任义方 邬定荣 高苹 谢小萍 王雪燕

摘要：为了在省级层面更好地应用作物模型业务应用系统，利用江苏省2013—2015年站点观测资料，基于自动寻优方法，以均方根误差最小化原则，校正WOFOST中冬小麦发育相关参数，再采用“试错法”订正产量敏感参数，获取适合模拟江苏省冬小麦生长发育的作物参数，随后用2015—2016年的生育期和生物量观测资料验证参数，并用2017年的产量资料进行区域验证。将其模拟结果和业务系统运行结果与实测值对比后发现，本方法可以有效改善对发育期、叶面积指数、地上部分干物质和单位面积产量的模拟，对生育期的模拟改善幅度较大，得到的区域产量也与实测值更为一致。本方法较好地实现了江苏省冬小麦参数的本地化，可为作物模型的常态化应用提供基础，同时也可为其他省市的参数化提供一个借鉴的思路。

关键词：自动寻优;试错法;异参同效;参数取值特性

中图分类号：S163   文献标志码： A

文章编号：1002-1302（2022）09-0226-09

作物生长模型描述了作物生长发育、光合作用、呼吸作用、干物质分配以及衰老等基本生理生态过程，能够对作物的生长过程和生物量进行定量模拟[1]。经过几十年的研究和应用，作物模型已经成为了监测作物长势[2]、评价灾害风险[3-5]、预测产量[6-7]以及评估气候影响[8]的重要技术手段。

为了推动作物模型在气象部门的业务化应用，提高农业气象服务的定量化和精细化水平，国家气象中心成立了作物模型业务应用创新团队，旨在通过引进具有开源代码的国际主流作物模型（如WOFOST和ORYZA2000），逐步解決作物模型业务化应用关键技术问题。至2018年初，以冬小麦、玉米、水稻为研究对象，国家气象中心作物模型业务系统（以下简称“业务系统”）在研发及服务试用等方面取得了大量进展[9-11]。

在业务系统中，主要使用WOFOST作物模型对冬小麦的生长进行模拟。该模型由世界粮食研究中心和瓦赫宁根农业大学共同研发，以1 d为步长定量模拟气象和不同生产管理水平下的作物生长动态过程，具有较强的机理性。WOFOST模型在国内已经有十几年的应用历史，在国内的适用性也已得到了大量验证[12-14]。然而，在应用过程中如何根据观测资料对模型进行本地化的问题仍未得到很好的解决。在模型引入之初，普遍利用“试错法”根据控制试验条件下的作物生长发育及干物质积累资料进行手动调参，使模型模拟的发育期、生物量和产量等观测要素最大限度地接近实测值[15-16]。然而该方法存在工作量较大、不适于在区域上应用等缺点。近几年来，随着卫星遥感资料空间连续性、获取实时性等优势的体现，有学者利用同化技术方法对模型中的关键参数进行优化研究分析[17-20]。在业务系统中，也主要基于遥感同化资料，采用多种统计方法筛选关键参数，进行优化后获得了各参数的取值。这些参数取值已经内嵌在业务系统中，供各省市使用。但是，作物模型参数不仅数量庞大，各参数间取值还存在一定的相关关系，且取值随发育进程呈周期性变化[21-22]，这导致研究中，容易产生“异参同效”现象，即不同的参数取值往往可以得到近似的拟合效果。虽然业务系统中应用的方法能找到对观测值的近似最佳拟合，但往往忽视了参数间存在的相关关系及其周期性变化规律，导致得到的参数组合与真实值可能存在一定的偏差。这些偏差会影响模型的应用效果，尤其是当模型用来外推预测时。

针对模型参数化存在的问题，本研究将自动寻优与试错法相结合（以下简称综合法），以江苏冬小麦为研究对象，根据实际观测的发育期、叶面积指数、干物质和产量，首先对冬小麦发育期相关参数进行自动优化，随后在充分考虑参数取值特性的情况下，用试错法校正和验证其他关键参数，并将模型模拟结果和业务系统得到的结果进行站点和区域尺度的比较，以期为模型的本地化和业务化应用提供参考。

1 资料与方法

1.1 研究区域及分区

江苏省处在亚热带和暖温带的气候过渡地带，属东亚季风气候区。全省年平均气温在13.6～16.1 ℃，年降水量为704～1 250 mm，年日照时数在1 816～2 503 h，是我国南方麦区的重点种植区域之一，冬小麦种植主要分布在江苏长江以北地区，面积约为214万hm2，占比约90%，长江以南地区约为26万hm2，占比约10%[23]。

