不同播種密度和灌溉管理下冬小麥APSIM NG 模型的敏感性研究與模型校準(zhǔn)驗(yàn)證*

張 萌,高艷梅,張永清

(山西師范大學(xué)生命科學(xué)學(xué)院 太原 030000)

作物生長過程模型綜合考慮了作物系統(tǒng)、土壤系統(tǒng)、氣候系統(tǒng)和田間管理系統(tǒng)等與作物生長密切相關(guān)的系統(tǒng),用數(shù)學(xué)公式描述生理生態(tài)過程、物理和化學(xué)過程,從而實(shí)現(xiàn)對作物生長全過程的精細(xì)化模擬。自1969 年de Wit 等[1]提出第一個(gè)農(nóng)業(yè)計(jì)算機(jī)模型后,國內(nèi)外學(xué)者已開發(fā)百余種作物生長模型,其中最為成熟的主要有Crop Environment Resource Synthesis (CERES)[2]、WOrld FOod Studies (WOFOST)[3]、Agricultural Production Systems sIMulator (APSIM)[4]等。目前作物生長模擬模型已成為作物生產(chǎn)中研究作物基因、環(huán)境、管理措施間互作的有力工具之一,作物生長模型的機(jī)理性和預(yù)測性也得到了不斷改進(jìn)和提高,并已成功應(yīng)用于農(nóng)業(yè)生產(chǎn)及資源環(huán)境的管理中,在政府決策中所起的作用也逐漸被人們所認(rèn)識[5-8]。

隨著模型的更新與發(fā)展,模型需要以可信和透明的方式模擬作物關(guān)鍵的生理過程。模型中涉及作物參數(shù)的數(shù)量也越來越多,其中品種參數(shù)的確定一直以來都是模型驗(yàn)證和應(yīng)用的難題之一。敏感性分析(sensitivity analysis,SA)是通過逐一改變輸入?yún)?shù)的方法解釋輸出變量受這些參數(shù)變動(dòng)影響,測算其對輸出變量的影響程度和敏感性程度,進(jìn)而確定哪些參數(shù)對模型輸出結(jié)果有較大影響。在模型校準(zhǔn)過程中,篩選出模擬過程中的關(guān)鍵參數(shù),把敏感性小的參數(shù)設(shè)為固定值,可以有效地簡化模型,提高模型校準(zhǔn)精度[9]。崔金濤等[10]對CERES-Wheat 模型中的土壤參數(shù)進(jìn)行敏感性分析,結(jié)果表明影響冬小麥(Triticum aestivum)地上生物量和產(chǎn)量較為敏感的土壤參數(shù)為田間持水率、徑流曲線數(shù)、土壤酸堿度及土壤總氮含量,而其他參數(shù)的影響較小,可將需要測定的參數(shù)降低至4 個(gè),降低了參數(shù)獲取難度。秦格霞等[11]通過分析不同草地類型覆蓋區(qū)WOFOST 模型敏感參數(shù),并對敏感參數(shù)進(jìn)行優(yōu)化和驗(yàn)證,減少了人為主觀因素的影響,極大地縮短了調(diào)參時(shí)間。米榮娟等[12]對APSIM-Wheat 模型中產(chǎn)量形成參數(shù)進(jìn)行敏感性分析,得到了影響小麥產(chǎn)量形成的6個(gè)敏感參數(shù),可在實(shí)際應(yīng)用中優(yōu)先校準(zhǔn),簡化模擬過程。綜上可見,通過敏感性分析可以篩選出對模擬結(jié)果敏感的關(guān)鍵控制參數(shù),從而減少田間實(shí)測參數(shù)數(shù)量、降低模型輸入?yún)?shù)獲取難度。這對模型參數(shù)校準(zhǔn)及后續(xù)模型本地化、區(qū)域化應(yīng)用至關(guān)重要。但前人的研究主要集中在關(guān)于不同作物模型下的參數(shù)對模擬的敏感性,進(jìn)而為模型進(jìn)行本地化校準(zhǔn),而對于新一代的APSIM NG 模型的相關(guān)研究較少。

