基于WOFOST模型的華北冬小麥動態長勢評估指標構建

鄭昌玲，侯英雨，吳門新，張 蕾

(國家氣象中心，北京 10081)

作物模型能對作物重要生理生態過程及其與氣象、土壤等環境條件的關系進行數值模擬，能夠從機理上定量地描述作物生長過程及其與環境因素之間的關系，被廣泛應用于作物生長機理研究和農業生產管理中。在眾多作物模型中，荷蘭瓦赫寧農業大學的作物生長模擬模型WOFOST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[1-6]。WOFOST模型是根據氣象和土壤條件模擬作物根、莖、葉和穗生物量以及土壤水分的動態模型，以天為步長模擬1年生作物的生態生理過程，主要包括同化作用、呼吸作用、蒸騰作用、干物質累積分配以及這些過程如何受環境的影響等；模型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；在過去的幾十年里，WOFOST作物模型已經被用于多個方面，例如分析產量風險、年際間產量變化以及土壤狀況、氣象條件、作物品種、耕作制度對產量的影響[4-8]。21世紀初開始，國內專家學者針對WOFOST模型對冬小麥、玉米等作物的適應性和參數優化[9-12]、作物產量預測[13-17]和氣象條件及災害影響評估方面[18-23]進行許多相關研究,取得了較好效果。

作物長勢是指作物的生長狀況與趨勢，可以用個體和群體特征來描述，包括個體特征參數、群體特征參數和綜合參數(葉面積指數)；通過作物長勢的監測可及時了解作物的生長狀況、肥力、病蟲害及作物營養狀況，可為田間管理提供及時的決策支持信息和早期估產提供依據。目前，對于農作物長勢監測的手段，大范圍采用的是衛星遙感監測，小面積主要是人為實地觀察及正在興起的機器視覺和遠程監控方法監測[24-25]，而基于地面資料的區域范圍冬小麥長勢監測和評估方法的研究和應用較少。

冬小麥是中國的3大糧食作物之一，其種植面積占全國糧食作物總面積的18%～24%。地上生物量和葉面積指數是反映小麥長勢的主要參數，是預測小麥產量和收益的關鍵因素之一，也是評價農作區生態狀況的重要指標。作物模型可以定量估算作物生長趨勢和生物量的變化，機理性、實時性和動態性強，已成為農業生產定量評價的重要手段之一。本研究利用WOFOST模型，構建基于模型主要輸出要素地上部總生物量(TAGP)和葉面積指數(LAI)的華北平原冬小麥長勢評估指標，嘗試研發基于地面觀測資料的區域尺度的作物長勢監測和評估技術。

1 材料和方法

1.1 研究資料

研究區域為華北平原冬小麥主產區，包括河北省、山東省和河南省；區域內包括中國氣象局354個氣象站、68個農業氣象觀測站，以及河北固城、河南鄭州和山東泰安3個農業氣象試驗站(簡稱農試站)。模型主要輸入氣象數據為2001-2016年的氣象站6個要素的逐日資料，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公式(1)計算[26]，其他氣象要素均為氣象觀測站直接獲取。作物參數輸入數據來源于農業氣象觀測站的2009-2013年冬小麥生育時期及單產的觀測數據，以及農試站不同生育時期冬小麥莖、葉、貯存器官的干物質量和實測LAI等生長率參數；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。

Rs=(a+bn/N)*Ra

式中，n和N分別為日照時數和日長，Rs和Ra分別為日太陽總輻射和晴天狀態下日總輻射，a、b為系數，隨區域、季節的變化而變化。根據2004-2012年華北地區太陽輻射觀測站的太陽總輻射與日照時數，通過最小二乘法模擬每一個站每旬的a、b值，然后根據最近原則，推算每一個作物觀測站的對應值。

