基于WOFOST模型的華北冬小麥動態(tài)長勢評估指標(biāo)構(gòu)建

鄭昌玲，侯英雨，吳門新，張 蕾

(國家氣象中心，北京 10081)

作物模型能對作物重要生理生態(tài)過程及其與氣象、土壤等環(huán)境條件的關(guān)系進行數(shù)值模擬，能夠從機理上定量地描述作物生長過程及其與環(huán)境因素之間的關(guān)系，被廣泛應(yīng)用于作物生長機理研究和農(nóng)業(yè)生產(chǎn)管理中。在眾多作物模型中，荷蘭瓦赫寧農(nóng)業(yè)大學(xué)的作物生長模擬模型WOFOST具有較強的機理性，在世界各地得到了廣泛應(yīng)用，具有較好的普適性[1-6]。WOFOST模型是根據(jù)氣象和土壤條件模擬作物根、莖、葉和穗生物量以及土壤水分的動態(tài)模型，以天為步長模擬1年生作物的生態(tài)生理過程，主要包括同化作用、呼吸作用、蒸騰作用、干物質(zhì)累積分配以及這些過程如何受環(huán)境的影響等；模型能夠?qū)ψ魑镞M行潛在、水分和營養(yǎng)限制條件下的三種水平的產(chǎn)量模擬，計算過程主要通過氣候、作物、土壤3個模塊完成；在過去的幾十年里，WOFOST作物模型已經(jīng)被用于多個方面，例如分析產(chǎn)量風(fēng)險、年際間產(chǎn)量變化以及土壤狀況、氣象條件、作物品種、耕作制度對產(chǎn)量的影響[4-8]。21世紀(jì)初開始，國內(nèi)專家學(xué)者針對WOFOST模型對冬小麥、玉米等作物的適應(yīng)性和參數(shù)優(yōu)化[9-12]、作物產(chǎn)量預(yù)測[13-17]和氣象條件及災(zāi)害影響評估方面[18-23]進行許多相關(guān)研究,取得了較好效果。

作物長勢是指作物的生長狀況與趨勢，可以用個體和群體特征來描述，包括個體特征參數(shù)、群體特征參數(shù)和綜合參數(shù)(葉面積指數(shù))；通過作物長勢的監(jiān)測可及時了解作物的生長狀況、肥力、病蟲害及作物營養(yǎng)狀況，可為田間管理提供及時的決策支持信息和早期估產(chǎn)提供依據(jù)。目前，對于農(nóng)作物長勢監(jiān)測的手段，大范圍采用的是衛(wèi)星遙感監(jiān)測，小面積主要是人為實地觀察及正在興起的機器視覺和遠(yuǎn)程監(jiān)控方法監(jiān)測[24-25]，而基于地面資料的區(qū)域范圍冬小麥長勢監(jiān)測和評估方法的研究和應(yīng)用較少。

冬小麥?zhǔn)侵袊?大糧食作物之一，其種植面積占全國糧食作物總面積的18%～24%。地上生物量和葉面積指數(shù)是反映小麥長勢的主要參數(shù)，是預(yù)測小麥產(chǎn)量和收益的關(guān)鍵因素之一，也是評價農(nóng)作區(qū)生態(tài)狀況的重要指標(biāo)。作物模型可以定量估算作物生長趨勢和生物量的變化，機理性、實時性和動態(tài)性強，已成為農(nóng)業(yè)生產(chǎn)定量評價的重要手段之一。本研究利用WOFOST模型，構(gòu)建基于模型主要輸出要素地上部總生物量(TAGP)和葉面積指數(shù)(LAI)的華北平原冬小麥長勢評估指標(biāo)，嘗試研發(fā)基于地面觀測資料的區(qū)域尺度的作物長勢監(jiān)測和評估技術(shù)。

