任義方 鄔定榮 高蘋 謝小萍 王雪燕

摘要：為了在省級(jí)層面更好地應(yīng)用作物模型業(yè)務(wù)應(yīng)用系統(tǒng)，利用江蘇省2013—2015年站點(diǎn)觀測資料，基于自動(dòng)尋優(yōu)方法，以均方根誤差最小化原則，校正WOFOST中冬小麥發(fā)育相關(guān)參數(shù)，再采用“試錯(cuò)法”訂正產(chǎn)量敏感參數(shù)，獲取適合模擬江蘇省冬小麥生長發(fā)育的作物參數(shù)，隨后用2015—2016年的生育期和生物量觀測資料驗(yàn)證參數(shù)，并用2017年的產(chǎn)量資料進(jìn)行區(qū)域驗(yàn)證。將其模擬結(jié)果和業(yè)務(wù)系統(tǒng)運(yùn)行結(jié)果與實(shí)測值對比后發(fā)現(xiàn)，本方法可以有效改善對發(fā)育期、葉面積指數(shù)、地上部分干物質(zhì)和單位面積產(chǎn)量的模擬，對生育期的模擬改善幅度較大，得到的區(qū)域產(chǎn)量也與實(shí)測值更為一致。本方法較好地實(shí)現(xiàn)了江蘇省冬小麥參數(shù)的本地化，可為作物模型的常態(tài)化應(yīng)用提供基礎(chǔ)，同時(shí)也可為其他省市的參數(shù)化提供一個(gè)借鑒的思路。

關(guān)鍵詞：自動(dòng)尋優(yōu);試錯(cuò)法;異參同效;參數(shù)取值特性

中圖分類號(hào)：S163 ??文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2022）09-0226-09

作物生長模型描述了作物生長發(fā)育、光合作用、呼吸作用、干物質(zhì)分配以及衰老等基本生理生態(tài)過程，能夠?qū)ψ魑锏纳L過程和生物量進(jìn)行定量模擬[1]。經(jīng)過幾十年的研究和應(yīng)用，作物模型已經(jīng)成為了監(jiān)測作物長勢[2]、評(píng)價(jià)災(zāi)害風(fēng)險(xiǎn)[3-5]、預(yù)測產(chǎn)量[6-7]以及評(píng)估氣候影響[8]的重要技術(shù)手段。

為了推動(dòng)作物模型在氣象部門的業(yè)務(wù)化應(yīng)用，提高農(nóng)業(yè)氣象服務(wù)的定量化和精細(xì)化水平，國家氣象中心成立了作物模型業(yè)務(wù)應(yīng)用創(chuàng)新團(tuán)隊(duì)，旨在通過引進(jìn)具有開源代碼的國際主流作物模型（如WOFOST和ORYZA2000），逐步解決作物模型業(yè)務(wù)化應(yīng)用關(guān)鍵技術(shù)問題。至2018年初，以冬小麥、玉米、水稻為研究對象，國家氣象中心作物模型業(yè)務(wù)系統(tǒng)（以下簡稱“業(yè)務(wù)系統(tǒng)”）在研發(fā)及服務(wù)試用等方面取得了大量進(jìn)展[9-11]。

在業(yè)務(wù)系統(tǒng)中，主要使用WOFOST作物模型對冬小麥的生長進(jìn)行模擬。該模型由世界糧食研究中心和瓦赫寧根農(nóng)業(yè)大學(xué)共同研發(fā)，以1 d為步長定量模擬氣象和不同生產(chǎn)管理水平下的作物生長動(dòng)態(tài)過程，具有較強(qiáng)的機(jī)理性。WOFOST模型在國內(nèi)已經(jīng)有十幾年的應(yīng)用歷史，在國內(nèi)的適用性也已得到了大量驗(yàn)證[12-14]。然而，在應(yīng)用過程中如何根據(jù)觀測資料對模型進(jìn)行本地化的問題仍未得到很好的解決。在模型引入之初，普遍利用“試錯(cuò)法”根據(jù)控制試驗(yàn)條件下的作物生長發(fā)育及干物質(zhì)積累資料進(jìn)行手動(dòng)調(diào)參，使模型模擬的發(fā)育期、生物量和產(chǎn)量等觀測要素最大限度地接近實(shí)測值[15-16]。然而該方法存在工作量較大、不適于在區(qū)域上應(yīng)用等缺點(diǎn)。近幾年來，隨著衛(wèi)星遙感資料空間連續(xù)性、獲取實(shí)時(shí)性等優(yōu)勢的體現(xiàn)，有學(xué)者利用同化技術(shù)方法對模型中的關(guān)鍵參數(shù)進(jìn)行優(yōu)化研究分析[17-20]。在業(yè)務(wù)系統(tǒng)中，也主要基于遙感同化資料，采用多種統(tǒng)計(jì)方法篩選關(guān)鍵參數(shù)，進(jìn)行優(yōu)化后獲得了各參數(shù)的取值。這些參數(shù)取值已經(jīng)內(nèi)嵌在業(yè)務(wù)系統(tǒng)中，供各省市使用。但是，作物模型參數(shù)不僅數(shù)量龐大，各參數(shù)間取值還存在一定的相關(guān)關(guān)系，且取值隨發(fā)育進(jìn)程呈周期性變化[21-22]，這導(dǎo)致研究中，容易產(chǎn)生“異參同效”現(xiàn)象，即不同的參數(shù)取值往往可以得到近似的擬合效果。雖然業(yè)務(wù)系統(tǒng)中應(yīng)用的方法能找到對觀測值的近似最佳擬合，但往往忽視了參數(shù)間存在的相關(guān)關(guān)系及其周期性變化規(guī)律，導(dǎo)致得到的參數(shù)組合與真實(shí)值可能存在一定的偏差。這些偏差會(huì)影響模型的應(yīng)用效果，尤其是當(dāng)模型用來外推預(yù)測時(shí)。

