格网化小麦生长模拟预测系统设计与实现

徐　浩，张小虎，邱小雷，朱　艳，曹卫星

·农业信息与电气技术·

格网化小麦生长模拟预测系统设计与实现

徐浩，张小虎※，邱小雷，朱艳，曹卫星

（南京农业大学国家信息农业工程技术中心，智慧农业教育部工程研究中心，农业农村部农作物系统分析与决策重点实验室，江苏省信息农业重点实验室，江苏现代作物生产协同创新中心，南京，210095）

利用作物生长模型模拟小麦区域生产力，分析气候变化对农业生产的影响是研究粮食安全的热点问题之一。拥有操作方便、计算快速特点的小麦区域生产力模拟系统，可有效提高作物生长模型区域应用能力。该研究在分解小麦生长模型WheatGrow算法基础上，利用Python语言构建了格网化小麦生长模型，实现了基于空间格网数据的小麦区域生产力模拟。验证试验结果表明：模拟产量的均方根误差为1 070 kg/hm2，标准均方根误差小于20%，系统所集成的WheatGrow模型具有较好的预测性；同时，结合格网数据分块构建区域模拟的并行计算策略，优化了区域模拟的性能。在此基础上，采用GIS组件式开发模式，在.NET平台下开发格网化小麦生长模拟预测系统，实现作物生长模型与GIS耦合，为研究区域小麦产量潜力，评估气候变化对小麦生长影响，制定农业决策提供软件工具。

作物；模型；并行算法；GIS；格网数据；系统开发

0 引 言

作物生长模型作为模拟作物生长、发育和产量形成的动态系统模型，可模拟作物生长关键物候期、光合物质生产及干物质分配、植株器官建成与产量品质形成等生理生态过程[1-3]。作物生长模型区域应用可反映区域作物生长水平，展示产量空间分布差异，量化生产力可增长幅度以及发现影响产量增长的限制因素，是评估粮食安全及优化种植结构的有效工具[4-6]。随世界土壤数据库HWSD（Harmonized World Soil Database）[7]，美国国家气象数据中心的格网化气象数据GHCN-M（Global Historical Climatology Network-Monthly）[8]、高空间分辨率的美国土壤剖面数据库SSURGO（Soil Survey Geographic）[9]，中国1:100万的区域土壤数据库[10]等地理格网数据集在不同时空范围内可公开获得，格网化区域生长模拟已成为作物生长模型和GIS耦合实现区域应用的主要手段，并在农业模型比较与改进项目（Agricultural Model Intercomparison and Improvement Project，AgMIP）的框架下，建立了多种全球格网作物生长模型（Global Gridded Crop Models，GGCMs）[5]。其核心策略是通过GIS集成作物生长模型与地理格网数据库，实现区域模拟分析，并能反映生产力要素在空间上的变异特征。然而，中国自主的格网化作物生长模型及其软件系统研究并未得到足够重视。

目前，格网化区域生长模拟的实现可分为松耦合与紧耦合2种方法[1,4,11]。松耦合是指作物生长模型模块与GIS模块分别构建独立系统。其中，GIS模块用来管理格网数据，作物生长模型系统用来模拟计算。这种方法通过GIS获取模型输入数据，转换成作物生长模型系统的文件格式提供给作物生长模拟模块进行计算，并将计算结果赋值到每个模拟格网。两者通过文本文件交互方式实现彼此调用，具有开发代码量少，难度小的优点，目前应用较为广泛[4, 12-13]。但松耦合需要在GIS与作物生长模型之间进行切换并转换数据，容易导致数据出错，分析效率较低。同时，此方法一般不提供可视化图形操作界面，增加了非专业人员使用难度。紧耦合将GIS模块与作物生长模型模块集成到一起，是基于GIS的作物生长空间模拟系统。其中，GIS集成了数据管理、分析和交互的所有功能，用户只需简单点击操作即可进行作物生长模型的数据选择、区域模拟与结果展示，大大减少错误率，提高作物生长模型在区域上的可用性[14]。此过程需利用GIS的系统架构和实现方式对原作物生长模型进行重构、耦合，将区域生产模拟功能发布成可在桌面GIS、网络GIS及移动GIS上都能调用的地理处理工具（Geo-processing工具）。这种方式实现困难，目前相关研究较少。同时，在紧耦合方式中，当格网数据空间分辨率较高时，依次遍历每个格网执行作物生长模型的串行方式效率低下，并需在内存中加载全部格网数据，内存消耗较高。近些年基于MPI（Message Passing Interface）的并行计算编程技术，充分利用计算机CPU多核心资源，能够实现格网数据并行处理，提高区域计算效率，并降低内存消耗。该技术已在GIS和遥感领域广泛应用[15-18]，但在作物生长模型区域模拟研究中应用较少。

