区域粮食产量因灾损失评估之内蒙古自治区灾情−产量模型构建*

朱永昶，刘布春，刘 园，SHIRAZI zeeshan-sana

区域粮食产量因灾损失评估之内蒙古自治区灾情−产量模型构建*

朱永昶1,2，刘布春1**，刘 园1，SHIRAZI zeeshan-sana1

（1. 中国农业科学院农业环境与可持续发展研究所/作物高效用水与抗灾减损国家工程实验室/农业农村部农业环境重点实验室，北京 100081；2. 中国气象局气象发展与规划院，北京 100081）

基于1981−2020年内蒙古自治区农业气象灾害灾情及该地区粮食作物播种面积和产量数据，构建灾情−粮食作物产量评估模型，并对该模型进行验证，以此估算该地区粮食作物因灾减产量。结果表明：（1）1981−2020年内蒙古自治区粮食作物播种面积、总产和单产均呈显著上升趋势，增速分别为74.48×103hm2·a−1、78.85×104t·a−1和100.97kg·hm−2·a−1。（2）1981-2020年内蒙古农业气象灾害受灾、成灾面积均呈先上升后下降趋势，同期全国农业气象灾害成灾和受灾面积亦呈先上升后下降趋势。（3）干旱是该地区最主要的农业气象灾害，其受灾和成灾面积分别占历年各灾种的总受灾和成灾面积的64.10%和62.45%。灰色关联度分析表明，在受灾率和成灾率水平上干旱是与粮食单产关联度最高的农业气象灾害，在绝收率水平上风雹与粮食单产关联度最高。（4）构建的灾情-粮食作物产量评估模型模拟准确率较高，其模拟粮食产量与实际粮食产量呈极显著相关（R2=0.99，P<0.01），历年模拟平均相对误差为0.20%，翌年试报相对误差为2.49%。（5）1981-2020年内蒙古自治区粮食因灾损失率呈极显著下降趋势（R2=0.77，P<0.01），降速为0.48个百分点·a−1，平均因灾损失率为14.79%，68.42%的年份粮食单产因灾损失率高于10%。综上分析，基于1981-2020年统计数据构建的内蒙古自治区灾情−粮食作物产量评估模型可以较好地模拟和预测粮食作物产量、评估粮食产量因灾损失，从而满足农业气象业务和服务的需要。

粮食安全；农业气象灾害；灾情；因灾损失评估模型

内蒙古自治区（以下简称内蒙古）是国家重要农畜产品生产基地，2021年全区粮食总产量为3840.3×104t，占全国粮食总产量的5.62%，是中国第6大产粮省[1]和粮食输出大省[2]。内蒙古未来粮食增产潜力受水资源、土地和自然灾害等因素约束[3]，且依靠草地转耕地等方式增加耕地面积实现粮食持续增产与北方重要生态屏障的区域发展定位相悖[4]。内蒙古大部分地区位于干旱、半干旱地区及农牧交错带，粮食生产极易受到农业气象灾害影响[5]，研究内蒙古农业气象灾害对粮食生产影响规律有助于最大限度降低农业气象灾害造成的损失，对稳定粮食生产、保障粮食安全具有重要意义。

农业气象灾害指导致农作物减产的异常天气气候[6]，约占自然灾害的70%[7]。农业生产对天气气候要素具有高度依赖性，农业气象灾害可通过改变作物基本生长条件导致粮食减产[8]，从而对区域和全国范围粮食安全产生影响[9]。影响粮食作物产量的农业气象灾害主要包括干旱、洪涝、低温和风雹等[8]。气候变化导致极端天气气候事件频发且强度增大[10]，致使农业气象灾害发生规律变化[11]且灾害影响更加复杂[12]，加剧了农业气象灾害对粮食生产的不利影响[11]。

农业气象灾害对不同区域粮食作物产量影响研究多采用灾情数据统计分析[9,13]，构建灾情−产量模型[14−17]及灾害风险评估模型[18]，作物模型模拟[19−21]和灰色关联度分析[22]等方法。Shi等[9]采用时序叠加法分析了旱涝灾害对中国各省粮食产量损失的影响。刘玉汐等[13]基于东北地区灾情数据构建灾害强度指数分析了东北地区灾情变化特征。Liu等[14−16]分别构建了华北平原、东北地区和长江中下游各省的灾情-产量模型。李秀芬等[20]确定了基于WOFOST作物模型的内蒙古河套灌区玉米低温冷害评价指标。Wang等[21]采用APSIM作物模型评估了辽宁春玉米干旱风险。

