稻田土壤-作物系统模型参数敏感性分析与模型验证

史鑫蕊 梁 浩 周 丰 胡克林

(1.中国农业大学土地科学与技术学院，北京100193;2.农业农村部华北耕地保育重点实验室，北京100193;3.河海大学农业工程学院，南京210098;4.北京大学城市与环境学院，北京100871;5.教育部地表过程分析与模拟重点实验室，北京100871)

0 引言

土壤-作物系统模型通过计算机程序和数学方程描述作物生长过程及碳氮元素在土壤-作物-大气连续体中的运移和转化规律［1］。与田间试验相比，不仅可以节省大量的人力物力，而且可以通过情景分析模拟不同的田间管理、气候变化、土壤属性以及作物品种等因子对作物生长、水分消耗以及碳氮运移和转化过程的影响，在水肥优化管理、品种改良以及应对气候变化等方面发挥了重要作用［2］。目前比较成熟的土壤-作物系统模型主要有EPIC、WOFOST、DNDC、RZWQM、APSIM 和DSSAT 等，在小麦、玉米、水稻等作物上已进行了广泛的验证和应用，但是这些模型应用于不同地区时均需要对模型参数进行校准和验证［3］。由于输入参数众多，模型参数率定过程困难。另外，参数校验过程中会产生“异参同效”现象，大大降低了模型校验的可靠性［4-5］。敏感度分析能够从众多输入参数中识别出敏感度高的参数，通过简化或固定低敏感参数，可以减小模型校验的工作量、降低不确定性［6-8］。

模型敏感度分析主要有局部和全局敏感度分析两种方法。局部敏感度法每次只改变一个参数，评价单个参数变化对模拟结果的响应，忽略了参数间的交互作用对输出结果的影响，仅适用于过程简单的线性模型［9］。全局敏感度法综合考虑各个参数及参数间的交互作用对输出结果的影响，更适合于分析具有非线性的土壤-作物模型参数的敏感度［10］。常用的全局敏感度法主要有Morris、EFAST和Sobol'法等。DEJONGE 等［11］用Morris 和Sobol'两种方法研究了不同灌溉条件下CERES-Maize 模型的参数敏感性，两种方法得出的结果具有很强的相关性。宋明丹等［1］比较了Morris 和EFAST 两种方法得出的CERES-Wheat 模型作物参数的敏感度，两者结果基本一致，但Morris 方法计算工作量明显较小。EFAST 和Sobol'均是基于方差分析的敏感度法，精度高且稳定性强，但运算量大［12］。Morris法可以快速地从大量的模型输入参数中识别出部分敏感度较高的参数，运算量较小，已被广泛应用于水文、生态和环境类模型的敏感度分析中［13-15］。俞双恩等［16］采用Morris 法分析了DRAINMOD-S 模型6 个参数对土壤剖面含盐量的的灵敏度。高颖会等［17］采用Morris 方法筛选出对SWMM 模型区域洪峰流量和径流系数比较敏感的水文水力参数。JABLOUN 等［18］通过Morris 方法得到了Daisy 模型在模拟小麦-玉米轮作系统中作物产量和氮素淋洗的敏感参数。前人对各种模型的参数敏感度进行了大量研究，但大部分研究主要集中在旱地作物系统上，对于水田系统的研究还较少。

LIANG 等［19］在参考和借鉴国外主流模型的基础上开发了适用于水稻的WHCNS_Rice(Soil water heat carbon nitrogen simulator for rice)模型，该模型考虑了中国的气候、土壤、环境和农业管理特点，相比国外模型更适用于中国高强度集约化的管理模式，已成功用于模拟长江中游地区常规淹水和覆膜旱作条件下的水稻生长及稻田水氮迁移过程［20］。水田与旱地的环境条件及作物生长过程机理不同，水田考虑的过程更为复杂，输入参数更多，而且具有很强的非线性，这就导致模型参数校准过程更为困难，大大限制了水田模型的推广应用。此外，水田与旱地系统模型参数敏感性的异同点尚不明确。因此，本文以WHCNS_Rice 模型为例，应用长江中游地区2 年的水稻田间试验数据，基于Morris 和Sobol'两种方法对该模型进行参数敏感度分析，旨在为提高水田系统模型的校准效率及其应用提供技术指导。

