基于WOFOST模型的冬小麥產量動態預報方法

鄭昌玲，張 蕾，侯英雨，宋迎波

(國家氣象中心，北京 100081)

準確、及時、可靠的作物產量信息是國家社會經濟的基礎信息，對于確保國家糧食安全、制定農產品進出口計劃、指導和調控宏觀種植業結構均具有重要意義，歷來受到各國政府的高度重視。我國農業氣象工作者自20世紀80年代就開展了作物產量預報的研究和業務工作，制作發布的作物產量預報產品成為各級政府制定糧食調控計劃所需的重要信息[1-2]。隨著業務發展的需要，目前作物產量預報方法主要為農學模型[3]、統計模型[4-5]、遙感估產模型[6]和作物生長模型[7-11]等幾大類。農學預報方法在作物臨界成熟時開展，預報時效性差；遙感技術在大范圍的作物估產中有較大優勢，但遙感數據的質量受天氣條件影響較大，在業務應用中受限。統計預報方法所用資料較易獲取，方法相對靈活，預報準確率較高，是目前在國家級和省級氣象部門農業氣象業務服務中應用最為廣泛的方法。近年來，隨著氣象部門農業氣象業務發展的需要，提出了基于氣候適宜指數、關鍵氣象因子影響指數、產量歷史豐歉氣象影響指數等農業氣象產量動態預報方法[12-16]，具有較高的預報準確率和較長的預報時效；而不足之處是統計模型中的預報因子生物學意義有待完善，且主要應用于大尺度的省級或國家級業務中，小尺度相關性差，難以建立統計方程,動態預報尺度受氣象因子影響，不能靈活變動。相比之下，作物生長模型綜合考慮氣候、土壤、品種、管理措施等因素對作物生長發育的影響，動態、定量地模擬作物生長發育和產量形成，被歐美國家廣泛應用于作物產量動態預報。如歐盟委員會聯合研究中心很早就將作物模型應用于作物監測和產量預報，在農業遙感監測項目中建立了專門的作物生長監測系統，定時發布基于作物模型的產量月報[17]；美國、澳大利亞、印度、巴西等農業大國也都較早開展了基于作物模型的產量預報[11，18-19]。國內不少學者利用作物模型開展本地化校驗、修正、改進與應用，在單點作物、地區及省級范圍初步開展了WOFOST、DSSAT、Oyrza2000及CERES-Maize等模型在作物產量預報中的應用研究[7-11,20]。但作物模型在區域上的升尺度應用受到初始化參數難以獲取、模型的適用性和準確性不確定及后期氣象數據的獲取問題等因素的影響，模型的區域模擬精度較難滿足實際應用需求，在較大范圍和國家級的作物產量預報應用比較少。

為了解決作物模型區域應用難題、實現作物模型在國家級農業氣象業務中應用，國家氣象中心開發了基于作物模型的中國作物生長模擬監測系統(Crop Growth Simulating and Monitoring System in China,CGMS-China)，將WOFOST、Oryaz2000、WheatSM、ChinaAgroys等國內外模型嵌入到系統之中，針對冬小麥、玉米和水稻3大糧食作物，通過劃分不同農業氣候生態區，分區對模型參數進行標定，實現作物模型在全國主要農作物主產區大范圍尺度應用，可以提供作物長勢監測與評估、作物產量預報和農業氣象災害影響評估等農業氣象業務產品[21-22]。

冬小麥是我國主要糧食作物之一，其種植面積占全國糧食作物總面積的18%～24%。本研究以冬小麥為主要研究對象，利用CGMS-China系統，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)模擬結果，開展站點、縣級尺度、主產省(市、區)和國家級尺度的冬小麥產量動態預報方法研究并進行歷史預報效果檢驗，確定WOFOST模型在作物產量預報業務應用中的可行性，為WOFOST模型在不同尺度特別是區域尺度進行作物產量預報工作的應用提供可靠依據。根據檢驗效果反饋，改進和優化CGMS-China系統，提升農業氣象業務服務的科技支撐能力。

