-
摘要: 华北地区是我国冬小麦和夏玉米主产区, 过去40多年间, 随着大水漫灌和过量施肥等现象发生, 该地区农田氮淋失呈现加重趋势, 已经对地下水水质产生了严重影响。为探明华北地区面源污染的成因, 进而提出相应阻控措施, 本研究收集了1980—2021年国内外发表的华北地区夏玉米氮淋失研究文献, 选取环境条件和农田管理措施作为自变量, 基于线性模型、指数模型、多项式模型和多元回归模型等对氮淋失量进行模拟预测。结果表明, 氮淋失与水分和肥料氮之间存在较大关联性, 与土壤全氮、有机质含量和黏粒含量呈正相关关系, 与秸秆还田、土层深度、土壤pH、砂粒含量呈现负相关关系。在单变量预测模型中, 氮淋失量与施氮量呈指数关系, 说明在华北地区夏玉米生产中应特别注重优化肥料用量。本研究所获得的多元逐步回归模型(Y总氮淋失量=−23.07+1.14X有机质含量+0.34X黏粒含量−0.13X砂粒含量+0.06X总施氮量+0.18X水分渗漏量, 拟合优度R2=0.414)优于指数模型、线性模型和多项式模型, 具有较好的定量预测效果。考虑到水分渗漏测定过程复杂及方程的可应用性低, 可以采用水分投入量替换水分渗漏量, 但预测精度会受到影响。改善土壤物理条件(如质地)、秸秆还田和优化氮肥和灌溉, 是今后华北地区夏玉米生产中降低氮淋失的关键措施。Abstract: North China has seen intensive flood irrigation and excessive nitrogen (N) fertilization over the past four decades as a main cereal crop-producing region in China. N leaching from farmland in this region has rapidly increased with agricultural intensification, and the non-point source pollution has become increasingly prominent. It is necessary to quantify the amount of N leaching during crop production systematically. Literature on N leaching loss from summer maize production in North China published from 1980–2021 was screened, and soil properties and agricultural management practices were chosen as independent variables to predict N leaching loss based on linear, exponential, polynomial, and multiple regression models. Soil properties included soil organic matter, total N, clay content, sand content, pH, and depth, and agricultural management practices included straw incorporation, N application, and soil water. The results showed that soil water and N fertilizer input significantly influenced N leaching loss. Soil organic matter, soil total N, and clay content positively correlated with the total N leaching amount, whereas straw incorporation, soil depth, pH, and sand content negatively correlated with the total N leaching amount. For the single-factor simulation model, the exponential equation was more appropriate for quantifying total N leaching loss with fertilizer N input than the linear equation, indicating the importance of optimizing fertilizer N in summer maize production in North China. It also indicated that the risk of excess N leaching from summer maize production in North China was relatively high after a certain threshold of fertilizer N input, and optimization of N fertilization should be adopted as an important practice. Unlike many previous studies that directly selected fertilizer N input for predicting N leaching loss, this study combined N (total N rate, N surplus) and water (water input, water balance, water percolation) in various combinations to obtain an optimal prediction combination. The combination of the total N rate and water percolation had the highest R2 (0.3413). The stepwise regression equation of Ytotal N leaching loss=−23.07+1.14Xsoil organic matter+0.34Xclay content−0.13Xsand content+0.06Xtotal N rate+0.18Xwater percolation (R2=0.414) was better than the prediction effects of exponential, linear, and polynomial models. The standardized regression coefficients of the predictive variables were 0.18, 0.11, 0.07, 0.23, and 0.31 for soil organic matter, clay content, sand content, total N rate, and water percolation, respectively, which showed that water percolation was the most important, followed by total N rate and soil organic matter. Considering the complexity of the water percolation calculation process, the water input can be used to replace water percolation in the equation, that is, Ytotal N leaching loss=−18.60+0.64Xsoil organic matter−10.27Xstraw incorporation−0.30Xsand content+0.13Xtotal N rate+0.04Xwater input; however, the prediction accuracy of the regression equation was affected. Future research on predicting N leaching loss in North China should focus on accurately quantifying water percolation. The quantitative model obtained in this study provides technical support for precise N management and effective pollution prevention in North China.
-
甘蔗(Saccharum officinarum L.)作为最具潜力的高产生物能源经济作物[1-2], 是制糖的重要原料, 其生长对光照、雨热需求较高, 导致全球甘蔗种植主要分布在坡度5%~30%、纬度30°N~30°S的地区[3]。中国是仅次于巴西和印度的世界第三大甘蔗生产国, 而广西则是中国甘蔗种植和产糖量第一大省[4-5]。水分供给是高耗水甘蔗正常生长的一个主要控制因子[3-6], 但广西历年降水季节分配不均, 蔗区多石山丘陵, 坡耕地居多, 岩溶发育及土层保水能力弱, 且全区甘蔗种植仍以雨养为主, 致使甘蔗饱受干旱灾害侵袭而产量损失巨大。南宁市是广西甘蔗的三大种植产区之一, 更是广西年降雨量最少的市区之一, 区域气象干旱灾害频发, 并具有多重时间尺度、旱涝并存及交替叠加的现象, 对甘蔗生长及产量累积等造成显著影响[7]。为此, 开展南宁市甘蔗生长过程、生物量及产量累积对各种气象干旱情景的响应机制研究, 在明晰广西甘蔗旱灾响应机理, 实现甘蔗旱灾风险调控及预警、田间精准智慧管理及制定有效的防灾减灾应对措施等方面具有重要科学意义。
