WOFOST作物模型对青铜峡灌区夏玉米生长模拟的适用性评估

许德浩,冯克鹏 ,2, 3,庄淏然

(1. 宁夏大学 土木与水利工程学院,银川 750021;2. 旱区现代农业水资源高效利用教育部工程研究中心,银川 750021;3. 宁夏节水灌溉与水资源调控工程技术研究中心,银川 750021)

0 前 言

玉米是中国重要的粮食作物,自2012年产量首次超过稻谷后,已成为我国第一大粮食作物。玉米的价值不仅仅体现在成为人们日常的盘中餐,其子粒和副产品还广泛应用于畜牧、医药、纺织等领域。宁夏回族自治区作为我国西部粮仓之一,玉米种植区域广泛,面积达36.74万ha,约占全区粮食种植面积的65.9%,年产量249.07万t,已成为当地农民赖以生存的支柱产业。因此,准确的掌握玉米的生长情况、及时做出科学的田间管理是保障人民收入和国家粮食安全的重要举措[1-2]。

作物产量的准确预测对于国家安全和相关政策的制定至关重要,近几十年全球人口飞速增长,对农产品的需求也与日俱增,作物生长模型在此背景下应运而生。随着不断地更新和发展,作物模型已经从对作物生长的定性模拟发展为定量模拟。作物模型可以根据研究区域的气象数据、作物数据、土壤数据和田间管理方式,定量、连续地描述作物光合、呼吸、蒸腾、营养等生理生态过程[3]。目前应用较为广泛的作物模型包括光能驱动模型DSSAT[4]、水分驱动模型Aqua Crop[5]、碳驱动模型WOFOST[6]等。虽然这些模型模拟方向各有侧重,但都包含了气体交换、同化物的积累与分配、水分循环等模块。随着理论框架和实测资料的逐步完善,作物模型已成为作物产量预测、生长监测、影响因子分析的重要工具[7]。

WOFOST(WOrld FOod STudy)作物模型是由荷兰瓦赫宁根大学(Wageningen university)和世界粮食研究中心(CWFS)在SUROS模型的基础上共同开发,是用于模拟特定自然条件下一年生作物生长动态的解释性模型,从早期的WOFOST 3.1版本到如今的WOFOST 7.1,已经在世界各地的应用中不断发展和完善,作物品种也不断在应用中得到补充和完善,是目前发展较为成熟的模型之一[8-9]。模型以1 d为时间步长,模拟不同作物在不同自然条件下蒸腾作用、呼吸作用、干物质积累和分配等生理生态过程,计算过程主要依靠气候、作物和土壤三大模块[10]。气候模块和作物模块能够模拟作物的潜在生长过程,结合土壤模块中的水分和养分信息,即可模拟水分胁迫和养分胁迫条件下的生长过程[11]。

CWFS[12]将WOFOST模型应用于布基纳法索、加纳和肯尼亚,以研究施肥量对粮食作物增产的影响,结果显示这3个国家在不进行额外灌溉的条件下,随着施肥量的增加,粮食产量有显著提高,这次实践是该模型的首次亮相,也为后来模型的完善和广泛应用奠定了基础。Lucas[13]通过优化WOFOST模型并将其应用于摩洛哥马拉喀什,以确定干旱半干旱地区冬小麦最佳播种时间、灌水量以及养分供应量。Vivesh[14]等使用WOFOST模型模拟在不同温度条件下的小麦产量,结合田间试验得出每日最低气温和最高气温升高都会导致小麦产量减少的结论。国内众多学者也在不同地区对WOFOST模型进行本地化模拟和验证,刘维[15]等利用WOFOST模型对东北春玉米的生长状况和产量进行模拟,结果表明模型在东北产区有着较好的适用性。张建平等[16]以西南玉米为研究对象,利用WOFOST模型准确的模拟出了干旱环境下玉米的生长情况,并为区域干旱影响评估提供了更为科学的技术支持。白铁成[17]等运用WOFOST模型在新疆阿拉布尔市模拟了不同灌溉梯度下枣树的产量和水分利用效率,为枣树生长耦合影响的定量分析提供了新思路。

