黄钰瑾,熊勤学,3,4,胡佩敏,任菲莹
(1.长江大学农学院,湖北荆州 434025;2.荆州市气象局,湖北荆州 434020;3.湿地生态与农业利用教育部工程研究中心,湖北荆州 434025;4.长江大学涝渍灾害与湿地农业湖北省重点实验室;湖北荆州 434025;5.吉林省气象灾害防御技术中心,吉林长春 130062)
渍害是指作物长期遭受地下水浸渍,土壤理化性状恶化,水、热、气和养分失调,影响作物生长或危及作物存活而产生的一种农业气象灾害。长期以来,由于河流泛滥和泥沙堆积,在长江中游山地相夹地带形成大片低湿平地,并被开发成农田,但受地势低洼、农田建设及设施水平低、区域环境恶劣等因素的影响,农田作物常常遭受季节性或长期性渍害的危害[1]。渍害会导致作物不能正常生长发育,使根系缺氧乏力,不利于干物质累积,降低抗逆性,致使千粒重和产量下降及品质劣化。位于长江中游的湖北省监利县就是渍害经常发生的一个典型地区。据统计,监利县常年受渍农田面积占总耕地面积的40.6%。与同类地区丰产田相比,受渍后小麦减产50%~70%,灾害严重的年份甚至绝收,渍害已成为该地区农业持续稳定发展的主要限制因子。同时,由于作物受渍后植株表型特征变化不明显,受渍表现有明显的滞后性;在不同田块,因品种耐渍性、排灌设施、小气候、土壤理化特性等因素的不同,渍害造成的损失差异很大,因而通过最终产量预报作物受渍信息的准确性和时效性不佳。当前,气象部门根据暴雨预警指标进行大尺度渍害预报,得到的信息对农业生产指导意义不大,因此有必要开发综合考虑所有渍害致灾因子的预报模型。
作物渍害预报预警目前主要通过水文模型依据天气预报结果,模拟农作区未来一段时间的土壤水分时空分布,并结合渍害土壤水分指标来实现。可实现作物渍害空间分布信息提取的模型有SaltMod(salt model)模型、SAHYSMOD(SPATIAL AGRO-HYDRO-SALINITY MODEL)模型、DHSVM(distributed hydrology soil vegetation model)模型和DRAINMOD 模型。Ajay Singh分别运用SGMP(standard groundwater model program)模型与SaltMod模型以季节为单位对印度哈里亚纳邦因灌溉而形成的涝渍地的地下水位空间分布、时间变化和作物反应进行模拟,提出减少渍害和保证农作物产量的灌溉计划[2-3]。SAHYSMOD模型是根据水分条件的空间分布、水分管理情况、农作物轮作制度信息,以季节为单位模拟灌溉农田的土壤水分中的盐浓度、地下水量、排水流量、地下水位深空间分布的水分模型[4-5],已被成功引入大尺度、长时序的渍害监测中,取得了不错的预报结果[6-7]。熊勤学采用DHSVM模型将监利县分成若干个栅格单元,通过计算每个栅格单元的水平衡,结合作物轻、中、重度3种渍害的水分特征指标和天气预报数据,模拟了监利县未来几天夏收作物不同渍害的时空分布[8-9]。贾艳辉[10]运用VB语言,在地下水位监测硬件支持下,设计了基于DRAINMOD模型的农田渍害预警系统。由于模型模拟需要大量的观测数据支持与调参,因而运用气象预报数据,结合水文模型进行小麦渍害大尺度、高精度、及时的预报不现实。本研究针对目前大范围作物渍害预报缺乏的现状,构建基于多因素的小麦渍害预报预警指标模型,以期实现长江流域小麦渍害大尺度、精细化、立体预报。
监利县位于湖北省中南部、江汉平原南部,紧邻长江北岸(图1),面积为3 508 km2,地势分布呈“簸箕”形,即西、南、北三面较高,中部及东部较低,因此自身形成一个独立的水系;土壤类型主要有灰潮土、水稻土、黄棕壤;监利县属典型的亚热带季风气候,光能充足、热量资源丰富(大于10 ℃的积温5 171.8 ℃·d)、无霜期长(242~263 d)。
