CrossRef Полный текст | Google Scholar

Китинг, Б.A., Carberry, P. S., Hammer, G. L., Probert, M. E., Robertson, M. J., Holzworth, D., et al. (2003). Обзор APSIM, модели, разработанной для моделирования сельскохозяйственных систем. Eur. J. Agron. 18, 267–288. DOI: 10.1016 / S1161-0301 (02) 00108-9

CrossRef Полный текст | Google Scholar

Ли, Э. А., и Толленаар, М. (2007). Физиологические основы успешной селекционной стратегии по урожайности зерна кукурузы. Crop Sci. 47, S202 – S215. DOI: 10.2135 / cropci2007.04.0010IPBS

CrossRef Полный текст | Google Scholar

Линк, Дж., Graeff, S., Batchelor, W. D., and Claupein, W. (2006). Оценка экономических и экологических последствий политики выплат экологической компенсации при единообразном и переменном регулировании азота. Agric. Syst. 91, 135–153. DOI: 10.1016 / j.agsy.2006.02.003

CrossRef Полный текст | Google Scholar

Марто, Р., Султан, Б., Морон, В., Альхассан, А., Барон, К., и Траоре, С. Б. (2011). Начало сезона дождей и посевная стратегия фермера для выращивания жемчужного проса на юго-западе Нигера. Agric. Для. Meteorol. 151, 1356–1369. DOI: 10.1016 / j.agrformet.2011.05.018

CrossRef Полный текст | Google Scholar

Мяо Ю., Мулла Д. Дж., Бэтчелор В. Д., Паз Дж. О., Роберт П. К. и Виберс М. (2006). Оценка оптимального уровня азота в зоне управления с помощью модели роста сельскохозяйственных культур. Агрон. J. 98, 545–553. DOI: 10.2134 / agronj2005.0153

CrossRef Полный текст | Google Scholar

NAERLS (2013). Обзор сельскохозяйственной деятельности в дождливый сезон 2012 г. в Нигерии. Национальная служба распространения сельскохозяйственных знаний и исследований. Федеральное министерство сельского хозяйства и развития сельских районов Университет Ахмаду Белло, Зария. Нигерия.

Огунгбиле А. О., Табо Р., Ван Дуйвенбоден Н. и Дебрах С. К. (1998). Анализ ограничений для сельскохозяйственного производства в зоне саванны Судана в Нигерии с использованием многомасштабной характеристики. Neth. J. Agric. Sci. 46, 27–38.

Google Scholar

Панг, X. P., Letey, J., и Wu, L.(1997). Прогнозирование урожайности и поглощения азота с помощью модели кукурузы CERES в полузасушливых условиях. Почвоведение. Soc. Являюсь. J. 61, 254–256. DOI: 10.2136 / sssaj1997.03615995006100010035x

CrossRef Полный текст | Google Scholar

Пантази, X. Э., Мошу, Д., Александридис, Т., Веттон, Р. Л., и Муазен, А. М. (2016). Прогнозирование урожайности пшеницы с использованием машинного обучения и передовых методов зондирования. Comput. Электр. Agric. 121, 57–65. DOI: 10.1016 / j.agrformet.2011.05.018

CrossRef Полный текст | Google Scholar

Паз, Дж. О., Бэтчелор, В. Д., Бэбкок, Б. А., Колвин, Т. С., Логсдон, С. Д., Каспар, Т. К., и др. (1999). Модельный метод определения азота с переменной нормой для кукурузы. Agric. Syst. 61, 69–75. DOI: 10.1016 / S0308-521X (99) 00035-9

CrossRef Полный текст | Google Scholar

Пеннинг де Фрис, Ф. В. Т., Тенг, П., и Мецелер, К. (1993). Системные подходы к развитию сельского хозяйства .Дордрехт: Kluwer Academic Publishers. DOI: 10.1007 / 978-94-011-2842-1

CrossRef Полный текст | Google Scholar

Робертсон, М. Дж., Карберри, П. С., Хут, Н. И., Терпин, Дж. Э., Проберт, М. Е., Поултон, П. Л. и др. (2002). Моделирование роста и развития различных видов бобовых в APSIM. Aust. J. Agric. Res. 53, 429–446. DOI: 10.1071 / AR01106

CrossRef Полный текст | Google Scholar

Почвоведение. (2014). Ключи к таксономии почв, 11-е изд. .Вашингтон, округ Колумбия: Служба охраны природных ресурсов Министерства сельского хозяйства США.

Солер, К.М.Т., Маман, Н., Чжан, X., Мейсон, С.С., и Хугенбум, Г. (2008). Определение оптимальных сроков посадки жемчужного проса для двух контрастирующих сред с использованием метода моделирования. J. Agric. Sci. 146, 445–459. DOI: 10.1016 / j.agrformet.2011.05.018

CrossRef Полный текст | Google Scholar

Соренсен И., Стоун П. и Роджерс Б. (2000). Влияние сроков посева на урожайность гибрида короткослойной и длинноплодной кукурузы. Proc. Агрон. Soc. Н.З. 30, 63–66.

Google Scholar

Совунми Ф. А., Акинтола Дж. О. (2010). Влияние климатической изменчивости на производство кукурузы в Нигерии. Res. J. Environ. Earth Sci. 2, 19–30.

Google Scholar

Стэггенборг, С. А., Фьелл, Д. Л., Девлин, Д. Л., Гордон, В. Б., Мэддакс, Л. Д., и Марш, Б. Х. (1999). Выбор оптимальных сроков посадки и популяций растений для кукурузы в засушливых районах Канзаса. J. Prod. Agric. 12, 85–90. DOI: 10.2134 / jpa1999.0085

CrossRef Полный текст | Google Scholar

Штёкле, К. О., Донателли, М., и Нельсон, Р. (2003). CropSyst, имитационная модель системы земледелия. Eur. J. Agron. 18, 289–307. DOI: 10.1016 / S1161-0301 (02) 00109-0

CrossRef Полный текст | Google Scholar

Торп К. Р., ДеДжонге К. К., Калейта А. Л., Бэтчелор В. Д. и Паз Дж. О. (2008). Методология использования моделей DSSAT для поддержки принятия решений в области точного земледелия. Comput. Электрон. Agric. 64, 276–285. DOI: 10.1016 / j.compag.2008.05.022

CrossRef Полный текст | Google Scholar

Уильямс, Дж. Р. (1995). «Модель EPIC», в Компьютерные модели гидрологии водоразделов , изд. В. П. Сингх (Highlands Ranch, CO: Water Resources Publications), 909–1000.

Google Scholar

Уиллмотт, К. Дж. (1982). Некоторые комментарии по оценке производительности модели. Бык. Являюсь. Meteorol. Soc. 63, 1309–1313.DOI: 10.1175 / 1520-0477 (1982) 063 <1309: SCOTEO> 2.0.CO; 2

CrossRef Полный текст | Google Scholar

Вольф, Дж., Уаттара, К., и Супит, И. (2015). Правила посева для оценки потенциальной урожайности сорго и кукурузы на богарных землях в Буркина-Фасо. Agric. Для. Meteorol. 214–215, 208–218. DOI: 10.1016 / j.agrformet.2015.08.262

CrossRef Полный текст | Google Scholar

Янг, Дж. Й., и Хаффман, Э. К. (2004). EasyGrapher: программное обеспечение для графической и статистической проверки результатов DSSAT. Comput. Электрон. Agric. 45, 125–132. DOI: 10.1016 / j.compag.2004.06.006

CrossRef Полный текст | Google Scholar

Как разные модели культур кукурузы различаются по своей реакции на факторы изменения климата?

% PDF-1.7 % 1 0 объект > эндобдж 5 0 obj > / Шрифт >>> / Поля [10 0 R] >> эндобдж 2 0 obj > поток 2018-04-05T11: 15: 06-07: 002018-04-05T11: 15: 06-07: 002018-04-05T11: 15: 06-07: 00Appligent AppendPDF Pro 5.5uuid: 116f5b2d-a855-11b2-0a00- 782dad000000uuid: 116f6f14-a855-11b2-0a00-40f5f8ecff7fapplication / pdf

6NnQA7_

Тестирование и улучшение моделей кукурузы в DSSAT: Развитие, рост, урожайность и поглощение N

Основные моменты

•

Модели кукурузы DSSAT, CSM-CERES и CSM-IXIM, были оценены в условиях высокой урожайности.

•

Были изучены развитие сельскохозяйственных культур, рост, урожайность зерна и поглощение азота.

•

CERES лучше моделирует конечную биомассу и урожай зерна. IXIM более точно моделировал поглощение N и концентрацию азота в зернах.

•

Альтернативная процедура для оценки потребности сельскохозяйственных культур в азоте как функции роста улучшила моделирование IXIM биомассы, урожайности зерна и поглощения азота.

•

Новая процедура была разработана для повышения концентрации азота в зерне в IXIM.

Реферат

DSSAT (Система поддержки принятия решений для передачи агротехнологии) — это наиболее широко используемый пакет моделей для характеристики роста, развития, урожайности и поглощения азота несколькими видами сельскохозяйственных культур. Цели этого исследования заключались в следующем: 1) оценить производительность моделей кукурузы ( Zea mays L.) CSM – CERES и CSM-IXIM, доступных в DSSAT версии 4.5, при моделировании условий высокой урожайности, 2) испытать IXIM Модель с альтернативным подходом к оценке потребности сельскохозяйственных культур в азоте, основанная на Plénet and Lemaire (2000), и 3) с этим альтернативным подходом, исследуют некоторые варианты моделирования концентрации азота в зерне.Две модели были оценены с использованием данных, собранных на двух экспериментальных полях в Альмаселесе, Испания, в течение трех лет подряд при различных обработках азота, сочетающих удобрения и обработку остатков. Обработка удобрений включала две дозы минеральных удобрений: 300 кг N га ⁻¹ (N300), вместе с контролем, не содержащим азота (N0). Остатки урожая были либо удалены (R), либо включены (I). Урожайность зерна на полях (влажность 14%) варьировала в зависимости от внесения азотных удобрений от 11 до 20 Мг / га ⁻¹ .В наших условиях орошения кукурузы с высокой урожайностью обе модели смогли точно имитировать урожай зерна и биомассу со среднеквадратичной среднеквадратичной среднеквадратической средой 9,5 и 11,4% для CERES и 14,9 и 14,3% для IXIM соответственно. Оценки поглощения N также были точными, с RRMSE 12,0 и 8,6% для CERES и IXIM. Модель IXIM с альтернативным подходом к оценке потребности сельскохозяйственных культур в азоте имитировала урожай зерна и поглощение азота культурой лучше, чем модель IXIM с текущим подходом, основанным на Jones (1983). RMSE была снижена на 22% для урожая и на 55% для биомассы, в то время как моделируемое поглощение N снизило RMSE на 12%.С помощью этого альтернативного подхода лучшие модели N зерна были получены с модификацией функции Ciampitti and Vyn (2013).

Ключевые слова

DSSAT

CSM-CERES

CSM-IXIM

Урожайность кукурузы

Поглощение азота

Рекомендуемые статьиЦитирующие статьи (0)

© 2017 Elsevier B.V. Все права защищены.