本文利用EFAST方法对WOFOST模型参数进行敏感性分析,对模型中的关键参数用实测数据进行校正,敏感性高的参数采用实测值的换算和试错法进行调整,敏感性低的参数采用经验值或模型默认值,利用实测LAI、各器官生物量等数据对WOFOST的模拟情况和适用性进行评价,以期为宁夏引黄灌区夏玉米区域化处理提供科学依据,推动当地农业“绿色发展”[18]。

1 材料与方法

1.1 研究区域概况

青铜峡灌区位于宁夏回族自治区中北部,是黄河河套(前套)平原的重要构成。灌区东西宽约50 km,南北长约170 km,东始鄂尔多斯台地,西抵贺兰山,南起青铜峡水利枢纽,北至石嘴山,纵贯石嘴山、银川、吴忠3个地级市,涉及贺兰、灵武、青铜峡等11个县级市,国营农、林、牧、渔场13个,总土地面积62.4万ha。

灌区深居内陆,属温带大陆性气候,干旱少雨,年平均降水量180～220 mm,年内降水分布不均,70%集中在夏季。气温年较差大,多年平均气温8～9 ℃。光热资源丰富,年大于10 ℃的活动积温3 630～3 830 ℃,年平均日照时数2 870～3 081 h,无霜期164 d。

黄河将灌区二分为河东、河西两部分,黄河水是沿线农业生产用水的主要来源。灌区土壤类型多为壤质土,呈块状结构,质地密实,有机质含量高。玉米、小麦和水稻是灌区主要粮食作物,经济作物主要有油料作物、葡萄、甜菜等。

本研究选择位于青铜峡市瞿靖镇尚桥村的代表性农田作为试验区,地理坐标为106°05′E,38°11′N,海拔1 080.00 m。试验区域概况如图1所示。

图1 研究区域

试验区域主要作物为玉米,大部分区域采用自动化播种机,少数区域采用人力穴播的种植方式。玉米植株行距55～60 cm,株距20～25 cm,播种密度约5 400株/亩。灌溉采用畦灌的方式[19],越冬前进行冬灌,确保田间土壤含有丰富的水分和养分。

1.2 数据资料获取

气象数据来源于试验区田间通量站测量的30 min时间间隔的气温(℃)、风速(m·s-1)、水气压(kPa)、降水量(mm)、太阳辐射(W·m-2)等信息;ZL6数据采集器记录试验区0～100 cm每20 cm土壤层的体积含水率。定期导出观测数据并检查设备的运行状态,检查导出数据是否存在缺失或异常情况,对于缺失数据取其前后数据的平均值进行插补,对于异常数据根据实际情况采用上述方式进行剔除。确定数据准确无误后,将30 min时间间隔的气温、风速、水气压、降水量、太阳辐射数据按照WOFOST模型所需转化为日尺度。

播种前用环刀收集田间0～100 cm的土壤样本,带回实验室测定其田间持水量(SMFCF)、饱和含水率(SM0)、萎蔫点含水量(SMW)和容重。经试验测得试验区0～100 cm土壤层平均SMFCF=0.270、SM0=0.40、SMW=0.10、容重为1.4 g/cm3。

采集不同生育期的夏玉米植株带回实验室,剪去根部,将茎杆、叶片和果穗分类,然后放入烘箱,在105 ℃条件下杀青30 min,随后在80 ℃条件下烘干至恒重。分别测量茎、叶、穗干重即可得到不同时期玉米生物量;待夏玉米成熟后,收取3组1 m2内的全部植株对其进行脱粒、分类和烘干处理,以获取产量信息。

作物拔节后,使用LAI-2200冠层分析仪对试验区玉米植株的叶面积指数进行测量,每次试验在试验区域内随机、均匀的选择5个采样点,测量LAI的过程中仪器同步记录测量点的GPS信息。

