基于歷史氣象資料和WOFOST模型的區(qū)域產(chǎn)量集合預(yù)報(bào)

馬鴻元 黃健熙,2 黃 海 張曉東,2 朱德海,2

(1.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院， 北京 100083； 2.農(nóng)業(yè)部農(nóng)業(yè)災(zāi)害遙感重點(diǎn)實(shí)驗(yàn)室， 北京 100083)

0 引言

作物生長模型是采用數(shù)學(xué)模型方法描述作物光合、呼吸、蒸騰、營養(yǎng)等機(jī)理過程，以特定時(shí)間步長來動(dòng)態(tài)模擬作物生長發(fā)育期間的生理生化參數(shù)的數(shù)學(xué)模型，能較為準(zhǔn)確地描述光、溫、水、肥等因子以及田間栽培和管理措施對(duì)作物生長和發(fā)育的影響[1-2]。自20世紀(jì)60年代作物模型研究領(lǐng)域創(chuàng)始以來，作物模型逐漸成為農(nóng)學(xué)、土壤學(xué)、植物生理學(xué)、氣象學(xué)等學(xué)科的重要研究工具，尤其在作物產(chǎn)量模擬方面，作物模型能夠動(dòng)態(tài)、定量地模擬作物生長發(fā)育和產(chǎn)量形成，因此在產(chǎn)量預(yù)報(bào)[3]、農(nóng)業(yè)氣象服務(wù)[4]、產(chǎn)量的氣候變化響應(yīng)模式[5]等領(lǐng)域發(fā)揮了重要作用。如歐盟委員會(huì)聯(lián)合研究中心(JRC)很早就將作物模型應(yīng)用于作物監(jiān)測和產(chǎn)量預(yù)報(bào)，在農(nóng)業(yè)遙感監(jiān)測項(xiàng)目(MARS)中建立了專門的作物生長監(jiān)測系統(tǒng)(CGMS)，定時(shí)發(fā)布基于作物模型的產(chǎn)量月報(bào)[6]；美國[7]、印度[8]、巴西[9]等農(nóng)業(yè)大國也都很早開展了基于作物模型的產(chǎn)量預(yù)報(bào)，我國李振海[10]、帥細(xì)強(qiáng)等[11]、陳上等[12]以預(yù)報(bào)或歷史氣象資料為基礎(chǔ)初步開展了DSSAT、Oyrza2000及CERES-Maize模型在作物產(chǎn)量預(yù)報(bào)中的應(yīng)用研究。

隨著應(yīng)用領(lǐng)域的不斷深入，目前作物模型已從最早的田間尺度模擬擴(kuò)展到了大區(qū)域尺度的模擬[13-14]，在氣候變化情景模擬和遙感數(shù)據(jù)同化方面應(yīng)用尤為廣泛，但由于作物模型大多按天積分運(yùn)算，需要輸入全生育期的完整氣象要素才能模擬得到最終的產(chǎn)量結(jié)果?；谧魑锬Ｐ偷漠a(chǎn)量預(yù)報(bào)方法主要還是受制于預(yù)報(bào)期內(nèi)的氣象資料的獲取，因此根據(jù)不同的研究需要，形成了各種氣象資料的獲取方法。

在月度、季度預(yù)報(bào)中，一些研究直接利用區(qū)域氣候模型生成的數(shù)據(jù)作為作物模型的輸入，進(jìn)而預(yù)測農(nóng)作物產(chǎn)量[15]，由于生成的氣象數(shù)據(jù)存在一定的誤差，還需要對(duì)氣候模型的輸出進(jìn)行糾偏和訂正[16-17]，同時(shí)低分辨率的氣候模型模擬的逐日天氣數(shù)據(jù)與氣象站點(diǎn)實(shí)測數(shù)據(jù)有較大的尺度差異，直接使用氣候模型產(chǎn)生的逐日氣象數(shù)據(jù)時(shí)不可避免地存在時(shí)間和空間尺度不匹配的問題[18]。

