中國不同水稻生長環境下ORYZA(v3)模型參數全局敏感性分析

譚君位，崔遠來，汪文超

中國不同水稻生長環境下ORYZA(v3)模型參數全局敏感性分析

譚君位1,2，崔遠來2，汪文超3

（1. 中國農業大學水利與土木工程學院，北京 100083；2. 武漢大學水資源與水電工程科學國家重點實驗室，武漢 430072；3. 長江勘測規劃設計研究有限責任公司，武漢 430010）

中國水稻種植分布廣、氣候跨度大，水稻生長環境差異較大。ORYZA(v3)模型被廣泛用于水稻生長模擬，但不同環境下該模型參數敏感性的時空特征尚不清楚。該研究選取了位于中國16個水稻種植亞區的18個典型站點，分別采用EFAST（Extended Fourier Amplitude Sensitivity Test）方法對模型中16個作物參數進行30 a（1986－2015年）全局敏感性分析，分析了參數敏感性與氣象因子的相關性。結果表明，模型參數敏感性在不同生育階段、不同稻作制度、以及不同站點之間均存在較大的差異，尤其在高海拔或具有特殊氣候類型的地區的參數敏感性明顯異于其他地區；模型中葉面積相對生長速率最大值（RGRLMX）、穎花生長系數（SPGF）和最大單粒質量（WGRMX）的敏感性受環境的影響最大；各參數的敏感性與日均最低氣溫、日均最高氣溫、積溫具有顯著相關性，但由于海拔、緯度等因素的綜合影響，模型參數敏感性在空間上不隨緯度或海拔的變化呈現單一的變化趨勢；RGRLMX在大理、牡丹江等站點出現單參數極度敏感的現象，揭示了模型的結構可能存在一定缺陷，在容易受低溫冷害影響的地區應用時具有一定的局限性。

模型；敏感性分析；時空特征；相關性；多環境；稻作制度

0 引 言

基于過程的作物模型通常具有十分復雜的結構，包含了大量的參數。在作物模型本地化應用時，哪些參數需要重新率定、模型中各參數對目標變量（如生物量、產量等）的影響程度如何等一直是人們普遍關注的問題和難點[1-2]。參數敏感性分析能夠將模型輸出結果的不確定性分配到不同的模型參數，定量評價模型輸出變量對模型參數的敏感程度，從而識別并篩選出模型中的關鍵敏感參數和非敏感參數[3-4]。作物模型屬于非線性、非單調的復雜模型，通常采用全局敏感性分析方法進行參數敏感性分析[5-7]，其中應用最廣泛的方法有Sobol′法、EFAST（Extended Fourier Amplitude Sensitivity Test）法等[8-10]。如謝松涯等[11]、邢會敏等[12]分別運用EFAST法實現了WOFOST模型、AquaCrop模型中主要敏感參數的識別。

作物的生長受到氣候、環境以及田間管理的直接或間接影響，因此，作物模型參數敏感性分析結果在不同環境下可能存在一定的差異。近年來，國內外的專家學者對APSIM（Agricultural Production Systems sIMulator）模型中的參數敏感性開展了初步研究[13-15]，結果表明該模型中參數對同一輸出變量的敏感性受到氣候條件不同程度的影響。

ORYZA(v3)模型是模擬水稻生長過程的動態作物模型，已在很多國家和地區得到了大量的應用。在以往的本地化應用中，人們較多關注模型中參數的率定和驗證，只有少數學者對其參數的敏感性進行了研究。如黃敬峰等[16]將Sobol′法應用于該模型，分析了氣象因子、播種日期、CO2濃度以及葉片生長參數對模型輸出變量的影響；Tan等[5, 17]研究了參數變化范圍以及不同氣象條件對該模型中作物參數敏感性的影響。然而，在不同氣候區，當作物品種、田間管理、氣候類型等因素均發生變化時，模型中參數敏感性的變化規律尚不清楚。

基于此，本研究以ORYZA(v3)模型為研究對象，選取位于中國16個水稻種植亞區的18個典型站點，對模型進行不同環境下參數敏感性分析，主要目的是量化氣候、水稻品種、稻作制度等因素對模型參數敏感性的影響，探討模型參數敏感指數的時空變異規律，并分析其主要影響因子，為作物模型的本地化以及區域化應用提供參考。

1 材料與方法

1.1 ORYZA(v3)模型

ORYZA(v3)模型是水稻生長模型ORYZA2000的最新版本，以日為時間步長，可用于模擬潛在產量、水分限制、氮素限制以及水氮聯合限制條件下水稻的生長發育以及土壤水分平衡[18-19]。該模型已經在很多國家或地區得到了應用和驗證[20-22]。與ORYZA2000相比，ORYZA(v3)模型在水、氮平衡模塊作出了較大的改進，增加了土壤中溫度、碳、氮動態模擬的相關模塊，實現了水與氮的耦合模擬。ORYZA(v3)模型具有更好的適用性，可以應用于各種環境下的水稻生長模擬，且其模擬精度得到進一步的提高[23-24]。

本研究選擇了模型中16個作物參數進行敏感性分析，它們的值在模型本地化應用時通常需要重新率定，各參數的名稱及默認值見表1。根據Tan等[17]的研究成果，參數取值范圍按其默認值的±30%上下浮動。

