格點天氣預報數據與機理模型耦合的冬小麥干旱預警方法

何 亮 錢者東 靳 寧 于 強,4 侯英雨

(1.國家氣象中心農業氣象中心， 北京 100081； 2.生態環境部南京環境科學研究所， 南京 210042；3.西北農林科技大學黃土高原土壤侵蝕與旱地農業國家重點實驗室， 陜西楊凌 712100；4.悉尼科技大學生命科學學院， 悉尼 NSW 2007)

0 引言

干旱是一種發生頻率高、持續時間長、影響范圍廣的自然災害，全球超過一半的國家和地區遭受干旱的威脅[1-2]。干旱是對我國農業生產影響最嚴重的氣象災害，平均每年受旱面積約為2 117萬hm2，占氣象災害的60%左右，因旱災損失的糧食約占全國糧食損失總量的50%[3-5]。加強對農業干旱發生、發展規律的研究，開展有效的農業干旱監測和預警，對保障糧食安全具有重要的現實意義。

農業干旱預警根據農業干旱的成因和發生規律，分析前期的干旱程度，通過選擇適用的預警指標，對研究區的氣象、土壤、作物生長情況等因子變化進行監測，對干旱發展的各個階段進行早期辨識，并且結合未來的天氣變化，預測未來農業干旱發生的時間、范圍和強度，發布干旱開始、 發展、 緩解、結束等不同發展階段預警[1,6-9]。目前國內外具有代表性的干旱預警和監測系統有美國的干旱監測系統(United States drought monitor, USDM)，它由美國國家旱災減災中心、美國國家海洋和大氣管理局、美國農業部共同創建；其干旱產品基于氣候、水文、土壤和遙感等觀測產品制作而成。我國的干旱監測預警系統主要包括國家氣候中心的氣象干旱監測、國家氣象中心農業氣象中心的農業干旱監測、中國科學院遙感與數字地球研究所發布的遙感干旱監測[10]等。同時，若干省級氣象部門也有一些區域的干旱監測和預警系統研發[11-13]。從研究層面，眾多學者利用氣候模式或數值預報信息直接與干旱指數[14]、水文模型[15]、農業氣象模型[16]方法來進行干旱預警，這些是近些年干旱監測和預警領域研究的熱點[17-19]。劉建棟等[16]和鄔定榮等[20]構建小麥葉片光合模型結合區域氣候模式對冬小麥進行干旱監測和預警。從上述研究可知，其主要側重對過去或實時的干旱監測，利用精細化的天氣預報進行未來大范圍干旱預警研究較少見。當前系統對地面具體作物生長狀況監測不足。國家氣象中心于2016年開始發布空間分辨率為5 km的未來10 d的全國高精度格點預報要素產品。其次，隨著中國氣象局土壤水分自動觀測網絡的建立，利用土壤水分動態模型嵌套未來格點天氣預報來預估未來土壤水分動態成為可能。

本研究以北方冬小麥區為例，在全國高精度格網天氣預報、土壤水分自動觀測、農業氣象物候觀測數據的基礎上，結合目前國家級農業氣象干旱監測系統，建立冬小麥土壤水分動態預報系統；在土壤水分預報的基礎上，結合農業干旱等級標準，進行冬小麥干旱預警。

1 材料與方法

1.1 土壤水分預報模型

本研究土壤水分預報模型參考WOFOST作物模型的土壤水分模塊[21]和PANIGRAHI等[22]研發的土壤水分動態模型。如圖1所示，作物土壤層被分成2層：根際層和根際下層，根際層是作物根生長的活動層，隨著根生長而變深。根際層的日土壤水分平衡方程為

SiRi=Si-1Ri-1+Pi+Ii+ΔRiSo,i-Di-Ea,i-Qi

(1)

式中Si——第i天的根際層土壤水分含量，mm/cm

Ri——第i天根深，cm

Si-1——第i-1天的根際層土壤水分含量，mm/cm

Ri-1——第i-1天根深，cm

Pi——第i天降水量，mm

Ii——第i天灌溉量，mm

ΔRi——第i天日根增長長度，cm

So,i——第i天根際下層的土壤水分含量，mm/cm

Di——第i天滲漏到根際下層的滲漏量，mm

Ea,i——第i天實際蒸散量，mm

Qi——第i天表面徑流量，mm

i——播種后時間，d

圖1 土壤水分動態模型框架圖Fig.1 Frame diagram of soil moisture dynamic model

土壤水分平衡方程必須滿足以下假設：降水和灌溉是均勻直接地滲入到土壤，不考慮植物截留；土壤水分在土壤中為均勻分布；由于冬小麥區地下水位較低，因此不考慮土壤毛細吸水。

1.1.1滲漏

日滲漏到根際下層的滲漏量計算公式為

Di=Pi+Ii-Qi-(FC-Si-1)Ri-1+
(FC-So,i-1)ΔRi

(2)

式中FC——田間持水量，mm

根際下層的土壤水分含量取決于根際層滲漏的水量，即

(3)

