格網化小麥生長模擬預測系統設計與實現

徐　浩，張小虎，邱小雷，朱　艷，曹衛星

·農業信息與電氣技術·

格網化小麥生長模擬預測系統設計與實現

徐浩，張小虎※，邱小雷，朱艷，曹衛星

（南京農業大學國家信息農業工程技術中心，智慧農業教育部工程研究中心，農業農村部農作物系統分析與決策重點實驗室，江蘇省信息農業重點實驗室，江蘇現代作物生產協同創新中心，南京，210095）

利用作物生長模型模擬小麥區域生產力，分析氣候變化對農業生產的影響是研究糧食安全的熱點問題之一。擁有操作方便、計算快速特點的小麥區域生產力模擬系統，可有效提高作物生長模型區域應用能力。該研究在分解小麥生長模型WheatGrow算法基礎上，利用Python語言構建了格網化小麥生長模型，實現了基于空間格網數據的小麥區域生產力模擬。驗證試驗結果表明：模擬產量的均方根誤差為1 070 kg/hm2，標準均方根誤差小于20%，系統所集成的WheatGrow模型具有較好的預測性；同時，結合格網數據分塊構建區域模擬的并行計算策略，優化了區域模擬的性能。在此基礎上，采用GIS組件式開發模式，在.NET平臺下開發格網化小麥生長模擬預測系統，實現作物生長模型與GIS耦合，為研究區域小麥產量潛力，評估氣候變化對小麥生長影響，制定農業決策提供軟件工具。

作物；模型；并行算法；GIS；格網數據；系統開發

0 引 言

作物生長模型作為模擬作物生長、發育和產量形成的動態系統模型，可模擬作物生長關鍵物候期、光合物質生產及干物質分配、植株器官建成與產量品質形成等生理生態過程[1-3]。作物生長模型區域應用可反映區域作物生長水平，展示產量空間分布差異，量化生產力可增長幅度以及發現影響產量增長的限制因素，是評估糧食安全及優化種植結構的有效工具[4-6]。隨世界土壤數據庫HWSD（Harmonized World Soil Database）[7]，美國國家氣象數據中心的格網化氣象數據GHCN-M（Global Historical Climatology Network-Monthly）[8]、高空間分辨率的美國土壤剖面數據庫SSURGO（Soil Survey Geographic）[9]，中國1:100萬的區域土壤數據庫[10]等地理格網數據集在不同時空范圍內可公開獲得，格網化區域生長模擬已成為作物生長模型和GIS耦合實現區域應用的主要手段，并在農業模型比較與改進項目（Agricultural Model Intercomparison and Improvement Project，AgMIP）的框架下，建立了多種全球格網作物生長模型（Global Gridded Crop Models，GGCMs）[5]。其核心策略是通過GIS集成作物生長模型與地理格網數據庫，實現區域模擬分析，并能反映生產力要素在空間上的變異特征。然而，中國自主的格網化作物生長模型及其軟件系統研究并未得到足夠重視。

目前，格網化區域生長模擬的實現可分為松耦合與緊耦合2種方法[1,4,11]。松耦合是指作物生長模型模塊與GIS模塊分別構建獨立系統。其中，GIS模塊用來管理格網數據，作物生長模型系統用來模擬計算。這種方法通過GIS獲取模型輸入數據，轉換成作物生長模型系統的文件格式提供給作物生長模擬模塊進行計算，并將計算結果賦值到每個模擬格網。兩者通過文本文件交互方式實現彼此調用，具有開發代碼量少，難度小的優點，目前應用較為廣泛[4, 12-13]。但松耦合需要在GIS與作物生長模型之間進行切換并轉換數據，容易導致數據出錯，分析效率較低。同時，此方法一般不提供可視化圖形操作界面，增加了非專業人員使用難度。緊耦合將GIS模塊與作物生長模型模塊集成到一起，是基于GIS的作物生長空間模擬系統。其中，GIS集成了數據管理、分析和交互的所有功能，用戶只需簡單點擊操作即可進行作物生長模型的數據選擇、區域模擬與結果展示，大大減少錯誤率，提高作物生長模型在區域上的可用性[14]。此過程需利用GIS的系統架構和實現方式對原作物生長模型進行重構、耦合，將區域生產模擬功能發布成可在桌面GIS、網絡GIS及移動GIS上都能調用的地理處理工具（Geo-processing工具）。這種方式實現困難，目前相關研究較少。同時，在緊耦合方式中，當格網數據空間分辨率較高時，依次遍歷每個格網執行作物生長模型的串行方式效率低下，并需在內存中加載全部格網數據，內存消耗較高。近些年基于MPI（Message Passing Interface）的并行計算編程技術，充分利用計算機CPU多核心資源，能夠實現格網數據并行處理，提高區域計算效率，并降低內存消耗。該技術已在GIS和遙感領域廣泛應用[15-18]，但在作物生長模型區域模擬研究中應用較少。

