地形对漫川漫岗黑土区大豆产量的影响

侯淑涛，崔 杨，孟令华，武丹茜，钱 蕾，鲍依临，叶 强，刘焕军,

地形对漫川漫岗黑土区大豆产量的影响

侯淑涛1，崔 杨1，孟令华2，武丹茜1，钱 蕾1，鲍依临1，叶 强1，刘焕军1,2※

（1. 东北农业大学公共管理与法学院，哈尔滨 150030； 2. 中国科学院东北地理与农业生态研究所，长春 130012）

为研究黑土区田块尺度地形对大豆产量造成的影响，在海伦东兴合作社具有明显地形起伏的地块，采集大豆田间试验数据，考虑温度、太阳辐射、坡度、土壤养分等因素，运用作物生长模型DSSAT（Decision Support System for Agrotechnology Transfer）模型对各样点进行参数率定及验证，得出以下结论：1）DSSAT模型的模拟产量与实际产量的相对均方根误差为7.9%，模拟结果表现为优，表明运用作物模型模拟不同地形上的产量变异具有可行性；2）地形通过影响作物生长环境因子的时空差异决定产量差异，田块尺度温度、水分和坡度是影响产量差异的主要因素；3）坡顶和坡底的产量相对较高，且产量变异性较小，阳坡虽然接收到更多的光照，却由于水分胁迫造成减产，坡底和平缓坡顶水肥保持较好，易获得高产。研究成果为田间精细管理与田块尺度耕地高效利用提供科学依据。

地形；温度；坡度；DSSAT模型；黑土区；大豆；产量

0 引 言

作物生长过程是涉及品种、土壤、地形、气候、管理方式等众多因素的复杂系统过程。作物产量的空间变异性成因分析一直是农业生产研究中的热点问题[1]，农田的地形特征是其形成作物产量变异的重要因素之一[2]。地形能够通过影响土壤水热分布状况和养分分布，对作物生产力造成直接或间接的影响。针对黑土区由地形造成的作物产量差异这一问题已经取得一些成果，但大部分都是采用的传统田间试验方法，这种方法在实际应用中会受到较多人为因素或天气因素的干扰，费时费力，普适性较低。

作物生长模型能够在单点尺度上依靠模型内部的物理过程和动力学机制，以特定时间步长进行作物生长发育期间各类参数的动态模拟，可对作物长势及产量变化提供内在机理解释[3]。研究表明，作物生长模型在区域化模拟、农业管理方式优化、产量预测和灾害风险评估等方面的研究日臻成熟[4-6]。模型应用于大尺度范围时，对造成不同地块产量差异的原因分析多侧重于土壤属性[7]和气候[8]的差异上，而在田块尺度和农场尺度的研究中，大多是探究管理措施和栽培品种对产量和作物品质的影响，运用作物生长模型分析地形对产量影响的研究还相对较少。DSSAT（Decision Support System for Agrotechnology Transfer）模型是目前应用最广泛的模型之一，它能够逐日模拟作物生长发育全过程，计算各因素对生长结果的影响，可用于不同的试验对象和目的[9]，DSSAT模型能够较好地模拟作物产量的空间变异性[10]。

本文选取黑土区典型漫川漫岗地块为研究区，将作物生长模型、大田试验和田间调查等方法综合应用于产量差的研究，在对DSSAT模型进行参数本地化的基础上，模拟田块尺度不同地形样点的作物生长发育过程，并对其中差异作出解释，用以探究该地区田块尺度地形等生长环境因素和作物产量的关系，以期为黑土区田块尺度耕地高效利用提供依据。

1 研究区概况及数据来源

1.1 研究区概况

研究区位于黑龙江省绥化市海伦东兴农机合作社，地处中国东北黑土分布区中部，属寒温带大陆性气候，四季分明，全年平均降水量500～600 mm，年活动积温为2 200～2 400 ℃，地处典型黑土区，漫川漫岗。研究区海拔为235～247 m，面积约为10.20 hm2，中心地块经纬度为47°25'24"N、126°55'06"E，降水主要集中在6－9月，降雨量为422 mm，地形起伏明显，阳坡、坡顶、阴坡、坡底等不同地形位置上土壤侵蚀程度不同，田块内部土壤养分、水分空间差异明显，作物长势差异大，相同的管理方式下，田间不同空间位置地上干生物量和产量差异明显[11-12]。

