欒 青，郭建平，馬雅麗，張麗敏，王婧瑄

玉米葉面積指數(shù)估算通用模型*

欒 青1,2，郭建平2,3**，馬雅麗1，張麗敏2,4，王婧瑄2

（1．山西省氣候中心，太原 030006；2．中國(guó)氣象科學(xué)研究院，北京 100081；3．南京信息工程大學(xué)氣象災(zāi)害預(yù)警預(yù)報(bào)與評(píng)估協(xié)同創(chuàng)新中心，南京 210044；4．葫蘆島市氣象局，葫蘆島 125000）

基于2018年黑龍江哈爾濱、吉林榆樹(shù)、遼寧錦州、新疆烏蘭烏蘇、甘肅西峰、河北固城6個(gè)農(nóng)業(yè)氣象試驗(yàn)站不同屬性品種玉米的分期播種試驗(yàn)資料，以當(dāng)?shù)爻Ｄ甏筇飳?shí)際播種期為界，提前10d播種為第1播期，正常播種為第2播期，比正常晚10d播種為第3播期，晚20d為第4播期，以第1播期、第3播期和第4播期實(shí)測(cè)值計(jì)算的有效積溫相對(duì)值為自變量，采用修正的Logistic方程，構(gòu)建了通用的玉米葉面積指數(shù)估算模型，進(jìn)一步利用有效積溫相對(duì)值對(duì)模型在三葉期和七葉期的殘差進(jìn)行訂正，并用2018年6個(gè)農(nóng)業(yè)氣象試驗(yàn)站及2019年吉林榆樹(shù)、甘肅西峰和山東泰安3個(gè)農(nóng)業(yè)氣象試驗(yàn)站，8個(gè)不同品種玉米的分期播種試驗(yàn)資料對(duì)模型進(jìn)行檢驗(yàn)。結(jié)果顯示：以多屬性品種玉米有效積溫相對(duì)值為自變量的RLAI擬合曲線完全符合修正的Logistic方程變化規(guī)律，模型擬合優(yōu)度（R2）達(dá)到0.93，通過(guò)了0.01水平的顯著性檢驗(yàn)，具有較高的精度。玉米全生育期不同品種模擬RLAI與實(shí)測(cè)計(jì)算RLAI的相關(guān)性較高，通過(guò)了0.01水平的顯著性檢驗(yàn)，相關(guān)系數(shù)均超過(guò)0.9，平均相對(duì)誤差介于13.8%～27.6%。不同生育期模擬RLAI與實(shí)測(cè)計(jì)算RLAI的平均相對(duì)誤差介于9.4%～30.7%，七葉期最高，乳熟期最低。說(shuō)明以不同屬性玉米品種、土壤性質(zhì)、管理措施、種植密度下的試驗(yàn)資料為基礎(chǔ)構(gòu)建的LAI估算模型，較以往基于單站、單品種、單播期或單站多品種LAI估算模型更具普適性，適用于大多數(shù)屬性品種玉米的LAI模擬。

玉米；葉面積指數(shù)；Logistic曲線擬合；估算模型

葉面積指數(shù)（Leaf area index，LAI）是指單位土地面積上所有葉片表面積總和的一半[1]，與作物的蒸騰、光合和呼吸作用，碳和水循環(huán)等過(guò)程密切相關(guān)[2]，是描述作物生長(zhǎng)態(tài)勢(shì)群體特征的參數(shù)之一[3]。相關(guān)研究表明，葉面積的大小及其分布，直接影響植物對(duì)光能的截獲及利用，進(jìn)而影響植物生產(chǎn)力，對(duì)群落的光分布、光能利用和產(chǎn)量有顯著影響，與作物品質(zhì)、產(chǎn)量及森林凋落物產(chǎn)量等也具有顯著的相關(guān)性[4?5]，是作物估產(chǎn)的重要指標(biāo)之一[6]。玉米作為中國(guó)第一大糧食作物，在保障國(guó)家糧食安全方面具有舉足輕重的作用，因此，研究玉米葉面積指數(shù)的動(dòng)態(tài)變化，準(zhǔn)確模擬不同時(shí)期玉米LAI，對(duì)進(jìn)一步預(yù)測(cè)玉米產(chǎn)量等具有重要的應(yīng)用價(jià)值。

玉米LAI的動(dòng)態(tài)變化通常經(jīng)歷苗期的緩慢增長(zhǎng)、拔節(jié)?抽雄期的快速增長(zhǎng)、抽雄?乳熟前期的相對(duì)穩(wěn)定以及乳熟?成熟期的緩慢下降4個(gè)階段[7?8]。國(guó)內(nèi)外很多學(xué)者在玉米葉面積生長(zhǎng)規(guī)律及葉面積指數(shù)動(dòng)態(tài)模型等方面開(kāi)展了大量研究，目前LAI估算模型大致分為有理方程模型[9]、二次多項(xiàng)式模型[10]、Logistic模型[11]、雙邏輯斯蒂模型（Double-logistic）[12]、修正的Logistic模型[13]以及遙感反演模型[14?17]等。修正的Logistic模型是王信理在經(jīng)典Logistic模型的冪指數(shù)函數(shù)上增加了二次項(xiàng)而得出的，通過(guò)修訂可較為準(zhǔn)確地模擬上述玉米生長(zhǎng)的4個(gè)階段；王玲等[8]建立了不同品種、不同播期及密度的夏玉米LAI動(dòng)態(tài)變化的Logistic模型；李向玲等[18]針對(duì)不同品種和播期的玉米分別構(gòu)建了多個(gè)LAI估算模型，其分析結(jié)果認(rèn)為有理方程精確度最高；孔德胤等[19]基于2012年在巴彥淖爾市農(nóng)業(yè)氣象試驗(yàn)站開(kāi)展的科禾8號(hào)玉米分期播種試驗(yàn)資料建立了河套地區(qū)玉米LAI估算模型；張賓等[9]建立了不同品種、不同播期的玉米、小麥、水稻LAI隨生育天數(shù)的動(dòng)態(tài)估算模型。雖然已構(gòu)建了大量的玉米LAI模擬模型，但這些模型大都針對(duì)特定的單一品種，因此，在實(shí)際使用過(guò)程中具有較大的局限性。麻雪艷等[20?21]利用單點(diǎn)、多年、不同品種的觀測(cè)資料分別構(gòu)建了春玉米和夏玉米LAI估算模型，雖較單一品種的模型更具普適性，但由于是單點(diǎn)觀測(cè)數(shù)據(jù)，其土壤類型、土壤肥力、耕作方式等均一致，且品種屬型并沒(méi)發(fā)生變化，因此模型仍存在一定的局限性。

