陕西关中冬油菜生长发育不同模型模拟精度研究

毛 鑫 杨建利 朱晓华 何 川 冯 浩 何建强

(1.陕西省杂交油菜研究中心， 陕西杨凌 712100；2.西北农林科技大学旱区农业水土工程教育部重点实验室， 陕西杨凌 712100；3.西北农林科技大学中国旱区节水农业研究院， 陕西杨凌 712100；4.中国科学院水利部水土保持研究所黄土高原土壤侵蚀与旱地农业国家重点实验室， 陕西杨凌 712100)

0 引言

作物生长模型是基于计算机语言对作物生理生态过程机理性再呈现的技术[1-2]，在农业生产和管理决策方面扮演着重要角色[3-4]。目前模型大多以气象要素为驱动，对土壤-植物-大气生态系统中包括水分运移、作物生长等过程进行模拟[5]。虽然作物模型都能够模拟不同环境和管理下不同作物的生长发育，但是各个模型都有自己的优势和局限性[6]。油菜作为我国重要的油料作物之一，种植面积已达7.30×106hm2，位居世界第二[7]。油菜种植面积虽然较大，但产量一直不高，通过优化种植管理方式提高产量是最直接的方法[8-10]。传统大田试验耗时耗力且局限性多，将田间试验和作物模型结合的方法受到了广泛关注[3-4]。

当前主要的油菜生长模型有CROPGRO-Canola[11]模型、APSIM-Canola[12]模型、STICS-Rapeseed[13]模型、AquaCrop-Canola[14]模型等，利用模型模拟油菜生长发育的研究也取得了一定的成果[15-19]。JING等[20]用加拿大东部地区种植的不同施氮处理的春油菜进行试验，对CSM-CROPGRO-Canola进行调参评价，证实模型能够较好地模拟春油菜的生长发育和土壤水分变化情况。HE等[21]利用APSIM-Canola模型对我国长江流域的冬油菜和内蒙古、甘肃两地的春油菜进行调参模拟，发现APSIM模型能够较好地模拟油菜的叶面积变化、生物量以及产量，并且模型在模拟油菜物候期方面有一定的优势。MOUSAVIZADEH等[22]利用AquaCrop模型对半干旱地区不同灌溉处理的油菜生长进行模拟，发现模型能够较好模拟产量和生物量，但在一定胁迫的情况下模拟结果存在较大误差。以上研究均用某个模型对某一地区油菜生长和发育的情况作出评价，但是对于西北干旱且灌溉条件不良地区，作物生长模型能否较好地模拟冬油菜的生长发育，以及最适于模拟该地区油菜生长发育的模型尚未可知。

本研究选取包含油菜模块且较为主流的STICS、DSSAT和APSIM 3种作物模型，对连续6季(2009年9月—2015年5月)的冬油菜非充分灌溉试验进行模拟，旨在从油菜生长发育的物候期和产量等数据对3个模型模拟精度进行对比，从中优选出最适宜模拟本地区冬油菜生长发育的作物模型，为作物模型在该地区农业生产上的应用提供理论指导。

1 材料与方法

1.1 田间试验

试验于2009—2015年在陕西省杂交油菜研究中心大荔试验站(34°54′N，109°54′E，海拔369 m)进行。该区年平均气温14.4℃，降水量514 mm，无霜期214 d，属暖温带半干旱大陆性季风气候区，降水明显呈现季节性。由于降水年内分布不均，容易形成季节性干旱。农田土壤类型为塿土，土壤pH值7.6～8.0，有机质质量分数1.11%。

