近日,我院何建强教授团队科研取得新进展,连续在《Agricultural and Forest Meteorology》(中科院一区,双一流B类)和《European Journal of Agronomy》(中科院一区)在线发表高水平论文各1篇。
2020年2月12日,《Agricultural and Forest Meteorology》在线发表新浦金350vip官方何建强教授为通讯作者的研究论文“ Dynamic within-season irrigation scheduling for maize production in Northwest China: A Method Based on Weather Data Fusion and yield prediction by DSSAT ”,该论文提出了一种新的气象数据融合方法和玉米当季动态灌溉策略。作物的灌溉管理涉及到土壤-植物-大气连续体,尽管基于田间试验和统计方法确定的灌溉策略能够满足作物生长阶段的水分需求,然而田间试验的年份类型和处理有限,传统的灌溉方法无法量化不同年份和地区不同天气条件、作物基因型、土壤类型和农艺措施下灌溉日期和灌水量对作物生长发育的影响。作物模型能够综合考虑基因型X环境X管理措施之间互作关系,被广泛地应用到制定灌溉制度和作物产量预测,但是现有的研究大多是使用作物模型对作物生长发育过程的“重现”,重要的原因就是作物模型在运行时所需的气象数据序列要求覆盖作物生育期,缺乏准确性高的长期天气预报。本研究通过结合当地历史和每日新测量的天气数据,可以在生长季的每一天生成天气序列,并将50年的气象数据作为50种情景获得预测产量,在每天获得的50个气象产量中取中位数作为该天的预测产量。
2020年2月28日,《European Journal of Agronomy》在线发表何建强教授为通讯作者的研究论文“ Estimating crop genetic parameters for DSSAT with modified PEST software ”,使用R语言实现了PEST程序和DSSAT模型的结合。在5种作物(玉米、大豆、小麦、水稻和棉花)上比较了三种调参方法(试错法、DSSAT-GLUE和DSSAT-PEST),对于5种作物而言,DSSAT-PEST相关田间观测与模型模拟之间的平均绝对相对误差(ARES)分别为12%、7%、18%、4%和19%,与DSSAT-GLUE和DEFAULT方法的结果相近或更好。此外,DSSAT-PEST的平均运行时间约为DSSAT-GLUE的65%。总体而言,DSSAT-PEST软件包在优化效率和精度方面与传统的试探误差法和DSSAT-GLUE具有相似或更好的性能,这将促进DSSAT模型在农业和环境研究中的更广泛应用。
Publisher URL:
https://www.sciencedirect.com/science/article/pii/S0168192320300307?dgcid=rss_sd_all&utm_source=researcher_app&utm_medium=referral&utm_campaign=RESR_MRKT_Researcher_inbound
DOI:10.1016/j.agrformet.2020.107928
https://www.sciencedirect.com/science/article/pii/S1161030120300253?dgcid=rss_sd_all&utm_source=researcher_app&utm_medium=referral&utm_campaign=RESR_MRKT_Researcher_inbound
DOI:10.1016/j.eja.2020.126017