在业务系统中，根据主产区内的冬小麦品种和种植模式的差异，选取了单位面积产量水平、土壤类型、气象条件和种植结构为指标，采用空间聚类的方法，将整个江苏冬小麦主产区划分为相对较为均质的3个子区域进行作物模型标定并确定各参数的最终取值。图1是业务系统中对江苏的分区结果和相应的农气站点分布情况，从北至南分为3个区域，分别对应于苏北区、苏中区和苏南区。

1.2 资料及来源

江苏有11个冬小麦农气观测站（徐州、沭阳、赣榆、滨海、盱眙、淮安、邗江、大丰、兴化、如皋和昆山）。其中徐州站和兴化站观测要素较全，对冬小麦生长的观测要素包括品种类型、生育期（播种期、出苗期、开花期和成熟期）、地上部分生物量（叶质量、茎质量、穗质量）、叶面积指数（LAI）及单位面积产量观测;其他8个站观测要素较少，只有品种类型、生育期和单位面积产量。

在业务系统对江苏省冬小麦的分区中，苏北和苏中区各有一个观测要素较全的农业气象试验站，分别是徐州站和兴化站，而苏南区只有一个观测要素较少的农业气象观测站（昆山站）。3个站在分区中的地理位置如图1所示。本研究拟选择这3个站的数据用于模型参数的校正和验证。

研究表明，各站平均2～3年更换一次冬小麦品种[24]。因此，本研究拟采用3年的农气观测资料对模型参数进行站点的校正和验证。收集整理2013—2016年徐州、兴化和昆山的冬小麦生长观测资料。3站同期的逐日气象要素，包括日照时数、日最高气温、日最低气温、08：00水汽压、日平均风速、降水量等也一并收集。

为了验证对产量区域分布趋势模拟效果的改善，收集整理了区域模拟所需的2017年江苏13个地市的冬小麦产量资料，以及同期70个常规气象自动站逐日气象要素和11个农气站的冬小麦播种和出苗日期。冬小麦产量资料来自江苏省统计局，冬小麦生长观测资料和气象资料均来自江苏省气象信息中心，其中发育期日期序列采用日序进行定义，即将每年的1月1日记为1，1月2日记为2，其余以此类推。

1.3 研究方法

利用农业气象观测站的冬小麦2013—2015年的观测数据，结合自动寻优和手动调整的方法，校正与生育、发育及产量相关的参数，随后利用2015—2016年的独立观测样本对模型参数进行验证，并将其模拟结果与业务系统的模拟结果进行比较。

1.3.1 模型参数校正

在校正观测要素较全的徐州和兴化的参数时，是在已有研究的基础上[17]，设定参数的取值区间，基于发育期观测资料，采用自动寻优的方法，利用模拟值均方根误差（root mean square error，RMSE）最小化的原则，确定最优的作物发育下限温度（T b）和最适温度（T opt）。随后根据优化后的T b、T opt，自动计算出苗到开花的积温（TSUM1）、开花到成熟的积温（TSUM2），并据此自动计算发育速率的温度校正因子（DTSMTB）以及叶片的最大生理年龄（SPAN），从而实现这些关键参数的自动优化。随后参考已有研究结果[9-10]，结合生物量和产量观测资料，综合考虑各参数之间的相关性及取值随发育进程变化规律性[21]，用“试错法”对比叶面积（SLATB）、最大CO 2同化速率（AMAXTAB）和茎叶穗分配系数（FSTB、FLTB、FOTB）、茎穗转化效率（CVS、CVO）和茎穗维持呼吸作用速率（RMS、RMO）等关键参数进行修正，从而完成WOFOST作物模型中冬小麦参数在江苏省的本地化。对于观测要素较少的昆山站，则是在兴化站参数校正的基础上，基于发育期自动优化发育相关参数，随后根据产量资料手动调整产量敏感参数。

1.3.2 模型评价和校验

站点模拟评价和验证：利用模拟的潜在产量和观测值之间的绝对误差来评价和校验模型对冬小麦开花、成熟期和产量的模拟效果;利用反映实测与模拟间一致性的相关系数（R）和反映其离散程度的RMSE这2个统计指标，以及将模拟值和实测值进行比较的方法来评价模型对冬小麦叶面积指数和地上干物质质量的模拟效果。