1 材料与方法

1.1 数据来源

试验地位于长江中游地区的湖北省荆州农业气象试验站(30°21'N，112°9'E)，种植制度为水稻-油菜轮作。研究区属湿润季风气候，年平均气温16℃，年均降雨量1 095 mm。于2017 年和2018 年水稻生长季进行了田间试验，对水稻生长、水分消耗及氮素去向等指标进行了动态观测。水稻品种为“丰两优香一号”，2 年移栽日期分别为6 月6 日和6 月9 日，收获日期分别为9 月14 日和9 月18 日，种植密度为9 万株/hm2。小区面积150 m2(25 m×6 m)，3次重复。根据当地农民管理习惯，施用纯氮230.5 kg/hm2，纯磷26.6 kg/hm2，纯钾40.4 kg/hm2。氮肥分3 次施用，分施比例为5∶3∶1，其中基肥和第2 次追肥施用复合肥，第1 次追肥施用尿素。水稻生长季内水分管理采取淹水-晒田-再次淹水-乳熟期后自然落干至收获［21］。

试验前开挖土壤剖面，取样测定0 ～90 cm 土壤剖面各层的基本理化性质。试验地土壤类型为水耕人为土，pH 值8.1，土壤有机碳质量比7.9 g/kg，全氮质量比1.2 g/kg。具体的土壤物理与水力学性质见表1。水稻生育期内白天每2 h 测定一次田面水高度。通过流量计记录每次发生灌水和径流时的水量，取水样采用流动分析仪(AA3 型，Bran +Luebbe，德国)测定铵态氮和硝态氮含量。2017 年采用动态箱法测定氨挥发量，水稻关键生长期取植株样干燥测定秸秆和籽粒干物质质量，收获时测产，同时用碳氮元素分析仪(Flash2000 型，Thermo，美国)测定植株全氮含量。其他的测定指标及方法见文献［21］。

表1 土壤剖面基本物理与水力学性质Tab.1 Soil basic physical and hydraulic properties in soil profile

1.2 WHCNS_Rice 模型

WHCNS_Rice 模型以天为步长，由气象数据和作物生物学参数驱动，可用于模拟水稻生长、稻田水分运动、氮素运移和转化以及热传导等过程。模型采用Penman-Monteith 公式估算参考作物蒸散量。采用Green-Ampt 模型和Richards 方程分别模拟非饱和条件下土壤水分入渗和再分布过程，饱和条件下采用达西定律。每天的田面水高度通过水分平衡方程计算，公式为

式中 Pn、Pn-1——第n 天、第n-1 天田面水高度，mm I

n——第n 天灌溉量，mm

P′n——第n 天降雨量，mm

ETn——第n 天蒸散量，mm

Rn——第n 天径流量，mm

Fn——第n 天水分入渗通量，mm

稻田径流的计算与旱地不同，稻田通常有一定高度的田埂，将此高度作为最大田面水允许高度。在强降雨条件下，需先将水稻田池蓄满，超过田埂之后才会产生径流。

土壤有机质周转以及碳氮循环直接参考Daisy模型。土壤氮素运移过程使用对流-弥散方程描述，源汇项考虑了有机质矿化、生物固持、尿素水解、氨挥发、硝化、反硝化和作物吸收等过程。采用改进的PS123 作物模型对作物生长发育进程、干物质生产和分配及作物产量形成过程进行模拟。详细的模型原理见文献［19 -20］。

