設施菜地WHCNS_Veg水氮管理模型

梁 浩，胡克林，孫 媛，呂浩峰，林 杉

設施菜地WHCNS_Veg水氮管理模型

梁 浩1,2，胡克林2※，孫 媛3，呂浩峰2，林 杉2

（1. 河海大學農業工程學院，南京 210098； 2. 中國農業大學土地科學與技術學院，農業部華北耕地保育重點實驗室，北京 100193； 3. 中國農業科學院農業信息研究所，北京 100081）

與一般大田作物相比，設施菜地集約化程度高、水肥投入量大，加上蔬菜根系淺，土壤養分淋失嚴重，不僅浪費資源，而且極易引起地下水污染等生態環境問題。定量研究設施蔬菜不同生長階段的土壤水分動態和氮素去向是制定合理水氮管理方案的基礎。該研究在農田土壤水熱碳氮模擬模型（soil water heat carbon nitrogen simulator，WHCNS）的土壤水分、碳氮循環模塊的基礎上，耦合了蔬菜生長發育過程模型，構建了適用于設施菜地水氮管理的機理模型WHCNS_Veg。分別利用山東壽光的設施黃瓜和天津武清的設施番茄田間觀測數據，主要包括不同水氮管理措施下實測的土壤水分（含水率和基質勢）、土壤氮素（硝態氮含量和淋失量）、植株吸氮量和蔬菜可售賣鮮產量，對WHCNS_Veg模型進行了校準與驗證。結果表明，作物生物學指標的模擬精度要高于土壤指標，模擬的黃瓜、番茄產量和植株吸氮量的相對均方根誤差不大于12.1%、一致性指數不小于0.934和Nash-Sutcliffe效率系數不小于0.829。土壤指標中，土壤含水率的模擬效果也較好，相對均方根誤差、一致性指數和Nash-Sutcliffe效率系數的范圍分別為6.2%～9.1%、0.851～0.960和0.477～0.846；其次是土壤硝態氮含量和淋失量，相對均方根誤差范圍分別為22.2%～40.1%和4.6%～26.0%，Nash-Sutcliffe效率系數范圍分別為?0.810～0.636和0.442～0.956。模型對土壤基質勢動態模擬的精度相對較低，相對均方根誤差、一致性指數和Nash-Sutcliffe效率系數范圍分別為22.9%～30.1%、0.223～0.846和?6.344～0.113，主要是滴灌條件下模擬效果較差導致的，說明需要進一步提高滴灌條件下土壤基質勢的模擬精度?？傮w來看，WHCNS_Veg模型較好地模擬了不同水氮管理條件下土壤水氮動態和蔬菜生物學指標，該模型在設施菜地水氮管理方面具有較大的應用潛力。

設施；蔬菜；水分；氮素；WHCNS_Veg；模型評價

0 引 言

中國是蔬菜第一生產大國，設施蔬菜產業在近30 a得到了較快的發展，2019年設施菜地面積已經達到351.5萬hm2，占全國蔬菜種植面積的17.6%[1]。蔬菜的水肥投入量是大田作物的7倍左右[1]，加上蔬菜的根系較淺、水肥利用率低，造成菜地土壤養分淋失嚴重，導致了一系列的生態環境問題如地下水污染、土壤酸化、鹽漬化等[2-4]。Zhu等[2]對山東省設施菜地種植區94口地下水井的水質監測發現，50%以上的地下水硝酸鹽含量超過了世界衛生組織規定的飲用水標準10 mg/L（以N計）。北京主要蔬菜種植區的地下水硝酸鹽的平均濃度達13.8 mg/L，是大田作物的2.8倍[4]。因此，優化設施菜地的水肥管理，減少其對環境的負面影響是當前迫切需要解決的問題。

土壤-作物系統模型能夠預測模擬土壤水分動態、氮素去向和作物生長發育過程，因而被廣泛用于大田作物的水肥優化管理及環境影響評價等的研究[5-9]，但是有關蔬菜水肥管理的模型還比較少見。N_Expert模型和N_ABLE模型是最早應用于蔬菜水肥管理的2個模型，基于N_ABLE模型，在歐洲開發了一系列模型，如WELL_N模型[10]、NPK模型[11]、SMCR_N模型[12]和EU-Rotate_N模型[8]。其中EU-Rotate_N模型在露地和設施菜地都得到了較好的驗證和應用[13-15]，并建立了20多種蔬菜的作物生物學參數數據庫，便于模型直接調用[6,8]。近年來，Guo等[13]用EU-Rotate_N模型模擬分析了山東設施菜地的氮素損失。Sun等[14-15]使用該模型模擬了設施黃瓜和番茄不同水氮管理下的氮素去向，并優化了水氮管理方案，發現滴灌和秸稈還田措施能夠有效地降低氮素淋失并維持蔬菜產量。EU-Rotate_N模型采用簡單的平衡計算方法對土壤水氮運移進行模擬，這大大限制了該模型在復雜環境條件下的應用。Yang等[16]提出用動力學方法來替代原有的水分運移模塊，但該方法沒能很好地嵌入到現有的EU-Rotate_N模型中[8]。另外，該模型只能輸出氣體損失總量，無法區分反硝化和氨揮發過程，在模擬氨揮發和氧化亞氮排放方面存在一定的局限性，這些都大大限制了該模型在中國的實際應用。此外，中國的設施菜地具有集約化程度高、水肥投入量大的特點，EU-Rotate_N模型在模擬中國菜地氮素淋失時誤差較大，而且大大低估了氮素礦化量[13]。因此，研發適用于中國高度集約化管理條件下的蔬菜水氮管理模型十分必要。

