何 亮 侯英雨 于 強(qiáng) 靳 寧

(1.國家氣象中心， 北京 100081； 2.西北農(nóng)林科技大學(xué)黃土高原土壤侵蝕與旱地農(nóng)業(yè)國家重點(diǎn)實(shí)驗(yàn)室， 陜西楊陵 712100；3.悉尼科技大學(xué)生命科學(xué)學(xué)院， 悉尼 NSW 2007)

0 引言

自20世紀(jì)60年代de WIT[1]進(jìn)行葉片光合作用模擬研究以來，作物生長模擬逐漸成為農(nóng)業(yè)資源規(guī)劃、農(nóng)業(yè)氣象、農(nóng)業(yè)信息和農(nóng)業(yè)水土工程等學(xué)科的重要研究內(nèi)容。隨著人們對作物生理生態(tài)過程的深入理解和計(jì)算機(jī)技術(shù)的發(fā)展，考慮作物生長、大氣、土壤、農(nóng)田管理等因子相互作用的機(jī)理過程模型成為農(nóng)業(yè)研究的重要工具之一[2-5]。作物模型動(dòng)態(tài)、定量地模擬作物生長發(fā)育和產(chǎn)量形成，詳細(xì)地刻畫作物-大氣-土壤的交互過程，在農(nóng)業(yè)資源管理、農(nóng)田管理決策、農(nóng)業(yè)氣象服務(wù)和農(nóng)業(yè)風(fēng)險(xiǎn)評估等領(lǐng)域得到廣泛應(yīng)用。最近20年來，作物模型在氣候變化對農(nóng)業(yè)影響評估中發(fā)揮了重要作用[6-10]。

作物生長模型最初基于單點(diǎn)尺度開發(fā)，很多模型的應(yīng)用也都基于單點(diǎn)模擬[11-13]。隨著模型的發(fā)展與應(yīng)用，作物模型逐漸需要擴(kuò)展到區(qū)域尺度。例如，農(nóng)業(yè)氣候變化適應(yīng)是在區(qū)域尺度開展的，相關(guān)政策決策者期待科學(xué)家回答“氣候變化對中國農(nóng)業(yè)有什么影響”，而非對一個(gè)田塊的影響，回答這個(gè)問題需要把基于站點(diǎn)尺度的作物模型升尺度到空間。近年來，作物模型區(qū)域模擬研究受到國內(nèi)外學(xué)者廣泛關(guān)注[14-17]，這是作物模型應(yīng)用的發(fā)展趨勢[18]。但在眾多研究中，對作物模型空間升尺度不確定性的研究相對薄弱。

模型驅(qū)動(dòng)數(shù)據(jù)一般包括氣象、土壤、農(nóng)田管理、作物品種4個(gè)方面。在模型從點(diǎn)到面的擴(kuò)展中，由于作物品種、土壤類型和農(nóng)田管理方式的區(qū)域差異，驅(qū)動(dòng)數(shù)據(jù)難以直接獲取，容易產(chǎn)生模型空間升尺度誤差[19-20]。模型驅(qū)動(dòng)數(shù)據(jù)空間分辨率的高低可能影響區(qū)域模擬結(jié)果。一般而言，高分辨率的驅(qū)動(dòng)數(shù)據(jù)承載的空間異質(zhì)性信息更豐富，模擬結(jié)果的空間異質(zhì)性較好；低分辨率的驅(qū)動(dòng)數(shù)據(jù)正好相反。近年來，國內(nèi)外學(xué)者對驅(qū)動(dòng)數(shù)據(jù)分辨率如何影響區(qū)域模擬進(jìn)行了一些研究[21-26]。關(guān)于氣象驅(qū)動(dòng)數(shù)據(jù)，van BUSSEL等[27]分析了50、100 km兩種分辨率氣象數(shù)據(jù)對德國冬小麥物候模擬的差異，認(rèn)為100 km分辨率驅(qū)動(dòng)數(shù)據(jù)模擬結(jié)果足以反映物候的空間異質(zhì)性。也有一些研究認(rèn)為，用高分辨率氣象驅(qū)動(dòng)數(shù)據(jù)模擬才能反映地面物候、產(chǎn)量等的空間異質(zhì)性特征[25,28-30]。關(guān)于作物遺傳參數(shù)，江敏等[31]比較了CERES-Rice模型作物遺傳參數(shù)的空間分辨率對模擬結(jié)果的影響，認(rèn)為在水稻亞區(qū)尺度，用一套參數(shù)的模擬結(jié)果就能滿足需求，而不需要更細(xì)空間精度的多套遺傳參數(shù)。關(guān)于土壤驅(qū)動(dòng)參數(shù)，ANGULO等[32]分別用3種比例尺的土壤信息驅(qū)動(dòng)模型，發(fā)現(xiàn)不同比例尺土壤信息的模擬結(jié)果差異并不大。由上可見，站點(diǎn)驅(qū)動(dòng)數(shù)據(jù)擴(kuò)展到哪種空間分辨率更好并無定論。因此，揭示不同空間分辨率驅(qū)動(dòng)數(shù)據(jù)對作物模型區(qū)域模擬結(jié)果的影響，可為作物模型在大區(qū)域應(yīng)用時(shí)選擇合適的分辨率提供理論支撐。

本研究以WOFOST模型為實(shí)例，以中國北方冬小麥種植區(qū)為研究區(qū)域，通過構(gòu)建不同空間分辨率驅(qū)動(dòng)數(shù)據(jù)的作物模型模擬平臺，結(jié)合區(qū)域歷史產(chǎn)量數(shù)據(jù)，診斷和分析不同空間分辨率驅(qū)動(dòng)數(shù)據(jù)對作物模型空間模擬結(jié)果的影響。

