科普网络书屋

首页>> 科普主题>> 特色农业>> 农作物>> 正文

WOFOST模型对山东省夏玉米发育期与产量模拟的适用性评价

来源: 作物杂志
阅读 40 | 0 | 2019-10-26 |

农业生产由于自身的脆弱性和生产过程的特殊性,在整个再生产循环过程中面临着许多风险,其中气象条件是其面对的最首要风险因子[1-2],直接影响作物的生长发育、产量形成、人类活动的物质投入和资源利用效率等。客观、定量、动态地评估气象要素对农业生产的影响,是在气候变化、极端气候事件频发的背景下,及时掌握作物生长发育信息,并提出生产对策及建议的有效手段。作物模型机理性强,可以结合不同的气候或天气模式,对作物的生长发育和产量形成过程进行较准确的模拟[3-4]。WOFOST作物模型源代码开放,调参相对简便,在相关研究中发挥了重要的作用[5-11],该模型是荷兰瓦赫宁根大学和世界粮食研究中心共同开发研制,用于模拟特定土壤和气候条件作物生长的动态解释性模型。WOFOST模型以日为时间步长,可动态、定量模拟潜在、水分限制和养分限制3种水平下的作物生长状态[12-13]

WOFOST模型对作物生长发育过程的描述具有一定的普适性,可以通过改变参数,使模型适用于不同地区的不同作物[14-15]。针对研究区域的气候特征和作物品种遗传特性,调试出最适宜的模型参数,即完成参数的本地化[16-18]。该模型的模拟性能和适用性,在我国很多地区的不同作物中已经得到验证。如基于水分处理试验,完成该模型对华北平原地区作物光合作用与潜在生长的模拟[19];根据水稻田间试验,实现该模型针对浙江地区主要水稻品种潜在生长过程的模拟[20];采用对比优化法,完成该模型在北京地区春玉米和夏玉米产量预测与灾害评估方面的适用性验证[11];通过校准部分参数,实现该模型对内蒙古河套灌区玉米生长全过程、叶面积指数、各器官生物量以及产量的较准确模拟[21];运用参数分区处理方法,结合模拟产量和趋势产量预测分析,研究该模型在黑龙江地区玉米、水稻、大豆和小麦等商品粮作物产量预报中的应用,突破单套参数在复杂气候区域进行产量模拟的局限性[22]

WOFOST模型的参数量大,为有效提高模型应用的工作效率,需要对模型参数开展敏感性分析[21,23]。全局敏感性分析可以同时检测多个参数变化对模拟结果的影响,并反映参数与参数之间的相互作用,是相关研究中运用较多的分析方法[24]。扩展傅里叶幅度检验法(extend fourier amplitude sensitivity test,EFAST)作为主要的全局敏感性分析方法之一,要求样本数较低,且计算更为高效,是目前被广泛应用的分析方法[25]

控制试验法和对比优化法是较为常用的参数本地化方法。控制试验法是通过大量的试验观测数据对作物参数进行调整和校正[26],该方法工作量相对较大,在一定程度上限制了模型的使用和推广。对比优化法是在模型默认参数范围或已有研究的基础上,逐个调整待标定的参数,比较模拟结果与实测情况的拟合程度,最终确定参数值[27-28]。这种方法可操作性强,实用效果良好,在模型参数研究中应用较为广泛[11,14-15]

山东省位于中国东部沿海、黄河下游,北纬34°22.9′~38°24.01′、东经114°47.5′~122°42.3′,是全国粮食作物和经济作物主要产区之一。作为夏玉米的主要产区,2016年山东省夏玉米播种面积与总产分别占全国夏玉米总播种面积与总产的7.3%与7.8%[29-30]。夏玉米作为山东省最主要的粮食作物,其生长发育与产量变化对保障地区乃至全国的粮食安全、确保农业气候资源高效利用等具有举足轻重的作用。

在夏玉米的生长发育过程中,不同生育期内气象要素的不同组合对其发育进程与最终产量形成都将产生不同影响,特别是关键发育期内气象要素的影响尤为明显。已有研究中多以夏玉米实际长势监测[31-35]、遥感反演评价[36-37]及适宜度诊断评估等[38-40]为主,这些方法大多通过历史数理统计明确农业气象指标,再根据实时气象因子预估可能影响因素。而作物模型的优势为机理性强、定量化水平高,能够大大扩展评估的时间与空间尺度[6],从而为夏玉米的长势监测与诊断评估,提供一种动态且更为高效的技术方法。

