基于参考总初级生产力方法诊断水分限制条件下的大豆产量差

《Agricultural Water Management》：Diagnosing soybean yield gaps under water-limited conditions using a reference gross primary productivity approach

　　

在全球粮食需求持续增长与水资源短缺加剧的背景下，准确评估与水分限制相关的作物生产力约束对于优化水资源管理、提升粮食产量至关重要。然而，开发一种兼具生理学基础和计算效率的全球尺度产量差评估方法仍面临挑战。本研究借鉴参考蒸散发（ET₀）的概念，提出了参考总初级生产力（GPP₀）。GPP₀将ET₀中的叶片尺度气孔阻力整合到Farquhar-Leuning光合作用模型中，以估算根据中国论文提供的证据，我将在给定树冠状态下估算水分充足条件下的作物参考生产力。以大豆为研究对象，在六个通量站点的验证表明，GPP₀在水分充足条件下与观测总初级生产力（GPP）吻合良好（R2 = 0.74；相对均方根误差（RRMSE）= 24.7%），并识别出生殖期是对水分胁迫最敏感的时期。2019年全球0.05°分辨率的应用揭示了平均大豆产量差为67.4 kg ha^-1，总生产差为61.0百万吨，相当于实际产量的25.9%。南美洲占全球生产差的70.1%，而东亚表现出最高的相对生产差（32.9%）。不同灌溉类别的比较显示，灌溉强度越高，大豆产量差显著缩小。这些估算的产量差最宜理解为相对于水分充足参考状态的产量不足，水分胁迫是其重要的致限因素。总体而言，GPP₀提供了一种基于生理学基础且操作简便的方法，用于诊断相对于该参考状态的大豆产量差，从而支持与灌溉能力扩展、输配水效率提升以及生育期针对性灌溉调度相关的决策。

**研究背景与问题**

全球粮食生产正日益受到土地资源有限、水资源短缺以及气候变化加剧等多重压力的综合制约。预计到2050年，持续增长的人口和膳食结构转变将使全球农业生产需求接近翻倍。在此背景下，在有限自然资源约束下可持续提升作物生产力已成为全球性紧迫挑战。缩小产量差——即实际产量与在优化管理和环境条件下可达到的潜在产量之间的差距——被公认为提升全球粮食系统效率和可持续性的关键途径。

产量差通常源于多种生物物理约束的交互作用，包括养分限制、水分胁迫、病虫害压力以及气候变率等。其中，水分供应被广泛认为是全球农业系统中产量形成的主导限制因子。大豆作为对水分限制尤为敏感的全球重要粮食和油料作物，其大部分氮素需求通过共生固氮满足，从而减少了化肥投入依赖。因此，水分亏缺成为产量差的关键驱动因素，特别是在播种至鼓粒等关键中期阶段。尽管补充灌溉能显著提升作物产量，但在全球水资源短缺加剧和灌溉成本上升的背景下，主要基于经验的灌溉实践往往难以实现精准配水和高效利用。因此，在全球尺度上可靠量化与水分限制相关的产量差，对于指导节水灌溉策略和提升农业水分利用效率至关重要。

现有产量差评估主要依赖过程导向的作物模型和经验统计方法，二者在机理细节、数据需求和可扩展性之间存在权衡。机理作物模型（如WOFOST、SIMPLE）能够模拟潜在产量并量化水分胁迫导致的产量降低，但其结构复杂、参数众多，且对高质量田间观测数据的高度依赖限制了其在数据匮乏地区及全球尺度的稳健性和可移植性。相比之下，经验统计模型通常更易于实施，可从历史气候-产量关系中推断产量响应，但其有限的生理学基础可能削弱在气候变化条件下的外推能力和可解释性。因此，亟需一种兼具生理学基础和操作简便性的工具，以在大尺度上评估与水分限制相关的产量差。

