楊雨茗. 不同模擬方法對稻麥輪作系統溫室氣體估算差異［J］. 江蘇農業(yè)科學，2024，52（7）：231-240.

doi：10.15889/j.issn.1002-1302.2024.07.031

（河海大學環(huán)境學院，江蘇南京 210098）

摘要：溫室氣體排放導致的全球氣候變化問題是社會關注的重要問題，如何較準確地估算各領域內的溫室氣體排放通量對制定減排策略具有重要意義。為分析研究區(qū)水稻—冬小麥輪作系統溫室氣體（CH4、N2O）排放水平，對比IPCC2006 Tier2及DNDC模型法估算研究區(qū)稻麥輪作系統的CH4和N2O排放通量估算差異，定量評估DNDC模型是否適用于輪作系統的溫室氣體排放估算。 于2015—2018年進行稻麥輪作野外試驗，利用靜態(tài)箱-氣相色譜分析法定期測定CH4和N2O排放通量，結合田間管理和氣象數據開展IPCC2006 Tier2和DNDC模型模擬，利用DNDC模型模擬輪作和非輪作情景的稻麥溫室氣體排放通量。結果表明，DNDC模型可以較好地模擬出稻田CH4、N2O和麥田N2O排放通量時序變化特征，估算誤差分別為-4.8%、-11.6%、-10.8%，精度優(yōu)于IPCC2006 Tier2；DNDC模型對稻麥輪作的GWP模擬精度高于IPCC2006 Tier2，稻田和麥田GWP模擬相對誤差分別為-5.9%、-21.7%；除了冬小麥生育期CH4排放通量，DNDC輪作模式對其他稻麥輪作溫室氣體排放通量的模擬相對誤差均低于非輪作模式。進而為區(qū)域農業(yè)溫室氣體估算及制定減排方案提供科學依據。

關鍵詞：稻麥輪作；DNDC模型；IPCC2006 Tier2；溫室氣體

中圖分類號：S181；S344.1? 文獻標志碼：A? 文章編號：1002-1302（2024）07-0231-09

氣候變化是當前國際社會最關注的議題之一，人類活動排放的大量溫室氣體是氣候變化的主要原因，尤其是近50年，人類活動對氣候變化的影響愈加嚴重［1-2］。甲烷（CH4）和氧化亞氮（N2O）作為主要的溫室氣體，自工業(yè)革命以來，大氣中的濃度分別增加150%、20%。水稻和冬小麥田是CH4和N2O的重要排放源，據估算，我國水田和旱地每年約排放6.85 Tg CH4和1.6 Tg N2O［3-4］。農田扮演著糧食生產和溫室氣體排放源/匯2個重要角色，如何較準確地估算出農田溫室氣體排放量，是科學家們的重要關注點。當前區(qū)域農田溫室氣體估算方法主要分為3種：排放系數法、經驗模型法和機理模型法。排放系數一般根據當地的點位試驗得出，其與研究區(qū)域面積的乘積即為總排放通量，在缺少試驗數據的情況下，可采用聯合國政府間氣候變化專門委員會（IPCC）的推薦值。該方法計算簡便，輸入項少，適用于地區(qū)或國家間的溫室氣體評估工作，因此，該方法被廣泛應用于國家間和全球尺度的排放清單研究中，被視為區(qū)域農田溫室氣體估算研究的參考值。農田溫室氣體排放系數與環(huán)境因素之間存在復雜的響應關系，如土壤、氣象條件和施肥量等，因此估算結果有較大的不確定性［5-6］。經驗模型是利用數學方法定量得出試驗中溫室氣體排放通量與各因素之間的關系，并進一步外推到大尺度。經驗回歸模型的數學表達式直觀易懂，各因素與排放通量之間的關系易于解釋，研究者可以根據回歸系數判斷出各因素對溫室氣體排放通量的影響和重要性。在經驗模型中考慮的因素一般包括氣象因素、施肥和其他植被信息［7］。但經驗模型法的精度易受數據源的影響，不同的數據集會得出不同的模型表達式，進而降低模型的可信度。因此，使用該方法時需收集盡可能多或代表性的實測數據。不同于上述2種方法，機理模型更復雜，其由眾多表征生物化學反應的函數構成。不同機理模型之間也存在諸多差異，這主要和模型建立者最初的目的和關注點有關，有些模型側重于更少的輸入項，結合眾多經驗函數，因此適用于更廣泛的區(qū)域；有些模型更側重于機理，需要更多的輸入項來驅動多種理化方程［8］。以CH4模型為例，最早的CH4排放機理模型是1986年的Lovely模型，隨后的40年中，農田CH4排放通量的理論基礎不斷發(fā)展，多種模型應運而生，如DeNitrification-DeComposition[JP2]（DNDC）、CH4MOD、Daily Century Model（DAYCENT）[JP]等。機理模型也擁有點位和區(qū)域尺度上的估算能力，目前機理模型的發(fā)展方向是與其他技術耦合獲得更加可信的估算結果［9］。機理模型最大的優(yōu)勢是可以模擬不同時空尺度的溫室氣體排放通量，得出溫室氣體排放熱點時段和熱點位置，為后期減排措施的制定提供重要的參考依據。機理模型一般需要較多的輸入數據，如土壤屬性、作物參數和氣象數據等，部分難以獲取的數據只能通過經驗或默認值運行，會造成一定的誤差。對于農田溫室氣體估算而言，并不存在最好的方法或標準，研究者需根據研究對象以及研究目的來選擇最佳的研究方法。

