張興明，張春琴，郭　浩，尹衛(wèi)霞，王　然，王靜愛(ài)

(1. 北京師范大學(xué) 地理學(xué)與遙感科學(xué)學(xué)院，北京 100875；2. 北京師范大學(xué) 區(qū)域地理研究實(shí)驗(yàn)室，北京 100875；3. 浙江師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院, 浙江 金華 321004)

?

基于網(wǎng)格脆弱性曲線的世界小麥旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)*

張興明1,2，張春琴1,2，郭浩3，尹衛(wèi)霞1,2，王然1,2，王靜愛(ài)1,2

(1. 北京師范大學(xué) 地理學(xué)與遙感科學(xué)學(xué)院，北京 100875；2. 北京師范大學(xué) 區(qū)域地理研究實(shí)驗(yàn)室，北京 100875；3. 浙江師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院, 浙江 金華 321004)

摘要:旱災(zāi)是世界上影響范圍最廣、造成農(nóng)業(yè)損失最大的自然災(zāi)害之一，同時(shí)，在全球變化的背景下，旱災(zāi)風(fēng)險(xiǎn)呈現(xiàn)加重的趨勢(shì)。評(píng)價(jià)農(nóng)業(yè)旱災(zāi)風(fēng)險(xiǎn)并進(jìn)行有效的防范是保障糧食安全的重要措施。借助EPIC模型，假定0.5°網(wǎng)格為均值單元，使用灌溉情景法模擬全球均值網(wǎng)格的小麥旱災(zāi)脆弱性曲線。結(jié)合歷史氣象數(shù)據(jù)評(píng)價(jià)全球小麥的干旱致災(zāi)因子，最后計(jì)算了全球小麥因旱災(zāi)導(dǎo)致的產(chǎn)量損失風(fēng)險(xiǎn)，并編繪了全球小麥旱災(zāi)風(fēng)險(xiǎn)圖。結(jié)果顯示：①中國(guó)、俄羅斯、美國(guó)/哈斯克斯坦為風(fēng)險(xiǎn)排名前三的國(guó)家，歸一化后的風(fēng)險(xiǎn)指數(shù)分別為0.53、0.22和0.19；②春小麥的旱災(zāi)風(fēng)險(xiǎn)要高于冬小麥。在已有的作物旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)研究基礎(chǔ)上，同時(shí)兼顧了脆弱性評(píng)價(jià)的空間分辨率和表示精度，建立了與風(fēng)險(xiǎn)評(píng)價(jià)空間分辨率相一致的小麥旱災(zāi)脆弱性曲線，從而極大地提升了區(qū)域旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)，特別是大尺度風(fēng)險(xiǎn)評(píng)價(jià)的準(zhǔn)確度。

關(guān)鍵詞:脆弱性曲線；小麥；旱災(zāi)；空間分辨率；EPIC

旱災(zāi)是世界上影響范圍最廣、造成農(nóng)業(yè)損失最大的自然災(zāi)害之一。世界近一半的國(guó)家干旱情況嚴(yán)重。過(guò)去半個(gè)世紀(jì)，全球極端干旱區(qū)域的面積擴(kuò)大了兩倍以上[1]。在氣候變暖背景下，由于降水減少、蒸發(fā)加劇，南歐、地中海地區(qū)、中歐、中美洲、美洲、墨西哥、巴西東北部和南部非洲等地區(qū)的干旱未來(lái)風(fēng)險(xiǎn)上升的可能性非常大[2-3]。2012年小麥總產(chǎn)量達(dá)到6.7×109t，占世界谷物產(chǎn)量的26.4%，其播種面積約2.15×109hm2，主要生產(chǎn)國(guó)包括中國(guó)、印度、美國(guó)、法國(guó)、俄羅斯、澳大利亞、加拿大、巴基斯坦、德國(guó)以及土耳其等[4]。因此，在全球尺度開(kāi)展農(nóng)作物旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)能夠?yàn)檗r(nóng)作物旱災(zāi)風(fēng)險(xiǎn)管理與防范提供科學(xué)依據(jù)，對(duì)于提高生產(chǎn)穩(wěn)定性、解決糧食安全問(wèn)題有著重要意義。

旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)精度很大程度上決定于脆弱性評(píng)價(jià)[5]。脆弱性是風(fēng)險(xiǎn)評(píng)價(jià)三要素(致災(zāi)因子、脆弱性和暴露性)之一。其評(píng)價(jià)的主要表示方式包括脆弱性指數(shù)和脆弱性曲線。