Рекомендуемые статьи

Ссылки на статьи

Будущее потепление увеличивает вероятность глобально синхронизированных потрясений производства кукурузы

Значимость

Вызванные климатом шоки в производстве зерна являются основным фактором нестабильности мирового рынка, что создает неопределенность для фермеров, выращивающих зерновые, и агробизнеса. сокращает доступ к продовольствию для бедных потребителей, когда производство падает и цены резко возрастают.Наше исследование, объединяющее эмпирические модели производства кукурузы со сценариями будущего потепления, показывает, что в более теплом климате урожайность кукурузы снизится и станет более изменчивой. Поскольку лишь несколько стран доминируют в мировом производстве и торговле кукурузой, одновременные производственные потрясения в этих странах могут иметь огромное влияние на мировые рынки. Мы показываем, что такие синхронные толчки сейчас редки, но они станут гораздо более вероятными, если климат продолжит нагреваться. Наши результаты подчеркивают необходимость постоянных инвестиций в селекцию на жароустойчивость.

Abstract

Удовлетворение глобального спроса на продукты питания примерно 10 миллиардов человек к середине 21 века будет становиться все более сложной задачей, поскольку климат Земли продолжает нагреваться. Более ранние исследования показывают, что при превышении оптимальной температуры выращивания средняя урожайность снижается, а изменчивость урожайности увеличивается, даже если межгодовая изменчивость климата остается неизменной. Здесь мы используем глобальные наборы данных о производстве кукурузы и изменчивости климата в сочетании с прогнозами будущей температуры, чтобы количественно оценить, как изменчивость урожайности изменится в основных мировых странах-производителях и экспортерах кукурузы при глобальном потеплении на 2 ° C и 4 ° C.Мы обнаружили, что по мере увеличения глобальной средней температуры, при отсутствии изменений в температурной изменчивости или увеличения селекционной устойчивости к жаре, коэффициент вариации (CV) урожайности кукурузы увеличивается почти повсеместно до значений, намного превышающих современные значения. Этот более высокий CV обусловлен как увеличением SD урожайности, так и уменьшением средней урожайности. Для четырех крупнейших стран-экспортеров кукурузы, на которые приходится 87% мирового экспорта кукурузы, вероятность того, что у них одновременные производственные потери более 10% в любой конкретный год, в настоящее время практически равна нулю, но она увеличивается до 7% при температуре ниже 2 ° C. нагревание и 86% при нагревании на 4 ° C.Наши результаты предвещают усиление нестабильности в мировой торговле зерном и международных цен на зерно, особенно затрагивая около 800 миллионов человек, живущих в крайней нищете, которые наиболее уязвимы перед резкими скачками цен на продовольствие. Они также подчеркивают безотлагательность инвестиций в разведение на жароустойчивость.

Мировые рынки зерновых были крайне нестабильными в течение последнего десятилетия, и эта модель волатильности, вероятно, сохранится и в будущем. В период с 2007 по 2017 год номинальные цены на кукурузу, пшеницу и рис сильно варьировались, при этом пиковые месячные цены на 200–300% превышали низкие месячные цены (1).Такая нестабильность создает большую неопределенность для фермеров, выращивающих зерновые, производителей животноводческой продукции и агробизнеса, и сокращает доступ к продовольствию для бедных потребителей, когда производство падает и цены резко возрастают. Несмотря на то, что существует множество факторов, влияющих на недавнюю нестабильность рынка зерновых (например, политика в области биотоплива, торговая политика, политика по хранению зерна, колебания международных финансовых условий (2, 3)), производственные шоки, вызванные климатом, сыграли значительную роль. Здесь мы опираемся на существующую литературу, в которой количественно оценивают влияние изменения климата на урожайность сельскохозяйственных культур в течение 21 века, и исследуем, как повышение средней глобальной температуры может увеличить изменчивость урожайности во всем мире.

Многочисленные исследования пришли к выводу, что неослабевающее потепление приведет к существенному снижению средней урожайности к середине 21 века и что наиболее серьезные последствия для сельского хозяйства будут иметь место в тропиках, где проживает большинство населения мира, не имеющего продовольственной безопасности ( 4⇓⇓⇓ – 8). Высокие температуры оказывают негативное влияние на развитие растений разными способами, включая снижение плодородия колосков, уменьшение наполнения зерна и учащенное дыхание (9, 10). Как правило, культуры имеют оптимальную температуру для урожайности, после которой урожайность быстро снижается (11, 12) (рис.1). Ожидается, что в условиях продолжающегося потепления в условиях обычных выбросов парниковых газов урожайность сельскохозяйственных культур в мире значительно снизится: на каждый градус повышения средней глобальной температуры, по прогнозам, урожайность снизится в среднем на 7,4% для кукурузы и 6,0% для пшеницы. , 3,2% для риса и 3,1% для сои (5). Хотя изменчивость количества осадков и возникающие в результате изменения влажности почвы также влияют на урожайность сельскохозяйственных культур, ожидается, что негативные последствия потепления в будущем перевесят последствия изменений количества осадков из-за большой величины прогнозируемого потепления по сравнению с исторической изменчивостью (13).

Схематическое изображение зависимости текучести от температуры. В отсутствие селекции на устойчивость к жаре повышение средней температуры выше оптимальной (♦) приведет к снижению средней урожайности и увеличению изменчивости урожайности, при условии, что межгодовая изменчивость температуры останется неизменной.

Повышение средней температуры выше оптимальной температуры выращивания также приводит к большей изменчивости урожайности, даже если межгодовая изменчивость температуры остается неизменной (рис.1). Региональные исследования воздействия изменения климата на основные сельскохозяйственные культуры, такие как кукуруза в Соединенных Штатах (14 16 – 16) и пшеница (17), кукуруза (18) и рис (19) в Китае, прогнозируют, что повышение средней температуры будет приводят к увеличению изменчивости урожайности и неурожаю (4). Наше исследование расширяет этот региональный анализ до глобального масштаба за счет агрегирования воздействий климата на изменчивость урожайности в крупнейших странах-производителях и странах-экспортерах. В частности, мы количественно оцениваем вероятность того, что несколько крупных стран-производителей и стран-экспортеров столкнутся с одновременным неурожаем в будущем, что будет иметь последствия для мировой торговли зерновыми, цен и продовольственной безопасности.Наш анализ сосредоточен на производстве кукурузы, поскольку кукуруза является наиболее выращиваемой и широко продаваемой зерновой культурой в мире на международных рынках, и связь между урожайностью кукурузы и климатом достаточно хорошо установлена.

Изменения средней урожайности

Современные урожаи кукурузы сильно различаются по всему миру, в зависимости от регионального климата и системы управления урожаем. Урожайность наиболее высока в производственных системах с интенсивным умеренным климатом, таких как кукурузный пояс США и Западная Европа, за которыми следуют регионы в Китае, Аргентине и Южной Африке.Организации по исследованию и развитию кукурузы, такие как Международный центр улучшения кукурузы и пшеницы и Австралийский центр международных сельскохозяйственных исследований (ACIAR), ранее использовали различные условия выращивания кукурузы для определения так называемых «кукурузных мега-сред», в которых кукуруза сорта работают аналогично (20, 21). Реакция урожайности кукурузы на изменчивость климата и изменение климата будет различаться в этих различных средах, а также будет зависеть от характеристик управления, таких как интенсивность посевов и орошение.Поэтому мы используем данные о климате (средняя температура вегетационного периода, общее количество осадков за вегетационный период и широта) и данные о земледелии (средняя урожайность и уровень орошения) в качестве входных данных для кластерного анализа K-средних, в котором мы делим земной шар на семь регионов выращивания, которые соответствуют близко к мега-средам кукурузы ( SI Приложение , рис. S1 и S2). Для каждого из этих семи регионов мы разрабатываем статистические модели, связывающие изменения урожайности с изменчивостью климата ( Материалы и методы, ).

Эмпирические модели взаимосвязи климата и сельскохозяйственных культур используют различные индикаторы для определения влияния изменчивости климата на урожайность сельскохозяйственных культур (10). Средняя температура вегетационного периода и осадки легко рассчитываются и являются широко используемыми показателями. Однако эти среднесезонные переменные сглаживают противоположное влияние потепления в начале сезона и экстремальной летней жары на развитие растений. Поэтому в альтернативных модельных формулировках используются дни степени роста и гибели (GDD и KDD соответственно), чтобы различать термическое время развития и вредное воздействие высоких температур (11, 12).Использование температуры отдельных месяцев, а не температуры, усредненной за вегетационный период, — еще один способ уловить различное влияние температуры на развитие растений по фенологической фазе. Для каждого региона выращивания мы тестируем несколько модельных составов и выбираем наиболее подходящий ( Материалы и методы, ). В шести из семи кластеров это модель, использующая формулировку градусного дня. Расчетные коэффициенты модели ( SI Приложение , Таблица S8) согласуются с хорошо понятыми биологическими ограничениями ( SI Приложение ).

Во всех случаях, кроме самого драконовского сценария сокращения выбросов, к середине 21 века глобальная среднегодовая температура повысится примерно на 2 ° C по сравнению со средним показателем за 1980–1999 годы. Мы оцениваем влияние этой общей целевой температуры на урожайность сельскохозяйственных культур путем нормализации среднемесячных многомодельных моделей изменений температуры в конце столетия на основе моделирования репрезентативной траектории 8.5 (RCP8.5) Проекта взаимного сравнения сопряженных моделей Фазы 5 (CMIP5). глобальная среднегодовая температура и добавление картины температурных аномалий к полям современной температуры ( Материалы и методы и SI Приложение , рис.S4). Таким образом, мы создаем будущую историю климата, которая имеет такую ​​же изменчивость, как и исторические записи, но действует поверх годового цикла температуры, связанной со средним годовым глобальным потеплением на 2 ° C. Кроме того, мы оцениваем риск неспособности сократить выбросы углерода путем количественной оценки потенциальных воздействий глобального среднегодового потепления на 4 ° C ( SI Приложение , рис. S4). При обычном режиме выбросов (RCP8.5) средняя глобальная температура, по прогнозам, вырастет на 2 ° C уже в 2042 году при среднем прогнозе 2055 года и на 4 ° C в период с 2075 по 2132 год.Даже в сценарии выбросов, направленном на стабилизацию концентрации парниковых газов к середине 21 века (RCP4.5), средняя глобальная температура может повыситься на 2 ° C уже в 2052 году ( SI Приложение , Таблица S1). Мы не рассматриваем влияние изменений годового цикла осадков на будущие урожаи сельскохозяйственных культур из-за высокой неопределенности в величине и характере будущих изменений осадков, а также относительно более высокого отношения сигнал / шум при изменении температуры (13).

