不同灌水水平下CROPGRO-Tomato模型局部敏感性分析

趙子龍 姚名澤 李波

摘要：依據(jù)遼寧沈陽地區(qū)進(jìn)行的溫室番茄田間試驗(yàn)資料，進(jìn)行不同灌水水平下CROPGRO-Tomato模型的局部敏感性分析，在4個(gè)灌水處理（田間持水率為50%、60%、70%和80%）條件下，采用擾動(dòng)分析法分析番茄鮮果模擬產(chǎn)量對(duì)6個(gè)作物品種參數(shù)的局部敏感性。結(jié)果表明，在4種不同灌水處理?xiàng)l件下模擬產(chǎn)量對(duì)參數(shù)SD-PM、LFMAX、SLAVR和XFRT的敏感度為Ⅳ～Ⅴ，敏感度較高;其中，模擬產(chǎn)量對(duì)參數(shù)FL-SH、FL-SD和SD-PM敏感度的變異系數(shù)分別為40.43%、117.1%和35.71%，受灌水水平影響較大。

關(guān)鍵詞：DSSAT;CROPGRO-Tomato;番茄;局部敏感性分析;擾動(dòng)分析法;日光溫室

中圖分類號(hào)：S274 ? 文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2021）09-0183-07

許多學(xué)者對(duì)日光溫室番茄節(jié)水高產(chǎn)的灌溉模式進(jìn)行大量的研究[1-5]，但多數(shù)研究采用傳統(tǒng)的溫室試驗(yàn)方法，耗費(fèi)了大量的時(shí)間、人力、財(cái)力，而試驗(yàn)結(jié)果的適用性普遍較弱。近年來，田間試驗(yàn)與作物生長模擬模型相結(jié)合的方法在作物生長管理中得到了應(yīng)用和發(fā)展，其中農(nóng)業(yè)技術(shù)轉(zhuǎn)移決策支持系統(tǒng)（decision support system for agrotechnology transfer，DSSAT）是目前使用最廣泛的作物生長模型之一。作為作物生長過程模型之一，DSSAT模型中的公式須要進(jìn)行基于現(xiàn)實(shí)的假設(shè)和簡(jiǎn)化，所以模型模擬結(jié)果也會(huì)隨之產(chǎn)生不確定性[6]。以往的研究表明，DSSAT模型的輸入?yún)?shù)眾多，模型中不同作物的參數(shù)有所不同，在不同地區(qū)應(yīng)用時(shí)參數(shù)的敏感性也會(huì)不同[7]。敏感性分析可以量化每一個(gè)參數(shù)對(duì)于模型模擬結(jié)果的影響，是體現(xiàn)模型對(duì)不確定因素變化響應(yīng)的重要步驟。

近年來，模型參數(shù)的敏感性分析已經(jīng)成為學(xué)者的研究熱點(diǎn)，對(duì)DSSAT模型中的CERES-Wheat模型[7-9]、CERES-Maize模型[10]和CROPGRO-Cotton模型[11]進(jìn)行的敏感性分析結(jié)果表明，不同條件下輸入?yún)?shù)的敏感性存在差異，因此提高模型在不同地區(qū)的模擬精度具有重要意義。Dejonge等研究表明，充分灌溉和虧水灌溉對(duì)玉米作物品種參數(shù)的敏感度有較大影響[10];吳立峰等研究表明，不同灌水水平對(duì)棉花作物品種參數(shù)的敏感度有較大影響[12]。從以往對(duì)CROPGRO-Tomato的研究來看，Boote等研究表明，對(duì)主要溫度參數(shù)進(jìn)行修改會(huì)提高模型的模擬精度，這對(duì)模型的應(yīng)用起著關(guān)鍵性作用[13];Ventrella等研究表明，溫度條件對(duì)番茄產(chǎn)量影響比灌水條件更為有效[14]。然而，對(duì)溫室不同灌水水平下CROPGRO-Tomato模型模擬精度的研究還不是很多，因此在進(jìn)行精度研究之前對(duì)模型進(jìn)行局部敏感性分析的研究就顯得尤為必要。

