小麥模型算法集成平臺在華北平原區的適應性評價

陳先冠，馮利平，白慧卿

小麥模型算法集成平臺在華北平原區的適應性評價

陳先冠1,2,4，馮利平1※，白慧卿3

（1. 中國農業大學資源與環境學院，北京 100193；2.福建農林大學農學院，福州 350002；3. 中國農業科學院農業環境與可持續發展研究所，北京 100081；4. 農業農村部黃淮海智慧農業技術重點實驗室，鄭州 450002）

為評價小麥模型算法集成平臺（wheat model algorithms integration platform, WMAIP）在華北平原區的適應性，該研究利用華北平原區4個典型試驗站多年試驗數據，對WMAIP組成的16個模型進行調參和驗證，并利用歸一化均方根誤差（normalized root mean squared error, NRMSE）選擇最優模型，最后評價WMAIP集成模型在華北平原區的適應性。WMAIP中組合的16個模型均能有效地模擬土壤水分動態和冬小麥生長發育指標。發育期模擬誤差小于4.2%；2 m土層土壤貯水量模擬誤差小于7.0%；生物量和產量模擬誤差分別在17.3%～23.7%和10.8%～20.8%之間。單個模型的模擬性能不穩定，調參與驗證結果的最優模型存在差異。模型集成可降低華北平原區冬小麥產量的模擬誤差，用于集成的模型數量越多，模擬誤差越小，選擇6個模型進行集成就可獲得近似田間試驗的模擬誤差。以16個組合模型模擬結果的均值作為集成模型的結果，得到生物量和產量的模擬誤差分別為18.7%和11.8%。結果表明，WMAIP在華北平原區有較好的適應性，可用于華北平原區小麥生產管理和氣候變化影響評估。

作物；模型；小麥；WMAIP；模型選擇；模型集成；產量

0 引 言

華北平原區是中國重要的小麥生產基地，供應了全國50%的小麥產量，在保障中國糧食安全中具有舉足輕重的地位[1]。華北平原區熱量光照資源豐富，但水資源緊缺，在全球氣候變化的大背景下，該區的熱量資源變得更加豐富，同時極端氣候事件頻發[2-3]，且其強度、持續時間和頻率可能會持續增加[4]，對作物生產造成了嚴重影響[5-6]。基于過程的作物模型可以綜合反映基因型、環境和管理措施對作物生長的影響，已經廣泛用于氣候變化影響評估等多個方面[7-11]。CHEN等[12]基于APSIM模型模擬1961－2003年華北平原區小麥玉米產量的變化趨勢，結果顯示北方站點小麥和玉米潛在產量分別下降了45.3和51.4 kg/(hm2·a)，而南方站點產量波動較小，空間差異明顯。LIN等[13]基于PRECIS模型模擬未來20～80 a中國主要糧食作物的產量變化，結果表明，在沒有二氧化碳肥效的情況下，氣候變化可能使未來20～80 a的水稻、玉米和小麥產量減少18%～37%。以上研究多基于單個模型進行模擬，但由于模型之間的結構差異較大，使用不同模型評估氣候變化影響的結果差別較大。ASSENG等[14]在全球4個代表性地點進行的研究發現，作物模型比氣候模式對小麥產量變化的不確定貢獻更大。TAO等[15]使用7個作物模型和8個氣候模式量化了氣候變化對大麥產量影響的不確定性，表明作物模型結構比氣候模式和作物模型參數對產量變化的不確定影響更大。隨著作物模型不確定性研究的深入，發現模型集成可提高模型準確度，是降低氣候變化影響評估不確性的有效手段。MARTRE等[16]的研究結果表明27個小麥模型集成的模擬效果優于單一模型。FLEISHER等[17]發現9個馬鈴薯模型集成的模擬效果優于單一模型。為了提升研究結果的可信度，研究者們逐漸使用多模型集成評估氣候變化對作物生產的影響[18]。ASSENG等[19]基于多模型集成并結合田間數據評估全球升溫對小麥生產的影響發現，溫度每升高1 ℃，全球小麥產量下降6%。WEBBER等[20]利用多模型集成量化了各種氣候驅動因素對歐洲1984－2009年玉米和小麥產量變異的貢獻及未來氣候變化的影響。FALCONNIER等[21]使用多模型集成模擬非洲撒哈拉以南低氮輸入條件下氣候變化對玉米產量的影響。以上研究均顯示多模型集成模擬具有更好的預測能力，更適用于生產管理決策和氣候變化影響評估。

