一项关于量化澳大利亚东北部地区因土壤碱化导致的小麦产量损失的方法的比较研究

《Soil and Tillage Research》：A comparative study of methods to quantify wheat yield penalty attributable to soil sodicity across north-eastern Australia

　　云露莱 | 马修·J·普林格尔 | 彼得·M·科皮特克 | 尼尔·W·门齐斯 | 托马斯·G·奥顿 | 雅什·P·当
澳大利亚昆士兰大学可持续农业系统中心，斯普林菲尔德中央，4300，QLD

**摘要**
土壤盐碱化是澳大利亚小麦生产的主要限制因素，但由于其与气候、管理措施、同时存在的土壤限制以及数据支持的异质性，估计其产量影响仍然具有挑战性。本研究比较了2000-2016年间用于量化并绘制北部谷物地区（NGR）盐碱化导致产量损失的三种方法。评估了两种基于经验的方法，以及一种基于过程模型的作物系统模拟器——农业生产系统模拟器（APSIM）的模拟结果。根据8月份的蒸气压亏缺，将气候条件分为湿润、温和和干旱年份，这代表了NGR开花期关键生长阶段的大气需求。这些方法在产量损失的幅度和空间范围上产生了系统性的差异。基于空间分布的土壤剖面数据的经验方法1和APSIM产生了连贯的区域模式和较高的平均损失值，其中APSIM始终得出最大的数值。相比之下，基于空间聚集的产量监测数据训练的经验方法2产生了较低的区域平均值，但在田间内的变异性更大，尤其是在干旱条件下，高损失更为明显。这些差异反映了数据支持、模型结构以及对盐碱化效应表示方式的差异。经验方法估计了观测数据域内的实际盐碱化相关产量损失。而APSIM则估计了去除盐碱化后相对于受盐碱化限制的水分限制下的潜在产量增加，因此在可实现产量较高的环境中产生了更大的绝对损失。因此，这些强烈依赖于尺度和方法的产量损失估计为从区域到田块尺度的决策支持提供了互补的见解，以管理旱地作物系统中的土壤限制问题。

**1. 引言**
土壤盐碱化——即土壤交换复合体中钠（Na）离子相对于其他阳离子的过量，通常通过交换性百分比（ESP）来衡量——是澳大利亚小麦生产最重要的土壤限制因素之一。作为盐碱土壤面积最大的国家，澳大利亚占全球盐碱土壤的40%（Rengasamy和Olsson，1991）。Northcote和Skene（1972）估计澳大利亚27.6%的土地为盐碱土，而更近期的估计则认为盐碱土面积为17%（Bot等人，2000）。尽管盐碱化对澳大利亚农业生产至关重要，但关于其范围和影响的可用信息仍然有限。唯一一次全澳大利亚范围的盐碱土壤测绘是由Northcote和Skene（1972）根据《澳大利亚土壤图集》（Northcote，1966）中的形态剖面以及一些分析的土壤剖面完成的。这些作者将ESP值超过6的土壤归类为盐碱土。这一阈值低于美国常用的表示盐碱化的15（Richards，1954），反映了澳大利亚土壤的高度风化特性及其通常较低的可溶性矿物质浓度。Hajkowicz和Young（2005）使用基于多边形的方法在Northcote和Skene（1972）定义的盐碱土范围内绘制了ESP图，并基于专家意见定义了不同作物/牧草类型的相对产量函数。他们估计，通过免费去除盐碱化，澳大利亚农业生产的潜在年利润增加为1.046亿澳元。同样，Orton等人（2018）估计盐碱化导致的小麦产量损失每年为1.3亿澳元。尽管这些全国性研究提供了有用的总体估计，但其粗略的空间分辨率限制了其在农场决策层面的应用。相反，许多基于田间的研究考察了在澳大利亚旱地和灌溉作物系统中改良盐碱土壤的效果（Dang等人，2011；Doyle等人，1979；Hamza和Anderson，2003），但其发现往往具有地域性，难以推广到其他地区。这种脱节突显了一个关键问题：目前没有一致的框架来量化大范围内与盐碱化相关的产量损失，且分辨率不符合种植者的需求。

大多数盐碱土壤对农业生产存在多重限制（Rengasamy等人，2016）。盐碱土壤的土壤强度相对较高，在干燥时过于坚硬，使得耕作困难（Cochrane和Aylmore，1991）。表层土壤中的高盐碱度会导致结壳，从而阻碍种子发芽和出苗（Soman等人，1992；Anzooman等人，2018）。在底土中，由于团聚体的膨胀和分散（Sumner和Naidu，1998），压实和孔隙度降低会导致水分储存减少、通气不良、水力传导性和渗透率下降（Shainberg和Singer，2011）。这些因素增加了作物对水分涝害的敏感性，减少了根系的渗透能力，并对植物吸收水分和养分的能力产生了负面影响（Lauüchli和Epstein，2011）。土壤物理结构的下降也使它们更容易受到侵蚀（Shainberg等人，1994；Tang等人，2006）。

盐碱土壤的稳定性受其电解质浓度和组成的影响。在盐碱性土壤中，高Na浓度对土壤结构的影响可能被高电解质浓度所掩盖（Rengasamy等人，2016）。然而，在这些土壤中，由于渗透压低，植物可利用的水分减少，且氯化物（Cl）的毒性普遍存在（Kingsbury和Epstein，1986；Martin和Koebner，1995），尤其是在澳大利亚的北部谷物地区（NGR）（Dang等人，2006）。电解质浓度较低的盐碱土壤更容易分散，通常肥力较低，从而可能导致锌缺乏（Graham等人，1992）。盐碱土壤中还可能存在钠的毒性和钠引起的钙和镁缺乏（Maas和Grieve，1987；Maas和Hoffman，1977）。

除了直接的土壤相关限制外，盐碱化还与气候压力有很强的相互作用。通过限制根系生长和减少对地下水的利用（Anzooman等人，2019；Anzooman等人，2023），盐碱化增加了作物在关键生长阶段对水分短缺的脆弱性。对于小麦来说，开花期特别敏感，因为这一时期的水分胁迫强烈决定了籽粒数量和产量潜力（Ji等人，2010）。蒸气压亏缺（VPD）是衡量大气水分需求和胁迫强度的有效指标（Dreccer等人，2018；Zhang等人，2017；Fakhet等人，2021），而8月份通常与NGR大部分地区的茎伸长和开花期重合。因此，在8月份VPD定义的气候情景下评估盐碱化的影响，为量化盐碱化-气候相互作用及其对产量损失风险的影响提供了生理学上有意义的框架。

澳大利亚的NGR从新南威尔士州中部的杜博（南纬32.3°，东经148.6°）延伸到昆士兰州中部的克莱蒙特（南纬22.7°，东经147.1°），位于东海岸内陆100-400公里范围内。在新南威尔士州，估计有65%的小麦（Triticum aestivum L.）种植面积受到盐碱化的影响（Orton等人，2018）。在昆士兰州，这一比例更高，达到80%-88%的小麦种植面积受到影响（Orton等人，2018）。

为了解决以往评估的局限性，本研究旨在评估和比较不同的方法，以量化：（i）NGR范围内长期平均每年因盐碱化造成的小麦产量损失；（ii）在湿润、温和和干旱气候情景下的平均产量损失，这些情景是根据NGR的平均8月份VPD定义的。我们评估了以下方法（图1）：

**图1. 用于量化澳大利亚北部谷物地区盐碱化导致的小麦产量损失的方法框架。** 该研究通过实施三种互补的方法来解决土壤盐碱化对小麦生产力的限制：（i）基于土壤采样位置的经验方法，结合ESP测量和遥感产量代理；（ii）基于产量监测数据并结合空间衍生土壤和气候协变量的经验方法；（iii）使用APSIM模拟的过程方法，该方法使用土壤剖面、气候和管理参数进行参数化。这些方法生成了盐碱化对产量的响应，从而得出校正盐碱化后的产量及其相关的产量损失。
**缩写：** ESP：交换性钠百分比；NDVI：归一化植被指数；N：氮；SOM：土壤有机质；Yact：实际产量；Yrect：校正盐碱化后的产量；Ypen：归因于土壤盐碱化的小麦产量损失。