綜上，本研究基于軟件工程的思想，采用GIS與作物生長模型緊耦合的方式，基于自主研發的小麥生長模型WheatGrow，設計實現格網化小麥生長模擬預測系統，能夠便捷的實現區域小麥生產力的高效模擬預測。將解決2個關鍵問題：1）如何構建格網化小麥生長模型；2）如何實現格網化小麥生長模型的并行計算，提高計算效率。

1 需求分析與技術路線

1.1 需求分析

根據格網化小麥生長模擬系統的應用目的及操作方式，本系統應實現以下功能：

1）數據管理。實現模型運行所需空間數據及其他數據的導入、導出、刪除更新等操作；

2）地圖管理。實現底圖加載及顯示，圖層放大、縮小、漫游等操作，并制作生成區域模擬結果專題地圖；

3）生長模擬。在保留傳統單個站點模擬功能的基礎上，實現利用格網化小麥生長模型的區域模擬和結果驗證；

4）生產力預測。實現不同模擬情景的小麥區域生產力模擬，包括光溫生產潛力、雨養生產潛力、氮素生產潛力，并可計算模擬產量與統計產量之間的產量差值；

5）統計分析。結合區劃數據，利用分區統計對區域模擬結果均值、標準差以及年際間變化進行做圖分析。

根據功能需求分析，本系統主要包括數據管理、地圖管理、生長模擬、生產力預測與統計分析5個模塊。

1.2 技術路線

本研究基于系統的需求分析，分解重構了南京農業大學自主研發的小麥生長模型WheatGrow算法[6]，采用Python編程語言結合Numpy包和Multiprocessing包實現并行化的格網化WheatGrow模型，并在ESRI?ArcGIS的環境下，將格網化WheatGrow封裝成可調用的地理處理工具；同時，結合格網化區域小麥生產力模擬的數據需求構建空間數據庫；最終，在Microsoft?.Net環境下利用ESRI?ArcGIS Engine組件進行系統的開發實現（圖1）。

圖1 格網化小麥生長模擬預測系統開發技術路線圖

2 系統體系結構

本系統基于Microsoft?.NET平臺，以ESRI?ArcGIS Engine組件式開發為基礎，使用C＃開發的桌面端應用程序。主要包括基礎設施層、數據資源層、軟件構建層與客戶終端層（圖2）。

圖2 系統架構

2.1 基礎設施層

基礎設施層包含系統開發、運行所需的基礎軟硬件環境，包括操作系統、存儲設備、數據庫軟件、服務器設備、安全設備等。

2.2 數據資源層

數據資源層存儲基礎地理數據，以及模型計算所需區域氣象、土壤、品種參數及管理措施等農業空間數據。其中，農業空間數據在入庫前對數據進行幾何修復、規范命名、統一投影等預處理操作。

系統的數據包括空間數據集與屬性數據集2部分（表1），屬性數據集利用關系數據庫進行存儲，空間數據利用ArcGIS空間數據庫存儲[19]。空間數據包括2部分，一是WheatGrow模擬所需氣象、土壤、品種和管理措施的格網數據，且每種數據提供了10、20、30、…、190與200 km，共20種空間分辨率；二是觀測站點空間分布與區劃矢量數據。屬性數據包括氣象站點歷史監測數據，產量統計數據，并通過設置關聯字段與矢量數據建立關聯。

