CN116401882A - 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 - Google Patents

基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 Download PDF

Info

Publication number
CN116401882A
CN116401882A CN202310393888.9A CN202310393888A CN116401882A CN 116401882 A CN116401882 A CN 116401882A CN 202310393888 A CN202310393888 A CN 202310393888A CN 116401882 A CN116401882 A CN 116401882A
Authority
CN
China
Prior art keywords
ozone
heritage
variety
parameters
research area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310393888.9A
Other languages
English (en)
Inventor
张天宁
刘舒
王闯
李婕
陈雯
于欣雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University
Original Assignee
Henan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University filed Critical Henan University
Priority to CN202310393888.9A priority Critical patent/CN116401882A/zh
Publication of CN116401882A publication Critical patent/CN116401882A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Animal Husbandry (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及农作物状态评估技术领域，具体涉及一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，包括，根据待评估的研究区域内农作物气象站点的位置，对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域；获取各个子研究区域的基础数据文件，并确定O3modified‑NWheat模型对应的最优模型参数组；根据最优模型参数组对应的O3modified‑NWheat模型和各个子研究区域的基础数据文件，确定臭氧对各个子研究区域造成的潜在产量损失。本发明可以实现对臭氧对各个子研究区域的潜在产量损失的准确评估，有助于为冬小麦主产区农田臭氧区域性治理方案的制定提供理论基础。

Description

基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法
技术领域
本发明涉及农作物状态评估技术领域，具体涉及一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法。
背景技术
臭氧由生物源和人类活动所排放的挥发性有机物、氮氧化物、一氧化碳和甲烷等物质经光化学反应而生成，是一种对地表植被有显著负面影响的大气二次污染物。探究臭氧对主要粮食作物产量的影响，有助于完成粮食安全保障工作。其中，小麦对臭氧的敏感度明显高于其它粮食作物，近地表臭氧可通过影响小麦光合作用速率、加速叶片衰老等生理过程最终导致其产量下降。而冬小麦主产区作为主要粮食生产基地，其小麦常年种植面积及产量均占总数的四分之三之上，因此，冬小麦主产区是臭氧污染最严重的区域，需要评估冬小麦生产产量受臭氧的损害程度，以便于后续对农田臭氧污染防治目标的制定提供理论依据。
现有通过设置不同的臭氧剂量指标量化小麦产量与臭氧浓度之间的关系，众多臭氧评估指标中，M7(每日09:00～16:00臭氧浓度均值)、AOT40(白天臭氧小时浓度超过40ppb的累积值)、PODY(臭氧吸收通量)等指标在目前臭氧对小麦产量的区域评估中被广泛使用。但是，在区域尺度前提下评估臭氧对小麦产量的影响时，臭氧评估指标的使用往往受到限制，更多全方位地评估区域性臭氧污染对作物损害的手段和方法仍有待探索。例如，臭氧指标往往无法全面考虑到臭氧与其它非生物胁迫的复合效应；不同地区小麦的种植环境及田间管理方式不同，单一地使用某种臭氧评估指标评估臭氧对冬小麦影响程度，鲁棒性差，增加了区域冬小麦状态评估的不确定性。
另外，现有通过作物模型综合模拟作物的生长发育与作物品种、环境条件和田间管理措施之间的关系，目前已被广泛应用于模拟和分析作物生长环境因子变化对其生长和产量影响的相关研究中。其中，农业技术转让决策支持系统(Decision Support Systemfor Agro-technology Transfer，DSSAT)和农业生产系统模拟器(AgriculturalProduction Systems Simulator，APSIM)是目前应用最为广泛的小麦作物模型，在将APSIM中的小麦模拟模块整合到DSSAT模型后，含三个小麦子模型(CERES、CROPSIM和NWheat)的DSSAT模型对于小麦的模拟性能更加优越于其他作物模型。然而，尽管许多研究都已证实了臭氧对小麦产量的负面影响，但未将臭氧对小麦状态的影响程度机制纳入到模型中、基础数据文件不完整以及未根据具体研究区域对模型训练参数进行本地化处理，导致模型的输出结果准确性低，也就是无法准确评估臭氧对农作物潜在产量造成的损失程度。
发明内容
为了解决上述现有无法准确评估臭氧对农作物潜在产量造成的损失程度的技术问题，本发明的目的在于提供一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，该方法包括以下步骤：
根据待评估的研究区域内农作物气象站点的位置，对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域；
获取各个子研究区域的基础数据文件，并确定O3 modified-NWheat模型对应的最优模型参数组；
根据最优模型参数组对应的O3 modified-NWheat模型和各个子研究区域的基础数据文件，确定臭氧对各个子研究区域造成的潜在产量损失。
