基于EPIC模型的黄土高原旱地草粮轮作田土壤湿度模拟

王学春,李军,,郝明德

（1.西北农林科技大学农学院,陕西 杨凌 712100；2.中国科学院 水利部水土保持研究所,陕西 杨凌 712100）

EPIC是美国建立的定量评价“气候-土壤-作物-管理”综合系统的动力学模型[1-3]。对模型根据研究区域的实际情况进行必要的修订和验证有利于提高模型的模拟精度[4-5],进而促进模型的推广应用。

EPIC模型是Williams等20世纪80年代在美国黑土地研究中心（Black Land Research Center）建立的。初期建立该模型的目的是评价水土资源对美国粮食生产的影响[6]。因此,模型的名称也就定义为土壤侵蚀和生产力影响计算模型（erosion productivity impact calculator）。在Williams等建立模型之后,许多能够影响土壤湿度的模块及方程相继被添加到模型中,使之对土壤水分的模拟能力日臻完善。其中Jones等[7]改进了模型中的根系生长子模块,使模型模拟的作物根系分布更加合理；Williams[8]将 MUSS、MUST和MUSI 3个水蚀方程引入到了EPIC模型中,Renard[9]将RUSLE方程引入到了EPIC模型中,使模型对水蚀量的模拟精度有了很大的提高。Purveen等[10]改善了模型对融雪引起的径流和侵蚀的模拟,使模型对径流量等的模拟更加准确。Roloff等[11]将潜在蒸发量的计算方法——Baier-Robertson引入到了模型中,Williams等[12]将渗透方程Green and Ampt引入到了EPIC模型中,使模型能够较好地模拟水分在土壤、植物和大气之间的传输。

EPIC模型自从引入到中国以来,许多学者对它进行了必要的修订和验证。王宗明和梁银丽[13]于2002年初步尝试利用EPIC模型对黄土高原地区的春玉米（Zea mays）和冬小麦（Triticum aestivum）的生产潜力进行了模拟研究,结果表明,修订后的模型对春玉米产量的模拟较为准确。李军等[14-15]于2004-2005年对模型的结构和原理进行了详细介绍,为后来模型在黄土高原地区的应用奠定了基础。此后,王学春等[16]、陈兵等[17]对连作冬小麦和紫花苜蓿（Medicago sativa）的产量进行了模拟验证,结果表明,EPIC模型能较好地模拟连作冬小麦和紫花苜蓿的产量变化规律。春亮等[18]模拟研究了苜蓿在北京的生长情况,发现EPIC模型能够较好地模拟不同时期苜蓿的生物量。但关于EPIC模型对土壤湿度模拟精确性评价的研究却比较鲜见,这就限制了模型在土壤水分模拟研究中的应用。李军等[15]对旱作粮田总土壤含水率逐年变化进行了模拟验证,但没能对土壤湿度剖面和逐月土壤水分进行详细验证,致使在应用EPIC模型模拟逐月土壤水分的过程中存在一些不确定性。春亮等[18]利用EPIC模型自带的作物参数模拟了苜蓿在北京的生长情况,但该模型对土壤湿度的模拟结果不理想。可能的原因是用来验证模型的田间观测数据周期较短（仅1年）,这也进一步印证了根据当地实际情况进行模型验证与修订的必要性。

本研究依据位于陕西省长武旱塬的长期定位试验数据,对草粮轮作田的土壤湿度逐月变化动态进行模拟精度验证,分析降水年型对模型模拟精度的影响,为今后应用EPIC模型模拟研究黄土高原地区草粮轮作田的土壤水分变化规律提供必要科学依据。

