摘要 针不同田间管理措施及土壤侵蚀对农田温室气体通量的影响, 应用反硝化分解模型(DNDC 模型), 选取中国科学院禹城综合试验站作为研究区域, 结合该区域的气象、土壤和田间管理措施等数据, 模拟在不同施氮量、施肥深度以及土壤侵蚀条件下的 CO2 和 N2O 气体通量。结果表明: DNDC 模型对农田 CO2 和 N2O 气体通量的模拟效果较好; 施氮量从实际施氮量的 0.5 倍升高到 1.5 倍的过程中, N2O 排放通量从 1.06mg/(m2·d)线性地增加至 2.88mg/(m2·d), C 的净固定量亦从 1.38g/(m2·d)逐渐增加至 2.07g/(m2·d), 但增加趋势逐渐变缓; 在施肥深度从 5cm变化到20 cm的过程中, N2O 排放通量从 2.88 mg/(m2·d)降低至 0.68mg/(m2·d); 当施肥深度从 0.2cm 升高到 20cm 时, C的净固定量从 1.79g/(m2·d)逐渐升高至 2.32g/(m2·d), 但增加趋势逐渐变缓; 在土壤侵蚀的影响下, C 的净固定量和 N2O 的排放量分别升高 11%和 4%。研究结果可为国家温室气体通量清单的编制及相关管理政策的制定提供参考依据。
关键词 DNDC模型; 温室气体; 土壤侵蚀; 田间管理措施; 农田
温室气体排放引发的全球气候变化是人类面临的最严峻挑战之一。政府间气候变化专门委员会(IPCC)工作组发布的第五次评估报告表明, 人类对气候系统的影响是明确的; 20 世纪 50 年代以来, 世界各大洲都已观测到种种影响, 包括极端降雨和干旱、增加洪涝风险以及威胁生物生存环境等。这些变化在几百乃至上千年时间里都未曾出现; 如任其发展, 气候变化对人类和生态系统造成严重、普遍和不可逆转影响的可能性将会增加[1]。大气中不断增多的温室气体是导致全球变暖的主要原因[2], 其中 CO2 对全球变暖的贡献率为温室气体总效应的56%; CH4 的辐射增温效应是 CO2 的 21~23 倍, 对温室效应的贡献率约为 15%; N2O 的温室效应是 CO2的 296~310 倍, 对全球增温的贡献率为 7%[3]。温室气体排放的主要途径既包括土壤中的硝化–反硝化、有机质矿化和动植物呼吸等自然过程, 也包括化石燃料燃烧、废弃物处理和土地利用变化等人为过程, 后者被认为是导致气候变化的主要原因。
农田不仅供给人类生存发展所需养分, 而且是各类生物生存栖息的生境。与此同时, 农田还在全球温室气体收支平衡中扮演重要角色: 一方面, 农田中的农作物通过光合作用固定 CO2, 转化为自身的有机质; 另一方面, 农田中过量施用的氮肥无法被作物完全吸收, 部分会通过硝化–反硝化作用转化为 N2O[4]。研究表明, 农田生态系统的固碳潜力为 0.4~0.8Pg·C/a; 同时农业也是 N2O 产生的最大来源, 有近90%的N2O排放来源于农业活动[5]。
不同的田间管理方式(如施氮量和施肥深度)不仅影响农作物的光合固碳过程, 也影响土壤中的硝化–反硝化过程, 进而影响农田 CO2 和 N2O 等温室气体通量。目前, 对农田温室气体的研究集中在排放量估算以及土地利用方式、土壤环境和气候条件等因素的改变对温室气体通量影响方面[6–8], 对不同施肥方式的影响研究较少。另一方面, 土壤侵蚀及其引发的水土流失问题是人类面临的最严重的全球性环境问题之一, 除造成土地退化和环境污染外, 还可能对全球温室气体收支平衡产生影响[9–10]。目前, 土壤侵蚀对温室气体通量影响的研究集中在CO2 通量上[9,11], 对 N2O 通量的研究较少。随着建设生态文明这一目标的提出, 研究农田管理措施和土壤侵蚀速率等因子对区域小气候的调节作用以及对全球温室气体收支平衡的影响等问题势在必行。
目前, 运用机理性模型对农田温室气体进行估算已有较多研究。其中, 反硝化分解(DeNitrifica-tion and DeComposition, DNDC)模型由Li等[12]提出以来, 已被许多科研工作者应用于土壤 C、N 变化以及农田温室气体排放研究中。基于 DNDC 模型, 邹凤亮等[13]模拟江汉平原稻田不同种植模式条件下温室气体排放, 田展等[14]模拟气候变化影响下的中国水稻田温室气体排放, 陈海心等[15]模拟关中地区农田长期施肥条件下土壤碳含量及作物产量, Li等[16]模拟日本北海道不同二氧化碳浓度条件下水稻生长, Zhang 等[17]模拟美国德克萨斯水稻田温室气体的排放, 等等。本文以 DNDC 模型为基础, 通过收集典型站点的气象、土壤、植被和田间管理措施等数据来模拟不同情景下的 N2O 和 CO2 通量, 进而分析不同田间管理方式对 N2O 及 CO2 通量的作用。此外, 本文通过 DNDC 模型模拟土壤侵蚀对N2O 及 CO2 通量的影响。
DNDC 模型是一个面向过程的计算机模型, 整合与碳、氮循环有关的生物地球化学过程及影响因素, 可用来预测全球气候变化、人类活动和陆地生态系统间的相互影响[18]。该模型受到广泛的认可[19–20], 大量运用于世界各地土壤碳库氮库动态变化的模拟及土壤 CO2 和 N2O 气体通量的研究中[21], 被视为最为成功的机理模型之一[22]。