近年來，為促進作物模型的比較、評價與重用，作物模擬平臺的構建與適應性評價研究開始興起[4,22-23]。通過作物模擬平臺適應性研究不僅可以驗證平臺的可靠性，也能發現平臺中存在的問題便于及時改進與完善，提高平臺的應用性[24]。小麥模型算法集成平臺WMAIP（wheat model algorithms integration platform）集成了國內外主流小麥模型CERES-Wheat、APSIM-Wheat、WOFOST、SWAT、AquaCrop、STICS、WheatSM主要模塊的多種算法，能用多種方法模擬土壤水分脅迫和冬小麥的生長發育指標，在小麥模型算法比較與改進、集成模擬及氣候變化影響評估等方面具有較好應用前景[22]。自WMAIP開發以來，已經進行了一些平臺驗證和算法比較的研究，主要集中在單個站點，認為該平臺對指導當地冬小麥水分管理基本可行[7]。但迄今為止，WMAIP在區域多點冬小麥生產中還未得到應用。本研究以華北平原區4個站點多年的冬小麥試驗資料和文獻資料為基礎，通過WMAIP組合模型對各地冬小麥生長發育及產量形成的模擬效果分析，評價了WMAIP在華北平原區的適應性，篩選了最佳組合模型，并揭示了模型數量對集成模型模擬誤差的影響，以期為今后該模型平臺廣泛應用于華北平原區小麥生產管理優化和氣候變化影響評估奠定基礎。

1 材料與方法

1.1 研究區域概況

華北平原區地處北緯32°～40°，東經114°～121°，屬溫帶大陸性季風氣候。冬季寒冷干燥，夏季高溫多雨，熱量資源和光照資源充足，小麥生長季（10月10日－次年6月10日）平均氣溫4.3～14.4 ℃，生長季總降水量44～638 mm，降水量和平均溫度由南向北隨緯度增加而遞減。選取北京上莊試驗站、河北吳橋試驗站、河北曲周試驗站、河南黃泛區農場4個典型省市的試驗點。中國農業大學上莊試驗站（40.1°N，116.2°E）土壤容重1.44～1.49 g/cm3，小麥生長季平均溫度4.3～8.9 ℃，總降水量58～182 mm。吳橋試驗站（37.4°N，116.4°E）土壤容重1.34～1.51 g/cm3，小麥生長季平均溫度6.5～9.3 ℃，總降水量46～350 mm。曲周試驗站（36.9°N，115.0°E）土壤容重1.32～1.47 g/cm3，小麥生長季平均溫度6.5～11.6 ℃，總降水量44～313 mm。河南黃泛區農場（33.8°N，114.5°E）土壤容重1.41～1.43 g/cm3，小麥生長季平均溫度8.4～14.4 ℃，總降水量146～638 mm。研究區域及試驗點地理分布見圖1，詳細土壤數據見表1。

圖1 華北平原區4個試驗站點的分布

表1 華北平原區4個試驗點土壤剖面物理參數范圍

1.2 數據來源與試驗設計

上莊、曲周、黃泛區和吳橋站點作物數據來源于田間試驗和文獻資料[25-27]（表2）。試驗Ⅰ、Ⅲ和Ⅳ分別為2008－2010年上莊、曲周、黃泛區的播期耦合密度試驗，設置早（10月8－10日）、中（10月18－20日）、晚（10月28－30日）3個播種期，設置高（450株/m2）、中（300株/m2）、低（150株/m2）3個播種密度，供試品種為邯鄲6172（表2）。試驗Ⅱ為曲周試驗站的水分處理試驗，3個水分處理分別為雨養、優化（2007－2008生長季越冬前、拔節和抽穗期分別灌水51、41和37 mm，2008－2009生長季越冬前和拔節期均灌水51 mm）和充分灌溉（2007－2008生長季越冬前、返青、拔節和抽穗期分別灌水43、43、38和31 mm，2008－2009生長季越冬前、拔節和灌漿期均灌水51 mm），供試品種為邯鄲6172。試驗Ⅴ為吳橋試驗站的播期耦合水分試驗，設置10月10日、10月20日、10月30日、11月10日4個播種期，設置不灌水、灌拔節水、灌拔節水+開花水3個水分，供試品種為濟麥22。試驗Ⅵ為吳橋試驗站的水分試驗，包括不灌溉處理、5個灌1水處理（起身水、拔節水、孕穗水、開花水、灌漿水）和6個灌2水處理（起身水+孕穗水、起身水+開花水、起身水+灌漿水、拔節水+開花水、拔節水+灌漿水、孕穗水+灌漿水），供試品種為濟麥22。試驗Ⅶ為吳橋試驗站的播期試驗，播期設置10月6日、10月16日、10月23日、10月30日、11月6日和11月13日6個播種期，供試品種為濟麥22。試驗Ⅷ為吳橋試驗站的水分試驗，設置7個處理，分別為生育期不灌溉，4個單次灌溉處理（起身水、拔節水、孕穗水、開花水），兩次灌溉處理（拔節水+開花水）和3次灌溉處理（起身水+孕穗水+開花水），供試品種為濟麥22。