1 材料与方法

1.1 长期定位试验情况1985-1993年在长武十里铺生态试验站布设了“苜蓿-苜蓿-苜蓿-苜蓿-马铃薯-冬小麦-冬小麦-冬小麦”的轮作方式,并对土壤湿度进行了长期定位观测。1985-1989年对苜蓿地土壤湿度进行了逐月观测,每月20日进行测定,总计测定40次；1990年3月20日-8月20日对马铃薯地的土壤湿度进行了逐月测定,每月的5日和20日各测定1次,总计测定11次；1990年9月-1993年8月对冬小麦田播种期和收获期土壤湿度先后进行了6次测定。苜蓿草地、马铃薯田和冬小麦田土壤湿度测定深度均为2 m,均采用土钻法每10 cm取样1次,采用烘箱烘干法计算土壤质量含水率,依据公式:

将实测的土壤质量含水率（%）转化为与模型中单位一致的土壤体积含水率（m/m）。

根据长武气象站1957-2006年气象资料统计,该地区降水量为500～600 mm的年份占总统计年份的41%,400～500 mm的年份占28%,多于700 mm的年份占4.8%,少于400 mm的年份占2%。本研究根据年降水量将长武旱塬的降雨年型分为超湿润年型（＞700 mm）,湿润年型（600～ 700 mm）,正常年型（500～600 mm）,干旱年型（400～500 mm）和超旱年型（＜400 mm）。1985-1993年,长武年平均降水量为570 mm,其中1988年为超湿润年型；1990年为湿润年型；1985、1987、1989、1992和 1993年为正常年型；1986和1991年为干旱年型。在种植苜蓿的4年中,1988年为超湿润年型,1986年为干旱年型,1987和1989年为正常年型；种植马铃薯的1990年为湿润年型；种植小麦的3年中,1991年为干旱年型,1992和1993年为正常年型。

1.2EPIC模型参数设置EPIC是美国建立的定量评价“气候-土壤-作物-管理”综合系统的动力学模型,由气象模拟、水文学、侵蚀、营养循环、农药残留、作物生长、土壤温度、土壤耕作、经济效益和作物环境控制等模块组成,能够以天为时间步长,定量模拟农田水土资源和作物生产力长周期动态变化过程,可用来评价农田作物生产管理策略和水土资源环境效应[1-3]。本研究采用的WinEPIC3060版,可以输出逐日分层土壤水分模拟结果[14-15]。

依据当时大田试验的布设,模型中苜蓿于1985年秋季播种,从1986年开始,每年的6月上旬和8月下旬各进行一次收获；马铃薯于1990年4月中旬播种,8月下旬收获；冬小麦从1990年秋季开始播种,每年6月上旬收获,9月下旬播种。

根据实地调查数据和《中国土种志》和《陕西土壤》中的调查记录[19-20],考虑到草粮轮作系统中的苜蓿对土壤水分利用深度问题[21-23]和模型对土层数的限制,土壤数据库中的黑垆土被设定为6.0 m,其土层和深度分别为0～0.1、0.1～0.5、0.5～1.0、1.0～ 1.5、1.5～ 2.0、2.0 ～ 3.0、3.0～ 4.0、4.0～5.0和5.0～6.0 m（表 1）。0～6.0 m 土层土壤平均田间持水量和萎蔫系数分别为0.27和0.13 m/m,平均土壤容重为1.32 g/cm3[24]。

气象数据库中的长武逐日气象数据（逐日最高温度、逐日最低温度、逐日降水量、逐日相对湿度、逐日风速和逐日太阳辐射量）来源于长武气象站,其中逐日太阳辐射量是根据逐日日照时数转换而来的[14]。EPIC模型在模拟作物生长及其产量形成过程时,通过作物参数控制作物生长发育进程,描述阶段发育与形态发育状况,计算作物对土壤水分、养分的吸收数量,估算温度、水分、氮素和磷素对生物量积累和经济产量形成的胁迫[9]。本研究的作物参数根据文献[15,21,24-26]和实地测定进行调整和设定（表2）。模型在模拟作物潜在蒸腾量时采用Penman-Monteith法进行计算[2-3]。

