作物生长模型的应用研究进展*

孙扬越，申双和



作物生长模型的应用研究进展*

孙扬越1，申双和2**

（1.南京信息工程大学应用气象学院，南京 210044；2.南京信息工程大学气象灾害预警预报与评估协同创新中心，南京 210044）

作物生长模型不仅能够进行单点尺度上作物生长发育的动态模拟，而且能够从系统角度评价作物生长状态与环境要素的关系。本文通过梳理当前作物生长模型应用的诸多研究成果，剖析模型在气候变化对农业生产影响研究、作物生长模型区域应用中的关键问题，总结了当前以作物生长模型为核心的农业决策支持系统开发的研究情况，意在促进作物生长模型在生态、农业、区域气候资源和气候变化等研究中更广泛地应用。结果表明，作物生长模型在国内外的研究与应用广泛而深入，在气候变化背景下，应用作物生长模型进行历史时期气候条件和农业气象灾害对作物生产状况和产量的影响研究已相当广泛且相对成熟。利用全球气候模式（GCM）或区域气候模式（RCM）构建未来气候变化情景，再与作物生长模型耦合已发展成为评估未来气候变化对农业生产影响的重要手段。通过集成与整合多作物生长模型、多气候模式集合模拟、优化气候模拟数据订正方法可有效降低气候变化对农业生产影响评估的不确定性。遥感数据同化技术能够将站点模型运用到区域尺度上评价不同环境因子对农业生产的影响，拓宽了作物生长模型的应用尺度范围并有效提高作物产量估算的精度。以作物生长模型为核心的农业决策支持系统的研究与应用越来越多元化，是辅助农业生产管理和决策的重要工具。然而，由于作物生态系统的复杂性，作物生长模型模拟结果仍存在很大的不确定性，今后对作物生长机理及过程间耦合机制的探索还需加强，以便进一步完善和改进模型，促进作物生长模型更广泛地应用。

作物生长模型；作物模型；气候变化；遥感；研究进展

作物生长模型是从系统科学的角度，基于作物生理过程机制，将气候、土壤、作物品种和管理措施等对作物生长的影响因素作为一个整体系统的数值模拟系统。能够以特定时间步长对作物在单点尺度上生长发育的生物学参数以及作物产量进行动态模拟，定量化研究环境因子以及田间管理措施对作物生长发育的影响。因其具有通用性，不受地区、时间、品种和栽培技术差异的限制，近年来，作物生长模型在诸多领域如区域化模拟、农业预测与风险分析、气候变化影响评估、宏观农业决策制定、优化栽培措施等得以应用，成为农业生产定量评价的重要手段之一。

在气候变化背景下，农业是受气候变化影响最直接的脆弱行业。全球气候变化带来的温度升高、大气CO2浓度增加等现象对作物产量的影响需要在长时间尺度上进行评价，同时，田间试验、统计分析等研究方法在进行多种作物品种的长期试验中不具有可行性，尤其是在模拟气象灾害的影响以及温度、降水、大气CO2浓度增加和辐射等环境条件发生变化的情况下，而这正是作物生长模型的优势所在。因此，利用作物生长模型进行数值模拟和预测研究是目前定量化研究气候变化对农业生产影响的主要手段。由于目前绝大多数作物生长模型是基于田间尺度的土壤-作物-大气系统的一维模型，如何将这些单点尺度模型扩展到区域，并在此基础上评价环境因素对农业生产和农业生态的影响是目前亟待解决的重点问题。本文概述了作物生长模型的发展历程，对WOFOST、DSSAT-CERES、APSIM、AquaCrop、ORYZA等几种常见典型作物生长模型进行比较，并着重分析了模型应用的现状及针对的问题。具体对以下问题进行了探讨：（1）典型作物生长模型的基本原理、特点以及模型发展近况；（2）在气候变化背景下，作物生长模型的应用，耦合作物生长模型与气候模式亟需解决的问题；（3）作物生长模型与遥感数据的同化系统的构建及应用；（4）作物生长模型的农业决策功能。在总结和讨论上述问题的基础上，提出了更好地发挥作物生长模型应用功效的建议。

1 主要作物生长模型简介

1.1 作物生长模型的发展

1.1.1 模型研制阶段

叶冠层光合作用理论是作物生长动力学模型建立的基础，第一个详尽的植被光层截获光理论由日本学者Monsi研究提出。此后，1965年de Wit发表的“叶片冠层光合作用”经典性论文为作物生长模型的发展奠定了基础。荷兰最早开始作物生长模型的开发研究，de Wit于1970年发表了第一个作物生长动力学模型ELCROS（Elementary Crop Simulator），该模型比较详细地描述了冠层光合作用、器官生长、呼吸作用等机理过程。1982年，在ELCROS基础上发展形成了更为复杂的BACROS（Basic Crop Growth Simulator）模型。Keulen借鉴这两个模型的概念发表了可以模拟水分胁迫条件下植物生长的ARID CROP模型。美国作物机理性模型研究起步略晚，但是发展迅速。玉米模型SIMAIZ、Chen和Curry研制的玉米模型等刻画了作物自身生理过程，如植物发育，不同冠层的光合作用，叶、茎、根的光合作用，呼吸损耗，干物质积累，净光合产物的分配等过程，这些过程在当前许多作物生长模型中均有体现。Childs等建立的模型考虑了外界环境因子的胁迫作用，该模型与之后发展起来的作物生长模型已十分接近。

1.1.2 单一模型应用研究阶段

作物生长模型发展的中期阶段（20世纪80年代），侧重于实际应用，一些集生长机制和经验过程于一体的基于作物生理过程的模型发展起来。国外具有代表性的作物生长模型有：美国农业部为便于模型的普及应用而将CERES和GRO模型集成的DSSAT作物决策支持系统；SARP（Simulation and System Analysis for Rice Production）计划开发的针对应用的ORYZA水稻模型；荷兰的“de Wit学派”在SUCROS模型基础上发展的WOFOST模型；以及澳大利亚农业生产系统研究组通过集成不同作物生长模型建成的作物生产潜力模型—APSIM。中国对作物生长模型的研究起步较晚，最早的研究始于1982年，在高亮之和金之庆先生带领和指导下，形成了将作物生长模型、栽培优化模型与专家知识相结合的作物栽培模拟优化决策系统CCSODS（Crop Computer Simulation，Optimization，Decision-making System）模型系列，集成了水稻、小麦、玉米、棉花、大豆和油菜栽培模拟优化决策系统。1996年，潘学标等参考荷兰棉花模型开发了COTGROW模型。冯利平等开发的小麦生长发育模拟模型（WheatSM）吸收了水稻“钟模型”RCSODS和CERES-Wheat模型的思想方法，该模型从小麦发育特性出发，适于大面积模拟应用。

1.1.3 综合模型应用研究阶段

20世纪90年代以后，随着社会需求的增多，模型的发展方向也趋于多元化，更侧重于对现有模型的完善，主要针对模型的普适性、准确性和易操作性等方面进行优化。此外，还将作物生长模型与其它学科模型进行嵌套，从而扩展其应用范围。如将作物生长模型与大气环流模式GCMs（General Circulation Models）结合，评价气候变化对全球范围作物生产的影响；将作物生长模型与土壤侵蚀预报模型嵌套，建立侵蚀-生产力影响评估模型（Erosion-productivity Impact Calculator，EPIC），应用于水土资源管理和生产力评价。随着EPIC模型不断升级，应用范围从单点扩展至区域尺度，已在全球多个地区得以应用，为农业生产管理提供决策依据。借助遥感观测参数调整模型参数，可有效提高作物生长模型模拟的精度，此外，将作物生长模型与地理信息系统GIS技术结合可以扩大作物生长模型的应用范围。中国国家气候中心于2013年嵌入了WOFOST、ORYZA2000、WheatSM、ChinaAgroy四个模型，构建了基于作物生长模型的中国作物生长模型监测系统CGMS-China（Crop Growth Simulating and Monitoring System in China）[1]，该系统通过同化遥感信息，可应用于作物长势监测与评估、作物产量预报、农业气象灾害影响评估等农业气象业务。