综上，本研究基于软件工程的思想，采用GIS与作物生长模型紧耦合的方式，基于自主研发的小麦生长模型WheatGrow，设计实现格网化小麦生长模拟预测系统，能够便捷的实现区域小麦生产力的高效模拟预测。将解决2个关键问题：1）如何构建格网化小麦生长模型；2）如何实现格网化小麦生长模型的并行计算，提高计算效率。

1 需求分析与技术路线

1.1 需求分析

根据格网化小麦生长模拟系统的应用目的及操作方式，本系统应实现以下功能：

1）数据管理。实现模型运行所需空间数据及其他数据的导入、导出、删除更新等操作；

2）地图管理。实现底图加载及显示，图层放大、缩小、漫游等操作，并制作生成区域模拟结果专题地图；

3）生长模拟。在保留传统单个站点模拟功能的基础上，实现利用格网化小麦生长模型的区域模拟和结果验证；

4）生产力预测。实现不同模拟情景的小麦区域生产力模拟，包括光温生产潜力、雨养生产潜力、氮素生产潜力，并可计算模拟产量与统计产量之间的产量差值；

5）统计分析。结合区划数据，利用分区统计对区域模拟结果均值、标准差以及年际间变化进行做图分析。

根据功能需求分析，本系统主要包括数据管理、地图管理、生长模拟、生产力预测与统计分析5个模块。

1.2 技术路线

本研究基于系统的需求分析，分解重构了南京农业大学自主研发的小麦生长模型WheatGrow算法[6]，采用Python编程语言结合Numpy包和Multiprocessing包实现并行化的格网化WheatGrow模型，并在ESRI®ArcGIS的环境下，将格网化WheatGrow封装成可调用的地理处理工具；同时，结合格网化区域小麦生产力模拟的数据需求构建空间数据库；最终，在Microsoft®.Net环境下利用ESRI®ArcGIS Engine组件进行系统的开发实现（图1）。

图1 格网化小麦生长模拟预测系统开发技术路线图

2 系统体系结构

本系统基于Microsoft®.NET平台，以ESRI®ArcGIS Engine组件式开发为基础，使用C＃开发的桌面端应用程序。主要包括基础设施层、数据资源层、软件构建层与客户终端层（图2）。

图2 系统架构

2.1 基础设施层

基础设施层包含系统开发、运行所需的基础软硬件环境，包括操作系统、存储设备、数据库软件、服务器设备、安全设备等。

2.2 数据资源层

数据资源层存储基础地理数据，以及模型计算所需区域气象、土壤、品种参数及管理措施等农业空间数据。其中，农业空间数据在入库前对数据进行几何修复、规范命名、统一投影等预处理操作。

系统的数据包括空间数据集与属性数据集2部分（表1），属性数据集利用关系数据库进行存储，空间数据利用ArcGIS空间数据库存储[19]。空间数据包括2部分，一是WheatGrow模拟所需气象、土壤、品种和管理措施的格网数据，且每种数据提供了10、20、30、…、190与200 km，共20种空间分辨率；二是观测站点空间分布与区划矢量数据。属性数据包括气象站点历史监测数据，产量统计数据，并通过设置关联字段与矢量数据建立关联。

