侯英雨，何 亮※，靳 寧，鄭昌玲，劉 維，張 蕾

?

中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)構(gòu)建及應(yīng)用

侯英雨1，何 亮1※，靳 寧2，鄭昌玲1，劉 維1，張 蕾1

（1. 國(guó)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(guó)家重點(diǎn)實(shí)驗(yàn)室，楊凌 712100）

該文系統(tǒng)闡述了中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)（Crop Growth Simulating and Monitoring System in China, CGMS-China）的構(gòu)建方法及其在國(guó)家級(jí)農(nóng)業(yè)氣象業(yè)務(wù)中的應(yīng)用。CGMS-China是基于WOFOST、Oryza2000、WheatSM、ChinaAgroys 4個(gè)作物模型構(gòu)建的系統(tǒng)，在作物長(zhǎng)勢(shì)監(jiān)測(cè)評(píng)估、農(nóng)業(yè)氣象災(zāi)害影響評(píng)估、作物產(chǎn)量預(yù)報(bào)等農(nóng)業(yè)氣象業(yè)務(wù)中均有應(yīng)用。該系統(tǒng)可進(jìn)行作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量預(yù)報(bào)、農(nóng)業(yè)氣象災(zāi)害影響評(píng)估。利用CGMS-China模擬輸出的地上生物量、葉面積指數(shù)、穗質(zhì)量，建立作物長(zhǎng)勢(shì)評(píng)估指標(biāo)，可對(duì)小麥、玉米、水稻進(jìn)行實(shí)時(shí)長(zhǎng)勢(shì)監(jiān)測(cè)與評(píng)估。通過CGMS-China對(duì)2014年8月中旬華北黃淮夏玉米的干旱產(chǎn)量損失評(píng)估和2016年6月22日早稻高溫?zé)岷Φ漠a(chǎn)量損失預(yù)估表明，CGMS-China對(duì)農(nóng)業(yè)氣象災(zāi)害影響評(píng)估的效果較好。利用CGMS-China對(duì)2014年冬小麥主產(chǎn)省進(jìn)行產(chǎn)量預(yù)報(bào)，各省的平均預(yù)報(bào)相對(duì)誤差為7%。與此同時(shí)，在CGMS-China中利用遙感數(shù)據(jù)同化方法，對(duì)山西洪洞縣進(jìn)行產(chǎn)量預(yù)報(bào)，預(yù)報(bào)相對(duì)誤差小于11%。該系統(tǒng)在國(guó)家級(jí)農(nóng)業(yè)氣象業(yè)務(wù)中具有良好的應(yīng)用前景。

模型；氣象；遙感；作物長(zhǎng)勢(shì)監(jiān)測(cè)；農(nóng)業(yè)氣象災(zāi)害；產(chǎn)量預(yù)報(bào)；同化

0 引 言

中國(guó)作為世界人口最多的國(guó)家，食物安全一直以來(lái)是頭等關(guān)注的大事。由于人口增長(zhǎng)、水資源短缺、城市化造成耕地喪失、土壤退化和氣候變化等因素的影響，保障食物安全面臨著更為嚴(yán)峻的形勢(shì)[1]。氣候波動(dòng)是造成糧食生產(chǎn)年際變化的主要原因，由于氣候變暖、極端天氣事件日益增多，糧食生產(chǎn)的波動(dòng)更大[2]。農(nóng)業(yè)氣象服務(wù)主要包括作物長(zhǎng)勢(shì)監(jiān)測(cè)、農(nóng)業(yè)氣象災(zāi)害預(yù)警和評(píng)估、作物產(chǎn)量預(yù)報(bào)等業(yè)務(wù)。農(nóng)業(yè)氣象服務(wù)可為農(nóng)業(yè)防災(zāi)減災(zāi)提供預(yù)警預(yù)報(bào)服務(wù)，為減少作物生長(zhǎng)損失、發(fā)展可持續(xù)農(nóng)業(yè)和提高作物產(chǎn)量和質(zhì)量提供有效保障[3-4]。因此，農(nóng)業(yè)氣象服務(wù)在糧食安全中扮演者重要的角色。

傳統(tǒng)的農(nóng)業(yè)氣象服務(wù)技術(shù)包括農(nóng)業(yè)氣象指標(biāo)方法、統(tǒng)計(jì)模型、遙感[5]和地理信息系統(tǒng)等[4]。作物生長(zhǎng)模型是農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)中一項(xiàng)新的技術(shù)，它能夠動(dòng)態(tài)模擬作物的生長(zhǎng)過程和產(chǎn)量形成[6-7]，在農(nóng)業(yè)氣象服務(wù)和其他農(nóng)業(yè)決策部門應(yīng)用非常廣泛。目前一些國(guó)家和組織例如歐洲聯(lián)合研究中心（European Commission’s Joint Research Centre）、美國(guó)國(guó)際開發(fā)署（United States Agency for International Development）和澳大利亞利用作物模型來(lái)監(jiān)測(cè)區(qū)域作物生長(zhǎng)，從而為政府和商業(yè)機(jī)構(gòu)提供輔助決策信息。歐洲聯(lián)合研究中心將WOFOST模型應(yīng)用到長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)報(bào)中，可為歐洲和全球提供農(nóng)業(yè)監(jiān)測(cè)和糧食安全評(píng)估[8]。其中由歐洲聯(lián)合研究中心組織的MARS (Monitoring Agricultural Resources) 計(jì)劃是美國(guó)國(guó)際開發(fā)署倡導(dǎo)的全球饑餓預(yù)警與監(jiān)測(cè)網(wǎng)絡(luò)(www.fews.net)的一部分。在美國(guó)，由佛羅里達(dá)大學(xué)等機(jī)構(gòu)開發(fā)的“AgroClimate” (www.agroclimate.org)，作為一個(gè)基于網(wǎng)絡(luò)的決策知識(shí)學(xué)習(xí)平臺(tái)，其中嵌套了作物模型，可以提供交互式工具和氣候信息來(lái)協(xié)助作物管理和風(fēng)險(xiǎn)決策。在澳大利亞，“Yield Prophet”利用APSIM 模型來(lái)模擬環(huán)境和農(nóng)田管理對(duì)作物的影響，從而為農(nóng)場(chǎng)管理提供咨詢服務(wù)(www.yieldprophet.com.au) 。由上可見，作物系統(tǒng)模型已經(jīng)成為農(nóng)業(yè)生產(chǎn)管理的重要工具。

