中国水稻潜在分布及其气候特征
第31卷第22期
2011年11月生态学报ACTAECOLOGICASINICAVol.31,No.22Nov.,20112011,31(22):6659-6668.段居琦,周广胜.中国水稻潜在分布及其气候特征.生态学报,
ZhouGS.Potentialdistributionofriceinchinaanditsclimatecharacteristics.ActaEcologicaSinica,2011,31(22):6659-6668.DuanJQ,
中国水稻潜在分布及其气候特征
1,21,3,*段居琦,周广胜
(1.中国气象科学研究院,北京100081;2.南京信息工程大学大气物理学院,南京210044;
3.中国科学院植物研究所植被与环境变化国家重点实验室,北京100093)
摘要:基于全国层次和年尺度筛选的影响中国水稻分布的潜在气候指标,结合水稻地理分布信息,利用最大熵模型和ArcGIS软件的空间分析功能,分析了中国水稻潜在分布及其气候特征。结果表明:年降水量(P)、湿润指数(MI)、稳定通过18℃持续日数(N18)和≥10℃积温(∑T10)4个因子是影响水稻分布的主导气候因子,其累积贡献百分率达97.6%。采用主导气候因子作为环境变量重建气候水稻分布关系的最大熵模型,利用重建的最大熵模型给出的中国水稻存在概率,对中国水稻潜在分布区的气候适宜等级进行了划分,并分析了各适宜区的气候特征。研究结果可为中国水稻生产布局及制定应对气候变化政策提供参考。
关键词:水稻;主导气候因子;潜在分布;气候特征;最大熵模型
Potentialdistributionofriceinchinaanditsclimatecharacteristics
23,*DUANJuqi1,,ZHOUGuangsheng1,
1ChineseAcademyofMeteorologicalSciences,Beijing100081,China
2SchoolofAtmosphericPhysics,NanjingUniversityofInformationScienceandTechnology,Nanjing210044,China
3StateKeyLaboratoryofVegetationandEnvironmentalChange,InstituteofBotany,ChineseAcademyofSciences,Beijing100093,China
Abstract:InordertoprovidethescientificsupportforpaddyriceproductionplanningandcountermeasurestocopewithclimatechangeinChina,basedonclimateindicesatnationallevelandannualscaleinfluencingthedistributionofpaddyriceplantingzone,togetherwiththegeographicaldistributionofpaddyriceplantingzoneinChinaandthemaximumentropy(MaxEnt)modelandtheArcGISspatialanalysistechnique,thepotentialdistributionofpaddyriceinChinaanditsclimatecharacteristicswerestudiedinthispaper.ThecandidateclimatefactorsaffectingthepotentialdistributionofpaddyriceinChinaareobtainedfromtheliteratures,andtheyincludetheaccumulatedtemperatureofnotlessthan0℃(∑T0),theaccumulatedtemperatureofnotlessthan10℃(∑T10),daysofnotlessthan10℃stably(N10),daysofnotlessthan18
℃stably(N18),meantemperatureofthecoldestmonth(TC),meantemperatureofthewarmestmonth(TW),annual
rangeoftemperature(ART),annualprecipitation(P)andMoistureindex(MI).TheresultsshowthattheMaxEntmodelisabletobeappliedtothestudyonpotentialdistributionofpaddyriceplantingzoneinChina,thedominantclimatefactorsaffectingpaddyricepotentialdistributionincludeannualprecipitation(P),moistureindex(MI),daysofnotlessthan18℃stably(N18),andtheaccumulatedtemperatureofnotlessthan10℃(∑T10),whichcontributeabout97.6%of
theselectedclimatefactors.ThepotentialdistributionofpaddyriceinChinaanditsacclimationclassificationaregivenaccordingtotheexistenceprobabilityfromMaxEntmodel,togetherwiththedominantclimatefactorsandthepossibilityassessmentmethodoffutureclimatechangefromtheinternationalpanelofclimatechange(IPCC).Theclimaticsuitability
namelyunsuitablezone(P<0.05),lowsuitabilityzone(0.05≤ofpaddyriceinChinacanbeclassifiedintofourclasses,
基金项目:国家重点基础研究发展计划(2010CB951303);公益性行业(农业)科研专项经费(200903003);中国气象局经常性业务经费收稿日期:2011-03-03;修订日期:2011-08-22
*通讯作者Correspondingauthor.E-mail:gszhou@ibcas.ac.cn
6660生态学报31卷P<0.33),suitabilityzone(0.33≤P<0.66)andmaximumsuitabilityzone(P≥0.66).ThemaximumsuitabilityzoneincludesthenorthernpartofJiangxiProvinceandsomepartsofHainanProvince;thesuitabilityzoneincludesthenortheasternplain,thehillregionoftheeasternLiaoningProvince,ShandongProvince,HenanProvince,southernShanxiProvince,JiangsuProvince,AnhuiProvince,HubeiProvince,ChongqingProvince,easternSichuanProvince,ZhejiangProvince,JiangxiProvince,HunanProvince,GuizhouProvince,YunnanProvince,FujianProvince,GuangdongProvince,GuangxiProvince,HainanProvinceandTaiwan;thelowsuitabilityzonemainlyincludesXiaoxinganlingregionofHeilongjiangProvince,ChangbaimountainsintheeasternpartofJilinProvince,theBohaiseasurroundingarea,themostpartofShandongandHenanProvinces,themiddlepartofShanxiProvince,andthesoutheastpartofthewestTibetanPlateau;theunsuitablezonedistributesinthoseregionsincludingthemostpartsofXinjiangProvince,QinghaiProvince,InnerMongolia,NingxiaProvince,GansuProvince,XizangProvince,HebeiProvinceandShanxiProvince,togetherwithsomepartsofnortheastChinaandthewestpartofSichuanProvince.Furthermore,theclimatecharacteristicsofpaddyricepotentialdistributionzoneareanalyzed,respectively.TheresultscanprovidereferenceforpaddyriceplantingpatternandcountermeasurestocopewithclimatechangeimpactonChina.