當So,i大于田間持水量時，水分會從根際下層滲漏，此時根際下層的水分含量為田間持水量，深層滲漏量為

Do,i=(FC-So,i)(Rm-Ri)

(4)

式中Do,i——第i天的深層滲漏量，mm

當根深等于最大根深時，此時沒有根際下層，So,i為0。

1.1.2根深模擬

采用文獻[23]的方法計算根深

Ri=Rm(0.5+0.5sin(3.03t/tm-1.47))

(5)

式中tm——根生長總周期，d

t——當前根生長時間，d

1.1.3徑流

根據文獻[24]的徑流估算公式得

(6)

式中Sr——潛在最大截留量，mm

1.1.4實際蒸散量

在充足的土壤水分條件下，作物潛在蒸散量計算式為

EP,i=Kc,iEo,i

(7)

式中EP,i——第i天的作物潛在蒸散量，mm

Kc,i——第i天的作物系數，不同發育階段的冬小麥作物系數如表1所示

Eo,i——第i天參考作物蒸散量，mm，其估算方法為Peman-Moneith方法[25]

實際土壤蒸散量計算公式為

(8)

式中WP——土壤凋萎系數，mm

p——土壤水分消耗因子，與作物類型有關

表1 冬小麥各月作物系數Tab.1 Crop coefficient of winter wheat in different months

1.2 格點天氣預報數據和預處理

國家氣象中心國家天氣預報數據庫(National weather forecast database， NWFD)自2016年開始，自上而下發布的未來10 d的全國高精度天氣預報要素產品，包括最高溫度、最低溫度、降水量、云量、風速等要素，空間分辨率為5 km，空間范圍為0°～60°N，70°～140°E，降水量和溫度等要素的時間分辨率都可達到逐時。因土壤墑情預報模型要求輸入的氣象要素為最低氣溫、最高氣溫、相對濕度、風速、降水量和總輻射等資料，根據文獻[26]提出的利用溫差法計算太陽輻射的公式為

(9)

式中Rs——太陽總輻射，MJ/(m2·d)

Ra——天頂輻射，MJ/(m2·d)

Tmax——日最高氣溫，℃

Tmin——日最低氣溫，℃

KRS——調整系數，取0.16～0.19

1.3 土壤自動觀測站數據和土壤屬性數據

本研究用到北方冬小麥區660個土壤水分自動觀測站的數據，其站點分布如圖2所示。土壤水分數據采集時間頻率為逐小時，采集深度0～100 cm，一般測定深度為0～10 cm、10～20 cm、20～30 cm、30～40 cm、40～50 cm、50～60 cm、70～80 cm、90～100 cm共8個層次。本研究采用08：00的數據作為每日的土壤水分含量觀測，由于土壤水分預報模型中只區分根際層和根際下層，利用不同深度的平均土壤水分含量計算得到根際層深度的土壤水分含量。

1.4 農業氣象觀測數據

189個北方冬小麥農業氣象觀測站和試驗站觀測分布如圖2所示，主要包括冬小麥物候實時監測數據，觀測的發育期有播種、出苗、三葉、分蘗、越冬、返青、起身、拔節、孕穗、抽穗、開花、乳熟、成熟期。由于在土壤水分預報模型中需要用到作物系數，其與作物發育期有關，作物實時觀測的物候主要用于土壤水分預報模型中的作物系數計算。由于農業氣象觀測站的數量與土壤自動觀測數據的數量不一致，在沒有農業氣象觀測的土壤水分觀測站的物候采用最鄰近的農業氣象物候觀測站的數據。

圖2 北方冬小麥區農業氣象觀測站和土壤水分自動觀測站分布Fig.2 Distribution of agro-meteorological stations and automatic soil moisture monitoring stations for winter wheat

1.5 干旱等級標準

土壤干旱等級標準參照GB/T 32136—2015[27]農業干旱等級標準，如表2所示。

表2 基于土壤相對濕度(Rsm)的干旱等級Tab.2 Drought grades based on soil relative moisture index

1.6 整體算法流程

整體算法流程如圖3所示，從中國農業氣象業務系統(Chinese agricultural meteorology service system，CAgMSS)農業氣象土壤自動觀測站數據庫提取當天的土壤水分觀測數據，作為土壤水分平衡模型的初始輸入數據；從土壤水力參數數據庫讀取土壤田間持水量和凋萎系數等參數；從CAgMSS作物發育期數據庫提取當前作物發育期，計算作物系數，作為土壤水分平衡模型的輸入；從NWFD格點天氣預報數據讀取未來10 d預報數據，經過轉換得到土壤水分平衡模型需要的驅動數據；土壤水分平衡模型預測未來10 d的土壤濕度；根據土壤預測濕度和干旱預警等級標準，得到最后干旱預警等級。整個冬小麥干旱預警系統的數據處理、土壤水分動態模擬模塊、結果輸出可視化都用R語言開發。

圖3 冬小麥干旱預警系統算法流程Fig.3 Flow chart of drought early warning system for winter wheat