土壤水熱碳氮模擬模型（soil water heat carbon nitrogen simulator，WHCNS）模型是一款針對中國氣候環境條件開發的，適用于大田作物的水氮管理模型[17-20]，模型中的作物生長模塊是基于PS123作物模型研發的，可模擬大田作物的生長過程。由于蔬菜的生長過程與傳統大田作物有較大區別，特別是蔬菜產量具有多次收獲的特點[7]。WHCNS模型中原有的作物模塊無法模擬蔬菜生長過程，而EU_Rotate-N模型中的蔬菜生長發育模塊可很好地解決該問題，并構建有20多種蔬菜的作物參數數據庫。因此，本研究擬借鑒EU_Rotate-N模型中蔬菜生長發育過程模塊，將其與WHCNS模型中土壤水熱運動及碳氮循環過程模塊相耦合，構建適合于中國氣候環境條件下的設施菜地水氮管理模型，以期為中國設施菜地水氮管理提供理論依據與科學工具。

1 模型構建

1.1 WHCNS模型

WHCNS模型以天為時間步長，由氣象數據、土壤參數、作物生物學參數和田間管理數據驅動[17]。在模型中，采用Penman-Monteith公式[21]估算參考作物蒸散量。土壤水分入滲和再分布過程分別采用Green-Ampt模型[22]和Richards方程進行模擬。根系吸水采用HYDRUS1D模型中的方法，并引入了補償性吸水機制[23]。土壤熱運動采用對流-傳導方程來描述。土壤無機氮的運移采用對流-彌散方程，源匯項中考慮了碳氮循環各過程（有機質礦化、生物固持、尿素水解、氨揮發、硝化和反硝化等）和作物吸收，土壤有機質周轉動態直接來源于DAISY模型[5]。作物生長發育進程、干物質生產、葉面積指數、作物產量等的模擬使用PS123作物模型，通過水氮脅迫校準因子來實現水氮限制下作物產量的模擬。

1.2 蔬菜生長模塊

本研究以WHCNS模型的土壤模塊為基礎，通過耦合歐洲EU-Rotate_N模型中蔬菜生長過程的模擬方法，改進了WHCNS模型原有的作物生長模塊，從而構建了設施菜地水氮管理的過程模型WHCNS_Veg。具體的蔬菜生長發育過程模擬主要包括干物質積累、根系吸水吸氮、產量估算等計算過程。

1.2.1 蔬菜干物質積累

模型中總干物質的模擬基于干物質目標產量值，與其他光合作用驅動的模型不同，該方法輸入參數很少，調試簡單，容易建立不同蔬菜品種數據庫，但是需要輸入目標產量。蔬菜生長發育進程由三基點溫度和氣象條件控制：

RDS+1=RDS+?RDS（1）

式中RDS和RDS+1分別為作物在播種或者移栽后第和+1天的生長發育進程，該值為0代表播種和移栽日，1代表作物停止生長；?RDS為每天的蔬菜發育進程增量，無量綱；T是第天的平均氣溫，℃；sum為蔬菜完成生育期需要的總積溫，℃；base為蔬菜生長發育所需的最低溫度，黃瓜和西紅柿均為7 ℃；crit為蔬菜生長發育臨界溫度，設置為20℃[8]。

蔬菜每天的干物質累積量計算如下：

TDM+1=TDM+?TDM（3）

式中TDM、TDM-1和TDM+1分別是第、?1和+1天蔬菜總干物質重，kg/hm2；?TDM是第天干物質的增量，kg/hm2；cf()和cf()分別為蔬菜生長的水分和氮素脅迫系數，cf()計算方法參見文獻[17]，cf()計算方法如式（8）所示；1是經驗參數，設置為1；可以看出，當式中cf()和cf()均設置為1時，對式（4）積分的結果即為最高目標產量TDMmax，從而推導出2的計算公式，如下：

式中TDMinit是種植或播種時的植株干質量，kg/hm2；J和J分別為收獲和播種（播種）時的日序。

1.2.2 根系吸水吸氮模擬

根系吸水的計算采用HYDRUS1D模型的方法[23]。根系吸氮的計算基于蔬菜臨界氮濃度，即蔬菜維持最佳生長速率時的氮濃度，臨界氮濃度計算公式如下：

crit=η（1+ηe-0.26TDM） （6）

式中crit是蔬菜臨界氮濃度，%；η和η是與蔬菜品種相關的參數，不同蔬菜的作物參數默認值參見文獻[6]，并根據田間實測值進行校正。

當土壤的供氮量大于蔬菜的需氮量時，蔬菜會奢侈吸收，導致實際的氮濃度高于臨界氮濃度，蔬菜最大氮含量由下式計算：

max=lux·crit（7）

式中max為蔬菜最大的含氮量，%；lux為奢侈吸收系數（lux>1），Rahn等[8]推薦了不同蔬菜的lux值，實際使用需根據實測的蔬菜吸氮量進行校正。

蔬菜實際吸收的氮含量由蔬菜需氮量、土壤供氮能力和lux決定，蔬菜生長發育的氮素脅迫系數cf()則由蔬菜的實際含氮量（act）和蔬菜臨界含氮量（crit）決定，如下式：

cf()=min（act/crit，1.0）（8）

1.2.3 可售賣產量計算

與大田作物產量模擬不同，蔬菜一般含水分較多，品種不同可食用的部位也不同，果實過大或過小均會影響其食用，所以常規的計算大田作物產量的方法不適用于蔬菜產量的估算。當已知蔬菜總干物質質量時，Nendel[7]提出了基于概率分布估算蔬菜產量鮮質量的方法，該方法成功模擬了歐洲不同蔬菜的產量。本文采用了該方法計算蔬菜產量。