1.2 试验设计

田块尺度定义为同一权属下，连片耕作、统一田间管理方式的地块。从研究的角度，人为因素（种肥药、耕作栽培等）影响可以忽略不计。对于不同的地区、不同生产经营规模，田块尺度可以能从几十公顷到几分地大小不等。选择大豆作为供试作物，采取统一的田间管理方式。在获取研究区高精度地形数据的基础上，选择研究区内地势起伏明显且历年长势差异明显的地块，按照垄向自北向南划定3个断面，兼顾地形特点均匀布设16个采样点（图1），覆盖阳坡、坡顶、阴坡、坡底不同位置，并在对应样点（D1～D4）分别埋设4个土壤温湿度传感器，以观测不同坡面位置土壤温度、湿度的时空差异。监测各样点作物生长期内的作物生长状况及最后产量情况，并从16个采样点中随机选取不同地形特征的7个样点对模型进行调参，其他样点作为验证集，最后结合地形因素进行对比分析。

图1 研究区及样点位置

1.3 数据来源

1.3.1 地形数据

2016年5月27日，使用定位精度为厘米级的海星达iRTK对研究区进行实地测量，得到94个精准坐标和高程点，在ArcGIS中生成TIN图层，进而转成3.38 m空间分辨率的高精度DEM栅格数据（图2a），提取各样点高程、坡度、坡向等地形数据。各样点坡度用来计算DSSAT模型土壤模块中的地表径流曲线数，以模拟降水在地表径流中的分配和渗透[13]。以正北方向为0°，北向顺时针方向以45°为间隔将坡向逐级划分为8类（图2b），根据研究区实际情况划分东南坡和南坡为阳坡，东北坡为阴坡。选取位于各垄线海拔较高处且坡度<1.5°的平缓地块为坡顶，坡脚地形转折处为坡底，以此作为坡位划分依据。阳坡采样点5个，坡顶3个，阴坡5个，坡底3个。

图2 研究区坡向和iRTK采样点分布图

1.3.2 气象数据

假设3 是本文的主要观点。本文通过两步进行验证。在回归模型(1)的基础上，考察金融发展如何影响金融开放与经济增长的关系，同时为了提高本文结论的可信度，另外考察新古典经济理论框架下技术外溢和资本积累因素对金融开放经济增长效益的影响，因此分别加入三个交叉项得到回归模型(2)。

本研究所需要的气象数据自中国气象科学数据共享服务网下载得到，主要包括海伦站2016年逐日最高温、最低温、降水量、日照时数等气象要素数据。DSSAT模型所需的气象输入参数为日总辐射量，而海伦气象站观测数据为日照时数，采用式（1）Angstrom方程[14]所描述的太阳总辐射与日照时数关系，利用气象站获得的日照时数观测数据计算该地区太阳总辐射。

式中为太阳总辐射，MJ/(m2·d)；max为天文辐射；a、b为经验系数（东北地区a为0.193，b为0.537[15]）；为逐日实际日照时数，h；为昼长，h；天文辐射和昼长根据纬度和日序计算。另外，样点范围内埋设的传感器所获取样点生长期内日温度极值，能够作为气象数据的补充。由于地形状况会在很大程度上决定地表热量分布情况[16]，因此有必要分析不同地形下的太阳辐射对作物生长造成的影响。在ArcGIS中根据地形和仰视半球视域范围算法[17]生成种植期间地面接收的潜在太阳辐射总量图，得到不同样点间的太阳辐射比值，结合当地逐日太阳辐射量求得不同样点间的全年逐日太阳辐射量。

1.3.3 田间数据

研究区供试土壤为黑土，土壤数据从中国土壤数据库中获取[18]，作为作物模型土壤模块的驱动数据，年份为2010年。田间管理数据来源于田间试验。研究区于4月20－25日统一施用基肥，由于大豆为固氮作物，自5月10日播种后不再对其进行追肥。为比较经过水肥运移后各样点实际接收的肥量，于6月在各样区未种植作物区域采集土样养分数据，与播种前期采集的土壤数据进行运算，来换算不同样点的实际接收肥料数据。研究区施行顺坡种植方式，南北种植，大垄3行，种植深度4 cm，播种35万株/hm2。逐月获取各样点的叶面积指数（Leaf Area Index，LAI）和地上部生物量、植株元素含量等数据，大豆于10月1日收获，统计各样点的产量结果，测定各样点的籽粒质量、百粒质量、粒数等用于调整品种参数。生物量是监测作物长势的重要指标，单位面积的大豆地上部生物量平均值计算方式如下：

