苏南丘陵地区茶树蒸散发估算模型的适用性评估

倪雨欣，张川，闫浩芳，张文程，周俊安，薛润

(1. 江苏大学农业工程学院，江苏 镇江212013； 2. 江苏大学国家水泵及系统工程技术研究中心，江苏 镇江212013)

苏南地区作为中国茶叶的主要种植区之一，其产量在茶叶总产量中占比75%左右[1].但苏南地区茶树在秋冬季干旱情况下，往往出现萎蔫现象，导致鲜叶采摘时间推迟，严重影响了春茶生产.合理灌溉既可加强茶叶持嫩性，又可缓解秋季高温缺水问题，使采摘期延长，茶叶品质得到有效改善[2].掌握茶树蒸散量(ETc)的动态变化特点，是茶园灌溉效率提高的基础和科学合理灌溉制度制定的首要依据[3-4].

ALLEN等[5]提出太阳辐射、气温、水汽压差以及风速等是影响农作物ETc最重要的气象因素，另外农作物种类、种植密度以及生长阶段都会对作物冠层阻力、地面覆盖度和作物根系产生影响，进而对ETc变化产生影响.目前有许多理论模型与经验方法能够对不同农作物ETc进行估算，但是每种方法在不同环境和作物种类下的适用性存在不确定性.ALLEN等[5]以FAO建议的Penman-Monteith模型为计算作物ETc的标准方法，但有研究显示，该方法对稀疏种植作物ETc进行估算时会产生高达30%[6]的误差.

目前作物系数模型(S-kc)作为FAO-56建议的估算农田ETc方法，已得到广泛应用[7].S-kc模型的作物系数(kc)与作物品种及生长特性有很大关系，在不同气候条件下有很大差别[8].例如ZANOTELLI等[9]根据意大利南蒂洛尔苹果园涡度系统实测资料对苹果树的kc值进行测定，结果表明所测kc值在整个生育期均为钟形曲线，比按当地气候条件修正的FAO-56建议值低.由此可见，依据茶树生长状况及本地气候条件对茶树kc率定是茶树ETc准确估算的重要基础.

S-kc模型因需要大量气象资料而在资料短缺的地区的应用受到限制，Priestley-Taylor (PT-α)模型为FAO-56 Penman-Monteith模型简化形式，经验系数α取代空气动力项.PT-α模型由于所需气象数少而广泛应用于大田ETc模拟.但是，PT-α模型存在着参数取值范围小、敏感性强等缺点，从而导致估算结果与真实值之间存在一定差异.这些问题都严重制约着PT-α模型的进一步发展和推广.由于该模型应用假定不存在平流影响，实际研究区下垫面多为非均匀且土壤物理性质也不一致[10]，使模型估算精度降低.所以根据本地气候条件修正模型系数α是保证PT-α模型模拟准确性的先决条件.

该研究基于苏南地区2017—2020年茶园波文比能量观测系统得到的ETc值，率定出S-kc模型中kc，确定PT-α模型系数α；分析茶树各生育期ETc与气象因子之间的响应特性；对比S-kc与PT-α模型模拟茶树ETc精度，从而确定适合苏南丘陵地区的ETc模型.研究结果可为在苏南地区茶园建立高效灌水制度、实施精量化灌溉管理等提供重要参考依据.

1 材料与方法

1.1 区域概况

本试验于2017—2020年在江苏省丹阳市茶园(119°40′22″E，32°01′33″N)开展.本区属丘陵地区，平均海拔23 m，属于亚热带季风气候，其特点是四季分明，暖湿多热，雨水充足.试验地年均降水量1 063 mm，降水主要分布于每年4—10月，该期间降水量占据全年80%.年平均气温15.4 ℃，年均相对湿度76%，年累计日照2 052 h左右，无霜期为239 d，年均风速3.4 m/s.区域土壤以黄褐色壤土为主，容重为1.7 g/cm3.

试验地中央布置气象站，远离周围乔木，符合波文比能量观测系统不受风浪区干扰的条件[11].测量之前，把布置于不同高度上的温度传感器放在相同高度进行标定，以消除仪器之间存在的误差.该研究采用高频数据采集，保证了波文比能量观测系统测量ETc的可靠性.试验地内茶树在2013年栽植，株宽1 m，行距0.5 m.茶树高0.7～1.2 m，修剪时间为每年的5月中上旬.试验期内茶树全部采用自然雨养方式，无人工灌溉.

