基于PSWE模型的土壤水盐运移与夏玉米生产效益模拟

张万锋 杨树青 胡睿琦 鄂继芳

(1.内蒙古农业大学水利与土木建筑工程学院，呼和浩特 010018；2.澳大利亚人工智能研究所，悉尼 2007)

0 引言

河套灌区引黄水量锐减、土壤盐渍化等问题严重制约着灌区农业持续健康发展，如何节水改良盐渍地、提效增产是灌区面临的主要问题[1-2]。秸秆还田改善土壤通透性[3]，显著提高土壤养分供给强度[4]，减少无效蒸发[5]，促进对降雨入渗的利用，提高水分利用效率[6-7]，与适宜水质结合调控根层盐分，提高作物产量和水分生产力[8]，影响土壤水盐分布[9]。深入研究多因素协同秸秆还田耕作措施的土壤水盐运移规律，对河套灌区抑盐节水增产具有重要的现实意义。但受大田试验周期长、气候变化复杂等多重因素的影响，秸秆还田措施的水盐运移规律缺乏深入系统研究，采用模型模拟是一种较方便快捷的研究方法。

大多数土壤水盐运移模型模拟及其相关影响因子主要依赖于复杂的物理过程机理[10]，模型求解时往往因边界条件复杂、计算参数众多等原因在应用上受限，且水盐运移的非线性和突变性降低了这些机理模型的准确性和可靠性。SCHINDLER等[11]认为，与基于过程的机理模型相比，基于数据驱动的模型更具优势，伴随机器学习理论及技术的发展，此类模型逐渐在模拟土壤水盐运移方面得到认可。前人采用BP神经网络模型研究土壤水盐动态变化[12]和冻土水盐空间变异情况[13]，并基于人工神经网络预测洪水水位[14]、地下含水层水位[15]和土壤水盐含量[16]等的变化，取得了较好的效果。作为机器学习最活跃的深度学习理论及技术，在数据特征学习与表征上更具优势。目前，深度学习在图像识别[17]、作物产量估算[18]、土壤养分检测[19]、气象预报[20]与疾病诊断[21]等方面应用较多，但在土壤水盐模拟上的应用较少。

多因素协同秸秆深埋下土壤水盐运移属于夏玉米全生育期的时间序列分析问题，本文以此为切入点，基于分级长短期记忆网络(Hierarchical long short-term memory，HLSTM)与批标准化多层感知机(Batch-normalized multi-layer perceptron，BMLP)耦合，构建递进水盐嵌入神经网络(Progressive salt-water embedding neural network，PSWE)模型，模拟河套灌区多因素协同秸秆深埋下不同灌溉量的土壤水盐运移及夏玉米生产效益。旨在探明多因素协同秸秆深埋下土壤水盐运动规律，确定适宜灌水量，检验深度学习理论及技术在模拟土壤水盐运移上的有效性，为灌区应用秸秆深埋还田技术调控水资源提供理论依据。

1 材料与方法

1.1 研究区概况

田间试验于2017—2019年每年5月至9月在河套灌区临河区双河镇农业节水示范区开展，该示范区属中温带半干旱大陆性气候，多年平均降雨量156 mm，大多降雨集中在夏秋季，年均蒸发量2 332 mm，春冬季地表返盐严重。供试土壤为粉砂壤土(砂粒、粉粒、粘粒质量比为8∶15∶2)，0～100 cm土体平均容重1.485 g/cm3，平均田间持水率22.57%。

1.2 田间试验设计

田间试验于上一年秋浇前在35 cm土层人工铺设5 cm粉碎玉米秸秆，平整耕地，第2年5月初浅耙压实覆膜种植。秸秆深埋后形成土层依次为：耕作层(0～35 cm)、秸秆隔层(35～40 cm)、心土层(秸秆隔层以下土层)。田间试验设4个灌水水平：单次灌水量60 mm(W1)、90 mm(W2)、120 mm(W3)、135 mm(CK，当地灌水量)，共4个处理，3次重复，12个小区，小区面积72 m2，各小区间设2 m保护带，四周用埋深1.2 m聚乙烯塑料膜隔开，顶部留30 cm，防止水肥相互影响，田间管理与当地农户管理一致。夏玉米生育期灌溉3次，用汽油泵从渠道定量抽取灌溉水，畦灌方式灌溉。供试材料为钧凯918玉米，5月初机械播种，9月末收获，株距0.35 m，行距0.45 m。

