基于聚類法篩選歷史相似氣象數(shù)據(jù)的玉米產(chǎn)量DSSAT-CERES-Maize預測

陳 上，竇子荷，蔣騰聰，李華龍，馬海姣，馮 浩，于 強，何建強,※

?

基于聚類法篩選歷史相似氣象數(shù)據(jù)的玉米產(chǎn)量DSSAT-CERES-Maize預測

陳 上1,2，竇子荷1,2，蔣騰聰1,2，李華龍1,2，馬海姣1,2，馮 浩2,3，于 強3，何建強1,2,3※

（1. 西北農(nóng)林科技大學旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室，楊凌 712100； 2.西北農(nóng)林科技大學中國旱區(qū)節(jié)水農(nóng)業(yè)研究院，楊凌 712100；3. 中國科學院水利部水土保持研究所，楊凌712100）

根據(jù)陜西楊凌、合陽、長武3個站點各2 a玉米試驗，在對玉米生長模擬模型CERES-Maize進行調試、驗證的基礎上，探索在生育期內進行動態(tài)產(chǎn)量預測的方法并驗證。研究將目標生育期內未知氣象數(shù)據(jù)分別用試驗地的多年歷史同期數(shù)據(jù)代替，結合生育期實時數(shù)據(jù)對應生成多個完整的氣象數(shù)據(jù)序列運行模型預測產(chǎn)量。隨著生育期的推進，逐日在氣象數(shù)據(jù)序列中融入目標年實測的氣象數(shù)據(jù)，從播種至收獲動態(tài)模擬玉米產(chǎn)量。此外該研究使用改進前后的-NN算法從歷史氣象年份中篩選目標年的氣象相似年份進而預測產(chǎn)量。通過對3種方法預測精度及預測效率對比，確定改進的-NN算法最優(yōu)。研究表明，玉米生育前期產(chǎn)量預測可靠性和準確率均較差，抽雄后預測精度迅速提高；利用改進的-NN算法在3個站點全生育期預測產(chǎn)量的平均絕對相對誤差的均值分別為9.9%、19.8%、17.9%，抽雄后預測產(chǎn)量的平均絕對相對誤差在0.2%～12.6%之間，相比于使用全部歷史年份數(shù)據(jù)進行全生育期產(chǎn)量預測，模擬所需時間從61 min縮短至25 min。對該方法中降雨因子的篩選進一步改進可提高預報精度，未來有望達到業(yè)務應用水平。

聚類；氣象預報；模型；玉米；產(chǎn)量預測；CERES-Maize；-NN

0 引 言

玉米是中國最主要的糧食和經(jīng)濟作物之一，2015年以來連續(xù)4 a為中國產(chǎn)量第1位的糧食作物[1]，對其長勢和最終產(chǎn)量進行動態(tài)預測非常重要。

作物生長是光合同化物累積的過程，籽粒產(chǎn)量依賴于其生育期內的氣象要素以及人為管理措施[2]，準確量化產(chǎn)量形成過程較為困難。自20世紀80年代以來，氣象、農(nóng)業(yè)等多個部門開始應用計算機模擬和遙感技術等手段進行農(nóng)業(yè)產(chǎn)量預測研究，主要方法包括氣象學方法[3]、農(nóng)業(yè)生物學方法[4]、經(jīng)濟計量因子預測法[5]、基于遙感技術的綜合性產(chǎn)量預測方法[6]以及作物生長模型模擬[7]等。其中，前3種方法可以較為快捷地進行產(chǎn)量預測，但是預測精度取決于已建經(jīng)驗模型的因子，機理性較差且需要進行大量的調研；遙感手段結合其他方法可以在較大范圍進行快速預測，但是其監(jiān)測的是電磁波信號而非直接的作物生長狀態(tài)，因此預測精度受天氣狀況和反演方式等因素的干擾較大[8]。作物生長模型（簡稱作物模型）具有較強的機理性以及模擬研究低成本等特點，近年來田間試驗結合作物模型模擬的研究方法受到了廣泛的關注[9-10]。DSSAT（decision support system for agrotechnology transfer）是目前使用最廣泛的作物模型之一，可逐日模擬多種不同作物的生長發(fā)育過程，計算各影響因子對產(chǎn)量的影響[11-12]。DSSAT模擬系統(tǒng)中專門用于玉米生長模擬的CERES- Maize模型[13]被廣泛用于氣象狀況對玉米產(chǎn)量影響的研究[14-18]。作物模型的本質是建立作物生長發(fā)育（包括最終產(chǎn)量的形成）與天氣、土壤等環(huán)境條件以及管理措施之間的定量化函數(shù)關系[7]，應用其進行產(chǎn)量預測可以彌補統(tǒng)計類模型生物意義不明確的缺陷[19]?，F(xiàn)有的主流作物模型在模擬作物生長時通常是估測品種、管理、環(huán)境3因素之間的相互作用，而種植品種、管理措施相對確定，生育期內未知氣象數(shù)據(jù)的生成是利用作物模型進行產(chǎn)量預測的關鍵[20]。利用統(tǒng)計學模型進行產(chǎn)量預測時，使用歷史多年氣象數(shù)據(jù)的均值作為模型的輸入?yún)?shù)，但由于作物生長對環(huán)境響應的非線性，使用該方法進行產(chǎn)量預測存在一定問題[21-22]。近年來利用大氣—海洋—陸面模式的氣象預測研究廣泛開展，相應開發(fā)基于過程的農(nóng)學、生態(tài)學和水文學綜合模擬模型為產(chǎn)量預測提供了新的解決方案[23-24]，但是這類模型生成的氣象數(shù)據(jù)與目標年份通常存在時空不匹配的問題[25]。此外，還有研究利用氣象發(fā)生器生成一般作物模型需要的日步長氣象數(shù)據(jù)序列[26-28]?，F(xiàn)有的氣象發(fā)生器主要分為參數(shù)型和非參數(shù)型2大類，參數(shù)型氣象發(fā)生器通常以降雨因子為驅動變量，先模擬降雨發(fā)生時間以及降雨量，再模擬其余氣象因子[29-30]，但其主要缺點是無法準確模擬干旱以及長時間的降雨[31]，盡管很多人對其進行改進但仍不理想[32-33]，非參數(shù)型氣象發(fā)生器并不需要對氣象因子的分布進行假設且各氣象因子之間相互獨立[34]，故成為氣象要素預測研究中一類非常重要的方法。

