基于WOFOST模型的华北冬小麦动态长势评估指标构建

郑昌玲，侯英雨，吴门新，张 蕾

(国家气象中心，北京 10081)

作物模型能对作物重要生理生态过程及其与气象、土壤等环境条件的关系进行数值模拟，能够从机理上定量地描述作物生长过程及其与环境因素之间的关系，被广泛应用于作物生长机理研究和农业生产管理中。在众多作物模型中，荷兰瓦赫宁农业大学的作物生长模拟模型WOFOST具有较强的机理性，在世界各地得到了广泛应用，具有较好的普适性[1-6]。WOFOST模型是根据气象和土壤条件模拟作物根、茎、叶和穗生物量以及土壤水分的动态模型，以天为步长模拟1年生作物的生态生理过程，主要包括同化作用、呼吸作用、蒸腾作用、干物质累积分配以及这些过程如何受环境的影响等；模型能够对作物进行潜在、水分和营养限制条件下的三种水平的产量模拟，计算过程主要通过气候、作物、土壤3个模块完成；在过去的几十年里，WOFOST作物模型已经被用于多个方面，例如分析产量风险、年际间产量变化以及土壤状况、气象条件、作物品种、耕作制度对产量的影响[4-8]。21世纪初开始，国内专家学者针对WOFOST模型对冬小麦、玉米等作物的适应性和参数优化[9-12]、作物产量预测[13-17]和气象条件及灾害影响评估方面[18-23]进行许多相关研究,取得了较好效果。

作物长势是指作物的生长状况与趋势，可以用个体和群体特征来描述，包括个体特征参数、群体特征参数和综合参数(叶面积指数)；通过作物长势的监测可及时了解作物的生长状况、肥力、病虫害及作物营养状况，可为田间管理提供及时的决策支持信息和早期估产提供依据。目前，对于农作物长势监测的手段，大范围采用的是卫星遥感监测，小面积主要是人为实地观察及正在兴起的机器视觉和远程监控方法监测[24-25]，而基于地面资料的区域范围冬小麦长势监测和评估方法的研究和应用较少。

冬小麦是中国的3大粮食作物之一，其种植面积占全国粮食作物总面积的18%～24%。地上生物量和叶面积指数是反映小麦长势的主要参数，是预测小麦产量和收益的关键因素之一，也是评价农作区生态状况的重要指标。作物模型可以定量估算作物生长趋势和生物量的变化，机理性、实时性和动态性强，已成为农业生产定量评价的重要手段之一。本研究利用WOFOST模型，构建基于模型主要输出要素地上部总生物量(TAGP)和叶面积指数(LAI)的华北平原冬小麦长势评估指标，尝试研发基于地面观测资料的区域尺度的作物长势监测和评估技术。

1 材料和方法

1.1 研究资料

研究区域为华北平原冬小麦主产区，包括河北省、山东省和河南省；区域内包括中国气象局354个气象站、68个农业气象观测站，以及河北固城、河南郑州和山东泰安3个农业气象试验站(简称农试站)。模型主要输入气象数据为2001-2016年的气象站6个要素的逐日资料，包括日最高气温、日最低气温、降水量、2 m高度平均风速、水汽压、日太阳总辐射量；其中日太阳辐射数据由公式(1)计算[26]，其他气象要素均为气象观测站直接获取。作物参数输入数据来源于农业气象观测站的2009-2013年冬小麦生育时期及单产的观测数据，以及农试站不同生育时期冬小麦茎、叶、贮存器官的干物质量和实测LAI等生长率参数；土壤参数输入数据来源于中国气象局土壤水分自动观测站和中国科学院南京土壤研究所制作的10 km分辨率中国土壤数据库。

Rs=(a+bn/N)*Ra

式中，n和N分别为日照时数和日长，Rs和Ra分别为日太阳总辐射和晴天状态下日总辐射，a、b为系数，随区域、季节的变化而变化。根据2004-2012年华北地区太阳辐射观测站的太阳总辐射与日照时数，通过最小二乘法模拟每一个站每旬的a、b值，然后根据最近原则，推算每一个作物观测站的对应值。

