朱艷，湯亮，劉蕾蕾，劉兵，張小虎，邱小雷，田永超，曹衛(wèi)星

（南京農(nóng)業(yè)大學(xué)/國(guó)家信息農(nóng)業(yè)工程技術(shù)中心/智慧農(nóng)業(yè)教育部工程研究中心/農(nóng)業(yè)農(nóng)村部農(nóng)作物系統(tǒng)分析與決策重點(diǎn)實(shí)驗(yàn)室/江蘇省信息農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室/江蘇現(xiàn)代作物生產(chǎn)協(xié)同創(chuàng)新中心，南京 210095）

信息技術(shù)與農(nóng)業(yè)科學(xué)的快速發(fā)展與交叉融合，形成了農(nóng)業(yè)信息技術(shù)，進(jìn)一步催生了數(shù)字農(nóng)業(yè)和智慧農(nóng)業(yè)的快速發(fā)展，為現(xiàn)代農(nóng)業(yè)提供了定量化技術(shù)支持和全方位信息服務(wù)，也為農(nóng)業(yè)產(chǎn)業(yè)技術(shù)改造和提升注入了新的活力，帶來(lái)顯著的社會(huì)、經(jīng)濟(jì)和生態(tài)效益[1]。農(nóng)業(yè)信息技術(shù)在世界農(nóng)業(yè)領(lǐng)域的興起始于20世紀(jì)70年代末，以作物生長(zhǎng)模型（crop growth model）的成功研制和應(yīng)用為突出代表[2]。作物生產(chǎn)系統(tǒng)是一個(gè)復(fù)雜而獨(dú)特的動(dòng)態(tài)系統(tǒng)，受氣候條件、土壤特性、品種特征、技術(shù)措施等多因素的綜合影響，具有顯著的時(shí)空變異性。而作物生長(zhǎng)模型以作物生長(zhǎng)發(fā)育的內(nèi)在規(guī)律為基礎(chǔ)，綜合作物遺傳潛力、環(huán)境效應(yīng)、調(diào)控技術(shù)之間的因果關(guān)系，能夠定量描述和預(yù)測(cè)作物生長(zhǎng)發(fā)育過(guò)程及其與環(huán)境和技術(shù)的動(dòng)態(tài)關(guān)系[3-4]。因此，構(gòu)建機(jī)理性強(qiáng)、適用性廣的作物生長(zhǎng)模型可為不同條件下的作物生產(chǎn)力預(yù)測(cè)與效應(yīng)評(píng)估等提供有效的定量化工具。

20世紀(jì)50—60年代，DE WIT[5]及DUNCAN等[6]相繼發(fā)表了植物冠層光能截獲與群體光合作用模型，標(biāo)志著作物生理生態(tài)過(guò)程模擬的問(wèn)世。目前國(guó)外較為優(yōu)秀的作物生長(zhǎng)模型有美國(guó)的DSSAT[7]、澳大利亞的APSIM[8]、法國(guó)的 STICS[9]、荷蘭的 GECROS[10]、菲律賓國(guó)際水稻所的 ORYZA[11]等。我國(guó)作物模型的研究雖然起步較晚，但發(fā)展較快。早期研究在跟蹤和借鑒國(guó)外研究成果的基礎(chǔ)上，針對(duì)我國(guó)作物生產(chǎn)特點(diǎn)構(gòu)建了相關(guān)模擬模型[12-13]。20世紀(jì)90年代得到快速發(fā)展，涌現(xiàn)了若干各具特點(diǎn)、自主研發(fā)的作物生長(zhǎng)模型及決策系統(tǒng)[14-16]。2000年以來(lái)，南京農(nóng)業(yè)大學(xué)、中國(guó)農(nóng)業(yè)大學(xué)、西北農(nóng)林科技大學(xué)、中國(guó)科學(xué)院、江蘇省農(nóng)科院等科研院校在作物模擬算法構(gòu)建、模擬平臺(tái)搭建、模型區(qū)域應(yīng)用、情景效應(yīng)評(píng)估等方面開(kāi)展了較為系統(tǒng)的研究工作，并在國(guó)際作物模擬領(lǐng)域產(chǎn)生了積極影響[17-21]。

2010年以來(lái)，國(guó)際農(nóng)業(yè)系統(tǒng)模擬專(zhuān)家組織啟動(dòng)了農(nóng)業(yè)模型比較與改進(jìn)項(xiàng)目協(xié)作組（Agricultural Model Intercomparison and Improvement Project，AgMIP），旨在通過(guò)比較與改進(jìn)世界上現(xiàn)有的不同作物生長(zhǎng)模型、家畜生長(zhǎng)模型和農(nóng)業(yè)經(jīng)濟(jì)模型，并耦合未來(lái)氣候模型與情景模擬方法等，來(lái)量化評(píng)估站點(diǎn)、區(qū)域、國(guó)家及全球等不同尺度農(nóng)業(yè)生產(chǎn)與食品安全（https://agmip.org）。在作物生長(zhǎng)模型領(lǐng)域，協(xié)作組按照水稻、小麥、玉米等不同作物分別組建了多個(gè)國(guó)際研究團(tuán)隊(duì)，協(xié)同開(kāi)展作物生長(zhǎng)模型的比較與改進(jìn)研究，著力提升模型在不同條件下的模擬與應(yīng)用能力[22]。然而，由于試驗(yàn)數(shù)據(jù)共享不暢、控制試驗(yàn)條件有限、區(qū)域模擬技術(shù)發(fā)展緩慢、模型研究人員匱乏等方面的綜合原因，現(xiàn)有作物生長(zhǎng)模型在極端氣候效應(yīng)模擬[23-24]、區(qū)域生產(chǎn)力預(yù)測(cè)[25-26]、管理方案設(shè)計(jì)[18,27]、環(huán)境效應(yīng)評(píng)估[28-29]等方面還有待進(jìn)一步改進(jìn)和完善，迫切需要提出機(jī)理性與預(yù)測(cè)性兼?zhèn)涞木C合性作物生長(zhǎng)模型及決策支持系統(tǒng)。

近20多年來(lái)，南京農(nóng)業(yè)大學(xué)以小麥和水稻等作物為主要對(duì)象，針對(duì)現(xiàn)有作物生長(zhǎng)模型存在的問(wèn)題以及國(guó)內(nèi)外發(fā)展趨勢(shì)，在作物生長(zhǎng)過(guò)程模擬、極端氣候效應(yīng)量化、區(qū)域生產(chǎn)力預(yù)測(cè)分析、數(shù)字化設(shè)計(jì)與決策支持等方面開(kāi)展了深入系統(tǒng)的研究，形成了具有中國(guó)特色、與國(guó)際接軌的作物生長(zhǎng)模擬系統(tǒng)及應(yīng)用技術(shù)體系。本文重點(diǎn)介紹筆者團(tuán)隊(duì)經(jīng)過(guò)長(zhǎng)期努力與探索，在作物生長(zhǎng)模型方面形成的總體技術(shù)方法、最新研究進(jìn)展及未來(lái)發(fā)展思考等。

