基于水氮因子的寧夏引黃灌區紫花苜蓿生長模擬模型

劉 瑞，張亞紅，葛永琪，胡 偉，蔡 偉

基于水氮因子的寧夏引黃灌區紫花苜蓿生長模擬模型

劉 瑞1,2，張亞紅1※，葛永琪3，胡 偉1，蔡 偉1

（1. 寧夏大學農學院，銀川 750021；2. 寧夏大學新華學院，銀川 750021；3. 寧夏大學信息工程學院，銀川 750021）

針對苜蓿生長模型ALFAMOD在動態水分平衡模擬和氮素平衡模擬方面的不足，提出一種基于水氮因子的紫花苜蓿生長模擬模型（alfalfa growth simulation model based on water and nitrogen factors，ALFSIM-WN）。該模型以寧夏引黃灌區紫花苜蓿為研究對象，采用模塊化設計方法，劃分為作物動態模擬子模型、水分平衡模擬子模型和氮素平衡模擬子模型，對紫花苜蓿的產量進行模擬和估算。通過連續2 a（2016－2017）的田間試驗，獲取氣象數據、土壤數據和田間管理數據，利用2016年數據確定了模型參數，并預測了2017年4茬次紫花苜蓿生長期、葉面積指數、土壤水分動態和產量，對模型模擬值和實際觀測值進行了對比。結果表明：寧夏引黃灌區紫花苜蓿每年能收割3～4茬，與當地以飼草收割為目的的生長期相符，綜合2017年4茬次數據發現模型模擬葉面積指數的平均相對誤差在2.3%～17.6%，模擬土壤水分動態的平均相對誤差在2.3%～17.6%，產量預測數據的平均相對誤差在1.7%～16.2%。葉面積指數、土壤水分動態和產量的均方根誤差分別在0.09～0.44、0.009～0.039 cm3/cm3和0.3～2.3 t/hm2。模型模擬精準度較高，說明該模型在寧夏引黃灌區適用性良好，可以作為一個有效的紫花苜蓿生長模擬預測工具在飼草種植中應用。

模型；灌溉；肥力；紫花苜蓿；適用性

0 引 言

紫花苜蓿()被譽為“牧草皇后”，在西北地區農牧產業結構調整、綠色生態健康穩定和地區發展中占有極其重要的地位[1-2]。近年來寧夏紫花苜蓿種植面積逐年擴大，而準確、及時且有效的作物信息預測是社會經濟和生態的基礎[3-4]。作物生長模型可以反映紫花苜蓿生長與環境、土壤、水分之間的交互關系，為提高紫花苜蓿生產力提供優化策略，促使紫花苜蓿產業走向信息精準化、低成本和可持續發展[5]。

紫花苜蓿生長模型可分為多作物通用模型和專用模型。可模擬紫花苜蓿的通用模型有CROPGRO模型、土壤侵蝕模型（erosion productivity impact calcular，EPIC）和農業生產系統模型（agricultural production systems simulator，APSIM）等，它們研究的側重點各不相同。CROPGRO模型側重于解決作物的氮素循環和氮素平衡過程[6-7]。EPIC側重于解決土壤侵蝕對農業生產力的影響[8]。APSIM以土壤為核心[9-10]，考慮了作物的種植制度、生長和產量、土壤各因子動態變化等過程，其中APSIM- Lucerne模型可以用來模擬紫花苜蓿生長，模擬土壤水平衡過程（如：降水、蒸散、地表徑流以及根部吸收等）和氮素的運移過程[11]。通用模型具有可適用于多種作物的優點，但較專用模型可擴展性較差，可調整參數有限且不易進行擴充，對模型的精準性有一定影響。紫花苜蓿專用模型相對于三大作物起步較晚。國外第1個較完整的紫花苜蓿生長模型（simulation of medicago, SIMED）[12]以及后續的ALSIM[13-14]和ALF2LP[15]模型均未考慮水分和氮素平衡模擬對苜蓿生長的影響。在國內，高亮之等提出了ALFAMOD模型[16]，它由收割期、葉面積動態與苜蓿產量、苜蓿土壤需水量和需肥量4個部分組成。ALFAMOD模型考慮了紫花苜蓿在當前氣候土壤條件下水肥因素，但它僅僅是對當前生產力條件下的需水量和需肥量的估算，不能對不同灌溉方式下不同灌溉量和施氮量進行動態平衡模擬。白文明等[17]以積溫學原理為基礎建立的干旱沙區水分條件限制下的紫花苜蓿生長模型，也沒有考慮土壤養分對苜蓿干物質積累的影響。因此，在國內缺乏完整的可結合農業氣候、土壤環境和水氮因素的紫花苜蓿生長模擬模型。

本研究以ALFAMOD模型為基礎，借鑒APSIM模型水氮平衡因子引入方法，融入水分平衡模型和氮素平衡模型，提出了一種基于水氮因子的紫花苜蓿生長模擬模型（alfalfa growth simulation model based on water and nitrogen factors，ALFSIM-WN），模擬寧夏引黃灌區不同水分補給方式和變量施氮模式下的紫花苜蓿生長動態。通過在寧夏引黃灌區的田間試驗完成模型主要參數的校正，對ALFSIM-WN模型在寧夏引黃灌區的適用性進行驗證和評估，并分析了誤差產生的原因和下一步改進的方向及建議，為進一步研究模型在寧夏引黃灌區乃至西北農牧交錯帶的應用提供理論依據。

