黑土农田大豆产量形成过程的模拟验证

以中国科学院海伦农业生态站长期定位水肥耦合试验数据为依据,模拟大豆产量形成过程。首先建立大豆品种遗传属性数据库和相应的模型参数,利用DSSAT模型系列中的CropGro-Soybean模型,对大豆品种遗传属性、作物产量和生长过程中土壤水分进行了模拟验证。模拟结果表明,CropGro-Soybean模型能够准确地模拟大豆生育期,相对误差在-2％～3％之间,均方根误差RMSE为2．3。对不同年际不同田间处理的大豆产量模拟结果分析的相对误差在-7％～9％之间,均方根误差RMSE为75．9,模型性能指数EF为0．8。模型对不同层次土壤水分变化的模拟效果也较好。     

CERES-Maize模型在中国主要玉米种植区域的适用性

选取北方春玉米区、黄淮海春夏播玉米区、西南山地丘陵玉米区、南方丘陵玉米区、西北内陆玉米区五个区域中70个站点,利用1998-2000年玉米生长的田间试验资料和气象台站的气象观测资料,研究CERES-Maize模型在主要玉米种植区域对玉米生育期、产量的模拟能力.选用符合度指数D、RMSE等统计指标进行评价.结果表明:玉米生育天数模拟的D值为0.58～0.95,产量模拟的D值为0.66～0.88,说明CERES-Maize模型可以较好地模拟出区域内玉米生育期和产量观测值的分布趋势;生育期的模拟误差小于产量的模拟误差;区域尺度的统计分析可以更准确的表示模型的模拟效果.     

不同时间尺度太阳辐射数据对作物生长模型的影响(英)

逐日太阳辐射数据是作物模拟模型的重要输入参数之一。然而,在很多情况下,候、旬、月尺度的辐射信息相对容易获取。该文利用长时间序列(1961-2000)逐日太阳辐射数据,分别建立研究区候、旬、月不同时间尺度太阳辐射数据库,利用两个常用的作物生长模型(CERES-Maize和CGOPGRO-Soybean),以逐日数据(太阳辐射和模拟结果)为基准,分别探讨在雨养和灌溉条件下,不同时间尺度太阳辐射数据对作物生长模型的影响。结果表明:在不同时间尺度下,模型的输出(花期和作物产量)都接近于基准值。总体来看,两个模型模拟的花期平均误差和平均相对误差均接近于0,均方根误差为3.5d;CERES-Maize模型的模拟产量低于基准值,而CGOPGRO-Soybean的模拟结果高于基准值。在雨养和灌溉条件下,CERES-Maize的平均相对误差和均方根误差分别为-0.59%,120kg/hm2和-0.52%,129kg/hm2,CGOPGRO-Soybean的平均相对误差和均方根误差分别为5%,152kg/hm2和4.7%,165kg/hm2。短期数据误差(RMSE)是影响模型精度的主要因素。CGOPGRO-Soybean模型对不同时间尺度太阳辐射数据和水情信息比CERES-Maize模型敏感。当缺少逐日太阳辐射数据时,在雨养和灌溉条件下,候、旬、月尺度的太阳辐射数据都可以用于作物生长模型。     

气候变化对河南省夏玉米主栽品种发育期的影响模拟

为模拟气候变化对夏玉米发育期影响,本文将河南省划分为4个夏玉米主栽区,分区进行主栽品种遗传参数调试验证,确定各区域品种平均遗传参数。将未来气候变化情景(A2和B2)下,2020s、2050s和2080s各时段的温度和降水增量加上基准值,模拟未来气候变化对河南省夏玉米发育期的影响。模型调参验证结果表明：各区域品种遗传参数存在一定差异,豫西地区当前种植品种播种-开花所需积温高于其它地区,而豫北和豫东当前种植品种开花-成熟所需积温高于其它地区;各区开花期调参和验证误差RMSE为2～4d,相对误差NRMSE均小于10%;各区域成熟期调参误差RMSE均小于4d,验证误差RMSE为3～7d,除豫西区外,各区域调参及验证期间的成熟期相对误差NRMSE均小于10%。表明CERES-Maize模型对河南省各区域夏玉米发育期模拟精度均较高。未来气候变化影响模拟结果表明：A2和B2情景下,夏玉米营养生长期平均缩短4.7d和3.1d,全生育期平均缩短12.9d和8.6d。夏玉米生育期缩短日数与各时段增温幅度趋势一致,全省4个区域中豫西区生育期日数缩短最多。     

