在地中海气候条件下，模拟不同水分条件下油菜-豌豆及小麦-豆科作物间作的生长情况

《European Journal of Agronomy》：Modelling rapeseed-pea and wheat-legumes intercrops under varying water availability in Mediterranean conditions

　　路易丝·布兰克（Louise Blanc）|豪尔赫·兰普兰内斯（Jorge Lampurlanés）|热尼斯·西蒙-米克尔（Genís Simon-Miquel）|丹尼尔·普拉扎-博尼利亚（Daniel Plaza-Bonilla）
莱里达大学农业与森林科学与工程系，阿尔卡尔德·罗维拉·鲁雷大道191号（Av. Alcalde Rovira Roure 191），莱里达 E-25198，西班牙

**摘要**
尽管间作在多种情况下具有潜在的优势，但对其建模仍处于起步阶段。本研究评估了STICS土壤-作物模型在模拟地中海条件下三种间作组合的表现，并利用该模型评估了水分供应不同的多年情景。该模型使用来自埃布罗河谷（西班牙东北部）两个灌溉区和两个雨养区的单作数据进行了校准。随后，通过一个涉及油菜-豌豆（IC-RP）、硬粒小麦-豌豆（IC-WP）和硬粒小麦-蚕豆（IC-WF）的农场灌溉实验数据对其进行了验证。研究人员分别对灌溉和雨养条件下单作（SC）及间作（IC）情况进行了2000年至2020年的多年模拟，并测试了不同补播日期对间作效果的影响。校准结果表明模型效果良好，尤其是对于谷物产量的预测（均方根误差rRMSE ≤ 29%；平均产量MB ≤ 0.36吨/公顷）。在评估过程中，模型能够准确反映间作组合中各作物年份间的主导地位变化，并在谷物产量预测上表现出较高的吻合度（豌豆rRMSE = 22%；油菜rRMSE = 32%），但在估计产量趋势（LER）时存在偏差。采用“先播种油菜后播种豌豆”的补播方式在雨养（1.11吨/公顷）和灌溉（1.26吨/公顷）条件下均实现了产量最大化，且在灌溉条件下产量增加了6%以上。对于IC-WP和IC-WF组合，STICS模型在叶面积指数（LAI）和作物高度方面高估了某一作物的优势，导致产量被过度估计（蚕豆平均产量增幅为+2.3吨/公顷）。因此，这些间作组合在雨养和灌溉条件下的实际表现仍存在不确定性。在中地中海气候条件下使用STICS模型进行间作模拟仍面临挑战，尤其是当涉及生长高度相近的作物时，因为光竞争及其对作物高度的影响仍需进一步改进。在校准策略上，结合优化工具与试错方法，并将间作数据纳入参数估算过程将有助于提升模型的准确性。

**1. 引言**
地中海地区的种植系统正日益受到反复干旱、年际气候变化加剧以及水资源压力增加的挑战（Seager等人，2019年）。这些因素使得该地区容易出现荒漠化现象，同时导致土壤有机质和持水能力下降（López-Bellido，1992年）。因此，优化作物水分利用至关重要，因为预计未来几十年水资源短缺情况会更加严重（Vicente-Serrano等人，2025年）。农业研究应优先考虑既能提高产量又能提升产量稳定性及土地利用效率的策略（Chourghal等人，2016年；López-Bellido，1992年）。间作作为一种在同一块土地上同时种植多种作物的种植方式（Willey，1979年），被认为有助于增强农业可持续性。它具有多方面优势，包括稳定产量（Raseduzzaman和Jensen，2017年）、提高谷物蛋白质含量（Gooding等人，2007年；Bedoussac等人，2015年）以及改善土地和水资源利用效率（Fletcher等人，2016年；Morris和Garrity，1993年；Yin等人，2020年）。然而，只有在一些特定环境下（如亚洲和非洲的热带气候区以及条带间作设计中，Yin等人，2020年）才能观察到水资源利用效率的提升。大多数关于条带间作的研究集中在较窄的种植带（通常小于2米，Yin等人，2020年），因为过宽的种植带会削弱间作带来的增产效果。这种种植模式与大规模机械化农业不兼容（这是许多地中海欧洲地区的主导生产方式，因此条带间作主要在亚洲和非洲实施，Yu等人，2015年）。在地中海地区，混合间作和行间作设计更为适用且研究更为普遍（Fletcher等人，2016年；Monti等人，2016年），因为它们与现有机械化系统相匹配，便于同时进行播种和收获。然而，关于这些种植方式的水分利用情况 aún 收集的数据较少。

尽管在资源有限的条件下（如有机农业中，Bedoussac等人，2015年），间作通常能有效提高谷物产量，但随着氮素（N）供应的增加，其优势会减弱（Bedoussac等人，2015年；Ghaley等人，2005年；Mbanyele等人，2024年）。此外，在包含C4作物的混合种植中，产量提升更为明显（Li等人，2020年；Yu等人，2015年）。在地中海地区，以往的试验主要集中在C3谷物与豆科作物的间作上，结果不一，有些研究甚至报告产量下降（Blanc等人，2024a；Dowling等人，2021年；Monti等人，2016年）。在这些地区，具有不同生理特性的作物组合（如油料作物与豆科作物）具有更大潜力（Blanc等人，2024a；Fletcher等人，2016年），这归因于作物之间的互补作用。然而，需要多年研究来全面评估间作的生产力及其年际变异性。为填补这些知识空白，基于过程的网络模型对于评估不同时空组合的生产力及其缓解地中海农业作物水分胁迫的能力至关重要（Molénat等人，2023年）。不过，许多模型未能模拟根系生物量及密度，而是仅依赖地上部分相互作用来判定物种间的竞争（Gaudio等人，2019年）。实际上，根系竞争对物种平衡的影响通常大于地上部分的竞争（Wilson，1988年）。包含根系体系的模型将有助于更准确地评估地中海条件下的间作效果。这类模型还能以较低成本评估不同土壤气候条件下的种植系统年际表现（Gaudio等人，2019年），因为它能够模拟多种非生物胁迫（如水分、氮素、温度）对作物产量的影响。过去几十年中，已有许多单作模型被修改用于间作研究，包括APSIM（Carberry等人，1996年）、FASSET（Berntsen等人，2004年）、FLORSYS（Colbach等人，2014年）、STICS（Brisson等人，2004年）、CROPSYS（Singh等人，2013年）、Azodyn-IC（Malagoli等人，2020年）、Daycent（Della Chiesa等人，2022年）和LINTUL5（Demie等人，2025年）。也有少数模型是专门为间作设计的，例如专注于条带布局的M3模型（Berghuijs等人，2020年）。不过，目前大多数研究仅评估这些模型在特定条件下的模拟能力，未系统地分析其在多种情景下的表现（Gaudio等人，2019年）。如后文所述，间作建模仍处于起步阶段，针对油料作物与豆科作物间作的研究尤为匮乏。值得注意的是，有研究显示APSIM模型在模拟油菜-蚕豆间作时效果不佳（Githui等人，2023年），而FLORSYS模型在油菜与紫花苜蓿间作中的表现也需进一步探讨（Colbach等人，2014年）。

