基于有效積溫的NFT栽培小白菜生長(zhǎng)模型

陳永快 黃語(yǔ)燕 王濤 廖水蘭 鐘陳聲 趙健

摘要：為明確用營(yíng)養(yǎng)液膜栽培技術(shù)（NFT）栽培的小白菜生長(zhǎng)模型，以春油5號(hào)小白菜為試驗(yàn)材料，在中以示范農(nóng)場(chǎng)2個(gè)薄膜溫室內(nèi)開(kāi)展4次栽培試驗(yàn)，采用營(yíng)養(yǎng)液膜栽培技術(shù)進(jìn)行栽培，每隔1～3 d采集小白菜的生長(zhǎng)指標(biāo)。根據(jù)小白菜對(duì)溫度的響應(yīng)，以有效積溫為自變量，用Logistic方程構(gòu)建NFT栽培小白菜生長(zhǎng)模型，包括地上部鮮質(zhì)量和干質(zhì)量、地下部鮮質(zhì)量和干質(zhì)量、株高、葉片數(shù)、葉面積等模型，所建立模型的決定系數(shù)在0.881～0.993之間。經(jīng)重復(fù)試驗(yàn)數(shù)據(jù)檢驗(yàn)，小白菜地上部鮮質(zhì)量、地上部干質(zhì)量、地下部鮮質(zhì)量、地下部干質(zhì)量、株高、葉片數(shù)、葉面積等模型的預(yù)測(cè)值與實(shí)際值之間基于1 ∶ 1直線的決定系數(shù)（R2）分別為0.990、0.990、0.985、0.986、0.963、0.935、0.985，回歸估計(jì)標(biāo)準(zhǔn)誤差（RMSE）分別為10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25張、74.81 cm2。因此，構(gòu)建的小白菜生長(zhǎng)模型精度較高，可為溫室NFT栽培小白菜生長(zhǎng)管理調(diào)控、產(chǎn)量預(yù)測(cè)和經(jīng)濟(jì)效益分析等提供理論依據(jù)和決策支持。

關(guān)鍵詞：營(yíng)養(yǎng)液膜;有效積溫;小白菜;模型

中圖分類號(hào)：S634.301 ??文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2020）17-0229-04

小白菜為十字花科植物，原產(chǎn)于中國(guó)，別稱青菜、油菜、不結(jié)球白菜等，是我國(guó)長(zhǎng)江流域及以南地區(qū)分布最廣、種植面積及復(fù)種指數(shù)最大的蔬菜之一，約占長(zhǎng)江中下游大中城市蔬菜年總產(chǎn)量的 30%～40%[1-2]。

營(yíng)養(yǎng)液膜栽培技術(shù)（nutrient film technique，簡(jiǎn)稱NFT）是一種無(wú)土栽培技術(shù)，將植株定植在栽培槽內(nèi)，營(yíng)養(yǎng)液在栽培槽的底部做薄層間歇流動(dòng)，為植株生長(zhǎng)提供充足的養(yǎng)分和水分[3]。NFT可有效避免土傳病害，減少農(nóng)藥使用，是蔬菜標(biāo)準(zhǔn)化和規(guī)模化生產(chǎn)的重要方式，因此，近幾年來(lái)溫室NFT發(fā)展較為迅速。

作物生長(zhǎng)模型為作物栽培管理、環(huán)境調(diào)控優(yōu)化、效益分析等提供了強(qiáng)有力的理論依據(jù)[4]。目前，國(guó)內(nèi)外眾多學(xué)者已在溫室作物中，以有效積溫為預(yù)測(cè)指標(biāo)，建立了有效積溫與溫室作物生長(zhǎng)發(fā)育的相關(guān)模擬模型，對(duì)溫室作物的栽培具有理論指導(dǎo)意義。Heuelink等用有效積溫法建立了番茄的生長(zhǎng)模擬模型[5-6]。徐剛等利用有效積溫建立了溫室番茄長(zhǎng)季節(jié)栽培生長(zhǎng)發(fā)育模型，模型精度高、預(yù)測(cè)性好[7]。李立昆等基于有效積溫建立了厚皮甜瓜果實(shí)發(fā)育進(jìn)程模擬模型[8]。李書(shū)欽等基于有效積溫構(gòu)建了冬小麥返青后株高、葉位高度、葉長(zhǎng)、最大葉寬等模擬模型，可較好地預(yù)測(cè)冬小麥返青后葉片生長(zhǎng)狀態(tài)，實(shí)現(xiàn)了小麥生長(zhǎng)模型和形態(tài)模型的有機(jī)結(jié)合[9]。李世娟等以有效積溫和干物質(zhì)量為參數(shù)，構(gòu)建了小麥莖稈、葉片、穗等器官的幾何特征模型，這些模型以干物質(zhì)量為參數(shù)輸入，能夠生成小麥主莖各器官的三維形態(tài)特征參數(shù)[10]。目前，我國(guó)對(duì)于作物模型的研究主要集中在番茄、甜瓜、小麥等作物上，關(guān)于NFT下小白菜生長(zhǎng)模型的研究比較少。本研究基于經(jīng)驗(yàn)?zāi)Ｐ停杂行Хe溫為變量，采用Logistic曲線方程，建立NFT下小白菜生長(zhǎng)模型，將產(chǎn)量、株高和葉片數(shù)等與環(huán)境因子之間的關(guān)系直接用函數(shù)關(guān)系表達(dá)出來(lái)，對(duì)溫室環(huán)境和小白菜生長(zhǎng)的優(yōu)化控制、生長(zhǎng)期的定量化管理以及提高溫室利用效率等具有十分重要的意義。

1 材料與方法

1.1 試驗(yàn)材料與試驗(yàn)設(shè)計(jì)

試驗(yàn)在中以示范農(nóng)場(chǎng)2個(gè)薄膜溫室中進(jìn)行，試驗(yàn)品種為春油5號(hào)，由京研益農(nóng)（北京）種業(yè)科技有限公司生產(chǎn)。采用為NFT栽培，共進(jìn)行4次重復(fù)試驗(yàn)，第1次至第3次試驗(yàn)在溫室1中進(jìn)行，第2次至第4次試驗(yàn)在溫室2中進(jìn)行，其中第2次和第4次試驗(yàn)數(shù)據(jù)用于建立模型，第1次和第3次試驗(yàn)數(shù)據(jù)用于模型驗(yàn)證。在試驗(yàn)過(guò)程中采集小白菜生長(zhǎng)環(huán)境參數(shù)、表型數(shù)據(jù)。

供試品種在4葉1心時(shí)期前后，地上部鮮質(zhì)量約1 g時(shí)，定植于NFT栽培槽中，栽培密度為 312 000株/hm2。每次重復(fù)試驗(yàn)的灌溉量和栽培管理措施均按中以示范農(nóng)場(chǎng)小白菜NFT的栽培規(guī)范進(jìn)行。栽培期間使用的營(yíng)養(yǎng)母液分為A、B液，100 L 的A液配方為硝酸鈣8 kg、硝酸鉀3 kg，100 L的B液配方為磷酸二氫鉀1.5 kg、硫酸鎂5 kg、乙二胺四乙酸鐵納230 g、硫酸錳60 g、硫酸鋅30 g、硫酸銅2 g、鉬酸銨0.75 g、硼酸30 g[12]。營(yíng)養(yǎng)液在小白菜定植至采收期間pH值控制在6.0～6.5之間，定植10 d內(nèi)電導(dǎo)率（EC）值控制在1～1.5 mS/cm之間，定植10 d至采收期間EC值控制在1.5～1.8 mS/cm 之間。

1.2 測(cè)定項(xiàng)目與方法

第1次試驗(yàn)時(shí)間為2019年4月24日至2019年5月20日，第2次試驗(yàn)時(shí)間為2019年10月27日至2019年11月22日，第3次試驗(yàn)時(shí)間為2019年12月11日至2020年1月16日，第4次試驗(yàn)時(shí)間為2020年2月19日至2020年3月23日。

試驗(yàn)期間每隔1～3 d測(cè)量1次生長(zhǎng)指標(biāo)，每次選取長(zhǎng)勢(shì)較均勻的3株小白菜進(jìn)行測(cè)量，測(cè)量指標(biāo)包括單株小白菜地上及地下部鮮質(zhì)量、地上及地下部干質(zhì)量、株高、葉片數(shù)、總?cè)~面積。鮮質(zhì)量用電子天平進(jìn)行稱量。干質(zhì)量是將材料放在105 ℃烘箱中殺青20 min，75 ℃烘干至恒質(zhì)量后稱量。株高用游標(biāo)卡尺進(jìn)行測(cè)量。葉片數(shù)用計(jì)數(shù)法統(tǒng)計(jì)。葉面積用葉形紙稱質(zhì)量法計(jì)算[11]。3株小白菜各參數(shù)的數(shù)據(jù)取平均值后進(jìn)行分析。

