气溶胶污染物减排对我国低地水稻产量的影响外文翻译资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

气溶胶污染物减排对我国低地水稻产量的影响

Tianyi Zhang^1,5， Tao Li²， Xu Yue^3,5， Xiaoguang Yang^4,5

（1.中国科学院大气物理研究所大气边界层物理与大气化学国家重点实验室，北京，中华人民共和国；2. 菲律宾洛斯巴诺斯国际水稻研究所；3. 中国科学院大气物理研究所气候变化研究中心，北京，中华人民共和国；4. 中国农业大学资源与环境科学学院，北京，中华人民共和国；5. 任何信件都应寄给他的作者）

摘要:中国的气溶胶污染正在显著改变辐射传递过程，因此有可能影响水稻的光合作用和产量。然而，气溶胶诱导的辐射扰动对水稻光合作用的影响尚不清楚。在此，我们采用一种基于过程的建模方法，模拟了中国入射辐射(RAD)和扩散辐射率(DF)随气溶胶减排的变化及其对水稻产量的影响。在对水稻光合作用和产量的影响方面，气溶胶降低对提高RAD有正效应，对降低DF有负效应。在水稻生长季，平均RAD值低于250 W/m²的水稻产区，减少气溶胶有利于水稻高产；而在RADgt;250 W/m²的水稻产区，减少气溶胶会导致DF值的相应降低，从而降低了光利用效率，导致产量下降。作为净效应，随着气溶胶浓度从20%降低到100%，水稻产量估计显著增加0.8%-2.6%，低于早期仅考虑RAD效应的研究估计。这一发现表明，RAD和DF都是影响水稻产量的重要过程，应将其纳入今后气候变化下气溶胶引起的辐射变化的农业反应的评估中。

关键词：Oryza模型；柱辐射模型；扩散辐射；气溶胶污染物影响；漫射辐射施肥效应

1 引言

随着经济的快速增长，中国许多地区都出现气溶胶污染日益严重(Liang et al . 2016)，大气气溶胶增多(Dai et al . 2013)，雾霾日数增多(Wu et al . 2006)等情况。空气质量的退化不仅发生在高度城市化地区(Chan and Yao 2008))，还发生在许多农村和郊区地区((Luo et al 2016)。最近的研究已经确定了一组气溶胶污染的基本气候效应(Ramanathan et al 2005, Wild et al 2005)，这些效应在大气辐射转移过程中非常重要(Lin et al 2015, Ren et al 2013)。例如，中国的入射辐射(RAD)在1961-2010年间减少了约20%，这一效应可能归因于气溶胶污染(Lin et al . 2015)。此外，中国的气溶胶污染导致了更高的扩散率(扩散辐射除以入射辐射；以下简称DF (Ren et al . 2013)。

RAD和DF的变化影响大多数植物的光合作用(Knohl and Baldocchi 2008, Mercado et al 2009)和生产力(Greenwald et al 2006, Zheng et al 2011)。RAD的减少导致光合速率降低(Kanniah et al . 2012)，而由于云或气溶胶的散射效应而导致的较高的DF可以提高植物的光利用效率。这两个过程相互抵消，它们对植物生产力的净影响尚不清楚。早先的一项森林生态系统研究确定了森林生产力达到峰值时RAD值和DF值之间的权衡关系(Mercado et al . 2009)。

低地水稻是一种对辐射变化非常敏感的粮食作物，因为太阳辐射是中国灌溉水稻最重要的气候变量(Zhang et al . 2010)。最近的一项研究表明，我国重气溶胶污染的地理分布与水稻主要产区重叠(Tie et al . 2016)，这进一步引起了人们对重气溶胶污染对水稻影响的关注。只有少数研究探讨了气溶胶诱导的辐射扰动对水稻的影响(Chameides et al . 1999, Tie et al . 2016)。这些研究报告称，基于简单的作物辐射响应函数(Chameides et al . 1999, Tie et al . 2016)或非农业系统的统计关系(Tie et al . 2016)，由于减轻了气溶胶污染，产量提高了3%-30%。然而，这些研究并没有量化弥散辐射的潜在影响。

