安徽省一季稻播栽关键期极端气候指数分布特征及其影响
时间：2023-02-28 17:50:07 来源：柠檬阅读网 本文已影响 人 
秦粮朋，陈金华，尚秉琛，蒋跃林
安徽省一季稻播栽关键期极端气候指数分布特征及其影响
秦粮朋1，陈金华2*，尚秉琛1，蒋跃林1
(1. 安徽农业大学资源与环境学院，合肥 230031；
2. 安徽省农村综合经济信息中心/安徽省农业气象中心，合肥 230031)
利用1970—2014年安徽省的逐日气象数据和一季稻播栽面积数据，计算出育秧腾茬期和移栽期的19个极端气候指数（ECI），分区讨论ECI与一季稻种植面积波动的相关性，最后分析关键指数的时间变化特征。结果显示：降水和气温分别呈“北少南多”和“南北高中间低”的分布特征，划分为5个研究亚区。播栽面积波动主要与育秧腾茬期的极端气候有关，大部分区域与育秧腾茬期夏季日数（SU）、连续无雨日数（CDD）呈正相关，与降水日数（DR）呈负相关。关键ECI的变化趋势总体呈有利于一季稻播栽的方向发展，其中育秧腾茬期的SU和CDD整体呈显著上升趋势，DR呈显著下降趋势，未来变化趋势均有可持续性；
DR的距平变化呈“升-降-升-降-升”的波动特征，在1970s后期和1990s中期发生突变，整个研究时段存在2～4 年的周期振荡。揭示了育秧期低温阴雨、移栽期区域性少雨是导致安徽一季稻种植面积负波动的首要气候因素。
极端气候指数；
一季稻；
种植面积波动；
气候变化；
安徽
稻-麦轮作种植是我国长江中下游地区最主要的种植制度之一[1-2]。夏收夏种期光温资源充沛，缩短闲置期并合理利用茬口衔接期的光温资源对稻-麦周年丰产增效意义重大[3]。安徽省是我国重要的水稻生产区，在全省水稻种植面积中70%以上是一季稻[4]，所以一季稻的生产与粮食安全紧密相关。一季稻的育秧、移栽期集中在5—6月，而且该时期还要对轮作区进行夏收、腾茬，但此时正值夏季前汛期和强对流天气高发期，易发生连阴雨、强降水和干旱等极端天气事件[5-6]，造成一季稻种植面积的大幅下降。安徽地处干湿性过渡带，受全球气候变化的影响，近几十年气温上升趋势显著，降水情况呈现雨日减少，雨强增大的变化趋势[7-8]。极端气候是粮食丰产增效的制约因素之一，在极端气候事件增多的大背景下，午季作物的夏种将受到影响[9-10]。
为探明夏季作物播栽期期间气候变化对农业生产的影响，长期以来国内外学者做了大量研究。李向岭等在研究积温与夏玉米叶面积系数的关系中发现播期越早光合势越高[11]；
任景泉基于DSSAT系统建立江苏水稻生长模型，发现若延误水稻播期，会导致大幅减产[12]；
叶为发[13]、陈天晔等[14]通过田间试验，发现为适应气候变暖调整夏播期，可以提升江淮地区稻麦周年综合产力。而除了光温因素的影响，气候变化引起的极端降水天气是导致夏收夏种作物受灾的主要原因之一[15]。Mathison等根据物候机理建立模型分析作物收播期对气候变化的响应，研究表明南亚稻麦轮作区的夏收夏种日期与夏季风引起的降水有关[16]。戴兴临等研究发现长江以南的夏季降水与水稻面积呈负相关[17]。为应对极端降水天气引起的旱涝灾害，姚永明等提出夏播时遇旱要及时灌水实现抗旱造墒[18]；
Laux等采用空间模式主成分分析和线性判别分析相结合的方法，对雨季和旱季进行预测，以确定最佳播种日期[19]。
结合前人的研究，气候变暖造成光、温、水等气候条件的变化会对夏收夏种期的农业生产造成巨大影响，主要体现在收播日期和综合产量等方面，但是播栽期的极端气候对夏季作物种植面积影响的研究尚有欠缺。本研究对安徽省一季稻播栽关键期的极端气候进行分析，讨论气象因子对一季稻播栽面积的影响。在新时期农机化背景下，旨在为农业部门在夏粮生产方面制定气候变化适应性策略，更加科学的开展农机抢收、抢种作业，实现夏粮作物的高效栽培，达到粮食丰产增效的目的[20-21]。
1.1 数据来源
安徽省1970—2014年的逐日降水、温度等气象数据来源于安徽省78个地面气象观测站。1970—2014年一季稻种植面积数据来源于安徽省统计部门。研究区域的站点分布如图1所示。
图1 安徽省气象站点地理位置分布图
Figure 1 Geographical distribution of meteorological stations in Anhui Province
1.2 数据处理与方法
1.2.1 极端气候指数 参考由气候变化检测专家小组发布，并得到了国内外学者广泛认同的ETCCDMI（Expert Team on Climate Change Detection Monitoring and Indices）推荐的27个极端气候指数（extreme climate indices，ECI）；
