向日葵/ Tournesol
开放访问
问题
OCL
体积28,2021
向日葵/ Tournesol
文章编号 26.
数量的页面(年代) 13.
部分 农学
DOI https://doi.org/10.1051/ocl/2021013
bob电子体育竞技风暴 02年4月2021日

©A. Zymaroieva.et al。,由EDP Sciences发布,2021

许可创造性公共
这是一篇根据知识共享署名许可(https://creativecommons.org/licenses/by/4.0),允许在任何媒介上不受限制地使用、分发和复制,前提是原作被适当引用。

1介绍

世界的粮食安全高度依赖于关键作物产量的增加率(Grassiniet al。,2013年)。作物产量可变性的全球驱动因素包括技术,遗传,气候,土壤和现场管理实践(库卡尔和伊尔马克,2018年;Kucharik和Ramapantutty,2005年)。气候和土壤条件是影响农业生产力的最重要因素(科文et al。, 2003年,et al。,2015年,艰辛的et al。, 2020年)。众所周知,作物产量对天气条件非常敏感。特别是,他们依靠长期趋势和气候变化(纳尔逊et al。,2014年)。因此,据报道,尽管培养技术进步(培养技术),据报道,最近的气候变化趋势对作物产量产生重大影响(Iizumi和Ramankutty, 2016年;冷和黄,2017)。气候变化正成为农业越来越明显的威胁(Lesk.et al。, 2016年;乌雷塔et al。, 2019年),因为它会导致温度波动、降水模式的变化,以及更频繁的极端天气事件(Schlenker和Roberts, 2009年)。预计干旱和洪水将在不久的将来变得更加频繁和激烈(Lobell.et al。,2011年;Fishman, 2016)。全球对农业的变暖影响有很多方面。特别是,温度的最小升高可以增加温带气候的产量,而极端升高会导致产量下降(Lobell.et al。,2011年)。有强有力的证据表明,极端气温的频率将在世界许多地区增加(Schlenker和Roberts, 2009年)。因此,了解如何产生各种气候变量的变化的产量,以便制定更准确的产量预测和适当的适应和缓解策略(Lobell.et al。,2011年;乌雷塔et al。, 2019年)。

作物与土壤的关系是复杂的,取决于土壤的理化性质与其他外部环境因素(SYS.et al。,1991年)。土壤-植物相互作用被认为是影响作物产量空间变异性的最重要因素(科文et al。, 2003年)。尽管许多研究出版物都强调了不同土壤性质对产量的影响,但尚未对土壤性质对向日葵产量参数空间变异性的影响进行定量评估(安德鲁斯和卡罗尔,2001年,科文et al。, 2003年;COX.et al。, 2003年,罗德里格斯et al。, 2012年;Fedoniuk.et al。, 2020年)。

向日葵 (向日葵L.)是世界上三大油菜之一(以及大豆和油菜籽),是欧盟两种最富有成效的油籽之一(与油菜籽一起)。据美国农业部报道称,乌克兰现在是世界上的一款向日葵生产商,股票(4057万吨)的世界总量向日葵(USDA,2017年)。然而,环境因素将平均向日葵产量限制在1.5-3.0t / ha之间。虽然,根据最近的一些研究,介绍了新的高产品种和改善特定气候区的向日葵培养技术将提供2.9-3.5 T / HA的向日葵种子(梅利尼克et al。,2018年)。需要指出的是,如果不扩大耕地基地,预计全球葵花籽产量的进一步增长主要来自乌克兰。因此,了解土壤和气候因素与向日葵产量的关系,可以为向日葵产量预测和适应气候变化提供理论依据。

在这项研究中,我们将专注于三个相互关联的研究问题:(1)1991年至2017年乌克兰的向日葵产量趋势是什么;(2)趋势模型参数是否可用于有意义地解释产量动态的原因;(3)土壤和气候指标能够预测向日葵产量参数的空间变化。本研究的目的是确定胶质基因因素对乌克兰中央混合林(Polissya)和东欧森林 - 草原生态的向日葵产量参数的空间和时间变化的贡献。