进一步地，所述基础数据文件包括品种文件、土壤文件、气象文件以及田间管理文件；所述品种文件为研究期间的各个子研究区域的冬小麦品种；所述土壤文件为站点经纬度、土壤类型、砂砾含量、土壤颜色、地表坡度、有机碳含量、pH值、土壤含水量、饱和含水量、土壤饱和导水率、田间持水量以及萎蔫点持水量；所述气象文件为日最高气温、日最低气温、降水量、太阳辐射、风速、相对湿度、CO2浓度、蒸散发量以及目标臭氧指标；所述田间管理文件包括管理数据和生长产量记录数据，所述管理数据包括整地方式、播种日期，播种方式、播种深度、播种密度、灌溉日期、灌溉量、施肥日期、施肥种类、施肥量，所述生长产量记录数据为冬小麦各物候期指标、生物量、籽粒重、千粒重、实际产量。
进一步地，确定O3 modified-NWheat模型对应的最优模型参数组，包括：
根据O3 modified-NWheat模型所需输入数据，在品种遗传参数文件中新建第一预设数目组品种遗产参数；其中，一组品种遗产参数中包括第二预设数目个作物遗产参数和第三预设数目个土壤表型参数；
采用GLUE方法对每组品种遗产参数进行参数优化，直至GLUE运行次数达到第四预设数目次，获得优化后的每组品种遗产参数对应的模型输出数据；其中，所述模型输出数据为各个子研究区域的农作物状态模拟值；
根据每组品种遗产参数对应的农作物状态模拟值和农作物状态观测值，计算每组品种遗产参数的权重、均值和方差，进而根据所述权重、均值和方差，确定O3 modified-NWheat模型对应的最优模型参数组。
进一步地，计算每组品种遗产参数的权重、均值和方差的过程包括：
根据每组品种遗产参数对应的农作物状态模拟值和农作物状态观测值，计算农作物状态模拟值和农作物状态观测值之间的似然值；
根据每组品种遗产参数对应的似然值，计算每组品种遗产参数的权重、均值和方差。
进一步地，每组品种遗产参数的权重的计算公式为：
Figure SMS_1
其中，K(θi)为第i组品种遗产参数的权重，L(θi|Y)为第i组品种遗产参数对应的似然值，N为品种遗产参数组的个数，i为品种遗产参数组的序号；
每组品种遗产参数的均值的计算公式为：
Figure SMS_2
其中，
Figure SMS_3
为各组品种遗产参数的均值，p(θi)为第i组品种遗产参数对应的似然值的权重，θi为第i组品种遗产参数，N为品种遗产参数组的个数，i为品种遗产参数组的序号；
每组品种遗产参数的方差的计算公式为：
Figure SMS_4
其中，
Figure SMS_5
为各组品种遗产参数的方差，p(θi)为第i组品种遗产参数对应的似然值的权重，θi为第i组品种遗产参数，N为品种遗产参数组的个数，/>
Figure SMS_6
为各组品种遗产参数的均值。
进一步地，根据待评估的研究区域内农作物气象站点的位置，对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域，包括：
利用泰森多边形方法，基于待评估的研究区域内农作物气象站点的位置，对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域；其中，子研究区域的边缘距离对应农作物气象站点的直线距离最短。
进一步地，根据O3 modified-NWheat模型对应的最优模型参数组和各个子研究区域的基础数据文件，确定臭氧对各个子研究区域造成的潜在产量损失，包括：
将各个子研究区域的基础数据文件作为输入数据，输入到最优模型参数组对应的O3modified-NWheat模型中，确定各个子研究区域受臭氧影响时的农作物产量，并利用O3modified-NWheat模型模拟不受臭氧影响时的农作物产量；根据各个子研究区域受臭氧影响时的农作物产量以及不受臭氧影响时的农作物产量，将不受臭氧影响时的农作物产量与受臭氧影响时的农作物产量的差值确定为对应子研究区域造成的潜在产量损失。
本发明具有如下有益效果：
本发明提供了一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，首先，选择NWheat模型作为O3 modified-NWheat模型的改进前提，其原因在于臭氧对小麦叶片衰老有着显著的影响，而模型本身架构带来的不确定性主要来源于模型对作物生长机理方面的考虑程度，如CERES和CROPSIM模型并未考虑小麦叶片的衰老过程，模型结构引起的不确定性往往大于模型参数带来的不确定性，故选择NWheat模型有利于提高模型输出结果的准确性。其次，模型参数的本地化是模型能否成功异地化应用的关键，已有研究表明模型参数的本地化可在敏感性分析的基础上选择较敏感参数进行，但选择多少参数以及选择哪些敏感性参数进行校准仍是模型参数本地化工作中的难题之一；本发明在已有研究的基础上选择了对小麦生育期及产量较为敏感的8个品种遗传参数以及3个较为敏感的土壤参数进行本地化，使模型取得了优异的模拟性能，这在一定程度上验证了所选参数的合理性，提高模型输出结果的精确度。此外，模型输入数据的可得性及数据误差在也将造成模型模拟结果的不确定性，而能较好地代表研究区内作物生长条件的优质空间输入数据可在很大程度上降低此不确定性；为此，一方面在模型运行所要求最小数据集的基础上加入了更多的环境因素，如加入风速、近地表相对湿度可用以提高模型对地表蒸散发量的模拟精度等；另一方面在输入文件整理流程中尽量减少由于模型操作人员带来的偶然误差。最后，在考虑模型不确定性三大来源的基础上，利用GLUE参数优化方法对模型的参数进行了本地化，成功地运用基于臭氧改进的NWheat模型模拟了研究期间我国冬小麦主产区内臭氧对冬小麦生产过程中造成的潜在产量损失。本发明准确评估臭氧对农作物潜在产量造成的损失程度，为制定区域农田臭氧污染防治提供了理论依据，并能服务于提升研究区域冬小麦生产潜力工作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法的流程图；
图2为本发明实施例中的待评估的研究区域内剔除区域的示意图；
图3为本发明实施例中的待评估的研究区域内各个子研究区域的示意图；
图4为本发明实施例中的农作物状态估计模型所需的基础数据文件的系统框架图；
图5为本发明实施例中的冬小麦主产区2015～2018年各区域剔除臭氧影响时冬小麦产量的变化情况；
图6为本发明实施例中的冬小麦主产区内25个区域因臭氧造成的冬小麦产量的潜在损失量的统计结果；
图7为本发明实施例中的冬小麦主产区25个分区农业气象站记录的冬小麦产量的空间分布情况；
图8为本发明实施例中的开花期的训练结果图；
图9为本发明实施例中的开花期的验证结果图；
图10为本发明实施例中的研究区域冬小麦开花期观测值与模拟值之间的误差空间分布；
图11为本发明实施例中的成熟期的训练结果图；
图12为本发明实施例中的成熟期的验证结果图；
图13为本发明实施例中的研究区域冬小麦成熟期观测值与模拟值之间的误差空间分布；
图14为本发明实施例中的模型对冬小麦产量模拟的训练结果图；
图15为本发明实施例中的模型对冬小麦产量模拟的验证结果图；
图16为本发明实施例中的研究区域冬小麦产量的观测值与模拟值之间的误差空间分布。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
