孫揚越，申雙和

?

作物生長模型的應用研究進展*

孫揚越1，申雙和2**

（1.南京信息工程大學應用氣象學院，南京 210044；2.南京信息工程大學氣象災害預警預報與評估協(xié)同創(chuàng)新中心，南京 210044）

作物生長模型不僅能夠進行單點尺度上作物生長發(fā)育的動態(tài)模擬，而且能夠從系統(tǒng)角度評價作物生長狀態(tài)與環(huán)境要素的關系。本文通過梳理當前作物生長模型應用的諸多研究成果，剖析模型在氣候變化對農業(yè)生產(chǎn)影響研究、作物生長模型區(qū)域應用中的關鍵問題，總結了當前以作物生長模型為核心的農業(yè)決策支持系統(tǒng)開發(fā)的研究情況，意在促進作物生長模型在生態(tài)、農業(yè)、區(qū)域氣候資源和氣候變化等研究中更廣泛地應用。結果表明，作物生長模型在國內外的研究與應用廣泛而深入，在氣候變化背景下，應用作物生長模型進行歷史時期氣候條件和農業(yè)氣象災害對作物生產(chǎn)狀況和產(chǎn)量的影響研究已相當廣泛且相對成熟。利用全球氣候模式（GCM）或區(qū)域氣候模式（RCM）構建未來氣候變化情景，再與作物生長模型耦合已發(fā)展成為評估未來氣候變化對農業(yè)生產(chǎn)影響的重要手段。通過集成與整合多作物生長模型、多氣候模式集合模擬、優(yōu)化氣候模擬數(shù)據(jù)訂正方法可有效降低氣候變化對農業(yè)生產(chǎn)影響評估的不確定性。遙感數(shù)據(jù)同化技術能夠將站點模型運用到區(qū)域尺度上評價不同環(huán)境因子對農業(yè)生產(chǎn)的影響，拓寬了作物生長模型的應用尺度范圍并有效提高作物產(chǎn)量估算的精度。以作物生長模型為核心的農業(yè)決策支持系統(tǒng)的研究與應用越來越多元化，是輔助農業(yè)生產(chǎn)管理和決策的重要工具。然而，由于作物生態(tài)系統(tǒng)的復雜性，作物生長模型模擬結果仍存在很大的不確定性，今后對作物生長機理及過程間耦合機制的探索還需加強，以便進一步完善和改進模型，促進作物生長模型更廣泛地應用。

作物生長模型；作物模型；氣候變化；遙感；研究進展

作物生長模型是從系統(tǒng)科學的角度，基于作物生理過程機制，將氣候、土壤、作物品種和管理措施等對作物生長的影響因素作為一個整體系統(tǒng)的數(shù)值模擬系統(tǒng)。能夠以特定時間步長對作物在單點尺度上生長發(fā)育的生物學參數(shù)以及作物產(chǎn)量進行動態(tài)模擬，定量化研究環(huán)境因子以及田間管理措施對作物生長發(fā)育的影響。因其具有通用性，不受地區(qū)、時間、品種和栽培技術差異的限制，近年來，作物生長模型在諸多領域如區(qū)域化模擬、農業(yè)預測與風險分析、氣候變化影響評估、宏觀農業(yè)決策制定、優(yōu)化栽培措施等得以應用，成為農業(yè)生產(chǎn)定量評價的重要手段之一。

在氣候變化背景下，農業(yè)是受氣候變化影響最直接的脆弱行業(yè)。全球氣候變化帶來的溫度升高、大氣CO2濃度增加等現(xiàn)象對作物產(chǎn)量的影響需要在長時間尺度上進行評價，同時，田間試驗、統(tǒng)計分析等研究方法在進行多種作物品種的長期試驗中不具有可行性，尤其是在模擬氣象災害的影響以及溫度、降水、大氣CO2濃度增加和輻射等環(huán)境條件發(fā)生變化的情況下，而這正是作物生長模型的優(yōu)勢所在。因此，利用作物生長模型進行數(shù)值模擬和預測研究是目前定量化研究氣候變化對農業(yè)生產(chǎn)影響的主要手段。由于目前絕大多數(shù)作物生長模型是基于田間尺度的土壤-作物-大氣系統(tǒng)的一維模型，如何將這些單點尺度模型擴展到區(qū)域，并在此基礎上評價環(huán)境因素對農業(yè)生產(chǎn)和農業(yè)生態(tài)的影響是目前亟待解決的重點問題。本文概述了作物生長模型的發(fā)展歷程，對WOFOST、DSSAT-CERES、APSIM、AquaCrop、ORYZA等幾種常見典型作物生長模型進行比較，并著重分析了模型應用的現(xiàn)狀及針對的問題。具體對以下問題進行了探討：（1）典型作物生長模型的基本原理、特點以及模型發(fā)展近況；（2）在氣候變化背景下，作物生長模型的應用，耦合作物生長模型與氣候模式亟需解決的問題；（3）作物生長模型與遙感數(shù)據(jù)的同化系統(tǒng)的構建及應用；（4）作物生長模型的農業(yè)決策功能。在總結和討論上述問題的基礎上，提出了更好地發(fā)揮作物生長模型應用功效的建議。

1 主要作物生長模型簡介

1.1 作物生長模型的發(fā)展

1.1.1 模型研制階段

葉冠層光合作用理論是作物生長動力學模型建立的基礎，第一個詳盡的植被光層截獲光理論由日本學者Monsi研究提出。此后，1965年de Wit發(fā)表的“葉片冠層光合作用”經(jīng)典性論文為作物生長模型的發(fā)展奠定了基礎。荷蘭最早開始作物生長模型的開發(fā)研究，de Wit于1970年發(fā)表了第一個作物生長動力學模型ELCROS（Elementary Crop Simulator），該模型比較詳細地描述了冠層光合作用、器官生長、呼吸作用等機理過程。1982年，在ELCROS基礎上發(fā)展形成了更為復雜的BACROS（Basic Crop Growth Simulator）模型。Keulen借鑒這兩個模型的概念發(fā)表了可以模擬水分脅迫條件下植物生長的ARID CROP模型。美國作物機理性模型研究起步略晚，但是發(fā)展迅速。玉米模型SIMAIZ、Chen和Curry研制的玉米模型等刻畫了作物自身生理過程，如植物發(fā)育，不同冠層的光合作用，葉、莖、根的光合作用，呼吸損耗，干物質積累，凈光合產(chǎn)物的分配等過程，這些過程在當前許多作物生長模型中均有體現(xiàn)。Childs等建立的模型考慮了外界環(huán)境因子的脅迫作用，該模型與之后發(fā)展起來的作物生長模型已十分接近。

1.1.2 單一模型應用研究階段

作物生長模型發(fā)展的中期階段（20世紀80年代），側重于實際應用，一些集生長機制和經(jīng)驗過程于一體的基于作物生理過程的模型發(fā)展起來。國外具有代表性的作物生長模型有：美國農業(yè)部為便于模型的普及應用而將CERES和GRO模型集成的DSSAT作物決策支持系統(tǒng)；SARP（Simulation and System Analysis for Rice Production）計劃開發(fā)的針對應用的ORYZA水稻模型；荷蘭的“de Wit學派”在SUCROS模型基礎上發(fā)展的WOFOST模型；以及澳大利亞農業(yè)生產(chǎn)系統(tǒng)研究組通過集成不同作物生長模型建成的作物生產(chǎn)潛力模型—APSIM。中國對作物生長模型的研究起步較晚，最早的研究始于1982年，在高亮之和金之慶先生帶領和指導下，形成了將作物生長模型、栽培優(yōu)化模型與專家知識相結合的作物栽培模擬優(yōu)化決策系統(tǒng)CCSODS（Crop Computer Simulation，Optimization，Decision-making System）模型系列，集成了水稻、小麥、玉米、棉花、大豆和油菜栽培模擬優(yōu)化決策系統(tǒng)。1996年，潘學標等參考荷蘭棉花模型開發(fā)了COTGROW模型。馮利平等開發(fā)的小麥生長發(fā)育模擬模型（WheatSM）吸收了水稻“鐘模型”RCSODS和CERES-Wheat模型的思想方法，該模型從小麥發(fā)育特性出發(fā)，適于大面積模擬應用。

1.1.3 綜合模型應用研究階段

20世紀90年代以后，隨著社會需求的增多，模型的發(fā)展方向也趨于多元化，更側重于對現(xiàn)有模型的完善，主要針對模型的普適性、準確性和易操作性等方面進行優(yōu)化。此外，還將作物生長模型與其它學科模型進行嵌套，從而擴展其應用范圍。如將作物生長模型與大氣環(huán)流模式GCMs（General Circulation Models）結合，評價氣候變化對全球范圍作物生產(chǎn)的影響；將作物生長模型與土壤侵蝕預報模型嵌套，建立侵蝕-生產(chǎn)力影響評估模型（Erosion-productivity Impact Calculator，EPIC），應用于水土資源管理和生產(chǎn)力評價。隨著EPIC模型不斷升級，應用范圍從單點擴展至區(qū)域尺度，已在全球多個地區(qū)得以應用，為農業(yè)生產(chǎn)管理提供決策依據(jù)。借助遙感觀測參數(shù)調整模型參數(shù)，可有效提高作物生長模型模擬的精度，此外，將作物生長模型與地理信息系統(tǒng)GIS技術結合可以擴大作物生長模型的應用范圍。中國國家氣候中心于2013年嵌入了WOFOST、ORYZA2000、WheatSM、ChinaAgroy四個模型，構建了基于作物生長模型的中國作物生長模型監(jiān)測系統(tǒng)CGMS-China（Crop Growth Simulating and Monitoring System in China）[1]，該系統(tǒng)通過同化遙感信息，可應用于作物長勢監(jiān)測與評估、作物產(chǎn)量預報、農業(yè)氣象災害影響評估等農業(yè)氣象業(yè)務。

