RiceSM水稻模型参数敏感性分析与适应性研究.pdf

农业大数据学报 2023,5(2):97-108 Journal of Agricultural Big Data DOI:10.19788/j.issn.2096-6369.230215 收稿日期：2022-07-26 基金项目：国家重点研发计划(2016YFD0300201)，福建省中青年教师教育科研项目(JAT220055)作者简介：王雪莹，硕士研究生，研究方向：作物模型应用；E-mail:wxueying22 。通信作者陈先冠，讲师，博士，研究方向：作物模型与智慧决策；E-mail:。RiceSM 水稻模型参数敏感性分析与适应性研究 王雪莹1,3，陈先冠1,2*，汤顺杰1，冯利平1 1.中国农业大学资源与环境学院，北京 100193；2.福建农林大学农学院，福州 350002；3.北京师范大学全球变化与地球系统科学研究院，北京 100875 摘要：作物模型可定量描述作物生长发育过程及其与环境因子的关系，在农业生产管理决策等方面具有重要的应用价值。模型参数调试是作物生长模拟模型进行应用前的重要步骤，且往往需要大量时间和精力进行调试，敏感性分析可以以较高的效率筛选出敏感参数，是模型本地化的重要环节，对模型的应用有重要意义。文章研究基于 Morris 法和 EFAST 法对 RiceSM模型的作物参数进行了敏感性分析，筛选出输出变量中成熟期、叶面积指数、地上部生物量、产量的敏感参数，并比较分析两种方法结果的异同。结果表明，移栽至拔节阶段的基本发育系数 K3、出苗到移栽阶段的基本发育系数 K2、移栽到拔节阶段叶干物质的分配系数 CLV1 是影响 RiceSM 模型主要输出结果的最敏感参数，两种方法得到的敏感参数结果基本一致，但各敏感参数的重要程度略有差异。以筛选出的敏感参数为基础，基于长沙、常德两站的农气观测资料对 RiceSM 模型进行调参与验证。验证结果表明，早稻和晚稻叶面积指数模拟值与实测值的归一化均方根误差(NRMSE)在 21.63%47%之间，早稻和晚稻茎、叶、穗、地上部生物量和产量模拟值与实测值的NRMSE分别为4.77%39.51%、5.46%6.64%、3.78%4.15%和2.78%3.52%和 9.29%12.12%之间。调参后的模型能够较好地模拟早稻和晚稻生物量、叶面积指数的动态变化和产量形成过程。研究结果可为 RiceSM 模型的本地化、参数优化和推广应用提供支持。关键词：水稻；RiceSM 模型；敏感性分析；适应性研究 引用格式：王雪莹,陈先冠,汤顺杰,等.RiceSM 水稻模型参数敏感性分析与适应性研究J.农业大数据学报,2023,5(2):97-108.WANG XueYing,CHEN XianGuan,TANG ShunJie,et al.Sensitivity Analysis and Adaptability Evaluation of RiceSM ModelJ.Journal of Agricultural Big Data,2023,5(2):97-108.Sensitivity Analysis and Adaptability Evaluation of RiceSM Model WANG XueYing1,3,CHEN XianGuan1,2*,TANG ShunJie1,FENG LiPing1 1.College of Resources and Environmental Sciences,China Agricultural University,Beijing 100193,China;2.College of Agriculture,Fujian Agriculture and Forestry University,Fuzhou 350002,China;3.College of Global Change and Earth System Science,Beijing Normal University,Beijing 110875,China Abstract:Crop model can quantitatively describe crop growth and development processes and their relationships with environmental factors,and have important applications in agricultural production management decisions and other areas.Model parameter debugging is an important step before crop growth simulation models are applied,and often requires a lot of time and effort for 98 农 业 大 数 据 学 报 第5卷 debugging.Sensitivity analysis