楊雪寧 張永強 張選澤 馬 寧 張俊梅

研究簡報

基于留一交叉驗證法的APSIM-Maize產(chǎn)量模擬

楊雪寧1,2張永強1,*張選澤1馬 寧1張俊梅3

1中國科學院地理科學與資源研究所陸地水循環(huán)及地表過程重點實驗室, 北京 100101;2中國科學院大學中丹學院, 北京 100101;3達拉特旗農(nóng)業(yè)技術推廣中心, 內蒙古達拉特 014300

作物生長模型APSIM廣泛應用于作物估產(chǎn)和農(nóng)業(yè)生產(chǎn)管理中, 在觀測數(shù)據(jù)有限的情況下, 開展留一交叉驗證是提高模型模擬能力的關鍵途徑。本研究以內蒙古十大孔兌地區(qū)春玉米為研究對象, 量化分析了APSIM-Maize模型模擬2012—2019年間玉米產(chǎn)量對關鍵參數(shù)的敏感性, 并根據(jù)參數(shù)敏感性強弱對APSIM-Maize模型進行交叉驗證與參數(shù)率定, 提高了模型模擬能力。主要結果為: (1) 影響春玉米產(chǎn)量的敏感性參數(shù)由強到弱依次是: 蒸騰效率系數(shù)、輻射利用效率、開花到成熟的積溫、出苗到拔節(jié)的積溫、開花到灌漿的積溫、潛在灌漿速率、光周期和最大穗粒數(shù); (2) 交叉驗證時, APSIM-Maize模型各參數(shù)變異系數(shù)在1.06%～23.32%之間波動, 總體上模型參數(shù)變異性小, 可靠性高; (3) APSIM-Maize模型經(jīng)過參數(shù)率定后的模擬產(chǎn)量與實測產(chǎn)量具有較好的一致性(2= 0.72, RMSE = 401.5 kg hm–2), 模型在十大孔兌地區(qū)春玉米產(chǎn)量的評估中表現(xiàn)出較好的適應性。本研究為在農(nóng)田試驗數(shù)據(jù)有限情況下提高模型率定參數(shù)的可靠性提供了新的研究思路和科學依據(jù)。

APSIM-Maize模型; 交叉驗證; 春玉米

近年來, 基于過程的作物系統(tǒng)模型被廣泛應用于預測作物產(chǎn)量、評估環(huán)境變化對作物生長的影響、優(yōu)化作物管理模式和指導育種及生產(chǎn)等方面, APSIM (Agricultural Production Systems Simulator)是其中較具代表性的作物模型[1]。在實踐應用中, 由于APSIM模型參數(shù)眾多, 且多數(shù)參數(shù)無法直接測定, 為了優(yōu)化模型參數(shù)以提高模型模擬能力, 通常通過率定的方式獲取參數(shù)值, 即調整模型參數(shù),盡可能減少模型輸出變量(如生物量、作物產(chǎn)量、物候期等)與觀測數(shù)據(jù)的誤差[2-3]。然而, 由于農(nóng)田試驗時間周期長, 觀測數(shù)據(jù)的時間序列較短, 可用于參數(shù)率定的觀測數(shù)據(jù)有限, 同時由于模型存在異參同效的影響, 即多組不同的參數(shù)具有相同或相似的模擬精度[4], 導致模型參數(shù)可靠性差, 從而增加模型模擬結果的不確定性[5]。異參同效問題在基于過程的物理模型中是難以避免的, 但可以通過增加觀測數(shù)據(jù)數(shù)量和減少率定參數(shù)的個數(shù)來緩解, 從而提高模型參數(shù)的可靠性[6]。

