Optimization of crop irrigation strategies using modeling in Haihe Plain under climate change
-
摘要:
定量化评估未来气候变化条件下农田水分利用和作物产量变化，并探究适应气候变化的灌溉策略对水资源紧缺粮食主产区的农业可持续发展具有重要意义。该研究应用改进的SWAT（soil and water assessment tool）模型与CMIP6（coupled model intercomparison project phase 6）的大气环流模式（general circulation model, GCM）相结合的方法，在3种共享社会经济路径（SSP1-2.6, SSP2-4.5和SSP5-8.5）下评估了未来时期（2041－2070年）海河平原实际蒸散量、灌溉量、地下水净使用量（net groundwater use, NGU）和作物产量的变化情况，探究了未来气候情景中适宜的作物灌溉策略。结果表明：1）与历史时期（1971－2000年）相比，未来时期区域年实际蒸散量增加5.5%、年灌溉量和年地下水净使用量分别减少5.9%和25.8%。在SSP5-8.5情景下，年实际蒸散量的增幅最低，年灌溉量和年地下水净使用量的减幅最高。2）相较于历史时期，未来时期冬小麦和夏玉米产量分别增加14.3%和6.5%，其中夏玉米产量增幅随温室气体排放情景的增强而降低。3）在未来气候情景中，雨养夏玉米结合冬小麦拔节期进行灌溉（灌水定额为25 mm，根据自动灌溉系统确定灌水频率）或可最大限度地实现该区地下水资源恢复。从确保粮食安全的视角，推荐雨养夏玉米与冬小麦在拔节期和灌浆期灌溉相结合。研究结果可为区域农业水资源合理规划、可持续的粮食生产政策的制定提供参考。
Abstract:The Haihe Plain has made a great contribution to national food security in the world. The stable production of grain crops can rely mainly on groundwater extraction for irrigation, thus leading to the overexploitation of groundwater in the region. Additionally, the ever-increasing global climate can also threaten water resources and food production. Deficit irrigation can be expected to serve as a water-saving technique under current climate conditions, in order to significantly improve water use efficiency. However, much more irrigation water can be required to fully meet the normal growth needs of crops, particularly with the general increase in temperatures. It is a high demand to quantitatively assess the changes in crop water use and crop yields under future climate scenarios. Adaption irrigation can be used to explore climate change for the sustainable development of agriculture in the major food-producing regions with scarce water resources. In this study, an enhanced SWAT model was combined with the multiple general circulation models (GCMs) from CMIP6, in order to simulate the climate and irrigation scenarios. The improved SWAT model included some enhancements in two aspects: one was an automatic irrigation using MAD (management allowed depletion), and another was the dynamic CO2 input. Additionally, three shared socioeconomic pathways (SSPs) were selected, namely SSP1-2.6, SSP2-4.5, and SSP5-8.5. Firstly, the enhanced SWAT model and multiple GCMs were applied to simulate the actual evapotranspiration (ETa), irrigation, net groundwater use (NGU), and crop yields under the SSP1-2.6, SSP2-4.5, and SSP5-8.5 scenarios in the future period (2041-2070). Furthermore, the appropriate irrigation strategies were explored for the future scenarios of climate change. The results showed that: 1) Annual ETa increased by 5.5%, whereas, the annual irrigation and NGU decreased by 5.9% and 25.8%, respectively, in the future period, compared with the historical period (1971-2000); Under the SSP5-8.5 emission, the annual ETa increased the least, whereas, the annual irrigation and NGU decreased the most. 2) The winter wheat and summer maize yield increased by 14.3% and 6.5%, respectively; There was the declined yield of summer maize under the greenhouse gas emission scenario. 3) In the future climate, the appropriate schedule of irrigation was achieved in the jointing stage of winter wheat with the rainfed summer maize, indicating the maximum groundwater recovery. In food security, it is recommended irrigation during the jointing and filling stages of winter wheat with the rainfed summer maize. 4) In terms of grain production and groundwater resource recovery, the irrigation strategies can be recommended to vary among different zones. In Baoding, Shijiazhuang, Xingtai, and Hengshui zones, irrigation can be applied during both the jointing and filling stages. In the Handan zone, irrigation can be recommended only during the jointing stage, while in the Langfang zone, it should be during the filling stage. Finally, irrigation can be advised before winter and during the filling stage of winter wheat in the Cangzhou zone. The findings can provide for the rational planning of regional agricultural water resources and sustainable food production.
