做作物模型的人，迟早会在某个项目里同时撞见WOFOST和AquaCrop这两个名字。一个来自欧洲，一个出自联合国粮农组织，都是全球应用最广的作物生长模型，但如果你只把它们当作“模拟产量的工具”来用，那从一开始就搞错了方向。这篇博文就专门讲清楚这两套模型的底层逻辑、参数体系、适用边界，以及在实际项目里怎么选、怎么配合、怎么避坑。
1. 两个模型的出身决定了它们的性格差异
1.1 WOFOST的欧洲血统和机理派路线
WOFOST的全称是World Food Studies，最早是荷兰瓦赫宁根团队在80年代为评估世界粮食安全开发的。它从一出生就带着浓厚的欧洲作物生理学研究基因——核心思路是把作物的光合作用、呼吸消耗、干物质分配、叶面积扩展这些生理过程全部用数学方程描述出来。你可以把它理解成一套“按器官拆解”的机制模型：太阳辐射进来，冠层截获，光合酶系统固定碳，然后碳以一定比例分给根、茎、叶、穗，每一个环节都有独立的算法。
这种设计的一个直接后果是，WOFOST的参数非常多。光是光合作用相关的就有初始光能利用率、单叶最大光合速率、光合曲线的形状参数等一整套，再加上比叶面积、各器官分配系数、物候发育所需积温、根深扩展速率，林林总总几十个参数。而且很多参数不是拿来就能用的，需要根据品种、区域、播期去重新校准。这也是很多初学者第一次跑WOFOST时头皮发麻的原因——参数表像一本小册子，默认值来自欧洲温带气候下的试验数据，换到别的地方，直接跑出来的结果基本只能当作参考。
但机理模型的优势也恰恰在这里。因为它描述的是过程而不是结果，所以它可以回答很多“如果怎么样会怎么样”的问题。比如你想知道拔节期持续三天低温寡照，最终产量会掉几个百分点，WOFOST能通过模拟光合作用过程受到的影响把这个差异算出来。它不依赖历史统计关系，而是从过程机制出发做推演，这是它最不可替代的价值。
1.2 AquaCrop的FAO背景和水分驱动哲学
AquaCrop的情况完全不同。它是联合国粮农组织在2009年前后推出的模型，直接定位就是“水分生产力模拟工具”。FAO当年开发它的初衷很明确，而且务实：世界上有大量地区缺少精细的作物生理试验数据，管理人员和农技推广者需要的是一个输入不太复杂、但能准确抓住水分和产量关系的东西。AquaCrop正是基于这条思路设计的。
AquaCrop的核心逻辑用一个词就能概括——水分驱动。它不像WOFOST那样去模拟光合速率和干物质分配的完整生物物理过程，而是把作物产量拆成两部分：生物量和水收获指数。生物量由冠层截获的光和标准化水分生产力相乘得到，水分的胁迫通过一个根据土壤含水量实时计算的胁迫系数去压低生物量增速。这套做法看起来比WOFOST简化了很多，但它把重点放在“水分到底怎么影响产量”这条主线上，对数据要求更低，参数也更少。
从操作体验上讲，AquaCrop对新手要友好得多。它的主要作物参数内置了默认设置，玉米、小麦、水稻这些常见作物拿来基本就能跑起来。用户需要准备的核心输入是气象数据、土壤剖面特征和管理措施。很多人第一次用AquaCrop的感受是，终于有个模型能把重心放在“水分”这个核心变量上，而不是被一大堆生理参数拖住注意力。
1.3 两种设计哲学背后是两种应用导向
WOFOST和AquaCrop的差异本质上是“过程解析”与“关键因子”的差异。WOFOST想回答的问题是：“作物从播下到收获，每一天都发生了什么，产量是怎么一步步积累出来的？”AquaCrop想回答的问题是：“在水资源受限的条件下，每单位水能换来多少生物量和籽粒产量？”
