張傳偉, 齊永青, 戴茂華, 張玉翠**, 沈彥俊**

華北平原灌溉麥田水分利用效率的SEM多因素影響研究*

張傳偉1,2, 齊永青1, 戴茂華3, 張玉翠1**, 沈彥俊1,2**

(1. 中國科學院遺傳與發(fā)育生物學研究所農(nóng)業(yè)資源研究中心/中國科學院農(nóng)業(yè)水資源重點實驗室 石家莊 050022; 2. 中國科學院大學 北京 100049; 3. 河北省農(nóng)林科學院旱作農(nóng)業(yè)研究所 衡水 053000)

水分利用效率(WUE)常被嵌入到多種生態(tài)系統(tǒng)模型中, 用于評估生態(tài)系統(tǒng)對氣候變化的響應。然而, 自然條件下多種因素不僅直接影響WUE, 還通過影響冠層結構等間接影響WUE, 其中的影響機制仍不明晰。為了明確多種因素對冬小麥WUE的協(xié)同影響, 本研究基于2015年(溫暖濕潤年)和2016年(溫暖干旱年)渦度相關系統(tǒng)觀測的小麥關鍵生育期(返青、拔節(jié)、抽穗、灌漿)的數(shù)據(jù), 分析了WUE的變化, 并借助結構方程模型(SEM), 以葉面積指數(shù)(LAI)為中間變量, 分析了多種因素[凈輻射(n)、空氣溫度(a)、飽和水汽壓差(VPD)、風速(WS)、土壤含水量(SWC)]對WUE的影響機制。結果表明, 2015年平均WUE為1.52 g(C)?kg-1(H2O), 2016年平均WUE為1.22 g(C)?kg–1(H2O)。不管在溫暖濕潤年還是溫暖干旱年,a、LAI和VPD均是影響WUE的主要因素。WUE隨LAI增加而增加,a增加也有助于提高WUE, 而當溫度相近時, VPD增加會降低WUE。a、LAI和VPD對WUE的影響在溫暖濕潤年和溫暖干旱年重要性程度不同, 溫暖濕潤年最重要的影響因素為LAI, 溫暖干旱年為a; VPD在溫暖濕潤年既直接影響WUE, 同時又通過影響LAI的變化間接作用于WUE, 但在溫暖干旱年僅具有直接影響。n在溫暖干旱年和溫暖濕潤年表現(xiàn)也不相同: 在溫暖濕潤年對WUE具有顯著的影響, 在溫暖干旱年影響不顯著, 這與溫暖濕潤年降雨量大及降雨頻次高有關。顯然, 模擬WUE時考慮不同年份氣象條件會使結果更為準確。WS未對WUE產(chǎn)生顯著的影響, 潛在原因可能是其對冠層上部接收輻射充足的葉片影響較大, 而對冠層內(nèi)部葉片無顯著影響。農(nóng)田生態(tài)系統(tǒng)不同生育階段對輻射、溫度等的耐受性及響應方式不同, SEM可以將LAI設置為中間變量以綜合這種階段性的變化, 因此, 對于冠層結構季節(jié)變幅大的生態(tài)系統(tǒng), SEM是研究其環(huán)境控制機制的有力工具。這些研究結果可為今后精確模擬生態(tài)系統(tǒng)WUE以及預測WUE對氣候變化的響應提供科學依據(jù)。

水分利用效率; 結構方程模型(SEM); 渦度相關系統(tǒng); 微氣象; 冬小麥

據(jù)IPCC(2013)預測[1], 北半球中緯地區(qū)干旱發(fā)生的頻率及程度將進一步提高, 極端事件的發(fā)生也將更加頻繁, 將對區(qū)域水和碳循環(huán)過程造成極大的影響[2]。作為定量描述植物光合碳吸收量與蒸騰失水量之間耦合關系的關鍵——水分利用效率[3], 其在生態(tài)系統(tǒng)水平的表現(xiàn)是評估生態(tài)系統(tǒng)對氣候變化響應的有效指標[4-5]。因此, 明確多種微氣象因子對生態(tài)系統(tǒng)水分利用效率的調(diào)控過程可以為預測生態(tài)系統(tǒng)對未來氣候變化的響應提供有價值的信息[6-7]。

生態(tài)系統(tǒng)的水分利用效率通常被定義為初級生產(chǎn)力(GPP)/蒸散(ET)[8]或者生態(tài)系統(tǒng)凈碳交換量(NEE)/蒸散(ET)[9], 其中GPP可由渦度相關系統(tǒng)測得的NEE通過“daytime”[10]和“nighttime”[11]兩種算法分離得到。從表達形式來看, 影響生態(tài)系統(tǒng)蒸散以及碳交換的環(huán)境因素, 如凈輻射、飽和水汽壓差、土壤含水量等[12-13], 均會對水分利用效率產(chǎn)生影響。以往的研究往往是針對單一的因素與水分利用效率進行相關性分析[14-15], 以此來判斷它們對水分利用效率的影響程度。或者, 對大量的數(shù)據(jù)進行挖掘, 分析水分利用效率對某一因素的響應趨勢[16-17]。然而, 在自然條件下, 各種因素不僅直接作用于水分利用效率, 因素之間也存在相互影響, 共同影響著水分利用效率[5]。這使得規(guī)律的挖掘極為困難, 無法控制單一因素變化的同時保證其他因素不變, 一種因素的影響可能會被其他因素的作用掩蓋或增強, 從而造成不同的研究結果。例如, 隨干旱的發(fā)生, 生態(tài)系統(tǒng)水分利用效率存在增加[18]、降低[15]、增加之后降低3種可能[19]。干旱所造成的飽和水汽壓差增大會誘導氣孔張開, 蒸騰量增加; 而干旱引起的土壤含水量的減少又會抑制氣孔的開度, 導致蒸騰量減少。因此在兩者共同作用下蒸騰量和水分利用效率的變化存在很大的不確定性。

