张 蕾 侯英雨 郑昌玲 刘 维 何 亮 郭安红 程 路

(国家气象中心， 北京 100081)

引 言

作物长势包括作物生长状况与变化趋势，可用个体与群体特征描述。个体特征是作物自身组成与结构特性参数，描述作物个体特征，包括根的长度与数量、株高、叶片数量与形状、叶片叶绿素含量、叶片氮素含量、穗籽粒数与千粒重等[1-2]。群体特征主要是指作物生长态势在一定空间范围内的整体分布情况，描述作物群体特征参数，包括群体分布结构、密度、叶面积指数等。不同品种作物在不同地区和生长期有不同的个体特征和群体特征。快速获取作物个体及群体特征，了解并掌握作物的生长状况，可以为农业生产精准管理与产量预测提供支撑。

通常有两种途径来反映作物长势:一是常规地面观测，以定点定期观测为主，如中国气象局在全国主要农区设置了约653个农业气象观测站，定期观测小麦、玉米、水稻等大宗作物发育期、生长状况、生长量、产量结构、根分布、作物生理参数、冠层光谱特性等，并实时上传观测数据，以实时苗情、发育期进度与常年对比等形式开展全国范围内的农作物长势监测评估[3];二是卫星遥感监测，主要利用卫星遥感反演的农作物参数，如归一化植被指数(normal difference vegetation index，NDVI)或叶面积指数(leaf area index，LAI)，实现作物生长状况、产量及动态变化大范围宏观、快速监测，可分为作物生长过程和空间分布状况监测[4-5]。生长过程监测分析是基于NDVI时间序列生成作物生长过程曲线，通过比较当年与常年或上年曲线间的差异，得出当年作物长势等级[6-7]；空间分布监测是将当年的NDVI与往年的NDVI进行对比，反映作物长势状况空间分布变化情况。目前，上述两种途径均已应用到国家级和省级相关农业气象业务服务中[8-9]。然而，地面观测受限于人工观测手段带来的误差，时间和空间精度较低；遥感手段依赖产品本身算法及反演手段，产品质量常受到天气条件影响，而且监测缺乏足够的地面校准。因而，这两种手段在满足业务服务的需求上仍有欠缺。

作物模型作为农业气象服务中的一种技术手段，从系统科学的观点出发，以气象、土壤等条件为环境驱动变量，动态模拟农作物生长发育及产量形成过程[10-11]。由于作物模型具有机理性、解释性、动态性和综合性强的特点，可以逐日输出与作物生长相关的要素，满足业务服务的时效性需求。目前，作物模型已经成为国际上开展农业决策服务的重要支撑工具，欧洲联合研究中心、美国国际开发署等国际机构利用作物模型开展作物长势监测、产量预报等服务[12]。在国内，不少学者利用作物模型开展本地化校验、修正、改进与应用[10,13-18]，但多侧重于理论研究，尚未将其应用到农业气象业务服务中。近年来，作为国家级农业气象业务服务单位，国家气象中心将作物模型引入并应用到服务工作中，开发了基于WOFOST，ORYZA2000，WheatSM和ChinaAgrosys等作物模型的中国作物生长模拟监测系统(Crop Growth Simulating and Monitoring System in China，CGMS-China)[19]，开展了作物长势监测、农业气象灾害影响评估和作物产量预报等服务。

本文以冬小麦、玉米和水稻三大主要作物为主要研究对象，基于WOFOST和ORYZA2000逐日模拟输出结果，通过隶属度构建综合评估指数，开展作物长势评估与应用服务，以期为农业气象日常业务服务提供作物长势监测评估的决策支持。

