基于PSWE模型的土壤水鹽運移與夏玉米生產效益模擬

張萬鋒 楊樹青 胡睿琦 鄂繼芳

(1.內蒙古農業大學水利與土木建筑工程學院，呼和浩特 010018；2.澳大利亞人工智能研究所，悉尼 2007)

0 引言

河套灌區引黃水量銳減、土壤鹽漬化等問題嚴重制約著灌區農業持續健康發展，如何節水改良鹽漬地、提效增產是灌區面臨的主要問題[1-2]。秸稈還田改善土壤通透性[3]，顯著提高土壤養分供給強度[4]，減少無效蒸發[5]，促進對降雨入滲的利用，提高水分利用效率[6-7]，與適宜水質結合調控根層鹽分，提高作物產量和水分生產力[8]，影響土壤水鹽分布[9]。深入研究多因素協同秸稈還田耕作措施的土壤水鹽運移規律，對河套灌區抑鹽節水增產具有重要的現實意義。但受大田試驗周期長、氣候變化復雜等多重因素的影響，秸稈還田措施的水鹽運移規律缺乏深入系統研究，采用模型模擬是一種較方便快捷的研究方法。

大多數土壤水鹽運移模型模擬及其相關影響因子主要依賴于復雜的物理過程機理[10]，模型求解時往往因邊界條件復雜、計算參數眾多等原因在應用上受限，且水鹽運移的非線性和突變性降低了這些機理模型的準確性和可靠性。SCHINDLER等[11]認為，與基于過程的機理模型相比，基于數據驅動的模型更具優勢，伴隨機器學習理論及技術的發展，此類模型逐漸在模擬土壤水鹽運移方面得到認可。前人采用BP神經網絡模型研究土壤水鹽動態變化[12]和凍土水鹽空間變異情況[13]，并基于人工神經網絡預測洪水水位[14]、地下含水層水位[15]和土壤水鹽含量[16]等的變化，取得了較好的效果。作為機器學習最活躍的深度學習理論及技術，在數據特征學習與表征上更具優勢。目前，深度學習在圖像識別[17]、作物產量估算[18]、土壤養分檢測[19]、氣象預報[20]與疾病診斷[21]等方面應用較多，但在土壤水鹽模擬上的應用較少。

多因素協同秸稈深埋下土壤水鹽運移屬于夏玉米全生育期的時間序列分析問題，本文以此為切入點，基于分級長短期記憶網絡(Hierarchical long short-term memory，HLSTM)與批標準化多層感知機(Batch-normalized multi-layer perceptron，BMLP)耦合，構建遞進水鹽嵌入神經網絡(Progressive salt-water embedding neural network，PSWE)模型，模擬河套灌區多因素協同秸稈深埋下不同灌溉量的土壤水鹽運移及夏玉米生產效益。旨在探明多因素協同秸稈深埋下土壤水鹽運動規律，確定適宜灌水量，檢驗深度學習理論及技術在模擬土壤水鹽運移上的有效性，為灌區應用秸稈深埋還田技術調控水資源提供理論依據。

1 材料與方法

1.1 研究區概況

田間試驗于2017—2019年每年5月至9月在河套灌區臨河區雙河鎮農業節水示范區開展，該示范區屬中溫帶半干旱大陸性氣候，多年平均降雨量156 mm，大多降雨集中在夏秋季，年均蒸發量2 332 mm，春冬季地表返鹽嚴重。供試土壤為粉砂壤土(砂粒、粉粒、粘粒質量比為8∶15∶2)，0～100 cm土體平均容重1.485 g/cm3，平均田間持水率22.57%。

1.2 田間試驗設計

田間試驗于上一年秋澆前在35 cm土層人工鋪設5 cm粉碎玉米秸稈，平整耕地，第2年5月初淺耙壓實覆膜種植。秸稈深埋后形成土層依次為：耕作層(0～35 cm)、秸稈隔層(35～40 cm)、心土層(秸稈隔層以下土層)。田間試驗設4個灌水水平：單次灌水量60 mm(W1)、90 mm(W2)、120 mm(W3)、135 mm(CK，當地灌水量)，共4個處理，3次重復，12個小區，小區面積72 m2，各小區間設2 m保護帶，四周用埋深1.2 m聚乙烯塑料膜隔開，頂部留30 cm，防止水肥相互影響，田間管理與當地農戶管理一致。夏玉米生育期灌溉3次，用汽油泵從渠道定量抽取灌溉水，畦灌方式灌溉。供試材料為鈞凱918玉米，5月初機械播種，9月末收獲，株距0.35 m，行距0.45 m。

