增产,
ΔCV增大对灌溉水稻产量的影响最小。
References
[1] He X-L (何秀丽), Zhang P-Y (张平宇), Liu W-X (刘文新).
Time serial change of grain yield per hectare and its impact
factors in northeast China. Res Agric Modernization (农业现
代化研究), 2006, 27(5): 360−363 (in Chinese with English
abstract)
[2] Sun F-H (孙凤华), Yang X-Q (杨修群), Lu S (路爽), Yang
S-Y (杨素英). The contrast analysis on the average and ex-
treme temperature trend in Northeast China. Sci Meteorol Sin
(气象科学), 2006, 26(2): 157−162 (in Chinese with English
abstract)
[3] Cheng Y-Q (程叶青), Zhang P-Y (张平宇). Regional patterns
changes of Chinese grain production and response of com-
modity grain base in Northeast China. Sci Geogr Sin (地理学
报), 2005, 25(5): 513−520 (in Chinese with English abstract
[4] Intergovernmental Panel on Climate Change(IPCC). Global
Climate Projections: the Physical Science Basis. Cambridge
University Press, 2007. p 749
[5] Jin Z-Q (金之庆), Chen H (陈华), Ge D-K (葛道阔), Fang J
(方娟), Zheng X-L (郑喜莲). To generate climate scenarios in
China with doubled CO2 by using GCMs outputs and historic
weather data. Chin J Agrometeorol (中国农业气象), 1992,
13(5): 13−21 (in Chinese with English abstract)
[6] Jin Z-Q (金之庆). Impacts of global climate change on food
production in China—A modeling study. PhD Dissertation of
Nanjing Agricultural University, 1996. pp 75−159 (in Chinese
with English abstract)
[7] Jin Z-Q (金之庆), Ge D-K (葛道阔), Shi C-L (石春林), Gao
L-Z (高亮之). Several strategies of food crop production in
the Northeast China plain for adaptation to global climate
change—A modeling study. Acta Agron Sin (作物学报), 2002,
28 (1): 24−31 (in Chinese with English abstract)
[8] Alexandrov V A, Hoogenboom G. The impact of climate
variability and change on crop yield in Bulgaria. Agric For
Meteorol, 2000, 104: 315−327
[9] Lal M, Singh K K, Srinivasan G, Rathore L S, Naidu D, Tri-
pathi C N. Growth and yield responses of soybean in Madhya
Pradesh, India to climate variability and change. Agric For
Meteorol, 1999, 93: 53−70
[10] Mearns L O, Rosenzweig C, Goldberg R. Mean and variance
change in climate scenarios: Methods, agricultural applica-
tions, and measures of uncertainty. Climate Change, 1997, 35:
367−396
[11] Zhao X-Y (赵昕奕), Zhang H-Y (张惠远). The sustainability
of Chinese agricultural yield affected by global climate
change. Sci Geogr Sin (地理科学), 2000, 20(3): 224−229 (in
Chinese with English abstract)
[12] Jin S-B (金善宝). Chinese Wheat (中国小麦学). Beijing:
China Agriculture Press, 1996. p 34 (in Chinese)
[13] State Soil Survey Service of China (全国土壤普查办公室).
China Soil Series, Vol.5 (中国土种志第五卷). Beijing: China
Agriculture Press, 1993. pp 2−389 (in Chinese)
[14] Cui D-C (崔读昌). Images of Climate Resource for Chinese
Major Crops (中国主要农作物气候资源图集). Beijing: Me-
teorology Press, 1984. pp 122−140 (in Chinese)
[15] Rosenzweig C, Parry M L. Potential impact of climate change
on world food supply. Nature, 1994, 367: 133−138
[16] Chen C (陈超), Jin Z-Q (金之庆), Zheng Y-F (郑有飞), Liu
J-D (刘建栋). Assessing the impacts of doubled CO2 climate
change and its variability on winter wheat production in the
Huang-Huai-Hai Plain of China. Jiangsu J Agric Sci (江苏农
业学报), 2004, 20(1): 7−12 (in Chinese with English abstract)
[17] Greenwald R, Bergin M H, Xu J, Cohan D, Hoogenboom G,
Chameides W L. The influence of aerosols on crop production:
a study using the CERES crop model. Agric Syst, 2006, 89:
390−413
[18] Smith J B, Tirpak D A. The Potential Effects of Global Cli-
mate Change on the United State—Report to Congress.
Washington D C. U S Environment Protection Agency, 1989.
pp 2−54
[19] Jin Z-Q (金之庆). Different responses of C3 and C4 crops to
increase of CO2 concentration in the atmosphere. World Agric
(世界农业), 1995, (9): 36−37 (in Chinese)
[20] Jin Z-Q (金之庆), Ge D-K (葛道阔), Zheng X-L (郑喜莲),
Chen H (陈华). Assessing the potential impacts of global
climate change on maize production in China. Acta Agron Sin
(作物学报), 1996, 22(5): 513−524 (in Chinese with English
abstract)
[21] Jin Z-Q (金之庆), Ge D-K (葛道阔), Chen H (陈华), Zheng
X-L (郑喜莲). Positive and negative effects of global climate
change on soybean production in China. Soybean Sci (大豆科
学), 1994, 13(4): 302−311(in Chinese with English abstract)
[22] Wang X-Q (汪秀清), Ma S-Q (马树庆), Xi Z-X (袭祝香),
Wang S-L (王石立). Long-term forecast of summer’s chilling
damage in northeast China. J Nat Disasters (自然灾害学报),
2006, 15(3): 42−45 (in Chinese with English abstract)
[23] Huang D-Y (黄道友), Wang K-L (王克林), Huang M (黄敏),
Chen H-S (陈洪松), Wu J-S (吴金水), Zhang G-P (张广平),
Peng T-B (彭廷柏). Seasonal drought problems in the red soil
hilly region of the middle subtropical zone of China. Acta
Ecol Sin (生态学报), 2004, 24(11): 2516−2523 (in Chinese
with English abstract)