對于華北平原的冬小麥()而言, 生長季節(jié)內(nèi)降水難以滿足作物本身的需求, 需要依靠抽取地下水灌溉, 導致了區(qū)域內(nèi)地下水位的嚴重下降, 與此同時, 又要守住耕地的“紅線”, 保證糧食需求。因此, 明確多種因素共同作用對水分利用效率的影響, 對于提高水分利用效率和實現(xiàn)華北平原的農(nóng)業(yè)與水資源的可持續(xù)發(fā)展也至關重要。與森林生態(tài)系統(tǒng)所具備的穩(wěn)定冠層結構不同, 農(nóng)田生態(tài)系統(tǒng)的葉面積指數(shù)季節(jié)變化特征明顯, 作物不同生育階段對溫度、輻射等的耐受性不同, 研究微氣象因素對冬小麥水分利用效率的影響, 葉面積指數(shù)是一個不得不考慮的重要因素。Zhang等[20]指出, 由氣象因素導致的LAI變化可能對WUE的變化起著重要的作用。

結構方程模型(structural equation model, SEM)為分析多種氣象因素對水分利用效率的共同影響提供了便利, 主要具備以下優(yōu)點: 1)在考慮不同因素之間交互作用的基礎上, 系統(tǒng)分析不同因素對水分利用效率的影響; 2)與傳統(tǒng)的一元或多元線性回歸相比, 允許中間變量的存在, 可將微氣象因子對水分利用效率的影響分解為直接和間接影響。因此, 本研究借助SEM建模, 利用2015—2016年中國科學院欒城農(nóng)業(yè)生態(tài)系統(tǒng)試驗站渦度相關系統(tǒng)定位觀測的農(nóng)田生態(tài)系統(tǒng)水碳通量數(shù)據(jù), 分析多種微氣象因子對水分利用效率的直接影響, 以及通過影響葉面積指數(shù)所產(chǎn)生的間接作用。可以為提高水分利用效率、深入理解微氣象因子對水分利用效率的影響機制, 以及預測和模擬水分利用效率對未來氣候變化的響應提供理論依據(jù)。

1 材料和方法

1.1 研究站點概況

試驗在中國科學院欒城農(nóng)業(yè)生態(tài)系統(tǒng)試驗站(37°53′N, 114°41′E, 海拔50.1 m)展開, 該站位于太行山山前平原, 屬于典型的半干旱半濕潤大陸性季風氣候, 種植模式為冬小麥-夏玉米()一年兩熟, 其中冬小麥10月初播種, 次年6月中旬收獲, 生長時長約245 d; 夏玉米6月中旬播種, 9月末收獲, 生長季時長約107 d。

該站年均溫度12.6℃(1984—2016年), 2016年最高達13.6℃, 1990年最低11.2℃, 年均溫度呈波動上升趨勢(圖1); 年均降雨量438.3 mm, 其中1996年降雨量最大(774.4 mm), 最低出現(xiàn)在2014年, 僅247.6 mm, 并且70%的降水出現(xiàn)在7—9月[21], 降水時間分布不均, 冬小麥生長期內(nèi)降水量少, 無法滿足小麥生長的水分需求, 需要通過地表漫灌的方式彌補水分的虧缺。小麥季進行2~3次灌溉, 年灌溉量視降水量而定, 一般為120~320 mm。土壤質地為粉砂壤土, 田間持水量約35%[22-23]。

1.2 水碳通量、氣象、土壤含水量、葉面積指數(shù)數(shù)據(jù)獲取

1.2.1 水-熱-碳通量、氣象及土壤含水量數(shù)據(jù)

中國科學院欒城農(nóng)業(yè)生態(tài)系統(tǒng)試驗站設有典型農(nóng)田通量觀測塔, 水碳通量數(shù)據(jù)觀測即由安裝在觀測塔上的渦度相關系統(tǒng)完成, 于2007年11月6日正式開始水碳通量數(shù)據(jù)觀測。該系統(tǒng)由三維超聲風速儀(CSAT3, Campbell., USA)和開路式CO2/H2O分析儀(IGRA, Li-7500, LICOR, USA)以及數(shù)據(jù)采集器CR3000組成, 數(shù)據(jù)采集頻率為10 Hz, CO2/H2O分析儀安裝在塔上距地面3.5 m處。觀測指標包括潛熱(LE, W?m–2)、感熱(, W?m–2)以及CO2通量。通量塔輔有輻射分量、溫濕度、降水量等常規(guī)氣象數(shù)據(jù)觀測裝置, 包括空氣溫濕度計(HMP155, Vaisala, Finland)、四分量輻射表(CNR-4, Kipp&Zonen, Netherland)和雨量筒(CSITE525-MM, Campbell, USA)。土壤含水量觀測(Hydraprobe土壤三參數(shù)TDR時域反射儀)包括20 cm、40 cm、60 cm、80 cm、100 cm、120 cm、160 cm、200 cm共8個深度, 自2015年1月1日開始每30 min采集一組, 本研究用到的日尺度土壤含水量為8個深度的均值。