1.2 WOFOST冬小麦模型作物参数本地化、区域化和适用性分析

利用农业气象观测站的冬小麦生育期资料和气象资料，分别计算了播种至出苗、出苗至开花、开花至成熟阶段的有效积温，然后计算其算术平均值作为作物参数中的TSUMEM(播种-出苗的积温)、TSUM1(出苗-开花期的积温)、TSUM2(开花-成熟期的积温)。利用固城、郑州、泰安等农业气象试验站冬小麦试验观测资料确定了SLATB(比叶面积)、FLTB、FSTB、FOTB(地上干物质中叶、茎、穗的分配系数)等参数；通过调试和查阅文献对其他作物参数(RGRLAI叶片相对最大生长速率，CLV、CVO、CVR、CVS地上器官同化物转移系数，AMAXTB叶片最大CO2同化速率，EFFTB叶片光能利用率)进行校正，剩余参数则采用模型缺省值。

鉴于模型区域尺度应用目的，参数应在一定地域范围内具有较好的代表性，同时考虑到生育参数与环境密切相关，具有明显的空间属性特征，而且与品种熟性相对应，因此本研究采用在单点验证基础上按生育参数划分区域，各分区取一套生育参数。利用华北黄淮地区农业气象观测站分别确定各站点不同发育阶段的累积温度多年平均值，结合地形、气候、品种熟性分布和各地区的产量水平，将华北三个冬小麦主产省划为8个小区(图1)。

图1 华北冬小麦主产区参数分区

为了确定目前WOFOST模型对华北平原冬小麦的适用效果，根据已修订的参数，以在华北麦区的农业气象试验站(河北固城站、山东泰安站、河南郑州站)作为代表站，利用固城站2010/2011年度、郑州站2011/2012和2012/2013年度、泰安站2011/2012、2012/2013年度的冬小麦田间试验资料，以冬小麦生育期、叶面积指数、地上器官(叶、茎、穗)重、地上总生物量为目标，通过对模型模拟结果与实际观测值的比较，进行模型的适应性和独立性检验，对WOFOST冬小麦模型在华北平原地区的适应性进行评估。

1.3 冬小麦长势动态评估方法

在农业科技水平、农业投入、土壤性状及作物品种特性等保持相对稳定的情况下，气象条件是直接影响作物生长发育及产量形成的主要因素。以气象条件为驱动，利用WOFOST作物模型模拟的不同年份生物量动态累积过程及不同时段生物量动态累积过程及最终生物量与历史同期平均(同期平均气候下)生物量的对比，经过统计分析，评价作物生育期内各时段或全生育期长势情况。

1.3.1 平均生物量模拟

平均气候条件下的模拟生物量是评价的基础和标准，本研究采取先模拟后平均的方法[27]。利用2001-2016年内逐日气象资料、作物初始信息驱动作物模型，模拟逐年度冬小麦生长季内逐日输出要素值，选定地上部总生物量(TAGP)、叶面积指数(LAI)作为评估指标，并计算其生长季内逐日的15年平均生物量(AT)。

