小麦模型算法集成平台在华北平原区的适应性评价

陈先冠，冯利平，白慧卿

小麦模型算法集成平台在华北平原区的适应性评价

陈先冠1,2,4，冯利平1※，白慧卿3

（1. 中国农业大学资源与环境学院，北京 100193；2.福建农林大学农学院，福州 350002；3. 中国农业科学院农业环境与可持续发展研究所，北京 100081；4. 农业农村部黄淮海智慧农业技术重点实验室，郑州 450002）

为评价小麦模型算法集成平台（wheat model algorithms integration platform, WMAIP）在华北平原区的适应性，该研究利用华北平原区4个典型试验站多年试验数据，对WMAIP组成的16个模型进行调参和验证，并利用归一化均方根误差（normalized root mean squared error, NRMSE）选择最优模型，最后评价WMAIP集成模型在华北平原区的适应性。WMAIP中组合的16个模型均能有效地模拟土壤水分动态和冬小麦生长发育指标。发育期模拟误差小于4.2%；2 m土层土壤贮水量模拟误差小于7.0%；生物量和产量模拟误差分别在17.3%～23.7%和10.8%～20.8%之间。单个模型的模拟性能不稳定，调参与验证结果的最优模型存在差异。模型集成可降低华北平原区冬小麦产量的模拟误差，用于集成的模型数量越多，模拟误差越小，选择6个模型进行集成就可获得近似田间试验的模拟误差。以16个组合模型模拟结果的均值作为集成模型的结果，得到生物量和产量的模拟误差分别为18.7%和11.8%。结果表明，WMAIP在华北平原区有较好的适应性，可用于华北平原区小麦生产管理和气候变化影响评估。

作物；模型；小麦；WMAIP；模型选择；模型集成；产量

0 引 言

华北平原区是中国重要的小麦生产基地，供应了全国50%的小麦产量，在保障中国粮食安全中具有举足轻重的地位[1]。华北平原区热量光照资源丰富，但水资源紧缺，在全球气候变化的大背景下，该区的热量资源变得更加丰富，同时极端气候事件频发[2-3]，且其强度、持续时间和频率可能会持续增加[4]，对作物生产造成了严重影响[5-6]。基于过程的作物模型可以综合反映基因型、环境和管理措施对作物生长的影响，已经广泛用于气候变化影响评估等多个方面[7-11]。CHEN等[12]基于APSIM模型模拟1961－2003年华北平原区小麦玉米产量的变化趋势，结果显示北方站点小麦和玉米潜在产量分别下降了45.3和51.4 kg/(hm2·a)，而南方站点产量波动较小，空间差异明显。LIN等[13]基于PRECIS模型模拟未来20～80 a中国主要粮食作物的产量变化，结果表明，在没有二氧化碳肥效的情况下，气候变化可能使未来20～80 a的水稻、玉米和小麦产量减少18%～37%。以上研究多基于单个模型进行模拟，但由于模型之间的结构差异较大，使用不同模型评估气候变化影响的结果差别较大。ASSENG等[14]在全球4个代表性地点进行的研究发现，作物模型比气候模式对小麦产量变化的不确定贡献更大。TAO等[15]使用7个作物模型和8个气候模式量化了气候变化对大麦产量影响的不确定性，表明作物模型结构比气候模式和作物模型参数对产量变化的不确定影响更大。随着作物模型不确定性研究的深入，发现模型集成可提高模型准确度，是降低气候变化影响评估不确性的有效手段。MARTRE等[16]的研究结果表明27个小麦模型集成的模拟效果优于单一模型。FLEISHER等[17]发现9个马铃薯模型集成的模拟效果优于单一模型。为了提升研究结果的可信度，研究者们逐渐使用多模型集成评估气候变化对作物生产的影响[18]。ASSENG等[19]基于多模型集成并结合田间数据评估全球升温对小麦生产的影响发现，温度每升高1 ℃，全球小麦产量下降6%。WEBBER等[20]利用多模型集成量化了各种气候驱动因素对欧洲1984－2009年玉米和小麦产量变异的贡献及未来气候变化的影响。FALCONNIER等[21]使用多模型集成模拟非洲撒哈拉以南低氮输入条件下气候变化对玉米产量的影响。以上研究均显示多模型集成模拟具有更好的预测能力，更适用于生产管理决策和气候变化影响评估。

