Modelar el sistema suelo-planta-atmósfera (SPA) requiere múltiples subprocesos y numerosos parámetros. El análisis de sensibilidad es efectivo para identificar componentes importantes del modelo y mejorar la eficiencia del modelado. Sin embargo, la mayoría de los análisis de sensibilidad para modelos SPA se centran en la evaluación a nivel de parámetros, proporcionando ideas limitadas sobre la importancia a nivel de procesos. Para abordar esta brecha, este estudio propone un método de análisis de sensibilidad de procesos que integra la red bayesiana con medidas de sensibilidad basadas en la varianza. Cuatro subprocesos están demarcados en función de las relaciones físicas entre los componentes del modelo revelados por la red. Aplicado a un sistema SPA de trigo de invierno bajo diferentes condiciones de agua, el método identifica de manera efectiva y confiable procesos críticos. Los resultados indican que, bajo un estrés hídrico mínimo, los subprocesos de fotosíntesis y partición de materia seca determinan principalmente los rendimientos agrícolas. A medida que disminuye el suministro de agua, los subprocesos de movimiento del agua del suelo y evapotranspiración ganan importancia creciente, volviéndose predominantes bajo un severo estrés hídrico. A lo largo de la temporada de cultivo, la importancia de los subprocesos y su respuesta al estrés hídrico son moduladas por la fenología del cultivo. En comparación con el análisis convencional de sensibilidad de parámetros, nuestro método destaca en la síntesis de cambios en la importancia de parámetros divergentes e identificación de subprocesos influyentes, incluso sin parámetros de alta sensibilidad. Este estudio proporciona nuevas ideas sobre la modelización adaptativa de SPA al simplificar dinámicamente subprocesos no importantes en respuesta a cambios ambientales.