科研成果

综合风险防范团队

所在位置: 首页» 科研成果» 综合风险防范团队

可以还原第二代全球格网作物模型在不同CO2、温度、水分和氮肥梯度下模拟单产年际波动的统计模拟器
发布时间:2023-12-28     浏览量:



文章摘要

-    作物单产的年际波动是反映作物生产稳定性重要指标,对理解未来气候变化下粮食生产风险具有重要的意义基于统计的作物模型模拟器被认为是进行单产预估的轻量化工具,但是现有作物模型模拟更多关注对模型模拟平均单产的还原能力,很少关注对模拟单产年际波动的还原能力此,本研究基于全球格网作物模型第二代比较计划的数据集利用机器学习算法,研发了一套可以准确还原不同温度(T)、水分(W)、CO2(C)浓度和氮肥(N)梯度下模拟单产年际波动的模拟器。该模拟器包含4种作物、10个机理模型、2类适应情景

-    本研究所建立的作物模型模拟器可以促进单产模拟的空间降尺度,实现高效率的未来气候情景下的单产预估以及多模型-多模式的集合模拟不确定性分析

科学问题

1) 全球格网作物模型模拟器是否能够还原历史时期模拟单产年际波动

2) 在单一或多个要素梯度变化情景下,模拟器是否依然能够还原全球格网作物模型模拟单产年际波动

研究方法

本研究利用全球格网作物模型第二代比较计划GGCMI phase 2的数据集,涉及四大类作物(水稻、冬小麦、春小麦、玉米)的共10个机理模型、2类适应情景,以及不同温度(T)、水分(W)、CO2C)浓度和氮肥(N)梯度下的模拟单产。了充分捕捉GGCMI模拟单产的年际波动与各驱动要素之间的关系,选取了气候要素在全生育期和生长月的均值、变率和极端值,辅以CO2C)浓度和氮肥(N)变量,利用极限梯度提升树算法进行了建模。在模型验证中,为了避免空间自相关导致交叉验证夸大精度,还使用了柯本气候分区划分机器学习训练集和验证集的方式进行了控制

1 球格网作物模型模拟器建模思路

建模结果

本研究使用柯本气候分区进行基于“留一法”的机器学习交叉验证,验证结果表明本研究所建立的模拟器验证集的调和R2均在0.5以上,无论在全球平均单产的尺度还是在当前作物种植区的网格尺度均有较好的表现。即便在四个要素(CTWN)变化的梯度下,本研究所研发的模拟器都能较好地还原模拟单产的年际波动。全球作物种植区范围内模拟器所估计的单产和原始模型的输出单产之间的相关系数均在0.5以上

图 2 全球格网作物模型模拟器交叉验证结果。使用月尺度变量的建模效果优于仅使用生育期尺度的变量,将两类变量都纳入模拟器建模得到的拟合效果最好。

1) 模拟器还原历史时期模拟单产的表现

图 3 在全球尺度,模拟器还原GGCMI全球平均单产年际波动能力。1)绝大多数作物模型的全球平均模拟单产可以被较好地还原;2)不同作物模拟器之间没有明显的差异

图 4 网格尺度上模拟器还原GGCMI单产年际波动能力。1)全球网格尺度上原始模拟单产和模拟器模拟单产之间的相关系数大于0.5,平均偏差小于1t/ha;2)四种作物种,冬小麦和春小麦的还原效果略优于玉米和水稻

2) 要素变化梯度下模拟器还原GGCMI单产年际波动的表现

图 5 单一要素变化梯度下模拟器对于网格尺度GGCMI单产年际波动的还原能力。1)任意要素梯度变化情景下,GGCMI单产和模拟器模拟单产之间的相关系数大于0.6,平均偏差小于0.6t/ha;2)针对春小麦所建立的模拟器在CO2浓度变化梯度下还原能力相对较差,核心原因是受制于有效原始模型输出样本的减少

图 6 要素变化梯度下模拟器对于网格尺度GGCMI单产年际波动的还原能力。1)任意要素梯度变化情景下,原始模拟单产和模拟器模拟单产之间的相关系数大于0.8的网格占比都在50%以上;2)针对玉米所建立的模拟器在温度和水分同时变化下还原能力相对较差,核心原因是玉米对于极端高温和干旱的响应更加剧烈,在热带地区出现的不规则歉收难以被较好地还原


论文信息

本文于2023年12月在线发表于地球科学Q1区期刊Geoscientific Model Development (2022 IF=5.1)。北京师范大学地理科学学部灾害风险科学研究院年级博士研究生刘苇航为论文第一作者,叶涛教授为通讯作者。

引用格式:Liu W, Ye T, Müller C, Jägermeyr J, Franke J A, Stephens H and Chen S 2023 The statistical emulators of GGCMI phase 2: responses of year-to-year variation of crop yield to CO2, temperature, water and nitrogen perturbations Geosci. Model Dev. 16 7203–7221

关键词:全球格网作物模型、基于统计的模型模拟器、作物单产年际波动、机器学习