近年来，为促进作物模型的比较、评价与重用，作物模拟平台的构建与适应性评价研究开始兴起[4,22-23]。通过作物模拟平台适应性研究不仅可以验证平台的可靠性，也能发现平台中存在的问题便于及时改进与完善，提高平台的应用性[24]。小麦模型算法集成平台WMAIP（wheat model algorithms integration platform）集成了国内外主流小麦模型CERES-Wheat、APSIM-Wheat、WOFOST、SWAT、AquaCrop、STICS、WheatSM主要模块的多种算法，能用多种方法模拟土壤水分胁迫和冬小麦的生长发育指标，在小麦模型算法比较与改进、集成模拟及气候变化影响评估等方面具有较好应用前景[22]。自WMAIP开发以来，已经进行了一些平台验证和算法比较的研究，主要集中在单个站点，认为该平台对指导当地冬小麦水分管理基本可行[7]。但迄今为止，WMAIP在区域多点冬小麦生产中还未得到应用。本研究以华北平原区4个站点多年的冬小麦试验资料和文献资料为基础，通过WMAIP组合模型对各地冬小麦生长发育及产量形成的模拟效果分析，评价了WMAIP在华北平原区的适应性，筛选了最佳组合模型，并揭示了模型数量对集成模型模拟误差的影响，以期为今后该模型平台广泛应用于华北平原区小麦生产管理优化和气候变化影响评估奠定基础。

1 材料与方法

1.1 研究区域概况

华北平原区地处北纬32°～40°，东经114°～121°，属温带大陆性季风气候。冬季寒冷干燥，夏季高温多雨，热量资源和光照资源充足，小麦生长季（10月10日－次年6月10日）平均气温4.3～14.4 ℃，生长季总降水量44～638 mm，降水量和平均温度由南向北随纬度增加而递减。选取北京上庄试验站、河北吴桥试验站、河北曲周试验站、河南黄泛区农场4个典型省市的试验点。中国农业大学上庄试验站（40.1°N，116.2°E）土壤容重1.44～1.49 g/cm3，小麦生长季平均温度4.3～8.9 ℃，总降水量58～182 mm。吴桥试验站（37.4°N，116.4°E）土壤容重1.34～1.51 g/cm3，小麦生长季平均温度6.5～9.3 ℃，总降水量46～350 mm。曲周试验站（36.9°N，115.0°E）土壤容重1.32～1.47 g/cm3，小麦生长季平均温度6.5～11.6 ℃，总降水量44～313 mm。河南黄泛区农场（33.8°N，114.5°E）土壤容重1.41～1.43 g/cm3，小麦生长季平均温度8.4～14.4 ℃，总降水量146～638 mm。研究区域及试验点地理分布见图1，详细土壤数据见表1。

图1 华北平原区4个试验站点的分布

表1 华北平原区4个试验点土壤剖面物理参数范围

1.2 数据来源与试验设计

上庄、曲周、黄泛区和吴桥站点作物数据来源于田间试验和文献资料[25-27]（表2）。试验Ⅰ、Ⅲ和Ⅳ分别为2008－2010年上庄、曲周、黄泛区的播期耦合密度试验，设置早（10月8－10日）、中（10月18－20日）、晚（10月28－30日）3个播种期，设置高（450株/m2）、中（300株/m2）、低（150株/m2）3个播种密度，供试品种为邯郸6172（表2）。试验Ⅱ为曲周试验站的水分处理试验，3个水分处理分别为雨养、优化（2007－2008生长季越冬前、拔节和抽穗期分别灌水51、41和37 mm，2008－2009生长季越冬前和拔节期均灌水51 mm）和充分灌溉（2007－2008生长季越冬前、返青、拔节和抽穗期分别灌水43、43、38和31 mm，2008－2009生长季越冬前、拔节和灌浆期均灌水51 mm），供试品种为邯郸6172。试验Ⅴ为吴桥试验站的播期耦合水分试验，设置10月10日、10月20日、10月30日、11月10日4个播种期，设置不灌水、灌拔节水、灌拔节水+开花水3个水分，供试品种为济麦22。试验Ⅵ为吴桥试验站的水分试验，包括不灌溉处理、5个灌1水处理（起身水、拔节水、孕穗水、开花水、灌浆水）和6个灌2水处理（起身水+孕穗水、起身水+开花水、起身水+灌浆水、拔节水+开花水、拔节水+灌浆水、孕穗水+灌浆水），供试品种为济麦22。试验Ⅶ为吴桥试验站的播期试验，播期设置10月6日、10月16日、10月23日、10月30日、11月6日和11月13日6个播种期，供试品种为济麦22。试验Ⅷ为吴桥试验站的水分试验，设置7个处理，分别为生育期不灌溉，4个单次灌溉处理（起身水、拔节水、孕穗水、开花水），两次灌溉处理（拔节水+开花水）和3次灌溉处理（起身水+孕穗水+开花水），供试品种为济麦22。