近年来, 关于甘蔗干旱的研究主要是分析甘蔗干旱时空演变特征[8-9]、基于旱灾损失资料的风险评估[10-11]、水分亏缺胁迫及抗旱的生理生化性能指标响应、干旱对其形态特征的影响等方面[12-13], 而借助反映生长物理过程的作物模型开展甘蔗对各种干旱(水分亏缺胁迫)情景的响应机制研究则相对较少。作物模型基于系统科学思想, 综合气候、土壤、作物生理及田间管理等因素, 在揭示作物生长过程、生物量与产量累积对干旱的响应机制具有独特优势[14-15]。在众多作物模型中, 联合国粮农组织(FAO)于2009年推出的Aqua Crop作物生长模型[16-18]主要包括: 土壤水分平衡、作物生长模拟和大气组分等3个模块, 以水分为主控驱动因子, 适于甘蔗这种高耗水作物的生长模拟研究。Aqua Crop模型已被广泛应用于小麦(Triticum aestivum L.)、玉米(Zea mays L.)及水稻(Oryza sativa L.)等粮食作物的产量模拟及灌溉制度优化, 证实其具有良好的模拟精度和应用潜力[19-20]。此外, 针对广西气象干旱的季节性、骤发性并存及旱涝交替并发的特征[7,20-22], 文中选择只需要降水资料的标准化加权平均降水指数(standard weighted average precipitation, SWAP)[23-25]进行南宁市气象干旱事件及其发生发展过程的逐日精细化识别, 一方面可避免其他常用干旱指数因各气象要素资料不足或短缺而造成分析结果的不连续性; 另一方面, 可为结合作物模型实现甘蔗对气象干旱响应机制的业务化精确预警及旱灾风险智慧调控奠定科学与技术基础。
综上, 本文基于对南宁市1978—2018年逐日SWAP气象干旱时空特征统计分析, 确定该区域甘蔗各生育期实际可能发生的气象干旱情景, 在本地化Aqua Crop模型参数基础上, 实现甘蔗生长、生物量及产量累积对气象干旱的强度、历时及生育期敏感性等关键要素变化响应的精细化模拟。
1. 研究区域、数据与方法
1.1 研究区域
南宁市属亚热带季风湿润气候区, 有“桂中腹地” 之称, 地貌类型以盆地和山地丘陵为主, 周边区域岩溶发育(图1a), 全年气候温和, 日照充足, 能很好地满足甘蔗生长的热量和光照需求, 是广西三大甘蔗种植市区之一。全市降雨量充沛, 多年平均降水量达1304.2 mm[26-27], 但其时空分布不均, 加之下垫面为复杂地形地貌, 农业灌溉工程不足, 造成区域多年来气象干旱频发, 甘蔗干旱及旱灾损失巨大[10-11]。南宁市历年甘蔗种植面积相对稳定, 2018年为141 833 hm2, 占全区的16.0%。其空间分布呈总体分散、局部聚集的总体格局, 密集种植区主要有武鸣区、横县、宾阳县、邕宁区以及江南区等(图1b)。多年来, 南宁市甘蔗种植仍以雨养为主, 气象干旱造成的土壤水分亏缺一直是影响该区域甘蔗生长及其产量的一个主要因子。
![]()
图 1 南宁市数字高程模型(DEM, a)、甘蔗种植分布(2018年)及China Meteorological Forces Dataset (CMFD) 197个数据格点(b)Figure 1. Nanning Digital Elevation Model (DEM, a), sugarcane cultivation distribution (2018) and China Meteorological Forces Dataset (CMFD) 197 data grid points (b)1.2 研究数据
研究中涉及气象、土壤、作物、田间试验及管理等各类数据集。其中, 气象数据采用逐日尺度中国气象强迫数据集(China Meteorological Forces Dataset, CMFD), 是我国学者Jie等[28]开发的0.1°空间分辨率网格化数据, 包括1979—2018年逐日降雨量、最高气温、最低气温、平均气温、相对湿度、风速及太阳辐射量等; 其通过遥感产品、再分析数据集和原位站数据融合而成, 具有连续的时间覆盖和良好质量, 是目前应用最广泛的气候气象数据集之一(http://data.tpdc.ac.cn/en/data/8028b944-daaa-4511-8769-965612652c49/)。本研究中, 通过与地面气象站点数据对比分析, 发现CFMD日降雨、日气温与气象站数据相关性分别达0.80和0.98以上, 总体精度良好。文中采用的土壤数据, 主要是中国土壤数据库(http://vdb3.soil.csdb.cn/), 并以寒区旱区科学数据中心《基于世界土壤数据库的中国土壤数据集》作为参考; 具体通过Soil Water Characteristics计算获得的站点土壤水力参数; 根据Aqua Crop模型提供的作物信息库确定甘蔗生长模拟的作物参数, 并通过敏感性分析和率定参数实现本地化; 验证数据采用广西大学农学院农场的甘蔗全生育期田间试验观测数据; 田间管理数据按实际田间种植情况设置。
1.3 研究方法
1.3.1 标准化加权平均降雨指数(SWAP)
为描述区域旱涝的逐日变化, Lu[29]于2009年基于降水要素, 并概化考虑下垫面水分耗散的综合累积效应, 提出加权平均降水指数(Weighted Average Precipitation, WAP), 计算公式如下:
$$ {\rm{WAP}}=\left(\sum\nolimits _{n=0}^{N}{a}^{n}{P}_{n}\right)\bigg/\sum\nolimits _{n=0}^{N}{a}^{n} $$ (1) 式中: n=0代表当前日;
$ N $ 是当前日的前期影响天数;$ {P}_{n} $ 为前期第n日降水量;$ a $ 为表征前一日的降水对当前日下垫面湿润程度的贡献强度经验值参数, 论证时取0.9为适宜值, 此时$ N $ 取44 d。此后, Lu等[30]进一步针对WAP, 提出Gamma函数正态标准化的SWAP指数, 计算如下:$$ \frac{1}{\sqrt{2{\text{π} }}}{\int }_{-\infty }^{{\rm{SWAP}}}{\mathrm{e}}^{-{Z}^{2}/2}dz=\frac{1}{{\beta }^{\gamma }\Gamma \left(\gamma \right)}{\int }_{0}^{{\rm{WAP}}}{x}^{\gamma -1}{\mathrm{e}}^{-x/\,\beta }dx $$ (2) SWAP属于正态标准化变量, 具有与标准化降水指数(Standardized Precipitation Index, SPI)相同的强度等级划分标准, 即按正态分布曲线的数学拐点特征来划分干旱等级。但近年研究发现以出现概率(重现期)为标准来划分干旱等级更加科学合理, 并且与实际旱情更吻合。因此, 本文采用以出现概率为标准的干旱等级划分(表1)。
表 1 标准化的加权平均降水指数(SWAP)干旱强度等级表Table 1. Drought intensity gradation according to Standard Weighted Average Precipitation (SWAP)SWAP阈值范围 SWAP threshold range (−0.84, −0.52] (−1.28, −0.84] (−1.65, −1.28] (−∞, −1.65] 干旱等级
Drought grade轻旱
Light drought中旱
Moderate drought重旱
Severe drought特旱
Extreme drought出现概率
Probability of occurrence(0.2, 0.3] (0.1, 0.2] (0.05, 0.1] (0, 0.05] 基于上述等级划分阈值, 采用游程理论[25,31]识别并统计分析研究区的气象干旱事件特征(结果详见2.1节)。具体设定3个截断水平X0=−0.84、X1=−0.52和X2=0 (X表示SWAP干旱指数值), 识别步骤如下: 1)当一定时间尺度下(5 d及以上天数) SWAP指数值小于X1 (−0.52)时, 则初步判定该时间段发生干旱; 2)对于历时为1个时间段(5 d)的干旱, 若其干旱指数值大于X0, 则认为该时间段未发生干旱; 3)对于时间间隔仅为1 d的相邻2次干旱过程, 若间隔期的干旱指数小于X2, 则这2次干旱被视为从属干旱, 将其合并为1次干旱事件, 否则视为2次独立干旱过程。
1.3.2 Aqua Crop模型原理
根据FAO灌溉与排水第33号文件所述的作物产量和水分响应的转换关系如下[32]:
$$ \frac{{Y}_{x}-{Y}_{0}}{{Y}_{x}}={k}_{y}\times \frac{{{\rm{ET}}}_{x}-{{\rm{ET}}}_{0}}{{{\rm{ET}}}_{x}} $$ (3) 式中:
${Y}_{x}\mathrm{和}{Y}_{0}$ 分别为作物的潜在产量和实际产量, kg∙m−2;$ \mathrm{E}{\mathrm{T}}_{x}\mathrm{和}\mathrm{E}{\mathrm{T}}_{0} $ 分别为作物潜在蒸散量和实际蒸散量, mm;$ {k}_{y} $ 为产量对水分响应的系数。Aqua Crop模型对上述方程进行了改进, 将蒸散量进一步分为土壤蒸发量和作物蒸腾量两部分, 从而避免了非生产性用水(土壤蒸发)与生产性用水(作物蒸腾)效应的混淆; 最终的产量以生物量和收获指数来表示, 用以突出水分胁迫对二者各自的影响。改进后的公式如下:
$$ Y=B\times \mathrm{H}\mathrm{I} $$ (4) $$ B=\mathrm{W}\mathrm{P}\times \sum {T}_{\mathrm{r}} $$ (5) $$ Y={f}_{\mathrm{H}\mathrm{I}}\times \mathrm{H}{\mathrm{I}}_{0}\times B $$ (6) 式中: Y为最终作物产量(t∙hm−2); B为生物量(t∙hm−2); HI为收获指数; WP为生物量水分生产效率(kg∙m−2∙mm−1);
$ {T}_{{\rm{r}}} $ 为作物蒸腾量(mm);$ \mathrm{H}{\mathrm{I}}_{0} $ 是参考收获指数;$ {f}_{\mathrm{H}\mathrm{I}} $ 是调整系数, 用来反映各种胁迫(水分胁迫、温度胁迫等)对作物产量的影响。此外, 文中涉及甘蔗各要素受旱的减小量描述, 分别采用产量减少率、生物量减少率、作物总蒸腾减少率来表达, 公式如下:
$$ {Y}_{{\rm{w}}}=\frac{{Y}_{\mathrm{i}}-{Y}_{\mathrm{c}\mathrm{k}}}{{Y}_{\mathrm{c}\mathrm{k}}}\times 100{\text{%}} $$ (7) $$ {B}_{{\rm{w}}}=\frac{{B}_{\mathrm{i}}-{B}_{\mathrm{c}\mathrm{k}}}{{B}_{{\rm{ck}}}}\times 100{\text{%}} $$ (8) $$ {T}_{{\rm{rw}}}=\frac{{T}_{\mathrm{ri}}-{T}_{\mathrm{rc}\mathrm{k}}}{{T}_{\mathrm{rc}\mathrm{k}}}\times 100{\text{%}} $$ (9) 式中,
$ {Y}_{\mathrm{w}} $ 、$ {B}_{\mathrm{w}} $ 、${T}_{\mathrm{rw}}$ 分别表示甘蔗因干旱水分胁迫的减产率、生物量减少率、总蒸腾减少率,${Y}_{{\rm{i}}}$ 、${B}_{{\rm{i}}}$ 、${T}_{{\rm{ri}}}$ 分别表示干旱情景下的产量、生物量、作物总蒸腾量,${Y}_{{\rm{ck}}}$ 、${B}_{{\rm{ck}}}$ 、${T}_{{\rm{rck}}}$ 表示对照组2017年的对应要素。1.3.3 甘蔗干旱过程模拟数据库构建
Aqua Crop模型输入参数主要包括研究区的气象、土壤、作物生长及管理措施等4类信息。气象数据库包括降水量(P)、参考蒸散发量(ET0)、日最高/最低气温(Tmax/Tmin)和CO2浓度4类, ET0可通过FAO发布的ET0 Calculator求出。土壤数据库包括土层剖面水分和地下水两个模块, 土层剖面水分参数主要有田间持水量、永久凋萎点、饱和导水率及饱和渗透系数等, 地下水参数主要有地下水位和盐度等; 具体采用模型中的Soil Water Characteristics工具计算土层剖面水分参数, 地下水参数影响较小, 按默认值处理。作物数据库包括植物冠层、植物根系、植物蒸腾、产量、水分、盐分、肥力及温度胁迫等模块, 且每个模块均包括多个参数。本研究针对甘蔗作物生长特征, 综合参考Bahmani等[33]、Zu等[34]、阮红燕[35]学者对不同地区甘蔗作物对水分亏缺响应、潜在生产力及气候变化影响研究中所采用的作物参数值, 形成本文中的甘蔗作物参数库, 进而通过广西大学农学院农场开展的甘蔗田间试验观测数据(表2)进行作物参数敏感性分析及率定验证, 实现Aqua Crop模型模拟参数的本地化。管理数据库包括灌溉管理和田间管理两个模块, 灌溉管理有灌溉方式、灌溉时间及灌溉量等, 田间管理有施肥水平、覆盖程度及田间地表措施等。具体按表2中的田间试验的管理措施进行设置。
表 2 率定Aqua Crop模型所用试验数据来源Table 2. Sources of experimental data for calibration of Aqua Crop model序号
Serial number试验地点
Experimental site播种时间(年-月-日)
Sowing time (year-month-day)收获日期(年-月-日)
Harvest date (year-month-day)作用
Effect来源
Source1 南宁, 广西大学农学院农场
Farm, College of Agriculture, Guangxi University, Nanning2015-03-02 2015-12-28 率定
Calibration[35] 2 南宁, 广西大学农学院农场
Farm, College of Agriculture, Guangxi University, Nanning2016-03-08 2017-01-06 验证
Verification[35] 本研究主要输出南宁市甘蔗生长过程中的冠层覆盖度(canopy cover, CC)、作物蒸腾(crop transpiration, Tr)、生物量(biomass production, B)及甘蔗产量(cane yield, Y)等4个要素。
2. 南宁气象干旱特征及甘蔗生育期干旱情景设置
2.1 南宁市气象干旱统计特征
基于南宁市甘蔗生育期时段划分(3月10日—12月25日, 共291 d, 详见表3), 采用游程理论[25,31]识别并统计了该市1980—2018年(197个格点)逐日SWAP序列表达的气象干旱; 然后根据Matlab程序计算出干旱事件的干旱强度、干旱次数和干旱频次。甘蔗全生育期时段内干旱累积历时、平均强度和平均频次空间分布如图2a-c所示, 甘蔗各生育期的历年干旱累积历时和强度变化特征如图2d-e所示。图2a表明, 南宁市干旱历时空间分布不均匀, 但总体主要在90 d∙a−1以上, 尤其在市区北部及横县区域达105~120 d∙a−1, 即南宁市平均每年约有近1/3的时段为干旱天数。图2b显示, 南宁市所发生的气象干旱事件强度总体呈中部高南北局部低的空间分布格局, 大部分区域的干旱强度等级为中旱和重旱。由图2c可知, 南宁市气象干旱事件发生的频次呈中北部及横县区域高(2~3 次∙a−1), 其他局部区域相对较低(1~2 次∙a−1, 如市区南部、宾阳县局部等)的分布格局。综上可知, 南宁市基本每年都有气象干旱事件发生, 且强度以中旱和重旱为主, 年度累计干旱历时天数常在90 d以上。由图2d、e可知, 近40年来, 南宁市气象干旱发生在甘蔗各生育期的历时和强度差异显著, 总体上, 成熟期>茎伸长期>萌芽期>分蘖期。其中, 萌芽期历年发生的气象干旱历时变化范围主要为5~40 d、强度变化范围为0~−70; 茎伸长期分别为5~40 d、0~−80; 成熟期分别为5~50 d、0~−70; 而分蘖期时段短(40 d)且为历年雨季, 基本不发生气象干旱。南宁市甘蔗全生育期历年发生的气象干旱总历时与累积强度范围分别为10~120 d和0~−152, 大部分年份干旱天数超过60 d; 但目前关于气象干旱对南宁市以雨养为主的甘蔗生长造成的定量影响研究成果相对不足, 因此, 要制定有效的甘蔗旱灾综合防范方案, 对应的甘蔗生长过程响应机制的定量解决亟待澄清。
表 3 甘蔗各生育期历时和干旱模拟情景设置Table 3. Duration and scenario setting of different drought grades of different sugarcane growth stages生育期
Growth stage日期时段
Date period历期
Duration (d)干旱历时 Drought duration (d) 轻旱
Light drought中旱
Moderate drought重旱
Severe drought特旱
Extreme drought萌芽期
Sprouting03-10—05-09 61 5~40 15~45 — — 分蘖期
Tilling05-10—06-18 40 — — — — 茎伸长期
Stem elongation06-19—11-05 140 5~40 15~45 30~50 — 成熟期
Maturity11-06—12-25 50 5~40 15~45 30~50 — ![]()
图 2 1980—2018年南宁市气象干旱历时(a)、强度(b)和频次(c)的空间分布及历时(d)和强度(e)的年际变化Figure 2. Spatial distribution of meteorological drought duration (a), intensity (b) and frequency (c), and intrannual variations of meteorological drought duration (d) and intensity (e) in Nanning from 1980 to 20182.2 甘蔗生育期气象干旱情景设置
根据南宁甘蔗种植及生长成熟实际情况, 将3月10日—12月25日(共291 d)确定为全生育期时段, 各生育期按表3的时间进行划分。为了更好地揭示不同历时和强度气象干旱情景下, 南宁市甘蔗的长势、生物量及产量累积响应机制, 结合2.1节的分析结果, 将历年甘蔗气象干旱的可能情景设置如表3所示, 干旱历时变化步长设定为5 d, 历年没有发生的气象干旱情景则不进行模拟分析。
3. Aqua Crop模型参数化及南宁市甘蔗的历史干旱响应模拟
3.1 Aqua Crop模型参数敏感性分析
以南宁市甘蔗种植的主要品种‘新台糖16号’进行模型主要敏感参数的分析及本地化率定。采用扩展傅里叶幅度检验法(EFAST)对Aqua Crop模型的13个主要参数(表4)进行全局敏感性分析[32-36], 以便实现模型参数的快速本地化。分析中, 各参数的变化范围设置为参考值的上下限加减30%, 参数采样方法为蒙特卡罗法, 采样次数3965次。模拟分析了南宁广西大学农场试验站(表2) 2015年甘蔗的生物量与产量响应各参数的敏感性。最终得到各参数的一阶敏感性指数(sensitivity index, Si)和全局敏感性指数(total order sensitivity index, STi) (图3), 前者表示参数对模型输出的直接影响, 后者则表示参数对模型输出直接和间接影响的加和。参考Dejonge等[37]对全球农业生态系统的敏感性阈值, 将Si>0.05、STi>0.1的参数视为较敏感参数。上述分析过程主要通过Simlab (V2.2)和Python工具实现。