然后根据研究区域在该时段的气象条件，从中选取9个极端温度指数，其中包括温度极值和极端冷、暖日数；
9个极端降水指数，包括极端降水量、降水日数和降水强度；
再另外增加了一个累计光照时数。因为育秧腾茬期和移栽期所需气象条件的不同，参考安徽省一季稻代表站点的发育期[22]，以5月5日—6月5日作为育秧腾茬期和5月26日—6月20日作为移栽期，分别计算逐年极端气候指数，具体如表1所示。气候阈值的计算采用Bonsal的非参数法[23]，该方法由Folland[24]进行过研究，论证了其合理性，计算方法如下：1,2,3,…,m,…,N,在该升序序列中，某个值小于或等于m的概率为：
式（1）中：为百分位，为m的序号，为该气象要素总的个数，m即为所求的阈值。
1.2.2 一季稻种植面积趋势项分解 每年的一季稻实际播栽面积（）受社会经济因素、气象条件及随机因素共同影响。忽略随机因素影响情况下，气象波动面积（S）可表示为：
S=—S（2）
趋势面积分离采用5年滑动平均法。5年滑动平均法是经典的滤波方法，在气候变化对农业产量影响的研究中，常用于分离趋势产量和气象产量，该方法分离的农业产量波动项能准确反映出气象因素的影响[25-26]。因此本研究采用该方法对播栽面积的波动项进行分离，从而量化分析极端气候指数对一季稻面积的影响。
1.3 ECI分区
因为安徽属于暖温带与亚热带的过渡区，地形包括平原、丘陵和山地等，导致各地气候特征差异明显，所以为便于分析，对各站点的ECI进行分区研究。此外，由于选用的ECI较多，其中部分指数间相关性较强，因此采用主成分分析（英文全称，PCA）结合K-Means聚类分析从多个ECI中提取出主成分，然后对其进行聚类，达到分区目的，这也是气候研究中用于气候区划的常见方法[27-28]。
主成分分析是通过降维技术, 在信息损失最小的前提下，用较少的指标代替原始的多个指标，同时各主成分（PCS）之间彼此独立。K-Means聚类分析是一种经典聚类算法，该算法主要思想是将各个聚类子集内所有数据样本的均值作为该类的代表点, 通过迭代过程把数据集划分为不同类别，使得评价聚类性能准则函数达到最优[29]。本研究采用误差平方和（the sum of squared error, SSE）来度量K-Means聚类效果，SSE随着聚类数K的增加而减小，其递减趋势明显变缓时所对应的K值即为最优聚类[30]。
表1 极端气候指数
1.4 关键指数分析
1.4.1 相关性分析 因为农业气象灾害的成灾临界值为-5%[31]，所以对每年各站点的相对气象面积进行排序，选取中值，以-5%为阈值筛选出播栽面积的典型波动年。最后把各区域站点的相对气象面积和ECI做斯皮尔曼相关性分析，讨论极端气候对一季稻播栽面积的影响，筛选出关键指数。
1.4.2 Sen’s斜率估计法 通过Sen’s斜率估计法计算关键因子的线性趋势，这是一种非参数统计的计算方法，对异常值不敏感，常用于时间序列的趋势分析[32]。
1.4.3 MK趋势检验 对于时间序列的变化趋势的显著性采用Yue和Wang修正的Mann-Kendll（简称MK）检验法检验[33]，通过统计检验量Z来判断，大于0时为上升趋势，反之则是下降趋势，Z的绝对值大于等于1.64和2.32时表示通过了信度95%和99%的显著性检验。该方法不需要样本遵从任何分布，也不受异常值干扰，得到时间序列的变化趋势及其显著性。
1.4.4 R/S分析 R/S分析法是由赫斯特（Hurst）提出的一种时间序列统计方法[34]，计算得到的Hurst指数可用于判断序列的持续性，当0.5 1.4.5 距平及累积距平法 为使气候变化分析更加直观便利，常用距平序列代替气象变量本身的时间序列[35]。累积距平曲线可以通过波动起伏，判断气象变量的长期变化趋势及持续性变化情况，以及确定突变发生的年份[36-37]。 1.4.6 关键因子周期分析 此外，通过Morlet小波分析来处理时间序列变化的周期，它不仅可以给出气候序列变化的尺度，还可以显示出变化的时间位置，广泛应用于气象研究领域[38-39]。小波分析程序出自http://paos.colorado.edu/research/wavelets/。 分别计算育秧腾茬期和播栽期各站的逐年极端气候指数，然后求出78个站点各ECI的累年均值； 表2 育秧腾茬期/移栽期ECI的主成分分析 表3 育秧腾茬期主成分载荷 表4 移栽期主成分载荷 由育秧腾茬期主成分载荷可知，PC1-1主要代表DR、TP、MP1d、MP7d、D10、D25、CWD和P95； 基于主成分分析结果，用ArcGIS10.5分别对两个研究时段的前3个主成分进行反距离权重插值,得到ECI主成分得分的空间分布特征。