1.2 WOFOST冬小麥模型作物參數本地化、區域化和適用性分析

利用農業氣象觀測站的冬小麥生育期資料和氣象資料，分別計算了播種至出苗、出苗至開花、開花至成熟階段的有效積溫，然后計算其算術平均值作為作物參數中的TSUMEM(播種-出苗的積溫)、TSUM1(出苗-開花期的積溫)、TSUM2(開花-成熟期的積溫)。利用固城、鄭州、泰安等農業氣象試驗站冬小麥試驗觀測資料確定了SLATB(比葉面積)、FLTB、FSTB、FOTB(地上干物質中葉、莖、穗的分配系數)等參數；通過調試和查閱文獻對其他作物參數(RGRLAI葉片相對最大生長速率，CLV、CVO、CVR、CVS地上器官同化物轉移系數，AMAXTB葉片最大CO2同化速率，EFFTB葉片光能利用率)進行校正，剩余參數則采用模型缺省值。

鑒于模型區域尺度應用目的，參數應在一定地域范圍內具有較好的代表性，同時考慮到生育參數與環境密切相關，具有明顯的空間屬性特征，而且與品種熟性相對應，因此本研究采用在單點驗證基礎上按生育參數劃分區域，各分區取一套生育參數。利用華北黃淮地區農業氣象觀測站分別確定各站點不同發育階段的累積溫度多年平均值，結合地形、氣候、品種熟性分布和各地區的產量水平，將華北三個冬小麥主產省劃為8個小區(圖1)。

圖1 華北冬小麥主產區參數分區

為了確定目前WOFOST模型對華北平原冬小麥的適用效果，根據已修訂的參數，以在華北麥區的農業氣象試驗站(河北固城站、山東泰安站、河南鄭州站)作為代表站，利用固城站2010/2011年度、鄭州站2011/2012和2012/2013年度、泰安站2011/2012、2012/2013年度的冬小麥田間試驗資料，以冬小麥生育期、葉面積指數、地上器官(葉、莖、穗)重、地上總生物量為目標，通過對模型模擬結果與實際觀測值的比較，進行模型的適應性和獨立性檢驗，對WOFOST冬小麥模型在華北平原地區的適應性進行評估。

1.3 冬小麥長勢動態評估方法

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。以氣象條件為驅動，利用WOFOST作物模型模擬的不同年份生物量動態累積過程及不同時段生物量動態累積過程及最終生物量與歷史同期平均(同期平均氣候下)生物量的對比，經過統計分析，評價作物生育期內各時段或全生育期長勢情況。

1.3.1 平均生物量模擬

平均氣候條件下的模擬生物量是評價的基礎和標準，本研究采取先模擬后平均的方法[27]。利用2001-2016年內逐日氣象資料、作物初始信息驅動作物模型，模擬逐年度冬小麥生長季內逐日輸出要素值，選定地上部總生物量(TAGP)、葉面積指數(LAI)作為評估指標，并計算其生長季內逐日的15年平均生物量(AT)。

1.3.2 構建冬小麥長勢動態評估指標

以冬小麥逐年生物量或葉面積指數與15年平均值的距平百分率(Ft)作為對冬小麥長勢評估的指數；根據2001-2016年Ft的歷史數據統計概率分布，確定不同時段基于TAGP和LAI的評估指標。WOFOST模型可以模擬冬小麥從出苗至成熟期間逐日生物量，因此理論上可以計算逐日的Ft序列。結合冬小麥關鍵生長階段和農業氣象業務服務需求，選擇冬小麥長勢評估時間節點為12月15日(冬季停止生長)、2月28日(返青)、3月31日(拔節)、4月30日(灌漿)及成熟期；計算各個時間點的TAGP和LAI所有站點15年的距平百分率(Ft)；考慮數據的有效性，對各時段數據進行基于偏度系數(g1)和峰度系數(g2)的正態分布檢驗。在進行正態分布檢驗后的各時間點的Ft數據系列進行概率統計分析，根據概率分布情況構建冬小麥長勢評估指標(D)。根據國家氣象中心農業氣象業務需求，研究中評估指標(D)設置為5個等級，其中“長勢差”和“旺長”分別為最低和最高的15%，“長勢正常”為中間的40%，“長勢偏差”和“長勢偏好”的比例分別為比中間值偏低和偏高的15%(表1)。

