小麥作物模型研究進(jìn)展介紹及模型參數(shù)敏感性分析

小麥作物模型研究進(jìn)展介紹及模型參數(shù)敏感性分析1.作物模型概況及研究現(xiàn)狀2.論文介紹3.幾個(gè)典型作物模型簡(jiǎn)單介紹1.作物模型概況及研究現(xiàn)狀

作物模型是以作物為研究對(duì)象，根據(jù)農(nóng)業(yè)系統(tǒng)學(xué)和作物科學(xué)，定量化表達(dá)作物生長(zhǎng)發(fā)育過程與環(huán)境和經(jīng)濟(jì)因子之間的關(guān)系，分為：作物生長(zhǎng)模型、作物形態(tài)結(jié)構(gòu)模型和作物結(jié)構(gòu)功能模型，其研究經(jīng)歷了經(jīng)驗(yàn)性模型到機(jī)理性模型，從理論走向應(yīng)用的發(fā)展過程。作物模型經(jīng)歷了幼年期（20世紀(jì)50-60年代），少年期(20世紀(jì)70～80年代)，青春期（20世紀(jì)70-80年代）和成熟期（20世紀(jì)90年代至今）。作物生長(zhǎng)模型逐漸形成以美國(guó)農(nóng)業(yè)技術(shù)轉(zhuǎn)移決策支持系統(tǒng)、荷蘭deWit學(xué)派、澳大利亞農(nóng)業(yè)生產(chǎn)系統(tǒng)研究單位以及中國(guó)為代表的四大研究組。

1.1小麥模型研究進(jìn)展

小麥作物模型可以分為生長(zhǎng)模型和形態(tài)結(jié)構(gòu)模型。小麥生長(zhǎng)模型對(duì)小麥生長(zhǎng)期管理調(diào)控、產(chǎn)量預(yù)測(cè)和經(jīng)濟(jì)效益分析等方面有重要的指導(dǎo)作用。目前為止國(guó)際上已有數(shù)十種發(fā)展成熟的小麥生長(zhǎng)模型，如CEＲES-Wheat、WOFOST、APSIM-Wheat、WCSODS、WheatCrow、APES、CＲOPSYST、DAISY、DSSAT、FASSET和HEＲMES等。小麥形態(tài)結(jié)構(gòu)模型是在器官層次上描述植物形態(tài)結(jié)構(gòu)，因此能夠表現(xiàn)小麥在不同環(huán)境下的結(jié)構(gòu)差異以及在給定生長(zhǎng)環(huán)境下的結(jié)構(gòu)動(dòng)態(tài)變化，為不同生產(chǎn)管理措施下的作物生長(zhǎng)仿真、生長(zhǎng)條件優(yōu)化計(jì)算以及理想植株培育等方面提供重要的理論和實(shí)踐價(jià)值。1.2小麥生長(zhǎng)模型研究的近況小麥生長(zhǎng)模型除了地區(qū)適應(yīng)性研究、生長(zhǎng)發(fā)育過程以及和環(huán)境關(guān)系方面的應(yīng)用外，近年來出現(xiàn)了一些新的研究熱點(diǎn)。近年來對(duì)作物生長(zhǎng)模型的參數(shù)敏感性和不確定性分析成為一個(gè)研究熱點(diǎn)，由于生長(zhǎng)模型發(fā)展較為成熟，國(guó)內(nèi)外可供選擇的模型也較多，因此對(duì)各模型在特定研究區(qū)域應(yīng)用的比較研究是另一熱點(diǎn)。隨著生長(zhǎng)模型和3S(ＲS、GIS和GPS)技術(shù)的發(fā)展，結(jié)合這兩種技術(shù)進(jìn)行區(qū)域估產(chǎn)、區(qū)域作物管理和精準(zhǔn)農(nóng)業(yè)研究也成為一大應(yīng)用熱點(diǎn)。1.3小麥結(jié)構(gòu)功能模型與可視化研究小麥的形態(tài)結(jié)構(gòu)模型主要描述小麥的外觀形態(tài)，根據(jù)研究器官的不同可以分為根系和地上部的莖桿、葉片和麥穗的形態(tài)建成。