表1 系統數據庫中主要數據列表

2.3 軟件構建層

2.3.1 GIS模塊

GIS模塊實現空間數據讀取、顯示及操作，實現空間分析功能，包括站點數據的空間插值，利用區劃數據對格網模擬結果分區統計，并能實現區域生產力模擬結果的專題地圖制作。

2.3.2 WheatGrow模型及其校正

WheatGrow模型是以小麥生長發育及生產力形成的過程機理為基礎，以氣象、土壤、品種和管理技術為驅動變量而構建的小麥生長模擬模型。模型包括頂端發育與物候期、光合作用與干物質生產、器官發育與建成、同化物分配與產量形成、土壤水分與養分平衡5個子模型[20-22]。模型利用作物生理發育時間（Physiological Development Time，PDT）來劃分作物發育階段，可模擬小麥通過光合作用將CO2轉化成干物質積累及同化物分配，最終形成小麥收產量品質的過程。所有模擬的動態過程都受到土壤水分與養分平衡的共同影響（圖3）。WheatGrow模型可以模擬光溫生產潛力、水分限制下的生產潛力和氮素限制下的生產潛力限制3種等級水平下小麥生長發育狀況。

圖3 WheatGrow模型結構流程圖

為驗證模型的準確性，本研究從中國小麥主產省份山東、江蘇、安徽、湖北、河南、重慶、四川、陜西、山西、河北、天津選取共45個典型生態觀測站點2000年至2009年小麥生產記錄數據對WheatGrow模型進行驗證（圖4）。數據記錄了京東8號、魯麥21、川麥107、鄭麥9023等10個品種的生育期、產量等觀測數據。結果表明：均方根誤差RMSE為1 070 kg/hm2，標準均方根誤差NRMSE小于20%，表明系統所集成的WheatGrow模型具有較好的預測性[23]。

2.3.3 格網化WheatGrow模型及實現

1）格網化WheatGrow模型區域模擬

為解決單點尺度的WheatGrow模型在區域生產力模擬的升尺度問題，研究采用基于空間插值的升尺度策略將WheatGrow模型從單點模擬擴展到區域應用[5]。該策略利用空間插值這種“由點到面”的GIS空間分析方法獲取區域模型輸入格網數據；利用GIS柵格代數方法重構WheatGrow模型，從而實現逐格網計算從而獲取區域模擬結果的目的[6]。格網模擬結果也可利用區域均值統計等方法進一步獲取區域平均產量水平。

圖4 基于WheatGrow模型的小麥籽粒產量模擬值與觀測值比較

2）模型輸入格網數據獲取及管理

格網化WheatGrow模型所需的氣象、土壤、品種和管理措施具有不同的數據特征，研究采用了不同插值方法生產相應的格網數據。其中，歷史和未來氣候情景下的氣象數據和土壤數據分別采用了ANUSPLIN和克里金插值[6,24-25]。品種參數為冬麥區各副區的代表性品種，因此利用矢量轉格網的方式獲取格網數據。所有輸入參數的格網數據按照數據資源層的規范和要求利用空間數據庫統一管理，便于系統的高效安全訪問（表2）。

表2 Gridded WheatGrow模型輸入數據

3）格網化WheatGrow模型計算優化

當格網數據空間分辨率較高時，格網數目較多，以逐格網串行任務計算方式耗時較長；采用格網數據分塊的策略將串行任務分解成功能獨立的子任務，可將數據并行能力最大化，數據通訊與同步開銷最小化[26]。所以針對格網數據特征，本系統從數據并行的角度，通過判斷計算機CPU數目，將格網數據劃分成指定大小的塊，使用Python Multiprocessing包將每塊格網數據交給不同CPU核心單元獨立進行計算，確保CPU滿載運行，提高運算效率。最終，通過將不同CPU計算結果進行合并，從而獲取整個區域格網化模擬結果。

