基于全局敏感性分析和贝叶斯方法的WOFOST作物模型参数优化

第32卷 第2期 农 业 工 程 学 报 Vol.32 No.2

2016年 1月 Transactions of the Chinese Society of Agricultural Engineering Jan. 2016 169

·农业信息与电气技术·基于全局敏感性分析和贝叶斯方法的

WOFOST作物模型参数优化

何 亮1，侯英雨1，赵 刚2，邬定荣3，于 强4,5

（1. 国家气象中心，北京 100081； 2. 德国波恩大学作物科学研究组，波恩 D-53115； 3. 中国气象科学研究院，北京 100081； 4. 中国科学院地理科学与资源研究所陆地水循环与 地表过程重点实验室，北京 100101； 5. 澳大利亚悉尼科技大学生命科学学院，悉尼 2007）

摘 要：作物模型参数的敏感性分析、标定和验证可以提高模型的效率和精准度，进而为模型应用做好准备工作。该研究结合参数全局敏感性分析方法以及贝叶斯后验估计理论的马尔科夫蒙特卡洛（Markov Chain Monte Carlo，MCMC）方法，以华北栾城站三年的冬小麦观测数据（叶面积和地上生物量）为参照，对WOFOST模型的55个品种参数进行了敏感性分析、筛选和优化。发现：1）对叶面积影响较大的参数为：生育期为0、0.5、0.6和0.75时的比叶面积、生育期为1.5时的最大光合速率、叶面积指数最大增长率；对地上干物质影响较大的参数为：生育期为1.5时的最大光合速率、生育期为0时的比叶面积、35℃时叶面积的生命周期、生育期为0时的散射消光系数、生育期为1.8时的最大光合速率、储存器官的同化物转换效率。2）潜在和雨养产量水平下，最大叶面积和地上生物量对参数的敏感性差异不大。3）马尔科夫蒙特卡洛方法（MCMC）可以对WOFOST模型品种参数较好地优化；设计的3种校正-验证方案中，第1种方案（用1998－1999年作为校正年份，1999－2000年，2000－2001年作为验证年份）模拟效果最好。4）优化后的参数，模型对潜在产量水平模拟较好，一致性指数均大于0.9，相对均方根误差小于20%；而对有水分胁迫的雨养情况下比潜在产量水

平的模拟结果差，表明模型对水分胁迫的模拟不足。该研究为WOFOST模型区域应用和模型调整优化提供科学理论依据。

关键词：模型；作物；优化；WOFOST；全局敏感性分析；MCMC；模型参数优化 doi：10.11975/j.issn.1002-6819.2016.02.025

中图分类号：S512.1 文献标志码：A 文章编号：1002-6819(2016)-02-0169-11

何 亮，侯英雨，赵 刚，邬定荣，于 强. 基于全局敏感性分析和贝叶斯方法的WOFOST作物模型参数优化[J]. 农业工程学报，2016，32(2)：169－179. doi：10.11975/j.issn.1002-6819.2016.02.025 doc.xuehai.net

He Liang, Hou Yingyu, Zhao Gang, Wu Dingrong, Yu Qiang. Parameters optimization of WOFOST model by integration of global sensitivity analysis and Bayesian calibration method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 169－179. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.02.025 doc.xuehai.net

0 引 言

模型的标定（calibration）和验证（validation）等准备工作是基于机理作物模型应用的前提。对于基于机理的作物模型，参数众多。作物模型的很多参数（如比叶面积）不能通过田间观测直接获得，而是需要通过可观测的变量（如叶面积指数）进行反演。通过准确的方法获得模型参数是进行模型应用、提高模型可预报性的前提[1]。

根据观测值反推参数属于参数估计问题。对于线性方程或者简单的非线性方程可以用最小二乘法来解决。基于过程的作物模型，刻画了光合、干物质分配、土壤水分运移和蒸发等众多生物物理过程，往往包含的方程较多，模型的非线性效应很明显。对于一般的最小二乘法和非线性参数估计方法难以获得全局的最优解。一种收稿日期：2015-11-13 修订日期：2015-12-21

基金项目：公益性行业（气象）科研专项（GYHY201306052，GYHY201506001） 作者简介：何 亮，男（汉族），湖南永兴县人，博士，主要从事作物模型、农业气象和全球变化研究。北京 国家气象中心，100081。 Email：heliang_hello@163.com

常用的模型参数标定是基于蒙特卡洛试错法。这种方法

根据以往的经验或者参数文献参考值重复和随机地选择参数，使得观测值和模拟值拟合程度指标：如决定系数（R2）、相关系数、均根方差等指标达到预期的要求，便认为此组参数为最优参数。这种方法带有很大的主观性并且工作繁杂，而且很难获得最可靠、最优的参数[2]。并且，这种参数估计方法计算量巨大，计算量随着参数数量呈几何级数增加。

为了避免上述缺点，基于过程的模型开始采用非线性参数优化方法，例如遗传算法[3]，普适似然不确定估计法（general likelihood uncertainty estimation，GLUE）[4]等，也有类似的参数估计软件出现，例如PEST（parameter estimation software）[1]。He等[5-6]利用GLUE方法对CERES-Maize的品种和土壤参数进行了估计，取得了很好的效果；房全孝[1]利用PEST对根系水质模型（root zone water quality model，RZWQM）的土壤和根系生长参数和作物遗传参数进行了优化，相比传统试错法的校正结果，有明显的参数优化效率。马尔科夫蒙特卡洛方法（Markov Chain Monte Carlo，MCMC）是基于贝叶斯统计理论的一

第1页下一页