基于此,借鉴已有的参数调整与验证经验,在参数敏感性分析的基础上,运用已获取的田间试验参数,采取对比优化法,实现WOFOST模型针对山东省夏玉米发育期与产量模拟的适用性评价,从而对客观评估不同气象要素影响、充分利用气候资源与降低农业生产成本等方面,提供方法与技术支撑。

1 数据来源与分析方法

驱动模型运行的数据资料包括逐日天气数据与土壤参数资料等。其中天气数据主要包括太阳辐射、最低气温、最高气温、清晨水汽压、平均风速与降水量等,数据来源于山东省122个自动气象站的逐日数据。土壤参数资料主要包括土壤持水力、导水率、容重、田间持水量、凋萎系数、饱和含水量等。土壤理化性质数据主要来源于各土壤水分观测站。

模型参数优化程度的评价指标包括决定系数(R2)、模拟值与观测值的相对误差、归一化均方根误差(n RMSE)及发育期模拟绝对误差等,其中R2反映的是模拟值与观测值之间的一致性,其值越接近1,表明一致性越好,模型的模拟效果越好。其他各指标计算方法如下:

(1)模拟值与观测值的相对误差

式中:SIM代表模型模拟值,OBS代表实际观测值,i代表样本序列,下同;δ在15%以内为优秀,10%以内为佳。

(2)归一化均方根误差n RMSE

式中:n代表样本容量;n RMSE越小越好,30%以内可接受。

(3)发育期模拟绝对误差

∆=SIMi-OBSi

式中:n代表样本容量;∆越小越好,5d以内可接受。

为提高模型的模拟效果与准确性,依据山东省的莱阳、胶州、高密、莒县、潍坊、淄博、泰安、济阳、聊城、菏泽等市10个夏玉米农业气象观测站的地理分布,结合各观测站夏玉米主栽品种(郑单958、登海605、三北218、鲁丹22号、敦玉8号等),综合考虑山东省的地理分区特征,将山东省分为鲁西北、鲁中、鲁西南、鲁东南与半岛5个调参区域,并以种植主栽品种的2012-2014年的数据资料作为调参与验证依据。

WOFOST作物模型主要包括CO2同化速率、果实分配系数、比叶面积等109个与生长发育遗传特性相关的参数[12-13]。运用EFAST开展参数敏感性分析,结果表明,模型中对模拟结果影响较大的参数共22个,包括7个控制作物生理生长的参数(表1),11个控制单要素与综合要素影响潜在产量的参数(表2),4个控制水分限制影响产量的参数(表3)[7,18]

表1 控制作物生理生长参数

Table 1 The parameters of control crop physiological growth

表1 控制作物生理生长参数

表2 控制单要素与综合要素影响潜在产量参数

Table 2 The parameters of control single and comprehensive factors affecting potential yield

表2 控制单要素与综合要素影响潜在产量参数

表3 控制水分限制影响产量参数

Table 3 The parameters of control water-limited affecting yield

表3 控制水分限制影响产量参数

根据观测站多年各发育阶段平均值计算TSUMEM、TSUM1、TUSM2等积温参数;在2012与2013年山东省德州市夏津县田间试验计算的基础上[41],依据观测站的发育期与产量观测资料,运用对比优化法对FLTB、FSTB、FOTB与FRTB等分配系数参数进行校正;其他敏感参数也通过运用对比优化法校正,或者缺省。

2 结果与分析

发育期模拟,是以实际播种期驱动模型,并对之后出苗期、开花期与成熟期等各个发育期的起始日期进行模拟。表4显示各观测站点2012-2014年出苗期的模拟值与实测值的比较。从表4可以看出,各观测站点所有年份的模拟误差均不超过4d,各观测站点绝对误差平均值在0.3~3.0d,R2为0.43~0.99,n RMSE为0.3%~1.9%,各指标均在可接受的范围内。

表4 各观测站点出苗期模拟验证

Table 4 The simulation verification of emergence period at observation stations

表4 各观测站点出苗期模拟验证

注:绝对误差为负值表示模拟值较实测值提前,正值表示模拟值较实测值推迟;绝对误差平均值为各绝对误差绝对值的平均。下同

Note:Negative absolute error indicates that the simulated value is ahead of the measured value,positive value indicates that the simulated value is delayed compared with the measured value;The average absolute error is the average of an absolute error.The same below

