基于EFAST的DSSAT模型对南疆地区棉花参数敏感性分析及适用性评价

高浚 周保平 王昱 王君 于晗

摘要：对CROPGRO_Cotton模型中敏感的参数进行分析，来对南疆棉花进行生长模拟。通过扩展傅里叶幅度检测法（EFAST）对棉花模型的18个输入参数实行敏感性分析，以棉花的开花期、成熟期、生物量、籽棉产量观测数据实行对比，运用glue和试错法相结合进行参数调节，实现南疆地区棉花的本地化。经过分析研究，对籽棉产量敏感的品种参数有出苗到初花期的光热时间（EM-FL）、初花期到第1个棉铃产生的光热时间（FL-SH）、最适合条件下叶片最大光合速率（LFMAX）、种子填充棉铃的持续时间（SFDUR），它们的全局敏感性指数分别为0.35、0.15、0.17、0.50。18个品种参数中对生物量敏感的有临界光周期（CSDL）、出苗到初花期的光热时间（EM-FL）、初花期到第1个棉铃产生的光热时间（FL-SH）、初花期到第1个籽粒产生的光热时间（FL-SD）、第1个籽粒产生到生理成熟的光热时间（SD-PM）、最适合条件下叶片最大光合速率（LFMAX）、籽粒最大质量（WTPSD），它们对应的全局敏感性指数分别为0.46、0.25、0.18、0.18、0.73、0.72、0.11。CROPGRO_Cotton模型在南疆地区有较强的适用性，实测开花期与模拟值误差为2 d，实测成熟期与模拟值一致，实测产量与模拟值误差为0.15%，实测生物量与模拟值误差为16.90%。棉花18个品种参数中，通过敏感性分析筛选出的4个参数进行模型的率定得出，EM-FL决定开花期，同时对产量和生物量有一定的影响，SFDUR决定成熟期，SD-PM仅对生物量有影响，LFMAX对产量和生物量的影响不大。本研究结果能够为南疆地区棉花的参数优化提供科学理论基础。

关键词：DSSAT模型;棉花;EFAST;敏感性分析;CROPGRO_Cotton模型;适用性评价

中图分类号： S126文献标志码： A

文章编号：1002-1302（2022）05-0185-06

收稿日期：2021-06-28

基金项目：国家自然科学基金（编号：61563046）。

作者简介：高 浚（1997—），江苏南通人，硕士研究生，研究方向为农业信息化。E-mail：523056163@qq.com。

通信作者：周保平，博士，研究方向为农业信息化。E-mail：502805150@qq.com。

棉花作为新疆地区尤其是南疆最主要的经济发展产品，产生的经济效应特别明显。2020年全国棉花总产量591.0万t，2020年新疆的棉花产量达到516.1万t，占全国的87.3%，而南疆地区的棉花种植占到新疆种植棉的68%。因此，建设好新疆南疆地区棉花的发展对南疆的农业经济起到非常重要的影响。

伴随着现代智慧农业的发展，作物模型已经渐渐使用广泛。60多年来，已经逐步显现出大批的作物模型，例如WOFOST模型[1-3]、棉花2K模型[4-6]、SWAP模型[7]、EPIC模型[8-9]、农业技术转移决策支持系统（DSSAT）模型[10-17]等。对比以前的大田试验，作物模型的优势是利用相关的数学公式，模拟大田里的天气、土壤和田间管理等过程，具备方便快捷的优点。但是，作物模型的运转流程非常复杂，包含了许多的化学反应和物理过程，所以作物模型尽管优点明显，但也具有参数过多、很难修改的麻烦。为解决这些问题，对模型的参数进行敏感性分析是个很好的选择[18]。敏感性分析可以判断哪些参数对模型的输出结果影响较大，通过修正对模拟结果影响大的参数并且固定影响小的参数来减少模型修正的工作量。敏感性分析方法可以划分为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参数对输出结果的影响而局部敏感性分析缺少模型参数相互之间的作用对输出结果的影响。本研究以DSSAT模型为例，通过实测的土壤、天气等数据对模型实行率定，采用扩展傅里叶幅度检测（EFAST）全局敏感性分析方法[21-24]对输入的参数实行敏感性分析，最后对比观测出的生物量、籽棉产量等数据对模型进行适用性评价，为模型在南疆地区的本地化运用供应技术支持。