上莊、黃泛區和吳橋試驗點氣象數據來自試驗點附近的國家自動氣象觀測站（北京站、西華站和吳橋站），曲周試驗點氣象數據來自試驗點的自動氣象站，氣象數據主要包括：日最高溫度（℃）、日最低溫度（℃）、日照時數（h）、日降水量（mm）、平均風速（m/s）以及空氣相對濕度（%）。土壤數據主要包括凋萎系數（cm3/cm3）、田間持水量（cm3/cm3）、飽和含水量（cm3/cm3）、容重（g/cm3）等，來自文獻[25-27]和中國土種志（http://www.soil.csdb.cn）（表1）。管理數據主要包括品種、播種期、播種密度、施肥量、灌溉時間及灌溉量，來自文獻[25-27]和田間試驗記錄。

表2 華北平原區冬小麥播期和水分處理數據

1.3 小麥模型算法集成平臺

小麥模型算法集成平臺（WMAIP）集成了國內外主流小麥模型發育期、生物量、產量形成和土壤水分脅迫等模塊多種算法，可用于小麥模型算法比較與改進、集成模擬及氣候變化影響評估等方面。目前，WMAIP發育期模塊集成了WheatSM模型的“小麥鐘”模型法（clock model, CM）與APSIM-Wheat模型的熱時法（thermal time, TT）；生物量模塊集成了APSIM-Wheat模型的光能利用效率法（radiation use efficiency, RUE），WOFOST模型的二氧化碳同化率法（carbon assimilation, CA）以及WheatSM模型的群體光合作用法（canopy photosynthesis, CP）三種算法；產量形成模塊集成了SWAT模型的收獲指數法（harvest index, HI），APSIM-Wheat模型的籽粒灌漿法（grain filling, GF）及WheatSM模型的干物質轉移法（biomass remobilization, BR）；水分脅迫模塊集成了WOFOST、AquaCrop和STICS的土壤含水率法（average soil water content, SWC），CERES-Wheat模型的相對蒸騰法（actual to potential transpiration ratio, AT/PT）及APSIM-Wheat模型的土壤水分供需比法（water supply to demand ratio, WS/WD）。關于 WMAIP 的構建原理和不同模塊的具體算法見文獻[7,22]。

本文選擇不同模塊的兩種算法進行研究，其中發育期算法為“小麥鐘”模型法（CM）與熱時法（TT），生物量算法為二氧化碳同化率法（CA）與群體光合作用法（CP）；產量形成算法為收獲指數法（HI）與干物質轉移法（BR）；水分脅迫算法相對蒸騰法（AT/PT）與土壤水分供需比法（WS/WD）。基于WMAIP對不同模塊的不同算法進行組成，最終形成16個組合（圖2）。

注：CM為“小麥鐘”模型法，TT為熱時法，CA為二氧化碳同化率法，CP為群體光合作用法，HI為收獲指數法，BR為干物質轉移法，AT/PT水分脅迫算法相對蒸騰法，WS/WD為土壤水分供需比法。

1.4 參數較準

根據收集的田間試驗數據和文獻資料，將每個試驗分為調參和驗證組兩個數據集（表3），對WMAIP進行參數校準和驗證。首先根據試驗觀測的發育期對發育期模塊不同算法進行參數率定；然后在最優發育期算法基礎上，根據試驗觀測的干物質量對生物量模塊不同算法進行參數率定；最后在最優發育期和生物量算法基礎上，根據試驗觀測的產量對產量形成模塊不同算法進行參數率定（表4）。

表3 WMAIP平臺小麥調參和驗證數據集

1.5 模型評估

采用平均誤差（ME）、均方根誤差（RMSE）、歸一化均方根誤差（NRMSE）和模型模擬效率（）評價模型模擬值與實測值的吻合程度[28-30]。

1.6 模型選擇與集成

使用產量模擬值和實測值的NRMSE進行模型選擇，使用均值進行模型集成。分別對16個模型的不同組合進行集成，計算不同模型數量的集成模擬產量的NRMSE，檢驗模型數量影響集成模型模擬誤差的效果。其中，16個模型所有可能的模型組合計算如下：

