不同耕作模式下水稻产量与器官多要素响应的比较研究

马黎华，万琪慧，王振昌，蒋先军※

（1. 西南大学资源环境学院，重庆 400715；2. 河海大学水利水电学院，南京 210098）

0 引 言

水稻作为最重要的粮食作物，在世界上超过95 个国家进行了种植[1]。中国水稻产量占粮食总产量的33.51%[2]，其稳产高产已经成为保证国家粮食安全的重要部分[3]。针对南方稻区冬水田的低产低效问题，土壤学家侯光炯等[4]提出稻田“自然免耕”技术，即平地起垄，制造高于田面平均高度的苗床用于耕作。作为一种常见的保育耕作方式，垄作具有提高土壤肥力和水分管理的优势，同时可以提高生根深度以及改善害虫管理等优点[5]。研究表明，垄作可影响土壤的生物和非生物过程[6-7]，垄作免耕的水稻耕种技术对增加土壤通气性，改善土壤结构，增加土壤有机质溶解以及土壤微生物等方面具有显著优势[8-9]。

影响水稻产量的因素往往是多方面的，田间管理的差异往往能够带来水稻产量的差异；水稻品种的优选，配套栽培技术，水分和养分的田间管理是单产提高的关键[3]。从水分管理角度，采用节水灌溉和干湿交替灌溉等不同水分管理模式会影响作物产量，同时导致水稻水分利用效率的显著差异[10]。植物干物质中碳同位素组成（carbon isotope composition，δ13C）值与光合作用关系密切，δ13C 包含了碳转移固定过程中物理、化学和生物代谢等方面的大量信息[11]。由于叶片δ13C 值与作物水分利用效率存在显著的相关关系[12]，δ13C 被广泛应用于与水分转化吸收利用方面的研究[13-14]；同时，在功能群、群落冠层、生态系统以及全球碳循环方面应用广泛[15-16]。从养分管理角度，土壤中氮（N）、磷（P）、钾（K）的丰缺程度直接影响水稻的生理特性和养分的吸收利用[17-18]，而不同耕作方式会影响水稻对营养元素的吸收[19]，肥力条件的差异导致水稻产量的差异可达3 000～4 000 kg/hm2[20]。从耕作方式角度，水稻免耕和垄作模式比传统淹水种植方式具有明显的产量优势[21]。水稻根系在水分与养分吸收环节扮演重要角色[22]，高产水稻往往具有根系分布更广、根系活力更强等特征[23]。水稻成熟期上位根的根干重密度、根长密度、根表面积密度和根活性表面积密度与有效穗数及籽粒产量之间呈显著正相关[24]。

成熟期水稻是各种要素在植株内转移的最终结果，水稻前期和中期干物质积累量与产量的关系不显著，但后期与产量的相关达到显著水平[25]。成熟期根、茎、叶、籽粒中N、P、K 和δ13C 的差异能够反应不同耕作模式下水稻干物质积累规律的差异性，是水稻水分养分高效利用以及产量形成的重要判别因子。相关分析在作物产量与单个因素的响应关系分析中较为常见，多元线性回归模型（Multiple Linear Regression，MLR）是最常见的产量模型之一。在产量的多元线性分析中，考虑的单个影响因素有叶片离子浓度[26]，环境因素，施肥管理和耕种模式等[27-29]。Chamekh 等[30]利用MLR 分析在筛选耐盐型的硬质小麦时，发现籽粒中δ13C 含量和N 含量是产量模型中的主要影响因子。在分析和解决农业科学及环境科学中复杂多影响因素问题时，主成分分析（Principal Component Analysis，PCA）方法应用广泛[31-33]。PCA 可以实现复杂多变量的线性合并，结合多元线性回归分析可以更好明确产量与综合要素的协同变化关系。研究表明水分与养分状况与水稻产量存在复杂的响应关系；在植株器官元素尺度综合考虑水分影响因素（如δ13C）与养分营养因素（如N、P、K）多要素与产量关系的研究还较为少见。本研究基于西南大学稻田自然免耕长期定位试验站2 年田间小区试验数据，选取冬水田、垄作免耕和常规水旱轮作3 种处理，从水分利用以及养分吸收的角度出发，选取成熟期水稻全株不同器官的δ13C 值，N、P、K 积累以及根系特征为研究对象；采用相关分析法分析了水稻产量与单个影响因素的响应关系，采用主成分分析与主成分多元线性回归模型（即PCA-MLR 模型）法对水稻产量与综合要素的协同响应关系进行比较研究与综合分析，旨在分析不同耕作模式下水稻产量与影响要素响应关系的差异性，为深入理解稻田水肥高效利用和稳产增产机理提供科学依据。

