基于農(nóng)作物災(zāi)情的長(zhǎng)江中下游地區(qū)糧食產(chǎn)量損失評(píng)估*

張 軼，劉布春**，楊曉娟，劉 園，白 薇，董博超,2

?

基于農(nóng)作物災(zāi)情的長(zhǎng)江中下游地區(qū)糧食產(chǎn)量損失評(píng)估*

張 軼1，劉布春1**，楊曉娟1，劉 園1，白 薇1，董博超1,2

（1． 中國(guó)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(guó)家工程實(shí)驗(yàn)室/農(nóng)業(yè)部農(nóng)業(yè)環(huán)境重點(diǎn)實(shí)驗(yàn)室，北京 100081；2．沈陽(yáng)農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，沈陽(yáng) 110866）

利用長(zhǎng)江中下游地區(qū)7省（市）1949-2014年農(nóng)作物災(zāi)情統(tǒng)計(jì)數(shù)據(jù)和糧食作物單產(chǎn)數(shù)據(jù)，采用多元線性回歸方法，構(gòu)建糧食氣象減產(chǎn)量與農(nóng)作物受災(zāi)面積、成災(zāi)面積及絕收面積的回歸模型，運(yùn)用主成分分析法研究長(zhǎng)江中下游7省（市）影響糧食產(chǎn)量的主要農(nóng)業(yè)氣象災(zāi)害，對(duì)因氣象災(zāi)害導(dǎo)致的糧食產(chǎn)量損失進(jìn)行評(píng)估。結(jié)果表明：（1）糧食氣象減產(chǎn)量與總災(zāi)情顯著相關(guān)（P＜0.05），其中除湖南省外，其它各省相關(guān)關(guān)系達(dá)極顯著水平（P＜0.01）。糧食氣象減產(chǎn)量與成災(zāi)面積關(guān)系更密切，依據(jù)總災(zāi)情評(píng)估糧食產(chǎn)量，模型的擬合優(yōu)度（R2）除上海市外均大于0.9。（2）根據(jù)糧食氣象減產(chǎn)量與干旱、洪澇、風(fēng)雹、低溫、臺(tái)風(fēng)5種災(zāi)情的相關(guān)性，建立主要災(zāi)種糧食產(chǎn)量模型，僅從R2數(shù)值來(lái)看，除湖南省外，其它6省（市）主要災(zāi)種模型的R2均略高于總災(zāi)情模型，但單因素方差分析表明，兩類模型的R2不存在顯著差異。（3）兩類模型均不能解釋糧食作物結(jié)構(gòu)性逐年波動(dòng)變化，是模型產(chǎn)生模擬誤差的一個(gè)主要因素。本研究建立的災(zāi)損模型和產(chǎn)量評(píng)估模型能較好地模擬災(zāi)情與糧食產(chǎn)量的關(guān)系，2015年數(shù)據(jù)試報(bào)檢驗(yàn)表明，可以將其用作長(zhǎng)江中下游地區(qū)不同省（市）糧食產(chǎn)量短期預(yù)測(cè)。

因?yàn)?zāi)減產(chǎn)量；氣象災(zāi)害；產(chǎn)量模擬模型；災(zāi)損率；災(zāi)害損失評(píng)估

長(zhǎng)江中下游地區(qū)是中國(guó)三大糧食主產(chǎn)區(qū)之一，一直以來(lái)在保證糧食安全中占有極重要的地位[1]。截至2014年，長(zhǎng)江中下游地區(qū)農(nóng)作物播種面積4.17×107hm2，占全國(guó)總播種面積的26.74%，糧食產(chǎn)量1.55×108t，占全國(guó)糧食產(chǎn)量的25.5%。全球氣候變暖已成為不爭(zhēng)事實(shí)[2]，長(zhǎng)江中下游地區(qū)的氣候資源也發(fā)生了明顯變化，同時(shí)極端天氣氣候事件的增加導(dǎo)致農(nóng)業(yè)氣象災(zāi)害頻發(fā)、重發(fā)[3-5]。農(nóng)業(yè)災(zāi)情統(tǒng)計(jì)資料反映的是區(qū)域農(nóng)作物受到干旱、洪澇、風(fēng)雹、低溫、臺(tái)風(fēng)等氣象災(zāi)害影響導(dǎo)致不同程度的產(chǎn)量損失。研究區(qū)域農(nóng)作物災(zāi)情與糧食產(chǎn)量因?yàn)?zāi)損失的定量關(guān)系，建立二者多元回歸模型，為基于災(zāi)情估算糧食作物產(chǎn)量提供工具，對(duì)于制定區(qū)域農(nóng)業(yè)防災(zāi)減災(zāi)策略具有重要意義[6]。

目前，研究災(zāi)害與糧食產(chǎn)量關(guān)系的分析方法主要有自然災(zāi)害風(fēng)險(xiǎn)理論[7-9]、氣象要素分析[10-12]、作物模型[13]及災(zāi)情統(tǒng)計(jì)數(shù)據(jù)分析[14-21]等，其中災(zāi)情統(tǒng)計(jì)數(shù)據(jù)易于獲取和操作，應(yīng)用相對(duì)廣泛。如王道龍等[16]運(yùn)用受災(zāi)面積、成災(zāi)面積及絕收面積數(shù)據(jù)與糧食損失對(duì)比分析不同災(zāi)種受災(zāi)程度；房世波等[17]對(duì)不同災(zāi)害種類采用成災(zāi)面積和成災(zāi)比率來(lái)衡量農(nóng)業(yè)氣象災(zāi)害時(shí)間變化趨勢(shì)和空間分布特征；鄧國(guó)等[14,21]將作物產(chǎn)量分解為趨勢(shì)產(chǎn)量和氣象產(chǎn)量，運(yùn)用概率密度曲線計(jì)算受災(zāi)風(fēng)險(xiǎn)與糧食產(chǎn)量的關(guān)系；林志宇等[18]采用灰色關(guān)聯(lián)度分析法從受災(zāi)范圍和災(zāi)害強(qiáng)度角度分析了福建省氣象災(zāi)害對(duì)不同糧食作物生產(chǎn)的影響；王健等[19-20]分別基于東北地區(qū)和華北地區(qū)災(zāi)情與糧食減產(chǎn)量的定量關(guān)系，估算了各省糧食因?yàn)?zāi)損失量。