在监利县共设12个渍害监测点(图1),每个点设一具HOBO自动气象站和土壤水分监测点。自动气象站观测的项目有1.5 m高处的气温、湿度、总辐射、光合有效辐射,2 m高处的风向、风速、降水和地面10 cm处地温。土壤水分监测点采用Decagon公司EC50自动土壤水分监测仪,配有5个EC-5土壤水分传感器,埋设深度分别为5 cm、10 cm、15 cm、20 cm和25 cm,取5个值的平均值作为土壤根层水分含量。所有仪器设置为1 h自动测定和记录1次结果,观测日期为2014-2016年每年3月1日至4月30日(小麦拔节期-乳熟期),2017-2019年数据作为验证数据,12个监测点的其他相关信息见表1。
图1 观测点位置及地形图Fig.1 Observation position map in Jianli county
表1 12个监测点的相关信息Table 1 Relevant information in the monitoring sites
影响小麦渍害成灾因子很多,可归纳为气象条件、地形条件、土壤类型和作物耐渍性。其中,气象条件,特别是降水,是作物致灾的决定条件,是渍害主要原因;地形条件和土壤类型影响土壤水分再分配,是决定渍害空间分布差异的主因;而作物耐渍性是作物致灾的关键要素。三类成灾因子中,只用气象条件判别小麦是否受渍称为可能渍害预报,考虑气象条件、地形条件和土壤类型则称为潜在渍害预报,如果再加上作物耐渍性条件才真正称得上是渍害的预报。本研究重点对小麦潜在渍害预报进行探讨。
目前对作物可能渍害预报指标的计算研究很多,主要有Guo[11]提出涝渍害日指数WI(daily waterlogging index)的概念来量化渍害对作物的影响,其计算公式为:
WIi=SAPI+Mi
(1)
其中,SAPI(standard antecedent precipitation index)为标准化先前降水指数,反映前期降水对作物的影响,Mi为第i天相对湿度指数。
吴洪颜[12-13]提出湿渍害日指数Qi的概念来量化可能渍害对作物的影响,其计算公式为:
Qi=(R-ETC)/ETC-(S-S0)/S0
(2)
其中,R为降雨量、ETC为作物需水量,S为日照时数,S0为可照时数。
由于这两指标只考虑了气象条件对渍害的影响,因此基于其的预报结果误差大,不具备农业生产指导作用,有必要加入地形条件和土壤类型条件,实现作物潜在渍害预报预警。
首先用API(前期降水指数,antecedent precipitation index)来表达降水条件对渍害的影响,计算公式[14]为:
APIi=Pi+K×APIi-1
(3)
其中,APIi分别为第i天的前期降水指数(mm);Pi为第i天的降雨量(mm);APIi-1为第i-1天的前期降水指数(mm);K为土壤水分的日消退系数,它综合反映土壤蓄水量因蒸散而减少的特性,因此K值大小与蒸散发相关,其计算公式[15]为:
K=1-EM/WM
(4)
WM=P-R-E
(5)
式中,EM为流域日蒸散能力,WM为流域最大蓄水量,P为平均降雨量,R为平均产流量,E为平均蒸散量。当P大于100 mm时,API为100 mm。
EM采用Hargreaves-Samani(H-S)模型计算,具体公式[16]为:
EM=0.002 3(T+17.8)×(Tmax-Tmin)1/2Ra/λ
(6)
式中,T为日平均温度;Tmax为日最高气温(℃);Tmin为日最低气温(℃);Ra为地球外辐射(MJ·m-2·d-1),λ为蒸发潜热(2.45 MJ·kg-1)。
API不仅能用作反映潜在渍害的指标,而且更多用于作物干旱预测[17],主要原因是API能反映土壤水分变化特征[18],由于API只考虑了气象条件的影响,有必要加入其他影响因子,使它能更好反映土壤水分变化特征。
公式4中K是土壤水分的日消退系数,它只考虑了蒸散的影响,而土壤水分差异的关键因子是地形条件和土壤类型。为表达地形条件差异,引入变量地形湿度指数TWI[19],同时用土壤横向饱和导水率(Lc:lateral conductivity,10-5m·s-1)代表周围土壤水分的影响,得到K值计算公式为:
K=(1-EM/WM)×(a+b×Lc×TWI)
(7)
TWI=ln[a/tg(b)]
