设施菜地WHCNS_Veg水氮管理模型

梁 浩，胡克林，孙 媛，吕浩峰，林 杉

设施菜地WHCNS_Veg水氮管理模型

梁 浩1,2，胡克林2※，孙 媛3，吕浩峰2，林 杉2

（1. 河海大学农业工程学院，南京 210098； 2. 中国农业大学土地科学与技术学院，农业部华北耕地保育重点实验室，北京 100193； 3. 中国农业科学院农业信息研究所，北京 100081）

与一般大田作物相比，设施菜地集约化程度高、水肥投入量大，加上蔬菜根系浅，土壤养分淋失严重，不仅浪费资源，而且极易引起地下水污染等生态环境问题。定量研究设施蔬菜不同生长阶段的土壤水分动态和氮素去向是制定合理水氮管理方案的基础。该研究在农田土壤水热碳氮模拟模型（soil water heat carbon nitrogen simulator，WHCNS）的土壤水分、碳氮循环模块的基础上，耦合了蔬菜生长发育过程模型，构建了适用于设施菜地水氮管理的机理模型WHCNS_Veg。分别利用山东寿光的设施黄瓜和天津武清的设施番茄田间观测数据，主要包括不同水氮管理措施下实测的土壤水分（含水率和基质势）、土壤氮素（硝态氮含量和淋失量）、植株吸氮量和蔬菜可售卖鲜产量，对WHCNS_Veg模型进行了校准与验证。结果表明，作物生物学指标的模拟精度要高于土壤指标，模拟的黄瓜、番茄产量和植株吸氮量的相对均方根误差不大于12.1%、一致性指数不小于0.934和Nash-Sutcliffe效率系数不小于0.829。土壤指标中，土壤含水率的模拟效果也较好，相对均方根误差、一致性指数和Nash-Sutcliffe效率系数的范围分别为6.2%～9.1%、0.851～0.960和0.477～0.846；其次是土壤硝态氮含量和淋失量，相对均方根误差范围分别为22.2%～40.1%和4.6%～26.0%，Nash-Sutcliffe效率系数范围分别为−0.810～0.636和0.442～0.956。模型对土壤基质势动态模拟的精度相对较低，相对均方根误差、一致性指数和Nash-Sutcliffe效率系数范围分别为22.9%～30.1%、0.223～0.846和−6.344～0.113，主要是滴灌条件下模拟效果较差导致的，说明需要进一步提高滴灌条件下土壤基质势的模拟精度。总体来看，WHCNS_Veg模型较好地模拟了不同水氮管理条件下土壤水氮动态和蔬菜生物学指标，该模型在设施菜地水氮管理方面具有较大的应用潜力。

设施；蔬菜；水分；氮素；WHCNS_Veg；模型评价

0 引 言

中国是蔬菜第一生产大国，设施蔬菜产业在近30 a得到了较快的发展，2019年设施菜地面积已经达到351.5万hm2，占全国蔬菜种植面积的17.6%[1]。蔬菜的水肥投入量是大田作物的7倍左右[1]，加上蔬菜的根系较浅、水肥利用率低，造成菜地土壤养分淋失严重，导致了一系列的生态环境问题如地下水污染、土壤酸化、盐渍化等[2-4]。Zhu等[2]对山东省设施菜地种植区94口地下水井的水质监测发现，50%以上的地下水硝酸盐含量超过了世界卫生组织规定的饮用水标准10 mg/L（以N计）。北京主要蔬菜种植区的地下水硝酸盐的平均浓度达13.8 mg/L，是大田作物的2.8倍[4]。因此，优化设施菜地的水肥管理，减少其对环境的负面影响是当前迫切需要解决的问题。

土壤-作物系统模型能够预测模拟土壤水分动态、氮素去向和作物生长发育过程，因而被广泛用于大田作物的水肥优化管理及环境影响评价等的研究[5-9]，但是有关蔬菜水肥管理的模型还比较少见。N_Expert模型和N_ABLE模型是最早应用于蔬菜水肥管理的2个模型，基于N_ABLE模型，在欧洲开发了一系列模型，如WELL_N模型[10]、NPK模型[11]、SMCR_N模型[12]和EU-Rotate_N模型[8]。其中EU-Rotate_N模型在露地和设施菜地都得到了较好的验证和应用[13-15]，并建立了20多种蔬菜的作物生物学参数数据库，便于模型直接调用[6,8]。近年来，Guo等[13]用EU-Rotate_N模型模拟分析了山东设施菜地的氮素损失。Sun等[14-15]使用该模型模拟了设施黄瓜和番茄不同水氮管理下的氮素去向，并优化了水氮管理方案，发现滴灌和秸秆还田措施能够有效地降低氮素淋失并维持蔬菜产量。EU-Rotate_N模型采用简单的平衡计算方法对土壤水氮运移进行模拟，这大大限制了该模型在复杂环境条件下的应用。Yang等[16]提出用动力学方法来替代原有的水分运移模块，但该方法没能很好地嵌入到现有的EU-Rotate_N模型中[8]。另外，该模型只能输出气体损失总量，无法区分反硝化和氨挥发过程，在模拟氨挥发和氧化亚氮排放方面存在一定的局限性，这些都大大限制了该模型在中国的实际应用。此外，中国的设施菜地具有集约化程度高、水肥投入量大的特点，EU-Rotate_N模型在模拟中国菜地氮素淋失时误差较大，而且大大低估了氮素矿化量[13]。因此，研发适用于中国高度集约化管理条件下的蔬菜水氮管理模型十分必要。