-
Keywords:
- climate change /
- groundwater /
- irrigation /
- SWAT model /
- CMIP6 /
- crop yield /
- Haihe Plain
-
0. 引 言
《联合国气候变化框架公约》中将气候变化定义为“除在类似时期内所观测的气候的自然变异之外，由于直接或间接的人类活动改变了地球大气的组成而造成的气候变化”[1]，以此来区分由人类活动引起的“气候变化”和自然产生的“气候变率”。气候变化主要表现为气温升高、降水模式改变、二氧化碳浓度升高等形式，会影响生态过程、威胁生物多样性、改变物种栖息地的适宜性、影响物种分布[2]。气温升高会影响植物物候，改变叶芽发芽、开花和结果的时间[3-4]。降水模式的变化可能导致水分胁迫或内涝，影响植物的生长和生存[5]。大气二氧化碳浓度升高会影响光合作用和水分利用效率，从而影响植被生产力[6]。热浪、暴雨、干旱和飓风等极端天气事件可能变得更加频繁和强烈[7]。根据世界气象组织的数据，2011—2020年是自有记录以来最热的十年，全球平均气温与工业化前水平相比高出了约1.2 ℃[8]。可以说，气候变化是当今世界面临的最大环境挑战之一。
气候变化的主要驱动因素之一是农业生产、土地利用和交通运输等人类活动排放的温室气体[9]。联合国环境规划署在其《2022年排放差距报告》中指出，根据《巴黎协定》，为了在21世纪末将全球增温限制在1.5 ℃以内，至2030年必须减少45%的温室气体排放量，至2050年需达到净零排放[10]。土壤碳库既是陆地生态系统中最大的碳库，也是全球碳循环中的重要组成部分，气候变化会对土壤碳储量产生重要影响。同时，土壤中的有机物质分解也会影响大气中二氧化碳浓度，进而影响全球气候。已有研究表明，土壤对大气二氧化碳浓度的贡献是矿物燃料燃烧的10倍之多[11]。全球农田土壤碳储量约为140～170 Pg C，大约占全球陆地土壤碳库总量的10%，在全球碳循环中具有重要地位[12]。相比于森林、草地等生态系统，农田土壤碳库相对活跃，极易受到人为活动的影响，但同样也更容易自我恢复[13]。农耕活动扰动了土壤与大气碳库之间的碳平衡，使农田土壤排放二氧化碳[14]。同时，农田土壤碳储量与土壤有机质含量密切相关，是衡量农田土壤质量的重要因素，其含量减少不仅会降低农田的可持续利用能力，还可能引起农田生态系统的退化[15]。因此，评估农田土壤碳储量及其缓解气候变化影响的潜力，对深入了解气候变化对农田生态系统的影响具有重要意义。
农田土壤碳储量评估方法可分为经典评估方法和气候变化影响评估方法两类。经典评估方法包括土壤类型法、生命带法、经验参数法、二氧化碳通量法等。这些方法主要利用土壤有机质含量或碳密度等实测数据，结合土壤类型、植被类型进行外推，以估算土壤总碳储量。应用3S技术可以帮助分析土壤碳储量的时空分布和演化过程。尽管这些方法使用方便、技术成熟、广泛应用，但前期采集的土壤样点数据质量和数量直接影响后期评估的准确性。不同学者使用不同的统计方法也可能导致数据可信度下降和结果误差较大。气候变化影响评估方法综合考虑气候、土壤、地形、植被、遥感等多种复杂参数，通过模拟土壤-作物-大气系统或土壤碳循环过程，实现对土壤碳储量的模拟[16-17]。相较于经典评估方法，气候变化影响评估方法可以通过调整输入参数和敏感性分析等方式，量化土壤碳储量与影响因素之间的关系。在当前气候变化背景下，这类方法得到了越来越广泛的应用[17-18]。
许多研究分析了气候变化因子对农田土壤碳储量变化的影响[16, 19]，气候变化影响的农田土壤碳储量评估方法也从最初的单组分模型发展到多组分模型以及组合模型。然而，气候变化包括多种具体表现形式，不同气候变化因子对农田土壤碳储量的影响各不相同。同时，不同模型在机理、结构和参数设置上存在差异，导致评估结果的不确定性较大；模型的验证和对比研究还相对缺乏，限制了评估方法的推广应用。因此，本研究在总结前人研究成果的基础上，从模型机理层面入手，综合分析气候变化各因子的相互作用和复合效应，评价和对比不同评估方法的优势与局限，提出未来的研究重点。这将有助于提升农田土壤碳储量评估的准确性和可靠性，为制定农业领域的碳中和策略、促进生态健康和可持续发展提供更加科学的决策依据。
1. 气候变化对农田土壤碳储量的影响
气候变化主要表现为气温升高、降水模式变化、二氧化碳浓度增加、大气氮沉降等多种形式（图1）。气候变化的单因子对农田土壤碳储量的影响各不相同，而其多因子联合作用可能导致协同或拮抗作用，从而放大或减轻气候因素对土壤碳储存的个体影响。
![]()
图 1 气候变化对农田土壤碳储量的影响示意图Figure 1. Schematic illustration of the impacts of climate change on agricultural soils carbon storage1.1 气候变化单因子对农田土壤碳储量的影响
气温升高通过提高土壤有机质的分解速率使土壤中的碳以二氧化碳的形式排放到大气中[20]，并通过影响作物物候期、作物产量和农业生产活动[21]，间接影响农田土壤碳储量。降水模式变化通过影响土壤呼吸[22]和作物生长[23-24]等方式去影响农田土壤的碳储量。二氧化碳浓度升高通过影响作物的光合作用效率和生长过程对农田土壤碳储量产生间接影响[25-26]。同时，大气二氧化碳浓度升高可能会增强土壤的呼吸作用，进而抑制土壤有机碳的增加[27]。大气氮沉降通过影响碳输入与输出之间的平衡来影响土壤碳储量。通常情况下，大气中的氮沉降的增加会刺激植物的生长[28]。
气候变化不仅导致极端天气频率增加，而且影响程度也不断增强。干旱会极大降低陆地植被生产，长期严重干旱会使植被大范围死亡[29]。极端高温天气会导致小麦产量明显下降[30]。作物产量下降使得植物生物量降低，导致以作物残茬和植被形式储存在农田土壤中的碳储量减少。极端降水事件会引发土壤侵蚀，冲走富含有机物的表层土壤，直接导致土壤中碳储量的损失[31]。野火会破坏植被，降低净初级生产力，消耗地表凋落物中的碳和养分，增加土壤碳损失[32]。另外，积雪厚度增加会延迟土壤二氧化碳排放峰值[33]，太阳辐射增强能够加强土壤呼吸作用[34]。
1.2 气候变化多因子对农田土壤碳储量的复合影响
气温升高而降水减少会导致干旱胁迫，从而使植物生长速率和作物产量降低[35]。气温、降水、二氧化碳浓度对土壤中的有机碳含量有协同影响，在二氧化碳浓度、气温和降水同时增加的情况下，土壤中存储的有机碳将以二氧化碳的形式返回到大气中[36]。但部分全球气候碳循环模型预测，大气二氧化碳浓度升高会提高土壤有机碳含量，或至少能够部分低消气温升高带来的土壤有机碳分解对土壤碳库的影响[37]。二氧化碳、大气氮沉降、臭氧多因子组合效应可能影响土壤中微生物的活动[38]。
不同的气候变化因子对土壤碳储量的影响是复杂的（表1）。为了更好地理解气候变化在农业生态系统碳循环中的作用，考虑不同气候变化因子下的综合影响并探索其潜在机制至关重要。
表 1 气候变化因子对农田土壤碳储量的影响Table 1. Impacts of climate change on agricultural soil carbon storage气候变化因子
Factors of climate change影响
Impacts气温升高
Rising temperature气温升高会提高土壤有机质的分解速
率[20]；气温升高将会对生物物候和农业生产活动产生直接影响[21]。降水模式变化
Change in precipitation patterns降水模式变化会影响土壤呼吸作用[22]；降水的频率和强度变化会影响陆地植被的生产力[23-24]。 二氧化碳浓度升高
Increasing carbon dioxide concentrations大气二氧化碳浓度升高会提升植物的光合效率[25- 26]；大气二氧化碳浓度升高也可能对土壤碳储量造成负面影响[27]。 大气氮沉降
Atmospheric nitrogen deposition大气氮沉降增加会刺激植物的
生长[28]。极端天气
Extreme weather events极端高温、干旱将会极大降低陆地植被生产[29-30]；极端降水事件会引发土壤侵蚀[31]；野火会增加土壤碳损失[32]。 气温、降水组合
Temperature-precipitation interactions气温升高而降水减少会导致干旱
胁迫[35]。气温、降水、二氧化碳浓度组合
Temperature-precipitation-carbon dioxide interactions气温、降水、二氧化碳浓度对土壤中的有机碳含量有协同影响[36]；但大气二氧化碳浓度升高与气温升高、降水模式改变之间也可能发生拮抗作用[37]。 二氧化碳、大气氮沉降、臭氧组合