1.3 樣品采集與分析

(1)土壤含水率及含鹽量：在播種前和每次灌水前、后(雨后2～3 d內加測一次)，用土鉆分別在0～20 cm、20～40 cm、40～60 cm、60～80 cm、80～100 cm土層取樣，測土壤含水率及電導率。采用干燥稱量法測土壤含水率，即質量含水率；將土樣風干、磨碎、過篩，配制土水質量比1∶5提取清液，用DDS-307型電導率儀測土壤電導率。

(2)夏玉米考種測產及水分利用效率：每個小區隨機選取10株夏玉米，測量夏玉米穗長、穗粗、百粒質量等產量的相關指標；干燥后稱總質量并計算單位面積產量。

作物耗水量(Evaporation and transpiration of crop，ET)的計算式為

ET=P+I+Wg-D-R-ΔW

(1)

式中ET——作物耗水量，mm

P——生育期降雨量，mm

I——灌溉量，mm

Wg——地下水補給量，即研究期地下水向上補給土壤水的量，mm

D——滲漏水量，該示范區地下水位較高，地下水補給量遠大于滲漏水量，故D忽略不計，mm

R——地表徑流，該示范區地面平坦，研究期降雨較小，無地表徑流，R可忽略，mm

ΔW——試驗初期到末期土壤儲水量的變化量，mm

水分生產率(Water productivity，WP)的計算式為

WP=Y/ET

(2)

式中WP——水分生產率，kg/(hm2·mm)

Y——玉米產量，kg/hm2

大田試驗時，灌溉后無法立即取樣測土壤含水率，造成模型模擬未能充分反映灌溉后土壤含水率突變的過程。鑒于此，采用水量平衡的方法補算此時段觀測點的土壤含水率理論值，分別計算出灌溉后各土層含水率的平均增加值，得到觀測點此時的理論含水率，并將其作為一個整體在模型中輸入，再調試率定模型。

土壤含水量理論值的計算式為

(3)

式中W——土壤含水量理論值，mm

θi——第i層土壤質量含水率，此處為因灌溉引起的土層i含水率的變化量，%

hi——不同土層厚度，cm

ρi——土層平均容重

供試土壤各層平均容重分別為：0～20 cm土層取1.47 g/cm3，20～40 cm土層取1.48 g/cm3，40～60 cm土層取1.50 g/cm3，60～100 cm土層取1.49 g/cm3。

1.4 PSWE模型基本原理

使用Python編碼，在Pytorch框架上構建PSWE模型，并進行訓練、率定。HLSTM編碼器將實測數據時間序列化，將以天為單位記錄氣象數據(地溫、氣溫、輻射量、CO2濃度、降水量)、灌溉定額、秸稈埋深、生育期時長及土層深度等9個變量，作為一個整體嵌入到一個低維度歐幾里得空間中(維度為2維(含水率、含鹽量)，隱層維數為20維)，并學習與分析各變量與土壤水鹽含量間的因果關系，最終學習到土壤水鹽動態變化。承接HLSTM編碼器輸出的水鹽含量，BMLP解碼器分析與學習土壤水鹽含量與作物生產效益間的因果關系。HLSTM編碼器與BMLP解碼器在相互迭代、更新學習的過程中，捕捉多因素在時間序列上的依存關系，并分析多因素對土壤水鹽運移及作物生產效益的影響，實現準確模擬。本文使用[x0，x1，…，xt，…，xT]來表示每個時間點上的變量，每個xt為m維的向量(本文中m=9)。時間序列化使得xt自然擁有依次生成的性質，基于n階馬爾科夫鏈的夏玉米在各時間點上的各項指標依次發生的概率為

(3)

式中xt——每個時間點上夏玉米各項指標數據，即模型輸入參數

T——夏玉米整個生長周期，d

1.4.1HLSTM編碼器

在給定時間序列化數據[x0,x1,…,xT]，循環神經網絡(Recurrent neural network，RNN)可對應輸出一個序列[h0,h1,…,hT]，每次RNN運算的激活函數A為

