CN104732045A - 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法 - Google Patents

Abstract

本发明公开了一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法。本发明基于作物生长模型，计算作物旱灾致灾强度指数，同时在完全满足水分和不灌溉两种情景下分别进行模拟，计算受水分胁迫影响的作物产量损失率，通过模拟的大量样本构建致灾强度指数与产量损失率之间的logistic曲线，获得对应的作物旱灾自然脆弱性曲线。本发明提出的作物旱灾自然脆弱性曲线的确定方法能够定量的描述农业旱灾承灾体脆弱性，使得灾害脆弱性成为了一个动态的过程性的量值，对于旱灾风险评价具有重要意义。

Description

一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法

技术领域

本发明属于农业旱灾风险评估技术领域，涉及一种确定作物旱灾自然脆弱性曲线的方法，具体涉及一种基于作物生长模型的旱灾致灾强度指数与产量损失率确定作物旱灾自然脆弱性曲线的方法。

背景技术

第五次IPCC(Intergovernmental Panel on Climate Change)报告指出，全球气温正逐年上升。尽管人类已经采取了许多应对措施，但温度上升的趋势在未来一段时间内仍将继续。同时，由于全球气候变暖带来的极端天气频率及强度的增加，使得诸如干旱、洪水等自然灾害频繁发生。而农业作为对于气候变化最脆弱的行业，极端天气的增加、气温降水等气候要素年际变化的加大都将增加农作物的水分胁迫强度，从而导致农作物减产，形成农业旱灾。因而，更好地理解及描述旱灾，能够帮助人们提高区域农业旱灾应对能力并提出减灾对策，降低高风险区作物旱灾风险。

脆弱性包括极端灾害事件发生的可能性和社会吸收极端自然事件影响后果的程度，是一种期望破坏的程度，是致灾强度的函数。脆弱性正逐渐成为一种核心的概念并在许多领域中都有广泛的应用，如生态学、公共卫生、土地利用变化以及全球气候变化等。目前，许多方法都被用来进行脆弱性评价。统计方法通过建立不同指标间的统计关系确定脆弱性的特征和依赖关系，但是这种方法会受到统计方法的影响，不能全面的考虑多种影响因素。另一类方法比如模糊模型方法、多指数方法以及聚类方法能够对多种影响因子进行综合评价。但是模糊模型方法有时会受限于先验知识或信息的收集，造成权重设置中的困难；而多指数方法中通过多种指数整合得到最终的脆弱性指数的过程会对评价结果造成影响；聚类方法往往会局限于对脆弱性定性的描述，对承灾体脆弱性随致灾强度的变化规律。

灾害脆弱性是灾害承灾体内在的一种特性，这种特性是承灾体受自然或人为致灾因子打击时自身应对、抗御和恢复的能力的特性。在目前灾害脆弱性评价的研究中，多数研究都没有将自然因素导致的脆弱性和社会因素导致的系统脆弱性很好地分开，这对从灾害发生发展过程上认识灾害风险的成灾机制产生了较大的限制。而从自然灾害的角度来看，灾害自然脆弱性是自然灾害本质承灾体的抵抗自然灾害打击过程中自身内在的脆弱性，是承灾体本身所特有的物理特性。通过确立灾害致灾强度和灾情损失百分率之间的关系，可以得出特定承灾体的脆弱性曲线。因此，本发明所提出的作物旱灾自然脆弱性曲线是指某一品种的作物，其应对不同致灾强度打击下的不同损失情况。其损失的大小与致灾强度的大小有着密切的关系，这种特性是承灾体本身内在的一种性质。在计算作物旱灾自然脆弱性曲线的过程中，通过建立致灾强度和灾情损失的关系，可定量的刻画承灾体的脆弱性。随着致灾强度的增强，灾害损失率也逐渐增加。作物旱灾自然脆弱性曲线使得灾害脆弱性成为了一个可描述的动态的过程性的量值，利用作物旱灾自然脆弱性曲线能够从成灾机理的角度进行灾害脆弱性评价以及旱灾风险评价，从而提高区域农业旱灾应对能力并及时采取对策以适应气候变化对农业旱灾的影响。

