Effects of rice-amaranth intercropping on rice yield，rhizosphere soil available nutrient and As accumulation
-
摘要:目的
探究水稻与苋菜间作对水稻产量、根区速效养分及水稻各部位吸收累积As的影响。
方法通过小区试验研究水稻单作(对照)、水稻与圆叶白苋菜间作、水稻与籽粒苋间作、水稻与红苋菜间作条件下水稻产量、根际土壤速效养分与有机质含量、As累积量的变化。
结果4个处理水稻收获期地上部、地下部、谷壳和糙米中As含量均表现为：水稻与圆叶白苋菜间作>水稻与籽粒苋间作>水稻与红苋菜间作>水稻单作。与对照相比，水稻与圆叶白苋菜间作显著提高了水稻地上部、地下部、谷壳和糙米As含量，增幅分别为88.50%、65.38%、68.25%和45.45%；对土壤As的提取量为5.44 mg·m−2，显著高于对照，为对照的1.67倍；水稻单株生物量显著高于对照、与红苋菜间作和与籽粒苋间作，地上部生物量比对照提高63.79%。与水稻单作相比，间作处理水稻单位面积产量比对照显著下降，间作中单位面积产量最高的为与圆叶白苋菜间作，为对照的59.15%；间作处理水稻根际土壤速效养分、有机质含量均有不同程度的增加。
结论水稻与苋菜间作，水稻单位面积产量降低，地上部、地下部、谷壳和糙米中As含量以及根区土壤速效养分与有机质含量显著提高。水稻与圆叶白苋菜间作能从As污染土壤中提取最多的As，生产出的苋菜符合国家安全标准，为最优方案。
Abstract:ObjectiveTo explore the effects of rice-amaranth intercropping on rice yield, rhizosphere soil available nutrient and As accumulation in various parts of rice.
MethodThrough field plot experiment, four treatments including rice monocropping (control), rice-white amaranth intercropping, rice-grain amaranth intercropping and rice-red amaranth intercropping were setted to study the changes of rice yield and As accumulation, rhizosphere soil available nutrient and organic matter contents.
ResultAs contents of shoot, root, husk and brown rice during harvest time in four treatments all behaved as rice-white amaranth intercropping > rice-grain amaranth intercropping > rice-red amaranth intercropping > rice monocropping. Compared with the control, rice-white amaranth intercropping significantly increased As contents of shoot, root, husk and brown rice by 88.50%, 65.38%, 68.25%, 45.45% respectively. As extract amount from soil in rice-white amaranth intercropping treatment reached 5.44 mg·m −2, which was 1.67 times significantly higher than control. The biomass per rice plant in rice-white amaranth intercropping treatment was significantly higher than control, rice-red amaranth intercropping and rice-grain amaranth intercropping, and 63.79% higher than control. Compared with control, intercropping treatments significantly reduced rice yield per unit area. Rice-white amaranth intercropping had the highest yield per unit area, which was 59.15% of control. The available nutrient and organic matter contents in rice rhizosphere soil increased in different degrees compared with monoculture.
ConclusionRice-amaranth intercropping reduces rice yield per unit area, and significantly increases As contents in shoot, root, husk and brown rice, and available nutrient and organic matter contents in rhizosphere soil. Rice-white amaranth intercropping is the optimal scheme, as it extract the most As in As contaminated soil, and the grown amaranth meets national safety standards.
-
Keywords:
- rice /
- amaranth /
- intercropping /
- As accumulation /
- As contaminated soil
-