目前构建内蒙古灾情-粮食作物产量评估模型定量评估该地区农业气象灾害对粮食产量影响的研究鲜见报道。本研究基于1981-2020年内蒙古自治区农业气象灾害灾情和粮食产量统计数据，分析内蒙古粮食播种面积、产量趋势及对国家粮食生产的贡献，明晰该地区不同种类农业气象灾害灾情变化规律及对粮食作物单产影响。构建灾情-粮食作物产量评估模型，评估模型精准度，并采用该模型定量评估内蒙古农业气象灾害对粮食作物单产影响，以期为内蒙古粮食产量灾害影响定量预测及农业防灾减灾救灾等提供科学方法和依据。

1 资料与方法

1.1 研究区域

内蒙古自治区（37°24′N-53°23′N，97°12′E- 126°04′E）面积约1.18×106km2，大致为东北西南走向，地貌主要为高原，平均海拔为1000m[23]。气候主要为中温带大陆性季风气候，年平均气温−5～10℃，由西向东递减，年降水量35～530mm，由东北向西南递减[24]，年蒸发量在1200～3200mm，由东向西递增[25]。

1.2 数据来源

1981-2020年全国（不含港澳台地区）和内蒙古自治区小麦、玉米、水稻、大豆、薯类等粮食作物及粮食作物总播种面积、产量数据，干旱、洪涝、风雹和低温等农业气象灾害导致的农作物受灾、成灾和绝收面积等灾情数据，农作物播种面积数据来自于国家统计局数据库（https://data.stats.gov.cn）和农业部种植业管理司农作物数据库（http://zzys.agri.gov.cn）。

1.3 粮食气象减产量估算模型及指标计算

1.3.1 受灾率、成灾率及绝收率

为避免播种面积变化引起的粮食产量波动，采用受灾率、成灾率和绝收率来分析相对灾损[16]。计算式分别为

式中，Rc、Ra和Rd分别为受灾率、成灾率和绝收率（%）。Sc、Sa和Sd分别为农作物受灾面积、成灾面积和绝收面积（hm2），分别指农作物因灾减产>10%、>30%和>80%的面积[26]。S 为农作物总播种面积（hm2）。由于内蒙古粮食作物占农作物播种面积比重较大（1981-2020年平均占比79%），假设农作物受灾害影响比率稳定的情况下，农作物灾损率近似等于粮食作物灾损率。

1.3.2 粮食气象减产量

粮食作物产量受气候条件、技术措施和随机噪声等因素影响，可对应将粮食作物产量分离为气象产量、趋势产量和随机产量，且随机产量可忽略不计[15−16]，计算式为

式中，Y、Yw和Yt分别为实际产量、气象产量和趋势产量（kg·hm−2）。趋势产量可采用线性回归、滑动平均、正交多项式等多种方法模拟[15−16]。选取3a滑动平均法模拟趋势产量，其分离的粮食气象减产量与灾情统计数据回归模型的拟合优度最高。

期望产量为研究时段内最优气候条件下的粮食产量，即该年趋势产量与研究时段内最大气象产量的和[15−16]，计算式为

式中，Yd和Ywmax分别为期望产量和研究时段内最大气象产量（kg·hm−2）。

粮食气象减产量为期望产量与粮食实际产量的差值[15−16]，计算式为

式中，Ywr为粮食气象减产量（kg·hm−2）。

1.3.3 粮食因灾减产量

干旱、洪涝、风雹和低温等多种农业气象灾害均可造成粮食减产[8]，粮食因灾减产量可由粮食气象减产量与受灾率、成灾率和绝收率构建多元回归方程模拟估算，计算式为

式中，Ywdr为粮食因灾减产量（kg·hm−2），a、b和c分别为受灾率、成灾率和绝收率的回归系数，d为常数项。

1.3.4 模型验证

粮食产量计算式为

式中，Ys为模拟粮食产量（kg·hm−2）。通过对模拟值与实测值进行回归分析，计算平均相对误差等检验模拟准确性。

1.3.5 粮食因灾损失率

粮食因灾损失率为粮食因灾减产量占期望产量的比例，计算式为

Rl=Ywdr/Yd（9）

式中，Rl为粮食因灾损失率（%）。

1.4 灾害特征指标计算

1.4.1 灾害强度指数

灾害强度指数可更好地表示农业气象灾害变化特征[13,27]，计算式为

DI=(0.3Ra+0.7Rd)/Rc×100%（10）

式中，DI为灾害强度指数。

1.4.2 变异系数

灾害变异系数表征灾情变化与平均值的偏离情况[13]，计算式为

CVi=SDi/AVRi×100%（11）

式中，CVi为变异系数，SD为受灾率、成灾率标准差，AVR为受灾率、成灾率平均值。

1.4.3 M-K检验

M-K（Mann-Kendall）检验由H.B.Mann及M.G.Kendall提出，是一种非参数突变检验方法[28]，计算方法详见符淙斌等[29]对M-K检验的具体定义和研究。

