Forest water use efficiency in Qianyanzhou based on Biome-BGC model, Jiangxi Province of eastern China
-
摘要:目的为了探究全球气候变化背景下森林生态系统水分利用效率的影响因子及其对气候变化的响应。方法本文利用经PEST模型参数优化后的Biome-BGC模型,对千烟洲森林生态系统2000—2014(CK)年以及不同气候情景变化模式下的水分利用效率及其影响因子进行了探究。结果(1)千烟洲的年均温和最大叶面积指数同水分利用效率呈显著正相关关系(P < 0.01),降水同水分利用效率间的相关性不显著(P > 0.05)。(2)千烟洲不同情景模式水分利用效率的取值区间是2.09 ~ 3.71 g/kg、均值2.90 g/kg。(3)同CK(2.18 ~ 2.57 g/kg、均值2.38 g/kg)相比,千烟洲各情景模式下大气CO2浓度增加情景(2.38 ~ 3.41 g/kg、均值2.90 g/kg)、降水和大气CO2浓度同时增加情景(2.38 ~ 3.33 g/kg、均值2.86 g/kg)、气温和大气CO2浓度同时增加情景(2.58 ~ 3.71 g/kg、均值3.15 g/kg)、降水和气温同时增加(2.30 ~ 2.84 g/kg、均值2.57 g/kg)及降水、气温和大气CO2浓度同时增加情景(2.70 ~ 3.60 g/kg、均值3.15 g/kg)的水分利用效率差异显著。但是,降水增加情景(2.09 ~ 2.68 g/kg、均值2.39 g/kg)和气温增加情景(2.13 ~ 2.81 g/kg、均值2.47 g/kg)对水分利用效率的影响不显著。(4)降水和大气CO2浓度同时增加情景与大气CO2浓度增加情景的水分利用效率差异不显著,气温和大气CO2浓度同时增加情景与大气CO2浓度增加情景的水分利用效率差异显著。结论(1)千烟洲森林生态系统的水分利用效率受到气温和叶面积指数的影响,情景分析表明水分利用效率能很好的对气候变化做出响应。(2)降水、气温和大气CO2浓度对水分利用效率的影响存在耦合效应。(3)增温对水分利用效率的影响要大于降水。
-
关键词:
- Biome-BG C模型 /
- PEST模型 /
- 碳水耦合 /
- 气候变化情景
Abstract:ObjectiveThe objectives of this study are to explore the impact factors of forest ecosystem water use efficiency and its response to climate change in the context of global climate change.MethodWe used the Biome-BGC model optimized by PEST model parameters to explore the water use efficiency and its influencing factors of the Qianyanzhou forest ecosystem in different climate scenarios, Jiangxi Province of eastern China.Result(1) The annual average temperature and maximum leaf area index of Qianyanzhou were significantly positively correlated with water use efficiency (P < 0.01). The correlation between precipitation and water use efficiency was not significant (P > 0.05). (2) The water use efficiency of different scenarios in Qianyanzhou was in the range of 2.09−3.71 g/kg and the mean was 2.90 g/kg. (3) Compared with CK (2.18−2.57 g/kg, mean 2.38 g/kg), double the concentration of atmospheric carbon dioxide scenario (C scenario, 2.38−3.41 g/kg, mean 2.90 g/kg), annual precipitation increased by 15% and double the concentration of atmospheric carbon dioxide scenario (PC scenario, 2.38−3.33 g/kg, mean 2.86 g/kg), temperature increased by 4 ℃ and double the concentration of atmospheric carbon dioxide scenario (TC scenario, 2.58−3.71 g/kg, mean 3.15 g/kg), annual precipitation increased by 15% and temperature increased by 4 ℃ scenario (PT scenario, 2.30−2.84 g/kg, mean 2.57 g/kg) and annual precipitation increased by 15%, temperature increased by 4 ℃ and double the concentration of atmospheric carbon dioxide scenario (PTC scenario, 2.70−3.60 g/kg, mean 3.15 g/kg) were significantly different. However, the annual precipitation increased by 15% scenario (P scenarion, 2.09−2.68 g/kg, mean 2.39 g/kg) and the temperature rised by 4 ℃ scenario (T scenario, 2.13−2.81 g/kg, mean 2.47 g/kg) had no significant effect on water use efficiency. (4) The water use efficiency between the PC scenario and the C scenario was not significant, and the TC scenario was significantly different from the water use efficiency of the C scenario.Conclusion(1) The water use efficiency of Qianyanzhou forest ecosystem was affected by temperature and leaf area index. Scenario simulations showed that water use efficiency of Qianyanzhou can respond well to climate change. (2) There existed coupling effects of precipitation, temperature and atmospheric carbon dioxide concentration on water use efficiency. (3) The effect of warming on water use efficiency was greater than precipitation.-
