高小葉，袁世力，呂愛敏，周鵬，安淵

(上海交通大學(xué)農(nóng)業(yè)與生物學(xué)院，上海200240)

?

DNDC模型評估苜蓿綠肥對水稻產(chǎn)量和溫室氣體排放的影響

高小葉，袁世力，呂愛敏，周鵬，安淵*

(上海交通大學(xué)農(nóng)業(yè)與生物學(xué)院，上海200240)

DNDC(denitrifiction-decompostion)模型是以生物地球化學(xué)進(jìn)程為基礎(chǔ)模擬碳氮循環(huán)的模型，被廣泛用來預(yù)測稻田溫室氣體的排放，但利用DNDC模型研究苜蓿綠肥對稻田生態(tài)系統(tǒng)的相關(guān)研究尚未見報(bào)道。因此，本研究結(jié)合兩種綠肥在上海地區(qū)的使用，模擬了4個(gè)不同處理：對照(未施氮肥和綠肥)、氮肥(200 kg/hm2)、紫花苜蓿綠肥(3000 kg DM/hm2)+氮肥和蠶豆綠肥(3000 kg DM/hm2)+氮肥，研究苜蓿綠肥對水稻產(chǎn)量和稻田溫室氣體排放的影響，同時(shí)，對DNDC模型進(jìn)行本地化修正，建立適宜我國長江中下游地區(qū)綠肥-水稻輪作生態(tài)系統(tǒng)的DNDC模型，結(jié)果表明，與對照相比，苜蓿、蠶豆和氮肥處理下的水稻產(chǎn)量分別提高了41.85%，29.81%和25.36%；蠶豆綠肥處理下的CH4排放量高于苜蓿綠肥處理，溫室氣體的排放強(qiáng)度在苜蓿綠肥處理下未顯著提高。通過對DNDC模型多個(gè)參數(shù)的調(diào)整和模擬，DNDC模型對水稻產(chǎn)量和CH4排放的模擬值與實(shí)測值十分接近，其中，水稻產(chǎn)量實(shí)測值和模擬值的決定系數(shù)R2為0.89，相對平均誤差RMD為-0.8%。大氣溫度、大氣CO2濃度、土壤有機(jī)碳和土壤粘粒對稻田CH4和N2O排放十分敏感，其中，大氣溫度、CO2濃度和土壤有機(jī)碳與CH4和N2O的排放強(qiáng)度呈顯著的正相關(guān)關(guān)系，而土壤粘粒與CH4排放呈顯著的負(fù)相關(guān)關(guān)系，本研究結(jié)果說明本地化改進(jìn)的DNDC模型能夠準(zhǔn)確模擬紫花苜蓿綠肥對水稻產(chǎn)量和稻田溫室氣體排放的作用效果。

DNDC；甲烷；碳儲(chǔ)量；氧化亞氮

在我國，為了應(yīng)對龐大的人口規(guī)模，作物產(chǎn)量最大化成為農(nóng)業(yè)生態(tài)系統(tǒng)追求的主要目標(biāo)。因此，近年來，化肥過度使用，尤其是過量氮肥導(dǎo)致農(nóng)田土壤大面積退化[1-2]。水稻(Oryzasativa)作為全球主要的糧食作物，其種植面積占了整個(gè)耕地面積的11%[3]，而稻田系統(tǒng)的甲烷排放已經(jīng)成為全球CH4一個(gè)最主要排放源，大氣中10%～20%的CH4來源于水稻種植[4]?？沙掷m(xù)的水稻種植管理措施應(yīng)該具有多重目標(biāo)[5]，增加水稻產(chǎn)量，保障糧食安全；降低稻田系統(tǒng)溫室氣體排放，緩解全球氣候變暖；減少與氮相關(guān)氣體(N2O、NO、NH3)的排放，降低對大氣的污染；提高氮肥的利用效率，減少通過淋溶、地表流失等氮流失，降低對水體的污染；此外，土壤是糧食生產(chǎn)的根本，維持良好的土壤質(zhì)量必不可少。因此，綜合研究和分析水稻生產(chǎn)和管理措施在產(chǎn)量、土壤碳儲(chǔ)量和溫室效應(yīng)方面的影響，尋求合理、科學(xué)、可持續(xù)的管理措施，對提高水稻產(chǎn)量和控制全球溫室效應(yīng)具有重要的意義。

DNDC模型是反映農(nóng)田生態(tài)系統(tǒng)通過生物-地理-化學(xué)進(jìn)程的相互作用，將碳、氮元素在植物-土壤系統(tǒng)中進(jìn)行運(yùn)輸和轉(zhuǎn)化的過程，被廣泛應(yīng)用于水稻產(chǎn)量和溫室氣體通量的估算[5-7]。但是利用DNDC模型模擬分析紫花苜蓿綠肥對水稻系統(tǒng)產(chǎn)量、溫室氣體排放及其氣候、土壤和管理等因子敏感性的研究尚未有報(bào)道。在長江以南地區(qū)，一般從10月底到第2年6月初均為閑置期，秋季作物收獲后一般種植蠶豆(Viciafaba)作為綠肥，干物質(zhì)產(chǎn)量一般達(dá)9 t/hm2。紫花苜蓿(Medicagosativa)是一種優(yōu)良的豆科牧草，在長江下游秋季(10月下旬)種植，第2年6月初可以刈割3次，累計(jì)干草產(chǎn)量達(dá)15 t/hm2[8]。如果將第2次刈割推遲到5月中旬，將第3次刈割(6月初)苜蓿作為綠肥還田，干草產(chǎn)量為3000～3750 kg/hm2，能夠有效改良農(nóng)田土壤，增加輪作作物產(chǎn)量。因此，本研究將紫花苜蓿引入長江下游草田輪作種植系統(tǒng)，探究苜蓿綠肥是否能夠有效提高水稻產(chǎn)量，同時(shí)又能控制溫室效應(yīng)；利用DNDC模型，對4種不同的管理模式(不施肥、施氮肥、紫花苜蓿綠肥+氮肥、蠶豆綠肥+氮肥)進(jìn)行試驗(yàn)和模擬分析，利用實(shí)測數(shù)據(jù)調(diào)整模型相關(guān)參數(shù)，將DNDC模型本土化，探求對水稻產(chǎn)量及溫室氣體等變化積極響應(yīng)的相關(guān)因子，為生產(chǎn)實(shí)踐提供相關(guān)的科學(xué)依據(jù)。

1 材料與方法

1.1 樣地描述和試驗(yàn)設(shè)計(jì)

試驗(yàn)于2012-2013年在上海市閔行區(qū)浦江鎮(zhèn)上海交通大學(xué)浦江綠谷試驗(yàn)農(nóng)場進(jìn)行，位于31.13° N，121.47° E, 氣候?qū)儆诒眮啛釒Ъ撅L(fēng)氣候，年均溫度15.3 ℃，年均無霜期225 d，年降雨量1022 mm。試驗(yàn)地水稻種植的歷史已經(jīng)有幾十年，土壤是粘性質(zhì)地，pH(土水比為1∶5)5.24。土壤0～10 cm的全氮、速效磷、速效鉀和有機(jī)碳含量分別為1.03 g/kg, 17.47 mg/kg, 105.14 mg/kg和 11.22 g/kg, 2012年5月24日測定的0～10 cm深土壤容重為1.35 t/m3。

試驗(yàn)處理包括：1) 對照(不使用氮肥和綠肥)；2) 僅施用N肥(200 kg N/hm2, N 肥處理)，氮肥用量與當(dāng)?shù)貍鹘y(tǒng)水稻種植N肥用量一致；3) 紫花苜蓿(3000 kg DM/hm2)和氮肥(200 kg N/hm2)結(jié)合使用(苜蓿+N處理)；4) 蠶豆(3000 kg DM/hm2)和氮肥(200 kg N/hm2)結(jié)合使用(蠶豆+N處理)。所有處理均是3個(gè)重復(fù)，隨機(jī)區(qū)組排列，每個(gè)小區(qū)面積是10 m2(2 m×5 m)。