1.5 灰色关联度分析

采用灰色关联度分析方法（Grey Relation Analysis，GRA）[22,30−31]研究粮食单产与气象灾害相关程度。设置粮食作物单产为参考数列xo={xo(1), xo(2), xo(3),… , xo(n) }，设置受灾率、成灾率和绝收率为比较数列xi={xi(1), xi(2), xi(3),… , xi(n) }，并对数列值进行离差标准化[22]处理。关联系数计算式为

关联度计算式为

1.6 数据处理

使用Microsoft Excel及SPSS软件进行数据分析与模型检验，包括相关分析和多元线性回归等。

2 结果与分析

2.1 内蒙古自治区粮食播种面积和产量分析

2.1.1 粮食播种面积和种植结构

由图1可见，1981-2020年内蒙古粮食作物播种面积呈极显著增加趋势（R2=0.86，P<0.01），年平均增长速率为74.48×103hm2·a−1，2020年内蒙古粮食播种面积为6833.17×103hm2，较1981年增长了77.30%。同期全国粮食播种面积呈波动变化趋势，1981-2003年呈下降趋势，特别是1998-2003年由113787.40×103hm2极显著下降至99410.37×103hm2（R2=0.97，P<0.01），下降了12.63%，2004-2020年呈极显著增加趋势（R2=0.84，P<0.01），年平均增长速率为891.89×103hm2·a−1。内蒙古粮食作物播种面积占全国粮食作物播种总面积比例总体呈上升趋势，由1981年的3.35%增长为2018年的5.85%。可见从粮食作物播种面积及占全国比重来讲内蒙古作为产粮大省的地位愈加突出。

图1 1981−2020年内蒙古自治区粮食播种面积与同期全国统计数据变化比较

注：*、**分别表示相关系数通过0.05、0.01水平的显著性检验。缺港澳台数据。下同。

Note:*is P<0.05，**is P<0.01. Lack of data of Hongkong, Macao and Taiwan. The same as below.

图2表明，1981-2020年，内蒙古粮食作物种植结构变化较大，其中小麦、杂粮杂豆和薯类播种面积占总粮食作物总播种面积比例有所下降，分别由1981年的23.43%、49.74%和6.02%下降到了2020年的7.01%、12.98%和4.10%。1981-2020年内蒙古杂粮杂豆种植面积亦呈极显著下降趋势，年均下降速率为25.75×103hm2·a−1（R2=0.78，P<0.01），小麦种植面积总体呈下降趋势（年均下降速率10.60×103hm2·a−1），其中1992-2003年极显著下降（R2=0.83，P<0.01）。水稻和大豆播种面积占比均有增加，分别由1981年的0.42%、5.03%增至2020年的2.36%和17.59%，特别是玉米播种面积占比增加最大，由1981年的15.36%增至2020年的55.96%。1981-2020年内蒙古玉米、大豆和水稻种植面积亦呈极显著上升趋势，年均增长速率分别为80.80×103（R2=0.92，P<0.01）、25.20×103（R2=0.87，P<0.01）和3.63×103hm2·a−1（R2=0.65，P<0.01）。可见玉米正逐渐取代杂粮杂豆和小麦成为内蒙古最主要的粮食作物之一。

图2 1981−2020年内蒙古自治区各类粮食作物种植面积及占比

2.1.2 粮食总产和单产

由图3可知，1981-2020年内蒙古粮食总产量呈极显著上升趋势（R2=0.91，P<0.01），年平均增长速率为78.85×104t·a−1，2020年内蒙古粮食总产量为3664.10×104t，是1981年的7.18倍。1981-1997年全国粮食总产量亦呈极显著上升趋势（R2=0.90，P<0.01），1998-2003年呈极显著下降趋势（R2=0.87，P<0.01），2004-2020年极显著上升（R2=0.94，P<0.01）。2020年全国粮食总产量较1981年上升105.98%，年均增长速率为861.18×104t·a−1。内蒙古粮食总产量占全国粮食总产量比重呈上升趋势，由1981年的1.57%上升至2020年的5.47%。可见，内蒙古正逐渐成为中国北方重要的产粮大省。

图3 1981−2020年内蒙古自治区粮食总产与同期全国统计数据变化比较

1981-2020年内蒙古及全国粮食单产均呈上升趋势（图4），年平均增长速率分别为100.97kg·hm−2·a−1和72.66kg·hm−2·a−1，内蒙古历年粮食作物单产均低于全国平均水平。