1.3 样品采集与分析

(1)土壤含水率及含盐量：在播种前和每次灌水前、后(雨后2～3 d内加测一次)，用土钻分别在0～20 cm、20～40 cm、40～60 cm、60～80 cm、80～100 cm土层取样，测土壤含水率及电导率。采用干燥称量法测土壤含水率，即质量含水率；将土样风干、磨碎、过筛，配制土水质量比1∶5提取清液，用DDS-307型电导率仪测土壤电导率。

(2)夏玉米考种测产及水分利用效率：每个小区随机选取10株夏玉米，测量夏玉米穗长、穗粗、百粒质量等产量的相关指标；干燥后称总质量并计算单位面积产量。

作物耗水量(Evaporation and transpiration of crop，ET)的计算式为

ET=P+I+Wg-D-R-ΔW

(1)

式中ET——作物耗水量，mm

P——生育期降雨量，mm

I——灌溉量，mm

Wg——地下水补给量，即研究期地下水向上补给土壤水的量，mm

D——渗漏水量，该示范区地下水位较高，地下水补给量远大于渗漏水量，故D忽略不计，mm

R——地表径流，该示范区地面平坦，研究期降雨较小，无地表径流，R可忽略，mm

ΔW——试验初期到末期土壤储水量的变化量，mm

水分生产率(Water productivity，WP)的计算式为

WP=Y/ET

(2)

式中WP——水分生产率，kg/(hm2·mm)

Y——玉米产量，kg/hm2

大田试验时，灌溉后无法立即取样测土壤含水率，造成模型模拟未能充分反映灌溉后土壤含水率突变的过程。鉴于此，采用水量平衡的方法补算此时段观测点的土壤含水率理论值，分别计算出灌溉后各土层含水率的平均增加值，得到观测点此时的理论含水率，并将其作为一个整体在模型中输入，再调试率定模型。

土壤含水量理论值的计算式为

(3)

式中W——土壤含水量理论值，mm

θi——第i层土壤质量含水率，此处为因灌溉引起的土层i含水率的变化量，%

hi——不同土层厚度，cm

ρi——土层平均容重

供试土壤各层平均容重分别为：0～20 cm土层取1.47 g/cm3，20～40 cm土层取1.48 g/cm3，40～60 cm土层取1.50 g/cm3，60～100 cm土层取1.49 g/cm3。

1.4 PSWE模型基本原理

使用Python编码，在Pytorch框架上构建PSWE模型，并进行训练、率定。HLSTM编码器将实测数据时间序列化，将以天为单位记录气象数据(地温、气温、辐射量、CO2浓度、降水量)、灌溉定额、秸秆埋深、生育期时长及土层深度等9个变量，作为一个整体嵌入到一个低维度欧几里得空间中(维度为2维(含水率、含盐量)，隐层维数为20维)，并学习与分析各变量与土壤水盐含量间的因果关系，最终学习到土壤水盐动态变化。承接HLSTM编码器输出的水盐含量，BMLP解码器分析与学习土壤水盐含量与作物生产效益间的因果关系。HLSTM编码器与BMLP解码器在相互迭代、更新学习的过程中，捕捉多因素在时间序列上的依存关系，并分析多因素对土壤水盐运移及作物生产效益的影响，实现准确模拟。本文使用[x0，x1，…，xt，…，xT]来表示每个时间点上的变量，每个xt为m维的向量(本文中m=9)。时间序列化使得xt自然拥有依次生成的性质，基于n阶马尔科夫链的夏玉米在各时间点上的各项指标依次发生的概率为

(3)

式中xt——每个时间点上夏玉米各项指标数据，即模型输入参数

T——夏玉米整个生长周期，d

1.4.1HLSTM编码器

在给定时间序列化数据[x0,x1,…,xT]，循环神经网络(Recurrent neural network，RNN)可对应输出一个序列[h0,h1,…,hT]，每次RNN运算的激活函数A为