在觀測數(shù)據(jù)有限的情況下, 無法絕對地增加觀測數(shù)據(jù)數(shù)量, 但可以通過提高有限數(shù)據(jù)重復利用率的方式增加用于參數(shù)率定的觀測樣本空間。交叉驗證是提高有限數(shù)據(jù)重復利用率的有效方法, 該方法將大樣本分為小樣本分別進行率定和驗證的方法[7], 可分為Holdout驗證法、k-折交叉驗證法和留一交叉驗證法, 其中留一交叉驗證法可有效用于有限數(shù)據(jù)的模型評估[8]。Mkhabela等[9]采用該方法檢驗回歸模型的穩(wěn)定性及模型預測產(chǎn)量的能力; Chipanshi等[8]采用該方法評估ICCYF模型對春小麥、菜籽油及裸地在3個空間尺度的模擬能力; Qian等[10]采用該方法率定多元線性回歸模型參數(shù), 以提高模型對春小麥的預測精度; Nurulhuda等[11]采用該方法對ORYZA (v3)模型參數(shù)的變異性進行評估。與其他方法相比, 留一交叉驗證法可以消除隨機劃分建模樣本集和驗證樣本集帶來的偶然誤差, 確保驗證過程可被完全重復, 適合數(shù)據(jù)樣本量較小的情況[12-13]。目前, 交叉驗證雖然已用于部分作物模型參數(shù)變異性的評估, 但在APSIM-Maize模型參數(shù)變異性的評估中應用較少。本研究采用留一交叉驗證法對APSIM-Maize模型進行交叉驗證, 評估其參數(shù)在率定過程中的穩(wěn)定性, 從而得到可靠的參數(shù)組合。

基于以上研究背景, 本研究的目的是: 采用留一交叉驗證法評估APSIM-Maize模型參數(shù)的變異性, 并率定APSIM-Maize模型參數(shù), 以實現(xiàn)在觀測數(shù)據(jù)有限的條件下, 獲得可靠的模型參數(shù)組合, 從而提高模型模擬能力。

1 材料與方法

1.1 研究區(qū)概況

本研究選取研究區(qū)為內蒙古十大孔兌地區(qū)(N39°47′40″— 40°33′30″, E108°48′35″—110°56′40″), 十大孔兌所在的行政區(qū)包括鄂爾多斯市達拉特旗全部, 準格爾旗、杭錦旗、東勝區(qū)的小部分地區(qū), 面積共10,800 km2, 其中沙漠面積為2762 km2。該區(qū)域屬于典型大陸性氣候, 平均海拔高度約1000 m。該地區(qū)的土壤類型分布特征具有極強的地帶性, 以栗鈣土和風沙土為主。十大孔兌是典型的半干旱區(qū), 年平均降雨在200～400 mm, 降水由東向西遞減, 且降水主要集中在7月至9月, 在此期間的降水量占全年降水量71.2%。十大孔兌地區(qū)的平均氣溫7℃左右, 年蒸發(fā)量約2200 mm。該地區(qū)的糧食作物以春玉米為主, 主要分布在北部區(qū)域, 生育期為5月至9月。

1.2 APSIM模型輸入數(shù)據(jù)

APSIM (Agricultural Production System Simulator)是澳大利亞農(nóng)業(yè)生產(chǎn)系統(tǒng)研究組研發(fā)的農(nóng)業(yè)生產(chǎn)系統(tǒng)模型, 目前被廣泛應用于作物生長過程、作物產(chǎn)量、土壤水分平衡、溶質遷移、土壤侵蝕、土壤有機物及氮平衡等物理過程模擬[14-15]。APSIM模型的輸入數(shù)據(jù)有氣象數(shù)據(jù)、土壤數(shù)據(jù)、農(nóng)田管理數(shù)據(jù)。本研究使用的氣象數(shù)據(jù)來源于中國氣象局氣象數(shù)據(jù)共享服務網(wǎng)(http://www.nmic.cn/), 主要包括日尺度的降水量(mm)、最高氣溫(?C)、最低氣溫(?C)及日照時數(shù)(h)。日太陽輻射(MJ m–2)根據(jù)日照時數(shù)計算所得, 本研究選擇了距離采樣點最近的氣象站, 以該氣象站的氣象數(shù)據(jù)作為輸入數(shù)據(jù)。土壤數(shù)據(jù)來源于國家地球系統(tǒng)科學數(shù)據(jù)中心黃土高原分中心(http://loess.geodata.cn/ data/dataresource.html), 主要包括土壤容重、pH值、土壤黏粒含量及土壤沙粒含量。田間持水量根據(jù)土壤黏粒和沙粒含量百分比計算所得[16-17], 土壤飽和含水量根據(jù)土壤孔隙度計算。農(nóng)田管理數(shù)據(jù)來源于達拉特旗農(nóng)牧技術推廣中心田間試驗記錄數(shù)據(jù), 時間跨度為2012年至2019年, 其中2012年至2019年春玉米播種時間在5月1日, 收獲時間在9月25日左右, 灌水量為450～540 mm, 灌水時間為5月1日至9月10日, 種肥施加量為210 kg hm–2, 追肥量為600 kg hm–2, 分別在拔節(jié)期、喇叭口期和抽雄期進行施肥, 各年份玉米產(chǎn)量及種植密度見表1。

