基于校正WOFOST模型的棗樹生長模擬與水分利用評價

白鐵成 王濤 張楠楠

摘要：為實現定量化分析溫、光和水資源對果樹生長的影響，本研究以成齡駿棗樹為研究對象，提出了基于校正WOFOST模型的棗樹生長和水分運移模擬方法。利用2016和2017年的田間試驗觀測數據，重點校正WOFOST模型的物候學發育、初始化、綠葉、CO同化、干物質分配、呼吸作用和水分利用參數。在田間尺度，完成總地上生物量（TAGP）、葉面積指數（LAI）和土壤水分含量的動態模擬和精度驗證;在縣域尺度，使用55個果園的最大LAI、單產、實際蒸散量（ET）和水分利用效率（WUE）數據評價模型區域尺度的模擬性能。結果表明，在田間尺度，校正模型模擬不同灌溉梯度TAGP的決定系數R范圍為0.92～0.98，歸一化均方根誤差NRMSE為8.7%～20.5%;模擬LAI的R范圍為0.79～0.97，NRMSE為8.3%～21.1%;模擬土壤水分含量的決定系數R范圍為0.29～0.75，NRMSE為4.1%～6.1%。在縣域尺度，兩年模擬最大LAI與實測LAI的R分別為0.64和0.78，NRMSE分別為13.3%和10.7%;模擬單產的R分別為0.48和0.60，NRMSE分別是12.1%和11.9%;模擬ET均方根誤差分別為36.1mm（7.9%）和30.8mm（7.4%）;模型也表現了較高的WUE模擬精度（10%<NRMSE<20%），均方根誤差EMSE值分別為0.23和0.28kg/m。WOFOST模型在田間和縣域尺度都取得了較高的棗樹生長和水分運移模擬精度，可為土壤、氣象、灌溉管理和棗樹生長耦合影響的定量化分析提供新思路。

關鍵詞：作物生長模型;參數校正;WOFOST;棗樹;水分利用效率

中圖分類號：S126文獻標志碼：A文章編號：202103-SA008

引用格式：白鐵成，王濤，張楠楠.基于校正WOFOST模型的棗樹生長模擬與水分利用評價[J].智慧農業（中英文），2021，3（2）：55-67.

BAI Tiecheng， WANG Tao， ZHANG Nannan. Dynamic simulation of jujube tree growth and water use evaluation based on the calibrated WOFOST model[J]. Smart Agriculture， 2021， 3（2）： 55-67. （in Chinese with English abstract）

1引言

紅棗富含蛋白質、糖類、維生素和礦物質等營養成分，具有重要的食用和醫學價值。中國紅棗種植區域主要有新疆、山西、陜西、河北、河南和山東等地區。新疆南部地區光熱資源豐富、日照時間長、晝夜溫差大，是中國最重要的優質紅棗生產基地，年產量372.8萬噸，占全國總產量的50%[1]，已成為南疆農民增收和人口聚集的重要支柱產業。然而，新疆地區夏季溫度高、蒸發蒸騰量大、干旱少雨，水資源緊缺，如何定量評價蒸散和水分利用效率是干旱區農業節水的關鍵技術問題。現有關于棗樹生長水效應和灌溉管理研究主要集中在灌水處理對產量和品質的影響[2]、管理制度對土壤水分的影響[3]、灌溉模式優化水肥管理[4]、灌溉和施肥對產量的耦合影響[5-7]等。然而，這些研究大多基于田間試驗數據，灌溉方案通常只適用于特定土壤和氣候環境，無法實現定量化分析灌溉方案對紅棗產量和品質的影響。

作物生長模型是基于生理和生態學原理，并使用數學模型量化受氣候、土壤和管理條件影響的作物生長發育過程。在過去的幾十年中，已經開發的幾個比較成熟的作物模型包括WOFOST（WOrldFOod Studies）、DSSAT（Decision Support System for Agrotechnology Transfer）和EPIC（Environmental. Policy Integrated Climate）等[8]。這些模型各具特點和優勢，但通常都包含了物候學、CO同化（光合生產）、呼吸作用、同化物分配和土壤水循環等模塊，被廣泛應用于農業生產管理以及與社會相關的應用中，如氣候變化響應[9]，作物產量預測[10]以及環境、水分和作物生長的耦合作用[11]等。已有的作物生長模型主要聚焦一年生的大田作物，關于果樹作物模型研究方面，Fishman和Génard[12]基于水和干物質運輸機制開發了桃樹果實生長模型，計算干旱和新增質量變化所表示的季節性和晝夜水果生長情況，以分析作物負荷下的水分脅迫條件。Lopez等[13]基于形態學開發了桃樹生長的計算機模擬模型，實現桃樹生長的三維描述，可用于樹木修剪管理。Lescourret等[14]用全局模型解釋了雌性和雄性藤的開花、授粉和果實生長之間的關系，并集成了生產管理輸入，仿真了果園管理對琳猴桃果實數量和尺寸的影響，該模型對氣候和技術操作的變化都很敏感。Green等[15]開發了果樹冠層蒸騰和光能截獲模型，用于證明蒸騰作用如何響應氣象環境的變化，敏感性分析表明，光攔截受葉面積和葉光學特性變化的影響最大，而蒸騰作用受葉面積和葉電導變化的影響最大。Costes等[16]使用混合隨機和生物力學模型模擬了果樹發育。

