引言

近年来，玉米已经成为中国第一大粮食作物(郭焱和朱俊峰，2017)，而东北地区是我国春玉米最主要的产区，已经成为我国重要的商品粮、优质玉米生产加工基地，在全国粮食生产中占有重要的比例(刘志娟等，2017)。吉林省作为东北黑土区腹地和世界三大黄金玉米带之一，玉米产能占全国的12.5%(齐晓宁等，2002；舒坤良等，2017)。定量化评价气象条件对吉林省玉米长势、产量的影响，为决策部门提供科学准确的评估，有着重要的作用。传统的气候适宜度、统计方法等都只考虑了作物发育期与气象条件的关系，而忽视了作物本身的生理特性，存在一定的缺陷。卫星遥感技术和作物模型则较好地兼顾了作物本身的生理特性和气象要素，成为当下先进的评价手段。但是卫星遥感受天空云量、资料获取途径较少的影响，很难进行不同作物、逐日、全国范围内的评价；作物模型则能够模拟光温水、管理措施、养分等对作物生长发育和产量的影响，具有较高的模拟精度(刘布春等，2002; 谢云和Kiniry，2002；罗毅和郭伟, 2008; 李秀芬等，2017)，已经成为现阶段国家级农业气象业务评价中主要的技术方法(王涛等，2010；刘维等，2016；薛昌颖，2016)。

WOFOST(World Food Studies)模型是由荷兰瓦赫宁根大学开发研制并得到广泛应用的机理模型，作为综合作物生长模拟模型，可进行多种作物的生长模拟，该模型在中国具有很好的适用性(Supit et al，1994；谢文霞等，2006；李秀芬等，2013；米津辉等，2014)。WOFOST模型是一个机理性模型，描述作物的基本生理过程，包括光合作用、呼吸作用等，并描述这些过程如何受环境的影响(刘布春等，2006；王石立和马玉平，2008)。该模型可模拟3种不同产量水平，光温限制的潜在产量、光温水限制的雨养产量以及光温水肥限制的产量。它通过逐日气象数据进行驱动，通过土壤、管理和作物参数数据限制和调整作物的生长过程(何亮等，2016；刘维等，2017)。目前的研究大多是利用现有的作物模型，经过试验确定适应当地的本地化参数，利用光温水等气象数据驱动模型进行模拟运算，并将运算结果应用于未来气候情景下产量水平(刘志娟等，2017)、作物长势监测(李秀芬等，2005)、灾害评估(张建平等，2012；栾庆祖等，2014)、产量预报(Wit and Diepen, 2007；黄健熙等，2012)等方面，但针对模型改进的相关研究较少(马玉平等，2005；王锐等，2015)。

在WOFOST模型中，逐日降水量仅在土壤水分平衡过程中协同土壤参数、蒸发等要素计算逐日土壤体积含水量，而实际生产中体积含水量可由田间持水量和逐日土壤相对湿度求得，利用实测土壤相对湿度，可以减少由降水量计算土壤相对湿度时对径流系数、入渗参数误差(王锐等，2015)，提高模型的准确率。目前国内外关于作物模型土壤水分同化的研究较多，应用效果也较好，但大多是利用卫星遥感资料同化的土壤水分参与模型运算(Jin et al，2018)，利用实测的土壤水分则较少。仅王锐等(2015)利用实测的每5天土壤相对湿度，经过线性插值后计算其余4天土壤湿度，来表征逐日的土壤湿度，存在一定的误差。

本文利用吉林省白城站试验数据进行模型参数调整和验证，以白城和榆树站代表吉林省西部玉米种植区和中部黄金玉米带参数，利用农业气象观测站发育期资料、气象资料和经过质量控制后的逐日土壤水分自动站观测数据，在不考虑地表径流和下渗的前提下，利用逐日自动土壤水分站观测数据驱动WOFOST模型，模拟2001—2016年春玉米穗生物量变化状况，构建玉米土壤体积含水量改善率指标(PD)，以此分析降水驱动和土壤水分驱动对作物模型模拟结果的影响。

1 材料与方法 1.1 作物与气象数据

作物数据采用吉林省白城站2007—2011年水分充足供应下的玉米叶面积指数、生物量数据和产量数据等试验数据，包含了2001—2016年白城站统计局玉米产量资料，同时选取2001—2016年吉林中西部玉米主产区全部气象站数据。气象资料为吉林省西部和中部气象站点2001—2016年同期气象数据，包括日辐射、最低气温、最高气温、水汽压、平均风速、降水量等要素。土壤湿度数据来源于国家气象中心农业气象中心经过质量控制的2013—2016年4年自动土壤水分站实时资料(张蕾等，2016)，由于自动土壤水分站从2012年才开始陆续全国设站，因此选择2013年以后数据。模型中使用的土壤参数资料来源于中国科学院南京土壤研究所制作10 km分辨率的中国土壤数据集，包括凋萎系数、田间持水量及饱和含水量等。

