农业模型发展分析及应用案例

农业模型发展分析及应用案例

曹宏鑫 1*, 葛道阔 1, 张文宇 1, 张伟欣 1, 曹静 1, 梁万杰 1, 宣守丽 1, 刘岩 1, 吴茜 1, 孙传亮 1, 张玲玲 1, 夏吉安 2, 刘永霞 3, 陈昱利 4, 岳延滨 5, 张智优 6, 万倩 1, 潘月 1, 韩旭杰 1, 吴菲 1

1.江苏省农业科学院农业信息研究所，江苏南京 210014； 2.南京工业职业技术学院，江苏南京 210046； 3.中国热带农业科学院海口实验站，海南海口 70102； 4.淄博市农业科学研究院，山东淄博 255033； 5.贵州省农业科学院农业科技信息研究所，贵州贵阳 550000； 6.湖南省农业科学院农业科技信息研究所，湖南长沙 410000

摘要: 农业模型、农业人工智能及数据分析等技术贯穿于智慧农业的信息感知、信息传输、信息处理与控制全过程，是智慧农业的核心技术。为进一步明晰农业模型的内涵和作用，促进农业模型进一步研究及应用，推动智慧农业健康、稳定和可持续发展，本研究采用系统分析、比较及关系框图等方法，分析了农业模型的内涵，阐述了农业模型和智慧农业要素与过程的关系，明确了农业模型的作用并附以应用案例，比较了农业模型的国内外重要发展动态与趋势。国内外农业模型研究与应用重要进展比较表明，农业模型研究应用需要考虑农业生物要素的4个水平、农业环境要素的6个尺度、农业技术与农业经济要素的6个层次并采用相应方法进行，农业模型环境要素空间多尺度研究应用有较大发展潜力；农业模型与分子遗传学、感知技术及人工智能技术结合，农业模型研究应用的公私有组织协作，粮食安全挑战将成为农业模型进一步发展的重要推动力，且需更注重将各种农业系统模拟、数据库、和谐性与开放数据及决策支持系统相连接。中国农业模型研究与应用已形成具有中国特色的作物模型系列，也融入农业模型的互比较与改进、智慧农业等世界潮流，需要抢抓机遇，加快发展。农业模型是农业系统要素内及要素间关系的定量化表达，是农业科学定量与综合的重要方法，具有认识论价值，它与感知技术的结合可以在智慧农业数据获取与处理中发挥不可或缺的作用，成为信息农业技术落地应用的重要桥梁和纽带。

关键词: 农业模型；模型分类；生物模型；环境模型；技术模型；经济模型；应用案例；智慧农业

中图分类号: S-1 文献标志码: A 文章编号: 202002-SA006

引文格式：曹宏鑫, 葛道阔, 张文宇, 张伟欣, 曹静, 梁万杰, 宣守丽, 刘岩, 吴茜, 孙传亮, 张玲玲, 夏吉安, 刘永霞, 陈昱利, 岳延滨, 张智优, 万倩, 潘月, 韩旭杰, 吴菲. 农业模型发展分析及应用案例[J]. 智慧农业（中英文）, 2020,2(1): 147-162.

Citation:Cao Hongxin, Ge Daokuo, Zhang Wenyu, Zhang Weixin, Cao Jing, Liang Wanjie, Xuan Shouli, Liu Yan, Wu Qian, Sun Chuanliang, Zhang Lingling, Xia Ji‘an, Liu Yongxia, Chen Yuli, Yue Yanbin, Zhang Zhiyou, Wan Qian, Pan Yue, Han Xujie, Wu Fei. Developmental analysis and application examples for agricultural models[J]. Smart Agriculture, 2020, 2(1): 147-162.

1 引言

世界现代农业经历了农业机械化、化学化、水利化和电气化发展历程。同时，生物工程、新材料、新能源、海洋技术、信息和空间技术等高新技术在农业中得到较广泛应用，出现了持续农业（包括有机农业、生态农业和超石油农业）及信息农业等形态，它们不仅有可能大幅度提高土地的单位面积产量和畜禽的产品率，从而极大地提高农业劳动生产率和降低各项农业成本，而且将引起农业生产布局的重大变革^[1]。

中国农业正处在从传统农业向现代农业的转型期，因农业发展动力、目标等不同，现代农业的初步实现、基本实现和完全实现3个阶段在转型期并存^[2]，并包括持续农业和信息农业形态。中国的信息农业研究应用经历了智能农业、精确（准）农业、数字农业等阶段，随着物联网、云计算、大数据、人工智能、区块链及5G等技术的兴起和在农业中的应用，又促使其迈向智慧农业阶段^[3,4]。

智慧农业是指具有信息感知、信息传输与智能处理技术支撑的现代农业，亦即以信息感知与智能处理为代表的先进信息技术广泛应用于现代农业各种领域（生物、环境、技术、经济）、各结构要素（种植业、林业、畜牧业、渔业、加工业）以及各部门（生产、科研、教育、行政、流通、服务），通过“人-机-物”互连互通及智慧化，推动现代科学技术、现代工业装备、现代管理理念和方法的农业应用进程，促进现代农业科学化、商品化、集约化和产业化，实现高产、优质、高效、生态、安全、绿色目标。由于农业模型、农业人工智能及数据分析等技术始终贯穿于智慧农业的信息感知、传输以及处理与控制全过程，因此，这些技术成为智慧农业的核心技术。

本文旨在通过分析农业模型概念，农业模型与智慧农业的关系、分类，农业模型建立过程、作用以及国内外农业模型研究应用重要进展比较等，并附以农业模型应用案例，阐述农业模型在智慧农业中的核心作用，探讨其进一步发展思路，推动农业模型在智慧农业中的研究应用，促进智慧农业健康、稳定和可持续发展。

2 农业模型发展分析

2.1　农业模型内涵　

2.1.1　农业模型概念　

农业模型，亦称农业系统模型、农业计算机模拟模型等，它是为研究农业问题的定量规律所建立数学模型的总称。具体而言，它是以农业系统要素包括农业生物、农业环境、农业技术、农业经济等为研究对象，根据农业系统学与农业科学原理，对农业系统要素内及要素间关系的定量化表达（图1）。经检验和验证后，它可用于农业系统要素及其因子发生发展过程及结果的定量预测、监测、预警与决策控制。农业模型和农业系统模拟既紧密联系又相互区别，农业模型是农业系统要素内及要素间关系的一种逻辑上的数学表达；而农业系统模拟则包括建立模型和模型操作，是一项技术和过程^[5]。