1.3 EFAST敏感性分析方法

WOFOST模型的默认参数是根据欧洲主要粮食产区的作物品种和生长环境确定,直接应用解决其它研究区域会存在“水土不服”的问题。为了准确模拟本地作物的生长过程,需要对模型参数进行“本地化”。由于模型输入参数众多且部分参数的测量过程极为繁琐,很难通过田间观测对输入参数逐一率定。因此,筛选对模型输出结果影响较大的关键参数进行率定,对模型输出结果影响不大的参数进行简略处理[20],可以大幅降低模型输入参数的获取难度,显著提升模型“本地化”效率。

敏感性分析(Sensitivity Analysis ,SA)是模型本地化的重要手段,常用的分析方法有局部敏感性分析法(Local sensitivity analysis methods)和全局敏感性分析法(Global sensitivity analysis methods)。局部敏感性分析通过改变单一输入参数,分析其对模型输出结果的影响,其原理简单、计算量小,但由于没有考虑各输入参数之间的交互作用对输出结果的综合影响,导致分析结果较为片面,因此仅适用于线性和接近线性模型[21]。全局敏感性分析法克服了局部敏感性分析“异参同效”的不足[22],可以同时分析多个输入参数对输出结果的共同影响,能够量化各输入参数之间的相互关系,且不受模型结构的限制。基于上述优势,全局敏感性分析近年来被广泛应用于作物模型、水文模型等复杂模型的分析中。多元回归法、Sobol’法、Morris法、傅里叶幅度检验法(FAST)、扩展傅里叶幅度检验法(EFAST)是典型的全局敏感性分析方法。

本研究采用EFAST全局敏感性方法分析WOFOST模型输入参数对输出结果的影响。EFAST方法是Saltelli等人在FAST法的基础上结合Sobol’法的优点,提出的一种基于方差分解的全局敏感性分析方法[23],该方法最终输出结果的方差能够体现输入参数对输出结果的贡献大小,通过一阶敏感性和总敏感性指数共同评价参数的敏感性高低。一阶敏感性指数反映了每个输入参数对输出结果总方差的影响程度;总敏感性指数在一阶敏感型指数的基础上,进一步分析该参数与其他参数之间的相互作用对输出结果总方差的影响程度。模型输出结果Y的总方差V(Y)由各参数i及该参数与其他参数间的相互作用的方差得到:

(1)

式中:Vi为参数i的方差;Vi,j为参数i、j相互作用的方差;V1,2,…k为全部参数相互作用的方差;k为输入参数的个数。

敏感性指数被定义为单个参数作用及参数相互作用时引起的方差与总方差的比值,计算公式:

(2)

参数i的总敏感性指数S的计算公式为:

S=Si+Si,j+…+S1,2,…,k

(3)

1.4 模型验证

研究采用皮尔逊相关系数(PCC)、均方根误差(RMSE)、归一化均方根误差(NRMSE)、残差聚集系数(CRM)共同评价作物模型对各器官干物质重量和LAI的模拟性能。其中PCC能够反映实测值与模拟值之间的相关程度,数值越接近1表明模拟效果越好;RMSE和NRMSE用于评价模拟值与实测值之间的绝对误差和相对误差,NRMSE≤30%均说明模拟精度符合要求,其中NRMSE∈(0,10%〗表示极高精度,NRMSE∈(10,20%〗表示较高精度,NRMSE∈(20,30%〗表示中等精度;CRM>0表示模型模拟值偏低,CRM<0表示模型模拟值偏高。各评价指标具体计算方法如下:

(4)

(5)

(6)

(7)