开花期是作物营养生长与生殖生长的分界,准确模拟开花期,能为之后准确模拟产量形成状况提供保障。表5显示各观测站点开花期的模拟值与实测值的比较。从表5中可以看出,各观测站点绝大多数年份开花期模拟误差均不超过5d,各观测站点绝对误差平均值在0.5~4.7d,大多数观测站点R2为0.77~0.99,n RMSE为0.4%~2.3%,各指标均在可接受的范围内。

表5 各观测站点开花期模拟验证

Table 5 The simulation verification of flowering period at observation stations

表5 各观测站点开花期模拟验证

表6显示各观测站点成熟期模拟值与实测值比较。从表6中可以看出,各观测站点绝大多数年份成熟期模拟误差均不超过5d,各观测站点绝对误差平均值在1.7~7.3d,大多数观测站点R2为0.51~0.99,各站点n RMSE为0.7%~3.2%,大部分观测站点各指标均在可接受的范围内。

表6 各观测站点成熟期模拟验证

Table 6 The simulation verification of mature period at observation stations

表6 各观测站点成熟期模拟验证

准确模拟各发育期的起始时间,同时完成各发育期之间持续天数的模拟。至此完成了WOFOST模型针对发育期模拟的适用性评价,该模型能够对山东省夏玉米发育期进行较准确的模拟。

表7显示各观测站点产量模拟值与实测值的比较。从表7中可以看出,绝大多数观测站点模拟产量R2在0.68~0.99;相对误差在0.8%~16.7%,绝大多数观测站点相对误差小于10%;n RMSE在1.2%~19.5%,均小于30%,大部分观测站点n RMSE小于10%。各评价指标均在可接受的范围之内。由此完成了WOFOST模型针对产量模拟的适用性评价,该模型能够对产量进行较准确的模拟。

表7 各观测站点产量模拟验证

Table 7 The simulation verification of yield at observation stations

表7 各观测站点产量模拟验证

综上,发育期与产量模拟结果均通过检验评价,其中发育期的准确模拟保证了之后产量的模拟精度。至此完成WOFOST作物模型对山东省夏玉米的本地化验证,可将该模型用于历史与实际天气条件下的模拟分析。

3 讨论

WOFOST模型通过调整参数以适用于不同地区,但是由于观测数据年份与品种的差异,会导致参数值不同,进而导致模型模拟精度存在不确定性。本研究为降低模拟精度的不确定性,选取种植主栽品种的相邻年份进行调参验证,取得了较好的效果。

在此基础上要进一步提高模拟结果的一致性与精度,一种方法是综合考虑年际间的栽培管理措施(如播种密度)等因素差异,这种方法可通过定量控制试验获取相关参数并加以验证[42-43];另一种方法是将遥感观测数据对作物模型进行约束,通过数据同化在空间上对模型参数进行优化,从而降低模型模拟的空间变异性[44-45]。之后的研究工作将从这两种方法入手,为更准确与更精细化的模拟结果提供依据。

相关研究表明,WOFOST模型对于极端气候事件的响应不敏感,在一定程度上无法全面反映气候变化对农业生产的影响,特别是针对极端干旱的年份,模型模拟的精度明显降低[46]。本研究选择的年份均未出现极端气候,故该模型针对山东省极端干旱、高温热害、暴雨洪涝等的适用性还有待进一步评价。已有此方面研究的试验设计与优化方法等[11,47]将提供良好的借鉴。

除了本研究选取的出苗期、开花期、成熟期与产量等指标外,叶面积指数也是作物重要的生长发育指标之一,能够反映作物的整体光能利用效率,是作物利用光能状况和冠层结构的一个综合指标。但是大部分农业气象观测站中均缺少叶面积指数的观测,该模型针对叶面积指数模拟的适用性,还需要更多田间试验与观测结果的验证。

