《Frontiers in Plant Science》：Application of crop growth models in crop yield assessment
编辑推荐：
全球粮食安全正面临严峻挑战，主要源于气温上升、极端天气事件频发、水资源日益短缺、耕地减少、国际粮食贸易波动及粮食需求增长。作物生产系统是由作物品种、气候条件、土壤属性和管理措施共同影响的复杂多因子动态系统，表现出强烈的时空变异性。作物生长模型已成为智慧农业的关
全球粮食安全正面临严峻挑战，主要源于气温上升、极端天气事件频发、水资源日益短缺、耕地减少、国际粮食贸易波动及粮食需求增长。作物生产系统是由作物品种、气候条件、土壤属性和管理措施共同影响的复杂多因子动态系统，表现出强烈的时空变异性。作物生长模型已成为智慧农业的关键工具，它综合了作物生理学、生态学、气象学、土壤学和农艺学的知识，能够动态模拟作物生长过程。本系统性综述聚焦于作物生长建模的六个关键方面：(1) 主要作物模型的介绍；(2) 评估气候变化对作物产量的影响；(3) 预测产量潜力和产量差；(4) 识别产量限制因子；(5) 制定适应策略；(6) 挑战与未来研究方向。未来的研究应重点关注作物生长模型与遥感、物联网(IoT)、大数据、云计算和人工智能技术的深度融合，以建立智能化的“天-空-地”一体化决策系统，支持精准化、无人化和气候韧性农业的发展。
1 引言
全球粮食安全近年来受到气温升高、极端天气、水资源短缺等多重因素的威胁。气候变化已成为农业生产力最关键的风险之一，直接影响作物的生长、物候和产量形成。为了保障粮食安全，系统评估气候变化对作物生产的影响至关重要。提高粮食产量的途径主要包括扩大耕地面积与提高单位面积产量，而在强调生态和谐的背景下，缩小产量差、挖掘单产潜力被认为是更具战略意义的路径。然而，作物生产系统受品种、气候、土壤和管理等多因素交互影响，存在显著的时空变异性和经验依赖性，这给区域产量评估带来了不确定性。作物生长模型作为智慧农业的核心工具，基于数学框架和算法，整合了作物生理生态及环境互作(G×E×M)原理，能够快速、科学地量化气候、遗传、管理和土壤对作物生长及产量形成的动态过程。该模型通过与气候情景（如CMIP5/CMIP6和RCP/SSP路径）耦合，已成为评估气候变化影响、预测产量潜力、识别限制因子及制定适应策略的重要技术手段。本文综述将围绕作物生长模型的介绍、气候变化影响评估、产量潜力与产量差预测、限制因子识别、适应策略制定以及挑战与未来方向这六个方面展开。
2 作物生长模型的介绍
随着对作物生长动态理解的深入，科学家利用系统分析和计算机模拟技术，结合多学科知识开发了作物生长模型。自20世纪60年代以来，模型已从简单的光合作用模拟演变为整合生理、生态、土壤和气象过程的综合工具。目前，国际上已建立了数十种广泛应用的模型，如DSSAT、APSIM、ORYZA、WOFOST和AquaCrop等。这些模型在开发框架、结构和算法上各有侧重，例如APSIM具有模块化架构，AquaCrop以水分为驱动且参数较少，DSSAT则拥有统一的土壤模块和多种作物模板。此外，农业模型比较与改进项目(AgMIP)推动了模型的互比与集成，研究表明多模型集合方法能有效降低由模型结构、参数和输入引起的模拟不确定性，提高了气候变化影响评估和粮食安全分析的可靠性。
3 评估气候变化导致的产量变化