為了實(shí)現(xiàn)氣候模型與作物模型的高效耦合，必須將氣候/天氣模型的數(shù)據(jù)進(jìn)行降尺度，常用的方法一是統(tǒng)計(jì)降尺度[19]和隨機(jī)天氣發(fā)生器法等，其中天氣發(fā)生器在作物模型中應(yīng)用較廣，多項(xiàng)研究通過天氣生成器對(duì)各氣候模型的月平均數(shù)據(jù)降尺度生成逐日氣象要素，作為作物模型的驅(qū)動(dòng)數(shù)據(jù)[20-21]；二是通過動(dòng)力學(xué)模型降尺度[22]，該方法利用復(fù)雜的動(dòng)力學(xué)方程把氣候模型的模擬結(jié)果降尺度到更小的網(wǎng)格和時(shí)間尺度上。動(dòng)力降尺度模型考慮了局地的地形因子，從而能更好地反映出局地氣候特征，對(duì)極端天氣狀況有較好的模擬效果，但此方法計(jì)算復(fù)雜費(fèi)時(shí)，應(yīng)用在區(qū)域化的作物模型中成本較高。

而在中短期預(yù)報(bào)中，數(shù)值天氣模式則可以和作物模型相結(jié)合，BAIGORRIA等[16]使用COAPS的區(qū)域模型生成了20個(gè)數(shù)值天氣預(yù)報(bào)集合成員，耦合陸面模型后輸入到CERES-Maize模型，其中缺失的輻射量要素使用了天氣發(fā)生器生成，最終使用主成分回歸分析進(jìn)行了產(chǎn)量預(yù)報(bào)。LEE等[23]則開發(fā)了一種氣象數(shù)據(jù)服務(wù)端，利用站點(diǎn)觀測數(shù)據(jù)和數(shù)值預(yù)報(bào)數(shù)據(jù)直接生成ORYZA 2000作物模型的氣象驅(qū)動(dòng)數(shù)據(jù)，大幅提高了作物模型的部署效率。DUMONT等[24-25]使用STICS作物模型進(jìn)行了大量的預(yù)報(bào)氣象驅(qū)動(dòng)數(shù)據(jù)比較工作，驗(yàn)證了使用歷史平均資料和天氣發(fā)生器等不同氣象驅(qū)動(dòng)策略對(duì)當(dāng)年小麥產(chǎn)量預(yù)報(bào)的影響，結(jié)果顯示使用兩種策略沒有明顯差異，使用天氣發(fā)生器精度稍好，但使用歷史平均資料的計(jì)算效率則更高。

我國大部地區(qū)為典型的季風(fēng)氣候，年際變率大，且季節(jié)分布不均[26]，因此，基于氣象資料多年平均值作為預(yù)報(bào)期的驅(qū)動(dòng)數(shù)據(jù)并不能很好地體現(xiàn)氣象要素的波動(dòng)性，而且災(zāi)害性的異常天氣會(huì)被平滑，這對(duì)模擬潛在的產(chǎn)量損失十分不利；而如果將歷史同期所有年份的氣象要素都作為集合成員進(jìn)行驅(qū)動(dòng)模擬，則可以重現(xiàn)本地歷史天氣情景下的產(chǎn)量[27]，通過集合預(yù)報(bào)的技術(shù)手段得出產(chǎn)量預(yù)報(bào)的不確定性，將以往單一數(shù)值的預(yù)報(bào)提升為概率預(yù)報(bào)[28-29]。

本文以多年氣象資料為依托，以Python平臺(tái)的WOFOST模型(Python crop simulation environment，PCSE)為基礎(chǔ)，構(gòu)建使用歷史資料作為預(yù)報(bào)期氣象驅(qū)動(dòng)數(shù)據(jù)的系統(tǒng)框架，區(qū)域化分布式模擬研究區(qū)內(nèi)多年冬小麥產(chǎn)量，并系統(tǒng)分析產(chǎn)量集合的統(tǒng)計(jì)特征，結(jié)合農(nóng)業(yè)氣象觀測資料與產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)分析歷史集合預(yù)報(bào)方法的預(yù)報(bào)能力和精度，以期為區(qū)域化產(chǎn)量概率預(yù)報(bào)提供科學(xué)依據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

