趙子龍 姚名澤 李波

摘要：依據(jù)遼寧沈陽地區(qū)進行的溫室番茄田間試驗資料，進行不同灌水水平下CROPGRO-Tomato模型的局部敏感性分析，在4個灌水處理（田間持水率為50%、60%、70%和80%）條件下，采用擾動分析法分析番茄鮮果模擬產量對6個作物品種參數(shù)的局部敏感性。結果表明，在4種不同灌水處理條件下模擬產量對參數(shù)SD-PM、LFMAX、SLAVR和XFRT的敏感度為Ⅳ～Ⅴ，敏感度較高;其中，模擬產量對參數(shù)FL-SH、FL-SD和SD-PM敏感度的變異系數(shù)分別為40.43%、117.1%和35.71%，受灌水水平影響較大。

關鍵詞：DSSAT;CROPGRO-Tomato;番茄;局部敏感性分析;擾動分析法;日光溫室

中圖分類號：S274 ? 文獻標志碼： A ?文章編號：1002-1302（2021）09-0183-07

許多學者對日光溫室番茄節(jié)水高產的灌溉模式進行大量的研究[1-5]，但多數(shù)研究采用傳統(tǒng)的溫室試驗方法，耗費了大量的時間、人力、財力，而試驗結果的適用性普遍較弱。近年來，田間試驗與作物生長模擬模型相結合的方法在作物生長管理中得到了應用和發(fā)展，其中農業(yè)技術轉移決策支持系統(tǒng)（decision support system for agrotechnology transfer，DSSAT）是目前使用最廣泛的作物生長模型之一。作為作物生長過程模型之一，DSSAT模型中的公式須要進行基于現(xiàn)實的假設和簡化，所以模型模擬結果也會隨之產生不確定性[6]。以往的研究表明，DSSAT模型的輸入參數(shù)眾多，模型中不同作物的參數(shù)有所不同，在不同地區(qū)應用時參數(shù)的敏感性也會不同[7]。敏感性分析可以量化每一個參數(shù)對于模型模擬結果的影響，是體現(xiàn)模型對不確定因素變化響應的重要步驟。

近年來，模型參數(shù)的敏感性分析已經成為學者的研究熱點，對DSSAT模型中的CERES-Wheat模型[7-9]、CERES-Maize模型[10]和CROPGRO-Cotton模型[11]進行的敏感性分析結果表明，不同條件下輸入參數(shù)的敏感性存在差異，因此提高模型在不同地區(qū)的模擬精度具有重要意義。Dejonge等研究表明，充分灌溉和虧水灌溉對玉米作物品種參數(shù)的敏感度有較大影響[10];吳立峰等研究表明，不同灌水水平對棉花作物品種參數(shù)的敏感度有較大影響[12]。從以往對CROPGRO-Tomato的研究來看，Boote等研究表明，對主要溫度參數(shù)進行修改會提高模型的模擬精度，這對模型的應用起著關鍵性作用[13];Ventrella等研究表明，溫度條件對番茄產量影響比灌水條件更為有效[14]。然而，對溫室不同灌水水平下CROPGRO-Tomato模型模擬精度的研究還不是很多，因此在進行精度研究之前對模型進行局部敏感性分析的研究就顯得尤為必要。

本試驗以溫室番茄為研究對象，采用擾動分析方法對DSSAT-CROPGRO-Tomato模型進行局部敏感性分析，研究不同灌水水平下溫室番茄產量對品種參數(shù)的敏感性，以期為GROPGRO-Tomato模型參數(shù)估計和模型應用提供理論支持。

1 材料與方法

1.1 CROPGRO-Tomato模型簡介

CROPGRO系列模型集成于DSSAT作物模型軟件中，該系列模型包括眾多作物模型，如棉花、大豆、花生、番茄模型等。各作物子模型的結構基本一致，主要模塊有作物品種、土壤參數(shù)、氣象參數(shù)和田間管理模塊。土壤參數(shù)包括土壤水分、土壤組成、土壤溫度、土壤碳、氮轉化量等。氣象參數(shù)主要包括逐日最高最低氣溫、太陽輻射量、降水量、平均風速、相對濕度、大氣壓強等。田間管理模塊主要負責各種管理措施，包括播種日期、播種方式、灌水、施肥、作物殘茬等。