这两条路线没有绝对的高下之分，而是对应着不同的应用场景。学术研究里要深挖胁迫机制的，WOFOST更合适；生产管理里要快速评估灌溉策略、水分生产力的，AquaCrop更顺手。我个人的经验是，同一个项目里把两个模型都跑一遍的场景经常出现，先用AquaCrop快速扫一遍不同水分处理的大致产量反应，再针对关键情景用WOFOST做详细的机制分析，效率和深度都能兼顾。
2. 核心机制层面的关键差异，逐一拆开看
2.1 光能截获与碳同化路径的差异
WOFOST对产量形成过程的起点是冠层光合作用。它把冠层分成了若干层，每一层根据叶面积指数和光照的衰减系数计算截获的辐射量，再用光合响应曲线把辐射量换算成总光合速率。关键的机制点是，WOFOST考虑的是瞬时光合速率随太阳高度角变化的日变化过程，而且区分了直射光和散射光的不同响应特性。这意味着模拟的时间步长可以小到一天以内，从而保证对辐射变化反应敏感。这样做的好处是机制的还原度很高，能捕捉到云量变化、冠层结构不均带来的细微影响；代价则是需要的气象输入必须包含逐日太阳辐射，而且对辐射数据的准确性非常敏感。
AquaCrop的光能利用率部分则是一个高度整合的变量。它不需要逐层积分冠层光合，而是用一个标准化水分生产力参数，把冠层截获的累积辐射直接换算成生物量累积。整套计算是建立在“作物每天能长多少干物质，主要由冠层怎么扩展、截获多少辐射、水分胁迫打多少折扣”这三件事决定的。相比WOFOST，AquaCrop在这方面明显是“近似优先”，精度略有损失，但对数据的要求低得多，更容易在数据有限的区域完成参数化。
2.2 蒸散发计算路径的差别
蒸散发计算是这两个模型差异最明显的地方之一。WOFOST在经典版本里采用的是更偏向潜在蒸散发的框架，通过参考蒸散发乘上作物系数来计算作物的水分消耗，而且对土壤蒸发和作物蒸腾的区分相对简化。这种处理在湿润、温度适中、作物生长受水分约束较少的欧洲环境里表现良好，但在干旱半干旱地区使用时，会低估土壤水分的快速蒸发，导致水分平衡的模拟偏差。
AquaCrop的蒸散发模块要细致得多。它把裸土蒸发和作物蒸腾分开模拟，每天根据冠层覆盖度在地上分配能量，冠层覆盖度越高，用于蒸腾的比例越大。这个设计的实用价值很大，因为在雨养农业中，作物苗期的主要水分消耗恰恰是土壤蒸发，如果这个部分模拟不准，后续土壤含水量的变化轨迹和水分胁迫判断都会失真。AquaCrop还把冠层覆盖度与衰老过程挂钩，作物后期因水分胁迫导致的叶片早衰，会让覆盖度快速下降，从而形成“胁迫导致早衰、早衰加剧胁迫”的反馈循环。这个机制WOFOST中虽然有类似概念，但表达方式和敏感度差别很大。
2.3 水分胁迫响应的数学表达差异
水分胁迫是AquaCrop的核心竞争力所在，它通过响应函数的方式分别模拟了四个胁迫层次：冠层扩展抑制、气孔关闭导致的生物量增长受阻、叶片衰老加速、以及开花期水分敏感阶段的花序败育。每个响应过程都有独立的阈值参数，意味着你可以分别调“叶子长得慢”和“光合被压制”这两件事的敏感程度。这种模块化的思路在实际率定中非常好用，因为你可以根据田间观察单独校准某个胁迫过程的参数，而不影响其他过程的拟合效果。