STICS土壤-作物模型最初是为热带气候条件开发的（Brisson等人，2004年），后来也被应用于温带气候（如Corre-Hellou等人，2009年，包括亚湿润地中海气候Kherif等人，2022年）和半干旱气候（Traoré等人，2022年）。该模型能够考虑根系在土壤层中的深度和分布，且计算过程独立于地上部分生长（Beaudoin等人，2023年），因此非常适合用于地中海地区的模拟。与大多数模型不同，STICS已被用于模拟多种间作管理情景，如水分供应、播种日期（Traoré等人，2022年）、水分和氮素胁迫效应（Kwenda等人，2025年）、品种选择、氮肥施用（Traoré等人，2023年）、土壤气候条件、播种日期和密度（Launay等人，2009年）以及间作模式（Shili-Touzi等人，2010年）。目前尚未有研究在 Mediterranean 条件下进行多年模拟，以评估创新间作组合（如油料作物与豆科作物）的表现。

西班牙东北部的埃布罗河谷具有受大陆性气候影响的半干旱地中海气候。该地区强烈的养猪和家禽养殖为土壤提供了氮肥，但水资源供应极不稳定，成为雨养区的主要限制因素。灌溉区所占耕地面积占32%（MAPA，2019年）。当前的研究重点在于提高水分利用效率，并逐步淘汰传统的漫灌方式，采用更高效的喷灌系统。本研究旨在：（i）评估STICS模型在模拟的一种新型行间作（油菜-豌豆）以及两种常见间作组合（硬粒小麦-豌豆和硬粒小麦-蚕豆）在中地中海气候条件下的表现；（ii）比较这些间作组合与单作在同一雨养和灌溉条件下的年际生产力。选择这些组合是因为它们符合埃布罗河谷的土壤气候特征。研究假设在水分供应不足的情况下，间作组合的产量会高于单作。

**2. 材料与方法**
**2.1 STICS土壤-作物模型概述及其在间作应用中的特点**
STICS模型（Beaudoin等人，2023年；Brisson等人，2008年；Brisson等人，2003年；Brisson等人，1998年）是一个基于过程的动态模型，可以每日模拟植物生长及碳（C）、氮（N）和水的循环。该模型在一个维度上运行，结合土壤属性、气候和管理措施来模拟不同土壤气候条件下的作物农业环境过程（Coucheney等人，2015年）。Brisson等人（2004年）对该模型进行了间作适应性改进，Launay等人（2009年）对其进行了进一步优化，本研究使用的为最新版本（v. 10.2；STICS项目团队，无具体年份）。STICS模型考虑了作物形态及其在间作中的微气候效应（如冠层形状、高度、叶密度）。作物蒸散量（ETc）采用Shuttleworth和Wallace方法计算，该方法考虑了冠层异质性和不同作物对蒸散的抵抗力。该模型还能捕捉到间作中作物相互作用引起的微气候效应，例如下层作物蒸散如何影响水汽压力亏缺、温度和湿度，从而影响作物生长。

辐射截获率（faPAR）随作物高度、行间距和冠层体积变化（0-1），多余辐射会传递给另一种作物。作物层间的辐射传输遵循比尔定律，并考虑了太阳位置的影响（Beaudoin等人，2023年）。作物高度与叶面积指数（LAI）相关，高度较高的作物具有主导地位，且这种主导地位可能在生长周期中发生变化（Beaudoin等人，2023年）。冠层体积取决于其几何形状（三角形或矩形）、LAI、高度与宽度比、基部高度和叶密度（Brisson等人，2004年）。LAI受叶片生长（呈逻辑函数关系直至达到平台期）和衰老过程的影响。这些过程受发育阶段、温度、密度以及水分和氮素胁迫的调控。模型会根据主导作物的影响调整下层作物的密度（Beaudoin等人，2023年）。气孔水分胁迫因子（swfac）表示实际蒸散量（EP）与潜在蒸散量（EOP）的比值，范围从1（无胁迫）到0（最大胁迫）。总蒸散量等于每日根系吸收量，根据根系密度和水分供应在土壤层中分布（Beaudoin等人，2023年）。蒸散量受根系密度、气孔行为和蒸发需求的影响，但与土壤类型无关（Brisson等人，1998年）。氮营养指数（NNI）是衡量作物氮状态的关键指标，表示实际氮浓度与临界氮浓度之比（Beaudoin等人，2023年），范围为0到2：大于1表示氮过剩，约1表示氮含量适中，小于1表示氮缺乏限制生长。该指数用于调节氮胁迫程度（insns），其值介于最低NNI值和1之间（无胁迫）。生物固氮（Ndfa）产生的氮（N）的建模基于一个潜在的固氮速率，该速率受生长度日（GDD）以及缺氧、温度、水分和土壤矿物质氮等限制因素的影响，同时还考虑了作物最大的固氮能力（fixmaxvar）与生物量增长之间的相关性（Beaudoin等人，2023年）。土壤模块假设了水平均匀性，但考虑了不同层次的垂直异质性。在间作系统中，地下相互作用通过真实密度选项进行模拟，该选项根据每个物种的等效密度和每个层次的土壤条件调整其根长密度（RLD）。因此，一旦作物的根系开始生长，种间竞争就开始了。水分供应在输入（例如，毛细上升）和损失（例如，蒸发）之间保持平衡。水分和氮的吸收是逐层计算的：由于两种物种从相同的土壤层次中提取资源，因此会产生竞争。根系生长遵循由生长度日（GDD）、植株密度和胁迫因素驱动的逻辑曲线，而根系分布则取决于土壤性质和干旱或缺氧等限制条件（Beaudoin等人，2023年）。该模型没有直接模拟地下相互作用（例如，化感作用或根系分泌物）。然而，间接的地下相互作用会影响间作系统中的根系动态：主要是水分和氮胁迫的变化，其次是冠层温度的变化，这会影响根系前端的推进（Beaudoin等人，2023年）。在STICS模型中，确定性作物的产量（包括此处研究的所有物种）由籽粒数和籽粒充实度决定。籽粒数取决于特定生长阶段的生长速率，并且在霜冻后仍可能减少。籽粒充实度由一个动态的、特定于物种的收获指数控制，该指数在过度温度胁迫下会停止增加。因此，在间作系统中，任何生长速率或微气候的变化都可能通过影响这两个步骤间接影响产量。

2.2 STICS土壤-作物模型的使用
STICS间作版本需要使用单作作物数据进行校准，这一点得到了STICS-ProTeam的建议（Corre-Hellou等人，2009年；Corre-Hellou等人，2007年；Launay等人，2009年；Vezy等人，2023年）。使用间作数据进行评估可以确保校准数据的独立性。这种方法在其他模型的使用中也很常见（例如FASSET，Berntsen等人，2004年；Lintul5，Demie等人，2025年）。