表1 系统数据库中主要数据列表

2.3 软件构建层

2.3.1 GIS模块

GIS模块实现空间数据读取、显示及操作，实现空间分析功能，包括站点数据的空间插值，利用区划数据对格网模拟结果分区统计，并能实现区域生产力模拟结果的专题地图制作。

2.3.2 WheatGrow模型及其校正

WheatGrow模型是以小麦生长发育及生产力形成的过程机理为基础，以气象、土壤、品种和管理技术为驱动变量而构建的小麦生长模拟模型。模型包括顶端发育与物候期、光合作用与干物质生产、器官发育与建成、同化物分配与产量形成、土壤水分与养分平衡5个子模型[20-22]。模型利用作物生理发育时间（Physiological Development Time，PDT）来划分作物发育阶段，可模拟小麦通过光合作用将CO2转化成干物质积累及同化物分配，最终形成小麦收产量品质的过程。所有模拟的动态过程都受到土壤水分与养分平衡的共同影响（图3）。WheatGrow模型可以模拟光温生产潜力、水分限制下的生产潜力和氮素限制下的生产潜力限制3种等级水平下小麦生长发育状况。

图3 WheatGrow模型结构流程图

为验证模型的准确性，本研究从中国小麦主产省份山东、江苏、安徽、湖北、河南、重庆、四川、陕西、山西、河北、天津选取共45个典型生态观测站点2000年至2009年小麦生产记录数据对WheatGrow模型进行验证（图4）。数据记录了京东8号、鲁麦21、川麦107、郑麦9023等10个品种的生育期、产量等观测数据。结果表明：均方根误差RMSE为1 070 kg/hm2，标准均方根误差NRMSE小于20%，表明系统所集成的WheatGrow模型具有较好的预测性[23]。

2.3.3 格网化WheatGrow模型及实现

1）格网化WheatGrow模型区域模拟

为解决单点尺度的WheatGrow模型在区域生产力模拟的升尺度问题，研究采用基于空间插值的升尺度策略将WheatGrow模型从单点模拟扩展到区域应用[5]。该策略利用空间插值这种“由点到面”的GIS空间分析方法获取区域模型输入格网数据；利用GIS栅格代数方法重构WheatGrow模型，从而实现逐格网计算从而获取区域模拟结果的目的[6]。格网模拟结果也可利用区域均值统计等方法进一步获取区域平均产量水平。

图4 基于WheatGrow模型的小麦籽粒产量模拟值与观测值比较

2）模型输入格网数据获取及管理

格网化WheatGrow模型所需的气象、土壤、品种和管理措施具有不同的数据特征，研究采用了不同插值方法生产相应的格网数据。其中，历史和未来气候情景下的气象数据和土壤数据分别采用了ANUSPLIN和克里金插值[6,24-25]。品种参数为冬麦区各副区的代表性品种，因此利用矢量转格网的方式获取格网数据。所有输入参数的格网数据按照数据资源层的规范和要求利用空间数据库统一管理，便于系统的高效安全访问（表2）。

表2 Gridded WheatGrow模型输入数据

3）格网化WheatGrow模型计算优化

当格网数据空间分辨率较高时，格网数目较多，以逐格网串行任务计算方式耗时较长；采用格网数据分块的策略将串行任务分解成功能独立的子任务，可将数据并行能力最大化，数据通讯与同步开销最小化[26]。所以针对格网数据特征，本系统从数据并行的角度，通过判断计算机CPU数目，将格网数据划分成指定大小的块，使用Python Multiprocessing包将每块格网数据交给不同CPU核心单元独立进行计算，确保CPU满载运行，提高运算效率。最终，通过将不同CPU计算结果进行合并，从而获取整个区域格网化模拟结果。

一般格网数据在计算机中以二维矩阵的形式进行组织，其数据划分方式可分为一维行划分、一维列划分，二维划分与不规则划分等多种方式[27]。由于二维数组在物理层中按行存储，所以本研究采用一维行划分对格网数据进行划分。利用格网数据的行数除以计算机CPU数目，得出并行计算所需分块数目，从而实现并行计算中的负载均衡。