與東北地區(qū)和華北地區(qū)相比，長(zhǎng)江中下游地區(qū)農(nóng)作物種植種類多、復(fù)種指數(shù)高、種植結(jié)構(gòu)波動(dòng)性大，災(zāi)情復(fù)雜，這一區(qū)域的農(nóng)作物災(zāi)情數(shù)據(jù)能否定量反映糧食產(chǎn)量的波動(dòng)，同時(shí)每年動(dòng)態(tài)發(fā)布的農(nóng)作物災(zāi)情數(shù)據(jù)的發(fā)布時(shí)間上早于產(chǎn)量數(shù)據(jù)，因此，建立該區(qū)域農(nóng)作物災(zāi)情與糧食產(chǎn)量的損失評(píng)估模型，利用實(shí)時(shí)發(fā)布的災(zāi)情數(shù)據(jù)就可預(yù)測(cè)評(píng)估每次災(zāi)害導(dǎo)致的產(chǎn)量損失。然而，目前國(guó)內(nèi)外針對(duì)長(zhǎng)江中下游地區(qū)的災(zāi)情與糧食產(chǎn)量災(zāi)損模擬模型的研究還鮮有報(bào)道。本文以長(zhǎng)江中下游地區(qū)為研究區(qū)域，基于農(nóng)業(yè)災(zāi)情和糧食產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)，建立糧食減產(chǎn)量估算模型，探究因種植結(jié)構(gòu)復(fù)雜性等因素產(chǎn)生的模擬誤差，并明確該地區(qū)影響糧食產(chǎn)量的主要災(zāi)種，探討氣象災(zāi)害對(duì)糧食作物產(chǎn)量的影響及其特征，以期為該地區(qū)糧食產(chǎn)量定量評(píng)估與預(yù)測(cè)及防災(zāi)減災(zāi)提供科學(xué)依據(jù)。

1 資料與方法

1.1 數(shù)據(jù)來(lái)源

長(zhǎng)江中下游地區(qū)包括江蘇省、上海市、安徽省、浙江省、江西省、湖北省和湖南省，其1949-2014年糧食作物播種面積、總產(chǎn)量、單位面積產(chǎn)量數(shù)據(jù)來(lái)源于農(nóng)業(yè)部種植業(yè)管理司農(nóng)作物數(shù)據(jù)庫(kù)（http://zzys.agri.gov.cn/nongqing.aspx）的災(zāi)情統(tǒng)計(jì)資料，包括農(nóng)作物受災(zāi)面積、成災(zāi)面積以及絕收面積（圖1）。

1.2 分析方法

1.2.1 糧食氣象減產(chǎn)量

農(nóng)作物產(chǎn)量受到多種因素的相互作用，主要是各種自然因素和非自然因素的綜合影響，國(guó)內(nèi)外研究者大多將這些因素按影響性質(zhì)和時(shí)間尺度劃分為農(nóng)業(yè)技術(shù)措施、氣象條件和隨機(jī)“噪聲”三大類。模擬產(chǎn)量時(shí)，可把作物產(chǎn)量分解為趨勢(shì)產(chǎn)量、氣象產(chǎn)量和隨機(jī)產(chǎn)量三部分，其中隨機(jī)產(chǎn)量一般忽略不計(jì)[9,22]。因此，將糧食實(shí)際產(chǎn)量視作趨勢(shì)產(chǎn)量和氣象產(chǎn)量之和。即

式中，Y為實(shí)際產(chǎn)量（kg?hm?2），Yt為趨勢(shì)產(chǎn)量（kg?hm?2），Yw為氣象產(chǎn)量（kg?hm?2）。

在大范圍的農(nóng)業(yè)生產(chǎn)過(guò)程中，農(nóng)業(yè)技術(shù)措施對(duì)產(chǎn)量影響在時(shí)間序列上是一個(gè)變化較平緩的過(guò)程，產(chǎn)量不會(huì)因?yàn)檗r(nóng)技措施的變化而劇增或銳減，所對(duì)應(yīng)的產(chǎn)量分量稱為趨勢(shì)產(chǎn)量[23]。長(zhǎng)江中下游糧食作物的趨勢(shì)產(chǎn)量曲線擬合方法采用線性模擬、3a滑動(dòng)平均、5a滑動(dòng)平均、二次多項(xiàng)式、三次多項(xiàng)式、增長(zhǎng)曲線方程（式2）和Logistic曲線方程（式3）。

圖1 研究區(qū)域及其各省（市）糧食單產(chǎn)和災(zāi)情面積的年際變化

式中，T表示年序號(hào)，其初始值設(shè)為0，代表1949年。

由于長(zhǎng)江中下游地區(qū)農(nóng)作物種類、種植結(jié)構(gòu)較復(fù)雜，每個(gè)省份災(zāi)情及產(chǎn)量的特征不同，本研究產(chǎn)量模擬模型在選擇趨勢(shì)產(chǎn)量擬合方程時(shí)，主要考慮該省份建立的糧食氣象減產(chǎn)量與災(zāi)情數(shù)據(jù)回歸模型的擬合優(yōu)度R2，篩選出以上方法中擬合優(yōu)度最高的方法，并計(jì)算模擬的氣象產(chǎn)量與趨勢(shì)產(chǎn)量之和，即為模擬產(chǎn)量，比較各模擬產(chǎn)量與實(shí)際產(chǎn)量序列，保證模型模擬誤差在合理范圍內(nèi)。

假定研究時(shí)段內(nèi)實(shí)際產(chǎn)量未達(dá)到歷史最優(yōu)氣候條件下產(chǎn)量的年份為氣候減產(chǎn)年，定義每年期望產(chǎn)量為研究時(shí)段內(nèi)最大氣象產(chǎn)量與該年趨勢(shì)產(chǎn)量之和，則該年糧食氣象減產(chǎn)量為[19]

式中，Ywi為第i年的糧食氣象減產(chǎn)量（kg?hm?2），Ywmax為最大氣象產(chǎn)量（kg?hm?2），Yti為第i年的趨勢(shì)產(chǎn)量（kg?hm?2），Yi為第i年的實(shí)際產(chǎn)量（kg?hm?2）。

1.2.2 基于總災(zāi)情指標(biāo)的糧食氣象減產(chǎn)量模型

受災(zāi)面積、成災(zāi)面積和絕收面積分別指農(nóng)作物因?yàn)?zāi)減產(chǎn)10%以上、減產(chǎn)30%以上和減產(chǎn)80%以上的面積[24]。由于種植業(yè)管理司農(nóng)業(yè)災(zāi)情數(shù)據(jù)未區(qū)分作物種類，依據(jù)歷年統(tǒng)計(jì)年鑒資料，長(zhǎng)江中下游地區(qū)7省（市）1949-2014年平均糧食種植面積占農(nóng)作物種植面積的70%，部分年份達(dá)到90%左右，考慮到糧食作物種植面積占農(nóng)作物播種面積比重大、較為穩(wěn)定，用農(nóng)作物災(zāi)情統(tǒng)計(jì)數(shù)據(jù)代替糧食作物災(zāi)情統(tǒng)計(jì)數(shù)據(jù)。為剔除糧食播種面積逐年波動(dòng)變化對(duì)產(chǎn)量的影響，本研究引入災(zāi)損率[25]表示糧食因?yàn)?zāi)損失量，即

式中，Dr表示糧食災(zāi)損率，Sp為不同受災(zāi)程度受損總面積，S為糧食作物總播種面積。

為避免回歸過(guò)程中存在多重共線性，定義受災(zāi)程度分別為減產(chǎn)10%～30%、30%～80%、大于80%[21]的面積與糧食播種面積的比值，得到受災(zāi)率、成災(zāi)率和絕收率，建立三者與糧食減產(chǎn)量的回歸模型。

1.2.3 基于主要災(zāi)種災(zāi)情指標(biāo)的糧食氣象減產(chǎn)量模型

長(zhǎng)江中下游地區(qū)災(zāi)情統(tǒng)計(jì)數(shù)據(jù)主要包括干旱、洪澇、風(fēng)雹、低溫、臺(tái)風(fēng)5種氣象災(zāi)害的受災(zāi)、成災(zāi)和絕收面積，為進(jìn)一步分析長(zhǎng)江中下游地區(qū)糧食氣象減產(chǎn)量與不同災(zāi)種的災(zāi)害損失的關(guān)系，通過(guò)主成分分析方法建立主要災(zāi)種的災(zāi)損率與糧食氣象減產(chǎn)量的多元回歸模型。主成分分析變量采用不同氣象災(zāi)害的受災(zāi)率、成災(zāi)率和絕收率，建立長(zhǎng)江中下游各省糧食氣象減產(chǎn)量與主要?dú)庀鬄?zāi)害主成分的回歸模型。

1.2.4 糧食產(chǎn)量計(jì)算模型

2 結(jié)果與分析

2.1 糧食產(chǎn)量損失評(píng)估模型的建立

2.1.1 基于總災(zāi)情指標(biāo)的糧食氣象減產(chǎn)量模型

利用研究區(qū)內(nèi)各省（市）1949-2014年歷年糧食實(shí)際產(chǎn)量系列進(jìn)行趨勢(shì)擬合，得到期望氣象產(chǎn)量及相應(yīng)氣象減產(chǎn)量計(jì)算結(jié)果，與受災(zāi)率、成災(zāi)率及絕收率數(shù)據(jù)序列進(jìn)行多元回歸，建立基于總災(zāi)情指標(biāo)的糧食氣象減產(chǎn)量估算模型，結(jié)果見表1和表2。由表1可見，7省（市）糧食產(chǎn)量趨勢(shì)變化方程均不同，按照決定系數(shù)（R2）最大化原則選取最優(yōu)擬合方程有5a滑動(dòng)平均（江蘇、安徽）、3a滑動(dòng)平均（江西、湖南）、增長(zhǎng)生長(zhǎng)型函數(shù)（上海、浙江）和三次多項(xiàng)式（湖北）4種類型，相應(yīng)的最大氣象產(chǎn)量即期望氣象產(chǎn)量結(jié)果也均不相同，其中浙江省選取增長(zhǎng)生長(zhǎng)型函數(shù)擬合的趨勢(shì)產(chǎn)量，所得到的研究時(shí)段內(nèi)最佳氣候產(chǎn)量最高，為1311.13kg?hm?2。由表2可見，各省（市）糧食氣象減產(chǎn)量計(jì)算結(jié)果與受災(zāi)率、成災(zāi)率及絕收率數(shù)據(jù)序列均呈正相關(guān)關(guān)系，基于總災(zāi)情指標(biāo)的糧食氣象減產(chǎn)量多元回歸模型中，除湖南省外，均通過(guò)了0.01水平的顯著性檢驗(yàn)。

表1 1949-2014年各地糧食趨勢(shì)產(chǎn)量（Yt）及最大氣象產(chǎn)量（Ywmax）的擬合結(jié)果

注：T表示年序號(hào)，以1949年為0，1950年為1，其余類推。*、**分別表示相關(guān)系數(shù)通過(guò)0.05、0.01水平的顯著性檢驗(yàn)。下同。

Note: T represents the year sequence number. 1949 and 1950 is named as 0, 1 respectively. it means that the rest can be done in the same manner.*is P＜0.05，**is P＜0.01.The same as below.

表2 各省（市）糧食因?yàn)?zāi)減產(chǎn)量（）與受災(zāi)率（Rc）、成災(zāi)率（Ra）及絕收率（Rd）的逐步回歸結(jié)果

2.1.2 基于主要災(zāi)種災(zāi)情指標(biāo)的糧食氣象減產(chǎn)量模型

如表3所示，利用各省市1949-2014年63a（其中1967、1968、1969年數(shù)據(jù)缺失）的災(zāi)情統(tǒng)計(jì)數(shù)據(jù)中干旱、洪澇、風(fēng)雹、低溫和臺(tái)風(fēng)5種氣象災(zāi)害的受災(zāi)面積、成災(zāi)面積和絕收面積數(shù)據(jù)，計(jì)算對(duì)應(yīng)的受災(zāi)率、成災(zāi)率和絕收率，提取三者的主成分，將主成分定義為各種農(nóng)業(yè)氣象災(zāi)害損失因子，對(duì)各災(zāi)害損失因子與糧食氣象減產(chǎn)量作逐步回歸分析，得到各省（市）糧食減產(chǎn)量與不同災(zāi)種的回歸模型，模型均通過(guò)0.01水平的顯著性檢驗(yàn)。與不區(qū)分災(zāi)種的農(nóng)業(yè)災(zāi)情統(tǒng)計(jì)數(shù)據(jù)所建立的糧食氣象減產(chǎn)量災(zāi)損模型相比，氣象災(zāi)害損失因子建立的模型決定系數(shù)R2略高，說(shuō)明在長(zhǎng)江中下游地區(qū)，各省（市）糧食氣象減產(chǎn)量由幾個(gè)主要的氣象災(zāi)害因子主導(dǎo)影響（表2），未進(jìn)入回歸方程的災(zāi)害類型災(zāi)情對(duì)糧食氣象減產(chǎn)量解釋程度較低，不足以產(chǎn)生敏感影響。各省（市）回歸模型中主要農(nóng)業(yè)氣象災(zāi)害主成分提取的累積貢獻(xiàn)率大部分大于70%，表示提取的災(zāi)損率主成分能較大程度代表不同程度災(zāi)損率。安徽省和江西省主要受洪澇和干旱兩種氣象災(zāi)害影響；江蘇省糧食減產(chǎn)量受到洪澇災(zāi)害的影響多于低溫；浙江省和湖南省主要受風(fēng)雹和臺(tái)風(fēng)影響；湖北省影響糧食氣象減產(chǎn)量最主要的氣象災(zāi)害是洪澇；上海主要受臺(tái)風(fēng)影響，與前人一些研究結(jié)果相符[26-31]。其中安徽省、湖北省和湖南省的兩個(gè)洪澇主成分Ff1和Ff2均進(jìn)入各省糧食減產(chǎn)模型中，累積方差超過(guò)88%，說(shuō)明洪澇災(zāi)害對(duì)這3個(gè)省份糧食減產(chǎn)影響較大。

2.2 基于總災(zāi)情數(shù)據(jù)和主要災(zāi)種災(zāi)情數(shù)據(jù)的糧食產(chǎn)量損失評(píng)估模型的擬合檢驗(yàn)比較

根據(jù)總災(zāi)情數(shù)據(jù)和主要災(zāi)種災(zāi)情數(shù)據(jù)建立的糧食產(chǎn)量評(píng)估模型計(jì)算糧食模擬產(chǎn)量。由圖2可見，除上海市外，其它各省糧食模擬產(chǎn)量與實(shí)際產(chǎn)量的擬合R2均大于0.9，模型擬合精度較高。上海市1949-2014年農(nóng)作物平均播種面積僅65.17×104hm2，平均受災(zāi)率、成災(zāi)率、絕收率分別為4.49%、1.35%、0.11%，其擬合精度低，可能與其糧食種植占農(nóng)作物種植的比重較小，受災(zāi)程度較低有關(guān)。兩個(gè)模型的決定系數(shù)（R2）除湖南省主要災(zāi)種產(chǎn)量模型低于總災(zāi)情產(chǎn)量模型外，其它6省（市）均為主要災(zāi)種建立的產(chǎn)量模型的R2高于總災(zāi)情產(chǎn)量模型。但經(jīng)單因素方差分析顯示，兩類模型的R2不存在顯著差異。

表3 長(zhǎng)江中下游各省（市）糧食氣象減產(chǎn)量（yw）與主要災(zāi)種因子的回歸模型

注：Rgc、Rga、Rgd分別表示不同災(zāi)種的受災(zāi)率、成災(zāi)率和絕收率，其中g(shù)為所提取的主成分災(zāi)種類型；Ff1、Ff2分別代表洪澇因子的兩個(gè)主成分。

Note: Rgc,Rga,Rgdrepresent covered rate, affected rate and destroyed rate of different disaster types, respectively, and g represents the principal component of the main disaster factor. Ff1, Ff2is representing two principal components of flood factors respectively. AC is accumulated contribution of the main disasters.

圖2 長(zhǎng)江中下游地區(qū)糧食實(shí)際產(chǎn)量與兩種災(zāi)情產(chǎn)量模型模擬值比較

2.3 糧食產(chǎn)量損失評(píng)估模型試報(bào)檢驗(yàn)

根據(jù)2015年災(zāi)情數(shù)據(jù)和糧食產(chǎn)量數(shù)據(jù)，將災(zāi)情數(shù)據(jù)代入總災(zāi)種產(chǎn)量評(píng)估模型和主要災(zāi)種產(chǎn)量評(píng)估模型中，試報(bào)2015年產(chǎn)量，比較二者的模擬精度。由于3a滑動(dòng)平均（江蘇、安徽）和5a滑動(dòng)平均（江西、湖北）的模擬趨勢(shì)產(chǎn)量需要所求年份趨勢(shì)產(chǎn)量的后1a、后2a產(chǎn)量數(shù)據(jù)計(jì)算，故在試報(bào)時(shí)分別選取改進(jìn)的3點(diǎn)滑動(dòng)平均損失的尾項(xiàng)計(jì)算式[32]，以及假設(shè)趨勢(shì)產(chǎn)量越接近試報(bào)年份參數(shù)系數(shù)越大的方法代替后幾年數(shù)據(jù)，其計(jì)算式分別為

