基于正态云模型的贵州气候生产潜力不确定性变化特征

doi:10.11924/j.issn.1000-6850.casb2026-0284

摘要/Abstract

摘要：

为深化对长江流域喀斯特地区气候资源不确定性变化的理解，本研究选取贵州省1961—2024年78个国家气象站的气象数据，采用滑动时窗(30 a)与逆向云算法，系统分析气温生产潜力(Y_t)、降水生产潜力(Y_p)、蒸散生产潜力(Y_e)及标准气候生产潜力(Y_s)的正态云模型参数（期望值expectation，Ex、熵entropy，En和超熵hyper-entropy，He）的时空演变规律。研究主要发现如下：（1）整体上，贵州热量资源（Y_t期望值高达19087.25 kg/hm²）决定了生产潜力上限，水分条件是主要限制因子，Y_p的随机性与模糊性最高，是Y_s不确定性的主要来源。Y_t的随机性与模糊性最低，变化相对稳定。（2）时间趋势上，Y_t的期望值增速最快为138.2 kg/(hm²·10a)，Y_p的期望值显著减少为-80.3 kg/(hm²·10a)，导致Y_s增速缓慢为36.4 kg/(hm²·10a)，Y_p的熵与超熵增加趋势最强，表明降水的不稳定性加剧。突变现象集中发生在1976—1988年，与气候年代际转型一致，突变前后的变化与长期趋势一致，且未来Y_t上升、Y_p下降及Y_s模糊性增强的趋势将持续6~11 a(H>0.75)。（3）空间上，经验正交函数(EOF)分解揭示出贵州气候生产潜力变化“全局响应”与“局地分异”的复合特征。第一模态（方差贡献率47.0%~96.3%）反映了在气候整体驱动下，生产潜力的基准和波动性表现出同步变化的“全局响应”特征；第二模态（反映地形影响）则突显了区域内因地形、海拔等因素造成的“局地分异”现象。本研究应用正态云模型，可以有效刻画气候生产潜力的基准、波动与模糊边界，为多维度评估区域农业气候资源提供了新途径。

关键词: 气候生产潜力, 期望, 随机性, 模糊性, 时空变化

Abstract:

To deepen the understanding of the uncertain changes in climate resources in karst areas of the Yangtze River Basin, based on meteorological data from 78 national stations in Guizhou from 1961 to 2024, this research employs a sliding time window (30a) and a backward cloud algorithm to systematically analyze the evolution of normal cloud model parameters (expectation Ex, entropy En, and hyper-entropy He) for temperature production potential (Y_t), precipitation production potential (Y_p), evapotranspiration production potential (Y_e), and standard climatic potential productivity (Y_s). The main conclusions are as follows. (1) Overall, thermal resources (Y_t expectation value of 19087.25 kg/hm²) determine the upper limit of production potential in Guizhou, while water conditions are the primary limiting factor. Y_p exhibits the highest randomness and fuzziness and is the main source of uncertainty for Y_s. (2) Regarding temporal trends, the expectation value of Y_t shows the fastest increase (138.2 kg/hm²·10a), while the expectation value of Y_p shows a significant decrease (-80.3 kg/hm²·10a), leading to a slow increase in Y_s (36.4 kg/hm²·10a). The entropy and hyper-entropy of Y_p exhibit the strongest increasing trends, indicating intensified instability in precipitation. Abrupt changes were concentrated between 1976 and 1988, coinciding with the interdecadal climate transition. The differences before and after the abrupt changes are consistent with the long-term trends, and the trends of increasing Y_t, decreasing Y_p, and increasing fuzziness of Y_s are projected to continue for 6 to 11 years (H>0.75). (3)Spatially, empirical orthogonal function (EOF) decomposition reveals a composite characteristic of global response (first mode variance 47.0% to 96.3%) and local differentiation (second mode reflecting topographic influences). The normal cloud model effectively characterizes the baseline, fluctuation, and fuzzy boundaries of climatic potential productivity, offering a new approach for the multi-dimensional assessment of regional agro-climatic resources.