氣象數(shù)據(jù)作為典型的時空數(shù)據(jù)，在時間上具有時間序列特征，在空間上又存在著地理空間相似性[35]，而區(qū)域氣象數(shù)據(jù)時空相似性是農(nóng)業(yè)氣候區(qū)劃的主要依據(jù)[36]，因此在同站點多年歷史情境中可以找到與目標年份氣象要素相似的年型，基于相似年型的氣象數(shù)據(jù)進行產(chǎn)量預測已經(jīng)開展大量工作[37-40]。此類非參數(shù)方法需要計算目標年已有氣象數(shù)據(jù)與該站點多年歷史同日期氣象數(shù)據(jù)之間的歐氏距離（Euclidian distance）并進行幾何聚類分析，從歷史年份中挑選出與目標年已有天氣模式類似的相近年型（analogue years），再使用其數(shù)據(jù)進行產(chǎn)量預測。本研究使用最近鄰算法（nearest neighbor，NN）篩選相似年型，目前該方法已經(jīng)在多地應用于天氣預測的研究[41-43]。不設定值時，即用研究站點所有的歷史氣象數(shù)據(jù)作為未來氣象的可能情境來補充目標年生育期內的未知氣象數(shù)據(jù)，但這種方法計算量較大、預測結果的不確定性較高；此外，有研究發(fā)現(xiàn)NN算法可以從歷史年份中較好地篩選出與目標年最高溫度、最低溫度以及陽光輻射較為相似的年份，但是對降雨的篩選效果較差[44]，而降雨對作物生長發(fā)育和產(chǎn)量形成至關重要，所以有必要對現(xiàn)有的NN算法進行改進以提高產(chǎn)量預測的精度。

本研究將DSSAT-CERES-Maize模型引入到玉米產(chǎn)量預測研究中，主要目的包括：1）建立基于歷史氣象數(shù)據(jù)和DSSAT-CERES-Maize模型的玉米產(chǎn)量預測方法；2）改進現(xiàn)有的NN方法以提高上述產(chǎn)量預測方法的效率，并降低預測的不確定性。

1 模型及數(shù)據(jù)篩選

1.1 DSSAT-CERES-Maize模型

DSSAT模型是目前使用最為廣泛的作物模型系統(tǒng)之一[11, 45]，能夠模擬作物營養(yǎng)生長和生殖生長發(fā)育過程、作物光合作用、呼吸作用、干物分配和植株生長以及衰老等基本生理生態(tài)過程。DSSAT包括一維土壤水平衡模塊和一維土壤氮素平衡模塊，其內嵌的CERES系列模型最早由美國農(nóng)業(yè)部農(nóng)業(yè)研究服務署（USDA-ARS）主導于20世紀70年代開始研發(fā)，已在全球得到廣泛的應用[46-47]。CERES-Maize是CERES（crop environment resource syntheses system）系列模型中專門用于模擬玉米生長發(fā)育和產(chǎn)量形成的模型，該模型以作物系統(tǒng)模塊的形式在DSSAT-CSM（cropping system model）公共平臺上運行。為提高模擬精度，該模型特別考慮了玉米受基因型以及天氣因素影響的物候發(fā)育階段、葉莖根的生長、生物量的累積和分配、土壤水分平衡，以及作物水分利用等重要過程[48]。

DSSAT模型主要輸入?yún)?shù)分為環(huán)境和人為管理2大類，環(huán)境參數(shù)包括天氣數(shù)據(jù)、土壤理化特征、水肥初始狀態(tài)等；人為管理措施主要包括播種、灌溉、施肥、耕作方式等。由于該模型以日為步長模擬作物生長過程，因此其輸出結果包括干物質、葉面積指數(shù)、籽粒質量、土壤水分等參數(shù)的逐日變化動態(tài)以及最終產(chǎn)量、物候期、最大葉面積指數(shù)、總葉片數(shù)等。

1.2 氣象文件的生成

1.2.1 利用歷史同期氣象數(shù)據(jù)直接替代未知數(shù)據(jù)

對于生育期內未知的氣象數(shù)據(jù)，分別利用歷史年份的相應數(shù)據(jù)進行替代，結合已實測數(shù)據(jù)生成對應年份數(shù)量的氣象文件（即播種至預報日使用當年實測氣象數(shù)據(jù)，預報日至收獲日用歷史各年氣象數(shù)據(jù)替代[37]），隨著生育期的推進將逐日實測的氣象數(shù)據(jù)動態(tài)融入，不斷生成產(chǎn)量模擬所需的氣象數(shù)據(jù)序列,即可對該季玉米產(chǎn)量進行動態(tài)預測。

1.2.2 利用NN算法篩選氣象相似年份

NN植根于模式識別，基于該方法可以在目標空間（如具有觀測值的歷史年份）中尋找一個與定義了矢量特征的目標對象類似的模式[49]，通過設置不同的判斷標準，可以篩選出具有不同相似程度的結果。Bannayan等[44]已經(jīng)較詳細地描述了應用NN算法進行氣象預測的原理以及計算流程。對于選定的站點，計算目標年份已有的每天氣象數(shù)據(jù)與歷史同日氣象數(shù)據(jù)的歐氏距離d，由于CERES-Maize模型運行需要逐日的4個不同的氣象因子（最高氣溫max、最低氣溫min、降雨Rain、太陽輻射SRAD）的數(shù)據(jù)且量綱不同，因此在計算歐氏距離時首先要對各氣象因子數(shù)據(jù)進行標準化：

V=(–min)/(max–min) （1）

式中為氣象變量；V為標準化后的氣象變量；max、min分別為該氣象變量在整個數(shù)據(jù)空間中的最大、最小值。在本研究中max、min分別為已有歷史氣象數(shù)據(jù)中該變量所有值的最大和最小值。

歐氏距離計算如下：

式中d為玉米生育期第天目標年份和歷史年份的4個不同氣象變量之間的總體歐氏距離；sijn為第天目標年份的第個標準化氣象變量；Vmjn為第天歷史年份的第個標準化氣象變量。

本研究設置的鄰數(shù)為10，即從1月1日起每天挑選歐氏距離最小的10個歷史年份作為該日的氣象近似年份，然后從預測日期之前各日挑選的近鄰中篩選10個出現(xiàn)頻率最高的年份，作為截止該日目標年的近似年份。