**1. 多阶段经验建模框架，包括两种方法：**
• 在土壤采样位置估计产量损失，然后在整个NGR范围内进行空间插值；
• 在产量监测位置使用绘制的ESP、土壤质地和气候变量估计产量损失，然后在整个NGR范围内进行空间预测。

**2. 基于过程模型的方法，使用农业生产系统模拟器（APSIM）在土壤采样位置模拟产量损失，然后在整个NGR范围内进行空间插值。**

产量损失预测和空间插值按照GlobalSoilMap规范（Arrouays等人，2014b）进行，即3弧秒分辨率（约90米）。基于观测到的产量-土壤-气候关系的经验模型可以捕捉大型数据集中的模式，但可能缺乏过程真实性和外推能力。像APSIM这样的基于过程的作物模型明确表示了土壤-植物-气候相互作用，但需要详细的参数化，并且计算要求较高。通过在一个共同框架内比较三种方法——两种经验方法和一种基于过程的方法——本研究旨在识别每种方法的方法学优势和局限性，并突出进行盐碱化影响评估的关键考虑因素。最终，从本研究获得的方法学见解旨在为制定农场土壤修复策略和区域尺度土地利用和管理决策提供指导。

**2. 材料与方法**
我们量化了2000-2016年间NGR潜在种植区内因盐碱化造成的长期平均每年小麦产量损失，以及在湿润、温和和干旱情景下的产量损失。潜在的种植区被定义为澳大利亚合作土地和管理计划（ACLUMP；http://www.agriculture.gov.au/abares/aclump）中的3.3.0（旱地作物）、3.3.1（旱地谷物作物）、4.3.0（灌溉作物）和4.3.1（灌溉谷物作物）类别。

NGR的降雨分布从北部的夏季主导型变为南部的相对均匀的冬季-夏季分布。因此，夏季储存的水分对冬季作物的产量非常重要（Dang等人，2018；Rodriguez和Sadras，2007；Webb等人，1997）。选择8月份作为代表NGR小麦生长期间水分可用性最关键的时期，因为澳大利亚东北部的小麦开花通常发生在8月和9月（Dang等人，2011；Schut等人，2009；Rodriguez和Sadras，2007）。开花是小麦生长最关键的时期，此时胁迫的影响显著影响最终的籽粒数量和产量（Calvi?o和Monzon，2009）。我们选择蒸气压亏缺（VPD），即实际蒸气压与饱和条件下的蒸气压之差（Xue等人，2004），作为研究期间8月份季节性水分可用性的代理指标。VPD是影响水分利用效率的主要因素之一，强烈影响作物蒸腾速率（Xue等人，2004）。在依赖夏季降雨储存的作物区域，如我们的研究区域，7月之后的降雨对作物产量尤为重要（Stephens和Lyons，1998；Rodriguez和Sadras，2007），因为到开花期，作物已经利用了土壤剖面中大部分的储存水分。