土壤水热碳氮模拟模型（soil water heat carbon nitrogen simulator，WHCNS）模型是一款针对中国气候环境条件开发的，适用于大田作物的水氮管理模型[17-20]，模型中的作物生长模块是基于PS123作物模型研发的，可模拟大田作物的生长过程。由于蔬菜的生长过程与传统大田作物有较大区别，特别是蔬菜产量具有多次收获的特点[7]。WHCNS模型中原有的作物模块无法模拟蔬菜生长过程，而EU_Rotate-N模型中的蔬菜生长发育模块可很好地解决该问题，并构建有20多种蔬菜的作物参数数据库。因此，本研究拟借鉴EU_Rotate-N模型中蔬菜生长发育过程模块，将其与WHCNS模型中土壤水热运动及碳氮循环过程模块相耦合，构建适合于中国气候环境条件下的设施菜地水氮管理模型，以期为中国设施菜地水氮管理提供理论依据与科学工具。

1 模型构建

1.1 WHCNS模型

WHCNS模型以天为时间步长，由气象数据、土壤参数、作物生物学参数和田间管理数据驱动[17]。在模型中，采用Penman-Monteith公式[21]估算参考作物蒸散量。土壤水分入渗和再分布过程分别采用Green-Ampt模型[22]和Richards方程进行模拟。根系吸水采用HYDRUS1D模型中的方法，并引入了补偿性吸水机制[23]。土壤热运动采用对流-传导方程来描述。土壤无机氮的运移采用对流-弥散方程，源汇项中考虑了碳氮循环各过程（有机质矿化、生物固持、尿素水解、氨挥发、硝化和反硝化等）和作物吸收，土壤有机质周转动态直接来源于DAISY模型[5]。作物生长发育进程、干物质生产、叶面积指数、作物产量等的模拟使用PS123作物模型，通过水氮胁迫校准因子来实现水氮限制下作物产量的模拟。

1.2 蔬菜生长模块

本研究以WHCNS模型的土壤模块为基础，通过耦合欧洲EU-Rotate_N模型中蔬菜生长过程的模拟方法，改进了WHCNS模型原有的作物生长模块，从而构建了设施菜地水氮管理的过程模型WHCNS_Veg。具体的蔬菜生长发育过程模拟主要包括干物质积累、根系吸水吸氮、产量估算等计算过程。

1.2.1 蔬菜干物质积累

模型中总干物质的模拟基于干物质目标产量值，与其他光合作用驱动的模型不同，该方法输入参数很少，调试简单，容易建立不同蔬菜品种数据库，但是需要输入目标产量。蔬菜生长发育进程由三基点温度和气象条件控制：

RDS+1=RDS+∆RDS（1）

式中RDS和RDS+1分别为作物在播种或者移栽后第和+1天的生长发育进程，该值为0代表播种和移栽日，1代表作物停止生长；∆RDS为每天的蔬菜发育进程增量，无量纲；T是第天的平均气温，℃；sum为蔬菜完成生育期需要的总积温，℃；base为蔬菜生长发育所需的最低温度，黄瓜和西红柿均为7 ℃；crit为蔬菜生长发育临界温度，设置为20℃[8]。

蔬菜每天的干物质累积量计算如下：

TDM+1=TDM+∆TDM（3）

式中TDM、TDM-1和TDM+1分别是第、−1和+1天蔬菜总干物质重，kg/hm2；∆TDM是第天干物质的增量，kg/hm2；cf()和cf()分别为蔬菜生长的水分和氮素胁迫系数，cf()计算方法参见文献[17]，cf()计算方法如式（8）所示；1是经验参数，设置为1；可以看出，当式中cf()和cf()均设置为1时，对式（4）积分的结果即为最高目标产量TDMmax，从而推导出2的计算公式，如下：

式中TDMinit是种植或播种时的植株干质量，kg/hm2；J和J分别为收获和播种（播种）时的日序。

1.2.2 根系吸水吸氮模拟

根系吸水的计算采用HYDRUS1D模型的方法[23]。根系吸氮的计算基于蔬菜临界氮浓度，即蔬菜维持最佳生长速率时的氮浓度，临界氮浓度计算公式如下：

crit=η（1+ηe-0.26TDM） （6）

式中crit是蔬菜临界氮浓度，%；η和η是与蔬菜品种相关的参数，不同蔬菜的作物参数默认值参见文献[6]，并根据田间实测值进行校正。

当土壤的供氮量大于蔬菜的需氮量时，蔬菜会奢侈吸收，导致实际的氮浓度高于临界氮浓度，蔬菜最大氮含量由下式计算：

max=lux·crit（7）

式中max为蔬菜最大的含氮量，%；lux为奢侈吸收系数（lux>1），Rahn等[8]推荐了不同蔬菜的lux值，实际使用需根据实测的蔬菜吸氮量进行校正。

蔬菜实际吸收的氮含量由蔬菜需氮量、土壤供氮能力和lux决定，蔬菜生长发育的氮素胁迫系数cf()则由蔬菜的实际含氮量（act）和蔬菜临界含氮量（crit）决定，如下式：

cf()=min（act/crit，1.0）（8）

1.2.3 可售卖产量计算

与大田作物产量模拟不同，蔬菜一般含水分较多，品种不同可食用的部位也不同，果实过大或过小均会影响其食用，所以常规的计算大田作物产量的方法不适用于蔬菜产量的估算。当已知蔬菜总干物质质量时，Nendel[7]提出了基于概率分布估算蔬菜产量鲜质量的方法，该方法成功模拟了欧洲不同蔬菜的产量。本文采用了该方法计算蔬菜产量。

