-
松材线虫Bursaphelenchus xylophilus是危害性极高的外来有害生物，也是中国林业检疫性有害生物[1]。它主要通过松墨天牛Monochamus alternatus等媒介昆虫在松树体内传播，引发破坏性极强的松材线虫病[2]。自1982年在南京中山陵首次发现被松材线虫感染的黑松Pinus thunbergii以来，松材线虫病已经给中国造成直接和间接损失上千亿元[3]。截至2020年4月，松材线虫病已扩散至湖北省的86个市县地区，湖北省的林业生态安全面临着巨大的威胁[4]。运用生态位模型对外来有害生物的适宜生境和风险进行评估是当前研究热点之一[5-6]，比较广泛的生态位模型有BIOCLIM、GARP、GLM、MAXENT、ENFA等，这些模型都建立在HUTCHINSON[7]生态位原理的基础上，即将物种的分布视为与环境因素异质性密切相关的因变量，通过计算物种点的环境因素变量来确定物种的生态位，然后利用物种的生态位模拟研究该物种在研究区域内的分布适宜性。生态位因子分析(ecological-niche factor analysis，ENFA)模型的优点在于模型计算只需要已出现的物种点数据，而不需要非出现点的数据[8]。并且相较于其他生态位模型，ENFA模型结果还包括各指标因子与物种的相关关系，可对物种的生态位直接进行解释。ENFA模型已成功模拟了大熊猫Ailuropoda melanoleuca[8]和亚洲象Elephas maximus的适宜生境[9]、人象冲突的风险评估[10]、蝴蝶Rhopalocera的异地适生区[11]、蕨类Pteridophyta植物的空间分布预测[12]、林麝Moschus berezovskii的生境预测[13]、欧洲松鸡Tetrao urogallus的保护[14]等。本研究结合“3S”技术，应用ENFA模型，对湖北省松材线虫病的潜在风险区进行评估，研究影响湖北省松材线虫定殖和传播的主要影响因子，分析风险区的面积大小和分布状况，以期为湖北省松材线虫病的防治提供科学依据。
-
物种分布点数据来源于国家林业和草原局公告(2020年第4号)[15]，共得到松材线虫病在湖北省(29°01′53″~33°06′47″N，108°21′42″~116°07′50″E)的分布点数据86条(图1)。数据包括：①气候数据。主要为2008−2017年湖北省34个气象站点的数据，来源于国家气象科学数据共享服务平台(http://data.cma.cn)。②地形数据。主要为湖北省的数字高程模型(DEM)数据(2009年)，来自于地理空间数据云(http://www.gscloud.cn)。③人类活动干扰数据。包括道路数据(2015年)、土地利用/覆盖变化数据(2015年)、人口分布密度数据(2015年)，均来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)。④植被因素。主要包括植被覆盖类型(2015年)和归一化植被指数(NDVI)数据(2017年)，来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)。
图 1 湖北省松材线虫分布点示意图
Figure 1. Distribution point of B. xylophilus in Hubei Province
-
ENFA模型是研究物种分布的多变量分析方法[16]。该模型采用主成分分析方法，利用物种分布点的数据和生态地理变量(EGV)数据，将物种的生态位和生态幅度与整个研究区的环境因子平均状态和标准差相比较，从EGV中提取主要信息组合为互不相关的特征矩阵，特征矩阵和特征向量用来生成生境适宜性图[17]。物种的分布与EVG之间的相互关系通过计算边际性、特殊性和耐受性3个指标得到[18]。
边际性系数(M)为物种分布区EGV平均值和整个研究区内EGV平均值的差异。M＞0时，表明该物种偏好EGV平均水平以上的环境；M＜0时，表明物种偏好EGV平均水平以下的环境。M的绝对值越大，物种对EGV的偏好程度越高，物种的分布也越不随机。
$$ M = \frac{{\mid {m_{\rm{B}}} - {m_{\rm{G}}}\mid }}{{1.96{\sigma _{\rm{G}}}}}\text{。} $$ (1) 式(1)中：mB表示物种分布区内某个EGV的平均值；mG表示整个研究区内某个EGV的平均值，
${\sigma _{\rm{G}}}$ 表示其标准差[18]。特殊性系数(S)为物种适宜分布区EGV标准差与整个研究区内EGV标准差的比率，是物种选择EGV可用范围的度量指标。
$$ S = \frac{{{\sigma _{\rm{G}}}}}{{{\sigma _{\rm{B}}}}}\text{。} $$ (2) 式(2)中：
$ {\sigma }_{{\rm{B}}} $ 表示物种分布区内某个EGV的标准差。耐受性系数(T)为S的倒数，T取值为0~1，T越小，表明物种在研究区内的特殊化程度越高，对环境因子有一定的选择性，其适生性受到一定环境条件的限制。T越大，则表明物种对环境的选择性不高，在研究区内分布广泛[18]。在本研究中，T越大，说明松材线虫病的生存和传播对各种环境因子的选择不高，其分布也越随机。
$$ T = \frac{{{\sigma _{\rm{B}}}}}{{{\sigma _{\rm{G}}}}} = \frac{1}{S}\text{。} $$ (3) ENFA模型在Biomapper 4.0软件中运行，通过计算特征矩阵提取累积贡献率生成生境适宜图，通过生境适宜性指数(IHS)划分生境适宜图的等级，IHS为0~100，取值越大代表生境适宜性越高。模型通过Jake-Knife交叉验证(cross-validation)评价模型的精度，生成P/E(predicted/expected ratio)曲线和Boyce指数判断模型，Boyce指数为平均值和标准差，可检验模型的精度，平均值越大，标准差越小，模型的预测精度就越高[18]。
-
松材线虫的定殖和传播是一个复杂的病害系统。温度、降水量、日照等气候条件影响松材线虫及其寄主松墨天牛的生存和定殖[19]；林分状况、树龄、树种的丰富度、森林郁闭度等因子影响着媒介昆虫松墨天牛的种群密度[20]；海拔、坡度和坡向等地形因子通过影响气候和土壤从而间接影响植物的生长和分布；松墨天牛的自然扩散能力不强[2]，因此松材线虫主要借助人为传播，人类活动直接影响松材线虫病扩散的速度和规模。本研究从气候、植被、地形、人类活动干扰等4个影响因素中选取15个EGV指标，用于松材线虫病潜在风险区的评估(表1)。
表 1 ENFA模型分析的生态地理变量
Table 1. Ecogeographical variables analyzed by ENFA model
因素类型 生态地理变量(EGV) 因素类型 生态地理变量(EGV) 气候因素 年平均气温(℃)
年平均降水量(mm)
5−10月平均气温(℃)
5−10月平均降水量(mm)人类干扰因素 到居民点距离(m)
到公路距离(m)
到铁路距离(m)
到农田距离(m)
人口分布密度(人·km−2)地形因素 海拔(m)
坡度(º)
坡向植被因素 到针叶林距离(m)
植被覆盖度到河流距离(m) -
所有生态地理变量数据均预先在ArcGIS 10.2中进行处理。气候数据进行克里金(Kriging)插值处理，地形数据从DEM提取，植被和人类活动干扰数据需转换为距离数据或者频率数据[19]，植被覆盖度利用像元二分模型计算NDVI得到[21]。所有数据转换为250 m×250 m空间分辨率和相同的投影，并将ArcGIS栅格数据转换为ENFA所能使用的栅格数据格式，然后利用ENFA对数据进行Box-Cox标准化后进行分析。