然而，已報道的果樹生長模型缺少生理生化過程的機理性描述。WOFOST是一種機理模型，可以根據物候學、CO同化、蒸騰作用、呼吸作用以及這些過程如何受環境條件影響來解釋作物生長[8]。該模型的過程描述是通用的，通過參數校正可用于不同作物的生長模擬[17]和水分限制產量評估[18]，不僅被廣泛用于定量分析一年生大田作物的生長過程[8]，而且具有棗樹生長模擬和產量評估的潛力[19]。基于WOFOST實現多年生果樹作物的水分限制生長模擬，進而實現土壤、氣象、灌溉管理和果樹作物生長耦合影響的定量化分析，有望使果樹灌溉管理從試驗統計分析邁入定量、機理性描述階段。因此，本研究以矮化密植駿棗為研究對象，在WOFOST模型作物參數校正基礎上，實現棗樹生長和水分運移模擬過程。并使用大田試驗測量的總地上生物量（Total. Above-Ground Production，TAGP）、葉面積指數（Leaf Area Index， LAI）和土壤水分含量驗證田間尺度的模擬精度;使用縣域尺度測量的55個果園的最大葉面積指數、單產、實際蒸散量和水分利用效率評價校正WOFOST模型在縣域尺度不同棗園的模擬性能。

2材料與方法

2.1研究區概況

研究區位于新疆維吾爾自治區阿拉爾市（80°30′E—81°58′E，40°22′N—40°57′N），紅棗種植面積約4.5萬公頃，約占全國紅棗產量的1/8。屬于暖溫帶極端大陸性干旱荒漠氣候，2016年和2017年平均降雨量分別為106和98mm，主要分布在夏季，太陽輻射年均133.7～146.3 kcal/cm，年均日照2556.3～2991.8h，年平均氣溫在10.8～12.5℃之間，最大日溫差為20℃。豐富的光熱資源為優質紅棗種植提供了良好的自然條件。

2.2試驗設計

在田間試驗區域（圖1藍色方塊定位區域）選擇成齡棗園在2016和2017年開展灌溉試驗，采用滴灌方式在生育期設計5個灌溉梯度（不包括冬灌和春灌）：灌溉定額CK（375 mm，D1）、90% CK（338 mm，D2）、80% CK（300 mm，D3）、70% CK （263 mm，D4）和60% CK（225 mm，D5）。灌溉定額參考了當地經驗灌溉量，生長季灌溉10次，各小區施肥量和其他農藝措施相同。

2.3測試項目及方法

在田間試驗區域測量的主要數據包括以下內容。

①物候學發育時間：記錄萌芽，開花（坐果）和成熟日期。

②干重測量：每10d取樣一次，生長季取樣10次，每次選均勻的棗樹3棵，取全樹葉片、新枝和果實帶回實驗室在80℃下烘干至恒重后測量各器官干重。

③光合有效輻射和葉面積指數：每10d使用SunScan冠層分析儀（Delta公司，英國）測定不同冠層空間的有效葉面積指數。

④光合作用：每10d測量一次，使用LI6400XT便攜式光合作用測試儀分層測試凈光合速率、氣孔導度、胞間CO濃度和蒸騰速率。

⑤土壤水分：灌溉前后在0～100cm土壤深度每20cm用根鉆取土樣，測定土壤容積含水量，每年測量14次。

⑥其他土壤參數：土壤田持、容積密度、飽和土壤含水率、土壤水響應曲線和滲透系數等直接取樣帶回實驗室進行測量，同步記錄灌溉日期和灌溉量。

⑦氣象數據：由塔里木大學紅棗研究基地架設的小型氣象站提供，包括15min間隔的溫度、濕度、輻射、風速、降雨和氣壓數據等。

在縣域尺度觀測55個棗園（圖1紅點坐標）的初始棗樹干重、最大發育階段的葉面積指數、最終產量和實際蒸散。葉面積指數觀測時間分別為2016年7月24日和2017年7月27日，每年11月份觀測棗園產量。實際蒸散量ET。計算如公式（1）所示[20]。

