小麦生长发育模型WheatSM参数优化及适用性分析

郭其乐，李 颖，田宏伟

(1.中国气象局河南省农业气象保障与应用技术重点开放实验室，河南郑州 450003； 2.河南省气象科学研究所，河南郑州 450003； 3.中国农业科学院研究生院，北京 100081)

小麦生长发育模型WheatSM参数优化及适用性分析

郭其乐1,2,3，李 颖1,2，田宏伟1,2

(1.中国气象局河南省农业气象保障与应用技术重点开放实验室，河南郑州 450003； 2.河南省气象科学研究所，河南郑州 450003； 3.中国农业科学院研究生院，北京 100081)

为分析WheatSM模型区域业务应用的适用性，采用EFAST全局敏感性分析方法，对WheatSM模型的小麦生长发育参数进行分析，筛选出了影响模型模拟效果的10个敏感参数，即冬小麦各发育阶段的基本发育系数(K1、K21、K22和K3)、出苗至越冬期的温度系数(P21)、越冬至拔节期的光周期系数(Q2)、抽穗后的光合产物向籽粒的转运效率(TR2)、比叶面积(SLA)，以及拔节至抽穗期的穗干物质分配系数(PcEar34)和抽穗至成熟期的叶干物质分配系数(PcLeaf45)。然后，基于农业气象观测数据，利用SCE-UA全局优化算法，对敏感参数进行优化和率定。结果表明，模型对出苗期模拟具有很高的精度，RRMSE<0.5%，R2>0.9，其对抽穗期、拔节期的模拟效果尚可，对越冬期的模拟效果最差；模型模拟的干物质和LAI与观测数据的相关性较高，但相对误差较大，精度为75.0%左右。

冬小麦；生长发育模型；全局敏感性分析；参数优化

空间信息获取、大数据处理与分析等现代技术的不断发展，为利用作物模型进行定量化的农业生产、管理及估产提供了强力支撑。作物模型的区域适用性强，模拟效果好，在其推广应用中显得非常重要。模型的模拟效果除了与模型结构合理性有关以外，还与模型参数的选择有重要关系[1]。由于作物模型的很多参数不能通过田间观测直接获得[2]，其真实值是未知的，而且可能在一定范围内变化[3]，因此在作物模型的机理、结构及参数化方案选定的情况下，需要运用一定方法对模型参数进行优化率定，以此来减少模型的不确定性，提高其模拟效果。

作物模型及其他过程模型的参数优化方法已经有很多，如GLUE(generalized likelihood uncertainty estimation)法[4]、遗传算法(genetic algorithm)[5]、SCE-UA(shuffled complex evolution)[1,6-7]和基于先验信息的贝叶斯方法(Bayesian method)[3,8]，这些方法广泛应用于各种水文和作物模型中。其中SCE-UA方法更多地应用在水文模型中，MA等[9]利用该方法将MODIS-LAI产品同化到WOFOST模型中，有效提高了区域作物模拟能力，证明其在区域作物模拟及估产中有很大的潜力。另外，由于作物模型包括作物品种、土壤、田间管理等众多参数，通常利用参数敏感性分析方法，筛选出引起模型结果不确定性的主要影响因素，选择关键控制参数进行优化[10]。敏感性分析方法分为局部敏感性分析和全局敏感性分析。由于局部敏感性分析不考虑因子间耦合和同时变化，因而分析是片面的；对于复杂过程模型，采用全局敏感性分析更能客观反映模型参数对模型输出的影响。拓展傅里叶幅度敏感性检验(extended fourier amplitude sensitive test,EFAST)是Saltelli[11-13]结合了Sobol 法和傅里叶幅度法的优点提出的基于方差分析的全局敏感性分析方法，在陆面过程、水文、作物生长程机理模型等系统中已取得了良好应用效果[14-17]。当前国际上应用成熟、广泛的作物模型有荷兰的WOFOST(world food studies)、美国的DSSAT(decision support system for agro-technology transfer)和EPIC(environmental policy integrated climate)，以及澳大利亚的APSIM(agricultural production systems simulator)模型等。在国内，CCSODS(crop computer simulation，optimization，decision making system)即“作物计算机模拟优化决策系统”，是有重要影响的作物模型[18-19]；其他单作物生长模拟模型有WheatGrow生育期模型[20-23]、小麦生长发育模拟模型WheatSM[24-26]、水稻生长日历模拟模型RICAM(rice growth calendar simulation model)、棉花模型COTGROW等[18]。经过多年发展，作物模型也逐步从科学研究走向应用。但总体来说，作物模型应用在我国还处于探索阶段，特别是国产作物模型的业务应用能力和竞争力亟待提高。近年来，现代农业气象服务业务的科技含量、定量化水平有所提高,业务中更需要有机理性较强的新一代农业气象数值模拟模型，以增强农业气象服务能力[27]。基于上述原因，本研究选择由冯利平研究的冬小麦生长发育模拟模型WheatSM，利用多年冬小麦农业气象观测数据，采用EFAST全局敏感性分析方法，对关键参数进行筛选，进而用SCE-UA算法对参数进行优化和率定，以分析WheatSM模型区域业务应用的适用性。