各類機理模型涉及作物種類繁多，應用也十分廣泛。作物生長模型從機理性模型的研制開始，逐步發(fā)展到綜合模型的應用，既體現(xiàn)了模型的發(fā)展過程也指明了未來的發(fā)展方向，作物生長模型能夠在生態(tài)、農業(yè)和糧食安全等領域發(fā)揮重要作用。為了解決更復雜的問題，包括可持續(xù)生產(chǎn)、氣候和土壤的變異性以及管理措施的多元化等問題，許多作物生長模型在過去幾十年中不斷發(fā)展，模型的靈活性提高，可以支持不同作物、種植系統(tǒng)和生產(chǎn)情況的模擬。DSSAT v4.7現(xiàn)可支持超過42種作物的模擬，管理模塊的管理文件提供不同作物輪作和管理策略。APSIM模型不僅是農田種植系統(tǒng)模型，還可以模擬一系列牧場和牧草的生長，支持農林復合生態(tài)系統(tǒng)以及畜牧系統(tǒng)的模擬[2]。模型的模塊化結構允許具有相同功能的組件被連接，DSSAT中的種植系統(tǒng)模型（Cropping System Model，CSM）包含兩種用于模擬土壤有機質積累和分解的模型，用戶可以選擇不同的模塊進行評估和比較[3]。此外，WOFOST模型的最初實現(xiàn)是在FORTRAN中開發(fā)的，而今WOFOST研究組在Python Crop Simulation Environment（PCSE）框架內開發(fā)了PCSE/WOFOST版本，通過配置豐富的第三方庫，大大加強了模型應用的靈活性[4]。模型的不斷改進和優(yōu)化促進了作物生長模型在精準農業(yè)和智能農業(yè)中的新應用，以APSIM模型為例，現(xiàn)已廣泛應用于各領域，包括支持農場管理決策、農業(yè)生產(chǎn)系統(tǒng)設計、評估季節(jié)性氣候預報的價值及為政府決策進行風險評估等[2]。所有這些模型都更加標準化以降低跨地域、跨作物和跨目的的應用障礙。例如，Kersebaum等[5]提供了一個數(shù)據(jù)集定量分類軟件用于作物模型校準和驗證的數(shù)據(jù)集分析和分類，以提高數(shù)據(jù)在模型評價、統(tǒng)計分析和數(shù)據(jù)同化方面的實用性。Porter等[6]通過建立跨模型的數(shù)據(jù)交換機制AgMIP以實現(xiàn)互操作性，該數(shù)據(jù)交換機制的變量按照國際標準定義，采用靈活高效的結構化數(shù)據(jù)模式來儲存實驗數(shù)據(jù)，并提供特定的方法填補缺失或不足的數(shù)據(jù)，以便不同數(shù)據(jù)源或數(shù)據(jù)形式在同一數(shù)據(jù)集上并行運行。

1.2 幾種典型作物生長模型的比較與評價

在作物生長模型的發(fā)展過程中，典型的模型有WOFOST、EPIC、DSSAT-CERES、AquaCrop、APSIM、RCSODS、ORYZA和WheatSM等[7?9]。這些模型以作物生長發(fā)育過程為主要內容，注重作物生理生態(tài)等功能的表達，不僅考慮氣溫、降水、太陽輻射、CO2濃度等氣象因子對產(chǎn)量形成的影響，還考慮了光截獲和利用、物候發(fā)育、干物質分配等諸多過程及過程間的復雜相互作用。但是，由于目前對作物生態(tài)系統(tǒng)過程機理的認識尚不全面，只能用定量化的方法進行近似的模擬處理，而且作物生長各過程間耦合機制相當復雜，準確認知和正確表達仍然難以達到，因此，作物生長模型模擬結果的準確性有待進一步提高。

表1為目前基于過程表達的幾種典型作物生長模型，分為單作物專用模型和多作物通用模型。通用模型多適用于禾谷類作物，共同模擬的生長過程包括冠層的光截獲與利用、物候發(fā)育、干物質分配、蒸騰、水分平衡和養(yǎng)分平衡，通過調整水分或某種營養(yǎng)成分的輸入量可以進行水分和養(yǎng)分脅迫條件下作物生長過程的模擬。除此之外，各模型模擬的核心突出點又有所不同，有些模型含有獨特的模擬過程。如APSIM模型的核心是土壤，嵌有土壤侵蝕和碳素平衡、土壤溫度、土壤水分平衡、溶質運移、殘茬分解等過程的相應模塊；CERES系列模型以光能為主要驅動，集成了天氣、土壤等模擬模塊；AquaCrop模型是典型的水分驅動模型，可通過計算作物水分利用效率評估作物產(chǎn)量對水分的響應；EPIC模型中包含有侵蝕模塊、經(jīng)濟模塊等，支持在土壤風蝕和水蝕以及土地資源管理等研究中的應用[10]；WOFOST模型是通過CO2同化和光截獲過程驅動作物生長的模型，其最大的特點是普適性，根據(jù)氣候和土壤條件即可模擬作物根、莖、葉和穗生物量以及土壤水分，只需通過調整作物參數(shù)，即可適用于不同的作物。通過增加新模塊，WOFOST還可以模擬營養(yǎng)物限制、極端事件和氣候變化的影響[4]。圖1展示了WOFOST模型中各子模塊之間的聯(lián)系以及模擬過程。

單作物專用模型主要針對水稻和小麥研制的。ORYZA是最常用的、適用于不同情景分析的綜合水稻模擬模型，其具有較強的機理性和普適性。ORYZA不僅可在水分限制、植株氮素限制及水氮聯(lián)合限制條件下模擬水稻生長和發(fā)育情況，還支持模擬CO2濃度變化對水稻生長的影響。RCSODS是國內第一個較完整的水稻栽培模擬優(yōu)化決策系統(tǒng)，將作物模擬與栽培優(yōu)化原理結合進行栽培決策服務。WheatSM小麥模型是針對中國地區(qū)不同冬小麥品種類型（冬性、半冬性和春性）而研發(fā)的適用于中國大面積范圍應用的作物模型，在華北冬小麥區(qū)有較高的適用性。

表1 典型作物生長模型的主要模擬過程

Table 1 The main simulation process of some typical crop growth models

注：DVS為物候發(fā)展階段，LAI為葉面積指數(shù)。

Note：DVS is development stage and LAI is leaf area index.

模型評價一直以來都是作物生長模型發(fā)展的一個重要方面，是提高模型模擬精確度的關鍵環(huán)節(jié)，也是模型進入應用階段的基礎。理論上講，模型模擬效果的好壞反映了系統(tǒng)模型對作物生長的環(huán)境、過程及過程間的相互作用的定量描述是否合理，能否較準確地刻畫系統(tǒng)的行為特征，其評價指標需要與田間試驗數(shù)據(jù)結合進行，應用較多的統(tǒng)計指標有均方根誤差（RMSE）、均一化均方根誤差（nRMSE）、模型性能指數(shù)（EF）、模擬值與測量值之間的一致性指數(shù)（d）等。具體實踐過程中，要評價模型在當?shù)厥欠襁m用，要與當?shù)刈魑锲贩N、自然環(huán)境條件、人為管理方式相結合，并通過多組田間觀測數(shù)據(jù)對模型中的參數(shù)進行調試、更新和驗證。根據(jù)大量的文獻，近年來CERES-Maize模型在中國“本地化”的結果如表2所示[11?19]，可以看出，針對不同區(qū)域、不同品種，各品種遺傳參數(shù)的數(shù)值是明顯不同的。這些參數(shù)可作為相近品種在具有相似地形、氣候特征區(qū)域的初始值，具體使用時需要針對研究區(qū)域的氣候特征、土壤特征、管理措施和作物品種，進行調試和驗證，得到適宜的模型參數(shù)。完成對模型的“本地化”后，方能進行模型的應用。模型的評價與檢驗既為模型應用奠定基礎，又通過不斷提出新問題促進模型的發(fā)展。

2 主要階段作物生長模型應用及針對的問題

2.1 氣候變化對農業(yè)影響的模擬過程

2.1.1 作物生長模型與氣候模式耦合中的尺度問題

自1990年IPCC第一次氣候變化科學評估報告問世以來，基于作物生長模型研究氣候變化對作物產(chǎn)量形成、生長發(fā)育的影響評估以及作物區(qū)域氣候適應性等課題得到了廣泛開展[20]。明確歷史氣候變化對農作物的影響以及品種更替以適應氣候變化機制，可為未來氣候變化情景下實現(xiàn)作物高產(chǎn)穩(wěn)產(chǎn)提供理論依據(jù)。國內研究人員針對歷史時期氣候變化對不同地區(qū)農作物生長發(fā)育以及產(chǎn)量影響的研究已相當廣泛[21?24]。而研究未來氣候變化情景下作物產(chǎn)量是評價未來氣候變化對農業(yè)影響的重要內容，由此可了解土壤生產(chǎn)潛力和糧食安全保障能力。

表2 CERES-Maize模型在中國代表地區(qū)的品種遺傳參數(shù)（玉米）

注：P1為幼苗生長特性參數(shù)（?C?d）；P2為光周期敏感參數(shù)（d）；P5為灌漿期特性參數(shù)（?C?d）；G2為每株最大可能的籽粒數(shù)（粒）；G3為最優(yōu)條件下籽粒的灌漿速率（mg?粒?1?d?1）；PHINT為出葉間隔特性參數(shù)（?C?d）。表中參數(shù)結果來源于文獻[11?19]。

Note：P1 is degree days from emergence to the end of juvenile phase（?C?d）; P2 is photoperiod sensitivity coefficient（d）; P5 is degree days from silking to physiological maturity（?C?d）; G2 is potential kernel number（kernal）; G3 is potential kernel growth rate（mg?kernal?1?d?1）and PHINT is degree days required for a leaf tip to emerge（?C?d）. The parameters in the table are derived from literatures [11?19].

