鄭昌玲，張 蕾，侯英雨，宋迎波

(國(guó)家氣象中心，北京 100081)

準(zhǔn)確、及時(shí)、可靠的作物產(chǎn)量信息是國(guó)家社會(huì)經(jīng)濟(jì)的基礎(chǔ)信息，對(duì)于確保國(guó)家糧食安全、制定農(nóng)產(chǎn)品進(jìn)出口計(jì)劃、指導(dǎo)和調(diào)控宏觀種植業(yè)結(jié)構(gòu)均具有重要意義，歷來(lái)受到各國(guó)政府的高度重視。我國(guó)農(nóng)業(yè)氣象工作者自20世紀(jì)80年代就開(kāi)展了作物產(chǎn)量預(yù)報(bào)的研究和業(yè)務(wù)工作，制作發(fā)布的作物產(chǎn)量預(yù)報(bào)產(chǎn)品成為各級(jí)政府制定糧食調(diào)控計(jì)劃所需的重要信息[1-2]。隨著業(yè)務(wù)發(fā)展的需要，目前作物產(chǎn)量預(yù)報(bào)方法主要為農(nóng)學(xué)模型[3]、統(tǒng)計(jì)模型[4-5]、遙感估產(chǎn)模型[6]和作物生長(zhǎng)模型[7-11]等幾大類(lèi)。農(nóng)學(xué)預(yù)報(bào)方法在作物臨界成熟時(shí)開(kāi)展，預(yù)報(bào)時(shí)效性差；遙感技術(shù)在大范圍的作物估產(chǎn)中有較大優(yōu)勢(shì)，但遙感數(shù)據(jù)的質(zhì)量受天氣條件影響較大，在業(yè)務(wù)應(yīng)用中受限。統(tǒng)計(jì)預(yù)報(bào)方法所用資料較易獲取，方法相對(duì)靈活，預(yù)報(bào)準(zhǔn)確率較高，是目前在國(guó)家級(jí)和省級(jí)氣象部門(mén)農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)中應(yīng)用最為廣泛的方法。近年來(lái)，隨著氣象部門(mén)農(nóng)業(yè)氣象業(yè)務(wù)發(fā)展的需要，提出了基于氣候適宜指數(shù)、關(guān)鍵氣象因子影響指數(shù)、產(chǎn)量歷史豐歉氣象影響指數(shù)等農(nóng)業(yè)氣象產(chǎn)量動(dòng)態(tài)預(yù)報(bào)方法[12-16]，具有較高的預(yù)報(bào)準(zhǔn)確率和較長(zhǎng)的預(yù)報(bào)時(shí)效；而不足之處是統(tǒng)計(jì)模型中的預(yù)報(bào)因子生物學(xué)意義有待完善，且主要應(yīng)用于大尺度的省級(jí)或國(guó)家級(jí)業(yè)務(wù)中，小尺度相關(guān)性差，難以建立統(tǒng)計(jì)方程,動(dòng)態(tài)預(yù)報(bào)尺度受氣象因子影響，不能靈活變動(dòng)。相比之下，作物生長(zhǎng)模型綜合考慮氣候、土壤、品種、管理措施等因素對(duì)作物生長(zhǎng)發(fā)育的影響，動(dòng)態(tài)、定量地模擬作物生長(zhǎng)發(fā)育和產(chǎn)量形成，被歐美國(guó)家廣泛應(yīng)用于作物產(chǎn)量動(dòng)態(tài)預(yù)報(bào)。如歐盟委員會(huì)聯(lián)合研究中心很早就將作物模型應(yīng)用于作物監(jiān)測(cè)和產(chǎn)量預(yù)報(bào)，在農(nóng)業(yè)遙感監(jiān)測(cè)項(xiàng)目中建立了專(zhuān)門(mén)的作物生長(zhǎng)監(jiān)測(cè)系統(tǒng)，定時(shí)發(fā)布基于作物模型的產(chǎn)量月報(bào)[17]；美國(guó)、澳大利亞、印度、巴西等農(nóng)業(yè)大國(guó)也都較早開(kāi)展了基于作物模型的產(chǎn)量預(yù)報(bào)[11，18-19]。國(guó)內(nèi)不少學(xué)者利用作物模型開(kāi)展本地化校驗(yàn)、修正、改進(jìn)與應(yīng)用，在單點(diǎn)作物、地區(qū)及省級(jí)范圍初步開(kāi)展了WOFOST、DSSAT、Oyrza2000及CERES-Maize等模型在作物產(chǎn)量預(yù)報(bào)中的應(yīng)用研究[7-11,20]。但作物模型在區(qū)域上的升尺度應(yīng)用受到初始化參數(shù)難以獲取、模型的適用性和準(zhǔn)確性不確定及后期氣象數(shù)據(jù)的獲取問(wèn)題等因素的影響，模型的區(qū)域模擬精度較難滿(mǎn)足實(shí)際應(yīng)用需求，在較大范圍和國(guó)家級(jí)的作物產(chǎn)量預(yù)報(bào)應(yīng)用比較少。