2材料与方法

2.1产量数据和研究区域

向日葵产量数据由乌克兰国家统计局(http://www.ukrstat.gov.ua/)。The time series data sets contain the average annual sunflower yields in 206 administrative districts of 10 regions of Ukraine (Cherkasy, Chernihiv, Khmel’nyts’kyy, Kiev, L’viv, Rivne, Ternopil’, Vinnytsya, Volyn, Zhytomyr) for the period 1991–2017 (图1)。数据表示基于空间标准的平均产量值,无需分化土壤水供应和生育,灌溉管理,培养和作物旋转。研究区位于两种天然植被和气候区:林区(Polissya)和森林 - 草原区。

缩略图 图1

乌克兰10个行政区域地图,生态区域和土壤地图。根据世界土壤资源参考库的土壤分类:ABgl -潜育白化土;ABst -白化土停滞;ABum -白化土;CHch -黑钙土;CHlv -黑钙土淋溶物;CMdy -形成层土不饱和;CMeu -形成层土;CMgl -潜育形成层;FLdy -冲积土不饱和; FLeu – Fluvisols Eutric; FLgl – Gleyic Fluvisols; FLhi – Fluvisols Histic; GLhi – Gleysols Histic; GLhu – Gleysols Humic; GLso – Gleysols Sodic; HSfi – Histosols Fibric; HSsa – Histosols Sapric; HSsz – Histosols Salic; LPrz – Leptosols Rendzic; LVha – Haplic Luvisols; PHab – Phaeozems Albic; PHgl – Phaeozems Gleyic; PHha – Phaeozems Haplic; PHlv – Phaeozems Luvic; PHso – Phaeozems Sodic; PZet – Podzols Entic; PZha – Podzols Haplic; PZle – Leptic Podzols; PZrs – Podzols Rustic.

2.2产量动态模型的选择

不同订单的多项式(et al。, 2012年)被认为是一种日志逻辑模型选择趋势的分析形式。使用越来越多的秩序回归模型进行分析产量趋势:仅截距模型(常数)(EQ。(1)),线性模型(EQ。(2)),二次模型(EQ。(3)),立方模型(EQ。(4))和四分之一的模型(eq。(5)):(1)(2)(3)(4)(5)在哪里:yx:在一段时间内的作物产量x;b,一个1,一个2,一个3.,一个4:系数。

我们假设向日葵产量趋势最好通过S形曲线来描绘,即对称的四参数日志逻辑模型(EQ。(6)):(6)在哪里x代表年(1-1991,2-1992,......);y是响应(作物产量);c显示较低的响应限制(最低屈服水平);d是上限(产量的高原水平)x接近无限;b响应曲线的斜率在什么时候接近拐点x获取ED50(在下限和上限之间达到半增加所需的时间)。下限表明研究期间的产量最低;坡度 - 趋势曲线的斜率,显示出随时间的变化率;ED50-达到最大屈服水平的一半所需的时间,以及产量增长的最高点;上限 - 最高产量,目前的农业技术状态由该领土的生物潜力决定。S形模型用于预测对所研究响应的时间效应和剂量效应。因此,描述六曲线拐点的参数传统上被指定为“ED50”(丽兹et al。,2015年)。

由此开发的Akaike信息标准(AIC)Akaike(1974)用于估计统计模型的兼容性(EQS。(1)- - - - - -(6))与观察到的数据。AIC用于六种模型中的每一个(EQ。(7)):

由此开发的Akaike信息标准(AIC)Akaike(1974)用于估计统计模型的兼容性(EQS。(1)- - - - - -(6))与观察到的数据。AIC用于六种模型中的每一个(EQ。(7)):(7)这里,SS.为残差平方和,n是样本大小,和p为参数个数。

描述每个行政区的产量动态的最佳模型是AIC最低的一个。使用R V 3.0.2进行所有计算和数据分析R开发核心团队,2018年)。

2.3 Edaphoclimatic特点

从WorldClim数据库版本2中检索生物挑剔的数据(http://worldclim.org/version2.)(菲克和希曼斯,2017年)。气候信息以光栅地图的形式呈现,分辨率为1公里,这足以用于研究的目的。生物氧化变量代表生态上的影响年度温度和降水变化(标签。1)。

