3.2 降水控制模拟实验
敏感性分析是探讨模型对不同输入变量的响应特征。模型的敏感性分析是模型研究的重要内容，通过敏感性分析能够发现对模拟结果影响力较大的参数，最大限度地减少高度敏感参数的输入误差，进而降低模型模拟误差及输出结果的不确定性。通常，参数的敏感性分析是指当其他条件不变情况下，通过改变一个参数的取值来辨析该参数对模拟结果的影响程度，即识别参数敏感性的相对高低。因此，通过敏感性分析探讨Biome-BGC模型的输出变量对各个输入参数的敏感性，能够提高对模型的认知与理解。为了反映不同输入参数的敏感性，本书采用敏感系数（Sensitivity Index，SI）来表征模型输出变量对不同输入变量的敏感程度，如式（3-1）所示（王旭峰和马明国，2009）。
式中 x、y———模型的输入和输出变量；
Δx和Δy———模型输入和输出变量的变化量。
本书分别假定输入变量在基准值上变化+10%和-10%，即Δx=±10%x（王旭峰和马明国，2009）。依敏感程度绝对值进行参数分类：①若＞0.2，表示输出变量对此参数具有高敏感性；②若是0.1～0.2，则为中敏感性；③若＜0.1，则为低敏感性（吴家欣，2008）。
Biome-BGC模型对所有的输入参数都比较敏感。Tatarinov等探讨了Biome-BGC模型对样地自然属性数据会影响模型的模拟结果，如土壤有效深度、土壤质地和氮沉降（Tatarinov和Cienciala，2006）。同时，有学者证明输入气象数据的差异将会影响模型对NPP的估算（Ichii等，2005）。在模型中，温度主要通过酶活性影响光合作用；降水主要通过影响土壤湿度作用于光合作用和异养呼吸；水汽压亏缺经过气孔导度的作用影响光合作用，而辐射则直接干扰光合作用（李慧，2008）。因此，有必要基于上述敏感性分析方法探讨NPP等不同碳通量对输入气象数据的敏感性，表征环境因子对碳通量的影响程度。图3-2表示内蒙古草原的NPP对当地气象环境因子的敏感性变化方向，对各个输入参数的敏感性绝对值从大到小的顺序为：降水量＞日最高温度＞水汽压亏缺＞日最小温度＞短波辐射通量密度＞平均温度＞日照长度。尽管模型输入参数（除平均温度和日照长度外）的敏感性都比较高（SI＞0.2），但降水是控制内蒙古草原生产力变化最为敏感的气象因子之一。(https://www.daowen.com)
图3-2 内蒙古锡林浩特站NPP对模型各个输入参数的敏感性分析图
在不同气象因子敏感性分析的基础上，进一步探讨模型输出变量对降水的敏感性，如图3-3所示。在基于Biome-BGC模型的降雨控制模拟实验中，相对于原始日降水分别设置5%、10%、20%、30%、50%、75%等不同梯度的降雨亏缺。通过降水控制模拟实验，研究发现不同碳通量（GPP、Re、NPP、NEP）随着降水亏缺程度的不断增加，敏感性指数的绝对值不断增大，进一步显示Biome-BGC模型的优良表现。在GPP、Re、NPP、NEP四个碳通量中，NEP和NPP对降水减少的响应比较强烈。因此，NPP对不同程度干旱具有比较敏感的响应。
图3-3 锡林浩特站不同碳通量对不同程度降水变化的敏感性响应图
因此，通过敏感性分析和降水控制模拟实验表明，Biome-BGC模型能够很好地模拟气象因子变化尤其是降水变化对不同碳通量的影响，为本书进一步分析干旱对草地生产力的定量评估奠定了良好的基础。
