基于COSIM模型的棉花区域产量动态预测研究——以新疆阿克苏市为例

胡莉婷 ，潘学标 *，王雪姣 ,2，胡琦

（1.中国农业大学资源与环境学院，北京100193；2.新疆维吾尔自治区气象局农业气象台，乌鲁木齐830002）

棉花产量的增减关系着国计民生，影响着我国纺织工业的原料供给、棉花贸易的发展及棉花产业国际竞争力的加强，因而开展棉花产量的动态预测具有十分重要的意义。1990年以来气象部门就已经开始利用棉花播种前及生长季内的气象条件来预测棉花产量，并取得了显著的服务效益[1-2]。目前，对棉花产量的动态预测方法的研究很多，但大多采用统计学方法[1-4]，而且时效性较长，因此从棉花生长发育机理角度开展产量动态预测显得越来越迫切。自20世纪60年代以来，国内外已经开发了很多关于棉花生长发育的模型，如国外开发的GOSSYM模型[5]和模拟棉花形态特征的L-Cotton模型[6]等，国内开发的有COTGROW[7]、COSIM[8]等。由于模型需要输入明确的播种期或出苗期才能运行，且以往模型多用于地块水平的、有确定播种时间的田间试验产量模拟，将作物模型用于区域产量预报的还不多见。然而区域作物生产并非同步起止，播种也需要在一段时间内分期完成，按单一播种期模拟区域作物产量与生产实际不符，误差较大。因而本文拟以新疆阿克苏市的棉花区域产量预测为例，探索1种以适宜播种区间内各播种期的种植面积比率分布为权重依据，结合该地近期气候资料，运用COSIM棉花模型进行棉花产量动态预测的方法，并与基于多年平均播种期的方法[9]进行比较分析。

1 材料与方法

1.1 研究区域及数据

本研究选取新疆维吾尔自治区阿克苏市棉花种植区域作为案例。该市地理坐标为N 39°30′～41°27′，E 79°39′～82°01′，海拔 1 105 m，全市总面积1356 km2，其中耕地面积5.2万hm2。阿克苏市光热资源丰富，干旱少雨，土壤类型为黄淤土，土壤质地为砂壤土。

气象资料来自阿克苏气象站点1991―2014年的地面气象观测资料，由国家气象信息中心提供。1991―2013年棉花物候观测资料由新疆气象局阿克苏市农业气象站和国家气象信息中心提供。1991―2014年棉花的单产数据来自《新疆统计年鉴》。模型中所需的棉花管理参数和品种信息来自当地生产部门。土壤资料来自《中国土种志》[10]。

1.2 棉花生长发育模型

COSIM棉花模型由潘学标等开发[8]，主要包含输入数据设置、管理与天气文件读取、发育期模拟、光合生产、水分平衡模拟、干物质分配、叶面积动态与产量形成等模块。该模型反映棉花生长发育、产量形成与环境条件及管理措施的关系，根据指定区域或地点相应的天气数据、土壤数据、管理数据和作物数据，可以模拟棉花各发育期出现的日期、叶面积系数、单位面积各器官干物质质量、最终的单位面积籽棉产量、皮棉产量和霜前皮棉产量，并根据模拟结果写出逐日文件和最终文件供系统调用[8]。目前，COSIM模型已较好地应用于棉花生产气候风险评估[11]、棉花延迟型冷害的预测和诊断[12-13]，以及未来气候变化对棉花生产的影响研究[14]等方面，取得了较好的效果。

1.3 气象资料处理

本研究利用COSIM模型进行产量预测时，需要输入模拟时段的气象信息，但是进行产量模拟预报时，未来的棉花生长季内的气象信息尚未获取，天气预报尚不足以支撑数据需求，需要采用替代型数据[15]。

