中国不同水稻生长环境下ORYZA(v3)模型参数全局敏感性分析

谭君位，崔远来，汪文超

中国不同水稻生长环境下ORYZA(v3)模型参数全局敏感性分析

谭君位1,2，崔远来2，汪文超3

（1. 中国农业大学水利与土木工程学院，北京 100083；2. 武汉大学水资源与水电工程科学国家重点实验室，武汉 430072；3. 长江勘测规划设计研究有限责任公司，武汉 430010）

中国水稻种植分布广、气候跨度大，水稻生长环境差异较大。ORYZA(v3)模型被广泛用于水稻生长模拟，但不同环境下该模型参数敏感性的时空特征尚不清楚。该研究选取了位于中国16个水稻种植亚区的18个典型站点，分别采用EFAST（Extended Fourier Amplitude Sensitivity Test）方法对模型中16个作物参数进行30 a（1986－2015年）全局敏感性分析，分析了参数敏感性与气象因子的相关性。结果表明，模型参数敏感性在不同生育阶段、不同稻作制度、以及不同站点之间均存在较大的差异，尤其在高海拔或具有特殊气候类型的地区的参数敏感性明显异于其他地区；模型中叶面积相对生长速率最大值（RGRLMX）、颖花生长系数（SPGF）和最大单粒质量（WGRMX）的敏感性受环境的影响最大；各参数的敏感性与日均最低气温、日均最高气温、积温具有显著相关性，但由于海拔、纬度等因素的综合影响，模型参数敏感性在空间上不随纬度或海拔的变化呈现单一的变化趋势；RGRLMX在大理、牡丹江等站点出现单参数极度敏感的现象，揭示了模型的结构可能存在一定缺陷，在容易受低温冷害影响的地区应用时具有一定的局限性。

模型；敏感性分析；时空特征；相关性；多环境；稻作制度

0 引 言

基于过程的作物模型通常具有十分复杂的结构，包含了大量的参数。在作物模型本地化应用时，哪些参数需要重新率定、模型中各参数对目标变量（如生物量、产量等）的影响程度如何等一直是人们普遍关注的问题和难点[1-2]。参数敏感性分析能够将模型输出结果的不确定性分配到不同的模型参数，定量评价模型输出变量对模型参数的敏感程度，从而识别并筛选出模型中的关键敏感参数和非敏感参数[3-4]。作物模型属于非线性、非单调的复杂模型，通常采用全局敏感性分析方法进行参数敏感性分析[5-7]，其中应用最广泛的方法有Sobol′法、EFAST（Extended Fourier Amplitude Sensitivity Test）法等[8-10]。如谢松涯等[11]、邢会敏等[12]分别运用EFAST法实现了WOFOST模型、AquaCrop模型中主要敏感参数的识别。

作物的生长受到气候、环境以及田间管理的直接或间接影响，因此，作物模型参数敏感性分析结果在不同环境下可能存在一定的差异。近年来，国内外的专家学者对APSIM（Agricultural Production Systems sIMulator）模型中的参数敏感性开展了初步研究[13-15]，结果表明该模型中参数对同一输出变量的敏感性受到气候条件不同程度的影响。

ORYZA(v3)模型是模拟水稻生长过程的动态作物模型，已在很多国家和地区得到了大量的应用。在以往的本地化应用中，人们较多关注模型中参数的率定和验证，只有少数学者对其参数的敏感性进行了研究。如黄敬峰等[16]将Sobol′法应用于该模型，分析了气象因子、播种日期、CO2浓度以及叶片生长参数对模型输出变量的影响；Tan等[5, 17]研究了参数变化范围以及不同气象条件对该模型中作物参数敏感性的影响。然而，在不同气候区，当作物品种、田间管理、气候类型等因素均发生变化时，模型中参数敏感性的变化规律尚不清楚。

