响应气候变化的棉花生长模拟与县域尺度产量评估

时间：2024-05-23

孟文博王德胜,2 张楠楠费浩唐梓涯王涛白铁成,*

(1 塔里木大学南疆农业信息技术研究中心，新疆阿拉尔 843300；2 华中农业大学植物科学与技术学院，湖北武汉 430070)

棉花(GossypiumhirsutumL.)是重要的经济纤维作物和纺织工业原材料[1]。新疆维吾尔自治区(以下简称“新疆”)是中国最大的棉纤维产区，占全国棉纤维产量的近85%[2]。因此，新疆棉花区域和年际产量评价对棉花贸易和棉花种植政策制定具有重要意义，是确保棉花产业可持续发展的关键。县域尺度的产量评价也是精准农业的重要组成部分，可以快速定位低产棉田并探寻低产的可能原因。在全球变暖和气候胁迫的背景下，不同地区和年份的气候变化导致棉花产量存在差异性[3-4]。作物生长模型利用数学方程模拟了气象环境和农田管理对作物生长发育、光合生产、器官构建和产量形成的影响，已成为分析气候变化对作物产量影响的重要手段[5]。

成熟的棉花生长模型包括GOSSYM[6]，Cotton2K[6]，COTCO2[7]，OZCOT[8]和CROPGRO-Cotton[5,9]。此外，一些通用的作物生长模型也可用于模拟棉花生长，如EPIC[10]，WOFOST[11]，SUCROS[12]，GRAMI[13]，CropSyst[14]和AquaCrop[15]。虽然现有模型在模拟方法、细节和产量形成方面存在一定差异，但主要过程都包括物候、光能截获、碳同化、呼吸、器官形成、生物量积累和分配、胁迫因子模拟等[16]。这些模型也被用于水资源利用效率评估和灌溉管理[17-18]、氮磷动态与施肥管理[19-20]、质量模拟[21-22]和打顶管理[23]研究。

这些模型通过模拟气象、土壤水分、养分和田间管理对作物生长发育的贡献来估算作物产量，被广泛用于分析气候变化对棉花生产的影响。GOSSYM模型被用于估算美国1979―2005年棉花产量和气候胁迫(如水、碳、氮胁迫)[3]。整合到DSSAT的CSM-CROPGRO-Cotton模型已被用于优化品种，并利用最佳天气条件确定棉花在所有关键物候发育期都能实现最佳生长的播种日期[24]。APSIM、AquaCrop和CROPGRO-Cotton结合气象预报模型被用于量化和预测澳大利亚东部、希腊和巴基斯坦的气候变化对棉花生长、籽棉产量的影响[4,25]。COZCOT模型也被尝试用于评估不同管理策略下气候变化对澳大利亚棉花生长和产量影响[26]。CROPGRO-Cotton还可用于模拟农田管理和气候变化对棉花生长和蒸散的影响[27]。其中，农业技术转移决策支持系统(Decision Support System for Agrotechnology Transfer，DSSAT)能够分析田间管理、灌溉策略和气候变化对棉花生产的影响[27]。CROPGRO-Cotton可以帮助棉花管理者做出管理决策，最小化与环境变化相关的风险，并优化有限资源的有效利用[28]。

然而，目前已开展的气候变化对棉花产量评估的研究主要集中在美国、澳大利亚、希腊和巴基斯坦。评估中国区域气候变化对棉花产量影响的研究较少，尤其是中国的新疆棉区。对这一特定地区的棉花产量进行评估，不仅对了解世界棉花生产布局、进出口贸易、政策制定和棉花生产安全具有重要意义，而且对区域棉花种植管理具有参考价值；此外，不同国家或地区的棉花栽培品种间差异显著，棉花模型输入参数需要在区域应用时进行校正和验证，前人研究中标定的棉花模型参数可能不适用于新疆地区[1]。因此，本研究通过对南疆主要棉花品种输入参数进行校正，旨在评价校正后的棉花模型估算县域尺度产量的潜力，利用作物生长模拟方法分析气候变化对不同区域棉花物候发育期的影响。

