中国作物生长模拟监测系统构建及应用

侯英雨，何 亮※，靳 宁，郑昌玲，刘 维，张 蕾



中国作物生长模拟监测系统构建及应用

侯英雨1，何 亮1※，靳 宁2，郑昌玲1，刘 维1，张 蕾1

（1. 国家气象中心，北京 100081；2. 西北农林科技大学黄土高原土壤侵蚀与旱地农业国家重点实验室，杨凌 712100）

该文系统阐述了中国作物生长模拟监测系统（Crop Growth Simulating and Monitoring System in China, CGMS-China）的构建方法及其在国家级农业气象业务中的应用。CGMS-China是基于WOFOST、Oryza2000、WheatSM、ChinaAgroys 4个作物模型构建的系统，在作物长势监测评估、农业气象灾害影响评估、作物产量预报等农业气象业务中均有应用。该系统可进行作物长势监测、产量预报、农业气象灾害影响评估。利用CGMS-China模拟输出的地上生物量、叶面积指数、穗质量，建立作物长势评估指标，可对小麦、玉米、水稻进行实时长势监测与评估。通过CGMS-China对2014年8月中旬华北黄淮夏玉米的干旱产量损失评估和2016年6月22日早稻高温热害的产量损失预估表明，CGMS-China对农业气象灾害影响评估的效果较好。利用CGMS-China对2014年冬小麦主产省进行产量预报，各省的平均预报相对误差为7%。与此同时，在CGMS-China中利用遥感数据同化方法，对山西洪洞县进行产量预报，预报相对误差小于11%。该系统在国家级农业气象业务中具有良好的应用前景。

模型；气象；遥感；作物长势监测；农业气象灾害；产量预报；同化

0 引 言

中国作为世界人口最多的国家，食物安全一直以来是头等关注的大事。由于人口增长、水资源短缺、城市化造成耕地丧失、土壤退化和气候变化等因素的影响，保障食物安全面临着更为严峻的形势[1]。气候波动是造成粮食生产年际变化的主要原因，由于气候变暖、极端天气事件日益增多，粮食生产的波动更大[2]。农业气象服务主要包括作物长势监测、农业气象灾害预警和评估、作物产量预报等业务。农业气象服务可为农业防灾减灾提供预警预报服务，为减少作物生长损失、发展可持续农业和提高作物产量和质量提供有效保障[3-4]。因此，农业气象服务在粮食安全中扮演者重要的角色。

传统的农业气象服务技术包括农业气象指标方法、统计模型、遥感[5]和地理信息系统等[4]。作物生长模型是农业气象业务服务中一项新的技术，它能够动态模拟作物的生长过程和产量形成[6-7]，在农业气象服务和其他农业决策部门应用非常广泛。目前一些国家和组织例如欧洲联合研究中心（European Commission’s Joint Research Centre）、美国国际开发署（United States Agency for International Development）和澳大利亚利用作物模型来监测区域作物生长，从而为政府和商业机构提供辅助决策信息。欧洲联合研究中心将WOFOST模型应用到长势监测和产量预报中，可为欧洲和全球提供农业监测和粮食安全评估[8]。其中由欧洲联合研究中心组织的MARS (Monitoring Agricultural Resources) 计划是美国国际开发署倡导的全球饥饿预警与监测网络(www.fews.net)的一部分。在美国，由佛罗里达大学等机构开发的“AgroClimate” (www.agroclimate.org)，作为一个基于网络的决策知识学习平台，其中嵌套了作物模型，可以提供交互式工具和气候信息来协助作物管理和风险决策。在澳大利亚，“Yield Prophet”利用APSIM 模型来模拟环境和农田管理对作物的影响，从而为农场管理提供咨询服务(www.yieldprophet.com.au) 。由上可见，作物系统模型已经成为农业生产管理的重要工具。

中国最早把作物模型应用到农业气象服务开始于2005年，刘布春等[9-11]对作物模型引入到农业气象服务做了一些理论工作，并利用WOFOST模型评估了东北的玉米长势。然而，上述工作主要侧重理论阶段，还未将作物模型应用到可运行的业务服务中。国家气象中心于2013年成立了作物模型业务应用团队，构建了基于作物模型的中国作物生长模拟监测系统（Crop Growth Simulating and Monitoring System in China, CGMS- China），CGMS-China将WOFOST[12]、ORYZA2000[13]和 WheatSM[14]、ChinaAgrosys[15]等国内外模型嵌入到系统之中，同时还同化了遥感信息，可以提供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产品。本文主要介绍CGMS-China的结构、组成部分和作物长势监测与评估理论和方法，同时介绍了CGMS-China在作物长势监测评估、农业气象灾害影响评估、作物产量预报等农业气象业务的应用案例，最后概述作物模型在农业气象业务应用的优点和不足以及未来的挑战与展望。

1 系统结构与应用方法

1.1 系统结构

CGMS-China是一个多作物模型模拟平台，主要包含数据层、模型层和应用层（图1）。数据层主要管理用于模型驱动、同化或者预报应用的数据；模型层包含了不同作物模型的应用程序接口（application program interface，API）、模型高性能计算方法和空间分析工具；应用层主要涉及作物模型在业务应用中的手段。