1.2.2 葉面積指數(shù)數(shù)據(jù)

小麥葉面積指數(shù)在越冬期前測量1次, 返青期開始測量1次, 之后每隔10 d測量1次, 至整個生育季結束。采用線性插值的方法獲得測量間隔內(nèi)每日葉面積指數(shù)。

1.3 通量數(shù)據(jù)處理及插補

感熱、潛熱、CO2通量數(shù)據(jù)由軟件EddyPro 7.0(LICOR, USA)經(jīng)過嚴格的數(shù)據(jù)校正和質量控制處理為30 min步長。包括: 1)旋轉校正, 傾斜校正, 通量密度校正, 響應頻率校正等[24-27]; 2)剔除夜間湍流較弱, 即摩擦風速小于0.1 m×s-1的數(shù)據(jù); 剔除降雨前后2 h內(nèi)的數(shù)據(jù); 3)計算數(shù)據(jù)的平均值及方差, 以4倍方差為檢驗標準, 剔除異常值; 4)缺失值插補, 數(shù)據(jù)缺失在2 h范圍內(nèi)采用線性插值; 數(shù)據(jù)缺失大于2 h的數(shù)據(jù)采用平均晝夜變化(mean diurnal variation, MDV)插值[28]。具體數(shù)據(jù)處理流程見圖2。

圖1 1984—2016年研究區(qū)年均氣溫和降水量變化

日尺度蒸散量(ET, mm)數(shù)據(jù)由潛熱通量(LE, MJ?m–2?d–1)汽化潛熱(, 取2.45 MJ?m–2?d–1)計算得到:

ET=LE/(2)

生態(tài)系統(tǒng)CO2凈交換量[NEE, g(C)?m–2?d–1]由渦度相關系統(tǒng)計算得到, 農(nóng)田群體水分利用效率[WUE, g(C)?kg–1(H2O)]由下式表示:

WUE=(-NEE)/ET (3)

1.4 結構方程模型(SEM)

結構方程模型(structural equation model, SEM)是基于變量的協(xié)方差矩陣分析變量之間關系的一種統(tǒng)計方法, 是多元數(shù)據(jù)分析的重要工具, 它的優(yōu)勢在于多變量間交互關系的定量研究。SEM建模支持顯變量(可直接觀測到的變量)建模、顯變量和潛變量(不可直接觀測的變量)混合建模。本研究中采用顯變量建模, 模型的檢驗采用3種指標, 包括: CMIN/ Df<5(CDMI, 卡方; Df, 自由度); AGFI>0.9(調(diào)整擬合優(yōu)度指數(shù)); RMSEA<0.1(近似均方根誤差)。

構建的結構方程模型如圖3所示, 其中箭頭代表某一變量對另一變量的影響作用, 單箭頭代表單向作用, 雙箭頭代表互相影響。葉面積指數(shù)為中間變量, 水分利用效率為因變量。

1.5 研究時段選取以及水分利用效率影響因素選取的依據(jù)

冬小麥越冬期間, 氣溫和土壤溫度均較低, 冬小麥生長十分緩慢, 農(nóng)田蒸散主要由土壤蒸發(fā)組成, 農(nóng)田生態(tài)系統(tǒng)二氧化碳的凈碳交換量(NEE)主要由土壤呼吸組成。因此, 水分利用效率常因較低的蒸散量而突然增高或降低, 并且波動隨機沒有規(guī)律, 該時期的水分利用效率研究意義不大, 所以本研究忽略播種到越冬期水分利用效率的變化。同時, SEM樣本量大于100時運行結果更為準確, 綜合以上兩點, 研究時段選擇冬小麥播種后次年的2月15日到5月31日, 包括小麥返青期(3月1日—31日)、拔節(jié)期(4月1日—15日)、抽穗期(4月16日—5月5日)、灌漿期(5月6日—31日), 2015年和2016年數(shù)據(jù)樣本量分別為106和107。

圖2 渦度相關系統(tǒng)水碳通量數(shù)據(jù)處理流程

圖3 多種微氣象因素與水分利用效率交互關系的結構方程模型邏輯圖

農(nóng)田水分利用效率以凈初級生產(chǎn)力(NEP)與蒸散量(ET)的比值表示, 影響NEP與ET的環(huán)境因素都會對水分利用效率產(chǎn)生影響。小麥不同生長階段葉面積指數(shù)(LAI)通常對ET以及碳的吸收產(chǎn)生決定性的作用; 土壤含水量(SWC)與作物根系水分吸收利用有關; 氣溫影響(a)與光合作用有關的酶的活性; 飽和水汽壓差(VPD)與葉片水汽向外擴散的驅動力有關; 風速(WS)會影響葉片表面的邊界層阻力, 從而影響蒸騰作用。凈輻射(n)為小麥的一切生命活動以及農(nóng)田的土壤蒸發(fā)提供能量, 相比于與光合作用直接相關的光合有效輻射,n的影響范圍更廣。故本文選取n、VPD、a、WS、SWC、LAI共6個因素進行結構方程模型建模。