基于此，本研究以ORYZA(v3)模型为研究对象，选取位于中国16个水稻种植亚区的18个典型站点，对模型进行不同环境下参数敏感性分析，主要目的是量化气候、水稻品种、稻作制度等因素对模型参数敏感性的影响，探讨模型参数敏感指数的时空变异规律，并分析其主要影响因子，为作物模型的本地化以及区域化应用提供参考。

1 材料与方法

1.1 ORYZA(v3)模型

ORYZA(v3)模型是水稻生长模型ORYZA2000的最新版本，以日为时间步长，可用于模拟潜在产量、水分限制、氮素限制以及水氮联合限制条件下水稻的生长发育以及土壤水分平衡[18-19]。该模型已经在很多国家或地区得到了应用和验证[20-22]。与ORYZA2000相比，ORYZA(v3)模型在水、氮平衡模块作出了较大的改进，增加了土壤中温度、碳、氮动态模拟的相关模块，实现了水与氮的耦合模拟。ORYZA(v3)模型具有更好的适用性，可以应用于各种环境下的水稻生长模拟，且其模拟精度得到进一步的提高[23-24]。

本研究选择了模型中16个作物参数进行敏感性分析，它们的值在模型本地化应用时通常需要重新率定，各参数的名称及默认值见表1。根据Tan等[17]的研究成果，参数取值范围按其默认值的±30%上下浮动。

表1 ORYZA(v3)模型参数及其默认值

1.2 典型站点选择

由于不同地区气候差异显著，中国具有多种水稻种植制度，现今主要有一年一熟、一年两熟2种稻作制度。结合气候本身的区域性，中国水稻种植区可分为6个稻作区、16个稻作亚区[25]。为了研究不同稻作区、不同稻作制度下ORYZA(v3)模型的参数敏感性，针对每个稻作亚区选取1～2个典型站点，共计18个，各站点的详细信息见表2。各站点水稻的水稻物候日期均来自田间试验观测资料；驱动模型运行的所有气象观测数据均来自中国气象数据网。

表2 各稻作区典型站点的基本信息

注：由于资料的缺乏，表中不包括Ⅲ3稻作亚区的信息。

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

本研究选用的EFAST方法是一种基于方差的全局敏感性分析方法，它集成了FAST法和Sobol′法的优点，具有计算效率高、稳定性好、对参数样本的要求低等特点，其基本原理参见文献[5,26-27]。该方法通过分解模型参数对模型输出变量的方差，把参数的敏感性分为2类：1）单个参数对模型输出变量的敏感性，由一阶敏感指数（First-order Sensitivity Index,）衡量；2）参数单独作用及其与其他参数之间的交互作用对模型输出变量的敏感性之和，由全局总敏感指数（Total Sensitivity Index,T）衡量。其中，与T的值均在区间（0,1）内，其值越高表明参数的敏感性越强[28]。

1.4 数值模拟设计与步骤

采用ORYZA(v3)模型分别模拟18个典型站点丰水丰肥条件下的水稻生长。模型中采用发展阶段（Development Stage, DVS）定义水稻的物候发展过程。为了研究不同环境下气象条件对水稻生长及模型参数敏感性分析结果的影响，每个站点进行30 a（1986－2015年）水稻生长模拟及参数敏感性分析。其中，模型参数敏感性分析采用Simlab软件集成的EFAST方法，选择水稻生长过程中基本营养生长期、光周敏感期、幼穗分化期、灌浆期4个阶段结束时（分别对应DVS为0.40、0.65、1.00和2.00）相应的叶面积指数（Leaf Area Index, LAI，hm2/hm2）、茎干物质总量（Dry Weight of Stems, WST，kg/hm2）、地上部分干物质总量（Total Aboveground Dry Matter, WAGT，kg/hm2）和穗干物质总量（Dry Weight of Storage Organs, WSO，kg/hm2）作为输出变量。主要步骤如下：