2 结果与分析

2.1 WOFOST模型参数敏感性分析

本研究采用基于蒙特卡罗法设计的Simlab软件对WOFOST模型作物文件中的47个参数进行感性分析,气象文件和土壤文件使用2022年试验区田间观测数据,作物文件输入参数设置为在模型默认值的±10%范围内均匀随机变化[24],且各个参数相互独立。使用EFAST方法进行敏感性分析时要求每个输入参数生成的样本数不小于65个,因此生成3055个数据样本文件,编写python程序调用WOFOST模型进行批量运算,对应输出3055个最大叶面积指数(LAI_max)和地上干物质重量(TAGP)结果。再将整理后的输入和输出数据导入Simlab中,输出47个参数对LAI_max和TAGP的敏感性。根据敏感性指数筛选关键参数为后续模型的本地化工作提供数据参考。从47个输入参数中分别选取对LAI_max和TAGP全局敏感性指数较高前20个参数,WOFOST模型部分敏感参数如图2所示。

图2 WOFOST模型部分敏感参数

从图2可以看出DVS=0时叶面积与干重之比(SLATB0)、DVS=0.78时叶面积与干重之比(SLATB078)、DVS=0时可见光漫反射消光系数(KDIFTB0)、40℃时叶片光合作用效率(EFFTB40)和同化物转化到茎的效率(CVS)对于LAI_max具有较高的敏感性,敏感性指数分别为0.380、0.286、0.241、0.156、0.110;SLATB0、KDIFTB0、SLATB078、EFFTB40、CVS和同化物转化到贮存器官的效率(CVO)、对于TAGP具有较高的敏感性,敏感性指数分别为0.316、0.285、0.268、0.200、0.133、0.134。依据兴安、Guo的研究结果[25-26],敏感性指数大于0.1即为敏感参数。

2.2 WOFOST模型参数本地化

WOFOST模型参数包括气象、土壤和作物参数,气象参数使用通量站观测的数据,土壤参数主要采用实测值,而作物参数的校正是本次实验主要方向。对于敏感参数,采用实测值换算、查阅资料获取经验值或通过试错法根据青铜峡地区实际情况进行调整;对于不敏感参数采用经验值或模型默认值。

土壤相对湿度(SRWC)是评价作物是否遭受水分胁迫的重要指标。本研究在试验区布置ZL6数据采集器,持续记录玉米生育期内土壤体积含水率,图3反映了2022年生育期内玉米主要根区(0～60 cm)的土壤含水率、降水和灌溉情况。

图3 2022年生育期土壤含水率和降水情况

SRWC可由土壤体积含水率计算获得:

(8)

经计算,试验区SRWC最低值为70%,意味着在生育期内植株没有遭受水分胁迫;拔节、抽穗等关键生育期对试验区进行追肥处理,作物也没有遭受养分胁迫。因此本研究以潜在条件下夏玉米的生长情况代表试验区作物的实际生长状态。玉米主要参数及土壤参数的取值如表1所示。

2.3 本地化后的WOFOST模型验证

模型模拟精度及可靠性的评价通常根据模拟值与实测值进行对比分析,对于夏玉米的模拟情况,本文从各器官干物质重量和叶面积指数两方面进行验证。干物质重量模拟值与实测值对比见图4。

图4 干物质重量模拟值与实测值对比

利用玉米生育期内田间实测数据对WOFOST模型模拟结果进行验证。由图4可知模型模拟各部分干物质重量均与实测值显著相关,PCC均接近于1,茎(WST)、叶(WLV)、贮存器官(WSO)、地面上干物质总重量(TAGP)的PCC分别为0.99、0.96、0.95、0.99;RMSE分别为635.35、301.13、977.61、1 271.93 kg·hm-2;NRMSE分别为17.09%、17.53%、14.94%、16.66%,均小于20%,处于较高精度水平;CRM分别为-0.11、-0.09、0.04、-0.09。

由图5可知模型模拟玉米LAI与实测值显著相关,PCC为0.95,RMSE为0.50 m2·m-2,NRMSE为14.9%,CRM为-0.09,模拟值略大于实测值,从总体看来模型模拟LAI也具有较高精度。综上,调整参数后的WOFOST模型能够精确模拟青铜峡灌区玉米的生理过程。