Keywords:
- Biome-BG C model /
- PEST model /
- carbon-water coupling /
- climate change scenarios
-
杨树(Populus spp.)人工林是世界中纬度平原地区集约栽培面积最大的速生用材防护林之一,具有生长快、成林早、易于更新、水分养分需求大等特点。我国杨树天然林面积约300 万 hm2,人工林面积约700 万 hm2,广泛用于三北生态防护林和商业用材林。近地面臭氧(O3)是一种具有强氧化植物毒性的二次污染物,主要由人为源和植物源挥发性有机化合物和氮氧化物等前体物在光照下发生化学反应而生成。“十三五”以来,我国O3污染呈现逐年加重的趋势,年增率达到2.2 ~ 2.4 nmol/mol[1],已成为继PM2.5后困扰我国新的环保难题。高O3污染期常与植物的旺盛生长期(5—9月)重叠,对植物从器官、植株、生态系统方面产生一系列的连锁负效应[2]。树木的叶片和细根都在森林生态系统碳循环和养分(如氮、磷等)循环中起核心作用[3],通过细根分解归还给土壤的碳输入是地上凋落物的2倍以上[4],释放的氮也比地上部分高出18% ~ 45%[5]。目前,针对叶片对O3胁迫的响应研究工作较多[6−7],而细根对O3胁迫响应的研究较缺乏。最新研究发现:细根生物量对O3胁迫的响应比叶敏感[8−9],生物量下降也更明显[9]。除了生物量,植物的光合生理性状、元素含量、非结构性碳水化合物(可溶性糖和淀粉)和次级代谢产物(木质素和单宁)也直接或间接影响着树木的生长发育和对O3胁迫的响应。这些在叶片和细根中关乎树木本身“质量”的化学性状对O3胁迫的响应是否存在差异,成为探讨树木生长和生理生态过程对环境胁迫响应的关键科学问题。
根据不同O3浓度梯度(3个浓度以上)与植物光合性状[10]、解剖性状[11]、生物量[12]等建立剂量响应关系,是定量评价O3对植物伤害的有效方法。目前存在3种剂量−效应关系模型,即线性非阈值胁迫响应模型、阈值胁迫响应模型和应激兴奋胁迫响应模型[13]。线性非阈值胁迫响应模型(线性、无阈值、有剂量就下降)和阈值胁迫响应模型(线性、有毒性阈值、一定剂量累积后下降)是O3的植物风险评估中应用最多的2种模型[10−12,14],即随着O3浓度升高,植物的各尺度性状相比对照(过滤掉O3)均呈现线性下降的格局。最近,Agathokleous等[15−16]发现在植物对O3胁迫的响应关系中还存在一种毒物兴奋效应(hormesis),即O3在低剂量时对植物表现为应激有利作用,如能增加应激性抗性物质、刺激生长发育等,在高剂量时对植物表现为负面影响。这种应激兴奋效应可能源于植物内环境稳定受到破坏后所导致的非特异性超补偿效应,即当O3通过叶片气孔进入到植物体后,生成的活性氧自由基会刺激细胞上调抗氧化物质合成基因的表达,导致合成更多的抗氧化物质,以尽快修复O3胁迫引起的损伤,这被看作是植物体的一种适应性反应机制[15]。随着O3剂量的累积,植物达到自我修复的极限(毒性响应阈值),进入程序性细胞死亡阶段,从之而来的是整个系统的崩溃,表现为植株早衰和死亡。
O3兴奋效应在植物对O3胁迫环境的适应性调控方面具有潜在应用前景[17]。例如:将植物暴露在不超过毒性响应阈值的O3浓度下,让植物启动应激兴奋代谢合成途径,实现自我修复损伤的同时形成上调基因表达路径的“记忆”性反应,从而保护植物在其后的胁迫中免受或少受伤害,即便以后不再遭遇O3胁迫,也有利于植物抵御环境中其他胁迫,如干旱、高温等。兴奋效应产生的反应是非特异性的,在植物应对各种低水平的环境胁迫时都有相近的反应机制[18]。目前对于O3的兴奋效应研究缺乏,一是多数研究只设定单一O3升高浓度,只能得出相比对照树木的生理生化和生物量指标下降的一致结论,无法通过剂量来探讨兴奋效应;二是一些研究虽然设定了4 ~ 5个O3浓度升高梯度,但研究的响应变量多是累积变量(慢变量,如生物量/产量),较难捕捉到O3刺激的兴奋效应现象[12]。本研究选取在北方广泛栽种且对O3胁迫较敏感的杨树(Populus spp.)品种[19],通过杨树快速响应变量(光合生理和化学性状)和慢速响应变量(生物量)在5个O3浓度水平下的响应,提出以下2个假设:(1)叶片和细根性状对O3胁迫的响应可能具有显著差异;(2)快速响应变量比慢速响应变量更易出现O3兴奋效应。本研究旨在找到那些具有O3兴奋效应的性状,为O3污染环境下的植物应对策略提供一定科学指导。
1. 试验区概况与研究方法
1.1 试验区概况
该试验区位于北京市延庆区唐家堡村野外实验与示范基地(116°20′24″E,40°28′12″N),属于北温带半湿润半干旱大陆性季风气候,年降水量500 ~ 700 mm,年均温11 ~ 13 ℃,夏季平均气温22 ~ 25 ℃,年平均日照时数在2 100 ~ 2 700 h之间,全年无霜期190 ~ 200 d。
1.2 试验设计
选用中国林业科学院提供的欧美杨107(Populus euramericana cv. ‘74/76’)扦插苗为试验材料。该杨树品种为三北防护林带等北方人工林的主栽树种。于4月上旬将欧美杨107插条截成15 cm左右的插穗,在清水中浸泡1 d后扦插在容器中进行容器育苗,基质用通常基质的配方(m草炭∶m珍珠岩 = 3∶1)进行配置。等到杨树长势稳定,将长势均匀的杨树幼苗统一移到20 L的圆形花盆中,基质为m草炭∶m当地土壤 = 1∶3。5月将相同基径((6.5 ± 0.8) mm)和株高((38.6 ± 6.7) cm)的幼树移入开顶式气室(OTC),气室为正八面钢化玻璃柱体,高3.0 m,占地12.5 m2,适应10 d后进行O3熏蒸处理。在试验期间,所有树每1 ~ 2 d进行自动滴灌,保持充分一致的土壤含水量。
试验在15个OTC中进行O3熏气,共设置5个O3浓度处理水平:CF(过滤大气, < 40 nmol/mol),NF(环境大气浓度)、NF40(NF + 40 nmol/mol)、NF60(NF + 60 nmol/mol)、NF80(NF + 80 nmol/mol)。每个处理3个OTC重复,每个OTC内6 ~ 8盆树,随机分布。本试验期间各OTC中的O3浓度由美国热电公司49i臭氧分析仪(Model 49i,Thermo Scientific,Franklin,USA)监测,每天熏气时间为10 h(08:00—18:00),霾雨天停止熏气。熏气时间从6月22日—9月24日,持续95 d。在试验持续期间内,5个O3处理的日平均O3浓度分别为(19.2 ± 0.7) nmol/mol、(40.8 ± 0.1) nmol/mol、(67.0 ± 2.9) nmol/mol、(85.7 ± 0.6) nmol/mol和(99.0 ± 0.7) nmol/mol。O3剂量指标AOT40(试验期间小时O3浓度超过40 nmol/mol的累计值)在5个O3处理中对应的值分别为(1.10 ± 0.03) μmol/mol·h、(8.90 ± 0.10) μmol/mol·h、(28.40 ± 2.34) μmol/mol·h、(45.80 ± 0.59) μmol/mol·h和(58.60 ± 0.95) μmol/mol·h。
1.3 指标测定
在9月中旬(生长末期),分别在每个OTC中选择3盆树,于09:30—11:30采集中上部(从顶端数第6 ~ 8片)叶片,用Licor-6400(美国LI-COR公司)测定饱和光合速率和气孔导度。参数设定为:光强1200 μmol/(m2·s),CO2浓度400 μmol/mol,气温控制在环境温度 ± 1 ℃,相对湿度50% ~ 60%。