1 資料和方法

1.1 研究資料

研究區域為我國冬小麥主要種植區域[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)。研究區域內共包括中國氣象局約1200個基準氣象站和174個農業氣象站點，其中有15個農業氣象試驗站點(簡稱農試站),數據用于WOFOST模型參數的確定和驅動模型運行。WOFOST模型主要輸入氣象數據為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高度平均風速、水汽壓、日太陽總輻射量；其中日太陽輻射數據由日照時數計算,2 m高度平均風速由10 m高度風速轉化，其它氣象要素均為氣象觀測站直接獲取[23-24]。播種至出苗、出苗至開花、開花至成熟階段的有效積溫、比葉面積、地上干物質中葉、莖、穗的分配系數等作物參數輸入數據來源于農業氣象站2009—2019年冬小麥生育期觀測數據以及農試站冬小麥莖、葉、穗的干物質量和葉面積指數等觀測數據[25]；土壤參數輸入數據來源于中國氣象局土壤水分自動觀測站和中國科學院南京土壤研究所制作的10 km分辨率中國土壤數據庫[21，25]；地級市、主產省(市、自治區)和全國冬小麥平均單產實測值、種植面積均來源于2003—2019年國家統計局官網統計數據查詢中的糧食產量查詢(http://data.stats.gov.cn/)；用于站點冬小麥單產預報檢驗的實測產量和站點所在縣平均單產資料來源于2014—2019年農業氣象站觀測資料[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業大學共同研發，具有較強的機理性,在世界各地得到了廣泛應用,具有較好的普適性[26-27]。WOFOST模型是一個動態解釋模型，以逐日氣象數據為驅動，模擬1 a生作物從播種到成熟的生長過程，包括作物光合作用、呼吸作用、蒸騰作用、干物質分配等作物基本生理過程的模擬，能夠對作物進行潛在、水分和營養限制條件下的三種水平的產量模擬,計算過程主要通過氣候、作物、土壤3個模塊完成。我國眾多學者對WOFOST進行了參數標定、適用性和應用等研究[28-30]，WOFOST模型在我國部分省份或地區適用性良好[24-27]。為了實現WOFOST模型在冬小麥產量預報業務上的應用，根據冬小麥主產區地級市和直轄市產量數據，并結合冬小麥生長積溫分布特征、地形地貌等信息，將全國冬小麥主要產區共分成34個小區(見 表1)，根據各分區內的氣象資料、冬小麥發育期資料、冬小麥生物量和產量要素等觀測資料，確定各區域模型參數，基于中國作物生長模擬監測系統(CGMS-China)，已完成WOFOST模型在冬小麥主產區的參數本地化和適應性評估，進行了較完整的參數校正及驗證，并利用實時觀測的土壤濕度同化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WOFOST模型的輸出結果文件進行處理，可實現對模型輸出參數分站點、分省統計。

1.3 基于WOFOST模型的冬小麥產量預報方法建立

1.3.1 氣象資料處理 運行WOFOST冬小麥模型所需的土壤、品質、田間管理信息及播種(出苗)至起報日的氣象資料采用預收集和實時觀測輸入，起報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模型的冬小麥產量動態預報方法 在農業科技水平、農業投入、土壤性狀及作物品種特性等保持相對穩定的情況下，氣象條件是直接影響作物生長發育及產量形成的主要因素。以氣象數據為驅動，利用WOFOST作物模型模擬冬小麥成熟時的TAGP和WSO，站點和縣級小尺度范圍選擇WSO 作為冬小麥單產預報參數，省(市、自治區)級和國家級大尺度范圍選擇2種作為冬小麥單產預報參數，根據歷史預報檢驗的產量預報準確率確定效果最好的方法。

(1)直接模擬作物產量。在冬小麥成熟前，確定一個日期作為冬小麥平均單產的預報起報日。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量結果。利用起報日前期實時氣象資料和后期30 a(1981—2010年 )氣候平均值組成全生育期完整的氣象數據，運行WOFOST冬小麥模型，在不同時間段動態模擬，得到冬小麥成熟時的WSO，即為預測的作物產量。冬小麥農業氣象站和站點所在縣的冬小麥單產直接用WOFOST模型模擬的站點冬小麥成熟日WSO作為產量預報結果。但由于穗干重值高于作物產量(粒重)，且模型對穗重的模擬存在一定誤差，可能會造成預報準確率偏低。

表1 各分區所含地級市和直轄市行政區域Table 1 Administrative division of prefecture level cities and municipality included in each region

續表1：

(2)相對產量預報方法。為了減小WOFOST模型模擬精度對冬小麥產量預報結果的影響，提高產量預報準確率，采用相對比值法預報冬小麥單產。具體做法是：運行WOFOST模型分別模擬得到預報年和上一年冬小麥成熟時生物量，以2 a間生物量的差值百分比作為產量增減幅度，結合上一年冬小麥的實際產量得到本年的冬小麥產量預報值,見式(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預報值，Yr(i-1)為上一年的實際單產，△D為模型模擬的產量增減幅度，Wi和Wi-1分別為預報年和上一年的模型模擬的地上部分總干物質量(TAGP)或穗干重(WSO)。

相對產量預報方法主要應用于省(市、自治區)級和全國尺度。受縣級產量資料限制，基于WOFOST模型模擬結果的主產省(市、自治區)單產由省(市、自治區)內站點成熟時WSO對應2007—2011年縣級冬小麥面積占比為權重集成。全國平均單產由主產省(市、自治區)單產根據預報年前3 a面積占比為權重進行集成(式3)。