Carbon dioxide-nitrogen deposition-ozone interactions二氧化碳、大气氮沉降、臭氧组合效应可能促进有机碳分解[38]。 2. 气候变化影响的农田土壤碳储量评估方法
2.1 统计分析方法
统计分析方法包括线性回归模型、机器学习模型等。此类方法利用统计学原理构建数学统计模型来估算农田土壤碳储量。统计分析法具有适应性强、应用简便、可解释性强的特点，并可以量化各种环境因素对碳储量的贡献[39]。环境变量选取是建立回归分析模型的重点。植被指数、气候、地形和成土母质等成土关键指标是常用且易于获取的环境变量。需要注意的是，输入数据的质量对统计分析方法的输出结果影响较大。如果输入数据数量较少、质量较差或存在误差，则构建的模型及其输出结果可能不准确。统计分析法通常用于预测现有数据范围内的情况，对未来或超出条件下的外推预测可能存在不确定性。
2.1.1 线性回归模型
线性回归模型包括简单线性回归模型、岭回归模型、逐步回归模型等多种变体，其基本原理类似。经典的多元线性回归模型是一种检验因变量和两个或多个自变量之间线性关系的统计模型。模型为每个自变量分配一个系数，该系数用以表示其与因变量关系的强度和方向。模型通常使用普通最小二乘法计算使因变量的观测值与预测值之间的差异最小的最佳拟合线，使残差平方和最小化。多元线性回归模型是一个全局模型，模型对所有数据的估计参数求解一次，参数的值在空间上是恒定的。例如，使用土壤平均有机碳含量、平均容重、砾石体积分数、土层厚度等数据测算剖面深度内的土壤有机碳密度，以土层平均有机碳含量为横坐标、各土层中点深度为纵坐标构建线性函数、双曲函数、幂函数、指数函数、对数函数和S型函数7个曲线方程，并采用数值计算方法对所得深度范围的积分值进行求解，最后计算山东省各土壤亚类的有机碳密度和储量[40]；基于全国第二次土壤调查2 000多个土壤剖面的碳储量与年均温和年降水量之间的关系，得出不同温度带的土壤碳储量与温度的相关性存在显著差异[41]；基于小型无人机和高分辨率光谱仪的回归分析可作为反演土壤有机碳的新技术[42]。线性回归模型具有计算简单、解释性强等优点，但要求输入数据符合正态分布、自变量和因变量之间存在相关关系且无多重共线性，因此使用场景受限，通常作为其他模型的参照基准。
2.1.2 机器学习模型
机器学习模型包括随机森林、支持向量机、神经网络等。随机森林模型因为具有可以同时处理线性和非线性数据、预测精度较高、稳定性强等特点，被广泛应用于土壤有机碳空间分布模拟。随机森林源于决策树模型，其将多棵决策树组合成为一个“森林”来执行分类或回归任务，并通过投票（分类）或平均（回归）获得最终模拟结果[43]。同时，随机森林通过计算袋外数据的均方误差或基尼指数来确定输入变量的重要性，量化环境变量的影响。例如，使用随机森林、支持向量机和普通克里格模型对福建东部耕地土壤有机碳的空间分布特征进行预测，发现随机森林预测结果最佳，高程和降水量是最重要的影响因子[39]；基于土壤样本、环境变量和共享社会经济路径情景，结合增强回归树和随机森林模型，评估得出2015年东北地区表层土壤（0～20 cm）有机碳储量为
5293 Tg C，2090年SSP245情景下的碳储量增加1.9%，SSP585情景下的碳储量减少0.4%[18]。其他机器学习模型也在预测土壤碳储量方法有广泛应用，如基于静态和动态环境变量，使用CatBoost模型预测1971—1990年全球表层土壤（0～30 cm）有机碳储量为1249.29 Pg C[16]，基于两点机器学习模型（two-point machine learning，TPML）提升土壤有机质的空间分布预测能力[44]。由于机器学习模型是对区域整体的土壤有机碳储量进行预测，因此仅以农田为研究对象的较少。机器学习模型具有稳定性强、预测精度高、适应性强等优点，但由于模型内部为黑箱结构，其运行过程较为复杂且难以解释。同时，机器学习模型及由此衍生的深度学习模型在进行大规模运算时对算力要求较高，运行效率较低。2.2 基于机理的过程模拟模型方法
基于机理的过程模拟模型方法结合生物物理数学公式、实测数据和遥感影像，通过模拟土壤碳循环过程，构建土壤碳评价与预测模型，以预测区域乃至全球的土壤碳储量。根据模型中是否显示表达微生物分解作用，基于机理的过程模拟模型方法可分为面向过程的模型和面向微生物的模型；面向过程的模型关注控制能量和物质转换的过程，面向微生物的模型关注通过食物网的能量和物质流动[45]。基于机理的过程模拟模型方法从机理角度研究土壤碳储量，其输出结果能精细区分出不同的土壤碳库，对土壤碳循环过程进行精确模拟。此外，在初始运行阶段，不同的模型考虑了不同的气候、土壤、管理等参数，综合反映自然条件对作物和土壤的影响，并根据这些参数对其进行模拟和预测。但是，基于机理的过程模拟模型存在参数选择和设置复杂、预测精度难以验证等问题。
2.2.1 过程模型
土壤碳循环的早期研究主要集中在对土壤有机质的形成、分解、迁移和影响因素等方面的探讨。早期提出的土壤有机碳单组分方程描述了土壤碳随时间变化的动态过程，表明状态变量的变化速率取决于其输入率和分解速率[46]。之后，单组分模型被用于分析不同条件下的土壤碳循环[47-49]。但是，土壤有机质中存在多种不同的成分，其分解速度也各不相同。基于长达10年的碳标记田间试验结果，土壤有机碳双组分变化模型通过对两个组分的指数函数相加来描述土壤中有机碳的整体变化[50]。面向过程的模型包括Roth C模型（Rothamsted carbon）、EPIC模型（environmental policy integrated climate）、SCNC模型（soil carbon and nitrogen cycle model）等。
Roth C模型于20世纪70年代由英国洛桑实验室基于长期定位试验数据构建[50-51]。Roth C模型是非涝渍表层土壤中有机碳周转的模型，考虑了土壤类型、温度、含水率和植物覆盖对周转过程的影响[52-53]。模型能够以月尺度计算多年的土壤总有机碳和微生物碳。模型将土壤有机碳分为4个活性有机物库和一个惰性有机物库（inert organic matter, IOM）（图2）。4个活性碳库分别是易分解植物残体库（decomposable plant material, DPM）、耐分解植物残体库（resistant plant material, RPM）、土壤微生物库（microbial biomass, BIO）和腐殖质库 （humus, HUM）。每个碳库通过具有自身特征速率的一阶过程分解，该速率受温度、湿度和土壤覆盖率的影响[54]。每月输入的有机碳通过DPM/RPM比例在DPM和RPM之间分配。不同的植物DPM/RPM比例不同，当比值为1.44，适用于大多数农作物和改良草地[54]。DPM、RPM、BIO和HUM都会被分解成BIO、HUM和二氧化碳。模型设定当底物被分解时，所有土壤中形成的BIO与HUM的比例是相同的。IOM几乎不分解。土壤温度和土壤含水率通过改变速率常数来影响分解[53]。土壤质地通过确定二氧化碳之间的比率来影响土壤有机碳的稳定性。运用分位数随机森林模型和Roth C模型对丹麦农业生态系统在气候和土地利用变化情景下土壤有机碳的封存潜力分析发现，丹麦2018年土壤碳储量为10～181 Mg /hm2（以C计, 涉及碳密度单位时均如此），2038年无论何种场景，土壤碳储量都将损失，且损失主要受温度升高和黏土含量的强烈影响[55]。基于Roth C模型，对气候变化与农业管理相互作用影响下芬兰2021—2040年农田土壤有机碳封存潜力分析发现，碳输入将促进农田土壤的固碳潜力，然而气候变化将平均减少0.28 t /(hm2·a) [19]。植物碳输入率对于提高模型的性能至关重要[56]。但是，由于Roth C模型是根据英国洛桑实验站的长期定位实验数据进行设置参数，经验性较强，对于水田等长期淹水的土壤模拟效果较差。研究发现，Roth C模型在中国北方旱地的预测精度高于南方水田[57]；模拟长江中游稻田土壤有机碳变化时该模型模拟误差较SCNC模型大[58]。
![]()
图 2 Roth C模型碳循环示意图Figure 2. Schematic diagram of the carbon cycle for the Roth C (Rothamsted carbon) modelEPIC模型于20世纪80年代初由美国农业部和德克萨斯州大学共同开发，用于研究气候、环境、土壤侵蚀及其对农业生产的影响[59-60]。EPIC模型包含气象、水文、土壤侵蚀、养分循环等10个子系统构成。模型的碳模块源自对CENTURY模型[61]的改进，其将土壤有机质区分为生物库、慢性库、惰性库、结构库、代谢库5个分库。凋落物按木质素和氮含量确定进入代谢库的比例，其余则进入结构库。代谢库和结构库根据木质素含量分别区分地上和地下的分解速率，其速率受土壤温度和土壤湿度的影响。生物库包括微生物组分及其产物，分解速率受到土壤质地和田间持水量的影响。慢性库包括难分解的有机物和由土壤固定的微生物产物，分解速率较慢。惰性库中的有机物几乎不分解。EPIC模型与CENTURY模型存在淋溶方程、控制参数、碳库数量和木质素含量函数4个方面的区别[60-62]。对斯洛伐克农场在不同气候变化情景下土壤有机碳和作物产量变化模拟表明，2010—2050年表层土壤有机碳储量呈下降趋势，温度升高会加速土壤有机碳的分解，尤其是在土壤被集约化管理的情景[63]。虽然国外已有许多将EPIC模型应用到农田土壤碳储量方面的研究，但国内主要使用EPIC模型分析不同灌溉、施肥、耕作、管理措施等条件对农田土壤碳储量模拟的影响。如使用EPIC模型模拟中国作物秸秆还田对农田土壤碳储量的影响，发现秸秆还田场景可以减少碳损失，并降低农田的二氧化碳排放量[17]。需要注意的是，当使用EPIC模型模拟极端气温和降水量或非指定地点等输入变量时，模型具有不确定性，整体模型的可靠性约为56%[64]。EPIC模型目前已于2023年更新到