脆弱性指數(shù)是指使用指標(biāo)綜合的方法進(jìn)行區(qū)域旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)將脆弱性表達(dá)為指數(shù)的形式[6-7]。如Li等在全球尺度上使用旱災(zāi)頻次、旱災(zāi)強(qiáng)度、產(chǎn)量水平和旱災(zāi)適應(yīng)能力等指數(shù)來(lái)評(píng)價(jià)糧食產(chǎn)量的干旱風(fēng)險(xiǎn)[8]。He等人通過(guò)計(jì)算農(nóng)業(yè)旱災(zāi)的致災(zāi)因子(不同強(qiáng)度干旱的加權(quán)和)和脆弱性(生長(zhǎng)季水分虧缺，土壤持水能力和灌溉能力)完成三種主要作物(玉米、小麥和水稻)的旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)[9]。Elagib綜合干旱的頻次、持續(xù)時(shí)間、強(qiáng)度范圍以及應(yīng)對(duì)能力和產(chǎn)量水平對(duì)Eastern Sahel地區(qū)進(jìn)行農(nóng)業(yè)旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)[10]。Zhao等人通過(guò)使用CERES-Wheat模型模擬各個(gè)年份的產(chǎn)量損失率來(lái)確定小麥干旱閾值(基于生育期降水量)，并在此基礎(chǔ)上劃分旱災(zāi)等級(jí)，最后進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)[11]。盡管指數(shù)形式的風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果精度偏低，不能夠定量化的表達(dá)損失，但是該方法很好地體現(xiàn)了脆弱性的空間差異性。

基于脆弱性曲線進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)能夠得到以損失表征的高精度風(fēng)險(xiǎn)。脆弱性曲線應(yīng)用所基于的假設(shè)是以研究區(qū)為站點(diǎn)尺度或者均一的區(qū)域[12]。當(dāng)前基于脆弱性曲線進(jìn)行的區(qū)域旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)忽視了研究區(qū)(特別是大尺度研究區(qū))內(nèi)部的脆弱性差異。如Yin 等利用EPIC模型模擬的方法構(gòu)建了全球35個(gè)地區(qū)的玉米旱災(zāi)脆弱性曲線，在此基礎(chǔ)上完成了全球玉米旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)[13]。Xu等基于歷史損失建立了中國(guó)6個(gè)區(qū)的作物旱災(zāi)脆弱性曲線，結(jié)合連續(xù)無(wú)降水日，評(píng)價(jià)了中國(guó)東部季風(fēng)區(qū)的期望損失[14]。兩者都假定在較大的區(qū)域內(nèi)進(jìn)行脆弱性曲線的構(gòu)建，沒(méi)有考慮區(qū)域內(nèi)承災(zāi)體脆弱性的異質(zhì)性。

總之，當(dāng)前研究都沒(méi)有同時(shí)兼顧研究區(qū)內(nèi)脆弱性的空間差異和表征精度。脆弱性曲線空間分辨率的提高將極大的提升區(qū)域旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)特別是大尺度風(fēng)險(xiǎn)評(píng)價(jià)的精度。本文以EPIC作物生長(zhǎng)模型為基礎(chǔ)處理工具，通過(guò)設(shè)定不同的灌溉情景，在假定的均值單元分辨率上模擬干旱與小麥減產(chǎn)損失(脆弱性曲線)。結(jié)合歷史干旱致災(zāi)因子，計(jì)算小麥因旱災(zāi)導(dǎo)致的產(chǎn)量損失風(fēng)險(xiǎn)。

1數(shù)據(jù)與方法

農(nóng)業(yè)旱災(zāi)風(fēng)險(xiǎn)大小完全取決于孕災(zāi)環(huán)境、致災(zāi)因子和承災(zāi)體的相互作用[15-17]。本文將風(fēng)險(xiǎn)定義為孕災(zāi)環(huán)境影響下的作物旱災(zāi)致災(zāi)強(qiáng)度和孕災(zāi)環(huán)境影響下的脆弱性的乘積：

R=f(E,H,V)=H{}×V{hE,lE}。

(1)

式中：E為孕災(zāi)環(huán)境敏感性；H為致災(zāi)因子危險(xiǎn)性；V為承災(zāi)體脆弱性；P為發(fā)生概率；hE為考慮孕災(zāi)環(huán)境影響的作物旱災(zāi)致災(zāi)強(qiáng)度；lE為考慮孕災(zāi)環(huán)境影響的一定致災(zāi)強(qiáng)度下的作物損失率。旱災(zāi)致災(zāi)強(qiáng)度指數(shù)hE為作物生長(zhǎng)季水分脅迫量累積值的歸一化值。

在上述風(fēng)險(xiǎn)定義指導(dǎo)下，我們開(kāi)展研究的主要思路是通過(guò)作物生長(zhǎng)模擬模型，在全球范圍內(nèi)建立干旱打擊強(qiáng)度與小麥損失關(guān)系(脆弱性曲線)，結(jié)合歷史干旱的強(qiáng)度概率進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)并制圖(見(jiàn)圖1)。