表 4 Aqua Crop模型进行敏感性分析的参数及其取值范围Table 4. Parameters and ranges of Aqua Crop model involved in sensitivity analysis项目
Item限制冠层扩张的
土壤水分消耗上限
Upper limit of soil
water consumption limiting canopy expansion限制冠层扩张的
土壤水分消耗下限
Lower limit of soil water consumption limiting canopy expansion限制气孔导度的
土壤水分消耗上限
Upper limit of soil water consumption limiting stomatal conductance引起冠层早衰的
土壤水分消耗上限
Upper limit of soil water consumption causing premature
canopy senescence冠层完整即将衰
老时的作物系数
Crop coefficient
when canopy is
intact and about
to senesce最大有效根深
Maximum effective root depth (m)冠层增长系数
Canopy growth coefficient序号
Number1 2 3 4 5 6 7 上限
Upper limit0.156 0.845 0.468 0.572 1.43 0.39 0.056 下限
Lower limit0.084 0.455 0.252 0.308 0.77 0.21 0.030 项目
Item最大冠层覆盖度
Maximum canopy
coverage (%)从播种到最大根深的时长
Time from sowing to maximum root depth (d)作物衰老的时间
Time from sowing to senescence (d)冠层衰减系数
Canopy attenuation
coefficientET0和CO2为标准规范化
的水分生产效率
Standardized water productivity with ET0 and CO2 (g∙m−2)参考收获指数
Reference harvest index (%)序号
Number8 9 10 11 12 13 上限
Upper limit1.248 215.8 345.8 0.070 390 239.2 下限
Lower limit0.672 116.2 186.2 0.035 21 128.8 ![]()
图 3 Aqua Crop模型主要参数对甘蔗产量和生物量的敏感性判别各参数具体见表4。Si: 一阶敏感性指数; STi: 全局敏感性指数。Figure 3. Parameters sensitivities to sugarcane yield and biomass by Aqua Crop modelThe name of each parameter is shown in the table 4. Si: sensitivity index; STi: total order sensitivity index.由图3可知, Aqua Crop模型中的1~4、6、7、9及11号(表4)参数敏感性均较弱, 其数值变化对甘蔗产量和生物量没有显著影响。而5、10及12号参数的Si和STi值均显著高于敏感性指数判别阈值, 其数值变化对甘蔗产量和生物量均具有较显著的影响。8号参数Si值略高于一阶敏感性判别阈值, 但低于全局敏感性判别阈值, 总体敏感性有限。而13号参数的Si和STi值显示, 其变化对甘蔗产量有显著影响, 而对甘蔗生物量没有影响。
3.2 Aqua Crop模型参数本地化
基于参数的敏感性分析结果, 重点对Aqua Crop模型的敏感性参数及作物生长控制参数等进行多次调整, 最终率定得到了Aqua Crop模型模拟南宁甘蔗生长的本地化参数取值(表5)。进而对比Aqua Crop模型模拟与试验站17个田块实测的甘蔗产量可知 (图4), 二者拟合R2和精确度(Pre)分别为0.92和0.89, 模拟产量的均方根误差(RMSE)及其误差百分率分别为4.05 t∙hm−2和3.84%, 总体模拟效果优良。由此表明, 本研究中采用Aqua Crop模型及其本地化参数开展南宁甘蔗生长过程模拟具有较高的模拟精度和应用价值。
表 5 南宁市甘蔗生长模拟的Aqua Crop模型本地化参数取值Table 5. Sugarcane crop localized parameters of sugarcane crop of Aqua Crop model in Nanning参数
Parameter作物参数
Crop parameter单位
Unit取值
Value参数
Parameter作物参数
Crop parameter单位
Unit取值
Value作物
生长
Crop
growth初始冠层覆盖度
Initial canopy cover% 1.0 作物蒸腾
Crop transpiration冠层完整且即将衰老时的作物系数
Crop coefficient when canopy is intact and about
to senesce— 1.10 冠层增长系数
Canopy growth coefficient% 4.5 生物量及
产量形成
Biomass and
yield formation以ET0和CO2为标准规范化水分生产率
Standardized water productivity with ET0
and CO2g·m−2 31 冠层衰减系数
Canopy attenuation coefficient% 4.2 参考收获指数
Reference harvest index% 165 最大冠层覆盖度
Maximum canopy cover% 95 收获指数允许的最大增长率
Maximum growth rate allowed by harvest index% 10 作物开始到露头的时间
Time from start to emergenced 7 土壤水分胁迫
Soil water stress限制冠层扩展的土壤水分消耗上限
Upper limit of soil water comsumption to limit
canopy expansion— 0.12 达到冠层最大覆盖度的时间
Time to reach maximum canopy coverd 140 限制冠层扩展的土壤水分消耗下限
Lower limit of soil water comsumption to limit
canopy expansion— 0.65 作物开始到衰老的时间
Time from crop initiation to senescenced 220 引起冠层早衰的土壤水分消耗上限
Upper limit of soil water comsumption causing premature canopy failure— 0.44 作物开始到成熟的时间
Time from crop initiation to maturityd 291 限制气孔导度的土壤水分消耗上限
Upper limit of soil water comsumption limiting stomatal conductance— 0.36 作物产生经济计量的时间
Time to produce econometric measures for the cropd 110 限制通风条件下, 低于饱和厌氧点
Restricted ventilation conditions, below saturation
anaerobic pointVol % 5 作物建立收获指数的时间
Time for crop establishment of harvest indexd 130 气温胁迫
Air temperature
stress基础温度
Base temperature℃ 5 播种到最大根深时长
Time from seeding to maximum root depthd 130 上限温度
Upper limit temperature℃ 32 根系
Root system根取膨胀形状因子
Root taking expansion shape
factor/ 1.5 根系
Root system最小/大有效根深
Minimum/maximum effective root depthm 0.1/1.8 ![]()
图 4 Aqua Crop模型模拟甘蔗产量结果验证Figure 4. Verification of sugarcane yield simulation by Aqua Crop Model3.3 南宁市历史典型年气象干旱的甘蔗响应模拟
为厘清南宁市历史SWAP气象干旱情景下甘蔗长势、生物量及产量累积响应特征, 在1978—2018年时段内依次选择典型无旱年2017年(作为参考对照年份, CK)、典型轻旱年2016年、典型中旱年2009年、典型重旱年1992年, 分别对甘蔗的蒸腾量(Tr)、冠层覆盖度(CC)、生物量(B)及产量(Y)等要素进行模拟, 结果如图5所示。
![]()