基于GIS的区域作物生长模拟模型

利用VB程序语言改写SUCROS作物生长模型,将其模块法并改进了水分平衡和作物系数算法。通过试验数据对参数的校验,模型可以较准确模拟主要作物生长变量和预测产量。以GIS与作物生长模拟模块紧密集成的方式,采用ArcGIS Engine控件开发了区域作物模拟模型(RCGM),可用以模拟区域作物生长和产量时空分布。建立空间数据库管理区域作物生长模拟所需空间数据。以河北省栾城县为例,应用RCGM进行县域冬小麦生长模拟和产量预测,模拟产量平均相对误差为12.51%,表明区域模型模拟也有较高准确性。     

DSSAT-CERES模型在黄土高原丘陵沟壑地区春玉米生产中的适用性评价

【目的】本研究在黄土高原丘陵沟壑区引入农业技术转化决策系统(DSSAT, Decision Support System for Agrotechnology Transfer)研究春玉米生长过程,旨在组建该区土壤、 气象、 作物品种的DSSAT模型数据库,验证和评估DSSAT模型在黄土丘陵沟壑地区的适用性,为模型在黄土丘陵沟壑地区的应用奠定基础。【方法】研究主要基于陕西安塞农田生态系统国家野外科学观测研究站2002、 2003、 2005年春玉米田间试验结果,采用DSSAT4.5内嵌的GLUE(Generalized Likelihood Uncertainty Estimation)软件,结合2002、 2003、 2005三年CK处理的大田试验数据运行GLUE软件3000次,对黄土高原丘陵沟壑区玉米品种沈单10 进行参数率定,然后运行DSSAT4.5中的CERES-Maize模型对其他处理条件下的春玉米生育期、 产量、 生物量进行模拟,并结合田间实测数据进行对比验证,对模型参数的适用性进行评价,从而评价CERES-Maize模型在该区春玉米种植中的适用性。【结果】 1)2002年和2005年对春玉米生育时期的模拟误差均在3天以内,产量模拟的归一化的均方根误差(n-RMSE)和平均相对误差(MRE)均小于10%,生物量模拟的误差稍大,但均在可接受范围内。2)2003年模拟的生育期时间和春玉米实测生育期时间基本吻合,唯独出苗日期相差较大,为9天;产量模拟的n-RMSE和MRE分别为6.47%和5.03%;地上生物量模拟误差稍大,模拟结果的n-RMSE和MRE分别为31.81%和30.21%。【结论】在正常降雨条件的情况下(2002年和2005年),CERES-Maize模型能够较好的模拟黄土高原丘陵沟壑区春玉米的生长过程、 地上部分生物量以及收获产量;在降雨较少的年份(2003年),模型对作物生产实际情况的再现能力相对变弱,因此CERES-Maize模型还不能很好的模拟干旱年份下作物的生长过程。     

基于WOFOST模型的中国主产区冬小麦生长过程动态模拟

大区域尺度WOFOST(world food studies)模型的动态模拟是作物模型区域应用的重要基础。该文以中国冬小麦主产区为研究对象,利用中国冬小麦主产区内174个农业气象站多年观测数据以及气象站点观测数据,重点优化WOFOST模型中与品种相关的积温参数,即出苗至开花有效积温与开花至成熟有效积温。在冬小麦主产区分区的基础上,以2012—2015年气象数据驱动WOFOST模型,在站点尺度进行冬小麦的物候期、叶面积指数(leaf area index,LAI)和单产动态模拟和精度分析。结果表明:WOFOST模型模拟出苗至开花天数的决定系数R2为0.89~0.94,均方根误差RMSE为7.87~11.52 d,模型模拟开花至成熟天数的R2为0.63~0.77,RMSE为2.99~4.65 d;模型模拟LAI的R2为0.70~0.83,RMSE为0.89~1.46 m2/m2;灌溉区WOFOST模拟的单产精度R2为0.45~0.59,RMSE为734~1 421 kg/hm2;雨养区WOFOST模拟的单产精度R2为0.48~0.61,RMSE为1 046~1 329 kg/hm2。结果表明,WOFOST模型在全国尺度取得了较高模拟精度,为区域尺度作物模型的农业应用提供了坚实的过程模型基础。     

