干旱脅迫下DNDC模型的紅棗產(chǎn)量參數(shù)校正

王德娟 隋立春 劉迪 王瑾 袁歡歡 徐家利

關(guān)鍵詞： 棗;DNDC模型;干旱脅迫;敏感性分析;參數(shù)調(diào)整

中圖分類(lèi)號(hào)： S165+.27 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-4440（2021）03-0812-05

Adjustment of jujube yield parameters based on DNDC model under drought stress

WANG De-juan， SUI Li-chun， LIU Di， WANG Jin， YUAN Huan-huan， XU Jia-li

（School of Geological Engineering and Geomatics， Changan University， Xian 710054，China）

Key words： jujube;DNDC model;drought stress;sensitivity analysis;parameter adjustment

紅棗作為南疆林果業(yè)發(fā)展的優(yōu)勢(shì)樹(shù)種，在新疆綠洲生產(chǎn)、生態(tài)建設(shè)中起著重要作用[1]。新疆地區(qū)應(yīng)用的估產(chǎn)方法主要有氣象估計(jì)，經(jīng)驗(yàn)估計(jì)等[2-3]。段丁丁等[4]利用DSSAT內(nèi)部的馬鈴薯模型對(duì)馬鈴薯進(jìn)行了區(qū)域化模擬估產(chǎn)研究;吳立峰[5]等通過(guò)Morris方法和EFAST方法對(duì)不同灌溉水平下CROPGRO棉花模型進(jìn)行了敏感性分析和不確定性分析;紀(jì)甫江[6]等通過(guò)將CASA模型和WOFOST模型進(jìn)行耦合從而提高了大豆單產(chǎn)估算的精度。而目前對(duì)于棗的產(chǎn)量估算研究較少，因此結(jié)合新疆地區(qū)的生態(tài)條件，利用更加精準(zhǔn)的作物生長(zhǎng)模型將成為在棗類(lèi)估產(chǎn)中的有效方法。

經(jīng)過(guò)多年的發(fā)展和應(yīng)用，作物模型主要分為三大派系，分別是以O(shè)RYZA2000模型為代表的荷蘭作物模型體系，以CERES模型為代表的美國(guó)作物模型體系，以CCSODS模型為代表的中國(guó)作物模型體系[7-9]。但在眾多作物生長(zhǎng)模型中用于果樹(shù)產(chǎn)量模擬的模型較少，其中DNDC模型是由美國(guó)新罕布什爾大學(xué)的李長(zhǎng)生教授團(tuán)隊(duì)研發(fā)的生物地球化學(xué)模型，該模型是農(nóng)業(yè)生態(tài)系統(tǒng)中一系列控制碳和氮遷移轉(zhuǎn)化的生物化學(xué)及地球化學(xué)反應(yīng)機(jī)制的計(jì)算機(jī)模擬表達(dá)[10]。DNDC模型以日為步長(zhǎng)，通過(guò)氣候、土壤、植被和管理4個(gè)基本生態(tài)因子對(duì)作物生長(zhǎng)進(jìn)行機(jī)理性模擬，并通過(guò)DNDC模型特色的硝化反硝化作用模擬作物在生長(zhǎng)過(guò)程中的碳、氮元素的變化，在進(jìn)行產(chǎn)量預(yù)報(bào)的同時(shí)進(jìn)一步實(shí)現(xiàn)碳、氮元素在地球生態(tài)系統(tǒng)中循環(huán)的模擬[11-13]。DNDC模型包含簡(jiǎn)單易操作的新作物類(lèi)構(gòu)建方法，并且對(duì)水分處理具有單獨(dú)的頁(yè)面，因此對(duì)棗樹(shù)的產(chǎn)量模擬可操作性更高。