1 材料和方法

1.1 试验地概况

试验在重庆市北碚区西南大学稻田免耕长期定位试验站（30°26′N，106°26′E）开展，本研究依托稻田免耕长期定位试验始于1990 年，共设8 个处理，4 个重复。试验站海拔230 m，年均温18.3 ℃，年日照时数1 277 h，年均降水量1 105 mm，无霜期约为334 d。土壤类型为中生代侏罗系沙溪庙组，灰棕紫色沙泥岩母质上发育的中性紫色水稻土。水稻品种为炳优6 号（炳优6028），属早籼三系杂交稻品种，2016 年全生育期127 d（4 月15号移栽至8 月20 号收获），2017 年全生育期132 d（4月4 号移栽至8 月14 号收获）。

1.2 试验设计

本研究选取长期定位试验中的3 个处理分别是：1）冬水田（Flooded Paddy Field，FPF），稻田常年处于淹水状态，保持水层深度为5 cm 左右。水稻收获后将稻茬和杂草翻入土中，春季翻耕种植中稻，耕作深度为25～30 cm。2）垄作免耕（Combining Ridge with No-Tillage，RNT），每小区5 垄，一垄一沟，垄顶宽25 cm，沟宽30 cm，沟深35 cm。水稻移栽到苗期期间处于淹水状态，水层深度为高出垄顶3 cm 左右；其他生长季水位保持低于垄顶5～10 cm 直到收获。水稻收获后种植油菜，油菜收获后将残茬埋在沟底，灌水，水面与垄顶齐平，种植水稻。3）水旱轮作（Conventional Paddy-Upland Rotation Tillage，CT），水稻与油菜轮作。 淹水平作种植水稻，保持水层深度为5 cm 左右。水稻收获后，四边开沟排干稻田积水，翻耕将稻茬翻入土中，种油菜。油菜生长期间，尽可能地保持四边沟内无积水。油菜收获后，翻耕将油菜残茬翻入土中，淹水，种水稻。

每个小区面积为20 m2（5 m ×4 m），区组排列。各小区施肥量相同，氯化钾150.1 kg/hm2，尿素273.1 kg/hm2；过磷酸钙500.3 kg/hm2。折算成纯养分：N 为125.63 kg/hm2、P2O5为50.03 kg/hm2、K2O 为90.06 kg/hm2。过磷酸钙作底肥一次施用；尿素用量的2/3 作底肥，1/3 作为追肥；氯化钾底肥和追肥各半。3 种耕作模式的播种、移栽、施肥管理一致，收获期土壤耕层基础养分状况见表1。

表1 2016 年和2017 年不同耕作模式下耕层的基础养分状况 Table 1 Topsoil nutrient status under different tillage modes in 2016 and 2017

1.3 指标测定

分别于2016 年8 月20 日和2017 年8 月14 日（水稻成熟期）进行水稻全株采样，根、茎、叶和籽粒器官分离，分别测量其天然碳同位素含量和氮（N）、磷（P）、钾（K）含量；并对水稻根系进行扫描，获取成熟期水稻根系特征值。

1.3.1 碳同位素组成δ13C 的测量

每个小区采集3 穴长势均匀的水稻，用自来水冲洗掉根茎叶上的灰尘和污物，再用去离子水反复冲洗，将植株分为根、茎、叶和穗4 部分。所有样品在105 ℃下杀青30 min，而后在70 ℃下烘干至恒重，称量后用美的不锈钢磨样机进行粉碎备用；籽粒用JLGJ45 型糙米机出糙，并用MM301 型玛瑙磨样机粉碎备用。在分析元素含量之前，样品在70 ℃下再烘干1 次，烘干后保存在干燥器中，等待称样分析。

采集水稻样品后，过80 目筛的样品送至河海大学水文水资源与水利工程科学国家重点实验室，用元素分析仪和同位素质谱仪（MAT253 型，Thermo Fisher Scientific，USA）联用的方法测定叶片氮素含量和碳素含量以及δ13C。其中碳同位素组成δ13C 值的计算如式（1）所示