中國(guó)最早把作物模型應(yīng)用到農(nóng)業(yè)氣象服務(wù)開始于2005年，劉布春等[9-11]對(duì)作物模型引入到農(nóng)業(yè)氣象服務(wù)做了一些理論工作，并利用WOFOST模型評(píng)估了東北的玉米長(zhǎng)勢(shì)。然而，上述工作主要側(cè)重理論階段，還未將作物模型應(yīng)用到可運(yùn)行的業(yè)務(wù)服務(wù)中。國(guó)家氣象中心于2013年成立了作物模型業(yè)務(wù)應(yīng)用團(tuán)隊(duì)，構(gòu)建了基于作物模型的中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)（Crop Growth Simulating and Monitoring System in China, CGMS- China），CGMS-China將WOFOST[12]、ORYZA2000[13]和 WheatSM[14]、ChinaAgrosys[15]等國(guó)內(nèi)外模型嵌入到系統(tǒng)之中，同時(shí)還同化了遙感信息，可以提供作物長(zhǎng)勢(shì)監(jiān)測(cè)與評(píng)估、作物產(chǎn)量預(yù)報(bào)、農(nóng)業(yè)氣象災(zāi)害影響評(píng)估等農(nóng)業(yè)氣象業(yè)務(wù)產(chǎn)品。本文主要介紹CGMS-China的結(jié)構(gòu)、組成部分和作物長(zhǎng)勢(shì)監(jiān)測(cè)與評(píng)估理論和方法，同時(shí)介紹了CGMS-China在作物長(zhǎng)勢(shì)監(jiān)測(cè)評(píng)估、農(nóng)業(yè)氣象災(zāi)害影響評(píng)估、作物產(chǎn)量預(yù)報(bào)等農(nóng)業(yè)氣象業(yè)務(wù)的應(yīng)用案例，最后概述作物模型在農(nóng)業(yè)氣象業(yè)務(wù)應(yīng)用的優(yōu)點(diǎn)和不足以及未來(lái)的挑戰(zhàn)與展望。

1 系統(tǒng)結(jié)構(gòu)與應(yīng)用方法

1.1 系統(tǒng)結(jié)構(gòu)

CGMS-China是一個(gè)多作物模型模擬平臺(tái)，主要包含數(shù)據(jù)層、模型層和應(yīng)用層（圖1）。數(shù)據(jù)層主要管理用于模型驅(qū)動(dòng)、同化或者預(yù)報(bào)應(yīng)用的數(shù)據(jù)；模型層包含了不同作物模型的應(yīng)用程序接口（application program interface，API）、模型高性能計(jì)算方法和空間分析工具；應(yīng)用層主要涉及作物模型在業(yè)務(wù)應(yīng)用中的手段。

圖1 中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)框架

1.1.1 數(shù)據(jù)層

數(shù)據(jù)層主要用于多源數(shù)據(jù)的管理和預(yù)處理。站點(diǎn)氣象數(shù)據(jù)通過空間插值方法（例如反距離加權(quán)、克里金插值、薄盤樣條三次插值）插值到空間格點(diǎn)。站點(diǎn)土壤參數(shù)主要通過農(nóng)業(yè)氣象觀測(cè)站土壤參數(shù)獲取，而空間土壤參數(shù)數(shù)據(jù)從Dai等[16]開發(fā)的全國(guó)高精度（約1 km）土壤參數(shù)數(shù)據(jù)庫(kù)獲得，主要的土壤參數(shù)有飽和含水率、凋萎系數(shù)、田間持水量等。在CGMS-China中通過空間重采樣的方法獲取所需要的空間分辨率土壤數(shù)據(jù)（10 km）。田間管理參數(shù)（例如播種日期）從全國(guó)600多個(gè)農(nóng)業(yè)氣象觀測(cè)站獲取，利用參數(shù)敏感性分析和優(yōu)化算法，結(jié)合600多個(gè)農(nóng)業(yè)氣象觀測(cè)站觀測(cè)數(shù)據(jù)得到作物最優(yōu)的站點(diǎn)尺度的作物品種參數(shù)[17-18]。得到站點(diǎn)的參數(shù)后，通過泰森多邊形擴(kuò)展的方法，將參數(shù)擴(kuò)展到區(qū)域。目前，在CGMS-China中未考慮農(nóng)田的施肥，因此模擬過程不考慮氮限制。

目前，數(shù)據(jù)庫(kù)中共有1 700多個(gè)農(nóng)田土壤水分自動(dòng)觀測(cè)站。觀測(cè)的土壤水分可以利用“強(qiáng)迫法”（直接將觀測(cè)土壤水分替代模擬土壤水分）同化到作物模型當(dāng)中。

遙感數(shù)據(jù)可以提供實(shí)時(shí)更新的、大尺度的作物生育期內(nèi)的長(zhǎng)勢(shì)監(jiān)測(cè)[19-21]，它可以通過數(shù)據(jù)同化的方式嵌入到作物模型，從而提高作物模型大尺度的長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)精度。目前，在CGMS-China系統(tǒng)中，MODIS的反射率、歸一化指標(biāo)指數(shù)（normalized difference vegetation index，NDVI）、葉面積指數(shù)（leaf area index, LAI）數(shù)據(jù)被同化到作物模型中。反射率和NDVI通過輻射傳輸模型鏈接到作物模型中。天氣預(yù)報(bào)數(shù)據(jù)用來(lái)預(yù)測(cè)未來(lái)作物長(zhǎng)勢(shì)和災(zāi)害預(yù)警，天氣預(yù)報(bào)數(shù)據(jù)主要包括中央氣象臺(tái)提供的全國(guó)站點(diǎn)未來(lái)10 d的氣象要素預(yù)報(bào)數(shù)據(jù)，其次包括全國(guó)精細(xì)化格網(wǎng)5 km的氣象要素預(yù)報(bào)數(shù)據(jù)。

1.1.2 模型層

在模型層，CGMS-China目前整合了WOFOST，Oryza2000，WheatSM, ChinaAgrosys等模型，目前主要通過模型API嵌入。在模型的計(jì)算中需要運(yùn)用到高性能計(jì)算和空間分析。模型層是一個(gè)開放的接口，可方便整合其他作物模型，以便多模型集成。4個(gè)模型中都是基于日尺度的氣象數(shù)據(jù)作為驅(qū)動(dòng)，結(jié)合土壤參數(shù)、農(nóng)田管理信息模擬作物生長(zhǎng)動(dòng)態(tài)，目前CGMS-China中，WOFOST用來(lái)模擬冬小麥和玉米、WheatSM用來(lái)模擬冬小麥、Oryza2000用來(lái)模擬水稻，ChinaAgrosys目前專門用來(lái)遙感數(shù)據(jù)同化。

1.1.3 應(yīng)用層

通過模型的輸出產(chǎn)品，系統(tǒng)應(yīng)用層主要為農(nóng)業(yè)氣象服務(wù)提供作物長(zhǎng)勢(shì)監(jiān)測(cè)、農(nóng)業(yè)氣象災(zāi)害預(yù)警和影響評(píng)估、產(chǎn)量預(yù)報(bào)以及其他農(nóng)業(yè)氣象服務(wù)。

1.1.4 遙感與作物模型同化方法

作物生長(zhǎng)模型的建立是基于田間尺度，應(yīng)用到估算區(qū)域尺度不同產(chǎn)量水平的作物生長(zhǎng)和資源利用時(shí)，由于土壤屬性、作物參數(shù)和氣象數(shù)據(jù)的空間異質(zhì)性，會(huì)引起區(qū)域計(jì)算的不準(zhǔn)確[22]。遙感與作物模型同化方法可以分為直接驅(qū)動(dòng)法和參數(shù)率定法。直接驅(qū)動(dòng)法是指直接利用遙感數(shù)據(jù)反演作物生長(zhǎng)變量，如葉面積指數(shù)，驅(qū)動(dòng)作物生長(zhǎng)模型，以提高模型模擬精度。參數(shù)率定法利用遙感信息調(diào)整作物模型的相關(guān)參數(shù)和初始值，最小化模型模擬值與遙感觀測(cè)值的誤差。目前CGMS-China中采用參數(shù)率定法，利用SCE-UA和粒子濾波算法（particle swarm optimization）與MODIS中的NDVI和LAI產(chǎn)品進(jìn)行同化，其中與NDVI同化過程中，嵌套了PROSAIL輻射傳輸模型。