1.2 綠肥和水稻管理

在水稻移栽前10 d，苜蓿和蠶豆從其他地方收割，運(yùn)到試驗(yàn)地，切割成5～8 cm的碎塊，均勻鋪撒在樣地表層，同時(shí)每個(gè)處理施入20 kg P/hm2(過磷酸鈣)作為基肥，用鐵鍬將綠肥和磷肥翻入大約10 cm 深的土壤中。隨后所有試驗(yàn)小區(qū)淹水，深度約10 cm。氮肥(尿素，氮含量46%)平均分成兩份(各100 kg N/hm2)，分別在水稻移栽后的第7和30天撒施。

水稻(秋優(yōu)金豐)秧苗在21 d時(shí)人工移栽至各試驗(yàn)小區(qū)，行距為15 cm×30 cm(每簇包含3顆水稻秧苗)，移栽時(shí)間分別是2012年6月8日和2013年6月11日，收獲日期分別是2012年11月10日和2013年10月26日，秸稈殘茬翻入試驗(yàn)樣地中。

試驗(yàn)中水稻灌溉方式與當(dāng)?shù)貍鹘y(tǒng)水稻灌溉方式完全一致，即除了分蘗后期烤田1周外，其余時(shí)間稻田水深維持5～8 cm。

苜蓿碳、氮、磷的平均含量分別為40.50%，4.38%和0.30%，蠶豆為43.44%，2.49%和0.16%。添加3000 kg/hm2綠肥干物質(zhì)中，苜蓿碳、氮、磷的總含量為1215.00 kg，131.40 kg和9.00 kg, 蠶豆為1303.20 kg，74.70 kg和4.80 kg。

1.3 產(chǎn)量、土樣采集和分析

土壤樣品: 2012年試驗(yàn)開始前(2012年5月24日)，2012和2013年試驗(yàn)結(jié)束時(shí)(2012年11月10日和2013年10月26日)分別取土樣，用直徑5 cm的土鉆在每個(gè)樣地隨機(jī)取0～10 cm深3鉆土，均勻混合作為1個(gè)土壤樣品；水稻樣品：每個(gè)小區(qū)隨機(jī)選擇3塊1 m2樣地，齊地面收割，統(tǒng)計(jì)籽粒產(chǎn)量，計(jì)算平均值作為1個(gè)重復(fù)。籽粒65 ℃烘干至恒重。土壤樣品自然風(fēng)干后過<2 mm的篩，測定土壤全碳。

土壤全碳(soil total carbon, STC)含量采用元素分析儀測定(Vario EL III, Elementar, Germany)。每個(gè)樣品每次稱取30～40 mg，用錫箔紙包裹好，放入儀器燃燒測定。

1.4 氣體采樣與分析

在水稻生長季用靜態(tài)箱法采集氣體樣品[9]。氣體樣品在采樣后1周內(nèi)用氣體分析儀(Agilent, USA)(G1540A_6890N)測定CH4和N2O的濃度。N2O和CH4分別通過ECD通道(350 ℃)和FID通道(200 ℃)檢測。搭載氣體是N2，氣流速度為25 mL/min，注箱溫度為55 ℃。

氣體采樣時(shí)間在早上8:00-10:30，代表全天氣體排放的平均值[10]。2012年采樣日期在水稻移栽后的第8，15，22，30，37，48，58，67，77，90，110，128和140天，2013年在第8，15，20，27，34，37，41，55， 69，83，97，111和125天。

根據(jù)目前國際上計(jì)算氣體累積排放量的方法：假設(shè)在沒有測定的日期內(nèi)氣體排放呈線性趨勢[11]。水稻整個(gè)生長季的CH4和N2O累積排放量根據(jù)取樣時(shí)間進(jìn)行連續(xù)線性內(nèi)插法計(jì)算。

CH4和N2O排放的速率是根據(jù)靜態(tài)箱單位面積氣體濃度在單位時(shí)間內(nèi)的變化而計(jì)算。靜態(tài)箱法測定CH4和N2O排放速率根據(jù)以下公式計(jì)算[11]:

F=p×(V/A)×(Δc/Δt)×(273/T)

(1)

其中，F(xiàn)代表CH4或N2O排放速率[mg CH4/(m2·h), μg N2O/(m2·h)]；p是CH4或N2O在標(biāo)準(zhǔn)大氣壓下的密度(mg/cm3)；V是箱子的體積(m3)；A是箱子與地面接觸的底面積(m2)；Δc/Δt是箱子內(nèi)的CH4或N2O 在取樣時(shí)間內(nèi)氣體變化速率；T是絕對溫度(273+箱子內(nèi)取樣時(shí)溫度的平均值，K)。

1.5 土壤碳儲(chǔ)量速率

土壤碳儲(chǔ)量速率(soil carbon storage rate,SCSR)是土壤碳庫的變化，根據(jù)以下公式計(jì)算土壤碳儲(chǔ)量的變化[12]:

SCSR=(STCt-STC0)×BD×T

(2)

其中，SCSR(soil carbon storage rate)是土壤碳庫的變化(t/hm2);STC0和STCt分別為2012和2013年試驗(yàn)開始和結(jié)束時(shí)土壤總碳含量；BD(bulk density)是土壤容重(t/m3)。有研究表明，土壤容重在短期內(nèi)變化很小[13]，因此本研究計(jì)算過程均采用2012年試驗(yàn)開始時(shí)測定的土壤容重(1.35 t/m3)，T是取樣土壤的深度，本研究為10 cm。

1.6 凈全球變暖潛力計(jì)算

采用凈全球變暖潛力(net global warming potential, NGWP)衡量綠肥對溫室氣體排放和土壤碳庫變化的影響潛力。凈全球變暖潛力是基于溫室氣體的輻射量和碳固定而計(jì)算，以CO2當(dāng)量來表示，CO2-equivalents/(hm2·yr)[14]。農(nóng)田系統(tǒng)的NGWP是排放氣體的CO2當(dāng)量減去土壤碳庫的變化[14]：

NGWP(kg CO2eq/hm2)=25×CH4+298×N2O-(44/12)×SCSR

(3)

為了比較水稻單位產(chǎn)量溫室氣體排放量，引入溫室氣體排放強(qiáng)度(greenhouse gas intensity, GHGI)概念，根據(jù)以下公式計(jì)算[15]：

GHGI(kg CO2eq/kg grain yield)=NGWP/grain yield

(4)

1.7 DNDC模型

1.7.1 DNDC模型描述 DNDC模型起初主要是追蹤陸地農(nóng)業(yè)系統(tǒng)溫室氣體(CH4和N2O)的排放路徑[16]，反映農(nóng)田生態(tài)系統(tǒng)通過生物-化學(xué)-地理進(jìn)程的相互作用將碳、氮元素在植物-土壤系統(tǒng)中進(jìn)行運(yùn)輸和轉(zhuǎn)化的過程。因此，DNDC模型包含了6個(gè)相互作用的子模塊：氣候土壤、作物生長、分解、硝化作用、反硝化作用以及發(fā)酵進(jìn)程模塊。氣候-土壤模塊，主要根據(jù)土壤的物理性質(zhì)、氣候以及作物生長的需水量模擬土壤剖面層的溫度和濕度；作物生長子模塊是根據(jù)作物生長和根系呼吸的需求計(jì)算系統(tǒng)需水量和需氮量；分解模塊是模擬土壤微生物分解過程、CO2的產(chǎn)生以及NH3的揮發(fā)。硝化模塊是追蹤模擬硝化細(xì)菌生長的進(jìn)程，將NH4+轉(zhuǎn)化為NO3-的過程。反硝化模塊是模擬反硝化細(xì)菌的進(jìn)程，即NO、N2O和N2的產(chǎn)生進(jìn)程。發(fā)酵進(jìn)程模塊是將CH4的產(chǎn)生、氧化和運(yùn)輸量化。本研究所用DNDC模型為最新版本：DNDC 95。

1.7.2 參數(shù)的輸入 DNDC模型輸入的參數(shù)主要包括氣象因子、土壤因子以及作物管理方式。氣象因子包括試驗(yàn)期間(2012-2013年)的日最高溫、日最低溫以及日降雨量。土壤因子及管理參數(shù)具體參見上述材料與方法和表1，表中尚未列出的土壤屬性采用的是模型默認(rèn)值。