1 材料与方法

1.1 区域站点和数据

河南省是我国冬小麦生产大省，小麦常年种植面积470 hm2以上，约占全国小麦种植面积的20%，总产量约占全国的1/4，且以半冬性小麦品种为主[28]。本研究以河南省半冬性小麦为对象，选用郑州、周口黄泛区国家级农业气象试验站和新乡、汤阴农业气象基本站(图1)的半冬性小麦多年历史观测资料，探讨WheatSM模型在豫北地区的适用性。

数据包括1994-2016年的气象、农气观测和田间管理数据，以及4个站点土壤属性数据。驱动模型运行的4个站点的逐日气象数据有最低气温、最高气温、日照、风速、降水等要素；冬小麦农气观测数据有关键生育期的日期、叶面积指数(LAI)、干物质生长率；田间管理参数主要有播种期、播种深度、灌溉日序(DOY)和灌溉量，其中播种期来自观测数据，其他为默认值；4个站点土壤深度0～100 cm逐10 cm的土壤属性数据包括土壤水文参数、各类氮含量、有机质含量以及根长密度因子等，其中水文参数采用观测值，其他土壤参数采用默认值。

图1 站点分布图

1.2 WheatSM模型

WheatSM(wheat growth and development simulation model)由冯利平[27]提出并完成，经过多年的改进，已逐步完善。该模型根据冬小麦生长的生理生态学原理，构建了小麦发育期、叶龄动态、光合生产、器官形成、同化物分配和产量形成等功能模块。模型在气象数据驱动下，对冬小麦生长进行全生育模拟，模型结构及其模拟过程见图2。模型根据小麦品种的生态类型(强冬性、冬性、半冬性和春性)，既考虑光合作用、呼吸消耗和同化物分配等生理过程，又考虑春化作用、光周期作用和三基点温度及发育速度与温度的非线性关系等[28]。该模型特点是以小麦发育期为“时标”，控制系统的运行及子程序与有关参数的调用，并以此为基础实现对生育期、生物产量、经济产量，分器官干重及总生物量的模拟输出，并且以日为步长，具有较高的时间分辨率[29]。因此，对小麦发育期的高精度模拟，是所有状态变量模拟的关键。WheatSM模型的小麦生长发育参数有发育期参数、光合作用参数、同化物分配和产量参数(表1)。由图2和表1可看出，WheatSM模型的模拟效果都与表征小麦发育阶段的发育期指数DSI(development stages index)紧密相关，进一步说明WheatSM模型的“时标”特性。

1.3 全局敏感性分析方法

1.3.1 EFAST法

设有n个参数的过程机理模型y=f(x1,x2,…,xn),输入参数X(x1,x2,…,xn)存在于某个n维空间中Kn。定义一个独立变量s，引入s→X的映射：

xi(i)=Gi(sinωi·s)