表1 2012–2019年春玉米產(chǎn)量及田間管理數(shù)據(jù)

1.3 敏感性分析方法

本研究運用擴展傅里葉幅度檢驗法(extended Fourier amplitude sensitivity test, EFAST)量化APSIM-Maize模型模擬產(chǎn)量對參數(shù)的敏感性。EFAST方法是Saltelli等[18]基于方差分解原理、綜合了Sobol方法和FAST方法提出的敏感性分析方法。該方法采用一階敏感性指數(shù)和全局敏感性指數(shù)評價參數(shù)敏感性高低。其中, 一階敏感性指數(shù)評價單個參數(shù)對模型輸出結果的直接影響, 全局敏感性指數(shù)評價參數(shù)之間的交互作用對模型輸出結果的影響, 算法的詳細介紹參考Saltelli等文獻[15,18-19]。本研究利用R語言sensitivity包及apsimx包分別計算APSIM-Maize模型在2012—2019年的參數(shù)敏感性。首先根據(jù)https://www. apsim.info及相關研究[4,20-22]采用的參數(shù)選擇需要調試的APSIM-Maize模型參數(shù), 包括出苗到拔節(jié)的積溫(tt_emerg_to_endjuv)、光周期(photoperiod_slope)、開花到灌漿的積溫(tt_flower_to_start_grain)、開花到成熟的積溫(tt_flower_to_maturity)、最大穗粒數(shù)(head_grain_no_max)、潛在灌漿速率(grain_gth_rate)、輻射利用效率(rue)和蒸騰效率系數(shù)(transp_eff_cf); 利用sensitivity包生成參數(shù)樣本, 調用apsimx包更改APSIM-Maize模型參數(shù)并運行, 最后利用sensitivity包計算模擬結果的敏感性。每次敏感性計算運行×次, 其中為采樣個數(shù),為參數(shù)個數(shù), EFAST方法中認為當參數(shù)采樣個數(shù)≥65倍的參數(shù)個數(shù)(采樣個數(shù)≥65×參數(shù)個數(shù))時, 參數(shù)樣本為有效[15]?；诟髂攴莸膮?shù)敏感性分析結果, 根據(jù)全局敏感性指數(shù)的大小對參數(shù)進行排序, 并采用TDCC (top-down coefficient of concordance)系數(shù)衡量各年份參數(shù)敏感性排序的一致性, TDCC的計算方法參考Iman和Confalonieri等[23-24]的研究。最終計算2012—2019年各參數(shù)全局敏感性指數(shù)的平均值, 以此作為衡量模型參數(shù)敏感性強弱的依據(jù)。

1.4 APSIM模型交叉驗證與率定

交叉驗證是指將大樣本分為小樣本分別進行率定和驗證的方法[7], 其目的是為了得到更可靠的模型或參數(shù), 可分為Holdout驗證法、k-折交叉驗證法和留一交叉驗證法。其中留一交叉驗證法是指將原樣本中的一項作為驗證集, 其余的用于參數(shù)率定, 循環(huán)估計直至每個樣本都被當作一次驗證集(圖1)。本研究采用留一交叉驗證法評估APSIM-Maize模型參數(shù)的穩(wěn)定性。以2012年的產(chǎn)量觀測數(shù)據(jù)作為驗證集, 2013—2019年的產(chǎn)量觀測數(shù)據(jù)作為訓練集, 根據(jù)參數(shù)敏感性強弱逐個調整參數(shù)。每次調參時, 利用R語言生成正態(tài)分布的參數(shù)樣本并調用APSIM模型, 得到相應的產(chǎn)量模擬值, 認為RMSE最小時的參數(shù)為該參數(shù)樣本中的最優(yōu)值, 以最優(yōu)值固定該參數(shù), 按照上述步驟逐個調整其他參數(shù), 該過程迭代進行, 直至RMSE最小,本次調參過程結束, 得到滿足要求的參數(shù)集。然后將2013年的產(chǎn)量觀測數(shù)據(jù)作為驗證集, 將其他年份的產(chǎn)量觀測數(shù)據(jù)作為訓練集, 按照上述步驟率定APSIM模型, 以此類推, 直至所有年份均參與驗證。該過程共率定APSIM模型8次, 得到8組參數(shù)集?？紤]到各年份的氣候條件、管理措施存在差異, 在評價交叉驗證結果時, 計算8次交叉驗證中各年份率定期的均方根誤差(RMSE_Cal)和驗證期的均方根誤差(RMSE_Val)。根據(jù)交叉驗證所得的8組參數(shù), 計算變異系數(shù)(CV), 評估模型參數(shù)的穩(wěn)定性。在參數(shù)變異性較小的情況下, 將2012—2019年所有年份的產(chǎn)量觀測數(shù)據(jù)用于率定APSIM模型參數(shù)。

