文章信息
- 王轶虹, 王美艳, 史学正, 陈龙, 赵永存, 于东升
- WANG Yihong, WANG Meiyan, SHI Xuezheng, CHEN Long, ZHAO Yongcun, YU Dongsheng.
- 2010年中国农作物净初级生产力及其空间分布格局
- Spatial patterns of net primary productivity of crops in China
- 生态学报[J]. 2016, 36(19): 6318-6327
- Acta Ecologica Sinica[J]. 2016, 36(19): 6318-6327
- http://dx.doi.org/10.5846/stxb201411252346
-
文章历史
- 收稿日期: 2014-11-12
- 网络出版日期: 2016-01-15
2. 中国科学院大学, 北京 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
净初级生产力(NPP)是生态系统在一段时间内所固定的碳总量,是由光合作用所产生的有机质总量扣除自养呼吸后的剩余部分。这些有机物质被分配到植物的地上和地下部分,用于植物的生长和繁殖。净初级生产力是地表碳循环的重要组成部分,是判定生态系统碳汇和调节生态系统过程的主要因子[1]。农业植被净初级生产力代表了农田生态系统通过光合作物固定大气中CO2的能力,决定了农田土壤中可获得的有机质的含量。农作物每年通过光合作用产生的NPP为7.8 Pg C,占全球NPP总量的16%[2-3],因此农田净初级生产力在全球碳平衡中扮演着重要作用。中国作为一个农业大国,准确估算农田生态系统产生的NPP有助于了解农作物在全球碳循环中的贡献。
目前,估算区域尺度农业植被净初级生产力的方法主要有两种:第一,利用作物产量的统计数据及各作物的相关参数进行估算。Prince[4]利用收获指数、根冠比数据,结合以县为单位的作物种植农业统计数据估算了美国中西部的NPP,结果表明1992年美国西部以县为单位的NPP的变化范围从4 Mg hm-2 a-1到大于17 Mg hm-2 a-1。Hicker[2]利用以县为单位的作物种植面积和作物产量数据研究了美国1972—2001年农田NPP的时间变化情况,以县为单元作图呈现了NPP的空间分布情况,发现NPP时间上呈现增加趋势,空间分布上差异显著。黄耀[5]利用以省为单位的农业统计数据结合收获指数和根冠比参数估算了1950—1999年中国农田产生的NPP,结果表明研究期间NPP增加非常明显。1950s、1960s、1970s、1980s和1990s年代,农田产生的NPP平均值为(146±32)、(159±34)、(260±55)、(394±85) Tg C/a和(513±111)Tg C/a。黄耀利用统计数据估算了中国农田的NPP,但是因为采用以省为单位的估算单元,NPP的空间分布情况不容易呈现。Bolinder[6]认为利用农业统计数据估算农田产生的NPP的方法直接简单,并且获得的估算结果很容易随着数据的更新和参数的完善而提高估算精度。利用农业统计数据估算国家尺度或区域范围的NPP时,估算单元越小,相关参数(如收获指数、根冠比)数据越多,估算结果越接近于真实值,估算结果越容易作图表现。
第二,利用模型估算植被净初级生产力在国内外得到广泛应用[7-9]。Hicke[10]利用17a的卫星数据和CASA模型模拟了北美NPP并分析了其变化对C库的影响。王彧[11]利用Crop-C模型结合GIS空间数据库模拟了我国6种作物主产区的净初级生产力。模拟结果表明,自1980年以来,中国农业植被净初级生产力呈增加趋势,从1980年的472.9 Tg C增加到2000年的607.2 Tg C。闫慧敏[12]利用卫星遥感数据驱动的GLO-PEM模型估算了1981—2000年中国农田生态系统净初级生产力。认为研究时期内中国农田生产力总量增加,但仍有24%的农田生产力下降。利用模型估算农田产生的NPP虽然得到广泛应用,然而,由于农业系统的复杂性,国外模型应用到中国的农田生态系统时,在模型参数的可获得性和模型的有效性方面存在很大不确定性。国内自行研发的模型较少,已有模型虽然考虑了中国实际情况,但生态机理方面考虑不足或存在简化,使估算结果存在较大的不确定性。另一方面,不论是国内模型还是国外模型,估算区域农田NPP时,都需要用农业统计数据和相关参数的估算结果进行验证。