测定完后进行破坏性取样。每个处理取3盆植物分叶片、茎、根收获。根用清水洗净后分为细根(直径 < 2 mm)和粗根(直径 ≥ 2 mm)。将叶片和细根在105 ℃下杀青15 min后,在65 ℃下烘至恒质量,称量生物量;随后用球磨仪(GT200,Beijing Grinder Instrument Co.,Ltd.,China)把叶片和细根磨成粉末,进行化学含量测定。
碳(C)和氮(N)元素测定采用C-N元素分析仪(Vario EL III,Elementar,Germany)。磷(P)元素测定采用等离子体发射光谱仪(ICP-OES,Prodigy,Leeman,USA)。可溶性糖测定采用高效液相色谱(Waters HPLC2695,Milford,MA,USA)[20],淀粉测定采用高氯酸水解-蒽酮比色法。总非结构性碳水化合物(TNC)为可溶性糖和淀粉的加和。木质素测定采用巯基乙酸法[21]。单宁测定参照Lindroth等[22]。
1.4 数据分析
采用Shapiro-Wilk(W检验)验证数据是否符合正态分布(P > 0.05)。文中数据为平均值 ± 标准误(mean ± SE,n = 3)。采用Turkey’s Honestly Significant Difference(HSD)检验法分析被测指标在不同处理之间的差异。各指标对各个O3暴露水平的响应相对于控制组(CF)的变化定义为响应比(R),计算公式为:
R=μT/μC×100% (1) 式中:
μ 为试验所测定的响应变量(光合生理性状、各器官生物量、化学性状)的值,μ T为每个O3暴露水平下的μ 变量的值,μ C为控制组的μ 变量的值,控制组的响应比为100%,即为参照点。WUE=Pn/Gs (2) 式中:WUE为叶片的水分利用效率,Pn为叶片的饱和光合速率,Gs为气孔导度。
叶片和细根的化学性状含量由各自生物量乘以各化学性状的浓度计算得到。化学性状根叶比由根响应变量含量/叶响应变量含量的比值计算得到。通过Pearson线性相关分析被测指标在叶片和细根的相关性。利用最小二乘回归法评估响应变量与O3暴露剂量的关系,给出最优拟合方程。用非度量多维尺度分析(NMDS)对叶片和细根各O3暴露水平下的化学性状进行分析,检验不同O3暴露水平下的叶片和细根的化学性状是否存在显著差异(PERMANOVA检验,P < 0.05为显著)。运用R软件进行统计分析。
2. 结果与分析
2.1 叶片光合生理性状和生物量的O3剂量响应
叶片饱和光合速率(图1a)和细根生物量(图1f)沿O3剂量升高梯度呈现先升高后降低的趋势,最优拟合方程为开口向下的二次抛物线。饱和光合速率在23.9 μmol/mol·h O3剂量下出现负响应阈值,细根生物量在37.4 μmol/mol·h O3剂量下出现负响应阈值。与对照(100%响应)相比,水分利用效率(图1c)、叶生物量(图1d)、茎生物量(图1e)、粗根生物量(图1g)和总根生物量(图1h)呈现线性胁迫响应,即沿O3剂量增加显著降低,未出现毒性阈值。气孔导度(图1b)和根冠比(图1i)的O3剂量响应不显著。
图 1 杨树光合生理特征、生物量积累和分配在5个O3暴露剂量下的响应比AOT40. 试验期间小时O3浓度超过40 nmol/mol的累计值,为O3剂量指标。不同的小写字母表示不同臭氧处理的显著性差异(P < 0.05)。下同。AOT40, the accumulated hourly mean O3 concentration over 40 nmol/mol during fumigation, which is O3-dose index. Lowercase letters indicate significant differences among O3 treatments (P < 0.05). The same below.Figure 1. Response ratios of photosynthetic physiological characteristics, biomass accumulation and distribution of poplar under 5 O3 exposure doses2.2 叶片和细根的化学性状的O3剂量响应差异
利用NMDS分析5个O3浓度水平下的叶片和细根的所有化学性状发现(图2):叶片和细根的化学性状完全分开(P = 0.001),在叶片或细根内部,各O3浓度水平上的化学性状也具有显著差异(P叶片 = 0.014,P细根 = 0.023)。叶片(表1)和细根(表2)分别的化学性状之间的相关性分析表明:叶片和细根中的木质素∶N都与可溶性糖和TNC显著负相关。细根中的淀粉含量与单宁显著负相关(r =−0.54,P < 0.05,表2),但在叶片中这种相关性不显著(P > 0.05,表1)。叶片中具有显著相关性的化学性状比细根中的多。叶片和细根之间的化学性状之间的相关性中,只有可溶性糖(r = 0.521,P = 0.046)和木质素∶N(r = 0.696,P = 0.004)在叶片和细根之间具有显著正相关,其他化学性状相关性不显著,说明叶片和细根对于O3的响应是解偶联的。
图 2 杨树叶片和细根的化学性状在5个O3浓度水平的响应差异CF. 过滤大气浓度, < 40 nmol/mol;NF. 环境大气浓度;NF40. NF + 40 nmol/mol;NF60. NF + 60 nmol/mol;NF80. NF + 80 nmol/mol。CF, filtered ambient air concentration, < 40 nmol/mol; NF, ambient air concentration; NF40, NF + 40 nmol/mol; NF60, NF + 60 nmol/mol; NF80. NF + 80 nmol/mol.Figure 2. Response difference of chemical properties of poplar leaves and fine roots at five O3 concentration levels表 1 杨树叶片化学性状之间的相关性Table 1. Pearson’s correlation matrix for chemical traits in poplar leaves叶片性状
Leaf traitN P C∶N N∶P C∶P 可溶性糖
Soluble sugar淀粉
StarchTNC 木质素
Lignin木质素∶N
Lignin∶N单宁
TanninC 0.19 0.03 −0.05 0.11 −0.040 0.07 −0.20 −0.14 −0.13 −0.12 0.02 N 0.48 −0.99*** 0.21 −0.777** 0.32 0.01 0.19 −0.33 −0.52* 0.13 P −0.50 −0.76** −0.910*** 0.16 0.27 0.32 −0.02 −0.14 0.02 C∶N −0.18 0.810*** −0.35 −0.08 −0.27 0.36 0.54* −0.14 N∶P 0.440 0.09 −0.29 −0.20 −0.24 −0.24 0.09 C∶P −0.27 −0.23 −0.36 0.19 0.36 −0.08 可溶性糖 Soluble sugar −0.08 0.50 −0.89*** −0.90*** 0.69** 淀粉 Starch 0.82*** −0.01 −0.04 −0.28 TNC −0.52* −0.54* 0.15 木质素 Lignin 0.98*** −0.79*** 木质∶N Lignin∶N −0.73** 注:C. 碳;N. 氮;P. 磷;TNC. 总非结构性碳水化合物;***表示P < 0.001;**表示P < 0.01;*表示P < 0.05。下同。Notes: C, carbon; N, nitrogen; P, phosphorus; TNC, total non-structure carbohydrate; *** indicates P < 0.001; ** indicates P < 0.01; * indicates P < 0.05. The same below. 表 2 杨树细根化学性状之间的相关性Table 2. Pearson’s correlation matrix for chemical traits in poplar fine roots细根性状