圖1 留一交叉驗證法示意圖

RMSE和2分別表示第次交叉驗證時的均方根誤差和決定系數(shù)(= 1, 2, …, 8); RMSE_Cal和RMSE_Val分別表示第年在交叉驗證率定期和驗證期的均方根誤差(= 2012, 2013, …, 2019)。

RMSEand2represent root mean square error and the determination coefficient at theth cross validation (= 1, 2, …, 8), respectively. RMSE_Caland RMSE_Valrepresent theth year’s root mean square of calibration and validation at cross validation (= 2012, 2013, …, 2019), respectively.

1.5 模型評估指標

本研究分別按照公式(1)、公式(2)計算決定系數(shù)(2)和均方根誤差(RMSE), 對APSIM-Maize模型在十大孔兌地區(qū)的適應性進行評估; 按照公式(3)計算變異系數(shù)CV, 對APSIM-Maize模型的參數(shù)變異性進行評估。

2 結果與分析

2.1 參數(shù)敏感性分析結果

在2012—2019年逐年日尺度氣象數(shù)據(jù)驅動下, 本研究對APSIM-Maize模型參數(shù)進行全局敏感性分析, 根據(jù)各參數(shù)在2012—2019年全局敏感性指數(shù)的平均值, 確定各參數(shù)的敏感性強弱, 其結果如圖2所示。影響春玉米產(chǎn)量的參數(shù)敏感性由強到弱依次是: 蒸騰效率系數(shù)(transp_ eff_cf)、輻射利用效率(rue)、開花到成熟的積溫(tt_flower_ to_maturity)出苗到拔節(jié)的積溫(tt_emerg_to_endjuv)、開花到灌漿的積溫(tt_flower_to_start_grain)、潛在灌漿速率(grain_gth_rate)、光周期斜率(photoperiod_slope)和最大穗粒數(shù)(head_grain_no_max)。

2.2 APSIM-Maize交叉驗證及率定結果

依據(jù)APSIM-Maize模型的參數(shù)敏感性強弱對APSIM-Maize模型進行交叉驗證及率定, 其結果如圖3所示。圖3-a表示APSIM-Maize模型在2012—2019年交叉驗證和率定時的均方根誤差(RMSE), 圖3-b1～b8依次表示APSIM-Maize模型在8次交叉驗證時模擬產(chǎn)量與實測產(chǎn)量的擬合情況, 圖3-b9表示APSIM-Maize模型率定時模擬產(chǎn)量與實測產(chǎn)量的擬合情況。圖3-a結果表明, 各年份的模擬誤差存在差異, 導致APSIM-Maize模型模擬誤差存在年際差異的原因有2方面: 一是模型結構限制; 二是氣象條件存在年際差異。對比交叉驗證時率定期與驗證期的RMSE發(fā)現(xiàn), 率定期的均方根誤差(RMSE)均低于驗證期的均方根誤差(RMSE), 且8次交叉驗證的決定系數(shù)2均≥0.7 (圖3-b1～b8), 說明交叉驗證結果擬合度較好, 且率定的參數(shù)較優(yōu)。對比交叉驗證與率定時的RMSE發(fā)現(xiàn), 除2014年與2019年外, 其他年份率定時的RMSE均小于交叉驗證時的RMSE, 說明采用留一交叉驗證法在一定程度上可以減少由模型結構和氣象差異所造成的誤差, 該結果同時也說明增加用于參數(shù)率定的實測數(shù)據(jù)可以減少模擬誤差, 這也反映出留一交叉驗證法的優(yōu)勢。

圖2 基于全局敏感性指數(shù)的參數(shù)敏感性排序

transp_eff_cf: 蒸騰效率系數(shù); rue: 輻射利用效率; tt_flower_to_ maturity: 開花到成熟的積溫; tt_emerg_to_endjuv: 出苗到拔節(jié)的積溫; tt_flower_to_start_grain: 開花到灌漿的積溫; grain_gth_ rate: 潛在灌漿速率; photoperiod_slope: 光周期; head_grain_no_ max: 最大穗粒數(shù)。

transp_eff_cf: transpiration efficiency coefficient; rue: radiation use efficiency; tt_flower_to_maturity: thermal time from flower to maturity; tt_emerg_to_endjuv: thermal time from emergence to end of juvenile phase; tt_flower_to_start_grain: thermal time from flowering to start grain-filling; grain_gth_rate: potential grain growth rate; photoperiod_slope: photoperiod slope; head_grain_no_ max: potential grains per head.