2.2.1 用于模型校准和评估的数据集
本研究中包含的四个物种是使用位于埃布罗河谷（西班牙东北部）的四个田间实验的数据进行校准的（表1）。每个实验包含三个处理区。所有评估的品种都是冬播类型。其中两个实验是在2019至2022年期间在雨养条件下进行的。Selvanera（表1）评估了单作（SC）物种：豌豆（SC-P，Pisum sativum L.，品种Furious）、蚕豆（SC-F，Vicia faba L.，品种Axel）和油菜（SC-R，Brassica napus L.，品种DK Expression），在这些实验中使用了四种不同的氮（N）施肥量（0、40、80和120公斤矿物氮/公顷），行间距为19厘米（Simon-Miquel等人，2024年）。óriz（表1）专注于SC-F品种（包括Axel），行间距为30厘米。Selvanera和óriz代表了两种不同的水分供应情况。óriz位于潘普洛纳盆地，年降水量相对较高（869毫米），水分亏缺较少（-89毫米），因为它受到大西洋气候的影响。相比之下，Selvanera的降水量较低（433毫米），蒸发需求较高，导致年水分亏缺较大（-628毫米）。另外两个实验是在地表灌溉条件下进行的。第一个实验（Bell-lloc d’Urgell，表1）从2019年至2022年评估了SC-F品种（包括Axel），行间距为75厘米。第二个实验（Sucs，表1）包括了三种间作组合（IC）：硬质小麦（Triticum turgidum subsp. durum，品种Aneto）/豌豆（品种Aviron）（IC-WP）、油菜（品种Gordon）/豌豆（IC-RP）以及硬质小麦/蚕豆（品种Axel）（IC-WF）及其各自的单作作物（Blanc等人，2024a）。除了SC-R（76厘米）外，所有系统的行间距均为38厘米。在IC组合中，使用了50%的SC播种率的替代设计。这些作物系统在2021至2023年期间评估了两种氮施肥处理（0和75公斤矿物氮/公顷），除了IC-WF和SC-F是在2022至2023年期间评估的（Blanc等人，2024a）。

表1. 为模型校准和评估提供数据的每个田间实验的土壤气候特征。年平均气温、降水量和潜在蒸散量（PET）代表长期平均值（1990–2020年），除了Selvanera的数据较少（2017–2024年）。土壤特性（0–30厘米深度）基于现场具体分析，指的是每个田间实验开始时的情况。
- SC：单作；IC：间作；F：蚕豆；P：豌豆；R：油菜；W：小麦；EC：电导率；￥：根据USDA分类（Soil Survey Staff，2022年）。

实验地点
- Selvanera
- óriz
- Bell-lloc d’Urgell
- Sucs

地区/省份
- 加泰罗尼亚/莱达省
- 纳瓦拉省
- 加泰罗尼亚/莱达省
- 加泰罗尼亚/莱达省

田地名称
- Field A
- Field B

纬度
- 41°49'52.27"N
- 42°43'33"N
- 41°38'59"N
- 41°42'0.81"N
- 41°41'53.3"N

经度
- 1°17'40.98"E
- 1°36'7"E
- 0°46'10"E
- 0°26'52.60"E
- 0°26'50.9"E

海拔（米）
- 465
- 481
- 193
- 289
- 288

年平均气温（°C）
- 13.4
- 13.0
- 14.1
- 14.4

年降水量（毫米）
- 433
- 869
- 386
- 369

年潜在蒸散量（毫米）
- 1054
- 958
- 1028
- 1040

年水分亏缺（毫米）
- -628
- -89
- -64
- 2
- -671

灌溉方式
- 雨养
- 0
- 0

地表灌溉
- 100–300
- 300–400

评估的作物系统
- SC-P, SC-F, SC-R
- SC-F
- SC-F
- SC-F, SC-P, SC-R, IC-RP, IC-WP, IC-WF

收获年份
- 2020, 2021, 2022
- 2021
- 2020, 2021, 2022
- 2021, 2023
- 2022

土壤特性
- 颗粒大小分布（%）：
- 沙土：28
- 粉砂：34
- 纤泥：25
- 黏土：37
- 黏土：31
- 粘土含量：23
- 产业结构：￥
- 壤土
- 黏土-壤土
- 黏土-壤土
- 均质（H2O, 1,2.5）：8.2
- 8.7
- 8.2
- 8.3
- 8.4

土壤有机碳（克/千克）
- 16.0
- 14.0
- 9.0
- 15.7
- 12.9

土壤有机氮（克/千克）
- 1.8
- 6
- 1.9
- 1.3
- 2.0
- 1.9

C/N比率：8.4
- 7.4
- 7.3
- 8.4
- 6.8

电导率（EC，1:5 H2O）（dS m?1）：0.19
- 0.16
- 0.24
- 0.34
- 0.33

CaCO3当量（克/千克）：300
- 180
- 260
- 370
- 380

水分含量（%体积）（在-33 kPa压力下）：
- 203
- 152
- 31
- 150
- 0 kPa：720
- 91
- 213

根系深度（米）：0.6
- 1.2
- 0.6
- 0.6
- 0.6

石块含量（%体积）：
- 可忽略不计
- 可忽略不计
- 可忽略不计
- 16.3
- 15.1

容重（克/立方厘米）：1.50
- 1.40
- 1.40
- 1.45
- 1.29

用于小麦校准的总站点-年份-管理组合数量分别为：6种、10种、11种和12种。对于间作评估，小麦有10种、油菜有6种、蚕豆有4种、豌豆有12种。豌豆和油菜的校准使用了每个物种的两个品种，而小麦和蚕豆则使用了一个品种。这种方法确保了校准数据集涵盖了埃布罗河谷内我们实验数据中的最广泛的土壤气候条件，包括雨养和灌溉情况，这有助于在模拟雨养条件下的间作时减少潜在偏差，尽管间作的模型评估仅依赖于Sucs地点的灌溉数据。

在所有实验中，油菜都在9月下旬以大约2.5厘米的深度和每平方米56粒种子的密度播种。其他物种的播种时间从10月底到11月初不等，播种深度根据物种和实验的不同而介于3至5厘米之间（表S1）。豌豆的播种密度为每平方米100粒种子，小麦为300–375粒种子，蚕豆为20–50粒种子（表S1）。在所有实验中，播种前和收获后都测量了土壤含水量（SWC）和土壤硝酸盐含量（SNC）。还测量了所有作物的物候、开花时的地上生物量（BBCH 65和89）、籽粒产量、千粒重以及籽粒和生物量中的氮浓度。当两种间作作物在不同时期开花时，分别进行了两次采样。除了óriz外，所有实验都测量了Ndfa。在Bell-lloc、óriz和Sucs，作物高度在BBCH 65时进行了测量。在Sucs，还测量了叶面积指数（LAI），并在IC组合中区分了部分LAI。有关测量变量、生物量氮和Ndfa确定的详细信息，可以参考Blanc等人（2024a）和Simon-Miquel等人（2024）的研究。