CROPGRO系列模型有3類描述作物生長發(fā)育和產量的參數(shù)：物種參數(shù)、生態(tài)型參數(shù)和品種參數(shù)，其中品種參數(shù)的敏感性分析最為重要，因此確定品種參數(shù)的敏感性也就成為模型校正和驗證的關鍵。

1.2 CROPGRO-Tomato模型輸入數(shù)據(jù)

本研究中CROPGRO-Tomato模型運行所使用的氣象數(shù)據(jù)、土壤數(shù)據(jù)、田間管理數(shù)據(jù)等均來源于2016年遼寧省沈陽市沈陽農業(yè)大學試驗基地43號日光溫室。試驗區(qū)位于41°44′N、123°27′E，年平均最高氣溫29.0 ℃，年平均最低氣溫-20.0 ℃，平均氣溫7.0～8.1 ℃，年平均降水量574.4～684.8 mm。溫室內土壤剖面理化性質數(shù)據(jù)為43號日光溫室實際測量（表1）。模型所用氣象數(shù)據(jù)來源于沈陽農業(yè)大學43號日光溫室內多要素自動氣象站（圖1、圖2）。模型田間管理數(shù)據(jù)來源于試驗監(jiān)測。

試驗共設4個處理，每個處理3個重復，4個處理全生育期的灌水上限均為田間持水率，全生育期的灌水下限分別為田間持水率的50%（W1）、60%（W2）、70%（W3）、80%（W4）。供試番茄品種為粉冠一號。番茄于2016年3月22日定植，此為模型開始模擬日期;播種方式為移栽，株距40 cm，行距50 cm，播種深度5 cm;番茄生長過程中共計施N含量179.49 kg/hm2、P2O5含量59.83 kg/hm2、K2O含量658.12 kg/hm2;其他管理措施如打叉、病蟲害防治、疏果等按常規(guī)田間管理進行。

1.3 模型模擬精度分析方法

本研究對沈陽農業(yè)大學科研實踐基地43號日光溫室2016年番茄試驗進行模擬。在現(xiàn)有模型參數(shù)基礎上，通過DSSAT作物模型軟件自帶GLUE調參程序包對作物品種參數(shù)進行調整，將番茄鮮果產量（kg/hm2）、成熟期葉面積指數(shù)（LAI）和地上干物質量（kg/hm2）的觀測數(shù)據(jù)與模擬結果進行對比分析，以此檢驗模型的誤差。模型評價指標采用絕對相對誤差（absolute relative error，ARE）、標準均方根誤差（normalized root mean square error，nRMSE）、平均誤差（E）、預報效率（efficiency of forecastiong，EF）和一致性指數(shù)（index of agreement，d）對模擬結果進行評價，評價指標范圍nRMSE<10%為無差異，10%≤nRMSE<20%為較小差異，20%≤nRMSE<30%為中等差異，nRMSE≥30%為較大差異[15]。指標計算公式如下：

1.4 參數(shù)敏感性分析方法

本研究篩選出6個對模型輸出結果有重要影響的關鍵作物品種參數(shù)（表2），分別在4種不同的灌水處理條件下進行局部敏感性分析。研究采用基于擾動分析的相對敏感性分析方法[16-17]，即在其余參數(shù)不變的情況下，僅使1個參數(shù)在一定范圍內進行擾動（擾動幅度為-20.0%、-15%、-10.0%、-5.0%、0、5%、10%、15%、20%），逐次模擬，最終計算出參數(shù)相對敏感度（S）以及擾動結果變化率（β）：

