朱艷，湯亮，劉蕾蕾，劉兵，張小虎，邱小雷，田永超，曹衛(wèi)星

（南京農業(yè)大學/國家信息農業(yè)工程技術中心/智慧農業(yè)教育部工程研究中心/農業(yè)農村部農作物系統(tǒng)分析與決策重點實驗室/江蘇省信息農業(yè)重點實驗室/江蘇現(xiàn)代作物生產協(xié)同創(chuàng)新中心，南京 210095）

信息技術與農業(yè)科學的快速發(fā)展與交叉融合，形成了農業(yè)信息技術，進一步催生了數(shù)字農業(yè)和智慧農業(yè)的快速發(fā)展，為現(xiàn)代農業(yè)提供了定量化技術支持和全方位信息服務，也為農業(yè)產業(yè)技術改造和提升注入了新的活力，帶來顯著的社會、經濟和生態(tài)效益[1]。農業(yè)信息技術在世界農業(yè)領域的興起始于20世紀70年代末，以作物生長模型（crop growth model）的成功研制和應用為突出代表[2]。作物生產系統(tǒng)是一個復雜而獨特的動態(tài)系統(tǒng)，受氣候條件、土壤特性、品種特征、技術措施等多因素的綜合影響，具有顯著的時空變異性。而作物生長模型以作物生長發(fā)育的內在規(guī)律為基礎，綜合作物遺傳潛力、環(huán)境效應、調控技術之間的因果關系，能夠定量描述和預測作物生長發(fā)育過程及其與環(huán)境和技術的動態(tài)關系[3-4]。因此，構建機理性強、適用性廣的作物生長模型可為不同條件下的作物生產力預測與效應評估等提供有效的定量化工具。

20世紀50—60年代，DE WIT[5]及DUNCAN等[6]相繼發(fā)表了植物冠層光能截獲與群體光合作用模型，標志著作物生理生態(tài)過程模擬的問世。目前國外較為優(yōu)秀的作物生長模型有美國的DSSAT[7]、澳大利亞的APSIM[8]、法國的 STICS[9]、荷蘭的 GECROS[10]、菲律賓國際水稻所的 ORYZA[11]等。我國作物模型的研究雖然起步較晚，但發(fā)展較快。早期研究在跟蹤和借鑒國外研究成果的基礎上，針對我國作物生產特點構建了相關模擬模型[12-13]。20世紀90年代得到快速發(fā)展，涌現(xiàn)了若干各具特點、自主研發(fā)的作物生長模型及決策系統(tǒng)[14-16]。2000年以來，南京農業(yè)大學、中國農業(yè)大學、西北農林科技大學、中國科學院、江蘇省農科院等科研院校在作物模擬算法構建、模擬平臺搭建、模型區(qū)域應用、情景效應評估等方面開展了較為系統(tǒng)的研究工作，并在國際作物模擬領域產生了積極影響[17-21]。

2010年以來，國際農業(yè)系統(tǒng)模擬專家組織啟動了農業(yè)模型比較與改進項目協(xié)作組（Agricultural Model Intercomparison and Improvement Project，AgMIP），旨在通過比較與改進世界上現(xiàn)有的不同作物生長模型、家畜生長模型和農業(yè)經濟模型，并耦合未來氣候模型與情景模擬方法等，來量化評估站點、區(qū)域、國家及全球等不同尺度農業(yè)生產與食品安全（https://agmip.org）。在作物生長模型領域，協(xié)作組按照水稻、小麥、玉米等不同作物分別組建了多個國際研究團隊，協(xié)同開展作物生長模型的比較與改進研究，著力提升模型在不同條件下的模擬與應用能力[22]。然而，由于試驗數(shù)據(jù)共享不暢、控制試驗條件有限、區(qū)域模擬技術發(fā)展緩慢、模型研究人員匱乏等方面的綜合原因，現(xiàn)有作物生長模型在極端氣候效應模擬[23-24]、區(qū)域生產力預測[25-26]、管理方案設計[18,27]、環(huán)境效應評估[28-29]等方面還有待進一步改進和完善，迫切需要提出機理性與預測性兼?zhèn)涞木C合性作物生長模型及決策支持系統(tǒng)。

近20多年來，南京農業(yè)大學以小麥和水稻等作物為主要對象，針對現(xiàn)有作物生長模型存在的問題以及國內外發(fā)展趨勢，在作物生長過程模擬、極端氣候效應量化、區(qū)域生產力預測分析、數(shù)字化設計與決策支持等方面開展了深入系統(tǒng)的研究，形成了具有中國特色、與國際接軌的作物生長模擬系統(tǒng)及應用技術體系。本文重點介紹筆者團隊經過長期努力與探索，在作物生長模型方面形成的總體技術方法、最新研究進展及未來發(fā)展思考等。