За исключением нескольких мест в Западной Европе и Китае, урожайность кукурузы снижается повсюду в ответ на потепление на 2 ° C, с особенно сильным снижением в юго-восточных Соединенных Штатах, Восточной Европе и Юго-Восточной Африке (рис.2). В средних широтах увеличение GDD положительно влияет на урожайность, в то время как большее количество KDD приводит к снижению урожайности. При потеплении на 4 ° C отрицательный вклад дополнительных KDD намного перевешивает положительный эффект увеличения GDD, поэтому существенные изменения средней урожайности кукурузы> 40% прогнозируются во многих местах, особенно в США, Мексике, Восточной Европе. и южной части Африки. Эти значения находятся в пределах диапазона реакции на потепление, найденного в предыдущих эмпирических исследованиях и моделировании сельскохозяйственных культур (5).Величина прогнозируемых изменений урожайности сопоставима между тремя моделями линейной регрессии, которые мы тестируем ( SI Приложение , рис. S5). При включении квадратичных членов в модели соответствие модели, как правило, эквивалентно или немного лучше, а прогнозируемое сокращение урожайности даже больше, чем прогнозируемое с использованием линейных моделей, особенно для сценария потепления на 4 ° C ( SI Приложение , рис. S5). То же самое верно, когда мы используем коэффициенты доходности в качестве зависимой переменной, а не абсолютные аномалии урожайности.Поэтому наши прогнозы могут быть консервативными.

Изменение средней урожайности в результате потепления. Относительное изменение средней урожайности (%) после среднегодового глобального потепления на 2 ° C ( Левый ) и 4 ° C ( Правый ).

Мировое производство кукурузы в значительной степени сконцентрировано в нескольких регионах: всего четыре страны (США, Китай, Бразилия и Аргентина) производят 68% кукурузы в мире, а четыре страны-экспортера кукурузы в мире вместе взятые (США, Бразилия, На Аргентину и Украину) приходится 87% мирового экспорта кукурузы (22) ( SI Приложение , Таблица S2).В США, Китае, Бразилии и Аргентине (четыре ведущих страны-производителя) прогнозируется снижение среднего общего объема производства на 18% (17,4–18,3), 10% (10,1–10,7), 8% (7,6–8,1). и 12% (11,3–11,9), соответственно, при 2 ° C глобального потепления и на 46% (45,4–47,5), 27% (26,7–28,0), 19% (19,0–19,9) и 29% (27,9 –29,0) при потеплении на 4 ° C (средний и 90% доверительный интервалы; SI Приложение , таблица S6). В среднем за период 2012–2017 годов мировой годовой экспорт кукурузы составил 125 миллионов тонн, а мировое производство кукурузы — 986 миллионов тонн (22).Прогнозируется, что в результате глобального потепления на 2 ° C общее производство в четырех ведущих странах-экспортерах кукурузы сократится на 53 миллиона тонн (51,9–54,8), что эквивалентно 43% (41,5–43,8) мирового объема экспорта кукурузы. При потеплении на 4 ° C прогнозируемое снижение производства в этих ведущих странах-экспортерах увеличится до 139 миллионов тонн (135,5–142,0), что составляет 14% (13,7–14,4) от текущего мирового производства и превышает нынешний экспорт.

Изменения в изменчивости урожайности

Не всякая изменчивость урожайности является результатом изменчивости погоды и климата.Социально-экономические факторы, селекция растений, вредители и патогены, а также другие агрономические переменные также способствуют изменчивости урожайности и производства. В высокоуправляемых высокопродуктивных системах земледелия, например, в США, Европе и Китае, изменчивость климата составляет относительно большую долю общей дисперсии урожайности по сравнению с низкоурожайными средами (рис. 3 A и B и SI Приложение , Таблица S3). Орошение обычно снижает чувствительность к изменениям температуры (23), снижая обусловленную климатом долю изменчивости урожайности в интенсивных, строго управляемых средах ( SI Приложение , Таблица S3).В этом исследовании мы не рассматриваем будущие изменения количества осадков и, как таковые, не даем количественной оценки изменений в будущей дисперсии урожайности, которые являются результатом ковариации между изменчивостью температуры и осадков. В зависимости от региона выращивания ковариация между температурой и осадками в настоящее время объясняет, в среднем, 2% вариации общей урожайности и 17% вариации, обусловленной климатом.

Изменение изменчивости урожайности, вызванное потеплением. ( Вверху ) Современная CV из-за всех источников изменчивости ( слева, ) и изменчивости климата ( справа, ).( Нижний ) Соотношение изменений обусловленного климатом CV после среднегодового глобального потепления на 2 ° C ( Левый ) и 4 ° C ( Правый ).

Обычно используемым показателем изменчивости урожайности является коэффициент вариации (CV) (24), который фиксирует как изменения в SD, так и в среднем. В наших прогнозах урожайности потепление климата приводит к увеличению CV в большинстве мест, особенно в Соединенных Штатах, Восточной Европе и Южной Африке (рис. 3 C и D ), до значений, во много раз превышающих современные. значения (рис.3 A и B ). Разложение изменений CV на вклады от изменений среднего и SD ( SI Приложение , рис. S6) показывает, что оба фактора способствуют этому увеличению: не только будет означать снижение урожайности кукурузы с потеплением (рис. 2), что приведет к увеличение CV, но прогнозируется также увеличение абсолютной изменчивости, в том числе в основных регионах-производителях кукурузы в США, Европе, Китае и Аргентине ( SI Приложение , рис. S6). Увеличение CV из-за увеличения изменчивости урожайности сравнимо или больше, чем увеличение из-за снижения средней урожайности.В местах, где неурожаи становятся нормой при сильном потеплении (4 ° C) (в основном в тропических условиях с низкой урожайностью), SD урожайности в конечном итоге снижается.

Увеличение изменчивости урожайности имеет последствия как для фермеров, которые полагаются на свой урожай для стабильности доходов, так и для глобальных рынков, где наличие урожая влияет на цены на продовольствие (2, 16, 25). На шесть стран, США, Китай, Бразилию, Аргентину, Украину и Францию ​​в совокупности приходится 73% мирового производства и 93% общего экспорта, и во всех этих странах средняя урожайность снижается, а изменчивость урожайности увеличивается при более высоких температурах. по сравнению с современными значениями (рис.4 и SI Приложение , рис. S7 и S9 и таблица S7). В соответствии с теоретическим прогнозом, что потери урожая будут резко снижаться выше оптимальной температуры (рис. 1), наши результаты показывают, что экстремальные потери урожая становятся все более вероятными в условиях глобального потепления. Для Украины, в частности, потери урожая до 100% становятся возможными при потеплении на 4 ° C, где потери сравниваются со средним базовым уровнем урожайности за период 1999–2008 годов ( Материалы и методы, ).

Вызванные потеплением изменения в изменчивости урожайности в высокопродуктивных регионах шести крупнейших стран-производителей и экспортеров кукурузы ( SI Приложение , таблица S2): функции плотности вероятности аномалий урожайности по отношению к современной средней урожайности. для современного климата (черный), после 2 ° C среднегодового глобального потепления (синий) и после 4 ° C среднегодового глобального потепления (красный). Вертикальная серая линия обозначает относительное снижение урожайности на 20%, а значения, заключенные в рамку, обозначают средний современный урожай в этих областях для современного климата (1999–2008; черный) и для 2 ° C (синий) и 4 ° C ( красный) потепление.

Чрезвычайные потери урожая на крупных площадях в настоящее время случаются редко из-за строго контролируемых условий, в которых выращивается кукуруза в этих регионах. Урожайность строго ограничена своим средним значением (рис. 4), а потери урожая в размере> 10%, вызванные климатом, происходят только каждые 15–100 лет (таблица 1). Потери урожая более 20% из-за климатических условий практически не наблюдаются. Однако в условиях потепления эти крайние неурожаи становятся все более вероятными. При потеплении на 2 ° C вероятность потери урожая> 10% в любой конкретный год в четырех ведущих странах-производителях (США, Китае, Бразилии и Аргентине) возрастает до 69%, 46%, 39% и 50% соответственно.Если предположить, что погода варьируется независимо между нашими региональными кластерами, вероятность того, что производство кукурузы упадет более чем на 10% в высокопродуктивных районах всех четырех стран в один и тот же год, составляет сегодня 0%, но возрастает до 6% при потеплении на 2 ° C. и 87% при потеплении на 4 ° C. Учитывая, что только на эти четыре страны приходится почти 70% мирового производства кукурузы, такие синхронизированные производственные потрясения, вероятно, окажут огромное влияние на мировые рынки зерновых. Эта закономерность еще более выражена для четырех ведущих стран-экспортеров (США, Бразилия, Аргентина и Украина).При потеплении на 2 ° C вероятность потери урожая> 10% в любой конкретный год для каждой из этих четырех стран составляет 69%, 39%, 50% и 52% соответственно. В совокупности вероятность того, что эти крупные страны-экспортеры понесут одновременные производственные потери более 10% в любой конкретный год, практически равна нулю в современных климатических условиях, но возрастает до 7% при потеплении на 2 ° C и 86% при потеплении на 4 ° C. . Прогнозируемые изменения изменчивости устойчивы к статистической неопределенности коэффициентов модели ( SI Приложение , рис.S9 и Таблица S7).

Вероятность того, что в любой данный год относительная урожайность в наиболее продуктивном регионе страны ( Материалы и методы, ) снизится на 10% или 20% от современного среднего урожая для 10 стран-лидеров. по отдельности и комбинации стран, которые производят или продают больше всего кукурузы

Последствия для продовольственной безопасности

Прогнозируемое увеличение вариабельности урожайности кукурузы в основных странах-производителях и странах-экспортерах имеет важные последствия для глобальной продовольственной безопасности, определяемой способностью обеспечивать адекватную и доступное питание для всех людей в любое время и обеспечение экономического доступа к полноценному питанию для всех.Достижение этой цели в области продовольственной безопасности будет становиться все труднее, поскольку население мира вырастет с 7,5 миллиардов сегодня до ∼10 миллиардов к 2050 году, т.е. на 30% (26). Практически весь этот рост будет происходить в развивающихся странах, в первую очередь в странах Африки к югу от Сахары, и более половины мирового населения будет проживать в городских районах, где международная торговля играет ключевую роль в обеспечении доступных по цене продуктов питания.

Неустойчивость мировых цен на кукурузу, вызванная температурой, является следствием производственных потрясений как в странах-экспортерах, так и в странах-импортерах.Когда повышение температуры влияет на урожайность в крупных странах-экспортерах кукурузы, таких как США, Бразилия, Аргентина и Украина, глобальные экспортные поставки падают. Точно так же, когда потрясения затрагивают крупные страны-производители кукурузы, которые также импортируют, такие как Китай и Мексика, мировой спрос на импорт растет. Таким образом, ожидается, что синхронные производственные потрясения во многих крупных торговых странах приведут к более частым скачкам мировых цен. Наш анализ показывает, что вероятность синхронного снижения урожайности> 10% для трех крупнейших мировых экспортеров кукурузы и трех крупнейших импортеров кукурузы сегодня практически равна нулю, но возрастает до 69% при потеплении на 4 ° C (Таблица 1).Одновременные производственные потрясения в этих крупных торговых странах окажут прямое воздействие на городских потребителей, а также на агробизнес, производителей зерна и бедные домохозяйства, которые тратят значительную часть своего дохода на основные продукты питания. Степень, в которой эти группы в любой отдельно взятой стране подвержены влиянию волатильности международного рынка, во многом зависит от торговой политики, направленной на защиту внутренних рынков от колебаний мировых цен. Из глобального набора данных по 82 странам за период 1985–2010 гг. Коэффициент передачи цены на кукурузу оценивается равным 0.63 (27), что означает, что в среднем внутренние рынки испытывают примерно две трети волатильности цен, наблюдаемой на международных рынках.