PCS1-1和PCS2-1均为由北向南递增，降水在两个研究时段均呈现‘北少南多’的分布特征（图2（a）和2（d））； 图2 主成分得分的空间分布 Figure 2 The spatial distribution of PCS 图 3 均值聚类分析（a）和气候区划（b） Figure 3 K-Means cluster analysis(a) and climate regionalization(b) 图4 逐年相对气象面积 Figure 4 Annual relative meteorological area 对育秧腾茬期和移栽期每个站点的PCS做K-Means聚类分析，误差平方和（SSE）在=5时，是下降趋势明显变缓的转折点（图3（a）），所以最优聚类是分为5类。聚类分析结果显示，研究区域自北向南划分为5个亚区：Ⅰ区（沿淮淮北）、Ⅱ区（江淮之间）、Ⅲ区（沿江中东部）、Ⅳ区（沿江西部）和Ⅴ区（皖南南部），区划结果与育秧腾茬期、移栽期各PCS的空间分布十分吻合（图3（b））。 根据每年相对气象面积（ΔS）的变化情况，筛选出一季稻播栽面积的典型波动年份：1972、1973、1976、1977、1978、2003和2007 年（图4）。在这些年份，大部分研究区域的播栽面积发生了明显的负波动。 表5 育秧腾茬期/移栽期ECI与各区域一季稻播栽面积的相关性 注：*在0.05水平（双侧）上显著相关； 表6 各区域关键指数的Sen’s斜率、MK趋势检验和Hurst指数 如表5所示，在育秧腾茬期，SU、CDD和SSD在Ⅱ—Ⅴ区的大部分区域呈显著正相关； 图5 DR在育秧腾茬期各区域的距平变化 Figure 5 The variation of DR anomaly in each sub-region during the seedling and harvesting stage 因为SU，DR，CDD在大部分区域（≥3个亚区）呈显著相关，所以把这3个ECI作为关键指数，分析其变化趋势（表6）。SU在各区域都呈极显著增长趋势，速率为1.14～1.43 d·10a-1，且Hurst指数均在0.6以上，未来的变化趋势会有较强的可持续性。DR在整个研究区域呈下降趋势，速率为﹣0.22～﹣0.56 d·10a-1，与MK趋势检验的结果一致，各区域都通过了99%置信水平，Hurst指数除了在Ⅰ区表现出不确定性外，其他区域都呈一定可持续性。CDD在Ⅰ、Ⅱ区无显著变化趋势，在Ⅲ～Ⅴ区呈显著增长趋势，速率为0.22～0.52 d·10a-1，这3个子区的Hurst指数也表现出未来可持续性。 由于DR与4个子区的播栽面积在0.01水平上呈显著相关，所以着重对DR的时间变化特征进行分析（图5）。DR在整个研究区域正、负距平年数接近。其中Ⅰ～Ⅳ区变化特征相似，在1970s前期以正距平为主，在1970s后期发生突变，呈波动下降趋势，到1980s末开始回升，但在1990s中期又发生突变，呈大幅下降趋势，直到2011年后才有小幅回升。Ⅴ区在1970s以正距平为主，在1977年发生突变后，到2011年一直呈波动下降趋势。 采用小波Molert进行连续小波变换分析，获得DR在育秧腾茬期45年的小波功率谱（图6）。DR在各区域的整个研究时段以2～4年的周期振荡为主，通过了0.05的红噪声检验。 总体而言，关键指数的历史变化趋势及其未来发展有利于一季稻的播栽，但也发现DR的波动特征明显，变化比较复杂。有研究证实了ENSO及其衍生模态对东亚春、夏季极端降水事件的发生提供有利条件，导致江淮地区春夏之交的降水变率大[42-43]。所以，播栽期的阶段性低温、降水天气仍会给安徽一季稻播栽面积的稳定造成威胁。 粗黑色轮廓表示通过95%置信水平的红噪声检验； Figure 6 Wavelet power spectra of DR in each sub-region during the seedling and harvesting stage 通过对一季稻播栽期19个极端气候指数累年均值数据序列进行主成分和K-Mean聚类分析，将安徽分为沿淮淮北、江淮之间、沿江中东部、沿江西部和皖南南部5个亚区，然后分区研究了各ECI与一季稻种植面积波动的相关性，并分析了影响一季稻种植面积波动的关键气候指数的气候变化特征，得到主要研究结论如下： （1）在育秧腾茬期，江淮及其以南地区的SU（夏季日数）、CDD（连续无雨日数）和SSD（累计光照时数）等因子与水稻播栽面积呈正相关，而TN10（冷夜日数）、TX10（冷昼日数）和DR（降水日数）与水稻播栽面积呈负相关； （2）育秧腾茬期对农业影响较大的夏季日数和连续无雨日数基本呈显著增长趋势，且有未来可持续性； （3）综合来看，一季稻的播栽面积主要受到育秧腾茬期极端气候的影响，沿淮淮北区域在该时段更易受到高温、干旱的胁迫，而在沿淮以南的地区则更易受到低温及降水天气的影响，如果光温条件不足，会导致播栽面积的下降。