1102 版本，并嵌入到SWAT[65]、APEX等区域模型中。SCNC模型主要用于模拟农田土壤有机碳和养分循环[66]。模型分为平衡模式和预测模式。SCNC模型将土壤碳库区分为快速分解组分、慢速分解组分、土壤腐殖质组分、微生物组分、微生物代谢产物和残体组分、不分解组分6个库。其分解产物为二氧化碳、微生物碳、非腐殖质、腐殖质4类。模型主要考虑气候、土壤、植被和耕作类型等环境参数，使用较为简便，主要应用在中国地区的水田研究。例如，使用SCNC模型模拟2050年气温升高条件下的亚热带和黄土高原地区的农田土壤碳储量，结果表明两者将分别降低大约5.6%～10.9%和3.6%～9.4%[67]。但模型可能会低估不施肥处理的土壤有机碳储量[68]。
2.2.2 微生物模型
土壤微生物通过产生微生物产物强烈地影响土壤有机质的形成[69-70]。微生物生长效率和生长动力学等基本生理性状对凋落物分解速率和净微生物生物量产生直接影响，而随后的微生物生物量周转则强烈影响土壤有机质的投入速率[71]。微生物模型更加强调土壤微生物对土壤有机碳动态的影响，全面考虑了土壤中微生物的生长、代谢和死亡等过程，以及微生物与土壤有机碳之间的相互作用[72]。同时，由于微生物的温度敏感性较强，使得微生物模型对全球气候变暖更加敏感。面向微生物的模型主要有Enzyme模型、MIMICS模型（microbial-mineral carbon stabilization model）、MEND模型（microbial-enzyme-mediated decomposition model）等。
基于土壤酶动力学的Enzyme模型用于模拟土壤有机碳的分解过程[73]。该模型将土壤有机碳划分为土壤有机碳库（soil organic carbon，SOC），溶解有机碳库（dissolved organic carbon，DOC）、微生物库（microbial biomass，MIC）和酶库（enzymes，ENZ）（图3）。在传统的面向过程的模型中，微生物过程与土壤碳周转没有明确耦合，因此微生物生物量和酶产量的变化不能反馈分解。Enzyme 模型将温度敏感性纳入微生物模型，以探索微生物死亡输入随着持续变暖而短暂增加土壤呼吸的机制。温度敏感参数为包括酶催化、摄入、碳利用效率（carbon use efficiency, CUE）。模型假设酶产量与微生物数量成正比，微生物碳利用效率随着温度升高呈线性下降，并认为微生物生物量和酶催化SOC向DOC转化是有机碳分解的限速步骤。模型能够精细刻画全球气候变化对土壤碳储量的影响机制[74]，但单独应用于农田土壤碳储量模拟的研究较少。
![]()
图 3 Enzyme 模型碳循环示意图Figure 3. Schematic diagram of the carbon cycle for the Enzyme modelMIMICS模型将土壤有机碳划分为受物理保护碳库、可用碳库和受化学保护碳库[71-72]。模型中有两种微生物功能类型，分别对应于富营养的r策略和寡营养的k策略 [75-77]。MIMICS模型根据凋落物质量，将凋落物输入流转到代谢凋落物库和结构凋落物库。凋落物库和可用碳库的分解基于温度敏感的Michaelis-Menten动力学方程控制[78] 。微生物生长效率决定了进入微生物库的碳通量分配与异养呼吸。微生物生物量的周转取决于微生物的功能类型。模型中温度敏感性的动力学参数源于观测数据[79]，并根据微生物功能类型、凋落物化学质量和土壤质地效应的假设进行了修改。MIMICS模型当前暂未考虑土壤湿度。MIMICS模型描述了土壤中与微生物结合的有机碳与游离态有机碳之间的动态平衡，取决于微生物的生物量、微生物对有机碳的吸收速率以及微生物对有机碳的亲和力。MIMICS模型以小时为模拟时间步长。张秀等使用MIMICS模型模拟了1980—2015年江苏南部农田表层土壤（0～20 cm）有机碳密度的时空演变情况，取得了较好的模拟效果[80]。
MEND模型分析微生物酶介导的土壤有机碳循环过程[81]。MEND模型拥有6个碳库：颗粒有机碳库、矿物伴生有机碳库、溶解有机碳库、微生物碳库、颗粒有机碳分解酶库和矿物伴生有机碳分解酶库。MEND模型中的多个土壤有机碳库阐明了不同类型有机碳对温度变化的不同响应以及各种不同碳库对整体土壤有机碳动力学信息，反映了特定酶靶向特定底物的催化功能以及微生物、酶和土壤有机碳之间的相互作用。
2.3 组合模型方法
尽管机器学习模型具有强大的学习和预测能力，但它是一种纯粹的数据驱动方法，很难嵌入土壤学知识或与土壤相关的理化定律[82]，也难以在模拟土壤有机碳的时间变化时表达物理定律[83]。虽然基于机理的过程模拟模型方法使用大量的土壤动力学方程，却产生建模过程不灵活、输入变量数量有限等局限，导致模拟空间分布时不如机器学习模型准确[82, 84-85]。因此，组合模型通过将两个或两个以上不同类型的模型组合在一起，汲取各方法的优势，以获得更高的模拟精度、更强的可靠性、更好的可解释性。比较常用的组合模型有回归克里金模型、POML模型(process-oriented-machine learning)等。
回归克里金模型通过将前述各类回归模型与地统计模型结合，综合考虑土壤碳储量与环境变量之间的关系以及土壤碳储量的空间自相关性，提升整体模拟精度。模型最终预测值为回归算法预测值与克里金法对回归算法残差项预测值的叠加。其中，回归算法可以为线性回归算法，也可以为机器学习算法。同样地，克里金法也可换用其他地统计学方法，均表现出良好的模拟效果[86-87]。例如，使用土地利用类型、海拔和植被等环境因素，基于回归克里格法测算了华北小流域土壤有机碳和全氮的空间分布特征[88]。
POML模型整合了基于机理的过程模拟模型方法（process-oriented model，PO）和机器学习模型（machine learning model，ML）（图4）[89]。POML模型结合PO模型（Roth C模型）和ML模型（随机森林模型）的优点来提高对土壤碳的空间和时间预测能力。模型的基本概念是将PO模型在未采样年份导出的模拟值作为额外的训练数据纳入ML模型中，以实现训练数据跨越全部时间段。模型包括两个主要步骤（图4中①和②），首先是产生所有采样地点从开始到结束的所有年份的土壤有机碳储量模拟值，然后是利用Roth C模型的样本数据和模拟数据校准随机森林模型，通过最小化整体损失函数得到最终的预测模型。使用POML模型模拟江苏南部农田土壤有机碳时空分布的结果表明，混合模型的精度比单个ML模型提高了19% [89]。
![]()
气候变化影响的农田土壤碳储量评估方法通过整合气候、土壤、植被、和生物过程等多种生态因素，为研究者提供了深入理解生态系统碳循环的有力工具。然而，模型的精度仍然取决于对参数的准确性和对复杂生态系统过程的深刻理解。并且，不同的模型由于其构建理论基础不同，其适用性不尽相同。因此，要根据研究的目标、对象、研究区的特点以及研究者的理论基础选择适宜的模型。同时，也要综合气候变化多因子组合效应、模型不确定性以及生态系统韧性的综合考量，推动气候变化背景下土壤碳储量评估方法的不断发展与完善。
3. 未来展望
3.1 关注微生物介导的土壤碳储存机制
土壤碳周转是一个复杂的过程，土壤碳库稳定性受碳输入、周转和稳定化过程的共同调控，但植物残体分解、根系分泌物输入、微生物碳泵效应、团聚体形成等土壤碳周转关键过程的机理研究尚不明确，气候变化对土壤碳循环速率和平衡的影响机制也存在不足。同时，土壤微生物是调控土壤碳循环过程的关键因素，在土壤有机碳的分解、转化和固存过程中发挥着重要作用。然而，目前对微生物驱动的土壤碳储存机制认识还较为有限，特别是在气候变化背景下，气温上升对微生物群落的影响将持续加大[73-74]，但微生物群落结构和功能对土壤碳循环的响应和反馈机制尚不清楚。因此，未来应阐明土壤碳周转的主控因素及其相互作用机制、探究土壤碳周转的关键过程及其调控机制、加强土壤碳周转与全球变化的耦合研究。同时，深入探究气候变化对土壤微生物群落结构和功能的影响，阐明微生物介导的土壤碳稳定化机制，揭示微植物-土壤-微生物互作网络对农田碳汇功能的调控机理，为微生物介导的农田土壤碳储存提供新思路。
3.2 聚焦气候变化多因子交互效应