圖1　研究方法

在GEPIC-V-R模型的基礎(chǔ)上，我們使用Matlab平臺(tái)開(kāi)發(fā)了適宜于大區(qū)域尺度的農(nóng)作物旱災(zāi)風(fēng)險(xiǎn)評(píng)估模型Spatial-EPIC-Vulnerability-Risk(SEPIC-V-R)，該模型具有網(wǎng)格脆弱性曲線擬合和旱災(zāi)風(fēng)險(xiǎn)計(jì)算的功能。SEPIC-V-R模型的核心模塊包括4個(gè)：①作物模型校正，其目標(biāo)是實(shí)現(xiàn)小麥單產(chǎn)的精確模擬；②致災(zāi)因子模塊，基于輸入的氣象要素獲取不同強(qiáng)度致災(zāi)因子的發(fā)生概率；③脆弱性模塊，使用情景模擬法獲取承災(zāi)體對(duì)不同強(qiáng)度致災(zāi)因子的損失響應(yīng)函數(shù)；④風(fēng)險(xiǎn)計(jì)算與制圖模塊，計(jì)算不同年遇型下的致災(zāi)因子強(qiáng)度和損失率，輸出小麥旱災(zāi)損失風(fēng)險(xiǎn)圖譜。思路可參見(jiàn)文獻(xiàn)[13]。

1.1EPIC模型和數(shù)據(jù)庫(kù)

環(huán)境政策綜合氣候模型(EPIC，前身為侵蝕生產(chǎn)力的影響計(jì)算器)是建立Spatial-EPIC-Vulnerability-Risk模型的基本工具，也是當(dāng)前最為流行的作物生產(chǎn)模擬模型之一。它可以依據(jù)不同作物的具體參數(shù)模擬了超過(guò)100種作物的生長(zhǎng)，如水稻、小麥、玉米、谷物、高粱、大豆等[18-19]。它模擬的核心內(nèi)容包括天氣發(fā)生器、土壤水文水分動(dòng)態(tài)研究、風(fēng)和水侵蝕、養(yǎng)分(N，P，K)和碳循環(huán)、土壤溫度、耕作、作物生長(zhǎng)、作物和土壤管理[20]。

基于EPIC模型的數(shù)據(jù)需求，本文涉及的基本數(shù)據(jù)大致分為4類：①小麥生長(zhǎng)環(huán)境數(shù)據(jù)，主要包括：全球DEM柵格數(shù)據(jù)[21]和坡度數(shù)據(jù)[22]、土壤理化性質(zhì)數(shù)據(jù)[23]、氣象數(shù)據(jù)、小麥生長(zhǎng)范圍數(shù)據(jù)[24]、評(píng)價(jià)單元數(shù)據(jù)；②小麥生長(zhǎng)管理數(shù)據(jù)，主要包括小麥生育期數(shù)據(jù)[25]、灌溉數(shù)據(jù)[26]、肥料數(shù)據(jù)[27]；③小麥品種屬性數(shù)據(jù)(指EPIC模型運(yùn)行需要的與小麥屬性相關(guān)的各項(xiàng)參數(shù)，通過(guò)調(diào)整模型中這些參數(shù)，實(shí)現(xiàn)在不同地區(qū)的準(zhǔn)確模擬)；④實(shí)際產(chǎn)量數(shù)據(jù)，主要包括2000-2004年不同地區(qū)的小麥統(tǒng)計(jì)產(chǎn)量(用于模型校準(zhǔn))。全球大部分國(guó)家的產(chǎn)量數(shù)據(jù)主要來(lái)源于FAO歷年統(tǒng)計(jì)數(shù)據(jù)，對(duì)于中國(guó)、美國(guó)等農(nóng)業(yè)生產(chǎn)大國(guó)，則分別以省、州、邦等為單位進(jìn)行統(tǒng)計(jì)。

為了使模型具有更準(zhǔn)確的模擬能力，使用產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)對(duì)模型進(jìn)行了校準(zhǔn)，最終2000-2004年的模型模擬產(chǎn)量與實(shí)際產(chǎn)量的RMSE為1.30。

1.2干旱強(qiáng)度的表征

旱災(zāi)是干旱發(fā)展到一定程度后導(dǎo)致供水水源匱乏，并對(duì)作物和植被正常生長(zhǎng)、人類正常生活和生產(chǎn)、生態(tài)環(huán)境的正常功能造成不利影響而產(chǎn)生危害的事件[28]，此處我們用作物的水分脅迫生長(zhǎng)季累加的歸一化值表示干旱強(qiáng)度[13]。水分脅迫(WS)是