1.2 模型参数校准

利用白城2007—2009年田间试验资料进行模型调参，获得各个发育阶段发育速率、干物质分配系数、比叶面积等参数。采用白城2010—2011年观测数据来验证春玉米发育期、叶面积指数、各器官生物量的模拟，进一步评价模型的有效性与适应性。选用国际上通用的指标体系进行模型适应性检验与评价，包括模拟值与实测值的平均值、两者之间的线性回归系数α、模拟值与实测值的线性回归决定系数(R²)、均方根误差(RMSE)、归一化均方根误差(NRMSE)、模拟性能指数(EF)、残差聚集系数(CRM)等(王宗明等，2005；莫志鸿等，2011)，由此反映模型模拟效果。在此基础上利用白城站校准后的参数模拟吉林中西部玉米主产区气象站点。

1.3 方法

WOFOST模型中作为输入端的逐日降水量资料，经过运行后生成逐日的土壤体积含水量，生成的逐日土壤体积含水量将参与下一步作物呼吸消耗、光合作用等的运算。本文中，利用站点观测的逐日实时土壤水分与站点田间持水量计算求出土壤体积含水量，以此来替换模型通过降水量计算的体积含水量，替换后参与模型后续的运算。

吉林玉米主产区主要包括吉林西部玉米区和中部黄金玉米带(图 1)，因此利用白城和榆树站参数分别代表两个区域中的模型参数，白城站模型校准参见本文，榆树站模型校准参见刘维等(2017)已有成果。

由于吉林玉米主产区农业气象观测站数量少于气象站，针对作物模型需要的发育期数据，有玉米观测资料的使用观测资料，没有观测资料的使用临近观测站数据。利用校准后的作物参数，分别模拟由降水量驱动的2001—2016年玉米，获得16年雨养条件下穗生物量模拟历史序列，将16年平均值作为多年均值，再模拟由土壤水分驱动的2013—2016年玉米，将降水驱动、土壤水分驱动与16年平均值对比，构建玉米土壤体积含水量改善率(PD)来表征降水驱动和土壤水分驱动模拟的优劣性，计算如下：

$P{R_{ij}} = \frac{{WS{O_{{\rm{p}}ij}} - \overline {WS{O_\mathit{l}}} }}{{\overline {WS{O_\mathit{l}}} }} \times 100 $

(1)

$S{R_{ij}} = \frac{{WS{O_{{\rm{s}}ij}} - \overline {WS{O_\mathit{l}}} }}{{\overline {WS{O_\mathit{l}}} }} \times 100 $

(2)

$D{R_{\mathit{ij}}} = \sqrt {S{R_{\mathit{ij}}}^2} - \sqrt {P{R_{ij}}^2} $

(3)

$SUMD{R_\mathit{n}} = \left\{ \begin{array}{l} a{\rm{\;\;\;\;\;\;}}\mathit{D}{\mathit{R}_{\mathit{ij}}} > {\rm{0}}\\ b{\rm{\;\;\;\;\;\;}}\mathit{D}{\mathit{R}_{\mathit{ij}}} = 0\\ c{\rm{\;\;\;\;\;\;}}\mathit{D}{\mathit{R}_{\mathit{ij}}} < 0 \end{array} \right. $

(4)

$PD = \frac{{SUMD{R_\mathit{n}}}}{{ij}} \times 100 $

(5)

式中，WSO_pij为降水驱动下穗生物量，WSO_sij为土壤水分驱动下穗生物量，WSO_l为单站多年平均值，单位均为：kg·hm^-2；PR_ij为降水驱动下穗生物量距平百分率，SR_ij为土壤水分驱动下穗生物量距平百分率；DR_ij为不同驱动下距平百分率改善值，其中DR_ij值大于0表示改善值下降，小于0表示提高，等于0表示改善值不变；a、b、c分别表示满足DR_ij数值的条件个数，以SUMDR_n表示；i为玉米站点个数，总共有21站，j为年份数，总共为2013—2016年4年数据。

需要注意的是由于WOFOST模型模拟值本身不是真值，但通过单站16年年模拟可以反映当地不同气象条件对玉米产量的影响，在缺少各站实际产量值的背景下，将模拟的多年平均值作为相对可靠的标准值，通过模型与模型本身对比，以此来表征由降水计算的土壤体积含水量和直接由土壤观测水分计算的体积含水量对模型模拟精度的影响。