1.1.5 數(shù)據(jù)管理與系統(tǒng)集成

CGMS-China系統(tǒng)包含數(shù)據(jù)庫(kù)、作物模型引擎、農(nóng)業(yè)氣象業(yè)務(wù)應(yīng)用算法模塊、圖形交互界面和任務(wù)批處理程序文件。數(shù)據(jù)庫(kù)主要包含站點(diǎn)和格點(diǎn)的氣象數(shù)據(jù)庫(kù)、空間土壤數(shù)據(jù)庫(kù)、農(nóng)業(yè)氣象數(shù)據(jù)庫(kù)、土壤觀測(cè)數(shù)據(jù)庫(kù)、遙感數(shù)據(jù)庫(kù)和集合天氣預(yù)報(bào)數(shù)據(jù)庫(kù)，所有數(shù)據(jù)庫(kù)是在國(guó)家氣象中心的中國(guó)農(nóng)業(yè)氣象業(yè)務(wù)系統(tǒng)（China agriculture meteorological service system，CAgMSS）的數(shù)據(jù)庫(kù)基礎(chǔ)上構(gòu)建，采用Oracle數(shù)據(jù)庫(kù)，而空間數(shù)據(jù)庫(kù)采用ArcSDE作為數(shù)據(jù)管理引擎。作物模型引擎利用API的設(shè)計(jì)方式，在系統(tǒng)中構(gòu)建了不同作物模型的驅(qū)動(dòng)數(shù)據(jù)生產(chǎn)模塊、參數(shù)配置模塊、模型運(yùn)行模塊、模型輸出數(shù)據(jù)處理模塊，由于采用了靈活的API模式，可靈活地將其他作物模型集成到系統(tǒng)中來(lái)。圖形交互界面采用基于.Net插件式GIS應(yīng)用框架，結(jié)合了ESRI公司的ArcEngine，進(jìn)行模型輸出數(shù)據(jù)的空間查詢、分析和顯示。

1.2 作物模型在農(nóng)業(yè)氣象業(yè)務(wù)中的應(yīng)用方法

1.2.1 作物長(zhǎng)勢(shì)監(jiān)測(cè)方法

模型的輸出包括作物物候期、葉面積指數(shù)、地上生物量和穗質(zhì)量等要素。這些模型輸出變量用來(lái)表征作物長(zhǎng)勢(shì)情況。利用統(tǒng)計(jì)方法構(gòu)建長(zhǎng)勢(shì)監(jiān)測(cè)和評(píng)價(jià)指標(biāo)。在此構(gòu)建模型輸出變量的絕對(duì)值、平均值、距平值用來(lái)作物長(zhǎng)勢(shì)監(jiān)測(cè)與評(píng)價(jià)。模型輸出絕對(duì)值表征作物在特定時(shí)期內(nèi)的物候期、葉面積指數(shù)和地上生物量的絕對(duì)量；模型輸出變量的平均值是指模型輸出的物候期、葉面積指數(shù)、地上生物量等指標(biāo)在過去5 a或者一段時(shí)期內(nèi)的平均狀況；模型輸出變量的距平值是當(dāng)年模擬的指標(biāo)與過去5 a或者1 a模擬指標(biāo)的差異，反映的是2個(gè)不同時(shí)期的對(duì)比。這些定量的評(píng)價(jià)方法如表1[10]。

表1 作物生長(zhǎng)監(jiān)測(cè)與評(píng)估指標(biāo)

1.2.2 農(nóng)業(yè)氣象災(zāi)害預(yù)警與評(píng)估方法

中國(guó)是一個(gè)農(nóng)業(yè)氣象災(zāi)害高發(fā)的國(guó)家，作物經(jīng)常遭受熱害、冷害、干旱、洪澇等，從而造成大量的產(chǎn)量損失。通過天氣預(yù)報(bào)，發(fā)布針對(duì)作物的農(nóng)業(yè)氣象災(zāi)害預(yù)警是減少災(zāi)害損失的有效途徑。其次，定量的農(nóng)業(yè)氣象災(zāi)害損失評(píng)估也可為決策者提供救災(zāi)信息，或?yàn)檗r(nóng)業(yè)保險(xiǎn)部門提供理賠信息。作物模型是農(nóng)業(yè)氣象災(zāi)害預(yù)警和影響評(píng)估的重要手段之一，圖2為CGMS-China中的農(nóng)業(yè)氣象災(zāi)害預(yù)警和評(píng)估的基本流程[23]。

圖2中的災(zāi)害減產(chǎn)率由下式計(jì)算：

式中Di為第i年由于農(nóng)業(yè)氣象災(zāi)害（冷害、熱害、干旱等）造成的減產(chǎn)率，Yi為第i年模擬的產(chǎn)量或者地上生物量；為平均氣象條件下模擬的產(chǎn)量或者地上生物量；根據(jù)減產(chǎn)率，不同的災(zāi)害影響程度等級(jí)如表2。

表2 農(nóng)業(yè)氣象災(zāi)害影響減產(chǎn)率等級(jí)

1.2.3 產(chǎn)量預(yù)報(bào)方法

作物產(chǎn)量預(yù)報(bào)是農(nóng)業(yè)氣象服務(wù)中的重要業(yè)務(wù)工作，它可為政府或者糧食貿(mào)易企業(yè)提供重要咨詢信息。目前，糧食產(chǎn)量預(yù)報(bào)中應(yīng)用作物模型的方法有3種：1）直接利用作物模型模擬的產(chǎn)量作為產(chǎn)量預(yù)報(bào)值，該方法主要是結(jié)合氣象預(yù)報(bào)數(shù)據(jù)驅(qū)動(dòng)作物模型，模擬得到未來(lái)的單產(chǎn)。區(qū)域的總產(chǎn)為作物模型模擬的單產(chǎn)乘以區(qū)域的種植面積。由于氣象預(yù)報(bào)數(shù)據(jù)的不確定性和模型本身的誤差，這個(gè)方法不確定性較大。2）統(tǒng)計(jì)動(dòng)力方法，利用氣象產(chǎn)量與模型模擬產(chǎn)量構(gòu)建回歸方程來(lái)預(yù)測(cè)。3）相對(duì)產(chǎn)量預(yù)測(cè)法，目前在CGMS-China系統(tǒng)中利用這個(gè)方法，如式（2）：

式中YY是第年待預(yù)測(cè)的產(chǎn)量，YY1為第-1觀測(cè)的產(chǎn)量，Y為第年模擬的產(chǎn)量或地上生物量，Y-1為第1年模擬的產(chǎn)量或地上生物量。

2 案例分析

2.1 作物長(zhǎng)勢(shì)監(jiān)測(cè)

