区域玉米水肥耦合制度的优化研究
----以长春市绿园区为例

高金花，柏 宇，葛 胜，蒲金山，王 莉，廉冀宁

(1.长春工程学院 水利与环境工程学院，长春 130021；2.吉林省水工程安全与灾害防治实验室，长春 130021；3.长春市绿园区农业技术推广总站，长春 130021)

随着玉米膜下滴灌技术的发展，膜下滴灌中水肥耦合制度的优化问题获得广泛的关注。地理信息系统作为一门综合性学科，结合地理数据、地图学、遥感及计算机科学，在不同领域上都有广泛应用。在农业分析上，Dubravko将地理信息系统应用在农业的灌溉管理上，监控农业作物的水分利用情况，该系统能有效改善土地-作物管理策略，提供作物生长记录的空间数据，通过田间数据的收集，数据的管理和数据的分析来实现精确农业灌溉[1]。Kamlesh建立了土壤数据、作物品种及播期数据和气候数据的地理信息系统，分析各因素对作物生长的影响，并绘制地理信息系统的数据和服务平台，为用户提供基础的地理数据的分析和决策[2]。Paolo研究农业技术对特拉西梅诺湖流域的环境影响，建立单一作物和土壤因素的不同环境经济评价方案，应用线性规划和多目标分析技术获得最优组合方案，最后通过地理信息系统建立流域的风险评估系统[3,4]。但将地理信息系统与区域玉米水肥耦合优化制度相结合应用的方面尚不多见。

本文应用ArcGIS地理信息系统收集土壤数据、地形数据，结合已在国内外取得广泛研究的DSSAT作物模型[5-8]，经过田间数据的验证，模拟不同区域的最优田间管理方案，为提高玉米产量和保证粮食安全做出贡献，并提出一种适宜不同区域玉米的水肥耦合优化方法。

1 资料与方法

1.1 资料来源

地理信息数据：文中的绿园区合心镇的地形数据来源于国家地理基础资料；合心镇肥力数据及耕地面积数据来源于长春市绿园区农业推广总站。合心镇位于长春市西北部，全镇辖区面积89.56 km2，共辖8个自然村，现有耕地5 313 hm2，总农业人口1.8万人。由于处于世界三大黄金玉米带之一的东北玉米带，玉米种植主要依靠雨养，施肥主要依靠底肥和大喇叭口期追加尿素，年均产量达1万kg/hm2，耕地肥力与耕地面积见表1，永跃、岳家、新立三村由于政府征地等原因故不列入这次调查当中，土壤肥力不进行统计，故表1中只列入5个村子的数据。

表1 合心镇各村土壤肥力数据

注：数据来源于长春市绿园区农业推广总站。

DSSAT模型参数数据的获取：田间试验数据的来源于长春市合心镇东安村的试验站，本试验站位于北纬43°7′，东经125°59′。地处东北松辽平原腹地，平均海拔210 m，地势平坦开阔。平均气温4.8 ℃，最高气温39.54 ℃，最低气温-39.8 ℃，日照时间2 700 h左右，年均降雨量522～615 mm。试验设计以四、六次追肥为因素，50%、100%和150%施肥量为水平的6组正交试验，及3种不同均匀垄距的对比试验组；吉林省中部玉米膜下滴灌的6个DSSAT常规参数来源于对田间试验的分析，由于DSSAT模型本身并不具备模拟玉米膜下滴灌的模块，通过对比3种不同均匀垄距与常规膜下滴灌的产量等特征数据，确定65 cm垄距作为DSSAT模型中模拟膜下滴灌的输入垄距。经过DSSAT-GLUE运行6组正交试验数据对比分析，获得DSSAT模型模拟吉林省中部玉米膜下滴灌的6个基本参数见表2。

表2 DSSAT模型模拟吉林中部玉米膜下滴灌的6个基本参数

1.2 分析方法

(1)GIS的肥力分布图绘制。GIS的地形图绘制由国家基础资料获得合心镇地形的栅格图，利用ArcScan矢量化模块进行地图的矢量化转换。首先对栅格图进行空间校正，调节classify来控制图片的清晰度，建立新的线图层，通过ArcScan进行地图的边界线矢量化转换，利用拓扑工具检查线图层上的重叠或偏离的线条并进行修整获得合心镇的地形图。对线图层进行线化面处理，在面图层属性表中输入与表1对应区域的土壤肥力和耕地面积数据。ArcGIS具有空间数据的运算功能，空间数据的运算包括算术运算、逻辑运算和统计运算3个方面，通过字符运算器进行水肥耦合优化结果对合心镇玉米增产潜力的运算。

(2)水肥耦合模型优化分析。最优水肥耦合制度的求解依据DSSAT植作物模型与Matlab遗传算法联合求解。由于玉米的水肥耦合制度属于非线性规划问题，本文应用Matlab遗传算法对其求解。遗传算法主要步骤：随机生成初始种群；计算每个个体的适应度；选择操作；交叉操作；变异操作；终止条件判断，当进化代数与遗传代数相同时，算法结束。优化方程中的决策参数主要有灌溉制度和施肥制度，产量则是以输入随机的灌溉制度和施肥制度对应的DSSAT模型的输出产量，根据最高灌溉定额和施肥定额确定每次灌溉和施肥的取值范围，每次灌溉用水范围在0～60 mm，每次施肥范围在0～60 kg/hm2。本文的适应度函数选择：

0≤x1≤60, 0≤x2≤60

(1)

式中：maxf(x1,x2)为目标函数；D为每公顷收益，元/hm2；y为玉米产量，kg/hm2；x1为灌溉用水量，m3/hm2；x2为施用尿素量，kg/hm2；n为灌溉次数；m为施肥次数。