（1）小麥根系形態(tài)結(jié)構(gòu)模型根系是小麥的重要器官，對(duì)小麥的生長(zhǎng)發(fā)育、生理功能和物質(zhì)代謝過程產(chǎn)生重要影響。小麥根系的形態(tài)結(jié)構(gòu)建模的方法主要有3種:L系統(tǒng)、分形理論和參考軸技術(shù)。（2）小麥莖桿形態(tài)結(jié)構(gòu)模型小麥莖桿結(jié)構(gòu)簡(jiǎn)單，故用圓柱體來模擬，節(jié)間長(zhǎng)度和粗度分別確定圓柱體的長(zhǎng)度和直徑，從而建立小麥莖桿的幾何模型。（3）小麥葉片形態(tài)結(jié)構(gòu)模型

目前對(duì)小麥葉片的形態(tài)構(gòu)建主要通過田間實(shí)驗(yàn)或者圖像掃描得到葉片的形態(tài)變化特征，提取葉片的動(dòng)態(tài)生長(zhǎng)規(guī)律，從而模擬小麥葉片的形態(tài)結(jié)構(gòu)變化。

（4）小麥麥穗形態(tài)結(jié)構(gòu)模型

由于麥穗沿穗長(zhǎng)方向的穗寬和穗厚變化較小，故采用簡(jiǎn)化處理，用最大寬度和最大厚度來描述麥穗的形態(tài)。麥穗的最大寬度可以用一元二次曲線模擬，而最大厚度可用線性方程表示，參數(shù)都為相應(yīng)蘗位上麥穗在相應(yīng)時(shí)刻的長(zhǎng)度。小麥麥穗生長(zhǎng)動(dòng)態(tài)模型的構(gòu)建為麥穗的形態(tài)模擬奠定了基礎(chǔ)。

2.存在問題及發(fā)展建議

國(guó)內(nèi)外學(xué)者對(duì)小麥作物模型已有很多研究，在理論上和實(shí)踐上也提出了較好可行的功能結(jié)構(gòu)模擬模型和形態(tài)結(jié)構(gòu)模擬模型，但同時(shí)也存在一些問題，歸納為以下幾個(gè)方面。

在小麥生長(zhǎng)模型方面，由于目前模型具有較強(qiáng)機(jī)理性，包含參數(shù)較多，參數(shù)的獲取和可靠性是影響模型應(yīng)用的關(guān)鍵問題，而評(píng)估參數(shù)對(duì)模型結(jié)果的影響方法還不完善，還需要在保證模型準(zhǔn)確性的前提下，對(duì)輸入?yún)?shù)進(jìn)行簡(jiǎn)化，同時(shí)進(jìn)一步研究有效的方法來評(píng)估參數(shù)對(duì)模型的影響。大多數(shù)模型是在田間尺度上建立和檢驗(yàn)的，將其擴(kuò)展到區(qū)域尺度乃至全球尺度存在著困難，不同的區(qū)域氣候、土壤、作物和水文要素等不同，模型預(yù)測(cè)的準(zhǔn)確性也不同，所以模型在異地推廣存在困難，可以考慮結(jié)合3S技術(shù)，同時(shí)結(jié)合空間和區(qū)域氣候、土壤、作物和水文要素等，在一定程度上可以提高模型的準(zhǔn)確性。

生長(zhǎng)模型發(fā)展較早，目前成熟的模型有數(shù)十種，如何從眾多模型中選擇最優(yōu)也是一大難點(diǎn)，可以考慮對(duì)現(xiàn)有的作物模型進(jìn)行集成，建設(shè)一個(gè)統(tǒng)一的面向作物模型開發(fā)的應(yīng)用的理論框架和構(gòu)建平臺(tái)。