2 結果與討論

2.1 氣象因子、土壤含水量及小麥葉面積指數(shù)變化

如圖4所示, 試驗站n2015年為2 621 MJ?m–2, 2016年為2 665 MJ?m–2, 為作物的生長提供了充足的能量保證;n年際變化呈單峰形式, 2015年和2016年日均n分別為7.2 MJ?m–2和7.3MJ?m–2。2015年年均溫13.4 ℃, 2016年平均13.6 ℃, 日均溫在–10.4~31.4 ℃之間波動, 氣溫年較差分別為28.4 ℃和30.1 ℃。VPD為0~2.8 kPa; 該站極少出現(xiàn)大風天氣, 日均風速約95%的時間都在3 m?s–1以下。

冬小麥單個生長季內(nèi)LAI也呈單峰形式(圖4e), 越冬期生長速度緩慢, LAI變化較平緩, 返青之后快速生長, LAI增長速度加快; 峰值出現(xiàn)在5月份, 為冬小麥抽穗末期或灌漿前期, 進入灌漿期之后, 葉片逐漸萎蔫, 葉面積減小。由于試驗地塊為典型的灌溉農(nóng)田, SWC通常保持較高水平, 除2016年12月(未進行冬灌), 土壤體積含水量基本維持在20%(圖4f)以上; 冬小麥灌溉后以及7、8月份降水較多, 土壤體積含水量在30%左右。

圖4 2015—2016年研究區(qū)凈輻射(Rn)、空氣溫度(Ta)、飽和水汽壓虧缺(VPD)、風速(WS)、葉面積指數(shù)(LAI)和土壤含水量(SWC)的季節(jié)變化

2.2 水分利用效率(WUE)及微氣象因子的影響

小麥關鍵生育期日尺度WUE變化整體呈拋物線型(圖5), 最大4.76 g(C)?kg–1(H2O), 2015年平均WUE為1.52 g(C)?kg–1(H2O), 2016年平均WUE為1.22 g(C)?kg–1(H2O)。

本研究利用SEM分析多種環(huán)境因素對WUE的影響作用。相比于之前研究中普遍采用的以單一因素與WUE建立線性相關的方式[14,29], SEM能夠在充分考慮外界因素之間交互關系的基礎上, 確定不同因素對WUE的影響。與以SPSS等進行的多元線性回歸相比, SEM具有可以設置中間變量(本文為LAI)的優(yōu)勢, 將外界因素對WUE的影響分離為直接影響和通過影響LAI產(chǎn)生的間接影響。

圖5 冬小麥水分利用效率季節(jié)變化

基于2015年和2016年的數(shù)據(jù), 以n等微氣象因子為自變量, LAI為中間變量建立的WUE-SEM共解釋了WUE 44%的變化, CMIN/DF=2.05, AGFI= 0.96, RMSEA=0.07, 模型擬合度優(yōu)(圖6)。本文中基于2015年和2016年小麥關鍵生育期的數(shù)據(jù)分析結果與之前發(fā)表的一些研究結果類似[15,30], LAI、a和VPD是影響日尺度WUE最主要的3個因素, 按照總影響的絕對值排序為a(0.65)>LAI(0.49)>VPD(-0.45) (表1), 但與之前的一些研究中將VPD作為控制WUE最主要的影響因素不同[31]。其原因有很多, 例如, 有的研究將生長前期以及后期的數(shù)據(jù)剔除以保證研究時段內(nèi)植物具有穩(wěn)定的LAI[32], 而有的研究是針對具有穩(wěn)定密閉冠層的森林生態(tài)系統(tǒng)[15]。因此, 在這些研究中LAI對WUE的影響減小甚至可以忽略。此外,a對WUE具有顯著的促進作用, 這與針對溫帶生態(tài)系統(tǒng)的研究結果一致, 但與針對亞熱帶生態(tài)系統(tǒng)的研究結果相反[33-34]。Zhu等[33]將在亞熱帶生態(tài)系統(tǒng)a對WUE的負向作用歸結為植物受到土壤水分脅迫, 但對于本研究中的灌溉麥田, 土壤水分不是限制WUE的因素。a對WUE的顯著影響不僅得益于對WUE的直接影響(0.49), 還包括其通過促進LAI的增長而提高WUE(0.15)。VPD對WUE產(chǎn)生了顯著的負向作用,a對WUE具有顯著的促進作用, 更高的WUE傾向于出現(xiàn)在a更高而VPD更低時。這表明當a高且空氣中水汽含量大時, 小麥的水分利用效率更高。溫度升高促進小麥的光合作用, 空氣水汽含量高則葉片蒸騰失水的驅動力減弱, 故水分利用效率提升。

圖6 微氣象因子對水分利用效率影響的結構方程模型

線的粗細代表影響程度, 不顯著路徑以虛線表示。The thickness of lines represent the degree of influence, non-significant paths have been expressed with dashed lines.