1）资料收集。收集各典型站点的物候资料（包括单季中稻、双季早稻、双季晚稻）和长系列气象观测数据；

2）模型中物候参数率定。根据不同稻种的实测物候资料，在每个站点运用模型自带的drate(v2).exe程序重新率定模型中的阶段发展速率参数；

3）生成参数样本。使用Simlab软件基于EFAST法对选择的16个参数进行取样，生成8 000个参数组合样本；

4）蒙特卡罗模拟。根据第3步中生成的参数组合样本，将其转换成ORYZA(v3)模型能识别的输入文件格式，输入气象数据驱动模型，模拟30 a（1986－2015年）的水稻生长；每个站点运行模型240 000次；

5）提取模型输出变量。根据模型模拟结果，提取水稻生育期各阶段的模型输出变量，并将其转换成Simlab软件能识别的输入文件格式；

6）参数敏感性分析。根据第3、5步的结果输入Simlab软件，运用EFAST法逐年对ORYZA(v3)模型的输出变量进行参数敏感性分析；

7）每个站点的每季水稻均重复上述第2～6步，合计18个站点。其中，单季中稻站点15个，双季稻站点5个；共运行模型6×106次。

1.5 模型参数敏感性分析的影响因素

水稻生长与温度、日照密切相关。为了探讨参数敏感性与气象因子的相关性，本研究选取了水稻生育期内日均最低气温（Average Value of Daily Minimum Temperature,min，℃）、日均最高气温（Average Value of Daily Maximum Temperature,max，℃）、累积日照时数（Cumulative Sunshine Hours，CH，h）、积温（Cumulative Temperature, CT，℃）的30 a（1986－2015年）均值作为气象因子；对各站点灌浆期末（DVS=2.00）的输出变量LAI、WAGT、WST和WSO，计算其敏感参数的总敏感指数的30 a（1986－2015年）均值；然后运用SPSS软件分析各站点各阶段不同模型输出变量对应敏感参数的总敏感指数与各气象因子之间的Pearson相关系数。

2 结果与分析

2.1 不同环境下模型参数对各阶段LAI的敏感性分析

不同环境下模型参数对各阶段LAI的敏感性分析结果如图1所示（图中未显示在4个阶段均不敏感的参数，下同）。图1a和图1b显示，在所有站点，参数RGRLMX对基本营养生长期结束时(S1)相应LAI的T较高，但各站点之间的差异较大（T=0.53～0.95），随着生育阶段的发展，该参数对光周敏感期末(S2)、幼穗分化期末(S3)、灌浆期末(S4)相应LAI的T值依次下降；对于大理、牡丹江站的中稻和琼海、桂林站的早稻，RGRLMX对各阶段LAI的敏感性均明显高于其他站点，尤其对S1阶段LAI的T值均在0.90以上；对于天津、新乡、阿拉尔、景洪、荆州5个站点的中稻，南宁的早稻以及琼海的晚稻，RGRLMX对各阶段LAI的敏感性十分相似，其T值均明显低于其他站点，且均对S4阶段LAI不敏感；参数ASLA在所有站点上均对S3阶段LAI的敏感性较高，而对其他阶段LAI的敏感性较低，甚至在部分站点上不敏感；参数FLV0.5在所有站点上均对S2阶段LAI的敏感性较高，其他结果与ASLA相似；ASLA和FLV0.5对大理和牡丹江2个站点的中稻各阶段LAI的T值均明显低于其他站点的值，且它们在其他站点之间的差异均较小；参数FLV0.75对牡丹江站中稻、桂林站早稻各阶段LAI均不敏感，在其他站点上仅对S3阶段LAI有较高的敏感性，且站点间的差异较小；参数DRLV1.0仅对景洪站早稻和中稻、南宁站早稻S3阶段LAI有弱敏感性，在其他站点它对各阶段的LAI均不敏感；参数DRLV1.6和DRLV2.0对牡丹江、绵阳站的中稻，景洪站晚稻，以及南昌站早稻各阶段LAI均不敏感，而在其他站点上均对S4阶段LAI有较高的敏感性，且站点间差异明显；在所有站点上，各敏感参数的T值年际间的差异均很小（0～0.08）。

