极端天气事件对作物生产构成了严峻挑战，因此准确评估其影响对于制定有效的气候适应策略具有重要意义。过程机理型作物模型是评估气候变化对作物产量影响的重要工具，但在模拟极端天气影响方面仍存在一定局限。为弥补这一不足，本文提出了WOFOST-EW v1模型，该模型是在世界粮食研究作物生长模型（WOFOST）的基础上，引入极端天气指数并融合深度学习算法构建而成，以提升在极端气候条件下对冬小麦生长过程的模拟能力。深度学习具有强大的非线性拟合能力，能够捕捉极端天气事件与作物生长之间复杂而细微的相互作用，从而显著提高极端情景下的模拟精度。本文利用华北平原农业气象站的物候观测、产量数据以及极端天气指标对WOFOST-EW模型进行了验证。结果表明，与原始WOFOST模型相比，WOFOST-EW在物候和产量模拟方面均表现出更高的精度。抽穗期和成熟期的相对均方根误差（RRMSE）分别由4.61%和4.74%降至3.73%和3.98%，RMSE分别降低10.64%和12.86%。在产量模拟方面，决定系数（R²）由0.67提高至0.76。此外，在极端天气发生年份的进一步验证表明，WOFOST-EW的模拟精度明显优于原始WOFOST模型：WOFOST的R²为0.61–0.71，而WOFOST-EW可达到0.80–0.86。研究结果表明，WOFOST-EW能够有效表征极端天气对作物生长的影响，为农业生产决策和气候适应策略制定提供了可靠工具。在极端天气事件日益频发的背景下，该模型可为更加准确的作物产量评估提供技术支持，并为全球气候变化背景下农业系统的适应与管理提供科学依据。
 

极端天气,深度学习,作物生长模拟,作物模型,作物物候,作物估产