近30年河南省冬小麥氣象年景的時空演變及其與大氣環流的聯系

田宏偉, 胡程達, 黃 進, 張方敏

(1.中國氣象局 河南省農業氣象保障與應用技術重點實驗室， 鄭州 450003; 2.河南省氣象科學研究所，鄭州 450003; 3.南京信息工程大學 應用氣象學院, 南京 210044)

伴隨著全球氣候變暖，許多地區地表太陽輻射呈顯著減弱趨勢，同時降水年際波動增大，洪澇干旱等極端水文事件頻繁發生，這些都給農業生產特別是糧食安全帶來了極大的風險和挑戰[1]。地處東亞季風區，中國既是糧食生產消費大國也是全球主要的氣候脆弱區之一，日益加劇的氣候變化對農業生產構成的威脅越來越大[2]。相對氣侯產量表征的農業氣象年景綜合反映了作物生長發育和產量形成期間氣候條件組合對收成的最終影響，解析并預估氣象年景可以有效地為農業生產提供豐、平、欠產等重要信息，使之合理調整種植計劃并采取有效農技措施，進而保障農作物的豐產穩產[3]。大氣環流異常是引發災害天氣、氣候異常的主要原因，其通過影響農業氣象要素的變化進而影響氣象年景的豐歉[4]。結合海洋及大氣相關信息的大尺度環流指數可以提供區域氣候年際變化的前兆信號，大量研究表明區域氣候要素與環流指數之間存在著顯著的時滯遙相關性[5]。因此，構建區域作物氣候產量與不同類型大尺度環流指數的線性關系，對氣象年景有著前兆性指示作用，能夠實現較長前置期的產量預測。但目前針對作物氣侯產量與環流指數的研究相對較少。河南省是我國農業大省，是我國糧食生產的核心產區，尤其是其冬小麥的產量與種植面積均為全國第一[6]。鑒于此，探求河南省冬小麥氣象年景的時空演變及其對環流指數的響應對保障區域糧食安全有著重要價值。

1 資料與方法

1.1 基本數據

河南省18個市冬小麥單位面積產量及相關災情數據主要來源于年河南省統計年鑒、河南省農村統計年鑒、中國氣象災害大典河南卷等資料，由于1988年前的相關記錄缺失較多，故本研究計算分析的時段設置為1988—2017年。由于濟源市成立于1997年，相關資料年限較短，因此不在研究范圍內。15種大尺度大氣環流指數(Large-scale atmospheric circulation indices,LACI)1988—2017年的逐月數據由美國國家大氣海洋局(NOAA)氣候預測中心(https:∥www.esrl.noaa.gov)提供，其分別為太平洋—北美遙相關型(PNA)、東太平洋/北太平洋濤動(EP/NP)、西太平洋遙相關型(WP)、北大西洋濤動(NAO)、南方濤動(SOI)、熱帶北大西洋海溫(TNA)、熱帶南大西洋海溫(TSA)、西半球暖池指數(WHWP)、混合ENSO指數(MEI)、厄爾尼諾-3區的平均海面溫度(NINO3)、厄爾尼諾1+2區的平均海面溫度(NINO1+2)、厄爾尼諾-4區的平均海面溫度(NINO4)、厄爾尼諾-3.4區的平均海面溫度(NINO3.4)、太平洋年代際振蕩(PDO)、北太平洋遙相關型(NP)。

1.2 冬小麥氣候產量指數的提取

氣候產量指數(Climate-driven yield index，CDYI)由公式CDYIi=100×(Yai/Ymi-1)計算，其中Yai為作物單產的逐年序列；Ymi為社會、技術等非氣候因素導致的趨勢產量序列，其為實際產量序列與年份序列基于數學模型的擬合結果[7]。常用于分離趨勢產量的擬合模型有線性回歸、5年滑動平均、指數函數、冪函數、二次函數、Logistic函數、HP濾波等。作物趨勢產量反映了地區生產力水平的長期變化，與農業投入、作物品種更新、社會經濟變革等因素密切相關，不同地級市間農業經濟增速水平的差異會導致趨勢產量的年際變化存在著一定區域差異。因此對不同擬合模型生成的趨勢產量曲線進行篩選有利于確保最終氣候產量的準確性[8]。理論上氣候產量應與綜合農業氣象條件高度相關[7]，通過比對不同擬合模型生成的氣候產量和歷史災情數據間關聯性，本文甄別出了各市冬小麥分離趨勢產量進而提取氣候產量的最優方案，其結果如下：線性回歸適用于鄭州、洛陽、平頂山、焦作、南陽這5個市；HP濾波適用于開封、濮陽、許昌、漯河、商丘這5個市；二次函數適用于安陽、新鄉、鶴壁、三門峽這4個市；滑動5年平均適用于信陽、駐馬店；指數函數適用于周口。

