日光温室芹菜外观形态及干物质积累分配模拟模型

程 陈，董朝阳，黎贞发，宫志宏，冯利平

·农业生物环境与能源工程·

日光温室芹菜外观形态及干物质积累分配模拟模型

程 陈1，董朝阳2，黎贞发2※，宫志宏2，冯利平1

（1. 中国农业大学资源与环境学院，北京 100193；2. 天津市气候中心，天津 300074）

为实现日光温室芹菜外观形态与干物质积累分配预测。该研究依据芹菜（L.）生长发育的光温反应特性，以‘尤文图斯’为试验品种，利用2年2茬分期播种试验观测数据，依据温室芹菜外观形态生长与关键气象因子（温度和辐射）的关系，以单株辐热积（Photo-Thermal Index，PTI）为自变量构建了外观形态模拟模型；并建立了基于PTI的干物质分配模拟模型；结合叶面积指数模拟模块、光合作用和呼吸作用模拟模块，构建了干物质积累模拟模型；结合各器官各个发育阶段内的相对含水量，可计算鲜物质积累模拟模型。基于各子模块共同组成了日光温室芹菜外观形态及干物质积累分配模拟模型，确定了模型品种参数，利用独立试验数据对模型进行验证。结果表明，1）在外观形态模拟模型中，对根长、主茎茎粗、主茎茎长、株高、整枝和自然管理方式下叶面积指数（Leaf Area Index，LAI）形态指标均方根误差（Root Mean Square Error，RMSE）分别为2.46 cm、1.49 mm、6.72 cm、11.08 cm、0.74 m2/m2和0.77 m2/m2，归一化均方根误差（Normalized Root Mean Square Error，NRMSE）分别在16.63%～20.63%之间。2)在干物质分配模拟模型中，各器官的干物质分配指数NRMSE在8.24%～27.19%之间，RMSE在0.60%～7.01%之间。3)在干物质积累模拟模型中，不同器官（根、茎、叶、总茎、总叶、主茎、叶柄、整枝和自然管理方式下地上部）的干物质质量RMSE在3.85～85.80 g/m2之间，NRMSE分别为14.21%～23.13%之间，说明干物质积累模拟模型对不同器官的干物质模拟均有较高的模拟效果。表明模型能够较准确模拟芹菜外观形态与干物质积累分配，系统化定量地表现出日光温室芹菜的生长动态过程。

温室；模型；芹菜；外观形态；单株辐热积；干物质分配；干物质积累

0 引 言

芹菜（L.）在中国的产地分布广泛，栽培历史悠久[1]。自20世纪80年代中期，国外开始采用高效节能温室栽培蔬菜，国内日光温室总面积也由2008年的25万hm²上升至2016年的66万hm²，设施蔬菜中有近40%蔬菜是由日光温室提供[2-3]，中国三北地区日光温室越冬茬芹菜栽培非常普遍，是最大的温室叶菜种植品种，对于保障市场蔬菜供应，满足消费需求具有重要意义。作物模型以光、温、水及土壤等条件为环境的驱动变量，运用计算机技术和物理数学方法，对作物的生长、发育和产量形成过程进行定量描述与预测，是一种面向作物生长发育过程、机理性很强的数值模拟模型[4-5]。构建日光温室芹菜外观形态及干物质积累分配模拟模型是定量化分析温室环境与芹菜动态生长过程的重要手段，也是温室芹菜外观品质分级、优化环境条件及栽培管理的支撑技术，对温室叶菜种植精细化管理具有理论指导意义和应用价值。

截至目前，国内外关于园艺作物外观形态模拟模型的研究较多，如图像识别[6-7]、激光传感器[8]、CT[9]、形态几何法[10-12]等技术建立可视化园艺作物生长模型，虽然在技术、观测尺度、分辨率等方面不断更新和检验，但此类模型缺乏生物学基础，且未考虑作物器官形态结构的动态变化。因此，基于温度热效应和光合有效辐射等环境驱动变量对园艺作物的外观形态进行模拟的园艺作物虚拟模型开始受到国内外专家的广泛关注。目前已建立了基于生长机理过程的黄瓜[13]、百合[14]、独本菊[15]等园艺作物虚拟模型，但是芹菜外观形态模型研究较少，形态指标种类也较少。此外，植株外观形态不仅是前一阶段生长的结果，同时还影响着其后的生长发育[16]，因此外观形态模型还需要进一步与生长发育模型相结合，共同为温室叶菜种植研究提供技术支撑。当前国际主流蔬菜生长模型主要有：HORTISIM模型[17]，TOMSIM模型[18]，TOMGRO模型[19]，SIMULSERRE模型[20]等，模型中均涉及到了园艺作物干物质积累与分配模拟模块。其中，有基于功能平衡模型[21]、运输阻力法模型[22]、库源理论[23]、运输及利用[24]等理论方法的园艺作物干物质分配模型，虽然机理性较强，但普遍存在参数复杂，实用性偏低的问题。有基于园艺作物器官生长与发育进程及环境因子之间定量关系的干物质分配模型[25-27]，模型具有较高的模拟精度。园艺作物干物质积累模拟模型的研究中，目前应用较多的是基于光温环境驱动变量[28-32]的园艺蔬菜叶面积、光合速率与干物质产量模拟模型，但也存在部分模拟模块内关键指标（叶温、消光系数、叶面积指数、干物质分配指数等）生物学意义不够明确，考虑的环境驱动因子较单一的问题。

