基于循環(huán)迭代算法的cerel-rce模型參數(shù)調(diào)試

基于循環(huán)迭代算法的cerel-rce模型參數(shù)調(diào)試

作物生長模型在植物生長管理、氣候變化影響評價、農(nóng)業(yè)氣候變化評價、氣候風險分析等方面發(fā)揮著重要作用。作物生長模型一般會設(shè)置一些遺傳參數(shù)用于描述作物品種的生長發(fā)育特性,這些參數(shù)部分可以根據(jù)栽培資料進行確定,如物質(zhì)分配規(guī)律、比葉面積等,部分則不能直接從栽培資料獲取,如品種的感溫、感光性、群體光合速率等。對于不能直接確定的參數(shù)一般需通過參數(shù)調(diào)試的方法進行確定。目前常用的參數(shù)調(diào)試方法為試錯法,即根據(jù)試驗資料,進行參數(shù)的反復(fù)取值,比較模擬誤差,直至模擬誤差達到一定要求。顯然,這種方法只能得到比較準確的參數(shù),但不能保證獲取的參數(shù)一定是最適參數(shù)。為獲取模型參數(shù)的最優(yōu)解,一些學者利用循環(huán)迭代法進行了模型參數(shù)的確定,但研究中對參數(shù)適宜取值步長、分階段調(diào)試影響、參數(shù)多解性等問題未作分析。本研究以CERES-Rice的發(fā)育期模型為基礎(chǔ),結(jié)合田間試驗資料,分析模型參數(shù)適宜取值步長、分階段調(diào)試和全程調(diào)試對模擬結(jié)果的影響,旨在為作物生長模型的相關(guān)研究提供參考。1材料和方法1.1水稻agdd、agdd、pa、agdd、pu的生長情況CERES-Rice模型是以Ritchie為首的美國科學家根據(jù)水稻的溫光特性和群體光能利用等生理生態(tài)過程研制的大型水稻生長模擬模型。其用累積生長度日(AGDD)來描述水稻發(fā)育進程,其發(fā)育期分為9個階段,共引入4個遺傳參數(shù):基本營養(yǎng)生長期所需AGDD(P1)、光敏感期的光誘導速率(P2R)和最適日長(P2O)及籽粒灌漿期所需GDD(P5)。累積生長度日表示作物完成某一發(fā)育階段所需的有效積溫,光誘導速率表示光敏感期發(fā)育速度對長日長的響應(yīng)速率,最適日長為發(fā)育速率最大時所對應(yīng)的日長上限。1.2不同參數(shù)組合下發(fā)育模擬仿真對發(fā)育期模型中每個參數(shù)設(shè)定相應(yīng)的取值范圍及步長,再進行各參數(shù)組合下的發(fā)育期模擬,比較模擬值與實際值的誤差,以均方根差(RMSE)為依據(jù),選擇誤差最小所對應(yīng)參數(shù)為最適參數(shù)。1.3變量值的描述1pc硬件環(huán)境下試驗設(shè)計雖然減小步長、增加循環(huán)次數(shù)可提高參數(shù)調(diào)試的精度,但循環(huán)次數(shù)過多會影響計算時間。作者在Intel雙核CPU9400、內(nèi)存2MB的PC機上測試,4次重復(fù)的試驗資料,100組參數(shù)組合模擬時間約需1s,當循環(huán)次數(shù)達100萬次時,計算時間長達10000s,約3h。若循環(huán)次數(shù)更多時,計算時間則會更長。就參數(shù)調(diào)試效率而言,循環(huán)次數(shù)不宜過多,因此適宜的參數(shù)步長取值在參數(shù)調(diào)試中非常重要。2累積生長粒度理論上,參數(shù)取值范圍可任意給定,但盲目給定參數(shù)取值范圍會增加不必要的計算量。因此有必要對參數(shù)可能的取值范圍進行初步估計。