2 结果与分析 2.1 发育期与生物量模拟

对发育期参数进行本地化后，以开花期、乳熟期、成熟期为对象，利用WOFOST模型模拟白城2007—2009年春玉米发育期。白城站春玉米在开花期和乳熟期模拟效果好，观测值与模拟值R²为0.999，观测值与模拟值的α为0.978(图 2a)。表明WOFOST模型对白城春玉米发育期模拟精度较高。从白城站2007—2009年的叶面积指数模拟趋势来看，模拟值与实际值较吻合，叶面积指数模拟值与观测值的相关性高，R²达到0.940。从各年看，以2009年白城站为例，穗、茎、叶和地上总生物量实测值和模拟值模型较好(图 2b)。由此表明经过参数化后的WOFOST可以用于白城站模拟。

2.2 模型验证与评价

利用2010—2011年白城站试验资料进行模型验证，由统计分析结果可知(表 1)，对于叶面积指数、地上总生物和叶生物量来说，白城站春玉米α均大于0.8，R²均大于0.86，回归方程效果显著；NRMSE都在0.26以下。从模型EF来看，叶面积、地上部分总生物量和叶生物量分别为在为0.878、0.933 kg·hm^-2和0.906 kg·hm^-2，整体模拟性能较好；CRM分别为0.002、0.105和-0.104，表明模型对三者的模拟基本较准确。

但对于穗生物量来说，观测值与模拟值偏离较大，R²不足0.5，整体EF不足0.6，表明模型对2010、2011年模拟效果不佳。由于模型中当发育进程(DVS)到达2时模拟即结束，但在实际中，成熟期是指大田中50%的春玉米进入成熟期，后期仍然会持续的灌浆，导致模拟与实测存在一定偏差。通过整理生育期资料发现模型在2010年DVS=2时日序为265 d，而实测值日序为271 d时，存在6 d的差异，是导致穗生物量偏差的重要原因。同时，玉米观测中穗重包括了籽粒与穗轴等，而WOFOST模拟的只是籽粒重，仅是实测穗重的一部分，且穗重向籽粒的转换有一定误差(王石立和马玉平，2008；刘维等，2017)，故实测值大于模拟值。同时，试验资料是在白城站水分充足供应的情形下获得的，可以认为是白城站的潜在水平，获得的数据只能针对模型潜在产量进行调参，因此校准与验证采用的是潜在水平，导致穗生物量模拟效果不好。此外，也可能跟种植玉米品种的改变有关。从分析2007—2011年白城模拟效果来看，总体上用调参获得的模型参数可以作为白城站春玉米参数，为下一步用降水和土壤水分模拟雨养条件下生物量提供基础。

2.3 不同地区玉米模拟结果分析

分析2001—2016年降水驱动下吉林中部和西部春玉米穗生物量可以发现(图 3a)，玉米模拟穗生物量年际间波动较大，西部玉米穗生物量明显低于中部黄金玉米带，其中西部穗生物量16年平均值为5708 kg·hm^-2，中部为7031 kg·hm^-2。吉林西部以盐碱土为主，中部以黑土为主(谢佳贵等, 2008)；西部地区平均降水量比中部地区偏少25%(图 3b)，但年内变化趋势基本相同。两个区域穗生物量16年相关系数为0.441，但2008年后相关系数提高到0.858，表明两地区玉米穗生物量相关性较高，在生产管理水平差距不大的情况下，主要是由于土壤性状和降水量差异造成的(杨青华等，2000)。

2.4 白城不同驱动模拟分析

以西部玉米种植区代表站白城为例，由图 4可知，白城站降水驱动下2001—2009年模拟产量年际间波动较大，2010年后平稳上升，但2015年则呈现急剧下降特点，总体来看降水驱动下模拟产量呈现缓慢上升的趋势。穗生物量模拟值与降水量存在明显的正相关性，相关系数为0.780，R²为0.61；降水量大的年份模拟产量也相对较高，以2003、2008、2014年为代表；降水量小的年份模拟产量也较低，以2001、2004、2007、2015年为代表。从穗生物量模拟值与统计局产量来看，两者相关系数为0.619，相关性也较高，表明白城站模拟结果可以反映当地产量水平；其中2001—2010年相关性明显高于2011—2016年，由于统计局产量趋于稳定，而模拟产量受气象要素尤其是降水的影响比重大。分析2013—2016年土壤水分驱动下的模拟值，可以看出在2015年土壤水分驱动下的模拟值更接近16年平均值和统计局产量，模拟明显优于降水驱动的模拟值。