式中W表示第个样区单位面积内大豆地上干生物量，g/m2；（株）为样区内被割取称质量的大豆株数；w表示第个样区单位面积内随机割取的大豆总干质量，g；（株）为样区单位面积内大豆总株数。

1.4 作物生长模型

1.4.1 DSSAT模型

作物生长模型是以作物生长发育过程及群体质量为主要内容，动态、定量地描述作物生理生态的农业数学模型[19]。针对不同研究目的应当选择合适的作物生长模型。DSSAT模型作为世界上应用最广泛的模型之一，可模拟27种作物，且实现了作物模块的独立化，相较APSIM（Agricultural Production Systems Simulator）模型等能更加突出植被的机理化表达[20]。将土壤、气象、栽培管理等参数输入DSSAT模型，能模拟得到作物生长发育、产量形成、氮平衡等一系列结果。

1.4.2 品种参数调试

为验证研究地块产量的空间差异性和地形有关，首先设置该样点的土壤初始条件为单一变量，用率定后的参数对各样点进行模拟，模拟后发现模拟结果与实测值差异较大，且不同样点间差异收敛，样点间的变化趋势不吻合。考虑到该地块田间管理措施一致，地形造成的作物生长环境差异是产生产量空间差异性的唯一变量。而地形引起的环境差异主要包括太阳辐射、温度、土壤养分的流失和沉积。为探究造成田块尺度内部产量差异的原因，分别以各样点内的温度、太阳辐射、地表径流（模型中坡度的表达形式）、土壤水氮含量、施肥、初始土壤条件（包括土壤有机碳、速效磷、可交换钾）为不同条件进行单一变量的模型模拟，统计分析产量模拟结果。用样点产量模拟结果标准差的比值来体现各单一变量对产量变异性的贡献程度。

表1 DSSAT模型输入的大豆品种参数

1.4.3 模型评价

本次研究采用作物生长模型、大田试验和田间取样调查相结合的方法。研究中利用DSSAT模型模拟了试验地块中位于不同地形的样点的产量变化。研究采用2、相对误差（Relative Error，RE）和相对均方根误差（Normalized Root Mean Square Error，nRMSE）作为检验模型模拟值和实测值之间总体差异程度的指标[22]，用来验证作物品种参数的精确度及模型在该地块运用的适宜性程度。一般认为，nRMSE≤10%，为极好；10%＜nRMSE≤20%，为好；20%＜nRMSE≤30%，为中等；nRMSE＞30%为差。RE越接近0，证明模拟值与实测值的一致性越好。

2 结果与分析

2.1 黑土区田块尺度大豆长势与环境因素时空变异特征

根据研究区不同坡位特征，选取具有阳坡、坡顶、阴坡和坡底连续地形变化的采样点，统计不同地形坡位上的采样点的生物量、碱解氮含量、土壤含水率（图3）。由图3a可见，7月中旬不同坡位的生物量均值坡底＞阳坡＞阴坡＞坡顶，8月中旬坡顶的生物量明显提升，而阳坡生物量最低，同时阳坡的土壤碱解氮含量（图3b）和土壤含水率（图3c）也相对较低，说明该时期大豆生长受到更多的水分胁迫，阻碍植株发育。土壤表层（地下0～5 cm土层）含水率随地形变化明显，且不同月份的含水率差异较大，而土壤深层（地下10～15 cm）含水率随时间和空间的变化都较为稳定，作物生长期内不同坡位的含水率变化具有一致性。地形坡度、高程等影响着土壤水肥再分配，大豆生长期内坡底具有明显的水分优势，同时，大豆生长期内坡底的土壤含水率和碱解氮均值皆为各坡位最高值，阳坡均值为最低值，作物生长后期土壤碱解氮含量明显下降。在田间管理措施均一化的田块尺度上，大豆生长期内不同坡位的生物量和土壤含水率、碱解氮含量具有明显差异，说明地形是造成该地区产量差异的重要原因。