树高和胸径是衡量林分结构和质量的最重要的2个指标[1]。其中，树高数据对估计树木材积、生物量，描述林分生长变化不可或缺[2-3]。但树高的测量耗时耗力、误差较大[4]，而胸径的测量相对容易、精确、花费少。故实际操作中，往往先测定少数树木的树高和胸径，建立H-D 的函数关系，再以胸径估计剩余树木的树高[5-8]。由于立地、林龄和管理措施等因素影响，预测树高时需考虑H-D关系在不同林分间的差异[9]。目前实现不同林分中树高预测的方法主要包括：1) 采用足够数量的树高实测值构建的H-D模型[10]；2) 针对具体样地分别建立适用于小面积相似林分的H-D模型[11]；3) 建立含有表征林分特征的林分变量或树木因子的H-D模型[1, 4, 8]；4) 建立能够反映不同林分(或样地)间差异的混合模型[5-7, 12]。前2种方法在森林规模较小时可以实现，但是在大范围林分中所需工作量太大，较难实现。后2种方法中，广义模型具有较好的生物学解释和较高的精度[11, 13-14]，混合模型在处理纵向数据和重复测量数据方面优势明显，且精度较高[15]。目前林业调查多使用后2种方法，或结合2种方法建立广义混合模型预测树高[6, 14]。
大量关于H-D模型的研究表明：不同树种的H-D关系模型有明显差异[1-2, 5-8]。多数是固定效应模型中的广义模型精度高于基础模型，混合模型精度高于固定效应模型[5, 14]。但基础混合模型和广义混合模型间差异却随树种不同而变化。例如，对于欧洲云杉Picea abies、欧洲赤松Pinus sylvestris和白桦Betula pubescens是广义混合模型精度高于基础混合模型[16]，但对于颤杨Populus tremuloides却是基础混合模型预测精度高于广义混合模型[7]。还有研究发现对于红松Pinus koraiensis[5]、杉木Cunninghamia lanceolata[6]和落叶松Larix gmelinii[17]，2种混合模型间差异不大。沙地樟子松Pinus sylvestris var. mongolica是我国北方地区主要造林树种之一，在防沙治沙和改善环境方面具有重要生态价值。迄今为止，该树种已经推广到我国北方地区的19省、自治区、直辖市[18]。随着造林面积的扩大，如何合理经营沙地樟子松人工林？不断扩大的沙地樟子松人工林资源的清查工作如何快速高效地进行？解决这2个棘手的问题，必须有精确的沙地樟子松H-D关系模型，而该方面的研究鲜见报道。鉴于此，本文筛选合适的H-D基础模型，检验林分变量中优势木平均高 (HT)、胸高断面积 (AB) 和平方平均胸径 (DQM) 对H-D模型的影响，建立H-D基础混合模型和广义混合模型，并确定计算随机参数时的抽样方案，以期为沙地樟子松林的生长预测和林分管理、资源清查提供科学依据。
1. 材料与方法
1.1 研究区概况
研究区位于辽宁省阜新市章古台镇 (42°39′~42°43′N, 122°22′~122°33′E)。该地区位于科尔沁沙地东南缘，属于半湿润气候，近40年(1973—2015)年平均气温6.99 ℃；年降水量平均483.63 mm，最大713.2 mm，最小285.9 mm，约67.0%集中在6—8月；年均蒸发量1 762 mm。最暖月份平均气温–12.91 ℃，最冷月份平均气温23.58 ℃，大于5 ℃有效积温2 570 ℃，全年无霜期150~160 d。土壤主要为生草固定风沙土和流动风沙土。土壤养分含量比较低，有机质质量分数为0.6~1.6 g/kg，全N质量分数为0.17~0.38 g/kg，P2O5质量分数为0.12~0.27 g/kg，pH为6.8~7.0[18]。植物区系属于蒙古区系西辽河小区，主要代表性植物有色木槭Acer mono、山里红Crataegus pinnatifida var. major、榆树Ulmus pumila、大果榆U. macrocarpa、山杏Armeniaca sibirica、胡枝子Lespedeza bicolor、中华隐子草Cleistogenes chinensis等[19]。
1.2 数据收集
数据来源于2016年设置于章古台镇35块临时标准地，标准地规模20 m×20 m。所选标准地涵盖了沙地樟子松不同的林龄 (A)、立地条件和林分密度 (N)。标准地的林分年龄为13~62 年，立地覆盖了平坦沙地(11块)及各个坡向的坡上(7块)、坡中(11块)和坡下(6块)条件。测量标准地内沙地樟子松的树高 (H)、胸径 (D)；以每公顷100棵胸径最大沙地樟子松的平均树高为优势木高[5, 7]，按标准地面积比例确定株数。从测量的数据中，选择健康、未受损害且D≥5 cm的沙地樟子松样木数据用于模型建立。本研究共获得1 070组H-D数据，分为2个数据集，一个为由28块标准地中的866棵(80%)沙地樟子松构成的建模数据，另一个为由其余7块标准地的204棵(20%)沙地樟子松组成的检验数据，表1为数据基本概况。
表 1 沙地樟子松标准地的林分与树木指标统计Table 1. Summary statistics of stand and tree indices of Pinus sylvestris var. mongolica sample plot变量1)
Variable总数据 Total data 建模数据 Modeling data 检验数据 Validation data $\overline x \pm {\rm{SE}} $ 最小值
Min.最大值
Max.$\overline x \pm {\rm{SE}} $ 最小值
Min.最大值
Max.$\overline x \pm {\rm{SE}} $ 最小值
Min.最大值
Max.H/m 8.5±0.1 2.1 16.1 8.3±0.1 2.1 16.1 9.2±0.2 2.2 14.3 D/cm 14.6±0.2 5.0 29.1 14.3±0.2 15.0 29.1 15.8±0.3 5.1 28.6 Drange/cm 10.9±0.4 5.7 16.5 10.9±0.4 5.7 16.5 11.0±0.9 7.3 14.2 Dmax/cm 22.0±0.9 10.0 29.1 22.0±1.0 10.0 29.1 21.9±2.1 11.9 28.6 Dmin/cm 11.0±0.8 1.9 18.0 11.1±0.9 1.9 18.0 10.9±1.9 3.3 18.0 A/a 36±2 13 62 36±3 13 62 36±6 13 56 N/(trees·hm–2) 842±80 300 2 500 862±96 300 2 500 764±112 450 1 175 HT/m 9.7±0.5 3.2 13.6 9.7±0.6 3.2 13.6 10.0±1.1 4.1 12.7 AB/(m2·hm–2) 15.26±1.04 2.92 33.34 15.16±1.19 4.28 33.34 15.65±2.31 2.92 21.97 DQM/cm 16.7±0.9 7.0 24.0 16.6±1.0 7.0 23.9 16.8±1.9 7.7 21.9 1) Drange、Dmax 和Dmin 分别为样地内胸径的分布范围值、最大值和最小值；A：树龄；N：林分密度；HT：优势木平均高；AB：胸高断面积；DQM：平方平均胸径