图1　农业模型概念图示

Fig. 1 The concepts of agricultural models

农业模型是智慧农业的核心要素，智慧农业的信息感知、信息传输、信息处理和控制三大技术体系，每一项都离不开农业模型支撑。首先，信息感知包括接触与非接触式感知两大类型，接触式感知主要是通过物理、化学、生物类传感器材料和信号进行感知；非接触式感知则主要是通过光、声、波、图像等过程和信号进行感知；两类信息感知都有由信号到农业参数的过程，都需要大量农业模型加以实现。其次，信息传输包括有线和无线传输两种方式，都存在由数据到信息再到数据的过程，同样需要农业模型支持和处理。第三，信息处理和控制主要是通过分析与处理获取的数据，再制定相应控制方案，更需要农业模型支持（图2）。

图2　农业模型与智慧农业过程关系图示

Fig.2 Relationships between agricultural models

and smart agricultural

2.1.2　农业模型分类　

采用不同分类方法可以将农业模型分为不同类型^[5]。依据研究对象不同，农业模型可分为农业生物模型（包括农业植物模型、农业动物模型和农业微生物模型等）、农业环境模型（包括农业气候或气象模型和农业土壤模型等）、农业技术模型（包括农业生物技术模型、农业生态技术模型、农业信息技术模型和农业产后技术模型等）以及农业经济模型（包括农业经济计量模型、农业市场模型和农业管理模型等）等；依据建模方法与本身性质不同，农业模型又可分为经验性、半机理性和机理性模型，其中，经验性模型主要采用统计学方法建立，因其参数估计所用数据未表现土壤、管理、气象及其他条件变化，其结果不能外推，也难以适用于估计未来气候变化的影响^[5]；机理性模型即动态系统模拟模型，具有描述系统状态变化过程的功能，可响应气象和管理措施等外部变量^[6]；半机理性模型则介于二者之间。如将上述两方面结合，农业模型可分为4大类、12个主要种类及36个亚类（表1）。

表1 农业模型分类

Table 1 Classification of agricultural models

2.1.3　农业模型建立过程　

农业模型和农业系统模拟主要包括农业系统定义、建立模型、数据准备、模型转换、验证模型、模型有效性、模型试验设计、模型运行、结果分析及建立文件等过程与步骤（如图3）^[7]。其中，定义农业系统需要对其调查研究和定性分析，其实质就是一种“实践—认识”过程；建立农业模型则是将真实农业系统抽象简化，也是在数据准备等实践基础上对农业系统的进一步认识；验证农业模型就是将所得到的初步认识与实践结果比较，以判断其有效性；随后一系列农业模型运行和结果分析都是进一步再实践再认识的过程。

图3　农业模型与农业系统模拟过程图示

Fig. 3 Simulation process of agricultural models

and agricultural system

2.2　农业模型的作用　

从农业模型的概念、类型及要素等方面分析，它的作用主要包括以下5个方面。

2.2.1　是农业科学定量与综合的重要方法　

近现代科学技术在高度细分化的同时呈现综合化和整体化、由定性到定量化趋势^[8]。由于农业模型既涉及种植、养殖、加工等农业结构因子定量化与综合化，又与生产、科研、教育、行政、流通及服务等农业农村部门因子定量化与综合化紧密相连，因此，它充分体现了以上趋势，成为继农业统计学之后农业科学定量与综合的重要方法。比如，农业生物生长发育处在“环境-生物”系统中，并与所采用技术和当时社会经济条件密切相关，涉及如上所述许多学科大量知识，其中每一学科知识都只涉及农业生物生长发育过程某一侧面，要获得对“环境-生物”系统中农业生物生长发育过程的全面认识，就需要利用农业系统模拟技术将各门学科知识加以集成和综合。

另外，在定量农业系统要素内及要素间关系时，农业生物要素目前包括群体、个体、器官和分子4个水平；农业环境要素包括全球、国家、省域、农业生态区、农场和田块6个尺度^[6]；农业技术要素包括国际谈判、工具与全球事务，食物安全、战略规划及贸易政策，土地利用和经济规划及环境管理，经济优化与环境管理，企业经营管理以及农事管理6个水平^[6]，农业经济要素包括国际机构、跨国公司，国家机构，省级或区域部门，地区或农民协会，生产者与供应者，以及农户6个层次^[6]。定量关系不仅是深化农业系统要素研究的需要，而且是应用农业系统要素研究成果提高其精确化管理和生产水平的桥梁和纽带。

2.2.2　增加了农业系统可观察量、提高了决策调控的速度　

农业模型的可观察量包括农业生物、农业环境、农业技术及农业经济等4大类系统间因子，以及农业植物、农业动物、农业微生物、农业气候或气象、农业土壤、农业生物技术、农业生态技术、农业信息技术、农业产后技术、农业经济计量、农业市场、农业管理等12种系统内因子，极大增加了农业系统可观察量。从系统学耗散结构理论分析，将计算机、数学引入农业系统研究，会降低系统熵值，使其向新的有序化方向发展，拓展研究面，获得更多信息支持和学科生长点。

在农业系统模拟中，农业生物系统及其与土壤系统、气象系统等的交互都是动态系统，通过发挥计算机高速运算优势，即可在很短时间内根据所获得信息和已建立模型，迅速将模拟结果与实际情况相比较，再根据比较结果快速修改模型或给出控制系统的方案，与传统、静态方法相比具有不可比拟的优势。

2.2.3　预测（估测）农业系统要素变化　

“模拟”在系统动力学中也称“仿真”，就是将所建立模型表达成某一计算机语言程序，并在计算机上运行该程序的过程。运行结果就是模型的输出，它是对真实系统行为的一种预测（估测），农业模型是否能作为真实农业系统的代表，可以从其输出结果来判断。农业系统模拟需要借助一定手段，现代计算机技术的飞速发展，为农业系统快速模拟提供了强有力工具，从而也推动了农业系统模拟技术的较快发展。

预测（估测）农业系统要素变化及其精度是衡量模型优劣、能否应用的综合标准，也是对模型的基本要求；预测（估测）是以科学性为基础，没有科学性，就不可能有好的预测（估测）作用。特别是在无法或不适合设置区域尺度实验（如农业生物对气候变化、灾害的响应等）时，利用农业模型则可以进行模拟预测，探索其科学原理。

同时，建立模型都是以某一假设为前提，农业模型也不例外，农业模型实际上也是假设的具体表达形式之一。所提出的假设及其模型正确与否，只有在农业系统模拟研究中通过与实际测定结果进行比较，才能得到检验和确认。

2.2.4　决策和调控农业管理和生产过程　

对农业管理和生产过程作出决策是农业模型研究的最终目标之一，也是农业模型研究的生命力之所在。只有支持决策，才能为农业模型研究开拓广阔市场，使其获得不断发展的源动力。通过对农业生物生长过程及其生产管理实施进行必要的调节和控制，使农业生产向着高产、优质、高效、生态、安全、绿色的方向发展。农业模型的调控作用是其预测（估测）作用的进一步延伸，也是以其预测作用为前提的。

2.2.5　其他作用　

支持教学：在常规农业学科教学内容和教学环节基础上，加上农业系统模拟研究或通过农业模型的模拟演示，可以让学生更深刻地理解农业生物生长发育的基本规律，进而更好地掌握相关知识。也能进一步促进农业模拟研究。

