WOFOST作物模型對青銅峽灌區夏玉米生長模擬的適用性評估

許德浩,馮克鵬 ,2, 3,莊淏然

(1. 寧夏大學 土木與水利工程學院,銀川 750021;2. 旱區現代農業水資源高效利用教育部工程研究中心,銀川 750021;3. 寧夏節水灌溉與水資源調控工程技術研究中心,銀川 750021)

0 前 言

玉米是中國重要的糧食作物,自2012年產量首次超過稻谷后,已成為我國第一大糧食作物。玉米的價值不僅僅體現在成為人們日常的盤中餐,其子粒和副產品還廣泛應用于畜牧、醫藥、紡織等領域。寧夏回族自治區作為我國西部糧倉之一,玉米種植區域廣泛,面積達36.74萬ha,約占全區糧食種植面積的65.9%,年產量249.07萬t,已成為當地農民賴以生存的支柱產業。因此,準確的掌握玉米的生長情況、及時做出科學的田間管理是保障人民收入和國家糧食安全的重要舉措[1-2]。

作物產量的準確預測對于國家安全和相關政策的制定至關重要,近幾十年全球人口飛速增長,對農產品的需求也與日俱增,作物生長模型在此背景下應運而生。隨著不斷地更新和發展,作物模型已經從對作物生長的定性模擬發展為定量模擬。作物模型可以根據研究區域的氣象數據、作物數據、土壤數據和田間管理方式,定量、連續地描述作物光合、呼吸、蒸騰、營養等生理生態過程[3]。目前應用較為廣泛的作物模型包括光能驅動模型DSSAT[4]、水分驅動模型Aqua Crop[5]、碳驅動模型WOFOST[6]等。雖然這些模型模擬方向各有側重,但都包含了氣體交換、同化物的積累與分配、水分循環等模塊。隨著理論框架和實測資料的逐步完善,作物模型已成為作物產量預測、生長監測、影響因子分析的重要工具[7]。

WOFOST(WOrld FOod STudy)作物模型是由荷蘭瓦赫寧根大學(Wageningen university)和世界糧食研究中心(CWFS)在SUROS模型的基礎上共同開發,是用于模擬特定自然條件下一年生作物生長動態的解釋性模型,從早期的WOFOST 3.1版本到如今的WOFOST 7.1,已經在世界各地的應用中不斷發展和完善,作物品種也不斷在應用中得到補充和完善,是目前發展較為成熟的模型之一[8-9]。模型以1 d為時間步長,模擬不同作物在不同自然條件下蒸騰作用、呼吸作用、干物質積累和分配等生理生態過程,計算過程主要依靠氣候、作物和土壤三大模塊[10]。氣候模塊和作物模塊能夠模擬作物的潛在生長過程,結合土壤模塊中的水分和養分信息,即可模擬水分脅迫和養分脅迫條件下的生長過程[11]。

CWFS[12]將WOFOST模型應用于布基納法索、加納和肯尼亞,以研究施肥量對糧食作物增產的影響,結果顯示這3個國家在不進行額外灌溉的條件下,隨著施肥量的增加,糧食產量有顯著提高,這次實踐是該模型的首次亮相,也為后來模型的完善和廣泛應用奠定了基礎。Lucas[13]通過優化WOFOST模型并將其應用于摩洛哥馬拉喀什,以確定干旱半干旱地區冬小麥最佳播種時間、灌水量以及養分供應量。Vivesh[14]等使用WOFOST模型模擬在不同溫度條件下的小麥產量,結合田間試驗得出每日最低氣溫和最高氣溫升高都會導致小麥產量減少的結論。國內眾多學者也在不同地區對WOFOST模型進行本地化模擬和驗證,劉維[15]等利用WOFOST模型對東北春玉米的生長狀況和產量進行模擬,結果表明模型在東北產區有著較好的適用性。張建平等[16]以西南玉米為研究對象,利用WOFOST模型準確的模擬出了干旱環境下玉米的生長情況,并為區域干旱影響評估提供了更為科學的技術支持。白鐵成[17]等運用WOFOST模型在新疆阿拉布爾市模擬了不同灌溉梯度下棗樹的產量和水分利用效率,為棗樹生長耦合影響的定量分析提供了新思路。