(1)

式中，s取值范围为[-π/2,π/2]，ωi为每个参数的振荡频率，Gi为搜索曲线函数。在Gi函数下，当s变化时，所有的参数在Kn空间中沿着一条曲线变化。Gi有多种形式可供选择，通常选择Saltelli提出的形式[31]。利用Gi函数将y=f(x1,x2,…,xn)转换为y=f(s)，并对其进行傅里叶变换，即：

(2)

(3)

(4)

图2 WheatSM模型结构及其模拟过程

表1 WheatSM模型小麦生长发育参数Table 1 Parameters of wheat growth and development in the WheatSM model

(5)

其中Λ是傅里叶变换的谱；Z0=Z-{0}，为非0整数。

模型的总方差由所有频率的谱求和得到：

(6)

根据Sobol方法，模型输出的总方差可以分解为单个模型参数和组合参数的函数：

(7)

式中，Vi是参数xi单独作用引起的方差，Vi,j、Vi,j,m、…V1,2,…,k是各参数相互作用的方差。那么，参数xi对模型输出的总方差的直接贡献，用通过归一化处理得到的主敏感性指数Si(一阶敏感性指数)反应，定义为：

(8)

同理，参数xi与其他参数相互作用的二阶、三阶及高阶敏感性指数可以定义为：

(9)

(10)

(11)

参数xi对模型输出总方差的直接贡献和通过参数间接对模型方差输出的贡献可用总敏感性指数STi来表示，即各阶敏感性指数之和：

STi=Si+Si,j+Si,j,m+…+S1,2,…，i,…，k

(12)

Saltelli等[11-13]给出该方法参数采样的总个数为：

Ns=nNr(2Mwmax+1)

(13)

其中M是干涉因子，一般取4或更高；wmax是最大采样频率；n为过程模型的参数个数；Nr是搜索曲线的重复次数，可取2。

1.3.2 WheatSM模型参数的敏感性分析方案

本研究主要是针对河南省半冬性小麦的生长发育参数进行优化，因此不考虑土壤参数、管理参数，这些参数值采用实际观测数据。小麦生长发育参数系统给定了默认值，各参数的分布范围通过模型“试错”实现。其中，独立参数服从均一分布，叶、茎、穗的分配系数服从正态分布。为了减少模拟次数，根据文献[2]，设定采样数N=n×150，n=29，为参数数量，则参数总采样数量N=4 350。根据数据准备情况，设定模拟的生长季数m=5和随机模拟次数p=3，得到m×p=15组敏感性指数，对各参数的平均敏感性指数进行分析。

1.4 参数优化方法

1.4.1 SCE-UA参数优化算法

SCE-UA是一种全局优化算法，由DUAN Q Y[33]提出。该方法有效地解决了非线性约束最优化问题，可以一致、有效、快速地搜索到模型参数的全局最优解。核心思想是将基于确定性复合型搜索技术、生物竞争进化原理与基因算法相结合。算法的关键部分为竞争的复合型进化算法(CCE)。在 CCE 中，每个复合型的顶点都是潜在的父辈，都有可能参与产生下一代群体的计算。每个子复合型的作用如同一对父辈。在构建过程中应用了随机方式选取子复合型，使得在可行域中的搜索更加彻底[8]。SCE-UA算法虽然参数较多，但绝大部分可采用默认值，仅需根据情况确定复合型个数p即可，算法流程如图3[34]。

1.4.2 优化参数选择、优化和验证方案

基于WheatSM模型的“时标”特性，根据参数全局敏感性分析的结果，选择对关键小麦发育期、抽穗期生物量和LAI、成熟期生物量均敏感的生长发育参数进行优化。为提高SCE-UA的效率，先用“试错”法进一步缩小敏感参数的分布范围。然后采取随机种子多次优化策略，调用SCE-UA算法进行参数优化，以降低单次优化的不确定性，从而得到最优的参数集合，并确定最优参数。选择相对均方根误差(RRMSE)和决定系数(R2)，作为参数优化和效果验证的目标函数。根据收集到的4个台站半冬性小麦农业气象观测数据样本情况，为保证参数优化和验证都有足够样本数，按表2中数据进行参数优化和验证。