各类机理模型涉及作物种类繁多，应用也十分广泛。作物生长模型从机理性模型的研制开始，逐步发展到综合模型的应用，既体现了模型的发展过程也指明了未来的发展方向，作物生长模型能够在生态、农业和粮食安全等领域发挥重要作用。为了解决更复杂的问题，包括可持续生产、气候和土壤的变异性以及管理措施的多元化等问题，许多作物生长模型在过去几十年中不断发展，模型的灵活性提高，可以支持不同作物、种植系统和生产情况的模拟。DSSAT v4.7现可支持超过42种作物的模拟，管理模块的管理文件提供不同作物轮作和管理策略。APSIM模型不仅是农田种植系统模型，还可以模拟一系列牧场和牧草的生长，支持农林复合生态系统以及畜牧系统的模拟[2]。模型的模块化结构允许具有相同功能的组件被连接，DSSAT中的种植系统模型（Cropping System Model，CSM）包含两种用于模拟土壤有机质积累和分解的模型，用户可以选择不同的模块进行评估和比较[3]。此外，WOFOST模型的最初实现是在FORTRAN中开发的，而今WOFOST研究组在Python Crop Simulation Environment（PCSE）框架内开发了PCSE/WOFOST版本，通过配置丰富的第三方库，大大加强了模型应用的灵活性[4]。模型的不断改进和优化促进了作物生长模型在精准农业和智能农业中的新应用，以APSIM模型为例，现已广泛应用于各领域，包括支持农场管理决策、农业生产系统设计、评估季节性气候预报的价值及为政府决策进行风险评估等[2]。所有这些模型都更加标准化以降低跨地域、跨作物和跨目的的应用障碍。例如，Kersebaum等[5]提供了一个数据集定量分类软件用于作物模型校准和验证的数据集分析和分类，以提高数据在模型评价、统计分析和数据同化方面的实用性。Porter等[6]通过建立跨模型的数据交换机制AgMIP以实现互操作性，该数据交换机制的变量按照国际标准定义，采用灵活高效的结构化数据模式来储存实验数据，并提供特定的方法填补缺失或不足的数据，以便不同数据源或数据形式在同一数据集上并行运行。

1.2 几种典型作物生长模型的比较与评价

在作物生长模型的发展过程中，典型的模型有WOFOST、EPIC、DSSAT-CERES、AquaCrop、APSIM、RCSODS、ORYZA和WheatSM等[7−9]。这些模型以作物生长发育过程为主要内容，注重作物生理生态等功能的表达，不仅考虑气温、降水、太阳辐射、CO2浓度等气象因子对产量形成的影响，还考虑了光截获和利用、物候发育、干物质分配等诸多过程及过程间的复杂相互作用。但是，由于目前对作物生态系统过程机理的认识尚不全面，只能用定量化的方法进行近似的模拟处理，而且作物生长各过程间耦合机制相当复杂，准确认知和正确表达仍然难以达到，因此，作物生长模型模拟结果的准确性有待进一步提高。

表1为目前基于过程表达的几种典型作物生长模型，分为单作物专用模型和多作物通用模型。通用模型多适用于禾谷类作物，共同模拟的生长过程包括冠层的光截获与利用、物候发育、干物质分配、蒸腾、水分平衡和养分平衡，通过调整水分或某种营养成分的输入量可以进行水分和养分胁迫条件下作物生长过程的模拟。除此之外，各模型模拟的核心突出点又有所不同，有些模型含有独特的模拟过程。如APSIM模型的核心是土壤，嵌有土壤侵蚀和碳素平衡、土壤温度、土壤水分平衡、溶质运移、残茬分解等过程的相应模块；CERES系列模型以光能为主要驱动，集成了天气、土壤等模拟模块；AquaCrop模型是典型的水分驱动模型，可通过计算作物水分利用效率评估作物产量对水分的响应；EPIC模型中包含有侵蚀模块、经济模块等，支持在土壤风蚀和水蚀以及土地资源管理等研究中的应用[10]；WOFOST模型是通过CO2同化和光截获过程驱动作物生长的模型，其最大的特点是普适性，根据气候和土壤条件即可模拟作物根、茎、叶和穗生物量以及土壤水分，只需通过调整作物参数，即可适用于不同的作物。通过增加新模块，WOFOST还可以模拟营养物限制、极端事件和气候变化的影响[4]。图1展示了WOFOST模型中各子模块之间的联系以及模拟过程。

单作物专用模型主要针对水稻和小麦研制的。ORYZA是最常用的、适用于不同情景分析的综合水稻模拟模型，其具有较强的机理性和普适性。ORYZA不仅可在水分限制、植株氮素限制及水氮联合限制条件下模拟水稻生长和发育情况，还支持模拟CO2浓度变化对水稻生长的影响。RCSODS是国内第一个较完整的水稻栽培模拟优化决策系统，将作物模拟与栽培优化原理结合进行栽培决策服务。WheatSM小麦模型是针对中国地区不同冬小麦品种类型（冬性、半冬性和春性）而研发的适用于中国大面积范围应用的作物模型，在华北冬小麦区有较高的适用性。

表1 典型作物生长模型的主要模拟过程

Table 1 The main simulation process of some typical crop growth models

注：DVS为物候发展阶段，LAI为叶面积指数。

Note：DVS is development stage and LAI is leaf area index.

模型评价一直以来都是作物生长模型发展的一个重要方面，是提高模型模拟精确度的关键环节，也是模型进入应用阶段的基础。理论上讲，模型模拟效果的好坏反映了系统模型对作物生长的环境、过程及过程间的相互作用的定量描述是否合理，能否较准确地刻画系统的行为特征，其评价指标需要与田间试验数据结合进行，应用较多的统计指标有均方根误差（RMSE）、均一化均方根误差（nRMSE）、模型性能指数（EF）、模拟值与测量值之间的一致性指数（d）等。具体实践过程中，要评价模型在当地是否适用，要与当地作物品种、自然环境条件、人为管理方式相结合，并通过多组田间观测数据对模型中的参数进行调试、更新和验证。根据大量的文献，近年来CERES-Maize模型在中国“本地化”的结果如表2所示[11−19]，可以看出，针对不同区域、不同品种，各品种遗传参数的数值是明显不同的。这些参数可作为相近品种在具有相似地形、气候特征区域的初始值，具体使用时需要针对研究区域的气候特征、土壤特征、管理措施和作物品种，进行调试和验证，得到适宜的模型参数。完成对模型的“本地化”后，方能进行模型的应用。模型的评价与检验既为模型应用奠定基础，又通过不断提出新问题促进模型的发展。

2 主要阶段作物生长模型应用及针对的问题

2.1 气候变化对农业影响的模拟过程

2.1.1 作物生长模型与气候模式耦合中的尺度问题

自1990年IPCC第一次气候变化科学评估报告问世以来，基于作物生长模型研究气候变化对作物产量形成、生长发育的影响评估以及作物区域气候适应性等课题得到了广泛开展[20]。明确历史气候变化对农作物的影响以及品种更替以适应气候变化机制，可为未来气候变化情景下实现作物高产稳产提供理论依据。国内研究人员针对历史时期气候变化对不同地区农作物生长发育以及产量影响的研究已相当广泛[21−24]。而研究未来气候变化情景下作物产量是评价未来气候变化对农业影响的重要内容，由此可了解土壤生产潜力和粮食安全保障能力。

表2 CERES-Maize模型在中国代表地区的品种遗传参数（玉米）

注：P1为幼苗生长特性参数（˚C∙d）；P2为光周期敏感参数（d）；P5为灌浆期特性参数（˚C∙d）；G2为每株最大可能的籽粒数（粒）；G3为最优条件下籽粒的灌浆速率（mg∙粒−1∙d−1）；PHINT为出叶间隔特性参数（˚C∙d）。表中参数结果来源于文献[11−19]。

Note：P1 is degree days from emergence to the end of juvenile phase（˚C∙d）; P2 is photoperiod sensitivity coefficient（d）; P5 is degree days from silking to physiological maturity（˚C∙d）; G2 is potential kernel number（kernal）; G3 is potential kernel growth rate（mg∙kernal−1∙d−1）and PHINT is degree days required for a leaf tip to emerge（˚C∙d）. The parameters in the table are derived from literatures [11−19].

