精准施肥技术发展现状研究

宫 帅，郝文雅

（中化现代农业有限公司 北京 100032）

农业是我国社会经济发展的重要基础，是国家安全和社会稳定的重要保障。施肥作为农作物增产的主要手段，但长期的施肥不均衡、施肥过量会对农业生产及土壤环境造成严重破坏，随着在精准农业的发展，精准施肥技术的应用势在必行，是实现国家农产品安全和农业可持续发展的重要保障因素。本文整理总结与精准施肥相关的施肥推荐方法，作物模型、施肥决策系统等技术的方法及研究进展，并对精准施肥技术的发展进行的分析和展望。

1 基于土壤养分检测的测土配方施肥技术

测土配方施肥技术以土壤养分检测及肥料的田间试验为基础，根据作物需肥规律、土壤供肥能力及肥料效应，在合理施用有机肥料的基础上，提出氮、磷、钾及中微量元素的施用时期、施用量和施用方法，其核心为调节作物需肥量与土壤供肥量的矛盾，通过培肥地力，因缺补缺，平衡施肥。可实现提高肥料利用率，改善农产品品质，节省人工，节支增收的目的。

1.1 土壤测试方法

土壤养分测试是准确了解土壤养分含量、开展肥料试验的重要手段，现在主要的检测手段有两种。

一是基于国标的检测方法。以土壤基础五项为例：利用电位计法测定土壤pH，重铬酸钾加热法测定有机质，凯氏定氮法测试全氮，碱解扩散法测试碱解氮，碳酸氢钠浸提－钼锑抗比色法测有效磷，乙酸铵浸提－火焰光度法测定速效钾。

二是土壤养分系统研究法，简称ASI，该方法于1980年美国的弗罗里达国际农化服务中心提出，1989年引入我国，由于一次可以对包含有机质、pH、硝态氮、铵态氮、有效磷、速效钾、速效Ca、速效Mg等多达15个元素进行分析，极大的缩短了检测时间。

1.2 测土配方施肥的主要方法

经典测土配方施肥方法主要包括地力分区配方法，目标产量配方法(养分平衡法、地力差减法)，田间试验法(肥料效应函数法、养分丰缺指标法、NPK比例法、3414法)等。

1.2.2 养分丰缺指标法 通过田间试验，建立不同养分测定值与产量之间的对应关系，按照一定的范围进行等级划分，建立养分丰缺指标。应用时，依据土壤养分测试值检索进行施肥推荐。

1.2.3 目标产量法 首先分析作物产量构成因素中氮、磷、钾的含量，通常用百公斤产量的含量表示；其次，设置目标产量，计算养分需求量；最后，结合土壤和肥料中氮磷钾养分的供应量，计算肥料的施用量。

（4）“3414”试验法：目前全国范围内对主要栽培的粮食作物和经济济作物开展了广泛的测土配方施肥工作，通常采用“3414”田间试验来建立推荐施肥指标体系，实现科学施肥。它充分发挥了回归最优设计处理少、效率高的优点，“其中3”是指氮、磷和钾3种元素、“4”是指4个肥料用量水平、“14”是指一共设计14个处理。

2 基于作物的施肥推荐方法

通过对作物的表征的判断和作物本体的营养诊断，建立相应的评价标准，可以实现精准的施肥推荐。例如叶柄诊断、叶片诊断、叶色卡、SPAD值、冠层反射仪、植株缺素症状诊断等都是基于作物的施肥推荐方法。

2.1 营养诊断

作物营养诊断方法是一种基于植株本体营养诊断的施肥技术，植株中的营养是土壤养分供应与作物所需营养之间的综合反应，该技术可分为组织液流速测量技术和植物组织营养诊断技术指标临界值技术，从而建立不同时期养分需求规律和判断指标，用于精准施肥推荐。国内马铃薯的叶柄诊断、草莓的叶片诊断皆属于营养诊断法。

