作物生長模型在農(nóng)作物生產(chǎn)上的應用

關鍵詞：作物生長模型；精準農(nóng)業(yè)；糧食作物；經(jīng)濟作物

0 引言

隨著鄉(xiāng)村振興戰(zhàn)略的逐步推進，數(shù)字化已成為農(nóng)村發(fā)展動能轉(zhuǎn)變的重要節(jié)點，而數(shù)字農(nóng)村把數(shù)據(jù)技術植入到農(nóng)村全過程中，以技術價值鏈融合了農(nóng)村參與者，可以顯著提升農(nóng)業(yè)生態(tài)環(huán)境及農(nóng)產(chǎn)品產(chǎn)量、質(zhì)量。2023年，在中央1號文件《中共中央 國務院關于做好2023年全面推進鄉(xiāng)村振興重點工作的意見》指出，要深入實施數(shù)字鄉(xiāng)村發(fā)展行動，推動數(shù)字化應用場景研發(fā)推廣，加快農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應用，推進智慧農(nóng)業(yè)發(fā)展[1]。

農(nóng)業(yè)發(fā)展至今共經(jīng)歷4個時代，而數(shù)字農(nóng)業(yè)則是自2017年發(fā)展至今的農(nóng)業(yè)4.0時代產(chǎn)物[2]。數(shù)字農(nóng)業(yè)致力于控制作物生產(chǎn)的全過程，智能化調(diào)控水、肥、氣等作物生長必需的環(huán)境因素，將投入的成本降至最低，使收益最大化。當互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、區(qū)塊鏈及機器學習等數(shù)字技術與農(nóng)業(yè)耦合時，能夠利用數(shù)字創(chuàng)新的戰(zhàn)略杠桿，撬動更高的農(nóng)業(yè)產(chǎn)品質(zhì)量與經(jīng)濟效益，進而大幅度提升競爭力[3]。作為一種新型農(nóng)業(yè)模式，數(shù)字農(nóng)業(yè)在很大程度上提高了農(nóng)業(yè)生產(chǎn)效率，是“十四五”時期與全面推進鄉(xiāng)村振興重要節(jié)點下的農(nóng)業(yè)創(chuàng)新發(fā)展路徑[4-5]。

數(shù)字農(nóng)業(yè)是促進我國由農(nóng)業(yè)大國向農(nóng)業(yè)強國發(fā)展的途徑，也是農(nóng)業(yè)現(xiàn)代化發(fā)展的旗幟[6]。數(shù)字農(nóng)業(yè)是解決“三農(nóng)”問題的寶典，并將為全面推進鄉(xiāng)村振興發(fā)展起到積極影響[7]。農(nóng)業(yè)農(nóng)村部、中央網(wǎng)絡安全和信息化委員會辦公室印發(fā)的《數(shù)字農(nóng)業(yè)農(nóng)村發(fā)展規(guī)劃》提出，建設數(shù)字農(nóng)業(yè)集成、數(shù)字種植業(yè)、數(shù)字畜牧業(yè)、數(shù)字漁業(yè)、數(shù)字種業(yè)和數(shù)字農(nóng)業(yè)裝備等領域國家創(chuàng)新中心[8]。

目前，關于數(shù)字農(nóng)業(yè)影響因素的研究較多。黃卓等[9]研究發(fā)現(xiàn)，數(shù)字農(nóng)業(yè)發(fā)展融資難的問題可以通過數(shù)字金融得以解決。鐘文晶等[10]認為，現(xiàn)代數(shù)字農(nóng)業(yè)技術急需解決過度依賴的弊端，以促進數(shù)字農(nóng)業(yè)高質(zhì)量進步。陳加乙[11]認為，大數(shù)據(jù)的發(fā)展促進了數(shù)字化生產(chǎn)力的發(fā)展，從而推動數(shù)字農(nóng)業(yè)高質(zhì)量發(fā)展。陸剛[12]研究表明，產(chǎn)業(yè)互聯(lián)網(wǎng)平臺能夠有效促進數(shù)字農(nóng)業(yè)發(fā)展。趙亮[13]研究表明，農(nóng)村經(jīng)濟振興戰(zhàn)略也可以促進數(shù)字農(nóng)業(yè)發(fā)展。舒圣寶等[14]從數(shù)字農(nóng)業(yè)的內(nèi)涵、發(fā)展模式、存在的問題、發(fā)展路徑、評價指標體系和國際經(jīng)驗等方面進行綜述，對數(shù)字農(nóng)業(yè)現(xiàn)有的研究進行評述與展望。已有研究結(jié)果對數(shù)字農(nóng)村發(fā)展做出了歸納和總結(jié)，指出了數(shù)字農(nóng)村目前存在的問題，也為今后發(fā)展提供了切實可行的規(guī)劃意見。