表1 ORYZA(v3)模型參數及其默認值

1.2 典型站點選擇

由于不同地區氣候差異顯著，中國具有多種水稻種植制度，現今主要有一年一熟、一年兩熟2種稻作制度。結合氣候本身的區域性，中國水稻種植區可分為6個稻作區、16個稻作亞區[25]。為了研究不同稻作區、不同稻作制度下ORYZA(v3)模型的參數敏感性，針對每個稻作亞區選取1～2個典型站點，共計18個，各站點的詳細信息見表2。各站點水稻的水稻物候日期均來自田間試驗觀測資料；驅動模型運行的所有氣象觀測數據均來自中國氣象數據網。

表2 各稻作區典型站點的基本信息

注：由于資料的缺乏，表中不包括Ⅲ3稻作亞區的信息。

Note: Due to lack of data, the information of sites located in sub-region Ⅲ3is not included in the table.

1.3 敏感性分析方法

本研究選用的EFAST方法是一種基于方差的全局敏感性分析方法，它集成了FAST法和Sobol′法的優點，具有計算效率高、穩定性好、對參數樣本的要求低等特點，其基本原理參見文獻[5,26-27]。該方法通過分解模型參數對模型輸出變量的方差，把參數的敏感性分為2類：1）單個參數對模型輸出變量的敏感性，由一階敏感指數（First-order Sensitivity Index,）衡量；2）參數單獨作用及其與其他參數之間的交互作用對模型輸出變量的敏感性之和，由全局總敏感指數（Total Sensitivity Index,T）衡量。其中，與T的值均在區間（0,1）內，其值越高表明參數的敏感性越強[28]。

1.4 數值模擬設計與步驟

采用ORYZA(v3)模型分別模擬18個典型站點豐水豐肥條件下的水稻生長。模型中采用發展階段（Development Stage, DVS）定義水稻的物候發展過程。為了研究不同環境下氣象條件對水稻生長及模型參數敏感性分析結果的影響，每個站點進行30 a（1986－2015年）水稻生長模擬及參數敏感性分析。其中，模型參數敏感性分析采用Simlab軟件集成的EFAST方法，選擇水稻生長過程中基本營養生長期、光周敏感期、幼穗分化期、灌漿期4個階段結束時（分別對應DVS為0.40、0.65、1.00和2.00）相應的葉面積指數（Leaf Area Index, LAI，hm2/hm2）、莖干物質總量（Dry Weight of Stems, WST，kg/hm2）、地上部分干物質總量（Total Aboveground Dry Matter, WAGT，kg/hm2）和穗干物質總量（Dry Weight of Storage Organs, WSO，kg/hm2）作為輸出變量。主要步驟如下：

1）資料收集。收集各典型站點的物候資料（包括單季中稻、雙季早稻、雙季晚稻）和長系列氣象觀測數據；

2）模型中物候參數率定。根據不同稻種的實測物候資料，在每個站點運用模型自帶的drate(v2).exe程序重新率定模型中的階段發展速率參數；

3）生成參數樣本。使用Simlab軟件基于EFAST法對選擇的16個參數進行取樣，生成8 000個參數組合樣本；

4）蒙特卡羅模擬。根據第3步中生成的參數組合樣本，將其轉換成ORYZA(v3)模型能識別的輸入文件格式，輸入氣象數據驅動模型，模擬30 a（1986－2015年）的水稻生長；每個站點運行模型240 000次；

5）提取模型輸出變量。根據模型模擬結果，提取水稻生育期各階段的模型輸出變量，并將其轉換成Simlab軟件能識別的輸入文件格式；

6）參數敏感性分析。根據第3、5步的結果輸入Simlab軟件，運用EFAST法逐年對ORYZA(v3)模型的輸出變量進行參數敏感性分析；

7）每個站點的每季水稻均重復上述第2～6步，合計18個站點。其中，單季中稻站點15個，雙季稻站點5個；共運行模型6×106次。

1.5 模型參數敏感性分析的影響因素

水稻生長與溫度、日照密切相關。為了探討參數敏感性與氣象因子的相關性，本研究選取了水稻生育期內日均最低氣溫（Average Value of Daily Minimum Temperature,min，℃）、日均最高氣溫（Average Value of Daily Maximum Temperature,max，℃）、累積日照時數（Cumulative Sunshine Hours，CH，h）、積溫（Cumulative Temperature, CT，℃）的30 a（1986－2015年）均值作為氣象因子；對各站點灌漿期末（DVS=2.00）的輸出變量LAI、WAGT、WST和WSO，計算其敏感參數的總敏感指數的30 a（1986－2015年）均值；然后運用SPSS軟件分析各站點各階段不同模型輸出變量對應敏感參數的總敏感指數與各氣象因子之間的Pearson相關系數。