can screen out sensitive parameters with high efficiency,and is an important part of model localization,which is of great significance for model application.Sensitivity analysis was conducted on the crop parameters of the RiceSM model based on the Morris method and EFAST method to screen out the sensitive parameters of maturity,leaf area index,total biomass and yield among the output variables,and to compare and analyze the similarities and differences between the results of the two methods.The results showed that basic development factor from transplanting to jointing stage K3,basic development factor from seeding to transplanting stage K2 and dry matter distribution coefficients of leaf from transplanting to jointing stage CLV1 were the most sensitive parameters affecting the main output results of RiceSM model,and the results of the sensitive parameters obtained by the two methods were generally consistent,but the importance of each sensitive parameter differed slightly.The validation results showed that the normalized root mean square error(NRMSE)of simulated and measured values of early and late rice leaf area index ranged from 21.63%to 47%,and the NRMSEs of simulated and measured values of stem,leaf,spike,aboveground biomass and yield of early and late rice ranged from 4.77%to 39.51%,5.46%to 6.64%,3.78%to 4.15%and 2.78%to 3.52%and between 9.29%and 12.12%respectively.The model was able to better simulate the dynamics of bio-mass,leaf area index and yield formation in early and late rice.The results of the study provide a reference for the localization of the model.Key words:rice;RiceSM model;sensitivity analysis;adaptability evaluation 1 引言 水稻是我国第二大粮食作物，种植面积占全国粮食种植面积的 1/4，产量占全国粮食产量的 32%1，水稻生产的稳定对保障我国的粮食安全有着重要的意义。水稻生长模拟模型是利用系统分析和计算机技术，将水稻生长发育过程及其与环境、气候、田间管理措施等作为整体进行动态的定量化分析，能够再现水稻生长发育和产量形成的过程。利用水稻模型对水稻生长进行动态模拟，可帮助人们更好地理解水稻的生长发育进程及其与环境间的关系，从而对水稻生长进行科学预测与决策，进而应对气候变化带来的挑战1。水稻模型已广泛应用于生产实践，在作物产量预测预报2、农作物病虫害预测预报3、农业气象灾害预警4、农业生产经营管理决策5、决策新品种推广6等方面发挥着越来越重要的作用。然而在水稻模型的应用过程中，仍然存在着诸多问题。由于水稻的生长发育受基因型、环境条件和管理措施的共同影响，导致水稻模型中包含了较多的输入参数，而模型输入参数受到地域、时间、气候和土壤等多种因素的影响，从而导致了模型预测结果的不稳定7-8。为获取不同输入参数对预测结果不确定性的影响大小，需要进行作物模型参数敏感性分析，从而提高参数优化的效率。