本研究針對數(shù)字農(nóng)業(yè)中重要部分——作物生長模型，通過關鍵詞選定，采用文獻檢索、可視化等分析方法，將收錄于中國知網(wǎng)的文獻進行分析，以期了解數(shù)字農(nóng)業(yè)發(fā)展遇到的問題，促進我國作物生長模型的構(gòu)建和發(fā)展。將更多農(nóng)作物生長過程量化以減少病蟲害或者極端天氣等不利因素對整體農(nóng)業(yè)形勢的影響，進而促進農(nóng)業(yè)的長效發(fā)展。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源

數(shù)據(jù)主要來源于中國知網(wǎng)。利用中國知網(wǎng)的高級檢索功能，以生長模型為一級關鍵詞，進行模糊檢索，并將文獻的發(fā)表時間設定為2003—2023年（數(shù)據(jù)收集時間截至2023年7月），學科勾選為林業(yè)、農(nóng)作物、農(nóng)業(yè)基礎科學、農(nóng)藝學和植物保護5大類，檢索出的中文文獻共有1275篇，其中包含865篇來自學術期刊、387篇學位論文，以及23篇來自會議、成果等。文獻來源范圍廣泛，可作為研究樣本。

本研究對糧食作物、經(jīng)濟作物兩大類農(nóng)作物進行分析，通過人工篩選，在數(shù)據(jù)庫中已選出的結(jié)果中以糧食作物、經(jīng)濟作物為關鍵詞進行檢索，檢索出糧食作物相關中文文獻共計274篇，經(jīng)濟作物相關中文文獻698篇，剩余文獻與本研究主題不符，遂不予選作研究樣本，將所收集文獻進行整理作為本次可視化分析的數(shù)據(jù)來源。

1.2 研究方法

CiteSpace是一種通過繪制的科學知識圖像達到為文獻系統(tǒng)實現(xiàn)分時段、動態(tài)、多層次的信息可視化研究的軟件，也是用研究圖譜的形態(tài)表現(xiàn)某一學科，或某一學科某個方面在一個特殊階段內(nèi)的研究熱點、某一特殊時期內(nèi)的研究趨勢等[15]。將研究文獻進行篩選、分析和整理，排除無關文獻，提煉出與作物生長模型具有相關性的文獻，作為CiteSpace的分析素材，運用CiteSpace6.1.6對所選文獻進行聚類分析和相關中心度計算。

將作物生長模型作為一個整體進行系統(tǒng)性分析，再按照關鍵詞分別從糧食作物和經(jīng)濟作物兩個方面分析作物生長模型的關鍵詞、中心度等，從而通過可視化分析，探究目前作物生長模型的研究重點和發(fā)展趨勢，為作物生長模型的后續(xù)發(fā)展提供借鑒意義。

2 數(shù)據(jù)分析

2.1 作物生長模型總體情況

2.1.1 發(fā)文量

對中國知網(wǎng)收錄、滿足發(fā)布時間在2003—2023年的相關文獻進行發(fā)文量研究，經(jīng)過CiteSpace數(shù)據(jù)格式轉(zhuǎn)換，1275篇文獻中系統(tǒng)識別的文獻共有1245篇，按照年份順序制成折線圖，如圖1所示。國家農(nóng)業(yè)政策的頒布一定程度上影響了作物生長模型的研究數(shù)量[16-19]。