气候变化是一个复杂的过程，涉及温度、降水、二氧化碳浓度、氮沉降等多个因子，这些因子之间存在复杂的交互作用，对农田土壤碳储量产生综合影响。此外，极端气候事件如干旱、洪涝、热浪等的频发，对农田土壤碳循环过程也产生显著影响[30]。因此，未来的研究应该更加注重全球和区域尺度上气温升高、降水模式变化、二氧化碳浓度升高等多因子的综合效应，通过田间试验或模型模拟进行控制变量试验，以全面把握气候变化对农田生态系统的综合影响机制。加强全球气候模型与生态系统模型的耦合，提高模拟的空间分辨率和精度，以更好地模拟多因子的协同效应。加强对多因子交互影响机制的深入挖掘，尤其是在考虑不同气候区域和生态系统差异的基础上，定量评估不同气候变化因子对农田土壤碳储量、作物生长和生态系统稳定性等关键指标的协同作用。
3.3 发展综合模拟模型
当前基于气候的农田土壤碳储量评估方法虽然日趋成熟，但仍存在一些局限性。统计分析方法高度依赖于输入数据，难以可靠地外推到其他时间段。基于机理的过程模拟模型方法虽然能够反映土壤碳动力学过程，但对环境变量的考量较少[87]。综合模拟模型可以结合统计分析方法和基于机理的过程模拟模型方法的优点，既能够进行时空建模，又能够反映土壤碳对气候变化和人类活动的机理响应[85]。未来的研究可以向综合不同模型方面发展，通过整合不同模型的优势，建立更全面、准确的评估框架[55]。通过构建耦合全球气候、土壤特性、植被生长和人类活动的综合性框架，以更全面、准确地模拟不同气候情景下的农田土壤碳储量动态。应用人工智能、大数据等前沿技术，优化模型结构，提升模拟效率和精度，提高可解释性和可操作性。通过发展新一代综合模拟模型，可以为农田土壤碳储量评估和预测提供新的模型工具，为制定基于自然的碳汇策略和农业管理措施提供科学依据。
3.4 模型不确定性研究
不确定性检验在评估气候变化对农田土壤碳储量的影响研究中具有重要作用。模型不确定性可能源于数据、模型、尺度或多种因素耦合[90]。特别是生态系统过程模型，其存在计算过程复杂、输入参数多、结果验证困难等固有难题，加之未来气候变化中二氧化碳浓度、大气氮沉降速率、火灾频率、干旱、异常降水以及土地利用的变化都可能影响预测效果。微生物模型中的碳利用效率及其温度敏感性同样会在土壤有机碳反馈中产生很大的不确定性[73]。未来研究应着眼于提高气候变化与农田土壤碳储量模拟的可信度和预测精度，深入理解模型中的不确定性来源，包括参数不确定性、输入数据的不确定性以及模型结构的不确定性。通过更全面的参数敏感性分析，寻找在不同气候情景和地域条件下模型响应的不确定性。此外，要关注不同尺度下模型不确定性的传递和放大机制，以更好地理解模型在不同空间和时间尺度上的适用性。同时，为了增强模型不确定性的研究，可以将不同的不确定性检验方法集成到一个统一的模型框架中，以提供更全面的不确定性估计[91]。最终目标是建立更可靠、更稳定的模型，为研究者和决策者提供更准确的信息，促进可持续土壤管理和气候变化适应策略的制定。
-
![]()
图 1 研究区域地理位置、气象站点分布及分区
Figure 1. Location of the study area, distribution of meteorological stations, and regional division
![]()
图 2 历史时期和未来时期年降水量（PR）、太阳辐射量(SR)、最高气温（Tmax）和最低气温（Tmin）动态
注：SSP1-2.6为低浓度温室气体排放情景；SSP2-4.5为中等浓度温室气体排放情景；SSP5-8.5为高浓度温室其他排放情景。下同。
Figure 2. Dynamics of annual precipitation (PR), solar radiation (SR), maximum air temperature (Tmax), and minimum air temperature (Tmin) during the historical period and future period
Note: SSP1-2.6, SSP2-4.5 and SSP5-8.5 are senarios of low, middle and high greenhouse gas emission, respectively. Same as below.
![]()
图 3 未来气候情景下年实际蒸散量（ETa）、灌溉量（IR）、地下水净水用量（NGU）、冬小麦产量（WWY）和夏玉米产量（SMY）相较于历史时期的变化
Figure 3. Change (CP) in annual evapotranspiration(ETa), irrigation (IR), net groundwater use (NGU), winter wheat yield (WWY), and summer maize yield (SMY) under the future climate scenarios compared to the historical period
表 1 本研究中CMIP6的22个大气环流模式列表
Table 1 List of 22 general circulation models (GCMs) from CMIP6 projections used in this study
编号
No.机构ID
Institute ID缩写
Abbreviation国家
Country编号
No.机构ID
Institute ID缩写
Abbreviation国家
Country1 ACCESS-CM2 ACC1 澳大利亚 12 GFDL-CM4 GFD2 美国 2 ACCESS-ESM1-5 ACC2 澳大利亚 13 GISS-E2-1-G GISS 美国 3 BCC-CSM2-MR BCCC 中国 14 INM-CM4-8 INM1 俄罗斯 4 CanESM5 Can1 加拿大 15 INM-CM5-0 INM2 俄罗斯 5 CanESM5-CanOE Can2 加拿大 16 IPSL-CM6A-LR IPSL 法国 6 CNRM-CM CNR1 法国 17 MIROC6 MIR1 日本 7 CNRM-CM6-1-HR CNR2 法国 18 MIROC-ES2 L MIR2 日本 8 CNRM-ESM CNR3 法国 19 MPI-ESM1-2-HR MPI1 德国 9 EC-Earth3 ECE1 欧洲 20 MPI-ESM1-2-LR MPI2 德国 10 EC-Earth3-Veg ECE2 欧洲 21 MRI-ESM2-0 MRIE 日本 11 FGOALS-g3 FGOA 中国 22 UKESM1-0-LL UKES 英国 
下载: 导出CSV
表 2 研究区SWAT建立所搜集的数据信息及来源
Table 2 Data information and sources for SWAT establishing in the study area
类型Type 描述Discription 来源Source DEM 空间分辨率 90 m× 90 m 地理空间数据云（http://www.gscloud.cn/） 数字河流 1∶250 000 国家基础地理信息中心（http://www.ngcc.cn/） 子流域出口位置 水文站地理坐标 海河流域水文资料 土地覆被类型 2015年土地覆被类型图（空间分辨率30 m× 30 m） 中国科学院资源环境科学数据中心（http://www.resdc.cn/） 水文站流量 水文站逐月月平均流量 海河流域水文资料 实际蒸散量 平原区子流域月尺度实际蒸散量 SEBS反演的月尺度实际蒸散量 作物数据 站点尺度作物产量、地上部生物量、叶面积指数 文献[21] 土壤数据 空间分辨率为 5 km× 5 km WETechData（https://www.2w2e.com/） 雨量站降水量日值 海河流域水文资料和TRMM 3B42 V7（http://apdrc.soest.hawaii.edu/） 气象数据 日值最高温、最低温、平均风速、平均相对湿度、日照时数
（国家基本气象站）中国气象数据网（http://data.cma.cn/） 日值最高温、最低温、平均风速、平均相对湿度、日照时数
（河北省气象站）河北省气象局
下载: 导出CSV
表 3 研究区农业管理信息分区及依据
Table 3 Agricultural management information subdivision and basis in the study area
下载: 导出CSV
表 4 未来气候条件下灌溉情景设计
Table 4 Design of irrigation scenarios under future climate scenarios
时期
Period情景Scenarios 冬小麦Winter wheat 夏玉米Summer maize 越冬前Before winter 拔节期Jointing stage 灌浆期Filling stage 历史时期
Historical period
（1971－2000年）常规
灌溉Π Π Π Π 未来时期
Future period
（2041－2070年）Ⅰ Π Π Π - Ⅱ Π Π - - Ⅲ Π - Π - Ⅳ - Π Π - Ⅴ - Π - - Ⅵ - - Π - 注：∏表示灌溉。
Note: ∏ means irrigation.