1 模型与方法

1.1 作物模型简介

本文利用WOFOST[20]模型开展冬小麦和玉米(春玉米、夏玉米)、ORYZA2000模型[21]开展水稻(双季早稻、双季晚稻、一季稻)的生长发育过程模拟。作物模型根据作物品种特性参数、环境和土壤条件，以日为时间步长，模拟作物从播种到成熟的生长过程，主要包括CO2同化、干物质分配和水分平衡等动态过程[22-24]。作物模型一般将发育期分成不同的阶段，采用无量纲模拟发育进程(the development stage，DVS),WOFOST模型在冬小麦和玉米发育阶段模拟时将发育期划分为出苗(发育进程为0)、开花(发育进程为1)、成熟(发育进程为2)，ORYZA2000模型将水稻发育阶段划分为出苗(发育进程为0)、幼穗分化(发育进程为0.65)、开花(发育进程为1)和成熟(发育进程为2)。当有效温度累积值达到某一发育阶段所需的积温时，即认为作物完成某发育阶段的生长。根据全国农业气象试验站逐年的冬小麦、玉米、水稻发育期、产量结构要素等观测，目前已完成WOFOST模型在冬小麦和玉米主产区、ORYZA2000模型在水稻主产区的参数本地化和适应性评估，实现了气象、土壤、作物参数多源数据层的组织管理与模型区域化模拟分析应用[19]，并分别利用实时观测的土壤湿度同化WOFOST模型的土壤水分模拟[25]，引入高温败育模型[26]改进ORYZA2000模型高温影响，显著提高了模型模拟效果。

1.2 作物长势评估指标确定

在作物不同生长阶段，长势通常以不同的表征指数评价。在作物生长前期，即营养生长阶段，气象条件对作物生长的影响主要体现在植株高度、生长速率等方面，发育进程和叶面积指数可以反映植被的各种生物物理过程，如光合作用、呼吸作用、植被蒸腾和降雨截留等[27]；随着作物进入生殖生长阶段，生理机能增强，开花、籽粒灌浆并逐渐形成产量，发育进程、地上总生物量可以反映作物生长发育状况。基于2001—2018年全国冬小麦、玉米、水稻主产区的气象站点和10 km×10 km格点的逐日模拟数据集，以发育进程、叶面积指数和地上总生物量为表征指数，构建单要素隶属度和综合隶属度来表征作物长势。具体算运以日为时间步长，将全国冬小麦、水稻、玉米主产区的站点2001年至评价年评价日的发育进程、叶面积指数、地上总生物量模拟值为该评价日的样本数据集，运用模糊隶属函数法[28]进行分级评价，其中，评价要素隶属值为

(1)

(2)

(3)

式(1)～(3)中，Di，Li，Ti分别为站点i评价日发育进程、叶面积指数和地上总生物量，μ(Di)，μ(Li)，μ(Ti)分别对应其隶属函数值，max(Di)，min(Di)，max(Li)，min(Li)，max(Ti)，min(Ti)分别为2001年至评价当年评价日发育进程、叶面积指数、地上总生物量的最大值、最小值。一般情况下，发育进程、叶面积指数、地上总生物量大，即表示作物长势偏好，反之则偏差。

对发育进程、叶面积指数、地上总生物量单要素分析的基础上，对其进行集成，得到第i站点的长势综合评价指数：

Hi=wD×μ(Di)+wL×μ(Li)+wT×μ(Ti)。

(4)

式(4)中，wD，wL，wT分别为发育进程、叶面积指数、地上总生物量隶属函数值的权重系数。这里分为两个阶段开展权重系数的评价：在作物生育前期作物没有穗重时，根据发育进程、叶面积指数、地上总生物量对长势的可决性，采取专家打分法分别给予权重系数0.3，0.3，0.4；随着作物生长发育，叶面积指数逐渐降低，籽粒开始充实、穗重逐渐形成，叶面积指数不能较好地表征作物长势，因而考虑发育进程和地上总生物量集成综合评估指数，权重通过2个要素隶属函数值与穗重的相关系数构建权重系数：

(5)

式(5)中，k取值为1和2，分别为发育进程和地上总生物量，rk为要素隶属函数值与穗重的相关系数。

以定量评价指数开展定性评级时，基于单要素和综合隶属度，依据隶属度区间[0，20]、(20、40]、(40、60]、(60、80]、(80、100]分别对应长势差、长势偏差、长势持平、长势偏好和长势好，与国家级农业气象业务服务中作物遥感长势监测评价分级相一致[29]。