一般格網數據在計算機中以二維矩陣的形式進行組織，其數據劃分方式可分為一維行劃分、一維列劃分，二維劃分與不規則劃分等多種方式[27]。由于二維數組在物理層中按行存儲，所以本研究采用一維行劃分對格網數據進行劃分。利用格網數據的行數除以計算機CPU數目，得出并行計算所需分塊數目，從而實現并行計算中的負載均衡。

4）格網化WheatGrow模型封裝

本研究利用ESRI?ArcMap?將格網化WheatGrow模型封裝成ArcToolbox地理處理工具，本工具兼容ArcMap?10.0-10.7版本。通過預先設定好模型數據讀取路徑，只需在前端輸入格網數據路徑、起始年份、終止年份、模擬情景、格網數據的空間分辨率、模擬結果保存路徑，即可實現區域生產力模擬。

2.4 客戶終端層

客戶終端層包含實現和顯示用戶界面的組件，管理客戶對信息的請求，通過用戶與Windows窗體的交互，實現地圖操作及調用作物生長模型相關業務邏輯操作。

3 系統實現與案例分析

研究采用C#和Python 2.7為開發語言，基于Microsoft?Visual Studio 2010?的開發環境，以ESRI?ArcGIS Engine?10.2為GIS組件，并結合Microsoft?SQL Server 2008?R2與ESRI?的空間數據引擎ArcSDE構建空間數據庫，進而開發實現了格網化小麥生長模擬預測系統。用戶可通過界面點擊選擇與輸入的交互方式實現包括單點模擬、區域模擬、統計分析、專題制圖等主要功能，為相關研究和應用工作提供了友好的軟件平臺。

光溫生產潛力指在理想條件下作物可以達到的最高理論產量，區域光溫生產潛力模擬對合理開發利用農業氣候資源具有重要意義[28]。所以，本研究以2013年中國冬麥區光溫生產潛力為模擬情景，對系統進行案例應用分析（圖5）。案例選擇了5、10、40、50、100、200 km，6個不同的空間分辨率。軟件的運行環境為32核Intel?Xeon(R)?CPU E5-2667 v3 @ 3.20 GHz，64位Microsoft?Windows 7 Professional?，內存64 GB。

運行結果表明本研究設計構建的系統完全實現了格網化的小麥區域生長模型，能夠高效便捷的模擬區域小麥生產力，并實現專題制圖。從運行效率上看，所提出的并行優化策略顯著提升了系統模擬速度（表3），數據空間分辨率為5 km時，串行計算消耗時間超過7 d，而并行加速后模擬時間約為1.6 h，模擬效率顯著提高。此外，系統采用并行優化后，模擬1 a數據僅需占用100 MB以內的計算機內存，提高了內存使用效率。

圖5 區域光溫生產潛力模擬系統界面

表3 不同空間分辨率數據集下的模型運行所需時間與內存

從專題圖上看，系統能夠根據用戶的需求，選擇不同空間分辨率的格網數據實現區域光溫生產潛力的模擬（圖6）。模擬結果的空間分布趨勢基本一致，但是格網輸入數據的分辨率對區域光溫生產潛力模擬結果具有顯著影響，隨空間分辨率逐漸增大，模擬結果空間分布細節特征逐漸消失。這種可視化分析結果也表明了本研究所構建的系統能夠為未來區域生產力模擬的進一步優化提供數據管理和可視化分析的支持。

圖6 2013年中國冬麥區不同空間分辨率下光溫生產潛力模擬

4 結 論

本研究針對小麥生長模型區域應用中的技術需求，構建格網化小麥生長模擬預測系統，實現了小麥區域生產力的模擬預測及分析制圖，并取得如下結論：

1）提出的網格化小麥生長模擬預測方案，能夠較好的拓展WheatGrow模型的區域模擬功能，實現區域小麥生產力的高效、準確模擬預測。

2）實現的格網化小麥生長模擬預測系統，提供了高效的格網化小麥生長模擬模型和較完善的模擬數據庫；系統也可基于運行環境的CPU數目實現并行計算，有效提高了區域模擬效率。同時，所封裝的格網化小麥生長模型ArcGIS Toolbox工具，便于有專業基礎的用戶在ESRI?ArcGIS環境下實現定制化的需求。

[1] Rosenzweig C, Elliott J, Deryng D, et al. Assessing agricultural risks of climate change in the 21st century in a global gridded crop model intercomparison[J]. Proceedings of the National Academy of Sciences, 2014, 111(9): 3268-3273.