图1 中国作物生长模拟监测系统框架

1.1.1 数据层

数据层主要用于多源数据的管理和预处理。站点气象数据通过空间插值方法（例如反距离加权、克里金插值、薄盘样条三次插值）插值到空间格点。站点土壤参数主要通过农业气象观测站土壤参数获取，而空间土壤参数数据从Dai等[16]开发的全国高精度（约1 km）土壤参数数据库获得，主要的土壤参数有饱和含水率、凋萎系数、田间持水量等。在CGMS-China中通过空间重采样的方法获取所需要的空间分辨率土壤数据（10 km）。田间管理参数（例如播种日期）从全国600多个农业气象观测站获取，利用参数敏感性分析和优化算法，结合600多个农业气象观测站观测数据得到作物最优的站点尺度的作物品种参数[17-18]。得到站点的参数后，通过泰森多边形扩展的方法，将参数扩展到区域。目前，在CGMS-China中未考虑农田的施肥，因此模拟过程不考虑氮限制。

目前，数据库中共有1 700多个农田土壤水分自动观测站。观测的土壤水分可以利用“强迫法”（直接将观测土壤水分替代模拟土壤水分）同化到作物模型当中。

遥感数据可以提供实时更新的、大尺度的作物生育期内的长势监测[19-21]，它可以通过数据同化的方式嵌入到作物模型，从而提高作物模型大尺度的长势监测和产量预测精度。目前，在CGMS-China系统中，MODIS的反射率、归一化指标指数（normalized difference vegetation index，NDVI）、叶面积指数（leaf area index, LAI）数据被同化到作物模型中。反射率和NDVI通过辐射传输模型链接到作物模型中。天气预报数据用来预测未来作物长势和灾害预警，天气预报数据主要包括中央气象台提供的全国站点未来10 d的气象要素预报数据，其次包括全国精细化格网5 km的气象要素预报数据。

1.1.2 模型层

在模型层，CGMS-China目前整合了WOFOST，Oryza2000，WheatSM, ChinaAgrosys等模型，目前主要通过模型API嵌入。在模型的计算中需要运用到高性能计算和空间分析。模型层是一个开放的接口，可方便整合其他作物模型，以便多模型集成。4个模型中都是基于日尺度的气象数据作为驱动，结合土壤参数、农田管理信息模拟作物生长动态，目前CGMS-China中，WOFOST用来模拟冬小麦和玉米、WheatSM用来模拟冬小麦、Oryza2000用来模拟水稻，ChinaAgrosys目前专门用来遥感数据同化。

1.1.3 应用层

通过模型的输出产品，系统应用层主要为农业气象服务提供作物长势监测、农业气象灾害预警和影响评估、产量预报以及其他农业气象服务。

1.1.4 遥感与作物模型同化方法

作物生长模型的建立是基于田间尺度，应用到估算区域尺度不同产量水平的作物生长和资源利用时，由于土壤属性、作物参数和气象数据的空间异质性，会引起区域计算的不准确[22]。遥感与作物模型同化方法可以分为直接驱动法和参数率定法。直接驱动法是指直接利用遥感数据反演作物生长变量，如叶面积指数，驱动作物生长模型，以提高模型模拟精度。参数率定法利用遥感信息调整作物模型的相关参数和初始值，最小化模型模拟值与遥感观测值的误差。目前CGMS-China中采用参数率定法，利用SCE-UA和粒子滤波算法（particle swarm optimization）与MODIS中的NDVI和LAI产品进行同化，其中与NDVI同化过程中，嵌套了PROSAIL辐射传输模型。

1.1.5 数据管理与系统集成

CGMS-China系统包含数据库、作物模型引擎、农业气象业务应用算法模块、图形交互界面和任务批处理程序文件。数据库主要包含站点和格点的气象数据库、空间土壤数据库、农业气象数据库、土壤观测数据库、遥感数据库和集合天气预报数据库，所有数据库是在国家气象中心的中国农业气象业务系统（China agriculture meteorological service system，CAgMSS）的数据库基础上构建，采用Oracle数据库，而空间数据库采用ArcSDE作为数据管理引擎。作物模型引擎利用API的设计方式，在系统中构建了不同作物模型的驱动数据生产模块、参数配置模块、模型运行模块、模型输出数据处理模块，由于采用了灵活的API模式，可灵活地将其他作物模型集成到系统中来。图形交互界面采用基于.Net插件式GIS应用框架，结合了ESRI公司的ArcEngine，进行模型输出数据的空间查询、分析和显示。

1.2 作物模型在农业气象业务中的应用方法

1.2.1 作物长势监测方法

模型的输出包括作物物候期、叶面积指数、地上生物量和穗质量等要素。这些模型输出变量用来表征作物长势情况。利用统计方法构建长势监测和评价指标。在此构建模型输出变量的绝对值、平均值、距平值用来作物长势监测与评价。模型输出绝对值表征作物在特定时期内的物候期、叶面积指数和地上生物量的绝对量；模型输出变量的平均值是指模型输出的物候期、叶面积指数、地上生物量等指标在过去5 a或者一段时期内的平均状况；模型输出变量的距平值是当年模拟的指标与过去5 a或者1 a模拟指标的差异，反映的是2个不同时期的对比。这些定量的评价方法如表1[10]。