1.2.3 利用改進NN算法篩選氣象相似年份

上述一般的NN算法通過計算逐日4個氣象變量的綜合歐氏距離來判斷不同年份天氣模式的接近程度，從而篩選出氣候相似年份。但對作物生長而言，作物的生長發(fā)育通常受階段性的積溫、累積降雨等因素的影響較大（冷害、冰雹等極端瞬時天氣事件除外），例如降雨發(fā)生時間早、晚1 d對作物生長的影響幾乎可以忽略不計，但是使用NN算法篩選的相似年份卻會有很大的區(qū)別。因此，本研究對一般的NN算法進行改進，使用某一研究日期前若干天（本研究取7 d）氣象數(shù)據(jù)的均值作為該日的實際氣象數(shù)據(jù)（式（3）），進而計算新的歐氏距離d￠，再據(jù)此從歷史年份中篩選目標年的相似年份。

式中￠sijn為目標年內第天的4個氣象因子中的第個因子在該日前7 d的均值?！閟mjn為歷史年內第天的4個氣象因子中的第個因子在該日前7 d的均值。

2 模型應用

2.1 試驗區(qū)概況

本研究選取陜西省楊凌西北農(nóng)林科技大學旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室節(jié)水灌溉試驗站（34°17′N，108°04′E，506 m)、合陽縣甘井鎮(zhèn)西北農(nóng)林科技大學旱作農(nóng)業(yè)試驗站（35°19′ N，105°05′ E，900 m）以及長武縣中國科學院長武黃土高原農(nóng)業(yè)生態(tài)試驗站（35°14′N，107°41′E，1 220 m）3個試驗站。以這3個站點各自2 a的試驗數(shù)據(jù)及歷史已有氣象實測值（表1和表2）來建立并驗證產(chǎn)量預測方法。

3個試驗站玉米種植均無灌溉措施，全部肥料作為基肥在播種前施入，其余耕作措施和當?shù)亓晳T一致。生育期以全小區(qū)50%植株達到發(fā)育要求為標準，記錄玉米出苗、抽穗、成熟的日期。生物量和產(chǎn)量通過將玉米各器官分離稱鮮質量，而后分別裝于紙袋，在105 ℃下殺青30 min后，在80 ℃下烘干至質量恒定，分別測定各器官干物質量。收獲期在各小區(qū)隨機選取10株測定穗質量、行數(shù)、穗粒數(shù)以及百粒質量從而確定產(chǎn)量構成要素。本研究所需的氣象數(shù)據(jù)由國家氣象科學數(shù)據(jù)共享服務平臺獲取，土壤參數(shù)通過實地取樣測定，管理措施根據(jù)當?shù)貙嶋H情況進行。

表1 不同站點歷史氣象數(shù)據(jù)

表2 不同試驗站點信息

注：田間持水量、凋萎系數(shù)和容重為0～100 cm各層土壤平均值，pH值、有機碳質量分數(shù)為0～20 cm土層平均值。

Note: The values of field capacity, permanent wilting point and bulk density are mean across soil depths of 0-100 cm; and pH value and organic carbon are means across 0-20 cm soil depth.

2.2 產(chǎn)量預測結果評價指標

由于生育期內氣象數(shù)據(jù)的未知性，通常無法得到一個確切的預測結果，因此本研究將逐日預測的多個產(chǎn)量的分布范圍作為該日產(chǎn)量預測的結果，采用3個指標對預測結果進行評價：1）絕對相對誤差（absolute relative error，ARE），即相對誤差的絕對值；2）變異系數(shù)（coefficient of variation，CV）評價每日預測產(chǎn)量的離散程度即可靠度；3）平均絕對相對誤差（mean absolute relative error，MARE）來評價產(chǎn)量預測值和實際值之間的差異，式（5）。

式中含義同上式；￠為已有歷史氣象數(shù)據(jù)的年份數(shù)；為第個歷史年份；為目標年玉米實際產(chǎn)量；Y為生育期內第天使用第年的歷史氣象數(shù)據(jù)生成氣象的氣象文件運行模型所預測的玉米產(chǎn)量。

3 結果與分析

3.1 模型適用性評價

在CERES-Maize模型中分別輸入3個站點的土壤、管理以及品種數(shù)據(jù)，結合試驗年份的氣象數(shù)據(jù)分別模擬個品種玉米各2季的生長，結合田間實測物候期以及生物量等數(shù)據(jù)對模型的適用性進行評價（表3）?？傮w而言，3個品種所估計的參數(shù)在各自站點模擬精度均較好，各參數(shù)模擬值與實測值的ARE在0~13.3%之間。相比于抽雄期，成熟期的模擬結果略差，主要因為玉米成熟期的監(jiān)測較為困難，且在各站點試驗過程中每年播種、收獲基本為相同日期，可能與玉米的實際生育狀態(tài)存在差異。模擬誤差最大的是生物量，因為在參數(shù)估計時并未使用生物量這一參數(shù)，但是ARE仍不超過15%。因此，CERES-Maize模型適用于楊凌、長武以及合陽這3個站點。

表3 不同站點基于CERES-Maize模型的模擬值（Sim.）與實測值（Obs.）對比

注：ARE為絕對相對誤差。Nate: ARE is absolute relative error.

3.2 直接利用歷史氣象數(shù)據(jù)產(chǎn)量預測結果分析

利用陜西省3個不同站點（楊凌、合陽、長武）各2個不同年份的試驗數(shù)據(jù)來檢驗本研究所建立的夏玉米產(chǎn)量預測方法，以長武春玉米產(chǎn)量預測為例，如圖1所示。玉米生育期內預報日之后的未知氣象數(shù)據(jù)分別用各站點歷史同期氣象數(shù)據(jù)替代生成完整氣象數(shù)據(jù)序列，結合CERES- Maize模型逐日預測產(chǎn)量（圖1，數(shù)據(jù)點時間間隔為5 d）。

注：箱圖表示從播種之日起每隔5 d的預測產(chǎn)量。箱圖上下邊緣分別表示模擬產(chǎn)量的75%和25%百分位數(shù)，上下誤差棒分別表示90%和10%百分位數(shù)。

整體來看（圖1），2 a的實際產(chǎn)量均在逐日預測結果的范圍內，逐日預測的產(chǎn)量在生育前期的分布范圍較廣，隨著生育期的推進，合成的氣象序列中實測氣象數(shù)據(jù)所占據(jù)的比例不斷增加，逐日預測產(chǎn)量的分布范圍并沒有明顯隨之減小，如2011年播后30、60、90 d預測產(chǎn)量的范圍分別為3 531～14 461、3 413～14 828、961～13 210 kg/hm2，而是在約90 d的時候才開始迅速收斂，如播后100、130 d預測產(chǎn)量的范圍為4 933～10 826、8 484～10 565 kg/hm2。在長武地區(qū)播后90 d對應春玉米的抽雄期，此時玉米完成營養(yǎng)生長，由氣象的未知性而導致的產(chǎn)量預測的未知性降低，可預測性大大提高。另一方面，模擬的產(chǎn)量直接受驅動模型的氣象數(shù)據(jù)決定，部分年份的氣象情形過于理想或者過于惡劣即屬于低頻年型（圖1中的異常點）均對預測產(chǎn)量的范圍產(chǎn)生影響，因此可以對逐日預測產(chǎn)量取不同百分位數(shù)進行范圍篩選。