1 總體研究思路

作物生長系統(tǒng)是由作物、土壤、大氣等組成的有機系統(tǒng)，綜合了作物遺傳潛力、環(huán)境效應和技術調控之間的因果關系。作物系統(tǒng)模擬就是運用系統(tǒng)分析的原理和方法，對作物生長發(fā)育及生產力形成過程與環(huán)境、技術、品種之間的動態(tài)關系進行定量表達，并構建作物生長模擬算法。因此作物生長模型能夠幫助人們理解和認識作物生長發(fā)育過程的基本規(guī)律和量化關系，并對作物生長系統(tǒng)的動態(tài)行為和產量品質進行定量預測，從而輔助作物生長和生產系統(tǒng)的優(yōu)化管理和定量調控，實現(xiàn)高產、優(yōu)質、高效、生態(tài)、安全的作物生產目標。理想的作物生長模型，不僅具有良好的機理性和預測性，而且以其較強的動態(tài)性和通用性適用于不同生態(tài)區(qū)域和用戶層次。

1.1 技術流程

本研究基于系統(tǒng)學理論與方法，綜合運用農業(yè)氣象學、作物生理學、作物生態(tài)學、過程建模和軟件工程等，以“生理機制解析-模擬算法構建-生產力動態(tài)預測-效應定量評估-應用平臺研發(fā)”為主線，開展系統(tǒng)深入的研究，并集成構建了作物生長模擬與應用技術體系。首先，通過收集已發(fā)表的文獻資料，結合團隊開展的不同類型品種、播期、密度、水分、養(yǎng)分及溫度試驗等模擬支持研究，綜合利用作物生長分析和生理生態(tài)分析方法，對作物生長發(fā)育的基本規(guī)律及其與環(huán)境因子和技術措施之間的關系給予解析和綜合，明確作物生長發(fā)育、產量品質形成對不同環(huán)境和技術措施的響應機制；運用系統(tǒng)分析、動態(tài)建模及虛擬顯示等方法，量化不同條件下作物生長發(fā)育和產量品質形成的動態(tài)特征，構建基于生理生態(tài)過程的綜合性作物（水稻、小麥）生長模型CropGrow，包括階段發(fā)育與物候期、器官發(fā)生與群體形成、光合作用與物質生產、物質分配與產量品質形成、養(yǎng)分動態(tài)、水分平衡、以及作物三維形態(tài)建成和虛擬顯示等子模型，可數(shù)字化、可視化表征不同條件下作物生長發(fā)育與生產力形成過程；進一步探討模擬模型的動態(tài)預測功能與地理信息系統(tǒng)（GIS）的空間信息管理功能、遙感（RS）技術的實時監(jiān)測功能相耦合的機制與方法，構建基于模型、GIS和 RS耦合的區(qū)域作物生產力預測技術；在定量分析作物生產要素時空分布特征的基礎上，利用情景模擬技術，量化氣候變化、品種更新、土壤改良、措施優(yōu)化對區(qū)域作物生產力的影響，開展適宜方案生成、理想品種設計、氣候效應評估、耕地利用評價以及農業(yè)政策制定等應用技術研究；最后，運用構件化程序設計思想，研制開發(fā)作物生長模型組件，并基于作物生產歷史數(shù)據(jù)庫、基礎農情數(shù)據(jù)庫、作物模型構件庫等，結合決策支持和可視化技術，集成開發(fā)基于模型的數(shù)字化可視化作物生長模擬系統(tǒng)與決策支持平臺。該平臺具有生產力預測預警、管理方案動態(tài)生成、氣候效應量化評估、作物品種優(yōu)化設計、耕地利用決策評價、農業(yè)政策規(guī)劃制定等綜合功能（圖1）。

1.2 數(shù)據(jù)支撐

圖1 作物生長模型CropGrow的構建與應用技術流程Fig.1 Technical flowchart of development and application of the crop growth model CropGrow

模型算法構建所需的數(shù)據(jù)資料大多來源于試驗研究及歷史資料。盡管已有的文獻資料和數(shù)據(jù)積累可以提供許多作物生長發(fā)育的基本規(guī)律及其與環(huán)境和技術之間的相互關系，但不少算法的推導和構建還必須依賴于邏輯性的理論假說和試驗性的研究分析。因此，需要有針對性地組織實施大量試驗研究來服務于作物生長模擬算法的構建，稱之為模擬的支持研究[3]。作物生長模擬的支持研究主要有兩個方面：一是已知因果關系或基本模式，但缺乏特定的量化表達或算法程序；二是相對不了解而有待探索的某些過程，稱為黑箱。筆者團隊自1994年以來，在收集已有文獻資料的基礎上，通過持續(xù)實施不同品種、播期、密度、水分、養(yǎng)分等處理的多年多生態(tài)點大田試驗以及不同處理水平和持續(xù)時間的溫度、光照、水分等人工氣候室試驗等，探究了作物生長發(fā)育及產量品質形成的動態(tài)規(guī)律，明確并量化了作物生理過程對環(huán)境因子及管理措施響應的機理特征，從而構建了不同因子及其互作與作物生長發(fā)育、產量品質形成之間關系的模擬算法，重點在生育期預測[30-33]、形態(tài)與器官建成[32-33]、干物質分配[33-35]、籽粒蛋白質和淀粉形成[36-39]、極端溫度效應量化[40-45]等過程模擬方面實現(xiàn)了突破。

