區域玉米水肥耦合制度的優化研究
----以長春市綠園區為例

高金花，柏 宇，葛 勝，蒲金山，王 莉，廉冀寧

(1.長春工程學院 水利與環境工程學院，長春 130021；2.吉林省水工程安全與災害防治實驗室，長春 130021；3.長春市綠園區農業技術推廣總站，長春 130021)

隨著玉米膜下滴灌技術的發展，膜下滴灌中水肥耦合制度的優化問題獲得廣泛的關注。地理信息系統作為一門綜合性學科，結合地理數據、地圖學、遙感及計算機科學，在不同領域上都有廣泛應用。在農業分析上，Dubravko將地理信息系統應用在農業的灌溉管理上，監控農業作物的水分利用情況，該系統能有效改善土地-作物管理策略，提供作物生長記錄的空間數據，通過田間數據的收集，數據的管理和數據的分析來實現精確農業灌溉[1]。Kamlesh建立了土壤數據、作物品種及播期數據和氣候數據的地理信息系統，分析各因素對作物生長的影響，并繪制地理信息系統的數據和服務平臺，為用戶提供基礎的地理數據的分析和決策[2]。Paolo研究農業技術對特拉西梅諾湖流域的環境影響，建立單一作物和土壤因素的不同環境經濟評價方案，應用線性規劃和多目標分析技術獲得最優組合方案，最后通過地理信息系統建立流域的風險評估系統[3,4]。但將地理信息系統與區域玉米水肥耦合優化制度相結合應用的方面尚不多見。

本文應用ArcGIS地理信息系統收集土壤數據、地形數據，結合已在國內外取得廣泛研究的DSSAT作物模型[5-8]，經過田間數據的驗證，模擬不同區域的最優田間管理方案，為提高玉米產量和保證糧食安全做出貢獻，并提出一種適宜不同區域玉米的水肥耦合優化方法。

1 資料與方法

1.1 資料來源

地理信息數據：文中的綠園區合心鎮的地形數據來源于國家地理基礎資料；合心鎮肥力數據及耕地面積數據來源于長春市綠園區農業推廣總站。合心鎮位于長春市西北部，全鎮轄區面積89.56 km2，共轄8個自然村，現有耕地5 313 hm2，總農業人口1.8萬人。由于處于世界三大黃金玉米帶之一的東北玉米帶，玉米種植主要依靠雨養，施肥主要依靠底肥和大喇叭口期追加尿素，年均產量達1萬kg/hm2，耕地肥力與耕地面積見表1，永躍、岳家、新立三村由于政府征地等原因故不列入這次調查當中，土壤肥力不進行統計，故表1中只列入5個村子的數據。

表1 合心鎮各村土壤肥力數據

注：數據來源于長春市綠園區農業推廣總站。

DSSAT模型參數數據的獲?。禾镩g試驗數據的來源于長春市合心鎮東安村的試驗站，本試驗站位于北緯43°7′，東經125°59′。地處東北松遼平原腹地，平均海拔210 m，地勢平坦開闊。平均氣溫4.8 ℃，最高氣溫39.54 ℃，最低氣溫-39.8 ℃，日照時間2 700 h左右，年均降雨量522～615 mm。試驗設計以四、六次追肥為因素，50%、100%和150%施肥量為水平的6組正交試驗，及3種不同均勻壟距的對比試驗組；吉林省中部玉米膜下滴灌的6個DSSAT常規參數來源于對田間試驗的分析，由于DSSAT模型本身并不具備模擬玉米膜下滴灌的模塊，通過對比3種不同均勻壟距與常規膜下滴灌的產量等特征數據，確定65 cm壟距作為DSSAT模型中模擬膜下滴灌的輸入壟距。經過DSSAT-GLUE運行6組正交試驗數據對比分析，獲得DSSAT模型模擬吉林省中部玉米膜下滴灌的6個基本參數見表2。