At=φ(WaaAt-1+Waxxt+ba)

(4)

式中Waa、Wax——RNN中前一個輸出值和輸入值的權重

ba——輸入值偏差

φ——RNN的激活函數[22-23]，如S型函數、正切函數和線性整流函數

RNN模型輸出項ht為

ht=φ(WhaAt+bh)

(5)

式中Wha——權重系數

bh——輸出偏差

φ——輸出激活函數，與φ可以不同

RNN隨時間序列增加，反向傳播梯度會累積到爆炸或消失，限制了模型“記憶”長時間序列上的信息。而基于HLSTM模型使用內部邏輯門可有效解決這個問題。與RNN相比，HLSTM構造優勢在于內部的3個邏輯門：輸入門、遺忘門和輸出門。輸入門負責評估輸入數據流能否被用于記憶單元的調整與修改，即將0～1間的輸入數據和上一層隱藏數據通過S型函數合并及歸一；再根據模型算法判斷信息是否符合規則，若不符合規則就通過遺忘門被舍棄；將歸一后的數據輸入并結合模型當前時刻t節點的狀態，得到t時刻隱層表達式ot和輸出門t時刻輸出結果ht為

ot=σ(xtWo+ht-1Vo+bo)

(6)

ht=ot?St

(7)

式中σ——S型激活函數

Wo、Vo——HLSTM對應t時刻隱層表達式用到的數據學習權重

bo——HLSTM對應t時刻隱層表達式用到的數據輸入偏差

St——HLSTM對應時間節點t的存儲狀態

?——各元素間的相乘運算符號

每個時間節點輸出ht與該時間節點對應的土壤水鹽含量利用Huber Loss函數進行損失量計算，計算式為

(8)

式中Llstm——利用Huber Loss函數計算土壤水鹽含量的損失量

ywater,salt——田間試驗的實測值

Huber_loss(·)——用于計算回歸問題帶參的分段損失函數，本文采用L1-Loss函數計算損失量

利用輸入(9個變量)與輸出(作物生產效益)間的更新與映射，最后一個時間節點的隱層輸出結果被提取，作為學到整個時間序列上各項指標的嵌入(embedding)，即BMLP解碼器的輸入項。

1.4.2BMLP解碼器

利用批標準化處理[24]來增強訓練迭代，提高MLP模型的穩定性，構建批標準化多層感知機(BMLP)。將HLSTM編碼器模擬的水鹽指標作為BMLP解碼器的輸入項，捕獲時間序列上多因素的變化信息及其與土壤水鹽動態間的因果關系，輸出作物生產效益。文中BMLP解碼器是一種具有雙隱含層的神經網絡，層間信息流的精確仿射轉換至關重要，BMLP解碼器第l隱層hl表達式為

(9)

式中Wl——BMLP解碼器第l層的學習權重

bl——BMLP解碼器第l層的偏差

hl-1——l-1層的輸出值；當l=1時，h0為embedding(水鹽嵌入)

BMLP輸入的數據通過層級間的更新規則進行運算，得到最終輸出結果。最后一層生產效益的隱層表達與該時間節點上的田間實測產量及水分生產率利用Huber Loss進行損失計算，計算式為

Lmlp=Huber_loss(hl,yyield,water-efficency)

(10)

式中Lmlp——利用Huber Loss函數計算夏玉米產量與水分生產率的損失量

yyield,water-efficency——夏玉米產量與水分生產率的實測值

PSWE模型通過HLSTM構造的編碼器與BMLP構造的解碼器耦合所計算的損失對模型整體進行協同更新，從而大幅提高預測精度。本模型最終損失函數計算值L為式(8)和式(10)的平均值，即

(11)

采用隨機梯度(SGD)[25]作為優化器的神經網絡模型在峰值處梯度較平緩，未立即收斂，且神經網絡參數學習速率統一。但PSWE神經網絡模型在訓練過程中采用Adam優化算法，使其能夠更穩定、平滑地收斂。同時，為避免對數據產生過擬合，模型又耦合了Dropout優化算法[26]，作為整個模型的收斂算法。