2 主要研究進展

2.1 作物生長模型CropGrow的構建

2.1.1 作物生長發(fā)育與生產力形成過程建模 作物生長模型CropGrow是以小麥和水稻等作物生長發(fā)育及生產力形成規(guī)律為基礎，以氣候條件、土壤特性、品種特征、管理技術等為主要驅動變量，而構建的基于生理生態(tài)過程的作物生長與生產力形成模擬模型，包括階段發(fā)育與物候期、器官發(fā)生與建成、光合生產與物質積累、同化物分配與產量品質形成、養(yǎng)分動態(tài)和水分平衡等子模型（圖2）[3,33]，可動態(tài)預測不同條件下作物生長發(fā)育與產量品質形成過程（圖3）。其中，階段發(fā)育與物候期子模型以莖頂端發(fā)育為主線，以作物溫光發(fā)育過程為基礎，通過動態(tài)模擬作物生理發(fā)育時間（physiological development time，PDT）來精確劃分作物發(fā)育階段[30-31]。器官發(fā)生與建成子模型主要模擬植株不同器官的發(fā)生和形成過程，包括根、莖、葉、穗等器官的發(fā)生與建成等，其中器官發(fā)生的時間與階段發(fā)育過程密切相關，器官發(fā)生的數(shù)量和大小與同化物的分配和利用有關[32-33,46-48]。光合生產與物質積累子模型是基于一日內到達冠層的光合有效輻射，采用高斯積分法將冠層分層計算不同葉層反射與吸收的光合有效輻射，加權計算冠層瞬時同化速率，同時考慮了反射率隨太陽高度角的日變化以及群體消光系數(shù)隨PDT的時序變化，再按不同時間點加權求和得到每日冠層同化速率，并通過計算呼吸和物質轉化消耗，得到每日同化物積累量，同時受到溫度、水分、CO2濃度、生理年齡和氮素的影響[3,33]。同化物分配與產量品質形成子模型中，碳、氮化合物的分配與再分配決定作物收獲器官的產量和品質形成，通過器官間干物質分配來模擬籽粒產量[33-34]，進一步結合植株氮轉運與籽粒氮積累動態(tài)，建立了籽粒蛋白質含量與蛋白質產量的模擬模型[36-37]，同時基于植株碳素的積累轉運及籽粒碳素的轉化利用，構建了基于花后碳流過程的籽粒淀粉形成模擬模型[38-39]。養(yǎng)分動態(tài)子模型主要涉及氮、磷、鉀3種大量元素的模擬，其中氮素動態(tài)模擬包括土壤有機質礦化、硝化與反硝化作用、銨的吸附與解吸、氨的揮發(fā)、氮素淋洗及作物氮素吸收與分配等過程[49]，植株從土壤吸收的氮素是通過建立植株及各個器官的臨界氮濃度[50-51]，來計算植株和各個器官的氮素需求量和轉運量[52]。水分平衡子模型是根據(jù)土壤水分收支平衡原理，通過作物根系深度將土壤剖面分成若干層，并按土層進行土壤水分收支計算，包括徑流、滲漏、土壤蒸發(fā)、作物截留、根系吸水、水分再分配等動態(tài)過程的模擬[53]。

此外，在評估已有模型對極端溫度響應的不確定性基礎上[54-56]，基于作物生長發(fā)育對極端氣候環(huán)境的響應機制[41-43]，結合高、低溫累積度日及半致死溫度等參數(shù)，量化了極端溫度對作物生長發(fā)育的影響，進而構建了高溫和低溫脅迫對稻麥生育進程、光合作用、物質積累與分配、結實率等過程影響的模擬算法[40,42,44-45]，提高了CropGrow模型在極端溫度環(huán)境下對作物生長發(fā)育及生產力形成的預測精度。

