張 蕾 侯英雨 鄭昌玲 劉 維 何 亮 郭安紅 程 路

(國家氣象中心， 北京 100081)

引 言

作物長勢包括作物生長狀況與變化趨勢，可用個體與群體特征描述。個體特征是作物自身組成與結(jié)構(gòu)特性參數(shù)，描述作物個體特征，包括根的長度與數(shù)量、株高、葉片數(shù)量與形狀、葉片葉綠素含量、葉片氮素含量、穗籽粒數(shù)與千粒重等[1-2]。群體特征主要是指作物生長態(tài)勢在一定空間范圍內(nèi)的整體分布情況，描述作物群體特征參數(shù)，包括群體分布結(jié)構(gòu)、密度、葉面積指數(shù)等。不同品種作物在不同地區(qū)和生長期有不同的個體特征和群體特征?？焖佾@取作物個體及群體特征，了解并掌握作物的生長狀況，可以為農(nóng)業(yè)生產(chǎn)精準(zhǔn)管理與產(chǎn)量預(yù)測提供支撐。

通常有兩種途徑來反映作物長勢:一是常規(guī)地面觀測，以定點定期觀測為主，如中國氣象局在全國主要農(nóng)區(qū)設(shè)置了約653個農(nóng)業(yè)氣象觀測站，定期觀測小麥、玉米、水稻等大宗作物發(fā)育期、生長狀況、生長量、產(chǎn)量結(jié)構(gòu)、根分布、作物生理參數(shù)、冠層光譜特性等，并實時上傳觀測數(shù)據(jù)，以實時苗情、發(fā)育期進(jìn)度與常年對比等形式開展全國范圍內(nèi)的農(nóng)作物長勢監(jiān)測評估[3];二是衛(wèi)星遙感監(jiān)測，主要利用衛(wèi)星遙感反演的農(nóng)作物參數(shù)，如歸一化植被指數(shù)(normal difference vegetation index，NDVI)或葉面積指數(shù)(leaf area index，LAI)，實現(xiàn)作物生長狀況、產(chǎn)量及動態(tài)變化大范圍宏觀、快速監(jiān)測，可分為作物生長過程和空間分布狀況監(jiān)測[4-5]。生長過程監(jiān)測分析是基于NDVI時間序列生成作物生長過程曲線，通過比較當(dāng)年與常年或上年曲線間的差異，得出當(dāng)年作物長勢等級[6-7]；空間分布監(jiān)測是將當(dāng)年的NDVI與往年的NDVI進(jìn)行對比，反映作物長勢狀況空間分布變化情況。目前，上述兩種途徑均已應(yīng)用到國家級和省級相關(guān)農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)中[8-9]。然而，地面觀測受限于人工觀測手段帶來的誤差，時間和空間精度較低；遙感手段依賴產(chǎn)品本身算法及反演手段，產(chǎn)品質(zhì)量常受到天氣條件影響，而且監(jiān)測缺乏足夠的地面校準(zhǔn)。因而，這兩種手段在滿足業(yè)務(wù)服務(wù)的需求上仍有欠缺。

作物模型作為農(nóng)業(yè)氣象服務(wù)中的一種技術(shù)手段，從系統(tǒng)科學(xué)的觀點出發(fā)，以氣象、土壤等條件為環(huán)境驅(qū)動變量，動態(tài)模擬農(nóng)作物生長發(fā)育及產(chǎn)量形成過程[10-11]。由于作物模型具有機(jī)理性、解釋性、動態(tài)性和綜合性強的特點，可以逐日輸出與作物生長相關(guān)的要素，滿足業(yè)務(wù)服務(wù)的時效性需求。目前，作物模型已經(jīng)成為國際上開展農(nóng)業(yè)決策服務(wù)的重要支撐工具，歐洲聯(lián)合研究中心、美國國際開發(fā)署等國際機(jī)構(gòu)利用作物模型開展作物長勢監(jiān)測、產(chǎn)量預(yù)報等服務(wù)[12]。在國內(nèi)，不少學(xué)者利用作物模型開展本地化校驗、修正、改進(jìn)與應(yīng)用[10,13-18]，但多側(cè)重于理論研究，尚未將其應(yīng)用到農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)中。近年來，作為國家級農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)單位，國家氣象中心將作物模型引入并應(yīng)用到服務(wù)工作中，開發(fā)了基于WOFOST，ORYZA2000，WheatSM和ChinaAgrosys等作物模型的中國作物生長模擬監(jiān)測系統(tǒng)(Crop Growth Simulating and Monitoring System in China，CGMS-China)[19]，開展了作物長勢監(jiān)測、農(nóng)業(yè)氣象災(zāi)害影響評估和作物產(chǎn)量預(yù)報等服務(wù)。