1.3 全局敏感性分析法

1.3.1 Morris 方法

Morris 是一种基于筛选分析的全局敏感度分析方法，利用OAT(One factor at a time)搜索途径，通过计算输入参数对输出结果的基础效应进行灵敏度分析。该方法有效平衡了计算的效率和准确性，对于输入参数多且运算负荷大的模型具有很好的适用性。每个输入参数对输出结果的影响程度Ei［22］计算公式为

其中

式中 y——参数i 变化前的输出值

y*——参数i 变化后的输出值

Δi——参数i 的变化量Δ 介于1/(p -1)和1 -1/(p -1)之间，p 表示参数的水平。

由于Morris 方法参数取值的随机性，易造成取值误差，所以需进行r 次重复，模型总运行次数为r(L+1)次，L 表示参数个数。根据Morris 方法建议，采样因子r 设置为10，输入参数个数L 为28，共运行模型290 次。最后计算每个参数对模拟值的影响程度Ei的平均值μ 和标准差σ。μ 越大，说明参数对输出结果越敏感，而σ 表示的是参数间的交互作用，σ 越大表示该参数与其他参数交互作用越强。

1.3.2 Sobol'方法

Sobol'是一种基于方差的全局敏感性分析法，通过分解输出变量的方差来定量化评价各输入参数和参数间交互作用对输出变量的影响程度［23］。假设y 为模型输出变量;Xi为模型输入参数(共m个)。y 的方差D(y)可分解为

式中 Di——参数i 产生的方差

Dij——参数i 和j 相互作用产生的方差

Dijk——参数i、j 和k 相互作用产生的方差

D1，2，…，m——m 个参数共同作用产生的方差

对于参数i，可用一阶敏感度指数Si反映单个参数的敏感性，全阶敏感度指数STi表示单个参数与其他所有参数的共同影响，具体公式为

式中 D～i——除了参数i 之外的参数的方差

SALTELLI 等［23］建议，Sobol'方法取样个数设置为n(m+2)，其中m 为参数个数(28 个)，n 取值应大于100。本研究计算了n 为1 024 时的Sobol'敏感度结果，需运行模型29 696 次。

1.3.3 参数选择、分布和范围

WHCNS_Rice 模型输入参数主要分为土壤水力学参数、氮素转化参数和作物参数3 类。首先根据实测的土壤理化性质数据，基于土壤传递函数获得水力学参数初始值［24］，作物参数和氮素转化参数初始值参考相关文献数据或者直接采用默认值。结合文献中其他模型敏感度分析结果［10］，选择28 个参数进行敏感性分析(表2)，其中水力学参数每层5个共15 个、氮素转化参数5 个、作物参数8 个。由于各参数的分布概率未知，假定所有的参数服从均匀分布。模型参数取值范围采用初始值的±10%作为其区间的上限和下限，采用蒙特卡洛方法对每个参数随机采样。输入参数组合的产生以及最后的结果分析均采用SimLab 2010 软件完成［25］。

表2 模型输入参数Tab.2 Model input parameters

1.4 模型参数率定

根据模型敏感度分析结果，本文基于2017 年的大田实测数据，采用试错法对WHCNS_Rice 模型中的敏感参数进行率定。首先对土壤水力学参数进行调整，使模型模拟的田面水高度、蒸散量、径流量等与实测值基本吻合。然后率定氮素转化参数，使氨挥发量、反硝化量、氮淋洗量、径流损失量等模拟值与实测值吻合，若缺少实测值应使模拟值接近文献参考值。最后，调整作物参数，使产量、干物质质量、吸氮量等指标的模拟值与实测值尽量吻合。由于参数间存在交互作用，不同参数调整过程会相互影响，因此该过程需要周而复始，最终大部分模拟值与实测值误差最小时模型率定过程结束。模型率定结束后，固定所有输入参数，根据2018 年实际田间管理和气象数据运行模型，用实测的田面水高度、蒸散量、作物吸氮量和干物质质量等来验证模型。若模型模拟值与实测值误差在可接受范围内，说明模型输入参数合理，可用来模拟该地区水稻生长及稻田水分运动和氮素转化过程。