針對模型參數(shù)化存在的問題，本研究將自動(dòng)尋優(yōu)與試錯(cuò)法相結(jié)合（以下簡稱綜合法），以江蘇冬小麥為研究對象，根據(jù)實(shí)際觀測的發(fā)育期、葉面積指數(shù)、干物質(zhì)和產(chǎn)量，首先對冬小麥發(fā)育期相關(guān)參數(shù)進(jìn)行自動(dòng)優(yōu)化，隨后在充分考慮參數(shù)取值特性的情況下，用試錯(cuò)法校正和驗(yàn)證其他關(guān)鍵參數(shù)，并將模型模擬結(jié)果和業(yè)務(wù)系統(tǒng)得到的結(jié)果進(jìn)行站點(diǎn)和區(qū)域尺度的比較，以期為模型的本地化和業(yè)務(wù)化應(yīng)用提供參考。

1 資料與方法

1.1 研究區(qū)域及分區(qū)

江蘇省處在亞熱帶和暖溫帶的氣候過渡地帶，屬東亞季風(fēng)氣候區(qū)。全省年平均氣溫在13.6～16.1 ℃，年降水量為704～1 250 mm，年日照時(shí)數(shù)在1 816～2 503 h，是我國南方麥區(qū)的重點(diǎn)種植區(qū)域之一，冬小麥種植主要分布在江蘇長江以北地區(qū)，面積約為214萬hm2，占比約90%，長江以南地區(qū)約為26萬hm2，占比約10%[23]。

在業(yè)務(wù)系統(tǒng)中，根據(jù)主產(chǎn)區(qū)內(nèi)的冬小麥品種和種植模式的差異，選取了單位面積產(chǎn)量水平、土壤類型、氣象條件和種植結(jié)構(gòu)為指標(biāo)，采用空間聚類的方法，將整個(gè)江蘇冬小麥主產(chǎn)區(qū)劃分為相對較為均質(zhì)的3個(gè)子區(qū)域進(jìn)行作物模型標(biāo)定并確定各參數(shù)的最終取值。圖1是業(yè)務(wù)系統(tǒng)中對江蘇的分區(qū)結(jié)果和相應(yīng)的農(nóng)氣站點(diǎn)分布情況，從北至南分為3個(gè)區(qū)域，分別對應(yīng)于蘇北區(qū)、蘇中區(qū)和蘇南區(qū)。

1.2 資料及來源

江蘇有11個(gè)冬小麥農(nóng)氣觀測站（徐州、沭陽、贛榆、濱海、盱眙、淮安、邗江、大豐、興化、如皋和昆山）。其中徐州站和興化站觀測要素較全，對冬小麥生長的觀測要素包括品種類型、生育期（播種期、出苗期、開花期和成熟期）、地上部分生物量（葉質(zhì)量、莖質(zhì)量、穗質(zhì)量）、葉面積指數(shù)（LAI）及單位面積產(chǎn)量觀測;其他8個(gè)站觀測要素較少，只有品種類型、生育期和單位面積產(chǎn)量。

在業(yè)務(wù)系統(tǒng)對江蘇省冬小麥的分區(qū)中，蘇北和蘇中區(qū)各有一個(gè)觀測要素較全的農(nóng)業(yè)氣象試驗(yàn)站，分別是徐州站和興化站，而蘇南區(qū)只有一個(gè)觀測要素較少的農(nóng)業(yè)氣象觀測站（昆山站）。3個(gè)站在分區(qū)中的地理位置如圖1所示。本研究擬選擇這3個(gè)站的數(shù)據(jù)用于模型參數(shù)的校正和驗(yàn)證。

研究表明，各站平均2～3年更換一次冬小麥品種[24]。因此，本研究擬采用3年的農(nóng)氣觀測資料對模型參數(shù)進(jìn)行站點(diǎn)的校正和驗(yàn)證。收集整理2013—2016年徐州、興化和昆山的冬小麥生長觀測資料。3站同期的逐日氣象要素，包括日照時(shí)數(shù)、日最高氣溫、日最低氣溫、08：00水汽壓、日平均風(fēng)速、降水量等也一并收集。

