Estimating maize yield in Jilin Province of China using VPM model combined with conversion coefficient
-
摘要:
准确估测农作物产量对于保障粮食安全、指导农业生产和调整生产策略等具有重要作用。为解决大范围估产参数确定难、成本高的问题,该研究基于2016–2021年Sentinel-2遥感数据和气象数据等,提出一种综合植被光合作用模型(vegetation photosynthesis model,VPM)与转产系数的产量估测方法,对吉林省30个玉米主产县进行估产研究。结果表明 :1)该研究提出的模型估产精度较传统VPM模型表现出更高的准确性和可靠性(决定系数提升0.18;相对均方根误差降低3.24%);2)研究区玉米单产范围为7~13 t/hm2,高值区主要集中在中部地区,并且呈现由中部向西北和东南地区递减的趋势;3)模型敏感性分析表明,更精细的转产系数、更高分辨率的玉米空间分布数据和遥感数据能够有效提高模型估产精度。该研究提出的模型可为低成本、大规模、快速精确的估产工作提供解决方案,对实施农业估产具有重要的现实意义和推广价值。
Abstract:The objective of this study is to estimate the crop yields in the key corn-producing counties of Jilin Province, China. An accurate, efficient, scalable, and cost-effective model was developed using Sentinel-2 remote sensing data. High spatial and temporal resolution was offered along with the comprehensive meteorological data. A robust framework was built to estimate the maize yield. The limitations of traditional estimation were examined using ground surveys or lower-resolution satellite imagery. These were time-consuming, resource-intensive, and prone to errors, due to sampling biases or limited coverage. Sentinel-2 data was incorporated to provide a continuous and consistent view of crop growth patterns over a large area. The vegetation productivity model (VPM) was integrated to calibrate the yield conversion coefficient. VPM approach was used to estimate the crop biomass, according to the vegetation indices from remote sensing data. The biomass was converted directly into the yield. A yield conversion coefficient was also required to consider the agronomic conditions and crop varieties in the study area. The accuracy and relevance of the model were then enhanced to fine-tune the coefficient with the local yield data. The dynamic variables were integrated into the dynamic observation index in the VPM model. The relatively stable parameters were integrated into the conversion coefficient. The accuracy of yield estimation of the improved model (R²=0.53, RMSE=0.81, MRE=9.40%, NRMSE=11.73%) was superior to the traditional models (R²=0.35, RMSE=1.03 t/hm2, MRE=13.19%, NRMSE=14.97%). The obtained model was then applied to estimate the corn yields in the target counties of Jilin Province, where the yield range of maize per unit area was found to be 7-13 t/hm2. There was a distinct spatial pattern, where the higher yields were concentrated in the central regions and then gradually decreased towards the peripheries. This pattern was aligned with the geographical features, including soil fertility, irrigation availability, and climatic conditions. The high-resolution Sentinel-2 data was used to better capture these subtle variations in the yield patterns. Sensitivity analysis was conducted to further validate the robustness of the model. A systematic investigation was implemented to explore the impact of various factors, including the spatial resolution of remote sensing data, the vegetation indices, and the calibrated conversion coefficient. The precision of yield estimation was enhanced to employ the precise yield conversion coefficients, high-resolution remote sensing data, and maize planting distribution data. The rest factors were the spatial resolution of remote sensing data, the spatial resolution of crop distribution data, and the fineness of yield conversion coefficients. Furthermore, the future research direction was compared to further improve the accuracy of the model. The significant implications were achieved in agricultural modernization and food security. The timely and accurate information was obtained on crop yields, in order to optimize the planting strategies and decision-making on resource use. The findings can provide valuable insights into the influencing factors on agricultural productivity, and sustainability, particularly for food security at the regional and global levels.