本文以冬小麥、玉米和水稻三大主要作物為主要研究對象，基于WOFOST和ORYZA2000逐日模擬輸出結(jié)果，通過隸屬度構(gòu)建綜合評估指數(shù)，開展作物長勢評估與應(yīng)用服務(wù)，以期為農(nóng)業(yè)氣象日常業(yè)務(wù)服務(wù)提供作物長勢監(jiān)測評估的決策支持。

1 模型與方法

1.1 作物模型簡介

本文利用WOFOST[20]模型開展冬小麥和玉米(春玉米、夏玉米)、ORYZA2000模型[21]開展水稻(雙季早稻、雙季晚稻、一季稻)的生長發(fā)育過程模擬。作物模型根據(jù)作物品種特性參數(shù)、環(huán)境和土壤條件，以日為時間步長，模擬作物從播種到成熟的生長過程，主要包括CO2同化、干物質(zhì)分配和水分平衡等動態(tài)過程[22-24]。作物模型一般將發(fā)育期分成不同的階段，采用無量綱模擬發(fā)育進(jìn)程(the development stage，DVS),WOFOST模型在冬小麥和玉米發(fā)育階段模擬時將發(fā)育期劃分為出苗(發(fā)育進(jìn)程為0)、開花(發(fā)育進(jìn)程為1)、成熟(發(fā)育進(jìn)程為2)，ORYZA2000模型將水稻發(fā)育階段劃分為出苗(發(fā)育進(jìn)程為0)、幼穗分化(發(fā)育進(jìn)程為0.65)、開花(發(fā)育進(jìn)程為1)和成熟(發(fā)育進(jìn)程為2)。當(dāng)有效溫度累積值達(dá)到某一發(fā)育階段所需的積溫時，即認(rèn)為作物完成某發(fā)育階段的生長。根據(jù)全國農(nóng)業(yè)氣象試驗站逐年的冬小麥、玉米、水稻發(fā)育期、產(chǎn)量結(jié)構(gòu)要素等觀測，目前已完成WOFOST模型在冬小麥和玉米主產(chǎn)區(qū)、ORYZA2000模型在水稻主產(chǎn)區(qū)的參數(shù)本地化和適應(yīng)性評估，實現(xiàn)了氣象、土壤、作物參數(shù)多源數(shù)據(jù)層的組織管理與模型區(qū)域化模擬分析應(yīng)用[19]，并分別利用實時觀測的土壤濕度同化WOFOST模型的土壤水分模擬[25]，引入高溫敗育模型[26]改進(jìn)ORYZA2000模型高溫影響，顯著提高了模型模擬效果。

1.2 作物長勢評估指標(biāo)確定

在作物不同生長階段，長勢通常以不同的表征指數(shù)評價。在作物生長前期，即營養(yǎng)生長階段，氣象條件對作物生長的影響主要體現(xiàn)在植株高度、生長速率等方面，發(fā)育進(jìn)程和葉面積指數(shù)可以反映植被的各種生物物理過程，如光合作用、呼吸作用、植被蒸騰和降雨截留等[27]；隨著作物進(jìn)入生殖生長階段，生理機(jī)能增強，開花、籽粒灌漿并逐漸形成產(chǎn)量，發(fā)育進(jìn)程、地上總生物量可以反映作物生長發(fā)育狀況?；?001—2018年全國冬小麥、玉米、水稻主產(chǎn)區(qū)的氣象站點和10 km×10 km格點的逐日模擬數(shù)據(jù)集，以發(fā)育進(jìn)程、葉面積指數(shù)和地上總生物量為表征指數(shù)，構(gòu)建單要素隸屬度和綜合隸屬度來表征作物長勢。具體算運以日為時間步長，將全國冬小麥、水稻、玉米主產(chǎn)區(qū)的站點2001年至評價年評價日的發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量模擬值為該評價日的樣本數(shù)據(jù)集，運用模糊隸屬函數(shù)法[28]進(jìn)行分級評價，其中，評價要素隸屬值為