DNDC 模型主要由两个部分组成: 第一部分包含土壤气候、植物生长和有机质分解等 3 个子模型, 作用是预测土壤–植物系统中环境因子的动态变化; 第二部分包含硝化、脱氮和发酵等 3 个子模型, 作用是由土壤环境因子进一步预测硝化、脱氮和发酵等 3 个微生物参与的化学反应速率, 并估算硝化和反硝化过程中产生的 N2O 以及有机质分解和根呼吸所产生的 CO2, 同时模拟土壤碳库和氮库的动态行为。DNDC 模型既可模拟某一点位的状况, 也可与GIS 结合模拟区域情况。当模拟某一点位的生物地球化学过程时, 需要输入该点位的气象、土壤、植被和田间管理措施等参数(表 1), 这些参数代表着驱动该点位生态系统运动的基本要素。
DNDC 模型集成了 MUSLE 和 SCS-CN 模型来求取土壤侵蚀量。用径流因子代替USLE模型中的降雨因子, 得到改进的通用土壤流失方程(MUSLE), 表达式[23]如下:
表1 DNDC模型所需要的输入参数
Table 1 Parameters required for the DNDC model
类型输入参数 气象日最高气温(°C)、日最低气温(°C)、日降水量(cm)、日平均风速(m/s)、太阳辐射(MJ/(m2·d))等 土壤质地、容重(g/cm3)、黏土含量百分比、酸碱度、 C/N值等 植被农作物类型、复种及轮作, 草地类型, 森林种类等 田间管理犁地次数、时间及深度(cm), 化肥或有机肥施用次数、时间、深度(cm)、种类及数量(kg N/hm2), 灌溉次数、时间及水量(cm), 水稻田淹水和晒田的次数及时间等
A=11.8(Qqp)0.56KLSCP , (1)
式中: A 为单次降雨的产沙量(t); Q 为径流量(m3); qp为峰值流量(m3/s); K 为土壤可蚀性因子(Mg/ (MJ·mm)); L 和 S 为地形因子, 其中 L 为坡长因子, S为坡度因子; C为植被覆盖与管理因子; P为水土保持措施因子。
采用美国土壤保持局开发的 SCS-CN 模型计算给定降雨条件下流域的地表径流, 表达式[23]如下:
(2)式中: P 为降雨量(mm); S 为流域最大蓄水能力(mm); Ia是出损量(mm), 当P <Ia时, 不产流, Q = 0; S由CN值确定:
(3)
式中, CN 为径流曲线数, 是一个反映降雨前流域下垫面特征的综合参数, 由流域水文土壤类型、土地利用、水文条件和前期土壤湿度等因素共同确定, 其值介于 0~100 之间, 可查表确定, 在中等前期土壤湿度条件下的旱地 CN 值为 65。流域的洪峰流量由下面的公式计算:
(4)式中, E 为流域的面积(hm2), TP 为径流在流域中的滞留时间(h)。土壤可蚀性因子反映土壤抵抗侵蚀的能力, 通过标准小区上单位降雨量侵蚀引起的土壤流失量确定。土壤侵蚀因子主要与土壤质地有关, 与土壤的理化性质关系很大[24]。地形因子由坡长因子 L 和坡度因子 S 组成, 反映地形对土壤侵蚀的影响程度, 一般坡度越陡, 坡长越大, 一场降雨引起的土壤侵蚀量越大。具体表达式如下:
(5)
m=β/(1+β), (6)
β=(sinθ/0.0896)/[3(sinθ)0.8+0.56], (7)
(8)其中, θ 为坡度, λ 为坡长, m为坡长指数。
土壤侵蚀程度受植被覆盖管理和水土保持措施的影响。研究表明, 当覆盖高低相间的作物时, 可实现对雨滴的多次消能, 从而达到较好的降低土壤侵蚀效果。当采取免耕或少耕等水土保持措施时, 也可以显著地降低土壤侵蚀强度。可通过采用经验公式计算以及查表方法获取 C 值和 P 值。
由于求取土壤侵蚀量所需部分的参数已输入土壤、气候、作物和管理等数据库中, 若要考虑土壤侵蚀的影响, 只需在模型中额外输入 SCS 曲线数值(CN)、曼宁公式糙率和土地管理对土壤侵蚀的影响因子(0~1), 即可通过 DNDC 模型模拟土壤侵蚀影响下农田吸收或排放 CO2 和 N2O 的变化情况。
为了定量分析 DNDC 模型的模拟结果与实测值间的关系, 本文采用相关系数(R2)和均方根误差(RMSE)作为评价指标, 两个指标的表达式为
(9)
(10)
1.2.1研究区域概况
选取中国科学院禹城综合试验站(116°38′E, 36°57′N, 平均海拔 22m)为研究站点。禹城站是中国生态研究网络(CERN)的观测站之一, 位于山东省禹城市南北庄。该区域属华北平原, 地貌类型为黄河下游冲积平原, 农业生产以冬小麦–夏玉米为主, 一年两熟, 是中国旱作物的主产区之一。禹城站所在地区的自然条件和种植制度在华北平原旱作农业生态类型中具有典型性和代表性。禹城站处于暖温带半湿润季风性气候区, 多年平均气温为13.1°C, 年平均日照小时数为 2640, 年平均降雨量为 528mm, 约 70%的降雨集中于夏季( 6—8 月)。土壤类型以潮土和盐化潮土为主, 0~20cm 土层土壤有机质质量分数为 10~14g/kg, 全氮质量分数为 0.5~ 1.5g/kg, 全磷质量分数为 0.41g/kg, 全钾质量分数为 12.4g/kg, pH 值为 8.0~8.5。试验于 2004 年 10 月13 日至 2005 年 10 月 15 日进行, 时长为 368 天, 横跨一个完整的冬小麦–夏玉米轮作期。
1.2.2研究数据
土壤物理参数(表 2)从范兰等[25]的论文和禹城试验站公开资料[26]中获得。作物和田间管理数据(表 3 和 4)来源于孙艳丽等[27]的论文。