Key words: climatic potential productivity, expectation, randomness, fuzziness, spatiotemporal variation

中图分类号:

P467

任青峰, 张东平, 王杰, 王红斌, 黄富林, 熊欣怡, 马磊. 基于正态云模型的贵州气候生产潜力不确定性变化特征[J]. 中国农学通报, 2026, 42(17): 131-140.

REN Qingfeng, ZHANG Dongping, WANG Jie, WANG Hongbin, HUANG Fulin, XIONG Xinyi, MA Lei. Uncertainty Characteristics of Climatic Potential Productivity in Guizhou Based on Normal Cloud Model[J]. Chinese Agricultural Science Bulletin, 2026, 42(17): 131-140.

图/表 10

参考文献 41

[1]	李涛辉, 张文翔, 吕爱锋, 等. 1978-2019年云南省气候生产潜力的时空演变及粮食产量响应[J]. 中国农学通报, 2023, 39(17):55-63. doi: 10.11924/j.issn.1000-6850.casb2022-0441
[2]	李军, 周发元, 焦亮, 等. 1960-2022年河西走廊主要气候要素特征及气候生产潜力[J]. 中国沙漠, 2024, 44(6):14-25. doi: 10.7522/j.issn.1000-694X.2024.00022
[3]	匡舒雅, 周泽宇, 梁媚聪, 等. IPCC第六次评估报告第二工作组报告解读[J]. 环境保护, 2022, 50(9):71-75.
[4]	HAM Y G, KIM J H, MIN S K, et al. Anthropogenic fingerprints in daily precipitation revealed by deep learning[J]. Nature, 2023, 622:301-307. doi: 10.1038/s41586-023-06474-x
[5]	IPCC. Climate change 2021: the physical science basis[R]. Cambridge and New York: Cambridge University Press, 2021.
[6]	潘虹, 邱新法, 廖留峰, 等. 近50年贵州省气候生产潜力时空变化特征[J]. 干旱区资源与环境, 2014, 28(11):158-163.
[7]	张志高, 尹纪媛, 郭超凡, 等. 近61年河南省气候生产潜力估算及时空变化特征[J]. 西北农林科技大学学报(自然科学版), 2022, 50(6):53-62.
[8]	王宏, 杨东, 蓝小玉, 等. 基于SSPs路径下植被气候生产潜力的预测:以陕甘宁为例[J]. 高原气象, 2023, 42(1):233-243. doi: 10.7522/j.issn.1000-0534.2022.00033
[9]	任青峰, 张正强, 梅可远, 等. 基于REOF分析的贵州省降水模式识别及变化趋势预测[J]. 山地气象学报, 2024, 48(5):87-93.
[10]	许丹, 龙俐, 张东海, 等. 基于MCI干旱综合指数的贵州省干旱时空分布及灾情变化特征[J]. 干旱气象, 2023, 41(6):897-909.
[11]	HAN J Y, ZHAO Y, WANG J H, et al. Effects of different land use types on potential evapotranspiration in the Beijing Tianjin-Hebei region, North China.[J]. Journal of geographical sciences, 2019, 29(6):922-934. doi: 10.1007/s11442-019-1637-7
[12]	ZHAO T B, DAI A G. CMIP6 model-projected hydroclimatic and drought changes and their causes in the twenty-first century[J]. Journal of climate, 2022, 35(3):897-921.
[13]	张艳梅, 谷小平, 顾天红, 等. 近54年贵州省洪涝灾害时空特征及成因分析[J]. 湖北农业科学, 2022, 61(14):31-36.
[14]	张波, 谷晓平, 古书鸿. 1961-2015年贵州省气候生产潜力估算及趋势分析[J]. 中国农业资源与区划, 2018, 39(2):114-122.
[15]	任青峰, 翁玲, 古堃, 等. 贵州省气候生产潜力时空变化特征[J]. 中国农业气象, 2025, 46(6):872-882.
[16]	李焱, 靳甜甜, 高秉丽, 等. 1901-2017年藏西南高原气候及其生产潜力时空变化[J]. 自然资源学报, 2022, 37(77):1918-1934.
[17]	吕佳佳, 刘松, 李宇光, 等. 黑土区马铃薯气候生产潜力对气候变化的响应及优势产区增产空间研究[J]. 中国农学通报, 2023, 39(11):88-97. doi: 10.11924/j.issn.1000-6850.casb2022-0799
[18]	UCHIJIMA Z, SEINO H. Agroclimatic evaluation of net primary productivity of natural vegetations chikugo model for evaluating net primary roductivity[J]. Journal of agricultural meteorology, 1985, 40(4):343-352. doi: 10.2480/agrmet.40.343 URL
