全 文 ：Vol131 , No15
pp1 545 - 550 　May , 2005作 　物 　学 　报ACTA A GRONOM ICA SIN ICA第 31 卷 第 5 期2005 年 5 月 　545～550 页
CERES2Rice 模型在中国主要水稻生态区的模拟及其检验
姚凤梅1 ,2 ,3 　许吟隆3 , 3 　冯　强4 　林而达3 　延晓冬1 Ξ
(1 中国科学院大气物理所东亚区域气候2环境重点实验室 ,北京 100029 ; 2 中国科学院研究生院 ,北京 100039 ; 3 中国农业科学院农业环境与
可持续发展研究所 ,北京 100081 ;4 中国科学院大气物理所中小尺度减灾中心 ,北京 100029)
摘 　要 : 本文利用水稻生长观测资料和气象资料 ,采用 CERES2Rice 模型在中国主要稻区开展应用研究 ,对水稻产量、开
花期和生物量等的模拟能力进行了评价。所选试验站点分布在不同的水稻生态区 ,地跨北纬 20°02′(海南海口) 至北纬
45°45′(黑龙江五常) 。结果表明 ,在不同的水稻生态区 ,CERES2Rice 模型模拟水稻开花期、每平方米粒数、单位产量及生
物量的误差在合理的范围内 ,其中模拟开花期分布在 - 10 %～ + 15 %的相对误差线内 ,模拟产量分布在 - 15 %～ + 20 %
相对误差范围内 ,模拟和观测值的分布具有很好的一致性。如果考虑田间观测 10 %～15 %的误差 ,且排除害虫和病害
的影响可得出以下结论 :在中国不同水稻生态区 ,应用文中的水稻品种 ,该模型能够合理模拟水稻开花期、产量、生物量
及产量构成要素 (每平方米粒数) 。
关键词 : CERES2Rice 模型 ;水稻生态区 ;模拟与检验
中图分类号 : S511
Simulation and Validation of CERES2Rice Model in Main Rice Ecological Zones in
China
YAO Feng2Mei1 ,2 ,3 , XU Yin2Long3 , 3 , FEN G Qiang4 , L IN Er2Da3 , YAN Xiao2Dong1
(1 Key Laboratory of Regional Climate2environment for Temperate East Asia , Institute of Atmospheric Physics , Chinese Academy of Sciences , Beijing 100029 ;
2 Graduate School of Chinese Academy of Sciences , Beijing 100039 ; 3 Institute of Agricultural Environment and Sustainable Development , Chinese Academy of
Agricultural Sciences , Beijing 100081 ; 4 Center of Disaster Reduction , Institute of Atmospheric Physics , Chinese Academy of Sciences , Beijing 100029 , China)
Abstract : The impact assessment model CERES2Rice was applied in various rice agro2ecological zones in China1
CERES2Rice model used for simulating growth and yield is sensitive to climate change parameters , and represents
one major school of crop modeling1 In this study , a set of data with 129 experiments was used as inputs of crop
model1 These experiments were conducted over the period of 1981 - 2000 in diverse Chinese locations from 20°02′N
( Haikou) to 45°45′N ( Wuchang) . Representative nineteen rice experiment stations were chosen from six rice
ecological regions of China1 These experiments varied in N management , sowing dates , cultivars and seasons1 The