2.2.2 模型的校准和评估
模型的校准起点取决于每种作物。对于油菜和蚕豆，分别使用了Blanc等人（2024b）和Falconnier等人（2019）校准的植物文件参数。对于豌豆和硬质小麦，使用了STICS（v 10.2）的默认参数。对于每种作物的校准，遵循Launay等人（2005）和Beaudoin等人（2023）的建议，同时校准了与物种和品种相关的参数，而不是分别对物种和品种参数进行单独校准，因为它们是内在关联的。当默认阈值低于实地观察值时，使用实际观测值（例如，最大籽粒重量、每平方米籽粒数和作物高度）。然后，按顺序校准了敏感性分析中确定的關鍵参数（Ruget等人，2002）。必要时采用迭代方法来考虑参数组之间的相互作用并平衡潜在的补偿效应，遵循Launay等人（2005）和Beaudoin等人（2023）的指导原则。使用了STICS参数优化工具（Buis等人，2011）。每次优化后，使用图形和统计标准评估模型性能。根均方误差（RMSE，公式1）、其相对值（rRMSE，公式2）、模型效率（EF，公式3）和平均偏差（MB，公式4）的计算方法如下：
- RMSE = ∑i=1^n (Oi ? Si)^2 / n
- ōrRMSE = RMSE / ō × 100
- EF = 1 ? ∑i=1^n (Oi ? Si)^2 / ∑i=1^n (Oi ? ō)^2
- MB = ∑i=1^n (Si ? Oi)

其中Oi和Si分别是第i次的观测值和模拟值，ō?是观测值的平均值，n是观测次数。RMSE通过捕捉绝对误差来量化模型的整体精度，其相对值允许与其他模拟模型进行比较。通常认为rRMSE低于30%（Jamieson等人，1991年）或50%（Moriasi等人，2007年）是可以接受的。EF衡量了模拟值与观测值的匹配程度，EF为1表示模拟值与观测值完全一致，EF为0表示模型不如使用观测值的平均值有效，负的EF表示模型的表现不如使用平均值。MB通过比较模拟值的平均值和观测值来识别系统性的高估或低估。统计标准和图形表示是使用R包CroPlotR（Vezy等人，2024）获得的。

在校准过程中，如果目标变量的性能有所改善，但其他变量的性能却恶化，则采用试错方法，测试中间值以更好地模拟目标变量，同时最小化其他变量的恶化。当优化工具失败或产生极端或不现实的结果时，也使用了这种方法。间作模型的评估使用了Sucs灌溉实验中的观测值。

2.3 评估间作潜力的情景
我们的目标是评估埃布罗河谷两种不同水分供应条件下的间作系统性能：河谷底部水分亏缺较大的灌溉系统和山坡水分亏缺较小的雨养系统。使用了20年的天气序列（2000–2021年）。对于雨养情景，使用了Selvanera的土壤特性（壤土质地），并采用了最近有20年记录的气象站Oliola（位于西北方向10公里处）的气候数据。对于灌溉情景，应用了Sucs的土壤特性，选择了Field B（表1），因为在埃布罗河谷中壤土质地比黏土更为常见（例如Casta?eda等人，2017年），这样可以与雨养地点进行更一致的比较。这一选择还有助于隔离水分制度的影响，因为在水文条件下，水分制度被认为是影响作物表现的更强驱动因素。气候数据来自最近的气象站Raimat（位于东南方向2公里处）。这两种气候都被归类为具有大陆性影响的地中海半干旱气候（图S1）。

模拟了IC-WP、IC-WF和IC-RP及其各自的单作作物。在SC系统中，硬质小麦、豌豆、油菜和蚕豆的播种密度分别为每平方米300粒、100粒、56粒和50粒。所有IC系统都在50%的SC播种率下进行了替代设计。所有作物的行间距都設定为38厘米，除了SC-R为76厘米。豌豆、蚕豆和小麦的播种深度为4厘米，油菜在SC和IC系统中均为2.5厘米。这些配置与Sucs的实验设置一致（§2.2.1）。在IC-WP和IC-WF中，两种作物于11月9日同时播种，符合它们的最佳播种期以及灌溉和雨养实验中使用的日期（Blanc等人，2024a；Simon-Miquel等人，2024）。相比之下，油菜在埃布罗河谷通常在9月初播种，这使得其与豌豆的间作更具挑战性。为了解决这个问题，在9月10日至11月9日期间测试了七个不同的播种日期，分别针对SC-R、SC-P和IC-RP。对于IC-RP，评估了同时播种和分阶段播种两种方法：(i) 保持油菜的传统播种日期（9月10日），同时将豌豆的播种日期推迟到六个之后的日期；(ii) 保持豌豆的典型播种日期（11月9日），同时改变油菜的播种日期到六个更早的日期。对于所有种植系统，假设同时收获，即在两种作物成熟时进行收获，这符合STICS模型的设定。在灌溉情景下，使用了STICS的自动灌溉选项。每当作物水分胁迫阈值（swfac < 0.80）被超过时，就会进行灌溉。在IC（间作）中，一旦两种作物中有一种超过这一阈值，就会触发灌溉。每日灌溉量在两个固定阈值之间：最低为0.5毫米，最高为10毫米，模拟了 sprinkler系统的灌溉效果，效率为0.8（Altés等人，2023年）。初始土壤含水量设定为每个实验中测量得到的平均播种前值，对应于雨养条件下为107毫米，在灌溉条件下为134毫米，深度为0-60厘米。没有施用氮肥。播种前的土壤硝酸盐含量设定为一个非限制水平（100公斤氮/公顷），这在这些土壤气候条件下是常见的，因为有报告指出氮肥施用对产量没有显著影响（Blanc等人，2024a；Simon-Miquel等人，2024年）。结合矿化作用，这应该减少了与氮素有效性相关的结果变异性，从而可以更清楚地评估气候和水分可用性的影响。在20年的模拟中，每年都使用了相同的初始值。每个年份都是独立模拟的。

2.4. 用于评估间作表现的指标
为了比较IC与各自单作作物的生产力，采用了两个指标。土地当量比（LER）量化了实现相同产量所需的相对土地面积（Mead和Willy，1980年）。其计算公式如下（公式5）：
其中LER IC-AB表示作物A和B的间作的总LER。作物A和B的部分LER分别称为LER IC-AB和LER IC-AB。Yield IC-AB和Yield IC-AB分别代表作物A和B间作时的产量。Yield SC-A和SC-B表示作物A和B作为单作时的产量。LER > 1表示间作比各自的单作更高效。还确定了超产指数（TOI），通过计算总间作产量与最高产作物产量SC的比值（公式6）（Yu，2016年）：
(5) TOI = (Yield IC-AB + Yield IC-B) / Max(Yield SC-A, Yield SC-B)
(6) LER IC-AB = LER AB + LER BA = (Yield IC-AB / Yield SC-A) + (Yield IC-AB / Yield SC-B)
TOI > 1表示具有超产效应。TOI和LER分别针对谷物产量、地上生物量和生物量氮进行了计算，分别表示为TOIY、TOIBM、TOIN和LERY、LERBM、LERN。从模型输出计算出的指标与观测值进行了比较。观测指标的变异性反映了每个处理三次重复实验的平均值。对于情景分析，来自20年模拟的年度数据被视为独立观测值（n = 20），因为每年都是独立模拟的。这允许根据长期模拟的标准实践计算置信区间（Kollas等人，2015年）。平均值和95%置信区间是基于TOI、LER和部分LER各自的方差和样本大小，假设学生t分布计算的。这些区间与参考值进行了比较：LER和TOI的参考值为1，部分LER的参考值为0.5。当参考值超出置信区间时，认为差异显著。

