模式誤差來源
作物模式的誤差主要來源包含模式架構、輸入資料與模式參數。(1) 模式架構:模式的本質是真實世界的簡化,若要減少誤差,則需用實驗建立分析相對應機制的數學方程式,增加模式的的解釋變數(explanatory variables);(2) 輸入資料:來自於輸入資料採樣或量測的誤差,可以從提升取樣的代表性或量測準確性來減少這一個誤差;(3) 參數誤差:包含使用錯誤的量測資料進行校正所造成的誤差,以及校正的過程所造成的誤差,僅能從現有的資料進行校正,這個校正的過程是能夠提升模式準確度的最後一個方法。
調參(calibration,又稱率定) 在作物模式當中扮演著決定的角色,但是調參的過程並未有統一的方法,2018年在歐洲農業期刊所發表的「改進作物模式調參的過程 - 目前的狀態與未來的方向為何?(Towards improved calibration of crop models – Where are we now and where should we go?)」。由德國、澳洲與法國的研究人員共同發表,他們發送網路問卷給模式研究人員,包括AgMIP (Agricultural Model Intercomparison and Improvement Project)、MACSUR (Modeling European Agriculture with Climate Change for Food Security)、ISMC (International Soil Modeling Consortium),以及重要的作物模式APSIM、DSSAT、STICS、DAISY的人員,以了解作物模式研究人員進行調參的方式與習慣。總共收到318份問卷,但大部分的問卷僅有少部分題目回答,難以作為有效問卷,作者群定義4個核心題目,如果這4個核心題目皆有回答時就視為有效問卷,經過整理後共取得211份有效問卷進行分析。上述的4個核心問題為Q16 針對多少個參數進行校正、Q20 調參的過程過使用幾個階段、Q23 調參的策略、Q34 調參過程最主要的困難點。
率定的參數數量
66%參加者調參的數量在10個參數以內,40%調參數量在5個參數以內,中位數是6。大多數的參與者依據模式開發者的建議,調整模式的遺傳或品種參數,但是有45%的參與者,依據自己的經驗進行調整,可能依據敏感性分析的結果或自己的專家知識,分的參與者使用多階段的調參,
這個報告中也顯示大部分的學者都使用多階段的調參,僅有24%選擇單1階段調參,選擇2階段或3階段調參的分別佔19%和32%。大部分的情形(66%),第1階段的調參與物候期相關,第2階段之後選擇其他參數進行調整。在調整的方法上,39%參加者選擇最小均方根誤差、21%選擇ad hoc measure of goodness、13%選用GLUE。
參考文獻
Towards improved calibration of crop models – Where are we now and where should we go?