由式（9）将总干物质转化得到产量的干物质质量。

DMY=TDM·HI （9）

式中DMY为蔬菜产量干质量，kg/hm2；HI为收获指数，即可食用部分占总干物质质量的比例。令作物间距为P，每公顷植株数和单个植株的平均产量为

P=10 000/P2（10）

SPAFY=DMY/(P·DM) （11）

式中P为每公顷植株数；P为行间距，m；SPAFY是单个植株平均的产量鲜质量，kg/株；DM是蔬菜收获部分的干物质浓度，%；Nendel[7]总结了不同蔬菜品种的DM值。

假设菜地植株收获器官质量服从正态分布，均值为SPAFY，标准差为σ。假定单个器官个体达到可食用（出售）的最小值（low）时才算为产量，不同蔬菜取值可参考Nendel[7]。根据上面的假设，可计算出每公顷菜地总产量鲜质量，计算如下：

式中()是蔬菜收获器官质量的正态分布函数；是植株收获器官个体质量，kg；FMY是每公顷菜地可食用蔬菜产量鲜质量，即直接可以出售的产量，kg/hm2。

1.2.4 初值与边界条件

采用试验开始前实测的田间剖面土壤含水率（或土壤基质势）和土壤无机氮浓度作为初值，求解土壤水分运动方程的上边界：

式中为土壤基质势，cm；是空间坐标（向上为正），cm；()是非饱和导水率，cm/d；E是当前大气条件下的潜在蒸发量，cm/d；为地表允许的最小基质势，cm。研究区地下水埋藏较深时，下边界设置为自由排水边界；地下水较浅时，可设置为变动水头边界（需要输入每日下边界含水率）。

氮素运移方程的上下边界条件由水分边界条件自动判断。降雨和灌溉相应带入和带出的氮可由如下边界条件计算：

式中为体积含水率，cm3/cm3；为水动力弥散系数，cm2/d；为土壤水流通量，cm/d；为土壤水中无机氮浓度，mg/cm3；′为上边界（或下边界）水流通量，cm/d；为时间，d；′()为上下边界水流中无机氮浓度，mg/cm3。

2 田间试验及模型应用

2.1 研究区概况

试验地点分别在位于山东省寿光市（37.00°N，118.35°E）和天津市武清区（39.43°N，116.96°E）的设施大棚内进行。寿光市是中国著名的蔬菜生产基地，地处温带大陆性季风气候区，四季分明，年平均温度为12.7 ℃，试验地设施大棚内年平均温度在21 ℃左右。当地农民每季蔬菜的灌溉量和施氮量分别约为1 000 mm和600 kg/hm2（以N计）[14]。天津市武清区也是中国蔬菜生产的重点发展区域，该区域同属温带大陆性季风气候区，年平均气温为12.5 ℃，设施大棚内的年平均气温为22.2 ℃。当地农民每季蔬菜的灌溉量和施肥量分别约为700 mm和200 kg /hm2（以N计）[20]。

2.2 试验设计

寿光试验点种植蔬菜为黄瓜，2009－2010年种植2季，分别为秋冬季（AW季，2009年8月－2010年1月）和春夏季（SS季，2010年1月－2010年6月）。黄瓜幼苗分别在2009年8月28日和2010年1月16日移栽。武清试验点种植蔬菜为番茄，田间试验从2016年3月11日－2018年2月10日，每年种植2季番茄，总共4季。其中春夏季从2月底到6月底（SS），秋冬季从8月底到第2年的2月初（AW）。3个田间试验均设置有4种不同的水氮管理方案：1）传统农民习惯施肥（FP）；2）优化施肥（OPT）；3）FP+秸秆还田（FPR）；4）滴灌+OPT施肥+秸秆还田（DOR）。FP和FPR处理为传统畦灌，OPT和DOR处理为滴灌。其中，玉米秸秆粉碎后随基肥混入土壤进行还田，各试验不同处理灌溉量和施肥量如表1所示。

表1 黄瓜和番茄试验各处理灌水和施肥管理措施

注：黄瓜试验AW和SS季秸秆中氮质量分数分别为0.7%和0.9%；番茄试验AW和SS季秸秆中氮质量分数均为0.6%。FP，传统施肥；OPT，优化施肥；FPR，FP+秸秆还田；DOR，滴灌+OPT施肥+秸秆还田。下同。

Note: The N contents of straw are 0.7% and 0.9% in AW and SS seasons for cucumber experiment, respectively; The N content of straw is 0.6% in both AW and SS seasons for tomato experiment. FP, traditional fertilization; OPT, optimal fertilization; FPR, FP plus straw return; DOR, drip irrigation plus OPT fertilization plus straw return. Same as below.

