分解水稻产量预测中的总不确定性：量化模型结构驱动不确定性与参数值驱动不确定性的相对贡献

《Agronomy Journal》：Decomposing total uncertainty in rice yield prediction: A quantification of relative contributions of model structure-driven and parameter value-driven uncertainties

　　

摘要

作物模型被广泛用于模拟作物生长和产量。然而，很少有研究探讨影响作物模型准确性的因素。本研究评估了AquaCrop、WOFOST和ORYZA 3.0版本在中国广西地区预测早季和晚季水稻（Oryza sativa L.）产量的预测不确定性，并量化了模型结构驱动的不确定性（即对作物生长决定性、限制性和减缓性因素的简化或错误表示）与参数值驱动的不确定性对总预测不确定性的相对贡献。研究结果表明：（1）AquaCrop模型的预测性能最佳，均方根误差介于274至622公斤/公顷之间，平均绝对百分误差介于4%至15%之间，R²值介于0.50至0.63之间。（2）对于每个单独的作物模型，使用10,000组基于后验参数分布随机生成的参数向量构建了水稻产量预测的后验分布。模拟的水稻产量预测分布的95%置信区间包含了79.3%的实际观测产量。（3）在早季水稻产量预测中，结构驱动的不确定性和参数值驱动的不确定性平均相对贡献分别为51%和50%；而在晚季水稻产量预测中，这些贡献分别约为39%和61%。本研究展示了在评估作物模型对水稻产量预测的不确定性时，量化这两种不确定性类型的重要性。

通俗语言总结

作物模型是预测作物生长和产量的重要工具，但由于模型结构和参数设置的不同，其预测准确性可能会有所差异。本研究评估了三种广泛使用的作物模型（AquaCrop、WOFOST和ORYZA_V3）在中国广西地区预测早季和晚季水稻产量的能力。经过校准的AquaCrop模型具有最高的准确性，其预测误差低于其他模型。当参数被随机扰动时，模型预测的不确定性增大，这突显了适当优化参数的重要性。结构不确定性和参数不确定性对早季产量的影响基本相当，而在晚季预测中参数不确定性的作用更为显著。这些发现强调了需要综合考虑模型结构和参数来源的不确定性，以提高区域水稻产量预测的可靠性。

利益冲突声明

作者声明没有任何利益冲突。

数据可用性声明

数据可应要求提供。