每日蒸气压、最高和最低温度数据来自SILO 5公里网格数据集（https://www.longpaddock.qld.gov.au/silo/）。饱和水蒸气压使用8月份-Roche-Magnus公式（Alduchov和Eskridge 1996；公式（1）进行估算，从而计算每日VPD。然后计算研究期间每个网格单元和每年的平均8月份VPD。由于VPD在空间和时间上都有变化，我们将其分解为两个组成部分，以明确区分长期空间模式和年际气候变异性。空间组成部分（VPDspatial）定义为研究期间每个网格单元的长期平均8月份VPD。时间组成部分（VPDtemporal）定义为每年相对于这一长期平均值的偏离。因此，VPDspatial捕捉了大气需求的持久空间梯度，而VPDtemporal代表了这些局部基线的年际偏差。NGR的结果VPDspatial和年度VPDtemporal网格使用双线性插值重新采样到GlobalSoilMap分辨率。为了分类气候条件，使用VPDtemporal进行了特定位置的分类。17年的VPDtemporal栅格堆栈被用来表征研究区域内每个网格单元的年际气候变异性。对于每个地点，VPD最低的五年被归类为湿润年份，VPD值中等的七年被归类为中等年份，VPD最高的五年被归类为干旱年份。(1)es(T)=0.61094×exp17.625TT+243.04，其中：•es(T)是饱和蒸汽压（单位为千帕斯卡kPa），•T是空气温度（单位为摄氏度°C），•exp表示指数函数。2.1. 经验方法2.1.1. 经验建模框架钠盐度对作物生长的影响通常表现出阈值行为，因为当土壤结构因粘土分散而退化时，土壤的ESP会超过临界水平（Gupta和Sharma，1990年；Qadir和Schubert，2002年）。结构不稳定会降低渗透性、水力传导性和土壤通气性，从而限制根系发育和植物对储存土壤水分的获取。然而，随着钠盐度严重程度的进一步增加，ESP的额外增加所带来的边际效应可能会减弱，因为根系深度和可利用的土壤水分已经受到强烈限制。因此，钠盐度严重程度通过ESP的阈值对数转换来表示，称为“钠盐度程度”（DoS）。在这项研究中，无论土壤深度如何，ESP值6被选为钠盐度开始影响作物产量的临界值（Sumner，1993年；Orton等人，2018年）。为了仅表示超过这个阈值的钠盐度效应，ESP值根据公式（2）转换为DoS。这种公式以对数尺度表示钠盐度严重程度，同时在高ESP值时压缩了尺度。DoS公式还便于通过将DoS变量设置为0来反事实预测钠盐度改善后的产量增加情况，这代表了ESP降低到阈值水平时可能实现的产量。(2)degreeofsodicity=ln(ESP)?ln(6)，如果ESP>6，则否则我们采用了Orton等人（2018年）详细描述的多阶段经验框架来模拟钠盐度对NGR地区冬小麦产量的影响。该建模框架结合了使用Cubist（Quinlan，1992年）生成的基于规则的回归和随后的线性混合效应模型（LMM）（Pinheiro和Bates，2004年）重新拟合，以明确考虑数据中的空间和时间相关性。这种两阶段程序结合了基于规则的预测因子空间划分和原始Cubist模型未捕捉到的方差-协方差结构。Cubist通过在由土壤和气候条件组合定义的划分内拟合局部线性模型来表示非线性关系，允许预测因子效应在领域内变化，而不是强加单一的全局函数。因此，该框架能够捕捉大气需求、土壤剖面质地和钠盐度分布之间的相互作用，从而实现基于上下文的产量损失表示。最初的Cubist模型使用一个委员会进行拟合，没有对规则的最大数量进行限制，采用默认的剪枝设置和基于实例的校正（邻居数=0）。预测因子变量包括六个GlobalSoilMap深度区间（例如，0.05表示5%）的深度特定DoS、粘土和沙子百分比（以表示土壤质地），以及气候协变量（VPDspatial和VPDtemporal）。为了简化表示，这些变量用下标A到F表示六个深度（即0–5、5–15、15–30、30–60、60–100和100–200厘米）。例如，DoSA、ClayA和SandA分别表示深度0–5厘米处的DoS变量、粘土百分比变量和沙子百分比变量。为了防止气候划分过于狭窄，为两个气候变量VPD(spatial)和VPD(temporal)设置了最小规则宽度0.1。通过限制规则的最大数量，逐步降低了模型复杂性。在每次迭代中，检查规则结构，并依次减少规则数量，直到没有DoS变量出现在规则条件中。这一限制确保了通过将DoS设置为零得到的钠盐度校正后的产量（Yrect）的预测不会改变规则成员资格，从而保持了实际产量（Yact）和Yrect预测之间的结构一致性。由于土壤钠盐度导致的小麦产量损失（Ypen）定义为：(3)Ypen=Yrect?Yact，其中Yact（“实际产量”）表示包括钠盐度效应在内的模型预测产量，Yrect（“钠盐度校正后的产量”）表示当土壤钠盐度设置为非限制水平（在本研究中，ESP?6）时同一模型预测的产量。每个Cubist规则对应一个多元线性回归。这些特定于规则的回归被转换为显式的设计矩阵表示，为每个规则生成单独的截距项。在普通最小二乘拟合过程中移除了共线预测因子，并在混合效应重新拟合之前将其排除。然后使用带有限制最大似然（REML）的线性混合效应模型（LMM）重新拟合每个终端规则的Cubist派生回归结构，以考虑空间和时间相关性。当分母自由度不足时，应用了Kenward–Roger近似。为了确保生物物理一致性（即，钠盐度的增加不会增加产量），在每次LMM拟合后逐步检查与DoS项相关的系数。任何正的DoS系数都会被依次移除（从最小的p值开始），然后重新拟合模型。这个过程持续进行，直到所有DoS效应都不再是正的，从而确保钠盐度对产量的影响是单调且不增加的，同时保留统计上支持的效应。土壤和产量数据集并不完全共位。因此，实施了两种经验方法来协调土壤和产量数据，以估计钠盐度引起的小麦产量损失（图1）：(1)在区域尺度上，使用Landsat衍生的时间积分归一化植被指数（iNDVI）作为产量的替代指标（Lai等人，2018年），以模拟在土壤采样稀疏位置的钠盐度效应，然后在整个NGR上进行插值（第2.1.2节）；(2)在农场尺度上，结合农场内监测的产量数据和NGR的ESP地图（Lai等人，2020年）以及土壤质地信息和气候协变量来模拟钠盐度对产量的影响（第2.1.3节）。第一种方法将产量替代数据与土壤采样位置对齐，而第二种方法将数字映射的土壤属性与网格化的产量监测位置对齐。这两种方法在两个关键方面有所不同：(a)用于训练钠盐度引起的小麦产量损失经验模型的数据，即经验方法1将测量的土壤ESP与从iNDVI估计的产量相结合，而经验方法2将测量的产量数据与映射的土壤ESP相结合；(b)计算产量损失的方法，即在经验方法1中，首先将特定情景的产量损失在相关年份内平均，然后在整个NGR上进行插值，而在经验方法2中，每年在GlobalSoilMap分辨率下预测产量损失，随后在每个气候情景内平均。2.1.2. 经验方法1：Landsat衍生的产量和测量的土壤ESP数据预处理。土壤我们从NGR潜在种植区的国家土壤站点汇编（NSSC；Searle，2014年）中提取了676个ESP剖面（图2）及其实验室测量的土壤质地信息（Rayment和Lyons，2011年）。这些土壤剖面的ESP值通过等面积二次样条（Bishop等人，1999年）调整到GlobalSoilMap项目指定的六个深度（即0–5、5–15、15–30、30–60、60–100和100–200厘米）。对于没有实验室测量的土壤质地数据但NSSC中有现场质地记录的ESP剖面，使用Brown（2019年）的方法进行估算。如果这也不可用，则使用来自澳大利亚土壤和景观网格（SLGA）（Viscarra Rossel等人，2015年）的土壤质地地图中的值来填充土壤质地数据，首先将粘土、沙子和粉砂成分调整到总和为100%。随后保留土壤质地的粘土和沙子成分用于建模。气候我们从每个ESP站点的VPDspatial和VPDtemporal网格中提取VPDspatial和VPDtemporal值，以表示气候对小麦产量的影响。下载：下载高分辨率图像（632KB）下载：下载全尺寸图像图2. 研究区域显示了NGR（浅绿色）、ESP土壤剖面位置（值对应于每个剖面中最接近土壤表面的样本）以及收集产量监测数据的农场（浅蓝色方块）。缩写：NGR，北部谷物区；ESP，可交换钠百分比。产量对于每个ESP站点，提取了4月1日至11月30日期间每个土壤数据位置相交的30米像素的Landsat表面反射率数据，以计算17年（2000–2016年）的年度NDVI时间序列。对于那些非对称钟形生长函数（Werker和Jaggard，1997年）比线性函数更适合年度时间序列的站点（表明可能种植了作物），通过积分5月1日至10月31日之间的曲线下面积来计算iNDVI。然后使用Lai等人（2018年）详细描述的线性混合效应模型来预测产量。iNDVI衍生的产量作为响应变量，并使用缩放的对数函数（4）进行转换，以稳定方差并将产量值限制在0–9 Mg ha?1的范围内，以确保它们保持在农艺上合理的范围内。(4)logita,b(z)=logz?ab?z，其中a=0和b=9。所有模型拟合都在转换后的尺度上进行，预测结果在使用逆函数之前进行反转换以计算Ypen。产量估计和空间划分。应用了第2.1.1节描述的建模框架。在LMM重新拟合期间，为（i）ESP站点和（ii）年份指定了随机截距，以考虑重复测量和层次结构。将拟合模型应用于ESP站点，以使用公式（2）估计Yact和Yrect，随后估计Ypen。在每个土壤位置，计算了17年的平均产量损失Y?penLT，以及在湿润Y?penWet、中等Y?penMod和干旱Y?penDry条件下的特定情景平均产量损失。然后使用克里金法（Arrouays等人，2014a）将每个ESP站点的Y?penLT、Y?penWet、Y?penMod和Y?penDry插值到NGR潜在种植区的3弧秒GlobalSoilMap网格上，并借助澳大利亚土壤分类（ASC）土壤等级地图（ASRIS，http://www.asris.csiro.au/；Isbell 2016）来给出空间趋势。为了考虑通常与较大产量损失估计相关的更大不确定性，在对数转换之前添加了0.01的常数以适应零值。插值后，使用标准对数正态克里金校正将预测结果反转换回原始尺度，并随后减去该常数。2.1.3. 经验方法2：产量监测数据和映射的土壤ESP在这种方法中，使用从17个农场收集的60个小麦产量地图（图1）中插值的产量监测数据作为响应变量。使用块克里金法将产量数据调整到30米Landsat网格，以确保如Lai等人（2018年）所述的一致空间支持，然后使用公式（4）进行转换。每个插值的30米产量像素的质心被用作提取所有预测因子的参考位置，即ESP（以计算DoS）、沙子和粘土百分比、VPDspatial和VPDtemporal。Lai等人（2020年）描述的ESP地图进行了更新（见补充部分S1），加入了额外的土壤ESP剖面（总计3935个剖面和13,628个观测值）和来自澳大利亚地球科学局的Bare Earth数据集（Roberts等人，2019年）作为额外协变量。这些ESP地图符合GlobalSoilMap规格，因此具有3弧秒的空间分辨率。在每个30米产量像素的质心处提取ESP值，将包含质心的ESP网格单元的值分配给该产量像素。随后使用公式（2）从ESP计算深度特定的DoS变量。同样，从SLGA（Viscarra Rossel等人，2015年）中提取土壤质地变量（粘土、沙子和粉砂），并将质地比例调整到总和为100%。从第2节详细描述的相应栅格图中提取了长期平均8月VPDspatial和年度VPDtemporal。应用了第2.1.1节描述的建模框架。为了考虑产量监测数据集的层次结构，在LMM重新拟合期间为农场和年份指定了随机截距，将田间级效应嵌套在农场和年份内（Lai等人，2018年）。这种结构考虑了农场内的空间聚类和季节间的重复测量。产量估计和空间划分。使用应用于建模数据集的相同预处理框架来派生DoS和土壤质地的栅格层，以确保空间一致性。使用公式（2）从更新的ESP地图逐像素计算深度特定的DoS栅格。土壤沙子和粘土栅格数据来源于SLGA（Viscarra Rossel等人，2015年），首先将沙子、粉砂和粘土的比例调整到100%，然后直接计算出所需的沙子和粘土比例。对于位于昆士兰州的NGR区域，2000年至2016年的年度活跃种植区域是基于1987-2019年的活跃作物组数据集（Pringle等人，2018年）确定的；而新南威尔士州NGR区域的年度活跃种植区域则是通过首先在经验方法1（第2.1.2节）定义的潜在种植区域内预测研究期间（2000-2016年）的iNDVI值，然后遍历每个年度的iNDVI镶嵌图，并为那些非对称钟形生长曲线（Werker和Jaggard，1997年）比简单线性函数（Lai等人，2018年）更符合实际情况的像素分配一个指示值来确定的。我们使用这些年度活跃种植区域作为掩膜，并利用协变量的栅格堆栈来预测每年的Yact值。通过将DoS变量设置为0来预测Yrect值。每年由于土壤盐碱化导致的产量损失（Ypen）是使用方程（3）计算得出的。Y?penLT、Y?penWet、Y?penMod和Y?penDry值是通过平均相应的Ypen栅格层得到的。

**图3.** 用于模拟的通用APSoil剖面的土壤水分特征曲线（体积含水量，以比例表示）。AirDry：洋红色；LL：红色；DUL：黑色；SAT：灰色；wheatLL：蓝色。缩写：LL，下限；DUL，排水上限；SAT，饱和度。

**2.2. 基于过程的方法——APSIM**
另一种方法是使用APSIM来估计由于土壤盐碱化导致的小麦产量损失。APSIM是一个作物模拟平台，用于评估气候、土壤、作物和管理实践之间的复杂相互作用（Keating等人，2003年；Holzworth等人，2014年）。APSIM框架将描述土壤、作物和农场管理过程的子模型与天气数据结合起来，采用基于过程的方法来模拟作物的生长和发育。我们采用了与经验方法1中类似的方法：（1）使用观测到的ESP剖面模拟Yact，代表受盐碱化限制的水分限制产量；（2）使用相同的输入但去除ESP来模拟Yrect，代表在没有盐碱化影响下的水分限制产量；（3）使用方程（3）计算每个研究年份每个ESP地点两次APSIM模型运行之间的差异得到Ypen；（4）然后根据ASC地图的空间趋势，推导出特定情景下的平均损失值（Y?penLT、Y?penWet、Y?penMod和Y?penDry）。所有APSIM模拟均使用APSIM版本7.10进行。

