2011, 22 (5): 549-557
2. 北京师范大学地理学与遥感科学学院，北京 100875
2. 2 School of Geography and Remote Sensing Science, Beijing Normal University, Beijing 100875
冬小麦是我国的主要粮食作物之一，全国大部分的冬小麦都产自河北、山东、河南三省。冬小麦总产量由种植面积以及单位面积的产量决定。冬小麦单位面积的产量可以分解为趋势产量和气象产量，趋势产量与社会生产力水平有关，反映了农业技术和经营管理的改进和发展，代表所有非自然因素对产量贡献的总和；气象产量是经过时间趋势处理后的产量余项，反映了环境条件特别是气象条件的影响。在气象灾害发生频繁、影响程度加重的年份，不利气象条件对冬小麦单产影响较大，会导致受灾地区冬小麦单产大幅度减少，几近绝收。因此，在全球变暖的大背景下，了解河北、山东、河南三省冬小麦气象产量的变化，对保障我国粮食安全具有重要意义。
我国北方地区的冬小麦大致在10月初播种，次年的5月底、6月初收获，整个生育期大概8个月左右，在此期间内天气气候的变化会导致冬小麦产量的变化。其中，光照、温度和水分的变化对冬小麦生长发育、产量形成起十分关键的作用，国内不少学者在这些方面开展了大量研究工作。程延年等[1]将冬小麦全生育期分成3个阶段，分阶段模拟冬小麦的气象产量与光照、温度和水分的关系，得出冬小麦不同发育阶段的模拟方程。张金艳等[2]利用全球150个国家和地区的冬小麦产量和降水量资料，分析了冬小麦气象产量与降水量变化的关系，结果表明:中亚和东北亚地区冬小麦气象产量与降水量呈反相关关系。秦剑[3]利用1951—1997年的气象资料分析了云南省气候变化对农业生产的影响，结果表明:12月至翌年2月的降水是云南省小麦增、减产的关键因子。詹志明等[4]分析了豫东地区冬小麦气象产量与降水量的关系，结果表明：开封地区的降水对冬小麦生产以负效应为主，商丘地区的降水对冬小麦生产的正负效应均衡，而周口地区的降水对冬小麦生产则以正效应为主。张力等[5]研究了河南省五二农场1955—1998年气象产量与日照、温度和降水的关系，认为降水对冬小麦产量的影响最大。魏瑞江等[6]利用模糊数学理论，研究了2005年和2006年冬小麦生长年度 (2004年10月—2005年6月和2005年10月—2006年6月) 温度、降水和日照时数对河北省冬小麦生长发育的隶属度，指出温度和日照时数对冬小麦生长发育的隶属度较高，能够满足冬小麦生长发育的需求，而降水的隶属度变化幅度较大，是冬小麦产量形成的限制因素。郭海英等[7]分析了陇东地区的冬小麦产量与光、热、水三要素的关系，结果表明：冬小麦生长前期，光和热与产量呈负相关关系，到了生长后期，光和热与产量呈正相关关系；相比于光照和积温，自然降水和产量的相关性要小很多。李月英等[8-9]研究了河北衡水地区冬小麦产量与冬小麦不同发育期气象要素的关系，研究表明：在冬小麦的不同发育期内，影响冬小麦产量的主要气象因子不尽相同，其中，返青、拔节和灌浆期的降水对冬小麦产量形成的贡献率最大，5月的蒸发则对冬小麦产量形成具有较大的负向作用，越冬期的温度越高，越有利于冬小麦安全越冬。罗蒋梅等[10]利用通径分析和积分回归原理计算了鲁西南气象要素对冬小麦气象产量的影响系数，并构建了冬小麦产量气象要素影响定量评价模型，该模型能够定量评价全生育期各气象要素对冬小麦产量的影响。马鹏里等[11]分析了辐热积 (光照和积温因子综合作用) 对各生育阶段生物量的影响，表明各生育阶段辐热积与产量相关显著。