目前评估臭氧对作物产量损害的方法多依赖基于代表性实验所得到的浓度响应函数，但此方法往往难以捕捉到不同环境因素的空间差异信息，且会在一定程度上忽略多种非生物胁迫的共同作用，导致最终估计农作物产量的准确性低。为了克服上述评估臭氧对作物产量损害方法鲁棒性差，导致潜在农作物产量损失估计的准确性低的缺陷，本实施例提供了一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，如图1所示，包括以下步骤：
S1，根据待评估的研究区域内农作物气象站点的位置，对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域。
在本实施例中，为了更合理地根据现有冬小麦种植区域进行品种和管理区划，以待评估的研究区域内所选25个农业气象站点的代表，建立研究区域内的小麦品种和田间管理信息数据库，田间管理信息数据库可以为研究区域评估提供合理的数据基础。农业气象站点设立的多少与研究区域内不同粮食作物的种植区域高度相关，其说明没有冬小麦农业气象站点的区域并非冬小麦粮食主产区。例如，山西和河北等北部地区多为山地，北部地区中存在少量冬小麦种植区，但所种品种及田间管理方式与其他地区也有较大差别。因此，为了提高分区的合理性，并降低不同品种及田间管理方式对产量估计带来的不确定性，剔除了北部地区没有农业气象站点、且地形以山地为主的地区，待评估的研究区域内剔除区域的示意图如图2所示，剔除区域包括太原市、阳泉市、忻州市、大同市、张家口市以及承德市。
在获得剔除后的研究区域后，采用泰森多边形方法，基于待评估的研究区域内农作物气象站点的位置，借助ArcGIS(地理信息系统软件)完成对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域。泰森多边形方法和地理信息系统软件的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。各个子研究区域可以呈现出多边形内的任何位置距离对应农业气象站点的直线距离最短的特点，其有助于实现用子研究区域内的农业气象站点采集的数据信息，来分析对应子研究区域内冬小麦品种种植及管理措施分布情况，待评估的研究区域内各个子研究区域的示意图如图3所示。
S2，获取各个子研究区域的基础数据文件，并确定O3 modified-NWheat模型对应的最优模型参数组，其步骤包括：
第一步，获取各个子研究区域的基础数据文件。
农作物状态估计模型(O3 modified-NWheat)主要包括作物模型、数据文件管理、系统应用分析三大部分，各部分之间即有各自独立的功能又可相互耦合使用，该模型充分考虑了农作物品种遗传特性、土壤、气候和管理措施等因素对作物生长的综合作用，可用于模拟不同的农作物种植方式和管理措施对作物生长及生产的影响程度。由于农作物状态估计模型是基于半经验半参数化原则建模，故其所需农作物的生长数据较为全面，大多数数据需在实验基础上或通过实时观测获得的。农作物状态估计模型所需的基础数据文件主要包括农作物品种文件、土壤文件、气象文件以及田间管理文件，这里的农作物可以为冬小麦，同样可以为玉米、稻米等其他农作物，农作物状态估计模型所需的基础数据文件的系统框架图如图4所示。在图4中，包括农作物品种文件(.CUL)、土壤文件(.SOL)、气象文件(.WTH)以及田间管理文件(.WHX)。
第一子步骤，农作物品种文件(.CUL)。
在本实施例中，农业气象监测站点记录了各个站点在不同年份所种植的冬小麦品种数据，部分站点在不同年份间所种植的冬小麦品种有些许变化，考虑到不同子区域所种植冬小麦品种的差异性以及品种参数本地化工作的可操作性，在2015～2018年冬小麦种植品种的基础上，各个站点根据小麦品种的种植频率，分别筛选出了各个子研究区域的冬小麦优势品种。若2015～2018年所种植的冬小苗品种各不相同，则加入历史年份种植品种的数据以作参考。值得说明的是，由于缺少各个冬小麦品种对臭氧的耐受性指标的数据，为了防止夸大臭氧对冬小麦状态的影响，假设所有子研究区域种植的冬小麦品种都为臭氧耐受性品种。
第二子步骤，土壤文件(.SOL)。
在本实施例中，由于农作物状态估计模型所需的土壤文件信息较多，主要包括站点经纬度、土壤类型、砂砾含量、土壤颜色、地表坡度、有机碳含量、pH值、土壤含水量、饱和含水量等一系列参数，导致缺乏全面且分辨率不同的土壤输入数据。近年来，在全球范围内建立空间连续的高精度土壤数据库已成为相关学者的工作重点之一，最具有代表性的是国际土壤参考和信息中心于2014年发布的全球1km土壤网格数据库。而后，国际气候学会研究所(International Institute for Climate and Society)及国际粮食政策研究所(International Food Policy Research Institute)等单位联合在此数据集的基础上应用土壤传输函数推导了土壤饱和导水率、田间持水量、萎蔫点和饱和等对模拟作物生长至关重要的水力特性，并结合HarvestChoice(HC27)土壤数据库开发出了一套与DSSAT作物模型兼容的10km分辨率的土壤数据集(Global High-Resolution Soil Profile Databasefor Crop Modeling Applications)。目前已广泛应用于大范围农作物模型估产研究领域，并且此数据集也为本实施例所需的土壤文件提供了最可靠的土壤数据信息。
第三子步骤，气象文件(.WTH)。
在本实施例中，为了尽可能全面地考虑气象要素对冬小麦生长的影响，本实施例除了日最高气温、日最低气温、降水量及太阳辐射以外，还添加了风速和相对湿度等相关因素用以计算蒸散发量，其有助于提高蒸散发量的计算精度。同时，将CO2浓度数据也被考虑进来，其来自于DSSAT模型自带的CO2基础标准数据文件。蒸散发量的计算方式采用FAO-Penman-Monteith公式，可由模型自动计算得到，其计算公式可以为：
Figure SMS_7
其中，ETO为蒸散发量，单位为mm day-1，Rn为农作物表面的净辐射量，单位为MJ m- 2day-1，G为土壤热通量密度，单位为MJ m-2day-1，γ为湿度计算常数，单位为kPa℃-1，T为地表日均气温，单位为℃，u2为地表风速，单位为m s-1，es为饱和水汽压，单位为kPa，ea为实际蒸气压，单位为kPa，es-ea为饱和气压差，单位为kPa，Δ为蒸气压曲线斜率，单位为kPa℃-1。
其中，获取各个子研究区域的气象文件(.WTH)中目标臭氧浓度指标的步骤包括：
在本实施例中，各个子研究区域的地表臭氧监测数据可通过环境监测中心获取，根据每个小时的臭氧数据，计算各个子研究区域的每日M7臭氧浓度，并将M7臭氧浓度确定为目标臭氧浓度指标。计算每日M7臭氧浓度的计算过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
