德州市主要農作物需水量預報系統模型研究

李 楠，張振華，宋 揚

（德州市水利局，山東 德州 253014）

德州市水資源極其匱乏，人均占有水資源量211 m3，在保證全省1/6 糧食產量的同時，全市用水總量不足全省用水總量的1/10，是全國108 座、全省4 座嚴重缺水城市之一。德州市農業用水量約占全市用水總量的80%，作為農業大市，需要實行農業節水措施，實現精準灌溉，因此研究農作物灌溉需水量預報是十分必要的。

農作物灌溉需水量的影響因素很多，對于農作物整個生長期來說，是一個復雜的動態過程，主要取決于農作物的品種、氣象因素、地理因素3 個方面。本文考慮農作物的品種、氣象、土壤墑情等影響因素，將農作物灌溉需水量模型的建立作為一個系統來研究，通過數據基礎、模型建立、校正系統三部分共同加以詮釋，建立農作物灌溉需水量預報系統模型，能夠較為準確地進行農作物需水量預報。

1 農作物需水量預報系統模型數據基礎

1.1 試驗站概況

德州市屬于暖溫帶半濕潤半干旱季風氣候區，具有溫度適宜、光照充足、四季分明的特點。根據試驗站60 a氣象資料分析，全市多年平均氣溫12.9 ℃，平均干燥度1.29，太陽輻射125.5 kCal/cm2，日照2 660.6 h，濕度65.38%，無霜期204 d，平均風速3.3 m/s；多年平均降水量547.5 mm，蒸發量2 000 mm；0～200 cm土壤質地均為粉砂壤土，平均容重1.37 g/cm3，田間持水量22.3%（質量含水率），凋萎系數7.0%（質量含水率）；耕層土壤有機質、pH 值和銨態氮、硝態氮、速效磷、速效鉀的含量分別為1.27%、8.40和6.5、23.5、19.5、85.7 mg/kg。

1.2 農作物品種與其生育期

德州市主要農作物為小麥、玉米和棉花，試驗站以這3 種主要農作物的生育期需水量作為研究對象。3種農作物生育期，詳見表1—3。

表1 小麥不同生育期和不同生育期天數

表2 玉米不同生育期和不同生育期天數

表3 棉花不同生育期和不同生育期天數

1.3 研究因子

1.3.1 作物蒸發蒸騰量

作物蒸發蒸騰量ETc計算公式為：

式中：ETc為作物蒸發蒸騰量（mm 或mm/d）；Kc為作物系數；Ks為土壤水分修正系數；ET0為參考作物蒸發蒸騰量（mm或mm/d）。

參考作物蒸發蒸騰量ET0按Penman-monteith公式計算，Penman-monteith 公式依據的是能量平衡原理和水汽擴散原理及空氣的熱導定律，1948 年由英國科學家彭曼提出，由于它的準確性和易操作性，所以以此作為參考作物蒸發蒸騰量ET0的計算方法：

式中：ET0為參考作物蒸發蒸騰量（mm/d）；Δ 為溫度與飽和水氣壓關系曲線在T處的切線斜率（kPa/℃）；Rn為凈輻射量[MJ/（m2·d）]；G為土壤熱通量[MJ/（m2·d）]；γ為濕度表常數（kPa/℃）；T為平均氣溫（℃）；u2為2 m高處風速（m/s）；es為飽和水氣壓（kPa）；ea為實際水氣壓（kPa）。

1.3.2 氣象因子

氣象因子考慮農作物蒸散量、降雨量、氣溫、氣壓、濕度等，具體數據來自試驗區附近的氣象站實測資料。

1.3.3 土壤墑情因子監測

土壤水是植物吸收水分的主要來源，其主要來源是降水和灌溉水。墑就是指土壤適宜植物生長發育的濕度，土壤墑情是反映土壤含水量多少的主要指標，直接影響農作物的生長，是決定農作物灌溉需水量的一個重要影響因子。采用土壤墑情自動監測技術，能夠實時監測土壤墑情，實現土壤墑情信息存儲標準化和信息上傳自動化，為德州市干旱預報、預警服務提供可靠的監測資料。

土壤墑情自動觀測系統利用在地下35 cm 處放置傳感器，實時采集土壤墑情資料，由設備程序控制定點發送采集到的原始數據，采集完數據后采集器主板通過GPRS 網絡上傳數據，土壤墑情信息處理系統儲存并處理數據，生成便于查找、檢查、決策等工作的土壤墑情分布情況，用圖表的形式加以顯示，并采用干旱等級標注土壤墑情特性，對農作物灌溉用水量給予指導。

土壤墑情評價指標以土壤含水量與田間持水量比值的百分數表示。根據墑情評價指標，把土壤墑情分為5 個等級，即過多、適宜、輕度不足、不足、嚴重不足；在土壤墑情評價的基礎上，根據旱情評價指標，把旱情分為輕旱、中旱、重旱、極旱4個等級。小麥、玉米和棉花土壤墑情與旱情評價指標體系，詳見表4—6。