KeyWords:paddyrice;dominantclimatefactors;potentialdistribution;climatecharacteristics;maximumentropymodel(MaxEnt)
中国是世界上最大的水稻生产国,稻谷产量在中国各粮食作物中居于首要地位
经对水稻布局、生长发育和产量产生了重要影响[2-5][1]。近年来,气候变化已。为促进水稻生产,确保水稻稳产高产,许多研究者已经
[6-9]基于选择的气候指标、地形地貌和生产水平等开展了水稻气候区划研究。但是,现有的水稻气候区划研
影响因子时空尺度的选取方面还存在很大的不一致,制约着水稻气候区划在实际指导究在研究的空间尺度、
中的作用发挥。为充分利用气候资源服务于农业生产、确保粮食稳产高产,迫切需要从不同空间尺度研究影
给出不同空间尺度的水稻气候区划。响水稻分布的主导气候因子,
近年来,随着统计技术和地理信息系统技术的发展,一系列基于ArcGIS技术平台的统计模型,如广义线
BIOCLIM模型、DOMAIN模型、性模型(GLM)、广义加法模型(GAM)、分类回归树模型(CART)、基于遗传算
多元自适应样条回归模型(MARS)、最大熵模型(MaxEnt)等已经被成功地法的规则组合预测模型(GARP)、
用于物种的潜在分布模拟[10-14]。其中,最大熵模型是一种基于机器学习的模型。该理论认为在无外力作用
[15]事物总是在约束条件下争取最大的自由权,在已知条件下,熵最大的事物最可能接近它的真实状态下,
最大熵统计建模就是从符合条件的分布中选择熵最大的分布作为最优分布。研究表明
且只需要较小样本的物种分布数据即可得到较好的模拟效果等优点是否存在,[14,18][16-17]。,最大熵模型在同等条件下对物种潜在分布模拟的精度高于其它生态位模型,特别是,它可以预测物种存在的概率,而不仅是。
本研究试图基于中国水稻站点的地理分布信息及区域气候资料,结合最大熵模型和ArcGIS软件的空间分析功能,从国家层次和年尺度研究影响中国水稻种植区潜在分布的主导气候因子,水稻种植区潜在分布及
分析其气候特征,为中国水稻的生产布局及制定应对气候变化的政策提供参考。其气候适宜性等级,
1
1.1数据与方法数据的收集与处理
来自于国家气象信息中心,包括127个本研究使用的数据主要有中国水稻的地理分布数据和气候数据,
1971—2000年一个气候标准年的中国地面气候资具有明确地理信息(经纬度)记录的水稻农业气象观测站,
从原始记录中剔除缺测记录在30d以上站点,即选料日值数据集(台湾省数据暂缺)。为保证气候数据质量,
择记录比较连续的气象站点数据,共得616个站点1971—2000年数据。研究区域、气象台站和水稻站点地理
采用该站其它年份同期记录平均值插补。所用气分布信息如图1所示。对仍缺少气象要素记录的个别站点,
候要素为日平均气温和日降水量。数据处理软件为ArcGIS9.3。
22期段居琦等:中国水稻潜在分布及其气候特征6661
1.2
1.2.1研究方法影响水稻分布的潜在气候因子筛选
基于已有的水稻区划,从全国层次及年尺度考虑,
结合自然植被区划,筛选出以下9个具有明确生物学意
义的可能影响水稻分布的潜在气候因子(表1)。
≥0℃积温(∑T0)反映了某一地区广义的适宜农
耕期内的热量累积(表1);≥10℃积温(∑T10)反映了
喜温作物生长期内的热量累积;稳定通过10℃持续日
稳定通过18℃持续日数数(N10)为喜温作物生长期,
(N18)反映水稻幼穗分化到抽穗扬花期所要求的高温
期;最冷月平均温度(TC)表示寒冷程度,反映最差热量
条件对植物的限制;最暖月平均温度(TW)表示温暖程
度,反映最好热量条件对植物的满足程度;气温年较差
(ART)是气温年变化的幅度,反映了气候的大陆性;年
降水量(P)用来反映水分资源的绝对数量,可作为一些
反映作物的分界线;湿润指数(MI)是水分的收支比率,
了气候的湿润程度。
表1
Table1基于全国层次与年尺度筛选的影响中国水稻分布的潜在气候因子图1Fig.1研究区域、气象台站及水稻站点地理分布图LocationoftheweatherandricestationsinChinaPotentialclimatefactorsaffectingdistributionofriceinChinabasedonnationalandannualscales
文献出处Reference
[19-20]
[9,21]
[8]
[8]
[9,19-20]
[6,9,19]
[19,22]
[6,19]
[19,23]气候因子Potentialclimatefactors·d)≥0℃积温Accumulatedtemperatureofnotlessthan0℃(∑T0)/(℃·d)≥10℃积温Accumulatedtemperatureofnotlessthan10℃(∑T10)/(℃稳定通过10℃持续日数Daysofnotlessthan10℃stably(N10)/d稳定通过18℃持续日数Daysofnotlessthan18℃stably(N18)/d最冷月平均气温Meantemperatureofthecoldestmonth(TC)/℃最暖月平均气温Meantemperatureofthewarmestmonth(TW)/℃气温年较差Annualrangeoftemperature(ART)/℃年降水量Annualprecipitation(P)/mm湿润指数Moistureindex(MI)