需要说明的是，对于气象文件中的M7臭氧浓度，其对农作物状态估计模型的改进起到关键作用。M7臭氧浓度用以衡量臭氧对冬小麦生长和产量的影响，原因主要有两方面：一是M7臭氧浓度已被很多实验证明可以用于评估臭氧胁迫对小麦产量的影响，并可用建模相关的研究中；二是虽然有一些研究使用基于阈值的臭氧暴露累积量指标评估臭氧对小麦产量的影响，但这些指标忽略了低浓度臭氧对小麦产量的损害，导致小麦产量损害评估结果的准确度较低。M7臭氧浓度不仅在臭氧浓度等级上兼顾了高浓度臭氧水平，且其在冬小麦生长发育初期就已表现出了对冬小麦状态的显著影响。基于先验知识，将臭氧胁迫的阈值设定为25ppb，当臭氧浓度高于设定的阈值时，光合作用将减少0～1倍且叶片也将以大于1的速度加速衰老。
根据目标臭氧浓度指标和臭氧相关数据确定臭氧胁迫函数，其步骤包括：
需要说明的是，臭氧胁迫函数包括臭氧胁迫不与水分和空气中CO2(CarbonDioxide，二氧化碳)胁迫相互作用而引起的光合作用下降因子、臭氧胁迫与水分和空气中CO2胁迫相互作用时的光合作用下降因子、由于生长胁迫导致的光合作用降低而减少的干物质积累量以及由臭氧胁迫引起的叶片衰老加速因子；臭氧相关数据包括小麦对臭氧的耐受程度、空气中CO2浓度大于350ppm时对小麦潜在干物质量的影响、水分胁迫对光合作用影响、氮胁迫因子、温度胁迫因子。
臭氧胁迫不与水分和空气中CO2胁迫相互作用而引起的光合作用下降因子的计算公式为：
FO3＝-FOZ1*OZONX+FOZ2
其中，FO3为臭氧胁迫不与水分和空气中CO2胁迫相互作用而引起的光合作用下降因子，FOZ1和FOZ2为根据小麦对臭氧的耐受程度分别取值为0.0006和1.015(耐受型)、0.001和1.025(中度敏感型)以及0.005和1.125(敏感型)，OZONX为目标臭氧浓度指标。
臭氧胁迫与水分和空气中CO2胁迫相互作用时的光合作用下降因子的计算公式为：
Figure SMS_8
其中，PRFO3为臭氧胁迫与水分和空气中CO2胁迫相互作用时的光合作用下降因子，Ruefactor为空气中CO2浓度大于350ppm时对小麦潜在干物质量的影响，Swdef(photonw)为水分胁迫对光合作用影响，FO3为臭氧胁迫不与水分和空气中CO2胁迫相互作用而引起的光合作用下降因子，min为求最小值函数。
由于生长胁迫导致的光合作用降低而减少的干物质积累量的计算公式为：
Optfr＝min(Swdef(photonw)，Nfact，PRFO3)*Prft
其中，Optfr为由于生长胁迫导致的光合作用降低而减少的干物质积累量，Swdef(photonw)是水分胁迫对光合作用的影响，Nfact是氮胁迫因子，Prft是温度胁迫因子，PRFO3为臭氧胁迫与水分和空气中CO2胁迫相互作用时的光合作用下降因子，min为求最小值函数。
由臭氧胁迫引起的叶片衰老加速因子的计算公式为：
SLFO3＝SLFOZ1*OZONX+SLFOZ2
其中，SLFO3为由臭氧胁迫引起的叶片衰老加速因子，SLFOZ1和SLFOZ2根据小麦对臭氧的耐受程度分别取值为0.008和0.800(耐受型)、0.025和0.375(中度敏感型)以及0.040和0(敏感型)，OZONX为目标臭氧浓度指标。
第四子步骤，田间管理文件(.WHX)。
在本实施例中，田间管理数据是模拟精度评估和参数本地化的重要数据基础，田间管理数据主要包括整地方式、播种日期，播种方式、播种深度、播种密度、灌溉日期、灌溉量、施肥日期、施肥种类、施肥量等管理数据以及冬小麦各物候期指标、生物量、籽粒重、千粒重、实际产量等生长和产量记录数据。农业气象站点的冬小麦监测数据满足了以上大部分需求，针对个别年份中部分站点的施肥种类、施肥量及灌溉量等管理数据缺失的情况，采用邻近年份或多年记录的相近数据进行补充。需要说明的是，若农业气象站点所记录的冬小麦单位产量数据有显著异常，则采用其所记录的邻近大田观测记录或者所在县的均产记录进行补充。
第二步，确定O3 modified-NWheat模型对应的最优模型参数组。
其中，利用臭氧胁迫函数对NWheat模型进行改进处理，确定叶片衰老速率函数，获得O3 modified-NWheat模型。
需要说明的是，NWheat模型(小麦生长模型)不仅能在日变化尺度上模拟小麦的生长发育过程、水氮循环以及各种强迫因子对小麦生长发育的影响，还基于CO2、辐射利用效率和温度函数(CO2和蒸腾效率函数)确定大气CO2升高对作物生长、辐射利用效率和蒸腾效率的影响。光合作用和叶片衰老取决于非生物胁迫的持续时间和严重程度，故NWheat采用了两种不同的子程序来计算非生物胁迫对减少光合作用和加速叶片衰老的影响。
在本实施例中，臭氧胁迫函数通过修改光合作用减少量和叶片衰老速度将臭氧对小麦的影响加入到NWheat模型中，使模型在CO2、辐射利用效率、温度函数、辐射利用效率以及水胁迫函数中考虑到了臭氧的影响。NWheat模型中的臭氧胁迫函数主要包括两种反应，一是臭氧通过气孔通量直接影响光合作用，二是臭氧加速叶片衰老并间接影响光合作用，两种反应具有不同的影响程度，并且会受到其他生长环境的影响。例如，水分胁迫或大气CO2浓度升高将导致气孔关闭，此时臭氧对光合作用的直接影响程度将受到气孔通量大小的影响。基于NWheat模型中现有的非生物胁迫方法，臭氧胁迫的光合还原效应也被结合到该模型中，并同时考虑了臭氧浓度与水分胁迫以及大气CO2浓度升高的交互作用。臭氧对叶片衰老的加速效应结合到类似于热胁迫的影响过程中，臭氧浓度高于设定的阈值将导致叶片衰老加速。
臭氧胁迫函数对NWheat模型进行改进处理后，确定O3 modified-NWheat模型，可以获得各个子区域的叶片衰老速率函数，其计算公式可以为：
Leafsen＝Slan*Sfactor*SLFO3
其中，Leafsen为每日叶片总衰老速率，Slan为基于出苗后生长阶段的正常叶片衰老程度，Sfactor为由于非生物胁迫(主要为温度和水)导致的叶片衰老程度，SLFO3为由臭氧胁迫引起的叶片衰老加速因子。
至此，本实施例获得了受臭氧影响的O3 modified-NWheat模型。
由于模型最初的开发环境与实际开发环境存在差异性，模型在异地使用前应根据研究区域所在环境和农作物的品种特征进行模型参数本地化处理，即获取一组最优的模型参数，一组最优的模型参数是模型是否可用和模拟效果好坏的先决条件之一。决定模型参数的文件包括物种参数文件(.SPE文件)、生态型参数文件(.ECO文件)和品种遗传参数文件(.CUL文件)，其中，物种参数取决于农作物本身，而生态型参数主要与农作物的生长环境和物种环境敏感性相关，对于农作物的生长环境和物种环境敏感性，一般不对两者做调整，故模型参数的本地化主要是对农作物品种的遗传参数进行处理。
目前，模型参本地化的方法主要分为两种，其一频率派是根据数据样本进行参数估计，通过分别设置固定的参数后，组成数组，以便于估计的参数值接近真值，但是该方法忽略了参数的先验分布信息，导致本地化处理的参数的准确度低。其二贝叶斯是通过考虑数据样本和参数的先验信息进行参数估计，该方法考虑了参数的后验概率分布，提高了本地化处理的参数的准确度，得到了较多的应用。本实施例采用基于贝叶斯理论的GLUE农作物遗传参数估计方法(Generalized Likelihood Uncertainty Estimation)，对模型参数进行本地化处理，先通过先验分布生成大量的参数值将参数空间离散化，然后根据田间实测数据计算每个参数的似然值，最后利用贝叶斯算法计算参数的后验分布概率，其具体实现步骤包括：