1.2 微气象数据采集

茶园设置自动微气象观测系统，数据采集项主要包括：2.5 m高度处观测太阳净辐射Rn的净辐射计(CNR4，Kipp & Zonen，荷兰)；埋于地面以下5 cm观测土壤热通量G的土壤热通量板(HFP01，Hukseflux，荷兰)；2个观测2.0 m和3.0 m高度处气温Ta和相对湿度RH的温湿度传感器(HMP155A，Vaisala，芬兰)；2.5 m高处测量风速u及风向的超声波风速仪(CSAT3，Campbell，美国)；观测地下30 cm深的土壤体积含水量VWC的土壤水分传感器(Hydra Probe Ⅱ，Stevens，美国).该研究由数据采集器(CR3000，Campbell，美国)记录小时和日尺度数据.利用2017—2019年数据率定S-kc模型的作物系数kc及修正PT-α模型中系数α，利用2020年数据对这2类模型进行精度检验.因观测仪器操作故障造成2017年2.7%和2018年4.0%的数据丢失，2019年1月3日—4月21日及2020年1月11日—3月22日数据丢失.

1.3 估算方法

1.3.1 作物系数模型(S-kc)

S-kc模型系数kc综合考虑作物蒸腾和土壤蒸发[12].kc将ETc和ET0联系起来，计算公式为

kc=ETc/ET0，

(1)

式中：ETc为作物日蒸散发量，mm/d；kc为作物系数；ET0为参考作物蒸散量，mm/d.采用FAO-56建议的Penman-Monteith模型为手段，在大田环境中ET0计算公式[13]为

(2)

式中：Δ为饱和水汽压和温度曲线斜率，kPa/(℃)；Rn为太阳净辐射，W/m2；G为土壤热通量，W/m2；γ为湿度计常数，取值为0.067 kPa/(℃)；Ta为平均气温，℃；es和ea分别为饱和水汽压和实际水汽压，kPa；u为平均风速，m/s.

1.3.2 Priestley-Taylor模型(PT-α)

PT-α模型为Priestley与Taylor 在Penman-Monteith模型的基础上发展而来，以简化空气动力学阻力在作物ETc中的作用[14].为了补偿平流对ETc的作用，模型引入参数α并推出了在假定无平流作用情况下估算ETc模型.

(3)

式中：LET为农田潜热通量.

1.3.3 波文比能量平衡模型

采用波文比能量平衡法(BREB 法)对茶园ETc测定.BREB 法基于能量平衡原理，得到计算农田潜热通量LET的方法为

(4)

式中：β为波文比，是显热通量H与潜热通量LET的比值，即

(5)

式中：ΔT为作物冠层上方2个不同高度处上的温度差，℃；Δe为2个高度处的实际水汽压差，kPa.

1.4 评价指标

本研究通过计算S-kc和PT-α模型的模拟结果与BREB观测值的平均绝对误差MAE、均方根误差RMSE和纳什系数NSE对模型精度进行评价.MAE和RMSE越接近于0，NSE越接近于1时，表明模型模拟结果与实测值越吻合，即整体结果可信[15].

2 试验结果与分析

2.1 茶园微气象数据变化特征

图1是苏南地区茶树3个生长周期(2017—2019年)内微气象数据的变化特征.如图1所示，太阳净辐射Rn与土壤热通量G的总体变化趋势具有良好的一致性，6—9月其值较高，Rn在7月达到峰值241 W/m2；G在5月达到最大值41 W/m2；Rn与G的年均值分别达到102和11.3 W/m2.年均降雨量P为1 053 mm，雨水丰沛，其中，2017年9月总降雨量超250 mm.波文比法测定的茶园ETc在7，8月达到最大值9 mm/d,波文比β则达到最低值.土壤体积含水量VWC为0.13～0.39 cm3/cm3.气温Ta与水汽压差VPD的年变化基本一致，均为单峰型且极大值出现在8月.7月和8月风速u全年最低.