各界限温度积温采用累积法计算:
n
Y=ti>B∑i=1
Y为活动积温,B为各界限温度,tB为高于B的活动温度,i为稳定通过B的第i天,n为稳定通过界限温式中,
度B的日数。稳定通过界限温度的日数采用中国气象局规定的全国各气象台站计算界限温度起止日期的5日滑动平均法计算[24]。最冷月平均气温(TC)为1月平均气温;最暖月平均气温(TW)为7月平均气温;最冷最热月平均温度差(ART)为TW-TC。湿润指数(MI)采用Holdridge生命地带系统方法计算:
MI=∑tPP=,BT=PET58.93×BT365
P为年降水量,t为<30℃与>0℃的日平均气温[23]。式中,
据此,可分别计算出1971—2000年各年各站点的9个潜在气候因子值,再进行30a平均,求取气候标准年(1971—2000年)9个潜在气候因子的平均值。
6662生态学报31卷
1.2.2研究方法
利用ArcGIS的Kringing插值[25]基于最大熵模型和ArcGIS空间分析功能等技术的具体研究方法如下:(1)模型输入资料的格式转换功能将影响水稻潜在分布的9个潜在气
格点大小为0.1°×0.1°,作为最大熵模型的环境变量层输入;将水稻地候因子平均值转换成ASCⅡ格式数据,
理分布信息整理成CSV格式,作为最大熵模型的样本输入数据。
(2)初始模型的构建选中Createresponsecurves选项,其它选项采用模型的默认设置,构建水稻潜在分
ROC曲线)的曲线下面布的最大熵模型,并采用受试者工作特征曲线(Receiveroperatingcharacteristiccurve,
AUC)值对建立的最大熵模型模拟结果精度进行评价。积(Areaundercurve,
(3)主导气候因子的选取
(4)水稻气候适宜等级分区根据各潜在气候因子对水稻分布影响贡献率的大小,提出影响中国水稻分布利用ArcGIS的格式转换工具ConversionTools将预测结果的ASCⅡ转化为再重建中国水稻分布的最大熵模型,并进行模拟结果精度评价。的主导气候因子。在此基础上,Raster格式;最大熵模型预测结果给出的是作物在待预测地区的存在概率p,取值范围在0—1之间。为得到中国水稻的气候适宜等级分区,利用SpatialAnalysisTools的Reclassify功能选择合适的阈值进行气候适宜等级分区。参考IPCC报告
0.66为气候高适宜区。
(5)量化分析水稻潜在分布与各气候适宜区气候因子的阈值。利用ArcGIS软件中的空间分析模块,将
提取水稻潜在分布区与各气候适宜区主导气候因子栅格数据与水稻潜在分布区及各气候适宜区的数据叠加,
的气候因子值,并统计分析这些气候因子范围内的水稻栅格数,绘制折线图,进而分析水稻各气候适宜性分区的气候因子阈值及其气候特征。
2
2.1结果分析模型模拟的准确性评价
应用最大熵模型模拟输出的ROC曲线的AUC值评估模型模拟的准确性。ROC曲线是以预测结果的每
由此计算得到相应的灵敏度和特异度。以假阳性率即(1-特异度)为横坐标,以一个值作为可能的判断阈值,
真阳性率即灵敏度(1-遗漏率)为纵坐标绘制ROC曲线,其AUC值的大小作为模型预测准确度的衡量指标,
[14]0,1]。AUC值的评估标准为:0.50—0.60(失败);0.60—0.70(较差);0.70—0.80(一般);取值范围为[[26]关于评估可能性的划分方法,结合中国水稻实际情况,得出水稻气候适宜等级分区标准如下:P<0.05为气候不适宜区;0.05≤P<0.33为气候低适宜区;0.33≤P<0.66为气候中适宜区;P≥
0.80—0.90(好);0.90—1.0(非常好)[27]。结果表明(表2),基于潜在气候因子的AUC值达0.895,模拟结果准确性达到好的标准,表明所构建模型可用于水稻潜在分布模拟。
表2
Table2中国水稻潜在分布模型模拟的AUC值AUCvaluesofmaximumentropymodelofricepotentialdistributioninChina
AUC
基于潜在气候因子
Basedoncandidateclimatefactors基于主导气候因子Basedondominantclimatefactors
0.892水稻Rice0.895
2.2主导气候因子筛选及其与存在概率关系
表3给出了影响中国水稻分布的前5个主要气候因子贡献百分率和累计贡献百分率。按照贡献百分率
68.2%)、15.1%)、由大到小排序依次为:年降水量(P,湿润指数(MI,稳定通过18℃的持续日数(N18,
10.8%)、3.5%)、1.3%)。前4个气候因子的累积贡献率达到≥10℃积温(∑T10,最暖月平均气温(TW,
97.6%,超过95%,可以认为这4个气候因子是影响水稻分布的主导气候因子。
基于筛选的主导气候因子,结合最大熵模型,构建水稻潜在分布模拟模型。结果表明(表2),基于主导气候因子的AUC达0.892,模拟结果准确性达到好的标准,表明基于筛选的主导气候因子构建的模型可用于水