1 ALFSIM-WN模型的建立

1.1 模型架構

ALFSIM-WN模型以農業氣候條件和土壤為基礎，考慮了紫花苜蓿的生長期、土壤水分平衡、氮素平衡、產量和茬次變化等過程。ALFSIM-WN模型包括3個子模型：紫花苜蓿動態模擬子模型、水分平衡模擬子模型和氮素平衡模擬子模型。模型的整體架構圖如圖1所示。

1）紫花苜蓿動態模擬子模型主要模擬作物的生長過程，包括紫花苜蓿潛在生產力和紫花苜蓿實際產量2部分。其中紫花苜蓿潛在生產力中作物生長過程的計算包括葉面積動態模擬、光合與呼吸作用，物質組成轉換計算包括作物的碳水化合物轉換和總干物質。潛在生產力主要受由日溫度（平均溫度、晝溫和夜溫）、太陽輻射量和CO2濃度等輸入因子影響。紫花苜蓿實際產量受生物生長過程中的水分虧缺因素、氮素虧缺因素、收獲指數和其他因素的影響。

圖1 ALFSIM-WN整體架構

2）水分平衡模擬子模型可以模擬不同灌溉方式下水分動態平衡。其中，不同灌溉方式包括地表灌溉（如：降雨、漫灌等）和地下滴灌。若有灌水量輸入，模型根據不同的灌溉變量自適應選擇不同的水分運移模式，計算得到各土層土壤含水率，再結合作物生長過程計算蒸散作用，最終得到每日蒸散量和土壤水分虧缺因子（soil water deficit factor，SWDF）。水分平衡模擬子模型主要受氣候條件（日溫度、太陽輻射等）、作物生長（根系、葉面積指數等）和土壤基礎情況等因素的影響。

3）氮素平衡模擬子模型考慮施肥對環境的影響，實行田間小區分區精準施肥方法。通過計算土壤供氮量和苜蓿需氮量、土壤供氮利用率及相關影響系數和施氮量等因素，最終得到氮素虧缺因子（nitrogen deficit factor，NDEF）。氮素平衡模擬子模型受土壤基礎肥力的影響。

模型輸入的數據包括：返青日期（播種日期、再生日期）、每日氣象數據、田間管理數據（如：灌溉、施氮和收獲等數據）、土壤初始含水率、初始土壤情況（如田間持水量、萎蔫系數、孔隙度和容重等）、土壤基礎肥力數據（如pH值、礦物氮和有機物等）、土壤水力特性參數、作物參數和土壤剖面等初始數據。模型模擬時間步長為1 d。模擬日產量、日葉面積指數（leaf area index，LAI）、日實際蒸散量和日土壤水分動態變化。

1.2 子模型

1.2.1 紫花苜蓿動態模擬子模型

紫花苜蓿動態模擬子模型結合紫花苜蓿生理生態學特征，融入水氮影響因子對紫花苜蓿生長進行模擬。

1）葉面積指數模擬

模型根據輸入數據，模擬紫花苜蓿的葉面積動態，由式（1）、式（2）聯合可求得葉面積指數[18-20]。

d/d·(A-)·（1）

·() （2）

式中為葉面積指數，A為葉面積指數極大值，為生長系數，為常數，()由溫度函數獲得，為時間，d；為溫度，℃。

2）光合與呼吸作用

光合與呼吸作用受4個因子影響，包括太陽輻射函數、葉面積函數、晝溫函數和呼吸消耗函數。具體見式（3）～式（6）。通過光合與呼吸作用的計算可得到紫花苜蓿的潛在生產力P[21]，見式（7）。

1.18exp(-1942/)（3）

1-exp(-k·)（4）

-1.4150.55log（5）

1-0.5 (0.05exp(0.168)（6）

P=42.749····（7）

式中為太陽輻射量，MJ/m2；k為苜蓿群行的消光系數；為光合有效日長，h；為晝溫函數；為夜溫函數；P為潛在生產力，kg/hm2；根據Wilfong等[21]研究結果，苜蓿凈光合中CO2的最大攝取量約為7.0 g/(m2·h)，轉換為碳水化合物（CH2O）為42.749 kg/(hm2·h)。

3）產量

紫花苜蓿產量由水分虧缺因子、氮素虧缺因子和收獲指數共同作用得到并逐日計算。紫花苜蓿產量計算見式（8）。

Y= P·H·min(SWDF,NDEF) （8）

式中為產量，kg/hm2；H為收獲指數，SWDF為水分虧缺因子，NDEF為氮素虧缺因子。

1.2.2 水分平衡模擬子模型

目前，寧夏引黃灌區大量使用滴灌方式，但受土壤基礎條件限制，在紫花苜蓿播種出苗期為保證出苗率一般使用漫灌方式以防止滴灌引起水鹽運移不均勻而影響作物出苗，在灌越冬水時為了灌水均勻保障來年紫花苜蓿的返青率，也會使用漫灌方式。本文參考地表灌溉水分平衡模型[22-24]和地下滴灌經驗模型的研究方法[25-28]，建立水分平衡模擬子模型。通過算法控制可自適應模擬2種不同的水分運移模式：1）水分自上而下的運移模式（如：降雨、漫灌或地表滴灌）；2）地下點源滴灌橢球形的水分運移模式。