利用CGMS-China進(jìn)行作物長(zhǎng)勢(shì)監(jiān)測(cè)，主要采用模型輸出的地上生物量、葉面積、穗質(zhì)量3個(gè)指標(biāo)。長(zhǎng)勢(shì)監(jiān)測(cè)產(chǎn)品的表現(xiàn)形式主要以地上生物量、葉面積和穗質(zhì)量與上一年和近5 a的對(duì)比值。通過這種對(duì)比，反映本時(shí)段作物長(zhǎng)勢(shì)與去年和近5a的長(zhǎng)勢(shì)對(duì)比情況。監(jiān)測(cè)產(chǎn)品的形式以空間圖、單站點(diǎn)時(shí)間序列圖呈現(xiàn)。圖3是2017年春玉米和冬小麥CGMS-China模擬的周尺度長(zhǎng)勢(shì)監(jiān)測(cè)產(chǎn)品，主要包含地上生物量和葉面積指數(shù)與2016年同期對(duì)比的2個(gè)指標(biāo)。如圖3a，春玉米地上生物量與去年同期對(duì)比圖來(lái)看，東北地區(qū)南部、華北北部、山西北部、四川東北部等地地上生物量較2016年同期偏少，而在東北地區(qū)北部、西北地區(qū)東部等地地上生物量較2016年同期偏多。圖3b所示，冬小麥地上生物量在華北大部、西北大部、西南地區(qū)南部等地地上生物量較2016年同期偏少，而黃淮南部、江漢地區(qū)和西南地區(qū)東部等地較2016年同期偏多。圖3c是春玉米葉面積指數(shù)與2016年同期的對(duì)比情況，顯示東北地區(qū)南部、華北北部、山西北部、四川東北部等地較2016年葉面積偏小，而在東北地區(qū)北部、西北地區(qū)東部等地葉面積較2016年同期偏大。圖3d所示的冬小麥葉面積指數(shù)與2016年對(duì)比顯示，華北大部、西北大部、西南地區(qū)南部等地葉面積指數(shù)較2016年同期偏小，而黃淮南部、江漢地區(qū)和西南地區(qū)東部等地較2016年同期偏大。

圖4為2017年CGMS-China模擬的春玉米和冬小麥的地上生物量和穗生物量與過去5 a平均的對(duì)比圖。由圖4a和圖4c可知，春玉米地上生物量和穗生物量在東北地區(qū)中部和南部、山西大部等地偏少，在東部地區(qū)北部、西北地區(qū)東部等地較近5a平均偏多；由圖4b和圖4d可知，冬小麥地上生物量和葉面積指數(shù)在華北大部、西北地區(qū)東部和西南地區(qū)南部較近5a平均偏少，江漢、黃淮南部和江淮等地較近5a平均偏多。

注：來(lái)源于全國(guó)農(nóng)業(yè)氣象周報(bào)和月報(bào)。

除了從空間分布的形式展示作物長(zhǎng)勢(shì)情況外，CGMS-China也可以從站點(diǎn)尺度展現(xiàn)作物長(zhǎng)勢(shì)，圖5是CGMS-China在東北的代表性站點(diǎn)泰來(lái)和阜新站2017年生育期內(nèi)逐周的生物量和穗質(zhì)量的時(shí)間序列模擬，與此同時(shí)，該時(shí)間序列還模擬了2016年的情況，通過2 a的對(duì)比展現(xiàn)站點(diǎn)的作物長(zhǎng)勢(shì)時(shí)間動(dòng)態(tài)變化。如圖5a、c所示，黑龍江泰來(lái)站2017年的地上生物量和穗質(zhì)量較2016年大體相當(dāng)，說明黑龍江泰來(lái)站2017年的春玉米長(zhǎng)勢(shì)與2016年整體持平；如圖5b、d所示，遼寧阜新站的地上生物量和穗質(zhì)量較2016年相當(dāng)要小，說明在遼寧阜新站2017年的長(zhǎng)勢(shì)較2016年要差很多。

2.2 農(nóng)業(yè)氣象災(zāi)害評(píng)估與預(yù)警

2.2.1 干旱

2014年8月，北方夏玉米區(qū)出現(xiàn)近5 a來(lái)最嚴(yán)重的夏伏旱，北方夏玉米8月上旬開始進(jìn)入抽雄吐絲期，該生育期為玉米生長(zhǎng)發(fā)育需水關(guān)鍵期。期間，西北地區(qū)東南部、黃淮、華北東部、東北地區(qū)中南部降水偏少3～8成，河南西部、陜西關(guān)中、遼寧中西部、內(nèi)蒙古東南部發(fā)生了近5a來(lái)最為嚴(yán)重的夏伏旱，玉米抽雄吐絲、授粉灌漿受阻，結(jié)實(shí)率下降，產(chǎn)量受到較大影響。CGMS-China以華北和黃淮的夏玉米區(qū)為實(shí)例，進(jìn)行了干旱影響評(píng)估，如圖6b：河北北部和中部、山東東部、河南部分地區(qū)、安徽和江蘇北部等地上生物量在8月底模擬時(shí)與常年要偏少300~900 kg hm-2；從穗生物量來(lái)看（圖6c），河北中部和北部、山東東部、河南中部和南部、安徽和江蘇北部等地較常年偏少100~300 kg hm-2。從圖6a的降水距平百分率看，華北北部和中部、黃淮東部和西南部等降水嚴(yán)重偏少區(qū)域，其模擬的夏玉米地上生物量和穗質(zhì)量較常年也偏少，CGMS-China的實(shí)時(shí)模擬和對(duì)比模擬基本上反映了這一次干旱對(duì)夏玉米的長(zhǎng)勢(shì)影響。

圖6 2014年8月中旬黃淮海平原降水距平百分率、夏玉米地上生物量和穗生物量與常年對(duì)比

2.2.2 高溫?zé)岷?/p>

2016年6月22日，國(guó)家氣象中心發(fā)布了南方高溫預(yù)警，預(yù)計(jì)未來(lái)1周，江南、華南地區(qū)將出現(xiàn)大范圍持續(xù)高溫晴熱天氣，大部地區(qū)日最高氣溫將在35～39 ℃之間，局部可達(dá)40～41 ℃；部分地區(qū)早稻可能遭受輕至中度高溫?zé)岷Γ瑢?duì)早稻開花授粉和灌漿不利。針對(duì)此過程，利用CGMS-China對(duì)未來(lái)1周的高溫?zé)岷υ斐傻脑绲緶p產(chǎn)率進(jìn)行預(yù)估，產(chǎn)品如圖7：江西中部和南部、浙江南部、福建西部和廣東北部等地的減產(chǎn)率可能達(dá)到1%～2%，局地地區(qū)超過2%。

圖7 2016年6月22日未來(lái)一周早稻高溫減產(chǎn)率影響評(píng)估

2.3 作物產(chǎn)量預(yù)報(bào)

以2013—2014年度冬小麥為例，在2014年4月11日進(jìn)行預(yù)報(bào)，從出苗至2014年4月10日的氣象資料為實(shí)際觀測(cè)資料，2014年4月11日至成熟（以前3 a平均成熟日作為今年預(yù)測(cè)成熟日）氣象資料用常年平均值；分別模擬2013年和2014年冬小麥成熟時(shí)的地上生物量，根據(jù)生物量相對(duì)變化及2013年實(shí)際單產(chǎn)來(lái)預(yù)測(cè)2014年主產(chǎn)省冬小麥產(chǎn)量（見表3），各省平均預(yù)報(bào)相對(duì)誤差為7%，大部分?。ㄗ灾螀^(qū)）相對(duì)誤差小于10%。

表3 2014年各主產(chǎn)省及全國(guó)冬小麥產(chǎn)量預(yù)測(cè)結(jié)果

注：2013年各省單產(chǎn)數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局；模擬地上生物量變化率：2014年模擬的地上生物量相對(duì)2013年變化的比率。

Note: Provincial observed yield data in 2013 are from; Change rate of simulated aboveground biomass: relative change rate of simulated aboveground biomass in 2014 compared to 2013.