Недавний опыт глобального продовольственного кризиса 2006–2008 годов показывает, что, если цены на продукты питания резко возрастут и городские потребители станут недовольны, правительства станут уязвимыми для краха, особенно в развивающихся странах, где действуют системы безопасности пищевых продуктов (например, Программа дополнительной помощи в питании США). не существует (2). В результате многие правительства ограничивают торговлю зерновыми для стабилизации внутренних продовольственных рынков, что приводит к еще большей нестабильности на международных рынках (27⇓ – 29).Во время кризиса 2006–2008 годов крупные страны-экспортеры кукурузы, включая Бразилию, Аргентину и Украину, ввели запреты на экспорт кукурузы и, таким образом, еще больше сократили мировые экспортные поставки, в то время как страны-импортеры кукурузы ввели торговые стимулы для снижения цен на импортируемое зерно. , что повысило импортный спрос. В совокупности на эти меры пришлось около одной девятой из 83% роста мировых цен на кукурузу за короткий период (29). Аналогичная торговая политика проводилась в отношении риса и пшеницы, что еще больше повлияло на скачки мировых цен (27–29).

Сочетание глобальной изменчивости урожайности и деструктивного вмешательства государства в торговлю на рынках основных зерновых культур предполагает, что модель высокой волатильности цен, наблюдавшаяся за последнее десятилетие ( SI Приложение , рис. S8), вероятно, сохранится или даже усилится в будущее, с повышением температуры. Кукуруза является важной культурой для изучения в этом контексте, поскольку на нее приходится примерно одна треть как мирового производства зерновых, так и торговли ими, и она тесно связана с другими зерновыми и масличными культурами благодаря своей универсальной роли в продуктах питания, кормах для животных и топливе. рынки (30).Цены на зерновые и масличные культуры сильно коррелированы во времени в результате замещения в потреблении и производстве ( SI Приложение , Таблица S5). Таким образом, влияние повышения средних температур на урожайность кукурузы и ее изменчивость имеет далеко идущие последствия для стабильности глобальных продовольственных систем в целом, а также для глобальной продовольственной безопасности.

Заключение

Наша работа предполагает, что глобальные урожаи зерновых и рынки будут становиться все более изменчивыми в течение 21 века, даже если колебания температуры останутся неизменными.В нашем анализе мы исходим из того, что в глобальных системах кукурузы постоянно используются технологии и управление, которые абстрагируются от реальных адаптаций и инвестиций в сельское хозяйство. В регионах с низкой урожайностью кукурузы, где сохраняется значительный разрыв в урожайности, его устранение может компенсировать некоторые из прогнозируемых потерь урожайности, показанных в нашем исследовании. Однако большая часть мировых объемов кукурузы в настоящее время выращивается в высокоинтенсивных высокопроизводительных сельскохозяйственных системах, таких как США и Китай, где разрыв между урожайностью и потенциальной урожайностью невелик (31).Для этих регионов есть два способа избежать будущего с низким урожаем и высокой летучестью при сохранении систем кукурузы: агрессивно снижать выбросы CO ₂ или разводить для улучшения термостойкости: фактически, селекция, чтобы поддерживать температуру в течение оптимальная урожайность (рис. 1) в условиях стремительного потепления климата. Действительно, селекционеры хорошо понимают важность теплового стресса для урожайности. К сожалению, механизмы термостойкости кукурузы (и других основных зерновых культур) чрезвычайно сложны и плохо изучены, и прогресс в этой области был скромным, несмотря на инновации в методах ускорения селекции (32–35).Для создания теплостойких сортов, вероятно, потребуются передовые генетические методы, включая генетическую модификацию, что поднимает вопросы общественного признания. Однако без значительных генетических достижений в области термостойкости и успешного распространения термостойких сортов в этих высокопроизводительных системах может быть мало возможностей для увеличения производства кукурузы и стабилизации рынков зерна перед лицом прогнозируемого снижения урожайности. Таким образом, селекция на устойчивость к жаре является высокоприоритетной, но пока еще не достигнутой целью в развитии кукурузы (7).

Материалы и методы

Наборы данных.

Данные культуры.

Мы получили данные годовой урожайности кукурузы и убранных площадей из глобального набора данных с координатной привязкой с разрешением 0,5 °, который объединяет ~ 2,5 миллиона наблюдений переписи и охватывает период 1961–2008 гг. (31, 36⇓ – 38). Сроки посадки и сбора урожая кукурузы были получены из глобального набора данных с привязкой к сетке с разрешением 0,5 °, что соответствует средним условиям посева примерно в 2000 году (39). Набор данных о ежемесячных орошаемых и богарных посевных площадях около 2000 года (MIRCA2000) содержит ежемесячные площади выращивания и ежегодные убранные площади для 26 различных культур при 0.Разрешение 5 ° (40). Мы вычисляем процент орошаемой площади путем деления орошаемой площади в каждой ячейке сетки на общую убранную площадь в этой ячейке. Данные о производстве отдельных культур на уровне страны и общем объеме сельскохозяйственного производства в каждой стране были получены из Корпоративной статистической базы данных Продовольственной и сельскохозяйственной организации Объединенных Наций (1). Основываясь на этих данных, мы исключили ячейки сетки, если их убранная площадь составляла менее 1% площади ячейки сетки, если производство кукурузы в стране составляло не менее 5% от общего сельскохозяйственного производства или более 3 миллионов тонн в целом, или если данные об урожайности оказались ошибочными (> 17 тонн с гектара).

Климатические данные.

Месячные данные о температуре и осадках взяты из набора данных временного ряда, версия 3.23, который представляет данные за период 1901–2014 гг. На глобальной сетке 0,5 ° (41). Среднесуточные, минимальные и максимальные температуры получены из набора данных ReAnalysis Interim Европейского центра среднесрочного прогноза погоды (ERA-Interim) (42), который доступен с 1979 по 2015 год. Средняя температура на высоте 2 м выводится четыре раз в день, поэтому среднесуточное значение рассчитывается как среднее по этим четырем дневным значениям.Минимальная (максимальная) температура на высоте 2 м выводится восемь раз в день, как минимум (максимум) за предшествующие 3 часа, поэтому дневной минимум, T _{min, d} , (максимум, T _{max, d} ) вычисляется путем нахождения минимума (максимума) за эти восемь временных шагов. Данные ERA-Interim доступны в сетке с разрешением 0,75 ° и интерполируются с использованием билинейной интерполяции в сетку с разрешением 0,5 °, на которой доступны данные о посеве и месячные климатические данные.Для пороговых значений температуры в SI Приложение , таблица S1, прогнозы глобальной среднегодовой температуры для всех моделей CMIP5 в трех сценариях выбросов (RCP4.5, RCP6.0 и RCP8.5) были взяты из Королевского метеорологического института Нидерландов ( КНМИ) Исследователь климата (43).

Мы разрабатываем несколько эмпирических моделей сельскохозяйственных культур (см. Ниже), которые включают различные климатические индексы. Средние значения сезона вегетации (температура, T _морей ) и суммы (осадки, P _моря ) рассчитываются путем линейной интерполяции среднемесячных данных температуры и осадков за 365 дней и взятия среднего значения за дней между посадкой и датой сбора урожая (39).Для модели линейной регрессии, которая включает температуру отдельных месяцев, выбираются средние 3 месяца вегетационного периода в каждом месте ( T _M1 , T _M2 и T _M3 ; 3 mo — минимальная продолжительность вегетационного периода кукурузы). GDD и KDD рассчитываются в соответствии с более ранней работой (44). GDD определяются для каждого дня следующим образом: GDDd = Tmin, d ∗ + Tmax, d ∗ 2 − ​​Tlow, [1]

где, Tmax, d ∗ = {Tmax, dif Tlow

Tmin, d ∗ определяется аналогично. KDD для каждого дня определяются следующим образом: KDDd = {Tmax, d — бедро, если Tmax, d> бедро, 0, если Tmax, d≤Thigh. [3]

T _low установлен на 9 ° C, а T _high установлен на 29 ° C. Годовые GDD и KDD получают путем суммирования дневных значений ( GDD _d и KDD _d ) за вегетационный период.

Данные будущих климатических прогнозов были получены из базы данных CMIP5 (45) для обычного сценария RCP8.5. Во-первых, мы построили канонический график температуры глобального потепления (46) для каждой из моделей RCP8.5 CMIP5, взяв разницу в месячной климатологии между периодами 2080–2099 и 1980–1999, нормированную на среднегодовую глобальную температуру. менять. Затем мы берем многомодельное среднее по этим пространственным моделям и масштабируем их, чтобы получить картину глобального потепления, связанную с моделью глобального потепления на 2 ° C или 4 ° C. Затем рассчитывается будущий климат, добавляя изменение климатологии (на 2 ° C или 4 ° C теплее) к наблюдаемой истории климата (1979–2008 гг.), Таким образом сохраняя нынешнюю межгодовую и суточную изменчивость температуры.

Кластеризация.

Ожидается, что чувствительность кукурузы к изменчивости климата будет аналогичной в регионах со схожими средними климатическими и хозяйственными характеристиками. Основываясь на определении мегасреды кукурузы, как это определено, например, ACIAR (20), следующие переменные используются в качестве входных данных для кластерного анализа K-средних: средняя температура вегетационного периода, среднее количество осадков за вегетационный период, процент орошаемых площадей. в каждой ячейке сетки — средняя урожайность и широта. Для всех изменяющихся во времени величин рассчитываются средние значения за период 1989–2008 годов.Перед кластеризацией переменные стандартизируются. Поскольку объективных средств определения оптимального количества кластеров не существует, мы выбираем семь произвольно. Результаты оказались нечувствительными к использованию 5, 7 или 10 кластеров ( SI Приложение , Таблица S9). Карта деления на кластеры показана в Приложении SI , рис. S1, с соответствующей статистикой, показанной в Приложении SI , рис. S2. Описание каждого из семи кластеров дано в Приложении SI , Таблица S3.Существует тесное соответствие между кластерами и обычно определяемыми мега-средами кукурузы ( SI Приложение ).

Линейные модели.

Модели регрессии рассчитываются с использованием аномалий урожайности и климата по отношению к изменяющемуся во времени среднему значению. Поскольку обусловленные технологиями тенденции в урожайности кукурузы являются существенными и нелинейными, мы вычисляем аномалии урожайности относительно временного тренда путем вычитания полиномиального соответствия третьего порядка из данных урожайности в каждой ячейке сетки.Климатические аномалии рассчитываются путем удаления линейного тренда, который, как правило, невелик в течение этого периода. Таким образом, результаты нечувствительны к изменению климата.

