第 4 期付莲莲, 等 : 江西省气候变化的特征及其对水稻产量的贡献基于气候 - 经济模型 591 不少学者从播种面积化肥农业机械劳动力投入等方面研究了水稻产量波动的成因,

Size: px

Start display at page:

Download "第 4 期付莲莲, 等 : 江西省气候变化的特征及其对水稻产量的贡献基于气候 - 经济模型 591 不少学者从播种面积化肥农业机械劳动力投入等方面研究了水稻产量波动的成因, "

徐阿家
7 years ago
Views:

1 第 25 卷第 4 期长江流域资源与环境 Vol. 25 No 年 4 月 Resources and Environment in the Yangtze Basin Apr 江西省气候变化的特征及其对水稻产量的贡献基于气候 - 经济模型付莲莲 1 2, 朱红根 * 3, 周曙东 (1. 江西农业大学理学院, 江西南昌 ; 2. 江西农业大学经济管理学院, 江西南昌 ; 3. 南京农业大学经济管理学院, 江苏南京 ) 摘要 : 采用气候倾向率和 M-K 突变检验, 分析 1951~2012 年江西省气候和温度的变化趋势和突变特征 ; 构建气候 - 经济新模型, 研究气候因子对水稻产量的影响, 最后借助 BP 神经网络模型预测未来 10a 气候因子对水稻产量的贡献结果表明 : 过去 60 多年来气温平均每 10a 升高 0.172, 而降水的线性倾向不显著 ; 气温突变开始的时间约为 1997 年, 降水的突变趋势不明显 ; 不同阶段气候因素的贡献率及作用方向存在差异,1978~1997 年气候因子贡献率为 5.97%, 其中温度和降水贡献率分别为 1.51% 4.46% 1998~2013 年气候因子贡献率为 8.98%, 温度和降水贡献率分别为 4.63% 4.35% 物质要素在不同阶段的贡献率均为 70% 以上, 其中播种面积和化肥的影响程度较大 ; 未来 10a 气温对江西水稻产量的贡献为 1.48, 降水量对水稻产量的贡献为 2.22 关键词 : 气候变化 ; 水稻产量 ;M-K 突变检验 ; 气候 - 经济模型 ;BP 神经网络模型中图分类号 :P461 文献标识码 :A 文章编号 : (2016) DOI: /cjlyzyyhj 过去 100 多年来, 全球气候变化异常, 极端天气频发,2013 年的 IPCC 第五次评估报告指出 : 在过去的 132a(1880~2012 年 ) 里, 全球平均气温上升了 0.85,1951~2012 年气温上升的速率为 0.12 /10a, 几乎是 1880 年以来的 2 倍 [1] 中国的气候变暖特征尤其显著,100 年来平均气温升高了 0.5~0.8, 专家预测与 1961~1990 年相比,2020 年我国平均气温可能上升 1.3~2.1 [2] 我国农业生产系统对气候变化的敏感性较强, 很容易受到气候变化的不利影响频繁变化的极端气候带来的洪涝灾害使得国内粮食产量波动厉害, 从而引发了粮食价格过山车式的波动, 影响了农业经济的稳定和粮食安全因此, 气候因子对粮食产量的影响已经成为农业经济领域和气候学关注的热点问题水稻是国内粮食作物中最重要的一类, 其产量接近粮食总产量的 1/2 江西省水稻产量占粮食产量的 80% 左右,2013 年水稻产量为万 t, 位居全国第三, 稻谷播种面积为 hm 2, 位居全国第二 1 气候变化厉害, 使得水稻生长季内农业气象灾害频繁发生据专家分析, 江西重度以上洪涝灾害发生的频率为 3a, 造成江西水稻欠收的概率达到 67% [3] 极端天气频繁发生, 旱涝高温等事件出现的频率增大, 强度增强, 气候变化引起的自然灾害使得水稻生产成本增加, 严重影响水稻的生产收稿日期 : ; 修回日期 : 基金项目 : 国家社科基金重大项目农产品安全气候变暖与农业生产转型研究 (13&ZD160) [Project supported by the Major program of National Social Science Foundation of China Safety of agricultural products,climate warming and transformation of agricultural production (13&ZD160)] 国家自然科学基金项目 ( , , ) [Project supported by the National Natural Science Foundation of China ( , , )]; 江西现代农业及其优势产品可持续发展的决策支持协同创新中心课题 (XDNYA1502) [Project supported by Jiangxi decsion support for the sus development of modern agriculture and its advabtage indust collaborative innovation center(xdnya1502)] 作者简介 : 付莲莲 (1981~ ), 女, 讲师, 博士, 主要研究方向为资源和环境经济. fulianhappy@163.com * 通讯作者 zhgen2004@163.com 1 数据来源 : 中国统计年鉴