除WOFOST模型之外,APSIM模型是另一种使用范围较广、模拟效果较好的作物机理模型,有学者已完成了该模型对山东省夏玉米模拟的适用性评价[48-49]。该模型的核心是土壤,是以气象、作物和管理措施等引起土壤特征的连续变化指标为模拟目标[50],其优势在于将零散的研究结果集成到一个平台上,便于模块之间的比较,对生产决策制定与生产管理系统设计具有良好的效果[51]。相比较而言,WOFOST模型的解释性与机理性更强,尤其在考虑作物生长过程对于不同气候条件与不同地理位置的响应方面,优势更加明显[52]。本研究希望提供一种动态、定量的评价技术方法,能够明确气象因子对夏玉米生长发育影响,WOFOST模型能够给予更为有效的支撑。

4 结论

将山东省分为5个调参区域,获得了较准确的模拟结果,解决了单一参数导致的空间模拟精度较低等问题。WOFOST模型针对山东省各观测站点出苗期、开花期与成熟期的绝对误差大多数不超过5d,R2在0.43~0.99,n RMSE在0.3%~3.2%。针对产量的模拟,各观测站点相对误差在0.8%~16.7%,绝大多数观测站点相对误差小于10%,绝大多数观测站点模拟产量R2在0.68~0.99,n RMSE在1.2%~19.5%,大部分观测站点n RMSE小于10%。各评价指标均在可接受的范围之内,WOFOST模型能够针对山东省夏玉米发育期与产量进行较准确的模拟。

