鲁中地区作物系数确定及土壤水分预报模型研究

环海军++姚丹丹++刘岩++夏福华

摘要：通过土壤水分平衡方程对鲁中地区平原和山区两种地形冬小麦和夏玉米的作物系数进行修正，建立了理论模型和统计模型，并进行了回代和预报对比分析。结果表明：鲁中地区冬小麦、夏玉米生育阶段作物系数山区较平原低，最大值分别出现在拔节至乳熟、拔节至抽雄阶段；两种模型多数时段回代和预报绝对均方根误差均在5 mm内，相对均方根误差基本在2%以内；两种模型对平原地区土壤水分的回代和预报效果接近，统计模型误差略偏小，对山区的回代和预报效果多数时段统计模型偏好；模型对平原土壤水分的预报效果较山区好。综上所述，统计模型基本能用于实际业务中，但其稳定性和机理机制仍需深入研究。

关键词：作物系数；小麦；玉米；预报模型；鲁中地区

中图分类号：S152.7+5文献标识号：A文章编号：1001-4942（2017）06-0143-05

AbstractThe crop coefficients of winter wheat and summer maize in the plain and mountain areas in the middle area of Shandong Province were modified by soil moisture balance equation， then the theoretical model and statistical model were established， and the backward substitution and prediction analysis were conducted. The results showed that the crop coefficients of winter wheat and summer maize in plain were higher than those in mountain area in the middle area of Shandong Province， and their peak values appeared at jointing-milky stage and jointing-tasseling stage respectively. The absolute root mean square errors of backward substitution and prediction were within 5 mm in most time of the two models， and their relative root mean square errors were basically less than 2%. The backward substitution and prediction results of two models on soil moisture in the plain were close to each other， in which， the error of statistical model was slightly smaller. The backward substitution and prediction results of statistical model in the mountain area was better in most time. The prediction results of two models in the plain were better than those in the mountain area. Thus， the statistical model could be used in the actual business， but its stability and mechanism still needed further research.

KeywordsCrop coefficient； Wheat； Summer maize； Forecast model； Middle area of Shandong Province

土壤水分是作物生長的物质基础，干旱是制约农业生产的主要气象灾害之一，所以研究土壤水分预报模型对农业生产和节水灌溉有重要意义。国内外有许多学者从多个方面研究了土壤墒情预报，如利用不同方法建立土壤水分经验模型[1-3]，结合遥感卫星资料建立土壤水分预报模型[4-7]，利用实测资料基于土壤水量平衡原理建立了研究区域的土壤墒情预报模型[8-11]，基于BP神经网络模型和ARIMA模型等数学模型建立土壤水分预报方法[12-19]，基于遥感和GIS建立土壤墒情预报模型[20-22]。现在国内对土壤墒情的研究已经有了很大进展，逐步在全国范围内建立了土壤墒情的实时监测系统。利用大范围农田逐日土壤水分实时观测资料进行分析和建立预报模型在灌溉预测中有实际意义。

鲁中地区地处暖温带大陆性季风气候区，多数区域为亚湿润气候。受季风影响，气候变化具有明显的季节性，季节性干旱较常见，尤其春、秋季干旱发生频繁。鲁中地区主要种植小麦和玉米，干旱是制约当地农业生产的主要气象灾害之一，其频繁发生和长期持续性给当地农业生产带来巨大损失，但目前针对该地区土壤水分预报模型的研究较少，故结合实时农田土壤水分观测资料，建立适合该地区的土壤水分预报模型对干旱监测和实际农业生产具有指导意义。

1材料与方法

1.1数据来源

本研究所需数据来自于鲁中地区自南而北的8个国家一般气象观测站2010—2014年逐日气象资料（包括降水量、气温、水汽压和日照时数等）；地形包括平原和山区，土壤水分资料来源于2010—2014年鲁中地区与8个国家一般气象观测站临近的土壤水分自动监测站逐时数据。各监测站点分布见图1。

1.2研究方法

參考作物蒸散量利用Penman-Monteith模型计算，见式（1）。农田实际蒸散量运用土壤水分平衡法获取，鲁中地区作物地段畦间有畦埂，故由降水和灌溉引起的径流量可忽略为0，简化变换后见式（2），其中ET为研究时段内农田蒸散量，WT+i、WT由土壤水分自动观测站逐日资料（体积含水率）获取，R、I分别为研究时段内的降水量和灌溉量；G为研究时段内的地下水补给量，其计算方法见式（3）；H为地下水位深度（mm）；Is为降水作物截流量，与作物叶面积有关。