由圖1可知，作物生長模型研究的發(fā)文量總體呈波動趨勢，各年的發(fā)文量大概分布在40～80篇。2003年，相關作物生長模型的發(fā)文量最低，僅34篇。但在2015年作物生長模型有90篇相關研究，達到近20年發(fā)文量的頂峰。并且，作物生長模型發(fā)文量在2003—2008年有小幅波動上升，但由于計算機信息等技術的發(fā)展滯后，還處于研究較少的階段。2008年之后發(fā)文量有了大幅變化，作物生長模型開始迅速發(fā)展，加之植物生理學等相關學科知識的發(fā)展完善及越來越智能的計算機技術予以輔助，作物生長模型在此階段達到發(fā)展頂峰時期。

2.1.2 發(fā)文機構(gòu)分布

根據(jù)中國知網(wǎng)檢索的結(jié)果，對作物生長模型發(fā)文機構(gòu)的分析如表1所示。林業(yè)類相關院校與農(nóng)業(yè)類相關院校是研究作物生長模型的主力軍。其中，北京林業(yè)大學、東北林業(yè)大學、中南林業(yè)科技大學和南京農(nóng)業(yè)大學等發(fā)文量較高，而北京林業(yè)大學遠遠超過了其他院校，出現(xiàn)了斷層式的領先。另外，中國林業(yè)科學院資源信息研究所、南京信息工程大學等對作物生長模型的研究也較多，表明作物生長模型的研究不僅需要農(nóng)業(yè)和林業(yè)技術支持，也需要其他技術的輔助，如信息工程技術、資源環(huán)境信息技術、計算機科學技術等。

2.1.3 聚類分析

將2003—2023年的文獻導入CiteSpace中進行聚類分析，經(jīng)過數(shù)據(jù)格式轉(zhuǎn)換，系統(tǒng)識別的文獻共有1245篇，聚類分析結(jié)果如圖2所示。

由圖2可知，10組類群分別是#0 生長模型、#1 遙感、#2 生長規(guī)律、#3 產(chǎn)量、#4 啞變量、#5 生物量、#6 小麥、#7 水稻、#8 云南松和#9 主伐年齡。關鍵詞頻次也集中在生長模型、生長規(guī)律、生物量等方面，提及數(shù)量最多的作物為冬小麥、人工林等，如表2所示。在作物生長模型的聚類分析中，頻次較高的關鍵詞有生長規(guī)律、人工林、生物量和胸徑等，概括性的總結(jié)了作物生長模型研究過程中的研究對象及用到的參數(shù)變量和方法。趙敏等[20]在總結(jié)并研究已有基于森林資源清查資料的微生物含量估計分析方法的基礎上，根據(jù)森林資源清查資料的主要特征，研究了基于森林資源清查資料的微生物含量估計的主要影響因子，指出其未來的研究發(fā)展目標。

作物生長模型的第2大類群是遙感技術。遙感作為一種對地信息的探測手段，用于作物產(chǎn)量監(jiān)測，其本質(zhì)過程仍然是遙感信息作為輸入變量或參數(shù)，直接或間接地表達作物生長發(fā)育和產(chǎn)量形成過程中的影響因素，單獨或與其他非遙感信息相結(jié)合，依據(jù)一定的原理和方法構(gòu)建產(chǎn)量模型，進而驅(qū)動模型運行的過程[21-22]。尤其是針對冬小麥的作物生長模型，遙感技術發(fā)揮了重要作用。李冰等[23]通過對無人機觀測系統(tǒng)獲取的數(shù)據(jù)進行分析，獲取了冬小麥在不同生長時期的覆蓋度變化情況，研究結(jié)果有助于分析低空無人機平臺在作物生長狀態(tài)檢測等方面的適用性。王鵬新等[24]進行了基于遙感多參數(shù)和IPSO-WNN的冬小麥單產(chǎn)估計的研究，選擇了冬小麥主要生長期內(nèi)與水分脅迫和光合等因素有關的主要植被溫度指標（vegetationtemperatureconditionindex，VTCI）、葉面積指數(shù)（leafareaindex，LAI）和光合有效輻射吸收比率（fractionofabsorbedphotosyntheticallyactiveradiation，F(xiàn)PAR）作為遙感特征參數(shù)，改善梯度下降方法易陷入局部最優(yōu)的缺陷，并構(gòu)建冬小麥產(chǎn)量估測模型。