Fine root traitC N P C∶N N∶P C∶P 可溶性糖
Soluble sugar淀粉
StarchTNC 木质素
Lignin木质素∶N
Lignin∶NN −0.32 P 0.26 0.59* C∶N 0.49 −0.98*** −0.50 N∶P −0.41 0.12 −0.95*** −0.17 C∶P −0.35 −0.04 −0.97*** −0.02 0.99*** 可溶性糖 Soluble sugar 0.27 0.37 0.25 −0.30 −0.15 −0.18 淀粉 Starch 0.27 0.18 0.16 −0.10 −0.29 −0.29 0.17 TNC 0.35 0.38 0.27 −0.29 −0.26 −0.29 0.86*** 0.65** 木质素 Lignin −0.33 0.00 0.23 −0.07 −0.19 −0.22 −0.49 −0.10 −0.43 木质∶N Lignin∶N −0.19 −0.36 0.02 0.29 −0.22 −0.20 −0.58* −0.14 −0.53* 0.93*** 单宁 Tannin 0.30 −0.48 −0.16 0.48 −0.03 0.04 −0.23 −0.54* −0.46 −0.27 −0.09 叶片和细根的化学性状沿O3剂量升高梯度呈现不同的响应趋势(图3):对于元素含量及其比值,叶片的C、N和P均未出现显著O3剂量响应(图4a ~ c);细根的C和N未出现显著O3剂量响应,P出现O3兴奋效应现象,即沿O3暴露剂量增加呈现先升高后在32.7 μmol/mol·h O3剂量后降低的趋势(图3a ~ c)。叶片C∶N、N∶P和C∶P均未出现显著O3剂量响应(图3d ~ f);细根C∶N未出现显著O3剂量响应,细根N∶P和C∶P沿O3剂量增加呈现单调下降的响应,未出现O3毒性阈值(图3d ~ f)。对于初级代谢产物,叶片和细根的可溶性糖含量沿O3剂量升高梯度呈现先升高后降低的趋势,最优拟合方程为开口向下的二次抛物线(图3g)。叶片和细根可溶性糖分别在51.6和43.1 μmol/mol·h O3剂量下出现负响应阈值。叶片淀粉和总非结构性碳水化合物含量沿O3剂量增加呈现单调降低的格局,未出现O3毒性阈值(图3h ~ i)。细根淀粉和总非结构性碳水化合物含量均未出现显著O3剂量响应(图3h ~ i)。对于次级代谢产物,叶片和细根的木质素(图3j)和木质素∶N(图3k)沿O3剂量增加均呈现先降低后升高的格局,木质素在叶片和细根中O3剂量的转变阈值分别为24.1和20.5 μmol/mol·h,木质素∶N在叶片和细根中O3剂量的转变阈值分别为23.7和22.9 μmol/mol·h。叶片单宁出现O3兴奋效应现象,沿O3暴露剂量增加呈现先升高后在27.5 μmol/mol·h O3剂量后出现降低趋势;细根单宁对O3剂量的响应不显著(图3l)。
图4显示了化学性状的根叶比沿O3剂量升高梯度的变化趋势。随着O3剂量升高,分配到根中的P含量增加,为分配到叶中P的1.7倍,且P含量随着O3剂量的增加一直维持在相对较高的稳定状态(图4a)。淀粉和总非结构性碳水化合物的根叶比表现为沿O3剂量增加不断增加的趋势(图4b),表明随着O3浓度升高,分配到细根中的淀粉和总非结构性碳水化合物含量增多。单宁的根叶比随着O3剂量增加呈现先降低后升高的趋势(图4c),表明单宁在O3剂量为37.25 μmol/mol·h之前分配到叶片的比例增加,之后分配到细根的比例增加。C、N、可溶性糖、木质素和木质素∶N的根叶比沿O3剂量均无显著变化,说明O3浓度升高未改变这些化学性状在叶片和细根中的分配,即这些化学性状的内稳性较强,并不随环境变化而变化。
3. 结论与讨论
杨树叶片和细根在O3浓度梯度上表现出明显的响应差异(图2、图3),支持假设一。首先,叶片和细根本身的生物理化特征就存在很大差异[4]。叶片N含量比细根大,可溶性糖和淀粉含量比细根高3 ~ 4倍之多[20];而木质素和单宁含量比细根少2 ~ 3倍[4]。其次,叶片是O3伤害的第一攻击位点,O3对叶片光合系统、抗氧化系统和代谢路径可造成直接伤害,而O3通过影响光合作用以及碳氮代谢间接影响细根的数量和质量[23]。尽管如此,最近研究发现:细根是植物响应环境变化最为敏感的器官[24],细根生物量对O3响应的敏感性要大于地上部分[9,25]。本研究发现:细根生物量沿着O3浓度梯度呈现先升高后降低的趋势,直到37.4 μmol/mol·h O3剂量时出现负响应;表明低浓度O3能促进细根生长,这与欧洲赤松(Pinus sylvestris)中2年的低浓度O3熏蒸增加了总短根数和鲜质量的结论一致[26],原因可能是由于低浓度O3也刺激了菌根真菌的侵染[26],细根与菌根真菌的互作使得细根生物量出现增加的格局。而叶、茎、粗根和总根生物量呈现沿O3剂量增加单调递减的趋势,与前人的研究结果一致[8,10,12,14],同时也支持了细根生物量对O3的响应更敏感的结论。
杨树叶片单宁和细根P含量对O3胁迫的响应出现显著毒物兴奋效应,支持假设二。在负响应O3阈值之前,这些响应性状都表现为对O3浓度升高的应激兴奋(增加)响应,这可能源于杨树在O3胁迫下内环境受到破坏后所导致的非特异性超补偿效应[15],即O3诱导植物生成更多的活性氧自由基,刺激了细胞上调抗氧化物质合成基因的表达,导致合成更多的抗氧化物质,用以尽快修复O3胁迫引起的损伤,这是植物体的一种适应性反应机制[15]。当O3胁迫剂量超过负响应O3阈值,即O3剂量的累积超过植物自我修复极限,此时杨树表现为光合系统、抗氧化系统和生长的全面崩溃状态,即程序性细胞死亡、生理代谢缓慢、物质合成衰减、植株早衰和死亡。植物在面对其他环境胁迫(如SO2、NOx、冷害、高温、干旱等)时,也会出现类似的兴奋效应,即低剂量兴奋、高剂量抑制的现象[15−17]。除了植物,在其他生物(动物和微生物)和各类生命现象(生殖、生长和代谢等)中都发现了毒性兴奋效应现象,显示了毒性兴奋效应的普遍性[27]。利用生物体稳态受到环境破坏后能够迅速恢复的能力,将环境污染物的浓度控制在毒性响应阈值内,可以有助于生态系统维持在比对照条件更佳的状态[13]。当前,降低地表O3污染成为环保界的新难题,通过毒物兴奋效应得出的某一类生物的毒性响应阈值所对应的O3浓度,可以作为O3减排的目标。利用生态系统具有的弹性和自适应的特性,既为减排标准的制定提供了一定的弹性空间,也降低了减排的成本。杨树叶片饱和光合速率、可溶性糖以及细根可溶性糖虽然也观察到先升后降的趋势和负响应O3阈值,但并未通过显著性检验(P < 0.05),不能说明出现显著兴奋效应,不支持假设二。可能是由于样本量少和树种单一的原因。后续的研究需增加树种和样本量来验证是否出现显著兴奋效应。
