小麦模型WheatSM参数调试优化方法研究

doi:10.19788/j.issn.2096-6369.210302

摘要/Abstract

摘要：

作物生长模型是评估作物生产、资源利用及气候变化影响等的有效工具，准确地确定作物模型参数是应用模型的关键。WheatSM（Wheat Growth and Development Simulation Model）模型已在作物生产优化管理上得到一定的应用，并取得较好的效果，但由于该模型参数较多，模型参数调试复杂。为了快速、准确地确定WheatSM模型参数，简化该模型的调参工作，促进其在农业气象领域中广泛应用，本研究在国内外作物模型参数自动调节方法的基础上，基于PEST（Parameter Estimation）方法构建了WheatSM模型参数的自动调节耦合系统，并对WheatSM模型的发育期和产量参数进行了自动寻优。选择北京上庄作为代表性试验点，以试验点的气象数据、土壤数据和2014~2016年冬小麦不同播期试验数据为基础，应用PEST参数自动优化方法和试错法分别对小麦生长模型WheatSM发育期参数和产量参数进行调试，并将优化结果和试错法的模拟结果进行比较。研究结果表明，基于PEST方法的模型参数调节精准度较高，模拟发育期的误差不大于7天，模拟产量的误差不大于228.63kg·hm^-2。同时，与试错法相比，PEST方法具有耗时少、可同时批量处理数据、更高效快捷等优点，使用该自动调参系统可减少参数率定的工作量，节省模型的操作时间，简化工作的复杂度和获得较高的模拟精度。该研究为WheatSM模型参数的自动优化提供一种便捷方法，为提高作物模型参数调试的效率和准确性提供了理论参考和指导。

关键词: 小麦, PEST, WheatSM模型, 参数优化, 发育期, 产量, 作物生长模型

Abstract:

The crop growth model is an effective tool to evaluate crop production, resource utilization, and climate change impact. The WheatSM (Wheat Growth and Development Simulation Model) has been applied to crop production optimization and management and has achieved good achievements. However, because of the large number of model parameters, it’s complicated to debug the model parameters. To determine the parameters of the WheatSM model quickly and accurately, it is necessary to simplify the parameter adjustment work of the model and promote its wide application in the field of agricultural meteorology. In this study, on the basis of automatic adjustment methods of crop model parameters at home and abroad, an automatic adjustment coupling system of WheatSM model parameters is constructed based on the PEST (Parameter Estimation) method. The phenology and yield parameters of the WheatSM model were optimized automatically. Shangzhuang, Beijing was selected as a representative site.This study compared the optimization results with the trial-and-error simulation results, andused the automatic optimization method and trial-and-error method to adjust wheat phenology parameters and yield parameters for wheat growth model WheatSM, based on the meteorological data, soil data of the test sites, and the test data of different sowing dates of winter wheat from 2014 to 2016. The results show that the PEST method has high precision and good simulation effect for automatic adjustment and optimization of model parameters. The error of simulated phenology was less than 7 days, and the error of simulated yield was less than 228.63 kg·hm^-2. The PEST method has the advantages of being less time consuming and allowing for the simultaneous batch processing of data. Using this automatic parameter adjustment system can reduce the workload of parameter calibration, save model operation time, simplify work complexity, and obtain higher simulation accuracy. This study provides a convenient method for WheatSM parameters automatic optimization and a theoretical reference and guidance for improving the efficiency and accuracy of crop model parameters calibration.

Key words: wheat, PEST, WheatSM model, parameter optimization, phenology, yield, crop growth model

中图分类号:

S152

靳霞菲, 陈先冠, 宫志宏, 冯利平. 小麦模型WheatSM参数调试优化方法研究[J]. 农业大数据学报, 2021, 3(3): 13-22.

Xiafei Jin, Xianguan Chen, Zhihong Gong, Liping Feng. Parameter Adjustment and Optimization Methods for The WheatSM[J]. Journal of Agricultural Big Data, 2021, 3(3): 13-22.

