交替溝灌玉米灌漿期莖流影響因子敏感性分析與模型適用性研究

杜斌，胡笑濤，王文娥，馬黎華，周始威

?

交替溝灌玉米灌漿期莖流影響因子敏感性分析與模型適用性研究

杜斌1，胡笑濤1，王文娥1，馬黎華2，周始威1

（1西北農林科技大學旱區農業水土工程教育部重點實驗室，陜西楊凌 712100；2西南大學資源環境學院，重慶 400715）

【目的】應用人工神經網絡對不同處理玉米莖流進行精準預測，為推算玉米蒸騰耗水量以及制定合理的灌水方案提供新思路?！痉椒ā吭囼炑芯繉ο鬄橄挠衩祝贩N為西農985。試驗設置3個處理，分別為交替溝灌高水處理（alternate furrow irrigation，AFI1）、交替溝灌低水處理（alternate furrow irrigation，AFI2）和常規溝灌處理（conventional furrow irrigation，CFI）。AFI1、AFI2每次灌水量為CFI灌水量的2/3和1/2。利用通徑系數與互信息分析不同處理的影響因素與玉米莖流相關關系，基于人工神經網絡理論建立了玉米莖流速率估算模型，以主成分回歸模型為對比，對兩個模型預測精度和穩定性進行評價?！窘Y果】（1）不同處理對環境因子的響應有所差異，影響CFI、AFI1玉米莖流的主要因素是氣象因子，影響AFI2處理玉米莖流的主要因素是土壤水分；（2）不同土層含水量對各處理莖流的影響也有所不同，研究發現10—20 cm和20—30 cm土層含水量與玉米莖流相關程度最高。利用不確定性分析法進一步分析得出，常規處理與高水處理水平下，與莖液流變化關系最密切的土壤含水層為20—30 cm，其次是10—20 cm，低水處理水平下，最敏感的土層為10—20 cm，其次是20—30 cm；（3）根據模型誤差分析與模型不確定性分析，神經網絡模型、d-factor值較小，2值達到了0.9以上，說明神經網絡模型預測精度更高，模型更穩定。【結論】與傳統方法相比，人工神經網絡模型可以快速準確地對莖流進行預測，對指導玉米灌溉具有重要的指導意義。

交替溝灌；玉米莖流；人工神經網絡；分層土壤含水量

0 引言

【研究意義】蒸騰速率是反映作物水分狀況的有效指標，蒸騰是作物與外界水分交換的重要過程，植物根部吸收水分的99%被以莖流的形式耗散，而且研究發現植物莖流速率和實際蒸騰速率具有顯著相關性，可以用作物莖流來表征作物的蒸騰量[1-2]。因此闡明不同處理下，作物莖流的影響因子敏感性，以及精確預測作物莖流對估算作物蒸騰量具有重要指導意義?！厩叭搜芯窟M展】近年來，國內外學者應用熱平衡原理對玉米、棗樹、葉底珠、油蒿、棉花、黃芪等植物的莖流特征進行了比較廣泛的分析和研究，并得出了很多估算模型[3-8]。但由于對作物根系土壤水分狀況對于蒸騰過程的影響認識局限，以往模型的精確性以及穩定性還有待進一步完善。研究表明，作物能夠感受土壤水分脅迫從而產生根源信號傳遞到地上部分調節其蒸騰過程，根系合成的ABA可優化氣孔開度進而改變蒸騰效率[9-11]。然而不同土層根系ABA含量差異很大，研究表明除特別干燥表皮土壤中根系外，所有根尖部分的ABA濃度與相應土層中含水量顯著相關[12]。交替溝灌條件下，作物根系經歷反復干濕交替對根內源ABA也會有顯著影響，不同區域含水量對莖流的影響并不能單純歸結為線性關系，交替溝灌條件下，根區交替濕潤效應對作物莖流的影響可能還具有復雜的非線性特點，傳統的研究方法主要是通過線性回歸建立的經驗模型，由于涉及因素較多，參數選取較為困難，預測結果差異也較大，且經驗模型中的參數適用范圍小，對不同處理莖流進行估算時，需要重新進行數據分析，完成復雜的調參過程，因此在實際應用中存在很大的局限性。【本研究切入點】以往的莖流模型大多基于土壤平均含水量以及作物生長過程中的溫度、輻射、風速等局地氣象條件[13-17]，并沒有考慮不同土壤深度含水量對莖流的影響，這嚴重影響了作物莖流模型的精確度。人工神經網絡模型是處理非線性系統的有力工具[18-19]。它具有較強的學習能力，與傳統模型相比，省去了數據分析以及人工調參等繁瑣過程，具有不可忽視的優勢?！緮M解決的關鍵問題】本文以交替溝灌玉米為研究對象，通過通徑系數和互信息，比較不同處理玉米莖流與影響因素的響應差異，找出相關度較高、較為敏感的氣象因子。將不同土層土壤含水量與選定的氣象因子為模型輸入項，采用主成分回歸模型（principal component regression，PCR）和人工神經網絡模型（artificial neural networks，ANN）分別建立莖流預測模型，通過誤差分析和不確定性分析，對比模型優劣，評價神經網絡模型在莖流估算的可行性。利用不同土層含水量對模型的響應差異找出與玉米莖流關系最密切的關鍵土層含水量，為深入了解玉米受旱機理和運用莖流進行植株水分虧缺診斷提供依據。