连接其他模型：为了使农业模型研究有更为广泛的应用，应将农业模型与其他有关领域模型如物联网、新一代人工智能、大数据、区块链、5G、生态系统等相连接，使其在决策、气候评价、产量预测、生态研究与区划等领域得到应用和扩展。

2.3　农业模型研究应用重要进展　

20世纪50年代，Heady等^[9]进行了农场尺度优化决策以及政策对农村发展经济效益影响的评价，这是国际上农业系统模拟方面最早的工作之一。而农业生产系统模型初创于20世纪60年代，创始人分别是de Wit和Duncan^[10,11]。国际上，农业模型发展历程与基础科学研究（20世纪50-70年代）、生态学与政策需求支持（1960-1970年）、卫星与通讯技术强化（20世纪70年代）、个人计算机与互联网革命（20世纪80年代）、系统模型扩展应用（20世纪80年代至90年代）、可持续农业运动兴起（20世纪90年代至本世纪初）以及持续关注粮食安全（2010年代以来）7个时期重要发展潮流紧密相连，其中包括两个里程碑，一是建立覆盖全球农作物的农业模型并用于农业系统区域或全球分析，二是实施了全球农业模型互相比较与改进项目（The Agriculture Model Intercomparison and Improvement Project，AgMIP）^[6,12]。国内外农业生物模型、农业环境模型、农业技术模型以及农业经济模型4大类农业模型在7个时期的重要研究应用进展分布见表2。

表2 四大类农业模型在7个时期的重要研究应用进展分布

Table 2 Distributions of important research and application of 4 typical agricultural models in 7 different periods

注：+表示有重要研究应用；-表示无重要研究应用

由表2可见，4种农业模型重要研究应用在不同时期分布极不平衡，其中，农业生物模型研究最多，各时期均有分布，农业环境模型次之，农业技术模型最少；中国的农业模型研究开始于卫星与通讯技术强化时期，以农业生物模型为主，从可持续农业运动兴起时期开始出现农业环境模型。以下分述之。

2.3.1　农业生物模型　

如表2所示，农业生物模型研究应用重要进展分布于七个时期。20世纪50年代，de Wit^[10]早期开展的植物过程计算分析较有代表性。各时期重要进展如下：

1964-1974年，国际生物计划（International Biological Programme，IBP）创建，1965年英国发布用于模拟家畜的动物营养需求分析^[13]，1965-1970年早期建立的作物光合作用与生长模型^[10,11]，1969-1982年启动的从区域到全球合作建模研究计划（主要包括美国和澳大利亚的棉花生物系统模拟组（Biological System Simulation Group，BSSG）、IBP、综合病虫害管理（Integrate Pest Management，IPM））等^[14,15]。

20世纪70年代是卫星与通讯技术强化时期，其间，建立了幼龄羊生长动态模拟模型，进行了基于模拟的决策支持，创立IPM框架等^[16,17]；1972-1974年因原苏联大量进口美国小麦引起小麦短缺和价格上涨，美国设立专项项目开发作物模型并与遥感结合进行作物生产战略预测，推动了CERES-Wheat和CERES-Maize模型研制^[18,19]；中国早在20世纪70年代中期就以引入系统分析为契机，从应用“多元二次正交旋转回归设计”入手建立综合经验模型，并直接为生产服务^[20]。

20世纪80年代至90年代是系统模型扩展应用时期，这期间，1982-1986年美国和荷兰^[21]创立作物--环境资源综合模型CERES（Crop-Envirmental Resource Synthesis，小麦和玉米）、生长模型GRO（Growth，大豆和花生）和水稻生产系统分析SARP（Simulation and Systems Analysis for Rice Production）模型。1984年至今，荷兰持续支持SARP水稻模型开发。1983-1993年由美国国际开发署（United States Agency for International Development，USAID）^[22]资助的农业技术转移国际标准点协作网计划（The International Benchmark Sites Network for Agrotechnology Transfer，IBSNAT）利用系统学方法和作物与土壤模型促进了技术转移，创建了基于CERES模型系列的农业技术转移决策支持系统DSSAT（Decision Support System for Agrotechnology Transfer）。1991年以来，为加强模拟农业系统与生产利用成立新的农业生产系统研究组（Agricultural Production Systems Research Unit，APSRU），基于CERES、整合气候的环境政策（Environmental Policy Integrated Climate，EPIC）和优秀（PERFECT）模型开发了目前仍广泛应用的种植制度模型—农业生产系统模拟器（Agricultural Production System siMulator，APSIM）^[23]；20世纪90年代至本世纪初，分子遗传学革命促进了许多作物模型组与种业公司合作将作物生理生态模型应用于植物育种与管理，使作物模型研究应用拓展到作物育种领域。在中国，1982-1983年，高亮之等^[24]在美国完成苜蓿计算机模拟模型（Alfalfa Model，ALFAMOD），实现了作物生长模拟研究从无到有的飞跃；1986年，黄策和王天铎^[25]从植物生理学出发，建立了水稻群体物质生产的计算机模拟模型。20世纪90年代，具有中国特色和一定代表性的农业模型主要有水稻模拟模型（Rice Simulation Model，RSM）^[26]、水稻栽培计算机模拟优化决策系统（Rice Cultivational Simulation-Optimization-Decision Making System，RCSODS）^[27]、水稻生长日历模型（Rice Growth Calendar Model，RICAM）^[28]、小麦栽培管理专家系统（Expert System for Wheat Culture Management，ESWCM）^[29]以及棉花生长发育与产量形成模拟模型（Simulation Model for Cotton Growth and Development and Yield Composition，CGSM）^[30]等。

农业环境越来越受到关注促进了生物物理过程与农户以及平衡分析方法的建立（如作物氮素营养指数模型等^[31]）；在中国，1994-2004年明确提出了农业模型学

^[32,33]，水稻/小麦模拟优化决策系统（Rice/Wheat Cultivational Simulation-Optimization-Decision Making System，R/WCSODS）^[27,34]、小麦—玉米连作环境模拟与智能决策系统^[35]、棉花模拟优化决策系统（Cotton Cultivational Simulation-Optimization-Decision Making System，CCSODS）^[30,36]、小麦叶形空间分布模拟模型及推理系统^[37]、小麦管理知识模型系统^[38]、玉米模拟优化决策系统（Maize Cultivation-Simulation-Optimization and Decision-making System，MCSODS）^[39]以及油菜模拟优化决策系统（Rapeseed Cultivation-Simulation-Optimization and Decision-making System，OCSODS）^[40]等，形成了中国作物模型系列。