(1)

(2)

(3)

式(1)～(3)中，Di，Li，Ti分別為站點i評價日發(fā)育進(jìn)程、葉面積指數(shù)和地上總生物量，μ(Di)，μ(Li)，μ(Ti)分別對應(yīng)其隸屬函數(shù)值，max(Di)，min(Di)，max(Li)，min(Li)，max(Ti)，min(Ti)分別為2001年至評價當(dāng)年評價日發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量的最大值、最小值。一般情況下，發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量大，即表示作物長勢偏好，反之則偏差。

對發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量單要素分析的基礎(chǔ)上，對其進(jìn)行集成，得到第i站點的長勢綜合評價指數(shù)：

Hi=wD×μ(Di)+wL×μ(Li)+wT×μ(Ti)。

(4)

式(4)中，wD，wL，wT分別為發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量隸屬函數(shù)值的權(quán)重系數(shù)。這里分為兩個階段開展權(quán)重系數(shù)的評價：在作物生育前期作物沒有穗重時，根據(jù)發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量對長勢的可決性，采取專家打分法分別給予權(quán)重系數(shù)0.3，0.3，0.4；隨著作物生長發(fā)育，葉面積指數(shù)逐漸降低，籽粒開始充實、穗重逐漸形成，葉面積指數(shù)不能較好地表征作物長勢，因而考慮發(fā)育進(jìn)程和地上總生物量集成綜合評估指數(shù)，權(quán)重通過2個要素隸屬函數(shù)值與穗重的相關(guān)系數(shù)構(gòu)建權(quán)重系數(shù)：

(5)

式(5)中，k取值為1和2，分別為發(fā)育進(jìn)程和地上總生物量，rk為要素隸屬函數(shù)值與穗重的相關(guān)系數(shù)。

以定量評價指數(shù)開展定性評級時，基于單要素和綜合隸屬度，依據(jù)隸屬度區(qū)間[0，20]、(20、40]、(40、60]、(60、80]、(80、100]分別對應(yīng)長勢差、長勢偏差、長勢持平、長勢偏好和長勢好，與國家級農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)中作物遙感長勢監(jiān)測評價分級相一致[29]。

1.3 作物長勢評估指數(shù)應(yīng)用

在作物長勢監(jiān)測評估業(yè)務(wù)服務(wù)中，根據(jù)不同的服務(wù)需求，從不同的空間尺度上依據(jù)作物長勢評估指數(shù)開展長勢評價。全國尺度上，分析長勢評估指數(shù)的空間分布得到作物長勢在空間上的差異，通過分析長勢評估指數(shù)的變化，評估氣象條件對作物長勢的影響；省級尺度上，對各省內(nèi)站點的模擬要素隸屬函數(shù)值通過空間集合平均的方式得到省級隸屬函數(shù)值，確定評估指數(shù)，開展省級作物長勢評價。

2 結(jié)果與分析

2.1 作物長勢評估指標(biāo)庫構(gòu)建

基于發(fā)育進(jìn)程、葉面積指數(shù)和地上總生物量隸屬函數(shù)和綜合評估指數(shù)及其評價等級劃分方法，構(gòu)建了2001年以來冬小麥、春玉米、夏玉米、雙季早稻、雙季晚稻和一季稻長勢評估指標(biāo)庫。在作物主要生長季(冬小麥為上年11月—當(dāng)年5月，春玉米為5—9月，夏玉米為6—9月，早稻為4—7月，一季稻為5—9月，雙季晚稻為8—10月)內(nèi)任意監(jiān)測日期，通過指標(biāo)篩選、隸屬函數(shù)值構(gòu)建、要素權(quán)重系數(shù)判定等流程確定評估指數(shù)，建立作物長勢評估指標(biāo)庫，并隨著序列增長，實時動態(tài)更新，在實時監(jiān)測日期、歷史時段內(nèi)開展站點、格點、省級等尺度作物長勢評估。