在气候变化对小麦生长发育和产量影响方面，高素华等[12]利用田间试验数据分析了温度对春小麦生长发育的影响：温度升高，春小麦发育期缩短、干物质积累量和籽粒产量下降。张建平等[13]利用作物模型与气候模式相结合的方法，定量模拟预估了2000—2100年气候变化对华北冬小麦生产的影响，结果表明：21世纪的100年，华北地区冬小麦生长期平均缩短8.4 d，产量减少10.1%。Guo等[14]利用天气发生器 (climate generator, CLIGEN) 得到逐日气象数据驱动CERES-wheat模型，由于气候变暖，冬小麦的产量呈增加趋势；到21世纪90年代，如果不考虑CO2的施肥效应，B2A情景下 (B2情景下的一个分支) 华北平原冬小麦平均增产9.8%。王馥棠[15]在3种平衡GCM模式 (GFDL，MPI和UKMO-H) 产生的2050年气候变化情景的基础上，利用CERES-wheat模型模拟我国雨养和灌溉冬小麦产量，到2050年将分别减产7.7%和2.0%。张宇等[16]利用随机天气模型，将CO2倍增时预测的气候情景与CERES-wheat模式相连接，研究气候变化对我国冬小麦生产的可能影响，表明冬小麦平均减产7%~8%。
本文利用1978—2008年冀、鲁、豫三省的历史气象资料和冬小麦产量数据，分别建立了三省冬小麦趋势产量和气象产量模型，并利用区域气候模式PRECIS输出的未来A2和B2气候情景下的格点气象资料估算2012—2050年冀、鲁、豫三省的冬小麦气象产量，为气候变化下国家粮食安全战略提供参考。
1 A2和B2情景简介1997—2000年，政府间气候变化专门委员会第3工作组，组织各国专家在大量模型分析的基础上，提出了未来100年全球温室气体的排放情景，即SRES (Special Report for Emission Scenarios)。SRES设计了4种世界发展模式，分别为A1，A2，B1和B2①。
① http://www.ccchina.gov.cn/cn/NewsInfo.asp?NewsId=4220.
A2情景：未来世界的特征表现为地区差异明显。各地区相对分割，强调自主和地区保护。因而各地区人口增长的差异大，使人口持续增加；各地区经济发展不平衡，经济增长和技术进步均较为缓慢；能源仍旧依赖于化石燃料。
B2情景：未来世界的地区分化明显，各地区试图在本地区内考虑经济、社会和环境的可持续问题。在各自地区内，注重环境保护，强调社会公平。人口将持续增长，但比A2情景略低。经济有一定发展，但比A1和B1均较为缓慢。技术进步呈多样化，但新技术和高效技术引进推广较慢。
2 资料和方法 2.1 技术方法描述本文在收集历史产量资料、历史气象资料和PRECIS输出的气候资料的基础上，对未来A2和B2情景下冬小麦的气象产量进行估算，具体的技术框图如图 1所示。本研究可分为3个步骤：
|
|
| 图 1. 研究的技术框图 Fig 1. Flowchart of the research | |
步骤1 冬小麦历史产量资料分离与气象产量模拟模型的建立。根据对冬小麦历史产量资料的分析，分离出冬小麦的趋势产量和气象产量，结合历史气象资料，建立冀、鲁、豫三省冬小麦气象产量模拟模型。
步骤2 PRECIS输出资料的稳定性和可靠性检验。利用区域气候模式PRECIS输出的基准气候资料驱动冀、鲁、豫三省冬小麦气象产量模型，回代模拟冀、鲁、豫三省历史产量的变化，对冬小麦产量模拟结果和实际情况进行对比分析，从而检验区域气候模式PRECIS输出资料用于三省冬小麦气象产量模型的稳定性和可靠性。
步骤3 未来A2和B2情景下冬小麦气象产量估算。在步骤2的基础上，利用区域气候模式PRECIS输出的未来A2和B2气候情景驱动前面建立的冀、鲁、豫三省冬小麦的气象产量模型，估算2012—2050年三省的冬小麦气象产量，并对不同情景下三省的冬小麦气象产量进行分析。