農田溫室氣體的排放時空差異大，且受多因素復合影響，給溫室氣體排放通量估算造成了很大的困難，基于不同模擬方法的估算值也會產生較大差異。排放系數法、多元回歸模型法以及機理模型法是點位溫室氣體排放通量估算研究中常用的方法，在水稻和冬小麥的溫室氣體排放通量估算研究中有廣泛應用［10-12］。前人關于稻麥作物的溫室氣體排放通量估算研究大多只關注1種（季）作物，忽略了前茬作物對后茬作物農田土壤環(huán)境的影響。在真實農田生態(tài)環(huán)境中，前一季作物的秸稈、氮素殘留及土壤性質的變化會顯著影響下一季農田土壤環(huán)境和作物生長。Ren等通過3年大田輪作試驗，發(fā)現不同前季作物會顯著改變下一季作物氮利用率［13］。Cha-un 等對比4種不同輪作，發(fā)現不同輪作之間產量、溫室氣體和有機碳（SOC）含量均存在顯著差異，主要原因是不同前季外源碳輸入量會改變下一季作物可用碳水平［14］。排放系數法無法動態(tài)地模擬田間輪作情況，估算結果可能產生誤差。IPCC排放系數法在估算單一作物溫室氣體排放通量時，計算簡便，輸入量均為田間易獲取的參數，但無法在日尺度上評估溫室氣體排放通量。DNDC機理模型可以在日尺度上動態(tài)地模擬碳氮循環(huán)過程，在以輪作形式模擬的過程中，[JP2]前季的土壤SOC含量等參數和秸稈殘留會連續(xù)輸入下一季的模擬數據庫中，可以更真實地模擬出輪作系統的溫室氣體排放。

本研究在2015—2018年田間試驗的基礎上，利用IPCC2006 Tier2及DNDC模型法估算稻麥作物的CH4和N2O排放通量，對比驗證不同估算方法在本研究區(qū)的適用性；利用輪作和非輪作的模擬方法對比DNDC模型在稻麥輪作溫室氣體模擬中的精度，評估DNDC模型是否適用于輪作系統的溫室氣體排放通量。

1 數據來源與研究方法

1.1 試驗設計

本研究收集2015年5月至2018年5月南京信息工程大學農業(yè)氣象試驗站試驗田中的數據。水稻和冬小麥供試品種為南粳46和蘇科麥1號。大田試驗未設置處理，共計6個小區(qū)，每小區(qū)面積為 4 m2（2 m×2 m），所有小區(qū)間有壟做隔斷，小區(qū)間互不影響。具體管理方式及日期見表1。

1.2 溫室氣體數據采集及通量計算

本研究溫室氣體采集和檢測方法為靜態(tài)箱-氣[CM（21]相色譜分析法。圓柱體靜態(tài)箱為透明聚氯乙烯（PVC）塑料材質，直徑17 cm，總高度1.1 m。靜態(tài)箱由基座、柱體和箱蓋組成，桶內安裝電子溫度計記錄桶內氣溫，箱蓋內嵌有微型電風扇。箱蓋上方有密閉采樣孔，可利用注射器采集箱內氣體。氣體采樣周期為7 d，采樣時間為08：00—11：00，采樣日期根據天氣情況微調，選擇晴朗少云的天氣進行。每次采樣前15～20 min，將箱體和箱蓋依次放置，基座及箱體水槽處均灌水作密封處理，接通桶內小電扇15 s，充分混合桶內氣體。采樣時用三通閥注射器（100 mL）抽取桶內氣體，注入50 mL真空玻璃瓶中。每次采樣間隔15 min，并記錄桶內溫度，重復3次，即每塊小區(qū)獲得3個樣品。在稻麥生育期中，溫室氣體采樣時間根據當天天氣微調，為避免采樣過程對幼苗長勢產生影響，在作物生長前期均未采樣。

