基于COSIM模型的新疆棉花產量動態預報方法

王雪姣，潘學標，王 森，胡莉婷，郭燕云，李新建

?

基于COSIM模型的新疆棉花產量動態預報方法

王雪姣1,2，潘學標2※，王 森1，胡莉婷2，郭燕云1，李新建1

（1. 新疆農業氣象臺，烏魯木齊 830002；2. 中國農業大學資源與環境學院，北京 100193）

該文在對棉花生長模擬模型COSIM進行模型調試、驗證實現本地化應用的基礎上，探討運用作物模型進行棉花產量動態預報的方法，重點解決未知氣象數據替代問題。作物模型應用于產量預報時，未來天氣的不確定性是影響預報準確率的關鍵因子，該影響隨著當年實際天氣數據增多而減小。該文以近50 a的氣象數據，依次替代預報日至收獲期的氣象數據（即預報日之前使用預報年當年氣象數據，預報日之后使用替代年氣象數據），模擬棉花生長發育和產量形成過程，以近50、40、30、20、10、5 a歷史氣候數據依次替代預報日之后的逐日數據獲得的模擬產量平均值作為預報產量，根據對預報準確率進行比較，最終確定以近10 a實測數據替代獲得的模擬產量平均值作為最終預報產量。經驗證該預報方法對不同播種時間棉花產量動態預報的準確率在81.3%～99.6%，預測精度較好。作為案例分析，該文僅進行每月1次預測分析，實際應用中可進行逐日替代動態預報，經過進一步改進，提高預報精度，未來可望達到業務應用水平。

棉花；模型；氣象；動態預報；產量；新疆

0 引 言

作物產量預報是農業氣象業務的重要組成部分，及時、準確地預測作物長勢和產量對于國家宏觀調控、進出口政策、農業生產管理等都有指導作用。針對不同的作物，學者們運用統計模型[1-5]、作物模型[6-9]、遙感與作物模型耦合[10-14]等方法開展了大量產量預報研究。

棉花是中國主要的經濟作物，新疆是中國最大的優質棉主產區，其棉花產量占全國棉花總產的50%以上[15]，因此新疆棉區棉花產量預報的準確性就顯得尤為重要。目前，常用的作物產量預報方法中，大田調查統計的方法只能根據當前作物生長發育狀況進行估產，預測精度受后期天氣因素和樣本代表性影響較大，且需要消耗大量人力物力，不適合大面積應用。農業氣象統計模型預報方法，只考慮了氣象因子對作物產量的影響，模型難以外推應用，且短期內篩選預報因子較為不易，不適于動態預報。遙感技術在大范圍的作物估產中有較大優勢，但是遙感數據的質量受天氣條件影響較大，且只能通過外部表現來反應作物的生長狀態，難以了解作物內在生長發育和產量形成過程。此外，運用遙感進行產量動態預測時，預測步長受衛星運行周期限制。相比之下，作物模型不僅揭示了作物生長發育的內在機理，且綜合考慮了氣候、土壤、管理措施和品種對作物生長發育的影響，能夠在任意時間模擬作物產量形成過程[16]，近年來被廣泛應用于作物產量動態預報[6-9]。作物產量預報過程中，未來天氣的不確定性是影響預報準確率的關鍵因子，該影響隨著作物生長發育進程的繼續和當年實際天氣增多而減小。目前常用于未知天氣數據替代的有天氣發生器和相似年型。其中，天氣發生器[17]能夠通過已知天氣數據模擬未來的氣象特征，可以生成任意長度逐日的天氣數據系列。各國學者做了大量研究，針對不同的應用目標，開發了不同類型的天氣發生器[18-19]。但由于天氣發生器參數調控方法的不足，目前應用其模擬數據進行產量預報仍存在一些不確定性。相似年型是替代未知氣象數據的主要來源，目前已有大量研究根據相似年型進行產量預報[20-23]，以綜合聚類法克服根據單一相似年型預測產量的不足之處。但棉花具有無限生長性，如遇非致命災害具有可恢復性，即使產量預報前的氣象條件與歷史某年相似，預報日至收獲時的氣象條件也不一定相似，從而影響根據相似年型預報出的產量準確性，且近年來極端天氣事件頻發，大大增強了預報至收獲期氣象條件的未知性。因此，本文以新疆棉區代表性站點烏蘇縣為例，探索運用COSIM棉花生長模擬模型[20]進行棉花產量動態預測的方法，重點探討產量預報過程中未知氣象數據的替代問題，以期為農業氣象業務服務提供新方法。

