企业官网建设流程全解析

这两套模型被放一起比较，不是一次两次了。搞农业遥感、产量预报、气候变化评估的人，迟早都会碰到它俩。我最早接触这两种模型是在做区域产量模拟的时候，当时拿着气象数据、土壤参数和作物物候表来回折腾，一边是WOFOST那套几十个参数的机理链条，一边是AquaCrop清爽的冠层覆盖度和水分生产力，心里最大的疑问就是：这俩到底谁更准？是不是选一个就够了？后来在不同项目里把两个模型都跑通、都校准过、都做过敏感性分析之后，我觉得它们之间的关系远比"谁取代谁"复杂。它们共享同一套作物-大气-土壤连续体的科学共识，走的是截然不同的建模路径，适用的场景也完全不同。这篇文章我把自己实际使用中的对比、踩坑和配合经验串起来讲，希望能帮你少走点弯路。

1. 两个模型各自的起点：它们到底在解决什么问题

1.1 WOFOST模型的机理链条与设计初衷

WOFOST全称是World Food Studies，最早是为了做作物产量预报和土地生产潜力评价而开发的机理型作物生长模型。它把一株作物的生长过程拆解成一条完整生理链条：物候发育、冠层光截获、CO2同化、维持呼吸与生长呼吸、干物质在各器官间的分配、叶面积动态、根系与土壤水分平衡，再到最终贮存器官的产量形成。这个过程以日为步长推进，输入的是逐日气象数据、土壤剖面参数和作物品种参数，输出的是逐日LAI、各器官生物量、土壤水分含量以及最终的潜在产量和水分限制产量。

这个模型最核心的逻辑，是"源-库-流"的生理框架。它先模拟光合源（叶片同化产物的生成量），再模拟呼吸消耗，再按发育阶段把净光合产物分配给根、茎、叶和贮存器官。每一环都有明确的生理参数支撑，比如比叶面积SLA、叶片寿命SPAN、光能利用效率、维持呼吸系数、发育期有效积温等。正因为这种机理化的设计，WOFOST特别适合回答"如果光温条件理想，产量上限是多少"这类问题，也适合在气候变化情景下评估温度、辐射和CO2浓度变化对产量的综合影响。

当然，机理化的代价也摆在明面上：参数多，校准难，对数据质量要求高。我记得第一次跑WOFOST的时候，光是把作物文件里那几十个参数逐个理解透，就花了不少时间。SLA调高一点，LAI峰值就完全不同；叶片寿命参数SPAN一改，后期光合产物积累直接变了一个量级。这些参数之间的相互作用不是线性的，这对新手很不友好，但也正是这个模型的魅力所在：它模拟的不是统计关系，而是作物生长的生理过程。

1.2 AquaCrop模型的工程化思路与适用对象

AquaCrop则是从完全不同的角度切入作物模拟的。它没有试图完整复现光合-呼吸-分配的全套生理链条，而是把注意力集中在"水"这个核心要素上。它的理论出发点是一个在实践中被验证的近似关系：作物生物量积累与作物蒸腾量近似成正比，而且这个比例关系在给定气候下相当稳定。基于这个关系，AquaCrop用归一化水分生产力WP作为核心参数，把每天的生物量增量表达成WP与实际蒸腾量的乘积，再折算成参考蒸散和CO2浓度的影响。

它模拟过程的主线很清晰：先算冠层覆盖度CC（相当于WOFOST里LAI的工程简化版本），再通过作物系数和冠层覆盖度算蒸腾量，再由水分胁迫系数削减冠层增长和蒸腾，最后用收获指数HI把地上生物量转化为产量。整套模型涉及的核心作物参数大约三十多个，在同类模型中已经算非常精简了，而且官方不仅提供了大量作物的默认参数，还配了方便操作的可视化界面。正因为这个特点，AquaCrop特别适合工程师、农艺师和一线水资源管理者使用，大家不需要掌握光合作用方程就能做出灌溉制度优化、缺水减产评估和水分生产率分析。