22期段居琦等:中国水稻潜在分布及其气候特征6663稻潜在分布模拟。
表3
Table3
气候因子
Climatefactors
年降水量Annualprecipitation(P)/mm
湿润指数Moistureindex(MI)
稳定通过18℃持续日数Daysofnotlessthan18℃stably(N18)/d
·d)≥10℃积温Accumulatedtemperatureofnotlessthan10℃(∑T10)/(℃
最暖月平均气温Meantemperatureofthewarmestmonth(TW)/℃影响中国水稻分布的气候因子贡献百分率和累积贡献百分率ContributionrateofclimatefactorsaffectingricedistributioninChina贡献百分率Percentcontribution/%68.215.110.83.51.3累积贡献百分率Accumulatedpercentcontribution/%68.283.394.197.698.9
作为湿生喜温植物,水稻适宜的气候条件是较充沛的降水、适宜的空气湿润度,一定的日平均气温≥18℃持续日数及稳定通过10℃的积温(图2)。年降水量较少时,水稻存在概率较低(图2);当年降水量高于一定数值(约500mm/a)时,水稻存在概率迅速升高,与水稻喜湿的生物学特性一致。但当年降水量超过一定程度(约1800mm/a)时,水稻存在的概率迅速下降。由图2可以看出,水稻存在概率高的区域是在一定
之后水稻的湿润度范围内。水稻存在概率明显提高的日平均气温≥18℃持续日数有两个阈值:一个是50d,
存在概率明显提高;另一个是140d左右,之后水稻存在概率提高到接近最大。在230d附近,水稻存在概率
·d的地区,在≥10℃积温低于约2300℃水稻存在概率较低,之后有一个直线提有所下降(图2)。图2显示,
·d的地区,高的阶段,然后基本平稳;在≥10℃积温大于约4300℃水稻存在概率再次直线提高,但之后即使
图2
Fig.2水稻存在概率与各气候因子关系Relationshipsbetweenriceprobabilityofpresenceandclimatefactors
6664生态学报31卷再升高,水稻的存在概率也不再显著增加。
2.3水稻潜在分布及其气候适宜等级
根据筛选出的影响中国水稻分布的4个主导气候
因子,再次进行最大熵模型模拟,结合水稻气候适宜等
给出了中国水稻潜在分布及其气候适级分区划分标准,
宜等级(图3)。中国水稻的潜在分布区主要位于东北
环渤海的京津唐地区、山东、河南,陕西中南地区东部、
四川盆地,长江中下游及其以南的广大地区和山西、部,
西藏局部等地区。气候适宜等级分区如下:
高适宜区(P≥0.66):主要分布于江西北部及海南
局部等地区;中适宜区(0.33≤P<0.66):主要分布于东
山东、河南、陕西南部及其以南的广北平原及辽东丘陵,
大地区,包括江苏、安徽、湖北、重庆、四川东部、浙江、江
西、湖南、贵州、云南、福建、广东、广西、海南及台湾等地
区;低适宜区(0.05≤P<0.33):主要分布于黑龙江小兴
环渤海的京津唐地区,山东、河安岭和吉林东部长白山,
南大部,陕西中部及西藏东南部等地区;中国其它地区Fig.3
China图3中国水稻的潜在分布及其气候适宜等级Potentialdistributionofriceanditsacclimationclassesin
为水稻种植区的气候不适宜区(P<0.05):主要分布于
青海、内蒙古、宁夏,甘肃、西藏、河北、山西大部,东北地区、四川西部等地区。新疆、
2.4水稻潜在分布区及各气候适宜等级的气候特征
中国水稻的潜在分布面积与年降水呈近似的偏正态分布关系(图4),分布界限为年降水量531mm到1859mm之间,80%的水稻潜在分布面积处于年降水量为此范围以外的地区为潜在分布极少区域。其中,
560—1668mm的地区;年降水量为545mm地区,潜在分布面积最大。中国水稻的潜在分布面积与湿润指数
其中80%的关系呈典型的偏正态分布(图4)。95%的中国水稻潜在分布区的湿润指数在0.81—1.88之间,
的中国水稻分布区的湿润指数在0.92—1.64之间;中国水稻潜在分布面积最大地区对应的湿润指数是
图4
Fig.4水稻分布面积(栅格数)与各气候因子关系Relationshipsbetweendistributionarea(numbersofraster)ofriceandclimatefactors
1.15,该条件下水稻潜在分布面积占水稻总潜在分布面积的4.15%。中国水稻潜在分布面积与稳定通过18
80%的中国水稻潜在分布区的稳定通过18℃持续日数在58—205d℃持续日数呈近似正态分布关系(图4),
之间;稳定通过18℃持续日数小于36d或大于235d地区的水稻潜在分布面积小于总面积的5%(图4)。中
·d之主要潜在分布区≥10℃积温在2600—6718℃国水稻潜在分布面积与≥10℃积温呈近似正态分布关系,
·d和7653℃·d,间,占总潜在分布面积的约80%(图4);中国水稻潜在分布范围的≥10℃积温界限为2278℃
·d或高于7653℃·d地区,低于2278℃水稻分布极少。