第一子步骤，根据农作物状态估计模型所需输入数据，获取在品种遗传参数文件中新建第一预设数目组品种遗产参数。
在本实施例中，为了验证本地化参数的可移植性，将历史时段的参数数据分为训练参数和验证参数，其中，2015年至2016年的数据用于进行参数验证，2017年至2018年的数据用于进行模型效果验证。首先，根据农作物状态估计模型所需的输入数据，分别建立土壤文件、气象文件和田间管理文件，并在品种遗传参数文件中新建第一预设数目组品种遗产参数，第一预设数目可以为25，一组品种遗产参数包含8个农作物遗传参数和3个土壤表型参数。GLUE参数调整时需要运行的最少次数为6000次，为了扩大参数样本量，在参数优化过程中将GLUE运行次数设置为20000次。
需要说明的是，本实施例主要从四个关键作物表型对模型进行校准和验证，四个关键作物表型分别为开花期、成熟期、籽粒数和籽粒重。选取8个品种遗传参数进行本地化，分别为VSEN、PPSEN、P1、P5、PHINT、GRNO、MXFIL和STMMX，其中，VSEN、PPSEN、P1、PHINT参数主要与开花期相关，P5主要与成熟期有关，GRNO主要与籽粒数相关，MXFIL和STMMX主要与籽粒重相关。各品种遗传参数的物理意义及参数范围如表1所示：
表1
Figure SMS_9
由于土壤参数所带来的不确定性往往会被认为是大于模型本身的不确定性，在敏感性分析的基础上，加入了三个土壤表型参数的优化，分别为土壤径流曲线(Runoff curvenumber，SLRO，50～100)、土壤矿化因子(Mineralization factor，SLNF，0～1)和土壤光合因子(Photosynthesis factor，SLPF，0～1)。
值得说明的是，关于参数本地化原则，在参数本地化过程中，需要遵守先检查与关键生育期相关的参数，后检查与产量相关参数的原则。参数本地化过程中模型模拟的关键生育期与观测值误差控制在7天以内的基础上，再进行与产量相关参数的筛选，最终选取产量模拟性能最好的一组参数作为模型参数。
第二子步骤，采用GLUE方法对每组品种遗产参数进行参数优化，直至GLUE运行次数达到第四预设数目次，获得优化后的每组品种遗产参数对应的模型输出数据。
在本实施例中，第四预设数目可以为20000次，对每组品种遗产参数均进行20000次的参数模拟，可以获得优化后的每组品种遗产参数对应的模型输出数据，模型输出数据即为农作物状态模拟值。GLUE方法的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
第三步，根据每组品种遗产参数对应的农作物状态模拟值和农作物状态观测值，计算每组品种遗产参数的权重、均值和方差，进而根据权重、均值和方差，确定农作物状态估计模型对应的最优模型参数组，其步骤包括：
根据每组品种遗产参数对应的农作物状态模拟值和农作物状态观测值，计算农作物状态模拟值和农作物状态观测值之间的似然值。
在本实施例中，为了便于后续分析每组参数的模拟性能，需要计算每组参数的模拟值与观测值之间的似然值，两组数值之间的似然值可以为两组数值之间的对应距离的均值，也就是将距离的均值确定为两组数值之间的似然值。同样，可以计算两组数据之间相关系数，将最终的相关系数作为最终的似然值。
根据每组品种遗产参数对应的似然值，计算每组品种遗产参数的权重、均值和方差，每组品种遗产参数的权重的计算公式为：
Figure SMS_10
其中，K(θi)为第i组品种遗产参数的权重，L(θi|Y)为第i组品种遗产参数对应的似然值，N为品种遗产参数组的个数，i为品种遗产参数组的序号。
每组品种遗产参数的均值的计算公式为：
Figure SMS_11
其中，
Figure SMS_12
为各组品种遗产参数的均值，p(θi)为第i组品种遗产参数对应的似然值的权重，θi为第i组品种遗产参数，N为品种遗产参数组的个数，i为品种遗产参数组的序号。
每组品种遗产参数的方差的计算公式为：
Figure SMS_13
其中，
Figure SMS_14
为各组品种遗产参数的方差，p(θi)为第i组品种遗产参数对应的似然值的权重，θi为第i组品种遗产参数，N为品种遗产参数组的个数，/>
Figure SMS_15
为各组品种遗产参数的均值。
在参数优化结果的基础上，根据似然值、权重、均值和方差选取出前10％的数据，对关键生育期和产量模拟效果都较好的品种遗产参数组确定为最优参数组，在此基础上模拟2017～2018年的冬小麦生产情况，用以验证所选参数组的可移植性，并最终选取最优参数组后写入品种参数文件。
S3，根据最优模型参数组对应的O3 modified-NWheat模型和各个子研究区域的基础数据文件，确定臭氧对各个子研究区域造成的潜在产量损失。
将各个子研究区域的基础数据文件作为输入数据，输入到最优模型参数组对应的O3modified-NWheat模型中，确定各个子研究区域受臭氧影响时的农作物产量，并利用O3modified-NWheat模型模拟不受臭氧影响时的农作物产量；根据各个子研究区域受臭氧影响时的农作物产量以及不受臭氧影响时的农作物产量，将不受臭氧影响时的农作物产量与受臭氧影响时的农作物产量的差值确定为对应子研究区域造成的潜在产量损失。
在本实施例中，基于模型参数本地化，利用O3 modified-NWheat模型模拟了若实际情况下不含臭氧(或臭氧浓度低于25ppb阈值)时冬小麦产量的潜在变化，冬小麦主产区2015～2018年各区域剔除臭氧影响时冬小麦产量的变化情况如图5所示。由图5可知，研究区内因臭氧造成的冬小麦单位产量损失量在0～984kg/ha之间，减产量最大的是在2018年的HBAC区域，减产量可占当年该地区单位产量的22.16％。其中，HBAD和HBAJ区域常年由于臭氧浓度常年较低，该地区冬小麦因臭氧造成的产量损失基本都小于1％。冬小麦潜在产量损失与臭氧浓度分布趋势高度相关，高减产地区也多是冬小麦高产地区，低减产区域主要分布在沿海及研究区南部臭氧浓度相对较低的区域。冬小麦主产区内25个区域因臭氧造成的冬小麦产量的潜在损失量的统计结果如图6所示，由图6可知，2017年因臭氧造成的产量潜在损失量最大，其次为2018年和2017年，2015年的产量损失最小。2015～2018年间，我国冬小麦主产区因臭氧产生的冬小麦产量潜在损失量的最大值分别可达621、841、737和984kg/ha，均值分别为306.92、346.52、454.56及418.50kg/ha，分别占比当年该区域冬小麦产量均值的4.96％、5.73％、7.58％和7.33％。其中，在冬小麦核心主产区(单位产量>6000kg/ha)内，四年间因臭氧造成的产量损失的均值分别为376.47、423.00、568.53和492.45kg/ha，分别占当年相应区域产量均值的5.52％、6.20％、8.61％和7.68％，这也可说明臭氧对我国冬小麦高产区域的影响更大。