从综合数据库中检索了土壤性质空间变异性和土壤分类信息的数据(https://soilgrids.org)(恒流et al。, 2017年)。以土壤有机碳(SOC)、pH、土壤容重、不同土层砂、粘、粉粒含量为指标,分析土壤因子对产量的影响。

表格1

生物恐星变量(根据https://worldclim.org/data/worldclim21.html.)。

3数据分析

施工盒-COX转化被施加以将非正常依赖变量转化为正常形式,这是使用援助库进行的(奥斯曼et al。,2014年)对于统计计算r的语言和环境(r核心团队,2018年)。采用主成分分析对气候和土壤基质进行降维。采用一般线性模型检验气候和土壤对产量参数的显著性影响。采用Statistica 10软件进行统计分析。

4结果

4.1产量趋势参数空间变化分析

在乌克兰境内,向日葵栽培区在研究期间的生长是渐进的,而向日葵产量的动态变化则更为复杂(图2)。研究区向日葵产量在2010年之前波动幅度较小,但在2016年出现了一个高峰(图3)。随着产量的增加,种植面积不断扩大,向日葵成为乌克兰的一种重要战略作物(《日盖罗与日盖罗》,2016年;梅利尼克et al。,2018年)。对数大多数行政区域的向日葵产量的动态最好通过日志逻辑模型解释(图4)。Logistic模型的参数显示了常规的空间模式(图5),在大多数情况下显然是通过抚木阶因素的空间变异性引起的。值得注意的是,尽管森林 - 草原eCOREGION的平均水平产量较高,但POLISYA以产量增长(斜坡)(图5A)。根据这项工作中建立的依赖关系,研究区南部的最低和最大向日葵产量水平较高(森林 - 草原)(无花果。5度5D)。那些地方,向日葵产量的上限很高(图5B.),需要较长的时间才能达到最高产量水平(ED50)的一半,这是不言而喻的。

缩略图 图2

1991 - 2017年乌克兰收获的向日葵产量和面积的动态(来源 - Faostat,http://www.fao.org.)。

缩略图 图3

1991年至2017年向日葵产量的典型动态及其逻辑模型的近似。横坐标轴 - 年,纵坐标轴是向日葵产量,dt·ha−1

缩略图 图4

行政区域向日葵产量趋势的不同模型的Akaike标准(n = 206)。

缩略图 图5

向日葵屈服动力学参数的空间变化对数值模型:A:坡度;B:ED50;C:下限下限;D:上限。

4.2气候变量的主要成分分析

主成分分析可以识别出特征值大于1的四个主成分,它们之和占气候变量总方差的92.5% (标签。2)。主成分1 (PC1)解释总方差的54.45%。PC1与生物气候变量8(最湿季平均温度)、生物气候变量4(温度季节性)、生物气候变量5(最暖月最高温度)、生物气候变量10(最暖季平均温度)、生物气候变量17(最干燥季降水)和生物气候变量18(最温暖季降水)。这些变量的集合表明,PC1可以被解释为一个气候大陆性的特征。PC1值在纬向上的空间变化证实了我们的假设(图6)。主成分2 (PC2)占总方差的23.78%。该组分与生物气候变量9(最干季平均温度)和11(最冷季平均温度)的相关性最强,可以将PC2作为一年中极端时期温度变化的指标。极端气温判据明显区分了研究区东北和北部地区。主成分3 (PC3)占总方差的8.18%。该组分受生物气候变量2(平均日差)和3(等温)的影响最大。这些特征表明,PC3反映了年温度变化的程度。主成分4 (PC4)解释总方差的6.03%。PC4主要由生物气候变量2(平均日差)、6(最冷月最小温度)和7(温度年差)确定。该分量表示年温度对比。

表2.