上庄、黄泛区和吴桥试验点气象数据来自试验点附近的国家自动气象观测站（北京站、西华站和吴桥站），曲周试验点气象数据来自试验点的自动气象站，气象数据主要包括：日最高温度（℃）、日最低温度（℃）、日照时数（h）、日降水量（mm）、平均风速（m/s）以及空气相对湿度（%）。土壤数据主要包括凋萎系数（cm3/cm3）、田间持水量（cm3/cm3）、饱和含水量（cm3/cm3）、容重（g/cm3）等，来自文献[25-27]和中国土种志（http://www.soil.csdb.cn）（表1）。管理数据主要包括品种、播种期、播种密度、施肥量、灌溉时间及灌溉量，来自文献[25-27]和田间试验记录。

表2 华北平原区冬小麦播期和水分处理数据

1.3 小麦模型算法集成平台

小麦模型算法集成平台（WMAIP）集成了国内外主流小麦模型发育期、生物量、产量形成和土壤水分胁迫等模块多种算法，可用于小麦模型算法比较与改进、集成模拟及气候变化影响评估等方面。目前，WMAIP发育期模块集成了WheatSM模型的“小麦钟”模型法（clock model, CM）与APSIM-Wheat模型的热时法（thermal time, TT）；生物量模块集成了APSIM-Wheat模型的光能利用效率法（radiation use efficiency, RUE），WOFOST模型的二氧化碳同化率法（carbon assimilation, CA）以及WheatSM模型的群体光合作用法（canopy photosynthesis, CP）三种算法；产量形成模块集成了SWAT模型的收获指数法（harvest index, HI），APSIM-Wheat模型的籽粒灌浆法（grain filling, GF）及WheatSM模型的干物质转移法（biomass remobilization, BR）；水分胁迫模块集成了WOFOST、AquaCrop和STICS的土壤含水率法（average soil water content, SWC），CERES-Wheat模型的相对蒸腾法（actual to potential transpiration ratio, AT/PT）及APSIM-Wheat模型的土壤水分供需比法（water supply to demand ratio, WS/WD）。关于 WMAIP 的构建原理和不同模块的具体算法见文献[7,22]。

本文选择不同模块的两种算法进行研究，其中发育期算法为“小麦钟”模型法（CM）与热时法（TT），生物量算法为二氧化碳同化率法（CA）与群体光合作用法（CP）；产量形成算法为收获指数法（HI）与干物质转移法（BR）；水分胁迫算法相对蒸腾法（AT/PT）与土壤水分供需比法（WS/WD）。基于WMAIP对不同模块的不同算法进行组成，最终形成16个组合（图2）。

注：CM为“小麦钟”模型法，TT为热时法，CA为二氧化碳同化率法，CP为群体光合作用法，HI为收获指数法，BR为干物质转移法，AT/PT水分胁迫算法相对蒸腾法，WS/WD为土壤水分供需比法。

1.4 参数较准

根据收集的田间试验数据和文献资料，将每个试验分为调参和验证组两个数据集（表3），对WMAIP进行参数校准和验证。首先根据试验观测的发育期对发育期模块不同算法进行参数率定；然后在最优发育期算法基础上，根据试验观测的干物质量对生物量模块不同算法进行参数率定；最后在最优发育期和生物量算法基础上，根据试验观测的产量对产量形成模块不同算法进行参数率定（表4）。

表3 WMAIP平台小麦调参和验证数据集

1.5 模型评估

采用平均误差（ME）、均方根误差（RMSE）、归一化均方根误差（NRMSE）和模型模拟效率（）评价模型模拟值与实测值的吻合程度[28-30]。

1.6 模型选择与集成

使用产量模拟值和实测值的NRMSE进行模型选择，使用均值进行模型集成。分别对16个模型的不同组合进行集成，计算不同模型数量的集成模拟产量的NRMSE，检验模型数量影响集成模型模拟误差的效果。其中，16个模型所有可能的模型组合计算如下：

