RZWQM2模型对河北坝上地区大白菜模拟适用性评价

裴宏伟，李雅丽，李 赟，王海英，黄欣莉，张红娟

（1.河北建筑工程学院市政与环境工程系，河北张家口075000；2.河北省水质工程与水资源综合利用重点实验室，河北张家口075000；3.张家口市农业高效节水研究所，河北张家口075000）

0 引言

大白菜（Chinese Cabbage）的种植在我国已有5000 多年的种植历史，具有耐寒、高产量、易运输、易储存且营养价值高等优点[1]。大白菜一直是我国种植面积最大的蔬菜种类，种植面积已经达到267 万hm2[2]。在河北坝上地区（36°30´~46°42´N、106°16´W~124°51´E），大白菜是该地区最主要的蔬菜作物[3]，该地区多年平均降水量低于400 mm，水资源禀赋不足且年际变化较大，同时大白菜生长过程中需要消耗大量地下水用于灌溉，由于多年持续超采地下水，已经导致本地区耕地退化、湖泊干涸、防护林死亡和草场沙化等生态问题，严重制约着该地区农业生产和社会经济的可持续发展[4,5]。因此，明确大白菜生育期田间土壤水分过程、作物生长及产量变化，是提高农业发展和节约农业水资源管理的关键科学问题。

作物模型（根区水质模型RZWQM2）整合了土壤和特定试验场地的气候条件，可模拟作物田间土壤水分和作物生长[6]。Ahuja 和Ma 等人对该模型的运行机理和计算等做了详细描述[7,8]，提供了一种具有良好适用性的研究工具。目前，国内外研究学者对RZWQM2 模型在各地区和各种作物进行了大量研究，例如，蒋腾聪[9]等通过该模型对不同水分胁迫冬小麦生长得到了较好的模拟，验证了该模型适用于我国干旱半干旱地区冬小麦的研究；王贵云[10]等运用该模型验证了牛场肥水的施用对河北徐水区夏玉米农田的可行性；Zhang 等[11]评价了RZWQM2 模型模拟美国科罗拉多州北部地区在亏缺灌溉条件下的玉米产量及产量构成要素的性能，得到了在有限水分供应条件下的最优亏缺灌溉策略；Zhang 等[12]采用该模型模拟了美国科罗拉多州东部地区不同灌溉处理下向日葵的生长情况，并得到了较好的验证；张红娟等[13]分析了河北坝上地区裸燕麦作物在该地区的适用性分析，并对裸燕麦作物田间土壤水分及作物生长发育情况进行了较好的模拟，赵亮[14]通过RZWQM模型对山西地区夏玉米的土壤水分及氮素分布得到了较好的模拟，并为该地区农业科学管理提供重要理论依据。我国对RZWQM 模型的研究也主要集中于西北地区以及河北坝下地区[15-20]，而对于河北坝上地区蔬菜作物的相关研究较少。

因此，本研究以河北坝上地区大白菜为研究对象，利用滴灌大白菜2018年和2019年田间定位试验，通过对RZWQM2模型的参数校准，模拟田间土壤水分和作物生长在生育期内的变化，以此来评价该模型模拟精度。研究结果可为河北坝上地区滴灌大白菜田间水分高效管理提供理论依据，同时为进一步研究该地区滴灌大白菜不同灌溉制度和作物管理等研究工作提供科学依据。

1 材料与方法

1.1 研究区概况

试验研究是在张家口市农业高效节水研究所（41°09´N、114°42´E）进行的，为期2 a（2018年、2019年）。该研究所位于河北省西北部，海拔1 376 m，属于中温带半干旱大陆性季风气候，根据中国气象数据网统计的气象数据（1990-2020年），该研究区多年平均气温4.4 ℃，平均降水量为250.5 mm，约70%的降水发生在7-9月的作物生长季节。2018年和2019年大白菜生育期内降水量分别为212.5 mm 和158.6 mm，分别占全年总降水量的43.5%和37.7%。试验地土壤质地以沙壤土为主，耕作层（0~40 cm）土壤pH值为7.6~8.2。

1.2 田间试验

试验用大白菜幼苗分别于2018年5月25日和2019年5月27日移栽定植，品种为“CR 鼎盛”，播种量为4 万棵/hm2，分别于2018年8月1日和2019年7月30日收获。两年种植方式均为起垄种植，垄宽75 cm，垄高约10 cm，垄间距20 cm，种植期间生育期内共追肥4 次（莲座期和结球期均2 次），灌溉方式为膜下滴灌，且生育期总灌溉量分别为164 mm 和149 mm，试验小区面积为4 m2（2 m×2 m），小区外围设有1 m 的保护行，试验小区底部安装有大型称重式蒸渗仪，该蒸渗仪由一个不锈钢铁箱组成（长×宽×高=2 m×2 m×2.3 m）。试验小区的田间管理措施与当地露地大白菜保持一致。