Сравнивается эффективность трех различных эмпирических моделей сельскохозяйственных культур: Yt, i ′ = β0, c + β1, cTseas t, i ′ + β2, cPseas t, i ′ + ϵt, i, Yt, i ′ = β0, c + β1, cTM1 t, i ′ + β2, cTM2 t, i ′ + β3, cTM3 t, i ′ + β4, cPseas t, i ′ + ϵt, i, Yt, i ′ = β0, c + β1, cGDDt, i ′ + β2, cKDDt, i ′ + β3, cPseas t, i ′ + ϵt, i,

, где Y — доходность; штрихи обозначают аномалии; β значения — различные коэффициенты регрессии; ε — остаток; а нижние индексы t , i и c указывают год, местоположение и кластер соответственно.Для каждого кластера все точки данных связаны друг с другом, и модель соответствует всему набору данных. В каждом кластере мы выбираем модель, которая максимизирует дисперсию при 10-кратной перекрестной проверке ( SI Приложение , Таблица S3). Во всех кластерах, кроме одного, это та же модель, что и модель, которая максимизирует объясненную дисперсию среднегодовых аномалий урожайности кластера; в шести из семи кластеров модель «градус-день» работает лучше всего. Поскольку аномалии урожайности используются в качестве зависимой переменной, все коэффициенты пересечения β ₀ равны нулю в пределах статистической неопределенности.Поскольку ежедневные данные доступны только с 1979 г., подогнанные модели охватывают период 1980–2008 гг. Из-за сильных тенденций в урожайности кукурузы и убранных площадях за последние три десятилетия мы используем среднюю урожайность и убранную площадь только за последние 10 лет набора данных (1999–2008 гг.) В качестве базового уровня для сравнения будущих урожаев.

Следует отметить, что средняя летняя температура с 4 ° C глобального потепления находится далеко за пределами современного диапазона межгодовой изменчивости температуры во многих местах, и что наши статистические модели, таким образом, не были протестированы для этих температурных режимов.Однако подобным образом этот уровень потепления также выходит за рамки диапазона валидации полевых экспериментов и технологических моделей сельскохозяйственных культур.

Расчет изменений среднего и изменчивости.

Перед применением регрессионных моделей к будущим климатическим данным мы сначала проверяем каждую точку сетки, чтобы увидеть, оправдывает ли прогнозируемое изменение средней температуры вегетационного периода при глобальном потеплении на 2 ° C и 4 ° C отнесение к другому кластеру ( SI Приложение , рис. S3). Количество точек сетки, которые меняют кластер (или «адаптируются») в ответ на потепление, мало по сравнению с общим количеством ячеек сетки, поэтому связанные с этим затраты на адаптацию (разбросанные на несколько десятилетий постепенного потепления) можно считать незначительными .Аномалии будущей урожайности рассчитываются путем применения лучшей модели для каждого кластера к будущим климатическим данным. Если прогнозируемая доходность меньше нуля, она устанавливается равной нулю. Для Рис. 4 и Таблицы 1 рассчитываются относительные аномалии урожайности по сравнению с сегодняшним (1999–2008 гг.) Средним значением; для SI Приложение , рис. S7, они сравниваются с будущим средним значением.

Меры будущей изменчивости урожайности представляют только компонент изменчивости урожайности, вызванный изменчивостью климата.Для графиков плотности на рис. 4 и SI Приложение , рис. S7 мы выбираем область размером примерно 5 ° × 5 ° (~ 100 ячеек сетки) в регионе с наибольшим производством из шести стран с наибольшим производством (Аргентина, Бразилия, Китай, Франция, Украина и США) и выберите 25 ячеек с самой высокой производительностью.

Факторы не учитываются.

Это исследование изолирует влияние будущих изменений температуры на урожай кукурузы, в первую очередь из-за высокой неопределенности прогнозов осадков.Во всех моделях и кластерах член линейных осадков положительный. Это означает, что в местах, где предполагается высыхание, сокращение количества осадков в будущем усилит прогнозируемые потери урожая. Поскольку межгодовая и суточная изменчивость температуры в настоящее время плохо представлена ​​в климатических моделях, это исследование также предполагает отсутствие изменений в изменчивости температуры, таким образом игнорируя возможный дополнительный вклад в изменения изменчивости урожая (14). Возможно, внесение удобрений из повышенных уровней CO ₂ могло бы в некоторой степени компенсировать эти потери урожая.Однако, как растение C4, кукуруза получает меньше пользы от повышенных концентраций CO ₂ , чем растения C3, такие как рис и пшеница, и нет убедительных доказательств того, что удобрение CO ₂ приведет к значительному увеличению урожайности кукурузы, за исключением периодов засуха (47). Поэтому мы исключили эффекты удобрения CO ₂ из нашего анализа.

Благодарности

Мы благодарим Уолтера Фалькона и Мэтью Рейнольдса за комментарии и Мэтью Хиггинса за помощь в работе с данными.D.S.B. и М. финансировались за счет гранта Фонда Тамаки. R.L.N. финансировалась ее кафедрой Уильяма Ригли (Стэнфордский университет).

Взаимное сравнение между 29 моделями кукурузы — Experts @ Minnesota

TY — JOUR

T1 — Моделирование эвапотранспирации кукурузы

T2 — Взаимное сравнение между 29 моделями кукурузы

AU — Kimball, Bruce A.

AU — Boote, Kenneth J.

AU — Hatfield, Jerry L.

AU — Ahuja, Laj R.

AU — Stockle, Claudio

AU — Archontoulis, Sotirios

AU — Baron, Christian

AU — Basso, Bruno

AU — Бертуцци, Патрик

AU — Константин, Джули

AU — Deryng, Delphine

AU — Dumont, Benjamin

AU — Дюран, Жан Луи

AU — Эверт, Франк

AU Гайзер, Томас

AU — Гайлер, Себастьян

AU — Хоффманн, Мунир П.

AU — Jiang, Qianjing

AU — Kim, Soo Hyung

AU — Lizaso, Jon

AU — Moulin, Sophie

AU — Nendel, Claas

AU — Parker, Philip

AU — Palosuo

AU — Priesack, Eckart

AU — Qi, Zhiming

AU — Srivastava, Amit

AU — Stella, Tommaso

AU — Tao, Fulu

AU — Thorp, Kelly R.

AU — Timlin, Деннис

AU — Twine, Tracy E.

AU — Webber, Heidi

AU — Willaume, Magali

AU — Williams, Karina

N1 — Информация о финансировании: Этот эксперимент был бы невозможен без преданности делу Кристиана Долда, Форреста Гудмана, Вольфганга Остеррайха, Лауры Ханс, Мишель Крайдер и нескольких студентов, которые помогали проводить измерения и обрабатывать наблюдаемые данные в то время. Часть этой работы была проведена AS и TG в рамках проекта BiomassWeb программы GlobeE (номер гранта: FKZ031A258B), финансируемого Федеральным министерством образования и исследований (BMBF, Германия).Вклад СА был поддержан грантом FFAR под названием «Улучшение моделирования динамики воды в почве и урожайности кукурузного пояса, США». MPH выражает признательность за поддержку проекту «Живые пейзажи Лимпопо» в рамках программы SPACES (номер гранта 01LL1304A), финансируемой Федеральным министерством образования и исследований Германии (http://www.bmbf.de/en/http://www.bmbf .de / en /). Авторские права издателя: © 2019 Авторские права: Авторские права 2019 Elsevier B.V., Все права защищены.

PY — 2019/6/15

Y1 — 2019/6/15

N2 — Урожайность сельскохозяйственных культур может зависеть от использования воды культурой и наоборот, поэтому при попытке моделирования одного или другого может быть важно, чтобы оба хорошо смоделированы.При предыдущем взаимном сравнении моделей роста кукурузы прогнозы эвапотранспирации (ЭТ) широко варьировались, но данные о фактических ЭТ не были доступны для сравнения. Таким образом, данное последующее исследование было инициировано под эгидой AgMIP (Проект взаимного сравнения и улучшения сельскохозяйственных моделей). Наблюдения за суточной ЭТ с использованием метода вихревой ковариации из 8-летнего (2006–2013 гг.) Эксперимента, проведенного в Эймсе, штат Айова, были использованы в качестве стандарта для сравнения моделей. Здесь представлены результаты моделирования по 29 моделям.На первом «слепом» этапе, для которого разработчикам моделей предоставлялись только информация о погоде, почвах, фенологии и управлении, оценки сезонного ET варьировались от примерно 200 до примерно 700 мм. Последующие три фазы предоставили (1) индексы площади листьев за все годы, (2) все дневные ЕТ и агрономические данные за типичный год (2011) и (3) все данные за все годы, что позволило разработчикам моделей постепенно откалибровать свои модели. по мере того, как была предоставлена ​​дополнительная информация, диапазон оценок ET по-прежнему варьировался в два или более раза.Большая часть изменчивости моделей объясняется разными оценками потенциального суммарного испарения, что указывает на возможность существенного улучшения модели. Тем не менее, медианные значения ансамбля в целом были близки к наблюдениям, а медианы были лучшими (имели самые низкие среднеквадратические отклонения от наблюдений, MSD) для нескольких категорий ET для взаимного сравнения, но не для всех. Кроме того, медианы были наилучшими при одновременном рассмотрении как ET, так и агрономических параметров. Шесть лучших моделей с наименьшими значениями MSD были определены для нескольких категорий ET и агрономических категорий, и оказалось, что они сильно различаются по сложности, несмотря на схожую точность прогнозов.В то же время другие модели с явно похожими подходами не были такими точными. Широко используемые модели, как правило, работают лучше, что заставляет нас предположить, что большее количество пользователей, тестирующих эти модели в более широком диапазоне условий, вероятно, привело к улучшению. Опыт пользователя и навыки калибровки и работы с недостающими входными данными, вероятно, также были фактором в определении точности прогнозов модели. В нескольких случаях использовались разные версии модели в одном и том же семействе моделей, и эти межсемейные сравнения выявили конкретные подходы, которые были лучше, в то время как другие факторы оставались неизменными.Таким образом, многие модели нуждаются в улучшении с точки зрения их способности моделировать ЭТ в широком диапазоне условий, и были определены несколько аспектов прогресса, особенно в их моделировании потенциального ЭП.