CO2 通量资料来源于中国陆地生态系统通量研究网络共享数据[26], CO2 通量的监测采用涡度相关法[28]。N2O 通量资料来自于孙艳丽等[27]的论文, N2O通量的监测采用密闭暗箱法[29]。根据实际情况, 考虑各种因素影响, 在使用 DNDC 模型模拟土壤侵蚀对温室气体吸收–排放效应影响时, 输入的 3 个参数取值如下: CN值取 65, 糙率取 0.13, 土地管理影响因子取 0.2。
表2 禹城站土壤物理参数
Table 2 Soil parameters of Yucheng station
参数取值 土地利用类型旱地/冬小麦–夏玉米轮作 质地盐化潮土 沙粒含量/%23.76 粉粒含量/%72.69 pH8.26 土壤容重/(g·cm−3)1.37 有机碳含量/(kg C·kg−1)0.0093
表3 禹城站2004—2005年冬小麦农田管理数据
Table 3 Management data of winter wheat farmland in Yucheng station from 2004 to 2005
日期措施名称数量备注 2004–10–13施肥氮磷钾复合肥600 kg/hm2基肥, 撒施N : P : K = 15 : 10 : 5 2004–10–18播种科禹13系 2005–04–01灌溉漫灌15 mm 2005–04–01施肥硝酸磷钾肥600 kg/hm2追肥, 撒施N : P : K = 22 : 6 : 12 2005–05–03灌溉漫灌15 mm 2005–06–10收获
表4 禹城站2005年夏玉米农田管理数据
Table 4 Management data of summer maize farmland in Yucheng station in 2005
日期措施名称数量备注 2005–06–18播种丹育86 2005–07–26施肥硫酸钾复合肥600 kg/hm2追肥, 撒施N : P : K= 15 : 10 : 5 2005–10–15收获
通过优化参数反复调试模型后, 按照实验样地当时的气候、植被、土壤和管理措施情景, 对禹城 2004—2005 年冬小麦–夏玉米轮作期 CO2 和 N2O通量进行模拟。
2.1.1模型模拟CO2通量有效性分析
利用 DNDC 模型模拟 2004—2005 冬小麦–夏玉米轮作期农田 CO2 气体通量(图 1), 模拟效果较好, 净生态系统碳交换量(NEE)模拟值与实测值之间的R2=0.43 (n=368), RMSE=3.77。冬小麦 NEE 峰值模拟值略高于实测值, 夏玉米 NEE 峰值模拟值略低于观测值。总初级生产力(GPP)模拟值与实测值之间的 R2=0.46 (n=368),RMSE=4.53。冬小麦 GPP 模拟值峰值略高于实测值, 夏玉米 GPP 模拟值峰值略低于观测值。在冬小麦–夏玉米轮作间歇期, 模型模拟的 GPP 值为 0, 而实测 GPP 值大于 0, 可能是模型没有模拟杂草的原因。冬小麦–夏玉米轮作期NEE总量模拟值为−657gC/m2, 实测值为−461gC/m2, 模拟值略高于实测值, GPP 总量模拟值为 1515gC/m2, 实测值为 1882gC/m2, 模拟值略低于实测值。
模型模拟的逐日 NEE 和 GPP 值与实测值在整体趋势上高度一致, 冬小麦–夏玉米轮作期的 GPP和 NEE 总量模拟值与实测值相差不大, 表明 DNDC模型在日尺度上能够较准确地模拟 NEE 和 GPP 及其季节变化规律, 能够捕捉到 NEE 和 GPP 的峰值与低谷。
2.1.2模型模拟N2O通量有效性分析
利用 DNDC 模型模拟 2004—2005 冬小麦–夏玉米轮作期农田 N2O 气体通量(图 2), 模拟效果较好, N2O 气体通量模拟值与实测值之间的 R2=0.53 (n= 28), RMSE=0.22。冬小麦和夏玉米 N2O 气体通量峰值模拟值略高于实测值。冬小麦–夏玉米轮作期N2O 排放总量模拟值为 7.2kg/hm2, 实测值为 6.9 kg/hm2, 模拟值略高于实测值。模型模拟的 N2O 气体通量与实测值在整体趋势上高度一致, 冬小麦–夏玉米轮作期的 N2O 排放总量模拟值与实测值相差不大, 表明 DNDC 模型在日尺度上能够较准确地模拟 N2O 气体通量及其季节变化规律, 能够捕捉到 N2O 气体通量的峰值与低谷。
图1 NEE(a)和GPP(b)模拟值与实测值对比
Fig. 1 Simulated vs measured NEE (a) and GPP (b) in Yucheng station
图2 N2O通量模拟值和实测值比较
Fig. 2 Simulated and measured N2O flux in Yucheng station
2.1.3 模型模拟误差分析
DNDC 模型模拟误差主要源于以下几方面。一是 DNDC 模型主要结合美国农业耕作状况开发, 直接用来模拟中国农田温室气体排放状况可能带来误差, 可以考虑改进模型以减少误差。二是模型需要输入大量气象、土壤、农作物和田间管理等参数, 由于数据来源受限, 无法准确获得全部输入参数值, 对于部分非关键影响因素, 直接使用模型的默认值作为输入值会带来一定的误差。此外, 实测输入参数在测量时不准确也会带来误差。