早在20世纪90年代，研究人员开始将作物生长模型和大气环流模型（GCMs）结合进行气候变化对全球作物的生产影响评估，实现气候变化影响的区域尺度模拟。由于气候模式输出与模型输入之间存在尺度差异，GCMs输出数据的时空分辨率都较低（时间分辨率一般为月值），而模型需要输入的气候数据为逐日数据。因此，在区域研究中，针对这一问题目前的解决方法主要有两种，即对作物模型升尺度（将高空间分辨率信息转换成低分辨率的过程）或对大气环流模式降尺度（即将低空间分辨信息转换成高分辨率的过程）处理，从而进行作物生长模型和气候模式的连接。目前，作物生长模型的升尺度主要从三个方面展开，一是输入取样，一般步骤是依据区域的空间异质性，分别在不同的地区进行站点模拟，最后对模拟结果进行加权平均。二是模型参数（或变量）的尺度转换，用实测区域信息对模拟参数进行校正，以反映地区的平均状态。江敏等[25]对CERES-Rice模型中的4个与产量相关的遗传参数用4种不同尺度（单点、稻区、县级以及超大尺度）的模拟结果进行比较，研究结果表明，对遗传参数进行稻区尺度的调试方法模拟效果最佳，因此，选择适宜的空间尺度非常重要。三是对模型的区域化处理进行优化和完善。对GCMs输出数据进行降尺度处理的方法通常有三类：动力降尺度法、统计降尺度以及动力与统计降尺度相结合。统计降尺度法的原理是利用多年大气环流的观测资料建立大尺度气候要素和区域气候要素之间的统计关系，将检验后的关系应用于GCMs中预估区域未来的气候变化情景，进而获取精细化信息[26]。在区域尺度的气候对农业影响评价研究中，天气发生器是一种常用的统计降尺度方法，可以基于某一地区的历史气候资料的统计特征生成未来若干年的天气变量随机日序列。因其具有能产生任意长度的时间序列、填补缺失值、任意调整气候变率和较高的计算效率等特点，被广泛用于概率预测和气候对农业影响评价中。Dumont等[27−28]使用STIC模型对大量的气象驱动数据进行比较，结果表明使用天气发生器精度较高，而使用历史气象数据的计算效率则更高。由于GCMs输出与作物生长模型输入存在尺度差异且降尺度会引起模拟结果的不确定性等不足，区域气候模式是可以模拟得到高分辨率的局地气候变化信息的动力降尺度方法，且在降低气象数据不确定性方面有显著进步，因此，国内外将RCM和作物生长模型结合进行作物产量预估的研究逐渐增多[29−32]。

2.1.2 气象灾害对作物影响研究中的不足

全球气候变化造成极端事件发生的频率和强度增强，灾害影响的区域增多。在全球气候变化背景下，气象灾害对作物的影响最终表现在产量上，开展粮食生产风险研究对保障粮食安全很有必要。通过作物生长模型模拟的方法可定量化研究气象灾害对作物产量的潜在影响，诸多研究借助作物生长模型这一辅助工具评估气象灾害对作物的影响。以利用作物生长模型模拟干旱灾害对作物生产的影响为例，方缘[33]利用WOFOST模型通过田间干旱胁迫试验数据调试干物质分配和总生物量调节，从天气文件中改变降水量使之对应试验的控水阶段，从而对模型进行模拟和调试。结果表明WOFOST可以较好地模拟玉米产量，同时该模型适应干旱年份产量的模拟。徐建文[34]通过DSSAT作物模型制定模型模拟中不同潜在干旱处理以及充分灌溉的实验设计，研究生育期不同阶段干旱对黄淮海地区冬小麦产量的潜在影响。张建平等[35]通过利用WOFOST模型模拟分析单一发育期干旱和两个发育期干旱同时发生对玉米籽粒形成和产量的影响。

多数研究结论仅仅是针对单点试验得出的结果，选择一个典型站点代表区域的状况进行区域模拟，并不能准确地反映各地区的实际干旱减产程度。模拟在水分胁迫条件下的生长发育和产量情况而不考虑区域内土壤墒情、灌溉、耕作、社会经济因素等差异，且干旱的影响效应还与干旱实际发生的时段和作物品种熟型有关。另一方面，国内研究缺乏国外作物生长模型所需的部分数据支撑，模型中的部分参数和作物文件中的参数仅使用模型初始默认参数或前人的研究成果。在此基础上探究气象灾害对农作物的影响降低了模型模拟精度，虽然模拟结果存在一定偏差，但可为气候变化背景下农业生产实践提供一定的抗灾依据。此外，还需要在生产过程中根据作物实际受灾状况进行科学抗灾，在今后的研究中应尝试建立多重影响因子的计算模型，以期对气象灾害的模拟研究更接近于作物实际受灾状况。

2.1.3 多模式集合模拟可降低不确定性

作物生长模型和气候模式相连接已成为评估气候变化对农业生产影响最主要的方法，也是未来研究的发展方向，然而其不确定性一直以来是一个重要的挑战。多模式集合被认为是降低气候变化影响评估结果不确定性的有效方法[36]。由于每种气候模式都有其擅长和不擅长模拟的区域及气候要素，将不同的气候模式结合进行集合模拟的效果要优于单个模式模拟结果，如此可稳定有效地提高对未来气候模拟的预估效果。此类研究中，多模式集合是将不同的集合预报数据驱动模型模拟的结果作为集合成员，使用模拟结果的集合代表其概率分布，最终将单一数值的模拟输出转换为概率分布，以概率形式给出作物增产或减产的可能性，因而可有效降低模拟结果的不确定性。利用加权集合方法是目前应用较广的集合方法[37]，其依据模式的模拟能力预计未来情景预估的收敛性给出权重，能克服简单平均处理的局限性。目前，利用多模式集合模拟进行未来气候变化预估研究较为丰富，但是将未来气候预估结果结合作物生长模型模拟未来中国农业生产的研究相对较少。但也出现一些应用实例，例如，利用多气候模式在典型浓度路径（RCPs）情景下的气候预估结果，结合CERES-Wheat、APSIM和ORYZA2000等作物生长模型模拟小麦、玉米、水稻等作物产量，评估未来气候变化对不同地区粮食作物的可能影响[38−40]；李阔等[41]基于5个CMIP5模式在RCPs气候情景下的模拟结果，结合DSSAT模型开展未来气候变化影响下中国玉米产量变化趋势研究。

综合来看，近年来，对气候变化影响下的作物生长模型的研究更加详细，为了更好地了解气候变化对作物和粮食安全的风险，考虑了模型不确定性问题，特别是多模式集合模拟、升尺度、模型区域适应性以及极端事件方面的影响。气象数据是驱动作物生长模型的重要数据，为获得时间和空间连续的气象数据集，往往通过插值方法得到区域气象数据。然而，由于降水、风速等非连续气象要素空间分布不均，插值方法的可靠性存在争议。另一方面，应用气象预报数据进行作物产量预测时，气象预报数据的不确定性将直接影响作物生长模型模拟效果。目前的研究，气象数据主要来源于历史气象数据，随机天气发生器或数值预报数据作为作物生长模型的驱动数据。由于大气系统是一个非线性混沌系统，气候预测和长期天气预报的不准确性是必然存在的，依赖于气象数据驱动的作物生长模型亦是如此。陶苏林等[42]提出了一种以气候要素均值传递函数和方差信息建立的模型订正逐日气候模拟数据的方法，提高了利用作物生长模型模拟预估的可信度。因此，选择适合研究区的未来气候情景、合理的气候模拟数据订正方法，尤其是如何定量评估不确定性均有待进一步研究，还需要通过改善气候模式物理过程和参数化方案完善数值模式来减小预估误差。