下载: 导出CSV
表 5 历史时期年实际蒸散量（ETa）、灌溉量（IR）、地下水净使用量（NGU）和作物产量
Table 5 Annual ETa, irrigation (IR), net groundwater use (NGU), and crop yield during the historical period
分区
ZoneETa/mm IR/mm NGU/mm 产量Yield / (kg·hm−2) 冬小麦Winter wheat 夏玉米Summer maize 保定区Baoding 779.2 344.7 293.5 6 108.0 6 597.6 石家庄区Shijiazhuang 750.0 311.7 261.8 6 807.6 7 644.8 邢台区Xingtai 746.1 325.7 272.5 6 094.1 6 204.6 邯郸区Handan 804.3 381.5 324.4 6 525.9 6 683.4 廊坊区Langfang 769.1 340.5 283.4 5 419.4 6 448.5 沧州区Cangzhou 759.6 334.5 280.6 5 040.0 5 198.0 衡水区Hengshui 865.9 453.3 399.1 5 884.9 5 650.0
下载: 导出CSV
表 6 未来时期不同灌溉情景下各分区年实际蒸散量、灌溉量和地下水净使用量（NGU）相较于历史时期的变化
Table 6 Change of annual ETa, irrigation (IR), and net groundwater use (NGU) under various of irrigation scenarios during the future period compared to the historical period
mm 分区
Zone情景Scenario ETa IR NGU SSP1-2.6 SSP2-4.5 SSP5-8.5 平均Mean SSP1-2.6 SSP2-4.5 SSP5-8.5 平均Mean SSP1-2.6 SSP2-4.5 SSP5-8.5 平均Mean 保定区
BaodingⅠ -40.1 -56.0 -59.9 -52.0 -114.9 -123.2 -135.7 -124.6 -150.0 -163.6 -195.5 -169.7 Ⅱ -116.0 -128.0 -122.7 -122.3 -210.5 -217.3 -222.2 -216.7 -234.6 -245.3 -268.4 -249.4 Ⅲ -64.3 -76.8 -76.2 -72.4 -142.5 -147.9 -156.0 -148.8 -175.8 -186.2 -213.6 -191.9 Ⅳ -76.8 -89.3 -88.8 -85.0 -162.1 -170.2 -180.4 -170.9 -187.9 -198.2 -225.5 -203.9 Ⅴ -152.6 -161.0 -152.8 -155.5 -255.9 -262.5 -266.2 -261.5 -271.7 -279.0 -299.0 -283.2 Ⅵ -115.4 -124.1 -119.3 -119.6 -203.9 -208.8 -215.1 -209.3 -228.0 -234.7 -257.9 -240.2 石家庄区
ShijiazhuangⅠ -17.3 -41.3 -39.1 -32.6 -89.5 -103.8 -113.9 -102.4 -125.5 -149.7 -178.5 -151.2 Ⅱ -91.8 -106.8 -97.6 -98.7 -181.2 -189.5 -192.6 -187.8 -206.0 -222.5 -244.0 -224.1 Ⅲ -41.9 -59.6 -56.0 -52.5 -117.6 -126.0 -135.2 -126.3 -151.3 -169.6 -197.0 -172.6 Ⅳ -44.0 -63.2 -58.2 -55.1 -134.5 -147.8 -157.6 -146.6 -153.6 -172.8 -198.4 -174.9 Ⅴ -118.8 -131.3 -119.6 -123.2 -224.4 -233.7 -237.0 -231.7 -234.2 -247.7 -266.6 -249.5 Ⅵ -83.4 -95.9 -89.1 -89.4 -177.2 -184.3 -192.6 -184.7 -194.3 -207.1 -230.9 -210.8 邢台区
XingtaiⅠ -34.5 -55.9 -58.1 -49.5 -118.7 -131.5 -144.5 -131.6 -153.7 -175.9 -208.5 -179.4 Ⅱ -104.0 -117.6 -110.7 -110.8 -201.6 -208.7 -212.6 -207.7 -227.6 -242.6 -266.0 -245.4 Ⅲ -64.5 -80.2 -79.0 -74.6 -150.9 -158.4 -168.2 -159.1 -184.4 -200.9 -230.3 -205.2 Ⅳ -68.1 -85.0 -85.2 -79.4 -165.1 -176.7 -190.1 -177.3 -187.9 -205.7 -236.0 -209.9 Ⅴ -138.7 -149.1 -139.8 -142.5 -248.0 -255.2 -259.3 -254.2 -262.7 -274.7 -295.5 -277.6 Ⅵ -111.7 -122.8 -118.3 -117.6 -210.9 -216.8 -226.0 -217.9 -232.2 -244.3 -270.1 -248.9 邯郸区
HandanⅠ -133.0 -147.1 -144.8 -141.6 -239.4 -246.3 -256.0 -247.2 -274.0 -287.9 -316.8 -292.9 Ⅱ -176.2 -186.9 -178.7 -180.6 -294.6 -299.2 -302.7 -298.8 -319.4 -330.1 -353.1 -334.2 Ⅲ -151.6 -162.9 -158.4 -157.7 -259.6 -263.8 -271.6 -265.0 -292.9 -304.0 -330.8 -309.2 Ⅳ -153.3 -165.2 -160.9 -159.8 -267.4 -273.5 -282.7 -274.6 -294.5 -306.3 -333.0 -311.3 Ⅴ -196.5 -205.5 -195.8 -199.3 -321.7 -326.2 -329.6 -325.8 -339.8 -348.8 -370.2 -352.9 Ⅵ -179.2 -188.1 -181.1 -182.8 -294.8 -298.3 -304.9 -299.3 -320.6 -329.5 -353.6 -334.6 廊坊区
LangfangⅠ -24.1 -40.2 -44.9 -36.4 -90.4 -100.6 -111.5 -100.8 -145.0 -157.9 -194.9 -165.9 Ⅱ -123.7 -133.1 -126.6 -127.8 -209.7 -215.8 -218.3 -214.6 -249.9 -256.6 -283.2 -263.2 Ⅲ -54.5 -65.6 -66.8 -62.3 -123.8 -129.3 -137.5 -130.2 -176.2 -184.1 -217.9 -192.7 Ⅳ -62.9 -74.9 -76.6 -71.4 -138.8 -147.6 -158.2 -148.2 -184.4 -193.0 -226.9 -201.4 Ⅴ -158.3 -165.5 -157.0 -160.2 -252.3 -258.8 -261.8 -257.7 -284.9 -289.4 -313.5 -296.0 Ⅵ -110.2 -117.2 -114.1 -113.8 -189.3 -193.5 -200.5 -194.4 -232.6 -236.5 -265.7 -244.9 沧州区
CangzhouⅠ -23.6 -41.3 -47.5 -37.5 -97.3 -108.8 -120.9 -109.0 -23.6 -41.3 -47.5 -37.5 Ⅱ -107.6 -118.5 -115.5 -113.9 -199.8 -206.8 -211.0 -205.9 -107.6 -118.5 -115.5 -113.9 Ⅲ -52.9 -65.0 -67.8 -61.9 -129.7 -136.0 -145.2 -137.0 -52.9 -65.0 -67.8 -61.9 Ⅳ -63.5 -76.6 -80.5 -73.5 -144.8 -154.3 -166.4 -155.2 -63.5 -76.6 -80.5 -73.5 Ⅴ -145.7 -155.3 -149.1 -150.0 -244.3 -252.1 -255.8 -250.7 -145.7 -155.3 -149.1 -150.0 Ⅵ -106.3 -114.9 -113.7 -111.6 -190.9 -196.1 -203.9 -196.9 -106.3 -114.9 -113.7 -111.6 衡水区
HengshuiⅠ -98.3 -118.5 -123.8 -113.5 -169.5 -181.6 -193.2 -181.4 -211.4 -232.2 -258.8 -234.2 Ⅱ -171.3 -187.4 -187.3 -182.0 -273.6 -284.0 -288.5 -282.0 -297.9 -315.4 -336.0 -316.4 Ⅲ -134.1 -150.0 -151.5 -145.2 -209.4 -217.3 -225.3 -217.3 -249.0 -265.4 -288.4 -267.6 Ⅳ -142.1 -158.1 -160.0 -153.4 -221.8 -232.4 -241.9 -232.0 -256.1 -272.5 -295.4 -274.6 Ⅴ -212.8 -225.0 -221.8 -219.9 -323.2 -332.4 -335.8 -330.4 -340.3 -353.8 -371.3 -355.1 Ⅵ -188.7 -199.6 -198.1 -195.5 -273.0 -278.5 -285.7 -279.1 -304.8 -316.0 -336.0 -318.9
下载: 导出CSV
表 7 未来时期不同灌溉情景下各分区作物产量相较于历史时期的变化
Table 7 Change of crop yield under various irrigation scenarios during the future period compared to the historical period
% 分区
Zone情景Scenario 冬小麦
Winter wheat夏玉米
Summer maizeSSP1-2.6 SSP2-4.5 SSP5-8.5 平均Mean SSP1-2.6 SSP2-4.5 SSP5-8.5 平均Mean 保定区
BaodingⅠ 13.4 12.8 12.8 13.0 5.4 5.4 7.2 6.0 Ⅱ -6.5 -4.9 -1.0 -4.1 8.3 7.9 9.2 8.5 Ⅲ 2.3 2.7 3.9 2.9 7.7 8.6 10.0 8.8 Ⅳ 11.9 11.9 13.3 12.3 6.6 6.5 8.2 7.1 Ⅴ -8.9 -7.0 -1.3 -5.7 8.6 7.4 9.3 8.4 Ⅵ -7.2 -5.6 -4.4 -5.7 9.9 10.4 11.9 10.7 石家庄区