图3 大豆生长期内生物量、土壤碱解氮及含水率随地形的变化

2.2 DSSAT模型在田块尺度的适用性

利用气象数据、土壤数据、田间管理参数和率定后的作物品种参数驱动DSSAT模型，获得模型模拟的大豆生长过程数据，输出模型模拟的产量、LAI和地上部生物量进行分析。表2为产量实测值和模拟值的统计特征值，各样点取样实测值为1 495～2 351 kg/hm2，模拟值为1 743～2 256 kg/hm2，产量模拟值均值较实测值高3.87%，产量实测值和模拟值变异系数CV（标准差/均值）分别为0.107和0.056。研究区模拟产量与实际产量的2=0.62，nRMSE为7.9%，小于10.0%，表现为优；LAI的nRMSE为16.2%，地上部生物量的nRMSE为18.7%，均小于20%且大于10%，表现为良好。研究区各样点模型模拟值和实测值RE较小，均小于20%，且RE小于10%的样点数量占总样点总数的75%。

表2 产量模拟值和实测值统计特征值

图4为不同坡位样点的实测产量和模拟产量对比情况，从图4中能够看出，不同样点间实测产量和模拟产量的变化趋势具有一致性，模型模拟结果能够反映不同坡位的产量变化。可见，率定后的DSSAT模型能够模拟本研究区域的大豆产量，可用于不同地形条件对大豆生长的影响研究。

图4 不同样点的实测大豆产量和模拟产量对比

2.3 地形对作物产量的影响分析

用DSSAT模型模拟单一变量的产量结果，用样点间产量标准差的比值来体现不同变量对大豆产量的影响程度，结果表明田块尺度各影响因子对大豆产量影响由大到小为温度、地表径流、太阳辐射、土壤水氮含量或初始土壤条件、施肥（图5）。可见，在田块尺度温度和坡度对产量造成的影响最大。温度增加能够缩短大豆物候期，并对大豆的干物质积累产生影响。而地形坡度决定地表径流，从而影响土壤水肥资源再分配。传感器获取的温度数据显示阳坡与阴坡温度差异最大的时期为6月中下旬，该时期降水频繁，坡面养分汇集到坡底，同时阴坡光热条件较差，抑制大豆生长。

图5 各影响因子造成的产量标准差比值

对样点实测和模拟产量分别进行统计分析（表3），各坡位产量均值由大到小为坡顶、坡底或阴坡、阳坡，而标准差和CV值则正相反，不同坡位的模拟产量结果与实际产量结果的响应一致。模型模拟产量结果总体偏高，同时坡顶的实际产量和模拟产量的标准差和变异系数都偏小，这是由于坡顶较为平缓，坡度较小，水肥保持能力好，有利于作物生长发育。

表3 不同坡位的产量模拟值和实测值统计特征值

2.4 太阳辐射对产量的影响分析

在DSSAT模型中设置太阳辐射为单一变量，用于探究不同地形条件下太阳辐射对作物生长发育造成的影响。通过太阳辐射总量数据（图6）能够得到，不同坡面获得的太阳辐射量阳坡＞坡顶＞阴坡，阳坡光照条件最好。在5、6月，大豆处于出苗、拔节期，研究区地处黑土区，土壤肥沃，此时降水充足，且开花期前需水量较小[23]，该时期大豆生长很少受到水分胁迫，此期间大豆地上部生物量和LAI皆为阳坡均值＞坡顶均值＞阴坡均值＞坡底均值（表4），与太阳辐射量呈正比。7月上旬，大豆进入开花期，开花期前期模型模拟地上部生物量、LAI与太阳辐射皆呈极显著正相关，相关系数最高时分别为0.983（<0.01）（大豆种植后第67天）、0.904（<0.01）（大豆种植后第63天）。大豆进入结荚鼓粒期后，作物需水量增加，该时期温度持续升高，但降水量相对下降，阳坡由太阳辐射造成的干旱胁迫较其他坡位严重，阻碍植株发育，地上部生物量和LAI较低，逐渐失去生长优势。此时坡底水肥条件较好，植株存在贪青晚熟的现象。最终产量情况与8月13日地上部生物量呈极显著正相关，相关系数为0.691（<0.01）。

图6 研究区大豆种植期间太阳辐射总量

表4 不同坡位的生物量均值和叶面积指数均值

3 讨 论

黑土区漫川漫岗，地形起伏明显，空间变异性大，当前关于地形与作物产量的关系研究大多采用传统田间试验的方法，这样的研究方法缺乏对作物生长过程的时空连续性探讨。本文在各坡位划分不同样区进行实地采样，在对作物品种参数调试和校正的基础上，运用DSSAT模型进行各样区的产量模拟结果和产量实测值一致性较好，表明该模型在研究地形对产量的影响方面具有适用性。

