The deterministic approach in crop modeling simplifies uncertainty present in the environment using a unique parameter set. In practice, this uncertainty is seen in the variability of data collected in a field experiment. One way to exploit this uncertainty is to use the stochastic approach, by inserting the range of plausible variability into the simulation’s parameters and inputs. This study aims to evaluate the ability of a process-based crop model to simulate the uncertainty of a sugarcane field. We employed the recently updated version of SAMUCA model to simulate the sugarcane growth and development in a 4-year field experiment, where the crop was grown under the effect of green cane trash blanket (GCTB) and bare soil (Bare). To analyze the effect of genotype and soil variability on output variables, a stochastic approach was applied to the corresponding parameters of the SAMUCA model. A global sensitivity analysis was utilized to prioritize and identify the most important parameters to explain the model uncertainty. Then, the uncertainty was analyzed in three different ways: uncertainty analysis only for genotype parameters (UG), uncertainty analysis only for soil parameters (US) and the analysis of both soil and genotype parameters (UGS). We quantified the variability of the stochastic simulation by the ratio between the average of the standard deviation of the simulations and the average of the standard deviation of the observed data. The variability observed in the field is not fully explained by the hydraulic parameters of the soil, possibly due to irrigation and good rainfall distribution in the area. Furthermore, the variability in US simulations were higher for GCTB than in Bare treatment, suggesting that the GCTB has a larger influence in SAMUCA’s variability than for the hydraulic parameters in the conditions of this study. The UG and UGS had the same capacity to quantify the variability present in the environment for the treatments Bare and GCTB. In this case, sensitivity to soil parameters can simply be ignored and genotype parameters can be chosen as the only source of variability for practical applications. Our suggestion for future work is to explore environments without irrigation, different amounts of GCTB and other soil parameters present in the model.

作物建模中的确定性方法使用独特的参数集简化了环境中存在的不确定性。在实践中，这种不确定性体现在现场实验中收集的数据的可变性中。利用这种不确定性的一种方法是使用随机方法，将合理的可变性范围插入模拟的参数和输入中。本研究旨在评估基于过程的作物模型模拟甘蔗田不确定性的能力。我们使用最近更新版本的 SAMUCA 模型来模拟甘蔗在 4 年田间试验中的生长和发育，其中作物在绿色甘蔗垃圾毯 (GCTB) 和裸土 (Bare) 的影响下生长。分析基因型和土壤变异对输出变量的影响，随机方法应用于SAMUCA 模型的相应参数。使用全局敏感性分析来确定和确定最重要的参数以解释模型的不确定性。然后，以三种不同的方式分析不确定性：仅针对基因型参数的不确定性分析 (UG)、仅针对土壤参数的不确定性分析 (US) 以及土壤和基因型参数的分析 (UGS)。我们通过模拟的标准偏差的平均值与观测数据的标准偏差的平均值之间的比率来量化随机模拟的可变性。在田间观察到的变化不能完全由土壤的水力参数解释，可能是由于该地区的灌溉和良好的降雨分布。此外，GCTB 在美国模拟中的变异性高于 Bare 处理，这表明 GCTB 对 SAMUCA 变异性的影响比在本研究条件下对水力参数的影响更大。对于裸露和 GCTB 处理，UG 和 UGS 具有相同的能力来量化环境中存在的可变性。在这种情况下，可以简单地忽略对土壤参数的敏感性，并且可以选择基因型参数作为实际应用中可变性的唯一来源。我们对未来工作的建议是探索没有灌溉的环境、不同数量的 GCTB 和模型中存在的其他土壤参数。UG 和 UGS 在量化 Bare 和 GCTB 处理环境中存在的可变性方面具有相同的能力。在这种情况下，可以简单地忽略对土壤参数的敏感性，并且可以选择基因型参数作为实际应用中可变性的唯一来源。我们对未来工作的建议是探索没有灌溉的环境、不同数量的 GCTB 和模型中存在的其他土壤参数。对于裸露和 GCTB 处理，UG 和 UGS 具有相同的能力来量化环境中存在的可变性。在这种情况下，可以简单地忽略对土壤参数的敏感性，并且可以选择基因型参数作为实际应用中可变性的唯一来源。我们对未来工作的建议是探索没有灌溉的环境、不同数量的 GCTB 和模型中存在的其他土壤参数。