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 农艺学
DOI https://doi.org/10.1051/ocl/2021013
亚搏娱乐 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,但前提是原稿被适当引用。

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(Kukal和Irmak, 2018年;Kucharik和Ramankutty, 2005年).气候和土壤条件是农业生产力的最重要因素(科尔德et al。,2003年et al。,2015年艰辛的et al。, 2020).人们普遍认为,作物产量对天气条件非常敏感。特别是,它们取决于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 and Ramankutty, 2016;LENG和HUANG,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)由于它导致温度波动,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;Fishman,2016年).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).有很大的证据表明,世界上许多地区都会增加极端温度的频率(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;乌雷塔et al。,2019年).

作物和土壤之间的关系是复杂的,取决于土壤的物理和化学性质与其他外部环境因素之间的各种相互作用(SYS.et al。,1991年).土壤-植物相互作用被认为是导致作物产量空间变异性的最重要因素(科尔德et al。,2003年).尽管许多研究出版物强调了不同土壤特性对产量的影响,但尚未对它们对向日葵产量参数空间变异性的贡献进行定量评估(安德鲁斯和卡罗尔,2001年科尔德et al。,2003年;COX.et al。,2003年罗德里格斯et al。, 2012年;Fedoniuk.et al。, 2020).

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).应该指出的是,全球向日葵种子产量的进一步增长预计主要来自乌克兰而不扩大农田基地。因此,在另一方面,了解助剂与气候因素之间的关系,另一方面,向另一方面,可以提供对这种作物的产量预测和适应这种作物的洞察力,以预测气候变化。

在本研究中,我们将关注三个相关的研究问题:(1)1991 - 2017年乌克兰向日葵产量趋势;(2)趋势模型参数能否有意义地解释产量动态变化的原因;(3)哪些土壤和气候指标能够预测向日葵产量参数的空间变异。本研究以乌克兰的中欧混交林(Polissya)和东欧森林-草原生态区为研究区,探讨了土壤气候因子对向日葵产量参数时空变化的贡献。

2。材料和方法

2.1产量数据和研究区域

从乌克兰的国家统计服务中取消了向日葵产量数据(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

乌克兰的10个行政区域地图,eCoregions和土壤图。土壤分类根据世界土壤资源基础:ABGL - Albeluvisols Gleyic;ABST - Albeluvisols Stagnic;abum - albeluvisols umbric;Chch - Chernozems Chernic;chlv - chernozems luvic;CMDY - Cambisols Dystric;CMEU - Cambisols Efric;CMGL - Cambisols Gleyic;FLDY - Flyvisols Dystric; 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

不同阶的多项式(射线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)地点: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响应下限(最低产量水平);d是上限(产量的高原水平)x接近无限;b是折射点附近的响应曲线的斜率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”(丽思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.是残差平方和,n是样本大小,和p是参数的个数。

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胶木表特征

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).

土壤性质的空间变异数据和土壤分类信息从土壤网格数据库(https://soilgrids.org)(恒流et al。,2017年).利用土壤有机碳(SOC)、pH值、土壤容重、不同土层砂粒、粘粒或粉粒含量等指标分析了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).采用主成分分析法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影响的显著性。采用Statistica 10软件进行统计分析。

4结果

4.1分析产量趋势参数的空间变化

在乌克兰境内,向日葵种植区域在研究期间的生长是渐进式的,而该作物的产量动态更为复杂(图2).研究区域葵花产量在2010年之前变化幅度比较小,2010年出现大幅增长,2016年达到峰值(图3.).随着产量的增加,种植面积也在扩大,因为向日葵成为了对乌克兰具有重要战略意义的作物(Zhygailo和Zhygailo,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四个主成分,其特征值大于1,共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与生物纤维素变量8(潮湿季节的平均温度),生物纤维素变量4(温度季节性),生物纤维素变量5(最热月份的最高温度),生物纤维素变量10(最热季度的平均气温),生物诱导变量17(最干燥季的沉淀)和生物纤维素变量18(最热季度的沉淀)。这些变量的集合表明PC1可以被解释为气候大不全断度的特征。纬度方向上PC1值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%。该成分与生物气候变量9(最干燥季度的平均温度)和11(最冷季度的平均温度)相关性最强,这使得PC2可以被解释为一年中极端时期温度变化的指标。用温度极值判别法对研究区东北部和北部区域进行了明显区分。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反映了温度年变异性的程度。主成分4 (PC4)解释了总方差的6.03%。PC4主要由生物气候变量2(平均日差)、6(最冷月份最小温度)和7(温度年差)决定。这个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土壤性质的主要成分分析

