Analysis of Applicability of MaizeSM Model for Maize Growth Simulation in Tumd Left Banner

ZHANG Lanjing; LIANG Yan; GAO Qi; SU Lijun; SUN Shangyu; YUN Lei; WANG Yiming

doi:10.11924/j.issn.1000-6850.casb2024-0472

PDF(1642 KB)

Chin Agric Sci Bull ›› 2025, Vol. 41 ›› Issue (20) : 106-112. DOI: 10.11924/j.issn.1000-6850.casb2024-0472

Analysis of Applicability of MaizeSM Model for Maize Growth Simulation in Tumd Left Banner

ZHANG Lanjing ¹ ,
LIANG Yan ¹ ,
GAO Qi ² ,
SU Lijun ¹ ,
SUN Shangyu ¹ ,
YUN Lei ³ ,
WANG Yiming ⁴

Author information +

History +

Abstract

In order to assess the suitability of MaizeSM crop model in Tumd Left Banner, a global sensitivity analysis method was employed to identify sensitive parameters of the model. Subsequently, localized model parameters were calibrated using maize variety data from experimental fields, meteorological observations, soil physical and chemical data, and field management records spanning 2010 to 2022. This calibration enabled accurate simulation and prediction of local maize growth processes and characteristics across different stages. Accuracy of simulation results was verified using actual yield and growth period duration indicators. The results showed that findings revealed nine sensitive parameters within the model, with k₁ (emerging-joining stage basic development coefficient) being identified as most sensitive while TR₁ (stem sheath storage transport efficiency parameter before flowering) exhibited minimal sensitivity. Strong correlations between simulated values for each growth period and actual values were observed, with normalized root-mean-square error (NRMSE) below 30% and root-mean-square error (RMSE) falling within an acceptable range. The crop model can simulate the local maize growth well. The crop model demonstrates good simulation performance for local maize growth. The localized maize growth simulation model, MaizeSM, with improved parameters, has enhanced the refined yield prediction based on station-scale agricultural meteorological services. This further strengthens the application capabilities of agricultural models in climate change impact assessment, operational services, and agricultural production in the Tumd Left Banner region. These advancements assist agricultural managers in formulating optimal planting strategies to achieve maximum production efficiency.

Key words

MaizeSM crop model / Tumd Left Banner / applicability / sensitive parameter / localization debugging / accuracy verification

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

ZHANG Lanjing , LIANG Yan , GAO Qi , et al . Analysis of Applicability of MaizeSM Model for Maize Growth Simulation in Tumd Left Banner[J]. Chinese Agricultural Science Bulletin. 2025, 41(20): 106-112 https://doi.org/10.11924/j.issn.1000-6850.casb2024-0472

References

List( Publishing order | Descend order by publishing year | Descend order by cited within ) Chart analysis

[1]	岑家兰. 推广玉米种植技术的意义及具体措施[J]. 农技服务, 2017, 34(20):32. Cited in this article [2]

[2]	金广洋, 李岩, 周亚星, 等. 内蒙古自治区玉米种业振兴路径分析[J]. 中国种业, 2022(8):21-26. Cited in this article [1]

[3]	孙峰成, 路战远, 孟繁盛, 等. 内蒙古东北玉米轮作及生态种植面临的问题与对策[J]. 北方农业学报, 2017, 45(6):128-132. Cited in this article [1]

[4]	蔡福, 米娜, 纪瑞鹏, 等. 关键发育期干旱及复水过程对春玉米主要生理参数的影响[J]. 应用生态学报, 2017, 28(11):3643-3652. Cited in this article [1]

[5]

朱艳, 汤亮, 刘蕾蕾, 等. 作物生长模型(CropGrow)研究进展[J]. 中国农业科学, 2020, 53(16):3235-3256.