表2 DSSAT模型模擬吉林中部玉米膜下滴灌的6個基本參數

1.2 分析方法

(1)GIS的肥力分布圖繪制。GIS的地形圖繪制由國家基礎資料獲得合心鎮地形的柵格圖，利用ArcScan矢量化模塊進行地圖的矢量化轉換。首先對柵格圖進行空間校正，調節classify來控制圖片的清晰度，建立新的線圖層，通過ArcScan進行地圖的邊界線矢量化轉換，利用拓撲工具檢查線圖層上的重疊或偏離的線條并進行修整獲得合心鎮的地形圖。對線圖層進行線化面處理，在面圖層屬性表中輸入與表1對應區域的土壤肥力和耕地面積數據。ArcGIS具有空間數據的運算功能，空間數據的運算包括算術運算、邏輯運算和統計運算3個方面，通過字符運算器進行水肥耦合優化結果對合心鎮玉米增產潛力的運算。

(2)水肥耦合模型優化分析。最優水肥耦合制度的求解依據DSSAT植作物模型與Matlab遺傳算法聯合求解。由于玉米的水肥耦合制度屬于非線性規劃問題，本文應用Matlab遺傳算法對其求解。遺傳算法主要步驟：隨機生成初始種群；計算每個個體的適應度；選擇操作；交叉操作；變異操作；終止條件判斷，當進化代數與遺傳代數相同時，算法結束。優化方程中的決策參數主要有灌溉制度和施肥制度，產量則是以輸入隨機的灌溉制度和施肥制度對應的DSSAT模型的輸出產量，根據最高灌溉定額和施肥定額確定每次灌溉和施肥的取值范圍，每次灌溉用水范圍在0～60 mm，每次施肥范圍在0～60 kg/hm2。本文的適應度函數選擇：

0≤x1≤60, 0≤x2≤60

(1)

式中：maxf(x1,x2)為目標函數；D為每公頃收益，元/hm2；y為玉米產量，kg/hm2；x1為灌溉用水量，m3/hm2；x2為施用尿素量，kg/hm2；n為灌溉次數；m為施肥次數。

D值代表各村種植每公頃玉米的收益；y值代表每公頃玉米產量，系數2代表玉米的單價；x1代表每公頃玉米的灌溉用水量，系數2.5代表灌溉水單價包括每立方米的水費、水泵使用費用、電費；x2代表每公頃使用尿素量，系數2代表尿素的單價。各價格系數采用合心鎮實際調查單價的均值。

2 結果與分析

2.1 合心鎮肥力分布圖

針對合心鎮各村的肥力統計采用長春市綠園區農業推廣總站提供的各村的第二次全國土壤肥力普查數據如表1所示。依據國家地理基礎數據構建合心鎮的矢量地形圖，將土壤數據與地理信息系統相結合輸入合心鎮地形圖的屬性表中，依據合心鎮各村氮磷鉀含量的不同選擇不同的符號表達方式，合心鎮的耕地速效氮、磷、鉀分布如圖1所示。圖1中永躍、岳家、新立三村由于政府征地等原因故不列入這次調查當中，土壤肥力不進行統計，在圖1中均以白色表示。

2.2 東安村水肥優化制度的求解

根據ArcGIS提供的地理信息數據，在不同土壤肥力基礎上，運用DSSAT模擬各村玉米的生長發育，與遺傳算法相結合求解各村的最優水肥制度。分析不同水肥耦合方案對產量的影響。本文以東安村為例，遺傳算法的各類輸入數據如下：設計種群數量為10；遺傳代數為100；采用二進制編碼方式編碼每個灌溉或施肥因素的字符串長度為6；每個種群個體各有13個灌溉和施肥因素構成，故種群個體字符串長尾13×6=78；選擇方法為輪盤賭法；選擇概率為1；交叉方法為單點交叉法，交叉概率為0.9；變異方法為基本位變異，變異系數為0.1。經過調整和檢驗，確定在60代左右的時候，玉米產量趨于穩定達到最大值見圖2和圖3。最后一代種群80%的個體達到適應度值最大，其余兩個種群個體則由于交叉和變異影響了適應度值的變化，表明了遺傳算法具有較好的收斂性，100代以后搜索結束，各階段的灌水和施肥量如表3所示，1～9 列為對應的灌溉水用量，10～13列為對應的追肥量，確定最優的水肥耦合制度如表4所示。在此水肥耦合制度的運作下，達到最大的產量12 834 kg/hm2。