表1 作物生长监测与评估指标

1.2.2 农业气象灾害预警与评估方法

中国是一个农业气象灾害高发的国家，作物经常遭受热害、冷害、干旱、洪涝等，从而造成大量的产量损失。通过天气预报，发布针对作物的农业气象灾害预警是减少灾害损失的有效途径。其次，定量的农业气象灾害损失评估也可为决策者提供救灾信息，或为农业保险部门提供理赔信息。作物模型是农业气象灾害预警和影响评估的重要手段之一，图2为CGMS-China中的农业气象灾害预警和评估的基本流程[23]。

图2中的灾害减产率由下式计算：

式中Di为第i年由于农业气象灾害（冷害、热害、干旱等）造成的减产率，Yi为第i年模拟的产量或者地上生物量；为平均气象条件下模拟的产量或者地上生物量；根据减产率，不同的灾害影响程度等级如表2。

表2 农业气象灾害影响减产率等级

1.2.3 产量预报方法

作物产量预报是农业气象服务中的重要业务工作，它可为政府或者粮食贸易企业提供重要咨询信息。目前，粮食产量预报中应用作物模型的方法有3种：1）直接利用作物模型模拟的产量作为产量预报值，该方法主要是结合气象预报数据驱动作物模型，模拟得到未来的单产。区域的总产为作物模型模拟的单产乘以区域的种植面积。由于气象预报数据的不确定性和模型本身的误差，这个方法不确定性较大。2）统计动力方法，利用气象产量与模型模拟产量构建回归方程来预测。3）相对产量预测法，目前在CGMS-China系统中利用这个方法，如式（2）：

式中YY是第年待预测的产量，YY1为第-1观测的产量，Y为第年模拟的产量或地上生物量，Y-1为第1年模拟的产量或地上生物量。

2 案例分析

2.1 作物长势监测

利用CGMS-China进行作物长势监测，主要采用模型输出的地上生物量、叶面积、穗质量3个指标。长势监测产品的表现形式主要以地上生物量、叶面积和穗质量与上一年和近5 a的对比值。通过这种对比，反映本时段作物长势与去年和近5a的长势对比情况。监测产品的形式以空间图、单站点时间序列图呈现。图3是2017年春玉米和冬小麦CGMS-China模拟的周尺度长势监测产品，主要包含地上生物量和叶面积指数与2016年同期对比的2个指标。如图3a，春玉米地上生物量与去年同期对比图来看，东北地区南部、华北北部、山西北部、四川东北部等地地上生物量较2016年同期偏少，而在东北地区北部、西北地区东部等地地上生物量较2016年同期偏多。图3b所示，冬小麦地上生物量在华北大部、西北大部、西南地区南部等地地上生物量较2016年同期偏少，而黄淮南部、江汉地区和西南地区东部等地较2016年同期偏多。图3c是春玉米叶面积指数与2016年同期的对比情况，显示东北地区南部、华北北部、山西北部、四川东北部等地较2016年叶面积偏小，而在东北地区北部、西北地区东部等地叶面积较2016年同期偏大。图3d所示的冬小麦叶面积指数与2016年对比显示，华北大部、西北大部、西南地区南部等地叶面积指数较2016年同期偏小，而黄淮南部、江汉地区和西南地区东部等地较2016年同期偏大。

图4为2017年CGMS-China模拟的春玉米和冬小麦的地上生物量和穗生物量与过去5 a平均的对比图。由图4a和图4c可知，春玉米地上生物量和穗生物量在东北地区中部和南部、山西大部等地偏少，在东部地区北部、西北地区东部等地较近5a平均偏多；由图4b和图4d可知，冬小麦地上生物量和叶面积指数在华北大部、西北地区东部和西南地区南部较近5a平均偏少，江汉、黄淮南部和江淮等地较近5a平均偏多。

注：来源于全国农业气象周报和月报。

除了从空间分布的形式展示作物长势情况外，CGMS-China也可以从站点尺度展现作物长势，图5是CGMS-China在东北的代表性站点泰来和阜新站2017年生育期内逐周的生物量和穗质量的时间序列模拟，与此同时，该时间序列还模拟了2016年的情况，通过2 a的对比展现站点的作物长势时间动态变化。如图5a、c所示，黑龙江泰来站2017年的地上生物量和穗质量较2016年大体相当，说明黑龙江泰来站2017年的春玉米长势与2016年整体持平；如图5b、d所示，辽宁阜新站的地上生物量和穗质量较2016年相当要小，说明在辽宁阜新站2017年的长势较2016年要差很多。