1.3 数据收集

（1）模型基础数据。模型基础输入数据包括气象数据、土壤理化特性数据，气象数据由中国气象数据网提供，包括（平均风速km/d、最高气温℃、最低气温℃、平均相对湿度%、日照时数h及降水量mm），土壤理化特性数据采用模型本身参数，包括(土壤质地%、容重g/cm3、饱和导水率cm/h 及田间持水量cm3/cm3)。

（2）田间试验数据。本研究中通过实时监测的智墒[21]（智能测墒系统Insentek Sensor：简称“智墒”，东方智感（浙江）科技股份有限公司生产）在生育期内监测不同剖面的土壤水分，田间蒸散量是由大型称重式蒸渗仪通过每日初始和最终土体重量之间的差值来计算，而土体重量的增大则是由降水量和灌溉量导致的。同时大白菜生育期内作物数据（株高及最终产量）的测定，每7~10 d 记录一次作物株高，产量则在作物收获期测得。

1.4 RZWQM2模型描述及参数优化

RZWQM2 模型是由美国农业部研究所研发的农业系统一维模型，模型主要模块有物理、化学、杀虫剂、养分、作物生长和作物管理[22-25]。模型中对土壤水分入渗过程采用Green-Ampt 入渗方程描述，分别采用Poiseuille’s 方程和Richard’s方程模拟大孔隙流动和土壤水的再分布，潜在蒸散是由Shuttleworth-Wallace 方程计算而得。RZWQM2 还可提供多种选择用于模拟作物生长，包括通用作物生长模型、DSSATCSM 模型、HERMES 模型、QckPlant 模型、QckTurf和QckTree模型。本研究中选用QckPlant 作物模型中的Chinese Cabbage作物模拟大白菜的生长情况。

利用历史气象数据（2000-2019年）进行了20 a 的初始化运行，并根据2018年和2019年大白菜的作物管理、株高及土壤水分等试验数据，通过“试错法”对RZWQM2 模型中的一组参数（土壤物理参数和土壤水力参数）进行了优化。土壤水力参数包括不同土层下的饱和导水率和田间持水量，此外还可优化土壤根系生长因子参数。

1.5 模型参数的校准

本研究基于2018年和2019年田间观测数据和模型默认数据，采用“试错法”对模型参数进行了校准。由于大白菜（Chinese Cabbage）属于QckPlant作物模块，作物生育期较短，且模型中QckPlant 模块没有作物参数进行校准，因而只针对土壤物理参数进行了校准，校准结果为表1。

表1 大白菜试验地不同土层的土壤理化参数值Tab.1 Soil physical parameters of different soil layers in Chinese cabbage test site

1.6 模型评价指标

在模型的校准或验证中，RZWQM2 模型的拟合程度通过均方根误差（RMSE）和一致性指数（d）进行量化。

式中：Pi和Qi分别为第i个模拟值和实测值；Qavg为平均实测值；n为数据的个数。一致性指数（d）位于0~1 之间，d值越接近于1则表示实测值与模拟值的一致性越好[26]。

2 结果与分析

2.1 土壤水分模拟

利用RZWQM2 模型模拟了大白菜田间20 cm、40 cm 和60 cm 土层的土壤水分变化。结果表明，该模型很好地模拟出了大白菜田间20 cm、40 cm 土层深度的土壤水分（图1）。在滴灌大白菜2018、2019年生育期内，土壤水分均呈现稳定的起伏趋势，此外，在有灌溉和降水时，大白菜土壤水分会明显增大，但由于土壤表层到更深土层每10 cm 大约有1~3 h 的滞后。而对2018年生育期开始阶段土壤水分模拟结果较差的原因可能是因为模型在模拟时需要先进行预热期调试。

图1 2018年和2019年滴灌大白菜田间土壤水分模拟动态变化Fig.1 Simulation the field soil water content of dynamic changes of Chinese Cabbage under drip irrigation during 2018 and 2019

各土层土壤水分模拟值与实测值的一致性指数（d）在0.50~0.80之间，其中对20 cm、40 cm土层模拟的d值达到0.65以上，该结果表明了RZWQM2 模型对浅层土壤水分的模拟效果会更好。在大白菜2019年生育期内，20 cm、40 cm 和60 cm各土层土壤水分模拟值与实测值之间的均方根误差（RMSE)分别为2.13%、1.13%、1.00%；对3 个土层深度的土壤水分模拟d值分别为0.67、0.76、0.68。总体表明，RZWQM2 模型对膜下滴灌大白菜田间土壤水分模拟的结果较为合理。