2.4 作物模型與遙感數(shù)據(jù)同化

CGMS-China目前初步將MODIS的NDVI和LAI產(chǎn)品同化到作物模型當(dāng)中，圖8是在陜西楊凌觀測(cè)站用SCE-UA算法同化不同LAI遙感數(shù)據(jù)源和觀測(cè)LAI的對(duì)比情況，從圖可知，把遙感信息同化進(jìn)來(lái)的LAI顯著提升了模型的LAI模擬精度。

注：源自Jin等[24]。

圖9是利用粒子濾波算法（PSO）和SCE-UA算法在山西洪洞縣雨養(yǎng)和灌溉小麥2011年估產(chǎn)的空間分布情況，從圖可知，2種算法在雨養(yǎng)和灌溉小麥的估產(chǎn)效果大致近似。從表4的統(tǒng)計(jì)情況來(lái)看，任何一種同化策略的估產(chǎn)精度都比模型單獨(dú)模擬的精度要高，相對(duì)誤差小于11%，更為接近實(shí)際觀測(cè)產(chǎn)量。

表4 2011年洪洞縣冬小麥不同遙感同化策略的產(chǎn)量模擬精度

注：統(tǒng)計(jì)產(chǎn)量數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局。模擬相對(duì)誤差為不同方法與統(tǒng)計(jì)產(chǎn)量的相對(duì)誤差。

Note: Statistical yield data are from; Simulated relative error is relative error between yield from different methods and statistic yield.

注：源自Jin等[24]。

3 討 論

3.1 作物模型在農(nóng)業(yè)氣象業(yè)務(wù)應(yīng)用中的優(yōu)勢(shì)與不足

相比傳統(tǒng)的農(nóng)業(yè)氣象業(yè)務(wù)中的作物長(zhǎng)勢(shì)監(jiān)測(cè)、災(zāi)害評(píng)估和產(chǎn)量預(yù)報(bào)方法而言，作物模型最大的優(yōu)勢(shì)就是機(jī)理性強(qiáng)、定量化水平高。目前用于作物長(zhǎng)勢(shì)監(jiān)測(cè)的方法有農(nóng)業(yè)氣象觀測(cè)站的苗情監(jiān)測(cè)[4]、遙感監(jiān)測(cè)[25- 26]、作物適宜度監(jiān)測(cè)[27]等。這些方法都是基于數(shù)據(jù)統(tǒng)計(jì)方法結(jié)合農(nóng)業(yè)氣象指標(biāo)建立的監(jiān)測(cè)手段，而作物模型為作物長(zhǎng)勢(shì)監(jiān)測(cè)提供基于作物生理生態(tài)的機(jī)理性方法，相比遙感監(jiān)測(cè)方法它是一種“由下至上”（bottom-up）的方法——通過氣象、土壤和作物參數(shù)驅(qū)動(dòng)的形式?；谏砩鷳B(tài)模擬的監(jiān)測(cè)方法對(duì)于傳統(tǒng)的苗情統(tǒng)計(jì)、遙感監(jiān)測(cè)是一個(gè)有益的補(bǔ)充，另外，相比傳統(tǒng)的農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)評(píng)估方法，作物模型能從受災(zāi)機(jī)理上定量評(píng)估災(zāi)害的損失。

作物生長(zhǎng)模型是地面觀測(cè)與遙感信息鏈接的紐帶。沒有作物生長(zhǎng)模型的情況下，地面觀測(cè)和天上的遙感觀測(cè)經(jīng)常是獨(dú)立脫離的狀態(tài)，雖然地面作物觀測(cè)為遙感監(jiān)測(cè)提供地面驗(yàn)證信息，但是如何把兩者有機(jī)地耦合在一起，這需要作物模型起到中間橋梁作用。當(dāng)今無(wú)論是地面觀測(cè)還是遙感信息都呈現(xiàn)井噴式增長(zhǎng)，需要機(jī)理性的模型把地面與天上的觀測(cè)有機(jī)地融合。例如在農(nóng)業(yè)氣象業(yè)務(wù)中的產(chǎn)量預(yù)報(bào)往往通過這2種方法進(jìn)行產(chǎn)量預(yù)報(bào)：一是單獨(dú)利用遙感信息與地面產(chǎn)量建立統(tǒng)計(jì)關(guān)系來(lái)進(jìn)行產(chǎn)量預(yù)報(bào)；二是利用作物模型獨(dú)自模擬進(jìn)行預(yù)報(bào)。前一種方法是“由上至下”，后一種是“由下至上”，通過同化方法將兩者耦合起來(lái)，能夠充分利用“地上”和“天上”的信息。

作物模型在農(nóng)業(yè)氣象業(yè)務(wù)中的應(yīng)用存在模型參數(shù)化復(fù)雜、農(nóng)田管理空間信息獲取難度大等限制。作物模型需要?dú)庀?、土壤、作物品種參數(shù)和農(nóng)田管理等信息，作為氣象部門氣象數(shù)據(jù)有得天獨(dú)厚的優(yōu)勢(shì)，相對(duì)而言氣象數(shù)據(jù)參數(shù)化容易，但對(duì)于復(fù)雜的土壤、農(nóng)田管理如灌溉和施肥等信息在大尺度上獲取難度較大，因而只能采取相對(duì)簡(jiǎn)化的方法進(jìn)行參數(shù)化，這種簡(jiǎn)化方案往往會(huì)導(dǎo)致空間模擬的誤差，從而影響應(yīng)用的效果。

3.2 CGMS-China與其他模型業(yè)務(wù)系統(tǒng)的比較

CGMS-China同歐洲聯(lián)合研究中心的MARS計(jì)劃下的作物模型應(yīng)用有相似之處。相比美國(guó)的AgroClimate和澳大利亞的Yield Prophet，CGMS-China更多地是利用模型模擬結(jié)果輔助作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)報(bào)，而AgroClimate和Yield Prophet更多是利用作物模型的模塊進(jìn)行相關(guān)農(nóng)田管理的決策支持服務(wù)。其次，從應(yīng)用的系統(tǒng)架構(gòu)來(lái)看，美國(guó)的AgroClimate和澳大利亞的Yield Prophet都是基于WEB或者移動(dòng)端的服務(wù)，對(duì)于農(nóng)戶或者政府決策者而言，應(yīng)用上更加的靈活，客戶體驗(yàn)可能更好。這也是CGMS-China未來(lái)需要改進(jìn)的地方之一。