至此，基于遞進水鹽嵌入神經網絡模型(PSWE)構建完成，通過適應性分析，將研究區各變量輸入模型，根據HLSTM構造的編碼器與BMLP構造的解碼器中獲取的雙層遞進因果關系進行迭代更新，完成對土壤水鹽變化及作物生產效益的模擬。PSWE模型架構如圖1所示。

圖1 遞進水鹽嵌入神經網絡架構Fig.1 Schematic of progressive salt-water embedding neural network architecture

2 結果與分析

2.1 PSWE模型率定與檢驗

各變量在數值上相差較大，且量綱不相同，若直接參與訓練會影響模型學習收斂速率與精度，故訓練前對原數據進行規范化預處理，將數據歸一化。選取2年360組實測數據作為PSWE模型訓練集，在訓練過程中表現出較好的誤差收斂性能，模型率定結果如圖2～4所示(因篇幅所限，僅選取2018年單次灌水90 mm和120 mm分別在播種后第17天和第135天的水鹽含量及2018年夏玉米生產效益率定圖為例)。結果表明，土壤含水率均方根誤差(RMSE)小于0.031%，平均絕對誤差(MAE)小于0.473%，決定系數R2大于0.979；土壤含鹽量RMSE小于0.032 g/kg，MAE小于0.566 g/kg，R2大于0.975；夏玉米產量RMSE為0.031 kg/hm2，MAE為0.546 kg/hm2，R2為0.983；水分生產效率RMSE為0.024 kg/(hm2·mm)，MAE為0.561 kg/(hm2·mm)，R2為0.977。

圖2 土壤含水率率定結果Fig.2 Model calibration of soil moisture content

圖3 土壤含鹽量率定結果Fig.3 Model calibration of soil salt content

圖4 夏玉米生產效益率定結果Fig.4 Model calibration of summer maize production efficiency

圖5 土壤含水率驗證結果Fig.5 Model checking of soil moisture content

圖6 土壤含鹽量驗證結果Fig.6 Model checking of soil salt content

圖7 夏玉米生產效益驗證結果Fig.7 Model checking of summer maize production efficiency

采用2019年的實測數據對PSWE模型進行檢驗。作物生育期有實測數據的時間點有9個，選取單次灌水60、90、120、135 mm處理在整個生育期20～40 cm土層含水率和含鹽量及生產效益的驗證圖為例，模型驗證結果見圖5～7。結果表明，土壤含水率模擬值與實測值擬合程度較好，雖然土壤含鹽量模擬結果相對稍差一些(可能是土壤蒸發與作物蒸騰過程中水鹽間強烈的互作效應，且鹽分的時空變異性遠大于水分時空變異性導致)，但仍可有效反映土壤水鹽運移及作物生產效益的變化趨勢，模擬結果可以接受。模型檢驗的平均RMSE為0.031，平均MAE為0.569，平均決定系數R2為0.987。

利用檢驗后的PSWE模型開展模擬試驗。模擬土層0～100 cm水鹽運移，每20 cm為一層，共5層；模擬周期為夏玉米生育期，共計140 d，步長為1 d；單次灌溉60～135 mm，灌溉3次，初始步長為5 mm，最小步長1 mm，最大步長為10 mm(按照當地灌溉時間確定)；氣象參數均按照當天平均值輸入；土壤含鹽量容許偏差為0.05 g/kg，含水率容許偏差0.05%，產量容許偏差為1 kg/hm2，水分生產率容許偏差為0.001 kg/(hm2·mm)。因模擬圖較多，僅選取灌溉60、90、120、135 mm的土壤水鹽分布模擬圖(圖8、9)。

2.2 多因素協同秸稈深埋下不同灌水量的土壤質量含水率模擬

多因素協同秸稈深埋下，不同灌水量的土壤含水率分布模擬結果如圖8所示。在夏玉米生育期內，土壤含水率隨土層深度的加深而提高，隨生育期推移而降低，且不同灌水量間存在不同程度的差異。

圖8 生育期內各土層含水率分布Fig.8 Distributions of soil moisture content in different soil layers during growth period

圖9 生育期內各土層含鹽量分布Fig.9 Distributions of soil salt content in different soil layers during growth period