**2.2.1. 模型配置**
APSoil数据库包含了澳大利亚各地的参数化土壤剖面信息，以便在APSIM中使用（Dalgliesh等人，2012年）。对于每个ESP地点，首先从ASC地图中提取土壤类型。然后根据两个标准筛选候选的APSoil剖面：（i）地理邻近性；（ii）土壤类型与地点的ASC分类的一致性。使用地理坐标计算每个ESP地点与所有APSoil剖面之间的距离，并确定最近的APSoil剖面。如果该剖面位于20公里半径范围内且属于相同的土壤类型，则将其选为代表土壤剖面；否则，使用Hochman等人（2016年）描述的NGR区域内该土壤类型的通用APSoil剖面。图3显示了通用APSoil剖面的土壤水分特征。为了隔离土壤盐碱化的影响，从选定的APSoil剖面中移除了其他可能限制作物生长的因素（例如pH值限制）。

**模拟设置**
从SILO 5公里网格数据集中提取了1985年至2016年每个ESP地点的每日天气记录。为每个地点设置了从1985年至2016年的连续小麦模拟，每年种植一季冬小麦。播种窗口设定为4月26日至7月15日。当连续三天的降雨量超过15毫米时进行播种；如果播种窗口结束时未满足此条件，则在最后一天（7月15日）进行播种。播种密度为每平方米150株，播种深度为30毫米，行间距为250毫米。播种时施用500公斤氮肥/公顷的尿素，以确保氮素供应不受限制（见补充部分S2）。每年4月15日将土壤氮和地表有机质（SOM）重置为初始值，以保持模拟期间的稳定性。土壤含水量不进行重置，以确保前一季节未被作物利用的土壤水分可供下一季使用。保留了2000年至2016年的模拟数据，以便分析时不会因为1985年初始土壤水分剖面的任意估计而产生残差误差。

**APSIM中盐碱化的表示**
Hochman等人（2007年）使用一个函数在APSIM中模拟了底土盐碱化对小麦的影响，该函数改变了每日最大水分吸收率（kl因子）（方程（5），见图4）。kl因子根据作物和土壤特性而变化，其中k代表扩散性，l代表根长密度（Robertson等人，1993年）。使用等面积二次样条（Bishop等人，1999年）将每个地点测量的ESP值调整到相应APSoil剖面的深度区间。然后逐层应用kl修正因子（方程（5）：对于ESP>15%的每个APSoil层，使用指数缩放计算klESPconstrained；而ESP≤15%的层保持klunconstrained。补充部分S3提供了一个说明ESP调整和结果kl剖面的示例。

**2.3. 数据集的空间和时间支持**
由于不同方法在空间支持和数据对齐方面存在差异，下面总结了协调程序。

**2.3.1. 经验方法1**
NSSC ESP土壤剖面位置的空间坐标（点支持）作为所有变量的参考位置。使用最近邻采样在这些坐标处提取生长季节的Landsat NDVI数据（30米分辨率；5月1日至10月31日），构建年度时间序列。当钟形生长曲线比线性函数更符合实际情况时，将拟合曲线积分得到单一的年度iNDVI值，作为产量替代指标。从NSSC剖面获取测量的ESP和土壤质地数据；缺失的质地数据从SLGA栅格（3弧秒分辨率）中使用最近邻采样提取。所有土壤变量（ESP、推导出的DoS和质地）均调整到GlobalSoilMap的深度区间。

**2.3.2. 经验方法2**
产量监测观测数据使用块克里金法调整到30米Landsat网格。每个插值的30米产量像素的质心作为提取预测变量的空间参考。使用最近邻采样从Landsat网格中提取ESP地图、SLGA土壤质地栅格以及VPDspatial和VPDtemporal栅格（均为3弧秒分辨率）。每个年度的iNDVI衍生产量值与相应年份的VPDtemporal配对。在土壤位置生成预测值，然后使用ASC地图（3弧秒分辨率）进行克里金插值。

**2.3.3. 基于过程的方法——APSIM**
使用NSSC ESP土壤剖面位置的空间坐标（点支持）作为模拟地点。土壤ESP和质地数据（如经验方法1中所述）调整到每个地点选定APSoil剖面的深度区间。气候输入数据使用站点坐标从SILO 5公里网格获取。在土壤位置生成预测值，并使用ASC地图进行克里金插值，与经验方法1一致。

**表1. 基于环境制度的Cubist规则分组解释**
| 规则组 | 规则 | 解释 |
| --- | --- | --- |
| Low-VPDspatial baseline regime | 6 | 代表相对温和气候条件的宽低大气需求制度 |
| Lower-VPDspatial regimes differentiated by sand content and temporal demand | 1, 3, 4 | VPDspatial≤8.8，进一步根据SandA和VPDtemporal进行细分。这些规则表明，在非极端背景大气需求下，响应异质性还取决于土壤质地和临时大气需求水平 |
| High-VPDspatial regimes differentiated by temporal demand | 2, 5 | VPDspatial>8.8，根据VPDtemporal是高于还是低于0.38进行细分 |
| Texture contrast within lower-VPDspatial conditions | 1 versus 3–4 | 在低VPDspatial条件下，规则1隔离低沙环境（SandA≤0.142），而规则3–4隔离高沙环境（SandA>0.142）。这种对比表明在适度气候需求下质地的条件作用 |