本研究根據(jù)中國(guó)北方6個(gè)農(nóng)業(yè)氣象試驗(yàn)站（東北、華北、西北玉米主產(chǎn)區(qū)）、不同屬型品種（春玉米、夏玉米）和不同播期（每站4個(gè)播期）的試驗(yàn)資料，通過(guò)分析各玉米屬性品種葉面積指數(shù)的變化規(guī)律及其積溫動(dòng)態(tài)，建立具有普遍適用的LAI估算模型，為快速、動(dòng)態(tài)掌握玉米LAI變化規(guī)律和生長(zhǎng)狀況，進(jìn)而為預(yù)測(cè)玉米產(chǎn)量等提供理論依據(jù)和實(shí)用方法。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2018年在黑龍江哈爾濱、吉林榆樹(shù)、遼寧錦州、新疆烏蘭烏蘇、甘肅西峰、河北固城6個(gè)農(nóng)業(yè)氣象試驗(yàn)站，2019年在吉林榆樹(shù)、甘肅西峰、山東泰安3個(gè)農(nóng)業(yè)氣象試驗(yàn)站進(jìn)行，其中固城站和泰安站栽種夏玉米，其余站栽種春玉米。試驗(yàn)田平整，周圍無(wú)明顯遮擋，土壤質(zhì)地、土壤肥力、耕作方式、栽種玉米品種均與當(dāng)?shù)剞r(nóng)田及常年?duì)顩r保持一致。試驗(yàn)設(shè)置為玉米分期播種，以當(dāng)?shù)爻Ｄ甏筇飳?shí)際播種期為界，提前10d播種為第1播期（T1），正常播種為第2播期（T2），比正常晚10d播種為第3播期（T3），晚20d為第4播期（T4），前后間隔共計(jì)30d；各播期均設(shè)4次重復(fù)，種植小區(qū)面積30m2以上，小區(qū)間留0.5m保護(hù)間隔，各處理小區(qū)玉米全生育期土壤相對(duì)濕度均控制在60%以上，即保證玉米全生育期不受水分因素限制，亦不受病蟲(chóng)害影響。各站玉米分期播種試驗(yàn)匯總資料見(jiàn)表1和圖1。

1.2 數(shù)據(jù)采集

所有數(shù)據(jù)來(lái)源于各農(nóng)業(yè)氣象試驗(yàn)站同步實(shí)時(shí)觀測(cè)資料，氣象資料為玉米全生育期逐日平均氣溫（T）；玉米生育期為播種、出苗、三葉、七葉、拔節(jié)、抽雄、乳熟、成熟的普遍期；葉面積分別在三葉、七葉、拔節(jié)、抽雄、乳熟、成熟普遍期人工測(cè)定，每個(gè)小區(qū)選取平均生長(zhǎng)狀況下的3棵植株，用直尺測(cè)量每棵植株上所有綠葉的長(zhǎng)度和最大寬度，相乘計(jì)算綠葉面積，再求平均值，記錄單位為cm2·株?1，取兩位小數(shù)；玉米種植密度在七葉和乳熟期測(cè)定，每小區(qū)設(shè)定一個(gè)測(cè)點(diǎn)，按照《農(nóng)業(yè)氣象觀測(cè)規(guī)范》針對(duì)條播玉米和穴播玉米采用不同方法分別測(cè)定并計(jì)算1m內(nèi)行數(shù)和株數(shù)，相乘得到每平方米株數(shù)，記錄數(shù)據(jù)取兩位小數(shù)。

表1 各站玉米分期播種試驗(yàn)資料匯總

注：表中生育天數(shù)、有效積溫和播種密度數(shù)據(jù)為4個(gè)播期試驗(yàn)數(shù)據(jù)的平均值，有效積溫為出苗?成熟期的有效積溫。

圖1 2018年和2019年各站點(diǎn)分期播種試驗(yàn)中的玉米生育期

Fig. 1 Growth period of staged seeding with maize in each station in 2018 and 2019

注：以當(dāng)?shù)爻Ｄ甏筇飳?shí)際播種期為界，T1為提前10d播種處理，T2為正常播種，T3為比正常晚10d播種處理，T4為晚20d播種處理。下同。

Note: Based on the local actual field sowing date, T1 is 10 days earlier than normal, T2 is normal planting, T3 is 10 days later than normal, T4 is 20 days later than normal. The same as below.

1.3 研究方法

1.3.1葉面積指數(shù)（LAI）

玉米葉面積（LA）計(jì)算式為[22]

玉米葉面積指數(shù)（LAI）計(jì)算式為

針對(duì)某一品種，在種植密度一定的前提下，其最大葉面積指數(shù)（LAImax）一般為一恒定值，但不同品種的LAImax不同，為統(tǒng)一比較，需對(duì)葉面積指數(shù)進(jìn)行歸一化處理。根據(jù)玉米生長(zhǎng)規(guī)律，通常在玉米抽雄期LAI達(dá)到最大，由此對(duì)葉面積指數(shù)進(jìn)行歸一化處理，即

式中，RLAIi為第i天的玉米葉面積指數(shù)的相對(duì)值，數(shù)值范圍0～1。LAIi為第i天玉米葉面積指數(shù)，LAImax為某品種玉米生長(zhǎng)季最大葉面積指數(shù)。試驗(yàn)田玉米全生育期無(wú)干旱脅迫，因此，4個(gè)播期試驗(yàn)中抽雄期測(cè)定的LAI最大值可基本確定為當(dāng)?shù)貧夂蜻m宜條件下玉米全生育期LAI的最大值（LAImax）。

1.3.2 生育期積溫

以抽雄期為界，將玉米生育期劃分為營(yíng)養(yǎng)生長(zhǎng)階段（Vegetative stage）和生殖生長(zhǎng)階段（Reproductive stage），對(duì)應(yīng)的≥10℃有效積溫用Ae1和Ae2表示。不同品種生育期長(zhǎng)度不同，相應(yīng)的積溫值也不同，因此，對(duì)不同品種玉米生育期≥10℃有效積溫進(jìn)行標(biāo)準(zhǔn)化處理，計(jì)算式為

式中，Ti為第i天的日平均氣溫（℃），B為作物生物學(xué)零度（針對(duì)玉米，B取值為10℃），n、m分別為玉米出苗?抽雄和出苗?成熟的天數(shù)（d），Ae1為出苗?抽雄期的有效積溫（℃·d），Ae2為抽雄?成熟期的有效積溫（℃·d），maxAe1為某站（某品種）4個(gè)播期試驗(yàn)中出苗?抽雄期有效積溫的最大值（℃·d），maxAe2為抽雄?成熟期有效積溫的最大值（℃·d），RAei為玉米出苗至第i日的有效積溫相對(duì)值。處理后各站玉米出苗?抽雄期有效積溫相對(duì)值為0～1（無(wú)量綱），抽雄?成熟期有效積溫相對(duì)值為1～2（無(wú)量綱）。