2.2 作物長勢評估指數(shù)與驗證

2.2.1 與常規(guī)地面監(jiān)測和遙感監(jiān)測的對比

利用作物長勢評估指數(shù)與常規(guī)地面觀測和遙感長勢反演進(jìn)行比對驗證。常規(guī)地面觀測中，通過人工觀測的作物發(fā)育程度可以掌握作物生長狀況。2018年5月30日黑龍江南部、吉林大部、遼寧西部、河北北部、山西中部、陜西北部、四川盆地北部和東部等地春玉米長勢較差，而黑龍江東部和北部、山西北部、寧夏、甘肅東北部、四川盆地中部和南部長勢較好(圖1a)。與人工觀測的發(fā)育期距平的對比(圖1b)表明：在評估指數(shù)顯示長勢偏差的地區(qū)春玉米發(fā)育日期普遍偏晚，而在長勢正?；蚱玫牡貐^(qū)普遍接近常年同期或偏早?？梢?，作物生長前期發(fā)育進(jìn)程可以較好反映作物長勢。

遙感長勢監(jiān)測是基于MODIS的NDVI差值，將作物長勢分為5級[29]，彌補常規(guī)地面觀測空間尺度的不足。2018年3月20日北方冬麥區(qū)大部冬小麥處于越冬后的返青起身生長階段，長勢綜合評估指數(shù)結(jié)果(圖2a)顯示：河北中部、陜西中部、河南北部、山東中部和南部、安徽西北部和江蘇東北部等地冬小麥長勢差或偏差，其余地區(qū)長勢持平，其中長勢好、偏好、持平、偏差、差的面積比例分別為3.9%，4.5%，65.7%，24.6%，1.3%； 3月中旬遙感長勢監(jiān)測結(jié)果(圖2b)表明：河北中部、陜西中部、河南北部、山東中北部等地冬小麥長勢略偏差，其余大部長勢為正常，偏好、略偏好、持平、略偏差、偏差的面積比例分別為0.1%，2.7%，74.6%，22.3%，1.3%?？傮w上，長勢評估指數(shù)反映的冬小麥長勢與遙感長勢監(jiān)測的結(jié)果較為一致。

2.2.2 作物長勢與天氣氣候條件對應(yīng)關(guān)系的驗證

作物模型對氣象條件較為敏感，通過作物模型長勢評估指數(shù)對天氣氣候條件的反映可以有效比對驗證該指數(shù)的可行性,以2018年7月—8月中旬遼寧中北部主要農(nóng)區(qū)發(fā)生輕至中度、局部重度干旱事件為例。2018年7月下旬—8月上旬遼寧康平的干旱日數(shù)為16 d，干旱強度(作物水分虧缺距平指數(shù))為2.5，干旱日數(shù)和強度為近5年最高值(圖3a)，期間又出現(xiàn)6～10 d的高溫天氣，實際地塊調(diào)研發(fā)現(xiàn)，高溫干旱導(dǎo)致春玉米拔節(jié)不充分，植株矮化明顯，葉片出現(xiàn)卷葉，下部葉片變黃、枯死，長勢明顯偏差。該階段康平春玉米的綜合評估指數(shù)(圖3b)表明：長勢持續(xù)偏差(評估指數(shù)為0.45～0.52)，明顯低于長勢較好的2014年(0.71～0.77)和2016年(0.69～0.75)。

2018年4月—5月中旬，東北地區(qū)西部、內(nèi)蒙古東部等地階段性春旱導(dǎo)致春玉米春播受阻，已播春玉米長勢偏弱。由吉林和遼寧省10 cm土壤站點缺墑百分比(圖4a)可以看到，5月25日前降水量少、缺墑?wù)军c百分比為40%～60%，而25—30日出現(xiàn)了明顯降水過程，缺墑?wù)军c比例明顯下降,受干旱影響，省級尺度的春玉米長勢綜合評估指數(shù)持續(xù)下降(圖4b)，在降雨之后有所增大，且遼寧的指數(shù)普遍比吉林高，這主要因為遼寧比吉林降水多、土壤缺墑?wù)军c百分比少(5月11—25日遼寧、吉林平均降水量分別為1.46 mm，1.37 mm，土壤缺墑?wù)军c百分比分別為50.5%和52.6%)?？梢?，省級尺度的長勢指數(shù)可以較好地反映天氣條件對作物長勢的影響。

圖1 2018年5月30日春玉米長勢評估(a)、田間常規(guī)觀測的春玉米發(fā)育期距平(b)Fig.1 Growth assessment for spring maize on 30 May 2018(a) and anomaly of observed phenology at agro-meteorological experiment stations(b)