生物融色变量的主要成分分析。

缩略图 图6

生物纤维素主成分的空间变化。

4.3土壤性质主成分分析

进行主成分分析(PCA)以确定对向日葵产量最大的土壤指标。分析显示6个主要成分,其中共同解释了土壤性质总差异的98.5%(标签。3.)。主成分1(PC1)解释总方差的65.63%。PC1与大多数土壤变量相关,但用沙子,粘土和淤泥含量观察到最高的相关性。因此,PC1是粒度组合物的指示剂,对砂含量最敏感。此主成分的空间变化显示在图7.。土壤中沙子分数优势的领土位于研究区的北部(Polissya)。主要成分2占总方差的14.5%。该组分与土壤堆积密度最密切相关。主成分3的映射表示具有不同土壤堆积密度的土壤的空间配置的复杂性(图6)。PC3解释了土壤变量总差异的6.4%。PC3受到SoC的影响最大。主要成分4占总方差的5.69%。PC4与土壤中的淤泥含量显着相关。淤泥含量最高的土壤位于研究区的南部和西南部,在那里也有非常高的SoC。主要成分5占土壤变量总差异的3.88%,表明与土壤酸度(pH)的最强相关性,并且在研究区域的东北部具有更高的值。主成分6占总方差的2.41%,对淤泥和粘土分数最敏感。具有更高PC6指数的领土位于该地区的南部。

表3

土壤变量的主成分分析。

缩略图 图7

土壤主要成分1-6的空间变异性。

4.4土壤气候因子解释产量模型参数的变化

回归分析的结果表明,气候和助辅助主成分可以解释为向日葵产量参数的差异的34至58%(标签。4)。土壤主成分1和2是决定向日葵产量生长率(曲线斜率)的最重要因素(标签。4)。由PC1解释的粒度组合物是最重要的土壤性质,决定动态产量行为。对向日葵产量趋势和助辅助PC1之间的斜率参数之间的关系可以通过发现等于r = 0.67±0.09的回归系数来描述,P< 0.01。温度变率气候因子(气候主成分2和气候主成分3)对向日葵产量趋势参数的影响远小于土壤因子。向日葵产量下限是向日葵产量趋势对土壤和气候因素影响最敏感的参数adj2= 0.58, F = 28.9,P< 0.001) (标签。4)。这种向日葵产量趋势参数受到气候和助剂因素的影响。在气候因素中,PC1气候是最重要的成分(回归系数为0.41±0.09,P < 0.01), as well as with the edaphic factors PC1-edaphic was also the most significant one (regression coefficient was −0.59 ± 0.09,P < 0.01). A complex combination of climatic factors influenced the maximum sunflower yield parameter (Upper Limit) (标签。4)。上述主成分是正交变量,因此统计学上独立。然而,他们都确定了这种作物产量的上限。主要的因素被证明是气候持续性和温度变异程度。在土壤性质中,SoC是确定向日葵产量上限的最重要因素。ED50参数显示对上产量限制的几乎相同的因素的敏感性。ED50主要由气候PC 1和3.这种参数变化的最重要气候因素,以及其他向日葵产量参数,是气候旺盛的。此外,ED50参数受SOC和土壤堆积密度的影响。

表4.

向日葵产量参数与气候和土壤变量的回归关系*

5讨论

5.1预测全球气候变化对农业影响的屈服数据的重要性

全球气候变化正导致农业实践的重大转变(巴杜里亚et al。, 2019年)。这种转化的预测可以基于作物产量的回顾性研究,这假设领土的广泛地理覆盖范围(挑战et al。,2014年;iizumi.et al。, 2017年)。该方法假设空间气候特征可以作为未来气候随时间变化的模拟模型(Schär.et al。,1996年)。在南方某段时间内观测到的情况,随着时间的推移,将会在越来越多的北方地区观测到(在南半球,正好相反)。除了主要沿纬度方向变化的气候特征模态(平均温度、总降水量)趋势外,一年或一个生长期内气候条件的变化也特别重要。这种变化非常接近于大陆性这样的地理现象。大陆性依次在纵向上逐渐变化。因此,要预测全球气候变化下的农业趋势,就需要在很大的时间和空间范围内获得大量的作物产量数据。