1 材料與方法

1.1 試驗地概況與試驗設計

2011年田間試驗在新疆烏蘇（44°43′N，84°67′E）進行，屬于溫帶大陸性干旱氣候，無霜期195 d、≥10 ℃積溫4 002.3 ℃、日照時數1 936.9 h、棉花生長季（4—10月）降水量139.8 mm。2011年4—10月≥10 ℃積溫、日照時數和降水量分別為4 235.6 ℃、1 965.3 h和146.8 mm。試驗區土壤為黏壤土，土壤容重為1.41 g/cm3、田間持水率為40%（體積含水率）、土壤有機質為15 g/kg、全氮質量分數為0.91%、堿解氮為54 mg/kg、速效磷為5 mg/kg、速效鉀為280 mg/kg、pH值為7.8，土壤屬于輕度鹽堿土。

試驗設置5個播期處理，分別為4月10日、4月20日、4月30日、5月10日、5月20日。小區10 m′2 m，南北行向，采用完全隨機區組設計，設置3個重復。供試品種為冀棉958（L.），采用播種覆膜滴灌帶鋪設一次完成的種植模式，1膜種植4行棉花，滴灌帶鋪設在寬行的2行棉花中間，行距依次為10、60和10 cm，播種密度為22.5 萬株/hm2。播種后灌出苗水40 mm，此后，6月上旬開始灌水，8月下旬結束灌水，灌水間隔約為10 d，遇降雨天氣灌水日期順延，5個播期處理累計灌水量分別為366、360、348、320和295 mm。肥料施用量參考當地常規用量，尿素為675 kg/hm2、磷酸二銨為255 kg/hm2、硫酸鉀為75 kg/hm2，除出苗水外，每次灌水均隨水滴肥，單次施肥量為總施肥量的1/9。5個播期處理分別于9月10日、9月15日、9月21日、9月29日、10月5日開始分3次收獲棉花（由于棉花自下而上、自內而外的生長習性，最先結鈴的下部棉鈴先吐絮成熟，最晚結鈴的頂部棉鈴最后吐絮成熟，整株棉鈴全部成熟歷時1個月以上。因此，試驗過程中，隨著棉鈴的成熟，每個播期分3次收獲。）。

1.2 測定項目與方法

生育期：以全小區50%棉株達到發育要求為標準，記錄棉花播種、出苗、現蕾、開花、吐絮出現的時間。

葉面積和干物質：每30 d在各小區隨機取樣5株，用長寬比法測定全株葉面積；將棉株各器官分離稱鮮質量，而后分別裝于紙袋，在105 ℃下殺青30 min后，在80 ℃下烘干至質量恒定，分別測定各器官干物質量。

產量及其構成要素：收獲期在各小區隨機選取10株，測定單株鈴數、鈴質量和衣分；選取各小區中間5 m的區域測定籽棉產量。

1.3 作物模型

COSIM模型[24]借鑒COTGROW棉花模型[25-26]的建模理論，主要包括發育期模擬、干物質分配、水分平衡模擬、光合生產、產量形成等模塊，其中發育期模擬以溫度為變量（>12 ℃有效積溫）計算發育速率，根 據群體對太陽輻射的吸收量和輻射能轉化率計算干物質生產量，通過各器官質量占總干物質質量的比例得到各器官質量。該模型能夠反應環境因子（天氣和土壤）、管理措施和品種特性的互作效應對棉生長發育、產量形成的影響，模擬輸出棉花各發育期出現時間和單位面積籽棉產量、皮棉產量等。目前，該模型在棉花冷害指標分析、預測和診斷[27-28]，以及氣候變化對棉花生產的影響方面[29-30]已得到廣泛應用。基于多年研究成果建立的新疆棉區土壤和棉花品種信息數據集[31]，可為應用該模型進行農業氣象業務服務提供數據支持。此外，COSIM模型以日為步長動態模擬棉花生長過程，可實現棉花產量逐日動態預報。