表4 冬小麥品種濟麥22和邯鄲6172在WMAIP中的遺傳參數

2 結果與分析

2.1 模型平臺適應性評價

基于WMAIP構成的16個組合模型都能有效地模擬土壤水分動態和冬小麥的生長發育指標。發育期模擬值與觀測值具有較好一致性，調參和驗證結果的NRMSE分別在1.9%～3.1%和2.1%～4.2%之間，值分別在0.66～0.90和0.71～0.91之間。2 m土層土壤貯水量實測值和模擬值的差別較小，調參和驗證結果中NRMSE分別在6.6%～7.4%和5.3%～7.0%之間，值分別在0.54～0.63和0.73～0.85之間。16個組合模型都能有效模擬葉面積指數的動態變化，調參和驗證結果中NRMSE分別在24.0%～34.9%和28.0%～41.6%之間，值分別在0.14～0.57和0.29～0.68之間。16個組合模型模擬地上部生物量的動態變化，調參和驗證結果的NRMSE分別在15.9%～20.8%和17.3%～23.7%之間，值分別在0.83～0.90和0.83～0.91之間。產量的實測值和模擬值差別較小，16個組合模型的調參和驗證結果中NRMSE分別在10.8%～20.7%和11.0%～20.8%之間，值分別在0.21～0.79和0.40～0.83之間（圖3）。

注：箱線圖上下邊緣分別代表25%和75%順序的數值；箱體外上下邊線分別代表10%和90%順序的數值；箱中橫線和三角形分別代表中位數和平均值；箱體上下“×”代表離群值；下同。NRMSE為歸一化均方根誤差，E為模型模擬效率。

2.2 模型選擇

由表5可知，16個組合模型的調參結果中，M6模型產量的NRMSE為10.8%，是調參結果的最優組合模型。但驗證結果中，M6模型產量的NRMSE為14.7%，而M2模型產量的NRMSE為11.0%，表明M2模型是WMAIP中用于模擬華北平原區冬小麥產量對播期和灌溉處理響應的最優組合模型。可見，單個模型的模擬性能并不穩定，導致了調參與驗證結果最優模型的差異，但從16個組合模型的產量調參和驗證結果綜合來看，M2、M3、M6、M7、M10和M15這6個模型的模擬誤差都低于15%，表現較佳，其余模型表現一般。M2和M10兩個模型雖然生物量和產量的模擬效果較好，但葉面積指數的模擬效果較差（NRMSE>30%）。從多個指標看，M3、M6、M7和M15這4個模型的表現最佳，是16個組合模型中的最優模型。

表5 不同組合模型的葉面積指數、生物量和產量的NRMSE

2.3 集成模型的效果評價

模型集成降低了華北平原區冬小麥產量模擬的NRMSE。用于模型集成的模型數量越多，產量模擬的NRMSE越小，產量模擬的NRMSE可降低0～9.0%（圖4）。采用4個模型進行模型集成時，75%模型組合的產量模擬誤差小于田間試驗產量觀測誤差；采用6個模型進行模型集成時，90%模型組合的產量模擬誤差小于田間試驗的產量觀測誤差。

注：圖中虛線為田間試驗的產量觀測誤差，取13.5%[14]。

將16個組合模型模擬結果的均值作為集成模型的結果。調參結果中，葉面積指數、生物量和產量模擬值和實測值的ME分別為0.2 mm2/mm2、?864.5 kg/hm2和?211.2 kg/hm2，RMSE分別為1.08 mm2/mm2、1 699.4 kg/hm2和867.4 kg/hm2，NRMSE分別為26.0%、16.9%和12.1%，分別為0.51、0.89和0.73。驗證結果中，葉面積指數、生物量和產量模擬值和實測值的ME分別為0.35 mm2/mm2、?520.8 kg/hm2和?53.5 kg/hm2，RMSE分別為1.04 mm2/mm2、1 697.5 kg/hm2和756.3 kg/hm2，NRMSE分別為30.1%、18.7%和11.8%，分別為0.53、0.89和0.81，表明WMAIP集成模型能較好地模擬冬小麥生物量和產量，對葉面積指數的模擬效果相對較差（圖5）。