-
Keywords:
- models /
- crops /
- yield /
- Sentinel-2 /
- Jilin Province /
- maximum light use efficiency
-
0. 引 言
南疆地处中国西北内陆干旱区,光热资源充足,是中国棉花的重要生产区[1]。新疆盐碱土的面积为2 184.4万hm2,约占全国盐碱土总面积的1/3[2],其中南疆土壤盐渍化问题更为突出。南疆地区水资源总量424.4亿m3,地均水资源量为全国平均水平的1/8,而农业用水占比超过总量的95%[3],水资源短缺和土壤盐渍化已经成为制约该地区农业发展的两大关键因素[4]。利用微咸水灌溉可以缓解淡水资源短缺,据统计,新疆矿化度大于3 g/L的咸水资源约100亿m3[5],南疆灌溉水矿化度普遍在2~6 g/L,适当的微咸水灌溉可以促进作物生长发育[6],但也可能造成土壤盐分在根区累积。因此,探究微咸水灌溉对土壤水热盐运移的影响,科学合理地制定微咸水灌溉制度对该地区农业可持续发展具有重要意义。
近年来,地膜与滴灌结合的膜下滴灌技术得到广泛应用,具有减少蒸发和深层渗漏,提高土壤温度[7]的优势,有明显的节水增产效益。由于地膜阻碍土壤与近地面的气体交换,使膜内和膜间土壤中的水分、热量、盐分在二维剖面上产生差异,所以需要考虑水、热、盐在二维剖面的耦合运移。TIAN等[8]通过室内土箱试验对膜下滴灌土壤水、热、盐运移进行了研究,结果表明膜间的土壤比膜内更干,土壤含盐量更高,辐射升温幅度也更大。低滴灌强度的根区脱盐效率较高,横向盐分布不均匀。吉光鹏等[9]研究南疆多次微量滴水技术分析土壤水热盐二维分布的影响,得到了最佳土壤水热盐环境下的灌水量。孙贯芳等[10]的研究表明,不同灌溉制度下土壤盐分均随水分由膜内向膜外地表裸露区定向迁移,趋于膜外地表积累。微咸水与膜下滴灌结合的灌溉方式节水效果更好,但在淋洗土壤盐分的同时会带入土壤新的盐分,灌水矿化度较高时将导致土壤次生盐渍化。因此,有必要进一步探究微咸水膜下滴灌条件下土壤水热盐二维运移机制。
田间试验受到环境的影响较大,且费时费力,而田间试验与数值模拟相结合能够更方便有效地获取和预测农田土壤各项指标的动态。HYDRUS-2D模型是由美国盐土实验室开发,能够较好地模拟土壤水分、热量、溶质在二维可变饱和多孔介质中的运动过程[11]。DOU等[12]利用HYDRUS-2D模拟了3种排水条件下的土壤水盐运移,结果表明土壤水分主要分布在0~40 cm土层,且在生育后期出现不同程度的次生盐渍化;ZHAO等[13]的研究表明,覆膜提高了土壤水分和温度,HYDRUS-2D可以有效模拟覆膜情况下二维土壤水热耦合运移。王在敏等[14]基于田间数据构建的HYDRUS-2D模型,优化了生育期内微咸水灌溉制度,得到最佳滴灌制度为高频少量灌溉;LI等[15]模拟南疆膜下滴灌棉田不同灌水定额的土壤水热盐二维分布,并提出了适宜的淡水灌溉制度。尽管前人验证了HYDRUS-2D模型模拟膜下滴灌农田土壤水热盐运动过程的适用性,并根据模拟结果提出了适宜的灌溉制度,但针对不同灌水量和灌水矿化度组合下的土壤水盐运移研究较少。为此,本研究在南疆膜下滴灌棉田开展了不同水盐处理下的田间试验,分析不同灌水量及灌水矿化度对膜下滴灌棉田土壤水热盐二维迁移与分布特征的影响,并利用HYDRUS-2D进行模拟验证和情景预测,从而确定南疆微咸水膜下滴灌适宜的灌溉制度,以期为南疆水资源高效利用和防治土壤次生盐渍化提供参考。
1. 材料与方法
1.1 试验区概况
田间试验于2023年4—10月在新疆阿拉尔现代农业院士专家工作站(40°06′N,81°02′E)进行。该站位于新疆第一师阿拉尔市十团,属于典型的大陆性暖温带干旱荒漠气候,全年降雨稀少,蒸发强烈,生育期内(2023年5月7日—2023年10月15日)平均气温23.47 ℃,降雨总量为15 mm,参考作物潜在蒸散发量为962.59 mm。该地区光热资源丰富,属于纯灌溉农业[16]。逐日气象数据来源于试验站内安装的HOBO自动气象站(美国Onset公司),生育期内降雨蒸发数据见图1。试验区地下水埋深2~3 m,从地表至地下80 cm深度的土壤大致可分5层,土壤质地均为砂壤土,其基本物理性质见表1[17]。
1.2 试验设计
田间试验共设置3个灌水量和3个灌水矿化度水平,其中3个灌水量水平分别为作物灌溉需水量的75%(W1)、100%(W2)和125%(W3),3个灌水矿化度水平分别为1.5 g/L(S1,当地灌溉用水)、3.5 g/L(S2)和5.5 g/L(S3),共9个处理,每个处理设置3个重复,共27个小区,小区布置完全随机。试验小区长10 m,宽6.84 m,面积为68.4 m2。试验作物为棉花,品种为“塔河2号”,棉花种植模式为“一膜两带六行”(图2),采用膜下滴灌的灌溉方式。滴灌带为贴片式滴灌带,滴头间距24 cm,滴头流量2 L/h。棉花播种日期为4月24日,灌溉出苗水为淡水,5月7日进入苗期后,进行不同水盐灌溉,其中1.5 g/L的淡水和3.5 g/L的微咸水[18]分别为当地深层地下水和浅层地下微咸水,矿化度5.5 g/L的咸水是在3.5 g/L的基础上根据研究区地下水离子组成人工配制而成(NaCl:CaCl2=2:1),每隔7~10 d灌水一次,具体的灌溉制度见表2。棉花播种采用机播,株距10 cm,所有处理的施肥管理参照当地经验实行。
表 1 土壤物理性质Table 1. Soil physical properties土壤深度
Soil depth/cm容重
Bulk density/
(g·cm−3)田间持水量
Field capacity/
(cm3·cm−3)粒径组成Particle composition/% <0.002 mm 0.002~
0.05 mm>0.05~2 mm 0~20 1.60 0.21 2.43 41.49 56.08 >20~40 1.55 0.24 2.55 41.40 56.05 >40~60 1.58 0.25 2.89 42.82 54.29 >60~80 1.59 0.25 2.60 41.40 56.00 表 2 灌溉制度Table 2. Irrigation schedule生育阶段
Growth stage灌水日期
Irrigation date灌水量Irrigation amount/mm W1 W2 W3 苗期
Squaring06-14 22.5 30.0 37.5 蕾期
Bolling06-23 30.0 40.0 50.0 07-03
07-0934.5 46.0 57.5 17.4 23.2 29.0 07-18 32.5 43.3 54.2 花铃期
Flowering07-26 36.8 49.0 61.3 08-03 28.1 37.5 46.9 08-10 33.8 45.0 56.3 08-16 22.5 30.0 37.5 08-26 33.8 45.0 56.3 总计
Total/mm291.8 389.0 486.3 1.3 土壤水热盐的监测与方法
在生育期始末和灌水前后,用土钻在每个小区对土壤进行取样,分别在棉花的中间行(地膜中线处)、滴灌带下、棉花边行和裸土中间(以下简称为“中行” “滴灌带下” “边行” “裸土”)4个位置处,取样位置如图2,取样深度为10、20、40、60和80 cm,共5层。取得的土样通过烘干法(105 ℃,8~12 h)得到各层土壤的质量含水率,经土壤容重转换为体积含水率。将土样风干、碾碎后过1 mm筛,采用1:5的土水比例制成土壤浸提液,测量土水比1:5的土壤浸提液的电导率(SEC1:5电导率仪DDSJ-308A,上海精科仪器公司)。