本研究中試驗地氣象資料（日最高溫、日最低溫、日照時數、降水量）由國家氣象信息中心提供，模型模擬所需的土壤、管理措施和棉花品種信息由田間試驗獲得。采用均方根誤差（root mean square error，RMSE）對實測值和模擬值的吻合程度進行統計分析。

式中RMSE為均方根誤差；X為觀測值；Y為模擬值；為樣本數量。

1.4 基本原理和方法

未來天氣的不確定性是影響預報準確率的關鍵因子，目前還難于準確預報未來月尺度的天氣，而獲取各地實時的實測氣象數據對氣象部門已不是難事。本研究用近50 a的氣象數據依次替代預報日至收獲期的氣象數據（即播種至預報日使用當年實測氣象數據，預報日至收獲日用歷史各年氣象數據替代）生成50個天氣文件，運用模型依次讀取天氣文件模擬棉花產量，以距預報年最近的50、30、20、10、5 a逐年氣象數據替代所得到的模擬產量的平均值作為預報產量。最終根據預報準確率選定預報方法。

2 結果與分析

2.1 模型適應性分析

在COSIM模型輸入2011年天氣數據，模擬棉花生長發育及產量，利用田間分期播種試驗的生育期和產量實測資料對模型模擬結果進行有效性驗證。由圖1可知，模擬得到的棉花生育期出現日期和皮棉產量與實測值擬合較好。出苗期、現蕾期、開花期和吐絮期日序的觀測值和模擬值的RMSE分別為2.2、2.9、2.3和5.9 d，其中吐絮期模擬偏差較大，主要原因是，田間試驗后期對5月10日和5月20日2個播期較晚的處理采用了少量乙烯利催熟，導致吐絮期觀測值略大于模擬值。皮棉產量觀測值與模擬值的RMSE為165.9 kg/hm2，模擬準確率為90%（RMSE為觀測值和模擬值的絕對偏差，RMSE/觀測值可知模擬誤差為10%，即模擬準確率為90%）。因此，COSIM模型對烏蘇地區棉花生產狀況符合實際情況，在該地區具有較好的適用性。

圖1 烏蘇地區棉花生育期和皮棉產量實測值與模擬值的比較

2.2 預報方法篩選

COSIM模型可逐日動態模擬棉花生長發育和產量形成過程，即可逐日動態預報棉花產量。本文以2011年烏蘇棉花田間分期播種試驗資料為基礎，利用播期為4月20日的棉花產量資料篩選預報方法，利用播期為4月10日、4月30日、5月10日和5月20日的棉花產量資料對預報方法進行驗證。為篩選預報方法，對4—10月棉花生長進行逐日預報。

在任意預報時間，以1961—2010年每年的天氣數據，依次替代預報日之后的天氣數據，得到50個天氣文件（預報日之前為2011年的天氣數據，預報日之后為替代年的天氣數據），以此為驅動運行模型，得到50個模擬產量，分別以1961—2010年（50 a）、1981—2010年（30 a）、1991—2010年（20 a）、2001—2010年（10 a）和2006—2010年（5 a）模擬產量的平均值作為預報產量。皮棉產量實測值與模擬值比較如圖2所示。