目前,中国利用农业统计数据估算NPP时可使用的相关参数(收获指数、根冠比)数据较少而且年代久远,收获指数大多采用张福春[13]20世纪80年代的测定数据,根冠比数据来自不同的文献。参数数据较老以及缺乏统一的数据源,增加了用农业统计数据估算NPP的不确定性。另一方面,不论是利用模型还是农业统计数据估算NPP,我国农业NPP的估算值多数是2005年之前的数据,近些年数据空白,不利于评估中国农田在全球气候变化中的作用。鉴于目前存在的问题,确立了本文的研究目的:建立农作物新的参数数据库,并结合利用农业统计数据估算NPP,明确近些年中国农田可产生的NPP,了解NPP的空间分布情况,为研究中国农田在全球变化中的作用提供数据支持。本研究将中国划分为9个农业类型区,2011—2012年在不同农业类型区内实测作物生物量数据获得了9个农业区内水稻、小麦、玉米、大豆、油菜、棉花的干燥系数(DC,dry coefficient)、收获指数(HI,harvest index)和根冠比(R/S,root to shoot ratio)数据,建立了一套最新的农作物参数数据库。结合2010年农作物产量统计数据,以县为单元估算了中国农作物产生的NPP,并绘制了以县为单位的NPP密度图和NPP分布图,讨论了NPP区域分布特征。
1 数据来源与研究方法 1.1 作物生物量样品采集根据气候条件、主要农作物分布和复种指数、耕地面积分布和土壤类型特点,并结合中国农业区划兼顾全国尺度上大致均匀的原则,在全国选取了59个典型县(图 1),2011—2012年在全国采集了水稻、玉米、小麦、大豆、棉花、油菜6种主要作物的生物量。每个典型县选取一到两种种植面积广的主要作物在收获期采集,如有轮作的,需要采集每个季节的作物样品。每种作物设置一个采样点,每个采样点设3个重复。样品在作物成熟收获前采集作物的籽粒、秸秆和根系。作物根系生物量采用“挖土块法”[14]获取,样方的面积不小于0.25 m2。玉米和棉花根系挖掘的样方深度为50 cm,水稻、小麦、油菜和大豆根系挖掘的样方深度为30 cm。籽粒和秸秆经风干、烘干后获得籽粒、秸秆生物量,根系经过清洗、烘干后获得根系生物量,然后根据公式1—3计算每个采样点每种作物的干燥系数、收获指数和根冠比[15-17]。
1.2 数据来源2010年中国2709个县农作物经济产量、种植面积统计数据来自中国农业科学院农业信息研究所。
1.3 点到区域拓展方法2011—2012年在全国获得了111个样点的干燥系数、收获指数和根冠比数据以及2709个县作物产量等统计数据,为了计算每个县的NPP,采用以下原则把样点数据拓展到全国农作物种植区:
1)以全国农业区划委员会编制的《中国综合农业区划》为基础,结合县级行政单元的完整性,将全国划分为9个农业区(图 1),农业区内每种作物的干燥系数、收获指数和根冠比的区域值取该农业区内此种作物所有样点的算术平均值。农业区内没有采样点时,农业区作物的干燥系数、收获指数和根冠比的值取最邻近点的值;最后获得了9个农业区6种作物的干燥系数、收获指数、根冠比(表 1);
指标 Indices | 作物类型 Crop type | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
收获指数HI | 水稻 | 0.52 | 0.50 | 0.37 | 0.46 | 0.57 | 0.58 | 0.50 | 0.49 | 0.55 |
小麦 | 0.50 | 0.45 | 0.50 | 0.42 | 0.45 | 0.34 | 0.46 | 0.54 | 0.42 | |
玉米 | 0.48 | 0.43 | 0.51 | 0.51 | 0.48 | 0.56 | 0.48 | 0.44 | 0.54 | |
大豆 | 0.34 | 0.34 | 0.34 | 0.34 | 0.34 | 0.34 | 0.34 | 0.34 | 0.34 | |
油菜 | 0.49 | 0.49 | 0.37 | 0.49 | 0.37 | 0.23 | 0.22 | 0.49 | 0.24 | |
棉花 | 0.49 | 0.49 | 0.49 | 0.49 | 0.49 | 0.49 | 0.49 | 0.49 | 0.49 | |
根冠比R/S | 水稻 | 0.13 | 0.18 | 0.06 | 0.25 | 0.17 | 0.11 | 0.20 | 0.19 | 0.14 |
小麦 | 0.20 | 0.15 | 0.20 | 0.15 | 0.24 | 0.14 | 0.28 | 0.16 | 0.06 | |
玉米 | 0.11 | 0.14 | 0.13 | 0.16 | 0.12 | 0.13 | 0.15 | 0.11 | 0.16 | |
大豆 | 0.13 | 0.13 | 0.13 | 0.13 | 0.13 | 0.13 | 0.13 | 0.13 | 0.13 | |
油菜 | 0.20 | 0.20 | 0.22 | 0.20 | 0.22 | 0.15 | 0.18 | 0.20 | 0.12 | |
棉花 | 0.19 | 0.19 | 0.19 | 0.19 | 0.19 | 0.19 | 0.19 | 0.19 | 0.19 | |
干燥系数DC | 水稻 | 0.94 | 0.94 | 0.92 | 0.89 | 0.88 | 0.92 | 0.89 | 0.91 | 0.91 |
小麦 | 0.92 | 0.95 | 0.92 | 0.95 | 0.93 | 0.90 | 0.90 | 0.94 | 0.91 | |
玉米 | 0.90 | 0.96 | 0.89 | 0.92 | 0.89 | 0.92 | 0.92 | 0.91 | 0.92 | |
大豆 | 0.96 | 0.96 | 0.96 | 0.96 | 0.96 | 0.96 | 0.96 | 0.96 | 0.96 | |
油菜 | 0.96 | 0.96 | 0.93 | 0.96 | 0.93 | 0.90 | 0.88 | 0.96 | 0.92 | |
棉花 | 0.91 | 0.91 | 0.91 | 0.91 | 0.91 | 0.91 | 0.91 | 0.91 | 0.91 |
2) 每个县每一种作物的干燥系数、收获指数和根冠比取该县所在农业区的值计算NPP;
3) 由于大豆和棉花的主要种植区域比较集中,只在东北采集了大豆,在新疆采集了棉花。因此全国每一个县大豆的干燥系数、收获指数和根冠比的值采用所有采样点的平均值;每一个县棉花的干燥系数、收获指数和根冠比的值采用所有采样点的平均值;
4) 同一农作物如水稻是轮作作物,研究中不分早晚稻,都作为水稻处理;将统计数据中的油料作物作为油菜处理。
1.4 NPP计算方法本研究中将农作物的NPP分为地上生物量和地下生物量分别计算,地下生物量为收获时采集的根系生物量。首先计算出每个县每种作物的NPP,相加得到每个县6种农作物的NPP。每个县的NPP相加得到全国农作物的NPP。每个县6种作物的NPP相加后除以6种作物的种植面积得到这个县NPP密度值。全国所有县NPP相加除以作物的种植面积得到全国农作物的NPP密度。
计算公式如下:
式中,Yji,Sji,Bji,和Aji分别表示表示统计数据中第j个县第i种作物的产量、地上生物量、地下生物量和作物的种植面积;DCni,HIni和(R/S)ni分别表示第n个农业区第i种作物的干燥系数、收获指数和根冠比;T表示全国农作物产生的NPP,Dj表示第j个县单位面积农作物的NPP,D表示全国农作物单位面积NPP的平均值
采用的分析软件有excel2007,SPSS13.0,图件用Origin 8.0,ArcMap 9.3完成。
2 结果与讨论 2.1 农作物NPP及其空间分布格局以县级行政单元为单位估算了2010年中国农作物产生的NPP。结果表明,我国农作物2010年产生的NPP为596 Tg C,地上生物量为517 Tg C,秸秆量为242 Tg C,地下生物量为80Tg C,地上生物量是地下生物量的近6.5倍。Potter[3]估算农作物每年产生的NPP为7.8 Pg C,因此中国农田内产生的NPP占全球NPP总量的8%,中国农田在全球碳循环中有重要作用。
从区域分布看,NPP的空间分布不平衡。NPP较大的地区主要集中在东北的松嫩三江平原,黄淮海平原、长江中下游平原、西南的四川盆地和华南的珠江流域(图 2)。本研究获得的6种作物在中国的种植面积为115 Mhm2,因此,我国农田NPP密度的平均值等于519 g C/m2。NPP密度介于9—2094 g C/m2,变异系数为33%,属于中度变异(表 2)。全国有36%的县域NPP密度大于全国均值,相邻县域之间NPP密度的差异最大可达96%。从空间分布看,NPP密度较高的地区主要集中在中国的东部的湿润、半湿润地区的平原和盆地区域以及西北内陆灌溉条件较好的地区,如松嫩三江平原、黄淮平原、四川盆地、河套平原,宁夏平原以及新疆的绿洲地区(图 3),西北的干旱半干旱地区有水源灌溉的山麓地带NPP密度很高。对比图 2和图 3可以发现NPP的分布和NPP密度的分布并不一致,尤其是西北地区。位于干旱半干旱地区的农田,有水源的,单位面积农田中NPP高,缺少水源的,NPP密度较低,由于每个县耕地面积相对较小,NPP总量不大。
项目 Items | 统计特征/ Statistical characteristic | ||||||||
N | Mean | Min | Max | 25% | Median | 75% | S. D. | C.V. | |
NPP/(Tg C) Net primary productivity | 2316 | 257.3 | 0.03 | 2778.06 | 63.28 | 148.62 | 340.83 | 305.51 | 119% |
NPPD/(g C/m2) Net primary productivity density | 2316 | 519.0 | 8.5 | 2094 | 394.1 | 472.99 | 558.5 | 156.66 | 30% |