作物生長(zhǎng)模型作為機(jī)理性模型需要大量的作物和實(shí)際的環(huán)境參數(shù)作為輸入?yún)?shù)，但只有部分參數(shù)對(duì)模型的模擬結(jié)果起決定作用，因此參數(shù)的準(zhǔn)確性將會(huì)直接影響模型模擬結(jié)果的真實(shí)性[14-15]。同時(shí)試驗(yàn)地區(qū)的特殊環(huán)境因素也成為參數(shù)敏感性分析的關(guān)鍵。新疆地區(qū)特殊的地理位置及天氣條件，使得水分成為作物生長(zhǎng)過(guò)程中不容忽略的問(wèn)題。參數(shù)敏感性分析主要分為全局參數(shù)敏感性分析和局部參數(shù)敏感性分析[16]。局部敏感性分析是指在一定范圍內(nèi)調(diào)整某一個(gè)參數(shù)的取值從而檢驗(yàn)該參數(shù)對(duì)輸出結(jié)果的影響，但它卻無(wú)法分析參數(shù)間的交互作用對(duì)模擬結(jié)果的影響[17]。全局敏感性分析則檢驗(yàn)多個(gè)參數(shù)對(duì)模型輸出結(jié)果的總影響，同時(shí)分析參數(shù)之間的交互作用對(duì)模擬結(jié)果的影響[18]。因此在使用多參數(shù)輸入的非線性作物模型模擬時(shí)，越來(lái)越多的學(xué)者選擇全局敏感性分析的方法對(duì)模型進(jìn)行敏感性分析。目前常見(jiàn)的全局敏感性分析方法包括Sobol法、傅里葉振幅敏感性分析法（FAST）、可擴(kuò)展傅里葉振幅敏感性分析法（EFAST）、LH-OAT法、普適似然不確定性估計(jì)法（GLUE）等[19]。目前基于可擴(kuò)展傅里葉振幅敏感性分析法已應(yīng)用于DASST[4]、EPIC[20]、WOFOST[6]等作物生長(zhǎng)模型的全局敏感性分析中，但對(duì)于DNDC模型的敏感性分析研究較少。

基于上述情況，本研究以紅棗為例，采用可擴(kuò)展傅里葉振幅敏感性分析法，針對(duì)干旱脅迫和正常條件下的DNDC模型幾類(lèi)輸入?yún)?shù)進(jìn)行定量的全局敏感性分析。研究棗的作物參數(shù)、土壤因素在干旱脅迫和正常條件下對(duì)DNDC模型模擬棗產(chǎn)量的影響，旨在為DNDC棗類(lèi)模型參數(shù)本地化、區(qū)域化以及未來(lái)與遙感數(shù)據(jù)的耦合提供選擇敏感性分析變量的基礎(chǔ)。

1 材料與方法

1.1 DNDC作物生長(zhǎng)模型與試驗(yàn)數(shù)據(jù)

1.1.1 DNDC作物生長(zhǎng)模型 DNDC模型是以模擬作物反硝化-分解反應(yīng)為主的集合多種作物的地球生物化學(xué)過(guò)程的模型[21]。模型共包括兩大部分，第一部分主要是通過(guò)氣象因素、土壤因素、植被信息以及田間管理數(shù)據(jù)等對(duì)作物所處的土壤環(huán)境的動(dòng)態(tài)變化進(jìn)行模擬;第二部分通過(guò)輸入的土壤環(huán)境因素預(yù)測(cè)模型輸入?yún)?shù)對(duì)微生物活動(dòng)影響，從而計(jì)算土壤系統(tǒng)中碳、氮元素的變化（主要為氣體的排放）[10，22-24]。模型通過(guò)植物中碳元素的變化計(jì)算有機(jī)物的變化，模擬產(chǎn)量則通過(guò)最終果實(shí)內(nèi)部的碳含量進(jìn)行展示，其中模型默認(rèn)作物產(chǎn)量的40%是果實(shí)內(nèi)部的含碳量。本研究采用的模型為DNDC 95版本。

與其他模型不同，DNDC模型提供了簡(jiǎn)單易懂的作物類(lèi)別開(kāi)發(fā)界面，使用者可在數(shù)據(jù)庫(kù)中建立新作物類(lèi)別。紅棗模型即為本研究在果樹(shù)模型的基礎(chǔ)上結(jié)合試驗(yàn)數(shù)據(jù)構(gòu)造的新作物類(lèi)別模型。