2.3.2　农业环境模型　

如表2所示，农业环境模型研究应用主要进展包括六个时期，各时期重要进展如下：

20世纪50年代，Bavel早期开展的土壤过程计算分析较有代表性^[41]。1960-1970年Slatyer等^[42]建立了水分平衡模拟模型（Water Balance，WATBAL）。20世纪80年代至90年代，土壤和水资源保护法案^[43]助力创建了综合“土壤—作物系统模型—整合气候模型”的环境政策模型EPIC；1986年国际科学委员会设立国际“地圈-生物圈”计划（International Geosphere Biosphere Programme，IGBP），引起对包括气候变化胁迫下地球的关注^[6]，有助于在区域和全球尺度协同研究地球生物、化学、物理与包括生态系统在内的人类系统的相互作用。

1990年以来，联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）^[44,45]评估报告出版，首次利用作物和经济学模型评估气候变化从田块到全球尺度对作物的影响、利用农业和生态学模型估测温室气体排放和碳动态以及利用经济学模型评估气候变化对农业的影响。在中国，20世纪90年代，基于CERES与全球气候模型（Global Climate Models，GCMS）耦合的全球气候变暖对中国粮食生产影响的评价^[46]等较有代表性。

20世纪90年代至本世纪初以来，温室气体排放和生态系统服务方面研究得到重视，形成了农业系统模拟全球数据集和结构^[6]；2006年Long等^[47]提出了作物模型模拟的关于未来气候变化情景下作物模型的产量预测与人工控制试验结果之间差异的争论，促进了CO₂与温度及其它因子交互作用下模型的改进；2005-2010年，Challinor等^[48]建立了作为GCMs重要构成的地球系统模型，产生了作物模拟模型与数字气候模型中陆面框架子模型耦合新方法。在中国，2003-2010年建立了模拟农业碳循环的Agro-Carbon（Agro-C）模型并在16个农业生态站得到了校准和验证^[49]。

2.3.3　农业技术模型　

如表2所示，农业技术模型研究应用重要进展包括五个时期，各时期重要进展如下：

1976年，Agricultural Systems杂志创刊，为从事农业系统模拟与分析的全球学者提供了交流平台^[50]。1981-1984年，新的个人计算机问世大力促进了计算机图形学、统计分析、GIS以及在桌面、笔记本电脑和智能电话中形成的其他软件应用于农业模型^[6]；互联网技术的创立使全球通讯与信息技术进入新时代，在影响人们生活的同时，通过全球科学家合作、更快开发农业模型及改进数据连接促进了农业系统模型开发与利用；世界银行通过开发通用代数仿真系统（General Algebraic Modeling System，GAMS）模型提出了二元理论，建立了先进非线性优化方法^[51]。

1991-2011年，国际农业系统应用联盟（International Consortium for Agricultural Systems Applications，ICASA）帮助作物模型专家联合建立了作物模型输入数据标准，形成了ICASA数据字典和标准，并应用于农业模型互比较与改进项目中的模型数据协同输入^[52]；1998年开源软件运动兴起，推动了更广泛的农业模型系统软件开发合作等^[6]。2001-2003年 European Journal of Agronomy出版了涉及DSSAT、APSIM、种植制度模拟模型（Cropping Systems Simulation Model，CropSyst）、栽培标准多学科模拟（Simulateur Multidisciplinaire pour les Cultures Standards，STICS）以及Wageningen模型的欧洲农学会年会模拟种植系统专刊

^[6]。

2.3.4　农业经济模型　

如表2所示，农业经济模型研究应用重要进展包括五个时期，Heady等^[9]早期开展的农村发展政策需求优化分析建模较有代表性^[9]。各时期较突出进展如下：

1974-1978年，联合国粮食及农业组织 （Food and Agriculture Organization of the United Nations，FAO）建立了土地评价和农业生态区划方法，首次通过整合土壤、气候、植被以及社会经济因子为全球土地评价提供了方法论^[19]。20世纪80年代，新建的国际农业研究磋商组织（Consultative Group on International Agricultural Research，CGIAR）研究中心^[45]进行了农业研究投资经济学回报估算并建立了市场盈余方法；70年代末至80年代，Anderson等创立了优化与计量经济学模型并应用于从生产到行为管理的风险分析^[53]。20世纪90年代至本世纪初^[7]，农业环境愈来愈受到关注，促进了计量经济和规划方法结合；空间数据和工具越来越多地应用于空间解释性生物物理和经济学模型；2005-2009年，欧盟设立了环境与农业模拟系统基金资助项目，促进了包括种植制度和社会经济模型跨地点（欧洲）合作与跨尺度（农田到农场、国家、欧洲）应用^[54]。

整体而言，在持续关注粮食安全时期（2010年以来），高度综合与应用的农业生物模型、农业环境模型、农业技术模型以及农业经济模型重要研究呈现五大趋势^[12,54]：一是农业模型互相比较与改进项目组建了以比较与改进作物、家畜及社会经济模型为目标的全球农业系统模拟专家团队，利用改进模型评估从当地到全球尺度气候变化和气候变率对农业的影响、适应性以及不确定性；二是动植物基因图谱、基因测序、育种技术快速发展及分子生物学革命，促进了从基因到生理表型的定量连接，使作物模型与分子遗传学的结合持续取得成功；三是私有组织从事农业模型的兴趣持续增加，一些私有企业在植物育种中斥巨资进行数据采集，并有意向为公有研究者提供改进与评价农业模型所需数据，特别是国际生命科学研究所（International Life Sciences Institute，ILSI）^[55]为利用农业模型解决可持续农业与营养安全难题创立国际可持续农业与营养安全模拟研究中心（Center for Integrated Modeling of Sustainable Agriculture and Nutrition Security，CIMSANS），为公、私有组织协作研发更可靠作物和育种模型并在未来应用提供了机会；四是面向全球超90亿人口的粮食安全挑战成为农业模型未来需要回答和解决的重要课题，信息和计算机技术^[56]长足发展为先进农业模型、数据库及知识产品研发提供了机遇，针对种植制度、家畜和经济学的众多农业模拟模型（DSSAT、EPIC、APSIM、STICS、世界粮食作物研究模型（WOrld FOod STudies，WOFOST）、水稻生长模型（ORYZA）、CropSyst、根区水质模型（Root Zone Water Quality Model，RZWQM）、到达时间模型（Time of Arrival，TOA）、影响模型（Impact， IMPACT）、土壤-水-大气-植物模型（Soil-Water-Atmosphere-Plant，SWAP）和全球贸易分析计划模型（Global Trade Analysis Project，GTAP））的主要特点之一是不断尽力建立可靠模型；五是以感知、农业模型及人工智能技术为核心推动现代农业进入智慧农业阶段，特别是人工智能技术中的自学习模型（Self-Learning Models，SLM）^[57]，可以创建自学习数字孪生体（Digital Twin，DT），通过不断地将最新感知信息与农业模型预测结果相比较，就会不断订正农业模型预测结果、提高预测精度，可与优化模型结合，成为农业模型未来发展的新增长点。2011年，中国农业模型RCSODS^[27]、Agro-C^[58]、大区域作物-气象关系获取模型（Model to capture the Crop-Weather relationship over a Large Area，MCWLA）^[59]、水稻生长模型（RiceGrow）^[60]入选AgMIP水稻模型团队，参与农业模型互比较与改进项目；2019年来，在中国，以信息感知、传输、处理与控制为特征的智慧农业进入全面推进阶段^[4]。