對CERES-rice模型而言,如果從出苗至抽穗各試驗處理的累積生長度日平均值為AGDDeh,考慮到穗分化至抽穗至少需要450個GDD,則P1的取值區(qū)間應(yīng)該為[0,AGDDeh-450]。同樣,抽穗至成熟期累積生長度日的適宜取值范圍就在各試驗處理的最小值和最大值之間。對于臨界日長理論上從0～24h均有可能,但一般在10～15h之間變化,光誘導速率一般為0～0.2。1.4供試材料與方法試驗于2008年在江蘇沿江地區(qū)農(nóng)業(yè)科學研究所試驗田進行。試驗期間的氣溫及水稻生長期日長如圖1。供試土壤為壤土,前茬為水稻。供試材料為適于江蘇沿江稻區(qū)大面積種植的早熟晚粳類型品種“寧粳1號”和“南粳44”。設(shè)置旱育稀植(A)、塑盤育秧拋栽(B)、直播種植(C)和濕潤秧常規(guī)移栽(D)4種種植方式,每處理重復(fù)3次,各處理小區(qū)面積20m2(4m×5m)。各種植方式的播栽期、肥水管理等均按高產(chǎn)要求實施。記載各處理的主要生育期,結(jié)果見表1。2結(jié)果與分析2.1累積生長粒度利用CERES-Rice模型,以0.25和1.00個GDD為步長,設(shè)置抽穗至成熟期不同的累積生長度日需要量,得到成熟期的模擬誤差(圖2)。由圖2可知,以0.25與1.00為步長,兩者誤差不大,隨著累積生長度日的增加,RMSE呈現(xiàn)先減少再增加的趨勢,即存在適宜累積生長度日使得RMSE最小,但在適宜值附近,RMSE隨累積生長度日并不是單調(diào)變化。對寧粳1號,當累積生長度日取值為624～627時,模擬誤差最小,對南粳44,當累積生長度日取值667～668時,模擬誤差最小。因此,當累積生長度日的步長取值為4和2時,寧粳1號和南粳44能得到最小的模擬誤差。一般而言,由于日生長度日一般在5個GDD以上,用一套試驗資料來確定發(fā)育期累積生長度日時,用5為步長即可實現(xiàn)無模擬誤差,但當資料數(shù)增多時,其適宜步長要適當縮小,但過小的步長只會增加計算量,不能進一步縮小模擬誤差。因此累積生長度日的適宜步長為1左右。以1為基本營養(yǎng)生長期累積生長度日參數(shù)P1的步長,P2R、P2O的步長分別設(shè)為0.01、0.20,以抽穗期模擬值與觀測值的均方誤差RMSEh為指標,分別得到122組(寧粳1號)和8組(南粳44)參數(shù)可使模擬誤差最小。根據(jù)試驗發(fā)現(xiàn),在同樣的GDD下,仍有多組參數(shù)可使RMSEh最小。表2為調(diào)試得到的部分參數(shù)及相應(yīng)模擬誤差。由調(diào)試結(jié)果可知,P2R、P2O的步長分別設(shè)為0.01、0.20即可。2.2階段間模擬誤差的比較作物發(fā)育期觀測記錄中,由于基本營養(yǎng)結(jié)束期無明確的形態(tài)指標,一般沒有相關(guān)記錄資料;而穗分化時間的觀測資料也較少,通常比較容易獲得作物發(fā)育期中出苗、抽穗、成熟期的資料。因此在參數(shù)確定時可將出苗至抽穗、抽穗至成熟2個階段分開調(diào)試,這樣可節(jié)約大量的調(diào)試時間。分階段調(diào)試時,分別以抽穗期和成熟期的模擬誤差(RMSEh及RMSEm)為依據(jù)進行參數(shù)選擇,而全程調(diào)試時以抽穗期和成熟期的綜合誤差(RMSEhm)為依據(jù)進行參數(shù)選擇。以1為累積生長度日參數(shù)(P1、P5)的步長,0.01、0.20為P2R、P2O的步長,則分階段調(diào)試與全程調(diào)試的模擬誤差最小的3組參數(shù)組合如表3所示。