1.1.2 試驗(yàn)數(shù)據(jù) 本研究的試驗(yàn)區(qū)位于新疆昆玉第十四師224團(tuán)地塊。試驗(yàn)區(qū)共涵蓋5塊實(shí)驗(yàn)田，共包含采樣點(diǎn)10個(gè)。

DNDC模型的輸入數(shù)據(jù)包括氣象參數(shù)、土壤參數(shù)、作物參數(shù)和田間管理數(shù)據(jù)。選取的作物參數(shù)包括：最大果實(shí)產(chǎn)量、全株生物量中果實(shí)比例、全株生物量中葉片比例、全株生物量中莖比例、全株生物量中根比例、果實(shí)中碳氮含量比例、莖中碳氮含量比例、葉中碳氮含量比例、根中碳氮含量比例、固氮指數(shù)、需水量、適宜溫度、生長(zhǎng)積溫、管束結(jié)構(gòu)指數(shù)、最大作物產(chǎn)量、來(lái)自土壤的氮量、來(lái)自大氣的氮量、需氮量、植株最大高度、黏土含量、容質(zhì)量、飽和導(dǎo)水率、田間持水率、萎蔫點(diǎn)、孔隙度、有機(jī)碳量、起始硝酸根含量、起始氨氣含量、酸堿度、頂部均勻土層密度和下層土壤中有機(jī)碳（SOC）沉降速率。

研究所需的氣象輸入數(shù)據(jù)來(lái)自中國(guó)氣象數(shù)據(jù)網(wǎng)的中國(guó)地面氣候資料日值數(shù)據(jù)集（V3.0），共包含2015-2019年新疆和田地區(qū)逐日最高和最低氣溫，日降水量，日照時(shí)數(shù)。此格式為DNDC模型中特有的最簡(jiǎn)格式，可避免計(jì)算太陽(yáng)輻射量帶來(lái)的誤差。

土壤數(shù)據(jù)主要來(lái)源于當(dāng)?shù)剞r(nóng)業(yè)局實(shí)地測(cè)量數(shù)據(jù)和《新疆土種志》中數(shù)據(jù)，土壤主要為砂性土，透水性強(qiáng)，土壤肥力適中，有機(jī)質(zhì)含量在1.0%～1.5%，pH值為8.05。測(cè)量數(shù)據(jù)主要為土壤容質(zhì)量、飽和導(dǎo)水率、田間持水率、有機(jī)碳含量等。模型輸入的田間管理數(shù)據(jù)主要來(lái)自于當(dāng)?shù)胤N植標(biāo)準(zhǔn)化操作手冊(cè)和實(shí)地調(diào)查數(shù)據(jù)。實(shí)測(cè)產(chǎn)量數(shù)據(jù)來(lái)源于當(dāng)?shù)剞r(nóng)業(yè)科學(xué)研究所多年的統(tǒng)計(jì)數(shù)據(jù)。

1.2 可擴(kuò)展傅里葉振幅敏感性分析法

可擴(kuò)展傅里葉振幅敏感性分析法 [25]是由Saltelli等結(jié)合Sobol法和傅里葉振幅敏感度測(cè)試法的優(yōu)點(diǎn)所提出的基于模型方差分析的全局敏感性分析方法。EFAST方法的基本原理是模型的輸入?yún)?shù)的變化對(duì)模型的輸出結(jié)果的方差存在影響，通過(guò)計(jì)算每一個(gè)參數(shù)（Xi）的變化對(duì)輸出結(jié)果（Y）的方差的貢獻(xiàn)率得到敏感性[26]。其中輸出結(jié)果Y=f（X）=f（x1，x2，x3…xn）。

對(duì)于一個(gè)多參數(shù)相互作用的模型，ST.i（參數(shù)xi的總敏感度）反映了Si（參數(shù)的直接貢獻(xiàn)率）以及Sij～S1，2…i…k（參數(shù)間的互相作用）對(duì)模型輸出總方差的貢獻(xiàn)率，可表示為各階敏感度之和：

ST.i=Si+Sij+Sijm+…+S1，2，…i…，k（1）

EFAST將敏感度劃分為2個(gè)指標(biāo)，一個(gè)為一階敏感度即單參數(shù)的影響;另一個(gè)為全局敏感度即多個(gè)參數(shù)之間的相互作用的影響[27]。

