WOFOST作物模型對青銅峽灌區(qū)夏玉米生長模擬的適用性評估

許德浩,馮克鵬 ,2, 3,莊淏然

(1. 寧夏大學(xué) 土木與水利工程學(xué)院,銀川 750021;2. 旱區(qū)現(xiàn)代農(nóng)業(yè)水資源高效利用教育部工程研究中心,銀川 750021;3. 寧夏節(jié)水灌溉與水資源調(diào)控工程技術(shù)研究中心,銀川 750021)

0 前 言

玉米是中國重要的糧食作物,自2012年產(chǎn)量首次超過稻谷后,已成為我國第一大糧食作物。玉米的價值不僅僅體現(xiàn)在成為人們?nèi)粘５谋P中餐,其子粒和副產(chǎn)品還廣泛應(yīng)用于畜牧、醫(yī)藥、紡織等領(lǐng)域。寧夏回族自治區(qū)作為我國西部糧倉之一,玉米種植區(qū)域廣泛,面積達36.74萬ha,約占全區(qū)糧食種植面積的65.9%,年產(chǎn)量249.07萬t,已成為當?shù)剞r(nóng)民賴以生存的支柱產(chǎn)業(yè)。因此,準確的掌握玉米的生長情況、及時做出科學(xué)的田間管理是保障人民收入和國家糧食安全的重要舉措[1-2]。

作物產(chǎn)量的準確預(yù)測對于國家安全和相關(guān)政策的制定至關(guān)重要,近幾十年全球人口飛速增長,對農(nóng)產(chǎn)品的需求也與日俱增,作物生長模型在此背景下應(yīng)運而生。隨著不斷地更新和發(fā)展,作物模型已經(jīng)從對作物生長的定性模擬發(fā)展為定量模擬。作物模型可以根據(jù)研究區(qū)域的氣象數(shù)據(jù)、作物數(shù)據(jù)、土壤數(shù)據(jù)和田間管理方式,定量、連續(xù)地描述作物光合、呼吸、蒸騰、營養(yǎng)等生理生態(tài)過程[3]。目前應(yīng)用較為廣泛的作物模型包括光能驅(qū)動模型DSSAT[4]、水分驅(qū)動模型Aqua Crop[5]、碳驅(qū)動模型WOFOST[6]等。雖然這些模型模擬方向各有側(cè)重,但都包含了氣體交換、同化物的積累與分配、水分循環(huán)等模塊。隨著理論框架和實測資料的逐步完善,作物模型已成為作物產(chǎn)量預(yù)測、生長監(jiān)測、影響因子分析的重要工具[7]。

WOFOST(WOrld FOod STudy)作物模型是由荷蘭瓦赫寧根大學(xué)(Wageningen university)和世界糧食研究中心(CWFS)在SUROS模型的基礎(chǔ)上共同開發(fā),是用于模擬特定自然條件下一年生作物生長動態(tài)的解釋性模型,從早期的WOFOST 3.1版本到如今的WOFOST 7.1,已經(jīng)在世界各地的應(yīng)用中不斷發(fā)展和完善,作物品種也不斷在應(yīng)用中得到補充和完善,是目前發(fā)展較為成熟的模型之一[8-9]。模型以1 d為時間步長,模擬不同作物在不同自然條件下蒸騰作用、呼吸作用、干物質(zhì)積累和分配等生理生態(tài)過程,計算過程主要依靠氣候、作物和土壤三大模塊[10]。氣候模塊和作物模塊能夠模擬作物的潛在生長過程,結(jié)合土壤模塊中的水分和養(yǎng)分信息,即可模擬水分脅迫和養(yǎng)分脅迫條件下的生長過程[11]。