WOFOST的水分胁迫响应相对集中，主要通过水分胁迫因子对蒸腾速率、光能利用率和根系吸水进行限制。它的表达方式更接近“一个总闸门”，胁迫因子的大小基于土壤含水量与凋萎点、临界点的相对位置来计算。好处是参数少、逻辑简单，坏处是它无法精细区分不同生理过程在水分胁迫下的差异化响应，如果作物在某个特定时期对水分特别敏感，WOFOST的模拟结果会显得“钝化”。
2.4 物候发育过程的机制差异
物候是WOFOST做得非常扎实的部分。它把作物的发育分为出苗到开花的营养生长期和开花到成熟的生殖生长期，发育进度由每日有效积温驱动，而且不同阶段的最适温度、基础温度、最高温度都可以独立设置。更精细的一点是，光周期敏感性可以通过一个修正因子叠加到发育速率上，这让WOFOST在纬度跨度大的地区也能较好地模拟品种的区域适应性。
AquaCrop的物候模块相对朴素。它同样采用积温驱动，从播种到出苗、到冠层完全覆盖、到开花、到成熟，每个阶段都有目标积温参数，但这些阶段之间没有复杂的相互反馈，也不会因为光周期变化改变发育速率。对实际应用来说，AquaCrop的物候精度足够应付绝大多数灌溉管理和水分生产力的评估需要，但如果你想研究极端气候下发育进程的异常变化，比如高温加速生殖生长导致灌浆期缩短，AquaCrop的表现就远不如WOFOST灵活。
3. 输入参数和运行环境的真实对比
3.1 WOFOST的“参数全家桶”长什么样
跑过一个完整的WOFOST项目的人都知道，参数准备是工作量最大的环节。大致可以分为几类：作物参数、土壤参数、气象参数、初始条件和管理设置。
作物参数里最核心的是光合参数，比如AMAX（单叶最大CO2同化速率）、EFF（光能利用率）、以及光响应曲线的曲率；然后是分配参数，描述了从出苗到成熟每个发育阶段，新生成的干物质按什么比例分给叶片、茎、根和储存器官；再就是物候参数，包括不同阶段所需的有效积温；还有形态参数，比如比叶面积、消光系数、最大根深。
土壤参数方面，WOFOST需要水分特征曲线的关键节点，包括田间持水量、凋萎点含水量、饱和含水量、饱和导水率，还要一层一层按深度提供。气象数据要求更严格，需要逐日最高温、最低温、总辐射、降水、风速、水汽压，缺一项都会直接影响蒸散发和光合计算。很多初学者卡在辐射数据的获取上，如果只有月均值或者缺测，就需要用温度差估算辐射的方法补全，但精度会打折扣。
3.2 AquaCrop的参数体系为什么没那么吓人
AquaCrop的参数体系刻意收敛了作物生理细节，把重点放在“和水分生产最相关的变量”上。作物参数主要围绕冠层覆盖度展开：出苗到冠层最大覆盖度的积温、最大冠层覆盖度的目标值、冠层衰老的起始积温、单个叶片的气孔胁迫阈值、衰老胁迫阈值、标准化水分生产力、收获指数及其对水分胁迫的响应曲线。
这些参数大多数在AquaCrop自带的作物文件里已经提供了默认值。对同一个作物，你可以直接挑选一个近似的品种文件，然后根据实地观测去调整少数关键参数，比如最大冠层覆盖度和收获指数。土壤方面，AquaCrop允许用户设定土壤剖面的各层厚度、质地类型、田间持水量、凋萎点、初始含水量，输入形式非常直观。整个模型的设计目标就是把参数数量压到最小但保留对水分生产力的拟合能力。
这也带来了一个实际好处：在数据稀缺地区，AquaCrop可以基于当地常见作物的保守参数直接运行，虽然精度有限，但至少能给出一个合理的数量级和趋势，这是WOFOST很难做到的。
3.3 运行环境和数据准备的现实差异