选择甘蓝型油菜品种“秦优7号”，分别于2009年9月18日、2010年9月22日、2011年9月26日、2012年9月18日、2013年9月20日和2014年9月24日播种，播种方式为人工开沟直播，播种深度约为3 cm，播种密度2009年为1.5×104株/hm2，2010—2012年为2.3×104株/hm2，2013—2014年为3.8×104株/hm2，分别于2010年6月2日、2011年5月28日、2012年5月29日、2013年5月21日、2014年5月29日和2015年5月28日收获。由于2010—2013年播种时土壤墒情不佳，为保证出苗和苗期生长，分别在2010年9月21日、2012年9月24日和2013年9月19日进行灌水，灌水量为30 mm。由于各年抽薹期会发生严重干旱，因此在该时期采用漫灌的方式进行灌水，灌水量为110 mm。各年播前施入N 110 kg/hm2和P2O560 kg/hm2作为基肥；随春灌再追肥N 52 kg/hm2。试验小区长8.34 m，宽2.4 m，小区面积约20 m2，试验小区设置3个重复，相邻年份在相邻地块进行，以消除由于收获时籽粒残留造成的影响。

1.2 模型简介

本研究选取的STICS、DSSAT和APSIM模型都是以日为步长，能够对包括植物生长发育、土壤水分溶质运移等进行机理性模拟，但模型内部过程量化存在一定差异。

STICS(Simulateur multidisciplinaire pour les cultures standard)模型是通过逐日气象数据驱动的土壤作物生态机理性模型，对多种作物均有较好模拟[13]。模型对于作物生长的模拟按照 “确定性作物”和“不确定性作物”进行[23]。STICS-Rapeseed模拟油菜潜在腾发量与气候条件和作物生长相关。气候方面根据所拥有的气象数据类型选择不同的计算方法，目前模型提供有Penman-Monteith[24]、Shuttleworth-Wallace[25]和Priestley-Taylor[26]3种计算方法；作物方面是与叶面积指数相关的函数。模型对土壤中水分变化情况的模拟按照土壤-根系系统的供给和土壤-叶片系统的需求平衡原理[23]，根据“翻桶式”(Tipping bucket)方法[27]对每1 cm土层进行模拟，之后再划分到各个土层设置的不同深度。

DSSAT(Decision support system for agrotechnology transfer)模型包括土壤、气象、管理以及作物品种等模块，目前能够模拟谷物类、豆科等20多种作物[28]。CROPGR-Canola模型模拟油菜生长通过辐射有效利用系数计算转换的干物质量，与叶面积指数、密度和行距相关。土壤水分根据RITCHIE[29]提出的水量平衡模拟，模型模拟逐日土壤水分平衡采用一维“翻桶式”方法[27]，可以模拟各个土层水分流动的根系吸水情况。水分胁迫的计算就是比较潜在根系吸水和潜在蒸腾的大小关系[30]，其中潜在蒸发蒸腾量根据Priestley-Taylor[26]和FAO56 Penman-Monteith[24]两种方法计算，潜在根系吸水是根系深度、根长密度、根系分布和当前土壤含水率的函数。

APSIM(Agricultural production system simulator)模型用于模拟旱作农业系统中各个组分的机理模型[31]。APSIM将各种不同的作物模型耦合到一个平台，界面友好，目前能够模拟包括小麦、玉米、棉花、油菜、豆类作物以及杂草等多种作物[32]。APSIM-Canola模型以温度、光周期、太阳辐射、土壤水分和氮素供给为驱动，对油菜生长发育、产量形成以及氮素累积进行模拟[12]。模型根据水量平衡能够模拟土壤水分下渗、运移、蒸发、径流等一系列过程[33]，模拟水分和溶质运移时提供两个方法：“翻桶式”方法[27]和利用Richard方程的数值求解方法[34]。在水分胁迫方面共有4个水分胁迫因子对作物的不同生长阶段造成影响，包括光合作用、物候、叶片伸展和氮素固定。

1.3 数据获取

模型输入的气象数据由陕西省大荔县气象站提供，包括逐日最高气温、逐日最低气温、太阳辐射、降雨量、风速等。其中，逐日太阳辐射量根据Angstrom经验公式计算[35]

式中Rs——太阳总辐射，MJ/m2

Rmax——天文辐射，MJ/m2

as、bs——与大气状况相关的经验系数，取0.25、0.50

n——日照时长，h

N——最大时长，h

土壤相关数据均为田间实测数据。选取的土壤剖面深度为100 cm，每20 cm采样一次，采用高速离心法测定各层土壤凋萎含水率、田间持水率和饱和含水率等参数，利用TopSizer激光粒度分析仪测定土壤颗粒级配(表1)。