1) Drange, Dmax and Dminare the distribution range value, maximum and minimum of DBH in the plot; A: Age of stand; N: Stand density; HT: Dominant height; AB: Stand basal area; DQM: Quadratic mean diameter1.3 基础模型
在以往报道的基础上选择了30个非线性H-D候选基础模型[8, 20]，使用最小二乘法分别拟合总数据中沙地樟子松的树高–胸径关系，并根据评价指标：决定系数(R2)、平均绝对误差 (Mean absolute error, MAE)和均方根误差(Root mean square error, RMSE)选出较好的H-D基础模型。R2、MAE和RMSE的计算公式为：
$$ {R^2} = 1{\rm{ - }}\sum\limits_{i = {\rm{1}}}^m {\sum\limits_{j = {\rm{1}}}^{{n_i}} {{\rm{ (}}{H_{ij}} - {{\hat H}_{ij}}{\rm{)}}} } /\sum\limits_{i = {\rm{1}}}^m {\sum\limits_{j = {\rm{1}}}^{{n_i}} {{\rm{ (}}{H_{ij}} - {{\bar H}_{ij}}{\rm{)}}} } \text{，} $$ (1) $$ {\rm{MAE}} = \frac{1}{n}\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^{{n_i}} {\left| {{H_{ij}}{\rm{ - }}{{\bar H}_{ij}}} \right|} } \text{，} $$ (2) $$ {\rm{RMSE}} = \sqrt {\frac{1}{n}{{\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^{{n_i}} {{\rm{ (}}{H_{ij}}{\rm{ - }}{{\hat H}_{ij}}{\rm{)}}} } }^2}}\text{，} $$ (3) 式中：Hij、
${\hat H_{ij}}$ 和${\bar H_{ij}}$ 分别为树高观测值、预测值和平均观测值；m为标准地数量；n为样本木总量。1.4 广义模型
基础模型是在总体平均水平上对H-D关系的描述，不能反映H-D关系在不同林分中存在的实际差异[1, 17]。基础模型中加入林分变量构建广义模型可以提升模型的生物学意义和预测精度。本文在确定基础模型后，检验了优势木平均高 (HT)、胸高断面积 (AB) 和平方平均胸径 (DQM) 对H-D模型的影响(加入林分变量1~3个)。
1.5 混合模型
确定基础模型和广义模型后，采用非线性混合模型描述不同标准地内的H-D关系，模型的一般表达式为：
$$ \left\{ \begin{gathered} {y_i} = f(\beta ,{u_i},{x_i}) + {\varepsilon _i} \text{，}\\\ {{\boldsymbol R}_i} = {\sigma ^2}{\boldsymbol G}_i^{0.5}{\boldsymbol\varGamma _i}{\boldsymbol G}_i^{0.5} \text{，}\\ \end{gathered} \right. $$ (4) 式中：yi是第i块标准地的树高测量值，i=1，2，3，…，m；β为固定效应参数；ui为随机效应参数，假定ui服从Ψ正态分布，即ui~N(0, Ψ)，Ψ为随机效应方差–协方差矩阵；xi为自变量测量值；f为包含模型参数的xi与yi之间的函数关系；εi为误差项，假定εi~N(0, Ri)；假定ui和εi之间相互独立；Ri为样地内方差–协方差结构矩阵；σ2为误差扩散比例因子，即残差方差；Gi为描述方差异质性的对角矩阵；Гi为自相关结构，本文调查数据未涉及误差自相关性，故用单位矩阵代替。
1.6 模型的拟合与检验
固定效应模型和混合模型分别使用R软件中nls函数和nlme程序包中极大似然估计方法实现。拟合优度指标为Akaike信息量准则 (Akaike’s information criterion, AIC)、贝叶斯信息量准则 (Bayesian information criterion, BIC) 和似然函数值 (log-likelihood, LL)。
模型的预测类型包括：固定效应模型的平均水平预测 (FPA)，混合模型的总体平均响应预测 (MPA) 与主体响应预测 (MPS)。其中MPA仅使用混合模型的固定效应部分，预测时令随机参数为0。对未包含在建模数据中的林木进行MPS时，需使用经验线性最优无偏估计方法计算随机效应参数值[11]。
$$ \hat u{}_i{\rm{ = }}{ \hat{\boldsymbol \varPsi}} {\boldsymbol Z}_i^{\boldsymbol T}{({{\boldsymbol Z}_i}{\hat{\boldsymbol \varPsi}} {\boldsymbol Z}_i^{\boldsymbol T} + {{ \hat {\boldsymbol R}}_i})^{ - 1}}{e_i}\text{，} $$ (5) 式中：
${\hat u_i}$ 为随机参数最优无偏估计值，$\hat {\boldsymbol \varPsi} $ 为随机效应方差–协方差矩阵，${\hat {\boldsymbol R}_i}$ 为标准地内方差–协方差结构矩阵；Zi为随机参数的偏导数设计矩阵，T表示转置矩阵；ei为MPA时所得的残差。通常情况下，用于计算随机参数的样本木数量越多，预测效果越好，但调查成本会提高。为了选出工作量较少且精度较高的样本木抽样方案，本文对比了以下抽样方案：1)每块标准地随机抽取1~8棵树木，测量其树高；2)参照平均胸径，每块标准地抽取1~8棵平均木，测量其树高。
评价模型精度时，基于建模数据计算了不同模型不同预测类型时的R2、MAE和RMSE。使用检验数据计算MAE和RMSE来反映模型预测精度。
2. 结果与分析
2.1 构建的基础模型和广义模型
拟合总数据时，30个基础模型的R2、MAE和RMSE差异很小。依据参数最少、效果最好的原则，选择式(6)的Sibbesen模型[17]作为樟子松的H-D基础模型。在式(6)基础上，将HT、AB和DQM以不同的组合形式加入式(6)中，式(7)~(9)为分别加入不同数量林分变量时的最优形式，即广义模型。