https://doi.org/10.3864/j.issn.0578-1752.2020.16.004

Cited in this article [1] Abstract

农业信息技术是基于信息技术与农业科学的交叉融合而形成的新兴技术,催生了数字农业和智慧农业的快速发展。作物生长模型作为其核心内容之一,可以动态模拟作物生长发育过程及其与气候因子、土壤特性和管理技术之间的关系,从而有效克服传统农业生产管理研究中较强的时空局限性,为不同条件下的作物生产力预测预警与效应评估等提供量化工具。本文重点介绍笔者团队在作物生长模型的构建与应用方面形成的总体技术方法、最新研究进展及未来发展思考。通过20多年系统深入的探索和实践,本团队以小麦、水稻等作物为主要对象,以“生理机制解析-模型算法构建-生产力动态预测-效应定量评估-模拟平台研发”为主线,综合运用系统分析、动态建模、虚拟现实、情景模拟及决策支持等方法,开展了作物生长模型CropGrow的构建与应用研究。首先,利用系统分析方法与动态建模技术,构建了机理性与预测性兼备的综合性作物生长模型（CropGrow）,包括阶段发育与物候期、器官发生与建成、光合生产与物质积累、同化物分配与产量品质形成、养分动态、水分平衡以及作物三维形态建成与虚拟显示等子模型,可数字化、可视化表征不同条件下作物生长发育与生产力形成过程;然后,结合地理信息系统（GIS）和遥感（RS）技术,构建了基于模型、GIS和RS有效耦合的区域作物生产力预测技术;进一步量化了气候变化、品种更新、土壤改良、措施优化对区域作物生产力形成的影响,拓展了适宜方案生成、理想品种设计、气候效应评估、耕地利用评价以及农业政策制定等应用技术;最后,运用构件化程序设计思想,基于作物生产数据库、作物模型构件库等,集成开发了基于模型的数字化、可视化作物生长模拟系统与决策支持平台,实现了数据管理、参数优化、生长模拟、遥感耦合、区域预测、方案设计、效应评估、安全预警、产品发布等综合功能。未来作物模拟研究将在完善基础数据库的基础上,进一步提升预测能力、量化基因效应、拓展智能决策、耦合多功能模型等,为粮食生产的预测预警、情景效应的量化评估、生产管理的智能决策、作物品种的优化设计等提供数字化支撑,对于保障国家粮食安全和推进数字农业发展具有重要意义。

[6]	邢聪仁. 基于机器学习的安徽省粮食产量预测方法研究[D]. 合肥: 安徽大学, 2019. Cited in this article [1]

[7]	计雪伟, 霍兴赢, 薛端, 等. 基于神经网络的农作物产量预测方法[J]. 南方农机, 2022, 53(2):36-38. Cited in this article [1]

[8]	赵福成, 谭禾平, 包斐, 等. 作物生长模拟模型及其在玉米上的应用综述[J]. 农业科技通讯, 2016(11):12-14. Cited in this article [1]

[9]	王琦, 郭建茂, 郑腾飞, 等. 基于作物模型的冬小麦气候适宜度算法研究[J]. 中国农学通报, 2013, 29(32):374-378. Cited in this article [1]

[10]	JONES J W, HOOGENBOOM G, PORTER C H, et al. The DSSAT cropping system model[J]. European journal of agronomy, 2003(18):235-265 Cited in this article [1]

[11]	Tedeschi L O. Assessment of the adequacy of mathematical models[J]. Agricultural systems, 2006, 89(2-3):225-247. Cited in this article [1]

[12]	WOKABI M S. Effectiveness of the wofost simulation model to predict maize yield gaps on the eastern slopes of Mt Kenya[J]. East African agricultural and forestry journal, 2003, 69(2):139-147. Cited in this article [1]

[13]	陈先冠, 冯利平, 马雪晴, 等. 不同播期和灌水条件下冬小麦生物量变化与产量模拟[J]. 农业机械学报, 2021, 52(10):349-357. Cited in this article [1]

[14]

王德娟, 汪健平, 冯建中, 等. 基于DNDC模型的红枣生长模拟参数敏感性和产量不确定性分析[J]. 新疆农业科学, 2023, 60(3):651-663.

https://doi.org/10.6048/j.issn.1001-4330.2023.03.016

Cited in this article [1] Abstract

【目的】研究红枣生长模型模拟输入参数的敏感性和产量预测不确定性,为红枣生长模拟模型的本地化和区域化参数调整优化提供依据,以提高模型模拟预测精度和效率。【方法】以新疆昆玉市现代农业示范区为研究区,应用可扩展傅里叶振幅敏感分析法(EFAST)和蒙特卡罗法分析基于DNDC模型系统新构建的红枣生长模型的输入参数敏感特性和产量预测不确定性。【结果】作物参数中全株生物量中果实比例(Gfra)、最大作物产量(MaxY)、生长积温(TDD)和需水量(WaterR)等指标敏感度最高,土壤参数中田间持水率(FC)和孔隙度(Por)等指标敏感度最高,田间管理参数中灌溉量(IrrAm)、施肥量(FerAm)和有机肥施肥量(ManAm)等指标敏感度最高;随着参数的波动范围由±5%增大到±10%,红枣预测产量正态分布的相关一致性系数增大,模型的平稳性增加。【结论】调整参数优化模型,并对2015~2019年各年份进行产量模拟测试验证,预测产量结果相对误差控制在±8%以内(最小误差为-1.99%),调整红枣产量预测模型参数,提高了模型预测产量的精度,优化趋于合理。