为实现日光温室芹菜外观形态与干物质积累分配预测，本研究基于日光温室芹菜2年2茬分期播种试验观测数据，以气温和辐射为芹菜生长发育的主要环境驱动量，定量化模拟了芹菜外观形态、干物质分配与日光温室内光温环境要素之间的关系，构建了日光温室芹菜外观形态及干物质积累分配模拟模型，对开展日光温室根茎类叶菜生长发育定量模拟有重要的科学意义。

1 材料与方法

1.1 试验设计

试验于2018—2020年在天津市武清区农业科技创新基地园区（E116.97°，N39.43°，海拔8 m）节能型日光温室进行。日光温室墙体为砖体，后墙高度为3.7 m，厚度为0.5 m，侧墙厚度为0.5 m，脊高为5.3 m，后屋面仰角为44.0°，前屋面角为32.0°，跨度为8.0 m，长度为65.0 m，占地总面积为520.0 m2。

芹菜供试品种为本地芹“尤文图斯”，是中国北方地区种植比例较大的品种，与其他芹菜品种的生长发育特性相同，有较好的代表性。试验分2个生长季进行，包括2018—2019年度秋冬茬，2019—2020年度秋冬茬。每个茬口设置2～3个定植期，分别为早播（EP）（早于当地常规定植日期15 d左右）；中播（MP）（当地常规定植日期，9月下旬定植）；晚播（LP）（晚于当地常规定植日期15 d左右）。每个定植期设置3个重复，采用随机区组设计。种植行距为0.38 m，株距为0.08 m，小区面积为3 m2，种植密度为321 400 株/hm2。

1.2 数据获取

1.2.1 发育期

将芹菜的整个生长发育过程划分为5个关键发育期，参考文献资料[26]并定义各个关键发育期相应的形态特征指标（表1）。若作物群体超过50%达到某一发育期，则记录该日期。

1.2.2 外观形态及干物质质量

叶面积的测定：每个处理随机取样3株，叶面积的测定采用坐标纸法[28]。

器官干鲜物质质量的测定：鲜物质质量为取样后3 h内各器官的质量，器官分为根、茎（绿茎和总茎）和叶（绿叶和总叶）。干物质质量的测定采用恒重法[28]。

外观形态的测定：绿茎是由主茎和叶柄组成的，绿叶为绿茎上的叶片。整枝管理情形下芹菜的地上部分包括绿茎和绿叶，即绿茎和绿叶的总鲜物质质量，g。自然管理情形下芹菜的地上部分包括总茎和总叶，即绿茎、绿叶、枯萎茎和枯萎叶的总鲜物质质量，g。直尺测量洁净的根部底端至茎部底端的距离为根长，cm。游标卡尺测量芹菜由外至内第一级茎的粗度为主茎粗度，mm。直尺测量芹菜由外至内第一级茎的底部至顶叶底部的距离为主茎茎长，cm。直尺测量根的顶端与芹菜顶端的距离为株高，cm。

表1 芹菜关键发育期的划分与形态指标

1.2.3 气象数据

温室内小气候观测选用小气候观测仪（CAWS2000型，北京华云尚通科技有限公司），每10 min自动记录温室室内空气温度、湿度、CO2浓度及太阳总辐射等气象数据。加密辅助观测选用小气候观测仪（Hobo型，美国ONSET公司），每5 min自动记录温室室内空气温湿度和太阳总辐射等气象数据。

1.3 模型检验统计变量

统计判据主要包括均值`、标准差SD、线性回归系数、截距、决定系数2、值、均方根误差（Root Mean Square Error，RMSE）和归一化均方根误差（Normalized Root Mean Square Error，NRMSE）、符合度指数。其中均值`体现了模拟值sim与实测值obs的平均数；标准差SD体现数据平均值的分散程度；线性回归系数、截距、决定系数2用来体现实测值与模拟值是否具有显著的线性关系，其中回归系数越接近于1，截距越接近于0，表示具有良好的线性关系，而线性程度的大小用决定系数2体现，其值越接近于1，表示具有显著的线性关系；值用来体现实测值与模拟值是否具有差异性；RMSE[28-29]（式（1））和NRMSE[28-29]（式（2））用来衡量观测值同实测值之间的偏差，也能够很好地反映出测量的精密度，若NRMSE在10%以下，说明模型模拟效果精度很高，若NRMSE在10%～20%之间，说明模型模拟效果精度较高，若NRMSE在20%～30%之间，说明模型模拟效果精度中等，若NRMSE大于30%，说明模型模拟效果精度差；符合度指数[28,33]是归一化度量指标（式（3）），值越接近1，说明模拟值与观测值的分布趋势吻合度就越高，即模型模拟的效果较好。

式中为指标样本量；为指标样本序号，其最大值为；obs为观测值；sim为模拟值；`obs为观测值均值；`sim为模拟值均值。

2 模型描述

2.1 辐热积理论

温度效应因子（Temperature Effect Factor，TE），反映温度对芹菜发育的非线性影响，采用正弦函数形式计算（式（4））[28]，为了严格保持辐热同步性，采用昼间日均温代替日均温，昼间日均温为辐射大于0时的日均温。