依據(jù)趨勢(shì)產(chǎn)量和減產(chǎn)量模型，將2015年模擬產(chǎn)量與實(shí)際糧食產(chǎn)量相比較，由表4可見，除上海市外，其它省相對(duì)誤差均小于10%。江蘇省、安徽省、湖北省和湖南省模擬產(chǎn)量均大于實(shí)際產(chǎn)量，江蘇省、江西省以及安徽省總災(zāi)情產(chǎn)量模型模擬效果好于分災(zāi)種產(chǎn)量模擬。總體而言，模型誤差相對(duì)合理，能基本預(yù)測(cè)2015年各省（市）的實(shí)際產(chǎn)量。

2.4 糧食產(chǎn)量損失評(píng)估模型的誤差及其成因分析

圖3為長(zhǎng)江中下游7省（市）1981-2014年總災(zāi)情產(chǎn)量模型和主要災(zāi)種產(chǎn)量模型模擬產(chǎn)量與實(shí)際糧食產(chǎn)量的相對(duì)誤差。由圖可見，上海市與浙江省模型相對(duì)誤差波動(dòng)較大，總災(zāi)情產(chǎn)量模型和主要災(zāi)種產(chǎn)量模型相對(duì)誤差絕對(duì)值小于10%的占比分別為90.91%和96.54%，小于5%的占比分別為75.32%和80.87%。總災(zāi)害產(chǎn)量模型與主要災(zāi)種產(chǎn)量模型江蘇省、安徽省、上海市、浙江省、江西省、湖北省和湖南省30a相對(duì)誤差絕對(duì)值的多年平均值分別為2.07%、1.92%，3.07%、2.91%，8.30%、7.81%，7.76%、3.66%，1.40%、1.35%，3.04%、1.67%和1.06%、3.81%，擬合精度高。

農(nóng)作物災(zāi)情數(shù)據(jù)在統(tǒng)計(jì)時(shí)采用作物因?yàn)?zāi)減產(chǎn)百分比來(lái)定義受災(zāi)、成災(zāi)和絕收面積，不同的產(chǎn)量水平作物因?yàn)?zāi)減產(chǎn)量也存在差異。因此，基于未細(xì)化分作物種類的災(zāi)情數(shù)據(jù)擬合模型存在模擬誤差。長(zhǎng)江中下游地區(qū)主要糧食作物為稻類、冬小麥和玉米（包括大豆和薯類），其中稻類主要為早稻、中稻或一季晚稻、雙季晚稻三類。如圖4所示，近30a（1981-2014），上海市、浙江省、江蘇省和湖南省稻類種植面積有較大幅度的變化，其它各省基本呈波動(dòng)變化。冬小麥在安徽省和湖北省糧食種植結(jié)構(gòu)中占比較大，除江蘇省和上海市外，其它省呈逐漸縮小的趨勢(shì)。3種稻類年際變化幅度較大，江蘇省、安徽省、上海市、浙江省和湖南省早稻在過(guò)去30a明顯減少。除江西省外，長(zhǎng)江中下游其它6省（市）中稻、一季晚稻種植面積大幅增加。江蘇省、上海市、浙江省晚稻有小幅減少趨勢(shì)，且上海市從1990年開始不再種植早稻品種。江蘇省、上海市和浙江省雙季晚稻種植比例呈逐年下降趨勢(shì)，且江蘇省從2000年左右不再種植雙季晚稻品種。由于不同的糧食作物單位面積產(chǎn)量不同，對(duì)應(yīng)因?yàn)?zāi)損失的糧食產(chǎn)量也不同，長(zhǎng)江中下游各省大部分地區(qū)在近30a種植作物類型增加了單產(chǎn)較高的中稻、晚稻品種，導(dǎo)致糧食結(jié)構(gòu)發(fā)生變化，從而引起了糧食產(chǎn)量和因?yàn)?zāi)損失量的波動(dòng)變化。本研究采用平均單位產(chǎn)量計(jì)算糧食氣象減產(chǎn)量模擬糧食產(chǎn)量，忽視了不同類型糧食作物單產(chǎn)的波動(dòng)變化，成為模型存在一定誤差的原因之一。

表4 長(zhǎng)江中下游地區(qū)2015年糧食實(shí)際產(chǎn)量與災(zāi)情數(shù)據(jù)模擬產(chǎn)量比較（kg·hm?2）

圖3 1981-2014年長(zhǎng)江中下游地區(qū)兩種產(chǎn)量模型模擬產(chǎn)量與實(shí)際產(chǎn)量的相對(duì)誤差

圖4 1981-2014年長(zhǎng)江中下游地區(qū)各省份糧食作物種植面積

3 結(jié)論與討論

3.1 討論

（1）通過(guò)分析長(zhǎng)江中下游地區(qū)糧食產(chǎn)量與主要農(nóng)業(yè)氣象災(zāi)害災(zāi)情的關(guān)系，建立了不同程度災(zāi)損面積與糧食產(chǎn)量的模型，發(fā)現(xiàn)災(zāi)情統(tǒng)計(jì)資料（受災(zāi)面積、成災(zāi)面積和絕收面積）中，成災(zāi)面積與糧食氣象減產(chǎn)量關(guān)系更為密切，與王健等[19-20]研究結(jié)果一致。說(shuō)明該方法適用于中國(guó)三大糧食主產(chǎn)區(qū)的糧食產(chǎn)量預(yù)測(cè)。已有研究結(jié)果表明，糧食災(zāi)損模型模擬精度而言，東北三省的擬合度最高，最高R2為0.87[19]；Liu等將華北地區(qū)的糧食減產(chǎn)量與受災(zāi)率、成災(zāi)率和絕收率擬合，建立了模擬精度較好的變量多元回歸模型[20]；本研究所建立的長(zhǎng)江中下游地區(qū)糧食災(zāi)損模型，災(zāi)損變量并未全部進(jìn)入方程中，導(dǎo)致糧食災(zāi)損模型模擬精度降低。東北地區(qū)單季種植，糧食種植結(jié)構(gòu)變化相對(duì)平穩(wěn)，可能是增加模型解釋性的重要原因之一；華北地區(qū)以麥玉輪作體系為主，氣象災(zāi)害與糧食產(chǎn)量關(guān)系的密切程度高于長(zhǎng)江中下游地區(qū)。相比之下，長(zhǎng)江中下游地區(qū)復(fù)種指數(shù)高、種植結(jié)構(gòu)變化大、災(zāi)情復(fù)雜并沒(méi)有降低其模型的模擬精度，但還需要通過(guò)進(jìn)一步研究地區(qū)間各要素的差異以探究其原因。