輻射是農(nóng)田水分循環(huán)以及植物光合作用的能量來源, 然而基于SEM分析2015年和2016年冬小麥關鍵生育期的數(shù)據(jù)發(fā)現(xiàn),n對WUE并未產(chǎn)生顯著的影響, 有兩方面的原因: 一方面輻射增加時, 光合速率增大, 但同時農(nóng)田蒸散也在增大, WUE的變化存在不確定性; 另一方面輻射通常對WUE的日變化影響顯著, 但對WUE季節(jié)變化的影響并沒有明顯的規(guī)律, 即使在陰天輻射較低時WUE也可能更高[35]。

WS未對WUE產(chǎn)生顯著的直接或間接影響。有研究表明, 在輻射充足的情況下, 由于對流冷卻作用, WS的提高會增加葉片吸收CO2的同時減少蒸騰[36], 從而提高葉片的WUE。根據(jù)這一結果, 影響不顯著的潛在原因可能是WS對冠層上部接受輻射充足的葉片影響顯著, 而冠層內(nèi)部由于輻射的衰減導致葉片接收輻射不足, 因此受到WS的影響很小。

SWC對LAI(0.46)的影響最大, 其對LAI具有積極的正向作用。當SWC提高, LAI增大, 一方面減少了到達地表的太陽輻射, 土壤蒸發(fā)減小; 另一方面, 作物水分充足時通常具有更高的氣孔開度, 可從外界吸收更多的CO2進行光合作用, NEE增大, 從而提高WUE。但SWC僅通過作用于LAI間接影響WUE(0.22), 對WUE的直接影響并不顯著。

整體來看, 模型對于WUE變化的解釋度并不高(44%), 很可能受到不同年份土壤水分條件、降雨量及溫度等微氣象因子不同程度的影響, 導致模型對WUE的解釋度較低。因此, 分別以2015年和2016年的數(shù)據(jù)進行建模, 分析不同年份氣象因素對WUE影響的差異。

2.3 不同氣象年型水分利用效率及其環(huán)境影響

1984—2016年小麥關鍵生育期(2月15日—5月31日)內(nèi)平均降雨量73 mm, 平均氣溫11.8 ℃。2015年降雨量94 mm, 平均氣溫12.5 ℃, 降雨量和溫度均高于平均線; 2016年降雨量27 mm, 平均氣溫13.3 ℃, 降雨量遠低于平均線, 而溫度高于平均線(圖7)。據(jù)此, 將2015年和2016年分別歸類為溫暖濕潤年(warm and wet year, WW)和溫暖干旱年(warm and dry year, WD)。分別以WW年和WD年數(shù)據(jù)運行水分利用效率結構方程模型(圖8), 結果顯示區(qū)分不同氣象年份之后, WUE變化的解釋度得到了提高, 2015年和2016年WUE的解釋度分別為54%和52%。從對WUE的總影響來看, WW年和WD年WUE主要的影響因素均為a、LAI、VPD; 但在WW年和WD年重要性程度不同, WW年LAI(0.63)>a(0.55)>VPD(-0.51), WD年為a(0.80)> LAI(0.42)>VPD(-0.35)(表2)。將總影響拆解為直接影響和間接影響, 結果表明WW年內(nèi)a、VPD、SWC對LAI均具有顯著的影響, 然而WD年則只有a和SWC對LAI具有顯著的影響。WW年更多的陰雨天氣使得這些時間內(nèi)VPD接近于0, 不利于葉片氣孔的張開從而降低了小麥與外界CO2的交換, 延緩了LAI的增長。然而對于WD年, VPD不是限制LAI增長的顯著因素, 這也間接提高了a對LAI的促進作用。WW年平均LAI為2.6, WD年為3.1也證實了這一點。

表1 微氣象因子對水分利用效率影響的標準化通徑系數(shù)

**和***分別表示在<0.05和<0.01水平影響顯著。** and *** mean significant effect at< 0.05 and< 0.01, respectively.

不論是WW年還是WD年, SWC對WUE均沒有顯著的直接影響, 而是通過促進LAI的增長而間接影響WUE, 同時VPD對WUE具有顯著的負向影響, 這與之前一些研究結果[3,16]一致, 更高的WUE傾向于出現(xiàn)在水分充足而VPD低時[例如, 本研究中WW年平均VPD為0.57 kPa, 0~2 m平均SWC為33%, 平均WUE為1.52 g(C)?kg–1(H2O); WD年平均VPD為0.70 kPa, 0~2 m平均SWC為29%, 平均WUE為1.22 g(C)?kg–1(H2O)], 這也意味著干旱會降低WUE, 與Xie等[15]的研究結果一致, 而與Krishnan等[18]的研究結果相反。

圖7 2015年和2016年小麥關鍵生育期(2月15日—5月31日)平均氣溫以及總降雨量

垂直虛線代表1984—2018年小麥關鍵生育期平均氣溫, 水平虛線代表降雨量。The vertical and horizontal dashed lines represent mean air temperature and total precipitation during key growing stages of wheat from 1984 to 2018, respectively.

圖8 溫暖濕潤年(2015年, A)和溫暖干旱年(2016年, B)微氣象因子對水分利用效率影響的結構方程模型

線的粗細代表影響程度, 不顯著路徑以虛線表示。The thickness of lines represent the degree of influence, non-significant paths have been expressed with dashed lines.