敏感性分析方法可以根据参数的维度分成局部敏感性分析方法和全局敏感性分析方法，其中全局敏感性分析方法可以分析多个参数变化及参数间交互的影响，应用较为广泛9。全局敏感性分析方法又可以分为定性法和定量法，定性法主要有 Morris 参数筛选法、傅里叶幅度检验法 FAST 和多元回归法等9；定量法可以通过计算得到各参数的敏感性值，主要有 Sobol法和扩展傅里叶幅度检验法 EFAST 等8。基于 EFAST方法，邢会敏等10、谢松涯等11分别对 AquaCrop模型、WOFOST 模型的参数进行了敏感性分析，取得了较好的效果；宋明丹等12利用 CERES-Wheat 模型对比了 Morris 法和 EFAST 法的结果，研究表明两种方法具有较高的相关性和可替代性。检验模型在不同水稻种植区的适用性，是促进模型的本地化应用的重要一环。目前，国内外已建立了CERES-Rice、ORYZA、MACROS 和 GOSSYM 等模型13，许多学者已对不同水稻模型进行了验证与适应性评价，高蓓等14基于水稻 ORYZA2000 模型分析其在陕西省的适应性，研究不同播期对水稻产量的影响；姚凤梅等15用 CERES-Rice 模型在中国水稻主产区开展应用研究，评价了该模型不同水稻品种的产量、开花期和生物量等的模拟效果以及水稻产量对气候变化的响应程度；郭建茂等16基于稻田实测温度对水稻模型 ORYZA2000 在安徽省寿县的适应性进行了评价，研究了不同的播期与品种的水稻生长发育及产量的变化。然而，水稻生长模型的参数众多，不同模型参数对于模型输出的影响程度不同，目前大部分模型适应性评价研究都是同时进行参数率定与优化，消耗了研究人员大量的时间与精力。通过模型敏感性分析可以固定影响程度较小的模型参数，提高模型验证的效率与精度，可为高效地进行模型适应性评价提供支持。课题组最近在 RCSODS 模型的基础上3，重新设计软件结构，开发了水稻模型 RiceSM17，但该模第 2 期 王雪莹等：RiceSM 水稻模型参数敏感性分析与适应性研究 99 型参数的敏感性尚不明确，且对水稻生长发育各过程的模拟效果检验不足，还未对 RiceSM 模型进行深入的适应性评价。因此，本研究利用 Morris 法和 EFAST法两种方法对RiceSM模型的作物参数进行敏感性分析，计算出对模型输出结果影响相对较大的作物参数；然后利用湖南省长沙市和常德市 20002003 年的水稻数据及气象数据，对敏感参数进行优化完善，再采用试错法调参；最后利用两站 20042005 年的数据进行验证，评价 RiceSM 模型在湖南省两地的适应性。2 材料与方法 2.1 模型简介 RiceSM 水稻生长模拟模型能够以天为步长模拟水稻的生长发育过程，结合水稻生长特性参数及田间管理参数等，可实现对水稻生物量、叶面积指数和产量等的定量模拟，具有较好的应用前景。模型模拟需要输入管理数据、作物参数、土壤参数、气象数据，其包含的作物参数主要有发育系数、温度系数、光周期系数、最大光合速率和分配系数等，如表 1 所列RiceSM 模型的主要参数。2.2 数据来源 2.2.1 作物数据 选择湖南省农气观测站 20002005 年的水稻观测资料，站点分别为长沙(113 05 E，28 12 N，海拔44.9 m)和常德(111 41 E，29 03 N，海拔 35.0 m)，资料包括发育期、生物量、叶面积指数和产量等。常德、长沙站早稻和晚稻代表品种分别为湘早籼 31 号和余赤 893、金优 974 和湘优十号。2.2.2 气象数据 本研究所用的气象数据为 20002005 年湖南省长沙市和常德市两站点的逐日气象数据，包括日照时数(h)、最高温度()、最低温度()、平均风速(m/s)和日降水量(mm/d)。表 1 RiceSM 模型主要参数 Table 1 Main parameters of RiceSM model 参数参数 Parameters 定义定义 Definition 初始值初始值 Initial values 变化范围变化范围 Range of variation K1 播种到出苗阶段基本发育系数 Basic development factor from sowing to seedling stage-1.5-1.95-1.05 K2 出苗到移栽阶段基本发育系数 Basic development factor from seedling to transplanting stage -3.15-4.0952.205 K3 移栽到拔节阶段基本发育系数 Basic development factor from transplanting to jointing stage -3.0-3.9-2.1 K4 拔节到孕穗阶段基本发育系数 Basic development coefficient from jointing to booting stage -1.5-1.95-1.05 K5 孕穗到抽穗阶段基本发育系数 Basic development coefficient