**2.4. 案例研究：农场1**
我们选择了位于澳大利亚昆士兰州Goondiwindi附近的商业旱地种植企业农场1（图2）作为案例研究，比较两种经验方法和基于过程的APSIM方法，以估计由于土壤盐碱化导致的小麦产量损失。选择这个农场是因为它在包含在更广泛分析中的17个农场中拥有最全面的时间和空间产量监测数据集：农场1涵盖了2001-2015年期间多年都有产量数据的13个田地，而其他农场通常只有一两个田地的数据，且通常只有一年的数据。农场1主要种植雨养小麦，通常在5月播种，10月收获。为了能够直观和定量比较模型的盐碱化效应，我们提取了这三种方法为该农场生成的产量损失地图。此外，在实证方法2中使用的ESP地图被限制在农场1的范围内，以说明田间尺度上碱化限制的空间范围和严重程度。3. 结果3.1. 不同方法之间输入数据的比较两种实证方法在关键预测变量和响应数据的分布上显示出明显的差异（图5）。对于ESP，两种方法在所有深度上的覆盖范围相似，但它们的分布有所不同。在表层和亚表层（0–15厘米）中，方法1更集中在较低的ESP值上，而方法2包括了更多的中等值。这种差异随着深度的增加而增大。在底土层（30–200厘米）中，方法2显示出更宽的分布范围，包含更多的高ESP值（大约30%–40%以上），而方法1则更加集中，极端值较少。对于VPD，主要范围相似，但存在一些差异。在空间VPD方面，方法2整体上更加聚集，而方法1在较高值（大约12）处显示出一个小峰值，这在方法2中不存在。对于时间VPD，两种方法在中心附近相似，但方法2在大约4处显示出一个小峰值，这在方法1中未见。对于Yact，两种方法都呈右偏态。方法2的整体产量较高，且上尾较长（高达约6–7 Mg ha-1），而方法1则更集中在较低的产量上。这些输入数据的差异导致了模型训练地点由于碱化而产生的估计产量惩罚的分布差异。方法1显示了更广泛的站点级惩罚范围，而方法2则集中在接近零的值上，但包含少量的极端值，从而导致上尾较长。我们检查了在实证方法1（676个站点）和APSIM（402个站点）中使用的ESP站点的预测Yact、Yrect和Ypen，以及相对产量惩罚（Ypen/Yrect×100）（图6）。在这两种方法中，Yact和Yrect从湿润条件到干燥条件都有所下降，Ypen也显示出类似的趋势。在两种方法共同的ESP站点和种植年份评估的实证方法1和APSIM之间的一致性因变量和气候情景而异（补充表S5）。在所有条件下，Yact和Yrect的一致性为中等（ρ=0.41）和Ypen（ρ=0.49）。这种模式在各种情景中都是一致的，Ypen在方法之间的对应性最强。从湿润条件到干燥条件，一致性有所下降。对于Yact和Yrect，相关性在湿润条件下最高（ρ≈0.48），在干燥条件下最低（ρ≤0.20）。相比之下，Ypen在各种情景中的相关性保持较高（ρ=0.34–0.58）。绝对一致性的度量始终较低。一致性相关系数在变量和情景之间的范围从0.07到0.26不等，表明尽管等级一致性适中，但差异仍然显著。RMSE在湿润条件下对于Yact和Yrect最大（高达1.95 Mg ha-1），而在较干燥条件下减小，而Ypen的RMSE较小且变化较小（0.350–0.520 Mg ha-1）。下载：下载高分辨率图像（715KB）下载：下载全尺寸图像图5. 比较两种实证方法之间的输入数据和派生输出的密度分布：(a) 土壤深度区间（0–200厘米）内的可交换钠百分比（ESP）（顶部面板）；(b) 空间和时间蒸气压亏缺（VPD）（第二面板）；(c) “实际产量”（Mg ha-1），定义为表示土壤碱化效应的两阶段实证框架预测的产量（第三面板）；以及(d) 模型训练地点由于碱化而产生的估计产量惩罚（Mg ha-1）（底部面板）。在APSIM中，相对产量惩罚在不同气候情景下高度一致（图6，补充表S6）。长期估计和特定情景估计之间的一致性很强（CCC =0.95–0.99），而在气候对比明显的情景之间，特别是湿润和干燥情景之间，一致性较低（CCC =0.87；RMSE = 5.81%）。下载：下载高分辨率图像（542KB）下载：下载全尺寸图像图6. 小提琴图显示了2000–2016年澳大利亚NGR地区ESP站点上预测的实际产量、碱化校正后的产量、产量惩罚以及由于碱化而产生的相对产量惩罚的分布，比较了实证方法1和APSIM方法。缩写：NGR，北方谷物区；ESP，可交换钠百分比；APSIM，农业生产系统模拟器。3.2. 实证方法3.2.1. Cubist规则和回归参数实证方法1：Landsat衍生的产量和测量的土壤ESP。我们从与ESP采样点共位的像素中获得了9264个Landsat衍生的产量替代数据，这些数据代表了检测到活跃作物的年份和地点。使用iNDVI预测的产量和NGR潜在种植区域内深度协调的土壤ESP剖面，拟合了一个具有六个规则的Cubist模型，然后在LMM框架内重新拟合，以消除DoS与产量之间的正相关，并解释数据中的相关结构（补充部分S4）。Cubist分区由VPDspatial、VPDtemporal和SandA的组合定义，表明大气需求和表面纹理影响了产量对预测因子的响应。这六个规则被合并为四个更广泛的环境制度（表1）：(i) 低VPDspatial基线制度，(ii) 通过沙含量和时间大气需求进一步区分的低VPDspatial制度，(iii) 通过时间需求细分的high-VPDspatial制度，以及(iv) 以最低VPDspatial值为特征的广泛低需求制度。拟合的LMM系数表明了产量在这些环境制度中对预测因子的响应，其中截距（μ）在大气需求较高时为负（规则2–5），在低VPDspatial制度中为正（规则6），表明在较低大气需求下产量响应相对更有利。亚表层粘土含量（ClayB）在所有规则中都表现出正面效应，通常具有统计学意义。相比之下，表层粘土含量（ClayA）和较低层的粘土含量（例如ClayC和ClayE）通常显示负系数，对产量产生负面影响。亚表层碱度（DoSB）和DoSD在多个规则中经常显示出负的和具有统计意义的系数，而表层碱度效应通常较弱，表明底土碱度导致了更明显的产量惩罚。实证方法2：产量监测数据和绘制的土壤ESP。使用来自17个农场的实际产量监测数据和从NGR的ESP地图中提取的土壤ESP值，拟合了一个具有九个规则的Cubist模型，然后在LMM框架内重新拟合，以消除DoS与产量之间的正相关，并解释数据中的相关结构（补充部分S5）。Cubist规则结构仅由VPDspatial和VPDtemporal定义，表明大气需求是定义不同产量响应环境制度的主要因素。这九个规则被分为四个更广泛的气候制度（表2）：(i) 极端时间需求制度，(ii) 通过时间需求进一步细分的高的空间需求制度，(iii) 以中间空间或接近中性的时间VPD条件为特征的过渡制度，以及(iv) 根据时间需求是否保持升高或降低而区分的低空间需求制度。截距（μ）在不同规则中差异显著，一些规则中的值为正（例如规则1、3、5和6），而在其他规则中为负（例如规则2、4和8）。同样，VPDspatial的系数主要为负，除了规则2、4和8。这表明基线产量在不同气候制度之间有显著差异，特别是在与中等需求相关的环境与那些与更严苛的大气条件相关的环境之间。在湿润条件下，Yact和Yrect的相关性最高（ρ≈0.48），而在干燥条件下最低（ρ≤0.20）。相比之下，Ypen在各种情景中的相关性保持较高（ρ=0.34–0.58）。绝对一致性的度量始终较低。一致性相关系数在变量和情景之间的范围从0.07到0.26不等，表明尽管等级一致性适中，但幅度存在显著差异。RMSE在湿润条件下对于Yact和Yrect最大（高达1.95 Mg ha-1），并在较干燥条件下减小，而Ypen的RMSE较小且变化较小（0.350–0.520 Mg ha-1）。下载：下载高分辨率图像（715KB）下载：下载全尺寸图像图5. 比较两种实证方法之间的输入数据和派生输出的密度分布：(a) 土壤深度区间（0–200厘米）内的可交换钠百分比（ESP）（顶部面板）；(b) 空间和时间蒸气压亏缺（VPD）（第二面板）；(c) “实际产量”（Mg ha-1），定义为表示土壤碱化效应的两阶段实证框架预测的产量（第三面板）；以及(d) 模型训练地点由于碱化而产生的估计产量惩罚（Mg ha-1）（底部面板）。在APSIM中，相对产量惩罚在不同气候情景下高度一致（图6，补充表S6）。长期估计和特定情景估计之间的一致性很强（CCC =0.95–0.99），而在气候对比明显的情景之间，特别是湿润和干燥情景之间，一致性较低（CCC =0.87；RMSE = 5.81%）。下载：下载高分辨率图像（542KB）下载：下载全尺寸图像图6. 小提琴图显示了2000–2016年澳大利亚NGR地区ESP站点上预测的实际产量、碱化校正后的产量、产量惩罚以及由于碱化而产生的相对产量惩罚的分布，比较了实证方法1和APSIM方法。缩写：NGR，北方谷物区；ESP，可交换钠百分比；APSIM，农业生产系统模拟器。3.2. 实证方法3.2.1. Cubist规则和回归参数实证方法1：Landsat衍生的产量和测量的土壤ESP。我们从与ESP采样点共位的像素中获得了9264个Landsat衍生的产量替代数据，这些数据代表了检测到活跃作物的年份和地点。