為了進一步分析生育期內產(chǎn)量預測精度的變化狀況，計算3個站點生育期內每日多個模擬產(chǎn)量的CV以及MARE，為了表述簡潔設定數(shù)據(jù)點間隔為10 d，如圖2所示。

注：YL，楊凌；HY，合陽；CW，長武

圖2表明，合陽站點的春玉米生育期與長武相近，抽雄期約為播后80 d；楊凌的夏玉米抽雄期約為播后60 d。整體而言3個站點每日模擬產(chǎn)量的CV和MARE在生育前期沒有明顯規(guī)律、在抽雄附近時段均有一個迅速下降的過程，抽雄后逐日預測產(chǎn)量的CV和MARE均小于20%。楊凌2 a產(chǎn)量模擬的2個指標（CV最大值為26.2%，MARE最大值為22.0%）明顯小于另外2個站點，這主要是因為合陽和長武地區(qū)處于渭北旱塬，降雨量年際變化大且蒸發(fā)強烈，其余氣象因子的變化空間大于楊凌；相比之下楊凌處于關中平原腹地，農(nóng)業(yè)生產(chǎn)系統(tǒng)的穩(wěn)定性高于另外2個站點。對于模擬所需時間，以長武2011年春玉米全生育期產(chǎn)量模擬為例，該年全生育期為150 d，使用歷史氣象年份為1957－2014共58 a，合計生成8 700個氣象文件并逐次調用DSSAT模型、篩選模擬結果，就筆者使用的計算機處理器（Intel（R）Core（TM）i7-7700 CPU @ 3.60 GHz，下同）而言，完成1個生育期的產(chǎn)量模擬需要61 min，因此有必要對運算過程進行優(yōu)化并尋找提高預測精度的產(chǎn)量預測方法。

3.3 基于改進前后的K-NN算法預測的產(chǎn)量結果分析

對3個站點共6個生長季分別應用全部歷史年份、改進前后的NN算法從歷史多年氣象數(shù)據(jù)中挑選的相似年型數(shù)據(jù)用于產(chǎn)量模擬，分別計算逐日產(chǎn)量預測值的CV和MARE（表4）。

表4 基于不同氣象數(shù)據(jù)替代方法在3個站點預測產(chǎn)量精度對比

注：最小值為距收獲最近一次的模擬結果。

Note：The minimum vale is related to the last simulation before harvest.

從6個生育期的整體模擬結果來看（表4），改進后的NN算法模擬精度最高：3個站點全生育期不同時段預測產(chǎn)量的CV的均值為11.7%、23.8%、23.3%，MARE的均值分別為9.9%、19.8%、17.9%，即通過在歷史年份中篩選與目標年份一段時間內氣象要素平均值得到的相似年型的數(shù)據(jù)進行產(chǎn)量預測，在玉米生長的大部分年份可以取得較好的產(chǎn)量預測結果，但其中合陽站模擬效果較差，比較該站點2季玉米產(chǎn)量預測發(fā)現(xiàn)，CV和MARE最大值出現(xiàn)在2011年播后70 d，合陽該年播后前70天累計降雨63.2 mm，遠低于同時段該地區(qū)多年平均降雨量114.4 mm，即出現(xiàn)嚴重的伏旱，為相似年型的篩選造成影響。此外楊凌站點模擬結果的CV和MARE最大值遠小于其余站點，但最小值大于其余站點。這主要因為楊凌地區(qū)多年氣候要素較為穩(wěn)定，且種植的夏玉米生育期只有春玉米的2/3左右，而模擬結果的最小值取得是收獲前10 d的模擬結果，此時夏玉米生長仍處于旺盛時期、產(chǎn)量可變范圍較大，而對于春玉米而言此時生長已非常緩慢，所以楊凌模擬的最優(yōu)精度低于另外2個站點。

為了進一步分析3種產(chǎn)量預測方法在不同時段預測效果的優(yōu)劣，分析長武2011年全生育期16個時段共進行的48次產(chǎn)量預測（圖3），其中應用改進的-NN預測精度最優(yōu)（CV和MARE均最?。┱?3個時段，而應用一般-NN算法預測精度優(yōu)于使用全部歷史年份占8次，此外3種方法預測結果的CV的最大值、最小值、均值分別為：47.5%、47.3%、41.4%；2.0%、2.2%、1.5%；29.9%、29.3%、22.9%；MARE的最大值、最小值、均值分別為：40%、35.7%、34.4%；2.4%、1.9%、1.5%；26.6%、21.6%、18.1%，即改進后的-NN算法能夠對使用全部歷史氣象數(shù)據(jù)進行產(chǎn)量預測的方法進行優(yōu)化，但是一般-NN算法卻不能，這主要是因為一般的NN算法只是一種簡單的機器學習算法，使用該方法得到的是與目標年每日4個氣象因子數(shù)值上較為相似的年份，但是氣象要素對作物生長發(fā)育過程的影響通常是階段性的而非瞬時性的（冰雹、冷害等極端氣象事件除外）。例如，降雨發(fā)生的時間提前或者推遲1~2 d對作物生長的影響幾乎可以忽略不計，真正產(chǎn)生影響的是某一生長階段的總降雨量；影響作物發(fā)育速度的也不是具體某一天的最高氣溫和最低氣溫，而是某一階段的平均氣溫與積溫。使用一般的NN算法挑選的相似年份并不能真正體現(xiàn)氣象要素對作物生長的影響，因此使用其篩選年份的氣象數(shù)據(jù)預測產(chǎn)量的精度總體較差；而本研究使用改進的-NN算法依據(jù)連續(xù)7 d的氣象因子的平均值篩選相似年型，故整體上提高了產(chǎn)量預測精度，但該方法同時弱化了極端氣象事件在實際中的低頻型，所以當生育期內某一時段內出現(xiàn)此類氣象狀況時，在對應時段篩選的相似年型將與實際年份存在較大差異，繼而導致在該階段預測產(chǎn)量變差。其次，使用3種方法在玉米抽雄前預測產(chǎn)量的誤差均較大，但抽雄后CV和MARE的最大值分別為18.5%和14.5%，遠低于生育前期。此外，改進前后的-NN算法預測全生育期逐日的產(chǎn)量所用的時間分別為14 min、25 min，遠低于使用全部歷史氣象數(shù)據(jù)進行預測所需時間。因此改進的-NN算法相比于使用全部歷史年份的產(chǎn)量預測方法而言，提高預測精度的同時能夠明顯縮短產(chǎn)量預測時間。