2.2 株高模拟

该模型对大白菜株高的模拟效果较好。对2018年和2019年的膜下滴灌大白菜，实测值株高最高分别为41.98 cm 和43.44 cm，模拟株高最大均达到44.50 cm，相对实测值分别偏高了5.66%和2.38%。平均实测株高分别为29.53 cm 和30.68 cm，平均模拟株高分别为30.16 cm 和29.19 cm， 其实测株高与模拟株高差异均未超过1.50 cm（偏离值分别为0.63 cm 和1.49 cm）。同时2018年和2019年大白菜模拟结果的RMSE值（均方根误差）分别为0.87 cm 和1.20 cm，d值（一致性指数）均大于0.85，分别为0.90 和0.87（图2）。总体而言，2018年和2019年大白菜株高拟合程度较好。

图2 2018年和2019年大白菜实测株高与模拟株高比较Fig.2 A comparison of simulated and observed height of Chinese Cabbage during 2018 and 2019

2.3 产量模拟

对2018年和2019年试验蒸渗仪内的膜下滴灌大白菜，选取大白菜最终净菜的产量为实测产量，且实测产量分别为114 832.5 kg/hm2和120 296.2 kg/hm2，模拟产量分别为114 852.6 kg/hm2和117 182.3 kg/hm2，模拟产量相比实测值在2018年偏高了0.02%，而在2019年偏低了2.59%，且2018年和2019年大白菜的模拟值与实测值的RMSE值分别为20.1 kg/hm2和3 113.9 kg/hm2，d 值均大于0.95，分别为0.99 和0.98（图3）。总体表明：2018年和2019年大白菜产量拟合结果较好。

图3 2018年和2019年大白菜产量实测值与模拟值比较Fig.3 A comparison of simulated and observed yield of Chinese Cabbage during 2018 and 2019

2.4 模型评价

利用2018年和2019年膜下滴灌大白菜的作物生长数据株高和田间土壤水分对模型进行了评价。土壤水分在不同土壤深度有较高的d值（均＞0.50） 及较低的RMSE（1.00%~3.03%）值证实了模型对膜下滴灌大白菜田间土壤水分具有较好的模拟（表2）。对大白菜的株高及产量也进行了模拟，2018年和2019年株高拟合程度d分别为0.90 和0.87，RMSE值均较低（≤1.20 cm），产量模拟结果d值均大于0.95，RMSE值分别为20.1 kg/hm2和3 113.9 kg/hm2（表3）。总体而言，RZWQM2模型对未用于模型校准的大白菜进行了合理的模拟，在河北坝上地区具有较高适用性。

表2 2018年和2019年滴灌大白菜田间土壤水分模拟评价统计Tab.2 Simulation evaluate satistics of the field soil water content of Chinese Cabbage under drip irrigation during 2018 and 2019

表3 2018年和2019年滴灌大白菜株高与产量模拟评价统计Tab.3 Simulation evaluate satistics of the height and yield of Chinese Cabbage under drip irrigation during 2018 and 2019

3 讨 论

RZWQM2 模型通过对参数的校准可对不同地区的不同作物进行适用性评价，但由于实测数据与作物品种等的差异进而导致模型最终参数不同，因此模型模拟的精度也存在一定的不确定性。本研究以相邻年份的实测参数进行模型校准，得到了较好的模拟结果。

农业作物模型在对参数的优化存在一定的不确定性[27]。本研究对2018年和2019年河北坝上地区的滴灌大白菜通过RZWQM2 模型进行校准，虽整体模拟结果表现较好，但对模拟开始阶段的模拟结果较差，可能原因是，一方面模型在运行时存在预热期调试；另一方面可能是由于未对模型参数进行敏感性分析，导致对2018年土壤水分开始阶段模拟结果较差。

RZWQM2 模型对作物的适用性评价研究大多集中于小麦和玉米，而对蔬菜的研究较少，同时除该模型以外，WOFST、DSSAT 和APSIM 模型也是使用范围较广、模拟精度较高的作物模型，也对其做了大量适用性分析的相关研究[28-30]。而RZWQM2 模型相比其他模型而言，具有参数较少和操作简单的优势。

4 结论

（1）本研究利用2018年和2019年的田间试验实测数据、气象数据与RZWQM2 模型默认参数驱动RZWQM2 模型，并通过“试错法”得到适用于本研究区膜下滴灌大白菜的土壤参数。

（2）滴灌大白菜田间土壤水分的模拟值可正确反映实测值变化趋势，土壤水分模拟结果RMSE值位于1.00%~3.03%之间，d在0.50~0.78之间，其模拟结果整体较好。

（3）2018年和2019年大白菜作物株高及产量拟合程度较好，作物株高模拟结果RMSE值在0.87~1.20 cm 之间，d值在0.87~0.90 之间，大白菜产量模拟结果d值分别达到了0.99 和0.98。结果表明该模型在河北坝上地区对滴灌大白菜有较好的适用性，进而可进一步开展RZWQM2 模型对该地区滴灌大白菜相关研究工作。