1.3 作物长势评估指数应用

在作物长势监测评估业务服务中，根据不同的服务需求，从不同的空间尺度上依据作物长势评估指数开展长势评价。全国尺度上，分析长势评估指数的空间分布得到作物长势在空间上的差异，通过分析长势评估指数的变化，评估气象条件对作物长势的影响；省级尺度上，对各省内站点的模拟要素隶属函数值通过空间集合平均的方式得到省级隶属函数值，确定评估指数，开展省级作物长势评价。

2 结果与分析

2.1 作物长势评估指标库构建

基于发育进程、叶面积指数和地上总生物量隶属函数和综合评估指数及其评价等级划分方法，构建了2001年以来冬小麦、春玉米、夏玉米、双季早稻、双季晚稻和一季稻长势评估指标库。在作物主要生长季(冬小麦为上年11月—当年5月，春玉米为5—9月，夏玉米为6—9月，早稻为4—7月，一季稻为5—9月，双季晚稻为8—10月)内任意监测日期，通过指标筛选、隶属函数值构建、要素权重系数判定等流程确定评估指数，建立作物长势评估指标库，并随着序列增长，实时动态更新，在实时监测日期、历史时段内开展站点、格点、省级等尺度作物长势评估。

2.2 作物长势评估指数与验证

2.2.1 与常规地面监测和遥感监测的对比

利用作物长势评估指数与常规地面观测和遥感长势反演进行比对验证。常规地面观测中，通过人工观测的作物发育程度可以掌握作物生长状况。2018年5月30日黑龙江南部、吉林大部、辽宁西部、河北北部、山西中部、陕西北部、四川盆地北部和东部等地春玉米长势较差，而黑龙江东部和北部、山西北部、宁夏、甘肃东北部、四川盆地中部和南部长势较好(图1a)。与人工观测的发育期距平的对比(图1b)表明：在评估指数显示长势偏差的地区春玉米发育日期普遍偏晚，而在长势正常或偏好的地区普遍接近常年同期或偏早。可见，作物生长前期发育进程可以较好反映作物长势。

遥感长势监测是基于MODIS的NDVI差值，将作物长势分为5级[29]，弥补常规地面观测空间尺度的不足。2018年3月20日北方冬麦区大部冬小麦处于越冬后的返青起身生长阶段，长势综合评估指数结果(图2a)显示：河北中部、陕西中部、河南北部、山东中部和南部、安徽西北部和江苏东北部等地冬小麦长势差或偏差，其余地区长势持平，其中长势好、偏好、持平、偏差、差的面积比例分别为3.9%，4.5%，65.7%，24.6%，1.3%； 3月中旬遥感长势监测结果(图2b)表明：河北中部、陕西中部、河南北部、山东中北部等地冬小麦长势略偏差，其余大部长势为正常，偏好、略偏好、持平、略偏差、偏差的面积比例分别为0.1%，2.7%，74.6%，22.3%，1.3%。总体上，长势评估指数反映的冬小麦长势与遥感长势监测的结果较为一致。

2.2.2 作物长势与天气气候条件对应关系的验证

作物模型对气象条件较为敏感，通过作物模型长势评估指数对天气气候条件的反映可以有效比对验证该指数的可行性,以2018年7月—8月中旬辽宁中北部主要农区发生轻至中度、局部重度干旱事件为例。2018年7月下旬—8月上旬辽宁康平的干旱日数为16 d，干旱强度(作物水分亏缺距平指数)为2.5，干旱日数和强度为近5年最高值(图3a)，期间又出现6～10 d的高温天气，实际地块调研发现，高温干旱导致春玉米拔节不充分，植株矮化明显，叶片出现卷叶，下部叶片变黄、枯死，长势明显偏差。该阶段康平春玉米的综合评估指数(图3b)表明：长势持续偏差(评估指数为0.45～0.52)，明显低于长势较好的2014年(0.71～0.77)和2016年(0.69～0.75)。