在小麥形態(tài)結(jié)構(gòu)模型方面，對(duì)于小麥個(gè)體形態(tài)的模擬主要是細(xì)節(jié)方面還不完善，小麥葉片碰撞、遮擋和變形，麥穗和根系的模擬都有待加強(qiáng)，可以借助三維掃描設(shè)備、核磁共振成像技術(shù)和微創(chuàng)技術(shù)等輔助實(shí)現(xiàn)較復(fù)雜的小麥個(gè)體形態(tài);針對(duì)小麥群體的模擬較少且真實(shí)感不強(qiáng)，未考慮群體中個(gè)體的差異以及個(gè)體之間的相互作用，對(duì)不同光照、水肥等環(huán)境條件下群體的模擬不足，可以將小麥形態(tài)結(jié)構(gòu)模型和小麥生長(zhǎng)模型結(jié)合更真實(shí)地模擬小麥的生長(zhǎng)過程。

2.論文介紹

敏感性分析研究現(xiàn)狀

模型校準(zhǔn)是提高作物模型模擬結(jié)果可信度的關(guān)鍵一步，尤其是在區(qū)域乃至全球等相對(duì)較大的范圍內(nèi)進(jìn)行模擬時(shí)，模型的準(zhǔn)確性顯得尤為重要。綜合以往的研究，對(duì)模型校準(zhǔn)的方法主要有文獻(xiàn)資料法、專家意見法、實(shí)際測(cè)量法、以及敏感參數(shù)調(diào)整法。

文獻(xiàn)資料法主要通過查閱文獻(xiàn)和相關(guān)資料，獲得先驗(yàn)知識(shí)，并根據(jù)資料對(duì)相應(yīng)參數(shù)進(jìn)行調(diào)整。該方法簡(jiǎn)單高效，可直接獲得相關(guān)參數(shù)或參考值，但在資料不全的地區(qū)相關(guān)研究很難進(jìn)行。專家意見法一般通過咨詢等方式，得到專家意見，并對(duì)模型進(jìn)行校準(zhǔn)，該方法準(zhǔn)確高效，但一般只能在有先驗(yàn)知識(shí)的小范圍區(qū)域內(nèi)進(jìn)行研究。實(shí)際測(cè)量方法是根據(jù)模型需求，在田間直接測(cè)量模型模擬所必須的一些參數(shù)值，這種方法獲取的數(shù)據(jù)準(zhǔn)確性很高，模擬效果好，但多用于單點(diǎn)研究，且工作量巨大。敏感參數(shù)調(diào)整法即通過敏感性分析得到對(duì)模型結(jié)果影響較大的參數(shù)，對(duì)這些參數(shù)進(jìn)行逐步調(diào)整，該方法可用于大區(qū)域大范圍研究中，雖然該方法計(jì)算量龐大，但隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，該方法具有較好的應(yīng)用前景。敏感參數(shù)調(diào)整法的關(guān)鍵在于敏感參數(shù)的確定，敏感性分析方法就是解決這一問題的有效手段。在作物生長(zhǎng)模型中不論是基于生長(zhǎng)機(jī)理的模型還是基于過程的模型都是相當(dāng)復(fù)雜的。由于運(yùn)行參數(shù)眾多，很難實(shí)現(xiàn)對(duì)所有參數(shù)進(jìn)行調(diào)整。尤其是在缺乏先驗(yàn)知識(shí)的情況下，則盡量調(diào)整那些對(duì)模型模擬結(jié)果影響較大的參數(shù)，即作物敏感參數(shù)。調(diào)整這些參數(shù)以期望模型模擬結(jié)果能夠盡可能得符合當(dāng)?shù)貙?shí)際的效果。

敏感性分析，也有一些學(xué)者將其翻譯為靈敏度分析。國(guó)外一些學(xué)者對(duì)于敏感性分析的定義為：敏感性分析是研究模型輸入因子對(duì)于模型輸出結(jié)果的不確定性的影響。也即研究模型輸出結(jié)果的變化是如何分配到各個(gè)輸入因子上的。國(guó)內(nèi)對(duì)于敏感性分析也有較多的研究，普遍認(rèn)為敏感性分析就是模型輸出結(jié)果隨模型參數(shù)的微小改變而變化的影響程度或敏感程度。