CWFS[12]將WOFOST模型應(yīng)用于布基納法索、加納和肯尼亞,以研究施肥量對糧食作物增產(chǎn)的影響,結(jié)果顯示這3個國家在不進行額外灌溉的條件下,隨著施肥量的增加,糧食產(chǎn)量有顯著提高,這次實踐是該模型的首次亮相,也為后來模型的完善和廣泛應(yīng)用奠定了基礎(chǔ)。Lucas[13]通過優(yōu)化WOFOST模型并將其應(yīng)用于摩洛哥馬拉喀什,以確定干旱半干旱地區(qū)冬小麥最佳播種時間、灌水量以及養(yǎng)分供應(yīng)量。Vivesh[14]等使用WOFOST模型模擬在不同溫度條件下的小麥產(chǎn)量,結(jié)合田間試驗得出每日最低氣溫和最高氣溫升高都會導(dǎo)致小麥產(chǎn)量減少的結(jié)論。國內(nèi)眾多學(xué)者也在不同地區(qū)對WOFOST模型進行本地化模擬和驗證,劉維[15]等利用WOFOST模型對東北春玉米的生長狀況和產(chǎn)量進行模擬,結(jié)果表明模型在東北產(chǎn)區(qū)有著較好的適用性。張建平等[16]以西南玉米為研究對象,利用WOFOST模型準確的模擬出了干旱環(huán)境下玉米的生長情況,并為區(qū)域干旱影響評估提供了更為科學(xué)的技術(shù)支持。白鐵成[17]等運用WOFOST模型在新疆阿拉布爾市模擬了不同灌溉梯度下棗樹的產(chǎn)量和水分利用效率,為棗樹生長耦合影響的定量分析提供了新思路。

本文利用EFAST方法對WOFOST模型參數(shù)進行敏感性分析,對模型中的關(guān)鍵參數(shù)用實測數(shù)據(jù)進行校正,敏感性高的參數(shù)采用實測值的換算和試錯法進行調(diào)整,敏感性低的參數(shù)采用經(jīng)驗值或模型默認值,利用實測LAI、各器官生物量等數(shù)據(jù)對WOFOST的模擬情況和適用性進行評價,以期為寧夏引黃灌區(qū)夏玉米區(qū)域化處理提供科學(xué)依據(jù),推動當?shù)剞r(nóng)業(yè)“綠色發(fā)展”[18]。

1 材料與方法

1.1 研究區(qū)域概況

青銅峽灌區(qū)位于寧夏回族自治區(qū)中北部,是黃河河套(前套)平原的重要構(gòu)成。灌區(qū)東西寬約50 km,南北長約170 km,東始鄂爾多斯臺地,西抵賀蘭山,南起青銅峽水利樞紐,北至石嘴山,縱貫石嘴山、銀川、吳忠3個地級市,涉及賀蘭、靈武、青銅峽等11個縣級市,國營農(nóng)、林、牧、漁場13個,總土地面積62.4萬ha。

灌區(qū)深居內(nèi)陸,屬溫帶大陸性氣候,干旱少雨,年平均降水量180～220 mm,年內(nèi)降水分布不均,70%集中在夏季。氣溫年較差大,多年平均氣溫8～9 ℃。光熱資源豐富,年大于10 ℃的活動積溫3 630～3 830 ℃,年平均日照時數(shù)2 870～3 081 h,無霜期164 d。

黃河將灌區(qū)二分為河?xùn)|、河西兩部分,黃河水是沿線農(nóng)業(yè)生產(chǎn)用水的主要來源。灌區(qū)土壤類型多為壤質(zhì)土,呈塊狀結(jié)構(gòu),質(zhì)地密實,有機質(zhì)含量高。玉米、小麥和水稻是灌區(qū)主要糧食作物,經(jīng)濟作物主要有油料作物、葡萄、甜菜等。

本研究選擇位于青銅峽市瞿靖鎮(zhèn)尚橋村的代表性農(nóng)田作為試驗區(qū),地理坐標為106°05′E,38°11′N,海拔1 080.00 m。試驗區(qū)域概況如圖1所示。

圖1 研究區(qū)域

試驗區(qū)域主要作物為玉米,大部分區(qū)域采用自動化播種機,少數(shù)區(qū)域采用人力穴播的種植方式。玉米植株行距55～60 cm,株距20～25 cm,播種密度約5 400株/畝。灌溉采用畦灌的方式[19],越冬前進行冬灌,確保田間土壤含有豐富的水分和養(yǎng)分。