基于作物生长模型和遥感数据同化的区域玉米产量估算

为了将遥感观测到的玉米生长期间作物冠层方向反射波谱的时间序列变化信息用于区域玉米产量估算,该文将时间序列中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)数据和高空间分辨率LandsatTM遥感观测数据相结合,以叶面积指数(LAI)作为耦合作物生长模型(crop environment resource synthesis-Maize,CERES-Maize)和植被冠层反射率模型(scattering by arbitrarily inclined leaves,SAIL)的关键参数,提出了将耦合模型与时间序列遥感观测数据同化进行区域玉米产量估算的方案。该文选择吉林省榆树市为研究区,采用MODIS和LandsatTM2种尺度数据集,利用SCE-UA(shuffled complex evolution method developed at the University of Arizona)算法分别进行玉米产量同化估产研究,得到玉米单产空间分布的估计结果,结合遥感估算的种植面积求算榆树市玉米总产量。结果表明,与玉米统计总产量相比,2007、2008和2009年遥感数据同化估算的总产量误差分别为9.15%、14.99%和8.97%;与仅利用CERES-Maize模型模拟得到的产量误差相比,3a间遥感估算总产量的误差分别减小了7.49%、1.21%和5.23%,且采用MODIS和TM遥感数据估算的玉米产量表现了其空间差异性。利用榆树市3a间玉米产量的明显差异,分析了时序遥感数据对作物长势和产量变化信息的表达能力,同年份内时序归一化差值植被指数越大,对应的玉米产量越高;年际间遥感观测反射率的差异通过数据同化方法能够反映年际间玉米产量差的变化。该文提出的玉米估产方案为将来进一步结合多源遥感数据、植被冠层反射率模型与作物生长模型进行区域玉米估产研究提供了参考。     

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

区域作物产量预测是国家粮食安全评估的重要内容。遥感虽能获取大面积地表信息,却难以反映作物生长发育的内在过程。作物生长模型已经在单点尺度能成功模拟作物的生长发育过程,但是区域尺度作物关键参数的获取仍很困难。遥感信息与作物模型结合的数据同化已经成为区域产量预测的最有效途径。该文选择河北省衡水地区冬小麦为研究对象,在WOFOST模型标定与区域化的基础上,利用WOFOST模型描述冬小麦生育期内叶面积指数(LAI)变化规律。针对MODIS数据的混合像元造成反演的LAI产品偏低的系统误差,利用实测LAI样本点融合MODIS-LAI趋势信息修正MODIS-LAI数据产品。采用集合卡尔曼(EnKF)算法同化冬小麦返青到抽穗期的MODIS-LAI与WOFOST模拟的LAI以获得时间序列最优的LAI,并以此重新驱动WOFOST模型估算区域冬小麦产量。结果表明,EnKF同化后的冬小麦产量比未同化的产量预测精度有显著提高,与县平均统计产量相比,在潜在模式下,决定系数由0.13提高到0.38,均方根误差由2480下降到880kg/hm2。研究表明,遥感信息与作物模型的EnKF同化是1种有效的作物产量预测方法,并在区域尺度应用上具有广阔的应用潜力。该研究可为区域尺度的作物估产提供参考。     

基于作物模型与最佳季节法的锦州地区玉米最佳播种期分析

为了探究锦州地区平均气候状态下玉米最佳播期,同时检验作物模型法和最佳季节法确定最佳播期的适用性,利用辽宁锦州农田试验站3a分期播种试验数据,在对作物生长模型CERES-Maize进行参数校正与模拟效果检验的基础上,应用模型模拟不同播期下玉米30a（1981-2010年）的产量,同时应用最佳季节法分析该地区的玉米最佳播期,结合作物模型法的研究结果,提出对最佳季节法的改进办法。结果表明：CERES-Maize模型能够较好地模拟不同播期玉米的物候期和产量,其归一化均方根误差（NRMSE）小于10.3%,对不同播期下30a的产量模拟结果显示,当播期从4月10日推迟至5月10日,玉米平均产量增加6%,当播期从5月10日推迟至5月30日,玉米产量中值从9112kg·hm-2降至8619kg·hm-2,4月25日和4月30日播种玉米的平均产量与5月10日播种的玉米产量无显著差异。结果显示最佳季节法确定的锦州地区玉米最佳播期较为滞后,与作物模型法的研究结果及实际生产的播期有较大出入,因此,提出了对最佳季节法的改进办法即将灌浆期间的不利气温条件考虑在内,改进后得到的最佳播期与作物模型法研究结果较一致。从30a平均气候状况看,该地区玉米的最佳播期在4月25日-5月10日,作物模型法有较好的适用性,最佳季节法经过改进后也可实际应用。     