表1 长武旱塬黑垆土主要理化参数

表2 EPIC模型中冬小麦、苜蓿和马铃薯部分重要生长参数修订值

2 结果与分析

2.1 苜蓿草地土壤湿度模拟精度

2.1.1苜蓿草地土壤湿度变化动态 1986、1987和1988年逐月苜蓿草地0～2.0 m土层土壤湿度观测平均值分别为0.225、0.183和0.225 m/m,模拟平均值分别为0.217、0.181和0.231 m/m,二者的相关系数分别为0.755、0.721和0.793,RMSE平均值分别为0.037、0.012和0.035 m/m（表3）。回归方程中的截距均＜0.200,其中＞0.100的次数为2次,占总模拟次数的13.3%；相对误差均＜14%,其中＞10%的有2次,占总模拟次数的13.3%（表3）。1986年中的0.5～1.0 m土层、1987年的0.5～1.0、1.0～1.5 m 土层,1988年的0～0.1、1.0～1.5和1.5～2.0 m土层的12个月平均土壤湿度模拟值比观测值略小。干旱年型（1986年）和超湿润年型（1988年）1.0～2.0 m的相关系数和RMSE值均高于正常年型（1987年）。

1986年0～0.5 m土层受降水的影响在6月土壤湿度出现了一个小的峰值,1.0～2.0 m土层土壤湿度受苜蓿消耗的影响呈现逐渐下降的趋势；1987年0～0.1 m土层受降水的影响在5-10月呈现波动性上升趋势,0.5～2.0 m土层土壤湿度呈现逐渐下降的趋势；1988年0～2.0 m土层土壤湿度在5-7月出现一个低谷时期（图1）。

2.1.2苜蓿草地土壤湿度剖面分布 在1986年1月-1989年4月,0～2.0 m土层土壤湿度观测值和模拟值间的相关系数＞0.65的次数为28次,占总测定次数的70%,相关系数＜0.50的次数为6次,占总数的15%。在40次数据剖面比较中（图2）,显著相关的次数为35次,占总数的87.5%,不显著相关的次数为5次,占总数的12.5%。

1986（干旱年型）、1987（正常年型）和 1988年（超湿润年型）土壤湿度模拟值和观测值相关系数达到显著相关的次数分别为7次、8次和10次。1986、1987和1988年0～2.0 m土层土壤湿度模拟值和观测值的RMSE值平均值分别为0.032、0.023和0.035 m/m,1987年模拟值和观测值达到显著相关的次数少于1988年,RMSE值低于1986和1988年,模型对正常年型（1987年）的模拟效果好于干旱年型（1986年）和超湿润年型（1988年）。

表3 不同降水年型1-12月苜蓿草地0～2.0 m土层土壤湿度比较

图1 不同降水年型苜蓿草地不同土层逐月土壤湿度模拟值和观测值变化动态

2.2 马铃薯田土壤湿度模拟精度

2.2.1马铃薯田土壤湿度变化动态 1990年3月20日-8月20日马铃薯田0～2.0 m土层土壤湿度观测平均值为0.256 m/m,模拟平均值为0.246 m/m,其相关系数平均为0.790,RMSE值平均为0.023 m/m（表4）。土壤湿度模拟值总体上略低于观测值,但二者间差异不显著（P＞0.05）,且其变化趋势一致（图 3）。在1990年5月20日的1.5～2.0 m土层模拟值和观测值差异显著（P＜0.05）,相应的值分别为 0.192和 0.236 m/m,对气象数据分析发现1990年4月下旬-5月中旬长武降水量较正常年份增加了30.3 mm。

2.2.2马铃薯田土壤湿度剖面分布 在11次马铃薯田土壤湿度剖面分布（图4）的比较中,土壤湿度观测值和模拟值均为正相关,且均达到显著水平（P＜0.05）。土壤湿度模拟值和观测值相关系数在 9月24日为 0.91,达到了极显著水平（P＜0.01）；在10月5日为0.65,达到显著水平（P＜0.05）；其他日期（9次）的相关系数均介于0.75～0.90,且均达到了极显著水平（P＜0.01）。除8月5日模拟值略高于观测值外,5月5日和7月5日的模拟值均略低于观测值。