1.7.3 模型的修正 DNDC模型默認(rèn)的作物參數(shù)不能有效地模擬本研究4種管理模式下水稻實(shí)際生長狀況。通常隨著氮投入的增加，水稻對土壤中氮的利用指數(shù)有所降低，同時(shí)，籽粒、秸稈和根系的比重也會(huì)變化[17]。 因此，本研究針對當(dāng)?shù)厮酒贩N、氣候環(huán)境和管理模式，對水稻最高產(chǎn)量、積溫、生物量、C/N等10余個(gè)參數(shù)進(jìn)行模擬和校正，最終確定對模型進(jìn)行以下校正：模型默認(rèn)的水稻最高產(chǎn)量為3378 kg C/hm2，本研究中，根據(jù)實(shí)測值，水稻最大產(chǎn)量調(diào)整為4800 kg C/hm2；水稻生長季的積溫默認(rèn)值為2000 ℃，根據(jù)當(dāng)?shù)厮緩姆N植到收獲實(shí)際累積溫度，調(diào)整為4000 ℃；模型默認(rèn)的水稻籽粒、葉片、秸稈和根部生物量的比例分別為0.41，0.23，0.24和0.12，C/N的默認(rèn)值為45，85，85和85，默認(rèn)氮的利用指數(shù)為1.05，而實(shí)際研究中由于水稻品種和管理模式的不同，這些參數(shù)均有所變化。本研究根據(jù)實(shí)測值，將對照(不施肥)處理下水稻籽粒、葉片、秸稈和根部生物量的比例調(diào)整為0.45，0.18，0.25和0.12，C/N調(diào)整為50，75，85和85，氮的利用指數(shù)調(diào)整為1.4；氮肥處理下水稻籽粒、葉片、秸稈和根部生物量的比例調(diào)整為0.44，0.15，0.24和0.17，C/N為45，75，85和85，氮的利用指數(shù)調(diào)整為1.3；蠶豆+N處理下水稻籽粒、葉片、秸稈和根部生物量的比例調(diào)整為0.42，0.15，0.23和0.2，C/N為45，75，85和85，氮的利用指數(shù)調(diào)整為1.3；苜蓿+N處理下水稻籽粒、葉片、秸稈和根部生物量的比例調(diào)整為0.44，0.15，0.21和0.20，C/N為45，75，85和85，氮的利用指數(shù)調(diào)整為1.3。此外，針對當(dāng)?shù)氐沫h(huán)境狀況，將模型默認(rèn)的降雨中氮含量由0調(diào)整為5 mg/m3, 默認(rèn)的大氣中NH3濃度由0.06 μg N/m3調(diào)整為0.12 μg N/m3；灌溉水中氮含量設(shè)置為5 mg/L，水分的滲透率設(shè)置為3 mm/d。

表1 模型敏感性分析參數(shù)的本底值和測試值

Table 1 The baseline and alternative scenarios for sensitivity analysis

參數(shù)Parameters本底值Baseline測試范圍Alternativerange氣象因子Climatefactors年均溫度Annualtemperature(℃)17.1413.71～20.56年降水量Precipitation(mm)1341.641073.31～1609.97CO2濃度CO2concentration(mg/m3)350280.00～420.00氮沉降Ndeposition(mgN/L)54.00～6.00土壤因子Soilfactors有機(jī)碳Organiccarboncontent(g/kg)11.228.98～13.46pH值pHvalue5.244.19～6.29土壤容重Bulkdensity(g/cm3)1.351.08～1.62土壤粘類Soilclayfraction0.340.27～0.41硝態(tài)氮NO3-content(mg/kg)75.60～8.40銨態(tài)氮NH4+content(mg/kg)10.58.40～12.60管理措施Managements施氮水平Napplicationrate(kg/hm2)200160.00～240.00耕作深度Tillagedepth(cm)108.00～12.00

1.7.4 敏感性分析 敏感性分析能夠反映輸出結(jié)果對輸入/輸出參數(shù)(產(chǎn)量、土壤碳庫、CH4和N2O排放)變化的響應(yīng)強(qiáng)度，其中響應(yīng)強(qiáng)度最大的參數(shù)，即最敏感的參數(shù)。本研究敏感性情景的分析是基于2012年傳統(tǒng)管理模式(即僅施氮肥)情景下分析。測試情景參數(shù)的范圍選擇在±20%之間，在檢驗(yàn)每個(gè)參數(shù)的敏感性時(shí)，保持其他參數(shù)不變。本研究使用下面的公式評估產(chǎn)量、土壤碳庫、CH4和N2O對各輸入?yún)?shù)的敏感性[18]：

(5)

其中，SI是敏感性指數(shù)；I2和I1分別是輸入?yún)?shù)的最大值和最小值；Iavg是所有選擇輸入?yún)?shù)的平均值，本研究測試的最小循環(huán)次數(shù)設(shè)置為500，Iavg是500個(gè)隨機(jī)輸入的±20%參數(shù)所對應(yīng)輸出值的平均值；S2和S1分別是I2和I1所對應(yīng)的輸出值；Savg是S2和S1的平均值。敏感性指數(shù)為正值表示模擬的結(jié)果與所選擇的參數(shù)是正相關(guān)關(guān)系，敏感性指數(shù)為負(fù)值表示模擬的結(jié)果與選擇的參數(shù)之間是負(fù)相關(guān)關(guān)系；敏感性指數(shù)的絕對值越大，表示二者之間的相關(guān)性越強(qiáng)，當(dāng)敏感性指數(shù)為1時(shí)，表示模擬結(jié)果與輸入?yún)?shù)的變化比例一致。

1.7.5 模型的驗(yàn)證 本研究采用決定系數(shù)R2、均方根誤差(root mean square error, RMSE)、相對平均誤差(relative mean deviation，RMD)、平均誤差(mean error, E)以及模型效率指數(shù)(model efficiency, EF)[19-20]5個(gè)指標(biāo)來驗(yàn)證模擬結(jié)果與實(shí)測值之間的擬合度。

(6)

(7)

(8)

(9)

均方根誤差(RMSE)主要衡量模擬值和實(shí)測值之間的一致性，而相對平均誤差(RMD)是衡量模型的偏差。平均誤差E>0時(shí)，表示模擬值高于實(shí)測值；E<0時(shí)，模擬值低于實(shí)測值[20]。當(dāng)模型效率指數(shù)EF為0～1時(shí)，值越大，模擬值與實(shí)測值之間的關(guān)聯(lián)度越大；當(dāng)EF<0時(shí)，模擬值與實(shí)測值之間極度不相關(guān)。

1.7.6 模型的預(yù)測 以2012年氣象數(shù)據(jù)為基礎(chǔ)，調(diào)整苜蓿和氮肥用量，模擬預(yù)測4種情景下水稻產(chǎn)量、碳儲(chǔ)量速率和溫室氣體排放，預(yù)測最佳管理模式。

1.8 統(tǒng)計(jì)分析

模擬值和實(shí)測值之間的線性回歸方程采用Sigmaplot12.0 進(jìn)行擬合分析。顯著性差異分析是在P<0.05水平，采用SAS9.0(SASInstituteInc.,Cary,NC,USA)進(jìn)行ANOVA分析。

2 結(jié)果與分析

2.1 模型敏感性分析

DNDC模型對水稻產(chǎn)量、土壤碳儲(chǔ)量速率以及溫室氣體排放的模擬受年均溫、大氣CO2濃度、氮沉降、土壤有機(jī)碳、pH值、土壤粘粒含量、土壤無機(jī)氮以及施氮水平的影響較大。由表2可知，大氣CO2濃度和施氮水平對水稻產(chǎn)量的影響最大，且均呈正相關(guān)關(guān)系；其次是土壤pH值與水稻產(chǎn)量呈負(fù)相關(guān)關(guān)系。土壤碳儲(chǔ)量變化主要受大氣CO2濃度的負(fù)調(diào)控，土壤粘粒的正調(diào)控，土壤粘粒比重增加，土壤碳儲(chǔ)量速率提高，而溫度和土壤有機(jī)碳升高，均導(dǎo)致碳儲(chǔ)量速率降低。溫度和CO2濃度的增加均可促進(jìn)稻田甲烷的排放，而土壤粘粒比重、pH值和銨態(tài)氮含量增加均降低甲烷的排放。N2O的排放對溫度、降水量、氮沉降、土壤有機(jī)碳、pH、土壤無機(jī)氮以及施氮量的變化均比較敏感，且均呈正相關(guān)關(guān)系(表2)。

表2 水稻產(chǎn)量、土壤碳儲(chǔ)量速率、甲烷和氧化亞氮排放量輸出的敏感性指數(shù)

Table 2 Sensitivity indices of the simulated results of grain yield, soil carbon storage rate,CH4, and N2O emissions to selected input parameters

參數(shù)Parameters產(chǎn)量Grainyield碳儲(chǔ)量速率SoilcarbonstoragerateCH4排放CH4emissionN2O排放N2Oemission年均溫度Annualtemperature0.049-0.0820.3370.372年降水量Precipitation0.007-0.031-0.0030.511CO2濃度CO2concentration1.3260.2540.5200氮沉降Ndeposition0.019-0.001-0.0060.317有機(jī)碳Organiccarboncontent0.046-0.3100.1750.443pH值pHvalue-0.2610.004-0.0330.967土壤容重Bulkdensity000.0020土壤粘粒Soilclayfraction0.0510.211-0.2450.384硝態(tài)氮NO3-content0.0210-0.0150.129銨態(tài)氮NH4+content0.0650-0.0230.382施氮水平Napplicationrate0.380-0.0080.0010.063耕作深度Tillagedepth0.008-0.003-0.0100.084

2.2 模型驗(yàn)證

產(chǎn)量、碳儲(chǔ)量速率、CH4和N2O排放量的實(shí)測值與模擬值之間的線性回歸均顯著相關(guān)(圖1)，其中，產(chǎn)量的實(shí)測值和模擬值之間的回歸系數(shù)最高，為1.03，決定系數(shù)R2最大，達(dá)0.89，實(shí)測值與模擬值之間非常接近，相關(guān)性極高(P<0.001)；土壤碳儲(chǔ)量和CH4排放總量的實(shí)測值與模擬值之間的回歸相關(guān)系數(shù)R2值分別為0.76和0.87，實(shí)測值與模擬值之間的擬合度很高；N2O排放量的實(shí)測值與模擬值之間的擬合度相對較低，但二者之間的回歸相關(guān)系數(shù)R2值也達(dá)到顯著水平。實(shí)測值和模擬值之間的回歸系數(shù)越接近1，決定系數(shù)越大，模擬值與實(shí)測值就越接近，但是僅根據(jù)回歸系數(shù)和決定系數(shù)仍然不能全面反映模擬值與實(shí)測值之間的相關(guān)關(guān)系。

本研究又采用均方根誤差、相對平均誤差、平均誤差和模型效率指數(shù)進(jìn)一步驗(yàn)證模擬值與實(shí)測值之間的擬合度(表3)。從表3可以看出，產(chǎn)量均方根誤差和相對平均誤差均很小，模型效率指數(shù)接近1，表明產(chǎn)量的模擬值與實(shí)測值擬合度很高，平均誤差僅為83.04 kg/hm2，模型預(yù)測略低于實(shí)測水稻的產(chǎn)量。CH4的均方根誤差、相對平均誤差和平均誤差也相對較小，模型效率指數(shù)比較高，模型對CH4排放的模擬是可行的。

2.3 實(shí)測值與模擬值的比較

從表4可以看出，4個(gè)處理下產(chǎn)量的實(shí)測值之間存在顯著差異，以苜蓿+N處理下的產(chǎn)量最高。氮肥處理下水稻產(chǎn)量顯著高于對照(P<0.05)，2012和2013年分別比對照提高了20.69%和30.02%。與氮肥處理相比，苜蓿+N處理的產(chǎn)量分別于2012和2013年增加了13.38%和12.94%，蠶豆+N處理依次增加了3.57%和3.53%。

4個(gè)處理下產(chǎn)量實(shí)測值與模擬值均非常接近，2012年，對照處理的產(chǎn)量模擬值比實(shí)測值僅低4.22%，而N肥、蠶豆+N以及苜蓿+N處理下的模擬值比實(shí)際值分別高了4.85%，6.05%和3.08%；2013年，4個(gè)處理的產(chǎn)量模擬值均低于實(shí)測值，分別低了6.21%，1.55%，2.93%和6.42%。

圖1 產(chǎn)量、碳儲(chǔ)量速率、甲烷和氧化亞氮排放量的實(shí)測值與模擬值之間的相關(guān)分析Fig.1 Correlation analysis between the observed and simulated grain yield, soil carbon storage rate, CH4, and N2O emissions for the different treatments

表3 產(chǎn)量和甲烷排放的模型擬合度指標(biāo)

Table 3 Fitting degrees indices of grain yield and CH4emissions

項(xiàng)目Item實(shí)測平均值A(chǔ)verageobserved(kg/hm2)模擬平均值A(chǔ)veragesimulated(kg/hm2)均方根誤差RMSE(%)相對平均誤差RMD(%)平均誤差E模型效率指數(shù)EF產(chǎn)量Grainyield10322102404.71-0.80-83.040.88甲烷CH4106492817.66-12.85-136.740.44

表4 4種處理下產(chǎn)量實(shí)測值和模擬值之間的比較

Table 4 Comparison between the observed and simulated grain yield from each treatment

kg/hm2

注：同列不同字母表示差異顯著 (P<0.05),下同。
Note：Different letters within the same column indicate significant differences atP<0.05, the same below.

圖2反映了水稻生長季CH4排放實(shí)測速率格局與模擬值之間的差異，可以看出，4個(gè)處理下CH4整體排放格局一致，每年生長季均有2個(gè)排放高峰期，只是在排放的量上有差異。實(shí)測值中，最高值出現(xiàn)在第1個(gè)高峰期，在此之前，CH4的排放量占了整個(gè)生長季排放量的66%～98%，而模擬的最高值則出現(xiàn)在第2個(gè)高峰期，在第2個(gè)高峰期前，CH4的排放僅占了總排放量的30%～50%，所以在第1個(gè)排放高峰期的模擬值均低于實(shí)測值，而第2個(gè)高峰期的模擬值均高于實(shí)測值。推測這主要與模型中根系對CH4的排放影響有關(guān)。

由表5可知，對照和氮肥處理下CH4的模擬值與實(shí)測值均非常接近，誤差范圍為-0.42%～10.68%；綠肥處理下CH4排放的模擬值均低于實(shí)測值，誤差范圍為11.78%～31.86%。實(shí)測值表明，施用綠肥后，CH4的排放量增加，而且C/N高的蠶豆的增加幅度更大，模擬值同樣顯示了蠶豆綠肥施用后，稻田CH4的排放量最高。

圖2 水稻生長季甲烷排放速率的實(shí)測值和模擬值之間的對比Fig.2 Comparison between the observed and simulated CH4 flux during rice growth period for the different treatments

表5 4種處理下甲烷排放量實(shí)測值和模擬值之間的比較

Table 5 Comparison between the observed and simulated CH4emission from each treatment kg/hm2

處理Treatments2012實(shí)測值Observed模擬值Simulated2013實(shí)測值Observed模擬值Simulated對照Control560.65±63.38b5561059.08±110.19b1015施氮Nfertilizer706.60±44.79b7361155.46±118.30ab1032蠶豆+NBroadbean+N1262.12±111.95a8601420.36±63.43a1247苜蓿+NAlfalfa+N1055.89±45.62a8331293.72±100.89ab1141

由表6可知，凈全球變暖潛力(NGWP)和溫室氣體排放強(qiáng)度(GHGI)在對照和氮肥處理之間無顯著差異(P>0.05)。與對照和氮肥處理相比，2012年蠶豆+N處理顯著提高了NGWP和GHGI(P<0.05)，苜蓿+N處理的GHGI與對照之間在2012年無顯著差異，但2013年顯著低于對照(P<0.05)。

表6 4種處理下凈全球變暖潛力和溫室氣體排放強(qiáng)度實(shí)測值

Table 6 The measured net global warming potential and greenhouse gas intensity from each treatment