研究人員在作物生長模型研究中多次應用的名詞是啞變量。啞變量是指用以反映質(zhì)的屬性的一個人工變量，是量化了的自變量，通常取值為0或1。引入啞變量可使線性回歸模型變得更復雜，但對問題描述更簡明，一個方程能達到兩個方程的作用，而且接近現(xiàn)實。陳東升等[25]在進行關于落葉松人工林大中徑材優(yōu)化經(jīng)營模式的研究中，用區(qū)域號作為啞變量，代表樣地立地信息，在傳統(tǒng)模型中引入此啞變量，進行回歸，擬合各區(qū)域的林分調(diào)查因子預估模型，解決了各區(qū)域分量與總體總量相容一致性的問題。

除了啞變量，胸徑也是生長模型不可或缺的一項參數(shù)。胸徑又稱干徑，指喬木主干離地表面胸高處的直徑，斷面畸形時，測取最大值和最小值的平均值。不同喬木的胸徑有差異，不同的國家對胸徑的規(guī)定也有差別。我國和大多數(shù)國家胸徑位置定為地面以上1.3m處。羅恒春等[26]進行了有關滇中地區(qū)云南松林分胸徑生長模型的研究，經(jīng)過不斷地計算和檢驗，證明對云南松林分平均胸徑生長影響較大的環(huán)境因子分別為林齡、地位級指數(shù)、風速、郁閉度和相對濕度等。牟春燕[27]采用了3D角規(guī)法和攝影測量法在宜興市國有林場用手持式電子測樹槍和MINI型攝影測樹儀對毛竹竹高、胸徑等數(shù)據(jù)進行連續(xù)兩個月的觀測，掌握毛竹的生長規(guī)律，總結(jié)出毛竹生長狀態(tài)隨筍出土時間的變化模型。

2.2 糧食作物生長模型

2.2.1 發(fā)文量

由圖3可知，針對糧食作物生長模型研究的發(fā)文量波動較大，大致在15篇上下波動，2012年達到近20年發(fā)文量的峰值，共計26篇，此時，對糧食作物的研究數(shù)達到一個極值，其后大幅下降，2014年跌至谷底，經(jīng)歷了4年（2015—2018年）的波動，最終在2020再次突破20篇，此后再次陷入研究低谷。

2.2.2 發(fā)文機構(gòu)分布

由表3可知，南京農(nóng)業(yè)大學、中國農(nóng)業(yè)大學、西北農(nóng)林科技大學等農(nóng)業(yè)專業(yè)院校對糧食作物生長模型的研究較多，此外還有很多氣象專業(yè)、資源環(huán)境專業(yè)、信息專業(yè)的相關研究所也對此進行了較多的研究，如中國氣象科學研究院、重慶市氣象科學研究所等。

2.2.3 聚類分析

由圖4可知，相關文獻的關鍵詞可以分成生長模型、產(chǎn)量、遙感、冬小麥、作物模型、水稻和小麥7個關鍵詞分組。在生長模型這一分組中，出現(xiàn)了相關旱澇災害、災后恢復等關鍵詞。張建華[28]為了明確洪澇災害對水稻生長過程的定量影響，完善現(xiàn)有的水稻生長模型，進行了大量研究，發(fā)現(xiàn)淹水對水稻的孕穗期影響最大，在此基礎上構(gòu)建了澇害對水稻物質(zhì)分配的定量影響和災后恢復模型。

第2個中心度比較高的關鍵詞是遙感。遙感通過遠距離的探測，將糧食作物的生長情況進行實時反饋，能更詳盡了解糧食作物的生理特性。朱烔[29]通過模擬不同區(qū)域的小麥生長環(huán)境得到模擬數(shù)據(jù)庫，再通過模擬訓練不同日期組合的隨機森林回歸模型，最后將哨兵?2高分辨率衛(wèi)星影像反演的LAI輸入模型集中得到區(qū)域單產(chǎn)。具有觀測范圍大、與觀測樣本無接觸特點的遙感技術，不僅能有利于推動精準農(nóng)業(yè)相關產(chǎn)業(yè)的發(fā)展，還能助力科技興農(nóng)政策的推進。