表4 冬小麦品种济麦22和邯郸6172在WMAIP中的遗传参数

2 结果与分析

2.1 模型平台适应性评价

基于WMAIP构成的16个组合模型都能有效地模拟土壤水分动态和冬小麦的生长发育指标。发育期模拟值与观测值具有较好一致性，调参和验证结果的NRMSE分别在1.9%～3.1%和2.1%～4.2%之间，值分别在0.66～0.90和0.71～0.91之间。2 m土层土壤贮水量实测值和模拟值的差别较小，调参和验证结果中NRMSE分别在6.6%～7.4%和5.3%～7.0%之间，值分别在0.54～0.63和0.73～0.85之间。16个组合模型都能有效模拟叶面积指数的动态变化，调参和验证结果中NRMSE分别在24.0%～34.9%和28.0%～41.6%之间，值分别在0.14～0.57和0.29～0.68之间。16个组合模型模拟地上部生物量的动态变化，调参和验证结果的NRMSE分别在15.9%～20.8%和17.3%～23.7%之间，值分别在0.83～0.90和0.83～0.91之间。产量的实测值和模拟值差别较小，16个组合模型的调参和验证结果中NRMSE分别在10.8%～20.7%和11.0%～20.8%之间，值分别在0.21～0.79和0.40～0.83之间（图3）。

注：箱线图上下边缘分别代表25%和75%顺序的数值；箱体外上下边线分别代表10%和90%顺序的数值；箱中横线和三角形分别代表中位数和平均值；箱体上下“×”代表离群值；下同。NRMSE为归一化均方根误差，E为模型模拟效率。

2.2 模型选择

由表5可知，16个组合模型的调参结果中，M6模型产量的NRMSE为10.8%，是调参结果的最优组合模型。但验证结果中，M6模型产量的NRMSE为14.7%，而M2模型产量的NRMSE为11.0%，表明M2模型是WMAIP中用于模拟华北平原区冬小麦产量对播期和灌溉处理响应的最优组合模型。可见，单个模型的模拟性能并不稳定，导致了调参与验证结果最优模型的差异，但从16个组合模型的产量调参和验证结果综合来看，M2、M3、M6、M7、M10和M15这6个模型的模拟误差都低于15%，表现较佳，其余模型表现一般。M2和M10两个模型虽然生物量和产量的模拟效果较好，但叶面积指数的模拟效果较差（NRMSE>30%）。从多个指标看，M3、M6、M7和M15这4个模型的表现最佳，是16个组合模型中的最优模型。

表5 不同组合模型的叶面积指数、生物量和产量的NRMSE

2.3 集成模型的效果评价

模型集成降低了华北平原区冬小麦产量模拟的NRMSE。用于模型集成的模型数量越多，产量模拟的NRMSE越小，产量模拟的NRMSE可降低0～9.0%（图4）。采用4个模型进行模型集成时，75%模型组合的产量模拟误差小于田间试验产量观测误差；采用6个模型进行模型集成时，90%模型组合的产量模拟误差小于田间试验的产量观测误差。

注：图中虚线为田间试验的产量观测误差，取13.5%[14]。

将16个组合模型模拟结果的均值作为集成模型的结果。调参结果中，叶面积指数、生物量和产量模拟值和实测值的ME分别为0.2 mm2/mm2、−864.5 kg/hm2和−211.2 kg/hm2，RMSE分别为1.08 mm2/mm2、1 699.4 kg/hm2和867.4 kg/hm2，NRMSE分别为26.0%、16.9%和12.1%，分别为0.51、0.89和0.73。验证结果中，叶面积指数、生物量和产量模拟值和实测值的ME分别为0.35 mm2/mm2、−520.8 kg/hm2和−53.5 kg/hm2，RMSE分别为1.04 mm2/mm2、1 697.5 kg/hm2和756.3 kg/hm2，NRMSE分别为30.1%、18.7%和11.8%，分别为0.53、0.89和0.81，表明WMAIP集成模型能较好地模拟冬小麦生物量和产量，对叶面积指数的模拟效果相对较差（图5）。