表2 2015年和2016年微氣象因子對水分利用效率影響的標準化通徑系數(shù)

**和***分別表示在<0.05和<0.01水平影響顯著。** and *** mean significant effect at< 0.05 and< 0.01, respectively.

n在WW年對WUE具有顯著的負向作用(-0.22), 這主要是由于在WW年降水頻繁(研究時段內(nèi)共計17次)使得n降低, 植物與外界環(huán)境的碳交換減弱, 盡管ET也減小, 但ET減小幅度小于NEE, 故WUE降低。在WD年降水較少(研究時段內(nèi)共計6次), 因此,n對WUE的影響作用并不顯著。

WS的變化沒有明顯的規(guī)律, 它通常對瞬時WUE起作用, 但對WUE的季節(jié)變化無規(guī)律可循。

3 結論

本研究基于2015年和2016年中國科學院欒城農(nóng)業(yè)生態(tài)系統(tǒng)試驗站水-熱-碳通量數(shù)據(jù)集, 借助SEM建模的手段分析了多種微氣象因子對小麥WUE的影響機制, 并區(qū)分不同氣象年型(溫暖濕潤年和溫暖干旱年)進一步豐富了研究結果。主要得出以下結論:

1)a、LAI、VPD是影響WUE的主要因素, 在不同的氣象年型亦是如此, 這3個因素是模擬和預測WUE變化時需要重點考慮的對象。a與VPD對WUE的影響方向相反,a對WUE起促進作用, 而VPD抑制WUE。這表明氣溫相近時, 空氣中水汽含量增大會促進WUE升高。

2)在溫暖濕潤年和溫暖干旱年環(huán)境因素的重要性程度不同, LAI在溫暖濕潤年影響最大, 而溫暖干旱年則為a。n在溫暖濕潤年和溫暖干旱年表現(xiàn)也不同, 在溫暖濕潤年對WUE具有顯著的負向影響, 而在溫暖干旱年影響并不顯著。未來的研究倘若增加寒冷濕潤年、寒冷干旱年以及溫度和降雨較平均的年份, 研究結果將更為豐富和完整。同時, 這也意味著在預測和模擬WUE對環(huán)境因素變化的響應時考慮不同的氣象年型將使結果更為準確。

3)WUE在溫暖濕潤年比溫暖干旱年更高[溫暖濕潤年平均WUE為1.52 g(C)?kg–1(H2O), 溫暖干旱年平均WUE為1.22 g(C)?kg–1(H2O)]的原因在于VPD對WUE具有顯著的負作用, 而SWC則對WUE具有促進作用, 表明干旱會降低WUE。

4)農(nóng)田生態(tài)系統(tǒng)生育期內(nèi)冠層結構變幅大, 不同生育階段對溫度、輻射的耐受性不同, SEM可以將LAI設置為中間變量來反映環(huán)境因素對WUE產(chǎn)生的直接影響以及通過影響LAI產(chǎn)生的間接影響, 這種方法有益于研究此類生態(tài)系統(tǒng)的環(huán)境影響機制。

[1] ALLEN S K, PLATTNER G K, NAUELS A, et al. Climate change 2013: The physical science basis. An overview of the Working Group 1 contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change (IPCC)[J]. Computational Geometry, 2007, 18(2): 95-123

[2] NIU S L, YANG H J, ZHANG Z, et al. Non-additive effects of water and nitrogen addition on ecosystem carbon exchange in a temperate steppe[J]. Ecosystems, 2009, 12(6): 915–926

[3] BEER C, CIAIS P, REICHSTEIN M, et al. Temporal and among-site variability of inherent water use efficiency at the ecosystem level[J]. Global Biogeochemical Cycles, 2009, 23(2): GB2018

[4] XIE J, CHEN J Q, SUN G, et al. Ten-year variability in ecosystem water use efficiency in an oak-dominated temperate forest under a warming climate[J]. Agricultural and Forest Meteorology, 2016, 218/219: 209–217

[5] NIU S L, XING X R, ZHANG Z, et al. Water-use efficiency in response to climate change: From leaf to ecosystem in a temperate steppe[J]. Global Change Biology, 2011, 17(2): 1073–1082

[6] XUE B L, GUO Q H, OTTO A, et al. Global patterns, trends, and drivers of water use efficiency from 2000 to 2013[J]. Ecosphere, 2015, 6(10): 174

[7] ZHANG T, PENG J, LIANG W, et al. Spatial-temporal patterns of water use efficiency and climate controls in China’s Loess Plateau during 2000–2010[J]. Science of the Total Environment, 2016, 565: 105–122

[8] LAW B E, FALGE E, GU L, et al. Environmental controls over carbon dioxide and water vapor exchange of terrestrial vegetation[J]. Agricultural and Forest Meteorology, 2002, 113(1/4): 97–120

[9] SHEN Y J, ZHANG Y C, SCANLON B R, et al. Energy/water budgets and productivity of the typical croplands irrigated with groundwater and surface water in the North China Plain[J]. Agricultural and Forest Meteorology, 2013, 181: 133–142

[10] LASSLOP G, REICHSTEIN M, PAPALE D, et al. Separation of net ecosystem exchange into assimilation and respiration using a light response curve approach: Critical issues and global evaluation[J]. Global Change Biology, 2010, 16(1): 187–208