1 材料與方法

1.1 研究區(qū)概況

選擇北方冬麥區(qū)作為研究對象(圖1)，根據(jù)國家氣象中心農(nóng)業(yè)氣象業(yè)務(wù)指南[33]，北方冬麥區(qū)主要包括河北大部、河南、山東、山西南部、江蘇和安徽北部、陜西和甘肅部分地區(qū)，北方冬麥區(qū)小麥產(chǎn)量占全國總產(chǎn)的80%以上。研究區(qū)共包括632個(gè)國家級氣象站點(diǎn)。數(shù)值高程模型(DEM)用來作為氣象數(shù)據(jù)空間插值的協(xié)變量(圖1)。

圖1 北方冬小麥區(qū)域及其DEMFig.1 Winter wheat region in North China and its DEM

1.2 WOFOST作物模型

WOFOST模型為荷蘭瓦赫寧根大學(xué)de WIT學(xué)派開發(fā)的一個(gè)通用的作物模型[34]。通用作物模型，即WOFOST模型中所有的作物都是按照同樣的模型結(jié)構(gòu)構(gòu)建，通過改變不同的模型參數(shù)來反映不同的作物類型。WOFOST模型包含了作物發(fā)育、CO2同化、呼吸作用、作物蒸騰、干物質(zhì)分配、葉面積增長、干物質(zhì)和葉片衰老和土壤水分平衡等過程[35]。WOFOST模型可以模擬3種產(chǎn)量水平：光溫限制的潛在產(chǎn)量水平、光溫水限制的雨養(yǎng)產(chǎn)量水平和光溫水肥限制的可獲得產(chǎn)量水平。運(yùn)行WOFOST模型需要?dú)庀?、土壤、管理和作物品種4類驅(qū)動(dòng)數(shù)據(jù)，氣象數(shù)據(jù)主要包括太陽輻射、最高、最低氣溫、早晨的水汽壓、2 m高度的平均風(fēng)速和降雨量。土壤參數(shù)主要為田間持水量、飽和含水率、凋萎系數(shù)、飽和導(dǎo)水率等。作物參數(shù)包括不同發(fā)育階段所需的積溫、光周期影響因子、不同生育期的最大光合速率、不同生育期的比葉面積、干物質(zhì)分配系數(shù)、干物質(zhì)和葉片的死亡率等。WOFOST模型已經(jīng)在國內(nèi)外進(jìn)行了大量的理論和應(yīng)用研究[16,36-39]。本研究選擇WOFOST模型作為模型空間化的實(shí)例，主要是考慮到WOFOST模型的土壤模塊相對簡單；其次WOFOST模型對大氣與植被的交互作用，尤其是光合因素描述得較為詳細(xì)，適合反映區(qū)域氣候與作物的關(guān)系。

1.3 不同空間分辨率驅(qū)動(dòng)數(shù)據(jù)構(gòu)建

1.3.1氣象數(shù)據(jù)

北方冬小麥國家級氣象站點(diǎn)共632個(gè)，研究時(shí)段選擇2010—2015年共5個(gè)冬小麥生育期。根據(jù)氣象站點(diǎn)日值氣象數(shù)據(jù)，采用空間插值方法，將日值的站點(diǎn)數(shù)據(jù)生成不同空間分辨率的格點(diǎn)氣象數(shù)據(jù)，考慮到站點(diǎn)數(shù)、空間面積的大小和空間插值誤差，本研究選擇4種空間分辨率，即：5、10、25、50 km。氣象空間插值方法采用澳洲國立大學(xué)開發(fā)的ANUSPLINE工具，其主要算法是局部薄盤光滑樣條算法[40-41]。它除了普通的樣條自變量以外，還可以把高程等因素引入作為線性協(xié)變量。其基本的理論統(tǒng)計(jì)模型表達(dá)為

zi=f(xi)+bTyi+ei
(i=1,2，…,N)

(1)

式中zi——位于空間i點(diǎn)的因變量

xi——d維樣條獨(dú)立變量

f——估算的關(guān)于xi的未知光滑函數(shù)

yi——p維獨(dú)立協(xié)變量

b——yi的p維系數(shù)

ei——期望值為0、方差為wiσ2的自變量隨機(jī)誤差，wi作為權(quán)重的已知局部相對變異系數(shù)，σ2為誤差的方差，一般為常數(shù)

在本研究中，經(jīng)度和緯度為樣條自變量，高程為協(xié)變量。

1.3.2土壤數(shù)據(jù)

土壤水力參數(shù)是作物模型模擬土壤水分平衡的重要參數(shù)，站點(diǎn)尺度的土壤參數(shù)數(shù)據(jù)主要來源于實(shí)地測量。本研究選擇DAI等[42]開發(fā)的30″(約1 km)空間分辨率全國土壤水力參數(shù)數(shù)據(jù)集和SHANGGUAN等[43]開發(fā)的全國土壤特征空間數(shù)據(jù)集，這套土壤參數(shù)是目前國內(nèi)唯一的高分辨率全國土壤水力參數(shù)數(shù)據(jù)集。在不考慮地下水影響的前提下，本研究把1 km的土壤數(shù)據(jù)通過空間聚集的方法生成5、10、25、50 km的空間土壤數(shù)據(jù)，主要涉及的土壤參數(shù)包括飽和含水率、凋萎系數(shù)、田間持水量、飽和導(dǎo)水率。

1.3.3農(nóng)田管理和品種參數(shù)

農(nóng)田管理主要包括播種、施肥和灌溉等。本研究考慮WOFOST模型潛在產(chǎn)量水平和雨養(yǎng)產(chǎn)量2個(gè)水平，不考慮空間施肥量和灌溉量。站點(diǎn)播種和出苗的時(shí)間根據(jù)北方冬小麥區(qū)110個(gè)農(nóng)業(yè)氣象站點(diǎn)2010—2015年的觀測數(shù)據(jù)得到。首先根據(jù)觀測播種和出苗時(shí)間計(jì)算出5 a平均播種和出苗時(shí)間，然后根據(jù)泰森多邊形方法把站點(diǎn)的播種和出苗日期擴(kuò)展到空間。泰森多邊形法也稱“最近鄰點(diǎn)法”，是由荷蘭氣象學(xué)家THIESSEN提出的一種插值分析方法，該方法將整個(gè)數(shù)據(jù)平面按照已知的采樣點(diǎn)分割成不同的多邊形子區(qū)域，每個(gè)多邊形構(gòu)成由相應(yīng)的采樣點(diǎn)與周圍領(lǐng)域點(diǎn)做垂直平分線，然后將垂直平分線依次連接組合而成，因此在泰森多邊形內(nèi)的點(diǎn)較之多邊形外的任一點(diǎn)至已知點(diǎn)距離最近。獲得播種和出苗的泰森多邊形以后，通過矢量轉(zhuǎn)柵格的方式，生成4種分辨率的空間播種和出苗參數(shù)。

