基于潛在漬害日指數的小麥漬害預報模型研究

黃鈺瑾,熊勤學,3,4,胡佩敏,任菲瑩

(1.長江大學農學院,湖北荊州 434025;2.荊州市氣象局,湖北荊州 434020;3.濕地生態與農業利用教育部工程研究中心,湖北荊州 434025;4.長江大學澇漬災害與濕地農業湖北省重點實驗室;湖北荊州 434025;5.吉林省氣象災害防御技術中心,吉林長春 130062)

漬害是指作物長期遭受地下水浸漬,土壤理化性狀惡化,水、熱、氣和養分失調,影響作物生長或危及作物存活而產生的一種農業氣象災害。長期以來,由于河流泛濫和泥沙堆積,在長江中游山地相夾地帶形成大片低濕平地,并被開發成農田,但受地勢低洼、農田建設及設施水平低、區域環境惡劣等因素的影響,農田作物常常遭受季節性或長期性漬害的危害[1]。漬害會導致作物不能正常生長發育,使根系缺氧乏力,不利于干物質累積,降低抗逆性,致使千粒重和產量下降及品質劣化。位于長江中游的湖北省監利縣就是漬害經常發生的一個典型地區。據統計,監利縣常年受漬農田面積占總耕地面積的40.6%。與同類地區豐產田相比,受漬后小麥減產50%～70%,災害嚴重的年份甚至絕收,漬害已成為該地區農業持續穩定發展的主要限制因子。同時,由于作物受漬后植株表型特征變化不明顯,受漬表現有明顯的滯后性;在不同田塊,因品種耐漬性、排灌設施、小氣候、土壤理化特性等因素的不同,漬害造成的損失差異很大,因而通過最終產量預報作物受漬信息的準確性和時效性不佳。當前,氣象部門根據暴雨預警指標進行大尺度漬害預報,得到的信息對農業生產指導意義不大,因此有必要開發綜合考慮所有漬害致災因子的預報模型。

作物漬害預報預警目前主要通過水文模型依據天氣預報結果,模擬農作區未來一段時間的土壤水分時空分布,并結合漬害土壤水分指標來實現?？蓪崿F作物漬害空間分布信息提取的模型有SaltMod(salt model)模型、SAHYSMOD(SPATIAL AGRO-HYDRO-SALINITY MODEL)模型、DHSVM(distributed hydrology soil vegetation model)模型和DRAINMOD 模型。Ajay Singh分別運用SGMP(standard groundwater model program)模型與SaltMod模型以季節為單位對印度哈里亞納邦因灌溉而形成的澇漬地的地下水位空間分布、時間變化和作物反應進行模擬,提出減少漬害和保證農作物產量的灌溉計劃[2-3]。SAHYSMOD模型是根據水分條件的空間分布、水分管理情況、農作物輪作制度信息,以季節為單位模擬灌溉農田的土壤水分中的鹽濃度、地下水量、排水流量、地下水位深空間分布的水分模型[4-5],已被成功引入大尺度、長時序的漬害監測中,取得了不錯的預報結果[6-7]。熊勤學采用DHSVM模型將監利縣分成若干個柵格單元,通過計算每個柵格單元的水平衡,結合作物輕、中、重度3種漬害的水分特征指標和天氣預報數據,模擬了監利縣未來幾天夏收作物不同漬害的時空分布[8-9]。賈艷輝[10]運用VB語言,在地下水位監測硬件支持下,設計了基于DRAINMOD模型的農田漬害預警系統。由于模型模擬需要大量的觀測數據支持與調參,因而運用氣象預報數據,結合水文模型進行小麥漬害大尺度、高精度、及時的預報不現實。本研究針對目前大范圍作物漬害預報缺乏的現狀,構建基于多因素的小麥漬害預報預警指標模型,以期實現長江流域小麥漬害大尺度、精細化、立體預報。

1 材料與方法

1.1 研究區概況

監利縣位于湖北省中南部、江漢平原南部,緊鄰長江北岸(圖1),面積為3 508 km2,地勢分布呈“簸箕”形,即西、南、北三面較高,中部及東部較低,因此自身形成一個獨立的水系;土壤類型主要有灰潮土、水稻土、黃棕壤;監利縣屬典型的亞熱帶季風氣候,光能充足、熱量資源豐富(大于10 ℃的積溫5 171.8 ℃·d)、無霜期長(242～263 d)。