1.3.3 葉面積指數(shù)普適模型

相關(guān)研究[18?19]表明，利用有效積溫可以很好地模擬玉米葉面積指數(shù)。葉面積指數(shù)相對(duì)值（RLAI）與兩個(gè)生育階段有效積溫相對(duì)值之間關(guān)系可采用修正的Logistic方程進(jìn)行擬合，方程式為

式中，k、a、b、c均為擬合參數(shù)。利用OriginPro 2016軟件中非線性曲線擬合模塊（Nonlinear Curve Fit）進(jìn)行擬合。

式中，f、g為擬合參數(shù)，RAe為出苗至出苗后某一發(fā)育期的有效積溫相對(duì)值。利用OriginPro 2016軟件中線性擬合模塊（Linear Fit）進(jìn)行擬合。經(jīng)過(guò)殘差訂正后的葉面積指數(shù)相對(duì)值擬合方程為

1.3.4 模擬效果評(píng)價(jià)

采用決定系數(shù)（R2）、Pearson相關(guān)系數(shù)（r）、平均相對(duì)誤差（MRE）和均方根誤差（RMSE）來(lái)評(píng)價(jià)所構(gòu)建模型的效果。

決定系數(shù)（R2）反映的是模擬值與測(cè)量值（假定為真實(shí)值）的符合程度，是對(duì)擬合方程優(yōu)度的度量，該統(tǒng)計(jì)量越接近于1，模型的擬合優(yōu)度越高。

Pearson相關(guān)系數(shù)（r）表征模擬值與測(cè)量值之間的相關(guān)程度，r越接近1，表征模擬值與實(shí)測(cè)值正相關(guān)程度越高，但不能表征模擬值與測(cè)量值之間的偏離程度。

均方根誤差（RMSE）反映了模擬值與實(shí)測(cè)值之間的平均近似程度，RMSE越小表明模擬值與實(shí)測(cè)值越接近。

由于均方根誤差表征模擬值與實(shí)測(cè)值之間的絕對(duì)偏離程度，受實(shí)測(cè)值量級(jí)的影響，RMSE的大小并不能真實(shí)反映數(shù)據(jù)間的相對(duì)偏離程度，所以引入相對(duì)誤差和平均相對(duì)誤差。相對(duì)誤差（RE）是絕對(duì)誤差相當(dāng)于真實(shí)測(cè)量值的百分率，所以RE的取值范圍為?1～1，計(jì)算平均相對(duì)誤差（MRE）時(shí)，為了消除正負(fù)相抵的現(xiàn)象，MRE取RE的絕對(duì)值的平均值。

2 結(jié)果與分析

2.1 玉米葉面積指數(shù)普適模型構(gòu)建

利用2018年6個(gè)農(nóng)業(yè)氣象試驗(yàn)站對(duì)6個(gè)玉米品種T1、T3和T4播期的試驗(yàn)觀測(cè)資料，以出苗至6個(gè)生育期（三葉、七葉、拔節(jié)、抽雄、乳熟、成熟）有效積溫相對(duì)值（RAe）為橫軸，相應(yīng)的實(shí)測(cè)計(jì)算葉面積指數(shù)相對(duì)值（RLAI）為縱軸，利用修正的Logistic方程進(jìn)行擬合，結(jié)果見(jiàn)圖2，相應(yīng)的模擬方程及其參數(shù)見(jiàn)表2。由圖可見(jiàn)，在品種、熟性、播種時(shí)間、地點(diǎn)差異均較大的試驗(yàn)條件下，玉米生長(zhǎng)過(guò)程中葉面積指數(shù)相對(duì)值（RLAI）隨有效積溫相對(duì)值變化過(guò)程完全符合Logistic曲線變化過(guò)程，擬合方程的決定系數(shù)（R2）達(dá)到0.93（表2），復(fù)合相關(guān)系數(shù)（R）通過(guò)了0.01水平的顯著性檢驗(yàn)。具體分析各站不同生育期的擬合情況可見(jiàn)（圖2），在玉米三葉和七葉期，各站模擬的RLAI普遍高于實(shí)測(cè)計(jì)算RLAI，存在一定的系統(tǒng)性誤差，其余生育期實(shí)測(cè)值基本分布在擬合曲線兩側(cè)。烏蘭烏蘇站的天農(nóng)9號(hào)在拔節(jié)?成熟期實(shí)測(cè)計(jì)算RLAI值大部分高于模擬RLAI，主要原因是由于烏蘭烏蘇站的天農(nóng)9號(hào)玉米種植密度較大（7.9株·m?2），實(shí)際LAI也較高，而模擬值受其它品種種植密度影響而低于實(shí)際值。按照目前各屬性玉米品種正常建議的栽種密度3000～5000株·667m?2來(lái)計(jì)算，平均種植密度為4.5～7.5株·m?2?？梢?jiàn)，本模型擬合精度較高，對(duì)于大多數(shù)屬性品種的玉米LAI模擬具有普適性，模型模擬的LAI全生育期生長(zhǎng)規(guī)律與實(shí)際玉米生長(zhǎng)規(guī)律相符。

表2 玉米葉面積指數(shù)擬合方程（基于2018年第1、3、4播期資料，6站6品種，n=99）

注：**表示相關(guān)系數(shù)通過(guò)0.01水平的顯著性檢驗(yàn)。由于錦州站和哈爾濱站在玉米成熟期以及榆樹(shù)站在玉米三葉期未測(cè)定葉面積，因此模型擬合數(shù)據(jù)總數(shù)n=99。

Note:**is P<0.01. Maize leaf area in Jinzhou and Harbin were not measured in maturity stage and Yushu in 3-leaf stage, so the number of data used for model fitting was 99.