2.5 不同地区不同驱动模拟分析

从表 2可以看出，利用观测的土壤水分驱动模型后，西部地区有42%的样本数PD值变高，有6%的PD值下降，且两者有36%的差异，可见土壤水分驱动比降水驱动能够有效提高模拟精度。分析西部PD值下降的两个站点数据，DR_ij值(>0)分别为5.4%和14.0%，表明该两个站点在土壤水分驱动和降水驱动下两者的区别不大。但对中部地区来说，PD值提高仅比PD值下降的数量高6%，提高程度有限。主要是因为西部地区盐碱土的持水性能比中部地区黑土的持水性能差，该区降水后土壤径流和下渗的水量高于中部地区，用降水计算体积含水量误差将大于土壤实测的体积含水量。这也表明，在盐碱土和沙地上同化土壤水分利于提高模拟精度，在黑土地区同化土壤水分模拟精度提高有限。而在中部黑土为主的地区，降水后土壤径流小、持水性能高，土壤下渗量少，这与实测的土壤相对湿度误差不大，因此在中部地区PD值提高略高于下降。

从区域上来看(图 5)，2015年有两个站点PD下降，而有7个站点上升。2016年有5个站点PD下降，主要分布在中部玉米带；有10个站点上升，西部地区基本上都有不同程度提高。结合降水量可以看出，西部盐碱土地区对降水的敏感性高于中部地区；两区域在降水量少的年型改善率变化不明显，降水量多的年型变化明显；由于降水量少的年型下地表径流和下渗不明显，土壤能够充分保持降雨，因此呈现这一特点。

3 讨论与结论 3.1 讨论

利用白城和榆树站的作物参数代表不同种植区域的统一参数，具有一定的不足；在试验资料有限的情形下，在同一气候区和土壤种植区用同一套参数也有一定的代表性。评价气象条件对玉米生长的情形，可以利用模拟结果同多年模拟平均值和30年平均气象条件下模拟值比较，本文并未采用以1981—2010年30年平均气象条件下的模拟值，正是基于30年平均值下单站每日基本上都有降水量，在这种气象条件下模拟结果近似于作物潜在生物量，并不能反映出不同年型气象条件的差异，因此选择以多年模拟结果的平均值作为基准值。利用逐日土壤水分实时资料，替换由降水计算的体积含水量，能有效提高模型模拟效果，尤其是在降水偏少的年份和以盐碱土为主的地区，由于不同土壤类型对降水的利用效率不同，这是导致降水驱动和土壤水分驱动结果的差异；但是从区域化角度来说本文并未考虑不同土壤类型下，土壤径流和下渗等因素对土壤体积含水量的影响。但从科学研究的角度，在单站点的背景下，同化土壤湿度应该整体考虑模型根部的土壤水分变化情况。

作物模型作为机理模型，能够定量化评价某一时段气象条件对作物生长发育的影响，这是传统统计学模型所欠缺的。国家级以及省级气象业务单位从20世纪90年代就已经开始将其作为评价工具应用于农业气象服务，但大多进展缓慢，这同模型本身有关，作物模型作为单点的使用效果好，但是在区域化应用(王石立和马玉平，2008)、极端灾害评估等方面还是存在着一定的不足。随着科学的发展，作物模型自动化调参、区域土壤性质发布、农业气象观测体系的建立，从站点尺度到区域尺度这些已经不再是制约模型发展的影响因素。但是模型对极端灾害的反映仍然略显不足，比如针对水稻高温灾害，模型参数中以35℃作为临界温度，高于该温度模型就不再进行光合同化，而实际情况中，持续的高温反而有利于水稻的生长，加之抗高温水稻品种的出现，模型就容易出现模拟与实际相反的结果，这也是目前作物模型普遍存在的一个问题。因而，需要在模型设计或改进时考虑到各种极端灾害的影响，增加作物模型对灾害反映的功能，提高模型的模拟效果。

3.2 结论

(1) 通过参数校准与验证后，WOFOST模型对白城站春玉米生育期、叶面积指数、地上部分总生物量和叶生物量模拟较准确，而对穗生物量模拟效果一般。

(2) 利用土壤水分观测站实测数据计算土壤体积含水量，可以替换WOFOST模型中由降水量计算的体积含水量，在不考虑地表径流和下渗的前提下，能够减小模拟误差，显著提高模型模拟精度，同时也能扩展土壤水分观测资料的应用领域。

(3) 用观测土壤水分替换后，在以盐碱土为主的地区或者在降水量偏少的年型下，利用土壤水分驱动效果优于降水驱动；在黑土为主的区域或降水偏多的年型下，两者模拟效果基本接近，土壤水分驱动略优于降水驱动。