研究结果表明，模型对于不同坡位的产量模拟较为准确，但个别样点的模拟结果尚有不足。这是由于作物模型是一个单点尺度的模型，无法模拟连续地形位置的水肥运移，即阴坡和坡底由于水分蒸发较少，会形成水分沉积，而模拟过程未对三维的水分运移加以考虑，加上水分是制约大豆生长的主要因子之一[24]，因此会造成该区域模拟值与实际值有一定差异。

本文研究发现，在田块尺度下温度和坡度对产量造成的影响最大。这是由于地形影响区域内部太阳辐射及水分的空间分布格局，能够营造局部小气候，造成区域内温度差异，温度会影响大豆生育进程，积温增加能够缩短生育日数，并能通过影响大豆生长速度和干物质积累过程造成产量差异[25-27]。但是模型模拟的不同样点开花期和结荚期只有0～2 d的差异，不能完全反映温度对大豆物候期造成的影响。这是由于DSSAT模型在模拟作物物候期时更多的是考虑由温度和光周期等环境因子造成的影响，而对水分胁迫等的次级作用缺乏考虑[28]。而地形坡度越大，降水形成的径流越大，土壤保肥保水能力减弱，容易导致水肥流失，不利于作物生长发育[29-30]。本文结果显示在田块尺度土壤初始条件作为影响因子对大豆产量变异性的贡献度较低，原因是大豆播种前施用了基肥，若没有地形造成的水肥运移，田块内部土壤养分能够基本满足大豆生长需求。另外，本研究是针对黑土区田块尺度平水年的1 a多点试验，对于丰水年、缺水年或其他气候特殊年份是否与本研究结论一致还需要进行进一步研究讨论。本文研究发现，结荚鼓粒期大豆需水量增加，阳坡光照充足、土壤含水率少，会造成减产，而坡底的土壤含水率和碱解氮含量较高，能够满足作物生长需求，因此可以在该时期适当采取灌溉措施以提高大豆产量。

综上，DSSAT模型在模拟不同地形条件下的大豆产量还存在一定的局限性。在下一步研究中，将利用多年遥感影像或Hydrus模型与作物模型进行同化研究，并且加入对水分的考虑，来探究地形造成的连续性的产量变化，以增强其在地形起伏地区的适应性，有利于更精准研究产量随地形的变化。

4 结 论

利用典型黑土区不同地形条件下的大豆田间试验数据，对DSSAT模型进行参数率定及验证，用以模拟不同地形样点内作物的生长发育连续性状况，分析大豆产量对地形的响应。研究得出以下结论：

1）DSSAT模型模拟产量与实际产量的相对均方根误差为7.9%，表明模型能够较为准确地模拟黑土区田块尺度不同地形条件下各样点的产量状况，该模型在研究产量与地形的问题时具有适用性；

2）受地形对水肥的二次分配影响，田块尺度温度和坡度对大豆产量差异性的贡献程度高于土壤初始条件；

3）试验在考虑实际生产过程中的水肥运移规律的基础上，利用DSSAT模型获得连续的作物生长过程数据，较常规小区试验更能准确模拟地块内部产量差异。研究成果可为农田精细化管理与田块尺度耕地高效利用提供科学依据。

[1] 张晓光，黄标，张贝尔，等.盐渍化平原区玉米产量空间变异与地形关系研究[J]. 农业机械学报，2012，43(11)：51-57.

Zhang Xiaoguang, Huang Biao, Zhang Beier,et al. Spatial variability of maize yield and relations to terrain attributesin salinized plain region[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(11): 51-57. (in Chinese with English abstract)

[2] 郑海峰，赵新峰，马岩. 地形和土壤属性对大豆产量的影响[J]. 土壤通报，2008，39(6)：1348-1352.

Zhao Haifeng, Zhao Xinfeng, Ma Yan. Soybean yields related to topography and soil properties[J]. Chinese Journal of Soil Science, 2008, 39(6): 1348-1352. (in Chinese with English abstract)

[3] 黄健熙，黄海，马鸿元，等. 遥感与作物生长模型数据同化应用综述[J]. 农业工程学报，2018，34(21)：144-156.

Huang Jianxi, Huang Hai, Ma Hongyuan, et al. Review on data assimilation of remote sensing and crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 144-156. (in Chinese with English abstract)

[4] 陈小民，崔红，刘志铭，等.作物模型在我国玉米生产中的研究与应用[J]. 玉米科学，2018，26(3)：115-120.