由式（9）將總干物質轉化得到產量的干物質質量。

DMY=TDM·HI （9）

式中DMY為蔬菜產量干質量，kg/hm2；HI為收獲指數，即可食用部分占總干物質質量的比例。令作物間距為P，每公頃植株數和單個植株的平均產量為

P=10 000/P2（10）

SPAFY=DMY/(P·DM) （11）

式中P為每公頃植株數；P為行間距，m；SPAFY是單個植株平均的產量鮮質量，kg/株；DM是蔬菜收獲部分的干物質濃度，%；Nendel[7]總結了不同蔬菜品種的DM值。

假設菜地植株收獲器官質量服從正態分布，均值為SPAFY，標準差為σ。假定單個器官個體達到可食用（出售）的最小值（low）時才算為產量，不同蔬菜取值可參考Nendel[7]。根據上面的假設，可計算出每公頃菜地總產量鮮質量，計算如下：

式中()是蔬菜收獲器官質量的正態分布函數；是植株收獲器官個體質量，kg；FMY是每公頃菜地可食用蔬菜產量鮮質量，即直接可以出售的產量，kg/hm2。

1.2.4 初值與邊界條件

采用試驗開始前實測的田間剖面土壤含水率（或土壤基質勢）和土壤無機氮濃度作為初值，求解土壤水分運動方程的上邊界：

式中為土壤基質勢，cm；是空間坐標（向上為正），cm；()是非飽和導水率，cm/d；E是當前大氣條件下的潛在蒸發量，cm/d；為地表允許的最小基質勢，cm。研究區地下水埋藏較深時，下邊界設置為自由排水邊界；地下水較淺時，可設置為變動水頭邊界（需要輸入每日下邊界含水率）。

氮素運移方程的上下邊界條件由水分邊界條件自動判斷。降雨和灌溉相應帶入和帶出的氮可由如下邊界條件計算：

式中為體積含水率，cm3/cm3；為水動力彌散系數，cm2/d；為土壤水流通量，cm/d；為土壤水中無機氮濃度，mg/cm3；′為上邊界（或下邊界）水流通量，cm/d；為時間，d；′()為上下邊界水流中無機氮濃度，mg/cm3。

2 田間試驗及模型應用

2.1 研究區概況

試驗地點分別在位于山東省壽光市（37.00°N，118.35°E）和天津市武清區（39.43°N，116.96°E）的設施大棚內進行。壽光市是中國著名的蔬菜生產基地，地處溫帶大陸性季風氣候區，四季分明，年平均溫度為12.7 ℃，試驗地設施大棚內年平均溫度在21 ℃左右。當地農民每季蔬菜的灌溉量和施氮量分別約為1 000 mm和600 kg/hm2（以N計）[14]。天津市武清區也是中國蔬菜生產的重點發展區域，該區域同屬溫帶大陸性季風氣候區，年平均氣溫為12.5 ℃，設施大棚內的年平均氣溫為22.2 ℃。當地農民每季蔬菜的灌溉量和施肥量分別約為700 mm和200 kg /hm2（以N計）[20]。

2.2 試驗設計

壽光試驗點種植蔬菜為黃瓜，2009－2010年種植2季，分別為秋冬季（AW季，2009年8月－2010年1月）和春夏季（SS季，2010年1月－2010年6月）。黃瓜幼苗分別在2009年8月28日和2010年1月16日移栽。武清試驗點種植蔬菜為番茄，田間試驗從2016年3月11日－2018年2月10日，每年種植2季番茄，總共4季。其中春夏季從2月底到6月底（SS），秋冬季從8月底到第2年的2月初（AW）。3個田間試驗均設置有4種不同的水氮管理方案：1）傳統農民習慣施肥（FP）；2）優化施肥（OPT）；3）FP+秸稈還田（FPR）；4）滴灌+OPT施肥+秸稈還田（DOR）。FP和FPR處理為傳統畦灌，OPT和DOR處理為滴灌。其中，玉米秸稈粉碎后隨基肥混入土壤進行還田，各試驗不同處理灌溉量和施肥量如表1所示。

表1 黃瓜和番茄試驗各處理灌水和施肥管理措施

注：黃瓜試驗AW和SS季秸稈中氮質量分數分別為0.7%和0.9%；番茄試驗AW和SS季秸稈中氮質量分數均為0.6%。FP，傳統施肥；OPT，優化施肥；FPR，FP+秸稈還田；DOR，滴灌+OPT施肥+秸稈還田。下同。

Note: The N contents of straw are 0.7% and 0.9% in AW and SS seasons for cucumber experiment, respectively; The N content of straw is 0.6% in both AW and SS seasons for tomato experiment. FP, traditional fertilization; OPT, optimal fertilization; FPR, FP plus straw return; DOR, drip irrigation plus OPT fertilization plus straw return. Same as below.