在W2灌水量下的3个不同灌水矿化度处理中,各随机选取1个试验小区,在中行、滴灌带下、边行和裸土这4个位置(与取样位置相同)的10、20、40、60和80 cm处,分别插入土壤水热盐监测探头(TDR315N,美国),探头与数据采集器相连,每隔1 h获取一次土壤体积含水率、电导率、温度等数据,代表不同位置处0~10、>10~20、>20~40、>40~60、>60~80 cm深度的数据,并用取土得到的实测数据对探头数据进行校准。
各采样点土壤含盐量(S1,g/kg)是将SEC1:5按照当地经验公式转换,公式如下[19]:
S1=0.004SEC1:5+1.029 (1) 1.4 土壤水热盐数值模拟
1.4.1 模型基本方程
1)忽略与滴灌带平行方向上水分分布的差异,采用与滴灌带垂直方向上的二维Richards方程描述土壤水分运移[20]:
∂θ∂t=∂∂x[K(θ)∂h∂x]+∂∂z[K(θ)∂h∂z]+∂K(θ)∂z−S0 (2) 式中θ为土壤体积含水率,cm3/cm3;K(θ)为非饱和土壤导水率,cm/d;h为压力水头(基质势),cm;t为时间,d;x为横坐标;z为纵坐标;S0为源汇项。式(2)中土壤含水率-基质势-导水率的关系采用van Genuchten-Mualem模型描述[21]:
K(θ)=KsSle[1−(1−S1me)]2,(m=1−1n,n>1) (3) Se=θ−θrθs−θr (4) 式中Ks为饱和导水率,cm/d;θr为土壤残余含水率,cm3/cm3;θs为土壤饱和含水率,cm3/cm3;Se为相对饱和系数;l为孔隙连通性参数;m、n为土壤水分特征曲线形状系数。
2)不考虑溶质的降解、吸附、沉淀等过程,土壤盐分运移采用二维对流-弥散方程描述[22]:
∂θc∂t=∂∂x[θD0∂c∂x]+∂∂z[θD0∂c∂z]−∂(qxc)∂x−∂(qzc)∂z (5) θD0=DT|q|δ+(DL−DT)qxqz|q|+θDWτWδ (6) 式中c为溶质质量浓度,mg/cm3;D0为弥散系数,cm2/d;qx、qz为体积通量,cm/d;DW为溶质分子在水中的扩散系数,cm2/d;DL为纵向弥散度,cm;DT为横向弥散度,cm;δ为Kronecker函数;τW为液相弯曲系数。
C(θ)∂T∂t=∂∂x[λ(θ)∂T∂x]+∂∂z[λ(θ)∂T∂z]−Cwqx∂T∂x−Cwqz∂T∂z (7) C(θ)=Cnθn+Coθ0+Cwθ+Cgαv (8) λ(θ)=λTCw|q|δ+(λL−λT)Cwqxqz|q|+λ0(θ)δ (9) λ0(θ)=b1+b2θ+b3θ0.5 (10) 式中C(θ)是总体积热容量,J/(cm3· ℃);T为土壤热量, ℃;λ(θ)是土壤表观热导率,W/(cm· ℃);Cn、Cw、Co分别为固相、液相、有机质的体积比热容,J/(cm3· ℃);θn、θo分别为固相、有机质的含量,在本研究中忽略有机质的影响,θo取为0;λL为纵向导热弥散度,cm;λT为横向导热弥散度,cm;λ0(θ)是热导系数,W/(cm· ℃);b1、b2、b3分别为热传导函数的参数,W/(cm· ℃)。
4)根系吸水采用修正的Feddes模型[26]描述:
S(h,hϕ,x,z)=α(h,hϕ,x,z)b(x,z)StTp (11) b(x,z)=b′(x,z)∫ΩRb′(x,z)dΩR (12) 式中S(h, hϕ, x, z)为根系吸水函数;α(h,hψ,x,z)为水盐胁迫函数;hψ为渗透压力,cm;b(x,z)为根系分布函数,1/cm2;St为与蒸腾有关的地表长度,cm;Tp为潜在蒸腾速率,cm/d;ΩR为根系分布区域面积,cm2。
5)由试验区实测的气象资料,根据Penman-Monteith公式[27]计算参考作物腾发量ET0,通过作物系数Kc[28]计算作物潜在腾发量ETc,并根据Beer定律划分为潜在蒸腾与棵间蒸发[29]:
ET0=0.408Δ(Rn−G)+γ900T+273μ2(es−ea)Δ+γ(1+0.34μ2) (13) ETc=Kc⋅ET0 (14) Tp=ETc⋅(1−e−β⋅LAI) (15) Ep=ETc−Tp (16) 式中ET0为参考作物腾发量,mm;Rn为净辐射量, MJ/(m2·d);G为土壤热通量,MJ/(m2·d);μ2为2 m高处的风速,m/s;es为饱和水汽压,kPa;ea为实际水汽压,kPa;△为饱和水汽压与温度曲线的斜率,kPa/ ℃;γ为湿度计常数, kPa/ ℃;Kc为作物系数,参考FAO-56的取值并考虑试验地气象、覆膜等情况进行调整[28];Ep为潜在蒸发速率,cm/d;Tp为潜在蒸腾速率,cm/d;β为太阳辐射消光系数,参考文献[30]取值;LAI为叶面积指数,根据试验实测取值。
1.4.2 模型构建
利用HYDRUS-2D模型模拟棉花整个生育期从2023年5月7日—2023年10月15日共162 d的根区0~60 cm土壤水分、盐分和热运移的情况。试验小区在垂直于滴灌带的剖面上以地膜中线为轴,呈左右对称(图2),以膜中间划分,对右侧进行模拟,选取的模拟区域(图3)长度为120 cm,高度为80 cm(长度为膜宽的1/2,高度为棉花根系能达到的最大深度),模拟区域内有610个节点,
1138 个有限元网格,网格划分情况如图3。灌水量、灌水矿化度分别按照实际的水流通量[31]和盐分浓度输入[12],土壤上边界温度按照膜下和膜间两部分分别输入[15]。在模拟中缺乏实测地表温度,根据经验公式[32],由实测日平均气温得到5 cm深度的土壤平均温度,取日平均气温与5 cm土壤平均温度的平均值作为日平均地表温度。模拟的初始条件为土壤剖面上含水率、含盐量、温度的实测值。土壤水分运动上边界条件在滴头的湿润区[33]设为变通量边界(图3,30~50 cm处),灌水期间滴头的湿润区,根据灌水强度设置为通量边界,非灌水期为零通量边界。膜间裸地设为包含降水和蒸散发的大气边界(100~120 cm),膜下其他位置(0~30、50~100 cm)蒸发较小忽略不计,设为零通量边界,下边界为定水头边界(设置为土壤80 cm处的体积含水率);土壤溶质运移的上下边界均为第三类边界;土壤热运移的上下边界为第一类边界。左、右边界均为零通量边界。
1.4.3 模型参数
采用W2S2、W1S3和W3S1共3个不同的水盐梯度组合对HYDRUS-2D模型的适用性进行分析,选取W2S2处理对模型进行参数率定,以W1S3和W3S1处理验证模型。
土壤水分特征参数根据表1实测的土壤粒径组成和干容重,利用Rosetta软件由ANN方法预测的van Genuchten-Mualem模型参数初始值[34],然后根据试验实测值进行调试,得到最终的van Genuchten-Mualem模型参数见表3。土壤溶质运移和热运移参数初始取值参考文献[15,35],经调试后的参数DW=5.5 cm2/d,λL=5 cm,λT=1 cm,θn=0.68,其他参数取值见表4。
表 3 土壤水分特征参数Table 3. Soil moisture characteristic parameters土壤深度
Soil depth/cmθr/(cm3·cm−3) θs/(cm3·cm−3) α/cm−1 n Ks/(cm·d−1) l 0~10 0.0269 0.3676 0.0296 2.1676 50.55 0.5 >10~20 0.0279 0.3456 0.0281 2.2141 49.34 0.5 >20~40 0.0277 0.3523 0.0372 2.1983 48.41 0.5 >40~60 0.0286 0.3657 0.0421 1.9152 40.48 0.5 >60~80 0.0272 0.3589 0.0474 2.1354 46.12 0.5 注:θr为土壤残余含水率;θs为土壤饱和含水率;α和n为土壤水分特征曲线形状系数;Ks为饱和导水率; l为孔隙连通性参数。 Note: θr is the residual moisture content of soil; θs is the saturated moisture content of soil; α and n are the shape coefficient of soil water characteristic curve; Ks is the saturated water conductivity; l is the pore connectivity parameter. 表 4 土壤溶质运移和热特性参数Table 4. Soil solute transport parameters and thermal parameters土壤深度