早在20世紀90年代，研究人員開始將作物生長模型和大氣環(huán)流模型（GCMs）結合進行氣候變化對全球作物的生產(chǎn)影響評估，實現(xiàn)氣候變化影響的區(qū)域尺度模擬。由于氣候模式輸出與模型輸入之間存在尺度差異，GCMs輸出數(shù)據(jù)的時空分辨率都較低（時間分辨率一般為月值），而模型需要輸入的氣候數(shù)據(jù)為逐日數(shù)據(jù)。因此，在區(qū)域研究中，針對這一問題目前的解決方法主要有兩種，即對作物模型升尺度（將高空間分辨率信息轉換成低分辨率的過程）或對大氣環(huán)流模式降尺度（即將低空間分辨信息轉換成高分辨率的過程）處理，從而進行作物生長模型和氣候模式的連接。目前，作物生長模型的升尺度主要從三個方面展開，一是輸入取樣，一般步驟是依據(jù)區(qū)域的空間異質性，分別在不同的地區(qū)進行站點模擬，最后對模擬結果進行加權平均。二是模型參數(shù)（或變量）的尺度轉換，用實測區(qū)域信息對模擬參數(shù)進行校正，以反映地區(qū)的平均狀態(tài)。江敏等[25]對CERES-Rice模型中的4個與產(chǎn)量相關的遺傳參數(shù)用4種不同尺度（單點、稻區(qū)、縣級以及超大尺度）的模擬結果進行比較，研究結果表明，對遺傳參數(shù)進行稻區(qū)尺度的調試方法模擬效果最佳，因此，選擇適宜的空間尺度非常重要。三是對模型的區(qū)域化處理進行優(yōu)化和完善。對GCMs輸出數(shù)據(jù)進行降尺度處理的方法通常有三類：動力降尺度法、統(tǒng)計降尺度以及動力與統(tǒng)計降尺度相結合。統(tǒng)計降尺度法的原理是利用多年大氣環(huán)流的觀測資料建立大尺度氣候要素和區(qū)域氣候要素之間的統(tǒng)計關系，將檢驗后的關系應用于GCMs中預估區(qū)域未來的氣候變化情景，進而獲取精細化信息[26]。在區(qū)域尺度的氣候對農業(yè)影響評價研究中，天氣發(fā)生器是一種常用的統(tǒng)計降尺度方法，可以基于某一地區(qū)的歷史氣候資料的統(tǒng)計特征生成未來若干年的天氣變量隨機日序列。因其具有能產(chǎn)生任意長度的時間序列、填補缺失值、任意調整氣候變率和較高的計算效率等特點，被廣泛用于概率預測和氣候對農業(yè)影響評價中。Dumont等[27?28]使用STIC模型對大量的氣象驅動數(shù)據(jù)進行比較，結果表明使用天氣發(fā)生器精度較高，而使用歷史氣象數(shù)據(jù)的計算效率則更高。由于GCMs輸出與作物生長模型輸入存在尺度差異且降尺度會引起模擬結果的不確定性等不足，區(qū)域氣候模式是可以模擬得到高分辨率的局地氣候變化信息的動力降尺度方法，且在降低氣象數(shù)據(jù)不確定性方面有顯著進步，因此，國內外將RCM和作物生長模型結合進行作物產(chǎn)量預估的研究逐漸增多[29?32]。

2.1.2 氣象災害對作物影響研究中的不足

全球氣候變化造成極端事件發(fā)生的頻率和強度增強，災害影響的區(qū)域增多。在全球氣候變化背景下，氣象災害對作物的影響最終表現(xiàn)在產(chǎn)量上，開展糧食生產(chǎn)風險研究對保障糧食安全很有必要。通過作物生長模型模擬的方法可定量化研究氣象災害對作物產(chǎn)量的潛在影響，諸多研究借助作物生長模型這一輔助工具評估氣象災害對作物的影響。以利用作物生長模型模擬干旱災害對作物生產(chǎn)的影響為例，方緣[33]利用WOFOST模型通過田間干旱脅迫試驗數(shù)據(jù)調試干物質分配和總生物量調節(jié)，從天氣文件中改變降水量使之對應試驗的控水階段，從而對模型進行模擬和調試。結果表明WOFOST可以較好地模擬玉米產(chǎn)量，同時該模型適應干旱年份產(chǎn)量的模擬。徐建文[34]通過DSSAT作物模型制定模型模擬中不同潛在干旱處理以及充分灌溉的實驗設計，研究生育期不同階段干旱對黃淮海地區(qū)冬小麥產(chǎn)量的潛在影響。張建平等[35]通過利用WOFOST模型模擬分析單一發(fā)育期干旱和兩個發(fā)育期干旱同時發(fā)生對玉米籽粒形成和產(chǎn)量的影響。

多數(shù)研究結論僅僅是針對單點試驗得出的結果，選擇一個典型站點代表區(qū)域的狀況進行區(qū)域模擬，并不能準確地反映各地區(qū)的實際干旱減產(chǎn)程度。模擬在水分脅迫條件下的生長發(fā)育和產(chǎn)量情況而不考慮區(qū)域內土壤墑情、灌溉、耕作、社會經(jīng)濟因素等差異，且干旱的影響效應還與干旱實際發(fā)生的時段和作物品種熟型有關。另一方面，國內研究缺乏國外作物生長模型所需的部分數(shù)據(jù)支撐，模型中的部分參數(shù)和作物文件中的參數(shù)僅使用模型初始默認參數(shù)或前人的研究成果。在此基礎上探究氣象災害對農作物的影響降低了模型模擬精度，雖然模擬結果存在一定偏差，但可為氣候變化背景下農業(yè)生產(chǎn)實踐提供一定的抗災依據(jù)。此外，還需要在生產(chǎn)過程中根據(jù)作物實際受災狀況進行科學抗災，在今后的研究中應嘗試建立多重影響因子的計算模型，以期對氣象災害的模擬研究更接近于作物實際受災狀況。

2.1.3 多模式集合模擬可降低不確定性

作物生長模型和氣候模式相連接已成為評估氣候變化對農業(yè)生產(chǎn)影響最主要的方法，也是未來研究的發(fā)展方向，然而其不確定性一直以來是一個重要的挑戰(zhàn)。多模式集合被認為是降低氣候變化影響評估結果不確定性的有效方法[36]。由于每種氣候模式都有其擅長和不擅長模擬的區(qū)域及氣候要素，將不同的氣候模式結合進行集合模擬的效果要優(yōu)于單個模式模擬結果，如此可穩(wěn)定有效地提高對未來氣候模擬的預估效果。此類研究中，多模式集合是將不同的集合預報數(shù)據(jù)驅動模型模擬的結果作為集合成員，使用模擬結果的集合代表其概率分布，最終將單一數(shù)值的模擬輸出轉換為概率分布，以概率形式給出作物增產(chǎn)或減產(chǎn)的可能性，因而可有效降低模擬結果的不確定性。利用加權集合方法是目前應用較廣的集合方法[37]，其依據(jù)模式的模擬能力預計未來情景預估的收斂性給出權重，能克服簡單平均處理的局限性。目前，利用多模式集合模擬進行未來氣候變化預估研究較為豐富，但是將未來氣候預估結果結合作物生長模型模擬未來中國農業(yè)生產(chǎn)的研究相對較少。但也出現(xiàn)一些應用實例，例如，利用多氣候模式在典型濃度路徑（RCPs）情景下的氣候預估結果，結合CERES-Wheat、APSIM和ORYZA2000等作物生長模型模擬小麥、玉米、水稻等作物產(chǎn)量，評估未來氣候變化對不同地區(qū)糧食作物的可能影響[38?40]；李闊等[41]基于5個CMIP5模式在RCPs氣候情景下的模擬結果，結合DSSAT模型開展未來氣候變化影響下中國玉米產(chǎn)量變化趨勢研究。