圖1 合心鎮土壤速效氮、鉀、磷分布圖(單位：mg/kg)

圖2 遺傳100代后種群中個體的適應度分布圖圖3 種群最優解遺傳代數內的變化曲線

表3 遺傳100代后各決策參數的數值表

表4 遺傳100代后每個遺傳個體所求得的產量y值與每公頃收益D值表

2.3 基于GIS的合心鎮玉米水肥優化制度

基于東安村水肥耦合制度的求解方法，對比試驗站數據驗證模擬結果的準確性，故其余各村采用相同方法，獲得其余4村的灌溉與追肥制度如表5所示，各村的模擬y值與D值如圖4和圖5所示，可以看出新農家的每公頃產量達到最高的12 901 kg。東安村、哈達村、于家村由于基礎肥力相差不大灌溉與追肥的管理制度結果也相同，通過地理信息系統計算出各村的總產量如圖6所示，預計產量達到3 848 t，相比往年平均值高出29.43%。

圖4 模擬優化后各村的產量值(單位：kg/hm2)

圖5 模擬優化后各村的D值(單位：元/hm2)

圖6 模擬優化后各村的總產量(單位：kg)

通過基于地理信息系統的玉米水肥優化方法在合心鎮的應用效果可以看出，玉米膜下滴灌技術能有效提高玉米產量，對農業的水肥管理制度提供了理論支持。在農業信息化快速發展的今天，能為區域作物種植模式的選擇和水肥管理制度的選擇提供依據。

3 結 語

(1)通過ArcGIS對合心鎮的土壤肥力及耕地面積數據構建區域的土壤肥力分布圖，能有效的為植作物生產分析提供基礎數據。

(2)DSSAT植作物模型與Matlab遺傳算法結合能有效地解決玉米水肥耦合制度的求解問題。

(3)玉米的膜下滴灌模式能有效地提高玉米的產量，以綠園區合心鎮為例，玉米產量相比常規種植提高29.43%。

(4)地理信息系統的可視化與水肥耦合制度優化的求解相結合，能為農民的田間管理制度提供理論依據。在農業信息化快速發展的今天，能為區域作物種植模式的選擇和水肥管理制度的選擇提供依據。

□

[2] Kamlesh Golhani, A S Rao, J C Dagar. Utilization of open-source web GIS to strengthen climate change informatics for agriculture. climate change modelling [J]. Planning and Policy for Agriculture, 2015,(2):87-91.

[3] Paolo Abbozzo, Antonio Boggia, Francesco Pennacchi. Economic studies on food, agriculture, and the environment[M].US:springer,2002:315-327.

[5] He J. Best management practice development with the CERES-Maize model for sweet corn production in North Florida[D]. US:University of Florida, 2008.

[6] 劉 瑋. 基于模型的播期對東北春玉米產量影響的研究[C]∥ 中國氣象學會.S10氣象與現代農業發展.中國氣象學會,2012:22.

[7] 李小涵,武建軍,呂愛鋒,等. 不同CO2濃度變化下干旱對冬小麥葉面積指數的影響差異[J]. 生態學報,2013,(9):2 936-2 943.

[8] Pavel Samuhel, Bernardi?ka. Parameterization of crop simulation model “ceres-maize” in nitra-dolná malanta [J]. Journal of Environmental Engineering and Landscape Management, 2007,15(1):25-30.