用自主研發(fā)的環(huán)境數(shù)據(jù)采集裝置對(duì)小白菜生長(zhǎng)過(guò)程中的環(huán)境數(shù)據(jù)進(jìn)行采集，主要采集溫度、濕度、光照度等環(huán)境數(shù)據(jù)，數(shù)據(jù)每隔15 min保存1次。

1.4 數(shù)據(jù)處理

試驗(yàn)數(shù)據(jù)采用Excel 2013、IMB SPSS Statistics 19軟件進(jìn)行統(tǒng)計(jì)和分析。用模擬值和實(shí)際值之間的決定系數(shù)（R2）和標(biāo)準(zhǔn)誤差（RMSE）來(lái)評(píng)價(jià)模型的精度。R2越接近1，RMSE越接近0時(shí)，模型的模擬效果越好[12]。

2 結(jié)果與分析

2.1 有效積溫計(jì)算

常用有效積溫來(lái)反映作物對(duì)熱量的需求。高于生物學(xué)最低溫度的日平均溫度與生物學(xué)下限溫度之差稱為有效溫度，作物某一生育時(shí)期或整個(gè)生長(zhǎng)發(fā)育過(guò)程中有效溫度的總和稱為有效積溫（簡(jiǎn)稱GDD）[13]。計(jì)算方法如下：

式中：GDD為某一生育時(shí)期（t到h d）的有效積溫;Tb為生物學(xué)下限溫度，這里取Tb=7 ℃[1];Tmean為日平均溫度。

2.2 模型建立

以4次栽培試驗(yàn)的累積有效積溫為自變量，小白菜地上部鮮質(zhì)量、地上部干質(zhì)量、地下部鮮質(zhì)量、地下部干質(zhì)量、株高、葉片數(shù)、葉面積等為因變量作圖，從圖1可以看出，在小白菜生長(zhǎng)過(guò)程中，隨著累積有效積溫的增加，小白菜地上部鮮質(zhì)量、地上部干質(zhì)量、地下部鮮質(zhì)量、地下部干質(zhì)量、株高、葉片數(shù)、葉面積等大致呈“慢—快—慢”的增加趨勢(shì)。因此，本研究采用Logistic曲線方程進(jìn)行擬合。Logistic曲線方程在植物生長(zhǎng)發(fā)育的研究中被廣泛應(yīng)用，曲線特點(diǎn)是開(kāi)始緩慢增長(zhǎng)，在之后某一范圍內(nèi)迅速增長(zhǎng)，達(dá)到一定限度后，增長(zhǎng)變緩慢。Logistic曲線方程表達(dá)式為y=A/[1+Be（-k）]，其中A、B、k為曲線系數(shù)[14]。

采用第2次和第4次試驗(yàn)數(shù)據(jù)建立模型，利用SPSS軟件對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行回歸分析，得到小白菜地上部鮮質(zhì)量、地上部干質(zhì)量、地下部鮮質(zhì)量、地下部干質(zhì)量、株高、葉片數(shù)、葉面積等Logistic曲線模型及曲線決定系數(shù)（R2）見(jiàn)表1。

2.3 模型驗(yàn)證

采用第1次和第3次的試驗(yàn)數(shù)據(jù)對(duì)各模型進(jìn)行驗(yàn)證。結(jié)果表明，小白菜地上部鮮質(zhì)量、地上部干質(zhì)量、 地下部鮮質(zhì)量、地下部干質(zhì)量、株高、葉片數(shù)、葉面積的預(yù)測(cè)值與實(shí)際值之間相關(guān)性較好，從圖2可以看出，基于 1 ∶ 1 直線的決定系數(shù)（R2）分別為0.990、0.990、0.985、0.986、0.963、0.935、0.985，模型RMSE分別為10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25張、74.81 cm2，表明所建立模型預(yù)測(cè)效果較好。