1.3 氣候產量指數的時空分析方法

主成分分析在識別氣候變量相似及分異性的區劃中有著廣泛應用，其作用于多樣本(站點)單一指標時間序列構成的矩陣時，新生成的若干主成分得分序列表征了研究區不同類型的年際變化，不同主成分在各站點原始序列的載荷可有效地用于空間尺度的氣候分區[9]。集合經驗模態分析(EEMD,Ensemble Empirical Mode Decomposition)可以有效地從離散無序的信號序列中提取各尺度趨勢分量，剝離出的有限本征模函數IMF(Intrinsic Mode Function)分量體現了基于不同時間尺度的原信號序列的局部特征[10]。滑動T檢驗是把一連續的時間序列分成若干個子序列(子序列的長度一般設置為5 a)，通過考察相鄰兩個子序列均值有無顯著差異來檢驗氣候指標序列是否發生突變[11-12]。

2 結果與分析

2.1 基于各市冬小麥CDYI年際變化的氣候分區

為了辨識冬小麥氣象年景年際變化特征的空間差異，將各地級市冬小麥氣候產量指數(CDYI)逐年序列構建的17列(17個地級市)×45行(30 a)的矩陣導入統計軟件SPSS中進行主成分分析。圖1中前4個主成分(PC)累積方差貢獻率超過了80%，且各主成分的特征根均大于2。鑒于此，17個地級市冬小麥CDYI年際變化情形可以識別出4個典型模態。圖2中的載荷表征了4種變化模態與各地級市CDYI序列的相關性，以載荷值高于0.7為閾值可精準地將研究區劃分為與4個主成分相對應的子區域。其中，區域Ⅰ對應了濮陽、開封、商丘、許昌、周口、平頂山、漯河這個7個城市所在的中東部；區域Ⅱ對應了鄭州、洛陽、三門峽、南陽這4個城市所在的的西部；區域Ⅲ對應了包括安陽、鶴壁、新鄉、焦作這4個城市所在的北部；區域Ⅳ對應了包括駐馬店、信陽這2個城市所在的南部。這一區劃結果與河南省主要地形的空間分布較一致，特別是區域Ⅰ，Ⅱ分別對應了黃河、淮河淤積而成的黃淮海平原區以及黃土高原東側的山地丘陵區[13]。研究區境內自南向北由亞熱帶向暖溫帶氣候過渡、自東向西由平原向丘陵山地氣候過渡的2種過渡性是造成相關氣候指數年際變化區域差異主要原因[14]。

圖1 17個市冬小麥CDYI序列主成分分析結果

圖2 各主成分對應載荷的空間分布

基于圖2的區劃結果，對各分區所含城市的CDYI序列求區域平均，進而得到各分區近30 a冬小麥氣象年景的年際變化過程。圖3給出了主成分得分序列(PCS)及其對應的區域平均CDYI序列，可以發現各分區PCS序列和CDYI序列間存在極強的線性關系，R2均超過了著0.95，這進一步驗證了利用主成分分析識別冬小麥氣象年景變化區域差異的可靠性。由圖3可以發現，各分區冬小麥CDYI的年際變化均在2000年前呈現出較大幅度的波動，而在2000年后CDYI的波動明顯較小。這與河南省主要農業氣象災害受災及成災面積的演變過程高度吻合，其1988—2002年為第一階段，受災面積波動均較大；2003年以后為第二階段，受災面積波動較平緩[15]。此外，各分區CDYI負值所表征的嚴重減產年也分布在2000年以前，這與研究區受災率和成災率年代際變化相一致，其1980s和1990s相對較高，而2000s較低[16]。總體而言，2000年后河南省冬小麥氣象年景進入了波動相對平緩的階段。

圖3 各子區域PCS序列及對應的CDYI序列

2.2 各分區冬小麥CDYI的突變特征

圖3給出了各分區冬小麥CDYI滑動T檢驗的結果，以此描述研究區冬小麥氣象年景的突變特征。如圖4A所示，河南省中東部地區(區域I)的CDYI分別在2006年、2011年發生的顯著突變，并呈現出先增加后減少的變化過程。圖4B中河南省西部地區的CDYI也呈現出先增加后減少的演變過程，其分別在2003年、2011年發生突變，但T檢驗統計量只是接近并未通過顯著性水平。圖3C中河南省北部地區CDYI的突變檢驗結果尤為顯著，1995年、2001年、2006年、2011年這4個轉折點的統計量均通過了顯著性水平，其呈現出增加—減少—增加—減少的波浪型演變。相比較其他3個分區，圖4D中河南省南部地區的CDYI呈現極為平緩的變化，其突變點均沒有通過檢驗水平，且T統計量僅在-1.5～1.5的區間中浮動。總體而言，河南省北部地區冬小麥的氣象年景呈現更為劇烈的年代際波動。這一區域差異與該省冬小麥主要農業氣象災害綜合風險評估的區劃結果相一致，河南省北部是多災種綜合危險性的高值區，其危險性由北往南呈減少態勢[17]。