表1 试验区土壤性质Tab.1 Soil properties of experimental plots

开花期和成熟期是指全区50%以上植株开花或成熟的日期。油菜黄熟期时，避开边行，每个小区选取连续正常生长且长势均匀的10株进行产量和千粒质量的测定，其中千粒质量的测定是在晒干(阳光下晾晒至含水率不高于10%)的纯净种子内，利用四分法取样3份，计数1 000粒并分别称量，取3个样本的平均值，单位为g；产量测定是各个小区内所有植株产量晒干称量，单位折算为kg/hm2，取3个小区的平均值。

1.4 模型的校正与验证

模拟精度评价指标采用模拟值与实测值之间的绝对相对误差RARE(Absolute relative error，ARE)，它能够度量模拟值与实测值之间的相对差异程度，同时因为属于无量纲统计量，因此可以在不同变量之间进行比较[36-37]。RARE越小表明模型模拟精度越高。

本研究各个模型中田间管理方案设置一致，土壤和气象相关数据根据不同模型需要进行输入，由于试验安排等原因对部分指标未进行测定而模型中需要输入的，根据相关文献或模型默认值设定。同时模型校正通常选择水肥条件较好的处理进行，因此本研究选取降水量较为充沛的2009—2010年度和2013—2014年度冬油菜物候期和产量数据进行模型校正，其余年份相关数据进行模型验证。为保证不同模型间验证精度的可靠性，模型校正精度RARE控制在5%之内(表2)。由于3个模型之间参数较多且设定有所不同，因此仅呈现对模型默认值改动的参数(表3)。

表2 STICS、DSSAT和APSIM模型校正总体结果Tab.2 General results of calibration of STICS, DSSAT and APSIM models %

表3 STICS、DSSAT和APSIM模型相关参数估计值Tab.3 Estimated values of relative parameters in STICS, DSSAT and APSIM models

2 结果与分析

2.1 不同模型物候期模拟比较

3个模型对冬油菜物候期的模拟结果较为理想(图1)。对于开花期，DSSAT模型模拟值密集分布在1∶1线两侧，模拟精度最高，平均RARE为0.60%，STICS模型模拟结果次之，平均RARE为0.68%，而APSIM模型模拟点大多位于1∶1线以下，即模拟值低于实测值，平均RARE为1.23%。成熟期方面，STICS模型模拟结果优于其他两模型，平均RARE为0.47%，DSSAT模型模拟效果居中，平均RARE为2.04%，其中在2011—2012年和2012—2013年模拟值低估10 d以上，这可能是由于两年生育期内降水处于较低水平，干旱胁迫缩短生育期，而模型内部对此过程存在高估造成的。APSIM模型模拟值存在高估现象，平均RARE为2.51%。总体而言，STICS模型对物候期的模拟稳定性最高且模拟效果最优。

图1 不同模型对物候期的模拟Fig.1 Simulated phenology dates with different models

2.2 不同模型产量和千粒质量模拟比较

对千粒质量和产量进行分析对比(表4、5)，结果表明，千粒质量方面，STICS模型模拟效果最优，平均RARE为7.53%，而DSSAT模型模拟结果相对较差，平均RARE为23.17%(APSIM-Canola模型中没有籽粒质量的输出项，因此未对其做考虑)。其中，在2011—2012、2012—2013年度，DSSAT模型对千粒质量的模拟严重低估，其RARE分别为62.96%和42.85%，而STICS模型模拟效果较好。产量方面，STICS模型模拟结果最优，平均RARE为4.24%，其次为APSIM模型，平均RARE为15.70%，DSSAT模型模拟效果较差，平均RARE为19.70%。其中，DSSAT模型在2011—2012、2012—2013年度的产量模拟相差较大，这可能是模型中关于干旱胁迫缩短物候期导致提前成熟的过程存在高估，模拟灌浆时间缩短造成的，APSIM模型存在相似的结果。在2012—2013年度，3个模型的模拟结果均较差，平均RARE分别为18.62%、40.64%和45.92%。由千粒质量和产量模拟结果看出，在2012—2013年度，STICS模型对产量的低估很有可能是由于低估籽粒数造成的，而DSSAT模型对产量的低估很大原因是由于籽粒灌浆受到影响，粒质量低估造成的。总体而言，STICS模型在产量和千粒质量方面的模拟效果最优。