2.3 數據測定

試驗前開挖土壤剖面，分層取樣測定土壤基本理化性質，2個試驗點土壤剖面的基本理化性質如表2所示。對于壽光設施黃瓜試驗，每5 d或灌溉后使用時域反射儀（time-domain reflectometer，TDR）分層監測0～1.20 m土壤含水率（間隔深度 20 cm）。每隔15 d采集0～30、>30～60和>60～90 cm土壤，采用 2 mol/L氯化鉀浸提土樣，連續流動分析儀（AA3，SEAL，德國）測定浸提液中硝態氮和銨態氮含量。每月采取植物樣品，測定植株干物質質量、產量和植物氮濃度。植株樣品于105℃殺青，70℃烘干至恒質量，稱質量。植株樣品通過濃硫酸-過氧化氫法消煮，凱氏定氮法測定全氮。

表2 壽光市和天津市試驗點土壤物理性質

注：θ，飽和含水率；θ，殘余含水率；，進氣值的倒數；，孔隙分布指數；K，土壤飽和導水率。

Note:θis saturated water content;θis residual water content;is inverse of air-entry value;is pore size distribution index;Kis saturated hydraulic conductivity.

在天津武清試驗中，采用DLS2張力計每天測定FP和DOR處理土深55和65 cm處基質勢，在灌水3~5 d內，各小區每天采用溶液提取器抽提60 cm深處土壤溶液，用于硝態氮和銨態氮濃度的測定。土深60 cm處每天的水流通量由達西定律計算得到。每天土深60 cm處的無機氮淋失通量可由下式計算：

q=c·q（16）

式中q和q分別是土深60 cm處每天的水流通量（cm/d）和無機氮淋失通量（g/(cm2·d)），c是土壤溶液中無機氮濃度（g/cm3）。番茄季的土體水分滲漏量和氮素累積量淋失可通過累加每天的q和q得到，該數據主要用來校準和驗證WHCNS_Veg模型。模型所需氣象數據（氣溫、相對濕度、太陽輻射和風速）來源于安裝在設施大棚內的小型氣象站。

2.4　模型參數設置

對于壽光試驗點，利用FP處理田間實測的土壤含水率、土壤硝態氮含量、蔬菜吸氮量和蔬菜產量來校準模型；然后用OPT、FPR和DOR處理的數據來驗證模型。對于天津試驗點，采用2016年FP處理田間實測的土壤基質勢、硝態氮淋失量、蔬菜吸氮量和蔬菜產量來校準模型；然后用2016年其余3個處理和2017年所有處理的實測數據來驗證模型。2個試驗點土壤水力學參數均采用實測值（表2）。初始作物參數和氮素轉化參數值均分別來源于文獻[5,8]，然后采用試錯法來調試作物參數和氮素轉化參數，最后使模擬與實測的土壤含水率（或土壤基質勢）、土壤硝態氮含量（或硝態氮淋失量）、植株吸氮量和蔬菜產量盡量吻合。壽光和天津試驗點校驗后的作物參數和氮素轉化參數見表3。

2.5 模型評價

相對均方根誤差（normalized root mean squared error，nRMSE）、一致性指數（index of agreement，IA）、模擬效率（Nash-Sutcliffe efficiency，NSE）用于評價模型模擬效果，nRMSE指數顯示模型模擬的相對誤差；IA指數取值范圍為0～1，值越接近1，模擬效果越好；NSE指數取值范圍為?∞到1，也是越接近1，模擬效果越好。作物指標模擬，通常需要IA≥0.75和NSE≥0；對于土壤指標的模擬，通常需要滿足IA≥0.60和NSE≥-1.0[24]。劉建剛等[25]建議，當IA>0.9和nRMSE<15%時說明模擬效果很好。

表3 壽光黃瓜和天津番茄試驗WHCNS_Veg模型作物參數和氮素轉化參數設置

3 結果與分析

3.1 土壤含水率和土壤基質勢

圖1是壽光設施黃瓜試驗FP和DOR處理實測和模擬的土壤含水率對比圖。FP處理的土壤含水率變化較DOR處理劇烈，這可能是由于FP處理采用畦灌方式，每次灌水量大引起的。同時，土壤含水率也顯示出表層變異程度要高于底層的特點，這與表層土壤更易受灌水、氣候等條件影響有關，模型較好地反映了不同灌水方式對土壤剖面含水率的動態影響。模型模擬土壤含水率時，校準過程得到的nRMSE、IA和NSE指數分別為9.0%、0.898和0.672；模型驗證過程得到的nRMSE、IA和NSE的范圍分別為6.2%～9.1%、0.851～0.960和0.477～0.846（表4）?？傮w來看，模型模擬效果評價指數均符合相應的要求（nRMSE<9%，IA>0.85，NSE>0.47）[26-28]，因此，WHCNS_Veg模型能夠較好地模擬壽光黃瓜試驗地不同水氮管理條件下的土壤含水率。

表4 壽光黃瓜試驗土壤含水率和土壤硝態氮含量模擬結果評價

注：C，模型校準；V，模型驗證。nRMSE為相對均方根誤差；IA為一致性指數；NSE為模擬效率。下同。

Note: C, calibration; V, validation. nRMSE is normalized root mean squared error; IA is index of agreement; NSE is Nash-Sutcliffe efficiency coefficient. Same as below.