我实际用下来的感受是，AquaCrop给人的第一印象就是"快"。把气象数据、土壤初始水分、作物参数一填，跑一遍模拟，输出图表直接就出来了，而且界面自带的绿色冠层覆盖度曲线、水分胁迫日期标记和水分生产率图表，往报告里一贴就很直观。对于需要反复做情景对比的项目来说，这种模块化、工程化的设计确实省力。

1.3 一句话归纳：机理演绎与工程近似的分野

如果用一句话概括两者的根本差异，那就是：WOFOST从"光温驱动的生理过程"出发，一步步推导出产量；AquaCrop从"水分-产量关系"出发，用工程化的经验关系直接推算产量。前者更像在实验室里做生理测量，后者更像在田埂边做生产决策。这个出发点上的差异会传导到后面的所有细节，包括参数结构、数据需求、适用场景，也包括模拟结果对同一套气象输入的不同响应方式。

2. 核心机制的分岔口：光温驱动与水分驱动

2.1 WOFOST的逐日光合同化与呼吸消耗链条

要真正理解WOFOST的行为特征，必须看它的日同化计算。模型首先根据叶面积指数LAI计算冠层对光合有效辐射的截获比例，再用高斯积分的方式把一天内的光强变化离散成若干点，逐点计算叶片光合速率后累加起来，得到冠层日总同化量。这个数字不是简单乘一个光能利用率就完事了，它跟LAI的垂直分布、叶片的光响应曲线、温度对光合作用的影响都有关。

得到总同化量之后，还要扣除维持呼吸和生长呼吸。维持呼吸随温度指数升高，作物越到生育后期、温度越高，呼吸消耗越大；生长呼吸相当于把碳水化合物转化为结构物质时的化学损耗。净同化量再按物候阶段决定的分配系数分给根、茎、叶和贮存器官。我每次看WOFOST的输出曲线都会注意一个现象：在灌浆期，即使光合产物还在源源不断产生，如果维持呼吸消耗太大，分配到贮存器官的干物质增量也未必能维持高位。这种"源-库-呼吸"动态平衡的描述，在统计模型里是看不到的。

WOFOST对水分胁迫的处理方式也体现了它的机理色彩。它把水分亏缺转化为实际蒸腾与潜在蒸腾的比值，这个比值下降意味着气孔导度下降，进而直接削减同化速率。被削弱的同化会沿着呼吸、分配、叶面积增长的链条逐级传递，最终影响产量。这个传导链路是线性的还是非线性的？实际上因为LAI增长和同化积累互相影响，往往是非线性的。这解释了为什么在严重缺水年份，WOFOST模拟的产量下降幅度会格外明显。

2.2 AquaCrop的"水+冠层"线性生物量积累逻辑

AquaCrop的机制链条则精简得多。它每天做的事情大致是：先更新冠层覆盖度CC，CC受积温驱动增长，也受水分胁迫和温度胁迫影响；然后用CC乘以作物系数得到作物蒸腾量Tr；再用WP*乘以Tr与ET0的比值得到当天的生物量增量；作物进入衰老期后，CC开始衰减，生物量积累速度跟着放缓；收获时把生物量乘以收获指数HI得到产量。

这里最关键的工程近似，是把碳同化和蒸腾这两条路径压缩成一条"线性正比"关系。它没有模拟呼吸消耗的日变化，没有模拟叶片光合速率的光响应，而是把所有生理细节折叠进WP*这个经过温度和CO2校正的归一化参数里。AquaCrop对水分胁迫的处理也很工程化：土壤有效水分消耗到一定程度后，冠层生长先受抑制，再严重一点，气孔开始关闭导致蒸腾下降，生物量积累随之减少。这个胁迫响应用分段线性函数表达，用两个阈值分别控制冠层生长和蒸腾关闭。