2.2 表征的诊断

作物的营养情况会在外观上有所体现，这些年基于作物表征的无损诊断技术，由于其操作简单高效，得到了一定的发展和应用，常见的方法有如下几种：

2.2.1 基于叶绿素仪的氮肥推荐 大量研究表明，叶绿素（SPAD）值跟作物氮含量有显著的正相关关系，通过建立SPAD值和作物氮含量的相关关系后，可以利用便携式叶绿素仪进行无损检测，指导氮肥的推荐。

2.2.2 叶色卡法 对叶片颜色深浅和叶片全氮含量之间的相关关系的分析，制作肉眼可分的拥有不同色阶的叶色卡，使用时通过对比叶片颜色和叶色卡即可轻松判断氮含量的丰缺情况。但引起叶色变化的原因不一定是氮素缺乏，人为判断色差也存在一定偏差，指导氮肥施用时有一定的误差。

系统进化树显示，薇甘菊颈盲与温带臭虫Cimex lectularius（Cimicidae：Hemiptera）GST 基因的同源性处于同一分支上，进化关系最近（图3），说明这2个delta GST可能起源于同一个祖先基因。

2.2.3 冠层光谱特征法 作物的冠层表现也直观反映出作物的营养情况，通过利用冠层仪等设备建立作物冠层的光谱特征和植株氮含量的相关关系，实现精准的氮肥推荐。

2.2.4 基于作物缺素症状诊断法 基于作物体内某些元素缺乏或过量时，在不同部位的不同表现，建立了作物缺素症状诊断方法。如缺氮叶片黄化，缺锌叶片簇生，缺镁脉间失绿，缺钙叶片生长点坏死等。

3 基于作物模型的施肥推荐

作物模型是用系统分析方法和计算机模拟技术，以作物内在的生长发育规律为基础，综合作物遗传潜力、环境效应、调控技术之间的因果关系，定量描述和预测作物生长发育过程及其环境的动态关系。

3.1 作物模型的构建过程

3.1.1 基础数据收集 通过文献或大量试验获得多种条件下的试验数据，如不同坐标位置、土壤质地、土壤水分、土壤养分、气象条件，不同作物品种、栽培密度、播种日期、作物株高、叶面积、品质、产量等生长指标。

3.1.2 分析准备 依据作物生理学、植物营养学、土壤学、气象学等专业知识，对将要构建的作物模型进行梳理，明确如土壤养分供给、土壤水分迁移、作物光合作用、呼吸作用、蒸腾、叶面积增长、干物质分配、衰老等生长发育过程及产量生成机理。

3.1.3 模型构建 利用统计学、机器学习、深度学习等手段，对各作物各生理过程进行模拟，构建基于生理生态过程的作物生长模型。

3.1.4 评估优化 将通过真实环境获得的数据导入模型，评价模型推荐结果的准确性和合理性，并以此对模型进行优化。

3.1.5 模型发布 经过对模型性能评估和优化后，可以通过产品化设计，将模型进行封装，并部署到服务器中以便于使用和推广。

3.2 典型作物模型在精准施肥的应用

3.2.1 WOFOST模型 是模拟特定的土壤和气候条件下一年生作物生长的动态的、解释性模型。在施肥管理上可通过估计某种作物最大潜在产量，提高灌溉和施肥的增产效益。对于一对营养元素来说，能够以两种方式来计算作物的产量。例如N和P，P的供给足够时，计算N对作物产量的影响；N的供给足够时，计算P对作物产量的影响。

3.2.2 DSSAT模型 它涵盖土壤、植物、大气模块，包含十几种作物模型。在施肥管理措施方面，涉及不同施肥管理措施条件下模型的校验以及优化等。例如杨靖民等应用CERES-Maize和Century土壤模型，分析了施肥量和作物桔杆还田对吉林省黑土地区玉米生长、氮循环以及有机碳氮生态平衡的影响。