圖5 WMAIP集成模型葉面積指數、地上部生物量和產量的調參和驗證結果

3 討 論

本研究使用了不同試驗點、不同年份、不同播期和不同灌溉處理的試驗數據，在參數的生物學意義范圍內完成了模型調參和驗證，參數校正范圍比較合理，有效地評估了WMAIP對華北平原區不同年份、不同播期和不同灌溉處理冬小麥生長發育和產量形成的模擬效果。該平臺對華北平原區冬小麥的生長發育、產量形成和土壤水分具有較好的模擬效果, 但對葉面積指數則誤差稍大。基于WMAIP組成的16種模型模擬發育期和土壤貯水量的誤差較小，且不同模型間的差異不大，但不同模型模擬葉面積指數、生物量和產量的差異較大。MARTRE等[16]在荷蘭、阿根廷、印度和澳大利4個站點對27個小麥模型進行準確性測試，研究發現各模型模擬葉面積、生物量、有效水含量和產量的RMSE分別為0.91～4.50 mm2/mm2、870～3 760 kg/hm2、25～112 mm、410～3 630 kg/hm2，各模型的模擬結果差異較大，而由于本研究的16個模型是在單一平臺組合而成，模型結構差異較小，因此各模型的模擬結果差異相對較小。KUIJPERS等[31]將4個番茄生長模型的算法集成到單一平臺中，然后對算法進行重新組合生成27個有效的組合模型，最終選擇出了18個滿足需求的組合模型，與本研究的方法相同。不同變量的模擬誤差存在差異，因此需要基于多變量綜合評估模型的模擬性能，以選擇出最優模型，與前人的研究較為一致[22,32]。在大多數情況下，很難找到“最佳”的模型，而在考慮所有要素時，模型集合的效果優于單個模型[32]。單個模型的模擬性能不穩定，從調參或驗證結果中選擇的最優模型，不一定是最優模型，表現為調參結果最優的模型不一定是驗證結果的最優模型。相比于單個模型，模型集合的模擬性能更穩定，本研究中選擇6個模型進行集成就能使作物模型的模擬誤差相當于田間試驗中實測產量的觀測誤差，這與前人的研究較為一致[33-34]。

經驗證的WMAIP為今后研究華北平原區播期、灌溉制度、品種更新對小麥生長發育和產量的影響奠定了基礎，亦可用來研究氣候變化對華北平原區小麥產量的影響，從而提出科學適應或補償方法，以保障當地小麥生產高產高效和糧食安全。在今后研究中可采用WMAIP集成模型進行氣候變化影響評估，以減小作物模型的不確定性。當前基于多模型的氣候變化影響評估雖然取得了較好效果[19-20]，但由于不同模型輸入輸出、參數等都存在較大差異，多模型的適應性評價費時費力，實際應用性較差。多模型的差異本質上是模型結構與算法的差異，因此WMAIP通過在單一平臺集成多種算法，通過算法組合以達到多模型的效果，可作為氣候變化影響評估的有力工具。WMAIP主要有以下優勢：1）算法比較與選擇：用戶可忽略小麥模型的結構差異，直接對特定過程不同算法進行比較和選擇；2）自主定制模型：用戶可根據數據情況和現實問題自主定制模型；3）多模型集成模擬：用戶可選擇多種算法組成多種組合模型，進行多模型集成模擬，提升模擬精度。但WMAIP也存在參數多的缺點，并且目前該平臺在災害脅迫效應方面僅集成了多種水分脅迫算法，未來需要進一步集成低溫脅迫、高溫脅迫、澇漬脅迫等多種算法，為更好地應用于氣候變化影響評估奠定基礎。

需要注意的是，理想的模型參數是唯一且穩定的，但由于現有模型中品種遺傳參數與基因效應之間的關系還未明確，會導致“多參同效”現象[35]，另外使用不同數據集進行參數率定也會得到不同品種參數，因此今后還需進一步增強模型中品種遺傳參數的機理性。本研究還存在一定不足，模型驗證結果中，16個組合模型的葉面積指數模擬值與觀測值的NRMSE在28.0%～41.6%之間，模型平臺的葉面積指數算法需要更多精細數據進行評估和改進。研究結果中，LAI的模擬誤差較大，但地上部生物量和產量的模擬誤差較低，這可能是由于模型中不同模塊間存在互相補償的作用，使模型誤差在不同變量的不同參數值下被最小化，這種補償作用在不同環境下的有效性還有待進一步深入研究。另外，本研究沒有考慮氮素脅迫影響，因此水分脅迫與氮素脅迫對小麥生長發育影響的耦合效應還有待進一步研究。