2 結果與分析

2.1 不同環境下模型參數對各階段LAI的敏感性分析

不同環境下模型參數對各階段LAI的敏感性分析結果如圖1所示（圖中未顯示在4個階段均不敏感的參數，下同）。圖1a和圖1b顯示，在所有站點，參數RGRLMX對基本營養生長期結束時(S1)相應LAI的T較高，但各站點之間的差異較大（T=0.53～0.95），隨著生育階段的發展，該參數對光周敏感期末(S2)、幼穗分化期末(S3)、灌漿期末(S4)相應LAI的T值依次下降；對于大理、牡丹江站的中稻和瓊海、桂林站的早稻，RGRLMX對各階段LAI的敏感性均明顯高于其他站點，尤其對S1階段LAI的T值均在0.90以上；對于天津、新鄉、阿拉爾、景洪、荊州5個站點的中稻，南寧的早稻以及瓊海的晚稻，RGRLMX對各階段LAI的敏感性十分相似，其T值均明顯低于其他站點，且均對S4階段LAI不敏感；參數ASLA在所有站點上均對S3階段LAI的敏感性較高，而對其他階段LAI的敏感性較低，甚至在部分站點上不敏感；參數FLV0.5在所有站點上均對S2階段LAI的敏感性較高，其他結果與ASLA相似；ASLA和FLV0.5對大理和牡丹江2個站點的中稻各階段LAI的T值均明顯低于其他站點的值，且它們在其他站點之間的差異均較小；參數FLV0.75對牡丹江站中稻、桂林站早稻各階段LAI均不敏感，在其他站點上僅對S3階段LAI有較高的敏感性，且站點間的差異較小；參數DRLV1.0僅對景洪站早稻和中稻、南寧站早稻S3階段LAI有弱敏感性，在其他站點它對各階段的LAI均不敏感；參數DRLV1.6和DRLV2.0對牡丹江、綿陽站的中稻，景洪站晚稻，以及南昌站早稻各階段LAI均不敏感，而在其他站點上均對S4階段LAI有較高的敏感性，且站點間差異明顯；在所有站點上，各敏感參數的T值年際間的差異均很小（0～0.08）。

圖1c和圖1d顯示，RGRLM與其他參數的交互作用對S1階段LAI具有較大的影響（交互作用指數高于0.10），尤其對蔡家湖站中稻LAI的交互作用指數高達0.36（其他站點均低于0.20，甚至低于0.10）；該參數與其他參數的交互作用還對大理、綿陽2個站點的中稻以及南昌站早稻S2階段的LAI具有較大影響。ASLA與其他參數的交互作用對蔡家湖站中稻、桂林站晚稻S1階段LAI具有較弱的影響，而在其他情形下LAI的影響均不明顯；FLV0.5與其他參數的交互作用僅在部分站點對S1階段LAI具有較弱的影響，而在其他情形下LAI的影響均不明顯；其他參數的交互作用均不明顯。在所有站點上，參數交互作用指數年際間的差異均很小（年際間標準差為0～0.06）。

注：S1, S2, S3, S4分別表示基本營養生長期、光周敏感期、幼穗分化期和灌漿期4個水稻發展階段；各參數名稱說明見表1。下同。

2.2 不同環境下模型參數對各階段WAGT的敏感性分析

不同環境下模型參數對各階段WAGT的敏感性分析結果如圖2所示。圖2a和圖2b顯示，在所有站點上，RGRLMX對各階段的WAGT均具有很高的敏感性，且其T值在4個生育階段依次下降；該參數對大理、牡丹江2個站點的中稻各階段WAGT的T值均高于0.90，而在其他站點上各階段的T值差異以及站點間的差異均非常明顯；FLV0.5在大部分站點對4個階段的WAGT均較敏感，在部分站點只對S3、S4階段的WAGT比較敏感，而對大理、牡丹江2個站點的中稻各階段的WAGT均不敏感；FLV0.75僅對綿陽站中稻S4階段的WAGT有較弱的敏感性（T值為0.10），在其他站點均不敏感；在所有站點上，各敏感參數的T值年際間的差異均很小（年際間標準差為0.00～0.07）。

圖2c和圖2d顯示，各參數間的交互作用雖然在站點間有明顯差異，但是對WAGT的影響均很弱，其交互作用指數的多年均值都小于0.08，且年際間的差異也不明顯（年際間標準差為0.00～0.03）。

圖2 不同環境下模型參數對水稻各生育階段WAGT的30 a (1986－2015年)敏感性分析結果

2.3 不同環境下模型參數對各階段WST的敏感性分析

不同環境下模型參數對各階段WST的敏感性分析結果如圖3所示。圖3a和圖3b顯示，RGRLMX在所有站點對各階段的WST均十分敏感，但T值在不同生育階段及不同站點間具有非常明顯的差異；FLV0.5僅對大理、牡丹江、沈陽、蔡家湖等站點中稻S1階段的WST具有較高的敏感性，而對天津、新鄉、景洪、荊州等站點中稻S1、S2、S3階段的WST均具有一定的敏感性，且對S2階段WST的敏感性最高；FLV0.75和FST1.0的敏感性分析結果十分相似，僅對牡丹江站中稻、南寧和南昌站晚稻等條件下S3階段的WST具有較弱的敏感性（其T值均小于0.20）；參數SPGF和WGRMX的敏感性分析結果比較相似，站點間T值的差異比較明顯，二者在大部分站點均對S4階段WST具有較高的敏感性，且WGRMX的敏感性明顯高于SPGF，但對銀川、綿陽2個站點的中稻和南昌站早稻各階段的WST均不敏感。RGRLMX僅對吉首、牡丹江、蔡家湖3個站點的中稻，以及景洪站早稻各階段WST的T值具有較小的年際差異（年際標準差為0.10～0.15），而在其他站點的年際差異均不明顯；SPGF在各站點的T值年際間差異均不明顯（低于0.10）；WGRMX在大部分站點的T值年際間差異均比較明顯（年際間標準差為0.10～0.20）。