2.1.2 作物三維形態(tài)建成和虛擬顯示子模型的構建CropGrow模型除了對上述作物生產力形成過程進行模擬外，還通過定量分析不同條件下作物器官幾何形態(tài)與空間伸長規(guī)律、器官顏色動態(tài)特征、器官拓撲結構及其在植株個體上的空間配置、個體間相互作用及其與群體建成的關系等，構建了作物器官-個體-群體的三維形態(tài)建成子模型，并研發(fā)了基于模型的作物生長虛擬仿真平臺。首先，以生長度日（GDD）為尺度，結合生長模型模擬輸出的器官總干重及分配模式獲得單個器官的干物質量，結合各器官的形態(tài)建成模式與特征參數(shù)，構建了作物根[57-58]、莖[59-60]、葉[61-64]、穗[65-66]等器官的三維形態(tài)建成模擬模型，包括器官幾何形態(tài)、空間生長曲線、顏色變化特征等子模型；綜合利用不同器官三維形態(tài)可視化方法和計算機圖形學的真實感繪制技術（如紋理、顏色、光照處理等），生成形象逼真的器官圖形，同時結合器官拓撲結構及其在植株個體上的空間配置規(guī)律等，構建了作物器官和個體三維可視化技術[57-58,65,67]；進一步從優(yōu)化計算速度、降低內存消耗、增強真實感等角度出發(fā)，提出了細節(jié)層次模型、視域裁剪技術等兼顧速度和多樣性的方法，并結合植株間的碰撞檢測與響應技術等[68]，實現(xiàn)了作物群體生長的可視化[69]；最后集成研發(fā)了作物生長虛擬仿真平臺[69-70]，實現(xiàn)了不同條件下作物器官-個體-群體生長動態(tài)的三維可視化表達，為基于模型的作物株型優(yōu)化設計提供了數(shù)字化支撐（圖 4）。

圖2 作物生長模型CropGrow的結構流程圖Fig.2 Structural flowchart of crop growth model CropGrow

圖3 基于WheatGrow 的小麥生育期（a，b）、LAI（c）、籽粒產量（d）模擬值與實測值的1:1作圖Fig.3 Comparisons between observed and simulated values of wheat phenology (a, b), LAI (c) and grain yield (d) with WheatGrow

2.2 作物生長模型CropGrow的應用

2.2.1 模型升尺度與區(qū)域預測 作物生長模型是基于特定區(qū)域內作物生長環(huán)境變量一致的假設條件而構建的，屬于單點水平的模擬系統(tǒng)。而實際研究區(qū)的環(huán)境與管理變量（氣候、土壤、品種、技術等）普遍存在空間差異[71-75]，因此需要結合GIS技術將作物生產力預測模型從單點模擬拓展到區(qū)域應用。為此，我們研究提出了基于模型與GIS耦合實現(xiàn)區(qū)域生產力預測的2種策略，即基于空間插值的升尺度策略和基于空間分區(qū)的升尺度策略。其中，空間插值作為一種重要的“由點到面”數(shù)據(jù)生成的空間分析方法，常用于觀測點數(shù)據(jù)到區(qū)域數(shù)據(jù)的升尺度轉換，可獲取作物生長模型運行所需要的輸入參數(shù)的區(qū)域化柵格數(shù)據(jù)，并逐柵格運行模型獲得整個區(qū)域的模擬結果（圖5-a）[25,76-78]?？臻g分區(qū)則是根據(jù)研究區(qū)環(huán)境和管理變量的空間差異將區(qū)域劃分為多個假定的均質模擬單元，通過每個模擬單元內典型生態(tài)點模擬結果“以點代面”，獲取整個區(qū)域模擬結果（圖5-b）[79-81]。由于特定區(qū)域空間異質性的多樣化，空間插值和空間分區(qū)普遍存在不確定性，直接影響了區(qū)域生產力模擬的效果。因此，模型應用中通過比較不同方法對區(qū)域模擬結果的影響，選擇適宜的升尺度策略，從而提高區(qū)域模擬的準確性。例如，通過研究空間插值過程中不同空間分辨率對模擬精度的影響，可確定我國冬麥區(qū)適宜的插值分辨率，從而同步提高區(qū)域模擬的精度和效率（圖 6）[25]。

圖4 基于RiceGrow的水稻器官-個體-群體三維形態(tài)建成及可視化表達Fig.4 Three-dimensional morphological construction and visualization of rice organ, individual and population based on RiceGrow

圖5 基于模型與GIS耦合的模擬尺度優(yōu)化策略Fig.5 Optimization strategy of simulation scale based on model and GIS coupling

圖6 基于空間差值方法的中國冬麥區(qū)生產力模擬Fig.6 Simulated productivity of winter wheat regions of China based on spatial interpolation