区域模拟验证：将综合法和业务系统在各县市的模拟产量汇总成地市产量，并与实测值进行比较。在比较时，主要利用地市观测产量和模拟产量之间的误差，以及反映数据离散程度的极差来验证综合法对冬小麦区域产量模拟效果的改善程度。

2 结果与分析

2.1 模型校正

2.1.1 发育期参数的校正

徐州、兴化和昆山3站T b、T opt的寻优区间和其最终取值，以及TSUM1和TSUM2如表1所示。参数校正后对开花和成熟期的模拟结果如表2所示。

从表2可以看出，对于徐州站，利用综合法模拟的开花期、成熟期平均绝对误差分别为0、1 d，利用业务系统模拟的分别为2.0、5.0 d。对于兴化站，利用综合法模拟的开花期、成熟期平均绝对误差分别为1.0、0.5 d，利用业务系统模拟的分别为13.5、5.0 d。对于昆山站，利用综合法模拟的开花期、成熟期平均绝对误差分别为1.0、0.5 d，利用业务系统模拟的分别为1.0、3.5 d。可见，利用综合法自动获取影响生育期的关键参数，可以有效提高冬小麦生育期的模拟精度。

2.1.2 叶面积指数和生物量参数的校正

比叶面积和叶片分配系數是影响叶面积模拟的关键参数。已有研究表明，冬小麦生长过程中，比叶面积与作物所处发育时期及其对应的气象环境因素密切相关，冬小麦生长初期叶片较薄，随着叶片干物质累积，叶片扩展加厚，比叶面积随生育进程具有逐步减小的趋势[21]。干物质在根、茎、叶和穗的分配系数也具有这种规律性。在生长初期，干物质主要分配给叶和根。随着生育进程的推进，叶和根的分配系数逐渐下降，而茎的分配系数渐增，且在拔节期前后达到最大值。抽穗前，光合产物主要分配给叶、茎、根等营养器官;抽穗后，同化物不再向营养器官中分配，转而分配至贮藏器官，同时营养器官中的干物质会有部分转移到穗而形成产量[22]。而在业务系统中，由于没有考虑到这些特性，其比叶面积（SLATB）随发育进程出现了先降低后升高又降低的趋势（图2-a），叶片分配系数（FLTB）也有先升高后下降的趋势（图2-b）。虽然这些取值存在这些不合理之处，但因“异参同效”的原因，业务系统仍可获得较好的模拟效果，但在随后的应用中可能会使叶面积指数和干物质的模拟出现偏差，尤其是当模型应用在波动环境时。

从总体上看，2种方法模拟的叶面积和干物质随发育进程的动态变化都与观测值较为接近，但综合法模拟的LAI较业务系统更接近观测值（图3-a、图3-b、表3）。综合法模拟的LAI与实测值之间相关系数（R）和RMSE的平均值分别为0.92、1.13，而业务系统对应值分别为0.81、1.92。地上干物质模拟结果也表明综合法模拟结果与观测值更吻合（图3-c、图3-d、表3）。综合法模拟的地上干物质与实测值之间R平均值为0.97，RMSE平均值为2 007 kg/hm2，而业务系统模拟的R平均值0.965，RMSE平均值为3 367 kg/hm2。

2.1.3 产量参数的校正

与地上干物质的结果类似，综合法和业务系统得到的结果都与实测值接近，但综合法模拟产量更为接近观测值（图4）。徐州、兴化和昆山模拟产量与实测值之间的平均绝对误差分别为36、341、374 kg/hm2，而业务系统的对应值分别为616、477、1 698 kg/hm2 （表3）。可见，综合法对产量的模拟效果优于业务系统。

