作物生長模型的研究進展

徐蘇

摘要 作物模型是指通過數(shù)學方程把植物生長過程在計算機上表達出來，其可以幫助科學家概化和聯(lián)系復雜的作物生長現(xiàn)象、理解耕作系統(tǒng)的過程、預(yù)測產(chǎn)量、預(yù)報氣候變化對作物的影響，以及優(yōu)化、利用、管理土地和水資源，是農(nóng)業(yè)研究的強有力工具。但在實際模擬應(yīng)用中作物模型仍存在一些不足，如作物模型參數(shù)獲取與校準難、受氣候變化影響嚴重、模型結(jié)構(gòu)和模型輸入存在較大的不確定性等。該文簡要地對作物模型的發(fā)展歷程進行了綜述，總結(jié)了作物模型研究方面的不足，并對作物模型未來的發(fā)展方向進行了展望，為今后的模型研究和應(yīng)用提供參考。

關(guān)鍵詞 作物模型；模型分類；單一模型；綜合模型

中圖分類號 S126? ?文獻標識碼 A

文章編號 1007-7731（2023）04-0026-07

作物生長模擬模型（Crop Growth Simulation Model）簡稱作物模型。最早定義作物模型的是Edwards D，其在Guide to Mathematical Modeling中提到，作物模型是用數(shù)學公式表達作物的生長過程[1]；Sinclair TR認為作物模型是利用計算機對作物動態(tài)模擬的一種技術(shù)，使其成為教學、研究、管理和政府決策應(yīng)用中的重要工具[2]；國內(nèi)學者也從不同的角度對其下了定義，戚昌瀚認為作物模型是建立植物生長發(fā)育與環(huán)境間的動態(tài)關(guān)系，并通過計算機模擬對產(chǎn)量差異進行解釋[3]。不同學者對作物模型的定義盡管不盡相同，但其實質(zhì)是一樣的，即如何通過數(shù)學方程把植物生長的過程表達出來。

作物模型能很好地解釋作物生長發(fā)育的動態(tài)過程，強調(diào)作物生理生態(tài)等功能的表達，為復雜的現(xiàn)象建立聯(lián)系。作物模型與環(huán)境科學、生態(tài)學、水利學、科學、植物科學等緊密聯(lián)系，并對氣候變化進行預(yù)測，根據(jù)氣候變化的影響對作物產(chǎn)量進行預(yù)測，為農(nóng)戶生產(chǎn)決策提供依據(jù)，為作物生產(chǎn)提供有力保障，促進農(nóng)業(yè)高產(chǎn)、優(yōu)質(zhì)、平穩(wěn)的可持續(xù)發(fā)展。作物模型的產(chǎn)生，使科研工作者對作物的研究不再受時間、地點的限制。研究作物模型的意義在于解決如何發(fā)現(xiàn)作物表型背后的規(guī)律，如何深入分析不同基因型之間的差別，如何預(yù)測不同溫光氣等環(huán)境下作物的變化以及如何控制環(huán)境保證節(jié)能的同時讓作物更好地生長。

1 作物模型的分類

作物模型按照功能劃分，可分為產(chǎn)量模型和形態(tài)模型2類。產(chǎn)量模型注重植物的器官生長、光合作用和物質(zhì)分配；形態(tài)模型更注重植物器官的形成和三維形態(tài)的產(chǎn)生。這2類模型的結(jié)合產(chǎn)生了植物功能結(jié)構(gòu)模型，因而植物功能結(jié)構(gòu)模型是基于過程的生長模擬和植物形態(tài)模擬的結(jié)合。

按照屬性劃分，可分為靜態(tài)模型和動態(tài)模型2類。靜態(tài)模型比較關(guān)注某個時間的狀態(tài)或結(jié)果，只表示某個階段的形態(tài)，可用于評估該階段的光分布及采收時的生物量、作物形態(tài)，常見于統(tǒng)計模型；動態(tài)模型更關(guān)注作物生長發(fā)育的過程和形態(tài)的變化，可模擬各個階段的發(fā)育和形態(tài)，常見于機理模型。

按照光合作用劃分，可分為經(jīng)驗?zāi)Ｐ秃蜋C理模型2類。經(jīng)驗?zāi)Ｐ洼^為簡單，不能準確地估算最大凈光合速率以及植物的飽和光強等參數(shù)，也不能準確模擬脅迫情況下的光合響應(yīng)；機理模型比較復雜，能夠準確模擬各種情況下的響應(yīng)，具有很大的應(yīng)用空間。