图1c和图1d显示，RGRLM与其他参数的交互作用对S1阶段LAI具有较大的影响（交互作用指数高于0.10），尤其对蔡家湖站中稻LAI的交互作用指数高达0.36（其他站点均低于0.20，甚至低于0.10）；该参数与其他参数的交互作用还对大理、绵阳2个站点的中稻以及南昌站早稻S2阶段的LAI具有较大影响。ASLA与其他参数的交互作用对蔡家湖站中稻、桂林站晚稻S1阶段LAI具有较弱的影响，而在其他情形下LAI的影响均不明显；FLV0.5与其他参数的交互作用仅在部分站点对S1阶段LAI具有较弱的影响，而在其他情形下LAI的影响均不明显；其他参数的交互作用均不明显。在所有站点上，参数交互作用指数年际间的差异均很小（年际间标准差为0～0.06）。

注：S1, S2, S3, S4分别表示基本营养生长期、光周敏感期、幼穗分化期和灌浆期4个水稻发展阶段；各参数名称说明见表1。下同。

2.2 不同环境下模型参数对各阶段WAGT的敏感性分析

不同环境下模型参数对各阶段WAGT的敏感性分析结果如图2所示。图2a和图2b显示，在所有站点上，RGRLMX对各阶段的WAGT均具有很高的敏感性，且其T值在4个生育阶段依次下降；该参数对大理、牡丹江2个站点的中稻各阶段WAGT的T值均高于0.90，而在其他站点上各阶段的T值差异以及站点间的差异均非常明显；FLV0.5在大部分站点对4个阶段的WAGT均较敏感，在部分站点只对S3、S4阶段的WAGT比较敏感，而对大理、牡丹江2个站点的中稻各阶段的WAGT均不敏感；FLV0.75仅对绵阳站中稻S4阶段的WAGT有较弱的敏感性（T值为0.10），在其他站点均不敏感；在所有站点上，各敏感参数的T值年际间的差异均很小（年际间标准差为0.00～0.07）。

图2c和图2d显示，各参数间的交互作用虽然在站点间有明显差异，但是对WAGT的影响均很弱，其交互作用指数的多年均值都小于0.08，且年际间的差异也不明显（年际间标准差为0.00～0.03）。

图2 不同环境下模型参数对水稻各生育阶段WAGT的30 a (1986－2015年)敏感性分析结果

2.3 不同环境下模型参数对各阶段WST的敏感性分析

不同环境下模型参数对各阶段WST的敏感性分析结果如图3所示。图3a和图3b显示，RGRLMX在所有站点对各阶段的WST均十分敏感，但T值在不同生育阶段及不同站点间具有非常明显的差异；FLV0.5仅对大理、牡丹江、沈阳、蔡家湖等站点中稻S1阶段的WST具有较高的敏感性，而对天津、新乡、景洪、荆州等站点中稻S1、S2、S3阶段的WST均具有一定的敏感性，且对S2阶段WST的敏感性最高；FLV0.75和FST1.0的敏感性分析结果十分相似，仅对牡丹江站中稻、南宁和南昌站晚稻等条件下S3阶段的WST具有较弱的敏感性（其T值均小于0.20）；参数SPGF和WGRMX的敏感性分析结果比较相似，站点间T值的差异比较明显，二者在大部分站点均对S4阶段WST具有较高的敏感性，且WGRMX的敏感性明显高于SPGF，但对银川、绵阳2个站点的中稻和南昌站早稻各阶段的WST均不敏感。RGRLMX仅对吉首、牡丹江、蔡家湖3个站点的中稻，以及景洪站早稻各阶段WST的T值具有较小的年际差异（年际标准差为0.10～0.15），而在其他站点的年际差异均不明显；SPGF在各站点的T值年际间差异均不明显（低于0.10）；WGRMX在大部分站点的T值年际间差异均比较明显（年际间标准差为0.10～0.20）。