-
通过ENFA模型得到边际性系数M=1.639，M＞1，说明松材线虫对各种环境条件的选择不是随机的。特殊性系数S=8.822，耐受性系数T=0.113，S较大，T小，说明松材线虫的定殖和传播是受特定环境条件影响，在环境条件适宜的情况下入侵风险较高。
从表2可知：第1列为边际因子，特殊性解释比例为98.00%，其他为特殊因子，包括特异因子1和特异因子2，解释比例分别为1.11%、0.49%，3个因子的累积贡献率达99.60%，即解释了100%的边际性和99.60%的特殊性，由这3个因子生成最终的风险等级图。用交叉验证对模型的预测进行检验，得到呈单调递增趋势的P/E曲线，Boyce平均值为0.90，标准差为0.20，说明模型预测能力很好。根据P/E曲线将湖北省松材线虫病风险区分为3个等级：低风险区(0＜IHS≤33)、中风险区(33＜IHS≤66)、高风险区(66＜IHS≤100)(图2)。
表 2 ENFA模型的因子得分
Table 2. Factor scores of the ENFA model
生态地理变量 边际因子 特异因子1 特异因子2 年平均气温 0.397 −0.112 −0.702 年均降水量 0.398 −0.405 −0.099 5−10月平均气温 0.399 0.224 0.562 5−10月平均降水量 0.390 0.293 0.290 海拔 −0.013 −0.481 0.111 坡度 0.039 0.032 0.027 坡向 0.364 0.110 −0.008 到河流距离 0.196 −0.069 0.004 到居民点距离 0.035 −0.142 0.048 到公路距离 0.255 0.314 0.144 到铁路距离 −0.010 −0.423 −0.076 到农田距离 0.084 0.030 −0.040 人口分布密度 0.242 −0.079 0.005 植被覆盖度 0.007 −0.034 −0.065 到针叶林距离 0.048 −0.071 −0.119 
图 2 湖北省松材线虫入侵风险等级分布示意图
Figure 2. Risk level map of B. xylophilus in Hubei Province
-
从边际因子得分可以看出：松材线虫喜好分布在年均气温较高(＞16 ℃)，年降水量丰富(＞1 165 mm)，5−10月气温较高(平均气温＞23.77 ℃)，5−10月降水量较多(平均降水量＞151.94 mm)的地区。在地形上趋向于低海拔(平均海拔425 m)、坡度平缓(平均坡度7°)并位于西坡和南坡的地区。在各种人类活动影响下，松材线虫选择分布在距离人类居民点(平均距离9 077 m)和铁路(平均距离18 356.20 m)较近，人口密度较大(平均253.68人·km−2)，农田(平均距离789.52 m)比较密集的地区，远离公路(平均距离2 304.65 m)和河流(平均距离8 762.43 m)。在植被因素的选择上，松材线虫病主要发生在植被覆盖度较低(平均覆盖度0.42)的针叶林(平均距离9 133 m)内。
-
利用ArcGIS 10.2对湖北省松材线虫的入侵风险等级区域进行计算，发现湖北省松材线虫病高风险区面积38 884.62 km2，占湖北省总面积的20.92%，中风险区面积66 501.84 km2，占总面积的35.77%，低风险区面积80 513.54 km2，占总面积的43.31%(表3)。
表 3 湖北省各地区的潜在风险区面积
Table 3. Areas of potential risk areas in various regions of Hubei Province
地级市 低风险区 中风险区 高风险区 总面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/% 十堰 17 070.33 71.48 5 892.89 24.67 919.31 3.85 23 882.53 100.00 襄樊 11 992.35 60.30 4 283.28 21.54 3 612.35 18.16 19 887.99 100.00 随州 4 747.96 49.24 2 037.07 21.13 2 857.88 29.64 9 642.92 100.00 孝感 2 288.41 25.79 2 315.58 26.10 4 268.78 48.11 8 872.76 100.00 黄冈 4 652.81 26.90 7 983.51 46.15 4 661.60 26.95 17 297.91 100.00 武汉 5 939.94 69.66 2 150.60 25.22 436.07 5.11 8 526.60 100.00 鄂州 1 307.54 83.41 259.74 16.57 0.26 0.02 1 567.54 100.00 黄石 1 385.89 30.76 1 810.41 40.18 1 309.84 29.07 4 506.14 100.00 咸宁 2 125.73 22.29 4 117.85 43.17 3 294.34 34.54 9 537.92 100.00 荆州 973.19 7.01 3 197.68 23.03 9 714.51 69.96 13 885.38 100.00 宜昌 7 350.90 34.81 9 922.73 46.99 3 843.48 18.20 21 117.11 100.00 荆门 4 311.63 35.02 4 600.77 37.36 3 400.92 27.62 12 313.32 100.00 恩施 7 129.55 30.09 16 175.96 68.26 391.64 1.65 23 697.15 100.00 神农架 2 244.18 69.26 996.16 30.74 0 0 3 240.34 100.00 仙桃 2 444.00 97.86 53.48 2.14 0 0 2 497.48 100.00 潜江 1 883.91 94.79 103.55 5.21 0 0 1 987.46 100.00 天门 1 826.68 70.23 600.58 23.09 173.64 6.68 2 600.90 100.00 总面积 80 513.54 43.31 66 501.84 35.77 38 884.62 20.92 185 900.00 100.00 湖北省松材线虫病入侵风险较高的地区主要有：荆门市东部和中西部大部分地区；荆州市的西南部和南部地区；宜昌市的东部和中部地区；天门市的北部地区；襄樊市的东北部和中部大部分地区；孝感市的北部大部分地区；黄冈市的东南部和北部的大部分地区；黄石市的东部和中部大部分地区；咸宁市的大部分地区；十堰市的中部地区；恩施市的中部和东北部的少部分地区；随州市的东部和中部地区；武汉市的西北部。这些地区基本都是海拔较低的山地和平原地区，森林覆盖率高，人类活动频繁，松材线虫入侵的风险也相对较高。
中风险区和低风险区主要分布在江汉平原的大部分地区和西部的高海拔山地，主要包括鄂州市、仙桃市、潜江市、天门市、武汉市的大部分地区、荆州市的东部和中部大部分地区、黄冈市东南部的小部分地区、宜昌市的南部和西部大部分地区、恩施州的大部分地区、襄樊市的西部大部分地区和十堰市的西南部大部分地区以及与之接壤的神农架林区。江汉平原地势平坦，人口密集，但森林很少，大部分低风险区分布于此；湖北省西部大部分地区都是海拔较高的山地，特别是神农架林区的平均海拔就有1 700 m，一部分低风险区就位于这些海拔很高的地区；西部地区人类活动较少，但一些低海拔地区仍然有森林覆盖，因此有大部分中度风险区分布于此。