多模式集合模拟气候变化对玉米产量的影响

气候模式驱动作物模型是气候变化影响评估的主要手段。但是,单一气候模式输出和作物模型的结构差异使得研究结果存在不确定性。多模式集合的概率预估可以有效减少研究结果的不确定性。为此,本文利用1981—2009年东北地区海伦、长岭、本溪3地区农业气象站的历史气象资料和玉米作物数据,分别建立了作物统计模型并验证了APSIM机理模型在研究区域的适用性。在此基础上,与CMIP5在RCP4.5情景下的8个全球模式结合,尝试基于多模式集合评估了未来2010—2039年时段和2040—2069年时段气候变化对玉米产量的可能影响(相对于1976—2005年基准时段)。研究结果表明,APSIM模型对玉米生长发育和产量形成有很好的模拟能力。玉米生育期的模拟误差(RMSE)为3~4 d,产量的RMSE为0.6~0.8 t?hm~(-2)。建立的产量统计模型表明,玉米出苗阶段(5月中旬)的温度增加对产量增加有积极作用,而开花到成熟阶段(7月中旬到9月上旬)的温度和降水的增加、光照的不足均不利于产量增加。与1976—2005年基准时段相比,气候因素影响下2010—2039年玉米产量减少3.8%(海伦)~7.4%(本溪),减产的概率为64%(长岭)~73%(本溪);2040—2069年时段减产6.4%(海伦)~10.5%(本溪),减产的概率为74%(海伦)~83%(本溪)。未来2010—2039年时段和2040—2069年时段基于机理模型模拟的产量降低分别为6.6%(海伦)~8.9%(本溪)和9.7%(海伦)~13.7%(本溪),均高于相应时段基于统计模型得到的0.9%(海伦)~6.0%(本溪)和2.0%(长岭)~7.3%(本溪)减产结果。     

遥感信息与作物生长模型的区域作物单产模拟

利用外部数据同化作物生长模型提高区域作物单产模拟精度是近年来的研究热点.该文以遥感反演的叶面积指数(LAI)作为结合点,以黄淮海粮食主产区典型县市夏玉米为研究对象,在区域尺度利用全局优化的复合形混合演化( SCE-UA)算法进行了遥感反演LAI信息同化EPIC (environmental policy integra...     

CropSyst作物模型在松嫩平原典型黑土区的校正和验证

通过对CropSyst作物模拟模型进行修订和验证，应用该模型对松嫩平原黑土区主要作物的生产潜力进行了模拟，并对作物生产力模拟的有效方法进行了初步探索。模拟结果表明，对于主要作物的经济产量、全生育期蒸散量、收获时的地上生物量，模拟值与实测值较为接近。模拟值和实测值的均方根误差RMSE为3.59%(小麦地上生物量)～8.02%(小麦产量)，模拟性能指数EF最小为0.76(玉米蒸散量)，最大为0.90(小麦产量)。     