2.2 内蒙古自治区农作物灾情分析

2.2.1 灾害面积

图5表明，1981−2020年内蒙古农业气象灾害受灾和成灾面积均呈先上升后下降趋势，其中1981−2001年受灾和成灾面积均呈极显著增加趋势。同期全国总体农业气象灾害受灾和成灾面积均呈先上升后下降趋势，其中1981−2003年分别以639.99×103hm2·a−1（R2=0.52，P<0.01）和598.82× 103hm2·a−1（R2=0.63，P<0.01）的速率极显著上升，2004−2020年均极显著下降。

图4 1981−2020年内蒙古自治区粮食单产与同期全国统计数据变化比较

2.2.2 灾害强度

内蒙古1981-2018年总体灾害强度指数变化及其M-K检验如图6和图7所示。由图可见，内蒙古总体灾害强度指数波动性强（图6），且在1983年和2019年存在突变现象（图7），平均灾害强度指数为66.80%。

2.2.3 灾害种类

1981−2020年内蒙古各农业气象灾害灾种占总灾害影响面积比例不同（图8），各灾种成灾面积占比依次为干旱（64.10%）、洪涝（16.68%）、风雹（13.02%）和低温（6.21%），受灾面积占比依次为干旱（62.45%）、洪涝（18.46%）、风雹（13.27%）和低温（5.82%）。可见，就灾害影响面积而言干旱和洪涝是内蒙古主要农业气象灾害。

由表1可见，无论是受灾率还是成灾率，内蒙古低温灾害变异系数在各灾种中均最大，其次是洪涝、风雹和干旱灾害，表明在北方干旱半干旱地区低温和洪涝灾情波动最大。

图5 1981−2020年内蒙古自治区（a）和同期全国（b）受灾、成灾面积

Fig. 5 Disaster covered and affected area of IMAR (a) with national statistical data (b) from 1981 to 2020

图6 1981−2018年内蒙古农业气象灾害强度指数变化

图7 1981−2020年内蒙古农业气象总体灾害强度指数M-K检验

图8 1981−2020年内蒙古自治区各灾种受灾面积（a）和成灾面积（b）

表1 1981−2020年内蒙古各农业气象灾害受灾率、成灾率变异系数

2.2.4 灾害影响

由表2可知，不同作物农业气象灾害与粮食作物单产关联度排序不尽相同。在受灾率、成灾率和绝收率水平上，粮食作物单产与4类农业气象灾害关联度大小分别表现为干旱>风雹>洪涝>低温，干旱>风雹>低温>洪涝，及风雹>干旱>洪涝>低温。可见，干旱、风雹农业气象灾害对内蒙古粮食作物单产影响较大。

表2 内蒙古粮食作物单产与农业气象灾害的灰色关联度

注：Rc、Ra和Rd分别为受灾率、成灾率和绝收率(%)。

Note: Rcis disaster covered rate, Rais affected rate, and Rdisdisaster failure rate(%).

2.3 内蒙古自治区灾情-粮食产量模型

2.3.1 模型构建

基于内蒙古1981-2020年历年粮食单产选取3a滑动平均法模拟趋势产量，计算期望产量及相应气象减产量，将粮食气象减产量与农业气象灾害受灾率、成灾率和绝收率进行多元线性回归分析，建立灾情-产量模型为，Yw=387.574Rc+934.407Ra+ 411.930Rd+228.393（R2=0.29**，P<0.01）。表明内蒙古农业气象灾害受灾率、成灾率和绝收率与气象减产量呈显著正相关关系，即受灾率、成灾率和绝收率越高粮食因灾损失越大。

2.3.2 模型验证

根据灾情-粮食产量模型计算内蒙古历年粮食因灾减产量和相应年份粮食产量模拟值，并与实际产量值进行比较，由图9、图10可见，模拟产量与实际产量呈极显著相关（R2=0.99，P<0.01），二者相对误差在−12.99%～10.80%，平均相对误差为0.20%。采用灾情-产量模型预测翌年粮食产量，相对误差为2.49%。说明本研究构建的灾情-粮食产量模型模拟较为准确。

图9 内蒙古粮食作物模拟单产和实际单产

图10 1981−2020年内蒙古粮食单产模拟误差

2.3.3 粮食因灾损失率

1981-2020年内蒙古粮食平均因灾损失率为14.79%，分别有68.42%、44.74%和21.05%的年份粮食单产因灾损失率高于10%、15%和20%（图11），表明农业气象灾害对该省粮食单产影响较大。图11同时表明，1981-2020年内蒙古粮食因灾损失率呈极显著下降趋势（R2=0.77，P<0.01），降幅为0.48个百分点·a−1。