本試驗(yàn)以溫室番茄為研究對(duì)象，采用擾動(dòng)分析方法對(duì)DSSAT-CROPGRO-Tomato模型進(jìn)行局部敏感性分析，研究不同灌水水平下溫室番茄產(chǎn)量對(duì)品種參數(shù)的敏感性，以期為GROPGRO-Tomato模型參數(shù)估計(jì)和模型應(yīng)用提供理論支持。

1 材料與方法

1.1 CROPGRO-Tomato模型簡(jiǎn)介

CROPGRO系列模型集成于DSSAT作物模型軟件中，該系列模型包括眾多作物模型，如棉花、大豆、花生、番茄模型等。各作物子模型的結(jié)構(gòu)基本一致，主要模塊有作物品種、土壤參數(shù)、氣象參數(shù)和田間管理模塊。土壤參數(shù)包括土壤水分、土壤組成、土壤溫度、土壤碳、氮轉(zhuǎn)化量等。氣象參數(shù)主要包括逐日最高最低氣溫、太陽輻射量、降水量、平均風(fēng)速、相對(duì)濕度、大氣壓強(qiáng)等。田間管理模塊主要負(fù)責(zé)各種管理措施，包括播種日期、播種方式、灌水、施肥、作物殘茬等。

CROPGRO系列模型有3類描述作物生長發(fā)育和產(chǎn)量的參數(shù)：物種參數(shù)、生態(tài)型參數(shù)和品種參數(shù)，其中品種參數(shù)的敏感性分析最為重要，因此確定品種參數(shù)的敏感性也就成為模型校正和驗(yàn)證的關(guān)鍵。

1.2 CROPGRO-Tomato模型輸入數(shù)據(jù)

本研究中CROPGRO-Tomato模型運(yùn)行所使用的氣象數(shù)據(jù)、土壤數(shù)據(jù)、田間管理數(shù)據(jù)等均來源于2016年遼寧省沈陽市沈陽農(nóng)業(yè)大學(xué)試驗(yàn)基地43號(hào)日光溫室。試驗(yàn)區(qū)位于41°44′N、123°27′E，年平均最高氣溫29.0 ℃，年平均最低氣溫-20.0 ℃，平均氣溫7.0～8.1 ℃，年平均降水量574.4～684.8 mm。溫室內(nèi)土壤剖面理化性質(zhì)數(shù)據(jù)為43號(hào)日光溫室實(shí)際測(cè)量（表1）。模型所用氣象數(shù)據(jù)來源于沈陽農(nóng)業(yè)大學(xué)43號(hào)日光溫室內(nèi)多要素自動(dòng)氣象站（圖1、圖2）。模型田間管理數(shù)據(jù)來源于試驗(yàn)監(jiān)測(cè)。

試驗(yàn)共設(shè)4個(gè)處理，每個(gè)處理3個(gè)重復(fù)，4個(gè)處理全生育期的灌水上限均為田間持水率，全生育期的灌水下限分別為田間持水率的50%（W1）、60%（W2）、70%（W3）、80%（W4）。供試番茄品種為粉冠一號(hào)。番茄于2016年3月22日定植，此為模型開始模擬日期;播種方式為移栽，株距40 cm，行距50 cm，播種深度5 cm;番茄生長過程中共計(jì)施N含量179.49 kg/hm2、P2O5含量59.83 kg/hm2、K2O含量658.12 kg/hm2;其他管理措施如打叉、病蟲害防治、疏果等按常規(guī)田間管理進(jìn)行。