樣品采集完成后盡快送至實驗室，用氣相色譜儀（安捷倫GC7890B）檢測樣品中溫室氣體（CH4、N2O）濃度。色譜儀的色譜柱為 Porapak Q填充柱，型號為G3591-81013，載氣N2，柱箱溫度50 ℃，FID檢測器溫度為200 ℃，空氣和H2流量分別為400、45 mL/min。根據樣品氣體濃度數據和公式（1）計算溫室氣體排放通量。

F=ρ·H·60·273.15273.15+T·dcdt。（1）

式中：F表示溫室氣體排放通量，mg/（m2·h）；ρ表示標準狀態(tài)下氣體密度（CH4為0.714 kg/m3，N2O為1.25 kg/m3）；H表示采樣桶高度，m；T表示采樣期間桶內溫度， ℃；dc/dt表示桶內氣體濃度隨時間變化的回歸曲線斜率。

1.3 DNDC模型模擬

1.3.1 DNDC模型簡介

DNDC模型作為機理模型，可模擬日尺度的溫室氣體排放通量以及多種空間尺度的溫室氣體排放通量、產量和SOC含量等。DNDC模型包含兩大模塊，第1個模塊由土壤環(huán)境、作物生長和分解子模塊組成，該模塊根據輸入的生態(tài)驅動因子（氣候、土壤、植被和人類活動等）數據，計算土壤溫度、pH值、氧化還原電位（Eh）和土壤中的基質濃度；第2個模塊包含硝化反應、反硝化反應和發(fā)酵子模塊，該模塊根據環(huán)境因素預測N2O、NO、CH4等溫室氣體排放通量。模型通過多種函數方程來表述土壤碳氮循環(huán)過程，將“環(huán)境-作物-土壤”視為有機的統一體，利用驅動數據模擬碳氮元素的分配和去向［15］。

1.3.2 DNDC模型模擬

為評價DNDC在稻麥輪作土壤溫室氣體估算中的精度，在點位模擬模塊中模擬稻麥CH4和N2O日排放通量，并與2015—2017年實測值進行對比，分析排放特征及對比排放通量。分別設置輪作和非輪作2種模擬情景，在輪作模擬過程中，連續(xù)模擬4年3季稻麥輪作的溫室氣體日排放通量；在非輪作模擬過程中，單獨模擬每季作物溫室氣體日排放通量，前后季作物無關聯，每季的土壤參數初始值均與2015年參數相同，僅改變當年氣象輸入數據和田間管理參數。由于采樣頻次限制，溫室氣體累計排放通量實測值為采樣日排放通量線性插值后累加，DNDC累計排放通量為模擬結果的日值之和。對比分析2種模擬方法的溫室氣體排放通量和累計排放通量模擬精度，模擬精度評價指標為相對誤差（Re）。

Re=Ymodel-YobservedYobserved。（2）

式中：Ymodel、Yobserved分別表示模型模擬值、觀測值；從Re可以看出模擬值越接近觀測值，模擬效果越好。

1.3.3 DNDC模型敏感性分析

本研究利用敏感性分析來確定DNDC模型稻麥農田溫室氣體排放通量對環(huán)境等諸多因素的響應。稻田溫室氣體敏感性分析考慮的要素有年均氣溫（T）、年累計降水量（P）、曬田期間平均氣溫（Tm）、曬田期間累計降水量（Pm）、SOC含量、pH值、施肥量（F）和秸稈還田量（S）；麥田溫室氣體敏感性分析考慮的要素有年均氣溫（T）、年累計降水量（P）、SOC含量、pH值、施肥量（F）和秸稈還田量（S）。每個要素均設置一定的變化范圍，依次輸入模型中模擬，各參數設置的變化范圍見表2。敏感性分析輸入的氣候和管理方式等以2015年稻麥種植參數為基準，在2015年氣候和土壤等參數的基礎上模擬并分析，敏感性指數計算公式如下［16］。

SI=Omax-OminOaveImax-IminIave。（3）

式中：SI表示敏感性指數（sensitive index）；I表示各種要素，Imax、Imin分別表示輸入的該要素的最大值、最小值，Iave表示Imax和Imin的平均值；O表示輸入對應要素I后的DNDC模型CH4或N2O模擬值，其中Omax、Omin分別表示溫室氣體排放通量的最大值、最小值，Oave表示Omax和Omin的平均值。SI的絕對值越大，則溫室氣體對該要素的變化越敏感。

利用IPCC 2006 Tier2計算稻麥輪作土壤溫室氣體排放通量，與田間試驗和區(qū)域模擬結果對比和驗證。由于旱田一般呈CH4的“匯”，且CH4吸收量較小，因此本研究不考慮麥田CH4排放通量的計算，具體計算方法如下。