注：播種時間為2011年4月20日。

由圖2可知，5種預報方法在個別預報時間均有較高的準確率，但在任意預報時間的預報準確率差異較大。從7次預報結果來看，50、30、20、10、5 a模擬結果平均值與實測值的標準偏差分別為171、123、82、86、106 kg/hm2，其中20和10 a模擬結果的標準偏差最小。此外，運用作物模型進行產量預報的過程中，隨預報時間的推進，當年實測氣象數據越來越多，預報產量逐漸接近當年模擬值，因此預報值與當年模擬值的偏差也是評判預報是否準確的重要指標。由圖2可知，50、30、20、10、5 a模擬結果平均值與當年模擬值的標準偏差分別為293、213、147、106、125 kg/hm2。綜合考慮幾種產量預報方法的預報準確性和穩定性（即在任意預報時間準確率均較高），同時考慮到氣候變暖的單傾向性導致溫度差異隨時間距離增加而增大和年數增加的計算量問題，最終選擇以近10 a（2001—2010年）模擬產量的平均值作為皮棉產量的預報值，動態預報結果見表1，其中預報準確率為標準偏差與實測或者模擬產量的比值，%。由表可知，播種前（4月1日）預報偏差最大，準確率低于90%；其余6次的預報準確率均在93%以上。由此可見，根據該預測方法在任意預報時間均能獲得較高的預報準確率。

表1 2011年烏蘇棉花產量動態預報結果

2.3 預報方法檢驗

根據已確定的預報方法，對播種時間為4月10日、4月30日、5月10日和5月20日的處理進行產量動態預測，驗證該方法的準確性和穩定性，不同播種時間的產量動態預報結果見表3。與實測產量相比（表2），該預報方法對播種時間較早的棉花產量動態預報準確率較高，4月10日播種的棉花產量動態預報準確率均在95%以上；對播種時間較晚的棉花產量動態預報準確率較低，逐月動態預報準確率均在80%以上，其中4月30日、5月10日播種的棉花在5月1日和7月1日的預報準確率均高于90%。與模擬產量相比，預報產量準確率均在85%以上，其中模擬產量為所有未知氣象數據均被實際氣象替代后最終的動態預報產量，任意預報時間下的預報產量均收斂于此，因此可通過提高模型模擬精度提高對實際產量的預報準確率。

表2 2011年烏蘇不同播種時間棉花產量動態預報準確率

3 結論與討論

本文探討了利用作物生長模型進行產量動態預測的方法，重點解決產量預報過程中未知氣象數據的替代問題。目前，新疆棉花產量預報以基于相似年型的預報方法為主，分別在棉花生長中期和收獲前進行2次預報，相比于傳統的產量預報方法，本研究可實現以日為步長的動態預報，且克服了棉花生產前期實際天氣數據少產量預報準確率偏低的弱點。目前，應用作物模型進行產量預報，受模型模擬精度和未知天氣數據不確定性的限制，產量預報精度在90%上下。本研究在預報方法確定及驗證過程中共進行27次產量預測，其中40%預報準確率在80%～90%，52%預報準確率在95%以上。

氣候變化過程中新疆暖濕化趨勢顯著。COSIM模型以積溫為驅動模擬棉花生長過程，而氣候變暖的單傾向性導致溫度差異隨時間距離增加而增大，導致以近50、30、20、10 a氣象數據替代未知天氣數據進行產量模擬時，模擬精度隨年代的縮短而升高。而以近5 a氣象數據為替代時，由于時間序列較短，所包含的氣候年型較少，從而影響模擬精度。

近年來高溫、局地強對流等極端天氣事件頻繁發生，其對棉花生長發育和產量形成影響的模擬需要更深入的研究，這也是作物模型應用于農業氣象業務服務過程中需要改進之處。運用作物模型進行產量預報是個復雜的科學問題，本研究初步探討了未知氣象數據的替代問題，今后還將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。

此外，單站棉花產量只可反映當地棉花生產水平，而區域總產對于棉花價格走勢、政府宏觀調控以及相關農業政策的制定而言更為重要。區域棉花生產中棉花播種期不是具體的某一天，而是一段適宜的播種區間，預測區域總產時需考慮播種時間對產量影響。本研究根據田間分期播種試驗資料，預測不同播種時間下的棉花產量取得較高的預報準確率，為區域預報奠定基礎，在今后的研究中筆者將在單點產量預報的基礎上探討區域產量預報方法。

本研究通過預報方法篩選，最終確定以近10 a的氣象資料依次替代預報日至收獲期的未知氣象數據模擬得到的10個模擬產量的平均值作為預報產量，經驗證該預報方法對不同播種時間棉花產量動態預報的準確率在81.3%～99.6%，預測精度較好。作為案例分析，本文僅進行每月1次預測分析，實際操作中可進行逐日替代動態預報，經過進一步改進，提高預報精度，未來可望達到業務應用水平。

[1] Woli P, Jones J W, Ingram K T, et al. Predicting crop yields with the agricultural reference index for drought[J]. Journal of agronomy and crop science, 2014, 200(3): 163－171.