式中ol、ou分别为该发育阶段内芹菜生长最适温度的下限温度和上限温度，℃，b为生物学下限温度，取值为6 ℃，m为生物学上限温度，取值为30 ℃，daytime为昼间日均温，℃。通过文献资料整理得芹菜不同发育阶段的三基点温度[34-35]，定植期至外叶生长期的最适温度为15～20 ℃，外叶生长期至枯萎末期的最适温度为16～20 ℃。

每日相对辐热积（Relative Product of Thermal Effectiveness and Photosynthetically Active Radiation，RTEP）是将每日的温度效应因子乘以相应日均光合有效辐射，然后累加得到式（5）[13-15,29]。

式中RTEP为每日相对辐热积，MJ/(m2·d)；PAR为日均光合有效辐射，MJ/(m2·d)，为该时间段内的日均太阳总辐射，MJ/(m2·d)，为光合有效辐射在太阳总辐射中所占的比例，一般取0.47[28,36]。

累积辐热积（Accumulated Product of Thermal Effectiveness and Photosynthetically Active Radiation，TEP）为每日相对辐热积的累积[13-15,28-29]，而单株吸收辐热积（Photo-Thermal Index，PTI）为累积辐热积与种植密度的比值[37]（式（6））。

式中TEP为累积辐热积，MJ/m2；PTI为单株累积辐热积，MJ/株；为种植密度，株/m2。

DAY为芹菜生长过程的总天数，d；为日序，d，其中定植期的为1，枯萎末期的N为DAY。

2.2 外观形态模拟模型

芹菜的外观形态主要由叶面积指数（Leaf Area Index，LAI）、根长、主茎茎粗、主茎茎长、株高和比叶面积（Specific Leaf Area，SLA）构成，其中比叶面积为叶面积与叶片干物质质量的比值，cm2/g。本研究一方面以TEP为自变量，构建芹菜外观形态变化模拟模型，另一方面以芹菜主茎和叶柄部位的茎叶形态特征的定量关系来表现其外观形态。

叶面积指数计算公式为式（7）。

式中LAI为叶面积指数，m2/m2；LA为单株叶面积，cm2/株。

栽培过程中，对芹菜外部枯萎的茎叶进行整枝管理，故本研究构建了整枝和自然管理条件下的叶面积指数模拟模型，不同管理方式下叶面积指数与PTI的回归拟合关系均可用幂函数来进行表述（式（8））。

式中利用最小二乘法原理确定品种参数和，参数与管理方式和品种类型有关。

利用外观形态指标与PTI之间的回归关系，构建芹菜外观形态模拟模型。根长与单株吸收辐热积的关系可用线性方程来进行表述（式（9）），主茎茎长模拟形式同式（9），cm。主茎茎粗与单株吸收辐热积的关系可用Logistic曲线方程来进行表述（式（10）），株高模拟形式同式（10），cm。LAI也可由SLA进行模拟，随着管理方式和发育阶段的不同而取不同的均值。

2.3 形态指标间的关系

形态指标间的定量关系也是表征外观形态的主要方式。芹菜主茎和叶柄部位的茎形态特征的定量关系主要包括主茎和叶柄的粗度、长度、体积和干物质质量之间的关系，其中假定茎的形态为以茎粗为直径，茎长为高的圆柱体，即茎的体积是由茎粗和茎长经过几何关系计算出的。利用这些定量化关系，并结合叶面积指数、干物质积累分配以及外观形态模拟模型，可以细致地定量表述芹菜生长过程中形态的变化趋势。

通过线性方程表述主茎和叶柄长度之间的关系（式（11）），干物质质量模拟形式同式（11），g。通过线性方程表述一级茎的顶叶和非顶叶叶面积之间的关系（式（12））。通过幂函数方程表述主茎和叶柄粗度之间的关系（式（13）），体积模拟形式同式 （13），cm3。

2.4 干物质积累分配模拟模型

2.4.1 单叶光合作用模型

光合作用模型采用门司公式[28]计算（式（14））。

2.4.2 群体光合作用模型

群体光合总量是单位叶面积光合作用对叶面积指数和日长的二重积分（式（15））[28]。

2.4.3 呼吸作用模型

呼吸作用包括光呼吸和暗呼吸，其中暗呼吸分为维持呼吸和生长呼吸。

芹菜为C3植物，其光呼吸作用明显[29]，导致同化损失随着温度的升高和光照度增大而增加（式（16））。

式中RP为每日光呼吸消耗量，g/(m2·d)；RP25为25 ℃时芹菜各器官的光呼吸消耗系数，取值为0.33 kg/(kg·d)[29]；为芹菜不同器官的干物质质量，g/m2；10为呼吸作用温度系数，取值为2[24,28-29]。

维持呼吸指活的有机体维持其现有的生化和生理状态所消耗的能量[28-29]，与芹菜的生物量有关，并且受温度的影响（式（17））。

生长呼吸指作物在有机质合成、植物体增长以及新陈代谢活动中消耗的能量，即由CO2转化为CH2O过程中所消耗的光合产物，与器官的化学物质组成和光合产物有关，在干物质增长速率的计算公式（22）中考虑。

2.4.4 群体干物质质量积累

群体干物质质量积累为群体光合作用减去呼吸作用，并考虑物质转换与矿物质成分含量（式（18））[28-29]。

式中d为芹菜的干物质日增量，g/(m2·d)；为CO2转化为CH2O过程中的转化系数，即CH2O和CO2分子量的比值，取值为0.682；为生长呼吸系数，与作物类型和器官类型有关，为品种参数，kg/(kg·d)；为矿物质及其他成分含量，取值为5%[28-29]。