處理Treatments凈全球變暖潛力NGWP(tCO2eq/hm2)20122013溫室氣體排放強(qiáng)度GHGI(kgCO2eq/kggrain)20122013對照Control12.23±1.63c27.80±2.64a1.45±0.14b3.35±0.13a氮肥Nfertilizer14.25±0.76bc29.03±3.05a1.41±0.07b2.70±0.25ab蠶豆+NBroadbean+N23.16±2.86a34.69±1.85a2.23±0.33a3.14±0.24ab苜蓿+NAlfalfa+N19.31±1.34ab30.91±2.73a1.69±0.16b2.55±0.21c

2.4 DNDC模型對不同苜蓿綠肥和氮肥處理下水稻產(chǎn)量、土壤碳儲(chǔ)量速率、溫室氣體排放的模擬和預(yù)測

通過DNDC模擬預(yù)測苜蓿和氮肥用量對水稻系統(tǒng)的影響，表7是施氮處理和苜蓿+N處理的實(shí)際測定值和4種模擬管理情景下產(chǎn)量、土壤碳儲(chǔ)量速率和CH4排放的預(yù)測值。與施氮處理相比，當(dāng)?shù)视昧繙p少1/2，苜蓿用量不變時(shí)(苜蓿+1/2N 情景)，產(chǎn)量僅降低了2.68%；當(dāng)?shù)视昧繙p少2/5時(shí)(苜蓿+3/5N 情景)，產(chǎn)量增加1.88%，可是溫室氣體排放強(qiáng)度降低32.21%。與苜蓿+N處理的實(shí)測值相比，當(dāng)綠肥用量增加1/5，氮肥減少1/5時(shí)(6/5苜蓿+4/5N 情景)，產(chǎn)量僅降低3.25%，溫室氣體的排放強(qiáng)度降低52.11%；當(dāng)苜蓿用量增加1/2，氮肥用量減少1/2時(shí)(3/2苜蓿+1/2N), 產(chǎn)量降低了6.19%，溫室氣體的排放強(qiáng)度降低55.06%。因此，將氮肥用量減少20%，苜蓿用量提高20%，不僅可以維持水稻的高產(chǎn)，也可顯著降低溫室氣體的排放強(qiáng)度。

表7 DNDC模型預(yù)測不同情景水稻系統(tǒng)產(chǎn)量、碳儲(chǔ)量速率和溫室效應(yīng)

Table 7 The grain yield， soil carbon storage rate, and greenhouse effect from each scenario predicted using DNDC model

處理和情景Treatmentandscenarios產(chǎn)量Grainyield(kg/hm2)甲烷CH4(kg/hm2)碳儲(chǔ)量速率Soilcarbonstoragerate(kgC/hm2)凈全球變暖潛力NGWP(tCO2eq/hm2)溫室氣體排放強(qiáng)度GHGI(kgCO2eq/kggrain)氮肥Nfertilizer10415.05931.03525.0018.301.76苜蓿+NAlfalfa+N11783.201174.811300.0025.112.13苜蓿+1/2NAlfalfa+1/2N10136.25994.672241.5012.771.26苜蓿+3/5NAlfalfa+3/5N10611.52993.332263.0012.661.196/5苜蓿+4/5N6/5alfalfa+4/5N11400.00986.672497.5011.671.023/2苜蓿+1/2N3/2alfalfa+1/2N11053.75984.002782.0010.580.96

注：1/2N，3/5N，4/5N分別表示氮肥用量(200 kg/hm2)是傳統(tǒng)用量的1/2，3/5和4/5，即100，120，160 kg/hm2。6/5苜蓿，3/2苜蓿分別表示苜蓿用量是本研究處理苜蓿用量(3000 kg/hm2)的1.2和1.5倍，即3600和 4500 kg/hm2。
Note：1/2N, 3/5N and 4/5N stand for the application N at 1/2, 3/5 and 4/5 of traditional application N amount (200 kg/ha), 100, 120, 160 kg/ha, respectively.6/5 alfalfa and 3/2 alfalfa stand for the application alfalfa at 6/5 and 3/2 of application alfalfa amount in present study (3000 kg/ha), 3600 and 4500 kg/ha, respectively.

3 討論

3.1 苜蓿綠肥能夠增加水稻產(chǎn)量，有效控制溫室氣體的排放強(qiáng)度

研究表明綠肥能夠有效改善土壤有機(jī)質(zhì)、提高作物產(chǎn)量[21-22]。綠肥對作物產(chǎn)量的影響程度主要依賴于綠肥的質(zhì)量，C/N和C/P低的綠肥能夠更有效地促進(jìn)作物產(chǎn)量[23-24]。本研究中，與對照相比，苜蓿和蠶豆綠肥均顯著提高了水稻產(chǎn)量，其中，苜蓿綠肥比蠶豆綠肥的增產(chǎn)效果顯著，主要是因?yàn)檐俎５腃/N和C/P均低于蠶豆。因此，苜蓿+N處理下輸入的氮源(330 kg N/hm2)高于蠶豆+N處理(275 kg N/hm2)，導(dǎo)致苜蓿+N處理的水稻和土壤微生物獲得更多可利用的氮，從而促進(jìn)了水稻的生長和發(fā)育。

農(nóng)業(yè)生態(tài)系統(tǒng)溫室氣體排放包含微生物和植物兩方面的生物進(jìn)程[25-26]。輸入土壤的碳和氮強(qiáng)烈地影響土壤微生物的數(shù)量和活性，進(jìn)而影響溫室氣體的排放[27]，而氮源是控制土壤微生物自養(yǎng)和異養(yǎng)呼吸的最重要的因子之一[28-29]，土壤碳、氮含量變化直接影響土壤微生物數(shù)量、活性和溫室氣體的排放。綠肥作為土壤重要的碳、氮來源，其分解過程是微生物和有機(jī)物質(zhì)相互作用的過程，綠肥分解釋放的氮在土壤中能夠迅速礦化，滿足作物和微生物對氮的需求[30]。本研究中，與氮肥處理相比，綠肥+N處理均顯著促進(jìn)了水稻系統(tǒng)CH4的排放，與許多前人的研究結(jié)果一致[23,31]。然而，苜蓿和蠶豆綠肥對稻田CH4排放的影響有所不同，苜蓿+N處理下，CH4的排放低于蠶豆+N。稻田添加有機(jī)物質(zhì)促進(jìn)CH4的排放[23,32]，主要是因?yàn)榇罅刻荚吹妮斎霝镃H4的產(chǎn)生提供了充足的基質(zhì)。蠶豆C/N(17.4)高于苜蓿(9.2)，富含不穩(wěn)定態(tài)碳，能夠?yàn)楫a(chǎn)CH4菌提供更多的基質(zhì)[33-34]，同時(shí)在水淹條件下容易降低氧化還原電位，為CH4的產(chǎn)生創(chuàng)造良好的條件[35]。此外，高C/N造成蠶豆的分解速率緩慢，導(dǎo)致蠶豆的有機(jī)碳礦化要比苜蓿慢，又為CH4的產(chǎn)生提供更多的碳基質(zhì)，因此，蠶豆+N處理下CH4的排放量高于苜蓿。這一研究結(jié)果與Kim等[23]一致，即在水稻系統(tǒng)添加紫云英(Astragalussinicus)(C/N 14.8)綠肥的CH4排放比黑麥(Secalecerealis)(C/N 64.3)綠肥低。

凈全球變暖潛力(NGWP)是基于溫室氣體(CH4和N2O)的排放和碳儲(chǔ)量速率而計(jì)算，溫室氣體強(qiáng)度(GHGI)反映的是單位產(chǎn)量的凈全球變暖潛力。本研究中，NGWP大部分的貢獻(xiàn)來源于CH4，占了NGWP總量的97.39%～99.43%，N2O對NGWP的貢獻(xiàn)很小，貢獻(xiàn)率僅為0.57%～2.61%。氮肥和綠肥均促進(jìn)了稻田NGWP，綠肥+N處理下，NGWP顯著高于氮肥和對照處理，這主要是CH4排放增加導(dǎo)致；而苜蓿+N處理下的NGWP小于蠶豆+N處理，因?yàn)樾Q豆+N處理顯著促進(jìn)了CH4排放，而不是土壤碳儲(chǔ)量的變化。這一研究結(jié)果表明，C/N低的綠肥與C/N高的綠肥相比，CH4的排放減少，NGWP也隨之降低。盡管苜蓿+N處理下NGWP有所提高，但是溫室氣體的排放強(qiáng)度(GHGI)與對照和施氮處理相比，均無顯著差異，而蠶豆+N處理則不僅提高了NGWP，溫室氣體的排放強(qiáng)度也隨之提高。