王彧[11]利用Crop-C模型模拟了我国6种作物主产区的净初级生产力,1980年为472.9Tg C,2000年为607.2Tg C。与模拟结果相比,2010年中国农作物产生的NPP比1980年增加了26%,比2000年减少了2%。黄耀[5]利用以省为单位的农业统计数据估算了1950—1999年中国农田产生的NPP,1980s和1990s年代,农田产生的NPP平均值为(394±85) Tg C/a和(513±111) Tg C/a,与20世纪80年代相比,2010年中国农田产生的NPP增加了51%,与20世纪90年代相比,2010年中国农田产生的NPP增加了16%。与过去相比,中国农田的净初级生产力显著增加。
从NPP的空间分布格局看,在青藏区和甘新区,本研究的研究结果与王彧用Crop-C模型模拟的结果较相似,其他区域差别较大;与闫慧敏用GLO-PEM模型模拟的结果比较,除了青藏区外其他区域较相似。不同的NPP估算模型对同一区域NPP估算存在较大差异[18],模型的建立多设定有一定条件,考虑最普遍的现象和规律,即模型的普适性,对某些区域可能不适合,如青藏高原特殊的气候环境,在利用模型模拟时需要特殊考虑。Bolinder[6]认为利用统计数据结合作物参数估算NPP的方法更直接和容易实现,而且估算结果很容易随着数据的完善而更新。本研究利用2011—2012实测调查建立了农作物新的参数数据库,利用该数据库进行估算能反映当前中国农田NPP的分布情况。
2.2 不同区域之间NPP的差异为研究NPP的空间分布情况,比较了不同农业区的NPP总量和NPPD(表 3)。以不同区域NPP而论,将全国划分为9个农业区中,黄淮海区的NPP最多(172.8Tg C)、其次为长江中下游区(136.1Tg C)和东北农业区(112.5Tg C),分别占全国NPP总量的29%、23%、19%。黄淮海农业区和长江中下游农业区产生的NPP相加占到全国NPP总量的一半。青藏农业区产生的NPP最少(1.1Tg C),黄淮海农业区产生的NPP是青藏区的160倍,不同区域NPP总量存在着较大差别,空间分布不平衡。从NPPD看,东北区单位面积农田产生的NPP最高(582.9g C/m2),其次为黄淮海农业区(567.4g C/m2)、甘新区(534.5 g C/m2),青藏区单位面积农田产生的NPP最低,最大值是最小值的1.5倍。
区域 Code | 农业区域 Agricultural regions | NPP/(Tg C) Net primary productivity | 种植面积/Mhm2 Sown area | NPPD/(g C/m2) NPP density |
1 | 东北区 | 112.5 | 19.3 | 582.9 |
2 | 内蒙古及长城沿线区 | 22.0 | 4.3 | 513.0 |
3 | 黄淮海区 | 172.8 | 30.5 | 567.4 |
4 | 黄土高原区 | 32.9 | 7.6 | 433.9 |
5 | 长江中下游区 | 136.1 | 27.8 | 489.1 |
6 | 西南区 | 69.5 | 15.0 | 462.1 |
7 | 华南区 | 25.5 | 5.6 | 452.3 |
8 | 甘新区 | 24.1 | 4.5 | 534.5 |
9 | 青藏区 | 1.1 | 0.3 | 377.7 |
总和 | 596.3 | 115 | 519.0 |
将每个区域的NPP分别与种植面积和NPPD比较,发现不同区域NPP的变化趋势与种植面积的变化趋势一致。进一步,将9个区域的NPP分别与种植面积和NPPD做回归分析,结果表明种植面积能解释98%的区域变异,NPPD能解释31%的区域变异。如果将全国划分为38个农业区(图 1),种植面积仍能解释98%的区域变异,而NPPD只能解释22%的区域变异(图 4),由此说明农业区域间NPP总量的差异主要由作物种植面积的差异引起。
2.3 不同因子对NPPD变化的影响农田生态系统NPP密度的空间差异受到多方面因素的影响,包括气候类型、土壤类型、耕作制度、农业投入等因素。气候因子对植被NPP的空间差异有显著影响,尤其是气温和降水[19]。将9个农业区域内各县域NPP密度(NPPD)与2010年每个县年日照时数(S)、年均气温(T)、年均温差(TT)、大于0摄氏度的积温(T0)、大于10摄氏度的积温(T10)、年均降水量(P)、年总降水量(PP)、大于0摄氏度的年累积降水量(P0)、大于10摄氏度的累积降水量(P10)做相关分析(表 4)。结果表明东北地区(1)和内蒙古及长城沿线区(2)农田中单位面积NPP都与积温有极显著正相关关系,这两个区域纬度相对较高,大部分地区只能一年一熟,热量限制了农业发展,影响了农田净初级生产力的提高。内蒙古及长城沿线区(2)和黄淮海区(3)都与降水量有极显著正相关关系。内蒙古及长城沿线区大部分处于半干旱地带,缺少灌溉水源,黄淮海区以旱地为主,常发生春旱,因此降水量对农田净初级生产力影响较明显;长江中下游区(5)农田单位面积NPP与日照时数和年均温差呈极显著正相关关系,与平均气温、大于0和10摄氏度的积温、降水量呈极显著负相关关系。长江中下游区降水量相对较丰富,NPP主要受制于太阳辐射。2010年长江中下游地区降水偏多,高温和连续阴雨天气,减少了光照时间,不利于作物生长,影响农田生态系统的生产力。西南区(6)农田单位面积NPP与所有降水量指标呈显著负相关关系,2010年,西南地区降水偏少,发生了大旱,影响了该区农田生态系统的生产力;华南区(7)农田单位面积NPP与平均气温、大于0摄氏度积温、大于10摄氏度的积温、年均温差均呈正相关关系。该农业区平均气温和积温最高,复种指数高,作物生长期长;甘新区(8)农田单位面积NPP与年均温差呈显著负相关关系,与降水总量呈显著正相关关系。本区光能资源丰富,作物生长期,晴天多,辐射强,热量条件好,昼夜温差大,有利于物质积累。由于本区年降水量较小,限制了农业发展,但阿尔泰山、天山、昆仑山、祁连山等高山地区降水量比较丰富,形成了永久积雪和现代冰川,夏季则部分消融补给河流,成为山麓地带农田灌溉的主要水源,发展了绿洲农业,单位面积农田中NPP比其他区域高;青藏区(9)农田单位面积NPP与日照时数、平均气温和积温有呈显著正相关关系,与年均温差、降水量呈显著负相关关系。青藏区农业生产的优势是日照时间长,劣势是海拔高,气温低,不利于作物生长,但河谷地带海拔较低,热量相对充足,有利于NPP的积累。
区域 Code | 相关分析系数 Pearson correlation coefficient | 化肥 Chemical fertilizer | 氮肥 N fertilizer | 复合肥 Compound fertilizer | 日照时 数(S) Hours of sunshine | 平均温 度(T) Mean temperature | 年均温 差(TT) Temperature difference | >0℃积 温/(T0) Temperature above 0℃ | >10℃积 温/(T10) Temperature above 10℃ | 年均降水 量/(P) Mean precipitation | 年总降水 量/(PP) Total precipitation | >0℃降水 量/(P0) Precipitation above 0℃ | >10℃降水 量/(P10) Precipitation above 10℃ |
1 | Pearson Correlation | 0.157 | 0.155 | 0.159 | 0.178 | -0.109 | 0.009 | 0.317** | 0.339** | -0.131 | -0.103 | -0.098 | -0.144 |
Sig. (2-tailed) | 0.056 | 0.058 | 0.053 | 0.088 | 0.297 | 0.933 | 0.002 | 0.001 | 0.21 | 0.326 | 0.352 | 0.169 | |
N | 150 | 150 | 150 | 93 | 93 | 93 | 93 | 93 | 93 | 93 | 93 | 93 | |
2 | Pearson Correlation | 0.453** | 0.436** | 0.173 | -0.293 | 0.592** | -0.511** | 0.634** | 0.622** | 0.402** | 0.407** | 0.425** | 0.409** |
Sig. (2-tailed) | 0 | 0 | 0.085 | 0.051 | 0 | 0 | 0 | 0 | 0.006 | 0.006 | 0.004 | 0.005 | |
N | 100 | 100 | 100 | 45 | 45 | 45 | 45 | 45 | 45 | 45 | 45 | 45 | |
3 | Pearson Correlation | 0.226** | 0.184** | 0.121* | 0.063 | 0.009 | -0.209 | -0.001 | -0.049 | 0.309* | 0.310* | 0.327* | 0.231 |
Sig. (2-tailed) | 0 | 0.001 | 0.032 | 0.633 | 0.943 | 0.111 | 0.994 | 0.711 | 0.017 | 0.017 | 0.012 | 0.078 | |
N | 318 | 318 | 318 | 59 | 59 | 59 | 59 | 59 | 59 | 59 | 59 | 59 | |
4 | Pearson Correlation | 0.365** | 0.289** | 0.343** | -0.189 | 0.195 | -0.212 | 0.164 | 0.16 | 0.224 | 0.154 | 0.171 | 0.2 |
Sig. (2-tailed) | 0 | 0 | 0 | 0.163 | 0.151 | 0.117 | 0.226 | 0.239 | 0.096 | 0.257 | 0.207 | 0.139 | |