至此，本实施例准确评估了臭氧对冬小麦产量的潜在影响程度。体现在，基于加入了臭氧对小麦生长影响机制的NWheat作物模型，对冬小麦主产区在2015～2018年间因臭氧造成的冬小麦潜在产量损失进行了评估。模型训练及验证的结果表明，O3 modified-NWheat模型对冬小麦关键生育期的模拟性能较好，即便不用进行大量的参数优化工作也可取得较高的模拟精度。
由于模拟精度是模型是否可用的直接判断条件，选取目前较为通用的模拟精度判别之间来检验NWheat模型的模拟性能，包括决定系数(R2)、线性回归方程、均方根误差(RMSE)、标准化均方根误差(NRMSE)以及均值偏移误差(MBE)等指标，各指标的计算公式分别如下：
决定系数的计算公式可以为：
Figure SMS_16
其中，R2为决定系数，obsi为观测值，simi为模拟值，
Figure SMS_17
为观测值的平均值，/>
Figure SMS_18
为模拟值的平均值，n为样本总数。
线性回归系数。
观测值与模拟值的线性回归系数(斜率a和截距b)可直接体现二者的一致性程度，当a趋近于1且b趋近于0时，模拟值与实测值的趋近于一致。线性回归系数的计算过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
均方根误差及标准化均方根误差的计算公式可以为：
Figure SMS_19
Figure SMS_20
其中，RMSE为均方根误差，obsi为观测值，simi为模拟值，NRMSE为标准化均方根误差，obsmax为观测值的最大值，obsmin为观测值的最小值，n为样本总数。
均值偏移误差的计算公式可以为：
Figure SMS_21
其中，MBE为均值偏移误差，obsi为观测值，simi为模拟值，n为样本总数。
需要说明的是，上述判断指标中，R2是反映拟合优度的重要统计指标，其值越接近于1，表明观测值与模拟值之间的拟合性能越优。RMSE和NRMSE反映了模拟值与观测值之间的绝对误差值的大小，其中，NRMSE值在小于0.1时往往被认为模型取得了极好的模拟精度，在0.1～0.2、0.2～0.3和>0.3时，分别被认为模型取得了较好、中等和较差的模拟精度。MBE反应了模型对所模拟对象的高估或低估程度，MBE为正表示高估，为负表示低估，且绝对值越大表示高估或低估越多。
冬小麦主产区内多数子区域的冬小麦产量都可达6000kg/ha以上，产量高值地区多集中在河北、河南东部、山东西部及安徽和江苏北部区域。产量较低的区域多在河南西南部及安徽与江苏南部地区，这些区域也是我国小麦与水稻种植的过渡区域，冬小麦主产区25个分区农业气象站记录的冬小麦产量的空间分布情况如图7所示。
开花期是对冬小麦产量影响较关键的生育期之一，开花期的训练结果图如图8所示、开花期的验证结果图如图9所示，其表明，NWheat对开花期的模拟效果较好，训练及验证的R2分别为0.98和0.97，且NRMSE分别为0.04和0.05，表明模型取得了极好的模拟精度(NRMSE<0.1)。此外，训练和验证的RMSE分别为3.18天和3.99天，MBE分别为-1.88天和-1.71天，表明NWheat模型对开花期的模拟比真实记录的开花期提前，但提前量均小于2天。研究区域冬小麦开花期观测值与模拟值之间的误差空间分布如图10，研究区内二者误差大小均在7天以内，且大多数区域的开花期模拟的误差均小于3天。除了2018年多数站点出现开花期模拟值迟于观测值之外，其余年份模拟所得的开花期大多提前于实际开花期的发生时间。
成熟期的训练结果图如图11所示、成熟期的验证结果图如图12所示，模型训练和验证的R2分别为0.97和0.97，NRMSE分别为0.05和0.04，表明模型对成熟期的模拟也同开花期一样得到了极好的模拟精度。不同于开花期模拟效果的是，模拟所得的成熟期比观测的真实成熟期发生时间略有延迟，其训练和验证的RMSE分别为3.18天和3.46天，MBE分别为0.84天和1.40天。研究区域冬小麦成熟期观测值与模拟值之间的误差空间分布如图13，其表明与开花期的模拟结果相似，成熟期的模拟误差大小也均在7天以内，且除2018年以外，大多数区域的成熟期模拟的误差均小于3天。综合来看，除少数区域外，模拟所得的冬小麦成熟期时间多晚于实际成熟期的发生时间。
模型对冬小麦产量模拟的训练结果图如图14所示、模型对冬小麦产量模拟的验证结果图如图15所示，训练组对冬小麦产量的模拟效果要明显优于验证组，其R2分别为0.93和0.88，且训练年份和验证年份的RMSE分别为272.35和402.93kg/ha，这进一步说明了模型的训练效果明显优于验证效果。此外，训练组模拟所得的冬小麦产量整体略高于实际产量(MBE为36.36kg/ha)，而验证组则呈现了明显的低估现象，整体低估量为-163.46kg/ha。虽然验证组的模拟效果略差于训练组，但从NRMSE指标来看，二者分别为0.08和0.09，也同样表明了模型对冬小麦的产量模拟取得了优异的模拟效果。研究区域冬小麦产量的观测值与模拟值之间的误差空间分布如图16所示，其表明约80％的区域所得的模拟产量与真实产量之间的误差均小于300kg/ha。产量误差大于600kg/ha的区域主要分布在山西南部、河南北部、河北及江苏北部地区。仅有个别区域对产量的模拟误差达到1000kg/ha，如2017年HBAW区域以及2018年HBAG区域，模拟误差分别为1359和1231kg/ha，且均为低估。
综合来看，O3 modified-NWheat模型对华北地区冬小麦关键生育期及产量的模拟都取得了优异的模拟性能，模拟所得的冬小麦开花期至成熟期的生长时长整体略大于实际的生长时长，且所模拟的冬小麦产量整体略低于实际产量。综上，O3 modified-NWheat模型可用于评估臭氧及气候变化对研究区内冬小麦生长过程及产量的影响，研究区冬小麦品种及模型参数本地化结果如表2所示：
表2
Figure SMS_22
本发明提供了一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，该方法基于臭氧改进后的O3 modified-NWheat模型，在考虑了不同区域品种、气象因素、土壤因素以及田间管理因素的基础上兼顾了臭氧与CO2等因子的共同胁迫作用，以我国冬小麦主产区内农业气象站点的冬小麦生长及产量观测数据为例，在验证该模型主要农区可用性的基础上定量评估了臭氧对我国冬小麦产量的影响，准确了评估臭氧对农作物潜在产量造成的损失程度。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，其特征在于，包括以下步骤：
根据待评估的研究区域内农作物气象站点的位置，对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域；
获取各个子研究区域的基础数据文件，并确定O3 modified-NWheat模型对应的最优模型参数组；
