作物水分生产函数论文更正.doc

节水灌溉技术课程小论文

题目： 冬小麦水分生产函数及水肥耦合研究

学院： 水利电力学院
专业： 农业水利工程
班级： 农水1班
学号： 20102257

20 13 年 10 月 21 日
黑龙江大学水利电力学院

冬小麦水分生产函数及水肥耦合关系试验研究
摘要：分别对冬小麦水分生产函数及水肥耦合关系进行试验研究，分析了冬小麦田间水分转化与消耗规律以及水分、肥料对冬小麦产量的影响，建立了冬小麦水分生产函数Jensen 模型和人工神经网络(ANN) 模型，为冬小麦节水高效灌溉制度的制订提供了基本依据。
关键词：水分生产函数；水肥耦合关系；冬小麦

1、冬小麦水分生产函数研究
1.1 冬小麦水分生产函数的Jensen模型
Jensen 模型是水分生产函数研究中最常用的模型之一，其形式为:
（1）
式中n代表作物生育阶段数；i为生育阶段编号；ETai, ETmi 分别为第阶段的实际腾发量(mm)、潜在腾发量(mm)；Ya 为实际腾发量对应的实际产量( kg/hm2)；Ym 为潜在腾发量对应的作物潜在产量，即充分供水条件下的作物产量( kg/hm2)；λi 为第i 生育阶段的水分敏感指数，反映阶段缺水对产量的影响程度。
研究结果表明，水分敏感指数具有一定的累加性，可以用logistic曲线来描述敏感指数累积曲线，即:
（2）
式中a，b，c 为经验参数。根据以上累积曲线，可以计算出时段t1～t2 的水分敏感指数为：
（3）
在本研究中，采用以下4种方法来推求水分敏感指数：将Jensen 模型线性化后利用最小二乘法确定水分敏感指数，记为OLSR；将Jensen 模型线性化后利用偏最小二乘法确定水分敏感指数，记为PLSR；利用遗传算法等非线性优化方法直接确定Jensen模型中的水分敏感指数，记为NLR；利用遗传算法等非线性优化方法确定水分敏感指数累积曲线的参数a、b、c， 然后利用式(3)计算出各生育阶段的水分敏感指数λi，记为CC。
水分敏感指数的拟合结果见表1，其中PLSR方法的拟合结果为：
（4）
表1 潇河试验站冬小麦水分敏感指数拟合结果
拟合
方法
λ1
λ2
λ3
λ4
λ5
λ6
播种—
越冬
越冬—
返青
返青—
拔节
拔节—
抽穗
抽穗—
灌浆
灌浆—
收获
OLSR
0.020 0
0.040 7
0.164 3
0.419 2
0.259 3
0.155 6
PLSR
0.019 8
0.044 2
0.171 3
0.424 2
0.267 4
0.158 2
NLR
0.032 7
0.027 9
0.171 7
0.437 7
0.239 5
0.142 5
CC
2e- 6
0. 120
0.217 4
0.420 2
0.257 2
0.104 9

从表1 可以看出，以上4 种方法得到的水分敏感指数有一定的差别，但总体变化规律一致。在6个生育阶段中，后4个阶段水分敏感指数较大，其中拔节—抽穗阶段的水分敏感指数最大，其次是抽穗—灌浆阶段，最后是返青—拔节和灌浆—收获；播种—越冬和越冬—返青两个阶段的水分敏感指数最小，与其他阶段水分敏感指数相比，几乎可以忽略。
1.2 冬小麦水分生产函数的人工神经网络模型
人工神经网络( Artificial neural network, 以下简称（ANN）是当前非线性科学中应用较为广泛的一个分支。ANN 中最常用的是基于BP 算法的前馈式神经网络, 即BP 神经网络。BP 网络具有较强的自学能力和处理非线性问题能力, 近年来在有关工程领域得到了广泛的应用。在本项研究中, 利用BP 网络来描述水分对冬小麦产量的影响, 取得了较好的效果。
在BP模型用于描述作物水分生产函数时，以各生长阶段的腾发量为网络的输入，以作物产量作为输出(如图1所示)。图1中表示输入层至隐含层的权值，表示隐含层至输出层的权重， 和分别是隐含层和输出层的阈值。网络参数(权重和阈值)可以根据一定数量的训练样本利用BP算法与遗传算法(GA)相结合对网络进行训练得到。