Chen Xiaomin, Cui Hong, Liu Zhiming, et al. Research and application on maize production by crop models in China[J]. Journal of Maize Sciences. 2018, 26(3): 115-120. (in Chinese with English abstract)

[5] 罗毅，郭伟. 作物模型研究与应用中存在的问题[J]. 农业工程学报，2008，24(5)：307-312.

Luo Yi, Guo Wei. Development and problems of crop models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(5): 307-312. (in Chinese with English abstract)

[6] 刘建刚，褚庆全，王光耀，等. 基于 DSSAT 模型的氮肥管理下华北地区冬小麦产量差的模拟[J]. 农业工程学报，2013，29(23)：124-129.

Liu Jiangang, Chu Qingquan, Wang Guangyao, et al. Simulating yield gap of winter wheat in response to nitrogen management in North China Plain based on DSSAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(23): 124-129. (in Chinese with English abstract)

[7] 杨永辉，武继承，丁晋利，等. DSSAT模型对长期保护性耕作与土壤改良措施下玉米生长过程的模拟及验证[J]. 河南农业科学，2017，46(12)：149-158.

Yang Yonghui, Wu Jicheng, Ding Jinli, et al. Simulation and verification of the effects of DSSAT model in maize growth process under long-term conservation tillage and soil improvement measures[J]. Journal of Henan Agricultural Sciences, 2017, 46(12): 149-158. (in Chinese with English abstract)

[8] 文新亚，陈阜. 基于DSSAT模型模拟气候变化对不同品种冬小麦产量潜力的影响[J]. 农业工程学报，2011，27(增刊2)：74-79.

Wen Xinya, Chen Fu. Simulation of climatic change impacts on yield potential of typical wheat varieties based on DSSAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(Supp.2): 74-79. (in Chinese with English abstract)

[9] Liu Hailong, Liu Hongbin, Lei Qiuliang, et al. Using the DSSAT model to simulate wheat yield and soil organic carbon under a wheat-maize cropping system in the north china plain[J]. Journal of Integrative Agriculture, 2017, 16(10): 2300-2307.

[10] Jirí Šimůnek, Genuchten M T V, Miroslav Šejna. Development and applications of the HYDRUS and STANMOD software packages and related codes[J]. Vadose Zone Journal, 2008, 72(9): 587-600.

[11] 刘焕军，潘越，窦欣，等. 黑土区田块尺度土壤有机质含量遥感反演模型[J]. 农业工程学报，2018，34(1)：127-133.

Liu Huanjun, Pan Yue, Dou Xin, et al. Soil organic matter content inversion model with remote sensing image in field scale of blacksoil area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 127-133. (in Chinese with English abstract)

[12] 张新乐，徐梦园，刘焕军，等. 引入地形因子的黑土区大豆干生物量遥感反演模型及验证[J]. 农业工程学报，2017，33(16)：168-173.

Zhang Xinle, Xu Mengyuan, Liu Huanjun, et al. Remote sensing inversion models and validation of aboveground biomass in soybean with introduction of terrain factors in black soil area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(16): 168-173. (in Chinese with English abstract)

[13] Fry J, Guber A K, Ladoni M, et al. The effect of up-scaling soil properties and model parameters on predictive accuracy of DSSAT crop simulation model under variable weather conditions[J]. Geoderma, 2017, 287(287): 105-115.

[14] 童成立，张文菊，汤阳，等. 逐日太阳辐射的模拟计算[J]. 中国农业气象，2005，26(3)：165-169.

Tong Chengli, Zhang Wenju, Tang Yang, et al. Estimation of daily solar radiation in China[J]. Agricultural Meteorology, 2005, 26(3): 165-169. (in Chinese with English abstract)

[15] 朱旭东，何洪林，刘敏，等. 近50年中国光合有效辐射的时空变化特征[J]. 地理学报，2010，65(3)：270-280.

Zhu Xudong, He Honglin, Liu Min, et al. Spatio-temporal variation characteristics of photosynthetically active radiation in China in recent 50 Years[J]. Acta Geographica Sinica, 2010, 65(3): 270-280. (in Chinese with English abstract)

[16] 王琛智，张朝，张静，等.湖南省地形因素对水稻生产的影响[J]. 地理学报，2018，73(9)：1792-1808.