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胶木基因因素解释的产量模型参数的变化

回归分析结果表明,气候和土壤主成分可以解释向日葵产量参数34 ~ 58%的变异(标签。4.).土壤主成分1和主成分2是决定向日葵产量生长速率的最重要因子(曲线斜率)(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。温度变化的气候因子(气候主成分2和3)对向日葵产量趋势参数的影响比土壤因子小得多。向日葵产量下限是向日葵产量趋势对土壤和气候因子(Radj2= 0.58 f = 28.9P.< 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)。复杂的气候因素组合影响了向日葵最高产量参数(上限)(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相关性*

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

全球气候变化正在引起农业实践的重大转变(巴杜里亚et al。,2019年).对这种转变的预测可以基于对作物产量的回顾性研究,这种研究假定地域范围广泛(Challinoret al。,2014年;Iizumiet al。,2017年).这种方法假设空间气候特征可以是随着时间的推移的未来气候变化的模拟模型(Schär.et al。,1996年).在南部一段时间内观察到的条件将在越来越多的北部地区(南半球 - 完全相同)。除了模态气候特征(平均温度,总降水)的趋势之外,这主要是纬度方向的变化,每年或生长季节的气候条件的可变性将特别重要。这种可变性非常接近这种地理现象作为大陆。在纵向方向上逐渐变化的大部分变化。因此,在全球气候变化下的农业趋势预测需要大量的作物产量在显着的时间和空间范围内进行大量数据。

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要预测的过程的实质性(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;射线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)(kunah.et al。, 2018年Zymaroieva.et al。,2019年Zymaroieva.et al。2020).在研究期间,向日葵产量呈上升趋势,但研究初期(1991-1997年)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).此外,除线性模型外,此类模型的参数无法得到有意义的解释,因此没有理由使用多项式模型来用气候或土壤因素来解释。考虑到从90年代中期到现在的产量动态,可以用s型曲线来描述,即对数逻辑曲线。因此,本研究表明,对称对数逻辑模型最能充分反映向日葵产量的动态。这种类型的曲线包括某些特征阶段,这些特征阶段能很好地反映观察到的向日葵产量动态特征,即:a)初期停滞,产量变异性显著;B)研究期间的中期急剧增长;C)在研究期间的最后三分之一达到稳定的增长,在某些情况下达到稳定。这些阶段的成因不同,其中经济和环境因素的比例随时间而变化。当然,最初阶段是苏联解体造成农业经济关系破坏的结果。由于农业市场关系的形成,农业效率得到了恢复,表现在包括向日葵在内的农作物产量的增长。 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(kunah.et al。,2019年;Pakhomov.et al。,2019年).当然,气候是土壤形成最重要的因素,所以土壤也会受到全球气候变化的影响。当预测向日葵产量变化时,土壤条件的作用是相当大的。土壤条件对一种作物的重要性因气候条件的不同而有很大的不同。离子et al。(2015)土壤和气候条件是影响向日葵产量最大的环境因素之一。在土壤性质中,土壤粒度结构和有机碳是最重要的。这些结果与我们的研究结果一致,说明在乌克兰条件下,向日葵对土壤和气候因子相当敏感,这可以解释34 ~ 58%的作物产量动态参数的变化。需要指出的是,向日葵可以适应多种土壤,甚至可以在沙土(Hamza和Safina,2015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).我们的研究证实了向日葵产量与有机碳正相关,有机碳直接反映了土壤肥力。但以砂质土为主的地区向日葵产量上限较高。这可能是由于向日葵种植面积的扩大,在Polissya,高含量的土壤砂粒广泛分布。这种扩张的可能性是由于气候显著变暖,这为波利西亚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).应注意,高比例的砂级分应与土壤中的高含量结合。只有在这些条件下,可以预期向日葵产量的上限的显着增加。这种土壤性质的组合可以在该地区的洪泛区中发现。ED50的胶木纤维纤维目的(最大屈服水平所需的时间)展示了与上限决定因素的标记相似度,这证实了这些参数紧密相关性。