flowering duration in the datasets varied from 77 to 135 days and yields from 3 104 to 11 448 kgΠha1 28 experiments
from these data , one for each cultivar , were selected for calibration of the model and calculating genetic coefficients1
The genetic coefficients of different varieties used in validating model were estimated by repeated adjusting until a
close match between simulated and observed phenology and yield were obtained1 The results showed that , in various
rice agro2ecological zones in China , the simulation by CERES2Rice model is adequately in agreement with the
observation and the errors between them are within the error range of reliability1 The deviations of simulated
flowering duration was within ( - 10 %) - ( + 15 %) of the observed and simulated yields within ( - 15 %) - ( +
20 %) of the measurement1 If the errors of ( ±10 %) - ( ±20 %) of the observation are considered and all the
impacts of pests and diseases freed from , it was concluded that the model can predict satisfactorily the trends of days
to flowering , grain number per m2 , yields and biomass in diverse agro2environments of China1
Key words :CERES2Rice model ; Rice ecological zones ; Simulation and validation
基金项目 : 国家科技攻关课题 (20012BA611B202) 、中国科学院重大项目 ( KZCXl2SW201211) 。
作者简介 : 姚凤梅 (1968 - ) ,山东定陶人 ,中国科学院大气物理研究所在读博士。研究方向 :全球气候变化。 3 通讯作者 :许吟隆 ,中国农
业科学院环发所研究员 ,研究方向 :气候变化的情景预估与影响评估。E2mail :xuyl @ami1ac1cn
Received(收稿日期) :2004204229 ,Accepted (接受日期) :20042082151

　　未来气候变化对农业的影响已成为目前国内外
研究的热点[ 1 ] 。国内外相继开展了利用大气环流模
式 ( GCMs)和作物模式相联接评价气候变化情景下
作物产量的变化情景[ 2～6 ] ,为地区和国家制定气候
变化的适应政策和环境外交政策提供科学依据。作
物生长模式 ,是基于作物生理过程及作物的生长、发
育和产量形成过程进行动态模拟的一系列数学公式
的综合[ 7 ,8 ] ,也是研究气候变化对农业影响评价的
有效工具之一。
目前 ,国际上作物生长模型研究有了很大的发
展[ 9～12 ] ,其中美国的 CERES ( Crop2Environment
Resource Synthesis System) 系列模型是有代表性的
作物模式 ,包括了主要禾谷类作物的模拟模型 ,如
CERES2Wheat、CERES2Rice、CERES2Maize 等 , 这
些模式可以较好地模拟天气、土壤、栽培管理和品种
遗传参数特性对作物生长发育和产量的影响 ,作为
气候变化对农业影响的评价模式在国际上被广泛应
用[ 13～17 ] 。我国学者应用 CERES 系列模式进行了
一些研究[ 18～20 ] ,其中对 CERES2Wheat 模型应用研
究较多 ,由于实际观测试验资料有限 ,CERES2Rice