WOFOST模型的品種參數(shù)空間擴(kuò)展方法與播種和出苗的空間擴(kuò)展一致。本研究中從5年的農(nóng)業(yè)氣象觀測站的物候計(jì)算得到站點(diǎn)的出苗到開花積溫(TSUM1)、開花到成熟積溫(TSUM2)，通過泰森多邊形方法將2個(gè)參數(shù)擴(kuò)展至空間(圖2)。

圖2 不同空間分辨率WOFSOT品種參數(shù)TSUM1和TSUM2Fig.2 Spatial distributions of cultivar parameters of TSUM1 and TSUM2 in WOFOST at different spatial resolutions

1.4 其他模擬設(shè)置

WOFOST模型其他的品種參數(shù)，例如最大光合速率、比葉面積等參考何亮等[37]的優(yōu)化結(jié)果。模型模擬2010—2015年5個(gè)生長季節(jié)，4種分辨率(5、10、25、50 km)的情景。由于北方冬小麥大部分播種前都進(jìn)行灌溉，因此假設(shè)每個(gè)格點(diǎn)的初始土壤水分默認(rèn)為達(dá)到田間持水量。

1.5 歷史產(chǎn)量數(shù)據(jù)

2011—2015年省級冬小麥產(chǎn)量數(shù)據(jù)來源于農(nóng)業(yè)部種植業(yè)管理司(http:∥www.zzys.moa.gov.cn/)，根據(jù)每個(gè)省的種植面積和產(chǎn)量加權(quán)計(jì)算得到整個(gè)北方冬小麥區(qū)域的2011—2015年冬小麥單產(chǎn)時(shí)間序列，產(chǎn)量數(shù)據(jù)用來驗(yàn)證不同空間分辨率的區(qū)域模擬精度。其次，利用冬小麥農(nóng)業(yè)氣象站2011—2015年的有地段觀測產(chǎn)量的站點(diǎn)用來格點(diǎn)產(chǎn)量驗(yàn)證。

1.6 區(qū)域模擬系統(tǒng)框架

圖3為本研究區(qū)域模擬系統(tǒng)框架圖，共包含4層：第1層為站點(diǎn)尺度的氣象、土壤、管理和品種參數(shù)；第2層為區(qū)域尺度的氣象、管理和品種參數(shù)構(gòu)建；第3層為R語言平臺下的多分辨率作物模型模擬系統(tǒng)；第4層為模型輸出與分析層。

2 結(jié)果與分析

2.1 作物物候模擬對比

圖4為不同空間分辨率下WOFOST模型模擬的冬小麥開花期和成熟期的空間分布。由于WOFOST的物候期僅由溫度和光周期因子決定，因此無論潛在產(chǎn)量水平還是雨養(yǎng)產(chǎn)量水平，開花期和成熟期是一致的。從空間分布看，不同分辨率的平均開花期和成熟期呈現(xiàn)南部比北部早，西北最晚；其次，高分辨率(5、10 km)的開花期和成熟期空間上還保留與圖2類似的泰森多邊形的痕跡，這是由于決定物候期的2個(gè)參數(shù)TSUM1、TSUM2是利用泰森多邊形構(gòu)建的，低分辨率(25、50 km)的泰森多邊形痕跡不明顯，尤其對于50 km，呈現(xiàn)出格點(diǎn)斑塊化。圖5為不同空間分辨率下開花期和成熟期的小提琴圖和箱形圖，黑點(diǎn)代表均值，黑色小橫線代表中位數(shù)，由圖5可知，不同分辨率開花期和成熟期的均值和中位數(shù)基本是一致的，但是從值的分布上看，高分辨率(5、10 km)高值的尾部分布較低分辨率長(圖5)。

圖4 不同空間分辨率開花期和成熟期空間分布Fig.4 Spatial distributions of anthesis and maturity dates at different resolutions

圖5 不同空間分辨率開花期和成熟期模擬對比Fig.5 Comparison of anthesis and maturity at different resolutions

2.2 潛在產(chǎn)量水平模擬對比

圖6為潛在產(chǎn)量水平下不同空間分辨率驅(qū)動(dòng)的WOFOST模型模擬的冬小麥地上生物量(TAGP)和籽粒質(zhì)量(TWSO)模擬空間分布圖。潛在產(chǎn)量水平反映的是光溫生產(chǎn)潛力，由圖6可知，無論是地上生物量還是籽粒質(zhì)量，較大的區(qū)域分布在北部，西北、山東半島等地潛在產(chǎn)量較大，南部相對較小。其次，與物候期的模擬結(jié)果類似，高分辨率(5、10 km)的地上生物量和籽粒質(zhì)量空間上保留泰森多邊形的痕跡，這也是由于品種參數(shù)TSUM1、TSUM2和播種參數(shù)是利用泰森多邊形構(gòu)建的，低分辨率(25、50 km)的泰森多邊形痕跡不明顯，尤其對于50 km，呈現(xiàn)出格點(diǎn)斑塊化。圖7為地上生物量和籽粒質(zhì)量的箱形圖和小提琴圖，不同分辨率下地上生物量和籽粒質(zhì)量的均值和中位數(shù)無顯著差異，北方冬小麥區(qū)5 a的平均潛在產(chǎn)量分別為7 586.1、7 587.0、7 525.8、7 510.4 kg/hm2；高分辨率(5、10 km)相對低分辨率(25、50 km)分布的尾部值較多，反映高分辨率有更多的極值。