水分平衡模擬子模型在獲取土壤基礎數據的前提下，通過設置不同的水分輸入變量來區分不同灌溉方式。定義surface為漫灌量，rain為降雨量，drip為地下滴灌量。模型通過判斷輸入變量實現不同模擬模式的選擇和應用。

1）若rain或surface大于0，則為地表灌溉。模型自適應選擇地表灌溉水分平衡模擬子模型，依次計算作物冠層截留量，見式（9）。

式中()為日葉面積指數，k為模型參數，()為作物冠層截留量，mm。

計算徑流量時，不考慮徑流時水分收入總和及水分滯留系數，徑流量計算見式（10）和式（11）。

prcip=surface+rain-() （10）

式中prcip為水分收入總和，mm；runoff為徑流量，mm；2為水分滯留系數。

計算進入土壤的水分，并將其單位進行換算。如果水分發生下滲，則計算當前土層能保持住的水分量，具體計算見式（12）～式（14）。

pinf=surface+rain-()-runoff （12）

pinf =0.1pinf· （13）

hold()=(sat()-swl())·dlayer() （14）

式中pinf為進入土壤的水分，mm；hold()為當前層能保持住的水分量，cm；swl()為層中實際土壤含水率，cm3/cm3；sat()為層中飽和含水率，cm3/cm3；dlayer()為層土層厚度，cm。

計算水分入滲時考慮多個土層，采用循環結構對各土層依次進行計算。首先判斷是否有非飽和入滲（pinf≤hold()），若有，則計算從土層層滲漏到下層的水分，同時計算層土壤含水率，更新pinf；否則，計算層土壤含水率，不更新pinf。

2）若drip大于0，則為地下滴灌。自適應選擇地下滴灌水分平衡模擬，判斷當前觀測點距離地下點源的距離和當前土壤初始含水率，依次計算施水量、橢球體濕潤體積的水平距離和垂直距離，見式（15）～式（17）。再根據觀測點距離滴頭的距離依次計算灌水后的各層土壤含水率。

drip·0.85num （15）

式中為總施水量，m3；k為土壤水力傳導率，m/s；為滴頭流量，m3/h；num為滴頭數量；1、2、1和2為常數。

通過上述水分平衡模擬模式選擇計算后，得到各土層土壤含水率。然后計算潛在蒸散、潛在蒸發、實際蒸發、潛在蒸騰、根系吸水和實際蒸騰。最終計算得到每日植物吸水量、每日各層土壤水分含水率和水分虧缺因子SWDF，完成不同水分補給形式下的自適應水分平衡動態模擬。

1.2.3 氮素平衡模擬子模型

由于目前土壤肥力監測不能達到實時監測，故氮素平衡模擬在計算施氮量時主要采用經驗性的方法，即根據產量目標來估算第小區的紫花苜蓿需氮量[29]。模型依據紫花苜蓿生長期各茬次刈割后小區作業田塊的地力和紫花苜蓿長勢差異，進行精確變量施氮素，根據目標產量確定作物需氮量，提高氮素利用率。首先輸入第小區的土壤基礎條件，如土壤全氮含量、pH值、土壤有機質等數據，然后計算土壤供氮量、土壤供氮利用率及相關影響系數、紫花苜蓿需氮量和施氮量等，最終計算得到紫花苜蓿氮素脅迫因子NDEF[30]。見式（18）～式（23）。

en=0.50-0.1phn-0.2omn （19）

ni=(nr-ns)/ec （22）

NDEF=(ns+ni·ec)/tnp （23）

式中ns為第小區土壤供氮量，g/m2；tn為第小區的土壤全氮含量，%；為小區面積，hm2；en為土壤供氮率，%；10為土壤礦化的溫度系數；為作物生育期平均溫度，℃；gz為每hm2土層干質量（取20 cm深），kg；oms為土壤有機質，g/kg；ni為施氮量，g/m2；nr為紫花苜蓿需氮量，g/m2；ec為氮肥利用效率，%；tnp為高產要求的需氮量，g/m2；np是土壤礦化氮占全氮比例；phn為pH值對土壤供氮的影響系數，omn為土壤有機質對土壤供氮的影響系數。

2 ALFSIM-WN模型驗證方法

2.1 材料與方法

2.1.1 試驗區概況

本文采用2016年和2017年在寧夏引黃灌區開展的紫花苜蓿田間試驗數據對ALFSIM-WN模型的適用性和精準性進行驗證。利用2016年的田間試驗完成了模型的參數確定工作，通過2017年連續4茬次的田間試驗對ALFSIM-WN模型進行驗證。