表4 小麥土壤墑情與旱情評價指標體系

表5 玉米土壤墑情與旱情評價指標體系

表6 棉花土壤墑情與旱情評價指標體系

本灌溉需水量預報系統在實時墑情所對應的干旱等級低于適宜等級時，會自動發出農作物水量不足的預警。

2 農作物需水量預報系統模型建立和預報結果分析

2.1 BP神經網絡預報模型

人工神經網絡是對人腦若干基本特性通過數學方法進行的抽象和模擬，是一種模仿人腦結構及其功能的非線性信息處理系統[1]。它具有并行的結構、非線性處理功能、較強的容錯性以及自組織自學習能力等，能夠對模糊信息或復雜的非線性關系進行識別與處理。其主要特征是自學習，通過對樣本模式的學習模擬信息之間的內在機制。

農作物種類、不同地區的不同氣候條件和管理條件等都會影響到農作物需水量的預報，而當今多數的預報方法多以線性理論為基礎，考慮問題偏于簡單化，導致計算預報精度不高。在描述非線性、不確定性和模糊關系等方面，人工神經網絡（Artificial Neural Network，簡稱ANN）具有其他方法難以比擬的優勢。其中，BP（Back Propagation，逆向傳播）神經網絡理論和方法已經比較成熟。

2.2 農作物需水量預報模型

2.2.1 農作物需水量預報模型建立

BP 神經網絡是一種解決復雜非線性函數逼近問題的較好方法。農作物各生育階段各氣象因素和土壤墑情對農作物需水量影響的機理甚為復雜，目前尚難用嚴格準確的物理方程加以描述。而利用BP 神經網絡，通過各氣象因子、土壤墑情因子與農作物需水量的相關分析，確定網絡的拓撲結構，用訓練好的神經網絡來實時預報農作物需水量，對于發展節水農業、進行高效灌溉具有十分重要的意義。

運用BP 神經網絡預報模型對灌溉演進機制進行識別的實質，是通過選擇適當的神經網絡模型逼近實際系統的動態過程[2]。若以灌溉要素作為輸入，以某種農作物相應的需水量要素作為輸出，神經網絡模型通過對歷史影響因子資料的學習，就能對輸出蘊含在該種農作物的需水規律進行映射。

應用BP神經網絡建模進行模擬預報時，先要確定模型的輸入和輸出。選擇對農作物需水量影響較大的因子作為模型的輸入，將蒸散發量、降雨量、土壤含水率作為模型輸入因子，以農作物生育期需水量作為模型輸出因子，利用Matlab 語言編寫程序并使用神經網絡工具箱中Newff 函數來初始化網絡，建立BP 神經網絡農作物需水量預報模型。BP 神經網絡建模示意，如圖1所示。

圖1 BP神經網絡建模示意

2.2.2 農作物需水量預報模型預報結果

灌溉需水量預報系統模型當實時墑情所對應的干旱等級低于適宜等級時，發出農作物水量不足的預警。本系統根據農作物的品種和生育期耗水量自動對農作物進行灌溉預報，灌溉水量由土壤實時墑情和農作物的灌溉定額決定。小麥、玉米和棉花灌溉用水量計算結果，詳見表7—9。

表7 灌溉系統模型模擬結果（小麥）

表8 灌溉系統模型模擬結果（玉米）

表9 灌溉系統模型模擬結果（棉花）

2.2.3 模型預報結果分析

從表10可以看出，對于農作物玉米、棉花和小麥來說，基于系統對農作物生育期耗水量的預報，再根據實時氣象因子、土壤墑情因子和農作物灌溉定額，進行農作物生育期灌溉，其結果符合農作物生長需水規律。玉米和棉花經系統預報計算，生育期水量都富裕，且不超過10%，對農作物影響不大；只有小麥缺水，但缺水量為262.5 m3/hm2，占小麥灌溉定額的9.75%。分析其原因發現，玉米和棉花生育期大多處于汛期，降雨量充沛，且玉米和棉花生育期分別為98、142 d，生育期相對較短，所以計算結果為不缺水；小麥的生育期為237 d，且處于非汛期，降雨量僅145.8 mm，僅占需水量的30%，基本依靠灌溉用水，所以計算結果為小麥缺水。總體結果表明，本系統符合農作物實際生長規律，準確率較高，可以進行實際操作。

表10 灌溉系統模型模擬結果對比

2.3 校正系統

依據數理統計理論及農田水量平衡原理的農作物需水量預報系統模型理論依據明確、結構合理、利用信息全面，在用于農作物生育期耗水量預報檢驗中獲得良好效果。但農作物需水量受眾多因素的影響，具有很大的不確定性，考慮到越新的資料對預報系統的預報結果影響越大，預報系統的結果更具有代表性和準確性，根據氣象數據、實時監測土壤墑情等因子，對農作物需水量預報模型進行實時校正，確保預報系統引入影響因子的最新資料，以確保系統的準確性和時效性。

3 結語

模型的輸入變量中降雨量、蒸發量、土壤含水量等因子都是比較容易監測的，因此本預報模型便于實際應用。根據德州市實際農業可供水量和對未來一段時間內的短期氣象因子、墑情因子的預報信息，通過模型預報出不同時期農作物需水量，與適宜墑情對比，運用本預報模型進行灌溉水量和灌溉時間的預報，可以指導不同區域、不同農作物的灌溉用水量和灌溉時間，為農民灌溉提供可靠的依據，避免了農民盲目灌溉造成的水量和經濟損失。