作物多模型研究中参数不确定性对模拟变异性的主导作用解析

本研究针对作物多模型模拟中存在的显著变异性问题，通过分析三组小麦物候多模型实验数据，首次采用随机效应方差分析法量化模型结构(Structure)与参数(Parameters)不确定性的相对贡献。结果表明参数不确定性平均占总变异的69%，是结构不确定性的两倍以上，揭示了校准方法差异是变异主因，为提升模型可靠性提供了新方向。

　　

在全球气候变化加剧的背景下，作物模型成为预测粮食安全的关键工具。然而，多模型比较研究（如AgMIP项目）中常出现模拟结果的巨大差异，严重削弱了模型的预测可信度。传统观点认为这种变异性主要源于模型结构差异，但法国农业科学研究院（INRAE）领衔的国际团队通过分析小麦物候模拟数据，颠覆了这一认知。

研究团队重新分析了三个开放招募的多模型实验数据（涉及法国冬小麦品种Apache/Bermude和澳大利亚春小麦Janz），包含27-28个建模组使用的23种模型结构。创新性地采用随机效应方差分析（REML算法），利用同结构多组别参数差异量化真实参数不确定性。同时，通过比较常规校准与标准化协议校准的结果，双重验证参数影响。

关键技术包括：1) 基于BBCH物候尺度的多环境观测数据（法国8-14个环境，澳大利亚18-24个环境）；2) 开放招募建模组的"机会性集合"构建；3) lme4包的线性混合效应模型分析；4) 针对物候阶段BBCH10/30/55/65/90的双重校准方案对比。

【主要结果】

1. 方差组分分析显示：参数方差(σ_parameters²)平均占比达69%，显著高于结构方差(σ_structure²)的31%。法国数据中BBCH30模拟参数贡献高达93%，澳大利亚BBCH30为66%。

2. 校准方法对比验证：协议校准使模型间变异降低22%，预测误差减少11%，证实校准差异是参数不确定性的主要来源。无观测数据的BBCH10模拟中参数贡献仅41%，凸显校准数据的关键作用。

3. 模型结构影响：S2/S4/S18三种结构被3-4个组重复使用，其组间差异反映真实参数变异，而非常规假设的观测误差或先验范围。

讨论指出，传统研究低估参数不确定性的原因在于仅考虑单一来源（如观测误差或先验范围），而实际多模型研究中的参数变异还包含：1) 默认值差异；2) 校准参数选择（敏感分析vs专家经验）；3) 目标函数（频率学派vs贝叶斯方法）等复合因素。该发现对生态系统模型、水文模型等领域具有普适性参考价值。

这项发表于《Agricultural and Forest Meteorology》的研究明确提出：提升作物模型精度需同等重视参数优化与结构改进。研究团队开发的通用校准协议（Wallach et al., 2025）已开始推广应用，为减少多模型变异提供了实践范式。未来需在产量模拟等复杂场景中验证该结论，并建立跨模型的参数标准化框架。