除土壤含水率外，模型也可模擬土壤基質勢。天津設施番茄試驗實測的和模擬的FP和OPT處理土壤基質勢如圖2所示。

相比FP處理，OPT處理灌溉頻率高，維持了相對高和穩定的土壤基質勢（圖2）。同時，SS季的土壤基質勢的變異較AW大，說明SS季土壤水分消耗相對較快。WHCNS_Veg模型模擬結果能客觀地反映不同季不同灌溉方式下土壤基質勢的動態變化。模擬土壤基質勢時，模型校準時的評價指數nRMSE、IA和NSE值分別為22.9%、0.846和0.070（表5），說明模型校準的精度是可以接受的。模型驗證中，2017年FP處理的驗證結果較好，nRMSE、IA和NSE值分別為25.9%、0.827和0.11，而OPT處理的nRMSE、IA和NSE值范圍分別為28.8%～30.1%、0.223～0.401和?6.344～?5.294，模型主要低估了OPT處理SS季后期土壤基質勢（圖2c、圖2d、圖2g和圖2h），導致模型精度偏低，說明需要進一步提高滴灌條件下土壤基質勢的模擬能力。

圖2 2 a天津設施番茄試驗FP和OPT處理中實測和模擬的土壤基質勢

表5 天津番茄試驗土壤基質勢和土壤硝態氮淋失模擬結果評價

3.2 土壤硝態氮含量和硝酸鹽淋失

圖3給出了壽光黃瓜試驗FP和DOR處理模擬和實測的土壤硝態氮含量對比圖。與土壤含水率的模擬結果相似，土壤硝態氮含量在土壤表層變化較大，而深層變化較小，這與表層土壤頻繁受到農田管理和變化的氣象條件等有關。另外，后期DOR處理土體硝態氮含量有累積現象，而FP處理并不明顯，說明傳統畦灌有可能導致了土壤氮素的大量淋失，而滴灌加秸稈還田較好地保存了土壤硝態氮，降低了其環境淋失風險。表4顯示了土壤硝態氮含量校準和驗證的統計指數，校準處理的nRMSE、IA和NSE分別為27.6%、0.718和?0.139。對于模型驗證過程，nRMSE、IA和NSE范圍分別為22.2%～40.1%、0.626～0.940和?0.810～0.636，均在合理范圍之內[27-28]，表明WHCNS_Veg模型較好地模擬了不同水氮管理方式下的土壤硝態氮含量動態變化規律。

圖3 壽光黃瓜試驗FP和DOR處理不同土層實測和模擬的土壤硝態氮對比

除土壤硝態氮動態模擬之外，研究進一步對比了硝態氮淋失量的模擬效果。圖4比較了天津番茄試驗FP、FPR、OPT和DOR處理實測和模擬的累積硝態氮淋失量。灌溉方式顯著影響了硝態氮淋失量，畦灌處理（FP和FPR）和滴灌處理（OPT和DOR）的每季硝態氮淋失量分別為420和137 kg/hm2。畦灌增加了硝態氮淋失，玉米秸稈還田減少了硝態氮淋失。秸稈還田處理（FPR和DOR）每季平均硝態氮淋失量為259 kg/hm2，低于秸稈不還田處理（FP和OPT）的298 kg/hm2。AW和SS季2個畦灌處理的硝態氮淋失量有明顯差異，可能是AW季相對較高的水分滲漏量，導致了其硝態氮淋失量高于SS季。而2個滴灌處理的AW和SS季沒有明顯差異。校準和驗證的模型評價指數nRMSE、IA和NSE的范圍分別為4.6%～26.0%、0.860～0.989和0.442～0.956（表5）?？梢?，WHCNS_Veg可用于模擬和評價不同水氮管理方式下設施菜地剖面硝態氮淋失動態。

圖4 天津番茄試驗實測和模擬的不同處理硝態氮淋失量

3.3 可售賣鮮產量和植株吸氮量

黃瓜的可售賣鮮產量和植株吸氮量均要高于番茄（圖5）。對于可售賣鮮產量圖5a，模擬值與實測值之間的線性回歸系數均接近1，黃瓜和番茄的相關系數（）分別為0.995和0.996，說明模型對可售賣鮮產量的模擬精度較高。表6中模型評價指數nRMSE≤6.0%、IA≥0.980和NSE≥0.925，可知模型模擬效果良好。黃瓜和番茄植物吸氮量的模擬效果如圖5所示，其線性回歸系數也均接近1，相關系數（）分別為0.741和0.943，說明實測的和模擬的植株吸氮量有較好的相關性。模型評價指數nRMSE≤12.1%、IA≥0.934和NSE≥0.829，說明WHCNS_Veg模型對植株吸氮量的模擬效果良好（表6），但是對作物產量的模擬效果要略好于植株吸氮量。

注（Note）：*，P<0.05。

表6 黃瓜和番茄可售賣鮮產量和作物吸氮量模擬評價

4 討 論

土壤-作物-大氣系統模型可以描述農田生態系統中一系列復雜的土壤和作物過程，由于過程本身的復雜度不同，各學者對模型模擬各個指標的評判標準也不一致[24-25]。Yang等[24]分析了DSSAT模型模擬的10個不同數據集的評價指數，認為采用IA和NSE指數評價模型效果更可靠，對于植株指標模擬應同時滿足IA≥0.75和NSE≥0.75，而由于土壤過程的復雜性，土壤指標的評價指數IA和NSE應分別≥0.60和≥?1.0。Liu等[25]則建議采用nRMSE、IA和NSE來綜合評價土壤和作物指標的模擬效果，認為nRMSE≤15%（或IA≥0.8）時模擬效果很好，15%＜nRMSE≤30%（或0.8＞IA≥0.7）則模擬效果較好，而當nRMSE＞30%（或IA＜0.7）則模擬效果較差。本研究的作物指標包括可售賣鮮產量和植株吸氮量，其模擬的nRMSE≤12.1%、IA≥0.934和NSE≥0.829，說明模型對作物可售賣鮮產量和吸氮量的模擬效果良好。