生育前期，不同處理耕作層含水率差異不顯著，隨生育期推移，變幅增大。灌溉后耕作層含水率顯著增加，整個生育期出現3次峰值，隨蒸發蒸騰作用增強，土壤含水率逐漸降低。灌溉90mm和120 mm時，耕作層含水率保持平穩，為16%～24%；而灌溉60 mm時，因灌水量較小，且持續蒸發蒸騰作用及秸稈隔層在一定程度切斷毛管，導致耕作層含水率持續降低，最低僅為11.2%，已逐步影響夏玉米生長；灌水量為135 mm時，耕作層含水率變幅最大，灌溉后的耕作層含水率大幅增加，短時間內減小為10.3%～26.2%。在夏玉米成熟期，灌溉60mm的耕作層含水率較灌溉135mm處理降低27.3%，而灌溉90mm和120 mm的耕作層含水率分別提高5.7%和7.1%(P<0.05)。秸稈隔層含水率隨灌水量增加呈先增后減趨勢，同一時間點灌溉90mm和120 mm隔層含水率較灌溉60 mm和135 mm顯著提高(P<0.05)，成熟期二者分別提高14.3%和13.8%，說明多因素協同秸稈深埋下適宜灌水量可起到蓄水保墑的作用，擴大隔層蓄水容量。隨著土層深度增加，心土層含水率有增大趨勢，在40～60 cm土層含水率有小幅波動，特別是灌溉60mm處理在該土層含水率持續下降，成熟期下降到不足20%，且60 cm以下土層含水率在成熟期仍有下降趨勢；由圖8可知，灌溉90mm和120 mm處理的心土層含水率基本維持穩定，受灌溉影響較小，80 cm以下土層含水率均在30%以上；而當地灌水量135 mm時心土層含水率有小幅波動，夏玉米生長后期有降低趨勢。

2.3 多因素協同秸稈深埋下不同灌水量的土壤含鹽量模擬

多因素協同秸稈深埋下，不同灌水量的土壤含鹽量分布的模擬如圖9所示。多因素協同秸稈深埋和灌水量對土壤含鹽量分布影響顯著。

整個生育期，不同灌水量處理的耕作層均積鹽，灌溉90 mm和120 mm積鹽率較灌溉60 mm和135 mm顯著降低(P<0.05)。生育末期灌溉60 mm處理的耕作層積鹽最多，積鹽率為20.6%；其次是當地灌溉量135 mm處理，其積鹽率為16.6%；而灌溉90 mm和120 mm積鹽率較小，分別為8.9%和8.3%，二者差異不顯著(P>0.05)。在秸稈隔層，灌溉60 mm整個生育期含鹽量逐漸增加，生育末期達到3.9 g/kg以上，積鹽率達到49.2%，較其他灌水量處理的隔層積鹽顯著增多，即使地面灌溉后，仍然有增大趨勢；灌溉90 mm和120 mm處理的隔層含鹽量變化比較平穩，地面灌溉后隔層含鹽量下降，持續一段時間后增加，但在生育末期隔層脫鹽，脫鹽率分別為6.1%和5.9%，二者脫鹽率差異不顯著(P>0.05)；灌溉135 mm處理的隔層含鹽量隨灌溉后大幅降低，持續短時間后又顯著增加，生育末期隔層積鹽，積鹽率達到11.2%。說明多因素協同秸稈深埋的耕作模式下，過多灌溉或灌溉不足均不能充分發揮隔層抑鹽作用，只有在適宜灌水量下，秸稈隔層可減緩土壤水分入滲與蒸發，同時抑制深層土壤返鹽，保持根系層(20～40 cm)含鹽量變幅較小，生育末期土壤脫鹽效果顯著。心土層含鹽量隨灌水量增加存在不同程度的差異。灌溉60 mm處理的心土層含鹽量在生育期呈逐漸增大趨勢，成熟期含鹽量達到最大，為3.5 g/kg，較播種時顯著增加心土層含鹽量，平均積鹽率為14.7%；灌溉90 mm和120 mm處理的心土層含鹽量變化較平穩，平均積鹽率分別為11.5%和11.7%；當地灌溉135 mm處理的心土層含鹽量變幅較大，地面灌溉后大幅下降，隨蒸發蒸騰作用增強而增大，平均積鹽率為12.6%；不同灌溉量的心土層均積鹽，隨灌水量的增加心土層含鹽量變化率表現為先增后減，與耕作層積鹽趨勢相反。