1 材料与方法

1.1 DSSAT模型

DSSAT（decision support system for agrotechnology transfer）是通过农业技术转移国际基准网（Inter-national benchmark sites network for agrotechnology transfer，IBSNAT）的帮助下研发处理的作物模型，它由于适用性广、功能众多、操作简单，已经在农业学科上得到大量应用。它涵盖着蔬菜类的Legumes模型、纤维类的Fiber模型等超过26种不一样的品种模块。CROPGRO_Cotton模型以作物的生理学为根本，时间单元为1 d，能够模拟天气、土壤、田间管理和品种参数对作物的影响，因此可以用它来模拟棉花的生长。CROPGRO_Cotton模型内含了18个品种遗传参数，详细情况见表1。

CROPGRO_Cotton模型的运转不仅需要品种参数，还需要一些输入数据包括天气数据（每日最高温、每日最低温、每日降水量、风速等）、土壤数据（排水率、径流曲数、根生长系数、土壤光合作用系数等）和田间管理数据（播种日期、播种密度、行间距、播种深度等）。

CROPGRO_Cotton模型的输出参数包括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 试验区域及数据

试验的地点位于南疆第一师十团棉花田，地理位置81.31°E，40.13°N，位于塔里木河旁，光照充足，昼夜温差较大。该棉田有自己的气象站，根据气象站观测得知，棉田年均日照2 680 h，最高温度42.7 ℃，最低温度-29.3 ℃。年平均降水量为 51 mm，降水集中在夏季，约占全年的68%。本试验区域主要是东北风，最高风速可达18 m/s，平均风速2.4 m/s。试验区土壤主要为沙壤土，比较适合棉花的种植，保水保肥，不需要额外对土壤进行结构優化。沙壤土的土壤营养成分详见表2。

CROPGRO_Cotton模型运转所需土壤数据来自参考文献与棉田观测，气象数据来自中国气象数据网，田间管理数据来自试验区的记录和观测。

1.3 EFAST参数敏感性分析

扩展傅里叶幅度检验法是傅里叶幅度敏感检验和Sobol相结合而产生的一种基于方差分解的全局敏感性分析方法，简单概括下该算法：

设y=f（x1，x2，…，xm），经过傅里叶变换将它变成 y=f（s），变成的函数为

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为参数xi的振荡频率，i=1，2，…，m;φi为每个参数xi的随机初相位，取值[0，2π];p为傅里叶变换参数;s为标量变量，取值[-π，π];Ap、Bp 为傅里叶的振幅。

方差Vi與Xi的关系为

Vi=∑p∈ZApωi=2∑∞p=1Apωi;（5）

Ap=A2p+B2p。（6）

式中：p∈Z={-∞，…，-1，1，…，+∞}。

函数总方差为

V=∑p∈ZAp=2∑∞p=1Ap。（7）

傅里叶振幅Ap、Bp近似计算公式为

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的取样范围在[-π，π]。

函数总方差可以进行分解为

V=∑1≤i≤mVi+∑1≤i

进行归一化后，变量xi的一阶敏感性指数Si可以表达成对函数总方差的贡献

Si=ViV;（11）

总敏感指数可以表示为

STi=V-V-iV。（12）

式中：Vi为变量xi变化引起的方差;Vij为变量xi由变量xj贡献的方差;V-i为除变量xi外其他所有变量的方差总和。

1.4 参数敏感性分析方法

EFAST全局敏感性分析选择Simlab软件，CROPGRO_Cotton模型运转采用RStudio实行模拟，详细过程如下：（1）在Simlab-creat new中创建参数的命名、分布和取值范围，本研究中参数的命名和取值范围见表1，设定参数的分布均为均匀分布。（2）Simlab自动在输入的参数范围内进行随机取样，构成一个新的多维参数集。EFAST法规定取样的次数要大于等于输入参数个数的65倍，取样次数越多，分析效果越好。因此本篇研究设定采样次数为输入参数个数的200倍，总共产生了3 600组参数。（3）运用批处理程序，将产生的参数集自动写入DSSAT模型cul文件中进行处理，最后得到一个模拟结果文件。（4）将模拟产生的txt数据文件修改成Simlab可运行的sam文件格式，再导入到Simlab中进行敏感性分析。