選取河北省保定市、衡水市冬小麥主產(chǎn)區(qū)為研究區(qū)(圖1)，該區(qū)地處黃淮海平原，屬暖溫帶半濕潤季風(fēng)氣候，多年平均氣溫3～15℃，年降水量500～800 mm，四季分明，日照充足。冬小麥在本區(qū)糧食組成中占有較大比重。研究獲取了衡水市2009年29個(gè)觀測點(diǎn)的冬小麥田間觀測數(shù)據(jù)[30]，主要包括播種與收獲日期、物候期、葉面積指數(shù)(Leaf area index，LAI)和產(chǎn)量等，試驗(yàn)點(diǎn)的分布充分考慮了該地區(qū)冬小麥的生長分布狀況，具有很好的代表性。

圖1 研究區(qū)示意圖Fig.1 Location of study region

1.2 氣象資料

所用的氣象驅(qū)動(dòng)數(shù)據(jù)是中國科學(xué)院青藏高原研究所發(fā)布的中國區(qū)域高時(shí)空分辨率地面氣象要素驅(qū)動(dòng)數(shù)據(jù)集(China meteorological forcing dataset)01.06.0014版本[31-32]，該驅(qū)動(dòng)數(shù)據(jù)集包括近地面氣溫、地表氣壓、近地面空氣比濕、近地面全風(fēng)速、降水率和向下長、短波輻射7個(gè)要素，空間分辨率為0.1°，時(shí)間分辨率為3 h。該數(shù)據(jù)集是以國際上現(xiàn)有的Princeton再分析資料、GLDAS資料、GEWEX-SRB輻射資料以及TRMM降水資料為背景場，融合了中國氣象局常規(guī)氣象觀測數(shù)據(jù)制作而成的。經(jīng)過前期處理，將這些要素轉(zhuǎn)換為與作物模型量綱、格式一致的氣象輸入文件，包括日照輻射量、日最高溫、日最低溫、清晨水汽壓、風(fēng)速和降水6個(gè)要素。

1.3 WOFOST模型

WOFOST(World food studies)模型是由荷蘭瓦赫寧大學(xué)和世界糧食研究中心共同開發(fā)的一種機(jī)理性作物生長模型[33]，該模型通過利用光截獲量和CO2同化量作為生長驅(qū)動(dòng)過程，利用作物物候發(fā)育過程來描述作物生長，模擬的生長過程主要包括作物的碳同化、呼吸、蒸騰、干物質(zhì)的分配等。模型主要有兩種應(yīng)用模式，潛在模式下作物生長僅僅由溫度和太陽輻射決定，沒有考慮其他生長限制因素；水分限制模式下作物生長受水分限制。WOFOST模型是一種通用模型，通過定制不同的參數(shù)可以模擬不同種類的作物，具有很強(qiáng)的適用性，是大范圍環(huán)境條件下的各種作物模擬的有利工具。模型最初由Fortran語言開發(fā)，而今WOFOST研究組已經(jīng)開發(fā)了適合Python平臺(tái)的版本PCSE，通過配置豐富的第三方庫，大大加強(qiáng)了模型應(yīng)用的靈活性。

1.4 產(chǎn)量預(yù)報(bào)框架

圖2 基于歷史氣象資料的作物模型產(chǎn)量集合預(yù)報(bào)技術(shù)流程Fig.2 Flow chart of research technology route