3.3 作物模型對(duì)農(nóng)業(yè)氣象災(zāi)害模擬的不足

農(nóng)業(yè)氣象災(zāi)害的影響評(píng)估是農(nóng)業(yè)氣象業(yè)務(wù)的核心工作之一，也是氣象防災(zāi)減災(zāi)的重點(diǎn)工作。作物模型為農(nóng)業(yè)氣象災(zāi)害評(píng)估提供了全新的手段，但不可否認(rèn)，作物模型在農(nóng)業(yè)氣象災(zāi)害模擬中存在不足。這種不足主要體現(xiàn)在一些模塊未考慮災(zāi)害的影響機(jī)制，例如目前大部分模型中對(duì)作物物候的模擬，僅僅考慮考慮積溫、光周期或春化的影響[28]，并未考慮干旱對(duì)物候期的影響。其次，一些農(nóng)業(yè)氣象災(zāi)害機(jī)理復(fù)雜，難以在模型中刻畫，例如不同階段或者不同程度的干旱對(duì)作物的影響并非副作用，在某些階段的輕微干旱對(duì)作物生長(zhǎng)是一個(gè)正效應(yīng)，但是從國(guó)際作物模型比較的工作來(lái)看[29]，大部分模型并未考慮這種機(jī)理。再次，大部分作物模型對(duì)一些極端災(zāi)害（如洪澇）和病蟲害未考慮，但是他們對(duì)作物產(chǎn)量損失影響也很重。目前，也有學(xué)者開始將作物病蟲害模塊添加到作物模型中[30-31]，這對(duì)作物模型在農(nóng)業(yè)氣象業(yè)務(wù)中的應(yīng)用起到積極作用。

3.4 作物模型空間升尺度的不確定性

作物生長(zhǎng)模型最初是由農(nóng)業(yè)科學(xué)家在基于單點(diǎn)尺度開發(fā)，很多模型的應(yīng)用也都基于單點(diǎn)模擬[32]。CGMS-China中的作物模型應(yīng)用是基于單點(diǎn)模型擴(kuò)展到區(qū)域尺度的應(yīng)用。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[33-34]。這種誤差的主要來(lái)源有：作物模型驅(qū)動(dòng)數(shù)據(jù)的分辨率、模型參數(shù)或模擬結(jié)果的空間升尺度方法、模型類型、下墊面特征有關(guān)。已經(jīng)有相關(guān)的研究[35-37]表明不同的驅(qū)動(dòng)數(shù)據(jù)對(duì)作物模型的區(qū)域模擬有一定的影響，尤其是在下墊面較為復(fù)雜的地區(qū)，高分辨率的驅(qū)動(dòng)數(shù)據(jù)更能反映地面的空間異質(zhì)性。筆者對(duì)CGMS-China中的WOFOST模型在冬小麥區(qū)的研究也表明，不同分辨率的驅(qū)動(dòng)數(shù)據(jù)的模擬結(jié)果雖然在區(qū)域總產(chǎn)量的模擬沒有顯著差異，但是高分辨率的模擬更能反映一些下墊面破碎的情況[37]。模型空間升尺度帶來(lái)的誤差或者不確定性，警示在應(yīng)用不同空間尺度模擬結(jié)果時(shí)需要謹(jǐn)慎。

3.5 作物模型業(yè)務(wù)應(yīng)用未來(lái)發(fā)展方向

對(duì)比國(guó)際經(jīng)驗(yàn)和中國(guó)農(nóng)業(yè)氣象業(yè)務(wù)實(shí)際情況，作物模型在農(nóng)業(yè)氣象業(yè)務(wù)應(yīng)用將來(lái)還需從以下幾個(gè)方面去開展：1）開展多模型集成應(yīng)用。不同的作物模型結(jié)構(gòu)差異，導(dǎo)致了模擬的不確定性，開展多模型集成和比較，可為業(yè)務(wù)應(yīng)用更多的參考信息，未來(lái)擬將國(guó)際其他主流模型如DSSAT和APSIM集成到模擬平臺(tái)當(dāng)中。2）高分辨率模擬系統(tǒng)的研發(fā)。為了滿足精細(xì)化農(nóng)業(yè)氣象服務(wù)的需求，粗分辨率的模擬系統(tǒng)難以滿足需求，高分辨率的模擬系統(tǒng)是未來(lái)重要的發(fā)展方向之一[38]。3）利用多源農(nóng)業(yè)大數(shù)據(jù)結(jié)合作物模型開展面向不同用戶的農(nóng)田管理決策服務(wù)。在地面、遙感等多源數(shù)據(jù)不斷增長(zhǎng)的情況下，滿足小農(nóng)戶、種植大戶、糧食貿(mào)易公司和政府決策等不同用戶需求的決策支持服務(wù)[31,39-40]是未來(lái)農(nóng)業(yè)模型領(lǐng)域發(fā)展的重點(diǎn)方向。

4 結(jié) 論

本研究綜合闡述了利用WOFOST、Oryza2000、WheatSM、ChinaAgroys 4個(gè)作物模型構(gòu)建的中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)（CGMS-China），并介紹了該系統(tǒng)在國(guó)家級(jí)農(nóng)業(yè)氣象業(yè)務(wù)中的應(yīng)用狀況。該系統(tǒng)能夠利用CGMS-China模擬輸出的地上生物量、葉面積指數(shù)、穗質(zhì)量，建立作物長(zhǎng)勢(shì)評(píng)估指標(biāo)，可對(duì)小麥、玉米、水稻進(jìn)行長(zhǎng)勢(shì)實(shí)時(shí)監(jiān)測(cè)與評(píng)估。CGMS-China能夠進(jìn)行干旱產(chǎn)量損失評(píng)估和預(yù)報(bào)未來(lái)1周早稻高溫?zé)岷Ξa(chǎn)量損失。利用CGMS-China的模擬結(jié)果結(jié)合相對(duì)產(chǎn)量預(yù)報(bào)方法，對(duì)2014年冬小麥主產(chǎn)省進(jìn)行產(chǎn)量預(yù)報(bào)，各省平均預(yù)報(bào)相對(duì)誤差為7%，大部分省（自治區(qū)）相對(duì)誤差小于10%。與此同時(shí)，利用數(shù)據(jù)同化技術(shù)對(duì)遙感和地面觀測(cè)數(shù)據(jù)通過作物模型進(jìn)行耦合，對(duì)山西洪洞縣進(jìn)行產(chǎn)量預(yù)報(bào)，其預(yù)報(bào)相對(duì)誤差小于11%。這表明該系統(tǒng)可為作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量預(yù)報(bào)、農(nóng)業(yè)氣象災(zāi)害評(píng)估等農(nóng)業(yè)氣象業(yè)務(wù)提供較好的支撐。

[1] Tao Fulu, Yokozawa M, Liu Jiyuan, et al. Climate change, land use change, and China's food security in the twenty-first century: An integrated perspective [J]. Climatic Change, 2009, 93(3): 433－445.

[2] Piao Shilong, Ciais P, Huang Yao, et al. The impacts of climate change on water resources and agriculture in China [J]. Nature, 2010, 467(7311): 43－51.

[3] Stigter C J. From basic agrometeorological science to agrometeorological services and information for agricultural decision makers: A simple conceptual and diagnostic framework [J]. Agricultural and Forest Meteorology, 2007, 142(2/3/4): 91－95.