APSIM NG 模型中改良了物候發(fā)育和作物形態(tài)等模擬的機(jī)制,并且不再有模型全局參數(shù)和品種參數(shù)的區(qū)別,模型中所有的參數(shù)都可以作為品種參數(shù)。因此APSIM NG 在擁有新的功能和特性的同時(shí)[13],也面臨著參數(shù)過多、難以獲取等問題。

為此,本研究依據(jù)前人研究結(jié)果,以APSIM NG模型為研究對象,采用 EFAST 全局敏感性分析法,探討APSIM NG-Wheat 模型中品種參數(shù)的敏感性差異,篩選出對模擬結(jié)果敏感的關(guān)鍵控制參數(shù)。根據(jù)河北吳橋中國農(nóng)業(yè)大學(xué)吳橋試驗(yàn)站2015-2018 年度不同灌溉管理和播種密度下冬小麥田間實(shí)測數(shù)據(jù),對模型關(guān)鍵參數(shù)進(jìn)行本地化調(diào)試與驗(yàn)證。實(shí)現(xiàn)作物模型對光合生產(chǎn)、器官建成和產(chǎn)量形成過程進(jìn)行模擬,可以幫助我們定量化分析作物生長過程,分析群體和各器官的作用,為使用新一代的APSIM NG作物模型開展各項(xiàng)研究提供基礎(chǔ)支持。

1 材料與方法

1.1 試驗(yàn)地概況

試驗(yàn)于2015-2018 年在河北省吳橋縣中國農(nóng)業(yè)大學(xué)吳橋試驗(yàn)站(37°69′N,116°62′E,海拔18 m)進(jìn)行。試驗(yàn)站為夏季季風(fēng)氣候,年降水量562 mm(圖1),其中70%的降水發(fā)生在7-9 月[14]。該試驗(yàn)站所在地區(qū)主要種植方式為冬小麥-夏玉米(Zea mays)一年兩熟制[15]。試驗(yàn)地土壤為輕質(zhì)壤土,0～20cm土壤有機(jī)質(zhì)12.5g·kg-1,全氮1.0g·kg-1,堿解氮64.9mg·kg-1,速效磷31.6 mg·kg-1,速效鉀48.1 mg·kg-1。土壤初始水分養(yǎng)分與理化性狀如表1 所示。

圖1 2015—2018 年冬小麥生長季逐月溫度與降水情況Fig.1 Changes of average monthly temperature and rainfall during the wheat growing season in 2015-2018

表1 試驗(yàn)地土壤理化性質(zhì)Table 1 Soil physical and chemical properties of the tested site

1.2 試驗(yàn)設(shè)計(jì)

供試小麥為現(xiàn)代有芒冬小麥品種‘農(nóng)大399’。采用裂區(qū)試驗(yàn)設(shè)計(jì),以灌溉管理為主區(qū),以播種密度為副區(qū)(表2),小區(qū)面積為30 m2(3 m×10 m),重復(fù)3 次,行距為15 cm。于2015 年10 月11 日播種,播量分別為228 株·m-2(SD1)、376 株·m-2(SD2)、490 株·m-2(SD3)和604株·m-2(SD4)。2016 年10月12日播種,播量分別為180株·m-2(SD1)、390 株·m-2(SD2)、585 株·m-2(SD3) 和750 株·m-2(SD4)。2017 年10 月21 日播種,播量分別為420 株·m-2(SD1)、570 株·m-2(SD2)、645株·m-2(SD3)和795株·m-2(SD4)。

表2 2015—2018 年不同處理的冬小麥灌水制度和播種密度Table 2 Experiment designs of different sowing densities and irrigation treatments of winter wheat from 2015 to 2018

播種前采用畦灌澆足底墑水,2015-2016 年度設(shè)W0 (生育期無灌溉)、W1 (拔節(jié)期灌溉75 mm)、W2 (拔節(jié)期和開花期分別灌溉75 mm) 3 種灌溉管理,2016-2017 年和2017-2018 年度增加W3 (起身期、拔節(jié)期和開花期分別灌溉75 mm)灌溉管理。小麥生育期間各處理肥料均全部底施,施肥量為尿素(含純N 46%) 225 kg·hm-2,磷酸二銨(含純N 18%,含P2O546%) 300 kg·hm-2,硫酸鉀(含K2O 60%) 225 kg·hm-2。