1.7 預報準確率檢驗方法

本研究的土壤相對濕度預報準確率以土壤相對濕度預測值和實測值之間的均方根誤差(Root mean square error, RMSE)和預報與觀測線性擬合方程的決定系數R2(Determination coefficient)來進行評價。土壤干旱等級準確率為預報的某一干旱等級樣本數與實際干旱等級相符數占該等級總樣本數百分比。均方根誤差計算公式為

(10)

式中E——均方根誤差，%

n——樣本數量

si——土壤相對濕度預測值，%

oi——土壤相對濕度觀測值，%

2 結果與分析

2.1 未來10 d墑情預報準確率

以2018年4—5月2個月為實例，分析了土壤相對濕度和干旱等級預報的準確率情況。利用逐日預報未來10 d的土壤相對濕度和實測的墑情進行對比分析，表3為未來10 d土壤相對濕度預報的準確率，從表3可知，土壤相對濕度絕對值的R2在0.63～0.91之間，RMSE在5.6%～18.2%之間，預報時效越臨近，其R2和RMSE越大，即準確率越高。

表3 2018年4—5月未來10 d土壤相對濕度預報值準確率Tab.3 Accuracy of soil relative moisture forecast in future 10 days from April to May of 2018

2.2 未來10 d干旱等級預報準確率

4—5月的土壤干旱等級預報準確率如表4所示，從預報時效看，監測時間越短其準確率越高；從不同的干旱等級預測準確率看，對于干旱等級較高的重旱和特旱預報準確率較高，輕旱和中旱的預報準確率略低。

表4 2018年4—5月未來土壤干旱等級預報準確率Tab.4 Accuracy of soil moisture drought grades forecast in next 10 days from April to May of 2018 %

2.3 應用示例

自2018年4月28日起預報未來10 d的土壤相對濕度和土壤干旱等級結果如圖4和圖5所示。4月29日陜西省、甘肅省局部有輕旱，由于持續幾天預報不下雨，干旱面積逐漸擴大，到5月8日，陜西省、甘肅省東部等地輕旱面積擴大，并且局部出現中旱、重旱和特旱。從圖4和圖5可以看出，本文構建的土壤預報系統可以對土壤墑情動態變化進行較好地預測，可對土壤干旱等級進行動態預報，為農業干旱進行預警。

圖4 2018年4月28日對未來10 d冬小麥區根際層土壤相對濕度的預報Fig.4 Forecast of soil relative moisture in future 10 days in winter wheat zone on Apr. 28th, 2018

圖5 2018年4月28日對未來10 d冬小麥干旱等級預警Fig.5 Early warning of winter wheat drought grade in future 10 days on Apr. 28th, 2018

3 討論

從模型的構建來看，本研究的土壤水分預報模型從土壤水分平衡的角度出發，結合了作物根系生長，充分考慮了作物的根系吸水情況。但考慮到冬小麥區的地下水深度較大，因此未將地下水納入到土壤水分平衡模型中。整個土壤水分預報模型結合了發育期的觀測，充分考慮了作物的發育期，來優化蒸發模塊中的作物系數，相比純粹利用作物模型，本文充分利用了觀測資料，有利于減少發育期模擬的誤差。土壤分層借鑒了WOFSOT主流模型的根系層和根系下層這種簡化的土壤分層，相比利用RICHARD方程等復雜的土壤物理模型更加簡化，有利于提高模型運算的效率。

相比其他土壤水分預報模型或干旱預警模型而言，本研究利用了最新的高分辨率格點要素天氣預報，正是由于該預報產品的出現，驅動土壤水分機理預報模型，使得土壤水分動態機理預報成為可能。相比傳統的統計預報，該方法充分考慮了土壤水分動態、作物吸水等條件。

干旱預警時間越短，其準確率越高，這主要是由天氣預報準確率決定的，天氣要素預報時間越短，其準確率也越高。預警系統的不確定性，即土壤相對濕度預報的不確定性主要來源有兩方面：①預報數據的精度或不確定性。②土壤預報模型的誤差。本文模型利用逐日的土壤水分含量作為初始場，有利于減少模型運行時間變長帶來的累積誤差。但是模型預報的準確率依賴于天氣定量預報的準確性，尤其是定量預報降水的精度。總而言之，本研究結合土壤水分平衡理論，初步自主構建了土壤水分動態預報模型，是作物模型的重要組成部分之一，為以后開展自主作物模型研究奠定了基礎。利用該模型，基本可以對北方冬小麥區進行未來10 d的土壤水分動態預報和土壤干旱等級預警。

該預報模型本質還是一個基于站點的模型，運用到空間中需要空間的土壤水分監測，未充分發揮格點天氣預報的優勢，未來需要結合遙感土壤水分、機理模型、未來天氣預報等要素進行格點化土壤水分預報。

4 結束語

利用未來10 d的高分辨率格點天氣預報要素，構建了基于機理的土壤水分預報模型，利用土壤自動水分觀測、未來天氣預報、作物發育期實測觀測數據，驅動土壤水分預報模型，對北方冬小麥區域進行了土壤水分預報和干旱等級預警，結果表明，該系統基本滿足冬小麥干旱預警需求，對國家級大范圍農業干旱監測和預警業務是有益的補充。