在农田氮素管理方面，Arora等人应用CERES-Rice和CERES-Wheat模型在印度半湿润亚热带气候条件下，研究不同氮素和作物残留物施用量下水稻和小麦的氮素吸收、生长和产量。

4 基于决策支持系统的施肥推荐

农业决策支持系统是人工智能与计算机技术在农业领域应用的有机结合，由数据、模型、推理和人机交互四部分组成。它可以根据模型、天气条件、作物品种、肥料和土壤类型等进行决策，简单地说，农业决策支持系统集模型运行、数据传输和知识推理于一体，非常有效地解决了决策问题。

4.1 农业决策支持系统的发展

1965年，DEWIT采用模拟玉米叶片的几何光学特性和生理过程并开发了第一个模拟碳平衡的农业计算机模型“ELCROS”,提出决策支持系统(DSS)的概念；20世纪70年代后期DSS通过支持过程的方法帮管理者做决策。20世纪80年代DSS快速发展，定义了DSS的基本结构。近年来，DSS和各种技术融合发展，逐步出现群决策支持系统、分布式决策支持系统、决策支持中心、综合决策支持系统、智能决策知识系统IDSS。IDSS综合了决策支持系统和专家咨询系统的优点，将DSS系统发展推进新阶段[15]。

4.2 农业决策支持系统的应用

决策系统的核心是作物模型和决策模型，前者量化解释环境要素、管理技术、作物生长发育过程，后者用于基于规则的判断形成清晰可执行的文件。DSSAT、AQUACROP等模型实际已经属于决策支持系统范畴。下面以澳大利亚的NuMaSS、Atfarm、和HydroLOGIC为例简单介绍。

NuMaSS：养分管理支持系统(NuMaSS)是一种根据农学、经济和环境标准，针对特定区域的土壤诊断结果，选择适当管理措施的工具，它能够评估包括碳、氮、磷、水分含量、粘粒含量在内的土壤特征。该系统包括pH、磷、氮三个模块。每个模块又包含诊断、预测、经济、环境评价。Atfarm平台：该平台经过20多年的试验积累，提供氮营养的监测、诊断和方推荐，用户可以通过Atfarm查看地块下作物不同阶段的长势信息，发现地块中的长势差异，根据用户需要生成农机可以识别的处方图，实现变量施肥作业，进一步提高肥料利用率。

HydroLOGIC：主要核心是棉花作物模拟模型(OZCOT)，该模型可用于模拟日常灌溉。所需的数据包括观测数据、气候数据和每个季节的替代灌溉管理方案等。灌溉模型包含四部分:土壤剖面、气候和天气、作物观测和情景模拟。作物观测包括灌溉记录、叶面积指数、施氮量、果实数量和土壤含水量。施氮量模拟是一个子模块，如果在播种后进行了氮肥补充，则在OZCOT模型中进行氮的模拟和更新，以在后续建议中实现氮肥平衡。

5 结论

随着农业基础研究和信息技术的快速发展，精准施肥从过去传统的简单的试验研究，发展到结合作物、土壤、大气、管理于一体的作物模型，现如今已经成为各农业决策系统中必不可少的部分，应用于广大作物和地区，但仍然存在一些问题。

首先，环境要素复杂多变，作物生理生态机理需要继续深入研究；各种施肥方法和作物模型的应用，都必须依赖于大量科学可靠的基础试验作为基础，数据来源成为限制施肥模型、作物模型发展和应用的重要因素。其次，模型训练和验证所需要的田间试验需要花费大量的人力、物力、时间成本，快速获取试验数据的方法需要优化。最后，模型应用时的参数调整和预测结果的评估缺少评价优化手段，属地化落地受到挑战。

可以预见，随着大数据、深度学习等计算机技术的发展，遥感、GIS技术在农业中的应用、传感器技术在农业中的普及，农业信息采集的效率更高、维度更加丰富，作物模型和决策系统的也将面临新的升级，帮助用户做出更加及时、准确、有效的决策。