刘维,主要从事农业气象业务与科研.Email:
利用吉林省白城站试验数据进行模型参数调整,通过独立的观测资料对生育期、叶面积指数、地上部分各器官生物量进行模拟验证与评价。以白城站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进行模拟。为了提高WOFOST模型模拟精度,将由模型通过降水量计算的土壤体积含水量替换为实测土壤水分计算的体积含水量,采用替换后的土壤体积含水量参与模型下一步运算,以此来模拟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(PD)指标,来表征降水驱动和土壤水分驱动对作物模型模拟结果的影响。结果表明:(1)模型对白城站春玉米生育期、叶面积、地上部分总生物量和叶生物量较准确,而穗生物量模拟效果一般。(2)从代表站白城来看,穗生物量模拟值与降水量存在明显正相关,降水偏少的年份土壤模拟效果明显优于降水驱动。(3)从区域来看,以盐碱土为主的地区或降水量偏少的年型下土壤水分驱动效果优于降水驱动;在以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。(4)总体来说,利用观测土壤水分替换降水量参与模型能够显著提高模型模拟精度。
The experimental data from Baicheng Station, Jilin Province, are used to calibrate the parameters in crop model WOFOST, and the independent observation data including development stages, leaf area index, biomass for each organ are adopted to verify and evaluate the adaption. The parameters from Baicheng and Yushu Stations represent the parameters in the western and central parts of Jilin Province. The developmental phase data, weather data and daily soil moisture data under optimization from automatic soil observation stations are used in the simulation of WOFOST model. To improve the simulation accuracy of WOFOST, the volume content of soil calculated based on precipitation is replaced by the volume content of soil calculated based on the observed soil moisture data, which was used in the next-step computing of model to simulate the biomass from 2001 to 2016. The improvement rate of volume content of soil (PD) is constructed to analyze the different changes by using soil moisture data and precipitation data. The results showed that (1) the model simulation is more accurate for the growth period, leaf area, total biomass and leaf biomass of spring maize at Baicheng Station, while the simulation effect of spike biomass is general. (2) From the perspective of the typical Baicheng Station, there is a significant positive correlation between the simulated value of spike biomass and precipitation, and the simulation effect of soil in years with less precipitation is significantly better than that driven by precipitation. (3) Regionally speaking, the driving effect of soil moisture in regions dominated by saline-alkali soil or with less precipitation years is better than that driven by precipitation. In the region where the soil type is backland and in the year with more precipitation, the simulation results of the two are similar. (4) In general, the WOFOST model can significantly improve the simulation accuracy by replacing precipitation with observed soil moisture.
近年来,玉米已经成为中国第一大粮食作物(
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(
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(
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。
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(
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(
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(
吉林省玉米主产区站点分布和代表性站点
The spring maize stations in Jilin Province and representative stations
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:
式中,
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。
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
2007—2009年白城春玉米开花期、乳熟期和成熟期模拟值与实测值对比(a)和2009年潜在生物量模拟与实测值对比(b)
Validation on the simulated and measured days of anthesis, milkstage and maturity for spring maize in Baicheng during 2007-2009 (a) and comparison between potential simulated and measured days above ground total biomass in 2009 (b)
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(
2010—2011年白城站春玉米叶面积指数、各生物量潜在模拟值与实测值的统计指标
Statistical indicators of simulated and measured LAI and biomass for spring maize in Baicheng
作物变量 | 观测平均值 | 模拟平均值 | ||||||
叶面积指数 | 3.88 | 3.87 | 0.923 | 0.862 | 0.397 | 0.11 | 0.002 | 0.878 |
地上总生物量 | 23746 kg·hm-2 | 20358 kg·hm-2 | 0.801 | 0.975 | 3732 kg·hm-2 | 0.16 | 0.105 | 0.933 |
穗生物量 | 18369 kg·hm-2 | 13111 kg·hm-2 | 0.499 | 0.909 | 3469 kg·hm-2 | 0.18 | 0.108 | 0.558 |
叶生物量 | 2219 kg·hm-2 | 2451 kg·hm-2 | 0.834 | 0.939 | 478 kg·hm-2 | 0.21 | -0.104 | 0.906 |
但对于穗生物量来说,观测值与模拟值偏离较大,
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(
2001—2016年吉林西部和中部雨养下春玉米穗生物量模拟(a)和5—9月累计降水量(b)
Simulated biomass for spring maize within precipitation in west and middle parts of Jilin Province (a) and total precipitation from May to September in 2001-2016 (b)
以西部玉米种植区代表站白城为例,由
2001—2016年白城站春玉米降水驱动和土壤水分驱动穗生物量模拟、统计局产量及5—9月累计降水量
Simulated biomass for spring maize within precipitation and soli water, yield and total precipitation from May to September in Baicheng in 2001-2016
从
2013—2016年吉林春玉米产区穗生物量土壤体积含水量改善率
The improvement rate of volume content of soil of simulated biomass for spring maize in Jilin Province from 2013 to 2016
区域 | 样本数/个 | PD下降/% | PD不变/% | PD提高/% | |||
西部 | 2 | 19 | 15 | 36 | 6 | 53 | 42 |
中部 | 10 | 25 | 13 | 48 | 21 | 52 | 27 |
主产区 | 14 | 44 | 26 | 84 | 17 | 52 | 31 |
从区域上来看(
2015年(a)和2016年(b)吉林省春玉米土壤体积含水量改善率(单位:%)
The improvement rate of volume content of soil for spring maize in Jilin Province in 2015 (a) and 2016 (b) (unit: %)
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(
(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。
郭焱, 朱俊峰, 2017.我国玉米生产的时空特征分析[J].农业经济与管理, (1):17-24.