圖6 潛在產(chǎn)量水平下不同空間分辨率地上生物量和籽粒質(zhì)量模擬空間分布Fig.6 Spatial distributions of TAGP and TWSO (total weight of storage organ) in potential production level at different resolutions

圖7 潛在產(chǎn)量水平下地上生物量和籽粒質(zhì)量不同空間分辨率模擬結(jié)果對比Fig.7 Comparison of TAGP and TWSO in potential production level at different resolutions

2.3 雨養(yǎng)產(chǎn)量水平模擬對比

雨養(yǎng)產(chǎn)量水平下不同空間分辨率驅(qū)動(dòng)的WOFOST模型模擬的冬小麥地上生物量和籽粒質(zhì)量模擬空間分布如圖8所示。與潛在產(chǎn)量水平相反，雨養(yǎng)產(chǎn)量水平下，地上生物量和籽粒質(zhì)量不僅受到光溫的限制，還受到水分的限制。從空間上看，無論是地上生物量還是籽粒質(zhì)量基本呈現(xiàn)出北部比南部低的趨勢；其次，高分辨率(5、10 km)的地上生物量和籽粒質(zhì)量的泰森多邊形痕跡較之物候期和潛在產(chǎn)量水平的結(jié)果弱，這是由于雨養(yǎng)產(chǎn)量的限制因素較多引起的，相對低分辨率(25、50 km)的模擬結(jié)果，仍有明顯的格點(diǎn)斑塊化(圖8c、8d、8g、8h)。在不同空間分辨率下，雨養(yǎng)產(chǎn)量水平下的地上生物量和籽粒質(zhì)量的均值和中位數(shù)無顯著差異(圖9)，北方冬小麥區(qū)平均雨養(yǎng)產(chǎn)量分別為3 560.9、3 595.8、3 609.3、3 676.2 kg/hm2；由圖9b知，不同空間分辨率下籽粒質(zhì)量分布與地上生物量差異較大，說明雨養(yǎng)產(chǎn)量下的收獲指數(shù)在空間變異性較大。與2.2節(jié)中潛在產(chǎn)量和物候模擬結(jié)果類似，高分辨率下(5、10 km)模擬結(jié)果在尾部的值較低分辨率(25、50 km)也較多。

2.4 不同空間分辨率的模擬與觀測結(jié)果對比及其與氣象因子的關(guān)系

圖8 雨養(yǎng)產(chǎn)量水平下不同空間分辨率地上生物量和籽粒質(zhì)量模擬空間分布Fig.8 Spatial distributions of TAGP and TWSO in water-limited production level at different resolutions

圖9 雨養(yǎng)產(chǎn)量水平下地上生物量和籽粒質(zhì)量不同空間分辨率模擬結(jié)果對比Fig.9 Comparison of TAGP and TWSO in water-limited production level at different resolutions

圖10a、10b為近5年北方冬小麥區(qū)域的統(tǒng)計(jì)產(chǎn)量與區(qū)域平均潛在產(chǎn)量、雨養(yǎng)產(chǎn)量的對比，不同空間分辨率下，潛在產(chǎn)量可以解釋觀測產(chǎn)量的25.1%～28.7%，其中高分辨率(5 km)最高；雨養(yǎng)產(chǎn)量可以解釋觀測產(chǎn)量的75.4%～85.4%，高分辨率(5、10 km)比低分辨率高近10個(gè)百分點(diǎn)。說明雨養(yǎng)產(chǎn)量更能反映區(qū)域平均統(tǒng)計(jì)產(chǎn)量，且高分辨率能夠更多地反映產(chǎn)量的年際變異。不同空間分辨率下，5年平均潛在產(chǎn)量與觀測產(chǎn)量的差值為產(chǎn)量差(Yield gap)，分別是2 403.2(5 km)、2 404.0(10 km)、2 342.8(25 km)、2 327.4 kg/hm2(50 km)。

圖10c、10d為農(nóng)業(yè)氣象觀測地段產(chǎn)量與相應(yīng)不同分辨率格點(diǎn)的模擬產(chǎn)量對比圖。由圖可知，不同空間分辨率下，潛在產(chǎn)量可解釋地段觀測產(chǎn)量的31.8%～34.7%(圖10c)，而相應(yīng)的模擬雨養(yǎng)產(chǎn)量與地段產(chǎn)量無明顯關(guān)系(圖10d)。農(nóng)業(yè)氣象觀測的地段產(chǎn)量是當(dāng)?shù)毓芾泶胧┧较碌挠^測產(chǎn)量，地段產(chǎn)量大部分灌溉較為充分，因此，模擬的潛在產(chǎn)量與觀測地段產(chǎn)量相關(guān)性較好。

圖10 不同空間分辨率區(qū)域的平均潛在產(chǎn)量、雨養(yǎng)產(chǎn)量與區(qū)域統(tǒng)計(jì)產(chǎn)量對比以及不同分辨率格點(diǎn)的潛在產(chǎn)量、雨養(yǎng)產(chǎn)量與農(nóng)氣站地段產(chǎn)量對比Fig.10 Comparisons between average potential and water-limited yield and observed yield at different resolutions, between site observed yield and simulated potential and water-limited yield

潛在產(chǎn)量主要受到光溫限制，雨養(yǎng)產(chǎn)量受到水分限制，為了探究輻射、水分與產(chǎn)量的關(guān)系，在不同空間分辨率下，5 a所有格點(diǎn)的潛在產(chǎn)量與生育期輻射量、雨養(yǎng)產(chǎn)量與生育期降水量之間關(guān)系的散點(diǎn)圖如圖11所示。從散點(diǎn)圖看，不同空間分辨率下，生育期輻射與潛在產(chǎn)量的相關(guān)性很好，生育期輻射可以解釋16.6%～29.6%的潛在產(chǎn)量變化；生育期降水與雨養(yǎng)產(chǎn)量的相關(guān)性較好，生育期降水可以解釋13.3%～17.8%的雨養(yǎng)產(chǎn)量變化。