[11] REICHSTEIN M, FALGE E, BALDOCCHI D, et al. On the separation of net ecosystem exchange into assimilation and ecosystem respiration: Review and improved algorithm[J]. Global Change Biology, 2005, 11(9): 1424–1439

[12] WANG Y, ZHOU L, JIA Q, et al. Water use efficiency of a rice paddy field in Liaohe Delta, Northeast China[J]. Agricultural Water Management, 2017, 187: 222–231

[13] KWON H, LAW B E, THOMAS C K, et al. The influence of hydrological variability on inherent water use efficiency in forests of contrasting composition, age, and precipitation regimes in the Pacific Northwest[J]. Agricultural and Forest Meteorology, 2018, 249: 488–500

[14] MA J Y, JIA X, ZHA T S, et al. Ecosystem water use efficiency in a young plantation in Northern China and its relationship to drought[J]. Agricultural and Forest Meteorology, 2019, 275: 1–10

[15] XIE J, ZHA T S, ZHOU C X, et al. Seasonal variation in ecosystem water use efficiency in an urban-forest reserve affected by periodic drought[J]. Agricultural and Forest Meteorology, 2016, 221: 142–151

[16] ZHOU S, YU B F, HUANG Y F, et al. The effect of vapor pressure deficit on water use efficiency at the subdaily time scale[J]. Geophysical Research Letters, 2014, 41(14): 5005–5013

[17] ZHANG Q, FICKLIN D L, MANZONI S, et al. Response of ecosystem intrinsic water use efficiency and gross primary productivity to rising vapor pressure deficit[J]. Environmental Research Letters, 2019, 14(7): 074023

[18] KRISHNAN P, BLACK T A, GRANT N J, et al. Impact of changing soil moisture distribution on net ecosystem productivity of a boreal aspen forest during and following drought[J]. Agricultural and Forest Meteorology, 2006, 139(3/4): 208–223

[19] GAO Y, MARKKANEN T, AURELA M, et al. Response of water use efficiency to summer drought in a boreal Scots pine forest in Finland[J]. Biogeosciences, 2017, 14(18): 4409–4422

[20] ZHANG F M, JU W M, SHEN S H, et al. How recent climate change influences water use efficiency in East Asia[J]. Theoretical and Applied Climatology, 2014, 116(1/2): 359–370

[21] SUN H Y, ZHANG X Y, LIU X J, et al. Impact of different cropping systems and irrigation schedules on evapotranspiration, grain yield and groundwater level in the North China Plain[J]. Agricultural Water Management, 2019, 211: 202–209

[22] SUN H Y, ZHANG X Y, CHEN S Y, et al. Effects of harvest and sowing time on the performance of the rotation of winter wheat-summer maize in the North China Plain[J]. Industrial Crops and Products, 2007, 25(3): 239–247

[23] SHEN Y J, LEI H M, YANG D W, et al. Effects of agricultural activities on nitrate contamination of groundwater in a Yellow River irrigated region[J]. Water Quality: Current Trends and Expected Climate Change Impacts, 2011, 348: 73–80

[24] WEBB E K, PEARMAN G I, LEUNING R. Correction of flux measurements for density effects due to heat and water vapour transfer[J]. Quarterly Journal of the Royal Meteorological Society, 1980, 106(447): 85–100

[25] MOORE C J. Frequency response corrections for eddy correlation systems[J]. Boundary-Layer Meteorology, 1986, 37(1/2): 17–35

[26] HOLLINGER D Y, KELLIHER F M, BYERS J N, et al. Carbon dioxide exchange between an undisturbed old-growth temperate forest and the atmosphere[J]. Ecology, 1994, 75(1): 134–150

[27] AUBINET M, VESALA T, PAPALE D. Eddy covariance: a practical guide to measurement and data analysis[J]. Springer Science & Business Media, 2012, 365–376

[28] ZHANG Y C, LEI H M, ZHAO W G, et al. Comparison of the water budget for the typical cropland and pear orchard ecosystems in the North China Plain[J]. Agricultural Water Management, 2018, 198: 53–64

[29] GAO L, ZHAO P, KANG S Z, et al. Surface soil water content dominates the difference between ecosystem and canopy water use efficiency in a sparse vineyard[J]. Agricultural Water Management, 2019, 226: 105817

[30] HU Z M, YU G R, WANG Q F, et al. Ecosystem level water use efficiency: a review[J]. Acta Ecologica Sinica, 2009, 29(3): 1498–1507

[31] ZHANG D L, DU Q J, ZHANG Z, et al. Vapour pressure deficit control in relation to water transport and water productivity in greenhouse tomato production during summer[J]. Scientific Reports, 2017, 7: 43461

[32] ZHANG Q, FICKLIN D L, MANZONI S, et al. Response of ecosystem intrinsic water use efficiency and gross primary productivity to rising vapor pressure deficit[J]. Environmental Research Letters, 2019, 14(7): 074023

[33] ZHU X J, YU G R, WANG Q F, et al. Seasonal dynamics of water use efficiency of typical forest and grassland ecosystems in China[J]. Journal of Forest Research, 2014, 19(1): 70–76

[34] TAN Z H, ZHANG Y P, DENG X B, et al. Interannual and seasonal variability of water use efficiency in a tropical rainforest: Results from a 9 year eddy flux time series[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(2): 464–479