南京农业大学经济管理学院, 江苏南京 210095) 摘要 : 采用气候倾向率和 M-K 突变检验, 分析 1951~2012 年江西省气候和温度的变化趋势和突变特征 ; 构建气候 - 经济新模型, 研究气候因子对水稻产量的影响, 最后借助 BP 神经网络

2 第 4 期付莲莲, 等 : 江西省气候变化的特征及其对水稻产量的贡献基于气候 - 经济模型 591 不少学者从播种面积化肥农业机械劳动力投入等方面研究了水稻产量波动的成因, 近几年来国外学者开始借助于李嘉图模型相关分析作物模型研究气候因素对粮食产量的影响 [4] Zhang 等研究了中国 1981~2005 年县域气候因子和水稻产量的关系, 发现太阳辐射与水稻产量正相关, 是水稻产量的主要驱动因素 Kurukulasuriya & Mendelsohn 基于对非洲 11 个国家多农户的调查数据, 利用李嘉图均衡模型研究气候因素对粮食产量的影响, 结果表明, 气温上升和降水增加有利于粮食生产 [5] [6] Tao 等在中国省级尺度上研究了气候和产量的关系, 发现水稻小麦玉米和大豆的产量和生长季气候显著相关, 一般来说, 生长期内温度变暖有利于水稻产量的提高, 区域差异明显 Lobell 认为与最低气温的升高相比, 最高气温的升高对水稻产量影响更不利 [7] Peng 等通过分析 1979~2003 年水稻产量和温度之间的关系, 发现年度最大和最小平均气温上升了 0.35 和 1.13, 水稻产量与最低气温呈负相关, 当最低气温上升 1 时, 水稻产量将减少 10% 左右 [8] [9] Liu 等基于县级横截面数据, 构建李嘉图模型分析经济因素和气候因素对中国农业的影响, 结果发现, 温度的升高和降水的增加对中国农业生产有积极作用国内关于气候因子对水稻等粮食作物影响的研究方法大致分为两大类第一类是基于田间试验数据的作物机理模型, 如 :CERES-Maize/Rice/ Wheat [10, 11] WOFOST 模型 [12] ORYZA2000 等 [13], 将未来气候变化设为不同情景, 分析温度降水等气候因子对产量的影响 [14] 第二类是统计方法, 基于线性倾向率相关分析随机前沿生产函数等统计方法分析气候因子的变化特征 [15] 和气候因子对粮食产量的影响朱晓莉等采用随机前沿超越对数生产函数模型, 在控制了劳动力化肥施用量播种面积等的基础上, 研究了气候变化对江苏省水稻总产量影响结果表明, 不同生育期气候因子对水稻总产量的影响不同 [16] 朱珠等研究得出, 江苏大部分地区, 水稻产量与最高气温平均气温及辐射的正相关性较显著, 与最低气温的相关性并不明显, 而与降水量 [17] 则呈负相关茆长宝等发现南京市近 60 年气温的线性倾向率为 0.25 /10a, 降水的线性倾向率为 mm/10a, 干燥度呈上升趋势, 暖干化趋势明显, 冬小麦产量与温度变化呈正相关, 与降水 [18] 干燥度呈负相关王秀芬等基于黑龙江省境内 30 个气象站点 1980~2009 年的玉米产量和相关的气候数据, 测算出年降水量的线性倾向率为 27.6mm/10a, 平均气温的倾向率为 0.43 /10a, 最高温度的倾向率为 0.19 /10a, 最低温度的倾向率为 0.48 /10a, 穗期和花粒期的最低温度与玉米的气象产量呈正相关关系, 花粒期的最高温度与玉米的气象产量呈负相关关系周曙东和朱红根构建经济气候新模型, 分析了气候变化对南方水稻产量的影响大小及区域差异结果表明, 气候变化对南方地区水稻产量有负影响, 水稻生长季节期间平均降水每增加 10 mm 将会引起南方水稻产量减小 0.4 个百分点 ; 平均温度上升 1 将会导致南方水稻产量平均下降 2.99 个百分点 [19] 水稻产量不仅受到自然因素的影响, 还受到经济社会因素的影响学者在用作物机理模型研究仅从自然因素方面研究气候变化对产量的影响, 需要灌溉密度水分状态土壤养分病虫害等田间数据, 并且假设农业技术进步播种面积农业机械总动力等经济变量不变, 但随着社会经济环境的变化, 这些因素不可能一成不变, 分析气候变化对粮食生产的影响, 不能仅考虑自然因素或经济因素, 应结合两者来探讨江西省地处南岭以北, 长江以南, 其气候变化与我国乃至全球有必然的联系, 但也有其独特性那么, 江西省气候因子有着怎样的变化趋势? 在整个样本期内是否存在结构突变? 气候因素对江西水稻产量有着怎样的影响? 未来 10a 气候因子对水稻产量的影响如何? 这些问题现有文献较少涉及到, 为此, 本文首先借助线性倾向率和 Mann-Kendall 突变检验探讨 1951~2012 年江西气候因子变化特征和趋势, 然后整合气候因素和社会经济因素, 在生产函数的基础上引入气候因子, 构建气候 - 经济模型, 着重分析气候因素对江西省水稻总产量的影响, 最后构建 BP 神经网络模型预测未来 10 年气候因子对水稻产量的贡献旨在揭示江西省气候变化特征和趋势, 评估气候因素对水稻产量的影响, 为科学指导水稻生产, 趋利避害, 针对性地进行田间管理提供依据, 相关研究对防御气象灾害对水稻生产的影响具有重要的现实意义 1 资料来源和研究方法 1.1 数据来源 (1) 气候指标一些学者采用的是作物生长期内的气候数据 [6, 15],