分析发现，综合法和业务系统的模拟产量可能存在波动较大的问题。如兴化站在2014年综合的模拟值比实测值高380 kg/hm2，而2015年则低 302 kg/hm2。业务系统也如此，2年模拟值比实测值分别低185、769 kg/hm2。分析生长季气候资源可以发现，2013—2014年生长季日照时数较常年（1981—2010年30年平均值）偏多7.5%，这可能是造成模拟产量波动较大的原因之一。2014—2015年虽然冬前连续阴雨寡照，日照时数偏少，且越冬期持续低温（最低气温连续7 d低于0 ℃），这对模拟产量均有不利影响[25]，但越冬至成熟后各生育阶段积温均较常年偏多，且后期光温水资源配置较为合理，这对前期的生长不足起到了较好的补偿作用，从而使得实际产量并没有下降。然而模型并不具备反映这种补偿作用的功能，因此模拟值明显低于实测值。昆山站也存在模拟产量波动高于实测值的现象。该站2014年模拟产量比实测值高 113 kg/hm2，但在2015年则低635 kg/hm2，其原因可能是2014年冬小麦灌浆成熟前期多阴雨天气，日照偏少，田间湿度大，小麦赤霉病等病虫害流行;后期又出现明显阴雨天气过程，气温日较差偏小（仅为7.2 ℃），灌浆速度减慢;降水后气温回升过快，小麦成熟加快，不利于粒质量增长，从而导致实测产量偏低。2015年冬小麦拔节长穗期（2月下旬至4月上旬）多阴雨天气，日照时数较常年偏少24.8%，降水量较常年偏多89.7%，使得模拟产量降低，而在实际生长中，灌浆成熟期持续晴好天气有效补偿了前期生长发育的不足。

2.2 模型验证

2.2.1 站点验证

从生育期模拟结果来看，综合法模拟开花期和成熟期的平均绝对误差分别为1.33、0.67 d，而业务系统的值分别为4.67、1.67 d（表4），前者的精度大大高于后者。从模拟冬小麦生长的叶面积指数和干物质量动态（图5-a、图5-b、图5-d、图5-e）来看，2个方法得到的结果都与观测值较为吻合，但综合法模拟值较业务系统更为接近观测值。综合法模拟的LAI与实测值之间的相关系数（R）和RMSE平均值分别为0.85和1.65，地上干物质与实测值之间分别为0.96和1 872.5 kg/hm2;而业务系统模拟的LAI对应值分别为0.55和2.61，地上干物质对应值分别为0.93和 2 659.5 kg/hm2（表5）。从模拟的冬小麦产量来看（图5-c、图5-f，昆山站图略），2个方法获取的模拟产量都与观测值较为吻合，但综合法的模拟产量波动较业务系统更小，3站平均绝对误差分别为176.7、553.7 kg/hm2（表5）。

综合法模拟产量波动较大的问题也同样存在。如昆山站在2016年的模拟值比实测值高 476 kg/hm2。进一步分析发现，小麦生产过程中，播种期持续阴雨天气造成播种质量差，三类苗占比大;抽穗开花期高湿寡照导致赤霉病等病虫害发生严重;灌浆期日照不足，持续阴雨导致早衰，影响粒质量;收获期阴雨偏多加剧赤霉病蔓延和霉烂发生。该年冬小麦生长期农业气象条件弊多利少，导致实际产量较上年偏少20%。

2.2.2 区域验证

从模拟产量与统计产量区域分布趋势来看，综合法和业务系统都较好地反映了产量的区域分布趋势（图6），其中综合法的模拟效果又略优于业务系统，特别是综合法正确地识别出了产量的北部高值区以及南部低值区。但是综合法和业务系统都未能正确反映出连云港市的高值区，而且都高估了盐城市和南通市的产量。对此问题的研究，还有待于在下一步的工作中深入開展。区域产量的实测值变化在4 264～5 946 kg/hm2之间，极差为1 682 kg/hm2。综合法模拟产量变化在 5 004～6 333 kg/hm2之间，极差为1 330 kg/hm2。业务系统则变化在4 611～7 030 kg/hm2之间，极差达2 419 kg/hm2。因此，综合法显著缩小了极差，使得模拟产量与实测产量更接近。

图7是综合法和业务系统模拟产量与实测值之差在区域上的分布。由此可见，综合法结果与实测产量之差的波动相对较小，其值变化在-720～873 kg/hm2 之间。其中，负值主要出现在苏北，最小值为连云港市，而正值主要位于苏南及盐城市，最大值出现在南京市。因此，综合法低估了连云港市的产量而高估了南京市的产量。业务系统模拟的产量波动较大，与实测值之差变化在-902～1 203 kg/hm2 之间。其中，负值主要出现在苏北。除此之外，苏南的南京和镇江也呈负值，最小值出现在徐州市。正值多出现在苏中和苏南，最大值出现在盐城市。也就是说，业务系统低估了徐州市的产量，而高估了盐城市的产量。由图7可见，综合法缩小了与实测产量的差异。

3 结论与讨论

本研究结合江苏农业气象观测站的小麦生育期、LAI、地上干物质和产量资料，采用自动寻优与“试错法”相结合的方法，获取了WOFOST模型适合模拟江苏省小麦生长发育的作物参数，得到了相应的模拟结果，并与业务系统的参数及模拟结果进行比较，得到的主要结论如下。