表2 WheatSM模型半冬性小麦参数优化和验证数据Table 2 Data for parameters optimization and validation

2 结果与分析

2.1 全局敏感性分析的结果

2.1.1 发育期敏感参数

从WheatSM模型的29个小麦生长发育参数中，用EFAST算法筛选得到影响小麦主要生育期模拟的全局参数敏感性指数(图4)。对出苗期敏感的参数主要为K1，且极为敏感，其一阶敏感性指数值为0.962，总敏感指数值高达0.988，其他参数影响极小。对越冬期敏感的主要参数是K21和P21，其一阶敏感性指数值分别为0.574和0.336，总敏感性指数值分别为0.620和0.384。对于拔节期，一阶敏感指数较大的参数仅有Q2，其值仅为0.230，说明其对输出方差的单独影响较弱；Q2、PcLeaf45、TR2、K22和P21的总敏感性参数值较高，分别为0.912、0.747、0.722、0.633和0.632，说明参数耦合作用对模型输出方差影响较大，其中Q2贡献较为明显。对于抽穗期，单独影响敏感的参数主要有Q2和K3，其一阶敏感性指数值较小，分别为0.160、0.055，说明对模型输出方差单独影响有限；Q2、K22、PcEar34、K3、P21的总敏感性指数较高，其值分别为0.912、0.822、0.656、0.542、0.481，对模型方差的耦合贡献较大。由以上分析可知，小麦拔节和抽穗期的主要影响参数变多，总敏感性指数较大，而单独影响的参数少且值小，说明参数对其作用复杂，耦合明显。另外，P21、Q2、K22对越冬、拔节、抽穗期均有影响，说明后期发育进程也受前期发育进程影响。

图3 SCE-UA算法流程图

图4 主要发育期的EFAST敏感性分析结果

2.1.2 生物量、LAI和产量敏感参数

从图5可以看出，对抽穗期生物量模拟敏感的参数有Q2和K22，其一阶敏感性指数值分别为0.384和0.383，其总敏感性指数值分别为0.529和0.606。对抽穗期LAI模拟单独影响大的参数只有SLA，其一阶敏感指数值为0.401，其总敏感性指数也最高，为0.931，而其他参数的一阶敏感性指数值均很小，而总敏感性指数大并且接近，说明这些参数相互作用，对叶面积的方差贡献相近且大，影响其模拟精度，以其为模拟目标的参数优化难度大。对成熟期生物量模拟作用明显的参数有Q2、K22和SLA，一阶敏感指数值分别为0.429、0.324和0.217，总敏感性指数高的参数是Q2、K22、TR2和SLA，其值分别为0.657、0.624、0.532、0.285。由于WheatSM 4.0版本并不考虑生物产量，故对于产量的敏感参数只有经济产量系数HI，其一阶敏感指数为0.690，总敏感指数为0.779。

2.2 SCE-UA参数优化结果分析

在对28个半冬性小麦品种参数全局敏感性分析的基础上，选定10个参数作为优化对象(本研究暂不考虑产量敏感参数HI的优化)，分别指各发育阶段的基本发育系数(K1、K21、K22和K3)、出苗至越冬期的温度系数(P21)、越冬至拔节期的光周期系数(Q2)、抽穗后光合产物向籽粒的转运效率(TR2)、比叶面积(SLA)、拔节至抽穗期的穗干物质分配系数(PcEar34)，以及抽穗至成熟期的叶干物质分配系数(PcLeaf45)。由于K1仅对出苗期有高敏感性，对其他时期影响很小，为提高SCE-UA优化效率，直接采用“试错”法优化确定，其优化值为-2.2。其他9个参数，也先用“试错”法确定其初始值，然后用SCE-UA全局优化法确定。对SCE-UA 给定30个随机数种子，在完成 62 554次“进化”后，得到30组优化参数，将各参数的均值作为最终优化值(表3)。总的来看，大多数参数变异系数较小，说明这些参数已经可靠。而PcLeaf45、TR2和Q2的变异系数相对较大，说明利用基本农气观测数据对其优化的可靠性差，影响对其敏感的拔节期和干物质的模拟精度。