N2Ofertilizer=EFN2O·Napplied/28×44；（4）

CH4paddy=EFi·t；（5）

EFi=EFdrfault·SF1·SF2·SF3·SFt。（6）

式中：N2Ofertilizer表示稻麥田N2O排放通量（以N2O-N計），kg/（hm2·年）；EFN2O表示排放系數（以 N2O-N 計），kg/（hm2·kg）；Napplied表示施氮量，kg/hm2；CH4paddy表示稻田CH4排放通量，kg/（hm2·年）；t表示水稻生育期時長，d；EFi表示計算后的排放系數（以CH4計），kg/（hm2·d）；EFdefault表示稻田CH4排放系數默認值，為 1.3 kg/（hm2·d）；SF（scaling factor）表示不同田間管理方式的調節(jié)系數，本研究中SF考慮了秸稈還田（SFstraw）、水分管理（SFwater）和季前淹水時長（SFpreseason），因此選取IPCC2006推薦值，具體參數見表3。

1.5 全球增溫潛勢

本研究利用全球增溫潛勢（GWP）綜合評價研究區(qū)溫室氣體排放水平和模擬差異，計算公式為

GWP=25×［CH4］+298×［N2O］。（7）

式中：GWP表示全球增溫潛勢［以二氧化碳當量（CO2-eq）計］，kg/hm2；［CH4］、［N2O］分別表示CH4、N2O排放通量，kg/hm2；25、298分別表示CH4、N2O的百年尺度增溫潛勢［17］。

2 結果與分析

2.1 DNDC模型溫室氣體模擬

2.1.1 模型敏感性分析

由表4可知，水稻生育期內CH4累計排放通量對溫度、降水、土壤屬性及管理措施等敏感性有較大差異。曬田期間降水Pm、pH值和施肥量F的CH4敏感性指數為0，說明稻田CH4排放通量對上述指標的變化無響應，T、P、Tm和SOC含量越高，CH4排放通量越高。CH4排放通量對水稻生育期內年均氣溫T和曬田期間平均氣溫Tm的變化最敏感。由于稻田為覆水形式，水稻的生長不存在缺水的情況，因此對生育期間年累計降水量P和曬田期間累計降水量Pm的變化不敏感。CH4排放通量對SOC含量和pH值的敏感性較弱，敏感性指數分別為0.25、0。

水稻N2O排放量對上述指標的變化均有不同程度的響應。水稻N2O排放通量對曬田期間平均氣溫Tm最敏感，其次是平均氣溫T；對生育期間累計降水量P、曬田期間累計降水量Pm、SOC含量和施肥量F變化的敏感性較弱，高pH值的土壤環(huán)境反而會抑制N2O排放。

DNDC模型中冬小麥CH4排放通量對上述參數的變化無響應，敏感性指數均為0。冬小麥N2O排放通量對年均氣溫T、年累計降水量P、pH值和施肥量F均有較強的敏感性。其中，冬小麥N2O排放通量對溫度變量的敏感性最強，但溫度升高反而會降低N2O排放通量；降水量和施肥量的增加，均有利于N2O排放；土壤要素中，冬小麥N2O排放通量對pH值的響應程度高于SOC含量，與稻田相同，高pH值的冬小麥土壤環(huán)境會抑制N2O的排放。

2.1.2 稻田溫室氣體排放通量模擬

由圖1-a可知，DNDC點位模擬可以較好地模擬出2015—2017年水稻CH4排放通量。2015年DNDC稻田CH4排放通量模擬結果與實測值排放特征一致， 但在中期

曬田前，DNDC模型低估了排放通量，在曬田后高估了排放通量。曬田期間模擬結果較好，實測值和模擬值均在0附近，曬田結束并覆水后，實測值均較低，而DNDC模擬得出2個排放峰值，并在落水待收獲期間降至0。在DNDC輪作和非輪作模擬過程中，2015年均為模擬過程的起始年份，因此2種模擬方式的估算值相同。2016年DNDC模型CH4排放通量模擬值與實測值趨勢相同，均模擬出中期曬田前后的2次峰值。但DNDC第2次峰值低于實測值，且CH4排放峰持續(xù)時間更長。在中期曬田前，輪作模擬方式下的稻田CH4排放通量低于非輪作模擬值，在中期曬田后，2種模擬方式的CH4排放通量差異較小。2017年DNDC模型較好地模擬出曬田前后的峰值和變化趨勢，但CH4排放峰模擬值均低于實測值； 與2015年的模擬相同，2017年DNDC模擬值高估了覆水后的CH4排放通量。2017年DNDC模型的輪作和非輪作CH4排放通量模擬結果趨勢相同，輪作模式的模擬值低于非輪作的模擬值。