Soil depth/cmDL/cm DT/cm b1/(W·cm−1· ℃−1) b2/(W·cm−1· ℃−1) b3/(W·cm−1· ℃−1) Cn/(J·cm−3· ℃−1) Co/(J·cm−3· ℃−1) Cw/(J·cm−3· ℃−1) >0~10 65 45 8.67×1016 8.53×107 5.89×108 1.43×1014 1.87×1014 3.12×1014 >10~20 60 45 2.87×1017 7.95×107 6.24×108 1.43×1014 1.87×1014 3.12×1014 >20~40 45 40 6.57×1017 7.83×107 7.49×108 1.43×1014 1.87×1014 3.12×1014 >40~60 20 15 7.77×1017 7.65×107 8.29×108 1.43×1014 1.87×1014 3.12×1014 >60~80 20 15 4.57×1016 2.53×107 9.89×108 1.43×1014 1.87×1014 3.12×1014 注:DL为纵向弥散度;DT为横向弥散度;b1、b2、b3分别为热传导函数的参数;Cn、Cw、Co分别为固相、液相、有机质的体积比热容。
Note: DL is longitudinal dispersion; DT is lateral dispersion; b1、b2 and b3 are the parameters of the heat conduction function; Cn、Cw and Co are the volume specific heat capacities of solid phase, liquid phase and organic matter, respectively.1.4.4 模型评价指标
为了定量描述模型模拟的精度,采用模拟值与实测值之间的均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)和决定系数(R2)对模型进行评价[36]。其中,RMSE、MAE越接近0,R2越接近1,表明模拟值的变化趋势与实测值吻合程度越高。
2. 结果与分析
2.1 土壤水分二维运移及模拟
2.1.1 生育期内土壤水分二维运移及分布特征
在棉花生育期内土壤水分会伴随着灌水、土壤蒸发、植株蒸腾等过程运动,影响土壤水分在剖面上的分布。选取棉花苗期(6月12日)、蕾期(7月15日)和花铃期(8月25日)3个时期代表生育进程中的前、中、后3个阶段(选取日期均为相应生育阶段末期最后一次灌水前取土日期),分析生育期内不同灌水量下土壤水分的二维运移及空间分布(图4),图中距离(水平坐标)表示与覆膜中间的水平距离,其中0、40、80、120 cm的距离分别代表中行、滴灌带下、边行、裸土。
由图4可知,苗期和蕾期土壤水分二维分布的差异性较大,由于棵间蒸发耗水严重,土壤表层0~20 cm含水率最低,在0.05~0.11 cm3/cm3之间,40~60 cm含水率在整个剖面中最高,可达到0.14~0.18 cm3/cm3,土壤含水率随深度的增加先增大后减小,水平方向上表现为由膜下向膜间裸土逐渐递减的变化趋势。随着灌水量的累加和植株发育,冠层遮蔽降低了膜间裸土蒸发,生育后期土壤剖面上含水率的分布逐渐均匀(图4c、图4f、图4i)。生育期内灌水对0~40 cm深度土壤水分的影响显著[37],从苗期到花铃期,3个灌水量下土壤含水率均增加,W1、W2、W3的0~40 cm平均含水率分别增加了21.84%、29.13%、32.37%,40~80 cm均略有降低。总的来说,土壤含水率在二维剖面内呈现出随深度增加先增大后减少,由膜内向膜间递减的分布规律。
由图4a和图4b可以发现,在低灌水量下,土壤水分主要分布在水平0~20 cm和垂直40~60 cm,高灌水量下(图4g和图4h),土壤水分主要分布在水平0~60 cm和垂直30~80 cm,随着灌水量的增加,土壤湿润区域增大。对比W2S1和W3S1处理,在苗期(图4d和图4g)、蕾期(图4e和图4h)和花铃期(图4f和图4i),W2S1土壤40~80 cm含水率均保持在大于W3S1的水平,过量的灌溉定额会增加植株蒸腾,这表明过量灌水不一定提高根区土壤含水率。
2.1.2 生育期始末二维土壤剖面水分变化
以W2S1处理(当地常规灌溉)为例分析不同位置土壤含水率在生育期始末的变化(生育期末-生育期初),如表5。
表 5 生育期始末土壤含水率变化Table 5. Changes of soil moisture from the initial to the end of growth stage土壤深度
Soil depth/cm中行
Middle row/
(cm3·cm−3)滴灌带
Drip irrigation tape/
(cm3·cm−3)边行
Border row/
(cm3·cm−3)裸土
Bare soil/
(cm3·cm−3)0~10 −0.038 −0.082 −0.040 −0.013 >10~20 −0.044 −0.053 −0.048 −0.015 >20~40 −0.041 −0.033 −0.049 −0.037 >40~60 −0.037 0.024 −0.045 −0.046 >60~80 −0.045 −0.011 −0.047 −0.034 平均值Average −0.041 −0.031 −0.046 −0.029 注:负号表示生育期末土壤含水率下降。 Note: The negative sign indicates that the soil moisture content decreases at the end of the growth period. 生育期内土壤含水率在灌溉、植株蒸腾和土壤蒸发影响下不断波动,但生育期结束后的总体土壤含水率低于初始值。覆膜春灌的非生育期盐分淋洗模式有效提升了生育期初的土壤含水率,但膜间裸土含水率提高较少,同时生育期内的灌水也较少运移到膜间,因此裸土水分降低最少,0~80 cm土层平均降低0.029 cm3/cm3;而边行和中行初始含水率较高,同时在棉花旺盛的蒸腾作用下导致土壤水分降低最多,分别为0.046、0.041 cm3/cm3;生育期内频繁的灌水使得滴灌带下60 cm处始终处在湿润锋边缘,同时棉花根系吸水和土壤蒸发影响较小,使其土壤含水率在生育期末上升0.024 cm3/cm3。
2.1.3 不同水盐处理下0~60 cm土壤水分动态
图5为不同水盐处理下根区0~60 cm土壤含水率模拟值与实测值的比较结果,在每次灌水之后土壤水分得到补充,随着作物耗水和土壤蒸发缓慢下降,各层土壤水分呈现锯齿状波动,其中土壤0~20 cm波动较深层大。土壤含水率的模拟效果较好,R2、RMSE、MAE分别在0.64~0.85、0.01~0.03 cm3/cm3、0.01~0.03之间,深层土壤含水率模拟效果优于表层。
图 5 不同水盐处理下0~60 cm土壤含水率模拟值与实测值的比较注:RMSE为均方根误差。MAE为平均决定误差。S2和S3中,灌水矿化度分别为3.5和5.5 g·L−1。Figure 5. Comparison of simulated and measured water content in 0-60 cm soil depth under different water and salinity treatmentsNote: RMSE is root mean square error. MAE is mean relative error. Irrigation mineralization is 3.5 and 5.5 g·L−1 for S2 and S3respectively.2.2 土壤盐分二维运移及模拟
