编辑推荐：
为探究气候变化对大豆生产影响，研究人员结合模型研究发现增产等趋势，为农业发展提供参考。
# 东北未来气候变化下大豆生产的深度剖析
在全球人口增长、生活水平提高的大背景下，气候变化与粮食、能源安全紧密相连。气候变暖、降水模式改变、极端气候事件频发以及 CO
2浓度上升，都对农作物生产产生强烈影响。了解气候变化如何影响未来作物产量，对满足不断增长的食物和能源需求至关重要。然而，当前气候对作物产量影响的研究存在诸多问题。不同作物、地区的研究结果差异大，且针对大豆产量受气候变化影响的信息有限。同时，以往研究常忽视产量稳定性这一关键风险指标，对其受气候因素变化的响应也知之甚少。
在这样的背景下，中国农业大学等机构的研究人员开展了一项极具意义的研究，相关成果发表于《npj Sustainable Agriculture》。这项研究聚焦中国东北主要大豆种植区，旨在量化未来气候变化对该地区大豆生产的影响。
研究人员采用了基于过程的作物模型（CROPGRO-Soybean 模型）与机器学习算法（随机森林算法）相结合的技术方法。利用中国气象数据共享服务系统的历史气候数据，以及 Intersectoral Impact Model Intercomparison Project（ISIMIP）的未来气候数据，结合全球土壤剖面数据库的土壤数据，驱动 CROPGRO-Soybean 模型模拟大豆生长和产量。通过随机森林模型，识别影响大豆干旱胁迫、产量和产量稳定性变化的关键气候因素。
一、大豆物候期和主要气候资源的预测变化
研究发现，未来气候变化情景使大豆营养生长（从播种到开花）持续时间缩短，部分地区生殖生长（从开花到成熟）持续时间缩短，但也有地区延长。到 2050 年，东北地区大豆整个生长周期普遍缩短，在高排放情景下更为明显。同时，未来大豆生长期间，平均最高温度、平均最低温度和总降水量增加，而平均太阳辐射减少。
二、大豆干旱胁迫的预测变化
在当前气候下，大豆产量受降水限制明显，特别是东北地区西部，干旱胁迫在各分区达 14% - 32%，整个地区平均为 27%。而未来，东北地区大豆将经历更少的水分胁迫，各排放情景下干旱胁迫均呈下降趋势，西部地区下降幅度更大，辽东分区下降最为明显。与基线期相比，低排放情景下大豆干旱胁迫下降最多（10.4%），其次是高排放（8.7%）和中等排放（6.7%）情景。
三、大豆产量和产量稳定性的预测变化
基线期东北地区大豆产量呈现从西北向东南递增的趋势，平均为 3.63 t/ha。未来所有气候变化情景均使大豆产量增加，西部和北部地区尤为显著。不同分区产量变化不同，兴安区产量预计增加 34.2% - 46.4%，长白山分区增加最少（12.2% - 15.8%）。整体来看，低、中、高排放情景下，东北地区大豆产量预计分别增加 23.4%、19.4% 和 24.5%。
基线期大豆产量变异系数（CV）从东南向西北递增，即东南部地区产量更稳定。未来所有情景下，产量 CV 均下降，东北西部和北部地区下降显著，兴安区下降幅度最大，长白山分区最小。未来气候下，东北地区大豆产量 CV 预计降低 0.10 - 0.13，表明产量稳定性将提高。产量 CV 的变化与大豆平均产量和标准差的变化相关，大部分模拟站点平均产量增加，标准差减小，导致产量 CV 下降。
四、关键驱动因素及其响应关系
Pearson 相关性分析表明，大豆产量与产量 CV、干旱胁迫显著相关（p<0.001）。产量高的地区产量稳定性高，受降雨限制导致的产量损失少。随机森林模型显示，生殖生长期间的总降水量是影响东北地区大豆干旱胁迫变化的最大因素，其增加会使干旱胁迫降低，超过 130 mm 后趋于平稳。营养生长期间的积温对解释产量变化相对重要性较高，营养生长期间积温减少的地区，大豆产量增加幅度更大。生殖生长期间总降水量的相关变量是影响产量 CV 变化的主要因素，其 CV 降低时，产量 CV 显著下降。
研究结论与意义
这项研究预测了到本世纪中叶东北地区大豆干旱胁迫、产量和产量稳定性的未来变化，以及这些变化的关键气候驱动因素。多全球气候模式（GCMs）集合结果显示，未来气候变化使大豆生长期间温度和总降水量增加，太阳辐射减少，大豆生长周期缩短。未来气候情景下，东北地区大豆产量增加 19% - 24%，产量 CV 和干旱胁迫分别下降 0.10 - 0.13 和 7% - 10%。产量 CV 下降主要由平均产量增加和标准差减小驱动。兴安区产量和产量稳定性有显著改善，但在新地区种植大豆仍需谨慎。营养生长期间的积温是产量增加的最重要因素，生殖生长期间的总降水量及其 CV 分别是干旱胁迫和产量 CV 下降的关键因素。
该研究结果为东北地区及全球类似大豆产区应对气候变化、发展适应性强的大豆生产系统提供了宝贵参考，有助于制定相关政策和策略，提高农业对气候变化的适应能力，保障粮食安全。不过，研究也存在一些不确定性，如未充分考虑极端天气事件、气候变化对杂草病虫害的影响，且仅使用了一种作物模型。未来研究可通过多作物模型集合和先进机器学习算法等手段，进一步减少不确定性，为农业可持续发展提供更精准的指导。