1 總體研究思路

作物生長(zhǎng)系統(tǒng)是由作物、土壤、大氣等組成的有機(jī)系統(tǒng)，綜合了作物遺傳潛力、環(huán)境效應(yīng)和技術(shù)調(diào)控之間的因果關(guān)系。作物系統(tǒng)模擬就是運(yùn)用系統(tǒng)分析的原理和方法，對(duì)作物生長(zhǎng)發(fā)育及生產(chǎn)力形成過(guò)程與環(huán)境、技術(shù)、品種之間的動(dòng)態(tài)關(guān)系進(jìn)行定量表達(dá)，并構(gòu)建作物生長(zhǎng)模擬算法。因此作物生長(zhǎng)模型能夠幫助人們理解和認(rèn)識(shí)作物生長(zhǎng)發(fā)育過(guò)程的基本規(guī)律和量化關(guān)系，并對(duì)作物生長(zhǎng)系統(tǒng)的動(dòng)態(tài)行為和產(chǎn)量品質(zhì)進(jìn)行定量預(yù)測(cè)，從而輔助作物生長(zhǎng)和生產(chǎn)系統(tǒng)的優(yōu)化管理和定量調(diào)控，實(shí)現(xiàn)高產(chǎn)、優(yōu)質(zhì)、高效、生態(tài)、安全的作物生產(chǎn)目標(biāo)。理想的作物生長(zhǎng)模型，不僅具有良好的機(jī)理性和預(yù)測(cè)性，而且以其較強(qiáng)的動(dòng)態(tài)性和通用性適用于不同生態(tài)區(qū)域和用戶(hù)層次。

1.1 技術(shù)流程

本研究基于系統(tǒng)學(xué)理論與方法，綜合運(yùn)用農(nóng)業(yè)氣象學(xué)、作物生理學(xué)、作物生態(tài)學(xué)、過(guò)程建模和軟件工程等，以“生理機(jī)制解析-模擬算法構(gòu)建-生產(chǎn)力動(dòng)態(tài)預(yù)測(cè)-效應(yīng)定量評(píng)估-應(yīng)用平臺(tái)研發(fā)”為主線(xiàn)，開(kāi)展系統(tǒng)深入的研究，并集成構(gòu)建了作物生長(zhǎng)模擬與應(yīng)用技術(shù)體系。首先，通過(guò)收集已發(fā)表的文獻(xiàn)資料，結(jié)合團(tuán)隊(duì)開(kāi)展的不同類(lèi)型品種、播期、密度、水分、養(yǎng)分及溫度試驗(yàn)等模擬支持研究，綜合利用作物生長(zhǎng)分析和生理生態(tài)分析方法，對(duì)作物生長(zhǎng)發(fā)育的基本規(guī)律及其與環(huán)境因子和技術(shù)措施之間的關(guān)系給予解析和綜合，明確作物生長(zhǎng)發(fā)育、產(chǎn)量品質(zhì)形成對(duì)不同環(huán)境和技術(shù)措施的響應(yīng)機(jī)制；運(yùn)用系統(tǒng)分析、動(dòng)態(tài)建模及虛擬顯示等方法，量化不同條件下作物生長(zhǎng)發(fā)育和產(chǎn)量品質(zhì)形成的動(dòng)態(tài)特征，構(gòu)建基于生理生態(tài)過(guò)程的綜合性作物（水稻、小麥）生長(zhǎng)模型CropGrow，包括階段發(fā)育與物候期、器官發(fā)生與群體形成、光合作用與物質(zhì)生產(chǎn)、物質(zhì)分配與產(chǎn)量品質(zhì)形成、養(yǎng)分動(dòng)態(tài)、水分平衡、以及作物三維形態(tài)建成和虛擬顯示等子模型，可數(shù)字化、可視化表征不同條件下作物生長(zhǎng)發(fā)育與生產(chǎn)力形成過(guò)程；進(jìn)一步探討模擬模型的動(dòng)態(tài)預(yù)測(cè)功能與地理信息系統(tǒng)（GIS）的空間信息管理功能、遙感（RS）技術(shù)的實(shí)時(shí)監(jiān)測(cè)功能相耦合的機(jī)制與方法，構(gòu)建基于模型、GIS和 RS耦合的區(qū)域作物生產(chǎn)力預(yù)測(cè)技術(shù)；在定量分析作物生產(chǎn)要素時(shí)空分布特征的基礎(chǔ)上，利用情景模擬技術(shù)，量化氣候變化、品種更新、土壤改良、措施優(yōu)化對(duì)區(qū)域作物生產(chǎn)力的影響，開(kāi)展適宜方案生成、理想品種設(shè)計(jì)、氣候效應(yīng)評(píng)估、耕地利用評(píng)價(jià)以及農(nóng)業(yè)政策制定等應(yīng)用技術(shù)研究；最后，運(yùn)用構(gòu)件化程序設(shè)計(jì)思想，研制開(kāi)發(fā)作物生長(zhǎng)模型組件，并基于作物生產(chǎn)歷史數(shù)據(jù)庫(kù)、基礎(chǔ)農(nóng)情數(shù)據(jù)庫(kù)、作物模型構(gòu)件庫(kù)等，結(jié)合決策支持和可視化技術(shù)，集成開(kāi)發(fā)基于模型的數(shù)字化可視化作物生長(zhǎng)模擬系統(tǒng)與決策支持平臺(tái)。該平臺(tái)具有生產(chǎn)力預(yù)測(cè)預(yù)警、管理方案動(dòng)態(tài)生成、氣候效應(yīng)量化評(píng)估、作物品種優(yōu)化設(shè)計(jì)、耕地利用決策評(píng)價(jià)、農(nóng)業(yè)政策規(guī)劃制定等綜合功能（圖1）。

1.2 數(shù)據(jù)支撐

圖1 作物生長(zhǎng)模型CropGrow的構(gòu)建與應(yīng)用技術(shù)流程Fig.1 Technical flowchart of development and application of the crop growth model CropGrow