使用iNDVI预测的产量和NGR潜在种植区域内的深度协调的土壤ESP剖面，拟合了一个具有六个规则的Cubist模型，然后在LMM框架内重新拟合，以消除DoS与产量之间的正相关，并解释数据中的相关结构（补充部分S4）。Cubist分区由VPDspatial、VPDtemporal和SandA的组合定义，表明大气需求和表面纹理影响了产量对预测因子的响应。这六个规则被合并为四个更广泛的环境制度（表1）：(i) 低VPDspatial基线制度，(ii) 通过沙含量和时间大气需求进一步区分的低VPDspatial制度，(iii) 通过时间需求细分的high-VPDspatial制度，以及(iv) 以最低VPDspatial值为特征的广泛低需求制度。拟合的LMM系数表明了产量在这些环境制度中对预测因子的响应，其中截距（μ）在大气需求较高时为负（规则2–5），在低VPDspatial制度中为正（规则6），表明在较低大气需求下产量响应相对更有利。亚表层粘土含量（ClayB）在所有规则中都表现出正面效应，通常具有统计学意义。相比之下，表层粘土含量（ClayA）和较低层的粘土含量（例如ClayC和ClayE）通常显示负系数，对产量产生负面影响。亚表层碱度（DoSB）和DoSD在多个规则中经常显示出负的和具有统计意义的系数，而表层碱度效应通常较弱，表明底土碱度导致了更明显的产量惩罚。实证方法2：产量监测数据和绘制的土壤ESP。使用来自17个农场的实际产量监测数据和从NGR的ESP地图中提取的土壤ESP值，拟合了一个具有九个规则的Cubist模型，然后在LMM框架内重新拟合，以消除DoS与产量之间的正相关，并解释数据中的相关结构（补充部分S5）。Cubist规则结构仅由VPDspatial和VPDtemporal定义，表明大气需求是定义不同产量响应环境制度的主要因素。这九个规则被分为四个更广泛的气候制度（表2）：(i) 极端时间需求制度，(ii) 通过时间需求进一步细分的高的空间需求制度，(iii) 以中间空间或接近中性的时间VPD条件为特征的过渡制度，以及(iv) 根据时间需求是否保持升高或降低而区分的低空间需求制度。截距（μ）在不同规则中差异显著，一些规则中的值为正（例如规则1、3、5和6），而在其他规则中为负（例如规则2、4和8）。同样，VPDspatial的系数主要为负，除了规则2、4和8。这表明基线产量在不同气候制度之间有显著差异，特别是在与中等需求相关的环境和与更严苛的大气条件相关的环境之间。在所有出现VPDtemporal的规则中，LMM系数均为负，表明较高的季节内大气需求始终与较低的产量相关。在大多数情况下，VPDtemporal系数的幅度很大（通常约为-4到-6），表明时间大气需求是气候制度间产量差异的强烈决定因素。然而，碱度效应主要与表层（DoSA）和亚表层碱度（DoSB）相关，并且只出现在一部分规则中，表明在这种方法中，碱度效应比气候效应更具条件性且表达不那么一致。ClayB经常为正（例如规则1、3、4、6、7和9），表明更多的亚表层粘土含量通常与产量提高相关。相比之下，ClayA和ClayC通常为负，表明表层或上层底土中的粘土可能限制产量。SandA显示出混合效应，表明表面沙含量的作用取决于主导的气候制度。表2. 基于环境制度划分的Cubist规则分组解释。规则组规则解释极端时间需求制度2VPDtemporal>4.17。这一规则识别出一个独特的制度，在该制度中，仅非常高的季节内大气需求就足以定义响应分区。高空间需求制度1, 3, 4, 8VPDspatial>8.24，并进一步通过VPDtemporal细分。这些规则代表了平均大气需求高的环境，在这些环境中，响应的异质性取决于时间需求是接近中性、中等还是低。过渡气候制度6, 7中间条件由中等范围的VPDspatial区间（8.06< />平均值在0.026到0.198 Mg ha-1之间，大多数情况下中位数接近零（0.000–0.002 Mg ha-1），表明大面积区域受到的影响很小或没有影响。然而，上限尾部更为明显（P90高达0.652 Mg ha-1；最大值高达3.993 Mg ha-1），反映了偶尔出现的高影响位置。APSIM产生的惩罚总体上最大。平均值在0.226到0.328 Mg ha-1之间，中位数为0.219–0.304 Mg ha-1。上限尾部仍然显著（P90：0.284–0.490 Mg ha-1），最大惩罚始终高于经验方法（2.562–3.447 Mg ha-1），表明存在局部的高损失。阈值分析进一步突出了空间范围的差异（表6）。经验方法1显示广泛的低至中等程度的惩罚，88.7–90.6%的区域超过了0.1 Mg ha-1。然而，在更高的阈值下，受影响区域减少（0.25以上为17.9–26.6%，0.5 Mg ha-1以上为0.8–1.2%），且没有区域超过1 Mg ha-1。经验方法2在大多数情况下预测的空间范围更为有限。只有8.1–28.1%的区域超过了0.1 Mg ha-1，在长期、湿润和中等条件下，1.6–8.8%的区域超过了0.25 Mg ha-1。相比之下，在干旱条件下，这一比例显著增加，38.5%的区域超过了0.1 Mg ha-1，30.5%的区域超过了0.25 Mg ha-1，14.4%的区域超过了0.5 Mg ha-1，其中包括3.8%的区域超过了1 Mg ha-1。APSIM预测的空间影响最为广泛。96.1%到98.9%的区域超过了0.1 Mg ha-1。0.25 Mg ha-1以上的区域也很大（15.8–79.0%），特别是在湿润和中等条件下，而1.9–9.5%的区域超过了0.5 Mg ha-1。图8显示了三种建模方法预测的小麦产量惩罚的空间分布，这些方法在主要值范围内显示出大体一致的空间模式。下载：下载高分辨率图像（3MB）下载：下载全尺寸图像图8. 在不同气候情景下，三种建模方法预测的北部谷物区（NGR）由于盐碱化导致的小麦产量惩罚的空间分布。所有地图均采用GDA94澳大利亚阿尔伯斯坐标系统投影。为了确保直接视觉可比性，所有面板都使用了从三种方法预测的产量惩罚的第1和第99百分位数汇总得出的共同颜色刻度；超出这些限制的值被截断到刻度限制内，以增强主要值范围内的对比度，同时保持面板间的可比性。缩写：NGR，北部谷物区。表5. 使用三种建模方法估计的北部谷物区在长期、湿润、中等和干旱气候情景下，由于盐碱化导致的小麦产量惩罚（Mg ha-1）的区域汇总统计。长期湿润中等干旱平均产量惩罚（Mg ha-1）经验方法1 0.213 0.222 0.204 0.208经验方法2 0.078 0.031 0.026 0.198APSIM 0.259 0.328 0.269 0.226中位数产量惩罚（Mg ha-1）经验方法1 0.228 0.237 0.219 0.224经验方法2 0.039 0.000 0.000 0.002APSIM 0.245 0.304 0.256 0.219第90百分位数（Mg ha-1）经验方法1 0.303 0.310 0.288 0.301经验方法2 0.230 0.132 0.063 0.652APSIM 0.364 0.490 0.355 0.284最大产量惩罚（Mg ha-1）经验方法1 0.943 0.948 0.867 1.683经验方法2 1.695 0.955 2.400 3.993APSIM 2.562 2.863 3.447 3.118P90表示栅格分布的第90百分位数。表6. 使用三种建模方法估计的北部谷物区在不同气候情景下，小麦产量惩罚超过选定阈值的百分比（%）。阈值方法长期湿润中等干旱>0.1 Mg ha?1经验方法1 89.69 0.68 9.68 8.7经验方法2 28.11 3.78 8.13 8.5APSIM 97.89 8.99 7.69 6.1>0.25 Mg ha?1经验方法1 21.72 6.61 7.91 9.7经验方法2 8.81 1.63 3.93 0.5APSIM 38.47 9.05 7.01 5.8>0.5 Mg ha?1经验方法1 11.21 1.10 0.81.2经验方法2 0.40 0.00 0.714.4APSIM 3.69 0.53 1.9>1 Mg ha?1经验方法1 0.00 0.00 0.00.0经验方法2 0.00 0.00 0.03.8APSIM 0.41 1.21 1.01 1.3案例研究：农场1在农场1，所有方法预测的产量惩罚都高于区域尺度（图9，表7）。经验方法1在所有情景下显示出一致的中等程度惩罚。平均值在0.507到0.628 Mg ha-1之间，中位数为0.490–0.610 Mg ha-1。分布相对紧密，第90百分位数低于0.72 Mg ha-1，最大值低于0.9 Mg ha-1。经验方法2显示出更大的变异性和偏度。平均惩罚在0.086到0.612 Mg ha-1之间，但在某些情况下中位数较低（0.011–0.606 Mg ha-1）。观察到较高的上限尾部值，第90百分位数高达1.993 Mg ha-1，最大值高达2.360 Mg ha-1，表明存在局部的高惩罚。APSIM显示出明显的情景效应，在湿润条件下惩罚最高（平均0.852 Mg ha-1），而在中等和干旱条件下较低（0.487和0.445 Mg ha-1）。分布比经验方法2的偏度小，最大值也较低（0.563–0.678 Mg ha-1）。