图/表 6

表1

WheatSM模型小麦生长发育及产量相关参数"

参数名称 Parameter name	描述 Definition	取值范围 Range of value	试错法 Trial-and-error method	PEST
K1	播种-出苗阶段基本发育系数 The basic development coefficient in sowing to emergence stage	-2.50~-1.00	-1.20	-1.00
P1	播种-出苗阶段温度系数 The temperature coefficient in sowing to emergence stage	0.10~2.20	1.50	2.00
K21	春化作用阶段基本发育系数 The basic development coefficient in vernalization phase	-3.50~--2.00	-1.94	-3.00
P21	春化作用温度系数 The temperature coefficient in vernalization phase	0.10~1.50	1.30	1.50
K22	光周期阶段基本发育系数 The basic development coefficient in photoperiod phase	-3.50~2.00	-1.32	-3.25
P22	光周期阶段温度系数 The temperature coefficient in photoperiod phase	0.10~2.00	1.00	0.10
Q2	光周期阶段光周期系数 The genetic photoperiod coefficient in photoperiod phase	0.10~3.00	1.72	0.66
K3	拔节-抽穗阶段基本发育系数 The basic development coefficient in jointing to heading stage	-3.50~2.00	-3.09	-3.00
P3	拔节-抽穗阶段温度系数 The temperature coefficient in jointing to heading stage	-0.10~2.00	1.97	-0.10
K4	抽穗-成熟阶段基本发育系数 The basic development coefficient in heading to maturity stage	-3.50~-3.00	-3.38	-3.50
P4	抽穗-成熟阶段温度系数 The temperature coefficient in heading to maturity stage	0.10~2.00	1.79	1.44
PA	光-光合作用曲线初始斜率 The initial slope of the light-photosynthesis curve	0.0135~0.0165	0.015	0.016
PMAX	光饱时的最大光合强度/( $k g ? M J - 1$ ) The maximum photosynthetic intensity at light saturation point/( $g ? m - 2 ? h - 1$ )	2.80~4.20	3.00	3.80
TR1	抽穗前茎鞘存储物向籽粒的转运效率 The transfer rate of stem and sheath to grain before headin/( $k g ? k g - 1$ )	0.01~1.00	0.20	0.20
TR2	抽穗后光合产物向籽粒的转运效率 The transfer rate of stem and sheath to grain after heading/(( $k g ? k g - 1$ )	0.10~1.00	0.95	0.90