[1]周广胜.气候变化对中国农业生产影响研究展望.气象与环境科学,2015,38(1):80-94.[2]Dong Z Q,Pan Z H,An P L,et al. A quantitative method for risk assessment of agriculture due to climate change. Theoretical and Applied Climatology,2018,131(1/2):653-659.[3]李克让,陈育峰.中国全球气候变化影响研究方法的进展.地理研究,1999,18(2):214-219.[4]赵俊芳,郭建平,马玉平,等.气候变化背景下我国农业热量资源的变化趋势及适应对策.应用生态学报,2010,21(11):2922-2930.[5]Diepen C A,Wolf J,Keulen H,et al. WOFOST:A simulation model of crop production. Soil Use and Management,1989,5(1):16-24.[6]侯英雨,何亮,靳宁,等.中国作物生长模拟监测系统构建及应用.农业工程学报,2018,34(21):165-175.[7]黄健熙,贾世灵,马鸿元,等.基于WOFOST模型的中国主产区冬小麦生长过程动态模拟.农业工程学报,2017,33(10):222-228.[8]Supit I,Hooijper A A,van Diepen C A,et al. System description of the WOFOST 6.0 crop simulation model implemented in CGMS,Luxembourg Office for Official Publications of the European Commission,1994.[9]陈振林,张建平,王春乙,等.应用WOFOST模型模拟低温与干旱对玉米产量的综合影响.中国农业气象,2007,28(4):440-442.[10]李秀芬,马树庆,赵慧颖,等.基于WOFOST模型的内蒙古河套灌区玉米低温冷害评价.中国农业气象,2016,37(3):352-360.[11]栾庆祖,叶彩华,莫志鸿,等.基于WOFOST模型的玉米干旱损失评估:以北京为例.中国农业气象,2014,35(3):311-316.[12]Penning De Vries F W T,Jansen D M,Ten Berge H F M,et al.Simulation of ecophysiological processes of growth in several annual crops. Wageningen:Centre for Agricultural Publishing and Documentation,1989.[13]Boogaard H L,Diepen C A,van Roetter R P,et al. User's guide for the WOFOST 7.1 crop growth simulation model and WOFOST Control Center 1.5. Wageningen:Wageningen University and Research Centre,1998:1-40.[14]马玉平,王石立,张黎.针对华北小麦越冬的WOFOST模型改进.中国农业气象,2005,26(3):145-149.[15]马玉平,王石立,张黎,等.基于遥感信息的华北冬小麦区域生长模型及模拟研究.气象学报,2005,63(2):204-215.[16]张雪芬,余卫东,王春乙,等. WOFOST模型在冬小麦晚霜冻害评估中的应用.自然灾害学报,2006(S1):137-141.[17]张雪芬,余卫东,王春乙.基于作物模型灾损识别的黄淮区域冬小麦晚霜冻风险评估.高原气象,2012,31(1):277-284.[18]何亮,侯英雨,赵刚,等.基于全局敏感性分析和贝叶斯方法的WOFOST作物模型参数优化.农业工程学报,2016,32(2):169-179.[19]邬定荣,欧阳竹,赵小敏,等.作物生长模型WOFOST在华北平原的适用性研究.植物生态学报,2003,27(5):594-602.[20]谢文霞,王光火,张奇春. WOFOST模型的发展及应用.土壤通报,2006,37(1):154-158.[21]孙琳丽,侯琼,马玉平,等. WOFOST模型在内蒙古河套灌区模拟玉米生长全程的适应性.生态学杂志,2016(3):800-807.[22]高永刚,王育光,殷世平,等.世界粮食研究模型在黑龙江省作物产量预报中的应用.中国农业气象,2006,27(1):27-30.[23]Bussay A,Velde M V D,Fumagalli D,et al. Improving operational maize yield forecasting in Hungary. Agricultural Systems,2015,141:94-106.[24]Ma G N,Huang J X,Wu W B,et al. Assimilation of MODIS-LAI into the WOFOST model for forecasting regional winter wheat yield.Mathematical and Computer Modelling,2013,58(3/4):634-643.[25]Saltelli A,Tarantola S,Campolongo F,et a1.Sensitivity analysis in practice:a guide to assessing scientific models. Hoboken:John Wiley and Sons,2004:20-78.[26]Song,Y L,Chen D L,Liu Y J,et al. The Influence of Climate Change on Winter Wheat during 2012-2100 under A2 and A1B Scenarios in China. Advances in Climate Change Research,2012,3(3):138-146.[27]马玉平,王石立,张黎,等.基于遥感信息的作物模型重新初始化/参数化方法研究初探.植物生态学报,2005,29(6):918-926.[28]Stol W,Rouse D L,kraalingen D W G Van,et al. FSEOPT a FORTRAN program for calibration and uncertainty analysis of simulation models. Netherlands:Wageningen Agricultural University,1992.[29]国家统计局.中国统计年鉴.北京:中国统计出版社,2017.[30]山东省统计局.国家统计局山东调查总队.山东统计年鉴.北京:中国统计出版社,2017.[31]毛留喜,吕厚荃.国家级农业气象业务技术综述.气象,2010,36(7):75-80.[32]张琪,唐婕,冯一淳,等.基于积温产量模型确定山东夏玉米拔节前后的极端高温阈值.中国农业气象,2017,38(12):795-800.[33]吴荣华,庄克章,刘鹏,等.鲁南地区夏玉米产量对气象因子的响应.作物杂志,2018(5):104-109.[34]万能涵,杨晓光,刘志娟,等.气候变化背景下中国主要作物农业气象灾害时空分布特征(Ⅲ):华北地区夏玉米干旱.中国农业气象,2018,39(4):209-219.[35]孙新素,龙致炜,宋广鹏,等.气候变化对黄淮海地区夏玉米-冬小麦种植模式和产量的影响.中国农业科学,2017,50(13):2476-2487.[36]梁瀚月,房世波,杨武年,等.基于MODIS数据的作物苗情和灾情监测系统及其开发应用.气象科技进展,2017,7(1):7-11.[37]刘哲,王雪滢,刘帝佑,等.基于MODIS数据的黄淮海夏玉米高温风险空间分布.农业工程学报,2018,34(9):175-181.[38]魏瑞江,李春强,姚树然.农作物气候适宜度实时判定系统.气象科技,2006,34(2):229-232.[39]徐玲玲,吕厚荃,方利.气候变化对黄淮海地区夏玉米气候适宜度的影响.资源科学,2014,36(4):782-787.[40]李萌,申双和,吕厚荃,等.气候变化背景下黄淮海区域热量资源及夏玉米温度适宜度.大气科学学报,2016,39(3):391-399.[41]杨妍辰.干旱对河北固城地区夏玉米产量影响的模拟研究.南京:南京信息工程大学,2014.[42]江铭诺,刘朝顺,高炜.华北平原夏玉米潜在产量时空演变及其对气候变化的响应.中国生态农业学报,2018,26(6):865-876.[43]黄健熙,黄海,马鸿元,等.基于MCMC方法的WOFOST模型参数标定与不确定性分析.农业工程学报,2018,34(16):113-119.[44]He B B,Li X,Quan X W,et al. Estimating the aboveground dry biomass of grass by assimilation of retrieved LAI into a cropgrowth model. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(2):550-561.[45]王东伟,王锦地,梁顺林.作物生长模型同化MODIS反射率方法提取作物叶面积指数.中国科学:地球科学,2010(1):73-83.[46]Asseng S,Ritchie J T,Smucker A J M,et al.Root growth and water uptake during water deficit and recovering in wheat.Plant and Soil,1998,201(2):265-273.[47]武荣盛,吴瑞芬,孙小龙,等.不同程度干旱对春玉米生物量和产量影响的模拟.生态学杂志,2015,34(9):2482-2488.[48]张镇涛,杨晓光,高继卿,等.气候变化背景下华北平原夏玉米适宜播期分析.中国农业科学,2018,51(17):3258-3274.[49]陈超,于强,王恩利,等.华北平原作物水分生产力区域分异规律模拟.资源科学,2009,31(9):1477-1485.[50]曹宏鑫,赵锁劳,葛道阔,等.作物模型发展探讨.中国农业科学,2011,44(17):3520-3528.[51]王丽君.黄淮海平原夏玉米季干旱、高温的发生特征及其对产量的影响.北京:中国农业大学,2018.