1 材料與方法

1.1 試驗設計與數據處理

1.1.1 試驗區概況 試驗于2016年7月至2016年11月在西北農林科技大學旱區農業水土工程教育部重點實驗室節水灌溉試驗站遮雨棚下進行，該站位于東經108°24′，北緯34°20′，海拔高度 521 m。試驗站所在地區屬于半濕潤半干旱地區，多年平均氣溫12.5℃（2006—2016年），年降雨量635—665 mm，年蒸發量900—1 100 mm。

1.1.2 試驗設計 試驗在6個規格為深（60 cm）寬（80 cm）長（100 cm）的測坑中進行，測坑內土壤取自西北農林科技大學試驗田表層土壤，取土層次為 0—40 cm。土壤容重為1.35 g·cm-3，土壤類型為土，其機械組成為砂粒（0.02 mm）占62.00%，粉粒（0.002—0.02 mm）占32.36%，黏粒（＜0.002 mm）占5.64%。田間持水量（FC）為23%（質量含水量）；自然風干后，過2 mm孔徑的篩，進行分層裝土。為防止水分發生側向運動，交替溝灌處理裝土前每個小區中部縱向用塑料薄膜隔開，然后按容重1.35 g·cm-3分層裝土，裝土過程中每隔10 cm在每個測坑中間塑料薄膜兩側分別埋設1個土壤水分傳感器ECH2O，兩邊各5個，每個測坑共設置10個探頭。裝土完成后，在測坑內起壟，壟寬10 cm，兩壟間形成頂寬為15 cm的溝，溝深10 cm。

1.1.3 試驗處理 試驗研究對象為夏玉米，品種為西農985。試驗于2016年7月10日播種，9月29日收獲，整個生育期共80 d。每個測坑種植6棵玉米，行距40 cm，株距25 cm。試驗設置常規灌溉處理（conventional furrow irrigation，CFI）、交替溝灌高水處理（alternate furrow irrigation，AFI1）和交替溝灌低水處理（alternate furrow irrigation，AFI2）處理，共3個處理，每個處理2個重復。土壤含水量降到70%FC時開始灌溉，灌水上限為100%FC。灌水量通過公式M=H×L×D(θFC-θ)，式中，H為計劃濕潤層深度，苗期取30 cm，其他生育期取50 cm；L為測坑長度，取100 cm；D為玉米種植間距，取25 cm；θFC為田間持水量，經測定為31.2%（體積含水量）；θ為計劃濕潤層深度內土壤水分平均含水量。AFI1和AFI2單次灌水量分別為CFI灌水量的2/3和1/2。當灌水側的ECH2O測得的含水量平均值下降至土壤含水量下限（70%FC）時，開始給未灌水一側進行灌水，以后輪流交替進行。首次灌水3個處理均灌至田間持水量，玉米長至苗期后開始控水處理。除草、施肥等其他管理措施均跟當地保持一致（圖1）。

圖1 試驗布置示意圖

1.1.4 監測指標 （1）土壤含水量：利用ECH2O（Decagon，USA）土壤水分傳感器監測不同土層土壤體積含水量，時間間隔為30 min。（2）氣象因素：利用微型WatchDog（Spectrum Technologies Inc.，USA）系列氣象站每30 min自動測定并記錄一次空氣溫度（temperature，T）、相對濕度（relative humidity，RH）、太陽輻射（solar radiation，Ra）等。空氣飽和水汽壓差（vapor pressure deficit，VPD）由FAO56中修正的Penman-Monteith公式計算得到。（3）玉米莖流：采用flow-32（Dynamax Ltd，USA）包裹式莖流計測定玉米莖流。每個處理挑選一株生長狀況良好，葉片莖稈無損傷的玉米植株安裝一個包裹式莖流計，每30 min由數據采集器自動記錄一次莖流速率。安裝前將玉米底部老葉剔除，并將安裝部位的莖稈清理干凈，探頭安裝于離地面10 cm的玉米莖稈處。

1.2 模型原理與方法

1.2.1 變量間相關分析 變量間相關性主要利用通徑分析和互信息來考察。互信息（MI）可用來衡量兩個變量間的一致性變化以及依賴性的強弱程度。它不僅能描述變量間的線性相關關系，也能描述變量間的非線性相關關系。

=òòf1n

式中，f()、f()為變量、的邊際分布函數，f,y(,)是聯合邊際分布函數。當變量、相互獨立時，互信息=0，說明兩個變量之間不存在共同信息。反之，、相互依賴程度越高，值越大。

相關性分析數據取自8月13日至9月5日間莖流和氣象數據（試驗期間當地風速較小，前期分析沒有太大影響，選擇Ra、T、VPD對莖流影響較大的氣象因子進行相關性分析），8月到9月是玉米的抽雄灌漿期，該時段玉米蒸騰耗水量大，是玉米莖流量高峰時期，也是玉米關鍵需水期。剔除部分時段內無效監測數據（8月13日到9月5日為玉米抽雄灌漿期，在此期間避免玉米莖稈與傳感器粘連，莖流計會每5 d拆卸維護，個別時間莖流計或ECH2O未顯示數據，為保證數據同步，剔除了這些日期的整日數據），最終得到樣本數據為CFI樣本數n=576，AFI1樣本數n=408，AFI2樣本數n=384。