模型算法構(gòu)建所需的數(shù)據(jù)資料大多來(lái)源于試驗(yàn)研究及歷史資料。盡管已有的文獻(xiàn)資料和數(shù)據(jù)積累可以提供許多作物生長(zhǎng)發(fā)育的基本規(guī)律及其與環(huán)境和技術(shù)之間的相互關(guān)系，但不少算法的推導(dǎo)和構(gòu)建還必須依賴(lài)于邏輯性的理論假說(shuō)和試驗(yàn)性的研究分析。因此，需要有針對(duì)性地組織實(shí)施大量試驗(yàn)研究來(lái)服務(wù)于作物生長(zhǎng)模擬算法的構(gòu)建，稱(chēng)之為模擬的支持研究[3]。作物生長(zhǎng)模擬的支持研究主要有兩個(gè)方面：一是已知因果關(guān)系或基本模式，但缺乏特定的量化表達(dá)或算法程序；二是相對(duì)不了解而有待探索的某些過(guò)程，稱(chēng)為黑箱。筆者團(tuán)隊(duì)自1994年以來(lái)，在收集已有文獻(xiàn)資料的基礎(chǔ)上，通過(guò)持續(xù)實(shí)施不同品種、播期、密度、水分、養(yǎng)分等處理的多年多生態(tài)點(diǎn)大田試驗(yàn)以及不同處理水平和持續(xù)時(shí)間的溫度、光照、水分等人工氣候室試驗(yàn)等，探究了作物生長(zhǎng)發(fā)育及產(chǎn)量品質(zhì)形成的動(dòng)態(tài)規(guī)律，明確并量化了作物生理過(guò)程對(duì)環(huán)境因子及管理措施響應(yīng)的機(jī)理特征，從而構(gòu)建了不同因子及其互作與作物生長(zhǎng)發(fā)育、產(chǎn)量品質(zhì)形成之間關(guān)系的模擬算法，重點(diǎn)在生育期預(yù)測(cè)[30-33]、形態(tài)與器官建成[32-33]、干物質(zhì)分配[33-35]、籽粒蛋白質(zhì)和淀粉形成[36-39]、極端溫度效應(yīng)量化[40-45]等過(guò)程模擬方面實(shí)現(xiàn)了突破。

2 主要研究進(jìn)展

2.1 作物生長(zhǎng)模型CropGrow的構(gòu)建

2.1.1 作物生長(zhǎng)發(fā)育與生產(chǎn)力形成過(guò)程建模 作物生長(zhǎng)模型CropGrow是以小麥和水稻等作物生長(zhǎng)發(fā)育及生產(chǎn)力形成規(guī)律為基礎(chǔ)，以氣候條件、土壤特性、品種特征、管理技術(shù)等為主要驅(qū)動(dòng)變量，而構(gòu)建的基于生理生態(tài)過(guò)程的作物生長(zhǎng)與生產(chǎn)力形成模擬模型，包括階段發(fā)育與物候期、器官發(fā)生與建成、光合生產(chǎn)與物質(zhì)積累、同化物分配與產(chǎn)量品質(zhì)形成、養(yǎng)分動(dòng)態(tài)和水分平衡等子模型（圖2）[3,33]，可動(dòng)態(tài)預(yù)測(cè)不同條件下作物生長(zhǎng)發(fā)育與產(chǎn)量品質(zhì)形成過(guò)程（圖3）。其中，階段發(fā)育與物候期子模型以莖頂端發(fā)育為主線(xiàn)，以作物溫光發(fā)育過(guò)程為基礎(chǔ)，通過(guò)動(dòng)態(tài)模擬作物生理發(fā)育時(shí)間（physiological development time，PDT）來(lái)精確劃分作物發(fā)育階段[30-31]。器官發(fā)生與建成子模型主要模擬植株不同器官的發(fā)生和形成過(guò)程，包括根、莖、葉、穗等器官的發(fā)生與建成等，其中器官發(fā)生的時(shí)間與階段發(fā)育過(guò)程密切相關(guān)，器官發(fā)生的數(shù)量和大小與同化物的分配和利用有關(guān)[32-33,46-48]。光合生產(chǎn)與物質(zhì)積累子模型是基于一日內(nèi)到達(dá)冠層的光合有效輻射，采用高斯積分法將冠層分層計(jì)算不同葉層反射與吸收的光合有效輻射，加權(quán)計(jì)算冠層瞬時(shí)同化速率，同時(shí)考慮了反射率隨太陽(yáng)高度角的日變化以及群體消光系數(shù)隨PDT的時(shí)序變化，再按不同時(shí)間點(diǎn)加權(quán)求和得到每日冠層同化速率，并通過(guò)計(jì)算呼吸和物質(zhì)轉(zhuǎn)化消耗，得到每日同化物積累量，同時(shí)受到溫度、水分、CO2濃度、生理年齡和氮素的影響[3,33]。同化物分配與產(chǎn)量品質(zhì)形成子模型中，碳、氮化合物的分配與再分配決定作物收獲器官的產(chǎn)量和品質(zhì)形成，通過(guò)器官間干物質(zhì)分配來(lái)模擬籽粒產(chǎn)量[33-34]，進(jìn)一步結(jié)合植株氮轉(zhuǎn)運(yùn)與籽粒氮積累動(dòng)態(tài)，建立了籽粒蛋白質(zhì)含量與蛋白質(zhì)產(chǎn)量的模擬模型[36-37]，同時(shí)基于植株碳素的積累轉(zhuǎn)運(yùn)及籽粒碳素的轉(zhuǎn)化利用，構(gòu)建了基于花后碳流過(guò)程的籽粒淀粉形成模擬模型[38-39]。養(yǎng)分動(dòng)態(tài)子模型主要涉及氮、磷、鉀3種大量元素的模擬，其中氮素動(dòng)態(tài)模擬包括土壤有機(jī)質(zhì)礦化、硝化與反硝化作用、銨的吸附與解吸、氨的揮發(fā)、氮素淋洗及作物氮素吸收與分配等過(guò)程[49]，植株從土壤吸收的氮素是通過(guò)建立植株及各個(gè)器官的臨界氮濃度[50-51]，來(lái)計(jì)算植株和各個(gè)器官的氮素需求量和轉(zhuǎn)運(yùn)量[52]。水分平衡子模型是根據(jù)土壤水分收支平衡原理，通過(guò)作物根系深度將土壤剖面分成若干層，并按土層進(jìn)行土壤水分收支計(jì)算，包括徑流、滲漏、土壤蒸發(fā)、作物截留、根系吸水、水分再分配等動(dòng)態(tài)過(guò)程的模擬[53]。

此外，在評(píng)估已有模型對(duì)極端溫度響應(yīng)的不確定性基礎(chǔ)上[54-56]，基于作物生長(zhǎng)發(fā)育對(duì)極端氣候環(huán)境的響應(yīng)機(jī)制[41-43]，結(jié)合高、低溫累積度日及半致死溫度等參數(shù)，量化了極端溫度對(duì)作物生長(zhǎng)發(fā)育的影響，進(jìn)而構(gòu)建了高溫和低溫脅迫對(duì)稻麥生育進(jìn)程、光合作用、物質(zhì)積累與分配、結(jié)實(shí)率等過(guò)程影響的模擬算法[40,42,44-45]，提高了CropGrow模型在極端溫度環(huán)境下對(duì)作物生長(zhǎng)發(fā)育及生產(chǎn)力形成的預(yù)測(cè)精度。