[4] 毛留喜，呂厚荃. 國(guó)家級(jí)農(nóng)業(yè)氣象業(yè)務(wù)技術(shù)綜述[J]. 氣象，2010，36(7)：75－80. Mao Liuxi, Lü Houquan. Overview of national level agrometeorological operational techniques [J]. Meteorological Monthly, 2010, 36(7): 75－80. (in Chinese with English abstract)

[5] Wu Bingfang, Meng Jihua, Li Qiangzi, et al. Remote sensing-based global crop monitoring: Experiences with China's CropWatch system [J]. International Journal of Digital Earth, 2014, 7(2): 113－137.

[6] Antle J M, Basso B, Conant R T, et al. Towards a new generation of agricultural system data, models and knowledge products: Design and improvement [J]. Agricultural Systems, 2016, 155:255－268

[7] 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: 276－286.

[8] Supit I, Hoojer A A, Diepen C A V. System description of the Wofost 6.0 crop simulation model implemented in CGMS[M]. Theory and Algorithms. Luxembourg: Commission of the European Communities, 1994.

[9] 劉布春，劉文萍，梅旭榮，等. 我國(guó)農(nóng)業(yè)氣象業(yè)務(wù)引入作物生長(zhǎng)模型的前景[J]. 氣象，2006，32(12)：10－15. Liu Buchun, Liu Wenping, Mei Xurong, et al. Prospects for crop growth models introduced into agrometeorology services in China[J]. Meteorological Monthly, 2006, 32(12): 10－15. (in Chinese with English abstract)

[10] 馬玉平，王石立，王馥棠. 作物模擬模型在農(nóng)業(yè)氣象業(yè)務(wù)應(yīng)用中的研究初探[J]. 應(yīng)用氣象學(xué)報(bào)，2005，16(3)：293－303. Ma Yuping, Wang Shili, Wang Futang. A preliminary study on the application of crop simulation models in agrometeorological servinces[J]. Journal of Applied Meteorological Science, 2005, 16(3): 293－303. (in Chinese with English abstract)

[11] 王石立，馬玉平. 作物生長(zhǎng)模擬模型在我國(guó)農(nóng)業(yè)氣象業(yè)務(wù)中的應(yīng)用研究進(jìn)展及思考 [J]. 氣象，2008，34(6)：3－10. Wang Shili, Ma Yuping. The progress in application of crop growth simulation models to agro-meteorological serveinces in China[J]. Meteorological Monthly, 2008, 34(6): 3－10. (in Chinese with English abstract)

[12] Diepen C A, Wolf J, Keulen H, et al. WOFOST: A simulation model of crop production [J]. Soil Use and Management, 1989, 5(1): 16－24.

[13] Bouman B A M, Kropff M J, Tuong T P, et al. ORYZA2000: Modeling Lowland Rice[M]. Los Ba?os: International Rice Research Institute, 2003.

[14] 馮利平，高亮之，金之慶，等. 小麥發(fā)育期動(dòng)態(tài)模擬模型的研究[J]. 作物學(xué)報(bào)，1997，23(4)：418－424. Feng Liping, Gao Liangzhi, Jin Zhiqing, et al. Studies on the simulation model for wheat phenology[J]. Acta Agronomica Sinca, 1997, 23(4): 418－424. (in Chinese with English abstract)

[15] Wang Jing, Yu Qiang, Lee X. Simulation of crop growth and energy and carbon dioxide fluxes at different time steps from hourly to daily[J]. Hydrological Processes, 2007, 21(18): 2474－2492.

[16] Dai Y, Shangguan W, Duan Q, et al. Development of a China dataset of soil hydraulic parameters using pedotransfer functions for land surface modeling [J]. Journal of Hydrometeorology, 2013, 14: 869－887.

[17] 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 Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 169－179. (in Chinese with English abstract)

[18] 何亮，趙剛，靳寧，等. 不同氣候區(qū)和不同產(chǎn)量水平下APSIM-Wheat模型的參數(shù)全局敏感性分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(14)：148－157. He Liang, Zhao Gang, Jin Ning, et al. Global sensitivity analysis of APSIM-Wheat parameters in different climate zones and yield levels[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 148－157. (in Chinese with English abstract)

[19] Jin Xiuliang, Kumar L, Li Zhenhai, et al. A review of data assimilation of remote sensing and crop models [J]. European Journal of Agronomy, 2018, 92:141－152.

[20] 邢雅娟，劉東升，王鵬新. 遙感信息與作物生長(zhǎng)模型的耦合應(yīng)用研究進(jìn)展[J]. 地球科學(xué)進(jìn)展，2009，24(4)：444－451.Xing Yajuan, Liu Dongsheng, Wang Pengxin. Advances of coupling application of remote sensing information and crop watch model[J]. Advances in Earth Science, 2009, 24(4): 444－451. (in Chinese with English abstract)

[21] Moulin S, Bondeau A, Delecolle R. Combining agricultural crop models and satellite observations: From field to regional scales [J]. International Journal of Remote Sensing, 1998, 19(6): 1021－1036.

[22] 王靜, 李新. 基于作物生長(zhǎng)模型和多源數(shù)據(jù)的融合技術(shù)研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用, 2015, 30(2): 209－219. Wang Jing, Li Xin. Progresses on data fusion technology of crop growh model and multi-source observation information[J]. Remote Sensing Technology and Application, 2015, 30(2): 209－219. (in Chinese with English abstract)

[23] 劉維，侯英雨，吳門新. 基于WOFOST模型的2014年河南省干旱對(duì)夏玉米產(chǎn)量的預(yù)估[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2016，32(36)：146－151. Liu Wei, Hou Yingyu, Wu Menxin. Estimate of dourght effect on summer maize yield based on WOFOST model in Henan province in 2014[J]. Chinese Agricultural Secience Bulletin, 2016, 32(36): 146－151. (in Chinese with English abstract)

[24] Jin Ning, Ren Wei, Tao Bo, et al. Effects of water stress on water use efficiency of irrigated and rainfed wheat in the Loess Plateau, China [J]. Science of The Total Environment, 2018, 642:1－11

[25] 梁瀚月，房世波，楊武年，等. 基于MODIS數(shù)據(jù)的作物苗情和災(zāi)情監(jiān)測(cè)系統(tǒng)及其開發(fā)應(yīng)用[J]. 氣象科技進(jìn)展，2017，7(1)：7－11. Liang Hanyue, Fang Shibo, Yang Wunian, et al. Development and application of the seedling situation and disaster monitoring system based on the MODIS data[J]. Advances in Meteorological Science and Technology, 2017, 7(1): 7－11. (in Chinese with English abstract)

[26] 張琴，黃文江，許童羽，等. 小麥苗情遠(yuǎn)程監(jiān)測(cè)與診斷系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(12)：115－119. Zhang Qin, Huang Wenjiang, Xu Tongyu, et al. Monitoring and diagnosis system for wheat growth with remote sensing and sensor technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(12): 115－119. (in Chinese with English abstract)

[27] 魏瑞江，李春強(qiáng)，姚樹然. 農(nóng)作物氣候適宜度實(shí)時(shí)判定系統(tǒng)[J]. 氣象科技，2006，34(2)：229－232. Wei Ruijiang, Li Chunqiang, Yao Shuran. A real-time analysis of crop climateic suitability based on fuzzy mathematics[J]. Meteorological Science and Technology, 2006, 34(2): 229－232. (in Chinese with English abstract)

[28] 劉健，姚寧，吝海霞，等. 冬小麥物候期對(duì)土壤水分脅迫的響應(yīng)機(jī)制與模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(21)：115－124. Liu Jian, Yao Ning, Lin Haixia, et al. Response mechanism and simulation of winter wheat phenology to soil water stress[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 115－124. (in Chinese with English abstract)

[29] Jin Zhenong, Zhuang Qianlai, Tan Zeli, 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.