图5 WMAIP集成模型叶面积指数、地上部生物量和产量的调参和验证结果

3 讨 论

本研究使用了不同试验点、不同年份、不同播期和不同灌溉处理的试验数据，在参数的生物学意义范围内完成了模型调参和验证，参数校正范围比较合理，有效地评估了WMAIP对华北平原区不同年份、不同播期和不同灌溉处理冬小麦生长发育和产量形成的模拟效果。该平台对华北平原区冬小麦的生长发育、产量形成和土壤水分具有较好的模拟效果, 但对叶面积指数则误差稍大。基于WMAIP组成的16种模型模拟发育期和土壤贮水量的误差较小，且不同模型间的差异不大，但不同模型模拟叶面积指数、生物量和产量的差异较大。MARTRE等[16]在荷兰、阿根廷、印度和澳大利4个站点对27个小麦模型进行准确性测试，研究发现各模型模拟叶面积、生物量、有效水含量和产量的RMSE分别为0.91～4.50 mm2/mm2、870～3 760 kg/hm2、25～112 mm、410～3 630 kg/hm2，各模型的模拟结果差异较大，而由于本研究的16个模型是在单一平台组合而成，模型结构差异较小，因此各模型的模拟结果差异相对较小。KUIJPERS等[31]将4个番茄生长模型的算法集成到单一平台中，然后对算法进行重新组合生成27个有效的组合模型，最终选择出了18个满足需求的组合模型，与本研究的方法相同。不同变量的模拟误差存在差异，因此需要基于多变量综合评估模型的模拟性能，以选择出最优模型，与前人的研究较为一致[22,32]。在大多数情况下，很难找到“最佳”的模型，而在考虑所有要素时，模型集合的效果优于单个模型[32]。单个模型的模拟性能不稳定，从调参或验证结果中选择的最优模型，不一定是最优模型，表现为调参结果最优的模型不一定是验证结果的最优模型。相比于单个模型，模型集合的模拟性能更稳定，本研究中选择6个模型进行集成就能使作物模型的模拟误差相当于田间试验中实测产量的观测误差，这与前人的研究较为一致[33-34]。

经验证的WMAIP为今后研究华北平原区播期、灌溉制度、品种更新对小麦生长发育和产量的影响奠定了基础，亦可用来研究气候变化对华北平原区小麦产量的影响，从而提出科学适应或补偿方法，以保障当地小麦生产高产高效和粮食安全。在今后研究中可采用WMAIP集成模型进行气候变化影响评估，以减小作物模型的不确定性。当前基于多模型的气候变化影响评估虽然取得了较好效果[19-20]，但由于不同模型输入输出、参数等都存在较大差异，多模型的适应性评价费时费力，实际应用性较差。多模型的差异本质上是模型结构与算法的差异，因此WMAIP通过在单一平台集成多种算法，通过算法组合以达到多模型的效果，可作为气候变化影响评估的有力工具。WMAIP主要有以下优势：1）算法比较与选择：用户可忽略小麦模型的结构差异，直接对特定过程不同算法进行比较和选择；2）自主定制模型：用户可根据数据情况和现实问题自主定制模型；3）多模型集成模拟：用户可选择多种算法组成多种组合模型，进行多模型集成模拟，提升模拟精度。但WMAIP也存在参数多的缺点，并且目前该平台在灾害胁迫效应方面仅集成了多种水分胁迫算法，未来需要进一步集成低温胁迫、高温胁迫、涝渍胁迫等多种算法，为更好地应用于气候变化影响评估奠定基础。

需要注意的是，理想的模型参数是唯一且稳定的，但由于现有模型中品种遗传参数与基因效应之间的关系还未明确，会导致“多参同效”现象[35]，另外使用不同数据集进行参数率定也会得到不同品种参数，因此今后还需进一步增强模型中品种遗传参数的机理性。本研究还存在一定不足，模型验证结果中，16个组合模型的叶面积指数模拟值与观测值的NRMSE在28.0%～41.6%之间，模型平台的叶面积指数算法需要更多精细数据进行评估和改进。研究结果中，LAI的模拟误差较大，但地上部生物量和产量的模拟误差较低，这可能是由于模型中不同模块间存在互相补偿的作用，使模型误差在不同变量的不同参数值下被最小化，这种补偿作用在不同环境下的有效性还有待进一步深入研究。另外，本研究没有考虑氮素胁迫影响，因此水分胁迫与氮素胁迫对小麦生长发育影响的耦合效应还有待进一步研究。

4 结 论

本文使用了多站点多年试验数据和文献资料，有效地评估了WMAIP对华北平原区不同年份、不同播期和不同灌溉处理冬小麦生长发育的模拟效果，得到的结论如下：

1）基于WMAIP组成的16个模型均能有效模拟土壤水分动态和冬小麦生长发育指标。发育期模拟误差小于4.2%；2 m土层土壤贮水量的模拟误差小于7.0%；叶面积指数模拟误差在28.0%～41.6%之间；生物量模拟误差在17.3%～23.7%之间；产量模拟误差10.8%～20.8%。