2.2 区域气候模式PRECIS简介区域气候模式PRECIS (Proving Regional Climates for Impacts Studies) 是英国Hadley气候预测与研究中心发展的区域气候模式，用以构建高分辨率的SRES未来气候变化情景，该模式由GCM-HadAM3H (HadCM3的大气部分，但其水平分辨率在经纬度方向上各增加1倍) 提供初始边界条件[17]，其水平方向的网格距分为50 km×50 km和25 km×25 km两种，积分时间步长分别为5 min和2.5 min，垂直分辨率地上部分分为19层 (地面以上30 km)，地下部分 (土壤) 分为4层[18]。
2.3 资料来源及处理研究所使用的资料主要包括历史气象台站资料、格点气候资料和冬小麦实际产量资料。
2.3.1 历史气象数据历史气象台站资料主要包括1961—2008年河北、山东、河南三省52个台站逐日气压、平均温度、最高温度、最低温度、水汽压、相对湿度、降水量、风速、日照时数和总辐射资料，资料来源于国家气象信息中心。
将河北省19个台站、山东省16个台站和河南省17个台站48年的逐日气象数据分省求平均，得到三省1961—2008年的逐日气象数据，参照冬小麦的生长发育期，根据各个气象要素的物理意义，求取各要素、逐旬的平均值、最大值、最小值、求和 (根据各气象要素的物理意义：平均温度求平均值、最高温度求最大值、最低温度求最小值、降水量求和等，下同)，以方便后续的产量分析。
2.3.2 格点气候数据格点气候资料是由区域气候模式PRECIS输出的分辨率为50 km×50 km的未来A2和B2气候情景 (2011—2050年) 下的逐日资料以及基准气候条件 (1961—1990年) 下的逐日资料，包括的要素有平均温度、最高温度、最低温度、相对湿度、水汽压、降水量、风速和总辐射，资料来源于中国农业科学院农业环境与可持续发展研究所。
先将PRECIS输出的50 km×50 km格点基准气候资料 (1961—1990年) 和未来气候变化情景 (A2和B2，2010—2050年) 下河北、山东、河南三省的格点资料按照省份求平均，而后再将各省的逐日资料逐旬求平均值、最大值、最小值、求和。
2.3.3 冬小麦趋势产量与气象产量的分离本研究收集了1978—2008年我国河北、山东、河南三省的冬小麦实际产量资料，资料来源于国家统计年鉴。
为了分析气象要素对冬小麦产量的影响，必须从冬小麦的实际产量中分离出趋势产量，得到冬小麦的气象产量。常用的趋势产量分离方法有滑动平均模拟法、线性模拟法、多项式模拟法等。滑动平均模拟法是平滑掉产量曲线上那些因天气、气候等自然因素变化而造成的短周期波动，保持较多的非自然因素和其他因素造成的趋势产量，是一种简化了的模拟方法；线性模拟法是以时间的线性函数值来模拟趋势产量，计算比较简便，但它将除气象因素之外的各种因素对产量错综复杂的影响都归为线性关系，并不确切，只有在线性趋势明显时才具有较高的准确性；非线性模拟法又称曲线模拟法，是以时间的非线性函数来模拟趋势产量，此法比较符合实际情况，但取高阶模拟时，易导致与气象产量的混淆，从而失去模拟趋势的意义。
本研究针对各省资料的特点，采用非线性模拟方法拟合趋势产量。通过对各省逐旬气象要素与冬小麦产量的分析，利用三次多项式拟合得到河北、山东、河南三省1978—2008年的冬小麦趋势产量模型。
河北：
|
(1) |
山东：
|
(2) |
河南：
|
(3) |
其中，Yt是趋势产量，x是年份序列 (取值范围为1~31；1代表1978年，2代表1979年，……，31代表2008年)。
从冬小麦实际产量中去除趋势产量，即得到气象产量。
