SHAW模型在冬小麦晚霜冻害监测中的适用性研究

利用一维多层水热耦合SHAW(Simultaneous heat and water)模型,在2015年商丘田间实验基础上,模拟冬小麦拔节后晚霜冻敏感期幼穗层气温,并结合拔节后天数对晚霜冻害的发生及其程度进行监测,以研究SHAW模型在冬小麦晚霜冻害监测中的适用性。结果表明,模型能准确模拟晚霜冻敏感期幼穗层20~60 cm高度垂直方向上的每小时气温变化,模拟值与实测值间的绝对误差低于1℃的占44.7%,低于2℃的占72.5%,且夜晚的模拟效果优于白天,相较于气象站日最低气温,SHAW模型模拟的幼穗层日最低气温和低温持续时间更能反映实际冻害发生时的低温环境。由于农田小气候的影响,气象站、农田上方2 m高度和幼穗层气温具有较大差异性,当SHAW模型所需的农田上方2 m高度气象数据缺乏时,将气象站数据转换为农田2 m高度气象数据代入模型的模拟方法优于直接将气象站气象数据代入模型的模拟方法,前者模拟的幼穗层日最低气温与实测值更为接近,所确定的晚霜冻等级与实际情况更加符合。因此,利用SHAW模型对冬小麦晚霜冻害进行监测是可行且适用的,相较于传统的气象站日最低气温监测指标,可提高监测晚霜冻害发生情况和冻害程度的准确率。     

基于SCE-UA算法的小麦穗分化期模拟模型参数优化

以河南省商丘市为研究区,首先采用OAT(One-at-a-time)方法对WheatGrow模型的输入品种参数进行敏感性分析,在此基础上以抽穗期的开始日期作为约束条件构建代价函数,引入SCE-UA(Shuffled complex evolution method developed at the University of Arizona)算法求解得到最优作物品种参数组合,并利用2015—2016年度和2016—2017年度田间实验资料对SCE-UA算法的有效性进行验证。结果表明,基本早熟性参数对穗分化期的模拟结果影响最显著,温度敏感性参数比光周期敏感性参数和生理春化时间参数具有更高的敏感度,生理春化时间的敏感度最低。基于优化后的参数得到的穗分化期模拟值与观测值之间的平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)均小于3 d,表明SCE-UA算法可以有效地获取WheatGrow模型最优品种参数组合。本研究可为WheatGrow模型品种参数的调整优化和模型的推广应用提供依据。     

基于SHAW模型的冬小麦叶温模拟

叶温是反映冬小麦健康状况的关键指标,但获取麦田叶温动态变化过程及廓线分布存在着较大困难。本文以河南省商丘市为研究区,引入表达土壤-植被-大气能量传输的SHAW模型,对其进行本地化标定,在垂直方向上0~60cm高度以10cm为间隔进行分层,模拟冬小麦拔节期至抽穗期间的叶温时序曲线及廓线,并结合田间同期不同高度的叶温实测数据,对模拟结果进行分析。结果表明：SHAW模型可有效地用于麦田叶温时序曲线和廓线模拟,决定系数达0.8476,夜间模拟效果显著优于白天,决定系数分别为0.8622和0.7602。对叶温日平均值、最低值和最高值的分析表明,均方根误差范围为1.36~4.09℃,且最低温模拟效果最好,平均值次之,最高温误差最大。叶温廓线模拟分析表明,各高度决定系数均达到0.82以上,且随高度的增加而增大,均方根误差范围为2.41~3.35℃,平均误差均小于0℃;叶温总体上呈现出夜间随高度增加而降低的趋势,而白天随高度增加而升高的趋势。