式中Rsample为所测样品中 C13与 C12的丰度比，即C13/C12；Rstandard为国际标准样品（V-PDB）中13C 与12C 的丰度比[34]。

1.3.2 N、P、K 含量的测定

将取得的植株样本80 ℃烘干至恒重，将根、茎、叶、籽粒不同部位的样品称取50 mg 粉碎，过0.25 mm 筛后放入消解管，加入60%硝酸2 mL 过夜，然后在DigiPREP消解仪（SCP Science, Quebec, Canada）上消解3 h，之后加入0.5 mL 双氧水进一步消解，至溶液变为透明并剩余0.2 mL 左右后室温冷却，最后用2%硝酸定容至15 mL，并用ICP-MS（ELAN, DRC-e; Perkin-Elmer, Waltham, MA, USA）测定氮、磷、钾（N、P、K）各元素的含量[35]。

水稻收获后，采集0～20 cm 土壤样品基础性质测定采用土壤理化分析常规方法[36]。水稻种植前与水稻收获后，采集0～20 cm 土壤样品用于土壤理化性质的测定，每个小区5 个土样（0～20 cm），混合均匀后过2 mm 筛并室温风干。取风干后土壤2.0 g，使用1 mol/L 的醋酸铵40 mL 浸提，并取上清液5 mL 于消解仪上进行消解，过程和植物消解过程一致，最后用2%硝酸定容至10 mL 并使用ICP-MS 测定N、P、K 各元素的含量[35]。供试土壤基础性质测定采用土壤理化分析常规方法[36]。

1.3.3 根系形态指标测定

每个小区取3 穴成熟期稻株，以每穴水稻根为中心，挖取20 cm×20 cm×20 cm 的土块，先用流水冲洗，然后用农用压缩喷雾器将根冲洗干净，先用根系扫描仪EPSON（PERFECTIONV700）进行图像扫描，后采用Win RHIZOPRO 2012 软件进行分析和计算，获得总根长、总根表面积、总根体积、根系平均直径等指标参数。

1.3.4 计产

在成熟期时，各小区选取小区中央5 m2作为测产面积。实收，晾晒、烘干、脱粒，测定含水率和杂质率。根据水杂率国家标准，实测亩产实际产量计算如式（2）所示

式中国家标准水杂率由籼稻按国标杂质率1%，含水率13.5%计算[24]；实测水杂率由实测含水率和杂质率计算，%；实测亩产，kg；单位面积鲜谷质量，kg/m2；亩产转换为666.7 m2。

1.4 数据统计分析

采用One way ANOVA 分析耕作处理之间籽粒产量和根系特性、离子含量以及δ13C 含量的差异显著性，并进行Duncan 多重比较。水稻产量与总根长、根表面积、根体积、根平均直径、不同器官N、P、K 以及碳同位素组成δ13C 之间的相关性，采用Pearson 相关系数描述其相关程度。

数据进行标准化处理，消除变量间的量纲差异。数据标准化处理采用各变量值与其平均值之差除以该变量值的Z 标准化方法。对自变量组合进行主成分分析[32]，PCA 利用“降维”的思想把多个水稻成熟期植株的指标变量经线性变化后筛选出能代表绝大部分指标的几个主成分，并经过方差极大旋转后的主因子来识别多指标归属的少数类别。PCA-MLR 模型的目的是在PCA 识别主要类别Xi的基础上，通过最小二乘法确定影响水稻产量Y 的主要类别因子及其贡献率，类别因子的平均贡献率为（βi，%），则PCA-MLR 公式如（3）所示

式中Y 是作物产量，Xi指第i 个PCA 类别因子，βi为其对应的回归系数，β0为常数项。

Excel 2010 对数据进行标准化处理，相关分析，主成分分析以及多元线性回归模型在统计分析软件SPSS 18.0下完成，使用origin 9.0 软件进行作图。

2 结果与分析

2.1 不同耕作模式下的水稻产量

由图1 可知，2017 年3 种耕作模式下的实际产量有显著差异，垄作免耕产量最高，为8 750 kg/hm2，其次是冬水田8 375 kg/hm2和常规平作7 750 kg/hm2。2016 年3种不同耕作处理的实际产量差异不显著，垄作免耕产量最高，其次是冬水田和常规平作。