2.2 作物生长模型与遥感技术相结合过程

2.2.1 同化系统的构建

遥感数据同化技术起源于20世纪80年代，遥感技术是获取大面积地表信息最有效的手段，在大面积作物长势监测、种植面积监测、作物产量预测等方面发挥着重要作用。当作物生长模型应用到区域尺度时，卫星遥感具有空间连续和时间动态变化的优势，能够有效解决作物生长模型中区域参数空间分布不均而获取困难的问题。而作物生长模型能揭示作物生长发育和产量形成的内在过程机理、个体生长发育状况及其与环境条件的关系，数据同化技术能使遥感技术与作物生长模型实现优势互补，进行大范围作物长势监测和产量预报，提高区域作物生长过程模拟能力。图2为一个典型作物生长模型与遥感数据同化系统构建的流程图，在模型本地化基础上，WOFOST、CERES等作物生长模型能够对作物的生长发育过程以及叶面积指数、土壤水分、生物量以及单产等参数进行较为准确的模拟。基于此，运用马尔科夫链蒙特卡洛方法（Markov Chain Monte Carlo，MCMC）获得这些参数的后验分布，实现对作物模型输出参数的估计以及不确定性的定量表达[43]。光学和雷达遥感能定量反演出生物学定量遥感参数数据，如DVS、LAI、地上生物量（Aboveground Biomass，AGB）、冠层覆盖度（Canopy Coverage，CC）、蒸腾蒸发（Evapotranspiration，ET）、土壤水分（Soil Moisture，SM）以及吸收性光合有效辐射（Fraction of Absorbed Photosynthetically Active Radiation，FAPAR）等，可以作为作物生长模型和定量遥感参数结合时的链接参数。因此，引入定量遥感参数，借助数据同化方法可实现作物模型的状态参数优化，提高作物生长模型在区域的模拟能力。

由于研究目的的不同，耦合作物生长模型与遥感参数时，链接参数的选择可以是单参数也可以是多参数结合。最早和最常见引入的单参数是LAI，它代表作物截获太阳辐射进行CO2同化和干物质积累的能力，是评估作物潜在产量的重要指标。除LAI外，SM、AGB等状态变量均与作物产量密切相关[44−45]，因此，有研究通过同化多个状态变量以提高模拟精度。结果表明，多参数结合优化作物生长模型相对单参数作为链接参数时模拟结果更加准确[46]。数据同化研究中，将作物生长模型和遥感数据耦合的同化算法是该同化系统的核心，算法的性能直接影响该系统的运行效率。数据同化方法的原理是利用多源观测数据通过迭代调整作物生长模型中与生长发育和产量形成密切相关的参数，最小化遥感观测值与模型模拟值之间的差异，以达到优化作物生长模型、提高模型预测能力的目的。4DVar和EnKF同化方法分别是当前参数优化方法和顺序同化方法的主流代表。

图2 作物生长模型与遥感数据同化系统的构建示意

2.2.2 同化系统的应用及影响精度的环节

近十几年来，随着遥感技术与作物生长模型快速发展与愈加广泛的应用，利用同化方法结合遥感数据和作物生长模型以充分发挥二者优势已逐渐成为发展趋势。耦合遥感信息与作物生长模型在区域作物产量估测、农业灾害预警工作等方面发挥了重要作用，出现诸多应用实例。王丽媛[47]基于中分辨率卫星遥感数据并结合PCSE/WOFOST作物生长模型，依次在单点和区域尺度开展基于集合卡尔曼滤波方法（Ensemble Kalman Filter，EnKF）的同化研究。结果表明，遥感数据与作物生长模型同化能够有效提高冬小麦估产精度。潘灼坤[48]借助遥感信息技术与作物生长模型，面向山西关中平原双季作物低温影响的监测、风险评估研究，形成了基于遥感与作物生长模型的区域产量估测和灾害评价框架。此外，通过耦合短临天气预报数据和作物生长模型，可以实现对未来时段农作物产量的预测。近年来，国家气象中心通过结合地面观测、卫星遥感监测和作物生长模型方法，开发了可业务应用的作物生长模拟与分析应用平台，实现了基于作物模型的作物长势监测[49]。

面向遥感数据和作物生长模型的同化也存在尺度不匹配的问题，一方面，作物生长模型输入参数的空间分辨率格网大小对模型输出结果会有不同的精度，另一方面，遥感数据本身具有多空间分辨率的特点，致使遥感参数与作物生长模型模拟的参数（LAI、AGB、ET等）之间存在尺度差异。因此，尺度不匹配问题是遥感数据和作物生长模型数据同化系统应用到区域尺度的关键问题，国内外学者针对空间尺度转换已开展了大量研究，面向遥感与作物生长模型同化目前常用的解决方案是对模型输入参数的升尺度转化，即将来自传感器的物候信息与低空间分辨率（如MODIS）的遥感参数结合起来，并通过中等分辨率图像（如Landsat TM）反演得到相对精确的参数值，调整作物生长模型生成的同化参数轨迹，从而提高同化精度[50]。

在区域尺度上，由于气候和土壤的变异性、品种的多样性、管理措施的多元化，特别是在变化的管理手段与环境条件下，难以评估区域作物产量，虽然遥感技术已广泛用于区域作物估产，但也难以做到准确预测。目前，随着定量遥感反演算法以及产品不断完善，反映作物生长状态的关键生物物理参数，如LAI、SM、AGB和ET等，其数据来源越来越丰富，精度越来越高，能够不断满足作物生长模型同化的需求。然而，由于植被结构和生物物理特性的多样性、冠层和大气辐射传输过程的复杂性，植被参数和遥感观测间的转换仍存在较大的不确定性[51]。有研究表明，MODIS-LAI产品对叶面积指数低估33%～50%[52]；MODIS-ET产品在森林地区与蒸腾蒸发实测值较为一致[53]。此外，有研究表明，作物生理参数特征随发育阶段而变化，在作物不同生育期同化与产量形成相关性高的变量（如LAI、SM）可有效提高估产精度，如此有益于提高定量遥感对作物及其生长环境信息的获取，促进二者更好地结合[54]。因此，遥感科学领域技术的发展，对同化系统中遥感反演参数的不确定性评估具有重要影响。由于作物生态系统过程的复杂性，刻画系统行为的作物生长模型本身的不确定性是不可避免的。为精确描述大区域尺度的作物生长状态，满足农业生产的实际需求，未来实现和优化多参数协同、多源数据融合、多作物生长模型耦合及动态预测是作物生长模型与定量遥感参数同化系统的发展方向。

2.3 作物生长模型的拓展应用过程

2.3.1 农业决策与评价工具

作物生长受品种遗传特性、气候、土壤、水肥管理措施、种植制度以及病虫害防治的影响。优化栽培措施，实现农业气候资源合理利用、种植效益最大化和环境保护一直是研究和生产部门不断追求的目标，制定和评价生产管理措施对气候变化背景下平抑气候不稳定性造成的产量不稳定十分重要。正确选择播期是优化作物产量的重要管理措施，作物生长模型为解决此类问题提供了有效手段。米娜等[19]对比了作物生长模型法和最佳季节法确定最佳播期，结果表明模型模拟方法具有较好的适用性。此外，在选取最优水肥组合、决策黑土区农田基础地力最佳施肥策略、评价水稻机械化干播种的可能性、灌溉和雨养条件下确定适播期、优化农业变量施肥等诸多方面[55−59]，作物生长模型都发挥着重要的作用。许多地区采用保护性农业（Conservation Agriculture，CA）作为农业系统适应气候变化的一种方式，CA是一套基于免耕、作物残茬覆盖和作物轮作的最佳管理措施[60]，尤其是在降水量少的非洲地区运用广泛。DSSAT模拟结果表明，作物残茬覆盖主要影响表层土壤有机碳含量，其次影响土壤水分总量。DSSAT模型可以成为评估CA在经济和环境方面都具有可行性的有效工具。Ngwira等[61]基于DSSAT模型评估了非洲南部地区常规耕作和CA系统下玉米（L.）产量以及玉米-豇豆轮作的玉米产量，结果表明：DSSAT模型对免耕和作物残茬覆盖实践的模拟是成功的，但对作物轮作的模拟效果不佳，因而建议在DSSAT中开发轮作模块以预测作物轮作制度的影响。因气候变化对作物轮作系统的影响复杂，今后应结合多种研究手段开展气候变化对轮作系统的机理性、综合性及系统性研究。