模拟结果的不确定性可能来源于模型自身结构的不完善, 也可能源于输入数据的不准确。对于理论基础或算法缺陷带来的不确定性, 可以通过比较模拟结果和实测(或实验)数据进行率定。然而, 即使对模型经过充分的验证, 仍会出现不确定性, 这主要与输入信息不完善有关。
本文采用经典的蒙特卡罗分析方法对输入信息不完善带来的模型不确定性进行量化分析。选取对DNDC 模型输出结果影响最大的 4 个参数(SOC 含量、土壤容重、pH 值和黏粒含量)[30], 在模型真实输入值±20%区间内均匀随机抽样, 重复抽样 1000次, 得到 1000 个输入参数集, 对 1000 个模型输出结果进行统计分析, 得到模型模拟 NEE 和 N2O 通量的变化范围。一个轮作期 NEE 总量变化范围为−558.46 ~ −790.42 gC/m2, N2O 排放量变化范围为3.02~12.64kg/hm2。可以看出, 模型模拟 N2O 排放通量的不确定性较大。
不同施氮水平及施肥深度条件下, 农田 CO2 和N2O 通量会发生变化。一般来说, 增加施氮量会促进作物生长, 提高光合作用强度, 从而加大 CO2的固定。但是, 增加氮肥的施用在一定程度上会加大氮素的流失, 造成农业非点源污染, 增大N2O 排放, 加剧温室效应。目前, 有关不同施肥深度对 CO2 和N2O 通量影响的研究较少, 尚未发现确定性的规律。
2.3.1不同施氮量及施肥深度方案
通过改变 DNDC 模型输入参数中的施肥量及施肥深度, 模拟 CO2 和 N2O 的吸收与排放情况, 探究不同施氮量及施肥深度对 CO2 和 N2O 通量的影响。
设置 5 种不同的施氮量及 5 种不同施肥深度模拟情景: 1)施氮量情景为 0.5N, 0.75N, 1N, 1.25N和 1.5N, 分别记为N1, N2, N3, N4 和 N5, 其中实际施氮量为 1N, 0.5N 表示施氮量为现状情景的 50%, 其他情况依此类推; 2)施肥深度情景为 0.2 (撒施), 5, 10, 15 和 20cm, 分别记为 D1, D2, D3, D4 和 D5, 其中实际施肥深度为 0.2cm, 5cm 表示施肥深度为地表以下 5 cm, 其他同理。
2.3.2不同施氮量下 CO2 和 N2O 气体通量
DNDC 模型对不同施氮量情景的模拟结果见表5。以不同施氮水平为自变量, 一个冬小麦–夏玉米轮作期的 NEE 和 N2O 总排放量为因变量进行拟合, 寻求最佳拟合曲线, 分析不同施氮水平条件下 CO2和 N2O 吸收/排放量的变化趋势, 结果如图 3 所示(其中 NEE 为负值, 图中结果为 NEE 的绝对值)。
表5 不同施氮量下的CO2和N2O通量
Table 5 CO2 and N2O fluxes under different nitrogen application rates
情景NEE/(gC·m−2·d−1)一个轮作期NEE总量/(gC·m−2)N2O通量/(mg·m−2·d−1)一个轮作期N2O排放总量/(kg·hm−2) N1−1.38−5091.063.9 N2−1.65−6081.525.6 N3−1.79−6571.967.2 N4−1.93−7112.428.9 N5−2.07−7622.8810.6
图3 不同施氮水平下NEE和N2O通量变化
Fig. 3 Changes of NEE and N2O flux under different nitrogen application rates
施氮量从实际施用量的 0.5N 逐渐升高到 1.5N时, 碳的净固定量及 N2O 排放量均逐渐升高。随着施氮量的提高, N2O 排放量近似地以线性方式增加, 净生态系统碳交换量的增势则逐渐变缓。
2.3.3不同施肥深度下 CO2 和 N2O 气体通量
以不同施肥深度作为自变量, 一个冬小麦–夏玉米轮作期的 NEE 和 N2O 总排放量为因变量进行拟合, 寻求最佳拟合曲线, 分析不同施肥深度条件下 CO2 和 N2O 吸收/排放量的变化趋势, 结果见图 4 (其中 NEE 为负值, 图中结果为 NEE 的绝对值)。
如表 6 所示, 随着施肥深度从 0.2cm 加深到 20 cm, 碳的固定量逐渐增加, 从 1.79g/(m2·d) 升高到2.32g/(m2·d), 但增加趋势逐渐变缓。N2O 的排放量在施肥深度为 5cm 时达到峰值 2.88mg/(m2·d)后又立刻下降, 直到 20cm 施肥深度时, N2O的排放量达到最低, 此时排放通量为 0.68mg/(m2·d)。
2.3.4土壤侵蚀对 CO2 和 N2O 气体通量的影响
通过 DNNC 模型计算求得土壤侵蚀强度为1574t/(km2·a), 与已有研究结果[31–32]相符。通过DNDC模型模拟土壤侵蚀对 CO2 和 N2O 通量影响结果如表 7 所示, 在土壤侵蚀影响下, 农田土壤对 C的固定作用会增强约 11%; 在土壤侵蚀影响下, N2O 的排放量大约增加4%。
图4 不同施肥深度下 NEE 和 N2O 通量变化
Fig. 4 Changes of NEE and N2O flux under different fertilization depths
表6 不同施肥深度下的CO2与N2O通量及其作物轮作期内总量
Table 6 CO2 and N2O fluxes and totals at different fertilization depths