模型參數(shù)敏感性分析的方法主要有以下幾類:一類是OAT(onefactoratatime)即每次只改變其中1個(gè)參數(shù),根據(jù)參數(shù)改變對(duì)模擬結(jié)果的影響程度進(jìn)行篩選。例如,Favis-Mortlock和Smith在進(jìn)行EPIC模型敏感性分析時(shí),將數(shù)據(jù)庫(kù)中的參數(shù)值增加或減少10%,然后分析這種變化導(dǎo)致模擬結(jié)果的變化。該類方法一定程度上忽略了各參數(shù)之間的相互聯(lián)系,但能快速確定那些敏感性較高的參數(shù)。另一類方法是建立在模擬值與觀測(cè)值比較的基礎(chǔ)上,如Ronnie等[13]在進(jìn)行SORKAM模型敏感性分析時(shí),采用不同地區(qū)多年的實(shí)際值,找出氣象條件和耕作條件相似的年份,用這些年份的資料分析不同土壤背景下模型對(duì)土壤參數(shù)的敏感性。該類方法所得到的模擬結(jié)果都有觀測(cè)值進(jìn)行對(duì)比分析,并可以分析模型在某一應(yīng)用方面的敏感程度,具有較高的可信度。

2.1基于WOFOST作物生長(zhǎng)模型的冬小麥干旱影響評(píng)估技術(shù)（模型應(yīng)用）

先介紹了干旱災(zāi)害，引出干旱評(píng)估方法上多數(shù)采用統(tǒng)計(jì)學(xué)、天氣學(xué)、氣候?qū)W等方法以及衛(wèi)星遙感方法等，但是利用作物生長(zhǎng)模型評(píng)估農(nóng)業(yè)氣象災(zāi)害評(píng)則鮮有報(bào)道，如何科學(xué)、正確地辨識(shí)和評(píng)估干旱災(zāi)害，是當(dāng)前熱點(diǎn)問題之一。鑒于此，本文采用作物模型模擬干旱對(duì)作物的影響，建立華北地區(qū)冬小麥干旱影響評(píng)估模型，在此基礎(chǔ)上構(gòu)建干旱評(píng)估指標(biāo)，既而實(shí)現(xiàn)區(qū)域干旱影響評(píng)估，以期能夠拓展和延伸農(nóng)業(yè)氣象災(zāi)害影響評(píng)估方法。

論文結(jié)構(gòu)

研究區(qū)域概況

選擇華北地區(qū)為研究區(qū)域，主要包括北京、天津兩市以及河北、山東、河南三省。

研究資料及來源

作物資料包括小麥品種類型及其熟性、小麥發(fā)育期資料以及田間生物量試驗(yàn)資料等，均取自中國(guó)氣象局國(guó)家氣象信息中心氣象資料室(全國(guó)農(nóng)業(yè)氣象觀測(cè)記錄報(bào)表、全國(guó)農(nóng)業(yè)氣象觀測(cè)AB報(bào)資料)。冬小麥發(fā)育期觀測(cè)項(xiàng)目有播種、出苗、三葉、分蘗、停止生長(zhǎng)、返青、拔節(jié)、孕穗、抽穗、開花、乳熟、黃熟、成熟日期。冬小麥田間生物量觀測(cè)資料取自華北各地農(nóng)業(yè)氣象試驗(yàn)站。用于模型研究的觀測(cè)項(xiàng)目有地上部生物量、葉面積、產(chǎn)量因素、產(chǎn)量結(jié)構(gòu)以及0—100cm土壤水分含量。觀測(cè)的田間管理措施包括播種量、灌溉量以及施肥量等。研究方法