1.3 模型模擬精度分析方法

本研究對(duì)沈陽農(nóng)業(yè)大學(xué)科研實(shí)踐基地43號(hào)日光溫室2016年番茄試驗(yàn)進(jìn)行模擬。在現(xiàn)有模型參數(shù)基礎(chǔ)上，通過DSSAT作物模型軟件自帶GLUE調(diào)參程序包對(duì)作物品種參數(shù)進(jìn)行調(diào)整，將番茄鮮果產(chǎn)量（kg/hm2）、成熟期葉面積指數(shù)（LAI）和地上干物質(zhì)量（kg/hm2）的觀測(cè)數(shù)據(jù)與模擬結(jié)果進(jìn)行對(duì)比分析，以此檢驗(yàn)?zāi)Ｐ偷恼`差。模型評(píng)價(jià)指標(biāo)采用絕對(duì)相對(duì)誤差（absolute relative error，ARE）、標(biāo)準(zhǔn)均方根誤差（normalized root mean square error，nRMSE）、平均誤差（E）、預(yù)報(bào)效率（efficiency of forecastiong，EF）和一致性指數(shù)（index of agreement，d）對(duì)模擬結(jié)果進(jìn)行評(píng)價(jià)，評(píng)價(jià)指標(biāo)范圍nRMSE<10%為無差異，10%≤nRMSE<20%為較小差異，20%≤nRMSE<30%為中等差異，nRMSE≥30%為較大差異[15]。指標(biāo)計(jì)算公式如下：

1.4 參數(shù)敏感性分析方法

本研究篩選出6個(gè)對(duì)模型輸出結(jié)果有重要影響的關(guān)鍵作物品種參數(shù)（表2），分別在4種不同的灌水處理?xiàng)l件下進(jìn)行局部敏感性分析。研究采用基于擾動(dòng)分析的相對(duì)敏感性分析方法[16-17]，即在其余參數(shù)不變的情況下，僅使1個(gè)參數(shù)在一定范圍內(nèi)進(jìn)行擾動(dòng)（擾動(dòng)幅度為-20.0%、-15%、-10.0%、-5.0%、0、5%、10%、15%、20%），逐次模擬，最終計(jì)算出參數(shù)相對(duì)敏感度（S）以及擾動(dòng)結(jié)果變化率（β）：

式中：Pi+1和Pi分別為第i+1次和第i次參數(shù)輸入值;Pa為2次輸入?yún)?shù)的均值;Mi+1和Mi分別為第i+1次和第i次模型產(chǎn)量模擬值;Ma為2次模型產(chǎn)量模擬值的均值;Mp為擾動(dòng)后模型產(chǎn)量模擬值;Mb為基準(zhǔn)參數(shù)下模型產(chǎn)量模擬值。根據(jù)S值的范圍可將參數(shù)相對(duì)敏感度劃分為5個(gè)級(jí)別（表3）[18]。

2 結(jié)果與分析

2.1 模型模擬精度分析

作物品種參數(shù)的調(diào)試結(jié)果：FL-SH，7.59;FL-SD，15.03;SD-PM，48.60;LFMAX，1.39;SLAVR，379.6;XFRT，0.845。番茄鮮果產(chǎn)量和地上干物質(zhì)量模型模擬值和觀測(cè)值之間的ARE分別為6.50%和10.83%，誤差較小;標(biāo)準(zhǔn)均方根誤差nRMSE分別為6.78%（無差異）和14.26%，差異較?。ū?）。如圖3所示，不同灌水水平下W1和W2處理的nRMSE均大于30%（較大差異），W3和W4處理的nRMSE均大于20%且小于30%（中等差異）;所有處理的E值均大于0，表明觀測(cè)值普遍比模擬值偏大;從不同處理的EF和d值可以看出葉面積指數(shù)在W3和W4等2個(gè)灌水水平條件下的模擬偏差較小、吻合度較高;但總體模擬精度較差。其主要原因可能是CROPGRO-Tomato模型模擬時(shí)會(huì)低估葉面積指數(shù)的變化，導(dǎo)致模擬精度有所下降?？傮w而言，CROPGRO-Tomato模型在溫室內(nèi)對(duì)番茄鮮果產(chǎn)量進(jìn)行模擬的精度較高，可以進(jìn)行相關(guān)的敏感性分析。