ET₀是广泛应用的大气蒸发需求指标，代表标准参考作物表面在水分充足条件下的蒸散发，通常采用FAO Penman-Monteith方法估算。参考蒸散发与实际作物蒸散发之间的差异可用于诊断偏离非水分限制条件的程度，为大规模作物水分限制和灌溉需求评估提供简单基础。本研究将这一参考状态逻辑延伸至作物碳吸收，提出GPP₀作为给定作物冠层状态下标准化水分充足气孔制度所预期的GPP，其中气孔阻力维持在较低水平，光合作用接近可达到的上限。GPP₀与实际GPP之间的偏离因此提供了相对于该水分充足参考状态而言生产力损失的机理性可解释指标。

**研究目标**

本研究以大豆为研究对象，利用提出的GPP₀框架，评估全球主要大豆种植区与水分限制相关的产量差。具体目标包括：（1）利用通量塔观测数据在站点尺度开发和验证GPP₀模型，评估其表征水分充足条件下作物潜在生产力的能力；（2）通过整合卫星遥感观测产品与高分辨率气候再分析数据，将该框架扩展至全球大豆种植区，生成空间明确的大豆生长季GPP₀估算，进而推导潜在产量、估算水分限制条件下的产量差，并评估不同水分供应情景对缩小产量差的潜在影响。

**主要技术方法**

研究采用的技术路线主要包括：基于Farquhar生化光合作用模型与Leuning??中气孔导度模型的耦合，引入参考气孔阻力（r_i=100 s m^-1）表征水分充足参考状态，结合大叶模型和卫星叶面积指数（LAI）将叶片尺度同化量扩展至冠层尺度，构建GPP₀模型；利用ERA5-Land再分析数据（2 m气温、向下短波辐射、地表气压）和日本气象厅CO₂数据作为气象驱动，以MODIS和VIIRS传感器独立的LAI数据集及FluxSat v2.0 GPP产品分别驱动模型和估算实际产量；通过通量塔能量平衡方法（蒸散分数95th百分位阈值）识别非水分胁迫日进行站点验证；采用固定碳利用效率（CUE=0.6）、地上部生物量分配系数（f_AG=0.87）和收获指数（HI=0.4）将GPP转化为产量；基于全球的灌溉分布图（0.05°）分析不同灌溉强度下的产量差差异。

**研究结果**

**大豆通量站点参考总初级生产力的季节动态**

多年日均值分析显示，GPP₀能够捕捉大豆GPP在生长季内的总体季节动态特征，表现为早期快速上升、7-8月达到峰值、随后逐渐下降。尽管GPP₀与观测GPP具有相似的时间模式，但两者在时机和季节形态上存在显著差异。站点间GPP₀峰值范围为13.8-17.1 g C m^-2 d^-1，而观测GPP峰值范围为12.5-16.1 g C m^-2 d^-1。GPP₀在所有站点均较早达到峰值（提前11-34天），并维持更长时间的高值平台期（40-48天，以大于80%季节峰值为标准），而观测GPP高值期仅为13-35天。两种叶片气孔阻力敏感性试验（r_i=70和130 s m^-1）显示相似的季节模式，相对于基线模拟，生长季累积GPP₀在r_i=70 s m^-1时增加2.2-3.6%，在r_i=130 s m^-1时降低2.6-3.8%，表明季节性态对所测试气孔阻力范围不敏感。

月度平均ΔGPP（GPP₀与观测GPP之差）揭示了年内偏离的明显季节集中特征。所有站点的ΔGPP在高度一致的时间点达到峰值，集中于6月和7月，与大豆关键生殖期重合。相比之下，生长季早期和晚期的ΔGPP接近零，表明差异集中于生殖生长阶段。尽管峰值ΔGPP幅度在站点间变化较大（4.5-10.2 g C m^-2 d^-1），但季节演变高度一致，呈现向生长季中期递增后降低的趋势。