$$ {H_{ij}} = 1.3 + {\beta _1}D_{ij}^{{\beta _2}D_{ij}^{^{{{\rm{ - }}_{{\beta _3}}}}}}{\rm{ + }}{\varepsilon _{ij}}, $$ (6) $$ {H_{ij}} = 1.3 + {\rm{(}}{\beta _1} + {\beta _4}{H_{\rm{T}}}_i{\rm{)}}D_{ij}^{{\beta _2}D_{ij}^{^{{{\rm{ - }}_\beta }_3}}}{\rm{ + }}{\varepsilon _{ij}}, $$ (7) $$ {H_{ij}} = 1.3 + {\rm{(}}{\beta _1} + {\beta _4}{H_{{\rm{T}}i}} + {\beta _5}{A_{{\rm{B}}i}}{\rm{)}}D_{ij}^{{\beta _2}D_{ij}^{^{{ - _\beta }_3}}}{\rm{ + }}{\varepsilon _{ij}}, $$ (8) $$ {H_{ij}} = 1.3 + {\rm{(}}{\beta _1} + {\beta _4}{H_{{\rm{T}}i}} + {\beta _5}{A_{{\rm{B}}i}} + {\beta _6}{D_{{\rm{QM}}i}}{\rm{)}}D_{ij}^{{\beta _2}D_{ij}^{^{{ - _\beta }_3}}}{\rm{ + }}{\varepsilon _{ij}}, $$ (9) 式中：β1~β6为模型参数；Hij和Dij分别为第i块标准地中第j棵树的树高和胸径；HTi、ABi和DQMi分别为第i块标准地优势木平均高、胸高断面积和林分平方平均胸径。
结果(表2)表明：加入林分变量后，广义模型的拟合优度极显著高于基础模型 (P<0.01)，且模型的精度明显提高，模型的残差方差 (σ2)、AIC和BIC均减小，LL值明显增大。只加入1个林分变量时，加入HT的式(7)的效果最好，此时模型的统计指标变化较大。加入2个林分变量时，含HT和AB的式(8)精度进一步提高，且与式(7)差异极显著(P<0.01)。含3个林分变量的式(9)精度低于式(8)。
表 2 基础和广义模型各参数估计结果及统计量Table 2. Parameter estimates and evaluation statistics of basic and generalized models公式 Formula β1 β2 β3 β4 β5 β6 σ2 AIC BIC LL (6) 14.242 3 –27.039 5 1.784 9 3.305 1 3 498.3 3 517.4 –1 745.2 (7) –0.105 1 –5.428 3 1.442 1 1.073 6 0.724 7 2 184.8 2 208.6 –1 087.4 (8) 0.190 2 –4.472 6 1.217 7 1.112 6 0.055 7 0.709 8 2 167.7 2 196.3 –1 077.9 (9) 0.404 3 –4.646 1.222 3 1.177 7 0.045 9 –0.034 5 0.709 3 2 168.2 2 201.5 –1 077.1 2.2 构建的混合模型
拟合基础混合模型时，只含1个随机参数的模型拟合优度最高。拟合广义混合模型时，模型含有2个随机参数时的拟合优度略高于含1个随机参数的模型，但无显著差异 (P>0.05)。因此，4个混合模型中均只含1个随机参数，具体见式(10)~(13)。
$$ {H_{ij}} = 1.3 + {\rm{(}}{\beta _1} + {u_i}{\rm{)}}{D_{ij}}^{{\beta _2}D_{ij}^{^{{\rm{ - }}{\beta _3}}}}{\rm{ + }}{\varepsilon _{ij}}, $$ (10) $$ {H_{ij}} = 1.3 + {\rm{[}}{\beta _1} + {\rm{(}}{\beta _4} + {u_i}{\rm{)}}{H_{{\rm{T}}i}}{\rm{]}}D_{ij}^{{\beta _{\rm{2}}}D_{ij}^{^{ - {\beta _{\rm{3}}}}}}{\rm{ + }}{\varepsilon _{ij}}, $$ (11) $$ {H_{ij}} = 1.3 + {\rm{[}}{\beta _1} + {\rm{(}}{\beta _4} + {u_i}{\rm{)}}{H_{{\rm{T}}i}} + {\beta _5}{A_{{\rm{B}}i}}{\rm{]}}D_{ij}^{{\beta _{\rm{2}}}D_{ij}^{^{ - {\beta _{\rm{3}}}}}}{\rm{ + }}{\varepsilon _{ij}}, $$ (12) $$ {H_{ij}} = 1.3 + {\rm{[}}{\beta _1} + {\rm{(}}{\beta _4} + {u_i}{\rm{)}}{H_{{\rm{T}}i}} + {\beta _5}{A_{{\rm{B}}i}} + {\beta _6}{D_{{\rm{QM}}i}}{\rm{]}}D_{ij}^{{\beta _{\rm{2}}}D_{ij}^{^{ - {\beta _{\rm{3}}}}}}{\rm{ + }}{\varepsilon _{ij}}, $$ (13) 式中：ui为随机效应参数；其余同上。图1为式(10)的残差分布图[式(11)~(13)与此相似而未列出]，从图中未发现模型存在明显的方差异质性，因此不考虑对混合模型进行异方差处理。式(10)~(13)的AIC、BIC及LL的变化规律与4个固定模型相一致。式(10)的随机参数方差 (σi2) 在4个混合模型中最大，说明式(10)中参数β1最不稳定，在不同标准地间变化最大。
由表2和表3可知，混合模型的拟合精度均高于相应的固定效应模型。加入随机参数对H-D基础模型改良效果最明显，混合模型式(10)的AIC和BIC较基础模型式(6)分别降低了34.70%和34.38%，LL值升高了34.84%。说明混合模型可以提高H-D模型的预测精度，随机参数可以描述不同立地条件、样地间树高和胸径关系的差异。广义混合模型与对应的广义模型间都存在极显著差异 (P<0.01)，但精度提高的幅度较小(AIC、BIC和LL变化幅度低于1.50%)。