1 材料和方法

1.1 研究資料

研究區(qū)域為華北平原冬小麥主產(chǎn)區(qū)，包括河北省、山東省和河南省；區(qū)域內(nèi)包括中國氣象局354個氣象站、68個農(nóng)業(yè)氣象觀測站，以及河北固城、河南鄭州和山東泰安3個農(nóng)業(yè)氣象試驗站(簡稱農(nóng)試站)。模型主要輸入氣象數(shù)據(jù)為2001-2016年的氣象站6個要素的逐日資料，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、日太陽總輻射量；其中日太陽輻射數(shù)據(jù)由公式(1)計算[26]，其他氣象要素均為氣象觀測站直接獲取。作物參數(shù)輸入數(shù)據(jù)來源于農(nóng)業(yè)氣象觀測站的2009-2013年冬小麥生育時期及單產(chǎn)的觀測數(shù)據(jù)，以及農(nóng)試站不同生育時期冬小麥莖、葉、貯存器官的干物質(zhì)量和實測LAI等生長率參數(shù)；土壤參數(shù)輸入數(shù)據(jù)來源于中國氣象局土壤水分自動觀測站和中國科學(xué)院南京土壤研究所制作的10 km分辨率中國土壤數(shù)據(jù)庫。

Rs=(a+bn/N)*Ra

式中，n和N分別為日照時數(shù)和日長，Rs和Ra分別為日太陽總輻射和晴天狀態(tài)下日總輻射，a、b為系數(shù)，隨區(qū)域、季節(jié)的變化而變化。根據(jù)2004-2012年華北地區(qū)太陽輻射觀測站的太陽總輻射與日照時數(shù)，通過最小二乘法模擬每一個站每旬的a、b值，然后根據(jù)最近原則，推算每一個作物觀測站的對應(yīng)值。

1.2 WOFOST冬小麥模型作物參數(shù)本地化、區(qū)域化和適用性分析

利用農(nóng)業(yè)氣象觀測站的冬小麥生育期資料和氣象資料，分別計算了播種至出苗、出苗至開花、開花至成熟階段的有效積溫，然后計算其算術(shù)平均值作為作物參數(shù)中的TSUMEM(播種-出苗的積溫)、TSUM1(出苗-開花期的積溫)、TSUM2(開花-成熟期的積溫)。利用固城、鄭州、泰安等農(nóng)業(yè)氣象試驗站冬小麥試驗觀測資料確定了SLATB(比葉面積)、FLTB、FSTB、FOTB(地上干物質(zhì)中葉、莖、穗的分配系數(shù))等參數(shù)；通過調(diào)試和查閱文獻對其他作物參數(shù)(RGRLAI葉片相對最大生長速率，CLV、CVO、CVR、CVS地上器官同化物轉(zhuǎn)移系數(shù)，AMAXTB葉片最大CO2同化速率，EFFTB葉片光能利用率)進行校正，剩余參數(shù)則采用模型缺省值。

鑒于模型區(qū)域尺度應(yīng)用目的，參數(shù)應(yīng)在一定地域范圍內(nèi)具有較好的代表性，同時考慮到生育參數(shù)與環(huán)境密切相關(guān)，具有明顯的空間屬性特征，而且與品種熟性相對應(yīng)，因此本研究采用在單點驗證基礎(chǔ)上按生育參數(shù)劃分區(qū)域，各分區(qū)取一套生育參數(shù)。利用華北黃淮地區(qū)農(nóng)業(yè)氣象觀測站分別確定各站點不同發(fā)育階段的累積溫度多年平均值，結(jié)合地形、氣候、品種熟性分布和各地區(qū)的產(chǎn)量水平，將華北三個冬小麥主產(chǎn)省劃為8個小區(qū)(圖1)。

圖1 華北冬小麥主產(chǎn)區(qū)參數(shù)分區(qū)

為了確定目前WOFOST模型對華北平原冬小麥的適用效果，根據(jù)已修訂的參數(shù)，以在華北麥區(qū)的農(nóng)業(yè)氣象試驗站(河北固城站、山東泰安站、河南鄭州站)作為代表站，利用固城站2010/2011年度、鄭州站2011/2012和2012/2013年度、泰安站2011/2012、2012/2013年度的冬小麥田間試驗資料，以冬小麥生育期、葉面積指數(shù)、地上器官(葉、莖、穗)重、地上總生物量為目標(biāo)，通過對模型模擬結(jié)果與實際觀測值的比較，進行模型的適應(yīng)性和獨立性檢驗，對WOFOST冬小麥模型在華北平原地區(qū)的適應(yīng)性進行評估。