2.4 气象产量与多元气象要素回归模型的建立冀、鲁、豫三省大部分地区属于半干旱、半湿润气候区，从前一年12月至当年5月冬小麦越冬到抽穗期间，大部分地区的降水资源严重不足，必须辅以人工灌溉来补充冬小麦生育期内的水分亏缺，同时冬小麦生育期内的热量资源也是影响冬小麦气象产量的主要因子[8-11, 19-20]。因此，根据前人的研究结果，对各省的冬小麦气象产量与冬小麦生长期内逐旬的温度和降水要素进行相关分析，将与气象产量相关系数较高的气象要素代入多元回归模型，经过逐级筛选，得到三省的冬小麦气象产量与多元气象要素的回归模型，模型中的各个参数及其系数如表 1所示。
|
表 1 河北、山东、河南三省冬小麦气象产量回归模型参数列表 Table 1 Parameters of meteorological yield models for Hebei, Shandong and Henan provinces |
从上述回归模型可以看出，河北、山东、河南三省的冬小麦气象产量与冬季温度 (前一年12月至当年1月) 具有负相关关系，与春季温度和生育期内的降水具有正相关关系。这说明影响冀、鲁、豫三省冬小麦气象产量的主要气象要素是温度和降水。由于河北、山东、河南三省都是冬小麦的适宜种植区，因此不存在冬季温度太低使得冬小麦无法安全越冬的问题，即三省冬季温度与气象产量呈负相关关系可能是因为在现有耕作栽培措施下，冬季温度低有利于冬小麦春化过程的进行，从而有利于最终产量的提高；春季温度越高、生育期内的降水越多，对冬小麦的生长越有利，进而提高冬小麦的气象产量。降水量与温度要素相比，其对冬小麦产量的影响程度远低于温度 (降水量的系数仅为温度的几十分之一)，说明冀、鲁、豫三省的冬小麦以灌溉为主，降水对冬小麦气象产量的影响与温度相比较为微弱。
3 结果分析 3.1 历史实际产量1978—2008年河北、山东、河南三省冬小麦的历史实际产量如图 2所示。
|
|
| 图 2. 河北、山东、河南三省冬小麦实际产量 Fig 2. True yield of winter wheat for Hebei, Shandong and Henan provinces | |
从图 2可以看出，冀、鲁、豫三省的冬小麦产量随着时间呈递增的趋势，大多集中在2000~6000 kg·hm-2。其中山东省的冬小麦产量在20世纪90年代呈现出快速增长的势头，到21世纪初期产量增速有所放缓，并呈减少的趋势，而后又逐渐增加；河南省的冬小麦产量在20世纪80年代初期到80年代中期的这段时间内迅速增加，从80年代中期到90年代中期，冬小麦产量呈波动态势，而后逐渐增加；河北省冬小麦的产量在20世纪80年代初期跌至1978年以来的最低点，而后一直上升，但增长的幅度与山东和河南两省相比要略低一些。
从河北、山东、河南三省1978—2008年的冬小麦产量来看，除了20世纪90年代河北省的产量略高于河南省外，其他时段内河北省冬小麦的产量都较其他两省偏低；山东省的冬小麦产量仅在20世纪80年代中期以前略低于河南省，其他时段的产量均处于最高位，但是山东冬小麦产量的波动较其他两省要大一些；河南省冬小麦的产量在三省中表现的最为平稳，始终保持着稳定增长的趋势。
3.2 冬小麦历史气象产量标准化试验由于本文旨在利用区域气候模式PRECIS输出的未来气候情景驱动前面建立的冀、鲁、豫三省冬小麦的气象产量模型，来估算2012—2050年三省的冬小麦气象产量，因此首先需要利用区域气候模式PRECIS输出的气候基准场资料来驱动三省的冬小麦气象产量模型，回代模拟冀、鲁、豫三省历史产量的变化，对冬小麦产量模拟结果和实际情况进行对比分析，从而检验区域气候模式PRECIS输出资料用于三省冬小麦气象产量模型的稳定性和可靠性。因此，将PRECIS提供的基准气候条件 (1961—1990年) 下的逐日格点资料分省进行处理，代入表 1的三省冬小麦气象产量模型中，得到冬小麦的气象产量，再叠加上冬小麦的趋势产量，得到模拟的冬小麦产量，与历史实际产量进行对比。
