基于有效積溫的NFT栽培小白菜生長模型

陳永快 黃語燕 王濤 廖水蘭 鐘陳聲 趙健

摘要：為明確用營養液膜栽培技術（NFT）栽培的小白菜生長模型，以春油5號小白菜為試驗材料，在中以示范農場2個薄膜溫室內開展4次栽培試驗，采用營養液膜栽培技術進行栽培，每隔1～3 d采集小白菜的生長指標。根據小白菜對溫度的響應，以有效積溫為自變量，用Logistic方程構建NFT栽培小白菜生長模型，包括地上部鮮質量和干質量、地下部鮮質量和干質量、株高、葉片數、葉面積等模型，所建立模型的決定系數在0.881～0.993之間。經重復試驗數據檢驗，小白菜地上部鮮質量、地上部干質量、地下部鮮質量、地下部干質量、株高、葉片數、葉面積等模型的預測值與實際值之間基于1 ∶ 1直線的決定系數（R2）分別為0.990、0.990、0.985、0.986、0.963、0.935、0.985，回歸估計標準誤差（RMSE）分別為10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25張、74.81 cm2。因此，構建的小白菜生長模型精度較高，可為溫室NFT栽培小白菜生長管理調控、產量預測和經濟效益分析等提供理論依據和決策支持。

關鍵詞：營養液膜;有效積溫;小白菜;模型

中圖分類號：S634.301 ??文獻標志碼： A ?文章編號：1002-1302（2020）17-0229-04

小白菜為十字花科植物，原產于中國，別稱青菜、油菜、不結球白菜等，是我國長江流域及以南地區分布最廣、種植面積及復種指數最大的蔬菜之一，約占長江中下游大中城市蔬菜年總產量的 30%～40%[1-2]。

營養液膜栽培技術（nutrient film technique，簡稱NFT）是一種無土栽培技術，將植株定植在栽培槽內，營養液在栽培槽的底部做薄層間歇流動，為植株生長提供充足的養分和水分[3]。NFT可有效避免土傳病害，減少農藥使用，是蔬菜標準化和規模化生產的重要方式，因此，近幾年來溫室NFT發展較為迅速。

作物生長模型為作物栽培管理、環境調控優化、效益分析等提供了強有力的理論依據[4]。目前，國內外眾多學者已在溫室作物中，以有效積溫為預測指標，建立了有效積溫與溫室作物生長發育的相關模擬模型，對溫室作物的栽培具有理論指導意義。Heuelink等用有效積溫法建立了番茄的生長模擬模型[5-6]。徐剛等利用有效積溫建立了溫室番茄長季節栽培生長發育模型，模型精度高、預測性好[7]。李立昆等基于有效積溫建立了厚皮甜瓜果實發育進程模擬模型[8]。李書欽等基于有效積溫構建了冬小麥返青后株高、葉位高度、葉長、最大葉寬等模擬模型，可較好地預測冬小麥返青后葉片生長狀態，實現了小麥生長模型和形態模型的有機結合[9]。李世娟等以有效積溫和干物質量為參數，構建了小麥莖稈、葉片、穗等器官的幾何特征模型，這些模型以干物質量為參數輸入，能夠生成小麥主莖各器官的三維形態特征參數[10]。目前，我國對于作物模型的研究主要集中在番茄、甜瓜、小麥等作物上，關于NFT下小白菜生長模型的研究比較少。本研究基于經驗模型，以有效積溫為變量，采用Logistic曲線方程，建立NFT下小白菜生長模型，將產量、株高和葉片數等與環境因子之間的關系直接用函數關系表達出來，對溫室環境和小白菜生長的優化控制、生長期的定量化管理以及提高溫室利用效率等具有十分重要的意義。

1 材料與方法

1.1 試驗材料與試驗設計

試驗在中以示范農場2個薄膜溫室中進行，試驗品種為春油5號，由京研益農（北京）種業科技有限公司生產。采用為NFT栽培，共進行4次重復試驗，第1次至第3次試驗在溫室1中進行，第2次至第4次試驗在溫室2中進行，其中第2次和第4次試驗數據用于建立模型，第1次和第3次試驗數據用于模型驗證。在試驗過程中采集小白菜生長環境參數、表型數據。