2.3 数据测定

试验前开挖土壤剖面，分层取样测定土壤基本理化性质，2个试验点土壤剖面的基本理化性质如表2所示。对于寿光设施黄瓜试验，每5 d或灌溉后使用时域反射仪（time-domain reflectometer，TDR）分层监测0～1.20 m土壤含水率（间隔深度 20 cm）。每隔15 d采集0～30、>30～60和>60～90 cm土壤，采用 2 mol/L氯化钾浸提土样，连续流动分析仪（AA3，SEAL，德国）测定浸提液中硝态氮和铵态氮含量。每月采取植物样品，测定植株干物质质量、产量和植物氮浓度。植株样品于105℃杀青，70℃烘干至恒质量，称质量。植株样品通过浓硫酸-过氧化氢法消煮，凯氏定氮法测定全氮。

表2 寿光市和天津市试验点土壤物理性质

注：θ，饱和含水率；θ，残余含水率；，进气值的倒数；，孔隙分布指数；K，土壤饱和导水率。

Note:θis saturated water content;θis residual water content;is inverse of air-entry value;is pore size distribution index;Kis saturated hydraulic conductivity.

在天津武清试验中，采用DLS2张力计每天测定FP和DOR处理土深55和65 cm处基质势，在灌水3~5 d内，各小区每天采用溶液提取器抽提60 cm深处土壤溶液，用于硝态氮和铵态氮浓度的测定。土深60 cm处每天的水流通量由达西定律计算得到。每天土深60 cm处的无机氮淋失通量可由下式计算：

q=c·q（16）

式中q和q分别是土深60 cm处每天的水流通量（cm/d）和无机氮淋失通量（g/(cm2·d)），c是土壤溶液中无机氮浓度（g/cm3）。番茄季的土体水分渗漏量和氮素累积量淋失可通过累加每天的q和q得到，该数据主要用来校准和验证WHCNS_Veg模型。模型所需气象数据（气温、相对湿度、太阳辐射和风速）来源于安装在设施大棚内的小型气象站。

2.4　模型参数设置

对于寿光试验点，利用FP处理田间实测的土壤含水率、土壤硝态氮含量、蔬菜吸氮量和蔬菜产量来校准模型；然后用OPT、FPR和DOR处理的数据来验证模型。对于天津试验点，采用2016年FP处理田间实测的土壤基质势、硝态氮淋失量、蔬菜吸氮量和蔬菜产量来校准模型；然后用2016年其余3个处理和2017年所有处理的实测数据来验证模型。2个试验点土壤水力学参数均采用实测值（表2）。初始作物参数和氮素转化参数值均分别来源于文献[5,8]，然后采用试错法来调试作物参数和氮素转化参数，最后使模拟与实测的土壤含水率（或土壤基质势）、土壤硝态氮含量（或硝态氮淋失量）、植株吸氮量和蔬菜产量尽量吻合。寿光和天津试验点校验后的作物参数和氮素转化参数见表3。

2.5 模型评价

相对均方根误差（normalized root mean squared error，nRMSE）、一致性指数（index of agreement，IA）、模拟效率（Nash-Sutcliffe efficiency，NSE）用于评价模型模拟效果，nRMSE指数显示模型模拟的相对误差；IA指数取值范围为0～1，值越接近1，模拟效果越好；NSE指数取值范围为−∞到1，也是越接近1，模拟效果越好。作物指标模拟，通常需要IA≥0.75和NSE≥0；对于土壤指标的模拟，通常需要满足IA≥0.60和NSE≥-1.0[24]。刘建刚等[25]建议，当IA>0.9和nRMSE<15%时说明模拟效果很好。

表3 寿光黄瓜和天津番茄试验WHCNS_Veg模型作物参数和氮素转化参数设置

3 结果与分析

3.1 土壤含水率和土壤基质势

图1是寿光设施黄瓜试验FP和DOR处理实测和模拟的土壤含水率对比图。FP处理的土壤含水率变化较DOR处理剧烈，这可能是由于FP处理采用畦灌方式，每次灌水量大引起的。同时，土壤含水率也显示出表层变异程度要高于底层的特点，这与表层土壤更易受灌水、气候等条件影响有关，模型较好地反映了不同灌水方式对土壤剖面含水率的动态影响。模型模拟土壤含水率时，校准过程得到的nRMSE、IA和NSE指数分别为9.0%、0.898和0.672；模型验证过程得到的nRMSE、IA和NSE的范围分别为6.2%～9.1%、0.851～0.960和0.477～0.846（表4）。总体来看，模型模拟效果评价指数均符合相应的要求（nRMSE<9%，IA>0.85，NSE>0.47）[26-28]，因此，WHCNS_Veg模型能够较好地模拟寿光黄瓜试验地不同水氮管理条件下的土壤含水率。

表4 寿光黄瓜试验土壤含水率和土壤硝态氮含量模拟结果评价

注：C，模型校准；V，模型验证。nRMSE为相对均方根误差；IA为一致性指数；NSE为模拟效率。下同。

Note: C, calibration; V, validation. nRMSE is normalized root mean squared error; IA is index of agreement; NSE is Nash-Sutcliffe efficiency coefficient. Same as below.