圖2 玉米葉面積指數(shù)隨有效積溫變化的擬合曲線（基于2018年第1、3、4播期資料，6站6品種，n=99）

Fig. 2 Fitting curve of maize RLAI with the relative effective integrated temperature(RAe) (based on the test data of T1, T3 and T4 in six agro-meteorological experiment stations. n=99)

2.2 玉米葉面積指數(shù)模型普適性驗(yàn)證

2.2.1 回代檢驗(yàn)

選取模型構(gòu)建所用的2018年6個(gè)農(nóng)業(yè)氣象試驗(yàn)站第1、3、4播期，6個(gè)不同發(fā)育期實(shí)測(cè)有效積溫相對(duì)值作為自變量，根據(jù)表2模型模擬計(jì)算得到各站6個(gè)不同生育期的RLAI，與實(shí)測(cè)計(jì)算RLAI進(jìn)行對(duì)比分析，結(jié)果見(jiàn)圖3和表3。由圖可見(jiàn)，6個(gè)不同品種玉米模擬RLAI與實(shí)測(cè)值計(jì)算的RLAI保持了較高的一致性，全生育期相關(guān)系數(shù)（r）均接近或者超過(guò)0.95，榆樹(shù)的先玉335相關(guān)系數(shù)最低，為0.947，烏蘭烏蘇的天農(nóng)9號(hào)相關(guān)系數(shù)最高，為0.980；均方根誤差（RMSE）均為0.1；各品種模擬RLAI與實(shí)測(cè)計(jì)算RLAI的平均相對(duì)誤差均較大，介于45.3%～174.2%。由此可見(jiàn)，模型檢驗(yàn)的相關(guān)系數(shù)較高、均方根誤差較低時(shí)，平均相對(duì)誤差也可能較大，原因在于相關(guān)系數(shù)反映了模擬值與實(shí)測(cè)值的相關(guān)程度，均方根誤差（RMSE）也僅能反映模擬值與實(shí)測(cè)值之間的絕對(duì)偏離程度，而平均相對(duì)誤差實(shí)際反映了模擬值與真實(shí)值之間的相對(duì)偏離程度。

圖3 不同品種模擬RLAI與實(shí)測(cè)計(jì)算RLAI的比較（基于2018年第1、3、4播期試驗(yàn)資料）

表3 不同品種模擬RLAI的結(jié)果驗(yàn)證（基于2018年第1、3、4播期試驗(yàn)資料）

2.2.2 獨(dú)立樣本檢驗(yàn)

選取2018年6個(gè)農(nóng)業(yè)氣象試驗(yàn)站不同品種第2播期試驗(yàn)觀測(cè)數(shù)據(jù)以及2019年吉林榆樹(shù)、甘肅西峰和山東泰安3個(gè)農(nóng)業(yè)氣象試驗(yàn)站相同試驗(yàn)方案的所有播期試驗(yàn)觀測(cè)數(shù)據(jù)作為獨(dú)立樣本，對(duì)模型進(jìn)行檢驗(yàn)，模擬RLAI與實(shí)測(cè)計(jì)算RLAI對(duì)比分析結(jié)果見(jiàn)圖4，相應(yīng)的誤差分析等參數(shù)見(jiàn)表4。由圖可見(jiàn)，8個(gè)不同品種玉米（榆樹(shù)站2018年和2019年栽種玉米品種相同）的實(shí)測(cè)計(jì)算RLAI與模擬RLAI在玉米全生育期同樣具有較高的線性相關(guān)性，相關(guān)系數(shù)均超過(guò)0.95（表4），最低為榆樹(shù)站的先玉335，相關(guān)系數(shù)0.956，最高為固城站的廉玉1號(hào)，相關(guān)系數(shù)0.997；均方根誤差（RMSE）均為0.1；平均相對(duì)誤差各品種均較大，介于47.2%～170.2%。獨(dú)立樣本檢驗(yàn)結(jié)果與回代檢驗(yàn)結(jié)果相似，各品種模擬RLAI與實(shí)測(cè)計(jì)算RLAI在玉米全生育期均具有較高相關(guān)性，但同時(shí)平均相對(duì)誤差也較大。因此，模型要在實(shí)際工作中得以應(yīng)用還需做進(jìn)一步的訂正。

圖4 不同品種模擬RLAI與實(shí)測(cè)計(jì)算RLAI的比較（基于2018年第2播期和2019年資料）

表4 不同品種模擬RLAI的結(jié)果驗(yàn)證（基于2018年第2播期和2019年資料）

2.3 玉米葉面積指數(shù)普適模型訂正

2.3.1 分階段誤差分析

基于2018年6個(gè)站不同品種玉米的第1、第3和第4播期試驗(yàn)數(shù)據(jù)（回代樣本）對(duì)模型進(jìn)行檢驗(yàn)，模擬RLAI與實(shí)測(cè)計(jì)算RLAI在玉米不同生育期的相關(guān)性及誤差分析見(jiàn)表5。由表可見(jiàn)，玉米不同生育期模擬RLAI與實(shí)測(cè)計(jì)算RLAI相關(guān)性整體較小，主要原因是針對(duì)某一生育期來(lái)說(shuō)，RLAI相對(duì)比較集中，數(shù)據(jù)跨度范圍較小，所以相關(guān)系數(shù)較小，甚至出現(xiàn)負(fù)相關(guān)的情況。從平均相對(duì)誤差來(lái)看，三葉期和七葉期模型模擬的RLAI與實(shí)測(cè)計(jì)算RLAI之間的平均相對(duì)誤差均超過(guò)100%，尤其是三葉期接近500%，原因在于七葉期之前玉米葉片較少，單片葉面積也較小，模擬值與實(shí)測(cè)值之間的少許絕對(duì)偏差將會(huì)帶來(lái)較大的相對(duì)誤差；拔節(jié)?乳熟期平均相對(duì)誤差較小，抽雄期

表5 不同生育期模擬RLAI與實(shí)測(cè)計(jì)算RLAI的關(guān)系（基于2018年第1、3、4播期資料，6站6品種，n=99）

和乳熟期（即玉米葉面積指數(shù)最大的時(shí)期前后）模擬效果最好，回代檢驗(yàn)的平均相對(duì)誤差僅10.4%和9.8%；成熟期平均相對(duì)誤差較乳熟期略有增大。分析模型擬合曲線圖（圖2）可見(jiàn)，6個(gè)不同品種玉米在三葉期和七葉期模擬RLAI均大于實(shí)測(cè)計(jì)算RLAI，存在一定的系統(tǒng)性誤差。由此可見(jiàn)，除三葉期和七葉期外，模型基本可滿足不同品種玉米葉面積指數(shù)模擬的需求。