供試品種在4葉1心時期前后，地上部鮮質量約1 g時，定植于NFT栽培槽中，栽培密度為 312 000株/hm2。每次重復試驗的灌溉量和栽培管理措施均按中以示范農場小白菜NFT的栽培規范進行。栽培期間使用的營養母液分為A、B液，100 L 的A液配方為硝酸鈣8 kg、硝酸鉀3 kg，100 L的B液配方為磷酸二氫鉀1.5 kg、硫酸鎂5 kg、乙二胺四乙酸鐵納230 g、硫酸錳60 g、硫酸鋅30 g、硫酸銅2 g、鉬酸銨0.75 g、硼酸30 g[12]。營養液在小白菜定植至采收期間pH值控制在6.0～6.5之間，定植10 d內電導率（EC）值控制在1～1.5 mS/cm之間，定植10 d至采收期間EC值控制在1.5～1.8 mS/cm 之間。

1.2 測定項目與方法

第1次試驗時間為2019年4月24日至2019年5月20日，第2次試驗時間為2019年10月27日至2019年11月22日，第3次試驗時間為2019年12月11日至2020年1月16日，第4次試驗時間為2020年2月19日至2020年3月23日。

試驗期間每隔1～3 d測量1次生長指標，每次選取長勢較均勻的3株小白菜進行測量，測量指標包括單株小白菜地上及地下部鮮質量、地上及地下部干質量、株高、葉片數、總葉面積。鮮質量用電子天平進行稱量。干質量是將材料放在105 ℃烘箱中殺青20 min，75 ℃烘干至恒質量后稱量。株高用游標卡尺進行測量。葉片數用計數法統計。葉面積用葉形紙稱質量法計算[11]。3株小白菜各參數的數據取平均值后進行分析。

用自主研發的環境數據采集裝置對小白菜生長過程中的環境數據進行采集，主要采集溫度、濕度、光照度等環境數據，數據每隔15 min保存1次。

1.4 數據處理

試驗數據采用Excel 2013、IMB SPSS Statistics 19軟件進行統計和分析。用模擬值和實際值之間的決定系數（R2）和標準誤差（RMSE）來評價模型的精度。R2越接近1，RMSE越接近0時，模型的模擬效果越好[12]。

2 結果與分析

2.1 有效積溫計算

常用有效積溫來反映作物對熱量的需求。高于生物學最低溫度的日平均溫度與生物學下限溫度之差稱為有效溫度，作物某一生育時期或整個生長發育過程中有效溫度的總和稱為有效積溫（簡稱GDD）[13]。計算方法如下：

式中：GDD為某一生育時期（t到h d）的有效積溫;Tb為生物學下限溫度，這里取Tb=7 ℃[1];Tmean為日平均溫度。

2.2 模型建立

以4次栽培試驗的累積有效積溫為自變量，小白菜地上部鮮質量、地上部干質量、地下部鮮質量、地下部干質量、株高、葉片數、葉面積等為因變量作圖，從圖1可以看出，在小白菜生長過程中，隨著累積有效積溫的增加，小白菜地上部鮮質量、地上部干質量、地下部鮮質量、地下部干質量、株高、葉片數、葉面積等大致呈“慢—快—慢”的增加趨勢。因此，本研究采用Logistic曲線方程進行擬合。Logistic曲線方程在植物生長發育的研究中被廣泛應用，曲線特點是開始緩慢增長，在之后某一范圍內迅速增長，達到一定限度后，增長變緩慢。Logistic曲線方程表達式為y=A/[1+Be（-k）]，其中A、B、k為曲線系數[14]。

采用第2次和第4次試驗數據建立模型，利用SPSS軟件對試驗數據進行回歸分析，得到小白菜地上部鮮質量、地上部干質量、地下部鮮質量、地下部干質量、株高、葉片數、葉面積等Logistic曲線模型及曲線決定系數（R2）見表1。