5.4向日葵产量的气候决定簇

大陆反映了最重要的气候属性,例如年度温度范围的可变性程度。随着大陆的增加,夏季气温升高,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Zhygailo和Zhygailo,2016年).除斜率外,产量趋势的所有参数都表现出对温度变异性程度的依赖。向日葵的年温度变化是夏季气温升高的结果,这对向日葵的生长是至关重要的。得到的结果可以用生理和环境原因来解释。向日葵产量表达生理表明,向日葵种子发芽率在3 ~ 30℃呈指数增长,在6 ~ 23℃保持最高发芽率。在25℃以上的温度下,发芽率迅速下降。向日葵种子在37-40℃时严重受损,发芽恶化(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,大多数向日葵都是在雨水滋润的条件下种植的。虽然向日葵能够适应干燥的环境(Gürkan.et al。, 2020),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(巴勒斯et al。,2004年).我们发现,干燥和最温暖的宿舍期间的降水也决定了向日葵产量。这证实了向日葵产量在主要生长和开花期间受干旱胁迫。

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,气候模型预测气温将进一步升高,特别是冬季气温。此外,1961-2009年乌克兰南部草原区降水量减少(Morgounovet al。,2013年).根据政府间气候变化小组的预测(联合国政府间气候变化专门委员会,2013),乌克兰的粮食产区的温度将上升,最大的增加在冬季。预计冬季降水量可能会降低夏季降水量。干旱可能变得更加可能和持久(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,土耳其已经证实了这一点(Gürkan.et al。, 2020)但与此同时,产量将增加波兰人(北方)地区,气候已经更大的大陆。研究气候变化对乌克兰向日葵作物种植未来的可能影响将是我们进一步研究的目的。

5.5进一步研究的前景和实际建议

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。

长期气候预测可能成为评估乌克兰北方向日葵种植未来前景的基础。我们获得的数据也强调了土壤条件的重要性。因此,我们考虑研究气候变化对土壤覆盖的影响,从而对向日葵产量成为一个非常有前途的研究领域。向日葵本身也是一种基本上影响土壤的作物,因此在全球气候变化的背景下,土壤和向日葵的相互影响是进一步研究的视角。

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。

利益冲突

作者声明他们在这篇论文中没有利益冲突。

参考文献

引用本文: Zymaroieva A, Zhukov O, Fedoniuk T, Pinkina T, vlaasiuk 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相关性*

所有数字

缩略图 图。1

乌克兰的10个行政区域地图,eCoregions和土壤图。土壤分类根据世界土壤资源基础:ABGL - Albeluvisols Gleyic;ABST - Albeluvisols Stagnic;abum - albeluvisols umbric;Chch - Chernozems Chernic;chlv - chernozems luvic;CMDY - Cambisols Dystric;CMEU - Cambisols Efric;CMGL - Cambisols Gleyic;FLDY - Flyvisols Dystric; 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

当前使用指标显示了Vision4Press平台上的文章视图(全文文章视图,包括HTML视图,PDF和ePub下载,根据可用数据)和摘要视图的累计计数。

数据对应于2015年之后的Plateform上的用法。在线出版物后48-96小时可用,并在一周日每天更新。

初始下载度量可能需要一段时间。