Wang Chenzhi, Zhang Zhao, Zhang Jing,et al. The effect of terrain factors on rice production: A case study in hunan province[J]. Acta Geographica Sinica, 2018, 73(9): 1792-1808. (in Chinese with English abstract)

[17] Pinde Fu, Paul M Rich. A geometric solar radiation model with applications in agriculture and forestry[J]. Computers and Electronics in Agriculture, 2002, 37(1): 25-35.

[18] 蒋忆文. DSSAT模型在黑河流域的适用性评价及节水灌溉应用研究[D]. 兰州：兰州大学，2016.

Jiang Yiwen. Modeling Irrigation Management for Water Conservation by DSSAT Model in the Heihe River Watershed[D]. Lanzhou: Lanzhou University, 2016. (in Chinese with English abstract)

[19] 曹宏鑫，赵锁劳，葛道阔，等. 作物模型发展探讨[J]. 中国农业科学，2011，44(17)：3520-3528.

Cao Hongxin, Zhao Suolao, Ge Daokuo, et al. Discussion on development of crop models[J]. Scientia Agricultura Sinica, 2011, 44(17): 3520-3528. (in Chinese with English abstract)

[20] 吕硕. 气候变化对吉林梨树县春玉米的影响及品种适应研究[D]. 北京：中国农业大学，2016.

Lü Shuo. Analysis of Impacts of Climate Change on Spring Maize and Adaptation in Maize Cultivars in Lishu Jilin[D]. Beijing: China Agricultural University, 2016. (in Chinese with English abstract)

[21] 徐娜，党廷辉. 基于DSSAT模型的冬小麦氮肥效应预测：以黄土高原沟壑区渭北旱塬为例[J]. 灌溉排水学报，2017，36(Supp.2)：147-154.

Xu Na, Dang Tinghui. Investigation of nitrogen fertilizer effects on winter wheat production based on the DSSAT Model: A case study at the Weibei dryland on the loess plateau[J]. Journal of Irrigation and Drainage, 2017, 36(Supp.2): 147-154. (in Chinese with English abstract)

[22] 杨靖民，杨靖一，Hoogenboom Gerrit. DSSAT作物模型的统计和图形校验方法[J]. 植物营养与肥料学报，2012，18(5)：1064-1072.

Yang Jingmin, Yang Jingyi, Hoogenboom Gerrit. Statistical and graphical methods for evaluation of DSSAT crop model[J]. Plant Nutrition and Fertilizer Science, 2012, 18(5): 1064-1072. (in Chinese with English abstract)

[23] 葛慧玲. 水分处理对大豆物质积累的影响及土壤水分模型构建[D]. 哈尔滨：东北农业大学，2013.

Ge Huiling. The Establishment of Soil Moisture Model and the Effect of Water Stress on Matter Accumulation andYield of Soybean[D]. Harbin: Northeast Agricultural University, 2013. (in Chinese with English abstract)

[24] Thao N P, Tran L S P. Potentials toward genetic engineering of drought-tolerant soybean[J]. Critical Reviews in Biotechnology, 2012, 32(4): 349-362.

[25] 孙培乐，宁海龙，陈东升，等. 春大豆不同播期的光温生态特性[J]. 大豆科学，2010，29(6)：953-958.

Sun Peile, Ning Hailong, Chen Dongsheng, et al. Ecological character of light and temperature under different sowing date in spring soybean[J]. Soybean Science, 2010, 29(6): 953-958. (in Chinese with English abstract)

[26] He Liang, Jin Ning, Yu Qiang. Impacts of climate change and crop management practices on soybean phenology changes in China[J/OL]. Science of The Total Environment, 2020: 707.

[27] 柳芳，黎贞发. 降水量和积温变化对天津冬小麦产量的影响[J]. 中国农业气象，2010，31(3)：431-435.

Liu Fang, Li Zhenfa. Impacts of precipitation and accumulated temperature on winter wheat yield in Tianjin[J]. Chinese Journal of Agrometeorology, 2010, 31(3): 431-435. (in Chinese with English abstract)

[28] Mcmaster G S, White J W, Weiss A, et al. Simulating crop phenological responses to water deficits.[M]//Ahuja L R, Reddy V R, Saseendran S A, et al. Response of Crops to Limited Water: Understanding and Modeling Water Stress Effects on Plant Growth Processes. Madison: Book and Multimedia Publishing Committee, 2008: 277-300.

[29] 刘建华，李铭亮，苏剑波，等.有机质含量、地形坡度对土壤保水效果及作物产量的影响[J]. 湖南农业科学，2017，46(1)：16-18.