图 5 南宁市历时典型年甘蔗干旱响应模拟SWAP是校准降水指数, CC是冠层覆盖度, Tr是作物蒸腾量, B为生物量, Y为产量。Figure 5. Simulation of sugarcane drought response in typical years in Nanning CitySWAP is the calibrated precipitation index, CC is canopy cover, Tr is crop transpiration, B is biomass, and Y is yield.从图5可知, 南宁市甘蔗Tr在分蘖期和伸长期对不同气象干旱情景具有敏感的波动响应变化特征, 如该生育期时段内各典型年SWAP与Tr序列的相关系数分别为0.38 (2017年)、0.66 (2016年)、0.69 (2009年)及0.70 (1992年), 均通过显著检验; Tr在伸长期中后时段受气象干旱影响呈显著下降变化, 尤其在中旱(2009年)和重旱(1992年)年份显著小于2017年无旱年份数值。而在萌芽期和成熟期, 甘蔗Tr总体均很小(接近0值), 与气象干旱SWAP序列无明显响应关系。
由图5可知, 甘蔗CC在全生育期的变化主要受生理生长过程控制, 即自萌芽期中后时段开始快速增大到分蘖期末的最大值90%~100%, 并在伸长期能维持在最大值状态(如2017年全时段及其他典型年的无旱时段); 气象干旱对甘蔗CC能产生一定影响, 但需要水分亏缺累积到一定量值才能导致甘蔗CC的显著减小(如1992年重旱), 轻旱和中旱的影响相对较小(如2016年和2009年); 而成熟期甘蔗CC快速减小至0主要是生理现象, 基本不受气象干旱的影响。
图5显示, 各典型年甘蔗B均从分蘖期初时段的0值快速增加到伸长期末时段的最大值(如2017年为66.535 t∙hm−2), 成熟期的增量最大约为10%; 表明气象干旱能一定程度上影响甘蔗B累积的最终数量(如2016年、2009年、1992年分别为58 t∙hm−2、53 t∙hm−2、45 t∙hm−2, 相对2017年分别减小13%、20%、33%), 而不能影响其全生育期单调增加的总体规律。
图5表明, 甘蔗茎产量主要在伸长期中期(约8月中旬)开始迅速累积至成熟期末达最大值, 在无旱的2017年产量达116 t∙hm−2, 而轻、中、重旱年分别为97 t∙hm−2 (2016年)、87 t∙hm−2 (2009年)及70 t∙hm−2 (1992年), 对应减产率分别为16%、25%及40%。由此可知, 不同强度等级的气象干旱均对甘蔗产量具有显著的影响。
4. 基于气象干旱情景的甘蔗响应机制模拟
3.3节的模拟结果表明气象干旱对南宁市甘蔗的生长、生物量及产量累积等均具有显著影响, 本节基于2节中气象干旱及其在甘蔗生育期的实际可能发生情景, 进一步解析各强度及历时的气象干旱发生在不同生育期对甘蔗蒸腾量(Tr)、生物量(B)及产量(Y)累积的影响机制。
4.1 不同生育期同气象干旱情景的甘蔗响应机制模拟
本节主要分析了不同生育期发生同气象干旱(强度和历时)对南宁甘蔗各生长要素的影响机制。由图6a-c可知, 甘蔗各生育期发生轻旱时, 在萌芽期, 甘蔗的Tr基本不受各历时轻旱的影响; 甘蔗的B和Y则在轻旱历时为5~15 d时基本不受影响, 而在轻旱历时为20~40 d情景下呈逐步减小变化, Y最终减少到110 t∙hm−2 (相对2017年, 减产率5%); 在伸长期, 甘蔗Tr、B和Y均受10 d及以上历时的轻旱影响而显著减小, 各要素最终减小到815 mm、54 t∙hm−2和88 t∙hm−2 (减产率24%); 而在成熟期, 甘蔗各要素基本没有显著变化。
![]()
图 6 不同生育期发生同一干旱强度的甘蔗产量响应情景模拟Tr为作物蒸腾量, B为生物量, Y为产量。Figure 6. Scenario simulation of sugarcane yield response to the same drought intensity in different growth stagesTr is crop transpiration, B is biomass, and Y is yield.图6d-f表明, 甘蔗各生育期发生中旱时, 在萌芽期和伸长期, 甘蔗Tr、B和Y均随中旱历时的增加而呈显著减小的变化特征, 其中, 萌芽期三要素最小值分别为902 mm、52 t∙hm−2和87 t∙hm−2 (减产率25%), 伸长期三要素最小值分别为734 mm、47 t∙hm−2和73 t∙hm−2 (减产率37%)。而在成熟期, 各要素基本不受中旱的影响。图6g-h显示, 甘蔗各生育期发生重旱时, 在伸长期, 甘蔗Tr、B和Y均随重旱历时增加而显著减小至715 mm、45 t∙hm−2和70 t∙hm−2 (减产率40%), 而在成熟期则无显著变化。
4.2 同生育期不同气象干旱情景的甘蔗响应机制模拟
本节进一步定量化了同生育期内发生不同强度及历时气象干旱对甘蔗各生长要素的影响。由图7a-b可知, 萌芽期发生轻旱时, 在干旱历时为5~15 d时, 甘蔗Yw、Bw、Trw的减少量约为0且维持不变, 随干旱历时逐渐增加至15~40 d时, 三要素减少量快速减少, 各自减产率最终分别达到5.9%、5.1%、6.5%; 而萌芽期发生中旱时, 随干旱历时的增加(15~35 d), 甘蔗的Yw和Bw分别从4.0%、3.0%分别快速减少至26.8%和21.9%, Trw则总体减少量不显著。图7c-e表明, 伸长期发生轻、中、重旱时, 随气象干旱历时的增加, 甘蔗Yw、Bw、Trw的减少量均呈显著增加的变化特征。其中, 各强度气象干旱造成Yw、Bw、Trw的减少量变化范围分别为0~24%、0~18.5%及0~15.9% (轻旱历时5~35 d), 25%~37%、20%~29.3%及8%~24.4% (中旱历时15~45 d), 33.5%~40%、26.2%~31.7%及18.9%~25.7% (重旱历时35~50 d)。
![]()
图 7 同一生育期不同强度干旱的甘蔗产量、生物量及作物总蒸腾的变化率Figure 7. Changes of sugarcane yield, biomass and crop transpiration under different drought intensities in a growth period5. 结论
本文通过分析南宁市1980—2018年逐日SWAP气象干旱特征及在甘蔗生育期的发生情景, 本地化Aqua Crop作物模型参数, 实现了该区域甘蔗生长、生物量及产量累积过程对各强度及历时气象干旱的响应机制模拟。论文研究得出以下主要结论:
1)南宁市气象干旱历时、强度及频次空间分布不均匀, 年干旱历时主要在90 d以上, 强度以中旱及重旱为主, 发生频次以2~3次∙a−1居多, 且主要发生在甘蔗的萌芽期、伸长期和成熟期, 存在长(月以上)、短(月内)历时干旱交替及并存叠加现象。
2)通过EFAST敏感性分析及参数本地化率定, Aqua Crop模型模拟甘蔗产量拟合精度R2达到0.92、产量均方根误差百分率为3.84%。Aqua Crop模型应用于南宁甘蔗对气象干旱的响应机制模拟能得到良好的模拟精度。
3)历时典型干旱年的甘蔗响应模拟揭示了甘蔗蒸腾量、冠层盖度、生物量及产量等对气象干旱的响应存在滞后和累积效应, 伴随干旱强度增大, 南宁甘蔗最终累积的生物量及产量减少率分别为12.7% (2016年轻旱)、20.1% (2009年中旱)、32.7% (1992年重旱)和16.6% (轻旱)、24.8% (中旱)及40.1% (重旱)。
4)各气象干旱强度及历时遍历甘蔗各生育期的情景模拟, 明晰了南宁甘蔗生长过程、生物量及产量累积对气象干旱的响应机制。萌芽期发生轻、中旱历时达到15 d及以上时对甘蔗各生长要素开始产生显著响应, 最终减产率分别达6%和27%; 伸长期发生轻、中和重旱历时为5 d及以上时甘蔗各要素即开始显著响应, 最终减产率分别达24%、37%和40%, 南宁甘蔗分蘖期基本不发生气象干旱, 而成熟期各要素受气象干旱的影响总体微弱。
-
![]()
图 1 夏玉米农田总氮淋失量数据分布直方图
Figure 1. Data distribution of total N leaching loss in summer maize fields
![]()
图 2 夏玉米农田总氮淋失量与预测变量的相关关系
Figure 2. Correlation between total N leaching loss and predictive variables in summer maize fields
![]()
图 3 夏玉米农田总氮淋失量与总施氮量、氮盈余间的回归模拟
Figure 3. Regression simulation of total N leaching loss with total N rate and N surplus in summer maize fields
![]()
图 4 夏玉米农田总氮淋失量与水分渗漏量间的回归模拟
Figure 4. Regression simulation of total N leaching loss with water percolation in summer maize fields
![]()
图 5 夏玉米农田总氮淋失量与水分投入量、水平衡间的回归模拟
Figure 5. Regression simulation of total N leaching loss with water input and water balance in summer maize fields
表 1 夏玉米农田总氮淋失量与氮水两预测变量间的多元回归模拟
Table 1 Multiple regression simulation between total N leaching loss and pairwise indexes of N and water in summer maize fields