1.2.2 模型選取 本文BP（back propagation，BP）神經網絡模型計算過程如下：學習過程中信號經過正向傳播通過逐層處理，算出各層神經元的輸出，若輸出層實際輸出與期望輸出不符，則將誤差信號反向傳播，將誤差分攤給各層所有單元，通過修正各單元的權值，使誤差逐漸減小到允許的精度。本文采用trainlm函數作為訓練函數，傳輸函數選擇線性函數（purelin）、S型傳輸函數（Logsig）和雙曲線正切函數（Tansig）。通過多次試算，隱含層節點為3個時BP神經網絡精度最好，BP網絡拓撲結構示意圖如圖2所示。

X1為太陽輻射（Ra）；X2為空氣溫度（T）；X3為飽和水氣壓差（VPD）；X4為0—10 cm土壤含水量（θ0-10）；X5為10—20 cm土壤含水量（θ10-20）；X6為20—30 cm土壤含水量（θ20-30）；X7為30—40 cm土壤含水量（θ30-40）；X8為40—50 cm土壤含水量（θ40-50）。i、j、k分別代表各層神經元數量。下同

選取8月13日至9月5日之間的莖流數據，剔除部分時段內無效監測數據（莖流計、ECH2O未顯示數值，為保證數據同步，剔除該日數據），最終得到樣本數據為CFI樣本數n=576，AFI1樣本數n=408，AFI2樣本數n=384，所有數據均以30 min為間隔，其中每個處理2/3的數據樣本用作訓練樣本，1/3數據作為檢測樣本。輸入項數據分為3種類型，分別為莖流數據，氣象數據和土壤含水量數據。其中氣象數據包括空氣溫度、太陽輻射和飽和水汽壓差，土壤含水量數據包括0—10，10—20，20—30，30—40，40—50 cm不同土層含水量。輸出項均為玉米莖流速率。

1.3 模型的檢驗與評價

模型的評價指標包括決定系數2和均方根誤差（root mean square error，）2個評價指標。其中通過以下公式計算得到：

用于模型的預測誤差分析的優勢在于其量綱與要模擬的量一致，方便不同模型間的比較。其值越小，模型的模擬效果越好。

1.4 不確定分析

本文采用d-factor指數對兩種模型的不確定性進行比較以及不同土層敏感性分析。其方法是通過改變模型輸入項，在原有樣本數據的每一個輸入項（Xi）增加與減少10%的范圍內，使用matlab中的unifrnd分布函數生成連續均勻分布的隨機數，將生成的新數據作為新輸入項導入已建立的模型中。

2 結果

2.1 不同灌水方式與灌水量對莖流的影響

一般對于作物莖流估算模型的研究，大多是基于常規灌溉方式并且水分供應充足的條件下得到，這種估算方法對于其他水分狀況下的莖流估算并不可靠，因為灌水方式和灌水量不同對于作物莖流有不同影響。選擇一個灌水周期內兩種典型天氣下3種處理玉米莖流速率日變化過程進行分析，不同水分處理對玉米莖流速率變化影響如圖3所示（晴天8月5日、多云8月6日）。從玉米莖流速率日變化來看，晴天下8:00左右3個處理玉米莖流開始快速上升，13:00左右莖流速率達到第一次峰值，CFI、AFI1和AFI2莖流峰值分別為269.93、234.88和179.65 mL·h-1，CFI處理峰值最大，交替溝灌條件下，玉米莖流峰值隨著灌水量減小而減小；第二次峰值出現在17:30—18:30，分別為223.61、176.20和122.62 mL·h-1，之后輻射持續降低，莖流速率開始下降，蒸騰停止后降至最低值。21:00—24:00之間出現微弱的莖流。與晴天相比，在多云天氣下莖流速率較小。太陽輻射呈不規則變化，莖流速率隨太陽輻射的波動而波動，莖流速率出現多個峰值，CFI莖流速率最大，AFI1處理次之，AFI2處理峰值則明顯小于兩者，這一點與晴天時莖流規律相同。不同天氣下3個灌水處理日累計莖流量也有明顯差異，晴天時莖流積累量明顯大于陰天，但兩種天氣條件下莖流累積量表現出相同的規律，CFI累計莖流量最高，AFI1次之，AFI2最低。