图5 叶面积指数模拟值与实测值对比

3 讨 论

3.1 参数的敏感性

研究采用EFAST方法分析潜在条件下47个WOFOST夏玉米作物参数的敏感性,结果显示敏感性分析能够指出对模型输出影响较大的作物参数,有助于模型参数的本地化。其中叶面积与干重之比(SLATB)的敏感性最高,这是由于SLATB与作物叶片的发育密切相关,叶片的生长过程覆盖全生育期,既能直观反映作物的生长阶段,又能间接影响作物的光合作用,因此这类参数的敏感性显著高于其他参数。这与Ceglar[27]利用贝叶斯方法分析不同气候条件下玉米的敏感性结果一致。

碳同化是WOFOST模型的核心之一,涉及碳同化的参数中DVS=0时可见光漫反射消光系数(KDIFTB0)和40℃时叶片光合作用效率(EFFTB40)是影响作物光合作用的重要参数,光合作用是干物质积累的前提,因此直接关系作物的发育过程并影响干物质的形成。KDIFTB0、EFFTB40、CVS和CVO对WOFOST模型输出有较高的敏感性在Ceglar、Wang、谢松涯[28]等的文章里也有所印证。

模型的模拟与验证是模型本地化过程中的关键一环,当面对模型中大量参数无从入手时,敏感性分析便是最好的工具,它能清晰表明某一输入参数对各项输出结果的影响程度,减少主观因素的影响,有助于快速实现模型参数本地化。

3.2 模拟误差分析

本地化后的WOFOST夏玉米模型对各器官干物质重量和LAI的模拟均有较高精度。其中茎干重(WST)、叶干重(WLV)和LAI模拟值大于实测值,并且在抽雄后差距愈发明显,产生误差主要是由于模型模拟的是潜在条件下玉米的最佳生长情况,但在实际生长过程中病虫害、田间管理等外界因素都会影响植株的生长,使其偏离最佳的生长轨迹,进而导致实际WST、WLV和LAI偏小。贮存器官干重(WSO)模拟值略小于实测值,且散点分布趋势与1∶1参考线吻合程度较好,模型模拟WSO精度较高。抽雄后地上总干物质重量(TAGP)的模拟值略大于实测值,这是由于试验过程中采集到的植株样本不包括死亡和腐朽的器官,模型模拟的地上总干物质重量包括作物死亡的部分,地上总干物质重量趋势线是随时间持续增加的,但实测地上总干物质重量是先增加后减小的曲线。

研究通过田间观测数据对模型进行了本地化处理,对于一些敏感参数运用试错法或采用经验值进行调参,并没有进行实际测量,要获得该区域更精确的作物信息,还需结合更多数据实测数据进行不同条件下的模拟。

WOFOST是一个机理模型,模拟结果面临着极端天气、病虫害等不确定因素的影响,在后续的本地化工作中可以考虑利用WOFOST模型同化遥感数据获得关键数,以避免不确定因素对模拟结果的影响。

4 结 论

本文运用2022年青铜峡实验区夏玉米数据,利用扩展的傅里叶幅度检验法(EFAST)对WOFOST模型的47个作物参数进行敏感性分析,筛选出对干物质重量、最大叶面积指数敏感性较高的参数进行本地化处理和验证,得到如下结论:

(1) 对于玉米各器官干物质重量和叶面积指数敏感的WOFOST参数主要有:DVS=0时的叶面积与干重之比(SLATB0 )、DVS=0.78时的叶面积与干重之比(SLATB078)、 DVS=0时的可见光漫反射消光系数( KDIFTB0 )、 40 ℃时的叶片光合作用效率(EFFTB40)、 同化物转化到茎的效率 (CVS)以及同化物转化到贮存器官的效率 ( CVO)。

(2) 利用田间实测数据对WOFOST模型进行本地化验证,模拟各器官干物质重量和叶面积指数的皮尔逊相关系数PCC均大于0.95,归一化均方根误差NRMSE均小于20%,均方根误差RMSE、残差聚集指数CRM均处于合理区间。结果显示,本地化后的模型表现出了较为理想的玉米生长模拟精度,能够为当地农业管理提供帮助。