2.1.2 作物三維形態(tài)建成和虛擬顯示子模型的構(gòu)建CropGrow模型除了對(duì)上述作物生產(chǎn)力形成過(guò)程進(jìn)行模擬外，還通過(guò)定量分析不同條件下作物器官幾何形態(tài)與空間伸長(zhǎng)規(guī)律、器官顏色動(dòng)態(tài)特征、器官拓?fù)浣Y(jié)構(gòu)及其在植株個(gè)體上的空間配置、個(gè)體間相互作用及其與群體建成的關(guān)系等，構(gòu)建了作物器官-個(gè)體-群體的三維形態(tài)建成子模型，并研發(fā)了基于模型的作物生長(zhǎng)虛擬仿真平臺(tái)。首先，以生長(zhǎng)度日（GDD）為尺度，結(jié)合生長(zhǎng)模型模擬輸出的器官總干重及分配模式獲得單個(gè)器官的干物質(zhì)量，結(jié)合各器官的形態(tài)建成模式與特征參數(shù)，構(gòu)建了作物根[57-58]、莖[59-60]、葉[61-64]、穗[65-66]等器官的三維形態(tài)建成模擬模型，包括器官幾何形態(tài)、空間生長(zhǎng)曲線(xiàn)、顏色變化特征等子模型；綜合利用不同器官三維形態(tài)可視化方法和計(jì)算機(jī)圖形學(xué)的真實(shí)感繪制技術(shù)（如紋理、顏色、光照處理等），生成形象逼真的器官圖形，同時(shí)結(jié)合器官拓?fù)浣Y(jié)構(gòu)及其在植株個(gè)體上的空間配置規(guī)律等，構(gòu)建了作物器官和個(gè)體三維可視化技術(shù)[57-58,65,67]；進(jìn)一步從優(yōu)化計(jì)算速度、降低內(nèi)存消耗、增強(qiáng)真實(shí)感等角度出發(fā)，提出了細(xì)節(jié)層次模型、視域裁剪技術(shù)等兼顧速度和多樣性的方法，并結(jié)合植株間的碰撞檢測(cè)與響應(yīng)技術(shù)等[68]，實(shí)現(xiàn)了作物群體生長(zhǎng)的可視化[69]；最后集成研發(fā)了作物生長(zhǎng)虛擬仿真平臺(tái)[69-70]，實(shí)現(xiàn)了不同條件下作物器官-個(gè)體-群體生長(zhǎng)動(dòng)態(tài)的三維可視化表達(dá)，為基于模型的作物株型優(yōu)化設(shè)計(jì)提供了數(shù)字化支撐（圖 4）。

圖2 作物生長(zhǎng)模型CropGrow的結(jié)構(gòu)流程圖Fig.2 Structural flowchart of crop growth model CropGrow

圖3 基于WheatGrow 的小麥生育期（a，b）、LAI（c）、籽粒產(chǎn)量（d）模擬值與實(shí)測(cè)值的1:1作圖Fig.3 Comparisons between observed and simulated values of wheat phenology (a, b), LAI (c) and grain yield (d) with WheatGrow

2.2 作物生長(zhǎng)模型CropGrow的應(yīng)用

2.2.1 模型升尺度與區(qū)域預(yù)測(cè) 作物生長(zhǎng)模型是基于特定區(qū)域內(nèi)作物生長(zhǎng)環(huán)境變量一致的假設(shè)條件而構(gòu)建的，屬于單點(diǎn)水平的模擬系統(tǒng)。而實(shí)際研究區(qū)的環(huán)境與管理變量（氣候、土壤、品種、技術(shù)等）普遍存在空間差異[71-75]，因此需要結(jié)合GIS技術(shù)將作物生產(chǎn)力預(yù)測(cè)模型從單點(diǎn)模擬拓展到區(qū)域應(yīng)用。為此，我們研究提出了基于模型與GIS耦合實(shí)現(xiàn)區(qū)域生產(chǎn)力預(yù)測(cè)的2種策略，即基于空間插值的升尺度策略和基于空間分區(qū)的升尺度策略。其中，空間插值作為一種重要的“由點(diǎn)到面”數(shù)據(jù)生成的空間分析方法，常用于觀測(cè)點(diǎn)數(shù)據(jù)到區(qū)域數(shù)據(jù)的升尺度轉(zhuǎn)換，可獲取作物生長(zhǎng)模型運(yùn)行所需要的輸入?yún)?shù)的區(qū)域化柵格數(shù)據(jù)，并逐柵格運(yùn)行模型獲得整個(gè)區(qū)域的模擬結(jié)果（圖5-a）[25,76-78]?？臻g分區(qū)則是根據(jù)研究區(qū)環(huán)境和管理變量的空間差異將區(qū)域劃分為多個(gè)假定的均質(zhì)模擬單元，通過(guò)每個(gè)模擬單元內(nèi)典型生態(tài)點(diǎn)模擬結(jié)果“以點(diǎn)代面”，獲取整個(gè)區(qū)域模擬結(jié)果（圖5-b）[79-81]。由于特定區(qū)域空間異質(zhì)性的多樣化，空間插值和空間分區(qū)普遍存在不確定性，直接影響了區(qū)域生產(chǎn)力模擬的效果。因此，模型應(yīng)用中通過(guò)比較不同方法對(duì)區(qū)域模擬結(jié)果的影響，選擇適宜的升尺度策略，從而提高區(qū)域模擬的準(zhǔn)確性。例如，通過(guò)研究空間插值過(guò)程中不同空間分辨率對(duì)模擬精度的影響，可確定我國(guó)冬麥區(qū)適宜的插值分辨率，從而同步提高區(qū)域模擬的精度和效率（圖 6）[25]。

圖4 基于RiceGrow的水稻器官-個(gè)體-群體三維形態(tài)建成及可視化表達(dá)Fig.4 Three-dimensional morphological construction and visualization of rice organ, individual and population based on RiceGrow

圖5 基于模型與GIS耦合的模擬尺度優(yōu)化策略Fig.5 Optimization strategy of simulation scale based on model and GIS coupling

圖6 基于空間差值方法的中國(guó)冬麥區(qū)生產(chǎn)力模擬Fig.6 Simulated productivity of winter wheat regions of China based on spatial interpolation

