全球敏感性分析与参数优化协同提升作物模型预测精度的机制研究

为解决农业生态系统模型参数校准中的不确定性和计算效率问题，研究人员系统评估了Morris、Sobol-Martinez和eFAST三种全局敏感性分析（GSA）方法，结合Nelder-Mead、DREAM-zs和L-BFGS-B优化算法在APSIM Next Generation模型中的应用。研究发现Morris方法参数筛选范围广但精度不足，Sobol-Martinez与DREAM-zs组合可实现最优校准，为农业决策提供高精度模拟工具。

　　

在气候变化和粮食安全双重挑战下，农业生态系统模型成为优化管理措施的核心工具。然而，以APSIM Next Generation为代表的模型面临"参数爆炸"困境——大量参数与有限观测数据间的矛盾导致校准过程充满不确定性，不同参数组合可能产生相同输出（即"等效性"问题），严重制约模型预测可靠性。这一难题如同笼罩在数字农业上空的"参数迷雾"，阻碍着从田间到政策的科学决策。

中国农业科学院（Chinese Academy of Agricultural Sciences）的研究团队在《Computers and Electronics in Agriculture》发表的研究，首次系统解析了全局敏感性分析（Global Sensitivity Analysis, GSA）与参数优化算法的协同机制。研究人员以小麦为模式作物，创新性地构建"筛选-校准-验证"全链条框架，通过63个植物建模框架（Plant Modelling Framework, PMF）参数的动态分析，为破解作物模型校准困境提供了方法论突破。

研究采用多技术联合作战：首先运用Morris、Sobol-Martinez和eFAST三种GSA方法进行参数敏感性排序；随后采用Nelder-Mead（单纯形法）、DREAM-zs（贝叶斯马尔可夫链蒙特卡洛）和L-BFGS-B（拟牛顿法）三类优化算法进行参数校准；最终基于中国扬州2015-2017年七种小麦基因型的田间观测数据，通过R²、RMSE（均方根误差）、KGE（Kling-Gupta效率系数）等8项指标评估预测性能。

GSA收敛性与计算效率
通过500-10,000次采样测试发现：Morris方法仅需500次采样即可收敛（置信区间<0.05），耗时最短（<2小时）；eFAST在参数较少时效率优于Sobol-Martinez，但后者在20参数场景下展现更强稳定性。这为不同规模参数集的筛选提供选择依据。

关键参数识别差异
Morris识别出最广参数范围（如LAI相关参数达6个），但存在"过度捕捞"；Sobol-Martinez精准锁定核心参数——辐射利用效率（RUE）和籽粒灌浆期（GF）同时影响8个输出变量；eFAST则极端"挑剔"，仅保留3-4个最高敏感参数。三者在开花期（FL）参数筛选中相关性达0.997，但在叶面积指数（LAI）评估中差异显著。

优化算法性能对比
DREAM-zs在50,000次迭代后实现最高精度（R²>0.75），但计算成本陡增；Nelder-Mead易陷局部最优，L-BFGS-B在梯度计算中表现中庸。值得注意的是，Sobol-Martinez与DREAM-zs组合使校准误差降低37%，验证了方法协同的"1+1>2"效应。

不确定性来源解析
四因素方差分析揭示：表型参数（如开花期）的不确定性主要来自方法间交互作用（占62%）；而生物量预测误差中，基因型×算法的交互贡献达41%，凸显遗传背景对参数校准的调控作用。

这项研究构建了"敏感性分析-参数优化-不确定性量化"的标准化流程，其创新性体现在：首次证实Sobol-Martinez与DREAM-zs的黄金组合可使小麦产量预测误差控制在3%以内；揭示Morris方法在复杂生物系统中的应用局限性；为APSIM Next Generation模型建立21个核心参数库（如RUE、GF、BP（基株节律））。这些发现不仅适用于小麦模型校准，其方法论框架还可推广至玉米、水稻等作物模型优化，为智慧农业的精准预测提供新范式。正如研究者指出："选择互补的GSA和优化方法，比追求单一方法的极致性能更能提升预测可靠性"——这一洞见将指引下一代作物模型的开发方向。