基于EFAST的DSSAT模型對南疆地區棉花參數敏感性分析及適用性評價

高浚 周保平 王昱 王君 于晗

摘要：對CROPGRO_Cotton模型中敏感的參數進行分析，來對南疆棉花進行生長模擬。通過擴展傅里葉幅度檢測法（EFAST）對棉花模型的18個輸入參數實行敏感性分析，以棉花的開花期、成熟期、生物量、籽棉產量觀測數據實行對比，運用glue和試錯法相結合進行參數調節，實現南疆地區棉花的本地化。經過分析研究，對籽棉產量敏感的品種參數有出苗到初花期的光熱時間（EM-FL）、初花期到第1個棉鈴產生的光熱時間（FL-SH）、最適合條件下葉片最大光合速率（LFMAX）、種子填充棉鈴的持續時間（SFDUR），它們的全局敏感性指數分別為0.35、0.15、0.17、0.50。18個品種參數中對生物量敏感的有臨界光周期（CSDL）、出苗到初花期的光熱時間（EM-FL）、初花期到第1個棉鈴產生的光熱時間（FL-SH）、初花期到第1個籽粒產生的光熱時間（FL-SD）、第1個籽粒產生到生理成熟的光熱時間（SD-PM）、最適合條件下葉片最大光合速率（LFMAX）、籽粒最大質量（WTPSD），它們對應的全局敏感性指數分別為0.46、0.25、0.18、0.18、0.73、0.72、0.11。CROPGRO_Cotton模型在南疆地區有較強的適用性，實測開花期與模擬值誤差為2 d，實測成熟期與模擬值一致，實測產量與模擬值誤差為0.15%，實測生物量與模擬值誤差為16.90%。棉花18個品種參數中，通過敏感性分析篩選出的4個參數進行模型的率定得出，EM-FL決定開花期，同時對產量和生物量有一定的影響，SFDUR決定成熟期，SD-PM僅對生物量有影響，LFMAX對產量和生物量的影響不大。本研究結果能夠為南疆地區棉花的參數優化提供科學理論基礎。

關鍵詞：DSSAT模型;棉花;EFAST;敏感性分析;CROPGRO_Cotton模型;適用性評價

中圖分類號： S126文獻標志碼： A

文章編號：1002-1302（2022）05-0185-06

收稿日期：2021-06-28

基金項目：國家自然科學基金（編號：61563046）。

作者簡介：高 浚（1997—），江蘇南通人，碩士研究生，研究方向為農業信息化。E-mail：523056163@qq.com。

通信作者：周保平，博士，研究方向為農業信息化。E-mail：502805150@qq.com。

棉花作為新疆地區尤其是南疆最主要的經濟發展產品，產生的經濟效應特別明顯。2020年全國棉花總產量591.0萬t，2020年新疆的棉花產量達到516.1萬t，占全國的87.3%，而南疆地區的棉花種植占到新疆種植棉的68%。因此，建設好新疆南疆地區棉花的發展對南疆的農業經濟起到非常重要的影響。

伴隨著現代智慧農業的發展，作物模型已經漸漸使用廣泛。60多年來，已經逐步顯現出大批的作物模型，例如WOFOST模型[1-3]、棉花2K模型[4-6]、SWAP模型[7]、EPIC模型[8-9]、農業技術轉移決策支持系統（DSSAT）模型[10-17]等。對比以前的大田試驗，作物模型的優勢是利用相關的數學公式，模擬大田里的天氣、土壤和田間管理等過程，具備方便快捷的優點。但是，作物模型的運轉流程非常復雜，包含了許多的化學反應和物理過程，所以作物模型盡管優點明顯，但也具有參數過多、很難修改的麻煩。為解決這些問題，對模型的參數進行敏感性分析是個很好的選擇[18]。敏感性分析可以判斷哪些參數對模型的輸出結果影響較大，通過修正對模擬結果影響大的參數并且固定影響小的參數來減少模型修正的工作量。敏感性分析方法可以劃分為全局敏感性分析和局部敏感性分析[19-20]，全局敏感性分析是分析所有參數對輸出結果的影響而局部敏感性分析缺少模型參數相互之間的作用對輸出結果的影響。本研究以DSSAT模型為例，通過實測的土壤、天氣等數據對模型實行率定，采用擴展傅里葉幅度檢測（EFAST）全局敏感性分析方法[21-24]對輸入的參數實行敏感性分析，最后對比觀測出的生物量、籽棉產量等數據對模型進行適用性評價，為模型在南疆地區的本地化運用供應技術支持。