2.3 模型驗證

采用第1次和第3次的試驗數據對各模型進行驗證。結果表明，小白菜地上部鮮質量、地上部干質量、 地下部鮮質量、地下部干質量、株高、葉片數、葉面積的預測值與實際值之間相關性較好，從圖2可以看出，基于 1 ∶ 1 直線的決定系數（R2）分別為0.990、0.990、0.985、0.986、0.963、0.935、0.985，模型RMSE分別為10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25張、74.81 cm2，表明所建立模型預測效果較好。

3 討論與結論

根據小白菜對溫度的響應，以有效積溫為自變量， 用Logistic方程構建小白菜NFT栽培生長模型，包括地上部鮮質量和干質量、地下部鮮質量和干質量、株高、葉片數、葉面積等模型，模型決定系數在0.881～0.993之間。經重復試驗數據檢驗，小白菜地上部鮮質量、地上部干質量、地下部鮮質量、地下部干質量、株高、葉片數、葉面積等模型的預測值與實際值之間基于1 ∶ 1直線的決定系數（R2）分別為0.990、0.990、0.985、0.986、0.963、0.935、0.985，回歸估計標準誤差（RMSE）分別為10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25張、74.81 cm2。表明所]建立的小白菜營養生長模型精度較高，可為溫室利用NFT栽培小白菜的生長管理提供理論依據和決策支持。

本試驗是用1個小白菜品種，在水肥充足，栽培管理規范的條件下進行的，形成的模型尚未考慮水肥和栽培管理措施對NFT栽培小白菜生長的影響，今后需在模型中加入水肥虧缺和管理措施影響因子，從而提高模型的普遍適用性。

參考文獻：

[1]譚 文，楊再強，李 軍. 基于溫光效應的小白菜營養品質模擬模型研究[J]. 中國農業氣象，2016，37（1）：59-67.

[2]薛思嘉，楊再強，李 軍. 高溫對小白菜品質的影響及模擬研究[J]. 中國生態農業學報，2017，25（7）：1042-1051.

[3]吳敬才，鄭回勇，吳 燕，等. 葉菜類蔬菜營養液膜無土栽培技術[J]. 福建農業科技，2015（10）：48-50.

[4]楊靖民，楊靖一，姜 旭，等. 作物模型研究進展[J]. 吉林農業大學學報，2012，34（5）：553-561.

[5]Heuvelink E. Evaluation of a dynamic simulation model for tomato crop growth and development[J]. Annals of Botany，1999，83（4）：413-422.

[6]Wolf S，Rusieh J. Predicting harvesting data of processing tomato by a simulation model[J]. Journal of American Society Horticulture Science，1984，111（1）：11-16.

[7]徐 剛，張昌偉，李德翠，等. 溫室長季節栽培番茄發育動態模擬模型的研究[J]. 農業工程學報，2005，21（增刊2）：243-246.

[8]李立昆，李玉紅，程智慧，等. 基于有效積溫早春設施厚皮甜瓜果實發育模擬模型[J]. 北方園藝，2010（6）：97-100.

[9]李書欽，諸葉平，劉海龍，等. 基于有效積溫的冬小麥返青后植株三維形態模擬[J]. 中國農業科學，2017，50（9）：1594-1605.

[10]李世娟，諸葉平，張紅英，等. 整株干物質量分配指數模型模擬冬小麥各器官形態參數[J]. 農業工程學報，2019，35（9）：155-164.

[11]譚一波，趙仲輝. 葉面積指數的主要測定方法[J]. 林業調查規劃，2008，33（3）：45-48.

[12]馬萬征，毛罕平，倪紀恒. 不同果實負載下溫室黃瓜干物質分配的模擬[J]. 農業工程學報，2010，26（10）：259-263.

[13]李書欽，諸葉平，劉海龍，等. 冬小麥返青后葉片高度模型構建及三維可視化[J]. 中國農業科技導報，2017，19（11）：59-67.

[14]董江水. 應用SPSS軟件擬合Logistic曲線研究[J]. 金陵科技學院學報，2007，23（1）：21-24.