阈值结果表明，农场内低至中等程度的惩罚普遍存在（表8）。对于经验方法1和APSIM，在所有情景下，100%的区域超过了0.1和0.25 Mg ha-1。在更高的阈值下，经验方法1仍然显示出广泛的覆盖范围（43.6–98.5%超过0.5 Mg ha-1），而APSIM则因情景而异（12.3%–100%）。经验方法2显示出更多的空间变异性。0.1 Mg ha-1以上的区域范围从17.7%到85.8%不等，在中等和干旱情景下，有大量区域超过了更高的阈值（分别高达55.1%和30.6%）。下载：下载高分辨率图像（530KB）下载：下载全尺寸图像图9. 使用三种建模方法预测的农场1在不同情景下由于盐碱化导致的小麦产量惩罚。表7. 使用经验方法1、经验方法2和APSIM估计的农场1在长期、湿润、中等和干旱气候情景下，由于盐碱化导致的小麦产量惩罚（Mg ha-1）的汇总统计。长期湿润中等干旱平均产量惩罚（Mg ha-1）经验方法1 0.559 0.628 0.550 0.507经验方法2 0.441 0.086 0.612 0.558APSIM 0.585 0.852 0.487 0.445中位数产量惩罚（Mg ha-1）经验方法1 0.541 0.610 0.533 0.490经验方法2 0.179 0.011 0.324 0.606APSIM 0.549 0.719 0.479第90百分位数（Mg ha-1）经验方法1 0.648 0.719 0.635 0.597经验方法2 1.121 0.443 1.993 1.391APSIM 0.696 1.181 0.539 0.507最大产量惩罚（Mg ha-1）经验方法1 0.838 0.896 0.812 0.822经验方法2 1.334 0.604 2.360 1.779APSIM 0.754 1.271 0.678 0.563P90表示栅格分布的第90百分位数。表8. 使用三种建模方法估计的农场1在不同气候情景下，小麦产量惩罚超过选定阈值的百分比（%）。阈值方法长期湿润中等干旱>0.1 Mg ha?1经验方法1 100.01 0.01 0.01 0.0100.0经验方法2 85.81 7.78 0.055.1APSIM 100.01 0.01 0.0100.0100.0>0.25 Mg ha?1经验方法1 100.01 0.01 0.0100.0100.0>0.5 Mg ha?1经验方法1 100.01 0.01 0.0100.0100.0经验方法2 35.51 7.76 6.055.1APSIM 100.01 0.01 0.0100.0100.0>1 Mg ha?1经验方法1 81.29 8.57 8.243.6经验方法2 35.51 1.335.555.1APSIM 99.41 0.029.012.3>1 Mg ha?1经验方法1 0.00 0.00 0.00.0经验方法2 16.90.01 7.830.6APSIM 0.030.40.00.04. 讨论4.1. 不同方法之间的一致性、差异和尺度含义我们使用两种经验方法和基于过程的建模框架（APSIM）量化了澳大利亚北部谷物区（NGR）由于土壤盐碱化导致的小麦产量惩罚。在不同方法之间，产量惩罚的区域空间模式大体一致（图8），表明盐碱化对小麦生产是一个持续的制约因素。然而，这些惩罚的幅度和明显的气候敏感性存在显著差异。这些差异主要反映了（a）推断的空间支持（土壤站点与产量监测像素）、（b）插值和产量代理引入的空间平滑程度，以及（c）所代表的因果途径（复合观测关联与明确的水分提取限制机制）的差异。两种经验方法都是从观测变异中推断盐碱化效应，因此整合了多种同时发生的过程，包括分散、渗透限制、通气限制、盐度相互作用和管理效应（Dang等人，2010年；Page等人，2018年）。相比之下，APSIM主要通过修改土壤水分提取参数（kl）来表示盐碱化对植物可用水的影响，这与次表层限制表现为作物下限（CLL）增加和有效水分可用性降低的解释一致（Hochman等人，2007年；Dang等人，2010年）。经验方法1和APSIM都依赖于空间分布的土壤观测和插值来描述区域尺度模式，而经验方法2则利用产量监测数据和高分辨率协变量来解决田间内的变异性。经验方法1产生的惩罚相对稳定且中等，对气候情景或空间尺度的敏感性有限。这反映了输入数据的空间支持以及使用Landsat衍生的iNDVI作为产量代理的优点。它在土壤采样位置估计惩罚，然后将这些惩罚插值到整个区域。这对于区域评估是有利的，因为传统的土壤数据集可能是空间分散的，而地理统计学为空间预测和不确定性表示提供了一个连贯的框架。然而，该方法在结构上倾向于平滑局部极端值，因为克里金类型的预测因子是加权局部平均值，且在采样密度低或稳定性假设薄弱的情况下预测不确定性会增加（Goovaerts，1999年）。通过使用Landsat衍生的iNDVI产量代理来估计土壤位置的产量时，可能引入了额外的平滑处理，因为LMM产量-iNDVI模型的预测准确性仅中等（Lai等人，2018年）。预测产量的相对狭窄范围表明对环境梯度的敏感性有限，这限制了模型解决盐碱化与气候之间相互作用的能力。因此，盐碱化的影响在空间上是一致的，并且对时间变化的响应较弱，代表了一个平滑的区域信号而不是特定地点的响应。这使得经验方法1适合于稳定的区域归因和识别广泛的限制区域，而不是解决田间内的异质性。相比之下，经验方法2在产量监测位置使用更高分辨率的环境协变量估计产量惩罚。这在结构上更适合解决田间内的异质性，因为目标变量在空间上具有高密度，且协变量堆可以代表局部驱动因素。该方法在干旱条件下预测了强烈的局部惩罚（表5、表7、图9）。这与盐碱化引起的限制对水力传导性和根系深度的影响随着大气需求的增加而加剧一致（Dang等人，2010年；Dang等人，2019年）。然而，在区域尺度上，它产生了保守的估计，尽管局部效应严重，但大面积区域几乎没有影响。这反映了产量监测数据和协变量空间的有限空间覆盖范围和代表性，这限制了超出训练域的外推（Filippi等人，2019年；Filippi等人，2020年）。因此，经验方法2最适合于在有产量监测数据的情况下进行田间诊断和管理分区，但在区域尺度上应用时需要谨慎解释。APSIM估计的产量惩罚与经验方法2的模式相反，在湿润条件下绝对惩罚较大，在较干燥的情景下影响较小。这反映了在有利季节较高的产量潜力，而不是更强的盐碱化效应（图6）。因为产量惩罚定义为盐碱化限制产量与盐碱化校正产量之间的差异，所以水分限制潜力较高的环境本质上会产生较大的绝对损失。相对产量惩罚在不同气候情景下表现出强烈的一致性（CCC = 0.87–0.99），表明盐碱化效应在模拟中主要表现为对产量形成的比例限制。然而，在气候对比明显的情景之间，特别是在湿润和干燥条件下，一致性下降，表明在强水分限制下相对效应有所调节。在APSIM内部，这种行为可能源于基于kl的盐碱化表示，它减少了植物可用水并随着产量潜力的增加而调整了产量减少（Hochman等人，2007年）。因此，APSIM最好被解释为一个基于过程的反事实工具，用于评估潜在的产量影响和缓解限制的好处，而不是直接预测实际产量损失。因此，这三种方法在尺度上似乎是互补的，尽管它们的相对效用取决于数据可用性和建模假设。经验方法1为区域尺度评估提供了大体一致的基础，经验方法2在有产量监测数据的情况下提供了更大的田间诊断潜力，而APSIM主要通过基于过程的解释和情景分析做出贡献。结合使用，这些方法可能支持从区域评估到田块尺度的决策；然而，它们的有效整合需要仔细考虑尺度、数据支持和推断的目的。4.2. 盐碱化效应的机制基础盐碱化对作物生长的影响通常是非线性的，一旦ESP超过引起粘土分散的临界水平，就会出现阈值行为（Gupta和Sharma，1990年；Qadir和Schubert，2002年）。由此产生的结构退化减少了渗透、水力传导性、孔隙连续性和通气性，限制了降雨捕获和根系对储存土壤水的获取。在NGR系统中，这些限制主要表现为剖面补给减少和次表层水分提取受限，通常表现为CLL增加和植物可用水减少（Dang等人，2010年；Hochman等人，2007年）。这些效应的气候依赖性由大气需求和土壤-植物水分供应之间的平衡决定。增加的水汽压力差（VPD）提高了蒸腾需求并导致气孔关闭，限制了碳同化和冠层冷却（Sinclair，2018年；Grossiord等人，2020年）。盐碱化通过损害土壤水力传导性来减少水分供应，限制了根系深度，并限制了土壤-根系传导性，从而使这种平衡向更早和更强的气孔限制转变（Koehler等人，2023年；Xue等人，2004年）。因此，在高VPD条件下，预计产量惩罚会加剧，这与经验方法ESP阈值在实证研究和APSIM框架中的概念含义
实证分析中使用的ESP阈值（ESP=6）与APSIM模拟中使用的ESP阈值（ESP=15）之间的差异反映了它们各自不同的概念作用。在澳大利亚的土壤中，ESP≥6通常与分散现象的开始相关，而ESP>15则表示强烈的钠质条件（Rengasamy, 2010; Shaw et al., 1994）。因此，在我们的实证建模框架中采用ESP=6可以提供一个保守的指标，用于表示现有数据集中所涵盖的各种条件下的潜在钠质限制。随后，实证模型估计了小麦产量与DoS值之间的统计关系，从而可以从观测数据中揭示出产量对钠质响应的幅度。