表4 不同模型对千粒质量的模拟Tab.4 Simulation result of 1000-kernel weight with different models

表5 不同模型对产量的模拟Tab.5 Simulation result of yield with different models

2.3 不同模型模拟精度比较

总体来说，STICS模型在物候期和产量方面模拟精度最高，平均RARE为3.24%， APSIM次之，平均RARE为8.79%，DSSAT最差，平均RARE为11.38%。DSSAT模型在物候期方面的模拟精度高于APSIM，两者RARE分别为1.32%和1.87%，但在产量方面的模拟精度低于APSIM，两者RARE分别为21.44%和15.70%(表6)。

表6 不同模型模拟精度比较Tab.6 Comparison of simulation accuracies of different models %

注：产量相关指标模拟精度为产量和千粒质量模拟精度的均值。

2.4 不同模型土壤含水率与腾发量模拟比较

图2 2012—2013年土壤含水率动态变化模拟Fig.2 Simulated dynamic changes of soil moisture content in 2012—2013 season

油菜侧根发达，且密集分布在20 cm左右土壤层，基于以上结果，对3个模型模拟2012—2013年度浅层0～20 cm土壤含水率和20～100 cm土壤含水率进行对比分析(图2)。结果表明，3个模型都能够对降雨和灌溉对土壤水分的影响有较好的反映。抽薹期之前，土壤含水率的变化由土壤蒸发主导，DSSAT模型模拟含水率大多时段相对其他两个模型较低，而在抽薹期之后，土壤含水率的变化主要由作物蒸腾作用主导，APSIM模型模拟含水率明显低于其他两个模型，STICS模型模拟的土壤含水率大多时段都高于DSSAT和APSIM模型(图2a)。表明DSSAT模型对土壤蒸发的模拟高于其他两模型，而APSIM对植物蒸腾的模拟高于其他两模型。STICS模型和APSIM模型对20～100 cm的土壤含水率模拟结果趋势相同， STICS模型模拟值略高于APSIM，DSSAT模型模拟值在越冬期前高于STICS和APSIM模型模拟值，但进入越冬期之后，其模拟值低于两者(图2b)。

同时对DSSAT模型模拟2012—2013年、2013—2014年两年的0～20 cm和20～100 cm土层土壤含水率进行对比分析，在生育期的绝大多数时段，2013—2014年对0～20 cm土壤含水率模拟值均高于2012—2013年(图3a)，对于20～100 cm土层土壤含水率的模拟，在花期之前2012—2013年的模拟值高于2013—2014年，花期之后2013—2014年的模拟值高于2012—2013年(图3b)。因此认为2012—2013年产量方面模拟值偏低可能是由于浅层土壤含水率偏低造成的。

图3 DSSAT模型对2012—2013年、2013—2014年土壤 含水率变化模拟Fig.3 Simulated dynamic changes of soil moisture content with DSSAT model in 2012—2013 and 2013—2014 seasons

对3个模型模拟油菜生育期内的腾发量进行对比分析(图4)。播种后20 d内，腾发量相对较高，这是由于此阶段油菜刚出苗，且温度较高，腾发量主要由土壤蒸发造成，本阶段STICS模型模拟值低于其他两个模型。而在播种后20～160 d，也就是油菜苗期阶段，腾发量相对于其他阶段都比较低，这是由于进入越冬期，温度较低，太阳辐射强度较弱，因此土壤蒸发和作物蒸腾作用都相对较弱。本阶段DSSAT模型模拟腾发量高于其他两个模型，这与DSSAT模型模拟当年0～20 cm土壤含水率较低相对应。抽薹期后，腾发量迅速升高，这是由于温度回升，油菜迅速生长，植株增高、叶面积变大，此阶段的腾发量主要由作物蒸腾贡献。本阶段前期APSIM模型模拟值明显高于其他两个模型，而STICS模拟的腾发量峰值晚于其他两个模型。