WOFOST最常见的运行方式是使用Python的官方库，通过配置YAML文件来定义作物、土壤、站点和气象数据。它对数据格式的要求比较高，气象数据通常需要整理成特定的时间序列格式，并且字段顺序、单位都必须严格匹配。一旦数据格式出错，模型运行会直接报错或者产出明显异常的结果。很多项目团队会用脚本自动把CSV格式的气象数据转成WOFOST可识别的格式，避免手工出错。
AquaCrop的官方版本是独立的桌面软件，界面清晰，输入输出都是可视化的，而且FAO提供了一套完整的使用手册和案例数据包。另外AquaCrop也在Python生态中有社区封装版本，可以在脚本化流程里调用核心逻辑。对生产管理项目而言，直接用桌面软件最方便；对需要批量模拟或参数自动校准的项目，用Python封装版本可以节省大量时间。
两种模型的数据准备有一个共同点——气象数据质量是所有环节里最需要花时间把关的。辐射数据的缺测和补插、降水数据的时间一致性、风速数据的不同观测高度换算，这些问题如果不处理，后面模型跑得再顺畅，结果也经不起推敲。我个人习惯是准备好气象数据后，先分别计算参考蒸散发的季节总量并与当地常识值做对比，如果差异超过两成就要检查原始数据。
4. 现实场景下到底该选哪个，别只看名气
4.1 区域产量估产和粮食安全评估选WOFOST更合适
如果你要做的是大范围的产量监测与估产，比如国家级或省级尺度的作物长势分析和产量预估，WOFOST这种机理模型有明显优势。原因很简单，区域尺度上的品种多样性和管理差异性非常大，统计模型很难外推，而WOFOST能通过调整物候参数和品种参数来适配不同的生态区。
欧洲很多国家的作物产量监测系统长期使用WOFOST作为核心引擎，按网格或农业生态区分别参数化，再与遥感植被指数同化，逐步校正模拟的叶面积和生物量。这种框架下，WOFOST输出指标非常丰富，包括叶面积指数、总生物量、各器官干重、土壤水分消耗等。这些中间输出可以和遥感观测高度互补，这也是它在区域应用里不可取代的原因。
对于这种场景，需要特别注意的是区域率定的问题。不要直接用品种文件夹里的默认参数套到所有像元。合理的做法是分生态区收集观测数据，用试错法或优化算法分别估计物候参数和最大根深等关键项，宁可只调三五个最重要的参数，也不要大规模盲目校准。
4.2 水分生产力研究和灌溉策略评估用AquaCrop更顺手
AquaCrop从设计之初就把“每立方米水能产出多少粮食”作为一个核心输出指标。它内置了水分生产力的标准化参数，并允许用户对不同灌溉方案做情景模拟，非常直观地比较充分灌溉、亏缺灌溉、雨养三种模式的产量和水分利用效率差异。这也是FAO在诸多发展中国家推广AquaCrop作为灌溉管理决策支持工具的原因之一。
在具体项目中，我的经验是先跑三种基准情景：完全雨养、充分灌溉、典型亏缺灌溉，把产量和蒸腾量分别算出来，再看水分生产力的差异。AquaCrop的输出文件里包含了每天的作物蒸腾、土壤蒸发、生物量、产量，可以很方便地算出作物水分生产力。再加上它自带的气候情景生成工具，也可以组合未来气候数据做气候变化情景下的水分风险预判。
这套模型的一个亮点是能处理覆盖度与土壤蒸发之间的动态关系。在作物生长初期冠层还没有闭合的时候，土壤蒸发占掉大量水分，怎么优化播期让冠层能更快覆盖地面，本身就是一种不增加灌溉投入就能提高水分生产力的方法。AquaCrop对这种效应的敏感度非常高，这是WOFOST难以比拟的。
4.3 数据条件限制了模型选择的天花板