DNDC模型包含多參數(shù)相互作用的過(guò)程，因此全局敏感性分析方法更適合DNDC模型的參數(shù)敏感性分析。EFAST方法通過(guò)對(duì)模型方差的分解，從而定量地得到每個(gè)參數(shù)的一階敏感度及總敏感度。

1.3 試驗(yàn)設(shè)計(jì)

本研究的目的是為模型本地化選擇敏感參數(shù)，試驗(yàn)設(shè)計(jì)方案如下：

在干旱脅迫和正常條件下對(duì)DNDC模型作物參數(shù)進(jìn)行全局敏感性分析，并對(duì)比兩者對(duì)模型最終模擬結(jié)果的影響，進(jìn)一步調(diào)整模型參數(shù)。其中根據(jù)試驗(yàn)區(qū)域的實(shí)際情況，該地區(qū)的年降水總量平均為100 mm，因此大部分水分來(lái)源于農(nóng)田灌溉，設(shè)置干旱脅迫灌溉量為正常灌溉量的75%和50%，在這種情況下分析紅棗的19個(gè)作物參數(shù)和12個(gè)土壤參數(shù)，從中篩選最敏感參數(shù)，從而為模型本地化調(diào)整提供依據(jù)。

方案一：在正常水分條件和干旱脅迫條件下對(duì)DNDC模型的作物參數(shù)、土壤參數(shù)、田間管理參數(shù)進(jìn)行全局敏感性分析。通過(guò)EFAST方法篩選出在正常條件和干旱脅迫條件下對(duì)模型有關(guān)鍵影響的敏感參數(shù)。

方案二：在方案一篩選出敏感參數(shù)的基礎(chǔ)上，調(diào)整模型的參數(shù)，進(jìn)一步優(yōu)化輸入數(shù)據(jù)，獲取模擬結(jié)果。將調(diào)整前后的模擬結(jié)果與實(shí)測(cè)結(jié)果進(jìn)行誤差分析，通過(guò)相對(duì)誤差這一指標(biāo)進(jìn)一步評(píng)價(jià)模型的精度。

研究采用的全局敏感性分析主要借助敏感性分析軟件Simlab對(duì)模型的各個(gè)參數(shù)進(jìn)行敏感性分析。該軟件主要是利用蒙特卡洛方法對(duì)紅棗的作物參數(shù)以及土壤參數(shù)進(jìn)行隨機(jī)采樣，并利用全局敏感性分析法分解方差從而對(duì)輸入?yún)?shù)進(jìn)行敏感性分析。首先利用Simlab選擇采樣方法（本研究選取的為EFAST法，該方法認(rèn)為分析結(jié)果有效時(shí)采樣數(shù)需大于參數(shù)個(gè)數(shù)的65倍）[20]進(jìn)行采樣，生成輸入?yún)?shù) ，采樣次數(shù)為4 000次。利用Python編寫(xiě)程序?qū)?shù)編寫(xiě)為DNDC模型規(guī)定的輸入格式，隨后將參數(shù)輸入到模型中得到模擬結(jié)果，將各參數(shù)和輸出結(jié)果利用EFAST方法進(jìn)行全局敏感性分析。本研究將全局敏感度大于0.1、一階敏感度大于0.05的參數(shù)確定為敏感參數(shù)。

2 結(jié)果與分析

2.1 正常條件下和干旱脅迫下作物參數(shù)全局敏感性分析對(duì)比

本試驗(yàn)共針對(duì)DNDC模型中19個(gè)作物參數(shù)分別進(jìn)行正常條件下和干旱脅迫條件下的敏感性分析。由圖1可知，在干旱脅迫下和正常條件下的全局敏感參數(shù)篩選中，篩選的參數(shù)一致性較高，但參數(shù)的敏感度卻不相同。其中正常條件下和75%水分條件下篩選出的敏感參數(shù)的敏感度由大到小為：全株生物量中果實(shí)比例>最大作物產(chǎn)量>生長(zhǎng)積溫>需水量>植株最大高度>適宜溫度，而50%水分條件下的敏感參數(shù)的敏感度由大到小為：生長(zhǎng)積溫>全株生物量中果實(shí)比例>需水量>最大作物產(chǎn)量>適宜溫度>植株最大高度。