2.2.2 模型與遙感耦合 遙感可在田塊到區(qū)域等不同空間尺度，利用多種傳感器快速實(shí)時(shí)準(zhǔn)確獲取作物、土壤等狀態(tài)信息，具有突出的時(shí)效性和空間性，而作物生長(zhǎng)模型是對(duì)作物生長(zhǎng)過(guò)程及其與環(huán)境、技術(shù)、品種之間的動(dòng)態(tài)關(guān)系進(jìn)行定量表達(dá)，具有較強(qiáng)的機(jī)理性和時(shí)序預(yù)測(cè)性。因此，遙感信息與作物模型相結(jié)合，可實(shí)現(xiàn)遙感實(shí)時(shí)監(jiān)測(cè)功能與模型時(shí)序預(yù)測(cè)功能的互補(bǔ)，提升對(duì)區(qū)域作物生長(zhǎng)和產(chǎn)量品質(zhì)形成的預(yù)測(cè)精度，是實(shí)現(xiàn)區(qū)域化作物生長(zhǎng)和生產(chǎn)力精確預(yù)測(cè)的有效路徑。遙感信息與作物模型的耦合主要涉及3種策略，包括直接以遙感觀測(cè)值替換模型模擬值（中間變量更新策略），通過(guò)調(diào)整模型初始輸入?yún)?shù)值使得模型模擬值逼近遙感觀測(cè)值（初始參數(shù)反演策略），以及以某時(shí)刻遙感觀測(cè)值來(lái)優(yōu)化同時(shí)刻模型模擬值并改變優(yōu)化時(shí)刻之后的模型模擬狀態(tài)變量（生長(zhǎng)過(guò)程同化策略）[82]。

遙感與模型耦合過(guò)程中，常用的耦合參數(shù)既有作物生長(zhǎng)或生理指標(biāo)，如葉面積指數(shù)、葉片氮含量等，也可以直接耦合遙感參數(shù)如光譜反射率、植被指數(shù)等[83-86]。例如，我們利用一種新的粒子群優(yōu)化算法，將遙感數(shù)據(jù)與水稻生長(zhǎng)模型（RiceGrow）相結(jié)合，基于初始參數(shù)反演策略，通過(guò)光譜遙感和衛(wèi)星圖像獲取水稻葉面積指數(shù)和葉片氮積累量作為耦合參數(shù)，進(jìn)行播種期、播種量和施氮量等初始參數(shù)的優(yōu)化，進(jìn)而實(shí)現(xiàn)區(qū)域水稻產(chǎn)量的可靠預(yù)測(cè)[84]。另外，我們將遙感與小麥生長(zhǎng)模型（WheatGrow）相耦合，基于生長(zhǎng)過(guò)程同化策略，同時(shí)加入 PROSAIL輻射傳輸模型，以不同生育時(shí)期的小麥植被指數(shù)為信息耦合參數(shù)，通過(guò)同化遙感反演的時(shí)序性植被指數(shù)與 WheatGrow-PROSAIL模型模擬的時(shí)序性植被指數(shù)，獲得了最優(yōu)的葉面積指數(shù)序列，并以此驅(qū)動(dòng)WheatGrow模型，從而準(zhǔn)確預(yù)測(cè)了冬小麥生長(zhǎng)指標(biāo)和籽粒產(chǎn)量（圖7—8）[85]。同時(shí)，利用不同年份不同生態(tài)點(diǎn)的試驗(yàn)數(shù)據(jù)對(duì)遙感與WheatGrow耦合的最佳植被指數(shù)及最佳生育時(shí)期進(jìn)行了探討，發(fā)現(xiàn)小麥拔節(jié)至孕穗期選用土壤調(diào)節(jié)植被指數(shù)、孕穗后選用增強(qiáng)型植被指數(shù)作為耦合參數(shù)時(shí)生長(zhǎng)模型的預(yù)測(cè)效果最好。如用一個(gè)生育時(shí)期的遙感數(shù)據(jù)進(jìn)行耦合，孕穗—抽穗期是耦合的最佳窗口；如有多個(gè)生育期遙感數(shù)據(jù)，則基于拔節(jié)到灌漿期的時(shí)序遙感數(shù)據(jù)預(yù)測(cè)精度最高[86]。

圖7 模型與遙感耦合后預(yù)測(cè)的小麥葉面積指數(shù)（LAI）、葉片氮積累量（LNA）和葉片干物重（LDW）和實(shí)測(cè)值的對(duì)比Fig.7 Comparisons between observed and simulated values of LAI, leaf nitrogen accumulation (LNA) and leaf dry matter weight(LDW) by assimilating WheatGrow model with remote sensing information

圖8 遙感信息與WheatGrow模型耦合后預(yù)測(cè)的沿湖農(nóng)場(chǎng)小麥葉面積指數(shù)（LAI）、葉片氮積累量（LNA）和籽粒產(chǎn)量（Yield）Fig.8 Simulated LAI, leaf nitrogen accumulation (LNA) and grain yield of wheat in Yanhu farm by assimilating WheatGrow model with remote sensing information

2.2.3 生產(chǎn)力預(yù)測(cè)與因子貢獻(xiàn)率評(píng)價(jià) 糧食安全生產(chǎn)始終是關(guān)系國(guó)民經(jīng)濟(jì)發(fā)展、社會(huì)穩(wěn)定和國(guó)家自立的全局性重大戰(zhàn)略問(wèn)題。糧食總產(chǎn)的提高主要依靠擴(kuò)大種植面積或提高單產(chǎn)，在目前種植面積難以擴(kuò)增的背景下，提高單產(chǎn)已成為增加作物總產(chǎn)和確保糧食安全的可行途徑。因此，迫切需要明確不同區(qū)域的作物層次生產(chǎn)力及產(chǎn)量差，并進(jìn)一步解析產(chǎn)量制約因子，提出作物生產(chǎn)力提升的技術(shù)途徑。例如，我們利用WheatGrow模型和美國(guó)的CERES-Wheat模型，對(duì)我國(guó)冬小麥主產(chǎn)區(qū)的產(chǎn)量潛力、產(chǎn)量差和水分利用狀況進(jìn)行了評(píng)價(jià)[78]。綜合利用 RiceGrow、ORYZA v3和CERES-Rice 3套水稻生長(zhǎng)模型集合，估算了中國(guó)水稻主產(chǎn)區(qū)294個(gè)站點(diǎn)在1981—2010年的潛在產(chǎn)量，并結(jié)合區(qū)域高產(chǎn)創(chuàng)建目標(biāo)及實(shí)際產(chǎn)量，量化了不同層次產(chǎn)量差。結(jié)果表明，不同層次產(chǎn)量差的空間分布呈現(xiàn)明顯的區(qū)域差異，但中國(guó)水稻生產(chǎn)力仍具有較大的提升空間，其中西南單季稻區(qū)增產(chǎn)潛力最大，長(zhǎng)江中下游單季稻區(qū)次之，東北單季稻區(qū)和南方雙季稻區(qū)的提升空間相對(duì)較低（圖9—a、b）；在此基礎(chǔ)上，結(jié)合水稻種植面積的柵格數(shù)據(jù)，估算了不同層次總產(chǎn)差及其空間分布特征（圖9—c、d）[87]。進(jìn)一步結(jié)合我國(guó)水稻播種面積、產(chǎn)量、人口、人均稻米消費(fèi)量、種子、飼料等數(shù)據(jù)及其隨時(shí)間的變化特征，構(gòu)建了基于經(jīng)濟(jì)學(xué)模型的全國(guó)稻谷需求模型，并基于市場(chǎng)均衡理論，提出了我國(guó)水稻的供需平衡模型，實(shí)現(xiàn)了基于模型的糧食生產(chǎn)力預(yù)測(cè)預(yù)警[88]。同時(shí)，利用情景模擬方法，定量評(píng)估了氣候變化、土壤改良、品種更新和措施優(yōu)化等不同要素對(duì)作物生產(chǎn)力形成的貢獻(xiàn)，發(fā)現(xiàn)我國(guó)太湖地區(qū)1980年到2010年間氣候變化、土壤改良、品種更新和措施優(yōu)化等對(duì)水稻生產(chǎn)力提升的貢獻(xiàn)率分別為-19.5%、12.7%、21.7%和34.6%（圖 10）[89]。