綜合來看，近年來，對氣候變化影響下的作物生長模型的研究更加詳細，為了更好地了解氣候變化對作物和糧食安全的風險，考慮了模型不確定性問題，特別是多模式集合模擬、升尺度、模型區(qū)域適應性以及極端事件方面的影響。氣象數(shù)據(jù)是驅動作物生長模型的重要數(shù)據(jù)，為獲得時間和空間連續(xù)的氣象數(shù)據(jù)集，往往通過插值方法得到區(qū)域氣象數(shù)據(jù)。然而，由于降水、風速等非連續(xù)氣象要素空間分布不均，插值方法的可靠性存在爭議。另一方面，應用氣象預報數(shù)據(jù)進行作物產(chǎn)量預測時，氣象預報數(shù)據(jù)的不確定性將直接影響作物生長模型模擬效果。目前的研究，氣象數(shù)據(jù)主要來源于歷史氣象數(shù)據(jù)，隨機天氣發(fā)生器或數(shù)值預報數(shù)據(jù)作為作物生長模型的驅動數(shù)據(jù)。由于大氣系統(tǒng)是一個非線性混沌系統(tǒng)，氣候預測和長期天氣預報的不準確性是必然存在的，依賴于氣象數(shù)據(jù)驅動的作物生長模型亦是如此。陶蘇林等[42]提出了一種以氣候要素均值傳遞函數(shù)和方差信息建立的模型訂正逐日氣候模擬數(shù)據(jù)的方法，提高了利用作物生長模型模擬預估的可信度。因此，選擇適合研究區(qū)的未來氣候情景、合理的氣候模擬數(shù)據(jù)訂正方法，尤其是如何定量評估不確定性均有待進一步研究，還需要通過改善氣候模式物理過程和參數(shù)化方案完善數(shù)值模式來減小預估誤差。

2.2 作物生長模型與遙感技術相結合過程

2.2.1 同化系統(tǒng)的構建

遙感數(shù)據(jù)同化技術起源于20世紀80年代，遙感技術是獲取大面積地表信息最有效的手段，在大面積作物長勢監(jiān)測、種植面積監(jiān)測、作物產(chǎn)量預測等方面發(fā)揮著重要作用。當作物生長模型應用到區(qū)域尺度時，衛(wèi)星遙感具有空間連續(xù)和時間動態(tài)變化的優(yōu)勢，能夠有效解決作物生長模型中區(qū)域參數(shù)空間分布不均而獲取困難的問題。而作物生長模型能揭示作物生長發(fā)育和產(chǎn)量形成的內在過程機理、個體生長發(fā)育狀況及其與環(huán)境條件的關系，數(shù)據(jù)同化技術能使遙感技術與作物生長模型實現(xiàn)優(yōu)勢互補，進行大范圍作物長勢監(jiān)測和產(chǎn)量預報，提高區(qū)域作物生長過程模擬能力。圖2為一個典型作物生長模型與遙感數(shù)據(jù)同化系統(tǒng)構建的流程圖，在模型本地化基礎上，WOFOST、CERES等作物生長模型能夠對作物的生長發(fā)育過程以及葉面積指數(shù)、土壤水分、生物量以及單產(chǎn)等參數(shù)進行較為準確的模擬。基于此，運用馬爾科夫鏈蒙特卡洛方法（Markov Chain Monte Carlo，MCMC）獲得這些參數(shù)的后驗分布，實現(xiàn)對作物模型輸出參數(shù)的估計以及不確定性的定量表達[43]。光學和雷達遙感能定量反演出生物學定量遙感參數(shù)數(shù)據(jù)，如DVS、LAI、地上生物量（Aboveground Biomass，AGB）、冠層覆蓋度（Canopy Coverage，CC）、蒸騰蒸發(fā)（Evapotranspiration，ET）、土壤水分（Soil Moisture，SM）以及吸收性光合有效輻射（Fraction of Absorbed Photosynthetically Active Radiation，F(xiàn)APAR）等，可以作為作物生長模型和定量遙感參數(shù)結合時的鏈接參數(shù)。因此，引入定量遙感參數(shù)，借助數(shù)據(jù)同化方法可實現(xiàn)作物模型的狀態(tài)參數(shù)優(yōu)化，提高作物生長模型在區(qū)域的模擬能力。

由于研究目的的不同，耦合作物生長模型與遙感參數(shù)時，鏈接參數(shù)的選擇可以是單參數(shù)也可以是多參數(shù)結合。最早和最常見引入的單參數(shù)是LAI，它代表作物截獲太陽輻射進行CO2同化和干物質積累的能力，是評估作物潛在產(chǎn)量的重要指標。除LAI外，SM、AGB等狀態(tài)變量均與作物產(chǎn)量密切相關[44?45]，因此，有研究通過同化多個狀態(tài)變量以提高模擬精度。結果表明，多參數(shù)結合優(yōu)化作物生長模型相對單參數(shù)作為鏈接參數(shù)時模擬結果更加準確[46]。數(shù)據(jù)同化研究中，將作物生長模型和遙感數(shù)據(jù)耦合的同化算法是該同化系統(tǒng)的核心，算法的性能直接影響該系統(tǒng)的運行效率。數(shù)據(jù)同化方法的原理是利用多源觀測數(shù)據(jù)通過迭代調整作物生長模型中與生長發(fā)育和產(chǎn)量形成密切相關的參數(shù)，最小化遙感觀測值與模型模擬值之間的差異，以達到優(yōu)化作物生長模型、提高模型預測能力的目的。4DVar和EnKF同化方法分別是當前參數(shù)優(yōu)化方法和順序同化方法的主流代表。

圖2 作物生長模型與遙感數(shù)據(jù)同化系統(tǒng)的構建示意

2.2.2 同化系統(tǒng)的應用及影響精度的環(huán)節(jié)

近十幾年來，隨著遙感技術與作物生長模型快速發(fā)展與愈加廣泛的應用，利用同化方法結合遙感數(shù)據(jù)和作物生長模型以充分發(fā)揮二者優(yōu)勢已逐漸成為發(fā)展趨勢。耦合遙感信息與作物生長模型在區(qū)域作物產(chǎn)量估測、農業(yè)災害預警工作等方面發(fā)揮了重要作用，出現(xiàn)諸多應用實例。王麗媛[47]基于中分辨率衛(wèi)星遙感數(shù)據(jù)并結合PCSE/WOFOST作物生長模型，依次在單點和區(qū)域尺度開展基于集合卡爾曼濾波方法（Ensemble Kalman Filter，EnKF）的同化研究。結果表明，遙感數(shù)據(jù)與作物生長模型同化能夠有效提高冬小麥估產(chǎn)精度。潘灼坤[48]借助遙感信息技術與作物生長模型，面向山西關中平原雙季作物低溫影響的監(jiān)測、風險評估研究，形成了基于遙感與作物生長模型的區(qū)域產(chǎn)量估測和災害評價框架。此外，通過耦合短臨天氣預報數(shù)據(jù)和作物生長模型，可以實現(xiàn)對未來時段農作物產(chǎn)量的預測。近年來，國家氣象中心通過結合地面觀測、衛(wèi)星遙感監(jiān)測和作物生長模型方法，開發(fā)了可業(yè)務應用的作物生長模擬與分析應用平臺，實現(xiàn)了基于作物模型的作物長勢監(jiān)測[49]。

面向遙感數(shù)據(jù)和作物生長模型的同化也存在尺度不匹配的問題，一方面，作物生長模型輸入?yún)?shù)的空間分辨率格網(wǎng)大小對模型輸出結果會有不同的精度，另一方面，遙感數(shù)據(jù)本身具有多空間分辨率的特點，致使遙感參數(shù)與作物生長模型模擬的參數(shù)（LAI、AGB、ET等）之間存在尺度差異。因此，尺度不匹配問題是遙感數(shù)據(jù)和作物生長模型數(shù)據(jù)同化系統(tǒng)應用到區(qū)域尺度的關鍵問題，國內外學者針對空間尺度轉換已開展了大量研究，面向遙感與作物生長模型同化目前常用的解決方案是對模型輸入?yún)?shù)的升尺度轉化，即將來自傳感器的物候信息與低空間分辨率（如MODIS）的遙感參數(shù)結合起來，并通過中等分辨率圖像（如Landsat TM）反演得到相對精確的參數(shù)值，調整作物生長模型生成的同化參數(shù)軌跡，從而提高同化精度[50]。

在區(qū)域尺度上，由于氣候和土壤的變異性、品種的多樣性、管理措施的多元化，特別是在變化的管理手段與環(huán)境條件下，難以評估區(qū)域作物產(chǎn)量，雖然遙感技術已廣泛用于區(qū)域作物估產(chǎn)，但也難以做到準確預測。目前，隨著定量遙感反演算法以及產(chǎn)品不斷完善，反映作物生長狀態(tài)的關鍵生物物理參數(shù)，如LAI、SM、AGB和ET等，其數(shù)據(jù)來源越來越豐富，精度越來越高，能夠不斷滿足作物生長模型同化的需求。然而，由于植被結構和生物物理特性的多樣性、冠層和大氣輻射傳輸過程的復雜性，植被參數(shù)和遙感觀測間的轉換仍存在較大的不確定性[51]。有研究表明，MODIS-LAI產(chǎn)品對葉面積指數(shù)低估33%～50%[52]；MODIS-ET產(chǎn)品在森林地區(qū)與蒸騰蒸發(fā)實測值較為一致[53]。此外，有研究表明，作物生理參數(shù)特征隨發(fā)育階段而變化，在作物不同生育期同化與產(chǎn)量形成相關性高的變量（如LAI、SM）可有效提高估產(chǎn)精度，如此有益于提高定量遙感對作物及其生長環(huán)境信息的獲取，促進二者更好地結合[54]。因此，遙感科學領域技術的發(fā)展，對同化系統(tǒng)中遙感反演參數(shù)的不確定性評估具有重要影響。由于作物生態(tài)系統(tǒng)過程的復雜性，刻畫系統(tǒng)行為的作物生長模型本身的不確定性是不可避免的。為精確描述大區(qū)域尺度的作物生長狀態(tài)，滿足農業(yè)生產(chǎn)的實際需求，未來實現(xiàn)和優(yōu)化多參數(shù)協(xié)同、多源數(shù)據(jù)融合、多作物生長模型耦合及動態(tài)預測是作物生長模型與定量遙感參數(shù)同化系統(tǒng)的發(fā)展方向。