在引進(jìn)國(guó)外作物生長(zhǎng)模型WOFOST的基礎(chǔ)上，首先根據(jù)生長(zhǎng)作物參數(shù)和供試品種遺傳參數(shù)以及田間試驗(yàn)資料對(duì)作物模型進(jìn)行本地化處理，確定模型參數(shù)，進(jìn)行模型參數(shù)區(qū)域化，建立區(qū)域評(píng)估模型，然后進(jìn)行模型區(qū)域適宜性分析和干旱災(zāi)害模擬檢驗(yàn)，進(jìn)而構(gòu)建干旱災(zāi)害評(píng)估指標(biāo)，在干旱災(zāi)害指標(biāo)的基礎(chǔ)上，建立冬小麥干旱影響評(píng)估模型，最后對(duì)1961—2006年連續(xù)46a華北地區(qū)冬小麥干旱進(jìn)行區(qū)域干旱影響評(píng)估并給出評(píng)估結(jié)果，區(qū)域影響評(píng)估包括歷年典型干旱年份評(píng)估和年代干旱影響評(píng)估。

小麥區(qū)域化評(píng)估模型的檢驗(yàn)

區(qū)域上單點(diǎn)的檢驗(yàn)在研究區(qū)域選取長(zhǎng)序列有實(shí)測(cè)值的單點(diǎn)進(jìn)行檢驗(yàn)，并做定量化統(tǒng)計(jì)分析。選取冬小麥主要種植區(qū)、代表性強(qiáng)、站點(diǎn)分布相對(duì)均勻10個(gè)站點(diǎn)1996—2005連續(xù)10a的產(chǎn)量資料來進(jìn)行驗(yàn)證。另外，還對(duì)各站點(diǎn)的模擬值與實(shí)測(cè)值進(jìn)行了統(tǒng)計(jì)分析:相對(duì)誤差小于5%的占27%，在5%—10%之間的占68%，在10%—15%的占2%，大于15%的3%。平均誤差為6%?？梢姡M值與實(shí)測(cè)值比較接近，且相對(duì)誤差也在模型允許的誤差范圍之內(nèi)，說明WOFOST模型可用于模擬華北區(qū)域小麥的生產(chǎn)。區(qū)域上典型年份檢驗(yàn)

華北冬小麥區(qū)土壤水分模擬檢驗(yàn)

結(jié)果與分析

選取5個(gè)典型干旱年份為例，對(duì)華北冬麥區(qū)進(jìn)行了干旱模擬，并給出了影響評(píng)估結(jié)果。干旱年代際影響模擬

應(yīng)用干旱評(píng)估指標(biāo)，對(duì)華北冬麥區(qū)進(jìn)行了連續(xù)46a(1961—2006年)的干旱減產(chǎn)率分析和干旱等級(jí)劃分，4給出了華北地區(qū)冬小麥年代際干旱等級(jí)評(píng)估結(jié)果。結(jié)論

本文基于WOFOST作物生長(zhǎng)模型，在模型適宜性分析及驗(yàn)證的基礎(chǔ)上，通過數(shù)值模擬的研究方法，以導(dǎo)致減產(chǎn)的氣象因子及其量值作為華北冬麥區(qū)干旱災(zāi)害評(píng)估指標(biāo)，對(duì)華北地區(qū)冬小麥干旱進(jìn)行了較為詳細(xì)的模擬研究，并給出干旱災(zāi)害等級(jí)，得到以下基本結(jié)論。。

2.2ALMANCE作物模型參數(shù)的敏感性分析

主要內(nèi)容:為了方便模型數(shù)據(jù)庫(kù)的組建,降低模擬結(jié)果的不確定性,本文根據(jù)山東禹城綜合試驗(yàn)站2000-2003年的田間試驗(yàn)資料,進(jìn)行ALMANAC模型模擬冬小麥和夏玉米的驗(yàn)證。在此基礎(chǔ)上采用OTA(即每次只改變其中1個(gè)參數(shù))方法,對(duì)模型的土壤參數(shù)和作物參數(shù)進(jìn)行敏感性分析。