ET=P+I-D-?SM（1）

其中，P、I、D和?SM分別為有效降雨量、灌溉量、深層土壤滲透、生長季開始和結束時土壤平均水分含量差值。新疆地區駿棗樹根系存在于0～100cm[21]（主要分布在垂直60 cm內土層），研究中測量100cm土壤層滲透量作為深層土壤滲透量。研究區地下水較深，地表徑流量極少，所以研究中未考慮地下水和地表徑流對ET的影響。

水分利用效率（Water Use Efficiency，WUE）是節水農業的重要指標，尤其在干旱和半干旱地區，本研究中也將使用WUE進一步驗證校正模型的區域尺度模擬精度。WUE等于實測產量與ET的比值。

2.4WOFOST模型參數校正

WOFOST模型參數包括氣象、土壤和作物參數，由于研究區域為縣域尺度，氣象數據空間變異性較小，因此直接使用氣象站觀測數據，土壤基本屬性參數直接使用測量值。本研究主要校正作物參數，對于敏感性較低的參數，如發芽的最低溫度TBASEM和葉片老化的最低溫度TBASE通過查閱文獻[22]確定，敏感性較高的參數，如初始生物量TDWI和葉片死亡率SPAN通過2016年D1灌溉處理的田間觀測數據進行校正。參考Wit等[23]的關于WOFOST模型的校準方法，結合棗樹生理特點，WOFOST模型主要參數的校正過程如下。

（1）物候學參數校正。模型校準從物候學參數開始，通過有效積溫法確定[23]。棗樹開始發育的最低閾值溫度（Lower Threshold Temperature for Emergence，TBASEM）被設置為10℃[22]。WOFOST給出的萌芽時最高有效溫度（Max Effective Temperature for Emergence，TEFFMX）范圍為18～32℃。由于2016和2017年棗樹萌芽期最高溫度低于30℃，萌芽期并無高溫脅迫，因此，將最高有效溫度設置為30℃。從開始發育至萌芽的有效積溫和（Temperature Sum from Sowing to Emergence，TSUMEM）、萌芽至開花的有效積溫和（Temperature Sum from Emergence to Anthesis，TSUM1）以及開花至成熟的有效積溫和（Temperature Sum from Anthesis to Maturity，TSUM2）3個指標通過觀測每日平均溫度和萌芽、開花以及成熟日期進行校準。有效積溫的每日增加量（Daily Increase in Temperature Sum，DTSMTB）根據最高適宜溫度（35.5℃）[24]和最低發育溫度（10℃）[22]計算。

（2）初始干重校正。棗樹與一年生作物不同，如果考慮上一年的莖，可能會導致初始作物干重值過高。本研究中初始棗樹干重被定義為初始新器官（初始芽和根）的重量，通過模擬和實測的總地上生物量和葉面積指數值進行初始干重TDWI的校正。縣域尺度的55個果園的初始棗樹干重值根據實測的芽重和芽的分配系數計算獲得。其中芽的分配系數來自于田間試驗的測量數據。

（3）綠葉參數校正。在所有試驗小區中，萌芽時（定義為芽上第五片葉子展開時）的葉面積指數（Leaf Area Index at Emergence，LAIEM）的測量值均小于0.004。另外，仿真結果表明，當LAIEM從0.0007（WOFOST給出的最小值）增加到0.01時，總地上生物量、活葉干重、活莖干重、果實干重和LAI的模擬結果差異極小，因此，LAIEM參數可以設置為0.0007至0.01之間的任何值。測量的LAI最大相對增加量（Maximum Relative Increase in LAI，RGRLAI）均小于0.05，而且當RGRLAI從0.05增加到默認最大值0.5時，總地上生物量和葉面積指數模擬結果幾乎不變，因此RGRLAI被設置為最小值0.05。葉面積與干重比值（Specific Leaf Area， SLATB）根據測量的總地上生物量和葉面積指數進行校準。葉片老化速率（Life Span of Leaves Growing at 35 Celsius，SPAN）根據生長季后期田間測量的LAI進行了校正。

（4）CO同化參數校準。分別在棗樹最佳發育下限溫度19.5℃和上限溫度35.5℃擬合光響應曲線，擬合獲得最大的CO同化速率（Maximum Leaf CO Assimilation Rate，AMAXTB）和光能利用效率（Light-use Efficiency for Single Leaf，EFFTB）初始值，再通過實測總地上生物量和葉面積指數，對消光系數（Extinction Coefficient for Diffuse Visible Light，KDIFTB）、AMAXTB和EFFTB進行了校準。

（5）干物質分配參數。FSTB（分配到莖的系數）、FOTB（分配到果實的系數）和FLTB（分配到葉的系數）為發育階段的函數，使用測量和模擬的地上各器官干物質重量進行校準。