為了解決作物模型區(qū)域應(yīng)用難題、實(shí)現(xiàn)作物模型在國(guó)家級(jí)農(nóng)業(yè)氣象業(yè)務(wù)中應(yīng)用，國(guó)家氣象中心開(kāi)發(fā)了基于作物模型的中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)(Crop Growth Simulating and Monitoring System in China,CGMS-China)，將WOFOST、Oryaz2000、WheatSM、ChinaAgroys等國(guó)內(nèi)外模型嵌入到系統(tǒng)之中，針對(duì)冬小麥、玉米和水稻3大糧食作物，通過(guò)劃分不同農(nóng)業(yè)氣候生態(tài)區(qū)，分區(qū)對(duì)模型參數(shù)進(jìn)行標(biāo)定，實(shí)現(xiàn)作物模型在全國(guó)主要農(nóng)作物主產(chǎn)區(qū)大范圍尺度應(yīng)用，可以提供作物長(zhǎng)勢(shì)監(jiān)測(cè)與評(píng)估、作物產(chǎn)量預(yù)報(bào)和農(nóng)業(yè)氣象災(zāi)害影響評(píng)估等農(nóng)業(yè)氣象業(yè)務(wù)產(chǎn)品[21-22]。

冬小麥?zhǔn)俏覈?guó)主要糧食作物之一，其種植面積占全國(guó)糧食作物總面積的18%～24%。本研究以冬小麥為主要研究對(duì)象，利用CGMS-China系統(tǒng)，基于WOFOST模型主要輸出要素——地上生物量(Total above ground production,TAGP)和穗干重(Dry weight of living organs,WSO)模擬結(jié)果，開(kāi)展站點(diǎn)、縣級(jí)尺度、主產(chǎn)省(市、區(qū))和國(guó)家級(jí)尺度的冬小麥產(chǎn)量動(dòng)態(tài)預(yù)報(bào)方法研究并進(jìn)行歷史預(yù)報(bào)效果檢驗(yàn)，確定WOFOST模型在作物產(chǎn)量預(yù)報(bào)業(yè)務(wù)應(yīng)用中的可行性，為WOFOST模型在不同尺度特別是區(qū)域尺度進(jìn)行作物產(chǎn)量預(yù)報(bào)工作的應(yīng)用提供可靠依據(jù)。根據(jù)檢驗(yàn)效果反饋，改進(jìn)和優(yōu)化CGMS-China系統(tǒng)，提升農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)的科技支撐能力。

1 資料和方法

1.1 研究資料

研究區(qū)域?yàn)槲覈?guó)冬小麥主要種植區(qū)域[23]，包括新疆、河北、北京、天津、山西、河南、山東、江蘇、安徽、湖北、四川、貴州、云南、陜西、甘肅等省(市、自治區(qū))。研究區(qū)域內(nèi)共包括中國(guó)氣象局約1200個(gè)基準(zhǔn)氣象站和174個(gè)農(nóng)業(yè)氣象站點(diǎn)，其中有15個(gè)農(nóng)業(yè)氣象試驗(yàn)站點(diǎn)(簡(jiǎn)稱(chēng)農(nóng)試站),數(shù)據(jù)用于WOFOST模型參數(shù)的確定和驅(qū)動(dòng)模型運(yùn)行。WOFOST模型主要輸入氣象數(shù)據(jù)為2001—2019年逐日氣象資料，包括日最高氣溫、日最低氣溫、降水量、2 m高度平均風(fēng)速、水汽壓、日太陽(yáng)總輻射量；其中日太陽(yáng)輻射數(shù)據(jù)由日照時(shí)數(shù)計(jì)算,2 m高度平均風(fēng)速由10 m高度風(fēng)速轉(zhuǎn)化，其它氣象要素均為氣象觀測(cè)站直接獲取[23-24]。播種至出苗、出苗至開(kāi)花、開(kāi)花至成熟階段的有效積溫、比葉面積、地上干物質(zhì)中葉、莖、穗的分配系數(shù)等作物參數(shù)輸入數(shù)據(jù)來(lái)源于農(nóng)業(yè)氣象站2009—2019年冬小麥生育期觀測(cè)數(shù)據(jù)以及農(nóng)試站冬小麥莖、葉、穗的干物質(zhì)量和葉面積指數(shù)等觀測(cè)數(shù)據(jù)[25]；土壤參數(shù)輸入數(shù)據(jù)來(lái)源于中國(guó)氣象局土壤水分自動(dòng)觀測(cè)站和中國(guó)科學(xué)院南京土壤研究所制作的10 km分辨率中國(guó)土壤數(shù)據(jù)庫(kù)[21，25]；地級(jí)市、主產(chǎn)省(市、自治區(qū))和全國(guó)冬小麥平均單產(chǎn)實(shí)測(cè)值、種植面積均來(lái)源于2003—2019年國(guó)家統(tǒng)計(jì)局官網(wǎng)統(tǒng)計(jì)數(shù)據(jù)查詢(xún)中的糧食產(chǎn)量查詢(xún)(http://data.stats.gov.cn/)；用于站點(diǎn)冬小麥單產(chǎn)預(yù)報(bào)檢驗(yàn)的實(shí)測(cè)產(chǎn)量和站點(diǎn)所在縣平均單產(chǎn)資料來(lái)源于2014—2019年農(nóng)業(yè)氣象站觀測(cè)資料[21,25]。