图1 不同耕作方式对水稻产量的影响 Fig.1 Effects of different tillage modes on yield of rice

2.2 不同耕作模式下的碳同位素组成δ13C、N、P、K 含量以及水稻根系

图2 为不同耕作模式下成熟期水稻根、茎、叶、籽粒碳同位素组成δ13C 值，垄作免耕条件下，叶片中δ13C值稳定低于冬水田和常规平作，不同植株器官中的叶片的δ13C 值最低。2016 年和2017 年垄作免耕模式下的成熟期叶片的δ13C 值为−28.5‰和−29.4‰，低于常规平作δ13C 的值为−28.3‰和−29.2‰，低于冬水田δ13C 的值−28.3‰和−29.1‰。2016 年垄作免耕处理茎秆δ13C 值为−28.1‰，显著低于冬水田的−27.8‰（P＜0.05）。2017年成熟期水稻在垄作免耕的耕作模式下的茎秆，叶片与籽粒中的δ13C 值均低于常规平作与冬季休闲模式。根器官中的δ13C 值2 年规律存在不一致。2017 年的δ13C 值略低于2016 年；与2016 年相比，2017 年茎秆和籽粒中的δ13C 值呈现CT＞FPF＞RNT 的结果。

图2 不同耕作模式水稻根、茎、叶、籽粒碳同位素组成δ13C 含量 Fig.2 Effects of different tillage modes on carbon isotope composition δ13C of rice roots, stalks, leaves, tassels

图3 为成熟期水稻植株各器官N、P、K 的含量。N、P、K 在水稻不同生育期存在迁移和转化规律上的差异，在成熟期，K 主要积累在茎秆，N 主要积累在叶片和籽粒，P主要积累在籽粒和根[37]。由图3 可知，2017 年垄作免耕N在各个器官的积累具有优势，在根、茎、叶、籽粒中的全氮浓度分别比冬水田高了1.6%、9.8%、8.6%和16.3%，比常规平作高了18.0%、17.3%、14.7%和14.2%。2016 年的优势不明显，只有根系中K 浓度，垄作免耕分别比冬水田和常规平作高出10.8%和36.1%；其次是茎秆中的K 浓度，垄作免耕分别比冬水田和常规平作高出了5.0%和11.5%。

表2 为测得的根系特征指标值。在多个根系指标的比较中，RNT 在总根长，总根表面积，总根体积和根的平均直径上均占优势。在2016 和2017 年，RNT 根的平均直径均显著高于FPF 和CT。其中，2016 年水稻总根表面积RNT较FPF 和CT 分别增加了1.6%和7.0%；2017 年显著增加了6.3%和12.1%。2016 年水稻总根体积RNT 较FPF 和CT 分别增加了1.0%和23.0%；2017 年显著增加了7.0%和7.7%。

图3 不同耕作模式下的水稻不同器官N、P、K 含量 Fig.3 N、P、K concentration of rice in different organs under different tillage modes

表2 不同耕作方式对水稻根长、根表面积、根体积与平均直径的影响 Table 2 Effects of different tillage modes on the total length, surface area, volume and average diameter of roots

2.3 产量与各因素的相关分析

将2016—2017 年成熟期水稻根、茎、叶、籽粒中的δ13C 值、N、P、K 含量以及根系特征指标与水稻产量做Pearson 相关性分析，计算相关系数结果如表3 所示。由表3 可知，成熟期水稻根、茎、叶、籽粒中的δ13C 值均与水稻产量有极显著（P＜0.01）的负相关关系，相关系数为−0.702、−0.734、−0.572 和−0.711。根系特征中的总根长（RL，cm）、根表面积（RS，cm2）、总根体积（RV，cm3）和平均直径（RA，mm）与水稻产量呈极显著的正相关关系，相关系数为0.538、0.624、0.450 和0.710。由于成熟期N、P、K 在植株内的转移和籽粒中的积累作用，成熟期水稻籽粒中的N、P、K 含量与水稻产量呈显著正相关，相关系数分别为0.411、0.432 和0.529。

表3 成熟期水稻产量与各因素多指标的Pearson 相关系数（R） Table 3 Pearson’s correlation coefficients (R) of rice yield and various parameters in maturing stage