（6）水分利用參數校正。使用測量的土壤水分含量校正蒸騰速率修正系數（Correction Factor Transpiration Rate，CFET）、水分脅迫敏感性校正系數（Correction Factor for Crop Water Stress Sensitivity，DEPNR）、初始根深（Initial. Rooting Depth，RDI）、每日根深最大增量（Maximum Daily Increase in Rooting Depth，RR1）和最大根深（Maximum Rooting Depth， RD- MCR）。

2.5模型驗證

模型驗證包括兩部分。在田間試驗區域，使用2017年D1～D5處理測量的時間序列的總地上生物量、LAI和土壤水分含量驗證棗樹生長和土壤水分運移的模擬精度。縣域測量的55個果園最大發育階段的LAI、單產、實際蒸散量和水分利用效率用于驗證模型區域模擬性能。使用決定系數（Coefficient of Determination，R）、均方根誤差（Root Mean Square Error， RMSE）和歸一化均方根誤差（Normalized Root Mean Square Error，NRMSE）評估田間試驗處理的模擬性能，使用R，RMSE，NRMSE，相對偏差（Relative Bias Error，RBE）頻率分布和變異系數（Coefficient of Variation，CV）評價縣域尺度棗園的最大LAI和單產模擬性能。使用RBE頻率分布、RMSE和NRMSE評價實際蒸散和水分利用效率的模擬精度。其中，R表達實測值與模擬值之間的一致性，RMSE和NRMSE表達測量值和模擬值相對誤差和絕對誤差，NRMSE≤10%表示極高精度，10%<NRMSE≤20%表示高精度，20%<NRMSE≤30%表示中等精度，NRMSE>30%表示低精度[10]。CV反映了模擬結果空間變異性，CV<10%表示弱變異性，10%≤CV≤100%表示中等變異性，CV>100%表示強變異性[10]。RBE頻率分布表示樣本被高估和低估的比例。R、RMSE、NRMSE、RBE和CV計算見公式（2）～（6）。

（2）

（3）

（4）

（5）

（6）

其中，為第i個樣本模擬值;y表示第i個樣本測量值;表示測量樣本平均值;表示模擬樣本平均值;SD表示模擬結果標準差;n為樣本總數，個。指標：總地上生物量，kg/ha;葉面積指數，m/m;土壤體積含水量，cm/cm;單產，kg/ha;最大葉面積指數，m/m;實際蒸散量，mm;水分利用效率，kg/m。

3結果與分析

3.1模型參數校正

根據上述模型參數校正方法，校正的棗樹作物參數結果如表1所示。參數分別來自測量值（m）、測量值基礎上的校正值（m-c）、估測值（e）、校正值（c）和文獻參考值。

3.2田間驗證

在田間試驗區域，通過2016年測量D1處理的田間數據校正模型參數，2017年生長季內D1～D5處理的時間序列的總地上生物量、葉面積指數和土壤水分含量被用于驗證模擬精度。

3.2.1TAGP和LAI驗證

TAGP和LAI模擬精度是評價棗樹生長模擬過程的重要指標。表2顯示了不同處理的TAGP 和LAI模擬結果。校正模型模擬的D1～D3處理的TAGP與實測值一致性較好（R大于0.94），模擬精度較高（8.7%≤NRMSE≤16.9%），模擬D4和D5處理的總地上生物量的性能低于D1、D2和D3處理，R為0.92，NRMSE約等于20%。模擬D1～D4處理LAI的一致性和精度較高，R大于0.9，NRMSE小于15%，D5處理的模擬結果略差，R等于0.79，NRMSE大于20%。表明隨著灌水量的降低，水分脅迫強度將增加，校正模型對水分脅迫響應的模擬能力可能下降。總之，在70%～100%對照灌溉量時，校正模型都表現了較好的總地上生物量和葉面積指數模擬性能。

3.2.2土壤水分含量驗證

模擬和實測D1～D5處理的土壤水分含量的散點圖見圖2，測量值與模擬值總體趨勢保持一致，模擬與實測土壤水分含量的R在0.29～0.75之間，RMSE在0.010～0.013之間，NRMSE在4.1%～6.1%之間。D4和D5處理的模擬和實測土壤水分含量一致性略低于D1～D3處理，長低于0.5。所有處理的土壤水分含量模擬精度較高，NRMSE均小于6.1%，絕對誤差較小。

綜合總地上生物量、葉面積指數和土壤水分含量模擬的評價指標R和NRMSE，當灌溉量不低于經驗灌溉量的80%時，模型具有較高的一致性和模擬精度。雖然在70%和60%的經驗灌溉量時，模型模擬棗樹生長過程總地上生物量和葉面積指數的性能略低，但最大絕對誤差NRMSE≤21.1%，仍可以實現中等精度的模擬。在所有灌溉處理中，校正模型都表現了極高的土壤水分含量模擬精度（NRMSE<10%）。