EPIC模型(Environmental Policy Integrated Climate Model)是美国农业部为评价美国水土资源现状，分析土壤侵蚀和生产力关系而开发的综合模型，包括气象、水文、土壤侵蚀、作物生长等模块。作物生长模型是EPIC模型的重要子模型之一，考虑了作物生长过程中的气象条件、作物类型、田间管理等众多因素。模型输入的气象因子包括降雨、气温、风速、相对湿度、太阳辐射等。模型通过对比逐日累计热量单元和潜在热量单元，进行作物产量计算，即当累计热量单元达到作物成熟所需时，模型输出结果即为模拟的作物产量。EPIC作物生长模型可以较好地模拟作物在不同气象条件及灌溉水平下的产量，从而应用到作物旱灾致灾强度及因旱损失风险评估中。

发明内容

为了解决现有技术的不足，本发明提供了一种基于作物生长模型的作物旱灾致灾强度指数与产量损失率确定作物旱灾自然脆弱性曲线的方法。本发明通过作物生长模型模拟作物生长过程，确定旱灾致灾强度指数；通过完全满足水分与不灌溉两种情形的模拟，确定作物受水分胁迫影响的年产量损失值；将作物在不同年份、不同样本点模拟得到的旱灾致灾强度指数与年产量损失率进行回归分析，最终确定作物旱灾自然脆弱性曲线。该方法可较直观地反映作物应对旱灾的自然脆弱性特点。不同类型作物的旱灾自然脆弱性性质也是不一样的，其曲线或曲面的型代表了该种类型作物旱灾自然脆弱性的特性。

本发明提供的基于作物生长模型的作物旱灾致灾强度指数与产量损失率确定作物旱灾自然脆弱性曲线的方法具体步骤如下：

(1)利用EPIC作物生长模型确定给定作物的作物参数；根据已确定的作物参数以及样本点气象数据，确定不同生育期水分胁迫对产量损失的贡献率；将作物品种参数以及空间插值后的气象数据输入空间EPIC模型得到作物水分胁迫的日输出结果，结合不同生育期水分胁迫对产量损失的贡献率，根据下列公式计算作物旱灾致灾强度指数：

${\mathrm{DHI}}_{\mathrm{yj}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i(1-{\mathrm{WS}}_k)}{\max \mathrm{DHI}}$

其中，DHI_yj为作物旱灾致灾强度指数；DHI_yj为第y年j个样本点的作物旱灾致灾强度指数；WS_k为第k天的作物水分胁迫；α_i为不同生育期作物水分胁迫对产量损失的贡献率，其中，第k天属于第i个生育期，n为第i个生育期对应的受水分胁迫影响的天数；maxDHI为研究区所有样本点不同年份对应 $\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i(1-{\mathrm{WS}}_k)$ 的最大值。

作物旱灾致灾强度指数取值范围在0-1之间：0代表致灾强度的最小值，即没有干旱的影响；1代表致灾强度的最大值，即最重的干旱影响；

(2)将作物品种参数以及空间插值后的气象数据输入空间EPIC模型，在完全满足养分与完全满足水分(Y1情景)和完全满足养分与不灌溉(Y2情景)两种情景下分别进行模拟，Y1的产量减去Y2的产量即是受水分胁迫影响的年产量损失值。产量损失率的计算公式如下：

${\mathrm{YL}}_{\mathrm{yj}}=\frac{{Y1}_y-{Y2}_y}{\max {Y1}_j}$

其中，YL_yj为y年第j个样本点的旱灾因灾单位产量损失率，Y1和Y2分别为两种情景下的单位产量，maxY1_j为第j个样本点多年最大单位产量。

(3)根据(1)中获得的不同年份的旱灾致灾强度指数空间分布图和(2)中获得的对应年份的产量损失率空间分布图，尽可能选择处于不同旱灾强度下的样本点，提取对应样本点不同年份的致灾强度指数以及产量损失率，并进行Logistic曲线回归，得到对应的作物旱灾自然脆弱性曲线。

本发明提出的作物旱灾自然脆弱性曲线的确定过程是计算作物在不同旱灾致灾强度打击的情景下的产量损失率的过程。其中，最关键的因素就是建立合理的各种不同的旱灾致灾强度打击情景，也就是说，要建立从没有作物干旱到极端作物干旱的所有致灾强度，并在这样的致灾强度打击下，计算出作物产量损失率的大小，进而绘制出作物旱灾自然脆弱性曲线或曲面。因此，在样本点选择的过程中，需要尽可能选择不同旱灾强度下的样本点进行曲线回归，从而定量描述该种作物应对干旱灾的能力。