為了驗(yàn)證對產(chǎn)量區(qū)域分布趨勢模擬效果的改善，收集整理了區(qū)域模擬所需的2017年江蘇13個(gè)地市的冬小麥產(chǎn)量資料，以及同期70個(gè)常規(guī)氣象自動(dòng)站逐日氣象要素和11個(gè)農(nóng)氣站的冬小麥播種和出苗日期。冬小麥產(chǎn)量資料來自江蘇省統(tǒng)計(jì)局，冬小麥生長觀測資料和氣象資料均來自江蘇省氣象信息中心，其中發(fā)育期日期序列采用日序進(jìn)行定義，即將每年的1月1日記為1，1月2日記為2，其余以此類推。

1.3 研究方法

利用農(nóng)業(yè)氣象觀測站的冬小麥2013—2015年的觀測數(shù)據(jù)，結(jié)合自動(dòng)尋優(yōu)和手動(dòng)調(diào)整的方法，校正與生育、發(fā)育及產(chǎn)量相關(guān)的參數(shù)，隨后利用2015—2016年的獨(dú)立觀測樣本對模型參數(shù)進(jìn)行驗(yàn)證，并將其模擬結(jié)果與業(yè)務(wù)系統(tǒng)的模擬結(jié)果進(jìn)行比較。

1.3.1 模型參數(shù)校正

在校正觀測要素較全的徐州和興化的參數(shù)時(shí)，是在已有研究的基礎(chǔ)上[17]，設(shè)定參數(shù)的取值區(qū)間，基于發(fā)育期觀測資料，采用自動(dòng)尋優(yōu)的方法，利用模擬值均方根誤差（root mean square error，RMSE）最小化的原則，確定最優(yōu)的作物發(fā)育下限溫度（T b）和最適溫度（T opt）。隨后根據(jù)優(yōu)化后的T b、T opt，自動(dòng)計(jì)算出苗到開花的積溫（TSUM1）、開花到成熟的積溫（TSUM2），并據(jù)此自動(dòng)計(jì)算發(fā)育速率的溫度校正因子（DTSMTB）以及葉片的最大生理年齡（SPAN），從而實(shí)現(xiàn)這些關(guān)鍵參數(shù)的自動(dòng)優(yōu)化。隨后參考已有研究結(jié)果[9-10]，結(jié)合生物量和產(chǎn)量觀測資料，綜合考慮各參數(shù)之間的相關(guān)性及取值隨發(fā)育進(jìn)程變化規(guī)律性[21]，用“試錯(cuò)法”對比葉面積（SLATB）、最大CO 2同化速率（AMAXTAB）和莖葉穗分配系數(shù)（FSTB、FLTB、FOTB）、莖穗轉(zhuǎn)化效率（CVS、CVO）和莖穗維持呼吸作用速率（RMS、RMO）等關(guān)鍵參數(shù)進(jìn)行修正，從而完成WOFOST作物模型中冬小麥參數(shù)在江蘇省的本地化。對于觀測要素較少的昆山站，則是在興化站參數(shù)校正的基礎(chǔ)上，基于發(fā)育期自動(dòng)優(yōu)化發(fā)育相關(guān)參數(shù)，隨后根據(jù)產(chǎn)量資料手動(dòng)調(diào)整產(chǎn)量敏感參數(shù)。

1.3.2 模型評(píng)價(jià)和校驗(yàn)

站點(diǎn)模擬評(píng)價(jià)和驗(yàn)證：利用模擬的潛在產(chǎn)量和觀測值之間的絕對誤差來評(píng)價(jià)和校驗(yàn)?zāi)Ｐ蛯Χ←滈_花、成熟期和產(chǎn)量的模擬效果;利用反映實(shí)測與模擬間一致性的相關(guān)系數(shù)（R）和反映其離散程度的RMSE這2個(gè)統(tǒng)計(jì)指標(biāo)，以及將模擬值和實(shí)測值進(jìn)行比較的方法來評(píng)價(jià)模型對冬小麥葉面積指數(shù)和地上干物質(zhì)質(zhì)量的模擬效果。

區(qū)域模擬驗(yàn)證：將綜合法和業(yè)務(wù)系統(tǒng)在各縣市的模擬產(chǎn)量匯總成地市產(chǎn)量，并與實(shí)測值進(jìn)行比較。在比較時(shí)，主要利用地市觀測產(chǎn)量和模擬產(chǎn)量之間的誤差，以及反映數(shù)據(jù)離散程度的極差來驗(yàn)證綜合法對冬小麥區(qū)域產(chǎn)量模擬效果的改善程度。