2018年4月—5月中旬，东北地区西部、内蒙古东部等地阶段性春旱导致春玉米春播受阻，已播春玉米长势偏弱。由吉林和辽宁省10 cm土壤站点缺墒百分比(图4a)可以看到，5月25日前降水量少、缺墒站点百分比为40%～60%，而25—30日出现了明显降水过程，缺墒站点比例明显下降,受干旱影响，省级尺度的春玉米长势综合评估指数持续下降(图4b)，在降雨之后有所增大，且辽宁的指数普遍比吉林高，这主要因为辽宁比吉林降水多、土壤缺墒站点百分比少(5月11—25日辽宁、吉林平均降水量分别为1.46 mm，1.37 mm，土壤缺墒站点百分比分别为50.5%和52.6%)。可见，省级尺度的长势指数可以较好地反映天气条件对作物长势的影响。

图1 2018年5月30日春玉米长势评估(a)、田间常规观测的春玉米发育期距平(b)Fig.1 Growth assessment for spring maize on 30 May 2018(a) and anomaly of observed phenology at agro-meteorological experiment stations(b)

图3 1981—2018年7月21日—8月10日辽宁康平干旱日数与春玉米干旱强度(a)、2014—2018年7月21日—8月10日辽宁康平春玉米长势评估(b)Fig.3 Drought days with intensity from 21 Jul to 10 Aug during 1981-2018(a) and growth assessment for spring maize from 21 Jul to 10 Aug during 2014-2018(b) at Kangping in Liaoning

图4 2018年5月11—30日吉林和辽宁省10 cm土壤缺墒站点百分比与降水量(a)、春玉米长势评估指数(b)Fig.4 The percentage of station in soil water deficit at 10 cm depth and surface precipitation(a) and growth assessment for spring maize(b), in Jilin and Liaoning during 11-30 May 2018

2.3 作物长势实时监测评估

基于作物长势评估指标库，在国家级业务服务过程中可以开展任意日期冬小麦、玉米和水稻生长长势评价。以2018年6月30日为例，一季稻处在分蘖期，长势综合评估指数采用专家打分法厘定的权重系数集成发育进程、叶面积指数、地上总生物量(图5a)，结果显示：湖北中西部、四川盆地、贵州北部、云南中北部一季稻长势偏好或好，黑龙江东部、辽宁东部、江苏、安徽、湖北东部、浙江和福建等地偏差或差，其余地区正常。此时，江南、华南双季早稻处于抽穗灌浆至乳熟阶段，长势综合评估指数以发育进程和地上总生物量与穗重的相关系数加权集成，其中地上总生物量的权重系数一般超过0.4，指数结果(图5b)显示，浙江中部、江西中北部、湖南东部、广西东北部长势持平，其余大部地区较好。

由于冬小麦、玉米、水稻覆盖范围广，不同地区作物发育期存在一定差异，综合评估指数的建立与发育期状况有关。以2019年3月15日冬小麦长势评估为例，西北、华北、黄淮地区冬小麦处于越冬后返青生长阶段，江淮、江汉地区处于拔节期，西南地区处于抽穗开花至乳熟阶段。西南、江淮、江汉地上总生物量权重系数较高(图6a)，表明有穗重形成，综合评估指数以发育进程和地上总生物量加权集成而得，且发育期越往后的站点总生物量所占的权重越大；而西北、华北、黄淮冬小麦尚未有穗重形成，综合评估指数仍以专家打分法厘定的权重系数集成发育进程、叶面积指数、地上总生物量得到。因此，不同集成方式得到的综合评估指数结果(图6b)表明：新疆、华北东部、江淮南部、四川盆地长势偏好或好，河南中部、陕西中部、云南、贵州南部偏差或差，其余地区持平。

图5 2018年6月30日一季稻(a)、双季早稻(b)长势评估Fig.5 Growth assessment for single-season rice(a) and double-season early rice(b) on 30 Jun 2018

图6 2019年3月15日冬小麦地上总生物量权重系数(a)和长势评估(b)Fig.6 Weight of total aboveground production(a) and growth assessment(b) for winter wheat on 15 Mar 2019