圖3c和圖3d顯示，參數SPGF和WGRMX與其他參數的交互作用對銀川、綿陽站的中稻，南寧站晚稻，以及景洪、南昌、桂林站的早稻各階段WST的影響均較小（交互作用指數均低于0.10），而在其他站點對S4階段的WST均具有較大的影響（交互作用指數為0.10～0.26），且站點間差異比較明顯，尤其是WGRMX的交互作用指數明顯高于SPGF；其他參數間的交互作用對WST的和影響不明顯。各參數在所有站點的交互作用指數年際間的差異均很小（年際間標準差為0～0.08）。

圖3 不同環境下模型參數對水稻各生育階段WST的30 a (1986－2015年) 敏感性分析結果

2.4 不同環境下模型參數對各階段WSO的敏感性分析

不同環境下模型參數對各階段WSO的敏感性分析結果如圖4所示。圖4a和圖4b顯示，RGRLMX對新鄉、荊州、杭州3個站點的中稻以及瓊海站晚稻各階段WSO均不敏感，而在其他站點對S3、S4階段的WSO比較敏感，且站點間的差異比較明顯，尤其對大理、牡丹江、沈陽、銀川、綿陽5個站的中稻以及南昌站早稻S4階段的WSO具有較高的敏感性（T=0.55～0.82）；ASLA僅對綿陽站中稻、景洪站晚稻S4階段的WSO具有較弱的敏感性（T分別為0.13、0.15），而在其他站點均不敏感；FLV0.5對大理、牡丹江、蔡家湖、銀川4個站點中稻各階段的WSO均不敏感，而在其他站點對各階段WSO均具有一定敏感性（T=0.10～0.30），且站點間的差異比較明顯；FLV0.75僅對吉首、淮安、沈陽、銀川4個站點的中稻以及南昌站早稻S4階段的WSO具有較弱的敏感性（T=0.10～0.16）；FST1.0在所有站點均對S3階段的WSO具有較高的敏感性（T=0.50～0.95），且站點間差異十分明顯，而僅對吉首、天津、銀川等少數站點的中稻S4階段的WSO具有較弱的敏感性（T值均小于0.20）；FSTR僅對吉首、銀川、景洪3個站點的中稻，南寧、景洪2個站點的早稻以及南寧站晚稻S4階段的WSO具有較弱的敏感性（T值均小于0.20），而在其他站點均不敏感；SPGF和WGRMX對牡丹江、沈陽、銀川、綿陽4個站點的中稻以及南昌站早稻各階段的WSO均不敏感，而在其他站點均對S4階段的WSO具有較高的敏感性，且SPGF的T值更高一些，站點間T值差異比較明顯；SPGF和WGRMX對吉首、天津2個站點的中稻，南寧站晚稻以及景洪站早稻S4階段的T值具有較小的年際間差異（年際標準差為0.10～0.20），而在其他參數在各站點的T值年際間差異均不明顯。

圖4c和圖4d顯示，SPGF和WGRMX與其他參數的交互作用對大理、牡丹江、沈陽、銀川、綿陽5個站點的中稻，以及南昌站早稻WSO的影響均不明顯，而在其他站點對S4階段的WSO具有較大的影響（交互作用指數為0.10～0.30），且SPGF在各站點的交互作用指數略高于WGRMX，尤其對阿拉爾站中稻4階段WSO的交互作用指數高達0.30；二者的交互作用指數在站點間的差異比較明顯；其他參數的交互作用指數在所有站點均不明顯；雖然SPGF的交互作用系數在年際間的差異比其他參數明顯，但在各站點的年際間標準差均低于0.10。

圖4 不同環境下模型參數對水稻各生育階段WSO的30 a (1986－2015年)敏感性分析結果

2.5 模型參數敏感性的影響因子分析

各典型站點的氣象因子統計結果及海拔如圖5所示。基于Pearson方法的各氣象因子與灌漿期末參數的T值（只選取敏感參數）的相關性分析結果如表3所示。

表3顯示，對于LAI，各參數的T值與CH或CT具有較高的相關性；RGRLMX的T值與min、max、CT均呈顯著的較強負相關性；死葉速率參數（DRLV1.6、DRLV2.0）對LAI的T值與min的相關性非常弱，而參數DRLV1.6對LAI的T值與max具有顯著的較強正相關性。對于WAGT，各參數的T值與min、max、CT均具有非常顯著的相關性；對于WST，參數WGRMX的T值僅與CT有相對較高的正相關性且在0.05水平上顯著；RGRLMX的T值則與min、max、CT呈顯著負相關性，而SPGF的T值與min、max、CT均呈顯著正相關性。對于WSO，參數FST1.0、FSTR的T值與所選氣象因子的相關性均較弱、甚至不相關；SPGF和WGRMX與max、CT呈顯著正相關性，而與其他氣象因子的相關性較弱，且不顯著；RGRLMX的T值與min、max、CT呈顯著負相關性，而FLV0.5的T值則與min、max、CT呈顯著正相關性。

圖5 各典型站點水稻生育期內各氣象因子的30 a（1986－2015年）統計結果

表3 ORYZA(v3)模型參數總敏感指數與水稻生育期氣象因子的Pearson相關系數

注：表中max、min、CH、CT分別表示水稻生育期內的日均最高氣溫、日均最低氣溫、累積日照時數和積溫的30 a(1986—2015年)均值；**表示0.01水平下顯著相關，*表示表示0.05水平下顯著相關。

Note: In table,max,min, CH, CT represents average values of daily maximum temperature, daily minimum temperature, cumulative sunshine hours, and cumulative temperature within rice growing period over 30-year (1986-2015), respectively; ** indicates significance at 0.01 level, while * indicates significance at 0.05 level.