圖9 中國(guó)水稻主產(chǎn)區(qū)不同層次單產(chǎn)和總產(chǎn)產(chǎn)量差的空間分布特征Fig.9 Spatial distribution of yield gap and production gap at different levels in main rice production regions of China

圖10 1980-2010年太湖區(qū)域不同要素對(duì)水稻產(chǎn)量提升的貢獻(xiàn)率Fig.10 Contribution of different factors to rice yield increase in Taihu lake region from 1980 to 2010

2.2.4 數(shù)字化設(shè)計(jì)與決策支持 隨著CropGrow模型各個(gè)模塊的構(gòu)建與完善，模型的數(shù)字化設(shè)計(jì)與決策支持功能也得到不斷拓展，主要涉及適宜管理方案生成、理想品種選擇與設(shè)計(jì)、氣候效應(yīng)定量評(píng)估、耕地利用決策評(píng)價(jià)與農(nóng)業(yè)規(guī)劃政策制定等。在適宜管理方案生成方面，通過(guò)不同播期、密度、氮肥、灌溉等單一或組合方案的多年情景模擬試驗(yàn)，可以確定不同概率下的最適管理方案。例如，基于 RiceGrow模型，通過(guò)情景模擬試驗(yàn)，為我國(guó)水稻主產(chǎn)區(qū)不同區(qū)域設(shè)計(jì)了現(xiàn)在和未來(lái)氣候條件下的最適宜播期（圖11）[90]。在理想品種選擇與設(shè)計(jì)方面，通過(guò)評(píng)價(jià)不同品種遺傳參數(shù)組合下生育期、株型、光合作用及產(chǎn)量等方面的表現(xiàn)，可以生成理想的品種遺傳參數(shù)組合，為作物生產(chǎn)中優(yōu)良品種的選擇與選育提供了有效支撐。例如，通過(guò)改變小麥品種的消光系數(shù)，評(píng)估了緊湊型和披散型小麥品種的光能利用效率，為設(shè)計(jì)高光能利用率的理想株型品種奠定了基礎(chǔ)（圖12）[91]。

圖11 我國(guó)水稻主產(chǎn)區(qū)不同氣候情景下的適宜播期空間分布特征Fig.11 Spatial distribution of suitable sowing dates under different climate scenarios in main rice production regions of China

圖12 小麥緊湊型和披散型株型消光系數(shù)的動(dòng)態(tài)變化Fig.12 The dynamic variation of extinction coefficient of erect and flat types of wheat cultivar

基于多年的歷史和未來(lái)氣象數(shù)據(jù)，利用作物模型可以開(kāi)展不同空間尺度的氣候變化效應(yīng)評(píng)估[28,77-79,89]。例如，利用WheatGrow模型結(jié)合全球氣候模型（GCM），采用柵格模擬方式，評(píng)價(jià)了我國(guó)冬小麥主產(chǎn)區(qū)未來(lái)不同年代（2030s、2050s、2070s）小麥生產(chǎn)力和水分利用效率的變化[78]。結(jié)合IPCC最新氣候變化預(yù)估結(jié)果，綜合利用RiceGrow、ORYZA v3和CERES -Rice 3套水稻模型，評(píng)估了全球增溫1.5℃和2.0℃情景下我國(guó)水稻主產(chǎn)區(qū)的生產(chǎn)力，發(fā)現(xiàn)增溫在一定程度上可以緩解高緯度地區(qū)（東北單季稻區(qū)）低溫脅迫對(duì)水稻生長(zhǎng)發(fā)育的影響，具有一定的增產(chǎn)效應(yīng)，然而對(duì)于其他地區(qū)則呈減產(chǎn)趨勢(shì)；CO2的肥效不能完全抵消氣候變暖對(duì)水稻生產(chǎn)帶來(lái)的負(fù)面影響[92]。此外，在國(guó)際農(nóng)業(yè)模型比較和改進(jìn)項(xiàng)目（AgMIP）框架下，將WheatGrow模型與全球其他多套小麥生長(zhǎng)模型一起形成多模型集合，模擬了不同氣候變化情景下典型站點(diǎn)、國(guó)家和全球尺度小麥產(chǎn)量的變化趨勢(shì)[56,81]（圖13）。在耕地利用決策評(píng)價(jià)和農(nóng)業(yè)規(guī)劃政策制定上，生長(zhǎng)模型首先預(yù)測(cè)單產(chǎn)，進(jìn)一步結(jié)合耕地利用情景，即可估算出區(qū)域耕地生產(chǎn)力；同時(shí)結(jié)合資源投入與耕地利用情況，可以評(píng)價(jià)作物種植區(qū)域的適宜性，可為制定農(nóng)業(yè)耕地利用政策等提供支持。

圖13 全球增溫1.5℃（a）和2.0℃（b）情景下基于多模型集合預(yù)估的全球60個(gè)典型生態(tài)站點(diǎn)小麥產(chǎn)量的變化Fig.13 Impacts of (a) 1.5℃ and (b) 2.0℃ warming scenarios on wheat grain yield for 60 representative global wheat-growing locations from 31 crop models