2 结果与分析

2.1 Morris 敏感度分析

2.1.1 水分输出项对不同参数的敏感度

根据模型输入参数初始值，各参数设定±10%的变化范围，基于Morris 敏感度分析方法，通过SimLab 软件共产生了290 组模型组合参数。不同参数组合下分别运行WHCNS_Rice 模型，得到了290 组不同的输出结果，最后采用SimLab 软件进行参数敏感度分析。

图1 为模型模拟的蒸散量(ET)、水分渗漏量、径流量和田面水高度对各输入参数的敏感度结果。ET 对中期作物系数Kmid最敏感，其次为Kend和Kini，但是σ 较低，说明与其他参数交互作用较弱(图1a)。Tsum是第4 敏感参数，通过影响作物生育期天数间接影响ET，与其他参数有较强的交互作用。其余参数μ 均小于10 mm，但是F、Smax、θs等参数的σ 均较高，说明部分土壤水力学参数和作物参数有较强的交互作用。

图1 ET、渗漏量、田面水高度及径流量对WHCNS_Rice 输入参数的Morris 敏感度均值和标准差Fig.1 Average Morris mean effect and spread of WHCNS_Rice parameter with respect to ET，drainage，ponding water depth and runoff

对于田面水高度、渗漏量和径流量，敏感度最高的参数均为θs1，其μ 和σ 均较高(图1)。其次为F1，具有较高的μ，但σ 相对θs1偏低。第3 敏感参数是Ks2，其μ 较小，但σ 较高。表层土壤饱和含水率和田间持水率很大程度上决定了土壤的蓄水能力，Ks2为犁底层土壤饱和导水率，决定了土壤水分的入渗速率。土壤蓄水率和导水率共同决定了土壤中水分的运动，从而对田面水高度、渗漏量和径流量产生显著影响。基于水分平衡原理，ET、土壤储水量、田面水高度、渗漏量和径流量，这些水分平衡项之间存在相互影响、此消彼长的关系。土体储水量的增加必然导致渗漏量降低，ET 会影响田面水高度的变化，进而对径流量产生影响。

2.1.2 氮素损失项对不同参数的敏感度

WHCNS_Rice 模型稻田氮素损失项主要包括氮淋洗、反硝化、氨挥发和径流损失等4 个氮素损失项。从模型敏感度分析结果来看，不同土层饱和含水率和田间持水率均对氮淋洗有较大的影响，氮淋洗对θs1和F1最敏感(图2a)。其余敏感度较高的几个参数按μ 值由大到小依次为θs2、θs3、F3、F2、W2，可以看出氮淋洗对各个土层的饱和含水率及田间持水率均比较敏感，这些参数值越大表示土壤蓄水能力越强，可减少水分渗漏，从而减小氮素随水分下移造成的淋洗损失。其余参数敏感度均低于5 kg/hm2，对氮淋洗的影响较小。

图2 氮淋洗、反硝化、径流和氨挥发对WHCNS_Rice 输入参数的Morris 敏感度均值和标准差Fig.2 Average Morris mean effect and spread of WHCNS_Rice parameter with respect to nitrogen leaching，denitrification，runoff and ammonia volatilization

对反硝化作用影响最大的参数是F1，但其σ 较低(图2b)。其次是θs1和θs2，且具有较高的σ。反硝化作用是在厌氧条件下发生的，水力学参数通过影响土壤中的水分状况进而对反硝化产生影响。反硝化经验系数Ad是第4 敏感参数，与其他参数交互作用较弱，Ad越大，通过反硝化损失的氮素越多，对反硝化输出项有最直接的影响。

氮径流损失对输入参数的敏感性分析结果与氮淋洗相似，θs1和F1敏感度最大，其次是θs3和θs2(图2c)。高蓄水能力下可以减少降雨和灌溉时产生的径流损失。下层土壤的饱和含水率、田间持水率、饱和导水率等参数敏感度均值μ 相对较低，但非线性效应较强，主要通过影响水分的下渗速率对径流产生间接作用。

