科研之友
微信
新浪微博
Facebook
分享链接
摘要
发育模式是预测作物发育对气候变化响应的主要工具。模式在变暖环境下的适用性对作物产量评估有重要影响。本研究比较了机器学习算法(多层感知器神经网络, MLP)以及3个机理发育模式[MAIS (maize simulation)、Beta和耦合响应与适应机制的模式(RAM)]在变暖环境下的适用性。选择东北春玉米和华北夏玉米具有20年以上物候观测的站点,使用发育期资料及同期的逐日气象数据,按生长季均温异常度,将观测年份划分为冷、暖年。冷年数据用于率定模式参数,暖年数据用于验证变暖环境下模式的表现。根据冷暖年表现的差异评价模式在变暖情景下的适用性。评价指标包括归一化均方根误差(NRMSE)、平均偏差(MBE)和模拟误差随发育阶段均温的趋势。结果表明:在冷年校正时, MLP的模拟精度明显高于机理发育模式,机理发育模式中RAM表现最优,其次是Beta和MAIS。MAIS和Beta模拟值略早于观测值,而RAM和MLP普遍迟于观测值。机理发育模式的误差随发育阶段均温有显著趋势的站点比例明显低于MLP, 3个机理发育模式中, Beta有显著趋势的站点比例最小,其次是RAM和MAIS。在变暖情景下进行验证, Beta模拟精度表现最好,其次是MLP和RAM, MAIS表现较差。3个机理发育模式模拟值早于观测值,而MLP迟于观测值。除MLP以外的模式模拟误差随发育阶段均温有显著趋势的站点比例较冷年均增大。4个模式中Beta有显著趋势的站点比例最小,其次是MLP、MAIS和RAM。整体来看,没有一个模式在校正和验证阶段均全面占优, MLP虽然冷年校正时最优,但暖年表现较差,而机理发育模式虽然冷年校正时不是最优,但暖年验证时表现较好。本研究认为,不同模式有不同的适用场景,关注准确反演历史气候变化对发育期影响时,建议采用MLP,而关注准确预测未来气候变化对发育期影响时,应以机理发育模式为主。
- 单位