2.2 农业气象灾害评估与预警

2.2.1 干旱

2014年8月，北方夏玉米区出现近5 a来最严重的夏伏旱，北方夏玉米8月上旬开始进入抽雄吐丝期，该生育期为玉米生长发育需水关键期。期间，西北地区东南部、黄淮、华北东部、东北地区中南部降水偏少3～8成，河南西部、陕西关中、辽宁中西部、内蒙古东南部发生了近5a来最为严重的夏伏旱，玉米抽雄吐丝、授粉灌浆受阻，结实率下降，产量受到较大影响。CGMS-China以华北和黄淮的夏玉米区为实例，进行了干旱影响评估，如图6b：河北北部和中部、山东东部、河南部分地区、安徽和江苏北部等地上生物量在8月底模拟时与常年要偏少300~900 kg hm-2；从穗生物量来看（图6c），河北中部和北部、山东东部、河南中部和南部、安徽和江苏北部等地较常年偏少100~300 kg hm-2。从图6a的降水距平百分率看，华北北部和中部、黄淮东部和西南部等降水严重偏少区域，其模拟的夏玉米地上生物量和穗质量较常年也偏少，CGMS-China的实时模拟和对比模拟基本上反映了这一次干旱对夏玉米的长势影响。

图6 2014年8月中旬黄淮海平原降水距平百分率、夏玉米地上生物量和穗生物量与常年对比

2.2.2 高温热害

2016年6月22日，国家气象中心发布了南方高温预警，预计未来1周，江南、华南地区将出现大范围持续高温晴热天气，大部地区日最高气温将在35～39 ℃之间，局部可达40～41 ℃；部分地区早稻可能遭受轻至中度高温热害，对早稻开花授粉和灌浆不利。针对此过程，利用CGMS-China对未来1周的高温热害造成的早稻减产率进行预估，产品如图7：江西中部和南部、浙江南部、福建西部和广东北部等地的减产率可能达到1%～2%，局地地区超过2%。

图7 2016年6月22日未来一周早稻高温减产率影响评估

2.3 作物产量预报

以2013—2014年度冬小麦为例，在2014年4月11日进行预报，从出苗至2014年4月10日的气象资料为实际观测资料，2014年4月11日至成熟（以前3 a平均成熟日作为今年预测成熟日）气象资料用常年平均值；分别模拟2013年和2014年冬小麦成熟时的地上生物量，根据生物量相对变化及2013年实际单产来预测2014年主产省冬小麦产量（见表3），各省平均预报相对误差为7%，大部分省（自治区）相对误差小于10%。

表3 2014年各主产省及全国冬小麦产量预测结果

注：2013年各省单产数据来源于国家统计局；模拟地上生物量变化率：2014年模拟的地上生物量相对2013年变化的比率。

Note: Provincial observed yield data in 2013 are from; Change rate of simulated aboveground biomass: relative change rate of simulated aboveground biomass in 2014 compared to 2013.

2.4 作物模型与遥感数据同化

CGMS-China目前初步将MODIS的NDVI和LAI产品同化到作物模型当中，图8是在陕西杨凌观测站用SCE-UA算法同化不同LAI遥感数据源和观测LAI的对比情况，从图可知，把遥感信息同化进来的LAI显著提升了模型的LAI模拟精度。

注：源自Jin等[24]。

图9是利用粒子滤波算法（PSO）和SCE-UA算法在山西洪洞县雨养和灌溉小麦2011年估产的空间分布情况，从图可知，2种算法在雨养和灌溉小麦的估产效果大致近似。从表4的统计情况来看，任何一种同化策略的估产精度都比模型单独模拟的精度要高，相对误差小于11%，更为接近实际观测产量。

表4 2011年洪洞县冬小麦不同遥感同化策略的产量模拟精度

注：统计产量数据来源于国家统计局。模拟相对误差为不同方法与统计产量的相对误差。

Note: Statistical yield data are from; Simulated relative error is relative error between yield from different methods and statistic yield.

注：源自Jin等[24]。

3 讨 论

3.1 作物模型在农业气象业务应用中的优势与不足

相比传统的农业气象业务中的作物长势监测、灾害评估和产量预报方法而言，作物模型最大的优势就是机理性强、定量化水平高。目前用于作物长势监测的方法有农业气象观测站的苗情监测[4]、遥感监测[25- 26]、作物适宜度监测[27]等。这些方法都是基于数据统计方法结合农业气象指标建立的监测手段，而作物模型为作物长势监测提供基于作物生理生态的机理性方法，相比遥感监测方法它是一种“由下至上”（bottom-up）的方法——通过气象、土壤和作物参数驱动的形式。基于生理生态模拟的监测方法对于传统的苗情统计、遥感监测是一个有益的补充，另外，相比传统的农业气象灾害监测评估方法，作物模型能从受灾机理上定量评估灾害的损失。

作物生长模型是地面观测与遥感信息链接的纽带。没有作物生长模型的情况下，地面观测和天上的遥感观测经常是独立脱离的状态，虽然地面作物观测为遥感监测提供地面验证信息，但是如何把两者有机地耦合在一起，这需要作物模型起到中间桥梁作用。当今无论是地面观测还是遥感信息都呈现井喷式增长，需要机理性的模型把地面与天上的观测有机地融合。例如在农业气象业务中的产量预报往往通过这2种方法进行产量预报：一是单独利用遥感信息与地面产量建立统计关系来进行产量预报；二是利用作物模型独自模拟进行预报。前一种方法是“由上至下”，后一种是“由下至上”，通过同化方法将两者耦合起来，能够充分利用“地上”和“天上”的信息。