5.2过去30年来乌克兰农业生产的非公平性

预测的可能性是基于被预测过程的平稳性(Gyöfi和Lugosi,2002年;Ryabko和Hutter, 2008年)。该过程动态的突然变化表明其定性转换,这使得难以或不可能使用回顾性数据。作物产量动态研究倾向于指在没有灾难性的社会经济危机的情况下系统性发展的国家。最近,在全球范围内广泛研究了全球规模的作物产量的长期趋势(godfrayet al。,2010年;et al。, 2012年;Lesk.et al。, 2016年)。特别是,陈(2018)展示了数学方法在日本三大作物(稻米,小麦和大豆)长期颞率趋势分析中的应用。日本县的产量趋势分为四种类型:截止模型,线性模型,二次模型和立方模型(陈,2018年)。在我们以前的研究中,发现1990 - 2017年乌克兰主要作物产量的总趋势最适合第四阶多项式(四季)(Kunahet al。,2018年,Zymaroieva.et al。, 2019年,Zymaroieva.et al。2020)。在研究期间,向日葵产量有增加的趋势,但在研究初期(1991-1997年),向日葵产量急剧下降(Zymaroieva.et al。, 2019年b)。然而,越来越多的多项式的多项式不能令人满意地描述乌克兰在苏联崩溃后乌克兰作物产量的观察到的动态(茹科夫et al。,2018年)。另外,这种模型的参数除了线性模型之外,不能有意义地解释,因此没有理由使用多项式模型来解释它们的气候或助剂因素。考虑到从中间90s到当前时间的产量的动态,它可以通过六个曲线描绘,即日志逻辑曲线。因此,在本研究中,我们表明,最充分的对数值逻辑模型反映了向日葵产量的动态。这种类型的曲线包括某些特征阶段,其有意义地反映了观察到的向日葵屈服动力学的性质,即:a)在初始阶段的停滞,具有显着的产量变异性;b)研究期间的急剧增长;c)稳定在研究期的最后三分之一的增长,在某些情况下达到高原。这些阶段在其成因中不同,其中经济和环境因素的比率随时间而变化。当然,初始阶段是苏联崩溃引起的农业经济关系破坏的结果。由于在农业中形成了基于市场的关系,其效率已经恢复,这表现为作物产量的增长,包括向日葵。 In the last third of the period under study, the maximum yields were achieved under the given level of agricultural technology and environmental conditions. The fourth-order nonlinear model made it possible to describe the above steps with the help of appropriate model parameters to which and we attach a special significance. The model parameters correlate with climatic and edaphic predictors, which allowed us to find that the nature of the influence of environmental factors was different at each stage of the study period. The novelty of our approach is that to describe the dynamics of sunflower yield we applied a model, the parameters of which can be meaningfully interpreted and their spatial and temporal dynamics can be explained by the climatic and edaphic predictors.

5.3向日葵产量的土壤决定因素

土壤具有显着的弹性程度,因此在全球气候变化的条件下,景观的这种成分非常稳定(Kunahet al。, 2019年;Pakhomov.et al。, 2019年)。当然,气候是土壤形成的最重要因素,因此土壤也会受到全球气候变化的影响。在预测向日葵产量变化时,土壤条件的作用是相当大的。土壤条件对特定作物的重要性可能因气候条件的不同而有很大差异。离子et al。(2015)得出土壤和气候条件是影响向日葵产量最大的环境因素。在土壤性质中,土壤颗粒结构和土壤有机碳是最重要的。这些结果与我们的研究结果一致,表明在乌克兰条件下,向日葵对土壤和气候因素非常敏感,可以解释34 ~ 58%的作物产量动态参数的变化。应该指出的是,向日葵能适应各种土壤,甚至在沙土上也能成功种植(哈姆扎和萨芬娜,2015年尽管如此,该作物在适合种植玉米或小麦的良好土壤上提供最佳结果(radanielson.et al。, 2012年)。本研究证实向日葵的产量与土壤有机碳呈正相关,有机碳直接反映土壤肥力。而在沙质土壤为主的地区向日葵产量上限较高。这可能是由于葵花种植面积在波利斯的扩大,在那里土壤的高含量的沙质部分是广泛的。这种扩张的可能性是由于显著的气候变暖,这为波利斯更北部地区的这种作物提供了必要的温度条件。毫无疑问,提高农业技术是增加向日葵种植面积的前提。Zymaroieva和Zhukov, 2020年)。应该注意的是,高比例的砂粒应该与土壤中高含量的有机质结合在一起。只有在这些条件下,葵花产量上限才有望显著提高。这种土壤性质的组合可以在该地区的泛滥平原土壤中发现。ED50的土壤气候决定因素(达到最高产量水平一半所需的时间)与上限决定因素表现出明显的相似性,这证实了这些参数的密切相关性。