EPIC模型中表征農(nóng)作物生長(zhǎng)過(guò)程中水分的供給與需求關(guān)系的一個(gè)指數(shù)。模型中的水分脅迫輸出步長(zhǎng)為天，大小根據(jù)水分供給與作物需求的關(guān)系進(jìn)行計(jì)算[20]。日水分脅迫的取值范圍為0～1，值越大則脅迫越大，采用作物生長(zhǎng)季的水分脅迫量累積數(shù)的歸一化值作為作物生長(zhǎng)季內(nèi)所受到的致災(zāi)強(qiáng)度，取值范圍在0～1之間，值越大代表致災(zāi)強(qiáng)度越大。該強(qiáng)度指數(shù)能夠同時(shí)反映水分脅迫強(qiáng)度和脅迫持續(xù)時(shí)間兩個(gè)特征。

(2)

式中：DI為某種情景下的干旱強(qiáng)度指數(shù)；WSi第i天的水分脅迫值(當(dāng)水分脅迫為所有脅迫中最大時(shí))；n為生長(zhǎng)季內(nèi)受水分脅迫影響的天數(shù)；WStotal為某一情景下的生長(zhǎng)季水分脅迫累積值；max(WStotal)為當(dāng)無(wú)降水且無(wú)灌溉情景下累積脅迫的最大值。

1.3脆弱性的模擬

我們進(jìn)行脆弱性曲線計(jì)算時(shí)所使用的損失率是相對(duì)于理想的條件下(即完全滿足養(yǎng)分和水分需求)的模擬產(chǎn)量而言的，即在理想的情況下產(chǎn)量是最大的，此時(shí)損失率為0。不同情況下的損失率計(jì)算公式如下：

(3)

式中：y為某種情景下的小麥產(chǎn)量；lr為小麥因干旱導(dǎo)致的產(chǎn)量損失率；max(y)為最優(yōu)灌溉情況下(不產(chǎn)生通氣性脅迫的灌溉最大值)的小麥產(chǎn)量。

控制每天的灌溉量，通過(guò)灌溉量的增加來(lái)減少水分脅迫，以模擬不同強(qiáng)度的干旱及其產(chǎn)量損失率組合{,…}。模擬的灌溉量從0增加到最優(yōu)灌溉量(不產(chǎn)生水分脅迫的最大灌溉量)，使用EPIC模型進(jìn)行不同情景(即干旱強(qiáng)度)下的小麥產(chǎn)量模擬，得到一一對(duì)應(yīng)的干旱強(qiáng)度與產(chǎn)量的組合樣本。其中，當(dāng)灌溉為0時(shí)，干旱強(qiáng)度為1；生長(zhǎng)季水分脅迫指數(shù)為0的灌溉情景即最優(yōu)情景，其產(chǎn)量為最大產(chǎn)量，即max(y)。

使用干旱與損失率的組合樣本{,…}，通過(guò)函數(shù)擬合得到每個(gè)網(wǎng)格一條脆弱性曲線函數(shù)。

(4)

參考前人研究結(jié)果[29]，作物的脆弱性曲線是Logistic形。其中，a、b、c、d為擬合參數(shù)；lr為損失率；DI為旱災(zāi)致災(zāi)因子強(qiáng)度。

2世界小麥旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果與驗(yàn)證

以校準(zhǔn)后的模型為基本工具，將地形、田間管理等基本數(shù)據(jù)和1975-2004年歷史實(shí)際日氣象數(shù)據(jù)輸入到模型中，計(jì)算各個(gè)年份產(chǎn)生的小麥水分脅迫和年度致災(zāi)因子強(qiáng)度?；谌甑臉颖緮?shù)據(jù)，使用信息擴(kuò)散的方法[30]計(jì)算產(chǎn)量損失率/干旱強(qiáng)度的概率密度函數(shù)，并在此基礎(chǔ)上提取所有網(wǎng)格的10年一遇，20年一遇，50年一遇，100年一遇損失率/干旱強(qiáng)度，最后進(jìn)行基于網(wǎng)格單元的風(fēng)險(xiǎn)制圖。

北美(網(wǎng)格中心經(jīng)緯度:101.75°W, 38.25°N) 東亞(網(wǎng)格中心經(jīng)緯度: 116.75°E, 38.75°N)

西歐(網(wǎng)格中心經(jīng)緯度: 1.75°E, 49.75°N) 南美 (網(wǎng)格中心經(jīng)緯度: 61.75°W, 34.25°S)

中亞(網(wǎng)格中心經(jīng)緯度: 68.75°E, 29.75°N) 北美(網(wǎng)格中心經(jīng)緯度: 107.75°W, 51.75°N)圖3　世界小麥旱災(zāi)脆弱性曲線示例