2 结果与分析

2.1 作物模型参数敏感性分析

模型输入参数全局敏感性大于0.1的在本研究中定义为敏感性指数[25]。

2.1.1 品种参数对棉花生物量的敏感性

在CROPGRO_Cotton模型中，18个品种参数中对生物量敏感的有临界光周期（CSDL）、出苗到初花期的光热时间（EM-FL）、初花期到第1个棉铃产生的光热时间（FL-SH）、初花期到第1个籽粒产生的光热时间（FL-SD）、第1个籽粒产生到生理成熟的光热时间（SD-PM）、最适合条件下叶片最大光合速率（LFMAX）、籽粒最大质量（WTPSD），它们对应的全局敏感性指数分别为0.46、0.25、0.18、0.18、0.73、0.72、0.11。其中，SD-PM对棉花生物量的敏感性指数最大，WTPSD对棉花生物量的敏感性指数最小。其原因是SD-PM代表着棉花生长成熟期间需要多少光热。成熟时间越晚，光热时间就越长，棉花生物量越高，光热时间越短，棉花的生物量就越小。品种参数对生物量的敏感性指数详见图1。

2.1.2 品种参数对棉花产量的敏感性

在CROPGRO_Cotton模型中，18个品种参数中对产量敏感的有出苗到初花期的光热时间（EM-FL）、初花期到第1个棉铃产生的光热时间（FL-SH）、最适合条件下叶片最大光合速率（LFMAX）、种子填充棉铃的持续时间（SFDUR），它们对应的全局敏感性指数分别为0.35、0.15、0.17、0.50。其中，SFDUR对产量的敏感性指数最大，FL-SH对产量的敏感性指数最小。其原因是SFDUR反映了填满棉铃仓的时间。充填时间越长，种子越多，棉花产量越高，充填时间越短，种子就少，产量就低。品种参数对产量的敏感性指数详见图2。

2.2 作物模型的率定与适用性评价

结合以上参数敏感性分析结果，通过记录的田间管理数据与实测的土壤数据推动模型的运转，依靠模型的GLUE功能不断调试棉花的品种参数，直到得到一组与棉花实际生长情况基本一样的品种参数，即为率定结果（表3）。同时，用开花期（ADAP）、成熟期（MDAP）、生物量（CWAM）、产量（HWAM）4个参数指标构成模型率定的效验指标与适用性评价指标。

从表4可以看出，DSSAT模型模拟的棉花开花期与实测的数据相差2 d，原因可能是DSSAT模型缺少铺地膜的功能，成熟期与实测数据完全一致，模拟的产量比实测产量稍大，误差为0.15%，而对比前面模拟的结果，生物量的模拟结果与实测数据之间相差过大，这是因为田间管理过程中棉花需要打顶和整枝，所以造成了模型生物量模拟的结果不太好。

通过DSSAT模型品种参数率定值可以得到一个棉花生物量和产量模拟与实测之间的对比图，对比结果如图3所示。

本研究通过大量试验选出4个品种参数（LFMAX、EM-FL、SFDUR、SD-PM）能较好地模拟开花期、成熟期、生物量、产量。

从表5可以看出，棉花的开花期和成熟期不跟随品种参数最适合条件下叶片最大光合速率（LFMAX）的改变而改变，LFMAX对产量和生物量的影响也不大。

从表6可以看出，棉花的开花期随出苗到初花期光热时间（EM-FL）改变的变化很小，成熟期随EM-FL的增大而增大，产量随EM-FL的增大而减小，生物量随EM-FL的增大而先增大后减小。

从表7可以看出，开花期不随种子填充棉铃仓的持续时间（SFDUR）而改变，成熟期随SFDUR的增大改变很小，产量随SFDUR的增大而增大，生物量随SFDUR的增大而先减小后增大。

从表8可以看出，开花期不随第1个籽粒产生到生理成熟的光热时间（SD-PM）改变，成熟期随SD-PM的增大而增大，SD-PM对产量的影响不大，生物量随SD-PM的增大而减小。

3 讨论

通过查阅相关文献得知，用EFAST全局敏感性分析对CROPGRO_Cotton模型的参数实行敏感性分析时，环境的改变会较大程度地改变参数的敏感性。对比前人的研究发现，应用同样的田间管理和土壤参数，都采用EFAST法对有膜棉和无膜棉实行敏感性分析，结果表明，相同种类作物的不同品种对参数敏感性分析的结果也会有很大的不同。

本研究比较了其他作物模型，发现相比于CROPGRO_Cotton模型，棉花2K模型只有品种参数，缺少重要的生态参数。本研究对开花期敏感的参数全部进行了校正，总是与实测数据相差一些，这可能与生态参数有关，详细情况需要进一步讨论。