模型的应用和检验的研究较少 ,目前用多站点和长
时间序列的田间实验资料对 CERES2Rice 模型在我
国水稻生态区检验的相关文献还没有见到。我国稻
区辽阔 ,北至黑龙江 ,南至海南岛 ,东至台湾岛 ,西至
新疆自治区 ,各地生态环境和种植制度以及管理措
施殊异 ,对不同水稻生态区多站点、长时间序列模
拟 ,目的是对模型校正和模拟检验 , 总体评价
CERES2Rice 模型对不同水稻生态区的代表品种的
模拟能力和模拟水稻产量对气候变化的响应 ,确定
稳定品种遗传参数 ,并应用于未来的产量情景预测。
因此 ,这项工作对应用 CERES2Rice 模型 ,评价未来
气候变化对水稻影响的可靠性非常重要。
1 　资料和方法
111 　CERES2Rice 模型简介
　　本文选用 DSSA T (the Decision Support System
for Agrotechnology Transfer) 315 版本系列模型中
CERES2Rice 模型 ,该模型以日值为步长模拟水稻的
生长和产量 ,有关文献对 CERES2Rice 模型进行了
详细描述[ 21 ] ,本文对影响水稻生长和产量的温度因
子进行简单描述。
CERES2Rice 模型由 4 个子程序组成 ,即土壤水
分平 衡 程 序 ( WA TBAL ) 、氮 素 平 衡 子 程 序
(N TRANS) 、物候发育子程序 ( PHENOL) 和生长子
程序 ( GROSUB) 。
净光合速率 (CARBO) 是用冠层辐射利用效率
(RU E) 、冠层光合有效辐射 ( PAR) 、叶面积指数
(LAI)和消光系数 ( K)描述的。CARBO = RUE×PAR
×[1 - exp ( - k ×LAI) ] ,其中辐射利用效率 RU E
选用 2195 g·MJ - 1 。
CERES2Rice 模型对水稻发育速率用逐日温·时
(daily thermal time , 简称 D TTi)表征 (单位 : ℃·d) ,
模型假定光合作用适宜温度为 14～32 ℃,超过这个
范围光合速率将下降 ,日均温度在 8～32 ℃时发育
速率与日均温呈线性关系 ;当超出这一范围时 ,采用
另一种方法计算 D TTi ,同时考虑温度、水分和氮肥
对水稻生产的胁迫作用 ,其胁迫系数在 0～1 之
间[ 22 ] 。CERES2Rice 模型有 8 个遗传参数 ,其中 4
个与发育特性有关 ,包括完成基本营养生长期所需
要的温·时 ( P1 ) 、从作物幼穗分化到产生圆锥花序所
需的温·时 ( P2 R) 、作物生长最盛时期的光周期和日
长时间 ( P2 O) 。另外 4 个与产量形成有关 ,包括日
辐射与同化物之间的转换系数 ( G1 ) ; 分蘖速度
( G2 ) ;籽粒大小 ( G3 ) ;温度容忍系数 ( G4 ) 。CERES2
Rice 模型不仅可以动态模拟自然因素 (天气、土壤和
地理位置等) 、栽培管理措施 (排灌、施肥、品种、播期
和密度等)和遗传特征等因子对水稻发育和器官形
成及叶片衰老和干物质形成与分配等动态过程的影
响 ,还能模拟土壤养分和水分平衡等。
CERES2Rice 模型对 CO2 浓度的变化比较敏
感 ,可以模拟 CO2 对水稻的生理影响。能模拟由于
CO2 浓度升高引起的光合作用和蒸腾作用的变化 ,
计算一定 CO2 浓度下冠层光合作用和蒸腾作用的
比率。稻田蒸散对 CO2 浓度增加的响应是通过增
加气孔阻力实现的 ,本文所选试验为充分灌溉水稻 ,
没有考虑水分胁迫。本文利用模型对试验站点的历
史产量模拟 ,所以 CO2 浓度设定为 330 ×10 - 6 ,没有
考虑 CO2 浓度的变化对水稻生理的影响。
模型需要输入以日为单位的气象资料 ,包括逐
日最高温度、最低温度、太阳辐射量和降雨量 ;土壤
参数包括土壤性质和土壤剖面特征 ,即土壤分层数、
坡度、顶层颜色、土壤渗透和排水性、土壤机械组成、
有机碳含量、容重、含氮量、p H 值、Al 饱和度、盐基
交换率、土壤根系量 ;水稻农艺性状参数包括单位产
量、每平方米粒数、穗粒数、粒重、茎重、开花期和成
645 　　　　作 　　物 　　学 　　报 第 31 卷 　

熟期天数 ;田间管理资料包括播种日期、播种深度、
播种地所处纬度、移栽日期、收获日期、种植密度和
方式、施肥和灌溉管理等。模型根据温度、日长和品
种遗传特性算出作物的物候进展 ,种植密度为计算单
位面积的生物量的光截获量提供信息。水分和氮平
衡子模式提供影响作物生长和发育过程的反馈信息。
112 　模型校正和遗传参数确定
通过模型校正来确定稳定的品种遗传参数 ,然
后将其用于模型的模拟。模型校正的过程也就是遗
传参数确定的过程。遗传参数也就是品种特性的反
映 ,我国一些水稻品种特性和模型中供试品种遗传
参数不尽相符 ,因此在调试遗传参数时 ,需调整模型