我们的主要目的是通过考虑RAD和DF对水稻光合过程的影响来评估和解释缓解气溶胶污染对中国低地水稻产量的影响。为了实现这一目标，我们(I)使用辐射传输模型估计了大气气溶胶负荷减少导致RAD和DF的变化，(II)采用水稻生长模型模拟RAD和DF变化对产量的响应， (III)将模型产量响应与现场观测结果进行比较。

2 方法

2.1 研究区域和地点

图1 所示研究区域和区域的定义 （阴影部分为低地稻田，黑点为试验场地。我国将水稻产区划分为七个水稻产区）

水稻种植在中国各地不同的地区，气候条件各不相同(图1)。90%以上的水稻产区是灌溉的(Maclean et al . 2002)。东部、中部、南部和西南部地区占中国水稻生产面积的78%。虽然北方地区的水稻产量由于最近气候变暖有所增加，但是这些地区种植的水稻仍然较少(Zhang et al . 2013)。中国有1513个县种植水稻，每个县的气候数据都是从我们之前使用的geo-grid-cell base历史每日气候数据库中提取的(Zhang et al . 2013, Zhang and Yang 2016)。

为了评估我们的模型结果，我们从中国气象局(CMA)的农业气象观测网络和太阳辐射观测网络的日RAD、DF和平均温度(TAVG)数据中收集了水稻生长的观测数据，包括季节水稻物候和产量记录。然后，我们选择了14个（193个）试验点（图1），其中既有农业学数据，也有辐射观测。许多地点被排除在外，因为这些地点的DF观测不是由太阳辐射观测网收集的。我们分别计算了14个试验点生长季节（即从出苗到成熟期间）的平均RAD、DF和TAVG，并将这些数据与每个季节的产量数据配对。

2.2 辐射传输模型和水稻模拟模型

我们使用柱辐射模型（CRM）来预测气溶胶引起的RAD和DF的变化(Yue and Unger 2017)。CRM是NCAR社区气候模型3.6版使用的辐射模型的一个独立版本(Kiehl et al . 1998)。CRM计算了气溶胶和云的消光和Mie散射。该模型考虑了硫酸盐、硝酸盐(含铵)、炭黑、有机碳、粉尘和海盐的辐射效应，并考虑了吸湿生长对颗粒光学参数的影响。CRM是由每小时11°的温度、湿度、和臭氧在20水平(大约1000 hPa-1 hPa)下，插值自现代回顾性分析的研究和应用再分析产品(MERRA) (Rie-necker et al . 2011)。MERRA还采用了反照率、温度和压力等地表变量。Ceres SYN1deg产品(Rutan et al . 2015年)中采用了垂直云图，包括云量和液态水路径。CRM所使用的气溶胶的三维浓度是通过NASA ModelE2模型离线预测的，ModelE2模型是一个耦合的化学—碳—气候模型，并通过观测得到了充分的验证(Schmidt et al . 2014)。污染种类的模型是以从温室气体与空气污染相互作用与协同综合评价模型(http://gains.iiasa.ac.at/models/)获得的排放清单为基础建立的，该排放清单与其他空气污染清单具有可比性(见补充文本S1和图S1，见stacks.iop.org/ERL/12/104003/mmedia)。由于磁盘存储的限制，我们对2009-2011年进行了CRM模拟，将这一时期的气溶胶浓度定义为当前(PD)水平。然后，在六种不同情景下模拟RAD和DF：相对于PD水平，气溶胶浓度降低0%、20%、40%、60%、80%和100%。我们模拟了与减少气溶胶有关的RAD和DF的变化，并在所有场景中保持相同的观测气候变量。

我们采用基于过程的水稻生长模型ORYZA (v3) (Li et al 2016, Li et al 2017)来模拟产量。ORYZA综合了物候、形态和生理过程来模拟水稻生长和产量。由于遮荫(只接受漫射辐射)和阳光照射(同时接受漫射和直接辐射)叶片的光照强度存在较大差异，模型区分了漫射和直接辐射对水稻个体的影响。对于深度为L的遮荫叶片，CO₂同化速率采用负指数函数(式(1))计算，其特征为初始斜率(初始光利用效率)和渐近线