1.3 冬小麥長勢動態(tài)評估方法

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穩(wěn)定的情況下，氣象條件是直接影響作物生長發(fā)育及產(chǎn)量形成的主要因素。以氣象條件為驅(qū)動，利用WOFOST作物模型模擬的不同年份生物量動態(tài)累積過程及不同時段生物量動態(tài)累積過程及最終生物量與歷史同期平均(同期平均氣候下)生物量的對比，經(jīng)過統(tǒng)計分析，評價作物生育期內(nèi)各時段或全生育期長勢情況。

1.3.1 平均生物量模擬

平均氣候條件下的模擬生物量是評價的基礎(chǔ)和標(biāo)準(zhǔn)，本研究采取先模擬后平均的方法[27]。利用2001-2016年內(nèi)逐日氣象資料、作物初始信息驅(qū)動作物模型，模擬逐年度冬小麥生長季內(nèi)逐日輸出要素值，選定地上部總生物量(TAGP)、葉面積指數(shù)(LAI)作為評估指標(biāo)，并計算其生長季內(nèi)逐日的15年平均生物量(AT)。

1.3.2 構(gòu)建冬小麥長勢動態(tài)評估指標(biāo)

以冬小麥逐年生物量或葉面積指數(shù)與15年平均值的距平百分率(Ft)作為對冬小麥長勢評估的指數(shù)；根據(jù)2001-2016年Ft的歷史數(shù)據(jù)統(tǒng)計概率分布，確定不同時段基于TAGP和LAI的評估指標(biāo)。WOFOST模型可以模擬冬小麥從出苗至成熟期間逐日生物量，因此理論上可以計算逐日的Ft序列。結(jié)合冬小麥關(guān)鍵生長階段和農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)需求，選擇冬小麥長勢評估時間節(jié)點為12月15日(冬季停止生長)、2月28日(返青)、3月31日(拔節(jié))、4月30日(灌漿)及成熟期；計算各個時間點的TAGP和LAI所有站點15年的距平百分率(Ft)；考慮數(shù)據(jù)的有效性，對各時段數(shù)據(jù)進行基于偏度系數(shù)(g1)和峰度系數(shù)(g2)的正態(tài)分布檢驗。在進行正態(tài)分布檢驗后的各時間點的Ft數(shù)據(jù)系列進行概率統(tǒng)計分析，根據(jù)概率分布情況構(gòu)建冬小麥長勢評估指標(biāo)(D)。根據(jù)國家氣象中心農(nóng)業(yè)氣象業(yè)務(wù)需求，研究中評估指標(biāo)(D)設(shè)置為5個等級，其中“長勢差”和“旺長”分別為最低和最高的15%，“長勢正常”為中間的40%，“長勢偏差”和“長勢偏好”的比例分別為比中間值偏低和偏高的15%(表1)。

表1 冬小麥苗情長勢評估等級設(shè)置Table 1 Evaluation grade setting of winter wheat seedling growth

2 結(jié)果與分析

2.1 WOFOST模型模擬效果檢驗

2.1.1 模型生育期和葉面積指數(shù)模擬效果檢驗

在對河北固城、河南鄭州和山東泰安代表站生育期參數(shù)進行調(diào)試后，以冬小麥的三葉、分蘗、拔節(jié)、抽穗、開花、乳熟、成熟期為對象，利用WOFOST冬小麥模型進行模擬。從模擬結(jié)果來看，WOFOST模型模擬值與實測值吻合度高，兩者接近1∶1直線，決定系數(shù)R2達(dá)到0.997 4(n=35)，線性回歸系數(shù)接近1，回歸效果極顯著 (P<0.001)；生育期模擬誤差絕對值平均為 3.7 d(圖2)，表明模型對冬小麥生育期的模擬精度高，性能好。