4 結 論

本文使用了多站點多年試驗數據和文獻資料，有效地評估了WMAIP對華北平原區不同年份、不同播期和不同灌溉處理冬小麥生長發育的模擬效果，得到的結論如下：

1）基于WMAIP組成的16個模型均能有效模擬土壤水分動態和冬小麥生長發育指標。發育期模擬誤差小于4.2%；2 m土層土壤貯水量的模擬誤差小于7.0%；葉面積指數模擬誤差在28.0%～41.6%之間；生物量模擬誤差在17.3%～23.7%之間；產量模擬誤差10.8%～20.8%。

2）單個模型的模擬性能不穩定，調參與驗證結果的最優模型存在差異。模型集成可降低華北平原區冬小麥產量的模擬誤差，采用6個模型進行模型集成即可獲得近似田間試驗的模擬誤差。

3）WMAIP集成模型能較好地模擬冬小麥產量對播期和灌溉處理的響應，生物量和產量的模擬誤差分別為18.7%和11.8%，可用于華北平原區小麥生產管理和氣候變化影響評估。

[1] WANG J, WANG E, YANG X, et al. Increased yield potential of wheat-maize cropping system in the North China Plain by climate change adaptation[J]. Climatic Change, 2012, 113(3/4): 825-840.

[2] KATZ R W, BROWN B G. Extreme events in a changing climate: Variability is more important than averages[J]. Climatic Change, 1992, 21(3): 289-302.

[3] CUI L, SHI J, DU H, et al. Characteristics and trends of climatic extremes in China during 1959-2014[J]. Journal of Tropical Meteorology, 2017, 23(4): 368-379.

[4] JIN Z, ZHUANG Q, TAN Z, et al. Do maize models capture the impacts of heat and drought stresses on yield? Using algorithm ensembles to identify successful approaches[J]. Global Change Biology, 2016, 22(9): 3112-3126.

[5] BASSU S, BRISSON N, DURAND J, et al. How do various maize crop models vary in their responses to climate change factors?[J]. Global Change Biology, 2014, 20(7): 2301-2320.

[6] LESK C, ROWHANI P, RAMANKUTTY N. Influence of extreme weather disasters on global crop production[J]. Nature, 2016, 529(7584): 84-87.

[7] 陳先冠，馮利平，白慧卿，等. 基于小麥模型算法集成平臺的三種水分脅迫算法比較[J]. 農業工程學報，2021，37(16)：47-57.

CHEN Xianguan, FENG Liping, BAI Huiqing, et al. Comparison of three water stress algorithms based on the integration platform of wheat model algorithms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 47-57. (in Chinese with English abstract)

[8] LIU Y, WANG E, YANG X, et al. Contributions of climatic and crop varietal changes to crop production in the North China Plain, since 1980s[J]. Global Change Biology, 2010, 16(8): 2287-2299.

[9] WANG B, FENG P Y, LIU D L, et al. Sources of uncertainty for wheat yield projections under future climate are site-specific[J]. Nature Food, 2020, 1(11): 720-728.

[10] BAI H, WANG J, FANG Q, et al. Modeling the sensitivity of wheat yield and yield gap to temperature change with two contrasting methods in the North China Plain[J]. Climatic Change, 2019, 156(4): 589-607.

[11] BAI H, WANG J, FANG Q, et al. Does a trade-off between yield and efficiency reduce water and nitrogen inputs of winter wheat in the North China Plain?[J] Agricultural Water Management, 2020, 233: 106095.

[12] CHEN C, WANG E, YU Q, et al. Quantifying the effects of climate trends in the past 43 years (1961-2003) on crop growth and water demand in the North China Plain[J]. Climatic Change, 2010, 100(3/4): 559-578.

[13] LIN E D, XIONG W, JU H, et al. Climate change impacts on crop yield and quality with CO2fertilization in China[J]. Philosophical Transactions of the Royal Society B-Biological Sciences, 2005, 360(1463): 2149-2154.

[14] ASSENG S, EWERT F, ROSENZWEIG C, et al. Uncertainty in simulating wheat yields under climate change[J]. Nature Climate Change, 2013, 3(9): 827-832.

[15] TAO F, ROTTER R P, PALOSUO T, et al. Contribution of crop model structure, parameters and climate projections to uncertainty in climate change impact assessments[J]. Global Change Biology, 2018, 24(3): 1291-1307.

[16] MARTRE P, WALLACH D, ASSENG S, et al. Multimodel ensembles of wheat growth: Many models are better than one[J]. Global Change Biology, 2014, 21(2): 911-925.

[17] FLEISHER D H, CONDORI B, QUIROZ R, et al. A potato model intercomparison across varying climates and productivity levels[J]. Global Change Biology, 2017, 23(3): 1258-1281.