2.4 作物长势评估应用

应用长势评估指数可以评估天气气候条件对作物长势的影响，尤其是典型灾害年份、灾害过程的定量评估。2018年7月下旬—8月上旬，长江中下游地区出现高温天气，安徽、江苏、湖北、湖南、江西5省高温日数普遍有10～16 d，影响一季稻灌浆结实；8月5日一季稻长势综合评估指数(图7a)反映出安徽中部、江苏西南部、浙江西部和北部、福建中北部等地长势偏差。而2013年7月上旬—8月中旬，长江中下游地区大部出现持续晴热高温少雨天气，高温伏旱范围大、持续时间长，一季稻结实率和籽粒重低(图7b)，长江中下游地区的一季稻长势明显偏差。

图7 2018年8月5日(a)和2013年8月5日(b)一季稻长势评估Fig.7 Growth assessment for single-season rice on 5 Aug 2018(a) and 5 Aug 2013(b)

在空间区域长势评估的基础上，可集成省级尺度指数开展作物长势评估。2018年5月31日春玉米省级尺度长势评估(图8)显示,发育进程、叶面积指数、地上总生物量单因子和综合评估指数均显示甘肃和宁夏春玉米长势最好，其次是辽宁、山西、内蒙古、河北、重庆、四川、黑龙江、北京、吉林，陕西、广西和新疆偏差；就单因子而言，发育进程、叶面积指数、地上总生物量在各个省的评价程度总体变化幅度较小，四川、重庆和广西发育进程体现的作物长势明显高于叶面积指数和地上总生物量，与这三省春玉米长势偏快一致。

图8 2018年5月31日省级尺度春玉米长势评估Fig.8 Growth assessment for spring maize in provinces on 31 May 2018

3 结论与讨论

考虑到常规地面观测和卫星遥感监测作物长势准确性方面的不足，本文基于作物模型逐日模拟结果，构建长势评估指数，开展冬小麦、玉米(春玉米、夏玉米)、水稻(一季稻、双季早稻、双季晚稻)长势评估。得到以下主要结论：

1) WOFOST，ORYZA2000模型逐日输出的发育进程、叶面积指数和地上总生物量可较好地反映冬小麦、玉米、水稻长势。穗重未形成前，以发育进程、叶面积指数、地上总生物量隶属函数值与0.3，0.3，0.4的权重系数集成构建综合评估指数；穗重形成后，以发育进程、地上总生物量隶属函数值与其与穗重的相关作为权重系数集成构建综合评估指数，并构建了作物长势评估指标库。

2) 作物长势综合评估指数与常规地面观测、遥感长势监测一致性较好，并能反映天气气候条件对作物长势的影响。

3) 在冬小麦、玉米、水稻生长季内，开展任意时间多空间尺度作物长势评估，既可实时监测评估，又可与历史情况开展对比分析。

作物模型对作物生长发育过程的机理性有较强的描述能力，且时效性高，在作物长势评估中具备一定的优势。基于发育进程、叶面积指数、地上总生物量构建的长势评估指标建立数据库并应用到国家级业务平台，能够快速有效地开展作物长势评估，从时间和空间尺度上均能满足农业气象业务服务的精细化、定量化的需求。当然，作物模型模拟是计算机数学模拟的过程，本身存在一定的不确定性，有待借助精细化、针对性试验资料的积累和完善，通过作物模型参数厘定、算法模块改进等过程，优化作物模型在我国主要作物产区的应用。在灾害天气评估中，除了利用农业气象灾害指数[30-31]开展评估外，基于作物模型的长势指标也能反映出高温、干旱、低温等典型灾害性天气的影响。然而，作物模型对风雹、短时强降水等灾害性天气和病虫害的反映不敏感，在评估分析和应用上存在不足。作物长势的评估从定性到定量、不同评价方式和指标之间都存在一定差异，因而需要进一步加强标准化、规范化的长势监测，以更好地开展定量化、指标化的长势评估，为农业气象科研和业务服务提供支撑。