(8)
公式3和7构成潜在渍害预报预警日指标计算公式,取名为小麦潜在渍害日指数(PWWDI,the potential wheat waterlogging daily index)。a为单位等高线长度或单元栅格的汇流面积;b为局部坡度角。
TWI具体计算过程采用单流向算法[20]。下载湖北省监利县的SRTM(shuttle radar topography mission)、DEM数据并在ARCGIS中进行SINK处理,然后进行flow direction和flow accumulation处理,得到a值为flow accumulation值与单元格面积乘积;同时在ARCGIS进行slope计算,得到b值,代入公式8,可得TWI值;如果b=0,取TWI值为0。
PWWDI既是影响作物渍害成因的综合因子,也是反映土壤水分空间差异的特征量[21],因而本研究用12个观测点2014-2016年3-4月份土壤体积含水率的平均值与TWI值和Lc值的乘积进行线性回归分析并求算a、b值,其中Lc值按土壤类型取值,其中黄棕壤取值为0.01×10-5m·s-1,水稻土为0.015×10-5m·s-1,潮土为0.02×10-5m·s-1。得到的线性回归方程为y=0.1375×Lc×TWI+0.24,相关系数为 0.90,F(1,11)=42.70>F0.001。
对回归方程进行归一化处理,统一除以土壤平均体积含水率0.26 m3·m-3,求得公式7中的a值为0.94,b值为0.54,最终得到PWWDI计算公式:
PWWDIi=(1-EM/WM) (0.94+0.54×Lc×TWI) PWWDIi-1
将12个观测点2014-2016年3-4月份的土壤水分日均值与计算得到的PWWDI(样本数为3 843)进行回归分析,得到的相关系数为 0.78,达到极显著水平。而如果通过公式4计算K值再计算API,得到的API与土壤水分日均值的相关系数只有0.72,说明PWWDI比API更能准确反映土壤水分日均值时空差异。
分析发现,土壤水分的观测数据与同期PWWDI的时间变化曲线基本一致,两者关系像土壤吸力和土壤水分关系一样,有明显的吸湿过程和脱湿过程(图2)。当土壤水分减少时PWWDI比较低,而当土壤水分增加到同样的值时PWWDI普遍偏高,产生这一现象的主要原因是PWWDI主要反映环境要素对土壤水分的综合影响,而土壤水分的响应滞后于环境要素的影响。PWWDI具有的土壤水分吸湿和脱湿过程的差异性导致作物渍害发生和结束时的PWWDI不同,作物渍害发生时是吸湿过程,PWWDI高;而作物渍害结束时是脱湿过程,PWWDI低(图3)。
图中每个点的数据表示天数序号(2017年3月1日至4月30日)。The values refer to the days from March 1 to April 30 in 2017.图2 2017年观测点3的土壤水分观测数据与PWWDI的关系Fig.2 Relationship between average soil moisturevalue in No.3 monitoring site in 2017 and PCWDI values
图3 12个观测点2014-2016年3-4月份观测到的土壤水分日均值与PWWDI的关系Fig.3 Relationship between average soil moisture value in the 12 monitoring sites in 2014-2016 and PWWDI values
有学者提出渍害判别标准:当农田地下水位埋深小于60 cm,土壤根层相对体积含水率5 d 滑动均值高于110%的持续期大于5 d,认为夏收作物受到轻度渍害;如果持续期大于12 d 认为受到中度渍害;持续期20 d以上认为受到重度渍害[9,22]。按照此判别标准,利用2014-2016年12个观测点的土壤水分数据,得到渍害发生时和结束时PWWDI值的频率分布图(图4)。由图4看出,渍害发生时PWWDI值主要集中在60~75 mm区间,平均值为 68.7 mm;结束时PWWDI值主要集中在35~45 mm范围,平均值为42.5 mm。