氨挥发对θs1和θs2最敏感，且具有较强的非线性效应，上层土壤的饱和含水率通过影响土壤中的铵态氮浓度间接影响氨挥发(图2d)。对氨挥发影响较大的第3 个敏感参数是Kv，Kv越大，氨挥发速率越快。Smax是第4 敏感参数，Smax决定了覆盖度，覆盖度影响了NH3从水面向大气中的运动过程。不仅如此，覆盖度是影响土面或水面温度的重要原因，而氨挥发与温度密切相关，高温会加快氨逸出。

2.1.3 作物生长指标对不同参数的敏感度

从干物质质量、产量、吸氮量和叶面积指数(LAI)对模型输入参数的敏感度结果来看，这些作物生长指标均对作物参数Tsum和Smax具有较高的敏感度(图3)。Tsum控制了作物生长的物候期，Tsum变大作物生育期延长，反之生育期变短，Smax决定了作物冠层覆盖度，因此这两个作物参数对作物生长及产量形成均有较大影响(图3a、3b)。土壤水力学参数θs1和θs2对干物质质量、产量和吸氮量影响较大，并与其他参数有较强的交互作用。由于水稻土一般具有犁底层，决定了水分入渗和养分淋失速率，因此Ks2对水稻生长也有一定的影响。土壤水力学参数通过影响稻田土壤中的水分状况及氮素供应水平间接影响作物生长过程。

图3 干物质质量、产量、吸氮量和LAI 对WHCNS_Rice 输入参数的Morris 敏感度均值和标准差Fig.3 Average Morris mean effect and spread of WHCNS_Rice parameter with respect to dry matter，yield，crop uptake and LAI

对LAI 影响较大的3 个参数依次是Smax、Tsum、Smin，且σ 较高(图3d)。Smax和Smin是与LAI 直接相关的参数，直接影响LAI。Tsum通过控制生育期的长短对LAI 产生作用，三者共同决定了LAI。LAI 对Kmid的敏感度较低，但具有较高的σ，与其他参数交互作用较强。对干物质质量影响明显的4 个参数依次为Tsum、Smax、θs1、θs2，其敏感度均值μ 均大于1 000 kg/hm2，θs2、Tsum和θs1的σ 较大。与前4 个参数相比，F1、Ks2、F3、Smin对干物质质量的影响相对较小，其μ 介于300 ～500 kg/hm2，干物质质量对其余参数不敏感。

对作物产量影响较大的参数依次为θs1、θs2、Tsum、F1、Smax、Ks2、F3(图3b)。产量对θs1和θs2敏感度最高，且交互作用强。从前面的结果可以看出，θs1和θs2对各项水分消耗及氮素损失均有较大的影响，进而会对作物生长期间的水分和氮素供应状况产生作用，最终影响产量形成。作物吸氮量的敏感参数与产量基本相同，依次是θs1、Tsum、θs2、Smax、F1、Ks2、F3、W2。

2.2 Sobol'敏感度分析

Sobol'方法共产生了29 696 组模型参数组合，分别运行WHCNS_Rice 模型输出相应的结果，然后用SimLab 2010 软件进行全局敏感度分析。图4 为28 个输入参数对不同作物生长、水分及氮素平衡输出项的一阶及全阶敏感度指数。一阶敏感度指数划定超过阈值0.1 的为敏感参数。可以看出，水分输出项中蒸散量的敏感参数分别为Kmid和θr1，渗漏量、径流量及田面水高度的敏感参数均为θs1和F1。氮素损失项中，氮淋洗对F1敏感，氮径流和氮反硝化对θs1和F1敏感，氨挥发对θr1和Ks1敏感。作物生长指标中，干物质质量、吸氮量和LAI 均对Tsum和Smax敏感，而产量只对Tsum敏感，Smax对其影响不大。整体上Sobol'一阶敏感度指数得出的敏感参数与Morris 方法基本一致，但是氮素平衡项中氮淋洗和氨挥发无法获得对其影响较大的参数，因此改用手动调参，发现参数Kv和Ad分别对氨挥发和氮反硝化输出结果有一定的影响，由此可见，Morris 得到的结果准确可靠。