由于收集到的冬小麦产量资料的时段是1978—2008年，而PRECIS提供的基准时段的格点资料是1961—1990年，两种资料的交叉时段是1978—1990年，同时考虑到冬小麦具有跨年生长的特性 (冬小麦当年的气象产量是根据前一年10月至当年6月的气象要素计算得到)，利用交叉时段气象资料模拟只能得到1979—1990年的气象产量。因此，根据上面提到的气象产量 (表 1中的各气象要素和参数) 的计算方法，利用处理过的基准气候条件下的资料，模拟得到基准气候条件下冀、鲁、豫三省1979—1990年冬小麦的气象产量，再叠加上利用式 (1)~式 (3) 计算得到的趋势产量即得到河北、山东、河南三省冬小麦模拟产量，模拟产量与历史实际产量的对比结果如图 3所示。
|
|
| 图 3. 河北、山东、河南三省基准气候条件冬小麦模拟产量与实际产量的对比 Fig 3. Comparison between true yield and simulated yield based on basically climate data for Hebei, Shandong and Henan provinces | |
从图 3可以看出，冀、鲁、豫三省的模拟产量与实际产量的吻合度都较好，相关系数分别为0.928，0.792和0.837，河南和河北两省都通过了0.001的显著性检验，山东省通过了0.002的显著性检验。这说明利用区域气候模式PRECIS输出的空间分辨率为50 km×50 km的基准气候条件下的格点资料驱动河北、山东、河南三省冬小麦气象产量模拟模型，能够较好地模拟三省的历史气象产量变化，进而表明利用区域气候模式PRECIS输出的气候资料与气象产量模拟模型相结合来估算气象产量这一技术方法的稳定性和可实现性。
3.3 A2和B2情景下冀鲁豫三省冬小麦气象产量估算基于前述标准试验的技术方法，利用区域气候模式PRECIS输出A2和B2情景下的格点资料，驱动冀、鲁、豫三省冬小麦气象产量模拟模型，可以估算得到2012—2050年三省的冬小麦气象产量 (2011年的估算结果需要2010年10月至2011年6月的气象资料，而PRECIS只提供了2011—2050年的资料，因此2011年的估算结果无法得到)，最终的估算结果如图 4和表 2所示。
|
|
| 图 4. 河北、山东、河南三省在A2和B2情景下的冬小麦气象产量 Fig 4. Weather yield of winter wheat in A2 and B2 scenarios for Hebei, Shandong and Henan provinces | |
|
|
表 2 河北、山东、河南三省A2和B2情景下冬小麦气象产量的正负平均值及其出现频数 Table 2 Positive and negative mean and years of winter wheat whether yield in A2 and B2 scenarios for Hebei, Shandong and Henan provinces |
从图 4和表 2可以看出，无论在A2还是B2情景下，河北和河南两省未来40年内气候变化对冬小麦产量的负效应大于正效应，即减产作用大于增产作用。在研究的40年内 (得到39年冬小麦气象产量)，河北和河南两省大约均有24年左右为减产年，占全部研究年份的60%左右。山东省在A2和B2情景下未来气候变化对冬小麦产量的正效应大于负效应，即增产年份多于减产年份，其中A2情景下的增产年为21年，B2情景下的增产年为24年。3个省份在A2和B2情景下冬小麦气象产量的增减情况如下：