作物模型在农业气象业务中的应用存在模型参数化复杂、农田管理空间信息获取难度大等限制。作物模型需要气象、土壤、作物品种参数和农田管理等信息，作为气象部门气象数据有得天独厚的优势，相对而言气象数据参数化容易，但对于复杂的土壤、农田管理如灌溉和施肥等信息在大尺度上获取难度较大，因而只能采取相对简化的方法进行参数化，这种简化方案往往会导致空间模拟的误差，从而影响应用的效果。

3.2 CGMS-China与其他模型业务系统的比较

CGMS-China同欧洲联合研究中心的MARS计划下的作物模型应用有相似之处。相比美国的AgroClimate和澳大利亚的Yield Prophet，CGMS-China更多地是利用模型模拟结果辅助作物长势监测和产量预报，而AgroClimate和Yield Prophet更多是利用作物模型的模块进行相关农田管理的决策支持服务。其次，从应用的系统架构来看，美国的AgroClimate和澳大利亚的Yield Prophet都是基于WEB或者移动端的服务，对于农户或者政府决策者而言，应用上更加的灵活，客户体验可能更好。这也是CGMS-China未来需要改进的地方之一。

3.3 作物模型对农业气象灾害模拟的不足

农业气象灾害的影响评估是农业气象业务的核心工作之一，也是气象防灾减灾的重点工作。作物模型为农业气象灾害评估提供了全新的手段，但不可否认，作物模型在农业气象灾害模拟中存在不足。这种不足主要体现在一些模块未考虑灾害的影响机制，例如目前大部分模型中对作物物候的模拟，仅仅考虑考虑积温、光周期或春化的影响[28]，并未考虑干旱对物候期的影响。其次，一些农业气象灾害机理复杂，难以在模型中刻画，例如不同阶段或者不同程度的干旱对作物的影响并非副作用，在某些阶段的轻微干旱对作物生长是一个正效应，但是从国际作物模型比较的工作来看[29]，大部分模型并未考虑这种机理。再次，大部分作物模型对一些极端灾害（如洪涝）和病虫害未考虑，但是他们对作物产量损失影响也很重。目前，也有学者开始将作物病虫害模块添加到作物模型中[30-31]，这对作物模型在农业气象业务中的应用起到积极作用。

3.4 作物模型空间升尺度的不确定性

作物生长模型最初是由农业科学家在基于单点尺度开发，很多模型的应用也都基于单点模拟[32]。CGMS-China中的作物模型应用是基于单点模型扩展到区域尺度的应用。在模型从点到面的扩展中，由于作物品种、土壤类型和农田管理方式的区域差异，驱动数据难以直接获取，容易产生模型空间升尺度误差[33-34]。这种误差的主要来源有：作物模型驱动数据的分辨率、模型参数或模拟结果的空间升尺度方法、模型类型、下垫面特征有关。已经有相关的研究[35-37]表明不同的驱动数据对作物模型的区域模拟有一定的影响，尤其是在下垫面较为复杂的地区，高分辨率的驱动数据更能反映地面的空间异质性。笔者对CGMS-China中的WOFOST模型在冬小麦区的研究也表明，不同分辨率的驱动数据的模拟结果虽然在区域总产量的模拟没有显著差异，但是高分辨率的模拟更能反映一些下垫面破碎的情况[37]。模型空间升尺度带来的误差或者不确定性，警示在应用不同空间尺度模拟结果时需要谨慎。

3.5 作物模型业务应用未来发展方向

对比国际经验和中国农业气象业务实际情况，作物模型在农业气象业务应用将来还需从以下几个方面去开展：1）开展多模型集成应用。不同的作物模型结构差异，导致了模拟的不确定性，开展多模型集成和比较，可为业务应用更多的参考信息，未来拟将国际其他主流模型如DSSAT和APSIM集成到模拟平台当中。2）高分辨率模拟系统的研发。为了满足精细化农业气象服务的需求，粗分辨率的模拟系统难以满足需求，高分辨率的模拟系统是未来重要的发展方向之一[38]。3）利用多源农业大数据结合作物模型开展面向不同用户的农田管理决策服务。在地面、遥感等多源数据不断增长的情况下，满足小农户、种植大户、粮食贸易公司和政府决策等不同用户需求的决策支持服务[31,39-40]是未来农业模型领域发展的重点方向。

4 结 论

本研究综合阐述了利用WOFOST、Oryza2000、WheatSM、ChinaAgroys 4个作物模型构建的中国作物生长模拟监测系统（CGMS-China），并介绍了该系统在国家级农业气象业务中的应用状况。该系统能够利用CGMS-China模拟输出的地上生物量、叶面积指数、穗质量，建立作物长势评估指标，可对小麦、玉米、水稻进行长势实时监测与评估。CGMS-China能够进行干旱产量损失评估和预报未来1周早稻高温热害产量损失。利用CGMS-China的模拟结果结合相对产量预报方法，对2014年冬小麦主产省进行产量预报，各省平均预报相对误差为7%，大部分省（自治区）相对误差小于10%。与此同时，利用数据同化技术对遥感和地面观测数据通过作物模型进行耦合，对山西洪洞县进行产量预报，其预报相对误差小于11%。这表明该系统可为作物长势监测、产量预报、农业气象灾害评估等农业气象业务提供较好的支撑。

[1] Tao Fulu, Yokozawa M, Liu Jiyuan, et al. Climate change, land use change, and China's food security in the twenty-first century: An integrated perspective [J]. Climatic Change, 2009, 93(3): 433－445.