多农户的调查数据, 利用李嘉图均衡模型研究气候因素对粮食产量的影响, 结果表明, 气温上升和降水增加有利于粮食生产 [5] [6] Tao 等在中国省级尺度上研究了气候和产量的关系, 发现水稻小麦玉米和大豆的产量和生长季气候显

3 592 长江流域资源与环境第 25 卷但是 1982~2005 年卫星和气候资料反映并非只有生长期内气候数据与作物产量相关, 许多植物更需要经过一个严寒的冬天才能度过早春季节为此, 气候指标选用的不仅仅是作物生长期内的数据, 而是全年的平均气温和降水量笔者选取了年平均气温和降水量 2 个气候指标, 资料来自国家气候中心 1 根据数据可得性原则, 样本期设定为 1951~2012 年 (2) 社会经济指标播种面积农业机械化肥施用量和水稻劳动力投入 4 个指标的数据来自历年的中国统计年鉴中国农村统计年鉴江西省统计年鉴将农业机械化肥施用量乘以水稻播种面积占总播种面积的比例得到水稻农业机械投入水稻化肥投入水稻劳动力投入 (labor)= 农林牧副渔从业人员数农业总产值 / 农林牧副渔总产值水稻播种面积 / 农作物播种面积样本期设为 1978~ 2013 年, 各变量的描述性统计见表 1 表 1 变量的描述性统计 Tab.1 Descriptive Statistics of Variables 变量含义 ( 单位 ) 均值标准差最大值最小值 Y 水稻产量 ( 万 t) 社会经济指标 AEAR 水稻播种面积 ( 10 3 hm 2 ) POWER 水稻农业机械总动力 ( 万 kw) FERTI 水稻化肥施用量 ( 万 t) LABOR 水稻农业劳动力 ( 万人 ) 气候指标 TEMPER 年平均气温 ( ) RAINFALL 年降水量 (mm) 研究方法气候变化对水稻产量影响的计量经济模型模型 : 将气候因素作为外生变量, 构建生产函数其对数函数形式为 : Y = 0 K 1 L 2 C (1) lny = lnk + 2 lnl + lnc + ¹ (2) 式中 :Y 表示产出 ;K 表示资本, 这里用指标农业机械总动力 power 代替 ;L 表示劳动投入, 用指标劳动力投入 labor 代替 ;C 表示气候因素, 影响水稻生长最为显著的是气温和降水量, 为此, 选取年平均气温 temper 和降水量 rainfall 作为气候因子最后模型为 : lny = lnarea + 2 lnpower + 3 lnf erti + 4 lnlabor + 1 lntem per + 2 lnrainf all + 1 t + (3) y 为水稻产量,area power ferti labor temper rainfall 分别表示水稻播种面积水稻农业机械总动力水稻化肥施用量水稻劳动力投入平均气温和降水量, 时间趋势项 t 表示技术进步 BP 神经网络模型建立 BP 神经网络模型预测未来 10a 气候因子对水稻产量的贡献度 BP(Back Propagation) 神经网络是一种基于误差的逆向传播算法训练的多层前馈网络, 可以在没有事先设计任何数学模型的条件下, 通过神经元之间的相互作用来完成整个网络的信息处理, 从而取得满意的预测结果被广泛应用于一些复杂非线性问题包括水位太阳辐射等问题的预测和评价 [20] 它主要分为两个步骤 : 一是对网络进行训练, 即网络的学习过程 ; 二是对网络进行检验, 利用训练好的网络对实际问题进行求解典型的 BP 网络包括输入层中间隐含层和输出层 ( 如图 1), 其数学原理如下 : 该神经元单元由多个输入 x i ; i = 1; 2; ; n 和一个输出 y j 组成中间状态由输入信号和权值运算的和表示, 而输出 y j 可以用数学表达式表示为 : nx y j = f ( w j i x i + µ j ) (4) i=1 式中 :θ j 为神经元单元的偏置值 ( 阈值 );w ji 为连接权系数 ;y j 为神经元输出 ;t 为时间 ;f 为输出变换函数 2 江西省气候变化的特征分析 2.1 气温变化特征气温的线性拟合方程为 : 1 来自于国家气象中心的南昌九江吉安赣州贵溪和广昌 6 个站点的平均.