2.3 作物生長模型的拓展應用過程

2.3.1 農業(yè)決策與評價工具

作物生長受品種遺傳特性、氣候、土壤、水肥管理措施、種植制度以及病蟲害防治的影響。優(yōu)化栽培措施，實現(xiàn)農業(yè)氣候資源合理利用、種植效益最大化和環(huán)境保護一直是研究和生產(chǎn)部門不斷追求的目標，制定和評價生產(chǎn)管理措施對氣候變化背景下平抑氣候不穩(wěn)定性造成的產(chǎn)量不穩(wěn)定十分重要。正確選擇播期是優(yōu)化作物產(chǎn)量的重要管理措施，作物生長模型為解決此類問題提供了有效手段。米娜等[19]對比了作物生長模型法和最佳季節(jié)法確定最佳播期，結果表明模型模擬方法具有較好的適用性。此外，在選取最優(yōu)水肥組合、決策黑土區(qū)農田基礎地力最佳施肥策略、評價水稻機械化干播種的可能性、灌溉和雨養(yǎng)條件下確定適播期、優(yōu)化農業(yè)變量施肥等諸多方面[55?59]，作物生長模型都發(fā)揮著重要的作用。許多地區(qū)采用保護性農業(yè)（Conservation Agriculture，CA）作為農業(yè)系統(tǒng)適應氣候變化的一種方式，CA是一套基于免耕、作物殘茬覆蓋和作物輪作的最佳管理措施[60]，尤其是在降水量少的非洲地區(qū)運用廣泛。DSSAT模擬結果表明，作物殘茬覆蓋主要影響表層土壤有機碳含量，其次影響土壤水分總量。DSSAT模型可以成為評估CA在經(jīng)濟和環(huán)境方面都具有可行性的有效工具。Ngwira等[61]基于DSSAT模型評估了非洲南部地區(qū)常規(guī)耕作和CA系統(tǒng)下玉米（L.）產(chǎn)量以及玉米-豇豆輪作的玉米產(chǎn)量，結果表明：DSSAT模型對免耕和作物殘茬覆蓋實踐的模擬是成功的，但對作物輪作的模擬效果不佳，因而建議在DSSAT中開發(fā)輪作模塊以預測作物輪作制度的影響。因氣候變化對作物輪作系統(tǒng)的影響復雜，今后應結合多種研究手段開展氣候變化對輪作系統(tǒng)的機理性、綜合性及系統(tǒng)性研究。

2.3.2 農業(yè)決策支持系統(tǒng)的開發(fā)

作物生長模型除了與氣候模式耦合及與遙感技術結合之外，由于評估氣候變化影響、適應氣候風險和改善糧食安全的復雜性需要更多的綜合模型和定量評估方法，促使作物生長模型與其它模型聯(lián)合，這些方法超越了作物和種植系統(tǒng)的生物和物理方面。以作物生長模型為核心的農業(yè)決策支持系統(tǒng)的研究與應用目前已取得很大進展，農業(yè)決策支持系統(tǒng)（Decision Support System，DSS）以作物生長模型或作物模型集群為核心，與社會經(jīng)濟模型、地理信息系統(tǒng)等結合，采用空間分析、數(shù)據(jù)挖掘、可視化等技術開發(fā)，具有前后處理、決策功能強大，用戶界面友好的特點，是輔助農業(yè)生產(chǎn)直接管理決策的重要工具。

國內外開發(fā)的不同應用目的的決策支持系統(tǒng)非常多，DSSAT和APSIM是應用最廣泛的決策支持系統(tǒng)。Ewert等[62]研究了將生物物理和經(jīng)濟模型結合起來的綜合評估模型IAM（Integrated Assessment Modelling），IAM綜合了氣候變化所帶來風險的復雜性及其對作物生產(chǎn)的可能適應性。研究結果表明，綜合評估模型在模擬氣候因子的影響方面取得很大進展，主要表現(xiàn)為作為IAM組成部分的作物生長模型對氣候變化因素的響應能力提高以及對極端事件影響有所改進。將決策系統(tǒng)與地理信息系統(tǒng)（GIS）結合，利用GIS的空間分析和數(shù)據(jù)采集優(yōu)勢，可方便獲取作物生長模型參數(shù)和顯示決策結果，并為決策提供輔助的空間分析能力支持。為滿足時間和空間尺度研究的需要，Lorite等[63]將AquaCrop模型與地理信息系統(tǒng)GIS結合，開發(fā)了AquaData和AquaGIS作為輸入和輸出工具。研究結果表明，AquaData和AquaGIS結合比AquaCrop模型工作效率要高，且GIS的使用極大地拓展了AquaCrop的應用范圍。為使用季節(jié)氣候預報SCF來為農業(yè)決策提供信息，Han等[64]開發(fā)了一個決策支持系統(tǒng)工具，氣候-農業(yè)模擬和決策工具（Climate-Agriculture- Modelling and Decision Tool，CAMDT），旨在促進概率SCF轉化為作物響應，基于生長季的預期氣候條件，幫助決策者調整作物和水管理實踐，最大限度地提高農業(yè)生產(chǎn)效益。國內有北京市農業(yè)局信息中心利用全球定位系統(tǒng)和遙感技術數(shù)據(jù)獲取工具，建立了農業(yè)數(shù)據(jù)采集、處理、傳輸、存儲、分析及應用的基于GIS的首都農業(yè)決策支持系統(tǒng)[65]。南京農業(yè)大學開發(fā)了基于作物管理知識模型的農田精確施肥決策支持系統(tǒng)[66]、基于知識模型的水稻、油菜管理決策支持系統(tǒng)[67?68]等。

3 結論與討論

（1）作物生長模型從系統(tǒng)角度研究、探索復雜的作物生態(tài)系統(tǒng)，數(shù)十年來，作物生長模型作為研究工具取得了巨大的進展。模型的靈活性、準確性、可操作性得到提高。目前主流的作物生長模型有DSSAT、WOFOST、APSIM、AquaCrop、ORYZA等，由于作物實際生長過程的復雜性，各作物生長模型的結構不同，對光合作用、水肥、營養(yǎng)和土壤水分平衡等過程的模擬各有側重。對這些復雜機理過程認識的不確定性，是導致模型模擬結果不確定的關鍵所在[69]。過去諸多研究對模型模擬過程進行了改進，對玉米營養(yǎng)生長階段落葉響應曲線進行修正，玉米對鹽分脅迫的響應，以土壤相對濕度作為驅動實現(xiàn)不同水分脅迫條件的設置[70]，半干旱環(huán)境條件下玉米葉面積與水分脅迫計算新方法[71]等。此外，可進一步通過提高模擬時間分辨率以增強模型對霜凍、冰雹等極端天氣事件的模擬，考慮作物倒伏、作物輪作、病蟲害等直接或間接影響作物生長模型模擬的因素，以提高模型的模擬能力。對作物生長模型的校準和驗證環(huán)節(jié)是模型應用的基礎，需結合具體地區(qū)、具體作物進行作物模型的本地化，方能進行模型的應用。

（2）準確模擬作物的生理和生長過程是初期研制機理性模型的主要目的，旨在從系統(tǒng)角度研究、探索復雜的作物生態(tài)系統(tǒng)。20世紀90年代，作物生長模型在農業(yè)生態(tài)區(qū)劃、土地質量評價和作物估產(chǎn)等領域的應用廣泛開展。隨著遙感等地理信息技術的快速發(fā)展，作物生長模型可支持大范圍的空間應用。作物生長模型作為農業(yè)生產(chǎn)管理和決策應用工具得到了很大發(fā)展，在田間尺度上，模型可通過設置不同情景進行模擬、預測，為優(yōu)化管理措施提供參考依據(jù)，在區(qū)域尺度上，可輔助水土資源宏觀管理決策。隨著軟件工程、大數(shù)據(jù)、可視化等技術的發(fā)展，以作物生長模型為核心的農業(yè)支持決策系統(tǒng)的開發(fā)與應用取得巨大進展，綜合評估模型IAM、AquaGIS和AquaData、氣候-農業(yè)模擬和決策工具CAMDT以及國內諸多決策支持系統(tǒng)的開發(fā)，成為輔助農業(yè)生產(chǎn)直接管理決策的重要工具。在氣候變化影響評估方面，自IPCC第一次評估報告發(fā)布以來，作物生長模型被廣泛應用。盡管作物生長模型存在一定局限性，但耦合作物生長模型與氣候模式仍然是評估氣候變化對農業(yè)影響的最佳方法。通過將多模式集合預報的技術引入到作物生長模型中、集成與整合多作物生長模型以及優(yōu)化氣候模擬數(shù)據(jù)訂正方法等方式，有望能進一步提高作物生長模型在不確定性條件下的模擬精度。Asseng等[72]指出氣候變化對農業(yè)生產(chǎn)影響預測中不確定性的更大部分是由作物生長模型而不是大氣環(huán)流模式所引起，通過改善作物生長模型以及使用多模型集合可以有效降低不確定性。在整合多作物生長模型方面，Kassie等[73]將APSIM-Nwheat模型整合到DSSAT模型中，創(chuàng)建了一個多模型模擬平臺，能夠對小麥影響評估中的模型不確定性進行量化。