何亮, 侯英雨, 赵刚, 等, 2016.基于全局敏感性分析和贝叶斯方法的WOFOST作物模型参数优化[J].农业工程学报, 32(2):169-179.
黄健熙, 武思杰, 刘兴权, 等, 2012.基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测[J].农业工程学报, 28(4):142-148.
李秀芬, 马树庆, 宫丽娟, 等, 2013.基于WOFOST的东北地区玉米生育期气象条件适宜度评价[J].中国农业气象, 34(1):43-49.
李秀芬, 马树庆, 姜丽霞, 纪瑞鹏, 刘静, 李兴华, 韩俊杰, 周永吉, 2017.两种常用的春玉米干旱等级指标在东北区域的适用性检验[J].气象, 43(11):1420-1430.
李秀芬, 王育光, 季生太, 等, 2005.作物长势监测系统(CGMS)在黑龙江省的应用[J].中国农业气象, 26(3):155-157.
刘布春, 刘文萍, 梅旭荣, 等, 2006.我国农业气象业务引入作物生长模型的前景[J].气象, 32(12):10-15.
刘布春, 王石立, 马玉平, 2002.国外作物模型区域应用研究进展[J].气象科技, 30(4):193-203.
刘维, 侯英雨, 吴门新, 2016.基于WOFOST模型的2014年河南省干旱对夏玉米产量的预估[J].中国农学通报, 32(36):146-151.
刘维, 侯英雨, 吴门新, 等, 2017.WOFOST模型在东北春玉米产区的验证与适应性评价[J].气象与环境科学, 40(3):7-13.
刘志娟, 杨晓光, 吕硕, 等, 2017.东北三省春玉米产量差时空分布特征[J].中国农业科学, 50(9):1606-1616.
栾庆祖, 叶彩华, 莫志鸿, 等, 2014.基于WOFOST模型的玉米干旱损失评估:以北京为例[J].中国农业气象, 35(3):311-316.
罗毅, 郭伟, 2008.作物模型研究与应用中存在的问题[J].农业工程学报, 24(5):307-312.
马玉平, 王石立, 张黎, 2005.针对华北小麦越冬的WOFOST模型改进[J].中国农业气象, 26(3):145-149.
莫志鸿, 冯利平, 邹海平, 等, 2011.水稻模型ORYZA2000在湖南双季稻区的验证与适应性评价[J].生态学报, 31(16):4628-4637.
齐晓宁, 王洋, 王其存, 等, 2002.吉林玉米带的地位与发展前景[J].地理科学, 22(3):379-384.
舒坤良, 吴迪, 徐晓红, 等, 2017.玉米结构调整:实践、困境与政策支持——基于吉林省的分析[J].玉米科学, 25(2):142-147.
王锐, 李亚飞, 张丽娟, 等, 2015.土壤湿度驱动WOFOST模型及其适应性[J].中国农业气象, 36(3):263-271.
王石立, 马玉平, 2008.作物生长模拟模型在我国农业气象业务中的应用研究进展及思考[J].气象, 34(6):3-10.
王涛, 吕昌河, 于伯华, 2010.基于WOFOST模型的京津冀地区冬小麦生产潜力评价[J].自然资源学报, 25(3):475-487.
王宗明, 张柏, 宋开山, 等, 2005.CropSyst作物模型在松嫩平原典型黑土区的校正和验证[J].农业工程学报, 21(5):47-50.
谢佳贵, 王立春, 尹彩侠, 等, 2008.吉林省不同类型土壤玉米施肥效应研究[J].玉米科学, 16(4):167-171.
谢文霞, 王光火, 张奇春, 2006.WOFOST模型的发展及应用[J].土壤通报, 37(1):154-158.
谢云, Kiniry J R, 2002.国外作物生长模型发展综述[J].作物学报, 28(2):190-195.
薛昌颖, 2016.基于作物模型的河南省旱稻干旱风险评估[J].气象与环境科学, 39(2):126-131.
杨青华, 高尔明, 马新明, 等, 2000.不同土壤类型对玉米干物质积累动态及其分布的影响[J].玉米科学, 8(1):55-57.
张建平, 王春乙, 赵艳霞, 等, 2012.基于作物模型的低温冷害对我国东北三省玉米产量影响评估[J].生态学报, 32(13):4132-4138.
张蕾, 吕厚荃, 王良宇, 等, 2016.中国土壤湿度的时空变化特征[J].地理学报, 71(9):1494-1508.
朱津辉, 郭建茂, 毛留喜, 2014.基于WOFOST模型的河北省保定市冬小麦最佳灌溉方案研究[J].气象, 40(11):1398-1407.
Jin Xiuliang, Kumar L, Li Zhenhai, et al, 2018.A review of data assimilation of remote sensing and crop models[J].Eur J Agron, 92:141-152.
Supit I, Hooyer A A, van Diepen C A, 1994.System Description of the WOFOST 6.0 Crop Simulation Model Implemented in CGMS.Volume 1: Theory and Algorithms[M].Luxembourg: Joint Research Centre, Commission of the European Communities: 1-144.
de Wit A J W, van Diepen C A, 2007.Crop model data assimilation with the ensemble Kalman filter for improving regional crop yield forecasts[J].Agric Forest Meteor, 146(1/2):38-56.