2.3.2 殘差訂正

三葉期、七葉期殘差擬合方程分別為

2.3.3 訂正效果分析

基于2018年和2019年7個(gè)農(nóng)業(yè)氣象試驗(yàn)站的玉米分期播種試驗(yàn)觀測(cè)數(shù)據(jù)，采用訂正后的玉米葉面積指數(shù)估算模型（表6），計(jì)算得到不同品種玉米6個(gè)不同生育期校正后的RLAI，進(jìn)一步與實(shí)測(cè)計(jì)算RLAI進(jìn)行對(duì)比分析，結(jié)果見(jiàn)表7、表8和圖6。從圖表分析可以看出，校正后不同品種玉米在全生育期模擬RLAI與實(shí)測(cè)計(jì)算RLAI之間的相關(guān)性依然較高（圖6），相關(guān)系數(shù)均接近或超過(guò)0.95（表7）；均方根誤差（RMSE）變化也較?。黄骄鄬?duì)誤差降幅較大，校正后模擬RLAI與實(shí)測(cè)計(jì)算RLAI的平均相對(duì)誤差介于13.8%（西峰/隴單339）～27.6%（泰安/登海652），與基于2018年第1、3、4播期實(shí)測(cè)數(shù)據(jù)的回代檢驗(yàn)，以及基于2018年第2播期和2019年4個(gè)播期實(shí)測(cè)數(shù)據(jù)的獨(dú)立樣本檢驗(yàn)結(jié)果的平均相對(duì)誤差相比，其降幅均超過(guò)50%。從三葉期和七葉期模擬RLAI與實(shí)測(cè)計(jì)算RLAI之間的平均相對(duì)誤差來(lái)看（表8），模型校正后均大幅降低，校正后三葉期平均相對(duì)誤差降至24.1%，七葉期降至30.7%。由此可見(jiàn)，基于修正的Logistic方程構(gòu)建的RLAI估算模型，對(duì)三葉期和七葉期進(jìn)行模型殘差訂正后，可以較為理想地模擬不同品種玉米不同生育期的葉面積指數(shù)。

圖5 模型殘差與有效積溫相對(duì)值的關(guān)系（基于2018年第1、3、4播期資料，三葉期n=15，七葉期n=18）

表6 訂正后玉米葉面積指數(shù)擬合方程

表7 殘差訂正后不同品種模擬RLAI與實(shí)測(cè)計(jì)算RLAI的關(guān)系（基于2018年和2019年所有試驗(yàn)觀測(cè)資料）

表8 殘差訂正后不同生育期模擬RLAI與實(shí)測(cè)計(jì)算RLAI的關(guān)系（基于2018年和2019年所有試驗(yàn)觀測(cè)資料）

圖6 殘差訂正后不同品種模擬RLAI與實(shí)測(cè)計(jì)算RLAI的比較（基于2018年和2019年所有試驗(yàn)觀測(cè)資料）

3 結(jié)論與討論

3.1 結(jié)論

（1）以多屬性品種玉米出苗至任意生育期的有效積溫相對(duì)值為自變量的RLAI擬合曲線完全符合修正的Logistic方程變化規(guī)律，以修正的Logistic方程為基礎(chǔ)構(gòu)建的玉米R(shí)LAI通用估算模型通過(guò)0.01水平的顯著性檢驗(yàn)，不同品種玉米全生育期模擬RLAI與實(shí)測(cè)計(jì)算RLAI的相關(guān)性較高，相關(guān)系數(shù)均超過(guò)0.9，但在玉米三葉期和七葉期模擬的平均相對(duì)誤差較大。

（2）模型在玉米三葉期和七葉期的模擬殘差與出苗至該兩個(gè)生育期的有效積溫相對(duì)值具有較高的線性相關(guān)性。采用一元線性回歸方程以有效積溫相對(duì)值為自變量，對(duì)模型進(jìn)行殘差訂正后，不同生育期模擬RLAI與實(shí)測(cè)計(jì)算RLAI的平均相對(duì)誤差介于9.4%～30.7%，不同屬性品種玉米全生育期模擬RLAI與實(shí)測(cè)計(jì)算RLAI的平均相對(duì)誤差介于13.8%～27.6%，與訂正前相比降幅均超過(guò)50%以上，達(dá)到理想的效果，說(shuō)明模型能夠準(zhǔn)確描述玉米的葉面積指數(shù)生長(zhǎng)規(guī)律。

（3）構(gòu)建的RLAI估算模型基于多地理位置、多屬性品種、多播期的玉米試驗(yàn)資料，采用相對(duì)化值來(lái)構(gòu)建，消除了不同屬性玉米品種之間的差異，LAImax的取值為多播期試驗(yàn)的最大值，基本可代表某一品種LAI的最大值，因此本模型較單品種模型具有更廣泛的普適性。基于本模型，根據(jù)不同玉米品種性狀參數(shù)（maxRAe和LAImax）及氣象觀測(cè)資料，可準(zhǔn)確求得任一時(shí)間的LAI，為及時(shí)掌握LAI動(dòng)態(tài)變化，進(jìn)而為開(kāi)展玉米產(chǎn)量預(yù)測(cè)等提供基礎(chǔ)數(shù)據(jù)。

3.2 討論

葉面積指數(shù)是描述作物生長(zhǎng)態(tài)勢(shì)群體特征的參數(shù)之一，也是作物估產(chǎn)的重要指標(biāo)之一，在作物模型中廣泛應(yīng)用。修正的Logistic方程具有較強(qiáng)的生物學(xué)意義，且在作物生長(zhǎng)模擬中往往具有較高的擬合精度。廣大學(xué)者基于該模型構(gòu)建了多種玉米LAI估算模型，但大都針對(duì)單一品種、單一播期，麻雪艷等[20?21]利用單站多品種構(gòu)建的模型雖較單品種模型更具通用性，但其多個(gè)品種的屬性并沒(méi)有發(fā)生變化，且是單站試驗(yàn)，因此模型仍存在一定的局限性。為此，本研究綜合應(yīng)用全國(guó)北方多個(gè)農(nóng)業(yè)氣象試驗(yàn)站、多個(gè)品種、多播期試驗(yàn)的觀測(cè)資料，基于修正的Logistic方程采用相對(duì)化值，構(gòu)建了更為通用的玉米R(shí)LAI估算模型，消除了不同屬性品種之間的差異，模型參數(shù)與王玲等[8,19?20]的研究結(jié)果較為接近，驗(yàn)證的結(jié)果與張學(xué)藝等[23]驗(yàn)證結(jié)果較為一致。春玉米與夏玉米具有諸多屬性上的差異，如熟性、抗逆性等，但最根本的區(qū)別在于種植時(shí)間上的差異。不論是春玉米還是夏玉米，其生長(zhǎng)均符合修正的Logistic方程變化規(guī)律，對(duì)積溫的需求也基本一致，因此將春玉米和夏玉米聯(lián)合進(jìn)行模型的構(gòu)建，模型更具普適性。

包括本模型在內(nèi)的所有LAI估算模型，其模擬值與實(shí)測(cè)值都存在一定偏差，造成偏差的一個(gè)主要因素是觀測(cè)誤差，如大田玉米采樣差異、LAI人工測(cè)量和儀器測(cè)量誤差、年度間種植密度的不同以及生育期觀測(cè)的人為誤差等，為了進(jìn)一步消除誤差，提高擬合精度，建議對(duì)物候觀測(cè)、生物量觀測(cè)等建立更完善的觀測(cè)標(biāo)準(zhǔn)，并按照標(biāo)準(zhǔn)嚴(yán)格開(kāi)展觀測(cè)。根據(jù)麻雪艷等[20]的研究結(jié)果，構(gòu)建普適的LAI估算模型，至少需要3a以上的觀測(cè)數(shù)據(jù)，且從本模型模擬的RLAI來(lái)看，最大值僅0.9，原因在于擬合數(shù)據(jù)在LAI最大值前后的觀測(cè)次數(shù)較少，因此，要進(jìn)一步提高模型擬合精度，需開(kāi)展多年試驗(yàn)觀測(cè)，且應(yīng)在小麥抽雄期前后增加觀測(cè)頻次。