4）格网化WheatGrow模型封装

本研究利用ESRI®ArcMap©将格网化WheatGrow模型封装成ArcToolbox地理处理工具，本工具兼容ArcMap©10.0-10.7版本。通过预先设定好模型数据读取路径，只需在前端输入格网数据路径、起始年份、终止年份、模拟情景、格网数据的空间分辨率、模拟结果保存路径，即可实现区域生产力模拟。

2.4 客户终端层

客户终端层包含实现和显示用户界面的组件，管理客户对信息的请求，通过用户与Windows窗体的交互，实现地图操作及调用作物生长模型相关业务逻辑操作。

3 系统实现与案例分析

研究采用C#和Python 2.7为开发语言，基于Microsoft®Visual Studio 2010©的开发环境，以ESRI®ArcGIS Engine©10.2为GIS组件，并结合Microsoft®SQL Server 2008©R2与ESRI®的空间数据引擎ArcSDE构建空间数据库，进而开发实现了格网化小麦生长模拟预测系统。用户可通过界面点击选择与输入的交互方式实现包括单点模拟、区域模拟、统计分析、专题制图等主要功能，为相关研究和应用工作提供了友好的软件平台。

光温生产潜力指在理想条件下作物可以达到的最高理论产量，区域光温生产潜力模拟对合理开发利用农业气候资源具有重要意义[28]。所以，本研究以2013年中国冬麦区光温生产潜力为模拟情景，对系统进行案例应用分析（图5）。案例选择了5、10、40、50、100、200 km，6个不同的空间分辨率。软件的运行环境为32核Intel®Xeon(R)®CPU E5-2667 v3 @ 3.20 GHz，64位Microsoft®Windows 7 Professional©，内存64 GB。

运行结果表明本研究设计构建的系统完全实现了格网化的小麦区域生长模型，能够高效便捷的模拟区域小麦生产力，并实现专题制图。从运行效率上看，所提出的并行优化策略显著提升了系统模拟速度（表3），数据空间分辨率为5 km时，串行计算消耗时间超过7 d，而并行加速后模拟时间约为1.6 h，模拟效率显著提高。此外，系统采用并行优化后，模拟1 a数据仅需占用100 MB以内的计算机内存，提高了内存使用效率。

图5 区域光温生产潜力模拟系统界面

表3 不同空间分辨率数据集下的模型运行所需时间与内存

从专题图上看，系统能够根据用户的需求，选择不同空间分辨率的格网数据实现区域光温生产潜力的模拟（图6）。模拟结果的空间分布趋势基本一致，但是格网输入数据的分辨率对区域光温生产潜力模拟结果具有显著影响，随空间分辨率逐渐增大，模拟结果空间分布细节特征逐渐消失。这种可视化分析结果也表明了本研究所构建的系统能够为未来区域生产力模拟的进一步优化提供数据管理和可视化分析的支持。

图6 2013年中国冬麦区不同空间分辨率下光温生产潜力模拟

4 结 论

本研究针对小麦生长模型区域应用中的技术需求，构建格网化小麦生长模拟预测系统，实现了小麦区域生产力的模拟预测及分析制图，并取得如下结论：

1）提出的网格化小麦生长模拟预测方案，能够较好的拓展WheatGrow模型的区域模拟功能，实现区域小麦生产力的高效、准确模拟预测。

2）实现的格网化小麦生长模拟预测系统，提供了高效的格网化小麦生长模拟模型和较完善的模拟数据库；系统也可基于运行环境的CPU数目实现并行计算，有效提高了区域模拟效率。同时，所封装的格网化小麦生长模型ArcGIS Toolbox工具，便于有专业基础的用户在ESRI®ArcGIS环境下实现定制化的需求。

[1] Rosenzweig C, Elliott J, Deryng D, et al. Assessing agricultural risks of climate change in the 21st century in a global gridded crop model intercomparison[J]. Proceedings of the National Academy of Sciences, 2014, 111(9): 3268-3273.