[18] LIU B, ASSENG S, MüLLER C, et al. Similar estimates of temperature impacts on global wheat yield by three independent methods[J]. Nature Climate Change, 2016, 6(12): 143-147.

[19] ASSENG S, EWERT F, MARTRE P, et al. Rising temperatures reduce global wheat production[J]. Nature Climate Change, 2015, 5(2): 143-147.

[20] WEBBER H, EWERT F, OLESEN J E, et al. Diverging importance of drought stress for maize and winter wheat in Europe[J]. Nature Communications, 2018, 9: 4249.

[21] FALCONNIER G N, CORBEELS M, BOOTE K J, et al. Modelling climate change impacts on maize yields under low nitrogen input conditions in sub-Saharan Africa[J]. Global Change Biology, 2020, 26(10): 5942-5964.

[22] 陳先冠，馮利平，白慧卿，等. 小麥模型算法集成平臺構建與算法比較[J]. 農業機械學報，2022，53(6)：252-264.

CHEN Xianguan, FENG Liping, BAI Huiqing, et al. Establishment of wheat model algorithms integration platform and algorithm comparison[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(6): 237-249. (in Chinese with English abstract)

[23] MIDINGOYI C A, PRAADAL C, ENDERS A, et al. Crop2ML: An open-source multi-language modeling framework for the exchange and reuse of crop model components[J]. Environmental Modelling & Software, 2021, 142: 105055.

[24] 趙揚輝，湯亮，曹衛星，等. 小麥生長模擬模型（WheatGrow）的適應性評價[J]. 麥類作物學報，2010，30(3)：443-448.

ZHAO Yanghui, TANG Liang, CAO Weixing, et al. Adaptability evaluation of a wheat growth model (WheatGrow)[J]. Journal of Triticeae Crops, 2010, 30(3): 443-448. (in Chinese with English abstract)

[25] 張祎. 未來氣候變化對黃淮海平原冬小麥生產影響及適應措施分析[D]. 北京：中國農業大學，2012.

ZHANG Yi. The Impacts of Climate Change on Winter Wheat (L.) Production and Its Adaptation Strategies in the Huang-Huai-Hai Plain[D]. Beijing: China Agricultural University, 2012. (in Chinese with English abstract)

[26] 王彬. 限水灌溉下極端晚播冬小麥的產量形成與水氮利用特征[D]. 北京：中國農業大學，2016.

WANG Bin. Characteristics of Yield Formation and Water-Nitrogen Use in Extremely-late Sown Winter Wheat Under Limited Irrigation[D]. Beijing: China Agricultural University, 2016. (in Chinese with English abstract)

[27] 徐學欣. 冬小麥節水高產灌溉模式的源:庫性能及其協調機制[D]. 北京：中國農業大學，2018.

XU Xuexin. Performance and Coordination of Source and Sink System in Winter Wheat Under Water-Saving and High-Yielding Irrigation Patterns[D]. Beijing: China Agricultural University, 2018. (in Chinese with English abstract)

[28] 梁浩，胡克林，李保國，等. 土壤-作物-大氣系統水熱碳氮過程耦合模型構建[J]. 農業工程學報，2014，30(24)：54-66.

LIANG Hao, HU Kelin, LI Baoguo, et al. Coupled simulation of soil water-heat-carbon-nitrogen process and crop growth at soil-plant-atmosphere continuum system and its validation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24): 54-66. (in Chinese with English abstract)

[29] 黃明霞，王靖，唐建昭，等. 基于APSIM 模型分析播期和水氮耦合對油葵產量的影響[J]. 農業工程學報，2018，34(13)：134-143.

HUANG Mingxia, WANG Jing, TANG Jianzhao, et al. Analysis of interaction of sowing date, irrigation and nitrogen application on yield of oil sunflower based on APSIM model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 134-143. (in Chinese with English abstract)

[30] 譚麗麗，黃峰，喬學瑾，等. TRMM在海河流域南系的降水估算精度評價及其對SWAT模型的適用性[J]. 農業工程學報，2020，36(6)：132-141.

TAN Lili, HUANG Feng, QIAO Xuejin, et al. Evaluation of TRMM satellite-based rainfall data insouthern Haihe River Basin and suitability for SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(6): 132-141. (in Chinese with English abstract)

[31] KUIJPERS W, MOLENGRAFT M, MOURIK S V, et al. Model selection with a common structure: Tomato crop growth models[J]. Biosystems Engineering, 2019, 187: 247-257.

[32] PALOSUO T, KERSEBAUM K C, ANGULO C, et al. Simulation of winter wheat yield and its variability in different climates of Europe: A comparison of eight crop growth models[J]. European Journal of Agronomy, 2011, 35(3): 103-114.