表1

表2

图1

表3

表4

表 5

参考文献 31

1	Kundu S. S., Skogerboe G. V., Walker W. R.. Using a crop growth simulation model for evaluating irrigation practices[J]. Agricultural Water Management, 1982(5):253-268.
2	Knörzer H., Grözinger H., Graeff-Hönninger S., et al. Integrating a simple shading algorithm into CERES-wheat and CERES-maize with particular regard to a changing microclimate within a relay-intercropping system[J]. Field Crops Research, 2011(121):274-285.
3	Graves A.R., Hess T., Matthews R.B., et al. Crop simulation models as tools in computer laboratory and classroombased education[J]. Journal of Natural Resources and Life Sciences Education, 2002(31):48-54.
4	沈国权. 影响作物发育速度的非线性温度模式[J]. 气象, 1980,6(06):9-11.
	Shen G Q. Non-linear Temperature Model that Affects the Growth Rate of Crops [J]. Meteorological,1980,6(06):9-11.
5	Weir A.H., et al. A winter wheat crop simulation model without water or nutrient limitations[J]. The Journal of Agricultural Science, 1984,102(2):371-382.
6	高亮之,金之庆. 水稻计算机模拟模型及其应用之一:水稻钟模型——水稻发育动态的计算机模型[J]. 中国农业气象, 1989,10(03):3-10.
	Gao L Z, Jin Z Q. Rice Computer Simulation Model and One of Its Applications: Rice Clock Model-A Computer Model of Rice Development Dynamics [J]. Chinese Agricultural Meteorology, 1989,10(03):3-10.
7	Jones J.W., Hoogenboom G., Porter C.H., et al. The DSSAT cropping system model[J]. European Journal of Agronomy, 2003, 18(3-4):235-265.
8	Brown D. M., Chapman L. J.. Soybean ecology: II Development temperature-moisture relationship from field studies[J]. Agronomy Journal, 1960(52):496-499.
9	陈先冠, 冯利平, 白慧卿, 等. 基于小麦模型算法集成平台的三种水分胁迫算法比较[J].农业工程学报, 2021, 37(16):47-57.
	Chen X G, Feng L P, Bai H Q, et al. Comparison of three water stress algorithms based on the integration platform of wheat model algorithms[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(16):47-57.
10	Ritchie J. T., Otter S.. Description and Performance of CERES-Wheat: A User-Oriented Wheat Yield Model[J]. Willis W O, ARS Wheat Yield Project, 1985, US: USDA-ARS, ARS-38.
11	Keating B. A., Carberry P. S., Hammer G. L., et al. An overview of APSIM, a model designed for farming systems simulation[J]. European Journal of Agronomy, 2003, 18(3-4):267-288.
12	Allard D W, Hendrik B, Davide F, et al. 25 years of the WOFOST cropping systems model[J]. Agricultural Systems, 2019, 168: 154-167.
13	杨妍辰,王建林,宋迎波. WOFOST作物模型机理及使用介绍[J]. 气象科技进展, 2013(5):29-35.
	Yang Y C,Wang J L,Song Y B. Introduction to the Mechanism and Use of WOFOST Crop Model[J]. Meteorological science and technology progress, 2013(5):29-35.
14	赵诗奎. 基于遗传算法的柔性资源调度优化方法研究[D]. 杭州：浙江大学, 2013.
	Zhao S K. Research on Optimization Method of Flexible Resource Scheduling Based on Genetic Algorithm[D]. Hangzhou: Zhejiang University, 2013.
15	庄嘉祥,姜海燕,刘蕾蕾,等. 基于个体优势遗传算法的水稻生育期模型参数优化[J]. 中国农业科学, 2013,46(11):2220-2231.
	Zhuang J X,Jiang H Y, Liu L L,et al. Parameters Optimization of Rice Development Stages Model Based on Individual Advantages Genetic Algorithm [J]. Scientia Agricultura Sinica, 2013,46(11):2220-2231.
16	Beven K., Freer J.. Equifinality, data assimilation, and uncertainty estimation in mechanistic modelling of complex environmental systems using the GLUE methodology[J]. Journal of Hydrology, 2001, 249(1-4):0-29.