表1 冬小麥苗情長勢評估等級設置Table 1 Evaluation grade setting of winter wheat seedling growth

2 結果與分析

2.1 WOFOST模型模擬效果檢驗

2.1.1 模型生育期和葉面積指數模擬效果檢驗

在對河北固城、河南鄭州和山東泰安代表站生育期參數進行調試后，以冬小麥的三葉、分蘗、拔節、抽穗、開花、乳熟、成熟期為對象，利用WOFOST冬小麥模型進行模擬。從模擬結果來看，WOFOST模型模擬值與實測值吻合度高，兩者接近1∶1直線，決定系數R2達到0.997 4(n=35)，線性回歸系數接近1，回歸效果極顯著 (P<0.001)；生育期模擬誤差絕對值平均為 3.7 d(圖2)，表明模型對冬小麥生育期的模擬精度高，性能好。

圖2 河北固城、河南鄭州和山東泰安冬小麥 生育期(日序)模擬值與實測值對比

對葉面積指數(LAI)的觀測值與WOFOST模型的模擬值進行比較，結果表明，二者動態變化趨勢一致，模擬均值(3.4)與實測均值(3.7)接近(圖3)。經t檢驗，二者無顯著性差異。線性回歸決定系數R2值為0.877 5(n=42),回歸效果極顯著(P<0.001)；均方根誤差為1.33,歸一化均方根誤差為36%。這表明WOFOST模型能夠較好地模擬冬小麥LAI的變化，模擬誤差在可接受范圍。

圖3 河北固城、河南鄭州和山東泰安冬小麥 LAI模擬值與實測值對比

2.1.2 地上部生物量模擬效果驗證

經過參數校準后，對三個代表站的生物量模擬效果進行分析,結果(表2)表明，地上部總生物量(TAGP)及各器官生物量的模擬值與實測值較為接近。其中，地上部總生物量、葉生物量和莖生物量的模擬值與實測值的決定系數R2為0.77～0.92，線性相關系數為0.88～0.96，回歸效果極顯著(P<0.001)；穗生物量R2相對偏低，但模擬值與實測值無顯著性差異(P<0.05)；地上部總生物量及各器官生物量的模擬均值和實測均值比較的誤差為3.8%～11.7%，其中綠葉生物量和穗生物量均值低于實測均值，地上部總生物量和莖生物量略高于實測均值，歸一化均方根誤差為22%～44%。總體上，各生物量的模擬誤差均在合理范圍內，對冬小麥生物量模擬性能較好。

表2 冬小麥地上部及各器官生物量模擬值與實測值的統計指標Table 2 Statistical indicators of simulated and measured aboveground and different organs biomass of winter wheat

以固城站2010-2011年度試驗為例，TAGP、綠葉生物量、莖生物量、穗生物量的模擬值與觀測值變化趨勢一致，葉生物量和莖生物量在生育前期和后期的模擬值與觀測值接近，但在拔節至抽穗期模擬值與觀測值存在差異，模擬的最終穗重低于觀測值(圖4)。

圖4 河北固城站2010-2011年度冬小麥地上部、 葉和穗生物量模擬值與觀測值

2.2 基于WOFOST模型的冬小麥長勢動態評估指標構建和驗證

2.2.1 基于TAGP和LAI的冬小麥長勢動態評估指標構建

對不同時間點的TAGP和LAI所有站點15年的距平百分率(Ft)進行正態分布檢驗，均近似遵從正態分布。以抽穗期結果為例，其正態分布曲線和頻率分布見圖5。

圖5 抽穗期地上部總生物量(a)和LAI(b)距平百分率的頻率分布和正態分布曲線

根據冬小麥長勢評估指標等級設置，不同時間節點基于TAGP和LAI的具體長勢指標值(D)見表3。從表3可以看出，在越冬前(12月15日)和返青期(2月底)，冬小麥的LAI和TAGP值均比較小，多年平均值基數較小且不同年份波動較大，因此“旺長好”和“長勢差”的指標值變化較大；到冬小麥生長后期，多年平均值基數變大，且相對波動較小，對應的距平指標值變小。