2.2 不同灌水水平下各參數(shù)擾動(dòng)結(jié)果

SD-PM參數(shù)在W1、W2和W3灌水水平下參數(shù)變化率在-20%～0之間模擬產(chǎn)量變化幅度最為明顯，而參數(shù)變化率在0～20%之間模擬產(chǎn)量變化幅度較小，在W4灌水水平下模擬產(chǎn)量變化幅度最大;FL-SD參數(shù)在W1、W2和W3灌水水平下模擬產(chǎn)量變化率隨著參數(shù)變化率的增加而減少，在W4灌水水平下模擬產(chǎn)量變化率隨著參數(shù)變化率的增加而增加）;FL-SH參數(shù)在4種灌水水平下模擬產(chǎn)量變化率隨著參數(shù)變化率的增加而減少;LFMAX、SLAVR和XFRT參數(shù)在4種灌水水平下模擬產(chǎn)量變化率隨著參數(shù)變化率的增加而增加（圖4）。

W1水平下各參數(shù)擾動(dòng)變化對(duì)模擬產(chǎn)量的影響幅度依次為LFMAX（模擬變化率最大值+最小值=48.98%，下同）、XFRT（47.77%）、SD-PM（38.66%）、SLAVR（30.54%）、FL-SH（12.00%）和FL-SD（7.62%）（圖4-a）;W2水平下各參數(shù)擾動(dòng)變化對(duì)模擬產(chǎn)量的影響幅度依次為XFRT（59.71%）、LFMAX（48.97%）、SD-PM（34.53%）、SLAVR（25.27%）、FL-SH（14.61%）和FL-SD（8.12%）（圖4-b）;W3水平下各參數(shù)擾動(dòng)變化對(duì)模擬產(chǎn)量的影響幅度依次為XFRT 38.93%）、LFMAX（36.93%）、SD-PM（30.40%）、SLAVR（23.21%）、FL-SH（6.05%）和FL-SD（6.54%）（圖4-c）;W4水平下各參數(shù)擾動(dòng)變化對(duì)模擬產(chǎn)量的影響幅度依次為SD-PM（69.41%）、LFMAX（43.08%）、SLAVR（36.47%）、XFRT（32.33%）、FL-SD（16.55%）和FL-SH（6.69%）（圖4-d）。由上述可知，參數(shù)擾動(dòng)變化對(duì)模擬產(chǎn)量的影響幅度隨著灌水水平不同發(fā)生較大變化，其中LFMAX、XFRT、SD-PM和SLAVR參數(shù)對(duì)模擬產(chǎn)量的影響程度較高。

2.3 不同灌水水平下各參數(shù)相對(duì)敏感度分布

如圖5所示，W1水平下，6個(gè)參數(shù)敏感度大小依次為LFMAX（敏感度1.24，下同）、XFRT（1.20）、SD-PM（1.03）、SLAVR（0.76）、FL-SH（0.30）和FL-SD（0.19）;在W2水平下，6個(gè)參數(shù)的敏感度大小依次為XFRT（1.42）、LFMAX（1.17）、SD-PM（1.01）、SLAVR（0.65）、FL-SH（0.38）和FL-SD（0.04）;在W3水平下，6個(gè)參數(shù)的敏感度大小依次為XFRT（1.00）、LFMAX（0.98）、SD-PM（0.91）、SLAVR（0.65）、FL-SH（0.16）和FL-SD（0.03）;在W4水平下，6個(gè)參數(shù)的敏感度大小依次為SD-PM（1.82）、LFMAX（1.13）、SLAVR（0.97）、XFRT（0.93）、FL-SD（0.50）和 FL-SH （0.18）。由上述可知，參數(shù)的敏感度隨著灌水水平不同也會(huì)發(fā)生較大變化，其中LFMAX、XFRT、SD-PM和SLAVR參數(shù)的敏感度較高。