图11 1981−2020年内蒙古粮食因灾损失率

3 结论与讨论

3.1 讨论

3.1.1 农业气象灾害对内蒙古粮食产量具有重大影响

气候变化背景下不断增加的干旱、洪涝、低温和风雹等灾害会造成粮食作物减产[14,32−33]。本研究发现，内蒙古干旱、洪涝等农业气象灾害占比较大，与中国农业气象灾害时空格局分布符合[34]，通过分析内蒙古粮食作物产量与农业气象灾害间的关系构建灾情−产量模型，表明受灾率、成灾率和绝收率均对粮食作物气象减产量产生影响，与东北等地区相关研究结果一致[15]，建立的内蒙古灾情-产量模型拟合精度低于王健等[15]对于黑龙江、吉林和辽宁等省份的研究，而高于张轶等[16]建立的江苏、上海、浙江和湖南等省份的模型模拟精度，这可能是由于各省复种指数、灾情复杂情况等不同及各研究统计方式不同[16]导致的。模型的构建和粮食因灾损失率的计算均证明农业气象灾害对内蒙古粮食产量具有重大影响。

3.1.2 模型不确定性解释分析

受限于缺乏县域及分作物农业气象灾害灾情数据，本文基于省级统计数据开展研究。由于内蒙古东西跨度较大，实际农业气象灾害灾情及不同作物主产区地域分布不均，不同作物单产存在差异且不同农业气象灾害对作物单产影响存在差异[6]等原因，基于粮食作物平均单产与农业气象灾害灾情数据建立的灾情-产量模型存在不确定性。农业气象灾害发生规律复杂、不确定性大，该模型预测未来粮食产量效果还需进一步验证。

3.1.3 采取防灾减灾措施是内蒙古粮食持续增产重要途径

1981-2020年内蒙古粮食产量呈上升趋势，在2021年跃居全国第6大产粮省[1]，这一方面与内蒙古不断增长的粮食作物种植面积有关[35]，另一方面也可能与种植结构调整[36]以及水、化肥和农药等农业资源投入增加[37−38]等因素有关。内蒙古作为中国北方重要的生态屏障[4]，未来应继续以开垦草地为耕地等方式扩大耕地面积且应减少化肥、农药等使用，大部分区域位于干旱、半干旱地区[5]的内蒙古未来粮食增产受土地、水资源等诸多限制。1981-2020年内蒙古粮食因灾损失率超10%的年份占总年份的68%以上，虽在采取防灾减灾措施的情况下内蒙古粮食因灾损失率呈整体下降趋势，进一步加强农业气象灾害防灾减灾技术措施，减少粮食因灾损失，提高粮食产量是内蒙古保持粮食增产的重要途径之一。

3.2 结论

1981-2020年内蒙古自治区粮食作物播种面积、总产和单产均呈总体上升趋势，内蒙古及全国农业气象灾害受灾面积和成灾面积均呈先上升后下降趋势。干旱是内蒙古最主要的农业气象灾害，占历年各灾种受灾和成灾面积的64.10%和62.45%。在受灾率、成灾率和绝收率水平上，粮食作物单产与各农业气象灾害关联度排序分别为干旱>风雹>洪涝>低温、干旱>风雹>低温>洪涝和风雹>干旱>洪涝>低温。农业气象灾害对内蒙古粮食产量影响较大，1981-2020年内蒙古粮食平均因灾损失率为14.79%，有68.42%的年份粮食单产因灾损失率高于10%。构建的内蒙古灾情-粮食作物产量评估模型模拟准确率较高，模拟产量与实际产量呈极显著相关（R2=0.99，P<0.01），且历年模拟平均相对误差为0.20%，可用于未来粮食产量预测。

[1] 国家统计局.国家统计局关于2021年粮食产量数据的公告[R].http://www.gov.cn/xinwen/2021-12/06/content_5656247. htm. 2021.

National Bureau of Statistics.Announcement of the National Bureau of Statistics on 2021 grain output data[R]. http://www.gov.cn/xinwen/2021-12/06/content_5656247.htm.2021.(in Chinese)

[2] 郭相平,余涛,吴梦洋,等.中国省区虚拟水流动及对农业用水的影响[J].排灌机械工程学报,2018,36(8):744-749.

Guo X P,Yu T,Wu M Y,et al.Virtual water flow and its impact on agricultural water utilization among provinces of China[J]. Journal of Drainage and Irrigation Machinery Engineering,2018, 36(8):744-749.(in Chinese)

[3] 王一杰,邸菲,辛岭.我国粮食主产区粮食生产现状、存在问题及政策建议[J].农业现代化研究,2018,39(1):37-47.

Wang Y J,Di F,Xin L.The status and problems of grain production in the main grain production areas of China and policy suggestions[J].Research of Agricultural Modernization, 2018,39(1):37-47.(in Chinese)

[4] 李玉红.内蒙古粮食生产与生态安全屏障建设研究[J].生态经济,2017,33(3):115-119.