2 結(jié)果與分析

2.1 模型校正

2.1.1 發(fā)育期參數(shù)的校正

徐州、興化和昆山3站T b、T opt的尋優(yōu)區(qū)間和其最終取值，以及TSUM1和TSUM2如表1所示。參數(shù)校正后對開花和成熟期的模擬結(jié)果如表2所示。

從表2可以看出，對于徐州站，利用綜合法模擬的開花期、成熟期平均絕對誤差分別為0、1 d，利用業(yè)務(wù)系統(tǒng)模擬的分別為2.0、5.0 d。對于興化站，利用綜合法模擬的開花期、成熟期平均絕對誤差分別為1.0、0.5 d，利用業(yè)務(wù)系統(tǒng)模擬的分別為13.5、5.0 d。對于昆山站，利用綜合法模擬的開花期、成熟期平均絕對誤差分別為1.0、0.5 d，利用業(yè)務(wù)系統(tǒng)模擬的分別為1.0、3.5 d。可見，利用綜合法自動(dòng)獲取影響生育期的關(guān)鍵參數(shù)，可以有效提高冬小麥生育期的模擬精度。

2.1.2 葉面積指數(shù)和生物量參數(shù)的校正

比葉面積和葉片分配系數(shù)是影響葉面積模擬的關(guān)鍵參數(shù)。已有研究表明，冬小麥生長過程中，比葉面積與作物所處發(fā)育時(shí)期及其對應(yīng)的氣象環(huán)境因素密切相關(guān)，冬小麥生長初期葉片較薄，隨著葉片干物質(zhì)累積，葉片擴(kuò)展加厚，比葉面積隨生育進(jìn)程具有逐步減小的趨勢[21]。干物質(zhì)在根、莖、葉和穗的分配系數(shù)也具有這種規(guī)律性。在生長初期，干物質(zhì)主要分配給葉和根。隨著生育進(jìn)程的推進(jìn)，葉和根的分配系數(shù)逐漸下降，而莖的分配系數(shù)漸增，且在拔節(jié)期前后達(dá)到最大值。抽穗前，光合產(chǎn)物主要分配給葉、莖、根等營養(yǎng)器官;抽穗后，同化物不再向營養(yǎng)器官中分配，轉(zhuǎn)而分配至貯藏器官，同時(shí)營養(yǎng)器官中的干物質(zhì)會(huì)有部分轉(zhuǎn)移到穗而形成產(chǎn)量[22]。而在業(yè)務(wù)系統(tǒng)中，由于沒有考慮到這些特性，其比葉面積（SLATB）隨發(fā)育進(jìn)程出現(xiàn)了先降低后升高又降低的趨勢（圖2-a），葉片分配系數(shù)（FLTB）也有先升高后下降的趨勢（圖2-b）。雖然這些取值存在這些不合理之處，但因“異參同效”的原因，業(yè)務(wù)系統(tǒng)仍可獲得較好的模擬效果，但在隨后的應(yīng)用中可能會(huì)使葉面積指數(shù)和干物質(zhì)的模擬出現(xiàn)偏差，尤其是當(dāng)模型應(yīng)用在波動(dòng)環(huán)境時(shí)。

從總體上看，2種方法模擬的葉面積和干物質(zhì)隨發(fā)育進(jìn)程的動(dòng)態(tài)變化都與觀測值較為接近，但綜合法模擬的LAI較業(yè)務(wù)系統(tǒng)更接近觀測值（圖3-a、圖3-b、表3）。綜合法模擬的LAI與實(shí)測值之間相關(guān)系數(shù)（R）和RMSE的平均值分別為0.92、1.13，而業(yè)務(wù)系統(tǒng)對應(yīng)值分別為0.81、1.92。地上干物質(zhì)模擬結(jié)果也表明綜合法模擬結(jié)果與觀測值更吻合（圖3-c、圖3-d、表3）。綜合法模擬的地上干物質(zhì)與實(shí)測值之間R平均值為0.97，RMSE平均值為2 007 kg/hm2，而業(yè)務(wù)系統(tǒng)模擬的R平均值0.965，RMSE平均值為3 367 kg/hm2。

2.1.3 產(chǎn)量參數(shù)的校正

與地上干物質(zhì)的結(jié)果類似，綜合法和業(yè)務(wù)系統(tǒng)得到的結(jié)果都與實(shí)測值接近，但綜合法模擬產(chǎn)量更為接近觀測值（圖4）。徐州、興化和昆山模擬產(chǎn)量與實(shí)測值之間的平均絕對誤差分別為36、341、374 kg/hm2，而業(yè)務(wù)系統(tǒng)的對應(yīng)值分別為616、477、1 698 kg/hm2 （表3）。可見，綜合法對產(chǎn)量的模擬效果優(yōu)于業(yè)務(wù)系統(tǒng)。