3.3縣域尺度驗證

3.3.1模擬最大LAI驗證

分別輸入實測55個棗園的初始棗樹干重參數運行模型，55個棗園的最大LAI模擬結果散點圖見圖3，2016和2017年模擬最大LAI與實測LA1的R分別為0.64和0.78，一致性較好，NRMSE分別為13.3%和10.7%，模擬精度較高。模擬LAI的變異系數CV值分別等于21.6%和21.2%，表達了顯著的空間變異性，也解釋了初始棗樹干重區域空間分布變異。

3.3.2模擬單產驗證

2016和2017年模擬與實測單產的一致性指標R分別為0.48和0.60（圖4），單產預測精度RMSE分別為0.83和0.94 kg/ha，NRMSE分別是12.1%和11.9%，具有較高的單產預測精度（NRMSE<20%）。圖4也表明高產區域明顯被低估，影響模擬產量的因素較多，包括CO同化參數、干物質分配、葉面積與干重比值和葉片老化速率。本研究結果可能的原因是葉片老化速率參數設置值過低，田間試驗測量的葉片老化速率值在40～60之間，縣域尺度部分果園的葉片老化速率值可能高于設置的固定值50，甚至可能高于60，所以導致高產區域被低估。

單產模擬的相對誤差頻率分布如圖5所示，大部分樣本頻率分布在y=0附近，平均相對誤差分別為-3.23%和-2.94%，相對誤差絕對值的平均值分別為9.72%和9.68%，單產預測精度較高。CV分別是12.5%和11.9%，具有一定產量空間分布差異，不同樹齡和種植密度導致的初始棗樹干重的空間異質性可能導致產量分布差異。然而，2016和2017年分別有61.8%和63.6%的樣本被低估，葉片老化速率空間變異性可能是導致模擬精度下降的原因。

3.3.3模擬實際蒸散量和水分利用效率驗證

模擬的55個觀測果園的實際蒸散量和水分利用效率與測量值的相對百分比誤差頻率分布如圖6所示。所有果園的實際ET模擬誤差小于20%，其中49個果園的模擬誤差小于10%。2016和2017年模擬ET均方根誤差分別為36.1mm（7.9%）和30.8mm（7.4%）（表3），表現了極高的模擬精度（NRMSE<10%）。2016年模擬ET平均相對誤差略高于測量值，2017年低于測量值，平均相對誤差的絕對值分別為6.44%和5.98%，校正模型的整體ET模擬精度較高。模擬的WUE相對誤差略低于ET，在2016和2017年兩個生長季，模擬WUE的相對百分比誤差小于10%的樣本分別占50.9%和47.3%，小于20%的分另占85.5%和80%，最大值分別為37.4%和38.3%。2016年模擬WUE的平均相對誤差低于測量值，2017年略高于測量值，平均相對誤差的絕對值分別為11.39%和12.73%。校正的模型表現了較高的WUE模擬精度（10%<NRMSE<20%），RMSE值分別為0.23和0.28 kg/m。

4討論

4.1田間尺度模擬精度分析

田間尺度驗證結果表明，基于時間序列的總地上生物量和葉面積指數的模擬結果均達到中等精度以上，土壤水分含量達到極高的模擬精度。然而，D1～D3的模擬性能略高于D4和D5處理，說明校正的模型隨著灌溉量的降低、水分脅迫的增強，模擬精度可能呈現下降的趨勢。原因可能是研究中僅僅使用2016年D1處理數據校正模型參數，D1處理接近潛在水分供應，2017年D1～D3處理灌溉量大于80%CK，與2016年D1處理的灌溉量差異不大，棗樹面臨水分脅迫較小，對棗樹產量影響也較小。D4和D5處理可能導致更嚴重的干旱脅迫，實際生產中對棗樹生長的影響可能高于模擬過程的干旱脅迫修正結果，進而導致總地上生物量和LAI的模擬誤差。LAI的模擬偏差也將導致D4和D5處理的棗樹蒸騰和土壤蒸發的計算誤差，進而導致土壤水分含量模擬精度略低于D1～D3處理。

另外，在大田試驗過程中，棗樹生長通常會收到施肥、病蟲害、風、熱脅迫等因素影響。在本研究中，模型無法響應這些因素對棗樹生長的影響，在已校正的棗樹生長模型中耦合經典的氮素運移模塊或病蟲害響應模型有望進一步提高模擬精度和機理性。