Applicability Assessment of WOFOST Model of Growth and Yield of Summer Maize in Shandong Province

夏玉米作为山东省最主要的粮食作物,其生长发育与产量变化,对保障地区乃至全国的粮食安全具有举足轻重的作用。不同生育期内气象要素的不同组合对夏玉米发育进程与产量形成等将产生重要影响。WOFOST作物模型机理性较强、定量水平高,且更为高效,能够为客观、定量、动态地评估气象要素对夏玉米生产的影响提供技术支撑。为提高作物模型模拟的准确性,将山东省分为鲁西北、鲁中、鲁西南、鲁东南与半岛5个调参区域,并结合山东省10个夏玉米观测站2012-2014年玉米主栽品种的生长发育数据,开展模型的调参验证与适用性评价。研究结果表明,WOFOST模型对山东省各观测站点所有年份出苗期的模拟误差均不超过4d,决定系数(R2)在0.43~0.99,归一化均方根误差(nRMSE)为0.3%~1.9%;针对开花期和成熟期,各观测站点绝大多数年份模拟误差均不超过5d,大多数观测站点R2分别在0.77~0.99与0.51~0.99,各观测站点n RMSE分别在0.4%~2.3%与0.7%~3.2%;绝大多数观测站点产量模拟R2在0.68~0.99,相对误差为0.8%~16.7%,绝大多数观测站点相对误差小于10%;nRMSE在1.2%~19.5%,均小于30%,大部分观测站点n RMSE小于10%。各评价指标均在可接受的范围内,WOFOST模型能够对山东省夏玉米发育期与产量进行较准确的模拟。Summer maize is the most important grain crop in Shandong province. The changes of its growth period and yield play an important role in ensuring regional and even national food security. Different combinations of meteorological factors during different growth periods will affect the development process and yield of summer maize significantly. WOFOST crop model has stronger mechanism, higher quantitative level and great efficiency. It can provide technical support for the objective, quantitative and dynamic assessment of the impacts of meteorological factors on summer maize production. To improve the accuracy of WOFOST model, Shandong province was segregated into five regions, including the northwest region, middle region, southwest region, southeast region and peninsula region. Based on the growth and development data of staple varieties from 2012 to 2014 of 10 summer maize observation stations in Shandong province, we completed the parameters adjustment and verification and applicability assessment of WOFOST model. The results showed that the simulation error of the period of emergence of all observation stations is no more than 4 d. Its determination coefficient(R2) is 0.43-0.99. And its normalized root mean square error(nRMSE) is 0.3%-1.9%. The simulation error of the period of flowering and the period of mature of all observation stations in most years are no more than 5 d. Their R2 of most stations are 0.77-0.99 and 0.51-0.99, respectively. And their nRMSE are 0.4%-2.3% and 0.7%-3.2%, respectively. For the simulation of yield, the R2 of most stations is 0.68-0.99. Its relative error is 0.8%-16.7% with most stations less than 10%. Its nRMSE is 1.2%-19.5%, and all the stations are less than 30% with most stations less than 10%. All assessment indicators are within the acceptable limits. The WOFOST model can accurately simulate the growth period and yield of summer maize in Shandong province.

分享到: