黃琴琴 王學(xué)林 尚秉琛

摘要 以水稻品種“輻優(yōu)17”為試材，于2018年3月—2020年9月在合肥市農(nóng)業(yè)氣象試驗站開展大田分期播種試驗，試驗設(shè)置4個播期。將由實測氣象數(shù)據(jù)進行計算得到的光溫效應(yīng)（ATIE）、輻熱積（TEP）和積溫（GDD）與測定的干物質(zhì)分配比例參數(shù)進行擬合，建立大田水稻干物質(zhì)分配動態(tài)模擬模型，并比較各模型擬合效果。結(jié)果表明：ATIE模型模擬效果較好，R2均＞0.90，與傳統(tǒng)的輻熱積法和積溫法相比，ATIE顯著提高了水稻干物質(zhì)分配預(yù)測精度，可為大田種植作物營養(yǎng)生長和生殖生長指標(biāo)模擬提供參考。

關(guān)鍵詞 水稻；溫光效應(yīng)；干物質(zhì)分配；模擬模型

中圖分類號：S161.2 文獻標(biāo)識碼：B 文章編號：2095–3305（2023）07–0050-03

水稻（Oryza sativa L）原產(chǎn)于中國和印度，是中國實施糧食安全戰(zhàn)略的基礎(chǔ)。安徽地處暖溫帶與亞熱帶過渡區(qū)，有利的氣候條件和豐富的氣候資源為水稻種植提供了理想條件，水稻種植面積250萬hm2，稻谷產(chǎn)量500萬t以上，占糧食作物總產(chǎn)量的37.5%[1-2]。同時，該地區(qū)氣候復(fù)雜多變，尤其是在水稻生產(chǎn)的關(guān)鍵時期，容易出現(xiàn)極高或極低的溫度以及光照脅迫，導(dǎo)致該地區(qū)的水稻產(chǎn)量大幅下降[3-5]。

隨著全球氣候變暖，安徽省水稻關(guān)鍵生育期多種氣象災(zāi)害頻發(fā)，已成為影響該地區(qū)水稻高產(chǎn)、穩(wěn)產(chǎn)的重要因素，水稻生長發(fā)育和產(chǎn)量形成階段對環(huán)境條件的敏感度不同，尤其是對溫光條件極為敏感。有研究表明光強和溫度是影響產(chǎn)量的關(guān)鍵生態(tài)因子。因此，在極端氣候條件多發(fā)的情況下研究水稻干物質(zhì)分配與光溫效應(yīng)之間的關(guān)系可為水稻生長環(huán)境調(diào)控提供一定依據(jù)[6]。

Bouman等[7]采用經(jīng)驗性較強的分配系數(shù)方法模擬干物質(zhì)分配，該方法較少考慮環(huán)境條件、栽培措施等因素的影響，準(zhǔn)確性較低。Dingkuhn[8]指出干物質(zhì)分配模型需考慮植株N素供應(yīng)水平對分配的影響，但未涉及其他因子的影響。楊東方等[9]通過FACE平臺，建立了水稻干物質(zhì)積累和分配動態(tài)的模擬模型。

本研究將根據(jù)實驗和氣象數(shù)據(jù)構(gòu)建水稻干物質(zhì)積累模擬模型，并對2020年的實驗數(shù)據(jù)進行驗證，以期為安徽省水稻生長發(fā)育預(yù)測和環(huán)境調(diào)控提供技術(shù)支持。

1 材料與方法

1.1 試驗方法與設(shè)計

2018—2020年，在合肥國家農(nóng)業(yè)氣象試驗站進行了不同播期水稻的大田試驗。供試品種為一季早稻“輻優(yōu)17”。2018—2020年均設(shè)置4個播期處理。各播期均設(shè)置5個重復(fù)試驗。生長期間以旱作雨養(yǎng)為主。

1.2 數(shù)據(jù)采集

氣象數(shù)據(jù)來源于合肥國家農(nóng)業(yè)氣象觀測站同期觀測資料，即2018—2020年的日氣溫、輻射等同期觀測資料。水稻干物質(zhì)數(shù)據(jù)為3年大田實驗后處理所得。

1.3 模型描述

1.3.1 溫光效應(yīng)的計算 將作物在實際溫度條件下生長1 d與在最適溫度條件下生長1 d的比例定義為逐日相對熱效應(yīng)，用fT表示；同理可得逐日相對輻射效應(yīng)，用fI表示；逐日相對光周期效應(yīng)用fP表示。每日相對溫光效應(yīng)為每日相對熱效應(yīng)、每日相對輻射效應(yīng)和光周期效應(yīng)的乘積。用ATIE模擬水稻地上部與干物質(zhì)分配數(shù)據(jù)的關(guān)系，并用RE和RMSE進行模型評價，其計算過程如下：

式（1）中，RTE為每日相對熱效應(yīng)，T（℃）為日平均溫度，Tb（℃）為發(fā)育下限溫度，Tm（℃）為發(fā)育上限溫度，To為發(fā)育最適溫度。

L=PAR=0.5×Q（2）

式（2）中，L即每日光和有效輻射（MJ/m2）；Q是每日太陽總輻射。每日光效應(yīng)（fI）值介于0～1，fI計算方法如下：

fI=1-exp（-αL）（3）

式（3）中，α是函數(shù)的曲率值，取0.5。

式（4）中，DLo是最佳日長，DLc為臨界日長。最佳日長取10 h[10]，發(fā)育臨界日長取為13 h[11]。日長DL由公式（5）～（7）[12]計算得出。

DL=12×［1＋（π/2）a sin（a/b）］（5）

其中，a=sin λ×sin β;b=cos λ×cos β（6）

sin λ=sin（π×23.45/180）×cos［2π×（DN＋10）/365］（7）

式（7）中，λ即地理緯度，β是太陽赤緯。DN為日序（每年1月1日的日序為1，12月31日的日序為365）。

式（8）～（9）中，ATIE為某一生育期內(nèi)的累計溫光效應(yīng)，TIE為第i天的溫光效應(yīng)。

1.3.2 干物質(zhì)分配指數(shù)計算 將處理過的水稻植株分成3個部分（葉、莖鞘和穗），殺青烘干至恒重后進行稱重。干物質(zhì)分配比例計算如下：

PIL=WL/WT（11）

PIV=WV/WT（12）

PIF=WF/WT（13）

式（11）～（13）中，PIL、PIV、PIF分別為水稻葉、莖鞘和穗分配指數(shù)；WT、WL、WV、WF分別為水稻地上部分總干重、葉、莖鞘、穗、干重，單位為g/株。

2 結(jié)果與分析

2.1 水稻干物質(zhì)分配模型

由圖2a可看出，葉分配指數(shù)在水稻出芽時達到峰值0.46，隨后隨著ATIE升高逐漸降低。當(dāng)ATIE=44后，其下降趨勢逐漸加大，明顯分為2段，在ATIE=44之前，下降趨勢可用線性函數(shù)模擬，ATIE之后可用冪函數(shù)模擬。由圖2b可知，水稻莖鞘和葉片幾乎同時開始分化，由于此時水稻處于營養(yǎng)生長期，當(dāng)ATIE=54時，此時水稻進入生殖生長期。由圖2c可知，當(dāng)ATIE=46時，水稻進入孕穗階段，此時穗干物質(zhì)迅速積累，水稻葉片干物質(zhì)分配系數(shù)迅速下降，水稻莖鞘干物質(zhì)在水稻進入孕穗期后仍以較快速度增長，穗的干物質(zhì)分配指數(shù)由ATIE=46開始隨著ATIE增大而迅速增大，其變化趨勢可由Logistic函數(shù)進行模擬。

分別用線性函數(shù)、冪函數(shù)、Logistic函數(shù)干物質(zhì)與ATIE之間的關(guān)系，擬合方程R2均較高，同時建立基于TEP和GDD的模擬模型，TEP和GDD模型回歸方程的模擬精度均低于0.95。

PIV=1-PIL-PIF（18）

2.2 水稻干物質(zhì)積累溫光效應(yīng)模型的檢驗

由圖2可知，ATIE模型擬合度最好，由表1可知，ATIE模型RMSE與RE相較于TEP和GDD模型較小，說明ATIE模型對水稻地上部干物質(zhì)分配的模擬效果優(yōu)于TEP和GDD模型。

3 結(jié)論與討論

有學(xué)者利用溫度和輻射因子建立了基于分配指數(shù)的、可以預(yù)測地上部干物質(zhì)分配的模擬模型，該模型可以較為準(zhǔn)確地模擬水稻干物質(zhì)分配指數(shù)，但沒有考慮到光周期對水稻生長發(fā)育的影響。本研究中溫光效應(yīng)由日平均溫度、日光合有效輻射、日日照時數(shù)等通過簡單計算得出，在應(yīng)用過程中更為簡便[13]。李青林等[14]建立了以光溫因子—輻熱積為尺度的黃瓜地上部分模型，可用于模擬黃瓜地上部分形態(tài)，說明溫光效應(yīng)模型對模擬作物生長發(fā)育具有一定普遍性。