1.2 WOFOST模型介紹

WOFOST 作物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)，具有較強(qiáng)的機(jī)理性,在世界各地得到了廣泛應(yīng)用,具有較好的普適性[26-27]。WOFOST模型是一個(gè)動(dòng)態(tài)解釋模型，以逐日氣象數(shù)據(jù)為驅(qū)動(dòng)，模擬1 a生作物從播種到成熟的生長(zhǎng)過(guò)程，包括作物光合作用、呼吸作用、蒸騰作用、干物質(zhì)分配等作物基本生理過(guò)程的模擬，能夠?qū)ψ魑镞M(jìn)行潛在、水分和營(yíng)養(yǎng)限制條件下的三種水平的產(chǎn)量模擬,計(jì)算過(guò)程主要通過(guò)氣候、作物、土壤3個(gè)模塊完成。我國(guó)眾多學(xué)者對(duì)WOFOST進(jìn)行了參數(shù)標(biāo)定、適用性和應(yīng)用等研究[28-30]，WOFOST模型在我國(guó)部分省份或地區(qū)適用性良好[24-27]。為了實(shí)現(xiàn)WOFOST模型在冬小麥產(chǎn)量預(yù)報(bào)業(yè)務(wù)上的應(yīng)用，根據(jù)冬小麥主產(chǎn)區(qū)地級(jí)市和直轄市產(chǎn)量數(shù)據(jù)，并結(jié)合冬小麥生長(zhǎng)積溫分布特征、地形地貌等信息，將全國(guó)冬小麥主要產(chǎn)區(qū)共分成34個(gè)小區(qū)(見(jiàn) 表1)，根據(jù)各分區(qū)內(nèi)的氣象資料、冬小麥發(fā)育期資料、冬小麥生物量和產(chǎn)量要素等觀測(cè)資料，確定各區(qū)域模型參數(shù)，基于中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)(CGMS-China)，已完成WOFOST模型在冬小麥主產(chǎn)區(qū)的參數(shù)本地化和適應(yīng)性評(píng)估，進(jìn)行了較完整的參數(shù)校正及驗(yàn)證，并利用實(shí)時(shí)觀測(cè)的土壤濕度同化WOFOST模型的土壤水分模擬，顯著提高了模型模擬效果[21,25]；CGMS-China還對(duì)WOFOST模型的輸出結(jié)果文件進(jìn)行處理，可實(shí)現(xiàn)對(duì)模型輸出參數(shù)分站點(diǎn)、分省統(tǒng)計(jì)。

1.3 基于WOFOST模型的冬小麥產(chǎn)量預(yù)報(bào)方法建立

1.3.1 氣象資料處理 運(yùn)行WOFOST冬小麥模型所需的土壤、品質(zhì)、田間管理信息及播種(出苗)至起報(bào)日的氣象資料采用預(yù)收集和實(shí)時(shí)觀測(cè)輸入，起報(bào)日至成熟期氣象資料采用1981—2010年30 a平均值處理獲取。

