论文部分内容阅读
作物生长模型的研制依赖于单点田间实验研究，当其被应用到区域尺度时，由于生态和水文过程的尺度依赖性，模型的模拟可靠性会受到挑战。利用大田、实验室和遥感等多源数据优化模型参数，校准模型状态变量是校验模型的一条有效途径。如何更好地利用不同来源、不同空间和时间分辨率的观测数据，并将它们与模型有机地融合是目前生态系统模型研究的热点。
本研究以中国科学院栾城农业生态试验站的实验数据为基础，利用植被界面过程模型(Vegetation Interface Processes Model，以下简称VIP模型)开展了如下几个方面的研究：模型改进、参数率定、不确定性分析、数据同化方法，以及应用模型优化灌溉策略等。研究主要结果如下：
(1)改进了VIP模型的冬小麦比叶面积动态化和根系扩展模块，改进后叶面积指数、生物量和土壤水分的模拟精度得到明显提高。
(2)利用一年的田间试验观测及连续两年的涡动相关通量数据，证明了VIP模型模拟农田生态系统水分、能量及碳动态过程的可靠性。
(3)分别使用栾城和禹城两个站点的大田观测数据与涡动相关通量数据对VIP模型进行不确定性分析。确定了两个相对敏感的参数最大羧化速率(Vmax)和最大比叶面积(SLAmax)，前者的峰值出现在70μmolm-2S-1，后者的峰值出现在0.05 m2g-1左右，但是存在“异参同效”现象。对叶面积指数、茎生物量及地上生物量来说，观测值几乎全部落在模型预报的5％～95％不确定性边界内，证明了模型模拟作物生长动态的准确性。不同灌溉方案下，不确定性分析得到的Vmax峰值不同，冬小麦与夏玉米对Vmax取值的敏感性有所差异，这对制定农田管理措施有很好的指导意义。利用禹城的潜热与NEE观测数据所做的不确定性分析，得到冬小麦相对敏感的参数是Vmax与光量子效率，其峰值分别出现在50μmolm-2S-1与0.2附近。通过不确定性分析的研究，对模型的结构与参数特点有了深入的认识。
(4)初步构建了单点上作物生长模型的集合卡尔曼滤波数据同化系统。大田观测的叶面积指数与土壤水分数据的同化一定程度上提高了这两个变量的模拟准确度，LAI同化前后自身的模拟值与观测值的RMSE从0.87降至0.41，第二层土壤含水量同化前后自身的RMSE从0.020降至0.017。但它们的同化未必会对其它变量的模拟起正面作用，例如LAI同化不能提高生物量模拟的准确性。同时，观测资料的准确性会直接影响同化的效果，例如，当LAI观测误差标准差从0.05/3递增至0.5/3时，RMSE依次从0.42递增至0.80。在构建的同化系统中方案二下，集合大小取值为50时RMSE最小，这相对于选择大的集合数来说，即保证了同化效果，又提高了同化效率。同化系统观测误差、模型误差及集合大小等的测度，对构建的数据同化系统性能做了很好的评估。
(5)分析VIP模型进行农田水资源管理的可行性。对冬小麦产量、水分利用效率及调亏灌溉管理方案的分析得出，适当提高拔节期的灌溉下限，会有高产与高水分利用效率的效果；在分蘖期采用调亏灌溉不会降低产量与水分利用效率，反而有增产与提高水分利用效率的效果；孕穗—抽穗生育期是冬小麦水分敏感期，此生育阶段不适合调亏灌溉。