1.3 測定指標(biāo)與方法

1.3.1 生育期及其描述

根據(jù)Zadoks 等[16]谷物生長發(fā)育標(biāo)準(zhǔn)判斷,以50%植株達(dá)到該生育時(shí)期特征為標(biāo)準(zhǔn)記錄各生育時(shí)期。麥苗有2 片展開葉,一葉一心時(shí)為出苗期(GS12);麥苗第1 分蘗露出葉鞘2 cm 左右時(shí)為越冬期(GS23);麥苗由匍匐狀開始挺立,莖部第1 節(jié)間開始伸長但尚未伸出地面時(shí)為起身期(GS30);莖部第1 節(jié)間露出地面1.5～2 cm 時(shí)為拔節(jié)期(GS31);莖蘗旗葉葉片全部抽出葉鞘,旗葉葉鞘包著的幼穗明顯膨大為孕穗期(GS45);麥穗中上部小花的內(nèi)外穎張開,花藥散粉時(shí)為開花期(GS65);當(dāng)小麥籽粒胚乳呈蠟狀,開始變硬為成熟期(GS92)。根據(jù)播種期、開花期和成熟期的日期分別計(jì)算播種到開花、播種到成熟以及開花到成熟生育階段的天數(shù)。

1.3.2 生物量與產(chǎn)量

于冬小麥越冬期、起身期、拔節(jié)期、孕穗期、開花期和成熟期進(jìn)行生物量的測量,選取內(nèi)部長勢均勻的50 cm 雙行小麥地上部植株帶回室內(nèi),將莖鞘、葉片和穗(籽粒和穎殼)等器官分開,置于烘箱105 ℃殺青30 min,80 ℃烘至恒重,稱重。成熟期從每小區(qū)選取1 m2樣方,人工收割,脫粒并計(jì)算產(chǎn)量(含水量13%),調(diào)查單位面積穗數(shù)、穗粒數(shù)和千粒重(13%水分含量)。

1.3.3 開花期單位莖稈干重可孕花數(shù)

開花期單位莖稈干重可孕花數(shù)(Gn)由以下公式計(jì)算:

式中:NS表示單位面積穗數(shù)(m-2),NG表示穗粒數(shù),WDS表示開花期單位面積莖稈干重(g·m-2)。

1.3.4 生育期積溫

生育期日積溫的計(jì)算參照APSIM NG 模型中的計(jì)算方法[17],將試驗(yàn)站內(nèi)小型氣象站觀測的氣溫轉(zhuǎn)化為冠層溫度:

式中:Tc表示冠層溫度(℃),T表示氣溫(℃)。根據(jù)最高冠層溫度(Tcmax)和最低冠層溫度(Tcmin),可以計(jì)算冠層日平均溫度(℃):

生育期日積溫TT (℃)由以下公式計(jì)算:

1.3.5 主莖葉齡與葉熱間距

于出苗期、越冬期、起身期、拔節(jié)期、孕穗期,每個(gè)小區(qū)選取長勢一致的10 個(gè)主莖,測定主莖葉齡(Haun stage)。葉熱間距P根據(jù)以下公式計(jì)算:

式中:ΔTT 表示各生育階段間的積溫,ΔHS 表示主莖葉齡的改變量。

1.3.6 APSIM Next-generation 模型

APSIM 模型是由澳大利亞的聯(lián)邦科工組織(CSIRO)以及昆士蘭州政府的農(nóng)業(yè)生產(chǎn)系統(tǒng)組(APSRU)開發(fā)建立的農(nóng)業(yè)生產(chǎn)系統(tǒng)模擬模型。APSIM 與其他模型不同的是它以土壤系統(tǒng)為核心,把作物、氣候和農(nóng)業(yè)管理措施視為引起土壤屬性變化的因素。作物、環(huán)境和管理措施作為模型中的模塊可以置換,這種“即插即用”的方式可以方便研究者建立適合自己需要的模型,同時(shí)有利于將眾多零散的研究成果整合到模型之中。新一代APSIM NG 模型代碼執(zhí)行速度提高,并且支持跨平臺(tái)開發(fā)(Windows,LINUX,OSX),研究人員可以在不同時(shí)空水平上模擬更加復(fù)雜的農(nóng)業(yè)系統(tǒng)[18]。APSIM NG 繼承了APSIM Classic (APSIM v7.10)中的通用模型框架(Plant Modelling Framework),為模型模擬提供了一個(gè)常用函數(shù)和算法庫,研究人員無需編碼就能建立適合自己需要的作物或土壤模型[19]。