傳統(tǒng)的作物模型運(yùn)行過程只是輸入數(shù)據(jù)到輸出數(shù)據(jù)的單一映射，無法提供模型模擬的不確定性信息，但作物模型本身，以及輸入?yún)?shù)、氣象驅(qū)動(dòng)存在著不確定性。如果以集合的思想將作物模型放入一個(gè)外部框架內(nèi)，用不同年份的氣象驅(qū)動(dòng)模擬的結(jié)果作為集合成員，可以使模擬結(jié)果的集合代表其概率分布，最終將單一數(shù)值的模擬輸出轉(zhuǎn)換為概率分布。基于上述考慮，本文引入多年(1979—2015年)歷史氣象資料，開發(fā)出以從某一預(yù)報(bào)時(shí)刻模擬該年作物生長和產(chǎn)量狀況的概率預(yù)報(bào)的集合預(yù)報(bào)框架。該框架以Python平臺(tái)下WOFOST(PCSE)模型為基礎(chǔ)，作物品種參數(shù)和區(qū)域化由本課題組歷史標(biāo)定成果[34-39]確定，通過外部程序框架的搭建，完成多年氣象輸入文件生成、預(yù)報(bào)時(shí)刻氣象集合成員文件生成、分布式PCSE模擬、集合預(yù)報(bào)成員后處理等主要功能，從而實(shí)現(xiàn)區(qū)域化集合預(yù)報(bào)作物長勢和產(chǎn)量的主要功能(圖2)。利用該預(yù)報(bào)框架開展產(chǎn)量集合預(yù)報(bào)時(shí)，首先進(jìn)行前期數(shù)據(jù)準(zhǔn)備，預(yù)先收集作物品種參數(shù)、田間管理信息及播種至預(yù)報(bào)時(shí)刻的氣象資料，然后根據(jù)預(yù)報(bào)時(shí)刻生成模型的氣象輸入文件集合，該集合的每個(gè)成員文件由播種日至預(yù)報(bào)時(shí)刻的實(shí)際氣象和預(yù)報(bào)時(shí)刻至成熟日的歷史資料拼接而成，利用該輸入集合進(jìn)行區(qū)域化的分布式模擬，最終得到模擬產(chǎn)量的集合并進(jìn)行相應(yīng)的后處理過程。

1.5 驗(yàn)證方法與誤差分析

以1979—2015年氣象資料為歷史集合進(jìn)行集合預(yù)報(bào)，以2009年29個(gè)觀測站的田間實(shí)測產(chǎn)量為觀測值，以2009年每月1日為預(yù)報(bào)起始時(shí)刻，同一日期下歷史集合模擬結(jié)果的平均值作為預(yù)報(bào)值，觀測值與預(yù)報(bào)值的差值即為預(yù)報(bào)誤差。

集合預(yù)報(bào)給出的預(yù)報(bào)是一個(gè)概率分布或者是一個(gè)包含多個(gè)成員的集合，若需要對(duì)集合預(yù)報(bào)進(jìn)行確定性驗(yàn)證，一般是對(duì)集合成員的平均值或集合中位數(shù)進(jìn)行驗(yàn)證[40]。集合成員的平均值計(jì)算公式為

(1)

Mi——集合成員值

n——集合成員數(shù)量

當(dāng)有了成員集合后，還可進(jìn)行某一產(chǎn)量水平的概率預(yù)報(bào)，假設(shè)集合中所有成員的權(quán)值相等，計(jì)算某一事件的成員數(shù)與集合成員總數(shù)的比例，即為該事件發(fā)生的概率，計(jì)算公式為

(2)

式中pi——模擬結(jié)果中某一事件(如產(chǎn)量高于7 000 kg/hm2)出現(xiàn)與否的標(biāo)識(shí)，當(dāng)該事件發(fā)生時(shí)pi=1，否則為0

平均差會(huì)由于差值的正負(fù)抵消，因此本文采用平均絕對(duì)誤差(Mean absolute error，MAE)表示誤差，另外還將均方根誤差(Root mean square error，RMSE)與皮爾遜相關(guān)系數(shù)(Pearson correlation coefficient，PCC)作為精度評(píng)價(jià)指標(biāo)，相關(guān)計(jì)算式為

(3)

(4)

(5)

式中m——驗(yàn)證樣本數(shù)量

i——驗(yàn)證樣本序號(hào)

Fi——第i實(shí)測點(diǎn)模型預(yù)報(bào)值

Oi——第i實(shí)測點(diǎn)觀測值

其中，MAE越小說明預(yù)報(bào)越精確，PCC越接近于1說明預(yù)報(bào)模型的預(yù)報(bào)能力越強(qiáng)。通過對(duì)每個(gè)觀測點(diǎn)進(jìn)行1979—2008年的集合模擬，對(duì)預(yù)報(bào)的誤差進(jìn)行分布擬合，最后統(tǒng)計(jì)3種指標(biāo)作為預(yù)報(bào)能力。