表1 試驗區初始土壤情況

2.1.2 試驗設計及過程

試供品種為寧夏具有代表性的紫花苜蓿巨能7號，耐鹽品種，于2016年5月16日人工條播，播種量15 kg/hm2，重復3次，播深2 cm，行距22.5 cm。試驗地灌水方式分漫灌區和地下滴灌區，漫灌區引黃河水3級揚水自流灌溉，地下滴灌區為滴灌帶灌溉。滴灌帶間距60 cm，埋深20 cm，滴頭間距30 cm，滴頭流量3.0 L/h，用水表控制灌水量。試驗采用裂區設計，主處理為灌溉量，副處理為施氮量。灌溉量共設計5個水平，分別為1 199 mm（漫灌區，12 000 m3/hm2）、525 mm（W1，5 250 m3/hm2）、600 mm（W2，6 000 m3/hm2）、675 mm（W3，6 750 m3/hm2）、750 mm（W4，7 500 m3/hm2），分別于苜蓿出苗后（2016年5月21日）或返青后（2017年3月29日）進行灌溉，灌溉處理見表2。

表2 2016－2017年紫花苜蓿生育期及生長季灌水處理

注：2017年第2茬試驗臨時取消了再生期灌水。W0為漫灌，其他為滴灌。

Note: Irrigation during regrowth period is cancelled in 2ndcutting test of 2017. W0is flooding irrigation and the others are drip irrigation.

施氮量共設計4個水平，分別為：對照（N0，0）、低氮（N1，60 kg/hm2）、中氮（N2，120 kg/hm2）和高氮（N3，180 kg/hm2），肥料為尿素（含N質量分數46.4%），分4次施用，分別于返青后（4月2日，施氮60%）、第1茬刈割后（6月10日，施氮40%）、第2茬刈割后（7月14日，施氮20%）、第3茬刈割后（8月7日，施氮10%）結合灌溉進行。本試驗共17個處理，每個處理重復3次，小區面積為4 m×6 m，各試驗小區之間設置1 m過道。

2017年紫花苜蓿整個生長季總降雨量為121.6 mm,第1茬至第4茬各生長期的降雨量分別為4.6、48.7、45.1和23.2 mm。第2茬再生期灌水時，連續3 d降雨量達到47 mm，水分補給基本滿足了第2茬再生期灌溉設計的要求。

2.1.3 數據采集

試驗中采集的作物信息包括：種植密度、各茬次生育期、葉面積指數、徑粗、株高、節間長度、產量、灌溉日期、灌溉量、施氮日期、施氮量、土壤分層數、土層厚度、各層土壤實際含水率、各層飽和含水率、各層田間持水量、各層容重、萎蔫點及各茬次刈割后土壤基礎肥力。

通過試驗點氣象觀測站獲得標準氣象數據，包括每日太陽輻射值（MJ/m2）、風速（m/s）、日最高溫度（℃）、最低溫度（℃）、濕度等數據，日照時數通過計算得到[30]，降雨量根據當地氣象臺數據記錄。澳大利亞生產的MP406土壤水分傳感設備監測土壤水分數據。探頭埋設深度分別為10、20、30 cm，采集時間間隔30 min，24 h實時監測。各類土壤數據在每年返青前和各茬次刈割后獲取，采用分層取土的方法獲得相關的土壤基礎信息。分層取土的深度分別為0～10、>10～20、>20～40、>40～60 cm。產量由取樣計算得到，每個試驗小區（24 m2）取3 m2紫花苜蓿樣品，現場稱鮮質量，經過晾干后稱干質量并計算。

2.2 模型參數

ALFSIM-WN模型中的參數按來源可分為3部分：1）田間基礎物理環境的實測值；2）前人研究工作中通用的參數取值；3）通過田間試驗實測數據率定確定。其中，模型參數來源為前2部分的見表3。

2.3 模型精度計算

采用平均相對誤差（mean relative error，MRE）和均方根誤差（root mean square error，RMSE）作為模型校正和精度驗證的2項評定指標，MRE和RMSE代表模擬值與實測值的擬合精度，數值越小越好。其計算公式為

式中V和V分別為模型模擬值和試驗觀測值；為觀測點個數。

表3 部分模型參數及來源

3 結果與分析

3.1 紫花苜蓿收割日期確定及生長期分析

模型根據有效積溫指標確定紫花苜蓿的收割日期和生長期。綜合文獻[31-32]，當苜蓿處于始花期（10%開花）時可作為以收獲飼草為目的的紫花苜蓿的適宜收割期。分析寧夏引黃灌區北部不同年份（2007－2016年）以收獲飼草為目的的紫花苜蓿收割日期資料，生長期一般為180 d左右，將生長期的日有效積溫累計相加，獲得紫花苜蓿生長期有效積溫指標（大于5 ℃的日溫之和）。有效積溫指標與2017年4茬次的田間實測值對比見表4。

表4 計算有效積溫指標與2017年實測值對比

由于不同年份的溫度水平或光周期對紫花苜蓿的生長都有一定的影響，所以不同收割期所需的有效積溫會有一些差異。本模型以積溫為基礎確定收割時期，在始花期（開花10%）后進行收割，試驗區2017年紫花苜蓿整個生長季有效積溫實測值之和為2 509 ℃，第1茬至第4茬模型的有效積溫指標與實測值的平均相對誤差不高于7.3%，均方根誤差不高于60 ℃。模型確定的有效積溫指標與田間實測值基本相符，與當地以飼草收割為目的的生長期相符。