（2）總災(zāi)情產(chǎn)量模型與主要災(zāi)種產(chǎn)量模型決定系數(shù)（R2）不存在顯著性差異，主要災(zāi)種產(chǎn)量模型部分災(zāi)情數(shù)據(jù)變量可解釋總災(zāi)情產(chǎn)量損失情況，因此數(shù)據(jù)統(tǒng)計(jì)可減少各省部分災(zāi)情變量資料統(tǒng)計(jì)。

（3）本研究采用所有糧食作物的平均單產(chǎn)作為研究對(duì)象，沒(méi)有考慮糧食作物結(jié)構(gòu)對(duì)區(qū)域糧食單產(chǎn)的影響；在災(zāi)情統(tǒng)計(jì)數(shù)據(jù)建立的災(zāi)損模型中，入選變量?jī)H成災(zāi)率和絕收率，說(shuō)明損失程度較低的受災(zāi)率對(duì)糧食減產(chǎn)量的影響不大，需要進(jìn)一步驗(yàn)證；長(zhǎng)江中下游地區(qū)糧食結(jié)構(gòu)較為復(fù)雜，受季風(fēng)氣候影響，農(nóng)業(yè)氣象災(zāi)害不確定性較東北和華北地區(qū)大，僅考慮災(zāi)情數(shù)據(jù)建立簡(jiǎn)單的多元回歸方程在預(yù)測(cè)未來(lái)長(zhǎng)期糧食產(chǎn)量的應(yīng)用中還需進(jìn)一步檢驗(yàn)其模型的穩(wěn)健性。隨著氣候變暖的影響和對(duì)產(chǎn)量需求的增加，長(zhǎng)江中下游地區(qū)不斷擴(kuò)大高產(chǎn)作物種植范圍，為提高預(yù)測(cè)糧食作物因?yàn)?zāi)損失以及糧食產(chǎn)量的模擬水平，在產(chǎn)量模擬時(shí)，應(yīng)量化不同作物單產(chǎn)水平下災(zāi)害損失對(duì)災(zāi)情數(shù)據(jù)的影響。由于長(zhǎng)江中下游流域，長(zhǎng)江以北主要受旱澇影響，以南主要受洪澇和風(fēng)雹影響，浙江省則受臺(tái)風(fēng)影響更大，進(jìn)一步研究不同災(zāi)害對(duì)糧食減產(chǎn)量的影響并細(xì)化和定量化災(zāi)情等級(jí)，對(duì)提高未來(lái)產(chǎn)量預(yù)測(cè)的精確度具有重要的意義。

3.2 結(jié)論

（1）對(duì)于農(nóng)作物種植結(jié)構(gòu)變化大、復(fù)種指數(shù)高、災(zāi)情復(fù)雜的長(zhǎng)江中下游地區(qū)，災(zāi)情統(tǒng)計(jì)數(shù)據(jù)仍然可以定量表征糧食減產(chǎn)量。基于災(zāi)情建立的糧食產(chǎn)量模型可以解釋90%左右的糧食產(chǎn)量，試報(bào)驗(yàn)證結(jié)果良好，可用于預(yù)測(cè)未來(lái)短期糧食產(chǎn)量，有利于農(nóng)業(yè)部門根據(jù)易于獲取的農(nóng)情資料評(píng)估區(qū)域糧食產(chǎn)量并分析災(zāi)情分布規(guī)律。

（2）種植結(jié)構(gòu)隨時(shí)間維度變化波動(dòng)較小的地區(qū)，糧食作物因?yàn)?zāi)損失逐年變化不大的地區(qū)，以及較少受臺(tái)風(fēng)這種短時(shí)間極端天氣影響的地區(qū)，糧食減產(chǎn)量模擬的精度更高。

（3）不同的趨勢(shì)產(chǎn)量擬合方法，糧食災(zāi)損模型的擬合精度不同，因此，趨勢(shì)產(chǎn)量模擬方法的篩選對(duì)于產(chǎn)量模擬誤差的控制及模型模擬精度的提高至關(guān)重要。

[1]Liu Y,Gao B B,Pan Y C.Assessing the fluctuation characteri- stics of grain output in China[J].Outlook on Agriculture, 2015, 44(3):243-251.

[2]IPCC.Climate change 2014:impacts,adaptation, and vulnerabi- lity[M].Cambridge:Cambrige University Press,2014: 833-868.

[3]李勇,楊曉光,葉清,等.全球氣候變暖對(duì)中國(guó)種植制度可能影響Ⅸ:長(zhǎng)江中下游地區(qū)單雙季稻高低溫災(zāi)害風(fēng)險(xiǎn)及其產(chǎn)量影響[J].中國(guó)農(nóng)業(yè)科學(xué),2013,46(19):3997-4006.

Li Y,Yang X G,Ye Q,et al.The possible effects of global warming on cropping systems in China IX:the risk of high and low temperature disasters for single and double rice and its impacts on rice yield in the Middle-Lower Yangtze Plain[J].Scientia Agriculture Sinica,2013,46(19):3997-4006. (in Chinese)

[4]Hu C S,Xu Y P,Han L F,et al.Long-term trends in daily precipitation over the Yangtze River Delta region during 1960-2012,Eastern China[J].Theoretical and Applied Climatol- ogy,2015,125(1-2):131-147.

[5]Su B D,Jiang T,Jin W B.Recent trends in observed temperature and precipitation extremes in the Yangtze River basin,China[J].Theoretical and Applied Climatology,2005,83 (1-4):139-151.