4.2模型區域尺度應用的不確定性

在運行WOFOST作物生長模型進行生長模擬和產量評估時，輸入參數、氣象驅動數據的不確定性以及模型模擬過程的簡化都會影響單產估算的準確性[25]。本研究預期模擬誤差主要來自輸入參數的不確定性，初始棗樹干重參數強烈影響農作物的初始生長速率，并顯示出高度的不確定性，這可能會影響初始LAI和最大LAI的生長速率[26]，進而影響生長模擬和單產評估精度。通過實測55個果園的初始棗樹干重值驅動模型在縣域尺度模擬最大LAI和單產精度較高，說明縣域尺度的棗園初始棗樹干重空間異質性較大。在已報道的研究中，當使用相同樹齡果園的初始棗樹干重平均值驅動模型時，181個區域棗園的單產驗證NRMSE為16.3%（2016年）和17.2%（2017年）[19]，明顯高于本研究中的12.1%和11.9%的驗證誤差，這也說明初始棗樹干重為棗樹生長模擬過程的高敏感參數。另外，盡管決定葉片衰老速率和時間的葉片老化速率參數主要取決于作物遺傳學特性，但該參數也受干旱、營養脅迫、病蟲害以及作物管理等因素的影響[27]。但WOFOST模型無法模擬這些因素對葉片老化速率的影響[28]。研究中為葉片老化速率設置一個固定值（50）無法表達所有55個樣本的實際葉片老化或損傷情況，模擬最大LAI的誤差最可能來自于葉片老化速率的空間分布誤差。在以往研究中，通過遙感反演LAI同化潛在模式的WOFOST模型可以降低初始棗樹干重和葉片老化速率的不確定性，提高區域尺度的棗樹單產模擬精度，集合卡爾曼濾波EnKF和SUBPLEX算法同化遙感反演LAI后模擬單產的分別為9.2%和8.3%[29]。表明初始棗樹干重和葉片老化速率為區域尺度棗樹生長模擬的不確定性參數，遙感同化方法可以被考慮降低這一不確定性。

另外，區域尺度的土壤屬性的空間異質性也會導致最大LAI和水分運移過程的模擬精度。同化遙感反演的LAI和ET狀態變量可以降低土壤水分含量模擬的不確定性，進而提高產量評估精度。因此，縣域尺度單產和蒸散量模擬誤差可能來自灌溉、施肥和修剪管理導致的初始棗樹干重、葉片老化速率和土壤屬性參數的不確定性。在今后的研究中，可通過遙感同化土壤水分、蒸發蒸騰和葉面積指數等狀態變量對區域尺度的初始棗樹干重、葉片老化速率和土壤屬性參數進行校正，提高區域尺度模擬精度，為在區域尺度分析水分脅迫對棗樹生長和產量的影響提供機理性模擬模型。

5結論

本研究以WOFOST模型為基礎，以縣域尺度的棗樹生長模擬和水分利用評價為目標，使用田間實測棗樹生理生化指標和土壤理化數據校正模型參數。在田間試驗果園獲得了較高的TAGP 和LAI模擬精度（8.3%≤NRMSE≤21.1%），以及極高的土壤水分含量模擬精度（4.1%≤NRMSE≤6.1%）。使用校正的模型和55個果園測量的初始棗樹干重驅動模型進行了縣域尺度的棗樹生長模擬和水分使用評價。結果表明，2016和2017年模擬最大LAI和單產的NRMSE均小于20%，實現了較高的模擬精度。校正模型也表現了極高的ET模擬精度（NRME<10%）和較高的WUE模擬精度（NRMSE<20%）。總之，在田間和區域尺度的棗園，WOFOST模型都表現了較為理想的棗樹生長模擬精度和水分利用評價性能，可為分析氣象、土壤、灌溉管理和棗樹生長耦合影響提供一種新思路。

參考文獻：

[1]國家統計局.數據查詢[EB/OL].[2021-06-07]. http：//www.stats.gov.cn/.

[2]胡家帥，鄭旭榮，王振華，等.不同滴灌灌水處理對南疆沙區紅棗產量及品質的影響[J].節水灌溉，2016（9）： 40-43.

HU J， ZHENG X， WANG Z， et al. Effects of different drip irrigation treatment on yield and quality in southern Xinjiang sand jujube[J]. Water Saving Irrigation，2016 （9）：40-43.

[3] WANG J， JUN H， WU P， et al. Effects of soil managements on surface runoff and soil water content in jujube orchard under simulated rainfalls[J]. Catena， 2015， 135： 193-201.

[4] WANG Z， BIAN Q， ZHANG J， et al. Optimized water and fertilizer management of mature jujube in Xinjiang arid area using drip irrigation[J]. Water （Switzerland）， 2018， 10（10）： ID 1467.

[5] DAI Z， FEI L， HUANG D， et al. Coupling effects of irrigation and nitrogen levels on yield， water and nitrogen use efficiency of surge-root irrigated jujube in a semiarid region[J]. Agricultural. Water Management， 2019， 213： 146-154.