一季稻面积在未来仍易受到播栽期低温、阴雨及局地旱涝天气的影响，因此，为了安徽省一季稻的稳产丰产，还需注重提升播栽关键期极端气候事件的应对能力。 [1] TIMSINA J, CONNOR D J. Productivity and management of rice-wheat cropping systems: issues and challenges[J]. Field Crops Res, 2001, 69(2): 93-132. [2] 陈中督, 徐春春, 纪龙, 等. 长江中游地区稻麦生产系统碳足迹及氮足迹综合评价[J]. 植物营养与肥料学报, 2019, 25(7): 1125-1133. [3] 龚金龙, 张洪程, 常勇, 等. 稻麦“双迟”栽培模式及其周年生产力的综合评价[J]. 中国水稻科学, 2011, 25(6): 629-638. [4] 张建军, 马晓群, 许莹. 安徽省一季稻生长气候适宜性评价指标的建立与试用[J]. 气象, 2013, 39(1): 88-93. [5] 肖志强, 吴巧娟, 樊明, 等. 长江上游陇南山区连阴雨时空演变气候特征与灾害风险区划[J]. 长江流域资源与环境, 2014, 23(S1): 165-170. [6] 谢均, 曹经福, 宫志宏. 天津市2018年夏季农业气象条件分析[J]. 天津农业科学, 2019, 25(2): 87-90. [7] 任秀真, 徐光来, 刘永婷, 等. 安徽省近56年气候要素时空演变特征[J]. 水土保持研究, 2018, 25(5): 287-294. [8] 王涛, 刘承晓. 安徽省近60年雨日、降水量及雨强的气候变化特征[J]. 南京信息工程大学学报(自然科学版), 2019, 11(1): 101-109. [9] 艾治勇. 长江中游地区气候变化特点及双季稻适应性高产栽培技术研究[D]. 长沙: 湖南农业大学, 2012. [10] 杜祥备, 孔令聪, 习敏, 等. 江淮区域稻麦两熟制周年资源分配、利用特征[J]. 中国生态农业学报(中英文), 2019, 27(7): 1078-1087. [11] 李向岭, 赵明, 李从锋, 等. 玉米叶面积系数动态特征及其积温模型的建立[J]. 作物学报, 2011, 37(2): 321-330. [12] 任景全. 气候变化背景下江苏省水稻高温热害模拟研究[D]. 南京: 南京信息工程大学, 2013. [13] 叶为发. 沿江麦区稻麦连作条件下不同播期对水稻生长及产量的影响[J]. 现代农业科技, 2018(3): 10-12. [14] 陈天晔, 袁嘉琦, 刘艳阳, 等. 江淮下游不同播期对稻–麦周年作物产量、品质及温光资源利用的影响[J]. 作物学报, 2020, 46(10): 1566-1578. [15] 霍治国, 范雨娴, 杨建莹, 等. 中国农业洪涝灾害研究进展[J]. 应用气象学报, 2017, 28(6): 641-653. [16] MATHISON C, DEVA C, FALLOON P, et al. Estimating sowing and harvest dates based on the Asian summer monsoon[J]. Earth Syst Dynam, 2018, 9(2): 563-592. [17] 戴兴临, 卞新民, 冯金飞. 南方水稻面积波动与我国夏季降水分布的相关性分析[J]. 江西农业学报, 2009, 21(7): 117-119, 126. [18] 姚永明, 陈玉琪, 张啟祥, 等. 淮北夏玉米生育期气候资源特点和增产栽培技术[J]. 中国农业气象, 2009, 30(S2): 205-209. [19] LAUX P, KUNSTMANN H, BÁRDOSSY A. Predicting the regional onset of the rainy season in West Africa[J]. Int J Climatol, 2008, 28(3): 329-342. [20] 杨敏丽, 白人朴, 刘敏, 等. 建设现代农业与农业机械化发展研究[J]. 农业机械学报, 2005, 36(7): 68-72. [21] 龚金龙, 张洪程, 常勇, 等. 稻麦“双迟”栽培模式及其周年生产力的综合评价[J]. 中国水稻科学, 2011, 25(6): 629-638. [22] 于波. 安徽农业气象业务服务手册[M]. 