世界气象组织(WMO)的报告指出地球能量失衡处于高位，气候变暖已成为不争的事实。气候变化通过改变温度、降水格局、极端事件频率和CO2浓度影响作物生产。在生理生化层面，气候变化影响叶片发育、生长速率、光合速率、冠层衰老和根系伸长等关键过程。在区域尺度上，升温改变了适宜种植区分布和作物生长周期，促使种植制度调整。作物生长模型结合历史气象数据与未来气候情景，能够突破田间试验的地域局限性，在大尺度上评估气候变化对作物生产的影响。例如，利用多模型集合模拟表明，在1.5°C和2.0°C升温情景下，中国冬小麦产区表现出南北响应的异质性；而对孟加拉国雨养玉米的研究则揭示了未来灌溉需水量的显著增加。这些研究证实了模型在量化气候-作物互作、识别区域脆弱性方面的优势。
4 预测作物产量潜力与产量差
提高单位面积产量、缩小产量差是保障粮食安全的有效途径。本研究提出了一个新颖的概念框架，区分了实际产量、可开发产量（Exploitable yield，通常定义为潜在产量的75%-85%）和潜在产量（Potential yield）。潜在产量是指在水分、养分、病虫害均无限制条件下特定品种在当地气候资源支撑下的最大理论产量；可开发产量则是在最优管理下实际可达的高产水平。产量差研究旨在明确增产空间。目前预测产量潜力的方法主要包括田间试验、农户调查和作物模型模拟。相比前两者，作物生长模型具有高效、低成本的优势，能够整合气候、土壤和品种数据进行大尺度量化。多项研究证实，利用模型评估全球及区域尺度的产量差，对于指导增产优化和生产布局具有重要科学意义。
5 识别产量限制因子
作物产量受气候、遗传潜力、农艺措施和土壤属性的共同制约。气候变化增加了生产系统的不稳定性；品种特性对产量形成起决定性作用，现代育种技术显著提升了区域生产力；管理措施（如播期调整、施肥、水分管理）则是比育种见效更快的调节手段；土壤作为作物生长的介质，其理化性质直接决定根系发育和养分吸收效率。作物生长模型凭借其机理性、动态性和预测性，能够分解各因子对最终产量的单独贡献。例如，通过模型模拟可以量化气候波动、品种更替和肥料投入在不同时期对产量变异的具体贡献率，从而科学地识别出限制当期产量的主导因子，为精准农艺干预提供理论依据。
6 制定适应策略
作物生长模型能够模拟不同管理措施下的作物响应，被广泛用于制定减缓气候变化影响的适应策略。主要包括三个方面：一是优化播期和品种选择，例如在华北平原通过调整播期和选用耐热品种可显著抵消高温胁迫，全球尺度的虚拟品种试验也证明引入适应性品种能抵消大部分气候损失；二是优化灌溉与水管理，模型研究显示在干旱地区采用耐旱品种结合灌溉可有效缓解水分胁迫，提高水分利用效率；三是优化氮肥管理，利用模型设计需氮量匹配的施肥策略，能在维持产量的同时提高氮肥利用率和籽粒蛋白质含量。此外，模型还可用于设计面向未来气候的理想株型。这些研究共同表明，模型是设计、评估和优选区域适应性策略不可或缺的平台。
7 挑战与未来研究
将机器学习(ML)和深度学习(DL)技术与作物生长模型结合以提升智能决策是当前的焦点。例如，利用ML算法优化施肥灌溉，或利用LSTM网络改进模型对极端气候事件的响应模拟。然而，当前模型仍面临多重挑战：首先，现有模型多针对单一胁迫开发，对多重非生物胁迫的交互作用（协同或拮抗）模拟不足；其次，模型中的品种参数难以直接与基因或QTL关联，限制了其在育种中G×E×M模拟的应用。未来研究应致力于发展过程模型与DL算法的混合建模，改进多重胁迫算法，并建立新一代连接基因型-表型的模型。最终，作物生长模型将与遥感、物联网(IoT)、大数据、云计算和人工智能深度融合，构建“天-空-地”一体化的智能农业决策系统，实现精准的生产预测、风险预警和资源优化配置，推动农业向无人化和智能化转型。
8 结论
随着农业技术的进步，作物生长模型在风险评估、产量预测、限制因子识别和适应策略制定中发挥着日益关键的作用。未来，通过与新兴信息技术的深度集成，作物生长模型将在全球粮食安全评估、气候风险管理和种植系统优化中展现出更大的应用价值。