-
较前人研究[5-6, 22]，本研究在模型指标因子的选择上更加全面，不局限于气候因素，因此模型结果可以更好地了解松材线虫病在湖北省的传播规律。模型通过交叉验证，Boyce平均值为0.90，标准差为0.20，很好地模拟了湖北省松材线虫病的潜在风险区域。
本研究表明：年均气温、年降水量、夏季气温及降水均是影响松材线虫定殖的主要气候因素。湖北省适宜的气候给松材线虫及其寄主松墨天牛提供了良好的生存环境。地形因子的边际性系数表明：松材线虫喜欢分布于海拔较低，坡度平缓，并位于西坡和南坡的地区，因此松材线虫病普遍发生于海拔低于700 m的地区。植被因子的边际性系数表明：松材线虫偏好于植被覆盖度较低的针叶林。人口密度、居民点、铁路和农田是影响松材线虫病在湖北省内传播的几个主要人为因素。
根据模型预测结果，湖北省松材线虫病入侵风险较高的区域广泛分布于湖北省的12个地级市，部分地区已经暴发了比较严重的松材线虫病，这些区域都是海拔较低的山地或者平原，气候适宜，人类活动频繁，松材线虫入侵的风险特别高。因此在风险较高的地区必须加强松材线虫病的防范和治理力度。首先，必须加大高风险区内针叶林的疫情监测力度，在夏季运用遥感和无人机监测等相关技术，实现松材线虫病疫情的大面积监测；其次，针对已经感染松材线虫病的林区，可采取目前较为成熟的生物防治、引诱剂和化学防治来降低媒介昆虫的虫口数量，从而减小松材线虫病疫区的范围；松材线虫病防治最重要的环节就是染病松木的处理，松材线虫病疫区必须彻底清理染病濒死和枯死的松木，在受灾程度严重的地区则应建立疫木集中处理场地，对砍伐的疫木进行集中处理[23]；同时，政府和相关部门也要做好与松材线虫病害相关的宣传和管理工作，严格控制松木及其加工制品的流通，防止松材线虫借助松木制品再次扩散到其他地区[24]。
中风险区和高风险区相邻，大部分针叶林也都分布在中风险地区，因此在这些地区主要做好松材线虫病的监测和检疫工作，对于新发病的地区要及时处理疫木，砍伐的疫木尽快就地焚烧或粉碎处理。
低风险区主要分布在江汉平原中部和西北部的山区和神农架林区。江汉平原中部地势平缓，气候适宜，但是松材线虫的寄主植物松树却很少，西北部山区和神农架林区海拔较高，大部分松林都分布于人迹罕至的地区，因此感染松材线虫的风险相对较低。但随着城镇的扩张，人类活动的加剧，气候变暖和松材线虫的遗传多样性提高[25]，其感染风险也会相对提高，因此也要做好松材线虫病的检疫工作，并对松林进行定期巡查，阻止松材线虫的进一步蔓延。
Risk assessment of Bursaphelenchus xylophilus in Hubei Province based on ecological niche factor analysis model
-
摘要:
目的 当前湖北省松材线虫Bursaphelenchus xylophilus疫情形势严峻。通过研究湖北省松材线虫病的入侵风险，分析松材线虫病在湖北省的危害程度，为当前疫情的防治工作提供建议和参考。 方法 结合“3S”技术，应用生态位因子模型(ENFA)，选取影响松材线虫定殖和传播的4类影响因素(气候、植被、地形、人类活动)，对松材线虫病在湖北的入侵风险进行了预测和评价。 结果 湖北省松材线虫病高风险区面积38 884.62 km2，占湖北省总面积的20.92%，高风险区主要集中于海拔较低、人类活动频繁的中部和东部地区，中风险区面积66 501.84 km2，占总面积的35.77%，低风险区面积80 513.54 km2，占总面积的43.31%，中低风险地区主要分布在林地稀少的江汉平原和西部的高海拔山地。松材线虫偏好分布在温度较高，降水丰富，海拔较低，离人类居住点较近且人类活动频繁的针叶林地区。通过交叉验证(cross-validation)对模型的预测进行检验，得到P/E曲线，曲线呈单调递增且Boyce指数很高，说明模型精度很高。 结论 ENFA模型能很好模拟松材线虫病的风险区域，模型结果可为湖北省各县市的松材线虫病防治决策提供参考。图2表3参25 Abstract:Objective The epidemic situation of Bursaphelenchus xylophilus in Hubei Province is severe. The objective of this study is to investigate the invasion risk and the damage degree of B. xylophilus disease in Hubei Province, so as to provide suggestions and reference for current epidemic prevention and control. Method Combined with 3S technology, the ecological niche factor analysis (ENFA) model was used, and 4 factors affecting the colonization and spread of B. xylophilus (climate, vegetation, terrain, human disturbance) were selected to predict and evaluate the invasion risk of the disease. Result The high risk area of B. xylophilus disease in Hubei Province covered an area of 38 884.62 km2, accounting for 20.92% of the total area of Hubei Province, mainly concentrated in the central and eastern regions with low altitude and frequent human activities. The moderate risk area was 66 501.84 km2, representing 35.77% of the total area. The low risk area was 80 513.54 km2, representing 43.31% of the total area. These areas were mainly distributed in Jianghan Plain and high-altitude mountains in the west. B. xylophilus preferred to be distributed in coniferous forest areas with high temperature, abundant precipitation, low altitude, close to human settlements and frequent human activities. Through cross-validation to test the prediction of the model, the P/E curve was obtained. The curve was monotonically increasing and the Boyce index was very high, indicating that the model had high accuracy. Conclusion The ENFA model can simulate the risk areas of B. xylophilus. The results of the model can provide reference for the prevention and control of B. xylophilus in Hubei Province. [Ch, 2 fig. 3 tab. 25 ref.] -