APSIM-NG 中使用新的算法模擬溫度、春化作用和光周期對生育期的影響。不同小麥品種對春化作用和光周期的敏感程度不同,這些品種差異可能會(huì)導(dǎo)致最終主莖葉數(shù)的不同,進(jìn)而影響旗葉展開的時(shí)間和開花的時(shí)間。APSIM NG 通過對主莖葉齡和出葉速率(葉熱間隔)模擬溫度對小麥發(fā)育的影響,可以連續(xù)地模擬葉片的生長、花原基的啟動(dòng)和花期的開始。APSIM NG 模型將灌漿過程分成了兩個(gè)階段:從開花期至灌漿開始的初始階段(InitialPhase)和灌漿期的線性階段(LinearPhase),這兩個(gè)階段的灌漿速率均受籽粒數(shù)、持續(xù)時(shí)間和干物質(zhì)向籽粒中的最大轉(zhuǎn)運(yùn)量的影響。

本研究采用的是APSIM NG (2022.4.7023.0)版本。其中小麥模型包括以下部分:

1)模擬小麥生育進(jìn)程的物候?qū)W模型(Wheat.Phenology)。

2)模擬小麥植株形態(tài)的結(jié)構(gòu)模型(Wheat.Structure)。

3)模擬小麥各器官功能的模型,包括籽粒(Wheat.Grain)、根系(Wheat.Root)、葉片(Wheat.Leaf)、莖稈(Wheat.Stem)和穗(Wheat.Spike)。

4)模擬干物質(zhì)和氮在不同器官中積累轉(zhuǎn)運(yùn)的分配模型(Wheat.Arbitrator)。

根據(jù)試驗(yàn)中記錄的管理措施建立模型,其中年際間相同的管理措施(如施肥、成熟收獲、土壤重置),使用Management toolbox 相應(yīng)的功能完成;對于年際間不同的管理措施(播種、灌溉)使用Standard models 下的Operations 模塊完成。

1.3.7 敏感性分析方法

擴(kuò)展傅里葉幅度檢驗(yàn)(EFAST)法是一種基于方差分解的全局敏感性分析方法[20],結(jié)合了FAST[21]和Sobol 法[22]的優(yōu)點(diǎn)改進(jìn)而來,其原理是選取合適的搜索曲線在多維參數(shù)空間中運(yùn)行,將一組非線性相關(guān)的整數(shù)頻率分配給模型的所有輸入?yún)?shù),并針對模型參數(shù)中選取的參數(shù)引入一個(gè)具有共同獨(dú)立參數(shù)的函數(shù),使模型作為獨(dú)立參數(shù)的周期函數(shù),將多維積分降為一維積分。通過把周期函數(shù)進(jìn)行傅里葉變換,提取各頻率傅里葉級數(shù)的頻譜曲線,就可以得出某一參數(shù)變化對輸出變量的影響,表現(xiàn)為某一參數(shù)變化引起模型結(jié)果變化的方差占模型總方差的比率。輸入因子xi的一階敏感性指數(shù)()和全局敏感性指數(shù)()的公式如下:

式中:E表示期望值,V表示方差,y表示模型輸出的目標(biāo)函數(shù)值,xi表示第i個(gè)輸入因子,x～i表示除第i個(gè)以外的所有輸入因子。

全局敏感性指數(shù)與局部敏感性指數(shù)進(jìn)行比較可以得出參數(shù)的交互作用的影響大小,當(dāng)參數(shù)間沒有耦合作用時(shí),此時(shí)參數(shù)的全局敏感性指數(shù)就等于該參數(shù)的局部敏感性指數(shù)。

本研究敏感性分析過程為:

1)確定APSIM NG-Wheat 模型品種參數(shù)范圍,參數(shù)范圍見表3。

表3 APSIM NG 模型作物品種參數(shù)范圍Table 3 Definition and intervals of cultivar parameters used in APSIM NG model

2)使用SimLab 軟件在參數(shù)范圍內(nèi)進(jìn)行隨機(jī)取樣,生成多維參數(shù)。本研究共產(chǎn)生1947 組參數(shù),模型共運(yùn)行44×1947=85 668 次。

3)使用R 4.1.1 中的Apsimx 包輸入模型并運(yùn)行APSIM NG 模型。

4)整理模型運(yùn)算的結(jié)果,按不同年份、試驗(yàn)處理進(jìn)行分類,通過SimLab 進(jìn)行分析并得到最終的敏感性分析結(jié)果。

1.3.8 模型的參數(shù)優(yōu)化及驗(yàn)證

本文采用簡單的貝葉斯優(yōu)化方法進(jìn)行模型參數(shù)優(yōu)化,即根據(jù)參數(shù)分布范圍,均勻分布產(chǎn)生全部的參數(shù)組合,對所有可能值進(jìn)行模擬計(jì)算,觀測值和模擬值的誤差為目標(biāo)函數(shù),獲取符合條件的模型參數(shù)。模型的觀測值和模擬值的誤差利用均方根誤差(RMSE)表示,檢測模型對實(shí)測數(shù)據(jù)的擬合度利用決定系數(shù)(R2)表示,計(jì)算方法如下:

式中:Oi和Si分別為實(shí)測值和模擬值;Oavg和Savg分別為實(shí)測數(shù)據(jù)平均值和模擬數(shù)據(jù)平均值;n為樣本數(shù)。

決定系數(shù)(R2)可以反映模擬值與實(shí)測值之間的一致性,越接近1 說明模擬結(jié)果越好,RMSE 可以反映模擬值與實(shí)測值之間的絕對誤差,值越小說明模擬效果越好。

1.4 數(shù)據(jù)處理與分析

本研究采用SPSS 17.0 軟件進(jìn)行數(shù)據(jù)的統(tǒng)計(jì)分析和檢驗(yàn),采用R 4.1.1 和Simlab v2.2 進(jìn)行敏感性分析,采用Origin 2021 和Excel 2019 進(jìn)行數(shù)據(jù)的整理、分析及作圖。

2 結(jié)果與分析

2.1 敏感性分析結(jié)果

APSIM NG 模型物候?qū)W指標(biāo)的參數(shù)敏感性分析結(jié)果如圖2a 和圖2b 所示,不同年份間的敏感參數(shù)表現(xiàn)一致。其中,葉熱間距(Phyllochron)的敏感性最強(qiáng),對播種-開花期、播種-成熟期天數(shù)的敏感性指數(shù)均在0.7 以上;其次為最小葉片數(shù)量(Minimum-LeafNumber)、光周期敏感度(PpSensitivity)和早花階段的積溫(EarlyFloweringTT)。這是由于APSIM NG 模型采用了新的物候?qū)W算法,葉熱間距、最小葉片數(shù)量和光周期敏感度會(huì)影響主莖的出葉速度和最終的葉片數(shù)目(表3),進(jìn)而影響花前各個(gè)階段所需的積溫。而本研究中春化敏感度(VrnSensitivity)對生育期的影響很小,這是由于春化對主莖的去葉效應(yīng),完成春化后的主莖葉片數(shù)目沒有差異。2015 年、2016 年、2017 年滿足春化階段0～7 ℃溫度需求的天數(shù)分別為58 d、64 d 和63 d,試驗(yàn)站所在區(qū)域的氣候可滿足冬小麥的春化要求。

由品種參數(shù)對小麥產(chǎn)量的敏感性指數(shù)(圖2c)的分析結(jié)果可知,品種參數(shù)中平均一階敏感性指數(shù)大于0.1 的參數(shù)有開花期單位莖稈干重可孕花數(shù)(GrainsPerGramOfStem)和單籽粒庫容潛力(Maximum-PotentialGrainSize)。對產(chǎn)量全局敏感性指數(shù)最大的前3 個(gè)參數(shù)分別為開花期單位莖稈干重可孕花數(shù)、單籽粒庫容潛力和葉熱間距(Phyllochron),分別可以解釋產(chǎn)量方差變異的45%、41%和11%,其中葉熱間距對產(chǎn)量的影響主要通過與其他參數(shù)的交互作用實(shí)現(xiàn)。