中遗传参数阈值范围。为提高模型检验结果的可信
度以及确定准确的品种参数 ,根据中国稻区的不同
生态区及其资料 ,从大量田间试验数据中选用至少
连续种植两年的试验品种 ,尽量选择同一品种异地
种植的代表性品种 ;选择水肥及气象条件比较好的
试验。本文从中国气象局气象资料中心提供的
1981 - 2000 年大量农业试验站田间试验资料中选
取了 19 个站点 ,28 个试验用来标定模型和确定不
同品种遗传参数。试验站点分布在不同的水稻生态
区 ,从北纬 20°02′(海南省海口) 至北纬 45°45′(黑龙
江省五常) ,地理位置和气候条件以及田间管理措施
均不同。模型标定中所使用的田间数据 ,播种日期在
1 月 21 日到 7 月 1 日之间 ,移栽后行间距为 16～30
cm , 每穴株数 1～3 株 ,N 施用量是 30～350 kgΠhm2 。
表 1 用来标定和检验水稻模型的站点信息
Table 1 Information of stations selected for calibration and validation of rice model
站点
Station
经度
Longitude
纬度
Latitude
海拔
Altitude (m)
品种类型
Cultivar
年份
Year
土壤特征
Characteristic of soil
福建福州 119°17′ 26°05′ 8318 籼优 63
早籼 94199
1990 ,1991a - 1993
1994a , 1995
黏壤土 Clay loam
广东广州 113°19′ 23°08′ 6610 籼优 6
双桂 1
博优 64
梗籼 89
1985a
1986a - 1989
1990a , 1991
1992 - 1999a
黏壤土 Clay loam
海南海口 110°21′ 20°02′ 1411 籼优 63
籼优 6
1986 - 1988 , 1990 , 1991
1982 , 1985 , 1989 砂土 Sandy soil
广西南宁 108°21′ 22°49′ 7310 籼优桂 99
籼优 63
1989 - 1993 , 1994a - 1997
1999
砂质黏土 Sandy clay soil
安徽合肥 117°14′ 31°52′ 2719 籼 898 1996 , 1999 , 2000 砂质黏壤土 Sandy clay loam
湖北武汉 114°08′ 30°37′ 2313 籼优 63 1990 - 1993 砂质黏土 Sandy clay
湖南长沙 103°05′ 28°12′ 4419 湘矮早 9 1981a , 1984 , 1986 黏壤土　Clay loam
江西南昌 115°55′ 28°36′ 4617 籼优 63
赣早籼 14
1994 , 1997
1991 , 1992a , 1993
黏壤土　Clay loam
浙江金华 119°39′ 29°07′ 6216 籼优桂 33
籼优 63
协优 46
1990 , 1991a
1994
1997 , 1998a , 1999
黏壤土 Clay loam
四川成都 104°01′ 30°40′ 50611 特青 2
冈优 22
1989 - 1990a
1997 , 1999 , 2000a
黏土 Clay
贵州贵阳 105°45′ 26°19′ 127410 广二矮 104
籼优 63
1984 - 1987a
1993 - 2000a
砂质黏壤土 Sandy clay loam
云南昆明 102°41′ 25°01′ 189114 合系 26
云粳 136
1994 - 2000a
1986 , 1988 , 1989a
黏壤土 Clay loam
山东临沂 118°50 35°35′ 10714 临稻 3 1987 , 1990 - 1992a , 1993 黏壤土 Clay loam
河南信阳 114°03′ 32°08′ 11415 特三矮二 1993 , 1994a , 1996 砂质黏壤土 Sandy clay loam
河北遵化 117°57′ 40°12′ 5419 D10 1981 - 1983a 黏壤土 Clay loam
黑龙江五常 126°46′ 45°45′ 14213 系选 14
通 35
林中 5
1983 ,1985a
1998 , 2000a
1992a , 1993
黏壤土 Clay loam
辽宁灯塔 123°27′ 41°44′ 4218 辽盐 241 1993 - 1996a 砂质黏壤土 Sandy clay loam
吉林延吉 129°28′ 42°53 17618 藤系 138
藤系 103
1990 , 1991a
1995a , 1996
黏壤土 Clay loam