3 討 論

3.1 不同環境下作物模型參數敏感性的空間變異特征

圖1～圖4表明，ORYZA(v3)模型中，各參數的全局敏感性指數和交互作用指數在典型站點之間具有一定的差異性，這與Liu等[15]的研究結果一致。這主要是因為模型中各參數的敏感性與水稻生育期內氣象因子相關（表3），且受到各站點經緯度、海拔以及水稻生長季節的影響（圖5）。同一稻作亞區內，如荊州和杭州2個站點均位于第Ⅱ1稻作亞區且同屬于亞熱帶季風氣候，雖然參數SPGF、WGRMX對2個站點中稻輸出變量的敏感性分析結果略有差異，但其他參數的敏感性結果在2個站點之間總體上具有一致性。天津和新鄉2個站點均位于第Ⅳ1稻作亞區，其中天津站屬于暖溫帶半濕潤大陸性季風氣候，新鄉站屬于溫帶季風氣候，除了SPGF、WGRMX以外，模型中其他參數的敏感性分析結果在這2個站點之間總體上仍具有一致性。可見，對于單季中稻而言，同一稻作亞區內，即使站點間分屬于不同的氣候區，但站點間的氣候條件相似，模型中各參數對不同階段模型輸出變量的敏感性總體上不具有明顯的差異；然而，站點間在生育期內各氣象因子差異較小，但短時期內氣象因子可能存在一定的差異，如水稻在開花至乳熟期容易受到高溫、低溫的瞬時傷害導致不同程度的減產，從而導致ORYZA(v3)模型中與穎花數量和灌漿模擬相關的參數SPGF、WGRMX對模型輸出變量的敏感性可能在同一稻作亞區的各站點之間有一定的差異，但不影響這2個參數的敏感性識別。

在同一稻作區，模型參數的敏感性在分屬于不同稻作亞區的站點之間具有十分明顯的差異。如綿陽站位于第Ⅱ2稻作亞區，南昌站位于第Ⅱ3稻作亞區，但二者分屬于不同的氣候類型，其中綿陽站屬于亞熱帶山地濕潤季風氣候，而南昌站屬于亞熱帶季風濕潤氣候；由于受到海拔（南昌站46.9 m、綿陽站522.7 m）、緯度（南昌站26°36′N、綿陽站31°27′N）的影響，水稻生育期內累積日照時數和積溫在站點間的差異十分明顯（圖5b和圖5c），從而導致模型中各參數對綿陽、南昌2個站點中稻的敏感性分析結果具有明顯的差異。在其他稻作區，位于不同稻作亞區的站點之間也有相似的模型參數敏感性分析結果。

吉首和南昌2個站點分屬于不同的稻作區，但二者同屬于亞熱帶季風濕潤氣候，且各氣象因子十分相近。作物模型中各參數對2個站點中稻各階段LAI和WAGT的敏感性基本一致，而SPGF、WGRMX對2個站點中稻S4階段WST和WSO的敏感性略有差異，可能是由于站點間水稻在開花至乳熟期的氣溫差異導致產量的差異。

對于不同階段的模型輸出變量，各參數的總敏感指數和交互作用指數在地域空間上并沒有呈現出十分明顯的變化規律，大多數參數對某一模型輸出變量的總敏感指數不隨緯度或海拔的變化呈現單一的變化趨勢。主要是因為典型站點水稻生育期內的氣候因子受海拔和緯度的共同影響，同時某些典型站點的氣候還與特殊的地理位置和季風氣候相關。在高海拔地區或是特殊氣候條件下，作物模型中參數的敏感性分析結果與同緯度或相同稻作區的其他站點均具有十分明顯的差異。例如，圖1~圖4中參數FLV0.5在大理、銀川等高海拔地區（海拔均在1 000 m以上）對各階段模型輸出變量的敏感性明顯低于其他地區，而參數RGRLMX在大理、牡丹江等相對特殊的氣候區（分屬于低緯度高原季風、溫帶大陸性季風氣候）對各階段模型輸出變量的敏感性總體上比其他地區相對較高。因為這些站點上水稻生育期內的min、max和CT均明顯偏低（圖5），而FLV0.5的敏感性與這些氣象因子呈顯著正相關性，RGRLMX的敏感性與這些氣象因子呈顯著負相關性（表3）。此外，不同站點間水稻品種具有較大差異，水稻生長過程中對高溫、低溫、水分脅迫的耐受程度不一致，從而影響參數的敏感性。可見，作物模型參數的敏感性分析結果受到氣候、海拔、緯度、作物品種等多重因素的綜合影響，十分復雜。