从全阶敏感度指数看，大部分输出项很难筛选出明显的敏感参数。不同参数对蒸散量、渗漏量、径流量和田面水高度的全阶敏感度指数分别介于0.81 ～1.00、0.55 ～0.89、0.27 ～0.71、0.44 ～0.85之间，差异均不明显。氮素损失项中，θs1和F1对氮径流和氮反硝化的全阶敏感度指数明显高于其余参数，而各参数对氨挥发和氮淋洗的全阶敏感度指数差异不明显。但作物生长输出项的敏感参数比较明显，除Tsum和Smax，θs1和θs2也有较高的敏感度，其次为F1和F2，这也与Morris 的结果一致(图3)。

某一参数全阶敏感度指数与一阶敏感度指数的差值即为该参数与其余参数交互作用对模型输出项的影响程度。差值越大，表明该参数交互作用越强，这与Morris 方法中的σ 相对应，解释了作物生长指标中部分土壤水力学参数敏感度较高的原因(图3)。

图4 WHCNS_Rice 模型参数对不同输出项的一阶敏感度指数及全阶敏感度指数Fig.4 First-order and total sensitivity of WHCNS_Rice model parameters for different objective functions

与Morris 方法相比，Sobol'方法较好地考虑了参数间的交互作用，这是导致两种方法结果略有不同的主要原因，但是Sobol'分析需要大批量运算才能得出有效的结果。另外，本文同时也计算了参数组合分别为928 和3 712 次时的敏感度结果，其敏感度指数出现大量的负值，无法获得准确的敏感参数。此外，Sobol'产生的大量参数组合中个别参数在模型计算中无法输出结果，导致结果为空。这种情况下，采用与之相近的上一组模型结果作为输出值，这也造成了Sobol'分析结果的误差。因此，综合考虑计算量、可靠性及精度，Morris 不仅可以有效筛选出敏感参数，而且计算量较小，是适合于稻田土壤-作物系统WHCNS_Rice 模型参数敏感度分析的有效方法。

2.3 模型校准与验证

综上模型敏感度分析结果，输入参数的变化会对模拟结果造成很大的不确定性，合理的参数值对模拟结果的准确度十分重要。在模型调参过程中，应重点关注土壤水力学参数中的θs、F 和Ks，这几个参数对水分运动、氮素运移和转化以及作物生长均有显著影响。其次是作物参数，应重点关注Tsum、Smax和作物系数K。最后是氮素转化参数中的Ad和Kv。以上参数是对模型敏感度较高的参数，由于参数存在很强的非线性效应，且参数间存在交互作用，需要反复调整才能达到比较理想的效果。调参过程中对于敏感度较低的参数，比如Rmax等，应根据实际情况进行设置，会使模型模拟效果更好。

基于敏感度分析结果，使用2017 年实测数据校准模型。固定非敏感参数，通过“试错法”重点校准高敏感参数，使模型模拟的干物质质量、吸氮量、田面水高度和蒸散量与实测值尽量吻合，最后采用2018 年实测数据验证模型，校验后的参数值见表2。