图1 2017—2019年苏南地区茶树各生育期内微气象数据的动态变化

2.2 率定作物系数

FAO-56将作物生长划分为4个生育期，并给出了作物各生育期对应的kc的推荐值.因茶树属多年生作物，受人工管理影响大，依据试验地具体气候条件及茶树生育期内的变化特点[16]，茶树生育期可分为：1—3月的生长初期、4—5月的快速生长期(修剪采摘期)、6—10月的生长中期和10—12月的生长后期.由于茶树在快速生长期内叶片处于持续生长状态，ETc呈现总体增加的态势，快速生长期kc的初始值、终值分别由茶树生长初期及生长中期限定，据此作为率定原则.图2为茶树各生育期ET0和ETc的线性回归曲线.

由图2可见：茶树生育期内最高ETc在生长中期出现，kc值在茶树生长初、中、后期分别为0.83，1.19和1.06，kc与FAO-56建议的kc值在全生育期内变化趋势总体一致，整体上高于建议值(0.95，1.00和1.00)，这可能是因为试验地点茶树栽培多年且正值盛产期，总叶面积及平均高度都比参考作物大，ETc高导致kc也偏高.图3是茶树全生育期内kc的变化历程.

注：ETc为Bowen 比能量平衡法(BREB)实测值

图3 2017—2019年茶树kc的月变化趋势及ET0与BREB法测量ETc 的月累计值对比

在4—5月茶树ETc在修剪作用下有减小趋势，kc降低.6—10月属茶树生长中期，叶面积大，温度、降水、辐射亦大，kc显著升高.10月后温度下降，降雨减少，叶面积渐小，kc渐小.年kc平均值为1.03.

郑珍等[17]利用大型称重式蒸渗仪测得的蒸散量值和作物系数模型模拟值比较，对关中地区冬小麦蒸散发规律进行了研究，结果表明：冬小麦kc值全季节先升后降，比按当地气候条件修正的FAO建议值低.kc依赖于地表覆盖及作物特性等因素，且在各地点间可能存在较大差别，给kc方法带来一定难度.MEHTA等[18]发现FAO建议值经校正后在茶树初、中、后期的kc分别达到0.89，1.05和0.60.因茶树冠层构造类似，其kc值与本研究的变化趋势基本一致.在茶树全生育期内，作物系数kc呈现出先升高后降低的整体趋势.

2.3 Priestley-Taylor模型系数α的修正

PT-α模型对作物ETc的估算准确度受到Rn，VPD，VWC以及下垫面状况等影响.为了阐明其变化规律和影响因素，利用实测数据和气象数据α，年平均α为1.09，用式(3)对系数α进行校正.图4是α在2017—2019这3年月变化情况.α年变化幅度介于0.8～1.34，总体上小于FAO建议值1.26.其中最小值为5月的0.80，虽然这一阶段茶树的叶面积有所增加，但是大范围的修剪以及降雨偏少、土壤水分下降等因素使α偏低.5月份以后茶树的叶面积达到了一个比较高的水平，同时降水的增加对土壤水分的补给和气温的持续升高使得茶树的蒸腾加强，α也达到了一个相对比较高的水平. 9—12月受降水减少和气温降低，α表现为增大趋势.

图4 2017—2019年率定后α值的变化过程及α=1时Priestley-Taylor模型估算ETc与BREB法测量ETc的月累积值对比

2.4 ETc和气象因子的相关性分析

不同生育期的土壤条件及生长情况变化，作物的主要驱动因子随之变化[19].表1为2017—2019年茶树各生育期ETc与气象因子相关性分析结果.从表1可以看出，茶树生长初期气象因子对ETc的相关性偏低(相关系数< 0.17)，VWC对ETc的相关系数最高，为0.20；茶树快速生长期，Ta及VPD对ETc的相关性显著降低，而P对ETc相关性在0.05水平上具有统计学意义；茶树生长中期，VWC，Ta，VPD对ETc的相关性持续增加，其中G，Ta，VPD对ETc相关性在0.05水平上具有统计学意义；生长后期，除P和u外的气象因子对ETc的相关水平普遍降低，各气象因子对ETc在0.05水平上均不具有统计学意义.整个生育期内，VWC，Ta和VPD是主要气象驱动因子且与ETc在0.05水平上具有统计学意义.