3.2 溫度、CO2、土壤碳庫和土壤粘粒是影響稻田溫室氣體排放的關(guān)鍵因子

產(chǎn)量、碳儲(chǔ)量速率、CH4和N2O排放對溫度均比較敏感。增溫對水稻增產(chǎn)的作用并不顯著，但顯著促進(jìn)了CH4和N2O的排放，同時(shí)降低了碳儲(chǔ)量的累積速率。這一模擬結(jié)果與許多稻田增溫試驗(yàn)的研究結(jié)果相一致[36-37]。研究表明，增溫能夠促進(jìn)土壤微生物的活性、加速土壤生物化學(xué)進(jìn)程[38]。本研究中，增溫可能促進(jìn)了產(chǎn)甲烷菌活性和水稻生長速率，通過根系和根系分泌物增加了土壤碳基質(zhì)[39-40]，為CH4的產(chǎn)生提供了更多的基質(zhì)，從而增加了CH4的排放量；硝化和反硝化作用是產(chǎn)生N2O的必要進(jìn)程[41-42]，增溫可能加速硝化和反硝化進(jìn)程從而促進(jìn)N2O的排放。與此同時(shí)，增溫卻降低了土壤碳儲(chǔ)量速率，因?yàn)樘純?chǔ)量是土壤碳與大氣中CO2交互的結(jié)果[43]，土壤中有機(jī)碳經(jīng)過微生物作用，消耗掉易分解的碳，留下不易分解、長時(shí)間內(nèi)可以保持穩(wěn)定狀態(tài)的碳即是土壤碳儲(chǔ)量。而增溫促進(jìn)土壤呼吸、促進(jìn)CH4的產(chǎn)生[44]，加速了土壤中碳的消耗進(jìn)程，從而降低了土壤碳儲(chǔ)量速率。

大氣CO2濃度對產(chǎn)量和溫室氣體排放的影響歷來是研究的熱點(diǎn)[36,45-46]。隨著化石燃料燃燒、土地利用和覆蓋度變化，大氣中CO2濃度持續(xù)增加，甚至突破400 mg/m3[47]。本研究中，DNDC模擬結(jié)果顯示，CO2濃度對產(chǎn)量的影響程度甚至高達(dá)1.326，即CO2濃度提高1倍，產(chǎn)量提高1.326倍，同時(shí)也促進(jìn)了碳儲(chǔ)量累積和CH4的排放。可是在綠肥+N處理下，產(chǎn)量已接近飽和，因此，CO2濃度升高引起大幅增產(chǎn)并不現(xiàn)實(shí)。因此，CO2濃度升高可提高產(chǎn)量，但是也促進(jìn)了CH4排放，加劇了全球潛在變暖趨勢。

整體而言，溫度和大氣CO2濃度增加將進(jìn)一步促進(jìn)全球變暖趨勢，但是增溫的增產(chǎn)效果卻并不顯著，雖然CO2濃度提升的增產(chǎn)效果顯著，但是對全球變暖的貢獻(xiàn)也不容忽視。因此，嚴(yán)格控制全球氣溫和CO2濃度升高，對于減輕全球溫室效應(yīng)具有重要作用。

3.3 土壤碳庫和土壤粘粒與水稻產(chǎn)量、碳儲(chǔ)量和溫室氣體排放的相關(guān)性

土壤有機(jī)碳是衡量土壤質(zhì)量的一個(gè)重要指標(biāo)，也是實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的重要條件[48]。本研究的模擬結(jié)果表明，土壤有機(jī)碳增加能夠促進(jìn)CH4和N2O的排放，同時(shí)降低土壤碳儲(chǔ)量的速率。土壤有機(jī)碳增加能夠?yàn)镃H4的產(chǎn)生提供更多的碳源作為碳基質(zhì)；另外，良好的水稻生長促進(jìn)了水稻根系和自身組織的生長，為CH4的排放提供了良好的排放路徑，因?yàn)?0%～90% 的CH4是通過水稻自身的通氣組織釋放[49]。通常土壤有機(jī)碳的含量越高，其他營養(yǎng)物質(zhì)也越高，土壤中的氮含量也越高[48]，而土壤中無機(jī)氮(NO3、NH4)既是植物可直接吸收利用的氮，同時(shí)也是N2O產(chǎn)生的重要基質(zhì)[50]。因此，土壤中無機(jī)氮的增加既可以提高產(chǎn)量，也可促進(jìn)N2O的排放量，但同時(shí)也可能降低CH4的排放，因?yàn)橥寥乐袩o機(jī)氮，尤其是銨態(tài)氮可促進(jìn)CH4氧化菌的活性[51]，提高CH4的氧化量，從而降低CH4的排放量。CH4排放對土壤質(zhì)地也很敏感。土壤質(zhì)地越重(粘粒含量高)，CH4排放量越小，因?yàn)橥寥乐姓沉５奈兆饔孟拗屏送寥牢⑸飳扇芙馓嫉睦肹52]，因此，提高土壤有機(jī)碳和無機(jī)氮對增產(chǎn)、減排至關(guān)重要。

3.4 DNDC模型本土化的準(zhǔn)確性

利用DNDC模型對稻田碳、氮循環(huán)的模擬研究已有報(bào)道[18,53]。但是，DNDC模型對苜蓿綠肥處理下產(chǎn)量和溫室氣體排放的模擬和預(yù)測報(bào)道較少。本研究中，根據(jù)水稻品種和管理模式的不同調(diào)整了模型中默認(rèn)的作物相關(guān)的參數(shù)。由于綠肥促進(jìn)水稻的生長，所以提高綠肥模式下根系占總生物量的比例。試驗(yàn)區(qū)2012年度的氣候?qū)僬Ｄ攴?，模型對不同處理下水稻產(chǎn)量和CH4排放均有準(zhǔn)確的模擬，水稻生長季CH4的排放趨勢模擬與實(shí)際觀測值接近，而2013年對水稻生長后期CH4的排放速率的模擬值均高于實(shí)際值。本研究中，模型對不同處理下N2O排放的模擬值均低于實(shí)測值。DNDC模型對N2O模擬的化學(xué)反應(yīng)取決于土壤中亞硝酸鹽含量、土壤pH值和溫度，當(dāng)pH<5.0時(shí)，相關(guān)化學(xué)反應(yīng)開始啟動(dòng)[54]。因此，推測本研究對N2O排放量模擬偏低的主要原因是模型高估了通過徑流和地下滲漏流失的氮，以及對土壤pH和溫度變化的不敏感所致，相關(guān)參數(shù)有待于進(jìn)一步調(diào)整。本研究實(shí)測數(shù)據(jù)和許多研究均表明N2O排放對稻田溫室氣體的貢獻(xiàn)僅為0.5%～6.0%[23,55-56]，因此，模型對N2O排放的低估對本研究預(yù)測溫室效應(yīng)的影響較小。因此，推測在極端高溫環(huán)境下，DNDC模型內(nèi)部有關(guān)碳和氮循環(huán)進(jìn)程的參數(shù)需要進(jìn)一步調(diào)節(jié)后，可能更有利于模擬實(shí)際情況；在氣候正常年份，該本地化DNDC模型能夠準(zhǔn)確模擬長江中下游地區(qū)紫花苜蓿綠肥情景下水稻生長和溫室氣體排放規(guī)律。

4 結(jié)論

CH4是稻田系統(tǒng)最主要的溫室氣體，施用綠肥可提高水稻產(chǎn)量，但也促進(jìn)了CH4的排放。苜蓿綠肥C/N較低(9.2)，顯著提高了水稻產(chǎn)量，且CH4排放量低于蠶豆(C/N 17.4)+N處理。溫室氣體排放強(qiáng)度在苜蓿+N處理下低于蠶豆+N，且與對照和施氮處理并無顯著差異。因此，苜蓿+N處理既可提高水稻產(chǎn)量，又可控制溫室氣體的排放強(qiáng)度(GHGI)。通過將DNDC模型本土化后，模擬預(yù)測發(fā)現(xiàn)，當(dāng)綠肥的C/N低于10時(shí)，減少1/5氮肥用量仍可實(shí)現(xiàn)增產(chǎn)、控制溫室氣體排放強(qiáng)度。通過DNDC模型的敏感性分析表明，大氣溫度、CO2濃度、土壤有機(jī)碳和土壤粘粒對稻田CH4和N2O排放非常敏感；其中，大氣溫度、CO2濃度和土壤有機(jī)碳與CH4和N2O的排放呈顯著正相關(guān)關(guān)系，而土壤粘粒與CH4排放呈顯著負(fù)相關(guān)關(guān)系。因此，選擇合適質(zhì)地的土壤，添加C/N低的苜蓿綠肥，控制大氣溫度和CO2濃度，可有效減少稻田CH4和N2O的排放，增加水稻產(chǎn)量。

[1] Khan S, Mulvaney R, Ellsworth T,etal. The myth of nitrogen fertilization for soil carbon sequestration. Journal of Environmental Quality, 2007, 36(6): 1821-1832.