材料和方法

試驗(yàn)布設(shè)作物小區(qū),單一小區(qū)長(zhǎng)6.0m,寬3.6m,南北行向。每個(gè)小區(qū)的角上留有2m×2m的面積用于測(cè)產(chǎn),其余面積用于動(dòng)態(tài)取樣。其他的設(shè)計(jì)均為種植與田間管理。冬小麥葉面積指數(shù)和干物質(zhì)于返青后開始觀測(cè),冠層截獲光合有效輻射于拔節(jié)期開始觀測(cè)。觀測(cè)周期為10d,直到生育期結(jié)束。采集植株樣本,用CI-203葉面積儀測(cè)量綠葉面積并計(jì)算葉面積指數(shù),用烘箱烘干樣本并計(jì)算干物質(zhì)量,整個(gè)生育期共觀測(cè)10次。冠層截光量采用Sunscan冠層分析儀觀測(cè),與葉面積指數(shù)同日進(jìn)行,整個(gè)生育期共觀測(cè)9次。小麥成熟后每小區(qū)取1.8m2樣方,收獲地上部分,分別測(cè)定干鮮生物量、穗粒數(shù)、粒重、經(jīng)濟(jì)產(chǎn)量,并計(jì)算收獲指數(shù)。夏玉米拔節(jié)期后開始觀測(cè),觀測(cè)項(xiàng)目和周期同冬小麥,整個(gè)生育期共測(cè)量9次。不同的是收獲測(cè)產(chǎn)每小區(qū)樣方為4m2。模型數(shù)據(jù)庫(kù)與初始參數(shù)

模型輸入包括氣象資料、土壤資料、作物屬性資料和田間管理措施。

敏感性分析

ALMANAC模型中的參數(shù)可分為以下幾類:(1)地理參數(shù),如緯度、海拔高度、坡度等;(2)土壤參數(shù),主要有土壤厚度,容重,田間持水量,土壤初始含水量,凋萎濕度,土壤粉粒、砂粒含量,土壤反射率以及土壤pH值、N、P含量、CaCO3含量等;(3)作物參數(shù)分為兩大類:一是反映作物與氣候條件相互關(guān)系的作物環(huán)境參數(shù),如光能利用參數(shù)、熱量狀況參數(shù);二是反映作物生態(tài)特征的作物生態(tài)參數(shù),如與葉面積指數(shù)動(dòng)態(tài)變化相關(guān)的參數(shù),收獲指數(shù)、最大根深、株高等。

采用OTA方法對(duì)模型中的土壤參數(shù)和作物參數(shù)進(jìn)行敏感性分析,即每次運(yùn)行模型時(shí)只對(duì)其中一個(gè)參數(shù)值增加或減少10%,如果增減10%溢出參數(shù)取值范圍,則適當(dāng)調(diào)整。用相對(duì)敏感度表示敏感性大小:

其中,RS表示相對(duì)敏感度,x表示模型參數(shù)中的某一參數(shù)值,Δx表示該參數(shù)的改變量,y(x)及y(x+Δx)分別表示參數(shù)改變前后的模擬輸出量,包括產(chǎn)量及葉面積指數(shù)等。RS值愈大表示該參數(shù)愈敏感,反之愈不敏感。

結(jié)果與分析

模型驗(yàn)證敏感性分析

土壤參數(shù)

作物參數(shù)

結(jié)論與討論

實(shí)測(cè)資料檢驗(yàn)表明,ALMANAC模型能夠較好地模擬黃淮海平原地區(qū)冬小麥和夏玉米的生長(zhǎng)。應(yīng)用模型時(shí),對(duì)輸出結(jié)果有顯著影響的參數(shù)要通過試驗(yàn)獲取,對(duì)模擬結(jié)果影響不顯著的參數(shù)可以根據(jù)文獻(xiàn)記載輸入。模擬過冬作物冬小麥時(shí),應(yīng)注意霜凍參數(shù)。

2.3模型參數(shù)全局敏感性分析的EFAST方法

主要內(nèi)容：以ＳＡＩＬ模型為例，應(yīng)用ＥＦＡＳＴ方法和２００１年順義冬小麥野外實(shí)測(cè)數(shù)據(jù)，對(duì)參數(shù)在整個(gè)生長(zhǎng)季范圍及不同生長(zhǎng)階段的敏感性進(jìn)行了分析，并與ＵＳＭ分析方法進(jìn)行比較。結(jié)果表明：ＥＦＡＳＴ和ＵＳＭ方法在分析ＳＡＩＬ模型的參數(shù)敏感性時(shí)都具有可行性，但是ＥＦＡＳＴ方法由于考慮了模型參數(shù)間的耦合影響，分析結(jié)果具有全局性，相對(duì)ＵＳＭ方法更客觀全面。