通过结合芹菜群体干物质质量日增量与各器官的干物质分配指数可计算各器官的干物质质量日增量（式（19））。

式中表示器官代称，主要有根、绿茎、绿叶、总茎、总叶、主茎和叶柄，在整枝管理方式下，根、绿茎和绿叶的分配指数加和为1，其中主茎和叶柄的分配指数加和为绿茎的分配指数，在自然管理方式下，根、总茎和总叶的分配指数加和为1；i为器官分配指数，构建了以PTI为自变量的芹菜各器官干物质质量分配指数模拟模型，与器官类型和管理方式有关，绿叶分配指数与PTI呈指数函数变化趋势（式（20））。根分配指数与PTI呈二次函数变化趋势（式（21）），总叶分配指数模拟形式同式（21），%。绿茎分配指数与PTI呈Logistic函数变化趋势（式（22）），总茎和叶柄分配指数模拟形式同式（22），%。为芹菜的总干物质质量，g/m2。

各器官干物质质量积累量的模拟值与各器官的相对含水量（式（23））相结合，可模拟各器官的鲜物质质量积累量。

3 结果与分析

3.1 外观形态模拟模型

3.1.1 外观形态模型参数确定及检验

由表2可知，2种管理方式SLA的平均值分别为268.23和284.39 cm2/g，发育前期（定植期-心叶肥大期）SLA在整枝方式下比自然生长情况下略高，而发育后期（心叶肥大期-枯萎末期）相反；整个生长发育过程中SLA的平均值呈逐渐上升的变化趋势，均值为276.31 cm2/g。

早播和中播试验数据用于外观形态模拟模型的建立，模型参数如表 3所示，由于主茎体积可以由主茎茎粗和主茎茎长计算得出，本研究不再对主茎体积进行建模和验证。由式（7）～（10）和表3可知，根长和主茎茎长与PTI的关系呈极显著的线性关系，2分别为0.46和0.85；而主茎茎粗和株高与PTI的关系呈极显著的Logistic曲线关系，2在0.68～0.92之间；根据生产上整枝的管理方式的不同，将模型也分为整枝和自然生长条件下进行模拟，叶面积指数与PTI的关系呈极显著的幂函数曲线关系，2都为0.78。

表2 芹菜不同管理方式和关键发育阶段内的比叶面积

表3 芹菜各器官（根、茎、叶）的外观形态模拟模型

注：**表示显著性通过0.01水平，呈极显著关系，下同

Note: ** indicates that the significance passes the level of 0.01, showing a very significant relationship, same as below

将芹菜各器官（根、茎、叶）的外观形态模拟模型的模拟值与实测值进行比较（图1），可以看出模拟值与实测值接近于1∶1线，且接近于误差范围，即模拟值与实测值较为一致。

晚播试验数据用于外观形态模拟模型的验证。由模型检验统计结果（表 4）可知，对根长、主茎茎粗、主茎茎长、株高、整枝和自然管理方式下LAI形态指标的模拟值与实测值的RMSE分别为2.46 cm、1.49 mm、6.72 cm、11.08 cm、0.74 m2/m2和0.77 m2/m2，NRMSE分别为16.63%、18.47%、19.72%、18.67%、20.63%和18.36%，说明除了整枝管理条件下LAI指标的模拟效果一般外，其余指标均有较高的模拟效果；值在0.84～1.00之间，值在-5.58～2.92之间，2在0.34～0.96之间，可以得出模拟值与实测值具有很好的线性关系；值在0.13～0.34之间，说明模拟值与实测值没有显著差异；值在0.72～0.98之间，说明模型具有较高的模拟吻合度。

3.1.2 指标间定量关系的参数确定

芹菜茎叶生长规律，模型参数如表5所示，由式（1）～（13）和表5可知，主茎和叶柄对应部位的长度和干物质质量之间的关系，以及一级茎的顶叶和非顶叶叶面积之间的关系都呈极显著的线性关系，2在0.89～0.93之间，而主茎和叶柄对应部位的粗度和体积之间的关系都呈极显著的幂函数曲线关系，2分别为0.89和0.95。

表5 芹菜茎叶生长规律模拟模型

3.2 干物质积累分配模拟模型

3.2.1 干物质分配模型参数确定及检验

根据式（20）～（22）计算出芹菜不同器官的干物质分配指数，拟合出芹菜各器官的干物质分配指数与单株累积辐热积（PTI）之间的回归关系，模型参数如表 6所示，由于主茎和叶柄的分配指数的加和为绿茎的分配指数，本研究不再对主茎的干物质分配指数进行建模和验证。由表6可知，器官茎（包括绿茎、总茎和叶柄）的干物质分配指数随PTI均呈Logistic曲线的变化过程；绿叶的干物质分配指数随PTI呈指数函数曲线的变化过程；总叶和根的干物质分配指数随PTI均呈先下降后上升的二次函数的变化过程。由Logistic曲线的特性可知，器官茎的干物质分配指数最大值与其茎部类型有关，大小顺序依次为总茎>绿茎>叶柄。由二次函数曲线的特性可知，根部和总叶的干物质分配指数最小值出现的PTI值分别为3.93和6.15 MJ/株，说明根部的干物质分配指数最小值出现时间要早于总叶。由表6可知，各器官的干物质分配指数模拟值与观测值的NRMSE在8.24%～27.19%之间，RMSE在0.60%～7.01%之间。不同器官的干物质分配指数模拟精度也不尽相同，干物质分配指数的模拟值与观测值的NRMSE大小顺序依次为绿茎、总茎、绿叶、根、总叶、叶柄。综上可知，模型对芹菜各器官的干物质分配指数的模拟精度均较高。