1.2 數據采集

在監利縣共設12個漬害監測點(圖1),每個點設一具HOBO自動氣象站和土壤水分監測點。自動氣象站觀測的項目有1.5 m高處的氣溫、濕度、總輻射、光合有效輻射,2 m高處的風向、風速、降水和地面10 cm處地溫。土壤水分監測點采用Decagon公司EC50自動土壤水分監測儀,配有5個EC-5土壤水分傳感器,埋設深度分別為5 cm、10 cm、15 cm、20 cm和25 cm,取5個值的平均值作為土壤根層水分含量。所有儀器設置為1 h自動測定和記錄1次結果,觀測日期為2014-2016年每年3月1日至4月30日(小麥拔節期-乳熟期),2017-2019年數據作為驗證數據,12個監測點的其他相關信息見表1。

圖1 觀測點位置及地形圖Fig.1 Observation position map in Jianli county

表1 12個監測點的相關信息Table 1 Relevant information in the monitoring sites

1.3 小麥潛在漬害日指數(PWWDI,the potential wheat waterlogging daily index)模型的構建

影響小麥漬害成災因子很多,可歸納為氣象條件、地形條件、土壤類型和作物耐漬性。其中,氣象條件,特別是降水,是作物致災的決定條件,是漬害主要原因;地形條件和土壤類型影響土壤水分再分配,是決定漬害空間分布差異的主因;而作物耐漬性是作物致災的關鍵要素。三類成災因子中,只用氣象條件判別小麥是否受漬稱為可能漬害預報,考慮氣象條件、地形條件和土壤類型則稱為潛在漬害預報,如果再加上作物耐漬性條件才真正稱得上是漬害的預報。本研究重點對小麥潛在漬害預報進行探討。

目前對作物可能漬害預報指標的計算研究很多,主要有Guo[11]提出澇漬害日指數WI(daily waterlogging index)的概念來量化漬害對作物的影響,其計算公式為:

WIi=SAPI+Mi

(1)

其中,SAPI(standard antecedent precipitation index)為標準化先前降水指數,反映前期降水對作物的影響,Mi為第i天相對濕度指數。

吳洪顏[12-13]提出濕漬害日指數Qi的概念來量化可能漬害對作物的影響,其計算公式為:

Qi=(R-ETC)/ETC-(S-S0)/S0

(2)

其中,R為降雨量、ETC為作物需水量,S為日照時數,S0為可照時數。

由于這兩指標只考慮了氣象條件對漬害的影響,因此基于其的預報結果誤差大,不具備農業生產指導作用,有必要加入地形條件和土壤類型條件,實現作物潛在漬害預報預警。

首先用API(前期降水指數,antecedent precipitation index)來表達降水條件對漬害的影響,計算公式[14]為:

APIi=Pi+K×APIi-1

(3)

其中,APIi分別為第i天的前期降水指數(mm);Pi為第i天的降雨量(mm);APIi-1為第i-1天的前期降水指數(mm);K為土壤水分的日消退系數,它綜合反映土壤蓄水量因蒸散而減少的特性,因此K值大小與蒸散發相關,其計算公式[15]為:

K=1-EM/WM

(4)

WM=P-R-E

(5)

式中,EM為流域日蒸散能力,WM為流域最大蓄水量,P為平均降雨量,R為平均產流量,E為平均蒸散量。當P大于100 mm時,API為100 mm。

EM采用Hargreaves-Samani(H-S)模型計算,具體公式[16]為:

EM=0.002 3(T+17.8)×(Tmax-Tmin)1/2Ra/λ

(6)

式中,T為日平均溫度;Tmax為日最高氣溫(℃);Tmin為日最低氣溫(℃);Ra為地球外輻射(MJ·m-2·d-1),λ為蒸發潛熱(2.45 MJ·kg-1)。

API不僅能用作反映潛在漬害的指標,而且更多用于作物干旱預測[17],主要原因是API能反映土壤水分變化特征[18],由于API只考慮了氣象條件的影響,有必要加入其他影響因子,使它能更好反映土壤水分變化特征。