由圖1-b可知，2015年DNDC模型的水稻N2O排放通量模擬值與實測值偏差較大，DNDC模型的水稻N2O排放通量均在低值附近，而實測值正負交替且波動較大，DNDC無法較好地模擬出2015年N2O的排放和吸收特征。在水稻生育中前期，2015年輪作模式下的N2O排放通量高于非輪作模式下的排放通量，在水稻生育中后期，2種模擬方式的N2O排放通量無差異。2016年DNDC模型模擬出曬田期間N2O排放峰，模擬峰值低于實測值。在淹水期間，DNDC模型的N2O模擬值均在0值附近，且輪作模式下的N2O模擬值高于非輪作模式。2017年N2O排放通量實測值和模擬值較低，僅在曬田期間有微弱排放峰，其他淹水時期均無明顯的排放峰，輪作模擬方式得出中期曬田期間的N2O排放峰，而非輪作模擬方式的N2O無明顯排放峰。

對比2種不同模擬方式下的稻田CH4和N2O累積排放量可知，DNDC模型在輪作模擬方式下的相對誤差低于非輪作模擬方式（表5）。DNDC模型可模擬出稻田CH4的年際變化差異，2016、2017年CH4模擬誤差較大，絕對值均大于20%。3年稻田CH4平均模擬誤差較小，輪作模式下的相對誤差為-4.8%，非輪作模擬方式高估了CH4的排放通量，相對誤差為16.8%。2種模擬方式下，DNDC模型均低估了2015年、2016年的N2O排放通量，而高估了2017年的N2O排放通量。輪作模式下N2O排放通量相對誤差為-16.1%，非輪作模擬方式進一步低估了排放通量，相對誤差為-54.2%。

2.2 麥田溫室氣體排放通量模擬

由圖2-a可知，DNDC模型無法準確地模擬出麥田CH4的排放和吸收特征，模擬值與實測值之間差異較大。DNDC模型模擬得出冬小麥土壤為CH4的吸收“匯”，排放通量均在0附近波動。由表6可知，輪作模擬方式下的CH4排放通量大于非輪作模擬方式。

麥田是N2O重要的排放源，由圖2-b可知，DNDC模型較準確地模擬出N2O排放通量變化特征。2016年麥季，模型準確地模擬出施肥后的第1個N2O排放峰，但模擬值低于實測值，而模型中第2個施肥后N2O排放峰高于實測值。在施肥前，DNDC模型N2O模擬值均在0值附近。輪作模擬方式下的N2O排放通量略高于非輪作模擬值。2017年DNDC模型模擬得出3次N2O排放峰，與N2O實測值排放峰出現的時間相同，但模擬值均低于實測值。DNDC模擬結果中，N2O第2個排放峰出現的時間早于實測值1周，隨后回落至0附近。在冬小麥生育中前期，輪作模擬方式下的N2O排放通量高于非輪作模擬方式。2018年DNDC模擬值與實測值均較低，且無明顯波動，DNDC模型中N2O排放峰均出現在施肥后，輪作模擬方式下的N2O排放通量略高于非輪作模擬方式。

對比2種不同模擬方式下的麥田CH4和N2O排放通量可知，本研究中DNDC模型無法準確地模擬出麥田CH4排放通量，誤差較大。DNDC可以準確地模擬出麥田N2O排放的年際差異，2016—2018年N2O排放通量先上升后下降。在輪作模擬方式下，DNDC模型2016年、2018年模擬值分別低估和高估28.5%、22.6%的N2O排放通量，3年平均相對誤差為-10.8%。在非輪作模擬方式下，模型對2018年模擬結果較好，相對誤差為11.3%，3年平均相對誤差為-18.1%（表6）。

2.3 IPCC2006 Tier2及DNDC模型對比分析

利用IPCC2006 Tier2和DNDC模型計算2015—2017年稻麥溫室氣體GWP。由表7可知，根據IPCC2006 Tier2排放系數推薦值計算得出的水稻GWP遠高于實測值，約為實測值的2倍，僅下限值接近實測值。DNDC模型的GWP模擬值與實測值接近，且DNDC模型輪作模擬結果與實測值誤差更小，相對誤差為 -5.9%，非輪作方式模擬高估了10.2%的GWP。DNDC模型的2種模擬方式均高估了2015年、2016年的水稻溫室氣體GWP，而低估了2017年稻田溫室氣體GWP。

由表8可知，IPCC2006 Tier2麥田GWP模擬值遠高于實測值，約為實測值的4倍。DNDC模型模擬值與實測值相比誤差較小，輪作和非輪作模擬方式的麥田GWP估算相對誤差均約為-22%。DNDC模型的2種模擬方式均低估了2016年、2017年的麥田溫室氣體GWP，而高估了2018年的溫室氣體GWP。