3. 结果
3.1. 模型的校准
四种作物的校准参数在表S2中定义，其值在表S3中呈现。小麦所需的步骤最少，校准时间最短，调整了22个参数；其次是油菜（32个），豌豆（37个）和蚕豆（41个）。总共校准了35个与作物相关的参数和21个与品种相关的参数（表S3）。大多数参数（75%）使用STICS的优化工具进行校准，15%通过试错法调整，其余的基于观测值设定。保留了矩形冠层形状，因为它为每种作物都提供了最好的结果。模型在关键变量（LAI、生物量、生物量氮和谷物产量）上显示出总体令人满意的准确性，但在生物量和生物量氮方面，油菜的表现较差；在LAI方面，豌豆的表现也较差（图1）。模型对作物高度的捕捉不够准确（图1）。谷物氮浓度预测得较好（rRMSE < 15%），除了蚕豆（rRMSE = 35%）（图S2）。土壤含水量模拟得合理（rRMSE = 18-33%），除了油菜（rRMSE = 43%），Ndfa的偏差在可接受范围内（-2至+13公斤氮/公顷）（图S2）。

3.2. 间作模型性能的评估
模型评估基于LAI和作物高度作为光截获的指标，以及生物量、生物量氮、Ndfa和谷物产量作为生产力的指标。尽管faPAR没有经过实证测量，但它被视为一个关键的模型变量，以理解作物间的光共享情况。模型模拟了氮肥施用对变量的影响很小（例如，在+N条件下，谷物产量增加了0.30吨/公顷，而在0氮条件下没有增加），这与田间观察结果一致（Blanc等人，2024a）。因此，下文将呈现两种氮处理下的平均平均值。

3.2.1. 油菜-豌豆间作的模拟
模型成功再现了IC-RP中作物优势随年份变化的情况，通过LAI动态可以看出：2021年和2023年油菜占据优势，但在2022年由于播种较晚且缺乏早期灌溉，有利于豌豆的生长，因此油菜的优势减弱（图2a，Blanc等人，2024a）。然而，2022年豌豆的LAI被低估，导致模型准确性不一致（表2）。作物高度模拟得较好，油菜始终高于豌豆（图2c）。地上生物量模拟准确，除了2022年模型高估了油菜的地上生物量，导致豌豆的地上生物量被低估（图2d）。模型捕捉到了作物在生物量中氮吸收优势的变化，尽管并不总是与观测值一致（图2e，表2）。油菜在季节初期表现出较高的氮吸收率（NNI）（1.3，从10月到2月），然后在3月至5月豌豆的NNI增加时下降到0.5）。在IC-RP中，两种作物的NNI都略高于SC-R（2021年和2023年油菜高4%，2022年和2023年豌豆高5%；数据未显示）。IC-RP中Ndfa的模拟较差（MB = -44公斤氮/公顷，图2e，表2），在开花时突然停止，而在SC-P中则模拟准确（MB = -2公斤氮/公顷，图S2）。两种作物的谷物产量模拟得可接受（rRMSE ≤ 32%，图2f）。平均而言，使用模拟数据计算的LERY（1.05）低于观测值（1.23），这是由于油菜的部分LERY被低估，而豌豆的LERY与观测值一致（图3）。

3.2.2. 小麦-豌豆间作的模拟
在IC-WP中，模型准确模拟了小麦的LAI和高度，但通常低估了豌豆的这些变量（图2a，2c，表2）。小麦始终被模拟为比豌豆高，并且在整个季节中截获了更多的辐射，其最大截获发生在较早的时间（图2b）。两种作物的地上生物量都模拟准确（图2d）。然而，小麦吸收的氮被低估（MB = -33公斤氮/公顷），而豌豆的氮吸收被高估（MB = +30公斤氮/公顷，图2e，表2）。豌豆的Ndfa略微被低估（MB = -22公斤氮/公顷），在开花时突然停止。模型捕捉到了作物在生物量中氮吸收优势的变化，尽管并不总是与观测值一致（图2e，表2）。油菜在季节初期的NNI较高（1.3，从10月到2月），然后在3月至5月豌豆的NNI增加时下降到0.5）。在IC-RP中，两种作物的NNI都略高于SC-R（2021年和2023年油菜高4%，2022年和2023年豌豆高5%；数据未显示）。IC-RP中Ndfa的模拟较差（MB = -44公斤氮/公顷，图2e，表2），在开花时突然停止，而在SC-P中模拟准确（MB = -2公斤氮/公顷，图S2）。两种作物的谷物产量模拟得可接受（rRMSE ≤ 32%，图2f）。平均而言，使用模拟数据计算的LERY（1.05）低于观测值（1.23），这是由于油菜的部分LERY被低估，而豌豆的LERY与观测值一致（图3）。

3.2.3. 小麦-蚕豆间作的模拟
在IC-WF中，模型准确模拟了蚕豆的LAI迅速增加，而小麦的LAI保持在较低水平，且低于蚕豆的一半（图2a）。最初模型模拟小麦较高，但一旦蚕豆超过它，小麦的faPAR急剧下降，其高度停滞在其潜在最大值以下（87厘米对比103厘米，图2b，图2c）。小麦的地上生物量模拟准确（MB = -0.2吨/公顷），但蚕豆的地上生物量被高估（MB = +1.6吨/公顷），特别是在2022年超过了小麦（图2d）。IC-WF中生物量氮和Ndfa都被大幅度高估（MB = +120和+78公斤氮/公顷，分别，图2e），而在SC-F中Ndfa与观测值一致（MB = +13公斤氮/公顷，图S2）。IC-WF和SC-F中的fixmaxvar分别为1.78和2.43公斤氮/公顷·天。在IC-WF中，小麦的生长率几乎没有减少，而在SC-F中为10克/平方米·天（图2b，图2c）。小麦的NNI在12月到2月中旬达到峰值（1.6），然后急剧下降（0.5），而豌豆的NNI在3月至5月增加（1.1）。两种作物的谷物产量都被高估，尤其是蚕豆（MB = +2.3和+0.7吨/公顷，图2f），导致模拟的总LERY过高：1.38对比观测值0.88（图3）。