表 3 混合模型参数估计及统计量Table 3. Parameter estimates and evaluation statistics of mixed model公式 Formula β1 β2 β3 β4 β5 β6 σi2 σ2 AIC BIC LL (10) 10.258 1 –7.630 1 1.565 7 9.617 6 0.682 2 284.3 2 308.2 –1 137.2 (11) 0.211 3 –6.414 4 1.491 4 1.046 9 7.98×10−3 0.681 2 163.3 2 191.9 –1 075.7 (12) 0.248 3 –5.571 8 1.378 5 1.030 0 0.043 0 5.81×10−3 0.680 2 158.2 2 191.6 –1 072.1 (13) 0.375 3 –5.693 8 1.380 3 1.085 9 0.034 9 –0.029 1 5.65×10−3 0.680 2 159.3 2 197.4 –1 071.6 2.3 模型评价与对比
2.3.1 模型拟合与预测精度评价
拟合结果(图2)表明，式(10)的MPS在所有模型中精度最高，但与广义模型的FPA、MPA和MPS差异均不明显。除了式(12)MPA时的MAE略小于对应FPA外，其余指标表明，4对模型精度均为：MPS> FPA> MPA。模型只含预测变量D时，FPA和MPS精度明显较其MPA提高，R2分别升高了39.51%和93.00%，MAE分别降低了27.68%和68.88%，RMSE分别降低了20.69%和64.38%。含林分变量时，各模型的拟合精度较高但差异较小。相较于对应MPA，各模型FPA和MPS时精度变化不明显，FPA时R2、MAE和RMSE改良范围不足1%，MPS时精度变化稍微增大但低于5%。
![]()
图 2 基于建模数据计算所得不同模型的不同预测类型指标统计A：式(6)和(10)；B：式(7)和(11)；C：式(8)和(12)；D：式(9)和(13)Figure 2. Indices calculated based on model fitting data for different types of predictions in different modelsA: Eq.(6) and (10); B: Eq.(7) and (11); C: Eq.(8) and (12); D: Eq.(9) and (13)2.3.2 不同混合模型抽样对比
图3为各模型FPA、MPA预测及不同抽样方案下MPS预测时MAE和RMSE的变化。进行FPA和MPA预测时，广义模型精度均高于基础模型，且FPA中式(8)的精度最高。进行MPS时，混合模型的MAE和RMSE变化趋势相同。其中，基础模型精度一直为：MPS>FPA>MPA。使用随机选择样本木计算模型随机参数时的模型预测效果好于使用平均木计算。每块标准地内随机测量3棵树的树高时，式(10)的MAE和RMSE的降低速率最大，此时模型MAE和RMSE较其MPA分别降低了57.97%和57.63%。广义混合模型[式(11)~(13)]的预测精度同样随样本数量增多而降低(1~8棵)，随机选择2个样本木和选择3个平均木时模型MAE和RMSE降低速率最大，但整体变化缓慢。
![]()
图 3 不同抽样方案下各模型平均绝对误差(MAE)和均方根误差(RMSE)随样本木数量变化情况FPA中，A~D依次为式(6)~(9)；MPA及1~8抽样中，A~D依次为式(10)~(13)Figure 3. Relationship between mean absolute error (MAE), root mean square error (RMSE) and number of sample trees based on different sampling designsFPA: A-D are eq.(6)-(9); MPA and different sampling design: A-D are eq. (10)-(13)3. 讨论与结论
本文以辽宁章古台地区樟子松人工纯林调查数据为例，从30个常用模型中选出了Sibbesen模型为适合樟子松(D>5 cm)的H-D基础模型。以此为基础，建立不同的H-D广义模型和混合模型时发现，广义模型和混合模型都能提高模型精度，且广义模型和基础混合模型精度均较高。
研究表明，立地条件和林分密度是影响H-D关系最为明显的因素[1, 7]。HT可以代表林分的立地质量和发展阶段[21]，王冬至等[13]在研究华北落叶松Larix principis-rupprechtii和白桦H-D模型时的结果表明，包含HT的模型拟合效果较好。本文的研究也表明，HT对沙地樟子松H-D模型的影响最大，含HT的式(7)模型精度明显高于式(6)的基础模型，且模型R2、MAE和RMSE的变化幅度高于30%。AB可以表示林分密度和林分竞争，它可以反映其他因素(如林龄)对H-D关系的影响[9]。当模型中含有HT和AB时，加入DQM反而降低了模型精度。此外，H-D关系是一个动态关系，即林龄不同时期H-D关系模型的参数也不同，由于混合模型中随机参数综合反映了包含林龄和立地条件在内的多种差异[7]，且广义模型中AB和HT均与林龄关系密切，故而本文未将树木按照林分阶段划分后分别建模。
模型中无随机参数时(MPA和FPA)，模型的预测精度主要受预测变量的影响[22]，此时FPA与对应MPA随林分变量个数变化产生的趋势相同。还可能因为混合模型的MPA不能够充分代表其总体水平预测[23]，而出现FPA优于MPA(尤其基础模型)。林分变量和随机参数都能反映不同林分间差异[22]，4个混合模型间MPS差异不明显，说明林分变量对混合模型的作用不大[17]。但并不意味广义模型无构建价值，因为广义模型具有较强的生物学意义且数据量较小时具有明显优势[22]。
模型预测时，如何抽取样本木使得模型精度较高且工作量较小十分重要。使用经验线性最优无偏估计法计算随机参数时，式(10)在随机选择3棵样本木时，模型的MAE和RMSE降低速率最大，之后降低速率变慢。基础混合模型的MPS精度与广义模型各预测形式间差异不大。由于广义混合模型预测时，同时需要林分变量和先验信息，调查成本较高，但模型预测精度变化较小，不太实用。因此，本文建议使用基础混合模型，并通过随机测量每块样地内3棵树的树高，以此计算随机参数来预测树高，当无先验信息时，使用含有林分变量优势木平均高、胸高断面积的广义模型预测树高。
-
表 1 单作与间作处理水稻生物量、产量及单株产量1)
Table 1 Biomass, yield per unit area and yield per plant of rice in monoculture and intercropping treatments
处理
Treatment生物量/g Biomass 总有效穗数
Total effective panicles每穗粒数
Grains per panicle千粒质量/g
1 000-grain weight产量/
(g·m−2)
Yield单株产量/g
Yield per plant地上部
Shoot地下部