（1）采用自动寻优与“试错法”相结合的综合法，能实现对冬小麦生长和发育良好模拟，较好实现了模型参数的本地化，并且由于在参数化过程中考虑参数间取值的相关性及其值随发育进程的变化，参数取值更具合理性。

（2）业务系统虽然也能实现对观测值的较好拟合，但因没考虑到参数取值的特性，得到的结果可能是多个参数组合均能得到类似模拟结果的一种“异参同效”现象。例如业务系统中没考虑叶面积指数相关参数（SLATB、FLTB）的取值随发育速率的规律性变化，使得其他参数的取值需要做出相应调整，才能获得较好的模拟效果。这些参数取值的调整，虽然在当前年份及环境下可实现对产量的有效模拟，但当其应用于不同年份时，模拟误差有可能会增大。

（3）用本方法优化生育期参数及考虑参数取值后，显著提高了对生育期模拟的准确度，对LAI、地上干物质和产量的模拟精度也有不同程度的提高，得到的区域产量也与实测值更为一致。这表明该方法可以有效提高江苏省产量预报业务的准确率。同时，该方法也能为其他省市业务部门提供借鉴的思路。

尽管综合法能更好地对模型进行参数化，但在LAI模拟时发现，在小麦生育中后期，模拟LAI普遍高于观测值。结合实际观测资料，可能是模型中没考虑到无效分蘖的大量死亡所致。例如在2016年徐州冬小麦返青时（2月18日）茎蘖数达到最大为2 420株（茎）/m2，随后茎蘖数大量下降，至抽穗（4月13日）时有效茎蘖数仅615株（茎）/m2。可见，冬小麦返青—抽穗期间2/3无效分蘖出现死亡;相应地，模拟叶面积指数值从4月18日开始出现普遍高于观测的情况。类似的，2014、2016年兴化站和2014—2015年徐州站均出现了冬小麦生育后期模拟叶面积指数偏高的情况。此外，2016年模拟徐州的LAI普遍低于实测值，其原因可能是江苏2015年8月扫描仪测量叶面积系统正式投入业务使用，更换了原有LAI观测方法，导致2015—2016年观测的冬小麦LAI普遍高于往年。

对产量模拟分析发现，尽量模拟产量与观测值具有相近的变化趋势，但有时其年际波动较大。究其原因，可能是模型存在一些机理上的不足。例如，研究发现，模拟产量受日照时数影响较大，然而在实际种植情况下，日照对产量波动的影响似乎并不明显。此外，模型尚未考虑冬小麦后期生长对前期不足的有效弥补和调节作用[26-28]。这些模型机理上的缺陷，都会使得模拟结果的波动高于实际观测值。

受限于农业气象观测站点数量不足，目前仅能将单站的参数作为整个区域参数进行冬小麦生长的模拟。此外，作物模型区域应用时认为一块区域内作物品种相同的假设，也会给模拟结果带来一定的误差。如在本研究中，具有生物量和LAI观测的站，均位于分区的北部。由于不同区域冬小麦所需的积温存在一定的差异[29]，基于这些站观测数据获取的参数去模拟分区南部冬小麦的生长时，可能会导致模拟的发育期和产量产生系统偏差。

随着遥感数据的不断扩容，如何更好地结合参数间取值的相关性和规律性，挖掘卫星遥感面上观测资料的优势，通过同化或融合的方法，来不断修正作物模型的关键参数，实现参数区域化，以提高模型模拟的准确性，是今后在实现作物模型业务应用常态化过程中需要解决的问题。

参考文献：

[1]Supit I，Hooijer A A，van Diepen  C A. System description of the WOFOST 6.0 crop simulation model implemented in CGMS，vol. 1：theory and algorithms[M]. Luxembourg：Office for the Official Publications of the European Communities，1994：146

[2]刘 峰，李存军，董莹莹，等. 基于遥感数据与作物生长模型同化的作物长势监测[J]. 农业工程学报，2011，27（10）：101-106.

[3]张建平，王春乙，赵艳霞，等. 基于作物模型的低温冷害对我国东北三省玉米产量影响评估[J]. 生态学报，2012，32（13）：4132-4138.

[4]张雪芬，余卫东，王春乙. 基于作物模型灾损识别的黄淮区域冬小麦晚霜冻风险评估[J]. 高原气象，2012，31（1）：277-284.