甘肃靖远 104°41′ 36°34′ 139812 小杂交 771313
粳 16
1989 - 1990a
1994 ,1996 - 1999a
黏壤土 Clay loam
　　注 :a 指用来模型校正和标定遗传参数的试验。Note : a indicates experiment used for calibration genetic coefficients1
　　模拟一个作物品种 ,模型需要 8 个遗传参数 ,本
模型对不同品种特性以及发育形状和产量性状的描
述 ,是通过遗传参数 (genetic parameter) 或品种参数
(variety parameter) 来实现的。遗传参数可以在严
745　第 5 期 姚凤梅等 :CERES2Rice 模型在中国主要水稻生态区的模拟及其检验 　　　

格控制的人工环境和生理试验下估算得到。本文采
用另一种方法 ,即利用数学上的拟合优度法[ 23 ] ,以
开花期、成熟期、产量、千粒重、生物量和平方米粒数
为状态变量 ,通过比较作物模型模拟结果与试验数
据之间的差异 ,在计算机上调试 ,寻找参数的最佳组
合 ,确定各品种的遗传参数 ,这些遗传参数被应用于
模型验证和模拟研究。
113 　模型检验
在 129 个田间试验中取 101 个用于检验模型
(另 28 个用于确定遗传参数试验) (表 1) ,有关播种
和移栽的管理措施和播种数量和株距以及施肥和灌
溉的应用记录数据被输入模型 ,用以模拟水稻开花
期、产量、平方米粒数和成熟期生物量。本文采用均
方根差方法 ,通过计算观测和模拟产量和开花期之间
的均方根差评价模型的精度 ,这是一种普遍使用的实
验调查方法 ,定量评价模拟输出和观测之间的误差。
RM S D = ∑
n
i = 1
(模拟值 i - 观测值 i) 2 Πn 015
　　这里 ,RMSD (the root2mean2square deviation) 为 均方根差 , n 为对比个数。2 　结果分析211 　开花期　　开花期是作物发育阶段和物候期的一个重要标志。应用作物模型进行动态模拟 ,开花期模拟精度对评价作物模型模拟能力至关重要。开花期是指从播种到第一个圆锥花序开始开花的天数。由于观测物候期记录资料有抽穗期没有开花期 ,而模型模拟输出开花期而没有抽穗期 ,一般开花期比抽穗期提前 1～2 d ,因此本文采用观测的开花期天数 = 观测的抽穗期天数 + 2 d。观测记录开花期天数变化从77 d (金华晚稻)到 135 d(昆明) ,而模拟值变化亦为87～147 d ,通过统计分析 ,模拟和观测值间的均方根差 RMSD = 710 d。除对福州 1～2 个试验处理的开花期太早和太晚的模拟误差比较大外 ,对于大多数站点试验处理模拟误差在 - 10 %～ + 15 %的观测值范围内 (图 1) 。
图 1 不同地点、田间管理、播种期和品种的模拟和观测开花期天数
Fig11 Days to flower duration observed and simulated with different f ield management ,sowing date and cultivars at different locations
212 　平方米粒数
每平方米粒数作为作物产量的构成部分 ,是植
株在生长发育中的植物学和生理指标。这个模型能
很好地预测 5 947～42 775 粒Πm2 。其中模型对广
州、临沂、贵阳、昆明和五常站点个别极高产量和极
低产量年份模拟相对误差偏大 (图 2) , 模拟和观测
值之间的误差分布在 ±20 %的相对误差线内 ,模型
模拟与观测值的分布具有很好的一致性。
213 　产量
对产量的模拟 ,在不同的地点、季节和品种以及
管理措施 ,模型模拟和观测值之间表现了很好的一
致性 ,观测产量范围是 3 104 kgΠhm2 (南昌) 到 11
448 kgΠhm2 (昆明) ,而模拟产量 3 308 kgΠhm2 到 12
683 kgΠhm2 。贵阳 1995 年的高产年模拟的误差比
较大 ,可以看出模型对高产的能力偏差一些 ,而对于
绝大部分站点 ,水稻模拟产量分布在 - 15 %～20 %
的误差线内。且模拟的产量大部分分布于 1∶1 实线
的上方 , 即模拟产量大于观测产量 ,模拟和观测值
间的均方根差 RMSD = 835 kgΠhm2 。
845 　　　　作 　　物 　　学 　　报 第 31 卷 　

图 2 不同地点、田间管理、播种期和品种的模拟和观测的每平方米粒数
Fig12 Observed and simulated grain number per m2 with different f ield management ,planting date and cultivars at different locations