A：莖流速率日變化過程；B：莖流量日積累曲線。CFI：常規溝灌處理；AFI1交替溝灌高水處理；AFI2交替溝灌低水處理

2.2 莖流與氣象因素以及不同土層含水量相關分析

為了闡明各影響因素與玉米莖流的直接影響，選擇影響玉米莖流的主要氣象指標與0—50 cm分層含水量進行通徑分析，計算得到統計系數，結果如表1所示。

CFI、AFI1處理的氣象指標通徑系數和互信息值均大于AFI2處理，而從土壤含水量來看，CFI與AFI1處理通徑系數和互信息值均小于AFI2處理，這表明CFI與AFI1處理土壤水分灌水量較高，此時影響玉米莖流的主要是氣象因素，而AFI2處理莖流對含水量的響應較強，與氣象因素的關系較弱，此時影響玉米莖流的主要因素為土壤含水量。交替溝灌條件下的兩個處理，除了10—20 cm、20—30 cm土層外，其余沒有達到顯著性水平，但其互信息值較大。表層含水量受到蒸發影響并未表現出顯著相關性，10—20 cm和20—30 cm土層含水量相關性較好，達到顯著性水平，深層含水量與莖流表現出負相關關系。從MI值計算結果來看，3種處理深層含水量MI值較小，這也說明深層土壤含水量變化與莖流變化協同趨勢較弱。CFI與AFI1處理10—20 cm與20—30 cm土層含水量值較大，AFI2處理0—10、10—20和20—30 cm層含水量值較大，3種處理的土層敏感性不一致，對其敏感性需要進一步評價。

表1 玉米莖流與影響因素的通徑系數（R）與互信息（MI）結果列表

*表示達到0.05顯著水平，**表示達到0.01顯著水平

*, ** mean significantly different at 0.05 and 0.01 levels

2.3 不同莖流模型模擬分析

基于相關性分析結果，以訓練樣本數據分別建立主成分回歸模型（PCR）與人工神經網絡模型（ANN），經數據訓練后，將檢測樣本分別輸入到PCR模型和ANN模型，兩個模型模擬結果如圖4所示。從兩種模型模擬效果對比來看，神經網絡模型模擬值與真實值相關性更好，3組處理的神經網絡模型2值均在0.9以上，主成分回歸模型2值在0.8左右，而神經網絡模型值遠小于主成分回歸模型，人工神經網絡模型均方根誤差在20—30 mL·h-1，而主成分回歸模型誤差則達到了77—109 mL·h-1，而實測值變化范圍為0—400 mL·h-1，顯然PCR模型誤差值過大不能被接受。主成分回歸模型對中午時段的莖流值估計過大（圖5），而ANN模型則可以很好的模擬出這種強蒸騰條件下作物自身調節導致的莖流降低現象，這也是以往線性模型所不具有的優勢。對夜間蒸騰為零時的作物莖流，兩個模型都不能準確預測，甚至出現負值?；谝陨戏治?，可以得出，應用人工神經網絡模型模擬玉米莖流是可行的，與PCR模型相比，它不需要對不同處理再分別建立模型，所有數據分析與參數調整均由模型自動完成，很大程度上提高了效率和模擬精度。

2.3.1 模型不確定性分析 模型的不確定性分析主要是考察當輸入項發生變化時，模型模擬效果是否穩定，能否對新的輸入項仍能達到準確的模擬效果。本研究應用不確定性分析與d-factor指數對模型穩定性進行評價，不確定性越大，說明模型模擬值落在真實值附近的范圍越大，模型精度就越低，模型越不穩定。模型輸出項變化范圍如圖6所示，圖中曲線為玉米莖流的觀測值，陰影部分為95%置信區間。對比兩種模型，ANN模型更能合理的應對輸入項的變化帶來的輸出值變化，它可以重新調整內部學習機制，對各層函數閾值參數做出調整，而PCR模型模擬值輸出數值變化范圍較大，對于輸入項的變化無法做出響應，若要提高精確度還需要對變化后的輸入項重新整理分析調整模型系數。結合d-factor值來看（表2），ANN模型平均值較小，不確定性小于PCR模型；模型不確定性從小到大依次為AFI1-ANN模型（0.882）＜AFI2-ANN模型＜CFI-ANN模型；對比3種處理，AFI1處理兩種模型不確定性均低于AFI2處理，CFI處理模型不確定性最高。綜上所述，人工神經網絡模型擬合精度更高，模型更穩定。

A：常規溝灌處理神經網絡模型模擬值；B：交替溝灌高水處理神經網絡模型模擬值；C：交替溝灌低水處理神經網絡模型模擬值；D：常規溝灌處理主成分回歸模型模擬值；E：交替溝灌高水處理主成分回歸模型模擬值；F：交替溝灌低水處理主成分回歸模型模擬值

2.3.2 關鍵土層敏感性判斷 關鍵土層敏感性分析依然采用d-factor指數進行定量描述，d-factor值越大，預測值變化范圍越大，說明所對應的土層含水量對模型越敏感。在每層含水量實測值增加和減少20%的范圍內以Matlab中的unifrnd函數生成（連續）均勻分布的隨機數，其他輸入項的觀測值按照增加與減少10%的范圍內生成（連續）均勻分布的隨機數。將生成的輸入項數組導入模型，分別計算兩種模型預測值d-factor指數。不同土層含水量d-factor指數計算結果如表3所示。

由表3可知，常規灌溉處理條件下，兩種模型對20—30 cm土壤含水量數據變化最敏感，10—20 cm次之。交替溝灌高水處理條件下，PCR模型對輸入項變化最敏感的是30—40 cm土層，其次是20—30 cm和10—20 cm土層，ANN模型則對20—30 cm土層數據變化最敏感，10—20 cm土層次之。低水處理條件下，兩種模型對10—20 cm土層含水量最敏感，20—30 cm土層次之?？紤]到高水處理水平下PCR模型擬合誤差較大，因此認為ANN模型得到的敏感性分析結果更有參考性。