1.2 數(shù)據(jù)資料獲取

氣象數(shù)據(jù)來源于試驗區(qū)田間通量站測量的30 min時間間隔的氣溫(℃)、風速(m·s-1)、水氣壓(kPa)、降水量(mm)、太陽輻射(W·m-2)等信息;ZL6數(shù)據(jù)采集器記錄試驗區(qū)0～100 cm每20 cm土壤層的體積含水率。定期導(dǎo)出觀測數(shù)據(jù)并檢查設(shè)備的運行狀態(tài),檢查導(dǎo)出數(shù)據(jù)是否存在缺失或異常情況,對于缺失數(shù)據(jù)取其前后數(shù)據(jù)的平均值進行插補,對于異常數(shù)據(jù)根據(jù)實際情況采用上述方式進行剔除。確定數(shù)據(jù)準確無誤后,將30 min時間間隔的氣溫、風速、水氣壓、降水量、太陽輻射數(shù)據(jù)按照WOFOST模型所需轉(zhuǎn)化為日尺度。

播種前用環(huán)刀收集田間0～100 cm的土壤樣本,帶回實驗室測定其田間持水量(SMFCF)、飽和含水率(SM0)、萎蔫點含水量(SMW)和容重。經(jīng)試驗測得試驗區(qū)0～100 cm土壤層平均SMFCF=0.270、SM0=0.40、SMW=0.10、容重為1.4 g/cm3。

采集不同生育期的夏玉米植株帶回實驗室,剪去根部,將莖桿、葉片和果穗分類,然后放入烘箱,在105 ℃條件下殺青30 min,隨后在80 ℃條件下烘干至恒重。分別測量莖、葉、穗干重即可得到不同時期玉米生物量;待夏玉米成熟后,收取3組1 m2內(nèi)的全部植株對其進行脫粒、分類和烘干處理,以獲取產(chǎn)量信息。

作物拔節(jié)后,使用LAI-2200冠層分析儀對試驗區(qū)玉米植株的葉面積指數(shù)進行測量,每次試驗在試驗區(qū)域內(nèi)隨機、均勻的選擇5個采樣點,測量LAI的過程中儀器同步記錄測量點的GPS信息。

1.3 EFAST敏感性分析方法

WOFOST模型的默認參數(shù)是根據(jù)歐洲主要糧食產(chǎn)區(qū)的作物品種和生長環(huán)境確定,直接應(yīng)用解決其它研究區(qū)域會存在“水土不服”的問題。為了準確模擬本地作物的生長過程,需要對模型參數(shù)進行“本地化”。由于模型輸入?yún)?shù)眾多且部分參數(shù)的測量過程極為繁瑣,很難通過田間觀測對輸入?yún)?shù)逐一率定。因此,篩選對模型輸出結(jié)果影響較大的關(guān)鍵參數(shù)進行率定,對模型輸出結(jié)果影響不大的參數(shù)進行簡略處理[20],可以大幅降低模型輸入?yún)?shù)的獲取難度,顯著提升模型“本地化”效率。

敏感性分析(Sensitivity Analysis ,SA)是模型本地化的重要手段,常用的分析方法有局部敏感性分析法(Local sensitivity analysis methods)和全局敏感性分析法(Global sensitivity analysis methods)。局部敏感性分析通過改變單一輸入?yún)?shù),分析其對模型輸出結(jié)果的影響,其原理簡單、計算量小,但由于沒有考慮各輸入?yún)?shù)之間的交互作用對輸出結(jié)果的綜合影響,導(dǎo)致分析結(jié)果較為片面,因此僅適用于線性和接近線性模型[21]。全局敏感性分析法克服了局部敏感性分析“異參同效”的不足[22],可以同時分析多個輸入?yún)?shù)對輸出結(jié)果的共同影響,能夠量化各輸入?yún)?shù)之間的相互關(guān)系,且不受模型結(jié)構(gòu)的限制。基于上述優(yōu)勢,全局敏感性分析近年來被廣泛應(yīng)用于作物模型、水文模型等復(fù)雜模型的分析中。多元回歸法、Sobol’法、Morris法、傅里葉幅度檢驗法(FAST)、擴展傅里葉幅度檢驗法(EFAST)是典型的全局敏感性分析方法。