2 結(jié)果分析

2.1 單點(diǎn)預(yù)報(bào)分析

圖3為深州市2009年3月1日(圖3a)、4月1日(圖3b)、5月1日(圖3c)、6月1日(圖3d)的葉面積與籽粒干物質(zhì)量預(yù)報(bào)結(jié)果，其中不同顏色的線條表示不同集合成員的全生育期模擬值，左上方藍(lán)色直方圖分別表示6月1日的LAI與最終產(chǎn)量的集合成員分布頻率。紅色虛線標(biāo)記的是該點(diǎn)的實(shí)測產(chǎn)量(6 786 kg/hm2)，藍(lán)色豎線指示預(yù)報(bào)日期，該時(shí)刻之前的氣象驅(qū)動(dòng)資料為2009年實(shí)際氣象數(shù)據(jù)，該天及之后的氣象驅(qū)動(dòng)為1979—2008年的歷史集合成員。結(jié)果顯示預(yù)報(bào)開始后集合成員的模擬結(jié)果逐漸出現(xiàn)分化，LAI的集合分布在5.0～6.5之間，產(chǎn)量的集合分布在6 000～8 300 kg/hm2之間，不同年份的模擬結(jié)果有較大的差異，但隨著預(yù)報(bào)時(shí)刻的不斷更新，LAI的集合成員模擬值變化幅度減小，而且基于歷史氣象的模擬集合其變化區(qū)間能夠較好地涵蓋實(shí)測值，說明歷史氣象數(shù)據(jù)的集合化表達(dá)可以用來部分表達(dá)模型模擬的不確定性，在小麥拔節(jié)后期即可得到對(duì)小麥長勢、LAI較為準(zhǔn)確的集合預(yù)報(bào)。

模型模擬的產(chǎn)量即存貯器官干物質(zhì)質(zhì)量(Total dry weight of storage organs，TWSO)的集合平均值與實(shí)測值相差始終在500 kg/hm2左右，而直到5月初產(chǎn)量模擬結(jié)果仍有很大變異性(圖4)，這是因?yàn)槎←溕L前期是以營養(yǎng)生長為主，同化的干物質(zhì)主要分配到葉、根、莖中；生育中期是小麥營養(yǎng)生長和生殖生長并進(jìn)時(shí)期；在小麥生長后期同化物已停止向營養(yǎng)器官中分配，主要分配給貯藏器官；同時(shí)根、莖、葉等營養(yǎng)器官中的干物質(zhì)會(huì)有部分轉(zhuǎn)移到穗部形成產(chǎn)量，因此在抽穗后小麥籽粒開始形成、積累大量干物質(zhì)并進(jìn)行器官間的養(yǎng)分轉(zhuǎn)移直至成熟，所以在冬小麥的產(chǎn)量形成中抽穗—灌漿的生殖生長階段十分關(guān)鍵，這一時(shí)期作物遭受氣象脅迫作用會(huì)十分明顯地影響產(chǎn)量，這也說明在后續(xù)實(shí)際業(yè)務(wù)預(yù)報(bào)中，在冬小麥生長早期集合成員模擬的變異性較大，此時(shí)進(jìn)行預(yù)報(bào)效果較差，而最終產(chǎn)量預(yù)報(bào)結(jié)果對(duì)抽穗—灌漿階段的氣象預(yù)報(bào)最為敏感，從生育后期即5月開始進(jìn)行華北地區(qū)產(chǎn)量預(yù)報(bào)有一定的預(yù)報(bào)價(jià)值。這段時(shí)間氣象數(shù)據(jù)的不確定性將決定產(chǎn)量預(yù)報(bào)結(jié)果的成敗，因此在生長早期進(jìn)行業(yè)務(wù)產(chǎn)量預(yù)報(bào)時(shí)還需要結(jié)合中長期的數(shù)值天氣預(yù)報(bào)產(chǎn)品。

圖3 深州市觀測點(diǎn)4個(gè)預(yù)報(bào)時(shí)期的LAI和TWSO集合模擬值與實(shí)測值對(duì)比Fig.3 Comparison of simulated and measured values of LAI and TWSO in four forecast periods of Shenzhou City

圖4 2009年深州市實(shí)測點(diǎn)不同起報(bào)時(shí)刻的冬小麥產(chǎn)量滾動(dòng)集合預(yù)報(bào)及其箱形圖Fig.4 Rolling ensemble forecasts of winter wheat yields in 2009 and their box plots at different forecasting times in Shenzhou City