按表2方案进行优化参数的模拟验证，结果(表4)表明，各模拟输出变量的优化和验证目标函数值前后变化不大，说明优化的小麦生长发育参数对模型模拟效果具有较好的稳定性。从各模拟输出变量与观测值的RRMSE和R2看，参数优化后的WheatSM模型在主要发育期模拟中，以出苗期模拟效果最好，其次为拔节期和抽穗期，对越冬期的模拟效果最差。通过对越冬期观测数据的分析发现，“寒冬”和“暖冬”使得越冬期明显提前或滞后，如2009、2015年11月中旬即进入越冬期，而泛区2005年2月份才进入越冬期。有研究认为，河南南部部分地区，多年出现暖冬，在一些年份已没越冬期，而有些地区越冬期变长，开始日有提前趋势，终止日有推迟趋势[35]。因此，在极端气候条件下，越冬期年际间变化较大，WheatSM模型难以响应这种变化。而模型能很好地反模拟出地上干物质生长率和LAI的变化趋势，R2值达0.90以上，但误差较大，RRMSE达20.0%以上。

图5 生物量、叶面积指数和产量的EFAST敏感性分析结果

表3 WheatSM模型参数优化结果Table 3 Optimization results of growth and development parameters for the WheatSM model

表4 WheatSM模型参数优化和验证的目标函数值Table 4 Cost function values for parameter optimization and validation for the WheatSM model

3 讨 论

EFAST全局敏感性分析方法和SCE-UA全局优化算法结合，能有效地对WheatSM模型参数进行重点筛选和优化，是模型不确定性分析及实现模型“本地化”和“区域化”应用的有效手段。在以农业气象业务观测数据作为“真值”建立的约束条件下，对模型参数进行优化和验证的结果表明，WheatSM模型对小麦出苗期具有很高的模拟精度，其次是拔节期和抽穗期，较难响应极端气候条件下“暖冬”或“寒冬”对越冬期的影响；WheatSM模型能较好反映出小麦干物质的生长累积和LAI变化趋势，与观测值一致性较好，但误差偏大，需要基于精确试验数据，对相关敏感参数进一步优化率定。

本研究作为WheatSM模型区域应用前的适用性探索，仅以时间尺度较大的农业气象业务基本观测数据，对河南省半冬性小麦生长发育参数进行了敏感性分析和优化，并未考虑土壤参数、水肥胁迫等情景，反映的是“潜在”水平下的生长发育参数最优情况，具有片面性。另外，观测数据质量也严重制约模型参数的优化和率定，因此“全局优化”更有赖于各种情形下严格的试验设计和高质量的数据获取。

[1] 董洁平,李致家,戴健男.基于SCE-UA算法的新安江模型参数优化及应用[J].河海大学学报(自然科学版),2012,40(5):485.

DONG J P,LI Z J,DAI J N.Application of SCE-UA algorithm to optimization of Xin'anjiang model parameters [J].JournalofHohaiUniversity(NaturalSciences),2012,40(5):485.

[2] 何 亮,侯英雨,赵 刚,等.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,2016,32(2):169.

HE L,HOU Y Y,ZHAO G,etal.Parameters optimization of WOFOST model by integration of global sensitivity analysis and Bayesian calibration method [J].TransactionsoftheCSAE,2016,32(2):169.

[3] 周广胜,何奇瑾,殷晓洁.中国植被/陆地生态系统对气候变化的适应性与脆弱性[M].北京:气象出版社,2015:134.

ZHOU G S,HE Q J,YIN X J.Adaptation and vulnerability of vegetation and terrestrial ecosystems to climate change in China [M].Beijing:China Meteorological Press,2015:134.