3.2 水分平衡模擬子模型參數率定與驗證

3.2.1 水分平衡模擬子模型參數率定

模型中除了部分模型參數能直接確定外，尚有1、2、1、2共4個水分水平和垂直運移參數未知。本研究采用2016年6月3日—8月12日實測滴灌條件下紫花苜蓿試驗資料對水分水平和垂直運移4個參數進行率定。將實測土壤濕潤體積的水平距離和垂直距離資料代入地下滴灌模型進行手工參數調試，得子模型參數見表5。采用率定參數模擬的2016年6月3日—8月12日（2茬）滴灌條件下的4種不同水處理W1、W2、W3和W4葉面積指數、產量等結果與實測結果的比較如表6所示。

表5 水分平衡子模型參數率定結果

表6 模型率定期2016年4種水處理下ALFSIM-WN模型模擬值與實測值比較

注：MRE為平均相對誤差；RMSE為均方根誤差。下同。

Note: MRE is the mean relative error; RMSE is the root mean square error. The same below.

由表6可知，葉面積指數模擬值與實測值平均相對誤差在0.1%～11.2%，均方根誤差在0.01～0.61；土壤含水率模擬值與實測值平均相對誤差在4.6%～11.7%，均方根誤差在0.012～0.030 cm3/cm3；產量模擬值與實測值平均相對誤差在4.7%～12.1%，均方根誤差在0.22～0.75 t/hm2。模型模擬效果整體較好，說明率定的模型參數可以較好地模擬滴灌條件下4個水處理的土壤水分動態變化過程。

3.2.2 土壤水分平衡模擬子模型驗證

在模擬產量前，水肥模塊是獨立的，故單獨對同一灌水（或施肥）情況下的施肥（或灌水）情況進行土壤含水率模擬，驗證這2個獨立模塊各自模擬肥與水的可行性。2017年選取了具有代表性的2組試驗對土壤含水率進行驗證：1）同一水處理下不同氮水平驗證；2）同一氮水平下不同水處理驗證。這2組試驗分別為：第1組為同一水處理下4個不同氮水平的土壤含水率驗證，即：W2N0、W2N1、W2N2和W2N3；第2組為同一氮素水平下5個不同水處理的土壤含水率驗證，即：W0N2、W1N2、W2N2、W3N2和W4N2，實測了以上8個不同水氮處理下連續4茬次的土壤含水率。

實測土壤含水率由土壤水分傳感器監測得到，設備每隔30 min采集0～10、>10～20和>20～30 cm土層深度的土壤含水率。模型模擬逐日土壤水分動態平衡，模擬值與每日08：00實測土壤含水率值進行比較，模擬周期為各茬次紫花苜蓿的整個生長周期。以W2N2為例（圖2），2017年4茬次紫花苜蓿0~30 cm土層含水率模擬值和實測值動態變化規律一致，土壤水分模擬平均相對誤差在2.8%～10.6%，均方根誤差在0.01～0.036 cm3/cm3。第4茬受微量降水以及田間管理過程中灌水設備損壞的影響，造成了灌水時間和灌水量的誤差。

2017年不同處理下土壤含水率模擬值與實測值的精準度見表7。W2處理下不同氮水平連續4茬次的土壤含水率平均相對誤差在4.0%～17.6%，均方根誤差在0.015～0.058 cm3/cm3，說明模型可較好地模擬在同一水處理下4個不同氮水平的土壤動態變化狀態。2017年連續4茬次在N2水平下不同水處理土壤含水率模擬值與實測值土壤含水率平均相對誤差在2.3%～11.9%，均方根誤差在0.009～0.032 cm3/cm3，說明模型可較好地模擬在同一氮水平下不同水分處理下的土壤動態變化狀態。

通過試驗獲取數據，雖然土壤含水率實測值和模擬值之間略有偏差，但模型對土壤各層土壤含水率的模擬可以較好地模擬紫花苜蓿土壤水分動態變化過程。誤差產生的原因可能是田間管理和試驗區降雨量測量誤差等造成。

3.3 LAI模擬值與實測值對比分析

LAI是紫花苜蓿個體或群體生長結構評價的關鍵指標，呈“S”形增長，返青后LAI迅速增加，進入始花期后葉面積指數會接近或達到最大值6，這時LAI接近穩定，到結莢期后開始下降。從返青期到始花期LAI總體呈拋物線趨勢。圖3是2017年4茬紫花苜蓿在W2N2處理下模擬LAI值和實測LAI值對比。圖中曲線為模擬LAI值，點狀數據為實測LAI值。通過對圖3分析可得，苜蓿返青后LAI迅速增長，到達始花期后進入一個較高的水平，增長速度與各茬氣溫密切相關。LAI實測值為試驗取樣日獲取的紫花苜蓿LAI值取平均值，模型模擬的LAI值的走勢曲線與實測值基本一致。