from booting to heading stage -1.25-1.625-0.875 K6 抽穗到黄熟阶段基本发育系数 Basic development coefficient from heading to yellow ripening stage-3.0-3.9-2.1 K7 黄熟到成熟阶段基本发育系数 Basic development coefficient from yellow ripening to ripening stage-1.98-2.574-1.386 Pmax 最大光合速率 Maximum photosynthetic rate 4.0 2.85.2 P1 播种到出苗阶段温度反应特性遗传系数 Temperature genetic coefficient from sowing to seedling stage 0.9 0.631.17 Q1 播种到出苗阶段光周期反应特性遗传系数 Light genetic coefficient from sowing to seedling stage 1.157 0.80991.5041 CLG1 移栽到拔节阶段根干物质的分配系数 Dry matter distribution coefficients of root from transplanting to jointing stage 0.58 0.4060.754 CLT1 移栽到拔节阶段茎干物质的分配系数 Dry matter distribution coefficients of stem from transplanting to jointing stage 0.02 0.0140.026 CLV1 移栽到拔节阶段叶干物质的分配系数 Dry matter distribution coefficients of leaf from transplanting to jointing stage 0.4 0.280.52 100 农 业 大 数 据 学 报 第5卷 2.3 研究方法 2.3.1 敏感性分析方法 Morris 法最早是由 Morris18提出，并经 Campo-longo19进行修改完善。其核心思想是基于计算每个输入参数的多个增量比率，即基本效应(Elementary Effects，EE)，然后对其进行平均，以评估各输入参数的敏感性指数。Morris 法尤其适用于输入参数数量较多或是模型计算成本较高的情况，同时考虑了准确性和计算效率19。其计算公式为：D(x)=+),(1121kiiixxxxxxy 式中，D(x)为参数的敏感性指数，y(x)为模型的输出量，为1/(p-1)至1-1/(p-1)之间的值，p为输入参数的水平。计算每个参数对模拟值的敏感性指数的平均值*和标准差。*越大，说明参数对输出结果越敏感，而 表示的是参数间的交互作用，越大表示该参数与其他参数交互作用越强20。扩展傅里叶幅度检验(EFAST)法21是基于方差的全局敏感性分析方法，在 FAST 法的基础上同时结合了 Sobol 法的优点，其基本思想是分解模型结果的方差，将其分成单个参数及参数间相互作用的贡献量，将其分别定义为一阶敏感性指数 Si和总敏感性指数 STi，从而比较各参数的敏感性强弱。其算法简单概括如下。则模型计算结果输出的方差为：V=kjikikiijkiiVVV=+,111 式中，V 为模型的总方差，Vi为输入参数 xi引起的模型方差，Vij为输入参数 xi与 xj相互作用引起的模型方差，Vi,j,k为所有输入参数共同引起的模型方差。归一化处理后，定义输入参数 xi的一阶敏感性指数 Si为：Si=VVi 输入参数 xi的总敏感性指数 STi为：STi=VVVi。2.3.2 模型参数确定与检验 在模型输入参数的初始值的基础上，以湖南长沙、常德两站 20002003 年的农业气象观测数据为基础，应用“试错法”对计算的敏感性指数进行重点调试，并确定最终的作物参数值。应用湖南长沙、常德两站点 20042005 年的农业气象观测数据进行检验。首先通过作出模拟值与实测值的图形来直观地比较模型模拟效果的好坏，定性评价模拟值与实测值之间的相符程度。其次，选用国际上通用的评价指标对模型模拟效果进行定量的统计评价，选用的评价指标主要有：模拟值和实测值的平均值(Xsim、Xobs)、Students-t 检验值(P(t*)、模拟值与实测值的线性回归系数()、截距()、决定系数(R2)、均方根误差(RMSE)和归一化均方根误差(NRMSE)。其中：RMSE=niiiXYn12)(1 NRMSE=xXYnniii=12)(1100 式中，n 为样本数，Xi与 Yi分别为实测值与模拟值，为实测值的平均值。模拟值与实测值的平均值可以直观地反映两者之间的差异，t 检验的 P(t*)0.05 时，说明模拟值与实测值之间的差异不显著；线性回归系数 越接近 1，截距 越接近 0，决定系数 R2越接近 1，回归的效果就越好；均方根误差和归一化均方根误差反映的是模拟误差的大小，值越小说明模拟误差越小。