文章信息
- 程琨, 郑聚锋, 潘根兴
- CHENG Kun, ZHENG Jufeng, PAN Genxing
- 气候变化智慧型农业的表征与计量评价
- Characterization and quantitative assessment of climate-smart agriculture
- 南京农业大学学报, 2020, 43(1): 1-9
- Journal of Nanjing Agricultural University, 2020, 43(1): 1-9.
- http://dx.doi.org/10.7685/jnau.201907046
-
文章历史
- 收稿日期: 2019-07-23
人类在利用自然资源从事农业生产的同时, 农田生态系统也为人类提供生态系统服务(图 1)。除了直接提供粮食生产外, 农田生态系统还提供生物质能源与生物质炭[1], 维持生物多样性[2], 通过碳、水循环调节气候及净化环境, 具有文化和欣赏价值。然而, 高强度利用和不当的管理方式损害土壤健康且削弱农田提供生态系统服务的能力。已有研究表明, 农田生态系统较为脆弱[3], 高强度农业利用已经影响土壤健康、加剧环境风险和气候变化[4-7], 并可能对人类环境产生深远影响[8]。到2050年, 为满足90亿人口的需求, 全球至少需要增加60%的粮食产量[9]。因此, 如何可持续利用农业资源且保持农田生态系统的服务功能成为全球关注的焦点。
以农业可持续发展为目标的农田生态系统服务与生态环境效应研究已经成为研究热点(图 2)。对文献的关键词词频分析表明:国内研究主要以可持续性政策性研究、较大区域或流域尺度农田生态服务研究为主, 针对农田生态系统服务的研究较少(图 2-A)。国外则主要围绕碳、氮、水, 土壤侵蚀, 生物多样性等生态系统服务的评价研究(图 2-B)。将农田生态环境影响与生态系统服务相结合进行综合评价的研究较少, 特别是国内生态系统服务与农田可持续性研究的关联不紧密。因此, 我们应发展农田生态环境影响和生态系统服务的评估方法, 综合量化农田提供生态系统服务的能力, 探索基于生态系统服务的资源环境管理模式。这不仅可以保障农业可持续性, 而且可以支撑中国生态文明建设。
全球气候变化愈演愈烈, 应对气候变化的挑战, 维持农业生产系统的可持续性是全球关注的焦点。气候变化不仅直接影响作物的生长, 而且间接影响土壤过程, 甚至影响农田各类生态服务功能[10]。已有研究探讨了气候变化对粮食生产、土壤碳循环和温室气体排放的影响, 以及水分与生物多样性的影响[11-13]。综合定量研究气候变化对农田生态系统的影响, 寻找应对气候变化的管理和技术途径将成为农业发展的新态势[14]。
鉴于气候变化下农业生产面临的压力, 许多科学家呼吁气候变化背景下应重视和发展可持续农业, 明确提出构建气候变化智慧型农业(climate-smart agriculture)的建议[15-16]。Lipper等[15]认为气候变化智慧型农业应通过一套行动指南, 促进农业系统能够在气候变化背景下进行气候变化减缓与应对, 以实现粮食可持续生产。作为农业的支撑性自然资源, 土壤通过碳-养分和水循环以及生物调控作用, 影响农田系统供给生态服务的能力和农业生产的生态环境效应, 而这些作用又受气候变化的影响。Paustian等[17]进一步提出气候变化智慧型土壤(climate-smart soils), 即土壤是生态系统提供各项服务的基础, 在气候变化下通过良好的管理措施促进土壤的固碳与温室气体减排, 不仅可以获取粮食生产的供给服务和减缓气候变化, 还可以得到其他的生态服务, 如减少土壤侵蚀、增加水源涵养和提升生物多样性等。气候变化将影响农业生产的生态环境效应和其提供各项生态系统服务的能力, 应当发展一系列的可持续管理措施和模式来应对气候变化的负面影响。因此, 我们认为, 气候变化智慧型农业应被定义为通过一系列管理实现气候变化背景下维持甚至增强生态系统服务功能并减少生态环境负面影响的农业经营系统。
2 气候变化智慧型农业的研究进展近年来, 气候变化智慧型农业的研究已经起步, 由于学者对气候变化智慧型农业的理解不同, 其研究关注的焦点也不同。有的学者主要关注于气候变化对产量的影响, 如Bai等[18]采用APSIM模型模拟了1981—2010年不同管理情景下小麦产量的变化, 发现基于最优种植密度和播种日期结合良好水肥管理和植保措施构建的气候变化智慧型管理模式可以显著增加作物产量及其稳定性。更多学者则关注在应对气候变化影响的同时进行固碳减排。在2015年的巴黎气候变化大会上, 法国提出了“千分之四计划:服务于粮食安全和气候的土壤”的动议, 该计划将土壤增碳与农业可持续生产相结合, 通过良好农田管理措施增加土壤碳库, 不仅可以大量抵消化石燃料燃烧排放, 还能够通过增加有机质来提高产量和土壤质量[19]。Bai等[20]采用整合分析(meta-analysis)的方法, 对气候变化智慧型农业管理措施的土壤固碳效应进行评价, 发现生物质炭应用是最有效的土壤固碳措施, 其次是覆盖作物和保护性耕作。也有研究关注水分管理在未来气候变化应对中的重要作用, 如Brouziyne等[21]采用SWAT模型模拟了不同气候变化情景对摩洛哥西北部一个流域出水量和作物水分生产率的影响, 同时设置了不同优化管理情景探索最优气候变化智慧型管理模式, 发现未来气候变化可能降低该流域26%出水量和45%作物水分生产率, 而免耕与提早播种相结合可以在未来气候变化情景下有效提高作物水分利用效率。目前, 气候变化智慧型农业的研究大多采用单一或几个指标进行评价, 从经济产量、固碳减排、生态环境效应等方面的综合性研究非常少。