本研究采用EFAST全局敏感性方法分析WOFOST模型輸入?yún)?shù)對輸出結(jié)果的影響。EFAST方法是Saltelli等人在FAST法的基礎(chǔ)上結(jié)合Sobol’法的優(yōu)點,提出的一種基于方差分解的全局敏感性分析方法[23],該方法最終輸出結(jié)果的方差能夠體現(xiàn)輸入?yún)?shù)對輸出結(jié)果的貢獻大小,通過一階敏感性和總敏感性指數(shù)共同評價參數(shù)的敏感性高低。一階敏感性指數(shù)反映了每個輸入?yún)?shù)對輸出結(jié)果總方差的影響程度;總敏感性指數(shù)在一階敏感型指數(shù)的基礎(chǔ)上,進一步分析該參數(shù)與其他參數(shù)之間的相互作用對輸出結(jié)果總方差的影響程度。模型輸出結(jié)果Y的總方差V(Y)由各參數(shù)i及該參數(shù)與其他參數(shù)間的相互作用的方差得到:

(1)

式中:Vi為參數(shù)i的方差;Vi,j為參數(shù)i、j相互作用的方差;V1,2,…k為全部參數(shù)相互作用的方差;k為輸入?yún)?shù)的個數(shù)。

敏感性指數(shù)被定義為單個參數(shù)作用及參數(shù)相互作用時引起的方差與總方差的比值,計算公式:

(2)

參數(shù)i的總敏感性指數(shù)S的計算公式為:

S=Si+Si,j+…+S1,2,…,k

(3)

1.4 模型驗證

研究采用皮爾遜相關(guān)系數(shù)(PCC)、均方根誤差(RMSE)、歸一化均方根誤差(NRMSE)、殘差聚集系數(shù)(CRM)共同評價作物模型對各器官干物質(zhì)重量和LAI的模擬性能。其中PCC能夠反映實測值與模擬值之間的相關(guān)程度,數(shù)值越接近1表明模擬效果越好;RMSE和NRMSE用于評價模擬值與實測值之間的絕對誤差和相對誤差,NRMSE≤30%均說明模擬精度符合要求,其中NRMSE∈(0,10%〗表示極高精度,NRMSE∈(10,20%〗表示較高精度,NRMSE∈(20,30%〗表示中等精度;CRM>0表示模型模擬值偏低,CRM<0表示模型模擬值偏高。各評價指標具體計算方法如下:

(4)

(5)

(6)

(7)

2 結(jié)果與分析

2.1 WOFOST模型參數(shù)敏感性分析

本研究采用基于蒙特卡羅法設(shè)計的Simlab軟件對WOFOST模型作物文件中的47個參數(shù)進行感性分析,氣象文件和土壤文件使用2022年試驗區(qū)田間觀測數(shù)據(jù),作物文件輸入?yún)?shù)設(shè)置為在模型默認值的±10%范圍內(nèi)均勻隨機變化[24],且各個參數(shù)相互獨立。使用EFAST方法進行敏感性分析時要求每個輸入?yún)?shù)生成的樣本數(shù)不小于65個,因此生成3055個數(shù)據(jù)樣本文件,編寫python程序調(diào)用WOFOST模型進行批量運算,對應(yīng)輸出3055個最大葉面積指數(shù)(LAI_max)和地上干物質(zhì)重量(TAGP)結(jié)果。再將整理后的輸入和輸出數(shù)據(jù)導(dǎo)入Simlab中,輸出47個參數(shù)對LAI_max和TAGP的敏感性。根據(jù)敏感性指數(shù)篩選關(guān)鍵參數(shù)為后續(xù)模型的本地化工作提供數(shù)據(jù)參考。從47個輸入?yún)?shù)中分別選取對LAI_max和TAGP全局敏感性指數(shù)較高前20個參數(shù),WOFOST模型部分敏感參數(shù)如圖2所示。

圖2 WOFOST模型部分敏感參數(shù)

從圖2可以看出DVS=0時葉面積與干重之比(SLATB0)、DVS=0.78時葉面積與干重之比(SLATB078)、DVS=0時可見光漫反射消光系數(shù)(KDIFTB0)、40℃時葉片光合作用效率(EFFTB40)和同化物轉(zhuǎn)化到莖的效率(CVS)對于LAI_max具有較高的敏感性,敏感性指數(shù)分別為0.380、0.286、0.241、0.156、0.110;SLATB0、KDIFTB0、SLATB078、EFFTB40、CVS和同化物轉(zhuǎn)化到貯存器官的效率(CVO)、對于TAGP具有較高的敏感性,敏感性指數(shù)分別為0.316、0.285、0.268、0.200、0.133、0.134。依據(jù)興安、Guo的研究結(jié)果[25-26],敏感性指數(shù)大于0.1即為敏感參數(shù)。