[2] Piao Shilong, Ciais P, Huang Yao, et al. The impacts of climate change on water resources and agriculture in China [J]. Nature, 2010, 467(7311): 43－51.

[3] Stigter C J. From basic agrometeorological science to agrometeorological services and information for agricultural decision makers: A simple conceptual and diagnostic framework [J]. Agricultural and Forest Meteorology, 2007, 142(2/3/4): 91－95.

[4] 毛留喜，吕厚荃. 国家级农业气象业务技术综述[J]. 气象，2010，36(7)：75－80. Mao Liuxi, Lü Houquan. Overview of national level agrometeorological operational techniques [J]. Meteorological Monthly, 2010, 36(7): 75－80. (in Chinese with English abstract)

[5] Wu Bingfang, Meng Jihua, Li Qiangzi, et al. Remote sensing-based global crop monitoring: Experiences with China's CropWatch system [J]. International Journal of Digital Earth, 2014, 7(2): 113－137.

[6] Antle J M, Basso B, Conant R T, et al. Towards a new generation of agricultural system data, models and knowledge products: Design and improvement [J]. Agricultural Systems, 2016, 155:255－268

[7] Holzworth D P, Snow V, Janssen S, et al. Agricultural production systems modelling and software: Current status and future prospects [J]. Environmental Modelling & Software, 2015, 72: 276－286.

[8] Supit I, Hoojer A A, Diepen C A V. System description of the Wofost 6.0 crop simulation model implemented in CGMS[M]. Theory and Algorithms. Luxembourg: Commission of the European Communities, 1994.

[9] 刘布春，刘文萍，梅旭荣，等. 我国农业气象业务引入作物生长模型的前景[J]. 气象，2006，32(12)：10－15. Liu Buchun, Liu Wenping, Mei Xurong, et al. Prospects for crop growth models introduced into agrometeorology services in China[J]. Meteorological Monthly, 2006, 32(12): 10－15. (in Chinese with English abstract)

[10] 马玉平，王石立，王馥棠. 作物模拟模型在农业气象业务应用中的研究初探[J]. 应用气象学报，2005，16(3)：293－303. Ma Yuping, Wang Shili, Wang Futang. A preliminary study on the application of crop simulation models in agrometeorological servinces[J]. Journal of Applied Meteorological Science, 2005, 16(3): 293－303. (in Chinese with English abstract)

[11] 王石立，马玉平. 作物生长模拟模型在我国农业气象业务中的应用研究进展及思考 [J]. 气象，2008，34(6)：3－10. Wang Shili, Ma Yuping. The progress in application of crop growth simulation models to agro-meteorological serveinces in China[J]. Meteorological Monthly, 2008, 34(6): 3－10. (in Chinese with English abstract)

[12] Diepen C A, Wolf J, Keulen H, et al. WOFOST: A simulation model of crop production [J]. Soil Use and Management, 1989, 5(1): 16－24.

[13] Bouman B A M, Kropff M J, Tuong T P, et al. ORYZA2000: Modeling Lowland Rice[M]. Los Baños: International Rice Research Institute, 2003.

[14] 冯利平，高亮之，金之庆，等. 小麦发育期动态模拟模型的研究[J]. 作物学报，1997，23(4)：418－424. Feng Liping, Gao Liangzhi, Jin Zhiqing, et al. Studies on the simulation model for wheat phenology[J]. Acta Agronomica Sinca, 1997, 23(4): 418－424. (in Chinese with English abstract)

[15] Wang Jing, Yu Qiang, Lee X. Simulation of crop growth and energy and carbon dioxide fluxes at different time steps from hourly to daily[J]. Hydrological Processes, 2007, 21(18): 2474－2492.

[16] Dai Y, Shangguan W, Duan Q, et al. Development of a China dataset of soil hydraulic parameters using pedotransfer functions for land surface modeling [J]. Journal of Hydrometeorology, 2013, 14: 869－887.

[17] 何亮，侯英雨，赵刚，等. 基于全局敏感性分析和贝叶斯方法的WOFOST作物模型参数优化[J]. 农业工程学报，2016，32(2)：169－179. He Liang, Hou Yingyu, Zhao Gang, et al. Parameters optimization of WOFOST model by integration of global sensitivity analysis and Bayesian calibration method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 169－179. (in Chinese with English abstract)

[18] 何亮，赵刚，靳宁，等. 不同气候区和不同产量水平下APSIM-Wheat模型的参数全局敏感性分析[J]. 农业工程学报，2015，31(14)：148－157. He Liang, Zhao Gang, Jin Ning, et al. Global sensitivity analysis of APSIM-Wheat parameters in different climate zones and yield levels[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 148－157. (in Chinese with English abstract)

[19] Jin Xiuliang, Kumar L, Li Zhenhai, et al. A review of data assimilation of remote sensing and crop models [J]. European Journal of Agronomy, 2018, 92:141－152.