1.3.2 基于WOFOST模型的冬小麥產(chǎn)量動(dòng)態(tài)預(yù)報(bào)方法 在農(nóng)業(yè)科技水平、農(nóng)業(yè)投入、土壤性狀及作物品種特性等保持相對(duì)穩(wěn)定的情況下，氣象條件是直接影響作物生長(zhǎng)發(fā)育及產(chǎn)量形成的主要因素。以氣象數(shù)據(jù)為驅(qū)動(dòng)，利用WOFOST作物模型模擬冬小麥成熟時(shí)的TAGP和WSO，站點(diǎn)和縣級(jí)小尺度范圍選擇WSO 作為冬小麥單產(chǎn)預(yù)報(bào)參數(shù)，省(市、自治區(qū))級(jí)和國(guó)家級(jí)大尺度范圍選擇2種作為冬小麥單產(chǎn)預(yù)報(bào)參數(shù)，根據(jù)歷史預(yù)報(bào)檢驗(yàn)的產(chǎn)量預(yù)報(bào)準(zhǔn)確率確定效果最好的方法。

(1)直接模擬作物產(chǎn)量。在冬小麥成熟前，確定一個(gè)日期作為冬小麥平均單產(chǎn)的預(yù)報(bào)起報(bào)日。WOFOST模型需要輸入全生育期的完整氣象資料才能模擬得到最終的產(chǎn)量結(jié)果。利用起報(bào)日前期實(shí)時(shí)氣象資料和后期30 a(1981—2010年 )氣候平均值組成全生育期完整的氣象數(shù)據(jù)，運(yùn)行WOFOST冬小麥模型，在不同時(shí)間段動(dòng)態(tài)模擬，得到冬小麥成熟時(shí)的WSO，即為預(yù)測(cè)的作物產(chǎn)量。冬小麥農(nóng)業(yè)氣象站和站點(diǎn)所在縣的冬小麥單產(chǎn)直接用WOFOST模型模擬的站點(diǎn)冬小麥成熟日WSO作為產(chǎn)量預(yù)報(bào)結(jié)果。但由于穗干重值高于作物產(chǎn)量(粒重)，且模型對(duì)穗重的模擬存在一定誤差，可能會(huì)造成預(yù)報(bào)準(zhǔn)確率偏低。

表1 各分區(qū)所含地級(jí)市和直轄市行政區(qū)域Table 1 Administrative division of prefecture level cities and municipality included in each region

續(xù)表1：

(2)相對(duì)產(chǎn)量預(yù)報(bào)方法。為了減小WOFOST模型模擬精度對(duì)冬小麥產(chǎn)量預(yù)報(bào)結(jié)果的影響，提高產(chǎn)量預(yù)報(bào)準(zhǔn)確率，采用相對(duì)比值法預(yù)報(bào)冬小麥單產(chǎn)。具體做法是：運(yùn)行WOFOST模型分別模擬得到預(yù)報(bào)年和上一年冬小麥成熟時(shí)生物量，以2 a間生物量的差值百分比作為產(chǎn)量增減幅度，結(jié)合上一年冬小麥的實(shí)際產(chǎn)量得到本年的冬小麥產(chǎn)量預(yù)報(bào)值,見(jiàn)式(1)和式(2)。

Yfi=Yr(i-1)×(1+ΔD)

(1)

ΔD=(Wi-Wi-1)/Wi-1

(2)

式中，Yfi為某年的冬小麥單產(chǎn)預(yù)報(bào)值，Yr(i-1)為上一年的實(shí)際單產(chǎn)，△D為模型模擬的產(chǎn)量增減幅度，Wi和Wi-1分別為預(yù)報(bào)年和上一年的模型模擬的地上部分總干物質(zhì)量(TAGP)或穗干重(WSO)。

相對(duì)產(chǎn)量預(yù)報(bào)方法主要應(yīng)用于省(市、自治區(qū))級(jí)和全國(guó)尺度。受縣級(jí)產(chǎn)量資料限制，基于WOFOST模型模擬結(jié)果的主產(chǎn)省(市、自治區(qū))單產(chǎn)由省(市、自治區(qū))內(nèi)站點(diǎn)成熟時(shí)WSO對(duì)應(yīng)2007—2011年縣級(jí)冬小麥面積占比為權(quán)重集成。全國(guó)平均單產(chǎn)由主產(chǎn)省(市、自治區(qū))單產(chǎn)根據(jù)預(yù)報(bào)年前3 a面積占比為權(quán)重進(jìn)行集成(式3)。

(3)

式中，ri為第i個(gè)主產(chǎn)省(市、自治區(qū))在預(yù)報(bào)年的前3 a平均面積在12個(gè)省(市、自治區(qū))面積之和中的比重。