预测变量组合 Predictive variables combination 决定系数 R2 回归方程 Regression equation 总施氮量+水分投入量 Total N rate+Water input 0.2435 YNL=−20.55+0.13XNR+0.04XWI 总施氮量+水平衡 Total N rate+Water balance 0.2206 YNL=−3.33+0.13XNR+0.02XWB 总施氮量+水分渗漏量 Total N rate+Water percolation 0.3413 YNL=−5.46+0.06XNR+0.19XWP 氮盈余+水分投入量 N surplus+Water input 0.2450 YNL=−2.14+0.13XNS+0.04XWI 氮盈余+水平衡 N surplus+Water balance 0.2188 YNL= 16.00+0.13XNS+0.02XWB 氮盈余+水分渗漏量 N surplus+Water percolation 0.3001 YNL= 3.98+0.05XNS+0.19XWP 回归方程中, 总施氮量、氮盈余分别用NR、NS表示; 水分投入量、水平衡、水分渗漏量分别用WI、WB、WP表示; 总氮淋失量用NL表示。NR: total N rate; NS: N surplus; WI: water input; WB: water balance; WP: water percolation; NL: total N leaching loss. 
下载: 导出CSV
表 2 夏玉米农田总氮淋失量的多元回归模型参数
Table 2 Parameters of multiple regression model for total N leaching loss in summer maize fields
系数预测值
Estimate
coefficient标准差
Std. errort值
t valueP值
P value截距 Intercept −18.13 20.36 −0.89 0.375 有机质含量
Soil organic matter0.67 0.49 1.37 0.172 土壤全氮
Soil total N13.83 10.17 1.36 0.176 黏粒含量
Clay content0.40 0.19 2.11 0.037 砂粒含量
Sand content−0.14 0.07 −2.02 0.045 土壤pH
Soil pH−0.61 2.38 −0.26 0.798 土层深度
Soil depth−0.03 0.03 −1.11 0.268 秸秆还田
Straw incorporation−4.45 3.11 −1.43 0.155 总施氮量
Total N rate0.06 0.01 4.78 3.72×10−6 水分渗漏量
Water percolation0.16 0.02 7.03 4.38×10−11 F值 F statistic: 15.74 P值 P value: 2.2×10−16 拟合优度 Multiple R2: 0.4432 修正拟合优度 Adjusted R2: 0.4150
下载: 导出CSV
表 3 夏玉米农田总氮淋失量的逐步回归模型参数
Table 3 Parameters of stepwise regression model for total N leaching loss in summer maize fields
系数预测值
Estimated
coefficient标准差
Std. errort值
t valueP值
P value截距 Intercept −23.07 6.28 −3.68 3.12×10−4 有机质含量
Soil organic matter1.14 0.23 4.96 1.61×10−6 黏粒含量
Clay content0.34 0.15 2.20 0.029 砂粒含量
Sand content−0.13 0.07 −2.02 0.045 总施氮量
Total N rate0.06 0.01 5.13 7.35×10−7 水分渗漏量
Water percolation0.18 0.02 8.42 1.11×10−14 F值 F statistic: 27.36 P值 P value: 2.2×10−16 拟合优度 Multiple R2: 0.4291 修正拟合优度 Adjusted R2: 0.4140
下载: 导出CSV
-
[1] TILMAN D, BALZER C, HILL J, et al. Global food demand and the sustainable intensification of agriculture[J]. Proceedings of the National Academy of Sciences of the United States of America, 2011, 108(50): 20260−20264 doi: 10.1073/pnas.1116437108
[2] 中华人民共和国国家统计局. 中国统计年鉴2021[EB/OL]. [2022-11-04]. http://www.stats.gov.cn/sj/ndsj/2021/indexch.htm National Bureau of Statistics of China. China Statistical Yearbook, 2021[EB/OL]. [2022-11-04]. http://www.stats.gov.cn/sj/ndsj/2021/indexch.htm
[3] 孟凡乔, 王坤, 肖广敏, 等. 华北平原潮土区粮田氮淋失阻控措施及效果分析[J]. 中国生态农业学报(中英文), 2021, 29(1): 141−153 MENG F Q, WANG K, XIAO G M, et al. Nitrogen leaching mitigation in fluvo-aquic soil in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2021, 29(1): 141−153
[4] 闫湘, 金继运, 梁鸣早. 我国主要粮食作物化肥增产效应与肥料利用效率[J]. 土壤, 2017, 49(6): 1067−1077 YAN X, JIN J Y, LIANG M Z. Fertilizer use efficiencies and yield-increasing rates of grain crops in China[J]. Soils, 2017, 49(6): 1067−1077
[5] 宋涛, 尹俊慧, 胡兆平, 等. 脲酶/硝化抑制剂减少农田土壤氮素损失的作用特征[J]. 农业资源与环境学报, 2021, 38(4): 585−597 SONG T, YIN J H, HU Z P, et al. Characteristics of urease/nitrification inhibitors in reducing nitrogen losses in farmland soils[J]. Journal of Agricultural Resources and Environment, 2021, 38(4): 585−597
[6] YING H, XUE Y F, YAN K, et al. Safeguarding food supply and groundwater safety for maize production in China[J]. Environmental Science & Technology, 2020, 54(16): 9939−9948
[7] 李晓欣, 张菲菲, 马洪斌, 等. 华北平原地区农田硝态盐淋失研究进展[J]. 华北农学报, 2011, 26(S2): 131−139 doi: 10.7668/hbnxb.2011.S2.030 LI X X, ZHANG F F, MA H B, et al. Nitrate leaching in North China Plain: a review[J]. Acta Agriculturae Boreali-Sinica, 2011, 26(S2): 131−139 doi: 10.7668/hbnxb.2011.S2.030
[8] 殷乐宜, 李璐, 陈坚, 等. 京津冀重点区域地下水硝酸盐污染分区研究[J]. 环境保护科学, 2021, 47(5): 118−122 YIN L Y, LI L, CHEN J, et al. Study on nitrate pollution zoning in groundwater of key area of Beijing-Tianjin-Hebei Region[J]. Environmental Protection Science, 2021, 47(5): 118−122
[9] 许莹, 孙良杰, 杜立宇, 等. 常规田间管理条件下旱田土壤氮素淋失影响因素研究进展[J]. 土壤通报, 2020, 51(5): 1246−1254 XU Y, SUN L J, DU L Y, et al. Influencing factors on soil nitrogen leaching under traditional management of dry farmland[J]. Chinese Journal of Soil Science, 2020, 51(5): 1246−1254
[10] ZHOU M H, BUTTERBACH-BAHL K. Assessment of nitrate leaching loss on a yield-scaled basis from maize and wheat cropping systems[J]. Plant and Soil, 2014, 374(1): 977−991
[11] WANG G L, CHEN X P, CUI Z L, et al. Estimated reactive nitrogen losses for intensive maize production in China[J]. Agriculture, Ecosystems & Environment, 2014, 197: 293−300