本研究中模擬的土壤指標包括土壤水分（含水率和基質勢）和土壤氮素（硝態氮含量和硝態氮淋失），整體上，土壤指標的模擬精度要低于作物指標。其中WHCNS_Veg模擬的土壤含水率nRMSE、IA和NSE的范圍分別為6.2%～9.1%、0.851～0.960和0.477～0.846，其模擬精度較高。而對OPT處理土壤硝態氮含量模型評價指標nRMSE和NSE指數值均不理想，其主要原因可能是土壤氮素遷移轉化過程的復雜性導致的。Coucheney等[26]應用STICS模型模擬了法國不同地區（包含了15種作物）的土壤含水率、土壤硝態氮、作物干物質和植株吸氮，發現其評價指數nRMSE分別為10%、49%、35%和33%。朱焱等[27]采用EPIC-Nitrogen2D模型模擬了不同作物生長條件下土壤水氮遷移轉化過程，研究發現，模擬的土壤含水率和硝態氮含量的IA指數范圍分別為0.86～0.97和0.52～0.98，NSE指數范圍分別為0.59～0.90。Kersebaum等[28]比較了13種土壤-作物模型對土壤含水率和硝態氮含量的模擬效果，發現NSE指數大多數是負值，不同模型模擬的土壤含水率和硝態氮含量模擬的IA指數范圍分別為0.50～0.93和0.56～0.83，NSE指數的范圍分別為?0.45～0.66和?0.65～0.39。這些研究均表明土壤氮素的模擬精度要遠低于土壤水分和作物指標，這與本研究的結果是一致的。本研究發現土壤基質勢的模擬精度不如土壤含水率，這可能是由于WHCNS_Veg模型采用了一維的Richards方程近似描述滴灌條件下土壤水分運動導致的。同時，與Yang等[29-30]的研究相比，WHCNS_Veg模型對土壤硝態氮淋失量的模擬指標nRMSE、IA和NSE為4.6%~26.0%（<30%）、0.860~0.989（>0.8）和0.442~0.956（>0.4），其模擬效果也是相對較好的。

綜上，WHCNS_Veg模型可以較好地模擬土壤含水率、土壤硝態氮含量、可售賣鮮產量和作物吸氮量，但是，仍然需要從以下幾個方面進一步完善：1）由于研究用于驗證模型的數據集相對較小，僅有黃瓜和番茄的作物參數得到了校準，對于其他種類蔬菜需要進一步通過試驗數據來完善蔬菜種類數據庫；2）設施大棚土壤氮素循環過程與露地存在明顯區別，特別是土壤氮礦化、溫室氣體排放和氨揮發等過程，本研究中，僅驗證了土壤硝態氮含量及其淋失量，今后需要開展更加系統的田間試驗，來驗證設施菜地的土壤氮素轉化過程；3）模型并不能夠模擬其他營養元素（如可溶性有機碳和氮、磷、鉀等）及病害和農藥對蔬菜生長的影響，需要在今后的工作中進一步完善。

5 結 論

本研究借鑒了EU-Rotate_N模型中蔬菜生長過程的模塊，并將其與土壤-作物系統模型WHCNS進行耦合，構建了適用于設施菜地水氮管理的機理模型。從模型校驗結果來看，模型較好地模擬了設施番茄和黃瓜不同水氮管理條件下土壤水分（含水率和基質勢）和土壤氮素（硝態氮含量和淋失量）的動態變化規律，以及其對植株吸氮量和可售賣鮮產量的影響。其中，對作物指標的模擬效果普遍高于土壤指標，模擬的黃瓜、番茄產量和植株吸氮量的統計指標為nRMSE≤12.1%、IA≥0.934和NSE≥0.829。土壤指標中，土壤含水率的模擬效果最好，其nRMSE、IA和NSE的范圍分別為6.2%～9.1%、0.851～0.960和0.477～0.846；其次是土壤硝態氮淋失量和土壤硝態氮含量，而土壤基質勢的模型評價指數最低。除滴灌條件下土壤基質勢模擬效果評價指標偏低外，其余指標的模擬效果評價指數值均在合理范圍內。整體上，本文構建的WHCNS_Veg模型較好地模擬了設施菜地不同水氮管理方式下的土壤水氮動態及蔬菜生長過程，該模型可為設施菜地水氮優化決策和環境影響評價提供科學有效的工具。

[1] 孫錦，高洪波，田婧，等. 我國設施園藝發展現狀與趨勢[J]. 南京農業大學學報，2019，42(4)：594－604.

Sun Jin, Gao Hongbo, Tian Jing, et al. Development status and trends of protected horticulture in China[J]. Journal of Nanjing Agricultural University, 2019, 42(4): 594－604. (in Chinese with English abstract)

[2] Zhu Jianhua, Li Xiaolin, Christie P, et al. Environmental implications of low nitrogen use efficiency in excessively fertilized hot pepper (L) cropping systems[J]. Agriculture Ecosystems Environment, 2005, 111(1): 70－80.

[3] Shi Weiming, Yao Jing, Yan Feng. Vegetable cultivation under greenhouse conditions leads to rapid accumulation of nutrients, acidification and salinity of soils and groundwater contamination in south-eastern China[J]. Nutrient Cycling Agroecosystems, 2009, 83(1): 73－84.

[4] Du Lianfeng, Zhao Tongke, Zhang Chengjun, et al. Investigations on nitrate pollution of soil, groundwater and vegetable from three typical farmlands in Beijing region, China[J]. Jornal of Integrative Agriculture, 2011, 10(3): 423－430.