2.4 不同灌水水平下各參數(shù)敏感性及變異性分析

根據(jù)表5可知，參數(shù)FL-SH和FL-SD在4種不同水分條件下的敏感性均相對(duì)較低，說明在不同灌水水平下這2個(gè)參數(shù)對(duì)模擬產(chǎn)量的影響均較小，這可能是由于它們主要影響作物的物候期，所以對(duì)模擬產(chǎn)量的影響不明顯。參數(shù)SD-PM、LFMAX、SLAVR和XFRT在4種不同水分條件下的敏感度級(jí)別都較高，說明這4個(gè)參數(shù)為影響CROPGRO-Tomato模型模擬產(chǎn)量的主要參數(shù)。從變異系數(shù)可以看出，不同灌水水平對(duì)SD-PM、SLAVR和XFRT參數(shù)的敏感度影響較大，因此在進(jìn)行作物品種參數(shù)估計(jì)時(shí)應(yīng)該注意不同灌水水平對(duì)模型參數(shù)敏感度的影響。

根據(jù)圖6可知，參數(shù)SD-PM和SLAVR在W4條件下的敏感度最高，大于其余3個(gè)灌水處理，說明這2個(gè)參數(shù)在充分灌溉條件下對(duì)模型模擬產(chǎn)量的影響較大;參數(shù)XFRT在W1和W2條件下的敏感度要大于其余2個(gè)灌水處理，說明這2個(gè)參數(shù)在中度和重度虧水條件下對(duì)模型模擬產(chǎn)量的影響較大。雖然SD-PM、LFMAX、SLAVR和XFRT這4個(gè)參數(shù)的敏感度級(jí)別均較高，但是在4種不同灌水處理?xiàng)l件下體現(xiàn)出的敏感度排名卻略有差異。

3 討論

宋利兵等在不同灌水水平下CERES-Maize模型調(diào)參驗(yàn)證研究中表明，各處理的LAI均是生育前期模擬較好，生育后期出現(xiàn)較大偏差，其中高灌水水平處理下的LAI模擬精度優(yōu)于低灌水水平[19]，這與本研究結(jié)果相似，但本研究引起LAI模擬進(jìn)度較差的主要原因可能是CROPGRO-Tomato模型模擬時(shí)會(huì)低估葉面積指數(shù)的變化，導(dǎo)致模擬精度有所下降。吳立峰等對(duì)不同灌水水平下CROPGRO-Cotton模型敏感性的研究表明，產(chǎn)量最敏感參數(shù)為XFRT[12]，這與本研究提出的主要影響參數(shù)略有差異，主要原因是模擬作物不同，從而模擬產(chǎn)量對(duì)作物品種參數(shù)的敏感性發(fā)生變化。Dejonge等的研究[12]表明，在不同灌水水平下模型參數(shù)的敏感性變化較大[10，12]，這與本研究提出的參數(shù)敏感度會(huì)較大程度上受灌水水平影響的結(jié)果一致?？傮w而言，通過對(duì)CROPGRO-Tomato模型的敏感性分析得出最敏感以及受灌水水平影響較大的幾個(gè)品種參數(shù)，為遼寧省日光溫室番茄生產(chǎn)的模型模擬和產(chǎn)量預(yù)測(cè)提供理論依據(jù)。

4 結(jié)論

不同灌水水平下參數(shù)SD-PM、LFMAX、SLAVR和XFRT的敏感度級(jí)別均Ⅳ～Ⅴ，敏感性較高，這4個(gè)品種參數(shù)是模擬產(chǎn)量的主要影響參數(shù)。

參數(shù)FL-SH、FL-SD和SD-PM敏感度變異系數(shù)分別為40.43%、117.1%和35.71%，受灌水水平影響較大。

在日光溫室內(nèi)應(yīng)用CROPGRO-Tomato模型進(jìn)行參數(shù)局部敏感性分析研究成果，為模型調(diào)參驗(yàn)證奠定了基礎(chǔ)，對(duì)遼寧日光溫室番茄進(jìn)行作物模型模擬、產(chǎn)量預(yù)測(cè)和模型驗(yàn)證具有指導(dǎo)意義。

參考文獻(xiàn)：

[1]王克全，鄭國玉，馬軍勇，等. 不同滴灌量對(duì)新疆溫室土壤水分、番茄產(chǎn)量及品質(zhì)的影響[J]. 河南農(nóng)業(yè)科學(xué)，2015，44（10）：113-116.