表6 芹菜干物质分配指数模拟模型及模拟值与实测值比较的统计量

3.2.2 相对含水量

根据式（23）计算出芹菜各个生育阶段不同器官的相对含水量，结果如表7所示，可知芹菜整个生长发育过程中各器官的相对含水量较为稳定，器官含水量大小顺序依次为：叶（93.40%）>叶柄（91.44%）>主茎（89.48%）>根（81.33%）。

3.2.3 干物质积累模型参数确定及检验

基于叶面积指数、光合作用和呼吸作用模拟模块以及干物质分配模拟模块，根据式（18）拟合不同器官（根、绿茎、绿叶、总茎、总叶、主茎、叶柄、整枝和自然管理条件下地上部）生长呼吸系数，生长呼吸系数分别为0.74、0.40、0.63、0.39、0.48、0.40、0.38、0.46、0.41 kg/(kg·d)，最后计算各器官干物质日增量d。利用早播和中播的试验数据构建了干物质积累模拟模块，再结合种植密度与各发育阶段内各器官的相对含水量来模拟各器官的鲜物质质量。将芹菜各器官（根、绿茎、绿叶、总茎、总叶和叶柄）的干物质积累模拟模型的模拟值与实测值进行比较（图2），可以看出模拟值与实测值接近于1∶1线，且接近于误差范围，即模拟值与实测值较为一致。

表7 芹菜各发育阶段不同器官的相对含水量

利用独立的晚播试验数据对干物质积累模拟模型进行验证，由模型检验统计结果（表8）可知，不同器官（根、绿茎、绿叶、总茎、总叶、主茎、叶柄、整枝和自然管理条件下地上部）的干物质质量模拟值与实测值的RMSE在3.85～85.80 g/m2之间，NRMSE在14.21%～23.13%之间，说明干物质积累模拟模型对不同器官的干物质模拟均有较高的模拟效果；值在0.98～1.12之间，值在-35.98～-1.01之间，2在0.87～0.95之间，可以得出模拟值与实测值具有很好的线性关系；值在0.35～0.49之间，说明模拟值与实测值没有显著差异；值在0.96～0.99之间，说明模型具有较高的模拟吻合度。

表8 芹菜干物质积累模型的模拟值与实测值比较的统计量

4 结 论

本研究过程中为了保持辐热同步性，温度效应因子采用昼间日均温为自变量，温度反应模式采用正弦函数方式；考虑了2种不同生产管理方式下的叶面积指数和干物质积累分配模拟模块；考虑了不同外观形态指标与单株辐热积的定量化关系以及外观形态指标间的定量化关系；考虑了光呼吸和暗呼吸作用对芹菜生长的影响，细致化地表达了芹菜整个生长动态过程，并利用相互独立的试验数据对构建的模型进行检验，结果表明：

1）以辐射和气温为主要驱动变量，建立基于辐热积的芹菜外观形态模拟模型。模拟模型对根长、主茎茎粗、主茎茎长、株高、整枝和自然管理方式下LAI形态指标的RMSE分别为2.46 cm、1.49 mm、6.72 cm、11.08 cm、0.74 m2/m2和0.77 m2/m2，NRMSE在16.63%～20.63%之间，说明模拟模型对芹菜外观形态有较好的模拟效果。

2）基于辐热积建立芹菜干物质分配模拟模型，各器官的干物质分配指数模拟值与观测值的RMSE在8.24%～27.19%之间，NRMSE在0.60%～7.01%之间，说明该模拟模型对芹菜各器官干物质分配有较高的模拟精度。

3）在干物质积累模拟模型研究中，以光合作用和呼吸作用模拟模块为基础，结合构建的干物质分配模拟模型建立芹菜干物质积累模型。不同器官（根、茎、叶、总茎、总叶、主茎、叶柄、整枝和自然管理条件下地上部）干物质质量模拟值与实测值的NRMSE在3.85～85.80 g/m2之间，RMSE在14.21%～23.13%之间，说明模型模拟芹菜干物质积累效果较好。

[1] 尹莲，刘洁霞，陈龙正，等. 芹菜AgHAT4的克隆与表达模式分析[J]. 园艺学报，2020，47(1)：143-152.

Yin Lian, Liu Jiexia, Chen Longzheng. Cloning and expression profiles analysis of AgHAT4 gene in Apium graveolens[J]. Acta Horticulturae Sinica, 2020, 47(1): 143-152. (in Chinese with English abstract)

[2] 陈青云，李鸿. 黄瓜温室栽培管理专家系统的研究[J]. 农业工程学报，2001，17(6)：142-146.

Chen Qingyun, Li Hong. Study on the expert system of cucumber culture management in greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2001, 17(6): 142-146. (in Chinese with English abstract)

[3] 刘军，曹之富，黄延楠，等. 日光温室黄瓜冬春茬栽培氮磷钾吸收特性研究[J]. 中国农业科学，2007，40(9)：2109-2113.