圖3 1981—2018年7月21日—8月10日遼寧康平干旱日數(shù)與春玉米干旱強度(a)、2014—2018年7月21日—8月10日遼寧康平春玉米長勢評估(b)Fig.3 Drought days with intensity from 21 Jul to 10 Aug during 1981-2018(a) and growth assessment for spring maize from 21 Jul to 10 Aug during 2014-2018(b) at Kangping in Liaoning

圖4 2018年5月11—30日吉林和遼寧省10 cm土壤缺墑?wù)军c百分比與降水量(a)、春玉米長勢評估指數(shù)(b)Fig.4 The percentage of station in soil water deficit at 10 cm depth and surface precipitation(a) and growth assessment for spring maize(b), in Jilin and Liaoning during 11-30 May 2018

2.3 作物長勢實時監(jiān)測評估

基于作物長勢評估指標(biāo)庫，在國家級業(yè)務(wù)服務(wù)過程中可以開展任意日期冬小麥、玉米和水稻生長長勢評價。以2018年6月30日為例，一季稻處在分蘗期，長勢綜合評估指數(shù)采用專家打分法厘定的權(quán)重系數(shù)集成發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量(圖5a)，結(jié)果顯示：湖北中西部、四川盆地、貴州北部、云南中北部一季稻長勢偏好或好，黑龍江東部、遼寧東部、江蘇、安徽、湖北東部、浙江和福建等地偏差或差，其余地區(qū)正常。此時，江南、華南雙季早稻處于抽穗灌漿至乳熟階段，長勢綜合評估指數(shù)以發(fā)育進(jìn)程和地上總生物量與穗重的相關(guān)系數(shù)加權(quán)集成，其中地上總生物量的權(quán)重系數(shù)一般超過0.4，指數(shù)結(jié)果(圖5b)顯示，浙江中部、江西中北部、湖南東部、廣西東北部長勢持平，其余大部地區(qū)較好。

由于冬小麥、玉米、水稻覆蓋范圍廣，不同地區(qū)作物發(fā)育期存在一定差異，綜合評估指數(shù)的建立與發(fā)育期狀況有關(guān)。以2019年3月15日冬小麥長勢評估為例，西北、華北、黃淮地區(qū)冬小麥處于越冬后返青生長階段，江淮、江漢地區(qū)處于拔節(jié)期，西南地區(qū)處于抽穗開花至乳熟階段。西南、江淮、江漢地上總生物量權(quán)重系數(shù)較高(圖6a)，表明有穗重形成，綜合評估指數(shù)以發(fā)育進(jìn)程和地上總生物量加權(quán)集成而得，且發(fā)育期越往后的站點總生物量所占的權(quán)重越大；而西北、華北、黃淮冬小麥尚未有穗重形成，綜合評估指數(shù)仍以專家打分法厘定的權(quán)重系數(shù)集成發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量得到。因此，不同集成方式得到的綜合評估指數(shù)結(jié)果(圖6b)表明：新疆、華北東部、江淮南部、四川盆地長勢偏好或好，河南中部、陜西中部、云南、貴州南部偏差或差，其余地區(qū)持平。

圖5 2018年6月30日一季稻(a)、雙季早稻(b)長勢評估Fig.5 Growth assessment for single-season rice(a) and double-season early rice(b) on 30 Jun 2018

圖6 2019年3月15日冬小麥地上總生物量權(quán)重系數(shù)(a)和長勢評估(b)Fig.6 Weight of total aboveground production(a) and growth assessment(b) for winter wheat on 15 Mar 2019

2.4 作物長勢評估應(yīng)用

應(yīng)用長勢評估指數(shù)可以評估天氣氣候條件對作物長勢的影響，尤其是典型災(zāi)害年份、災(zāi)害過程的定量評估。2018年7月下旬—8月上旬，長江中下游地區(qū)出現(xiàn)高溫天氣，安徽、江蘇、湖北、湖南、江西5省高溫日數(shù)普遍有10～16 d，影響一季稻灌漿結(jié)實；8月5日一季稻長勢綜合評估指數(shù)(圖7a)反映出安徽中部、江蘇西南部、浙江西部和北部、福建中北部等地長勢偏差。而2013年7月上旬—8月中旬，長江中下游地區(qū)大部出現(xiàn)持續(xù)晴熱高溫少雨天氣，高溫伏旱范圍大、持續(xù)時間長，一季稻結(jié)實率和籽粒重低(圖7b)，長江中下游地區(qū)的一季稻長勢明顯偏差。