[2] Maiorano A, Martre P, Asseng S, et al. Crop model improvement reduces the uncertainty of the response to temperature of multi-model ensembles[J]. Field Crops Research, 2017, 202: 5-20.

[3] 孫寧，馮利平. 利用冬小麥作物生長模型對產量氣候風險的評估[J]. 農業工程學報，2005，21(2)：106-110.

Sun Ning, Feng Liping. Assessing the climatic risk to crop yield of winter wheat using crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(2): 106-110. (in Chinese with English abstract)

[4] Resop J P, Fleisher D H, Wang Q, et al. Combining explanatory crop models with geospatial data for regional analyses of crop yield using field-scale modeling units[J]. Computers and Electronics in Agriculture, 2012, 89: 51-61.

[5] Mller C, Elliott J, Chryssanthacopoulos J, et al. Global gridded crop model evaluation: Benchmarking, skills, deficiencies and implications[J]. Geoscientific Model Development, 2017, 10: 1403-1422.

[6] Zhang X, Xu H, Jiang L, et al. Selection of appropriate spatial resolution for the meteorological data for regional winter wheat potential productivity simulation in China based on WheatGrow model[J]. Agronomy, 2018, 8(10): 198.

[7] Tifafi M, Guenet B, Hatté C. Large differences in global and regional total soil carbon stock estimates based on SoilGrids, HWSD and NCSCD: Intercomparison and evaluation based on field data from USA, England, Wales and France[J]. Global Biogeochemical Cycles, 2018, 32: 42-56.

[8] Lawrimore J H, Menne M J, Gleason B E, et al. An overview of the Global Historical Climatology Network monthly mean temperature data set, version 3[J]. Journal of Geophysical Research: Atmospheres, 2011, 116: 19121.

[9] Di L M, Arnold J G, Srinivasan R. Integration of SSURGO maps and soil parameters within a geographic information system and nonpoint source pollution model system[J]. Journal of Soil and Water Conservation, 2004, 59(4): 123-133.

[10] 張定祥，史學正，于東升，等. 中國1:100萬土壤數據庫建設的基礎[J]. 地理學報，2002，57(Z1)：82-86.

Zhang Dingxiang, Shi Xuezheng, Yu Dongsheng, et al. The basis for establishing China's 1:1,000,000 soil database[J]. Acta Geographica Sinica, 2002, 57(Z1): 82-86. (in Chinese with English abstract)

[11] Villoria N B, Elliott J, Müller C, et al. Rapid aggregation of global gridded crop model outputs to facilitate cross-disciplinary analysis of climate change impacts in agriculture[J]. Environmental Modelling and Software, 2016, 75: 193-201.

[12] Shelia V, Hansen J, Sharda V, et al. A multi-scale and multi-model gridded framework for forecasting crop production, risk analysis, and climate change impact studies[J]. Environmental Modelling and Software, 2019, 115: 144-154.

[13] Kim S H, Kim J, Walko R, et al. Climate change impacts on maize-yield potential in the Southwestern United States[J]. Procedia Environmental Sciences, 2015, 29: 279-280.

[14] 王志強, 甘國輝, 王健, 等. 基于Web服務和GIS的作物生長模擬系統及應用[J]. 農業工程學報, 2008, 24(1): 179-182.

Wang Zhiqiang, Gan Guohui, Wang Jian, et al. Crop growth simulation system based on web services and GIS and its application[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(1): 179-182. (in Chinese with English abstract)

[15] Rashmi C, Chaluvaiah S, Kumar G H. An efficient parallel block processing approach for K-means algorithm for high resolution orthoimagery satellite images[J]. Procedia Computer Science, 2016, 89: 623-631.

[16] 姜海燕，尹言，彭川陽，等. 作物生長模型分布式并行調度方案的比較[J]. 農業工程學報，2011，27(6)：247-253.