2.2.5 生長(zhǎng)模擬與決策支持平臺(tái) 在作物生長(zhǎng)模型構(gòu)建的基礎(chǔ)上，利用計(jì)算機(jī)軟構(gòu)件技術(shù)封裝發(fā)育進(jìn)程、光合同化、物質(zhì)分配、器官建成、產(chǎn)品形成、養(yǎng)分動(dòng)態(tài)、水分平衡等模塊算法，進(jìn)一步與GIS、RS等技術(shù)耦合，拓展數(shù)據(jù)管理、參數(shù)生成、策略評(píng)價(jià)等功能，研制開(kāi)發(fā)了作物生長(zhǎng)模擬軟件系統(tǒng)[70,76,93-94]，并集成開(kāi)發(fā)了作物生長(zhǎng)模擬與決策支持平臺(tái)，實(shí)現(xiàn)了數(shù)據(jù)管理、參數(shù)優(yōu)化、生長(zhǎng)模擬、遙感耦合、區(qū)域預(yù)測(cè)、方案設(shè)計(jì)、效應(yīng)評(píng)估、安全預(yù)警、產(chǎn)品發(fā)布等綜合功能（圖14—15），具有多功能、空間化、數(shù)字化、可視化等特點(diǎn)。其中數(shù)據(jù)管理實(shí)現(xiàn)了氣象因子、土壤特性、品種參數(shù)、管理措施、病蟲(chóng)草害、生產(chǎn)成本、生育進(jìn)程和產(chǎn)量水平等基礎(chǔ)數(shù)據(jù)的查詢(xún)與維護(hù)，以及相關(guān)數(shù)據(jù)的時(shí)空特征分析功能。參數(shù)優(yōu)化實(shí)現(xiàn)了品種參數(shù)調(diào)試、氣象數(shù)據(jù)生成、土壤參數(shù)估算以及各農(nóng)作區(qū)常規(guī)栽培管理措施配置等。生長(zhǎng)模擬包括單點(diǎn)模擬、空間模擬、時(shí)序模擬、虛擬顯示和模擬驗(yàn)證，其中單點(diǎn)模擬可基于單個(gè)生態(tài)點(diǎn)定量模擬不同生產(chǎn)條件下的作物生育進(jìn)程和生產(chǎn)力形成過(guò)程（圖15-b），還能基于單點(diǎn)切入模擬，利用特定時(shí)期獲得的作物實(shí)際生長(zhǎng)指標(biāo)（葉面積指數(shù)、生物量、葉齡等），修訂實(shí)時(shí)模擬值，改進(jìn)后期的模型預(yù)測(cè)結(jié)果（圖15-c）；空間模擬和時(shí)序模擬可以在不同空間尺度和長(zhǎng)時(shí)間序列上模擬作物生長(zhǎng)，并預(yù)測(cè)作物生產(chǎn)力的時(shí)空變化動(dòng)態(tài)；虛擬顯示是通過(guò)耦合作物三維形態(tài)模型及可視化技術(shù)，實(shí)現(xiàn)不同生長(zhǎng)條件下作物生長(zhǎng)動(dòng)態(tài)的三維可視化（圖15-d）；模擬驗(yàn)證是基于田間實(shí)測(cè)數(shù)據(jù)驗(yàn)證模型預(yù)測(cè)結(jié)果的準(zhǔn)確性。遙感耦合可以通過(guò)初始參數(shù)反演、中間變量更新和生長(zhǎng)過(guò)程同化等 3類(lèi)耦合機(jī)制，提升對(duì)區(qū)域尺度作物生長(zhǎng)和生產(chǎn)力的預(yù)測(cè)精度。方案設(shè)計(jì)和效應(yīng)評(píng)估通過(guò)有針對(duì)性的情景模擬試驗(yàn)與分析，輔助用戶(hù)進(jìn)行管理決策和效應(yīng)評(píng)價(jià)。安全預(yù)警是通過(guò)定量評(píng)估環(huán)境要素變化對(duì)作物生產(chǎn)的影響，結(jié)合糧食需求供給模型，實(shí)現(xiàn)糧食安全預(yù)測(cè)預(yù)警與應(yīng)對(duì)策略制定。產(chǎn)品發(fā)布功能無(wú)縫對(duì)接CropGrow的WEB版服務(wù)平臺(tái)（www.cropgrow.net），實(shí)現(xiàn)生長(zhǎng)模擬、管理方案、生產(chǎn)潛力、氣候效應(yīng)、要素貢獻(xiàn)、農(nóng)業(yè)政策等應(yīng)用報(bào)告的生成及實(shí)時(shí)在線(xiàn)發(fā)布。

3 未來(lái)發(fā)展方向

3.1 完善農(nóng)情基礎(chǔ)數(shù)據(jù)

數(shù)字作物的核心在模型，關(guān)鍵在數(shù)據(jù)[95]。在國(guó)家大數(shù)據(jù)戰(zhàn)略的支持下，未來(lái)需進(jìn)一步擴(kuò)充完善數(shù)字農(nóng)業(yè)基礎(chǔ)設(shè)施條件，結(jié)合國(guó)家重大科技基礎(chǔ)設(shè)施建設(shè)、全國(guó)性農(nóng)業(yè)普查和土壤普查，發(fā)揮“星-機(jī)-地-網(wǎng)”新型傳感數(shù)據(jù)獲取與傳統(tǒng)試驗(yàn)數(shù)據(jù)調(diào)查的協(xié)同作用，獲取氣候條件、土壤特性、作物參數(shù)、管理措施等農(nóng)業(yè)大數(shù)據(jù)，并利用大數(shù)據(jù)管理、空間數(shù)據(jù)管理等技術(shù)手段，推進(jìn)農(nóng)業(yè)數(shù)據(jù)資源的整合。同時(shí)，以政府和科研機(jī)構(gòu)為主導(dǎo)搭建農(nóng)業(yè)信息共享云服務(wù)平臺(tái)，突破數(shù)據(jù)建設(shè)部門(mén)的信息孤島，促進(jìn)數(shù)據(jù)生產(chǎn)的協(xié)同與應(yīng)用服務(wù)共享，從而為作物模型算法優(yōu)化、區(qū)域生產(chǎn)力模擬及多尺度應(yīng)用等提供可靠的基礎(chǔ)數(shù)據(jù)支撐。