圖11 不同空間分辨率潛在產(chǎn)量與生育期總輻射量以及雨養(yǎng)產(chǎn)量與生育期降水量之間的關(guān)系Fig.11 Relationships between potential yield and irradiation in growth stage and between water-limited yield and precipitation in growth stage

不同空間分辨率的計(jì)算效率和數(shù)據(jù)儲存空間對比如表1所示，運(yùn)行平臺為Intel i5-4590,3.3 GHz,14 GB RAM,64位系統(tǒng)，模擬5個(gè)生長季的結(jié)果，在數(shù)據(jù)的存儲空間上，50 km分辨率5 a的模型運(yùn)行數(shù)據(jù)僅0.08 GB，5 km的模型運(yùn)行數(shù)據(jù)達(dá)到6.76 GB；在模型運(yùn)行的時(shí)間上，5 km分辨率運(yùn)行5個(gè)生長季需要142.2 h，是50 km的100多倍。從運(yùn)行效率和存儲空間上，高分辨率呈幾何指數(shù)增加。

3 討論

本研究利用WOFOST模型進(jìn)行潛在產(chǎn)量和雨養(yǎng)產(chǎn)量2個(gè)產(chǎn)量水平的模擬，潛在產(chǎn)量由光溫2個(gè)因子決定，雨養(yǎng)產(chǎn)量由光溫水3個(gè)因子決定。對于4種不同的分辨率，相比潛在產(chǎn)量，模擬的北方冬小麥區(qū)域平均雨養(yǎng)產(chǎn)量與觀測的平均產(chǎn)量相關(guān)性較大，雨養(yǎng)產(chǎn)量基本能夠解釋觀測產(chǎn)量年際變異的75.4%～85.4%(圖10b)。說明在大尺度上，區(qū)域模擬能夠基本反映區(qū)域的作物生長狀況。4種不同空間分辨率反映的區(qū)域產(chǎn)量差在2 300～2 400 kg/hm2之間，與目前現(xiàn)有冬小麥產(chǎn)量差的研究相比，比WU等[36]用WOFOST模型計(jì)算的平均產(chǎn)量差3 200 kg/hm2、LI等[44]利用APSIM-Wheat模型計(jì)算的產(chǎn)量差3 000 kg/hm2略低，與LU等[45]利用EPIC模型計(jì)算的華北平原產(chǎn)量差2 700 kg/hm2相當(dāng)。造成與WU等[36]結(jié)果的差異主要是因?yàn)閃U中結(jié)果利用的是潛在產(chǎn)量直接減去模型的雨養(yǎng)產(chǎn)量，而本文中是潛在產(chǎn)量減去實(shí)際觀測產(chǎn)量。同LI等[44]的差異主要是由所用模型的不同導(dǎo)致的。

從不同空間分辨率的模擬結(jié)果差異來看，4種不同分辨率對于大尺度的平均狀況模擬結(jié)果差異不大，無論是區(qū)域平均物候(圖5)、平均潛在產(chǎn)量(圖7)和平均雨養(yǎng)產(chǎn)量(圖9)高分辨率和低分辨率的模擬結(jié)果無顯著差異，但是從模擬結(jié)果的分布看，高分辨率具有更多的極端值(分布的尾部較寬)。這說明空間分辨率的提高并未改善區(qū)域平均值精度，但是在空間分布上，高分辨率更能反映一些極值情況。ZHAO等[26]利用SIMPLACE模型模擬的5種分辨率的德國小麥和玉米結(jié)果也表明，從大區(qū)域平均狀況上，不同分辨率的結(jié)果之間無顯著差異，且也出現(xiàn)了高分辨率具有更多的極值。MO等[46]利用250 m、1 km、8 km分辨率估算流域的GPP也表明，區(qū)域平均的GPP估算精度在不同分辨率的區(qū)別并不大。這表明，如果把作物模型應(yīng)用到區(qū)域尺度，如果僅僅需要獲取區(qū)域的平均狀況，粗分辨率即可以反映區(qū)域的整體作物生長水平。相反，如果要得到區(qū)域空間異質(zhì)性的細(xì)節(jié)，則需要較高的分辨率。模擬物候、地上生物量和產(chǎn)量的空間格局主要受到氣候、品種參數(shù)、土壤參數(shù)的空間格局的影響。從潛在產(chǎn)量水平的空間分布上(圖6)看，整體趨勢上北部較南部高，這主要是北部的輻射高導(dǎo)致；從雨養(yǎng)產(chǎn)量水平的空間分布(圖8)看，整體趨勢北部較南部低，這是南部降水量較高導(dǎo)致。但是從模擬的結(jié)果空間地帶上看，模擬結(jié)果還受到了品種參數(shù)的影響，由于品種參數(shù)由站點(diǎn)觀測的物候反推得到，然后利用泰森多邊形擴(kuò)展到空間，所以模擬結(jié)果的空間分布也表現(xiàn)出泰森多邊形的痕跡，例如圖4、6、8的50 km分辨率尤為明顯。

表1 不同空間分辨率模擬效率和數(shù)據(jù)存儲空間對比Tab.1 Comparison of simulated efficiency and storage capacity of data at different resolutions