**模型验证与敏感性分析**

GPP₀模型性能通过大豆通量站点识别的非水分胁迫日进行评估。六个站点共识别出256个非水分胁迫生长季日。总体而言，基线GPP₀与观测值表现出良好一致性，R2为0.74，RMSE为2.55 g C m^-2 d^-1，RRMSE为24.7%。站点间非水分胁迫日平均观测GPP范围为6.88-12.39 g C m^-2 d^-1，对应基线GPP₀范围为7.20-11.10 g C m^-2 d^-1。模型整体偏差为-0.59 g C m^-2 d^-1。站点特定RRMSE值普遍低于33%，最优站点达到15.9%。

针对气孔阻力的敏感性分析中，三种情景（r_i=70、100、130 s m^-1）的汇总模型性能变化适度，R2范围为0.69-0.76，RMSE为2.45-2.77 g C m^-2 d^-1。随着r_i增加，平均模拟GPP₀从10.18降至9.30 g C m^-2 d^-1，模型偏差从近中性转为 increasingly 负值（-0.18至-1.06 g C m^-2 d^-1），与高气孔阻力下CO₂扩散进入叶片减少的生理机制一致。这些结果支持r_i=100 s m^-1作为与ET₀一致的参考状态基线。

**全球大豆产量差的空间分布**

2019年全球主要大豆格点（大豆占比>0.1）分析显示，平均潜在产量为1002.2 ± 210.5 kg ha^-1，平均产量差达67.4 ± 14.2 kg ha^-1。潜在产量和产量差的纬度贡献 strongly 集中于南美洲10°S-30°S之间，该区域总潜在产量和总产量差分别为23.9 ± 5.0和5.6 ± 1.2百万吨。40°N附近出现次高峰，潜在产量虽高（23.1 ± 4.8百万吨）但产量差较小（3.1 ± 0.6百万吨）。空间上，高产量差主要分布在巴西、阿根廷北部、美国西部和中国东北部。

全球水分限制条件下大豆生产差（ΔΓ）约61.0 ± 12.8百万吨，相当于实际产量的25.9 ± 5.4%。绝对量方面，南美洲贡献最大（42.7百万吨，70.1%），其次为北美洲（12.6百万吨，20.7%）和东亚（4.4百万吨，7.2%）。按区域潜在产量归一化后，东亚表现出最高的相对生产差（ΔΓ%，32.9%），其次为南美洲（22.7%）和北美洲（14.5%）。

国家级分析表明，按绝对ΔΓ排序前四的国家均为世界主要大豆生产国：巴西（31.2 ± 6.6百万吨）、美国（11.2 ± 2.4百万吨）、阿根廷（7.4 ± 1.6百万吨）和中国（4.3 ± 0.9百万吨）。而最高ΔΓ%的国家主要为发展中经济体，前四名为尼日利亚（65.2%）、南非（55.8%）、伊朗（55.7%）和墨西哥（50.1%），尽管这些国家全球大豆产量绝对贡献较小，但持续高ΔΓ%表明潜在生产力未能有效转化为实际产量。

**不同水分供应条件下的产量差**

不同灌溉类别间产量差呈现明显梯度。无灌溉区产量差最大，平均214.9 kg ha^-1，空间离散度最高；低-中灌溉区显著低于无灌溉区（t检验，P<0.001），平均176.4 kg ha^-1；高灌溉区进一步降低（P<0.001），均值降至125.8 kg ha^-1。灌溉覆盖增加使平均产量差缩小17.9-28.6%。

通量站点多年累积相对产量差显示，预期水分限制较弱的环境可比对应站点呈现较小的累积相对产量差。内布拉斯加站点对中，灌溉站点Ne2（32.4%）低于附近雨养站点Ne3（37.1%）；密苏里站点对中，代表理想管理系统的Mo1（30.7%）低于常规管理站点Mo3（33.5%）。全球和站点尺度的不同叶片气孔阻力情景敏感性分析表明这些主要模式保持一致。