基于作物生长模型参数调整动态估测夏玉米生物量

针对如何利用作物生长模型定量解析区域夏玉米生物量动态变化的热点问题,该文在沿东海岸的江苏省盐城市大丰区设置大田夏玉米生物量估测试验,在构建夏玉米生物量过程模拟模型的基础上,对夏玉米多个生育阶段的生物量(指地上部生物量)及其变化特征进行分析,并结合试验实测数据探讨利用实测叶面积指数和生物量数据调整生物量模拟模型参数的可行性。结果表明:夏玉米生物量过程模拟模型可以对夏玉米从出苗到灌浆期间的多个生育阶段生物量动态变化进行估测。出苗到拔节前的生长阶段,生物量积累主要来源于叶片形成,模拟模型可以对生物量进行有效预测,预测值与实测值之间的均方根差(root mean square error,RMSE)为18.31 kg/hm~2,相对误差为3.35%。拔节到抽雄前的生长阶段,由于茎节伸长与节数增加,生物量积累加快,预测值与实测值之间的差异较大。拔节初期生物量预测值为535.5 kg/hm~2,实测值为480 kg/hm~2,相对误差11.56%。抽雄前生物量预测值为7 036.46 kg/hm~2,实测值为5 794 kg/hm~2,相对误差21.44%。拔节到抽雄前生长阶段预测值与实测值之间的RMSE为825.94 kg/hm~2。经过模型参数调整,抽雄前生物量预测值为6 036 kg/hm~2,与实测值较为接近,RMSE为219.43 kg/hm~2,相对误差4.18%。利用参数调整后的模拟模型继续对抽雄到灌浆前生长期间生物量进行预测,预测值与实测值较为一致,灌浆期生物量预测值为11 156 kg/hm~2,实测值为10 785 kg/hm~2,相对误差3.44%,而参数调整前预测值为12 492 kg/hm~2,相对误差15.83%。在玉米拔节期进行模型参数调整,对拔节到抽雄和抽雄到灌浆2生长阶段的生物量预测效果较好。该研究可为县域夏玉米不同生长阶段生物量及其动态变化预测提供参考,可辅助县域农业管理部门进行适时生产措施调整。     

基于WOFOST作物模型的玉米区域干旱影响评估技术

为探讨作物区域干旱影响评估技术,拓展农业气象灾害区域影响评估方法,基于WOFOST作物模型,以西南玉米干旱为研究对象,对发育期、光合生产等模块进行了改进与提高,利用西南地区8个代表性站点的玉米田间观测数据和同期逐日气象数据对模型进行了适宜性检验,在此基础上,选择西南地区历年典型干旱年份,模拟分析了玉米的产量变化趋势,并与实际减产率作了对比分析。结果表明:改进后,玉米生育期模拟值与实测值归一化均方根误差(NRMSE)由原来的3.25%~6.95%降低到1.48%~3.07%,R~2由原来的0.57~0.79提高到0.63~0.99,平均模拟精度由原来的74.12%提高到78.9%。玉米产量模拟值与实测值NRMSE范围由原来的7.88%~11.99%降低到3.07%~6.79%,R2由原来的0.52~0.93提高到0.77~0.98,平均模拟精度由原来的75.7%提高到80.95%。对1987年、1992年及2006年西南地区关键生育期典型干旱年份产量模拟平均精度分别是69.8%、78.1%与75.9%。结合上述分析可得出模型对发育期与产量的模拟精度都有不同程度地提高,模型对西南玉米主产区干旱影响评估有很好的反应,对干旱分布范围与分布规律的模拟值与实际情况基本接近,表明该方法可为区域干旱影响评估提供一种更为科学的评估技术。     

Estimation of Sunflower Seed Yield Using Partial Least Squares Regression and Artificial Neural Network Models

Statistical models can efficiently establish the relationships between crop growth and environmental conditions while explicitly quantifying uncertainties. This study aimed to test the efficiency of statistical models established using partial least squares regression(PLSR) and artificial neural network(ANN) in predicting seed yields of sunflower(Helianthus annuus). Two-year field trial data on sunflower growth under different salinity levels and nitrogen(N) application rates in the Yichang Experimental Station in Hetao Irrigation District, Inner Mongolia, China, were used to calibrate and validate the statistical models. The variable importance in projection score was calculated in order to select the sensitive crop indices for seed yield prediction. We found that when the most sensitive indices were used as inputs for seed yield estimation, the PLSR could attain a comparable accuracy(root mean square error(RMSE) = 0.93 t ha-1, coefficient of determination(R~2) = 0.69) to that when using all measured indices(RMSE = 0.81 t ha-1,R~2= 0.77). The ANN model outperformed the PLSR for yield prediction with different combinations of inputs of both microplots and field data. The results indicated that sunflower seed yield could be reasonably estimated by using a small number of crop characteristic indices under complex environmental conditions and management options(e.g., saline soils and N application). Since leaf area index and plant height were found to be the most sensitive crop indices for sunflower seed yield prediction, remotely sensed data and the ANN model may be joined for regional crop yield simulation.     