分析發(fā)現(xiàn)，綜合法和業(yè)務(wù)系統(tǒng)的模擬產(chǎn)量可能存在波動(dòng)較大的問題。如興化站在2014年綜合的模擬值比實(shí)測值高380 kg/hm2，而2015年則低 302 kg/hm2。業(yè)務(wù)系統(tǒng)也如此，2年模擬值比實(shí)測值分別低185、769 kg/hm2。分析生長季氣候資源可以發(fā)現(xiàn)，2013—2014年生長季日照時(shí)數(shù)較常年（1981—2010年30年平均值）偏多7.5%，這可能是造成模擬產(chǎn)量波動(dòng)較大的原因之一。2014—2015年雖然冬前連續(xù)陰雨寡照，日照時(shí)數(shù)偏少，且越冬期持續(xù)低溫（最低氣溫連續(xù)7 d低于0 ℃），這對模擬產(chǎn)量均有不利影響[25]，但越冬至成熟后各生育階段積溫均較常年偏多，且后期光溫水資源配置較為合理，這對前期的生長不足起到了較好的補(bǔ)償作用，從而使得實(shí)際產(chǎn)量并沒有下降。然而模型并不具備反映這種補(bǔ)償作用的功能，因此模擬值明顯低于實(shí)測值。昆山站也存在模擬產(chǎn)量波動(dòng)高于實(shí)測值的現(xiàn)象。該站2014年模擬產(chǎn)量比實(shí)測值高 113 kg/hm2，但在2015年則低635 kg/hm2，其原因可能是2014年冬小麥灌漿成熟前期多陰雨天氣，日照偏少，田間濕度大，小麥赤霉病等病蟲害流行;后期又出現(xiàn)明顯陰雨天氣過程，氣溫日較差偏?。▋H為7.2 ℃），灌漿速度減慢;降水后氣溫回升過快，小麥成熟加快，不利于粒質(zhì)量增長，從而導(dǎo)致實(shí)測產(chǎn)量偏低。2015年冬小麥拔節(jié)長穗期（2月下旬至4月上旬）多陰雨天氣，日照時(shí)數(shù)較常年偏少24.8%，降水量較常年偏多89.7%，使得模擬產(chǎn)量降低，而在實(shí)際生長中，灌漿成熟期持續(xù)晴好天氣有效補(bǔ)償了前期生長發(fā)育的不足。

2.2 模型驗(yàn)證

2.2.1 站點(diǎn)驗(yàn)證

從生育期模擬結(jié)果來看，綜合法模擬開花期和成熟期的平均絕對誤差分別為1.33、0.67 d，而業(yè)務(wù)系統(tǒng)的值分別為4.67、1.67 d（表4），前者的精度大大高于后者。從模擬冬小麥生長的葉面積指數(shù)和干物質(zhì)量動(dòng)態(tài)（圖5-a、圖5-b、圖5-d、圖5-e）來看，2個(gè)方法得到的結(jié)果都與觀測值較為吻合，但綜合法模擬值較業(yè)務(wù)系統(tǒng)更為接近觀測值。綜合法模擬的LAI與實(shí)測值之間的相關(guān)系數(shù)（R）和RMSE平均值分別為0.85和1.65，地上干物質(zhì)與實(shí)測值之間分別為0.96和1 872.5 kg/hm2;而業(yè)務(wù)系統(tǒng)模擬的LAI對應(yīng)值分別為0.55和2.61，地上干物質(zhì)對應(yīng)值分別為0.93和 2 659.5 kg/hm2（表5）。從模擬的冬小麥產(chǎn)量來看（圖5-c、圖5-f，昆山站圖略），2個(gè)方法獲取的模擬產(chǎn)量都與觀測值較為吻合，但綜合法的模擬產(chǎn)量波動(dòng)較業(yè)務(wù)系統(tǒng)更小，3站平均絕對誤差分別為176.7、553.7 kg/hm2（表5）。

綜合法模擬產(chǎn)量波動(dòng)較大的問題也同樣存在。如昆山站在2016年的模擬值比實(shí)測值高 476 kg/hm2。進(jìn)一步分析發(fā)現(xiàn)，小麥生產(chǎn)過程中，播種期持續(xù)陰雨天氣造成播種質(zhì)量差，三類苗占比大;抽穗開花期高濕寡照導(dǎo)致赤霉病等病蟲害發(fā)生嚴(yán)重;灌漿期日照不足，持續(xù)陰雨導(dǎo)致早衰，影響粒質(zhì)量;收獲期陰雨偏多加劇赤霉病蔓延和霉?fàn)€發(fā)生。該年冬小麥生長期農(nóng)業(yè)氣象條件弊多利少，導(dǎo)致實(shí)際產(chǎn)量較上年偏少20%。