除土壤含水率外，模型也可模拟土壤基质势。天津设施番茄试验实测的和模拟的FP和OPT处理土壤基质势如图2所示。

相比FP处理，OPT处理灌溉频率高，维持了相对高和稳定的土壤基质势（图2）。同时，SS季的土壤基质势的变异较AW大，说明SS季土壤水分消耗相对较快。WHCNS_Veg模型模拟结果能客观地反映不同季不同灌溉方式下土壤基质势的动态变化。模拟土壤基质势时，模型校准时的评价指数nRMSE、IA和NSE值分别为22.9%、0.846和0.070（表5），说明模型校准的精度是可以接受的。模型验证中，2017年FP处理的验证结果较好，nRMSE、IA和NSE值分别为25.9%、0.827和0.11，而OPT处理的nRMSE、IA和NSE值范围分别为28.8%～30.1%、0.223～0.401和−6.344～−5.294，模型主要低估了OPT处理SS季后期土壤基质势（图2c、图2d、图2g和图2h），导致模型精度偏低，说明需要进一步提高滴灌条件下土壤基质势的模拟能力。

图2 2 a天津设施番茄试验FP和OPT处理中实测和模拟的土壤基质势

表5 天津番茄试验土壤基质势和土壤硝态氮淋失模拟结果评价

3.2 土壤硝态氮含量和硝酸盐淋失

图3给出了寿光黄瓜试验FP和DOR处理模拟和实测的土壤硝态氮含量对比图。与土壤含水率的模拟结果相似，土壤硝态氮含量在土壤表层变化较大，而深层变化较小，这与表层土壤频繁受到农田管理和变化的气象条件等有关。另外，后期DOR处理土体硝态氮含量有累积现象，而FP处理并不明显，说明传统畦灌有可能导致了土壤氮素的大量淋失，而滴灌加秸秆还田较好地保存了土壤硝态氮，降低了其环境淋失风险。表4显示了土壤硝态氮含量校准和验证的统计指数，校准处理的nRMSE、IA和NSE分别为27.6%、0.718和−0.139。对于模型验证过程，nRMSE、IA和NSE范围分别为22.2%～40.1%、0.626～0.940和−0.810～0.636，均在合理范围之内[27-28]，表明WHCNS_Veg模型较好地模拟了不同水氮管理方式下的土壤硝态氮含量动态变化规律。

图3 寿光黄瓜试验FP和DOR处理不同土层实测和模拟的土壤硝态氮对比

除土壤硝态氮动态模拟之外，研究进一步对比了硝态氮淋失量的模拟效果。图4比较了天津番茄试验FP、FPR、OPT和DOR处理实测和模拟的累积硝态氮淋失量。灌溉方式显著影响了硝态氮淋失量，畦灌处理（FP和FPR）和滴灌处理（OPT和DOR）的每季硝态氮淋失量分别为420和137 kg/hm2。畦灌增加了硝态氮淋失，玉米秸秆还田减少了硝态氮淋失。秸秆还田处理（FPR和DOR）每季平均硝态氮淋失量为259 kg/hm2，低于秸秆不还田处理（FP和OPT）的298 kg/hm2。AW和SS季2个畦灌处理的硝态氮淋失量有明显差异，可能是AW季相对较高的水分渗漏量，导致了其硝态氮淋失量高于SS季。而2个滴灌处理的AW和SS季没有明显差异。校准和验证的模型评价指数nRMSE、IA和NSE的范围分别为4.6%～26.0%、0.860～0.989和0.442～0.956（表5）。可见，WHCNS_Veg可用于模拟和评价不同水氮管理方式下设施菜地剖面硝态氮淋失动态。

图4 天津番茄试验实测和模拟的不同处理硝态氮淋失量

3.3 可售卖鲜产量和植株吸氮量

黄瓜的可售卖鲜产量和植株吸氮量均要高于番茄（图5）。对于可售卖鲜产量图5a，模拟值与实测值之间的线性回归系数均接近1，黄瓜和番茄的相关系数（）分别为0.995和0.996，说明模型对可售卖鲜产量的模拟精度较高。表6中模型评价指数nRMSE≤6.0%、IA≥0.980和NSE≥0.925，可知模型模拟效果良好。黄瓜和番茄植物吸氮量的模拟效果如图5所示，其线性回归系数也均接近1，相关系数（）分别为0.741和0.943，说明实测的和模拟的植株吸氮量有较好的相关性。模型评价指数nRMSE≤12.1%、IA≥0.934和NSE≥0.829，说明WHCNS_Veg模型对植株吸氮量的模拟效果良好（表6），但是对作物产量的模拟效果要略好于植株吸氮量。

注（Note）：*，P<0.05。

表6 黄瓜和番茄可售卖鲜产量和作物吸氮量模拟评价

4 讨 论

土壤-作物-大气系统模型可以描述农田生态系统中一系列复杂的土壤和作物过程，由于过程本身的复杂度不同，各学者对模型模拟各个指标的评判标准也不一致[24-25]。Yang等[24]分析了DSSAT模型模拟的10个不同数据集的评价指数，认为采用IA和NSE指数评价模型效果更可靠，对于植株指标模拟应同时满足IA≥0.75和NSE≥0.75，而由于土壤过程的复杂性，土壤指标的评价指数IA和NSE应分别≥0.60和≥−1.0。Liu等[25]则建议采用nRMSE、IA和NSE来综合评价土壤和作物指标的模拟效果，认为nRMSE≤15%（或IA≥0.8）时模拟效果很好，15%＜nRMSE≤30%（或0.8＞IA≥0.7）则模拟效果较好，而当nRMSE＞30%（或IA＜0.7）则模拟效果较差。本研究的作物指标包括可售卖鲜产量和植株吸氮量，其模拟的nRMSE≤12.1%、IA≥0.934和NSE≥0.829，说明模型对作物可售卖鲜产量和吸氮量的模拟效果良好。