3 討論與結(jié)論

根據(jù)小白菜對(duì)溫度的響應(yīng)，以有效積溫為自變量， 用Logistic方程構(gòu)建小白菜NFT栽培生長(zhǎng)模型，包括地上部鮮質(zhì)量和干質(zhì)量、地下部鮮質(zhì)量和干質(zhì)量、株高、葉片數(shù)、葉面積等模型，模型決定系數(shù)在0.881～0.993之間。經(jīng)重復(fù)試驗(yàn)數(shù)據(jù)檢驗(yàn)，小白菜地上部鮮質(zhì)量、地上部干質(zhì)量、地下部鮮質(zhì)量、地下部干質(zhì)量、株高、葉片數(shù)、葉面積等模型的預(yù)測(cè)值與實(shí)際值之間基于1 ∶ 1直線的決定系數(shù)（R2）分別為0.990、0.990、0.985、0.986、0.963、0.935、0.985，回歸估計(jì)標(biāo)準(zhǔn)誤差（RMSE）分別為10.01 g、0.46 g、0.80 g、0.05 g、1.28 cm、1.25張、74.81 cm2。表明所]建立的小白菜營(yíng)養(yǎng)生長(zhǎng)模型精度較高，可為溫室利用NFT栽培小白菜的生長(zhǎng)管理提供理論依據(jù)和決策支持。

本試驗(yàn)是用1個(gè)小白菜品種，在水肥充足，栽培管理規(guī)范的條件下進(jìn)行的，形成的模型尚未考慮水肥和栽培管理措施對(duì)NFT栽培小白菜生長(zhǎng)的影響，今后需在模型中加入水肥虧缺和管理措施影響因子，從而提高模型的普遍適用性。

參考文獻(xiàn)：

[1]譚 文，楊再?gòu)?qiáng)，李 軍. 基于溫光效應(yīng)的小白菜營(yíng)養(yǎng)品質(zhì)模擬模型研究[J]. 中國(guó)農(nóng)業(yè)氣象，2016，37（1）：59-67.

[2]薛思嘉，楊再?gòu)?qiáng)，李 軍. 高溫對(duì)小白菜品質(zhì)的影響及模擬研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2017，25（7）：1042-1051.

[3]吳敬才，鄭回勇，吳 燕，等. 葉菜類蔬菜營(yíng)養(yǎng)液膜無(wú)土栽培技術(shù)[J]. 福建農(nóng)業(yè)科技，2015（10）：48-50.

[4]楊靖民，楊靖一，姜 旭，等. 作物模型研究進(jìn)展[J]. 吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，34（5）：553-561.

[5]Heuvelink E. Evaluation of a dynamic simulation model for tomato crop growth and development[J]. Annals of Botany，1999，83（4）：413-422.

[6]Wolf S，Rusieh J. Predicting harvesting data of processing tomato by a simulation model[J]. Journal of American Society Horticulture Science，1984，111（1）：11-16.

[7]徐 剛，張昌偉，李德翠，等. 溫室長(zhǎng)季節(jié)栽培番茄發(fā)育動(dòng)態(tài)模擬模型的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2005，21（增刊2）：243-246.

[8]李立昆，李玉紅，程智慧，等. 基于有效積溫早春設(shè)施厚皮甜瓜果實(shí)發(fā)育模擬模型[J]. 北方園藝，2010（6）：97-100.

[9]李書(shū)欽，諸葉平，劉海龍，等. 基于有效積溫的冬小麥返青后植株三維形態(tài)模擬[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2017，50（9）：1594-1605.

[10]李世娟，諸葉平，張紅英，等. 整株干物質(zhì)量分配指數(shù)模型模擬冬小麥各器官形態(tài)參數(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（9）：155-164.

[11]譚一波，趙仲輝. 葉面積指數(shù)的主要測(cè)定方法[J]. 林業(yè)調(diào)查規(guī)劃，2008，33（3）：45-48.

[12]馬萬(wàn)征，毛罕平，倪紀(jì)恒. 不同果實(shí)負(fù)載下溫室黃瓜干物質(zhì)分配的模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（10）：259-263.

[13]李書(shū)欽，諸葉平，劉海龍，等. 冬小麥返青后葉片高度模型構(gòu)建及三維可視化[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2017，19（11）：59-67.

[14]董江水. 應(yīng)用SPSS軟件擬合Logistic曲線研究[J]. 金陵科技學(xué)院學(xué)報(bào)，2007，23（1）：21-24.