圖3和圖4還顯示參數SPGF、WGRMX對灌漿期末WST、WSO的T值及其年際間標準差、交互作用指數在不同站點間均具有較大的差異，尤其在大理、景洪、蔡家湖以及阿拉爾等具有相對特殊地理位置或氣候條件的地區。因此，SPGF和WGRMX的敏感性及其值的準確性在模型本地化應用中應受到更多的關注。

3.2 不同稻作制度下作物模型參數敏感性分析

在雙季稻種植區（主要集中在第Ⅰ稻作區以及第Ⅱ稻作區的部分區域），對于雙季早稻而言，ORYZA(v3)模型中各參數對不同生育階段模型輸出變量的敏感性在不同站點具有比較明顯的差異；而對于雙季晚稻而言，模型中各參數僅對S4階段WST和WSO的敏感性在不同站點之間存在相對明顯的差異，對于其他模型輸出變量各參數的敏感性在站點間的差異總體較小。其主要原因是早稻生育期內各氣象因子在不同站點之間的差異較大（尤其是max和CT），導致了雙季早稻在生長過程中低溫冷害影響的持續時間存在較大差異，從而影響各參數的敏感性。

景洪和南昌2個站點均位于單季稻和雙季稻的混種區。在這些站點，模型中各參數的敏感性在不同稻種（單季中稻、雙季早稻、雙季晚稻）之間存在十分明顯的差異，且各參數對特定模型輸出變量的敏感性隨稻種的變化規律并不一致。例如，參數RGRLMX對南昌站早稻和中稻S1階段LAI的敏感性相似，而與它對南昌站晚稻的敏感性分析結果差異較大；參數FLV0.5對南昌站中稻和晚稻S1階段WST的敏感性相似，與它對南昌站早稻的敏感性分析結果差異較大。其主要原因是年內不同水稻種植季節內各氣象因子具有較大的差異（圖5）。同一參數對于特定模型輸出變量的敏感性隨稻種變化的規律在景洪和南昌之間也具有較大的差異。例如，參數FLV0.5對景洪站早稻和中稻S1階段WST的敏感性相似，這與在南昌站的敏感性分析結果不一致。造成這種差異的主要原因可能是南昌和景洪分別所屬不同的氣候類型，在年內不同稻種的生育期內氣象條件不一致；此外，景洪和南昌不同稻作制度之間，各稻種的播種日期相差非常大，如在南昌雙季早稻通常在3月中下旬播種，而在景洪雙季早稻則通常在1月中下旬播種，這也導致了年內各稻種生育期內氣象條件差異較大。

4 結 論

本文運用ORYZA(v3)模型模擬不同環境下的水稻生長，采用EFAST（Extended Fourier Amplitude Sensitivity Test）方法對全國水稻種植區的18個典型站點分別進行了30 a的全局敏感性分析，主要結論如下：

1）模型參數敏感性在不同階段具有較大的差異，表明作物生長過程中狀態變量的觀測值對參數的率定尤為重要。其中，穎花生長系數（SPGF）和最大單粒質量（WGRMX）對莖干物質總量（Dry Weight of Stems, WST）和穗干物質總量（Dry Weight of Storage Organs, WSO）的全局敏感性指數及其年際間標準差、交互作用指數在不同站點間均具有較大的差異，建議模型本地化應用時對其多加關注。

2）模型中各參數的敏感性與水稻生育期內相應階段的日均最高氣溫、日均最低氣溫、積溫具有非常顯著的相關性，其中計算比葉面積的系數（ASLA）、開花期之后的死葉系數（DRLV1.6和DRLV2.0）對葉面積指數（Leaf Area Index, LAI）的敏感性還與累積日照顯著相關。受海拔、緯度及特殊地理位置對典型站點氣象因子的綜合影響，模型中參數敏感性在地域空間上具有明顯的差異，但不隨緯度或海拔的變化呈現單一的變化趨勢。

3）葉面積相對生長速率最大值（RGRLMX）對不同輸出變量均具有較強的敏感性，且它在不同站點間的敏感性與日均最高氣溫、日均最低氣溫、積溫呈顯著的強負相關性。在大理、銀川、牡丹江等高海拔或特殊氣候區，日均最高氣溫、日均最高氣溫及積溫偏低，RGRLMX的敏感性會很大，而其他參數的敏感性較弱，這種單參數極度敏感的現象可能導致模型的模擬誤差偏大、甚至模擬失敗，表明ORYZA(v3)模型的結構可能存在一定的缺陷，在容易受低溫冷害影響等特殊氣候條件下模型的應用具有一定的局限性。

4）區域尺度上作物模型參數敏感性研究建議以氣候類型分區進行，且針對不同環境或不同種植制度區別對待，否則會導致錯誤的模型參數敏感性分析結果。

[1] Tan J W, Cao J J, Cui Y L, et al. Comparison of the generalized likelihood uncertainty estimation and markov chain monte carlo methods for uncertainty analysis of the ORYZA_V3 model[J]. Agron J, 2019, 111(2): 555-564.

[2] Wallach D, Thorburn P J. Estimating uncertainty in crop model predictions: Current situation and future prospects[J]. Eur J Agron, 2017, 88: A1-A7.

[3] Pianosi F, Beben K, Freer J, et al. Sensitivity analysis of environmental models: A systematic review with practical workflow[J]. Environ Modell Softw, 2016, 79: 214-232.