[4] 姚 宁,周元刚,宋利兵,等.不同水分胁迫条件下DSSAT-CERES-Wheat模型的调参与验证[J].农业工程学报,2015,31(12):138.

YAO N,ZHOU Y G,SONG L B,etal.Parameter estimation and verification of DSSAT-CERES-Wheat model for simulation of growth and development of winter wheat under water stresses at different growth stages [J].TransactionsoftheCSAE,2015,31(12):138.

[5] 涂启玉,梅亚东.Matlab遗传算法工具GUI率定马斯京根模型参数[J].水文,2008,28(5):33.

TU Q Y,MEI Y D.Application of Matlab Gatool GUI in parameter estimation of Muskingum Routing model [J].JournalofChinaHydrology,2008,28(5):33.

[6] 张 添,黄春林,沈焕锋.土壤水分对土壤参数的敏感性及其参数优化方法研究[J].地球科学进展,2012,27(6):678.

ZHANG T,HUANG C L,SHEN H F.Sensitivity and parameters optimization method of soil parameters to soil moisture in common land model [J].AdvancesinEarthScience,2012,27(6):678.

[7] 徐会军,陈洋波,曾碧球,等.SCE-UA算法在流溪河模型参数优选中的应用[J].热带地理,2012,32(1):32.

XU H J,CHEN Y B,ZENG B Q,etal.Application of SCE-UA Algorithm to Parameter Optimization of Liuxihe Model [J].TropicalGeography,2012,32(1):32.

[8] 李明亮,杨大文,陈劲松.基于采样贝叶斯方法的洪水概率预报研究[J].水力发电学报,2011,30(3):27.

LI M L,YANG D W,CHEN J S.Probabilistic flood forecasting by a sampling-based Bayesian model [J].JournalofHydroelectricEngineering,2011,30(3):27.

[9] MA G N,HUANG J X,WU W B,etal.Assimilation of MODIS-LAI into the WOFOST model for forecasting regional winter wheat yield [J].Mathematical&ComputerModelling,2013,58(3-4):634.

[10] 姜志伟,陈仲新,周清波,等.CERES-Wheat作物模型参数全局敏感性分析[J].农业工程学报,2011,27(1):236.

JIANG Z W,CHEN Z X,ZHOU Q B,etal.Global sensitivity analysis of CERES-Wheat model parameters [J].TransactionsoftheCSAE,2011,27(1):236.

[11] SALTELLI A,ANNONI P,AZZINI I,etal.Variance based sensitivity analysis of model output.Design and estimator for the total sensitivity index [J].ComputerPhysicsCommunications,2010,181(2):259.

[12] SALTELLI A.Sensitivity analysis for importance assessment [J].RiskAnalysis,2002,22(3):579.

[13] SATELLI A.Global sensitivity analysis:the primer [M].John Wiley,2008.

[14] 王建栋,郭维栋,李红祺.拓展傅里叶幅度敏感性检验(EFAST)在陆面过程模式中参数敏感性分析的应用探索[J].物理学报,2013,62(5):050202.

WANG J D,GUO W D,LI H Q.Application of extended Fourier amplitude sensitivity test (EFAST) method in land surface parameter sensitivity analysis [J].ActaPhysicaSinica,2013,62(5):050202.

[15] 廖征红,陈洋波,徐会军,等.基于 E-FAST 的流溪河模型参数敏感性分析[J].热带地理,2012,32(6):606.

LIAO Z H,CHEN Y B,XU H J,etal.Parameter sensitivity analysis of the Liuxihe model based on E-FAST algorithm[J].TropicalGeography,2012,32(6):606.

[16] 何 亮,赵 刚,靳 宁,等.不同气候区和不同产量水平下APSIM-Wheat模型的参数全局敏感性分析[J].农业工程学报,2015,31(14):148.