At=φ(WaaAt-1+Waxxt+ba)

(4)

式中Waa、Wax——RNN中前一个输出值和输入值的权重

ba——输入值偏差

φ——RNN的激活函数[22-23]，如S型函数、正切函数和线性整流函数

RNN模型输出项ht为

ht=φ(WhaAt+bh)

(5)

式中Wha——权重系数

bh——输出偏差

φ——输出激活函数，与φ可以不同

RNN随时间序列增加，反向传播梯度会累积到爆炸或消失，限制了模型“记忆”长时间序列上的信息。而基于HLSTM模型使用内部逻辑门可有效解决这个问题。与RNN相比，HLSTM构造优势在于内部的3个逻辑门：输入门、遗忘门和输出门。输入门负责评估输入数据流能否被用于记忆单元的调整与修改，即将0～1间的输入数据和上一层隐藏数据通过S型函数合并及归一；再根据模型算法判断信息是否符合规则，若不符合规则就通过遗忘门被舍弃；将归一后的数据输入并结合模型当前时刻t节点的状态，得到t时刻隐层表达式ot和输出门t时刻输出结果ht为

ot=σ(xtWo+ht-1Vo+bo)

(6)

ht=ot⊗St

(7)

式中σ——S型激活函数

Wo、Vo——HLSTM对应t时刻隐层表达式用到的数据学习权重

bo——HLSTM对应t时刻隐层表达式用到的数据输入偏差

St——HLSTM对应时间节点t的存储状态

⊗——各元素间的相乘运算符号

每个时间节点输出ht与该时间节点对应的土壤水盐含量利用Huber Loss函数进行损失量计算，计算式为

(8)

式中Llstm——利用Huber Loss函数计算土壤水盐含量的损失量

ywater,salt——田间试验的实测值

Huber_loss(·)——用于计算回归问题带参的分段损失函数，本文采用L1-Loss函数计算损失量

利用输入(9个变量)与输出(作物生产效益)间的更新与映射，最后一个时间节点的隐层输出结果被提取，作为学到整个时间序列上各项指标的嵌入(embedding)，即BMLP解码器的输入项。

1.4.2BMLP解码器

利用批标准化处理[24]来增强训练迭代，提高MLP模型的稳定性，构建批标准化多层感知机(BMLP)。将HLSTM编码器模拟的水盐指标作为BMLP解码器的输入项，捕获时间序列上多因素的变化信息及其与土壤水盐动态间的因果关系，输出作物生产效益。文中BMLP解码器是一种具有双隐含层的神经网络，层间信息流的精确仿射转换至关重要，BMLP解码器第l隐层hl表达式为

(9)

式中Wl——BMLP解码器第l层的学习权重

bl——BMLP解码器第l层的偏差

hl-1——l-1层的输出值；当l=1时，h0为embedding(水盐嵌入)

BMLP输入的数据通过层级间的更新规则进行运算，得到最终输出结果。最后一层生产效益的隐层表达与该时间节点上的田间实测产量及水分生产率利用Huber Loss进行损失计算，计算式为

Lmlp=Huber_loss(hl,yyield,water-efficency)

(10)

式中Lmlp——利用Huber Loss函数计算夏玉米产量与水分生产率的损失量

yyield,water-efficency——夏玉米产量与水分生产率的实测值

PSWE模型通过HLSTM构造的编码器与BMLP构造的解码器耦合所计算的损失对模型整体进行协同更新，从而大幅提高预测精度。本模型最终损失函数计算值L为式(8)和式(10)的平均值，即

(11)

采用随机梯度(SGD)[25]作为优化器的神经网络模型在峰值处梯度较平缓，未立即收敛，且神经网络参数学习速率统一。但PSWE神经网络模型在训练过程中采用Adam优化算法，使其能够更稳定、平滑地收敛。同时，为避免对数据产生过拟合，模型又耦合了Dropout优化算法[26]，作为整个模型的收敛算法。