2）单个模型的模拟性能不稳定，调参与验证结果的最优模型存在差异。模型集成可降低华北平原区冬小麦产量的模拟误差，采用6个模型进行模型集成即可获得近似田间试验的模拟误差。

3）WMAIP集成模型能较好地模拟冬小麦产量对播期和灌溉处理的响应，生物量和产量的模拟误差分别为18.7%和11.8%，可用于华北平原区小麦生产管理和气候变化影响评估。

[1] WANG J, WANG E, YANG X, et al. Increased yield potential of wheat-maize cropping system in the North China Plain by climate change adaptation[J]. Climatic Change, 2012, 113(3/4): 825-840.

[2] KATZ R W, BROWN B G. Extreme events in a changing climate: Variability is more important than averages[J]. Climatic Change, 1992, 21(3): 289-302.

[3] CUI L, SHI J, DU H, et al. Characteristics and trends of climatic extremes in China during 1959-2014[J]. Journal of Tropical Meteorology, 2017, 23(4): 368-379.

[4] JIN Z, ZHUANG Q, TAN Z, et al. Do maize models capture the impacts of heat and drought stresses on yield? Using algorithm ensembles to identify successful approaches[J]. Global Change Biology, 2016, 22(9): 3112-3126.

[5] BASSU S, BRISSON N, DURAND J, et al. How do various maize crop models vary in their responses to climate change factors?[J]. Global Change Biology, 2014, 20(7): 2301-2320.

[6] LESK C, ROWHANI P, RAMANKUTTY N. Influence of extreme weather disasters on global crop production[J]. Nature, 2016, 529(7584): 84-87.

[7] 陈先冠，冯利平，白慧卿，等. 基于小麦模型算法集成平台的三种水分胁迫算法比较[J]. 农业工程学报，2021，37(16)：47-57.

CHEN Xianguan, FENG Liping, BAI Huiqing, et al. Comparison of three water stress algorithms based on the integration platform of wheat model algorithms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 47-57. (in Chinese with English abstract)

[8] LIU Y, WANG E, YANG X, et al. Contributions of climatic and crop varietal changes to crop production in the North China Plain, since 1980s[J]. Global Change Biology, 2010, 16(8): 2287-2299.

[9] WANG B, FENG P Y, LIU D L, et al. Sources of uncertainty for wheat yield projections under future climate are site-specific[J]. Nature Food, 2020, 1(11): 720-728.

[10] BAI H, WANG J, FANG Q, et al. Modeling the sensitivity of wheat yield and yield gap to temperature change with two contrasting methods in the North China Plain[J]. Climatic Change, 2019, 156(4): 589-607.

[11] BAI H, WANG J, FANG Q, et al. Does a trade-off between yield and efficiency reduce water and nitrogen inputs of winter wheat in the North China Plain?[J] Agricultural Water Management, 2020, 233: 106095.

[12] CHEN C, WANG E, YU Q, et al. Quantifying the effects of climate trends in the past 43 years (1961-2003) on crop growth and water demand in the North China Plain[J]. Climatic Change, 2010, 100(3/4): 559-578.

[13] LIN E D, XIONG W, JU H, et al. Climate change impacts on crop yield and quality with CO2fertilization in China[J]. Philosophical Transactions of the Royal Society B-Biological Sciences, 2005, 360(1463): 2149-2154.

[14] ASSENG S, EWERT F, ROSENZWEIG C, et al. Uncertainty in simulating wheat yields under climate change[J]. Nature Climate Change, 2013, 3(9): 827-832.

[15] TAO F, ROTTER R P, PALOSUO T, et al. Contribution of crop model structure, parameters and climate projections to uncertainty in climate change impact assessments[J]. Global Change Biology, 2018, 24(3): 1291-1307.

[16] MARTRE P, WALLACH D, ASSENG S, et al. Multimodel ensembles of wheat growth: Many models are better than one[J]. Global Change Biology, 2014, 21(2): 911-925.

[17] FLEISHER D H, CONDORI B, QUIROZ R, et al. A potato model intercomparison across varying climates and productivity levels[J]. Global Change Biology, 2017, 23(3): 1258-1281.

[18] LIU B, ASSENG S, MÜLLER C, et al. Similar estimates of temperature impacts on global wheat yield by three independent methods[J]. Nature Climate Change, 2016, 6(12): 143-147.