图 3 不同地点、不同田间管理、不同播种期和不同品种的模拟和观测产量
Fig13 Observed and simulated yields in different f ield management ,planting date and cultivars at different locations
214 　收获期生物量
收获期生物量能够反映收获指数的合理性和干
物质分配的可靠性 ,收获期生物量的模拟精度的检
验也是对模型评价的重要一项。对比观测和模拟的
生物量结果 ,模拟和观测值的分布趋势表现了很好
的一致性 ,其分布趋近 1∶1 趋势线 (图 4)
图 4 不同地点、田间管理、播种期与品种模拟和观测的生物量
Fig14 Observed and simulated biomass in different f ield management ,planting date and cultivars at different locations
945　第 5 期 姚凤梅等 :CERES2Rice 模型在中国主要水稻生态区的模拟及其检验 　　　

3 　结论与讨论
通过模型对水稻的开花期、平方米粒数、产量和
生物量模拟值和观测值间的比较 ,总体上模型模拟
值和观测值分布表现了很好的一致性 ,考虑到害虫
和病害的影响以及干生物量的损失 ,模拟值和观测
值的相对误差是在合理的范围内。因此 ,在中国的
主要水稻生态区 ,应用文中的水稻品种 ,该模型能够
合理模拟水稻开花期和产量及产量构成要素。
由于观测试验资料的有限 ,本文仅对日照长度
和温度不敏感的中稻和对日照长度不敏感而对温度
敏感的早稻品种进行了模拟检验 ,缺少对日照长度
和温度皆敏感的晚稻的模拟。故目前本文的研究结
果只适用于我国的中稻和早稻 ,而模型对晚稻的适
用性有待进一步研究。
本文观测试验是灌溉稻 ,水分条件基本满足其
生长需要 ,因此模型模拟采用满足水稻生长的水分
需求 ,但是理想假设条件和实际人工控制的灌溉管
理、病害和害虫的发生都会造成产量和生物量的模
拟值大于观测值 ;同时由于人们对植被冠层理论研
究的有限性 ,模型理论上假定冠层结构是均匀一致
的 ,这种假定可能适用于机械化高的农业 ,对于人工
种植的田间播种方式不尽合理 ;模型没有考虑洪涝、
台风等灾害性天气的影响 ,这些也是植被模型研究
者普遍面临和亟待解决的难题。
致　谢 :感谢中国科学院大气物理研究所叶笃正院
士对本项工作提出的宝贵意见。感谢国家气象中心
资料室提供的农业气象站点的作物试验数据和气象
数据。感谢中日合作项目“气候变化对中国农业影
响的风险性评估”的支持。
References
[ 1 ] IPCC ( 2001 ) 1 Climate Change 2001 : Impact , Adaptation , and
Vulnerability1 Third Assessment Report of the Ingovernmental Panel on
Climate Change1 US: Cambridge University Press , 20011 1 032
[ 2 ] Mearns L O , Mavromatis T , Tsvetsinskaya E , Hays C , Easterling
W1 Comparative responses of EPIC and CERES crop models to
high and low spatial resolution climate change scenarios1 J
Geophysics Res , 1999 , 104 : 6 623 - 6 646
[ 3 ] Rosenberg N J1 Methodology for assessing regional agricultural
consequences of climate change1 S pecial Issue of A gric f or
Meteorol , 1992 , 59 : 1 - 127
[4 ] Rosenzweig C , Iglesias A1 The use of crop models for international
climate change impact assessment1 In : Tsuji G Y, Hoogenboom G,
Thornton P K eds1 Understanding Options for Agricultural Production1
London : Kluwer Academic Publishers , 19981 267 - 292
[ 5 ] Lin E2D(林而达) ,Zhang H2X(张厚宣) ,Wang J2H(王京华) eds.