至此，基于递进水盐嵌入神经网络模型(PSWE)构建完成，通过适应性分析，将研究区各变量输入模型，根据HLSTM构造的编码器与BMLP构造的解码器中获取的双层递进因果关系进行迭代更新，完成对土壤水盐变化及作物生产效益的模拟。PSWE模型架构如图1所示。

图1 递进水盐嵌入神经网络架构Fig.1 Schematic of progressive salt-water embedding neural network architecture

2 结果与分析

2.1 PSWE模型率定与检验

各变量在数值上相差较大，且量纲不相同，若直接参与训练会影响模型学习收敛速率与精度，故训练前对原数据进行规范化预处理，将数据归一化。选取2年360组实测数据作为PSWE模型训练集，在训练过程中表现出较好的误差收敛性能，模型率定结果如图2～4所示(因篇幅所限，仅选取2018年单次灌水90 mm和120 mm分别在播种后第17天和第135天的水盐含量及2018年夏玉米生产效益率定图为例)。结果表明，土壤含水率均方根误差(RMSE)小于0.031%，平均绝对误差(MAE)小于0.473%，决定系数R2大于0.979；土壤含盐量RMSE小于0.032 g/kg，MAE小于0.566 g/kg，R2大于0.975；夏玉米产量RMSE为0.031 kg/hm2，MAE为0.546 kg/hm2，R2为0.983；水分生产效率RMSE为0.024 kg/(hm2·mm)，MAE为0.561 kg/(hm2·mm)，R2为0.977。

图2 土壤含水率率定结果Fig.2 Model calibration of soil moisture content

图3 土壤含盐量率定结果Fig.3 Model calibration of soil salt content

图4 夏玉米生产效益率定结果Fig.4 Model calibration of summer maize production efficiency

图5 土壤含水率验证结果Fig.5 Model checking of soil moisture content

图6 土壤含盐量验证结果Fig.6 Model checking of soil salt content

图7 夏玉米生产效益验证结果Fig.7 Model checking of summer maize production efficiency

采用2019年的实测数据对PSWE模型进行检验。作物生育期有实测数据的时间点有9个，选取单次灌水60、90、120、135 mm处理在整个生育期20～40 cm土层含水率和含盐量及生产效益的验证图为例，模型验证结果见图5～7。结果表明，土壤含水率模拟值与实测值拟合程度较好，虽然土壤含盐量模拟结果相对稍差一些(可能是土壤蒸发与作物蒸腾过程中水盐间强烈的互作效应，且盐分的时空变异性远大于水分时空变异性导致)，但仍可有效反映土壤水盐运移及作物生产效益的变化趋势，模拟结果可以接受。模型检验的平均RMSE为0.031，平均MAE为0.569，平均决定系数R2为0.987。

利用检验后的PSWE模型开展模拟试验。模拟土层0～100 cm水盐运移，每20 cm为一层，共5层；模拟周期为夏玉米生育期，共计140 d，步长为1 d；单次灌溉60～135 mm，灌溉3次，初始步长为5 mm，最小步长1 mm，最大步长为10 mm(按照当地灌溉时间确定)；气象参数均按照当天平均值输入；土壤含盐量容许偏差为0.05 g/kg，含水率容许偏差0.05%，产量容许偏差为1 kg/hm2，水分生产率容许偏差为0.001 kg/(hm2·mm)。因模拟图较多，仅选取灌溉60、90、120、135 mm的土壤水盐分布模拟图(图8、9)。

2.2 多因素协同秸秆深埋下不同灌水量的土壤质量含水率模拟

多因素协同秸秆深埋下，不同灌水量的土壤含水率分布模拟结果如图8所示。在夏玉米生育期内，土壤含水率随土层深度的加深而提高，随生育期推移而降低，且不同灌水量间存在不同程度的差异。

图8 生育期内各土层含水率分布Fig.8 Distributions of soil moisture content in different soil layers during growth period

图9 生育期内各土层含盐量分布Fig.9 Distributions of soil salt content in different soil layers during growth period