Li Y H. On grain production and ecological security barrier construction in Inner Mongolia[J].Ecological Economy, 2017,33(3):115-119.(in Chinese)

[5] 李长生,李彰俊,杨文义,等.内蒙古农业气象灾害发生规律的探讨[J].内蒙古气象,2009(6):14-17.

Li C S, Li Z J,Yang W Y,et al.The development and defense response of agro-meteorological disaster in Inner Mongolia[J].Meteorology Journal of Inner Mongolia, 2009(6):14-17.(in Chinese)

[6] 王春乙,娄秀荣,王建林.中国农业气象灾害对作物产量的影响[J].自然灾害学报,2007(5):37-43.

Wang C Y,Lou X R,Wang J L.Influence of agrometeorological disasters on output of crop in China[J]. Journal of Natural Disasters,2007(5):37-43.(in Chinese)

[7] 霍治国,李世奎,王素艳,等.主要农业气象灾害风险评估技术及其应用研究[J].自然资源学报,2003(6):692-703.

Huo Z G,Li S K,Wang S Y,et al.Study on the risk evaluation technologies of main agrometeorological disasters and their application[J].Journal of Natural Resources,2003(6):692-703.(in Chinese)

[8] Xu X M,Tang Q H.Spatiotemporal variations in damages to cropland from agrometeorological disasters in mainland China during 1978-2018[J].Science of the Total Environment, 2021,785(2-4):147247.

[9] Shi W J,Wang M L,Liu Y T.Crop yield and production responses to climate disasters in China[J].Science of the Total Environment,2020,750:141147.

[10] IPCC.Climate change 2021:the physical science basis. Contribution of working group I to the Sixth Assessment Report of the IPCC[M].UK:Cambridge University Press, 2021.

[11] 赵其国,钱海燕.低碳经济与农业发展思考[J].生态环境学报,2009,18(5):1609-1614.

Zhao Q G,Qian H Y.Low carbon economy and thinking of agricultural development[J].Ecology and Environmental Sciences,2009,18(5):1609-1614.(in Chinese)

[12] Li R P,Yu W Y,Feng R,et al.Identification and characteristics of combined agrometeorological disasters caused by low temperature in a rice growing region in Liaoning Province,China[J].Scientific Reports,2021,11: 9968.

[13] 刘玉汐,任景全,孙月,等.1971-2016年东北地区农业气象灾害损失变化特征及影响[J].干旱气象,2020,38(4):647-654.

Liu Y X,Ren J Q,Sun Y,et al.Characteristics of loss caused by agrometeorological disaster and its impact from 1971 to 2016 in Northeast China[J].Journal of Arid Meteorology, 2020,38(4):647-654.(in Chinese)

[14] Liu Y,Liu B C,Yang X J,et al.Relationships between drought disasters and crop production during ENSO episodes across the North China Plain[J].Regional Environmental Change,2014,15(8):1689-1701.

[15] 王健,刘布春,刘园,等.基于农业灾情的东北粮食产量估算模型及灾损分析[J].中国农业气象,2013,34(5):720-726.

Wang J,Liu B C,Liu Y,et al.Grain yield estimation models and loss analysis based on agro-meteorological disaster exposure in Northeast China[J].Chinese Journal of Agrometeorology,2013,34(5):720-726.(in Chinese)

[16] 张轶,刘布春,杨晓娟,等.基于农作物灾情的长江中下游地区粮食产量损失评估[J].中国农业气象,2018,39(4): 280-291

Zhang Y,Liu B C,Yang X J,et al.Grain yield loss evaluation based on agro-meteorological disaster exposure in the middle-lower Yangtze plain[J].Chinese Journal of Agrometeorology,2018,39(4):280-291.(in Chinese)

[17] 单琨,刘布春,刘园.基于自然灾害系统理论的辽宁省玉米干旱风险分析[J].农业工程学报,2012,28(8):186-194.

Shan K,Liu B C,Liu Y.Analysis on drought risk of maize based on natural disaster system theory in Liaoning province[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(8):186-194.(in Chinese)

[18] Wang Y,Zhang Q,Wang S P,et al.Characteristics of agro-meteorological disasters and their risk in Gansu Province against the background of climate change[J]. Natural Hazards,2017,89:899-921.

[19] 张雪芬,余卫东,王春乙.基于作物模型灾损识别的黄淮区域冬小麦晚霜冻风险评估[J].高原气象,2012,31(1): 277-284.

Zhang X F,Yu W D,Wang C Y.Risk evaluation for spring frost disaster of winter wheat in Yellow Huang-Huai River regions based on crop model[J].Plateau Meteorology, 2012,31(1):277-284.(in Chinese)

[20] 李秀芬,马树庆,赵慧颖,等.基于WOFOST模型的内蒙古河套灌区玉米低温冷害评价[J].中国农业气象,2016, 37(3):352-360.