2.3.2 农业决策支持系统的开发

作物生长模型除了与气候模式耦合及与遥感技术结合之外，由于评估气候变化影响、适应气候风险和改善粮食安全的复杂性需要更多的综合模型和定量评估方法，促使作物生长模型与其它模型联合，这些方法超越了作物和种植系统的生物和物理方面。以作物生长模型为核心的农业决策支持系统的研究与应用目前已取得很大进展，农业决策支持系统（Decision Support System，DSS）以作物生长模型或作物模型集群为核心，与社会经济模型、地理信息系统等结合，采用空间分析、数据挖掘、可视化等技术开发，具有前后处理、决策功能强大，用户界面友好的特点，是辅助农业生产直接管理决策的重要工具。

国内外开发的不同应用目的的决策支持系统非常多，DSSAT和APSIM是应用最广泛的决策支持系统。Ewert等[62]研究了将生物物理和经济模型结合起来的综合评估模型IAM（Integrated Assessment Modelling），IAM综合了气候变化所带来风险的复杂性及其对作物生产的可能适应性。研究结果表明，综合评估模型在模拟气候因子的影响方面取得很大进展，主要表现为作为IAM组成部分的作物生长模型对气候变化因素的响应能力提高以及对极端事件影响有所改进。将决策系统与地理信息系统（GIS）结合，利用GIS的空间分析和数据采集优势，可方便获取作物生长模型参数和显示决策结果，并为决策提供辅助的空间分析能力支持。为满足时间和空间尺度研究的需要，Lorite等[63]将AquaCrop模型与地理信息系统GIS结合，开发了AquaData和AquaGIS作为输入和输出工具。研究结果表明，AquaData和AquaGIS结合比AquaCrop模型工作效率要高，且GIS的使用极大地拓展了AquaCrop的应用范围。为使用季节气候预报SCF来为农业决策提供信息，Han等[64]开发了一个决策支持系统工具，气候-农业模拟和决策工具（Climate-Agriculture- Modelling and Decision Tool，CAMDT），旨在促进概率SCF转化为作物响应，基于生长季的预期气候条件，帮助决策者调整作物和水管理实践，最大限度地提高农业生产效益。国内有北京市农业局信息中心利用全球定位系统和遥感技术数据获取工具，建立了农业数据采集、处理、传输、存储、分析及应用的基于GIS的首都农业决策支持系统[65]。南京农业大学开发了基于作物管理知识模型的农田精确施肥决策支持系统[66]、基于知识模型的水稻、油菜管理决策支持系统[67−68]等。

3 结论与讨论

（1）作物生长模型从系统角度研究、探索复杂的作物生态系统，数十年来，作物生长模型作为研究工具取得了巨大的进展。模型的灵活性、准确性、可操作性得到提高。目前主流的作物生长模型有DSSAT、WOFOST、APSIM、AquaCrop、ORYZA等，由于作物实际生长过程的复杂性，各作物生长模型的结构不同，对光合作用、水肥、营养和土壤水分平衡等过程的模拟各有侧重。对这些复杂机理过程认识的不确定性，是导致模型模拟结果不确定的关键所在[69]。过去诸多研究对模型模拟过程进行了改进，对玉米营养生长阶段落叶响应曲线进行修正，玉米对盐分胁迫的响应，以土壤相对湿度作为驱动实现不同水分胁迫条件的设置[70]，半干旱环境条件下玉米叶面积与水分胁迫计算新方法[71]等。此外，可进一步通过提高模拟时间分辨率以增强模型对霜冻、冰雹等极端天气事件的模拟，考虑作物倒伏、作物轮作、病虫害等直接或间接影响作物生长模型模拟的因素，以提高模型的模拟能力。对作物生长模型的校准和验证环节是模型应用的基础，需结合具体地区、具体作物进行作物模型的本地化，方能进行模型的应用。

（2）准确模拟作物的生理和生长过程是初期研制机理性模型的主要目的，旨在从系统角度研究、探索复杂的作物生态系统。20世纪90年代，作物生长模型在农业生态区划、土地质量评价和作物估产等领域的应用广泛开展。随着遥感等地理信息技术的快速发展，作物生长模型可支持大范围的空间应用。作物生长模型作为农业生产管理和决策应用工具得到了很大发展，在田间尺度上，模型可通过设置不同情景进行模拟、预测，为优化管理措施提供参考依据，在区域尺度上，可辅助水土资源宏观管理决策。随着软件工程、大数据、可视化等技术的发展，以作物生长模型为核心的农业支持决策系统的开发与应用取得巨大进展，综合评估模型IAM、AquaGIS和AquaData、气候-农业模拟和决策工具CAMDT以及国内诸多决策支持系统的开发，成为辅助农业生产直接管理决策的重要工具。在气候变化影响评估方面，自IPCC第一次评估报告发布以来，作物生长模型被广泛应用。尽管作物生长模型存在一定局限性，但耦合作物生长模型与气候模式仍然是评估气候变化对农业影响的最佳方法。通过将多模式集合预报的技术引入到作物生长模型中、集成与整合多作物生长模型以及优化气候模拟数据订正方法等方式，有望能进一步提高作物生长模型在不确定性条件下的模拟精度。Asseng等[72]指出气候变化对农业生产影响预测中不确定性的更大部分是由作物生长模型而不是大气环流模式所引起，通过改善作物生长模型以及使用多模型集合可以有效降低不确定性。在整合多作物生长模型方面，Kassie等[73]将APSIM-Nwheat模型整合到DSSAT模型中，创建了一个多模型模拟平台，能够对小麦影响评估中的模型不确定性进行量化。

（3）作物生长模型涉及的大气、生物、土壤过程及相互耦合关系中尚存在不确定性，需要进一步试验研究寻求更合理的定量描述方法。在实验观测的基础上，研究和改进现有的计算方法，在模型复杂度和精度的取舍中找到平衡点是未来需要加强的工作。在解决此问题的基础之上，才能更好地发挥作物生长模型在实际应用中的作用。在气候变化背景下，中国的农业气候资源发生改变，农业气候资源不匹配将限制气候资源利用率，气候资源在数量和配置上的变化也必然导致农业种植制度和品种布局的变化。未来应注重结合作物生长模型开展气候资源动态评估和精细化作物适宜性分析研究，以发挥各地农业生产区域优势，提高农业气候资源利用率。另外，扩展更大区域尺度的应用、提高数据同化系统的精确度是遥感与作物生长模型同化系统的研究方向，还需要通过作物生长模型优化、遥感定量反演、尺度校正和数据同化算法等关键环节的共同发展。在作物生长模型与遥感数据同化系统研究中，多链接参数协同、多源数据融合、多作物生长模型耦合以及作物产量监测转向动态预测是未来发展方向。国内已有相关研究成果，国家气象中心研发的国家级农业气象业务平台（CAgMSS），构建了作物产量气象统计预报、遥感估产、作物生长模型模拟、农学模型综合集成技术体系，可实现生成逐月产量动态预报产品，并且平均预报精度较高[1]。随着现代农业发展对气象服务日益增长的需求，要实现农业气象灾害监测、影响评估和风险预估的精准化、定量化，建立基于作物生长模型模拟、气象灾害指标、遥感监测相结合的农业气象灾害影响定量评估体系是未来研究的重点内容。未来作物生长模型应努力结合人工智能、图像识别、农业气象大数据挖掘等新技术，推动现代农业气象业务朝着农田观测自动化、业务和服务智能化方向发展。

[1] 侯英雨,何亮,靳宁,等.中国作物生长模拟监测系统构建及应用[J].农业工程学报,2018,34(21):165-175.