5.4向日葵产量的气候决定簇

大陆性反映了最重要的气候特征,如年温度变化的程度。随着大陆的增加,夏季气温上升,冬季气温下降(Driscoll和Fong,1992)。我们的研究证明,大陆是确定向日葵产量的空间变异性的主要气候因素。较高水平的大不平面与较高的夏季温度相关,积极影响向日葵产量趋势的下限和上限。如果在生殖增长期间对温度条件的越来越长(Esmaeli.et al。, 2012年,《日盖罗与日盖罗》,2016年)。除了斜坡外,产量趋势的所有参数都显示出对温度变异程度的依赖性。年温变化是夏季时间段温度升高的结果,这对于向日葵植被至关重要。可以通过生理和环境原因来解释所获得的结果。向日葵中产率表达的生理学表明,向日葵种子的萌发率在3至30℃之间呈指数增加,萌发的最大百分比保持在6至23℃之间。在25℃高于25℃的温度下发芽率迅速降低。向日葵种子严重受损,萌发在37-40°C时劣化(康纳和萨德拉斯,1992年)。向日葵生长的有利温度在20-25°C的范围内(Fernandez-Luquenoet al。,2014年)因此,越来越大的环境大部分促进了实现向日葵生长的最佳温度条件的可能性。然而,在25°C以上的温度和生长阶段的霜冻,也是气候巨大的迹象,降低了种子的产量和油性(托马兹et al。, 2012年)。在乌克兰,大多数向日葵是在雨水浇灌的条件下种植的。虽然向日葵能够适应干燥的环境(Gurkanet al。, 2020年),降水率被认为是雨水喂养条件下向日葵种植中最有效的气候因素之一(巴罗斯et al。,2004年)。我们发现,最干燥和最温暖季节的降水量也决定了向日葵的产量。这证实了向日葵主要生长期和开花期的产量受干旱胁迫的影响。

对历史气候数据的分析显示,乌克兰的气温有明显的上升趋势,气候模型预测会进一步变暖,特别是冬季气温。此外,1961-2009年乌克兰南部草原区的降水量呈下降趋势(莫吉夫et al。,2013年)。根据政府间气候变化小组的预测(IPCC,2013年),乌克兰产粮地区的气温将上升,预计冬季将出现最大的上升。夏季降水可能会减少,而冬季降水预计会增加。干旱可能会变得更可能和更持久(Lioubimtseva和Henebry,2012年)。这样的气候变化预计会导致乌克兰草原地区向日葵产量下降,土耳其(Gurkanet al。, 2020年),但与此同时,Polissya(北部)地区的产量将会增加,那里的气候已经更具大陆性。研究气候变化对乌克兰向日葵作物未来种植的可能影响将是我们进一步研究的目的。

5.5进一步研究的展望及实际建议

全球气候变化对气候制度的可变性产生了重大影响。这些情况需要持续的农业生态监测作物产量,包括向日葵。记录乌克兰每个行政区的向日葵产量提供了大量信息,但这种空间的监测准确性是不可接受的。请注意,行政区的界限与自然景观单位的界限不一致,这大大复杂化了所获得的数据的解释。有利于行政区水平收益核算的主要论点是将获得的信息与经济指标进行比较,这些信息与该领土的行政划分相关。在这方面,考虑到向日葵产量的空间和时间变异性的经济因素的评估特别感兴趣。