由以上的敏感度排序可知，在正常條件下作物參數(shù)中最敏感的參數(shù)為全株生物量中果實(shí)比例，它解釋了60%的方差，該參數(shù)為模型中產(chǎn)量在所有生物量中所占的比例。最大作物產(chǎn)量、生長(zhǎng)積溫、需水量三者的敏感度較為接近，分別解釋了36%、32%和31%的方差。其中最大作物產(chǎn)量是描述作物產(chǎn)量上限，生長(zhǎng)積溫則描述了整個(gè)生長(zhǎng)期所需的溫度，需水量描述了作物生長(zhǎng)所需的水分條件。植株最大高度和適宜溫度分別解釋了15.3%和14.7%的方差，植株最大高度反映的是植株的潛在高度，在一定程度上也會(huì)影響生物量的分配，適宜溫度描述的是作物生長(zhǎng)的適宜溫度，一定程度上反映了生長(zhǎng)期的生長(zhǎng)速率。當(dāng)水分條件減少為75%時(shí)，篩選的敏感參數(shù)的敏感度排序和數(shù)值都與正常條件下高度一致，而在水分條件減少至50%時(shí)，敏感參數(shù)的敏感度排序和數(shù)值發(fā)生了變化。

由圖1c可知，與正常條件相比，在干旱脅迫下，生長(zhǎng)積溫和適宜溫度的敏感度排列順序發(fā)生了改變，且敏感度增大。這主要是因?yàn)檫@2個(gè)參數(shù)均與溫度有關(guān)，紅棗是喜光喜溫作物[28]，因此在水分缺失的情況下，溫度就成為對(duì)產(chǎn)量方差影響最大的參數(shù)。最大果實(shí)產(chǎn)量、需水量、最大作物產(chǎn)量、植株最大高度分別解釋了40%、29%、24%和10%的方差。說(shuō)明，在水分條件為75%時(shí)，對(duì)敏感參數(shù)的敏感度并無(wú)影響，而當(dāng)水分條件為50%時(shí)，其對(duì)敏感參數(shù)的敏感度有影響。

2.2 正常條件下和干旱脅迫下土壤參數(shù)全局敏感性分析

在正常條件下，共篩選得到2個(gè)敏感參數(shù)，分別為田間持水率和孔隙度。其中田間持水率解釋了72.7%的產(chǎn)量方差，田間持水率描述的是土壤所能穩(wěn)定保持的土壤含水量，也間接反映了作物可利用土壤水分的上限。孔隙度是有關(guān)土壤孔隙的指數(shù)，它通過(guò)影響作物與水、空氣的接觸進(jìn)而影響作物的生長(zhǎng)發(fā)育，它解釋了27%的產(chǎn)量方差。這2個(gè)參數(shù)都與土壤的持水能力有關(guān)，均通過(guò)影響土壤與外界的水分交互來(lái)影響作物的生長(zhǎng)，因此也間接說(shuō)明了水分對(duì)棗樹(shù)生長(zhǎng)的重要性。而在2種干旱脅迫條件下篩選得到的敏感參數(shù)，不論是從參數(shù)的一致性還是參數(shù)具體的敏感度，都與在正常條件下篩選的參數(shù)高度一致。這也進(jìn)一步證明了土壤的理化性質(zhì)對(duì)紅棗產(chǎn)量的重要性，在其他條件發(fā)生改變時(shí)，土壤參數(shù)對(duì)產(chǎn)量的影響較為穩(wěn)定。