根据最优模型参数组对应的O3 modified-NWheat模型和各个子研究区域的基础数据文件，确定臭氧对各个子研究区域造成的潜在产量损失。
2.根据权利要求1所述的一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，其特征在于，所述基础数据文件包括品种文件、土壤文件、气象文件以及田间管理文件；所述品种文件为研究期间的各个子研究区域的冬小麦品种；所述土壤文件为站点经纬度、土壤类型、砂砾含量、土壤颜色、地表坡度、有机碳含量、pH值、土壤含水量、饱和含水量、土壤饱和导水率、田间持水量以及萎蔫点持水量；所述气象文件为日最高气温、日最低气温、降水量、太阳辐射、风速、相对湿度、CO2浓度、蒸散发量以及目标臭氧指标；所述田间管理文件包括管理数据和生长产量记录数据，所述管理数据包括整地方式、播种日期，播种方式、播种深度、播种密度、灌溉日期、灌溉量、施肥日期、施肥种类、施肥量，所述生长产量记录数据为冬小麦各物候期指标、生物量、籽粒重、千粒重、实际产量。
3.根据权利要求1所述的一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，其特征在于，确定O3 modified-NWheat模型对应的最优模型参数组，包括：
根据O3 modified-NWheat模型所需输入数据，在品种遗传参数文件中新建第一预设数目组品种遗产参数；其中，一组品种遗产参数中包括第二预设数目个作物遗产参数和第三预设数目个土壤表型参数；
采用GLUE方法对每组品种遗产参数进行参数优化，直至GLUE运行次数达到第四预设数目次，获得优化后的每组品种遗产参数对应的模型输出数据；其中，所述模型输出数据为各个子研究区域的农作物状态模拟值；
根据每组品种遗产参数对应的农作物状态模拟值和农作物状态观测值，计算每组品种遗产参数的权重、均值和方差，进而根据所述权重、均值和方差，确定O3 modified-NWheat模型对应的最优模型参数组。
4.根据权利要求3所述的一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，其特征在于，计算每组品种遗产参数的权重、均值和方差的过程包括：
根据每组品种遗产参数对应的农作物状态模拟值和农作物状态观测值，计算农作物状态模拟值和农作物状态观测值之间的似然值；
根据每组品种遗产参数对应的似然值，计算每组品种遗产参数的权重、均值和方差。
5.根据权利要求4所述的一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，其特征在于，每组品种遗产参数的权重的计算公式为：
Figure FDA0004176895960000021
其中，K(θi)为第i组品种遗产参数的权重，L(θi|Y)为第i组品种遗产参数对应的似然值，N为品种遗产参数组的个数，i为品种遗产参数组的序号；
每组品种遗产参数的均值的计算公式为：
Figure FDA0004176895960000022
其中，
Figure FDA0004176895960000023
为各组品种遗产参数的均值，p(θi)为第i组品种遗产参数对应的似然值的权重，θi为第i组品种遗产参数，N为品种遗产参数组的个数，i为品种遗产参数组的序号；
每组品种遗产参数的方差的计算公式为：
Figure FDA0004176895960000024
其中，
Figure FDA0004176895960000025
为各组品种遗产参数的方差，p(θi)为第i组品种遗产参数对应的似然值的权重，θi为第i组品种遗产参数，N为品种遗产参数组的个数，/>
Figure FDA0004176895960000026
为各组品种遗产参数的均值。
6.根据权利要求1所述的一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，其特征在于，根据待评估的研究区域内农作物气象站点的位置，对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域，包括：
利用泰森多边形方法，基于待评估的研究区域内农作物气象站点的位置，对待评估的研究区域进行划分，获得待评估的研究区域内各个子研究区域；其中，子研究区域的边缘距离对应农作物气象站点的直线距离最短。
7.根据权利要求1所述的一种基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法，其特征在于，根据O3 modified-NWheat模型对应的最优模型参数组和各个子研究区域的基础数据文件，确定臭氧对各个子研究区域造成的潜在产量损失，包括：
将各个子研究区域的基础数据文件作为输入数据，输入到最优模型参数组对应的O3modified-NWheat模型中，确定各个子研究区域受臭氧影响时的农作物产量，并利用O3modified-NWheat模型模拟不受臭氧影响时的农作物产量；根据各个子研究区域受臭氧影响时的农作物产量以及不受臭氧影响时的农作物产量，将不受臭氧影响时的农作物产量与受臭氧影响时的农作物产量的差值确定为对应子研究区域造成的潜在产量损失。
CN202310393888.9A 2023-04-13 2023-04-13 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 Pending CN116401882A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310393888.9A CN116401882A (zh) 2023-04-13 2023-04-13 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310393888.9A CN116401882A (zh) 2023-04-13 2023-04-13 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法

Publications (1)

Publication Number Publication Date
CN116401882A true CN116401882A (zh) 2023-07-07

Family

ID=87007185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310393888.9A Pending CN116401882A (zh) 2023-04-13 2023-04-13 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法

Country Status (1)

Country Link
CN (1) CN116401882A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370714A (zh) * 2023-12-07 2024-01-09 南京气象科技创新研究院 一种代表站定量确定方法