HE L,ZHAO G,JIN N,etal.Global sensitivity analysis of APSIM-Wheat parameters in different climate zones and yield levels [J].TransactionsoftheCSAE,2015,31(14):148.

[17] 吴 锦,余福水,陈仲新,等.基于EPIC模型的冬小麦生长模拟参数全局敏感性分析[J].农业工程学报,2009,25(7):136.

WU J,YU F S,CHEN Z X,etal.Global sensitivity analysis of growth simulation parameters of winter wheat based on EPIC model [J].TransactionsoftheCSAE,2009,25(7):136.

[18] 林忠辉,莫兴国,项月琴.作物生长模型研究综述[J].作物学报,2003,29(5):750.

LIN Z H,MO X G,XIANG Y Q,Research advances on crop growth models [J].ActaAgronomicaSinica,2003,29(5):750.

[19] 姜志伟.区域冬小麦估产的遥感数据同化技术研究[D].北京:中国农业科学院,2012:9-11.

JIANG Z W.Study of the remote sensing data assimilation technology for regional winter wheat yield estimation [D].Beijing:Chinese Academy of Agricultural Sciences,2012:9-11.

[20] 吕尊富,刘小军,汤 亮,等.基于WheatGrow和CERES模型的区域小麦生育期预测与评价[J].中国农业科学,2013,46(6):1136.

LU Z F,LIU X J,TANG L,etal.Regional prediction and evaluation of wheat phenology based on the WheatGrow and CERES models [J].ScientiaAgriculturaSinica,2013,46(6):1136.

[21] 严美春,曹卫星,罗卫红,等.小麦发育过程及生育期机理模型的研究I.建模的基本设想与模型的描述[J].应用生态学报,2000,11(3):355.

YAN M C,CAO W X,LUO W H,etal.A mechanistic model of phasic and phenological development of wheat I.Assumption and description of the model [J].ChineseJournalofAppliedEcology,2000,11(3):355.

[22] 刘铁梅,曹卫星,罗卫红.小麦抽穗后生理发育时间的计算与生育期的预测[J].麦类作物学报,2000,20(3):29.

LIU T M,CAO W X,LUO W H.Calculation of physiological development time and prediction of development stages after heading [J].JournalofTriticeaeCrops,2000,20(3):29.

[23] CAO W X,MOSS D N.Modelling phasic development in wheat:a conceptual integration of physiological components [J].JournalofAgriculturalScience,1997,129(2):163.

[24] 冯利平,高亮之,金之庆,等.小麦发育期动态模拟模型的研究[J].作物学报,1997,23(4):418.

FENG L P,GAO L Z,JIN Z Q,etal.Studies on simulation model for wheat phenology [J].ActaAgronomicaSinica,1997,23(4):418.

[25] 孙 宁,冯利平.小麦生长发育模拟模型在华北冬麦区适用性验证[J].中国生态农业学报,2006,14(1):70.

SUN N,FENG LP.Validation of WheatSM model in winter wheat production region of North China [J].ChineseJournalofEco-Agriculture,2006,14(1):71.

[26] 郑秀琴.对小麦生长模型WheatSM改进研究[D].北京:中国农业大学,2005:8-13.

ZHENG X Q.Study of improvement of wheat growth model WheatSM [D].Beijing:China Agricultural University,2005:8-13.

[27] 王石立,马玉平.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,2008,34(6):3-10.

WANG S L,MA Y P.The progress in application of crop growth simulation models to agro-meteorological services in China [J].MeteorologicalMonthly,2008,34(6):3-10.

[28] 王绍中,郑天存,郭天财.河南小麦育种栽培研究进展[M].北京:中国农业科学技术出版社,2007.

WANG S Z,ZHENG T C,GUO T C.Research progress on wheat breeding and cultivation in Henan [M].Beijing:China Agricultural Science and Technology Press,2007.

[29] 冯利平.小麦生长发育模拟模型(WheatSM)的研究[D].南京:南京农业大学,1995.

FENG L P.Study on simulation model of wheat growth and development [D].Nanjing:Agricultural University of Nanjing,1995.