春小麥致災(zāi)強(qiáng)度指數(shù)高值區(qū)主要分布于中國(guó)內(nèi)蒙古中部陰山-賀蘭山、昆侖山-阿爾金山-祁連山北緣、天山山脈南緣、阿爾泰山南緣等地區(qū)，以及南美洲西海岸智利、玻利維亞、秘魯中部一帶。

冬小麥致災(zāi)強(qiáng)度指數(shù)高值區(qū)主要集中在北半球30°～60°緯度地區(qū)，包括三大區(qū)域：歐洲西部的沿海地帶，如英國(guó)大不列顛島，荷蘭，德國(guó)西北部、法國(guó)北部、西部和東南部等；亞洲西部地區(qū)、興都庫(kù)什山脈和帕米爾高原一帶；美國(guó)西部高原中部、中央大平原西部以及阿巴拉契亞山脈一帶。

基于SEPIC-V-R模型中的脆弱性曲線模塊，采用灌溉情景模擬的方法計(jì)算每個(gè)0.5°網(wǎng)格內(nèi)的承災(zāi)體脆弱性曲線，用以表征每個(gè)網(wǎng)格單元小麥生長(zhǎng)季內(nèi)的旱災(zāi)致災(zāi)指數(shù)和產(chǎn)量損失率，最后得到世界小麥旱災(zāi)脆弱性曲線庫(kù)。下面給出世界小麥種植區(qū)不同地區(qū)的典型網(wǎng)格的脆弱性曲線示例(見(jiàn)圖3)。

結(jié)合干旱強(qiáng)度的期望值和不同年遇型值，結(jié)合脆弱性曲線，我們可以計(jì)算出全球的小麥產(chǎn)量損失率。

本研究選取易于獲取的中國(guó)災(zāi)情數(shù)據(jù)進(jìn)行評(píng)價(jià)結(jié)果的驗(yàn)證。具體數(shù)據(jù)包括1997-2005年中國(guó)22個(gè)省(不包括香港、澳門和臺(tái)灣地區(qū))統(tǒng)計(jì)的旱災(zāi)成災(zāi)面積CZ、受災(zāi)面積SZ、絕收面積JS[31]和農(nóng)作物播種面積S[32]。通過(guò)計(jì)算損失指數(shù)L[33]對(duì)本文的風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果進(jìn)行驗(yàn)證。該驗(yàn)證方法也被YIN等人用過(guò)[13]。

(5)

將4個(gè)年遇型的損失率與上述方法計(jì)算得到的22個(gè)省份統(tǒng)計(jì)風(fēng)險(xiǎn)值進(jìn)行皮爾遜相關(guān)分析(見(jiàn)表2)。

表2　不同年遇型損失率與基準(zhǔn)數(shù)據(jù)的相關(guān)分析結(jié)果

小麥風(fēng)險(xiǎn)驗(yàn)證結(jié)果的顯著性水平全部小于0.05，其中五十年一遇損失率和百年一遇損失率顯著性水平小于0.01。

總體來(lái)講，春小麥的旱災(zāi)風(fēng)險(xiǎn)要高于冬小麥(見(jiàn)圖4)。其中，春小麥旱災(zāi)風(fēng)險(xiǎn)較高的區(qū)域主要分布在中國(guó)西北地區(qū)、巴基斯坦中部、南美洲西海岸、北美洲墨西哥與美國(guó)接壤處，非洲肯尼亞和南非東部。此外，加拿大中南部以及與其接壤的美國(guó)北部、烏克蘭北部、地中海沿岸和澳大利亞西南地區(qū)的風(fēng)險(xiǎn)也較高。冬小麥的旱災(zāi)高風(fēng)險(xiǎn)主要分布于阿富汗及其北方地區(qū)、美國(guó)中西部、西歐平原、英格蘭東部和南非東南部等地，此外，中國(guó)華北地區(qū)和土耳其中部等區(qū)域風(fēng)險(xiǎn)也較高。

圖4　全球小麥因旱災(zāi)導(dǎo)致的期望損失率

為了在國(guó)家之間進(jìn)行對(duì)比，我們將每個(gè)國(guó)家內(nèi)所有網(wǎng)格的風(fēng)險(xiǎn)值之和進(jìn)行歸一化處理，將其作為對(duì)應(yīng)國(guó)家的風(fēng)險(xiǎn)指標(biāo)，表征區(qū)域內(nèi)的風(fēng)險(xiǎn)總量相對(duì)大小(見(jiàn)表3)。