(3)冬小麥單產(chǎn)動(dòng)態(tài)預(yù)報(bào)方法確定。針對(duì)驅(qū)動(dòng)模型所需的冬小麥全生育期氣象資料，預(yù)報(bào)年度的氣象資料采取實(shí)時(shí)資料和30 a(1981—2010年)氣候平均值組合，上一年度的氣象資料采取全生育期均為觀測(cè)氣象資料或觀測(cè)資料與30 a氣候平均值組合的兩種方式，考慮無(wú)水分脅迫(PPS)和有水分脅迫(WPS)的兩種方式下的TAGP和WSO模擬結(jié)果，可得到8種處理方法，具體見(jiàn)表2。以3月1日(主產(chǎn)區(qū)冬小麥返青)、4月1日(主產(chǎn)區(qū)冬小麥拔節(jié))、5月1日(主產(chǎn)區(qū)冬小麥灌漿)為預(yù)報(bào)起報(bào)日，對(duì)各種處理的主產(chǎn)省(市、自治區(qū))和全國(guó)冬小麥單產(chǎn)模擬結(jié)果進(jìn)行檢驗(yàn)，以確定最優(yōu)的冬小麥產(chǎn)量動(dòng)態(tài)預(yù)報(bào)方法。

表2 氣象資料組合和WOFOST模型輸出生物量處理方法設(shè)置Table 2 Deferent treatments of meteorological data combination and WOFOST output biomass processing

2 基于WOFOST模型的冬小麥產(chǎn)量動(dòng)態(tài)預(yù)報(bào)結(jié)果檢驗(yàn)

2.1 直接預(yù)報(bào)方法模擬效果檢驗(yàn)

以對(duì)站點(diǎn)和縣級(jí)模擬檢驗(yàn)為主，2014—2019年全國(guó)農(nóng)業(yè)氣象站中具有站點(diǎn)產(chǎn)量資料的共295個(gè)站次資料，具有站點(diǎn)所在縣平均單產(chǎn)共220個(gè)站次資料。利用5月1日作為起報(bào)日時(shí)，WOFOST模型模擬的冬小麥成熟時(shí)WSO與站點(diǎn)觀測(cè)產(chǎn)量進(jìn)行比較，平均準(zhǔn)確率為81.1%，準(zhǔn)確率≥80%的比例為54.9%；與站點(diǎn)所在縣平均單產(chǎn)對(duì)比，平均準(zhǔn)確率為84.3%，準(zhǔn)確率≥80%的比例為64.8%；站點(diǎn)和縣級(jí)冬小麥單產(chǎn)波動(dòng)幅度大[31]，站點(diǎn)和縣級(jí)冬小麥單產(chǎn)平均預(yù)報(bào)準(zhǔn)確率在業(yè)務(wù)應(yīng)用中可接受?？傮w上，縣平均單產(chǎn)估測(cè)效果要略好于站點(diǎn)產(chǎn)量估測(cè)效果，與模型參數(shù)本地化時(shí)是以各分區(qū)為對(duì)象，考慮區(qū)域整體模擬效果有關(guān)，模型模擬結(jié)果更接近于縣平均產(chǎn)量；預(yù)報(bào)準(zhǔn)確率明顯偏低的站點(diǎn)，則說(shuō)明存在模型參數(shù)不準(zhǔn)確等問(wèn)題，需要根據(jù)實(shí)際觀測(cè)數(shù)據(jù)進(jìn)行調(diào)整和優(yōu)化。

2.2 相對(duì)預(yù)報(bào)法逐月產(chǎn)量動(dòng)態(tài)預(yù)報(bào)試驗(yàn)和檢驗(yàn)

目前，氣象部門(mén)每年進(jìn)行兩次冬小麥產(chǎn)量預(yù)報(bào)業(yè)務(wù)工作，其中省級(jí)預(yù)報(bào)業(yè)務(wù)完成時(shí)間為4月上旬和5月上旬，國(guó)家級(jí)為4月中旬和5月中旬，為了對(duì)省級(jí)和國(guó)家級(jí)產(chǎn)量預(yù)報(bào)業(yè)務(wù)提供數(shù)據(jù)支撐，以4月1日和5月1為起報(bào)日，對(duì)歷史預(yù)報(bào)準(zhǔn)確率進(jìn)行檢驗(yàn)，選擇預(yù)報(bào)準(zhǔn)確率高的處理，在冬小麥產(chǎn)量預(yù)報(bào)業(yè)務(wù)中進(jìn)行應(yīng)用。對(duì)各主產(chǎn)省(市、自治區(qū))和全國(guó)2003—2019年4月1日和5月1日起報(bào)的冬小麥單產(chǎn)預(yù)報(bào)平均準(zhǔn)確率進(jìn)行比較(圖1)，結(jié)果顯示，F(xiàn)5處理的冬小麥單產(chǎn)平均準(zhǔn)確率分別為92.2%和91.7%，為所有結(jié)果最高值和次高值，各區(qū)域平均準(zhǔn)確率標(biāo)準(zhǔn)差分別為2.5和2.7，為最低值和第3低值，說(shuō)明F5處理預(yù)報(bào)準(zhǔn)確率高、預(yù)報(bào)穩(wěn)定性較好，因此確定F5為最優(yōu)的產(chǎn)量預(yù)報(bào)方法。