Simulation of Impacts of Global Climate Change on Agriculture in
China (全球气候变化对中国农业的影响) . Beijing : China
Agriculture Press , 1997 (in Chinese)
[ 6 ] Winters1 Climate change and agriculture effects on developing
countries1 In : Global Environment Change and Agriculture1
Frisvold G, Kuhn B eds1 Cheltenhanm , United Kingdom : Edward
Elgar Publishers , 1999
[ 7 ] Curry R B1 Dynamoc simulation of plant growth1 Ⅰ1 Development
of a model1 Transactions of the A SA E , 1971 , 14 (5) : 946 - 954
[ 8 ] Montieth J L1 The quest for balance in modelling1 A gronomy J ,
1996 , 88 : 695 - 697
[ 9 ] Zhang J2H (张佳华) 1 Study on the models for evaluating primary
productivity of natural vegetation and crop yields1 Acta
A gricult urae S hanghai (上海农业学报) , 2001 ,17 (3) : 83 - 89
(in Chinese with English abstract)
[ 10 ] Gao L2Z(高亮之) 1 Agricultural modelling research and agricultural
sciences in the 21st century1 S handong A gri Sci (山东农业科学) ,
2001 , (1) : 43 - 46
[ 11 ] Lin Z2H(林忠辉) , Mo X2G( 莫兴国) , Xiang Y2Q (项月琴) 1
Research advances on crop growth models1 Acta A gronomica
Sinica (作物学报) , 2003 , 29 (5) : 750 - 758 (in Chinese with
English abstract)
[ 12 ] Yan L2J (严力蛟) 1 View and study on crop model simulation1
System Sciences and Com prehensive St udies in A gricult ure (农业
系统科学与综合研究) , 1998 , (2) : 129 (in Chinese)
[13 ] Ritchie J T , Otter S1 Description and performance of CERES2Wheat :
A user —oriented wheat yield model1 In : Willis WOARS Wheat Yield
Project1 US: USDA2ARS , ARS238 , 19851 159 - 175
[ 14 ] Ghaffari A , Cook H F , Lee H C1 Climate change and winter
wheat management : A modelling scenario for South2Eastern
England1 Cli m Change , 2002 , (55) : 509 - 533
[ 15 ] Jones C A , Kiniry J R1 CERES2Maize : A Simulation Model of
Maize Growth and Development1 College Station1 US : Texas
A &M Univ Press , 1986
[ 16 ] IBSAN T1 Documentation for IBSAN T Crop Model Input and
Output Files , Version 111 , for the Decision Support System for
Agro2technology Transfer ( DSSAT V211 ) 1 Honolulu , US :
IBSAN T Tech Rep 51 Dept of Agronomy and Soil Sci , College of
Tropical Agric and Human Resources , Univ of Hawaii , 1990
[ 17 ] Alocilja E C , Ritchie J T1 A model for the Phenology of Rice1 In :
Hodges T eds1 Predicting Crop Phenology , Boca Raton , Florida :
CRC Press , 1991 , 181 - 189
[ 18 ] Zhao S2Q (赵四强) , Zhang Y (张宇) , Wang J2L (王建林) 1
Introduction on DSSAT and analysis on results of application1 In :
Experiment and Study on Impacts of Climate Change on
Agriculture in China (气候变化对中国农业影响的试验与研究)1 Beijing : Meteorology Press , 19911 163 - 169 (in Chinese)
[ 19 ] Xu Y L , Lin E D1 Simulations on the potential of GHG2induced
climate change on wheat and cotton production in the middle of the
21st century in China1 In : NIAES2STA International Workshop
2001 : Crop Monitoring and Prediction at Regional Scales1 Tsukuba
in Japan , 20011 237 - 245
[ 20 ] Jin Z Q , Geng D K , H1 Chen H , Zheng X1 Assessing impacts of
climate change on rice production : Strategies for adaptation in
Southern China1 In : Climate Change and Rice1 Berlin : Springer2
Verlag ,1995. 303 - 313
[ 21 ] Singh U , Ritch J T , Godwin D C1 A User Guide to CERES2Rice
V211 Simulation manual IFDC2SM24 , FDC , Muscals1 A1 , USA ,
19931 131
[ 22 ] Ritchie J T , Singh U , Godwin , D C , Bowen W T1 Cereal
growth , development and yield1 In : Tsuji G Y , Hoogenboo G,
Thornton P K eds1 Understanding options for Agricultural
Production1 Dordrecht , The Netherlands : Kluwer Academic
Publishers , 19981 70 - 98
[ 23 ] Klepper O , Rouse D I1 A procedure to reduce parameter
uncertainty for complex models by comparison with real system
output illustrated on a potato growth model1 A gricult ural
Systems , 1991 , 36 : 375 - 395
055 　　　　作 　　物 　　学 　　报 第 31 卷