[6]王振華，扁青永，李文昊，等.南疆沙區成齡紅棗水肥一體化滴灌的水肥適宜用量[J].農業工程學報，2018，34（11）： 96-104.

WANG Z， BIAN Q， LI W. Suitable water and fertilizer amount for mature jujube with drip-irrigation under fertigation in southern Xinjiang sandy area[J]. Transactions of the CSAE， 2018，34（11）： 96-104.

[7]扁青永，王振華，胡家帥，等.水肥供應對南疆沙區滴灌紅棗生理、生長及產量的影響[J].干旱地區農業研究，2018， 36（4）： 165-171.

BIAN Q， WANG Z， HU J. Effects of water and fertilizer supply on physiology， growth and yield of drip-irrigation jujube in the southern Xinjiang sandy area[J]. Agricultural. Research in the Arid Areas， 2018， 36（4）： 165-171.

[8] DE WIT A， BOOGAARD H， FUMAGALLI D， et al. 25 years of the WOFOST cropping systems model[J]. Agricultural. Systems， 2019， 168： 154-167.

[9] EWERT F， R?TTER R.P， BINDI M， et al. Crop modelling for integrated assessment of risk to food production from climate change[J]. Environmental. Modelling and Software， 2015， 72： 287-303.

[10]黃健熙，賈世靈，馬鴻元，等.基于WOFOST模型的中國主產區冬小麥生長過程動態模擬[J].農業工程學報，2017， 33（10）： 222-228.

HUANG J， JIA S， MA H. Dynamic simulation of growth process of winter wheat in main production areas of China based on WOFOST model[J]. Transactions of the CSAE， 2017， 33（10）： 222-228.

[11]閆鈴.基于CERES-Wheat模型的小麥生長發育過程模擬研究[D].楊凌：西北農林科技大學，2020.

YAN L. Simulation of wheat growth and development process based on the CERES-Wheat model[D]. Yang ling： Northwest A&F University， 2020.

[12] FISHMAN S， GENARD M. A biophysical. model of fruit growth： Simulation of seasonal. and diurnal. dynamics of mass[J]. Plant， Cell & Environment， 1998， 21：739-752.

[13] LOPEZ G， FAVREAU R R， SMITH C， et al. L-PEACH： A computer-based model to understand how peach trees grow [J]. Horttechnology， 2010， 20： 983-990.

[14] LESCOURRET F， BLECHER N， HABIB R， et al. Development of a simulation model for studying kiwi fruit orchard management[J]. Agricultural. Systems， 1999， 59：215-239.

[15] GREEN S， MCNAUGHTON K， WUNSCHE J N， et al. Modeling light interception and transpiration of apple tree canopies[J]. Agronomy Journal， 2003， 95（6）： 1380-1387.

[16] COSTES E， SMITH C， RENTON M. MAppleT： Simulation of apple tree development using mixed stochastic and biomechanical. models[J]. Functional. Plant Biology， 2008， 35： 936-950.

[17]董智強，王萌萌，李鴻怡，等.WOFOST模型對山東省夏玉米發育期與產量模擬的適用性評價[J].作物雜志，2019（5）： 159-165.

DONG Z， WANG M， LI H. Applicability assessment of WOFOST model of growth and yield of summer maize in Shandong province[J]. Crops， 2019（5）： 159-165.

[18] KULIG B， BARBARA S， AGNIESZKA K， et al. The use of the WOFOST model to simulate water-limited yield of early potato cultivars[J]. Agronomy， 2020， 10 （1）： ID 81.

[19] BAI T， WANG T， ZHANG N， et al. Growth simulation and yield prediction for perennial. jujube fruit tree by integrating age into the WOFOST model[J]. Journal. of Integrative Agriculture， 2020， 19（3）： 721-734.

[20] DAI Z， FEI L， HUANG D， et al. Coupling effects of irrigation and nitrogen levels on yield， water and nitrogen use efficiency of surge-root irrigated jujube in a semiarid region[J]. Agricultural. Water Management，2019，213： 146-154.

[21]李朝陽，王興鵬，楊玉輝.滴灌帶鋪設模式對成齡棗樹根系再分布及產量的影響[J].灌溉排水學報. 2021，40（5）： 1-7.

LI Z， WANG X， YANG Y. Location of drip irrigation tapes affects root redistribution and yield of mature jujube[J]. Journal. of Irrigation and Drainage， 2021， 40 （5）： 1-7.

[22]孫愛良.氣溫變化對黃驊市冬棗生產的影響[J].貴州農業科學，2019， 47（6）： 88-91.

SUN A. Effect of temperature change on winter jujube production in Huanghua city [J]. Guizhou Agricultural. Sciences， 2019，47（6）： 88-91.