N | 195 | 195 | 195 | 56 | 56 | 56 | 56 | 56 | 56 | 56 | 56 | 56 | |
5 | Pearson Correlation | 0.082 | 0.217** | 0.066 | 0.404** | -0.244** | 0.300** | -0.267** | -0.282** | -0.491** | -0.476** | -0.477** | -0.463** |
Sig. (2-tailed) | 0.084 | 0 | 0.166 | 0 | 0.002 | 0 | 0.001 | 0 | 0 | 0 | 0 | 0 | |
N | 445 | 445 | 445 | 157 | 157 | 157 | 157 | 157 | 157 | 157 | 157 | 157 | |
6 | Pearson Correlation | 0.199** | 0.182** | 0.061 | -0.162 | 0.11 | 0.048 | 0.126 | 0.095 | -0.166 | -0.201* | -0.200* | -0.205* |
Sig. (2-tailed) | 0 | 0 | 0.238 | 0.073 | 0.222 | 0.595 | 0.164 | 0.294 | 0.065 | 0.025 | 0.026 | 0.022 | |
N | 378 | 378 | 378 | 124 | 124 | 124 | 124 | 124 | 124 | 124 | 124 | 124 | |
7 | Pearson Correlation | 0.375** | 0.280** | 0.231** | -0.165 | 0.376** | 0.466** | 0.347** | 0.302* | 0.132 | 0.163 | 0.163 | 0.131 |
Sig. (2-tailed) | 0 | 0.001 | 0.007 | 0.213 | 0.003 | 0 | 0.007 | 0.02 | 0.318 | 0.218 | 0.218 | 0.324 | |
N | 137 | 137 | 137 | 59 | 59 | 59 | 59 | 59 | 59 | 59 | 59 | 59 | |
8 | Pearson Correlation | 0.019 | 0.074 | 0.057 | -0.059 | 0.046 | -0.249* | 0.007 | 0.000 | 0.164 | 0.239* | 0.274* | 0.319** |
Sig. (2-tailed) | 0.869 | 0.509 | 0.613 | 0.611 | 0.695 | 0.03 | 0.954 | 0.998 | 0.158 | 0.037 | 0.017 | 0.005 | |
N | 82 | 82 | 82 | 76 | 76 | 76 | 76 | 76 | 76 | 76 | 76 | 76 | |
9 | Pearson Correlation | 0.535** | 0.565** | 0.261 | 0.331* | 0.303* | -0.348* | 0.386** | 0.348* | -0.304* | -0.317* | -0.290* | -0.05 |
Sig. (2-tailed) | 0 | 0 | 0.057 | 0.016 | 0.028 | 0.011 | 0.004 | 0.011 | 0.027 | 0.021 | 0.035 | 0.724 | |
N | 54 | 54 | 54 | 53 | 53 | 53 | 53 | 53 | 53 | 53 | 53 | 53 |
使用肥料不仅可以增加农作物的产量,而且可以提高NPP量[20-21]。将9个农业区域内各县域NPP密度(NPPD)与每个县单位面积农用化肥施用量、氮肥施用量、复合肥施用量做相关分析,通过分析发现(表 4),除了东北区(1)和甘新区(8)外,农田单位面积NPP量均与化肥使用量呈极显著正相关关系,在这些地区施用化肥有助于提高农田净初级生产力。东北区农田净初级生产力与施肥量关系不密切,与土壤类型有关。通过将2010年土地利用图[22]与中国1∶100万土壤类型图叠加,发现东北区农业土壤主要以草甸土(32%)、黑土(14%)、暗棕壤(12%)和黑钙土(11%)为主,这几种土壤中有机质含量很高,土壤肥力很高,施肥量对东北区农田的影响不如其他地区明显。甘新区的农业土壤主要以盐土(15%)、草甸土(12%)、灌淤土(11%)、潮土(11%)、棕漠土(8%)和灰钙土(8%)为主,这些土壤多以沙质土壤为主,保肥能力差,施肥量对农田净初级生产力的影响亦不如其他地区敏感。