（3）作物生長模型涉及的大氣、生物、土壤過程及相互耦合關系中尚存在不確定性，需要進一步試驗研究尋求更合理的定量描述方法。在實驗觀測的基礎上，研究和改進現(xiàn)有的計算方法，在模型復雜度和精度的取舍中找到平衡點是未來需要加強的工作。在解決此問題的基礎之上，才能更好地發(fā)揮作物生長模型在實際應用中的作用。在氣候變化背景下，中國的農業(yè)氣候資源發(fā)生改變，農業(yè)氣候資源不匹配將限制氣候資源利用率，氣候資源在數(shù)量和配置上的變化也必然導致農業(yè)種植制度和品種布局的變化。未來應注重結合作物生長模型開展氣候資源動態(tài)評估和精細化作物適宜性分析研究，以發(fā)揮各地農業(yè)生產(chǎn)區(qū)域優(yōu)勢，提高農業(yè)氣候資源利用率。另外，擴展更大區(qū)域尺度的應用、提高數(shù)據(jù)同化系統(tǒng)的精確度是遙感與作物生長模型同化系統(tǒng)的研究方向，還需要通過作物生長模型優(yōu)化、遙感定量反演、尺度校正和數(shù)據(jù)同化算法等關鍵環(huán)節(jié)的共同發(fā)展。在作物生長模型與遙感數(shù)據(jù)同化系統(tǒng)研究中，多鏈接參數(shù)協(xié)同、多源數(shù)據(jù)融合、多作物生長模型耦合以及作物產(chǎn)量監(jiān)測轉向動態(tài)預測是未來發(fā)展方向。國內已有相關研究成果，國家氣象中心研發(fā)的國家級農業(yè)氣象業(yè)務平臺（CAgMSS），構建了作物產(chǎn)量氣象統(tǒng)計預報、遙感估產(chǎn)、作物生長模型模擬、農學模型綜合集成技術體系，可實現(xiàn)生成逐月產(chǎn)量動態(tài)預報產(chǎn)品，并且平均預報精度較高[1]。隨著現(xiàn)代農業(yè)發(fā)展對氣象服務日益增長的需求，要實現(xiàn)農業(yè)氣象災害監(jiān)測、影響評估和風險預估的精準化、定量化，建立基于作物生長模型模擬、氣象災害指標、遙感監(jiān)測相結合的農業(yè)氣象災害影響定量評估體系是未來研究的重點內容。未來作物生長模型應努力結合人工智能、圖像識別、農業(yè)氣象大數(shù)據(jù)挖掘等新技術，推動現(xiàn)代農業(yè)氣象業(yè)務朝著農田觀測自動化、業(yè)務和服務智能化方向發(fā)展。

[1] 侯英雨,何亮,靳寧,等.中國作物生長模擬監(jiān)測系統(tǒng)構建及應用[J].農業(yè)工程學報,2018,34(21):165-175.

Hou Y Y,He L,Jin N,et al.Establishment and application of crop growth simulating and monitoring system in China [J].Transactions of the CSAE,2018,34(21):165-175.(in Chinese)

[2] Holzworth D P,Huth N I,Zurcher E J,et al.APSIM:evolution towards a new generation of agricultural systems simulation [J].Environmental Modelling & Software,2014,62:327-350.

[3] Jones J W,Hoogenboom G,Porter C H,et al.The DSSAT cropping system model[J].European Journal of Agronomy, 2003,18(3-4):235-265.

[4] de Wit A,Boogaard H,Fumagalli D,et al.25 years of the WOFOST cropping systems model[J].Agricultural Systems, 2019,168:154-167.

[5] Kersebaum K C,Boote K J,Jorgenson J,et al.Analysis and classification of data sets for calibration and validation of agro-ecosystem models[J].Environmental Model Software, 2015,72:402-417.

[6] Porter C H,Villalobos C,Holzworth D,et al.Harmonization and translation of crop modeling data to ensure interoperability[J].Environmental Model Software,2014,62: 495-508.

[7] 孫仕軍,張琳琳,陳志君,等.AquaCrop作物模型應用研究進展[J].中國農業(yè)科學,2017,50(17):3286-3299.

Sun S J,Zhang L L,Chen Z J,et al.Advances in AquaCrop model research and application[J].Scientia Agricultura Sinica, 2017,50(17):3286-3299.(in Chinese)

[8] 陶生才,潘婕,劉珂.DSSAT模型在中國農業(yè)與氣候變化領域應用進展[J].中國農學通報,2015,(9):200-206.

Tao S C,Pan J,Liu K.The application progress of DSSAT in the field of agriculture and climate change in China [J].Chinese Agricultural Science Bulletin,2015,(9):200-206. (in Chinese)

[9] 趙彥茜,齊永青,朱驥,等.APSIM模型的研究進展及其在中國的應用[J].中國農學通報,2017,33(18):1-6.

Zhao Y Q,Qi Y Q,Zhu J,et al.Research progress of APSIM model and its application in China[J].Chinese Agricultural Science Bulletin,2017,33(18):1-6.(in Chinese)

[10] Wang X,Williams J R,Gassman P W,et al.EPIC and APEX:model use,calibration,and validation[J].Transactions of the ASABE,2012,55(4):1447-1462.

[11] 鄒龍,馮浩.DSSAT-CERES模型在黃土高原丘陵溝壑地區(qū)春玉米生產(chǎn)中的適用性評價[J].植物營養(yǎng)與肥料學報, 2014,20(6):1413-1420.

Zou L,Feng H.Applicability evaluation of DSSAT-CERES model on production of spring maize in hill and gully area of the Loess Plateau[J].Journal of Plant Nutrition Fertilizer, 2014,20(6):1413-1420.(in Chinese)

[12] 溫江麗,李久生.半干旱地區(qū)噴灌玉米CERES-Maize模型率定驗證及應用[J].水利學報,2015,46(5):584-593.

Wen J L,Li J S.Calibration,validation and application of the CERES-Maize model for sprinkled maize in the semi-arid region[J].Journal of Hydraulic Engineering,2015,46(5): 584-593.(in Chinese)

[13] 宋利兵,陳上,姚寧,等.基于GLUE和PEST的CERES- Maize模型調參與驗證研究[J].農業(yè)機械學報,2015,46(11): 95-111.

Song L B,Chen S,Yao N,et al.Parameter estimation and verification of CERES-Maize model with GLUE and PEST methods[J].Journal of Agriculture Machinery,2015,46(11): 95-111.(in Chinese)

[14] 李樹巖,余衛(wèi)東.河南省不同生態(tài)區(qū)CERES-Maize模型參數(shù)確定及精度驗證[J].干旱地區(qū)農業(yè)研究,2017, 5(2):1-8.

Li S Y,Yu W D.Applicability analysis of CERES-Maize model in different agro-ecological zone of Henan[J]. Agricultural Research in the Arid Areas,2017,35(2):1-8.(in Chinese)

[15] 劉玉汐,趙檸,任景全,等.基于CERES-Maize模型的吉林春玉米遺傳參數(shù)調試[J].中國農學通報,2017, 33(24):12-19.

Liu Y X,Zhao N,Ren J Q,et al.Genetic parameter debugging for spring maize in Jilin based on CERES-Maize model [J].Chinese Agricultural Science Bulletin,2017,33(24):12-19. (in Chinese)

[16] 付春曉,龔時宏,王建東,等.改進CERES-Maize模型在玉米膜下滴灌模式下的適用性[J].排灌機械工程學報,2018,36 (11):1076-1080.

Fu C X,Gong S H,Wang J D,et al.Applicability of improved CERES-Maize model under mulch drip irrigation of maize[J].Journal of Drainage and Irrigation Machinery Engineering,2018,36(11):1076-1080.(in Chinese)

[17] 戴明宏,趙久然,Wilhelm Claupein,等.基于CERES-Maize模型春玉米水分優(yōu)化管理決策[J].水土保持學報,2009, 23(1):187-192.

Dai M H,Zhao J R,Wilhelm C,et al.Decision for optimized water management based on CERES-Maize crop model[J]. Journal of Soil and Water Conservation 2009,23(1):187-192. (in Chinese)

[18] 劉玉蘭,陳曉光,肖云清,等.CERES-Maize模型中遺傳參數(shù)確定方法的研究[J].玉米科學,2007,(6):127-129.

Liu Y L,Chen X G,Xiao Y Q,et al.Study on establishing maize variety parameters in the CERES-Maize simulation model[J].Journal of Maize Sciences,2007,(6):127-129.(in Chinese)

[19] 米娜,張玉書,紀瑞鵬,等.基于作物模型與最佳季節(jié)法的錦州地區(qū)玉米最佳播種期分析[J].中國農業(yè)氣象,2016,37 (1):68-76.