2.2.2 區(qū)域驗(yàn)證

從模擬產(chǎn)量與統(tǒng)計(jì)產(chǎn)量區(qū)域分布趨勢來看，綜合法和業(yè)務(wù)系統(tǒng)都較好地反映了產(chǎn)量的區(qū)域分布趨勢（圖6），其中綜合法的模擬效果又略優(yōu)于業(yè)務(wù)系統(tǒng)，特別是綜合法正確地識(shí)別出了產(chǎn)量的北部高值區(qū)以及南部低值區(qū)。但是綜合法和業(yè)務(wù)系統(tǒng)都未能正確反映出連云港市的高值區(qū)，而且都高估了鹽城市和南通市的產(chǎn)量。對此問題的研究，還有待于在下一步的工作中深入開展。區(qū)域產(chǎn)量的實(shí)測值變化在4 264～5 946 kg/hm2之間，極差為1 682 kg/hm2。綜合法模擬產(chǎn)量變化在 5 004～6 333 kg/hm2之間，極差為1 330 kg/hm2。業(yè)務(wù)系統(tǒng)則變化在4 611～7 030 kg/hm2之間，極差達(dá)2 419 kg/hm2。因此，綜合法顯著縮小了極差，使得模擬產(chǎn)量與實(shí)測產(chǎn)量更接近。

圖7是綜合法和業(yè)務(wù)系統(tǒng)模擬產(chǎn)量與實(shí)測值之差在區(qū)域上的分布。由此可見，綜合法結(jié)果與實(shí)測產(chǎn)量之差的波動(dòng)相對較小，其值變化在-720～873 kg/hm2 之間。其中，負(fù)值主要出現(xiàn)在蘇北，最小值為連云港市，而正值主要位于蘇南及鹽城市，最大值出現(xiàn)在南京市。因此，綜合法低估了連云港市的產(chǎn)量而高估了南京市的產(chǎn)量。業(yè)務(wù)系統(tǒng)模擬的產(chǎn)量波動(dòng)較大，與實(shí)測值之差變化在-902～1 203 kg/hm2 之間。其中，負(fù)值主要出現(xiàn)在蘇北。除此之外，蘇南的南京和鎮(zhèn)江也呈負(fù)值，最小值出現(xiàn)在徐州市。正值多出現(xiàn)在蘇中和蘇南，最大值出現(xiàn)在鹽城市。也就是說，業(yè)務(wù)系統(tǒng)低估了徐州市的產(chǎn)量，而高估了鹽城市的產(chǎn)量。由圖7可見，綜合法縮小了與實(shí)測產(chǎn)量的差異。

3 結(jié)論與討論

本研究結(jié)合江蘇農(nóng)業(yè)氣象觀測站的小麥生育期、LAI、地上干物質(zhì)和產(chǎn)量資料，采用自動(dòng)尋優(yōu)與“試錯(cuò)法”相結(jié)合的方法，獲取了WOFOST模型適合模擬江蘇省小麥生長發(fā)育的作物參數(shù)，得到了相應(yīng)的模擬結(jié)果，并與業(yè)務(wù)系統(tǒng)的參數(shù)及模擬結(jié)果進(jìn)行比較，得到的主要結(jié)論如下。

（1）采用自動(dòng)尋優(yōu)與“試錯(cuò)法”相結(jié)合的綜合法，能實(shí)現(xiàn)對冬小麥生長和發(fā)育良好模擬，較好實(shí)現(xiàn)了模型參數(shù)的本地化，并且由于在參數(shù)化過程中考慮參數(shù)間取值的相關(guān)性及其值隨發(fā)育進(jìn)程的變化，參數(shù)取值更具合理性。

（2）業(yè)務(wù)系統(tǒng)雖然也能實(shí)現(xiàn)對觀測值的較好擬合，但因沒考慮到參數(shù)取值的特性，得到的結(jié)果可能是多個(gè)參數(shù)組合均能得到類似模擬結(jié)果的一種“異參同效”現(xiàn)象。例如業(yè)務(wù)系統(tǒng)中沒考慮葉面積指數(shù)相關(guān)參數(shù)（SLATB、FLTB）的取值隨發(fā)育速率的規(guī)律性變化，使得其他參數(shù)的取值需要做出相應(yīng)調(diào)整，才能獲得較好的模擬效果。這些參數(shù)取值的調(diào)整，雖然在當(dāng)前年份及環(huán)境下可實(shí)現(xiàn)對產(chǎn)量的有效模擬，但當(dāng)其應(yīng)用于不同年份時(shí)，模擬誤差有可能會(huì)增大。

（3）用本方法優(yōu)化生育期參數(shù)及考慮參數(shù)取值后，顯著提高了對生育期模擬的準(zhǔn)確度，對LAI、地上干物質(zhì)和產(chǎn)量的模擬精度也有不同程度的提高，得到的區(qū)域產(chǎn)量也與實(shí)測值更為一致。這表明該方法可以有效提高江蘇省產(chǎn)量預(yù)報(bào)業(yè)務(wù)的準(zhǔn)確率。同時(shí)，該方法也能為其他省市業(yè)務(wù)部門提供借鑒的思路。