新疆的棉花生长季节通常在4～10月。托丽娜等[11]通过模型模拟的方法研究得出棉花生育期内≥12℃有效积温与皮棉产量关系密切。目前，根据已有气象资料的相似性，运用相似年型进行产量预测的研究已有很多[1-2]。由于棉花生长和其他作物一样，具有延续性和一定的恢复能力；但当遭遇重大灾害时（如严重低温），又具有损害不可逆性等特点，所以当预报年播种前至发布预报时的气象条件与历史上某年同一时段的气象条件相似时，最终气象条件对产量的影响不一定相似[1]。因而本研究拟采用如下方法解决后期气象信息暂缺的问题：即预报日之前如有实际气象数据，采用当年的真实气象数据作为模型输入，而预报日之后预报时段的气象信息，分别利用预报年前近10 a或近5 a的逐年相应日期的实际逐日气象数据替代，然后逐年分别驱动COSIM模型进行棉花产量的模拟，即可分别得到对应于预报年的10个或5个模拟产量，最后再分别求这10个或5个模拟产量的平均值，即作为预报年的模拟产量[9]。

1.4 基于适宜播种区间的产量预报方法

不同播期的棉铃生物量存在差异并影响棉铃品质[16]。棉花播种期不仅与气温稳定达到或超过12℃的起始日期、终霜日以及播种—出苗期间热量指数等有关[17]，而且在实际生产中，棉花播种期受人为因素影响较大，即在同一年不同地方不同农户播种棉花的时间会不同。因此在同一年份、同一气候条件下由于人为因素，棉花的播种时间会存在差异，从而降低基于模型的区域产量预报的准确性。在实际生产中区域内会存在棉花大面积集中播种的时间（即适宜播种期区间），且在适宜播种期区间内不同播种日期的播种面积比例分布不同。

本研究中假设不同播种日期下播种面积的比例与近些年来该播种日期的频率存在一定的正相关关系；假设围绕最适播种期，不同播种日期的播种面积比例按正态分布。通过在适宜播种区间内设置多个播种期，运用COSIM模型分别对棉花生长发育和产量进行模拟，之后以各播种期的播种面积比例为权重依据，将不同播种日期下的模拟产量分别乘以相应的权重系数，得到预报年的总产量模拟值。

本文假设区域棉花的适宜播种期区间为[xi,xk]，假设其中最适播种日期为x3，以此为中轴在适宜播种期内选取一组棉花播种期时间序列（x1，x2，x3，x4，x5）， 这 5 个播种期驱动 COSIM 模型进行生长发育和产量形成模拟，进而得到不同播种日期下的模拟产量分别为 y1，y2，y3，y4，y5； 根据各播种期所代表的时间区域内的播种面积比例，并分别赋予权重值 a、b、c、d、e，各权重值在 0～1 之间，总和为1。通过下式可得到模拟年的区域平均产量Y：

1.5 统计方法

通过物候期及皮棉产量的模拟值与实测值间的均方根误差RMSE （Root mean square error）和拟合误差率E来检验模型的有效性。用预报准确率P[18]来表示产量预报方法的预报精度。

式中，Qi为实测值，Si为模拟值，n为样本数量。

2 结果与分析

2.1 模型参数的调试与验证

本研究利用2002―2003年以及2008年和2010年阿克苏市的数据资料对COSIM模型进行区域化参数调试，然后分别利用2001年、2004―2005年、2006―2007年和2009年的试验资料对模拟结果进行有效性检验，确定该区域的棉花模型的参数值。由表1可知，阿克苏市棉花出苗期、现蕾期、开花期和吐絮期的实测值与模拟值的RMSE 分别为 1.7 d、2.9 d、3.2 d 和 6.3 d，均小于 7 d，且拟合误差率均小于3%；皮棉产量实测值与模拟值的RMSE为192.9 kg·hm－2，拟合误差率均小于16%。由图1可知，2001―2010年，每年棉花各生育期日序的模拟值均在实测值±10%的误差范围内（图1中虚线内；本文中所有日序起始日为1月1日，即1月1日的日序为第1天）。认为COSIM模型对阿克苏市棉花生产的模拟和实际情况吻合度较好，该模型在阿克苏市适用性较好。