3.3. 地中海条件下高水分和低水分条件下间作的模拟
3.3.1. 播种日期和水分可用性对油菜-豌豆间作的影响
与传统的播种日期（11月9日）相比，提前播种SC-P导致产量损失，从-15%（10月30日播种）到-95%（9月10日播种），因为开花时的霜冻损害增加，大大降低了20年的平均产量（图4a）。在其最佳播种日期，豌豆 alcanzó最高的生产力，平均为2.6±1.2吨/公顷（雨养条件）和3.2±1.6吨/公顷（灌溉条件，20年平均）。对于油菜，延迟播种导致产量损失，从-9%（9月20日）到-36%（9月10日），与其最佳播种日期相比。在测试的各种配置中， relay sowing 方案（即豌豆在最佳播种日期播种，油菜在较早日期播种）获得了最高的整体产量，因此成为后续研究的重点。从2000年到2020年，在靠雨水灌溉的条件下，稍微延长作物之间的播种间隔可以提高产量，但从未出现过产量过剩的情况，对Land Equivalent Ratio (LER) 的影响也有限（图4b）。在灌溉条件下，播种日期的影响更为显著：当两种作物都在传统播种日期播种时，获得了最高的LER（1.26）和产量过剩（Transgressive Overyielding Index, TOIY = 1.06）（图4a, 4b）。因此，这种具有最长播种延迟时间（2个月）的配置被选为两种灌溉制度下进一步分析的对象。

下载：下载高分辨率图片（397KB）
下载：下载全尺寸图片

图4. 2000–2020年间，单一作物（SC）豌豆（SC-P）、油菜（SC-R）以及间作油菜-豌豆（IC-RP）在靠雨水灌溉（a）和灌溉（c）条件下的平均模拟产量。图中还显示了播种日期对IC-RP的总体Land Equivalent Ratio (LER) 的影响（b）和部分Land Equivalent Ratio (LERBM)（d）。在IC-RP中，只有油菜的播种日期发生变化，豌豆始终在11月9日播种。图中的水平线表示最高产量的单一作物的产量，而垂直线表示1和0.5的数值。对于每个播种日期，对应的Transgressive Overyielding Index (TOI) 和LER都显示在其对应的列上方，*表示在α = 0.05的显著性水平下与1有显著差异。误差条表示标准误差。

关于生物量和生物量中的氮（N），与单一作物相比，间作组合（IC-RP）在灌溉条件下的表现更差（图5a, 5c, 表3），主要是由于豌豆的贡献减少：部分LERBM为0.27，部分LERN为0.40。在靠雨水灌溉的条件下，豌豆的氮含量从SC-P的7%下降到IC-RP的4%（图5d）；在灌溉条件下，氮胁迫（inns范围为0–1）在IC-RP中比SC-P更高（分别为0.71 vs 0.84和0.61 vs 0.78，表4）。灌溉条件下的LERN显著降低（0.95 vs 1.24，靠雨水灌溉时）。在靠雨水灌溉的条件下，间作组合中的水分胁迫比单一作物更大（表4）。

下载：下载高分辨率图片（349KB）
下载：下载全尺寸图片

图5. 模拟的地上生物量（a）、谷物产量（b）、地上生物量氮含量（c）以及来自大气的氮（Ndfa，以每列百分比表示，d）在生理成熟期，分别对于单一作物（SC）和间作组合（IC）在靠雨水灌溉和灌溉条件下。箱形图表示2000–2020年期间年度模拟结果的分布（n = 20年）。F：蚕豆，P：豌豆，R：油菜，W：小麦。所有种植系统中，F、P、W的播种日期均为11月9日，R的播种日期为9月10日。箱子表示的四分位数范围，箱内的水平线表示中位数，须状线表示四分位距范围内最极端的数据点，异常点表示超出该范围的数值。

表3. 2000–2020年期间每种间作（IC）系统的平均模拟Land Equivalent Ratio (LER) 和Transgressive overyielding index (TOI) 值。F：蚕豆，P：豌豆，R：油菜，W：小麦。

表4. 2000–2020年期间，每种作物作为单一作物（SC）和间作（IC）在靠雨水灌溉和灌溉条件下的平均水分和氮胁迫水平。下标表示与所展示作物相关的间作类型，例如IC-RP表示油菜与豌豆的间作，IC-RP表示豌豆与油菜的间作。

3.3. 水分可用性对大豆-豌豆间作的效应
在20年的历史数据中，无论水分可用性如何，间作组合（IC-WP）的LERBM和LER均显著高于1，小麦土地利用效率的提高抵消了豌豆产量的减少（图5a-b，表3）。靠雨水灌溉条件下的平均谷物产量分别为小麦4.6 ± 0.9吨/公顷，豌豆1.0 ± 0.4吨/公顷，略低于灌溉条件下的产量（分别为5.1 ± 1.1吨/公顷和1.3 ± 1.1吨/公顷）。在两种情况下，间作组合的生物量都出现了产量过剩（TOIBM > 1），而谷物产量保持稳定（TOIY ≈ 1），生物量氮含量减少（TOIN < 1，表3）。与单一作物相比，间作组合中的豌豆氮含量大约减半（图5d）。在靠雨水灌溉的条件下，间作组合中的氮胁迫略低于单一作物（氮胁迫分别为0.86 vs 0.84和0.67 vs 0.62）。相反，在灌溉条件下，间作组合中的豌豆生物量氮显著减少（部分LER < 0.5，表3），同时氮胁迫增加（表4）。平均每年通过自动灌溉系统向IC-WP供应182毫米的水分。

3.3. 水分可用性对大豆-蚕豆间作的效应
在IC-WF条件下，蚕豆的土地利用效率有所提高，而小麦的利用率保持不变，导致两种作物的LER均大于1（表3）。在靠雨水灌溉的条件下，间作组合的总产量为4.9吨/公顷，其中小麦的贡献更大（2.8 ± 0.5吨/公顷），而蚕豆的贡献较小（2.1 ± 1.4吨/公顷）。在灌溉条件下，总产量增加到7.9吨/公顷，蚕豆的表现优于小麦（4.1 ± 0.9吨/公顷），这是三种间作组合中唯一出现显著产量过剩的情况（TOIY = 1.26，表3）。同样，在灌溉条件下也仅发现地上生物量的产量过剩（表3）。在两种情况下，蚕豆的生物量氮含量都有所增加（平均LERN = 0.67），而小麦仅在灌溉条件下表现出增加（LERN = 0.70 vs 0.53，靠雨水灌溉时为0.53）。在靠雨水灌溉的条件下，间作加剧了小麦的水分胁迫（-0.11），但减少了蚕豆的水分胁迫（+0.06），而在灌溉条件下则没有变化。平均每年通过自动灌溉系统向IC-WF供应44毫米的水分。