世界小麥產(chǎn)量排名前10的國(guó)家分別是中國(guó)、印度、美國(guó)、法國(guó)、俄羅斯、澳大利亞、加拿大、巴基斯坦、德國(guó)和土耳其。由表3可以看出上述小麥主產(chǎn)國(guó)中，除了法國(guó)和德國(guó)以外都面臨著較高的干旱損失風(fēng)險(xiǎn)。每個(gè)國(guó)家所面臨的風(fēng)險(xiǎn)受到其生長(zhǎng)總量和絕對(duì)風(fēng)險(xiǎn)共同影響：風(fēng)險(xiǎn)較高的中國(guó)、俄羅斯、美國(guó)和加拿大既是生產(chǎn)大國(guó)，同時(shí)還地處中高緯度，降水量偏少且波動(dòng)性較大的地區(qū)，因此風(fēng)險(xiǎn)相對(duì)較高；生產(chǎn)大國(guó)中的澳大利亞、印度和土耳其則因有較好的農(nóng)業(yè)條件，風(fēng)險(xiǎn)相對(duì)較??；而地處歐洲的德國(guó)和法國(guó)其小麥旱災(zāi)風(fēng)險(xiǎn)的世界排名則分別為25和44。

3結(jié)語(yǔ)

風(fēng)險(xiǎn)評(píng)價(jià)的精度不僅依賴于我們?cè)驾斎霐?shù)據(jù)的精度，同時(shí)也依賴于我們對(duì)致災(zāi)因子和脆弱性的刻畫精度。本文的旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)是基于空間作物模型開(kāi)展的，作物模型空間化的基本思路是假定評(píng)價(jià)最小網(wǎng)格單元是均質(zhì)單元進(jìn)行模擬[34]，在均質(zhì)單元上通常不考慮單元之間的相互作用、水平方向的水分和養(yǎng)分物質(zhì)流動(dòng)過(guò)程[35-36]。尹圓圓等基于0.5°均質(zhì)單元的假設(shè)，建立了大量均值單元平均狀態(tài)的脆弱性曲線，但忽視了單元間的差異脆弱性差異。提升脆弱性的空間分辨率有助于提升風(fēng)險(xiǎn)評(píng)價(jià)的準(zhǔn)確性，但是如何突破分辨率的限制，連續(xù)地將脆弱性進(jìn)行表征是未來(lái)需要進(jìn)一步研究的內(nèi)容。

表3　區(qū)域風(fēng)險(xiǎn)指數(shù)排名前20的國(guó)家

區(qū)域旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)中，脆弱性評(píng)價(jià)的精度包括脆弱性的定量化程度和空間分辨率兩個(gè)要素。脆弱性的定量化程度包括等級(jí)、指數(shù)和脆弱性曲線三種；空間分辨率包括三種區(qū)域脆弱性、基本單元的脆弱性和空間連續(xù)表達(dá)的脆弱性。我們將區(qū)域旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)的精度的二維空間劃分為I、II、III、IV四個(gè)象限(見(jiàn)圖5)。第一象限是在低空間分辨率的高精度量化，即使用損失打擊關(guān)系來(lái)表征區(qū)域范圍的脆弱性，不考慮區(qū)域范圍內(nèi)脆弱性的異質(zhì)性[13-14]。第二象限是空間精度和量化精度都高的脆弱性表達(dá)，是在假定均值單元上建立損失打擊關(guān)系表達(dá)，或者是空間上連續(xù)地表達(dá)脆弱性。第三象限的脆弱性評(píng)價(jià)精度最低，忽略了區(qū)域范圍的脆弱性差異，使用等級(jí)、指數(shù)代表了其平均水平。第四象限的脆弱性評(píng)價(jià)應(yīng)用較多，能夠使用指標(biāo)的差異表示均值單元或者連續(xù)表達(dá)的脆弱性[6-8]。

本文中假定的均值單元為0.5°的網(wǎng)格，在均值網(wǎng)格上建立了脆弱性曲線并進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)，兼顧到了脆弱性的空間分辨率和表征精度兩個(gè)屬性。

盡管脆弱性在災(zāi)害形成過(guò)程中起著重要作用，但干旱致災(zāi)因子對(duì)于小麥旱災(zāi)風(fēng)險(xiǎn)的空間分布具有決定性作用。比較本文的干旱致災(zāi)因子與產(chǎn)量損失率風(fēng)險(xiǎn)的空間分異規(guī)律，二者的分布規(guī)律相近。總體來(lái)講，春小麥的旱災(zāi)風(fēng)險(xiǎn)要高于冬小麥。春小麥致災(zāi)強(qiáng)度指數(shù)和風(fēng)險(xiǎn)的高值區(qū)凸顯在南亞北部和南美洲西海岸，而冬小麥致災(zāi)強(qiáng)度指數(shù)和風(fēng)險(xiǎn)集中分布于北半球30°～60°緯度地區(qū)。

參考文獻(xiàn)：

[1]Dai A, Trenberth K E, Qian T. A global dataset of Palmer Drought Severity Index for 1870-2002: Relationship with soil moisture and effects of surface warming[J]. Journal of Hydrometeorology, 2004, 5(6): 1117-1130.