1 材料与方法

1.1 研究区概况

研究区包括中国新疆南疆地区19个主要的棉花生态种植区(县域)，如图1所示。每个县域的棉花种植面积占新疆总棉花种植面积的0.5%以上，在0.5%～7.2%之间，其中，11个区域占比大于3%，3个区域小于1%。沙雅县种植面积最高，其次是库车县和阿瓦提县。研究区属于温带大陆性气候，光热资源丰富，日照时间长，昼夜温差大，降水稀少，气候干燥，有利于棉花生长。此外，干旱、昼夜温差大的气候特点可以有效抑制病虫害的发生。大部分区域采用人工灌溉的方法保证棉花的水分供应。

图1 南疆主要棉花生态种植区及面积分布

1.2 田间试验数据

本研究选用CROPGRO-Cotton模型模拟棉花生长和籽棉产量评估。为了校准和验证模型，在阿拉尔市灌溉试验站(81°17′56″E、40°32′36″N)进行了田间试验。在田间试验区安装一个自动气象站，用于长期气象数据观测，包括测量每日最高和最低温度、太阳辐射和降水量，用于驱动CROPGRO-Cotton模型。在该站测定了棉花生长季物候发育期、遗传特性参数和土壤物理性质。利用测定的物候发育期(包括出苗期、开花期、结铃期和吐絮期)、地上生物量干重(total above ground production，TAGP)、最终产量和叶面积指数(leaf area index，LAI)对模型进行了校正和验证。

1.3 区域气象和产量数据

气象数据使用中国国家青藏高原数据中心编制的中国区域地面气象要素驱动数据集(China Meteorological Forcing Dataset，CMFD)[29]。研究中使用的2002―2017年气象资料平均值分布情况如图2所示，包括最低气温、最高气温、辐射和降水量。研究区大部分位于沙漠边缘，昼夜温差较大，平均最低和最高气温表现出强烈的空间变异性。主要原因可能是北方部分棉区植被覆盖率较高，导致平均气温略低于沙漠附近的南方地区。辐射的空间分布也表现出与温度分布几乎相同的变化特征，南方的辐射比北方强。相比之下，由于靠近沙漠，南部棉区的年降水总量明显低于北部棉区，相差超过100 mm。气象信息的时空间分布是导致新疆棉花产量年际和区域差异的主要因素之一。

图2 2002―2017年气象资料平均值的空间分布

19个县棉花产量数据来源于新疆统计年鉴2002―2017年[30]。不同县市间的年平均籽棉产量差异较大，介于2 395～5 663 kg·hm-2之间。

1.4 CROPGRO-Cotton模型

DSSAT作物系统模型(DSSAT-croping system model，CSM)是一种模拟作物生长发育随时间变化以及土壤水、碳、氮管理的生理生态模型。CROPGRO-Cotton模型是DSSAT-CROPGRO系列模型的子模块。该模型的主要模块包括气象模块、植物生长模块、土壤模块、土壤-植物-大气模块和管理[31]，分别模拟影响土地单元的各种过程。气象模块的主要功能是读取或生成模型所需的每日气象数据，包括最高和最低温度、太阳辐射和降雨量；土壤模块包括土壤水分、土壤温度、土壤碳、土壤氮4个子模块；土壤-植物-大气模块计算每天的土壤蒸发量和植物蒸腾量；而管理模块则执行各种管理措施，如播种、移栽、收获、施肥、灌溉以及作物残体和有机质的变化。CROPGRO-Cotton已被证明具有区域尺度棉花产量评估和气象变化响应分析的潜力[10,25]，以及将气候变化相关风险降至最低的管理决策[16,28]。因此，研究采用校正的CROPGRO-Cotton模型模拟南疆棉花生长状况，并评价气候变化对棉花产量的影响。

1.5 模型校准

CROPGRO-Cotton模型需要每个区域的气象、土壤、品种和管理参数。作物模型在应用于给定的农业生态区之前，必须对其进行校准和评估，以确保模型能够解释当地品种的变异而准确地模拟作物的生长过程[32]。本研究主要利用棉花物候发育期和田间实测的全生育期生长参数对品种参数进行校正。研究以新陆中56号为主要品种，其部分参数可参考文献[33]。利用2018年和2019年两个生长季物候发育期(出苗期、开花期、结铃期和吐絮期)、TAGP、LAI和最终产量的测定结果，对主要品种参数进行校正和验证，以提高模型模拟性能。

