编辑推荐：
来自中国的研究人员开展基于耦合 Noah-MP-Crop 和 WRF 模型的本地化研究，显著提高了 WRF-Crop 模型模拟精度，对保障粮食安全意义重大。
在全球粮食安全面临挑战的背景下，由于厄尔尼诺现象、气候变化以及地缘政治冲突等，全球粮食危机日益严峻。据联合国世界粮食计划署（WFP）称，尽管全球共同努力，但仍有约 2.58 亿人面临严重的粮食不安全问题，2024 年全球粮食安全前景依旧不容乐观。同时，气候变化带来的气候变暖以及极端天气事件，给作物生长带来诸多风险，与人口增长对作物产量的需求相矛盾。因此，利用现有科技进行作物产量的估算和预测对保障全球粮食安全至关重要。
基于过程的陆地表面模型（LSMs），如社区土地模型（Community Land Model）和多参数化的 Noah 模型（Noah-MP），被用于模拟地球系统内复杂的陆地 / 水文相互作用。其中，Noah-MP 引入了新的作物模块（Noah-MP-Crop），增强了对作物动态和地表热通量的模拟能力。将作物模型与其他模型耦合，能够进一步提高农业气象预报的准确性和全面性。然而，作物的地理差异、输入数据和模型参数的不确定性，给模型在不同地区的准确应用带来了挑战。
为解决这些问题，研究人员通常采用两种方法：一是改进模型算法和参数化方案；二是基于区域特征优化调整模型参数，并耦合多个模型。本研究基于前人的工作，提出了一种基于耦合 Noah-MP-Crop 和 WRF 模型（WRF-Crop）的本地化方法。该方法旨在通过融入当地作物物候特征优化模型参数，并借助数据同化减少模拟误差。研究人员以 2023 年中国吉林省的玉米为研究对象进行测试，利用 MODIS 观测的叶面积指数（LAI）、蒸散量（ET）、总初级生产力（GPP）数据以及涡度相关观测数据对模型性能进行评估，并将模拟结果与地面实测玉米产量进行对比。
吉林省位于中国东北平原，属于温带大陆性季风气候，地处世界三大玉米带和三大黑土带。研究结果表明，调整模型中生长度日（GDDs）的阈值比默认参数方案更符合玉米的物候特征。通过该本地化方案，WRF-Crop 模型对 LAI 和 GPP 的模拟精度显著提高，分别提升了 41.2% 和 27.5%，玉米产量模拟的准确性也提高了 9.26%。这一研究成果为作物模型的本地化提供了新的思路，有助于更准确地评估区域作物生长动态和产量，对保障全球粮食安全具有重要意义。
