作物模型参数敏感性分析现状与展望

作物模型作为作物产量预测等方面应用广泛、作用巨大的重要工具,其参数的校正和优化等工作是模型模拟的前提.普通的试错法缺乏客观性且效率低下,对作物模型的输入参数进行敏感性分析,识别模拟过程中参数的敏感程度,能够有效识别关键参数并减少率定的参数量,为后续模型参数优化和校正工作奠定基础.本文主要分析了作物模型的局部敏感性分析方法和全局敏感性方法的利弊及其适应条件,涵盖傅立叶幅度灵敏度检验法(FAST)、Morris法、LH OAT法、普适似然不确定性估计法(GLUE)、Sobol法以及扩展傅立叶幅度灵敏度检验法(EFAST)等,回顾各方法在作物模型中的研究现状,并对作物模型参数敏感性分析方法提出了展望.