[4] Saltelli A, Aleksankina K, Becker W, et al. Why so many published sensitivity analyses are false. A Systematic Review of Sensitivity Analysis Practices[J]. Environ Modell Softw, 2019, 114: 29-39.

[5] Tan J W, Cui Y L, Luo Y F. Global sensitivity analysis of outputs over rice-growth process in ORYZA model[J]. Environ Modell Softw, 2016, 83: 36-46.

[6] Sexton J, Everingham Y L, Inman-Bamber G. A global sensitivity analysis of cultivar trait parameters in a sugarcane growth model for contrasting production environments in Queensland, Australia[J]. Eur J Agron, 2017, 88: 96-105.

[7] Gao L, Bryan B A, Nolan M, et al. Robust global sensitivity analysis under deep uncertainty via scenario analysis[J]. Environ Modell Softw, 2016, 76: 154-166.

[8] Kucherenko S, Klymenko O V, Shah N. Sobol' indices for problems defined in non-rectangular domains[J]. Reliab Eng Syst Safe, 2017, 167: 218-231.

[9] Zadeh F K, Nossent J, Sarrazin F, et al. Comparison of variance-based and moment-independent global sensitivity analysis approaches by application to the SWAT model[J]. Environ Modell Softw, 2017, 91: 210-222.

[10] Ge Q, Menendez M. Extending Morris method for qualitative global sensitivity analysis of models with dependent inputs[J]. Reliab Eng Syst Safe, 2017, 162: 28-39.

[11] 謝松涯，張寶忠. 基于全局敏感性分析的WOFOST模型參數優化[J]. 中國農村水利水電，2018，434(12)：29-34.

Xie Songya, Zhang Baozhong. Optimization of WOFOST model parameters based on global sensitivity analysis[J]. China Rural Water and Hydropower, 2018, 434(12): 29-34. (in Chinese with English abstract).

[12] 邢會敏，相詩堯，徐新剛，等. 基于EFAST方法的AquaCrop作物模型參數全局敏感性分析[J]. 中國農業科學，2017，50(1)：64-76.

Xing Huimin, Xiang Shiyao, Xu Xingang, et al. Global sensitivity analysis of AquaCrop crop model parameters based on EFAST method[J]. Scientia Agricultura Sinica, 2017, 50(1): 64-76. (In Chinese with English abstract).

[13] 何亮，趙剛，靳寧，等. 不同氣候區和不同產量水平下APSIM-Wheat模型的參數全局敏感性分析[J]. 農業工程學報，2015，31(14)：148-157.

He Liang, Zhao Gang, Jin Ning, et al. Global sensitivity analysis of APSIM-Wheat parameters in different climate zones and yield levels[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 148-157. (in Chinese with English abstract)

[14] Zhao G, Bryan B A, Song X D. Sensitivity and uncertainty analysis of the APSIM-wheat model: Interactions between cultivar, environmental, and management parameters[J]. Ecol Model, 2014, 279: 1-11.

[15] Liu J Z, Liu Z C, Zhu A X, et al. Global sensitivity analysis of the APSIM-Oryza rice growth model under different environmental conditions[J]. Sci Total Environ, 2019, 651: 953-968.

[16] 黃敬峰，陳拉，王秀珍. 水稻生長模型參數的敏感性及其對產量遙感估測的不確定性[J]. 農業工程學報，2012，28(19)：119-129.

Huang Jingfeng, Chen La, Wang Xiuzhen. Sensitivity of rice growth model parameters and their uncertainties in yield estimation using remote sensing date[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(19): 119-129. (in Chinese with English abstract)

[17] Tan J W, Cui Y L, Luo Y F. Assessment of uncertainty and sensitivity analyses for ORYZA model under different ranges of parameter variation[J]. Eur J Agron, 2017, 91(Supplement C): 54-62.

[18] Wang X Y, Li T, Yang X G, et al. Rice yield potential, gaps and constraints during the past three decades in a climate-changing Northeast China[J]. Agr Forest Meteoro, 2018, 259: 173-183.

[19] Xu C C, Wu W X, Ge Q S. Impact assessment of climate change on rice yields using the ORYZA model in the Sichuan Basin, China[J]. Int J Climatol, 2018, 38(7): 2922-2939.

[20] Radanielson A M, Gaydon D S, Li T, et al. Modeling salinity effect on rice growth and grain yield with ORYZA v3 and APSIM-Oryza[J]. Eur J Agron, 2018, 100: 44-55.

[21] Ding Y M, Wang W G, Zhuang Q L, et al. Adaptation of paddy rice in China to climate change: The effects of shifting sowing date on yield and irrigation water requirement[J]. Agr Water Manage, 228: 105890.

[22] Ling X X, Zhang T Y, Deng N Y, et al. Modelling rice growth and grain yield in rice ratooning production system[J]. Field Crop Res, 2019, 241(1): 107574.

[23] Yuan S, Peng S B, Li T. Evaluation and application of the ORYZA rice model under different crop managements with high-yielding rice cultivars in central China[J]. Field Crop Res, 2017, 212(Supplement C): 115-125.

[24] Li T, Angeles O, Rd M M, et al. From ORYZA2000 to ORYZA (v3): An improved simulation model for rice in drought and nitrogen-deficient environments[J]. Agr Forest Meteoro, 2017, 237-238: 246.

[25] 譚君位. 作物模型參數敏感性和不確定性分析方法研究[D]. 武漢大學，2017.