2 作物生長模型的起源與發(fā)展

2.1 作物生長模型的萌芽階段

1980年之前屬于作物模型研究的萌芽階段，法國科學家萊蒙（Reaumur）、英國科學家彭曼（Penman）、日本生態(tài)學家門司（Monsi），分別提出積溫學說、光合作用對光通量密度與CO2密度響應(yīng)、群落中光分布公式等數(shù)學模型，這些通過數(shù)學公式表達植物生理過程的模型，為后來作物模型的建立和發(fā)展奠定了基礎(chǔ)[4]。

荷蘭與美國最先對作物模型進行了研究，發(fā)文量與研究模型的數(shù)量最多。率先研究作物模型的是荷蘭科學家瓦赫寧根大學的de Wit CT，其于1965年提出可通過計算機對作物冠層光合作用進行實際計算，從相關(guān)氣象數(shù)據(jù)計算出具有已知特征的冠層日常光合作用的階段[5]。1967年，美國科學家佛羅里達大學的Duncan根據(jù)每片葉子在特定時間的光合作用，并且將每個小時的光合作用累加，以估計植物群落的每日光合作用[6]，為植物群落的光合作用行為提供了新的見解，美國對作物模型的研究由此開始。他們是最早研究作物模型的學者，同時這些相對簡單的模型為后來作物模型的實現(xiàn)和發(fā)展開辟了道路，提供了重要的思想，是作物模型的奠基人。

1970年，de Wit CT利用CSMP仿真語言建立了模擬玉米生長的模型——ELCROS（Elementary Crop Simulator），并加入了光合作用和碳素平衡[7]，是作物模型中的第一個模型，模型中包含了器官生長速率和光合作用的部分。Goudrain將微氣象原理引入植物氣體和熱交換的研究過程中，為植物蒸騰作用的模擬研究奠定了基礎(chǔ)。20世紀70年代后期，在ELCROS的基礎(chǔ)上研究出了模擬作物生長和蒸騰作用的BACROS[8]，但是ELCROS和BACROS只能模擬作物潛在生產(chǎn)力的生長發(fā)育。為了模擬作物實際生長狀態(tài)，就需要研制水分[9-12]和營養(yǎng)限制[13-15]下的作物生長模型，1981年Keulen等[16]開發(fā)了ARIDCROP，主要對施肥牧草生長和水分利用進行模擬；1982年Van Keulen[17]在BACROS的基礎(chǔ)上研究出了可以模擬多作物的SUCROS，該模型以日為步長，且簡單通用，具有較強的普適性，可以通過調(diào)整參數(shù)適用不同的作物，為作物模型的深入研究奠定了基礎(chǔ)。

這一時期所研制的都是機理模型，主要為了準確的模擬作物的機理和生長過程。以de Wit CT為首的Wageningen科學家對作物模型進行了大量的研究，構(gòu)建了Wageningen系列模型，該系列的作物模型具有強調(diào)生物機理性的特點。

2.2 單一模型應(yīng)用研究階段

20世紀80年代作物模型的研究步入應(yīng)用階段，這一時期的作物模型開始從理論向應(yīng)用發(fā)展，但當時的模型無法滿足這一點，因而基于過程的模型隨之誕生了，將復雜的過程和參數(shù)使用經(jīng)驗方法簡單化，使生長過程和經(jīng)驗相融合，讓模型更便于應(yīng)用。

2.2.1 DSSAT系列作物模型。DSSAT（農(nóng)業(yè)技術(shù)推廣決策支持系統(tǒng)），是美國政府在IB-SNAT計劃的資助下[18]，為了保護小型農(nóng)戶經(jīng)濟利益和自然資源，由多所大學和科研機構(gòu)集成多個著名作物模型而開發(fā)的作物模型。該系統(tǒng)支持多種作物的生產(chǎn)和管理，用戶可以使用該系統(tǒng)評估農(nóng)藝措施，找到影響作物生長過程和產(chǎn)量的因素，如施肥量、播種期、種植密度等，為指導田間栽培和大田作物生產(chǎn)提供管理決策[19]。DSSAT 模型主要側(cè)重于實際的應(yīng)用，其集成了多個作物模型，但其中的核心模塊同樣也是光合作用模塊[20]。與瓦格寧根系列模型相比，管理參數(shù)比較詳細，如灌溉的方式分為噴灌、漫灌、滴灌等，肥料的施入涉及施入方式、施入深度、肥料類型等。