根據(jù)參數(shù)敏感性的強弱依次進行交叉驗證, 所得的8組參數(shù)如表2所示。其中, 開花到成熟的積溫(tt_flower_ to_maturity)的變異系數(shù)最低, 低至1.06%, 其次是輻射利用效率(rue) 2.42%、蒸騰效率系數(shù)(transp_eff_cf) 3.53%、出苗到拔節(jié)的積溫(tt_emerg_to_endjuv) 5.07%、開花到灌漿的積溫(tt_flower_to_start_grain) 15.39%、光周期斜率(photoperiod_slope) 18.24%和潛在灌漿速率(grain_gth_ rate) 23.32%。各參數(shù)在交叉驗證時的變異性較小, 說明APSIM-Maize模型率定參數(shù)的穩(wěn)定性較高。在此前提下, 利用2012—2019年產(chǎn)量數(shù)據(jù)對APSIM-Maize模型的參數(shù)進行率定, 確定最終參數(shù)值, 結果如表2所示?；诼识ê髤?shù)開展APSIM-Maize模型模擬, 如圖3-b9所示, 結果表明春玉米產(chǎn)量模擬值和實測值具有較好的一致性,2為0.72, RMSE為401.5 kg hm–2。這說明經(jīng)過參數(shù)率定后的APSIM-Maize模型在十大孔兌地區(qū)具有較好的適用性, 能較準確模擬春玉米的年產(chǎn)量。

2.3 參數(shù)變異性的影響因素

分析影響參數(shù)變異系數(shù)存在差異的因素發(fā)現(xiàn), 參數(shù)的敏感性強弱導致參數(shù)的變異性存在差異, 結果如圖4所示, 圖中橫坐標表示參數(shù)的敏感性順序, 數(shù)值越大表示參數(shù)的敏感性越弱。在總體趨勢上, 參數(shù)變異系數(shù)隨著參數(shù)敏感性的減弱而增加。這主要是因為敏感性強的參數(shù)對玉米產(chǎn)量影響較大, 小幅度的變動會導致玉米產(chǎn)量發(fā)生較大的變化, 而敏感性弱的參數(shù)對玉米產(chǎn)量的影響較小, 大幅度的變動可能對玉米產(chǎn)量的影響較小, 因此, 在模擬產(chǎn)量與實測產(chǎn)量的2達到0.70且RMSE較小的情況下, 敏感性弱的參數(shù)的變異系數(shù)較大, 而敏感性強的參數(shù)的變異系數(shù)更小。

圖3 APSIM-Maize模型交叉驗證與率定結果

(a): 交叉驗證與率定時均方根誤差比較, 其中RMSE_Cal表示交叉驗證時率定期的均方根誤差, RMSE_Val表示交叉驗證時驗證期的均方根誤差, RMSE表示率定時的均方根誤差; (b): 交叉驗證(b1～b8)與率定(b9)時產(chǎn)量模擬值與實測值比較。

(a): the comparison of the root mean squared error (RMSE) between cross validation and calibration, among them, RMSE_Cal is the RMSE of calibration at cross validation, RMSE_Val is the RMSE of validation at cross validation, and RMSE is the RMSE at calibration. (b): the comparison of simulated and observed yield at cross validation (b1–b8) and calibration (b9).

表2 交叉驗證及率定參數(shù)集

參數(shù)名稱的全稱同圖2。Abbreviations of the parameters are the same as those given in Fig. 2.