3 討論

3.1 估算結果對比分析

本研究基于DNDC模型的稻麥溫室氣體GWP模擬值總體上低于IPCC2006 Tier2的模擬值，且均低于實測值。由于未考慮區(qū)域間的土壤性質和氣候環(huán)境差異，IPCC系數法更適用于大尺度的估算，在特定的農田環(huán)境和點位模擬中會造成較大的誤差。與本研究結論相同，Deng等對比DNDC與IPCC排放系數法發(fā)現，基于DNDC模型得出的我國農田土壤N2O排放系數為0.25%～0.50%，顯著低于IPCC推薦值1%，且一些減排措施的成效也低于IPCC評估結果［18］。在一項IPCC系數法和機理模型的對比研究中，DAYCENT和DNDC模型均低估了我國水稻和冬小麥的N2O排放通量，雖然在日尺度上難以精確地預測排放峰值出現的時間，但機理模型的模擬精度更高［19］。本研究點位N2O累計排放通量模擬研究發(fā)現DNDC模型可以有效地模擬出冬小麥的N2O排放通量，而IPCC系數法誤差較大，這是因為DNDC模型考慮了N2O排放敏感因子降水、pH值和SOC含量（表3）。本研究基于DNDC模型的稻田CH4排放通量相對誤差為-4.8%，在不同年份有一定的高估和低估，但整體精度較高。與本研究結論相同的是，Katayanagi等利用DNDC模擬結果得出的水稻CH4排放系數可以顯著提高日本稻田區(qū)域的模擬精度，估算精度顯著高于IPCC Tier2的估算結果［20］。DNDC模型稻田CH4排放通量的時序變化特征與實測值較吻合，在曬田前后均出現峰值，但均低估了曬田前CH4排放通量，高估了曬田后CH4排放通量?？赡茉蚴悄Ｐ椭薪斩挼腃/N決定了有機質的分解速率，模型中前一季還田的秸稈C/N高于實際值，土壤中的分解速率低于實際值，因此在DNDC中秸稈分解并轉化為可用碳的速率低于實際環(huán)境，生育前期CH4排放通量較低，在水稻生育中后期，模型中未被分解消耗的碳含量高于實際值，因此排放通量較高。DNDC無法有效地模擬出麥田CH4的吸收或排放特征，低估了麥田N2O排放通量，模型得出冬小麥生育期間麥田均呈CH4的“匯”，而實測值正負波動較大。Zhang等利用DNDC模擬稻麥輪作溫室氣體，發(fā)現模型中麥季CH4通量和實測值均在0附近，DNDC模型N2O排放峰模擬值低于實測值2～4倍，但生育期排放通量的整體精度較高（R2=0.7），可能是因為DNDC在降水后的土壤濕度模擬上產生了偏差，在生育期尺度上的碳氮分配受土壤濕度的影響較?。?1］。綜上，雖然DNDC模型在溫室氣體峰值出現的時間或峰值水平上有一定誤差，但在生育期尺度上估算出農田溫室氣體有明顯的優(yōu)勢。

然而，DNDC模型模擬水稻N2O和冬小麥CH4排放通量以及累計排放通量出現較大偏差（圖1、圖2、表5、表6）。造成模擬與實測之間較大偏差的主要原因可能是模型不足以及溫室氣體排放量數量級低：靜態(tài)箱-氣相色譜儀分析法和微氣象法等在溫室氣體監(jiān)測過程中均將植株和土壤視為一個整體，監(jiān)測“植被-土壤-大氣”系統的排放通量，認為植株在農田溫室氣體排放中僅是土壤N2O向大氣傳輸的通道。然而，隨著研究的深入以及同位素技術的發(fā)展，發(fā)現在水稻植株線粒體內的NO可被還原成N2O，水稻植株本身也被認為是重要的N2O潛在排放源［22］，植株生成的N2O約占生態(tài)系統N2O排放量的30%［23］。而DNDC等現有碳氮模型均不具備模擬或估算植株源N2O排放的功能，因此模擬結果存在偏差。且模型中未考慮環(huán)境驅動因素對根際的影響，因此在模擬水田環(huán)境下的N2O值基本在0值附近波動［24］。在實際田間環(huán)境中，降水及土壤濕度是影響旱田CH4排放的重要因素［25］，而由DNDC敏感性分析結果可知，冬小麥田的CH4排放通量對主要參數的變化均不敏感，說明DNDC模型本身在模擬旱田CH4時存在一定的不足（表4）。Guest等通過對比DNDC和其他碳氮模型，發(fā)現DNDC模型可以簡化土壤的剖面結構，將表層土壤參數分配至根部深度的土壤，而實際中表層土壤的持水能力均高于深層土壤，因此DNDC模型高估13%～30%的土壤濕度，造成旱田CH4模擬誤差［26］。水田N2O和旱田CH4排放通量數量級較低是也是造成較大估算誤差的重要原因，但是上述2種氣體排放通量較低，在輪作系統內所占比例較小。本研究稻田N2O和旱田CH4的GWP僅占稻麥輪作農田GWP的7.8%，因此對稻麥輪作系統的溫室氣體估算精度影響較小。