3 结果与分析 3.1 敏感性分析 3.1.1 Morris 敏感性分析结果 利用 Morris 法计算的 RiceSM 模型成熟期、叶面积指数、地上部生物量和产量模拟结果对各输入参数的敏感性分析结果如图 1 所示。成熟期对出苗到移栽阶段基本发育系数 K2 最敏感，其次为 K3、K6、Q2 和 K7，说明出苗至移栽阶段的发育状况对成熟期的影响最大；另外抽穗到黄熟阶段基本发育系数 K6 的 Q 值最大，说明 K6 与其他参数间的交互作用最强。叶面积指数的敏感参数按其敏感性大小排列为：K3、CLV1、K2、K6、Pmax 和 Q3，其余参数的影响均较小。叶面积指数对移栽至拔节阶段的基本发育系数K3 最敏感，其*、Q 值均为最大，这一阶段的发育速度对叶片干物质积累与分配的影响最大。地上部生物量的敏感参数种类较叶面积指数增加了拔节至孕穗阶段的基本发育系数 K4，且抽穗至黄熟阶段的基本发育系数 K6 的影响相对更大，在各敏感参数中排第二位，说明后期的生物量积累对地上部生物量的影响较大。产量的敏感参数按其敏感性大小分别为：K3、K6、CLV1、K2、Pmax 和 Q3，与生物量的敏感参数相比缺少了 K4，这也是因为生物量的积累是干物质在根、第 2 期 王雪莹等：RiceSM 水稻模型参数敏感性分析与适应性研究 101 0204060801000204060801000510152025051015202501000020000300004000050000050001000015000200002500030000050001000015000200000200040006000800010000K2K3K6K7Q2K2K3K6Q3PmaxCLV1K2K3K4K6Q3PmaxCLV1K2K3K4K6K7Q3PmaxCLV1敏感性指数方差Sensitivity index variance 敏感性指数均值Sensitivity index mean(a)成熟期Ripening stage(b)叶面积指数Leaf area index敏感性指数均值Sensitivity index mean 敏感性指数方差Sensitivity index variance(c)地上部生物量Above-ground biomass敏感性指数均值Sensitivity index mean 敏感性指数方差Sensitivity index variance(d)产量Yield敏感性指数均值Sensitivity index mean 敏感性指数方差Sensitivity index variance 图 1 RiceSM 模型 Morris 法敏感性分析结果 Fig.1 Sensitivity analysis results of Morris method of RiceSM model 茎、叶、穗等器官间分配的结果，因此对生物量而言敏感的参数也会对产量的模拟产生较大的影响。对产量而言，移栽至拔节阶段的基本发育系数 K3 的敏感性指数均值最大，其与其他参数间的交互作用也相对较强，对产量的模拟效果起到了重要的作用。3.1.2 EFAST 敏感性分析结果 利用 EFAST 法计算的 RiceSM 模型成熟期、叶面积指数、地上部生物量和产量模拟结果对各输入参数的敏感性分析结果如图 2 所示。对于成熟期、叶面积指数、地上部生物量和产量，移栽至拔节阶段的基本发育系数 K3 的全局敏感性指数均为最高。对于成熟期，一阶敏感性指数 Si0.05 的作物参数为：K6、K2、P2 和 K3，全局敏感性指数 STi0.1 的作物参数为：K3、K2、P2、Q2、K7 和 K6，其中 K3 的全局敏感性指数高达 0.91，成熟期对 K3 的变化是极为敏感的。对比一阶和全局敏感性指数可知，除 K6 外，其余敏感参数对总方差的贡献主要是通过与其他参数的交互作用产生的。对叶面积指数敏感的参数主要为 K3、CLV1、K2、K6、Pmax 和 Q3，总敏感性指数分别为0.89、0.60、0.56、0.33、0.14 和 0.14，且主要敏感参数与其他参数间的交互作用较强。地上部生物量的敏感参数为 K3、CLV1、K2、K6、Pmax、Q3 和 K4，相较叶面积指数增加了参数 K4，其余参数的全局敏感性指数均小于 0.1。产量的敏感参数为 K3、K2、CLV1、K6、Q2、K7、Pmax、Q3 和 K4，比地上部生物量的敏感参数增加了 K7，且 K2 的贡献程度相对更高，各敏感参数的交互作用占主导作用。3.1.3 结果比较 基于 Morris 和 EFAST 方法的 RiceSM 模型成熟期、叶面积指数、地上部生物量、产量的敏感参数结果如表 2 所示，可以比较看出，两种方法计算的敏感性参数种类基本相同，各敏感参数的重要程度略有差异。