基于作物生長模型的全局敏感性分析方法

馬冠南 丁春雨 李勇

摘要：作物的生長發(fā)育過程復(fù)雜，如何確定能夠適應(yīng)當(dāng)?shù)貧夂蛏鷳B(tài)類型的作物模型參數(shù)是準(zhǔn)確模擬作物生長的關(guān)鍵。本文選用WOFOST作物生長模型，利用擴(kuò)展傅里葉幅度敏感度檢驗(yàn)法EFAST對模型作物參數(shù)、土壤與管理參數(shù)進(jìn)行全局敏感性分析。結(jié)果表明，最大CO2同化速率AMAXTB、葉片35℃時的生命期SPAN、貯存器官同化物轉(zhuǎn)化效率CVO、飽和含水量SM0、初始土壤有效含水量WAV和出苗日期IDEM對于作物產(chǎn)量的形成具有較高的敏感度。

關(guān)鍵詞：作物生長模型；敏感性分析；產(chǎn)量

中圖分類號： S512.11 文獻(xiàn)標(biāo)識碼： A DOI編號： 10.14025/j.cnki.jlny.2016.19.026

作物生長模型的發(fā)展以美國的DSSAT系列和荷蘭的Wageningen系列為代表。本研究選用的WOFOST模型是荷蘭Wageningen系列模型之一，該模型是一個機(jī)理性的作物生長模型，對作物光和、呼吸、蒸騰、干物質(zhì)分配等生長過程的描述是通用的，可以通過更改參數(shù)模擬不同的作物，以及潛在、水分脅迫、養(yǎng)分脅迫三種生產(chǎn)水平，其普適性已經(jīng)得到了基本肯定[1-3]。然而，WOFOST模型主要針對歐洲的氣候特征、土壤類型與作物品種，將其引進(jìn)到我國模擬作物生長發(fā)育之前，必須首先進(jìn)行模型參數(shù)的敏感性分析，篩選出對作物生長發(fā)育與產(chǎn)量形成敏感度較高的參數(shù)進(jìn)行標(biāo)定。

敏感性分析主要分為局部敏感性分析和全局敏感性分析。局部敏感性分析的原理簡單，采用改變單一參數(shù)而固定其他參數(shù)的方法，僅考慮單一參數(shù)的變化對模型輸出結(jié)果的影響程度，這種方法忽略了參數(shù)間的相互作用對模型輸出結(jié)果的間接影響。作物生長模型通常是一個多參數(shù)共同作用的非線性復(fù)雜模型，因此，越來越多的研究傾向于采用全局敏感性分析方法[4-7]，同時考慮了參數(shù)的直接和間接效應(yīng)，對于衡量參數(shù)的敏感度說服力更強(qiáng)。

本文采用擴(kuò)展傅里葉幅度敏感度檢驗(yàn)法EFAST對模型作物參數(shù)、土壤與管理參數(shù)進(jìn)行全局敏感性分析，分別討論這些參數(shù)對冬小麥成熟期貯存器官干物質(zhì)量的貢獻(xiàn)程度，即對作物發(fā)育與產(chǎn)量形成的敏感程度。

1模型與方法

1.1 WOFOST模型

WOFOST作物生長模型是由世界糧食研究中心與瓦赫寧根農(nóng)業(yè)大學(xué)共同研發(fā)的，能夠定量描述一年生作物生長發(fā)育過程的模型。在過去的幾十年里，WOFOST模型的連續(xù)版本已經(jīng)在產(chǎn)量風(fēng)險分析、年際間產(chǎn)量變化分析、土壤狀況對產(chǎn)量的影響、氣象條件對產(chǎn)量的影響、不同作物品種與耕作制度下的產(chǎn)量差異等研究中取得了成功的應(yīng)用。WOFOST模型也適用于預(yù)測研究和定量土地評價，例如評價區(qū)域潛在生產(chǎn)力水平、估計(jì)灌溉或施肥利用的最大效益、檢測不利的生長條件、區(qū)域產(chǎn)量預(yù)報(bào)等。

WOFOST模型基于作物生長發(fā)育的生理生態(tài)過程，解釋了物候發(fā)育、CO2同化、蒸騰作用、呼吸作用、干物質(zhì)分配等主要過程。模型對作物生長發(fā)育過程的描述是通用的，能夠通過改變參數(shù)模擬不同作物，并且可以模擬潛在生長、水分脅迫和養(yǎng)分脅迫三種水平，模型運(yùn)行時間步長為1天[8]。

1.2 EFAST方法

EFAST法基于方差分解，提供了兩種敏感性分析指數(shù)：一階敏感性指數(shù)和總敏感性指數(shù)。一階敏感性指數(shù)反映了單一參數(shù)對模型輸出結(jié)果的直接貢獻(xiàn)程度，總敏感性指數(shù)則反映了參數(shù)直接和間接對模型的貢獻(xiàn)之和[9-10]。模型的總方差可以分解為：

1.3 實(shí)驗(yàn)設(shè)計(jì)

本實(shí)驗(yàn)應(yīng)用敏感性分析專業(yè)軟件Simlab-EFAST模塊對WOFOST模型參數(shù)進(jìn)行全局敏感性分析[11]。

在Simlab軟件的統(tǒng)計(jì)預(yù)處理模塊中設(shè)定表1和表2的各參數(shù)在取值范圍內(nèi)均勻分布，利用蒙特卡洛方法對作物參數(shù)采樣3000次，對土壤與管理參數(shù)采樣1000次。