Liu Jun, Cao Zhifu, Huang Yannan, et al. Nutrients absorption properties of cucumber in long-season cultivation in solar greenhouse[J]. Scientia Agricultura Sinica, 2007, 40(9): 2109-2113. (in Chinese with English abstract)

[4] Sinnathamby S, Douglas-Mankin K R, Craige C. Field-scale calibration of crop-yield parameters in the Soil and Water Assessment Tool (SWAT)[J]. Agricultural Water Management, 2017, 180(A): 61-69.

[5] Paredes P, Torres M O. Parameterization of AquaCrop model for vining pea biomass and yield predictions and assessing impacts of irrigation strategies considering various sowing dates[J]. Irrigation Science, 2016, 35(1): 27-41.

[6] 杨亮，郭新宇，陆声链，等. 基于多幅图像的黄瓜叶片形态的三维重建[J]. 农业工程学报，2009，25(2)：141-144.

Yang Liang, Guo Xinyu, Lu Shenglian, et al. 3D morphological reconstruction of cucumber leaf based on multiple images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(2): 141-144. (in Chinese with English abstract)

[7] Long Q, Tan P, Zeng G, et al. Image-based plant modeling[J]. Acm Transactions on Graphics, 2006, 25(3): 599-604.

[8] Askraba S, Paap A, Alameh K, et al. Optimization of an optoelectronics-based plant real-time discrimination sensor for precision agriculture[J]. Journal of Lightwave Technology, 2013, 31(5): 822-829.

[9] Pajor R, Fleming A, Osborne C P, et al. Seeing space: Visualization and quantification of plant leaf structure using X-ray micro-computed tomography[J]. Journal of Experimental Botany, 2013, 64(2): 385-390.

[10] 程陈，韩硕，伍露，等. 日光温室郁金香3D可视化模型研究[J]. 北方园艺，2018，(13)：74-79.

Cheng Chen, Han Shuo, Wu Lu, et al. Study on 3D visualization simulation model of solar greenhouse tulip[J]. Northern Horticulture, 2018(13): 74-79. (in Chinese with English abstract)

[11] 陆玲，杨学东，王蕾，等. 半透明植物花朵可视化造型研究[J]. 农业机械学报，2010，41(3)：173-176.

Lu Ling, Yang Xuedong, Wang Lei, et al. Research on visualization model for translucent flower[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(3): 173-176. (in Chinese with English abstract)

[12] Keramatlou I, Sharifani M, Sabouri H, et al. A simple linear model for leaf area estimation in Persian walnut (L.)[J]. Scientia Horticulturae, 2015, 184: 36-39.

[13] 李青林，毛罕平，李萍萍. 黄瓜地上部分形态-光温响应模拟模型[J]. 农业工程学报，2011，27(9)：122-127.

Li Qinglin, Mao Hanping, Li Pingping. Simulation of cucumber organ above-ground with relation to light and temperature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(9): 122-127. (in Chinese with English abstract)

[14] 李刚，孙骞，于善祥，等. 氮素对长江中下游温室切花百合外观品质影响的模拟研究[J]. 生态学报，2014，34(14)：4057-4070.

Li Gang, Sun Qian, Yu Shanxiang, et al. Quantifying the effects of nitrogen on external quality of cut lily in greenhouse in the Yangtze River Delta[J]. Acta Ecologica Sinica, 2014, 34(14): 4057-4070. (in Chinese with English abstract)

[15] 周艳宝，戴剑锋，林琭，等. 水分对日光温室独本菊外观品质影响的模拟[J]. 农业工程学报，2009，25(6)：204-209.

Zhou Yanbao, Dai Jianfeng, Lin Lu, et al. Simulation of the effects of water on external quality of standard cut chrysanthemum in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(6): 204-209. (in Chinese with English abstract)

[16] 朱庆生，李云峰，邓青青，等. 结合图像重建和L系统的虚拟植物原型系统设计[J]. 农业工程学报，2007，23(4)：179-182.

Zhu Qingsheng, Li Yunfeng, Deng Qingqing, et al. Design of a prototype of virtual plant combining L-system and image-based modeling[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(4): 179-182. (in Chinese with English abstract)

[17] Gijzen H, Heuvelink E, Challa H, et al. HORTISIM: A model for greenhouse crops and greenhouse climate[J]. Acta Horticulturae, 1998(456): 441-450.

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

[19] Cooman A, Schrevens E. Sensitivity of the TOMGRO model to solar radiation intensity, air temperature and carbon dioxide concentration[J]. Biosystems Engineering, 2007, 96(2): 249-255.

[20] Gary C, Tchamitchian M, Bertin N, et al. SIMULSERRE: an educational software simulating the greenhouse-crop system[J]. Acta horticulturae, 1998, 456(54): 451-458.

[21] Iwasa Y, Roughgarden J. Shoot/root balance of plants: Optimal growth of a system with many vegetative organs[J]. Theoretical population biology, 1984, 25(1): 78-105.

[22] Marcelis L F M. Simulation of biomass allocation in greenhouse crops-a review[J]. Acta Horticulturae, 1993(328): 49-67.

[23] Heuvelink E. Effect of fruit load on dry matter partitioning in tomato[J]. Scientia Horticulturae, 1997, 69(1): 51-59.

[24] Thornley J H M. A model to describe the partitioning of photosynthate during vegetative plant growth[J]. Annals of Botany, 1972, 36(145): 419-430.