基于 Morris 法计算的敏感性结果中，叶面积指数、地上部生物量、产量的最敏感参数均为 K3，而 EFAST 法 102 农 业 大 数 据 学 报 第5卷 第 2 期 王雪莹等：RiceSM 水稻模型参数敏感性分析与适应性研究 103 图 2 RiceSM 模型 EFAST 法敏感性分析结果 Fig.2 Sensitivity analysis results of EFAST method of RiceSM model 表 2 RiceSM 模型敏感参数 Table 2 Sensitive parameters of RiceSM model 输出变量输出变量 Output variables 敏感性分析方法敏感性分析方法 Sensitivity analysis methods 敏感参数敏感参数 Sensitive parameters Morris K2、K3、K6、Q2、K7 成熟期 Ripening stage EFAST K3、K2、P2、Q2、K7、K6 Morris K3、CLV1、K2、K6、Pmax、Q3 叶面积指数 Leaf area index EFAST K3、CLV1、K2、K6、Pmax、Q3 Morris K3、K6、CLV1、K2、Pmax、Q3、K4 地上部生物量 Above-ground biomass EFAST K3、CLV1、K2、K6、Pmax、Q3、K4 Morris K3、K6、CLV1、K2、Pmax、Q3、K4、K7 产量 Yield EFAST K3、K2、CLV1、K6、Q2、K7、Pmax、Q3、K4 中 K3 对所有 4 个输出变量而言均为最敏感的，说明移栽至拔节阶段的基本发育系数对模型的模拟效果起到了决定性的作用，在调参中应重点关注。在对成熟期的分析中 Morris 法低估了 P2 的敏感性，对地上部生物量和产量的分析中低估了 CLV1 的敏感性，这是由于 P2、CLV1 参数与其他参数间的交互作用或参数的非线性效应较强的原因。对产量的分析中，EFAST 法较 Morris法增加了 Q2，且敏感参数的重要程度略有不同，这也是由于 Morris 法中无法根据*的大小来判断参数间的交互作用从而低估了部分参数的敏感性。整体上看，在计算结果精度相差不大的情况下，Morris 法所需的计算次数要明显少于 EFAST 法，在输入参数众多、模型运算所需时间较长的情况下更具优势；而 EFAST 法则可以定量计算各输入参数的敏感性值，分析精度更高。3.2 模型参数调试与检验 3.2.1 参数调试 基于计算得出的敏感性指数对 RiceSM 模型参数进行调试，最终确定得到长沙、常德两站点早稻和晚稻的各阶段基本发育系数值(表 3)，最终确定的参数值与参数初始值之间存在着一定的差异，且不同研究区域及水稻早稻和晚稻之间的参数值之间也存在不同。104 农 业 大 数 据 学 报 第5卷 经过参数调试，模型模拟的早稻和晚稻叶面积指数动态变化与实测趋势基本一致，能较好地反映出早稻和晚稻叶面积指数的变化趋势。以常德站 2003 年为例(图 3)，叶面积指数模拟值与实测值的变化趋势基本相符。比较各生物量的模拟效果可以直观地看出水稻生长发育进程中干物质积累的动态变化过程，是检验模型模拟效果的重要内容。模型模拟的早稻各生物量的动态变化趋势与田间实测值基本相符，可以较好地反映出早稻生长发育过程的动态变化，模型模拟的效果较好。图 4 为常德站 2003 年生物量模拟值与实测值的模拟效果，可以看出模型模拟早稻的穗生物量和地上部生物量的效果相对更好，且穗生物量、地上部生物量的模拟效果要明显优于其他两项。表 3 RiceSM 模型基本发育系数调参结果 Table 3 Results of basic development factors of RiceSM model 站点站点 Site 类型类型 Type K2 K3 K4 K6 K7 Q2 Q3 Pmax CLV1 早稻 Early rice-2.5-3.05-1.5-3.0-1.98 0.50 0.52 4.0 0.42 长沙 Changsha 晚稻 Late rice-3.0-3.00-1.5-3.0-1.50 0.49 0.51 4.0 0.43 早稻 Early rice-2.5-3.01-1.5-3.0-1.50 0.49 0.50 4.0 0.42 常德 Changde 晚稻 Late rice-3.0-3.00-1.5-3.0-2.15 0.52 0.50 4.0 0.40 图 3 模型模拟叶面积指数与实测值的比较 Fig.3 Comparison of simulated and measured leaf area index of RiceSM model 3.2.2 模型检验 图 5 为早稻和晚稻叶面积指数、生物量、产量模拟值与实测值的验证结果，表 4 列出了早稻和晚稻叶面积指数、生物量、产量模拟值与实测值的统计评价指标。图 5(a)反映了叶面积指数模拟值与实测值的验证结果，可以看出模型对早稻叶面积指数的模拟效果要明显优于晚稻，各模拟值较均匀地分布于 1：1 线两侧。根据表 4，早稻和晚稻叶面积指数模拟值均值与实测值均值较为接近，模拟值略低于实测值，且 t 检验值均大于 0.05，模拟值与实测值之间不存在显著差异；早稻和晚稻叶面积指数的线性回归系数 分别为0.83 和 0.66，决定系数 R2 分别为 0.94 和 0.6，早稻的回归效果要明显好于晚稻；早稻和晚稻的归一化均方根误差分别为 21.63%和 47%，晚稻的模拟误差相对较大。