作物模型區(qū)域模擬中管理和品種參數(shù)的區(qū)域化是模型空間升尺度的關(guān)鍵過程之一。本研究中采樣了以農(nóng)業(yè)氣象觀測站為基準(zhǔn)，獲取站點(diǎn)的播種、出苗、出苗到開花、開花到成熟的積溫信息后，結(jié)合泰森多邊形方法把點(diǎn)的參數(shù)升尺度到空間。相比熊偉等[20]和呂尊富等[47]利用“生態(tài)分區(qū)法”——將全國小麥劃分幾個(gè)大區(qū)，一個(gè)大區(qū)用一套品種參數(shù)，本研究的泰森多邊形法相比“生態(tài)分區(qū)法”考慮了更多農(nóng)業(yè)氣象觀測數(shù)據(jù)，但也有相似之處即對區(qū)域進(jìn)行了簡化——利用站點(diǎn)的品種參數(shù)代表了一點(diǎn)區(qū)域的情況。本研究僅僅考慮了光溫限制的潛在產(chǎn)量、光溫水限制的雨養(yǎng)產(chǎn)量，并未考慮空間灌溉對產(chǎn)量的影響，北方冬小麥尤其是華北平原地區(qū)，灌溉十分頻繁，要更真實(shí)地模擬冬小麥的空間分布，需要進(jìn)一步將空間灌溉信息考慮進(jìn)來，這也是本研究不足之處。真實(shí)的作物空間管理信息具有更大的空間異質(zhì)性，在高分辨率的模擬過程中，獲得真實(shí)的播種、灌溉等管理信息難度非常大，如何通過更好的方法進(jìn)行管理和品種參數(shù)的升尺度是將來作物模型高精度模擬需要解決的難題之一[23]。其次，研究中的品種差異僅僅考慮了反映品種特性的積溫參數(shù)，對于其他的關(guān)鍵品種參數(shù)，例如光合參數(shù)，未考慮其地帶性差異，這可以在下一步借鑒HU等[48]的方法，利用遙感fPAR信息反演優(yōu)化得到空間的光合參數(shù)。遙感信息與作物模型通過數(shù)據(jù)同化方式結(jié)合起來，將進(jìn)一步提高作物模型參數(shù)估計(jì)和空間模擬精度，如黃健熙等[49]將NDVI、FANG等[50]將遙感葉面積指數(shù)、HUANG等[51]將葉面積和ET產(chǎn)品結(jié)合到作物模型當(dāng)中，顯著提高了作物模型空間模擬精度。

作物模型區(qū)域模擬的關(guān)鍵問題是解決氣象、管理和品種等驅(qū)動(dòng)數(shù)據(jù)空間升尺度的問題。本研究從驅(qū)動(dòng)數(shù)據(jù)空間分辨率的角度探究了不同分辨率對區(qū)域模擬精度的影響，還存在一些不足和待繼續(xù)進(jìn)一步研究的地方。如本研究的空間模擬未考慮作物真實(shí)空間分布。其次，從作物模型空間升尺度的方法上，本研究僅“先插值后模擬”——即先把驅(qū)動(dòng)數(shù)據(jù)空間化后模擬的角度進(jìn)行了升尺度，相比另一種空間升尺度方法“先模擬后插值”——即先把模型從站點(diǎn)進(jìn)行模擬，再將模型結(jié)果進(jìn)行空間插值，本研究未對升尺度方法異同進(jìn)行探究。最后，從高分辨率模擬的儲存資源和計(jì)算效率看，利用云計(jì)算和高性能計(jì)算方法改善高精度模擬的效率也是作為模型區(qū)域應(yīng)用亟待解決的問題。

4 結(jié)束語

研究構(gòu)建了4種不同空間分辨率(5、10、25、50 km)的驅(qū)動(dòng)數(shù)據(jù)，以中國北方冬小麥區(qū)為研究區(qū)域，探究驅(qū)動(dòng)數(shù)據(jù)空間分辨率對WOFOST模型區(qū)域模擬誤差的影響。研究發(fā)現(xiàn)，從區(qū)域模擬的物候、潛在產(chǎn)量和雨養(yǎng)產(chǎn)量2個(gè)水平生物量和產(chǎn)量，4種不同空間分辨率的結(jié)果無顯著差別，但是高分辨率有更多的極值出現(xiàn)。高空間分辨率的數(shù)據(jù)存貯量和計(jì)算時(shí)間分別是低空間分辨率的80倍和100倍以上。這表明WOFOST模型在大區(qū)域應(yīng)用時(shí)，根據(jù)合適的計(jì)算資源，選擇較低的空間分辨率也可以滿足空間模擬的需求。

1 de WIT D C. Photosynthesis of leaf canopies [R]. Wageningen, Netherland:Agricultural Research Reports, 1965.

2 HOLZWORTH D P, SNOW V, JANSSEN S, et al. Agricultural production systems modelling and software: current status and future prospects[J]. Environmental Modelling & Software, 2015, 72(C): 276-286.

3 高亮之. 農(nóng)業(yè)模型研究與21世紀(jì)的農(nóng)業(yè)科學(xué)[J]. 山東農(nóng)業(yè)科學(xué), 2001(1): 43-46.

GAO Liangzhi. Agricultural model research and agriculture science in the 21st century[J].Shandong Agricultural Sciences, 2001(1): 43-46. (in Chinese)

4 林忠輝, 莫興國, 項(xiàng)月琴. 作物生長模型研究綜述 [J]. 作物學(xué)報(bào), 2003, 29(5): 750-758.

LIN Zhonghui, MO Xingguo, XIANG Yueqin. Research advances on crop models[J]. Acta Agronomica Sinica, 2003, 29(5): 750-758. (in Chinese)

5 潘學(xué)標(biāo). 作物模型原理[M].北京：氣象出版社, 2003.

6 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.

7 TAO Fulu, ZHANG Zhao, LIU Jiyuan, et al. Modelling the impacts of weather and climate variability on crop productivity over a large area: a new super-ensemble-based probabilistic projection [J]. Agricultural and Forest Meteorology, 2009, 149(8): 1266-1278.

8 XIONG Wei, HOLMAN I, CONWAY D, et al. A crop model cross calibration for use in regional climate impacts studies [J]. Ecological Modelling, 2008, 213(3-4): 365-380.

9 YANG Xiaoguang, CHEN Fu, LIN Xiaomao, et al. Potential benefits of climate change for crop productivity in China [J]. Agricultural and Forest Meteorology, 2015, 208:76-84.