正是这种设计，让AquaCrop在做灌溉制度优化时如鱼得水。它的输出里明确告诉你哪天发生了水分胁迫、胁迫程度如何、产量因此下降了多少。这种直接面向水资源管理的结果，是WOFOST那种从机理链条里间接推算的响应方式给不了的。

2.3 同样的减产，完全不同的叙事方式

把两个模型放在一起对比时，最直观的感受是它们讲述减产故事的逻辑不一样。WOFOST讲的是"光合源被削弱、呼吸消耗吃掉净同化、分配比例不够"的故事；AquaCrop讲的是"蒸腾被限制、水分生产力打折、收获指数受影响"的故事。对于研究作物生理的人来说，WOFOST的故事更完整、更接近真实机理；对于做灌溉决策的人来说，AquaCrop的故事更直接、更能落地。

在我的一次对比试验里，充分灌溉情景下两个模型模拟的产量高度相关，但把它们同时扔进一个干旱年份的气象序列里，WOFOST模拟的减产幅度明显比AquaCrop大。原因就在于机制差异：WOFOST的光合削减会通过LAI-同化-呼吸的链条被非线性放大，而AquaCrop的胁迫函数从设计上就相对平滑。这个现象本身没有绝对的对错，但选模型的时候要心里有数。

3. 摆在台面上的差异：输入数据、参数结构与输出体系

3.1 气象数据门槛：辐射与参考蒸散的分工

两个模型都需要逐日气象数据，但对气象要素的利用方式差别很大。WOFOST需要太阳总辐射（或者日照时数换算）、最高温、最低温、降水量、水汽压（或相对湿度）、风速。它对辐射数据非常敏感，因为辐射直接决定光合同化量。实测中如果辐射数据质量差，WOFOST的产量模拟基本就崩了，连校准都救不回来。

AquaCrop也要求太阳辐射相关数据，但它通常会把能量部分折算进参考蒸散ET0里，再多输入一个CO2浓度用于WP*校正。很多情况下AquaCrop甚至可以用温度数据通过内置公式估算ET0，这对缺观测站的地区很友好。所以同样一套气象数据，WOFOST对辐射的准确度要求更高，AquaCrop对温度的连续性要求更高。这在实际项目选型里是很实在的考量：手里有高质量辐射数据，跑WOFOST更有底；只有温度和降水数据，AquaCrop起步更容易。

3.2 土壤与地下水描述的精细度差距

WOFOST的土壤水分模拟基于一维多层模型，输入参数包括田间持水量、凋萎含水量、饱和含水量、饱和导水率、土壤剖面深度等。它可以模拟水分在不同土层间的再分布、根系逐层吸水、渗漏和毛细上升。这意味着如果你关心的是"土壤水分剖面的季节变化""干旱持续时间与作物根区水分耗竭的对应关系"，WOFOST能给出更丰富的空间信息。

AquaCrop的土壤模型则简洁得多，本质上更接近一个单层或者简化的水桶模型，主要参数是总有效含水量TAW、初始水分亏缺、地表渗透率和地下水埋深。它不能告诉你某一土层在某个时间点的精确含水量，但对于"还需要灌多少水""灌水时间拖后三天减产多少"这类管理问题，精确性完全够用。我自己的体会是，做区域产量模拟或者地下水位敏感区的项目，用WOFOST更舒服；但要快速评估一个大区域的灌溉需水，AquaCrop的粗放反而成了优点。

3.3 作物参数对比：量表级差异

作物参数是两套模型差异最直观的地方。整理一个小表来看：

我记得最初用WOFOST时，光是校准SLA（比叶面积）这一个参数就折腾了很长时间。把它从150改成200，LAI峰值能差出两成，后续的干物质积累跟着连锁反应。AquaCrop则友好得多，官方库里有很多作物的默认参数，直接从预定义作物里挑一个改改就能跑出像样的结果。当然，这也意味着AquaCrop的机理诊断能力弱一些，它不会告诉你"因为维持呼吸太大所以产量受限"这类信息。