圖1 各主產(chǎn)省(市，自治區(qū))2003—2019年4月1日和5月1日起報(bào)的平均冬小麥產(chǎn)量預(yù)報(bào)準(zhǔn)確率及其標(biāo)準(zhǔn)差Fig.1 The accuracy and standard deviation of average winter wheat forecast yield of main provinces on April 1st and May 1st from 2003 to 2019

F5處理預(yù)報(bào)方法的預(yù)報(bào)效果檢驗(yàn)中，2003—2019年3月1日、4月1日和5月1日分別作為起報(bào)日，基于WOFOST模型的各主產(chǎn)省(市、自治區(qū))和全國(guó)冬小麥產(chǎn)量預(yù)報(bào)結(jié)果與實(shí)際產(chǎn)量數(shù)據(jù)對(duì)比，準(zhǔn)確率在90%以上的比例為76.6%，具體見(jiàn)表3。

不同起報(bào)日的2003—2019年各主產(chǎn)省(市、自治區(qū))和全國(guó)集成冬小麥平均單產(chǎn)歷史預(yù)報(bào)結(jié)果的平均準(zhǔn)確率見(jiàn)表4，各主產(chǎn)省(市、自治區(qū))平均預(yù)報(bào)準(zhǔn)確率為88.2%～96.4%，全國(guó)平均單產(chǎn)預(yù)報(bào)準(zhǔn)確率為93.9%～95.9%，預(yù)報(bào)效果較好，可在業(yè)務(wù)中進(jìn)行應(yīng)用。其中，主產(chǎn)省中，河北、山東、河南、四川、云南的預(yù)報(bào)準(zhǔn)確率相對(duì)較高，上述省份具有冬小麥農(nóng)試站，在前期基礎(chǔ)工作中，可利用冬小麥生物量、葉面積指數(shù)等觀測(cè)資料進(jìn)行參數(shù)本地化調(diào)整，使得WOFOST模型模擬結(jié)果更接近觀測(cè)值。從逐月平均預(yù)報(bào)準(zhǔn)確率變化來(lái)看，F(xiàn)5處理結(jié)果中預(yù)報(bào)年和上一年均采用實(shí)際觀測(cè)氣象資料和30 a平均氣候值的組合，因此起報(bào)日越早，2 a重復(fù)的氣象數(shù)據(jù)時(shí)段越長(zhǎng)，2 a間生物量模擬值增減幅度越??；隨著后期更多實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)的帶入，2 a間氣象資料的變化增大，生物量模擬值的增減幅度也會(huì)變大。隨著現(xiàn)代農(nóng)業(yè)技術(shù)發(fā)展和作物品種改進(jìn)，冬小麥平均單產(chǎn)呈穩(wěn)步增加的趨勢(shì)，在出現(xiàn)災(zāi)害的年份，通過(guò)防災(zāi)減產(chǎn)措施，減輕災(zāi)害損失，保障糧食產(chǎn)量穩(wěn)定，在氣象條件適宜時(shí)，充分利用氣象資源，則利于冬小麥產(chǎn)量提高，總體上冬小麥平均單產(chǎn)持續(xù)保持較高的水平，波動(dòng)幅度呈逐漸下降的趨勢(shì)；因此F5處理結(jié)果中，前期的預(yù)報(bào)準(zhǔn)確率要略高于后期預(yù)報(bào)準(zhǔn)確率。

