空气质量改善可以提升中国的粮食安全
2024年1月2日，《自然-食品》（Nature Food）在线发表了南京大学大气科学学院王海鲲教授课题组题为“Air quality improvements can strengthen China’s food security”的研究论文。南京大学大气科学学院王海鲲教授为该论文通讯作者，课题组硕士研究生刘翔为第一作者，丁爱军教授、黄昕教授、邱博副教授，以及威斯康星大学麦迪逊分校Ankur Desai教授、新罕布什尔大学肖劲锋教授和香港浸会大学高蒙教授等为主要合作者。
原文
Air quality improvements can strengthen China’s food security
——《Nature food》
摘要
Air pollution exerts crucial influence on crop yields and impacts regional and global food supplies. Here we employ a statistical model using satellite-based observations and flexible functional forms to analyse the synergistic effects of reductions in ozone and aerosols on China’s food security. The model consistently shows that ozone is detrimental to crops, whereas aerosol has variable effects. China’s maize, rice and wheat yields are projected to increase by 7.84%, 4.10% and 3.43%, respectively, upon reaching two air quality targets (60 μg m−3 for peak-season ozone and 35 μg m−3 for annual fine particulate matter). Average calories produced from these crops would surge by 4.51%, potentially allowing China to attain grain self-sufficiency 2 years earlier than previously estimated. These results show that ozone pollution control should be a high priority to increase staple crop edible calories, and future stringent air pollution regulations would enhance China’s food security.
空气污染对农作物产量产生重大影响，并影响区域和全球粮食供应。在这里，我们采用卫星观测和灵活函数形式的统计模型来分析臭氧和气溶胶减少对中国粮食安全的协同效应。该模型一致表明，臭氧对农作物有害，而气溶胶则具有不同的影响。实现两项空气质量目标（旺季臭氧60 μg m−3、年细颗粒物35 μg m−3）后，中国玉米、水稻和小麦产量预计分别增产7.84%、4.10%和3.43%。事情）。这些作物产生的平均热量将激增 4.51%，有可能使中国比之前估计提前两年实现粮食自给自足。这些结果表明，臭氧污染控制应成为增加主要农作物食用热量的重中之重，未来严格的空气污染法规将增强中国的粮食安全。
研究内容
本研究结合了长期卫星衍生的植物生产力指标（SIF）、特定作物的高分辨率收获面积和物候数据以及空间分辨的空气污染浓度，以量化臭氧和气溶胶对三种主要作物的影响2005年至2019年中国农作物（即玉米、水稻和小麦）。为此，本研究开发了统计农作物模型，通过考虑特定地点的特征来估计空气污染浓度对每种农作物SIF的边际影响，收获模式、种植日历和其他气候因素。该模型包含复杂的非线性函数臭氧和气溶胶项（以前的研究中未包含这些项），以准确捕捉它们对作物生长的影响。此外，它还包括气候、灌溉和地理区域与空气污染变量之间的相互作用，以考虑空气污染对区域的不同影响。然后，本研究在以人类健康为导向的污染水平和以植物健康为导向的指标之间建立了联系，以更好地解释空气污染对作物生长的影响，并实现这两种指标之间的转换。最后，本研究利用这些关系和经济作物模型来评估当环境空气污染浓度达到空气质量标准时归因的作物产量变化。因此，本研究目标是为空气污染与农作物生长之间的复杂关系提供有价值的见解，并研究减轻污染的可行途径，以有效提高中国的农作物生产力和保障粮食安全。
重要图表
图1：三种作物的AOT40和AOD响应函数。不同的颜色代表不同的非线性功能形式。直方图显示了各自空气污染水平的分布。响应函数以每种作物的浓度分布的中值为中心。图中显示了优选函数的 90% 不确定性带。标准误差按县进行聚类。AOT40 和 AOD 的尾部被 99.5% 获胜。
图2：三种作物的反事实情景和历史情景之间的SIF变化。a–c，气溶胶对玉米（a）、水稻（b）和小麦（c）的影响如图所示。d–f，图中显示了臭氧对玉米（d）、水稻（e）和小麦（f）的影响。这些地图显示了满足年度 PM 的中位数影响2.5 (a–c） 和旺季 MDA8 （d–f） 为 35 μg m−3和 60 μg m−3，（图形中的虚线）。所有地图共享相同的图例，如 b 所示。地图周围的图表代表了 SIF 在各种反事实空气污染水平方面的总体区域和全国变化。西南区域图形中的轴标签适用于每个面板中的所有图形。显示了 90% 的不确定性带。地图中的圆圈代表不同区域的质心;圆圈的颜色与图形的颜色相对应。这些省级和区域级影响是根据像素级影响的收获面积加权平均值计算得出的。
图3：2005-2019年全国单产趋势以及观测和反事实情景的平均变化。a， 三种作物在观测情景和反事实情景下的总体产量趋势。仅显示 500 次引导迭代的中值。b， 满足两种空气质量政策在不同情景下平均产量变化的热图。a 中的反事实水平设置为年度 PM2.5和 35 μg m 的旺季 MDA8−3和 60 μg m−3分别。b 中的圆圈突出显示了年度 PM 的反事实水平2.5和 35 μg m 的旺季 MDA8−3和 60 μg m−3分别;相关值表示产量变化。每年观测到的PM水平2.5和 MDA8 显示为红线，并相应地标记了研究期的年份。五角星和相关标签表示产量增益的最大值。
图4：2005-2019年全国范围内的热量含量以及观测和反事实情景的平均变化。a，三种作物在反事实和观测情景下的总体卡路里趋势。显示了 500 次引导迭代的中值误差线和 90% 误差线。b，在反事实和观察情景下，研究期间 a 的热量含量的期间平均值、作物特定值和总值。c， 满足两种空气质量政策在不同情景下平均热量变化的热图。a 和 b 中的反事实水平设置为年度 PM2.5和 35 μg m 的旺季 MDA8−3和 60 μg m−3分别。c中的黑点突出了年度PM的反事实水平2.5和 35 μg m 的旺季 MDA8−3和 60 μg m−3，其中产量变化分别用黑色文本标记。每年观测到的PM水平2.5和 MDA8 显示为红线，并相应地标记了研究期的年份。五角星和相关标签表示卡路里增加的最大值。b 和 c 中仅显示 500 次引导迭代的中值。
引用方式
Liu, X., Chu, B., Tang, R. et al. Air quality improvements can strengthen China’s food security. Nat Food (2024). https://doi.org/10.1038/s43016-023-00882-y
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