表1阿克苏市棉花生育期、皮棉产量观测值与模拟值的比较（2001―2010）Table 1 Comparison between the observed and simulated values of cotton grow th period and yield in Akesu(2001－2010)

2.2 基于模型的产量预报所需气象信息及其处理

由图2可知，在2011―2014年间的任一年，阿克苏市棉花生育期内该年之前近5 a有效积温的平均值比该年之前近10 a的平均值更接近于该年的有效积温值。所以本研究中采用预报年之前近5 a的气象资料依次替代预报日之后的未知气象数据，来模拟棉花生长发育和产量形成过程，然后以近5 a模拟产量的平均值作为预报年的模拟产量。在理论上，可以在作物生长季中的任何一天进行基于模型的动态产量预测，但为减少工作量和结合作物预报业务中的时效性需要，本研究中在预报年内选择预报时间为4月1日、5月1日、6月1日、7月1日、8月 1日、9月 1日、10月1日和11月1日的棉花产量动态预报结果进行分析，即分别在棉花生长季内的不同月份的第一天进行模拟，之前的气象数据采用模拟当年的实测值，当日起的气象数据利用预报年之前最近数年 （本研究为5 a）的历史数据按年分别进行气象资料的替代，然后驱动模型。

图1阿克苏地区棉花各生育期日序模拟值与实测值(2001―2010)Fig.1 Observed and simulated values of cotton grow th stages in Akesu(2001－2010)

表2阿克苏市棉花产量预报结果（2011―2014年）Table 2 The dynamic predicted results of cotton yield in Akesu(2011－2014 year)

2.3 基于多年平均播种日期的产量预报方法

本研究方法选用阿克苏市1991―2010年的平均播种日期4月14日（第104日）作为预报年的播种日期。由表2可知，除2014年的4月1日、5月1日、6月1日和8月1日的预报时间外，阿克苏市2011―2014年4～11月的棉花模拟产量的预报准确率均在90%以上，且大多数预报准确度在95%以上，因此该方法能够较为准确地预报阿克苏市棉花产量。

图2阿克苏市棉花生育期内≥12℃有效积温（2011―2014年）Fig.2 The effective accumulated temperature≥12℃during the cotton grow th period in Akesu(2011－2014 year)

2.4 基于适宜播种期区间的产量预报方法

2.4.1 适宜播种区间的确定。由物候资料得出，在1991―2010年间阿克苏市棉花的播种日期平均值为 4月14日（日序为 104），在近 20 a中实际播种期最早为4月6日，最晚为4月22日。由图3可以大致确定近20年中阿克苏市棉花大面积播种的播种期区间为 [93,117]（用日序表示），其中区间[103,107]棉花播种面积最大。因而我们假设4月15日（日序为105）为阿克苏市棉花最适播种时间，并以此为中心设置5个播种期，分别为4月5日（第95日）、4月10日（第100日）、4月15日（第105日）、4月20日（第110日）和4月25日（第115日）。

权重系数根据棉花在各播种日期区间下的播种面积的比例确定，由图3可以假设权重系数分为以下4个方案：

（1）权重系数方案 1∶0.1，0.2，0.4，0.2，0.1；

（2）权重系数方案 2∶0.05，0.2，0.5，0.2，0.05；

（3）权重系数方案 3∶0.05，0.25，0.4，0.25，0.05；

（4）权重系数方案 4∶0.15，0.25，0.4，0.18，0.02。

图3阿克苏市农业气象试验站棉花播种期日序（1991―2010）Fig.3 Cotton sowing time in a grometeorological experiment station in Akesu(1991－2010)