本研究將抽雄期作為玉米營(yíng)養(yǎng)生長(zhǎng)與生殖生長(zhǎng)的劃分臨界點(diǎn)，與馮銳等[24]的劃分方法相同，不同的學(xué)者劃分方法不同，如孫睿等[25]以吐絲為界，林忠輝等[7,26]以吐絲前一天為界，麻雪艷等[27]以春玉米出苗后有效積溫達(dá)到1010.4℃·d為界限等。以玉米出苗至葉面積指數(shù)達(dá)到最大所需有效積溫相對(duì)固定這一條件來(lái)劃分，雖比以具體生育期來(lái)劃分的方法更具科學(xué)性，但積溫受環(huán)境因素的影響存在不穩(wěn)定性[28?29]，因此，進(jìn)一步研究以有效積溫為標(biāo)準(zhǔn)的劃分還需要考慮對(duì)積溫模型的訂正。

本模型擬合數(shù)據(jù)來(lái)自于分期播種試驗(yàn)，除種植、施肥等管理措施與當(dāng)?shù)厣a(chǎn)水平一致外，玉米全生育期水分條件通過(guò)灌溉均達(dá)到了適宜狀態(tài)，因此本模型未考慮水分脅迫的影響，但吳澤新等[30]研究結(jié)果表明，在干旱脅迫狀態(tài)下，玉米LAI有下降趨勢(shì)，生育中期（拔節(jié)?抽雄期）脅迫明顯；麻雪艷等[31]研究結(jié)果表明，干旱會(huì)抑制玉米葉面積擴(kuò)張，且不同干旱程度對(duì)玉米綠葉面積等葉片性狀影響程度不同；徐玲玲等[32]研究結(jié)果也表明干旱抑制玉米葉面積增長(zhǎng)?？梢?jiàn)水分虧缺對(duì)玉米LAI增長(zhǎng)具有一定的抑制作用，今后可進(jìn)一步基于水分虧缺等試驗(yàn)數(shù)據(jù)，對(duì)本模型進(jìn)行訂正。

本模型擬合數(shù)據(jù)雖然僅使用了2018年1a的觀測(cè)資料，但資料來(lái)源上同時(shí)考慮了地域差異、品種差異、生產(chǎn)管理差異等因素，且在玉米苗期LAI估算模型基礎(chǔ)上增加了殘差訂正項(xiàng)，并使用2018年和2019年的實(shí)測(cè)資料進(jìn)行了回代檢驗(yàn)和獨(dú)立樣本檢驗(yàn)，證明模型具有較高的擬合精度。因此，相比單品種、單播期LAI估算模型更具普適性，適用于大多數(shù)屬性品種玉米的LAI模擬。

致謝：本研究資料由“國(guó)內(nèi)外主要作物產(chǎn)量預(yù)報(bào)專項(xiàng)”項(xiàng)目組提供，特別感謝哈爾濱農(nóng)業(yè)氣象試驗(yàn)站、榆樹(shù)農(nóng)業(yè)氣象試驗(yàn)站、錦州農(nóng)業(yè)氣象試驗(yàn)站、烏蘭烏蘇農(nóng)業(yè)氣象試驗(yàn)站、西峰農(nóng)業(yè)氣象試驗(yàn)站、固城農(nóng)業(yè)氣象試驗(yàn)站、泰安農(nóng)業(yè)氣象試驗(yàn)站提供資料。

[1] 張顯峰,廖春華,等.生態(tài)環(huán)境參數(shù)遙感協(xié)同反演與同化模擬[M].北京:科學(xué)出版社,2017:82.

Zhang X F,Liao C H,et al.Ecological and environment variables coinversion based on remote sensing technology[M]. Beijing:Science Press,2017:82.(in Chinese)

[2] 呂曉,殷紅,蔣春姬,等.基于高光譜遙感的不同品種花生冠層葉面積指數(shù)的通用估算模型[J].中國(guó)農(nóng)業(yè)氣象,2016, 37(6):720-727.

Lv X,Yin H,Jiang C J,et al.General estimation model of peanut canopy LAI based on hyperspectral remote sensing[J].Chinese Journal of Agrometeorology,2016,37(6): 720-727.(in Chinese)

[3] 張蕾,侯英雨,鄭昌玲,等.作物長(zhǎng)勢(shì)評(píng)估指數(shù)的設(shè)計(jì)與應(yīng)用[J].應(yīng)用氣象學(xué)報(bào),2019,30(5):543-554.

Zhang L,Hou Y Y,Zhen C L,et al.The construction and application of assessing index to crop growing condition[J]. Journal of Applied Meteorological Science,2019,30(5):543- 554.(in Chinese)

[4] 邱霞,孫國(guó)超,熊博,等.不同葉面積指數(shù)對(duì)“黃果柑”光合特性及果實(shí)品質(zhì)的影響[J].四川農(nóng)業(yè)大學(xué)學(xué)報(bào),2019,37(3): 321-329.

Qiu X,Sun G C,Xiong B,et al.Effects of leaf area indexes on photosynthetic characteristics and fruit quality of Huangguogan citrus[J].Journal of Sichuan Agricultural University,2019,37(3):321-329.(in Chinese)

[5] Bahru T,Ding Y L.Effect of stand density,canopy leaf area index and growth variables on(Munro)Kurz litter production at Simao District of Yunnan Province, southwestern China[J].Elsevier B.V.,2020,23:1-17.

[6] 孫揚(yáng)越,申雙和.作物生長(zhǎng)模型的應(yīng)用研究進(jìn)展[J].中國(guó)農(nóng)業(yè)氣象,2019,40(7):444-459.

Sun Y Y,Shen S H.Research progress in application of crop growth models[J].Chinese Journal of Agrometeorology,2019, 40(7):444-459.(in Chinese)

[7] 林忠輝,項(xiàng)月琴,莫興國(guó),等.夏玉米葉面積指數(shù)增長(zhǎng)模型的研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2003,11(4):69-72.

Lin Z H,Xiang Y Q,Mo X G,et al.Normalized leaf area index model for summer maize[J].Chinese Journal of Eco- Agriculture,2003,11(4):69-72.(in Chinese)

[8] 王玲,謝德體,劉海隆,等.玉米葉面積指數(shù)的普適增長(zhǎng)模型[J].西南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,26(3):303-306.

