基于有效积温的NFT栽培小白菜生长模型

陈永快 黄语燕 王涛 廖水兰 钟陈声 赵健

摘要：为明确用营养液膜栽培技术（NFT）栽培的小白菜生长模型，以春油5号小白菜为试验材料，在中以示范农场2个薄膜温室内开展4次栽培试验，采用营养液膜栽培技术进行栽培，每隔1～3 d采集小白菜的生长指标。根据小白菜对温度的响应，以有效积温为自变量，用Logistic方程构建NFT栽培小白菜生长模型，包括地上部鲜质量和干质量、地下部鲜质量和干质量、株高、叶片数、叶面积等模型，所建立模型的决定系数在0.881～0.993之间。经重复试验数据检验，小白菜地上部鮮质量、地上部干质量、地下部鲜质量、地下部干质量、株高、叶片数、叶面积等模型的预测值与实际值之间基于1 ∶ 1直线的决定系数（R2）分别为0.990、0.990、0.985、0.986、0.963、0.935、0.985，回归估计标准误差（RMSE）分别为10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25张、74.81 cm2。因此，构建的小白菜生长模型精度较高，可为温室NFT栽培小白菜生长管理调控、产量预测和经济效益分析等提供理论依据和决策支持。

关键词：营养液膜;有效积温;小白菜;模型

中图分类号：S634.301   文献标志码： A  文章编号：1002-1302（2020）17-0229-04

小白菜为十字花科植物，原产于中国，别称青菜、油菜、不结球白菜等，是我国长江流域及以南地区分布最广、种植面积及复种指数最大的蔬菜之一，约占长江中下游大中城市蔬菜年总产量的 30%～40%[1-2]。

营养液膜栽培技术（nutrient film technique，简称NFT）是一种无土栽培技术，将植株定植在栽培槽内，营养液在栽培槽的底部做薄层间歇流动，为植株生长提供充足的养分和水分[3]。NFT可有效避免土传病害，减少农药使用，是蔬菜标准化和规模化生产的重要方式，因此，近几年来温室NFT发展较为迅速。

作物生长模型为作物栽培管理、环境调控优化、效益分析等提供了强有力的理论依据[4]。目前，国内外众多学者已在温室作物中，以有效积温为预测指标，建立了有效积温与温室作物生长发育的相关模拟模型，对温室作物的栽培具有理论指导意义。Heuelink等用有效积温法建立了番茄的生长模拟模型[5-6]。徐刚等利用有效积温建立了温室番茄长季节栽培生长发育模型，模型精度高、预测性好[7]。李立昆等基于有效积温建立了厚皮甜瓜果实发育进程模拟模型[8]。李书钦等基于有效积温构建了冬小麦返青后株高、叶位高度、叶长、最大叶宽等模拟模型，可较好地预测冬小麦返青后叶片生长状态，实现了小麦生长模型和形态模型的有机结合[9]。李世娟等以有效积温和干物质量为参数，构建了小麦茎秆、叶片、穗等器官的几何特征模型，这些模型以干物质量为参数输入，能够生成小麦主茎各器官的三维形态特征参数[10]。目前，我国对于作物模型的研究主要集中在番茄、甜瓜、小麦等作物上，关于NFT下小白菜生长模型的研究比较少。本研究基于经验模型，以有效积温为变量，采用Logistic曲线方程，建立NFT下小白菜生长模型，将产量、株高和叶片数等与环境因子之间的关系直接用函数关系表达出来，对温室环境和小白菜生长的优化控制、生长期的定量化管理以及提高温室利用效率等具有十分重要的意义。

1 材料与方法

1.1 试验材料与试验设计

试验在中以示范农场2个薄膜温室中进行，试验品种为春油5号，由京研益农（北京）种业科技有限公司生产。采用为NFT栽培，共进行4次重复试验，第1次至第3次试验在温室1中进行，第2次至第4次试验在温室2中进行，其中第2次和第4次试验数据用于建立模型，第1次和第3次试验数据用于模型验证。在试验过程中采集小白菜生长环境参数、表型数据。