4. 讨论
4.1. 地中海条件下的油菜-豌豆间作建模
本研究首次模拟了油菜-豌豆间作，这种间作被认为是机械化大面积农业的一种有前景的替代方案（Dowling等，2021年），包括在地中海气候条件下（Fletcher等，2016年）。STICS模型成功捕捉了各年份物种优势的变化，准确地模拟了关键的变量，如叶面积指数（LAI）、作物高度、氮吸收量和谷物产量。在播种条件最佳的年份（2021年、2023年），模型的准确性更高，此时灌溉确保了作物均匀出苗（Blanc等，2024a）。这些年份间作组合（IC-RP）生产力的提高得到了很好的模拟，可能是由于播种时的土壤有机质（SNC）较高，有利于油菜早期吸收氮（Andersen等，2004年；Bremer等，2024年），模拟显示IC-RP的氮利用率（NNI）提高了4%。

我们的模拟表明，间隔2个月播种可以提高油菜的产量，这可能是通过减少豆科植物的早期竞争并保持主要作物的优势来实现的，这是已知的中间作机制（Gardarin等，2022年）。在FLORSYS模型中模拟了油菜与紫花苜蓿间作的类似动态（Colbach等，2014年）。此外，较早的播种可以延长资源吸收期，从而增加中间作的收益（Raza等，2019年）。相反，同时播种会降低产量，正如在向日葵-豆科植物系统中观察到的那样（Kandel等，1997年）。保持作物在最佳播种日期播种可以避免额外的非生物胁迫，如霜冻、干旱或高温。与单一作物油菜相比，IC-RP中2个月的播种延迟不会改变整体种植周期，因此这种做法可以很容易地纳入油菜种植者的轮作计划中。然而，对于仅种植单一作物豌豆的农民来说，采用IC-RP将限制夏季谷物作物的种植可能性，可能需要重新设计轮作方案。

间作的生产力增益在灌溉条件下更为显著，只有在豌豆播种延迟2个月的情况下才观察到产量过剩（TOI = 1.06，但不具有统计学意义）。这与实验数据一致（TOI = 1.09，n.s.，Blanc等，2024a），并证实了油料作物-豆科植物间作的收益随水分可用性的增加而增加，这在澳大利亚不同降雨区的油菜-豌豆和油菜-蚕豆间作中也有报道（Stott等，2023年），以及在阿根廷的灌溉与靠雨水灌溉的向日葵-大豆间作中也有类似情况（Andrade等，2012年）。更大的水分可用性可能减少两种作物对水分的竞争，从而允许更深入的利用，从而减少水分胁迫。这解释了模型中IC-RP用水量较少的原因，其用水量比相应单一作物平均减少了48毫米。在靠雨水灌溉的条件下，所有中间作配置的LER都超过1，其中较早的油菜播种有利于油菜，较晚的播种有利于豌豆。同样，在向日葵-大豆间作系统中，播种延迟改变了作物比例，但不会影响总产量（Andrade等，2012年）。然而，在我们的模拟中并未出现产量过剩现象，可能是因为间作中水分竞争加剧。模型未能完全再现谷物-豆科作物间作中观察到的氮动态现象：在这种种植模式下，土壤中氮的竞争加剧，从而增强了豆科植物的固氮能力，使得豆科与禾本科作物混合种植（IC-WP）相对于单独种植禾本科作物（SC-W）能够保留更多的可利用土壤氮（SNC），进而提高了谷物的部分光能利用效率（LERY）（Jensen等人，2020年）。正如本实验中IC-WP组所观察到的（Blanc等人，2024a年）。然而，IC-WP组的谷物产量模拟较为准确，而小麦组的产量则被高估了，这表明模型可能低估了作物间的竞争作用——这一现象在FASSET模型模拟的小豆-大麦间作中也有所体现（Berntsen等人，2004年）。这些作者指出了精确模拟叶面积指数（LAI）对准确反映作物间竞争的重要性。在本研究中，2022年和2023年的LAI差异显著，因为这两个年份的降水量比2021年少，这可能进一步解释了这些年模型模拟效果较差的原因（Githui等人，2023年）。在半干旱环境中，模型对LAI的误差会带来更严重的影响，因为这种误差会导致蒸发传输量（ETc）被低估，尤其是在蒸发需求较高的情况下（Webber等人，2025年）。此外，与添加型种植模式相比，替代型种植模式下作物受水分胁迫的影响较小，从而导致光能利用效率（LERY）提高（Kwenda等人，2025年）。本研究采用的宽行替代种植模式（38厘米）可能进一步减轻了水分胁迫的影响，使得IC-WP组的灌溉量比单独种植小麦组减少了49毫米。先前在温带气候下针对豌豆-大麦间作的STICS研究表明，这种模式能更准确地预测氮素需求（Ndfa）、产量和光能利用效率（LERY）（Corre-Hellou等人，2009年；Launay等人，2009年），这可能是因为该模型对豌豆的光截获能力估计较高，从而加剧了作物间的竞争（Corre-Hellou等人，2009年；Launay等人，2009年）。此外，FASSET模型在模拟地中海气候下的耐旱小麦-鹰嘴豆间作时也取得了更准确的预测结果（Kherif等人，2022年），这可能是由于该模型对SC和IC的校准较为独立。然而，之后使用IC数据对初始基于SC的校准进行微调并不能防止产量被高估（rRMSE = 49%），正如在半干旱环境下的高粱-豇豆间作研究中所报告的（Traoré等人，2022年）。20年的模拟结果显示，无论是在雨养条件下还是灌溉条件下，间作作物的LERY都有所提高（1.20），但这可能过于乐观，因为实际观察到的小麦部分LERY仅为0.82（相比之下，温带气候下的值为0.48–0.75（Bedoussac和Justes，2011年）；地中海气候下的值为0.62–0.72（Blanc等人，2024a））。这可能反映了模型对两种作物水分胁迫的减轻，这种情况在地中海环境中较为常见（Webber等人，2025年）。

4.3 小麦-蚕豆间作建模
IC-WF组中蚕豆产量的高估与模型对作物冠层高度的高估有关。已有研究指出，在模拟IC-WF组作物高度时存在问题，这影响了使用APSIM模型的产量预测（Berghuijs等人，2020年），但LINTUL5模型没有这种情况（Demie等人，2025年）。在我们的研究中，模型未能捕捉到窄间距种植（IC组为38厘米，而某些SC组为75厘米）下蚕豆高度的降低，反而模拟出了所有情况下的最大潜在高度，这可能解释了LAI建模效果较差的原因。尽管蚕豆在与谷物间作时具有较强的竞争力（因其能快速吸收氮素、植株高大且LAI潜力高，Bedoussac，2009年；Blanc等人，2024a年；Kammoun等人，2021年；Monti等人，2019年），但模型放大了这一效应，尤其是在SNC和土壤含水量（SWC）较低的情况下（如2023年）。蚕豆的生物量氮和氮素需求（Ndfa）也被高估了，这可能是由于（i）模型未能模拟IC组与SC组之间作物生长差异，未能考虑小麦的竞争；以及（ii）LAI建模的差异导致水分利用量被低估（Webber等人，2025年），从而低估了水分胁迫。这种低估在IC-WF组尤为明显，该组仅接受了44毫米的灌溉量，比单独种植小麦组少了230毫米。在温带气候下进行的先前STICS研究表明，这种模式对氮素需求、产量和光能利用效率的预测更为准确（rRMSE分别为13–16%），这可能与模型对豌豆光截获能力的估计较高、竞争更激烈以及水分供应更充足有关（Corre-Hellou等人，2009年；Launay等人，2009年）。在评估数据集中，LERY被高估（实际为1.33，而模型预测为0.94）。唯一一项在地中海气候下使用STICS模拟间作的研究（即硬质小麦-鹰嘴豆）获得了更准确的产量（rRMSE = 13–16%）和LAI估计（rRMSE = 19–27%），这可能是因为对SC和IC组分别进行了独立的校准（Kherif等人，2022年）。然而，即使随后使用IC数据对初始基于SC的校准进行微调，也无法避免产量被高估的情况（rRMSE = 49%），正如在半干旱环境下的高粱-豇豆间作研究中所示（Traoré等人，2022年）。