生育前期，不同处理耕作层含水率差异不显著，随生育期推移，变幅增大。灌溉后耕作层含水率显著增加，整个生育期出现3次峰值，随蒸发蒸腾作用增强，土壤含水率逐渐降低。灌溉90mm和120 mm时，耕作层含水率保持平稳，为16%～24%；而灌溉60 mm时，因灌水量较小，且持续蒸发蒸腾作用及秸秆隔层在一定程度切断毛管，导致耕作层含水率持续降低，最低仅为11.2%，已逐步影响夏玉米生长；灌水量为135 mm时，耕作层含水率变幅最大，灌溉后的耕作层含水率大幅增加，短时间内减小为10.3%～26.2%。在夏玉米成熟期，灌溉60mm的耕作层含水率较灌溉135mm处理降低27.3%，而灌溉90mm和120 mm的耕作层含水率分别提高5.7%和7.1%(P<0.05)。秸秆隔层含水率随灌水量增加呈先增后减趋势，同一时间点灌溉90mm和120 mm隔层含水率较灌溉60 mm和135 mm显著提高(P<0.05)，成熟期二者分别提高14.3%和13.8%，说明多因素协同秸秆深埋下适宜灌水量可起到蓄水保墒的作用，扩大隔层蓄水容量。随着土层深度增加，心土层含水率有增大趋势，在40～60 cm土层含水率有小幅波动，特别是灌溉60mm处理在该土层含水率持续下降，成熟期下降到不足20%，且60 cm以下土层含水率在成熟期仍有下降趋势；由图8可知，灌溉90mm和120 mm处理的心土层含水率基本维持稳定，受灌溉影响较小，80 cm以下土层含水率均在30%以上；而当地灌水量135 mm时心土层含水率有小幅波动，夏玉米生长后期有降低趋势。

2.3 多因素协同秸秆深埋下不同灌水量的土壤含盐量模拟

多因素协同秸秆深埋下，不同灌水量的土壤含盐量分布的模拟如图9所示。多因素协同秸秆深埋和灌水量对土壤含盐量分布影响显著。

整个生育期，不同灌水量处理的耕作层均积盐，灌溉90 mm和120 mm积盐率较灌溉60 mm和135 mm显著降低(P<0.05)。生育末期灌溉60 mm处理的耕作层积盐最多，积盐率为20.6%；其次是当地灌溉量135 mm处理，其积盐率为16.6%；而灌溉90 mm和120 mm积盐率较小，分别为8.9%和8.3%，二者差异不显著(P>0.05)。在秸秆隔层，灌溉60 mm整个生育期含盐量逐渐增加，生育末期达到3.9 g/kg以上，积盐率达到49.2%，较其他灌水量处理的隔层积盐显著增多，即使地面灌溉后，仍然有增大趋势；灌溉90 mm和120 mm处理的隔层含盐量变化比较平稳，地面灌溉后隔层含盐量下降，持续一段时间后增加，但在生育末期隔层脱盐，脱盐率分别为6.1%和5.9%，二者脱盐率差异不显著(P>0.05)；灌溉135 mm处理的隔层含盐量随灌溉后大幅降低，持续短时间后又显著增加，生育末期隔层积盐，积盐率达到11.2%。说明多因素协同秸秆深埋的耕作模式下，过多灌溉或灌溉不足均不能充分发挥隔层抑盐作用，只有在适宜灌水量下，秸秆隔层可减缓土壤水分入渗与蒸发，同时抑制深层土壤返盐，保持根系层(20～40 cm)含盐量变幅较小，生育末期土壤脱盐效果显著。心土层含盐量随灌水量增加存在不同程度的差异。灌溉60 mm处理的心土层含盐量在生育期呈逐渐增大趋势，成熟期含盐量达到最大，为3.5 g/kg，较播种时显著增加心土层含盐量，平均积盐率为14.7%；灌溉90 mm和120 mm处理的心土层含盐量变化较平稳，平均积盐率分别为11.5%和11.7%；当地灌溉135 mm处理的心土层含盐量变幅较大，地面灌溉后大幅下降，随蒸发蒸腾作用增强而增大，平均积盐率为12.6%；不同灌溉量的心土层均积盐，随灌水量的增加心土层含盐量变化率表现为先增后减，与耕作层积盐趋势相反。