D值代表各村种植每公顷玉米的收益；y值代表每公顷玉米产量，系数2代表玉米的单价；x1代表每公顷玉米的灌溉用水量，系数2.5代表灌溉水单价包括每立方米的水费、水泵使用费用、电费；x2代表每公顷使用尿素量，系数2代表尿素的单价。各价格系数采用合心镇实际调查单价的均值。

2 结果与分析

2.1 合心镇肥力分布图

针对合心镇各村的肥力统计采用长春市绿园区农业推广总站提供的各村的第二次全国土壤肥力普查数据如表1所示。依据国家地理基础数据构建合心镇的矢量地形图，将土壤数据与地理信息系统相结合输入合心镇地形图的属性表中，依据合心镇各村氮磷钾含量的不同选择不同的符号表达方式，合心镇的耕地速效氮、磷、钾分布如图1所示。图1中永跃、岳家、新立三村由于政府征地等原因故不列入这次调查当中，土壤肥力不进行统计，在图1中均以白色表示。

2.2 东安村水肥优化制度的求解

根据ArcGIS提供的地理信息数据，在不同土壤肥力基础上，运用DSSAT模拟各村玉米的生长发育，与遗传算法相结合求解各村的最优水肥制度。分析不同水肥耦合方案对产量的影响。本文以东安村为例，遗传算法的各类输入数据如下：设计种群数量为10；遗传代数为100；采用二进制编码方式编码每个灌溉或施肥因素的字符串长度为6；每个种群个体各有13个灌溉和施肥因素构成，故种群个体字符串长尾13×6=78；选择方法为轮盘赌法；选择概率为1；交叉方法为单点交叉法，交叉概率为0.9；变异方法为基本位变异，变异系数为0.1。经过调整和检验，确定在60代左右的时候，玉米产量趋于稳定达到最大值见图2和图3。最后一代种群80%的个体达到适应度值最大，其余两个种群个体则由于交叉和变异影响了适应度值的变化，表明了遗传算法具有较好的收敛性，100代以后搜索结束，各阶段的灌水和施肥量如表3所示，1～9 列为对应的灌溉水用量，10～13列为对应的追肥量，确定最优的水肥耦合制度如表4所示。在此水肥耦合制度的运作下，达到最大的产量12 834 kg/hm2。

图1 合心镇土壤速效氮、钾、磷分布图(单位：mg/kg)

图2 遗传100代后种群中个体的适应度分布图图3 种群最优解遗传代数内的变化曲线

表3 遗传100代后各决策参数的数值表

表4 遗传100代后每个遗传个体所求得的产量y值与每公顷收益D值表

2.3 基于GIS的合心镇玉米水肥优化制度

基于东安村水肥耦合制度的求解方法，对比试验站数据验证模拟结果的准确性，故其余各村采用相同方法，获得其余4村的灌溉与追肥制度如表5所示，各村的模拟y值与D值如图4和图5所示，可以看出新农家的每公顷产量达到最高的12 901 kg。东安村、哈达村、于家村由于基础肥力相差不大灌溉与追肥的管理制度结果也相同，通过地理信息系统计算出各村的总产量如图6所示，预计产量达到3 848 t，相比往年平均值高出29.43%。

图4 模拟优化后各村的产量值(单位：kg/hm2)

图5 模拟优化后各村的D值(单位：元/hm2)

图6 模拟优化后各村的总产量(单位：kg)

通过基于地理信息系统的玉米水肥优化方法在合心镇的应用效果可以看出，玉米膜下滴灌技术能有效提高玉米产量，对农业的水肥管理制度提供了理论支持。在农业信息化快速发展的今天，能为区域作物种植模式的选择和水肥管理制度的选择提供依据。

3 结 语

(1)通过ArcGIS对合心镇的土壤肥力及耕地面积数据构建区域的土壤肥力分布图，能有效的为植作物生产分析提供基础数据。

(2)DSSAT植作物模型与Matlab遗传算法结合能有效地解决玉米水肥耦合制度的求解问题。

(3)玉米的膜下滴灌模式能有效地提高玉米的产量，以绿园区合心镇为例，玉米产量相比常规种植提高29.43%。

(4)地理信息系统的可视化与水肥耦合制度优化的求解相结合，能为农民的田间管理制度提供理论依据。在农业信息化快速发展的今天，能为区域作物种植模式的选择和水肥管理制度的选择提供依据。

□

[2] Kamlesh Golhani, A S Rao, J C Dagar. Utilization of open-source web GIS to strengthen climate change informatics for agriculture. climate change modelling [J]. Planning and Policy for Agriculture, 2015,(2):87-91.

[3] Paolo Abbozzo, Antonio Boggia, Francesco Pennacchi. Economic studies on food, agriculture, and the environment[M].US:springer,2002:315-327.

[5] He J. Best management practice development with the CERES-Maize model for sweet corn production in North Florida[D]. US:University of Florida, 2008.

[6] 刘 玮. 基于模型的播期对东北春玉米产量影响的研究[C]∥ 中国气象学会.S10气象与现代农业发展.中国气象学会,2012:22.

[7] 李小涵,武建军,吕爱锋,等. 不同CO2浓度变化下干旱对冬小麦叶面积指数的影响差异[J]. 生态学报,2013,(9):2 936-2 943.

[8] Pavel Samuhel, Bernardiška. Parameterization of crop simulation model “ceres-maize” in nitra-dolná malanta [J]. Journal of Environmental Engineering and Landscape Management, 2007,15(1):25-30.