其中为CO₂总同化速率，为光饱和时CO₂同化速率，为初始光利用效率，为吸收辐射量。

对于阳光照射下的叶片，不同角度的叶片分别计算CO₂的同化速率，并以球形叶片角分布为假设，对所有叶片角进行积分。遮荫和阳光照射叶的比例随太阳位置的变化而变化，这与一天中的位置和时间有关。在ORYZA的原始版本中，来自入射辐射的漫射辐射是用一个固定的分数来计算的。在这里，我们对ORYZA进行了改进，使其能够直接接收辐射传输模型的输出；即将CRM模拟的日RAD和DF值输入ORYZA。这一改进使我们能够模拟上述六种气溶胶减少情景下水稻产量的变化。

CRM和ORYZA在中国都得到了验证。对中国106个地点的RAD和DF (Yue and Unger 2017)的原位观测结果进行了CRM评价，并根据中国广泛使用的25个水稻品种的物候和产量数据对ORYZA进行了校准(Zhang and Yang 2016)。在补充图S2和S3中进行了图形比较，显示数据点接近1：1线。模型验证的细节可以在我们之前的作品中找到(Yue and Unger 2017, Zhang and Yang 2016)。

2.3 检测RAD和DF对产量的单独影响

为了检测RAD和DF各自对产量的影响并验证模拟结果，我们对模拟和观测数据进行了多元回归。对于6种气溶胶情景的模拟，我们的模型将c县的情景s下的对数产量（即）与生长季节的平均RAD（即）和DF（即）联系起来(方程(2))。

(2)

其中RAD表示平均入射辐射（W/m2），DF表示生长季节的平均扩散辐射分数（0-1）。我们还包括这两个变量的二次效应(捕捉潜在的非线性效应)以及县效应，县c(捕捉特定位置的差异)。系数到表示回归系数，是一个误差项。

对于观测数据，我们将给定年份t、给定县c的对数产量（即）与生长季平均RAD（即）和DF（即）联系起来(方程(3))。然而，由于这些数据是在田间条件下收集的，因此还有其他可能影响水稻产量的变量；因此，潜在的混淆变量的影响需要控制。因此，为了尽量减少农业技术进步的影响，我们将县的数据按年划分以解释时间趋势，并且在模型中加入了TAVG(Lobell et al 2011)。系数到表示回归系数。

此外，我们还绘制了单个RAD和DF对产量影响的图形表示：我们人为地将RAD增加10 W/m², DF增加0.05，然后根据两种回归模型计算出产量变化百分比。采用bootstrap方法估计中值产量响应及其95%置信区间(95% CIs) (Lobell et al. 2011)。

3 结果

3.1 RAD和DF对产量的单独影响

表1 从模拟和观测数据的回归模型得到RAD和DF的回归系数（括号中的值为标准差，表示p lt; 0.05时具有统计意义）

多元回归模型的模拟结果表明，RAD和DF对产量均有显著影响(表1)。RAD的一次项和二次项系数分别为0.0186、-3.33 times; 10^minus;5 ，DF的一次项和二次项系数分别为-2.1、2.17。二次项的统计意义表明，不同的RAD和DF对产量的影响不同。对于观测数据的模型，回归系数的符号与模拟数据的符号一致，但统计意义不显著(表1)。

图2比较了在不同RAD和DF水平下，RAD增加10个单位和DF增加 0.05个单位，模拟和观察到的产量变化情况。虽然观测数据的95%CIs较大，但我们在模拟和观测响应中观察到了类似的模式（图2）。在多数RAD水平下，增加RAD可提高产量，但在生长季节RAD含量较高时，这种效应较弱(图2(b1))。根据模拟数据，当RAD约为275 W /m²时，RAD效应接近于零(图2(a1))，而观测值略低(250 W/ m²)(图2(b1))。在DF的大部分水平上，DF的增加导致了较高的产量，DF水平越高，产量的增加也越大。在整个生长季节，从模拟数据(图2(a2))估计，在DF值接近0.45时，DF对产量的影响接近于零；从观测数据(图2(b2))估计，在DF值接近0.55时，DF对产量的影响接近于零。

图2 在生长季节，不同RAD和DF每增加10个单位(a1)和

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19191]，资料为PDF文档或Word文档，PDF文档可免费转换为Word