在本发明具体的实施方案中，上述步骤(1)的具体操作步骤如下：将样点作物的田间管理相关数据以及气象数据输入样本点EPIC模型，并与实测作物产量进行拟合，确定该品种作物的作物参数；参考研究区域农业气象年型的划分资料，选择气候年型正常的年份为背景数据，设缺水时完全满足水分为对照组，各生育期分别进行缺水处理，模拟作物生长不同阶段缺水对作物产量的影响，确定不同生育期水分胁迫对产量损失的贡献率；将作物品种参数以及空间插值后的气象数据输入空间EPIC模型得到作物水分胁迫的日输出结果，结合不同生育期水分胁迫对产量损失的贡献率，计算得到作物旱灾致灾强度指数。

在本发明具体的实施方案中，上述步骤(2)的具体操作步骤如下：输入作物参数以及时间序列的气象空间插值数据，模拟得到Y1与Y2两种情形下的单位产量。每个样本点Y1的产量减去Y2的产量即是受水分胁迫影响的年单位产量损失值，该值与该样本点多年最大单位产量的比值作为产量损失率。

本发明的优点和有益效果：

本发明提出的作物旱灾自然脆弱性曲线利用作物生长模型，对在不同年份、不同样本点模拟得到的作物旱灾致灾强度指数和作物产量损失率进行Logistic回归，定量的描述了作物应对旱灾的自然脆弱性特点。

附图说明

图1显示为本发明实施的流程图；

图2显示为2010年中国北方农牧交错区春玉米旱灾致灾强度分布图；

图3显示为2010年中国北方农牧交错区春玉米产量损失率分布图；

图4显示为中国北方农牧交错区春玉米旱灾自然脆弱性曲线。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例 建立基于作物生长模型的作物旱灾自然脆弱性曲线的方法

研究对象：中国北方农牧交错区春玉米

1、计算中国北方农牧交错区春玉米旱灾致灾强度指数

根据研究区1990年到1995年春玉米产量的农业统计数据来进行作物参数调整。根据模型需要，将实验样本点对应年份的日气象数据、土壤数据和田间管理数据(犁地、播种、灌溉、施肥、农药、收获等)，输入EPIC作物生长模型中，进行1990-1995年6个生长季的作物生长模拟，拟合模型输出的作物产量和实测作物产量，最终确定该品种的作物参数。

参考农业气象年型划分方法，选择正常气候年型2002年为背景数据，以研究区大同站为例，设缺水时自动灌溉为对照(全生育期完全满足水分)，各生育期分别进行缺水处理，模拟作物生长不同阶段缺水对作物产量的影响，确定影响玉米产量的水分关键期。

将作物品种参数以及1966-2011年中国北方农牧交错区气象数据输入空间EPIC模型得到作物水分胁迫的日输出结果，结合不同生育期水分胁迫对产量损失的贡献率，按照下列公式带入相关数据计算作物旱灾致灾强度指数：

${\mathrm{DHI}}_{\mathrm{yj}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i(1-{\mathrm{WS}}_k)}{\max \mathrm{DHI}}$

其中，DHI_yj为作物旱灾致灾强度指数；DHI_yj为第y年j个样本点的作物旱灾致灾强度指数；WS_k为第k天的作物水分胁迫；α_i为不同生育期作物水分胁迫对产量损失的贡献率，其中，第k天属于第i个生育期，n为第i个生育期对应的受水分胁迫影响的天数；maxDHI为研究区所有样本点不同年份对应 $\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i(1-{\mathrm{WS}}_k)$ 的最大值。

通过模拟计算，最终得到研究区1966-2011年各年春玉米旱灾致灾强度指数的空间分布图。2010年中国北方农牧交错区春玉米致灾强度指数空间分布图如图2所示。

2、计算中国北方农牧交错区春玉米产量损失率

将作物品种参数以及1966-2011年中国北方农牧交错区气象数据输入空间EPIC模型，在完全满足养分与完全满足水分(Y1情景)和完全满足养分与不灌溉(Y2情景)两种情景下分别进行模拟，按照下列公式带入相关数据计算产量损失率：