1.6 模拟精度验证方法

一致性指数(D)[33]、均方根误差(root mean square error，RMSE)和归一化均方根误差(normalized root mean square error，NRMSE)被用来评价CROPGRO-Cotton模型在田间和区域尺度上的模拟性能。D值的范围在无一致性(0)和完全匹配(1)之间。RMSE和NRMSE表示测量值和模拟值之间的绝对和相对误差，NRMSE≤10%表示极高精度，10%30%表示低精度[33]。相对偏差(relative bias error，RBE)频率分布代表被高估和低估的样本比例。根据公式计算D、RMSE、NRMSE和RBE：

(1)

(2)

(3)

(4)

2 结果与分析

2.1 田间尺度的模型校正与验证

校正后的棉花主要品种参数见表1。参数源于3部分，分别是CROPGRO-Cotton的默认值(D)、基于田间实测值的校准值(C)和基于默认值的微调值(D-C)。

表1 CROPGRO-Cotton模型的主要品种参数

田间验证表明，CROPGRO-Cotton模拟出苗期、开花期、结铃期和吐絮期的误差分别为+1、+3、+1和-2 d，显示出良好的物候发育期模拟精度。TAGP和LAI的田间验证结果如图3所示。模拟的TAGP和LAI与实测值吻合良好，D=0.99。模拟与实测TAGP的RMSE值为718 kg·hm-2，模拟与实测LAI的RMSE值为0.29 m2·m-2，显示了高精度的TAGP(10%

图3 棉花TAGP和LAI的验证结果

2.2 产量评估总体精度

图4-A显示了2002―2017年19个县(304个样本)实测产量与模拟产量的散点图。棉花产量模拟的D值为0.55，RMSE为665 kg·hm-2，具有较高的产量估算精度(NRMSE=15.8%)。图4-B显示了模型的RBE几乎均匀分布在中心线上。模拟与实测产量的RBE值在-10%～10%范围内的占49%、在-20%～20%范围内的占77%、在-30%～30%范围内的占91.5%。

注：A：散点图；B：相对偏差分布。

2.3 年际产量评估结果

表2显示了不同年份模拟产量与实测产量的统计指标。除2003年产量评估的百分比误差为12.7%，其他年份的百分比误差均小于10%，大多数年份19个县产量差异不显著(P>0.05)，模拟产量总体略高于实测值，平均高估了4.1%。结果也证实校正模型具有较高的模拟精度，平均NRMSE为15.6%，平均RMSE为654 kg·hm-2， NRMSE在11.3%～23.2%之间，差异不大。D值范围为0.24～0.71，平均值为0.48。

表2 不同年份模拟产量与实测产量的比较

2.4 县域尺度的产量评估性能

不同农业区2002―2017年模拟和实测籽棉产量的RMSE、NRMSE和D值见表3。RMSE和NRMSE范围分别为308～1 064 kg·hm-2和7.0%～29.4%。其中，新和、沙雅和轮台3个农业生态区的产量评估准确率极高(NRMSE≤10%)，NRMSE分别为8.3%、7.0%和9.3%，另有10个农业生态区的估产精度较高(10%

表3 2002―2017年不同农业种植区的模拟性能

不同地区2002―2017年模拟和实测的平均产量差值分布如图5所示。巴楚县、温宿县等14个地区模拟和实测的平均产量之间的偏差小于500 kg·hm-2。影响棉花生长的关键因素是温度、太阳辐射、水分和养分供应[19]。温宿、柯坪县等地区太阳辐射和气温较低，不利于棉花生长，但降水和灌溉水量丰富。且末、叶城地区，充足的日照和高温可以促进棉花生长，但过多的干热天气会造成严重的水热胁迫。总体来说，模拟产量反映了气象差异对棉花产量分布的影响。

图5 区域尺度上模拟与测量的平均产量差值

2.5 物候学发育时间评估

模拟的2002―2017年平均物候发育期(包括平均出苗日、开花日、结铃日、吐絮日)和成熟期的TAGP如图6所示。平均出苗日仅有3 d的偏差。模拟的平均结铃日无明显偏差。东部地区的平均开花日和吐絮日明显早于中部和西南部地区。其主要原因可能是气温变化的差异导致物候发育期的提前或延后。西南地区的辐射量明显高于其他地区，导致光合生产较高。

图6 物候发育日的分布与成熟期TAGP

除英吉沙、疏勒和且末外，模拟的成熟期TAGP区域分布差异不明显。一般来说，适宜的物候发育期和辐射量可以产生更多的干物质，从而获得更高的产量。综上所述，模拟的物候发育期从及成熟期的TAGP与温度和辐射分布基本一致。