杨树叶片和细根的C和N含量未出现显著O3剂量响应,可能与其固有抗逆性内稳态相关。植株体内较高C、N含量有利于提高植株的防御和修复功能,提高对O3胁迫的适应能力[28−29]。细根P含量在本研究设定的O3剂量(58.6 μmol/mol·h)内一直呈现刺激效应,即各O3处理的值都大于对照值,在70.3 μmol/mol·h O3剂量(超过本研究设定剂量)才表现为比对照降低的趋势,表明细根P含量在O3胁迫下持续升高可能是植物抵御胁迫的一种策略。并且P元素的根叶比沿O3剂量增加也呈现持续上升趋势,表明O3污染环境下植物的养分分配策略通过增加细根中的元素含量(特别是P元素)来应对O3胁迫。植物为适应O3胁迫环境,需要产生更多rRNA合成相关蛋白,而rRNA是植物1个主要的P库[30]。Shafer[31]发现:具有磷酸酶活性的细菌量随O3浓度升高而线性增加,可能是导致细根P含量增加的原因之一。非结构性碳水化合物能快速响应环境变化,是重要的渗透调节物质和适应环境的信号物质[32]。本研究叶片和细根的可溶性糖均出现先升后降的趋势,这与芒果(Mangifera indica)[33]和银杏(Ginkgo biloba)[34]中可溶性糖含量在低浓度O3胁迫下增加、在高浓度O3下降低是一致的。可溶性糖含量在毒性响应阈值之前出现升高,可能是植物为了适应渗透胁迫主动积累一定的可溶性糖用于降低渗透势,从而能适应外界环境胁迫;而在阈值之后的显著降低可能是由于分解酶的累积增加加速了糖分的分解[35]。
杨树叶片和细根的木质素和木质素:N沿O3剂量增加均呈现先降低后升高的趋势,O3剂量的转变阈值在叶片中为23.7 ~ 24.1 μmol/mol·h,在细根中为20.5 ~ 22.9 μmol/mol·h,表明细根对环境变化的响应更敏感[9,25-26]。木质素增加可以加固细胞壁,形成结构屏障,从而抵御环境胁迫;O3胁迫可能刺激了苯丙氨酸解氨酶、过氧化物酶和多酚氧化酶等木质素合成相关酶的活性,导致木质素含量的增加。单宁作为植物处于逆境胁迫后调节自身代谢的一类重要的防御类次生产物,可提高植物自身的适应能力和对外界环境胁迫的抗性[36]。本研究发现沿O3浓度梯度细根单宁含量变化不显著,而叶片单宁出现O3兴奋效应现象,沿O3暴露剂量增加一直处于刺激状态,直至超过本试验设定的最大O3剂量(59.2 μmol/mol·h)时,才出现负响应阈值。基于2个O3浓度梯度,前人研究[34, 37-39]得出O3浓度升高可促进树木叶片单宁含量增加或没有影响的不同结论。这可能是由于单宁含量的增加有助于提高植物叶片的抗氧化能力,但O3浓度过高时叶片早衰严重,自由基大量产生导致抗氧化物质大量消耗,从而单宁含量下降。
本研究发现杨树叶片和细根的一些功能性状出现不同程度的毒性兴奋效应(hormesis),即O3在低剂量时表现为刺激增加效应,在高剂量时表现为毒性降低效应,并出现1个O3剂量的负响应阈值。这就解释了以前研究的结论中O3胁迫对不同响应变量的影响或者增加、或者降低、或者无影响,因为绝大多数试验都只是设定1 ~ 2个O3浓度升高浓度,若设定的O3熏蒸试验浓度在毒性负响应阈值之前,则可能出现响应变量增加或不变的结果;若设定的O3浓度在毒性负响应阈值之后,则得出普遍的O3抑制的结果。比如:只设定1个升高O3浓度(55 nmol/mol)对北美白桦(Betula papyrifera)进行为期5个月的熏蒸试验,叶片中N、可溶性糖、木质素、木质素∶N和单宁与对照相比均未发生显著变化[40]。本研究发现,O3剂量达到51.6和43.1 μmol/mol·h时,叶片和细根的可溶性糖含量才分别降低,在这剂量之前,都是刺激可溶性糖含量增加,这也解释了在李品等[20]研究中观察到可溶性糖在叶片和细根中相比对照都分别显著增加了5.6%和6.9%,因为此研究设定的O3升高浓度在O3剂量的负响应阈值之前。鉴于生物体对环境胁迫的响应具有兴奋效应现象的普遍性,在进行控制试验时,传统的2个处理(对照组 + 升高/降低处理组)观察到的结果可能只是生物响应的局部观,无法全面揭示生物与环境之间互作的机制。未来的研究应设定梯度( > 5个)试验,来解开目前试验结果多样化的原因,也能发现毒物响应的负效应阈值,来探讨生态系统弹性与环境容量的关系。此外,杨树作为我国城市森林的主要优势树种,是植源性挥发性有机化合物(主要是异戊二烯)的重要排放源[19],能促进O3生成和城市空气污染。O3浓度升高反过来会抑制杨树异戊二烯的合成[41]。因此,筛选植源性挥发性有机化合物排放量低的树种来构建绿色基础设施对于缓解城市O3污染也是未来研究的关注点。
-
图 2 千烟洲2003—2005日GPP值
GPP-BGC为Biome-BGC模型未进行参数优化模拟的日GPP,GPP-EC为涡度相关技术实测的日GPP,GPP-YHH为通过PEST模型进行参数优化后模拟而得的日GPP。GPP-BGC is a daily GPP for the Biome-BGC model without parameter optimization simulation, GPP-EC is a daily GPP measured by eddy correlation technology, GPP-YHH is a daily GPP that is simulated after parameter optimization through the PEST model.
Figure 2. Daily GPP of Qianyanzhou from 2003 to 2005
图 3 千烟洲2003—2005日蒸散值
ET-BGC为Biome-BGC模型未进行参数优化模拟的日ET,ET-EC为涡度相关技术实测的日ET,ET-YHH为通过PEST模型进行参数优化后模拟而得的日ET。ET-BGC is a daily ET for the Biome-BGC model without parameter optimization simulation, ET-EC is a daily ET measured by eddy correlation technology, ET-YHH is a daily ET that is simulated after parameter optimization through the PEST model.
Figure 3. Daily evapotranspiration (ET) of Qianyanzhou from 2003 to 2005
图 4 各情景模式年水分利用效率变化趋势
CK是对照,P是年降雨量增加15%情景,T是气温升高4 ℃情景,C是大气CO2浓度加倍情景,PT是年降雨量增加15%同时气温增加4 ℃情景,PC是年降雨量增加15%同时大气CO2浓度加倍情景,TC是气温增加4 ℃同时大气CO2浓度加倍情景,PTC是年降雨量增加15%,气温升高4 ℃同时大气CO2浓度加倍情景。CK means control, P means annual precipitation increases by 15% scenario, T means temperature rises by 4 ℃ scenario, C means double the concentration of atmospheric carbon dioxide scenario, PT means annual precipitation increases by 15% and temperature increases by 4 ℃ scenario, PC means annual precipitation increases by 15% and double the concentration of atmospheric carbon dioxide scenario, TC means temperature increases by 4 ℃ and double the concentration of atmospheric carbon dioxide scenario, PTC means annual precipitation increases by 15%, temperature increases by 4 ℃ and double the concentration of atmospheric carbon dioxide scenario.