北京: 气象出版社, 2013. [23] BONSAL B R, ZHANG X, VINCENT L A, et al. Characteristics of daily and extreme temperatures over Canada[J]. J Climate, 2001, 14(9): 1959-1976. [24] FOLLAND C, ANDERSON C. Estimating changing extremes using empirical ranking methods[J]. J Climate, 2002, 15(20): 2954-2960. [25] IIZUMI T, LUO J J, CHALLINOR A J, et al. Impacts of El Niño Southern Oscillation on the global yields of major crops[J]. Nat Commun, 2014, 5: 3712. [26] NGUYEN-HUY T, DEO R C, MUSHTAQ S, et al. Modeling the joint influence of multiple synoptic-scale, climate mode indices on Australian wheat yield using a vine Copula-based approach[J]. Eur J Agron, 2018, 98: 65-81. [27] HUANG J, ZHANG F M, ZHOU L M, et al. Regional changes of climate extremes and its effect on rice yield in Jiangsu Province, southeast China[J]. Environ Earth Sci, 2018, 77(3): 1-11. [28] 刘吉峰, 李世杰, 丁裕国, 等. 近几十年我国极端气温变化特征分区方法探讨[J]. 山地学报, 2006, 24(3): 291-297. [29] ZHANG W, YANG H N, JIANG H Y, et al. Automatic data clustering analysis of arbitrary shape with K-means and enhanced ant-based template mechanism[C]//2012 IEEE 36th Annual Computer Software and Applications Conference. July 16-20, 2012. Izmir, Turkey. IEEE, 2012: 452-460. [30] 成卫青, 卢艳红. 一种基于最大最小距离和SSE的自适应聚类算法[J]. 南京邮电大学学报(自然科学版), 2015, 35(2): 102-107. [31] GOCIC M, TRAJKOVIC S. Analysis of changes in meteorological variables using Mann-Kendall and Sen"s slope estimator statistical tests in Serbia[J]. Glob Planet Change, 2013, 100: 172-182. [32] 李世奎. 中国农业灾害风险评价与对策[M]. 北京: 气象出版社, 1999. [33] YUE S, WANG C Y. The Mann-Kendall test modified by effective sample size to detect trend in serially correlated hydrological series[J]. Water Resour Manag, 2004, 18(3): 201-218. [34] HURST H E. Long-term storage capacity of reservoirs[J]. T Am Soc Civ Eng, 1951, 116(1): 770-799. [35] 左洪超, 吕世华, 胡隐樵. 中国近50年气温及降水量的变化趋势分析[J]. 高原气象, 2004, 23(2): 238-244. [36] 闫敏华, 邓伟, 陈泮勤. 三江平原气候突变分析[J]. 地理科学, 2003, 23(6): 661-667. [37] 刘政鸿. 陕西省近50年来降水量时空变化特征分析[J]. 水土保持研究, 2015, 22(2): 107-112. [38] 胡乃发,王安志,关德新,等. 1959—2006年长白山地区降水序列的多时间尺度分析[J]. 