將上一步生成的參數(shù)組合分別輸入到WOFOST作物模型中，模擬冬小麥成熟期貯存器官的干物質(zhì)量。

將上一步的模型輸出結(jié)果添加到Simlab軟件的模型執(zhí)行模塊，利用EFAST方法計(jì)算各個參數(shù)對模型結(jié)果的貢獻(xiàn)程度，得到各參數(shù)的一階敏感性指數(shù)和總敏感性指數(shù)。

2結(jié)果與分析

25個作物參數(shù)、11個土壤與管理參數(shù)對于冬小麥成熟期貯存器官干物質(zhì)量的敏感性分析結(jié)果如圖1所示。

從圖1b可以得出對于冬小麥成熟期貯存器官干物質(zhì)量最敏感的參數(shù)是AMAXTB130，總敏感性指數(shù)為0.530，即可以解釋模型模擬冬小麥成熟期貯存器官干物質(zhì)量變化方差的53.0%。最大CO2同化速率影響光合作用的強(qiáng)度，而光合作用的產(chǎn)物是干物質(zhì)，其中一部分被分配到貯存器官中。葉片在35℃時的生命期SPAN是第二敏感的參數(shù)，總敏感性指數(shù)為0.438，是直接描述葉片存活時間的參數(shù)。其余敏感度大于0.1的參數(shù)還有貯存器官同化物轉(zhuǎn)化效率CVO和AMAXTB100，總敏感性指數(shù)為0.355、0.251。CVO決定了同化物轉(zhuǎn)化為貯存器官干物質(zhì)量的速率，影響最終產(chǎn)量的形成。圖1d可以看出對于成熟期貯存器官干物質(zhì)量敏感度較高的參數(shù)同為SM0、WAV、IDEM，分別解釋了干物質(zhì)量變化方差的68.6%、30.3%、17.6%。飽和含水量是土壤中的全部孔隙都充滿水時的含水量，可以通過實(shí)測測得，也可通過土壤的容重和比重求得，用于計(jì)算最大下滲速率。初始土壤有效含水量描述了初始的土壤水分供應(yīng)，與作物前期的根部水分吸收情況密切相關(guān)。作物生長遵循特定的物候規(guī)律，出苗日期的提前或滯后，都會直接影響作物的生長發(fā)育和產(chǎn)量形成過程。

3結(jié)論

本文利用擴(kuò)展傅里葉幅度敏感度檢驗(yàn)法EFAST對WOFOST

模型作物參數(shù)、土壤與管理參數(shù)進(jìn)行全局敏感性分析。作物參數(shù)對于產(chǎn)量形成較為敏感的參數(shù)有AMAXTB、SPAN、CVO，土壤與管理參數(shù)對于產(chǎn)量形成較為敏感的參數(shù)有SM0、WAV和IDEM。敏感性分析結(jié)果可以作為參數(shù)是否進(jìn)行本地化和區(qū)域化調(diào)整的重要依據(jù)，同時對作物模型與遙感數(shù)據(jù)同化研究中區(qū)域優(yōu)化參數(shù)的選擇也有一定的借鑒作用。

參考文獻(xiàn)

[1]Boogaard H L， Van Diepen C A， Rtter R P， et al. WOFOST 7.1： User's guide for the WOFOST 7.1 crop growth simulation model and WOFOST control center 1.5. DLO Winand Staring Centre Wageningen， 1998.

[2]劉布春， 王石立， 馬玉平. 國外作物模型區(qū)域應(yīng)用研究進(jìn)展[J].氣象科技，2002，30（04）：193-203.

[3] 武思杰. 基于遙感信息與作物模型同化的冬小麥產(chǎn)量預(yù)測研究[D]. 長沙： 中南大學(xué)， 2012.

[4]吳錦， 余福水，等.基于EPIC模型的冬小麥生長模擬參數(shù)全局敏感性分析[J]，農(nóng)業(yè)工程學(xué)報(bào)， 2009，25（07）：136-142.

[5] 姜志偉， 陳仲新，等.CERES-Wheat作物模型參數(shù)全局敏感性分析[J].農(nóng)業(yè)工程學(xué)報(bào)， 2011， 27（01）： 236-242.

[6]何維， 楊華. 模型參數(shù)全局敏感性分析的EFAST方法[J].遙感技術(shù)與應(yīng)用， 2013， 28（05）： 836-843.

[7]吳立峰， 張富倉，等. 不同灌水水平下CROPGRO棉花模型敏感性和不確定性分析[J].農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（15）： 55-64.

[8] 馬玉平. 陜甘寧地區(qū)退耕還林還草的氣候和農(nóng)業(yè)效應(yīng)模擬研究[D]. 北京：中國氣象科學(xué)研究院， 2011.

[9] 姜志偉. 區(qū)域冬小麥估產(chǎn)的遙感數(shù)據(jù)同化技術(shù)研究[D]. 北京： 中國農(nóng)業(yè)科學(xué)院， 2012.

[10]Saltelli A.， Tarantola S.， Chan K.P.S. A quantitative model-independentmethod for global sensitivity analysis of modeloutput[J]，Technometrics， 1999， 41（01）： 39-56.

[11] Simlab 2.2-Reference Manual， European Commission-IPSC.

作者簡介：馬冠南，碩士，吉林省農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，研究實(shí)習(xí)員，研究方向：農(nóng)業(yè)遙感與農(nóng)業(yè)綜合研究。