图3c和图3d显示，参数SPGF和WGRMX与其他参数的交互作用对银川、绵阳站的中稻，南宁站晚稻，以及景洪、南昌、桂林站的早稻各阶段WST的影响均较小（交互作用指数均低于0.10），而在其他站点对S4阶段的WST均具有较大的影响（交互作用指数为0.10～0.26），且站点间差异比较明显，尤其是WGRMX的交互作用指数明显高于SPGF；其他参数间的交互作用对WST的和影响不明显。各参数在所有站点的交互作用指数年际间的差异均很小（年际间标准差为0～0.08）。

图3 不同环境下模型参数对水稻各生育阶段WST的30 a (1986－2015年) 敏感性分析结果

2.4 不同环境下模型参数对各阶段WSO的敏感性分析

不同环境下模型参数对各阶段WSO的敏感性分析结果如图4所示。图4a和图4b显示，RGRLMX对新乡、荆州、杭州3个站点的中稻以及琼海站晚稻各阶段WSO均不敏感，而在其他站点对S3、S4阶段的WSO比较敏感，且站点间的差异比较明显，尤其对大理、牡丹江、沈阳、银川、绵阳5个站的中稻以及南昌站早稻S4阶段的WSO具有较高的敏感性（T=0.55～0.82）；ASLA仅对绵阳站中稻、景洪站晚稻S4阶段的WSO具有较弱的敏感性（T分别为0.13、0.15），而在其他站点均不敏感；FLV0.5对大理、牡丹江、蔡家湖、银川4个站点中稻各阶段的WSO均不敏感，而在其他站点对各阶段WSO均具有一定敏感性（T=0.10～0.30），且站点间的差异比较明显；FLV0.75仅对吉首、淮安、沈阳、银川4个站点的中稻以及南昌站早稻S4阶段的WSO具有较弱的敏感性（T=0.10～0.16）；FST1.0在所有站点均对S3阶段的WSO具有较高的敏感性（T=0.50～0.95），且站点间差异十分明显，而仅对吉首、天津、银川等少数站点的中稻S4阶段的WSO具有较弱的敏感性（T值均小于0.20）；FSTR仅对吉首、银川、景洪3个站点的中稻，南宁、景洪2个站点的早稻以及南宁站晚稻S4阶段的WSO具有较弱的敏感性（T值均小于0.20），而在其他站点均不敏感；SPGF和WGRMX对牡丹江、沈阳、银川、绵阳4个站点的中稻以及南昌站早稻各阶段的WSO均不敏感，而在其他站点均对S4阶段的WSO具有较高的敏感性，且SPGF的T值更高一些，站点间T值差异比较明显；SPGF和WGRMX对吉首、天津2个站点的中稻，南宁站晚稻以及景洪站早稻S4阶段的T值具有较小的年际间差异（年际标准差为0.10～0.20），而在其他参数在各站点的T值年际间差异均不明显。

图4c和图4d显示，SPGF和WGRMX与其他参数的交互作用对大理、牡丹江、沈阳、银川、绵阳5个站点的中稻，以及南昌站早稻WSO的影响均不明显，而在其他站点对S4阶段的WSO具有较大的影响（交互作用指数为0.10～0.30），且SPGF在各站点的交互作用指数略高于WGRMX，尤其对阿拉尔站中稻4阶段WSO的交互作用指数高达0.30；二者的交互作用指数在站点间的差异比较明显；其他参数的交互作用指数在所有站点均不明显；虽然SPGF的交互作用系数在年际间的差异比其他参数明显，但在各站点的年际间标准差均低于0.10。