圖3 基于不同氣象數(shù)據(jù)替代方法的長武2011年春玉米預測產(chǎn)量的變異系數(shù)和平均絕對相對誤差的動態(tài)

4 討 論

4.1 預測產(chǎn)量的分布規(guī)律

作物生長是光合產(chǎn)物累積的過程，生育期內每天的天氣狀況都會對最終的作物特性產(chǎn)生影響[50]。從播種到收獲，隨著合成的氣象數(shù)據(jù)序列中實測數(shù)據(jù)所占據(jù)比例逐漸增加，由氣象因素變異性所產(chǎn)生的產(chǎn)量預測不確定性將逐漸減少，即產(chǎn)量預測精度逐漸提高[51]。但是通過本研究3個站點（楊凌、合陽、長武）各自2 a共計6個不同生長季的玉米產(chǎn)量預測結果可以發(fā)現(xiàn)整個生育期內預測產(chǎn)量的分布并非一開始就隨著已知氣象數(shù)據(jù)的增加而立即開始收斂，而是前期分布較為分散，直到抽雄之后逐漸開始收斂。

玉米產(chǎn)量形成涉及到“源”、“流”和“庫”3個方面，其中“源”即光合器官提供的光合產(chǎn)物是籽粒產(chǎn)量形成的根本來源[52]。玉米籽粒有機物的“源”主要有2個部分，約2/3來由光合器官在灌漿期合成有機物的直接輸入，1/3主要通過莖、葉等器官在營養(yǎng)生長階段存儲有機物活化后輸入籽粒[53]。抽雄后，莖稈等存儲的有機物含量隨之確定下來，同時抽雄至乳熟末期玉米群體葉面積也處于高而穩(wěn)定的時期，此時氣象因素對作物產(chǎn)量的限制性影響已經(jīng)越來越小，此時逐日模擬產(chǎn)量的分布隨著實測氣象數(shù)據(jù)增加而逐漸收斂趨近于實際模擬產(chǎn)量。

4.2 應用K-NN算法的玉米產(chǎn)量預測結果

傳統(tǒng)產(chǎn)量預測方法主要是基于多站點實地取樣分析建立統(tǒng)計模型，此類方法一方面需要大量數(shù)據(jù)用于建模，需要大量時間以及人力；另一方面機理性較差，對生育期內實測氣象數(shù)據(jù)的響應較弱。用以日為步長模擬作物生長的模型可以根據(jù)生育期內實測氣象數(shù)據(jù)進行逐日產(chǎn)量預測，但是作物模型通常在站點尺度上進行作物生長發(fā)育過程的模擬，而產(chǎn)量預測往往需要在較大的空間尺度進行，因此有必要將作物模型與衛(wèi)星、無人機等遙感手段獲取的數(shù)據(jù)進行同化，以對預測的產(chǎn)量升尺度。

氣象數(shù)據(jù)具有典型的時空雙屬性，特定區(qū)域的氣候狀況存在明顯的特征[35]，基于這一特征進而可以對農(nóng)業(yè)氣候區(qū)進行劃分[36]。通過對目標年份的氣象數(shù)據(jù)與同站點歷史數(shù)據(jù)進行聚類分析是尋找相似年型的常用方法，本研究采用的聚類方法是NN算法。一般的NN算法通過計算目標年與歷史各年同期氣象數(shù)據(jù)之間的歐氏距離，篩選相似年型，Bannayan等[44]比較分析了基于NN算法篩選出相似年份的氣象數(shù)據(jù)，結果發(fā)現(xiàn)最高氣溫、最低氣溫、陽光輻射這3個因子的篩選結果較好、降雨因子的篩選結果較差，這主要是因為降雨事件的發(fā)生具有隨機性，并非每天都有數(shù)值，因此有必要對總體歐式距離的計算方法進一步進行改進，如對4個氣象要素采用最小值法、乘積法、不同權重法等。此外，NN算法進行聚類分析的分類結果受設定的近鄰數(shù)量的影響，下一步有必要設置不同的值進行比較。

4.3 玉米產(chǎn)量預測方法的進一步改進

本研究嘗試了3種獲取生育期內未知氣象數(shù)據(jù)的非參數(shù)型方法，相較于氣候模擬和天氣發(fā)生器生成的結果，此類方法不需要提前對未知氣象情境的特征進行假設以及區(qū)域數(shù)據(jù)降尺度，而是直接利用目標站點的歷史實測氣象數(shù)據(jù)替代未知氣象數(shù)據(jù)，繼而減少了人為誤差。由于氣象數(shù)據(jù)的未知性，預測的產(chǎn)量通常在一定范圍內或者伴隨一定的概率而非某一個定值，但由于已知歷史氣象數(shù)據(jù)總量有限，很多地方從1953年以后才有較為系統(tǒng)的氣象觀測數(shù)據(jù)，因此每日產(chǎn)量預測僅能得到有限數(shù)量的結果，并不能完整代表未來所有可能出現(xiàn)的氣象情境。有研究使用氣象發(fā)生器結合Sirius模型模擬小麥產(chǎn)量，結果發(fā)現(xiàn)當有超過300個氣象情境用于填充未知氣象數(shù)據(jù)時，預測產(chǎn)量的分布將不會發(fā)生改變[51]，因此下一步考慮與氣象發(fā)生器結合進行玉米產(chǎn)量預測。

此外，本研究采用生育期內已知氣象數(shù)據(jù)與歷史氣象數(shù)據(jù)結合的方法生成氣象數(shù)據(jù)序列，考慮到氣象部門已經(jīng)能夠在一定時間內對天氣狀況及氣象災害進行高精度預測[54]，因此有必要采用“生育期內實測+預報+歷史氣象數(shù)據(jù)”的三段式方法生成氣象數(shù)據(jù)序列，以提高CERES-Maize模型預測產(chǎn)量的準確性和時效性。