圖2 各作物品種參數(shù)對冬小麥播種—開花(a)和播種—成熟(b)天數(shù)和產(chǎn)量(c)的敏感性指數(shù)Fig.2 Sensitivity indexes of parameters to durations from sowing to flowering (a) and from sowing to maturity (b) and yield (c) of winter wheat

由圖3a 可以看出,品種參數(shù)在不同處理下對小麥產(chǎn)量的一階敏感性指數(shù)存在差異。春不灌水和春灌一水處理下GrainsPerGramOfStem 和Maximum-PotentialGrainSize 對產(chǎn)量的一階敏感性指數(shù)均高于春灌兩水和三水。而隨著播種密度的增加,GrainsPerGramOfStem 和MaximumPotentialGrainSize對產(chǎn)量的一階敏感性指數(shù)呈先升高后降低的趨勢,在SD3 處理下對小麥產(chǎn)量的一階敏感性指數(shù)最高。

GrainsPerGramOfStem 和MaximumPotentialGrain-Size 對小麥產(chǎn)量的全局敏感性指數(shù)的變化規(guī)律與一階敏感性指數(shù)一致(圖3b)。全局敏感性分析綜合考慮參數(shù)間的交互作用對模型輸出的影響,有更多的敏感性參數(shù)。Phyllochron 在低密度處理(SD1)下產(chǎn)量的全局敏感性指數(shù)最高,且隨著灌溉次數(shù)的增加,對產(chǎn)量的全局敏感性指數(shù)呈增加的趨勢。

圖3 不同灌溉管理和播種密度處理下的小麥產(chǎn)量一階敏感性指數(shù)(a)和全局敏感性指數(shù)(b)Fig.3 Main effect (a) and total effect (b) sensitivity indexes of cultivar parameters to yield of winter wheat under different irrigation and sowing density treatments

2.2 模型調(diào)參結(jié)果

基于簡單的貝葉斯優(yōu)化方法進(jìn)行模型參數(shù)優(yōu)化,在優(yōu)化的過程中,假設(shè)每個(gè)參數(shù)都是在邊界范圍內(nèi)均勻分布的(表3),此參數(shù)的范圍設(shè)定參考了APSIM NG 中已有品種的范圍[17]。為確保優(yōu)化的準(zhǔn)確性和效率,首先對影響生育期的參數(shù)進(jìn)行優(yōu)化,再對產(chǎn)量形成的參數(shù)進(jìn)行優(yōu)化,最終的品種參數(shù)如表4所示。具體的參數(shù)優(yōu)化過程如下:

表4 小麥品種‘農(nóng)大399’的APSIM NG 模型作物品種參數(shù)Table 4 Cultivar parameters used in APSIM NG model of wheat cultivar ‘Nongda399’

1) APSIM NG 模型中影響花前生育期的參數(shù)共有5 個(gè),分別為MinimumLeafNumber、VrnSensitivity、PpSensitivity、EarlyFloweringTT 和Phyllochron。根據(jù)APSIM NG 模型敏感性分析的結(jié)果,其中Vrn-Sensitivity 對開花期的影響很小,無法通過調(diào)參進(jìn)行優(yōu)化,因此采用田間試驗(yàn)的觀測值5。同時(shí)為避免多參同效的現(xiàn)象,即不同的發(fā)育期參數(shù)組合可得到相似的結(jié)果,對于MinimumLeafNumber 和EarlyFloweringTT 也采用田間試驗(yàn)的觀測值7 和100 ℃·d。而對開花期敏感的參數(shù)Phyllochron 和PpSensitivity 作為變量,根據(jù)實(shí)測的開花期進(jìn)行優(yōu)化,最終調(diào)參的結(jié)果為78 ℃·d 和4.3。