2.4 夏玉米产量与水分生产率预测

夏玉米产量和水分生产率模拟结果如图10所示。由图10可知，秸秆深埋下夏玉米产量及水分生产率随灌水量增大均呈先增后降的趋势，但二者达到峰值时的灌水量不同。灌溉区间在60～89.3 mm时，水分生产率逐渐增加，在灌水量89.3 mm时，达到峰值，为21.3 kg/(hm2·mm)，此时夏玉米产量仍处在增加阶段，未到达最大值；灌溉区间在89.3～96.8 mm时，水分生产率开始下降，产量在灌水量96.8 mm达到峰值，为9 191 kg/hm2；当灌溉区间为96.8～135 mm时，二者均下降。取二者峰值间的灌水量89.3～96.8 mm作为多因素协同秸秆深埋的夏玉米较适宜单次灌水量，并将此灌水量、理论产量、水分生产率及其他相应参数代入模型，反推耕作层理论含盐量为1.38～1.55 g/kg。

图10 不同灌水量时夏玉米产量及水分生产率变化曲线Fig.10 Summer maize yields and water productivity under different water irrigation

3 讨论

土壤水盐含量、作物生产效益与耕作措施、灌水量、气象条件等多因素间存在复杂的非线性关系，研究多因素间的因果关系对土壤水盐运移及提效增产有着重要的现实意义。刘全明等[27]基于BP神经网络模型模拟区域耕地耕作层的水盐动态，均方根误差在1.7%～5%之间；余世鹏等[28]基于模糊神经算法建立的水盐最优预测模型有效模拟了中长期水盐动态变化，预测误差降低30%以上。本研究基于HLSTM与BMLP耦合构建了递进水盐嵌入神经网络(PSWE)模型，有效模拟了多因素变量与水盐变化、夏玉米生产效益间的两层递进因果关系，模型整体均方根误差为0.031，平均绝对误差(MAE)为0.569，平均决定系数R2为0.987。PSWE模型具有较高的精度，可实现河套灌区多因素协同秸秆深埋下0～100 cm土层水盐及夏玉米生产效益的模拟。模型训练时发现，随土层深度加深模拟精度有所降低，且土壤含盐量模拟结果相对稍差，这与王钧等[29]模拟含水率变化趋势类似。可能是因为，一方面模型训练时约束条件较少，未考虑土壤理化性质、渗漏等影响；另一方面蒸发蒸腾过程中土壤水盐间的互馈效应强烈，且盐分时空变异性远大于水分。后期研究可通过这部分因素的改进进一步提高模型模拟与预测的精度。

不同土壤结构、质地均匀性改变了土壤水入渗形式，显著影响土壤水分入渗[30]。秸秆覆盖耕作措施的土壤水蓄纳随作物生育期推移改变，且作物生长前期蓄水，后期供水[31]，这与本研究结果存在差异。本研究在多因素交互作用下，耕作层土壤含水率随地面灌溉而增大，但不同灌溉量土层的含水率变化趋势不一致。这是因为夏玉米秸秆质地粗糙，深埋后形成秸秆隔层的上下界面与均质土壤(粉砂壤土)的界面存在空隙差，且秸秆内部也存在较多空隙，造成隔层导水率与原土壤存在差异，影响土壤水入渗。另外，因土壤入渗水需先达到秸秆隔层蓄纳水容量才能继续下渗至心土层，导致在隔层与土壤交界面形成的优先流水分短时间内很难进入心土层，引起优先流运移不均匀[32]。随土壤水入渗，较小灌水量(60 mm)耕作层含水率远低于田间持水率，入渗水分未能充分溶解耕作层盐分，且未达到秸秆隔层的蓄纳量，秸秆隔层未充分湿润。因此，此时入渗水主要消耗在耕作层及部分存蓄在隔层中，无淋盐的作用；随着蒸发作用增强，隔层蓄纳的水分及耕作层水分蒸散较快，且隔层切断土壤毛管，心土层土壤水未能透过隔层及时补充蒸发消耗，耕作层及隔层含水率持续下降，导致小灌溉量的秸秆隔层逐渐演化成盐库，在夏玉米生育期有积盐趋势。