Root水稻单作(对照)
Rice monocropping (control)11.63±1.24b 0.87±0.14a 72.00±2.08a 117.30±2.49a 21.93±0.70a 185.34±10.23a 11.58±0.64ab 水稻与圆叶白苋菜间作
Rice-white amaranth intercropping18.99±0.62a 0.74±0.06a 43.33±1.86b 117.17±3.62a 21.59±0.34a 109.65±6.50b 13.71±0.81a 水稻与籽粒苋间作
Rice-grain amaranth intercropping8.36±0.88c 0.61±0.10a 35.00±0.58c 116.43±1.51a 21.01±0.59a 85.67±3.72b 10.71±0.47b 水稻与红苋菜间作
Rice-red amaranth intercropping10.76±0.43bc 0.93±0.19a 34.33±2.40c 111.61±1.72a 22.52±0.53a 85.78±6.57b 10.72±0.82b 1) 同列数据后的不同小写字母表示差异显著(P<0.05，Duncan’ s 法)
1) Different lowercase letters in the same column indicate significant differences(P<0.05, Duncan’ s method)
下载: 导出CSV
表 2 单作与间作处理水稻各部位As含量1)
Table 2 As contents in various parts of rice in monoculture and intercropping treatments
w(As)/(mg·kg−1) 处理
Treatment地上部
Shoot地下部
Root谷壳
Husk糙米
Brown rice水稻单作(对照)
Rice monocropping (control)11.74±1.16b 103.63±11.66b 0.63±0.10b 0.44±0.03c 水稻与圆叶白苋菜间作
Rice-white amaranth intercropping22.13±1.97a 171.38±12.95a 1.06±0.21a 0.64±0.02a 水稻与籽粒苋间作
Rice-grain amaranth intercropping20.55±1.76a 167.43±13.21a 0.86±0.04a 0.52±0.01b 水稻与红苋菜间作
Rice-red amaranth intercropping18.81±1.03a 133.33±12.60ab 0.80±0.04ab 0.52±0.01b 1)同列数据后的不同小写字母表示差异显著(P<0.05，Duncan’ s 法)
1) Different lowercase letters in the same column indicate significant differences(P<0.05, Duncan’ s method)
下载: 导出CSV
表 3 不同品种苋菜单株生物量及As含量1)
Table 3 Biomass per plant and As contents in various parts of different amaranth varieties
品种
Variety生物量/g Biomass w(As)/(mg·kg−1) 地上部
Shoot地下部
Root地上部
Shoot地下部
Root圆叶白苋菜 White amaranth 26.57±2.10a 5.20±1.35a 1.54±0.07b 16.14±0.81b 籽粒苋 Grain amaranth 14.56±0.23b 0.44±0.07b 3.18±0.13a 13.76±0.81b 红苋菜 Red amaranth 24.81±2.46a 1.48±0.02b 1.22±0.18b 25.42±0.37a 1)同列数据后的不同小写字母表示差异显著(P<0.05，Duncan’ s 法)
1) Different lowercase letters in the same column indicate significant differences(P<0.05, Duncan’ s method)
下载: 导出CSV
表 4 单作与间作处理植株不同部位As累积量及土壤中As含量1)
Table 4 As accumulations in various parts of plants and As contents in soil in monoculture and intercropping treatments
处理
TreatmentAs累积量/(mg·m−2) As accumulations w(As)土壤/
(mg·kg−1)
As concent in soil水稻地上部
Rice shoot水稻地下部
Rice root苋菜地上部
Amaranth shoot苋菜地下部
Amaranth root总和
Sum水稻单作(对照)
Rice monocropping (control)2.21±0.29b 1.04±0.09a 3.25±0.38b 63.53±0.96a 水稻与圆叶白苋菜间作
Rice-white amaranth intercropping3.36±0.24a 1.05±0.16a 0.33±0.03a 0.69±0.16a 5.43±0.34a 59.81±1.49a 水稻与籽粒苋间作
Rice-grain amaranth intercropping1.39±0.17b 0.84±0.04a 0.37±0.01a 0.05±0.01b 2.65±0.20b 65.18±1.68a 水稻与红苋菜间作
Rice-red amaranth intercropping1.63±0.12b 0.76±0.07a 0.24±0.01b 0.30±0.00b 2.93±0.16b 63.64±2.03a 1)同列数据后的不同小写字母表示差异显著(P<0.05，Duncan’ s 法)
1) Different lowercase letters in the same column indicate significant differences(P<0.05, Duncan’ s method)
下载: 导出CSV
表 5 单作与间作水稻根际土壤速效养分与有机质含量1)
Table 5 Available nutrient and organic matter contents in rice rhizosphere soil in monoculture and intercropping treatments