[25] 程陈，余卫东，闫锦涛，等. 不同品种郁金香鲜切花物质积累及分配的模拟[J]. 中国农业气象，2019，40(12)：758-771.

Cheng Chen, Yu Weidong, Yan Jintao, et al. Simulation model of material accumulation and distribution of fresh cut tulips of different varieties[J]. Chinese Journal of Agrometeorology, 2019, 40(12): 758-771. (in Chinese with English abstract)

[26] 陈子敬，徐强，王艳芳，等. 芹菜和结球莴苣春夏季设施幼苗主要生长指标与有效积温研究[J]. 中国蔬菜，2017(2)：50-54.

Chen Zijing, Xu Qiang, Wang Yanfang, et al. Studies on main growing indices and effective accumulation temperature of celery and lettuce in spring and summer[J]. China Vegetables, 2017(2): 50-54. (in Chinese with English abstract)

[27] 汤亮，朱艳，鞠昌华，等. 油菜地上部干物质分配与产量形成模拟模型[J]. 应用生态学报，2007，18(3)：526-530.

Tang Liang, Zhu Yan, Ju Changhua, et al. Dynamic simulation on shoot dry matter partitioning and yield formation of rapeseed[J]. Chinese Journal of Applied Ecology, 2007, 18(3): 526-530. (in Chinese with English abstract)

[28] 程陈，冯利平，薛庆禹，等. 日光温室黄瓜生长发育模拟模型[J]. 应用生态学报，2019，30(10)：3491-3500.

Cheng Chen, Feng Liping, Xue Qingyu, et al. Simulation model for cucumber growth and development in sunlight greenhouse[J]. Chinese Journal of Applied Ecology, 2019, 30(10): 3491-3500. (in Chinese with English abstract)

[29] 李永秀，罗卫红，倪纪恒，等. 用辐热积法模拟温室黄瓜叶面积、光合速率与干物质产量[J]. 农业工程学报，2005，21(12)：131-136.

Li Yongxiu, Luo Weihong, Ni Jiheng, et al. Simulation of leaf area, photosynthetic rate and dry matter production in greenhouse cucumber based on product of thermal effectiveness and photosynthetically active radiation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(12): 131-136. (in Chinese with English abstract)

[30] 肖深根，周朴华，Heuvelink Ep，等. 温室番茄同步叶片修剪对干物质生产和分配影响的模拟分析[J]. 中国农业科学，2006，39(10)：2154-2158.

Xiao Shengen, Zhou Puhua, Heuvelink Ep, et al. Simulation analysis of the effects of dry matter production and partitioning in greenhouse tomato synchronous leaf pruning[J]. Scientia Agricultura Sinica, 2006, 39(10): 2154-2158. (in Chinese with English abstract)

[31] 徐刚，郭世荣，张昌伟，等. 温室小型西瓜光合生产与干物质积累模拟模型[J]. 果树学报，2005，22(2)：129-133.

Xu Gang, Guo Shirong, Zhang Changwei, et al. Simulation model for photosynthesis and dry matter accumulation of watermelon in greenhouse[J]. Journal of Fruit Science, 2005, 22(2): 129-133. (in Chinese with English abstract)

[32] 马波，田军仓. 基于生理发育时间的压砂地西瓜发育动态模型及验证[J]. 农业工程学报，2016，32(20)：122-128.

Ma Bo, Tian Juncang, Growth and development dynamic model of watermelon in gravel-mulched field based on physiological development time[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(20): 122-128. (in Chinese with English abstract)

[33] Liang H, Hu K, Batchelor W D, et al. Developing a water and nitrogen management model for greenhouse vegetable production in China: Sensitivity analysis and evaluation[J]. Ecological Modelling, 2018, 367: 24-33.

[34] 李海燕，董在成，刘绍宽，等. 日光温室秋冬芹菜：早春番茄：夏豇豆高效栽培技术[J]. 中国蔬菜，2018(1)：95-98.

Li Haiyan, Dong Zaicheng, Liu Shaokuan, et al. Efficient cultivation technique of Autumn winter celery : Early spring tomato : Summer cowpea in solar greenhouse[J]. China Vegetables, 2018(1): 95-98. (in Chinese with English abstract)

[35] 祝海燕，亓延凤. 寿光桂河芹菜秋季栽培及窖藏技术[J]. 中国瓜菜，2016，29(10)：62-63.

Zhu Haiyan, Qi Yanfeng. Techniques of autumn cultivation and cellaring of celery in Shouguang[J]. China Cucurbits and Vegetables, 2016, 29(10): 62-63. (in Chinese with English abstract)

[36] 郑秀琴，冯利平，刘荣花. 冬小麦产量形成模拟模型研究[J]. 作物学报，2006，32(2)：260-266.

Zheng Xiuqin, Feng Liping, Liu Ronghua. A simulation model for yield components and final yield in winter wheat[J]. Acta Agronomica Sinica, 2006, 32(2): 260-266. (in Chinese with English abstract)

[37] 李刚，陈亚茹，戴剑锋，等. 日光温室切花郁金香花期与外观品质预测模型[J]. 生态学报，2011，31(14)：4062-4071.

Li Gang, Chen Yaru, Dai Jianfeng, et al. A model for predicting flowering date and external quality of cut tulip in solar greenhouse[J]. Acta Ecologica Sinica, 2011, 31(14): 4062-4071. (in Chinese with English abstract)

[38] 朱静，杨再强，柳笛，等. 设施芹菜光合特性对寡照胁迫的响应[J]. 干旱气象，2013，30(1)：53-58.