2.4 夏玉米產量與水分生產率預測

夏玉米產量和水分生產率模擬結果如圖10所示。由圖10可知，秸稈深埋下夏玉米產量及水分生產率隨灌水量增大均呈先增后降的趨勢，但二者達到峰值時的灌水量不同。灌溉區間在60～89.3 mm時，水分生產率逐漸增加，在灌水量89.3 mm時，達到峰值，為21.3 kg/(hm2·mm)，此時夏玉米產量仍處在增加階段，未到達最大值；灌溉區間在89.3～96.8 mm時，水分生產率開始下降，產量在灌水量96.8 mm達到峰值，為9 191 kg/hm2；當灌溉區間為96.8～135 mm時，二者均下降。取二者峰值間的灌水量89.3～96.8 mm作為多因素協同秸稈深埋的夏玉米較適宜單次灌水量，并將此灌水量、理論產量、水分生產率及其他相應參數代入模型，反推耕作層理論含鹽量為1.38～1.55 g/kg。

圖10 不同灌水量時夏玉米產量及水分生產率變化曲線Fig.10 Summer maize yields and water productivity under different water irrigation

3 討論

土壤水鹽含量、作物生產效益與耕作措施、灌水量、氣象條件等多因素間存在復雜的非線性關系，研究多因素間的因果關系對土壤水鹽運移及提效增產有著重要的現實意義。劉全明等[27]基于BP神經網絡模型模擬區域耕地耕作層的水鹽動態，均方根誤差在1.7%～5%之間；余世鵬等[28]基于模糊神經算法建立的水鹽最優預測模型有效模擬了中長期水鹽動態變化，預測誤差降低30%以上。本研究基于HLSTM與BMLP耦合構建了遞進水鹽嵌入神經網絡(PSWE)模型，有效模擬了多因素變量與水鹽變化、夏玉米生產效益間的兩層遞進因果關系，模型整體均方根誤差為0.031，平均絕對誤差(MAE)為0.569，平均決定系數R2為0.987。PSWE模型具有較高的精度，可實現河套灌區多因素協同秸稈深埋下0～100 cm土層水鹽及夏玉米生產效益的模擬。模型訓練時發現，隨土層深度加深模擬精度有所降低，且土壤含鹽量模擬結果相對稍差，這與王鈞等[29]模擬含水率變化趨勢類似。可能是因為，一方面模型訓練時約束條件較少，未考慮土壤理化性質、滲漏等影響；另一方面蒸發蒸騰過程中土壤水鹽間的互饋效應強烈，且鹽分時空變異性遠大于水分。后期研究可通過這部分因素的改進進一步提高模型模擬與預測的精度。

不同土壤結構、質地均勻性改變了土壤水入滲形式，顯著影響土壤水分入滲[30]。秸稈覆蓋耕作措施的土壤水蓄納隨作物生育期推移改變，且作物生長前期蓄水，后期供水[31]，這與本研究結果存在差異。本研究在多因素交互作用下，耕作層土壤含水率隨地面灌溉而增大，但不同灌溉量土層的含水率變化趨勢不一致。這是因為夏玉米秸稈質地粗糙，深埋后形成秸稈隔層的上下界面與均質土壤(粉砂壤土)的界面存在空隙差，且秸稈內部也存在較多空隙，造成隔層導水率與原土壤存在差異，影響土壤水入滲。另外，因土壤入滲水需先達到秸稈隔層蓄納水容量才能繼續下滲至心土層，導致在隔層與土壤交界面形成的優先流水分短時間內很難進入心土層，引起優先流運移不均勻[32]。隨土壤水入滲，較小灌水量(60 mm)耕作層含水率遠低于田間持水率，入滲水分未能充分溶解耕作層鹽分，且未達到秸稈隔層的蓄納量，秸稈隔層未充分濕潤。因此，此時入滲水主要消耗在耕作層及部分存蓄在隔層中，無淋鹽的作用；隨著蒸發作用增強，隔層蓄納的水分及耕作層水分蒸散較快，且隔層切斷土壤毛管，心土層土壤水未能透過隔層及時補充蒸發消耗，耕作層及隔層含水率持續下降，導致小灌溉量的秸稈隔層逐漸演化成鹽庫，在夏玉米生育期有積鹽趨勢。