针对气候变化智慧型农业研究框架和研究趋势的讨论已经开展[22]。综合这些研究, 并基于土壤在生态系统服务中的核心作用, 我们认为构建气候变化智慧型土壤是实现气候变化智慧型农业的重要前提, 在保障供给服务-粮食生产的前提下, 气候变化智慧型农业的核心是为获得更多的其他生态系统服务并产生较少的环境影响。探索未来气候变化对与农田土壤相关的生态系统服务功能的影响是发展气候变化智慧型农业的重要科学基础。
进行气候变化智慧型农业的研究应包括以下几个步骤:
1) 确定研究的目标、系统边界、面向对象(政策制定者、生产者或消费者), 选取适宜的指标;
2) 根据研究区域农业生产现状、土壤利用状况, 制定适宜于研究区域特征的气候变化智慧型农业原则和标准;
3) 采取适宜的计量手段对选取的指标进行量化, 并形成综合性的指标对气候变化智慧型农业进行表征; 根据当地农业生产和生态环境状况以及前2个步骤, 确定符合当地气候变化智慧型农业标准的各个指标和综合指标的阈值范围;
4) 设置不同政策情景、管理情景、消费情景等, 研究未来气候变化下这些情景对农业生产可持续性的影响, 探索适宜于当地农业的气候变化智慧型的发展模式; 最后, 通过对整个研究结果的分析, 提出当前的技术瓶颈及未来发展潜力。
3 气候变化智慧型农业的表征无论是制定气候变化智慧型农业行动指南, 还是评价其发展的结果, 最基本的前提是发展表征和量化气候变化对农田生态系统服务及生态环境效应影响的方法学[16]。那么, 首要步骤就是根据目标与对象发展和建立用于评价农田生态系统服务及生态环境效应的指标体系, 然后对系列指标进行集成化处理, 从而达到对气候变化智慧型农业的表征。
3.1 农田生态系统服务及生态环境效应指标农田生态系统服务主要包括粮食生产、生物质生产、土壤保持、水源涵养、减缓气候变化、氮素供应等, 也有学者研究生物多样性与农田生态系统的文化服务功能[23]。目前, 主要以区域尺度模型研究为主。例如:Su等[24]采用生态服务模型InVEST和光能利用率模型CASA模拟了1975—2008年中国黄土高原土壤侵蚀、产水量和净初级生产力等生态服务指标的时空变化, 发现各生态服务指标之间具有此消彼长的特征, 且气候变化和土地利用变化是该地区生态服务年际波动的主要驱动力。谢志坚等[25]基于田间定位试验, 结合生态系统服务的价格参数, 以产品产量、土壤固碳、光合作用释放氧气、温室气体排放、吸收有毒有害气体和滞尘、土壤养分累积、土壤水分蓄积为指标量化了双季稻-紫云英系统的生态服务价值, 并计算了各指标的相对贡献。
农业生产在提供生态系统服务的同时, 也会对生态环境带来影响, 探索农业生产对生态环境影响的评价指标尤为重要。生态足迹是20世纪90年代发展起来的一种生态可持续性评估方法。它通过计量人类对生态服务的需求与自然能提供的生态服务之间的差距, 研究人类对自然的利用状况以及生态系统的承受能力, 从而判断生态的可持续性[26]。碳足迹、氮足迹和水足迹均发源于生态足迹概念, 用于衡量人类活动对生态环境影响程度的生态学指标。农业生产碳足迹用于评价农业生产活动产生的温室效应; 氮足迹是关注农业生产过程中向环境排放活性氮的总量, 用以评价氮素损失与利用效率; 水足迹则是以评价水分损失与利用效率为主要目标[27-28]。未来气候变化将对农业生态系统碳、氮、水循环带来复杂的影响, 这将进一步影响农业碳、氮、水足迹。因此, 这3个生态足迹是进行气候变化智慧型农业研究的重要指标。
近年来, 农业生产碳足迹的计量方法日趋完善, 诸多学者对区域和点位尺度不同农产品的碳足迹进行了评估[29-30]。本课题组从不同角度对我国农作物、畜禽生产碳足迹进行了计量, 发现畜禽生产碳足迹高于农作物, 种养殖规模、管理措施对碳足迹有显著影响; 还对比得出中国农作物生产碳足迹高于发达国家, 且近年来碳排放效率呈下降趋势[31-32]。与碳足迹相比, 农业生产氮足迹和水足迹的研究由于计量方法仍有待提升且排放因子开发有限, 多集中于国家和较大区域尺度的估算, 小尺度和点位的研究还非常有限[33]。水足迹的计量方法则多是基于文献将彭曼公式和作物系数、土壤蒸发系数相结合, 计算实际蒸散发量, 再结合有效降水来区分蓝水和绿水足迹[34]; 灰水足迹则根据作物生产过程进入水系统的污染物浓度进行计算。Mekonnen等[35]于2014年第1次估算全球作物生产的水足迹, 而更早时候Chapagain等[36]则计算了全球不同国家水稻生产的水足迹, 并探讨了蓝水、绿水和灰水足迹的比例。中国作物生产水足迹的研究极其有限, 仅有一些采用投入-产出法计算全国水足迹的研究中包含了作物生产的部分, 但未能区分蓝、绿水和灰水足迹[37-38]。目前, 气候变化对农业生产碳、氮、水足迹方面的研究还鲜见报道。
3.2 指标的集成农业生产的生态系统服务和生态环境影响之间以及生态系统服务之间都存在权衡(trade-off)和协同(synergy)关系。例如:在自然生态系统中, 调节服务和文化服务的水平相对较高, 而供给服务水平相对较低; 农田管理会对生态环境造成影响, 导致调节服务水平下降, 供给服务水平上升[39]。研究不同指标之间的协同与权衡关系是发展生态系统可持续管理的重要前提, 目前研究2种关系的方法以定性为主。例如:通过相关分析等空间分析算法来表征各类服务此消彼长的特征。对各项指标之间关系的定量研究是当前研究的热点和难点问题。可以通过对指标的同质化、归一化处理, 或者采用经济价值评估法和能值分析法等集成手段, 将不同量纲的多项指标转换为无量纲或同一量纲, 通过加和形成综合指标, 进而对不同指标在综合指标中的相对贡献判断生态系统服务之间的权衡与协同关系, 进而通过对各驱动因子进行灵敏度分析, 发掘影响生态系统服务的关键因子, 探索实现多赢局面的可行模式[40-41]。
近年来, Endpoint modelling在环境领域被广泛用于各种污染物的环境影响评价; 该方法还可以定量评价与农业生产相关的污染物(如温室气体排放、氨挥发、硝态氮损失等)对人类健康、生态系统质量、资源利用的影响程度, 还可以通过标准化和设置权重形成综合指标。Page等[42]采用Endpoint modelling方法量化了温室气体排放和水分损耗对人类健康、生态系统质量、资源利用的影响, 并通过标准化和设置权重计算了总分数, 发现与露天种植和中高技术温室(即根据天气条件进行制热和制冷)相比, 低技术温室(不制冷或制热, 仅在适宜的气候条件使用)种植番茄的综合环境影响最低, 且温室效应影响最高(84%~96%)。
综上所述, 建立生态系统服务指标和生态环境影响指标体系, 并采用集成方法形成具有可比性的综合量化指标, 就可以对不同模式下农业生产的可持续性进行综合评价。通过关注这些指标对未来气候变化情景的响应情况, 即可识别应对气候变化的最优模式, 制定气候变化智慧型农业方案。
4 气候变化智慧型农业的计量方法建立对气候变化智慧型农业的表征方法后, 需对表征指标进行量化。当前, 量化气候变化对农田生产可持续性影响的研究包括模拟气候变化试验研究、数据集成分析和模型模拟。
4.1 模拟气候变化试验研究自由空气中增加CO2浓度试验(FACE)最接近田间实际情况, 开始的研究中仅设置了CO2浓度增加处理[43]。近几年, 有学者研究同时包括升温处理和降水处理[44]。Wang等[45]对中国长江中下游一个野外开放式试验平台稻麦轮作系统连续4年观测后, 发现冠层增温和CO2浓度升高导致水稻减产, 并降低产量的稳定性。虽然长期定位试验研究的位点有一定的代表性, 且能够反映田间的真实情况, 但仍无法完全模拟气候变化的所有要素, 且在区域尺度上其代表性较为有限。
4.2 数据集成分析该方法主要包括对过去气候变化影响的评估以及基于搜集的试验数据进行集成分析, 主要以粮食产量为研究对象。近年来, 有学者研究采用统计方法, 将趋势产量和气象产量进行区分来研究过去气候变化对产量的影响程度。程琨等[46]采用直线滑动平均方法对技术进步带来的产量增加(即趋势产量)进行消除, 计算气象产量, 并采用多项指标对气象减产幅度和风险概率进行了评价; Lobell等[47]将产量与温度、降雨、时间(消除技术进步所带来的产量增加)等进行非线性回归, 发现在全球尺度上, 过去气候变化对小麦和玉米造成了显著的气象减产, 且温度带来的影响要高于降雨。该类研究主要关注于过去气候变化的影响, 仅可为未来的影响提供有限参考。
整合分析是指将不同的研究结果整合到一起的研究方法, 通过整合分析可以分析得到研究的一致性结论, 也可以分析研究结果不一致的主要原因, 通过多元手段甚至可以发现更为复杂的相关关系。气候变化影响的整合分析主要有两种, 一种是对已有野外/室内观测性研究数据的分析, 主要关注于CO2浓度升高对植物生长和温室气体排放的影响[48-49]。这类对试验数据的集成分析可增加人们对气候条件变化影响的直观认识, 但研究的广度受数据来源的影响较大。由于试验条件限制大多仅关注于CO2浓度升高的影响, 而温度和其他气候因子变化的影响研究极为有限。另一种是对已有模型模拟研究数据的分析。有大量研究对不同尺度气候变化情景的影响进行了模拟, 进一步对这些模拟的结果进行分析, 分析指标以产量为主[50]。研究结果受数据量和模拟方法的影响也较大, 有一定局限性[50]。
4.3 模型模拟模型模拟是气候变化影响研究的重要方法, 主要包括一般数学建模和过程或机理模型。数学建模是基于气象数据和各类观测数据采用各种线性或非线性回归手段和机器学习方法进行建模, 用以模拟未来气候变化的影响。Yue等[51]采用逐步回归的方法建立了N2O排放模型, 自变量中除土壤理化性质、施肥量和肥料类型、作物类型外, 还包括了年均温。因此, 该模型也可用于预测年均温变化对N2O排放的影响。机器学习算法是计算机从数据中自动分析获得最优模型, 并利用该模型进行预测的算法, 包括人工神经网络、支持向量机、决策树等。在气候变化预测研究中, 可以将气象数据、土壤数据和管理数据等输入计算机, 建立用于模拟产量、生态系统服务、生态环境影响的模型, 以预测未来气候变化的影响。Jeong等[52]对比了随机森林模型和多元线性回归模型对小麦、玉米、马铃薯等作物的模拟效果发现, 随机森林模型的决定系数高达0.96, 且根均方误差和模拟效率都显著高于多元回归模型。因此, 采用机器学习算法可以获得较高的预测准确度, 但需要注意的是该方法几乎无法看到模型结构, 一些模拟结果也可能无法用生态学的知识来解释。
基于过程或机理的复杂模型在模拟农田各种过程时有更强的模拟能力。通过模型参数的本土化验证, 其模拟效果一般优于经验模型, 但要求输入的数据较为详细[53]。在模型验证的基础上, 将气候变化情景数据按照模型输入数据的要求加工后输入模型, 便可进行不同气候条件的生态系统过程模拟, 是未来气候变化影响模拟最常用的方法。基于过程的生态模型是进行农田生态系统过程模拟最常用的模型类型, 不同模型能够模拟不同的生态系统过程。有的模型只能模拟碳循环过程, 如RothC模型[54]。该模型由英国洛桑试验站开发, 主要用于以月为步长模拟非淹水表层土壤的有机碳周转, 该模型将土壤有机碳库分为不同分解程度和周转速率的几个分库, 来对碳循环进行模拟。Mondini等[55]将气候变化情景数据(SRES、IPCC排放情景特别报告)输入RothC模型, 模拟不同气候变化情景下不同有机物料投入对意大利农田土壤碳库的影响, 证实该模型用于未来气候变化影响预测的可行性。Bell等[56]基于RothC和SUNDIAL模型(矿质土壤模型)发展了可以同时模拟碳、氮循环的简单过程模型ECOSSE, 经修正该模型已经能够模拟全球范围土壤有机碳变化和氮素损失量。但该模型目前仅能模拟几个环境变量(如pH、湿度和温度)对碳、氮过程的影响, 在农田管理方面主要以肥料投入的影响为主。
除了采用前面所述的碳库分级概念模拟碳循环外, 有更为复杂的模型加入了其他过程(如分解过程、反硝化过程等), 同时模拟生态系统层面碳、氮循环。并且, 这些模型采用更为丰富的气象要素、管理措施等数据, 以模拟点位和区域尺度气候变化、农田管理对碳和氮循环的影响。DNDC模型是能够同时模拟碳、氮过程的复杂模型代表。该模型由美国新罕布什尔大学Li Changsheng教授团队开发, 包括2大模块。其中:1个模块包括土壤气候、作物生长和分解子模型, 用于模拟土壤环境指标的变化, 如土壤温度、湿度、酸碱性、氧化还原条件等; 另1个模块包括硝化、反硝化和发酵子模型。它是基于第1个模块模拟得到的土壤环境状况来模拟各种痕量气体的排放[57]。Zhang等[58]将历史气象数据进行加工设置升温处理输入DNDC模型, 并设置了不同的管理情景, 研究了气候变化和不同管理对中国苏北旱作农田有机碳库的影响。SPACSYS模型也是同时模拟自然和农田生态系统碳氮循环的机理模型, 而且还包含了1个三维根系子模型[59]。Zhang等[60]已经采用中国河南农田数据对SPACSYS模型进行了验证, 发现该模型对旱作农田作物产量、土壤有机碳变化和氧化亚氮排放有较好的模拟效果; 并且, 将最新的典型浓度路径(RCPs)气候变化情景数据输入模型, 预测了2100年不同气候变化情景对点位尺度农田土壤碳库和氮库的影响。
还有一些模型可以模拟多种元素在土壤-植物系统中的循环过程, 模拟这些元素循环过程不仅可以提升模型对植物生产与碳、氮、水循环过程的模拟效果, 还可以进一步模拟更多的生态系统过程, 为综合评价农田生态系统服务和生态环境影响提供了更全面的数据。DAYCENT模型是这类模型中的代表, 该模型是著名的生态系统模型CENTURY以日为步长的版本, 由美国科罗拉多州立大学自然资源与生态实验室开发。除了可以模拟不同生态系统(农田、草地和森林)碳氮循环过程以外, DAYCENT模型还能模拟磷和硫的循环过程。Cheng等[61]发现通过参数化修正和本土化验证, DAYCENT模型可以较好地模拟中国农田产量、土壤碳库和温室气体排放; Yue等[53]研究发现, DAYCENT模型对中国农田氧化亚氮排放有最好的模拟效果, 但其对水稻、棉花、大豆系统的排放模拟效果一般, 且对不施肥处理下的产量和氧化亚氮排放的模拟欠佳, 说明提升其模拟能力还有较大空间。采用DAYCENT模型进行气候变化影响模拟有较强的可行性。Álvaro-Fuentes等[62]将SRES情景数据输入模型预测了2100年地中海地区气候变化对农业系统氧化亚氮排放的影响。
在生态系统服务研究领域, 有大量的模型只用于生态系统服务的量化。这些模型包括土壤侵蚀模型(如美国通用土壤流失模型)、水量平衡模型(如SCS-CN模型)等单个生态系统服务模拟模型, 也包括一些综合模型, 如InVEST、Cycles、EPIC等模型。这些生态系统服务模型可以模拟流域/区域尺度的土壤侵蚀/保持、植被生产、水源涵养等[24], 是上述生态过程模型难以达到的; 然而, 生态系统服务模型对一些生态系统过程的模拟较为有限, 如不同管理下土壤碳、氮、水循环, 作物生长等(特别是小尺度), 而这些是生态系统过程模型的优势。因此, 将生态系统过程与生态系统服务评价手段相结合, 能够得到更加准确、详细的模拟结果, 进而深入理解和发掘生态系统对气候变化的响应及应对策略。
5 亟待探索的问题将生命周期评价方法、生态系统模型引入生态服务计量能够有效降低生态系统服务量化的不确定性, 能够更细致发掘影响生态系统服务的关键因子[63], 这些是采用大尺度综合模型很难做到的。如何将生命周期评价、生态过程模型与生态服务研究方法相结合也是亟待解决的技术问题。