3.4 输出结果的形态与使用场景差异

从输出端看，WOFOST的标准输出是逐日时间序列：LAI、叶重、茎重、根重、贮存器官重量、土壤各层含水量、潜在产量和水分限制产量。单位是公斤每公顷。这些数据很适合用于绘制生长动态曲线、做模型间对比或者与实测观测数据进行统计验证。如果你做研究型项目，需要分析某个生育阶段的生物量积累过程，WOFOST的输出细腻程度是很到位的。

AquaCrop的输出除了逐日生物量、产量和ET外，还有冠层覆盖度动态、水分胁迫指示、季节性水分生产率和水平衡分量。它自带的可视化报告做得很接地气，颜色分区、日期的胁迫标记、柱状图这些元素直接把结果讲清楚了。这种输出格式特别适合非建模背景的决策者阅读，也适合在报告中直接引用。如果客户或者合作方需要快速理解"不同灌溉情景下的产量与水分生产率对比"，AquaCrop的输出效率我觉得是两类模型里更高的。

4. 它们不是彼此否定的对手：内在联系与互补使用

4.1 共同的地基：作物-水分-大气的生理连续体

尽管机制路线不同，WOFOST和AquaCrop共享同一个科学基础：作物通过气孔进行CO2吸收和水分散失，气孔导度受水分胁迫调节，因而碳同化与蒸腾之间存在内在耦合。两个模型都接受了这个共识，只是在表达方式上走了不同路线。WOFOST把气孔导度作为碳同化削减的中间变量，AquaCrop把蒸腾作为生物量积累的直接驱动力。

这个共同地基带来的直接结果是，在水分供应充足的条件下，两个模型对潜在产量的估计往往相当接近。因为当胁迫不存在时，WOFOST的光合驱动机制和AquaCrop的WP*关系都在近似描述同一件事：给定气候和冠层特征，作物能把多少辐射或水分转化为生物量。我在多个作物的模拟中都观察到了这种一致性，这本身就是一个很好的相互校验信号。

4.2 参数之间的映射与"模型互译"经验

由于两者都描述冠层发展和产量形成，它们的参数之间存在可映射关系。最典型的就是AquaCrop的冠层覆盖度CCx（最大覆盖度）和WOFOST的LAI峰值之间可以互相估算。作物系数Kc在AquaCrop中控制最大蒸腾，它跟WOFOST模拟的潜在蒸腾与参考蒸散之比在物理上也对应。反过来，AquaCrop的WP*可以看作WOFOST潜在产量与季节总蒸腾之比的一种经验标定结果。

这种"模型互译"在实战中很有用。比如某个项目需要你提供一个区域的产量潜力但观测数据非常少，你可以先用比较好校准的AquaCrop跑出产量和ET参考值，再用WOFOST在类似情景下模拟，看两者的LAI峰值和产量是否落在合理区间。反过来，当你用WOFOST诊断出某个品种在灌浆期源供应不足的问题，也可以用AquaCrop做一遍水分情景分析，看看水分调整能在多大程度上缓解源限制带来的减产。

4.3 流水线式的组合应用：机理诊断加管理决策

我在一个灌溉评估项目里常用的组合方式是"WOFOST做机理诊断，AquaCrop做水管理"：先拿WOFOST跑一遍当地光温潜势和物候诊断，搞清楚这个地区在理想水分条件下产量天花板在哪里，物候长度是否合理；再用AquaCrop搭建不同灌溉制度情景，输出每种制度下的产量、季节ET和水分生产率。这样既保留了机理诊断的可信度，又不把一线决策逼近庞大的参数校准泥潭里。

如果你做的是气候变化影响评估，我建议以WOFOST为主，因为CO2浓度、温度和辐射的影响可以在机理链条上分别体现，结果更有解释力；如果你要评估的是缺水灌溉、雨养农业优化或者节水政策，那AquaCrop能更快给出可操作的对照方案。两者在应用链条上不是竞争关系，而是梯次配合的关系。