值得關注的關鍵詞還有產(chǎn)量，農(nóng)作物產(chǎn)量一直是一個關鍵數(shù)值，通過選育優(yōu)質(zhì)品種或者改變農(nóng)作物生長環(huán)境達到提高糧食產(chǎn)量的目的，以及降低極端惡劣環(huán)境對糧食產(chǎn)量帶來的負面影響，是研究人員一直在攻克的難題。孫挺[30]進行了花后高溫對水稻生長及產(chǎn)量形成影響的模擬研究，研究結(jié)果對準確評估未來氣候變化下的作物生產(chǎn)力發(fā)揮重要作用。

針對小麥、玉米等具體作物的研究，研究內(nèi)容包括但不限于糧食作物的施肥情況、葉面積、生產(chǎn)潛力和各時期糧食作物的生長特點等。

2.3 經(jīng)濟作物生長模型

2.3.1 發(fā)文量

由圖5可知，近20年，經(jīng)濟作物生長模型發(fā)展總體呈現(xiàn)上升的趨勢，其發(fā)文總量大于糧食作物發(fā)文量。2012年后的10年間，經(jīng)濟作物生長模型發(fā)文量在40～50篇，其中2015年發(fā)文量達到頂峰。并且與2012年前10年的發(fā)文量相比，后10年的發(fā)文量增長1倍。由此可見，對經(jīng)濟作物生長模型的研究隨著各項技術的發(fā)展正在逐步推進。

2.3.2 發(fā)文機構(gòu)分布

由表4可知，與糧食作物的發(fā)文院校不同，對于經(jīng)濟作物的研究大多集中在北京林業(yè)大學、東北林業(yè)大學、西北農(nóng)林科技大學和福建農(nóng)林大學等林業(yè)相關類院校，中國林業(yè)科學研究院資源信息研究所、國家林業(yè)局調(diào)查規(guī)劃設計院等林業(yè)研究、林業(yè)調(diào)查等研究院所對經(jīng)濟作物的研究也有較大的貢獻。

2.3.3 聚類分析

對經(jīng)濟作物進行聚類分析的結(jié)果如圖6所示，共分為生長模型、生長規(guī)律、胸徑、生物量、啞變量、杉木、天然林、云南松、分配格局、產(chǎn)量差、混合效應、差分方程、產(chǎn)量和競爭因子14個關鍵詞類群。不同于糧食作物的分析結(jié)果，對于經(jīng)濟作物生長模型的關鍵詞分析主要集中在樹干解析、樹高、天然林、杉木和云南松等詞條下。

樹干分析是從樹干的基部到樹梢頂端為止，每隔一定距離所取的橫切面，根據(jù)年輪可以調(diào)查直徑生長經(jīng)過，畫出通過樹干中心而連接起來的縱切面圖（樹干解析圖），以推測直徑、樹高和材積生長過程的方法。黃松殿等[31]采用樹干解析的方法對桂西南地區(qū)擎天樹人工林的生長規(guī)律進行研究，其中，樹高、胸徑的最優(yōu)生長模型是理查德模型，材積最優(yōu)生長模型為考爾夫模型。

對于天然林的生長模型研究重點在于保護和可持續(xù)發(fā)展。近年來，隨著人們對各類自然資源的開發(fā)，天然林覆蓋面積有所減少，天然林出現(xiàn)了不同程度的退化，影響了森林資源質(zhì)量，不利于生態(tài)文明建設[32]。