[2]IPCC. Managing the risks of extreme events and disasters to advance climate change adaptation[M]. Cambridge, UK,and New York, NY, USA: Cambridge University Press, 2012: 582.

[3]IPCC. Climate Change 2013: The physical science basis[M].Switzerland: Intergovernmental Panel on Climate Change, 2013.

[4]FAO. FAO statistical database[EB/OL]. (2013-01-01)[2014-03-01].http://www.fao.org/statistics/databases/en.

[5]史培軍. 中國(guó)自然災(zāi)害風(fēng)險(xiǎn)地圖集[M]. 北京: 科學(xué)出版社, 2011.

[6]Cardona O D. Indicators of disaster risk and risk management: Program for Latin America and the Caribbean: Summary Report[M]. Washington：Inter-American Development Bank, 2005.

[7]Dilley M. Natural disaster hotspots: A global risk analysis[M].Washington:World Bank Publications, 2005.

[8]Li Y, Ye W, Wang M, et al. Climate change and drought: A risk assessment of crop-yield impacts[J]. Climate Research, 2009, 39(1): 31-46.

[9]He B, Wu J, Lü A, et al. Quantitative assessment and spatial characteristic analysis of agricultural drought risk in China[J]. Natural hazards, 2013, 66(2): 155-166.

[10]Elagib N A. Development and application of a drought risk index for food crop yield in Eastern Sahel[J]. Ecological Indicators, 2014, 43(0): 114-125.

[11]Zhao H, Gao G, Yan X, et al. Risk assessment of agricultural drought using the CERES-Wheat model: a case study of Henan Plain, China[J]. Climate Research, 2012, 50: 247-256.

[12]Undro. Natural disasters and vulnerability analysis report of expert working group meeting[M].Geneva: united nations disaster relief organisation, 1982.

[13]Yin Y, Zhang X, Lin D, et al. GEPIC-VR model: A GIS-based tool for regional crop drought risk assessment[J]. Agricultural Water Management, 2014, 144: 107-119.

[14]Xu X, Ge Q, Zheng J, et al. Agricultural drought risk analysis based on three main crops in prefecture-level cities in the monsoon region of east China[J]. Natural hazards, 2013, 66(2): 1257-1272.

[15]史培軍. 再論災(zāi)害研究的理論與實(shí)踐[J]. 自然災(zāi)害學(xué)報(bào), 1996, 5(4): 6-17.

[16]史培軍. 三論災(zāi)害研究的理論與實(shí)踐[J]. 自然災(zāi)害學(xué)報(bào), 2002, 11(3): 1-9.

[17]李楊, 王玉萍, 歐朝敏. 洞庭湖流域農(nóng)業(yè)旱災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)[J]. 災(zāi)害學(xué), 2014, 29(1): 52-57.

[18]Williams J, Wang E, Meinardus A, et al. EPIC users guide v. 0509[M]. Temple, Texas:Blackland Research and Extension Center, 2006.

[19]Wang X, He X, Williams J, et al. Sensitivity and uncertainty analyses of crop yields and soil organic carbon simulated with EPIC[J]. Transactions-american society of agricul tural engineers, 2005, 48(3): 1041-1054.

[20]Williams J, Jones C, Kiniry J, et al. The EPIC crop growth model[J]. Transactions of the ASAE, 1989, 32(2): 497-511.

[21]USGS. Digital Elevation Model: U.S[EB/OL]. (1997-02-28) [2012-09-01],.http://tahoe.usgs.gov/DEM.html.

[22]FAO/IIASA. Global Agro-ecological Zones (GAEZ) ver.3.0[M]. Rome, Italy: IIASA, Laxenburg, Austria and FAO, 2010.

[23]Batjes N H. ISRIC-WISE derived soil properties on a 5 by 5 arc-minutes global grid (version 1.2)[M]. Wageningen: ISRIC-World Soil Information, 2012.

[24]Monfreda C, Ramankutty N, Foley J A. Farming the planet: 2. Geographic distribution of crop areas, yields, physiological types, and net primary production in the year 2000[J]. Global Biogeochemical Cycles, 2008, 22(1): GB1022,doi:10.1029/2007GB002947.

[25]Sacks W J, Deryng D, Foley J A, et al. Crop planting dates: an analysis of global patterns[J]. Global Ecology and Biogeography, 2010, 19(5): 607-620.