河北省在A2情景下减产年的平均值为-145.06 kg·hm-2、增产年的平均值为122.43 kg·hm-2，在B2情景下减产年的平均值为-125.11 kg·hm-2、增产年的平均值为103.75 kg·hm-2，减产年的减产幅度略大于增产年的增产幅度。河北省冬小麦出现增产主要是由于前一年冬季温度偏低，有利于冬小麦的春化过程，到了春季，冬小麦拔节-孕穗期的温度偏高，促进了冬小麦的生长；而春季温度 (拔节—孕穗期) 偏低，是河北省冬小麦减产的主要原因，也有部分年份由于降水量减少，影响了当年的冬小麦气象产量。
河南省在A2情景下减产年的平均值为-156.74 kg·hm-2、增产年的平均值为133.67 kg·hm-2，在B2情景下减产年的平均值为-208.56 kg·hm-2、增产年的平均值为161.63 kg·hm-2。总体上讲，两种情景下的平均增减产幅度相差不大。增产主要是由于冬小麦的返青—起身—拔节期、乳熟期的温度较高，冬小麦生长加快，同时，整个生育期内降水充沛，有利于冬小麦产量的形成；而减产则主要是由于冬小麦的返青—起身—拔节期、乳熟期的温度偏低，抑制了冬小麦的生长，也有部分年份是由于冬季温度偏高，不利于冬小麦的春化过程，导致冬小麦气象产量呈现下跌态势。
与河北和河南两省相比，虽然山东省的增产年份多于河北和河南两省，但山东省气象产量的平均增、减产幅度却是最大的，即山东省冬小麦的产量波动大于河北和河南两省。在A2情景下增产年的平均值为237.15 kg·hm-2、减产年的平均值为-249.30 kg·hm-2，在B2情景下增产年的平均值为247.18 kg·hm-2、减产年的平均值为-219.80 kg·hm-2。分析山东省冬小麦气象产量增、减产的原因，主要是由于冬小麦冬季温度偏高，减慢了冬小麦的春化过程，而到了春季温度却较低，影响了冬小麦的正常生长。
4 结论和讨论1) 本文基于1978-2008年冀、鲁、豫三省的冬小麦产量数据和气象观测资料，利用多项式拟合法分别建立了各省的趋势产量模型，其复相关系数均超过了0.90；从历史实际产量中扣除趋势产量得到冬小麦气象产量，并分析了各省的气象产量与气象要素的相关关系，利用逐步回归方法建立了各省的气象产量模型，各模型均通过了0.05的显著性水平。
2) 利用冬小麦的趋势产量和气象产量模型，模拟了基准气候条件下冬小麦的趋势产量和气象产量，得到冀、鲁、豫三省1979—1990年冬小麦产量，与历史实际产量的相关系数分别为0.928，0.792和0.837，河北和河南两省达到0.001的显著性水平，山东省达到0.002的显著性水平，证明了区域气候模式模拟得到的格点资料的可用性。
3) 利用各省的气象产量模型，估算了未来气候变化情景下 (A2和B2) 冀、鲁、豫三省的冬小麦气象产量，结果表明：无论是A2还是B2情景下，河北和河南两省未来气候变化对冬小麦气象产量均具有一定的负面效应，山东省未来气候变化对冬小麦气象产量则具有一定的积极作用。
本文未考虑冬小麦品种的变化，利用气象产量模型计算得到了2012—2050年A2和B2情景下的冬小麦气象产量，如果未来随着冬小麦品种的更新或 者品种对气候变化的适应性增强，导致冬小麦气象产量对气象要素的依赖程度降低，这将对冬小麦气象产量产生极大的影响。
致谢 中国气象科学研究院房世波博士提供数字化的冬小麦产量数据，国家气象信息中心提供相关气象数据，中国农业科学院农业环境与可持续发展研究所提供区域气候模式PRECIS输出的A2和B2气候情景以及基准气候条件的格点气候资料，在此一并表示感谢！| [1] | 程延年, 周兆德. 用分阶段回归模式进行作物产量气候分析——以北京地区冬小麦为例. 应用概率统计, 1994, 10, (2): 218–220. |