[2] Maiorano A, Martre P, Asseng S, et al. Crop model improvement reduces the uncertainty of the response to temperature of multi-model ensembles[J]. Field Crops Research, 2017, 202: 5-20.

[3] 孙宁，冯利平. 利用冬小麦作物生长模型对产量气候风险的评估[J]. 农业工程学报，2005，21(2)：106-110.

Sun Ning, Feng Liping. Assessing the climatic risk to crop yield of winter wheat using crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(2): 106-110. (in Chinese with English abstract)

[4] Resop J P, Fleisher D H, Wang Q, et al. Combining explanatory crop models with geospatial data for regional analyses of crop yield using field-scale modeling units[J]. Computers and Electronics in Agriculture, 2012, 89: 51-61.

[5] Mller C, Elliott J, Chryssanthacopoulos J, et al. Global gridded crop model evaluation: Benchmarking, skills, deficiencies and implications[J]. Geoscientific Model Development, 2017, 10: 1403-1422.

[6] Zhang X, Xu H, Jiang L, et al. Selection of appropriate spatial resolution for the meteorological data for regional winter wheat potential productivity simulation in China based on WheatGrow model[J]. Agronomy, 2018, 8(10): 198.

[7] Tifafi M, Guenet B, Hatté C. Large differences in global and regional total soil carbon stock estimates based on SoilGrids, HWSD and NCSCD: Intercomparison and evaluation based on field data from USA, England, Wales and France[J]. Global Biogeochemical Cycles, 2018, 32: 42-56.

[8] Lawrimore J H, Menne M J, Gleason B E, et al. An overview of the Global Historical Climatology Network monthly mean temperature data set, version 3[J]. Journal of Geophysical Research: Atmospheres, 2011, 116: 19121.

[9] Di L M, Arnold J G, Srinivasan R. Integration of SSURGO maps and soil parameters within a geographic information system and nonpoint source pollution model system[J]. Journal of Soil and Water Conservation, 2004, 59(4): 123-133.

[10] 张定祥，史学正，于东升，等. 中国1:100万土壤数据库建设的基础[J]. 地理学报，2002，57(Z1)：82-86.

Zhang Dingxiang, Shi Xuezheng, Yu Dongsheng, et al. The basis for establishing China's 1:1,000,000 soil database[J]. Acta Geographica Sinica, 2002, 57(Z1): 82-86. (in Chinese with English abstract)

[11] Villoria N B, Elliott J, Müller C, et al. Rapid aggregation of global gridded crop model outputs to facilitate cross-disciplinary analysis of climate change impacts in agriculture[J]. Environmental Modelling and Software, 2016, 75: 193-201.

[12] Shelia V, Hansen J, Sharda V, et al. A multi-scale and multi-model gridded framework for forecasting crop production, risk analysis, and climate change impact studies[J]. Environmental Modelling and Software, 2019, 115: 144-154.

[13] Kim S H, Kim J, Walko R, et al. Climate change impacts on maize-yield potential in the Southwestern United States[J]. Procedia Environmental Sciences, 2015, 29: 279-280.

[14] 王志强, 甘国辉, 王健, 等. 基于Web服务和GIS的作物生长模拟系统及应用[J]. 农业工程学报, 2008, 24(1): 179-182.

Wang Zhiqiang, Gan Guohui, Wang Jian, et al. Crop growth simulation system based on web services and GIS and its application[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(1): 179-182. (in Chinese with English abstract)

[15] Rashmi C, Chaluvaiah S, Kumar G H. An efficient parallel block processing approach for K-means algorithm for high resolution orthoimagery satellite images[J]. Procedia Computer Science, 2016, 89: 623-631.

[16] 姜海燕，尹言，彭川阳，等. 作物生长模型分布式并行调度方案的比较[J]. 农业工程学报，2011，27(6)：247-253.