图1 作物水分生产函数BP 网络结构示意图
根据潇河试验站试验数据, ANN 设6 个输入节点，分别代表6个阶段的相对腾发量；由于样本数量较少，隐含层节点数设为2；这样网络结构为6-2-1。以1990、1992、1993、1995年为训练年，1994年为校准年，1989年为校核年，训练得到的网络权值和阈值见表2。可以看出，BP 网络对训练样本、校准样本和校核样本均具有较高的拟合精度，表明BP网络用于描述作物——水分关系是可行的，为作物水分生产函数的研究提供了一种新的途径。

wij
Qi
Tli
Ql
4.1284
11.6490
27.7045
-1.3913
16.9133
-2.8428
-31.4826
0.1254
0.6169
-4.5771
-6.1045
-6.1748
21.7534
7.6612
1.4381
-7.1895
0.1528

表2 冬小麦BP 模型权值及阈值
ANN模型分析得到的阶段水分敏感性规律与Jensen 模型分析得到的结果略有差异，主要是返青—拔节和抽穗—灌浆阶段的水分敏感性大小顺序发生变化，且ANN模型中灌浆—收获阶段的水分敏感性较Jensen模型同阶段水分敏感性小。但二者都反映了冬小麦中间生育阶段(返青—灌浆)水分敏感性大，而前期和后期水分敏感性小的共同规律。
2、冬小麦水肥耦合关系分析
2.1 冬小麦水肥耦合试验
田间试验采用坑测法，2002 年在潇河灌溉试验站建成试验测坑30个，测坑面积为20m2 ( 6.67m×3m)。试验中灌水设计5个处理(表3)，根据作物生育期的降水情况对灌溉定额进行必要的调整；底肥、追肥均设高(H)、中(M)、低(L)和不施肥(Φ)四个水平，中等施肥量M根据当年具体情况确定，高、低水平的施肥量分别为1.5 M、0.5 M，底肥与追肥组合设计6个施肥处理；灌水与追肥组合设计26个处理(表4)。
表3 冬小麦水肥生产函数试验灌水处理单位: /
灌水
处理
各阶段灌水定额
灌溉
定额
返青后灌溉定额
播前
越冬
拔节
抽穗
灌浆
Ⅰ
750
750
750
750
750
3750
2250
Ⅱ
750
750
600

450
2550
1050
Ⅲ
600
600

450

1650
450
Ⅳ
450

450

900
450
Ⅴ

0
0

表4 冬小麦水肥生产函数试验组合处理及试验小区
施肥
水平
灌水水平
备注
Ⅰ
Ⅱ
Ⅲ
Ⅳ
Ⅴ
H, M, L,
Φ分别表
示高、中
低及不施
肥，排列
顺序为底
肥、追肥。
HH
1
4
7
10
13
MH
16
19
22
25
28
MM
2
5
8
11
14
MΦ
17
20
23
26
29
LL
18
21
24
27
30
ΦΦ
3
6
9
12
15

观测项目包括：气象、土壤水分（中子仪观测深度0～2.0m，每20cm一层；取土烘干，0～1.0 m，每20cm一层）、土壤养分、作物生长状况、产量及品种等。
2.2 灌水与施肥对冬小麦产量的影响

图2 表示冬小麦返青后灌水量对产量的影响。由图知，在试验的灌水范围内，冬小麦产量随灌水量的增加有增加的趋势，其关系可近似用线性来描述。
与灌水量对产量的影响类似，图3表明冬小麦产量随底肥和追肥量的增加也都具有增加的趋势。采用多元回归模型来描述灌水与施肥对产量的组合影响：
Y=a+bI+cF1+dF2 (5)
式中：Y为产量，I为返青后灌水量，F1、F2 分别为底肥、追肥量，a，b，c，d为回归系数。根据试验结果进行最小二乘回归，得到回归方程为：
Y=96.65+1.185I+2.346F1+0.127F2 (6)
上式计算的产量与实测产量对比见图4。可以看出，多元线性回归模型基本能反映出灌水、施肥对冬小麦产量的影响，但部分处理的计算产量与实测产量差别较大。