式中：Pi+1和Pi分別為第i+1次和第i次參數(shù)輸入值;Pa為2次輸入參數(shù)的均值;Mi+1和Mi分別為第i+1次和第i次模型產量模擬值;Ma為2次模型產量模擬值的均值;Mp為擾動后模型產量模擬值;Mb為基準參數(shù)下模型產量模擬值。根據(jù)S值的范圍可將參數(shù)相對敏感度劃分為5個級別（表3）[18]。

2 結果與分析

2.1 模型模擬精度分析

作物品種參數(shù)的調試結果：FL-SH，7.59;FL-SD，15.03;SD-PM，48.60;LFMAX，1.39;SLAVR，379.6;XFRT，0.845。番茄鮮果產量和地上干物質量模型模擬值和觀測值之間的ARE分別為6.50%和10.83%，誤差較小;標準均方根誤差nRMSE分別為6.78%（無差異）和14.26%，差異較?。ū?）。如圖3所示，不同灌水水平下W1和W2處理的nRMSE均大于30%（較大差異），W3和W4處理的nRMSE均大于20%且小于30%（中等差異）;所有處理的E值均大于0，表明觀測值普遍比模擬值偏大;從不同處理的EF和d值可以看出葉面積指數(shù)在W3和W4等2個灌水水平條件下的模擬偏差較小、吻合度較高;但總體模擬精度較差。其主要原因可能是CROPGRO-Tomato模型模擬時會低估葉面積指數(shù)的變化，導致模擬精度有所下降?？傮w而言，CROPGRO-Tomato模型在溫室內對番茄鮮果產量進行模擬的精度較高，可以進行相關的敏感性分析。

2.2 不同灌水水平下各參數(shù)擾動結果

SD-PM參數(shù)在W1、W2和W3灌水水平下參數(shù)變化率在-20%～0之間模擬產量變化幅度最為明顯，而參數(shù)變化率在0～20%之間模擬產量變化幅度較小，在W4灌水水平下模擬產量變化幅度最大;FL-SD參數(shù)在W1、W2和W3灌水水平下模擬產量變化率隨著參數(shù)變化率的增加而減少，在W4灌水水平下模擬產量變化率隨著參數(shù)變化率的增加而增加）;FL-SH參數(shù)在4種灌水水平下模擬產量變化率隨著參數(shù)變化率的增加而減少;LFMAX、SLAVR和XFRT參數(shù)在4種灌水水平下模擬產量變化率隨著參數(shù)變化率的增加而增加（圖4）。

W1水平下各參數(shù)擾動變化對模擬產量的影響幅度依次為LFMAX（模擬變化率最大值+最小值=48.98%，下同）、XFRT（47.77%）、SD-PM（38.66%）、SLAVR（30.54%）、FL-SH（12.00%）和FL-SD（7.62%）（圖4-a）;W2水平下各參數(shù)擾動變化對模擬產量的影響幅度依次為XFRT（59.71%）、LFMAX（48.97%）、SD-PM（34.53%）、SLAVR（25.27%）、FL-SH（14.61%）和FL-SD（8.12%）（圖4-b）;W3水平下各參數(shù)擾動變化對模擬產量的影響幅度依次為XFRT 38.93%）、LFMAX（36.93%）、SD-PM（30.40%）、SLAVR（23.21%）、FL-SH（6.05%）和FL-SD（6.54%）（圖4-c）;W4水平下各參數(shù)擾動變化對模擬產量的影響幅度依次為SD-PM（69.41%）、LFMAX（43.08%）、SLAVR（36.47%）、XFRT（32.33%）、FL-SD（16.55%）和FL-SH（6.69%）（圖4-d）。由上述可知，參數(shù)擾動變化對模擬產量的影響幅度隨著灌水水平不同發(fā)生較大變化，其中LFMAX、XFRT、SD-PM和SLAVR參數(shù)對模擬產量的影響程度較高。