[5]刘布春，王石立，庄立伟，等. 基于东北玉米区域动力模型的低温冷害预报应用研究[J]. 应用气象学报，2003，14（5）：616-625.

[6]黄健熙，武思杰，刘兴权，等. 基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测[J]. 农业工程学报，2012，28（4）：142-148.

[7]秦鹏程，刘 敏，万素琴，等. 不完整气象资料下基于作物模型的产量预报方法[J]. 应用气象学报，2016，27（4）：407-416.

[8]秦鹏程，姚凤梅，曹秀霞，等. 利用作物模型研究气候变化对农业影响的发展过程[J]. 中国农业气象，2011，32（2）：240-245.

[9]黄健熙，贾世灵，马鸿元，等. 基于WOFOST模型的中国主产区冬小麦生长过程动态模拟[J]. 农业工程学报，2017，33（10）：222-228.

[10]何 亮，侯英雨，赵 刚，等. 基于全局敏感性分析和贝叶斯方法的WOFOST作物模型参数优化[J]. 农业工程学报，2016，32（2）：169-179.

[11]何 亮，侯英雨，于 强，等. 不同空间分辨率驱动数据对作物模型区域模拟影响研究[J]. 农业机械学报，2018，49（2）：241-251.

[12]陈思宁，赵艳霞，申双和，等. 基于PyWOFOST作物模型的东北玉米估产及精度评估[J]. 中国农业科学，2013，46（14）：2880-2893.

[13]马玉平，王石立，李维京. 基于作物生长模型的东北玉米冷害监测预测[J]. 作物学报，2011，37（10）：1868-1878.

[14]邬定荣，刘建栋，刘 玲，等. 基于作物生长模型及CAST分类的华北夏玉米生产力区划研究[J]. 气象科学，2015，35（1）：66-70.

[15]李树岩，余卫东. 基于WOFOST模型和水分胁迫的河南省冬小麦减产风险[J]. 应用生态学报，2017，28（3）：911-917.

[16]邬定荣，欧阳竹，赵小敏，等. 作物生长模型WOFOST在华北平原的适用性研究[J]. 植物生态学报，2003，27（5）：594-602.

[17]徐勝男. 基于遥感数据修正WOFOST模型的江苏省冬小麦生长模拟研究[D]. 南京：南京信息工程大学，2016：46-55.

[18]吴 伶，刘湘南，周博天，等. 多源遥感与作物模型同化模拟作物生长参数时空域连续变化[J]. 遥感学报，2012，16（6）：1173-1191.

[19]闫 岩，柳钦火，刘 强，等. 基于遥感数据与作物生长模型同化的冬小麦长势监测与估产方法研究[J]. 遥感学报，2006，10（5）：804-811.

[20]de Wit A，Duveiller G，Defourny P. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations[J]. Agricultural and Forest Meteorology，2012，164：39-52.

[21]乔玉辉，宇振荣，Driessen P M. 冬小麦叶面积动态变化规律及其定量化研究[J]. 中国生态农业学报，2002，10（2）：83-85.

[22]乔玉辉，宇振荣，Driessen P M. 冬小麦干物质在各器官中的累积和分配规律研究[J]. 应用生态学报，2002，13（5）：543-546.

[23]江苏省统计局，国家统计局江苏调查总队. 江苏省农村统计年鉴2015[M]. 北京：中国统计出版社，2015：212-219.

[24]王 芳，邬定荣，王春乙. 两种参数化方案下冬小麦品种对发育期的影响[J]. 应用气象学报，2017，28（4）：493-503.

[25]马玉平，王石立，张 黎. 针对华北小麦越冬的WOFOST模型改进[J]. 中国农业气象，2005，26（3）：145-149.

[26]吕丽华，梁双波，张经廷，等. 不同小麦品种的产量及光能利用对冬前积温的响应[J]. 麦类作物学报，2017，37（8）：1047-1055.

[27]郭文善，封超年，嚴六零，等. 小麦开花后源库关系分析[J]. 作物学报，1995，21（3）：334-340.

[28]蒋纪芸，阎世理，潘世禄，等. 冬小麦生育后期个体器官间的补偿作用[J]. 西北农林科技大学学报（自然科学版），1984，12（1）：20-36.

[29]王 芳，刘宏举，邬定荣，等. 近30年华北平原冬小麦有效积温的变化[J]. 气象与环境科学，2017，40（2）：20-27.