大尺度研究中获取的空间数据精度有限, 可能带来评估的不确定性, 从而影响政府在较小行政区域的决策; 通过获取高分辨率空间数据, 进行气候变化影响的降尺度综合研究, 在提高研究结果置信度的同时, 还可为当地政府部门制定可持续农业发展方案提供更加详实的科学理论依据[64]。
中国地处季风气候区, 气候条件年际变化大、气象灾害频繁, 是受到气候变化影响最为严重的国家之一[65-66]。《巴黎气候变化协定》的签订为应对和减缓气候变化行动提出了更高的要求, 构建气候变化智慧型农业, 促进农业生产的可持续发展是当前中国气候变化领域的重要需求。因此, 基于最新气候变化情景, 采用高精度的农田数据, 在对各类模型进行中国本土化验证的前提下模拟未来气候变化对农业生态系统服务的影响, 对气候变化智慧型农业进行计量和表征是当前亟待开展的研究方向。
[1] |
潘根兴, 卞荣军, 程琨. 从废弃物处理到生物质制造业:基于热裂解的生物质科技与工程[J]. 科技导报, 2017, 35(23): 82-93. Pan G X, Bian R J, Cheng K. From biowaste treatment to novel bio-material manufacturing:biomaterial science and technology based on biomass pyrolysis[J]. Science & Technology Review, 2017, 35(23): 82-93 (in Chinese with English abstract). |
[2] |
Smith P, Cotrufo M F, Rumpel C, et al. Biogeochemical cycles and biodiversity as key drivers of ecosystem services provided by soils[J]. Soil Discussions, 2015, 2(1): 537-586. DOI:10.5194/soild-2-537-2015 |
[3] |
尹飞, 毛任钊, 傅伯杰, 等. 农田生态系统服务功能及其形成机制[J]. 应用生态学报, 2006, 17(5): 929-934. Yin F, Mao R Z, Fu B J, et al. Farm land ecosystem service and its formation mechanism[J]. Chinese Journal of Applied Ecology, 2006, 17(5): 929-934 (in Chinese with English abstract). DOI:10.3321/j.issn:1001-9332.2006.05.035 |
[4] |
Stockmann U, Adams M A, Crawford J W, et al. The knowns, known unknowns and unknowns of sequestration of soil organic carbon[J]. Agriculture, Ecosystems & Environment, 2013, 164: 80-99. |
[5] |
Cameron K C, Di H J, Moir J L. Nitrogen losses from the soil/plant system:a review[J]. Annals of Applied Biology, 2013, 162(2): 145-173. DOI:10.1111/aab.12014 |
[6] |
Galloway J N, Townsend A R, Erisman J W, et al. Transformation of the nitrogen cycle:recent trends, questions and potential solutions[J]. Science, 2008, 320(5878): 889-892. DOI:10.1126/science.1136674 |
[7] |
Guo J H, Liu X J, Zhang Y, et al. Significant acidification in major Chinese croplands[J]. Science, 2010, 327(5968): 1008-1010. DOI:10.1126/science.1182570 |
[8] |
Piao S, Ciais P, Huang Y, et al. The impacts of climate change on water resources and agriculture in China[J]. Nature, 2010, 467(7311): 43-51. DOI:10.1038/nature09364 |
[9] |
Alexandratos N, Bruinsma J. World agriculture towards 2030/2050: the 2012 revision[EB/OL]. (2012-06)[2019-7-24]. http://www.fao.org/3/a-ap106e.pdf.