2.3 參數(shù)校正

針對(duì)2015-2019年5年間的數(shù)據(jù)對(duì)參數(shù)進(jìn)行校正，實(shí)現(xiàn)模型的本地化。在正常條件下，在參數(shù)調(diào)整前模型的模擬產(chǎn)量整體低于實(shí)測(cè)產(chǎn)量，且相對(duì)誤差最高達(dá)到24%，說(shuō)明模型存在很大的調(diào)整空間。在75%水分條件下，模型的相對(duì)誤差最高達(dá)到25%。而在50%水分條件下，模型參數(shù)調(diào)整前的相對(duì)誤差最高達(dá)到38%，已經(jīng)達(dá)到無(wú)法忽略誤差的程度。由此可見(jiàn)水分是影響產(chǎn)量的重要因素。在干旱脅迫條件下，5年間的所有產(chǎn)量模擬值均遠(yuǎn)低于實(shí)際值，這也為紅棗的田間管理提出了一定的管理要求，水分和溫度是紅棗生長(zhǎng)過(guò)程中至關(guān)重要的因子。在完成參數(shù)敏感性分析的基礎(chǔ)上，在已篩選出敏感參數(shù)基礎(chǔ)上對(duì)參數(shù)進(jìn)行調(diào)整，主要校正的參數(shù)為敏感度較高的溫度，以及土壤參數(shù)中的田間持水率和土壤容質(zhì)量等與水分相關(guān)的參數(shù)。經(jīng)過(guò)參數(shù)調(diào)整后，模型的相對(duì)誤差控制在8%以內(nèi)，模型精度顯著提升。因此，模型的敏感性分析對(duì)模型本地化和提高模型精度有重要意義。

3 討論

作物參數(shù)在干旱脅迫下和正常條件下，兩者篩選的敏感參數(shù)呈現(xiàn)出一致性，但敏感參數(shù)的敏感度卻不相同，當(dāng)水分條件為50%時(shí)，與溫度相關(guān)的作物參數(shù)的敏感度上升。但在土壤參數(shù)中，不論是從篩選出敏感參數(shù)的一致性還是敏感度上，水分條件的變化并未對(duì)土壤參數(shù)的敏感參數(shù)篩選產(chǎn)生影響。

通過(guò)對(duì)正常條件下和干旱脅迫條件下的參數(shù)進(jìn)行敏感性分析，篩選得到對(duì)棗樹(shù)作物模型模擬時(shí)敏感度高的參數(shù)，進(jìn)一步對(duì)模型的輸入?yún)?shù)進(jìn)行調(diào)整。調(diào)整主要對(duì)正常條件下的敏感參數(shù)進(jìn)行調(diào)整，且參考干旱脅迫時(shí)的敏感參數(shù)作為輔助，經(jīng)過(guò)參數(shù)調(diào)整后，模型模擬產(chǎn)量的相對(duì)誤差控制在8%以內(nèi)，模型的精度進(jìn)一步提高。

參考文獻(xiàn)：

[1] 王 雨，李占林，劉曉紅.新疆棗標(biāo)準(zhǔn)化生產(chǎn)技術(shù)推廣專(zhuān)題一：新疆棗發(fā)展現(xiàn)狀及品種選擇[J].新疆林業(yè)，2019（2）：18-20.

[2] 官景得，張玉蘭，戴小笠，等.基于3種回歸模型的紅棗產(chǎn)量動(dòng)態(tài)預(yù)報(bào)[J].安徽農(nóng)業(yè)科學(xué)，2010，38（34）：19260-19262.

[3] 李鵬飛，王青青，毋建宏，等.基于灰狼優(yōu)化算法的最小二乘支持向量機(jī)紅棗產(chǎn)量預(yù)測(cè)研究[J].安徽農(nóng)業(yè)科學(xué)，2020，48（6）：218-222.

[4] 段丁丁，何英彬，于金寬，等.DSSAT-SUBSTOR馬鈴薯模型的參數(shù)敏感性分析及適宜性評(píng)價(jià)[J].安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，46（3）：521-527.

[5] 吳立峰，張富倉(cāng)，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.

[6] 紀(jì)甫江，蒙繼華，方慧婷.基于CASA-WOFOST耦合模型的大豆單產(chǎn)遙感估算研究[J].遙感技術(shù)與應(yīng)用，2020，35（2）：406-415.

[7] WIT D C T. Photosynthesis of leaf canopies[R]. Netherlands， Wageningen：Wageningen University，1965.