公式4中K是土壤水分的日消退系數,它只考慮了蒸散的影響,而土壤水分差異的關鍵因子是地形條件和土壤類型。為表達地形條件差異,引入變量地形濕度指數TWI[19],同時用土壤橫向飽和導水率(Lc:lateral conductivity,10-5m·s-1)代表周圍土壤水分的影響,得到K值計算公式為:

K=(1-EM/WM)×(a+b×Lc×TWI)

(7)

TWI=ln[a/tg(b)]

(8)

公式3和7構成潛在漬害預報預警日指標計算公式,取名為小麥潛在漬害日指數(PWWDI,the potential wheat waterlogging daily index)。a為單位等高線長度或單元柵格的匯流面積;b為局部坡度角。

TWI具體計算過程采用單流向算法[20]。下載湖北省監利縣的SRTM(shuttle radar topography mission)、DEM數據并在ARCGIS中進行SINK處理,然后進行flow direction和flow accumulation處理,得到a值為flow accumulation值與單元格面積乘積;同時在ARCGIS進行slope計算,得到b值,代入公式8,可得TWI值;如果b=0,取TWI值為0。

2 結果與分析

2.1 PWWDI計算公式中參數的確定

PWWDI既是影響作物漬害成因的綜合因子,也是反映土壤水分空間差異的特征量[21],因而本研究用12個觀測點2014-2016年3-4月份土壤體積含水率的平均值與TWI值和Lc值的乘積進行線性回歸分析并求算a、b值,其中Lc值按土壤類型取值,其中黃棕壤取值為0.01×10-5m·s-1,水稻土為0.015×10-5m·s-1,潮土為0.02×10-5m·s-1。得到的線性回歸方程為y=0.1375×Lc×TWI+0.24,相關系數為 0.90,F(1,11)=42.70>F0.001。

對回歸方程進行歸一化處理,統一除以土壤平均體積含水率0.26 m3·m-3,求得公式7中的a值為0.94,b值為0.54,最終得到PWWDI計算公式:

PWWDIi=(1-EM/WM) (0.94+0.54×Lc×TWI) PWWDIi-1

2.2 PWWDI計算公式的驗證

將12個觀測點2014-2016年3-4月份的土壤水分日均值與計算得到的PWWDI(樣本數為3 843)進行回歸分析,得到的相關系數為 0.78,達到極顯著水平。而如果通過公式4計算K值再計算API,得到的API與土壤水分日均值的相關系數只有0.72,說明PWWDI比API更能準確反映土壤水分日均值時空差異。

分析發現,土壤水分的觀測數據與同期PWWDI的時間變化曲線基本一致,兩者關系像土壤吸力和土壤水分關系一樣,有明顯的吸濕過程和脫濕過程(圖2)。當土壤水分減少時PWWDI比較低,而當土壤水分增加到同樣的值時PWWDI普遍偏高,產生這一現象的主要原因是PWWDI主要反映環境要素對土壤水分的綜合影響,而土壤水分的響應滯后于環境要素的影響。PWWDI具有的土壤水分吸濕和脫濕過程的差異性導致作物漬害發生和結束時的PWWDI不同,作物漬害發生時是吸濕過程,PWWDI高;而作物漬害結束時是脫濕過程,PWWDI低(圖3)。

圖中每個點的數據表示天數序號(2017年3月1日至4月30日)。The values refer to the days from March 1 to April 30 in 2017.圖2 2017年觀測點3的土壤水分觀測數據與PWWDI的關系Fig.2 Relationship between average soil moisturevalue in No.3 monitoring site in 2017 and PCWDI values

圖3 12個觀測點2014-2016年3-4月份觀測到的土壤水分日均值與PWWDI的關系Fig.3 Relationship between average soil moisture value in the 12 monitoring sites in 2014-2016 and PWWDI values

2.3 基于PWWDI的漬害指標確定

有學者提出漬害判別標準:當農田地下水位埋深小于60 cm,土壤根層相對體積含水率5 d 滑動均值高于110%的持續期大于5 d,認為夏收作物受到輕度漬害;如果持續期大于12 d 認為受到中度漬害;持續期20 d以上認為受到重度漬害[9,22]。按照此判別標準,利用2014-2016年12個觀測點的土壤水分數據,得到漬害發生時和結束時PWWDI值的頻率分布圖(圖4)。由圖4看出,漬害發生時PWWDI值主要集中在60～75 mm區間,平均值為 68.7 mm;結束時PWWDI值主要集中在35～45 mm范圍,平均值為42.5 mm。