本研究中模拟的土壤指标包括土壤水分（含水率和基质势）和土壤氮素（硝态氮含量和硝态氮淋失），整体上，土壤指标的模拟精度要低于作物指标。其中WHCNS_Veg模拟的土壤含水率nRMSE、IA和NSE的范围分别为6.2%～9.1%、0.851～0.960和0.477～0.846，其模拟精度较高。而对OPT处理土壤硝态氮含量模型评价指标nRMSE和NSE指数值均不理想，其主要原因可能是土壤氮素迁移转化过程的复杂性导致的。Coucheney等[26]应用STICS模型模拟了法国不同地区（包含了15种作物）的土壤含水率、土壤硝态氮、作物干物质和植株吸氮，发现其评价指数nRMSE分别为10%、49%、35%和33%。朱焱等[27]采用EPIC-Nitrogen2D模型模拟了不同作物生长条件下土壤水氮迁移转化过程，研究发现，模拟的土壤含水率和硝态氮含量的IA指数范围分别为0.86～0.97和0.52～0.98，NSE指数范围分别为0.59～0.90。Kersebaum等[28]比较了13种土壤-作物模型对土壤含水率和硝态氮含量的模拟效果，发现NSE指数大多数是负值，不同模型模拟的土壤含水率和硝态氮含量模拟的IA指数范围分别为0.50～0.93和0.56～0.83，NSE指数的范围分别为−0.45～0.66和−0.65～0.39。这些研究均表明土壤氮素的模拟精度要远低于土壤水分和作物指标，这与本研究的结果是一致的。本研究发现土壤基质势的模拟精度不如土壤含水率，这可能是由于WHCNS_Veg模型采用了一维的Richards方程近似描述滴灌条件下土壤水分运动导致的。同时，与Yang等[29-30]的研究相比，WHCNS_Veg模型对土壤硝态氮淋失量的模拟指标nRMSE、IA和NSE为4.6%~26.0%（<30%）、0.860~0.989（>0.8）和0.442~0.956（>0.4），其模拟效果也是相对较好的。

综上，WHCNS_Veg模型可以较好地模拟土壤含水率、土壤硝态氮含量、可售卖鲜产量和作物吸氮量，但是，仍然需要从以下几个方面进一步完善：1）由于研究用于验证模型的数据集相对较小，仅有黄瓜和番茄的作物参数得到了校准，对于其他种类蔬菜需要进一步通过试验数据来完善蔬菜种类数据库；2）设施大棚土壤氮素循环过程与露地存在明显区别，特别是土壤氮矿化、温室气体排放和氨挥发等过程，本研究中，仅验证了土壤硝态氮含量及其淋失量，今后需要开展更加系统的田间试验，来验证设施菜地的土壤氮素转化过程；3）模型并不能够模拟其他营养元素（如可溶性有机碳和氮、磷、钾等）及病害和农药对蔬菜生长的影响，需要在今后的工作中进一步完善。

5 结 论

本研究借鉴了EU-Rotate_N模型中蔬菜生长过程的模块，并将其与土壤-作物系统模型WHCNS进行耦合，构建了适用于设施菜地水氮管理的机理模型。从模型校验结果来看，模型较好地模拟了设施番茄和黄瓜不同水氮管理条件下土壤水分（含水率和基质势）和土壤氮素（硝态氮含量和淋失量）的动态变化规律，以及其对植株吸氮量和可售卖鲜产量的影响。其中，对作物指标的模拟效果普遍高于土壤指标，模拟的黄瓜、番茄产量和植株吸氮量的统计指标为nRMSE≤12.1%、IA≥0.934和NSE≥0.829。土壤指标中，土壤含水率的模拟效果最好，其nRMSE、IA和NSE的范围分别为6.2%～9.1%、0.851～0.960和0.477～0.846；其次是土壤硝态氮淋失量和土壤硝态氮含量，而土壤基质势的模型评价指数最低。除滴灌条件下土壤基质势模拟效果评价指标偏低外，其余指标的模拟效果评价指数值均在合理范围内。整体上，本文构建的WHCNS_Veg模型较好地模拟了设施菜地不同水氮管理方式下的土壤水氮动态及蔬菜生长过程，该模型可为设施菜地水氮优化决策和环境影响评价提供科学有效的工具。

[1] 孙锦，高洪波，田婧，等. 我国设施园艺发展现状与趋势[J]. 南京农业大学学报，2019，42(4)：594－604.

Sun Jin, Gao Hongbo, Tian Jing, et al. Development status and trends of protected horticulture in China[J]. Journal of Nanjing Agricultural University, 2019, 42(4): 594－604. (in Chinese with English abstract)

[2] Zhu Jianhua, Li Xiaolin, Christie P, et al. Environmental implications of low nitrogen use efficiency in excessively fertilized hot pepper (L) cropping systems[J]. Agriculture Ecosystems Environment, 2005, 111(1): 70－80.

[3] Shi Weiming, Yao Jing, Yan Feng. Vegetable cultivation under greenhouse conditions leads to rapid accumulation of nutrients, acidification and salinity of soils and groundwater contamination in south-eastern China[J]. Nutrient Cycling Agroecosystems, 2009, 83(1): 73－84.

[4] Du Lianfeng, Zhao Tongke, Zhang Chengjun, et al. Investigations on nitrate pollution of soil, groundwater and vegetable from three typical farmlands in Beijing region, China[J]. Jornal of Integrative Agriculture, 2011, 10(3): 423－430.

[5] Hansen S, Jensen H E, Nielsen N E, et al. NPo-research, A10: DAISY: Soil Plant Atmosphere System Model[M]. Copenhagen: The National Agency for Environmental Protection, 1990.