A：常規溝灌處理模擬值與實測值對比；B：交替溝灌高水處理模擬值與實測值對比；C：交替溝灌低水處理模擬值與實測值對比

表2 不同模型穩定性分析中的d-factor指數

黑色實線為莖流實測值；陰影為95%置信區間；A：常規溝灌處理主成分回歸模型不確定性分析；B：交替溝灌高水處理主成分回歸模型不確定性分析；C：交替溝灌低水處理主成分回歸模型不確定性分析；D：常規溝灌處理神經網絡模型不確定性分析；E：交替溝灌高水處理神經網絡模型不確定性分析；F：交替溝灌低水處理神經網絡模型不確定性分析

表3 不同處理的分層含水量敏感性分析中的d-factor指數

3 討論

作物莖流速率可以在不破壞作物的情況下獲得，而且能很好的表征作物體內水分狀況，因此獲得了迅速的研究和推廣。以往莖流經驗方程盡管計算簡單，但其應用存在參數無法轉移的問題，即相同作物在不同試驗條件下，或者不同作物在相同試驗條件下參數不盡相同，這給以莖流推算作物水分狀況帶來了一定的局限，若直接照搬其他研究者的模擬方程必然會導致誤差，因此提出一種能夠在不同試驗背景下都能夠適用的估算方法就顯得十分重要。

3.1 模型誤差來源分析

從圖3中可以看出莖流在達到最大值后又出現第二次峰值，出現此情況是由于中午太陽輻射很強，空氣溫度較高，植物為了保持體內水分不被過度散失，玉米葉片氣孔暫時性關閉，出現了特有的“午休”現象，即玉米的蒸騰減弱，莖流速率下降。當太陽輻射逐漸減弱，空氣溫度下降，玉米葉片氣孔打開，蒸騰速率也出現回升。不同處理莖流對影響因子的響應存在差異，當外界因子發生變化時，所建立的PCR模型中的系數并不能隨著外界因子的變化而進行調整，這就帶來了模擬誤差。從PCR模型模擬結果來看，采用檢測樣本對模型進行驗證時，當中午溫度和輻射增大至最大值，預測值與真實值偏差較大（圖4），作物由于“午休”現象，莖流速率通過自身氣孔調節作用反而降低，而PCR模型中系數固定不變使得莖流速率的模擬值隨著輻射和溫度的增加而嚴重偏大（圖5）。不同試驗條件下，PCR模型很難適應外界環境因素的變化，因此基于以往線性回歸方法對于不同試驗條件下的莖流模擬很難提出統一的算法。神經網絡經過學習后會對權值進行動態調整，在莖流模擬過程中信號經過正向傳播逐層處理，算出各層神經元的輸出，若輸出層實際輸出與期望輸出不符，則將誤差信號反向傳播，將誤差分攤給各層所有單元，通過修正各單元的權值，使誤差逐漸減小到允許的精度。因此對于不同背景下的試驗，只要神經網絡結構合理，有足夠的訓練數據，輸入統一的計算程序，人工神經網絡即可迅速完成數據分析與建模。這與常規方法相比，避免了參數無法轉移的問題，也大大縮短了建模時間。本文通過matlab基于人工神經網絡算法，構建了統一的莖流計算程序，將不同處理莖流訓練樣本分別輸入程序進行訓練，得到了不同處理的預測模型。本試驗中，不同的灌水方式以及灌水量處理條件下，玉米莖流速率存在差異，但是觀察后發現，經過樣本訓練后建立的神經網絡模型對于3種處理莖流速率的模擬精度較高，尤其是對于中午時“午休”現象導致的莖流驟升驟降，常規模型并不能作出相應反應，人工神經網絡模型有著獨特的優勢。

3.2 大田尺度模型修正與應用

本文基于人工神經網絡建立了莖流估算模型，并取得了良好的效果，但對不同試驗背景下的作物實現莖流模擬還需要進一步驗證。大田中外界影響因素復雜，需要在本模型的基礎上考慮風速和降水量帶來的影響。降水是影響大田土壤水分的主要因素，雨后淺層土壤含水量迅速升高，雨后又快速降低，含水量波動大，深層土壤含水量增大會滯后于降水，這可能對作物莖流模擬精度帶來影響。不同雨強和不同歷時的降水對土壤含水量也會造成影響，模型預測精度還需在今后試驗中進一步驗證。大田中玉米根系更發達，不同深度土壤水分對作物莖流的影響也需要進一步探究。研究提出的影響莖流變化關系最密切的關鍵土層的思路，可為大田中關鍵水分調控土層分析提供借鑒，有助于認識和理解植株莖流與分土層含水量之間的潛在聯系，可以用于根區局部土壤水分調控，調節莖流的關鍵土層根系產生的根源信號，降低作物蒸騰作用，減少水分無效蒸發，進而提高水分利用率，實現節水優產的目的，為緩解干旱區水資源短缺和精準農業管理的實現提供理論支撐[27-28]。

