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)害遙感重點實驗室， 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)等機理過程，以特定時間步長來動態(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，能較為準確地描述光、溫、水、肥等因子以及田間栽培和管理措施對作物生長和發(fā)育的影響[1-2]。自20世紀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[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，在農(nóng)業(yè)遙感監(jiān)測項目(MARS)中建立了專門的作物生長監(jiān)測系統(tǒng)(CGMS)，定時發(fā)布基于作物模型的產(chǎn)量月報[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，我國李振海[10]、帥細強等[11]、陳上等[12]以預(yù)報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。基于作物模型的產(chǎn)量預(yù)報方法主要還是受制于預(yù)報期內(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，還需要對氣候模型的輸出進行糾偏和訂正[16-17]，同時低分辨率的氣候模型模擬的逐日天氣數(shù)據(jù)與氣象站點實測數(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)時不可避免地存在時間和空間尺度不匹配的問題[18]。

為了實現(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)進行降尺度，常用的方法一是統(tǒng)計降尺度[19]和隨機天氣發(fā)生器法等，其中天氣發(fā)生器在作物模型中應(yīng)用較廣，多項研究通過天氣生成器對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)動數(shù)據(jù)[20-21]；二是通過動力學(xué)模型降尺度[22]，該方法利用復(fù)雜的動力學(xué)方程把氣候模型的模擬結(jié)果降尺度到更小的網(wǎng)格和時間尺度上。動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，對極端天氣狀況有較好的模擬效果，但此方法計算復(fù)雜費時，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個數(shù)值天氣預(yù)報集合成員，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行了產(chǎn)量預(yù)報。LEE等[23]則開發(fā)了一種氣象數(shù)據(jù)服務(wù)端，利用站點觀測數(shù)據(jù)和數(shù)值預(yù)報數(shù)據(jù)直接生成ORYZA 2000作物模型的氣象驅(qū)動數(shù)據(jù)，大幅提高了作物模型的部署效率。DUMONT等[24-25]使用STICS作物模型進行了大量的預(yù)報氣象驅(qū)動數(shù)據(jù)比較工作，驗證了使用歷史平均資料和天氣發(fā)生器等不同氣象驅(qū)動策略對當年小麥產(chǎn)量預(yù)報的影響，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算效率則更高。

我國大部地區(qū)為典型的季風氣候，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)報期的驅(qū)動數(shù)據(jù)并不能很好地體現(xiàn)氣象要素的波動性，而且災(zāi)害性的異常天氣會被平滑，這對模擬潛在的產(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行驅(qū)動模擬，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)報的技術(shù)手段得出產(chǎn)量預(yù)報的不確定性，將以往單一數(shù)值的預(yù)報提升為概率預(yù)報[28-29]。

本文以多年氣象資料為依托，以Python平臺的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)報期氣象驅(qū)動數(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)計特征，結(jié)合農(nóng)業(yè)氣象觀測資料與產(chǎn)量統(tǒng)計數(shù)據(jù)分析歷史集合預(yù)報方法的預(yù)報能力和精度，以期為區(qū)域化產(chǎn)量概率預(yù)報提供科學(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個觀測點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，試驗點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)域高時空分辨率地面氣象要素驅(qū)動數(shù)據(jù)集(China meteorological forcing dataset)01.06.0014版本[31-32]，該驅(qū)動數(shù)據(jù)集包括近地面氣溫、地表氣壓、近地面空氣比濕、近地面全風速、降水率和向下長、短波輻射7個要素，空間分辨率為0.1°，時間分辨率為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、風速和降水6個要素。

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平臺的版本PCSE，通過配置豐富的第三方庫，大大加強了模型應(yīng)用的靈活性。

1.4 產(chǎn)量預(yù)報框架

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

傳統(tǒng)的作物模型運行過程只是輸入數(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)動存在著不確定性。如果以集合的思想將作物模型放入一個外部框架內(nèi)，用不同年份的氣象驅(qū)動模擬的結(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)報時刻模擬該年作物生長和產(chǎn)量狀況的概率預(yù)報的集合預(yù)報框架。該框架以Python平臺下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)報時刻氣象集合成員文件生成、分布式PCSE模擬、集合預(yù)報成員后處理等主要功能，從而實現(xiàn)區(qū)域化集合預(yù)報作物長勢和產(chǎn)量的主要功能(圖2)。利用該預(yù)報框架開展產(chǎn)量集合預(yù)報時，首先進行前期數(shù)據(jù)準備，預(yù)先收集作物品種參數(shù)、田間管理信息及播種至預(yù)報時刻的氣象資料，然后根據(jù)預(yù)報時刻生成模型的氣象輸入文件集合，該集合的每個成員文件由播種日至預(yù)報時刻的實際氣象和預(yù)報時刻至成熟日的歷史資料拼接而成，利用該輸入集合進行區(qū)域化的分布式模擬，最終得到模擬產(chǎn)量的集合并進行相應(yīng)的后處理過程。

1.5 驗證方法與誤差分析

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

集合預(yù)報給出的預(yù)報是一個概率分布或者是一個包含多個成員的集合，若需要對集合預(yù)報進行確定性驗證，一般是對集合成員的平均值或集合中位數(shù)進行驗證[40]。集合成員的平均值計算公式為

(1)

Mi——集合成員值

n——集合成員數(shù)量

當有了成員集合后，還可進行某一產(chǎn)量水平的概率預(yù)報，假設(shè)集合中所有成員的權(quán)值相等，計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)與否的標識，當該事件發(fā)生時pi=1，否則為0

平均差會由于差值的正負抵消，因此本文采用平均絕對誤差(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)作為精度評價指標，相關(guān)計算式為

(3)

(4)

(5)

式中m——驗證樣本數(shù)量

i——驗證樣本序號

Fi——第i實測點模型預(yù)報值

Oi——第i實測點觀測值

其中，MAE越小說明預(yù)報越精確，PCC越接近于1說明預(yù)報模型的預(yù)報能力越強。通過對每個觀測點進行1979—2008年的集合模擬，對預(yù)報的誤差進行分布擬合，最后統(tǒng)計3種指標作為預(yù)報能力。

2 結(jié)果分析

2.1 單點預(yù)報分析

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。紅色虛線標記的是該點的實測產(chǎn)量(6 786 kg/hm2)，藍色豎線指示預(yù)報日期，該時刻之前的氣象驅(qū)動資料為2009年實際氣象數(shù)據(jù)，該天及之后的氣象驅(qū)動為1979—2008年的歷史集合成員。結(jié)果顯示預(yù)報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)報時刻的不斷更新，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測值，說明歷史氣象數(shù)據(jù)的集合化表達可以用來部分表達模型模擬的不確定性，在小麥拔節(jié)后期即可得到對小麥長勢、LAI較為準確的集合預(yù)報。

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)，這是因為冬小麥生長前期是以營養(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時期；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；同時根、莖、葉等營養(yǎng)器官中的干物質(zhì)會有部分轉(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，這一時期作物遭受氣象脅迫作用會十分明顯地影響產(chǎn)量，這也說明在后續(xù)實際業(yè)務(wù)預(yù)報中，在冬小麥生長早期集合成員模擬的變異性較大，此時進行預(yù)報效果較差，而最終產(chǎn)量預(yù)報結(jié)果對抽穗—灌漿階段的氣象預(yù)報最為敏感，從生育后期即5月開始進行華北地區(qū)產(chǎn)量預(yù)報有一定的預(yù)報價值。這段時間氣象數(shù)據(jù)的不確定性將決定產(chǎn)量預(yù)報結(jié)果的成敗，因此在生長早期進行業(yè)務(wù)產(chǎn)量預(yù)報時還需要結(jié)合中長期的數(shù)值天氣預(yù)報產(chǎn)品。

圖3 深州市觀測點4個預(yù)報時期的LAI和TWSO集合模擬值與實測值對比Fig.3 Comparison of simulated and measured values of LAI and TWSO in four forecast periods of Shenzhou City

圖4 2009年深州市實測點不同起報時刻的冬小麥產(chǎn)量滾動集合預(yù)報及其箱形圖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)報分析

通過分布式區(qū)域化模擬預(yù)報，得到研究區(qū)內(nèi)區(qū)域化的產(chǎn)量集合預(yù)報結(jié)果。為了對產(chǎn)量預(yù)報結(jié)果進行驗證，本文以預(yù)報的集合中值產(chǎn)量和實測點產(chǎn)量進行對比驗證，可以看出隨著預(yù)報日期的推進，研究區(qū)南部和北部的產(chǎn)量差異加大，南部預(yù)報的產(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(圖6)，可以看出在2月初開始預(yù)報時，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)報時刻的推進，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)報性能定量分析

圖5 2009年8個預(yù)報時期下區(qū)域化集合產(chǎn)量預(yù)報(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個預(yù)報時期下產(chǎn)量高于7 500 kg/hm2的概率預(yù)報Fig.6 Probability forecast for event of production above 7 500 kg/hm2 on eight forecast dates in 2009

為了進一步評估集合預(yù)報的性能和誤差，本文對所有田間實測點的產(chǎn)量集合預(yù)報進行了統(tǒng)計，根據(jù)實測點的實測產(chǎn)量計算16個預(yù)報時期集合中位數(shù)的驗證指標MAE、RMSE、PCC。16個預(yù)報時期的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)報對于本年的產(chǎn)量有一定的預(yù)報能力，相對誤差在6.6%左右，集合中位數(shù)與實測值相關(guān)性也較好，說明歷史氣象集合的變異性很好地表達了氣象輸入?yún)?shù)的不確定性，有助于概率預(yù)報和數(shù)據(jù)等應(yīng)用。但隨著預(yù)報期的推進集合中位數(shù)的誤差指標收斂較慢，直到5月中旬左右預(yù)報的性能達到最大值，說明氣象數(shù)據(jù)的不確定性仍然不足以完全表現(xiàn)實際產(chǎn)量的不確定性，尤其是潛在模式下模型對于水分脅迫和土壤特性的影響沒有得到表達，而且受制于氣象驅(qū)動數(shù)據(jù)空間分辨率的限制，對于精細尺度的產(chǎn)量無法僅憑氣象數(shù)據(jù)進行預(yù)報。

圖7 衡水市實測點不同起報時刻下產(chǎn)量滾動預(yù)報的集合中位數(shù)驗證結(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)動數(shù)據(jù)，利用作物模型模擬作物生長需要完整描述整個生育期的氣象數(shù)據(jù)，缺乏預(yù)報期氣象驅(qū)動數(shù)據(jù)是制約作物模型應(yīng)用于產(chǎn)量預(yù)報的主要瓶頸，因而目前作物模型的應(yīng)用主要局限于歷史產(chǎn)量估測、單點模擬驗證等，而作物模型機理明確、可擴展性強的優(yōu)勢沒有得到發(fā)揮。氣象歷史資料對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)報期的輸入資料。本文采用潛在模式下的WOFOST模型作為預(yù)報模型，對2009年衡水保定地區(qū)的冬小麥產(chǎn)量進行了模擬預(yù)報，并使用集合預(yù)報的方法進行了后處理，結(jié)果發(fā)現(xiàn)基于歷史氣象的集合預(yù)報可以進行本年產(chǎn)量的預(yù)報，相對誤差在6.6%左右，預(yù)報精度較好，表明該方法可以作為缺乏預(yù)報期氣象資料時的補充手段，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。

本文從3月開始進行滾動預(yù)報，3月初模型即有一定預(yù)報能力(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年的氣象要素變率；而且預(yù)報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，直到灌漿中后期達到最高預(yù)報精度，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、管理措施對于產(chǎn)量的變異性有很強的影響，各種輸入?yún)?shù)的變異性共同構(gòu)成了產(chǎn)量的變異性，為了進一步提高產(chǎn)量區(qū)域化預(yù)報的精度，需要對敏感參數(shù)進行區(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)進行參數(shù)區(qū)域化是進行模型產(chǎn)量預(yù)報的重要前期過程。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)同化將會在模型產(chǎn)量預(yù)報方面有很大的潛力。

作物生長模型是一個非線性的復(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)報的技術(shù)手段可以得到預(yù)報值不確定性信息，本文采用集合預(yù)報的思想進行了作物模型模擬，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)擾動都可以用來生成預(yù)報集合[42-43]，這樣的超級集合更有助于表達整個系統(tǒng)的不確定性，為提高模擬精度、概率預(yù)報和數(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)報是產(chǎn)量預(yù)報的發(fā)展方向，因此使用集合預(yù)報的思想進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)報對技術(shù)方案的可行性和誤差進行了實驗，而本文的技術(shù)方案還需要更多驗證，多年大區(qū)域的驗證實驗還有待進行，而且解決預(yù)報期天氣輸入的根本方法在于結(jié)合數(shù)值天氣預(yù)報，對于集合數(shù)值預(yù)報和作物模型的結(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)動建立預(yù)報集合，集合的平均值與實測產(chǎn)量PCC最高為0.563，MAE最低為458 kg/hm2,表明歷史氣象集合對于本年度的作物產(chǎn)量具有一定的預(yù)報能力，能夠作為預(yù)報期的氣象數(shù)據(jù)補充手段，而集合的平均值或中位數(shù)能否代表當年實際氣候變異下的模擬產(chǎn)量，取決于在歷史氣象集合中當年氣象條件的一般性。

(2)抽穗至灌漿時期是作物產(chǎn)量形成的關(guān)鍵期，冬小麥產(chǎn)量對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)報有最高的預(yù)報精度。因此為進一步提高基于作物模型的產(chǎn)量預(yù)報精度，需要準確的抽穗至灌漿時期的氣象參數(shù)，作物模型與中長期數(shù)值預(yù)報結(jié)合是提高預(yù)報時效的必然要求。

(3)現(xiàn)階段研究在潛在模式下模擬預(yù)報，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)報精度難以進一步提高，為了解決輸入?yún)?shù)的估計問題，與遙感觀測進行數(shù)據(jù)同化是可能的解決途徑。