校准策略与数据选择对小麦模型性能的影响：DSSAT-Nwheat模型在区域农业预测中的关键作用

本文深入探讨了作物系统模型（CSM）中校准策略（逐步、混合、同时）与数据集（含/不含产量组分如千粒重TKM、单位面积粒数）对DSSAT-Nwheat小麦模拟性能的影响。研究表明，包含产量组分数据可显著提升模型准确性，降低关键变量（如物候期）的均方根误差（RMSE）达10%，并揭示不同策略导致未来产量预测差异高达1.4吨/公顷。研究强调透明校准实践对提升模型在气候变化下区域农业应用的可靠性至关重要，为育种和资源管理提供科学依据。

　　

1 引言

农业实践历经数千年演变，农民依赖经验适应本地环境，但天气与土壤的不可预测性持续挑战作物表现。作物系统模型（CSM）通过量化基因型、环境和管理（G×E×M）互作，成为分析作物生产的核心工具。然而，模型在新区域的应用需针对性校准，方法却因研究者专业差异而多样。本研究聚焦DSSAT-Nwheat模型，评估三种校准策略与两类数据集对冬小麦（Triticum aestivum）模拟的影响，旨在优化模型在气候多变条件下的可靠性。

2 材料与方法

2.1 DSSAT-Nwheat模型

DSSAT-Nwheat基于CSM-CERES框架开发，模拟物候期（依赖积温、光周期和春化）、生物量（由辐射利用效率RUE、叶面积指数LAI驱动）及产量形成。模型整合水分-氮平衡，并量化CO₂浓度升高对蒸腾效率和生物量的影响（如CO₂从350增至700 ppm时，效率因子从1.0升至1.37）。其优势在于适应高温、低持水能力土壤等胁迫环境。

2.2 土壤与气象数据

土壤参数（如排水上限DUL、下限LL）源自欧洲土壤数据库（ESDB），纹理数据经USDA标准转换。气象数据（1991–2019年）来自德国气象局，以1公里网格提供日值，缺失记录通过DSSAT的WeatherMan工具补全。

2.3 实验数据

数据集覆盖德国三类冬小麦品种（Ludwig、Mulan、Winnetou），整合约100个站点-年数据，包括国家品种试验（VCU）和州级试验（SVT）。数据涵盖物候期（BBCH阶段）、生物量、产量组分（单位面积穗数、粒数、TKM）及管理措施（如播种密度、氮肥时序）。校准使用2/3数据，余下1/3用于验证。

2.4 校准工具与策略

采用时间序列估计器（TSE）工具，实施三种策略：

• 策略一（逐步）：分阶段优化物候、生长和产量，优先级降序