2.2 WOFOST模型參數(shù)本地化

WOFOST模型參數(shù)包括氣象、土壤和作物參數(shù),氣象參數(shù)使用通量站觀測的數(shù)據(jù),土壤參數(shù)主要采用實測值,而作物參數(shù)的校正是本次實驗主要方向。對于敏感參數(shù),采用實測值換算、查閱資料獲取經(jīng)驗值或通過試錯法根據(jù)青銅峽地區(qū)實際情況進行調(diào)整;對于不敏感參數(shù)采用經(jīng)驗值或模型默認值。

土壤相對濕度(SRWC)是評價作物是否遭受水分脅迫的重要指標。本研究在試驗區(qū)布置ZL6數(shù)據(jù)采集器,持續(xù)記錄玉米生育期內(nèi)土壤體積含水率,圖3反映了2022年生育期內(nèi)玉米主要根區(qū)(0～60 cm)的土壤含水率、降水和灌溉情況。

圖3 2022年生育期土壤含水率和降水情況

SRWC可由土壤體積含水率計算獲得:

(8)

經(jīng)計算,試驗區(qū)SRWC最低值為70%,意味著在生育期內(nèi)植株沒有遭受水分脅迫;拔節(jié)、抽穗等關(guān)鍵生育期對試驗區(qū)進行追肥處理,作物也沒有遭受養(yǎng)分脅迫。因此本研究以潛在條件下夏玉米的生長情況代表試驗區(qū)作物的實際生長狀態(tài)。玉米主要參數(shù)及土壤參數(shù)的取值如表1所示。

2.3 本地化后的WOFOST模型驗證

模型模擬精度及可靠性的評價通常根據(jù)模擬值與實測值進行對比分析,對于夏玉米的模擬情況,本文從各器官干物質(zhì)重量和葉面積指數(shù)兩方面進行驗證。干物質(zhì)重量模擬值與實測值對比見圖4。

圖4 干物質(zhì)重量模擬值與實測值對比

利用玉米生育期內(nèi)田間實測數(shù)據(jù)對WOFOST模型模擬結(jié)果進行驗證。由圖4可知模型模擬各部分干物質(zhì)重量均與實測值顯著相關(guān),PCC均接近于1,莖(WST)、葉(WLV)、貯存器官(WSO)、地面上干物質(zhì)總重量(TAGP)的PCC分別為0.99、0.96、0.95、0.99;RMSE分別為635.35、301.13、977.61、1 271.93 kg·hm-2;NRMSE分別為17.09%、17.53%、14.94%、16.66%,均小于20%,處于較高精度水平;CRM分別為-0.11、-0.09、0.04、-0.09。

由圖5可知模型模擬玉米LAI與實測值顯著相關(guān),PCC為0.95,RMSE為0.50 m2·m-2,NRMSE為14.9%,CRM為-0.09,模擬值略大于實測值,從總體看來模型模擬LAI也具有較高精度。綜上,調(diào)整參數(shù)后的WOFOST模型能夠精確模擬青銅峽灌區(qū)玉米的生理過程。

圖5 葉面積指數(shù)模擬值與實測值對比

3 討 論

3.1 參數(shù)的敏感性

研究采用EFAST方法分析潛在條件下47個WOFOST夏玉米作物參數(shù)的敏感性,結(jié)果顯示敏感性分析能夠指出對模型輸出影響較大的作物參數(shù),有助于模型參數(shù)的本地化。其中葉面積與干重之比(SLATB)的敏感性最高,這是由于SLATB與作物葉片的發(fā)育密切相關(guān),葉片的生長過程覆蓋全生育期,既能直觀反映作物的生長階段,又能間接影響作物的光合作用,因此這類參數(shù)的敏感性顯著高于其他參數(shù)。這與Ceglar[27]利用貝葉斯方法分析不同氣候條件下玉米的敏感性結(jié)果一致。

碳同化是WOFOST模型的核心之一,涉及碳同化的參數(shù)中DVS=0時可見光漫反射消光系數(shù)(KDIFTB0)和40℃時葉片光合作用效率(EFFTB40)是影響作物光合作用的重要參數(shù),光合作用是干物質(zhì)積累的前提,因此直接關(guān)系作物的發(fā)育過程并影響干物質(zhì)的形成。KDIFTB0、EFFTB40、CVS和CVO對WOFOST模型輸出有較高的敏感性在Ceglar、Wang、謝松涯[28]等的文章里也有所印證。

模型的模擬與驗證是模型本地化過程中的關(guān)鍵一環(huán),當面對模型中大量參數(shù)無從入手時,敏感性分析便是最好的工具,它能清晰表明某一輸入?yún)?shù)對各項輸出結(jié)果的影響程度,減少主觀因素的影響,有助于快速實現(xiàn)模型參數(shù)本地化。

3.2 模擬誤差分析

本地化后的WOFOST夏玉米模型對各器官干物質(zhì)重量和LAI的模擬均有較高精度。其中莖干重(WST)、葉干重(WLV)和LAI模擬值大于實測值,并且在抽雄后差距愈發(fā)明顯,產(chǎn)生誤差主要是由于模型模擬的是潛在條件下玉米的最佳生長情況,但在實際生長過程中病蟲害、田間管理等外界因素都會影響植株的生長,使其偏離最佳的生長軌跡,進而導(dǎo)致實際WST、WLV和LAI偏小。貯存器官干重(WSO)模擬值略小于實測值,且散點分布趨勢與1∶1參考線吻合程度較好,模型模擬WSO精度較高。抽雄后地上總干物質(zhì)重量(TAGP)的模擬值略大于實測值,這是由于試驗過程中采集到的植株樣本不包括死亡和腐朽的器官,模型模擬的地上總干物質(zhì)重量包括作物死亡的部分,地上總干物質(zhì)重量趨勢線是隨時間持續(xù)增加的,但實測地上總干物質(zhì)重量是先增加后減小的曲線。

研究通過田間觀測數(shù)據(jù)對模型進行了本地化處理,對于一些敏感參數(shù)運用試錯法或采用經(jīng)驗值進行調(diào)參,并沒有進行實際測量,要獲得該區(qū)域更精確的作物信息,還需結(jié)合更多數(shù)據(jù)實測數(shù)據(jù)進行不同條件下的模擬。

WOFOST是一個機理模型,模擬結(jié)果面臨著極端天氣、病蟲害等不確定因素的影響,在后續(xù)的本地化工作中可以考慮利用WOFOST模型同化遙感數(shù)據(jù)獲得關(guān)鍵數(shù),以避免不確定因素對模擬結(jié)果的影響。

4 結(jié) 論

本文運用2022年青銅峽實驗區(qū)夏玉米數(shù)據(jù),利用擴展的傅里葉幅度檢驗法(EFAST)對WOFOST模型的47個作物參數(shù)進行敏感性分析,篩選出對干物質(zhì)重量、最大葉面積指數(shù)敏感性較高的參數(shù)進行本地化處理和驗證,得到如下結(jié)論:

(1) 對于玉米各器官干物質(zhì)重量和葉面積指數(shù)敏感的WOFOST參數(shù)主要有:DVS=0時的葉面積與干重之比(SLATB0 )、DVS=0.78時的葉面積與干重之比(SLATB078)、 DVS=0時的可見光漫反射消光系數(shù)( KDIFTB0 )、 40 ℃時的葉片光合作用效率(EFFTB40)、 同化物轉(zhuǎn)化到莖的效率 (CVS)以及同化物轉(zhuǎn)化到貯存器官的效率 ( CVO)。

(2) 利用田間實測數(shù)據(jù)對WOFOST模型進行本地化驗證,模擬各器官干物質(zhì)重量和葉面積指數(shù)的皮爾遜相關(guān)系數(shù)PCC均大于0.95,歸一化均方根誤差NRMSE均小于20%,均方根誤差RMSE、殘差聚集指數(shù)CRM均處于合理區(qū)間。結(jié)果顯示,本地化后的模型表現(xiàn)出了較為理想的玉米生長模擬精度,能夠為當?shù)剞r(nóng)業(yè)管理提供幫助。