情景NEE/(gC·m−2·d−1)一个轮作期NEE总量/(gC·m−2)N2O通量/ (mg·m−2·d−1)N2O排放总量/(kg·hm−2) D1−1.79−6571.967.2 D2−2.07−7622.8810.6 D3−2.10−7732.318.5 D4−2.32−8521.445.3 D5−2.32−8540.682.5
朱龙飞等[33]发现, 在不同施氮措施下, 旱地的N2O 累积通量为 1.80~3.24kg/(hm2·a)。姚凡云等[34]发现, 东北平原旱地的 N2O 累积通量为 1.09~3.04 kg/(hm2·a), 与本文深施肥低施氮水平下 N2O 排放通量的模拟结果相近。Gregorich 等[35]的研究表明, N2O 排放量与施氮量之间呈线性关系, 氮肥中约有1.19%的 N 会转化为 N2O, 低于 IPCC 给出的 N2O 排放因子(1.25%)。本研究发现同样的规律, 即随着施氮量由实际施氮水平的 0.5N 提高到 1.5N, N2O 排放量基本上是线性提高, 我们估算的 N2O 排放因子为0.49%, 低于 IPCC 给出的 N2O 排放因子。
随着施氮量提高, 净生态系统碳交换量呈对数性增加, CO2 固定量的升高趋势逐渐变缓。根据IPCC 第五次评估报告, N2O 的 100 年全球变暖潜力(GWP100)为 298[1], 即等量气体的 N2O 对全球变暖的影响是 CO2 的 298 倍, N2O 排放量增加会加剧全球气候变暖。虽然加大施肥量会促进植物对 CO2 的固定, 提高农作物产量, 但过多的施用氮肥有可能加剧全球变暖效应, 部分氮素随着水分的流失会造成严重的水环境问题, 污染自然水体, 造成水体富营养化。进入水体的部分氮素有可能在水体微生物作用下发生硝化或反硝化反应, 产生 N2O 排放进入大气中[36–38]。自然水体中的 N2O 大多处于过饱和状态, 是大气中 N2O 的重要来源。
随着施肥深度的增加, 碳的净固定量是逐渐增加的。可能的原因是, 当施肥深度较浅时, 大量氮肥会由于灌水的淋溶作用而流失, 降低氮肥的利用率。N2O 的排放量在 5cm 施肥深度达到峰值后又立刻下降, 在 20cm 施肥深度时, N2O 的排放量达到最低。有研究表明, 土壤中硝化和反硝化作用强度均显著时, N2O 排放量会达到峰值, 原因之一是此时硝化作用为反硝化作用提供了必须的反应物[39]。施肥深度为 5cm 时, N2O 排放量达到最大值, 可能的原因是此时硝化和反硝化作用都十分强烈, 在二者的共同作用下, 产生 N2O 的最大排放量。在土壤中, 对 N2O 产生起优势作用的是硝化反应, 当氧气浓度进一步降低, 反硝化反应的主要产物是 N2[40]。因此, 当施肥深度进一步增加时, 由于 O2 浓度的下降, 硝化作用急剧减弱, 而反硝化作用虽然增强, 但 N2O 会在缺氧环境下进一步被还原为 N2, 故随着深度进一步增加, N2O 的排放量急剧减少, 当施肥深度为 20cm 时, 排放量达到最小值。实际生产中采用深施肥(10~20cm)的方式有助于减少 N2O 的排放, 同时增加 CO2 的固定, 此项措施不论是对产量提高还是温室气体减排都是有利的。
表7 土壤侵蚀对CO2及N2O通量影响
Table 7 Impact of soil erosion on CO2 and N2O fluxes
是否考虑侵蚀NEE/(gC·m−2·d−1)一个轮作期NEE总量/(gC·m−2)N2O通量/(mg·m−2·d−1)一个轮作期N2O排放总量/(kg·hm−2) 考虑−1.99−7322.047.5 不考虑−1.79−6571.967.2
根据 DNDC 模型模拟的结果可知, 在土壤侵蚀的影响下, 农田土壤对碳的固定作用会增强, 这与Van Oost 等[9]的研究结果一致。受土壤侵蚀的影响, 上层饱和土体被剥蚀, 下层不饱和土地得以暴露, 使得土壤与大气间的 CO2 浓度梯度变大, 因此, 更多的 C 会被固定, 从而产生额外的 CO2 通量。在土壤侵蚀影响下, N2O 的排放量也是增加的, 其原因可能是由于剥蚀作用, 使得下层土体得以暴露, 从而有更多的氧气进入土体之中, 使得硝化作用得以增强, 从而增加 N2O 的排放量。
本文应用反硝化分解模型(DNDC 模型)探究不同田间管理措施及土壤侵蚀对农田温室气体通量的影响, 得到如下结论。
1)DNDC 模型对农田 CO2 和 N2O 气体通量的模拟效果较好, 模型具有较好的适用性, 在实测通量数据缺乏的情况下, 可以考虑利用 DNDC 模型来估算农田温室气体通量, 通过调节输入参数, 分析不同情景下温室气体通量的变化。
2)随着施氮量的增加, N2O 排放量线性地增加, 碳的净固定量也增加, 但其增速逐渐减小。过量施用氮肥对产量的提高已不明显, 而 N2O 排放量却线性地逐渐增加, 同时过量的氮肥会造成面源污染和水体富营养化等生态环境问题。因此, 应在保证产量的前提下, 尽可能少施用氮肥。
3)随着施肥深度增加, 碳的净固定量逐渐增加, N2O 的排放量先升高, 在 5cm 施肥深度达到峰值后又立刻下降, 直到 20cm 施肥深度 N2O 的排放量达到最低。深施氮肥不仅有利于增加碳的固定量, 提高作物产量, 并且有利于减少 N2O 的排放。
4)在土壤侵蚀影响下, 农田土壤对碳的固定作用会增强, 同时 N2O 的排放量也会增加。