圖2 W2N2處理下土壤水分模擬值與實測值對比

表7 不同氮水平或灌水水平土壤水分模擬值與實測值比較

對圖3分析可知：返青后紫花苜蓿生長迅速，LAI值隨著溫度的升高而快速增長，實測與模擬的LAI值整體趨勢吻合度較高，且上升趨勢也基本保持一致。受生長期氣溫的影響，第2茬和第3茬的LAI值返青后快速增長，而第1茬和第4茬LAI值增長的速度較慢，第4茬在始花期后模擬的LAI保持穩定的趨勢，實測LAI值有下降趨勢，這與白文明等[17]通過田間試驗數據對苜蓿LAI驗證得出紫花蓿生長進入秋季后，苜蓿發育后期（始花期后）的葉面積指數下降的結論是基本一致的。同時模型模擬的LAI值總體比實際觀察的LAI值稍高，試驗區不確定的天氣因素和環境因素可能是造成這種情況的原因。第1茬、第2茬和第3茬最大葉面積指數都能達到或接近最大葉面積指數6，通過2016年和2017年2 a的第4茬的試驗觀測和調整，將該地區第4茬最大葉面積指數取值為5，這與高亮之等[16]的葉面積指數在第4茬的最大值研究結論是一致的，主要是試驗區進入秋季后不確定的氣候因素對紫花苜蓿生長產生影響造成的。2017年連續4茬紫花苜蓿在W2N2處理下模擬LAI的均方根誤差在0.146～0.54，平均相對誤差在3.7%～18.7%，試驗的LAI實測值與模擬值都顯示了較好的擬合性。

圖 3 2017年W2N2處理下紫花苜蓿模擬LAI與實測LAI值對比

2017年連續4茬紫花苜蓿在不同水氮處理下的模擬LAI值和實測LAI值的精準度見表8。由表8分析可得，2017年模型對第1茬、第2茬和第3茬的模擬精準度較高，均方根誤差在0.09～0.44，平均相對誤差在2.3%～17.6%。第4茬在紫花苜蓿生長后期受不確定天氣因素的影響，生長后期模擬LAI值和實測LAI值誤差較大，從而影響了第4茬整體模擬精準度。

通過試驗獲取數據，雖然LAI模擬值與實測值之間略有偏差，但模型對LAI的模擬基本可以代表紫花苜蓿LAI的生長過程。

3.4 預測產量與實際產量對比分析

通過2017年的田間試驗獲取不同處理下紫花苜蓿的實際產量。2017年連續4茬模型預測產量和實際產量對比分析見表9。

通過對表9分析可知，不同水分處理下不同氮水平對紫花苜蓿產量的影響也不近相同，2017年紫花苜蓿的預測總產量較實際產量高。W1水梯度下的產量較W2、W3和W4水梯度下的產量低，這與文雅等[33]通過田間試驗測定苜蓿產量數據的結論是一致的。2017年連續4茬模擬產量的平均相對誤差在1.7%～16.2%，均方根誤差在0.3～2.3 t/hm2。水梯度W3和W4在不同氮水平下模擬產量和實測產量均顯示了較好的擬合性，水梯度W1和W2的模擬產量總體擬合性稍差。總體2017年連續4茬試驗的產量模擬值與實測值顯示了較好的擬合性，說明該模型對紫花苜蓿產量的模擬結果較好。造成誤差的原因與紫花苜蓿生長過程中各種突發情況及田間產量管理活動導致損失等因素有關。

在ALFSIM-WN模型驗證試驗中，得到的模擬值總體高于實測值的，經過分析，造成誤差的原因可能有以下幾個方面：1）在紫花苜蓿的實際種植過程中，種植管理人員沒有嚴格按照紫花苜蓿的栽培技術和標準實施；2）實際紫花苜蓿的生長環境和模型模擬的環境之間有差異；3）在測產及運輸過程中，有3%左右的產量被損失；4）獲取數據時的誤差，包括土壤、天氣及其他數據測量和統計過程中本身的準確性和處理方式存在的一定誤差；5）紫花苜蓿生長模型本身存在一定的誤差。

表8 2017年LAI模擬值與實測值精準度

表9 2017年苜蓿預測產量與實際產量對比

4 結 論

本研究利用2016年的田間試驗數據校正確定模型的主要參數，通過2017年連續4茬次田間試驗對模型在寧夏引黃灌區的適用性進行評估，進而將取得的關鍵參數與寧夏引黃灌區2017年氣象數據耦合，根據研究結果可得到以下主要結論：

1）模型通過有效積溫指標確定的紫花苜蓿生長期與實測生長期的均方根誤差小于60 ℃，總體平均相對誤差小于7.3%，基本符合寧夏引黃灌區種植以飼草為收獲目的的收割期時間。

2）應用Gomportz模型對紫花苜蓿的葉面積指數進行模擬，模擬的葉面積指數值。在2017年第1茬、第2茬和第3茬的模擬精準度較高，第4茬受不確定氣候影響，生長后期誤差較大。

3）模型根據不同的灌溉方式自適應不同的水分平衡模型模擬每日土壤含水率。通過實測試驗，2017年在不同水氮處理條件下模擬的土壤水分含水率值與實測值的均方根誤差在0.009～0.039 cm3/cm3，平均相對誤差在2.3%～17.6%。說明模擬值對實測值擬合良好，可以為寧夏引黃灌區紫花苜蓿水分精準調控提供一個有效的工具。

4）模型模擬得到寧夏引黃灌區紫花苜蓿2017年W1、W2、W3和W4水分梯度下對照、低氮、中氮和高氮條件下的模擬產量和實際產量，模擬值與實測值的平均相對誤差在1.7%～16.2%，均方根誤差在0.3～2.3 t/hm2。說明模擬值對實測值擬合良好。

