干旱脅迫下DNDC模型的紅棗產量參數校正

王德娟 隋立春 劉迪 王瑾 袁歡歡 徐家利

關鍵詞： 棗;DNDC模型;干旱脅迫;敏感性分析;參數調整

中圖分類號： S165+.27 文獻標識碼： A 文章編號： 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發展的優勢樹種，在新疆綠洲生產、生態建設中起著重要作用[1]。新疆地區應用的估產方法主要有氣象估計，經驗估計等[2-3]。段丁丁等[4]利用DSSAT內部的馬鈴薯模型對馬鈴薯進行了區域化模擬估產研究;吳立峰[5]等通過Morris方法和EFAST方法對不同灌溉水平下CROPGRO棉花模型進行了敏感性分析和不確定性分析;紀甫江[6]等通過將CASA模型和WOFOST模型進行耦合從而提高了大豆單產估算的精度。而目前對于棗的產量估算研究較少，因此結合新疆地區的生態條件，利用更加精準的作物生長模型將成為在棗類估產中的有效方法。

經過多年的發展和應用，作物模型主要分為三大派系，分別是以ORYZA2000模型為代表的荷蘭作物模型體系，以CERES模型為代表的美國作物模型體系，以CCSODS模型為代表的中國作物模型體系[7-9]。但在眾多作物生長模型中用于果樹產量模擬的模型較少，其中DNDC模型是由美國新罕布什爾大學的李長生教授團隊研發的生物地球化學模型，該模型是農業生態系統中一系列控制碳和氮遷移轉化的生物化學及地球化學反應機制的計算機模擬表達[10]。DNDC模型以日為步長，通過氣候、土壤、植被和管理4個基本生態因子對作物生長進行機理性模擬，并通過DNDC模型特色的硝化反硝化作用模擬作物在生長過程中的碳、氮元素的變化，在進行產量預報的同時進一步實現碳、氮元素在地球生態系統中循環的模擬[11-13]。DNDC模型包含簡單易操作的新作物類構建方法，并且對水分處理具有單獨的頁面，因此對棗樹的產量模擬可操作性更高。

作物生長模型作為機理性模型需要大量的作物和實際的環境參數作為輸入參數，但只有部分參數對模型的模擬結果起決定作用，因此參數的準確性將會直接影響模型模擬結果的真實性[14-15]。同時試驗地區的特殊環境因素也成為參數敏感性分析的關鍵。新疆地區特殊的地理位置及天氣條件，使得水分成為作物生長過程中不容忽略的問題。參數敏感性分析主要分為全局參數敏感性分析和局部參數敏感性分析[16]。局部敏感性分析是指在一定范圍內調整某一個參數的取值從而檢驗該參數對輸出結果的影響，但它卻無法分析參數間的交互作用對模擬結果的影響[17]。全局敏感性分析則檢驗多個參數對模型輸出結果的總影響，同時分析參數之間的交互作用對模擬結果的影響[18]。因此在使用多參數輸入的非線性作物模型模擬時，越來越多的學者選擇全局敏感性分析的方法對模型進行敏感性分析。目前常見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法（GLUE）等[19]。目前基于可擴展傅里葉振幅敏感性分析法已應用于DASST[4]、EPIC[20]、WOFOST[6]等作物生長模型的全局敏感性分析中，但對于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，采用可擴展傅里葉振幅敏感性分析法，針對干旱脅迫和正常條件下的DNDC模型幾類輸入參數進行定量的全局敏感性分析。研究棗的作物參數、土壤因素在干旱脅迫和正常條件下對DNDC模型模擬棗產量的影響，旨在為DNDC棗類模型參數本地化、區域化以及未來與遙感數據的耦合提供選擇敏感性分析變量的基礎。

1 材料與方法

1.1 DNDC作物生長模型與試驗數據

1.1.1 DNDC作物生長模型 DNDC模型是以模擬作物反硝化-分解反應為主的集合多種作物的地球生物化學過程的模型[21]。模型共包括兩大部分，第一部分主要是通過氣象因素、土壤因素、植被信息以及田間管理數據等對作物所處的土壤環境的動態變化進行模擬;第二部分通過輸入的土壤環境因素預測模型輸入參數對微生物活動影響，從而計算土壤系統中碳、氮元素的變化（主要為氣體的排放）[10，22-24]。模型通過植物中碳元素的變化計算有機物的變化，模擬產量則通過最終果實內部的碳含量進行展示，其中模型默認作物產量的40%是果實內部的含碳量。本研究采用的模型為DNDC 95版本。

與其他模型不同，DNDC模型提供了簡單易懂的作物類別開發界面，使用者可在數據庫中建立新作物類別。紅棗模型即為本研究在果樹模型的基礎上結合試驗數據構造的新作物類別模型。