3 农业模型应用案例

3.1　案例一：气候情景对田间尺度土壤水氮动态和作物产量影响的预测　

以Jeong等^[61]的研究为例，通过将RZWQM与DSSAT耦合，研究了基于GCMS输出的不同基准情景下长时间范围土壤硝态氮运移和淋失以及相应玉米、高粱产量变化

^[61]（图4）。这也是将农业环境模型与农业生物模型相结合应用的典型例子。

图4　农业模型在气候情景对田间尺度土壤水氮动态和作物产量影响的预测应用

Fig.4 Application of agricultural model in the prediction of the effects of climate scenarios on the field scale soil water and nitrogen dynamics and crop yield

图4表明了这项研究的技术流程：首先将当地气象站的逐日气象数据作为RZWQM模型的输入，并对GCM模型输出进行偏差校正，然后通过RZWQM与DSSAT耦合、设置气候情景（包括基准和观测）和管理措施，在由代表性浓度途径（Representative Concentration Pathway，RCP）组成的不同气候情景（RCP4.5、RCP8.5）下，利用RZWQM-DSSAT耦合模型进行模拟，进而采用决定系数R²、贝叶斯百分比及标准均方根误差nRMSE方法，对土壤硝态氮运移和淋失及相应玉米、高粱产量模拟结果进行评价分析。

3.2　案例二：基于模型与感知的稻、油生产智慧化及主要灾害预警关键技术与应用　

2015年以来，江苏省农业科学院农业模型团队将自主创建的水稻/油菜生长模型及其决策系统R/OCSODS与农业物联网、大数据等技术结合，开展了稻、油生产智慧化及主要灾害预警关键技术应用。其方法是基于模型的R/OCSODS利用环境（气温、光照、土壤水分、养分等）、生长（生物量、LAI、植株水分、养分等）及病虫灾害感知数据进行生产管理决策、灾害精细评估防控预警以及装备化实施（图5）。

（a）　油菜智慧栽培模拟优化决策系统主页

图5　油菜生产智慧化及主要灾害预警关键技术应用框架

Fig.5 Application of smart production and main climate disaster pre-alarming for rapeseed

图6（a）是油菜生产智慧化栽培模拟优化决策系统主页，该系统可利用常年气象数据和实时感知数据进行生产管理决策、灾害精细评估防控预警，为装备化实施提供方案；图6（b）是油菜田间环境数据物联网感知，图6（c）是油菜生产智慧化栽培模拟优化决策系统利用常年气象数据生成的优化决策方案，图6（d）是油菜生产智慧化栽培模拟优化决策系统利用“实时+”天气预报数据进行的氮素、病虫、气象预测。

图6　油菜生产智慧化及主要灾害预警关键技术应用场景

Fig.6 Application scene of smart production and main climate disaster pre-alarming for rapeseed

（c）　基于常年气象数据的优化决策

2015-2018年，该模型在江苏省南通、南京、泰州及盐城，湖北、四川、安徽、江西等地累计应用推广7101.8平方公里，新增纯收益96268.54万元，累计总经济效益15.92亿元。

3.3　案例三：设施番茄感知与精确栽培物联网系统技术示范　

2016年以来，江苏省农业科学院农业模型团队将自主创建的设施番茄生长模型及其决策系统（Tomato Cultivation-Simulation-Optimization and Decision-making System，TCSODS）与自主研制的物联网检测采集终端iDCT-4、大数据等技术结合（图7），开展了设施番茄生产智慧化关键技术示范。其方法是基于模型的TCSODS利用基于无线网络传感器与光谱的设施番茄环境（气温、光照、湿度、土壤水分、养分等）与生长（生物量、LAI、植株水分、养分等）感知数据，进行设施番茄精确栽培管理决策、不适生长、环境及灾害预警和装备化（水肥一体化等）实施，通过人工（塑料大棚）、半自动（日光温室）和智能全自动（智能温室）调控，实现设施番茄高产、优质、高效、绿色生产。

图7　设施番茄感知与精确栽培物联网系统技术路线

Fig.7 Technology of apperceiving and precise cultivation IoT system for protected tomato

（b）　田间环境数据采集

江苏省扬州市江都区园艺站、扬州市江都区吴桥镇蔬菜园区、宜兴智慧农业有限公司、宜兴江苏神力生态农业科技有限公司、无锡市惠山区精细蔬菜产业园共同参与了示范。其中，2018年8月至2019年1月在扬州市江都区吴桥镇蔬菜园区设施番茄栽培测试应用（图8），结果表明，与相同条件下无精确栽培对照相比，大棚作物生长环境传感器监测与栽培优化决策方案可使番茄增产5.9％，水、肥、药、种等总利用率提高6.5％，总生产成本降低10.3％。

图8　设施番茄感知与精确栽培物联网系统技术应用场景

Fig.8 Application of scene apperceiving and precise cultivation IoT system for protected tomato

（d）　基于”实时+“天气预报数据的氮素病虫气象预测

4 结论与展望

4.1　结论　

本文着重阐述了农业模型的概念及其与智慧农业的联系，提出了农业模型分类，从认识论角度分析了农业模型建立过程，明确了农业模型的作用，通过农业模型的内涵分析证明农业模型是智慧农业的核心技术。

（1）农业模型研究与应用的国内外主要进展表明，农业模型自20世纪50年代创立以来，就包括了农业系统中的农业生物、农业环境、农业技术与农业经济要素内及要素间关系的定量，在农业模型或农业系统模拟等七个不同发展时期均取得了重要进展，以农业生物模型中的大田作物系列研究与应用发展最快、最突出；2010年以来农业模型重要进展呈现五大趋势，其中，农业模型与分子遗传学结合、农业模型与感知及人工智能技术SLM-DT结合、公私有组织协作、粮食安全挑战将成为农业模型进一步发展的重要推动力，同时，更注重将各种农业系统模拟、数据库、和谐性与开放数据及决策支持系统相连接。

（2）农业模型研究与应用案例充分表明，农业模型可通过农业生物模型与农业环境模型耦合，开展农田土壤要素与作物产量对气候变化响应研究，解决无法大规模设置气候变化情景实验问题等；农业模型与感知技术结合可以在智慧农业数据获取与处理中发挥不可或缺的作用，成为智慧农业技术落地应用的重要桥梁和纽带。