2.2.2 模型與遙感耦合 遙感可在田塊到區(qū)域等不同空間尺度，利用多種傳感器快速實時準確獲取作物、土壤等狀態(tài)信息，具有突出的時效性和空間性，而作物生長模型是對作物生長過程及其與環(huán)境、技術、品種之間的動態(tài)關系進行定量表達，具有較強的機理性和時序預測性。因此，遙感信息與作物模型相結合，可實現(xiàn)遙感實時監(jiān)測功能與模型時序預測功能的互補，提升對區(qū)域作物生長和產量品質形成的預測精度，是實現(xiàn)區(qū)域化作物生長和生產力精確預測的有效路徑。遙感信息與作物模型的耦合主要涉及3種策略，包括直接以遙感觀測值替換模型模擬值（中間變量更新策略），通過調整模型初始輸入參數(shù)值使得模型模擬值逼近遙感觀測值（初始參數(shù)反演策略），以及以某時刻遙感觀測值來優(yōu)化同時刻模型模擬值并改變優(yōu)化時刻之后的模型模擬狀態(tài)變量（生長過程同化策略）[82]。

遙感與模型耦合過程中，常用的耦合參數(shù)既有作物生長或生理指標，如葉面積指數(shù)、葉片氮含量等，也可以直接耦合遙感參數(shù)如光譜反射率、植被指數(shù)等[83-86]。例如，我們利用一種新的粒子群優(yōu)化算法，將遙感數(shù)據(jù)與水稻生長模型（RiceGrow）相結合，基于初始參數(shù)反演策略，通過光譜遙感和衛(wèi)星圖像獲取水稻葉面積指數(shù)和葉片氮積累量作為耦合參數(shù)，進行播種期、播種量和施氮量等初始參數(shù)的優(yōu)化，進而實現(xiàn)區(qū)域水稻產量的可靠預測[84]。另外，我們將遙感與小麥生長模型（WheatGrow）相耦合，基于生長過程同化策略，同時加入 PROSAIL輻射傳輸模型，以不同生育時期的小麥植被指數(shù)為信息耦合參數(shù)，通過同化遙感反演的時序性植被指數(shù)與 WheatGrow-PROSAIL模型模擬的時序性植被指數(shù)，獲得了最優(yōu)的葉面積指數(shù)序列，并以此驅動WheatGrow模型，從而準確預測了冬小麥生長指標和籽粒產量（圖7—8）[85]。同時，利用不同年份不同生態(tài)點的試驗數(shù)據(jù)對遙感與WheatGrow耦合的最佳植被指數(shù)及最佳生育時期進行了探討，發(fā)現(xiàn)小麥拔節(jié)至孕穗期選用土壤調節(jié)植被指數(shù)、孕穗后選用增強型植被指數(shù)作為耦合參數(shù)時生長模型的預測效果最好。如用一個生育時期的遙感數(shù)據(jù)進行耦合，孕穗—抽穗期是耦合的最佳窗口；如有多個生育期遙感數(shù)據(jù)，則基于拔節(jié)到灌漿期的時序遙感數(shù)據(jù)預測精度最高[86]。

圖7 模型與遙感耦合后預測的小麥葉面積指數(shù)（LAI）、葉片氮積累量（LNA）和葉片干物重（LDW）和實測值的對比Fig.7 Comparisons between observed and simulated values of LAI, leaf nitrogen accumulation (LNA) and leaf dry matter weight(LDW) by assimilating WheatGrow model with remote sensing information

圖8 遙感信息與WheatGrow模型耦合后預測的沿湖農場小麥葉面積指數(shù)（LAI）、葉片氮積累量（LNA）和籽粒產量（Yield）Fig.8 Simulated LAI, leaf nitrogen accumulation (LNA) and grain yield of wheat in Yanhu farm by assimilating WheatGrow model with remote sensing information

2.2.3 生產力預測與因子貢獻率評價 糧食安全生產始終是關系國民經濟發(fā)展、社會穩(wěn)定和國家自立的全局性重大戰(zhàn)略問題。糧食總產的提高主要依靠擴大種植面積或提高單產，在目前種植面積難以擴增的背景下，提高單產已成為增加作物總產和確保糧食安全的可行途徑。因此，迫切需要明確不同區(qū)域的作物層次生產力及產量差，并進一步解析產量制約因子，提出作物生產力提升的技術途徑。例如，我們利用WheatGrow模型和美國的CERES-Wheat模型，對我國冬小麥主產區(qū)的產量潛力、產量差和水分利用狀況進行了評價[78]。綜合利用 RiceGrow、ORYZA v3和CERES-Rice 3套水稻生長模型集合，估算了中國水稻主產區(qū)294個站點在1981—2010年的潛在產量，并結合區(qū)域高產創(chuàng)建目標及實際產量，量化了不同層次產量差。結果表明，不同層次產量差的空間分布呈現(xiàn)明顯的區(qū)域差異，但中國水稻生產力仍具有較大的提升空間，其中西南單季稻區(qū)增產潛力最大，長江中下游單季稻區(qū)次之，東北單季稻區(qū)和南方雙季稻區(qū)的提升空間相對較低（圖9—a、b）；在此基礎上，結合水稻種植面積的柵格數(shù)據(jù)，估算了不同層次總產差及其空間分布特征（圖9—c、d）[87]。進一步結合我國水稻播種面積、產量、人口、人均稻米消費量、種子、飼料等數(shù)據(jù)及其隨時間的變化特征，構建了基于經濟學模型的全國稻谷需求模型，并基于市場均衡理論，提出了我國水稻的供需平衡模型，實現(xiàn)了基于模型的糧食生產力預測預警[88]。同時，利用情景模擬方法，定量評估了氣候變化、土壤改良、品種更新和措施優(yōu)化等不同要素對作物生產力形成的貢獻，發(fā)現(xiàn)我國太湖地區(qū)1980年到2010年間氣候變化、土壤改良、品種更新和措施優(yōu)化等對水稻生產力提升的貢獻率分別為-19.5%、12.7%、21.7%和34.6%（圖 10）[89]。