1.1.2 試驗數據 本研究的試驗區位于新疆昆玉第十四師224團地塊。試驗區共涵蓋5塊實驗田，共包含采樣點10個。

DNDC模型的輸入數據包括氣象參數、土壤參數、作物參數和田間管理數據。選取的作物參數包括：最大果實產量、全株生物量中果實比例、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、需水量、適宜溫度、生長積溫、管束結構指數、最大作物產量、來自土壤的氮量、來自大氣的氮量、需氮量、植株最大高度、黏土含量、容質量、飽和導水率、田間持水率、萎蔫點、孔隙度、有機碳量、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碳（SOC）沉降速率。

研究所需的氣象輸入數據來自中國氣象數據網的中國地面氣候資料日值數據集（V3.0），共包含2015-2019年新疆和田地區逐日最高和最低氣溫，日降水量，日照時數。此格式為DNDC模型中特有的最簡格式，可避免計算太陽輻射量帶來的誤差。

土壤數據主要來源于當地農業局實地測量數據和《新疆土種志》中數據，土壤主要為砂性土，透水性強，土壤肥力適中，有機質含量在1.0%～1.5%，pH值為8.05。測量數據主要為土壤容質量、飽和導水率、田間持水率、有機碳含量等。模型輸入的田間管理數據主要來自于當地種植標準化操作手冊和實地調查數據。實測產量數據來源于當地農業科學研究所多年的統計數據。

1.2 可擴展傅里葉振幅敏感性分析法

可擴展傅里葉振幅敏感性分析法 [25]是由Saltelli等結合Sobol法和傅里葉振幅敏感度測試法的優點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參數的變化對模型的輸出結果的方差存在影響，通過計算每一個參數（Xi）的變化對輸出結果（Y）的方差的貢獻率得到敏感性[26]。其中輸出結果Y=f（X）=f（x1，x2，x3…xn）。

對于一個多參數相互作用的模型，ST.i（參數xi的總敏感度）反映了Si（參數的直接貢獻率）以及Sij～S1，2…i…k（參數間的互相作用）對模型輸出總方差的貢獻率，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個指標，一個為一階敏感度即單參數的影響;另一個為全局敏感度即多個參數之間的相互作用的影響[27]。

DNDC模型包含多參數相互作用的過程，因此全局敏感性分析方法更適合DNDC模型的參數敏感性分析。EFAST方法通過對模型方差的分解，從而定量地得到每個參數的一階敏感度及總敏感度。

1.3 試驗設計

本研究的目的是為模型本地化選擇敏感參數，試驗設計方案如下：

在干旱脅迫和正常條件下對DNDC模型作物參數進行全局敏感性分析，并對比兩者對模型最終模擬結果的影響，進一步調整模型參數。其中根據試驗區域的實際情況，該地區的年降水總量平均為100 mm，因此大部分水分來源于農田灌溉，設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個作物參數和12個土壤參數，從中篩選最敏感參數，從而為模型本地化調整提供依據。

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

方案二：在方案一篩選出敏感參數的基礎上，調整模型的參數，進一步優化輸入數據，獲取模擬結果。將調整前后的模擬結果與實測結果進行誤差分析，通過相對誤差這一指標進一步評價模型的精度。

研究采用的全局敏感性分析主要借助敏感性分析軟件Simlab對模型的各個參數進行敏感性分析。該軟件主要是利用蒙特卡洛方法對紅棗的作物參數以及土壤參數進行隨機采樣，并利用全局敏感性分析法分解方差從而對輸入參數進行敏感性分析。首先利用Simlab選擇采樣方法（本研究選取的為EFAST法，該方法認為分析結果有效時采樣數需大于參數個數的65倍）[20]進行采樣，生成輸入參數 ，采樣次數為4 000次。利用Python編寫程序將參數編寫為DNDC模型規定的輸入格式，隨后將參數輸入到模型中得到模擬結果，將各參數和輸出結果利用EFAST方法進行全局敏感性分析。本研究將全局敏感度大于0.1、一階敏感度大于0.05的參數確定為敏感參數。

2 結果與分析

2.1 正常條件下和干旱脅迫下作物參數全局敏感性分析對比

本試驗共針對DNDC模型中19個作物參數分別進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篩選中，篩選的參數一致性較高，但參數的敏感度卻不相同。其中正常條件下和75%水分條件下篩選出的敏感參數的敏感度由大到小為：全株生物量中果實比例>最大作物產量>生長積溫>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的敏感度由大到小為：生長積溫>全株生物量中果實比例>需水量>最大作物產量>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中最敏感的參數為全株生物量中果實比例，它解釋了60%的方差，該參數為模型中產量在所有生物量中所占的比例。最大作物產量、生長積溫、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。其中最大作物產量是描述作物產量上限，生長積溫則描述了整個生長期所需的溫度，需水量描述了作物生長所需的水分條件。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，在一定程度上也會影響生物量的分配，適宜溫度描述的是作物生長的適宜溫度，一定程度上反映了生長期的生長速率。當水分條件減少為75%時，篩選的敏感參數的敏感度排序和數值都與正常條件下高度一致，而在水分條件減少至50%時，敏感參數的敏感度排序和數值發生了變化。