AB — Урожайность сельскохозяйственных культур может зависеть от использования воды растениями и наоборот, поэтому при моделировании одного или другого может быть важно, чтобы оба были хорошо смоделированы. При предыдущем взаимном сравнении моделей роста кукурузы прогнозы эвапотранспирации (ЭТ) широко варьировались, но данные о фактических ЭТ не были доступны для сравнения.Таким образом, данное последующее исследование было инициировано под эгидой AgMIP (Проект взаимного сравнения и улучшения сельскохозяйственных моделей). Наблюдения за суточной ЭТ с использованием метода вихревой ковариации из 8-летнего (2006–2013 гг.) Эксперимента, проведенного в Эймсе, штат Айова, были использованы в качестве стандарта для сравнения моделей. Здесь представлены результаты моделирования по 29 моделям. На первом «слепом» этапе, для которого разработчикам моделей предоставлялись только информация о погоде, почвах, фенологии и управлении, оценки сезонного ET варьировались от примерно 200 до примерно 700 мм.Последующие три фазы предоставили (1) индексы площади листьев за все годы, (2) все дневные ЕТ и агрономические данные за типичный год (2011) и (3) все данные за все годы, что позволило разработчикам моделей постепенно откалибровать свои модели. по мере того, как была предоставлена ​​дополнительная информация, диапазон оценок ET по-прежнему варьировался в два или более раза. Большая часть изменчивости моделей объясняется разными оценками потенциального суммарного испарения, что указывает на возможность существенного улучшения модели.Тем не менее, медианные значения ансамбля в целом были близки к наблюдениям, а медианы были лучшими (имели самые низкие среднеквадратические отклонения от наблюдений, MSD) для нескольких категорий ET для взаимного сравнения, но не для всех. Кроме того, медианы были наилучшими при одновременном рассмотрении как ET, так и агрономических параметров. Шесть лучших моделей с наименьшими значениями MSD были определены для нескольких категорий ET и агрономических категорий, и оказалось, что они сильно различаются по сложности, несмотря на схожую точность прогнозов.В то же время другие модели с явно похожими подходами не были такими точными. Широко используемые модели, как правило, работают лучше, что заставляет нас предположить, что большее количество пользователей, тестирующих эти модели в более широком диапазоне условий, вероятно, привело к улучшению. Опыт пользователя и навыки калибровки и работы с недостающими входными данными, вероятно, также были фактором в определении точности прогнозов модели. В нескольких случаях использовались разные версии модели в одном и том же семействе моделей, и эти межсемейные сравнения выявили конкретные подходы, которые были лучше, в то время как другие факторы оставались неизменными.Таким образом, многие модели нуждаются в улучшении с точки зрения их способности моделировать ЭТ в широком диапазоне условий, и были определены несколько аспектов прогресса, особенно в их моделировании потенциального ЭП.

кВт — испарение

кВт — кукуруза

кВт — модель

кВт — моделирование

кВт — водопотребление

кВт — урожай

UR — http://www.scopus.com/inward/record.url ? scp = 85063037951 & partnerID = 8YFLogxK

UR — http: // www.scopus.com/inward/citedby.url?scp=85063037951&partnerID=8YFLogxK

U2 — 10.1016 / j.agrformet.2019.02.037

DO — 10.1016 / j.agrformet.2019.02.037

M3 — Артикул

AN SCOPUS: 85063037951

VL — 271

SP — 264

EP — 284

JO — Сельскохозяйственная и лесная метеорология

JF — Сельскохозяйственная и лесная метеорология

SN — 0168-1923

ER —

Кукуруза — APSIM

Объем модуля кукурузы

Модуль кукурузы моделирует рост урожая кукурузы в ежедневном временном шаге (на основе площади, а не отдельного растения).Рост кукурузы в этой модели зависит от климата (температура, осадки и радиация от входного модуля), водоснабжения почвы (от модуля «почвенно-вода») и азота почвы (от модуля «почва-вода»). Модуль кукурузы возвращает информацию о поглощении почвенной воды и азота модулями почвенная вода и почва на ежедневной основе для перезагрузки этих систем. Информация о растительном покрове также предоставляется модулю почвенно-водные ресурсы для расчета скорости испарения и стока. Стебель кукурузы и корневые остатки «переходят» от кукурузы к остаткам и почвенному модулю соответственно при уборке урожая кукурузы.Список выходных данных модуля представлен в разделе «Выходные данные модуля кукурузы» ниже, но в основном модуль будет прогнозировать развитие площади листьев, N% и биомассу соломы; глубина, N% и биомасса корней; N% зерна и биомасса; урожай зерна и N%, размер зерна и количество зерна — все это ежедневно.

История кукурузного модуля

Модуль кукурузы был разработан на основе комбинации подходов, используемых в моделях CM-KEN (Keating et al., 1991, 1992) и CM-SAT (Carberry et al., 1989; Carberry and Abrecht, 1991) для кукурузы ( оба производных CERES-Maize, Jones and Kiniry, 1986), с некоторыми особенностями модели кукурузы Wilson et al.(1995). Основные отличия от кукурузы CERES — это процедуры, которые убивают посевы в ответ на серьезный дефицит воды на ранней и средней стадии вегетации (Carberry and Abrecht, 1991).

Задержка шелководства из-за сильного стресса, вызванного водой или азотом, имитирует развитие площади листьев, учитывая взаимосвязь между общим количеством листьев и площадью листьев (Muchow and Carberry, 1989; Keating and Wafula, 1991), позволяя тепловому времени накапливаться между 0 и 10 ° C, что позволяет точное моделирование фенологического развития в условиях прохладного умеренного климата (Wilson et al., 1995).

Определите транспирацию на основе накопления биомассы, коэффициента эффективности транспирации, суточного дефицита давления пара и коэффициента дефицита воды в почве 0-1. Использует эффективность использования излучения, основанную на накоплении наземной биомассы, и выращивает корневую биомассу на основе фиксированного соотношения корень: побеги для различных фенологических фаз (Carberry et al. 1989). Модель была проверена на многих из тех же наборов данных, которые использовались изначально. разработать CM-KEN и CM-SAT в дополнение к новым наборам данных (см. Таблицу ниже).

Структура кукурузного модуля

Фенология

В модуле кукурузы есть 11 стадий выращивания и девять фаз (время между стадиями), и начало каждой стадии (за исключением посева до прорастания, которое определяется влажностью почвы) определяется накоплением термического времени. Каждый день фенологические процедуры рассчитывают сегодняшнее тепловое время (в градусах) на основе трехчасовых значений температуры воздуха, интерполированных на основе суточных максимальных и минимальных температур. Тепловое время рассчитывается с использованием соотношения на Рисунке 1 с усреднением восьми трехчасовых оценок для получения суточного значения теплового времени (в днях нарастания градусов) для дня.Эти ежедневные значения теплового времени суммируются в сумму теплового времени, которая используется для определения продолжительности каждой фазы. Между стадией всходов и цветением расчетное daily_thermal_time сокращается из-за стресса воды или азота, что приводит к замедленной фенологии, когда растение находится в состоянии стресса.

Термическое время между посевом и прорастанием зависит от уровня воды в почве. Фаза между прорастанием и всходом включает влияние глубины посева на целевое тепловое время.Продолжительность между появлением и появлением флаговых листьев определяется общим количеством листьев, которым суждено появиться на растении, и скоростью их появления, которая определяется температурой (см. Ниже). Общее количество листьев равно количеству в семени при прорастании (7) плюс количество, инициированное впоследствии со скоростью 21 ° Cдней на лист, до тех пор, пока не будет достигнуто начало цветения. Следовательно, время начала цветения будет определять общее количество листьев и время появления флагового листа и цветения (т.е. шелковистость). Фаза между всходом и началом цветения состоит из определенного для сорта периода фиксированного термического времени, обычно называемого основной вегетативной или ювенильной фазой. Между концом ювенильной фазы и началом цветения скорость теплового развития чувствительна к фотопериоду (рассчитывается как функция дня года и широты), если сорт чувствителен к фотопериоду. Модель предполагает, что кукуруза как растение короткого дня будет иметь более длинную фазу (в зависимости от сорта) между концом ювенильной фазы и началом, если фотопериоды превышают 12.5 часов. Для конкретных сортов существуют фиксированные термические интервалы времени для последующих фаз между цветением и началом заполнения зерна, между началом и концом заполнения зерна, между концом заполнения зерна и созреванием, а также между созреванием и созреванием урожая.

Накопление биомассы (фотосинтез)

Ежедневно рассчитываются две оценки суточного производства биомассы, одна ограничивается доступной водой для транспиратона (уравнение 1), а другая — лучистой энергией (уравнение 2).Минимум из этих двух оценок — фактическое производство биомассы за день.

1. delta_drymatter_transpiration = почва_ водоснабжение * эффективность_ транспирации

Примечание. Эффективность транспирации получается из коэффициента транспирации_эффективности (= 0,009) и дефицита давления пара (vpd), рассчитанного по дневным температурам.

2. dlt_drymatter_potential = rue * radius_interception

Note rue (эффективность использования излучения) составляет 1,6 г МДж-1 от всходов до начала налива зерна, а затем снижается до 1.06 г MJ-1 с начала налива зерна, чтобы учесть влияние старения листьев на снижение фотосинтетической способности (Muchow et al. 1990). Перехват излучения рассчитывается на основе индекса площади листа и коэффициента ослабления излучения 0,45.

Разделение биомассы

Ежедневное производство биомассы распределяется между разными частями растения в разных соотношениях в зависимости от стадии урожая. До конца молоди соотношение корень: побеги сохраняется на уровне 1,0, а затем уменьшается до значения 0.087 в период цветения. Между появлением всходов и появлением флаговых листьев доля произведенной биомассы, которая делится на лист, увеличивается экспоненциально по мере появления листьев. Между стадией зарождения цветения и появлением флагового листа биомасса, остающаяся после распределения на листе, распределяется между стеблем и развивающимся колосом в соотношении 1: 0,30. После того, как рост листьев прекращается при появлении флаговых листьев, биомасса распределяется между стеблем и колосом только до начала налива зерна, при этом происходит разделение только на зерно.Модуль кукурузы позволяет полностью переместить не более 15 и 20% биомассы листа и стебля, присутствующей в начале засыпки зерна, соответственно, потребность зерна в углеводах (биомасса) рассчитывается путем умножения количества зерна на максимальную потенциальную скорость роста зерна ( например, для Dekalb_XL82 10 мг / гран / день). Количество завязываемых зерен на одно растение определяется средней дневной скоростью роста одного растения между началом цветения и началом налива зерна с использованием функции, разработанной Эдмидсом и Дейнардом (1979).

Развитие листьев

Скорость появления листьев определяется термическим временем, последние 14 листьев перед флаговым листом появляются каждые 36 o Cдней, перед этим лист появляется каждые 65 o Cdays (Wilson et al., 1995).

Потенциальный LAI

— это произведение количества листьев, размера листьев, количества растений на м2 и фактора водного стресса для расширения (см. Раздел о дефиците воды ниже). Коэффициент корректировки используется для учета площади раскрывающихся в данный момент листьев. Размер листа рассчитывается по окончательному количеству листьев, предполагая, что он соответствует колоколообразному распределению с положением листа вдоль стебля (Keating and Wafula, 1992).На ранней стадии развития культуры, до того, как будет достигнуто начало цветения и, следовательно, до того, как станет известно окончательное количество листьев, для расчета предварительного количества конечных листьев в целях моделирования размера листа используется расчетная дата начала цветения.

Фактический LAI

меньше потенциального LAI, если в этот день не будет разделено достаточное количество биомассы для листьев. Максимальная удельная площадь листа (SLA_MAX) определяет максимальную площадь листа (м 2), которую можно увеличить на грамм биомассы. SLA_MAX уменьшается с увеличением LAI i.е. у более мелких и молодых культур более крупные и тонкие листья.