在多因素影響下，適宜灌溉量(90 mm或120 mm)處理的秸稈隔層延長了土壤入滲水在耕作層停蓄時間，可充分濕潤耕作層和隔層，提高其含水率，與心土層形成不連續的水分運移架構，當入滲水量超過隔層蓄納量時，土壤水將運移到心土層，最后形成不連續水分運移通道，入滲趨于穩定，達到部分淋鹽效果；蒸發作用下，耕作層土壤水分逐漸減少，心土層土壤水上移補充，但隔層阻斷了心土層土壤水分通過毛管上移的通道，切斷蒸發補給，抑制深層土壤鹽分上移，且隔層存蓄的水分在蒸發作用下逐步釋放，補充根系層，從而在一定程度上稀釋了土壤溶液，淡化根層。但灌水量較大(常規量135 mm)時，隔層與心土層形成的不連續水分運移架構被破壞，土壤水在很大程度上自由運移，隔層上下界面與土壤間的導水率差異減小，且隨灌水次數增加，不連續水分運移架構進一步破壞，隔層與土壤間導水率差異進一步變小，濕潤區優先流與其水分運移很快平衡。因此，灌溉后耕作層含鹽量大幅下降；隨蒸發蒸騰作用增強，深層土壤水分通過土壤毛管進入耕作層，逐漸補給蒸發，鹽分卻留在耕作層，導致耕作層積鹽，產生了次生鹽漬化。研究指出，秸稈夾層能夠抑制深層土壤返鹽且抑制耕層鹽分表聚[33]，這與本研究的結果有差異，這可能因為該研究僅分析秸稈夾層抑鹽的作用，未考慮其他影響因素。本研究發現，灌溉60 mm處理的耕作層積鹽，表層鹽分聚集較多，因持續蒸發作用，耕作層水分損失嚴重，鹽分濃度增大；灌溉90 mm和120 mm的耕作層鹽分表聚，抑制心土層返鹽，這與李芙榮等[34]的研究結果類似，此時表聚鹽分主要來源是耕作層及灌溉水的鹽分，進而在一定程度淡化根系層；另外常規灌溉135 mm耕作層表聚大量鹽分，造成耕作層次生鹽漬化，此時表聚的鹽分來源主要是耕層、灌溉水及心土層的鹽分。模擬結果表明，夏玉米生育末期灌溉60、135 mm的秸稈隔層積鹽，積鹽率為49.2%和11.2%，灌溉90、120 mm的隔層為脫鹽趨勢，脫鹽率為6.1%和5.9%。模擬結果較實測值偏小，可能是因為模型訓練是基于實測數據自身，約束條件較少導致。

水鹽脅迫是危害鹽漬地作物生長的關鍵因素，適宜的耕作層含鹽量有利于增強作物的耐鹽適應性[26,35]，有利于作物生長，且適宜灌水量對作物生理性狀及產量會產生積極的影響[36]，這與本研究結果基本一致。本研究結果表明，多因素協同及秸稈深埋下夏玉米適宜單次灌水量為89.3～96.8 mm，通過PSWE模型反算此時耕作層理論含鹽量為1.38～1.55 g/kg。說明秸稈深埋耕作模式下，適當減少灌水量及調控耕作層含鹽量可提高夏玉米生產效益，過高或過低耕作層水鹽含量均不利于作物生長。

4 結論

(1)PSWE模型將夏玉米生長條件、土壤水鹽含量與生產效益作為有機統一體，充分考慮各因素間整體協同效應，學習多因素在時間序列上的自然發展規律，較好地模擬了河套灌區多因素協同秸稈深埋的土壤水鹽動態，有效表征三者間雙層遞進因果關系，學習各變量內在依存聯系。模型平均均方根誤差為0.031，平均絕對誤差(MAE)為0.569，平均決定系數R2為0.987。

(2)多因素協同秸稈深埋下不同灌水量對土壤水鹽含量影響顯著，灌溉90 mm和120 mm的耕作層含水率保持在16%～24%之間，生育末期隔層脫鹽率分別為6.1%和5.9%，而灌溉60 mm和135 mm的耕作層含水率持續降低或者變幅較大，生育末期隔層積鹽率分別為49.2%和11.2%。建議河套灌區秸稈深埋下夏玉米種植的單次灌水量為89.3～96.8 mm，耕作層理論含鹽量調控為1.38～1.55 g/kg。