图2 不同降水年型不同季节苜蓿草地土壤湿度剖面分布模拟值和观测值比较

图3 马铃薯田不同土层不同季节土壤湿度模拟值和观测值变化动态

表4 马铃薯田不同土层土壤湿度模拟值和观测值比较

2.3 冬小麦田土壤湿度模拟精度

2.3.1冬小麦田土壤湿度变化动态 在1990年9月-1993年8月,冬小麦田0～2.0 m土层土壤湿度观测平均值和模拟平均值分别为0.176和0.204 m/m,相关系数平均为0.973,RMSE平均值为0.011 m/m（表 5）。在 1990年 9月-1991年7月和1992年10月-1993年7月,冬小麦田土壤湿度模拟值和观测值均表现为趋势性降低；在1991年7月-1992年6月和1992年6月-1992年10月,冬小麦田土壤湿度模拟值和观测值均表现为趋势性恢复,模拟值和观测值波动趋势基本一致（图5）。

图4 马铃薯田土壤湿度剖面分布模拟值和观测值比较

表5 1990-1993年冬小麦田不同土层土壤湿度模拟值和观测值比较

图5 小麦田不同土层土壤湿度模拟值和观测值变化动态

2.3.2冬小麦田土壤湿度剖面分布 在1990年9月-1993年8月的6次土壤湿度剖面分布的比较中,只有1991年9月28日的0～2.0 m 土层土壤湿度观测值和模拟值相关系数低于0.60,占总次数的16.7%；其他5次均高于0.70,为显著相关（P＜0.05）,占总模拟次数的83.3%。在6次比较中,RMSE值均低于0.02 m/m,相对误差平均值为1.3%。各土层土壤湿度模拟值和观测值的剖面分布规律基本一致（图6）。

图6 小麦田土壤湿度剖面分布模拟值和观测值比较

3 讨论

3.1 关于模型的主要数据库和参数在建立作物数据库、土壤数据库和气象数据库的过程中,相应的List数据和Data数据必须严格的对应一致。其中气象数据库中的站点信息如气象站名称和经纬度等必须具有唯一性,否则模型将会因检索不到气象数据而出现不能运行的现象。在SOIL_DATA文件中soil depth（土壤数据库中的一个土壤参数）的数值是指从地表到该土层底部的深度,不是该土层的厚度,许多模型应用者因为对这个参数的错误理解,导致了模型不能正确运行。在作物参数数据库中（crops）常会因为DLAP1、DLAP2、RLAD 和 DMLA 的设置不合理而出现作物生长过慢或者过快的现象。模型中的DLAP1、DLAP2 为两段函数,即 DLAP1、DLAP2在图7中的值分别为10.10和60.96,DMLA为作物生育期中的最大潜在叶面积指数（图7中的点C）,RLAD描述了作物后期叶面积指数下降的特征,即D点到E点的曲线特征,不同的值对应着不同的下降曲线（图7中的曲线M、L、K）。