|
[10] |
Pugh T A M, Müller C, Elliott J, et al. Climate analogues suggest limited potential for intensification of production on current croplands under climate change[J]. Nature Communications, 2016, 7: 12608. DOI:10.1038/ncomms12608 |
[11] |
Ye Q, Yang X, Dai S, et al. Effects of climate change on suitable rice cropping areas, cropping systems and crop water requirements in southern China[J]. Agricultural Water Management, 2015, 159: 35-44. DOI:10.1016/j.agwat.2015.05.022 |
[12] |
Muñoz-Rojas M, Abd-Elmabod S K, Zavala L M, et al. Climate change impacts on soil organic carbon stocks of Mediterranean agricultural areas:a case study in Northern Egypt[J]. Agriculture, Ecosystems & Environment, 2017, 238: 142-152. |
[13] |
周超, 刘树伟, 张令, 等. 温度和CO2浓度升高对稻田CH4排放的影响:T-FACE平台观测研究[J]. 农业环境科学学报, 2013, 32(10): 2077-2083. Zhou C, Liu S W, Zhang L. Effect of elevated CO2 and temperature on CH4 emissions from rice paddy fields:a T-FACE experiment[J]. Journal of Agro-Environment Science, 2013, 32(10): 2077-2083 (in Chinese with English abstract). DOI:10.11654/jaes.2013.10.026 |
[14] |
Qiao J, Yu D, Wu J. How do climatic and management factors affect agricultural ecosystem services? A case study in the agro-pastoral transitional zone of northern China[J]. Science of the Total Environment, 2018, 613: 314-323. |
[15] |
Lipper L, Thornton P, Campbell B M, et al. Climate-smart agriculture for food security[J]. Nature Climate Change, 2014, 4(12): 1068-1072. DOI:10.1038/nclimate2437 |
[16] |
Lipper L, Zilberman D. A short history of the evolution of the climate smart agriculture approach and its links to climate change and sustainable agriculture debates[M]//Climate Smart Agriculture. Cham: Springer International Publishing, 2017: 13-30.
|
[17] |
Paustian K, Lehmann J, Ogle S, et al. Climate-smart soils[J]. Nature, 2016, 532(7597): 49-57. DOI:10.1038/nature17174 |
[18] |
Bai H, Tao F, Xiao D, et al. Attribution of yield change for rice-wheat rotation system in China to climate change, cultivars and agronomic management in the past three decades[J]. Climatic Change, 2016, 135(3/4): 539-553. |
[19] |
程琨, 潘根兴. "千分之四全球土壤增碳计划"对中国的挑战与应对策略[J]. 气候变化研究进展, 2016, 12(5): 457-464. Cheng K, Pan G X. "Four per mille initiative:soils for food security and climate" challenges and strategies for China's action[J]. Climate Change Research, 2016, 12(5): 457-464 (in Chinese with English abstract). |
[20] |
Bai X, Huang Y, Ren W, et al. Responses of soil carbon sequestration to climate-smart agriculture practices:a meta-analysis[J]. Global Change Biology, 2019, 25(8): 2591-2606. DOI:10.1111/gcb.14658 |
[21] |
Brouziyne Y, Abouabdillah A, Hirich A, et al. Modeling sustainable adaptation strategies toward a climate-smart agriculture in a Mediterranean watershed under projected climate change scenarios[J]. Agricultural Systems, 2018, 162: 154-163. DOI:10.1016/j.agsy.2018.01.024 |
[22] |
Thornton P K, Whitbread A, Baedeker T, et al. A framework for priority-setting in climate smart agriculture research[J]. Agricultural Systems, 2018, 167: 161-175. DOI:10.1016/j.agsy.2018.09.009 |
[23] |
傅伯杰. 我国生态系统研究的优先领域[J]. 地理教育, 2016(4): 1. Fu B J. Priority areas for ecosystem research in China[J]. Education of Geography, 2016(4): 1 (in Chinese). |
[24] |
Su C, Fu B. Evolution of ecosystem services in the Chinese Loess Plateau under climatic and land use changes[J]. Global and Planetary Change, 2013, 101: 119-128. DOI:10.1016/j.gloplacha.2012.12.014 |
[25] |
谢志坚, 贺亚琴, 徐昌旭. 紫云英-早稻-晚稻农田系统的生态功能服务价值评价[J]. 自然资源学报, 2018, 33(5): 735-746. Xie Z J, He Y Q, Xu C X. Appraisal on ecological services from Chinese milk vetch-early rice-late rice cropping ecosystem[J]. Journal of Natural Resources, 2018, 33(5): 735-746 (in Chinese with English abstract). |
[26] |
Wackernagel M, Rees W E, Testmale P. Our Ecological Footprint:Reducing Human Impact on the Earth(New Catalyst Bioregional Series)[M]. Gabriola Island: New Society Publishers, 1996.