在多因素影响下，适宜灌溉量(90 mm或120 mm)处理的秸秆隔层延长了土壤入渗水在耕作层停蓄时间，可充分湿润耕作层和隔层，提高其含水率，与心土层形成不连续的水分运移架构，当入渗水量超过隔层蓄纳量时，土壤水将运移到心土层，最后形成不连续水分运移通道，入渗趋于稳定，达到部分淋盐效果；蒸发作用下，耕作层土壤水分逐渐减少，心土层土壤水上移补充，但隔层阻断了心土层土壤水分通过毛管上移的通道，切断蒸发补给，抑制深层土壤盐分上移，且隔层存蓄的水分在蒸发作用下逐步释放，补充根系层，从而在一定程度上稀释了土壤溶液，淡化根层。但灌水量较大(常规量135 mm)时，隔层与心土层形成的不连续水分运移架构被破坏，土壤水在很大程度上自由运移，隔层上下界面与土壤间的导水率差异减小，且随灌水次数增加，不连续水分运移架构进一步破坏，隔层与土壤间导水率差异进一步变小，湿润区优先流与其水分运移很快平衡。因此，灌溉后耕作层含盐量大幅下降；随蒸发蒸腾作用增强，深层土壤水分通过土壤毛管进入耕作层，逐渐补给蒸发，盐分却留在耕作层，导致耕作层积盐，产生了次生盐渍化。研究指出，秸秆夹层能够抑制深层土壤返盐且抑制耕层盐分表聚[33]，这与本研究的结果有差异，这可能因为该研究仅分析秸秆夹层抑盐的作用，未考虑其他影响因素。本研究发现，灌溉60 mm处理的耕作层积盐，表层盐分聚集较多，因持续蒸发作用，耕作层水分损失严重，盐分浓度增大；灌溉90 mm和120 mm的耕作层盐分表聚，抑制心土层返盐，这与李芙荣等[34]的研究结果类似，此时表聚盐分主要来源是耕作层及灌溉水的盐分，进而在一定程度淡化根系层；另外常规灌溉135 mm耕作层表聚大量盐分，造成耕作层次生盐渍化，此时表聚的盐分来源主要是耕层、灌溉水及心土层的盐分。模拟结果表明，夏玉米生育末期灌溉60、135 mm的秸秆隔层积盐，积盐率为49.2%和11.2%，灌溉90、120 mm的隔层为脱盐趋势，脱盐率为6.1%和5.9%。模拟结果较实测值偏小，可能是因为模型训练是基于实测数据自身，约束条件较少导致。

水盐胁迫是危害盐渍地作物生长的关键因素，适宜的耕作层含盐量有利于增强作物的耐盐适应性[26,35]，有利于作物生长，且适宜灌水量对作物生理性状及产量会产生积极的影响[36]，这与本研究结果基本一致。本研究结果表明，多因素协同及秸秆深埋下夏玉米适宜单次灌水量为89.3～96.8 mm，通过PSWE模型反算此时耕作层理论含盐量为1.38～1.55 g/kg。说明秸秆深埋耕作模式下，适当减少灌水量及调控耕作层含盐量可提高夏玉米生产效益，过高或过低耕作层水盐含量均不利于作物生长。

4 结论

(1)PSWE模型将夏玉米生长条件、土壤水盐含量与生产效益作为有机统一体，充分考虑各因素间整体协同效应，学习多因素在时间序列上的自然发展规律，较好地模拟了河套灌区多因素协同秸秆深埋的土壤水盐动态，有效表征三者间双层递进因果关系，学习各变量内在依存联系。模型平均均方根误差为0.031，平均绝对误差(MAE)为0.569，平均决定系数R2为0.987。

(2)多因素协同秸秆深埋下不同灌水量对土壤水盐含量影响显著，灌溉90 mm和120 mm的耕作层含水率保持在16%～24%之间，生育末期隔层脱盐率分别为6.1%和5.9%，而灌溉60 mm和135 mm的耕作层含水率持续降低或者变幅较大，生育末期隔层积盐率分别为49.2%和11.2%。建议河套灌区秸秆深埋下夏玉米种植的单次灌水量为89.3～96.8 mm，耕作层理论含盐量调控为1.38～1.55 g/kg。