Jiang Haiyan, Yin Yan, Peng Chuanyang, et al. Comparison of distributed parallel scheduling schemes for crop growth model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(6): 247-253. (in Chinese with English abstract)

[17] 趙青松，陳林，孫波，等. 基于Hadoop的云環境下作物生長模型算法的實現與測試[J]. 農業工程學報，2013，29(8)：179-186.

Zhao Qingsong, Chen Lin, Sun Bo, et al. Algorithm implementation and tested of crop growth model based on hadoop of cloud computing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(8): 179-186. (in Chinese with English abstract)

[18] 楊靜靜，馬駿. 遙感影像區域面積快速計算并行算法研究[J]. 計算機時代，2020(6)：8-12.

Yang Jingjing, Ma Jun. Research on parallel algorithm for fast calculation of area in remote sensing image[J]. Computer Era, 2020(6): 8-12. (in Chinese with English abstract)

[19] 李德元，姚文龍，楊二龍，等. 基于ArcSDE文件地理數據庫存儲和設計的應用研究[J]. 測繪與空間地理信息，2016，39(2)：82-84.

Li Deyuan, Yao Wenlong, Yang Erlong, et al. The application of file geodatabase memory and design based on ArcSDE[J]. Geomatics & Spatial Information Technology, 2016, 39(2): 82-84. (in Chinese with English abstract)

[20] Liu T, Cao W, Luo W. Calculation of physiological development time and prediction of development stages after heading[J]. Acta Tritical Crops, 2000, 20: 29-34.

[21] Lv Z, Liu X, Cao W, et al. Climate change impacts on regional winter wheat production in main wheat production regions of China[J]. Agricultural & Forest Meteorology, 2013, 171-172(Complete): 234-248.

[22] 嚴美春，曹衛星，羅衛紅，等. 小麥發育過程及生育期機理模型的研究I.建模的基本設想與模型的描述[J]. 應用生態學報，2000，11(3): 355-359.

Yan Meichun, Cao Weixing, Luo Weihong, et al. A mechanistic model of phasic and phenological development of wheat. I. Assumption and description of the model[J]. Chinese Journal of Applied Ecology, 2000, 11(3): 355-359. (in Chinese with English abstract)

[23] Xu H, Huang F, Zuo W, et al. Impacts of spatial zonation schemes on yield potential estimates at the regional scale[J]. Agronomy, 2020, 10(5): 631.

[24] Zhang X, Zuo W, Zhao S, et al. Uncertainty in upscaling in situ soil moisture observations to multiscale pixel estimations with kriging at the field level[J]. International Journal of Geo-Information, 2018, 7(1): 33.

[25] 陳鋒銳，秦奮，李熙，等. 基于多元地統計的土壤有機質含量空間格局反演[J]. 農業工程學報，2012，28(20)：188-194.

Chen Fengrui, Qin Fen，Li Xi, et al. Inversion for spatial distribution of soil organic matter content based on multivariate geostatistics[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012，28(20)：188-194. (in Chinese with English abstract)

[26] 姜海燕，彭川陽，尹言，等. 作物生育期模擬并行調度算法的研究與設計[J]. 江蘇農業學報，2010，26(6)：1210-1216.

Jiang Haiyan, Peng Chuanyang, Yin Yan, et al. Design of parallel scheduling algorithm for crop development simulation[J]. Jiangsu Journal of Agricultural Sciences, 2010, 26(6): 1210-1216. (in Chinese with English abstract)

[27] 江嶺，湯國安，劉凱，等.局部型地形因子并行計算方法研究[J]. 地球信息科學學報，2012，14(6)：761-767.

Jiang Ling, Tang Guoan, Liu Kai, et al. Study on parallel calculation method of local terrain parameters[J]. Journal of Geo-Information Science, 2012, 14(6): 761-767. (in Chinese with English abstract)

[28] 周治國，曹衛星，王紹華，等. 基于GIS的區域作物生產系統潛力分析[J]. 農業工程學報，2003，19(1)：124-128.