图4 不同环境下模型参数对水稻各生育阶段WSO的30 a (1986－2015年)敏感性分析结果

2.5 模型参数敏感性的影响因子分析

各典型站点的气象因子统计结果及海拔如图5所示。基于Pearson方法的各气象因子与灌浆期末参数的T值（只选取敏感参数）的相关性分析结果如表3所示。

表3显示，对于LAI，各参数的T值与CH或CT具有较高的相关性；RGRLMX的T值与min、max、CT均呈显著的较强负相关性；死叶速率参数（DRLV1.6、DRLV2.0）对LAI的T值与min的相关性非常弱，而参数DRLV1.6对LAI的T值与max具有显著的较强正相关性。对于WAGT，各参数的T值与min、max、CT均具有非常显著的相关性；对于WST，参数WGRMX的T值仅与CT有相对较高的正相关性且在0.05水平上显著；RGRLMX的T值则与min、max、CT呈显著负相关性，而SPGF的T值与min、max、CT均呈显著正相关性。对于WSO，参数FST1.0、FSTR的T值与所选气象因子的相关性均较弱、甚至不相关；SPGF和WGRMX与max、CT呈显著正相关性，而与其他气象因子的相关性较弱，且不显著；RGRLMX的T值与min、max、CT呈显著负相关性，而FLV0.5的T值则与min、max、CT呈显著正相关性。

图5 各典型站点水稻生育期内各气象因子的30 a（1986－2015年）统计结果

表3 ORYZA(v3)模型参数总敏感指数与水稻生育期气象因子的Pearson相关系数

注：表中max、min、CH、CT分别表示水稻生育期内的日均最高气温、日均最低气温、累积日照时数和积温的30 a(1986—2015年)均值；**表示0.01水平下显著相关，*表示表示0.05水平下显著相关。

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 讨 论

3.1 不同环境下作物模型参数敏感性的空间变异特征

图1～图4表明，ORYZA(v3)模型中，各参数的全局敏感性指数和交互作用指数在典型站点之间具有一定的差异性，这与Liu等[15]的研究结果一致。这主要是因为模型中各参数的敏感性与水稻生育期内气象因子相关（表3），且受到各站点经纬度、海拔以及水稻生长季节的影响（图5）。同一稻作亚区内，如荆州和杭州2个站点均位于第Ⅱ1稻作亚区且同属于亚热带季风气候，虽然参数SPGF、WGRMX对2个站点中稻输出变量的敏感性分析结果略有差异，但其他参数的敏感性结果在2个站点之间总体上具有一致性。天津和新乡2个站点均位于第Ⅳ1稻作亚区，其中天津站属于暖温带半湿润大陆性季风气候，新乡站属于温带季风气候，除了SPGF、WGRMX以外，模型中其他参数的敏感性分析结果在这2个站点之间总体上仍具有一致性。可见，对于单季中稻而言，同一稻作亚区内，即使站点间分属于不同的气候区，但站点间的气候条件相似，模型中各参数对不同阶段模型输出变量的敏感性总体上不具有明显的差异；然而，站点间在生育期内各气象因子差异较小，但短时期内气象因子可能存在一定的差异，如水稻在开花至乳熟期容易受到高温、低温的瞬时伤害导致不同程度的减产，从而导致ORYZA(v3)模型中与颖花数量和灌浆模拟相关的参数SPGF、WGRMX对模型输出变量的敏感性可能在同一稻作亚区的各站点之间有一定的差异，但不影响这2个参数的敏感性识别。

在同一稻作区，模型参数的敏感性在分属于不同稻作亚区的站点之间具有十分明显的差异。如绵阳站位于第Ⅱ2稻作亚区，南昌站位于第Ⅱ3稻作亚区，但二者分属于不同的气候类型，其中绵阳站属于亚热带山地湿润季风气候，而南昌站属于亚热带季风湿润气候；由于受到海拔（南昌站46.9 m、绵阳站522.7 m）、纬度（南昌站26°36′N、绵阳站31°27′N）的影响，水稻生育期内累积日照时数和积温在站点间的差异十分明显（图5b和图5c），从而导致模型中各参数对绵阳、南昌2个站点中稻的敏感性分析结果具有明显的差异。在其他稻作区，位于不同稻作亚区的站点之间也有相似的模型参数敏感性分析结果。