4.2　研究展望　

（1）农业模型仅有约70年发展历程，属非常年轻的学科方向，在建模理论与实践方面仍需不断创新、完善与发展；农业模型研究应用需要考虑农业生物要素的4个水平、农业环境要素的6个尺度、农业技术与农业经济要素的6个层次并采用相应方法进行，农业模型环境空间多尺度研究应用有较大发展潜力。目前国内外主要农业生物模型都是基于地点尺度，虽然可以通过模型参数提升尺度用于较大尺度研究应用，但缺乏模型参数时空差异协同分析研究应用。

（2）中国的农业模型研究应用经过约四五十年发展，形成了具有中国特色的作物模型系列，融入了农业模型相互比较与改进、智慧农业等世界潮流，但也以农业生物模型中的作物模型系列研究与应用为主，需要加强农业模型环境空间多尺度、与分子生物学及分子遗传学、农业经济模型、感知及人工智能技术、社会研发力量以及粮食安全问题结合等方向研究应用，进一步增强国际竞争力。

（3）四大类农业模型仅在系统模型扩展应用、可持续农业运动兴起及持续关注粮食安全三个时期体现了重要应用进展，研究应用极不平衡，因此要充分发挥农业模型整体作用，需要进一步加强薄弱环节的研究应用。

（4）在研究应用中，农业模型都有参数获取与校准过程，且存在参数获取与校准难等问题，在一定程度上制约了其应用的广度和深度，如果能与农业感知、农业大数据、农业人工智能及农业区块链等技术结合，就可能实现参数获取与校准自动化、智能化，从而解决这一难题，加快其应用进程。

（5）农业物联网、农业云、农业大数据、包括SLM-DT的农业人工智能、农业区块链及5G农业等技术的兴起，使以“数据驱动农业模型+智慧农业”成为可能，需要进一步研建与之相适应的农业模型；另外，在智慧农业中，涉及生物与环境感知的农业模型主要是经验性模型，其适用性和精确度有待进一步提高，以加快智慧农业技术落地。

参考文献

[1] 邓秀新. 现代农业与农业发展[J]. 华中农业大学学报(社会科学版), 2014, (1): 1-4.

Deng X. Modern agriculture and agricultural development[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2014, (1): 1-4.

[2] 施晟, 卫龙宝, 伍骏骞. 中国现代农业发展的阶段定位及区域聚类分析[J]. 经济学家, 2012, (4): 63-69.

Shi S, Wei L, Wu J. Stage orientation and regional cluster analysis of modern agriculture development in China[J]. Economist, 2012, (4): 63-69.

[3] 周国民. 浅议智慧农业[J]. 农业网络信息, 2009, (10): 5-7, 27.

Zhou G. A brief discussion on wisdom agriculture[J]. Agriculture Network Information, 2009, (10): 5-7, 27.

[4] 赵春江. 智慧农业发展现状及战略目标研究[J]. 智慧农业, 2019, 1(1): 1-7.

Zhao C. State-of-the-art and recommended developmental strategic objectives of smart agriculture[J]. Smart Agriculture, 2019, 1(1): 1-7.

[5] 曹宏鑫, 赵锁劳, 葛道阔, 等. 农业模型与数字农业发展探讨[J]. 江苏农业学报, 2012, 28(5): 1181-1188.

Cao H, Zhao S, Ge D, et al. Discussion for development of agricultural models and digital agriculture[J]. Jiangsu Journal of Agricultural Sciences, 2012, 28(5): 1181-1188.

[6] Jones J W, Antle J M, Basso B, et al. Brief history of agricultural systems modeling[J]. Agricultural Systems, 2017, 155: 240-254.

[7] 曹宏鑫, 葛道阔, 赵锁劳, 等. 对计算机模拟在作物生长发育研究中应用的评价[J]. 麦类作物学报, 2010, 30(1): 183-187.

Cao H, Ge D, Zhao S, et al. Evaluation for applying computer simulation in crop growth and development research [J]. Journal of Triticeae Crops, 2010,30 (1): 183-187.

[8] 龚国芳, 张海军. 从现代科学技术发展趋势看研究生教育改革的改革性[J]. 清华大学教育研究,1998, (1): 64-71.

Gong G, Zhang H. Looking at the reform of postgraduate education from the development trend of modern science and technology[J]. Research on Education Tsinghua University, 1998, (1): 64-71.

[9] Heady E O. An econometric investigation of agricultural production functions[J]. Econometrica, 1957, 25 (2), 249-268.

[10] de Wit C T. Photosynthesis of leaf canopies[R].

Agric. Res. Report. Wageningen，1965.

[11] Duncan W G, Loomis R S, Williams W A, et al. A model for simulating photosynthesis in plant communities[J]. Hilgardia, 1967, 38 (4): 181-205.

[12] Amiri S R, Deihimfard R, Eyni-Nargeseh H. Toward dormant seeding of rainfed chickpea as an adaptation strategy to sustain productivity in response to changing climate[J]. Field Crops Research, 2020, 247: 1-12.

[13] ARC, The nutrient requirements of farm livestock[M]. No. 2, Ruminants. Philadelphia and Montreal：Sekretariat Jenderal Peternakan dan Kesehatan Hewan, 1965.

[14] Bowen H D, Colwick R F, Batchelder D G. Computer simulation of crop production-potential and hazards[J]. Journal of Agricultural and Engineering Research, 1973, 54 (10): 42-45.

[15] Freer M, Davidson J L, Armstrong J S, et al. Simulation of grazing systems[C]// Proceedings of the XI International Grassland Congress. University of Queens-land Press, St. Lucia, Queensland, Australia, 1970, 913-917.

[16] Conway G R. The properties of agroecosystems[J]. Agricultural Systems, 1987, 24 (2): 95-117.

[17] Pinter Jr P J, Ritchie J C, Hatfield J L, et al. The agricultural research service's remote sensing program: an example of interagency collaboration[J]. Photogram Engineering Remote Sensing, 69(6): 615-618.

[18] Ritchie J T, Otter S. Description and performance of CERES-Wheat: A user-oriented wheat yield model[M]. In: Willis W O, Beltsville M D, et al., Eds., ARS Wheat Yield Project, ARS-38, National Natural Technology Information Service, Springfield, 1985: 159-175.

[19] FAO. Report on the agro-ecological zones project[R]. FAO World Soil Resources Report, 1978.

[20] 梁振兴, 刘兴海. 小麦产量形成的栽培技术原理[M]. 北京: 北京农业大学出版社, 1994.

[21] Wilkerson G G, Jones J W, Boote K J, et al. Modeling soybean growth for crop management [J]. Transactions of the ASAE, 1983, 26: 63-73.

[22] IBSNAT. Experimental design and data collection procedures for IBSNAT[EB/OL]. [2020-02-18]. http://pdf.usaid.gov/pdf_docs/PNABK919.pdf.

[23] McCown R L, Hammer G L, Hargreaves J N G, et al. APSIM: A novel software system for model development, model testing and simulation in agricultural systems research[J]. Agricultural Systems, 1996, 50: 255-271.