[19]	王萍, 朱海霞, 王晾晾, 等. 黑龙江省典型日光温室气候生产潜力估算及分析[J]. 中国农学通报, 2021, 37(28):81-87. doi: 10.11924/j.issn.1000-6850.casb2021-0508
[20]	周广胜, 张新时. 全球气候变化的中国自然植被的净第一性生产力研究[J]. 植物生态学报, 1996, 20(1):11-19.
[21]	刘思华, 李晶, 黄晚华, 等. 湖南省春玉米光温生产潜力和产量差特征及限制因子分析[J]. 中国农业气象, 2020, 41(2):94-101.
[22]	蒋元华, 郭凌曜. 气候变化背景下湖南普通油茶气象灾害风险时空变化[J]. 中国农业气象, 2024, 45(6):643-656.
[23]	YANG X M, YUAN J S, ZHANG T F, et al. Application of uncertainty reasoning based on cloud theory in spatial load forecasting[J]. 2006 6th World Congress on intelligent control and automation,2006:7567-7571.
[24]	杨洁, 王国胤, 刘群, 等. 正态云模型研究回顾与展望[J]. 计算机学报, 2018, 41(3):724-744.
[25]	李德毅, 刘常昱. 论正态云模型的普适性[J]. 中国工程科学, 2004, 6(8):28-34.
[26]	YU H S, ZHANG X Y, YU W B, et al. Multi-dimensional evaluation of land comprehensive carrying capacity based on a normal cloud model and its interactions: A case study of Liaoning Province[J]. Applied sciences, 2023, 13(5):3336. doi: 10.3390/app13053336 URL
[27]	YANG L Z, CHEN Y Z, LU H W, et al. Cloud model driven assessment of interregional water ecological carrying capacity and analysis of its spatial-temporal collaborative relation[J]. Journal of cleaner production, 2023, 384:135562. doi: 10.1016/j.jclepro.2022.135562 URL
[28]	YAO J P, WANG G Q, WANG L B, et al. Assessing the spatiotemporal variability of lake water quality using a novel multidimensional shape: Position similarity cloud model[J]. Journal of hydrology, 2021, 599:126379. doi: 10.1016/j.jhydrol.2021.126379 URL
[29]	LIU S Y, HUANG S Z, XIE Y Y, et al. Spatial-temporal changes of maximum and minimum temperatures in the Wei River Basin, China: Changing patterns, causes and implications[J]. Atmospheric research, 2018, 204: 1-11. doi: 10.1016/j.atmosres.2018.01.006 URL
[30]	罗爽, 许有鹏, 王强, 等. 城市化背景下年最大日径流演变及影响因素研究:以长江下游秦淮河流域为例[J]. 湖泊科学, 2023, 35(6):2123-2132.
[31]	刘赛艳, 张永江, 解阳阳, 等. 基于CAMarkov模型的淮河流域土地利用变化研究[J]. 灌溉排水学报, 2024, 43(1):52-59,96.
[32]	高峥, 张永江, 解阳阳, 等. 不同季节潜在蒸散发变化的不确定性特征[J]. 地理学报, 2025, 80(7):1757-1770. doi: 10.11821/dlxb202507003
[33]	张锐. 甘青新 1959-2008年草地气候生产潜力的变化特征与预测研究[D]. 兰州: 西北师范大学, 2011.
[34]	徐雨晴, 於琍, 周波涛, 等. 气候变化背景下未来中国气候生产潜力时空动态格局[J]. 干旱区资源与环境, 2019, 33(9):72-80.
[35]	蔡玉琴, 李海凤, 王烈福, 等. 长江源地区气候变化对草地生产潜力的影响[J]. 青海农林科技, 2021, 123(3):34-37.
[36]	XIE Y Y, LIU S Y, HUANG S Z, et al. Local trend analysis method of hydrological time series based on piecewise linear representation and hypothesis test[J]. Journal of cleaner production, 2022, 339: 130695. doi: 10.1016/j.jclepro.2022.130695 URL
[37]	郑永放. 蒸发的时空变化特征及影响因子研究[D]. 哈尔滨: 黑龙江大学, 2024.
[38]	魏凤英. 现代气候统计诊断与预测技术[M]. 北京: 气象出版社, 2007.
[39]	徐建华. 现代地理学中的数学方法[M]. 北京: 高等教育出版社, 2002.
[40]	程梦琦, 左志燕, 蔺邹兴, 等. 全球陆地饱和水汽压差的年代际突变[J]. 中国科学:地球科学, 2023, 53(7):1536-1549.
[41]	宁梓妤, 徐宪立, 杨东, 等. 中国西南地区饱和水汽压差的年际变化及其影响因素[J]. 农业现代化研究, 2022, 43(1):172-179.