中国作物生长模拟监测系统构建及应用

该文系统阐述了中国作物生长模拟监测系统（Crop Growth Simulating and Monitoring System in China, CGMS-China）的构建方法及其在国家级农业气象业务中的应用。CGMS-China是基于WOFOST、Oryza2000、WheatSM、ChinaAgroys 4个作物模型构建的系统,在作物长势监测评估、农业气象灾害影响评估、作物产量预报等农业气象业务中均有应用。该系统可进行作物长势监测、产量预报、农业气象灾害影响评估。利用CGMS-China模拟输出的地上生物量、叶面积指数、穗质量,建立作物长势评估指标,可对小麦、玉米、水稻进行实时长势监测与评估。通过CGMS-China对2014年8月中旬华北黄淮夏玉米的干旱产量损失评估和2016年6月22日早稻高温热害的产量损失预估表明,CGMS-China对农业气象灾害影响评估的效果较好。利用CGMS-China对2014年冬小麦主产省进行产量预报,各省的平均预报相对误差为7%。与此同时,在CGMS-China中利用遥感数据同化方法,对山西洪洞县进行产量预报,预报相对误差小于11%。该系统在国家级农业气象业务中具有良好的应用前景。     

秒尺度温室番茄作物-环境互作模型构建与验证

为了解决现有温室模型时间尺度不统一的问题,该研究建立了一个时间尺度统一的温室番茄作物-环境互作模型,描述作物与环境之间的相互作用,提高模型的精准性。首先,将番茄作物生长模型拆分成SUPPLY、PARTITION、GROWTH3个子模块,针对3个模块在由天数量级时间尺度到秒数量级时间尺度变换时存在的问题,通过模型替换、结构改造、参数辨识等方法对时间尺度进行了转换,并利用EFAST敏感性分析算法将模型中的不确定参数分为敏感参数和不敏感参数两类。然后,在秒时间尺度番茄作物生长模型的基础上,考虑番茄作物对温室环境的实时反馈,结合小气候模型形成包含未知参数的"通用"的互作模型结构。最后,利用贝叶斯优化方法及番茄生产温室的实际数据,分别对互作模型中生长模型和小气候模型的未知参数进行参数辨识,确定互作模型全部结构与参数,得到可用的互作模型。利用该研究得到的秒时间尺度生长模型对2015—2018年上海崇明A8温室番茄产量进行模拟,其与真实产量值间的均方根误差在7.34～18.85 g/m~2之间,平均相对误差在5.8%～18%之间,均小于TOMGRO模型与Integrated模型,可以更好地预测产量变化。含作物反馈的小气候环境模型经参数辨识后,模拟番茄作物3个不同生长时期(幼苗期、开花坐果期、结果期)的环境因子(温室内温度、湿度、CO_2浓度)变化的平均相对误差均在3%～6%之间,且相较于未考虑作物反馈的一般小气候模型有更好的模拟效果。互作模型的建立将作物与温室小气候环境统一成一个模型,可以为温室环境控制提供模型基础。     

干旱胁迫对玉米物候及产量组成的影响及模拟研究

为了研究产量关键期干旱胁迫对玉米物候及产量和产量组成的影响,评估作物生长模型对干旱胁迫下玉米物候和产量模拟的效果,基于锦州农业气象试验站2011-2015年分期播种试验玉米产量和产量组成观测资料,尤其是2014年和2015年天然干旱胁迫试验数据和2015年玉米开花、吐丝物候加密观测资料,分析了产量关键期干旱胁迫对玉米物候及产量和产量组成的影响,评估了CERES-Maize模型对不同降水年型玉米产量和产量组成的模拟效果,提出了模型改进的方向。结果表明,2014年和2015年辽宁省西部地区在玉米开花期前后经历了较严重的干旱胁迫过程,干旱胁迫导致玉米吐丝延迟程度大于开花,90%以上的植株能到达开花阶段,但仅有45%~88%的植株能到达吐丝阶段,直接影响株籽粒数（不同播期下的玉米株籽粒数相差32%）及最终产量（产量下降33%~78%）。CERES-Maize模型对正常年玉米产量及产量组成的模拟效果较好,对干旱年的模拟效果较差,部分原因在于模型在模拟玉米物候时不对开花和吐丝期加以区别,只考虑了温度对花期的影响,而没有考虑干旱胁迫下玉米因开花-吐丝间隔增大、雌穗发育异常、物候期推迟而造成的减产作用。因此,玉米产量关键期干旱胁迫直接影响玉米物候（开花-吐丝期）,进而影响玉米穗粒数及最终产量;为提高干旱胁迫下作物模型的模拟评估能力,亟待开展干旱胁迫下基于冠层吐丝动态的玉米产量模拟研究。