根据类似的方法,得到中国水稻潜在分布区各气候适宜性分区的气候特征如下:高适宜区的气候特征为
稳定通过18℃持续日数在104—179d和308—335d之间,湿润指数在1.19—年降水量为1594—1847mm,
1.22和1.95—3.75之间,·d和8892—9224℃·d之间;中适宜区的气候特征为≥10℃积温在5061—5770℃
年降水量为542—1890mm,稳定通过18℃持续日数为59—238d,湿润指数1.04—1.88,≥10℃积温是2548—7768℃·d;低适宜区的气候特征为年降水量为511—1011mm,稳定通过18℃持续日数是18—145d,
·d;不适宜区的气候特征为年降水24—679湿润指数为0.73—1.78,稳定通过10℃积温为2167—5019℃
mm,·d。稳定通过18℃日数0—134d,湿润指数为0.1—2.28,稳定通过10℃积温为21—4439℃
3
3.1结论和讨论中国水稻的潜在分布
基于筛选出的主导气候因子模拟了中国水稻的潜在分布,模拟准确性达到好的本研究利用最大熵模型,
程度(AUC=0.892)。模型模拟的中国水稻潜在分布与基于遥感和调查资料绘制的中国水稻分布图相比[28-29],空间分布基本一致。高中适宜区与中国水稻主产区相近,低适宜区是中国水稻的种植区之一。研究
,气候是影响中国水稻地理分布的主要环境因子,筛选的4个气候因子起着主导因子的作用。最大熵
[14]表明[30]模型反映的是物种的基础生态位,理想状态下的分布几乎不可能发生,这时可能发生预测面积较实际分布
面积大的现象。另一方面,由于植物的自适应性、人为影响等原因,使植物在超出原来基础生态位的地区也能
此时模拟物种分布面积比实际分布面积小。水稻作为受人为因素影响较大的农作物,人为因素,如水利生存,
灌溉、品种改进、栽培管理、市场需求等措施和条件都有可能使水稻分布面积扩大,会导致模拟的水稻分布面积比实际的小。在一个特定的模型分析中不可能包括所有的生态因子,因此,将模型看成偏生态位模型可能更符合实际[31]。引进更多的影响物种分布的关键生态因子无疑会提高模型模拟的准确性。由于水利灌溉、品种改进、栽培管理、市场需求等影响因子相关数据难以取得,如何将这些因素纳入模型是未来需要进一步解决的问题。
环境因子影响模型模拟的准确性,同时作物种分布点数据的多少也将影响模型模拟的效果。分析不同训练样本数量对模型模拟效果的影响表明,当训练样本数达到20个时,模型模拟的准确度基本达到要求样本数高于30个时,最大熵模型的预测结果表现稳定
衡程度、研究的空间尺度及模型自身的不足
来需要进一步的完善和提高。
3.2中国水稻潜在分布区的气候特征
本研究基于最大熵模型,提出了影响中国水稻潜在分布的主导气候因子,即年降水量、湿润指数、稳定通过18℃持续日数和≥10℃积温,分析了各气候因子对中国水稻潜在分布概率的影响,建立了中国水稻潜在分布面积与气候因子之间的关系,给出了中国水稻潜在分布、主要潜在分布区(约为总潜在分布面积的80%)及气候适宜等级四级分区的气候因子阈值。年降水与水稻存在概率的关系表明,水稻是喜湿作物,但过多降水将导致水稻的存在概率下降,对水稻生存不利。研究指出[36][35][33-34][32];当。本研究用于构建模型的水稻分布点训练样本数达127个,这可能是本研究模拟结果准确性较高(AUC=0.892)的原因。此外,训练样本数在研究区分布的均等会给模拟结果带来一定的误差和不确定性,这方面的工作未,抛秧水稻大田秧苗定植期内遇上暴雨天气对
[37]水稻定植不利;淹水将影响水稻的生理生化过程,进而影响水稻生长发育,甚至导致水稻死亡。些研究结
果也从实验上支持了水分过多对水稻生存不利的观点。湿润指数反映了气候的湿润程度,水稻存在概率较高
的湿润指数主要介于1.0—2.0之间,其值与水稻潜在分布面积中高适宜区的湿润指数(1.04—1.88)相近,说明湿润指数影响的存在概率较高的地区,也是中国水稻的中高适宜区,这些地区具有湿润、亚湿润的气候特征[23]。稳定通过18℃持续日数高于约50d时,水稻的存在概率迅速升高,水稻主要潜在分布区的稳定通过18℃持续日数在58—205d之间,存在概率迅速升高的稳定通过18℃持续日数和主要潜在分布区的稳定通
[8]过18℃持续日数低值相近。高亮之等用基于农学经验的稳定通过18℃持续日数≥30d作为水稻气候生
态区划主要指标之一,与本研究通过水稻潜在分布栅格分析所得到的水稻潜在分布下限稳定通过18℃持续日数为36d的结果相近。导致水稻存在概率显著增加的≥10℃积温值,与中国水稻潜在分布的下限≥10℃
·d)相近。西内光[38]指出,·d以上;在中国水积温值(2311℃水稻栽培的临界热量指标之一是积温在2300℃
稻生长季最短的黑龙江省南部与吉林省,由于采用塑料薄膜育秧,提高了温度,使水稻播期提早15—20d,生
·d[8],长季积温为2200—2300℃这是人为改变水稻生长气候条件的例证。本研究给出的≥10℃积温略高,可
能是没有考虑农艺措施对水稻栽培的影响引起。气候因子的作用是综合性的,因而可以根据水稻存在概率这
并且气候因子不同值之间的组合能够得出同样的适宜等级,这与以往水一综合指标划分水稻气候适宜等级,