处理
Treatmentw(铵态氮)/(mg·kg−1)
Ammonia nitrogen contentw(速效磷)/(mg·kg−1)
Available phosphorous contentw(速效钾)/(mg·kg−1)
Available potassium contentw(有机质)/(g·kg−1)
Organic matter content水稻单作(对照)
Rice monocropping (control)25.86±0.89b 126.81±3.64b 91.67±5.37b 36.09±0.12c 水稻与圆叶白苋菜间作
Rice-white amaranth intercropping35.73±0.45a 139.35±2.12a 106.60±1.27a 45.92±1.84a 水稻与籽粒苋间作
Rice-grain amaranth intercropping27.37±0.56b 128.44±3.00ab 99.17±3.87ab 40.69±0.36b 水稻与红苋菜间作
Rice-red amaranth intercropping27.90±0.89b 130.83±3.93ab 98.40±0.75ab 41.26±1.85b 1)同列数据后的不同小写字母表示差异显著(P<0.05，Duncan’ s 法)
1) Different lowercase letters in the same column indicate significant differences(P<0.05, Duncan’ s method)
下载: 导出CSV
-
[1] 环境保护部国土资源部. 全国土壤污染状况调查公报[EB/OL]. [2014-04-17] http://www.mep.gov.cn/gkml/hbb/qt/201404/t20140417_270670.Htm. [2] 刘小诗, 李莲芳, 曾希柏, 等. 典型农业土壤重金属的累积特征与源解析[J]. 核农学报, 2014, 28(7): 1288-1297. doi: 10.11869/j.issn.100-8551.2014.07.1288 [3] 钟松雄, 何宏飞, 陈志良, 等. 水淹条件下水稻土中砷的生物化学行为研究进展[J]. 土壤学报, 2018, 55(1): 1-17. doi: 10.11766/trxb201704250028 [4] 赵宏亮, 王麒, 孙羽, 等. 秸秆还田下灌溉方式对水稻产量及水分利用率的影响[J]. 核农学报, 2018, 32(5): 959-969. doi: 10.11869/j.issn.100-8551.2018.05.0959 [5] LIU C P, LUO C L, GAO Y, et al. Arsenic contamination and potential health risk implications at an abandoned tungsten mine, southern China[J]. Environ Pollut, 2010, 158(3): 820-826. doi: 10.1016/j.envpol.2009.09.029
[6] 黄亚涛. 我国稻米中无机砷的污染分布研究及风险评估[D]. 北京: 中国农业科学院, 2014: 38-44. [7] 胡拥军, 王海娟, 王宏镔, 等. 砷胁迫下不同砷富集能力植物内源生长素与抗氧化酶的关系[J]. 生态学报, 2015, 35(10): 3214-3224. [8] 沈孝辉, 李仁英, 徐向华, 等. 土壤−水稻系统砷迁移累积的影响因素及调控措施[J]. 土壤通报, 2014, 45(5): 1273-1280. [9] 吴川, 莫竞瑜, 薛生国, 等. 不同渗氧能力水稻品种对砷的耐性和积累[J]. 生态学报, 2014, 34(4): 807-813. [10] TALUKDER A S M H M, MEISNER C A, SARKAR M A R, et al. Effect of water management, arsenic and phosphorus levels on rice in a high-arsenic soil-water system: II: Arsenic uptake[J]. Ecotoxicol Environ Saf, 2012, 80: 145-151. doi: 10.1016/j.ecoenv.2012.02.020
[11] ZHAO S T, LI H C, SHI Y H. Speciation analysis of antimony and arsenic in soil and remediation of antimony and arsenic in contaminated soils[J]. Adv Mater Res, 2015, 1088: 578-582. doi: 10.4028/www.scientific.net/AMR.1088.578
[12] CHEN J, WANG S, ZHANG S, et al. Arsenic pollution and its treatment in Yangzonghai lake in China: In situ remediation[J]. Ecotoxicol Environ Saf, 2015, 122: 178-185. doi: 10.1016/j.ecoenv.2015.07.032
[13] KLABER N S, BARKER A V. Accumulation of phosphorus and arsenic in two perennial grasses for soil remediation[J]. Commun Soil Sci Plant Anal, 2014, 45(6): 810-818. doi: 10.1080/00103624.2013.857681
[14] 申红玲, 何振艳, 麻密. 蜈蚣草砷超富集机制及其在砷污染修复中的应用[J]. 植物生理学报, 2014, 50(5): 591-598. [15] 宋书巧, 周永章, 周兴, 等. 土壤砷污染特点与植物修复探讨[J]. 热带地理, 2004, 24(1): 6-9. doi: 10.3969/j.issn.1001-5221.2004.01.002 [16] AMPIAH-BONNEY R J, TYSON J F, LANZA G R. Phytoextraction of arsenic from soil by Leersia oryzoides[J]. Int J Phytoremediation, 2007, 9(1/2/3): 31-40.