Mi N,Zhang Y S,Ji R P,et al.Analysis on optimum sowing date of maize in Jinzhou using crop growth model and optimum season method[J].Chinese Journal of Agrometeorology, 2016,37(1):68-76.(in Chinese)

[20] 秦鵬程,姚鳳梅,曹秀霞,等.利用作物模型研究氣候變化對農業(yè)影響的發(fā)展過程[J].中國農業(yè)氣象,2011,32(2): 240-245.

Qin P C,Yao F M,Cao X X,et al.Development process of modeling impacts of climate change on agricultural productivity based on crop models[J].Chinese Journal of Agrometeorology,2011,32(2):240-245.(in Chinese)

[21] Sun H,Zhang X,Wang E,et al.Assessing the contribution of weather and management to the annual yield variation of summer maize using APSIM in the North China Plain [J].Field Crops Research,2016,194:94-102.

[22] Xiao D,Tao F.Contributions of cultivar shift,management practice and climate change to maize yield in North China Plain in 1981-2009[J].International Journal of Biometeorology, 2016,60(7):1111-1122.

[23] Yang Y,Yang Y,Han S,et al.Prediction of cotton yield and water demand under climate change and future adaptation measures[J].Agricultural Water Management,2014,144: 42-53.

[24] 成林,李彤霄,劉榮花.主要生育期氣候變化對河南省冬小麥生長及產(chǎn)量的影響[J].中國生態(tài)農業(yè)學報,2017,25(6): 931-940.

Cheng L,Li T X,Liu R H.Effect of climate change on growth and yield of winter wheat in Henan Province[J].Chinese Journal of Eco-Agriculture,2017,25(6):931-940.(in Chinese)

[25] 江敏,金之慶.CERES-Rice模型區(qū)域應用中遺傳參數(shù)升尺度的一種方法[J].中國水稻科學,2009,23(2):172-178.

Jiang M,Jin Z Q.A method to upscale the genetic parameters of CERES-Rice in regional applications[J]. Chinese Journal of Rice Science,2009,23(2):172-178.(in Chinese)

[26] Wilks D S,Wilby R L.The weather generation game:a review of stochastic weather models[J].Progress in Physical Geography,1999,23(3):329-357.

[27] Dumont B,Leemans V,Ferrandis S,et al.Assessing the potential of an algorithm based on mean climatic data to predict wheat yield[J].Precision Agriculture,2014,15(3): 255-272.

[28] Dumont B,Basso B,Leemans V,et al.Systematic analysis of site-specific yield distributions resulting from nitrogen management and climatic variability interactions[J]. Precision Agriculture,2015,16(4):361-384.

[29] 陳璐.氣候變化對寧夏中部干旱帶玉米生產(chǎn)影響的模擬研究[D].南京:南京信息工程大學,2016.

Chen L.Simulation of the impact of climate change on maize production in the middle arid region in Ningxia [D].Nanjing:Nanjing University of Information Science and Technology,2016.(in Chinese)

[30] 王連喜,劉靜,李琪,等.氣候變化對寧夏水稻的影響及適應性研究[J].地球科學進展,2013,28(11):1248-1256.

Wang L X,Liu J,Li Q,et al.Simulation study of the climate change impact on the rice and its adaptability in Ningxia province[J].Advances in Earth Science,2013,28(11): 1248-1256.(in Chinese)

[31] 謝萍.基于CERES-Wheat模型的氣候變化對寧夏冬小麥生長與產(chǎn)量的影響[D].南京:南京信息工程大學,2012.

Xie P.The effect of climate change to growth and yield of winter based on CERES-Wheat in Ningxia[D].Nanjing: Nanjing University of Information Science and Technology, 2012.(in Chinese)

[32] Boonwichai S,Shrestha S,Babel M S,et al.Evaluation of climate change impacts and adaptation strategies on rainfed rice production in Songkhram River Basin,Thailand[J]. Science of the Total Environment,2019,652:189-201.

[33] 方緣.基于作物生長模型的玉米干旱損失評估[D].沈陽:沈陽農業(yè)大學,2016.

Fang Y.Evaluation of maize drought loss based on crop growth model[D].Shenyang:Shenyang Agricultural University, 2016.(in Chinese)

[34] 徐建文.黃淮海平原干旱對冬小麥產(chǎn)量的潛在影響模擬研究[D].北京:中國農業(yè)科學院,2014.

Xu J W.Potential effect of drought on winter wheat yield based on DSSAT model over Huang-Huai-Hai Plain[D]. Beijing:Chinese Academy of Agricultural Sciences,2014.(in Chinese)

[35] 張建平,何永坤,王靖,等.不同發(fā)育期干旱對玉米籽粒形成與產(chǎn)量的影響模擬[J].中國農業(yè)氣象,2015,36(1):43-49.

Zhang J P,He Y K,Wang J,et al.Impact simulation of drought at different growth stages on grain formation and yield of maize[J].Chinese Journal of Agrometeorology,2015,36(1): 43-49.(in Chinese)

[36] Collins M.Ensembles and probabilities:a new era in the prediction of climate change[J].Philosophical Transactions of the Royal Society A:Mathematical,Physical and Engineering Sciences,2007,365(1857):1957-1970.

[37] 姚遙,羅勇,黃建斌.8個CMIP5模式對中國極端氣溫的模擬和預估[J].氣候變化研究進展,2012,8(4):250-256.

Yao Y,Luo Y,Huang J B.Evaluation and projection of temperature extremes over China based on 8 modeling data from CMIP5[J].Climate Change Research,2012,8(4): 250-256.(in Chinese)

[38] 楊絢,湯緒,陳葆德,等.利用CMIP5多模式集合模擬氣候變化對中國小麥產(chǎn)量的影響[J].中國農業(yè)科學,2014,47(15): 3009-3024.

Yang X,Tang X,Chen B D,et al.Impacts of climate change on wheat yield in China simulated by CMIP5 multi-model ensemble projections[J].Scientia Agricultura Sinica,2014, 47(15):3009-3024.(in Chinese)

[39] 張祎,趙艷霞.多模式集合模擬氣候變化對玉米產(chǎn)量的影響[J].中國生態(tài)農業(yè)學報,2017,25(6):941-948.

Zhang Y,Zhao Y X.Multi-model ensemble to simulation impacts of climate change on maize yield[J].Chinese Journal of Eco-Agriculture,2017,25(6):941-948.(in Chinese)

[40] 黃笑穎.未來氣候及散射輻射變化情景下南京地區(qū)水稻產(chǎn)量模擬[D].南京:南京信息工程大學,2016.

Huang X Y.Rice yield simulation in Nanjing under climate and diffuse radiation change scenarios[D].Nanjing:Nanjing University of Information Science and Technology,2016.(in Chinese)

[41] 李闊,熊偉,潘婕,等.未來升溫1.5℃與2.0℃背景下中國玉米產(chǎn)量變化趨勢評估[J].中國農業(yè)氣象,2018,39(12): 765-777.

Li K,Xiong W,Pan J,et al.Trend evaluation on changes of maize yield in China under global warming by 1.5℃ and 2.0℃[J].Chinese Journal of Agrometeorology,2018,39(12): 765-777.(in Chinese)

[42] 陶蘇林,申雙和,李雨鴻,等.氣候模擬數(shù)據(jù)訂正方法在作物氣候生產(chǎn)潛力預估中的應用:以江蘇冬小麥為例[J].中國農業(yè)氣象,2016,37(2):174-187.

Tao S L,Shen S H,Li Y H,et al.Application of bias correction method for simulated climate data in projection of crop climatic potential productivity:a case study of winter wheat in Jiangsu[J].Chinese Journal of Agrometeorology,2016,37 (2):174-187.(in Chinese)

[43] 吳蕾,柏軍華,肖青,等.作物生長模型與定量遙感參數(shù)結合研究進展與展望[J].農業(yè)工程學報,2017,33(9):155-166.

Wu L,Bai J H,Xiao Q,et al.Research progress and prospect on combining crop growth models with parameters derived from quantitative remote sensing[J].Transactions of the CSAE,2017,33(9):155-166.(in Chinese)

[44] He B,Li X,Quan X,et al.Estimating the aboveground dry biomass of grass by assimilation of retrieved LAI into a crop growth model[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(2):550-561.

[45] 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.

[46] 包姍寧,曹春香,黃健熙,等.同化葉面積指數(shù)和蒸散發(fā)雙變量的冬小麥產(chǎn)量估測方法[J].地球信息科學學報,2015,17 (7):871-882.

Bao S N,Cao C X,Huang J X,et al.Research on winter wheat yield estimation based on assimilation of leaf area index and evapotranspiration data[J].Journal of Geo-Information Science,2015,17(7):871-882.(in Chinese)

[47] 王麗媛.遙感數(shù)據(jù)與作物模型同化的冬小麥估產(chǎn)研究.[D].杭州:浙江大學,2018.

Wang L Y.Estimating winter wheat yield by assimilation oh remote sensing data into crop growth model[D].Hangzhou: Zhejiang University,2018.(in Chinese)

[48] 潘灼坤.耦合遙感信息與作物生長模型的區(qū)域低溫影響監(jiān)測?預警與估產(chǎn)[D].杭州:浙江大學,2016.

Pan Z K.Integration of remote sensing and crop growth model for regional low temperature impact monitoring,early warning, and yield estimation[D].Hangzhou:Zhejiang University, 2016.(in Chinese)

[49] 侯英雨,張蕾,吳門新,等.國家級現(xiàn)代農業(yè)氣象業(yè)務技術進展[J].應用氣象學報,2018,29(6):641-656.

