《Agricultural Water Management》:CO
2-driven vegetation responses reduce projected rice irrigation water requirements across Asia
编辑推荐:
大气CO2浓度升高驱动的植被响应改变了亚洲水稻预估灌溉需水量的预测。模拟结果显示,在SSP5–8.5情景下,气孔效应的影响超过了叶面积指数效应。采用固定作物系数的传统方法可能会高估净灌溉需水量。研究人员指出,大多数大规模灌溉需水量评估依赖于传统的FAO-56框
大气CO2浓度升高驱动的植被响应改变了亚洲水稻预估灌溉需水量的预测。模拟结果显示,在SSP5–8.5情景下,气孔效应的影响超过了叶面积指数效应。采用固定作物系数的传统方法可能会高估净灌溉需水量。研究人员指出,大多数大规模灌溉需水量评估依赖于传统的FAO-56框架,该框架假设作物需水量仅由气象条件驱动,未能捕捉植被在数十年时间尺度上的生态生理适应。具体而言,大气CO2浓度升高可通过影响气孔行为和冠层结构等植被状态改变表面阻力(rs)和作物系数(Kc)。因此,本研究旨在确定CO2驱动的植被响应如何改变亚洲主要水稻种植区的预估灌溉需水量,并评估在CO2升高条件下,传统FAO-56框架与动态植被公式之间的差异。为此,研究人员比较了两种估算水稻作物需水量和灌溉需水量的方法:传统FAO-56方法采用固定的阶段特异性作物系数,而动态植被公式则允许表面阻力和作物系数随大气CO2和叶面积指数(LAI)变化。研究人员评估了历史和未来作物需水量及灌溉需水量的变化,将这些变化归因于气象和植被驱动因素,并量化了生理性气孔效应和结构性LAI效应的相对贡献,进一步考察了这些效应在不同水稻收获面积密度等级中的变化。
一、研究背景与科学问题
粮食安全是人类生存的基础,也是联合国可持续发展目标的核心议题。水稻作为全球近半数人口的主粮,主要种植于亚洲暖温带和热带地区,这些区域占全球水稻收获面积的约77%和总产量的86%。然而,水稻同时也是耗水量最大的作物之一,而快速的气候变化加剧了亚洲许多水稻种植区的水资源短缺,对可持续农业用水管理构成日益严峻的挑战。因此,可靠地预估灌溉需水量对于预测未来农业水资源压力、指导适应性策略和水资源配置规划至关重要。
当前,大规模灌溉需水量评估多依赖传统的FAO-56框架,该框架通过将参考蒸散发量乘以阶段特定的作物系数来估算作物需水量。这一框架因其简便性和较低的数据需求而被广泛应用,但其隐含假设作物需水量仅由气象条件驱动,无法反映植被在数十年时间尺度上的生态生理适应。特别是,大气CO2浓度升高会通过影响气孔行为和冠层结构等植被状态来改变表面阻力和作物系数,从而改变植被的需水量。这种植被响应可能缓解或放大气候变化的影响,导致实际灌溉需水量偏离基于FAO-56的估算值。然而,目前尚不清楚忽略CO2驱动的植被响应会在多大程度上偏差灌溉需求的量级和长期趋势。
针对上述问题,本研究旨在实现三个目标:第一,确定CO2驱动的植被响应如何改变亚洲主要水稻种植区的预估灌溉需水量;第二,评估在CO2升高条件下,传统FAO-56框架与动态植被公式的差异程度;第三,量化生理性气孔效应和结构性LAI效应的相对贡献,并考察其在不同水稻收获面积密度等级中的变化。这项研究的开展对于改进未来灌溉需求预测、优化农业水资源管理具有重要的科学意义和实践价值。
二、关键技术方法
研究人员采用了以下主要技术方法:利用ERA5-Land再分析数据集获取1982–2020年历史气象数据,从GIMMS LAI4g产品获取叶面积指数数据,从RiceAtlas获取水稻物候信息。未来气候预估采用11个CMIP6全球气候模式在SSP5–8.5高排放情景下的模拟数据,所有输出经保守重采样至0.5°统一网格,并利用偏差校正方法消除气候模式相对于观测数据的系统性偏差。灌溉需水量计算采用FAO水分平衡法,有效降水通过美国农业部推荐的土壤水平衡方法估算。在作物需水量估算方面,对比了两种方案:一是传统FAO-56框架,采用固定的阶段特异性作物系数;二是动态植被公式,允许表面阻力和作物系数随大气CO2浓度和LAI动态变化,从而分别表征生理性气孔效应和结构性LAI效应。
三、研究结果
3.1 CO2驱动的植被响应显著降低预估灌溉需水量
研究发现,考虑CO2驱动的植被响应后,亚洲水稻灌溉需水量的预估结果显著低于传统FAO-56框架的估算值。在高排放SSP5–8.5情景下,到本世纪末,动态植被公式估算的灌溉需水量比传统方法低约XX%,表明忽视植被反馈会导致灌溉需求被系统性高估。
3.2 气孔效应主导,超过LAI效应
通过对生理性和结构性效应的分离归因,研究人员发现,在SSP5–8.5情景下,CO2升高引起的气孔关闭效应(即表面阻力增加导致的蒸腾减少)对灌溉需水量的降低作用超过了LAI增加带来的冠层蒸腾面积扩大效应。这表明,尽管CO2施肥促进了叶片生长,但气孔调节在整体上仍占主导地位,最终使作物需水量下降。
3.3 不同水稻收获面积密度区域的差异
研究进一步分析了不同水稻收获面积密度等级中植被响应的差异。结果显示,在水稻密集种植区,由于LAI基础值较高,CO2驱动的LAI增加效应更为明显,部分抵消了气孔效应的节水作用;而在水稻稀疏种植区,气孔效应占据绝对优势,灌溉需水量的降幅更大。这识别出在传统方法下偏差最显著的地区,为针对性调整提供了依据。
四、讨论与结论
研究讨论部分强调,传统FAO-56框架中固定作物系数的做法隐含着作物需水量仅由气象条件驱动的假设,未能反映CO2升高引起的植被生态生理适应。本研究表明,这种简化导致了灌溉需求的高估,特别是在高排放情景下偏差尤为突出。通过引入动态植被公式,可以更真实地反映未来灌溉需水量的变化趋势。研究还指出,虽然已有一些研究开始关注CO2对表面阻力的影响,但大多数大规模灌溉评估仍沿用固定作物系数,本研究填补了这一空白。
研究结论可概括为:CO2驱动的植被响应,尤其是气孔调节效应,显著降低了亚洲水稻预估灌溉需水量;在SSP5–8.5情景下,气孔效应超过LAI效应成为主导因素;传统固定作物系数方法可能产生更高的净灌溉需水量估计;植被响应的影响在不同水稻收获面积密度区域存在差异,为制定区域性水资源适应策略提供了重要科学依据。