2.4 因素组成的主成分提取及分析

采用主成分分析法（Principal Component Analysis，PCA）对根、茎、叶、籽粒的δ13C 值，N、P、K 含量，以及根系的总根长、总根表面积、总根体积、根平均直径等20 个指标进行主成分提取。由表4 可知，提取了6个主成分的累计贡献率超过80%。其中，第一主成分（PC1）的公因子贡献率30.10%，由δ13CR、δ13CS、δ13CL、δ13CP、KP、PP和KL组成。在表4 的分析中，这些指标与产量的相关系数均达到了极显著相关，可以认为PC1 主要由碳稳定同位素和籽粒P、K 的积累组成。第二主成分（PC2）的公因子贡献率为12.18%，PC2 由NP、NL和NS组成，可以认为第二主成分主要由N 在水稻植株茎干和叶片中的积累的、组成。第三主成分（PC3）的公因子贡献率为11.78%，由RL、RV和RS组成，可以认为第三主成分主要由根系特征指标组成。第四主成分（PC4）的公因子贡献率为10.05%，PC4 由RA、PS和PL组成，可以认为第四主成分由根平均直径和P 素在植株茎秆与叶片中的积累组成。第五和第六主成分的公因子贡献率分别为9.05%和7.92%，PC5 由PR和KS组成；PC6 由NR和KR根中的N、K 组成。

表4 水稻根系、不同器官碳同位素组成δ13C 和N、P、K 含量的主成分分析（PCA）分析结果Table 4 Results of Principal Component Analysis (PCA) on the root system, δ13C and N, P, K concentrations of rice

2.5 水稻产量PCA-MLR 模型分析

以主成分（PC1～PC6）为自变量Xi，水稻产量为因变量Y 建立多元线性回归模型。首先以全回归法，即将自变量（PC1～PC6）因子全部保留的方法建立回归方程。将其中t 检验不显著的自变量剔除，仅保留对产量有显著影响的3 个类别因子为最终的自变量项[32]，得到的回归模型及其参数见表5。回归模型预测的模拟值与观测值关系如图4 所示。在标准化预测产量和实测产量的对比图中，可以看出PCA-MLR 模型可以实现对水稻产量的模拟。冬季休闲、垄作免耕与常规平作处理的产量实测值与预测值之间决定系数（coefficient of determination, R2）分别达到了0.67、0.73 和0.97，均方根误差（Root Mean Square Error, RMSE）的值分别为0.55、0.65 和0.13。从表5 的结果可以看出，FPF 和RNT 保留的类别因子为PC1、PC4 和PC5；CT 保留的因子与FPF 和RNT 有所区别，为PC2、PC3 和PC6。与FPF、RNT 耕作模式处理下水稻产量关系最密切的是PC1 因子，贡献率分别为57.5%和66.2%。与CT 耕作模式下水稻产量关系最密切的是PC2 因子，其次是PC3 和PC6，贡献率分别为62.9%、35.0%和40.5%。

表5 不同耕作模式下水稻产量的主成分分析与主成分多元线性回归（PCA-MLR）模型分析结果 Table 5 Results of PCA-MLR analysis on rice yield under different tillage modes

图4 水稻产量实测值与预测值之间的对比 Fig. 4 Comparison between the measurement values and predication values of yield

3 讨 论

垄作影响水分在土壤不同土层的分布，进而对作物水分、养分的吸收利用效率产生影响；这种影响可能是导致3 种耕作模式水稻产量差异的主要原因。垄埂的一部分出露于水层之上，垄埂土壤始终保持着稳定又不断运动的水层，土壤毛管引力和吸水力对作物产量累积起到了积极作用[38-39]。研究表明，在控制灌溉干湿交替的条件下，水稻叶片碳同位素组成δ13C 与叶片瞬时水分利用效率的相关性比淹水灌溉更为显著[40]。在干物质中天然稳定同位素碳δ13C 的差异由叶片光合速率与气孔导度比值决定，较低的叶片δ13C 对应较高的水分利用效率[41-42]。本研究水稻成熟期的叶片δ13C 值，垄作免耕低于常规平作与冬季休田（图1）；垄作免耕处理具有高水分利用效率的优势。CO2随气孔进入，由光合作用碳同位素的分馏作用影响叶片的δ13C 值，而成熟期水稻根、茎、叶、籽粒的δ13C 值是碳稳定同位素在植株体内积累与转移的最终结果。本研究中成熟期水稻植株根、茎、叶、籽粒的δ13C值均与水稻产量成极显著负相关关系（P＜0.01）（表4）。同时，根、茎、叶、籽粒中的δ13C 会随不同生长阶段碳的富集作用以及环境的逆效应发生改变[43]。作物生长后期富含C 的糖类物质从叶片向茎杆和根系转运，造成的根系和茎秆中δ13C 值更高[44-45]，本文成熟期根、茎、叶、籽粒中的δ13C 值由根到茎到叶片呈逐步减少趋势，这与王振昌等[40]关于水稻器官δ13C 研究的规律一致。