Zhou Zhiguo, Cao Weixing, Wang Shaohua, et al. GIS-Based potential productivity analysis of regional crop production system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(1): 124-128. (in Chinese with English abstract)

Design and implementation of gridded simulation and prediction system for wheat growth

Xu Hao, Zhang Xiaohu※, Qiu Xiaolei, Zhu Yan, Cao Weixing

(,,210095,)

To simulate the regional wheat productivity can be an essential way to evaluate the impacts of climate change on food security. Generally, a crop growth model is available to the wheat productivity prediction at the regional and national scales for decision-making. However, a convenient and fast software system is necessary to improve the ability of the crop growth model, thereby to efficiently calculate regional wheat productivity. In this research, a simulation platform was designed to implement a gridded wheat growth model (Gridded WheatGrow) for regional wheat forecast, combining with the observed weather data. The Gridded WheatGrow model is derived from the WheatGrow model that invented by Nanjing Agricultural University, particularly for a process-based wheat growth simulation. The Gridded WheatGrow model can be used to integrate the gridded data and the simulation model within a geographical information system (GIS). The modified model can facilitate the acquisition of the input data, such as the daily meteorological data and soil data with a high spatial resolution, for the season forecasts, wheat productivity simulation, and other application of most previous open grid databases. The Gridded WheatGrow model can be a core component of a GIS. This is because the simulation system, not just an independent software, was designed based on the close integration of GIS and crop model. Furthermore, this design can simplify the data preparation, further to make it friendly to a non-professional user. A parallel computing method was adopted with the strategy of grid data partition based on Message Passing Interface (MPI), in order to solve the time-consuming and inconvenient problems caused from the modeling and calculation of grid data in the application of the regional productivity simulation. As such, the grid data can be dynamically segmented into a certain number of blocks, according to the number of the CPU cores in a computer and the size of the original grid data. Therefore, the computation of regional productivity simulation can efficiently utilize the full capacity of CPU in the computer, while reduce the consumption of stored physical memory. In the case of high efficiency, a normal personal computer can also be used to develop a gridded simulation system of wheat productivity. The proposed system was implemented based on the component geographic information system in development mode using the Microsoft?platform, together with net developer platform, C# and Python programming language. The Gridded WheatGrow model was also served as a specific geoprocessing tool for ESRI?ArcGIS. In ArcMap?module of the system, the customized code can be used to simulate the regional wheat productivity on the specific purpose. The proposed system was verified by the field data collected from the winter wheat area in China, and the root mean square error (RSME) and normalized root mean square error (NRSME) are1 070 kg/hm2and less than 20%, respectively, showing an excellent performance. The typical system can be used to simulate the regional wheat productivity with a friendly user interface, while to reduce time and consumption of physical memory. Combining with the fundamental functions of GIS, the simulated data can be easily visualized and mapping for the later public use. All these features of the proposed system can prove that the Gridded WheatGrow simulation platform is an useful and reliable software on regional wheat productivity forecasts, and thereby it can be expected to evaluate the impacts of climate change on food security and decision making in modern agriculture.

crops; models; parallel algorithms; GIS; grid data; system development

徐浩，張小虎，邱小雷，等. 格網化小麥生長模擬預測系統設計與實現[J]. 農業工程學報，2020，36(15)：167-172.doi：10.11975/j.issn.1002-6819.2020.15.021 http://www.tcsae.org

Xu Hao, Zhang Xiaohu, Qiu Xiaolei, et al. Design and implementation of gridded simulation and prediction system for wheat growth[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(15): 167-172. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.15.021 http://www.tcsae.org

2020-04-27

2020-07-28

國家重點研發項目（2016YFD0300607）；國家自然科學基金國際合作與交流項目（41961124008）

徐浩，博士生，研究方向為農業空間數據分析與建模。Email：haoxu1989@hotmail.com

張小虎，博士，副教授，研究方向為農業時空大數據智能分析。Email：zhangxiaohu@njau.edu.cn

10.11975/j.issn.1002-6819.2020.15.021

S24; TP311.5

A

1002-6819(2020)-15-0167-06