Li X F,Ma S Q,Zhao H Y,et al.Evaluation on maize chilling injury based on WOFOST Model in Hetao Irrigation region in Inner Mongolia[J].Chinese Journal of Agrometeorology,2016,37(3):352-360.(in Chinese)

[21] Wang Y X,Lv J,Wang Y C,et al.Drought risk assessment of spring maize based on APSIM crop model in Liaoning province,China[J].International Journal of Disaster Risk Reduction,2020,45:101483.

[22] 高姣姣,徐刚.重庆市气象灾害与农作物单产的灰色关联度分析[J].西南大学学报(自然科学版),2016,38(2):32-36.

Gao J J,Xu G.Gray correlation analysis of meteorological disasters and crop yield in Chongqing[J].Journal of Southwest University(Natural Science Edition),2016,38(2): 32-36.(in Chinese)

[23] 王红霞,柳小妮,郭婧,等.AMMRR插值法的改进及其在内蒙古草地综合顺序分类中的应用[J].中国生态农业学报,2013,21(7):904-912.

Wang H X,Liu X N,Guo J,et al.Improvement of AMMRR interpolation and application in CSCS classification of Inner Mongolia grassland[J].Chinese Journal of Eco- Agriculture,2013,21(7):904-912.(in Chinese)

[24] 滑永春,萨如拉,王冰.内蒙古草原NPP时空变化及驱动力[J].中国沙漠,2021,41(5):130-139.

Hua Y C,Sa R L,Wang B.Spatial and temporal variation of grassland NPP and its driving forces in Inner Mongolia[J].Journal of Desert Research,2021,41(5):130- 139.(in Chinese)

[25] 乐荣武,张娜,王晶杰,等.2000-2019年内蒙古草地地上生物量的时空变化特征[J].中国科学院大学学报,2022, 39(1):21-33.

Le R W,Zhang N,Wang J J,et al.Spatiotemporal variation of grassland aboveground biomass in Inner Mongolia from 2000 to 2019[J].Journal of University of Chinese Academy of Sciences,2022,39(1):21-33.(in Chinese)

[26] 徐磊,张峭.中国农业巨灾风险评估方法研究[J].中国农业科学,2011,44(9):1945-1952.

Xu L,Zhang Q.Assessment approach for agricultural catastrophic risk in China[J].Scientia Agricultura Sinica, 2011,44(9):1945-1952.(in Chinese)

[27] 赵映慧,郭晶鹏,毛克彪,等.1949-2015年中国典型自然灾害及粮食灾损特征[J].地理学报,2017,72(7):1261-1276.

Zhao Y H,Guo J P,Mao K B.Spatio-temporal distribution of typical natural disasters and grain disaster losses in China from 1949 to 2015[J].Acta Geographica Sinica, 2017,72(7):1261-1276.(in Chinese)

[28] 丁一汇,张莉.青藏高原与中国其他地区气候突变时间的比较[J].大气科学,2008(4):794-805.

Ding Y H,Zhang L.Intercomparison of the time for climate abrupt change between the Tibetan Plateau and other regions in China[J].Chinese Journal of Atmospheric Sciences, 2008(4):794-805.Chinese)

[29] 符淙斌,王强.气候突变的定义和检测方法[J].大气科学,1992(4):482-493.

Fu C B,Wang Q.The definition and detection of the abrupt climate change[J].Chinese Journal of Atmospheric Sciences,1992(4):482-493.(in Chinese)

[30] 谭学瑞,邓聚龙.灰色关联分析:多因素统计分析新方法[J].统计研究,1995(3):46-48.

Tan X R,Deng J L.Grey correlation analysis: a new method for multivariate statistical analysis[J].Statistical Research, 1995(3):46-48.(in Chinese)

[31] 鲍新中,武鹏,周雨.基于聚类-灰色关联分析的财务预警指标筛选研究[J].中国注册会计师,2012(7):72-78.

Bao X Z,Wu P,Zhou Y.Research on financial early- warning index screening based on clustering-grey correlation analysis[J].Chinese Certified Public Accountant, 2012(7): 72-78.(in Chinese)

[32] Tao F L,Zhang S,Zhang Z.Changes in rice disasters across China in recent decades and the meteorological and agronomic causes[J].Regional Environmental Change,2013 (13):743-759.

[33] Zhai R,Tao F L,Lall U,et al.Larger drought and flood hazards and adverse impacts on population and economic productivity under 2.0 than 1.5°C warming[J].Earth's Future,2020, 8(7):1-17.

[34] 桑婧,郝璐.近30年中国主要农业气象灾害典型场时空格局分异特征[J].中国生态农业学报,2018,26(9):1302-1314.