圖2 河北固城、河南鄭州和山東泰安冬小麥 生育期(日序)模擬值與實測值對比

對葉面積指數(shù)(LAI)的觀測值與WOFOST模型的模擬值進行比較，結(jié)果表明，二者動態(tài)變化趨勢一致，模擬均值(3.4)與實測均值(3.7)接近(圖3)。經(jīng)t檢驗，二者無顯著性差異。線性回歸決定系數(shù)R2值為0.877 5(n=42),回歸效果極顯著(P<0.001)；均方根誤差為1.33,歸一化均方根誤差為36%。這表明WOFOST模型能夠較好地模擬冬小麥LAI的變化，模擬誤差在可接受范圍。

圖3 河北固城、河南鄭州和山東泰安冬小麥 LAI模擬值與實測值對比

2.1.2 地上部生物量模擬效果驗證

經(jīng)過參數(shù)校準(zhǔn)后，對三個代表站的生物量模擬效果進行分析,結(jié)果(表2)表明，地上部總生物量(TAGP)及各器官生物量的模擬值與實測值較為接近。其中，地上部總生物量、葉生物量和莖生物量的模擬值與實測值的決定系數(shù)R2為0.77～0.92，線性相關(guān)系數(shù)為0.88～0.96，回歸效果極顯著(P<0.001)；穗生物量R2相對偏低，但模擬值與實測值無顯著性差異(P<0.05)；地上部總生物量及各器官生物量的模擬均值和實測均值比較的誤差為3.8%～11.7%，其中綠葉生物量和穗生物量均值低于實測均值，地上部總生物量和莖生物量略高于實測均值，歸一化均方根誤差為22%～44%。總體上，各生物量的模擬誤差均在合理范圍內(nèi)，對冬小麥生物量模擬性能較好。

表2 冬小麥地上部及各器官生物量模擬值與實測值的統(tǒng)計指標(biāo)Table 2 Statistical indicators of simulated and measured aboveground and different organs biomass of winter wheat

以固城站2010-2011年度試驗為例，TAGP、綠葉生物量、莖生物量、穗生物量的模擬值與觀測值變化趨勢一致，葉生物量和莖生物量在生育前期和后期的模擬值與觀測值接近，但在拔節(jié)至抽穗期模擬值與觀測值存在差異，模擬的最終穗重低于觀測值(圖4)。

圖4 河北固城站2010-2011年度冬小麥地上部、 葉和穗生物量模擬值與觀測值

2.2 基于WOFOST模型的冬小麥長勢動態(tài)評估指標(biāo)構(gòu)建和驗證

2.2.1 基于TAGP和LAI的冬小麥長勢動態(tài)評估指標(biāo)構(gòu)建

對不同時間點的TAGP和LAI所有站點15年的距平百分率(Ft)進行正態(tài)分布檢驗，均近似遵從正態(tài)分布。以抽穗期結(jié)果為例，其正態(tài)分布曲線和頻率分布見圖5。

圖5 抽穗期地上部總生物量(a)和LAI(b)距平百分率的頻率分布和正態(tài)分布曲線

根據(jù)冬小麥長勢評估指標(biāo)等級設(shè)置，不同時間節(jié)點基于TAGP和LAI的具體長勢指標(biāo)值(D)見表3。從表3可以看出，在越冬前(12月15日)和返青期(2月底)，冬小麥的LAI和TAGP值均比較小，多年平均值基數(shù)較小且不同年份波動較大，因此“旺長好”和“長勢差”的指標(biāo)值變化較大；到冬小麥生長后期，多年平均值基數(shù)變大，且相對波動較小，對應(yīng)的距平指標(biāo)值變小。

表3 冬小麥長勢動態(tài)評估指標(biāo)(D)Table 3 Dynamic growth evaluation indices of winter wheat(D) %