1 材料與方法

1.1 DSSAT模型

DSSAT（decision support system for agrotechnology transfer）是通過農業技術轉移國際基準網（Inter-national benchmark sites network for agrotechnology transfer，IBSNAT）的幫助下研發處理的作物模型，它由于適用性廣、功能眾多、操作簡單，已經在農業學科上得到大量應用。它涵蓋著蔬菜類的Legumes模型、纖維類的Fiber模型等超過26種不一樣的品種模塊。CROPGRO_Cotton模型以作物的生理學為根本，時間單元為1 d，能夠模擬天氣、土壤、田間管理和品種參數對作物的影響，因此可以用它來模擬棉花的生長。CROPGRO_Cotton模型內含了18個品種遺傳參數，詳細情況見表1。

CROPGRO_Cotton模型的運轉不僅需要品種參數，還需要一些輸入數據包括天氣數據（每日最高溫、每日最低溫、每日降水量、風速等）、土壤數據（排水率、徑流曲數、根生長系數、土壤光合作用系數等）和田間管理數據（播種日期、播種密度、行間距、播種深度等）。

CROPGRO_Cotton模型的輸出參數包括ADAP、PD1P、PDFP、MDAP、HWAM、PWAM、H#AM、HWUM、H#UM、CWAM、BWAM、LAIX、HIAM、THAM、GNAM、CNAM、SNAM、GN%M、CWAA、CNAA、L#SM、GL%M、CHTA、R8AP、EDAP。

1.2 試驗區域及數據

試驗的地點位于南疆第一師十團棉花田，地理位置81.31°E，40.13°N，位于塔里木河旁，光照充足，晝夜溫差較大。該棉田有自己的氣象站，根據氣象站觀測得知，棉田年均日照2 680 h，最高溫度42.7 ℃，最低溫度-29.3 ℃。年平均降水量為 51 mm，降水集中在夏季，約占全年的68%。本試驗區域主要是東北風，最高風速可達18 m/s，平均風速2.4 m/s。試驗區土壤主要為沙壤土，比較適合棉花的種植，保水保肥，不需要額外對土壤進行結構優化。沙壤土的土壤營養成分詳見表2。

CROPGRO_Cotton模型運轉所需土壤數據來自參考文獻與棉田觀測，氣象數據來自中國氣象數據網，田間管理數據來自試驗區的記錄和觀測。

1.3 EFAST參數敏感性分析

擴展傅里葉幅度檢驗法是傅里葉幅度敏感檢驗和Sobol相結合而產生的一種基于方差分解的全局敏感性分析方法，簡單概括下該算法：

設y=f（x1，x2，…，xm），經過傅里葉變換將它變成 y=f（s），變成的函數為

xi=0.5+arcsin[sin（ωis+φi）]π;（1）

y=f（s）=∑∞p=-∞[Apcos（ps）+Bpsin（ps）]。（2）

式中：

Ap=1π∫π-πf（x）cos（px）dx;（3）

Bp=1π∫π-πf（x）sin（px）dx。（4）

ωi為參數xi的振蕩頻率，i=1，2，…，m;φi為每個參數xi的隨機初相位，取值[0，2π];p為傅里葉變換參數;s為標量變量，取值[-π，π];Ap、Bp 為傅里葉的振幅。