3 结论本研究利用实测调查建立了农作物新的参数数据库,并结合利用农业统计数据估算了2010年中国农作物净初级生产力。结果表明,中国农田可产生大量的NPP,中国农田在全球碳循环中有重要作用。农田中NPP的空间分布不平衡,NPP较大的地区主要分布在东北农业区,黄淮海农业区、长江中下游农业区。黄淮海区产生的NPP最多,青藏区最低,不同区域间NPP的差异主要由作物种植面积的差异引起。化肥施用量、日照时数、气温和降水对NPP密度的空间分异均有影响,但不同区域的主导因素不同。通过比较统计数据的计算结果和模型模拟结果,发现本研究的NPP空间分布与模拟结果有差异,今后利用模型模拟青藏高原等区域的净初级生产力时需要考虑其特殊的的自然环境。
致谢: 本研究中全国作物生物量样品由中国科学院南京土壤研究所、沈阳应用生态研究所、西北水土保持研究所、亚热带农业研究所、地理科学与资源研究所、东北地理与农业生态研究所、成都山地灾害与环境研究所、西南大学、新疆地理研究所、遗传与发育生物学研究所农业资源研究中心等单位共同采集。感谢张旭东研究员、韩晓增研究员、欧阳竹研究员、胡春胜研究员、张甘霖研究员、黄标研究员、赵世伟研究员、赵成义研究员、吴金水研究员、肖和艾副研究员、谢德体教授、朱波研究员以及他们的研究团队提供了生物量样品。[1] | Field C B, Behrenfeld M J, Randerson J T, Falkowski P. Primary production of the biosphere:Integrating terrestrial and oceanic components. Science , 1998, 281 (5374) : 237–240. DOI:10.1126/science.281.5374.237 |
[2] | Hicke J A, Lobell D B, Asner G P. Cropland area and net primary production computed from 30 years of usda agricultural harvest data. Earth Interactions , 2004, 8 (10) : 1–20. DOI:10.1175/1087-3562(2004)008<0001:CAANPP>2.0.CO;2 |
[3] | Potter C S, Randerson J T, Field C B, Matson P A, Vitousek, P M, Mooney H A, Klooster S A. Terrestrial ecosystem production:A process model based on global satellite and surface data. Global Biogeochemical Cycles , 1993, 7 (4) : 811–841. DOI:10.1029/93GB02725 |
[4] | Prince S D, Haskett J, Steininger M, Strand H, Wright R. Net primary production of U.S. midwest croplands from agricultural harvest yield data. Ecological Applications , 2001, 11 (4) : 1194–1205. DOI:10.1890/1051-0761(2001)011[1194:NPPOUS]2.0.CO;2 |
[5] | Huang Y, Zhang W, Sun W J, Zheng X H. Net primary production of chinese croplands from 1950 to 1999. Ecological Applications , 2007, 17 (3) : 692–701. DOI:10.1890/05-1792 |
[6] | Bolinder M A, Janzen H H, Gregorich E G, Angers D A, VandenBygaart A J. An approach for estimating net primary productivity and annual carbon inputs to soil for common agricultural crops in canada. Agriculture, Ecosystems & Environment , 2007, 118 (1/4) : 29–42. |
[7] | 李洁, 张远东, 顾峰雪, 黄玫, 郭瑞, 郝卫平, 夏旭. 中国东北地区近50年净生态系统生产力的时空动态. 生态学报 , 2014, 34 (6) : 1490–1502. |
[8] | 刘海桂, 唐旭利, 周国逸, 刘曙光. 1981-2000年广东省净初级生产力的时空格局. 生态学报 , 2007, 27 (10) : 4065–4074. |