[17] 张少斌, 梁开明, 张殷, 等. 水稻与水合欢间作对作物群体产量、氮素吸收及土壤氮素的影响[J]. 生态环境学报, 2016, 25(11): 1856-1864. [18] 梁开明, 傅玲, 章家恩, 等. 水稻/再力花单、间作系统中作物对镉胁迫的叶绿素荧光响应及镉积累特征[J]. 华南农业大学学报, 2014, 35(4): 35-41. doi: 10.7671/j.issn.1001-411X.2014.04.008 [19] 宁川川, 杨荣双, 蔡茂霞, 等. 水稻−雍菜间作系统中种间关系和水稻的硅、氮营养状况[J]. 应用生态学报, 2017, 28(2): 474-484. [20] 吴华杰, 李隆, 张福锁. 水稻/小麦间作中种间相互作用对镉吸收的影响[J]. 中国农业科技导报, 2003, 5(5): 43-46. doi: 10.3969/j.issn.1008-0864.2003.05.010 [21] 张骞, 曾希柏, 苏世鸣, 等. 不同品种苋菜对砷的吸收能力及植株磷砷关系研究[J]. 农业环境科学学报, 2016, 35(10): 1888-1894. doi: 10.11654/jaes.2016-0687 [22] 中华人民共和国农业部. 酸性土壤铵态氮、有效磷、速效钾的测定联合浸提−比色法: NY/T 1849—2010[S]. 北京: 中国农业出版社, 2010. [23] 中华人民共和国国家卫生和计划生育委员会, 国家食品药品监督管理总局. 食品中污染物限量: GB 2762—2017[S]. 北京: 中国标准出版社, 2017. [24] GOVE B, HUTCHINSON J J, YOUNG S D, et al. Uptake of metals by plants sharing a rhizosphere with the hyperaccumulator Thlaspi caerulescens[J]. Int J Phytoremediation, 2002, 4(4): 267-281. doi: 10.1080/15226510208500087
[25] WHITING S N, DE SOUZA M P, TERRY N. Rhizosphere bacteria mobilize Zn for hyperaccumulation by Thlaspi caerulescens[J]. Environ Sci Technol, 2001, 35(15): 3144-3150. doi: 10.1021/es001938v
[26] 赵冰, 沈丽波, 程苗苗, 等. 麦季间作伴矿景天对不同土壤小麦−水稻生长及锌镉吸收性的影响[J]. 应用生态学报, 2011, 22(10): 2725-2731. [27] 李凝玉, 李志安, 丁永祯, 等. 不同作物与玉米间作对玉米吸收积累镉的影响[J]. 应用生态学报, 2008, 19(6): 1369-1373. [28] 张静静, 黄河, 吴海霞, 等. 不同土壤类型中水稻间作红蛋对镉累积的影响[J]. 西南农业学报, 2016, 29(12): 2871-2876. [29] 刘维涛, 倪均成, 周启星, 等. 重金属富集植物生物质的处置技术研究进展[J]. 农业环境科学学报, 2014, 33(1): 15-27. doi: 10.11654/jaes.2014.01.002 [30] 章家恩, 高爱霞, 徐华勤, 等. 玉米/花生间作对土壤微生物和土壤养分状况的影响[J]. 应用生态学报, 2009, 20(7): 1597-1602. [31] 曾露苹, 周飞, 陈玥如, 等. 木薯和花生间作对Cd吸收及根区速效养分的影响[J]. 环境科学研究, 2018, 31(2): 303-309. [32] IKERRA S T, MAGHEMBE J A, SMITHSON P C, et al. Soil nitrogen dynamics and relationships with maize yields in a gliricidia-maize intercrop in Malawi[J]. Plant Soil, 1999, 211(2): 155-164. doi: 10.1023/A:1004636501488
[33] LI B, LI Y Y, WU H M, et al. Root exudates drive interspecific facilitation by enhancing nodulation and N2 fixation[J]. P Natl Acad Sci USA, 2016, 113(23): 6496-6501. doi: 10.1073/pnas.1523580113
[34] NORTON G J, ADOMAKO E E, DEACON C M, et al. Effect of organic matter amendment, arsenic amendment and water management regime on rice grain arsenic species[J]. Environ Pollut, 2013, 177: 38-47. doi: 10.1016/j.envpol.2013.01.049
[35] ROWLAND H A L, BOOTHMAN C, PANCOST R, et al. The role of indigenous microorganisms in the biodegradation of naturally occurring petroleum, the reduction of iron, and the mobilization of arsenite from west bengal aquifer sediments[J]. J Environ Qual, 2009, 38(4): 1598-1607. doi: 10.2134/jeq2008.0223
-
期刊类型引用(11)
1. 李欣宇，叶尔江·拜克吐尔汉，王娟，张新娜，张春雨，赵秀海. 基于非线性混合效应模型的东北红松树高-胸径关系. 北京林业大学学报. 2025(03): 38-48 . 
百度学术
2. 程雯，武晓昱，叶尔江·拜克吐尔汉，王娟，赵秀海，张春雨. 基于混合效应和分位数回归的温带针阔混交林树高与胸径关系研究. 北京林业大学学报. 2024(02): 28-39 . 百度学术
3. 王维芳，崔梦琦，邢凯然. 包含哑变量的大兴安岭天然白桦林碳密度模型. 森林工程. 2024(05): 74-81 . 百度学术
4. 吕乐乐，王文彬，董灵波. 基于哑变量和分位数回归的兴安落叶松更新幼树的树高-胸径模型. 应用生态学报. 2023(09): 2355-2362 . 百度学术
5. 夏洪涛，郭晓斌，张珍，田相林，郭福涛，孙帅超. 基于不同立地质量评价指标的杉木大径材林分树高-胸径模型. 中南林业科技大学学报. 2023(10): 80-88 . 百度学术
6. 郭卫红，郑庆荣，胡砚秋，陈晓江，李眉红. 山西五台山主要针叶树种树高—胸径曲线模型研究. 湖南林业科技. 2022(06): 72-77 . 百度学术
7. 王泳腾，黄治昊，王俊，张童，郎立华，孙国明，崔国发. 濒危植物黄檗的生存压力研究. 北京林业大学学报. 2021(01): 49-57 . 百度学术
8. 陈浩，罗扬. 马尾松树高-胸径非线性混合效应模型构建. 森林与环境学报. 2021(04): 439-448 . 百度学术
9. 张冬燕，王冬至，李晓，高雨珊，李天宇，陈静. 基于分位数回归的针阔混交林树高与胸径的关系. 浙江农林大学学报. 2020(03): 424-431 . 百度学术
10. 邓楠，马丰丰，宋庆安，周满，杨蕊，李典军，彭湃，田育新. 环境梯度对杉木公益纯林分布特征及生长的影响. 湖南林业科技. 2020(04): 8-15 . 百度学术
11. 韩辉，袁春良，张学利，宋鸽，安宇宁，孙晓辉. 基于林分生长量的沙地樟子松初植造林密度确定. 辽宁林业科技. 2020(06): 1-9+58 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 1499
- HTML全文浏览量: 1
- PDF下载量: 1496
- 被引次数: 16