2.2.1 单次灌水前后土壤剖面盐分动态
本文以棉花生育中期的第5次灌水事件(灌水日期为7月18日,灌水量见表2)为例,分析不同灌水量下单次灌水前后土壤剖面上的盐分运移(图6)。灌水前,垂直方向上土壤盐分主要分布在深层,W1S1处理(图6a)盐分在土壤40~80 cm深度累积,平均盐含量是0~40 cm的2.4倍,而W2S1(图6b)和W3S1(图6c)处理主要分布在土壤60~80 cm深度,平均盐含量是0~60 cm的1.91、2.26倍;水平方向上,W1、W2处理土壤盐分在边行和裸土的20~40 cm累积,W3处理在30~60 cm累积,灌水量增加提高了低矿化度处理下的洗盐效率,导致土壤积盐深度增大。灌水后,由于滴灌的点源入渗特性,在滴头下方形成一个半圆形脱盐区,土层加深淋洗作用减弱,40~80 cm土层土壤盐分在W1时基本不变,W2、W3盐分向下迁移而呈现降低趋势。S1矿化度低,0~40 cm土层中行和滴灌带下的盐含量均小于灌水前,以盐分淋洗为主,而对于不同的灌水量,边行和裸土的盐分变化不同,低灌水量下边行盐分增加,积盐率为11.55%,中、高灌水量下盐分在裸土增加,积盐率分别为5.53%、15.21%(图6d~图6f),表明随着灌水量增大,盐分淋洗到较深的土层中,脱盐区域向膜外移动扩展。
2.2.2 全生育期土壤剖面盐分的二维运移特征
微咸水灌溉能够淋洗土壤中的盐分,同时也会将灌水将盐分带入土壤中,不同灌溉量下盐分淋洗速率与累积速率的大小将影响土壤盐分的运移及分布。为了明晰生育期内0~80 cm土壤盐分的动态变化及运移趋势,与土壤水分相同,以棉花苗期(6月12日)、蕾期(7月15日)和花铃期(8月25日)3个阶段为生育前期、中期和后期进行分析。生育期内不同灌水矿化度下土壤剖面盐分的分布如图7所示。
苗期土壤盐分主要分布在40~80 cm土层,盐分在上层土壤的水平方向上没有显著差异(图7a、图7d、图7g),这是由于播前采用覆膜春灌的方式将盐分淋洗至深层土壤,膜间裸土的蒸发对于膜内外盐分运移的影响较小。此时正处生育期的第1次灌水前,不同矿化度之间的盐分分布无显著差异。
与生育初期相比,蕾期(图7b、图7e、图7h)的土壤盐分分布出现差异,在此期间较高的灌水频率有利于盐分向下迁移并在湿润锋边缘积聚,导致深层土壤的盐分升高。3种灌水矿化度处理下40~80 cm土壤深度中行和滴灌带位置的盐分均相对较高,其中,W2S2和W2S3处理中行和滴灌带下的40~80 cm平均含盐量分别比苗期增加了36.61%和31.07%,这是在“一膜两带六行”的种植模式下,中行位于两侧滴灌带形成的湿润峰交汇处,高盐浓度时导致盐分在40~80 cm的中行和滴灌带下积聚。W2S1处理在裸土的0~40 cm盐分累积,0~40 cm平均含盐量分别比苗期增加了77.47%,由于蒸发驱动的盐分向上迁移,导致裸土的40~80 cm盐分有所下降;而W2S2和W2S3处理0~40 cm边行土壤含盐量要高于膜间裸土。
在花铃期(图7c、图7f、图7i),不同灌水矿化度对盐分的空间分布产生显著的影响。与生育初期相比, S1矿化度灌溉下的中行和滴灌带下40~80 cm深度土壤盐分分别降低了45.71%、29.03%,盐分淋洗效果明显,而S3盐浓度较高,中行和滴灌带下土壤40~80 cm盐分分别增加了56.28%、80.14%。S1处理0~80 cm土壤含盐量相对较低,水平方向上主要在边行和裸土积聚;S2处理60~80 cm深度为主要积盐区,水平方向上除滴灌带下均发生积盐;S3处理灌水矿化度较高,在40~80 cm深度发生盐分累积,水平方向上在边行和裸土处积盐。
2.2.3 生育期始末二维土壤剖面盐分变化
表6为W2S1处理土壤剖面上不同位置盐分在生育期始末的变化。灌溉是土壤盐分运移的主要驱动因素,由表可知,低矿化度的灌水淋洗滴灌带下0~40 cm土壤盐分,其中表层0~10 cm土壤生育期末盐分降低0.46 g/kg,随着土壤深度的增加淋洗效果减弱,盐分在40~80 cm积聚,生育期末上升1.51 g/kg;边行10~40 cm处于湿润范围内盐分得到淋洗,而0~10 cm处于湿润锋边缘,生育期末盐分上升0.30 g/kg;膜间裸土是主要的积盐区,田间土壤较砂且10~40 cm处于湿润锋边缘,因此在生育期末膜间土壤10~40 cm盐分累积高于膜间0~10 cm土壤;中行处于两根滴灌带造成的湿润锋重合处,生育期末在中行20~40 cm处累积的盐分最多,为1.05 g/kg。
表 6 生育期始末土壤含盐量变化Table 6. Changes of soil salinity from the initial to the end of growth stage土壤深度
Soil depth/cm中行
Middle row/
(g·kg−1)滴灌带
Drip irrigation
tape/(g·kg−1)边行
Border row/
(g·kg−1)裸土
Bare soil/
(g·kg−1)0~10 0.60 −0.46 0.30 0.28 >10~20 0.42 −0.23 −0.02 0.91 >20~40 1.05 −0.07 −0.13 0.79 >40~60 0.07 1.04 0.39 0.46 >60~80 −0.20 0.47 0.17 −0.05 平均值Average 0.39 0.15 0.14 0.48 注:负号表示生育期末土壤含盐量下降。 Note: The negative sign indicates that the soil salinity decreases at the end of the growth period. 2.2.4 不同水盐处理下0~60 cm土壤含盐量动态
生育期内0~60 cm土壤含盐量的动态变化模拟与实测值的比较如图8所示,模拟的盐分变化趋势与实际基本一致,图8展示的3个处理中,灌溉水矿化度大于S2时,0~40 cm土壤盐分波动式上升,而W3S1处理的含盐量基本不变,40~60 cm含盐量均呈降低趋势。模拟结果较好,R2、RMSE、MAE分别在0.56~0.79、0.27~1.28 g/kg、0.25~1.24之间。
2.3 土壤二维剖面的热运移及模拟
2.3.1 土壤剖面温度的动态及分布特证
由于试验设置只在W2S1、W2S2和W2S3这3个处理下埋设土壤温度传感器,而经过比较发现在不同处理之间生育期内土壤温度差异较小,所以本文选择以W2S1(当地常规灌溉)为例进行分析。通过分析各层土壤温度随棉花生育阶段的变化规律(图9),可以发现各层土壤温度变化趋势一致,生育初期土壤温度迅速升高,进入蕾期后在冠层遮蔽和灌水的双重作用下,土壤温度呈波动式下降。进入吐絮期后土壤温度略有回升,此后随空气温度迅速降低。
土壤0~40 cm温度受外界环境影响较大引起波动幅度大,各生育阶段始末的平均温差在3.56~8.41 ℃之间,而土壤40~80 cm温度波动较小,各生育阶段始末的平均温差在1.61~4.55 ℃之间。从空间尺度上看,随深度增加土壤平均温度逐渐降低,0~80 cm的土壤各层平均温度从24.06 ℃降至22.41 ℃。覆膜可以显著提高生育初期的土壤温度,这种增温效果对0~40 cm土壤影响较大。棉花苗期由于覆膜导致0~40 cm的膜内外土壤平均温差为1.35 ℃,此后随着冠层发育遮蔽土壤,覆膜的增温效果减弱。
2.3.2 全生育期0~60 cm土壤温度模拟和实测比较
在田间试验中只收集了W2灌水量下3个处理的温度实测值,所以在土壤水热盐耦合模拟中,仅对比了W2S2处理土壤温度的实测与模拟结果,图10为0~60 cm土壤日平均温度的模拟值与实测值比较,表现出良好的一致性,R2在0.77~0.87之间。
2.4 情景模拟
由以上模拟与实测值的对比可知,本文建立的模型能够可靠地反映膜下滴灌农田不同水盐处理下的土壤水盐运移规律。进一步采用本模型进行情景模拟,设置W0.7、W0.8、W0.9、W1.0共4个灌水量水平,分别为灌溉需水量的70%、80%、90%、100%和S1.5、S2.5、S3.5、S4.5、S5.5共5个灌溉水矿化度水平,分别为1.5、2.5、3.5、4.5、5.5 g/L,以便模拟多水盐处理下膜下滴灌农田棉花根区的土壤水盐动态,确定南疆适宜的膜下滴灌灌溉制度。情景模拟除灌水量和灌水矿化度的输入外,模型设置均与以上模拟相同。