(3)

式中，ri為第i個主產省(市、自治區)在預報年的前3 a平均面積在12個省(市、自治區)面積之和中的比重。

(3)冬小麥單產動態預報方法確定。針對驅動模型所需的冬小麥全生育期氣象資料，預報年度的氣象資料采取實時資料和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氣象資料或觀測資料與30 a氣候平均值組合的兩種方式，考慮無水分脅迫(PPS)和有水分脅迫(WPS)的兩種方式下的TAGP和WSO模擬結果，可得到8種處理方法，具體見表2。以3月1日(主產區冬小麥返青)、4月1日(主產區冬小麥拔節)、5月1日(主產區冬小麥灌漿)為預報起報日，對各種處理的主產省(市、自治區)和全國冬小麥單產模擬結果進行檢驗，以確定最優的冬小麥產量動態預報方法。

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

2 基于WOFOST模型的冬小麥產量動態預報結果檢驗

2.1 直接預報方法模擬效果檢驗

以對站點和縣級模擬檢驗為主，2014—2019年全國農業氣象站中具有站點產量資料的共295個站次資料，具有站點所在縣平均單產共220個站次資料。利用5月1日作為起報日時，WOFOST模型模擬的冬小麥成熟時WSO與站點觀測產量進行比較，平均準確率為81.1%，準確率≥80%的比例為54.9%；與站點所在縣平均單產對比，平均準確率為84.3%，準確率≥80%的比例為64.8%；站點和縣級冬小麥單產波動幅度大[31]，站點和縣級冬小麥單產平均預報準確率在業務應用中可接受。總體上，縣平均單產估測效果要略好于站點產量估測效果，與模型參數本地化時是以各分區為對象，考慮區域整體模擬效果有關，模型模擬結果更接近于縣平均產量；預報準確率明顯偏低的站點，則說明存在模型參數不準確等問題，需要根據實際觀測數據進行調整和優化。

2.2 相對預報法逐月產量動態預報試驗和檢驗

目前，氣象部門每年進行兩次冬小麥產量預報業務工作，其中省級預報業務完成時間為4月上旬和5月上旬，國家級為4月中旬和5月中旬，為了對省級和國家級產量預報業務提供數據支撐，以4月1日和5月1為起報日，對歷史預報準確率進行檢驗，選擇預報準確率高的處理，在冬小麥產量預報業務中進行應用。對各主產省(市、自治區)和全國2003—2019年4月1日和5月1日起報的冬小麥單產預報平均準確率進行比較(圖1)，結果顯示，F5處理的冬小麥單產平均準確率分別為92.2%和91.7%，為所有結果最高值和次高值，各區域平均準確率標準差分別為2.5和2.7，為最低值和第3低值，說明F5處理預報準確率高、預報穩定性較好，因此確定F5為最優的產量預報方法。

圖1 各主產省(市，自治區)2003—2019年4月1日和5月1日起報的平均冬小麥產量預報準確率及其標準差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處理預報方法的預報效果檢驗中，2003—2019年3月1日、4月1日和5月1日分別作為起報日，基于WOFOST模型的各主產省(市、自治區)和全國冬小麥產量預報結果與實際產量數據對比，準確率在90%以上的比例為76.6%，具體見表3。

不同起報日的2003—2019年各主產省(市、自治區)和全國集成冬小麥平均單產歷史預報結果的平均準確率見表4，各主產省(市、自治區)平均預報準確率為88.2%～96.4%，全國平均單產預報準確率為93.9%～95.9%，預報效果較好，可在業務中進行應用。其中，主產省中，河北、山東、河南、四川、云南的預報準確率相對較高，上述省份具有冬小麥農試站，在前期基礎工作中，可利用冬小麥生物量、葉面積指數等觀測資料進行參數本地化調整，使得WOFOST模型模擬結果更接近觀測值。從逐月平均預報準確率變化來看，F5處理結果中預報年和上一年均采用實際觀測氣象資料和30 a平均氣候值的組合，因此起報日越早，2 a重復的氣象數據時段越長，2 a間生物量模擬值增減幅度越??；隨著后期更多實時監測數據的帶入，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變大。隨著現代農業技術發展和作物品種改進，冬小麥平均單產呈穩步增加的趨勢，在出現災害的年份，通過防災減產措施，減輕災害損失，保障糧食產量穩定，在氣象條件適宜時，充分利用氣象資源，則利于冬小麥產量提高，總體上冬小麥平均單產持續保持較高的水平，波動幅度呈逐漸下降的趨勢；因此F5處理結果中，前期的預報準確率要略高于后期預報準確率。