[23] DE WIT A， BOOGAARD H， SUPIT I. System description of the WOFOST 7.2. cropping system model[EB/OL]. [2021-05-15]. https：//www.wur.nl/en/Research-Results/Research-Institutes/Environmental-Res- earch/Facilities-Tools/Software-models-and-databases/WOFOST/Documentation-WOFOST.htm

[24]王慶江，溫陟良，賈彥麗.贊皇大棗幼樹葉片光合特性的研究[J].河北農業大學學報，2002（81）： 120-121.

WANG Q， WEN S， JIA Y. Study on the photosynthetic characteristics of young Jujube[J]. Journal. of Hebei Agricultural. University， 2002（Sl）： 120-121.

[25] HUANG J， JOSE L G， HUANG H， et al. Assimilation of remote sensing into crop growth models： Currentstatus and perspectives[J]. Agricultural. and Forest Meteorology， 2019， 276-277： ID 107609.

[26] BAI T， WANG S， BENOIT MERCATORIS， et al. Assimilation of remotely-sensed LAI into WOFOST model with the SUBPLEX algorithm for improving the field-scale jujube yield forecasts[J]. Remote Sensing，2019， 11（16）： ID 1945.

[27] HUANG J， TIAN L， LIANG S， et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J]. Agricultural. and Forest Meteorology， 2015， 204： 106-121.

[28] CURNEL Y， DE WIT A J W， DUVEILLER G， et al. Potential. performances of remotely sensed LAI assimilation in WOFOST model based on an OSS experiment[J]. Agricultural. and Forest Meteorology，2011， 151： 1843-1855.

[29] BAI T， WANG S， MERCATORIS B， et al. Assimilation of remotely-sensed LAI into WOFOST model with the SUBPLEX algorithm for improving the field-scale jujube yield forecasts[J]. Remote Sensing， 2019，11（16）： ID 1945.

Dynamic Simulation of Jujube Tree Growth and Water Use Evaluation Based on the Calibrated WOFOST Model

BAI Tiecheng1*， WANG Tao1， ZHANG Nannan1，2

（1. College of Information Engineering/Southern Xinjiang Research Center Information Technology in Agriculture. Tarim University. Alaer 843300， China; 2. College of Information and Electrical. Engineering. China Agricultural. University， Beijing 100083， China）

Abstract： Irrigation schemes determined based on statistical. analysis of field trials are usually only applicable to specific soils and meteorological. environments. It is difficult to quantitatively analyze the impact of irrigation strategies on the growth of jujube trees. In order to realize the quantitative analysis of the influence of temperature， light and water resources on the growth of fruit trees， WOrldFOod Studies （WOFOST） model parameters were calibrated to simulate the jujube tree growth and water migration process. Firstly， the observed data obtained from field trials in 2016 and 2017 were used to calibrate the phenology development， initialization， green leaf， CO assimilation， dry matter partitioning， respiration， and water use parameters of the WOFOST model. Secondly， the time series of total. above-ground biomass， leaf area index （LAI） and soil moisture content in field trials were dynamically simulated， and accuracy verification and analysis were also performed. Finally， the maximum LAI，yield， actual. evapotranspiration （ET） and water use efficiency （WUE） data of 55 orchards were employed to evaluate the performance of the calibrated model at the county scale. The results showed that the coefficient of determination R of TAGP simulated in the field test area was between 0.92 and 0.98， and the normalized root mean square error （NRMSE） was between 8.7% and 20.5%， the R of simulated LAI ranged from 0.79 to 0.97， and the NRMSE ranged from 8.3% to 21.1%. The R of the simulated soil moisture content was between 0.29 and 0.75， and the NRMSE ranged from 4.1% and 6.1%， The model could well simulate the time series of jujube tree growth dynamics and soil moisture content changes. At the county scale， the R between the simulated and measured maximum LAI were 0.64 and 0.78， and the NRMSE were 13.3% and 10.7% in 2016 and 2017， respectively. The simulated yield showed R value of 0.48 and 0.60， and NRMSE of 12.1% and 11.9%， respectively. RMSE of the simulated versus measured ET were 36.1 mm （7.9%） and 30.8 mm （7.4%）， respectively. The model also showed high WUE simulation accuracy （10%<NRMSE<20%） with RMSE values of 0.23 and 0.28 kg/m in 2016 and 2017， respectively. In short， WOFOST model achieved accurate simulation of jujube tree growth and water transport at the field and county scales， which may provide new ideas for the quantitative and mechanism analysis of the coupled effects of soil， weather， irrigation management and jujube tree growth.

Key words： crop growth model; parameter calibration; WOFOST; jujube tree; water use efficiency

（登陸www.smartag.net.cn免費獲取電子版全文）

*通訊作者：白鐵成（1982—），男，博士，教授，研究方向為作物生長模擬和遙感同化方法。電話：15299409008。E-mail：baitiechengl983@163.com。