5. 从选型到实战：校准体验、对比试验与我的取舍经验

5.1 参数校准的体验差异与数据条件要求

我这些年给两个模型都做过完整的本地化校准，一个很深的感触是：选模型前得先盘点自己手上有多少观测数据。WOFOST要校准扎实，至少需要叶面积动态观测、不同器官的生物量取样和物候记录，最好还要有多年数据来做验证。我最早只有产量数据没有器官生物量数据，那时候用WOFOST简直是盲人摸象，调来调去全是参数间的互相补偿，最后模型看起来"拟合了产量"，但内部过程完全是乱的。

AquaCrop对数据的要求宽容很多。有产量实测和生育期记录，配合官方默认参数，往往就能跑出可以接受的基准结果。它的收获指数HI和成熟期CC衰减参数一调，产量曲线马上就贴合实测。但要注意，这种宽容是有代价的：如果你完全依赖默认参数且不做任何本地化修正，模型对极端干旱年份的响应可能过于乐观，因为它无法捕捉到本地品种在高温与缺水叠加时的特殊生理响应。

5.2 一套可复制的对比试验设计模板

如果你想做两个模型的客观对比，我给一个我自己用过的参考流程：

1. 数据准备：选择某个地区15年左右的气象日序列，同时收集对应年份的作物生育期记录、产量实测数据和管理的灌溉信息。
2. 参数配置：两个模型分别用当地品种参数和土壤参数，避免直接用默认值，至少把物候期参数对齐。
3. 试验设计：设置三类情景——充分灌溉（无水分胁迫）、雨养（完全依赖降水）、关键生育期干旱（例如抽穗期前后停水30天）。
4. 统计评估：比较模拟产量与实测产量的RMSE、MAPE和相关系数，同时比较季节ET的模拟差异。
5. 过程诊断：对WOFOST额外检查LAI峰值和收获期生物量，对AquaCrop额外检查冠层覆盖度峰值和收获指数。

我实际跑下来，充分灌溉情景下两个模型与实测的相关性都在0.8以上，说明两者的基本模拟能力都在线。雨养情景下，WOFOST模拟的年份间产量波动更大，AquaCrop相对平缓；极端干旱处理上，WOFOST的减产幅度更剧烈。这个差异恰好对应前面分析的机制特点，而不是某个模型"错了"。

5.3 选型速查表：我的实际判断依据

5.4 几个我用下来特别想提醒的坑

第一，物候期对齐一定要放在最前面。两个模型对生育期长度的模拟都是基于积温，但一旦出苗期、开花期和成熟期的模拟值与观测不一致，后面冠层和分配的所有误差都会跟着放大。我在做校准的时候，最先干的永远是调发育速率参数，把物候窗口对准了才开始碰产量相关参数。

第二，气象缺测数据的处理要谨慎。WOFOST尤其不能瞎补辐射数据，如果某天辐射缺测你用平均值顶上，LAI峰值可能就被推高了。更稳的做法是利用同区域其他站点的比值关系或者气候态的云量折算。

第三，AquaCrop的WP*参数不要直接当"作物水分利用效率"对外解读。它是经过ET0和CO2双重归一化的校正量，概念上比田间实测的WUE更抽象，跟传统的蒸腾效率计算口径不完全一致。如果报告里混着用，很容易被审稿人或客户挑毛病。

第四，两个模型都不是"装上就能用"的工具箱，都必须经过本地校准和验证。市面上有很多默认参数跑得挺好看，但那种好看往往只在平均年份成立，一遇到极端气候就原形毕露。

就我自己的实践感觉，这两个模型的选择，归根结底不取决于谁更先进，而取决于你手里有什么数据、要回答什么问题、要给谁看结果。如果预算和数据条件都允许，用WOFOST做机理研究、再用AquaCrop做一线决策，是我用过相对顺手的组合。先让机理模型告诉你"为什么"，再让水分模型告诉你"怎么办"，这一前一后配合下来，很多原本看起来对不上号的结果反而能互相解释，项目推进也顺畅得多。