| [2] | 张金艳, 李小泉, 张镡. 全球粮食气象产量及其与降水量变化的关系. 应用气象学报, 1999, 10, (3): 327–332. |
| [3] | 秦剑. 气候因子与云南粮食生产的关系. 应用气象学报, 2000, 11, (2): 213–220. |
| [4] | 詹志明, 刘军臣, 巍东岚. 旱涝对豫东地区冬小麦产量的影响评估. 中国农业气象, 1999, 20, (4): 10–15. |
| [5] | 张力, 张保华. 冬小麦气象产量分析. 中国农业气象, 2004, 25, (1): 22–24. |
| [6] | 魏瑞江, 张文宗, 李二杰. 河北省冬小麦生育期气象条件定量评价模型. 中国农业气象, 2007, 28, (4): 367–370. |
| [7] | 郭海英, 万信, 杨兴国. 利用气象与生态要素预测冬小麦产量. 气象科技, 2008, 36, (4): 440–443. |
| [8] | 李月英, 刘全喜, 张文英, 等. 黑龙港流域冬小麦产量与气象因子相关与通径分析. 华北农学报, 2008, 23, (增刊): 329–333. |
| [9] | 李月英, 柳斌辉, 刘全喜, 等. 河北低平原气候条件对冬小麦产量的影响. 麦类作物学报, 2009, 29, (2): 330–334. |
| [10] | 罗蒋梅, 王建林, 申双和, 等. 影响冬小麦产量的气象要素定量评价模型. 南京气象学院学报, 2009, 32, (1): 94–99. |
| [11] | 马鹏里, 蒲金涌, 赵春雨, 等. 光温因子对大田冬小麦累积生物量的影响. 应用生态学报, 2010, 21, (5): 1270–1276. |
| [12] | 高素华, 郭建平, 王春乙. 气候变化对旱地作物生产的影响. 应用气象学报, 1995, 6, (增刊): 83–88. |
| [13] | 张建平, 赵艳霞, 王春乙, 等. 气候变化对我国华北地区冬小麦发育和产量的影响. 应用生态学报, 2006, 17, (7): 1179–1184. |
| [14] | Guo Ruiping, Lin Zhonghui, Mo Xingguo, et al. Responses of crop yield and water use efficiency to climate change in the North China Plain. Agricultural Water Management, 2010, 97: 1185–1194. DOI:10.1016/j.agwat.2009.07.006 |
| [15] | 王馥棠. 近十年来我国气候变暖影响研究的若干进展. 应用气象学报, 2002, 13, (6): 755–766. |
| [16] | 张宇, 王石立, 王馥棠. 气候变化对我国小麦发育及产量可能影响的模拟研究. 应用气象学报, 2000, 11, (3): 264–270. |
| [17] | 许吟隆, RichardJones. 利用ECMWF再分析数据验证PRECIS对中国区域气候的模拟能力. 中国农业气象, 2004, 25, (1): 5–9. |
| [18] | 赵俊芳, 郭建平, 徐精文, 等. 基于湿润指数的中国干湿状况变化趋势. 农业工程学报, 2010, 26, (8): 18–24. |
| [19] | 邱新法, 曾燕. 影响我国冬小麦产量的气象因子研究. 南京气象学院学报, 2000, 23, (4): 575–578. |
| [20] | 王荣堂, 刘章勇. 江陵小麦生长的气象条件及小麦产量预测. 湖北农学院学报, 1996, 16, (3): 175–180. |