图7 EPIC模型中影响作物S形生长曲线的重要参数

3.2 关于模拟结果苜蓿地、马铃薯田和冬小麦田土壤湿度模拟值和观测值间的平均RRMSE值（RRMSE=RMSE/观测值）分别为 0.145、0.090和0.063（表3、4和5）,表明模型对马铃薯地土壤水分的模拟精度最高。图1的1986年11月、图3的1990年6月20日和图5的1991年6月土壤湿度观测值的上层和下层间差异较明显,而模型的模拟值没能反映出这种差异。通过对逐月降水量的分析发现,1986年11月,1990年6月,1991年6月的月降水量都较同期平均降水量偏低；图1的1988年9月、图3的1990年8月20日和图5的1993年6月的土壤湿度模拟值和观测值几乎相等,这些月份的月降水量均与同期平均降水量接近或者略有偏高。因此,模型在较干旱的月份对土壤湿度的模拟会出现一定的偏差。苜蓿草地土壤湿度的RRMSE值在1986（干旱年型）、1987（正常年型）和1988（超湿润年型）年分别为0.147、0.131和0.156（表3）,表明模型在正常年型对苜蓿地土壤湿度的模拟精度高于在干旱年型和超湿润年型。综上所述,模型在黄土高原地区对土壤水分的模拟精度受降水量的影响,在正常年型中的模拟精度最高,在干旱年型和超湿润年型的模拟精度偏低。这与Roloff等[11]的研究结果相似,他们认为模型在正常年型对春小麦产量的模拟精度高于在干旱年型。

模型中的土壤物理结构、土壤导水率、降水量、作物根系分布等都会影响模型对土壤湿度的模拟精度。有些影响因素如逐日降水量、土壤的沙粒含量、粉粒含量和粘粒含量等数据很容易从试验中得到,有些影响因素如作物的根深、RLAD、深层土壤的饱和导水率等通过试验难以获得。在建立模型的过程中首先保证了容易获得的参数严格符合实际,对于通过试验难以获得的参数值则根据相关研究文献查到相应的数值范围,在合理的范围内根据模拟结果采用反馈法对模型参数进行修订。因此,本研究的模拟结果仍然存在不足之处,虽然各个土层土壤湿度模拟值的变化趋势和观测值相一致,但并不是每个月的土壤水分都和观测值相等或相近。今后通过试验的方法获得更深土层的土壤数据和作物根系分布数据,建立更合理的土壤数据库和作物根系分布方程将会进一步提高模型对土壤湿度的模拟精度。

在EPIC模型中最多可建立的土层数为10层。由于土层数的限制,本研究建立的数据仅为6.0 m。从作物对土壤水分的最大利用深度来考虑,6.0 m深的土层能够满足模拟冬小麦和马铃薯田土壤水分的需要。有研究表明,苜蓿对土壤水分的最大利用深度可以达到10 m[21],因此本研究所建立的土壤数据库,不能完全满足模拟苜蓿地土壤湿度的需要。如果按照10 m深度建立土壤数据库则会因土壤剖层厚度过大,而使模拟精度降低。因此,扩大模型中土层数或许会提高模型对苜蓿草地土壤湿度的模拟精度。

4 结论

EPIC模型能够较好模拟苜蓿草地、马铃薯田和冬小麦田土壤水分的动态变化规律。模型在正常年型（1987年）对苜蓿草地0～2.0 m土层土壤湿度的模拟精度高于干旱年型（1986年）和超湿润年型（1988年）；模型对马铃薯地和冬小麦田土壤水分的模拟精度高于对苜蓿草地土壤水分的模拟精度,增加模型中土壤的土层数,建立合理作物根系分布方程,将有利于提高模型对苜蓿等深根系作物土壤湿度的模拟精度。

[1]Williams J R,Jones C A,Kiniry J R,etal.The EPIC crop growth model[J].Transactions of the ASAE,1989,32（2）:475-511.

[2]Williams J R,Dyke P T,Fuchs W W,et al.EPICErosion/Productivity ImpactCalculator:2.User Manual[M].USDA Agriculture Technical Bulletin No.1768,1990:127.

[3]Texas A&M Blackland Research Center.Researcher's Guide to WinEPIC,Version 1.0.BRC.report No.0406[R].Texas:Texas A&M Blackland Research Center,2004.

[4]Reyes M,Raczkowski C W,Gayle G A,et al.Comparing the soil loss predictions of GLEAMS,RUSLE,EPIC,and WEPP[J].T ransactions of the ASAE,2004,47（2）:489-493.