2.3 冬小麦产量—灌水量—施肥量关系的人工神经网络模型
在BP网络描述冬小麦产量与灌水量、施肥量间的关系时，输入层单元数为3，分别代表返青后灌水量、底肥、追肥量；输出层只有一个单元，代表产量。利用30个小区试验结果中的25组数据对网络进行训练，另外5组用于校核。模型计算产量与实测产量的比较如图3所示。从图4中可以看出, 人工神经网络模型的计算结果要好于多元回归模型。
流域水文模型的输入是流域上各点的降雨过程，输出是流域出口断面的流量或水位过程，因此它是一种输入具有分散性和输出具有集中性的模型。现有流域水文模型在结构上一般与此并不匹配，在实际应用中考虑这一问题时，几乎无一例外地采用将全流域按雨量站划分成若干个单元面积的方法，认为当单元面积的尺度小到一定程度时，即可作集中输入和集中输出的流域水文模型来模拟该单元面积的径流形成，最后将各单元面积对全流域出口断面输出的贡献迭加起来作为其出口断面的输出。显然，这种实用的处理方法仍是不完善的。
与计算机技术发展不可分割的流域水文模型，总是以离散方式来模拟流域径流形成过程, 因此采用有效的计算方法是十分重要的。流域产、汇流过程是一个连续过程，当用数学模型模拟时，必然因离散带来离散误差。计算机的数字有效位数总量有限，这又必然带来舍入误差。如果离散化方法不适当，计算方法不够好，则非物理的数值效应可能会导致背离物理图景的计算结果。这就表明，流域水文模型是否成功，除了合理的结构和参数外，还有赖于采用合适的离散化格式和有效的计算方法，换言之，流域水文模拟存在数值计算是否满足稳定性的问题，现有流域水文模型大多采用显式差分格式来离散化，对数值计算的稳定性几乎都没有涉及，更无深入的研究。
3、结语
冬小麦水肥耦合技术小区试验主要观测指标有：气象、土壤水、土壤养分、作物生长状况、品种等。试验结果表明，冬小麦田间水分转化与消耗规律以及水分、肥料对冬小麦的产量有很大的影响目前使用的绝大多数模型仍为概念性的水文模型，既具有一定的物理基础, 又有良好的适用性，在水文模拟中发挥了巨大的作用。但在越来越受水文界关注的尺度问题、生态水文过程、人类活动及气候变化的水文响应等热点问题上缺乏有力的解决方案，有待进一步的发展和完善。水文循环领域的应用给水文模型的研究思路和技术方法带来了创新和革命，使得模型的应用更为简单方便，但是这并不代表模型本身的高质量。立足于产汇流机理研究，运用新的技术方法，不断改进水文模型结构和水文模型创新十分必要。建立耦合水文模型有着广阔的发展前景。耦合水文模型的发展有着较为广阔的前景；同时建立了冬小麦水分生产函数的Jensen模型、人工神经网络(ANN)模型以及冬小麦水肥生产函数的ANN模型，对冬小麦节水高效灌溉制度的制订具有重要的参考价值。
参考文献：
[1] 山仑。植物水分利用效率和半干旱地区农业用水[J]。植物生理学通讯，1994，30(1)：61-66.
[2] 张岁歧，山仑。节水灌溉的生理生态依据[J]。山西农业科学，1991，(2)：34-37.
[3] 康绍忠，党育红。作物水分生产函数与经济用水灌溉制度的研究[J]。西北水利科学，1987，(1)：1-11.
[4] 梁银丽，康绍忠。水分胁迫下磷营养对小麦耗水特性的影响[J]。土壤侵蚀与水土保持学报，1997，(1)：45-50.
[5] 梁银丽，蔡焕杰，康绍忠。黄土区作物对水分亏缺的生理反应与调控[A]。康绍忠，梁银丽，蔡焕杰。旱区水-土-作物关系及其最优调控原理[M]。北京：农业出版社，1997.
[6] 康绍忠。新的农业科技革命与21世纪我国节水农业的发展[J]。干旱地区农业研究，1998，(1)：11-16.