圖9 中國水稻主產區(qū)不同層次單產和總產產量差的空間分布特征Fig.9 Spatial distribution of yield gap and production gap at different levels in main rice production regions of China

圖10 1980-2010年太湖區(qū)域不同要素對水稻產量提升的貢獻率Fig.10 Contribution of different factors to rice yield increase in Taihu lake region from 1980 to 2010

2.2.4 數(shù)字化設計與決策支持 隨著CropGrow模型各個模塊的構建與完善，模型的數(shù)字化設計與決策支持功能也得到不斷拓展，主要涉及適宜管理方案生成、理想品種選擇與設計、氣候效應定量評估、耕地利用決策評價與農業(yè)規(guī)劃政策制定等。在適宜管理方案生成方面，通過不同播期、密度、氮肥、灌溉等單一或組合方案的多年情景模擬試驗，可以確定不同概率下的最適管理方案。例如，基于 RiceGrow模型，通過情景模擬試驗，為我國水稻主產區(qū)不同區(qū)域設計了現(xiàn)在和未來氣候條件下的最適宜播期（圖11）[90]。在理想品種選擇與設計方面，通過評價不同品種遺傳參數(shù)組合下生育期、株型、光合作用及產量等方面的表現(xiàn)，可以生成理想的品種遺傳參數(shù)組合，為作物生產中優(yōu)良品種的選擇與選育提供了有效支撐。例如，通過改變小麥品種的消光系數(shù)，評估了緊湊型和披散型小麥品種的光能利用效率，為設計高光能利用率的理想株型品種奠定了基礎（圖12）[91]。

圖11 我國水稻主產區(qū)不同氣候情景下的適宜播期空間分布特征Fig.11 Spatial distribution of suitable sowing dates under different climate scenarios in main rice production regions of China

圖12 小麥緊湊型和披散型株型消光系數(shù)的動態(tài)變化Fig.12 The dynamic variation of extinction coefficient of erect and flat types of wheat cultivar

基于多年的歷史和未來氣象數(shù)據(jù)，利用作物模型可以開展不同空間尺度的氣候變化效應評估[28,77-79,89]。例如，利用WheatGrow模型結合全球氣候模型（GCM），采用柵格模擬方式，評價了我國冬小麥主產區(qū)未來不同年代（2030s、2050s、2070s）小麥生產力和水分利用效率的變化[78]。結合IPCC最新氣候變化預估結果，綜合利用RiceGrow、ORYZA v3和CERES -Rice 3套水稻模型，評估了全球增溫1.5℃和2.0℃情景下我國水稻主產區(qū)的生產力，發(fā)現(xiàn)增溫在一定程度上可以緩解高緯度地區(qū)（東北單季稻區(qū)）低溫脅迫對水稻生長發(fā)育的影響，具有一定的增產效應，然而對于其他地區(qū)則呈減產趨勢；CO2的肥效不能完全抵消氣候變暖對水稻生產帶來的負面影響[92]。此外，在國際農業(yè)模型比較和改進項目（AgMIP）框架下，將WheatGrow模型與全球其他多套小麥生長模型一起形成多模型集合，模擬了不同氣候變化情景下典型站點、國家和全球尺度小麥產量的變化趨勢[56,81]（圖13）。在耕地利用決策評價和農業(yè)規(guī)劃政策制定上，生長模型首先預測單產，進一步結合耕地利用情景，即可估算出區(qū)域耕地生產力；同時結合資源投入與耕地利用情況，可以評價作物種植區(qū)域的適宜性，可為制定農業(yè)耕地利用政策等提供支持。