模型选择在很多时候不是“谁更好”的问题，而是“现有数据能支撑谁运行”。WOFOST需要完整的逐日气象序列，特别是太阳辐射，还要有作物品种参数和土壤分层信息，这些在大部分站点尺度下勉强能凑齐，但如果是历史时期或偏远地区，辐射数据的可靠性和连续性就非常揪心。AquaCrop可以通过使用默认作物参数和简化的土壤剖面来大幅降低数据门槛，对于只有月均降雨和温度数据的区域，也能用估算的参考蒸散发把模型跑起来，输出的结果仍然有趋势参考价值。
这种情况下我的建议是“模型与数据匹配”：如果你只有三五年的气象观测，做历史趋势分析或者管理情景比较，AquaCrop就足够；如果你想做长系列逐日产量模拟，并且能做参数率定，那WOFOST值得投入时间。两者并不互斥，实际上在数据不完整的项目里，我常先跑AquaCrop建立基线认识，再补数据上WOFOST做深度分析。
5. 两个模型在同一条工作流里怎么配合使用
5.1 先用AquaCrop筛选水分敏感情景
实际项目里，把两个模型都纳入分析框架并不复杂，关键是让它们各自发挥擅长的地方。典型的流程是：第一步，用AquaCrop做水分情景的广谱筛查。比如设计五六种灌溉制度，从完全雨养到充分灌溉，加上不同生育阶段的亏缺处理，快速得到每种情景下的产量、蒸腾量、水分生产力和产量波动范围。这一步的价值在于用非常少的参数工作量就把决策空间缩小了。
AquaCrop的敏感性分析功能比较好用，它会自动调整关键参数并给出产量和水分生产力的变化范围，让你知道当前参数不确定度对结果有多大的影响。做完这步之后，你会对“这个区域的水分限制主要出现在哪个生育阶段”有一个清晰的判断。这等于告诉WOFOST后续深入模拟的时间窗口和胁迫场景。
5.2 再用WOFOST细化碳分配和物候响应
当AquaCrop确定了值得深入关注的水分处理方式之后，再把这些处理作为情景输入WOFOST。WOFOST能给出更细的器官尺度响应，比如胁迫下的根冠比变化、营养器官与生殖器官之间的碳竞争、不同物候阶段发育速率的变化。特别是开花到灌浆期遇到水分胁迫的时候，WOFOST能把“减少的产量”拆成“因早期生物量不足”和“因收获指数降低”两部分，这种归因信息对育种和管理都有直接价值。
这个阶段另一个重要任务是参数估计的互相印证。AquaCrop中的最大冠层覆盖度和衰老时间节点，可以和WOFOST的比叶面积、叶面积消光系数互相校验。如果两个模型在各自独立运行下都能重现田间观测到的叶面积峰值和生物量累积曲线，那么它们对产量响应的结论会显著增加可信度。反过来如果两者差异很大，往往说明某个核心参数的输入有误，而不是两个模型本身冲突。
5.3 同化遥感数据的思路在两个模型上的差异
遥感同化是目前产量监测的主流打法，但两个模型在同化策略上的要求完全不同。WOFOST因为中间输出变量丰富，最常用的同化对象是叶面积指数（LAI），通过调整物候参数和初始生物量让模拟LAI和遥感LAI之间的差异最小化。这个过程通常采用集合卡尔曼滤波或变分方法，计算量不小，但对数据同化算法熟悉的人会觉得很顺手。
AquaCrop的同化目标通常选择冠层覆盖度（CC），它和遥感植被指数的关系更直接。但因为AquaCrop的参数结构中可调自由度相对少，同化更多的是校正初始土壤水分和播种日期，而不是反复修正生理参数。这意味着AquaCrop的同化设置更简单，运行速度快，适合大范围快速估算；但它在机理层面能校正的细节也就更少。如果能结合两种模型各自的同化结果做交叉验证，区域产量估算的稳健性会明显改善。
6. 实操中反复踩过的坑和排查技巧