稻区划相比[6,8],既给出了气候影响的水稻潜在分布区域,又给出了水稻气候适宜等级。
本研究对气象数据进行空间插值时,虽然没有引入数字高程模型,但模拟结果仍能很好地揭示水稻潜在分布与气候的关系。在区域模拟研究中,地理信息系统具有的强大数据处理能力、空间分析功能极大地提升了模型模拟、预测和定量分析能力[39-40]。与采用距离物种实际分布最近气象台站的气候资料代替物种实际
[41-42]分布地点的气候资料研究物种分布与气候关系的方法相比,本研究利用地理信息系统分析和处理数据,
使作物分布数据和气候数据在每栅格单元上相对应,有效地提高了数据的准确性。同时,应用地理信息系统
可直接反映出模型模拟能力,尤其能够定量分析水稻潜在分布与气清晰和直观地反映中国水稻的潜在分布,
候之间的关系。
本文研究的是自然气候条件下水稻的潜在分布及其气候特征。由于社会经济的需求、水利条件的改善及
水分对水稻种植界限的影响作用减小,因而,受人为调节水分因子影响的水稻潜在分布有旱作水稻的发展等,
待深入研究。
References:
[1]ChengSH,HuPS.DevelopmentstrategyofricescienceandtechnologyinChina.ChineseJournalofRiceScience,2008,22(3):223-226.[2]PengSB,HuangJL,SheehyJE,LazaRC,VisperasRM,ZhongXH,CentenoGC,KhushGS,CassmanKG.Riceyieldsdeclinewith
highernighttemperaturefromglobalwarming.ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica,2004,101(27):9971-9975.
[3]TaoFL,YokozawaM,XuYL,HayashiY,ZhangZ.ClimatechangesandtrendsinphenologyandyieldsoffieldcropsinChina,1981—2000.
2006,138(1/4):82-92.AgriculturalandForestMeteorology,
[4]YangXG,LiuZJ,ChenF.ThepossibleeffectsofglobalwarmingoncroppingsystemsinChinaⅠ.Thepossibleeffectsofclimatewarmingon
northernlimitsofcroppingsystemsandcropyieldsinChina.ScientiaAgriculturaSinica,2010,43(2):329-336.
[5]ZhangTY,ZhuJ,WassmannR.ResponsesofriceyieldstorecentclimatechangeinChina:anempiricalassessmentbasedonlong-term
observationsatdifferentspatialscales(1981—2005).AgriculturalandForestMeteorology,2010,150(7/8):1128-1137.
[6]DingY.RiceCultivationScienceinChina.Beijing:AgriculturePress,1961:101-180.
[7]CooperativeResearchGroupofRicePhotoperiodandTemperatureEcology.RiceCultivars'PhotoperiodandTemperatureEcologyinChina.
Beijing:SciencePress,1978:65-71.
[8]CooperativeGroupofAgriculturalandForestCropRegionalizationinChina.ClimateRegionalizationThatAgriculturalandForestCropinChina.
Beijing:ChinaMeteorologicalPress,1987:36-55.
[9]ChinaNationalRiceResearchInstitute.RiceCroppingRegionalizationinChina.Hangzhou:ZhejiangScienceandTechnologyPress,1989:
1-155.
[10]PetersonAT.Predictingthegeographyofspecies'invasionsviaecologicalnichemodeling.TheQuarterlyReviewofBiology,2003,78(4):
419-433.
22期段居琦等:中国水稻潜在分布及其气候特征6667[11]KozakKH,GrahamCH,WiensJJ.IntegratingGIS-basedenvironmentaldataintoevolutionarybiology.TrendsinEcologyandEvolution,2008,
23(3):141-148.