盡管綜合法能更好地對模型進(jìn)行參數(shù)化，但在LAI模擬時(shí)發(fā)現(xiàn)，在小麥生育中后期，模擬LAI普遍高于觀測值。結(jié)合實(shí)際觀測資料，可能是模型中沒考慮到無效分蘗的大量死亡所致。例如在2016年徐州冬小麥返青時(shí)（2月18日）莖蘗數(shù)達(dá)到最大為2 420株（莖）/m2，隨后莖蘗數(shù)大量下降，至抽穗（4月13日）時(shí)有效莖蘗數(shù)僅615株（莖）/m2?？梢?，冬小麥返青—抽穗期間2/3無效分蘗出現(xiàn)死亡;相應(yīng)地，模擬葉面積指數(shù)值從4月18日開始出現(xiàn)普遍高于觀測的情況。類似的，2014、2016年興化站和2014—2015年徐州站均出現(xiàn)了冬小麥生育后期模擬葉面積指數(shù)偏高的情況。此外，2016年模擬徐州的LAI普遍低于實(shí)測值，其原因可能是江蘇2015年8月掃描儀測量葉面積系統(tǒng)正式投入業(yè)務(wù)使用，更換了原有LAI觀測方法，導(dǎo)致2015—2016年觀測的冬小麥LAI普遍高于往年。

對產(chǎn)量模擬分析發(fā)現(xiàn)，盡量模擬產(chǎn)量與觀測值具有相近的變化趨勢，但有時(shí)其年際波動(dòng)較大。究其原因，可能是模型存在一些機(jī)理上的不足。例如，研究發(fā)現(xiàn)，模擬產(chǎn)量受日照時(shí)數(shù)影響較大，然而在實(shí)際種植情況下，日照對產(chǎn)量波動(dòng)的影響似乎并不明顯。此外，模型尚未考慮冬小麥后期生長對前期不足的有效彌補(bǔ)和調(diào)節(jié)作用[26-28]。這些模型機(jī)理上的缺陷，都會(huì)使得模擬結(jié)果的波動(dòng)高于實(shí)際觀測值。

受限于農(nóng)業(yè)氣象觀測站點(diǎn)數(shù)量不足，目前僅能將單站的參數(shù)作為整個(gè)區(qū)域參數(shù)進(jìn)行冬小麥生長的模擬。此外，作物模型區(qū)域應(yīng)用時(shí)認(rèn)為一塊區(qū)域內(nèi)作物品種相同的假設(shè)，也會(huì)給模擬結(jié)果帶來一定的誤差。如在本研究中，具有生物量和LAI觀測的站，均位于分區(qū)的北部。由于不同區(qū)域冬小麥所需的積溫存在一定的差異[29]，基于這些站觀測數(shù)據(jù)獲取的參數(shù)去模擬分區(qū)南部冬小麥的生長時(shí)，可能會(huì)導(dǎo)致模擬的發(fā)育期和產(chǎn)量產(chǎn)生系統(tǒng)偏差。

隨著遙感數(shù)據(jù)的不斷擴(kuò)容，如何更好地結(jié)合參數(shù)間取值的相關(guān)性和規(guī)律性，挖掘衛(wèi)星遙感面上觀測資料的優(yōu)勢，通過同化或融合的方法，來不斷修正作物模型的關(guān)鍵參數(shù)，實(shí)現(xiàn)參數(shù)區(qū)域化，以提高模型模擬的準(zhǔn)確性，是今后在實(shí)現(xiàn)作物模型業(yè)務(wù)應(yīng)用常態(tài)化過程中需要解決的問題。

參考文獻(xiàn)：

[1]Supit I，Hooijer A A，van Diepen? C A. System description of the WOFOST 6.0 crop simulation model implemented in CGMS，vol. 1：theory and algorithms[M]. Luxembourg：Office for the Official Publications of the European Communities，1994：146

[2]劉 峰，李存軍，董瑩瑩，等. 基于遙感數(shù)據(jù)與作物生長模型同化的作物長勢監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（10）：101-106.

[3]張建平，王春乙，趙艷霞，等. 基于作物模型的低溫冷害對我國東北三省玉米產(chǎn)量影響評(píng)估[J]. 生態(tài)學(xué)報(bào)，2012，32（13）：4132-4138.

[4]張雪芬，余衛(wèi)東，王春乙. 基于作物模型災(zāi)損識(shí)別的黃淮區(qū)域冬小麥晚霜凍風(fēng)險(xiǎn)評(píng)估[J]. 高原氣象，2012，31（1）：277-284.

[5]劉布春，王石立，莊立偉，等. 基于東北玉米區(qū)域動(dòng)力模型的低溫冷害預(yù)報(bào)應(yīng)用研究[J]. 應(yīng)用氣象學(xué)報(bào)，2003，14（5）：616-625.

[6]黃健熙，武思杰，劉興權(quán)，等. 基于遙感信息與作物模型集合卡爾曼濾波同化的區(qū)域冬小麥產(chǎn)量預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（4）：142-148.