3.3 神經網絡模型精度影響因素

人工神經網絡模型在數據量越大的情況下，其訓練結果及函數逼近精度也會更高，參與訓練的數據量會對預測精度有一定的影響。因此在滿足預測精度的情況下，要盡量使用當地易于取得的模型輸入指標。本文圖5中可以發現，夜間莖流出現負值，這是因為白天玉米植株莖流過大，根系在一定程度上不能滿足蒸騰失水，導致植物體內水分供需平衡失調，水容下降[15,29]。夜間蒸騰停止后，根系需要繼續從土壤中吸收水分以補充白天由于蒸騰導致的水分虧缺，此時水分傳輸的主要動力來源于根壓和葉片水勢較低產生的水勢差[23-26]，莖流與環境因子相關性弱，兩個模型均未區分白天和夜間莖流，一定程度上影響了預測精度。另外，相關性分析結果表明（表1），深層含水量與莖流表現出負相關關系，這可能因為莖流速率變化與深層土壤含水量變化存在一定的時間滯后，作物莖流是典型的日變化過程[30-31]，而不同土層的含水量會先后出現峰值，兩者變化趨勢不一致也影響了模型的預測精度[32]，因此，在模型的完善及模型在實際應用等方面還需要進一步的研究。

4 結論

本文研究了交替溝灌條件下夏玉米莖流變化規律常規溝灌處理、交替溝灌高水處理和低水處理玉米莖流與太陽輻射、溫度和飽和差均呈正相關變化，其中太陽輻射與莖流相關性最好，溫度和飽和差次之。10—20 cm和20—30 cm土層含水量相關性較好，是影響玉米莖流的主要含水層。常規處理與高水處理水平下，與莖液流變化關系最密切為20—30 cm土層，其次是10—20 cm土層；低水處理水平下，為10—20 cm土層，其次是20—30 cm土層。在對玉米莖流速率預測預報中，人工神經模型模擬精度較高且模型更穩定，可應用于玉米莖流估算。

[1] 劉奉覺, 鄭世鍇, 巨關升, 吳衍德. 樹木蒸騰耗水測算技術的比較研究. 林業科學, 1997, 33(2): 117-126.

Liu F J, Zheng S K, Ju G S, Wu Y D. A study on comparison of measuring water-consumption for transpiration in poplar., 1997, 33(2): 117-126. (in Chinese)

[2] Lassie J P, David R M, Leo J F. Transpiration studies in Douglas fir using the heat pulse technique., 1977, 23(3): 377-390.

[3] 聶文果, 張盹明, 徐先英, 唐進年, 金紅喜. 玉米莖流速率及耗水量研究. 中國農學通報, 2009, 25(7): 230-234.

NIE W G, ZHANG D M, XU X Y, TANG J N, JIN H X. Stemflow rate research ofL..2009, 25(7): 230-234. (in Chinese)

[4] 孫雨婷. 灌水量對阿克蘇地區棗樹莖流影響研究. 農業與技術, 2015, 35(15): 46-48.

SUN Y T. The influence of irrigation amount on the stem flow of jujube.2015, 35(15): 46-48. (in Chinese)

[5] 趙自國, 夏江寶, 王榮榮, 李田, 趙艷云, 劉京濤. 不同土壤水分條件下葉底珠()莖流特征. 中國沙漠, 2013, 33(5): 1385-1389.

ZHAO Z G, XIA J B, WANG R R, LI T, ZHAO Y Y, LIU J T. Effects of soil moisture on characteristics of sap flow of., 2013, 33(5): 1385-1389. (in Chinese)

[6] 李思靜, 查天山, 秦樹高錢多, 賈昕. 油蒿()莖流動態及其環境控制因子. 生態學雜志, 2014, 33(1): 112-118.

LI S J, ZHA T S, QIN S G, QIAN D, JIA X. Temporal patterns and environmental controls of sap flow in.2014, 33(1): 112-118. (in Chinese)

[7] 孫紅春, 李文芹, 劉連濤, 張永江, 李存東. 不同水分條件下棉花主莖功能葉葉柄莖流速率的日變化規律. 華北農學報, 2012, 27(4): 218-222.

SUN H C, LI W Q, LIU L T, ZHANG Y J, LI C D. The diurnal variation law of cotton's main stem sap velocity at different moisture levels., 2012, 27(4): 218-222. (in Chinese)

[8] 張盹明, 徐先英, 唐進年, 金紅喜. 藥用植物黃芪的莖流速率研究. 干旱區資源與環境, 2007, 21(4): 146-149.

ZHANG D M, XU X Y, TANG J N, JIN H X. Stem flow rate research of medicinal plant-Astragalus.2007, 21(4): 146-149. (in Chinese)

[9] 馬樹慶, 紀瑞鵬, 王琪, 徐麗萍, 于海. 春玉米苗期光合速率、蒸騰速率及氣孔導度對土壤干旱的反應. 中國農學通報, 2016, 32(27): 58-62.

MA S Q, JI R P, WANG Q, XU L P, YU H. Response of spring maize photosynthetic rate, transpiration rate, stomatal conductance to soil drought in seedling stage.2016, 32(27): 58-62. (in Chinese)

[10] 劉晚茍, 陳燕, 山侖. 不同土壤水分條件下土壤容重對玉米木質部汁液中ABA濃度和氣孔導度的影響. 植物生理學通訊, 2006, 42(5): 831-834.

