作物模型是农业-环境研究中的重要工具,随着农业信息技术的兴起,它逐渐成为数字农业和现代农业研究的重要基础和核心。作物模型也是节水灌溉试验研究的重要补充,被广泛应用于不同条件下作物生长与土壤中水分、养分以及矿物成分之间的响应关系模拟分析,克服了田间试验中的诸多缺陷。然而,作物模型结构复杂、参数众多,各参数对模型输出变量的影响程度一般不为人所知,且部分参数的值受环境、气候以及作物品种等因素的影响而具有较大的不确定性,造成作物模型参数率定和应用十分困难。本文以ORYZA_V3模型为例,对作物模型进行了比较系统的参数敏感性和不确定性分析,旨在识别模型中的敏感参数和非敏感参数,探讨作物模型参数敏感性的时空特性和影响因素,并对作物模型的不确定性和参数估计等问题的研究方法进行充分讨论。论文的主要研究内容和成果如下:(1)基于拉丁超立方取样方法(LHS)和Regression-based方法,对比分析不同参数取值范围对模型输出变量的变异系数(CV)、90%置信区间、参数敏感性分析结果的影响,并采用TDCC系数评价不同参数取值范围下参数敏感性的一致性。结果表明,当作物模型参数的取值范围过大或过小时,均会导致模型中某些敏感参数失去敏感性且与实际观测值的变化范围不符,从而误导参数的敏感性分析结果;据此提出了适宜的参数取值范围及其研究方法,为作物模型的参数敏感性和不确定性分析提供参考。(2)根据南昌双季晚稻生育期内的积温排频得到5%、50%、95%对应的典型年。基于Extended FAST法计算不同典型年模型参数对各阶段输出变量的敏感指数,并分析各输出变量的CV值和均值在不同生育阶段和不同年型间的变化规律。结果表明,作物模型参数对不同输出变量的敏感性不一致,且参数的敏感性随生育阶段的发展呈现十分明显的时间特性;不同典型年作物模型参数的敏感性结果具有一定的差异,模型中与产量形成相关的参数的敏感性、输出变量的CV值和均值受到偏冷或偏热等非正常年型的影响较大。(3)在全国16个水稻种植亚区选择18个典型站点,基于Extended FAST法对每个站点进行30a(1986-2015)参数敏感性分析,计算各参数对各阶段输出变量的总敏感指数及其30 a的标准差,分析不同稻作亚区、不同稻作制度模型参数敏感性的变化规律及其影响因素。结果表明,作物模型参数的敏感性具有十分明显的空间变异特征且受到气候类型、稻作制度的影响较大,与站点所处的经纬度或海拔无明显的关系;同一稻作亚区,作物模型参数的敏感性在不同站点之间的差异总体上不明显;不同环境下,各参数对WST2.0和WSO2.0的总敏感指数在年际间的差异较大,即具有比较明显的时间变异特性;作物模型参数敏感性与日均最高、最低气温以及积温具有十分显著的相关性;此外,少数参数对LAI2.0的敏感性还与累积日照具有显著的相关性。(4)基于GLUE法对作物模型进行不确定性分析,构建8种似然函数,对比分析不同似然函数对参数取值后验分布的影响;据此选择比较有效的似然函数,计算其对应的2012-2013年模型输出变量的90%置信区间,通过评价置信区间的合理性和可靠性,优选出适宜的似然函数,为基于GLUE法的作物模型不确定性分析提供参考。(5)根据2012-2013年南昌双季晚稻的观测数据,采用试错法、GA法、GLUE法和PEST法分别对模型中的关键敏感参数进行估计,对比分析不同参数估计方法的可靠性。结果表明,不同参数估计方法所得的参数值组合具有十分明显的差异,揭示了作物模型中的“异参同效”现象;基于GLUE法的模拟精度总体上优于其它方法,且可提供参数值的后验分布,具有独特的优势;PEST法的优化效率最高,但基于该方法的模拟精度略低于GLUE法;试错法受模型使用者的主观性影响较大,所得参数值组合的模拟精度最差;GA法的优化效率较低,受初始值的影响较大,在作物模型的参数估计中不如GLUE法和PEST法可靠;此外,模型中部分参数的值在率定之后仍具有较大的不确定性,建议作物模型参数率定过程有必要分步或分过程进行。