[6]盧麗萍,程叢蘭,劉偉東,等.30年來(lái)我國(guó)農(nóng)業(yè)氣象災(zāi)害對(duì)農(nóng)業(yè)生產(chǎn)的影響及其空間分布特征[J].生態(tài)環(huán)境學(xué)報(bào),2009, 18(4):1573-1578.

Lu L P,Cheng C L,Liu W D,et al.Effect of the agricultural meteorological disasters on agricultural production and its spatial distribution characteristics during the last 30 years in China[J].Ecology and Environmental Sciences,2009,18(4): 1573-1578.(in Chinese)

[7]Zhang J Q.Risk assessment of drought disaster in the maize-growing region of Songliao Plain,China[J]. Agriculture, Ecosystems & Environment,2004,102(2):133-153.

[8]Zhang D,Wang G L,Zhou H C.Assessment on agricultural drought risk based on variable fuzzy sets model[J].Chinese Geographical Science,2011,21(2):167-175.

[9]高曉容,王春乙,張繼權(quán),等.東北地區(qū)玉米主要?dú)庀鬄?zāi)害風(fēng)險(xiǎn)評(píng)價(jià)與區(qū)劃[J].中國(guó)農(nóng)業(yè)科學(xué),2014,47(24):4805-4820.

Gao X R,Wang C Y,Zhang J Q,et al.A risk assessment system of the main meteorological disasters for maize in Northeast China[J].Scientia Agriculture Sinica,2014,47(24):4805-4820. (in Chinese)

[10]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,2012, 13(4):743-759.

[11]Xie N M,Xin J H,Liu S F.China’s regional meteorological disaster loss analysis and evaluation based on grey cluster model[J].Natural Hazards,2013,71(2):1067-1089.

[12]陳紀(jì)波,胡慧,陳克垚,等.基于非線性PLSR模型的氣候變化對(duì)糧食產(chǎn)量的影響分析[J].中國(guó)農(nóng)業(yè)氣象,2016,37(6): 674-681.

Chen J B,Hu H,Chen K Y,et al.Effects of climate change on the grain yield based on nonlinear PLSR model[J].Chinese Journal of Agrometeorology,2016,37(6):674-681.

[13]張建平,王春乙,趙艷霞,等.基于作物模型的低溫冷害對(duì)我國(guó)東北三省玉米產(chǎn)量影響評(píng)估[J].生態(tài)學(xué)報(bào),2012,32(13): 4132-4138.

Zhang J P,Wang C Y,Zhao Y X,et al.Impact evaluation of low temperature to yields of maize in Northeast China based on crop growth model[J].Acata Ecologica Sinica,2012, 32(13):4132-4138.(in Chinese)

[14]鄧國(guó),王昂生,周玉淑,等.中國(guó)糧食產(chǎn)量不同風(fēng)險(xiǎn)類型的地理分布[J].自然資源學(xué)報(bào),2002,17(2):210-215.

Deng G,Wang A S,Zhou Y S,et al.Geographical distribution of China’s grain yield risk area[J].Journal of Natural Resources,2002,17(2):210-215.(in Chinese)

[15]傅澤強(qiáng),蔡云龍,李軍.我國(guó)農(nóng)業(yè)水旱災(zāi)害的時(shí)間分布及重災(zāi)年景趨勢(shì)預(yù)測(cè)[J].自然災(zāi)害學(xué)報(bào),2002,11(2):7-13.

Fu Z Q,Cai Y L,Li J.Temporal distribution and trend prediction of agricultural flood and drought disasters in China[J].Journal of Natural Disasters,2002,11(2):7-13.(in Chinese)

[16]王道龍,鐘秀麗,李茂松,等.20世紀(jì)90年代以來(lái)主要?dú)庀鬄?zāi)害對(duì)我國(guó)糧食生產(chǎn)的影響與減災(zāi)對(duì)策[J].災(zāi)害學(xué),2006, 21(1):18-22.

Wang D L,Zhong X L,Li M S,et al.Impacts of main agro- meteorological disasters on China agriculture since the 1990s and the disaster mitigation strategies[J].Journal of Catastrophology,2006,21(1):18-22.(in Chinese)

[17]房世波,陽(yáng)晶晶,周廣勝.30年來(lái)我國(guó)農(nóng)業(yè)氣象災(zāi)害變化趨勢(shì)和分布特征[J].自然災(zāi)害學(xué)報(bào),2011,20(5):69-73.

Fang S B,Yang J J,Zhou G S.Change trend and distributive characteristics of agrometeorological disasters in China in recent 30 years[J].Journal of Natural Disasters,2011,20(5): 69-73.(in Chinese)

[18]林志宇,田貴良.氣象災(zāi)害對(duì)福建糧食產(chǎn)量影響的灰色關(guān)聯(lián)分析[J].中國(guó)農(nóng)業(yè)氣象,2016,37(1):77-83.

Lin Z Y,Tian G L.Grey correlation analysis of meteorological disasters affecting grain yields in Fujian province[J].Chinese Journal of Agrometeorology,2016,37(1): 77-83.

[19]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(guó)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)

[20]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.

[21]錢永蘭,毛留喜,周廣勝.全球主要糧食作物產(chǎn)量變化及其氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(1):226-235.

Qian Y L,Mao L X,Zhou G S.Changes in global main crop yield and its meteorogical risk assessment[J].Transactions of the CSAE,2016,32(1):226-235.(in Chinese)

[22]Zhang J.Risk assessment of drought disaster in the maize- growing region of Songliao Plain,China[J].Agriculture,Ecosyste ms & Environment,2004,102(2):133-153.

[23]王馥棠,馮定原,張宏銘,等.農(nóng)業(yè)氣象預(yù)報(bào)概論[M].北京:農(nóng)業(yè)出版社,1991:432-455.