LIU W G, CHEN Y, SHAN L. Effects of soil bulk density on ABA concentration in xylem sap and stomatal conductance of maize(L.) plant under different soil water conditions.2006, 42(5): 831-834. (in Chinese)

[11] 張華, 劉子會, 馬春紅, 崔四平, 郭秀林. 干旱脅迫下玉米木質部汁液pH和ABA含量變化及其與氣孔關系. 河北農業科學, 2004, 8(2): 35-39.

ZHANG H, LIU Z H, MA C H, CUI S P, GUO X L. Drought-induced changes in xylem pH and ABA concentration and their relationship with stomata in maize., 2004, 8(2): 35-39. (in Chinese)

[12] 梁宗鎖, 康紹忠, 高俊風, 張建華. 分根交替滲透脅迫與脫落酸對玉米根系生長和蒸騰效率的影響. 作物學報, 2000, 26(2): 250-255.

LIANG Z S, KANG S Z, GAO J F, ZHANG J H. Effect of abscisic acid (ABA) and alternative split-root osmotic stress on root growth and transpiration efficiency in maize., 2000, 26(2): 250-255. (in Chinese)

[13] 李宏, 黎歡, 裴東, 程平, 劉幫, 張志剛, 孫明森, 李長城. 開花期棗樹莖流與氣象因子的關系. 廣西植物, 2016, 36(10): 1198-1204, 1191.

LI H, LI H, PEI D, CHENG P, LIU B, ZHANG Z G, SUN M S, LI C C. Relationship between stem flow of flowering jujube and meteorological factors., 2016, 36(10): 1198-1204, 1191. (in Chinese)

[14] 吳喆瀅, 趙從舉, 徐文嫻, 卓志清, 朱敏捷. 幼齡桉樹莖流特征及其對環境因子的響應. 西北林學院學報, 2015, 30(5): 46-52.

WU Z Y, ZHAO C J, XU W X, ZHUO Z Q, ZHU M J. Characteristics of the sap flow rate of the youngand its response to environmental factors.2015, 30(5): 46-52. (in Chinese)

[15] 劉浩, 孫景生, 段愛旺, 劉祖貴, 梁媛媛. 溫室滴灌條件下番茄植株莖流變化規律試驗. 農業工程學報, 2010, 26(10): 77-82.

LIU H, SUN J S, DUAN A W, LIU Z G, LIANG Y Y. Experiments on variation of tomato sap flow under drip irrigation conditions in greenhouse., 2010, 26(10): 77-82. (in Chinese)

[16] 李會, 劉鈺, 蔡甲冰, 毛曉敏. 夏玉米莖流速率和莖直徑變化規律及其影響因素. 農業工程學報, 2011, 27(10): 187-191.

LI H, LIU Y, CAI J B, MAO X M. Change of sap flow rate and stem diameter microvariation of summer maize and influent factors., 2011, 27(10): 187-191. (in Chinese)

[17] 王文明, 鄭德明, 姜益娟, 劉君紅. 滴灌條件下棗樹耗水規律的研究. 干旱地區農業研究, 2014, 32(6): 38-42, 111.

WANG W M, ZHENG D M, JIANG Y J, LIU J H. Research on water consumption rule of jujube tree under drop irrigation.2014, 32(6): 38-42, 111. (in Chinese)

[18] 馬黎華, 康紹忠, 粟曉玲, 佟玲. 農作區凈灌溉需水量模擬及不確定性分析. 農業工程學報, 2012, 28(8): 11-18.

MA L H, KANG S Z, SU X L, TONG L. Simulation and uncertainty analysis of net irrigation requirement in agricultural area., 2012, 28(8): 11-18. (in Chinese)

[19] 楊雪菲, 粟曉玲, 馬黎華. 基于人工神經網絡模型的關中地區用水量的預測. 節水灌溉, 2009(8): 4-6.

YANG X F, SU X L, MA L H. Forecast of water consumption in Guanzhong region based on artificial neural network., 2009(8): 4-6. (in Chinese)

[20] 劉永紅, 楊勤, 何文鑄, 柯國華. 花期干旱和灌溉條件下植物生長調節劑對玉米莖流和光合生理的影響. 西南農業學報, 2009, 22(5):1305-1309.

LIU Y H, YANG Q, HE W Z, KE G H. Effect of plant growth regulators on maize stem sap and photosynthesis under drought stress and irrigation at flowering stage., 2009, 22(5): 1305-1309. (in Chinese)

[21] 徐先英, 孫保平, 丁國棟, 郭樹江, 柴成武. 干旱荒漠區典型固沙灌木液流動態變化及其對環境因子的響應. 生態學報, 2008, 28(3): 895-905.

XU X Y, SUN B P, DING G D, GUO S J, CHAI C W. Sap flow patterns of three main sand-fixing shrubs and their responses to environmental factors in desert areas., 2008, (3): 895-905. (in Chinese)

[22] 劉溫泉, 潘存德. 不同天氣條件下‘庫車白杏’樹干液流變化規律及其與環境因子的關系. 中國農學通報, 2014, 30(31): 14-18.

LIU W Q, PAN C D. Sap flow variation of‘Kuchebaixing’ under different weather conditions and its correlation with several environmental factors., 2014, 30(31): 14-18. (in Chinese)

[23] OOSTERHUIS D M, WIEBE H H. Water stress preconditioning and cotton root pressure-flux relationships.,1986, 95(1): 69-76, 12.

