针对传统高斯正态似然函数(Gaussian likelihood function,GLF)在观测数据存在测量误差和模型算法结构复杂时无法描述模型残差异方差特点,造成马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法进行模型参数校正时结果存在偏差的问题,通过引入变异系数(coefficient of variation,CV)变换的高斯似然函数(GLF with CV transformation,GLF-CV)和BC(Box-Cox)变换的高斯似然函数(GLF with BC transformation,GLF-BC)对观测数据和模型结构造成的异方差进行特征描述,并比较了参数校正效果及模型不确定度(uncertainty ratio,UR)。以2004—2009年高要雪花粘(早熟)、2001—2004年兴化武育粳3号(中熟)、1991—2004年六安汕优63号(晚熟)3个生态点的田间栽培试验数据为基础,RiceGrow和Oryza2000物候期模型为对象,利用仿射不变马尔科夫链蒙特卡洛集成采样(ensemble sampling for affine-invariant MCMC,EMCEE)算法实现模型参数校正,并比较了GLF-CV、GLF-BC、GLF对校正结果的影响。研究表明:1)3种似然函数下,RiceGrow和Oryza2000物候期模型预测均方根误差(root mean square error,RMSE)范围分别2.66~4.54d、2.30~4.41 d,表明3种似然函数用于参数校正均有效果。2)在RiceGrow物候期模型中,3个水稻品种参数相对均方根偏差(relative root mean square deviation,RRMSD)和模型预测RMSE均是GLF-BC最小,在GLF-BC下模型预测RMSE比GLF-CV小0.09、0.07、0.80 d,比GLF小1.21、0.20、0.07 d,表明GLF-BC对RiceGrow物候期模型具有良好的适应性。3)在Oryza2000物候期模型中,雪花粘、武育粳3号、汕优63号3个水稻品种的模型预测RMSE最小的是GLF、GLF-BC和GLF-CV,分别为2.30、4.17、3.50 d。可以看出LF的选择与模型残差异方差的主要来源有关,当主要来源为观测数据时,GLF-CV好于其他;当主要来源为模型结构本身时,GLF-BC好于其他;当模型残差的异方差性较小时,可使用GLF。