2.4.2 权重系数的确定。2011―2014年每年的产量动态预报结果随预报时间的变化趋势大体一致（表 3），即随预报时间（4―11月）的推移，预报准确率呈缓慢上升趋势；且不论选择哪组权重系数方案，运用基于适宜播种期区间多个播期的产量预报方法进行棉花产量预报时，除2014年棉花产量预报准确率平均值为89.5%左右外，其他预报年的产量预报准确率的平均值均在93%以上，准确率较高；在4组权重系数方案中，权重系数方案4条件下的预报准确率较高，且不同预报时间之间的预报准确率均方差较小，即权重系数方案4条件下的该产量预报方法较为稳定。因此，通过基于播种区间[93,117]内的多个播期（95、100、105、110、115）并结合权重系数方案 4（0.15、0.25、0.4、0.18、0.02）的方法进行棉花产量预报的方法在阿克苏市具有较好的可行性和适应性。

2.5 不同产量动态预报方法的比较分析

由图4（1）可以得出，整体上来看，2种产量预报方法的预报准确率随预报时间的推移都呈升高趋势，但基于适宜播种期区间的产量预报方法的预报准确率随预报时间推移的升高趋势更明显。2种产量预报方法的预报准确率都较高且较为接近，4年平均预报准确率均在90%以上。2种预报方法的多年标准误差差异不显著。除了预报时间5月1日和8月1日外，基于适宜播种期区间的产量预报方法的4年平均预报准确率比基于多年平均播种日期的产量预报方法高出0.1～2.4百分点，但差异不显著。在棉花生育期内的不同时间下进行产量动态预测时，推荐采用基于适宜播种期区间的产量预测方法。

由图4（2）可以得出，对阿克苏市2011年、2012年和2014年的棉花产量进行预报时，2种产量预报方法的预报准确率相近；但在预报年2013年时，基于适宜播种期区间的产量预报方法的预报准确率高于基于多年平均播种日期的预报方法，且高2百分点左右。产生该现象可能是

与预报年份的实际播种日期有关，即由于2011年和2012年阿克苏市棉花实际播种期日序分别为103和100，这两年的实际播种日期与多年平均播种日期（日序为104）较为接近；而2013年实际播种期日序为93，与该预报方法中所选取的多年平均播种日期（日序为104）差距较大，故在预报年份2013年时，基于多年平均播种日期的产量预报方法的预报准确率明显低于基于适宜播种期区间的产量预报方法。因此，对阿克苏市棉花产量进行动态预报时，尤其是在预报年内棉花实际播种期未知的情况下，基于适宜播种期区间的预报方法的预报准确率更高。

表3阿克苏市棉花产量动态预报结果（2011―2014）Table 3 The dynamic prediction results of cotton yield in Akesu(2011－2014)

图4阿克苏市棉花两种产量预报方法的预报准确率（2011―2014）Fig.4 Cotton yield prediction accuracy of two methods in Akesu(2011－2014)

3 讨论

本文主要基于棉花生长发育模型进行产量的动态预测结果。但由于作物模型是1个系统工程，受到各种因素的影响，各自模型仍存在许多局限性和不足。如作物模型中部分参数的确定方法，大多数来自于文献资料和实际试验结果，这需要进行大量的田间实验获得；模型是作物生长发育过程的简化，与自然条件下的作物生长情况不可能完全一致，而且由于模型是在假设田间均一的生产情况下运行的，但在实际生产中，如田间的土壤状况、水的灌溉量等往往是不均匀的，因而致使模型模拟结果会出现偏差[19-20]。

本文在适宜播种期区间的选取方面也存在不足。由于在实际生产中，不同地区棉花播种时间不同，所以本文选取棉花大面积播种的播种期区间作为适宜播种区间。虽然适宜播种区间和多个播期是根据该地区棉花多年播种期综合分析选取的，但是具有很大的人为因素，易造成误差。此外，该方法目前仅在阿克苏市进行研究分析，因此，需进一步对该方法加以研究和检验，使之日益完善。

目前，进行棉花产量预报的方法大多为统计学方法，此类方法成本高、效率低，而基于棉花模型的产量预报方法与计算机结合可以满足产量预报自动化需求，能为现代农业信息化、机械智能化及精准农业的发展提供有力工具[21-22]。基于作物模型的产量预报方法的发展有利于建立1个较为全面的描述作物生长发育和产量形成的业务系统，能较好地促进作物产量预报业务化和高时效性的发展。