10 馮利平, 莫志鴻, 黃晚華, 等. 湖南省季節(jié)性干旱對雙季稻生長及產(chǎn)量影響的模擬研究[J]. 作物學(xué)報(bào), 2011, 37(5): 895-902.

FENG Liping, MO Zhihong, HUANG Wanhua, et al. A simulated study on the effects of seasonal drought on growth and yield of double cropping rice in Hunan Province[J]. Acta Agronomica Sinica, 2011, 37(5): 895-902. (in Chinese)

11 ROSENZWEIG C, JONES J W, HATFIELD J L, et al. The agricultural model intercomparison and improvement project (AgMIP): protocols and pilot studies [J]. Agricultural and Forest Meteorology, 2013, 170(3): 166-182.

12 李軍, 邵明安, 張興昌, 等. EPIC模型中作物生長與產(chǎn)量形成的數(shù)學(xué)模擬[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)：自然科學(xué)版, 2004, 32(增刊): 25-30.

LI Jun, SHAO Mingan, ZHANG Xingchang, et al. Simulation equations for crop growth and yield formation in the EPIC model[J].Journal of Northwest A&F University: Natural Science Edition, 2004, 32(Supp.): 25-30. (in Chinese)

13 姚寧, 宋利兵, 劉健,等.不同生長階段水分脅迫對旱區(qū)冬小麥生長發(fā)育和產(chǎn)量的影響[J]. 中國農(nóng)業(yè)科學(xué), 2015, 48(12): 2379-2388.

YAO Ning, SONG Libing, LIU Jian, et al. Effects of water stress at different growth stages on the development and yields of winter wheat in arid region[J]. Scientia Agricultura Sinica, 2015, 48(12): 2379-2388. (in Chinese)

14 FANG Hongliang, LIANG Shunlin, HOOGENBOOM G, et al. Corn-yield estimation through assimilation of remotely sensed data into the CSM-CERES-Maize model [J]. International Journal of Remote Sensing, 2008, 29(10): 3011-3032.

15 HUANG Jianxi, TIAN Liyan, LIANG Shunlin, 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.

16 de WIT A J, van DIEPEN C A. Crop model data assimilation with the ensemble kalman filter for improving regional crop yield forecasts [J]. Agricultural and Forest Meteorology, 2007, 146(1-2): 38-56.

17 莫興國,劉蘇峽,林忠輝,等.華北平原蒸散和GPP格局及其對氣候波動(dòng)的響應(yīng)[J].地理學(xué)報(bào), 2011, 66(5): 589-598.

MO Xingguo,LIU Suxia, LIN Zhonghui, et al. Patterns of evapotranspiration and GPP and their responses to climate variations over the North China Plain[J].Acta Geographica Sinica, 2011, 66(5): 589-598. (in Chinese)

18 ANTLE J M, JONES J W, ROSENZWEIG C E. Next generation agricultural system data, models and knowledge products: introduction [J]. Agricultural Systems, 2017,155:186-190.

19 劉布春, 王石立, 馬玉平.國外作物生長模型區(qū)域應(yīng)用中升尺度問題的研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報(bào), 2003, 11(4): 89-91.

LIU Buchun, WANG Shili, MA Yuping. A study on abroad challenges of scaling-up of crop models for regional applications[J]．Chinese Journal of Eco-Agriculture,2003, 11(4): 89-91. (in Chinese)

20 熊偉, 林而達(dá). CERES-Maize區(qū)域應(yīng)用效果分析[J]. 中國農(nóng)業(yè)氣象, 2009, 30(1): 3-7.

XIONG Wei, LIN Erda. Performance of CERES-Maize in regional application[J]. Chinese Journal of Agrometeorology, 2009, 30(1): 3-7. (in Chinese)

21 ANDERSON M C, KUSTAS W P, NORMAN J M. Upscaling and downscaling—a regional view of the soil-plant-atmosphere continuum [J]. Agronomy Journal, 2003, 95(6): 1408-1423.

22 ANGULO C, R?TTER R, LOCK R, et al. Implication of crop model calibration strategies for assessing regional impacts of climate change in Europe[J]. Agricultural and Forest Meteorology, 2013, 170:32-46.

23 EWERT F, van ITTERSUM M K, HECKELEI T, et al. Scale changes and model linking methods for integrated assessment of agri-environmental systems [J]. Agriculture, Ecosystems & Environment, 2011, 142(1-2): 6-17.

24 HANSEN J W, JONES J W. Scaling-up crop models for climate variability applications [J]. Agricultural Systems, 2000, 65(1): 43-72.

25 HOFFMANN H, ZHAO G, ASSENG S, et al. Impact of spatial soil and climate input data aggregation on regional yield simulations[J]. Plos One, 2016, 11(4):e0151782.

26 ZHAO G, SIEBERT S, ENDERS A, et al. Demand for multi-scale weather data for regional crop modeling [J]. Agricultural and Forest Meteorology, 2015, 200: 156-171.

27 van BUSSEL L G J V, MüLLER C, KEULEN H V, et al. The effect of temporal aggregation of weather input data on crop growth models’ results[J]. Agricultural and Forest Meteorology, 2011, 151(5):607-619.

28 van BUSSEL L G J V, EWERT F, ZHAO G, et al. Spatial sampling of weather data for regional crop yield simulations[J]. Agricultural and Forest Meteorology, 2016, 220:101-115.

29 ZHAO G, HOFFMANN H, van BUSSEL L G J, et al. Effect of weather data aggregation on regional crop simulation for different crops, production conditions, and response variables [J]. Climate Research, 2015, 65:141-157.

30 ZHAO G, HOFFMANN H, YELURIPATI J, et al. Evaluating the precision of eight spatial sampling schemes in estimating regional means of simulated yield for two crops [J]. Environmental Modelling & Software, 2016, 80:100-112.