[24] STEUDLE E. The cohesion-tension mechanism and the acquisition of water by plant roots., 2001, 52(6): 847-875.

[25] FISHER J B, ANGELES G, EWERS F W. Survey of root pressure in tropical vines and woody species.1997, 158(1): 44-50, 16.

[26] 李衛民, 張佳寶．植物木質部導管栓塞. 植物生理學通訊, 2008, 44(3): 581-584.

LI W M, ZHANG J B. Embolism in xylem vessel of plants., 2008, 44(3): 581-584. (in Chinese)

[27] HU T T, KANG S Z, LI F S. Effects of partial root-zone irrigation on hydraulic conductivity in the soil-root system of maize plants.2011, 62(12): 4163-4172.

[28] KANG S Z, ZHANG J H. Controlled alternate partial root-zone irrigation: its physiological consequences and impact on water use efficiency.2004, 55(407): 2437-2446.

[29] 員玉良, 程強, Lutz D, 孫宇瑞. 基于莖直徑和莖流復合測量的植物根壓無損觀測方法. 農業機械學報, 2015, 46(11): 290-295.

YUAN Y L, CHENG Q, LUTZ D, SUN Y R. Non-destructive observation of plant root pressure based on combined measurement of stem diameter and sap flow.2015, 46(11): 290-295. (in Chinese)

[30] 閆業慶, 胡雅杰, 張旭昇, 朱錫芬, 魏國孝. 不同天氣條件下玉米生長期莖流變化特性及研究. 中國農村水利水電, 2011(10): 1-6.

YAN Y Q, HU Y J, ZHANG X S, ZHU X F, WEI G X. Research on the characteristics of sap flow during the growth season of corn under different weather conditions., 2011(10): 1-6. (in Chinese)

[31] 趙永玲, 劉鈺, 蔡甲冰. 夏玉米莖流和莖直徑變化規律及其關系分析. 灌溉排水學報, 2010, 29(3):24-28.

ZHAO Y L, LIU Y, CAI J B. The movements and relationships between the stem diameter variation and sap flow for summer maize., 2010, 29(3): 24-28. (in Chinese)

[32] 李全起, 陳雨海, 周勛波. 灌溉和種植模式對冬小麥播前土壤含水量的消耗及水分利用效率的影響. 作物學報, 2009, 35(1): 104-109.

LI Q Q, CHEN Y H, ZHOU X B. Effects of irrigation and planting patterns on consumption of soil moisture before sowing and water use efficiency in winter wheat., 2009, 35(1): 104-109. (in Chinese)

（責任編輯 楊鑫浩）

Stem Flow Influencing Factors Sensitivity Analysis and Stem Flow Model Applicability in Filling Stage of Alternate Furrow Irrigated Maize

Du Bin1, Hu XiaoTao1, Wang WenE1, Ma LiHua2, Zhou ShiWei1

(1Key Laboratory of Agricultural Soil and Water Engineering in Arid and Semiarid Area of Ministry of Education, Northwest A&F University, Yangling 712100, Shaanxi;2college of Resources and Environment, Southwestern University, Chongqing 400715)

【Objective】The artificial neural network is used to predict the stem flow of maize with different treatments, which provides a new idea for estimating the water consumption of maize so as to make reasonable irrigation plan. 【Method】The summer maize, variety of Xinong 985, was selected for study. The test set three treatments: alternative furrow irrigation high water treatment (alternate furrow irrigation, AFI1), alternate furrow irrigation low water treatment (alternate furrow irrigation, AFI2), and conventional furrow irrigation (conventional furrow irrigation, CFI). AFI1 and AFI2 each irrigation amount was 2/3 and 1/2 irrigation amount of CFI, respectively. In this paper, an artificial neural network is established to estimate the corn stem flow rate, and the model is compared with the principal component regression model, and the accuracy and stability of the two models are evaluated.【Result】(1) The response of different treatments to environmental factors was different. Meteorological conditions were the main factors affecting stem flow of the AFI1 treatment, and soil moisture was main factor affecting stem flow of the AFI2 treatment. (2) The influence of water content in different soil layers on stem flow was also different. It was found that the moisture contents of 10-20 cm and 20-30 cm layers were most correlated with maize stem flow. By using the uncertainty analysis method further analysis: For CFI and AFI1 treatments, 20-30 cm layer soil content was most closely related to sap flow changes, then 10-20 cm layer soil content. And for AFI2 treatment, 10-20 cm layer soil content was most closely related to sap flow changes, then 20-30 cm layer soil content; (3) After comparing the2,and d-factor values of two models, the ANN model was more stable and accuracy, which was found to be the best model to predict the stem flow.【Conclusion】Compared with traditional methods, artificial neural network model can greatly enhance the prediction accuracy of stem flow, and it can provide some guidance for making reasonable irrigation plan of maize.

alternate furrow irrigation; maize stem flow; artificial neural network; layered soil moisture content

2017-05-25；

2017-09-13

國家自然科學基金（51179163）

杜斌，E-mail：287684270@qq.com。

胡笑濤，E-mail：huxiaotao11@nwsuaf.edu.cn