[6] Greenwood D J. Modelling N-response of field vegetable crops grown under diverse condition with N_ABLE[J]. Journal of Plant Nutrition, 2001, 24: 1799–1815.

[7] Nendel C. Evaluation of best management practices for N fertilisationinregional field vegetable production with a small-scale simulation model[J]. European Journal of Agronomy, 2009, 30(2): 110－118.

[8] Rahn C, Zhang K, Lillywhite R, et al. EU-Rotate N-a decision support system-to predict environmental and economic consequences of the management of nitrogen fertilizer in crop rotations[J]. European Journal of Horticultural Science, 2010, 75(1): 20－32.

[9] Nolan B T, Puckett L J, Ma L, et al. Predicting unsaturated zone nitrogen mass balances in agricultural settings of the United States[J]. Journal of Environomental Quality, 2010, 39(3): 1051－1065.

[10] Rahn C, Mead A, Draycott A, et al. A sensitivity analysis ofthe prediction of the nitrogen fertilizer requirement of cauliflower crops using the HRI WELL N computer model[J]. The Journal of Agricultural Science, 2001, 137(1): 55－69.

[11] Zhang K F, Greenwood D J, White P J, et al. A dynamic model for the combined effects of N, P and K fertilizers on yield and mineral composition: Description and experimental test[J]. Plant and Soil, 2007, 298(1): 81－98.

[12] Zhang K F, Yang D, Greenwood D J, et al. Development and critical evaluation of a generic 2-D agro-hydrological model (SMCR_N) for the responses of crop yield and nitrogen composition to nitrogen fertilizer[J]. Agriculture Ecosystems Environment, 2009, 132 (1/2): 160－172.

[13] Guo R Y, Nendel C, Rahn C, et al. Tracking nitrogen losses in a greenhouse crop rotation experiment in North China using the EU-Rotate_N simulation model[J]. Environmental Pollution, 2010, 158: 2218－2229.

[14] Sun Yuan, Hu Kelin, Zhang Kefeng, et al. Simulation of nitrogen fate for greenhouse cucumber grown under different water and fertilizer management using the EU-Rotate_N model[J]. Agricultural Water Management, 2012, 112: 21－32.

[15] Sun Yuan, Hu Kelin, Fan Zhaobo, et al. Simulating the fate of nitrogen and optimizing water and nitrogen management of greenhouse tomato in north China using the EU-Rotate_N model[J]. Agricultural Water Management, 2013, 128: 72－84.

[16] Yang Dejun, Zhang Tuqiao, Zhang Kefeng, et al. An easily implemented agro-hydrological procedure with dynamic root simulation for water transfer in the crop-soil system: validation and application[J]. Journal of Hydrology, 2009, 370(1/2/3/4): 177－190.

[17] 梁浩，胡克林，李保国，等. 土壤-作物-大气系统水热碳氮过程耦合模型构建[J]. 农业工程学报，2014，30(24)：54－66.

Liang Hao, Hu Kelin, Li Baoguo, et al. Coupled simulation of soil water-heat-carbon-nitrogen process and crop growth at soil-plant-atmosphere continuum system and its validation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24): 54－66. (in Chinese with English abstract)

[18] Li Zhuoting, Yang Jingyi, Drury C F, et al. Evaluation of the DSSAT-CSM for simulating yield and soil organic C and N of a long-term maize and wheat rotation experiment in the Loess Plateau of Northwestern China[J]. Agricultural Systems, 2015, 135: 90－104.

[19] Liang Hao, Hu Kelin, Batchelor W D, et al. An integrated soil-crop system model for water and nitrogen management in North China[J]. Scientific Reports, 2016, 6: 25755.

[20] Lü Haofeng, Lin Shan, Wang Yafang. et al. Drip fertigation significantly reduces nitrogen leaching in solar greenhouse vegetable production system[J]. Environmental Pollution, 2019, 245: 694－701.

[21] Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration guidelines for computing crop water requirements[R]. FAO Irrigation and drainage paper No.56. Rome: FAO, 1998.

[22] Green W H, Ampt G A. Studies on soil physics, 1. The flow of air and water through soils[J]. The Journal of Agricultural Science, 1911, 4(1): 1－24.

[23] Šimůnek J, Šejna M, Saito H, et al. The HYDRUS-1D Software Package for Simulating the Movement of Water, Heat, and Multiple Solutes in Variably Saturated Media, V4.0[M]. California: University of California Riverside, 2008.

[24] Yang Jingming, Yang Jingyi, Liu Shuang, et al. An evaluation of the statistical methods for testing the performance of crop models with observed data[J]. Agricultural Systems, 2014, 127: 81－89.

[25] 刘建刚，褚庆全，王光耀，等. 基于DSSAT模型的氮肥管理下华北地区冬小麦产量差的模拟[J]. 农业工程学报，2013，29(23)：124－129.

Liu Jiangang, Chu Qingquan, Wang Guangyao, et al. Simulating yield gap of winter wheat in response to nitrogen management in North China Plain based on DSSAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(23): 124－129. (in Chinese with English abstract)

[26] Coucheney E, Buis S, Launay M, et al. Accuracy, robustness and behavior of the STICS soil-crop model for plant, water and nitrogen outputs: Evaluation over a wide range of agro-environmental conditions in France[J]. Environmental Modelling & Software, 2015, 64: 177－190.