参考文献
[1] Oliver J E. Intergovernmental panel in climate change (IPCC). Encyclopedia of Energy Natural Resource & Environmental Economics, 2013, 26(2): 48–56
[2] 陈碧辉. 温室气体源汇及其对气候影响的研究现状. 气象科学, 2006, 26(5): 586–590
[3] 杜吴鹏, 缪启龙. 温室气体对气候环境的影响预测及其不确定性. 环境科学与技术, 2006, 29(2): 72–74
[4] Xia L, Shu K L, Chen D, et al. Can knowledge-based N management produce more staple grain with lower greenhouse gas emission and reactive nitrogen pollu-tion? A meta-analysis. Global Change Biology, 2017, 23(5): 1917–1925
[5] Carlson K M, Gerber J S, Mueller N D, et al. Green-house gas emissions intensity of global croplands. Nature Climate Change, 2017, 7(1): 63–68
[6] Brown J R, Blankinship J C, Niboyet A, et al. Effects of multiple global change treatments on soil N2O fluxes. Biogeochemistry, 2012, 109(1/2/3): 85–100
[7] Towprayoon S, Smakgahn K, Poonkaew S. Mitigation of methane and nitrous oxide emissions from drained irrigated rice fields. Chemosphere, 2005, 59(11): 1547–1556
[8] 赵苗苗, 邵蕊, 杨吉林, 等. 基于 DNDC 模型的稻田温室气体排放通量模拟. 生态学杂志, 2019, 38 (4): 1057–1066
[9] Van Oost K, Quine T A, Govers G, et al. The impact of agricultural soil erosion on the global carbon cycle. Science, 2007, 318: 626–629
[10] Liu S, Bliss N, Sundquist E, et al. Modeling carbon dynamics in vegetation and soil under the impact of soil erosion and deposition. Global Biogeochemical Cycles, 2003, 17(2): 1074
[11] Ni J, Yao Y, Borthwick A G L, et al. Erosion-induced CO2 flux of small watersheds. Global and Planetary Change, 2012, 94/95(3): 101–110
[12] Li C S, Frolking S, Frolking T A. A model of nitrous-oxide evolution from soil driven by rainfall events. 1. Model structure and sensitivity. Journal of Geophy-sical Research — Atmospheres, 1992, 97(D9): 9759–9776
[13] 邹凤亮, 曹凑贵, 马建勇, 等. 基于 DNDC 模型模拟江汉平原稻田不同种植模式条件下温室气体排放. 中国生态农业学报, 2018, 26(9): 1291–1301
[14] 田展, 牛逸龙, 孙来祥, 等. 基于 DNDC 模型模拟气候变化影响下的中国水稻田温室气体排放. 应用生态学报, 2015, 26(3): 793–799
[15] 陈海心, 孙本华, 冯浩, 等. 应用 DNDC 模型模拟关中地区农田长期施肥条件下土壤碳含量及作物产量. 农业环境科学学报, 2014, 33(9): 1782–1790
[16] Li C S, Frolking S, Frolking T A. A model of nitrous-oxide evolution from soil driven by rainfall events. 2. Model applications. Journal of Geophysical Research — Atmospheres, 1992, 97(D9): 9777–9783
