淮北平原冬小麦作物系数的变化规律研究

2021-03-17花佳程朱永华王振龙吕海深

灌溉排水学报 2021年2期

花佳程，朱永华,2*，王振龙，吕海深,2

（1.河海大学水文水资源学院，南京 210098；2.河海大学水文水资源与水利工程科学国家重点实验室，南京 210098；3.安徽省（水利部淮委）水利科学研究院，安徽蚌埠 233000）

0 引言

【研究意义】作物系数是实际蒸散量与同期的参考作物蒸散量的比值，利用作物系数-参考作物蒸散量确定实际蒸散量的方法，由于在价格、测定范围和实用性上存在显著优势，目前应用非常广泛。FAO 推荐过部分作物的作物系数，但在淮北平原的适用性有待验证[1]。同时，对于作物系数的时空变化规律少有研究，具备研究价值。作物系数受多种因素影响，其本身的变化规律较难研究，但为了简便计算、充分掌握作物蒸散发的特点，对其变化规律进行研究具有重要意义。

【研究进展】陈玉民[2]发现了作物系数在年际间全生育期的稳定性和各生育期的不稳定性，同时提出作物系数大于1 是存在可能的，因为参考作物本身的特性与实际作物是存在差异的。梁文清等[3]、何振嘉等[4]、曹振凯等[5]、李迎等[6]、戴佳信等[7]、胡永翔等[8]研究了不同作物的作物系数在生育期内的变化情况，分析了作物系数的相关特性，为作物系数的研究奠定基础。在计算方法上，多数研究中都选取的是FAO 推荐的作物系数进行计算，但由于时空尺度上作物用水存在差异，加上作物生长、气象要素等的不同，即便经过校正，计算误差依然很大[9]。同时，FAO 推荐作物系数时涉及的作物种类有限，如油茶等就没有可供参考的作物系数，王小军等[10]经过实测才获取了油茶的作物系数。也有不少学者利用相关关系构建模型计算作物系数[11]，但是这种方法至今没有得到非常有力的验证。时间尺度上，由于气象数据和蒸散数据的限制，大多数试验都是建立在生育阶段和整个生育期的尺度上研究作物系数的变化规律，也有少数学者如王振龙等[12]研究了作物系数的逐日变化规律。曹永强等[13]发现河北省3 种作物的作物系数全生育期年际变化呈下降趋势；李波等[14]研究发现近70年东北地区春玉米全生育期作物系数年际变化呈显著下降趋势。空间尺度上，关于作物系数的变化规律研究近年来逐渐增多，多集中在省域尺度。如曹永强等[13]、李波等[14]、王树鹏等[15]均在大型空间尺度对作物系数的分布特征进行研究。【切入点】目前，在作物系数的相关研究中还有很多问题，如计算时存在较大误差、需要更长的时间序列研究年际变化趋势等，同时，空间分布特征也需要更深入的研究。

【拟解决的关键问题】综上所述，本文选取淮北平原的5 个气象站点，基于蒸渗仪和通量塔的实测数据以及气象数据，对1991—2018年淮北平原冬小麦的逐日作物系数进行计算。在此基础上，分析冬小麦作物系数在不同生育阶段和年际上的时间变化规律以及空间上的分布特征，以期为流域尺度上淮北平原冬小麦灌溉需水量的确定提供参考和支撑。

1 材料与方法

1.1 数据来源

本文中使用的实测数据来自安徽省五道沟水文水资源实验站（33º09´N，117º21´E），包括1991—2012年的蒸渗仪实测数据和2012—2018年的通量塔实测数据。其中，蒸渗仪实测数据包括降水量、径流量、潜水蒸发量、土壤含水率变化量和深层渗漏量，其中土壤含水率为5 d 测1 次，在降水或灌溉后有补测，其余变量均是逐日实测数值。小麦季多年平均降水量为308.9 mm，灌溉分为2 次，分别是播种—出苗期和抽穗—灌浆期，灌溉定额为45～90 mm。冬小麦生育期一般为10月—次年5月。

本文使用的气象数据来自中国气象科学数据共享服务网（http://cdc.cma.gov.cn/home.do），选取1991—2018年淮北平原蚌埠、亳州、宿州、砀山和阜阳共5 个基本地面气象观测站，数据包括平均气压、平均气温、日最高气温、日最低气温、平均相对湿度、20:00—次日20:00 降水量、平均风速和日照时间。

1.2 研究方法

1）Kc的计算方法

本文利用实际蒸散量和参考作物蒸散量的比值计算作物系数，计算式为：

式中：Kc为作物系数（无量纲）；ETa为作物实际蒸散量（mm）；ET0为参考作物蒸散量（mm）。

计算ETa时，蚌埠站采用蒸渗仪实测数据结合水量平衡法确定1991—2012年的ETa，采用通量塔实测数据结合涡度相关法确定2012—2018年的ETa；其余4 站采用Bouchet 互补关系理论结合修正系数和气象数据确定1991—2018年的ETa，其中Bouchet 互补关系理论公式[16]为：