ShijiazhuangⅠ 14.3 11.8 9.6 11.9 <0.1 -0.8 -1.3 -0.7 Ⅱ -3.9 -4.0 -2.2 -3.4 4.2 2.2 1.5 2.6 Ⅲ -0.5 -1.4 -2.8 -1.6 5.4 3.7 3.1 4.1 Ⅳ 15.4 13.8 12.9 14.0 2.0 0.9 0.9 1.3 Ⅴ -3.6 -3.3 0.4 -2.2 5.9 2.3 2.4 3.5 Ⅵ -10.7 -9.2 -10.5 -10.1 8.3 6.9 6.8 7.3 邢台区
XingtaiⅠ 19.0 20.4 23.6 21.0 0.8 -1.2 0.7 0.1 Ⅱ 7.1 9.5 16.0 10.9 -3.6 -5.8 -3.6 -4.4 Ⅲ 6.2 9.8 14.0 10.0 -0.4 -1.7 0.2 -0.6 Ⅳ 13.0 15.5 20.0 16.2 1.1 -1.5 0.5 <0.1 Ⅴ -0.3 3.6 12.5 5.2 -5.0 -7.5 -3.8 -5.4 Ⅵ -4.6 -0.8 4.7 -0.2 0.6 -2.3 <0.1 -0.6 邯郸区
HandanⅠ 18.3 21.3 26.6 22.1 7.9 5.9 7.1 6.9 Ⅱ 12.8 15.9 22.8 17.2 4.6 2.0 4.0 3.5 Ⅲ 11.5 15.2 18.1 15.0 7.6 5.6 3.3 5.5 Ⅳ 15.1 18.3 23.9 19.1 7.8 5.2 6.1 6.4 Ⅴ 9.9 12.3 21.7 14.6 4.5 <0.1 4.4 3.0 Ⅵ 5.0 9.8 16.2 10.4 6.9 5.4 6.7 6.3 廊坊区
LangfangⅠ 25.0 24.9 22.3 24.1 -3.6 -2.4 -2.5 -2.8 Ⅱ -9.2 -7.1 -2.2 -6.2 7.0 8.7 12.0 9.2 Ⅲ 12.5 13.6 12.9 13.0 0.9 1.8 1.9 1.6 Ⅳ 23.3 23.6 25.3 24.0 -1.5 -0.8 1.5 -0.3 Ⅴ -10.6 -8.0 -2.4 -7.0 8.5 10.3 13.2 10.6 Ⅵ 2.5 5.3 7.3 5.0 7.1 8.1 9.2 8.1 沧州区
CangzhouⅠ 13.6 15.1 15.6 14.8 8.9 12.8 16.7 12.8 Ⅱ -8.4 -5.4 -1.7 -5.2 7.6 11.2 15.0 11.3 Ⅲ 0.6 3.5 6.6 3.6 7.5 12.0 18.5 12.7 Ⅳ 12.0 13.4 15.0 13.5 10.7 12.9 16.7 13.4 Ⅴ -11.4 -8.5 -2.4 -7.4 7.5 10.3 16.2 11.3 Ⅵ -6.1 -3.9 -0.1 -3.4 11.1 12.5 18.7 14.1 衡水区
HengshuiⅠ 2.6 1.3 -0.3 1.2 4.9 2.0 0.6 2.5 Ⅱ -3.5 -5.0 -6.8 -5.1 4.8 1.1 -2.8 1.0 Ⅲ -3.5 -4.6 -7.0 -5.1 5.9 2.9 0.3 3.0 Ⅳ 2.5 1.3 -0.5 1.1 4.8 2.0 0.3 2.4 Ⅴ -3.4 -6.1 -5.7 -5.1 4.8 -1.0 -1.4 0.8 Ⅵ -7.4 -7.9 -9.9 -8.4 6.7 3.9 2.5 4.4
下载: 导出CSV
-
[1] 张光辉,费宇红,刘春华,等. 华北平原灌溉用水强度与地下水承载力适应性状况[J]. 农业工程学报,2013,29(1):1-10. ZHANG Guanghui, FEI Yuhong, LIU Chunhua, et al. Adaptation between irrigation intensity and groundwater carrying capacity in North China Plain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(1): 1-10. (in Chinese with English abstract)
[2] FAMIGLIETTI J S. The global groundwater crisis[J]. Nature Climate Change, 2014, 4: 945-948. doi: 10.1038/nclimate2425
[3] 鞠琴,刘小妮,刘智天,等. 淮北平原地下水埋深变化对气候变化的响应及预测[J]. 农业工程学报,2022,38(7):136-145. JU Qin, LIU Xiaoni, LIU Zhitian, et al. Response and prediction of groundwater depth changes to climate change in the Huaibei Plain of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(7): 136-145. (in Chinese with English abstract)
[4] WU W Y, LO M H, WADA Y, et al. Divergent effects of climate change on future groundwater availability in key mid-latitude aquifers[J]. Nature Communication, 2020, 11: 3710. doi: 10.1038/s41467-020-17581-y
[5] 乔帅帅,高晓瑜,屈忠义,等. 1959-2018年气候变化对内蒙古春玉米需水量和产量的影响[J]. 农业工程学报,2022,38(增刊):87-97. QIAO Shuaishuai, GAO Xiaoyu, QU Zhongyi, et al. Impact of climate change on the water requirements and yield of spring maize in Inner Mongolia of China from 1959 to 2018[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(Suppl): 87-97. (in Chinese with English abstract)
[6] 杨会峰,曹文寅,支传顺,等. 近40年来华北平原地下水位演变研究及其超采治理建议[J]. 中国地质,2021,48(4):1142-1155. doi: 10.12029/gc20210411 YANG Huifeng, CAO Wenyin, ZHI Chuanshun, et al. Evolution of groundwater level in the North China Plain in the past 40 years and suggestions on its overexploitation treatment[J]. Geology in China, 2021, 48(4): 1142-1155. (in Chinese with English abstract) doi: 10.12029/gc20210411
[7] 张喜英. 华北典型区域农田耗水与节水灌溉研究[J]. 中国生态农业学报,2018,26(10):1454-1464. ZHANG Xiying. Water use and water-saving irrigation in typical farmlands in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2018, 26(10): 1454-1464. (in Chinese with English abstract)
[8] 中华人民共和国中央政府. 国务院关于印发全国国土规划纲要(2016-2030年)的通知. 第五章 分类保护,第四节 严格水资源和耕地资源保护[EB/OL]. 2017(2017-01-03). https://www.gov.cn/gongbao/content/2017/content_5171326.htm [9] 河北省人民政府. 《加快发展节水农业实施方案》解读[EB/OL]. 2021(2021-09-08). https://www.hebei.gov.cn/columns/580d0301-2e0b-4152-9dd1-7d7f4e0f4980/202109/08/9a7 8f769-4d53-11ee-985b-6018954d7f6f.html [10] 王慧军,张喜英. 华北平原地下水压采区冬小麦种植综合效应探讨[J]. 中国生态农业学报(中英文),2020,28(5):724-733. WANG Huijun, ZHANG Xiying. Evaluating the comprehensive effects of planting winter wheat in the groundwater depletion regions in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2020, 28(5): 724-733. (in Chinese with English abstract)
[11] 王斌,周天军,俞永强,等. 地球系统模式发展展望[J]. 气象学报,2008,66(6):857-869. doi: 10.3321/j.issn:0577-6619.2008.06.002 WANG Bin, ZHOU Tianjun, YU Yongqiang, et al. A perspective on earth system model development[J]. Acta Meteorologica Sinica, 2008, 66(6): 857-869. (in Chinese with English abstract) doi: 10.3321/j.issn:0577-6619.2008.06.002
[12] WANG B, LIU D L, O’LEARY G J, et al. Australian wheat production expected to decrease by the late 21st century[J]. Global Change Biology, 2018, 24(6): 2403-2415. doi: 10.1111/gcb.14034
[13] 康文东,倪福全,邓玉,等. 乌江流域蓝绿水对气候和土地利用变化的响应[J]. 农业工程学报,2023,39(19):131-140. doi: 10.11975/j.issn.1002-6819.202304138 KANG Wendong, NI Fuquan, DENG Yu, et al. Response of blue and green water to climate and land use changes: A study in the Wujiang River Basin, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(19): 131-140. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202304138
[14] XIAO D P, LIU D L, WANG B, et al. Climate change impact on yields and water use of wheat and maize in the North China Plain under future climate change scenarios[J]. Agricultural Water Management, 2020, 238: 1-15.