本文利用EFAST方法對WOFOST模型參數進行敏感性分析,對模型中的關鍵參數用實測數據進行校正,敏感性高的參數采用實測值的換算和試錯法進行調整,敏感性低的參數采用經驗值或模型默認值,利用實測LAI、各器官生物量等數據對WOFOST的模擬情況和適用性進行評價,以期為寧夏引黃灌區夏玉米區域化處理提供科學依據,推動當地農業“綠色發展”[18]。

1 材料與方法

1.1 研究區域概況

青銅峽灌區位于寧夏回族自治區中北部,是黃河河套(前套)平原的重要構成。灌區東西寬約50 km,南北長約170 km,東始鄂爾多斯臺地,西抵賀蘭山,南起青銅峽水利樞紐,北至石嘴山,縱貫石嘴山、銀川、吳忠3個地級市,涉及賀蘭、靈武、青銅峽等11個縣級市,國營農、林、牧、漁場13個,總土地面積62.4萬ha。

灌區深居內陸,屬溫帶大陸性氣候,干旱少雨,年平均降水量180～220 mm,年內降水分布不均,70%集中在夏季。氣溫年較差大,多年平均氣溫8～9 ℃。光熱資源豐富,年大于10 ℃的活動積溫3 630～3 830 ℃,年平均日照時數2 870～3 081 h,無霜期164 d。

黃河將灌區二分為河東、河西兩部分,黃河水是沿線農業生產用水的主要來源。灌區土壤類型多為壤質土,呈塊狀結構,質地密實,有機質含量高。玉米、小麥和水稻是灌區主要糧食作物,經濟作物主要有油料作物、葡萄、甜菜等。

本研究選擇位于青銅峽市瞿靖鎮尚橋村的代表性農田作為試驗區,地理坐標為106°05′E,38°11′N,海拔1 080.00 m。試驗區域概況如圖1所示。

圖1 研究區域

試驗區域主要作物為玉米,大部分區域采用自動化播種機,少數區域采用人力穴播的種植方式。玉米植株行距55～60 cm,株距20～25 cm,播種密度約5 400株/畝。灌溉采用畦灌的方式[19],越冬前進行冬灌,確保田間土壤含有豐富的水分和養分。

1.2 數據資料獲取

氣象數據來源于試驗區田間通量站測量的30 min時間間隔的氣溫(℃)、風速(m·s-1)、水氣壓(kPa)、降水量(mm)、太陽輻射(W·m-2)等信息;ZL6數據采集器記錄試驗區0～100 cm每20 cm土壤層的體積含水率。定期導出觀測數據并檢查設備的運行狀態,檢查導出數據是否存在缺失或異常情況,對于缺失數據取其前后數據的平均值進行插補,對于異常數據根據實際情況采用上述方式進行剔除。確定數據準確無誤后,將30 min時間間隔的氣溫、風速、水氣壓、降水量、太陽輻射數據按照WOFOST模型所需轉化為日尺度。

播種前用環刀收集田間0～100 cm的土壤樣本,帶回實驗室測定其田間持水量(SMFCF)、飽和含水率(SM0)、萎蔫點含水量(SMW)和容重。經試驗測得試驗區0～100 cm土壤層平均SMFCF=0.270、SM0=0.40、SMW=0.10、容重為1.4 g/cm3。

采集不同生育期的夏玉米植株帶回實驗室,剪去根部,將莖桿、葉片和果穗分類,然后放入烘箱,在105 ℃條件下殺青30 min,隨后在80 ℃條件下烘干至恒重。分別測量莖、葉、穗干重即可得到不同時期玉米生物量;待夏玉米成熟后,收取3組1 m2內的全部植株對其進行脫粒、分類和烘干處理,以獲取產量信息。

作物拔節后,使用LAI-2200冠層分析儀對試驗區玉米植株的葉面積指數進行測量,每次試驗在試驗區域內隨機、均勻的選擇5個采樣點,測量LAI的過程中儀器同步記錄測量點的GPS信息。