3 讨论

3.1 棉花品种参数的不确定性

本研究对棉花品种新陆中56号的参数进行了校正。将本研究所校正的参数与新陆早45号品种参数和DSSAT默认的棉花品种参数[26]进行比较，结果表明，棉花出苗到初花期的时间、第一粒种子产生至生理成熟的时间和棉花生理成熟的时间，差异显著(P<0.01)，新陆中56号品种的单叶面积和每日分配给棉铃的干物质量的最大比例均小于新陆早45号品种和DSSAT系统中已测定的deltapine77和deltapine555品种。在标准生长条件下，新陆中56号品种的初花期到叶片停止扩展的光热时间和比叶面积均大于新陆早45号、deltapine77和deltapine555品种。模拟的新陆中56号和新陆早45号的产量结果表明，矫正后的新陆中56号模拟产量明显高于新陆早45号。总之，新疆不同地区棉花品种可能存在一定的差异，导致遗传特性的差异。本文标定的棉花品种参数可能不适用于所有地区，导致部分地区产量评价精度下降。因此，对于种植多个棉花品种的地区，获取主要棉花品种的遗传参数数据，并对这些品种的基因型参数进行校正，也可以提高区域尺度棉花产量的评估精度。

3.2 气候驱动数据的不确定性

气象驱动数据的不确定性影响作物生长模拟方法的产量评估精度[34]。本研究选取遥感地面观测数据与多格点数据集融合的CMFD数据作为棉花生长模拟的驱动数据。CMFD在中国西部地区的验证结果表明，CMFD在站点稀疏的地区总体上优于GLDAS[31]。尽管CMFD对地面气象站的气象数据进行了插值，但区域尺度CMFD数据的精度仍与实际地面气象站数据存在一定的偏差。CMFD数据的不确定性也会降低棉花产量评估的准确性。通过插值更多的地面气象站数据来提高CMFD数据集的精度，有望减少气象驱动数据对棉花生长模型的不确定性，从而提高产量评估精度。

3.3 基于作物模型的棉花产量评估性能改进

遥感同化是解决作物模型区域适用性、通用性、尺度问题、应用领域、机理和应用改进等问题的优化方法[35]。遥感可为区域尺度的作物生长模拟提供气象、植被和土壤条件等关键信息[36]。初始输入参数、状态变量和土壤性质可以在大面积范围内获得，如物候信息[37]、LAI[38-39]、生物量[40]、叶片氮素积累[41]、蒸散量[42-43]和土壤水分[44-45]。这些冠层和土壤状态变量可以集成到作物生长模型中，降低作物模型关键输入参数的不确定性，提高模拟结果[46]。基于本研究提出的棉花生长模拟和产量评价方法，对CROPGRO-Cotton模型中初始干重、物候发育参数、光合参数等具有较大区域尺度不确定性的初始输入参数进行研究，利用遥感观测的状态变量进行关键参数校正和优化，有望提高棉花生长模拟和区域尺度产量评估精度。此外，深度学习方法也有望进一步分析和改善作物模型输入参数的不确定性[47]。

3.4 未来气温变化对棉花生长的可能影响

温度是影响作物生长、产量和发育速度的最重要气象因子，其对棉花物候、播种日期、生长季长度有重要影响，从而影响棉花产量和纤维品质。IPCC第五次评估报告(2014年)显示[48]，近60年来，我国平均地表温度每10年平均上升0.23℃。本世纪末我国将上升1.3～5.0℃。随着全球气温上升，高温出现的频率将更高，时间也会更长。气候变化将增加优质、高产和稳定棉花生产的风险[49-50]。

高温(>35℃)会影响花粉活力、受精率、棉铃体积、质量和棉铃脱落，从而影响产量和纤维品质[49-50]。本研究的模拟结果也表明，高温频率的增加会加快棉花的生长发育速度，从而导致早熟。至2070年以后，随着温度升高，可能会导致棉花生长发育速度过快，生育期缩短，产量下降等。因此，应对未来气候变暖培育生长期较长的中、晚熟品种有利于提高产量。文中校正的CROPGRO-Cotton模型，有望成为探索气候变化对新疆棉花生长影响的定量分析方法，以进一步采取有效手段应对未来全球气候变暖的风险。