方差Vi與Xi的關系為

Vi=∑p∈ZApωi=2∑∞p=1Apωi;（5）

Ap=A2p+B2p。（6）

式中：p∈Z={-∞，…，-1，1，…，+∞}。

函數總方差為

V=∑p∈ZAp=2∑∞p=1Ap。（7）

傅里葉振幅Ap、Bp近似計算公式為

Ap≈1Ns∑Nsk=1f（sk）cos（psk）;（8）

Bp≈1Ns∑Nsk=1f（sk）sin（psk）。（9）

p∈-Ns-12，…，-1，0，1，…，Ns-12，s的取樣范圍在[-π，π]。

函數總方差可以進行分解為

V=∑1≤i≤mVi+∑1≤i

進行歸一化后，變量xi的一階敏感性指數Si可以表達成對函數總方差的貢獻

Si=ViV;（11）

總敏感指數可以表示為

STi=V-V-iV。（12）

式中：Vi為變量xi變化引起的方差;Vij為變量xi由變量xj貢獻的方差;V-i為除變量xi外其他所有變量的方差總和。

1.4 參數敏感性分析方法

EFAST全局敏感性分析選擇Simlab軟件，CROPGRO_Cotton模型運轉采用RStudio實行模擬，詳細過程如下：（1）在Simlab-creat new中創建參數的命名、分布和取值范圍，本研究中參數的命名和取值范圍見表1，設定參數的分布均為均勻分布。（2）Simlab自動在輸入的參數范圍內進行隨機取樣，構成一個新的多維參數集。EFAST法規定取樣的次數要大于等于輸入參數個數的65倍，取樣次數越多，分析效果越好。因此本篇研究設定采樣次數為輸入參數個數的200倍，總共產生了3 600組參數。（3）運用批處理程序，將產生的參數集自動寫入DSSAT模型cul文件中進行處理，最后得到一個模擬結果文件。（4）將模擬產生的txt數據文件修改成Simlab可運行的sam文件格式，再導入到Simlab中進行敏感性分析。

2 結果與分析

2.1 作物模型參數敏感性分析

模型輸入參數全局敏感性大于0.1的在本研究中定義為敏感性指數[25]。

2.1.1 品種參數對棉花生物量的敏感性

在CROPGRO_Cotton模型中，18個品種參數中對生物量敏感的有臨界光周期（CSDL）、出苗到初花期的光熱時間（EM-FL）、初花期到第1個棉鈴產生的光熱時間（FL-SH）、初花期到第1個籽粒產生的光熱時間（FL-SD）、第1個籽粒產生到生理成熟的光熱時間（SD-PM）、最適合條件下葉片最大光合速率（LFMAX）、籽粒最大質量（WTPSD），它們對應的全局敏感性指數分別為0.46、0.25、0.18、0.18、0.73、0.72、0.11。其中，SD-PM對棉花生物量的敏感性指數最大，WTPSD對棉花生物量的敏感性指數最小。其原因是SD-PM代表著棉花生長成熟期間需要多少光熱。成熟時間越晚，光熱時間就越長，棉花生物量越高，光熱時間越短，棉花的生物量就越小。品種參數對生物量的敏感性指數詳見圖1。

2.1.2 品種參數對棉花產量的敏感性

在CROPGRO_Cotton模型中，18個品種參數中對產量敏感的有出苗到初花期的光熱時間（EM-FL）、初花期到第1個棉鈴產生的光熱時間（FL-SH）、最適合條件下葉片最大光合速率（LFMAX）、種子填充棉鈴的持續時間（SFDUR），它們對應的全局敏感性指數分別為0.35、0.15、0.17、0.50。其中，SFDUR對產量的敏感性指數最大，FL-SH對產量的敏感性指數最小。其原因是SFDUR反映了填滿棉鈴倉的時間。充填時間越長，種子越多，棉花產量越高，充填時間越短，種子就少，產量就低。品種參數對產量的敏感性指數詳見圖2。