表1 2017—2019年茶树各生育期ETc与气象因子相关性分析结果

2.5 模型验证

图5是修正的S-kc及PT-α模型对ETc与BREB法实测量蒸散发(ETc-M)变化的过程线.PT-α和S-kc模型对ETc的模拟结果同ETc-M趋势较吻合.以波文比能量观测系统的ETc观测数据作为参照，PT-α和S-kc模型均对茶树ETc存在低估，可能是茶树快速生长期，由于受到修剪等人为的影响；茶树生长中期6—8月，PT-α和S-kc模型对茶树ETc存在低估，9—10月PT-α和S-kc模型对茶树ETc存在高估，S-kc模型模拟趋势与ETc-M最吻合.茶树生长后期，PT-α和S-kc模型均对茶树ETc存在不同程度的高估，PT-α模型模拟趋势与ETc-M最吻合.

图5 S-kc和PT-α模型对ETc模拟值与BREB法实测值的变化规律

根据2020年BREB法对ETc-M的测量值，对修正后的S-kc和PT-α模型模拟ETc的可靠性进行了验证，模拟值与实测值呈线性相关，结果见图6所示.

图6 基于BREB法ETc实测值和修正后模型模拟值的比较

2种蒸散发估算模型对茶树潜热通量的模拟均有良好的模拟效果，模拟R2不小于0.88，以波文比能量观测系统的ETc观测数据作为参照，S-kc模型(R2=0.88)对实测ETc的估计值较高，PT-α模型(R2=0.91)的估计值相对较低.表2是S-kc和PT-α模型的修正模拟值以及ETc-M统计分析指标(MAE，RMSE和NSE)的结果.

表2 2020年修正后的PT-α和S-kc模型对ETc估算值与BREB实测值的统计分析结果

修正后的PT-α模型多数情况下能够较好地对茶树ETc进行估计.快速生长期，S-kc模型模拟精度较优，S-kc模型的MAE(0.72 mm/d)和RMSE(0.99 mm/d)均低于PT-α模型(MAE=1.34 mm/d，RMSE=1.82 mm/d)，且R2(0.78)高于PT-α模型(R2=0.40).2种模型对快速生长期实测ETc的估计值都较低.在茶树生长中期，S-kc模型模拟精度(MAE=0.36 mm/d,RMSE=0.48 mm/d)也优于PT-α模型(MAE=0.60 mm/d,RMSE=0.68 mm/d).2种模型在茶树生长中期的ETc实测有不同程度的低估(6—9月)和高估(10月).茶树生长后期，PT-α模型的MAE(0.35 mm/d)和RMSE(0.23 mm/d)精度优于S-kc模型(MAE=0.95 mm/d，RMSE=1.05 mm/d).S-kc模型并不适用于茶树生长后期(NSE< 0)，从图5也可以看出在茶树生长后期S-kc模型明显对实测ETc的估计显著偏高.由此可见，茶树生长的整个生育期中PT-α模型更适合用于对生长后期的估算，S-kc模型则适用于生长中期的估算.

3 结 论

利用苏南丘陵地区茶园2017—2020年实测微气象数据和波文比能量平衡(BREB)观测系统的ETc实测数据，分别对FAO-56作物系数(S-kc)模型及Priestley-Taylor (PT-α)模型进行了参数化处理及模型精度分析并得出以下结论：

S-kc模型的作物系数kc在茶树生长初、中、后期分别为0.83，1.19和1.06.PT-α模型系数α在茶树全生育期内在0.80～1.34变化，其均值为1.09.

茶树生长初期，气象因子对ETc的相关性偏低；快速生长期，P对ETc在0.05的水平下具有统计学意义；茶树生长中期，G和Ta对茶树ETc在0.05的水平下具有统计学意义；生长后期，除P和u外的气象因子对ETc的相关水平普遍降低，各气象因子对ETc在0.05的水平下均不具有统计学意义.茶树全生育期内VWC，Ta及VPD对ETc在0.05的水平下具有统计学意义.

茶树全生育期内，以波文比能量观测系统的ETc观测数据作为参照，S-kc模型对茶树实测ETc的估计值较高，PT-α模型对ETc估计值较低.与PT-α模型相比较，S-kc模型在快速生长期及生长中期模拟ETc精度较高，而PT-α模型在生长后期模拟精度较好.因此，在茶树的快速生长期和生长中期，建议采用S-kc模型估算茶树ETc；在茶树生长后期，建议采用PT-α模型.