[12] CUI Z L, ZHANG H Y, CHEN X P, et al. Pursuing sustainable productivity with millions of smallholder farmers[J]. Nature, 2018, 555(7696): 363−366 doi: 10.1038/nature25785
[13] 胡玉婷, 廖千家骅, 王书伟, 等. 中国农田氮淋失相关因素分析及总氮淋失量估算[J]. 土壤, 2011, 43(1): 19–25 HU Y T, LIAO Q J H, WANG S W, et al. Statistical analysis and estimation of N leaching from agricultural fields in China[J]. Soils, 2011, 43(1): 19–25
[14] 李利霞, 武桂芝, 于宗民, 等. 大沽河流域农田土壤磷有效性及全磷淋失影响因素试验[J]. 水土保持学报, 2022, 36(2): 337−343 LI L X, WU G Z, YU Z M, et al. Experimental study on influencing factors affecting phosphorus availability and total phosphorus leaching in farmland soil in Dagu River Basin[J]. Journal of Soil and Water Conservation, 2022, 36(2): 337−343
[15] 叶英聪, 张丽君, 谢文, 等. 南方丘陵稻田土壤全钾和速效钾高光谱特征与反演模型研究[J]. 广东农业科学, 2015, 42(7): 37−42 YE Y C, ZHANG L J, XIE W, et al. Prediction on total potassium and available potassium content of hilly paddy soil in southern China based on hyper-spectral characteristics[J]. Guangdong Agricultural Sciences, 2015, 42(7): 37−42
[16] 刘健. 三种质地土壤氮素淋溶规律研究[D]. 北京: 北京林业大学, 2010 LIU J. Study on nitrogen leaching regulations on three textures of soil[D]. Beijing: Beijing Forestry University, 2010
[17] CANNAVO P, HARMAND J M, ZELLER B, et al. Low nitrogen use efficiency and high nitrate leaching in a highly fertilized Coffea arabica-Inga densiflora agroforestry system: a 15N labeled fertilizer study[J]. Nutrient Cycling in Agroecosystems, 2013, 95(3): 377−394 doi: 10.1007/s10705-013-9571-z
[18] 汪兆辉, 张友良, 冯绍元. 旱地硝态氮淋失阻控措施研究进展[J]. 中国农村水利水电, 2021(12): 39−45 doi: 10.3969/j.issn.1007-2284.2021.12.007 WANG Z H, ZHANG Y L, FENG S Y. Review of soil nitrate leaching control measures in dry farmland[J]. China Rural Water and Hydropower, 2021(12): 39−45 doi: 10.3969/j.issn.1007-2284.2021.12.007
[19] CECCON P, DALLA COSTA L, DELLE VEDOVE G, et al. Nitrogen in drainage water as influenced by soil depth and nitrogen fertilization: a study in lysimeters[J]. European Journal of Agronomy, 1995, 4(3): 289−298 doi: 10.1016/S1161-0301(14)80029-4
[20] DELIN S, STENBERG M. Effect of nitrogen fertilization on nitrate leaching in relation to grain yield response on loamy sand in Sweden[J]. European Journal of Agronomy, 2014, 52: 291−296 doi: 10.1016/j.eja.2013.08.007
[21] 王桂良. 中国三大粮食作物农田活性氮损失与氮肥利用率的定量分析[D]. 北京: 中国农业大学, 2014 WANG G L. Quantitative analysis of reactive nitrogen losses and nitrogen use efficiency of three major grain in China[D]. Beijing: China Agricultural University, 2014
[22] 王兴武, 于强, 张国梁, 等. 鲁西北平原夏玉米产量与土壤硝态氮淋失[J]. 地理研究, 2005, 24(1): 140−150 WANG X W, YU Q, ZHANG G L, et al. The yield and dynamics of soil nitrate for summer maize on the plain of northwest Shandong Province[J]. Geographical Research, 2005, 24(1): 140−150
[23] 康爱林, 孟凡乔, 李虎, 等. 滴灌施肥对华北地区冬小麦-夏玉米作物产量及水氮利用效率的影响[J]. 土壤通报, 2020, 51(4): 958−968 KANG A L, MENG F Q, LI H, et al. Effects of drip irrigation fertilization on wheat and maize yields and water- and nitrogen-use efficiency in northern China[J]. Chinese Journal of Soil Science, 2020, 51(4): 958−968
[24] 胡春胜, 张玉铭, 秦树平, 等. 华北平原农田生态系统氮素过程及其环境效应研究[J]. 中国生态农业学报, 2018, 26(10): 1501−1514 HU C S, ZHANG Y M, QIN S P, et al. Nitrogen processes and related environmental effects on agro-ecosystem in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2018, 26(10): 1501−1514
[25] 杨旺鑫. 我国农田氮磷损失影响因素及损失量初步估算[D]. 南京: 南京农业大学, 2015 YANG W X. Influencing factors and estimation of nitrogen and phosphorus losses from farmlands in China[D]. Nanjing: Nanjing Agricultural University, 2015
[26] 朱波, 周明华, 况福虹, 等. 紫色土坡耕地氮素淋失通量的实测与模拟[J]. 中国生态农业学报, 2013, 21(1): 102−109 ZHU B, ZHOU M H, KUANG F H, et al. Measurement and simulation of nitrogen leaching loss in hillslope cropland of purple soil[J]. Chinese Journal of Eco-Agriculture, 2013, 21(1): 102−109
[27] 赖晓明, 廖凯华, 朱青, 等. 基于Hydrus-1D模型的太湖流域农田系统水分渗漏和氮磷淋失特征分析[J]. 长江流域资源与环境, 2015, 24(9): 1491−1498 doi: 10.11870/cjlyzyyhj201509008 LAI X M, LIAO K H, ZHU Q, et al. Feature analysis of soil water leakage and leaching of nitrogen and phosphorus in the typical farmland of Taihu Lake basin based on Hydrus-1D model[J]. Resources and Environment in the Yangtze Basin, 2015, 24(9): 1491−1498 doi: 10.11870/cjlyzyyhj201509008
[28] 李晓鹏, 张佳宝, 刘金涛, 等. 天然文岩渠流域土壤水分渗漏和氮素淋失模拟[J]. 环境科学, 2009, 30(3): 864−869 LI X P, ZHANG J B, LIU J T, et al. Simulating soil water drainage and nitrogen leaching in Tianranwenyanqu basin[J]. Environmental Science, 2009, 30(3): 864−869