[2] 李曼華，薛曉萍，李鴻怡. 基于氣候適宜度指數的山東省冬小麥產量動態預報[J]. 中國農學通報，2012，28(12)：291－295. Li Manhua, Xue Xiaoping, Li Hongyi. Dynamic prediction method for wheat yield based on climatic suitability index in Shandong Province[J]. Chinese Agricultural Science Bulletin, 2012, 28(12): 291－295. (in Chinese with English abstract)

[3] 易諄，王曉東，陳剛，等. 基于灰色預測和線性回歸的煙葉產量預測模型[J]. 計算機應用，2013，33(S1)：52－54. Yi Zhun, Wang Xiaodong, Chen Gang, et al. Forecast model of tobacco production based on grey dynamic model and multivariate linear regression[J]. Journal of Computer Applications, 2013, 33(S1): 52－54. (in Chinese with English abstract)

[4] 杜春英，李帥，王晾晾，等. 基于歷史產量豐歉影響指數的黑龍江省水稻產量動態預報[J]. 中國農業氣象，2010，31(3)：427－430. Du Chunying, Li Shuai, Wang Liangliang, et al. Dynamic prediction method for rice yield based on influence index for bumper or poor harvest from historic yield in Heilongjiang Province[J]. Chinese Journal of Agro meteorology, 2010, 31(3): 427－430. (in Chinese with English abstract)

[5] 嚴彩虹，李小明. 基于灰色關聯分析的新疆棉花產量氣象影響因素研究[J]. 沙漠與綠洲氣象，2012，6(5)：51－53. Yan Caihong, Li Xiaoming. Meteorological factors influencing cotton yield in Xinjiang based on gray conjunction analysis[J]. Desert and Oasis Meteorology, 2012, 6(5): 51－53. (in Chinese with English abstract)

[6] 王偉，黃義德，黃文江，等. 作物生長模型的適用性評價及冬小麥產量預測[J]. 農業工程學報，2010，26(3)：233－237. Wang Wei, Huang Yide, Huang Wenjiang, et al. Applicability evaluation of CERES-Wheat model and yield prediction of winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(3): 233－237. (in Chinese with English abstract)

[7] 帥細強，王石立，馬玉平，等. 基于水稻生長模型的氣象影響評價和產量動態預測[J]. 應用氣象學報，2008，19(1)：71－81. Shuai Xiqiang, Wang Shili, Ma Yuping, et al. Assessment of meteorological condition effects and dynamic yield Forecasting based on rice growth model[J]. Journal of Applied Meteorological Science, 2008, 19(1): 71－81. (in Chinese with English abstract)

[8] 黃晚華，薛昌穎，李忠輝，等. 基于作物生長模擬模型的產量預報方法研究進展[J]. 中國農業氣象，2009，30(增刊1)：140－143. Huang Wanhua, Xue Changying, Li Zhonghui, et al. Research progresses in yield forecasting method based on crop growth simulation model in China[J]. Chinese Journal of Agrometeorology, 2009, 30(Supp. 1): 140－143. (in Chinese with English abstract)

[9] Guillaume J, Elizabeth P, Liu J G. Using leaf area index, retrieved from optical imagery, in the STICS crop model for predicting yield and biomass of field crops[J]. Field Crop Research, 2012, 131(2): 63－74.