根据前人的研究,膜下滴灌棉花根系分布主要集中在土壤25~35 cm之间[38],0~40 cm是棉花的主根区,因此情景模拟结果主要分析不同灌溉水盐条件下土壤0~40 cm膜下与膜间的土壤盐分迁移规律。生育期始末膜下和膜间的土壤积、脱盐率如图11,可以发现,土壤盐分淋洗主要发生在膜下(图11a),当矿化度小于2.5 g/L时,4个灌水量的膜下0~40 cm深度均没有积盐。同一灌水矿化度下,随着灌水量的增加,土壤湿润范围扩大,膜下的盐分淋洗作用加强(低矿化度时的脱盐率增大,高矿化度时的积盐率减小),向膜间迁移的盐分增加,而在灌水量超过W0.9时,膜下土壤脱盐率有所降低。
在相同的灌水量下,随着灌水矿化度的增加,土壤脱盐率减少,积盐率逐渐增大,当矿化度大于3.5 g/L时,所有灌水量的膜下0~40 cm土壤均出现积盐。随着灌水量的增加,更多的盐分淋洗至膜间(图11b),灌水矿化度为1.5 g/L条件下,灌溉水量高于W0.95会导致膜间0~40 cm土壤出现盐分累积;当灌水矿化度高于2.5 g/L时,所有灌水量均会导致膜间土壤积盐。生育期内根区土壤盐分淋洗效率不会随着灌水量的增大而增加,同一灌水矿化度下,当灌水量为W0.9时,可以达到膜下土壤最高的脱盐率或最小的土壤积盐率。充分灌溉条件下,保证膜下0~40 cm土壤不积盐的最高灌水矿化度为3.2 g/L;在90%的灌溉需水量下,保证膜下土壤根区不积盐的最高灌水矿化度为3.5 g/L;灌水矿化度低于2.5 g/L时,所有灌溉水平均不会导致根区土壤出现盐分累积。
3. 讨 论
3.1 土壤水热盐二维运移及分布特征
本试验观测到土壤水分在垂直方向上呈现出先增大后减小的分布规律,在40~60 cm土层含水率较高。这是由于南疆地区土壤质地偏砂性,且地下水埋深多在2.5 m[16]以下,土壤水分主要靠灌溉进行补给,由于覆膜滴灌单次灌水量少且灌水强度小,生育期内灌水湿润深度多在60 cm左右,而0~40 cm为棉花的主根区,在植株蒸腾耗水影响下导致土壤水分在垂直方向上呈现先增大后减小的特征。这与CHEN等[37]得到的研究结果相同。“一膜两带六行”的种植模式下,由于生育期内持续灌水使相互对称的两侧滴灌带湿润区在膜中间的中行处产生重叠,在覆膜作用下蒸发较小,而膜间裸土距离滴灌带较远且裸露土壤蒸发强烈,水分散失快,生育期内的少量降雨(图1,单次降雨量在0.2~4.4 mm之间)虽然会在短时间内提高膜间裸土含水率,但对膜间10 cm以下土壤无显著影响,同时在强烈的蒸发作用下膜间裸土含水率迅速降低,单次降雨对土壤水分二维分布影响较小,因此水平方向上土壤含水率呈现出从膜内中行到膜间裸土逐渐降低,这也与以往研究一致[39-40]。生育前期土壤水分有较大的分布差异,随着灌水量的增加,湿润体逐渐向膜外移动,湿润区范围扩大(图4),在生育后期土壤剖面上水分分布的均匀性增加,这与CHEN等[41]的研究结果相同。125%的灌溉需水量并不能提高根区土壤含水率(图4h、图4i),这是因为过量的灌溉定额促进作物生长发育,旺盛的蒸腾作用在一定程度上降低了土壤含水率。
盐随水走,随着裸土蒸发和定期灌溉,土壤盐分在不同灌水量和灌水矿化度的影响下再分布。S1矿化度下,灌水量增加提高了此矿化度处理的洗盐效率。由灌前土壤盐分分布(图6)可知,低灌水量下,土壤水盐向下迁移,在40~80 cm深度积聚,较低的灌水量水盐横向运移较少(图6a);随着灌水量的增加,湿润区不断扩大,在膜间裸土蒸发作用下盐分被淋洗到膜间,而W3处理充足的灌溉水量也淋洗了裸土0~20 cm土壤盐分(图6b、图6c)。灌后土壤在滴灌带处出现明显的脱盐区(图6d、图6e、图6f),其中低(W1)灌水量处理盐分分布与灌前相同,高灌水处理盐分淋洗效果显著,盐分被淋洗至深层土壤,这与HOU等[42]的研究结论相同。
随着生育期的进行,中、高矿化度灌水处理土壤盐分不断累积,累积位置主要在中行和滴灌带处的40~80 cm(图7e、图7h),这是因为“一膜两带六行”的模式下中行和滴灌带处为土壤主要湿润区,中、高矿化度的灌溉水在此累积提高了土壤盐分。进入花铃期,停止灌水后盐分的主要驱动力来自膜间裸土的蒸发,水平方向上边行和膜间裸土处出现盐分累积(图7c、图7f、图7 i)。与前人研究结果[42-43]不同的是,膜间0~20 cm含盐量低于20~40 cm,盐分表聚现象不明显,这是由于试验地土壤质地偏砂,导水率较大,垂直方向的盐分运移远高于水平方向,因此盐分在随湿润峰运移时导致膜间20~40 cm土壤盐分高于0~20 cm。同一灌水量下,随着灌水矿化度的增加,生育期内灌水对盐分的淋洗效果减弱,高矿化度的处理60~80 cm土壤积盐更加显著,灌水带入的盐分在此处产生积聚(图7)。灌水矿化度增大,盐分累积占主导,盐分累积深度降低。
苗期土壤温度随空气温度的升高迅速增高,进入蕾期后作物生长旺盛,同时频繁的灌水降低了土壤温度,使得进入蕾期后土壤温度开始降低,覆膜的增温效果减弱。进入吐絮期后停止灌水,棉花叶片脱落,土壤温度略有回升,此后又在空气温度影响下迅速降低。生育期内土壤温度的分布差异表现为膜内温度高于膜间温度,上层土壤温度高于下层。同时,覆膜的增温效应在棉花生育初期土壤表层(0~40 cm)表现更加明显,这是因为生育初期植株的遮蔽作用较弱,受太阳直射导致近地表的气体交换频繁,温度波动大,后期植株冠层发育遮蔽膜间裸土,导致覆膜的增温效减弱,这与孙贯芳等[10,44-45]的研究结果一致。
3.2 灌溉制度对土壤积/脱盐率的影响
随着灌水矿化度的增加,盐分累积趋势增大[46],当矿化度小于3.5 g/L时,棉花主根区0~40 cm土壤盐分淋洗速率大,这与杨广等[22]的研究得出的矿化度在4 g/L以下,盐分淋洗速率大于累积速率,结果基本一致。低矿化度下,膜内0~40 cm土壤脱盐率随灌水量的增加先增大后减小,高矿化度下,膜内土壤积盐率随灌水量的增加先减小后增大,这是由于灌水量增加提高了土壤淋洗深度,W0.9对于根区0~40 cm土壤淋洗效果最好,而过量灌水湿润峰位置处于深层土壤,对根区土壤的淋洗效果与W0.9相同,此外灌水的同时伴随着带入土壤中更多的盐分,除盐分横向运移外,也导致膜下土壤盐分增加。膜间土壤盐分累积与灌水定额密切相关[47],增大灌水量能够将更多盐分淋洗至膜间0~40 cm,在不同灌溉制度下膜间0~40 cm土壤主要以积盐为主。由于初始盐含量对盐分的变化有很大影响,情景模拟仅在轻度盐渍土上进行,在不同盐渍程度的区域,其适用性还需要进一步验证。
本文利用HYDRUS-2D模型能够较好地模拟膜下滴灌农田的土壤二维水热盐运移,但仍存在不足之处,例如模型将土壤含水率的覆膜边界在非灌水期简单设置为零通量边界,没有考虑到膜的破损导致的膜下土壤水分蒸发,导致在灌水后土壤湿润条件下,0~20 cm的土壤含水率被高估,峰值较高,而在土壤较干燥的时期,模拟值更加接近实测值。此外还缺少对地上作物生长的模拟,在模拟中采用了已知的土壤水热盐上边界条件。而在实际应用中,土壤的上边界温度往往是未知的,需要考虑根据气象观测结合下垫面能量平衡和水热传输过程来进行量化。
4. 结 论
本研究通过田间试验和数值模拟,分析了南疆膜下滴灌农田土壤水热盐在二维剖面上的分布特征及运移规律,并通过情景模拟探究了不同灌水量和灌水矿化度对土壤积/脱盐率的影响,主要得到以下结论:
1)生育前期土壤二维剖面内水分分布差异明显,后期逐渐均匀;125%的灌溉需水量不能提高根区土壤含水率;低灌水矿化度下土壤盐分累积位置随灌水量增大向深层、膜间土壤运移,中、高矿化度灌水提高了滴灌带下、中行位置处的土壤盐分;覆膜对生育初期0~40 cm土壤增温效果明显。
2)HYDRUS-2D模型能可靠模拟膜下滴灌棉田土壤水热盐二维运移,0~60 cm土层土壤含水率、含盐量、温度模拟值与实测值的动态变化表现出良好的一致性,R2均大于0.56。
3)膜间土壤主要以积盐为主,微咸水灌溉下较高的灌水定额会提高膜下根区土壤含盐量。灌水矿化度小于2.5 g/L时,不同灌溉水量均不会造成膜下根区土壤在生育期末的盐分累积。充分灌水条件下,保证膜下0~40 cm土壤不积盐的最高灌水矿化度为3.2 g/L;在90%的灌溉需水量下,灌水矿化度为3.5 g/L时,是微咸水灌溉下保证膜下土壤根区不积盐的最大阈值。
-
表 1 吉林省各地级市转产系数α