[5] Hansen S, Jensen H E, Nielsen N E, et al. NPo-research, A10: DAISY: Soil Plant Atmosphere System Model[M]. Copenhagen: The National Agency for Environmental Protection, 1990.

[6] Greenwood D J. Modelling N-response of field vegetable crops grown under diverse condition with N_ABLE[J]. Journal of Plant Nutrition, 2001, 24: 1799–1815.

[7] Nendel C. Evaluation of best management practices for N fertilisationinregional field vegetable production with a small-scale simulation model[J]. European Journal of Agronomy, 2009, 30(2): 110－118.

[8] Rahn C, Zhang K, Lillywhite R, et al. EU-Rotate N-a decision support system-to predict environmental and economic consequences of the management of nitrogen fertilizer in crop rotations[J]. European Journal of Horticultural Science, 2010, 75(1): 20－32.

[9] Nolan B T, Puckett L J, Ma L, et al. Predicting unsaturated zone nitrogen mass balances in agricultural settings of the United States[J]. Journal of Environomental Quality, 2010, 39(3): 1051－1065.

[10] Rahn C, Mead A, Draycott A, et al. A sensitivity analysis ofthe prediction of the nitrogen fertilizer requirement of cauliflower crops using the HRI WELL N computer model[J]. The Journal of Agricultural Science, 2001, 137(1): 55－69.

[11] Zhang K F, Greenwood D J, White P J, et al. A dynamic model for the combined effects of N, P and K fertilizers on yield and mineral composition: Description and experimental test[J]. Plant and Soil, 2007, 298(1): 81－98.

[12] Zhang K F, Yang D, Greenwood D J, et al. Development and critical evaluation of a generic 2-D agro-hydrological model (SMCR_N) for the responses of crop yield and nitrogen composition to nitrogen fertilizer[J]. Agriculture Ecosystems Environment, 2009, 132 (1/2): 160－172.

[13] Guo R Y, Nendel C, Rahn C, et al. Tracking nitrogen losses in a greenhouse crop rotation experiment in North China using the EU-Rotate_N simulation model[J]. Environmental Pollution, 2010, 158: 2218－2229.

[14] Sun Yuan, Hu Kelin, Zhang Kefeng, et al. Simulation of nitrogen fate for greenhouse cucumber grown under different water and fertilizer management using the EU-Rotate_N model[J]. Agricultural Water Management, 2012, 112: 21－32.

[15] Sun Yuan, Hu Kelin, Fan Zhaobo, et al. Simulating the fate of nitrogen and optimizing water and nitrogen management of greenhouse tomato in north China using the EU-Rotate_N model[J]. Agricultural Water Management, 2013, 128: 72－84.

[16] Yang Dejun, Zhang Tuqiao, Zhang Kefeng, et al. An easily implemented agro-hydrological procedure with dynamic root simulation for water transfer in the crop-soil system: validation and application[J]. Journal of Hydrology, 2009, 370(1/2/3/4): 177－190.

[17] 梁浩，胡克林，李保國，等. 土壤-作物-大氣系統水熱碳氮過程耦合模型構建[J]. 農業工程學報，2014，30(24)：54－66.

Liang Hao, Hu Kelin, Li Baoguo, et al. Coupled simulation of soil water-heat-carbon-nitrogen process and crop growth at soil-plant-atmosphere continuum system and its validation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24): 54－66. (in Chinese with English abstract)

[18] Li Zhuoting, Yang Jingyi, Drury C F, et al. Evaluation of the DSSAT-CSM for simulating yield and soil organic C and N of a long-term maize and wheat rotation experiment in the Loess Plateau of Northwestern China[J]. Agricultural Systems, 2015, 135: 90－104.

[19] Liang Hao, Hu Kelin, Batchelor W D, et al. An integrated soil-crop system model for water and nitrogen management in North China[J]. Scientific Reports, 2016, 6: 25755.

[20] Lü Haofeng, Lin Shan, Wang Yafang. et al. Drip fertigation significantly reduces nitrogen leaching in solar greenhouse vegetable production system[J]. Environmental Pollution, 2019, 245: 694－701.

[21] Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration guidelines for computing crop water requirements[R]. FAO Irrigation and drainage paper No.56. Rome: FAO, 1998.

[22] Green W H, Ampt G A. Studies on soil physics, 1. The flow of air and water through soils[J]. The Journal of Agricultural Science, 1911, 4(1): 1－24.

[23] ?im?nek J, ?ejna M, Saito H, et al. The HYDRUS-1D Software Package for Simulating the Movement of Water, Heat, and Multiple Solutes in Variably Saturated Media, V4.0[M]. California: University of California Riverside, 2008.

[24] Yang Jingming, Yang Jingyi, Liu Shuang, et al. An evaluation of the statistical methods for testing the performance of crop models with observed data[J]. Agricultural Systems, 2014, 127: 81－89.

[25] 劉建剛，褚慶全，王光耀，等. 基于DSSAT模型的氮肥管理下華北地區冬小麥產量差的模擬[J]. 農業工程學報，2013，29(23)：124－129.

Liu Jiangang, Chu Qingquan, Wang Guangyao, et al. Simulating yield gap of winter wheat in response to nitrogen management in North China Plain based on DSSAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(23): 124－129. (in Chinese with English abstract)

[26] Coucheney E, Buis S, Launay M, et al. Accuracy, robustness and behavior of the STICS soil-crop model for plant, water and nitrogen outputs: Evaluation over a wide range of agro-environmental conditions in France[J]. Environmental Modelling & Software, 2015, 64: 177－190.