17	姚宁, 周元刚, 宋利兵, 等. 不同水分胁迫条件下DSSAT-CERES-Wheat模型的调参与验证[J]. 农业工程学报, 2015, 31(012):138-150.
	Yao N,Zhou Y G,Song L B,et al. Validation of DSSAT-CERES-Wheat Model Under Different Water Stress Conditions[J]. Journal of Agricultural Engineering, 2015, 31(012):138-150.
18	Mohamed A.. Multi-objective design approach of passive filters for single-phase distributed energy grid integration systems using particle swarm optimization[J]. Elsevier Ltd, 2020:157-172.
19	奚茂龙, 卢丹, 齐志明, 等. 随机漂移粒子群算法的RZWQM替代模型参数优化[J]. 计算机工程与应用, 2016(23) : 35-41.
	Xi M L, Lu D, Qi Z M, et al. Optimization of RZWQM Alternative Model Parameters Based on Random Drift Particle Swarm Optimization[J]. Computer Engineering and Applications, 2016(23) : 35-41.
20	Doherty J.. PEST, Model-Independent Parameter Estimation User Manual: 5th Edition. Brisbane, Australia: Watermark Numerical Computing, 2004.
21	梁浩, 胡克林, 李保国. 基于PEST的土壤-作物系统模型参数优化及灵敏度分析[J]. 农业工程学报, 2016(3):78-85.
	Liang H, Hu K L, Li B G. Parameter optimization and sensitivity analysis of soil-crop system model based on PEST[J]. Journal of Agricultural Engineering, 2016(3):78-85.
22	冯利平, 高亮之, 金之庆, 等. 小麦发育期动态模拟模型的研究[J]. 作物学报, 1997,23(04):418-424.
	Feng L P,Gao L Z,Jin Z Q,et al. Study on the Dynamic Simulation Model of Wheat Development Period[J]. Acta Agronomica, 1997,23(04):418-424.
23	胡克林, 李保国, 吕贻忠, 等．中国农业大学上庄实验站土壤理化性质的空间分布特征[J]．中国农业大学学报,2006（06）：27-33.
	Hu K L,Li B G,Lv Y Z, et al. Spatial Distribution Characteristics of Soil Physical and Chemical Properties in Shangzhuang Experimental Station of China Agricultural University[J]．Journal of China Agricultural University, 2006 (06): 27-33.
24	孙美, 张晓琳, 冯绍元, 等. 基于PEST的RZWQM2模型参数优化与验证[J]. 农业机械学报, 2014(11):151-158.
	Sun M,Zhang X L,Feng S Y, et al. Optimization and Verification of RZWQM2 Model Parameters Based on PEST[J]. Journal of Agricultural Machinery, 2014(11):151-158.
25	王礼恒等. 基于PEST的地下水数值模拟参数优化的应用[J]. 工程勘察, 2014,42(03):38-42.
	Wang L H,et al. Application of PEST-based Groundwater Numerical Simulation Parameter Optimization[J]. Engineering Investigation, 2014,42(03):38-42.
26	冯利平. 小麦生长发育模拟模型(WHEATSM) 的研究[D]. 南京:南京农业大学, 1995.
	Feng L P. Research on Wheat Growth and Development Simulation Model (WHEATSM) [D]. Nanjing: Nanjing Agricultural University, 1995.
27	诸叶平, 李世娟, 李书钦. 作物生长过程模拟模型与形态三维可视化关键技术研究[J]. 智慧农业(中英文), 2019, 1(1): 53-66.
	Zhu Y P, Li S J, Li S Q. Research on key technologies of crop growth process simulation model and morphological 3D visualization[J]. Smart Agriculture, 2019, 1(1): 53-66.
28	高亮之, 金之庆, 黄耀, 等. 农业模型学[M]. 北京：气象出版社, 2019.
	Gao L Z,Jin Z Q,Huang Y, et al. Agricultural Modeling[M]. Beijing: Meteorological Press, 2019.
29	郭其乐,李颖,田宏伟. 小麦生长发育模型WheatSM参数优化及适用性分析[J]. 麦类作物学报, 2017,37(12):1571-1580.
	Guo Q L,Li Y,Tian H W. Parameter Optimization and Applicability Analysis of Wheat Growth and Development Model WheatSM[J]. Journal of Triticeae Crops, 2017,37(12):1571-1580.
30	曹宏鑫, 葛道阔, 张文宇, 等. 农业模型发展分析及应用案例[J]. 智慧农业(中英文), 2020, 2(1): 147-162.
	Cao H X, Ge D K, Zhang W Y, et al. Developmental analysis and application examples for agricultural models[J]. Smart Agriculture, 2020, 2(1): 147-162.
31	张志刚. 基于遗传算法的模糊控制器的优化和研究[D]. 太原理工大学, 2005.
	Zhang Z G. Optimization and Research of Fuzzy Controller Based on Genetic Algorithm[D]. Taiyuan University of Technology, 2005.