Table 1 Yield conversion coefficient α of each city in Jilin Province
城市
City转产系数
Yield conversion coefficient/(×10−2)城市
City转产系数
Yield conversion coefficient/(×10−2)长春 1.21 四平 1.33 通化 1.08 吉林 1.10 松原 1.19 白城 1.05 表 2 敏感性分析表
Table 2 Sensitivity analysis table
t·hm−2 项目Item 转产系数α 1 km CD MOD09A1 市级
City-level省级
Province-level城市
City白城 1.29 1.36 1.24 2.13 四平 0.94 1.30 1.34 1.74 长春 1.07 1.13 1.08 1.11 松原 0.93 0.96 1.03 0.99 通化 0.71 0.84 1.09 0.79 吉林 0.59 0.71 0.96 0.59 年份
Year2016 1.38 1.39 1.61 1.84 2017 0.91 0.98 0.97 1.38 2018 0.80 1.04 1.13 1.27 2019 0.67 0.86 1.01 1.22 2020 0.87 0.94 0.98 0.94 2021 0.77 0.94 0.98 1.31 注:从左到右4列数据分别是使用不同尺度(市级、省级)的转产系数、不同空间分辨率的玉米分布数据(1 km)和遥感数据(500 m)估产结果的RMSE值。 Note:Four columns from left to right were the RMSE of estimated maize yield by using different scale conversion coefficients (city level, provincial level), maize distribution data (1 km), and remote sensing data (500 m) with different spatial resolutions, respectively. -
[1] 贺鹏,王婧姝,曹晨斌,等. 基于多源遥感数据融合的运城盆地夏玉米估产研究[J]. 中国农业资源与区划,2023,44(3):1-10. HE Peng, WANG Jingshu, CAO Chenbin, et al. Yield estimation of summer maize in Yuncheng Basin based on fusion of multi-source remote sensing data[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2023, 44(3): 1-10. (in Chinese with English abstract)
[2] 王耀民,陈皓锐,陈俊英,等. 光谱指数筛选方法与统计回归算法结合的水稻估产模型对比[J]. 农业工程学报,2021,37(21):208-216. doi: 10.11975/j.issn.1002-6819.2021.21.024 WANG Yaomin, CHEN Haorui, CHEN Junying, et al. Comparison of rice yield estimation model combining spectral index screening method and statistical regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CASE), 2021, 37(21): 208-216. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2021.21.024
[3] KERRN A, BARCZA Z, MARJANOVIć H, et al. Statistical modelling of crop yield in Central Europe using climate data and remote sensing vegetation indices[J]. Agricultural and Forest Meteorology, 2018, 260: 300-320.
[4] WIT A, BOOGAARD H, FUMAGALLI D, et al. 25 years of the WOFOST cropping systems model[J]. Agricultural Systems, 2019, 168: 154-167.
[5] ZHANG L, ZHANG Z, LUO Y, et al. Integrating satellite-derived climatic and vegetation indices to predict smallholder maize yield using deep learning[J]. Agricultural and Forest Meteorology, 2021, 311: 108666.
[6] WU B, ZHANG M, ZENG H, et al. Challenges and opportunities in remote sensing-based crop monitoring: A review[J]. National Science Review, 2023, 10(4): nwac290.
[7] POTTER C, RANDERSON J, FIELD C, et al. Terrestrial ecosystem production: A process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841.
[8] RUNNING W, NEMANI R, HEINSCH A, et al. A continuous satellite-derived measure of global terrestrial primary production[J]. Bioscience, 2004, 54(6): 547-560.
[9] XIAO X, HOLLINGER D, ABER J, et al. Satellite-based modeling of gross primary production in an evergreen needleleaf forest[J]. Remote Sensing of Environment, 2004, 89(4): 519-534.
[10] YAN H, DU W, ZHOU Y, et al. Satellite-based evidences to improve cropland productivity on the high-standard farmland project regions in Henan Province, China[J]. Remote Sensing, 2022, 14(7): 1724.
[11] YAN H, FU Y, XIAO X, et al. Modeling gross primary productivity for winter wheat–maize double cropping system using MODIS time series and CO2 eddy flux tower data[J]. Agriculture, Ecosystems & Environment, 2009, 129(4): 391-400.
[12] HUANG X, MA M, WANG X, et al. The uncertainty analysis of the MODIS GPP product in global maize croplands[J]. Frontiers of Earth Science, 2018, 12: 739-749.