长期气候预报可能成为评估乌克兰北部向日葵未来种植前景的基础。我们获得的数据也强调了土壤条件的重要性。因此,研究气候变化对土壤覆盖及其对向日葵产量的影响是一个很有前景的研究领域。向日葵本身也是一种对土壤有重大影响的作物,因此土壤与向日葵在全球气候变化背景下的相互影响是进一步研究的一个视角。

这些问题的解决方案需要有效的农业生态监测系统,其创造可以被视为一个实用的建议。乌克兰提供用于收集农艺,气候和土壤数据的程序并未纳入全面的信息系统,其建议将在全球气候变化的背景下提供足够的管理决策。

6。结论

本研究揭示了乌克兰北方向日葵产量模型的副作用和气候因素与参数之间存在统计学上显着的依赖。结果发现,研究区域中的向日葵产量的动态可以通过日志逻辑模型得到最充分的描述。趋势模型的参数(下限,斜率,上限)在空间上是依赖性的,可用于对向日葵产量动态的原因的有意义解释。该研究表明,斐热三线因素对向日葵产量参数的显着影响。粒状分数和土壤有机碳(SOC)的比例是最重要的土壤指示器,与向日葵产量动态密切相关。向日葵产量的主要气候驱动因素是气候大陆的变化。

的利益冲突

作者声明他们与这篇论文没有任何利益冲突。

参考文献

引用本文: Zymaroieva A, Zhukov O, Fedoniuk T, Pinkina T, Vlasiuk V. 2021。决定乌克兰北部向日葵产量时空动态的土壤气候因子。OCL28日:26。

补充材料

(访问此处)

所有表格

表2.

生物融色变量的主要成分分析。

表3

土壤变量的主成分分析。

表4.

向日葵产量参数与气候和土壤变量的回归关系*

所有的数据

缩略图 图1

乌克兰10个行政区域地图,生态区域和土壤地图。根据世界土壤资源参考库的土壤分类:ABgl -潜育白化土;ABst -白化土停滞;ABum -白化土;CHch -黑钙土;CHlv -黑钙土淋溶物;CMdy -形成层土不饱和;CMeu -形成层土;CMgl -潜育形成层;FLdy -冲积土不饱和; FLeu – Fluvisols Eutric; FLgl – Gleyic Fluvisols; FLhi – Fluvisols Histic; GLhi – Gleysols Histic; GLhu – Gleysols Humic; GLso – Gleysols Sodic; HSfi – Histosols Fibric; HSsa – Histosols Sapric; HSsz – Histosols Salic; LPrz – Leptosols Rendzic; LVha – Haplic Luvisols; PHab – Phaeozems Albic; PHgl – Phaeozems Gleyic; PHha – Phaeozems Haplic; PHlv – Phaeozems Luvic; PHso – Phaeozems Sodic; PZet – Podzols Entic; PZha – Podzols Haplic; PZle – Leptic Podzols; PZrs – Podzols Rustic.

在文本中
缩略图 图2

1991 - 2017年乌克兰收获的向日葵产量和面积的动态(来源 - Faostat,http://www.fao.org.)。

在文本中
缩略图 图3

1991年至2017年向日葵产量的典型动态及其逻辑模型的近似。横坐标轴 - 年,纵坐标轴是向日葵产量,dt·ha−1

在文本中
缩略图 图4

行政区域向日葵产量趋势的不同模型的Akaike标准(n = 206)。

在文本中
缩略图 图5

向日葵屈服动力学参数的空间变化对数值模型:A:坡度;B:ED50;C:下限下限;D:上限。

在文本中
缩略图 图6

生物纤维素主成分的空间变化。

在文本中
缩略图 图7

土壤主要成分1-6的空间变异性。

在文本中

当前的使用指标显示了在Vision4Press平台上的文章浏览量的累计计数(根据可用数据,全文文章浏览量包括HTML浏览量、PDF和ePub下载)和摘要浏览量。

数据对应2015年后平台使用情况。当前使用指标在在线发布后48-96小时可用,并在工作日每天更新。

初始下载度量可能需要一段时间。