与持续淹水的耕作方式相比，交替湿润与适度干旱方式可以增强根系生长[46]。垄作免耕耕作方式下根区在生育后期处于类似旱地的土壤环境，根的平均直径，根表面积与根长密度均显著高于冬水田与常规水旱轮作（表2），根系特征值RL、RS和RA与水稻产量呈显著的正相关关系（表3）。籽粒的N、P、K 含量都与水稻产量有显著的正相关关系。起垄的耕作方式使土体界面扩大热传导更快，土壤温度增加，土壤水分养分活动更加活跃，影响了水稻N、P、K 的养分平衡及其在水稻植株的积累状态[47]。研究表明，间歇灌水会降低土壤水分含量，使植物对磷的吸收效率下降[48]，同时降低水稻不同器官的磷浓度[49]。冬水田与垄作免耕水稻产量和代表水分利用效率水平的碳同位素组成δ13C（PC1）以及P 含量（PC4，PC5）关系更密切。与冬水田相比，垄作免耕与PC4 即P 含量因子的关系更密切（表5），相比较冬水田和常规水旱轮作水稻种植的淹水模式，RNT 在水稻生育后期垄上的根系处于相对干燥的环境的中，可能是导致RNT 水稻产量对于磷在茎秆与叶片的积累更加敏感的原因。冬水田一年中仅在水稻种植前进行翻耕，而常规平作的稻油轮作中一年进行翻耕两次。冬水田和垄作免耕相对稻油轮作属于少耕和免耕模式，翻耕对土壤结构和土壤养分影响很大；垄作免耕和冬水田耕作方式各粒级土壤团聚体总有机碳含量，均显著高于常规耕作总有机碳[50]。少耕或免耕的耕作方式可能是导致冬水田与垄作免耕在产量构成要素上更为接近的主要原因。

本研究中不同年份产量以及N、P、K 积累规律的存在一定差异，可能是由于田间采样的误差所致；也可能与不同年份气象因素与土壤养分状况的差异性有关。有研究表明：相较于水旱平作，垄作免耕水稻根茎叶的P含量并没有显著变化，而P 累积量显著增加[37]。在一些情况下，不同的耕作方式没有带来产量的差异，但是却存在水分利用效率的显著差异[51]。垄作与传统的持续淹水的耕作方式相比，垄作免耕耕作方式下根区在生育后期处于类似旱地的土壤环境，从而导致水分与养分吸收转化规律与传统淹水方式不同。垄作免耕水稻其种植技术在理论上具有明显优势，同时具有保育土壤，减少水土流失和提高水分利用效率的生态效应。目前，垄作已具备机械化种植与田间管理的技术条件[52]，垄作免耕技术具有推广和应用前景。

4 结 论

本研究分析了冬季休田，垄作免耕与水旱轮作不同耕作模式下水稻产量与成熟期水稻植株根、茎、叶、籽粒的碳同位素组成（carbon isotope composition，δ13C），氮（N）、磷（P）、钾（K）与根系特征值之间的响应关系。结果表明，1）3 种不同耕作模式下垄作免耕的水稻产量最高，其次是冬水田和常规平作。水稻成熟期的根、茎、叶、籽粒中的δ13C、根系总根表面积与籽粒N、P、K 含量与产量值呈极显著相关关系。2）采用主成分分析与主成分多元线性回归模型（即PCA-MLR 模型）能够解释冬水田、垄作免耕和常规水旱轮作水稻产量67%、73%和97%的变异，回归系数结果表明垄作免耕和冬季休闲耕作下水稻产量与器官δ13C 以及P 含量因子密切相关；常规平作下产量与根系特性以及N 含量因子密切相关。与常规平作相比，垄作免耕和冬季休闲耕作模式下，水稻产量与水分要素δ13C 的关系更密切。3）垄作免耕水稻种植技术可保育土壤，提高水分利用效率和水稻产量，在具备机械化种植与田间管理技术条件下具有推广应用前景。