2.3 不同灌水水平下各參數(shù)相對敏感度分布

如圖5所示，W1水平下，6個參數(shù)敏感度大小依次為LFMAX（敏感度1.24，下同）、XFRT（1.20）、SD-PM（1.03）、SLAVR（0.76）、FL-SH（0.30）和FL-SD（0.19）;在W2水平下，6個參數(shù)的敏感度大小依次為XFRT（1.42）、LFMAX（1.17）、SD-PM（1.01）、SLAVR（0.65）、FL-SH（0.38）和FL-SD（0.04）;在W3水平下，6個參數(shù)的敏感度大小依次為XFRT（1.00）、LFMAX（0.98）、SD-PM（0.91）、SLAVR（0.65）、FL-SH（0.16）和FL-SD（0.03）;在W4水平下，6個參數(shù)的敏感度大小依次為SD-PM（1.82）、LFMAX（1.13）、SLAVR（0.97）、XFRT（0.93）、FL-SD（0.50）和 FL-SH （0.18）。由上述可知，參數(shù)的敏感度隨著灌水水平不同也會發(fā)生較大變化，其中LFMAX、XFRT、SD-PM和SLAVR參數(shù)的敏感度較高。

2.4 不同灌水水平下各參數(shù)敏感性及變異性分析

根據(jù)表5可知，參數(shù)FL-SH和FL-SD在4種不同水分條件下的敏感性均相對較低，說明在不同灌水水平下這2個參數(shù)對模擬產量的影響均較小，這可能是由于它們主要影響作物的物候期，所以對模擬產量的影響不明顯。參數(shù)SD-PM、LFMAX、SLAVR和XFRT在4種不同水分條件下的敏感度級別都較高，說明這4個參數(shù)為影響CROPGRO-Tomato模型模擬產量的主要參數(shù)。從變異系數(shù)可以看出，不同灌水水平對SD-PM、SLAVR和XFRT參數(shù)的敏感度影響較大，因此在進行作物品種參數(shù)估計時應該注意不同灌水水平對模型參數(shù)敏感度的影響。

根據(jù)圖6可知，參數(shù)SD-PM和SLAVR在W4條件下的敏感度最高，大于其余3個灌水處理，說明這2個參數(shù)在充分灌溉條件下對模型模擬產量的影響較大;參數(shù)XFRT在W1和W2條件下的敏感度要大于其余2個灌水處理，說明這2個參數(shù)在中度和重度虧水條件下對模型模擬產量的影響較大。雖然SD-PM、LFMAX、SLAVR和XFRT這4個參數(shù)的敏感度級別均較高，但是在4種不同灌水處理條件下體現(xiàn)出的敏感度排名卻略有差異。

3 討論

宋利兵等在不同灌水水平下CERES-Maize模型調參驗證研究中表明，各處理的LAI均是生育前期模擬較好，生育后期出現(xiàn)較大偏差，其中高灌水水平處理下的LAI模擬精度優(yōu)于低灌水水平[19]，這與本研究結果相似，但本研究引起LAI模擬進度較差的主要原因可能是CROPGRO-Tomato模型模擬時會低估葉面積指數(shù)的變化，導致模擬精度有所下降。吳立峰等對不同灌水水平下CROPGRO-Cotton模型敏感性的研究表明，產量最敏感參數(shù)為XFRT[12]，這與本研究提出的主要影響參數(shù)略有差異，主要原因是模擬作物不同，從而模擬產量對作物品種參數(shù)的敏感性發(fā)生變化。Dejonge等的研究[12]表明，在不同灌水水平下模型參數(shù)的敏感性變化較大[10，12]，這與本研究提出的參數(shù)敏感度會較大程度上受灌水水平影響的結果一致?？傮w而言，通過對CROPGRO-Tomato模型的敏感性分析得出最敏感以及受灌水水平影響較大的幾個品種參數(shù)，為遼寧省日光溫室番茄生產的模型模擬和產量預測提供理論依據(jù)。

4 結論

不同灌水水平下參數(shù)SD-PM、LFMAX、SLAVR和XFRT的敏感度級別均Ⅳ～Ⅴ，敏感性較高，這4個品種參數(shù)是模擬產量的主要影響參數(shù)。