4 结论

COSIM模型可以较好地模拟阿克苏市的棉花生长发育过程及产量水平。基于多年平均播种期和适宜播种期区间的2种产量预报方法的预报准确率基本上都在90%以上，均具有较高的预报精度。不同预报方法的预报准确率与起报时间以及播种期有关，在棉花生育期内按照月份对棉花产量进行动态预测时（尤其对于预报时间为棉花生育期后期时），或预报年份实际播种期未知时，基于适宜播种期区间的预测方法的模拟产量更接近于实际产量，预报准确率更高、适用性稍好，但两者差异不显著。整体来看，在阿克苏市进行区域产量动态预报时，基于适宜播种区间的预报方法优于基于多年平均播种日期的预报方法。

[1]王建林,宋迎波.棉花产量动态预测方法研究[J].中国棉花,2002,29(9):5-7.Wang Jianlin,Song Yingbo.Research on the method of dynamic prediction of cotton yield[J].China Cotton,2002,29(9):5-7.

[2]钱栓,王建林.棉花产量丰歉气象指标和评价模型[J].气象科技,2001(3):30-35.Qian Shuan,Wang Jianlin.Meteorological index and evaluation model of cotton production[J].Meteorological Science and Technology,2001(3):30-35.

[3]柳芳,薛庆禹,黎贞发.天津棉花气候适宜度变化特征及其产量动态预报[J].中国农业气象,2014,35(1):48-54.Liu Fang,Xue Qingyu,Li Zhenfa.Climatic suitability variation and yield dynamic prediction model of cotton in Tianjin[J].Chinese Journal of Agrometeorology,2014,35(1):48-54.

[4]庄丽,王进,白丽,等.基于高光谱的中国干旱区棉花遥感估产[J].农业工程学报,2011,27(6):176-181 Zhuang Li,Wang Jin,Bai Li,et al.Cotton yield estimation based on hyperspectral remote sensing in arid region of China[J].Transactions of the CSAE,2011,27(6):176-181.

[5]Baker D N,Lambert J R,M cKinion J M.GOSSYM:A simulator of cotton crop grow th and yield[J].South Carolina Agricultural Experiment Station Technical Bulletin,1983(1089):134

[6]Room P M,Hanant J S,Prusinkiewicz P.Virtual plants:new perspectives for ecologists,pathologists and agricultural scientists[J].Trends in Plant Science,1996,1(1):33-38.

[7]潘学标,韩湘玲,石元春.COTGROW：棉花生长发育模拟模型[J].棉花学报,1996,8(4):180-188.Pan Xuebiao,Han Xiangling,Shi Yuanchun.COTGROW:Cotton grow th and development simulation model[J].Cotton Science,1996,8(4):180-188.

[8]潘学标,李玉娥.新疆棉花生产区域评估系统研究[J].中国农业科学,2003,36(1):37-43.Pan Xuebiao,Li Yue.Study on cotton production regional assessment system of Xinjiang[J].Scientia Agricultura Sinica,2003,36(1):37-43.

[9]王雪姣.气候变化对新疆棉花物候、产量和品质的影响与适应措施[D].北京:中国农业大学,2015.Wang Xuejiao.Impacts and adaptation of climate change on cotton phenology, yield and fiber qualityin Xinjiang[[D].Beijing:China Agricultural University,2015.

[10]全国土壤普查办公室.中国土种志（1-6卷）[M].北京:农业出版社,1994.National Soil Survey Office.Chinese soil species(volume 1-6)[M].Beijing:Agricultural Press,1994.

[11]托丽娜,潘学标,廖要明,等.新疆棉花生产气候风险评估的模型方法初探[J].棉花学报,2005,17(2):122-124.Tuo Lina,Pan Xuebiao,Liao Yaoming,et al.Assessment of climate risk for cotton production in Xinjiang by cotton production regional assessment system[J].Cotton Science,2005,17(2):122-124.