Hou Y Y,He L,Jin N,et al.Establishment and application of crop growth simulating and monitoring system in China [J].Transactions of the CSAE,2018,34(21):165-175.(in Chinese)

[2] Holzworth D P,Huth N I,Zurcher E J,et al.APSIM:evolution towards a new generation of agricultural systems simulation [J].Environmental Modelling & Software,2014,62:327-350.

[3] Jones J W,Hoogenboom G,Porter C H,et al.The DSSAT cropping system model[J].European Journal of Agronomy, 2003,18(3-4):235-265.

[4] de Wit A,Boogaard H,Fumagalli D,et al.25 years of the WOFOST cropping systems model[J].Agricultural Systems, 2019,168:154-167.

[5] Kersebaum K C,Boote K J,Jorgenson J,et al.Analysis and classification of data sets for calibration and validation of agro-ecosystem models[J].Environmental Model Software, 2015,72:402-417.

[6] Porter C H,Villalobos C,Holzworth D,et al.Harmonization and translation of crop modeling data to ensure interoperability[J].Environmental Model Software,2014,62: 495-508.

[7] 孙仕军,张琳琳,陈志君,等.AquaCrop作物模型应用研究进展[J].中国农业科学,2017,50(17):3286-3299.

Sun S J,Zhang L L,Chen Z J,et al.Advances in AquaCrop model research and application[J].Scientia Agricultura Sinica, 2017,50(17):3286-3299.(in Chinese)

[8] 陶生才,潘婕,刘珂.DSSAT模型在中国农业与气候变化领域应用进展[J].中国农学通报,2015,(9):200-206.

Tao S C,Pan J,Liu K.The application progress of DSSAT in the field of agriculture and climate change in China [J].Chinese Agricultural Science Bulletin,2015,(9):200-206. (in Chinese)

[9] 赵彦茜,齐永青,朱骥,等.APSIM模型的研究进展及其在中国的应用[J].中国农学通报,2017,33(18):1-6.

Zhao Y Q,Qi Y Q,Zhu J,et al.Research progress of APSIM model and its application in China[J].Chinese Agricultural Science Bulletin,2017,33(18):1-6.(in Chinese)

[10] Wang X,Williams J R,Gassman P W,et al.EPIC and APEX:model use,calibration,and validation[J].Transactions of the ASABE,2012,55(4):1447-1462.

[11] 邹龙,冯浩.DSSAT-CERES模型在黄土高原丘陵沟壑地区春玉米生产中的适用性评价[J].植物营养与肥料学报, 2014,20(6):1413-1420.

Zou L,Feng H.Applicability evaluation of DSSAT-CERES model on production of spring maize in hill and gully area of the Loess Plateau[J].Journal of Plant Nutrition Fertilizer, 2014,20(6):1413-1420.(in Chinese)

[12] 温江丽,李久生.半干旱地区喷灌玉米CERES-Maize模型率定验证及应用[J].水利学报,2015,46(5):584-593.

Wen J L,Li J S.Calibration,validation and application of the CERES-Maize model for sprinkled maize in the semi-arid region[J].Journal of Hydraulic Engineering,2015,46(5): 584-593.(in Chinese)

[13] 宋利兵,陈上,姚宁,等.基于GLUE和PEST的CERES- Maize模型调参与验证研究[J].农业机械学报,2015,46(11): 95-111.

Song L B,Chen S,Yao N,et al.Parameter estimation and verification of CERES-Maize model with GLUE and PEST methods[J].Journal of Agriculture Machinery,2015,46(11): 95-111.(in Chinese)

[14] 李树岩,余卫东.河南省不同生态区CERES-Maize模型参数确定及精度验证[J].干旱地区农业研究,2017, 5(2):1-8.

Li S Y,Yu W D.Applicability analysis of CERES-Maize model in different agro-ecological zone of Henan[J]. Agricultural Research in the Arid Areas,2017,35(2):1-8.(in Chinese)

[15] 刘玉汐,赵柠,任景全,等.基于CERES-Maize模型的吉林春玉米遗传参数调试[J].中国农学通报,2017, 33(24):12-19.

Liu Y X,Zhao N,Ren J Q,et al.Genetic parameter debugging for spring maize in Jilin based on CERES-Maize model [J].Chinese Agricultural Science Bulletin,2017,33(24):12-19. (in Chinese)

[16] 付春晓,龚时宏,王建东,等.改进CERES-Maize模型在玉米膜下滴灌模式下的适用性[J].排灌机械工程学报,2018,36 (11):1076-1080.

Fu C X,Gong S H,Wang J D,et al.Applicability of improved CERES-Maize model under mulch drip irrigation of maize[J].Journal of Drainage and Irrigation Machinery Engineering,2018,36(11):1076-1080.(in Chinese)

[17] 戴明宏,赵久然,Wilhelm Claupein,等.基于CERES-Maize模型春玉米水分优化管理决策[J].水土保持学报,2009, 23(1):187-192.

Dai M H,Zhao J R,Wilhelm C,et al.Decision for optimized water management based on CERES-Maize crop model[J]. Journal of Soil and Water Conservation 2009,23(1):187-192. (in Chinese)

[18] 刘玉兰,陈晓光,肖云清,等.CERES-Maize模型中遗传参数确定方法的研究[J].玉米科学,2007,(6):127-129.

Liu Y L,Chen X G,Xiao Y Q,et al.Study on establishing maize variety parameters in the CERES-Maize simulation model[J].Journal of Maize Sciences,2007,(6):127-129.(in Chinese)

[19] 米娜,张玉书,纪瑞鹏,等.基于作物模型与最佳季节法的锦州地区玉米最佳播种期分析[J].中国农业气象,2016,37 (1):68-76.

Mi N,Zhang Y S,Ji R P,et al.Analysis on optimum sowing date of maize in Jinzhou using crop growth model and optimum season method[J].Chinese Journal of Agrometeorology, 2016,37(1):68-76.(in Chinese)

[20] 秦鹏程,姚凤梅,曹秀霞,等.利用作物模型研究气候变化对农业影响的发展过程[J].中国农业气象,2011,32(2): 240-245.

Qin P C,Yao F M,Cao X X,et al.Development process of modeling impacts of climate change on agricultural productivity based on crop models[J].Chinese Journal of Agrometeorology,2011,32(2):240-245.(in Chinese)

[21] Sun H,Zhang X,Wang E,et al.Assessing the contribution of weather and management to the annual yield variation of summer maize using APSIM in the North China Plain [J].Field Crops Research,2016,194:94-102.

[22] Xiao D,Tao F.Contributions of cultivar shift,management practice and climate change to maize yield in North China Plain in 1981-2009[J].International Journal of Biometeorology, 2016,60(7):1111-1122.

[23] Yang Y,Yang Y,Han S,et al.Prediction of cotton yield and water demand under climate change and future adaptation measures[J].Agricultural Water Management,2014,144: 42-53.

[24] 成林,李彤霄,刘荣花.主要生育期气候变化对河南省冬小麦生长及产量的影响[J].中国生态农业学报,2017,25(6): 931-940.

Cheng L,Li T X,Liu R H.Effect of climate change on growth and yield of winter wheat in Henan Province[J].Chinese Journal of Eco-Agriculture,2017,25(6):931-940.(in Chinese)

[25] 江敏,金之庆.CERES-Rice模型区域应用中遗传参数升尺度的一种方法[J].中国水稻科学,2009,23(2):172-178.

Jiang M,Jin Z Q.A method to upscale the genetic parameters of CERES-Rice in regional applications[J]. Chinese Journal of Rice Science,2009,23(2):172-178.(in Chinese)

[26] Wilks D S,Wilby R L.The weather generation game:a review of stochastic weather models[J].Progress in Physical Geography,1999,23(3):329-357.

[27] Dumont B,Leemans V,Ferrandis S,et al.Assessing the potential of an algorithm based on mean climatic data to predict wheat yield[J].Precision Agriculture,2014,15(3): 255-272.