[2] Scheer C, Del Grosso S J, Parton W J,etal. Modeling nitrous oxide emissions from irrigated agriculture: testing DayCent with high-frequency measurements. Ecological Applications, 2014, 24(3): 528-538.

[3] International Rice Research Institute. World rice statistics, report, Laguna, Philippines. http://www.irri.org/science/ricestat/index.asp, 2002.

[4] Scheehle E A, Kruger D. Global anthropogenic methane and nitrous oxide emissions. The Energy Journal, 2006, 27: 33-44.

[5] Cui F, Zheng X, Liu C,etal. Assessing biogeochemical effects and best management practice for a wheat-maize cropping system using the DNDC model. Biogeosciences, 2014, 11(1): 91-107.

[6] Minamikawa K, Fumoto T, Itoh M,etal. Potential of prolonged midseason drainage for reducing methane emission from rice paddies in Japan: a long-term simulation using the DNDC-Rice model. Biology and Fertility of Soils, 2014, 50(6): 879-889.

[7] Kraus D, Weller S, Klatt S,etal. A new Landscape DNDC biogeochemical module to predict CH4and emissions from lowland rice and upland cropping systems. Plant and Soil, 2015, 386(1): 125-149.

[8] Ma L, Zhou P, Gao X Y,etal. Growth and nutrient dynamics of non—fall dormancy and semi—fall dormancy alfalfa cultivars in winter fallow land of south—east China. Chinese Journal of Grassland, 2014, 61(1): 119-130.

[9] Bekku Y, Koizumi H, Nakadai T,etal. Measurement of soil respiration using closed chamber method: an IRGA technique. Ecological Research, 1995, 10(3): 369-373.

[10] Frei M, Razzak M, Hossain M,etal. Methane emissions and related physicochemical soil and water parameters in rice-fish systems in Bangladesh. Agriculture, Ecosystems & Environment, 2007, 120(2): 391-398.

[11] Datta A, Nayak D, Sinhababu D,etal. Methane and nitrous oxide emissions from an integrated rainfed rice-fish farming system of Eastern India. Agriculture, Ecosystems & Environment, 2009, 129(1): 228-237.

[12] Pathak H, Byjesh K, Chakrabarti B,etal. Potential and cost of carbon sequestration in Indian agriculture: estimates from long-term field experiments. Field Crops Research, 2011, 120(1): 102-111.

[13] Steinbeiss S, Temperton V, Gleixner G. Mechanisms of short-term soil carbon storage in experimental grasslands. Soil Biology and Biochemistry, 2008, 40(10): 2634-2642.

[14] Ma Y, Kong X, Yang B,etal. Net global warming potential and greenhouse gas intensity of annual rice-wheat rotations with integrated soil-crop system management. Agriculture, Ecosystems & Environment, 2013, 164: 209-219.

[15] Mosier A R, Halvorson A D, Reule C A,etal. Net global warming potential and greenhouse gas intensity in irrigated cropping systems in northeastern Colorado. Journal of Environmental Quality, 2006, 35(4): 1584-1598.

[16] Li C, Frolking S, Frolking T A. A model of nitrous oxide evolution from soil driven by rainfall events: 1. Model structure and sensitivity. Journal of Geophysical Research-Atmospheres, 1992, 97(9): 9759-9776.

[17] Gao X, Lv A, Zhou P, Qian Y,etal. Effect of green manures on rice growth and plant nutrients under conventional and no-till systems. Agronomy Journal, 2015, 107(6): 2335-2346.

[18] Zhao Z, Zhang H, Li C,etal. Quantifying nitrogen loading from a paddy field in Shanghai, China with modified DNDC model. Agriculture, Ecosystems & Environment, 2014, 197: 212-221.

[19] Yang J, Yang J, Liu S,etal. An evaluation of the statistical methods for testing the performance of crop models with observed data. Agricultural Systems, 2014, 127: 81-89.

[20] Smith P, Smith J, Powlson D,etal. A comparison of the performance of nine soil organic matter models using datasets from seven long-term experiments. Geoderma, 1997, 81(1): 153-225.

[21] Egodawatta W, Sangakkara U, Stamp P. Impact of green manure and mineral fertilizer inputs on soil organic matter and crop productivity in a sloping landscape of Sri Lanka. Field Crops Research, 2012, 129: 21-27.

[22] Pypers P, Bimponda W, Lodi-Lama J P,etal. Combining mineral fertilizer and green manure for increased, profitable cassava production. Agronomy Journal, 2012, 104(1): 178-187.

[23] Kim S Y, Lee C H, Gutierrez J,etal. Contribution of winter cover crop amendments on global warming potential in rice paddy soil during cultivation. Plant and Soil, 2013, 366(1): 273-286.

[24] Tejada M, Gonzalez J, García-Martínez A,etal. Effects of different green manures on soil biological properties and maize yield. Bioresource Technology, 2008, 99(6): 1758-1767.

[25] Trumbore S. Carbon respired by terrestrial ecosystems-recent progress and challenges. Global Change Biology, 2006, 12(2): 141-153.

[26] Kimura M, Murase J, Lu Y H. Carbon cycling in rice field ecosystems in the context of input, decomposition and translocation of organic materials and the fates of their end products (CO2and CH4). Soil Biology & Biochemistry, 2004, 36(9): 1399-1416.

[27] Guo Z, Cai C, Li Z,etal. Crop residue effect on crop performance, soil N2O and CO2emissions in alley cropping systems in subtropical China. Agroforestry Systems, 2009, 76(1): 67-80.

[28] Lindau C, Bollich P, Delaune R,etal. Effect of urea fertilizer and environmental factors on CH4emissions from a Louisiana, USA rice field. Plant and Soil, 1991, 136(2): 195-203.

[29] Zheng J, Zhang X, Li L,etal. Effect of long-term fertilization on C mineralization and production of CH4and CO2under anaerobic incubation from bulk samples and particle size fractions of a typical paddy soil. Agriculture, Ecosystems & Environment, 2007, 120(2): 129-138.

[30] Aulakh M S, Khera T S, Doran J W. Yields and nitrogen dynamics in a rice-wheat system using green manure and inorganic fertilizer. Soil Science Society of America Journal, 2000, 64: 1867-1876.

[31] Aulakh M S, Khera T S, Doran J W,etal. Denitrification, N2O and CO2fluxes in rice-wheat cropping system as affected by crop residues, fertilizer N and legume green manure. Biology and Fertility of Soils, 2001, 34(6): 375-389.

[32] Bhattacharyya P, Roy K, Neogi S,etal. Effects of rice straw and nitrogen fertilization on greenhouse gas emissions and carbon storage in tropical flooded soil planted with rice. Soil and Tillage Research, 2012, 124: 119-130.

[33] Ghani A, Dexter M, Perrott K. Hot-water extractable carbon in soils: a sensitive measurement for determining impacts of fertilisation, grazing and cultivation. Soil Biology and Biochemistry, 2003, 35(9): 1231-1243.

[34] Le Mer J, Roger P. Production, oxidation, emission and consumption of methane by soils: a review. European Journal of Soil Biology, 2001, 37(1): 25-50.

[35] Gaihre Y K, Wassmann R, Villegas-Pangga G. Impact of elevated temperatures on greenhouse gas emissions in rice systems: interaction with straw incorporation studied in a growth chamber experiment. Plant and Soil, 2013, 373(1): 857-875.