${\mathrm{YL}}_{\mathrm{yj}}=\frac{{Y1}_y-{Y2}_y}{\max {Y1}_j}$

其中，YL_yj为y年第j个样本点的旱灾因灾单位产量损失率，Y1和Y2分别为两种情景下的单位产量，maxY1_j为第j个样本点多年最大单位产量。

通过模型模拟，最终得到研究区1966-2011年各年春玉米产量损失率空间分布图。2010年中国北方农牧交错区春玉米产量损失率空间分布图如图3所示。

3、建立中国北方农牧交错区春玉米旱灾自然脆弱性曲线

根据1和2中得到的中国北方农牧交错区1966-2011年春玉米致灾强度指数空间分布图以及产量损失率空间分布图，选择处于不同旱灾强度下的50个样本点，提取对应样本点51年的致灾强度指数与产量损失率。对各样本点不同年份春玉米旱灾致灾强度指数和因灾产量损失率进行Logistic曲线拟合，得到中国北方农牧交错区春玉米旱灾自然脆弱性曲线(图4)和相应的方程，RMSE＝0.12：

$y=\frac{0.43}{(1+58.72e^{-10.67X})}+0.08$

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (3)

1.一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法，其特征在于，所述方法的具体步骤如下：

(1)利用EPIC(Environmental Policy Integrated Climate Model)作物生长模型确定给定作物的作物参数；根据已确定的作物参数以及样本点气象数据，确定不同生育期水分胁迫对产量损失的贡献率；将作物品种参数以及空间插值后的气象数据输入空间EPIC模型得到作物水分胁迫的日输出结果，结合不同生育期水分胁迫对产量损失的贡献率，根据下列公式计算作物旱灾致灾强度指数：

${\mathrm{DHI}}_{\mathrm{yj}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i(1-{\mathrm{WS}}_k)}{\max \mathrm{DHI}}$

其中，DHI_yj为作物旱灾致灾强度指数；DHI_yj为第y年j个样本点的作物旱灾致灾强度指数；WS_k为第k天的作物水分胁迫；α_i为不同生育期作物水分胁迫对产量损失的贡献率，其中，第k天属于第i个生育期，n为第i个生育期对应的受水分胁迫影响的天数；maxDHI为研究区所有样本点不同年份对应的最大值；

作物旱灾致灾强度指数取值范围在0-1之间：0代表旱灾致灾强度的最小值，即没有干旱的影响；1代表旱灾致灾强度的最大值，即最严重的干旱影响；

(2)将作物品种参数以及空间插值后的气象数据输入空间EPIC模型，在完全满足养分与完全满足水分(Y1情景)和完全满足养分与不灌溉(Y2情景)两种情景下分别进行模拟，Y1的产量减去Y2的产量即是受水分胁迫影响的年产量损失值；产量损失率的计算公式如下：

${\mathrm{YL}}_{\mathrm{yj}}=\frac{{Y1}_y-{Y2}_y}{\max {Y1}_j}$

其中，YL_yj为y年第j个样本点的旱灾因灾单位产量损失率，Y1和Y2分别为两种情景下的单位产量，maxY1_j为第j个样本点多年最大单位产量；

(3)根据(1)中获得的不同年份的旱灾致灾强度指数空间分布图和(2)中获得的对应年份的产量损失率空间分布图，尽可能选择处于不同旱灾强度下的样本点，提取对应样本点不同年份的致灾强度指数以及产量损失率，并进行Logistic曲线回归，得到对应的作物旱灾自然脆弱性曲线。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)的具体操作步骤如下：将样点作物的田间管理相关数据以及气象数据输入样本点EPIC模型，并与实测作物产量进行拟合，确定该品种作物的作物参数；参考研究区域农业气象年型的划分资料，选择气候年型正常的年份为背景数据，设缺水时完全满足水分为对照组，各生育期分别进行缺水处理，模拟作物生长不同阶段缺水对作物产量的影响，确定不同生育期水分胁迫对产量损失的贡献率；将作物品种参数以及空间插值后的气象数据输入空间EPIC模型得到作物水分胁迫的日输出结果，结合不同生育期水分胁迫对产量损失的贡献率，计算得到作物旱灾致灾强度指数。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)的具体操作步骤如下：输入作物参数以及时间序列的气象空间插值数据，模拟得到Y1与Y2两种情形下的单位产量；每个样本Y1的产量减去Y2的产量即是受水分胁迫影响的年单位产量损失值，该值与该样本点多年最大单位产量的比值作为产量损失率。