Figure 4. Trends of annual water use efficiency in different climate scenarios
表 1 Biome-BG C模型优化前后参数对照表
Table 1 Biome-BG C model parameter comparison table before and after optimization
生理参数 Physiological parameter 站点 Station 千烟洲 Qianyanzhou 缺省值 Default value 优化值 Optimization value 年内叶和细根周转比 Annual leaf and fine root turnover fraction 0.500 0.546 年内活木转化比 Annual live wood turnover fraction 0.700 0.764 年度整株植株死亡率 Annual whole-plant mortality fraction 0.005 0.020 年度植物火灾死亡率 Annual fire mortality fraction 0.002 0.018 细根碳与叶碳分配比 New fine root C: new leaf C 1.000 0.802 茎干碳与叶碳分配比 New stem C: new leaf C 1.000 1.470 活木碳与总碳分配比 New live wood C: new total wood C 0.220 0.208 粗根碳与茎干碳分配比 Coarse root C: stem C 0.300 0.362 当前生长比例 Current growth proportion 0.500 0.416 叶片碳氮比 C:N of leaves 42.000 37.632 落叶碳氮比 C:N of leaf litter 49.000 54.683 细根碳氮比 C:N of fine roots 42.000 39.624 活木碳氮比 C:N of live wood 50.000 49.872 死木碳氮比 C:N of dead wood 300.000 299.994 冠层水分截留系数 Canopy water interception coefficient 0.041 0.041 3 冠层消光系数 Canopy light extinction coefficient 0.700 0.701 投影叶面积比 All-sided to projected leaf area ratio 2.000 1.997 比叶面积 Specific leaf area 12.000 11.871 阴阳叶比叶面积比 Ratio of shaded SLA:sunlit SLA 2.000 2.747 Rubisco酶中叶氮质量分数 Fraction of leaf N in Rubisco 0.060 0.062 最大气孔导度 Maximum stomatal conductance 0.005 0.005 4 叶水势传导上限 Leaf water potential: start of conductance reduction − 0.600 − 0.582 叶水势传导下限 Leaf water potential: complete conductance reduction − 3.900 − 3.784 水汽压差限制传导上限 Vapor pressure deficit: start of conductance reduction 1 800.000 1 798.576 水汽压差限制传导下限 Vapor pressure deficit: complete conductance reduction 4 100.000 4 097.758 表 2 年水分利用效率及其影响因子相关性分析
Table 2 Correlation analysis of annual water use efficiency and its impact factors
千烟洲 Qianyanzhou WUE 降水量
Precipitation (PRCP)0.136 平均温度
Average temperature (Tavg)0.268** 最大叶面积指数
Maximum leaf area index (maxLAI)0.605** 注:**代表P < 0.01,表示极显著相关。Notes:**represents P < 0.01, indicating extremely significant correlation. 表 3 千烟洲各情景模式年水分利用效率方差分析
Table 3 Annual water use efficiency analysis of variance of various scenarios in Qianyanzhou
CK P T C PT PC TC PTC CK 1.000 P 0.034 1.000 T 0.144 0.110 1.000 C 0.448* 0.414* 0.304* 1.000 PT 0.185* 0.150 0.041 0.263* 1.000 PC 0.473* 0.439* 0.329* 0.025 0.288* 1.000 TC 0.788* 0.753* 0.644* 0.340* 0.603* 0.315* 1.000 PTC 0.801* 0.767* 0.657* 0.353* 0.617* 0.328* 0.014 1.000 注:*代表P < 0.05,表示显著相关。Notes:*represents P < 0.05, indicating significant correlation. -
[1] Melillo J M, Mcguire A D, Kicklighter D W, et al. Global climate change and terrestrial net primary production[J]. Nature, 1993, 363: 234−240. doi: 10.1038/363234a0
[2] 沈永平, 王国亚. IPCC第一工作组第五次评估报告对全球气候变化认知的最新科学要点[J]. 冰川冻土, 2013, 35(5):1068−1076. Shen Y P, Wang G Y. Key findings and assessment results of IPCC WGI fifth assessment report[J]. Journal of Glaciology and Geocryology, 2013, 35(5): 1068−1076.
[3] Working Group of the IPCC. Climate change 2013: the physical science basis[J]. Contribution of Working, 2013, 43(22): 866−871.
[4] 米兆荣, 陈立同, 张振华, 等. 基于年降水、生长季降水和生长季蒸散的高寒草地水分利用效率[J]. 植物生态学报, 2015, 39(7):649−660. Mi Z R, Chen L T, Zhang Z H, et al. Alpine grassland water use efficiency based on annual precipitation, growing season precipitation and growing season evapotranspiration[J]. Chinese Journal of Plant Ecology, 2015, 39(7): 649−660.
[5] 胡中民, 于贵瑞, 王秋凤, 等. 生态系统水分利用效率研究进展[J]. 生态学报, 2009, 29(3):1498−1507. doi: 10.3321/j.issn:1000-0933.2009.03.048 Hu Z M, Yu G R, Wang Q F, et al. Ecosystem level water use efficiency: a review[J]. Acta Ecologica Sinica, 2009, 29(3): 1498−1507. doi: 10.3321/j.issn:1000-0933.2009.03.048
[6] 王庆伟, 于大炮, 代力民, 等. 全球气候变化下植物水分利用效率研究进展[J]. 应用生态学报, 2010, 21(12):3255−3265. Wang Q W, Yu D P, Dai L M, et al. Research progress in water use efficiency of plants under global climate change[J]. Chinese Journal of Applied Ecology, 2010, 21(12): 3255−3265.
[7] 熊伟, 王彦辉, 于澎涛. 树木水分利用效率研究综述[J]. 生态学杂志, 2005, 24(4):417−421. doi: 10.3321/j.issn:1000-4890.2005.04.015 Xiong W, Wang Y H, Yu P T. A review on the study of water use efficiency of tree species[J]. Chinese Journal of Ecology, 2005, 24(4): 417−421. doi: 10.3321/j.issn:1000-4890.2005.04.015
[8] 王会肖, 刘昌明. 作物水分利用效率内涵及研究进展[J]. 水科学进展, 2000, 11(1):99−104. doi: 10.3321/j.issn:1001-6791.2000.01.018 Wang H X, Liu C M. Advances in crop water use efficiency research[J]. Advances in Water Science, 2000, 11(1): 99−104. doi: 10.3321/j.issn:1001-6791.2000.01.018
[9] Chen S, Bai Y, Han X. Variations in composition and water use efficiency of plant functional groups based on their water ecological groups in the Xilin River Basin[J]. Journal of Integrative Plant Biology, 2003, 63(3): 241−242.
[10] 于贵瑞, 王秋凤, 方华军. 陆地生态系统碳−氮−水耦合循环的基本科学问题、理论框架与研究方法[J]. 第四纪研究, 2014, 34(4):683−698. doi: 10.3969/j.issn.1001-7410.2014.04.01 Yu G R, Wang Q F, Fang H J. Fundamental scientific issues, theoretical framework and relative research methods of carbon-nitrogen-water coupling cycles in terrestrial ecosystems[J]. Quaternary Sciences, 2014, 34(4): 683−698. doi: 10.3969/j.issn.1001-7410.2014.04.01
[11] Huang M, Piao S, Sun Y, et al. Change in terrestrial ecosystem water-use efficiency over the last three decades[J]. Global Chang Biology, 2015, 21(6): 2366−2378. doi: 10.1111/gcb.12873
[12] Zhu X J, Yu G R, Wang Q F, et al. Spatial variability of water use efficiency in China’s terrestrial ecosystems[J]. Global & Planetary Change, 2015, 129: 37−44.
[13] Guirui Y, Xia S, Qiufeng W, et al. Water-use efficiency of forest ecosystems in eastern China and its relations to climatic variables[J]. The New Phytologist, 2010, 177(4): 927−937.
[14] Mi Z, Yu G R, Jie Z, et al. Effects of cloudiness change on net ecosystem exchange, light use efficiency, and water use efficiency in typical ecosystems of China[J]. Agricultural & Forest Meteorology, 2011, 151(7): 803−816.