Sang J,Hao L.Spatio-temporal patterns of typical agro- meteorological disasters in China in the past 30 years[J].Chinese Journal of Eco-Agriculture,2018,26(9): 1302-1314.(in Chinese)

[35] 孙通,封志明,杨艳昭.2003-2013年中国县域单元粮食增产格局及贡献因素研究[J].自然资源学报,2017,32(2): 177-185.

Sun T,Feng Z M,Yang Y Z.Study on spatiotemporal patterns and contribution factors of China’s grain output increase at the county level during 2003-2013[J].Journal of Natural Resources,2017,32(2):177-185.(in Chinese)

[36] 王军,张越杰.中国粮食增产的主要因素贡献分解与实证估算[J].统计与决策,2020,36(1):44-48.

Wang J,Zhang Y J.Decomposition and empirical estimation of main factors contributing to grain yield Increase in China[J].Statistics and Decision,2020,36(1): 44-48.(in Chinese)

[37] 苗珊珊.粮食生产核心区粮食产量“十连增”是否具有可持续性:基于河南省粮食种植结构调整的视角[J].农林经济管理学报,2015,14(6):567-576.

Miao S S.Sustainability of “Ten Consecutive Increase” in core grain production area based on the perspective of grain planting structure adjustment[J].Journal of Agro- Forestry Economics and Management,2015,14(6): 567-576. (in Chinese)

[38] 陶江,杨德刚.50年来新疆粮食增产因素的主成分分析[J].干旱区地理,2004(1):95-99.

Tao J,Yang D G.Analysis on factors of Xinjiang grain increase production in recent 50 years with principal components method[J].Arid Land Geography,2004(1): 95-99. (in Chinese)

Assessment Regional Grain Yield Loss- Formulation of Agrometeorological Disaster-Yield Model of Inner Mongolia Autonomous Region

ZHU Yong-chang1,2, LIU Bu-chun1, LIU Yuan1, SHIRAZI Zeeshan-Sana1

(1．Institute of Environment and Sustainable Development in Agriculture, CAAS/National Engineering Laboratory of Efficient Crop Water Use and Disaster Reduction/Key Laboratory of Agricultural Environment, Ministry of Agriculture and Rural Affairs, Beijing 100081,China; 2．CMA Institute for Development and Programmer Design, Beijing 100081)

The aim of this paper is to assess the loss of grain production caused by agrometeorological disasters in the Inner Mongolia Autonomous Region (IMAR), which is an important grain production base of China. The disaster-yield assessment model was formed and verified using grain production, yield, planting area and agrometeorological disaster conditions data of the IMAR from 1981 to 2020, and the loss of grain yield caused by meteorological disasters was assessed by this model. The results showed that grain production, yield and planting area observed an escalating trend from 1981 to 2020, and the rate of increase was 78.85×104t·y−1, 100.97kg·ha−1·y−1and 74.48×103ha−1·y−1. The covered and affected area of agrometeorological disasters for the IMAR and National both increased and then decreased during the 1981-2020 period. Drought was the most important agrometeorological disaster in the IMAR, and the covered and affected area was 64.10% and 62.45%, respectively, accounting the total covered and affected area of all kinds of disasters in 1981−2020. The grey correlation analysis showed that drought had the highest correlation with grain yield at the level of disaster covered and affected rate, and hail had the highest correlation with grain yield at the level of disaster destory rate. The disaster-yield assessment model constructed by this study was of high simulation accuracy, and the linear regression coefficients (R2) and the slop between the simulated and measured grain yield was 0.99 and 0.98, respectively (P < 0.01). The average relative simulation yield was 0.20% and relative simulation error of the following year grain yield was 2.49%. Grain yield loss rate due to disaster in the IMAR decreased (R2=0.77，P<0.01) from 1981 to 2020 with a rate of 0.48 percentage points·y−1, and average grain yield loss rate was 14.79% and there were 68.42% of years which grain yield loss rate above 10%. The disaster-yield assessment model of the IMAR formulated in this study can simulate and predict grain yield, and assess the loss of grain yield due to disasters, which can meet the needs of agrometeorological services.

Food security;Agrometeorological disasters;Condition of disaster;Disaster-yield loss model

10.3969/j.issn.1000-6362.2023.01.004

朱永昶,刘布春,刘园,等.区域粮食产量因灾损失评估之内蒙古自治区灾情-产量模型构建[J].中国农业气象2023,44(1):36-46

2022−01−15

中国农业科学院科技创新工程协同创新任务（CAAS-XTCX2018023）；中国农业科学院科技创新工程（CAAS-ASTIP-2014-IEDA）

刘布春，研究员，主要从事农业减灾研究，E-mail: liubuchun@caas.cn

朱永昶，E-mail: zhuyongchangcma@126.com