[17] Zhang Y, Li C S, Zhou X J, et al. A simulation model linking crop growth and soil biogeochemistry for sustainable agriculture. Ecological Modelling, 2002, 151(1): 75–108
[18] Giltrap D L, Li C, Saggar S, et al. DNDC: A process-based model of greenhouse gas fluxes from agricul-tural soils. Agriculture Ecosystems, 2010, 136(3): 292– 300
[19] Cai Z, Sawamoto T, Li C, et al. Field validation of the DNDC model for greenhouse gas emissions in East Asian cropping systems. Global Biogeochem Cycles, 2003, 17(4): 1107
[20] Hu L, Wang L, Li J, et al. The development of China-DNDC and review of its applications for sustaining Chinese agriculture. Ecological Modelling, 2017, 348: 1–13
[21] Katayanagi N, Fumoto T, Hayano M, et al. Estimation of total CH4 emission from Japanese rice paddies using a new estimation method based on the DNDC-Rice simulation model. Science of the Total Environ-ment, 2017, 601/602: 346–355
[22] Kröbel R, Smith W N, Grant B B, et al. Development and evaluation of a new Canadian spring wheat sub-model for DNDC. Canadian Journal of Soil Science, 2017, 4(4): 503–520
[23] Sadeghi S H R, Mizuyama T. Applicability of the modified universal soil loss equation for prediction of sediment yield in Khanmirza watershed, Iran. Hydro-logical Sciences Journal, 2007, 52(5): 1068–1075
[24] 王盛萍, 张志强, 唐寅, 等. MIKE-SHE 与 MUSLE耦合模拟小流域侵蚀产沙空间分布特征. 农业工程学报, 2010, 26(3): 92–98
[25] 范兰, 吕昌河, 王学春, 等. EPIC 模型对华北平原冬小麦与夏玉米生长和产量模拟的适用性评价. 麦类作物学报, 2014, 34(12): 1677–1684
[26] 于贵瑞, 孙晓敏, 等. 陆地生态系统通量观测的原理与方法. 北京: 高等教育出版社, 2006
[27] 孙艳丽, 陆佩玲, 李俊, 等. 华北平原冬小麦/夏玉米轮作田土壤N2O通量特征及影响因素. 中国农业气象, 2008, 29(1): 1–5
[28] Fei X, Jin Y, Zhang Y, et al. Eddy covariance and biometric measurements show that a savanna ecosys-tem in Southwest China is a carbon sink. Science Report, 2017, 7(7): 41025
[29] 万运帆, 李玉娥, 林而达, 等. 静态箱法测定旱地农田温室气体时密闭时间的研究. 中国农业气象, 2006, 27(2): 122–124
[30] Li C S, Mosier A, Wassmann R, et al. Modeling greenhouse gas emissions from rice-based production systems: sensitivity and upscaling. Global Biogeoche-mical Cycles, 2004, 18(1): GB1043
[31] 杨新. 中国土壤侵蚀分区及土壤流失调查. 自然灾害学报, 2011, 20(4): 131–136
[32] 尹民. 山东省水土流失现状及其保护恢复研究[D]. 曲阜: 山东师范大学, 2001
[33] 朱龙飞, 徐越, 张志勇, 等. 不同施氮措施对冬小麦农田土壤温室气体通量的影响. 生态环境学报, 2019, 28(1): 143–151
[34] 姚凡云, 王立春, 多馨曲, 等. 不同氮肥对东北春玉米农田温室气体周年排放的影响. 应用生态学报, 2019, 30(4): 1303–1311