2.2 區(qū)域預(yù)報(bào)分析

通過分布式區(qū)域化模擬預(yù)報(bào)，得到研究區(qū)內(nèi)區(qū)域化的產(chǎn)量集合預(yù)報(bào)結(jié)果。為了對(duì)產(chǎn)量預(yù)報(bào)結(jié)果進(jìn)行驗(yàn)證，本文以預(yù)報(bào)的集合中值產(chǎn)量和實(shí)測點(diǎn)產(chǎn)量進(jìn)行對(duì)比驗(yàn)證，可以看出隨著預(yù)報(bào)日期的推進(jìn)，研究區(qū)南部和北部的產(chǎn)量差異加大，南部預(yù)報(bào)的產(chǎn)量有所提高，北部產(chǎn)量逐漸降低，說明2009年該區(qū)域南部整體天氣條件較好，實(shí)際產(chǎn)量優(yōu)于歷史條件下的模擬(圖5)，而北部區(qū)域天氣條件差于歷史同期。從該研究區(qū)產(chǎn)量大于7 500 kg/hm2的區(qū)域化概率預(yù)報(bào)(圖6)，可以看出在2月初開始預(yù)報(bào)時(shí)，根據(jù)歷史同期氣象資料，大部分地區(qū)尤其是保定地區(qū)的產(chǎn)量高于7 500 kg/hm2的概率低于50%，然而隨著預(yù)報(bào)時(shí)刻的推進(jìn)，絕大多數(shù)地區(qū)產(chǎn)量高于7 500 kg/hm2的概率大于70%，說明2009年氣象條件適宜冬小麥生長，天氣條件優(yōu)于歷史同期。

2.3 預(yù)報(bào)性能定量分析

圖5 2009年8個(gè)預(yù)報(bào)時(shí)期下區(qū)域化集合產(chǎn)量預(yù)報(bào)(集合中位數(shù))Fig.5 Regionalized yield ensemble forecast (median of ensemble) for eight forecast periods in 2009

圖6 2009年8個(gè)預(yù)報(bào)時(shí)期下產(chǎn)量高于7 500 kg/hm2的概率預(yù)報(bào)Fig.6 Probability forecast for event of production above 7 500 kg/hm2 on eight forecast dates in 2009

為了進(jìn)一步評(píng)估集合預(yù)報(bào)的性能和誤差，本文對(duì)所有田間實(shí)測點(diǎn)的產(chǎn)量集合預(yù)報(bào)進(jìn)行了統(tǒng)計(jì)，根據(jù)實(shí)測點(diǎn)的實(shí)測產(chǎn)量計(jì)算16個(gè)預(yù)報(bào)時(shí)期集合中位數(shù)的驗(yàn)證指標(biāo)MAE、RMSE、PCC。16個(gè)預(yù)報(bào)時(shí)期的MAE為458～578 kg/hm2, RMSE在598～758 kg/hm2之間，PCC在0.503～0.563之間(圖7)，集合平均數(shù)的情況與之類似，但由于篇幅所限未列出?？傮w而言基于歷史氣象的集合預(yù)報(bào)對(duì)于本年的產(chǎn)量有一定的預(yù)報(bào)能力，相對(duì)誤差在6.6%左右，集合中位數(shù)與實(shí)測值相關(guān)性也較好，說明歷史氣象集合的變異性很好地表達(dá)了氣象輸入?yún)?shù)的不確定性，有助于概率預(yù)報(bào)和數(shù)據(jù)等應(yīng)用。但隨著預(yù)報(bào)期的推進(jìn)集合中位數(shù)的誤差指標(biāo)收斂較慢，直到5月中旬左右預(yù)報(bào)的性能達(dá)到最大值，說明氣象數(shù)據(jù)的不確定性仍然不足以完全表現(xiàn)實(shí)際產(chǎn)量的不確定性，尤其是潛在模式下模型對(duì)于水分脅迫和土壤特性的影響沒有得到表達(dá)，而且受制于氣象驅(qū)動(dòng)數(shù)據(jù)空間分辨率的限制，對(duì)于精細(xì)尺度的產(chǎn)量無法僅憑氣象數(shù)據(jù)進(jìn)行預(yù)報(bào)。