式中：ETp为潜在蒸散量（mm）；ETW为湿环境蒸散量（mm）；Δ为饱和水汽压曲线斜率（kPa/℃）；γ为湿度计算常数（kPa/℃）；Qn为地表净能量（MJ/m2）；Ea为空气干燥函数（mm/d）；α为平衡蒸发系数（无量纲），本文中取Priestley-Taylor 公式的系数1.26。

根据徐敏等[16]在淮北平原对Bouchet 互补关系理论进行的可行性分析，发现该理论适用淮北平原。利用1991—2012年蒸渗仪实测数据求得的ETa对参数η进行修正，使用平均误差、平均绝对误差和相关系数对2种方法计算得到的数值进行误差分析，从而修正参数。综合分析最终选取η为1.77，此时的平均误差为-0.08 mm，平均绝对误差为9.78 mm，相关系数为0.98。

Penman-Montieth 方程同时考虑了作物的生长特性和空气动力学特性，物理基础较为完备且精度可靠，是计算ET0的首选方法。因此，本次研究中利用Penman-Montieth 方程计算ET0[17]。

2）Kc的时空变化规律。

利用线性拟合法和Mann-Kendall 趋势检验法对趋势性进行分析Kc的时间变化规律，利用Mann-Kendall 突变检验法和滑动t检验法对Kc的突变性进行分析。利用反距离权重插值法，结合ArcGIS分析Kc的空间分布特征；利用相关分析和偏相关分析法对Kc的影响因子进行研究[18]。

2 结果与分析

2.1 Kc的计算

冬小麦全生育期淮北平原ETa的多年平均值为429.3 mm，ET0为541.3 mm，Kc为0.79。各站点不同生育阶段的Kc如表1 所示。

表1 各站点不同生育阶段作物系数Table 1 Crop coefficient in different growing stage at each site

2.2 Kc的时间变化规律

对1991—2018年全生育期的逐日变化情况进行分析，发现共计27 个全生育期的Kc均呈先减小，后增大，然后再减小的变化规律。Kc多年平均值的逐日变化如图1 所示，变化趋势为：先减小，在第76 天达到0.56；再增大，在第214 天达到1.02；最后减小。

图1 作物系数逐日变化Fig.1 Daily change of crop coefficient

Kc不同生育阶段的均值及方差如表2 所示。从整个生育期来看，淮北平原冬小麦的Kc在各个生育阶段变化情况与逐日变化呈现的变化趋势一致，均是先减小，后增大，然后又逐渐减小的过程。其中，Kc的最低值出现在出苗—返青期。该阶段为冬季，气温较低，作物生长缓慢，蒸散量也较少，Kc相应也处于低值。Kc的最高值出现在抽穗—灌浆期。该阶段为4月下旬至5月上旬，作物生长发育迅速，蒸散量较大，Kc也相应较大。到生长后期，Kc的方差较小，说明Kc稳定在高值，偏离程度不大。

表2 Kc 不同生育阶段的均值及方差Table 2 Mean and variance of Kc in different growing stage

不同生育期Kc的年际变化趋势如表3 所示。Kc在各个生育阶段的年际变化趋势基本为上升，只有出苗—返青期呈下降趋势。通过Mann-Kendall 趋势性检验法，对不同生育阶段的Kc的年际变化趋势进行验证，显著性水平为0.05。从检验结果可知，Kc在播种—出苗期、抽穗—灌浆期和灌浆—成熟期呈现显著上升趋势，进一步进行突变性分析。

表3 各生育阶段年际变化趋势Table 3 Inter-annual change trend of each growing stage

本文选用Mann-Kendall突变检验法和滑动t检验法对 3 个生育阶段的时间序列进行研究，其中Mann-Kendall 突变检验法的结果如图 2 所示。1991—2018年间播种—出苗期、抽穗—灌浆期和灌浆—成熟期，在上下界限之间，2 条曲线相交点均有多个，为了进一步确定突变点，通过滑动t检验法对可能突变点进行验证，结果如表4 所示。3 个生育阶段的作物系数在1991—2018年共计27 个全生育期内，在0.05 显著性水平上，没有发生显著突变；在0.1 显著性水平上播种—出苗期和灌浆—成熟期均在2013—2014 生育期发生了显著突变，抽穗—灌浆期没有发生显著突变。

图2 作物系数突变性检验Fig.2 Mutation test of crop coefficient

表4 可能突变点检验Table 4 Test of possible catastrophe points

2.3 Kc的空间分布特征

对全生育期冬小麦Kc作空间插值分析后，所得的结果如图3 所示。Kc的空间分布特征为：由西北角向周围不断增大。将各个站的1991—2018年的作物系数划分成3 个时间段，分别为1991年10月—2000年5月、2000年10月—2009年5月和2009年10月—2018年5月，然后利用ArcGIS 软件和反距离权重插值法进行插值分析，迁移趋势见图4。