2)由于影響花后生育期長度的參數(shù)對成熟期的參數(shù)敏感性較低,GrainDevelopmentTT、GrainFillingTT 和MaturingTT 采用了系統(tǒng)的默認(rèn)值,分別為120 ℃·d、550 ℃·d 和30 ℃·d

3)對產(chǎn)量形成的參數(shù)進(jìn)行優(yōu)化,對產(chǎn)量不敏感的參數(shù)InitialGrainProportion 采用系統(tǒng)默認(rèn)值,而對產(chǎn)量敏感的參數(shù)GrainsPerGramOfStem 和Maximum-PotentialGrainSize 作為變量,根據(jù)實(shí)測的產(chǎn)量進(jìn)行優(yōu)化,最終調(diào)參的結(jié)果為34 grains·g-1和0.055 g。

2.3 模型驗(yàn)證結(jié)果

利用優(yōu)化后的模型參數(shù)進(jìn)行驗(yàn)證,結(jié)果表明2015-2018 年田間試驗(yàn)生育時(shí)期的指數(shù)觀測值與APSIM NG 模型模擬值相比較,總體的一致性較好(圖4)。APSIM NG 可以解釋超過98%的生育時(shí)期的變異,RMSE=3.35 (圖5a)。通過不同播種密度、不同灌溉下小麥產(chǎn)量的觀測值與APSIM NG 模擬值比較表明,APSIM NG 能有效地預(yù)測產(chǎn)量。模型可以解釋超過76% 的產(chǎn)量變異(RMSE=508.12 kg·hm-2)(圖5b)。

圖4 2015—2018 年小麥生育時(shí)期模擬值與實(shí)測值的比較Fig.4 Comparison of simulated and observed growth scale of winter wheat from 2015 to 2018

圖5 小麥生育時(shí)期(a)與產(chǎn)量(b)的APSIM NG 模型模擬結(jié)果校準(zhǔn)與驗(yàn)證Fig.5 Calibration and validation results of APSIM NG simulation of Zadoks growth scale and yield of wheat

3 討論與結(jié)論

EFAST 全局敏感性分析方法能夠有效地篩選出模型中對模擬產(chǎn)量變化較為敏感的參數(shù),是動(dòng)態(tài)模型參數(shù)本地化和區(qū)域化的有效方法[23]。何亮等[24]運(yùn)用EFAST 法對中國4 個(gè)不同氣候區(qū)APSIM-Wheat模型的參數(shù)進(jìn)行了全局敏感性分析,研究發(fā)現(xiàn)對開花期最敏感的參數(shù)是與積溫、光周期和春化相關(guān)的參數(shù):始花期積溫(tt_floral_initiation)、出苗到拔節(jié)積溫(tt_end_of_juvenile)、春化指數(shù)(vern_sens)和光周期指數(shù)(photop_sens)。本研究分析了河北省吳橋地區(qū)不同灌溉管理與播種密度下APSIM NG-Wheat模型的品種參數(shù)對開花期的全局敏感性,其中對開花期最敏感的參數(shù)是葉熱間距(Phyllochron)、最小葉片數(shù)量(MinimumLeafNumber)、光周期敏感度(PpSensitivity)。這是由于APSIM Classic 模型中,對作物物候的影響主要是基于積溫和光周期以及春化來設(shè)計(jì)的,而APSIM NG 模型改進(jìn)了原有的物候?qū)W模型,生育期的模擬雖然還是由積溫驅(qū)動(dòng)的,但是出苗至孕穗之間的生育階段的目標(biāo)積溫不再是定值,而是由葉片數(shù)目與葉熱間距決定。APSIM Classic和APSIM NG 模型中都有影響春化和光周期的參數(shù),但其在模型中功能是不同的,前者通過改變完成春化和光周期的積溫而影響作物的生育進(jìn)程[25],而后者是通過改變春化階段和光周期的葉片數(shù)目而影響生育進(jìn)程[17]。