[15]	李卫国, 顾晓鹤, 王尔美, 等. 基于作物生长模型参数调整动态估测夏玉米生物量[J]. 农业工程学报, 2019, 35(7):136-142. Cited in this article [1]

[16]	姜志伟, 陈仲新, 周清波, 等. CERES-Wheat作物模型参数全局敏感性分析[J]. 农业工程学报, 2011, 27(1):236-242. Cited in this article [1]

[17]	李妍. 基于WOFOST-HYDRUS耦合模型的玉米遥感估产研究[D]. 兰州: 兰州大学, 2012. Cited in this article [1]

[18]	张伟, 张江, 张曼. 基于Morris筛选法的SWMM参数敏感性分析[J]. 江苏水利, 2021(3):35-39. Cited in this article [1]

[19]	胡国标, 邹益胜, 姜杰, 等. 基于Morris方法的车轴结构参数灵敏度分析[J]. 机械制造, 2015, 53(7):4-7. Cited in this article [1]

[20]	Al SHALABI L, SHAABAN Z, KASASBEH B. Data mining: A preprocessing engine[J]. Journal of computer science, 2006, 2(9):735-739. Cited in this article [1]

[21]	宋明丹, 冯浩, 李正鹏, 等. 基于Morris和EFAST的CERES-Wheat模型敏感性分析[J]. 农业机械学报, 2014, 45(10):124-131. Cited in this article [1]

[22]	闫朝晖. R软件在多元统计分析教学中的应用研究[J]. 科技创新导报, 2011(1):157-158. Cited in this article [1]

[23]	许德浩, 冯克鹏, 庄淏然. WOFOST作物模型对青铜峡灌区夏玉米生长模拟的适用性评估[J]. 西北水电, 2023(4):15-22. Cited in this article [1]

[24]

李旭华, 孙建新. Biome-BGC模型模拟阔叶红松林碳水通量的参数敏感性检验和不确定性分析[J]. 植物生态学报, 2018, 42(12):1131-1144.

https://doi.org/10.17521/cjpe.2018.0231

Cited in this article [1] Abstract

生态过程模型的发展为研究者在长时间序列和区域尺度的研究提供了便利, 但模型模拟的准确性受到模型自身结构、模型参数估计合理性的影响。敏感性分析能够定量或定性筛选出对模型模拟结果影响较大的敏感参数, 是模型参数校准过程中的重要工具, 也是建模和应用的先决条件。该文以阔叶红松林为研究对象, 采用全局敏感性分析方法——傅里叶幅度灵敏度检验扩展法(EFAST)对Biome-BGC模型的生理生态参数进行了敏感性分析, 分别分析了红松(Pinus koraiensis)和阔叶树的净初级生产力(NPP)、蒸散(ET)对参数变化的敏感性。结果表明: (1)模拟红松NPP的不确定性高于阔叶树, 但二者的模拟ET的不确定性均较小。阔叶树的NPP和ET对生理生态参数的敏感性总体上都小于红松。(2)无论是红松、阔叶或其他植被类型, 模拟NPP均表现出对叶片碳氮比、细根碳氮比、比叶面积(SLA)和冠层截留系数的敏感性, 这4个参数的高敏感性主要是由模型自身结构所决定的, 与植被类型和研究地区的关系较小。对模拟ET而言, 细根与叶片碳分配比、新茎与新叶碳分配比和SLA均是影响红松和阔叶树ET的敏感参数, 但红松ET主要受参数与参数间的二阶或多阶交互作用的间接影响, 而阔叶树ET则主要是受到敏感参数直接效应的影响。(3)除了上述影响红松和阔叶树碳水通量的共性参数外, 诸如核酮糖-1,5-二磷酸羧化酶中叶氮含量、叶片与细根周转率、所有叶面积与投影叶面积之比等也是对模拟结果有影响的重要参数, 但是其敏感程度随物种不同和研究区不同而不同, 所以这类参数可以根据具体情况进行参数本地化, 对于其他不敏感参数则可以采用模型缺省值。