来自历年的中国统计年鉴中国农村统计年鉴江西省统计年鉴将农业机械化肥施用量乘以水稻播种面积占总播种面积的比例得到水稻农业机械投入水稻化肥投入水稻劳动力投入 (labor)= 农林牧副渔从业人员数农业总产值 / 农林牧

4 第4期付莲莲等江西省气候变化的特征及其对水稻产量的贡献基于气候经济模型故1997年之后江西平均气温呈上升趋势尤其在2004年左右以后 UFk统计量超过了0.05显著性水平的临界值(上限为1.96) 上升趋势更加显著 1997年以前的变化趋势未超过0.05显著性水平的临界值在1997年左右UFk和UBk两条曲线相交并且交点位于临界值之间所以可以判断突变的时间大致在1997年左右 2.4 降水的M-K突变检验图5可见 UF k 曲线值以负值为主主要集中图1 Fig.1 BP神经网络结构图 Structure of BP Neural Network tem per = 0:0172x 15:787 R 2 = 0:392 4 (5) 线性拟合倾向率为0.172 /10a 江西省年平均气温每10a升高在1956年至1996年左右表明这40年江西降水量呈减少趋势 1997年至今除个别年份为负 UFk曲线值取正值过去60余年来除个别年份外 UFk曲线值没有超出临界值所以过去60余年江西省的降水量变化趋势并不是很明显而且UF k 和 UBk在临界线之间的交点不止一个表明降水量的降水变化特征由图3可看出 1951年~2012年江西省平均降水量相对气温来说波动更大呈现稍有上升的趋势但趋势不是很显著其线性拟合方程为 rain f all = 0:725 3x :17 R 2 = 0:002 4 (6) T检验统计量为0.381 没有通过显著性检验说明降水不存在明显的线性倾向变化 2.3 气温的M-K突变检验 Mann-Kendall是一种非参数检验方法广泛地被应用在气候数据的趋势分析和突变分析中 [ 2 0 ] 对江西省1951~2012年平均气温进行Mann-kendall 突变性检验利用Matlab软件编程求出UBk和图3 UFk 并且绘图(图4) Fig.3 从图中可以看出 1997年之后UFk曲线值大于图2 Fig.2 江西省平均气温的变化趋势 Trend of Average Temperature in Jiangxi 图4 Fig.4 江西省平均降水量的变化趋势 Trend of Average Precipitation in Jiangxi 江西省平均气温的Mann-kendall突变检验 Mann-Kendall Mutation Test of Average Temperature in Jiangxi

1 BP神经网络结构图 Structure of BP Neural Network tem per = 0:0172x 15:787 R 2 = 0:392 4 (5) 线性拟合倾向率为0.172 /10a 江西省年平均气温每10a升高0.172 2.

5 594 长江流域资源与环境第 25 卷波动较大图 5 江西省降水量的 Mann kendall 突变检验图 Fig.5 Mann-Kendall Mutation Test of Precipitation in Jiangxi 3 气候变化对水稻产量影响的计量经济模型分析 3.1 基于气候 - 经济模型的气象因子对水稻产量的影响鉴于 1997 年气候因子发生了显著变化, 故以 1997 年为临界点, 分别对 1978~1997 年和 1998~2013 年建立模型考虑到对时间序列数据建模时, 可能会存在自相关性和异方差性, 本文使用 Newey-West 协方差矩阵对参数修正 (NWOLS) [21], 得到最终的模型估计结果, 如表 2 总体来看, 在 5% 的显著水平下, 温度对水稻产量有显著的负影响, 在其他因素不变时, 气温每升高 1%, 将导致水稻产量降低个百分点 ; 降水量对水稻产量的影响则不显著, 可能是由于 1978~2013 年期间, 降水量的波动较大, 这也是前面的降水量对产量的线性趋势不显著的原因水稻播种面积化肥施用量农业机械总动力在 10% 显著性水平上都显著, 水稻播种面积每增加 1%, 水稻产量将增加 0.94 个百分点, 江西水稻产量对播种面积的依赖程度较高化肥施用量每增加 1%, 水稻产量将增加个百分点 ; 农业劳动力每增加 1%, 水稻产量将增加个百分点技术进步在 1% 的水平上通过了显著性检验, 对水稻产量呈正影响分阶段来看, 影响水稻产量的因素发生了显著的突变性,1997 年以前温度降水农业机械总动力和化肥对水稻产量的影响不显著, 之后温度对水稻产量有显著负影响, 温度每升高 1%, 水稻产量减少个百分点, 降水对水稻产量也起显著负影响, 降水每增加 1%, 使得水稻产量减少个百分点播种面积在 3 个模型中都显著, 表明播种面积是水稻产量重要的影响因素为了更清楚地认识气候变化对水稻产量的影响, 以上述计量模型为基础, 测算出水稻增产中气候因素的贡献, 将水稻产量减去非气候因素带来的水稻产量, 即可得到气候因素对产量的贡献率, 计算公式如下 : lny c lim ate = ln y 0 1 lnarea 2 lnpower 3 lnf erti 4 lnlabor 1 t ¹ (7) 实际操作中, 可以将各变量年均增长率与回归系数相乘, 即可得到各个变量对水稻总产量的贡献率为避免突发事件和异常数据的影响, 变量变化率取后 3a 年平均值相对开始 3a 平均值的变化表 2 气候因子对水稻产量的影响 Tab.2 Influence of Climatic Factors on Rice Yield 因变量水稻产量 (lny) 水稻产量 (lny) 水稻产量 (lny) (1978~1997 年 ) (1998~2013 年 ) (1978~2013 年 ) 自变量系数 T 统计量系数 T 统计量系数 T 统计量常数 *** lnarea 0.458** *** *** 5.83 lnpower lnferti ** *** lnlabor 0.45** * * lntemper ** ** lnrainfall ** T 0.019*** ** ** 调整的 R F 统计量 *** D.W 残差的 ADF 统计量 3.894*** 3.167*** 5.397*** 注 :*** ** * 分别表示在 1% 5% 和 10% 的水平上显著.

使用 Newey-West 协方差矩阵对参数修正 (NWOLS) [21], 得到最终的模型估计结果, 如表 2 总体来看, 在 5% 的显著水平下, 温度对水稻产量有显著的负影响, 在其他因素不变时, 气温每升高 1%, 将导致水稻产量降低 0.

6 第 4 期付莲莲, 等 : 江西省气候变化的特征及其对水稻产量的贡献基于气候 - 经济模型 595 率最后计算结果如表 3 从表 3 可知, 水稻产量增长来源于 3 个部分 : 物质要素的变化气候因素的变化和其他因素的变化不同阶段这 3 部分的贡献度不一样, 但物质 [22] 因素均超过 70%, 与 You 等的研究结果接近, 其中, 化肥的贡献率均较高, 表明提高土壤肥力有利于水稻产量的增加相对于 1978~1997 年, 1998~2013 年播种面积和农业机械总动力的贡献率上升, 分别达到 88.14% 40.95%, 而化肥和农业劳动力投入的贡献率下降 3 种不同的阶段, 气候要素的贡献率远小于物质要素 1978~2013 年气候因子的贡献率为 -6.5%,1998~2013 年相对于 1978~1997 年气候因子的贡献率更高, 从 5.97% 增加到 8.98%, 同时温表 3 因素对水稻产量的贡献率 Tab.3 Contribution of Factors to Rice Yield 解释变量 1978~1997 年 1998~2013 年 1978~2013 年系数变量变化率贡献率 (%) 系数变量变化率贡献率 (%) 系数变量变化率贡献率 (%) 物质要素 (74.4) 21.16(71.39) 22.93(83.72) lnarea ( 2.77) (88.14) ( 5.63) lnpower ( 16) (40.95) ( 146.3) lnferti (144.34) ( 33.1) (272.3) lnlabor ( 51.15) ( 24.6) ( 36.63) 气候要素 1.285(5.97) 2.663(8.98) 1.78( 6.5) lntemper (1.51) (4.63) ( 5.56) lnrainfall (4.46) (4.35) ( 0.94) 残值 ( 剩余因素 ) 4.23(19.63) 5.82(19.63) 6.24(22.78) 总增长 21.56(100) 29.64(100) 27.39(100) 注 : 括号内数字表示各因素的贡献率占总贡献率 (100%) 的百分比. 度的贡献率从 1.51% 增加到 4.63%, 降水的贡献率稍有下降, 从 4.46% 降到 4.35% 1978~1997 年温度和降水对水稻产量的作用方向不一致, 表明它们之间可能存在一定的交互效应, 说明气候变化有较强的复杂性 3.2 未来 10a 气象因子对水稻产量的情景模拟建立 BP 神经网络模型预测 2014~2023 年的江西平均气温和降水量, 根据预测值计算出变化率再乘以模型测算出来的 1998~2013 年温度和降水的弹性, 即可算出未来 10a 气候因子对水稻产量的贡献度 BP 神经网络模型中最大训练步长选择 5 000, 目标误差选择 0.01, 其他参数采用缺省值选用比较常用的方法 AIC 准则, 得到气候因子序列最佳滞后期为 5, 因此取输入数据的维数为 5, 可以表示为一个 5 维的向量, 可确定输入层节点为 5 输出层的节点数可以根据实际要求选取, 在本研究中输出层节点选取为 1 依据 1978~2005 年的数据作为理想输入,2006~2013 年的预测误差数据作为理想输出, 建立一个有 5 个输入层 1 个输出层的三层网络图 6 表明预测值与实际值之间的差距不大, 相对误差很小, 故可以用 BP 神经网络模型对 2014~ 图 6 BP 神经网络模型的预测值与真实值 Fig.6 Predicted Values From BP Neural Network and Real Values

88.14% 40.95%, 而化肥和农业劳动力投入的贡献率下降 3 种不同的阶段, 气候要素的贡献率远小于物质要素 1978~2013 年气候因子的贡献率为 -6.5%,1998~2013 年相对于 1978~1997 年气候因子的贡献率更高, 从 5.97% 增加到 8.

7 596 长江流域资源与环境第 25 卷 2023 年江西平均气温和降水量进行预测 ( 表 4), 根据预测结果计算出变化率, 再乘以表 2 中相应的弹性系数, 得到未来 10a 平均对水稻产量的贡献 ( 表 5) 未来 10a 平均气温对江西水稻产量的贡献为 1.48, 比 1978~1997 年气温的贡献 (0.325) 高出很多, 比 1998~2013 年气温的贡献 (1.373) 也略高 ; 未来 10a 降水量对水稻产量的贡献为 2.22, 比表 4 未来 10a 气候因子的变化趋势 Tab.4 Trend of Climatic Factors in the Next 10 Years 年份平均气温预测值 ( ) 降水预测值 (mm) Tab.5 表 5 未来 10a 气候因子对江西水稻的贡献 Contribution of Climatic Factors to Rice Yield in Jiangxi in the 1978~1997 年降水量的贡献 (0.96) 1998~2013 年降水量的贡献 (1.29) 都高出较多因此, 未来政府农业生产等相关部门要加强对洪涝灾害等的预测, 做好应对气候变化的适应性策略 4 主要结论和政策启示本文首先利用线性倾向率和 Mann-Kendall 突变检验统计方法, 分析了江西省气候因子的变化趋势和突变性, 发现 1997 年气候因子发生了突变然后通过构建气候 - 经济新模型, 实证分析了 1978 年以来各阶段气候变化对江西水稻产量的影响及其贡献率, 最后构建 BP 神经网络模型对 2014~2023 年江西气温和降水量进行预测, 利用预测值模拟未来 10a 气候因子对江西水稻产量的贡献, 主要研究结论如下 : (1) 过去 60 余年来江西省气温线性升高趋势明显, 平均每 10a 升高 0.172, 而降水的线性倾向不显著 ; 气温突变开始的时间约为 1997 年, 而降水的突变趋势不明显 Next 10 Years 气候因子的贡献系数 (1) 变化率 (2) 贡献 (3)=(1)*(2) 平均气温的贡献降水的贡献 (2) 气候变化对江西省水稻产量有显著影响, 但不同阶段气候因素的贡献率及作用方向存在差异 1978~1997 年气候因子贡献率为 5.97%, 其中温度和降水贡献率分别为 1.51% 4.46%; 1998~2013 年气候因子贡献率较前一阶段有所提高, 为 8.98%, 温度和降水贡献率分别为 4.63% 4.35%;1978~2013 年气候因子的贡献率为 -6.5%, 温度和降水贡献率分别为 -5.56% -0.94% (3) 物质要素是水稻产量主要的影响因素,3 个阶段贡献率高达 70% 以上, 其中播种面积和化肥的影响程度较高 ; 另外, 科技进步在 3 个模型中均显著, 技术进步对水稻产量增加有重要的促进作用 ; 未来 10a 平均气温对江西水稻产量的贡献为 1.48, 降水量对水稻产量的贡献为 2.22 水稻产量与气候因子密切相关, 温度和降水等气候因子对水稻产量既有有利的一面, 也有有害的一面在不同时期气候因子对水稻产量的影响程度存在差异,1997 年之后气候因素的贡献率增大, 因此, 政府气象等相关部门应加强气象信息传输, 为粮农合理安排水稻生产, 面对气候变化的不利影响采取相应措施提供理论和技术指导其次, 播种面积化肥和技术进步等对水稻产量的贡献率高达 70%, 说明江西省水稻产量的提高仍然依靠物质要素的投入, 因此, 政府部门要保障水稻播种面积, 提高土壤肥力, 加强水稻生产新技术的开发优良品种的推广抛秧等栽培技术的应用参考文献 : [1] BERNSTEIN L, BOSCH P, CANZIANI O, et al. Climate change 2007: synthesis report: an assessment of the intergovernmental panel on climate change[r]. Cambridge: IPCC, [2] 邓振镛, 王强, 张强, 等. 中国北方气候暖干化对粮食作物的影响及应对措施 [J]. 生态学报, 2010, 30(22): DENG Z Y, WANG Q, ZHANG Q, et al. Impact of climate warming and drying on food crops in northern China and the countermeasures[j]. Acta Ecologica Sinica, 2010, 30(22): [3] 杨爱萍, 杜筱玲. 江西省降水集中程度的变化特征 [J]. 中国农业气象, 2010, 31(4): YANG A P, DU X L. Characteristics of concentrative precipitation in Jiangxi Province[J]. Chinese Journal Agrometeorology, 2010, 31(4): [4] ZHANG T Y, ZHU J, WASSMANN R. Responses of rice yields to recent climate change in China: an empirical assessment based on

4 Trend of Climatic Factors in the Next 10 Years 年份 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 平均气温预测值 ( ) 19.31 19.28 19.45 18.93 18.7 18.92 19.3 18.66 19.27 19.11 降水预测值 (mm) 2 275.

8 第 4 期付莲莲, 等 : 江西省气候变化的特征及其对水稻产量的贡献基于气候 - 经济模型 597 long-term observations at different spatial scales ( )[J]. YAO F M, ZHANG J H, SUN B N, et al. Simulation and analysis of [5] [6] [7] [8] [9] [10] [11] [12] [13] Agricultural and Forest Meteorology, 2010, 150(7/8): KURUKULASURIYA P, MENDELSOHN R. A Ricardian analysis of the impact of climate change on African cropland[j]. African Journal of Agricultural and Resource Economics, 2008, 2(1): TAO F L, YOKOZAWA M, LIU J Y, et al. Climate-crop yield relationships at provincial scales in China and the impacts of recent climate trends[j]. Climate Research, 2008, 38(1): LOBELL D B. Changes in diurnal temperature range and national cereal yields[j]. Agricultural and Forest Meteorology, 2007, 145(3/4): PENG S B, HUANG J L, SHEEHY J E, et al. Rice yields decline with higher night temperature from global warming[j]. Proceedings of the National Academy of Sciences of the United States of America, 2004, 101(27): LIU H, LI X B, FISCHER G, et al. Study on the impacts of climate change on China's agriculture[j]. Climatic Change, 2004, 65(1/2): 陈鹏飞, 于延春, 杨飞, 等. 气候变化对鲁西北平原冬小麦产量的影响及对策 [J]. 自然资源学报, 2013, 28(2): CHEN P F, YU Y C, YANG F, et al. Effects of climate change on winter wheat yield and its adaptation measurement in Northwest plain of Shandong Province[J]. Journal of Natural Resources, 2013, 28(2), 熊伟, 杨婕, 林而达, 等. 未来不同气候变化情景下我国玉米产量的初步预测 [J]. 地球科学进展, 2008, 23(10): XIONG W, YANG J, LIN E D, et al. The projection of maize yield in China under climate change scenarios[j]. Advances in Earth Science, 2008, 23(10): 张建平, 赵艳霞, 王春乙, 等. 未来气候变化情景下我国主要粮食作物产量变化模拟 [J]. 干旱地区农业研究, 2007, 25(5): ZHANG J P, ZHAO Y X, WANG C Y, et al. Simulation of the yields change of China' main crops under climate change scenario[j]. Agricultural Research in the Arid Areas, 2007, 25(5): 万素琴, 刘志雄, 刘敏, 等. 未来气候变化对华中地区中稻产量影响的模拟 [J]. 生态学杂志, 2012, 31(11): WAN S Q, LIU Z X, LIU M, et al. Impacts of future climate change on middle-season rice yield in Central China: a simulation study[j]. Chinese Journal of Ecology, 2012, 31(11): [15] [16] [17] [18] [19] [20] [21] [22] effects of climate change on rice yields in Southern China[J]. Climatic and Environmental Research, 2007, 12(5): 朱晓莉, 王筠菲, 周宏. 气候变化对江苏省水稻产量的贡献率分析 [J]. 农业技术经济, 2013(4): ZHU X L, WANG Y F, ZHOU H. The contribution of climate change on rice production in Jiangsu province[j]. Journal of Agrotechnical Economics, 2013(4): ( 未链接到本条文献英文信息, 请核对 ) 朱珠, 陶福禄, 娄运生, 等. 江苏省水稻产量对气候变化的敏感性研究 -- 基于县级和站点尺度 [J]. 资源科学, 2013, 35(5): ZHU Z, TAO F L, LOU Y S, et al. Rice yield sensitivity to climate change in Jiangsu Province[J]. Resources Science, 2013, 35(5): 茆长宝, 陈勇. 南京市近 60 年气候变化及其对冬小麦产量影响 [J]. 资源科学, 2010, 32(10): MAO C B, CHEN Y. Climate change and its impact on winter wheat output in Nanjing during recent 60 years[j]. Resources Science, 2010, 32(10): 王秀芬, 杨艳昭, 尤飞. 近 30a 来黑龙江省气候变化及其对玉米产量的影响 [J]. 干旱区研究, 2012, 29(6): WANG X F, YANG Y Z, YOU F. Climate change and its impact to maize yield in Heilongjiang Province[J]. Arid Zone Research, 2012, 29(6): 周曙东, 朱红根. 气候变化对中国南方水稻产量的经济影响及其适应策略 [J]. 中国人口资源与环境, 2010, 20(10): ZHOU S D, ZHU H G. Economic analysis of climate change impact on the rice yield in Southern China and its adaptive strategy[j]. China Population, Resources and Environment, 2010, 20(10): 李云良, 张奇, 李淼, 等. 基于 BP 神经网络的鄱阳湖水位模拟 [J]. 长江流域资源与环境, 2015, 24(2): LI Y L, ZHANG Q, LI M, et al. Using BP neural networks for water level simulation in Poyang Lake[J]. Resources and Environment in the Yangtze Basin, 2015, 24(2): NEWEY W K, WEST K D. A simple, positive semi-definite, heteroskedasticity and autocorrelationconsistent covariance matrix[r]. Mass, USA: National Bureau of Economic Research Cambridge, YOU L Z, ROSEGRANT M W, WOOD S, et al. Impact of growing [14] 姚凤梅, 张佳华, 孙白妮, 等. 气候变化对中国南方稻区水稻产量影 season temperature on wheat productivity in China[J]. Agricultural and 响的模拟和分析 [J]. 气候与环境研究, 2007, 12(5): Forest Meteorology, 2009, 149(6/7):

A Ricardian analysis of the impact of climate change on African cropland[j]. African Journal of Agricultural and Resource Economics, 2008, 2(1): 1 23. TAO F L, YOKOZAWA M, LIU J Y, et al.

9 598 长江流域资源与环境第 25 卷 CHARACTERISTICS OF CLIMATE CHANGE AND ITS CONTRIBUTION ON RICE YIELD IN JIANGXI BASED ON THE CLIMATE-ECONOMY MODEL FU Lian-lian 1, ZHU Hong-gen 2, ZHOU Shu-dong 3 (1. College of ScienceJiangxi Agricultural University, Nanchang , China; 2. College of Economics and Management, Jiangxi Agricultural University, Nanchang , China; 3. College of Economics and Management, Nanjing Agricultural University, Nanjing , China) Abstract: Climate trend rate and M-K mutation test methods are applied to analyze trends and mutation characteristics of temperature and precipitation in Jiangxi during 1951~2012. Climate-economy model is established to study the effect of climatic factors on rice yield. Finally, BP neural network model is used to predict the contribution of climatic factors to rice yield in the next 10 years. The results showed that temperature increased at a rate of /10a over the past 60 yearsbut linear trend of precipitation was not significant. Mutation of temperature occurred in Mutation of precipitation was not obvious. There were differences between contribution and direction of climatic factors action at different stages. The contribution of climatic factors was 5.97% during 1978~1997, in which the contribution of temperature and precipitation was 1.51% and 4.46%. The contribution of climatic factors was 8.98% during 1998~2013, in which the contribution of temperature and precipitation was 4.63% and 4.35%. The contribution of material elements was above 70% in different stages, including a large degree of plantings and fertilizer. The contribution of temperature to rice yield in Jiangxi province was 1.48 and the contribution of precipitation was 2.22 over the next 10 years. Key words: climate change; rice yield; M-K mutation test; Climate-economy model; BP neural network model

College of Economics and Management, Nanjing Agricultural University, Nanjing 210095, China) Abstract: Climate trend rate and M-K mutation test methods are applied to analyze trends and mutation

mm 400 mm 15 mm EOF mm/10a Fig. 1 Distributions

mm 400 mm 15 mm EOF mm/10a Fig. 1 Distributions 7 2 2011 3 ADVANCES IN CLIMATE CHANGE RESEARCH Vol. 7 No. 2 March 2011 1673-1719 (2011) 02-0097-07 1961 2007 77 5 5 6 2 3 8 11 1980 1980 1990 2015 8 11 P426.6 A 7.86% 4 50 0.35 5 6 19 7 8 9 1 1906 2005

第 4 期 付 莲 莲, 等 : 江 西 省 气 候 变 化 的 特 征 及 其 对 水 稻 产 量 的 贡 献 基 于 气 候 - 经 济 模 型 591 不 少 学 者 从 播 种 面 积 化 肥 农 业 机 械 劳 动 力 投 入 等 方 面 研 究 了 水 稻 产 量 波 动 的 成 因,

第 4 期付莲莲, 等 : 江西省气候变化的特征及其对水稻产量的贡献基于气候 - 经济模型 591 不少学者从播种面积化肥农业机械劳动力投入等方面研究了水稻产量波动的成因,