APISM NG 模型中對孕穗期至成熟期的生育階段的模擬基本與APSIM Classic 一致,但是新模型中加入了早花階段的積溫(EarlyFloweringTT)這一參數(shù),用來模擬孕穗至抽穗這一生育階段,當(dāng)Early-FloweringTT 為模型的默認(rèn)值0 ℃·d 時(shí),模型不模擬小麥的孕穗至抽穗階段,而是直接模擬孕穗至開花階段。在大田試驗(yàn)中,由于抽穗期和開花期間隔的時(shí)間較短,研究者可能只記錄二者中的一個(gè)時(shí)期,

APSIM NG 中加入EarlyFloweringTT 可以更準(zhǔn)確地模擬小麥的物候期,同時(shí)也使研究者可以靈活地選擇生育期指標(biāo)[26]。

Zhao 等[27]研究澳大利亞不同施肥和氣候土壤條件下APSIM 品種參數(shù)對產(chǎn)量的敏感性,結(jié)果表明對產(chǎn)量最敏感的參數(shù)是開花期單位莖稈干重可孕小花數(shù)(grains_per_gram_stem)、單籽粒庫容潛力(max_grain_size)和籽粒潛在灌漿速率(potential_grain_filling_rate)。本研究中對產(chǎn)量全局敏感性指數(shù)最大的前3 個(gè)參數(shù)分別為開花期單位莖稈干重可孕小花數(shù)(GrainsPerGramOfStem)、單籽粒庫容潛力(MaximumPotentialGrainSize)和葉熱間距(Phyllochron)。

APSIM Classic 中采用開花期至灌漿開始的籽粒潛在灌漿速率(potential_grain_growth_rate)和灌漿期的籽粒潛在灌漿速率(potential_grain_filling_rate)作為品種參數(shù)以模擬灌漿過程。APSIM NG 模型對灌漿的模擬也進(jìn)行了改良,模型將灌漿過程同樣分成了兩個(gè)階段:初始階段(InitialPhase)和線性階段(LinearPhase),而各個(gè)階段中灌漿速率又由粒數(shù)、向籽粒中待運(yùn)轉(zhuǎn)的干物質(zhì)和灌漿持續(xù)時(shí)間決定。其中開花期單位莖稈干重可孕小花數(shù)影響粒數(shù),階段的積溫影響灌漿持續(xù)時(shí)間,單籽粒庫容潛力和籽粒灌漿初始比例影響初始階段向籽粒中待運(yùn)轉(zhuǎn)的干物質(zhì),剩下的干物質(zhì)在線性階段繼續(xù)向籽粒中灌漿。

管理措施、氣候和土壤都會(huì)影響敏感性參數(shù)的重要性[12,27-28]。本研究發(fā)現(xiàn)不同灌溉管理和播種密度處理下同一品種參數(shù)對小麥產(chǎn)量敏感性指數(shù)存在差異,說明模型有利于同一參數(shù)模擬不同管理措施下的產(chǎn)量潛力。

綜合本研究敏感性分析的結(jié)果和實(shí)測數(shù)據(jù)獲取的難易度,最終選擇需要根據(jù)實(shí)測數(shù)據(jù)進(jìn)行擬合的4 個(gè)參數(shù),分別為PpSensitivity、Phyllochron、GrainsPerGramOfStem 和 MaximumPotentialGrainSize。對模型參數(shù)優(yōu)化后,APSIM NG 模型對小麥生育時(shí)期模擬有較高的準(zhǔn)確性,模型可以解釋超過98%的生育時(shí)期的變異。與作者在同站點(diǎn)使用APSIM Classic 對小麥產(chǎn)量的模擬結(jié)果相比[29],產(chǎn)量的RMSE 由737 kg·hm-2降低至508 kg·hm-2。然而,APSIM NG 在模擬的過程中仍存在一些不足,模型無法模擬 Zadoks生育時(shí)期中的分蘗時(shí)期,因?yàn)樵谶@一階段根據(jù)葉片數(shù)目和分蘗數(shù)目可能對小麥的生育時(shí)期有不同的劃分方式,如四葉展開(GS14)和主莖2 蘗(GS22)屬于同一生育階段,而模型只能模擬前者。此外,模型對高產(chǎn)高密度條件下產(chǎn)量存在一定的低估,這可能與APSIM NG 模型本地化的程度不高,需要對模型的其他參數(shù)進(jìn)行田間觀測和調(diào)參。