Zhu Jing, Yang Zaiqiang, Liu Di, et al. Response of the photosynthetic characteristics of celery to sparse sunlight in greenhouse[J]. Journal of Arid Meteorology, 2013, 30(1): 53-58. (in Chinese with English abstract)

[39] 程陈，黎贞发，董朝阳，等. 日光温室黄瓜和芹菜不同位置消光系数模拟及验证[J]. 农业工程学报，2020，36(21)：243-252.

Cheng Chen, Li Zhenfa, Dong Chaoyang, et al. Simulation and validation of extinction coefficient at different positions of cucumber and celery in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 243-252. (in Chinese with English abstract)

[40] 顾艳文. 重庆市两种特色蔬菜镉污染的高光谱检测[D]. 重庆：西南大学，2015.

Gu Yanwen. Estimation of Cadmium Accumulation in the Two Characteristic Vegetables in Chongqing Based on Hyperspectral Remote Technology Sensing[D]. Chongqing: Southwest University, 2015. (in Chinese with English abstract)

Simulation model of external morphology and dry matter accumulation and distribution of celery in solar greenhouse

Cheng Chen1, Dong Chaoyang2, Li Zhenfa2※, Gong Zhihong2, Feng Liping1

(1.,,100193,; 2.,300074,)

A dynamic simulation was performed here to characterize the external morphology, accumulation, and distribution of dry matter in the celery () under a solar greenhouse. A two-year experiment was carried out in a greenhouse from 2018 to 2020 in the Agricultural Science and Technology Innovation Base, Wuqing District, Tianjin, China (east longitude 116.97 °, latitude 39.43 °, altitude 8 m). There were 2 or 3 transplanting dates for each stubble, including the early transplanting date (EP, about 15 days earlier than the local conventional planting date), medium transplanting date (MP, local conventional transplanting date that was transplanted in mid September), and the Late Planting (LP, about 15 days later than the local conventional transplanting date). A random block group design was adopted, where three replicates were set for each transplanting date. The variety of celery was selected as. Five development stages were also divided, namely, the transplanting date (T), Outer Leaf Growth period (OLG), Cardiac Hypertrophy period (CH), Wither period (W), and uprooting period (U). An external morphology model was constructed with the Photo-Thermal Index (PTI) as an independent variable, according to the relationship between the growth dynamic of external morphology and key meteorological factors (temperature and radiation) of celery in a greenhouse. The PTI was also used to establish the dry and fresh matter distribution model. A module of dry matter accumulation in the celery was established under the amount of training using the double integral of leaf area index (LAI) and daily length in photosynthesis per unit leaf area, while considering the simulation modules of photosynthesis and respiration. A new model of fresh matter accumulation was established to combine the relative water content of each organ in each developmental stage. The whole growth model of celery was built in a greenhouse from each sub-module. The model parameters were then calibrated and determined. The rationality and accuracy of modules were validated using the statistical indicators. The results showed that: 1) In the external morphology model, the RMSE of simulated and measured morphological indicators of root length, main stem width, main stem length, plant height and LAI by pruning and natural were 2.46 cm, 1.49 mm, 6.72 cm, 11.08 cm, 0.74 m2/m2and 0.77 m2/m2, respectively, and the NRMSE was between 16.63% and 20.63%. 2) In the model of dry and fresh matter distribution, the NRMSE of the simulated and observed dry matter distribution index of each organ were between 8.24% and 27.19%, and the RMSE was between 0.60% and 7.01%, respectively. 3) In the dry matter accumulation model, different dry matter of organs (including root, green stems, and leaves, total stem and leaf, stem, petioles, overground by pruning and natural) of dry matter simulated and measured values of RMSE were from 3.85 to 85.80 g/m2, while the NRMSE were from 14.21% to 23.13%. Furthermore, the dry matter accumulation model presented a high accuracy, when simulating the dry matter of different organs. Consequently, the model can be expected to accurately simulate the external morphology, accumulation, and distribution of dry matter, thereby systematically and quantitatively representing the growth dynamics of celery in a solar greenhouse. A growth process of celery was also elucidated to realize and quantify the dynamic monitoring of celery growth. Therefore, the finding can provide sound technical support to the intelligent production and management of leaf vegetables in a solar greenhouse.

greenhouse; model; celery; external morphology; photo-thermal index; dry matter distribution; dry matter accumulation

10.11975/j.issn.1002-6819.2021.10.017

P422.1；S636.3；S162.5+5

A

1002-6819(2021)-10-0142-10

程陈，董朝阳，黎贞发，等. 日光温室芹菜外观形态及干物质积累分配模拟模型[J]. 农业工程学报，2021，37(10)：142-151.doi：10.11975/j.issn.1002-6819.2021.10.017 http://www.tcsae.org

Cheng Chen, Dong Chaoyang, Li Zhenfa, et al. Simulation model of external morphology and dry matter accumulation and distribution of celery in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(10): 142-151. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.10.017 http://www.tcsae.org

2020-11-04

2021-03-20

天津市蔬菜产业技术体系创新团队科研专项（201716）

程陈，博士，研究方向为作物模拟与环境调控研究。Email：chengc1993@cau.edu.cn

黎贞发，正研高级工程师，研究方向为设施园艺环境监测与调控、都市农业气象服务技术研究。Email：lzfaaa@126.com