图 5(b-e)分别为早稻和晚稻茎、叶、穗和地上部生物量的验证结果，可以看出模型模拟的穗生物量和地上部生物量的效果相对更好，各模拟值偏离 1：1线的程度较小。根据表 4 看出，模拟生物量与实测生物量之间的差距较小，t 检验值均大于 0.05，模拟生物 第 2 期 王雪莹等：RiceSM 水稻模型参数敏感性分析与适应性研究 105 图 4 模型模拟生物量与实测值的比较 Fig.4 Comparison of simulated and measured biomass 0246802468早稻 Early rice晚稻 Late rice实测叶面积指数Measured leaf area index模拟叶面积指数Simulated leaf area index(a)010002000300040005000010002000300040005000模拟茎生物量Simulated stem biomass(kg/hm2)实测茎生物量Measured stem biomass(kg/hm2)(b)0100020003000400001000200030004000模拟叶生物量Simulated leaf biomass(kg/hm2)实测叶生物量Measured leaf biomass(kg/hm2)(c)030006000900012000030006000900012000(d)模拟穗生物量Simulated panicle biomass(kg/hm2)实测穗生物量Measured panicle biomass(kg/hm2)03000600090001200015000180000300060009000120001500018000(e)实测地上部生物量Measured above-ground biomass(kg/hm2)模拟地上部生物量Simulated above-ground biomass(kg/hm2)20003000400050006000700080002000300040005000600070008000(f)实测产量Measured yield(kg/hm2)模拟产量Simulated yield(kg/hm2)图 5 早稻和晚稻叶面积指数、生物量、产量的验证结果 Fig.5 Comparison between simulated and measured leaf area index,biomass,yield of early and late rice for validation 量与实测生物量之间的差异不显著，且模拟生物量基本略小于实测生物量，原因可能是模型对水稻生长早期的较低估计；早稻生物量的线性回归系数 为0.781.02，较接近于 1，决定系数 R2为 0.50.92，晚稻生物量的 为 0.841.06，决定系数 R2为 0.570.94，回归效果略好于早稻生物量；除早稻茎生物量的 NRMSE 大于 20%之外，其余各生物量的 NRMSE均小于 10%，且模拟晚稻生物量的误差要小于早稻生物量，整体的模拟误差在可接受的范围内，总体模拟效果较好。106 农 业 大 数 据 学 报 第5卷 产量的模拟效果是检验模型效果的重要环节，由图 5(f)可以直观地看到，模型模拟水稻产量的模拟值大多分布在 1：1 线两侧，偏离的程度相对较小，且模拟值大部分在 1：1 线上方，说明模拟的产量要略高于实际的产量。由表 4 可知，早稻和晚稻的模拟产量与实测产量的平均值比较接近，T检验的 P(t*)值均大于 0.05，两者之间的差异并不显著。早稻和晚稻的线性回归系数 分别为 0.81、0.83，比较接近于 1；相关系数 R2分别为 0.69、0.24，回归效果较好；NRMSE分别为 12.12%、9.29%，模拟误差相对较小。表 4 早稻和晚稻叶面积指数、生物量、产量模拟值与实测值的统计评价指标 Table 4 Statistical evaluation indicators of simulated and measured leaf area index,organ biomass,yield values of early and late rice 项目项目 Project N XobsSD XsimSD P(t*)R2 RMSENRMSE(%)叶面积指数 Leaf area index 82 2.5 1.9 2.3 1.6 0.43 0.83 0.21 0.94 0.5421.63 茎生物量 Stem biomass(kg/hm2)61 1 910.6 1 193.41 536.2 1 294.60.1 0.94-250.24 0.74 754.8839.51 叶生物量 Leaf biomass(kg/hm2)61 1 210.4733.2 994.9 812.1 0.13 0.78 44.74 0.50 80.346.6