2.2.2 動態(tài)長勢指標(biāo)驗證

利用河北固城站(2009-2010、2010-2011年度)、河南鄭州站(2010-2011、2011-2012和2012- 2013年度)和山東泰安站點(2010-2011、2011-2012和2012- 2013年度)農(nóng)業(yè)氣象試驗站冬小麥TAGP和LAI觀測資料，按照苗情長勢評價指標(biāo)確定各年度各時段長勢評價等級，并對各年度內(nèi)長勢等級與觀測資料之間進行相關(guān)分析(表4)。河北固城站兩年長勢評價與觀測資料對比，各時段2009-2010年度TAGP和LAI高于2010-2011年度，長勢評價為2009-2010年度等于或高于2010-2011年度，總體相一致；山東泰安站中，冬小麥生長前期基于TAGP的長勢評價等級與觀測值基本一致，但后期相關(guān)性較差，未通過顯著性檢驗，基于LAI的長勢評級等級與觀測值的一致性則前差后好，總體上基于LAI的評價指標(biāo)好于基于TAGP的評價指標(biāo)；河南鄭州站冬小麥長勢指標(biāo)評價結(jié)果與觀測值一致性在生長過程中呈波動狀態(tài)，總體基于LAI長勢評價指標(biāo)好于基于TAGP評價指標(biāo)。

表4 冬小麥代表站點長勢評估等級與觀測值相關(guān)性Table 4 Correlation between winter wheat growth evaluation grade and observed values at the three experimental stations

3 討 論

本研究應(yīng)用田間觀測資料、歷史氣象和農(nóng)業(yè)氣象觀測資料，在進行了WOFOST模型在華北冬小麥主產(chǎn)區(qū)的本地化和區(qū)域化研究的基礎(chǔ)上，確定了不同區(qū)域冬小麥的生育參數(shù)和生長參數(shù)。從結(jié)果看，河北固城、山東泰安和河南鄭州三個代表站的WOFOST冬小麥模型模擬結(jié)果與實測值對比分析顯示，模型模擬的效果較好，模擬的冬小麥生長趨勢與實際一致，生育期模擬誤差絕對值平均為3.7 d，地上部總生物量及各器官生物量的誤差為3.8%～11.7%，在華北平原適用性 良好。

從檢驗效果來看，基于作物模型的冬小麥長勢評估指標(biāo)能較好地反映冬前苗情長勢，而在冬小麥生育中后期，由于受到田間管理、病蟲害防治等影響，生長狀況變得復(fù)雜，指標(biāo)評估與實際觀測狀況吻合度降低，但總體上可以一定程度上反映冬小麥的生長狀況和長勢。本研究中提出了冬小麥某一發(fā)育階段的長勢評估指標(biāo)值，但在實際業(yè)務(wù)應(yīng)用中，可開展冬小麥生長季內(nèi)任意時間多空間尺度作物長勢評估，即可實時監(jiān)測評估，又可與歷史情況開展對比分析。

基于作物模型的作物長勢評估指標(biāo)為動態(tài)監(jiān)測區(qū)域范圍的作物長勢提供一種方法，且在業(yè)務(wù)應(yīng)用中簡便可行。但作物模型是一種計算機數(shù)學(xué)模擬過程，其本身的不確定性及對災(zāi)害性天氣和病蟲害的反映不敏感會造成在評估分析和應(yīng)用上存在不足。因此，一方面，需要待借助精細(xì)化、針對性試驗資料的積累和完善，通過對作物模型參數(shù)厘定、算法模塊改進等過程，優(yōu)化作物模型在我國主要作物產(chǎn)區(qū)的應(yīng)用；另一方面，基于此種方法的作物長勢評估結(jié)果需要與田間實地觀測料、遙感監(jiān)測資料等結(jié)合，并進一步加強標(biāo)準(zhǔn)化、規(guī)范化的長勢監(jiān)測，以更好地開展定量化、指標(biāo)化的長勢評估，才能為農(nóng)業(yè)氣象科研和業(yè)務(wù)服務(wù)提供支持，更好的指導(dǎo)農(nóng)業(yè)生產(chǎn)。