Tan Junwei. Study on Parameter Sensitivity and Model Uncertainty Analysis of Crop Model[D]. Wuhan University, 2017. (in Chinese with English abstract)

[26] 興安，卓志清，趙云澤，等. 基于EFAST的不同生產水平下WOFOST模型參數敏感性分析[J]. 農業機械學報，2020，51(2)：161-171.

Xing An, Zhuo Zhiqing, Zhao Yunze, et al. Sensitivity analysis of WOFOST model crop parameters under different production levels based on EFAST method[J]. Transactions of the Chinese Society for Agricultural Machinery (Transactions of the CSAM), 2020, 51(2): 161-171. (in Chinese with English abstract)

[27] 崔金濤，邵光成，林潔，等. 基于EFAST的CROPGRO- Tomato模型參數全局敏感性分析[J]. 農業機械學報，2020，51(1)：237-244. Cui Jintao, Shao Guangcheng, Lin Jie, et al. Global sensitivity analysis of CROPGRO-Tomato model parameters based on EFAST method[J]. Transactions of the Chinese Society for Agricultural Machinery (Transactions of the CSAM), 2020, 51(1): 237-244. (in Chinese with English abstract).

[28] Jin X L, Li Z H, Nie C W, et al. Parameter sensitivity analysis of the AquaCrop model based on extended fourier amplitude sensitivity under different agro-meteorological conditions and application[J]. Field Crop Res, 2018, 226: 1-15.

Global sensitivity analysis for ORYZA(v3) model under different rice growing environments in China

Tan Junwei1,2, Cui Yuanlai2, Wang Wenchao3

(1.,,100083;2.,430072,;3.,430010,)

Rice is widely cultivated over a large climate spanin China, and thereby its growing environments vary greatly. Two main systems of rice cropping arethe double-season rice (early rice and late rice) and single-season rice (middle rice). In Norther China,only single-seasonrice is cultivated, whereas, inSouthern China,both can be cultivated due to the moderate climate. In different cultivars and environments, the ORYZA(v3) model has been widely used for rice growing simulation, while the model has been calibrated and validated in the world. The ORYZA(v3) model is the latest version updated from the ORYZA2000, by integrating new modules and routines to quantify daily dynamics of soil temperature, carbon, nitrogen, and environmental stresses.This model has been significantly improved with enhanced capability to simulate rice growth, development, and yield formation under non-stressed, water stressed, and nitrogen stressed conditions. Many studies have been conducted for the sensitivity and uncertainty analysis of parameters in the ORYZA model series. However, the temporal and spatial characteristics of parameter sensitivities in the model are still unclear. In this study, 18 typical sites were selected from 16 rice cultivation sub-regions in China, and a global sensitivity analysis for each site was conducted for 16 crop parameters in the ORYZA(v3) model over 30 years (1986-2015) using the Extended FAST method.Theoutput variables were set as the leaf area index (LAI), dry weight of stems (WST), total aboveground dry matter (WAGT), and dry weight of storage organs (WSO) at four development stages (the basic vegetative, photoperiod-sensitive, the panicle-formation, and grain-filling phase). The 30-year means and standard deviations of total sensitivity indices and interaction indices of each model parameters were calculated for the output variables at different growing stages under different environments. The correlations between parameter sensitivities and meteorological factors were analyzedto explore the impacts factors of model parameter sensitivities. The results showed that the total sensitivity indices and interaction indices greatly varied with different growing stages, different rice regimes, and different sites. Moreover, the differences were especially obvious in those sites, such as Dali, Yinchuan, and Mudanjiang,particularly onthe high altitude or special climate conditions, comparing to other typical sites. In the selected parameters, the sensitivities of parameters RGRLMX, SPGF and WGRMX were strongly influenced by the environment than others, thus their calibration need to be paid more attention. Correlation analysis indicated that the global sensitivity indices of model parameters wassimilar and significant correlations with daily maximum temperature, daily minimum temperature, and cumulative temperature within rice growing period. However, the sensitivity of model parameters cannot show a single pattern of variation in space,due to the integrated impacts of altitude, latitude and other factors on local climate conditions at the typical sites. In some typical sites, such as Dali and Mudanjiang, the RGRLMX has very high sensitivity, while the others were insensitive or little sensitive, indicating that the model may have some imperfections leading some limitation of applications in those areas with cold weather during rice growing period.

models; sensitivity analysis; temporal and spatial characteristics; correlation; multi-environments; rice cropping system

譚君位，崔遠來，汪文超. 中國不同水稻生長環境下ORYZA(v3)模型參數全局敏感性分析[J]. 農業工程學報，2020，36(20)：153-163.doi：10.11975/j.issn.1002-6819.2020.20.018 http://www.tcsae.org

Tan Junwei, Cui Yuanlai, Wang Wenchao. Global sensitivity analysis for ORYZA(v3) model under different rice growing environments in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 153-163. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.20.018 http://www.tcsae.org

2020-04-24

2020-10-10

國家自然科學基金項目（51909004、51579184）

譚君位，博士，主要從事作物生長模擬、模型不確定性和農業水資源高效利用等研究。Email：tanjw@cau.edu.cn

10.11975/j.issn.1002-6819.2020.20.018

S271

A

1002-6819(2020)-20-0153-11