供试品种在4叶1心时期前后，地上部鲜质量约1 g时，定植于NFT栽培槽中，栽培密度为 312 000株/hm2。每次重复试验的灌溉量和栽培管理措施均按中以示范农场小白菜NFT的栽培规范进行。栽培期间使用的营养母液分为A、B液，100 L 的A液配方为硝酸钙8 kg、硝酸钾3 kg，100 L的B液配方为磷酸二氢钾1.5 kg、硫酸镁5 kg、乙二胺四乙酸铁纳230 g、硫酸锰60 g、硫酸锌30 g、硫酸铜2 g、钼酸铵0.75 g、硼酸30 g[12]。营养液在小白菜定植至采收期间pH值控制在6.0～6.5之间，定植10 d内电导率（EC）值控制在1～1.5 mS/cm之间，定植10 d至采收期间EC值控制在1.5～1.8 mS/cm 之间。

1.2 测定项目与方法

第1次试验时间为2019年4月24日至2019年5月20日，第2次试验时间为2019年10月27日至2019年11月22日，第3次试验时间为2019年12月11日至2020年1月16日，第4次试验时间为2020年2月19日至2020年3月23日。

试验期间每隔1～3 d测量1次生长指标，每次选取长势较均匀的3株小白菜进行测量，测量指标包括单株小白菜地上及地下部鲜质量、地上及地下部干质量、株高、叶片数、总叶面积。鲜质量用电子天平进行称量。干质量是将材料放在105 ℃烘箱中杀青20 min，75 ℃烘干至恒质量后称量。株高用游标卡尺进行测量。叶片数用计数法统计。叶面积用叶形纸称质量法计算[11]。3株小白菜各参数的数据取平均值后进行分析。

用自主研发的环境数据采集装置对小白菜生长过程中的环境数据进行采集，主要采集温度、湿度、光照度等环境数据，数据每隔15 min保存1次。

1.4 数据处理

试验数据采用Excel 2013、IMB SPSS Statistics 19软件进行统计和分析。用模拟值和实际值之间的决定系数（R2）和标准误差（RMSE）来评价模型的精度。R2越接近1，RMSE越接近0时，模型的模拟效果越好[12]。

2 结果与分析

2.1 有效积温计算

常用有效积温来反映作物对热量的需求。高于生物学最低温度的日平均温度与生物学下限温度之差称为有效温度，作物某一生育时期或整个生长发育过程中有效温度的总和称为有效积温（简称GDD）[13]。计算方法如下：

式中：GDD为某一生育时期（t到h d）的有效积温;Tb为生物学下限温度，这里取Tb=7 ℃[1];Tmean为日平均温度。

2.2 模型建立

以4次栽培試验的累积有效积温为自变量，小白菜地上部鲜质量、地上部干质量、地下部鲜质量、地下部干质量、株高、叶片数、叶面积等为因变量作图，从图1可以看出，在小白菜生长过程中，随着累积有效积温的增加，小白菜地上部鲜质量、地上部干质量、地下部鲜质量、地下部干质量、株高、叶片数、叶面积等大致呈“慢—快—慢”的增加趋势。因此，本研究采用Logistic曲线方程进行拟合。Logistic曲线方程在植物生长发育的研究中被广泛应用，曲线特点是开始缓慢增长，在之后某一范围内迅速增长，达到一定限度后，增长变缓慢。Logistic曲线方程表达式为y=A/[1+Be（-k）]，其中A、B、k为曲线系数[14]。

采用第2次和第4次试验数据建立模型，利用SPSS软件对试验数据进行回归分析，得到小白菜地上部鲜质量、地上部干质量、地下部鲜质量、地下部干质量、株高、叶片数、叶面积等Logistic曲线模型及曲线决定系数（R2）见表1。