利用目前國(guó)家氣象中心業(yè)務(wù)服務(wù)所用的統(tǒng)計(jì)方法“基于歷史產(chǎn)量豐歉影響指數(shù)”(簡(jiǎn)稱(chēng)“產(chǎn)量豐歉指數(shù)”)中的大概率法和加權(quán)法[3-4，15]對(duì)冬小麥主產(chǎn)省(市、自治區(qū))及全國(guó)集成冬小麥平均單產(chǎn)進(jìn)行同時(shí)段歷史預(yù)報(bào)結(jié)果檢驗(yàn)，與基于WOFOST模型的預(yù)報(bào)準(zhǔn)確率進(jìn)行對(duì)比；結(jié)果顯示基于WOFOST模型的全國(guó)集成和大部分省(市、自治區(qū))的產(chǎn)量預(yù)報(bào)準(zhǔn)確率比基于產(chǎn)量豐歉指數(shù)方法的準(zhǔn)確率略偏低，而山西、陜西、安徽則略高，云南、貴州比基于產(chǎn)量豐歉指數(shù)的兩種方法均偏高(圖2)。以冬小麥產(chǎn)量受氣象條件影響較大的河北和山西兩省為例，對(duì)3月31日起報(bào)的冬小麥單產(chǎn)預(yù)報(bào)準(zhǔn)確率歷史檢驗(yàn)結(jié)果分析，兩個(gè)省份基于WOFOST模型預(yù)報(bào)準(zhǔn)確率均呈上升趨勢(shì)，但兩種方法的逐年準(zhǔn)確率都存在一定波動(dòng)性和不穩(wěn)定性(圖3)，其中山西省在2011年以前準(zhǔn)確率波動(dòng)非常明顯，特別是2005年和2009年基于產(chǎn)量豐歉指數(shù)方法的準(zhǔn)確率不到70%，在實(shí)際業(yè)務(wù)中不具有應(yīng)用價(jià)值；這與近年來(lái)冬小麥產(chǎn)量波動(dòng)變小也有一定關(guān)系，氣象條件的差異導(dǎo)致產(chǎn)量發(fā)生變化，根據(jù)歷史相似年產(chǎn)量變化的產(chǎn)量豐歉影響指數(shù)方法可能出現(xiàn)了較大的誤判。

表3 不同預(yù)報(bào)準(zhǔn)確率(T)級(jí)別比重Table 3 Proportion of different forecast accuracy levels

表4 主產(chǎn)省(市，自治區(qū))及全國(guó)不同起報(bào)日冬小麥單產(chǎn)預(yù)報(bào)平均準(zhǔn)確率Table 4 Average predicting accuracy of production forecast in major provinces (municipality,autonomous region) and nationwide in different starting days

圖2 基于WOFOST模型與統(tǒng)計(jì)方法的平均冬小麥產(chǎn)量預(yù)報(bào)準(zhǔn)確率比較Fig. 2 Comparison of average prediction accuracy of winter wheat yield based on WOFOST model and statistical method

圖3 河北省和山西省基于WOFOST模型與統(tǒng)計(jì)方法的逐年冬小麥產(chǎn)量預(yù)報(bào)準(zhǔn)確率Fig.3 The accuracy of winter wheat prediction yield based on WOFOST model and statistical method from 2003 to 2019 in Hebei and Shanxi Province

3 討 論

中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)(CGMS-China)實(shí)現(xiàn)WOFOST等模型區(qū)域化升尺度應(yīng)用，以應(yīng)用在省(市、自治區(qū))級(jí)和全國(guó)尺度；但由于農(nóng)試站數(shù)量有限，觀測(cè)資料歷史序列比較短，針對(duì)全國(guó)范圍，部分站點(diǎn)的產(chǎn)量模擬結(jié)果與實(shí)測(cè)值誤差較大、準(zhǔn)確率偏低，還需要更多基礎(chǔ)資料以及遙感同化資料的應(yīng)用來(lái)進(jìn)一步優(yōu)先參數(shù)，提高站點(diǎn)整體的模擬精確度和準(zhǔn)確性，也更好地適應(yīng)較大尺度和區(qū)域性的應(yīng)用。

WOFOST作物模型可以實(shí)現(xiàn)以日為步長(zhǎng)的冬小麥產(chǎn)量動(dòng)態(tài)預(yù)報(bào)，在空間尺度、動(dòng)態(tài)時(shí)效性上比統(tǒng)計(jì)模型具有優(yōu)勢(shì)。但作物模型模擬作物生長(zhǎng)需要完整描述整個(gè)生育期的氣象數(shù)據(jù)，缺乏預(yù)報(bào)期氣象驅(qū)動(dòng)數(shù)據(jù)是制約作物模型應(yīng)用于產(chǎn)量預(yù)報(bào)的主要瓶頸，前期有學(xué)者利用歷史氣象數(shù)據(jù)集合、相似年數(shù)據(jù)、近10 a或20 a等歷史氣候數(shù)據(jù)來(lái)替代預(yù)報(bào)日之后的逐日數(shù)據(jù)[9-11]，為了提高預(yù)報(bào)精度，未來(lái)研究中將借鑒這些方法來(lái)解決預(yù)報(bào)時(shí)間節(jié)點(diǎn)后的氣象資料替代問(wèn)題，確定既能滿(mǎn)足業(yè)務(wù)應(yīng)用計(jì)算快捷、操作簡(jiǎn)單的需求又能提高預(yù)報(bào)準(zhǔn)確率的資料替代方法。