[28] Dumont B,Basso B,Leemans V,et al.Systematic analysis of site-specific yield distributions resulting from nitrogen management and climatic variability interactions[J]. Precision Agriculture,2015,16(4):361-384.

[29] 陈璐.气候变化对宁夏中部干旱带玉米生产影响的模拟研究[D].南京:南京信息工程大学,2016.

Chen L.Simulation of the impact of climate change on maize production in the middle arid region in Ningxia [D].Nanjing:Nanjing University of Information Science and Technology,2016.(in Chinese)

[30] 王连喜,刘静,李琪,等.气候变化对宁夏水稻的影响及适应性研究[J].地球科学进展,2013,28(11):1248-1256.

Wang L X,Liu J,Li Q,et al.Simulation study of the climate change impact on the rice and its adaptability in Ningxia province[J].Advances in Earth Science,2013,28(11): 1248-1256.(in Chinese)

[31] 谢萍.基于CERES-Wheat模型的气候变化对宁夏冬小麦生长与产量的影响[D].南京:南京信息工程大学,2012.

Xie P.The effect of climate change to growth and yield of winter based on CERES-Wheat in Ningxia[D].Nanjing: Nanjing University of Information Science and Technology, 2012.(in Chinese)

[32] Boonwichai S,Shrestha S,Babel M S,et al.Evaluation of climate change impacts and adaptation strategies on rainfed rice production in Songkhram River Basin,Thailand[J]. Science of the Total Environment,2019,652:189-201.

[33] 方缘.基于作物生长模型的玉米干旱损失评估[D].沈阳:沈阳农业大学,2016.

Fang Y.Evaluation of maize drought loss based on crop growth model[D].Shenyang:Shenyang Agricultural University, 2016.(in Chinese)

[34] 徐建文.黄淮海平原干旱对冬小麦产量的潜在影响模拟研究[D].北京:中国农业科学院,2014.

Xu J W.Potential effect of drought on winter wheat yield based on DSSAT model over Huang-Huai-Hai Plain[D]. Beijing:Chinese Academy of Agricultural Sciences,2014.(in Chinese)

[35] 张建平,何永坤,王靖,等.不同发育期干旱对玉米籽粒形成与产量的影响模拟[J].中国农业气象,2015,36(1):43-49.

Zhang J P,He Y K,Wang J,et al.Impact simulation of drought at different growth stages on grain formation and yield of maize[J].Chinese Journal of Agrometeorology,2015,36(1): 43-49.(in Chinese)

[36] Collins M.Ensembles and probabilities:a new era in the prediction of climate change[J].Philosophical Transactions of the Royal Society A:Mathematical,Physical and Engineering Sciences,2007,365(1857):1957-1970.

[37] 姚遥,罗勇,黄建斌.8个CMIP5模式对中国极端气温的模拟和预估[J].气候变化研究进展,2012,8(4):250-256.

Yao Y,Luo Y,Huang J B.Evaluation and projection of temperature extremes over China based on 8 modeling data from CMIP5[J].Climate Change Research,2012,8(4): 250-256.(in Chinese)

[38] 杨绚,汤绪,陈葆德,等.利用CMIP5多模式集合模拟气候变化对中国小麦产量的影响[J].中国农业科学,2014,47(15): 3009-3024.

Yang X,Tang X,Chen B D,et al.Impacts of climate change on wheat yield in China simulated by CMIP5 multi-model ensemble projections[J].Scientia Agricultura Sinica,2014, 47(15):3009-3024.(in Chinese)

[39] 张祎,赵艳霞.多模式集合模拟气候变化对玉米产量的影响[J].中国生态农业学报,2017,25(6):941-948.

Zhang Y,Zhao Y X.Multi-model ensemble to simulation impacts of climate change on maize yield[J].Chinese Journal of Eco-Agriculture,2017,25(6):941-948.(in Chinese)

[40] 黄笑颖.未来气候及散射辐射变化情景下南京地区水稻产量模拟[D].南京:南京信息工程大学,2016.

Huang X Y.Rice yield simulation in Nanjing under climate and diffuse radiation change scenarios[D].Nanjing:Nanjing University of Information Science and Technology,2016.(in Chinese)

[41] 李阔,熊伟,潘婕,等.未来升温1.5℃与2.0℃背景下中国玉米产量变化趋势评估[J].中国农业气象,2018,39(12): 765-777.

Li K,Xiong W,Pan J,et al.Trend evaluation on changes of maize yield in China under global warming by 1.5℃ and 2.0℃[J].Chinese Journal of Agrometeorology,2018,39(12): 765-777.(in Chinese)

[42] 陶苏林,申双和,李雨鸿,等.气候模拟数据订正方法在作物气候生产潜力预估中的应用:以江苏冬小麦为例[J].中国农业气象,2016,37(2):174-187.

Tao S L,Shen S H,Li Y H,et al.Application of bias correction method for simulated climate data in projection of crop climatic potential productivity:a case study of winter wheat in Jiangsu[J].Chinese Journal of Agrometeorology,2016,37 (2):174-187.(in Chinese)

[43] 吴蕾,柏军华,肖青,等.作物生长模型与定量遥感参数结合研究进展与展望[J].农业工程学报,2017,33(9):155-166.

Wu L,Bai J H,Xiao Q,et al.Research progress and prospect on combining crop growth models with parameters derived from quantitative remote sensing[J].Transactions of the CSAE,2017,33(9):155-166.(in Chinese)

[44] He B,Li X,Quan X,et al.Estimating the aboveground dry biomass of grass by assimilation of retrieved LAI into a crop growth model[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(2):550-561.

[45] Huang J,Tian L,Liang S,et al.Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J].Agricultural and Forest Meteorology,2015,204: 106-121.

[46] 包姗宁,曹春香,黄健熙,等.同化叶面积指数和蒸散发双变量的冬小麦产量估测方法[J].地球信息科学学报,2015,17 (7):871-882.

Bao S N,Cao C X,Huang J X,et al.Research on winter wheat yield estimation based on assimilation of leaf area index and evapotranspiration data[J].Journal of Geo-Information Science,2015,17(7):871-882.(in Chinese)

[47] 王丽媛.遥感数据与作物模型同化的冬小麦估产研究.[D].杭州:浙江大学,2018.

Wang L Y.Estimating winter wheat yield by assimilation oh remote sensing data into crop growth model[D].Hangzhou: Zhejiang University,2018.(in Chinese)

[48] 潘灼坤.耦合遥感信息与作物生长模型的区域低温影响监测､预警与估产[D].杭州:浙江大学,2016.

Pan Z K.Integration of remote sensing and crop growth model for regional low temperature impact monitoring,early warning, and yield estimation[D].Hangzhou:Zhejiang University, 2016.(in Chinese)

[49] 侯英雨,张蕾,吴门新,等.国家级现代农业气象业务技术进展[J].应用气象学报,2018,29(6):641-656.

Hou Y Y,Zhang L,Wu M X,et al.Advances of modern agrometeorological service and technology in China[J].Journal of Applied Meteorological Science, 2018,29(6):641-656.(in Chinese)

[50] Huang J,Tian L,Liang S,et al.Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model [J].Agricultural and Forest Meteorology,2015,204:106-121.

[51] 刘洋,刘荣高,陈镜明,等.叶面积指数遥感反演研究进展与展望[J].地球信息科学学报,2013,15(5):734-743.

Liu Y,Liu R G,Chen J M,et al.Current status and perspectives of leaf area index retrieval from optical remote sensing data[J].Journal of Geo-Information Science,2013,15(5): 734-743.(in Chinese)

[52] 杨飞,孙九林,张柏,等.基于PROSAIL模型及TM与实测数据的MODISLAI精度评价[J].农业工程学报,2010,26(4): 192-197.

Yang F,Sun J L,Zhang B,et al.Assessment of MODIS LAI product accuracy based on the PROSAIL model,TM and field measurements[J].Transactions of the CSAE,2010,26(4): 192-197.(in Chinese)

[53] Kim H W,Hwang K,Mu Q,et al.Validation of MODIS 16 global terrestrial evapotranspiration products in various climates and land cover types in Asia[J].KSCE Journal of Civil Engineering,2012,16(2):229-238.