1.3.2 构建冬小麦长势动态评估指标

以冬小麦逐年生物量或叶面积指数与15年平均值的距平百分率(Ft)作为对冬小麦长势评估的指数；根据2001-2016年Ft的历史数据统计概率分布，确定不同时段基于TAGP和LAI的评估指标。WOFOST模型可以模拟冬小麦从出苗至成熟期间逐日生物量，因此理论上可以计算逐日的Ft序列。结合冬小麦关键生长阶段和农业气象业务服务需求，选择冬小麦长势评估时间节点为12月15日(冬季停止生长)、2月28日(返青)、3月31日(拔节)、4月30日(灌浆)及成熟期；计算各个时间点的TAGP和LAI所有站点15年的距平百分率(Ft)；考虑数据的有效性，对各时段数据进行基于偏度系数(g1)和峰度系数(g2)的正态分布检验。在进行正态分布检验后的各时间点的Ft数据系列进行概率统计分析，根据概率分布情况构建冬小麦长势评估指标(D)。根据国家气象中心农业气象业务需求，研究中评估指标(D)设置为5个等级，其中“长势差”和“旺长”分别为最低和最高的15%，“长势正常”为中间的40%，“长势偏差”和“长势偏好”的比例分别为比中间值偏低和偏高的15%(表1)。

表1 冬小麦苗情长势评估等级设置Table 1 Evaluation grade setting of winter wheat seedling growth

2 结果与分析

2.1 WOFOST模型模拟效果检验

2.1.1 模型生育期和叶面积指数模拟效果检验

在对河北固城、河南郑州和山东泰安代表站生育期参数进行调试后，以冬小麦的三叶、分蘖、拔节、抽穗、开花、乳熟、成熟期为对象，利用WOFOST冬小麦模型进行模拟。从模拟结果来看，WOFOST模型模拟值与实测值吻合度高，两者接近1∶1直线，决定系数R2达到0.997 4(n=35)，线性回归系数接近1，回归效果极显著 (P<0.001)；生育期模拟误差绝对值平均为 3.7 d(图2)，表明模型对冬小麦生育期的模拟精度高，性能好。

图2 河北固城、河南郑州和山东泰安冬小麦 生育期(日序)模拟值与实测值对比

对叶面积指数(LAI)的观测值与WOFOST模型的模拟值进行比较，结果表明，二者动态变化趋势一致，模拟均值(3.4)与实测均值(3.7)接近(图3)。经t检验，二者无显著性差异。线性回归决定系数R2值为0.877 5(n=42),回归效果极显著(P<0.001)；均方根误差为1.33,归一化均方根误差为36%。这表明WOFOST模型能够较好地模拟冬小麦LAI的变化，模拟误差在可接受范围。

图3 河北固城、河南郑州和山东泰安冬小麦 LAI模拟值与实测值对比

2.1.2 地上部生物量模拟效果验证

经过参数校准后，对三个代表站的生物量模拟效果进行分析,结果(表2)表明，地上部总生物量(TAGP)及各器官生物量的模拟值与实测值较为接近。其中，地上部总生物量、叶生物量和茎生物量的模拟值与实测值的决定系数R2为0.77～0.92，线性相关系数为0.88～0.96，回归效果极显著(P<0.001)；穗生物量R2相对偏低，但模拟值与实测值无显著性差异(P<0.05)；地上部总生物量及各器官生物量的模拟均值和实测均值比较的误差为3.8%～11.7%，其中绿叶生物量和穗生物量均值低于实测均值，地上部总生物量和茎生物量略高于实测均值，归一化均方根误差为22%～44%。总体上，各生物量的模拟误差均在合理范围内，对冬小麦生物量模拟性能较好。

表2 冬小麦地上部及各器官生物量模拟值与实测值的统计指标Table 2 Statistical indicators of simulated and measured aboveground and different organs biomass of winter wheat

以固城站2010-2011年度试验为例，TAGP、绿叶生物量、茎生物量、穗生物量的模拟值与观测值变化趋势一致，叶生物量和茎生物量在生育前期和后期的模拟值与观测值接近，但在拔节至抽穗期模拟值与观测值存在差异，模拟的最终穗重低于观测值(图4)。