[12]CaoMC,ZhouGS,WengES.Applicationandcomparisonofgeneralizedmodelsandclassificationandregressiontreeinsimulatingtreespecies
distribution.ActaEcologicaSinica,2005,25(8):2031-2040.
[13]WangJ,NiJ.ModellingthedistributionoffiveCaraganaspeciesintemperatenorthernChina.ChineseJournalofPlantEcology,2009,33(1):
12-24.
[14]PhillipsSJ,AndersonRP,SchapireRE.Maximumentropymodelingofspeciesgeographicdistributions.EcologicalModeling,2006,190(3/
4):231-259.
[15]JaynesET.Informationtheoryandstatisticalmechanics.PhysicalReview,1957,106(4):620-630.
[16]LiMY,JuYW,KumarS,StohlgrenTJ.ModelingpotentialhabitatforalienspeciesofDreissenapolymorphaintheContinentalUSA.Acta
EcologicaSinica,2008,28(9):4253-4258.
[17]ElithJ,GrahamCH,AndersonRP,DudíkM,FerrierS,GuisanA,HijmansRJ,HuettmannF,LeathwickJR,LehmannA,LiJ,LohmannL
G,LoiselleBA,ManionG,MoritzC,NakamuraM,NakazawaY,OvertonJMcCM,PetersonAT,PhillipsSJ,RichardsonKS,Scachetti-PereiraR,SchapireRE,SoberónJ,WilliamsS,WiszMS,ZimmermannNE.Novelmethodsimprovepredictionofspecies'distributionsfrom
2006,29(2):129-151.occurrencedata.Ecography,
[18]QiPC.GIS-BasedModelingofthePotentialDistributionandthePotentialNetPrimaryProductivityofDeciduousBroadleavedForestintheWestern
2009.PartoftheChineseLoessPlateau.Lanzhou:LanzhouUniversity,
[19]WengES,ZhouGS.DefiningplantfunctionaltypesinChinaforglobalchangestudies.PlantPhytoecologicaSinica,2005,29(1):81-97.[20]AssociateResearchGroupforAgroclimatologicalStudyofCroppingSysteminSouthChina.Regionalizationofcroppingsystemsinricegrowing
1982,(4):35-42.regionsinsouthChina.ScientiaAgriculturaSinica,
[21]ZhuY,DuanCC,WangPY.TheagroclimaticadvantagestogrowinghybridriceanditszoninginYunnanProvince.ChineseJournalof
Agrometeorology,1999,20(2):21-24.
[22]LiuHS,LiangH,WangJX.Compatibilityofclimateresourceandrice,wheatgrowthinDianzhongPlateau.ChineseJournalofAgrometeorology,
1997,18(1):21-26.
[23]ZhangXS,YangDA,NiWG.Thepotentialevapotranspiration(PE)indexforvegetationandvegetation-climaticclassification(Ⅲ)
1993,17(2):97-109.introductionofmainmethodsandPEPprogram.ActaPhytoecologicaetGeobotanicaSenica,
[24]QuML.Agro-ClimaticInternshipGuide.Beijing:BeijingAgriculturalUniversityPress,1991:1-9.
[25]LiF,ZhouGS,CaoMC.ResponsesofLarixgmeliniigeographicaldistributiontofutureclimatechange:asimulationstudy.ChineseJournalof
AppliedEcology,2006,17(12):2255-2260.
[26]IPCC.ClimateChange2007:SynthesisReport.ContributionofWorkingGroupsⅠ,ⅡandⅢtotheFourthAssessmentReportofthe
IntergovernmentalPanelonClimateChange.Geneva:IPCC,2007:104-104.
[27]SwetsJA.Measuringtheaccuracyofdiagnosticsystems.Science,1988,240(4857):1285-1293.
[28]FrolkingS,QiuJJ,BolesS,XiaoXM,LiuJY,ZhuangYH,LiCS,QinXG.Combiningremotesensingandgroundcensusdatatodevelop
newmapsofthedistributionofriceagricultureinChina.GlobalBiogeochemicalCycles,2002,16(4):3801-3810.
[29]XiaoXM,BolesaS,LiuJY,ZhuangDF,FrolkingaS,LiCS,SalasW,MooreB.MappingpaddyriceagricultureinsouthernChinausing
multi-temporalMODISimages.RemoteSensingofEnvironment,2005,95(4):480-492.
[30]BeerlingDJ,HuntleyB,BaileyJP.ClimateandthedistributionofFallopiajaponica:useofanintroducedspeciestotestthepredictivecapacity
1995,6(2):269-282.ofresponsesurfaces.JournalofVegetationScience,
[31]WileyEO,McNysetKM,PetersonAT,RobinsCR,StewartAM.Nichemodelingandgeographicrangepredictionsinthemarineenvironment
usingamachine-learningalgorithm.Oceanography,2003,16(3):120-127.
[32]StockwellDRB,PetersonAT.Effectsofsamplesizeonaccuracyofspeciesdistributionmodels.EcologicalModelling,2002,148(1):1-13.[33]PhillipsSJ,DudíkM.ModelingofspeciesdistributionswithMaxent:newextensionsandacomprehensiveevaluation.Ecography,2008,31(2):
161-175.