Liu Jianhua, Li Mingliang, Su Jianbo, et al. Effects of soil organic matter content  and terrain slope on  soil moisture, crop yield[J]. Hunan Agricultural Sciences, 2017, 46(1): 16-18. (in Chinese with English abstract)

[30] 姜佰文，赵赛东，魏丹，等. 坡度和耕作措施对土壤侵蚀及大豆产量的影响[J]. 大豆科学，2015，34(2)：238-242.

Jinag Baiwen, Zhao Saidong, Wei Dan, et al. Effect of slope and tillage measures on soil erosion and yield of soybean[J]. Soybean Science, 2015, 34(2): 238-242. (in Chinese with English abstract)

Effects of terrain on soybean yields in rolling hilly black soil areas

Hou Shutao1, Cui Yang1, Meng Linghua2, Wu Danqian1, Qian Lei1, Bao Yilin1, Ye Qiang1, Liu Huanjun1,2※

(1.,,150030,; 2.,,130012,)

Soybean is widely cultivated in farmlands with irregular terrain in the northeast China. In this study, the influence of terrain on crop yield was investigated. Dongxing Cooperative of Hailun city in Heilongjiang Province was selected as the area of research. The study area was 10.20 hm2. The iRTK data were measured and utilized to produce the Digital Elevation Model (DEM) used for division of the sampling points’ slope position. The soil data and daily meteorological data were obtained. The soybean yield data along with the field management data at every sampling point during the growing season of soybean were also determined. The decision support system for agrotechnology transfer (DSSAT) model was used to simulate the soybean growth and development process. Seven sampling points with distinct terrain features were randomly selected from sixteen sampling points, and the data from the other sampling points were used for verification of the DSSAT model. Then the adjusted DSSAT model was used to simulate the development of soybean at each sampling point and its yield. In regards to temperature, slope, solar radiation, soil nutrients, etc., DSSAT model was put into use for yield results simulation under the condition of single factor discrepancy, and then the contribution degree of individual factor to the yield difference was examined. Data such as biomass, soil water content and soil alkali-hydrolyzed nitrogen content of each sampling point were collected during the soybean growth period, and the total solar radiation data of the study area was generated by DEM combined with the Angstrom equation. The results showed that the normalized root mean square error(nRMSE) for the simulated yield of the DSSAT model and the measured yield was 7.9%, indicating an excellent simulation. The nRMSE for leaf area index (LAI) and above-ground biomass simulation were 16.2% and 18.7%, respectively. It indicated that the DSSAT model was reliable for simulation of soybean yield, biomass and growth. The growing environment of soybean was affected by the terrain, which determined the spatial change of soybean yield. In comparison with the initial soil condition, the difference of soybean yield was more affected by temperature and slope. Compared with the other positions of slope, the soybean yield at the top and bottom of slope was higher and the yield variability was smaller. The water requirement for soybean increased during the pod-filling period of soybean and the soil water content was low in the sunny slope, which resulted in the decrease of yield. The high amount of alkali-hydrolyzed nitrogen content and soil water content were found at the bottom of the slope that could meet the needs of crop growth. Therefore, the appropriate irrigation measures should be taken to improve the soybean yield during this period. The analysis for crop yield gap could reveal the factors that restrict crop production. The outcomes of the research are conducive to the farmland’s fine operation during the precise management and can provide valuable information for field management.

terrain; temperature; slope; DSSAT model; black soil area; soybean; yield

侯淑涛，崔杨，孟令华，等. 地形对漫川漫岗黑土区大豆产量的影响[J]. 农业工程学报，2020，36(8)：88-95.doi：10.11975/j.issn.1002-6819.2020.08.011 http://www.tcsae.org

Hou Shutao, Cui Yang, Meng Linghua, et al. Effects of terrain on soybean yields in rolling hilly black soil areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 88-95. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.011 http://www.tcsae.org

2020-01-14

2020-03-10

国家自然科学基金（41671438）；国家重点研发计划（2016YFD0200600、2016YFD0200603）

侯淑涛，副教授，主要研究方向为土地利用与管理。Email：houst129@126.com

刘焕军，博士，教授，主要从事土壤遥感研究。Email：huanjunliu@yeah.net

10.11975/j.issn.1002-6819.2020.08.011

S565.1; S126

A

1002-6819(2020)-08-0088-08