圖13 全球增溫1.5℃（a）和2.0℃（b）情景下基于多模型集合預估的全球60個典型生態(tài)站點小麥產量的變化Fig.13 Impacts of (a) 1.5℃ and (b) 2.0℃ warming scenarios on wheat grain yield for 60 representative global wheat-growing locations from 31 crop models

2.2.5 生長模擬與決策支持平臺 在作物生長模型構建的基礎上，利用計算機軟構件技術封裝發(fā)育進程、光合同化、物質分配、器官建成、產品形成、養(yǎng)分動態(tài)、水分平衡等模塊算法，進一步與GIS、RS等技術耦合，拓展數(shù)據(jù)管理、參數(shù)生成、策略評價等功能，研制開發(fā)了作物生長模擬軟件系統(tǒng)[70,76,93-94]，并集成開發(fā)了作物生長模擬與決策支持平臺，實現(xiàn)了數(shù)據(jù)管理、參數(shù)優(yōu)化、生長模擬、遙感耦合、區(qū)域預測、方案設計、效應評估、安全預警、產品發(fā)布等綜合功能（圖14—15），具有多功能、空間化、數(shù)字化、可視化等特點。其中數(shù)據(jù)管理實現(xiàn)了氣象因子、土壤特性、品種參數(shù)、管理措施、病蟲草害、生產成本、生育進程和產量水平等基礎數(shù)據(jù)的查詢與維護，以及相關數(shù)據(jù)的時空特征分析功能。參數(shù)優(yōu)化實現(xiàn)了品種參數(shù)調試、氣象數(shù)據(jù)生成、土壤參數(shù)估算以及各農作區(qū)常規(guī)栽培管理措施配置等。生長模擬包括單點模擬、空間模擬、時序模擬、虛擬顯示和模擬驗證，其中單點模擬可基于單個生態(tài)點定量模擬不同生產條件下的作物生育進程和生產力形成過程（圖15-b），還能基于單點切入模擬，利用特定時期獲得的作物實際生長指標（葉面積指數(shù)、生物量、葉齡等），修訂實時模擬值，改進后期的模型預測結果（圖15-c）；空間模擬和時序模擬可以在不同空間尺度和長時間序列上模擬作物生長，并預測作物生產力的時空變化動態(tài)；虛擬顯示是通過耦合作物三維形態(tài)模型及可視化技術，實現(xiàn)不同生長條件下作物生長動態(tài)的三維可視化（圖15-d）；模擬驗證是基于田間實測數(shù)據(jù)驗證模型預測結果的準確性。遙感耦合可以通過初始參數(shù)反演、中間變量更新和生長過程同化等 3類耦合機制，提升對區(qū)域尺度作物生長和生產力的預測精度。方案設計和效應評估通過有針對性的情景模擬試驗與分析，輔助用戶進行管理決策和效應評價。安全預警是通過定量評估環(huán)境要素變化對作物生產的影響，結合糧食需求供給模型，實現(xiàn)糧食安全預測預警與應對策略制定。產品發(fā)布功能無縫對接CropGrow的WEB版服務平臺（www.cropgrow.net），實現(xiàn)生長模擬、管理方案、生產潛力、氣候效應、要素貢獻、農業(yè)政策等應用報告的生成及實時在線發(fā)布。

3 未來發(fā)展方向

3.1 完善農情基礎數(shù)據(jù)

數(shù)字作物的核心在模型，關鍵在數(shù)據(jù)[95]。在國家大數(shù)據(jù)戰(zhàn)略的支持下，未來需進一步擴充完善數(shù)字農業(yè)基礎設施條件，結合國家重大科技基礎設施建設、全國性農業(yè)普查和土壤普查，發(fā)揮“星-機-地-網”新型傳感數(shù)據(jù)獲取與傳統(tǒng)試驗數(shù)據(jù)調查的協(xié)同作用，獲取氣候條件、土壤特性、作物參數(shù)、管理措施等農業(yè)大數(shù)據(jù)，并利用大數(shù)據(jù)管理、空間數(shù)據(jù)管理等技術手段，推進農業(yè)數(shù)據(jù)資源的整合。同時，以政府和科研機構為主導搭建農業(yè)信息共享云服務平臺，突破數(shù)據(jù)建設部門的信息孤島，促進數(shù)據(jù)生產的協(xié)同與應用服務共享，從而為作物模型算法優(yōu)化、區(qū)域生產力模擬及多尺度應用等提供可靠的基礎數(shù)據(jù)支撐。