圖7 衡水市實(shí)測點(diǎn)不同起報(bào)時(shí)刻下產(chǎn)量滾動(dòng)預(yù)報(bào)的集合中位數(shù)驗(yàn)證結(jié)果Fig.7 Verification results of rolling ensemble forecast median of 29 observation points in Hengshui City at different forecasting times

3 討論

氣象數(shù)據(jù)是作物模型的主要驅(qū)動(dòng)數(shù)據(jù)，利用作物模型模擬作物生長需要完整描述整個(gè)生育期的氣象數(shù)據(jù)，缺乏預(yù)報(bào)期氣象驅(qū)動(dòng)數(shù)據(jù)是制約作物模型應(yīng)用于產(chǎn)量預(yù)報(bào)的主要瓶頸，因而目前作物模型的應(yīng)用主要局限于歷史產(chǎn)量估測、單點(diǎn)模擬驗(yàn)證等，而作物模型機(jī)理明確、可擴(kuò)展性強(qiáng)的優(yōu)勢沒有得到發(fā)揮。氣象歷史資料對(duì)于本地的氣候模式和變異性有很好的描述能力，因此可以使用歷史資料作為預(yù)報(bào)期的輸入資料。本文采用潛在模式下的WOFOST模型作為預(yù)報(bào)模型，對(duì)2009年衡水保定地區(qū)的冬小麥產(chǎn)量進(jìn)行了模擬預(yù)報(bào)，并使用集合預(yù)報(bào)的方法進(jìn)行了后處理，結(jié)果發(fā)現(xiàn)基于歷史氣象的集合預(yù)報(bào)可以進(jìn)行本年產(chǎn)量的預(yù)報(bào)，相對(duì)誤差在6.6%左右，預(yù)報(bào)精度較好，表明該方法可以作為缺乏預(yù)報(bào)期氣象資料時(shí)的補(bǔ)充手段，而且集合成員的分布可以表現(xiàn)產(chǎn)量的不確定性，可以根據(jù)集合成員提供產(chǎn)量水平的概率預(yù)報(bào)。

本文從3月開始進(jìn)行滾動(dòng)預(yù)報(bào)，3月初模型即有一定預(yù)報(bào)能力(PCC為0.505, MAE 為504 kg/hm2)，說明在本地的歷史多年氣象資料集合可以代表當(dāng)年的氣象要素變率；而且預(yù)報(bào)誤差在后期逐漸減小，說明隨著氣象輸入數(shù)據(jù)不斷被更新為實(shí)測值，氣象數(shù)據(jù)的不確定在下降；但產(chǎn)量集合的收斂過程較慢，直到灌漿中后期達(dá)到最高預(yù)報(bào)精度，這可能與模型模擬的空間尺度較粗而且模型其他參數(shù)未能區(qū)域化有關(guān)，另外在潛在模式下作物生長的模擬未考慮水分等脅迫作用的影響，區(qū)域上的產(chǎn)量差異僅僅來自于氣象輸入的差異，因而使得在空間上產(chǎn)量的分布梯度較不明顯。

由于作物品種、土壤特性、管理措施對(duì)于產(chǎn)量的變異性有很強(qiáng)的影響，各種輸入?yún)?shù)的變異性共同構(gòu)成了產(chǎn)量的變異性，為了進(jìn)一步提高產(chǎn)量區(qū)域化預(yù)報(bào)的精度，需要對(duì)敏感參數(shù)進(jìn)行區(qū)域化，然而目前作物模型區(qū)域化調(diào)參受制于數(shù)據(jù)缺乏因而難度較大，將來借助農(nóng)業(yè)氣象觀測、土壤數(shù)據(jù)庫等數(shù)據(jù)進(jìn)行參數(shù)區(qū)域化是進(jìn)行模型產(chǎn)量預(yù)報(bào)的重要前期過程。另外衛(wèi)星遙感數(shù)據(jù)是柵格類型的觀測數(shù)據(jù)源，具有覆蓋面積廣、空間連續(xù)、周期觀測、相對(duì)成本低的優(yōu)勢，通過遙感觀測和作物模型的數(shù)據(jù)同化可以獲得大區(qū)域范圍的模型參數(shù)分布[41]，因此數(shù)據(jù)同化將會(huì)在模型產(chǎn)量預(yù)報(bào)方面有很大的潛力。