相比之下，APSIM通过其对土壤水分提取的影响间接地表示钠质。根据Hochman等人（2007）的研究，随着ESP的增加，kl修正因子减少了植物可利用的水量。在这种情况下，ESP阈值是一个嵌入在模型结构中的校准参数，而不是一个普遍的土壤限制阈值。在原始研究中，ESP与kl减少之间的指数关系是通过实证校准的，以最小化APSIM模拟产量与观测产量之间的均方根偏差。因此，这种关系实际上代表了影响钠质土壤中作物表现的多种同时发生的过程的替代指标。因此，在不重新校准的情况下修改该公式中的ESP阈值可能会引入额外的不确定性，并可能夸大钠质的模拟效应。基于这些原因，实证方法和机制方法中使用的阈值并不直接可比，应在各自的建模框架背景下进行解释。

4.4. 方法论局限性
结果的解释受到数据限制和模型结构的限制。一个主要限制是数据集在空间和时间上的支持不匹配。土壤观测在空间上覆盖范围广，但在时间上相对固定，而产量监测数据在空间上密集，但在覆盖范围和持续时间上有限。这种不平衡降低了在更精细的空间尺度上稳健解析钠质与气候之间相互作用的能力。

这些限制在不同方法中的表现不同。在实证方法1中，基于站点的估计值插值和使用iNDVI作为产量代理可以减少变异性，从而得到更平滑且更适度的惩罚估计，对局部极端值的敏感性较低。相比之下，实证方法2受到产量监测数据的代表性以及由训练数据集定义的协变量空间的限制。有限的空间覆盖范围引入了外推不确定性，导致尽管存在严重的局部影响，但区域估计仍然较为保守。映射的土壤和环境协变量的不确定性可能会进一步导致训练域外的低估。

另一个限制是使用8月份的VPD作为气候条件的代理指标。虽然8月份的VPD捕捉到了与小麦茎秆伸长和早期生殖发育相关的关键时期，但它代表了一个时间聚合的指标，无法完全描述季节内气候的变异性，因为作物对钠质的响应受到土壤水分可用性、降雨时间和多个物候阶段的大气需求之间的相互作用的影响（Tardieu, 2013; Gaona et al., 2022; Koehler et al., 2023）。依赖单一月份的指标可能会忽略某些事件，例如影响发芽的早季降雨不足或影响灌浆和籽粒形成的晚季高温和蒸汽压极端值（El Haddad et al., 2021; Hsiao et al., 2018）。此外，VPD反映的是大气需求而非土壤水分供应，在钠质条件下，渗透性和水力传导性的降低可能会使相似的8月份VPD条件对应于不同的土壤湿度状况（Koehler et al., 2023; Nguyen et al., 2024; Ulfa et al., 2022; Grossiord et al., 2020; López et al., 2021）。将VPD分解为空间和时间成分进一步假设了气候-产量关系的稳定性，可能无法捕捉非线性或阈值响应，而月度聚合则降低了对短期极端值的敏感性（Massmann et al., 2018; Moritz et al., 2024）。尽管如此，使用8月份的VPD提供了一个生理上相关且简洁的季节性大气需求描述符，使得能够在大的空间范围内一致地分类气候情景，而空间-时间分解为区分基线气候梯度和年际变化提供了一个透明的框架。

与基于kl的表示方法一致，APSIM仅限于水分受限的路径，并没有明确捕捉与钠质相关的其他过程，包括渗透性降低、表面封闭和水涝。钠质效应的表示还受到输入数据的限制，因为402个土壤剖面中只有3个在表层表现出高ESP，因此修改主要应用于底土条件。因此，该模型对表土钠质的敏感性有限，可能在表层结构退化限制了降雨捕获或作物早期建立的情况下低估产量惩罚。kl-ESP关系的可转移性也是一个额外的不确定性来源，该关系最初是为Vertosols中的底土限制开发的，但在这里应用于多种土壤类型。简化的管理假设，包括连续的小麦种植和固定的品种选择，进一步限制了对真实农业系统的表示。因此，APSIM的输出代表了标准化条件下的水分受限潜力，而不是实际实现的产量。

另一个结构限制是所有方法都依赖ESP作为钠质的主要指标。ESP并不能完全捕捉土壤的分散行为，后者还受到电解质浓度和阳离子组成的影响（Rengasamy, 2010）。仅依赖ESP可能会错误分类钠质风险，特别是在混合阳离子系统中，使用其他指标（如土壤结构稳定性的阳离子比率（Rengasamy and Marchuk, 2011）或可交换分散百分比（Bennett et al., 2016）可能会提供更好的诊断。此外，同时发生的限制（如盐度、氯化物毒性和酸度）可能会产生类似的产量响应，如果不明确考虑这些因素，会增加归因错误的风险（Dang et al., 2010; Page et al., 2018; Orton et al., 2018）。总体而言，这些限制表明报告的产量惩罚应被视为一级估计，其不确定性来源于数据限制和对土壤过程的简化表示。

4.5. 未来研究
要提高对钠质引起的产量惩罚的量化，需要改进数据整合和过程表示。一个关键优先事项是协调土壤和产量观测，例如通过在多个季节内对深度分辨的土壤剖面进行同步采样或在稳定的管理区域内进行采样（Dang et al., 2010; Filippi et al., 2024）。这样的设计将能够更稳健地估计钠质、气候和作物响应之间的相互作用，并提高实证模型在不同环境中的适用性。

还需要超越ESP作为钠质的唯一指标。结合可交换阳离子组成和电解质条件，并采用其他土壤结构稳定性的指标，可能会提供更符合机制学的分散行为及其对作物表现影响的表示（Bennett et al., 2016; Rengasamy and Marchuk, 2011; Rengasamy, 2010）。这些发展将降低在混合阳离子系统中错误分类的风险，并提高模型输出的可解释性。

像APSIM这样的基于过程的模型将从扩展钠质的表示中受益，而不仅仅是减少植物可利用的水分。除了减少植物可利用的水分外，钠质还影响渗透性、饱和水力传导性、土壤结构稳定性以及相关的滞后现象，这些因素共同调节水分的进入、重新分配和根区条件（Kramer and Mau, 2023），特别是在表土限制影响作物建立和早期生长的情况下（Anzooman et al., 2018）。这些效应还受到盐度和电解质浓度相互作用的影响，这可能会根据土壤化学条件减轻或加剧分散。明确表示这些耦合的化学-物理过程将提高基于过程的模拟的真实性和预测可靠性。

虽然本研究重点关注钠质引起的产量惩罚的生物物理量化，但报告的统计摘要（如平均值、中位数、第90百分位数）以及超过定义惩罚阈值的面积比例为推断改良的潜在经济效益提供了基础。例如，超过指定产量惩罚阈值的区域表示如果有效管理限制，则产量恢复——从而经济回报——可能最大的区域。然而，明确的经济评估（如成本-效益分析、水分利用效率增益或毛利率估算）超出了本研究的范围，需要关于投入成本、商品价格和管理可行性的额外假设。未来的工作可以将这些生物物理估计与经济模型结合起来，以提供决策就绪的钠质管理策略评估。

未来的研究还应优先改进建模框架中对相互作用土壤限制的表示，以更好地支持综合管理决策。在NGR中，钠质改良的有效性取决于同时发生的限制（如盐度、氯化物毒性和酸度）的存在和相互作用（Dang et al., 2010; Li et al., 2025; Qadir and Schubert, 2002）。表示这些相互作用对于评估协同作用的管理策略至关重要——例如，将作物种植顺序与深层翻耕和有针对性的改良措施相结合，以同时解决底土物理限制和营养不足问题（Hulugalle et al., 2010）。当前的实证和基于过程的方法在捕捉这些相互作用方面仍然有限，限制了它们在系统级决策中的实用性（Rodríguez et al., 2006; Tilse et al., 2022）。改进模型结构以明确表示耦合的化学-物理过程和多限制响应将有助于更稳健地评估管理结果，并改进针对特定地点的干预措施设计。

5. 结论
本研究通过将两种实证方法与基于过程的建模框架（APSIM）相结合，提供了NGR范围内土壤钠质引起的小麦产量惩罚的尺度明确评估。在不同方法中，有一致的证据表明钠质在区域尺度上导致持续的产量惩罚。这些惩罚的幅度和气候敏感性的差异主要归因于数据支持、空间推断和过程表示的差异，而不是系统行为的基本分歧。

实证方法1基于空间分布的土壤观测和地理统计插值，提供了区域模式的稳定表示，但减弱了局部变异性。实证方法2基于产量监测数据和高分辨率协变量，捕捉了局部响应和与季节条件的相互作用，特别是在高大气需求下，但由于训练数据有限，在区域外推方面受到限制。APSIM作为一个基于过程的反事实模型，强调了绝对产量惩罚和相对产量惩罚之间的区别，在有利季节中较大的绝对损失反映了在较高产量条件下改良的更大潜在收益。这三种方法在尺度上是互补的，结合起来可以为钠质影响区域提供合理的优先级基础，同时在有高分辨率数据的情况下支持有针对性的田间诊断。

进一步的进展将取决于改进土壤和产量数据集的对齐，在基于过程的模型中更好地表示与钠质相关的过程，并整合相互作用的土壤限制。这些发展对于改进产量惩罚对土壤限制的归因以及制定更有效的、适合规模的管理策略至关重要。

**作者贡献声明**
Yunru Lai：撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据管理、概念化。
Matthew J. Pringle：撰写——审阅与编辑、监督、概念化。
Peter M. Kopittke：撰写——审阅与编辑、监督、方法论。
Neal W. Menzies：撰写——审阅与编辑、监督、方法论。
Thomas G. Orton：撰写——审阅与编辑、监督、方法论、概念化。
Yash P. Dang：撰写——审阅与编辑、监督、资源管理、项目行政、资金获取、概念化。

**关于写作过程中生成式AI和AI辅助技术的声明**
在准备这项工作时，作者使用了ChatGPT（OpenAI）来协助语言编辑，提高手稿的清晰度和结构，并支持图形摘要的准备。该模型没有参与研究设计、数据分析或科学解释。使用该工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。