[26]Tan G, Shibasaki R. Global estimation of crop productivity and the impacts of global warming by GIS and EPIC integration[J]. Ecological Modelling, 2003, 168(3): 357-370.

[27]Potter P, Ramankutty N, Bennett E M, et al. Characterizing the spatial patterns of global fertilizer application and manure production[J]. Earth Interactions, 2010, 14(2): 1-22.

[28]金菊良,酈建強(qiáng), 周玉良,等. 旱災(zāi)風(fēng)險(xiǎn)評(píng)估的初步理論框架[J]. 災(zāi)害學(xué), 2014, 29(3): 1-10.

[29]王志強(qiáng). 基于自然脆弱性評(píng)價(jià)的中國(guó)小麥旱災(zāi)風(fēng)險(xiǎn)研究[D]. 北京: 北京師范大學(xué), 2008.

[30]Chongfu H. Principle of information diffusion[J]. Fuzzy Sets and Systems, 1997, 91(1): 69-90.

[31]中華人民共和國(guó)農(nóng)業(yè)部. 災(zāi)情數(shù)據(jù)庫(kù)[EB/OL]. (2014-01-01)[2014-03-01].http://202.127.42.157/moazzys/zaiqing.aspx.

[32]中華人民共和國(guó)農(nóng)業(yè)部. 農(nóng)作物數(shù)據(jù)庫(kù)[EB/OL]. (2014-01-01)[2014-03-01].http://zzys.agri.gov.cn/nongqing.aspx.

[33]王克, 張峭. 基于數(shù)據(jù)融合的農(nóng)作物生產(chǎn)風(fēng)險(xiǎn)評(píng)估新方法[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2013, 46(5):1054-1060.

[34]Liu J, Williams J R, Zehnder A J B, et al. GEPIC-modelling wheat yield and crop water productivity with high resolution on a global scale[J]. Agricultural Systems, 2007, 94(2): 478-493.

[35]Wenjia W, Hao F. The progress and problems in the development of foreign crop models[J]. Water Saving Irrig, 2012 (8): 62-68.

[36]Yi L, Wei G. Development and problems of crop models[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008(5): 307-312.

Drought Risk Assessment on World Wheat Based on Grid Vulnerability Curves

Zhang Xingming1, 2, Zhang Chunqin1, 2, Guo Hao3, Yin Weixia1, 2,

Wang Ran1, 2and Wang Jingai1, 2

(1.SchoolofGeographyandRemoteSensingScience,BeijingNormalUniversity,Beijing100875,China;

2.TheKeyLaboratoryofRegionalGeography,BeijingNormalUniversity,Beijing100875,China; 3.Schoolof

GeographyandEnvironmentalScience,ZhejiangNormalUniversity,Jinhua321004,China)

Abstract:Drought is one of the world's natural disasters of the widest influence and greatest loss for agriculture. Under the background of global change, drought risk has shown an increasing trend. Assessment and effective prevention on agricultural drought risk is an important measure to ensure food safety. With the help of EPIC model, assuming that the 0.5 degree grid is the average unit, wheat drought vulnerability curve of global mean grid is simulated by irrigation scenario method. Combining with the historical meteorological data, drought disaster causing factors of the global wheat are evaluated. Finally, yield loss risk of the global wheat causes by drought is calculated and the drought risk map of the global wheat is drawn up. Results show that: ① China, Russia and USA/Hasikesitan are the first three countries in the risk ranking, risk index normalized are respectively 0.53, 0.22 and 0.19; ② Spring wheat drought risk is higher than that of winter wheat. Based on the existing research on the evaluation of drought risk crops, taking into account the spatial resolution and accuracy of the vulnerability evaluation, wheat drought vulnerability curve consistent with spatial resolution of risk assessment is established, regional drought risk assessment is thus greatly enhanced, especially the accuracy of large scale.

Key words:vulnerability curve; wheat; drought; spatial resolution; EPIC

doi:10.3969/j.issn.1000-811X.2015.02.042

中圖分類號(hào)：X43

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1000-811X(2015)02-0228-07

作者簡(jiǎn)介：張興明(1987-),男,河北張家口人,博士研究生,主要從事自然災(zāi)害風(fēng)險(xiǎn)與災(zāi)害經(jīng)濟(jì)等研究.E-mail: zhxming@mail.bnu.edu.cn通訊作者：王靜愛(ài)(1955-),女, 滿族, 河北定州人, 教授, 主要從事區(qū)域地理教學(xué)和自然災(zāi)害等研究. E-mail: jwang@bnu.edu.cn

基金項(xiàng)目：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃“全球變化與環(huán)境風(fēng)險(xiǎn)關(guān)系及其適應(yīng)性范式研究”(2012CB955403)

收稿日期：2014-10-11修回日期：2014-11-30