相較于IPCC2006 Tier2，本研究DNDC模型更能準確地模擬出試驗點稻麥輪作GWP，在未來的區(qū)域模擬中可以更有效地評估排放水平和減排成效。

3.2 DNDC模型模擬分析

已有研究主要利用機理模型模擬不同輪作影響溫室氣體的排放，有關輪作和非輪作模擬方式下溫室氣體排放差異的研究較少。相較于非輪作模式，輪作模式下連續(xù)模擬的溫室氣體值誤差更小，但2種模擬方法的溫室氣體排放通量時序變化特征基本相同。以稻田CH4和麥田N2O為例，DNDC輪作模擬方式下的稻田CH4排放通量低于非輪作模擬方式，輪作模式下麥田N2O排放通量高于非輪作模擬方式。由敏感性分析結果可知，這可能是因為輪作模式下秸稈還田影響稻麥農田SOC含量動態(tài)變化，非輪作模式下SOC含量初始值均為定值 19.4 g/kg，秸稈還田會增加土壤中SOC和氮含量，有利于生成CH4和N2O［27］。然而，本研究中輪作模式下的稻田CH4低于非輪作模擬方式，可能是因為輪作模式下麥季SOC含量下降，[JP2]導致下一稻季的SOC水平低于19.4 g/kg。Ghimire[JP3]等認為，稻田SOC水平一般高于旱田，且旱田的碳封存能力有限，冬小麥0～30 cm土壤的SOC含量會以每年100～300 kg/hm2[JP]的速率減少［28］。而水田的厭氧環(huán)境有利于碳封存，厭氧環(huán)境會降低SOC的轉化，碳穩(wěn)定性增強，因此水田碳封存能力約為旱田的5.3倍［29］。在區(qū)域模擬過程中，若不考慮輪作的影響，簡單地將點位模擬結果外推可能會高估稻田CH4及低估麥田N2O排放通量。

4 結論

本研究利用IPCC2006 Tier2和DNDC模型分別模擬稻麥輪作的CH4和N2O排放，發(fā)現DNDC模型相對誤差較小。DNDC模型可以較好地模擬出稻田CH4、稻田N2O、麥田N2O排放通量時序變化特征，平均相對誤差分別為-4.8%、-11.6%、-10.8%，但對麥田CH4的模擬精度較差。DNDC模型對稻麥輪作的GWP模擬精度高于IPCC2006 Tier2，稻田和麥田GWP模擬相對誤差分別為-5.9%、-21.7%，除了冬小麥生育期CH4排放通量，DNDC輪作模式模擬相對誤差均低于非輪作模擬模式。因此，在種植模式復雜的地區(qū)溫室氣體估算研究中不可以忽略輪作模式的影響，減小估算誤差。在未來的研究中可進一步對比其他機理模型和經驗模型的估算精度，為農業(yè)區(qū)域溫室氣體估算提供科學依據。

參考文獻：

［1］丁一匯，任國玉，石廣玉，等. 氣候變化國家評估報告（Ⅰ）：中國氣候變化的歷史和未來趨勢［J］. 氣候變化研究進展，2006，2（1）：3-8.

［2］秦大河，陳振林，羅 勇，等. 氣候變化科學的最新認知［J］. 氣候變化研究進展，2007（2）：63-73.

［3］Luo Z B，Lam S K，Fu H，et al. Temporal and spatial evolution of nitrous oxide emissions in China：assessment，strategy and recommendation［J］. Journal of Cleaner Production，2019，223：360-367.

［4］Zhang W，Yu Y Q，Huang Y，et al. Modeling methane emissions from irrigated rice cultivation in China from 1960 to 2050［J］. Global Change Biology，2011，17（12）：3511-3523.

［5］Wang Y J，Guo J H，Vogt R D，et al. Soil pH as the chief modifier for regional nitrous oxide emissions：new evidence and implications for global estimates and mitigation［J］. Global Change Biology，2018，24（2）：e617-e626.

［6］VanderZaag A C. On the systematic underestimation of methane conversion factors in IPCC guidance［J］. Waste Management，2018，75：499-502.

［7］Sundqvist E，Persson A，Kljun N，et al. Upscaling of methane exchange in a boreal forest using soil chamber measurements and high-resolution LiDAR elevation data［J］. Agricultural and Forest Meteorology，2015，214/215：393-401.

［8］李長生. 生物地球化學的概念與方法——DNDC模型的發(fā)展［J］. 第四紀研究，2001，21（2）：89-99.

