杨永辉，武继承，丁晋利，张洁梅，高翠民，潘晓莹，王 越，何 方

(1.河南省农业科学院 植物营养与资源环境研究所，河南 郑州 450002； 2.农业部作物高效用水原阳科学 观测实验站，河南 原阳 453514； 3.郑州师范学院 地理与旅游学院，河南 郑州 450044)

玉米是我国最主要的粮食和经济作物之一。在河南西部地区，光热资源充足，玉米生长期内降雨量和蒸发量均较高，水分无效损耗较大，不利于降水资源的充分利用，而保护性耕作及增施有机肥等措施能够改善土壤的物理特性，提高土壤的蓄水保墒能力，降低水分的无效蒸发，促进降水资源的就地利用。秸秆还田有利于改土保墒，提高土壤有机质含量和土壤肥力[1]，改善土壤团聚体的稳定性[2]，增加土壤孔隙度，并改善土壤孔隙的连通性[3]，促进作物产量的提高[4]。与秸秆覆盖相比，秸秆施入土壤后更有利于土壤结构稳定性的提高[5]。而深松能够提高土壤耕层厚度，改善土壤团粒结构和土壤孔隙状况，提高土壤蓄水保墒与储水能力[6]，有利于作物根系利用深层土壤水。施用有机肥可提高土壤有机质含量，改善土壤团粒结构，提高土壤蓄水保墒能力，促进作物产量和水分利用率的提高[7-8]。

DSSAT模型是当前世界上应用最广泛的作物模型之一，其主要用于农业试验分析、作物产量预报、农业生产过程中的风险评估、气候条件对农业生产的影响评价等[9]。DSSAT模型可模拟作物光温和降水生产潜力，优化作物栽培方案等，为选择合理的农业技术提供决策与预测[10]。CERES-Maize模型是DSSAT中专门用于模拟玉米的模型[11]，已广泛应用于各类农业研究[12-17]。相关研究表明，CERES-Maize模型可在水分充足的条件下准确地模拟玉米生长过程中的土壤含水率、叶面积指数、生物量及产量[11,18]。Dejonge等[19]通过田间试验与模型模拟对比发现，CERES-Maize模型虽然对产量模拟较为准确，但在水分亏缺条件下模拟效果较差，需要进行改进。以往关于DSSAT模型研究多集中于干旱或半干旱地区[20]，且多是关于小麦方面[21-25]或玉米水分或施肥等方面[26-27]的研究。而CERES-Maize模型能否应用于河南豫西褐土区长期保护性耕作与土壤改良措施下夏玉米的生产和管理，能否模拟因长期保护性耕作与土壤改良措施引起的土壤剖面物理参数的变化进而引起模拟结果之间的差异，需要对CERES-Maize模型模拟长期保护性耕作与土壤改良措施下玉米的生长发育以及产量形成过程中的精度进行系统评估。鉴于此，基于长期定位保护性耕作与土壤改良措施中夏玉米试验的观测数据，运行DSSAT模型对玉米遗传参数等进行估计，并对模型进行验证，旨在系统模拟豫西褐土区长期不同耕作与土壤改良措施条件下土壤水分环境和玉米生长过程的差异，为DSSAT模型在该区的广泛应用提供有力的科学依据。

1 材料和方法

1.1 研究区概况

试验在河南省农业科学院节水农业禹州试验基地(113°03′～113°39′E，33°59′～34°24′N)进行，海拔116.1 m，多年平均降水量674.9 mm且60%以上集中在夏季；土壤为褐土，该地区地势平坦，肥力均匀，耕层有机质含量为12.3 g/kg、全氮含量为0.80 g/kg、水解氮含量为47.82 mg/kg、速效磷含量为6.66 mg/kg、速效钾含量为114.8 mg/kg。该区为小麦—玉米轮作区。

1.2 试验设计

长期定位试验始于2006年，以其中2013年和2015年2 a(2个年度6—9月夏玉米生长和降雨量较为一致，且这2 a的玉米品种相同及观测数据较为齐全)的试验数据进行本研究的模拟和验证。

试验共设置常规耕作、深松(深度30 cm)、秸秆还田(小麦单季秸秆直接全部还田旋耕，还田量为10 500 kg/hm2)、有机肥(鸡粪750 kg/hm2，氮、磷、钾质量分数分别为1.5%、1.2%、0.8%)4个处理。玉米播种前施用过磷酸钙(P2O5105 kg/hm2)、钾肥(K2O 75 kg/hm2)及氮肥(纯N 75 kg/hm2)，一次性底施。除深松处理外，其他处理耕作深度均为15 cm。有机肥处理中施用的氮、磷、钾无机肥用量分别扣除了鸡粪原有的氮、磷、钾施用量，以保证每个处理的养分用量一致。玉米品种为郑单958。小区面积为32 m2。2013年玉米于6月5日播种，6月10日出苗，6月23日定苗，9月30日收获；2015年玉米于6月6日播种，6月11日出苗，6月22日定苗，9月30日收获。玉米种植密度约为70 500株/hm2，株行距为20 cm×70 cm。

1.3 测定指标与方法

1.3.1 土壤体积含水率 土壤体积含水率采用中国电子科技集团27所生产的DZN2-1型自动测定仪测定，测定深度分别为0～10、10～20、20～30、30～40、40～50、50～60、60～70、70～80、80～100 cm,共9个层次，每处理3个重复。

1.3.2 叶面积指数 在玉米定苗后，每个小区在中间区域随机标记2行长势较为一致的植株作为最后的测产区域，每个小区标记2株玉米进行叶面积的测量，10 d左右测量1次，根据植株的叶面积计算小区叶面积指数[28]：

VLAI=SLA×D/10 000

式中：VLAI表示叶面积指数，SLA表示单株玉米总叶面积(m2/株)，D表示种植密度(株/hm2)。

1.3.3 生物量 在玉米不同生育时期(7月3日、7月17日、7月25日、8月3日、8月14日、8月22日、8月29日、9月4日、9月12日、9月18日、9月23日、9月30日)选取长势较为一致的植株2株测定生物量，并根据玉米种植密度折合成公顷生物量。

1.3.4 产量 玉米收获后，每小区采集2行玉米，脱粒，风干，称量计产。

1.4 模型数据库组建

DSSAT模型主要包括气象气候、作物管理、土壤及作物遗传特性4个模块。在模型模拟运算前，需要建立4个模块的基本数据库及其参数体系。本研究所用的气象资料均来源于中国气象科学数据共享服务网。模型运行的最基本气象数据包括逐日太阳辐射[kJ/(m2·d)]、逐日最高最低气温(℃)、逐日降水量(mm/d)。作物的管理数据主要包括播种日期、耕作方式及日期、施肥量、收获日期及收获方式等，对于本研究，输入的参数主要包括土地耕作方式、秸秆还田量、有机肥施用量及耕作深度。需要输入的土壤参数主要包括土壤容重、土壤有机碳含量、土壤饱和导水率、饱和含水量、田间持水量和永久萎蔫点等。DSSAT模型利用作物品种自身的遗传特性参数来描述品种的特性，用以控制作物生长发育的进程、植株形态及产量的形成。因此，需要建立玉米的遗传特性参数数据库。

1.5 模型的率定和验证

将2013年实测的长期不同耕作与土壤改良措施下的土壤容重、土壤有机碳含量、土壤饱和导水率、饱和含水量、田间持水量和永久萎蔫点等作为初始条件输入到模型中，并对模型进行调参，通过比较分析不同土层土壤体积含水率、叶面积指数及生物量等的模拟效果，采用试错法对土壤剖面水力学参数值(土壤饱和导水率、饱和含水量、田间持水量和永久萎蔫点等)进行调整，确保模型的率定结果在允许的误差范围内。对于作物的品种参数，利用DSSAT模型中自带的Glue参数调试程序进行玉米参数P1、P2、P5、G2、G3和PHINT的调试。首先在原程序给定的某个参数范围内进行参数的率定，然后根据其提供的最佳参数组合缩小参数的范围，之后继续进行参数的率定，1次率定最高可进行10 000次随机搜索，通过不断缩小参数的范围，最终得到最满意的参数组合。经过调试后，优化后的作物品种参数见表1。在参数率定的基础上，利用2015年实测数据对模型进行验证。

表1 调试后的玉米品种参数

1.6 模型误差检验

模型的校正和验证过程均采用模拟值与实测值间的相对均方根误差(RRMSE)与绝对相对误差(ARE)进行误差评价，RRMSE与ARE可以进行模拟值与实测值相对差异程度的度量，且为无量纲统计量，可进行不同变量之间的比较[22]。RRMSE与ARE值越小，表示模型模拟的精度越高。

(1)

(2)

(3)

式中，RMSE—均方根误差；Si—第i个模拟值；Oi—第i个观测值；O—观测值的平均值；n—模拟值的样本数。

当RRMSE<10%时，模型的模拟值与实测值的误差极低，二者具有极好的一致性；10%≤RRMSE<20%时，模型的模拟值与实测值的误差较低，二者具有较好的一致性；20%≤RRMSE≤30%时，模型的模拟值与实测值的误差低， 二者的一致性达到中等

水平；RRMSE>30%时，模型的模拟值与实测值的误差较大，二者的一致性较差。

1.7 数据统计

不同指标值均为3次重复的算术平均值，应用Excel和SPSS对数据进行处理。

2 结果与分析

2.1 应用不同观测指标对DSSAT模型参数的率定

2.1.1 土壤体积含水率模拟 应用DSSAT模型对玉米整个生育期不同处理各土层的土壤体积含水率动态进行模拟，得出不同土层土壤体积含水率的动态变化特征，不同处理DSSAT模型模拟结果与实测值的RMSE为0.022～0.164 cm3/cm3(表2)，通过计算得出模型的ARE介于4.9%～9.5%。随土层的加深，模拟值与实测值的RMSE逐渐降低，且常规耕作模拟效果最佳。

表2 不同处理土壤体积含水率动态的DSSAT模型模拟值与实测值的RMSE(2013年) cm3/cm3

注：表中数据为整个生育期该指标的均值，表5同。

以常规耕作为例对土壤体积含水率动态模拟结果进行分析，结果如图1所示。随着玉米的生长，不同土层的土壤体积含水率均呈下降趋势。0～10 cm土层的土壤体积含水率变化最为剧烈，模拟值与实测值误差较大。10～20、20～30 cm土层较表层土壤水分变化平缓，但10～20 cm土层土壤体积含水率模拟值与实测值误差仍较大。表层(0～10 cm)和亚表层(10～20 cm)的土壤体积含水率因受外界环境因素的影响较大，故较深层土壤体积含水率的实测值准确性低。 而深度在20 cm以上的土层， 特别是50 cm以上土层土壤体积含水率的模拟值与实测值整体较为一致，且土壤体积含水率变化趋势基本一致，其模拟值和实测值的RMSE在0.022～0.036，模型的ARE介于4.5%～8.3%。说明DSSAT模型在玉米生长过程中对于50 cm以上土层土壤水分的模拟更为准确。

2.1.2 叶面积指数模拟 从图2A可知，玉米叶面积指数的模拟值和实测值十分接近。在玉米播种后60 d内，不同措施对叶面积指数的影响基本上没有差异；播种60 d后，有机肥处理和深松处理的玉米叶面积指数明显高于其他处理，秸秆还田处理居中，常规耕作处理最低。从表3可知，不同措施处理的叶面积指数模拟结果和田间实测结果在总体上表现出较好的一致性，其ARE介于5.8%～8.7%，RMSE介于0.011～0.184，秸秆还田、常规耕作、有机肥、深松处理的叶面积指数模拟结果和田间实测结果的RRMSE分别为0.4%、0.9%、5.7%、6.2%。

2.1.3 生物量模拟 玉米生物量的模拟值与实测值对比如图2B所示，玉米生物量的模拟值与实测值非常接近，且玉米生长前期不同处理的生物量差异不显著。随玉米生育时期的推进，不同处理生物量差异逐渐增大，且以有机肥处理和深松处理明显高于其他处理，秸秆还田处理居中，常规耕作处理最低。模拟结果和田间实测结果一致性较好，其ARE介于2.0%～6.2%，RMSE介于306～419 kg/hm2，有机肥、深松、秸秆还田、常规耕作处理的生物量模拟结果和田间实测结果的RRMSE分别为3.1%、4.2%、4.3%、5.3%(表3)。

图1 常规耕作处理不同土层土壤体积含水率的模拟值与实测值对比

图2 玉米叶面积指数和生物量的模拟值与实测值比较

处理叶面积指数实测值模拟值ARE/%RMSERRMSE/%生物量实测值/(kg/hm2)模拟值/(kg/hm2)ARE/%RMSE/(kg/hm2)RRMSE/%常规耕作3.963.735.80.0210.915752149155.34195.3深松4.944.518.70.1846.217250169042.04134.2秸秆还田4.664.317.50.0110.416875158336.23994.3有机肥4.834.536.20.1695.717625172582.13063.1

注：表中叶面积指数为玉米吐丝期时的数值，生物量为玉米生育期结束后的数值，表6同。

2.1.4 产量模拟 不同措施处理玉米产量的模拟值和实测值如表4。2013年常规耕作、深松、秸秆还田及有机肥处理玉米产量模拟值与实测值的RMSE分别为433、412、1 288、584 kg/hm2，ARE分别为5.8%、4.5%、14.9%、6.5%，RRMSE分别为6.2%、4.9%、15.1%、6.7%，除秸秆还田处理外，其他措施处理的产量模拟值与实测值一致性较佳。不同处理产量的实测值表现为有机肥处理>秸秆还田处理>深松处理>常规耕作处理，模拟产量表现为有机肥处理>深松处理>秸秆还田处理>常规耕作处理，说明不同处理间玉米产量的实测值与模拟值变化趋势存在一定差异。

表4 不同处理玉米产量实测值与模拟值统计比较(2013年)

2.2 DSSAT模型对不同观测指标的验证

2.2.1 土壤体积含水率动态模拟验证 从表5可知，经过验证，利用DSSAT模型对常规耕作、深松、秸秆还田、有机肥处理各土层(0～100 cm)土壤体积含水率的模拟值与实测值相近，其RMSE介于0.004～0.069 cm3/cm3，模型的ARE介于2.3%～5.1%，模拟结果随土层的加深而更佳。

表5 不同处理土壤体积含水率动态的DSSAT模型模拟值与实测值的RMSE(2015年) cm3/cm3

以常规耕作处理土壤体积含水率实测值与模拟值进行验证，如图3。2015年的土壤体积含水率实测值与模拟值的误差较小，且随土层的加深，实测值与模拟值更为接近。0～40 cm土层的土壤体积含水率在玉米不同生育时期的波动较大，但实测值与模拟值具有较佳的一致性。可见，DSSAT模型对土壤体积含水率的模拟验证效果较佳。

2.2.2 叶面积指数模拟验证 从图4A可知，2015年玉米叶面积指数的实测值与模拟值十分接近，且仍以有机肥处理和深松处理明显高于其他处理，秸秆还田处理居中，常规耕作最低。其ARE介于3.6%～7.6%，RMSE介于0.062～0.079，RRMSE介于2.5%～3.3%(表6)，误差较小，模型模拟值与实测值具有较好的一致性。

图3 常规耕作处理不同土层土壤体积含水率模拟值与实测值的验证比较

图4 玉米叶面积指数和生物量的模拟值与实测值验证比较

处理叶面积指数实测值模拟值ARE/%RMSERRMSE/%生物量实测值/(kg/hm2)模拟值/(kg/hm2)ARE/%RMSE/(kg/hm2)RRMSE/%常规耕作3.283.076.40.0723.213532128714.95787.3深松3.943.647.60.0712.915101159045.36216.6秸秆还田3.363.483.60.0793.315881154752.65606.2有机肥3.933.657.10.0622.515301159514.22823.0

2.2.3 生物量模拟验证 从图4B可知，2015年玉米生长过程中的生物量实测值与模拟值仍保持较高的一致性，且以有机肥处理和深松处理的生物量明显高于其他处理，秸秆还田处理居中，常规耕作最低。其ARE介于2.6%～5.3%，RMSE值介于282～621 kg/hm2，RRMSE介于3.0%～7.3%(表6)，误差较小，模型模拟值与实测值具有较好的一致性。

2.2.4 产量模拟验证 不同措施处理玉米产量的模拟值和实测值相近(表7)。2015年常规耕作、深松、秸秆还田、有机肥处理产量的RMSE分别为872、101、453、501 kg/hm2，模型的ARE分别为12.4%、0.8%、5.5%、6.8%，RRMSE分别为12.6%、1.3%、5.7%、6.9%。深松处理玉米产量率定效果较其他措施更佳。不同处理产量实测值表现为秸秆还田处理>深松处理>有机肥处理>常规耕作处理，模拟的产量表现为有机肥处理>深松处理>秸秆还田处理>常规耕作处理，说明不同处理间玉米产量的实测值与模拟值变化趋势仍存在一定差异。

表7 不同处理玉米产量实测值与模拟值统计比较(2015年)