圖4 參數(shù)變異系數(shù)與敏感性順序的關系

3 討論

本研究采用留一交叉驗證法對APSIM-Maize模型率定過程中的參數(shù)變異性進行評估。在交叉驗證的過程中, 率定期的均方根誤差(RMSE)均小于驗證期的均方根誤差(RMSE), 說明交叉驗證所得的參數(shù)較優(yōu), 在此情景下計算的各參數(shù)的變異系數(shù)更能真實地評價參數(shù)的變異性。交叉驗證結果表明, APSIM-Maize模型參數(shù)變異系數(shù)在1.06%～23.32%之間波動, 均小于25%, 說明即使采用不同的輸入數(shù)據(jù)對參數(shù)進行率定, 參數(shù)的變異性依然很小, 故可以采用所有年份的觀測數(shù)據(jù)率定參數(shù), 從而增加用于率定參數(shù)的觀測數(shù)據(jù)的數(shù)量, 減少異參同效的可能性。本研究還發(fā)現(xiàn), 參數(shù)的敏感性強弱導致參數(shù)變異性存在差異, 越敏感的參數(shù), 其變異性越小, 這就意味著即使部分參數(shù)的變異系數(shù)相對較大, 但這些參數(shù)對APSIM- Maize模型模擬產(chǎn)量的影響較小, 對模型最終的模擬效果影響較小。

交叉驗證可分為Hold-Out法、k-折交叉驗證法和留一交叉驗證法。目前, APSIM模型在參數(shù)驗證時, 使用較多的是Hold-Out法, 即將數(shù)據(jù)集進行一次切分, 一部分用來訓練模型, 另一部分用來驗證, 該過程只進行一次。例如, Ahmed等[25]用2008年觀測數(shù)據(jù)率定APSIM-Wheat模型參數(shù), 用2009—2010年觀測數(shù)據(jù)進行驗證; Kheir等[26]用2019年的觀測數(shù)據(jù)率定APSIM-Wheat模型, 用2020年觀測數(shù)據(jù)進行驗證; Wang等[27]用1996—2005年的觀測數(shù)據(jù)率定APSIM-Maize模型, 用2006—2012年的觀測數(shù)據(jù)進行驗證。Hold-Out法通常只對數(shù)據(jù)集進行一次隨機切分, 該過程增加了參數(shù)率定過程中的隨機誤差, 另外, 即使模型的模擬精度滿足要求, 但用于參數(shù)率定的觀測樣本數(shù)量較小會增加異參同效的可能性[6]。k-折交叉驗證需要把訓練集分成k個子集, 將每個子集作為驗證集, 該方法適合大樣本的數(shù)據(jù)集[28]。留一交叉驗證法不受訓練集和驗證集劃分的影響, 可以消除隨機劃分數(shù)據(jù)集帶來的偶然誤差, 每一個樣本都單獨做過驗證集, 幾乎用到了所有樣本信息, 適用于訓練數(shù)據(jù)有限的情況[12-13]。本研究采用留一交叉驗證法, 將有限的觀測數(shù)據(jù)劃分為8組不完全相同的數(shù)據(jù)用于APSIM-Maize模型參數(shù)率定, 并對率定過程中參數(shù)的變異性進行評估, 在APSIM-Maize模型參數(shù)變異性較小的情況下, 采用所有年份觀測數(shù)據(jù)率定APSIM-Maize模型, 最大程度增加了用于參數(shù)率定的觀測數(shù)據(jù)數(shù)量, 這不僅減少異參同效的可能性, 還有效降低模擬誤差(圖3-a)。

[1] Hao S, Ryu D, Western A, Perry E, Bogena H, Franssen H J H. Performance of a wheat yield prediction model and factors influencing the performance: a review and meta-analysis., 2021, 194: 103278.

[2] He D, Wang E, Wang J, Robertson M J. Data requirement for effective calibration of process-based crop models., 2017, 234/235: 136–148.

[3] Makowski D, Wallach D, Tremblay M. Using a Bayesian approach to parameter estimation; comparison of the GLUE and MCMC methods., 2002, 22: 191–203.

[4] Sheng M, Liu J, Zhu A X, Rossiter D G, Liu H, Liu Z, Zhu L. Comparison of GLUE and DREAM for the estimation of cultivar parameters in the APSIM-maize model., 2019, 278: 107659.

[5] Ramirez Villegas J, Koehler A K, Challinor A J. Assessing uncertainty and complexity in regional-scale crop model simulations., 2017, 88: 84–95.

[6] Her Y, Chaubey I. Impact of the numbers of observations and calibration parameters on equifinality, model performance, and output and parameter uncertainty., 2015, 29: 4220–4237.