[36] Cheng W, Sakai H, Hartley A,etal. Increased night temperature reduces the stimulatory effect of elevated carbon dioxide concentration on methane emission from rice paddy soil. Global Change Biology, 2008, 14(3): 644-656.

[37] Yun S I, Kang B M, Lim S S,etal. Further understanding CH4emissions from a flooded rice field exposed to experimental warming with elevated CO2. Aricultural and Forest Meteorology, 2012, 154: 75-83.

[38] Frey S D, Lee J, Melillo,etal. The temperature response of soil microbial efficiency and its feedback to climate. Nature Climate Change, 2013, 3(4): 395-398.

[39] Blanco-Canqui H, Lal R. Soil and crop response to harvesting corn residues for biofuel production. Geoderma, 2007, 141(3): 355-362.

[40] Nagarajan V K, Jain A, Poling M D,etal. Arabidopsis Pht1; 5 mobilizes phosphate between source and sink organs and influences the interaction between phosphate homeostasis and ethylene signaling. Plant Physiology, 2011, 156(3): 1149-1163.

[41] Kool D M, Dolfing J, Wrage N,etal. Nitrifier denitrification as a distinct and significant source of nitrous oxide from soil. Soil Biology and Biochemistry, 2011, 43(1): 174-178.

[42] Yang W H, Teh Y A, Silver W L. A test of a field-based15N-nitrous oxide pool dilution technique to measure gross N2O production in soil. Global Change Biology, 2011, 17(12): 3577-3588.

[43] Zheng X, Xie B, Liu C,etal. Quantifying net ecosystem carbon dioxide exchange of a short-plant cropland with intermittent chamber measurements. Global Biogeochemical Cycles, 2008, 22(3): 148-152.

[44] Liu L, Hu C, Yang P,etal. Effects of experimental warming and nitrogen addition on soil respiration and CH4fluxes from crop rotations of winter wheat-soybean/fallow. Agricultural and Forest Meteorology, 2015, 207: 38-47.

[45] Inubushi K, Cheng W, Aonuma S,etal. Effects of free-air CO2enrichment (FACE) on CH4emission from a rice paddy field. Global Change Biology, 2003, 9(10): 1458-1464.

[46] Dijkstra F A, Prior S A, Runion G B,etal. Effects of elevated carbon dioxide and increased temperature on methane and nitrous oxide fluxes: evidence from field experiments. Frontiers in Ecology and the Environment, 2012, 10(10): 520-527.

[47] Guardian T. Global Carbon Dioxide Levels Break 400 ppm Milestone[N]. UK: The Guardian, 2015.

[48] Kundu S, Bhattacharyya R, Prakash V,etal. Carbon sequestration and relationship between carbon addition and storage under rainfed soybean-wheat rotation in a sandy loam soil of the Indian Himalayas. Soil and Tillage Research, 2007, 92(1): 87-95.

[49] Butterbach-bahl K, Papen H, Rennenberg H. Impact of gas transport through rice cultivars on methane emission from rice paddy fields. Plant, Cell & Environment, 1997, 20(9): 1175-1183.

[50] Ma J, Li X, Xu H,etal. Effects of nitrogen fertiliser and wheat straw application on CH4and N2O emissions from a paddy rice field. Soil Research, 2007, 45(5): 359-367.

[51] Schimel J. Global change: rice, microbes and methane. Nature, 2000, 403: 375-377.

[52] Li C, Mosier A, Wassmann R,etal. Modeling greenhouse gas emissions from rice-based production systems: Sensitivity and upscaling. Global Biogeochemical Cycles, 2004, 18(1): 1-19.

[53] Kim Y, Seo Y, Kraus D,etal. Estimation and mitigation of N2O emission and nitrate leaching from intensive crop cultivation in the Haean catchment, South Korea. Science of the Total Environment, 2015, 529: 40-53.

[54] Li C S, Aber J, Stange F,etal. A process-oriented model of N2O and NO emissions from forest soils: 1. Model development. Journal of Geophysical Research-Atmospheres, 2000, 105(4): 4369-4384.

[55] Shang Q, Yang X, Gao C,etal. Net annual global warming potential and greenhouse gas intensity in Chinese double rice-cropping systems: a 3-year field measurement in long-term fertilizer experiments. Global Change Biology, 2011, 17(6): 2196-2210.

[56] Pittelkow C M, Adviento-Borbe M A, Hill J E,etal. Yield-scaled global warming potential of annual nitrous oxide and methane emissions from continuously flooded rice in response to nitrogen input. Agriculture, Ecosystems & Environment, 2013, 177: 10-20.

[8] 馬力, 周鵬, 高小葉, 等. 非秋眠和半秋眠紫花苜蓿品種在華東冬閑田的生長規(guī)律和營養(yǎng)動(dòng)態(tài). 中國草地學(xué)報(bào), 2014, 61(1): 119-130.

Effects of alfalfa green manure on rice production and greenhouse gas emissions based on a DNDC model simulation

GAO Xiao-Ye, YUAN Shi-Li, LV Ai-Min, ZHOU Peng, AN Yuan*

SchoolofAgricultureandBiology,ShanghaiJiaoTongUniversity,Shanghai200240,China

The denitrification and decomposition (DNDC) model simulates carbon and nitrogen cycles on the basis of biogeochemical processes, and it has been widely used to simulate greenhouse gas emissions in rice (Oryzasativa) paddy fields. However, few studies have used the DNDC model to simulate the effects of green manure on paddy fields in southern China. In this study, we applied four management scenarios, including a control (no N fertilizer, no green manure), N fertilizer (200 kg/ha), alfalfa (Medicagosativa)+N (3000 kg DM/ha+200 kg N/ha), and broad bean (Viciafaba)+N (3000 kg DM/ha+200 kg N/ha), to investigate the effects of green manure on rice production and greenhouse gas emissions. The overall aim of the study was to establish the relationships between green manures and production and greenhouse gas emissions by using the DNDC model. The results showed that the average grain yields in the two years were 41.85%, 29.81%, and 25.36% higher in the alfalfa+N, broad bean+N, and N fertilizer treatments, respectively, than in the control. The most pronounced increase in CH4emissions was in the broad bean+N treatment, which had a high C/N. The greenhouse gas intensity (GHGI) was not significantly different between the alfalfa+N, control, and N-fertilizer scenarios. Through adjusting the cropping parameters in the DNDC model, the simulated values and observed values for grain yield were quite similar, and theR2value between them in a correlation analysis was 0.89 (relative mean deviation, -0.8%). Air temperature, CO2concentration, soil organic carbon, and the soil clay fraction were all sensitive to CH4and N2O emissions. Temperature, CO2concentration, and soil organic carbon were all positively related to CH4and N2O emissions, while the soil clay fraction was negatively related to CH4emissions. These results indicated that the localized DNDC model could accurately simulate the effects of alfalfa green manure on rice grain yield and greenhouse gas emissions.

DNDC; CH4; soil carbon storage; N2O

10.11686/cyxb2016038

http://cyxb.lzu.edu.cn

2016-01-21；改回日期：2016-03-15

上海市科委基礎(chǔ)重點(diǎn)項(xiàng)目(13JC1403200),上海市農(nóng)委攻關(guān)項(xiàng)目[滬農(nóng)科攻字(2013)第5-10號]和上海市科委科技創(chuàng)新行動(dòng)計(jì)劃項(xiàng)目(15391912400)資助。

高小葉(1986-)，女，陜西安塞人，在讀博士。E-mail: gaoxiaoye1220@163.com*通信作者Corresponding author. E-mail: anyuan@sjtu.edu.cn

高小葉， 袁世力， 呂愛敏， 周鵬， 安淵. DNDC模型評估苜蓿綠肥對水稻產(chǎn)量和溫室氣體排放的影響. 草業(yè)學(xué)報(bào), 2016, 25(12): 14-26.

GAO Xiao-Ye， YUAN Shi-Li, LV Ai-Min, ZHOU Peng, AN Yuan. Effects of alfalfa green manure on rice production and greenhouse gas emissions based on a DNDC model simulation. Acta Prataculturae Sinica, 2016, 25(12): 14-26.