[7]秦鵬程，劉 敏，萬素琴，等. 不完整氣象資料下基于作物模型的產(chǎn)量預(yù)報(bào)方法[J]. 應(yīng)用氣象學(xué)報(bào)，2016，27（4）：407-416.

[8]秦鵬程，姚鳳梅，曹秀霞，等. 利用作物模型研究氣候變化對農(nóng)業(yè)影響的發(fā)展過程[J]. 中國農(nóng)業(yè)氣象，2011，32（2）：240-245.

[9]黃健熙，賈世靈，馬鴻元，等. 基于WOFOST模型的中國主產(chǎn)區(qū)冬小麥生長過程動(dòng)態(tài)模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（10）：222-228.

[10]何 亮，侯英雨，趙 剛，等. 基于全局敏感性分析和貝葉斯方法的WOFOST作物模型參數(shù)優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（2）：169-179.

[11]何 亮，侯英雨，于 強(qiáng)，等. 不同空間分辨率驅(qū)動(dòng)數(shù)據(jù)對作物模型區(qū)域模擬影響研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（2）：241-251.

[12]陳思寧，趙艷霞，申雙和，等. 基于PyWOFOST作物模型的東北玉米估產(chǎn)及精度評(píng)估[J]. 中國農(nóng)業(yè)科學(xué)，2013，46（14）：2880-2893.

[13]馬玉平，王石立，李維京. 基于作物生長模型的東北玉米冷害監(jiān)測預(yù)測[J]. 作物學(xué)報(bào)，2011，37（10）：1868-1878.

[14]鄔定榮，劉建棟，劉 玲，等. 基于作物生長模型及CAST分類的華北夏玉米生產(chǎn)力區(qū)劃研究[J]. 氣象科學(xué)，2015，35（1）：66-70.

[15]李樹巖，余衛(wèi)東. 基于WOFOST模型和水分脅迫的河南省冬小麥減產(chǎn)風(fēng)險(xiǎn)[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2017，28（3）：911-917.

[16]鄔定榮，歐陽竹，趙小敏，等. 作物生長模型WOFOST在華北平原的適用性研究[J]. 植物生態(tài)學(xué)報(bào)，2003，27（5）：594-602.

[17]徐勝男. 基于遙感數(shù)據(jù)修正WOFOST模型的江蘇省冬小麥生長模擬研究[D]. 南京：南京信息工程大學(xué)，2016：46-55.

[18]吳 伶，劉湘南，周博天，等. 多源遙感與作物模型同化模擬作物生長參數(shù)時(shí)空域連續(xù)變化[J]. 遙感學(xué)報(bào)，2012，16（6）：1173-1191.

[19]閆 巖，柳欽火，劉 強(qiáng)，等. 基于遙感數(shù)據(jù)與作物生長模型同化的冬小麥長勢監(jiān)測與估產(chǎn)方法研究[J]. 遙感學(xué)報(bào)，2006，10（5）：804-811.

[20]de Wit A，Duveiller G，Defourny P. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations[J]. Agricultural and Forest Meteorology，2012，164：39-52.

[21]喬玉輝，宇振榮，Driessen P M. 冬小麥葉面積動(dòng)態(tài)變化規(guī)律及其定量化研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)，2002，10（2）：83-85.

[22]喬玉輝，宇振榮，Driessen P M. 冬小麥干物質(zhì)在各器官中的累積和分配規(guī)律研究[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2002，13（5）：543-546.

[23]江蘇省統(tǒng)計(jì)局，國家統(tǒng)計(jì)局江蘇調(diào)查總隊(duì). 江蘇省農(nóng)村統(tǒng)計(jì)年鑒2015[M]. 北京：中國統(tǒng)計(jì)出版社，2015：212-219.

[24]王 芳，鄔定榮，王春乙. 兩種參數(shù)化方案下冬小麥品種對發(fā)育期的影響[J]. 應(yīng)用氣象學(xué)報(bào)，2017，28（4）：493-503.

[25]馬玉平，王石立，張 黎. 針對華北小麥越冬的WOFOST模型改進(jìn)[J]. 中國農(nóng)業(yè)氣象，2005，26（3）：145-149.

[26]呂麗華，梁雙波，張經(jīng)廷，等. 不同小麥品種的產(chǎn)量及光能利用對冬前積溫的響應(yīng)[J]. 麥類作物學(xué)報(bào)，2017，37（8）：1047-1055.

[27]郭文善，封超年，嚴(yán)六零，等. 小麥開花后源庫關(guān)系分析[J]. 作物學(xué)報(bào)，1995，21（3）：334-340.

[28]蔣紀(jì)蕓，閻世理，潘世祿，等. 冬小麥生育后期個(gè)體器官間的補(bǔ)償作用[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），1984，12（1）：20-36.

[29]王 芳，劉宏舉，鄔定榮，等. 近30年華北平原冬小麥有效積溫的變化[J]. 氣象與環(huán)境科學(xué)，2017，40（2）：20-27.