2.2 作物模型的率定與適用性評價

結合以上參數敏感性分析結果，通過記錄的田間管理數據與實測的土壤數據推動模型的運轉，依靠模型的GLUE功能不斷調試棉花的品種參數，直到得到一組與棉花實際生長情況基本一樣的品種參數，即為率定結果（表3）。同時，用開花期（ADAP）、成熟期（MDAP）、生物量（CWAM）、產量（HWAM）4個參數指標構成模型率定的效驗指標與適用性評價指標。

從表4可以看出，DSSAT模型模擬的棉花開花期與實測的數據相差2 d，原因可能是DSSAT模型缺少鋪地膜的功能，成熟期與實測數據完全一致，模擬的產量比實測產量稍大，誤差為0.15%，而對比前面模擬的結果，生物量的模擬結果與實測數據之間相差過大，這是因為田間管理過程中棉花需要打頂和整枝，所以造成了模型生物量模擬的結果不太好。

通過DSSAT模型品種參數率定值可以得到一個棉花生物量和產量模擬與實測之間的對比圖，對比結果如圖3所示。

本研究通過大量試驗選出4個品種參數（LFMAX、EM-FL、SFDUR、SD-PM）能較好地模擬開花期、成熟期、生物量、產量。

從表5可以看出，棉花的開花期和成熟期不跟隨品種參數最適合條件下葉片最大光合速率（LFMAX）的改變而改變，LFMAX對產量和生物量的影響也不大。

從表6可以看出，棉花的開花期隨出苗到初花期光熱時間（EM-FL）改變的變化很小，成熟期隨EM-FL的增大而增大，產量隨EM-FL的增大而減小，生物量隨EM-FL的增大而先增大后減小。

從表7可以看出，開花期不隨種子填充棉鈴倉的持續時間（SFDUR）而改變，成熟期隨SFDUR的增大改變很小，產量隨SFDUR的增大而增大，生物量隨SFDUR的增大而先減小后增大。

從表8可以看出，開花期不隨第1個籽粒產生到生理成熟的光熱時間（SD-PM）改變，成熟期隨SD-PM的增大而增大，SD-PM對產量的影響不大，生物量隨SD-PM的增大而減小。

3 討論

通過查閱相關文獻得知，用EFAST全局敏感性分析對CROPGRO_Cotton模型的參數實行敏感性分析時，環境的改變會較大程度地改變參數的敏感性。對比前人的研究發現，應用同樣的田間管理和土壤參數，都采用EFAST法對有膜棉和無膜棉實行敏感性分析，結果表明，相同種類作物的不同品種對參數敏感性分析的結果也會有很大的不同。

本研究比較了其他作物模型，發現相比于CROPGRO_Cotton模型，棉花2K模型只有品種參數，缺少重要的生態參數。本研究對開花期敏感的參數全部進行了校正，總是與實測數據相差一些，這可能與生態參數有關，詳細情況需要進一步討論。

棉花的生長過程中，水肥是個非常重要的因素，本研究開始之前試驗過不添加水肥，模擬的產量與生物量和實測數據之間相差巨大。在一些能夠模擬棉花的作物模型中，都有關于水分情況的參數，例如WOFOST模型的水脅迫下葉片死亡率，Fiber模塊的水脅迫系數。更深入一步地研究棉花的生長和水分之間關系的以及對莖高和莖粗的作用，能夠更好地模擬出棉花的生長狀況，對參數的校正提供更好的幫助，最終實行模型本地化。

4 結論

CROPGRO_Cotton模型在新疆南疆地區有較強的適用性，實測開花期與模擬值相差2 d，實測成熟期與模擬值完全一致，實測產量與模擬值的相對誤差為0.15%，實測生物量與模擬值的相對誤差為16.9%。

棉花18個品種參數中，通過敏感性分析篩選出的4個參數進行討論，只有EM-FL能影響棉花的開花期，但也對產量和生物量有一定程度影響，SD-PM 影響棉花的生物量，SFDUR影響棉花的成熟期，LFMAX對產量和生物量的影響不大。

參考文獻：

[1]李彤霄，劉 佳，李 聰，等. 基于大豆觀測數據的DSSAT和WOFOST模型模擬比較研究[J]. 氣象與環境科學，2021，44（2）：9-15.