[19] ASSENG S, EWERT F, MARTRE P, et al. Rising temperatures reduce global wheat production[J]. Nature Climate Change, 2015, 5(2): 143-147.

[20] WEBBER H, EWERT F, OLESEN J E, et al. Diverging importance of drought stress for maize and winter wheat in Europe[J]. Nature Communications, 2018, 9: 4249.

[21] FALCONNIER G N, CORBEELS M, BOOTE K J, et al. Modelling climate change impacts on maize yields under low nitrogen input conditions in sub-Saharan Africa[J]. Global Change Biology, 2020, 26(10): 5942-5964.

[22] 陈先冠，冯利平，白慧卿，等. 小麦模型算法集成平台构建与算法比较[J]. 农业机械学报，2022，53(6)：252-264.

CHEN Xianguan, FENG Liping, BAI Huiqing, et al. Establishment of wheat model algorithms integration platform and algorithm comparison[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(6): 237-249. (in Chinese with English abstract)

[23] MIDINGOYI C A, PRAADAL C, ENDERS A, et al. Crop2ML: An open-source multi-language modeling framework for the exchange and reuse of crop model components[J]. Environmental Modelling & Software, 2021, 142: 105055.

[24] 赵扬辉，汤亮，曹卫星，等. 小麦生长模拟模型（WheatGrow）的适应性评价[J]. 麦类作物学报，2010，30(3)：443-448.

ZHAO Yanghui, TANG Liang, CAO Weixing, et al. Adaptability evaluation of a wheat growth model (WheatGrow)[J]. Journal of Triticeae Crops, 2010, 30(3): 443-448. (in Chinese with English abstract)

[25] 张祎. 未来气候变化对黄淮海平原冬小麦生产影响及适应措施分析[D]. 北京：中国农业大学，2012.

ZHANG Yi. The Impacts of Climate Change on Winter Wheat (L.) Production and Its Adaptation Strategies in the Huang-Huai-Hai Plain[D]. Beijing: China Agricultural University, 2012. (in Chinese with English abstract)

[26] 王彬. 限水灌溉下极端晚播冬小麦的产量形成与水氮利用特征[D]. 北京：中国农业大学，2016.

WANG Bin. Characteristics of Yield Formation and Water-Nitrogen Use in Extremely-late Sown Winter Wheat Under Limited Irrigation[D]. Beijing: China Agricultural University, 2016. (in Chinese with English abstract)

[27] 徐学欣. 冬小麦节水高产灌溉模式的源:库性能及其协调机制[D]. 北京：中国农业大学，2018.

XU Xuexin. Performance and Coordination of Source and Sink System in Winter Wheat Under Water-Saving and High-Yielding Irrigation Patterns[D]. Beijing: China Agricultural University, 2018. (in Chinese with English abstract)

[28] 梁浩，胡克林，李保国，等. 土壤-作物-大气系统水热碳氮过程耦合模型构建[J]. 农业工程学报，2014，30(24)：54-66.

LIANG Hao, HU Kelin, LI Baoguo, et al. Coupled simulation of soil water-heat-carbon-nitrogen process and crop growth at soil-plant-atmosphere continuum system and its validation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24): 54-66. (in Chinese with English abstract)

[29] 黄明霞，王靖，唐建昭，等. 基于APSIM 模型分析播期和水氮耦合对油葵产量的影响[J]. 农业工程学报，2018，34(13)：134-143.

HUANG Mingxia, WANG Jing, TANG Jianzhao, et al. Analysis of interaction of sowing date, irrigation and nitrogen application on yield of oil sunflower based on APSIM model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 134-143. (in Chinese with English abstract)

[30] 谭丽丽，黄峰，乔学瑾，等. TRMM在海河流域南系的降水估算精度评价及其对SWAT模型的适用性[J]. 农业工程学报，2020，36(6)：132-141.

TAN Lili, HUANG Feng, QIAO Xuejin, et al. Evaluation of TRMM satellite-based rainfall data insouthern Haihe River Basin and suitability for SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(6): 132-141. (in Chinese with English abstract)

[31] KUIJPERS W, MOLENGRAFT M, MOURIK S V, et al. Model selection with a common structure: Tomato crop growth models[J]. Biosystems Engineering, 2019, 187: 247-257.

[32] PALOSUO T, KERSEBAUM K C, ANGULO C, et al. Simulation of winter wheat yield and its variability in different climates of Europe: A comparison of eight crop growth models[J]. European Journal of Agronomy, 2011, 35(3): 103-114.