3.2 提升模型預測能力

CropGrow模型以生理發(fā)育時間為尺度，以天為步長預測作物的生長發(fā)育進程，可以模擬光溫潛在、水分限制和養(yǎng)分限制等不同生產水平下的作物生長發(fā)育狀況[33,94]。然而，影響作物生長發(fā)育的主要因子存在時空變異，因此需要深化作物生長模型與 GIS、RS技術的耦合機制與方法，更好地實現(xiàn)區(qū)域糧食生產力的準確預測。同時，隨著全球變暖，極端氣候事件（如高低溫、干旱、寡照等）的發(fā)生強度和頻率不斷增強[45,73-74,96]，探討極端氣候條件對作物生長發(fā)育與產量品質形成的生理機制，提高模型在極端氣候環(huán)境下的模擬精度，是作物模型未來關注的重點之一。此外，隨著勞動力日益緊張和農業(yè)機械化水平的提高，現(xiàn)代作物栽培管理模式也已經由傳統(tǒng)的人工栽培轉變?yōu)檩p簡化、機械化栽培，因而需要準確模擬不同生產管理模式下的作物生產力形成過程，以更好地適應現(xiàn)代農業(yè)的發(fā)展形勢。

3.3 量化遺傳基因效應

現(xiàn)代基因測序技術的飛速發(fā)展使得作物基因信息的快速獲取變成現(xiàn)實，進而為量化作物生長模型中品種遺傳參數(shù)與基因效應之間的關系奠定了良好基礎，有望克服傳統(tǒng)作物生長模型中品種遺傳參數(shù)的機理性不足這一難題[97-98]。今后將系統(tǒng)量化作物重要功能基因對主要表型性狀與產量品質形成的調控效應，研究創(chuàng)建基于功能基因生理效應和遺傳規(guī)律的作物遺傳參數(shù)估算新方法，進一步探索主要性狀基因效應與環(huán)境效應之間的互作機制與定量方法，揭示不同基因型品種對生態(tài)環(huán)境及管理措施的響應機制，有效提升作物生長模型對作物表型特征的預測潛能。通過構建以“基因效應-遺傳參數(shù)-表型特征-生產力形成”為主線的一體化模擬模型，可以為作物表型特征高效預測與育種性狀的快速選擇等奠定數(shù)字化技術基礎。例如，當前水稻分子設計育種研究已取得顯著進展，通過耦合基因效應模型與作物三維可視化模型有望為水稻理想株型的分子育種設計提供技術支持。

圖14 作物生長模擬及決策支持系統(tǒng)功能結構圖Fig.14 Function diagram of crop growth simulation and decision support system

圖15 作物生長模擬與決策支持系統(tǒng)界面Fig.15 Interfaces of crop growth simulation and decision support system

3.4 拓展智能預測決策

作物生長模型的不斷完善可進一步拓展決策支持功能。近年來，人工智能技術在農業(yè)領域得到快速發(fā)展與應用[99]，如能將作物生長模型的動態(tài)預測功能與人工智能決策的相關算法相結合，構建農業(yè)生產智慧管理決策系統(tǒng)，則可提高管理決策的智能化程度。例如，利用作物生長模型進行不同條件下的生育期與產量模擬，為基于衛(wèi)星遙感影像和人工智能算法的產量預測提供訓練數(shù)據(jù)，可提升區(qū)域作物生產力的預測與決策能力[100]。模型參數(shù)估算方法也將逐步從手工試錯法[33,89]轉向基于遺傳算法、粒子群算法及蒙特卡羅等人工智能算法的自動估算法[55,77,101]，進而實現(xiàn)不同應用場景下作物生長模型參數(shù)的快速自動估算。另外，作物生長模型結合作物表型監(jiān)測技術，可應用于高通量作物表型指標的動態(tài)模擬預測，為作物表型快速鑒定、作物株型優(yōu)化設計等提供智能化工具。

3.5 耦合多種功能模型

全球氣候變暖對未來世界糧食安全和農業(yè)可持續(xù)發(fā)展帶來極大威脅，探討作物生長模型與氣候預測模型的耦合機制與方法，以更好地評估氣候要素對糧食生產力的影響并制定相應的應對措施，成為當前的研究熱點[23-24,56]。同時，為了減少模型參數(shù)與模型結構對模擬結果帶來的不確定性，將開發(fā)集多種生長模型于一體的作物模擬支持系統(tǒng)，采用多模型模擬結果的中值或均值[102]，以減少單一模型模擬結果的不確定性。作物生長模擬系統(tǒng)還將耦合農業(yè)經濟模型和農田生態(tài)模型，既可實現(xiàn)糧食供需平衡的預測預警，還能優(yōu)化農業(yè)資源的高效利用。此外，通過耦合作物生長虛擬技術，模擬系統(tǒng)也將從傳統(tǒng)桌面軟件向三維仿真平臺拓展，用戶可以直接置身于農田虛擬場景中，通過改變環(huán)境因子及管理措施等輸入條件開展情景模擬試驗，實時感知田間作物虛擬生長場景，為用戶帶來直觀性和沉浸式的模擬體驗。