2.3 模型验证

采用第1次和第3次的试验数据对各模型进行验证。结果表明，小白菜地上部鲜质量、地上部干质量、 地下部鲜质量、地下部干质量、株高、叶片数、叶面积的预测值与实际值之间相关性较好，从图2可以看出，基于 1 ∶ 1 直线的决定系数（R2）分别为0.990、0.990、0.985、0.986、0.963、0.935、0.985，模型RMSE分别为10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25张、74.81 cm2，表明所建立模型预测效果较好。

3 讨论与结论

根据小白菜对温度的响应，以有效积温为自变量， 用Logistic方程构建小白菜NFT栽培生长模型，包括地上部鲜质量和干质量、地下部鲜质量和干质量、株高、叶片数、叶面积等模型，模型决定系数在0.881～0.993之间。经重复试验数据检验，小白菜地上部鲜质量、地上部干质量、地下部鲜质量、地下部干质量、株高、叶片数、叶面积等模型的预测值与实际值之间基于1 ∶ 1直线的决定系数（R2）分别为0.990、0.990、0.985、0.986、0.963、0.935、0.985，回归估计标准误差（RMSE）分别为10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25张、74.81 cm2。表明所]建立的小白菜营养生长模型精度较高，可为温室利用NFT栽培小白菜的生长管理提供理论依据和决策支持。

本试验是用1个小白菜品种，在水肥充足，栽培管理规范的条件下进行的，形成的模型尚未考虑水肥和栽培管理措施对NFT栽培小白菜生长的影响，今后需在模型中加入水肥亏缺和管理措施影响因子，从而提高模型的普遍适用性。

参考文献：

[1]谭 文，杨再强，李 军. 基于温光效应的小白菜营养品质模拟模型研究[J]. 中国农业气象，2016，37（1）：59-67.

[2]薛思嘉，杨再强，李 军. 高温对小白菜品质的影响及模拟研究[J]. 中国生态农业学报，2017，25（7）：1042-1051.

[3]吴敬才，郑回勇，吴 燕，等. 叶菜类蔬菜营养液膜无土栽培技术[J]. 福建农业科技，2015（10）：48-50.

[4]杨靖民，杨靖一，姜 旭，等. 作物模型研究进展[J]. 吉林农业大学学报，2012，34（5）：553-561.

[5]Heuvelink E. Evaluation of a dynamic simulation model for tomato crop growth and development[J]. Annals of Botany，1999，83（4）：413-422.

[6]Wolf S，Rusieh J. Predicting harvesting data of processing tomato by a simulation model[J]. Journal of American Society Horticulture Science，1984，111（1）：11-16.

[7]徐 刚，张昌伟，李德翠，等. 温室长季节栽培番茄发育动态模拟模型的研究[J]. 农业工程学报，2005，21（增刊2）：243-246.

[8]李立昆，李玉红，程智慧，等. 基于有效积温早春设施厚皮甜瓜果实发育模拟模型[J]. 北方园艺，2010（6）：97-100.

[9]李书钦，诸叶平，刘海龙，等. 基于有效积温的冬小麦返青后植株三维形态模拟[J]. 中国农业科学，2017，50（9）：1594-1605.

[10]李世娟，诸叶平，张红英，等. 整株干物质量分配指数模型模拟冬小麦各器官形态参数[J]. 农业工程学报，2019，35（9）：155-164.

[11]谭一波，赵仲辉. 叶面积指数的主要测定方法[J]. 林业调查规划，2008，33（3）：45-48.

[12]马万征，毛罕平，倪纪恒. 不同果实负载下温室黄瓜干物质分配的模拟[J]. 农业工程学报，2010，26（10）：259-263.

[13]李书钦，诸叶平，刘海龙，等. 冬小麦返青后叶片高度模型构建及三维可视化[J]. 中国农业科技导报，2017，19（11）：59-67.

[14]董江水. 应用SPSS软件拟合Logistic曲线研究[J]. 金陵科技学院学报，2007，23（1）：21-24.