H值	持性续强度	H值	反持续性强度
0.80<H≤1.00	很强	0≤H<0.20	很强
0.75<H≤0.80	强	0.20≤H<0.25	强
0.65<H≤0.75	较强	0.25≤H<0.35	较强
0.55<H≤0.65	较弱	0.35≤H<0.45	较弱
0.50<H≤0.55	很弱	0.45≤H<0.50	很弱

H值	持性续强度	H值	反持续性强度
0.80<H≤1.00	很强	0≤H<0.20	很强
0.75<H≤0.80	强	0.20≤H<0.25	强
0.65<H≤0.75	较强	0.25≤H<0.35	较强
0.55<H≤0.65	较弱	0.35≤H<0.45	较弱
0.50<H≤0.55	很弱	0.45≤H<0.50	很弱

	Ex			En			He
	H值	持续（反持续）时间/a	持续（反持续）强度	H值	持续（反持续）时间/a	持续（反持续）强度	H值	持续（反持续）时间/a	持续（反持续）强度
Y_t	0.82	6	很强	0.60	9	较弱	0.83	8	很强
Y_p	0.76	8	强	0.62	6	较弱	0.61	7	较弱
Y_e	0.50	-	无	0.51	7	很弱	0.42	6	较弱
Y_s	0.65	7	较弱	0.59	7	较弱	0.81	11	很强

	Ex			En			He
	H值	持续（反持续）时间/a	持续（反持续）强度	H值	持续（反持续）时间/a	持续（反持续）强度	H值	持续（反持续）时间/a	持续（反持续）强度
Y_t	0.82	6	很强	0.60	9	较弱	0.83	8	很强
Y_p	0.76	8	强	0.62	6	较弱	0.61	7	较弱
Y_e	0.50	-	无	0.51	7	很弱	0.42	6	较弱
Y_s	0.65	7	较弱	0.59	7	较弱	0.81	11	很强

	Ex			En			He
	第一模态	第二模态	前两个模态	第一模态	第二模态	前两个模态	第一模态	第二模态	前两个模态
Y_t	96.34	2.54	98.88	77.33	13.07	90.39	46.95	23.67	70.63
Y_p	61.25	24.19	85.44	64.98	16.55	81.53	72.64	8.76	81.40
Y_e	76.94	11.19	88.12	83.22	6.57	89.79	85.05	6.16	91.21
Y_s	62.94	20.43	83.38	83.12	6.54	89.66	79.43	6.98	86.40