[54] 解毅.基于多变量和数据同化算法的冬小麦单产估测[D].北京:中国农业大学,2017.

Xie Y.Winter wheat yield estimation based on multi- variables and data assimilation algorithms[D].Beijing:China Agricultural University,2017.(in Chinese)

[55] 路婧琦,崔耀平,张帅帅,等.气候变化下水肥及CO2对冬小麦生长的影响模拟[J].中国农学通报,2015,31(33):27-36.

Lu J Q,Cui Y P,Zhang S S,et al.Simulation of irrigation, fertilization and CO2concentration on winter wheat yield under the background of global climate change[J].Chinese Agricultural Science Bulletin,2015,31(33):27-36.(in Chinese)

[56] 查燕,武雪萍,张会民,等.长期有机无机配施黑土土壤有机碳对农田基础地力提升的影响[J].中国农业科学,2015, 48(23):4649-4659.

Zha Y,Wu X P,Zhang H M,et al.Effects of long-term organic and inorganic fertilization on enhancing soil organic carbon and basic soil productivity in black soil[J].Scientia Agricultura Sinica,2015,48(23):4649-4659. (in Chinese)

[57] Laing A M,Roth C H,Chialue L,et al.Mechanized dry seeding is an adaptation strategy for managing climate risks and reducing labor costs in rainfed rice production in lowland Lao PDR[J].Field Crops Research,2018,225:32-46.

[58] 张镇涛,杨晓光,高继卿,等.气候变化背景下华北平原夏玉米适宜播期分析[J].中国农业科学,2018,51(17):3258-3274.

Zhang Z T,Yang X G,Gao J Q,et al.Analysis of suitable sowing date for summer maize in North China Plain under climate change[J].Scientia Agricultura Sinica,2018,51(17): 3258-3274.(in Chinese)

[59] Li Z,He J,Xu X,et al.Estimating genetic parameters of DSSAT-CERES model with the GLUE method for winter wheat(L)production[J].Computers and Electronics in Agriculture,2018,154:213-221.

[60] Corbeels M,Chirat G,Messad S,et al.Performance and sensitivity of the DSSAT crop growth model in simulating maize yield under conservation agriculture[J].European Journal of Agronomy,2016,76:41-53.

[61] Ngwira A R,Aune J B,Thierfelder C.DSSAT modelling of conservation agriculture maize response to climate change in Malawi[J].Soil and Tillage Research,2014,143:85-94.

[62] Ewert F,Rötter R P,Bindi M,et al.Crop modelling for integrated assessment of risk to food production from climate change[J].Environmental Modelling & Software, 2015,72:287-303.

[63] Lorite I J,García-Vila M,Santos C,et al.AquaData and AquaGIS:two computer utilities for temporal and spatial simulations of water-limited yield with AquaCrop[J]. Computers and Electronics in Agriculture,2013,96:227-237.

[64] Han E,Ines A V M,Baethgen W E.Climate-Agriculture- Modeling and Decision Tool (CAMDT):a software framework for climate risk management in agriculture[J]. Environmental Modelling & Software,2017,95:102-114.

[65] 阎晓军,王维瑞,梁建平.农业空间决策支持系统的设计与实现[J].农业工程学报,2010,26(9):257-262.

Yan X J,Wang W R,Liang J P.Design and implementation of the spatial decision support system for agriculture[J]. Transactions of the CSAE,2010,26(9):257-262.(in Chinese)

[66] 陈蓉蓉,周治国,曹卫星,等.农田精确施肥决策支持系统的设计和实现[J].中国农业科学,2004,37(4):516-521.

Chen R R,Zhou Z G,Cao W X,et al.Designing and implementation of a Decision Supporting System for Precision Fertilization (DSSPF)[J].Scientia Agricultura Sinica,2004,37(4):516-521 (in Chinese)

[67] 李卫国.水稻生长模拟与决策支持系统的研究[D].南京:南京农业大学,2005.

Li W G.Research on rice growth simulation and decision support system[D].Nanjing:Nanjing Agricultural University, 2005.(in Chinese)

[68] 汤亮.油菜生长模拟与决策支持系统研究[D].南京:南京农业大学,2006.

Tang L.Study on rape growth simulation and decision support system[D].Nanjing:Nanjing Agricultural University, 2006.(in Chinese)

[69] 罗毅,郭伟.作物模型研究与应用中存在的问题[J].农业工程学报,2008,24(5):307-312.

Luo Y,Guo W.Development and problems of crop models [J].Transactions of the CSAE,2008,24(5):307-312.(in Chinese)

[70] 王锐,李亚飞,张丽娟,等.土壤湿度驱动WOFOST模型及其适应性[J].中国农业气象,2015,36(3):263-271.

Wang R,Li Y F,Zhang L J,et al.WOFOST model based on soil moisture driven and its adaptability[J].Chinese Journal of Agrometeorology,2015,36(3):263-271.(in Chinese)

[71] Nouna B B,Katerji N,Mastrorilli M.Using the CERES- Maize model in a semi-arid Mediterranean environment:new modelling of leaf area and water stress functions[J]. European Journal of Agronomy,2003,19(2):115-123.

[72] Asseng S,Ewert F,Rosenzweig C,et al.Uncertainty in simulating wheat yields under climate change[J].Nature Climate Change,2013,3(9):827.

[73] Kassie B T,Asseng S,Porter C H,et al.Performance of DSSAT-Nwheat across a wide range of current and future growing conditions[J].European Journal of Agronomy,2016, 81:27-36.

Research Progress in Application of Crop Growth Models

SUN Yang-yue1, SHEN Shuang-he2

(1. College of Applied Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Collaboration Innovation Center on Forecast and Evaluation of Meteorological Disaster of Nanjing University of Information Science & Technology, Nanjing 210044)

The crop growth model can not only simulate the dynamic growth of crops on a single point scale, but also evaluate the relationship between crop growth status and environmental factors from a systematic perspective. This paper reviews latest works related to crop growth model, with particular focuses on the research of climate change to agricultural production and application of crop growth model at regional scale. In addition, this paper summarizes the current research on the development of agricultural decision support systems(DSS) with crop growth models as the core. The research is intended to promote crop growth models to be more widely used in researches on ecology, agriculture, regional climate resources and climate change filed. Research results show that the crop growth model is widely and deeply used in China and abroad. Under the background of climate change, the application research of crop growth model to the impact of historical period climatic conditions and agrometeorological disasters on crop production status and yield has been extensive and relatively mature. Using global climate models (GCMs) or regional climate models (RCMs) to construct future climate change scenarios, coupled with crop growth models, has evolved into an important tool for assessing the impact of future climate change on agricultural production. By integrating and consolidating multi-crop growth model, multi-climate model ensemble simulation and optimizing climate simulation data correction methods, the uncertainty of climate change impact assessment on agricultural production can be effectively reduced. The remote sensing data assimilation technology can apply the site model to the regional scale to evaluate the impact of different meteorological factors on agricultural production, broaden the application scale range of the crop growth model and effectively improve the accuracy of crop yield estimation. The research and application of agricultural decision support system with crop growth model as the core is more and more diversified, and it is an important tool to assist agricultural production management and decision-making. However, due to the complexity of crop ecosystems, there are still great uncertainties in crop growth model simulation results. In the future, the exploration of crop growth and process coupling mechanism needs to be strengthened in order to improve the model and promote it more widely used.

Crop growth model；Crop model；Climate change；Remote sensing；Research progress

10.3969/j.issn.1000-6362.2019.07.004

2019−01−15**

。E-mail：yqzhr@nuist.edu.cn

公益性行业（气象）科研专项“水稻对高温发生发展过程的响应机制及应对技术研究”（GYHY201506018）

孙扬越（1994−），女，硕士生，研究方向为农业气象与气候变化。E-mail：sunyangyue@nuist.edu.cn

孙扬越,申双和.作物生长模型的应用研究进展[J].中国农业气象,2019,40(7):444-459