[8] BOUMAN B ， KEULEN H V ， LAAR H ， et al. The 'School of de Wit' crop growth simulation models： A pedigree and historical overview[J]. Agricultural Systems， 1996， 52（2）：171-198.

[9] JONES J W， HOOGENBOOM G， PORTER C H， et al. The DSSAT cropping system model[J]. European Journal of Agronomy， 2003，18（3/4）：235-265.

[10]LI C S， FROLKING S， FROLKING T A. A model of nitrous oxide evolution from soil driven by rainfall events：1. Model structure and sensitivity[J]. Journal of Geophysical Research， 1992， 97：9759-9776.

[11]LI C S， FROLKING S， FROLKING T A. A model of nitrous oxide evolution from soil driven by rainfall events： 2 model applications[J]. Journal of Geophysical Research，1992，97：9777-9783.

[12]LI C S， FROLKING S， HARRISS R. Modeling carbon biogeochemistry in agricultural soils[J]. Global Biogeochemical Cycles， 1994， 8：237-254.

[13]李長(zhǎng)生.生物地球化學(xué)的概念與方法——DNDC模型的發(fā)展[J].第四紀(jì)研究，2001，21（2）：89-99.

[14]CLEVERS J G P W， VAN LEEUWEN H J C. Combined use of optical and microwave remote sensing data for crop growth monitoring[J]. Remote Sensing of Environment， 1996， 56（1）：42-51.

[15]LAUNAY M， GUERIF M. Assimilating remote sensing data into a crop model to improve predictive performance for spatial applications[J]. Agriculture Ecosystems and Environment，2005， 111（1/4）：321-339.

[16]SALTELLI A. Sensitivity analysis： could better methods be used ？[J]. Journal of Geophysical Research Atmospheres， 1999， 104（D3）：3789-3793.

[17]MARIO PARUGGIA. Sensitivity analysis in practice： a guide to assessing scientific models[J]. Journal of the American Statistical Association，2006，101（473）：398-399.

[18]SONG X，ZHANG J， ZHAN C， et al. Global sensitivity analysis in hydrological modeling： review of concepts， methods， theoretical framework， and applications[J]. Journal of Hydrology， 2015， 523：739-757.

[19]YANG J. Convergence and uncertainty analyses in Monte Carlo based sensitivity analysis[J]. Environmental Modelling & Software， 2011， 26（4）：444-457.

[20]吳 錦，余福水，陳仲新，等.基于EPIC模型的冬小麥生長(zhǎng)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（7）：136-142.

[21]PATHAK H， LI C， WASSMANN R. Greenhouse gas emissions from Indian rice fields： calibration and upscaling using the DNDC model[J]. Biogeosciences， 2005， 2（2）：113-123.

[22]SMITH W N， DESJARDINS R L， GRANT B， et al. Testing the DNDC model using N_0 emissions at t-wo experimental sites in Canada [J]. Canadian Journal of Soil Science， 2002， 82 （3）：365-374.

[23]SMITH W N， GRANT B B， DESJARDINS R L， et al. Evaluation of two process-based models to estimate N2O emissions in Eastern Canada[J]. Canadian Journal of Soil Science， 2008， 88（2）：251-260.

[24]TANG H， QIU J， RANST E V， et al. Estimations of soil organic carbon storage in cropland of China based on DNDC model[J]. Geoderma， 2006，134（1）：200-206.

[25]SALTELLI A， TARANTOLA S， CHAN K. A quantitative model-independent method for global sensitivity analysis of model output[J]. Technometrics， 1999， 41（1）：39-56.

[26]CUIKIER R I， LEVINE H B， SHULER K E. Nonlinear sensitivity analysis of multiparameter model systems[J]. Journal of Computational Physics， 1978， 26（1）：1-42.

[27]李旭華，孫建新.Biome-BGC模型模擬闊葉紅松林碳水通量的參數(shù)敏感性檢驗(yàn)和不確定性分析[J].植物生態(tài)學(xué)報(bào)，2018，42（12）：1131-1144.

[28]時(shí) 穎，張阿慧.若羌縣紅棗種植的氣候條件分析及高產(chǎn)栽培技術(shù)[J].農(nóng)民致富之友，2018（22）：51.