[7] 李波, 孫翔龍, 姚名澤, 鮑慧, 王俊皓. 溫室秸稈不同還田量條件下DSSAT-CROPGRO-Tomato模型的調參與驗證. 生態(tài)學雜志, 2021, 40: 908–918.Li B, Sun X L, Yao M Z, Bao H, Wang J H. Parameter estimation and verification of the DSSAT-CROPGRO-Tomato model under the condition of different amounts of staw returned to the field in the greenhouse., 2021, 40: 908–918 (in Chinese with English abstract).

[8] Chipanshi A, Zhang Y, Kouadio L, Newlands N, Davidson A, Hill H, Warren R, Qian B, Daneshfar B, Bedard F, Reichert G. Evaluation of the Integrated Canadian Crop Yield Forecaster (ICCYF) model for in-season prediction of crop yield across the Canadian agricultural landscape., 2015, 206: 137–150.

[9] Mkhabela M S, Bullock P, Raj S, Wang S, Yang Y. Crop yield forecasting on the Canadian prairies using MODIS NDVI data., 2011, 151: 385–393.

[10] Qian B, De Jong R, Warren R, Chipanshi A, Hill H. Statistical spring wheat yield forecasting for the Canadian prairie provinces., 2009, 149: 1022–1031.

[11] Nurulhuda K, Muharam F M, Shahar N a N, Hashim M F C, Ismail M R, Keesman K J, Zulkafli Z. ORYZA (v3) rice crop growth modeling for MR269 under nitrogen treatments: assessment of cross-validation on parameter variability., 2022, 195: 106809.

[12] 趙子龍, 李波, 豐雪, 姚名澤, 解影, 邢經(jīng)緯, 李長信. 溫室環(huán)境不同灌水水平條件下DSSAT-CROPGRO-Tomato模型的調參與驗證. 應用生態(tài)學報, 2018, 29: 2017–2027. Zhao Z L, Li B, Feng X, Yao M Z, Xie Y, Xing J W, Li C X. Parameter estimation and verification of DSSAT-CROPGRO- Tomato model under different irrigation levels in greenhouse., 2018, 29: 2017–2027 (in Chinese with English abstract).

[13] 陳召霞, 徐新剛, 徐良驥, 楊貴軍, 邢會敏, 賀鵬. 基于新型植被指數(shù)的冬小麥覆蓋度遙感估算. 麥類作物學報, 2016, 36: 939–944. Chen Z X, Xu X G, Xu L J, Yang G J, Xing H M, He P. Estimating vegetation coverage of winter wheat based on new vegetation index., 2016, 36: 939–944 (in Chinese with English abstract).

[14] Keating B A, Carberry P S, Hammer G L, Probert M E, Smith C J. An overview of APSIM, a model designed for farming systems simulation., 2003, 18: 267–288.

[15] He L, Zha G, Jin N, Zhuang W, Yu Q. Global sensitivity analysis of APSIM-Wheat parameters in different climate zones and yield levels., 2015, 31: 148–157.

[16] Saxton K E, Rawls W J, Romberger J S, Papendick R I. Estimating generalized soil-water characteristics from texture., 1986, 50: 1031–1036.

[17] 游松財, 邸蘇闖, 袁曄. 黃土高原地區(qū)土壤田間持水量的計算. 自然資源學報, 2009, 24: 545–552.You S C, Di S C, Yuan Y. Calculation of filed capacity in the Loess Plateau region., 2009, 24: 545–552 (in Chinese with English abstract).

[18] Saltelli A, Tarantola S, Chan K P S. A quantitative model- independent method for global sensitivity analysis of model output., 1999, 41: 39–56.

[19] 宋明丹, 馮浩, 李正鵬, 高建恩. 基于Morris和EFAST的CERES-Wheat模型敏感性分析. 農(nóng)業(yè)機械學報, 2014, 45(10): 124–131. Song M D, Feng H, Li Z P, Gao J E. Global sensitivity analyses of DSSAT-CERES-Wheat model using Morris and EFAST methods., 2014, 45(10): 124–131 (in Chinese with English abstract).

[20] Li J, Wang L, Luo Z, Wang E, Wang G, Zhou H, Li H, Xu S. Reducing N2O emissions while maintaining yield in a wheat-maize rotation system modelled by APSIM., 2021, 194: 103277.

[21] Ren X, Sun D, Wang Q. Modeling the effects of plant density on maize productivity and water balance in the Loess Plateau of China., 2016, 171: 40–48.