2.2.2 瓦赫寧根系列作物模型。WOFOST（World Food Studies）是世界糧食研究中心（CWFS）和Wageningen大學為提高農(nóng)業(yè)生產(chǎn)力在SUCROS的基礎(chǔ)上開發(fā)的模型[21]而建立的，后成為瓦赫寧根系列模型。1994年，WOFOST 6.0模型已經(jīng)成熟，被用于模擬全歐洲一年作物的產(chǎn)量，并被合并到CGMS中。該模型主要功能是產(chǎn)量風險分析、農(nóng)業(yè)生產(chǎn)決策管理、產(chǎn)量變化預(yù)測等方面[22]。WOFOST具有較強的通用性，可以通過用戶界面改變參數(shù)，從而適用不同的作物。該模型有一個簡單的GIS模塊，模型的模擬結(jié)果可以用圖標顯示，但是不能直接導出圖標，同時可以在用戶界面對作物種類、生產(chǎn)水平、土壤、天氣等特性進行選擇，且操作簡單。瓦赫寧根系列作物模型主要是光能驅(qū)動模型[20]，其通過模擬光截獲來計算潛在的 CO2同化量，利用干物質(zhì)分配函數(shù)，計算各個器官的干物質(zhì)積累。

2.2.3 中國作物模型。中國在作物模型研究領(lǐng)域起步雖晚，但發(fā)展很快，就中國作物的特點和生長環(huán)境的不同，研制了適合中國作物應(yīng)用的作物模型[23-24]。20世紀80年代初，高亮之在美國研究完成 ALFAMOD，是中國研究作物模型的先驅(qū)[25]。高亮之團隊結(jié)合中國實際情況，生產(chǎn)研發(fā)了CCSODS系列模型，和其他模型比較，這些模型通用性、適用性、機理性都更高，其中比較的典型的是RCSODS和WCSODS。

RCSODS問世于1992年，該模型不僅能夠描述作物生長發(fā)育的內(nèi)在機理，也可以在不同條件和時間模擬生產(chǎn)。RCSODS模型沒有使用專家系統(tǒng)，而是將水稻模擬技術(shù)與水稻栽培優(yōu)化原理相結(jié)合，彌補了模型與實際生產(chǎn)脫節(jié)問題，可以實現(xiàn)不同條件下進行作物模擬，不受限制，從而提高了模型的通用性和機理性[26]。陳家金等[27]利用RCSODS模型對東南沿海地區(qū)水稻進行了模擬研究，生育期誤差在0～5 d，產(chǎn)量的平均誤差在5%以內(nèi)，具有較高的準確率。金之慶等[28]用改造后的RCSODS對上海農(nóng)業(yè)園直播稻精確施氮模擬，結(jié)果表明，該模型準確率較高。

WCSODS結(jié)合模擬模型和優(yōu)化模型，并使當?shù)貙＜覍Σ煌贩N和栽培參數(shù)進行調(diào)試，增加了模型的適應(yīng)性。該模型的主要作用是制定決策、小麥模擬試驗、評價氣候變化對小麥的影響等。WCSODS具有獨立的開放數(shù)據(jù)庫，可根據(jù)當?shù)夭煌闆r調(diào)整參數(shù)，是一款開放性的作物模型[29]。葛道闊等[30]在江蘇6個試點研究了當?shù)匦←湹淖罴言耘喾桨?，并可根?jù)地區(qū)差異利用WCSODS制定不同的最佳栽培方案。

2.3 綜合模型應(yīng)用研究階段

20世紀90年代以后，隨著計算機技術(shù)的飛速發(fā)展，作物模型的研究進入快速增長階段，逐漸由機理性向綜合性發(fā)展，對其研究更加多元化，對新模型的開發(fā)減少，更加注重現(xiàn)有模型的普適性、準確性和易操作性等方面的優(yōu)化，并且將作物模型與其他領(lǐng)域技術(shù)進行結(jié)合，從而增加了作物模型的應(yīng)用性、準確性、廣泛性、綜合性。此時中國作物模型已經(jīng)具有了自己的特色，研發(fā)了很多的作物生長模型及決策系統(tǒng)[31-33]。為了提高農(nóng)業(yè)的綜合發(fā)展，解決各地區(qū)、國家糧食產(chǎn)量問題，更好地實施可持續(xù)發(fā)展，很多模型開始探索全球氣候變化的影響，并與信息技術(shù)相結(jié)合，如遙感系統(tǒng)、地理信息系統(tǒng)、全球定位系統(tǒng)、農(nóng)業(yè)專家系統(tǒng)、決策支持系統(tǒng)等。