从图5 可以看出，模型校准年份(2017 年)的干物质质量、作物吸氮量、田面水高度和ET 的模拟值与实测值的相关系数r 分别为0.998、0.979、0.502和0.852，与2018 年模型验证相对应的相关系数分别为0.998、0.985、0.879 和0.856。其中2017 年田面水高度模拟值与实测值的相关系数较低，主要是因为移栽后15 ～27 d 田面水高度模拟值和实测值相差较大所致。由于该时段并未发生大的降雨，只有第22、23 天有少量降雨，故有可能是人为观测误差造成的，但此误差在可接受范围内。校准(验证)的线性回归方程的斜率分别为1.024 3、1.072 1、0.938 3 和0.975 0(1.000 1、1.120 5、1.099 9 和1.086 5)，均接近1，表明模拟值与实测值显著相关(P ＜0.01)(图5)。总体来说，模型模拟的各项指标与实测值之间具有很好的一致性，校验后的WHCNS_Rice 模型可用于模拟该地区水稻生长过程、水分消耗以及稻田氮素的迁移和转化过程。

图5 校准和验证年份模拟和实测的干物质质量、作物吸氮量、田面水高度和ET 的相关性Fig.5 Measured/simulated values with linear regression line for dry matter，crop nitrogen uptake，ponding water depth and ET in 2017 and 2018

3 讨论

土壤-作物系统模型是实现数字化农田作物生长监测、预测和决策支持的重要手段［12］。模型的参数校准是模型应用的重要前提和关键步骤［26］，也是模型功能拓展的基础，同时输入参数的合理性和区域代表性决定了模拟结果的准确性。由于模型参数较多，在缺乏先验知识的情况下，模型调参过程非常困难，限制了模型的推广应用。敏感性分析可以从大量的参数中识别出敏感参数，减少模型校验的工作量和不确定性，进而提高模型校准的效率和精度。

土壤-作物模型输入参数大致可以分为3 大类:土壤水力学参数、作物参数和碳氮转化参数，不同类型的参数对模型输出结果的影响有明显差异。梁浩等［10］对WHCNS 模型小麦和玉米作物的参数敏感度进行了分析，结果表明土壤含水率、土壤硝态氮含量、作物产量和LAI 的综合响应对作物参数最敏感，其次是土壤水力学参数，而氮素转化参数敏感度较低，这与本研究参数敏感度结果略有不同。本研究中除LAI 和干物质质量外，表现为土壤水力学参数敏感度高于作物参数，尤其是水氮各输出项。这可能是由水田和旱地土壤性质及环境条件的显著差异造成的。水田与旱地土壤中的水氮运移有很大不同，土壤水力学参数是影响土壤中水分运动和氮素迁移的主要参数［27］。淹水稻田生育期内很少出现水分胁迫情况，但是由于生育期内频繁降雨和大量灌溉，很容易发生大量的径流和水分渗漏损失，其损失量就取决于土壤的水力学性质，尤其是犁底层饱和导水率，决定了稻田水分下渗速率。不仅如此，水分运动直接影响了土壤中氮素的迁移与转化过程，从而会影响土壤的供氮水平。DEJONGE 等［11］的研究结果表明，在充分灌溉条件下，CERES-Maize 模型模拟的产量、蒸散量和LAI 对作物参数最敏感，而亏缺灌溉下田间持水率和萎蔫含水率是主要的敏感参数，由此可见，土壤中的水分状况是影响参数敏感性的重要因素。

关于作物参数对不同模型输出项的敏感度研究已经有大量报道。ZHAO 等［28］研究了APSIM 模型输出的产量、生物量、开花期和成熟期对作物参数的敏感度，发现产量和生物量均对积温比较敏感。VANUYTRECHT 等［6］采用AquaCrop 模型模拟分析了4 个国家不同作物产量对参数的敏感度，结果表明水稻产量对积温、最大覆盖度敏感度较高。本研究中蒸散量、干物质质量、产量、吸氮量及LAI 对作物参数敏感度较高，特别是Tsum和Smax两个参数，这与上述研究结果一致。除Tsum和Smax外，本研究作物参数中作物系数是第3 敏感参数，尤其是对ET有较大影响。由于WHCNS_Rice 模型中潜在作物蒸散量(ETp)是由参考作物蒸散量(ET0)与作物系数乘积得到的［29］，因此不同时期作物系数的大小会对ET 产生直接影响。这与LIANG 等［30］的研究结果不太一致，其结果中对春玉米产量影响较大的第3 个参数是最大同化率Amax，而本研究中水稻生长对Amax不敏感，这主要是由于C3 和C4 作物光合作用机理不同造成的，在模型中采用了不同的光合作用公式。