吉首和南昌2个站点分属于不同的稻作区，但二者同属于亚热带季风湿润气候，且各气象因子十分相近。作物模型中各参数对2个站点中稻各阶段LAI和WAGT的敏感性基本一致，而SPGF、WGRMX对2个站点中稻S4阶段WST和WSO的敏感性略有差异，可能是由于站点间水稻在开花至乳熟期的气温差异导致产量的差异。

对于不同阶段的模型输出变量，各参数的总敏感指数和交互作用指数在地域空间上并没有呈现出十分明显的变化规律，大多数参数对某一模型输出变量的总敏感指数不随纬度或海拔的变化呈现单一的变化趋势。主要是因为典型站点水稻生育期内的气候因子受海拔和纬度的共同影响，同时某些典型站点的气候还与特殊的地理位置和季风气候相关。在高海拔地区或是特殊气候条件下，作物模型中参数的敏感性分析结果与同纬度或相同稻作区的其他站点均具有十分明显的差异。例如，图1~图4中参数FLV0.5在大理、银川等高海拔地区（海拔均在1 000 m以上）对各阶段模型输出变量的敏感性明显低于其他地区，而参数RGRLMX在大理、牡丹江等相对特殊的气候区（分属于低纬度高原季风、温带大陆性季风气候）对各阶段模型输出变量的敏感性总体上比其他地区相对较高。因为这些站点上水稻生育期内的min、max和CT均明显偏低（图5），而FLV0.5的敏感性与这些气象因子呈显著正相关性，RGRLMX的敏感性与这些气象因子呈显著负相关性（表3）。此外，不同站点间水稻品种具有较大差异，水稻生长过程中对高温、低温、水分胁迫的耐受程度不一致，从而影响参数的敏感性。可见，作物模型参数的敏感性分析结果受到气候、海拔、纬度、作物品种等多重因素的综合影响，十分复杂。

图3和图4还显示参数SPGF、WGRMX对灌浆期末WST、WSO的T值及其年际间标准差、交互作用指数在不同站点间均具有较大的差异，尤其在大理、景洪、蔡家湖以及阿拉尔等具有相对特殊地理位置或气候条件的地区。因此，SPGF和WGRMX的敏感性及其值的准确性在模型本地化应用中应受到更多的关注。

3.2 不同稻作制度下作物模型参数敏感性分析

在双季稻种植区（主要集中在第Ⅰ稻作区以及第Ⅱ稻作区的部分区域），对于双季早稻而言，ORYZA(v3)模型中各参数对不同生育阶段模型输出变量的敏感性在不同站点具有比较明显的差异；而对于双季晚稻而言，模型中各参数仅对S4阶段WST和WSO的敏感性在不同站点之间存在相对明显的差异，对于其他模型输出变量各参数的敏感性在站点间的差异总体较小。其主要原因是早稻生育期内各气象因子在不同站点之间的差异较大（尤其是max和CT），导致了双季早稻在生长过程中低温冷害影响的持续时间存在较大差异，从而影响各参数的敏感性。

景洪和南昌2个站点均位于单季稻和双季稻的混种区。在这些站点，模型中各参数的敏感性在不同稻种（单季中稻、双季早稻、双季晚稻）之间存在十分明显的差异，且各参数对特定模型输出变量的敏感性随稻种的变化规律并不一致。例如，参数RGRLMX对南昌站早稻和中稻S1阶段LAI的敏感性相似，而与它对南昌站晚稻的敏感性分析结果差异较大；参数FLV0.5对南昌站中稻和晚稻S1阶段WST的敏感性相似，与它对南昌站早稻的敏感性分析结果差异较大。其主要原因是年内不同水稻种植季节内各气象因子具有较大的差异（图5）。同一参数对于特定模型输出变量的敏感性随稻种变化的规律在景洪和南昌之间也具有较大的差异。例如，参数FLV0.5对景洪站早稻和中稻S1阶段WST的敏感性相似，这与在南昌站的敏感性分析结果不一致。造成这种差异的主要原因可能是南昌和景洪分别所属不同的气候类型，在年内不同稻种的生育期内气象条件不一致；此外，景洪和南昌不同稻作制度之间，各稻种的播种日期相差非常大，如在南昌双季早稻通常在3月中下旬播种，而在景洪双季早稻则通常在1月中下旬播种，这也导致了年内各稻种生育期内气象条件差异较大。