由圖1c可知，與正常條件相比，在干旱脅迫下，生長積溫和適宜溫度的敏感度排列順序發生了改變，且敏感度增大。這主要是因為這2個參數均與溫度有關，紅棗是喜光喜溫作物[28]，因此在水分缺失的情況下，溫度就成為對產量方差影響最大的參數。最大果實產量、需水量、最大作物產量、植株最大高度分別解釋了40%、29%、24%和10%的方差。說明，在水分條件為75%時，對敏感參數的敏感度并無影響，而當水分條件為50%時，其對敏感參數的敏感度有影響。

2.2 正常條件下和干旱脅迫下土壤參數全局敏感性分析

在正常條件下，共篩選得到2個敏感參數，分別為田間持水率和孔隙度。其中田間持水率解釋了72.7%的產量方差，田間持水率描述的是土壤所能穩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。孔隙度是有關土壤孔隙的指數，它通過影響作物與水、空氣的接觸進而影響作物的生長發育，它解釋了27%的產量方差。這2個參數都與土壤的持水能力有關，均通過影響土壤與外界的水分交互來影響作物的生長，因此也間接說明了水分對棗樹生長的重要性。而在2種干旱脅迫條件下篩選得到的敏感參數，不論是從參數的一致性還是參數具體的敏感度，都與在正常條件下篩選的參數高度一致。這也進一步證明了土壤的理化性質對紅棗產量的重要性，在其他條件發生改變時，土壤參數對產量的影響較為穩定。

2.3 參數校正

針對2015-2019年5年間的數據對參數進行校正，實現模型的本地化。在正常條件下，在參數調整前模型的模擬產量整體低于實測產量，且相對誤差最高達到24%，說明模型存在很大的調整空間。在75%水分條件下，模型的相對誤差最高達到25%。而在50%水分條件下，模型參數調整前的相對誤差最高達到38%，已經達到無法忽略誤差的程度。由此可見水分是影響產量的重要因素。在干旱脅迫條件下，5年間的所有產量模擬值均遠低于實際值，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過程中至關重要的因子。在完成參數敏感性分析的基礎上，在已篩選出敏感參數基礎上對參數進行調整，主要校正的參數為敏感度較高的溫度，以及土壤參數中的田間持水率和土壤容質量等與水分相關的參數。經過參數調整后，模型的相對誤差控制在8%以內，模型精度顯著提升。因此，模型的敏感性分析對模型本地化和提高模型精度有重要意義。

3 討論

作物參數在干旱脅迫下和正常條件下，兩者篩選的敏感參數呈現出一致性，但敏感參數的敏感度卻不相同，當水分條件為50%時，與溫度相關的作物參數的敏感度上升。但在土壤參數中，不論是從篩選出敏感參數的一致性還是敏感度上，水分條件的變化并未對土壤參數的敏感參數篩選產生影響。

通過對正常條件下和干旱脅迫條件下的參數進行敏感性分析，篩選得到對棗樹作物模型模擬時敏感度高的參數，進一步對模型的輸入參數進行調整。調整主要對正常條件下的敏感參數進行調整，且參考干旱脅迫時的敏感參數作為輔助，經過參數調整后，模型模擬產量的相對誤差控制在8%以內，模型的精度進一步提高。

參考文獻：

[1] 王 雨，李占林，劉曉紅.新疆棗標準化生產技術推廣專題一：新疆棗發展現狀及品種選擇[J].新疆林業，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量動態預報[J].安徽農業科學，2010，38（34）：19260-19262.

[3] 李鵬飛，王青青，毋建宏，等.基于灰狼優化算法的最小二乘支持向量機紅棗產量預測研究[J].安徽農業科學，2020，48（6）：218-222.

[4] 段丁丁，何英彬，于金寬，等.DSSAT-SUBSTOR馬鈴薯模型的參數敏感性分析及適宜性評價[J].安徽農業大學學報，2019，46（3）：521-527.

[5] 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].農業工程學報，2015，31（15）：55-64.

[6] 紀甫江，蒙繼華，方慧婷.基于CASA-WOFOST耦合模型的大豆單產遙感估算研究[J].遙感技術與應用，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]李長生.生物地球化學的概念與方法——DNDC模型的發展[J].第四紀研究，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模型的冬小麥生長模擬參數全局敏感性分析[J].農業工程學報，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敏感性檢驗和不確定性分析[J].植物生態學報，2018，42（12）：1131-1144.

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