德州市主要农作物需水量预报系统模型研究

李 楠，张振华，宋 扬

（德州市水利局，山东 德州 253014）

德州市水资源极其匮乏，人均占有水资源量211 m3，在保证全省1/6 粮食产量的同时，全市用水总量不足全省用水总量的1/10，是全国108 座、全省4 座严重缺水城市之一。德州市农业用水量约占全市用水总量的80%，作为农业大市，需要实行农业节水措施，实现精准灌溉，因此研究农作物灌溉需水量预报是十分必要的。

农作物灌溉需水量的影响因素很多，对于农作物整个生长期来说，是一个复杂的动态过程，主要取决于农作物的品种、气象因素、地理因素3 个方面。本文考虑农作物的品种、气象、土壤墒情等影响因素，将农作物灌溉需水量模型的建立作为一个系统来研究，通过数据基础、模型建立、校正系统三部分共同加以诠释，建立农作物灌溉需水量预报系统模型，能够较为准确地进行农作物需水量预报。

1 农作物需水量预报系统模型数据基础

1.1 试验站概况

德州市属于暖温带半湿润半干旱季风气候区，具有温度适宜、光照充足、四季分明的特点。根据试验站60 a气象资料分析，全市多年平均气温12.9 ℃，平均干燥度1.29，太阳辐射125.5 kCal/cm2，日照2 660.6 h，湿度65.38%，无霜期204 d，平均风速3.3 m/s；多年平均降水量547.5 mm，蒸发量2 000 mm；0～200 cm土壤质地均为粉砂壤土，平均容重1.37 g/cm3，田间持水量22.3%（质量含水率），凋萎系数7.0%（质量含水率）；耕层土壤有机质、pH 值和铵态氮、硝态氮、速效磷、速效钾的含量分别为1.27%、8.40和6.5、23.5、19.5、85.7 mg/kg。

1.2 农作物品种与其生育期

德州市主要农作物为小麦、玉米和棉花，试验站以这3 种主要农作物的生育期需水量作为研究对象。3种农作物生育期，详见表1—3。

表1 小麦不同生育期和不同生育期天数

表2 玉米不同生育期和不同生育期天数

表3 棉花不同生育期和不同生育期天数

1.3 研究因子

1.3.1 作物蒸发蒸腾量

作物蒸发蒸腾量ETc计算公式为：

式中：ETc为作物蒸发蒸腾量（mm 或mm/d）；Kc为作物系数；Ks为土壤水分修正系数；ET0为参考作物蒸发蒸腾量（mm或mm/d）。

参考作物蒸发蒸腾量ET0按Penman-monteith公式计算，Penman-monteith 公式依据的是能量平衡原理和水汽扩散原理及空气的热导定律，1948 年由英国科学家彭曼提出，由于它的准确性和易操作性，所以以此作为参考作物蒸发蒸腾量ET0的计算方法：

式中：ET0为参考作物蒸发蒸腾量（mm/d）；Δ 为温度与饱和水气压关系曲线在T处的切线斜率（kPa/℃）；Rn为净辐射量[MJ/（m2·d）]；G为土壤热通量[MJ/（m2·d）]；γ为湿度表常数（kPa/℃）；T为平均气温（℃）；u2为2 m高处风速（m/s）；es为饱和水气压（kPa）；ea为实际水气压（kPa）。

1.3.2 气象因子

气象因子考虑农作物蒸散量、降雨量、气温、气压、湿度等，具体数据来自试验区附近的气象站实测资料。

1.3.3 土壤墒情因子监测

土壤水是植物吸收水分的主要来源，其主要来源是降水和灌溉水。墒就是指土壤适宜植物生长发育的湿度，土壤墒情是反映土壤含水量多少的主要指标，直接影响农作物的生长，是决定农作物灌溉需水量的一个重要影响因子。采用土壤墒情自动监测技术，能够实时监测土壤墒情，实现土壤墒情信息存储标准化和信息上传自动化，为德州市干旱预报、预警服务提供可靠的监测资料。

土壤墒情自动观测系统利用在地下35 cm 处放置传感器，实时采集土壤墒情资料，由设备程序控制定点发送采集到的原始数据，采集完数据后采集器主板通过GPRS 网络上传数据，土壤墒情信息处理系统储存并处理数据，生成便于查找、检查、决策等工作的土壤墒情分布情况，用图表的形式加以显示，并采用干旱等级标注土壤墒情特性，对农作物灌溉用水量给予指导。

土壤墒情评价指标以土壤含水量与田间持水量比值的百分数表示。根据墒情评价指标，把土壤墒情分为5 个等级，即过多、适宜、轻度不足、不足、严重不足；在土壤墒情评价的基础上，根据旱情评价指标，把旱情分为轻旱、中旱、重旱、极旱4个等级。小麦、玉米和棉花土壤墒情与旱情评价指标体系，详见表4—6。