处理 Treatments	方法 Methods	2014	2015
处理 Treatments	方法 Methods	出苗期 Emergence	拔节期 Jointing	抽穗期 Heading	成熟期 Maturity
早播	实测	10月11日	4月8日	4月28日	6月4日
	试错法	10月8日	4月6日	5月6日	6月8日
	PEST	10月8日	4月11日	5月1日	6月8日
中播	实测	10月23日	4月11日	4月30日	6月9日
	试错法	10月18日	4月8日	5月7日	6月8日
	PEST	10月18日	4月11日	5月1日	6月8日

处理 Treatments	方法 Methods	2015	2016
处理 Treatments	方法 Methods	出苗期 Emergence	拔节期 Jointing	抽穗期 Heading	成熟期 Maturity
早播	实测	10月9日	4月7日	4月29日	6月12日
	试错法	10月5日	4月3日	5月4日	6月6日
	PEST	10月5日	4月9日	4月29日	6月5日
中播	实测	10月21日	4月10日	5月3日	6月14日
	试错法	10月15日	4月4日	5月5日	6月6日
	PEST	10月15日	4月11日	5月1日	6月8日

处理 Treatments	方法 Methods	产量 Yield(kg·hm-2)
早播	实测	4733.97
	试错法	5602.40
	PEST	5561.91
中播	实测	5197.71
	试错法	5290.04
	PEST	5205.38

处理 Treatments	方法 Methods	产量 Yield(kg/hm²)
早播	实测	5776.87
	试错法	6065.75
	PEST	6005.50
中播	实测	5638.47
	试错法	5596.61
	PEST	5679.37

[1]	兰宏亮, 裴志超, 郎书文, 周继华, 佟国香, 罗军, 解春源. 北京地区优质甜玉米品种筛选试验[J]. 农业大数据学报, 2023, 0(4): 35-37.
[2]	杨珍, 赵军, 张德, 张树庚. 干旱对不同基因型玉米种子产量和产量构成因素的影响研究[J]. 农业大数据学报, 2023, 0(4): 38-41.
[3]	王文文, 郭海斌. 种植密度对不同玉米品种生长特性及产量的影响[J]. 农业大数据学报, 2023, 0(4): 45-44.
[4]	常俊香, 臧鑫, 王小星, 王要闯, 姚金花. 鹤壁市15个高油酸花生新品系比较试验[J]. 农业大数据学报, 2023, 0(4): 96-99.
[5]	史学芬, 王占贤, 王树生, 闫丽英. 鄂尔多斯麦后复种早熟油葵引种表现及其主要农艺性状与产量的相关性[J]. 农业大数据学报, 2023, 0(4): 100-103.
[6]	修俊杰, 韩彦龙, 刘学良. 辽宁小粒型花生新品种比较试验[J]. 农业大数据学报, 2023, 0(4): 113-116.
[7]	陈庆华. 生物降解膜覆盖对花生生长发育、产量形成和经济效益的影响[J]. 农业大数据学报, 2023, 0(4): 117-119.
[8]	刘兴龙, 王宇, 王晓曦, 王克勤. 2018—2021年黑龙江省哈尔滨农田瓢虫数据集[J]. 农业大数据学报, 2022, 4(4): 39-44.
[9]	孟怡君, 邱小雷, 刘蕾蕾, 刘兵, 朱艳, 曹卫星, 汤亮. RiceGrow水稻模型品种参数敏感性分析[J]. 农业大数据学报, 2021, 3(3): 23-32.
[10]	张晓艳, 孟丽, 王丽丽, 刘锋, 刘佳佳, 卢德成. 基于大数据的我国小麦市场价格波动特点分析——以山东省为例[J]. 农业大数据学报, 2020, 2(3): 75-83.
[11]	丁国辉,许昊,温明星,陈佳玮,王秀娥,周济. 基于经济型低空无人机对小麦重要产量表型性状的多生育时期获取和自动化分析[J]. 农业大数据学报, 2019, 1(2): 19-31.