Wang F T,Feng D Y,Zhang H M,et al.Introduction to agro-meteorological forecast[M].Beijing:China Agricultural Press,1991:432-455.(in Chinese)

[24]徐磊,張峭.中國(guó)農(nóng)業(yè)巨災(zāi)風(fēng)險(xiǎn)評(píng)估方法研究[J].中國(guó)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 Agriculture Sinica, 2011,44(9):1945-1952.(in Chinese)

[25]李桂忱,胡朝霞.暴雨洪澇災(zāi)害災(zāi)情級(jí)別及其空間分布[J].中國(guó)減災(zāi),1997,7(2):47-50.

Li G C,Hu Z X.Rainstorm and flood disaster level and it is spatial distribution[J].Disaster Reduction in China,1997,7(2): 47-50.(in Chinese)

[26]馮明,劉可群,毛飛.湖北省氣候變化與主要農(nóng)業(yè)氣象災(zāi)害的響應(yīng)[J].中國(guó)農(nóng)業(yè)科學(xué),2007,40(8):1646-1653.

Feng M,Liu K Q,Mao F.Climate change and main response to agrometeorological disasters in Hubei province[J]. Scientia Agriculture Sinica,2007,40(8):1646-1653.(in Chinese)

[27]胡菊芳,張超美,彭靜.江西省主要?dú)庀鬄?zāi)害年代際變化特征分析[J].氣象與減災(zāi)研究,2007,30(4):37-42.

Hu J F,Zhang C M,Peng J.Characteristics analysis on inter- decadal variation of main meteorological disasters in Jiangxi[J].Meteorology and Disaster Reduction Research, 2007,30(4):37-42.(in Chinese)

[28]張愛(ài)民,馬曉群,楊太明,等.安徽省旱澇災(zāi)害及其對(duì)農(nóng)作物產(chǎn)量影響[J].應(yīng)用氣象學(xué),2007,18(5):619-625.

Zhang A M,Ma X Q,Yang T M,et al.The influence of drought and waterlogging disasters on crop yields in Anhui province[J].Journal of Applied Meteorological Science,2007, 18(5):619-625.(in Chinese)

[29]蘇高利,苗長(zhǎng)明,毛裕定,等.浙江省臺(tái)風(fēng)災(zāi)害及其對(duì)農(nóng)業(yè)影響的風(fēng)險(xiǎn)評(píng)估[J].自然災(zāi)害學(xué)報(bào),2008,17(5):113-119.

Su G L,Miao C M,Mao Y D,et al.Typhoon hazard in Zhejiang province and risk assessment of its influence on agriculture[J].Journal of Natural Disasters,2008,17(5): 113-119.(in Chinese)

[30]石磊,王勝,盛紹學(xué).近50年安徽省氣候年景評(píng)估方法[J].地理研究,2012,31(9):1580-1588.

Shi L,Wang S,Sheng S X.Study on the method of annual climatic assessment of Anhui province in the past 50 years[J].Geographical Research,2012,31(9):1580-1588.(in Chinese)

[31]史軍,肖風(fēng)勁,穆海振,等.上海地區(qū)臺(tái)風(fēng)災(zāi)害損失評(píng)估[J].長(zhǎng)江流域資源與環(huán)境,2013,22(7):952-957.

Shi J,Xiao F J,Mu H Z,et al.Losses assessment of typhoon disaster in Shanghai during 1949-2009[J].Resources and Environment in the Yangtze Basin,2013,22(7):952-957.(in Chinese)

[32]楊若子.東北玉米主要農(nóng)業(yè)氣象災(zāi)害的時(shí)空特征與風(fēng)險(xiǎn)綜合評(píng)估[D].北京:中國(guó)氣象科學(xué)院,2015.

Yang R Z. Spatical-temporal characteristics and comprehensive risk assessment of main agro-meteorological hazards for maize in Northeast China[D]Beijing:The Chinese Academy of Meteorological Sciences,2015.(in Chinese)

Grain Yield Loss Evaluation Based on Agro-meteorological Disaster Exposure in the Middle-Lower Yangtze Plain

ZHANG Yi1，LIU Bu-chun1，YANG Xiao-juan1，LIU Yuan1，BAI Wei1，DONG Bo-chao1, 2

（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, MOA, Beijing 100081, China; 2．College of Agronomy, Shenyang Agricultural University, Shenyang 110866）

Multiple linear regression analysis was used to identify the relationship between grain climate yield loss and the covered, affected and destroyed areas of crop, based on statistical data of crop disasters and grain yield (1949-2014) in the Middle Lower Yangtze Plain. Principal component analysis (PCA) was used to evaluate the impacts of main agro-meteorological disasters on grain climate loss. The results showed that the grain climate yield loss was significantly correlated with the whole disaster exposure at the province level (P＜0.05), and the correlation also reached extremely significant (P＜0.01), except for Hunan province. Specifically, the affected area was more closely related to grain climate yield loss. The coefficients of determination (R2) of the whole disaster exposure of yield regression models were over 0.9 except for shanghai city. According to the correlation between grain climate yield and drought, flood, windstorm, chilling, and typhoon to establish the main disaster exposure yield model, R2of model was higher than the whole disaster exposure yield model, except for Hunan province. However, there was no significant difference between the two models based on single factor variance analysis. Two types of model error were mainly due to the fluctuation of grain crop planting structure. The model of disaster damage and yield assessment established in this study simulated the relationship between disaster exposure and grain yield. The predication results indicated that the disaster exposure model would be used as the short-term prediction for grain yield in the Middle Lower Yangtze Plain by using the data of disaster area in 2015.

The loss caused by disasters; Meteorological disaster; Yield simulation model; Losing rate; Disaster loss evaluation

10.3969/j.issn.1000-6362.2018.04.007

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

2017-07-21

。E-mail: liubuchun@caas.cn

農(nóng)業(yè)行業(yè)專項(xiàng)課題“季節(jié)性干旱災(zāi)變危害評(píng)價(jià)與預(yù)警和旱災(zāi)防控預(yù)案”（201203031-02）；中國(guó)農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程（CAAS-ASTIP-2014-IEDA）

張軼（1992-），女，碩士，主要研究方向?yàn)檗r(nóng)業(yè)氣象災(zāi)害減災(zāi)與天氣指數(shù)保險(xiǎn)。E-mail: yizhangcaas@163.com