[9] | 穆少杰, 李建龙, 周伟, 杨红飞, 章超斌, 居为民. 2001-2010年内蒙古植被净初级生产力的时空格局及其与气候的关系. 生态学报 , 2013, 33 (12) : 3752–3764. |
[10] | Hicke J A, Asner G P, Randerson J T, Tucker C, Los S, Birdsey R, Jenkins J C, Field C, Holland E. Satellite-derived increases in net primary productivity across North America, 1982-1998. Geophysical Research Letters , 2002, 29 (10) : 69-1–69-4. DOI:10.1029/2001GL013578 |
[11] | 王彧, 黄耀, 张稳, 于永强, 王平. 中国农业植被净初级生产力模拟(Ⅱ)——模型的验证与净初级生产力估算. 自然资源学报 , 2006, 21 (6) : 916–925. |
[12] | 闫慧敏, 刘纪远, 曹明奎. 中国农田生产力变化的空间格局及地形控制作用. 地理学报 , 2007, 62 (2) : 171–180. |
[13] | 张福春, 朱志辉. 中国作物的收获指数. 中国农业科学 , 1990, 23 (2) : 83–87. |
[14] | B hm W. Methods of Studying Root System. Berlin:Springer , 1979 . |
[15] | Allmaras R R, Nelson W W, Voorhees W B. Soybean and corn rooting in southeastern minnesota. Ⅱ. Root distributions and related water inflow. Soil Science Society of America Proceedings , 1975, 39 : 771–777. DOI:10.2136/sssaj1975.03615995003900040046x |
[16] | Donald C M. In search of yield. Journal of the Australian Institute of Agricultural Science , 1962, 28 : 171–178. |
[17] | Snyder F W, Carlson G E. Selecting for partitioning of photosynthetic products in crops. Advances in Agronomy , 1984, 37 : 47–72. DOI:10.1016/S0065-2113(08)60451-4 |
[18] | 王新闯, 王世东, 张合兵. 基于MOD17A3的河南省NPP时空格局. 生态学杂志 , 2013, 32 (10) : 2797–2805. |
[19] | Nemani R R, Keeling C D, Hashimoto H, Jolly W M, Piper S C, Tucker C J, Myneni R B, Running S W. Climate-driven increases in global terrestrial net primary production from 1982 to 1999. Science , 2003, 300 (5625) : 1560–1563. DOI:10.1126/science.1082750 |
[20] | Allmaras R R, Linden D R, Clapp C E. Corn-residue transformations into root and soil carbon as related to nitrogen, tillage, and stover management. Soil Science Society of America Journal , 2004, 68 (4) : 1366–1375. DOI:10.2136/sssaj2004.1366 |
[21] | Stewart W M, Dibb D W, Johnston A E, Smyth T J. The contribution of commercial fertilizer nutrients to food production. Agronomy Journal , 2005, 97 (1) : 1–6. DOI:10.2134/agronj2005.0001 |
[22] | 吴炳方, 苑全治, 颜长珍, 王宗明, 于信芳, 李爱农, 马荣华, 黄进良, 陈劲松. 21世纪前十年的中国土地覆盖变化. 第四纪研究 , 2014, 34 (4) : 723–731. |