5 結 論

本研究利用歷史氣象數(shù)據(jù)、NN算法和CERES- Maize模型相結合的方法，構建了玉米生育期內產(chǎn)量動態(tài)預測方法，然后利用陜西楊凌、合陽、長武3個站點不同玉米品種各2 a雨養(yǎng)試驗數(shù)據(jù)對上述產(chǎn)量預測方法的可靠性和精度進行了驗證。根據(jù)研究結果得出以下結論：

1）3種方法在玉米抽雄前產(chǎn)量預測精度均較差，長武站春玉米抽雄后模擬產(chǎn)量的CV和MARE不超過18.5%和14.5%；使用改進的-NN算法在3個站點全生育期預測產(chǎn)量的MARE的均值分別為9.9%、19.8%、17.9%，該方法預測精度最佳且運算所需時間較短，便于在較大尺度開展的產(chǎn)量預測研究。

2）在降雨正常年份，使用改進的NN算法可以有較高預測精度且耗時較短；降雨異常年份宜使用所有年份氣象數(shù)據(jù)進行產(chǎn)量預測。

在下一步研究中有必要進一步改進NN算法中總體歐式距離的計算方法，增強降雨因素的權重，此外引入氣象發(fā)生器、實時氣象預報數(shù)據(jù)等方式，進一步提高本研究所提出玉米產(chǎn)量預測方法的準確性和時效性。

[1] 中華人民共和國國家統(tǒng)計局. 中國統(tǒng)計年鑒[M]. 北京：中國統(tǒng)計出版社，2016.

[2] 代立芹，吳炳方，李強子，等. 作物單產(chǎn)預測方法研究進展[J]. 農(nóng)業(yè)網(wǎng)絡信息，2006(4)：24－27. Dai Liqin, Wu Bingfang, Li Qiangzi, et al. Overview of technique used by crop yield for ecasting[J]. Agricultural Network Information, 2006(4): 24－27. (in Chinese with English abstract)

[3] 甘一忠，劉流. 特征展開模糊推理模式在農(nóng)作物產(chǎn)量預報中的應用[J]. 模糊系統(tǒng)與數(shù)學，2002，16(1)：104－109. Gan Yizhong, Liu Liu. Application of character spread faintness consequence model to forecast the output of crop[J]. Fuzzy Systems and Mathematics, 2002, 16(1): 104－109. (in Chinese with English abstract)

[4] 許清海，孟令堯，陽小蘭，等. 應用花粉分析預報板栗產(chǎn)量的研究[J]. 植物生態(tài)學報，1999，23(4)：370－378. Xu Qinghai, Meng Lingyao, Yang Xiaolan, et al. Prediction yield of castanea mollissima with pollen concentration[J]. Acta Phytoecologica Sinica, 1999, 23(4): 370－378. (in Chinese with English abstract)

[5] 陳錫康，楊翠紅. 農(nóng)業(yè)復雜巨系統(tǒng)的特點與全國糧食產(chǎn)量預測研究[J]. 系統(tǒng)工程理論與實踐，2002，22(6)：108－112. Chen Xikang, Yang Cuihong. Characteristic of agricultural complex giant system and national grain output prediction[J]. Systems Engineering Theory and Practice, 2002, 22(6): 108－112. (in Chinese with English abstract)

[6] 吳炳方. 全國農(nóng)情監(jiān)測與估產(chǎn)的運行化遙感方法[J]. 地理學報，2000，55(1)：25－35. Wu Bingfang. Operational remote sensing methods for agricultural statistics[J]. Acta Geographica Sinica, 2000, 55(1): 25－35. (in Chinese with English abstract)

[7] 劉布春，劉文萍，梅旭榮，等. 我國農(nóng)業(yè)氣象業(yè)務引入作物生長模型的前景[J]. 氣象，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)

[8] 吳蕾，柏軍華，肖青，等. 作物生長模型與定量遙感參數(shù)結合研究進展與展望[J]. 農(nóng)業(yè)工程學報，2017，33(9)：155－166.Wu Lei, Bai Junhua, Xiao Qing, et al. Research process and prospect on combining crop groth models with paramerers derived from quantitative remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 155－166. (in Chinese with English abstract)

[9] 曹宏鑫，趙鎖勞，葛道闊，等. 作物模型發(fā)展探討[J]. 中國農(nóng)業(yè)科學，2011，44(17)：3520－3528. Cao Hongxin, Zhao Suolao, Ge Daokuo, et al. Discussion on development of crop models[J]. Scientia Agricultura Sinica, 2011, 44(17): 3520－3528. (in Chinese with English abstract)

[10] 王亞莉，賀立源. 作物生長模擬模型研究和應用綜述[J]. 華中農(nóng)業(yè)大學學報，2005，24(5)：529－535. Wang Yali, He Liyuan. A review on the research and application of crop simulation model[J]. Journal of Huazhong Agricultural University, 2005, 24(5): 529－535. (in Chinese with English abstract)

[11] Jones J W, Hoogenboom G, Porter C H, et al. The DSSAT cropping system model[J]. European Journal Agronomy, 2003, 18(3): 235－265.

[12] Hoogenboom G, Jones J, Wilkens P, et al. Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.5[M]. Honolulu: University of Hawaii, 2010.

[13] Jones C A, Kiniry J R, Dyke P T. CERES-Maize: A Simulation Model of Maize Growth and Development[M]. Texas: Texas A and? M University, 1986.

[14] He J, Dukes M D, Hochmuth G J, et al. Evaluation of sweet corn yield and nitrogen leaching with CERES-Maize considering input parameter uncertainties[J]. Transactions of the ASABE, 2011, 54(4): 1257－1268.

[15] Jing Q, Shang J, Huffman T, et al. Using the CSM–CERES– Maize model to assess the gap between actual and potential yields of grain maize[J]. Journal of Agricultural Science, 2016, 155(2): 1－22.

[16] Kassie B T, Ittersum M K V, Hengsdijk H, et al. Climate-induced yield variability and yield gaps of maize (L) in the Central Rift Valley of Ethiopia[J]. Field Crops Research, 2014, 160(4):41－53.

[17] Jin Zhiqing, Zhu Dawei. Impacts of changes in climate and its variability on food production in northeast china[J]. Acta Agronomica Sinica, 2008, 34(9): 1588－1597.

[18] Guo Ruiping, Lin Zhonghui, Mo Xingguo, et al. Responses of crop yield and water use efficiency to climate change in the North China Plain[J]. Agricultural Water Management, 2010, 97(8): 1185－1194.

[19] 黃晚華，薛昌穎，李忠輝，等. 基于作物生長模擬模型的產(chǎn)量預報方法研究進展[J]. 中國農(nóng)業(yè)氣象，2009，30(S1)：140－143. Huang Wanhua, Xue Changyin, Li Zhonghui, et al. Research progresses in yield forecasting method based on crop growth simulation model in china[J]. Chinese Journal of Agrometeorology, 2009, 30(S1): 140－143. (in Chinese with English abstract)

[20] Zinyengere N, Mhizha T, Mashonjowa E, et al. Using seasonal climate forecasts to improve maize production decision support in Zimbabwe[J]. Agricultural and Forest Meteorology, 2012, 151(12): 1792–1799.

[21] Porter J R, Semenov M A. Crop responses to climatic variation[J]. Philosophical Transactions of the Royal Society of London, 2005, 360(1463): 2021.

[22] Semenov M A, Barrow E M. Use of a stochastic weather generator in the development of climate change scenarios[J]. Climatic Change, 1997, 35(4): 397－414.

[23] Hoogenboom G. Contribution of agrometeorology to the simulation of crop production and its applications[J]. Agricultural and Forest Meteorology, 2000, 103(1): 137－157.

[24] Hyndman R J, Koehler A B. Another look at measures of forecast accuracy[J]. International Journal of Forecasting, 2005, 22(4): 679－688.

[25] Goel S, Dash S K. Response of model simulated weather parameters to round-off-errors on different systems[J]. Environmental Modelling and Software, 2007, 22(8): 1164－1174.

[26] Geng S, Penning de Vries F W T , Supit I. A simple method for generating daily rainfall data[J]. Agricultural and Forest Meteorology, 1986, 36(4): 363－376.

[27] Kilsby C G, Jones P D, Burton A, et al. A daily weather generator for use in climate change studies[J]. Environmental Modelling and Software, 2007, 22(12): 1705－1719.

[28] Jones P G, Thornton P K. MarkSim: Software to generate daily weather data for Latin America and Africa.[J]. Agronomy Journal, 2000, 92(3): 445－453.

[29] Richardson C W. Stochastic simulation of daily precipitation, temperature, and solar radiation[J]. Water Resources Research, 1981, 17(1): 182－190.

[30] Nicks A D, Harp J F. Stochastic generation of temperature and solar radiation data[J]. Journal of Hydrology, 1980, 48(1/2): 1－17.

[31] Hartkamp A D, White J W, Hoogenboom G. Comparison of three weather generators for crop modeling: A case study for subtropical environments[J]. Agricultural Systems, 2003, 76(2): 539－560.

[32] Semenov M A, Brooks R J, Barrow E M, et al. Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates[J]. Climate Research, 1998, 10(2): 95－107.

[33] Sharif M, Burn D H. Simulating climate change scenarios using an improved K-Nearest Neighbor model[J]. Journal of Hydrology, 2006, 325(1): 179－196.

[34] Brandsma T, K?nnen G P. Application of nearest-neighbor resampling for homogenizing temperature records on a daily to sub-daily level[J]. International Journal of Climatology, 2010, 26(26): 75－89.

[35] 彭思嶺. 氣象要素時空插值方法研究[D]. 長沙：中南大學，2010. Peng Siling. Developments of Spatio-temporal Interpolation Methods for Meteorological Elements[D]. Changsha: Zhongnan University, 2010. (in Chinese with English abstract)

[36] 王連喜，陳懷亮，李琪，等. 農(nóng)業(yè)氣候區(qū)劃方法研究進展[J]. 中國農(nóng)業(yè)氣象，2010，31(2)：277－281. Wang Lianxi, Chen Huailiang, Li Qi, et al. Research progress on agricultural climatic division method in China[J]. Chinese Journal of Agrometeology, 2010, 31(2): 227－281. (in Chinese with English abstract)

[37] 王雪姣，潘學標，王森，等. 基于COSIM模型的新疆棉花產(chǎn)量動態(tài)預報方法[J]. 農(nóng)業(yè)工程學報，2017，33(8)：160－165. Wang Xuejiao, Pan Xuebiao, Wang Sen, et al. Dynamic prediction method for cotton yield based on COSIM model in Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 160－165. (in Chinese with English abstract)

[38] 易雪，王建林，宋迎波，等. 早稻產(chǎn)量動態(tài)集成預報方法研究[J]. 中國水稻科學，2011，25(3)：307－313. Yi Xue, Wang Jianlin, Song Yingpo, et al. Study on dynamic integrated prediction of early rice yield[J]. Chinese Journal of Rice Science, 2011, 25(3): 307－313. (in Chinese with English abstract)

[39] 王建林，宋迎波. 棉花產(chǎn)量動態(tài)預測方法研究[J]. 中國棉花，2002，29(9)：5－8.

Wang Jianlin, Song Yingbo. Study on dynamic prediction method for cotton yield[J]. China Cotton, 2002, 29(9): 5－7. (in Chinese with English abstract)

[40] 陳艷春，李鴻怡，趙紅. 山東棉花引種的農(nóng)業(yè)氣候相似診斷分析[J]. 氣象，1997，23(3)：42－45.

Chen Yanchun, Li Hongyi, Zhao Hong. Agroclimatic similarity diagnosic analysis for introduction of cotton varieties in Shandong province[J]. Meteorological Monthly, 1997, 23(3): 42－45

[41] Young K C. A multivariate chain model for simulating climatic parameters from daily data[J]. Journal of Applied Meteorology, 2010, 33(6): 661－671.

[42] Rajagopalan B, Lall U. A k-nearest-neighbor simulator for daily precipitation and other weather variables[J]. Water Resources Research, 1999, 35(10): 3089－3101.

[43] Buishand T A, Brandsma T. Multisite simulation of daily precipitation and temperature in the Rhine basin by nearest-neighbor resampling[J]. Water Resources Research, 2001, 37(11): 2761－2776.

[44] Bannayan M, Hoogenboom G. Weather analogue: A tool for real-time prediction of daily weather data realizations based on a modified k-nearest neighbor approach[J]. Environmental Modelling and Software, 2008, 23(6): 703－713.

[45] Hoogenboom G, Jones J, Wilkens P, et al. Decision Support System for Agrotechnology Transfer (DSSAT) version 4.6.1.0[M] Washington: DSSAT Foundation, 2015.

[46] Jones C A, Ritchie J T, Kiniry J R, et al. The CERES wheat and maize models[C]//Proceedings of the International Symposium on Minimum Data Sets for Agrotechnology Transfer, ICRISAT Center, India,1983: 95－100.

[47] Ritchie J R, Otter S. Description and performance of CERES-Wheat: A user-oriented wheat yield model[R]. USA: ARS-United States Department of Agriculture, 1985: 159－175.

[48] 劉海波，袁靖. CERES玉米模擬模式評價及其應用[J]. 黑龍江氣象，1997(1)：22－25.

[49] Cover T, Hart P. Nearest neighbor pattern classification[J]. IEEE Transactions on Information Theory, 1967, 13(1): 21－27.

[50] 王石立，馬玉平. 作物生長模擬模型在我國農(nóng)業(yè)氣象業(yè)務中的應用研究進展及思考[J]. 氣象，2008，34(6)：3－10. Wang Shili, Ma Yuping. The progress in application of crop growth simulation models to agro-meteorological services in china[J]. Meteorological Monthly, 2008, 34(6): 3－10. (in Chinese with English abstract)

[51] Lawless C, Semenov M A. Assessing lead-time for predicting wheat growth using a crop simulation model[J]. Agricultural and Forest Meteorology, 2005, 135(1): 302－313.

[52] 于振文. 作物栽培學各論[M]. 北京：中國農(nóng)業(yè)出版社，2003.

[53] 劉鐵梅，謝國生. 農(nóng)業(yè)系統(tǒng)分析與模擬[M]. 北京：科學出版社，2010.

[54] 郭建平. 農(nóng)業(yè)氣象災害監(jiān)測預測技術研究進展[J]. 應用氣象學報，2016，27(5)：620－630.Guo Jianping. Research progress on agricultural meteorological disaster monitoring and forecast[J]. Journal of Applied Meteorological Science, 2016, 27(5): 620－630. (in Chinese with English abstract)

陳 上，竇子荷，蔣騰聰，李華龍，馬海姣，馮 浩，于 強，何建強. 基于聚類法篩選歷史相似氣象數(shù)據(jù)的玉米產(chǎn)量DSSAT-CERES-Maize預測[J]. 農(nóng)業(yè)工程學報，2017，33(19)：147－155. doi：10.11975/j.issn.1002-6819.2017.19.019 http://www.tcsae.org

Chen Shang, Dou Zihe, Jiang Tengcong, Li Hualong, Ma Haijiao, Feng Hao, Yu Qiang, He Jianqiang. Maize yield forecast with DSSAT-CERES-Maize model driven by historical meteorological data of analogue years by clustering algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 147－155. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.19.019 http://www.tcsae.org

Maize yield forecast with DSSAT-CERES-Maize model driven by historical meteorological data of analogue years by clustering algorithm

Chen Shang1,2, Dou Zihe1,2, Jiang Tengcong1,2, Li Hualong1,2, Ma Haijiao1,2, Feng Hao2,3, Yu Qiang3, He Jianqiang1,2,3※

(1.712100,; 2.712100,; 3.712100,)

Crop growth simulation models can simulate the processes of crop growth, development, yield formation, and its response to environment, which provides an effective method for crop yield forecast. However, how to select suitable weather data for the forecast is still an open question. In this study, we established a method for maize yield forecast based on maize growth simulation model of CERES-Maize and historical weather data from the year of 1956 to 2015. Two year’s experimental data from 3 sites of Yangling (2014 and 2015), Heyang (2009 and 2011) and Changwu (2010 and 2011) in Shaanxi Province were used to test the reliable and accuracy of the method established. The weather data needed for model simulation were divided into 2 different groups including the known weather data and unknown weather data during the whole growth season of spring maize. The known weather data were obtained from local weather stations, while unknown data were supplemented with historical weather data of multiple years in the local experimental sites. Multiple complete climatic data series were then created and used to run the CERES-Maize model to forecast maize yield for a given year. As the advancing of maize growth season, the daily weather data were gradually merged into the observed weather data in a target year. Consequently, the daily maize yield was forecasted from sowing day to harvest. In addition, in order to reduce the times of model runs and reduce the uncertainties in yield forecasts, this study compared the daily meteorological data of historical and target years with normalnearest neighbor (-NN) and a modified-NNalgorithm to select several historical analogue years whose weather data were similar to the target year. The results showed that: 1) the model was suitable for the yield simulation since the absolute relative error was smaller than 15%; 2) the data distribution of predicted yields began to converge and the uncertainty decreased rapidly after the tasseling stage. For example, the predicted yield after 30, 60 and 90 days (the tasseling stage) of sowing was 3 531-14 461, 3 413-14 828 and 961-13 210 kg/hm2, respectively. But, the yield was 49 33-10 826, 8 484-10 565 kg/hm2, respectively after 100 and 130 days of sowing. The coefficient of variation had a sudden fall around the tasseling stage; 3) Yield forecast accuracy was generally lower than expectation for the method based on all historical data and climatic analogue years selected with historical data. The model run cost 61 min for a yield prediction during a complete growth stage of spring maize, indicting a necessary change in the prediction method optimization; 4) Among the 3 methods, the modified-NNmethod showed a higher prediction accuracy and shorter run time than the other methods. The coefficient of variation was 11.7%-23.8% for the modified-NN method, 15.1%-29.1% for the historical data, and 14.7%-26.9% for the-NN method, respectively. To complete the yield prediction of a growth stage of spring maize, the modified-NN method only took 14 min, which was shorter than the normal-NN method. Thus, the modified-NN method in this study had a big potential for the yield prediction by the CERES-Maize model. The study provides an effective method for selecting precipitation factor used for the yield prediction by crop models.

clustering algorithms; weather forecasting; models; maize; yield forecasting; CERES-Maize;-NN

10.11975/j.issn.1002-6819.2017.19.019

S165+.27

A

1002-6819(2017)-19-0147-09

2017-02-21

2017-08-10

國家高技術研究發(fā)展計劃（863計劃）（2013AA102904）；陜西省科技統(tǒng)籌創(chuàng)新工程計劃項目（2016KTZDNY03-06）；黃土高原土壤侵蝕與旱地農(nóng)業(yè)國家重點實驗室開放基金（A314021402-1611）；西北農(nóng)林科技大學人才專項資金（千人計劃項目）；高等學校學科創(chuàng)新引智計劃（111計劃）（B12007）

陳 上，江蘇淮安人，博士生，研究方向為農(nóng)業(yè)生態(tài)系統(tǒng)模擬。Email：ching@nwsuaf.edu.cn

※通信作者：何建強，甘肅天水人，教授，博士生導師，研究方向為農(nóng)業(yè)生態(tài)系統(tǒng)模擬。Email：jianqiang_he @nwsuaf.edu.cn