表3 冬小麥長勢動態評估指標(D)Table 3 Dynamic growth evaluation indices of winter wheat(D) %

2.2.2 動態長勢指標驗證

利用河北固城站(2009-2010、2010-2011年度)、河南鄭州站(2010-2011、2011-2012和2012- 2013年度)和山東泰安站點(2010-2011、2011-2012和2012- 2013年度)農業氣象試驗站冬小麥TAGP和LAI觀測資料，按照苗情長勢評價指標確定各年度各時段長勢評價等級，并對各年度內長勢等級與觀測資料之間進行相關分析(表4)。河北固城站兩年長勢評價與觀測資料對比，各時段2009-2010年度TAGP和LAI高于2010-2011年度，長勢評價為2009-2010年度等于或高于2010-2011年度，總體相一致；山東泰安站中，冬小麥生長前期基于TAGP的長勢評價等級與觀測值基本一致，但后期相關性較差，未通過顯著性檢驗，基于LAI的長勢評級等級與觀測值的一致性則前差后好，總體上基于LAI的評價指標好于基于TAGP的評價指標；河南鄭州站冬小麥長勢指標評價結果與觀測值一致性在生長過程中呈波動狀態，總體基于LAI長勢評價指標好于基于TAGP評價指標。

表4 冬小麥代表站點長勢評估等級與觀測值相關性Table 4 Correlation between winter wheat growth evaluation grade and observed values at the three experimental stations

3 討 論

本研究應用田間觀測資料、歷史氣象和農業氣象觀測資料，在進行了WOFOST模型在華北冬小麥主產區的本地化和區域化研究的基礎上，確定了不同區域冬小麥的生育參數和生長參數。從結果看，河北固城、山東泰安和河南鄭州三個代表站的WOFOST冬小麥模型模擬結果與實測值對比分析顯示，模型模擬的效果較好，模擬的冬小麥生長趨勢與實際一致，生育期模擬誤差絕對值平均為3.7 d，地上部總生物量及各器官生物量的誤差為3.8%～11.7%，在華北平原適用性 良好。

從檢驗效果來看，基于作物模型的冬小麥長勢評估指標能較好地反映冬前苗情長勢，而在冬小麥生育中后期，由于受到田間管理、病蟲害防治等影響，生長狀況變得復雜，指標評估與實際觀測狀況吻合度降低，但總體上可以一定程度上反映冬小麥的生長狀況和長勢。本研究中提出了冬小麥某一發育階段的長勢評估指標值，但在實際業務應用中，可開展冬小麥生長季內任意時間多空間尺度作物長勢評估，即可實時監測評估，又可與歷史情況開展對比分析。

基于作物模型的作物長勢評估指標為動態監測區域范圍的作物長勢提供一種方法，且在業務應用中簡便可行。但作物模型是一種計算機數學模擬過程，其本身的不確定性及對災害性天氣和病蟲害的反映不敏感會造成在評估分析和應用上存在不足。因此，一方面，需要待借助精細化、針對性試驗資料的積累和完善，通過對作物模型參數厘定、算法模塊改進等過程，優化作物模型在我國主要作物產區的應用；另一方面，基于此種方法的作物長勢評估結果需要與田間實地觀測料、遙感監測資料等結合，并進一步加強標準化、規范化的長勢監測，以更好地開展定量化、指標化的長勢評估，才能為農業氣象科研和業務服務提供支持，更好的指導農業生產。