[22] Wang N, Wang E, Wang J, Zhang J, Zheng B, Huang Y, Tan M. Modelling maize phenology, biomass growth and yield under contrasting temperature conditions., 2018, 250–251: 319–329.

[23] Iman R L, Conover W J. A measure of top-down correlation., 1987, 29: 351–357.

[24] Confalonieri R, Bellocchi G, Tarantola S, Acutis M, Donatelli M, Genovese G. Sensitivity analysis of the rice model WARM in Europe: Exploring the effects of different locations, climates and methods of analysis on model sensitivity to crop parameters., 2010, 25: 479–488.

[25] Ahmed M, Akram M N, Asim M, Aslam M, Hassan F U, Higgins S, St?ckle C O, Hoogenboom G. Calibration and validation of APSIM-Wheat and CERES-Wheat for spring wheat under rainfed conditions: Models evaluation and application., 2016, 123: 384–401.

[26] Kheir A M S, Alkharabsheh H M, Seleiman M F, Al-Saif A M, Ammar K A, Attia A, Zoghdan M G, Shabana M M A, Aboelsoud H, Schillaci C. Calibration and validation of AQUACROP and APSIM models to optimize wheat yield and water saving in arid regions., 2021, 10: 1375.

[27] Wang Y, Lyu J, Wang Y, Sun H, Hannaford J, Su Z, Barker L J, Qu Y. Drought risk assessment of spring maize based on APSIM crop model in Liaoning province, China., 2020, 45: 101483.

[28] Levitan N, Gross B. Utilizing collocated crop growth model simulations to train agronomic satellite retrieval algorithms., 2018, 10: 1968.

Yield simulation from APSIM-Maize by using the leave-one-out cross validation approach

YANG Xue-Ning1,2, ZHANG Yong-Qiang1,*, ZHANG Xuan-Ze1, MA Ning1, and ZHANG Jun-Mei3

1Key Laboratory of Water Cycle and Related Land Surface Processes, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China;2Sino-Danish College, University of Chinese Academy of Sciences, Beijing 100101, China;3Dalat Banner Agricultural and Animal Husbandry Technology Extension Center, Dalat 014300, Inner Mongolia, China

The Agricultural Production Systems Simulator (APSIM) has been extensively used in crop yield estimation and agricultural management. Leave-one-out cross validation is a key way to improve the model simulation capability with the limited filed data. In this study, we evaluate the parameters sensitivity to maize yield and evaluate the reliability of parameters with the leave-one-out cross validation based on the sensitivity rank of parameters. These results showed that: (1) The sensitive parameters for maize yield were ranked in descending order as: transpiration efficiency coefficient, radiation use efficiency, thermal time from flower to maturity, thermal time from emergence to end of juvenile phase, thermal time from flowering to start grain-filling, potential grain growth rate, photoperiod slope, and potential grains per head. (2) The coefficients of variation of parameters fluctuated from 1.06% to 23.32%, which indicates that the variation of parameter was small and the reliability of parameters was high. (3) The adjusted APSIM-Maize model performed well in simulating spring maize yield (2= 0.72; RMSE = 401.5 kg hm–2), which indicates that the model had great adaptability in estimating spring maize yield in the Ten Kongduis. Our study provides an insight to improve the reliability of parameters with limited field data.

APSIM-Maize model; cross validation; spring maize

10.3724/SP.J.1006.2023.23064

本研究由“科技興蒙”行動重點專項(十大孔兌綜合治理與水資源集約高效利用集成示范) (KJXM-EEDS-2020005)和鄂爾多斯科技重大專項(鄂爾多斯陸地生態(tài)系統(tǒng)碳儲量、碳匯核算及潛力評價) (2022EEDSKJZDZX016)資助。

This study was supported by the “Science for a Better Development of Inner Mongolia” Program (Integrated Demonstration of Comprehensive Management and Effective Utilization of Water Resources in the Ten Kongduis) (KJXM-EEDS-2020005) of the Bureau of Science and Technology of the Inner Mongolia Autonomous Region, and the Ordos Science & Technology Plan (Calculation and Evaluation of Carbon Storage and Carbon Sink in Terrestrial Ecosystem in Ordos) (2022EEDSKJZDZX016).

張永強, E-mail: zhangyq@igsnrr.ac.cn

E-mail: xnyang1999@163.com

2023-09-27;

2023-04-18;

2023-04-27.

URL: https://kns.cnki.net/kcms/detail/11.1809.S.20230427.1347.002.html

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).