理論上,分階段調(diào)試時,能保證各階段內(nèi)的模擬誤差最小;而全程調(diào)試時,能實現(xiàn)抽穗期和成熟期的總體模擬誤差最小。由表3可知,分階段調(diào)試時,雖然能保證出苗至抽穗、抽穗至成熟2個階段的模擬誤差最小,但總體模擬誤差卻不一定最小。雖然全程調(diào)試與分階段調(diào)試得到的出苗至抽穗期的參數(shù)一致,但抽穗至成熟期的參數(shù)(P5)全程調(diào)試與分階段調(diào)試得到的參數(shù)誤差較大。誤差的成因在于全程調(diào)試時P5的計算由模擬抽穗期得到,而分階段調(diào)試的P5由實際的抽穗期和成熟期模擬得到。由于分階段調(diào)試時得到的參數(shù)P5更能體現(xiàn)抽穗至成熟期所需的累積生長度日。作者認為,分階段調(diào)試得到的參數(shù)更能體現(xiàn)作物品種的發(fā)育特征。2.3模擬誤差最小的參數(shù)組合表2結(jié)果表明,參數(shù)P2R、P2O分別為0.01和0.20即可進行參數(shù)的調(diào)試確定,同時還說明對同一組栽培試驗資料可能存在多組參數(shù)使得模擬誤差達到最小。對南粳44而言,模擬誤差最小時,參數(shù)取值變異不大,而對寧粳1號,模擬誤差最小時,參數(shù)取值存在較大差異,其中參數(shù)P1的差異達到40個GDD,即基本營養(yǎng)生長期相差3～4d。這說明模擬誤差最小的參數(shù)組合并不一定是唯一的。其原因一方面可能與模型設(shè)計有關(guān),另一方面與栽培試驗的資料有關(guān)。3模型參數(shù)的確定參數(shù)確定困難是制約作物模型應(yīng)用的重要因素之一。因此,開展模型參數(shù)自動獲取方法的研究對作物模型的推廣應(yīng)用具有重要意義。本研究以CERES-Rice的發(fā)育期模型為基礎(chǔ),探討了基于循環(huán)迭代算法的水稻發(fā)育期參數(shù)調(diào)試方法。本方法同樣適用于其他作物模型。但由于不同模型參數(shù)數(shù)量的差異,參數(shù)調(diào)試時間存在較大區(qū)別。出苗至抽穗期ORYZA2000模型有5個獨立參數(shù),Riceclock模型有3個參數(shù),RICEGROW模型有4個參數(shù),因此,ORYZA2000模型的調(diào)試時間最長,而CERES-Rice模型與Riceclock模型的參數(shù)調(diào)試時間最短。作者認為參數(shù)較多時,用本方法確定參數(shù)時,可先將參數(shù)的取值步長取大些,得到參數(shù)取值的大致區(qū)間,再進行參數(shù)的細致確定。有關(guān)參數(shù)的多解性問題,一方面與資料有關(guān),另一方面與模型設(shè)計相關(guān)。由于作物品種的適應(yīng)性,品種一般只適應(yīng)于特定區(qū)域。在一個固定的區(qū)域范圍內(nèi),即使播種期變化,日長變化相對較小,也不利于感光性參數(shù)的確定,這是導致參數(shù)多解的一個原因。此外,模型設(shè)計時,參數(shù)太多亦可能導致參數(shù)的多解性。如利用ORYZA2000模型調(diào)試不感光或弱感光品種時,只要基本營養(yǎng)期、光敏感期和穗分化期3個發(fā)育階段的累積生長度日之和恒定,其模擬得到的抽穗期就一致。因此,確定模型參數(shù)一方面要用大范圍的作物生長發(fā)育資料,另一方面簡化相關(guān)的模型亦是必要的。循環(huán)迭代算法雖然可以獲取最適解,但其計算時間較長。因此,一些學者