此外，产量模拟值与实测值相关性较佳(图5)，二者的回归方程线性斜率为0.964 2(P=0.035 1<0.05)，R2为0.541 6，说明不同耕作处理下的作物模拟产量与实测产量较一致[29]。

图5 不同处理玉米产量模拟值与实测值的相关关系

3 结论与讨论

研究表明，DSSAT模型可较好地模拟豫西褐土区小麦生长发育及土壤水分动态变化过程，其在豫西旱作区具有良好的适宜性，可为该地区的保护性耕作研究提供理论支持[30]。而对玉米而言，本研究发现，DSSAT模型对玉米生长过程中的叶面积指数、生物量、土壤水分动态及产量等的模拟中，其模拟值与实测值总体表现出较佳的一致性，ARE和RRMSE较小，特别是在深松条件下，玉米产量的模拟值与实测值ARE仅为0.8%，RRMSE为1.3%。就整个模拟效果而言，DSSAT模型能够较佳地模拟不同耕作与土壤改良措施对玉米的影响。

长期保护性耕作和土壤改良措施会对作物生长及土壤水分环境产生重要影响，主要是因为长期进行不同保护性耕作会对土壤剖面结构及物理特性产生一定影响[31]，进而影响作物的生长环境及其产量构成。因此，要科学地分析与评价保护性耕作和土壤改良措施影响作物生长及其水分动态变化的过程，需从不同措施引起的土壤物理(参数)性质变化方面来分析作物生长状况及产量的差异，土壤物理参数作为DSSAT模型输入的初始参数会对模型的运行产生一定的影响，而应用DSSAT模型才能合理地预测与评价长期保护性耕作与土壤改良措施对作物生长与农田环境产生的影响。相关研究[11-12]表明，DSSAT模型对水分亏缺条件下玉米生长发育的模拟不够准确，而对于水分较为充足时模拟效果较佳。在豫西褐土区，玉米生长季节降雨量较为充足，出现水分胁迫的概率较低，本研究选用玉米生长季节降雨量较为充分的2013年和2015年的观测数据进行模型的率定与验证，均达到了可信的误差范围，模拟值和实测值较一致，不同措施不同年份产量的模拟值和实测值相近，尤其是对深松处理的模拟精度更高；而秸秆还田处理虽然率定时的误差大于其他处理，但其验证结果较佳。说明长期不同耕作措施在DSSAT模型的率定与验证中存在一定的差异。但在水分亏缺情况下，DSSAT模型对各处理的模拟效果如何需要进一步研究。

通过模型模拟与实际观测对比发现，在2013年，长期不同耕作措施处理的玉米实测产量与模拟产量的增产趋势存在一定差异，但均以有机肥处理最高，其实测产量较常规耕作处理提高24.7%；在2015年，玉米实测产量与模拟产量的增产趋势仍存在一定差异，模拟产量仍以有机肥处理增幅最大，而实测产量则以秸秆还田处理最高，较常规耕作处理提高15.8%。说明长期保护性耕作和土壤改良措施均具有明显的增产效果，但不同措施不同年际间的增产幅度存在一定的差异。

[1] 余延丰,熊桂云,张继铭,等.秸秆还田对作物产量和土壤肥力的影响[J].湖北农业科学,2008,47(2):169-171.

[2] 张树兰,Lovdahl L,同延安.渭北旱塬不同田间管理措施下冬小麦产量及水分利用效率[J].农业工程学报,2005,21(4):20-24.

[3] 王增丽,冯浩,方圆.麦秸预处理方式对黄绵土结构及低吸力段持水性的影响[J].农业机械学报,2012,43(7):56-62,72.

[4] 余坤,冯浩,王增丽,等.氨化秸秆还田改善土壤结构增加冬小麦产量[J].农业工程学报,2014,30(15):165-173.

[5] Spaccini R,Piccolo A,Haberhauer G,etal.Decomposition of maize straw in three European soils as revealed by DRIFT spectra of soil particle fractions[J].Geoderma,2001,99(3/4):245-260.

[6] 刘绪军,荣建东.深松耕法对土壤结构性能的影响[J].水土保持应用技术,2009(1):9-11.

[7] Bolan N S,Adriano D C,Natesan R,etal.Effects of organic amendments on the reduction and phytoavailability of chromate in mineral soil[J].Journal of Environmental Quality,2003,32(1):120-128.