图3 Kc 空间变化Fig.3 Spatial changes of Kc

这3 个阶段的空间变化，从最值中心来看，低值中心没有发生变化，一直都在亳州，也就是淮北平原的西北角这一块。低值中心无论是整体，还是3 个时间段，都在亳州，反映出今后作物系数低值中心出现在亳州可能性较大。高值中心3 个阶段发生了2 次迁移，第一次由阜阳迁移至宿州，第二次由宿州迁移至砀山，从路径上来看，是在由南往北迁移，这是一种趋势性变化，说明今后高值中心出现在淮北平原北部的概率相对较大。

图4 Kc 高值中心迁移趋势Fig.4 Migration trend of Kc Maximum Center

各个生育阶段冬小麦Kc在淮北平原的空间变化如图5 所示。抽穗之前，冬小麦的Kc在淮北平原的分布特征呈现为：由西北角向周围逐渐增大；自冬小麦抽穗之后，Kc的空间分布特征变为：由西北和东南角向中心逐渐增大。整体来看，Kc的空间差异性不大，与当地气候因子联系紧密。

图5 作物系数不同生育阶段空间变化Fig.5 Spatial changes of crop coefficient in different growing stage

2.4 影响因素分析

综合选取了降水、气温、风速和相对湿度共4 个气象因子，进行相关分析，结果见表5。在0.3 以下属于不相关，在0.3～0.5 之间属于低度相关，在0.5～0.8之间属于显著相关，在0.8 以上属于完全相关[2,13]。各个气候因子对Kc的影响在不同的生育阶段均有差异。综合来看，Kc与气温、降水、相对湿度的相关性较高。

表5 不同生育阶段作物系数和气候因子的相关性Table 5 Correlation of crop coefficient and climate factors in different growing stage

对各个站点全生育期Kc与气候因子的相关性进行分析，结果见表6。各个站点之间相关性的差异不大，但在各个气候因子之间的差异非常明显，且与表5 的结果基本一致。所以对于5 个站点来说，Kc在空间上的差异与气候因子关系紧密，其中气温的影响最为显著。

表6 各站点作物系数和气候因子的相关性Table 6 Correlation of crop coefficient and climate factors at different stage

对气温、降水和相对湿度这3 个相关性较为显著的气候因子进行偏相关分析，结果如表7 所示。计算表明，3 个Kc发生显著上升趋势的生育阶段都与气温在0.01 的显著性水平上显著相关，这表明气温对于Kc的影响最为显著，降水和相对湿度次之。

表7 不同生育阶段作物系数和气候因子的偏相关性Table 7 Partial correlation of crop coefficient and climate factors in different growing stage

3 讨论

王树鹏等[15]研究指出云南省水稻Kc的空间差异性不大，与本研究中淮北平原冬小麦Kc的空间分布特征一致，说明Kc在空间上的分布与当地气候有关，但总体差异性不大。李波等[14]在研究东北地区春玉米Kc的空间分布时，发现Kc的高低值分布在东北地区呈现西部高东南低的特征，不同生育阶段区域分布略有差异但总体分布特征差异不大，指出Kc与研究区域的环境、地形有关，不同区域之间差异性较大。因此，Kc在不同地区的空间分布与当地地形、气候特征相关，区域内差异性不大，不同区域间差异性较大。

Kc的时间变化规律受多种气候因子综合作用的影响。曹永强等[13]研究指出风速和日照时间的降低是河北省冬小麦Kc降低的主要原因，而本研究中，气温对淮北平原冬小麦Kc的影响最为显著，相对湿度和降水次之，风速最不显著，风速与Kc在3 个生育阶段均属于低度相关，而气温在各个生育阶段和全生育期均与Kc高度相关。出现这种差异可能与Kc的计算方法有关，曹永强等[13]利用分段单值作物系数法计算Kc，对FAO 推荐的Kc校正之后得出结果，而本研究从定义出发，利用ETa和ET0的比值计算Kc，2 种方法计算得到的Kc存在差异。徐敏等[16]研究指出淮北平原的气温呈现显著上升趋势，与本文研究中Kc在3 个生育阶段的显著上升趋势一致，验证了Kc与气温显著正相关的结论。陈柏丽等[17]研究指出1955—2015年淮北平原ET0的高值中心出现在亳州的概率较大，本研究中，1991—2018年Kc的低值中心集中在亳州，研究结果一致。同时陈柏丽等[17]指出淮北平原ET0呈显著下降的趋势，与本研究中Kc的显著上升趋势保持一致，验证了Kc上升趋势的合理性。