表4 小麦土壤墒情与旱情评价指标体系

表5 玉米土壤墒情与旱情评价指标体系

表6 棉花土壤墒情与旱情评价指标体系

本灌溉需水量预报系统在实时墒情所对应的干旱等级低于适宜等级时，会自动发出农作物水量不足的预警。

2 农作物需水量预报系统模型建立和预报结果分析

2.1 BP神经网络预报模型

人工神经网络是对人脑若干基本特性通过数学方法进行的抽象和模拟，是一种模仿人脑结构及其功能的非线性信息处理系统[1]。它具有并行的结构、非线性处理功能、较强的容错性以及自组织自学习能力等，能够对模糊信息或复杂的非线性关系进行识别与处理。其主要特征是自学习，通过对样本模式的学习模拟信息之间的内在机制。

农作物种类、不同地区的不同气候条件和管理条件等都会影响到农作物需水量的预报，而当今多数的预报方法多以线性理论为基础，考虑问题偏于简单化，导致计算预报精度不高。在描述非线性、不确定性和模糊关系等方面，人工神经网络（Artificial Neural Network，简称ANN）具有其他方法难以比拟的优势。其中，BP（Back Propagation，逆向传播）神经网络理论和方法已经比较成熟。

2.2 农作物需水量预报模型

2.2.1 农作物需水量预报模型建立

BP 神经网络是一种解决复杂非线性函数逼近问题的较好方法。农作物各生育阶段各气象因素和土壤墒情对农作物需水量影响的机理甚为复杂，目前尚难用严格准确的物理方程加以描述。而利用BP 神经网络，通过各气象因子、土壤墒情因子与农作物需水量的相关分析，确定网络的拓扑结构，用训练好的神经网络来实时预报农作物需水量，对于发展节水农业、进行高效灌溉具有十分重要的意义。

运用BP 神经网络预报模型对灌溉演进机制进行识别的实质，是通过选择适当的神经网络模型逼近实际系统的动态过程[2]。若以灌溉要素作为输入，以某种农作物相应的需水量要素作为输出，神经网络模型通过对历史影响因子资料的学习，就能对输出蕴含在该种农作物的需水规律进行映射。

应用BP神经网络建模进行模拟预报时，先要确定模型的输入和输出。选择对农作物需水量影响较大的因子作为模型的输入，将蒸散发量、降雨量、土壤含水率作为模型输入因子，以农作物生育期需水量作为模型输出因子，利用Matlab 语言编写程序并使用神经网络工具箱中Newff 函数来初始化网络，建立BP 神经网络农作物需水量预报模型。BP 神经网络建模示意，如图1所示。

图1 BP神经网络建模示意

2.2.2 农作物需水量预报模型预报结果

灌溉需水量预报系统模型当实时墒情所对应的干旱等级低于适宜等级时，发出农作物水量不足的预警。本系统根据农作物的品种和生育期耗水量自动对农作物进行灌溉预报，灌溉水量由土壤实时墒情和农作物的灌溉定额决定。小麦、玉米和棉花灌溉用水量计算结果，详见表7—9。

表7 灌溉系统模型模拟结果（小麦）

表8 灌溉系统模型模拟结果（玉米）

表9 灌溉系统模型模拟结果（棉花）

2.2.3 模型预报结果分析

从表10可以看出，对于农作物玉米、棉花和小麦来说，基于系统对农作物生育期耗水量的预报，再根据实时气象因子、土壤墒情因子和农作物灌溉定额，进行农作物生育期灌溉，其结果符合农作物生长需水规律。玉米和棉花经系统预报计算，生育期水量都富裕，且不超过10%，对农作物影响不大；只有小麦缺水，但缺水量为262.5 m3/hm2，占小麦灌溉定额的9.75%。分析其原因发现，玉米和棉花生育期大多处于汛期，降雨量充沛，且玉米和棉花生育期分别为98、142 d，生育期相对较短，所以计算结果为不缺水；小麦的生育期为237 d，且处于非汛期，降雨量仅145.8 mm，仅占需水量的30%，基本依靠灌溉用水，所以计算结果为小麦缺水。总体结果表明，本系统符合农作物实际生长规律，准确率较高，可以进行实际操作。

表10 灌溉系统模型模拟结果对比

2.3 校正系统

依据数理统计理论及农田水量平衡原理的农作物需水量预报系统模型理论依据明确、结构合理、利用信息全面，在用于农作物生育期耗水量预报检验中获得良好效果。但农作物需水量受众多因素的影响，具有很大的不确定性，考虑到越新的资料对预报系统的预报结果影响越大，预报系统的结果更具有代表性和准确性，根据气象数据、实时监测土壤墒情等因子，对农作物需水量预报模型进行实时校正，确保预报系统引入影响因子的最新资料，以确保系统的准确性和时效性。

3 结语

模型的输入变量中降雨量、蒸发量、土壤含水量等因子都是比较容易监测的，因此本预报模型便于实际应用。根据德州市实际农业可供水量和对未来一段时间内的短期气象因子、墒情因子的预报信息，通过模型预报出不同时期农作物需水量，与适宜墒情对比，运用本预报模型进行灌溉水量和灌溉时间的预报，可以指导不同区域、不同农作物的灌溉用水量和灌溉时间，为农民灌溉提供可靠的依据，避免了农民盲目灌溉造成的水量和经济损失。