[35] TONG X J, MU Y M, ZHANG J S, et al. Water stress controls on carbon flux and water use efficiency in a warm-temperate mixed plantation[J]. Journal of hydrology, 2019, 571: 669–678

[36] SCHYMANSKI S J, OR D. Wind increases leaf water use efficiency[J]. Plant, Cell & Environment, 2016, 39(7): 1448–1459

Effects of multi-factor on water use efficiency as identified by the SEM method in irrigated wheat farmlands in the North China Plain*

ZHANG Chuanwei1,2, QI Yongqing1, DAI Maohua3, ZHANG Yucui1**, SHEN Yanjun1,2**

(1. Center for Agricultural Resources Research, Institute of Genetics and Developmental Biology, Chinese Academy of Sciences / Key Laboratory of Agricultural Water Resources, Chinese Academy of Sciences, Shijiazhuang 050022, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China; 3. Institute of Dry Farming, Hebei Academy of Agricultural and Forestry Sciences, Hengshui 053000, China

Water use efficiency (WUE) is usually embedded in a variety of ecosystem models to assess the ecosystem response to climate change. However, under natural conditions, multiple environmental factors affect WUE directly and indirectly by influencing the canopy structure. Currently, the mechanisms that influence WUE are not clear. In order to clarify the synergistic effect of various factors on the WUE of winter wheat, experiments were conducted in the Luancheng Agro-Ecosystem Experimental Station, Chinese Academy of Sciences. Variables were observed using an eddy covariance system during key growth stages (greening, jointing, heading, filling) of winter wheat in 2015 (warm and wet year) and 2016 (warm and dry year). The variation in winter wheat WUE and the controlling mechanisms of various factors (net radiation,n; air temperature,a; vapor pressure deficit, VPD; wind speed, WS; soil water content, SWC) were analyzed by means of a structural equation model (SEM). The structural equation model can systematically analyze the impacts of different factors on WUE on the basis of interactions among different factors. Compared to traditional univariate or multiple linear regression, SEM had intermediate variables, which can decompose the effects of micrometeorological factors into direct and indirect effects. In this study, leaf area index (LAI) was the intermediate variable. The results showed that average WUE in 2015 was 1.52 g(C)?kg–1(H2O), while it was 1.22 g(C)?kg–1(H2O) in 2016.a, LAI, and VPD were the main factors that influenced WUE, regardless of whether the year was warm and wet (WW) or warm and dry (WD). Leaf area index andahad positive effects on WUE, while VPD inhibited WUE, which means that under similar temperatures, increased water vapor content in the air can enhance WUE.a, LAI, and VPD were of different importance in WW and WD years. LAI was the most significant influencing factor in WW years, whileaplayed a more important role in WD years. In WW years, VPD not only affected WUE directly but also indirectly through altering LAI, while it only had a direct effect in WD years.nalso was different between WW and WD years,having a significant effect on WUE in WW year but no significant effect in WD year. This phenomenon was caused by the heavier and more frequent rainfall in WW year. Obviously, taking the climate conditions in different years into consideration will increase accuracy when simulating WUE. WS had no significant effect on WUE, probably because WS only affects the leaves receive sufficient radiation in the upper part of the canopy, and these effects can be ignored for leaves inside the canopy. Farmland ecosystems have different tolerances and responses to radiation and temperature at different growth stages. LAI can be set as an intermediate variable to reveal this stepwise change in SEM. Therefore, for ecosystems with large seasonal changes in canopy structure, SEM is a powerful tool to investigate mechanisms of environmental control. This research can provide a scientific basis for accurately simulating WUE and predicting the response of WUE to climate change.

Water use efficiency; Structural equation model (SEM); Eddy covariance system; Micro-meteorology; Winter wheat

Q148

10.13930/j.cnki.cjea.190924

張傳偉, 齊永青, 戴茂華, 張玉翠, 沈彥俊. 華北平原灌溉麥田水分利用效率的SEM多因素影響研究[J]. 中國生態(tài)農(nóng)業(yè)學報(中英文), 2020, 28(6): 876-886

ZHANG C W, QI Y Q, DAI M H, ZHANG Y C, SHEN Y J.Effects of multi-factor on water use efficiency as identified by the SEM method in irrigated wheat farmlands in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2020, 28(6): 876-886

* 國家重點研發(fā)計劃課題(2016YFC0401403)、國家自然科學基金項目(31870422, 41930865)和中國科學院青年創(chuàng)新促進會項目(2017138)資助

沈彥俊, 研究方向為水文學與水資源, E-mail: yjshen@sjziam.ac.cn; 張玉翠, 研究方向為生態(tài)水文學與同位素水文學, E-mail: yczhang@sjziam.ac.cn

張傳偉, 研究方向為農(nóng)田多尺度水分利用效率及尺度傳遞。E-mail: zhangchuanwei0815@163.com

2019-12-30

2020-03-18

* This study was supported by the National Key Research and Development Project of China (2016YFC0401403), the National Natural Science Foundation of China (31870422, 41930865) and the Fund of Youth Innovation Promotion Association of Chinese Academy of Sciences (2017138).

s: SHEN Yanjun, E-mail: yjshen@sjziam.ac.cn; ZHANG Yucui, E-mail: yczhang@sjziam.ac.cn

Dec. 30, 2019;

Mar. 18, 2020