4 结 论

本文运用ORYZA(v3)模型模拟不同环境下的水稻生长，采用EFAST（Extended Fourier Amplitude Sensitivity Test）方法对全国水稻种植区的18个典型站点分别进行了30 a的全局敏感性分析，主要结论如下：

1）模型参数敏感性在不同阶段具有较大的差异，表明作物生长过程中状态变量的观测值对参数的率定尤为重要。其中，颖花生长系数（SPGF）和最大单粒质量（WGRMX）对茎干物质总量（Dry Weight of Stems, WST）和穗干物质总量（Dry Weight of Storage Organs, WSO）的全局敏感性指数及其年际间标准差、交互作用指数在不同站点间均具有较大的差异，建议模型本地化应用时对其多加关注。

2）模型中各参数的敏感性与水稻生育期内相应阶段的日均最高气温、日均最低气温、积温具有非常显著的相关性，其中计算比叶面积的系数（ASLA）、开花期之后的死叶系数（DRLV1.6和DRLV2.0）对叶面积指数（Leaf Area Index, LAI）的敏感性还与累积日照显著相关。受海拔、纬度及特殊地理位置对典型站点气象因子的综合影响，模型中参数敏感性在地域空间上具有明显的差异，但不随纬度或海拔的变化呈现单一的变化趋势。

3）叶面积相对生长速率最大值（RGRLMX）对不同输出变量均具有较强的敏感性，且它在不同站点间的敏感性与日均最高气温、日均最低气温、积温呈显著的强负相关性。在大理、银川、牡丹江等高海拔或特殊气候区，日均最高气温、日均最高气温及积温偏低，RGRLMX的敏感性会很大，而其他参数的敏感性较弱，这种单参数极度敏感的现象可能导致模型的模拟误差偏大、甚至模拟失败，表明ORYZA(v3)模型的结构可能存在一定的缺陷，在容易受低温冷害影响等特殊气候条件下模型的应用具有一定的局限性。

4）区域尺度上作物模型参数敏感性研究建议以气候类型分区进行，且针对不同环境或不同种植制度区别对待，否则会导致错误的模型参数敏感性分析结果。

[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] 谢松涯，张宝忠. 基于全局敏感性分析的WOFOST模型参数优化[J]. 中国农村水利水电，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] 邢会敏，相诗尧，徐新刚，等. 基于EFAST方法的AquaCrop作物模型参数全局敏感性分析[J]. 中国农业科学，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，赵刚，靳宁，等. 不同气候区和不同产量水平下APSIM-Wheat模型的参数全局敏感性分析[J]. 农业工程学报，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] 黄敬峰，陈拉，王秀珍. 水稻生长模型参数的敏感性及其对产量遥感估测的不确定性[J]. 农业工程学报，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] 谭君位. 作物模型参数敏感性和不确定性分析方法研究[D]. 武汉大学，2017.

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

[26] 兴安，卓志清，赵云泽，等. 基于EFAST的不同生产水平下WOFOST模型参数敏感性分析[J]. 农业机械学报，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] 崔金涛，邵光成，林洁，等. 基于EFAST的CROPGRO- Tomato模型参数全局敏感性分析[J]. 农业机械学报，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

谭君位，崔远来，汪文超. 中国不同水稻生长环境下ORYZA(v3)模型参数全局敏感性分析[J]. 农业工程学报，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

国家自然科学基金项目（51909004、51579184）

谭君位，博士，主要从事作物生长模拟、模型不确定性和农业水资源高效利用等研究。Email：tanjw@cau.edu.cn

10.11975/j.issn.1002-6819.2020.20.018

S271

A

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