[27] 朱焱，劉琨，王麗影，等. 土壤水氮動態及作物生長耦合EPIC-Nitrogen2D 模型[J]. 農業工程學報，2016，32(21)：141－151.

Zhu Yan, Liu Kun, Wang Liying, et al. Coupling model of EPIC-Nitrogen2D and crop growth, soil water, nitrogen dynamics in winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 141－151. (in Chinese with English abstract)

[28] Kersebaum K C, Hecker J M, Mirschel W, et al. Modelling Water and Nutrient Dynamics in Soil-crop Systems[M]. Netherlands: Springer, 2007.

[29] Yang C C, Prasher S O, Wang S, et al. Simulation of nitrate-N movement in southern Ontario, Canada with DRAINMOD-N[J]. Agricultural Water Management, 2007, 87(3): 299－306.

[30] Dadfar H, Kay B D, Pararajasingham R, et al. Evaluation of LEACHMN for simulating seasonal changes in plantavailable nitrogen across a variable landscape[J]. Canadian Journal of Soil Science, 2007, 87(4): 369－381.

Integrated water and nitrogen management model of WHCNS_Veg for greenhouse vegetable production system

Liang Hao1,2, Hu Kelin2※, Sun Yuan3, LüHaofeng2, Lin Shan2

(1.,,210098,; 2.,,,,100193,; 3.100081,)

Excessive water and nitrogen (N) input and shallow root systems have led to serious N loss in greenhouse vegetable production system (GVPS), thereby threatening the soil and water-body environments. Identifying the fates of water and N is crucial to develop best management strategies in intensive GVPS.Soil-crop modelsare important as a water and N management tool to tradeoff crop yield and environmental cost. The objectives of this study were to develop a scientific water and N management tool for intensive GVPS in China, andevaluate the model performance in the simulating water dynamic, N fate and vegetable growth under different water and N management practices in China.In this study, based on the EU-Rotate_N model, a vegetable growth module was developed and fully incorporated into a soil water heat carbon nitrogen simulator (WHCNS). The coupled model, i.e., WHCNS_Veg, combined the soil module of the WHCNS model with the vegetable growth module of the EU-Rotate_N model. The key processes included soil movement, soil water evaporation, crop transpiration, soil N transport and transformation (net N mineralization, nitrification, ammonia volatilization, and denitrification) and vegetable growth. Two field experiments conducted in Shouguang city, Shandong province, and Tianjin city, Hebei province were used to test the coupled WHCNS_Veg model. Cucumber and tomato were planted in solar greenhouses at Shouguang and Tianjing experiments, respectively. Similarirrigation andfertilization managementpracticeswere both setup in the two experiments:1) Furrow irrigation with conventional N fertilizer (farmer’s practice), FP; 2) Drip irrigation with optimal N fertilizer, OPT; 3) FP plus crop residues, FPR; and 4) OPT plus crop residues, DOR. Field experiment data including soil water (soil water content and matrix potential), soil N (nitrate concentration and nitrate leaching), plant N uptake, and marketable fresh yield under different water and N management practices were collected in the experiments. Results showed that the WHCNS_Veg model performed better in crop growth simulation than soil water and N dynamic simulation, with normalized root mean square error (nRMSE) not higher than 12.1%, index of agreement (IA) not less than 0.934 and Nash-Sutcliffe efficiency (NSE) not less than 0.829 for simulation of cucumber and tomato yield and plant N uptake. Soil water content had the highest simulation accuracy. The nRMSE, IA and NSE values for soil water content simulation were 6.2%-9.1%, 0.851-0.960 and 0.477-0.846, respectively. For soil nitrate concentration and nitrate leaching, the nRMSE valueswere 22.2%-40.1% and 4.6-26.0%, respectively, and the NSE valueswere ?0.810-0.636 and 0.442-0.956, respectively. It indicated that the model simulation results are within the acceptable range. However, WHCNS_Veg model showed relative low simulation accuracy in soil matrix potential under drip irrigation condition, with nRMSE, IA and NSE values ranged from 22.9%-30.1%, 0.223-0.846, and -6.344-0.113, respectively. It indicated that the model has to be improved to simulate soil matrix potential under drip condition. In general, the coupled WHCNS_Veg model gives satisfactory results for soil water and N dynamics simulations as well as vegetable growth simulations. It has great potential to simulate and analyze water and N fates, and vegetable growth for the intensive greenhouse vegetable production in China.

greenhouse; vegetables; water; nitrogen; WHCNS_Veg; model evaluation

2019-10-08

2020-02-10

國家自然科學基金項目資助（41807009）；國家重點研發計劃項目資助（2016YFD0201202）

梁 浩，副教授，博士，主要從事土壤-作物系統過程模擬研究。Email：haoliang@hhu.edu.cn

胡克林，教授，博士，主要從事土壤空間變異及溶質運移的研究。Email：hukel@cau.edu.cn

10.11975/j.issn.1002-6819.2020.05.011

S152.7; S626

A

1002-6819(2020)-05-0096-10

梁 浩，胡克林，孫 媛，呂浩峰，林 杉. 設施菜地WHCNS_Veg水氮管理模型[J]. 農業工程學報，2020，36(5)：96－105. doi：10.11975/j.issn.1002-6819.2020.05.011 http://www.tcsae.org

Liang Hao, Hu Kelin, Sun Yuan, Lü Haofeng, Lin Shan. Integrated water and nitrogen management model of WHCNS_Veg for greenhouse vegetable production system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(5): 96－105. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.05.011 http://www.tcsae.org