2.3 各分區冬小麥CDYI的周期特征

圖5給出了各分區冬小麥CDYI的EEMD分析結果，以此描述研究區冬小麥氣象年景的周期性特征。如圖5A，5B，5D所示，河南省中東部、西部、南部地區CDYI的演變均呈現出以3 a為主周期的高頻振蕩，體現在各分區CDYI的IMF1分量的方差貢獻率均接超過了65%，所占比重為最高。與上述3個分區不同的是河南省北部CDYI序列呈現出周期為7.5年的中頻振蕩，其對應IMF2分量的方差貢獻率均達到了63.3%。總體而言，河南省冬小麥氣象年景的周期性與這其降水量Morlet小波分析的結果相接近，均存在著3～8 a的振蕩周期[18]。

2.4 各分區冬小麥CDYI對大氣環流指數的敏感性分析

鑒于河南省冬小麥的生育期大致為前年9月—當年5月，依托CDYI的逐年序列、前年7月—當年5月(共計11個月)期間各月份LACI(共計15種)的逐年序列，計算得到了CDYI與生育期前后不同月份LACI的相關系數(每個CDYI序列對應了15×11個LACI序列)。由表1可以發現，河南省冬小麥氣象年景與大尺度環流指數間的相關性存在顯著的區域差異。4個氣候分區中，中東部地區(區域Ⅰ)CDYI與LACI的相關性最為顯著，其中48組相關性通過了0.05顯著性水平，更有15組相關性通過了0.01顯著性水平。值得指出的是中東部地區CDYI與各月WHWP，MEI，NINO3，NINO1+2，NINO4，NINO3.4相關系數的均值在-0.3～-0.4間浮動，特別是與NINO1+2的負相關系數高達-0.57。反觀其他3個分區，CDYI與LACI的相關性明顯較弱，其中相關系數絕對值的最大值在0.32～0.49間浮動，且通過0.05顯著性水平的相關性更是不超過2組。現有研究中河南省冬小麥氣候產量與生育期中降水、氣溫等氣象要素的相關系數在-0.39～0.32間浮動[19-20]，相較而言，大尺度環流指數對冬小麥產量波動有著更好的指示作用，特別是ENSO信號對河南省中東部地區冬小麥產量有著較好的預估效果。

圖4 各分區冬小麥CDYI序列滑動T檢驗結果

圖5 各分區CDYI序列EEMD分解結果

表1 各分區CDYI與生育期前后不同月份LACI的相關系數匯總

對冬小麥CDYI與生育期前后不同月份LACI進行歸一化處理，并采用多元逐步回歸來簡化CDYI與LACI間的線性關系，進而得到各分區CDYI對關鍵月份環流指數波動的敏感性。由表2可知，NINO1+2_Dec，PDO_Dec，NAO_Apr，SOI_Jan分別為影響區域Ⅰ，Ⅱ，Ⅲ，Ⅳ冬小麥氣象年景的關鍵環流指數。其中，NINO1+2_Dec每增加1%，會導致中東部CDYI減產0.56%；PDO_Dec每增加1%，會導致西部CDYI增產0.37%；NAO_Apr每增加1%，會導致北部CDYI減產0.34%；PDO_Jan每增加1%，會導致中西部CDYI增產0.21%。表2中R2的差異進一步說明了環流信號對中東部地區冬小麥的氣象年景有著更好的指示作用。一方面，春季降水過多及其誘發的低溫寡照是制約平原地區冬小麥產量的主要不利因素[21]。另一方面，前冬期ESNO異常對華北春季降水有較好的指示意義，春季降水和前冬期NINO區海溫指數存在顯著的正相關性：當前冬NINO區海溫負異常時,春季降水偏少;而正異常時,春季降水偏多[22]。因此中東部冬小麥的CDYI與前年12月份NINO1+2有著極顯著的負相關性。相比較而言，河南西部、北部、南部這3個分區復雜的山地丘陵地形可能導致了CDYI與LACI的線性關系較弱。

表2 各分區CDYI關鍵LACI的線性關系

3 結 論

(1) 本研究計算并提取了河南省17個市近30 a冬小麥氣CDYI，主成分分析指出研究區以劃分成中東部、西部、南部、北部這4個呈現不同氣象年景演變特征的子區域。

(2) 河南省中東部與西部冬小麥的氣象年景呈現出先增加后減少的演變過程；北部冬小麥的氣象年景呈現出增加—減少—增加—減少的波浪型振蕩；南部地區冬小麥的氣象年景則呈現出較為平緩的年代際波動。

(3) NINO1+2_Dec，PDO_Dec，NAO_Apr，SOI_Jan分別為影響中東部、西部、南部、北部冬小麥氣象年景的關鍵大氣環流指數。

(4) 中東部冬小麥的氣象年景對環流指數異常更為敏感，NINO1+2_Dec每增加1%會導致小麥產量減產0.56%。