全球气候变化是人类目前面临的最为严峻的挑战，威胁着人类的生存和发展。自工业化时期以来，由于人口大幅增加和经济快速增长，造成了大量人为温室气体排放，成为全球气候变暖的主要诱因。世界气象组织(WMO)最新数据显示，2020年大气二氧化碳(CO2)质量分数高达410 mg·kg−1，比工业革命前增长60%。联合国政府间气候变化专门委员会(IPCC)第6次评估报告指出：从未来20 a的平均气温变化来看，全球升温预计将达1.5 ℃。目前，应对气候变化已成为全球共识，减少温室气体排放是缓解全球气候变暖的有效途径[1]。在此背景下，中国政府在2020年第75届联合国大会上向世界承诺，力争于2030年前实现CO2排放达到峰值，努力争取2060年前实现碳中和。碳达峰碳中和(“双碳”)是一场广泛而深刻的经济社会系统性变革，碳达峰碳中和目标纳入中国生态文明建设整体布局，上升为国家战略。种植业是实现碳达峰碳中和目标的重要领域之一。与其他行业不同，种植业既是重要的温室气体排放源，又有着巨大的固碳增汇潜力，推进种植业领域减排增汇将在实现碳达峰碳中和目标进程中发挥举足轻重的作用[2−3]。本研究针对种植业碳达峰碳中和目标的实现途径进行梳理总结，并提出进一步的见解，从而为种植业助力国家实现碳达峰碳中和目标提供理论支撑和科学建议。
1. 种植业碳源、碳汇特征
种植业生态系统不仅是碳源同时也是碳汇。一方面，种植业生产活动会导致包括CO2、氧化亚氮(N2O)和甲烷(CH4)在内的温室气体排放，这部分温室气体约占全球碳排放总量的25%[4−5]。另一方面，种植业中的农田、森林和草地等生态系统通过光合作用进行生物固碳，每年固碳量能抵消全球30%的人为碳排放量[6−7]。可见种植业减排增汇是应对全球气候变暖，实现碳达峰碳中和目标不可或缺的重要组成部分。
1.1 种植业是重要的温室气体排放源
种植业是非二氧化碳温室气体(N2O和CH4)的主要排放源，在100 a时间尺度上，N2O和CH4的全球增温潜势分别是CO2的298和34倍[8]。全球人为温室气体排放量在过去几十年显著增加，其中种植业N2O排放占全球人为N2O排放总量的60%以上[9]，种植业CH4排放贡献了全球人为CH4排放量的10%左右[10]。
N2O是硝化和反硝化作用的主要产物。硝化作用是指还原态氮[铵离子(NH4 +)、氨气(NH3)和有机氮(RNH2)]在微生物作用下变为氧化态氮[硝酸根(NO3 −)和亚硝酸根(NO2 −)]的过程。N2O是还原态氮在硝化微生物作用下被氧化为氧化态氮过程中产生的副产物。通常情况下，反硝化作用是指在厌氧条件下，NO3 −或NO2 −被硝化微生物还原为一氧化氮(NO)和N2O，然后进一步被还原为氮气(N2)的过程。反硝化过程是将自然界的活性氮转变为惰性氮的过程，因此反硝化过程对维持大气氮素平衡具有很重要的意义。农田土壤是最大的N2O排放源。过量施用氮肥造成土壤N2O排放增加，是导致大气N2O质量分数上升的主要因素。由于过量施用氮肥导致的土壤N2O排放量约为3.3 Tg·a−1，占全球人为N2O排放总量的65%[8]。同时，土壤N2O排放受土壤水分状况的影响，淹水稻田在中期烤田期会强烈刺激N2O的排放。近年来，随着全球水资源短缺以及节水灌溉措施的快速发展，节水灌溉稻田成为农业N2O新的排放源[11−12]。此外，农作物秸秆不完全焚烧也会产生N2O，但数量极少。
CH4主要在厌氧环境条件下产生，它的种植业排放源主要包括：一是长期处于淹水条件下的稻田，土壤中的产甲烷菌利用有机物料(如根系分泌物、动植物残体以及有机肥等)产生CH4，进而排放到大气中[13−14]。稻田CH4排放量受到土壤水肥管理措施以及土壤有机质的影响。在一定范围内，稻田淹水高度越大，土壤中有机质越多，CH4排放量越大。二是作物秸秆不完全焚烧也会产生CH4。
除了上述直接排放，种植业生产过程中还会有大量的间接碳排放。农作物种植过程中使用的农机、农药、化肥和农膜等农业投入品在制造过程中也会排放大量温室气体[15−16]。有研究报道：农用柴油、农药、化肥和农膜等农业生产资料引起的间接排放占中国农业温室气体排放总量的34%[17]。根据《中国农村统计年鉴》，1990年以来，中国农用柴油、农药、化肥和农膜等的投入量分别上升了115%、131%、137%和440%，由此导致农业间接温室气体排放量以年均2%的速度增长[18]。
1.2 种植业具有巨大的碳汇潜力
种植业碳汇主要指农田土壤碳汇。土壤碳库是地球陆地生态系统中最大的碳库，其碳储量约为陆地植被碳库或大气碳库的2~4倍[19]。土壤具体是如何固碳的呢？土壤固定的碳最初都来源于大气。首先，植物通过光合作用将大气中CO2转化为有机物质，然后有机物质内的碳通过根系分泌物、死亡的根系以及枝叶凋落物进入土壤，并在土壤微生物的作用下，转化为土壤有机质储存于土壤中，形成土壤碳库。简单来说，土壤可以通过植物来吸收、转化、储存大气中的CO2。《第二次气候变化国家评估报告》指出：中国土壤碳库碳储量约为103 Pg。土壤碳库的微弱变化都有可能引起大气CO2浓度的巨大变化，从而影响全球气候变化。目前，中国农业发展水平较低，农田土壤固碳增汇潜力巨大。中国总耕地面积大约为1.3 亿hm2，土壤碳库尤其是主要农业区表层土壤有机碳质量分数较低。根据《2019年全国耕地质量等级情况公报》，全国耕地质量平均等级为4.76等，中低等级耕地占2/3以上，耕作层变浅、土壤退化以及耕地质量普遍较低是中国农业耕地的现状。全国耕地平均有机碳质量分数低于世界平均值30%以上，低于欧美等发达国家和地区50%以上[20]。美国著名土壤学家LAL[21]研究发现：美国土壤每年固碳潜力为7.5~20.8 Gg，中国农田土壤固碳潜力为22.0~37.0 Tg。在所有的碳中和负碳技术中，土壤固碳被公认为是成本最低、最具有潜力、最易实现和操作的，能有效冲抵能源、交通、工业等领域的碳排放。因此，只要技术合理，农田土壤固碳增汇潜力巨大，是实现中国碳达峰碳中和目标的重要支撑。
2. 种植业减排增汇途径
2.1 种植业减排途径与措施
2.1.1 农田土壤N2O减排
农田土壤N2O减排可采用减少氮肥施用、优化施肥模式、使用新型肥料(如全元生物有机肥、生物质炭基肥)和抑制剂(如缓控释肥、硝化抑制剂)、提高水肥耦合等措施，在增加作物产量的同时，有效减少N2O排放，提高氮肥利用效率，降低肥料投入成本，实现增产与减排协同。李玥等[22]指出：合理施氮是农田土壤N2O减排的关键，并提出“4R”的施肥理念，即正确的施肥量、正确的肥料类型与配比、正确的施肥时间和正确的施肥方法。尽管有机肥施用存在增加土壤N2O排放的风险[23]，但在合理施氮情况下利用有机肥部分替代化学氮肥既可以提高土壤肥力，改善土壤性状，又可以通过减少土壤氮底物有效性而降低农田土壤N2O排放[24−25]。生物质炭基肥是将生物质炭与氮磷钾肥按照特定比例混合后造粒包膜制成，可以替代普通化肥施用，同时增施了有机质。大田试验研究表明：生物质炭基肥替代化学肥料可有效减少农田N2O排放17%~64%[26]，部分试验结果还显示可减少稻田CH4排放[27−28]。硝化抑制剂可以通过降低硝化速率实现农田土壤N2O减排。目前市面上常见的硝化抑制剂有3,4-二甲基磷酸盐(DMPP)、双氰胺(DCD)和四氮本啶(nitrapyin)等。施用硝化抑制剂可降低38%的农田土壤N2O排放，但不同地区土壤和硝化抑制剂种类的减排效果存在显著差异[29]。研究表明：施用硝化抑制剂可分别降低旱作农田和稻田N2O排放46%和32%[30−31]。为了农田N2O减排，在考虑肥料施用的同时也要关注土壤水分状况，不同水分条件对土壤N2O排放影响较大。李金秋等[32]通过田间试验发现：施肥和水分管理均显著影响双季稻田N2O排放，常规灌溉和尿素施用增加稻田N2O排放，而常规灌溉管理和有机肥配施化肥模式，既能保证水稻产量，又能实现减氮和减排效果，是当地值得参考的水肥管理模式。因此，今后的农田N2O减排也要综合考虑多方面因素，制定和开展减排措施。