圖4 2014-2016年監利縣12個觀測點漬害發生時(A)和結束時(B)PWWDI值的頻譜圖Fig.4 Frequency of PCWDI values at the time (A) and the end (B) of the occurrence of sub-surface waterlogging

監利縣土壤根層相對體積含水率為110%時土壤體積含水率為0.32 m3·m-3,將它作為x代入圖3中的吸濕曲線方程和脫濕曲線方程,得到漬害發生時PWWDI值為75.2 mm,漬害結束時PWWDI值為38.9 mm。

綜合兩種方法結果得到小麥受漬指標:當農田地下水位埋深小于60 cm,PWWDI 5 d 滑動均值高于65 mm的持續期大于5 d,認為小麥受到輕度漬害;如果持續期大于12 d 認為受到中度漬害;持續期20 d以上認為受到重度漬害;漬害發生后,當PWWDI值小于40 mm時,漬害結束。

將基于PWWDI的受漬指標運用到監利縣3個監測點2017-2019年漬害預報實際中,將得到的預報結果(表2)與以土壤含水量為依據的小麥漬害標準獲得的結果比較,結果表明,22次漬害中有17次準確,3次漏報,2次誤報,其中3次漏報是因為預報的漬害持續期小于5 d而忽略,2次誤報是2018年4月5日降雨量達到86.7 mm,后期無雨,導致當日API異常高,從而產生的誤報,準確率77.3%,說明用PWWDI進行漬害預報預警比較準確。

表2 2017-2019年監測點實際受漬信息與預報結果比較Table 2 Comparison of waterlogging information and forecasted results at monitoring sites from 2017 to 2019

3 討 論

API自上世紀40年代由Kohler提出[23],作為土壤水分狀況指標,為提高小流域和土壤高濕區水分精度,其計算方法在不斷改進。如,Binru Zhao[24]優化了API計算公式中的衰減系數(將日平均氣溫和極大值限制引入),改進后API對意大利愛米利婭羅馬涅地區滑坡的預報準確率明顯提高。段海來[25]提出基于標準化前期降水指數SAPI 的逐日洪澇監測指標建立晚稻洪澇指數,該指數能夠較好地反映洪澇的發生、發展及結束過程中的強度變化細節,而且其波動能夠對降水過程合理響應。本研究將地形濕度指數和土壤橫向飽和導水率引入API公式中的衰減系數計算,反映流域內地形和土壤類型差異對土壤濕度空間分布變異的影響,因為地形濕度指數是反映小流域尺度的土壤水分指標[26],土壤橫向飽和導水率反映土壤類型差異對土壤水分橫向傳輸的影響,而這些因子皆為漬害的致災因子,因此改進后的API能從時間上高效反映小麥潛在漬害的危害程度,本研究結果最終證明了這一點。

小麥潛在漬害日指數計算需要輸入的參數為氣象數據、地形濕度指數和橫向飽和導水率,其中地形濕度指數和橫向飽和導水率不隨時間變化,因此用高程空間數據和土壤類型空間數據可以得到這兩個參數的空間分布,結合氣象數據,就能實現高空間分辨率不同地點的小麥漬害差異化預測預報的結果,在少量監測數據的情況下,可大大提高小麥漬害預測預報精度。簡單、實用、可操作性強和精度高是運用小麥潛在漬害日指數進行漬害預測預報的優點。

盡管基于小麥潛在漬害日指數的作物受漬預報預警得到驗證,但其通適性還有待進一步研究;同時小麥潛在漬害日指數沒有考慮作物的耐漬性,如何將作物的耐漬性融入小麥潛在漬害日指數計算公式中,是未來小麥受漬預報預警研究的方向。

4 結 論

在量化作物漬害成災因子的基礎上,提出了小麥潛在漬害日指數概念,并給出了小麥潛在漬害日指數的計算公式,小麥潛在漬害日指數綜合考慮了氣象條件、地形和土壤類型對漬害的影響,而且公式中參數易獲取,較澇漬害日指數、前期降水指數更加準確。同時給出了監利縣基于小麥潛在漬害日指數的夏收作物受漬指標,通過3年的驗證證明該方法比較準確。