**讨论**

GPP₀方法为农业干旱全球尺度诊断提供了简便且机理解ubert明确的工具。其核心特征在于将叶片气孔阻力规定为参考状态参数，基线值r_i=100 s m^-1应被解读为与ET₀一致的标准化假设，而非对所有大豆基因型、生育阶段和环境下气孔行为的描述。该框架通过与叶片水平光合作用模型结合，将纯气象指标转化为直接关联农业水分条件与作物碳吸收的生产力指标。与WOFOST和DSSAT等广泛使用的机理作物模型相比，GPP₀不需要大量参数化或站点特定校准数据，增强了其在数据有限地区的适用性，支持大尺度、空间一致的评估。

研究表明GPP₀与实际GPP的差异在6-7月达到最大，这与大豆生殖生长期对水分胁迫高度敏感的生理证据一致。GPP₀峰值通常更早出现且高值期更长，这是因为GPP₀代表水分充足条件下的参考生产力轨迹，而观测GPP整合了可导致季节峰值延迟和拓宽的实际田间约束。

全球大豆产量差呈现显著空间异质性，热点集中于巴西、阿根廷北部、美国西部和中国东北部，与先前区域研究中大豆产量差模式基本一致，且与主要大豆产区高度重叠，表明高产量潜力区域同时暴露于显著的水分相关生产风险。南美洲主导全球生产差，这反映了其广泛的大豆种植面积、以雨养为主的种植系统和高潜在产量的综合作用。然而，生产高度依赖降水，增加了对降水变率和干旱的脆弱性。东亚虽然绝对贡献较小，但相对生产差最高，类似模式也见于尼日利亚、南非、伊朗和墨西哥等发展中经济体，这些地区农业基础设施有限，传统地面灌溉方法及较低的输配水和田间应用效率难以提供可靠供水。

研究进一步探讨了水分管理在缓解大豆产量差中的潜在作用。产量差随灌溉强度增加而持续下降的趋势，支持改善水分供应可缩小大豆产量差。但需注意，增加灌溉覆盖 alone 难以消除产量差，因为灌溉设施存在并不保证水分在关键时期以充足量输送至根区。灌溉有效性取决于输配水效率、田间应用效率以及与作物生理需求高峰期的同步性，GPP₀框架为此提供了识别何时何地水分管理干预最可能缩小产量差的生理学参考。

研究局限性包括：尽管纳入卫星LAI可减少冠层结构变化的混杂，但冠层状态仍可能保留养分限制、管理或其他非水分胁迫的 legacy 效应，导致非水分约束较强时GPP₀可能高估水分限制的产量差组分；全球模拟强迫数据可能掩盖次网格尺度土壤物理特性和局地微气候异质性；验证主要依赖美国观测数据，南美和亚洲等其他主产区高质量数据稀缺；GPP₀虽在大豆中表现合理，但向玉米等C4作物的扩展需额外测试和重新校准。

**研究结论**

本研究通过与ET₀类比构建了GPP₀，为水分限制条件下产量差的快速全球诊断提供了兼具生理学基础和计算简便性的框架。以大豆为案例，GPP₀在六个通量站点水分充足条件下与观测GPP表现出合理一致性。GPP₀与GPP的差异在生殖期达到最大，与大豆在该阶段对水分胁迫最敏感的生理学证据一致。在生理学合理的气孔阻力范围内，GPP₀的主要时间和空间模式对参考状态气孔阻力的具体选择不敏感，支持100 s m^-1作为与ET₀一致的基线。全球0.05°分辨率应用揭示了2019年61.0 ± 12.8百万吨的大豆生产差，以及绝对和相对产量差幅度的显著区域差异。进一步分析表明，缩小这些产量差需要区域特异性的水分管理策略：绝对生产差大的地区优先增加供水能力，相对生产差高的地区优先改善输配水的时间、效率和可靠性。所估算的产量差最宜理解为相对于水分充足参考状态的产量不足，而非对水分限制的严格单一归因。这些结果共同凸显了GPP₀作为水分限制条件下大尺度大豆产量差评估的一致性水分充足参考状态的价值。