[33] WALLACH D, MARTRE P, LIU B, et al. Multimodel ensembles improve predictions of crop-environment- management interactions[J]. Global Change Biology, 2018, 24(11): 5072-5083.

[34] LI T, HASEGAWA T, YIN X, et al. Uncertainties in predicting rice yield by current crop models under a wide range of climatic conditions[J]. Global Change Biology, 2015, 21(3): 1328-1341.

[35] HE D, WANG E, WANG J, et al. Uncertainty in canola phenology modelling induced by cultivar parameterization and its impact on simulated yield[J]. Agricultural and Forest Meteorology, 2017, 232: 163-175.

Adaptability of wheat model algorithms integration platform in North China Plain

CHEN Xianguan1,2,4, FENG Liping1※, BAI Huiqing3

(1.,,100193,; 2.,,350002,; 3.,,100081,; 4.450002,)

Wheat model algorithms integration platform (WMAIP) has been integrated various algorithms from the different modules, including CERES-Wheat, APSIM-Wheat, WOFOST, SWAT, AquaCrop, and WheatSM, in order to simulate the soil water stress and winter wheat growth and development indices. The WMAIP can be potential to the prospects of application in the wheat model algorithm comparison and improvement, integrated simulation, and climate change impact assessment. The WMAIP verification and algorithm comparison have been carried out to focus mainly on a single site so far. The platform can be expected to guide the water management of local winter wheat. However, the current WMAIP cannot evaluate in the regional multi-point production of winter wheat. Therefore, it is a high demand to evaluate the adaptability of WMAIP in North China Plain (NCP). In this study, two algorithms were selected from the different modules in WMAIP. The phenology algorithm included the clock model of WheatSM module and the thermal time of APSIM-Wheat module, whereas, the biomass algorithm contained the carbon assimilation of WOFOST and canopy photosynthesis of WheatSM model, and the water stress algorithm consisted of the actual to potential transpiration ratio of CERES-Wheat model and the water supply to demand ratio of APSIM-Wheat model. 16 combined models were formed to combine the different algorithms from different modules using WMAIP. These models were verified using experimental data from four typical NCP experimental stations for several years. The optimal model was selected using the normalized root mean squared error (NRMSE). Finally, the adaptability of WMAIP integrated model in the NCP was evaluated to simulate the soil water dynamics, as well as the growth and development indicators of winter wheat. The results showed that all 16 models using the WMAIP platform were effectively simulated these parameters, with a simulation error of the development period below 4.2% and the soil water storage in the 2 m soil layer below 7.0%. The simulation errors of biomass and yield were ranged from 17.3% to 23.7% and 10.8% to 20.8%, respectively. However, the simulation performance of a single model was unstable, and there were differences between the calibration and validation for the optimal model. Nevertheless, the model integration was significantly reduced the simulation error of winter wheat yield in the NCP. Meanwhile, the simulation errors were similar to the field experiments using the integration of six models. Overall, the WMAIP ensemble model was able to simulate the response of winter wheat yield to the sowing date and irrigation treatment in the NCP. Among them, the NRMSE of biomass and yield values were 18.7% and 11.8%, respectively. The multi-year experimental data was effectively evaluated the WMAIP simulation on the winter wheat growth and development in different years, sowing dates, and irrigation treatments in the North China Plain. The excellent adaptability was achieved in the NCP for the wheat production management and climate change impact assessment.

crops; models; wheat; WMAIP; model selection; model ensembles; yield

2023-01-10

2023-02-16

农业农村部黄淮海智慧农业技术重点实验室开放基金（202302）；国家重点研发计划项目（2016YFD0300201）

陈先冠，讲师，博士，研究方向为作物模型与智慧决策。Email：chenxianguan@fafu.edu.cn

冯利平，教授，博士生导师，研究方向为农业模型、农业气象及气候变化与资源利用。Email：fenglp@cau.edu.cn

10.11975/j.issn.1002-6819.202301050

S274.1

A

1002-6819(2023)-07-0128-09

陈先冠，冯利平，白慧卿. 小麦模型算法集成平台在华北平原区的适应性评价[J]. 农业工程学报，2023，39(7)：128-136. doi：10.11975/j.issn.1002-6819.202301050 http://www.tcsae.org

CHEN Xianguan, FENG Liping, BAI Huiqing. Adaptability of wheat model algorithms integration platform in North China Plain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(7): 128-136. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202301050 http://www.tcsae.org