1.3 EFAST敏感性分析方法

WOFOST模型的默認參數是根據歐洲主要糧食產區的作物品種和生長環境確定,直接應用解決其它研究區域會存在“水土不服”的問題。為了準確模擬本地作物的生長過程,需要對模型參數進行“本地化”。由于模型輸入參數眾多且部分參數的測量過程極為繁瑣,很難通過田間觀測對輸入參數逐一率定。因此,篩選對模型輸出結果影響較大的關鍵參數進行率定,對模型輸出結果影響不大的參數進行簡略處理[20],可以大幅降低模型輸入參數的獲取難度,顯著提升模型“本地化”效率。

敏感性分析(Sensitivity Analysis ,SA)是模型本地化的重要手段,常用的分析方法有局部敏感性分析法(Local sensitivity analysis methods)和全局敏感性分析法(Global sensitivity analysis methods)。局部敏感性分析通過改變單一輸入參數,分析其對模型輸出結果的影響,其原理簡單、計算量小,但由于沒有考慮各輸入參數之間的交互作用對輸出結果的綜合影響,導致分析結果較為片面,因此僅適用于線性和接近線性模型[21]。全局敏感性分析法克服了局部敏感性分析“異參同效”的不足[22],可以同時分析多個輸入參數對輸出結果的共同影響,能夠量化各輸入參數之間的相互關系,且不受模型結構的限制?；谏鲜鰞瀯?全局敏感性分析近年來被廣泛應用于作物模型、水文模型等復雜模型的分析中。多元回歸法、Sobol’法、Morris法、傅里葉幅度檢驗法(FAST)、擴展傅里葉幅度檢驗法(EFAST)是典型的全局敏感性分析方法。

本研究采用EFAST全局敏感性方法分析WOFOST模型輸入參數對輸出結果的影響。EFAST方法是Saltelli等人在FAST法的基礎上結合Sobol’法的優點,提出的一種基于方差分解的全局敏感性分析方法[23],該方法最終輸出結果的方差能夠體現輸入參數對輸出結果的貢獻大小,通過一階敏感性和總敏感性指數共同評價參數的敏感性高低。一階敏感性指數反映了每個輸入參數對輸出結果總方差的影響程度;總敏感性指數在一階敏感型指數的基礎上,進一步分析該參數與其他參數之間的相互作用對輸出結果總方差的影響程度。模型輸出結果Y的總方差V(Y)由各參數i及該參數與其他參數間的相互作用的方差得到:

(1)

式中:Vi為參數i的方差;Vi,j為參數i、j相互作用的方差;V1,2,…k為全部參數相互作用的方差;k為輸入參數的個數。

敏感性指數被定義為單個參數作用及參數相互作用時引起的方差與總方差的比值,計算公式:

(2)

參數i的總敏感性指數S的計算公式為:

S=Si+Si,j+…+S1,2,…,k

(3)

1.4 模型驗證

研究采用皮爾遜相關系數(PCC)、均方根誤差(RMSE)、歸一化均方根誤差(NRMSE)、殘差聚集系數(CRM)共同評價作物模型對各器官干物質重量和LAI的模擬性能。其中PCC能夠反映實測值與模擬值之間的相關程度,數值越接近1表明模擬效果越好;RMSE和NRMSE用于評價模擬值與實測值之間的絕對誤差和相對誤差,NRMSE≤30%均說明模擬精度符合要求,其中NRMSE∈(0,10%〗表示極高精度,NRMSE∈(10,20%〗表示較高精度,NRMSE∈(20,30%〗表示中等精度;CRM>0表示模型模擬值偏低,CRM<0表示模型模擬值偏高。各評價指標具體計算方法如下:

(4)

(5)

(6)

(7)

2 結果與分析

2.1 WOFOST模型參數敏感性分析

本研究采用基于蒙特卡羅法設計的Simlab軟件對WOFOST模型作物文件中的47個參數進行感性分析,氣象文件和土壤文件使用2022年試驗區田間觀測數據,作物文件輸入參數設置為在模型默認值的±10%范圍內均勻隨機變化[24],且各個參數相互獨立。使用EFAST方法進行敏感性分析時要求每個輸入參數生成的樣本數不小于65個,因此生成3055個數據樣本文件,編寫python程序調用WOFOST模型進行批量運算,對應輸出3055個最大葉面積指數(LAI_max)和地上干物質重量(TAGP)結果。再將整理后的輸入和輸出數據導入Simlab中,輸出47個參數對LAI_max和TAGP的敏感性。根據敏感性指數篩選關鍵參數為后續模型的本地化工作提供數據參考。從47個輸入參數中分別選取對LAI_max和TAGP全局敏感性指數較高前20個參數,WOFOST模型部分敏感參數如圖2所示。

圖2 WOFOST模型部分敏感參數

從圖2可以看出DVS=0時葉面積與干重之比(SLATB0)、DVS=0.78時葉面積與干重之比(SLATB078)、DVS=0時可見光漫反射消光系數(KDIFTB0)、40℃時葉片光合作用效率(EFFTB40)和同化物轉化到莖的效率(CVS)對于LAI_max具有較高的敏感性,敏感性指數分別為0.380、0.286、0.241、0.156、0.110;SLATB0、KDIFTB0、SLATB078、EFFTB40、CVS和同化物轉化到貯存器官的效率(CVO)、對于TAGP具有較高的敏感性,敏感性指數分別為0.316、0.285、0.268、0.200、0.133、0.134。依據興安、Guo的研究結果[25-26],敏感性指數大于0.1即為敏感參數。

2.2 WOFOST模型參數本地化

WOFOST模型參數包括氣象、土壤和作物參數,氣象參數使用通量站觀測的數據,土壤參數主要采用實測值,而作物參數的校正是本次實驗主要方向。對于敏感參數,采用實測值換算、查閱資料獲取經驗值或通過試錯法根據青銅峽地區實際情況進行調整;對于不敏感參數采用經驗值或模型默認值。

土壤相對濕度(SRWC)是評價作物是否遭受水分脅迫的重要指標。本研究在試驗區布置ZL6數據采集器,持續記錄玉米生育期內土壤體積含水率,圖3反映了2022年生育期內玉米主要根區(0～60 cm)的土壤含水率、降水和灌溉情況。

圖3 2022年生育期土壤含水率和降水情況

SRWC可由土壤體積含水率計算獲得:

(8)

經計算,試驗區SRWC最低值為70%,意味著在生育期內植株沒有遭受水分脅迫;拔節、抽穗等關鍵生育期對試驗區進行追肥處理,作物也沒有遭受養分脅迫。因此本研究以潛在條件下夏玉米的生長情況代表試驗區作物的實際生長狀態。玉米主要參數及土壤參數的取值如表1所示。

2.3 本地化后的WOFOST模型驗證

模型模擬精度及可靠性的評價通常根據模擬值與實測值進行對比分析,對于夏玉米的模擬情況,本文從各器官干物質重量和葉面積指數兩方面進行驗證。干物質重量模擬值與實測值對比見圖4。

圖4 干物質重量模擬值與實測值對比

利用玉米生育期內田間實測數據對WOFOST模型模擬結果進行驗證。由圖4可知模型模擬各部分干物質重量均與實測值顯著相關,PCC均接近于1,莖(WST)、葉(WLV)、貯存器官(WSO)、地面上干物質總重量(TAGP)的PCC分別為0.99、0.96、0.95、0.99;RMSE分別為635.35、301.13、977.61、1 271.93 kg·hm-2;NRMSE分別為17.09%、17.53%、14.94%、16.66%,均小于20%,處于較高精度水平;CRM分別為-0.11、-0.09、0.04、-0.09。

由圖5可知模型模擬玉米LAI與實測值顯著相關,PCC為0.95,RMSE為0.50 m2·m-2,NRMSE為14.9%,CRM為-0.09,模擬值略大于實測值,從總體看來模型模擬LAI也具有較高精度。綜上,調整參數后的WOFOST模型能夠精確模擬青銅峽灌區玉米的生理過程。

圖5 葉面積指數模擬值與實測值對比

3 討 論

3.1 參數的敏感性

研究采用EFAST方法分析潛在條件下47個WOFOST夏玉米作物參數的敏感性,結果顯示敏感性分析能夠指出對模型輸出影響較大的作物參數,有助于模型參數的本地化。其中葉面積與干重之比(SLATB)的敏感性最高,這是由于SLATB與作物葉片的發育密切相關,葉片的生長過程覆蓋全生育期,既能直觀反映作物的生長階段,又能間接影響作物的光合作用,因此這類參數的敏感性顯著高于其他參數。這與Ceglar[27]利用貝葉斯方法分析不同氣候條件下玉米的敏感性結果一致。

碳同化是WOFOST模型的核心之一,涉及碳同化的參數中DVS=0時可見光漫反射消光系數(KDIFTB0)和40℃時葉片光合作用效率(EFFTB40)是影響作物光合作用的重要參數,光合作用是干物質積累的前提,因此直接關系作物的發育過程并影響干物質的形成。KDIFTB0、EFFTB40、CVS和CVO對WOFOST模型輸出有較高的敏感性在Ceglar、Wang、謝松涯[28]等的文章里也有所印證。

模型的模擬與驗證是模型本地化過程中的關鍵一環,當面對模型中大量參數無從入手時,敏感性分析便是最好的工具,它能清晰表明某一輸入參數對各項輸出結果的影響程度,減少主觀因素的影響,有助于快速實現模型參數本地化。

3.2 模擬誤差分析

本地化后的WOFOST夏玉米模型對各器官干物質重量和LAI的模擬均有較高精度。其中莖干重(WST)、葉干重(WLV)和LAI模擬值大于實測值,并且在抽雄后差距愈發明顯,產生誤差主要是由于模型模擬的是潛在條件下玉米的最佳生長情況,但在實際生長過程中病蟲害、田間管理等外界因素都會影響植株的生長,使其偏離最佳的生長軌跡,進而導致實際WST、WLV和LAI偏小。貯存器官干重(WSO)模擬值略小于實測值,且散點分布趨勢與1∶1參考線吻合程度較好,模型模擬WSO精度較高。抽雄后地上總干物質重量(TAGP)的模擬值略大于實測值,這是由于試驗過程中采集到的植株樣本不包括死亡和腐朽的器官,模型模擬的地上總干物質重量包括作物死亡的部分,地上總干物質重量趨勢線是隨時間持續增加的,但實測地上總干物質重量是先增加后減小的曲線。

研究通過田間觀測數據對模型進行了本地化處理,對于一些敏感參數運用試錯法或采用經驗值進行調參,并沒有進行實際測量,要獲得該區域更精確的作物信息,還需結合更多數據實測數據進行不同條件下的模擬。

WOFOST是一個機理模型,模擬結果面臨著極端天氣、病蟲害等不確定因素的影響,在后續的本地化工作中可以考慮利用WOFOST模型同化遙感數據獲得關鍵數,以避免不確定因素對模擬結果的影響。

4 結 論

本文運用2022年青銅峽實驗區夏玉米數據,利用擴展的傅里葉幅度檢驗法(EFAST)對WOFOST模型的47個作物參數進行敏感性分析,篩選出對干物質重量、最大葉面積指數敏感性較高的參數進行本地化處理和驗證,得到如下結論:

(1) 對于玉米各器官干物質重量和葉面積指數敏感的WOFOST參數主要有:DVS=0時的葉面積與干重之比(SLATB0 )、DVS=0.78時的葉面積與干重之比(SLATB078)、 DVS=0時的可見光漫反射消光系數( KDIFTB0 )、 40 ℃時的葉片光合作用效率(EFFTB40)、 同化物轉化到莖的效率 (CVS)以及同化物轉化到貯存器官的效率 ( CVO)。

(2) 利用田間實測數據對WOFOST模型進行本地化驗證,模擬各器官干物質重量和葉面積指數的皮爾遜相關系數PCC均大于0.95,歸一化均方根誤差NRMSE均小于20%,均方根誤差RMSE、殘差聚集指數CRM均處于合理區間。結果顯示,本地化后的模型表現出了較為理想的玉米生長模擬精度,能夠為當地農業管理提供幫助。