[15] Zhang F M, Ju W M, Shen S H, et al. How recent climate change influences water use efficiency in East Asia[J]. Theoretical & Applied Climatology, 2014, 116(1-2): 359−370.
[16] Yu G, Song X, Wang Q, et al. Water-use efficiency of forest ecosystems in eastern China and its relations to climatic variables[J]. The New Phytologist, 2008, 177(4): 927−937. doi: 10.1111/nph.2008.177.issue-4
[17] 刘宁, 孙鹏森, 刘世荣, 等. 流域水碳过程耦合模拟: WaSSI-C模型的率定与检验[J]. 植物生态学报, 2013, 37(6):492−502. Liu N, Sun P S, Liu S R, et al. Coupling simulation of water-carbon processes for catchment: calibration and validation of the WaSSI-C model[J]. Chinese Journal of Plant Ecology, 2013, 37(6): 492−502.
[18] Liu Y, Xiao J, Ju W, et al. Water use efficiency of China ’s terrestrial ecosystems and responses to drought[J/OL]. Scientific Reports, 2015, 5(5): 13799. [2018−03−10]. https://www.Ncbi.nim.gov/pmc/articles/PMC4562296.
[19] 于贵瑞, 高扬, 王秋凤, 等. 陆地生态系统碳氮水循环的关键耦合过程及其生物调控机制探讨[J]. 中国生态农业学报, 2013, 21(1):1−13. Yu G R, Gao Y, Wang Q F, et al. Discussion on the key processes of carbon-nitrogen-water coupling cycles and biological regulation mechanisms in terrestrial ecosystem[J]. Chinese Journal of Eco-Agriculture, 2013, 21(1): 1−13.
[20] 卢宇婷, 林禹攸, 彭乔姿, 等. 模拟退火算法改进综述及参数探究[J]. 大学数学, 2015, 31(6):96−103. doi: 10.3969/j.issn.1672-1454.2015.06.020 Lu Y T, Lin Y Y, Peng Q Z, et al. A review of improvement and research on parameters of simulated annealing algorithm[J]. College Mathematics, 2015, 31(6): 96−103. doi: 10.3969/j.issn.1672-1454.2015.06.020
[21] Sahoo D, Smith P K, Ines A V M. Autocalibration of HSPF for simulation of streamflow using a genetic algorithm[J]. Transactions of the ASABE, 2010, 53: 75−86. doi: 10.13031/2013.29504
[22] 高伟, 周丰, 董延军, 等. 基于PEST的HSPF水文模型多目标自动校准研究[J]. 自然资源学报, 2014, 29(5):855−867. Gao W, Zhou F, Dong Y J, et al. PEST-based multi-objective automatic calibration of hydrologic parameters for HSPF model[J]. Journal of Natural Resources, 2014, 29(5): 855−867.
[23] 吴玉莲, 王襄平, 李巧燕, 等. 长白山阔叶红松林净初级生产力对气候变化的响应: 基于BIOME-BGC模型的分析[J]. 北京大学学报(自然科学版), 2014, 50(3):577−586. Wu Y L, Wang X P, Li Q Y, et al. Response of broad-leaved Korean pine forest productivity of Mt. Changbai to climate change: an analysis based on Biome-BGC modeling[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(3): 577−586.
[24] 彭俊杰, 何兴元, 陈振举, 等. 华北地区油松林生态系统对气候变化和CO2浓度升高的响应: 基于BIOME-BGC模型和树木年轮的模拟[J]. 应用生态学报, 2012, 23(7):1733−1742. Peng J J, He X Y, Chen Z J, et al. Responses of Pinus tabulaeformis forest ecosystem in North China to climate change and elevated CO2: a simulation based on Biome-BGC model and tree-ring data[J]. Chinese Journal of Applied Ecology, 2012, 23(7): 1733−1742.
[25] 张廷龙, 孙睿, 胡波, 等. 改进Biome-BGC模型模拟哈佛森林地区水、碳通量[J]. 生态学杂志, 2011, 30(9):2099−2106. Zhang T L, Sun R, Hu B, et al. Simulation of water and carbon fluxes in Harvard forest area by using improved Biome-BGC model[J]. Chinese Journal of Ecology, 2011, 30(9): 2099−2106.
[26] 谢馨瑶, 李爱农, 靳华安. 大尺度森林碳循环过程模拟模型综述[J]. 生态学报, 2018, 38(1):41−54. doi: 10.3969/j.issn.1673-1182.2018.01.009 Xie Q Y, Li A N, Jin H A. The simulation models of the forest carbon cycle on a large scale: a review[J]. Acta Ecologica Sinica, 2018, 38(1): 41−54. doi: 10.3969/j.issn.1673-1182.2018.01.009
[27] Ueyama M, Ichii K, Hirata R, et al. Simulating carbon and water cycles of larch forests in East Asia by the BIOME-BGC model with AsiaFlux data[J]. Biogeosciences, 2010, 7(3): 959−977. doi: 10.5194/bg-7-959-2010
[28] 李书恒, 侯丽, 史阿荣, 等. 基于Biome-BGC模型及树木年轮的太白红杉林生态系统对气候变化的响应[J]. 生态学报, 2018, 38(20):1−11. Li S H, Hou L, Shi A R, et al. Response of Larix chinensis forest ecosystem to climate change based on Biome-BGC model and tree rings[J]. Acta Ecologica Sinica, 2018, 38(20): 1−11.
[29] 李一哲, 张廷龙, 刘秋雨, 等. 生态过程模型敏感参数最优取值的时空异质性分析: 以BIOME-BGC模型为例[J]. 应用生态学报, 2018, 29(1):84−92. Li Y Z, Zhang T L, Liu Q Y, et al. Temporal and spatial heterogeneity analysis of optimal value of sensitive parameters in ecological process model: the BIOME-BGC model as an example[J]. Chinese Journal of Applied Ecology, 2018, 29(1): 84−92.
[30] Watson T A, Doherty J E, Christensen S. Parameter and predictive outcomes of model simplification[J]. Water Resources Research, 2013, 49(7): 3952−3977. doi: 10.1002/wrcr.20145
[31] 董艳辉, 李国敏, 郭永海, 等. 应用并行PEST算法优化地下水模型参数[J]. 工程地质学报, 2010, 18(1):140−144. doi: 10.3969/j.issn.1004-9665.2010.01.021 Dong Y H, Li G M, Guo Y H, et al. Optimization of model parameters for ground water flow using parallelized PEST method[J]. Journal of Engineering Geology, 2010, 18(1): 140−144. doi: 10.3969/j.issn.1004-9665.2010.01.021
[32] 梁浩, 胡克林, 李保国. 基于PEST的土壤−作物系统模型参数优化及灵敏度分析[J]. 农业工程学报, 2016, 32(3):78−85. Liang H, Hu K L, Li B G. Parameter optimization and sensitivity analysis of soil-crop system model using PEST[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(3): 78−85.