材料與研究地區(qū)

原理與方法

ＥＦＡＳＴ方法介紹ＳＡＩＬ模型介紹

ＳＡＩＬ模型參數(shù)的ＥＦＡＳＴ分析方法

ＥＦＡＳＴ方法通過對(duì)模型輸出方差的分解，可定量地獲得每一個(gè)參數(shù)各階及總敏感性指數(shù)。也就是說，ＥＦＡＳＴ方法不僅可以同時(shí)檢驗(yàn)多個(gè)參數(shù)的變化對(duì)ＳＡＩＬ模型結(jié)果的影響，還可以分析每一個(gè)參數(shù)變化對(duì)模型結(jié)果的直接和間接影響。

本文應(yīng)用軟件包Simlab對(duì)ＳＡＩＬ模型參數(shù)的全局敏感性進(jìn)行分析。方法實(shí)現(xiàn)過程包括樣本的生成、模型選擇、ＭｏｎｔｅＣａｒｌｏ模擬及模擬結(jié)果的不確定性和敏感性分析。在本研究中，使用外部模型程序結(jié)合Ｓｉｍｌａｂ軟件完成ＳＡＩＬ模型參數(shù)的敏感性分析。首先，對(duì)ＳＡＩＬ模型的所有參數(shù)按均勻分布采樣，按照ＥＦＡＳＴ采樣方法得到１０００個(gè)樣本（ＥＦＡＳＴ法認(rèn)為采樣次數(shù)大于參數(shù)個(gè)數(shù)６５倍的分析結(jié)果有效）。參數(shù)的變化范圍與期望值根據(jù)２００１年順義冬小麥野外實(shí)測(cè)數(shù)據(jù)及先驗(yàn)知識(shí)確定（表１）。ＵＳＭ分析方法介紹

不確定性與敏感性矩陣ＵＳＭ是李小文等提出的一種不確定性和敏感性分析方法。該方法最初提出是為了量化多階段反演中參數(shù)的敏感性與不確定性變化，為反演過程中數(shù)據(jù)集和參數(shù)集分割提供決策支持。結(jié)果及分析ＥＦＡＳＴ方法的分析結(jié)果ＥＦＡＳＴ敏感性分析兼顧了敏感性與不確定性，對(duì)整個(gè)生長(zhǎng)季參數(shù)變化范圍的分析更多反映了不確定性，而在生長(zhǎng)階段的分析細(xì)化了分析過程，能夠反映參數(shù)在各個(gè)時(shí)期的敏感性變化。因此，這里分別對(duì)整個(gè)生長(zhǎng)季范圍和不同生長(zhǎng)階段的參數(shù)敏感性進(jìn)行分析。整個(gè)生長(zhǎng)季范圍的參數(shù)敏感性分析

分析圖中各個(gè)參數(shù)的敏感性排序，找出敏感性最大的幾個(gè)參數(shù)。不同生長(zhǎng)階段的結(jié)果ＵＳＭ方法的分析結(jié)果2.4主要內(nèi)容:

SensitivityanalysisofDSSAToutputstoinputsparameterswasconductedintwoCanadianlocations:oneforspringwheat(TriticumaestivumL.)inthesemi-aridPrairiesinSwiftCurrent,Saskatchewanandthesecondformaize(ZeamaysL.)underhumidconditionsinWoodslee,Ontario.

TheobjectiveofthisstudywastocarryoutsensitivityanalysisoftheDSSATCSM-Wheatand-MaizemodelsfortwocontrastingCanadianproduction

systems:along-termspringwheatfieldexperimentatSwiftCurrent,Saskatchewan,andamaizefieldexperimentatWoodslee,Southwestern

Ontario.論文結(jié)構(gòu)

Introduction

Materialsandmethods

Fieldexperiments

Twofieldexperimentswereselectedtocarryoutsensitivityanalysisonprecipitation,managementpracticesandsoilhydraulicpropertiesinthisstudy.