Wang L,Xie D T,Liu H L,et al.A universal growth model for maize leaf area index[J].Journal of Southwest Agricultural University(Natural Science),2004,26(3):303-306.(in Chinese)

[9] 張賓,趙明,董志強(qiáng),等.作物高產(chǎn)群體LAI動(dòng)態(tài)模擬模型的建立與檢驗(yàn)[J].作物學(xué)報(bào),2007,33(4):612-619.

Zhang B,Zhao M,Dong Z Q,et al.Establishment and test of LAI dynamic simulation model for high yield population[J]. Acta Agronomica Sinica,2007,33(4):612-619.(in Chinese)

[10] 佟屏亞,程延年.不同株型玉米葉面積消長(zhǎng)動(dòng)態(tài)的研究[J].北京農(nóng)業(yè)科學(xué),1994,12(6):1-4.

Tong P Y,Cheng Y N.Dynamics of leaf area of different plant-types in maize[J].Beijing Agricultural Sciences,1994, 12(6):1-4.(in Chinese)

[11] 韓湘玲,孔揚(yáng)莊,陳流.氣候與玉米生產(chǎn)力初步分析[J].中國(guó)農(nóng)業(yè)氣象,1984(2):15-20.

Han X L,Kong Y Z,Chen L.Preliminary analysis of climate and corn productivity[J].Chinese Journal of Agrometeorology, 1984(2):15-20.(in Chinese)

[12] 佟屏亞,凌碧瑩,關(guān)義新.夏玉米干物質(zhì)累積動(dòng)態(tài)模擬[J].北京農(nóng)業(yè)科學(xué),1996,14(5):22-25.

Tong P Y,Ling B Y,Guan Y X.Dynamic simulating of dry matter accumulation in summer corn[J].Beijing Agricultural Sciences,1996,14(5):22-25.(in Chinese)

[13] 王信理.在作物干物質(zhì)積累的動(dòng)態(tài)模擬中如何合理運(yùn)用Logistic方程[J].中國(guó)農(nóng)業(yè)氣象,1986,8(1):14-19.

Wang X L.How to use the Logistic equation reasonably in the simulation of dry matter accumulation of crops[J]. Chinese Journal of Agrometeorology,1986,8(1):14-19.(in Chinese)

[14] 朱佳明,郭云開(kāi),劉海洋,等.一種組合反演葉面積指數(shù)的方法[J].測(cè)繪科學(xué),2019,44(1):60-65.

Zhu J M,Guo Y K,Liu H Y,et al.A method of combining the inversion of leaf area index[J].Science of Surveying and Mapping,2019,44(1):60-65.(in Chinese)

[15] 楊維,張學(xué)霞,趙靜瑤.基于Geosail模型和SVR算法的葉面積指數(shù)遙感反演[J].中國(guó)水土保持科學(xué),2018,16(6):48-55.

Yang W,Zhang X X,Zhao J Y.Remote sensing inversion of leaf area index based on Geosail model and SVR algorithm [J].Science of Soil and Water Conservation,2018,16(6): 48-55.(in Chinese)

[16] 劉英,岳輝,張鋒,等.基于LAI-Ts特征空間的河南省冬小麥返青-成熟期旱情監(jiān)測(cè)[J].中國(guó)農(nóng)業(yè)氣象,2018,39(2): 129-139.

Liu Y,Yue H,Zhang F,et al.Drought monitoring of winter wheat in Henan province based on LAI-Ts space[J].Chinese Journal of Agrometeorology,2018,39(2):129-139.(in Chinese)

[17] 陳艷玲,顧曉鶴,宮阿都,等.基于遙感信息和WOFOST模型參數(shù)同化的冬小麥單產(chǎn)估算方法研究[J].麥類作物學(xué)報(bào), 2018,38(9):1127-1136.

Chen Y L,Gu X H,Gong A D,et al.Estimation of winter wheat assimilation based on remote sensing information and WOFOST crop model[J].Journal of Triticeae Crops,2018,38 (9):1127-1136.(in Chinese)

[18] 李向嶺,趙明,李從鋒,等.玉米葉面積系數(shù)動(dòng)態(tài)特征及其積溫模型的建立[J].作物學(xué)報(bào),2011,37(2):321-330.

Li X L,Zhao M,Li C F,et al.Dynamic characteristics of leaf area index in maize and its model establishment based on accumulated temperature[J].Acta Agronomica Sinica,2011, 37(2):321-330.(in Chinese)

[19] 孔德胤,楊松,黃淑琴,等.河套地區(qū)玉米葉面積指數(shù)的動(dòng)態(tài)模擬[J].中國(guó)農(nóng)業(yè)氣象,2014,35(3):281-286.

Kong D Y,Yang S,Huang S Q,et al.Dynamic simulation of maize leaf area index in Hetao region[J].Chinese Journal of Agrometeorology,2014,35(3):281-286.(in Chinese)

[20] 麻雪艷,周廣勝.玉米葉面積指數(shù)動(dòng)態(tài)模擬的最適野外觀測(cè)資料[J].應(yīng)用生態(tài)學(xué)報(bào),2013,24(6):1579-1585.

Ma X Y,Zhou G S.Optimum field observation data for simulating maize leaf area index[J].Chinese Journal of Applied Ecology,2013,24(6):1579-1585.(in Chinese)

[21] 張旭東,蔡煥杰,付玉娟,等.黃土區(qū)夏玉米葉面積指數(shù)變化規(guī)律的研究[J].干旱地區(qū)農(nóng)業(yè)研究,2006,24(2):25-29.

Zhang X D,Cai H J,Fu Y J,et al.Study on leaf area index of summer maize in loess areas[J].Agricultural Research in the Arid AreaS,2006,24(2):25-29.(in Chinese)

[22] Francis C A,Rutger J N,Palmer A F E.A rapid method for plant leaf area estimation in maize(L.)[J].Crop Science,1969,9(5):537-539.

[23] 張學(xué)藝,張磊,黃峰,等.寧夏灌區(qū)春小麥葉面積指數(shù)的動(dòng)態(tài)模擬[J].干旱地區(qū)農(nóng)業(yè)研究,2011,29(1):193-196.

Zhang X Y,Zhang L,Huang F,et al.Dynamic simulation of spring wheat leaf area index in Ningxia irrigable area[J]. Agricultural Research in the Arid Areas,2011,29(1): 193-196.(in Chinese)

[24] 馮銳,張玉書(shū),紀(jì)瑞鵬,等.基于Logistic模型的春玉米MODIS LAI產(chǎn)品訂正[J].農(nóng)學(xué)學(xué)報(bào),2015,5(10):97-102.