［9］Xu X F，Yuan F M，Hanson P J，et al. Reviews and syntheses：four decades of modeling methane cycling in terrestrial ecosystems［J］. Biogeosciences，2016，13（12）：3735-3755.

［10］[ZK（#]Zhou M H，Wang X G，Wang Y Q，et al. A three-year experiment of annual methane and nitrous oxide emissions from the subtropical permanently flooded rice paddy fields of China：emission factor，temperature sensitivity and fertilizer nitrogen effect［J］. Agricultural and Forest Meteorology，2018，250/251：299-307.

［11］Yue Q，Ledo A，Cheng K，et al. Re-assessing nitrous oxide emissions from croplands across Mainland China［J］. Agriculture Ecosystems & Environment，2018，268：70-78.

［12］Li C S. Quantifying greenhouse gas emissions from soils：scientific basis and modeling approach［J］. Soil Science and Plant Nutrition，2007，53（4）：344-352.

［13］Ren T，Bu R Y，Liao S P，et al. Differences in soil nitrogen transformation and the related seed yield of winter oilseed rape （Brassica napus L.） under paddy-upland and continuous upland rotations［J］. Soil and Tillage Research，2019，192：206-214.

［14］Cha-un N，Chidthaisong A，Yagi K，et al. Greenhouse gas emissions，soil carbon sequestration and crop yields in a rain-fed rice field with crop rotation management［J］. Agriculture，Ecosystems & Environment，2017，237：109-120.

［15］Li C S. Modeling trace gas emissions from agricultural ecosystems［M］//Methane emissions from major rice ecosystems in Asia.Dordrecht：Springer Netherlands，2000：259-276.

［16］Walker S E，Mitchell J K，Hirschi M C，et al. Sensitivity analysis of the root zone water quality model［J］. Transactions of the ASAE，2000，43（4）：841-846.

［17］Folland C，Karl T R and Christy J R. Climate change 2001：the scientific basis. contribution of working group i to the third assessment report of the intergovernmental panel on climate change［J］. Observed Climate Variability and Change，2001：99-181.

［18］Deng Y L，Paraskevas D，Cao S J.Incorporating denitrification-decomposition method to estimate field emissions for Life Cycle Assessment［J］. Science of the Total Environment，2017，593/594：65-74.[HJ2mm]

［19］Yue Q，Cheng K，Ogle S，et al. Evaluation of four modelling approaches to estimate nitrous oxide emissions in Chinas cropland［J］. Science of the Total Environment，2019，652：1279-1289.

［20］Katayanagi N，Fumoto T，Hayano M，et al. Development of a method for estimating total CH4 emission from rice paddies in Japan using the DNDC-Rice model［J］. Science of the Total Environment，2016，547：429-440.

［21］Zhang X X，Bi J G，Sun H F，et al. Greenhouse gas mitigation potential under different rice-crop rotation systems：from site experiment to model evaluation［J］. Clean Technologies and Environmental Policy，2019，21（8）：1587-1601.

［22］Timilsina A，Bizimana F，Pandey B，et al. Nitrous oxide emissions from paddies：understanding the role of rice plants［J］. Plants，2020，9（2）：180.

［23］Lenhart K，Behrendt T，Greiner S，et al. Nitrous oxide effluxes from plants as a potentially important source to the atmosphere［J］. The New Phytologist，2019，221（3）：1398-1408.

［24］Babu Y J，Li C，Frolking S，et al. Field validation of DNDC model for methane and nitrous oxide emissions from rice-based production systems of India［J］. Nutrient Cycling in Agroecosystems，2006，74（2）：157-174.

［25］Blankinship J C，Brown J R，Dijkstra P，et al. Effects of interactive global changes on methane uptake in an annual grassland［J］. Journal of Geophysical Research：Biogeosciences，2010，115（G2）：G02008.

［26］Guest G，Krbel R，Grant B，et al. Model comparison of soil processes in eastern Canada using DayCent，DNDC and STICS［J］. Nutrient Cycling in Agroecosystems，2017，109（3）：211-232.

［27］Zou J W，Huang Y，Jiang J Y，et al. A 3-year field measurement of methane and nitrous oxide emissions from rice paddies in China：effects of water regime，crop residue，and fertilizer application［J］. Global Biogeochemical Cycles，2005，19（2）：1-9.

［28］Ghimire R，Machado S，Bista P.Decline in soil organic carbon and nitrogen limits yield in wheat-fallow systems［J］. Plant and Soil，2018，422（1）：423-435.

［29］Sun Y N，Huang S，Yu X C，et al. Differences in fertilization impacts on organic carbon content and stability in a paddy and an upland soil in subtropical China［J］. Plant and Soil，2015，397（1）：189-200.

作者簡介：楊雨茗（2003—），女，江蘇鹽城人，主要從事資源環(huán)境研究。E-mail：2225285636@qq.com。