[2]鄭國保，孔德杰，張?jiān)磁妫? 不同灌水量對(duì)日光溫室番茄產(chǎn)量、品質(zhì)和水分利用效率的影響[J]. 北方園藝，2011（11）：47-49.

[3]王 峰，杜太生，邱讓建，等. 虧缺灌溉對(duì)溫室番茄產(chǎn)量與水分利用效率的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（9）：46-52.

[4]張 輝，張玉龍，虞 娜，等. 溫室膜下滴灌灌水控制下限與番茄產(chǎn)量、水分利用效率的關(guān)系[J]. 中國農(nóng)業(yè)科學(xué)，2006，39（2）：425-432.

[5]詹 漢，白清俊，董正陽，等. 扶埂開溝膜下灌對(duì)土壤水分分布的影響[J]. 排灌機(jī)械工程學(xué)報(bào)，2020，38（5）：511-516.

[6]Saltelli A，Tarantola S，Campolongo F. Sensitivity analysis as an ingredient of modeling[J]. Statistical Science，2000，15（4），377-395.

[7]宋明丹，馮 浩，李正鵬，等. 基于Morris和EFAST的CERES-Wheat模型敏感性分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（10）：124-131，166.

[8]姜志偉，陳仲新，周清波，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（1）：236-242.

[9]張靜瀟，蘇 偉. 基于EFAST方法的CERES-Wheat作物模型參數(shù)敏感性分析[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，17（5）：149-154.

[10]Dejonge K C，Ascough J C，Ahmadi M，et al. Global sensitivity and uncertainty analysis of a dynamic agroecosystem model under different irrigation treatments[J]. Ecological Modelling，2012，231：113-125.

[11]Pathak T B，F(xiàn)raisse C W，Jones J W，et al. Use of global sensitivity analysis for CROPGRO Cotton model development[J]. Transactions of the ASABE，2007，50（6）：2295-2302.

[12]吳立峰，張富倉，范軍亮，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.

[13]Boote K J，Rybak M T，Scholberg Johan M S，et al. Improving the CROPGRO-Tomato model for predicting growth and yield response to temperature[J]. Hort Science，2012，47（8）：1038-1049.

[14]Ventrella D，Charfeddine M，Moriondo M，et al. Agronomic adaptation strategies under climate change for winter durum wheat and tomato in southern Italy：irrigation and nitrogen fertilization[J]. Regional Environmental Change，2012，12：407-419

[15]Jones J W，Hoogenboom G，Porter C H，et al. The DSSAT cropping system model[J]. European Journal Agronomy，2003，18（3/4）：235-265.

[16]Choi J Y，Choi C H. Sensitivity analysis of multilayer perceptron with differentiable activation functions [J]. IEEE Transactions on Neural Networks，1992，3（1）：100-107.

[17]楊靖民，楊靖一，Hoogenboom G. DSSAT作物模型的統(tǒng)計(jì)和圖形校驗(yàn)方法[J]. 植物營養(yǎng)與肥料學(xué)報(bào)，2012，18（5）：1064-1072.

[18]席 慶，李兆富，羅 川. 基于擾動(dòng)分析方法的AnnAGNPS模型水文水質(zhì)參數(shù)敏感性分析[J]. 環(huán)境科學(xué)，2014，35（5）：1773-1780.

[19]宋利兵，陳 上，姚 寧，等. 基于GLUE和PEST的CERES-Maize模型調(diào)參與驗(yàn)證研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（11）：95-111.