应用生态学报, 2010, 21(3): 549-556. [39] SHIAU J T, HUANG C Y. Detecting multi-purpose reservoir operation induced time-frequency alteration using wavelet transform[J]. Water Resour Manag, 2014, 28(11): 3577-3590. [40] 林迢, 简根梅, 裘鹏霄, 等. 浙江早稻播种育秧期连阴雨发生规律分析[J]. 中国农业气象, 2001, 22(3): 10-14. [41] 黄淑娥, 田俊, 吴慧峻. 江西省双季水稻生长季气候适宜度评价分析[J]. 中国农业气象, 2012, 33(4): 527-533. [42] 刘明竑, 任宏利, 张文君, 等. 超强厄尔尼诺事件对中国东部春夏季极端降水频率的影响[J]. 气象学报, 2018, 76(4): 539-553. [43] 励申申, 寿绍文. 赤道东太平洋海温与我国江淮流域夏季旱涝的成因分析[J]. 应用气象学报, 2000, 11(3): 331-338. The distribution characteristics and influence of extreme climate indices in key stage of single-season rice planting in Anhui Province QIN Liangpeng1, CHEN Jinhua2, SHANG Bingchen1, JIANG Yuelin1 (1. School of Resources and Environment, Anhui Agricultural University, Hefei 230031;2. Anhui Rural Comprehensive Economic Information Center/Anhui Agricultural Meteorological Center, Hefei 230031) Based on the daily meteorological data and single-season rice planting area data in Anhui Province from 1970 to 2014, 19 extreme climate indices (ECI) were calculated for the seedling-harvesting stage and transplanting stage. The correlation between ECI and the fluctuation of single-season rice planting area was discussed, and the temporal variation characteristics of key indices were analyzed. The results showed that the distribution of precipitation and temperature was ‘less in the north and more in the south’, and the temperature was characterized by ‘high in the north and low in the middle’, respectively, which could be divided into five sub-regions. The fluctuation of planting area was mainly related to the extreme climate in the seedling-harvesting stage, and most of the area was positively correlated with summer days (SU) and continuous days without rain (CDD), and negatively correlated with precipitation days (DR) in most regions. The change trend of key ECI was generally in favor of single-season rice planting, in which SU and CDD showed a significant increase trend and DR showed a significant decrease trend in the whole seedling stubble stage, and