Jiang Haiyan, Yin Yan, Peng Chuanyang, et al. Comparison of distributed parallel scheduling schemes for crop growth model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(6): 247-253. (in Chinese with English abstract)

[17] 赵青松，陈林，孙波，等. 基于Hadoop的云环境下作物生长模型算法的实现与测试[J]. 农业工程学报，2013，29(8)：179-186.

Zhao Qingsong, Chen Lin, Sun Bo, et al. Algorithm implementation and tested of crop growth model based on hadoop of cloud computing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(8): 179-186. (in Chinese with English abstract)

[18] 杨静静，马骏. 遥感影像区域面积快速计算并行算法研究[J]. 计算机时代，2020(6)：8-12.

Yang Jingjing, Ma Jun. Research on parallel algorithm for fast calculation of area in remote sensing image[J]. Computer Era, 2020(6): 8-12. (in Chinese with English abstract)

[19] 李德元，姚文龙，杨二龙，等. 基于ArcSDE文件地理数据库存储和设计的应用研究[J]. 测绘与空间地理信息，2016，39(2)：82-84.

Li Deyuan, Yao Wenlong, Yang Erlong, et al. The application of file geodatabase memory and design based on ArcSDE[J]. Geomatics & Spatial Information Technology, 2016, 39(2): 82-84. (in Chinese with English abstract)

[20] Liu T, Cao W, Luo W. Calculation of physiological development time and prediction of development stages after heading[J]. Acta Tritical Crops, 2000, 20: 29-34.

[21] Lv Z, Liu X, Cao W, et al. Climate change impacts on regional winter wheat production in main wheat production regions of China[J]. Agricultural & Forest Meteorology, 2013, 171-172(Complete): 234-248.

[22] 严美春，曹卫星，罗卫红，等. 小麦发育过程及生育期机理模型的研究I.建模的基本设想与模型的描述[J]. 应用生态学报，2000，11(3): 355-359.

Yan Meichun, Cao Weixing, Luo Weihong, et al. A mechanistic model of phasic and phenological development of wheat. I. Assumption and description of the model[J]. Chinese Journal of Applied Ecology, 2000, 11(3): 355-359. (in Chinese with English abstract)

[23] Xu H, Huang F, Zuo W, et al. Impacts of spatial zonation schemes on yield potential estimates at the regional scale[J]. Agronomy, 2020, 10(5): 631.

[24] Zhang X, Zuo W, Zhao S, et al. Uncertainty in upscaling in situ soil moisture observations to multiscale pixel estimations with kriging at the field level[J]. International Journal of Geo-Information, 2018, 7(1): 33.

[25] 陈锋锐，秦奋，李熙，等. 基于多元地统计的土壤有机质含量空间格局反演[J]. 农业工程学报，2012，28(20)：188-194.

Chen Fengrui, Qin Fen，Li Xi, et al. Inversion for spatial distribution of soil organic matter content based on multivariate geostatistics[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012，28(20)：188-194. (in Chinese with English abstract)

[26] 姜海燕，彭川阳，尹言，等. 作物生育期模拟并行调度算法的研究与设计[J]. 江苏农业学报，2010，26(6)：1210-1216.

Jiang Haiyan, Peng Chuanyang, Yin Yan, et al. Design of parallel scheduling algorithm for crop development simulation[J]. Jiangsu Journal of Agricultural Sciences, 2010, 26(6): 1210-1216. (in Chinese with English abstract)

[27] 江岭，汤国安，刘凯，等.局部型地形因子并行计算方法研究[J]. 地球信息科学学报，2012，14(6)：761-767.

Jiang Ling, Tang Guoan, Liu Kai, et al. Study on parallel calculation method of local terrain parameters[J]. Journal of Geo-Information Science, 2012, 14(6): 761-767. (in Chinese with English abstract)

[28] 周治国，曹卫星，王绍华，等. 基于GIS的区域作物生产系统潜力分析[J]. 农业工程学报，2003，19(1)：124-128.