[27] 朱焱，刘琨，王丽影，等. 土壤水氮动态及作物生长耦合EPIC-Nitrogen2D 模型[J]. 农业工程学报，2016，32(21)：141－151.

Zhu Yan, Liu Kun, Wang Liying, et al. Coupling model of EPIC-Nitrogen2D and crop growth, soil water, nitrogen dynamics in winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 141－151. (in Chinese with English abstract)

[28] Kersebaum K C, Hecker J M, Mirschel W, et al. Modelling Water and Nutrient Dynamics in Soil-crop Systems[M]. Netherlands: Springer, 2007.

[29] Yang C C, Prasher S O, Wang S, et al. Simulation of nitrate-N movement in southern Ontario, Canada with DRAINMOD-N[J]. Agricultural Water Management, 2007, 87(3): 299－306.

[30] Dadfar H, Kay B D, Pararajasingham R, et al. Evaluation of LEACHMN for simulating seasonal changes in plantavailable nitrogen across a variable landscape[J]. Canadian Journal of Soil Science, 2007, 87(4): 369－381.

Integrated water and nitrogen management model of WHCNS_Veg for greenhouse vegetable production system

Liang Hao1,2, Hu Kelin2※, Sun Yuan3, LüHaofeng2, Lin Shan2

(1.,,210098,; 2.,,,,100193,; 3.100081,)

Excessive water and nitrogen (N) input and shallow root systems have led to serious N loss in greenhouse vegetable production system (GVPS), thereby threatening the soil and water-body environments. Identifying the fates of water and N is crucial to develop best management strategies in intensive GVPS.Soil-crop modelsare important as a water and N management tool to tradeoff crop yield and environmental cost. The objectives of this study were to develop a scientific water and N management tool for intensive GVPS in China, andevaluate the model performance in the simulating water dynamic, N fate and vegetable growth under different water and N management practices in China.In this study, based on the EU-Rotate_N model, a vegetable growth module was developed and fully incorporated into a soil water heat carbon nitrogen simulator (WHCNS). The coupled model, i.e., WHCNS_Veg, combined the soil module of the WHCNS model with the vegetable growth module of the EU-Rotate_N model. The key processes included soil movement, soil water evaporation, crop transpiration, soil N transport and transformation (net N mineralization, nitrification, ammonia volatilization, and denitrification) and vegetable growth. Two field experiments conducted in Shouguang city, Shandong province, and Tianjin city, Hebei province were used to test the coupled WHCNS_Veg model. Cucumber and tomato were planted in solar greenhouses at Shouguang and Tianjing experiments, respectively. Similarirrigation andfertilization managementpracticeswere both setup in the two experiments:1) Furrow irrigation with conventional N fertilizer (farmer’s practice), FP; 2) Drip irrigation with optimal N fertilizer, OPT; 3) FP plus crop residues, FPR; and 4) OPT plus crop residues, DOR. Field experiment data including soil water (soil water content and matrix potential), soil N (nitrate concentration and nitrate leaching), plant N uptake, and marketable fresh yield under different water and N management practices were collected in the experiments. Results showed that the WHCNS_Veg model performed better in crop growth simulation than soil water and N dynamic simulation, with normalized root mean square error (nRMSE) not higher than 12.1%, index of agreement (IA) not less than 0.934 and Nash-Sutcliffe efficiency (NSE) not less than 0.829 for simulation of cucumber and tomato yield and plant N uptake. Soil water content had the highest simulation accuracy. The nRMSE, IA and NSE values for soil water content simulation were 6.2%-9.1%, 0.851-0.960 and 0.477-0.846, respectively. For soil nitrate concentration and nitrate leaching, the nRMSE valueswere 22.2%-40.1% and 4.6-26.0%, respectively, and the NSE valueswere −0.810-0.636 and 0.442-0.956, respectively. It indicated that the model simulation results are within the acceptable range. However, WHCNS_Veg model showed relative low simulation accuracy in soil matrix potential under drip irrigation condition, with nRMSE, IA and NSE values ranged from 22.9%-30.1%, 0.223-0.846, and -6.344-0.113, respectively. It indicated that the model has to be improved to simulate soil matrix potential under drip condition. In general, the coupled WHCNS_Veg model gives satisfactory results for soil water and N dynamics simulations as well as vegetable growth simulations. It has great potential to simulate and analyze water and N fates, and vegetable growth for the intensive greenhouse vegetable production in China.

greenhouse; vegetables; water; nitrogen; WHCNS_Veg; model evaluation

2019-10-08

2020-02-10

国家自然科学基金项目资助（41807009）；国家重点研发计划项目资助（2016YFD0201202）

梁 浩，副教授，博士，主要从事土壤-作物系统过程模拟研究。Email：haoliang@hhu.edu.cn

胡克林，教授，博士，主要从事土壤空间变异及溶质运移的研究。Email：hukel@cau.edu.cn

10.11975/j.issn.1002-6819.2020.05.011

S152.7; S626

A

1002-6819(2020)-05-0096-10

梁 浩，胡克林，孙 媛，吕浩峰，林 杉. 设施菜地WHCNS_Veg水氮管理模型[J]. 农业工程学报，2020，36(5)：96－105. doi：10.11975/j.issn.1002-6819.2020.05.011 http://www.tcsae.org

Liang Hao, Hu Kelin, Sun Yuan, Lü Haofeng, Lin Shan. Integrated water and nitrogen management model of WHCNS_Veg for greenhouse vegetable production system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(5): 96－105. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.05.011 http://www.tcsae.org