6.1 参数率定不收敛的常见原因
用WOFOST做参数率定时最常遇到的问题是目标函数不收敛或者收敛到一个明显不合理的位置。我以前调试一个春小麦项目时，率定算法一直在产量高估的方向上打转，怎么调都降不下来。后来逐个检查，发现是物候参数里营养生长期的积温设得太短，导致模型提前进入生殖生长阶段，截获的辐射总量少了，但茎秆分配比例又调得偏高，两个偏差互相抵消了一部分，最终产量数值看着正常，但器官比例完全失真。
这种问题的排查思路是：先固定住物候参数，用物候观测数据单独校准发育速率；再固定分配参数，用生物量观测校准各器官累积曲线；最后才调光合和蒸散发相关参数。不要所有参数一起进优化器，那样参数之间的相关性问题会让你永远找不到收敛方向。
AquaCrop的率定路径相对简单，但有几个参数特别容易出问题：最大冠层覆盖度、冠层衰老系数、收获指数。如果在灌溉充足的站点模拟产量还偏低，先检查最大冠层覆盖度是否设得太低；如果在后期模拟出现生物量停滞，检查是否触发了水分胁迫导致的早衰，而不是盲目去调标准化水分生产力。
6.2 气象数据的格式和单位坑
气象数据的问题是两个模型共用手都会遇到的坑。WOFOST的旧数据接口对单位非常敏感，比如降水用毫米每天，风速用米每秒，辐射用千焦每平方米每天，不同单位混用会让模拟结果差出好几倍。AquaCrop桌面软件虽然会在导入时提示单位，但如果是从第三方数据库导出后手工整理，很容易因为列匹配错位造成数据串行。
我自己有一个固定流程：每次拿到气象数据，先做三个快速检查。第一，看日辐射量的量级，在非极区一般夏天应该在20到30兆焦每平方米每天左右，如果出现个位数的量级，多半是单位换算出了问题。第二，看降水月总量是否和区域气候常识吻合，雨季旱季的比例是否合理。第三，算年平均参考蒸散发，湿润地区一般700到1100毫米，干旱地区可以到1500到2000毫米，如果数值偏差太大，要么是蒸散发公式参数错了，要么是风速数据高了。
6.3 初始土壤含水量的敏感性不能忽略
很多人把初始土壤含水量当作一个无关紧要的初始条件，随便填一个值就开跑。实际上在雨养条件下，初始土壤含水量对作物苗期水分供应和出苗后早期冠层扩展速度影响非常大，最终可以造成10%以上的产量差异，特别是在土壤剖面比较浅的地区。
我的建议是，如果缺乏实测值，至少用播前两周的降雨事件估算一下：持续降雨之后初始含水量接近田间持水量，持续晴热之后接近凋萎点附近。对于AquaCrop，初始含水量直接决定了土壤蒸发阶段的长短，值得花时间精心设定。WOFOST对初始根层含水量同样敏感，但它还受初始根深影响，所以要根据作物实际扎根深度分层设定。
AquaCrop还有一个很实用的功能，就是允许用户在模拟期间通过自定义气象序列创造“干旱年”和“湿润年”的情景，来测试初始含水量对产量波动的影响范围。如果产量对不同初始土壤含水量的响应幅度过大，说明这个系统本身的水分储备能力弱，那样的区域在种植策略上必须考虑保水措施，而不是单靠优化灌溉制度能解决的。
6.4 用校准后的参数反推输入数据的问题
有时候模型输出结果明显异常，但所有参数看起来都合理，这时候回头去查输入数据往往能发现问题。我之前处理过一个站点，AquaCrop模拟的腾发量明显高于参考蒸散发，怎么检查参数都找不到原因，最后发现是气象数据中的风速被填成了10米高度的观测值，而模型内部希望的是2米高度风速，未做转换导致蒸散发计算整体偏高。