图4 2014-2016年监利县12个观测点渍害发生时(A)和结束时(B)PWWDI值的频谱图Fig.4 Frequency of PCWDI values at the time (A) and the end (B) of the occurrence of sub-surface waterlogging
监利县土壤根层相对体积含水率为110%时土壤体积含水率为0.32 m3·m-3,将它作为x代入图3中的吸湿曲线方程和脱湿曲线方程,得到渍害发生时PWWDI值为75.2 mm,渍害结束时PWWDI值为38.9 mm。
综合两种方法结果得到小麦受渍指标:当农田地下水位埋深小于60 cm,PWWDI 5 d 滑动均值高于65 mm的持续期大于5 d,认为小麦受到轻度渍害;如果持续期大于12 d 认为受到中度渍害;持续期20 d以上认为受到重度渍害;渍害发生后,当PWWDI值小于40 mm时,渍害结束。
将基于PWWDI的受渍指标运用到监利县3个监测点2017-2019年渍害预报实际中,将得到的预报结果(表2)与以土壤含水量为依据的小麦渍害标准获得的结果比较,结果表明,22次渍害中有17次准确,3次漏报,2次误报,其中3次漏报是因为预报的渍害持续期小于5 d而忽略,2次误报是2018年4月5日降雨量达到86.7 mm,后期无雨,导致当日API异常高,从而产生的误报,准确率77.3%,说明用PWWDI进行渍害预报预警比较准确。
表2 2017-2019年监测点实际受渍信息与预报结果比较Table 2 Comparison of waterlogging information and forecasted results at monitoring sites from 2017 to 2019
API自上世纪40年代由Kohler提出[23],作为土壤水分状况指标,为提高小流域和土壤高湿区水分精度,其计算方法在不断改进。如,Binru Zhao[24]优化了API计算公式中的衰减系数(将日平均气温和极大值限制引入),改进后API对意大利爱米利娅罗马涅地区滑坡的预报准确率明显提高。段海来[25]提出基于标准化前期降水指数SAPI 的逐日洪涝监测指标建立晚稻洪涝指数,该指数能够较好地反映洪涝的发生、发展及结束过程中的强度变化细节,而且其波动能够对降水过程合理响应。本研究将地形湿度指数和土壤横向饱和导水率引入API公式中的衰减系数计算,反映流域内地形和土壤类型差异对土壤湿度空间分布变异的影响,因为地形湿度指数是反映小流域尺度的土壤水分指标[26],土壤横向饱和导水率反映土壤类型差异对土壤水分横向传输的影响,而这些因子皆为渍害的致灾因子,因此改进后的API能从时间上高效反映小麦潜在渍害的危害程度,本研究结果最终证明了这一点。
小麦潜在渍害日指数计算需要输入的参数为气象数据、地形湿度指数和横向饱和导水率,其中地形湿度指数和横向饱和导水率不随时间变化,因此用高程空间数据和土壤类型空间数据可以得到这两个参数的空间分布,结合气象数据,就能实现高空间分辨率不同地点的小麦渍害差异化预测预报的结果,在少量监测数据的情况下,可大大提高小麦渍害预测预报精度。简单、实用、可操作性强和精度高是运用小麦潜在渍害日指数进行渍害预测预报的优点。
尽管基于小麦潜在渍害日指数的作物受渍预报预警得到验证,但其通适性还有待进一步研究;同时小麦潜在渍害日指数没有考虑作物的耐渍性,如何将作物的耐渍性融入小麦潜在渍害日指数计算公式中,是未来小麦受渍预报预警研究的方向。
在量化作物渍害成灾因子的基础上,提出了小麦潜在渍害日指数概念,并给出了小麦潜在渍害日指数的计算公式,小麦潜在渍害日指数综合考虑了气象条件、地形和土壤类型对渍害的影响,而且公式中参数易获取,较涝渍害日指数、前期降水指数更加准确。同时给出了监利县基于小麦潜在渍害日指数的夏收作物受渍指标,通过3年的验证证明该方法比较准确。