[24] 高亮之, Hannaway D B. 苜蓿生产的农业气候计算机模拟模式—ALFAMOD [J]. 江苏农业学报, 1985, 1(2):1-11.

Gao L, Hannaway D B. Computer simulation model of agricultural climate for alfalfa production [J]. Journal of Agricultural Sciences, 1985, 1(2):1-11.

[25] 黄策, 王天铎. 水稻群体物质生产的计算机模拟[J]. 作物学报, 1986, 12 (1): 1-8.

Huang C, Wang T. Computer simulation of rice mass production[J]. Acta Agronomica Sinica, 1986, 12 (1): 1-8.

[26] 骆世明, 郑华, 陈春焕, 等. 水稻高产栽培中应用计算机模拟的研究[J]. 广东农业科学, 1990, (3): 14-16.

Luo S, Zheng H, Chen C, et al. Study on application of computer simulation in high yield cultivation of rice[J]. Guangdong Agricultural Sciences, 1990, (3): 14-16.

[27] 高亮之, 金之庆, 黄耀, 等. 水稻栽培计算机模拟优化决策系统[M]. 中国农业科技出版社, 1992.

  Gao L Z, Jin Z Q, Huang Y, et al. Computer simulation optimization decision system for rice cultivation[M]. Beijing; China Agricultural Science and Technology Press, 1992. 

[28] 殷新佑, 戚昌瀚. 水稻生长日历模型及其应用研究[J]. 作物学报, 1994, 20(3): 339-346.

Yin X, Qi C. Studies on rice growth calendar simulation model (RICAM) and it’s application[J]. Acta Agronomica Sinica, 1994, 20(3): 339-346.

[29] 诸德辉, 李鸿祥, 赵春江, 等. 小麦管理专家系统的研究开发及应用[J].作物杂志, 1995, (6):1-3.

Zhu D, Li H, Zhao C, et al. Research, development and application of wheat management expert system[J]. Crops, 1995, (6): 1-3.

[30] 潘学标, 龙麟芳. 棉花生长发育与产量形成模拟横型(CGSM)研究[J]. 棉花学报, 1992, 4 (增刊): 11-20.

Pan X, Long L. Studies on simulation model of cotton growth and development and yield composition(CGSM)[J]. Acta Gossypii Sinica, 1992, 4 (Sup):11-20.

[31] Lemaire G, Gastal F. N uptake and distribution in plant canopies[M]// Lemaire G.Diagnosis of the Nitrogen Status in Crops. Berlin: Springer-Verlag, Heidelberg, 1997: 3-43.

[32] 高亮之. 农业模型学基础[M]. 香港: 天马图书有限公司, 2004.

 Gao L Z. Basis of agricultural modelling sciences[M]. Hongkong: Tianma Book Co., Ltd., 2004. 

[33] 高亮之, 金之庆, 黄耀, 等. 农业模型学[M]. 北京: 气象出版社, 2019.

Gao L, Jin Z, Huang Y, et al. Agricultural modeling science[M].Beijing: China Meteorological Press, 2019.

[34] 高亮之, 金之庆, 郑国清, 等. 小麦栽培模拟优化决策系统(WCSODS)[J]. 江苏农业学报, 2000, 16(2): 65-72.

Gao L, Jin Z, Zheng G, et al. Wheat cultivation simulation optimization decision system[J]. Jiangsu Journal of Agricultural Sciences, 2000, 16(2): 65-72.

[35] 诸叶平, 李世娟, 李书钦. 作物生长过程模拟模型与形态三维可视化关键技术研究[J]. 智慧农业, 2019, 1(1): 53-66.

Chu Y, Li S, Li S. Research on key technologies of crop growth process simulation model and morphological 3D visualization[J]. Smart Agriculture, 2019, 1(1): 53-66.

[36] 马新明. 棉花蕾铃发育及产量形成的模拟模型(COTMOD)[D]. 南京: 南京农业大学, 1996.

Ma X. Simulation model of cotton bud and boll development and yield Formation (COTMOD)[D]. Nanjing: Nanjing Agricultural University, 1996.

[37] 赵春江， 王纪华， 吴华瑞， 等. 小麦叶形空间分布的模拟模型及推理系统[J]. 农业工程学报, 2002, 18(5): 221-225.

Zhao C, Wang J, Wu H, et al. Simulation models and deduction system for interspace description of wheat leaf shape[J]. Transactions of the CSAE, 2002, 18(5): 221-225.

[38] 朱艳, 曹卫星, 王绍华, 等.小麦栽培管理知识模型系统的设计与实现[J]. 南京农业大学学报, 2002, 25(3): 12-16.

Zhu Y, Cao W, Wang S, et al. Design and implementation of knowledge model system for wheat cultivation management[J]. Journal of Nanjing Agricultural University, 2002, 25(3): 12-16.

[39] 郑国清, 段韶芬, 阎书波, 等. 玉米叶龄与器官发育模拟模型[J]. 玉米科学, 2003, 11(4):63-66.

Zheng G, Duan S, Yan S, et al. Simulation models of the development of leaf age and organs in maize[J]. Journal of Maize Sciences, 2003, 11(4): 63-66.

[40] Cao H, Zhang C, Li G, et al. Researches of decision-making system for rape optimization-digital cultivation based on simulation models[C]// The Third International Conference on Intelligent Agricultural Information Technology, Beijing: China Agri. Sci. & Tech. Press, 2005, 285-292.

[41] Van Bavel C H M. A drought criterion and its application in evaluating drought incidence and hazard[J]. Journal of Agronomy, 1953, 4:167-172.

[42] Slatyer R O. Agricultural climatology of the Yass valley[D]. Adelaide: CSIRO Australia pision Land Resources Region Survey Technology, 1960.

[43] Williams J R, Jones C A, Kiniry J R, et al. The EPIC crop growth model[J]. Transactions of the ASAE, 1989, 32 (2): 497-511.

[44] Curry R B, Peart R M, Jones J W, et al. Response of crop yield to predicted changes in climate and atmospheric CO₂ using simulation[J]. Transactions of the ASAE, 1990, 33: 1383-1390.

[45] Rosenzweig C, Parry M L. Potential impact of climate change on world food supply[J]. Nature, 1994, 367: 133-138.

[46] 金之庆, 方娟, 葛道阔, 等. 全球气候变化影响我国冬小麦生产之前瞻[J]. 作物学报, 1994, 20(2): 186-197.

Jin Z, Fang J, Ge D, et al. Prospect to impacts of climate change on winter wheat production in China[J]. Acta Agronomica Sinica, 1994, 20(2): 186-197.

[47] Long S P, Ainsworth E A, Leakey A D B, et al. Food for thought: lower-than-expected crop yield stimulation with rising CO

₂ concentrations[J]. Science, 2006, 312: 1918-1921.