4.4 间作建模的一般性考虑
间作建模仍然具有挑战性：尽管对单独种植的作物校准效果令人满意，但模拟间作作物的准确性却较低，其他水资源受限环境中的研究也证实了这一点（例如，在澳大利亚南部的APSIM模型中，Githui等人，2023年）。在STICS模型中，虽然豌豆（Corre-Hellou等人，2009年；Corre-Hellou等人，2007年；Launay等人，2009年）和硬质小麦（Kherif等人，2022年）之前已经过间作校准，但油菜和蚕豆尚未进行校准，这反映了较小作物（即模拟频率较低的作物）的建模准确性较低的趋势（Yin等人，2017年）。模型的不确定性可能源于其结构、输入数据和参数化设置（Van Oijen和Ewert，1999年）。STICS模型最初是为单一种植作物（SC）设计的（Brisson等人，1998年），需要针对每种作物进行大量参数调整（本研究中共调整了32个参数，范围为15–39个；Corre-Hellou等人，2009年；Kherif等人，2022年），这远远超出了作物建模者的平均参数数量（6个；Seidel等人，2018年），可能导致模型过拟合。STICS v 10.2版本还依赖一些简化假设，例如对光照共享（光照充足/阴暗区域）的处理以及对土壤层均匀性的假设（Beaudoin等人，2023年）。这些结构上的局限性可能限制了模型对水分和氮素竞争的模拟能力，从而降低了模型捕捉G × E × M效应的能力。STICS模型的持续开发，包括纳入根系和地上部分的生长可塑性，可能有助于解决这些问题（Vezy等人，2023年）。关于输入数据，大型农场试验地块的高度变异性较大（Blanc等人，2024a年），增加了建模难度，因为模型通常假设土壤均匀性（Van Oijen和Ewert，1999年）。使用多个品种可以为校准提供更广泛的生产力数据，从而提高模型的准确性；在本研究中，65%的参数是根据多个品种进行校准的，剩余的35%是根据单一品种进行校准的。豌豆和油菜在间作中的建模最为准确，使用了两个品种进行校准，而蚕豆尽管拥有最多样化的土壤气候数据集（四个试验地点），但在间作中的建模效果较差。值得一提的是，豌豆和油菜的校准工作相对较为充分（Brisson等人，2003年；Brisson等人，1998年；Coucheney等人，2015年），而蚕豆直到最近才被加入STICS模型（Falconnier等人，2019年）。此外，来自短期间作试验的雨养数据增加了评估的可靠性，从而提高了20年模拟的准确性。

STICS模型在本研究中的表现可能也反映了大多数作物建模者面临的校准困难（Seidel等人，2018年），它们在采用何种校准方法上尚无共识（Wallach等人，2021年）。优化工具可以提高模型的准确性，但有时会降低对参数的控制能力（例如，可能导致模型猜测极端或不现实的参数值），这可能是44%的建模者倾向于使用试错法的原因（Seidel等人，2018年）。在本研究中，采用结合优化工具（75%）和试错法（15%）的方法更为有效，有助于平衡各种因素。校准中的一个关键挑战是确定哪些参数需要估计（Wallach等人，2024年）。专为STICS开发的敏感性分析方法（Launay等人，2005年；Ruget等人，2002年）可以为这些选择提供指导。然而，最近基于多个作物模型的研究提出了一种改进的参数化顺序，可能会进一步提高模型的准确性。传统的STICS方法——使用SC数据校准IC数据（Launay等人，2009年；Vezy等人，2023年）——可能存在问题，因为STICS模型最初是为单一种植作物设计的，难以捕捉到间作情况下的复杂性，特别是当一种植物被另一株较高的植物遮蔽时的生长情况。直接将IC数据整合到校准过程中（Kwenda等人，2025年；Traoré等人，2022年）可能是提高STICS间作建模效果的另一种有价值的途径。为了进一步提高模型的准确性，可以对SC和IC分别进行单独校准（Kherif等人，2022年），以更好地反映实际观察到的生长可塑性，例如IC组中作物的高度较低。例如，后者的研究减少了IC组与SC组相比的叶绿素指数日增长量，并调整了根系生长参数，这有助于模拟作物间的竞争。此外，这种方法还可以减少需要校准的参数数量，降低过拟合的风险。

5. 结论
使用STICS模型进行间作建模仍然具有挑战性。虽然该模型符合一般的间作原理，但其准确性取决于作物组合和考虑的变量。该模型能够准确模拟油菜-豌豆间作情况，这可能是因为两种作物的高度差异显著，且模拟结果与实际观察到的产量相符，尽管模型倾向于低估了光能利用效率（LERY）。模拟结果表明，延迟豌豆播种时间（最多两个月）有利于这种间作模式，因为油菜不受晚播豌豆的影响。根据模型预测，即使在水分充足的地中海气候条件下（总光合利用指数TOI = 1.06；光能转换效率LER = 1.26），这种间作模式也能提高土地利用效率；即使在雨养条件下（TOI = 0.86，与实际值相近；LER = 1.11），也是一种有前景的选项。相比之下，对于高度相似的作物间作，STICS模型往往低估了作物间的竞争，并高估了某一作物的光截获能力和产量。因此，无论在何种水分条件下，模型预测的土地利用效率提高以及豆科作物间作的超产情况都不能被完全相信。当豆科作物在混合种植中的固氮能力较弱时（如豌豆），准确模拟氮素固定过程尤其具有挑战性，模型对豌豆的固氮率估计过低。针对半干旱环境，STICS模型可能需要进一步优化参数设置。例如，可以（i）在参数出现极端值时结合优化工具和试错法；（ii）在校准过程中纳入间作数据；（iii）使用多个品种对作物进行校准。

关于作者贡献声明：
Genís Simon-Miquel：负责撰写、审稿与编辑、方法学研究、概念构建。
Jorge Lampurlanés：负责撰写、审稿与编辑、项目监督、方法学研究、资金获取、概念构建。
Louise Blanc：负责撰写初稿、数据可视化、方法学研究、数据分析、概念构建。
Daniel Plaza-Bonilla：负责撰写、审稿与编辑、验证结果、项目监督、方法学研究、资金获取、概念构建。