相对于土壤水力学参数和作物参数，模型输出项对氮素转化参数的敏感度相对较低，只有氨挥发量和反硝化量分别对Kv和Ad敏感。而梁浩等［10］的研究结果表现为最大硝化速率Vn和硝化半饱和系数Kn敏感度较高，这与本研究的结果不一致。主要是由于水田和旱地的差异造成的，大量研究表明旱地硝化作用比较强烈，土壤硝态氮含量高，而铵态氮含量较低，因此与硝化作用相关的参数敏感度高。而水田土壤中硝态氮含量明显低于铵态氮［31］，硝化能力较弱，氨挥发和氮反硝化作用比较强烈，导致两者的敏感参数正好相反。水田与旱地由于土壤水分条件不同，造成了氮素迁移和转化过程差异较大，相应的敏感参数也有较大差异，尤其是氮素转化参数，因此模型重点校准参数也应根据土壤水分状况调整。

不同的作物品种、环境条件及田间管理均会对模型参数的敏感度产生较大影响。LIANG 等［30］研究表明不同水肥管理条件下模型参数敏感度有较大的变化。ASSENG 等［32］发现不同的气候条件对产量模拟值造成了很大的不确定性。ZHAO 等［28］研究指出不同的施肥量比气候条件和土壤类型的改变对模型参数敏感度的影响更大。本文仅研究了某一特定条件下的参数敏感度，没有分析不同的土壤类型、气候条件及水肥管理等差异造成的不确定性。为了扩大WHCNS_Rice 模型应用范围，应进一步全面系统地考虑环境条件、作物品种、管理措施等不同情况下的参数敏感度及不确定性。

4 结论

(1)采用Morris 和Sobol'两种全局敏感度分析方法，分别针对作物生长、水分运动及氮素损失3 部分输出项，具体分析了稻田土壤-作物系统WHCNS_Rice 模型输出项对土壤水力学参数、氮素转化参数和作物参数的敏感性。结果表明，整体上Sobol'一阶敏感度指数得出的敏感参数与Morris 方法基本一致，但是综合考虑计算量及精度，Morris 方法可以快速并有效地筛选出模型敏感性参数。模型各个输出项均对土壤水力学参数有较高的敏感度，尤其是对饱和含水率、田间持水率和饱和导水率的敏感度较高。其次是作物参数，其中作物生育期总有效积温、最大比叶面积和作物系数对产量、干物质质量、叶面积指数和蒸散量有较大影响，对水分运动和氮素迁移过程影响较小。相反，作物生长过程各输出项对土壤水力学参数和作物参数均有较高的敏感性。各输出项对氮素转化参数敏感度相对最低，只有氨挥发一阶动力学系数和反硝化经验系数分别对氨挥发和反硝化过程有一定的影响。

(2)水田与旱地水分条件的不同，导致水田系统土壤水力学参数敏感度高于作物参数，而旱地正好相反。另外，旱地系统由于硝化作用强烈，因此与硝化反应相关的参数(最大硝化速率Vn和硝化半饱和系数Kn)对氮素输出项有较大影响，而在水田中与氨挥发和氮反硝化过程相关的参数对输出结果影响较大。

(3)基于模型参数敏感度筛选结果，根据稻田实测数据对WHCNS_Rice 模型参数进行了校验。结果表明，模型模拟值与实测值具有较好的一致性，该模型可用于模拟长江中游地区水稻生长及稻田水氮迁移过程。该方法大大提高了模型校准效率，为土壤-作物系统模型的推广应用提供了技术支持。