2.1.2 稻田CH4减排
稻田CH4减排可采用中期排水烤田、控制灌溉以及湿润灌溉等节水灌溉水分管理措施来实现[33−35]。节水灌溉在减少稻田CH4排放的同时，可能会刺激土壤N2O排放。作物秸秆还田和有机肥施用可减少土壤N2O排放，但外源有机物质的添加会加剧CH4排放。因此，只有将优化施肥模式与节水灌溉措施相结合，才有可能减少稻田综合温室气体排放。就水旱轮作农田生态系统而言，如水稻Oryza sativa-小麦Triticum aestivum轮作、水稻-油菜Brassica napus轮作，可采取在旱作生长季施用有机肥或秸秆还田，既可以提高土壤碳库储量，又可以避免有机物质的添加造成的稻田CH4排放[36]。有研究表明：施用CH4抑制剂、生物质炭或生物质炭基肥等新型肥料，可作为降低稻田CH4排放的有效手段，是种植业固碳减排协同技术的发展新方向[37−38]。同时，还可利用先进的作物遗传育种手段，选育推广高产、优质、低碳水稻品种，降低水稻单产CH4排放强度。
2.1.3 种植业间接碳排放减排
针对种植业生产造成的间接碳排放，实施化石能源消耗减量措施，主要包括对种植业生产中机械设备进行更新改造，加快老旧农机报废更新力度，推广先进适用的低碳节能农机装备，推广新能源技术，优化农机装备结构，加快绿色、智能、复式、高效农机化技术装备普及应用，降低化石能源消耗和CO2排放[39−40]。以粮食和重要农产品生产所需农机为重点，推进节能减排。实施更为严格的农机排放标准，减少废气排放。因地制宜发展复式、高效农机装备和电动农机装备，培育壮大新型农机服务组织，提供高效便捷的农机作业服务，减少种子、化肥、农药、水资源用量，提升作业效率，降低能源消耗。加快侧深施肥、精准施药、节水灌溉、高性能免耕播种等机械装备推广应用，大力示范推广节种、节水、节能、节肥、节药的农机化技术。实施农机报废更新补贴政策，加大能耗高、排放高、损失大、安全性能低的老旧农机淘汰力度。
2.2 种植业固碳增汇途径与措施
2.2.1 有机肥施用和秸秆还田
一方面，施用有机肥可以促进作物根系发育，在微生物的作用下能固定更多的CO2，且土壤团聚体稳定性显著增强，可以减少土壤中碳的损失。另一方面，有机肥施用可以提高土壤有机质质量分数。土壤有机质既有易被微生物利用的不稳定态，又包括与土壤健康密切相关的稳定态的可以长期储存碳的腐殖质。有机肥的类型、用量、配施等都会影响土壤固碳效果[41]。研究表明：长期施用有机肥可显著提高双季稻田碳汇效应与经济效益，绿肥紫云英Astragalus sinicus与猪粪和秸秆配施，稻田生态系统碳汇效益与经济效益较单施绿肥紫云英优势更明显。有机肥和无机肥配施可以增加土壤有机碳的积累。有机农业生态系统土壤有机碳比常规生态系统高20%，在前15 a土壤碳存储速率最高。秸秆还田是通过秸秆粉碎抛撒、机械还田，配套应用调氮促腐技术，将碳保留在土壤中，增加土壤有机质，减少化肥施用量，具有减肥增产、固碳、降污多重效果[42]。
2.2.2 大力推广保护性耕作
保护性耕作是对农田采用少耕、免耕或地表微型改造，结合覆盖、轮作、农药病虫害防除等措施，确保耕地可持续利用的综合性土壤管理技术体系。保护性耕作可以减少对土壤的扰动，降低土壤侵蚀，促进蓄水保墒，提高表层土壤有机碳质量分数，增强土壤固碳增汇能力[43]。相比自然植被，农业种植导致土壤有机碳显著降低，农田表层土壤的有机碳储量较草地和林地土壤分别降低45%和52%，这是由于农业耕作显著加速了不稳定颗粒有机质的周转，减少了稳定有机碳组分的形成，从而导致土壤有机碳库储量明显下降[44]。另外，土壤翻耕会破坏土壤团聚体结构、加速有机质分解，风和水的侵蚀增强，导致暴露和侵蚀的土壤中的碳以温室气体的形式排放到大气中。犁耕的碳排放量是免耕的14倍，即使采用保护性耕作机具，碳损失量也达到免耕的4倍[45]。因此，从常规深耕转向少耕或免耕可改善土壤结构、减少碳排放，增加土壤有机碳储量。在秸秆还田的基础上，免耕可显著提高表层土壤有机碳质量分数。
2.2.3 种植业废弃物热解炭化还田
中国种植业废弃物资源化利用仍处于起步阶段，农作物秸秆资源化利用是种植业废弃物资源化工作的重大挑战。目前，中国种植业废弃物常见的利用方式主要包括农作物秸秆还田和好氧堆肥还田。这些利用方式虽然可以小幅度增加土壤碳库，但是其生产或应用环节同样会造成大量温室气体排放[46]。因此，种植业废弃物的利用应基于种植业增汇和减排双重考虑。与秸秆直接还田和好氧堆肥等方式相比，废弃物热解炭化既充分保留了废弃物中的有机质和各种养分，又实现废弃物的多元、清洁和安全利用。热解炭化的主要产物生物炭质是一种富含稳定有机质和矿质养分的多组分固体炭质，具有稳定、疏松多孔且环境友好的特点[47]。利用不同性质的种植业废弃物热解炭化，可充分挖掘其养分、炭质和结构的优势，创造清洁高效、安全卫生和功能丰富的炭基产品。种植业废弃物热解炭化后还田，可以将作物光合作用固定的碳返还并长期保存于土壤，补充土壤有机碳和养分的同时能有效改善土壤结构，平衡土壤酸碱度，提升土壤缓冲性和保肥蓄水能力，为土壤固碳增汇和种植业绿色发展提供了新路径[37]。2017年，秸秆炭化还田被列入国家十大秸秆处理模式之一。2020—2021年，秸秆炭化还田入围农业农村部重大引领性技术榜单。
3. 碳标签与碳交易
实现种植业碳中和不仅需要上述传统的技术创新途径，还需要依靠新兴的经济金融手段——碳标签与碳交易。在全球绿色低碳发展的环境和经济背景下，世界农业也已进入可持续发展的低碳农业经济时代，碳标签、碳足迹和碳交易这些新兴概念应运而生。碳足迹是产品在整个生命周期内的温室气体排放总量，一般用CO2当量形式表达[48]。将碳足迹展现于产品标签之上，即碳标签。碳标签既是碳足迹的延伸也是碳足迹的载体。碳标签的主要作用是呈现产品或服务对全球变化影响的信息，把产品或服务从生产到消耗整个生命周期过程中的碳足迹在产品标签上用量化的数值标示出来。消费者可通过产品碳标签了解产品整个生命周期中的碳排放信息，引导消费者选购更加低碳绿色的产品和服务，促使企业采用各种减排措施减少碳排放，从而促进低碳社会的发展[49]。碳标签制度将自下而上地推动中国碳减排工作由强制到自愿的转变。这一新工具的产生运作必然推动中国向低碳经济发展。产品碳足迹计算是农产品碳标签制度推行的关键，作为企业应适应国际规则，积极发展低碳经济；作为消费者应培养低碳意识，养成环境友好型消费习惯；作为政府应积极扶持，助力企业产品向低碳化和标签化发展。目前应结合国家碳中和战略目标，加快推进特色农产品碳标签制度进程，促进低碳种植业的发展，助推种植业碳中和。