棉花的生长过程中，水肥是个非常重要的因素，本研究开始之前试验过不添加水肥，模拟的产量与生物量和实测数据之间相差巨大。在一些能够模拟棉花的作物模型中，都有关于水分情况的参数，例如WOFOST模型的水胁迫下叶片死亡率，Fiber模块的水胁迫系数。更深入一步地研究棉花的生长和水分之间关系的以及对茎高和茎粗的作用，能够更好地模拟出棉花的生长状况，对参数的校正提供更好的帮助，最终实行模型本地化。

4 结论

CROPGRO_Cotton模型在新疆南疆地区有较强的适用性，实测开花期与模拟值相差2 d，实测成熟期与模拟值完全一致，实测产量与模拟值的相对误差为0.15%，实测生物量与模拟值的相对误差为16.9%。

棉花18个品种参数中，通过敏感性分析筛选出的4个参数进行讨论，只有EM-FL能影响棉花的开花期，但也对产量和生物量有一定程度影响，SD-PM 影响棉花的生物量，SFDUR影响棉花的成熟期，LFMAX对产量和生物量的影响不大。

參考文献：

[1]李彤霄，刘 佳，李 聪，等. 基于大豆观测数据的DSSAT和WOFOST模型模拟比较研究[J]. 气象与环境科学，2021，44（2）：9-15.

[2]李 颖，赵国强，陈怀亮，等. 基于冬小麦农业气候分区的WOFOST模型参数标定[J]. 应用气象学报，2021，32（1）：38-51.

[3]李 明. 基于WOFOST模型的春小麦产量预测方法研究[D]. 泰安：山东农业大学，2020.

[4]孙 莉，陈 曦，周可法，等. 应用Cotton2k模型模拟北疆棉花生长结果的分析[J]. 干旱区地理，2006，29（2）：262-268.

[5]杨艳敏，刘小京，欧阳竹. COTTON2K在新疆棉花精准种植管理中的应用[J]. 中国生态农业学报，2005，13（3）：123-126.

[6]杨艳敏，欧阳竹，王淑芬. 基于COTTON2K的华北平原和新疆2个棉区棉花耗水特征比较[J]. 华北农学报，2012，27（增刊1）：229-233.

[7]焦 贞，张衍福，刘 凯，等. 基于SWAP模型的桓台县主要农作物灌溉制度优化[J]. 节水灌溉，2021（5）：56-62.

[8]白雪燕. 基于EPIC模型的华东水稻旱灾风险评价[D]. 金华：浙江师范大学，2020.

[9]郭复兴.基于EPIC模型对陕西黄土高原苹果林水分生产力与碳封存模拟[D]. 杨凌：西北农林科技大学，2020.

[10]徐春萌，田芷源，陈 威，等. 基于DSSAT作物模型的中美大豆主产区单产模拟与验证[J]. 农业工程学报，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]崔金涛，丁继辉，Yesilekin N，等. 基于EFAST的CERES-wheat模型土壤参数敏感性分析[J]. 农业机械学报，2020，51（12）：276-283.

[13]李 波，孙翔龙，姚名泽，等. 温室秸秆不同还田量条件下DSSAT-CROPGRO-Tomato模型的调参与验证[J]. 生态学杂志，2021，40（3）：908-918.

[14]闫 玲. 基于CERES-wheat模型的小麦生长发育过程模拟研究[D]. 杨凌：西北农林科技大学，2020.

[15]李翊尘，史培军. 基于DSSAT模型的河套平原春小麦灌溉方案优化[J]. 北京师范大学学报（自然科学版），2020，56（5）：728-739.

[16]孙扬越. 气候变化对河南省夏玉米气候资源及产量影响的评估研究[D]. 南京：南京信息工程大学，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]赵子龙，姚名泽，李 波. 不同灌水水平下CROPGRO-Tomato模型局部敏感性分析[J]. 江苏农业科学，2021，49（9）：183-189.

[20]金建新，李凤霞，周丽娜. 基于DSSAT模型的宁夏玉米-土壤氮循环及其产量敏感性分析[J]. 宁夏农林科技，2017，58（5）：30-32.

[21]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.

[22]王伟童. 基于遥感和DSSAT模型的夏玉米优化模式研究[D]. 郑州：郑州大学，2020.

[23]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.

[24]宋明丹，冯 浩，李正鹏，等. 基于Morris和EFAST的CERES-wheat模型敏感性分析[J]. 农业机械学报，2014，45（10）：124-131，166.

[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：武汉大学，2017.