黄土高原东部旱作玉米田耗水过程与模拟

发布时间：2020-05-02 18:52

【摘要】：地膜覆盖能够显著改善农田土壤水热状态,进而影响农田水文过程。因此,分析覆膜和露地条件下黄土高原旱作农田不同尺度水分传输过程及建立农田蒸散估算和区分模型对农田水分利用效率提升具有重要意义。本文选取黄土高原东部旱作春玉米田为研究对象,设置露地(CK)和地膜覆盖(PM)两个试验处理,利用光合仪、茎流计和涡度相关系统开展了玉米田不同尺度耗水观测,探究了地膜覆盖对农田水分传输的影响机制,建立了基于机器学习的农田蒸散模拟模型,并改进了双作物系数法对土壤蒸发(E)和作物蒸腾量(T)进行了估算。取得了如下成果:(1)与CK处理相比,2015和2016年全生育期内PM处理土壤含水率分别提高了2.8和4.2个百分点,最大绿叶面积指数(GLAI)分别提高了0.05和0.44 m~2 m~(-2),生育期分别缩短了9和10 d,株高分别提高了24和38 cm,地上干物质分别提高2.3和3.7 Mg ha~(-1)。(2)CK和PM处理叶片蒸腾速率、植株茎流和ET均呈现典型的日变化过程,在中午左右达到最大,之后逐渐减小,且PM处理能够不同程度地增大叶片蒸腾速率和植株茎流。PM处理降低了全生育期ET并改变了ET组成,明显降低了E和E/ET,而增大了T/ET,进而可提供更多水分用于玉米生长。(3)覆膜增大了玉米田能量的不平衡。两个处理各能量通量均存在显著的日、季节变化特征。在快速生长期(拔节期),降水后CK和PM处理潜热通量(λET)均显著增大,而显热通量(H)和土壤热通量(G)均减小。但在后期(成熟期),降水对各能量通量的变化过程没有快速生长期明显,表明玉米生育期内降水的分布能够显著影响旱作玉米田的能量平衡。玉米生育期内,净辐射(R_n)主要以λET为主,而休闲期R_n主要以H为主。R_n是玉米田λET的最主要的影响因子,其次为平均气温和饱和水汽压差,风速和相对湿度对λET的影响相对较小。(4)分别基于遗传算法优化神经网络(GANN)、极限学习机(ELM)、广义回归神经网络(GRNN)和支持向量机(SVM)构建的ET模拟模型均能较好地模拟玉米田ET。在整个玉米全生育期,无论以气象和作物参数为输入或者只以气象参数为输入时,ELM模型均高于GANN、GRNN和SVM模型,因此可以推荐ELM模型应用于该地区玉米ET模拟中。(5)基于GLAI对双作物系数法的基础作物系数和土壤蒸发系数进行了修正,修正后的双作物系数法能较好的模拟和区分旱作玉米田ET,其模拟结果与实测值较为一致,模型决定系数、均方根误差、模型效率系数和平均绝对误差分别为0.824~0.870、0.381~0.561 mm d~(-1)、0.817~0.871和0.332~0.449 mm d~(-1)。
【图文】：

地理位置,春玉米,一年一熟制,旱作农业

该站位于黄土高原东部（图2），属晋东豫西典型半湿润偏旱区，海拔 1202 m（37°44′52″N，113°12′11″E），该区降雨年际变化较大，平均降雨量为 481 mm，多集中在春玉米生育期内（6-9 月）。多年平均气温和平均无霜期分别为 7.4℃和 140 d（冯禹等，2016b; Feng et al., 2017b, 2017c）。该地区为旱作农业，，种植模式一年一熟制，种植春玉米。图 2 研究区域地理位置Fig.2 Geographical location of the experiment site试验区土壤为砂壤土，其中砂粒（≥0.05～2 mm）占 54.9%、粉粒（≥0.002～0.05 mm）占 29.5%、黏粒（<0.002 mm）占 15.6%。耕层土壤有机质质量分数为 9.00 g kg-1

流程图,神经网络模型,流程,神经网络

图 3 遗传算法优化的神经网络模型流程Fig.3 The flowchart of the GANN model化 BP 神经网络的要素包括种群初始化、适应度函数、选择、交叉和变异。初始化数编码对个体进行编码，每个个体均为 1 个实数串，由输入层和隐含层之阈值、隐含层与输出层之间连接权值和输出层阈值等 4 部分（王小川等，度函数体得到 BP 神经网络的初始权值和阈值，利用训练数据训练 BP 神经网络预测输出和期望输出之间的误差绝对值作为个体适应度值：1( ( ))ni iiF k abs y o== ∑ 网络输出节点数；yi为 BP 神经网络第 i 个节点的期望输出；oi为第 i 个节数。择操作有轮盘赌法和锦标赛法等多种方法，本研究中采用轮盘赌法，即基略，则每个个体 i 的选择概率 pi为：/i if = k F
【学位授予单位】：中国农业科学院
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S513

【参考文献】