3 作物生長模型發(fā)展局限性

隨著作物生長模型不斷在實踐中應用，暴露出的問題也越來越多，現(xiàn)有作物生長模型在極端氣候效應模擬、區(qū)域生產(chǎn)力預測、管理方案設計、環(huán)境效應評估等方面還有待進一步改進和完善，迫切需要提出機理性與預測性兼?zhèn)涞木C合性作物生長模型及決策支持系統(tǒng)[33-39]。復雜多變的天氣狀況、計算機能力的制約及輸入數(shù)據(jù)等因素都會影響作物生長模型的構(gòu)建與應用[40]。

3.1 作物生長模型受復雜多變天氣的影響

由于模型的建立是實際經(jīng)驗和理論的結(jié)合，所以模型的精確度不高，并且各個地區(qū)實際的環(huán)境因子情況也不一樣，所以會出現(xiàn)模擬模型與實際情況不符的情況。作物生長模型的建立一般采用假定環(huán)境的方法，假定某地區(qū)的土壤、水分、空氣等環(huán)境因素是同步變化的，但實際田間的土壤各部分所含的濕度、肥料條件等都是不相同的。并且，由于天氣瞬息萬變，會突發(fā)很多限制農(nóng)作物生長或者造成農(nóng)作物減產(chǎn)的因素。所以，模型的建立勢必存在一定的誤差。

其次，多變的天氣給作物生長模型帶來較大的不確定性。即便是通用循環(huán)模型（globalclimatemodel，GCM）也尚無法可靠預測氣候變化，如干旱和暴風雨頻率的變化等可能會嚴重影響農(nóng)作物的產(chǎn)量[40]。

3.2 作物生長模型受計算機能力的限制

作物生長模型受計算機技術發(fā)展情況的限制，由于目前人類對計算機能力的了解還不夠，要想模型越準確所需要的公式或者參數(shù)就會越多，相應的模擬模型也會更加復雜。對于使用者來說，模擬模型會難以操作，因此在保證模型準確的前提下，研究人員要盡可能多地減少參數(shù)、簡化變量，使操作更簡便。

3.3 作物生長模型受輸入數(shù)據(jù)的約束

作物生長模型是一項應用于全國范圍乃至全球范圍的數(shù)學模型，因此如何將作物生長模型的應用范圍擴展是擺在研究人員面前一項難題。結(jié)合地統(tǒng)計學方法處理空間變異信息是目前比較常用的技術。如結(jié)合空間分析技術（geographicinformationsystem，GIS），將空間不均勻的氣候、土壤、作物和水文要素劃分成均質(zhì)性單元，然后在每個單元分別運行作物模型，最后再通過GIS的空間分析能力將各單元模擬結(jié)果進行合并處理，以便獲得整體仿真成果的空間分布[41]。這類技術一定程度上解決了作物生長模型的推廣問題，但由于作物生長所需的養(yǎng)分水分并不是一成不變的，是根據(jù)作物生長情況、周圍環(huán)境狀況等因素實時變化的，因此，結(jié)合地統(tǒng)計學方法只能暫時解決這項難題。

4 結(jié)束語

本研究通過在中國知網(wǎng)檢索關于作物生長模型的文獻研究表明，經(jīng)濟作物的文獻明顯多于糧食作物，并且對于經(jīng)濟作物的研究范圍也遠遠大于糧食作物，對于經(jīng)濟作物生長模型的研究大多是針對杉木、落葉松、云南松等經(jīng)濟價值比較高的樹種，通過利用樹干解析等方法，通過研究胸徑等，分析總結(jié)經(jīng)濟作物的生長過程，提高經(jīng)濟作物的生產(chǎn)效率，規(guī)范農(nóng)民對經(jīng)濟作物的種植。

對于糧食作物的研究雖然不及經(jīng)濟作物范圍廣，但已經(jīng)有了很多層面的研究，主要是針對玉米、小麥等常見的糧食作物開展研究，這些研究廣泛應用了遙感技術，通過遠距離、不接觸，實時監(jiān)測作物的生長情況，預防作物生長狀況欠佳、作物遇病蟲害等事件對糧食產(chǎn)量的影響。

對作物生長模型目前發(fā)展存在的局限性分析表明，針對作物生長模型的不足進行改善和加強，并且不斷更新已經(jīng)構(gòu)建好的模型，使模型的準確性和普適性得到顯著提高。