全局敏感性分析和贝叶斯方法的WOFOST模型参数优化何亮1.docVIP

基于全局敏感性分析和贝叶斯方法的WOFOST模型参数优化 何亮1， （1. 国家气象中心，北京，100081；.德国波恩大学D-53115；3.中国气象科学研究院，北京，100081；4. 中国科学院地理与资源研究所陆地水循环与地表过程重点实验室，北京，1001012007） 摘要:对叶面积影响大的参数为：生育期为0时的比叶面积、生育期为1.5时的最大光合速率对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、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。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种校正-验证方案中，第种方案（用1998-1999作为校正年份，年作为验证年份）好。4）优化后的参数， 关键词：WOFOST; 全局敏感性分析；MCMC；模型参数优化 0 引言 模型的标定（calibration）和验证（validation）作物模型应用的对于基于机理的作物模型，参数众多。作物模型的很多参数。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。模型参数标定基于试错法根据经验或者重复地选择参数，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，参数估计方法。 基于过程的模型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 estimationGLUE）[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 ModelRZWQM）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（MCMC）是基于贝叶斯统计理论的一种参数估计方法其在模型参数估计已有应用。近年来，运用该方法来对基于过程的生物模型也有若干运用[7-10]。Makowski等[11GLUE和MCMC方法对一个非线性农业模型的22个参数估计MCMC方法估计误差比GLUE方法要小。对于这些非线性优化方法的应用过程当中，一个重要的问题是模型参数敏感性分析参数的敏感性分析可以分为局部敏感性分析和全局敏感性分析。近年来，在过程模型的参数敏感性分析中，全局敏感性分析方法受到了学者们的亲睐[12-17]。这主要是因为全局敏感性分析方法不仅仅反应了单个参数对模拟结果的影响，而且可以定量参数与参数之间的相互作用对结果的影响。鉴于此，在对参数进行优化之前，先进行参数的敏感性分析，筛选出对模拟结果影响大的参数，然后再来优化这可以使优化有的放矢提高效率。 本研究选择的WOFOST作物模型的为研究对象以小麦为实例，首先用全局敏感性分析方法对模型的参数进行参数筛选。然后采用马尔科夫蒙特卡洛（MCMC）优化方法，对敏感的作物品种参数进行优化。以期探索一种普适的作物模型参数优化方法，为作物模型参数校正和模型应用提供一定的指导。 1 材料与方法 1.1 验站点和数据 本文所用到的验观测数据在栾城站进行。栾城站位于河北省石家庄市栾城县（114°40′E，37°50′N，海拔50.1），为太行山前平原农业高产区的典型代表。本地主要气候类型是暖温带半湿润季风气候，多年平均太阳辐射为5433 MJm2，平均气温为12.3，大于0积温为4710d，大于10积温为4232d，无霜期为200。丰富的光热资源满足一年二熟或两年三熟的作物生长。年降雨量大致为480，降水分配不均，超过65%的降水集中在夏季。冬小麦生长季降水量仅仅120左右460 mm以上，降水难以满足冬小麦生长需要[18-21]。 在栾城站进行了小麦的水分池验，验的时间是1998年10月到2001年月，一共设计了16个水分验池，每个验池的面积为50 m2（5×10 m），四周由厚24.5 cm和深1.5 m的水泥墙隔离，防止不同水分处理的水分侧向运动