[13] 黄晓娟. 基于全球FLUXNET站点的MODIS GPP产品算法改进 [D]. 重庆:西南大学,2019. HUANG, Xiaojuan. Improved MODIS GPP Product Algorithm Based on Global FLUXNET Sites[D]. Chongqing: Southwest University, 2019. (in Chinese with English abstract)
[14] 谢光辉,韩东倩,王晓玉,等. 中国禾谷类大田作物收获指数和秸秆系数[J]. 中国农业大学学报,2011,16(1):1-8. doi: 10.11841/j.issn.1007-4333.2011.01.001 XIE Guanghui, HAN Dongqian, WANG Xiaoyu, et al. Harvest index and residue factor of cereal crops in China[J]. Journal of China Agricultural University, 2011, 16(1): 1-8. (in Chinese with English abstract) doi: 10.11841/j.issn.1007-4333.2011.01.001
[15] 袁文平,蔡文文,刘丹,等. 陆地生态系统植被生产力遥感模型研究进展[J]. 地球科学进展,2014,29(5):541−550. YUAN Wenping, CAI Wenwen, LIU Dan, et al. Satellite-based vegetation production models of terrestrial ecosystem: an overview[J]. Advances In Earth Science, 2014, 29(5): 541−550. (in Chinese with English abstract)
[16] PENG S, DING Y, WEN Z, et al. Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011–2100[J]. Agricultural and Forest Meteorology, 2017, 233: 183-194.
[17] SHEN R, DONG J, YUAN W, et al. A 30 m Resolution distribution map of maize for China based on landsat and sentinel images[J]. Journal of Remote Sensing, 2022, 2022: 12.
[18] LUO Y, ZHANG Z, CHEN Y, et al. ChinaCropPhen1km: a high-resolution crop phenological dataset for three staple crops in China during 2000–2015 based on leaf area index (LAI) products[J]. Earth System Science Data, 2020, 12(1): 197-214.
[19] 吉林省统计局. 吉林统计年鉴 [M] 北京; 中国统计出版社. 2017-2022 [20] MONTEITH J, Moss C. Climate and the efficiency of crop production in Britain[J]. Philosophical Transactions of the Royal Society of London B, Biological Sciences, 1977, 281(980): 277-294.
[21] XIAO X, ZHANG Q, BRASWELL B, et al. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data[J]. Remote Sensing of Environment, 2004, 91(2): 256-270.
[22] XIAO X, BOlES S, LIU J, et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2005, 95(4): 480-492.
[23] LIU G , WANG X , BAIOCCHI G , et al. On the accuracy of official Chinese crop production data: Evidence from biophysical indexes of net primary production[J]. Proceedings of the National Academy of Sciences of the United States of America, 2020, 117(41): 25434-25444.
[24] 赫晓慧,罗浩田,乔梦佳. 基于 CNN-RNN 网络的中国冬小麦估产[J]. 农业工程学报,2021,37(17):124-132. doi: 10.11975/j.issn.1002-6819.2021.17.014 HE Xiaohui, LUO Haotian, QIAO Mengjia, et al. Yield estimation of winter wheat in China based on CNN-RNN network[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CASE), 2021, 37(17): 124-132. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2021.17.014
[25] 张悦,王鹏新,张树誉,等. 基于双参数和Morlet多时间尺度特性的冬小麦单产估测[J]. 农业机械学报,2021,52(10):243-254. doi: 10.6041/j.issn.1000-1298.2021.10.025 ZHANG Yue, WANG Pengxin, ZHANG Shuyu, et al. Yield estimation of winter wheat based on two parameters and morlet multi-scale characteristics[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(10): 243-254. (in Chinese with English abstract) doi: 10.6041/j.issn.1000-1298.2021.10.025
[26] 王鹏新,齐璇,李俐,等. 基于随机森林回归的玉米单产估测[J]. 农业机械学报,2019,50(7):237-245. doi: 10.6041/j.issn.1000-1298.2019.07.026 WANG Pengxin, QI Xuan, LI Li, et al. Estimation of maize yield based on random forest regression[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(7): 237-245. (in Chinese with English abstract) doi: 10.6041/j.issn.1000-1298.2019.07.026
[27] 周西嘉,张悦,王鹏新,等. 基于Sentinel的时间序列田块尺度LAI重建与冬小麦估产[J]. 农业机械学报,2022,53(8):173-185. ZHOU Xijia, ZHANG Yue, WANG Pengxin, et al. Reconstruction of time series LAI and winter wheat yield estimation at field scales based on sentinel satellites[J]. Transactions of the chinese society for agricultural machinery, 2022, 53(8): 173-185. (in Chinese with English abstract)
[28] 任建强,陈仲新,周清波,等. MODIS植被指数的美国玉米单产遥感估测[J]. 遥感学报,2015,19(4):568-577. REN Jianqiang, CHEN Zhongxin, ZHOU Qinbo, et al. MODIS vegetation index data used for estimating corn yield in USA[J]. Journal of Remote Sensing, 2015, 19(4): 568-577. (in Chinese with English abstract)
[29] 王汇涵,张泽,康孝岩,等. 基于Sentinel-2A的棉花种植面积提取及产量预测[J]. 农业工程学报,2022,38(9):205-214. doi: 10.11975/j.issn.1002-6819.2022.09.022 WANG Huihan, ZHANG Ze, KANG Xiaoyan, et al. Cotton planting area extraction and yield prediction based on Sentinel-2A[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CASE), 2022, 38(9): 205-214. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.09.022
[30] 孙少杰,吴门新,庄立伟,等. 基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测[J]. 农业工程学报,2022,38(11):151-160. doi: 10.11975/j.issn.1002-6819.2022.11.017 SUN Shaojie, WU Men Xin, ZHUANG Liwei, et al. Forecasting winter wheat yield at county level using CNN and BP neural networks[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CASE), 2022, 38(11): 151-160. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.11.017
-
期刊类型引用(6)
1. 叶长红,袁玲丽,谭军,龚莉,刘芮麟,邓祥平. 中低水头混流式水轮机涡带区压力脉动研究. 人民长江. 2025(02): 158-166+182 . 百度学术
2. 熊必文,王渊博,许海洋,宫傲,闫文峰,刘成杰. 沙沱水电站机组振动特性研究. 水电与新能源. 2024(06): 8-11+43 . 百度学术
3. 汤国和,闫晓彤,何腾,张志兵,郑源,阚阚. 抽蓄系统抽水快转发电过渡过程的水力不稳定性. 南水北调与水利科技(中英文). 2024(04): 821-832 . 百度学术
4. 郑文超,杨建刚,周浩,沈德明. 水力脉动下水泵水轮机轴系扭振及疲劳寿命分析. 水电能源科学. 2024(07): 174-178 . 百度学术
5. 赵亚萍,郑小波,张欢,郭鹏程. 多能互补条件下转轮优化对水轮机低负荷区稳定性能的影响. 农业工程学报. 2023(07): 67-76 . 本站查看
6. 周玉国,王浩博,董钟明,李秘,王彦龙,邹双喜,邹顺,周大庆,于安,郭俊勋. 巨型混流式水轮机尾水管涡带CFD研究. 水力发电学报. 2023(12): 87-95 . 百度学术
其他类型引用(0)