[30] Donatelli M, Magarey R D, Bregaglio S, et al. Modelling the impacts of pests and diseases on agricultural systems [J]. Agricultural Systems, 2017, 155: 213－224.

[31] Jones J W, Antle J M, Basso B, et al. Brief history of agricultural systems modeling [J]. Agricultural Systems, 2017, 155:240－254.

[32] Rosenzweig C, Jones J W, Hatfield J L, et al. The agricultural model intercomparison and improvement project (AgMIP): Protocols and pilot studies[J]. Agricultural & Forest Meteorology, 2013, 170(3): 166－182.

[33] 劉布春，王石立，馬玉平. 國(guó)外作物生長(zhǎng)模型區(qū)域應(yīng)用中升尺度問題的研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2003，11(4)：89－91. Liu Buchun, Wang Shili, Ma Yuping. A study of abroad challenges of scaling-up of crop models for regional applications[J]. Chinese Journal of Eco-Agriculture, 2003, 11(4): 89－91. (in Chinese with English abstract)

[34] 熊偉，林而達(dá). CERES-Maize區(qū)域應(yīng)用效果分析[J]. 中國(guó)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 Agrometeorogy, 2009, 30(1): 3－7. (in Chinese with English abstract)

[35] 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.

[36] Bandaru V, Pei Y, Hart Q, et al. Impact of biases in gridded weather datasets on biomass estimates of short rotation woody cropping systems [J]. Agricultural and Forest Meteorology, 2017, 233: 71－79.

[37] 何亮，侯英雨，于強(qiáng)，等. 不同空間分辨率驅(qū)動(dòng)數(shù)據(jù)對(duì)作物模型區(qū)域模擬影響研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(2)：241－251. He Liang, Hou Yingyu, Yu Qiang, et al. Infuence of different resolutions data on regional simulation of crop model [J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 241－251. (in Chinese with English abstract)

[38] Elliott J, Kelly D, Chryssanthacopoulos J, et al. The parallel system for integrating impact models and sectors (pSIMS) [J]. Environmental Modelling & Software, 2014, 62: 509－516.

[39] Antle J M, Basso B, Conant R T, et al. Towards a new generation of agricultural system data, models and knowledge products: Design and improvement[J]. Agricultural Systems, 2017, 155: 255－268.

[40] Capalbo S M, Antle J M, Seavert C. Next generation data systems and knowledge products to support agricultural producers and science-based policy decision making[J]. Agricultural Systems, 2017, 155: 191－199.

Establishment and application of crop growth simulating and monitoring system in China

Hou Yingyu1, He Liang1※, Jin Ning2, Zheng Changling1, Liu Wei1, Zhang Lei1

(1.100081,; 2.712100,)

Agro-meteorological services can provide a strong guarantee for agricultural disaster prevention and reduction, national food security and sustainable development of agriculture. In this paper, we systematically described a Crop Growth Simulating and Monitoring System in China (CGMS-China). The system was established based on 4 crop models, i.e. WOFOST, Oryza2000, WheatSM, ChinaAgrosys. The CGMS-China could be applied to national agro-meteorological services. The CGMS-China includes database layer, model layer and application layer. In the model layer, 4 crop models were integrated by application program interface. They were driven by daily-scale data. The WOFOST model was for winter wheat and maize simulation, the WheatSM was for winter wheat simulation, Oryza2000 was for rice simulation and ChinaAgrosys was for remote sensing data assimilation. The data assimilation method included SCE-UA, particle swarm optimization, and so on. The CGMS-China was used for crop growth monitoring, agro-meteorological disaster assessment and crop yield forecast. The crop growth monitoring was based on leaf are index, aboveground biomass and dry weight of storage organs. The agro-meteorological disaster was estimated based on yield reducing rate. The yield could be predicted by relative yield prediction method based on aboveground biomass or yield in the CGMS-China system. The output of CGMS-China for crop growth monitoring could be used for comparison with those in last 5 years, last year, and normal year. The case study in Tailai, Heilongjiang and Fuxin, Liaoning showed that the CGMS-China was a reliable agro-meteorological service product with good quality for crop growth monitoring, crop yield forecast and yield loss assessments of agro-meteorological disasters. Crop growth assessment index was established using outputs of CGMS-China which included aboveground biomass, leaf area index and weight of storage organs. They were applied to real-time monitoring of wheat, maize and rice growth. The drought assessment was also conducted by the CGMS-China system. The CGMS-China performed well at yield loss assessment of spring maize caused by drought in the middle of August, 2014 and yield loss assessment of early rice caused by heat stress on the 22ndJune, 2016. The comparison of real-time monitoring and simulating could well reflect the crop growth during the drought events. The CGMS-China was used to predict winter wheat yield in 2014 in China. The average forecast relative error was 7% and the relative error in most provinces (autonomous region) was less than 10%. In the meantime, application of remote sensing assimilation with crop model was also introduced in this paper. The relative error used CGMS-China combined with remote sensing data assimilation was less than 11% in Hongtong county, Shanxi province, China. Finally, we discussed the future directions of application of crop model in agro-meteorological services. In sum, the CGMS-China can provide services well in crop growth development simulation, meteorological disaster monitoring and yield prediction.

models; meteorology; remote sensing; crop growth monitoring; agro-meteorological disaster; yield prediction; assimilation

10.11975/j.issn.1002-6819.2018.21.020

S512.1;S127

A

1002-6819(2018)-21-0165-11

2018-05-08

2018-08-10

國(guó)家自然科學(xué)基金項(xiàng)目（41705095）；公益性行業(yè)（氣象）科研專項(xiàng)（GYHY201506001）資助

侯英雨，正研級(jí)高工，主要從事農(nóng)業(yè)氣象科研與業(yè)務(wù)。 Email：yyhou@cma.gov.cn

何 亮，博士，主要從事作物模型、農(nóng)業(yè)氣象和全球變化研究。Email：heliang_hello@163.com

侯英雨，何 亮，靳 寧，鄭昌玲，劉 維，張 蕾. 中國(guó)作物生長(zhǎng)模擬監(jiān)測(cè)系統(tǒng)構(gòu)建及應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(21)：165－175. doi：10.11975/j.issn.1002-6819.2018.21.020 http://www.tcsae.org

Hou Yingyu, He Liang, Jin Ning, Zheng Changling, Liu Wei, Zhang Lei. Establishment and application of crop growth simulating and monitoring system in China [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 165－175. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.21.020 http://www.tcsae.org