图4 2012—2013年腾发量动态变化模拟Fig.4 Simulated dynamic changes of evapotranspiration in 2012—2013 season

3 讨论

尽管STICS、DSSAT、APSIM模型内部过程和作物参数设置存在一定差异，但根据前人研究，模型对油菜物候期和产量都有很好的模拟效果[38-40]。在本研究中，STICS、DSSAT和APSIM对6年试验中油菜物候期和产量相关指标都有较好的模拟(平均RARE分别为3.24%、11.38%和8.79%)，其中STICS模型对物候期和产量相关指标的模拟均为最优，RARE分别为0.58%和5.89%，DSSAT和APSIM模型模拟结果稍差，但对物候期和产量相关指标的RARE都分别小于5%和25%。然而对于2012—2013年的模拟结果，3个模型均存在低估(RARE分别为18.62%、45.92%和40.64%)。2012—2013年生育期内降水低于其余年份，千粒质量也低于其他年份，但当年产量观测值却高于其他年份。试验记录当年花期平均气温比历年同期偏高0.4℃，日照时长比历年同期偏多36.6 h，对油菜花蕾分化以及开花授粉十分有利，同时对油菜籽粒建成起到促进作用[41]，从而导致籽粒数多，千粒质量低，总产量高的情况，而模型可能对这一过程缺少描述或过程描述不完善。

在2012—2013年，DSSAT模型对花期有很好的模拟，但模拟成熟期少了11 d，即灌浆期比实际少11 d，以致于当年产量和千粒质量模拟效果很差(RARE分别为45.92%和42.85%)。从气象数据来看，当年生育期内降水明显低于其他年份，且大多降雨小于10 mm，从3个模型对0～20 cm层土壤含水率模拟情况来看，DSSAT模型模拟值在花期之前都处于较低水平，因此当年可能存在水分胁迫现象。干旱能够加快作物生育期进程导致作物提前成熟[42-43]，姚宁等[44]利用DSSAT模型对水分胁迫下的冬小麦进行研究，发现前期受旱处理的模拟误差大于后期受旱处理。因此推测DSSAT模型在模拟干旱加快生育进程的影响方面存在高估。APSIM模型模拟当年作物腾发量时，在播后166～172 d突然变大，远远大于其他两模型，且该时段腾发量主要由作物蒸腾作用影响。这可能是由于该时期为抽薹期，气温回升，油菜生长迅速，叶面积急速增加，作物蒸腾作用加剧，而模型对此阶段的模拟存在高估所导致的。

本研究中不同模型校正时虽然保证校正精度RARE均在5%以内，以减少不同模型验证的对比误差，但是不同模型之间结构的不确定性和参数定义的不确定性导致的误差无法避免，因此关于不同模型之间的不确定性问题有待进一步研究和量化。

本研究利用3个模型对连续6年油菜生长实测数据模拟，从数据方面优选出最适宜本地区油菜生长模拟的模型，同时为作物生长模型在本地区的油菜生产应用提供了基础和方向，促进了模型在我国农业生产研究的应用。但对于某些年份模型模拟精度较低的原因以及对应的模型优化改进仍需要进一步研究。

4 结束语

利用STICS、DSSAT和APSIM 3个模型对我国西北灌溉条件不良地区连续6年的冬油菜生长发育情况进行模拟对比，结果表明，3个模型模拟物候期的RARE分别为0.58%、1.32%和1.87%，产量相关指标的RARE分别为5.89%、21.44%和15.70%，综合所有指标，3个模型的平均RARE分别为3.24%、11.38%和8.79%。STICS模型为物候期和产量模拟的最优模型，是3个模型中最适合该地区冬油菜生长模拟的作物模型。