Thefirstwasacontinuouslong-termspringwheatstudyconductedfrom1967to2005intheCanadianSemi-aridtemperateclimaticzoneinSwiftCurrent,

Saskatchewan(50°17′N,107°48′W).Thesecondexperimentwasacontinuouslongtermmaizestudyconductedsince1959intheCanadianhumid-temperateclimateatWoodslee,Ontario(42°13′N,82°45′W).

DSSATmodeldescription

Theuseradjustableinputsincludes:(1)cropmanagements(plantingdateand

density,fertilizationratesandtimes,tillage,organicmanureratesandtimes,croprotation);(2)soilprofiledata,includinggeneralandlayerinformationonsoilhydrological,physicalandchemicalproperties;(3)cropcultivarandspeciesparameters;and(4)thedailyweatherdata(includingsolarradiation,maximumandminimumairtemperatureandprecipitation)(Jones

etal.2003).

Inthisstudy,theinputparameterswerechosenbasedonourobjectives,andtheiruncertaintiesshouldhavepotentialimpactsonbothcropgrowthandsoilNleaching,whichincluded(1)soilwaterdrainageupperlimit(DUL),(2)soilwaterdrainagelowerlimit(LL),(3)cropplantingdate(PD),(4)plantpopulation(PP),(5)fertilizerNapplicationrate(FNR)and(6)dailyprecipitation(PREC).

Fiveoutputsthatinfluencecropproductionwerechosenforsensitivityanalysisincluding(1)grainyield,(2)above-groundbiomass,(3)soilwatercontent,(4)soilinorganicNcontentand(5)nitrate–Nleaching(below1.2m).Springwheatwascalibratedinthefavorablerainfallyearsof1970,1982,1986and1999usinggrainyieldsandNuptake.Formaize,years2010,2011and2012wereselectedtocalibratethemodelusingbothmaizeyieldsandabove-groundbiomass.SensitivityassessmentmethodsSeveralmethodswereemployedtoassessthemagnitudeofsensitivity.Theresponsecurve(regression)methodwasusedtoquantifytherelationshipbetweenoutputsandinputs(linearornon-linear).

BarplotswereusedtodepictchangesofsoilmineralNatharvestandaccumulatedannualsoilNleachingfrom1967to2005atSwiftCurrent,andfrom2010to2012atWoodslee.time-coursegraphicalmethodsWhenthe‘oneatatime’methodwasusedinconjunctionwiththeentirerangeofinputparametersthisbecomesthe‘‘nominalrangemethod’’whichisanintermediatestepbetween‘‘local’’and‘‘global’’sensitivityanalysis.

Resultsanddiscussion

Cropyieldsensitivity

SoilwatersensitivitySoilmineralNsensitivitySoilNleachingsensitivitySummaryandconclusions作物模型的參數(shù)敏感性分析總結(jié)：

1.引言作物模型研究意義，前人對(duì)某一模型研究的進(jìn)展及成果，本文研究的切入點(diǎn)與擬解決的問題。

2.材料與方法

材料介紹

模型介紹主要有：WOFOST、APSIM、AquaCrop、CERES-Wheat、ORYZA2000等模型。

敏感性分析方法有：Morris參數(shù)篩選法、多元回歸法、傅里葉幅度檢驗(yàn)法（FAST）、基于方差的Sobol法、擴(kuò)展傅里葉幅度檢驗(yàn)法（EFAST）、USM分析方法、OTA方法等。其中運(yùn)用的還有SAIL模型、專業(yè)敏感性分析軟件Simlab、貝葉斯方法（馬爾科夫特卡洛方法MonteCarlomethod）等。

模型運(yùn)行條件：氣象數(shù)據(jù)、土壤數(shù)據(jù)、田間管理、作物品種參數(shù)等。

3.