[35] Gregorich E G, Rochette P, Vandenbygaart A J, et al. Greenhouse gas contributions of agricultural soils and potential mitigation practices in Eastern Canada (vol 83, pg 53, 2005). Soil & Tillage Research, 2007, 94 (1): 262–263
[36] 谭永洁, 王东启, 周立旻, 等. 河流氧化亚氮产生和排放研究综述. 地球与环境, 2015, 43(1): 123–132
[37] 王佳宁, 晏维金, 陈能汪, 等. 我国河流 N2O 饱和度与释放系数变化及其与河流氮水平的关系研究. 农业环境科学学报, 2012, 31(8): 1576–1585
[38] Beaulieu J J, Shuster W D, Rebholz J A. Nitrous oxide emissions from a large, impounded river: the Ohio River. Environmental Science & Technology, 2010, 44(19): 7527–7533
[39] 黄树辉, 吕军. 农田土壤 N2O 排放研究进展. 土壤通报, 2004, 35(4): 516–522
[40] 玉米生长期黄土区土壤氧化亚氮产生和排放及其影响因子研究. 西北农林科技大学学报(自然科学版), 2007, 35(2): 131–137
Impacts of Field Management Measures and Soil Erosion on Greenhouse Gases Fluxes of the Farmland
Abstract In order to explore the impact of field management measures and soil erosion on greenhouse gases (GHGs) fluxes, the Yucheng Experimental Station of the Chinese Academy of Sciences was selected as the research area. By collecting data of meteorology, soil and field management measures, we estimated CO2 and N2O fluxes under different intensities of nitrogen application, fertilization depths, and soil erosion rate, using DNDC model. Compared with observed data, DNDC model performed well in simulating CO2 and N2O fluxes. As the intensity of nitrogen application increased, the N2O flux also increased linearly from 1.06 mg/(m2·d) to 2.88 mg/(m2·d). The NEE also gradually increased from 1.38 g/(m2·d) to 2.07 g/(m2·d), but the increasing trend gradually slowed down. With the fertilization depth changing from 5 cm to 20 cm, the N2O flux decreased from 2.88 mg/(m2·d) to 0.68 mg/(m2·d). Moreover, when the fertilization depth increased from 0.2 cm to 20 cm, the NEE gradually increased from 1.79 g/(m2·d) to 2.32 g/(m2·d), but the increasing trend also slowed down. Under the impact of soil erosion, the NEE and the N2O flux increased by 11% and 4%, respectively. This study helps to complete the national inventories of GHGs emission, and provides basis for the policy-making of GHGs management in farmland.
Key words DNDC model; GHGs; soil erosion; field management measures; farmland
doi: 10.13209/j.0479-8023.2020.023
国家自然科学基金(41601275)资助
收稿日期: 2019–04–13;
修回日期: 2019–05–17