3.2 提升模型預(yù)測(cè)能力

CropGrow模型以生理發(fā)育時(shí)間為尺度，以天為步長(zhǎng)預(yù)測(cè)作物的生長(zhǎng)發(fā)育進(jìn)程，可以模擬光溫潛在、水分限制和養(yǎng)分限制等不同生產(chǎn)水平下的作物生長(zhǎng)發(fā)育狀況[33,94]。然而，影響作物生長(zhǎng)發(fā)育的主要因子存在時(shí)空變異，因此需要深化作物生長(zhǎng)模型與 GIS、RS技術(shù)的耦合機(jī)制與方法，更好地實(shí)現(xiàn)區(qū)域糧食生產(chǎn)力的準(zhǔn)確預(yù)測(cè)。同時(shí)，隨著全球變暖，極端氣候事件（如高低溫、干旱、寡照等）的發(fā)生強(qiáng)度和頻率不斷增強(qiáng)[45,73-74,96]，探討極端氣候條件對(duì)作物生長(zhǎng)發(fā)育與產(chǎn)量品質(zhì)形成的生理機(jī)制，提高模型在極端氣候環(huán)境下的模擬精度，是作物模型未來(lái)關(guān)注的重點(diǎn)之一。此外，隨著勞動(dòng)力日益緊張和農(nóng)業(yè)機(jī)械化水平的提高，現(xiàn)代作物栽培管理模式也已經(jīng)由傳統(tǒng)的人工栽培轉(zhuǎn)變?yōu)檩p簡(jiǎn)化、機(jī)械化栽培，因而需要準(zhǔn)確模擬不同生產(chǎn)管理模式下的作物生產(chǎn)力形成過(guò)程，以更好地適應(yīng)現(xiàn)代農(nóng)業(yè)的發(fā)展形勢(shì)。

3.3 量化遺傳基因效應(yīng)

現(xiàn)代基因測(cè)序技術(shù)的飛速發(fā)展使得作物基因信息的快速獲取變成現(xiàn)實(shí)，進(jìn)而為量化作物生長(zhǎng)模型中品種遺傳參數(shù)與基因效應(yīng)之間的關(guān)系奠定了良好基礎(chǔ)，有望克服傳統(tǒng)作物生長(zhǎng)模型中品種遺傳參數(shù)的機(jī)理性不足這一難題[97-98]。今后將系統(tǒng)量化作物重要功能基因?qū)χ饕硇托誀钆c產(chǎn)量品質(zhì)形成的調(diào)控效應(yīng)，研究創(chuàng)建基于功能基因生理效應(yīng)和遺傳規(guī)律的作物遺傳參數(shù)估算新方法，進(jìn)一步探索主要性狀基因效應(yīng)與環(huán)境效應(yīng)之間的互作機(jī)制與定量方法，揭示不同基因型品種對(duì)生態(tài)環(huán)境及管理措施的響應(yīng)機(jī)制，有效提升作物生長(zhǎng)模型對(duì)作物表型特征的預(yù)測(cè)潛能。通過(guò)構(gòu)建以“基因效應(yīng)-遺傳參數(shù)-表型特征-生產(chǎn)力形成”為主線(xiàn)的一體化模擬模型，可以為作物表型特征高效預(yù)測(cè)與育種性狀的快速選擇等奠定數(shù)字化技術(shù)基礎(chǔ)。例如，當(dāng)前水稻分子設(shè)計(jì)育種研究已取得顯著進(jìn)展，通過(guò)耦合基因效應(yīng)模型與作物三維可視化模型有望為水稻理想株型的分子育種設(shè)計(jì)提供技術(shù)支持。

圖14 作物生長(zhǎng)模擬及決策支持系統(tǒng)功能結(jié)構(gòu)圖Fig.14 Function diagram of crop growth simulation and decision support system

圖15 作物生長(zhǎng)模擬與決策支持系統(tǒng)界面Fig.15 Interfaces of crop growth simulation and decision support system

3.4 拓展智能預(yù)測(cè)決策

作物生長(zhǎng)模型的不斷完善可進(jìn)一步拓展決策支持功能。近年來(lái)，人工智能技術(shù)在農(nóng)業(yè)領(lǐng)域得到快速發(fā)展與應(yīng)用[99]，如能將作物生長(zhǎng)模型的動(dòng)態(tài)預(yù)測(cè)功能與人工智能決策的相關(guān)算法相結(jié)合，構(gòu)建農(nóng)業(yè)生產(chǎn)智慧管理決策系統(tǒng)，則可提高管理決策的智能化程度。例如，利用作物生長(zhǎng)模型進(jìn)行不同條件下的生育期與產(chǎn)量模擬，為基于衛(wèi)星遙感影像和人工智能算法的產(chǎn)量預(yù)測(cè)提供訓(xùn)練數(shù)據(jù)，可提升區(qū)域作物生產(chǎn)力的預(yù)測(cè)與決策能力[100]。模型參數(shù)估算方法也將逐步從手工試錯(cuò)法[33,89]轉(zhuǎn)向基于遺傳算法、粒子群算法及蒙特卡羅等人工智能算法的自動(dòng)估算法[55,77,101]，進(jìn)而實(shí)現(xiàn)不同應(yīng)用場(chǎng)景下作物生長(zhǎng)模型參數(shù)的快速自動(dòng)估算。另外，作物生長(zhǎng)模型結(jié)合作物表型監(jiān)測(cè)技術(shù)，可應(yīng)用于高通量作物表型指標(biāo)的動(dòng)態(tài)模擬預(yù)測(cè)，為作物表型快速鑒定、作物株型優(yōu)化設(shè)計(jì)等提供智能化工具。

3.5 耦合多種功能模型

全球氣候變暖對(duì)未來(lái)世界糧食安全和農(nóng)業(yè)可持續(xù)發(fā)展帶來(lái)極大威脅，探討作物生長(zhǎng)模型與氣候預(yù)測(cè)模型的耦合機(jī)制與方法，以更好地評(píng)估氣候要素對(duì)糧食生產(chǎn)力的影響并制定相應(yīng)的應(yīng)對(duì)措施，成為當(dāng)前的研究熱點(diǎn)[23-24,56]。同時(shí)，為了減少模型參數(shù)與模型結(jié)構(gòu)對(duì)模擬結(jié)果帶來(lái)的不確定性，將開(kāi)發(fā)集多種生長(zhǎng)模型于一體的作物模擬支持系統(tǒng)，采用多模型模擬結(jié)果的中值或均值[102]，以減少單一模型模擬結(jié)果的不確定性。作物生長(zhǎng)模擬系統(tǒng)還將耦合農(nóng)業(yè)經(jīng)濟(jì)模型和農(nóng)田生態(tài)模型，既可實(shí)現(xiàn)糧食供需平衡的預(yù)測(cè)預(yù)警，還能優(yōu)化農(nóng)業(yè)資源的高效利用。此外，通過(guò)耦合作物生長(zhǎng)虛擬技術(shù)，模擬系統(tǒng)也將從傳統(tǒng)桌面軟件向三維仿真平臺(tái)拓展，用戶(hù)可以直接置身于農(nóng)田虛擬場(chǎng)景中，通過(guò)改變環(huán)境因子及管理措施等輸入條件開(kāi)展情景模擬試驗(yàn)，實(shí)時(shí)感知田間作物虛擬生長(zhǎng)場(chǎng)景，為用戶(hù)帶來(lái)直觀性和沉浸式的模擬體驗(yàn)。