Zhou Zhiguo, Cao Weixing, Wang Shaohua, et al. GIS-Based potential productivity analysis of regional crop production system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(1): 124-128. (in Chinese with English abstract)

Design and implementation of gridded simulation and prediction system for wheat growth

Xu Hao, Zhang Xiaohu※, Qiu Xiaolei, Zhu Yan, Cao Weixing

(,,210095,)

To simulate the regional wheat productivity can be an essential way to evaluate the impacts of climate change on food security. Generally, a crop growth model is available to the wheat productivity prediction at the regional and national scales for decision-making. However, a convenient and fast software system is necessary to improve the ability of the crop growth model, thereby to efficiently calculate regional wheat productivity. In this research, a simulation platform was designed to implement a gridded wheat growth model (Gridded WheatGrow) for regional wheat forecast, combining with the observed weather data. The Gridded WheatGrow model is derived from the WheatGrow model that invented by Nanjing Agricultural University, particularly for a process-based wheat growth simulation. The Gridded WheatGrow model can be used to integrate the gridded data and the simulation model within a geographical information system (GIS). The modified model can facilitate the acquisition of the input data, such as the daily meteorological data and soil data with a high spatial resolution, for the season forecasts, wheat productivity simulation, and other application of most previous open grid databases. The Gridded WheatGrow model can be a core component of a GIS. This is because the simulation system, not just an independent software, was designed based on the close integration of GIS and crop model. Furthermore, this design can simplify the data preparation, further to make it friendly to a non-professional user. A parallel computing method was adopted with the strategy of grid data partition based on Message Passing Interface (MPI), in order to solve the time-consuming and inconvenient problems caused from the modeling and calculation of grid data in the application of the regional productivity simulation. As such, the grid data can be dynamically segmented into a certain number of blocks, according to the number of the CPU cores in a computer and the size of the original grid data. Therefore, the computation of regional productivity simulation can efficiently utilize the full capacity of CPU in the computer, while reduce the consumption of stored physical memory. In the case of high efficiency, a normal personal computer can also be used to develop a gridded simulation system of wheat productivity. The proposed system was implemented based on the component geographic information system in development mode using the Microsoft®platform, together with net developer platform, C# and Python programming language. The Gridded WheatGrow model was also served as a specific geoprocessing tool for ESRI®ArcGIS. In ArcMap©module of the system, the customized code can be used to simulate the regional wheat productivity on the specific purpose. The proposed system was verified by the field data collected from the winter wheat area in China, and the root mean square error (RSME) and normalized root mean square error (NRSME) are1 070 kg/hm2and less than 20%, respectively, showing an excellent performance. The typical system can be used to simulate the regional wheat productivity with a friendly user interface, while to reduce time and consumption of physical memory. Combining with the fundamental functions of GIS, the simulated data can be easily visualized and mapping for the later public use. All these features of the proposed system can prove that the Gridded WheatGrow simulation platform is an useful and reliable software on regional wheat productivity forecasts, and thereby it can be expected to evaluate the impacts of climate change on food security and decision making in modern agriculture.

crops; models; parallel algorithms; GIS; grid data; system development

徐浩，张小虎，邱小雷，等. 格网化小麦生长模拟预测系统设计与实现[J]. 农业工程学报，2020，36(15)：167-172.doi：10.11975/j.issn.1002-6819.2020.15.021 http://www.tcsae.org

Xu Hao, Zhang Xiaohu, Qiu Xiaolei, et al. Design and implementation of gridded simulation and prediction system for wheat growth[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(15): 167-172. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.15.021 http://www.tcsae.org

2020-04-27

2020-07-28

国家重点研发项目（2016YFD0300607）；国家自然科学基金国际合作与交流项目（41961124008）

徐浩，博士生，研究方向为农业空间数据分析与建模。Email：haoxu1989@hotmail.com

张小虎，博士，副教授，研究方向为农业时空大数据智能分析。Email：zhangxiaohu@njau.edu.cn

10.11975/j.issn.1002-6819.2020.15.021

S24; TP311.5

A

1002-6819(2020)-15-0167-06