[10] 任建強，陳仲新，唐華俊，等. 基于遙感信息與作物生長模型的區域作物單產模擬[J]. 農業工程學報，2011，27(8)：257－264. Ren Jianqiang, Chen Zhongxin, Tang Huajun, et al. Regional crop yield simulation based on crop growth model and remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(8): 257－264. (in Chinese with English abstract)

[11] 黃健熙，武思杰，劉興權，等. 基于遙感信息與作物模型集合卡爾曼濾波同化的區域冬小麥產量預測[J]. 農業工程學報，2012，28(4)：142－148. Huang Jianxi, Wu Sijie, Liu Xingquan, et al. Regional winter wheat yield forecasting based on assimilation of remote sensing data and crop growth model with Ensemble Kalman method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(4): 142－148. (in Chinese with English abstract)

[12] 陳勁松，黃健熙，林琿，等. 基于遙感信息和作物模型同化的水稻估產方法研究[J]. 中國科學：信息科學，2010，4(增刊)：173－183. Chen Jinsong, Huang Jianxi, Lin Hui, et al. Rice yield estimation by assimilation remote sensing into crop growth model[J]. Science China: Information Sci, 2010, 4(Suppl): 173－183. (in Chinese with English abstract)

[13] 楊鵬，吳文斌，周清波，等. 基于作物模型與葉面積指數遙感影響同化的區域單產估測研究[J]. 農業工程學報，2007，23(9)：130－136. Yang Peng, Wu Wenbin, Zhou Qingbo, et al. Assimilating remotely sensed LAI into GIS-based EPIC model for yield assessment on regional scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(9): 130－136. (in Chinese with English abstract)

[14] Amor V M I, Narendra N D, James W H, et al. Assimilation of remotely sensed soil moisture and vegetation with a crop simulation model for maize yield prediction[J]. Remote Sensing of Environment, 2013, 138(6): 149－164.

[15] 毛樹春，李亞兵，馮璐，等. 新疆棉花生產發展問題研究[J]. 農業展望，2014(11)：43－51. Mao Shuchun, Li Yabing, Feng Lu, et al. Study on the development of Xinjiang cotton production[J]. Agricultural Outlook, 2014(11): 43－51. (in Chinese with English abstract)

[16] Jin I Y. Predicting regional rice production in South Korea using spatial data and crop-growth modeling[J]. Agricultural Systems, 2003, 77(1): 23－38.

[17] 廖要明，張強，陳德亮. 中國天氣發生器的降水模擬[J]. 地理學報，2004，59(5)：689－698. Liao Yaoming, Zhang Qiang, Chen Deliang. Precipitation simulation in China with a weather generator[J]. Acta Geographica Sinica, 2004, 59(5): 689－698. (in Chinese with English abstract)

[18] 李世娟，諸葉平. 基于干濕期的隨機天氣發生器[J]. 農業工程學報，2014，30(11)：118－124. Li Shijuan, Zhu Yeping. Stochastic weather generator based on dry and wet spells[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 118－124. (in Chinese with English abstract)

[19] 張徐杰，許月萍，高希超，等. CCSM3模式下漢江流域設計暴雨計算[J]. 水力發電學報，2012，31(4)：49－53. Zhang Xujie, Xu Yueping, Gao Xichao, et al. Estimation of design storm in Han River basin with CCSM3 model[J]. Journal of Hydroeletric Engineering, 2012, 31(4): 49－53. (in Chinese with English abstract)

[20] 王建林，宋迎波. 棉花產量動態預測方法研究[J]. 中國棉花，2002，29(9)：5－7. Wang Jianlin, Song Yingbo. Study on dynamic prediction method for cotton yield[J]. China Cotton, 2002, 29(9): 5－7. (in Chinese with English abstract)

[21] 鄭昌玲，楊霏云，王建林，等. 早稻產量動態預報模型[J]. 中國農業氣象，2007，28(4)：412－416. Zheng Changling, Yang Feiyun, Wang Jianlin, et al. A study on dynamic prediction model of early rice yield per unit[J]. Chinese Journal of Agrometeorology, 2007, 28(4): 412－416. (in Chinese with English abstract)

[22] 楊霏云，王建林. 晚稻單產動態預測方法研究[J]. 氣象科技，2005，33(5)：433－436. Yang Feiyun, Wang Jianlin. A method for dynamically predicting late rice yields [J]. Meteorological Science and Technology, 2005, 33(5): 433－436. (in Chinese with English abstract)