[33] 王礼恒, 董艳辉, 李国敏, 等. 基于PEST的地下水数值模拟参数优化的应用[J]. 工程勘察, 2014, 42(3):38−42. doi: 10.3969/j.issn.1000-1433.2014.03.009 Wang L H, Dong Y H, Li G M, et al. Application of groundwater numerical simulation for parameter optimization based on PEST[J]. Geotechnical Investigation & Surveying, 2014, 42(3): 38−42. doi: 10.3969/j.issn.1000-1433.2014.03.009
[34] Nolan B T, Malone R W, Doherty J E, et al. Data worth and prediction uncertainty for pesticide transport and fate models in Nebraska and Maryland, United States[J]. Pest Management Science, 2015, 71(7): 972−985. doi: 10.1002/ps.3875
[35] White M A, Thornton P E, Running S W, et al. Parameterization and sensitivity analysis of the BIOME-BG C terrestrial ecosystem model: net primary production controls[J]. Earth Interactions, 2000, 4(3): 1−84. doi: 10.1175/1087-3562(2000)004<0003:PASAOT>2.0.CO;2
[36] Etheridge D M, Steele L P, Langenfelds R L, et al. Natural and anthropogenic changes in atmospheric CO2 over the last 1000 years from air in Antarctic ice and firn[J]. Journal of Geophysical Research Atmospheres, 1996, 101(D2): 4115−4128. doi: 10.1029/95JD03410
[37] 张笑鹤. 西南地区NDVI和NPP时空动态及其与气候因子相关性分析[D]. 北京: 中国林业科学研究院, 2011. Zhang X H. Spatio-temporal dynamic of NDVI and NPP and their correlation with climatic factors in Southwest China[D]. Beijing: Chinese Academy of Forestry, 2011.
[38] 孙福宝. 基于Budyko水热耦合平衡假设的流域蒸散发研究[D]. 北京: 清华大学, 2007. Sun F B. Study on watershed evapotranspiration based on the Budyko Hypothesis[D]. Beijing: Tsinghua University, 2007.
[39] 仇宽彪. 中国植被总初级生产力、蒸散发及水分利用效率的估算及时空变化[D]. 北京: 北京林业大学, 2015. Qiu K B. Estimating regional vegetation gross primary productivity (GPP), evapotranspiration (ET), water use efficiency (WUE) and their spatial and temporal distribution across China[D]. Beijing: Beijing Forestry University, 2015.
[40] Norby R J, Zak D R. Ecological lessons from free-air CO2 enrichment (FACE) experiments[J]. Annual Review of Ecology Evolution & Systematics, 2011, 42(1): 181−203.
[41] Betts R A, Cox P M, Lee S E, et al. Contrasting physiological and structural vegetation feedbacks in climate change simulations[J]. Nature, 1997, 387: 796−799. doi: 10.1038/42924
[42] Piao S, Friedlingstein P, Ciais P, et al. Changes in climate and land use have a larger direct impact than rising CO2 on global river runoff trends[J]. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(39): 15242−15247. doi: 10.1073/pnas.0707213104
[43] Betts R A, Boucher O, Collins M, et al. Projected increase in continental runoff due to plant responses to increasing carbon dioxide[J]. Nature, 2007, 448: 1037−1041. doi: 10.1038/nature06045
[44] Zhu Q, Jiang H, Peng C, et al. Effects of future climate change, CO2 enrichment, and vegetation structure variation on hydrological processes in China[J]. Global & Planetary Change, 2012, 80-81(1): 123−135.
[45] Hungate B A, Reichstein M, Dijkstra P, et al. Evapotranspiration and soil water content in a scrub-oak woodland under carbon dioxide enrichment[J]. Global Change Biology, 2010, 8(3): 289−298.
[46] Körner C, Basler D. Phenology under global warming[J]. Science, 2010, 327: 1461−1462. doi: 10.1126/science.1186473
[47] Gunderson C A, Edwards N T, Walker A V, et al. Forest phenology and a warmer climate growing season extension in relation to climatic provenance[J]. Global Change Biology, 2012, 18(6): 2008−2025. doi: 10.1111/gcb.2012.18.issue-6
[48] Flanagan L B, Syed K H. Stimulation of both photosynthesis and respiration in response to warmer and drier conditions in a boreal peatland ecosystem[J]. Global Change Biology, 2011, 17(7): 2271−2287. doi: 10.1111/j.1365-2486.2010.02378.x
[49] Serrat-Capdevila A, Scott R L, Shuttleworth W J, et al. Estimating evapotranspiration under warmer climates: Insights from a semi-arid riparian system[J]. Journal of Hydrology, 2011, 399(1): 1−11.
[50] 张远东, 庞瑞, 顾峰雪, 等. 西南高山地区水分利用效率时空动态及其对气候变化的响应[J]. 生态学报, 2016, 36(6):1515−1525. Zhang Y D, Pang R, Gu F X, et al. Temporal-spatial variations of WUE and its response to climate change in alpine area of southwestern China[J]. Acta Ecologica Sinica, 2016, 36(6): 1515−1525.
[51] Gagen M, Finsinger W, Wagnercremer F, et al. Evidence of changing intrinsic water-use efficiency under rising atmospheric CO2 concentrations in Boreal Fennoscandia from subfossil leaves and tree ring δ13C ratios[J]. Global Change Biology, 2011, 17(2): 1064−1072. doi: 10.1111/gcb.2010.17.issue-2
[52] De Kauwe M G, Medlyn B E, Zaehle S, et al. Forest water use and water use efficiency at elevated CO2: a model-data intercomparison at two contrasting temperate forest FACE sites[J]. Global Change Biology, 2013, 19(6): 1759−1779. doi: 10.1111/gcb.12164
[53] Keenan T F, Hollinger D Y, Bohrer G, et al. Increase in forest water-use efficiency as atmospheric carbon dioxide concentrations rise[J]. Nature, 2013, 499: 324−327. doi: 10.1038/nature12291
[54] Morison J I L. Sensitivity of stomata and water use efficiency to high CO2[J]. Plant Cell & Environment, 1985, 8(6): 467−474.
[55] Rogers A. The response of photosynthesis and stomatal conductance to rising [CO2]: mechanisms and environmental interactions[J]. Plant Cell & Environment, 2007, 30(3): 258−270.
[56] Dietergerten A. Global effects of doubled atmospheric CO2 content on evapotranspiration, soil moisture and runoff under potential natural vegetation[J]. International Association of Scientific Hydrology Bulletin, 2006, 51(1): 171−185. doi: 10.1623/hysj.51.1.171
[57] Long S P, Ainsworth E A, Rogers A, et al. Rising atmospheric carbon dioxide: plants FACE the future[J]. Annual Review of Plant Biology, 2004, 55(1): 591−628. doi: 10.1146/annurev.arplant.55.031903.141610
-
期刊类型引用(2)
1. 宋晴,付鸿莉,王铁梅,宿逸然,梁留喜,通拉嘎,胥健,董昊野,邰塔拉. 兴安盟草原灌丛植被潜在适生区分布模拟分析. 草地学报. 2024(02): 579-587 . 百度学术
2. 楼科尔,曲文杰,王磊,王兴,郜永贵,张波,尤万学,杨新国. 腾格里沙漠地区4种优势一年生草本植物根构型特征. 应用生态学报. 2024(11): 3015-3022 . 百度学术
其他类型引用(1)