|
[27] |
Galli A, Wiedmann T, Ercin E, et al. Integrating ecological, carbon and water footprint into a "footprint family" of indicators:definition and role in tracking human pressure on the planet[J]. Ecological Indicators, 2012, 16: 100-112. DOI:10.1016/j.ecolind.2011.06.017 |
[28] |
程琨, 岳骞, 徐向瑞, 等. 土壤生态系统服务功能表征与计量[J]. 中国农业科学, 2015, 48(23): 4621-4629. Cheng K, Yue Q, Xu X R, et al. Characterizing and quantifying soil resilience for ecosystem services[J]. Scientia Agricultura Sinica, 2015, 48(23): 4621-4629 (in Chinese with English abstract). DOI:10.3864/j.issn.0578-1752.2015.23.003 |
[29] |
Gan Y, Liang C, Chai Q, et al. Improving farming practices reduces the carbon footprint of spring wheat production[J]. Nature Communications, 2014, 5: 5012. DOI:10.1038/ncomms6012 |
[30] |
Cheng K, Pan G, Smith P, et al. Carbon footprint of China's crop production:an estimation using agro-statistics data over 1993-2007[J]. Agriculture, Ecosystems & Environment, 2011, 142(3): 231-237. |
[31] |
Luo T, Yue Q, Yan M, et al. Carbon footprint of China's livestock system e a case study of farm survey in Sichuan Province, China[J]. Journal of Cleaner Production, 2015, 102: 136-143. DOI:10.1016/j.jclepro.2015.04.077 |
[32] |
Yue Q, Xu X, Hillier J, et al. Mitigating greenhouse gas emissions in agriculture:from farm production to food consumption[J]. Journal of Cleaner Production, 2017, 149: 1011-1019. DOI:10.1016/j.jclepro.2017.02.172 |
[33] |
Gu B, Leach A M, Ma L, et al. Nitrogen footprint in China:food, energy, and nonfood goods[J]. Environmental Science & Technology, 2013, 47(16): 9217-9224. |
[34] |
Hoekstra A Y, Chapagain A K, Mekonnen M M, et al. The water footprint assessment manual:setting the global standard[M]. London: Earthscan, 2011.
|
[35] |
Mekonnen M M, Hoekstra A Y. Water footprint benchmarks for crop production:a first global assessment[J]. Ecological Indicators, 2014, 46: 214-223. DOI:10.1016/j.ecolind.2014.06.013 |
[36] |
Chapagain A K, Hoekstra A Y. The blue, green and grey water footprint of rice from production and consumption perspectives[J]. Ecological Economics, 2011, 70(4): 749-758. DOI:10.1016/j.ecolecon.2010.11.012 |
[37] |
Zhang C, Anadon L D. A multi-regional input-output analysis of domestic virtual water trade and provincial water footprint in China[J]. Ecological Economics, 2014, 100: 159-172. DOI:10.1016/j.ecolecon.2014.02.006 |
[38] |
Zhao X, Chen B, Yang Z F. National water footprint in an input-output framework:a case study of China 2002[J]. Ecological Modelling, 2009, 220(2): 245-253. DOI:10.1016/j.ecolmodel.2008.09.016 |
[39] |
傅伯杰, 于丹丹. 生态系统服务权衡与集成方法[J]. 资源科学, 2016, 38(1): 1-9. Fu B J, Yu D D. Trade-off analyses and synthetic integrated method of multiple ecosystem services[J]. Resources Science, 2016, 38(1): 1-9 (in Chinese with English abstract). |
[40] |
王鹏涛, 张立伟, 李英杰, 等. 汉江上游生态系统服务权衡与协同关系时空特征[J]. 地理学报, 2017, 72(11): 2064-2078. Wang P T, Zhang L W, Li Y J, et al. Spatio-temporal characteristics of the trade-off and synergy relationships among multiple ecosystem services in the Upper Reaches of Hanjiang River Basin[J]. Acta Geographica Sinica, 2017, 72(11): 2064-2078 (in Chinese with English abstract). |
[41] |
戴尔阜, 王晓莉, 朱建佳, 等. 生态系统服务权衡:方法、模型与研究框架[J]. 地理研究, 2016, 35(6): 1005-1016. Dai E F, Wang X L, Zhu J J. Methods, tools and research framework of ecosystem servicetrade-offs[J]. Geographical Research, 2016, 35(6): 1005-1016 (in Chinese with English abstract). |
[42] |
Page G, Ridoutt B, Bellotti B. Carbon and water footprint tradeoffs in fresh tomato production[J]. Journal of Cleaner Production, 2012, 32: 219-226. DOI:10.1016/j.jclepro.2012.03.036 |
[43] |
O'leary G J, Christy B, Nuttall J, et al. Response of wheat growth, grain yield and water use to elevated CO2 under a free-air CO2 enrichment(FACE) experiment and modelling in a semi-arid environment[J]. Global Change Biology, 2015, 21(7): 2670-2686. DOI:10.1111/gcb.12830 |
[44] |
Cai C, Yin X, He S, et al. Responses of wheat and rice to factorial combinations of ambient and elevated CO2 and temperature in FACE experiments[J]. Global Change Biology, 2016, 22(2): 856-874. DOI:10.1111/gcb.13065 |
[45] |
Wang J, Liu X, Zhang X, et al. Size and variability of crop productivity both impacted by CO2enrichment and warming:a case study of 4 year field experiment in a Chinese paddy[J]. Agriculture, Ecosystems and Environment, 2016, 221: 40-49. DOI:10.1016/j.agee.2016.01.028 |
[46] |
程琨, 潘根兴, 邹建文, 等. 1949-2006年间中国粮食生产的气候变化影响风险评价[J]. 南京农业大学学报, 2011, 34(3): 83-88. Cheng K, Pan G X, Zou J W, et al. Risk assessment of China's cereals production against climate change over 1949-2006[J]. Journal of Nanjing Agricultural University, 2011, 34(3): 83-88 (in Chinese with English abstract). DOI:10.7685/j.issn.1000-2030.2011.03.015 |