the future trends were sustainable. The anomaly of DR showed a fluctuation characteristic of ‘up-down-up-down-up’, and abrupt change in the late 1970s and mid-1990s, and a 2-4 year periodic oscillations throughout the whole study period. It was revealed that low temperature and rainy day during the stage of single-season rice seedling and regional drought during the stage of ransplanting were the main climatic factors leading to the negative fluctuation of single-season rice planting area in Anhui province. extreme climate indices; single-season rice; fluctuation of planting area; climate change; Anhui Province S511; S162.51 A 1672-352X (2022)06-0997-09 10.13610/j.cnki.1672-352x.20230106.003 2023-01-09 09:13:15 [URL] https://kns.cnki.net/kcms/detail//34.1162.S.20230106.1156.004.html 2021-09-29 国家重点研发计划项目(2018YFD0300905) 和科技助力经济2020重点专项（KJZLJJ202002）共同资助。 秦粮朋，硕士研究生。E-mail：867313488@qq.com 陈金华，正研级高工。E-mail：ckinghua@126.com2.1 播栽期气候区划
最后对该78×19的矩阵进行主成分分析。育秧腾茬期和移栽期的前3个主成分的特征根都在1以上，累计方差均超过75%（表2）。因此提取前3个主成分用于气候分区。
PC1-2主要代表SU、TXx和TXn；
PC1-3主要代表TNx和TNn（表3）。而在移栽期，PC2-1主要代表DR、TP、MP1d、MP7d、D10、D25、CWD和P95；
PC2-2主要代表TXx；
PC2-3主要代表SU和TXn（表4）。
PCS1-2的高值区在淮北区域和皖南山区，这两块区域在育秧腾茬期温度整体较高，得分0.4～3.1（图2b）；
PCS1-3的高值区主要分布在沿江区域，该区域在育秧腾茬区温度较低，得分0.9～2.4（图2（c））；
PCS2-2和PCS2-3的高值区均呈现在南北两端，高温极值和高温日数在移栽期主要都分布在淮北和皖南地区。
2.2 典型波动年份的相关分析
**在0.01水平（双侧）上显著相关。
TN10、TX10和DR则呈显著负相关；
Ⅰ区和其他区域不同，与TXx、TN90、TX90等高温指数呈显著负相关，而与大部分极端降水指数呈显著正相关。而在移栽期，大部分区域的ECI与相对气象面积呈较弱的相关性，只有在Ⅲ区与SU、TXx、TX90等高温指数呈显著负相关，而DR、TP等极端降水指数则普遍呈正相关。相关分析结果表明，一季稻在苗期主要受到低温、降水的影响，因为阴雨寡照天气会严重影响水稻光合作用产物的形成，引起烂种烂 秧[40-41]，导致播栽面积的下降。
2.3 关键指数的时间变化特征
U型曲线即影响锥，表示小波谱区域及边缘效应。
可见江淮及其以南地区育秧腾茬期的低温、阴雨天气是危害秧苗质量、秧苗面积的首要气候因素。沿淮淮北地区相比于其他区域气候偏干，SU、TXx（最高温极大值）等高温指数会导致一季稻播栽面积下降，降水则有利于一季稻种植面积的增加；
即沿淮淮北地区育秧腾茬期的高温、少雨天气是危害一季稻种植的首要气候因素。在移栽期，沿江中东部地区的SU、TXx、CDD等极端气候指数与一季稻种植面积波动呈显著负相关，这表明该地区移栽期阶段性高温干旱风险高，会危害一季稻的移栽；
而其他区域的极端气候指数与一季稻播栽面积相关性不显著或呈弱相关性。
而降水日数整体呈显著下降趋势，变化速率为﹣0.22～﹣0.56 d·10a-1，而且未来也会继续维持下降趋势。降水日数在过去45年大部分区域呈现‘升-降-升-降-升’的波动变化特征，在1970s后期和1990s中期发生了突变；
在整个研究时段以2～4年的周期振荡为主。