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

JIANG Min, JIN Zhiqing. A method to upscale the genetic paramters of CERES-Rice in regional applications[J]. Chinese Journal of Rice Science, 2009, 23(2): 172-178. (in Chinese)

32 ANGULO C, GAISER T, R?TTER R P, et al. ‘Fingerprints’ of four crop models as affected by soil input data aggregation[J]. European Journal of Agronomy, 2014, 61:35-48.

33 毛留喜, 魏麗. 大宗作物氣象服務(wù)手冊[M]. 北京：氣象出版社, 2015.

34 SUPIT I, HOOIJER A A, van DIEPEN C A. System description of the WOFOST 6.0 crop simulation model implemented in CGMS. Volume 1: theory and algorithms[R]. CGMS Publication, 15956, EUR 15956 EN, the Office for Official Publications of the E.U., Luxembourg,1994.

35 鄔定榮, 歐陽竹, 趙小敏,等.作物生長模型WOFOST在華北平原的適用性研究[J]. 植物生態(tài)學(xué)報(bào), 2003, 27(5): 594-602.

WU Dingrong, OUYANG Zhu, ZHAO Xiaomin, et al. The applicability research of WOFOST model in North China Plain[J]. Acta Phytoecological Sinica, 2003, 27(5): 594-602. (in Chinese)

36 WU Dingrong, YU Qiang, LU Changhe, et al. Quantifying production potentials of winter wheat in the North China Plain[J]. European Journal of Agronomy, 2006, 24(3):226-235.

37 何亮, 侯英雨, 趙剛, 等. 基于全局敏感性分析和貝葉斯方法的WOFOST作物模型參數(shù)優(yōu)化 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(2): 169-179.

HE Liang, HOU Yingyu, ZHAO Gang,et al. Parameters optimization of WOFOST model by integration of global sensitivity analysis and Bayesian calibration method[J]. Transactions of the CSAE, 2016, 32(2): 169-179. (in Chinese)

38 馬玉平, 王石立, 張黎,等. 基于升尺度方法的華北冬小麥區(qū)域生長模型初步研究Ⅰ.潛在生產(chǎn)水平[J]. 作物學(xué)報(bào), 2005, 31(6): 697-705.

MA Yuping, WANG Shili, ZHANG Li, et al. A preliminary study on a regional growth simulation model of winter wheat in north China based on scaling-up approachⅠ. potential production level[J]. Acta Agronomica Sinica, 2005, 31(6): 697-705. (in Chinese)

39 黃健熙, 賈世靈, 馬鴻元, 等. 基于 WOFOST模型的中國主產(chǎn)區(qū)冬小麥生長過程動(dòng)態(tài)模擬 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(10): 222-228.

HUANG Jianxi, JIA Shiling, MA Hongyuan, et al. 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. (in Chinese)

40 HUTCHINSON M F. The application of thin plate smoothing splines to continent-wide data assimilation [J]. Data Assimilation Systems, 1991, 27:104-113.

41 劉志紅, LI Lingtao, McVICAR T R,等. 專用氣候數(shù)據(jù)空間插值軟件ANUSPLIN及其應(yīng)用[J]. 氣象, 2008, 34(2): 92-100.

LIU Zhihong, LI Lingtao, McVICAR T R, et al. Introduction of the professional interpolation sofeware for meteorology data:ANUSPILIN[J].Meteorological Monthly, 2008, 34(2): 92-100. (in Chinese)

42 DAI Yongjiu, SHANGGUAN Wei, DUAN Qingyun, et al. Development of a China dataset of soil hydraulic parameters using pedotransfer functions for land surface modeling[J]. Journal of Hydrometeorology, 2013, 14(3):869-887.

43 SHANGGUAN Wei, DAI Yongjiu, LIU Baoyuan, et al. A soil particle-size distribution dataset for regional land and climate modelling in China[J]. Geoderma, 2012, 171-172(1):85-91.

44 LI Kenan, YANG Xiaoguang, LIU Zhijuan, et al. Low yield gap of winter wheat in the North China Plain[J]. European Journal of Agronomy, 2014, 59:1-12.

45 LU Changhe, FAN Lan. Winter wheat yield potentials and yield gaps in the North China Plain[J]. Field Crops Research, 2013, 143(1):98-105.

46 MO Xingguo, LIU Suxia, CHEN Dan, et al. Grid-size effects on estimation of evapotranspiration and gross primary production over a large Loess Plateau basin, China[J]. Hydrological Sciences Journal, 2009, 54(1):160-173.

47 呂尊富, 劉小軍, 湯亮,等. 基于WheatGrow和CERES模型的區(qū)域小麥生育期預(yù)測與評價(jià)[J]. 中國農(nóng)業(yè)科學(xué), 2013, 46(6):1136-1148.

Lü Zunfu, LIU Xiaojun, TANG Liang, et al. Regional prediction and evaluation of wheat phenology based on the WheatGrow and CERES models [J]. Sciential Agricultura Sinica, 2013, 46(6):1136-1148. (in Chinese)

48 HU Shi, MO Xingguo, LIN Zhonghui. Optimizing the photosynthetic parameter Vcmax, by assimilating MODIS-fPAR, and MODIS-NDVI with a process-based ecosystem model[J]. Agricultural & Forest Meteorology, 2014, 198-199:320-334.

49 黃健熙, 羅倩, 劉曉暄,等. 基于時(shí)間序列MODIS NDVI的冬小麥產(chǎn)量預(yù)測方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016,47(2):295-301.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160239&flag=1.DOI:10.6041/j.issn.1000-1298.2016.02.039.

HUANG Jianxi, LUO Qian, LIU Xiaoxuan, et al. Winter wheat yield forecasting based on time series of MODIS NDVI [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(2):295-301. (in Chinese)

50 FANG Hongliang, LIANG Shuilin, HOOGENBOOM G. Integration of MODIS LAI and vegetation index products with the CSM-CERES-maize model for corn yield estimation [J]. International Journal of Remote Sensing, 2011, 32:1039-1065.

51 HUANG Jianxi, MA Hongyuan, SU Wei, et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(8)：4060-4071.