本文針對當前紫花苜蓿生長模擬模型研究現狀，提出的ALFSIM-WN模型在模擬生長期、葉面積指數、土壤動態含水率和產量方面具有較好地吻合度，模擬精度較高，尤其對于土壤含水率和產量的模擬精準度較高，可見ALFSIM-WN模型在寧夏引黃灌區適用性良好，可以作為一個有效的方法為寧夏引黃灌區提供常規可行的紫花苜蓿精準水氮調控和產量監測預報。

然而，伴隨著科技進步，地理信息系統和遙感技術的應用推動了作物生長模型在產量方面預測的進步，但紫花苜蓿的生長模型目前還處于研究試驗階段。如何將紫花苜蓿生長模型與決策論相結合，在生產中制定最優灌溉、施肥和其他的管理決策策略，并建立信息物理融合系統實時進行調整和預測，實現紫花苜蓿水氮管理精準調控是今后的研究內容和改進的方向。

[1] Sun L, Huang Z, Cui Z, et al. Soil water depletion in planted alfalfa pastures in an alpine pastoral area[J]. Water, 2018, 10(11): 1－12.

[2] Fan J W, Du Y L, Wang B R, et al. Forage yield, soil water depletion, shoot nitrogen and phosphorus uptake and concentration, of young and old stands of alfalfa in response to nitrogen and phosphorus fertilisation in a semiarid environment[J]. Field Crops Research, 2016, 198: 247－257.

[3] Huang Z, Liu Y, Cui Z, et al. Soil water storage deficit of alfalfa () grasslands along ages in arid area (China)[J]. Field Crops Research, 2018, 221: 1－6.

[4] 伏兵哲，高雪芹，張蓉，等. 寧夏引黃灌區不同紫花苜蓿品種比較[J].西北農林科技大學學報：自然科學版，2017，45(2)：71－78.Fu Bingzhe, Gao Xueqin, Zhang Rong, et al. Comparison of different alfalfa cultivars in the Yellow River irrigation region of Ningxia[J]. Journal of Northwest A&F University: Natural Science Edition, 2017, 45(2): 71－78. (in Chinese with English Abstract)

[5] MacCarthy D S, Adiku S G, Freduah B S, et al. Evaluating maize yield variability and gaps in two agroecologies in northern Ghana using a crop simulation model[J]. South African Journal of Plant and Soil, 2018, 35(2): 137－147.

[6] Singh S, Boote K J, Angadi S V, et al. Estimating water balance, evapotranspiration and water use efficiency of spring safflower using the CROPGRO model[J]. Agricultural Water Management, 2017, 185: 137－144.

[7] Malik W, Boote K J, Hoogenboom G, et al. Adapting the CROPGRO model to simulate alfalfa growth and yield[J]. Agronomy Journal, 2018, 110(5): 1777－1790.

[8] Wang B, Zheng F, Guan Y, et al. Improved USLE-K factor prediction: A case study on water erosion areas in China[J]. International Soil and Water Conservation Research, 2016, 4(3): 168－176.

[9] Pembleton K G, Cullen B R, Rawnsley R P, et al. Modelling the resilience of forage crop production to future climate change in the dairy regions of Southeastern Australia using APSIM[J]. The Journal of Agricultural Science, 2016, 154(7): 1131－1152.

[10] Holzworth D, Huth N I, Fainges J, et al. APSIM next generation: Overcoming challenges in modernising a farming systems model[J]. Environmental Modelling & Software, 2018, 103: 43－51.

[11] Chen C, Smith A, Ward P, et al. Modelling the comparative growth, water use and productivity of the perennial legumes, tedera (var.) and lucerne () in dryland mixed farming systems[J]. Crop and Pasture Science, 2017, 68(7): 643－656.

[12] Schreiber M M, Miles G E, Holt D A, et al. Sensitivity analysis of SIMED 1[J]. Agronomy Journal, 1978, 70(1): 105－108.

[13] Fick G W. ALSIM 1 (level 2) user's manual[R]. Ithaca, NY: Department of Agronomy, Cornell University, 1981:1－44.

[14] Fick G W. Simple simulation models for yield prediction applied to alfalfa in the Northeast[J]. Agronomy Journal, 1984, 76(2): 235－239.

[15] Bourgeois G, Savoie P, Girard J M. Evaluation of an alfalfa growth simulation model under Quebec conditions[J]. Agricultural Systems, 1990, 32(1): 1－12.

[16] 高亮之，Hannaway D B. 苜蓿生產的農業氣候計算機模擬模式：ALFAMOD[J].江蘇農業學報，1985，1(2)：1－11.

[17] 白文明，包雪梅. 烏蘭布和沙區紫花苜蓿生長發育模擬研究[J].應用生態學報，2002，13(12)：1605－1609.Bai Wenming, Bao Xuemei. Simulation alfalfa growth in Wulanbuhe sandy region[J]. Chinese Journal of Applied Ecology, 2002, 13(12): 1605－1609. (in Chinese with English Abstract)

[18] Thornley J H M. Mathematical Models in Plant Physiology[M]. New York: Academic Press, 1976: 8－11.

[19] Hunt L A, Pararajasingham S. CROPSIM—WHEAT: A model describing the growth and development of wheat[J]. Canadian Journal of Plant Science, 1995, 75(3): 619－632.

[20] Smith D. Influence of temperature on the yield and chemical composition of five forage legume species[J]. Agronomy journal, 1970, 62(4): 520－523.

[21] Wilfong R T, Brown R H, Blaser R E. Relationships between leaf area index and apparent photosynthesis in alfalfa (L.) and ladino clover (L.)[J]. Crop Science, 1967, 7(1): 27－30.

[22] Noorduijn S L, Hayashi M, Mohammed G A, et al. A coupled soil water balance model for simulating depression- focused groundwater recharge[J]. Vadose Zone Journal, 2018, 17(1): 1－14.

[23] Jones C A, Kiniry J R, Dyke P T. CERES-Maize: A Simulation Model of Maize Growth and Development[M]. Texas: Texas A&M University Press, 1986: 194.

[24] 朱玉潔. 紫花苜蓿生長模擬模型(ALFASM)研究[D]. 北京：中國農業大學，2004：24－32.Zhu Yujie. ALFASM: Alfalfa Growth Simulation Model[D]. Beijing: China Agricultural University, 2004: 24－32. (in Chinese with English Abstract)

[25] Schaap M G, Leij F J, Van Genuchten M T. Rosetta: A computer program for estimating soil hydraulic parameters with hierarchical pedotransfer functions[J]. Journal of Hydrology, 2001, 251(3/4): 163－176.

[26] Schwartzman M, Zur B. Emitter spacing and geometry of wetted soil volume[J]. Journal of Irrigation and Drainage Engineering, 1986, 112(3): 242－253.

[27] Nagli? B, Kechavarzi C, Coulon F, et al. Numerical investigation of the influence of texture, surface drip emitter discharge rate and initial soil moisture condition on wetting pattern size[J]. Irrigation Science, 2014, 32(6): 421－436.

[28] Skaggs T H, Trout T J, Rothfuss Y. Drip irrigation water distribution patterns: effects of emitter rate, pulsing, and antecedent water[J]. Soil Science Society of America Journal, 2010, 74(6): 1886－1896.

[29] 金之慶，石春林，葛道闊，等.基于RCSODS的直播水稻精確施氮模擬模型[J].作物學報，2003，29(3)：353－359.Jin Zhiqing, Shi Chunlin, Ge Daokuo, et al. A RCSODS-based simulation model for N fertilizer application in precision farming for direct-seeding rice[J]. Acta Agronomica Sinica, 2003, 29(3): 353－359. (in Chinese with English Abstract)

[30] 高亮之. 農業模型學基礎[M]. 香港：天馬圖書有限公司，2004：80－157.

[31] 萬里強. 苜蓿水分生理與耐旱研究[M]. 北京：中國農業出版社，2016：95－108.

[32] 胡安，康穎，陳先江，等.刈割時間對黃土高原紫花苜蓿產量與營養品質的影響[J].草業學報，2017，26(9)：57－65. Hu An, Kang Ying, Chen Xianjiang, et al. Effects of cutting time on the yield and nutritive value of alfalfa on the Loess Plateau[J]. Acta Prataculturae Sinica, 2017, 26(9): 57－65. (in Chinese with English Abstract)

[33] 文雅，張靜，馮萌，等.水氮互作對河西走廊紫花苜蓿品質的影響[J]. 草業學報，2018，27(10)：76－83.Wen Ya, Zhang Jing, Feng Meng, et al. Effects of irrigation and nitrogen fertilizer on alfalfa quality[J]. Acta Prataculturae Sinica, 2018, 27(10): 76－83. (in Chinese with English Abstract)

Alfalfa growth simulation model based on water and nitrogen factors in Ningxia irrigation area of Yellow River

Liu Rui1,2, Zhang Yahong1※, Ge Yongqi3, Hu Wei1, Cai Wei1

(1.7500212.7500213.750021)

models; irrigation; fertility; alfalfa; applicability

10.11975/j.issn.1002-6819.2019.13.011

S963.223.3

A

1002-6819(2019)-13-0102-11

2018-11-29

2019-05-10

寧夏回族自治區對外科技合作項目資助項目；寧夏高等學校一流學科建設（草學學科）資助項目（NXYLXK2017A01）；國家自然科學基金地區項目（61862049）；自治區重點研發計劃（引才專項）項目（2018BEB04020）；寧夏高等學校科學研究項目（NGY2018-229）

劉 瑞，副教授，博士生，主要從事農業信息化、作物生長模型及智能決策支持系統研究。Email：liurui2004_nxu@163.com

張亞紅，教授，博士，博士生導師，主要從事草地資源環境變化與評價、設施園藝環境研究。Email：zhyhcau@sina.com。

劉 瑞，張亞紅，葛永琪，胡 偉，蔡 偉.基于水氮因子的寧夏引黃灌區紫花苜蓿生長模擬模型[J]. 農業工程學報，2019，35(13)：102－112. doi：10.11975/j.issn.1002-6819.2019.13.011 http://www.tcsae.org

Liu Rui, Zhang Yahong, Ge Yongqi, Hu Wei, Cai Wei.Alfalfa growth simulation model based on water and nitrogen factors in Ningxia irrigation area of Yellow River [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 102－112. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.13.011 http://www.tcsae.org