本研究建立了一種基于溫光氣象要素的水稻地上部干物質(zhì)模擬模型，利用獨立年份試驗資料進行了驗證，結(jié)果證明該模型擬合效果較好，進而可以對大田水稻環(huán)境進行針對性調(diào)控，預(yù)測水稻產(chǎn)量，建立其他環(huán)境因子和水肥條件對水稻干物質(zhì)分配，以及多因子影響條件下的水稻干物質(zhì)分配模擬模型將是后續(xù)工作的研究重點。

參考文獻

[1] 許信旺，孫滿英，方宇媛，等.安徽省氣候變化對水稻生產(chǎn)的影響及應(yīng)對[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報，2011，30（9）：1755-1763.

[2] 陳曉藝，姚筠，霍彥峰，等.安徽省主要氣象災(zāi)害趨勢演變及其對糧食總產(chǎn)的影響[J].長江流域資源與環(huán)境，2020，29 （10）：2285-2295.

[3] 柏斌，吳俊，盛文濤，等.育性敏感期低溫脅迫對水稻光溫敏不育系葉片內(nèi)源激素的影響[J].雜交水稻，2016，31（1）：57-61.

[4] 朱煌武，吳華章，張來平，等.近10年安徽省的各類災(zāi)害及發(fā)展趨勢[J].災(zāi)害學(xué)，2003，18（1）：66-72.

[5] 蘇珮玥，池兆欣，朱楠.安徽水稻氣象保險設(shè)計[J].安徽農(nóng)業(yè)科學(xué)，2015，43（9）：334-337，347.

[6] 宣守麗，石春林，張建華，等.分蘗期淹水脅迫對水稻地上部物質(zhì)分配及產(chǎn)量構(gòu)成的影響[J].江蘇農(nóng)業(yè)學(xué)報，2013，29 （6）：1199-1204.

[7] Bouman B A M， Kropff M， Tuong T， et al. ORYZA2000： modeling lowland rice[M]. IRRI， Ma-nila， Philippines， 2001： 172-174.

[8] Dingkuhn M. Modelling concepts for the phenotypic plasticity of drymatter and nitrogen partitioning in rice[J]. Agricultural Systems， 1996， 52（2）： 383-397.

[9] 楊東方，詹濱秋，陳豫，等.生態(tài)數(shù)學(xué)模型及其在海洋生態(tài)學(xué)中的應(yīng)用[J].海洋科學(xué)，2000，24（6）：21-24.

[10] 王亞梁，朱德峰，陳惠哲，等.水稻葉齡變化對短日長的響應(yīng)[J].江蘇農(nóng)業(yè)學(xué)報，2020，36（2）：265-270.

[11] 高亮之，金之慶，黃耀，等.水稻計算機模擬模型及其應(yīng)用之一水稻鐘模型：水稻發(fā)育動態(tài)的計算機模型[J].中國農(nóng)業(yè)氣象，1989，11（3）：3-10.

[12] Goudriaan J， van Laar H H. Modelling potential crop growth processes ： textbook with exercises[M]. Dordrecht： Kluwer Academic Publishers， 1994.

[13] 孟亞利，曹衛(wèi)星，柳新偉，等.水稻地上部干物質(zhì)分配動態(tài)模擬的初步研究[J].作物學(xué)報，2004，55（4）：376-381.

[14] 李青林，毛罕平，李萍萍.黃瓜地上部分形態(tài)—光溫響應(yīng)模擬模型[J].農(nóng)業(yè)工程學(xué)報，2011，27（9）：122-127.

A Simulation Model for Aboveground Dry Matter Distribution in Rice Based on Temperature and Light Effects

Huang Qin-qin et al（Hefei Meteorological Bureau， Hefei， Anhui 230041）

Abstract The rice variety “Fuyou 17” was used as the test material， a field phased sowing experiment was conducted at the Hefei Agricultural Meteorological Experimental Station from March 2018 to September 2020， with four sowing dates set for the experiment. Fit the light temperature effect （ATIE）， radiant heat product （TEP）， and accumulated temperature （GDD） calculated from measured meteorological data with the measured dry matter distribution ratio parameters， establish a dynamic simulation model for dry matter distribution in rice fields， and compare the fitting effects of each model. The results showed that the simulation effect of the ATIE model was good， with R2 greater than 0.90. Compared with the traditional radiation heat accumulation method and accumulated temperature method， the ATIE model significantly improved the prediction accuracy of dry matter distribution in rice， and can provide reference for the simulation of crop nutritional growth and reproductive growth indicators in the field.

Key words Rice; Temperature light effect; Dry matter distribution; Simulation model