Hou Y Y,Zhang L,Wu M X,et al.Advances of modern agrometeorological service and technology in China[J].Journal of Applied Meteorological Science, 2018,29(6):641-656.(in Chinese)

[50] 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.

[51] 劉洋,劉榮高,陳鏡明,等.葉面積指數(shù)遙感反演研究進展與展望[J].地球信息科學學報,2013,15(5):734-743.

Liu Y,Liu R G,Chen J M,et al.Current status and perspectives of leaf area index retrieval from optical remote sensing data[J].Journal of Geo-Information Science,2013,15(5): 734-743.(in Chinese)

[52] 楊飛,孫九林,張柏,等.基于PROSAIL模型及TM與實測數(shù)據(jù)的MODISLAI精度評價[J].農業(yè)工程學報,2010,26(4): 192-197.

Yang F,Sun J L,Zhang B,et al.Assessment of MODIS LAI product accuracy based on the PROSAIL model,TM and field measurements[J].Transactions of the CSAE,2010,26(4): 192-197.(in Chinese)

[53] Kim H W,Hwang K,Mu Q,et al.Validation of MODIS 16 global terrestrial evapotranspiration products in various climates and land cover types in Asia[J].KSCE Journal of Civil Engineering,2012,16(2):229-238.

[54] 解毅.基于多變量和數(shù)據(jù)同化算法的冬小麥單產(chǎn)估測[D].北京:中國農業(yè)大學,2017.

Xie Y.Winter wheat yield estimation based on multi- variables and data assimilation algorithms[D].Beijing:China Agricultural University,2017.(in Chinese)

[55] 路婧琦,崔耀平,張帥帥,等.氣候變化下水肥及CO2對冬小麥生長的影響模擬[J].中國農學通報,2015,31(33):27-36.

Lu J Q,Cui Y P,Zhang S S,et al.Simulation of irrigation, fertilization and CO2concentration on winter wheat yield under the background of global climate change[J].Chinese Agricultural Science Bulletin,2015,31(33):27-36.(in Chinese)

[56] 查燕,武雪萍,張會民,等.長期有機無機配施黑土土壤有機碳對農田基礎地力提升的影響[J].中國農業(yè)科學,2015, 48(23):4649-4659.

Zha Y,Wu X P,Zhang H M,et al.Effects of long-term organic and inorganic fertilization on enhancing soil organic carbon and basic soil productivity in black soil[J].Scientia Agricultura Sinica,2015,48(23):4649-4659. (in Chinese)

[57] Laing A M,Roth C H,Chialue L,et al.Mechanized dry seeding is an adaptation strategy for managing climate risks and reducing labor costs in rainfed rice production in lowland Lao PDR[J].Field Crops Research,2018,225:32-46.

[58] 張鎮(zhèn)濤,楊曉光,高繼卿,等.氣候變化背景下華北平原夏玉米適宜播期分析[J].中國農業(yè)科學,2018,51(17):3258-3274.

Zhang Z T,Yang X G,Gao J Q,et al.Analysis of suitable sowing date for summer maize in North China Plain under climate change[J].Scientia Agricultura Sinica,2018,51(17): 3258-3274.(in Chinese)

[59] Li Z,He J,Xu X,et al.Estimating genetic parameters of DSSAT-CERES model with the GLUE method for winter wheat(L)production[J].Computers and Electronics in Agriculture,2018,154:213-221.

[60] Corbeels M,Chirat G,Messad S,et al.Performance and sensitivity of the DSSAT crop growth model in simulating maize yield under conservation agriculture[J].European Journal of Agronomy,2016,76:41-53.

[61] Ngwira A R,Aune J B,Thierfelder C.DSSAT modelling of conservation agriculture maize response to climate change in Malawi[J].Soil and Tillage Research,2014,143:85-94.

[62] 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 & Software, 2015,72:287-303.

[63] Lorite I J,García-Vila M,Santos C,et al.AquaData and AquaGIS:two computer utilities for temporal and spatial simulations of water-limited yield with AquaCrop[J]. Computers and Electronics in Agriculture,2013,96:227-237.

[64] Han E,Ines A V M,Baethgen W E.Climate-Agriculture- Modeling and Decision Tool (CAMDT):a software framework for climate risk management in agriculture[J]. Environmental Modelling & Software,2017,95:102-114.

[65] 閻曉軍,王維瑞,梁建平.農業(yè)空間決策支持系統(tǒng)的設計與實現(xiàn)[J].農業(yè)工程學報,2010,26(9):257-262.

Yan X J,Wang W R,Liang J P.Design and implementation of the spatial decision support system for agriculture[J]. Transactions of the CSAE,2010,26(9):257-262.(in Chinese)

[66] 陳蓉蓉,周治國,曹衛(wèi)星,等.農田精確施肥決策支持系統(tǒng)的設計和實現(xiàn)[J].中國農業(yè)科學,2004,37(4):516-521.

Chen R R,Zhou Z G,Cao W X,et al.Designing and implementation of a Decision Supporting System for Precision Fertilization (DSSPF)[J].Scientia Agricultura Sinica,2004,37(4):516-521 (in Chinese)

[67] 李衛(wèi)國.水稻生長模擬與決策支持系統(tǒng)的研究[D].南京:南京農業(yè)大學,2005.

Li W G.Research on rice growth simulation and decision support system[D].Nanjing:Nanjing Agricultural University, 2005.(in Chinese)

[68] 湯亮.油菜生長模擬與決策支持系統(tǒng)研究[D].南京:南京農業(yè)大學,2006.

Tang L.Study on rape growth simulation and decision support system[D].Nanjing:Nanjing Agricultural University, 2006.(in Chinese)

[69] 羅毅,郭偉.作物模型研究與應用中存在的問題[J].農業(yè)工程學報,2008,24(5):307-312.

Luo Y,Guo W.Development and problems of crop models [J].Transactions of the CSAE,2008,24(5):307-312.(in Chinese)

[70] 王銳,李亞飛,張麗娟,等.土壤濕度驅動WOFOST模型及其適應性[J].中國農業(yè)氣象,2015,36(3):263-271.

Wang R,Li Y F,Zhang L J,et al.WOFOST model based on soil moisture driven and its adaptability[J].Chinese Journal of Agrometeorology,2015,36(3):263-271.(in Chinese)

[71] Nouna B B,Katerji N,Mastrorilli M.Using the CERES- Maize model in a semi-arid Mediterranean environment:new modelling of leaf area and water stress functions[J]. European Journal of Agronomy,2003,19(2):115-123.

[72] Asseng S,Ewert F,Rosenzweig C,et al.Uncertainty in simulating wheat yields under climate change[J].Nature Climate Change,2013,3(9):827.

[73] Kassie B T,Asseng S,Porter C H,et al.Performance of DSSAT-Nwheat across a wide range of current and future growing conditions[J].European Journal of Agronomy,2016, 81:27-36.

Research Progress in Application of Crop Growth Models

SUN Yang-yue1, SHEN Shuang-he2

(1. College of Applied Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Collaboration Innovation Center on Forecast and Evaluation of Meteorological Disaster of Nanjing University of Information Science & Technology, Nanjing 210044)

The crop growth model can not only simulate the dynamic growth of crops on a single point scale, but also evaluate the relationship between crop growth status and environmental factors from a systematic perspective. This paper reviews latest works related to crop growth model, with particular focuses on the research of climate change to agricultural production and application of crop growth model at regional scale. In addition, this paper summarizes the current research on the development of agricultural decision support systems(DSS) with crop growth models as the core. The research is intended to promote crop growth models to be more widely used in researches on ecology, agriculture, regional climate resources and climate change filed. Research results show that the crop growth model is widely and deeply used in China and abroad. Under the background of climate change, the application research of crop growth model to the impact of historical period climatic conditions and agrometeorological disasters on crop production status and yield has been extensive and relatively mature. Using global climate models (GCMs) or regional climate models (RCMs) to construct future climate change scenarios, coupled with crop growth models, has evolved into an important tool for assessing the impact of future climate change on agricultural production. By integrating and consolidating multi-crop growth model, multi-climate model ensemble simulation and optimizing climate simulation data correction methods, the uncertainty of climate change impact assessment on agricultural production can be effectively reduced. The remote sensing data assimilation technology can apply the site model to the regional scale to evaluate the impact of different meteorological factors on agricultural production, broaden the application scale range of the crop growth model and effectively improve the accuracy of crop yield estimation. The research and application of agricultural decision support system with crop growth model as the core is more and more diversified, and it is an important tool to assist agricultural production management and decision-making. However, due to the complexity of crop ecosystems, there are still great uncertainties in crop growth model simulation results. In the future, the exploration of crop growth and process coupling mechanism needs to be strengthened in order to improve the model and promote it more widely used.

Crop growth model；Crop model；Climate change；Remote sensing；Research progress

10.3969/j.issn.1000-6362.2019.07.004

2019?01?15**

。E-mail：yqzhr@nuist.edu.cn

公益性行業(yè)（氣象）科研專項“水稻對高溫發(fā)生發(fā)展過程的響應機制及應對技術研究”（GYHY201506018）

孫揚越（1994?），女，碩士生，研究方向為農業(yè)氣象與氣候變化。E-mail：sunyangyue@nuist.edu.cn

孫揚越,申雙和.作物生長模型的應用研究進展[J].中國農業(yè)氣象,2019,40(7):444-459