[30] 李 宁.小麦生长发育模拟模型(WheatSM)V4.0版本软件设计[D] .北京:中国农业大学,2015:4.

LI N.Software design for the simulation model of wheat growth and development(V4.0) [D].Beijing:China Agricultural University,2015:4.

[31] 陈怀亮,唐世浩,俄有浩,等.农作物生长动态监测与定量评价[M].北京:气象出版社,2016:145.

CHEN H L,TANG S H,E Y H,etal.Dynamic monitoring and quantitative evaluation of crop growth [M].Beijing:China Meteorological Press,2016:145.

[32] 李 艳,黄春林,卢 玲.基于EFAST方法的SEBS模型参数全局敏性分析[J].遥感技术与应用,2014,29(5):719.

LI Y,HUANG C L,LU L.Global sensitivity analysis of SEBS model parameters based on EFAST method [J].RemoteSensingTechnologyandApplication,2014,29(5):719.

[33] DUN Q Y.A global optimization strategy for efficient and effective calibration of hydrologic models [J].InternationalArchivesofAllergy&AppliedImmunology,1991,86(2):176-82.

[34] 宋星原,舒全英,王海波,等.SCE-UA遗传算法和单纯形优化算法的应用[J].武汉大学学报(工学版),2009,42(1):6.

SONG X Y,SHU Q Y,WANG H B,etal.Comparison and application of SCE-UA,genetic algorithm and simplex method [J].EngineeringJournalofWuhanUniversity,2009,42(1):6.

[35] 李彤霄,赵国强,李 有.河南省气候变化及其对冬小麦越冬期的影响[J].中国农业气象,2009,30(2):143.

LI T X,ZHAO G Q,LI Y,Climate change and its impacts on duration of winter wheat overwintering stage in Henan Province [J].ChineseJournalofAgrometeorology,2009,30(2):143.

ParameterOptimizationandValidationoftheWheatSMModelforGrowthandDevelopmentofWheat

GUOQile1,2,3,LIYing1,2,TIANHongwei1,2
(1.China Meteorological Administration/Henan Key Laboratory of Agrometeorological Support and Applied Technique,Zhengzhou,Henan 450003,China; 2.Henan institute of Meteorological Sciences,Zhengzhou,Henan 450003,China; 3.Graduate School of Chinese Academy of Agricultural Sciences,Beijing 100081,China)

To validate the application of WheatSM model,based on the global sensitivity analysis method (EFAST),wheat growth and development parameters of the WheatSM model were analyzed,and then ten key parameters were screened out to optimize,such as the basic development coefficients before heading (K1,K21,K22 and K3),the temperature coefficient from emergence to overwintering (P21),the genetic photoperiod coefficient from overwintering to jointing (Q2),the transfer rate of photosynthetic product to grain after heading (TR2) ,the specific leaf area (SLA),the partition coefficient of ear dry matter from jointing to heading (PcEar34),and the partition coefficient of leaf dry matter from heading to maturity (PcLeaf45). Based on these parameters,the global optimization algorithm (SCE-UA) was carried out,and observation data of many continuous years was used to constrain the cost function of optimization and validate the effect. The results showed that the WheatSM model has the highest accuracy for the simulation at emergence stage,with RRMSE<0.5%,andR2>0.9; and it has a modest accuracy for the simulations at heading and jointing stages,but the worst accuracy for the simulation at overwintering stage. The simulation results of dry matter and LAI have high correlation to observed data,withR2>0.9,but the accuracy is relatively lower (75.0%).

Winter wheat; The growth and development model; Global sensitivity analysis; Parameters optimization

时间：2017-12-11

网络出版地址：http://kns.cnki.net/kcms/detail/61.1359.S.20171211.1106.014.html

2017-04-28

2017-05-16

中国气象局河南省农业气象保障与应用技术重点开放实验室基金项目(AMF201404，AMF201507)

E-mail：guoqile@163.com

S512.1；S311

A

1009-1041(2017)12-1571-10