图4 河北固城站2010-2011年度冬小麦地上部、 叶和穗生物量模拟值与观测值

2.2 基于WOFOST模型的冬小麦长势动态评估指标构建和验证

2.2.1 基于TAGP和LAI的冬小麦长势动态评估指标构建

对不同时间点的TAGP和LAI所有站点15年的距平百分率(Ft)进行正态分布检验，均近似遵从正态分布。以抽穗期结果为例，其正态分布曲线和频率分布见图5。

图5 抽穗期地上部总生物量(a)和LAI(b)距平百分率的频率分布和正态分布曲线

根据冬小麦长势评估指标等级设置，不同时间节点基于TAGP和LAI的具体长势指标值(D)见表3。从表3可以看出，在越冬前(12月15日)和返青期(2月底)，冬小麦的LAI和TAGP值均比较小，多年平均值基数较小且不同年份波动较大，因此“旺长好”和“长势差”的指标值变化较大；到冬小麦生长后期，多年平均值基数变大，且相对波动较小，对应的距平指标值变小。

表3 冬小麦长势动态评估指标(D)Table 3 Dynamic growth evaluation indices of winter wheat(D) %

2.2.2 动态长势指标验证

利用河北固城站(2009-2010、2010-2011年度)、河南郑州站(2010-2011、2011-2012和2012- 2013年度)和山东泰安站点(2010-2011、2011-2012和2012- 2013年度)农业气象试验站冬小麦TAGP和LAI观测资料，按照苗情长势评价指标确定各年度各时段长势评价等级，并对各年度内长势等级与观测资料之间进行相关分析(表4)。河北固城站两年长势评价与观测资料对比，各时段2009-2010年度TAGP和LAI高于2010-2011年度，长势评价为2009-2010年度等于或高于2010-2011年度，总体相一致；山东泰安站中，冬小麦生长前期基于TAGP的长势评价等级与观测值基本一致，但后期相关性较差，未通过显著性检验，基于LAI的长势评级等级与观测值的一致性则前差后好，总体上基于LAI的评价指标好于基于TAGP的评价指标；河南郑州站冬小麦长势指标评价结果与观测值一致性在生长过程中呈波动状态，总体基于LAI长势评价指标好于基于TAGP评价指标。

表4 冬小麦代表站点长势评估等级与观测值相关性Table 4 Correlation between winter wheat growth evaluation grade and observed values at the three experimental stations

3 讨 论

本研究应用田间观测资料、历史气象和农业气象观测资料，在进行了WOFOST模型在华北冬小麦主产区的本地化和区域化研究的基础上，确定了不同区域冬小麦的生育参数和生长参数。从结果看，河北固城、山东泰安和河南郑州三个代表站的WOFOST冬小麦模型模拟结果与实测值对比分析显示，模型模拟的效果较好，模拟的冬小麦生长趋势与实际一致，生育期模拟误差绝对值平均为3.7 d，地上部总生物量及各器官生物量的误差为3.8%～11.7%，在华北平原适用性 良好。

从检验效果来看，基于作物模型的冬小麦长势评估指标能较好地反映冬前苗情长势，而在冬小麦生育中后期，由于受到田间管理、病虫害防治等影响，生长状况变得复杂，指标评估与实际观测状况吻合度降低，但总体上可以一定程度上反映冬小麦的生长状况和长势。本研究中提出了冬小麦某一发育阶段的长势评估指标值，但在实际业务应用中，可开展冬小麦生长季内任意时间多空间尺度作物长势评估，即可实时监测评估，又可与历史情况开展对比分析。

基于作物模型的作物长势评估指标为动态监测区域范围的作物长势提供一种方法，且在业务应用中简便可行。但作物模型是一种计算机数学模拟过程，其本身的不确定性及对灾害性天气和病虫害的反映不敏感会造成在评估分析和应用上存在不足。因此，一方面，需要待借助精细化、针对性试验资料的积累和完善，通过对作物模型参数厘定、算法模块改进等过程，优化作物模型在我国主要作物产区的应用；另一方面，基于此种方法的作物长势评估结果需要与田间实地观测料、遥感监测资料等结合，并进一步加强标准化、规范化的长势监测，以更好地开展定量化、指标化的长势评估，才能为农业气象科研和业务服务提供支持，更好的指导农业生产。