[15] BAI H Z, XIAO D P, WANG B, et al. Multi-model ensemble of CMIP6 projections for future extreme climate stress on wheat in the North China plain[J]. International Journal of Climatology, 2021, 41: E171-E186.
[16] NEITSCH S L, ARNOLD J G, KINIRY J R, et al. Soil and Water Assessment Tool Theoretical Documentation Version 2009[M]. Texas: Texas Water Resources Institute, 2011.
[17] 王维刚,史海滨,李仙岳,等. SWAT模拟耕作方式与盐分对区域土壤氮运移及作物产量影响[J]. 农业工程学报,2022,38(3):55-65. WANG Weigang, SHI Haibin, LI Xianyue, et al. Effects of tillage modes and soil salinity on regional nitrate nitrogen transport and crop yields using a SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(3): 55-65. (in Chinese with English abstract)
[18] 王慧琳,邹民忠,方伟文,等. 基于SWAT模型的武强溪流域非点源污染关键源区界定与控制策略[J]. 农业工程学报,2024,40(2):228-238. doi: 10.11975/j.issn.1002-6819.202306157 WANG Huilin, ZOU Minzhong, FANG Weiwen, et al. Definition and control strategy of the key source areas of non-point source pollution based on SWAT model in Wuqiang River Basin, Zhejiang of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2024, 40(2): 228-238. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202306157
[19] NADERI M. Assessment of water security under climate change for the large watershed of Dorudzan Dam in southern Iran[J]. Hydrogeology Journal, 2020, 28(5): 1533-1574.
[20] ALIYARI F, BAILEY R T, ARABI M. Appraising climate change impacts on future water resources and agricultural productivity in agro-urban river basins[J]. Science of the Total Environment, 2021, 788: 147717. doi: 10.1016/j.scitotenv.2021.147717
[21] TAN L L, FENG P Y, Li B G, et al. Climate change impacts on crop water productivity and net groundwater use under a double-cropping system with intensive irrigation in the Haihe River Basin, China[J]. Agricultural Water Management, 2022, 266: 107560. doi: 10.1016/j.agwat.2022.107560
[22] ALLEN R G, PEREIRA L S, RAES D, et al. Crop Evapotranspiration-Guidelines for Computing Crop Water Requirements-FAO Irrigation and Drainage Paper No. 56[M]. Rome: FAO, 1998.
[23] LIU D, ZUO H. Statistical downscaling of daily climate variables for climate change impact assessment over New South Wales, Australia[J]. Climate Change, 2012, 115(3/4): 629-666.
[24] O’NEILL B C, TEBALDI C, VAN VUUREN D P, et al. The scenario model intercomparison project (ScenarioMIP) for CMIP6[J]. Geoscientific Model Development, 2016, 9(9): 3461-3482. doi: 10.5194/gmd-9-3461-2016
[25] 陈望和. 河北地下水[M]. 北京:地震出版社,1999. [26] 张宗祜,李烈荣. 中国地下水资源·河北卷[M]. 北京:中国地图出版社,2005. [27] ZHANG Y Q, QI J Y, PAN D M, et al. Development and testing of a dynamic CO2 input method in SWAT for simulating long-term climate change impacts across various climatic locations[J]. Journal of Hydrology, 2022, 614: 128544. doi: 10.1016/j.jhydrol.2022.128544
[28] CHEN Y, MAREK G W, MAREK T H, et al. Improving SWAT auto-irrigation functions for simulating agricultural irrigation management using long-term lysimeter field data[J]. Environmental Modelling & Software, 2018, 99: 25-38.
[29] 康绍忠,孙景生,张喜英,等. 中国北方主要作物需水量与耗水管理[M]. 北京:水利水电出版社,2018. [30] ZHANG X Y, QIN W L, CHEN S Y, et al. Responses of yield and WUE of winter wheat to water stress during the past three decades-A case study in the North China Plain[J]. Agricultural Water Management, 2017, 179: 47-54. doi: 10.1016/j.agwat.2016.05.004
[31] SUN H Y, ZHANG X Y, CHEN S Y, et al. Performance of a double cropping system under a continuous minimum irrigation strategy[J]. Agronomy Journal, 2014, 106(1): 281-289. doi: 10.2134/agronj2013.0309
[32] AHMAD M D. Estimation of net groundwater use in irrigated river basins using geo-information techniques: A case study in Rechna Doab, Pakistan[D]. Netherlands: Wageningen University, 2002.
[33] 朱新军,王中根,李建新,等. 地下水净使用量的计算方法及其在海河流域的应用[C]. 全球环境基金(GEF)海河流域水资源与水环境综合管理项目国际研讨会. 北京: 水利部,环保部,2009. [34] SCHWARZ M, FOLINI D, YANG S, et al. Changes in atmospheric shortwave absorption as important driver of dimming and brightening[J]. Nature Geoscience, 2020, 13(2): 110-115. doi: 10.1038/s41561-019-0528-y
[35] WANG K C, DICKINSON R E, WILD M, et al. Atmospheric impacts on climatic variability of surface incident solar radiation[J]. Atmospheric Chemistry and Physics, 2012, 12(20): 9581-9592. doi: 10.5194/acp-12-9581-2012
[36] ABBASZADEH M, BAZRAFSHAN O, MAHDAVI R, et al. Modeling future hydrological characteristics based on land use/land cover and climate changes using the SWAT model[J]. Water Resources Management, 2023, 37(10): 4177-4194. doi: 10.1007/s11269-023-03545-6
[37] XIONG W, HOLMAN I, LIN E D, et al. Climate change, water availability and future cereal production in China[J]. Agriculture Ecosystems & Environment, 2010, 135(1/2): 58-69.
[38] KIMBALL B A, ZHU J, CHENG L, et al. Responses of agricultural crops to free-air CO2 enrichment[J]. Advances in Agronomy, 2002, 13(10): 1323-1338.
[39] MORADI R, KOOCHEKI A, MAHALLATI M N, et al. Adaptation strategies for maize cultivation under climate change in Iran: Irrigation and planting date management[J]. Mitigation and Adaptation Strategies for Global Change, 2013, 18(2): 265-284. doi: 10.1007/s11027-012-9410-6
[40] YANG P, WU W, LI Z, et al. Simulated impact of elevated CO2, temperature, and precipitation on the winter wheat yield in the North China Plain[J]. Regional Environmental Change, 2014, 14(1): 61-74. doi: 10.1007/s10113-013-0484-9
[41] YANG Y H, WATANABE M, ZHANG X Y, et al. Optimizing irrigation management for wheat to reduce groundwater depletion in the piedmont region of the Taihang Mountains in the North China Plain[J]. Agricultural Water Management, 2006, 82(1/2): 25-44.
[42] QIU G Y, WANG L M, HE X H, et al. Water use efficiency and evapotranspiration of winter wheat and its response to irrigation regime in the North China Plain[J]. Agricultural and Forest Meteorology, 2008, 148(11): 1848-1859. doi: 10.1016/j.agrformet.2008.06.010
-
期刊类型引用(5)
1. 冼海英，肖波，姚小萌，窦韦强. 黄土高原生物结皮覆盖下表层土壤有机碳组分对模拟气候暖湿化的响应. 应用生态学报. 2025(01): 132-140 . 
百度学术
2. 黄艳平，罗贵文，高林海，付金霞，李志. 东北平原土体厚度和土壤水分的空间变异. 水土保持研究. 2025(03): 108-118 . 百度学术
3. 李斯佳，王冰，王子昊，张秋良. 基于PLUS-InVEST模型的大兴安岭农林交错区碳储量时空变化及驱动力分析. 农业工程学报. 2024(21): 232-241 . 本站查看
4. 张龙江，陈国平，林伊琳，赵俊三，刘俸汝，彭苏芬. 基于MOP-PLUS-InVEST模型的碳储量多情景模拟及驱动机制分析. 农业工程学报. 2024(22): 223-233 . 本站查看
5. 夏楠 ，李安澜 ，全伟琳 ，唐梦迎 ，唐玉倩 ，徐战江 . 基于GTWR的中国近地面臭氧污染及驱动因素分析. 农业工程学报. 2024(23): 283-293 . 本站查看
其他类型引用(0)
计量
- 文章访问数: 244
- HTML全文浏览量: 19
- PDF下载量: 70
- 被引次数: 5