參數(shù)FL-SH、FL-SD和SD-PM敏感度變異系數(shù)分別為40.43%、117.1%和35.71%，受灌水水平影響較大。

在日光溫室內應用CROPGRO-Tomato模型進行參數(shù)局部敏感性分析研究成果，為模型調參驗證奠定了基礎，對遼寧日光溫室番茄進行作物模型模擬、產量預測和模型驗證具有指導意義。

參考文獻：

[1]王克全，鄭國玉，馬軍勇，等. 不同滴灌量對新疆溫室土壤水分、番茄產量及品質的影響[J]. 河南農業(yè)科學，2015，44（10）：113-116.

[2]鄭國保，孔德杰，張源沛，等. 不同灌水量對日光溫室番茄產量、品質和水分利用效率的影響[J]. 北方園藝，2011（11）：47-49.

[3]王 峰，杜太生，邱讓建，等. 虧缺灌溉對溫室番茄產量與水分利用效率的影響[J]. 農業(yè)工程學報，2010，26（9）：46-52.

[4]張 輝，張玉龍，虞 娜，等. 溫室膜下滴灌灌水控制下限與番茄產量、水分利用效率的關系[J]. 中國農業(yè)科學，2006，39（2）：425-432.

[5]詹 漢，白清俊，董正陽，等. 扶埂開溝膜下灌對土壤水分分布的影響[J]. 排灌機械工程學報，2020，38（5）：511-516.

[6]Saltelli A，Tarantola S，Campolongo F. Sensitivity analysis as an ingredient of modeling[J]. Statistical Science，2000，15（4），377-395.

[7]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(yè)機械學報，2014，45（10）：124-131，166.

[8]姜志偉，陳仲新，周清波，等. CERES-Wheat作物模型參數(shù)全局敏感性分析[J]. 農業(yè)工程學報，2011，27（1）：236-242.

[9]張靜瀟，蘇 偉. 基于EFAST方法的CERES-Wheat作物模型參數(shù)敏感性分析[J]. 中國農業(yè)大學學報，2012，17（5）：149-154.

[10]Dejonge K C，Ascough J C，Ahmadi M，et al. Global sensitivity and uncertainty analysis of a dynamic agroecosystem model under different irrigation treatments[J]. Ecological Modelling，2012，231：113-125.

[11]Pathak T B，F(xiàn)raisse C W，Jones J W，et al. Use of global sensitivity analysis for CROPGRO Cotton model development[J]. Transactions of the ASABE，2007，50（6）：2295-2302.

[12]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(yè)工程學報，2015，31（15）：55-64.

[13]Boote K J，Rybak M T，Scholberg Johan M S，et al. Improving the CROPGRO-Tomato model for predicting growth and yield response to temperature[J]. Hort Science，2012，47（8）：1038-1049.

[14]Ventrella D，Charfeddine M，Moriondo M，et al. Agronomic adaptation strategies under climate change for winter durum wheat and tomato in southern Italy：irrigation and nitrogen fertilization[J]. Regional Environmental Change，2012，12：407-419

[15]Jones J W，Hoogenboom G，Porter C H，et al. The DSSAT cropping system model[J]. European Journal Agronomy，2003，18（3/4）：235-265.

[16]Choi J Y，Choi C H. Sensitivity analysis of multilayer perceptron with differentiable activation functions [J]. IEEE Transactions on Neural Networks，1992，3（1）：100-107.

[17]楊靖民，楊靖一，Hoogenboom G. DSSAT作物模型的統(tǒng)計和圖形校驗方法[J]. 植物營養(yǎng)與肥料學報，2012，18（5）：1064-1072.

[18]席 慶，李兆富，羅 川. 基于擾動分析方法的AnnAGNPS模型水文水質參數(shù)敏感性分析[J]. 環(huán)境科學，2014，35（5）：1773-1780.

[19]宋利兵，陳 上，姚 寧，等. 基于GLUE和PEST的CERES-Maize模型調參與驗證研究[J]. 農業(yè)機械學報，2015，46（11）：95-111.