作物生長模型是一個(gè)非線性的復(fù)雜系統(tǒng)，通過模擬可以給出產(chǎn)量和其他生長參數(shù)的確定性模擬值，而集合預(yù)報(bào)的技術(shù)手段可以得到預(yù)報(bào)值不確定性信息，本文采用集合預(yù)報(bào)的思想進(jìn)行了作物模型模擬，集合成員的生成方式是歷史多年的氣象輸入，而作物模型的不確定性來源除了氣象輸入外，還有模型本身、輸入?yún)?shù)的不確定性，因此多模式的作物模型、作物參數(shù)擾動(dòng)都可以用來生成預(yù)報(bào)集合[42-43]，這樣的超級(jí)集合更有助于表達(dá)整個(gè)系統(tǒng)的不確定性，為提高模擬精度、概率預(yù)報(bào)和數(shù)據(jù)同化[44]提供了一條很好的途徑。和數(shù)值天氣預(yù)報(bào)的技術(shù)發(fā)展歷史相似，從單值的模擬拓展為概率預(yù)報(bào)是產(chǎn)量預(yù)報(bào)的發(fā)展方向，因此使用集合預(yù)報(bào)的思想進(jìn)行作物模型模擬具有很好的應(yīng)用前景。

本文初步探討集合預(yù)報(bào)手段在作物模型模擬中的技術(shù)流程和應(yīng)用前景，因此僅通過較小規(guī)模研究區(qū)一年的模擬預(yù)報(bào)對(duì)技術(shù)方案的可行性和誤差進(jìn)行了實(shí)驗(yàn)，而本文的技術(shù)方案還需要更多驗(yàn)證，多年大區(qū)域的驗(yàn)證實(shí)驗(yàn)還有待進(jìn)行，而且解決預(yù)報(bào)期天氣輸入的根本方法在于結(jié)合數(shù)值天氣預(yù)報(bào)，對(duì)于集合數(shù)值預(yù)報(bào)和作物模型的結(jié)合需要更深一步的研究。此外，在氣候變化的大背景下，近年來的極端、異常天氣事件增多，需要采用其他方法得到預(yù)報(bào)期更高精度的氣象輸入集合，如歷史相似年份替代、天氣發(fā)生器等技術(shù)手段。

4 結(jié)論

(1)使用多年氣象資料作為驅(qū)動(dòng)建立預(yù)報(bào)集合，集合的平均值與實(shí)測產(chǎn)量PCC最高為0.563，MAE最低為458 kg/hm2,表明歷史氣象集合對(duì)于本年度的作物產(chǎn)量具有一定的預(yù)報(bào)能力，能夠作為預(yù)報(bào)期的氣象數(shù)據(jù)補(bǔ)充手段，而集合的平均值或中位數(shù)能否代表當(dāng)年實(shí)際氣候變異下的模擬產(chǎn)量，取決于在歷史氣象集合中當(dāng)年氣象條件的一般性。

(2)抽穗至灌漿時(shí)期是作物產(chǎn)量形成的關(guān)鍵期，冬小麥產(chǎn)量對(duì)于這一階段的氣象條件十分敏感，在抽穗后開始產(chǎn)量預(yù)報(bào)有最高的預(yù)報(bào)精度。因此為進(jìn)一步提高基于作物模型的產(chǎn)量預(yù)報(bào)精度，需要準(zhǔn)確的抽穗至灌漿時(shí)期的氣象參數(shù)，作物模型與中長期數(shù)值預(yù)報(bào)結(jié)合是提高預(yù)報(bào)時(shí)效的必然要求。

(3)現(xiàn)階段研究在潛在模式下模擬預(yù)報(bào)，產(chǎn)量的變異性只與氣象數(shù)據(jù)中的溫度和輻射量有關(guān)，因此驅(qū)動(dòng)數(shù)據(jù)的低空間分辨率和輸入?yún)?shù)無區(qū)域差異是制約預(yù)報(bào)精度的關(guān)鍵因素，使得模擬產(chǎn)量的空間梯度較小，預(yù)報(bào)精度難以進(jìn)一步提高，為了解決輸入?yún)?shù)的估計(jì)問題，與遙感觀測進(jìn)行數(shù)據(jù)同化是可能的解決途徑。