Старение листьев

Есть четыре причины появления ощущения листьев; возраст, легкая конкуренция, водный стресс и мороз. Подпрограммы старения кукурузы вычисляют истекший LAI для каждого стресса каждый день и принимают максимальное из четырех значений в качестве общего дневного старения. Каждый день после цветения часть самого старого зеленого листа умирает. Это старение из-за возраста происходит из расчета количества листьев в день (оно рассчитывается из термического времени дня, деленного на постоянную скорость гибели листьев).Это количество мертвых листьев затем преобразуется в истощенный LAI. При значении LAI выше 4.0 легкое соревнование приводит к потере площади листа. LAI, возникший из-за легкой конкуренции, связан с количеством LAI, превышающим 4,0 (см. Уравнения 3 и 4).

3. sensLAI_light_fac = 0,008 * (LAI- 4,0)

4. delta_sensLAI_light = LAI * sensLAI_light_fac eqn

Водный стресс во время роста сельскохозяйственных культур вызывает старение листьев (уравнения 5 и 6).

5. sensLAI_water_fac = 0,05 * (1 — кукуруза_swdef (фото))

6.delta_sensLAI_water = LAI * sensLAI_water_fac eqn

Примечание: расчет фактора водного стресса maize_swdef (фото) описан в разделе «дефицит воды» ниже. Морозное старение. Температура от 6,0 до 0 ° C вызовет линейно увеличивающуюся потерю площади листа от 0 до 100% соответственно. По значениям старения LAI модуль кукурузы рассчитывает биомассу и азот в этой стареющей части листа, однако часть углерода и азота этих листьев перемещается в стебель перед старением.

Кущение

№ потенциального румпеля. в модуле кукурузы установлен на 0, что фактически отключает процедуру кущения.

Отрастание

У кукурузы нет процедур отрастания.

Водопоглощение

Чтобы определить количество воды, поступающей в культуру в любой день, сначала суммируется общая доступная вода, превышающая нижний предел для всех слоев почвы с корнями (уравнение 7). Если корни проходят через слой только частично, доступная почвенная вода масштабируется до той части, которая содержит корни.Константа kl (значение различается для каждого слоя почвы) затем используется для ограничения количества воды, доступной в любой день (уравнение 8). Коэффициент kl выводится эмпирическим путем, включая факторы растений и почвы, которые ограничивают скорость поглощения воды. do layer = 1, deepest_layer (выполнить цикл для вычисления доступной воды для всех слоев)

7. sw_avail = sw (слой) — ll (слой)

8. sw_supply (слой) = sw_avail * kl (уровень)

Потребность почвы в воде рассчитывается так же, как в разделе «накопление биомассы» выше, где потенциальное производство биомассы является функцией перехвата радиации и rue.Это потенциальное производство биомассы преобразуется в потребность в воде с использованием эффективности транспирации. Эффективность транспирации рассчитывается на основе коэффициента эффективности транспирации (transp_eff_cf), который может изменяться в зависимости от стадии роста и дефицита давления пара. Потребность почвы в воде может быть ограничена в файле * .ini потребностью в испарении из атмосферы (eo), скорректированной пропорцией зеленого покрова растительного покрова (cover_green) и фактором урожая (eo_crop_factor), то есть eo_crop_factor * eo * cover_green. Пользователи, желающие использовать eo_crop_factor, должны проконсультироваться с владельцем модуля.Потребление воды — это минимум спроса и предложения.

Недостаток воды, влияющий на рост растений

Коэффициенты дефицита воды в почве рассчитываются для моделирования воздействия водного стресса на различные процессы роста растений. Рассчитываются три фактора дефицита воды, которые соответствуют четырем процессам в растении, каждый из которых имеет разную чувствительность к водному стрессу, то есть фотосинтезу (фото), фенологии (фенологию) и разрастанию листьев (разрастанию). Коэффициент доступности воды рассчитывается путем деления фактического запаса воды в почве (sw — ll) на потенциальное водоснабжение почвы (dul — ll).Это соотношение используется в проиллюстрированных взаимосвязях для определения факторов стресса для фотосинтеза и расширения листьев. Фактор 0 — это полное напряжение, а 1 — отсутствие стресса.

Часть растений (0,044) будет погибать каждый день из-за водного стресса, когда кумулятивный фактор водного стресса для фотосинтеза превышает 4,6. Поглощение и повторное перемещение азота. Чтобы рассчитать потребность в азоте сегодня, первое потенциальное производство биомассы пересчитывается без ограничений по воде, азоту или температуре i.е. в зависимости от рут и радиационного перехвата (уравнение 2). Это сухое вещество (биомасса) затем разделяется на части растения в соответствии с их текущим относительным весом. Модуль кукурузы имеет определенную минимальную, критическую и максимальную концентрацию N для каждой части растения. Спрос на азот в каждой части пытается поддерживать азот на критическом (без стресса) уровне. Потребность в азоте в любой день — это сумма потребностей в ранее существовавшей биомассе каждой части, необходимой для достижения критического содержания N, плюс N, необходимый для поддержания критических концентраций N в сегодняшней потенциально ассимилированной биомассе.Максимальное поглощение азота определяется как поглощение азота, необходимое для доведения всех компонентов N в растении до максимально допустимой концентрации. Подача азота — это сумма азота, доступного посредством массового расхода (уравнение 9) и диффузии (уравнение 10).

9. no3_massflow (слой) = no3_conc * delta_sw (слой)

10. no3_diffusion (слой) = sw_avail_frac * no3_conc

примечание: эти значения слоя суммируются с глубиной корня, а sw_avail_frac — это отношение извлекаемой воды из почвы к общему количеству воды в почве.Если потребность в азоте не может быть удовлетворена за счет массового расхода, его подают за счет диффузии. Спрос может быть превышен только за счет подачи от массового расхода (до максимума поглощения азота). Если и массовый расход, и диффузия не могут удовлетворить спрос, то азот ищется в результате связывания азота (см. Следующий раздел). Доступный для поглощения азот распределяется по частям растений пропорционально их индивидуальным потребностям. Азот для зерна перераспределяется из других частей растения, азот не забирается напрямую из почвы или атмосферы для удовлетворения спроса на зерно.Азот доступен для переноса из всех частей, кроме зерна и корнеплодов; другие части растений будут перемещать азот до тех пор, пока не достигнут установленной минимальной концентрации азота. Потребность зерна в азоте снова определяется критическим содержанием азота, но эта потребность снижается, если растение находится в состоянии стресса азота. Потребность в зерне N также зависит от температуры и водного стресса, используя уравнения 11 и 12 ниже.

11. N_grain_temp_fac = 0,69 + 0,125 * aver_temp

12 N_grain_sw_fac = 1,125 — 0.125 * swdef (расширение)

Наибольший из этих двух факторов умножается на ранее рассчитанную потребность в азоте, т.е. если температура высокая или дефицит sw низкий (водный стресс), потребность в азоте будет увеличиваться выше уровня, необходимого для достижения критической концентрации азота.

N фиксация

В кукурузном модуле нет азотфиксации.

Недостаток азота, влияющий на рост растений

Существует три фактора доступности N (0-1), по одному для процессов фотосинтеза, расширения, фенологии и заполнения зерна.Соотношение концентраций N рассчитывается для соломы (стебель + лист) в уравнении 14, которое используется как мера напряжения N, затем используются различные константы для преобразования этого отношения в коэффициент дефицита для каждого из процессов. Коэффициент 1 используется для воздействия на концентрацию азота в зерне, 1,25 — для фотосинтеза (уменьшает рут), 0,8 — для разрастания (уменьшает увеличение площади листа) и 5,75 — для замедления фенологического развития. Поскольку значение 1 означает отсутствие стресса, а 0 — полный стресс, фенология наименее чувствительна к дефициту азота, а зерновой N — наиболее.

14. N_conc_ratio = (N_conc_stover — N_conc_stover_min) / (N_conc_stover_crit — N_conc_stover_min)

Рост и распространение корня

Глубина корня инициализируется на глубине заделки. Между появлением всходов и насыпью зерна увеличение глубины корней — это суточная скорость, умноженная на коэффициент доступности воды в почве. Суточная норма составляет 10-15 мм / сутки во время всходов и 33 мм / сутки от конца молоди до начала налива зерна. Глубина корней ограничивается глубиной почвенного профиля.Увеличение глубины корней через слой может быть ограничено известными почвенными ограничениями с помощью параметра xf 0-1, который вводится для каждого слоя почвы. Рост корневой биомассы разделяется по глубине с использованием функции экспоненциального затухания от поверхности почвы и преобразуется в плотность длины корня с использованием фиксированной удельной длины корня. Корни не опадают в течение жизни культуры, но включаются в модуль почвы при уборке урожая и распределяются в виде свежего органического вещества в профиле

Температурное напряжение

Не существует общих температурных факторов, таких как водный и азотный стресс, но, как обсуждалось в разделах выше, температура действительно влияет на содержание азота в зернах, скорость старения и эффективность использования излучения (rue).

Смерть растения

Все или некоторые растения могут погибнуть из-за различных стрессов; Если урожай не прорастет в течение 40 дней после посева из-за недостатка влаги для прорастания, все растения погибнут. Если при посеве 150 o Cдней урожай не всходит, потому что он был посеян слишком глубоко, то все растения погибают. Если культура перестала зацветать и LAI = 0, то все растения погибают из-за полного старения. Если совокупные фенологические факторы водного стресса превышают 25, все растения погибают из-за водного стресса, продлевающего фенологию.Часть растений погибнет от высоких температур сразу после появления всходов.

Отряд

Процедуры отделения кукурузы отключены в текущем коде.

Параметризация модуля кукурузы

Нижний предел урожая и значения kl необходимы для каждого слоя почвы

ll = 0.200 0.200 0.200 0.220 0.250 ()! нижний предел урожая

kl = 012 0,08 0,06 0,04 0,02 ()! kl необходима калибровка для каждой культуры и типа почвы

Для каждого сорта необходимы фенология и параметры наполнения.Ниже приводится пример для композитного сорта катумани. Некоторые параметры не используются в текущей версии, так как они могут использоваться в альтернативных вариантах для моделирования некоторых процессов (например, наполнение зерна). (указано ниже как опция).

калибровка.maize.katumani

Зависимости модуля

Минимальная конфигурация модуля, необходимая для запуска кукурузы в APSIM, — это включение модулей отчета, ввода, менеджера, почвенной воды, почвы и пожнивных остатков и кукурузы.

Логика посева и уборки урожая

В файле-менеджере для сбора урожая и посева кукурузы используется следующий синтаксис: if (maize.stage_name = ‘gather_ripe’ and maize.plant_status = ‘alive’), то уборка кукурузы кукуруза kill_crop кукуруза end_crop endif if (maize.plant_status = ‘dead’), затем сообщите do_output урожай кукурузы кукурузы end_crop endif if (день> 120 и день <240 и maize.plant_status = 'out'), то посевы кукурузы = 15 (p / m2), seowing_depth = 50 (мм), row_spacing = 0.35 (м), сорт = катумани, fertile_tiller_no = 0 endif (примечание: расстояние между рядами в команде посева необязательно)

Посев в пропущенные ряды

посевов кукурузы = 15 (п / м2), глубина посева = 50 (мм), расстояние между рядами = 0,35 (м), сорт = катумани, fertile_tiller_no = 0, skip = single

Пропуск ряда высева может быть задан с помощью ключевого слова skip в команде посева со значением «одинарный», «двойной» или «сплошной». Одиночный скип состоит из двух рядов культур, за которыми следует один не посаженный ряд, тогда как двойной скип состоит из двух рядов культур, за которыми следуют два не посаженных ряда.Сплошная посадка ведет себя, поскольку не указана информация о пропущенном ряду. В настоящее время переход на перехват света — единственный эффект пропуска посева на рост урожая.