[20] 邢雅娟，刘东升，王鹏新. 遥感信息与作物生长模型的耦合应用研究进展[J]. 地球科学进展，2009，24(4)：444－451.Xing Yajuan, Liu Dongsheng, Wang Pengxin. Advances of coupling application of remote sensing information and crop watch model[J]. Advances in Earth Science, 2009, 24(4): 444－451. (in Chinese with English abstract)

[21] Moulin S, Bondeau A, Delecolle R. Combining agricultural crop models and satellite observations: From field to regional scales [J]. International Journal of Remote Sensing, 1998, 19(6): 1021－1036.

[22] 王静, 李新. 基于作物生长模型和多源数据的融合技术研究进展[J]. 遥感技术与应用, 2015, 30(2): 209－219. Wang Jing, Li Xin. Progresses on data fusion technology of crop growh model and multi-source observation information[J]. Remote Sensing Technology and Application, 2015, 30(2): 209－219. (in Chinese with English abstract)

[23] 刘维，侯英雨，吴门新. 基于WOFOST模型的2014年河南省干旱对夏玉米产量的预估[J]. 中国农学通报，2016，32(36)：146－151. Liu Wei, Hou Yingyu, Wu Menxin. Estimate of dourght effect on summer maize yield based on WOFOST model in Henan province in 2014[J]. Chinese Agricultural Secience Bulletin, 2016, 32(36): 146－151. (in Chinese with English abstract)

[24] Jin Ning, Ren Wei, Tao Bo, et al. Effects of water stress on water use efficiency of irrigated and rainfed wheat in the Loess Plateau, China [J]. Science of The Total Environment, 2018, 642:1－11

[25] 梁瀚月，房世波，杨武年，等. 基于MODIS数据的作物苗情和灾情监测系统及其开发应用[J]. 气象科技进展，2017，7(1)：7－11. Liang Hanyue, Fang Shibo, Yang Wunian, et al. Development and application of the seedling situation and disaster monitoring system based on the MODIS data[J]. Advances in Meteorological Science and Technology, 2017, 7(1): 7－11. (in Chinese with English abstract)

[26] 张琴，黄文江，许童羽，等. 小麦苗情远程监测与诊断系统[J]. 农业工程学报，2011，27(12)：115－119. Zhang Qin, Huang Wenjiang, Xu Tongyu, et al. Monitoring and diagnosis system for wheat growth with remote sensing and sensor technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(12): 115－119. (in Chinese with English abstract)

[27] 魏瑞江，李春强，姚树然. 农作物气候适宜度实时判定系统[J]. 气象科技，2006，34(2)：229－232. Wei Ruijiang, Li Chunqiang, Yao Shuran. A real-time analysis of crop climateic suitability based on fuzzy mathematics[J]. Meteorological Science and Technology, 2006, 34(2): 229－232. (in Chinese with English abstract)

[28] 刘健，姚宁，吝海霞，等. 冬小麦物候期对土壤水分胁迫的响应机制与模拟[J]. 农业工程学报，2016，32(21)：115－124. Liu Jian, Yao Ning, Lin Haixia, et al. Response mechanism and simulation of winter wheat phenology to soil water stress[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 115－124. (in Chinese with English abstract)

[29] Jin Zhenong, Zhuang Qianlai, Tan Zeli, 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.

[30] Donatelli M, Magarey R D, Bregaglio S, et al. Modelling the impacts of pests and diseases on agricultural systems [J]. Agricultural Systems, 2017, 155: 213－224.

[31] Jones J W, Antle J M, Basso B, et al. Brief history of agricultural systems modeling [J]. Agricultural Systems, 2017, 155:240－254.

[32] Rosenzweig C, Jones J W, Hatfield J L, et al. The agricultural model intercomparison and improvement project (AgMIP): Protocols and pilot studies[J]. Agricultural & Forest Meteorology, 2013, 170(3): 166－182.

[33] 刘布春，王石立，马玉平. 国外作物生长模型区域应用中升尺度问题的研究[J]. 中国生态农业学报，2003，11(4)：89－91. Liu Buchun, Wang Shili, Ma Yuping. A study of abroad challenges of scaling-up of crop models for regional applications[J]. Chinese Journal of Eco-Agriculture, 2003, 11(4): 89－91. (in Chinese with English abstract)

[34] 熊伟，林而达. CERES-Maize区域应用效果分析[J]. 中国农业气象，2009，30(1)：3－7. Xiong Wei, Lin Erda. Performance of CERES-Maize in regional application[J]. Chinese Journal of Agrometeorogy, 2009, 30(1): 3－7. (in Chinese with English abstract)

[35] Anderson M C, Kustas W P, Norman J M. Upscaling and downscaling: A regional view of the soil–plant– atmosphere continuum [J]. Agronomy Journal, 2003, 95(6): 1408－1423.

[36] Bandaru V, Pei Y, Hart Q, et al. Impact of biases in gridded weather datasets on biomass estimates of short rotation woody cropping systems [J]. Agricultural and Forest Meteorology, 2017, 233: 71－79.

[37] 何亮，侯英雨，于强，等. 不同空间分辨率驱动数据对作物模型区域模拟影响研究[J]. 农业机械学报，2018，49(2)：241－251. He Liang, Hou Yingyu, Yu Qiang, et al. Infuence of different resolutions data on regional simulation of crop model [J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 241－251. (in Chinese with English abstract)

[38] Elliott J, Kelly D, Chryssanthacopoulos J, et al. The parallel system for integrating impact models and sectors (pSIMS) [J]. Environmental Modelling & Software, 2014, 62: 509－516.

[39] Antle J M, Basso B, Conant R T, et al. Towards a new generation of agricultural system data, models and knowledge products: Design and improvement[J]. Agricultural Systems, 2017, 155: 255－268.

[40] Capalbo S M, Antle J M, Seavert C. Next generation data systems and knowledge products to support agricultural producers and science-based policy decision making[J]. Agricultural Systems, 2017, 155: 191－199.

Establishment and application of crop growth simulating and monitoring system in China

Hou Yingyu1, He Liang1※, Jin Ning2, Zheng Changling1, Liu Wei1, Zhang Lei1

(1.100081,; 2.712100,)

Agro-meteorological services can provide a strong guarantee for agricultural disaster prevention and reduction, national food security and sustainable development of agriculture. In this paper, we systematically described a Crop Growth Simulating and Monitoring System in China (CGMS-China). The system was established based on 4 crop models, i.e. WOFOST, Oryza2000, WheatSM, ChinaAgrosys. The CGMS-China could be applied to national agro-meteorological services. The CGMS-China includes database layer, model layer and application layer. In the model layer, 4 crop models were integrated by application program interface. They were driven by daily-scale data. The WOFOST model was for winter wheat and maize simulation, the WheatSM was for winter wheat simulation, Oryza2000 was for rice simulation and ChinaAgrosys was for remote sensing data assimilation. The data assimilation method included SCE-UA, particle swarm optimization, and so on. The CGMS-China was used for crop growth monitoring, agro-meteorological disaster assessment and crop yield forecast. The crop growth monitoring was based on leaf are index, aboveground biomass and dry weight of storage organs. The agro-meteorological disaster was estimated based on yield reducing rate. The yield could be predicted by relative yield prediction method based on aboveground biomass or yield in the CGMS-China system. The output of CGMS-China for crop growth monitoring could be used for comparison with those in last 5 years, last year, and normal year. The case study in Tailai, Heilongjiang and Fuxin, Liaoning showed that the CGMS-China was a reliable agro-meteorological service product with good quality for crop growth monitoring, crop yield forecast and yield loss assessments of agro-meteorological disasters. Crop growth assessment index was established using outputs of CGMS-China which included aboveground biomass, leaf area index and weight of storage organs. They were applied to real-time monitoring of wheat, maize and rice growth. The drought assessment was also conducted by the CGMS-China system. The CGMS-China performed well at yield loss assessment of spring maize caused by drought in the middle of August, 2014 and yield loss assessment of early rice caused by heat stress on the 22ndJune, 2016. The comparison of real-time monitoring and simulating could well reflect the crop growth during the drought events. The CGMS-China was used to predict winter wheat yield in 2014 in China. The average forecast relative error was 7% and the relative error in most provinces (autonomous region) was less than 10%. In the meantime, application of remote sensing assimilation with crop model was also introduced in this paper. The relative error used CGMS-China combined with remote sensing data assimilation was less than 11% in Hongtong county, Shanxi province, China. Finally, we discussed the future directions of application of crop model in agro-meteorological services. In sum, the CGMS-China can provide services well in crop growth development simulation, meteorological disaster monitoring and yield prediction.

models; meteorology; remote sensing; crop growth monitoring; agro-meteorological disaster; yield prediction; assimilation

10.11975/j.issn.1002-6819.2018.21.020

S512.1;S127

A

1002-6819(2018)-21-0165-11

2018-05-08

2018-08-10

国家自然科学基金项目（41705095）；公益性行业（气象）科研专项（GYHY201506001）资助

侯英雨，正研级高工，主要从事农业气象科研与业务。 Email：yyhou@cma.gov.cn

何 亮，博士，主要从事作物模型、农业气象和全球变化研究。Email：heliang_hello@163.com

侯英雨，何 亮，靳 宁，郑昌玲，刘 维，张 蕾. 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. doi：10.11975/j.issn.1002-6819.2018.21.020 http://www.tcsae.org

Hou Yingyu, He Liang, Jin Ning, Zheng Changling, Liu Wei, Zhang Lei. Establishment and application of crop growth simulating and monitoring system in China [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 165－175. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.21.020 http://www.tcsae.org