Fen R,Zhang Y S,Ji R P,et al.The correction of MODIS LAI product of spring maize based on the Logistic model [J].Journal of Agriculture,2015,5(10):97-102.(in Chinese)

[25] 孫睿,洪佳華,曹永華.夏玉米光合生產(chǎn)模擬模型初探[J].中國(guó)農(nóng)業(yè)氣象,1997,18(2):20-23.

Sun R,Hong J H,Cao Y H.Preliminary study on simulation model of summer maize photosynthetic production[J]. Chinese Journal of Agrometeorology,1997,18(2):20-23.(in Chinese)

[26] 羅新蘭,陳祥蘭,姚運(yùn)生,等.東北玉米葉面積指數(shù)動(dòng)態(tài)模擬模型研究[J].江蘇農(nóng)業(yè)科學(xué),2012,40(1):91-94.

Luo X L,Chen X L,Yao Y S,et al.Study on dynamic simulation model of leaf area index of maize in Northeast China[J].Jiangsu Agricultural Sciences,2012,40(1):91-94.(in Chinese)

[27] 麻雪艷,周廣勝.春玉米最大葉面積指數(shù)的確定方法及其應(yīng)用[J].生態(tài)學(xué)報(bào),2013,33(8):2596-2603.

Ma X Y,Zhou G S.Method of determining the maximum leaf area index of spring maize and its application[J].Acta Ecologica Sinica,2013,33(8):2596-2603.(in Chinese)

[28] 李蕊,郭建平.東北春玉米積溫模型的改進(jìn)與比較[J].應(yīng)用氣象學(xué)報(bào),2017,28(6):678-689.

Li R,Guo J P.Improvement and comparison of the accumulated temperature model of northeast spring maize[J].Journal of Applied Meteorological Science,2007, 28(6):678-689.(in Chinese)

[29] 王婧瑄,郭建平,李蕊.春玉米積溫穩(wěn)定性及在發(fā)育期預(yù)報(bào)中的應(yīng)用[J].應(yīng)用氣象學(xué)報(bào),2019,30(5):577-585.

Wang J X,Guo J P,Li R.Accumulated temperature stability of spring maize and its application to growth period forecast[J].Journal of Applied Meteorological Science,2019, 30(5):577-585.(in Chinese)

[30] 吳澤新,王永久,李蔓華,等.干旱脅迫對(duì)魯西北夏玉米生長(zhǎng)發(fā)育及產(chǎn)量的影響[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015,46(6):817-821.

Wu Z X,Wang Y J,Li M H,et al.The effect of drought stress on the development and yield of summer maize in Northwest Shandong Province[J].Journal of Shandong Agricultural University(Natural Science Edition),2015, 46(6):817-821.(in Chinese)

[31] 麻雪艷,周廣勝.干旱對(duì)夏玉米苗期葉片權(quán)衡生長(zhǎng)的影響[J].生態(tài)學(xué)報(bào),2018,38(5):1758-1769．

Ma X Y,Zhou G S.Effects of drought on the trade-off growth of leaf traits of summer maize in the seedling stage[J].Acta Ecologica Sinica,2018,38(5):1758-1769.(in Chinese)

[32] 徐玲玲,李昊,王建林,等.河北固城夏玉米比葉面積對(duì)水分梯度的響應(yīng)[J].生態(tài)學(xué)報(bào),2017,37(23):8101-8106.

Xu L L,Li H,Wang J L,et al.Response of specific leaf area of summer maize to water gradient in Hebei Gucheng[J].Acta Ecologica Sinica,2017,37(23):8101-8106.(in Chinese)

A General Model for Estimating Leaf Area Index of Maize

LUAN Qing1,2, GUO Jian-ping2,3, MA Ya-li1, ZHANG Li-min2,4, WANG Jing-xuan2

(1. Shanxi Climate Center, Taiyuan 030006, China; 2.Chinese Academy of Meteorological Sciences, Beijing 100081; 3.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology, Nanjing 210044; 4.Huludao Meteorological Bureau, Huludao 125000)

In order to build a more general model for estimating leaf area index of maize, in this paper, we used the staged seeding test data (based on the local actual field sowing date, the first sowing date was 10 days earlier than normal, the second sowing date was normal, the third sowing date was 10 days later, and the fourth sowing date was 20 days later) with different varieties of maize in six agro-meteorological experiment stations in 2018, including Harbin of Heilongjiang province, Yushu of Jilin province, Jinzhou of Liaoning province, Wulanwusu of Xinjiang province, Xifeng of Gansu province and Gucheng of Hebei province. Taking the relative integrated temperature of the first, third and fourth sowing period as independent variables and the relative value of leaf area index (RLAI) as the dependent variable, the modified Logistic equation was used to construct the estimation model of maize leaf area index. The fitting curve of the model showed that the simulated RLAI in the three-leaf stage and the seven-leaf stage of maize were higher than the measured RLAI, and a significant linear correlation between the residual of the model in these two stages and the relative values of the effective integrated temperature. Therefore, the relative values of the effective integrated temperature were used to fix the residuals of the model in these two stages. The model was tested using the data of 8 different varieties in six agro-meteorological experiment stations in 2018 and 3 agro-meteorological experiment stations (Yushu of Jilin province, Xifeng of Gansu province and Tai’an of Shandong province) in 2019. The results showed that the RLAI fitting curve with the relative integrated temperature of the multi-attribute varieties of maize as independent variables was completely in line with the modified Logistic equation. The model fitting coefficient of determination (R2) reached 0.93, and passed the significance test of 0.01 level with high accuracy. The test results showed that the simulated RLAI of different varieties of maize had a high correlation with the measured RLAI. The correlation coefficient exceeded 0.9 and passed the significance test of 0.01 level. The average relative error of different varieties ranged from 13.8% to 27.6%. The average relative error between simulated RLAI and measured RLAI at different growth stages was between 9.4% and 30.7%, with the highest in the seven-leaf stage and the lowest in the milk-ripe stage. In general, the estimation model constructed based on relative values, eliminated the differences in maize variety attributes, soil properties, management measures, planting density, etc. It has a wider applicability than the previous LAI estimation model based on single station, single variety, single sowing period, or multiple varieties in single station, is suitable for most varieties LAI simulation of maize.

Maize; Leaf area index; Logistic curve fitting; Estimation model

10.3969/j.issn.1000-6362.2020.08.004

欒青,郭建平,馬雅麗,等.玉米葉面積指數(shù)估算通用模型[J].中國(guó)農(nóng)業(yè)氣象,2020,41(8):506-519

2020?02?20

郭建平，E-mail：gjp@cma.gov.cn

國(guó)家自然科學(xué)基金（31571559）；中國(guó)氣象科學(xué)研究院科技發(fā)展基金（2019KJ006）

聯(lián)系方式：欒青，E-mail：luanqing2003@163.com