这类问题的排查技巧是做敏感性测试。把某个输入变量人为加减10%，看输出变化幅度是否合理。风速对蒸散发的影响如果超过合理范围，基本可以确定是数据高度问题。降雨数据的质量可以用水量平衡方法检验：长时间序列模拟结束时，土壤含水量变化加上蒸散发总量应该等于降雨量减去径流和深层渗漏，任何缺口都要查数据。
通过这样的输入数据反查，不仅能解决当前的模拟问题，还能帮你建立一套数据质量核查的流程。时间长了你就知道，一个靠谱的模拟项目，一半的精力其实都是花在数据上面。模型本身反而没那么容易出问题。
6.5 两个模型输出结果不一致时怎么判断
如果同一个站点、同一套气象数据，用WOFOST和AquaCrop模拟出的产量差距超过两成，不要急着判定某一个模型错了，先分析差距的来源是哪里。最常见的原因是水分胁迫响应的表达方式不同：AquaCrop对冠层扩展的抑制非常敏感，连续的轻中度水分亏缺就会导致冠层提前衰老，生物量累积下降；WOFOST对轻度水分亏缺的响应相对平滑，只有在土壤水分降至临界点附近时才会表现出明显影响。
这时候我建议把中间过程输出拉出来对比，重点看三条曲线：冠层覆盖度或叶面积指数的时间变化、土壤含水量的下降速度、生物量的累积过程。哪条曲线开始分叉，说明两个模型对那个过程的模拟机制差异在起作用。如果分叉出现在冠层扩展阶段，问题在胁迫响应设置；如果分叉出现在水分平衡阶段，问题可能出在蒸散发或土壤参数上。这样的定位思路比单纯比较最终产量更有价值，也能反过来帮你更深刻地理解两个模型各自的机制边界。
7. 从应用到扩展：模型输出还能怎么挖掘
把WOFOST和AquaCrop的基本模拟跑通之后，很多人就停留在“产量出来了，报告写完了”的层面。但实际上这两个模型的输出远不止一个产量数字。WOFOST的逐日器官生物量累积曲线可以用来做倒伏风险评估——茎秆干物质累积与株高的比例如果失衡，配合大风天气情景，就能粗略估计倒伏概率的上升。AquaCrop的逐日蒸腾蒸发拆分结果可以用来计算作物的水分生产力日变化特征，找出一天里作物生理需水最关键的窗口，对精准灌溉的时段设计非常有参考意义。
再扩展一步，两个模型的输出都可以作为作物模型-经济模型的桥梁。把模拟产量输入一个简单的成本收益分析框架，结合不同的灌溉水价和产量价格，就能算出不同灌溉策略下的边际收益。这个层面的分析对农业管理决策的价值往往比单纯的产量预估更实际。我在一些项目中就是这么做的：先用模型算出不同灌溉制度的产量序列，然后接一个纯经济的净收益计算模块，输出不同水价情景下的推荐灌溉方案，落地效果很好。
如果你有遥感数据源，还可以做模型与遥感产品的双向校验。用WOFOST或AquaCrop的叶面积/冠层覆盖度输出和MODIS或Sentinel-2的植被指数产品做时序相关分析，能识别出模型可能存在的物候偏差，也能发现遥感数据中受云污染影响的质量问题。这种交叉验证虽然前期工作量大，但能显著提升区域应用的可信度。
我个人在实际工作中的体会是，模型本身不是目的，而是理解农业系统的一个透镜。WOFOST让你看到作物生长的生理机制全貌，AquaCrop让你盯住水分这个最关键的约束。两者之间的差异不是对错，而是视角的不同。先把这两个模型各自的脾气摸清楚，再谈选择、谈配合，才不会在项目的关键环节掉链子。最后再分享一个小习惯：每次跑完模型，别急着删中间文件，把逐日输出留存归档。因为后续做分析的时候，十有八九还得回到这些中间过程数据里去查问题，有存档和没存档，排查效率差好几倍。