[2]李 穎，趙國強，陳懷亮，等. 基于冬小麥農業氣候分區的WOFOST模型參數標定[J]. 應用氣象學報，2021，32（1）：38-51.

[3]李 明. 基于WOFOST模型的春小麥產量預測方法研究[D]. 泰安：山東農業大學，2020.

[4]孫 莉，陳 曦，周可法，等. 應用Cotton2k模型模擬北疆棉花生長結果的分析[J]. 干旱區地理，2006，29（2）：262-268.

[5]楊艷敏，劉小京，歐陽竹. COTTON2K在新疆棉花精準種植管理中的應用[J]. 中國生態農業學報，2005，13（3）：123-126.

[6]楊艷敏，歐陽竹，王淑芬. 基于COTTON2K的華北平原和新疆2個棉區棉花耗水特征比較[J]. 華北農學報，2012，27（增刊1）：229-233.

[7]焦 貞，張衍福，劉 凱，等. 基于SWAP模型的桓臺縣主要農作物灌溉制度優化[J]. 節水灌溉，2021（5）：56-62.

[8]白雪燕. 基于EPIC模型的華東水稻旱災風險評價[D]. 金華：浙江師范大學，2020.

[9]郭復興.基于EPIC模型對陜西黃土高原蘋果林水分生產力與碳封存模擬[D]. 楊凌：西北農林科技大學，2020.

[10]徐春萌，田芷源，陳 威，等. 基于DSSAT作物模型的中美大豆主產區單產模擬與驗證[J]. 農業工程學報，2021，37（3）：132-139.

[11]Menefee D，Rajan N，Cui S，et al. Simulation of dryland maize growth and evapotranspiration using DSSAT-CERES-Maize model[J]. Agronomy Journal，2021，113（2）：1317-1332.

[12]崔金濤，丁繼輝，Yesilekin N，等. 基于EFAST的CERES-wheat模型土壤參數敏感性分析[J]. 農業機械學報，2020，51（12）：276-283.

[13]李 波，孫翔龍，姚名澤，等. 溫室秸稈不同還田量條件下DSSAT-CROPGRO-Tomato模型的調參與驗證[J]. 生態學雜志，2021，40（3）：908-918.

[14]閆 玲. 基于CERES-wheat模型的小麥生長發育過程模擬研究[D]. 楊凌：西北農林科技大學，2020.

[15]李翊塵，史培軍. 基于DSSAT模型的河套平原春小麥灌溉方案優化[J]. 北京師范大學學報（自然科學版），2020，56（5）：728-739.

[16]孫揚越. 氣候變化對河南省夏玉米氣候資源及產量影響的評估研究[D]. 南京：南京信息工程大學，2020.

[17]Crosetto M，Tarantola S，Saltelli A.Sensitivity and uncertainty analysis in spatial modelling based on GIS[J]. Agriculture，Ecosystems & Environment，2000，81（1）：71-79.

[18]Saltelli A，Tarantola S，Chan K P S.A quantitative model-independent method for global sensitivity analysis of model output[J]. Technometrics，1999，41（1）：39-56.

[19]趙子龍，姚名澤，李 波. 不同灌水水平下CROPGRO-Tomato模型局部敏感性分析[J]. 江蘇農業科學，2021，49（9）：183-189.

[20]金建新，李鳳霞，周麗娜. 基于DSSAT模型的寧夏玉米-土壤氮循環及其產量敏感性分析[J]. 寧夏農林科技，2017，58（5）：30-32.

[21]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.

[22]王偉童. 基于遙感和DSSAT模型的夏玉米優化模式研究[D]. 鄭州：鄭州大學，2020.

[23]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.

[24]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]. 農業機械學報，2014，45（10）：124-131，166.

[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：武漢大學，2017.