[23] 易雪，王建林，宋迎波，等. 早稻產量動態集成預報方法研究[J]. 中國水稻科學，2011，25(3)：307－313. Yi Xue, Wang Jianlin, Song Yingbo, et al. Study on dynamic Integrated prediction of early rice yield[J]. Chinese Journal of Rice Science, 2011, 25(3): 307－313. (in Chinese with English abstract)

[24] 潘學標，李玉娥. 新疆棉花生產區域評估系統研究[J]. 中國農業科學，2003，36(1)：37－43. Pan Xuebiao, Li Yu’e. Study of cotton production regional assessment system[J]. Scientia Agricultura Sinica, 2003, 36(1): 37－43. (in Chinese with English abstract)

[25] 潘學標，韓湘玲，董占山，等. 棉花生長發育模擬模型COTGROW的建立Ⅰ光合作用和干物質生產與分配[J]. 棉花學報，1997，9(3)：132－141.Pan Xuebiao, Han Xiangling, Dong Zhanshan, et al. Developed on cotton growth and development model COTGROW Ⅰ Photosynthesis and dry matter production and distribution[J]. Cotton Science, 1997, 9(3): 132－141. (in Chinese with English abstract)

[26] 潘學標，韓湘玲，王延琴，等. 棉花生長發育模擬模型COTGROW的建立Ⅱ發育與形態發生[J]. 棉花學報，1999，11(4)：174－181. Pan Xuebiao, Han Xiangling, Wang Yanqin, et al. Developed on cotton growth and development model COTGROW Ⅱ Morphological development[J]. Cotton Science, 1999, 11(4): 174－181. (in Chinese with English abstract)

[27] 陳超，潘學標，李慧陽，等. 基于COSIM模型的新疆棉花延遲型冷害指標分析[J]. 棉花學報，2009，21(3)：201－205. Chen Chao, Pan Xuebiao, Li Huiyang, et al. Analysis of cotton delayed cool injury indices in Xinjiang based on COSIM[J]. Cotton Science, 2009, 21(3): 201－205. (in Chinese with English abstract)

[28] 王雪姣，潘學標，陳超，等. 基于COSIM模型的棉花冷害預測研究[J]. 棉花學報，2012，24(1)：52－61. Wang Xuejiao, Pan Xuebiao, Chen Chao, et al. Forecasting cotton chilling damage based on COSIM[J]. Cotton Science, 2012, 24(1): 52－61. (in Chinese with English abstract)

[29] 托麗娜，潘學標，廖要明，等. 新疆棉花生產氣候風險評估的模型方法初探[J]. 棉花學報，2005，17(2)：122－124. Tuo Lina, Pan Xuebiao, Liao Yaoming, et al. Assessment of climate risk for cotton production in Xinjiang by cotton production regional assessment system[J]. Cotton Science, 2005, 17(2): 122－124. (in Chinese with English abstract)

[30] 陳超，潘學標，張立禎，等. 氣候變化對石羊河流域棉花生產和耗水的影響[J]. 農業工程學報，2011，27(1)：57－65. Chen Chao, Pan Xuebiao, Zhang Lizhen, et al. Impact of climate change on cotton production and water consumption in Shiyang River Basin[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 57－65. (in Chinese with English abstract)

[31] 王雪姣. 氣候變化對新疆棉花物候、產量和品質的影響與適應措施[D]. 北京：中國農業大學，2015. Wang Xuejiao. Impact and Adaptation of Climate Change on Cotton Phenology, Yield and Fiber Quality in Xinjiang[D]. Beijing: China Agricultural University, 2015. (in Chinese with English abstract)

Dynamic prediction method for cotton yield based on COSIM model in Xinjiang

Wang Xuejiao1,2, Pan Xuebiao2※, Wang Sen1, Hu Liting2, Guo Yanyun1, Li Xinjian1

(1.830002,; 2.100193,)