2结果与分析

2.1土壤水分预报理论模型

2.1.1作物系数的确定土壤水分平衡方程是计算土壤水分变化的理论基础，其中关键在于作物蒸散量的计算。冬小麦和夏玉米的作物系数虽可由FAO-56查出，但各地作物系数不尽相同，本研究利用公式（1）至（5）对鲁中地区冬小麦和夏玉米各生育阶段的作物系数进行了修正，结果见图2。由于越冬期间（11月下旬至次年2月下旬）土壤冻结，不对该阶段进行修正计算。由图2可知，两种地形同种作物的作物系数变化规律基本一致，山区较平原偏小，拔节至乳熟是冬小麦作物系数的最高阶段，拔节至抽雄是夏玉米作物系数的最高阶段；冬小麦生育期作物系数呈“Z”形分布，夏玉米呈单峰形分布，基本符合鲁中地区主要农作物生长特征。

2.1.2理论模型的误差分析运用修正的作物系数结合土壤水分平衡方程，回代计算2010—2013年土壤水分贮存量逐日变化，并预报2014年土壤水分贮存量的逐日变化，旬绝对均方根误差和相对均方根误差计算结果见表1。可以看出，平原地区回代和预报的相对均方根误差均在2.0%以内，整体模拟效果较好，旬绝对均方根误差随时间的推进呈先增加后减小的趋势；多数时段预报误差较回代误差小。山区除了在部分时段回代和预报绝对均方根误差较大外，多数时段低于5 mm，误差变化规律与平原地区基本一致，整体回代和模拟效果较平原地区略差。

2.2土壤水分预报统计模型

为了在实际业务中结合天气预报进行土壤水分预报，本研究以土壤水分平衡方程为基础，结合常规天气预报要素——降水、地下水位、最高气温、最低气温、风速、天气状况和日照时数，建立了鲁中地区0～100 cm土壤水分贮存量预报统计模型。依据气象上的分类标准和日照时数观测结果，按日照百分率S≥60%、20%≤S<60%、0≤S<20%划分为晴天、多云和寡照3种天气类型，分别用1、2、3表示；将风速按莆田风速标准划分为6级，分别用1、2、3、4、5、6表示；将土壤水分日降幅百分率（日土壤水分变化幅度/初始土壤水分×100）进行均一化处理，以去除初始土壤水分贮存量对结果的影响。本研究对8个预报要素与土壤水分日降幅百分率进行相关性分析，将通过0.05显著水平的要素选入方程，建立不同月份的回归模型，然后选择拟合优度高和通过0.01水平F检验的模型进行回代和预报检验，旬绝对均方根误差和相对均方根误差计算结果见表2。

由表2可知，回代和预报绝对均方根误差均在5 mm内，相对均方根误差基本在2%以内，需水高峰时的误差较其他时段的误差大；多数时段预报误差比回代误差略小，模拟预报效果较好。

2.3两种模型的对比分析

以理论模型绝对均方根误差与统计模型绝对均方根误差的差值对比分析两种模型，结果见图3。可知，平原地区理论模型和统计模型回代绝对均方根误差在各旬统计中各有优势，而山区理论模型回代绝对均方根误差整体偏大，而且差值幅度较平原地区大。在模拟预报方面，多数时段，两种地形理论模型的绝对均方根误差偏大，但3月下旬至4月上旬偏小幅度较大；多数时段两种模型对平原地区2014年土壤水分贮存量的预报模拟误差接近，但在山区的模型预报中，理论模型偏高幅度较大。综合来看，统计模型更适用于实际预报业务，但还需相关的机理机制解释支撑。

3讨论与结论

（1）鲁中地区作物系数随着时间推移，冬小麦呈减少-增加-减少的变化趋势，玉米呈增加-减少的趋势，峰值分别出现在拔节—乳熟、拔节—抽穗期；多数时段平原地区作物系数较山区略高。

（2）平原地区理论模型回代和预报相对均方根误差均在2.0%以内，整体模拟效果较好；山区多数时段绝对均方根误差在5 mm范围内，误差变化规律与平原地区基本一致，整体回代和预报效果较平原地区略差。统计模型的回代和预报绝对均方根误差均在5 mm内，相对均方根误差基本在2.0%以内，需水高峰的误差较其他时段的误差大。

（3）两种模型平原地区的回代绝对误差在各旬统计中各有优势，理论模型在山区回代绝对均方根误差整体偏大；理论模型对两种地形的模拟预报绝对均方根误差偏大，山区偏差幅度较平原地区大。

（4）通过结合实际天气预报业务建立统计模型，并与修正作物系数后的理论模型进行比较分析，结果表明统计模型的精度更能够适用于实际业务运行。但该模型的时间序列较短，稳定性、精度和机理机制仍有待进一步研究。精细化的土壤水分预报模型能够为粮食安全生产、节水灌溉和进行更及时、更精细、更准确的农业气象服务提供科学依据。

参考文献：

[1]Lewin J. A simple soil water simulation model for assessing the irrigation requirements of wheat[J]. Israel J. Agric. Res.， 1972， 22（4）： 201-213.