基于數(shù)理統(tǒng)計(jì)模型和作物模型的作物產(chǎn)量預(yù)報(bào)方法都有一定局限性。統(tǒng)計(jì)預(yù)報(bào)方法建立的產(chǎn)量預(yù)報(bào)模型對(duì)作物的生長(zhǎng)機(jī)理考慮較少，且目前主要應(yīng)用在省級(jí)、主產(chǎn)區(qū)及全國(guó)范圍等大尺度上；而作物模型機(jī)理性強(qiáng)，且以站點(diǎn)為基礎(chǔ)，可以實(shí)現(xiàn)各種空間尺度的應(yīng)用；但部分參數(shù)獲取較難，需做大量的田間試驗(yàn)，且總體預(yù)報(bào)準(zhǔn)確率略低于統(tǒng)計(jì)模型。對(duì)于未來(lái)的作物產(chǎn)量預(yù)報(bào)方法和工作，需要將目前建立的多種產(chǎn)量預(yù)報(bào)方法進(jìn)行組合和集成，充分發(fā)揮各自的優(yōu)勢(shì)，從而建立一套集合預(yù)報(bào)方法。另外，雖然對(duì)于省級(jí)和全國(guó)尺度冬小麥的產(chǎn)量呈穩(wěn)定高產(chǎn)的趨勢(shì)，但近年來(lái)高溫、大風(fēng)、冰雹、局地強(qiáng)降水等極端天氣事件頻繁發(fā)生，對(duì)于一定區(qū)域的農(nóng)作物造成嚴(yán)重影響，氣象災(zāi)害對(duì)冬小麥產(chǎn)量影響的模擬仍需要更深入的研究，在未來(lái)作物模型應(yīng)用與農(nóng)業(yè)氣象業(yè)務(wù)過(guò)程中，需要深入考慮極端天氣及減災(zāi)措施對(duì)產(chǎn)量的影響，進(jìn)一步完善和改進(jìn)預(yù)報(bào)方法。

4 結(jié) 論

本文探討了利用WOFOST作物模型進(jìn)行冬小麥產(chǎn)量動(dòng)態(tài)預(yù)測(cè)的方法，檢驗(yàn)不同空間尺度預(yù)報(bào)效果。對(duì)于站點(diǎn)和縣級(jí)尺度，直接利用WOFOST模型模擬的單位面積冬小麥穗干重作為冬小麥單產(chǎn)的預(yù)測(cè)值；對(duì)于省級(jí)和全國(guó)范圍的冬小麥單產(chǎn)，采用2 a間模擬生物量對(duì)比的相對(duì)方法進(jìn)行動(dòng)態(tài)產(chǎn)量預(yù)測(cè)。冬小麥平均單產(chǎn)歷史預(yù)報(bào)結(jié)果準(zhǔn)確率檢驗(yàn)中，295個(gè)站次冬小麥單產(chǎn)平均準(zhǔn)確率為81.1%，220個(gè)次縣級(jí)冬小麥單產(chǎn)平均準(zhǔn)確率為84.3%，不同站點(diǎn)間冬小麥產(chǎn)量預(yù)報(bào)準(zhǔn)確率差別較大，準(zhǔn)確率低的站點(diǎn)需要進(jìn)一步對(duì)WOFOST模型初始化參數(shù)進(jìn)行校正和優(yōu)化。2003—2019年主產(chǎn)省(市、自治區(qū))和全國(guó)尺度冬小麥單產(chǎn)準(zhǔn)確率分別為88.2%～96.4%和93.9%～95.9%，準(zhǔn)確率較高，且比統(tǒng)計(jì)方法穩(wěn)定性更好，可在冬小麥產(chǎn)量預(yù)報(bào)業(yè)務(wù)中進(jìn)行應(yīng)用。利用WOFOST模型進(jìn)行基于站點(diǎn)尺度的產(chǎn)量預(yù)測(cè)能夠提高冬小麥產(chǎn)量預(yù)報(bào)時(shí)空精細(xì)化能力，也能擴(kuò)展到大尺度區(qū)域應(yīng)用以達(dá)到對(duì)農(nóng)業(yè)決策和宏觀調(diào)控的目的，促進(jìn)作物產(chǎn)量預(yù)報(bào)在空間和時(shí)間尺度上精細(xì)化、動(dòng)態(tài)化的發(fā)展。