碳交易以可持续发展为核心，以配额交易及核证自愿减排量(CCER)交易为主要内容，充分利用市场经济对绿色发展所发挥的重要作用，不同类型企业根据自身碳排放情况对规定的碳排放配额进行配置，或用于自身发展需要，或用于市场交易，最终形成宏观和微观相结合的有重点、多层次碳排放交易格局。现阶段，中国碳交易机制具有全国交易系统与试点地区交易所相结合、行业要求与排量要求相结合、排放配额与自愿减排量相结合等特点。中国碳交易市场已有长足发展，但目前种植业碳交易特别是农田土壤碳汇交易尚处于起步阶段。在实现种植业碳中和战略目标的过程中，碳交易是不可或缺的一部分。应积极推动形成政府主导、社会参与、市场化运作的种植业碳交易体系，在保障国家粮食安全与重要农产品有效供给的同时，降低碳排放、增加碳汇，并使农民在碳排放交易中的得到更多红利，最终形成与资源环境承载力相匹配，与生产生活生态相协调的种植业低碳发展新格局。
4. 政策建议
实施种植业碳达峰碳中和要以全面推进乡村振兴、加快农业农村现代化为引领，以绿色低碳科技创新为支撑，以降低温室气体排放强度、提高农田土壤固碳增汇能力、实施农业废弃物资源化利用为抓手，全面提升农业综合生产能力，建立完善监测评估体系，完善政策保障机制，加快形成资源节约型和环境友好型的农业产业结构、生产方式和空间格局。
第一，追求种植业碳达峰碳中和战略目标必须以保障粮食安全为前提。中国是人口大国，粮食安全具有重大意义，所以必须充分认识到种植业减排增汇必须以保障国家粮食安全和重要农产品有效供给为前提，科学确定减排增汇途径，合理设定碳排放峰值。种植业领域的特殊性要求不能舍弃粮食产量去偏面追求种植业减排增汇。在稳步推进田间减排的同时，要努力挖掘种植业生产过程中节能减排的潜力，大力推广先进环保节能新农具，通过提高种植业生产环节的智能化、精准化水平，降低农业投入品的使用量，从而降低能源消耗。
第二，重点围绕农作物秸秆资源化利用，加快推进种植业废弃物热解炭化还田。全球气候变化背景下中国种植业面临耕地质量与农产品安全的巨大挑战，数十亿吨的种植业废弃物处置与资源化利用任务艰巨。在应对气候变化挑战时，应充分挖掘种植业废弃物资源，政府提供技术和资金扶持，发展以热解炭化为基础的生物质技术与产业，满足国家绿色可持续农业发展与种植业减排增汇需求。未来需要积极开发创新热解炭化装备、炭基肥料、炭基材料等技术方法，推动炭基集成技术与产业模式的大规模推广，提高种植业生产者的参与积极性，不断释放种植业助力碳中和的潜力。
第三，加快技术创新，加强创新能力保障。在国家碳达峰碳中和的战略目标背景下，需要更大力度的技术创新。支持部分基础条件好、特色鲜明的综合性高校和行业高校，先行建设一批碳达峰碳中和领域新学院、新学科和新专业，鼓励自然科学与社会科学的交叉融合研究，培养碳达峰碳中和战略复合型人才。推动高校参与或组建碳达峰碳中和相关的国家重点实验室和国家技术创新中心，引导高等学校建设一批高水平国家科研平台。鼓励高校实施碳中和交叉学科人才培养专项计划，大力支持跨学院、跨学科组建科研和人才培养团队，以大团队、大项目支撑高质量本科生和研究生多层次培养。鼓励高校加强碳达峰碳中和领域高素质师资队伍建设。加大碳达峰碳中和领域课程、教材等教学资源建设力度。同时出台针对农业碳达峰碳中和的法律法规，制定相应的技术标准，组织和建立研究机构和研究平台，投入资金和科研力量，加快技术创新，研发颠覆性技术，探索区域化的整体解决方案。
第四，充分发挥政策驱动作用，加快建设种植业碳交易市场，充分挖掘种植业减排增汇的经济价值，着力提升市场内生动力。目前，种植业碳金融市场建设缓慢，与工业行业日趋成熟的碳排放核算方法相比，低碳种植业领域仍缺乏具有权威性、一致性、可操作性的碳排放核算方法。通过构建完善种植业碳标签评估标准和种植业碳排放核算方法，强化种植业碳补贴等方式，加强对种植业碳减排的政策引导，推动数字科技在金融支持种植业碳减排领域中的创新应用。在推进种植业碳交易市场扩大的过程中，政府应做好统一碳市场的顶层设计，以防止不良竞争，保证政策的可执行性及有效性；构建种植业低碳发展政策体系，制定低碳种植业发展的正负面清单，探索种植业生态产品价值实现机制，优化、创设包括法律法规、规范标准、生态补偿、监测预警、财政税收、金融信贷等多种类型政策工具，为中国种植业低碳发展提供长效规制、约束与激励。
-
表 1 ENFA模型分析的生态地理变量
Table 1. Ecogeographical variables analyzed by ENFA model
因素类型 生态地理变量(EGV) 因素类型 生态地理变量(EGV) 气候因素 年平均气温(℃)
年平均降水量(mm)
5−10月平均气温(℃)
5−10月平均降水量(mm)人类干扰因素 到居民点距离(m)
到公路距离(m)
到铁路距离(m)
到农田距离(m)
人口分布密度(人·km−2)地形因素 海拔(m)
坡度(º)
坡向植被因素 到针叶林距离(m)
植被覆盖度到河流距离(m) 
下载: 导出CSV
表 2 ENFA模型的因子得分
Table 2. Factor scores of the ENFA model
生态地理变量 边际因子 特异因子1 特异因子2 年平均气温 0.397 −0.112 −0.702 年均降水量 0.398 −0.405 −0.099 5−10月平均气温 0.399 0.224 0.562 5−10月平均降水量 0.390 0.293 0.290 海拔 −0.013 −0.481 0.111 坡度 0.039 0.032 0.027 坡向 0.364 0.110 −0.008 到河流距离 0.196 −0.069 0.004 到居民点距离 0.035 −0.142 0.048 到公路距离 0.255 0.314 0.144 到铁路距离 −0.010 −0.423 −0.076 到农田距离 0.084 0.030 −0.040 人口分布密度 0.242 −0.079 0.005 植被覆盖度 0.007 −0.034 −0.065 到针叶林距离 0.048 −0.071 −0.119
下载: 导出CSV
表 3 湖北省各地区的潜在风险区面积
Table 3. Areas of potential risk areas in various regions of Hubei Province
地级市 低风险区 中风险区 高风险区 总面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/% 十堰 17 070.33 71.48 5 892.89 24.67 919.31 3.85 23 882.53 100.00 襄樊 11 992.35 60.30 4 283.28 21.54 3 612.35 18.16 19 887.99 100.00 随州 4 747.96 49.24 2 037.07 21.13 2 857.88 29.64 9 642.92 100.00 孝感 2 288.41 25.79 2 315.58 26.10 4 268.78 48.11 8 872.76 100.00 黄冈 4 652.81 26.90 7 983.51 46.15 4 661.60 26.95 17 297.91 100.00 武汉 5 939.94 69.66 2 150.60 25.22 436.07 5.11 8 526.60 100.00 鄂州 1 307.54 83.41 259.74 16.57 0.26 0.02 1 567.54 100.00 黄石 1 385.89 30.76 1 810.41 40.18 1 309.84 29.07 4 506.14 100.00 咸宁 2 125.73 22.29 4 117.85 43.17 3 294.34 34.54 9 537.92 100.00 荆州 973.19 7.01 3 197.68 23.03 9 714.51 69.96 13 885.38 100.00 宜昌 7 350.90 34.81 9 922.73 46.99 3 843.48 18.20 21 117.11 100.00 荆门 4 311.63 35.02 4 600.77 37.36 3 400.92 27.62 12 313.32 100.00 恩施 7 129.55 30.09 16 175.96 68.26 391.64 1.65 23 697.15 100.00 神农架 2 244.18 69.26 996.16 30.74 0 0 3 240.34 100.00 仙桃 2 444.00 97.86 53.48 2.14 0 0 2 497.48 100.00 潜江 1 883.91 94.79 103.55 5.21 0 0 1 987.46 100.00 天门 1 826.68 70.23 600.58 23.09 173.64 6.68 2 600.90 100.00 总面积 80 513.54 43.31 66 501.84 35.77 38 884.62 20.92 185 900.00 100.00