[8] Pagliai M,Vignozzi N,Pellegrini S.Soil structure and the effect of management practices[J].Soil & Tillage Research,2004,79(2):131-143.

[9] Jones J W,Hoogenboom G,Porter C H,etal.The DSSAT cropping system model[J].European Journal of Agronomy,2003,18:235-265.

[10] Hoogenboom G,Jones J W,Wilkens P W,etal.DSSAT V4.5 version[CD].Honolulu:University of Hawaii,2008.

[11] Jones C A,Kiniry J R.CERES-Maize:A simulation model of maize growth and development[M].Texas:Texas A&M University Press,1986.

[12] Asadi M E,Clemente R S.Simulation of maize yield and N uptake under tropical conditions with the CERES-Maize model[J].Tropical Agriculture,2001,78(4):211-217.

[13] Huffman E C,Yang J Y,Gameda S,etal.Using simulation and budget models to scale-up nitrogen leaching from field to region in Canada[J].The Scientific World Journal,2001,1(2):699-706.

[14] He J,Dukes M D,Hochmuth G J,etal.Evaluation of sweet corn yield and nitrogen leaching with CERES-Maize considering input parameter uncertainties[J].Transactions of the ASABE,2011,54(4):1257-1268.

[15] He J,Dukes M D,Hochmuth G J,etal.Identifying irrigation and nitrogen best management practices for sweet corn production on sandy soils using CERES-Maize model[J].Agricultural Water Management,2012,109:61-70.

[16] 刘玉兰,陈晓光,肖云清,等.CERES-Maize模型中遗传参数确定方法的研究[J].玉米科学,2007,15(6):127-129.

[17] 戴明宏,赵久然,Claupein W,等.基于CERES-Maize模型春玉米水分优化管理决策[J].水土保持学报,2009,23(1):187-192.

[18] Nouna B B,Katerji N,Mastrorilli M.Using the CERES-Maize model in a semi-arid Mediterranean environment.New modelling of leaf area and water sress functions[J].European Journal of Agronomy,2003,19:115-123.

[19] Dejonge K C,Andales A A,Ascough J C,etal.Modeling of full and limited irrigationscenarios for corn in a semiarid environment[J].Transactions of the ASABE,2011,54(2):481-492.

[20] 杜建涛,何文清,Nangia V,等.北方旱区保护性耕作对农田土壤水分的影响[J].农业工程学报,2008,24(11):25-29.

[21] 李国强,陈丹丹,张建涛,等.基于DSSAT模型的河南省小麦生产潜力定量模拟与分析[J].麦类作物学报,2016,36(4):507-515.

[22] 姚宁,周元刚,宋利兵,等.不同水分胁迫条件下DSSAT-CERES-Wheat模型的调参与验证[J].农业工程学报,2015,31(12):138-150.

[23] 刘建刚,褚庆全,王光耀,等.基于DSSAT模型的氮肥管理下华北地区冬小麦产量差的模拟[J].农业工程学报,2013,29(23):124-129.

[24] 王文佳,冯浩,宋献方.基于DSSAT模型陕西杨凌不同降水年型冬小麦灌溉制度研究[J].干旱地区农业研究,2013,31(4):1-10,37.

[25] 文新亚,陈阜.基于DSSAT模型模拟气候变化对不同品种冬小麦产量潜力的影响[J].农业工程学报,2011,27(增刊):74-79.

[26] 李树岩,刘荣花,成林.基于CERES-Maize的黄淮平原夏玉米阶段缺水模拟分析[J].玉米科学,2013,21(5):151-156.

[27] 李树岩,王靖,余卫东,等.气候变化对河南省夏玉米主栽品种发育期的影响模拟[J].中国农业气象,2015,36(4):479-488.

[28] Mckee G W.A coefficient for computing leaf area in hybrid corn[J].Agronomy Journal,1964,56(2):240-241.

[29] 丁晋利,武继承,杨永辉,等.耕作方式转变对土壤蓄水保墒影响的RZWQM模型模拟[J].农业机械学报,2016,47(4):136-145.

[30] 鲁向晖,穆兴民,Nangia V,等.DSSAT模型对豫西冬小麦保护性耕作效应模拟效果验证[J].干旱地区农业研究,2010,28(3):64-70.

[31] 杨永辉,武继承,张洁梅,等.耕作方式对土壤水分入渗、有机碳含量及土壤结构的影响[J].中国生态农业学报,2017,25(2):258-266.