[2]Rao N H， Sarma P B S， Chander S.Irrigation scheduling under a limited water supply[J]. Agriculture Water Management， 1988，15（2）： 165-175.

[3]Aboitiz M， Labadie J W， Heermann D F. Stochastic soil moisture estimation and forecasting for irrigated fields[J]. Water Resources Research， 1986， 22（2）： 180-190.

[4]Magagi R D， Kerr Y H. Retrieval of soil moisture vegetation characteristics by use of ERS-1 Wind Scatterometer over arid and semi-arid areas[J]. Journal of Hydrology， 1997， 188（1）： 361-384.

[5]Pulliainen J T， Manninen T， Hallikainen M T. Application of ERS-1 Wind Scatterometer data to soil frost and soil moisture monitoring in boreal forest zone[J]. IEEE Transactions on Geoscience & Remote Sensing， 1998， 36（3）： 849-863.

[6]Wagner W， Lemoine G， Rott H. A method for estimating soil moisture from ERS Scatterometer and soil data[J]. Remote Sensing of Environment， 1999， 70（2）： 91-207.

[7]Weimann A. Soil moisture estimation with ERS-1 SAR data in the East-German loess soil area[J]. Remote Sensing， 1998， 19 （2）： 237-243.

[8]侯琼， 郝文俊. 内蒙古地区玉米农田土壤墒情动态预测模式[J]. 干旱地区农业研究， 2000， 18（4）： 50-56.

[9]蒋洪庚， 夏自强， 陈海芳. 区域土壤墒情模型研究[J]. 河海大学学报， 2000， 28（5）： 21-24.

[10]邓天宏， 方文松， 李英敏， 等. 冬小麦土壤墒情预报及优化灌溉技术的计算机模型[J]. 气象与环境科学， 2001（1）： 29-31.

[11]王振龙. 安徽淮北地区墒情监测预报和抗旱信息系统研究[J]. 灌溉排水， 2001， 20（4）： 60-62.

[12]尚松浩， 雷志栋， 杨诗秀. 冬小麦田间墒情预报的经验模型[J]. 农业工程学报， 2000， 16（5）： 31-33.

[13]马孝义， 王君勤， 李志军. 基于土壤消退指数的田间土壤水分预报方法的研究[J].水土保持研究， 2002， 9（2）：93-96.

[14]范爱武， 刘伟， 龙妍. 基于BP网络的土壤水分预报研究[J]. 华中科技大学学报（自然科学版）， 2002， 30（5）：85-87.

[15]尚松浩， 毛晓敏， 雷志栋， 等. 冬小麦田间墒情预报的BP神经网络模型[J]. 水利学报， 2002（4）： 60-63.

[16]李兴旺， 冯宝平. 基于BP神经网络的土壤含水量预测[J]. 水土保持学报， 2002， 16（5）： 117-119.

[17]李帆， 史岩， 孙凯， 等.基于BP网络的土壤墒情预报模型研究[J].莱阳农学院学报（自然科学版），2006， 23（2）：136-140.

[18]杨绍辉， 王一鳴， 郭正琴， 等. ARIMA模型预测土壤墒情研究[J]. 干旱地区农业研究， 2006， 24（2）： 114-118.

[19]张展羽， 赖明华， 朱成立. 非充分灌溉农田土壤水分动态模拟模型[J]. 灌溉排水学报， 2003， 22（1）： 22-25.

[20]李忠武， 蔡强国， 曾光明， 等.基于GIS的黄土丘陵沟壑区土壤水分模型研究[J]. 水利学报， 2004（3）： 123-128.

[21]邹春辉， 陈怀亮， 薛龙琴， 等. 基于遥感与GIS集成的土壤墒情监测服务系统[J]. 气象科技， 2005， 33（增刊）：161-165.

[22]陆圣女. 基于GIS解放闸灌域土壤墒情变化规律及预报模型研究[D]. 呼和浩特： 内蒙古农业大学， 2008.