下载: 导出CSV
-
[1] 冯益明, 张海军, 张星耀, 等. 松材线虫病在我国适生性分布的定量估计[J]. 林业科学, 2009, 45(2): 65 − 71. FENG Yiming, ZHANG Haijun, ZHANG Xingyao, et al. Quantification of suitability distribution region of Bursaphelenchus xylophilus in China [J]. Sci Silv Sin, 2009, 45(2): 65 − 71. [2] 宁眺, 方宇凌, 汤坚, 等. 松材线虫及其关键传媒墨天牛的研究进展[J]. 昆虫知识, 2004, 41(2): 97 − 104. NING Tiao, FANG Yuling, TANG Jian, et al. Advances in research on Bursaphelenchus xylophilus and its key vector Monochamus spp. [J]. Chin Bull Entomol, 2004, 41(2): 97 − 104. [3] 李兰英. 浙江省松材线虫病环境影响经济评价与治理研究[D]. 北京: 北京林业大学, 2006. LI Lanying. Study on the Environmental Impact Eco-assessment and Management of Pine Wood Nematode in Zhejiang Province[D]. Beijing: Beijing Forestry University, 2006. [4] 湖北省林业局. 湖北省林业局公告(2020年第1号) [EB/OL]. 2020-04-30[2021-03-07]. http: http://lyj.hubei.gov.cn/bmdt/tzgg_2020/index_3.shtml. [5] 潘红伟. 松材线虫(Bursaphelenchus xylophilus)在我国的潜在分布区研究[D]. 北京: 中国林业科学研究院, 2009. PAN Hongwei. Study on the Potential Geographic Distribution of Bursaphelenchus xylophilus in China[D]. Beijing: Chinese Academy of Forestry, 2009. [6] 韩阳阳, 王焱, 项杨, 等. 基于Maxent生态位模型的松材线虫在中国的适生区预测分析[J]. 南京林业大学学报(自然科学版), 2015, 39(1): 6 − 10. HAN Yangyang, WANG Yan, XIANG Yang, et al. Prediction of potential distribution of Bursaphelenchus xylophilus in China based on Maxent ecological niche model [J]. J Nanjing For Univ Nat Sci Ed, 2015, 39(1): 6 − 10. [7] HUTCHINSON G E. Concluding remarks, Coldspring Harbor Symposium [J]. Quant Biol, 1957, 22: 415 − 427. [8] 王学志, 徐卫华, 欧阳志云, 等. 生态位因子分析在大熊猫(Ailuropoda melanoleuca)生境评价中的应用[J]. 生态学报, 2008, 28(2): 821 − 828. WANG Xuezhi, XU Weihua, OUYANG Zhiyun, et al. The application of ecological-niche factor analysis in giant pandas(Ailuropoda melanoleuca) habitat assessment [J]. Acta Ecol Sin, 2008, 28(2): 821 − 828. [9] 刘鹏, 代娟, 曹大潘, 等. 普洱市亚洲象栖息地适宜度评价[J]. 生态学报, 2016, 36(13): 4164 − 4170. LIU Peng, DAI Juan, CAO Dapan, et al. Habitat suitability assessment for Asian elephant in Pu’er prefecture in the Yunnan Province of China [J]. Acta Ecol Sin, 2016, 36(13): 4164 − 4170. [10] 李雯. 西双版纳人象冲突风险评估研究[D]. 昆明: 云南财经大学, 2017. LI Wen. Research on Risk Assessment of Human Elephant Conflict in Xishuangbanna[D]. Kunming: Yunnan University of Finance and Economics, 2017. [11] 杨瑞, 张雅林, 冯纪年. 利用ENFA生态位模型分析玉带凤蝶和箭环蝶异地放飞的适生性[J]. 昆虫学报, 2008, 51(3): 290 − 297. YANG Rui, ZHANG Yalin, FENG Jinian. Habitat suitability analysis in live releasing of two butterflies Papilio polytes Linnaeus and Stichophthalma howqua(Westwood) in China using ENFA [J]. Acta Entomol Sin, 2008, 51(3): 290 − 297. [12] ZANIEWSKI A E, LEHMANN A, OVERTON J M. Predicting species spatial distributions using presence-only data: a case study of native New Zealand ferns [J]. Ecol Model, 2002, 157(2/3): 261 − 280. [13] 罗翀, 徐卫华, 周志翔, 等. 基于生态位模型的秦岭山系林麝生境预测[J]. 