[34]WiszMS,HijmansRJ,LiJ,PetersonAT,GrahamCH,GuisanA,NCEASPredictingSpeciesDistributionsWorkingGroup.Effectsofsample
sizeontheperformanceofspeciesdistributionmodels.DiversityandDistributions,2008,14(5):763-773.
[35]AndersonRP,RazaA.TheeffectoftheextentofthestudyregiononGISmodelsofspeciesgeographicdistributionsandestimatesofniche
evolution:preliminarytestswithmontanerodents(genusNephelomys)inVenezuel.JournalofBiogeography,2010,37(7):1378-1393.
[36]HuangGM,WangGL,LuYC,CaiMC.Effectsofmeteorologicalconditionsonfixplantandearlygrowthofflingriceinfield.Meteorological
Monthly,2004,30(3):53-55.an
6668生态学报31卷[37]ReddyMD,MittraBN.Effectsofcompleteplantsubmergenceonvegetativegrowth,grainyieldandsomebiochemicalchangesinriceplants.
PlantandSoil,1985,87(3):365-374.
[38]ZuSH,MaoYL.RiceagroclimateregionalizationinHeilongjiangProvince.JournalofNortheastAgriculturalCollege,1983,(2):34-45.
[39]GuisanA,TheurillatJP,KienastF.Predictingthepotentialdistributionofplantspeciesinanalpineenvironment.JournalofVegetationScience,
1998,9(1):65-74.
[40]BakkenesM,AlkemadeJRM,IhleF,LeemansR,LatourJB.Assessingeffectsofforecastedclimatechangeonthediversityanddistributionof
Europeanhigherplantsfor2050.GlobalChangeBiology,2002,8(4):390-407.
[41]HongBG,LiSZ.Thepreliminarystudyofthecorrelationsbetweenthedistributionofmaineverygreenbroad-leaftreespeciesinJiangsuand
climate.ActaEcologicaSinica,1981,1(2):105-111.
[42]NiJ,SongYC.RelationshipsbetweengeographicaldistributionofCyclobalanopsisglaucaandclimateinChina.ActaBotanicaSinica,1997,39
(5):451-460.
参考文献:
[1]程式华,胡培松.中国水稻科技发展战略.中国水稻科学,2008,22(3):223-226.
[4]杨晓光,刘志娟,陈阜.全球气候变暖对中国种植制度可能影响
2010,43(2):329-336.农业科学,
[6]丁颖.中国水稻栽培学.北京:农业出版社,1961:101-180.
[7]水稻光温生态研究协作组.中国水稻品种的光温生态.北京:科学出版社,1978:65-71.
[8]中国农林作物气候区划协作组.中国农林作物气候区划.北京:气象出版社,1987:36-55.
[9]中国水稻研究所.中国水稻种植区划.杭州:浙江科学技术出版社,1989:1-155.
[12]曹铭昌,周广胜,翁恩生.广义模型及分类回归树在物种分布模拟中的应用与比较.生态学报,2005,25(8):2031-2040.
[13]王娟,倪健.中国北方温带地区5种锦鸡儿植物的分布模拟.植物生态学报,2009,33(1):12-24.
[18]戚鹏程.基于GIS的陇西黄土高原落叶阔叶林潜在分布及潜在净初级生产力的模拟研究.兰州:兰州大学,2009.
[19]翁恩生,周广胜.用于全球变化研究的中国植物功能型划分.植物生态学报,2005,29(1):81-97.
[20]全国种植制度气候研究南方协作组.我国南方稻区种植制度的气候生态区划.中国农业科学,1982,(4):35-42.
[21]朱勇,段长春,王鹏云.云南杂交水稻种植的气候优势及区划.中国农业气象,1999,20(2):21-24.
[22]刘洪顺,梁红,王继新.滇中高原气候资源与水稻、1997,18(1):21-26.小麦生长的协调性.中国农业气象,
[23]张新时,杨奠安,倪文革.植被的PE(可能蒸散)指标与植被气候分类(三)———几种主要方法与PEP程序介绍.植物生态学报,
1993,17(2):97-109.
[24]曲曼丽.农业气候实习指导:农业气候分析方法30例.北京:北京农业大学出版社,1991:1-9.
[25]李峰,周广胜,曹铭昌.兴安落叶松地理分布对气候变化响应的模拟.应用生态学报,2006,17(12):2255-2260.
[36]黄光民,王广伦,吕业成,蔡绵聪.气象条件对抛秧水稻大田定植及前期生长的影响.气象,2004,30(3):53-55.
[38]祖世亨,毛玉兰.黑龙江省水稻农业气候区划.东北农学院学报,1983,(2):34-45.
[41]洪必恭,李绍珠.江苏主要常绿阔叶树种的分布与热量关系的初步研究.生态学报,1981,1(2):105-111.
[42]倪健,宋永昌.中国青冈的地理分布与气候的关系.植物学报,1997,39(5):451-460.Ⅰ.气候变暖对中国种植制度北界和粮食产量可能影响的分析.中国