Модуль вывода кукурузы

Следующая переменная кукурузы может быть выведена через модуль отчетов

Проверка модуля кукурузы

Модель кукурузы была проверена на широком диапазоне наборов данных из тропических и субтропических регионов Австралии, полузасушливой Кении и США (Таблица 1).Общая производительность модели с объединенным набором этих данных представлена ​​на следующем рисунке. В целом производительность модели была хорошей, особенно в отношении урожайности зерна, который обычно является наиболее важной переменной для моделирования. Диапазон урожайности зерна составлял от 0 до 17,3 т га -1. Значение r-квадрат для наблюдаемой и прогнозируемой урожайности зерна составило 89%.

Таблица 1: Подробная информация о наборах данных, используемых для проверки модуля культуры кукурузы.

Проверка производительности модели для отдельных экспериментов показывает, что она моделирует ключевые реакции на основные агрономические переменные. Например, на следующих рисунках показаны характеристики модели для реакции на плотность популяции растений как в условиях дефицита, так и в условиях благоприятной воды (эксперимент bmw6, проведенный в Катумани, Кения, с композитными сортами DLC для засушливых земель и композитными сортами KCB Катумани) и азота (эксперимент jmw2, проведенный в Кибоко, Кибоко, США). Кения с сортом KCB) поставка.

Список литературы

Carberry, P. S .; Мучоу, Р. К. и МакКаун, Р. Л. 1989. Тестирование имитационной модели CERES-кукурузы в полузасушливых тропических условиях. Исследование полевых культур, 20: 297-315.

Carberry, PS и Abrecht, DG, 1991. Адаптация моделей сельскохозяйственных культур к полузасушливым тропикам: In: RC Muchow and JA Bellamy (Eds) Климатический риск в растениеводстве: модели и управление в полузасушливых тропиках и субтропиках . Такси Интернешнл, Уоллингфорд. С. 157-182.

Эдмидс, Г. О. и Дейнард, Т. Б. 1979. Взаимосвязь между конечной урожайностью и фотосинтезом во время цветения у отдельных растений кукурузы. Канадский журнал растениеводства 59: 585-601.

Джонс, К. А. и Кинири, Дж. Р. 1986. ЦЕРЕС-кукуруза: имитационная модель роста и развития кукурузы. Издательство Техасского университета A&M, Колледж-Стейшн, Техас, 194 стр.

Китинг, Б. А .; Годвин, Д. С .; Ватики, Дж. М. 1991. Оптимизация поступления азота в ответ на климатический риск.В: RC Muchow и JA Bellamy (ред.) Климатический риск в растениеводстве: модели и управление в полузасушливых тропиках и субтропиках. Такси Интернешнл, Уоллингфорд. С. 329-358.

Китинг Б. А. и Вафула Б. М. 1992. Моделирование полностью расширенной площади листьев кукурузы. Исследование полевых культур, 29: 163-176.

Китинг Б. А., Вафула Б. М. и Ватики Дж. М. 1992. Разработка возможностей моделирования кукурузы в полузасушливых районах восточной Кении. В: Probert, M. E. (1992) Поиск стратегий устойчивого земледелия на засушливых землях в полузасушливых районах восточной Кении.Материалы симпозиума, состоявшегося в Найроби, Кения, 10-11 декабря 1990 г. Протоколы ACIAR № 41, 138 стр.

Мучоу, Р. К. 1989. Сравнительная продуктивность кукурузы, сорго и проса в полузасушливых тропических условиях. I. Потенциал урожайности. Исследование полевых культур 20: 191-205.

Мучоу, Р. К. 1989. Сравнительная продуктивность кукурузы, сорго и проса в полузасушливых тропических условиях. II. Эффект дефицита воды. Исследование полевых культур 20: 207-219.

Muchow, R.C. 1994. Влияние азота на определение урожайности орошаемой кукурузы в тропических и субтропических средах. Исследования полевых культур 38: 1-13.

Мучоу, Р. К. и Карберри, П. С. 1990. Фенология и развитие листовой поверхности кукурузы, адаптированной к тропам. Исследование полевых культур, 20: 221-236.

Мучоу, Р. К., Синклер, Т. Р. и Беннет, Дж. М. 1990. Влияние температуры и солнечной радиации на потенциальный урожай кукурузы в разных местах. Агрономический журнал 82: 338-343.

Синклер, Т.Р. и Мучоу, Р. С. 1995. Влияние поступления азота на урожай кукурузы: I. Моделирование физиологических реакций. Агрономический журнал 87: 632-641.

Wilson, D. R .; Muchow, R.C. и Murgatroyd, C.J. 1995. Модельный анализ ограничений температуры и солнечной радиации для потенциальной урожайности кукурузы в прохладном климате. Исследования полевых культур, 43: 1-18.

(PDF) Гибрид-кукуруза — имитационная модель кукурузы, сочетающая два подхода к моделированию культур

Гибрид-кукуруза — имитационная модель, сочетающая два подхода к моделированию 153

Ссылки

Brisson, N., Гэри, К., Джастес, Э., Рош, Р., Мэри, Б.,

Рипоче, Д., Циммер, Д., Сьерра, Дж., Бертуцци, П.,

Бургер, П., Bussiere, F., Cabidoche, YM, Cellier,

P., Debaeke, P., Gaudillere, JP, Henault, C., Ma-

raux, F., Seguin, B. and Sinoquet, H., 2003 Обзор модели STICS

. Евро. J. Agron.

18, стр. 309–332.

Carberry, P.S., Muchow, R.C. и McCown, R.L.,

1989. Тестирование имитационной модели

CERES-кукурузы в полузасушливых тропических условиях.Поле

Crops Res. 20. С. 297–315.

Cassman, K.G., Dobermann, A., Walters, D.T.,

Yang, H.S., 2003. Удовлетворение спроса на зерновые, в то время как

защищает природные ресурсы и улучшает качество окружающей среды. Анну. Ред. Envi-

ron. Ресурс. 28, 10.1-10.4410.1146 / аннурьев.

energy. 28.040202.122858

Earl, H.J. и Tollenaar, M., 1998. Различия между товарной кукурузой

(Zea mays L.) гибриды в респ-

нормах зрелых листьев. Полевые культуры Res. 59,

с. 9–19.

Edmeades, G.O., Bolanos, J., 2001. Проблемы, возникающие в связи с использованием CERES

для выращивания тропической кукурузы. В: Директивах

по моделированию пшеницы и кукурузы для развивающихся стран

. Материалы семинара

на CIMMYT, Эль-Батан, Мексика, 4–6 мая 1998 г.

NRG-GIS Series 01-02. СИММИТ, Мексика, DF,

стр.13–17.

Ehleringer, J. и Pearcy, R.W., 1983. Вариация квантового выхода

для поглощения CO2 среди растений C3 и C4

. Plant Physiol. 73. С. 555–559.

Evans, L.T., 1993. Эволюция сельскохозяйственных культур, адаптация и

урожайность. Издательство Кембриджского университета, Кембридж,

Великобритания.

Fakorede, M.A.B. и Mock, J.J., 1980. Анализ роста сортовых гибридов кукурузы

, полученных в результате двух программ повторяющейся селекции

на зерно.Новый

Фитол. 85. С. 393–408.

Фишер Г., Шах М., ван Велтуизен Х., Нахтер-

гаеле Ф.О., 2000. Глобальная агроэкологическая оценка

для сельского хозяйства в 21 веке. В: Pro-

ceedings IIASA, Вена.

Goudriaan, J., 1986. Простой и быстрый числовой метод

для вычисления дневных итогов фотосинтеза урожая

. Agric. Forest Meteorol. 38,

с.249–254.

Goudriaan, J., van Laar, H.H., 1994. Modeling Poten-

tial процессы выращивания сельскохозяйственных культур: Учебник с Exer-

cises. Kluwer Academic Publishers, Дордрехт,

Бостон.

Hammer, G.L., Kropff, M.J., Sinclair, T.R. и Por-

ter, J.R., 2002. Будущее усовершенствование сельскохозяйственных культур —

eling — от эвристики и принятия вспомогательного решения

до понимания генетической регуляции и

помощи в улучшении сельскохозяйственных культур.Евро. J. Agron. 18. С.

15–31.

Хансен, Дж. У., 2002. Осознание потенциальных выгод

прогнозирования климата для сельского хозяйства: проблемы, подходы.

подходы, проблемы. Agric. Syst. 74. С. 309–330.

Ходжес, Т., Ботнер, Д., Сакамото, К. и Хейс-Ханг,

J., 1987. Использование модели CERES-Maize для оценки производства мате

для Корнбелт в США. Agric. Для.

Meteorol. 40. С. 293–303.

Джонс, К.А., Кинири, Дж. Р., 1986. ЦЕРЕС-кукуруза: модель роста и развития кукурузы Sim-

—

. Издательство Техасского университета A&M, College Sta

tion, TX.

Джонс, Дж. У., Хугенбум, Г., Портер, К. Х., Буут,

К. Дж., Бэтчелор, У. Д., Хант, Л. А., Уилкенс, П. У.,

Сингх, Ю., Гийсман, А. Дж. and Ritchie, J.T., 2003.

Модель системы земледелия DSSAT. Евро. J.

Agron. 18. С. 235–265.

Китинг, Б.А., Вафула Б. and Waitiki, J.M., 1992.

Развитие возможностей моделирования кукурузы

в полузасушливых районах восточной Кении. ACIAR Proc. 41, стр.

26–33.

Kiniry, J.R., Tischler, C.R., Rosenthal, W.D. and Gerik,

T.J., 1992. Неструктурное использование углеводов —

сорго и кукуруза, затененные во время роста зерна

Crop Sci. 32. С. 131–137.

Кинири, Дж. Р., Уильямс, Дж. Р., Вандерлип, Р. Л., Этвуд,

Дж.D., Reicosky, D.C., Mulliken, J., Cox, W.J., Mas-

cagni, H.J., Hollinger, S.E. и Wiebold, W.J.,

1997. Оценка двух моделей кукурузы для девяти

населенных пунктов США. Агрон. J. 89, pp. 421–426.

Kropff, M.J., Vossen, F.J.H., Spitters, C.J.T. and de

Groot, W., 1984. Конкуренция между культурой кукурузы

и естественной популяцией Echinochloa

Crus-galli (L.). Нидерланды J. Agric. Sci. 32, стр.

324–327.

Кропфф, М.Дж., ван Лаар, Х.Х., 1993. Моделирование сельскохозяйственных культур —

Взаимодействие с сорняками.