美國的布拉斯加州林肯大學開發(fā)了一個綜合性較強的作物模型——Hybrid-Maize模型，該模型以CERES-Maize為基礎(chǔ)，結(jié)合INTERCOM和WOFOST等通用作物模型中光合作用和呼吸的機理而開發(fā)的玉米過程模型，具有溫度驅(qū)動的玉米物候發(fā)育，光合作用的垂直冠層整合，器官特異性生長呼吸和溫度敏感的維持呼吸等特點。Hybrid-Maize模型在模擬最優(yōu)條件下的生長和產(chǎn)量方面比其他玉米模型更加穩(wěn)定。此外，Hybrid-Maize軟件提供了直觀的圖形用戶界面，用于輸入和輸出設(shè)置，并具有菜單功能和輔助功能，幫助用戶將Hybrid-Maize模型用于作物管理、推廣教育、教學和研究的工具，并綜合幫助各級用戶提供指導和背景信息。同時，模型內(nèi)部參數(shù)的透明性和設(shè)置的靈活性，以及模型公式的完整文檔化，使得模型易于與之配合進行測試、估值，并針對局部情況進一步細化[34-35]。

基于作物生長模型的決策支持系統(tǒng)已應(yīng)用于生產(chǎn)實踐中[36-38]。20世紀90年代，DSSAT已經(jīng)發(fā)展到3.0～3.5版本[39-40]，2003年發(fā)布了WINDOW4.0版本[41-42]，目前已經(jīng)推出了DSSAT4.7版本。該版本對作物模型的結(jié)構(gòu)、模型的接口以及相關(guān)的分析和實用程序進行了修改。DSSAT還提供對作物模型輸出與實驗數(shù)據(jù)的評估，從而允許用戶將模擬結(jié)果與觀察結(jié)果進行比較。這在應(yīng)用任何作物模型之前至關(guān)重要，尤其是當現(xiàn)實世界的決策或建議基于建模結(jié)果時。作物模型評估是通過輸入用戶的最小數(shù)據(jù)、運行模型并將輸出與觀察到的數(shù)據(jù)進行比較來完成的。通過模擬作物管理策略的可能結(jié)果，DSSAT為用戶提供信息以快速評估新作物、產(chǎn)品和實踐以供采用。DSSAT軟件包含了32種不同作物的模型、數(shù)據(jù)管理工具和應(yīng)用程序，新增了向日葵、紅花、苜蓿等作物。新的作物模塊包括用于模擬小麥的Wheat模塊以及用于模擬木薯的YUCCA模塊。DSSAT及其作物模擬模型正被廣泛應(yīng)用，從基于基因的建模、農(nóng)場和精確管理到氣候變率和氣候變化影響的區(qū)域評估。DSSAT已經(jīng)被全世界120多個國家的研究人員、教育工作者、顧問、推廣代理、種植者以及政策制定和決策者使用了超過25年，在許多國家都被廣泛用于增加糧食產(chǎn)量以及用于養(yǎng)分、水分的管理[43]。

作物模型要實現(xiàn)評估氣候變化和改善糧食安全有諸多的不確定性和復雜性，還需要綜合其他領(lǐng)域模型，如與氣候模型耦合，以及與現(xiàn)代信息技術(shù)相結(jié)合等，這些方法已經(jīng)不再局限在植物的生理層面。將作物模型與其他學科模型嵌套的研究無疑成為現(xiàn)代農(nóng)業(yè)的必然趨勢，如作物模型與大氣環(huán)流模型（GCMs）結(jié)合，用于評價全球氣候?qū)ψ魑锏挠绊?；Ewert等[44]綜合了氣候變化對作物影響的不確定性，對作物生產(chǎn)的可能適應(yīng)性，研究出了綜合評估模型IAM，IAM結(jié)合了生物模型、經(jīng)濟模型及物理模型。該綜合評估模型的研究結(jié)果證明其對氣候因子的模擬有顯著效果，改進了作物模型對氣候的響應(yīng)能力；美國EPIC模型，將作物模型與土壤侵蝕預(yù)報模型進行結(jié)合，用數(shù)學模型模擬受天氣影響和土壤-植物-水相互作用的土壤侵蝕，通過調(diào)整作物參數(shù)模擬不同作物和牧草等的生長過程。該模型是為了評估土壤侵蝕對土壤生產(chǎn)的影響而開發(fā)的，其核心是土壤侵蝕預(yù)報[45-47]。EPIC經(jīng)過不斷地更新，應(yīng)用范圍越來越廣，逐漸從單點尺度向區(qū)域尺度擴展，并且與GIS結(jié)合，對區(qū)域水土流失和C、N循環(huán)及土地資源管理，為農(nóng)業(yè)生產(chǎn)管理提供理論決策[48]。Lorite等[49]開發(fā)了Aqua Data和Aqua GIS，將其作為輸入和輸出工具，該模型把地理信息系統(tǒng)和Aqua Crop模型進行了耦合，將工作時間縮短了99%以上，其工作效率得到了很大的提升，同時擴大了應(yīng)用范圍。此外，將作物模型與遙感技術(shù)結(jié)合，能有效提高作物模型的模擬精度。同時，作物模型的范圍應(yīng)用更加廣泛，如APSIM模型，不僅可以支持農(nóng)業(yè)生產(chǎn)系統(tǒng)設(shè)計和農(nóng)場決策管理，還可以為政府決策提供風險評估等[50]。作物模型適用性有了很大的提高，不再局限于特定地區(qū)和特定作物。Kersebaum等[51]開發(fā)了一個對數(shù)據(jù)集進行分析和分類的軟件，以校準和驗證農(nóng)業(yè)生態(tài)系統(tǒng)模型，該軟件可以分類和標記數(shù)據(jù)是否適合建模，模型和數(shù)據(jù)一致性測試可提高數(shù)據(jù)的可用性和適用性。

3 作物生長模型研究發(fā)展中存在的問題

作物模型的發(fā)展歷史約有70年，是一個比較年輕的研究領(lǐng)域，雖然已取得了很大的進展，但理論和實踐還需要深入發(fā)展和創(chuàng)新。大量的模型參數(shù)在估算時比較復雜，存在優(yōu)化不足等問題，作物模型參數(shù)獲取與校準難、受氣候變化影響嚴重、模型結(jié)構(gòu)和模型輸入存在較大的不確定性，導致模型模擬不夠準確，對作物風險預(yù)測和產(chǎn)量估計存在偏差。

3.1 作物模型參數(shù)獲取與校準難

數(shù)字作物的關(guān)鍵是模型，而模型的關(guān)鍵是土壤特性、作物參數(shù)等一系列基礎(chǔ)數(shù)據(jù)，但是當下作物模型在研究和使用時，參數(shù)獲取和校準過程比較困難，大部分參數(shù)都是模型的默認參數(shù)以及前人的研究成果。由于參數(shù)的選取偏離實際，使模型模擬精度存在偏差，在進行農(nóng)業(yè)預(yù)測、風險評估、作物生長發(fā)育和產(chǎn)量預(yù)測等存在偏差，對評估未來全球氣候變化對農(nóng)業(yè)的影響不夠精準。若作物模型能與農(nóng)業(yè)大數(shù)據(jù)、人工智能結(jié)合，則可以使模型自動獲取參數(shù)并進行校準[52]，就可以解決作物模型參數(shù)獲取與校準難的問題。同時，由政府主導構(gòu)建農(nóng)業(yè)信息共享平臺，打破農(nóng)業(yè)信息數(shù)據(jù)封鎖的局面，為作物模型研究使用提供基礎(chǔ)數(shù)據(jù)，促進數(shù)字作物的發(fā)展。

大部分模型參數(shù)獲取都是人工測量，測量人員要有較高的專業(yè)知識水平，不適合大田作物的監(jiān)測，且費時費力，工作量大。若能利用光譜技術(shù)、“3S”技術(shù)、計算機視覺技術(shù)、無人機等獲取數(shù)據(jù)和農(nóng)情監(jiān)測，可優(yōu)化參數(shù)，減少人力，從而提高效率。

3.2 作物模型受氣候變化影響嚴重

隨著全球氣候多變，糧食安全受到嚴重影響，糧食穩(wěn)產(chǎn)受到威脅。國內(nèi)科研工作者深入研究了歷年氣候變化對不同地區(qū)作物生長發(fā)育和產(chǎn)量的影響[53-56]，未來氣候變化對農(nóng)業(yè)的影響是研究作物模型面臨的一大問題。氣象數(shù)據(jù)是驅(qū)動作物模型的重要數(shù)據(jù)，目前作物模型的研究中都使用歷史氣象數(shù)據(jù)或者天氣發(fā)生器數(shù)據(jù)，氣象數(shù)據(jù)的不準確性嚴重影響到作物模型的產(chǎn)量預(yù)測和作物模擬效果。同時，由于當下的天氣發(fā)生器空間尺度較大，不能夠精確反映氣象要素的空間變異，因而提高作物模型在氣候變化條件下的模擬精度是未來作物模型發(fā)展的重點之一。

3.3 模型結(jié)構(gòu)和模型輸入的不確定性

除了氣候變化的不確定性之外，作物模型的不確定性主要體現(xiàn)在[57]模型結(jié)構(gòu)和模型輸入的不確定性。

模型結(jié)構(gòu)的不確定性是由于植物的生長過程和機理非常復雜，當下模型難以利用經(jīng)驗性公式和物理描述性公式對植物的生長過程進行準確的表達，只能實現(xiàn)近似契合。需要廣大科研工作者對作物模型進行更深入的研究，建立更準確的揭示植物生長機理的模型，減小作物模型的不確定性。

模型輸入的不確定性主要由人為因素造成的，在播種、中耕、灌溉、施肥、噴藥等田間管理時，對同一小區(qū)施肥、灌溉不均勻，使作物生長存在差異。因此在大田實驗時，對耕作的各個環(huán)節(jié)應(yīng)采取精細的管理措施，保證同一處理小區(qū)的一致性，降低模型的不確定性。同時在數(shù)據(jù)采集和觀測時，也要按照標準要求和流程進行采樣。

4 展望

當前，作物生長模型的研究已日趨成熟，模型改良不斷深入，應(yīng)用領(lǐng)域逐漸擴大，各種作物模型應(yīng)運而生，被廣泛應(yīng)用到農(nóng)業(yè)管理和農(nóng)業(yè)決策中。

隨著信息技術(shù)的發(fā)展，眾多領(lǐng)域開始將信息技術(shù)與本領(lǐng)域結(jié)合，近年來數(shù)字農(nóng)業(yè)、智慧農(nóng)業(yè)成為了科研工作者們研究的熱點問題，各領(lǐng)域逐漸向智能化、數(shù)字化的方向發(fā)展。作物模型具有動態(tài)性、通用性與預(yù)測性等特點，為農(nóng)業(yè)生產(chǎn)提供了很大的便捷，在農(nóng)業(yè)高產(chǎn)、優(yōu)質(zhì)、高效生產(chǎn)中起到了重要作用。未來作物模型將會成為農(nóng)業(yè)研究的重要工具，并與當下的人工智能、圖像識別、大數(shù)據(jù)挖掘等新技術(shù)相嵌套，促進傳統(tǒng)農(nóng)業(yè)向現(xiàn)代化、數(shù)字化、信息化和精準化轉(zhuǎn)型。

5 參考文獻

[1] EDWARDS D，HAMSON M.Guide to mathematical modeling [M]. Boca Raton，F(xiàn)lorida，U S：CRC Press，Inc.1990.

[2] SIILCLAIR TR SELIGMAN N G.Crop modeling：from infancy to maturity[J]. Agronomy Journal，1996，88（5）：698-704.

[3] 戚昌瀚，殷新佑.作物生長模擬的研究進展[J].作物雜志，1994（4）：1-2.

[4] 高亮之.農(nóng)業(yè)模型學基礎(chǔ)[M].香港：天馬圖書有限公司，2004.

[5] DE WIT C T.Photosynthesis of leaf canopies[J].Agric Res Report，1965，42：663-671.

[6] DUNCAN W，LOOMIS R，Williams W，et al.A model for simulating photosynthesis in plant communities[J].Hilgardia，1967，38（4）：181-205.

[7] DE WIT C T，BROUWER R，DE VRIES F W T P.The simulation of photosynthetic systems[C]//Proceedings of the IBP/PP technical meeting. Tfebon，1969：47-70.

[8] PENNING DE VRIES F W T，VAN LAAR H H.Simulation of Plant Growth and Crop Production Simulation Monographs[M]. Wageningen，PUDOC，1982.

[9] GEBREMICHAEL M，VIVONI E R.Spatial sampling uncertainty in SMEX04 soil moisture fields：A data-based resampling experiment[J]. Remote Sensing of Environment，2008，112（2）：326-336.

[10] 張栩然，宮阿都，李京，等. 水分脅迫條件下玉米生產(chǎn)潛力遙感評估模型：以重慶市長壽區(qū)為例[J]. 遙感信息，2015，30（1）：37-42.

[11] GHULAM A，LI Z L，QIN Q，et al.Estimating crop water stress with ETM，NIR and SWIR data[J]. Agricultural and Forest Meteorology，2008，148（11）：1679-1695.

[12] 張黎，王石立，何延波，等.遙感信息應(yīng)用于水分脅迫條件下的華北冬小麥生長模擬研究[J].作物學報，2007，33（3）：401-410.

[13] INOUE Y，SAKAIYA E，ZHU Y，et al. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements[J]. Remote Sensing of Environment，2012，126（6829）：210-221.

[14] XU X G，ZHAO C J，WANG J H，et al.Using optimal combination method and in situ hyperspectral measurements to estimate leaf nitrogen concentration in barley[J].Precision Agriculture，2014，15（2）：227-240.

[15] CROFT H，CHEN JINGM，ZHANG YONGQIN，et al.Evaluating leaf chlorophyll content prediction from multispectral remote sensing data within a physically-based modelling framework[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2015，102（5）：85-95.

[16] KEULEN H V，SELIGMAN N G，BENJAMIN R W.Simulation of water use and herbage growth in arid regions A reevaluation and further development of the model ‘a(chǎn)rid crop[J].Agricultural Systems，1981，6（3）：159-193.

[17] VAN KEULEN H.Crop production under semiarid conditions，as determined by nitrogen and moisture availability [M].Simulation Monographs，Wageningen，PUDOC，1982：234-251.

[18] UEHARA G，TSUJI G Y.Overview of IBSNAT.In：Tsuji G Y，Hoogenboom G，Thornton P K （eds）.Understanding Options for Agricultural Production.Kluwer Academic Publishers，Dordrecht，The Netherlands，1998.

[19] 王亞莉，賀立源.作物生長模擬模型研究和應(yīng)用綜述[J].華中農(nóng)業(yè)大學學報，2005，24（5）：529-535.

[20] VAN ITTERSUM M K，Leffelaar P A，Van Keulen H，et al.On approaches and applications of the Wageningen crop models [J].Eur J Agron，2003，18（3-4）：201-234.

[21] VAN KEULEN H，Wolf J.Modeling of agricultural production：weather，soil and crops.[M]，PUDOC.Wageningen，The Netherlands，1986：24-26.

[22] HIJMANS R J，Guiking lens I M，Van Diepen C A.User guide for the WOFOST 6.0 crop growth simulation model [M]. Wageningen：DLO Winand Staring Centre，1994：13-15.

[23] 高亮之，金之慶，黃耀，張立中.水稻計算機模擬模型及其應(yīng)用之一水稻鐘模型——水稻發(fā)育動態(tài)的計算機模型[J]. 中國農(nóng)業(yè)氣象，1989（3）：3-10.

[24] 黃策，王天鐸. 水稻群體物質(zhì)生產(chǎn)過程的計算機模擬[J]. 作物學報，1986（1）：1-8.

[25] 曹宏鑫，金之慶，石春林，等. 中國作物模型系列的研究與應(yīng)用[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2006（5）：45-51.

[26] 高亮之，金之慶. RCSODS-水稻栽培計算機模擬優(yōu)化決策系統(tǒng)[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，1993（3）：14-20.

[27] 陳家金，林晶，徐宗煥，等.基于RCSODS模型的東南沿海雙季稻生長發(fā)育及產(chǎn)量模擬和驗證[J]. 中國農(nóng)學通報，2008（4）：455-459.

[28] 金之慶，石春林，葛道闊，等. 基于RCSODS的直播水稻精確施氮模擬模型[J].作物學報，2003，29（3）：353-359.

[29] 高亮之，金之慶，鄭國清，等.小麥栽培模擬優(yōu)化決策系統(tǒng)（WCSODS）[J].江蘇農(nóng)業(yè)學報，2000，16（2）：65-72.

[30] 葛道闊，金之慶，高亮之.WCSODS在江蘇省優(yōu)質(zhì)餅干小麥栽培上的應(yīng)用[J].江蘇農(nóng)業(yè)科學，2004（4）：21-23.

[31] 高亮之，金之慶，黃耀，等. 作物模擬與栽培優(yōu)化原理的結(jié)合－RCSODS[J]. 作物雜志，1994（3）：4-7.

[32] 殷新佑，戚昌瀚.水稻生長日歷模擬模型及其應(yīng)用研究[J].作物學報，1994（3）：339-346.

[33] 賀東祥，王天鐸.作物生長模型PGROWTH微氣象模塊的實驗驗證[J].作物學報，1995（4）：419-423.

[34] YANG H S，DOBERMANN A，LINDQUIST J L，et al.Hybrid-maize—a maize simulation model that combines two crop modeling approaches[J]. Field Crops Research，2004，87（2-3）：131-154.

[35] JONES J W，KEATING B A，PORTER C H. Approaches to modular model development[J].Agricultural Systems，2001，70（2）：421-443.

[36] 諸葉平. 小麥-玉米連作環(huán)境模擬與智能決策系統(tǒng)[Z]. 2001.

[37] 宋有洪，郭焱，李保國，等.基于器官生物量構(gòu)建植株形態(tài)的玉米虛擬模型[J].生態(tài)學報，2003，23（12）：2579-2586.

[38] 曹衛(wèi)星，朱艷，田永超，等.數(shù)字農(nóng)作技術(shù)研究的若干進展與發(fā)展方向[J].中國農(nóng)業(yè)科學，2006，39（2）：281-288.

[39] TSUJI G Y，UEHARA G ，Balas S.DSSAT v3[M].University of Hawaii，Honolulu，Hawaii，1994.

[40] HOOGENBOOM G，WILKENS P W，TSUJI G Y.Chapter three：laboratory method，DSSAT v3[M].University of Hawaii，Honolulu，Hawaii，1999（4）：257-270.

[41] JONES J W，HOOGENBOOM G，PORTER C H，et al.The DSSAT cropping system model[J].Eur J Agron，2003，18：235-265.

[42] GIJSMAN A J，HOOGENBOOM G，PARTON W J，et al.Modifying DSSAT crop models for low-input agricultural systems using a soil organic matter-residue module from century[J].Agron J，2002，94：462-474.

[43]S ARKAR R.Use of DSSAT to model cropping systems[J].CAB Reviews：perspectives in agriculture，veterinary science，nutrition and natural resources，2009，4（25）：1-12.

[44] EWERT F，ROTTER R P，BINDI M，et al.Crop modelling for integrated assessment of risk to food production from climate change[J].Environmental Modelling & Software，2015，72：287-303.

[45] WILLIAMA J R，NEARING M，NICK A，et al.Using soil erosion models for global change studies [J].J Soil Water Cons，1996，20：381-385.

[46] KINIRY J R，BLANCHET R，WILLIAM S J W，et al.Sunflower simulation using the EPIC and ALMANAC models [J].Field Crops Res，1992，30：403-423.

[47] KINIRY J R，SANDERSON M A，WILLIAMS J R，et al.Simulating alamo switch grass with the ALMANAC model [J]. Agron J，1996，88：602-606.

[48] BRISSON N，RUGET F，GATE P，et al.STICS：a generic model for the simulation of crops and their water and nitrogen balanceⅡ.Model validation for wheat and maize[J].Agronomie，2002，22：69-93.

[49] LORITE I J，GARC?A-VILA M，SANTOS C，et al.AquaData and AquaGIS：two computer utilities for temporal and spatial simulations of water-limited yield with AquaCrop[J].Computers and Electronics in Agriculture，2013，96：227-237.

[50] HOLZWORTH D P，HUTH N I，ZURCHER E J，et al.APSIM：evolution towards a new generation of agricultural systems simulation [J].Environmental Modelling & Software，2014，62：327-350.

[51] KERSEBAUM K C，BOOTE K J，JORGENSON J，et al.Analysis and classification of data sets for calibration and validation of agro-ecosystem models[J].Environmental Model Software，2015，72：402-417.

[52] 曹宏鑫，葛道闊，張文宇，等.農(nóng)業(yè)模型發(fā)展分析及應(yīng)用案例[J].智慧農(nóng)業(yè)，2020，2（1）：147-162.

[53] SUN H，ZHANG X，WANG E，et al.Assessing the contribution of weather and management to the annual yield variation of summer maize using APSIM in the North China Plain [J].Field Crops Research，2016，194：94-102.

[54] XIAO D，TAO F.Contributions of cultivar shift，management practice and climate change to maize yield in North China Plain in 1981-2009[J].International Journal of Biometeorology，2016，60（7）：1111-1122.

[55] YANG Y，YANG Y，HAN S，et al.Prediction of cotton yield and water demand under climate change and future adaptation measures[J].Agricultural Water Management，2014，144：42-53.

[56] 成林，李彤霄，劉榮花.主要生育期氣候變化對河南省冬小麥生長及產(chǎn)量的影響[J].中國生態(tài)農(nóng)業(yè)學報，2017，25（6）：931-940.

[57] 楊偉才，毛曉敏.氣候變化影響下作物模型的不確定性[J].排灌機械工程學報，2018，36（9）：874-879，902.

（責編：張宏民）