[33] WALLACH D, MARTRE P, LIU B, et al. Multimodel ensembles improve predictions of crop-environment- management interactions[J]. Global Change Biology, 2018, 24(11): 5072-5083.

[34] LI T, HASEGAWA T, YIN X, et al. Uncertainties in predicting rice yield by current crop models under a wide range of climatic conditions[J]. Global Change Biology, 2015, 21(3): 1328-1341.

[35] HE D, WANG E, WANG J, et al. Uncertainty in canola phenology modelling induced by cultivar parameterization and its impact on simulated yield[J]. Agricultural and Forest Meteorology, 2017, 232: 163-175.

Adaptability of wheat model algorithms integration platform in North China Plain

CHEN Xianguan1,2,4, FENG Liping1※, BAI Huiqing3

(1.,,100193,; 2.,,350002,; 3.,,100081,; 4.450002,)

Wheat model algorithms integration platform (WMAIP) has been integrated various algorithms from the different modules, including CERES-Wheat, APSIM-Wheat, WOFOST, SWAT, AquaCrop, and WheatSM, in order to simulate the soil water stress and winter wheat growth and development indices. The WMAIP can be potential to the prospects of application in the wheat model algorithm comparison and improvement, integrated simulation, and climate change impact assessment. The WMAIP verification and algorithm comparison have been carried out to focus mainly on a single site so far. The platform can be expected to guide the water management of local winter wheat. However, the current WMAIP cannot evaluate in the regional multi-point production of winter wheat. Therefore, it is a high demand to evaluate the adaptability of WMAIP in North China Plain (NCP). In this study, two algorithms were selected from the different modules in WMAIP. The phenology algorithm included the clock model of WheatSM module and the thermal time of APSIM-Wheat module, whereas, the biomass algorithm contained the carbon assimilation of WOFOST and canopy photosynthesis of WheatSM model, and the water stress algorithm consisted of the actual to potential transpiration ratio of CERES-Wheat model and the water supply to demand ratio of APSIM-Wheat model. 16 combined models were formed to combine the different algorithms from different modules using WMAIP. These models were verified using experimental data from four typical NCP experimental stations for several years. The optimal model was selected using the normalized root mean squared error (NRMSE). Finally, the adaptability of WMAIP integrated model in the NCP was evaluated to simulate the soil water dynamics, as well as the growth and development indicators of winter wheat. The results showed that all 16 models using the WMAIP platform were effectively simulated these parameters, with a simulation error of the development period below 4.2% and the soil water storage in the 2 m soil layer below 7.0%. The simulation errors of biomass and yield were ranged from 17.3% to 23.7% and 10.8% to 20.8%, respectively. However, the simulation performance of a single model was unstable, and there were differences between the calibration and validation for the optimal model. Nevertheless, the model integration was significantly reduced the simulation error of winter wheat yield in the NCP. Meanwhile, the simulation errors were similar to the field experiments using the integration of six models. Overall, the WMAIP ensemble model was able to simulate the response of winter wheat yield to the sowing date and irrigation treatment in the NCP. Among them, the NRMSE of biomass and yield values were 18.7% and 11.8%, respectively. The multi-year experimental data was effectively evaluated the WMAIP simulation on the winter wheat growth and development in different years, sowing dates, and irrigation treatments in the North China Plain. The excellent adaptability was achieved in the NCP for the wheat production management and climate change impact assessment.

crops; models; wheat; WMAIP; model selection; model ensembles; yield

2023-01-10

2023-02-16

農業農村部黃淮海智慧農業技術重點實驗室開放基金（202302）；國家重點研發計劃項目（2016YFD0300201）

陳先冠，講師，博士，研究方向為作物模型與智慧決策。Email：chenxianguan@fafu.edu.cn

馮利平，教授，博士生導師，研究方向為農業模型、農業氣象及氣候變化與資源利用。Email：fenglp@cau.edu.cn

10.11975/j.issn.1002-6819.202301050

S274.1

A

1002-6819(2023)-07-0128-09

陳先冠，馮利平，白慧卿. 小麥模型算法集成平臺在華北平原區的適應性評價[J]. 農業工程學報，2023，39(7)：128-136. doi：10.11975/j.issn.1002-6819.202301050 http://www.tcsae.org

CHEN Xianguan, FENG Liping, BAI Huiqing. Adaptability of wheat model algorithms integration platform in North China Plain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(7): 128-136. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202301050 http://www.tcsae.org