利用目前國家氣象中心業務服務所用的統計方法“基于歷史產量豐歉影響指數”(簡稱“產量豐歉指數”)中的大概率法和加權法[3-4，15]對冬小麥主產省(市、自治區)及全國集成冬小麥平均單產進行同時段歷史預報結果檢驗，與基于WOFOST模型的預報準確率進行對比；結果顯示基于WOFOST模型的全國集成和大部分省(市、自治區)的產量預報準確率比基于產量豐歉指數方法的準確率略偏低，而山西、陜西、安徽則略高，云南、貴州比基于產量豐歉指數的兩種方法均偏高(圖2)。以冬小麥產量受氣象條件影響較大的河北和山西兩省為例，對3月31日起報的冬小麥單產預報準確率歷史檢驗結果分析，兩個省份基于WOFOST模型預報準確率均呈上升趨勢，但兩種方法的逐年準確率都存在一定波動性和不穩定性(圖3)，其中山西省在2011年以前準確率波動非常明顯，特別是2005年和2009年基于產量豐歉指數方法的準確率不到70%，在實際業務中不具有應用價值；這與近年來冬小麥產量波動變小也有一定關系，氣象條件的差異導致產量發生變化，根據歷史相似年產量變化的產量豐歉影響指數方法可能出現了較大的誤判。

表3 不同預報準確率(T)級別比重Table 3 Proportion of different forecast accuracy levels

表4 主產省(市，自治區)及全國不同起報日冬小麥單產預報平均準確率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模型與統計方法的平均冬小麥產量預報準確率比較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模型與統計方法的逐年冬小麥產量預報準確率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

中國作物生長模擬監測系統(CGMS-China)實現WOFOST等模型區域化升尺度應用，以應用在省(市、自治區)級和全國尺度；但由于農試站數量有限，觀測資料歷史序列比較短，針對全國范圍，部分站點的產量模擬結果與實測值誤差較大、準確率偏低，還需要更多基礎資料以及遙感同化資料的應用來進一步優先參數，提高站點整體的模擬精確度和準確性，也更好地適應較大尺度和區域性的應用。

WOFOST作物模型可以實現以日為步長的冬小麥產量動態預報，在空間尺度、動態時效性上比統計模型具有優勢。但作物模型模擬作物生長需要完整描述整個生育期的氣象數據，缺乏預報期氣象驅動數據是制約作物模型應用于產量預報的主要瓶頸，前期有學者利用歷史氣象數據集合、相似年數據、近10 a或20 a等歷史氣候數據來替代預報日之后的逐日數據[9-11]，為了提高預報精度，未來研究中將借鑒這些方法來解決預報時間節點后的氣象資料替代問題，確定既能滿足業務應用計算快捷、操作簡單的需求又能提高預報準確率的資料替代方法。

基于數理統計模型和作物模型的作物產量預報方法都有一定局限性。統計預報方法建立的產量預報模型對作物的生長機理考慮較少，且目前主要應用在省級、主產區及全國范圍等大尺度上；而作物模型機理性強，且以站點為基礎，可以實現各種空間尺度的應用；但部分參數獲取較難，需做大量的田間試驗，且總體預報準確率略低于統計模型。對于未來的作物產量預報方法和工作，需要將目前建立的多種產量預報方法進行組合和集成，充分發揮各自的優勢，從而建立一套集合預報方法。另外，雖然對于省級和全國尺度冬小麥的產量呈穩定高產的趨勢，但近年來高溫、大風、冰雹、局地強降水等極端天氣事件頻繁發生，對于一定區域的農作物造成嚴重影響，氣象災害對冬小麥產量影響的模擬仍需要更深入的研究，在未來作物模型應用與農業氣象業務過程中，需要深入考慮極端天氣及減災措施對產量的影響，進一步完善和改進預報方法。

4 結 論

本文探討了利用WOFOST作物模型進行冬小麥產量動態預測的方法，檢驗不同空間尺度預報效果。對于站點和縣級尺度，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的預測值；對于省級和全國范圍的冬小麥單產，采用2 a間模擬生物量對比的相對方法進行動態產量預測。冬小麥平均單產歷史預報結果準確率檢驗中，295個站次冬小麥單產平均準確率為81.1%，220個次縣級冬小麥單產平均準確率為84.3%，不同站點間冬小麥產量預報準確率差別較大，準確率低的站點需要進一步對WOFOST模型初始化參數進行校正和優化。2003—2019年主產省(市、自治區)和全國尺度冬小麥單產準確率分別為88.2%～96.4%和93.9%～95.9%，準確率較高，且比統計方法穩定性更好，可在冬小麥產量預報業務中進行應用。利用WOFOST模型進行基于站點尺度的產量預測能夠提高冬小麥產量預報時空精細化能力，也能擴展到大尺度區域應用以達到對農業決策和宏觀調控的目的，促進作物產量預報在空間和時間尺度上精細化、動態化的發展。