[47] |
Lobell D B, Field C B. Global scale climate-crop yield relationships and the impacts of recent warming[J]. Environmental Research Letters, 2007, 2(1): 014002. DOI:10.1088/1748-9326/2/1/014002 |
[48] |
Ainsworth E A. Rice production in a changing climate:a meta-analysis of responses to elevated carbon dioxide and elevated ozone concentration[J]. Global Change Biology, 2008, 14(7): 1642-1650. DOI:10.1111/j.1365-2486.2008.01594.x |
[49] |
Liu S, Ji C, Wang C, et al. Climatic role of terrestrial ecosystem under elevated CO2:a bottom-up greenhouse gases budget[J]. Ecology Letters, 2018, 21(7): 1108-1118. DOI:10.1111/ele.13078 |
[50] |
Challinor A J, Parkes B, Ramirez-Villegas J. Crop yield response to climate change varies with cropping intensity[J]. Global Change Biology, 2015, 21(4): 1679-1688. DOI:10.1111/gcb.12808 |
[51] |
Yue Q, Ledo A, Cheng K, et al. Re-assessing nitrous oxide emissions from croplands across Mainland China[J]. Agriculture, Ecosystems & Environment, 2018, 268: 70-78. |
[52] |
Jeong J H, Resop J P, Mueller N D, et al. Random forests for global and regional crop yield predictions[J]. PLoS One, 2016, 11(6): e0156571. DOI:10.1371/journal.pone.0156571 |
[53] |
Yue Q, Cheng K, Ogle S, et al. Evaluation of four modelling approaches to estimate nitrous oxide emissions in China's cropland[J]. Science of the Total Environment, 2019, 652: 1279-1289. DOI:10.1016/j.scitotenv.2018.10.336 |
[54] |
Coleman K, Jenkinson D S. RothC-26.3: a model the turnover of carbon in soil[M]//Evaluation of Soil Organic Matter Models Using Existing Long-Term Datasets. Berlin: Springer, 1996: 237-246.
|
[55] |
Mondini C, Cayuela M L, Sinicco T, et al. Soil C storage potential of exogenous organic matter at regional level(Italy) under climate change simulated by RothC model modified for amended soils[J]. Frontiers in Environmental Science, 2018, 6: 144. DOI:10.3389/fenvs.2018.00144 |
[56] |
Bell M, Jones E, Smith J, et al. Simulation of soil nitrogen, nitrous oxide emissions and mitigation scenarios at 3 European cropland sites using the ECOSSE model[J]. Nutrient Cycling in Agroecosystems, 2012, 92(2): 161-181. DOI:10.1007/s10705-011-9479-4 |
[57] |
Li C S. Modeling trace gas emissions from agricultural ecosystems[M]//Methane Emissions from Major Rice Ecosystems in Asia. Dordrecht: Springer Netherlands, 2000: 259-276.
|
[58] |
Zhang L, Wang G, Zheng Q, et al. Quantifying the impacts of agricultural management and climate change on soil organic carbon changes in the uplands of Eastern China[J]. Soil and Tillage Research, 2017, 174: 81-91. DOI:10.1016/j.still.2017.06.005 |
[59] |
Wu L, McGechan M B, McRoberts N, et al. SPACSYS:integration of a 3D root architecture component to carbon, nitrogen and water cycling model description[J]. Ecological Modelling, 2007, 200(314): 343-359. |
[60] |
Zhang X, Xu M, Sun N, et al. Modelling and predicting crop yield, soil carbon and nitrogen stocks under climate change scenarios with fertiliser management in the North China Plain[J]. Geoderma, 2016, 265: 176-186. DOI:10.1016/j.geoderma.2015.11.027 |
[61] |
Cheng K, Ogle S M, Parton W J, et al. Simulating greenhouse gas mitigation potentials for Chinese croplands using the DAYCENT ecosystem model[J]. Global Change Biology, 2014, 20(3): 948-962. DOI:10.1111/gcb.12368 |
[62] |
Álvaro-Fuentes J, Arrúe J L, Bielsa A, et al. Simulating climate change and land use effects on soil nitrous oxide emissions in Mediterranean conditions using the Daycent model[J]. Agriculture, Ecosystems & Environment, 2017, 238: 78-88. |
[63] |
Chaplin-Kramer R, Sim S, Hamel P, et al. Life cycle assessment needs predictive spatial modelling for biodiversity and ecosystem services[J]. Nature Communications, 2017, 8: 15065. DOI:10.1038/ncomms15065 |
[64] |
Tabatabaie S M H, Bolte J P, Murthy G S. A regional scale modeling framework combining biogeochemical model with life cycle and economic analysis for integrated assessment of cropping systems[J]. Science of the Total Environment, 2018, 625: 428-439. DOI:10.1016/j.scitotenv.2017.12.208 |
[65] |
Turral H, Burke J, Faurès J M. Climate change, water and food security[EB/OL]. Roman: Food and Agriculture Organization of the United Nations(FAO), 2011. http://www.fao.org/3/i2096e/i2096e00.htm.
|
[66] |
Fang J, Yu G, Liu L, et al. Climate change, human impacts, and carbon sequestration in China[J]. Proc Natl Acad Sci USA, 2018, 115(16): 4015-4020. DOI:10.1073/pnas.1700304115 |