[29] 杜艾芳. 运用WHCNS模型对农田氮素损失的验证及分析[J]. 价值工程, 2022, 41(14): 142−144 DU A F. Verification and analysis of nitrogen loss in farmland using WHCNS model[J]. Value Engineering, 2022, 41(14): 142−144
[30] 俞映倞, 薛利红, 杨林章. 不同氮肥管理模式对太湖流域稻田土壤氮素渗漏的影响[J]. 土壤学报, 2011, 48(5): 988−995 YU Y L, XUE L H, YANG L Z. Effects of nitrogen management on nitrogen leaching of paddy soil in Taihu Lake Region[J]. Acta Pedologica Sinica, 2011, 48(5): 988−995
[31] 黄明蔚, 刘敏, 陆敏, 等. 稻麦轮作农田系统中氮素渗漏流失的研究[J]. 环境科学学报, 2007, 27(4): 629−636 doi: 10.3321/j.issn:0253-2468.2007.04.015 HUANG M W, LIU M, LU M, et al. Study on the nitrogen leaching in the paddy-wheat rotation agroecosystem[J]. Acta Scientiae Circumstantiae, 2007, 27(4): 629−636 doi: 10.3321/j.issn:0253-2468.2007.04.015
[32] 张玉珍. 农田不同土地利用氮素渗漏量的研究[J]. 福州大学学报(自然科学版), 2006, 34(4): 620−624 ZHANG Y Z. Assessment of nitrogen leaching amount on various land use in field[J]. Journal of Fuzhou University (Natural Science Edition), 2006, 34(4): 620−624
[33] QIN S P, WANG Y Y, HU C S, et al. Yield-scaled N2O emissions in a winter wheat summer corn double-cropping system[J]. Atmospheric Environment, 2012, 55: 240−244 doi: 10.1016/j.atmosenv.2012.02.077
[34] 丁燕, 杨宪龙, 同延安, 等. 小麦-玉米轮作体系农田氮素淋失特征及氮素表观平衡[J]. 环境科学学报, 2015, 35(6): 1914−1921 DING Y, YANG X L, TONG Y A, et al. Characteristics of N leaching and apparent N budget in cultivated lands under a winter wheat-summer maize rotation system[J]. Acta Scientiae Circumstantiae, 2015, 35(6): 1914−1921
[35] 林立, 胡克林, 李光德, 等. 高产粮区不同施肥模式下玉米季农田氮素损失途径分析[J]. 环境科学, 2011, 32(9): 2617−2624 doi: 10.13227/j.hjkx.2011.09.013 LIN L, HU K L, LI G D, et al. Evaluation of nitrogen loss way in summer maize system under different fertilizer N managements[J]. Environmental Science, 2011, 32(9): 2617−2624 doi: 10.13227/j.hjkx.2011.09.013
[36] 王西娜, 王朝辉, 李生秀. 黄土高原旱地冬小麦/夏玉米轮作体系土壤的氮素平衡[J]. 植物营养与肥料学报, 2006, 12(6): 759−764 doi: 10.3321/j.issn:1008-505X.2006.06.001 WANG X N, WANG Z H, LI S X. Soil nitrogen balance in winter wheat and summer maize rotation system on dryland of Loess Plateau[J]. Plant Nutrition and Fertilizer Science, 2006, 12(6): 759−764 doi: 10.3321/j.issn:1008-505X.2006.06.001
[37] 刘学军, 巨晓棠, 张福锁. 减量施氮对冬小麦-夏玉米种植体系中氮利用与平衡的影响[J]. 应用生态学报, 2004, 15(3): 458−462 doi: 10.3321/j.issn:1001-9332.2004.03.020 LIU X J, JU X T, ZHANG F S. Effect of reduced N application on N utilization and balance in winter wheat-summer maize cropping system[J]. Chinese Journal of Applied Ecology, 2004, 15(3): 458−462 doi: 10.3321/j.issn:1001-9332.2004.03.020
[38] 黄学茹. 铁氧化物与有机质对酸性土壤硝化作用的影响[D]. 重庆: 西南大学, 2016 HUANG X R. Effects of iron oxide and organic matter on acidic soil nitrification[D]. Chongqing: Southwest University, 2016
[39] 王永生. 宁夏黄灌区农田有机质对土壤硝态氮淋失量的影响研究[D]. 北京: 中国农业科学院, 2011 WANG Y S. Study on soil organic matter effect on soil nitrate nitrogen leaching losses in Ningxia Yellow River Irrigation Area[D]. Beijing: Chinese Academy of Agricultural Sciences, 2011
[40] ZHOU J B, XI J G, CHEN Z J, et al. Leaching and transformation of nitrogen fertilizers in soil after application of N with irrigation: a soil column method[J]. Pedosphere, 2006, 16(2): 245−252 doi: 10.1016/S1002-0160(06)60050-7
[41] WANG M, PENDALL E, FANG C M, et al. A global perspective on agroecosystem nitrogen cycles after returning crop residue[J]. Agriculture, Ecosystems & Environment, 2018, 266: 49−54
[42] CHENG Y, WANG J, WANG J Y, et al. The quality and quantity of exogenous organic carbon input control microbial NO3− immobilization: a meta-analysis[J]. Soil Biology and Biochemistry, 2017, 115: 357−363 doi: 10.1016/j.soilbio.2017.09.006
[43] 张鑫, 李菁园, 孟凡乔, 等. 桓台县冬小麦和夏玉米秸秆长期还田的生态效益分析[J]. 生态学报, 2020, 40(12): 4157−4168 ZHANG X, LI J Y, MENG F Q, et al. Ecological impacts of winter wheat and summer maize straw incorporation in Huantai County, Shandong Province[J]. Acta Ecologica Sinica, 2020, 40(12): 4157−4168
[44] 方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011, 26(3): 32−38 doi: 10.3969/j.issn.1007-3116.2011.03.006 FANG K N, WU J B, ZHU J P, et al. A review of technologies on random forests[J]. Statistics & Information Forum, 2011, 26(3): 32−38 doi: 10.3969/j.issn.1007-3116.2011.03.006
计量
- 文章访问数: 352
- HTML全文浏览量: 92
- PDF下载量: 55