[48] Challinor A J, Wheeler T R, Slingo J M, et al. Design and optimization of a large-area process-based model for annual crops[J]. Agricultural and Forest Meteorology, 2004, 124: 99-120.

[49] 张晴, 黄耀, 张稳, 等. Agro-C模型的校准与验证[C]// 第四届全国大气边界层物理和大气化学学术研讨会论文集, 2013， 08： 75.

Zhang Q, Huang Y, Zhang W, et al. Calibration and verification of agro-c model[C]// Proceedings of the 4th National Symposium on Atmospheric Boundary Layer Physics and Atmospheric Chemistry, 2013， 08： 75.

[50] Spedding C R W. Editorial[J]. Agricultural Systems, 1976, 1: 1-3.

[51] Vafaei A, Yaghoubi S, Tajik J, et al. Designing a sustainable multi-channel supply chain distribution network: A case study[J]. Journal of Cleaner Production, 2020, 251: 1-16.

[52] Hunt L A, Jones J W, Hoogenboom G, et al. General input and output file structures for crop simulation models. Application of Modeling in the Semi-arid Tropics[M]. CO-DATA, International Council of Scientific Unions, 1994: 35-72.

[53] Anderson J R, Dillon J L, Hardaker J B. Agricultural decision analysis[M]. Iowa: Iowa State University Press, 1977.

[54] vanIttersum M K, Ewert F, Heckelei T, et al. Integrated assessment of agricultural systems-a component-based framework for the European Union (SEAMLESS)[J]. Agricultural Systems, 2008, 96: 150-165.

[55] Rosenzweig C, Ruane A C, Antle J, et al. Coordinating AgMIP data and models across global and regional scales for 1.5 degrees C and 2.0 degrees C assessments [J]. Philosophical Transactions of the Royal Society A Mathematical Physical and Engineering Sciences, 2018, 376(2119): 1-26.

[56] Messina C D, Podlich D, Dong Z, et al. Yield-trait performance landscapes: From theory to application in breeding maize for drought tolerance[J]. Journal of Expermental Botany, 2011, 62 (3): 855-868.

[57] Louwerens T， Shutterstock P G. A digital twins baby boom[J]. Resource, 2020, 14:13-16.

[58] 张晴, 黄耀, 张稳, 等. Agro-C模型的校准与验证[C]// 第四届全国大气边界层物理和大气化学学术研讨会论文集, 2013.

Zhang Q, Huang Y, Zhang W, et al. Calibration and verification of agro-c model[C]// Proceedings of the 4th National Symposium on Atmospheric Boundary Layer Physics and Atmospheric Chemistry, 2013.

[59] Tao F, Zhang S, Zhang Z, et al. Temporal and spatial changes of maize yield potentials and yield gaps in the past three decades in China[J]. Agriculture Ecosystems & Environment, 2015, 208: 12-20.

[60] Tang L, Chang R, Basso B, et al. Improving the estimation and partitioning of plant nitrogen in the RiceGrow model[J]. Journal of Agricultural Science, 2018, 156(8): 959-970.

[61] Jeong H, Bhattarai R, Hwang S. How climate scenarios alter future predictions of field-scale water and nitrogen dynamics and crop yields[J]. Journal of Environmental Management, 2019, 252: 1-11.

Developmental analysis and application examples for agricultural models

Hongxin Cao^1*, Daokuo Ge¹, Wenyu Zhang¹, Weixin Zhang¹, Jing Cao¹, Wanjie Liang¹, Shouli Xuan¹, Yan Liu¹, Qian Wu¹, Chuanliang Sun¹, Lingling Zhang¹, Ji‘an Xia², Yongxia Liu³, Yuli Chen⁴, Yanbin Yue⁵, Zhiyou Zhang⁶, Qian Wan¹, Yue Pan¹, Xujie Han¹, Fei Wu¹

(1.Institute of Agricultural Information, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, China；

2.Nanjing Industry Professional Technology Institute, Nanjing 210046, China；3.Haikou Experimental Station, Chinese Academy of Tropical Agricultural Sciences, Haikou 570102, China；4.Zibo Academy of Agricultural Sciences, Zibo 255033, China； 5.Institute of Agricultural Sci-tech Information, Guizhou Academy of Agricultural Sciences, Guiyang 550000, China；6.Institute of Agricultural Sci-tech Information, Hunan Academy of Agricultural Sciences, Changsha 410000, China)

Abstract: Agricultural models, agricultural artificial intelligent, and data analysis technology, etc., exist in whole processes of information perceiving, transmission, processing and control for smart agriculture， thus they are the core technology of smart agriculture. To furtherly make the substances and functions of agricultural models clear, facilitate its further research and application, drive smart agriculture development with healthy, steady, and sustainable, methods of systematic analysis, comparison, and chart for relationship, etc. were used in this research. The definition, classification, functions of the agricultural models were theoretically analyzed. The relationships between the agricultural models and the elements and processes of the smart agriculture were expounded, which made the functions of agricultural models clear, provided some agricultural models examples applied in the smart agriculture. The important studies and application progresses of agricultural models were reviewed. The comparison results of agricultural models showed that the 4 levels of agricultural biological elements, 6 scales of agricultural environmental elements, 6 administrative levels of agricultural technological and economic elements, and the relevant approaches for modeling agricultural system need to be considered. The research and application of multi-space scales on environment elements in the agricultural models would have the larger potential. The combination of agricultural models with molecular genetics, perceiving, and artificial intelligence, the collaboration among public and private researchers, and food security challenges have been an important power for further development of agricultural models, linking agricultural models with various agricultural system modeling, databases, harmonious and open data, and decision-making support systems (DSS) would be focus on. The research and application of the agricultural models in China have formed crop model series with Chinese characteristics, joined in the world trends of the Agricultural Model Intercomparison and Improvement Project (AgMIP), the smart agriculture, and so on. They should be speedy graspe chances and accelerate development. The agricultural models is a quantitative express of relationships within or among the agricultural system elements. An important method with epistemological values of quantifying and synthesizing agricultural sciences, and will play an indispensible role in data achieving and processing for the smart agriculture combining perceiving techniques, and become a significant bridge and bond.

Key words: agricultural models; model classification; biological model; environmental model; economic model; technical model; application case; smart agriculture

收稿日期：2020-02-20 修订日期：2020-03-10

基金项目：国家重点研发计划（2016YFD0300604，2017YFD0300409-4）；国家自然科学基金(31171455，31601223，31871522)；江苏省农业科技自主创新资金(CX(19)2040-1)；江苏省重点研发计划(BE2018393-1，BE2016268)

通讯作者：中文作者简介:曹宏鑫（1963－），男，博士，研究员，研究方向：作物品质生理生态、智慧农业关键技术等，电话：025-84391210，Email：caohongxin@hotmail.com。

doi： 10.12133/j.smartag.2020.2.1.202002-SA006