[5]Bhuyan S P,Kalita K,Janssen K A,et al.Soil loss predictions with three erosion simulation models[J].Environmettal Modelling&Software,2002,17（2）:135-144.

[6]Williams J R,Jones C A,Dyke P T.A modeling approach to determining the relationship between erosion and soil productivity[J].Transactions of the ASAE,1984,27（1）:129-144.

[7]Jones C A,Dyke P T,Williams J R,et al.EPIC:An operational model for evaluation of agricultural sustainability[J].Agricutural Systems,1991,37:341-350.

[8]Williams J R.The EPIC model[A].In:Singh V P.Computer Models of Watershed Hydrology[C].Highlands Ranch,Colorado:Water Resources Publications,1995:909-1000.

[9]Renard K G.Predicting Soil Erosion by Water:A Guide to Conservation Planning with the Revised Universal Loss Soil Equation（RUSLE）[M].Washington,DC:U.S.Department of Agriculture,Agricultural Research Service,1997.

[10]Purveen H,Izaurralde R C,Chanasyk D S,et al.E-valuation of EPIC's snowmelt and water erosion sub models using data from the Peace River Region of Alberta[J].Canadian Journal of Soil Science,1997,77:41-50.

[11]Roloff G,de Jong R,Zentner R P,et al.Estimating spring wheat yield variability with EPIC[J].Canadian Journal ofPlant Science,1998,78（3）:541-549.

[12]Williams J R,Arnold J G,Srinivasan R.The APEX Model[R].Texas A&M University:BRC Report No.00-06.Texas Agric.Expt.Station,Texas Agric.Exten.Service,2000.

[13]王宗明,梁银丽.应用EPIC模型计算黄土塬区作物生产潜力的初步尝试[J].自然资源学报,2002,17（4）:481-487.

[14]李军,邵明安,张兴昌.黄土高原地区 EPIC模型数据库组建[J].西北农林科技大学学报（自然科学版）,2004,32（8）:21-26.

[15]李军,邵明安,张兴昌.黄土高原旱塬地冬小麦水分生产潜力与土壤水分动态的模拟研究[J].自然资源学报,2004,19（6）:738-746.

[16]王学春,李军,郝明德.施肥水平对长武旱塬地冬小麦产量影响的模拟[J].农业工程学报,2008,24（8）:45-50.

[17]陈兵,李军,李小芳.黄土高原南部旱塬地苜蓿水分生产潜力模拟研究[J].干旱地区农业研究,2006,24（3）:31-35.

[18]春亮,杨桂霞,辛晓平,等.利用 EPIC模型模拟北京春播紫花苜蓿的当年生长[J].华北农学报,2007,22（增刊）:163-166.

[19]全国土壤普查办公室.中国土种志（第五卷）[M].北京:中国农业出版社,1995:244-254.

[20]陕西省土壤普查办公室.陕西土壤[M].北京:科学出版社,1992.

[21]郭正刚,刘慧霞,王彦荣.刈割对紫花苜蓿根系生长影响的初步分析[J].西北植物学报,2004,24（2）:215-22.

[22]山仑,徐炳成.黄土高原半干旱地区建设稳定人工草地的探讨[J].草业学报,2009,18（2）:1-2.

[23]刘沛松,贾志宽,李军,等.宁南旱区草粮轮作系统中紫花苜蓿适宜利用年限研究[J].草业学报,2008,17（3）:31-39.

[24]郭胜利,党廷辉,郝明德.施肥对半干旱区小麦产量、NO3-N累积和水分平衡的影响[J].中国农业科学,2005,38（4）:754-760.

[25]徐炳成,山仑.苜蓿和沙打旺苗期需水及其根冠比[J].草地学报,2003,11（1）:78-82.

[26]王爱华,黄冲平.马铃薯生育期进程的计算机模拟模型研究[J].中国马铃薯,2003（2）:74-78.