圖7 2018年8月5日(a)和2013年8月5日(b)一季稻長勢評估Fig.7 Growth assessment for single-season rice on 5 Aug 2018(a) and 5 Aug 2013(b)

在空間區(qū)域長勢評估的基礎(chǔ)上，可集成省級尺度指數(shù)開展作物長勢評估。2018年5月31日春玉米省級尺度長勢評估(圖8)顯示,發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量單因子和綜合評估指數(shù)均顯示甘肅和寧夏春玉米長勢最好，其次是遼寧、山西、內(nèi)蒙古、河北、重慶、四川、黑龍江、北京、吉林，陜西、廣西和新疆偏差；就單因子而言，發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量在各個省的評價程度總體變化幅度較小，四川、重慶和廣西發(fā)育進(jìn)程體現(xiàn)的作物長勢明顯高于葉面積指數(shù)和地上總生物量，與這三省春玉米長勢偏快一致。

圖8 2018年5月31日省級尺度春玉米長勢評估Fig.8 Growth assessment for spring maize in provinces on 31 May 2018

3 結(jié)論與討論

考慮到常規(guī)地面觀測和衛(wèi)星遙感監(jiān)測作物長勢準(zhǔn)確性方面的不足，本文基于作物模型逐日模擬結(jié)果，構(gòu)建長勢評估指數(shù)，開展冬小麥、玉米(春玉米、夏玉米)、水稻(一季稻、雙季早稻、雙季晚稻)長勢評估。得到以下主要結(jié)論：

1) WOFOST，ORYZA2000模型逐日輸出的發(fā)育進(jìn)程、葉面積指數(shù)和地上總生物量可較好地反映冬小麥、玉米、水稻長勢。穗重未形成前，以發(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量隸屬函數(shù)值與0.3，0.3，0.4的權(quán)重系數(shù)集成構(gòu)建綜合評估指數(shù)；穗重形成后，以發(fā)育進(jìn)程、地上總生物量隸屬函數(shù)值與其與穗重的相關(guān)作為權(quán)重系數(shù)集成構(gòu)建綜合評估指數(shù)，并構(gòu)建了作物長勢評估指標(biāo)庫。

2) 作物長勢綜合評估指數(shù)與常規(guī)地面觀測、遙感長勢監(jiān)測一致性較好，并能反映天氣氣候條件對作物長勢的影響。

3) 在冬小麥、玉米、水稻生長季內(nèi)，開展任意時間多空間尺度作物長勢評估，既可實時監(jiān)測評估，又可與歷史情況開展對比分析。

作物模型對作物生長發(fā)育過程的機(jī)理性有較強的描述能力，且時效性高，在作物長勢評估中具備一定的優(yōu)勢?；诎l(fā)育進(jìn)程、葉面積指數(shù)、地上總生物量構(gòu)建的長勢評估指標(biāo)建立數(shù)據(jù)庫并應(yīng)用到國家級業(yè)務(wù)平臺，能夠快速有效地開展作物長勢評估，從時間和空間尺度上均能滿足農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)的精細(xì)化、定量化的需求。當(dāng)然，作物模型模擬是計算機(jī)數(shù)學(xué)模擬的過程，本身存在一定的不確定性，有待借助精細(xì)化、針對性試驗資料的積累和完善，通過作物模型參數(shù)厘定、算法模塊改進(jìn)等過程，優(yōu)化作物模型在我國主要作物產(chǎn)區(qū)的應(yīng)用。在災(zāi)害天氣評估中，除了利用農(nóng)業(yè)氣象災(zāi)害指數(shù)[30-31]開展評估外，基于作物模型的長勢指標(biāo)也能反映出高溫、干旱、低溫等典型災(zāi)害性天氣的影響。然而，作物模型對風(fēng)雹、短時強降水等災(zāi)害性天氣和病蟲害的反映不敏感，在評估分析和應(yīng)用上存在不足。作物長勢的評估從定性到定量、不同評價方式和指標(biāo)之間都存在一定差異，因而需要進(jìn)一步加強標(biāo)準(zhǔn)化、規(guī)范化的長勢監(jiān)測，以更好地開展定量化、指標(biāo)化的長勢評估，為農(nóng)業(yè)氣象科研和業(yè)務(wù)服務(wù)提供支撐。