生态学报, 2011, 31(5): 1221 − 1229. LUO Chong, XU Weihua, ZHOU Zhixiang, et al. Habitat prediction of Moschus berezovskii in Qinling mountains based on niche model [J]. Acta Ecol Sin, 2011, 31(5): 1221 − 1229. [14] BRAUNISCH V, SUCHANT R. A model for evaluating the habitat potential of a landscape for capercaillie Tetrao urogallus: a tool for conservation planning [J]. Wildl Biol, 2007, 13(suppl): 21 − 33. [15] 国家林业与草原局. 国家林业与草原局公告(2020年第4号)[EB/OL]. 2020-03-16[2021-03-07]. http://www.forestry.gov.cn/Common/index/3457.html. [16] GÁLLEGO D, CÁNOVAS F, ESTEVE M A, et al. Descriptive biogeography of Tomicus(Coleoptera: Scolytidae) species in Spain [J]. J Biogeogr, 2004, 31(12): 2011 − 2024. [17] HIRZEL A H, LE LAY G, HELFER V, et al. Evaluating the ability of habitat suitability models to predict species presences [J]. Ecol Model, 2006, 199: 142 − 152. [18] HIRZEL A H, HAUSSER J, CHESSE L. Ecological-niche factor analysis: how to compute habitat-suitability maps without absence data [J]. Ecology, 2002, 83(7): 2027 − 2036. [19] 赵宇翔, 董燕, 徐正会. 云南省松墨天牛生物学特性和地理分布研究[J]. 中国森林病虫, 2004, 23(5): 13 − 16. ZHAO Yuxiang, DONG Yan, XU Zhenghui. Biological characteristics and geographical distribution of Monochamus alternatus in Yunnan Province [J]. Chin For Pests, 2004, 23(5): 13 − 16. [20] 展茂魁. 马尾松蛀干害虫种群动态与松材线虫病的关系及松褐天牛天敌研究[D]. 北京: 中国林业科学研究院, 2014. ZHAN Maokui. Studies on Population Dynamics of Woodborers and the Relationship with Pine Disease on Pinus massoniana, and Natural Enemies of Monochamus alternatus[D]. Beijing: Chinese Academy of Forestry, 2014. [21] 李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004, 26(4): 154 − 158. LI Miaomiao, WU Bingfang, YAN Changzhen, et al. Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing [J]. Resour Sci, 2004, 26(4): 154 − 158. [22] 魏淑婷, 李涛, 林玉成. 基于MaxEnt模型预测四川省松材线虫的潜在适生区[J]. 四川动物, 2019, 38(1): 37 − 46. WEI Shuting, LI Tao, LIN Yucheng. Prediction of the potential distribution of Bursaphelenchus xylophilus in Sichuan Province using MaxEnt model [J]. Sichuan J Zool, 2019, 38(1): 37 − 46. [23] 张华锋, 陈思宇, 刘刚, 等. 松材线虫病疫木卫生伐对马尾松纯林林分结构的影响[J]. 浙江农林大学学报, 2020, 37(4): 745 − 751. ZHANG Huafeng, CHEN Siyu, LIU Gang, et al. Effects of sanitation cutting pine wilt diseased trees on the stand structure of pure Pinus massoniana plantation [J]. J Zhejiang A&F Univ, 2020, 37(4): 745 − 751. [24] 叶建仁. 松材线虫病在中国的流行现状、防治技术与对策分析[J]. 林业科学, 2019, 55(9): 1 − 10. YE Jianren. Epidemic status of pine wilt disease in china and its prevention and control techniques and counter measures [J]. Sci Silv Sin, 2019, 55(9): 1 − 10. [25] 黄麟, 叶建仁, 刘雪莲. 松材线虫病病原种群分化研究现状[J]. 南京林业大学学报(自然科学版), 2009, 33(4): 135 − 139. HUANG Lin, YE Jianren, LIU Xuelian. Advance in population differentiation of Bursaphelenchus xylophilus [J]. J Nanjing For Univ Nat Sci Ed, 2009, 33(4): 135 − 139. 期刊类型引用(5)
1. 杨聪，李燕琼. 四川省水稻碳排放量测算及减排对策. 农村经济与科技. 2024(13): 12-15 . 
百度学术2. 黄炜，张虹影，肖相泽，林朗，王诚. 当前农产品碳标识实施困境及推广路径探讨. 浙江农林大学学报. 2024(05): 909-918 . 本站查看3. 李文寒，柳飞扬，张梦，顾蕾，周国模. 浙江省种植业碳排放时空演变规律及驱动因素分析. 浙江农林大学学报. 2024(05): 898-908 . 本站查看4. 谈昕，汪祥忠，陈颖，吴萱，罗京，张琴，李艳宾，盛烨泉. 低共熔溶剂分离木质纤维组分的研究进展. 应用化工. 2024(10): 2468-2471 . 百度学术5. 林旭，漆雁斌，谢纬. 四川种植业绿色发展趋势与影响因素. 中国农业气象. 2024(11): 1265-1275 . 百度学术其他类型引用(3)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200365
点击查看大图
计量
- 文章访问数: 2160
- HTML全文浏览量: 817
- PDF下载量: 56
- 被引次数: 8