[12]陈超,潘学标,李慧阳,等.基于COSIM模型的新疆棉花延迟型冷害指标分析[J].棉花学报,2009,21(3):201-205.Chen Chao,Pan Xuebiao,Li Huiyang,et al.Analysis of cotton delayed cool injury indices in Xinjiang based on COSIM[J].Cotton Science,2009,21(3):201-205.

[13]王雪姣,潘学标,陈超,等.基于COSIM模型的棉花延迟型冷害预测研究[J].棉花学报,2012,24(1):52-61.Wang Xuejiao,Pan Xuebiao,Chen Chao,et al.Forecasting cotton chilling damage based on COSIM[J].Cotton Science,2012,24(1):52-61.

[14]陈超,潘学标,张立祯,等.气候变化对石羊河流域棉花生产和耗水的影响[J].农业工程学报,2011,27(1):57-65.Chen Chao,Pan Xuebiao,Zhang Lizhen,et al.Impact of climate change on cotton production and water consumption in Shiyang River Basin[J].Transactions of the CSAE,2011,27(1):57-65.

[15]秦鹏程,刘敏,万素琴,等.不完整气象资料下基于作物模型的产量预报方法[J].应用气象学报,2016,27(4):407-416.Qin Pengcheng,Liu M in,Wan Suqin,et al.Methods for yield forecast based on crop model with incomplete weather observations[J].Journal of Applied Meteorological Science,2016,27(4):407-416.

[16]赵新华,束红梅,王友华,等.播期对棉铃生物量和氮累积与分配的影响及其与棉铃品质的关系[J].作物学报,2010,36(10):1707-1714.Zhao Xinhua,Shu Hongmei,Wang Youhua,et al.Effect of sowing date on accumulation and distribution of biomass and nitrogen in cotton bolls[J].Crop Science,2010,36(10):1707-1714.

[17]毛炜峄,曹占洲,邹陈,等.新疆棉花播种期气候服务指标分析及应用[J].沙漠与绿洲气象,2010,4(6):1-5.Mao Weiyi,Cao Zhanzhou,Zou Chen,et al.Analysis and application about the climate service index of cotton's seedtime in Xinjiang[J].Desert and Oasis Meteorology,2010,4(6):1-5.

[18]帅细强,陆魁东,黄晚华.不同方法在湖南省早稻产量动态预报中的比较[J].应用气象学报,2015,26(1):103-111.Shuai Xiqiang,Lu Kuidong,Huang Wanhua.A comparative study on dynamic forecasting of early rice yield by using different methods in Hunan Province[J].Journal of Applied Meteorological Science,2015,26(1):103-111.

[19]薛琳,郑国清,戴廷波.作物生长模拟模型研究进展[J].河南农业科学,2011,40(3):19-24.Xuelin,Zheng Guoqing,Dai Tingbo.A review on the research of crop simulation model[J].Journal of Henan Agricultural Sciences,2011,40(3):19-24.

[20]曹宏鑫,赵锁劳,葛道阔,等.作物模型发展探讨[J].中国农业科学,2011,44(17):3520-3528.Cao Hongxin,Zhao Suolao,Ge Daokuo,et al.Discussion on development of crop models[J].Scientia Agricultura Sinica,2011,44(17):3520-3528.

[21]黄健熙,李昕璐,刘帝佑,等.顺序同化三种时空分辨率LAI的冬小麦估产对比研究[J].农业机械学报,2015,46(1):240-248.Huang Jianxi,Li Xinlu,Liu Diyou,et al.Comparison of winter wheat yield estimation bysequential assimilation of three different spatio-temporalresolution remotely sensed LAI datasets[J].Transactions of the Chinese Society for Agricultural Machinery,2015,46(1):240-248.

[22]何亚娟,汪庆发,裴志远,等.冬小麦产量分阶段预测模型[J].农业机械学报,2012,43(1):89-93,133.He Yajuan,Wang Qingfa,Pei Zhiyuan,et al.W inter wheat yield forecast multi-stage model[J].Transactions of the Chinese Society for Agricultural Machinery,2012,43(1):89-93,133.