Xinjiang is the largest cotton producing area in China accounting for more than 50% of the total cotton production in China. So the accuracy of the prediction of cotton production in Xinjiang is particularly important. Based on calibration and validation of cotton growth model COSIM, in this paper, we used a dynamic prediction model for cotton yield forecast and focused on solving the problem of the unknown climatic data substitution during the prediction period. In the process of prediction, the model read the climatic data day by day. For predicting the growth, development and yield of cotton by the dynamic prediction model, in this study, we substituted the measured climatic data in the recent 50, 30, 20, 10, and 5 years for the unknown climatic data from forecasting day to harvest day, respectively. Meanwhile, the climatic data measured in the year was input into the model before forecasting day. In this way, the cotton yield and development could be predicted day by day. To test the reliability of the method, an experiment with 5 different sowing date (April 10th, April 20th, April 30th, May 10th, May 20th) was designed in 2011 at Wusu, Xinjiang (44°43′ N，84°67′ E). Each treatment was replicated 3 times. The cotton was harvested on September 10th, September 15th, September 21th, September 29thand October 5th, respectively. During the experiment, the growing stage of the cotton was recorded. The leaf area and biomass were determined. These parameter values were input into the COSIM model for cotton lint yield prediction. The model reliability was evaluated by comparing the simulated and measured values of lint yield and growing stages. For the simulation, the climatic data measured in 2011 was used. The results showed that the root mean square error (RMSE) of the cotton growing from emergence to flowering stage was 2.2-5.9 d. The determination coefficient was 0.99. For the lint yields simulations, the RMSE was 165.9 kg/hm2. It indicated that the model was reliable in simulating cotton development and lint yield. Based on experimental results of treatment 1 (sowing date was April 20th), we selected the best substitution one for the unknown climatic data from the 5 schemes (climatic data of the recent 50, 30, 20, 10, and 5 years) and then validated by the results from the other treatments. The results showed that the for the randomly selected 7 predicting time (April 1st, May 1st, June 1st, July 1st, August 1st, September 1st, October 1st), the standard deviation of the measured and predicted lint yield of the 5 schemes from 50 to 5 years’ climatic data was 171, 123, 82, 86 and 106 kg/hm2, respectively. The predicting accuracy was above 87% compared with the measured values and above 83% compared with the simulated values for the lint yields. Among them, the accuracy in the predicting time after the sowing date was above 93%. Based on the predicting accuracy and the standard deviation, the best scheme was the 10 years’ climatic data substation scheme. The validation of the best scheme using the results from the other treatments showed that predicting accuracy could reach 81.3%-99.6%, indicating the reliability of the best scheme for cotton lint yield prediction. Compared with a single station forecasting, the regional forecasting of cotton yield is more important to national macro-control. In a large region, cotton is not sowing on the same day but during a time period. Therefore, in predicting the regional cotton yield, the effect of sowing time should be taken into consideration. As a case, this study only does the forecast once a month. In practice, the daily dynamic forecast would be realized.

cotton; models; meteorology; dynamic prediction; yield; Xinjiang

10.11975/j.issn.1002-6819.2017.08.022

S165+.27

A

1002-6819(2017)-08-0160-06

2016-08-11

2017-03-10

公益性行業（氣象）科研專項（GYHY201206022、GYHY（QX）201506001）；.新疆氣象科研課題 （MS201707）；中國沙漠氣象科學研究基金（Sqj2016013）

王雪姣，工程師，博士，主要從事作物模型和農業氣象災害研究。北京 中國農業大學資源與環境學院，100193。Email：wxjby@126.com

潘學標，壯族，博士，教授，主要從事生物氣候模型與信息系統、氣候變化影響評價與農牧業適應技術等方面的研究。北京 中國農業大學資源與環境學院，100193。Email：panxb@cau.edu.cn

王雪姣，潘學標，王 森，胡莉婷，郭燕云，李新建.基于COSIM模型的新疆棉花產量動態預報方法[J]. 農業工程學報，2017，33(8)：160－165. doi：10.11975/j.issn.1002-6819.2017.08.022 http://www.tcsae.org

Wang Xuejiao, Pan Xuebiao, Wang Sen, Hu Liting, GuoYanyun, Li Xinjian. Dynamic prediction method for cotton yield based on COSIM model in Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 160－165. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.08.022 http://www.tcsae.org