CN117726474A (zh) * 2023-12-18 2024-03-19 中山大学 臭氧对农田生态系统生产力非线性影响的评估方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370714A (zh) * 2023-12-07 2024-01-09 南京气象科技创新研究院 一种代表站定量确定方法
CN117370714B (zh) * 2023-12-07 2024-03-19 南京气象科技创新研究院 一种代表站定量确定方法
CN117726474A (zh) * 2023-12-18 2024-03-19 中山大学 臭氧对农田生态系统生产力非线性影响的评估方法及系统

Similar Documents

Publication Publication Date Title
Xiong et al. A calibration procedure to improve global rice yield simulations with EPIC
Wang et al. Evaluation of crop yield and soil water estimates using the EPIC model for the Loess Plateau of China
CN116401882A (zh) 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法
WO2023179167A1 (zh) 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法
Zhou et al. Evapotranspiration over a rainfed maize field in northeast China: How are relationships between the environment and terrestrial evapotranspiration mediated by leaf area?
Xiong et al. Evaluation of CERES‐Wheat simulation of Wheat Production in China
Shi et al. Impacts of cultivated land reclamation on the climate and grain production in Northeast China in the future 30 years
CN109800921A (zh) 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法
CN112598277A (zh) 一种评估跨区域缩小冬小麦产量差与提高氮肥效率的方法
CN116485040B (zh) 种子活力预测方法、系统、电子设备及存储介质
CN113849763A (zh) 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端
Tatsumi Effects of automatic multi-objective optimization of crop models on corn yield reproducibility in the USA
Houma et al. Climate change impacts on rice yield of a large-scale irrigation scheme in Malaysia
Nain et al. Calibration and validation of CERES model for simulating
CN116595333B (zh) 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法
CN113009108A (zh) 一种基于水热条件预测土壤有机碳含量的预测方法
Kumar et al. Use of a decision support system to establish the best model for estimating reference evapotranspiration in sub-temperate climate: Almora, Uttarakhand.
Amiri et al. Performance of WOFOST model for simulating maize growth, leaf area index, biomass, grain yield, yield gap, and soil water under irrigation and rainfed conditions
CN110033187B (zh) 一种基于环境数据的指标数据获取方法
Higgins Limitations to seasonal weather prediction and crop forecasting due to nonlinearity and model inadequacy
BAI et al. Influence of varied drought types on soil conservation service within the framework of climate change: insights from the Jinghe River Basin
Wang et al. Sensitivity analysis of the DeNitrification and Decomposition model for simulating regional carbon budget at the wetland-grassland area on the Zoige Plateau, china
Napoli et al. Modeling soil and nutrient runoff yields from an Italian vineyard using SWAT
Ying et al. Calibration and validation of SiBcrop Model for simulating LAI and surface heat fluxes of winter wheat in the North China Plain
Kim et al. Sensitivity of maize yield potential to regional climate in the southwestern US

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination