DNDC模型评估苜蓿绿肥对水稻产量和温室气体排放的影响

高小叶，袁世力，吕爱敏，周鹏，安渊

(上海交通大学农业与生物学院，上海200240)



DNDC模型评估苜蓿绿肥对水稻产量和温室气体排放的影响

高小叶，袁世力，吕爱敏，周鹏，安渊*

(上海交通大学农业与生物学院，上海200240)

DNDC(denitrifiction-decompostion)模型是以生物地球化学进程为基础模拟碳氮循环的模型，被广泛用来预测稻田温室气体的排放，但利用DNDC模型研究苜蓿绿肥对稻田生态系统的相关研究尚未见报道。因此，本研究结合两种绿肥在上海地区的使用，模拟了4个不同处理：对照(未施氮肥和绿肥)、氮肥(200 kg/hm2)、紫花苜蓿绿肥(3000 kg DM/hm2)+氮肥和蚕豆绿肥(3000 kg DM/hm2)+氮肥，研究苜蓿绿肥对水稻产量和稻田温室气体排放的影响，同时，对DNDC模型进行本地化修正，建立适宜我国长江中下游地区绿肥-水稻轮作生态系统的DNDC模型，结果表明，与对照相比，苜蓿、蚕豆和氮肥处理下的水稻产量分别提高了41.85%，29.81%和25.36%；蚕豆绿肥处理下的CH4排放量高于苜蓿绿肥处理，温室气体的排放强度在苜蓿绿肥处理下未显著提高。通过对DNDC模型多个参数的调整和模拟，DNDC模型对水稻产量和CH4排放的模拟值与实测值十分接近，其中，水稻产量实测值和模拟值的决定系数R2为0.89，相对平均误差RMD为-0.8%。大气温度、大气CO2浓度、土壤有机碳和土壤粘粒对稻田CH4和N2O排放十分敏感，其中，大气温度、CO2浓度和土壤有机碳与CH4和N2O的排放强度呈显著的正相关关系，而土壤粘粒与CH4排放呈显著的负相关关系，本研究结果说明本地化改进的DNDC模型能够准确模拟紫花苜蓿绿肥对水稻产量和稻田温室气体排放的作用效果。

DNDC；甲烷；碳储量；氧化亚氮

在我国，为了应对庞大的人口规模，作物产量最大化成为农业生态系统追求的主要目标。因此，近年来，化肥过度使用，尤其是过量氮肥导致农田土壤大面积退化[1-2]。水稻(Oryzasativa)作为全球主要的粮食作物，其种植面积占了整个耕地面积的11%[3]，而稻田系统的甲烷排放已经成为全球CH4一个最主要排放源，大气中10%～20%的CH4来源于水稻种植[4]。可持续的水稻种植管理措施应该具有多重目标[5]，增加水稻产量，保障粮食安全；降低稻田系统温室气体排放，缓解全球气候变暖；减少与氮相关气体(N2O、NO、NH3)的排放，降低对大气的污染；提高氮肥的利用效率，减少通过淋溶、地表流失等氮流失，降低对水体的污染；此外，土壤是粮食生产的根本，维持良好的土壤质量必不可少。因此，综合研究和分析水稻生产和管理措施在产量、土壤碳储量和温室效应方面的影响，寻求合理、科学、可持续的管理措施，对提高水稻产量和控制全球温室效应具有重要的意义。

DNDC模型是反映农田生态系统通过生物-地理-化学进程的相互作用，将碳、氮元素在植物-土壤系统中进行运输和转化的过程，被广泛应用于水稻产量和温室气体通量的估算[5-7]。但是利用DNDC模型模拟分析紫花苜蓿绿肥对水稻系统产量、温室气体排放及其气候、土壤和管理等因子敏感性的研究尚未有报道。在长江以南地区，一般从10月底到第2年6月初均为闲置期，秋季作物收获后一般种植蚕豆(Viciafaba)作为绿肥，干物质产量一般达9 t/hm2。紫花苜蓿(Medicagosativa)是一种优良的豆科牧草，在长江下游秋季(10月下旬)种植，第2年6月初可以刈割3次，累计干草产量达15 t/hm2[8]。如果将第2次刈割推迟到5月中旬，将第3次刈割(6月初)苜蓿作为绿肥还田，干草产量为3000～3750 kg/hm2，能够有效改良农田土壤，增加轮作作物产量。因此，本研究将紫花苜蓿引入长江下游草田轮作种植系统，探究苜蓿绿肥是否能够有效提高水稻产量，同时又能控制温室效应；利用DNDC模型，对4种不同的管理模式(不施肥、施氮肥、紫花苜蓿绿肥+氮肥、蚕豆绿肥+氮肥)进行试验和模拟分析，利用实测数据调整模型相关参数，将DNDC模型本土化，探求对水稻产量及温室气体等变化积极响应的相关因子，为生产实践提供相关的科学依据。

1 材料与方法

1.1 样地描述和试验设计

试验于2012-2013年在上海市闵行区浦江镇上海交通大学浦江绿谷试验农场进行，位于31.13° N，121.47° E, 气候属于北亚热带季风气候，年均温度15.3 ℃，年均无霜期225 d，年降雨量1022 mm。试验地水稻种植的历史已经有几十年，土壤是粘性质地，pH(土水比为1∶5)5.24。土壤0～10 cm的全氮、速效磷、速效钾和有机碳含量分别为1.03 g/kg, 17.47 mg/kg, 105.14 mg/kg和 11.22 g/kg, 2012年5月24日测定的0～10 cm深土壤容重为1.35 t/m3。

试验处理包括：1) 对照(不使用氮肥和绿肥)；2) 仅施用N肥(200 kg N/hm2, N 肥处理)，氮肥用量与当地传统水稻种植N肥用量一致；3) 紫花苜蓿(3000 kg DM/hm2)和氮肥(200 kg N/hm2)结合使用(苜蓿+N处理)；4) 蚕豆(3000 kg DM/hm2)和氮肥(200 kg N/hm2)结合使用(蚕豆+N处理)。所有处理均是3个重复，随机区组排列，每个小区面积是10 m2(2 m×5 m)。

1.2 绿肥和水稻管理

在水稻移栽前10 d，苜蓿和蚕豆从其他地方收割，运到试验地，切割成5～8 cm的碎块，均匀铺撒在样地表层，同时每个处理施入20 kg P/hm2(过磷酸钙)作为基肥，用铁锹将绿肥和磷肥翻入大约10 cm 深的土壤中。随后所有试验小区淹水，深度约10 cm。氮肥(尿素，氮含量46%)平均分成两份(各100 kg N/hm2)，分别在水稻移栽后的第7和30天撒施。

水稻(秋优金丰)秧苗在21 d时人工移栽至各试验小区，行距为15 cm×30 cm(每簇包含3颗水稻秧苗)，移栽时间分别是2012年6月8日和2013年6月11日，收获日期分别是2012年11月10日和2013年10月26日，秸秆残茬翻入试验样地中。

试验中水稻灌溉方式与当地传统水稻灌溉方式完全一致，即除了分蘖后期烤田1周外，其余时间稻田水深维持5～8 cm。

苜蓿碳、氮、磷的平均含量分别为40.50%，4.38%和0.30%，蚕豆为43.44%，2.49%和0.16%。添加3000 kg/hm2绿肥干物质中，苜蓿碳、氮、磷的总含量为1215.00 kg，131.40 kg和9.00 kg, 蚕豆为1303.20 kg，74.70 kg和4.80 kg。

1.3 产量、土样采集和分析

土壤样品: 2012年试验开始前(2012年5月24日)，2012和2013年试验结束时(2012年11月10日和2013年10月26日)分别取土样，用直径5 cm的土钻在每个样地随机取0～10 cm深3钻土，均匀混合作为1个土壤样品；水稻样品：每个小区随机选择3块1 m2样地，齐地面收割，统计籽粒产量，计算平均值作为1个重复。籽粒65 ℃烘干至恒重。土壤样品自然风干后过<2 mm的筛，测定土壤全碳。

土壤全碳(soil total carbon, STC)含量采用元素分析仪测定(Vario EL III, Elementar, Germany)。每个样品每次称取30～40 mg，用锡箔纸包裹好，放入仪器燃烧测定。

1.4 气体采样与分析

在水稻生长季用静态箱法采集气体样品[9]。气体样品在采样后1周内用气体分析仪(Agilent, USA)(G1540A_6890N)测定CH4和N2O的浓度。N2O和CH4分别通过ECD通道(350 ℃)和FID通道(200 ℃)检测。搭载气体是N2，气流速度为25 mL/min，注箱温度为55 ℃。

气体采样时间在早上8:00-10:30，代表全天气体排放的平均值[10]。2012年采样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。

根据目前国际上计算气体累积排放量的方法：假设在没有测定的日期内气体排放呈线性趋势[11]。水稻整个生长季的CH4和N2O累积排放量根据取样时间进行连续线性内插法计算。

CH4和N2O排放的速率是根据静态箱单位面积气体浓度在单位时间内的变化而计算。静态箱法测定CH4和N2O排放速率根据以下公式计算[11]:

F=p×(V/A)×(Δc/Δt)×(273/T)

(1)

其中，F代表CH4或N2O排放速率[mg CH4/(m2·h), μg N2O/(m2·h)]；p是CH4或N2O在标准大气压下的密度(mg/cm3)；V是箱子的体积(m3)；A是箱子与地面接触的底面积(m2)；Δc/Δt是箱子内的CH4或N2O 在取样时间内气体变化速率；T是绝对温度(273+箱子内取样时温度的平均值，K)。

1.5 土壤碳储量速率

土壤碳储量速率(soil carbon storage rate,SCSR)是土壤碳库的变化，根据以下公式计算土壤碳储量的变化[12]:

SCSR=(STCt-STC0)×BD×T

(2)

其中，SCSR(soil carbon storage rate)是土壤碳库的变化(t/hm2);STC0和STCt分别为2012和2013年试验开始和结束时土壤总碳含量；BD(bulk density)是土壤容重(t/m3)。有研究表明，土壤容重在短期内变化很小[13]，因此本研究计算过程均采用2012年试验开始时测定的土壤容重(1.35 t/m3)，T是取样土壤的深度，本研究为10 cm。

1.6 净全球变暖潜力计算

采用净全球变暖潜力(net global warming potential, NGWP)衡量绿肥对温室气体排放和土壤碳库变化的影响潜力。净全球变暖潜力是基于温室气体的辐射量和碳固定而计算，以CO2当量来表示，CO2-equivalents/(hm2·yr)[14]。农田系统的NGWP是排放气体的CO2当量减去土壤碳库的变化[14]：

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

(3)

为了比较水稻单位产量温室气体排放量，引入温室气体排放强度(greenhouse gas intensity, GHGI)概念，根据以下公式计算[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模型起初主要是追踪陆地农业系统温室气体(CH4和N2O)的排放路径[16]，反映农田生态系统通过生物-化学-地理进程的相互作用将碳、氮元素在植物-土壤系统中进行运输和转化的过程。因此，DNDC模型包含了6个相互作用的子模块：气候土壤、作物生长、分解、硝化作用、反硝化作用以及发酵进程模块。气候-土壤模块，主要根据土壤的物理性质、气候以及作物生长的需水量模拟土壤剖面层的温度和湿度；作物生长子模块是根据作物生长和根系呼吸的需求计算系统需水量和需氮量；分解模块是模拟土壤微生物分解过程、CO2的产生以及NH3的挥发。硝化模块是追踪模拟硝化细菌生长的进程，将NH4+转化为NO3-的过程。反硝化模块是模拟反硝化细菌的进程，即NO、N2O和N2的产生进程。发酵进程模块是将CH4的产生、氧化和运输量化。本研究所用DNDC模型为最新版本：DNDC 95。

1.7.2 参数的输入 DNDC模型输入的参数主要包括气象因子、土壤因子以及作物管理方式。气象因子包括试验期间(2012-2013年)的日最高温、日最低温以及日降雨量。土壤因子及管理参数具体参见上述材料与方法和表1，表中尚未列出的土壤属性采用的是模型默认值。

1.7.3 模型的修正 DNDC模型默认的作物参数不能有效地模拟本研究4种管理模式下水稻实际生长状况。通常随着氮投入的增加，水稻对土壤中氮的利用指数有所降低，同时，籽粒、秸秆和根系的比重也会变化[17]。 因此，本研究针对当地水稻品种、气候环境和管理模式，对水稻最高产量、积温、生物量、C/N等10余个参数进行模拟和校正，最终确定对模型进行以下校正：模型默认的水稻最高产量为3378 kg C/hm2，本研究中，根据实测值，水稻最大产量调整为4800 kg C/hm2；水稻生长季的积温默认值为2000 ℃，根据当地水稻从种植到收获实际累积温度，调整为4000 ℃；模型默认的水稻籽粒、叶片、秸秆和根部生物量的比例分别为0.41，0.23，0.24和0.12，C/N的默认值为45，85，85和85，默认氮的利用指数为1.05，而实际研究中由于水稻品种和管理模式的不同，这些参数均有所变化。本研究根据实测值，将对照(不施肥)处理下水稻籽粒、叶片、秸秆和根部生物量的比例调整为0.45，0.18，0.25和0.12，C/N调整为50，75，85和85，氮的利用指数调整为1.4；氮肥处理下水稻籽粒、叶片、秸秆和根部生物量的比例调整为0.44，0.15，0.24和0.17，C/N为45，75，85和85，氮的利用指数调整为1.3；蚕豆+N处理下水稻籽粒、叶片、秸秆和根部生物量的比例调整为0.42，0.15，0.23和0.2，C/N为45，75，85和85，氮的利用指数调整为1.3；苜蓿+N处理下水稻籽粒、叶片、秸秆和根部生物量的比例调整为0.44，0.15，0.21和0.20，C/N为45，75，85和85，氮的利用指数调整为1.3。此外，针对当地的环境状况，将模型默认的降雨中氮含量由0调整为5 mg/m3, 默认的大气中NH3浓度由0.06 μg N/m3调整为0.12 μg N/m3；灌溉水中氮含量设置为5 mg/L，水分的渗透率设置为3 mm/d。

表1 模型敏感性分析参数的本底值和测试值

Table 1 The baseline and alternative scenarios for sensitivity analysis

参数Parameters本底值Baseline测试范围Alternativerange气象因子Climatefactors年均温度Annualtemperature(℃)17.1413.71～20.56年降水量Precipitation(mm)1341.641073.31～1609.97CO2浓度CO2concentration(mg/m3)350280.00～420.00氮沉降Ndeposition(mgN/L)54.00～6.00土壤因子Soilfactors有机碳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土壤粘类Soilclayfraction0.340.27～0.41硝态氮NO3-content(mg/kg)75.60～8.40铵态氮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 敏感性分析能够反映输出结果对输入/输出参数(产量、土壤碳库、CH4和N2O排放)变化的响应强度，其中响应强度最大的参数，即最敏感的参数。本研究敏感性情景的分析是基于2012年传统管理模式(即仅施氮肥)情景下分析。测试情景参数的范围选择在±20%之间，在检验每个参数的敏感性时，保持其他参数不变。本研究使用下面的公式评估产量、土壤碳库、CH4和N2O对各输入参数的敏感性[18]：

(5)

其中，SI是敏感性指数；I2和I1分别是输入参数的最大值和最小值；Iavg是所有选择输入参数的平均值，本研究测试的最小循环次数设置为500，Iavg是500个随机输入的±20%参数所对应输出值的平均值；S2和S1分别是I2和I1所对应的输出值；Savg是S2和S1的平均值。敏感性指数为正值表示模拟的结果与所选择的参数是正相关关系，敏感性指数为负值表示模拟的结果与选择的参数之间是负相关关系；敏感性指数的绝对值越大，表示二者之间的相关性越强，当敏感性指数为1时，表示模拟结果与输入参数的变化比例一致。

1.7.5 模型的验证 本研究采用决定系数R2、均方根误差(root mean square error, RMSE)、相对平均误差(relative mean deviation，RMD)、平均误差(mean error, E)以及模型效率指数(model efficiency, EF)[19-20]5个指标来验证模拟结果与实测值之间的拟合度。

(6)

(7)

(8)

(9)

均方根误差(RMSE)主要衡量模拟值和实测值之间的一致性，而相对平均误差(RMD)是衡量模型的偏差。平均误差E>0时，表示模拟值高于实测值；E<0时，模拟值低于实测值[20]。当模型效率指数EF为0～1时，值越大，模拟值与实测值之间的关联度越大；当EF<0时，模拟值与实测值之间极度不相关。

1.7.6 模型的预测 以2012年气象数据为基础，调整苜蓿和氮肥用量，模拟预测4种情景下水稻产量、碳储量速率和温室气体排放，预测最佳管理模式。

1.8 统计分析

模拟值和实测值之间的线性回归方程采用Sigmaplot12.0 进行拟合分析。显著性差异分析是在P<0.05水平，采用SAS9.0(SASInstituteInc.,Cary,NC,USA)进行ANOVA分析。

2 结果与分析

2.1 模型敏感性分析

DNDC模型对水稻产量、土壤碳储量速率以及温室气体排放的模拟受年均温、大气CO2浓度、氮沉降、土壤有机碳、pH值、土壤粘粒含量、土壤无机氮以及施氮水平的影响较大。由表2可知，大气CO2浓度和施氮水平对水稻产量的影响最大，且均呈正相关关系；其次是土壤pH值与水稻产量呈负相关关系。土壤碳储量变化主要受大气CO2浓度的负调控，土壤粘粒的正调控，土壤粘粒比重增加，土壤碳储量速率提高，而温度和土壤有机碳升高，均导致碳储量速率降低。温度和CO2浓度的增加均可促进稻田甲烷的排放，而土壤粘粒比重、pH值和铵态氮含量增加均降低甲烷的排放。N2O的排放对温度、降水量、氮沉降、土壤有机碳、pH、土壤无机氮以及施氮量的变化均比较敏感，且均呈正相关关系(表2)。

表2 水稻产量、土壤碳储量速率、甲烷和氧化亚氮排放量输出的敏感性指数

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

参数Parameters产量Grainyield碳储量速率SoilcarbonstoragerateCH4排放CH4emissionN2O排放N2Oemission年均温度Annualtemperature0.049-0.0820.3370.372年降水量Precipitation0.007-0.031-0.0030.511CO2浓度CO2concentration1.3260.2540.5200氮沉降Ndeposition0.019-0.001-0.0060.317有机碳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硝态氮NO3-content0.0210-0.0150.129铵态氮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 模型验证

产量、碳储量速率、CH4和N2O排放量的实测值与模拟值之间的线性回归均显著相关(图1)，其中，产量的实测值和模拟值之间的回归系数最高，为1.03，决定系数R2最大，达0.89，实测值与模拟值之间非常接近，相关性极高(P<0.001)；土壤碳储量和CH4排放总量的实测值与模拟值之间的回归相关系数R2值分别为0.76和0.87，实测值与模拟值之间的拟合度很高；N2O排放量的实测值与模拟值之间的拟合度相对较低，但二者之间的回归相关系数R2值也达到显著水平。实测值和模拟值之间的回归系数越接近1，决定系数越大，模拟值与实测值就越接近，但是仅根据回归系数和决定系数仍然不能全面反映模拟值与实测值之间的相关关系。

本研究又采用均方根误差、相对平均误差、平均误差和模型效率指数进一步验证模拟值与实测值之间的拟合度(表3)。从表3可以看出，产量均方根误差和相对平均误差均很小，模型效率指数接近1，表明产量的模拟值与实测值拟合度很高，平均误差仅为83.04 kg/hm2，模型预测略低于实测水稻的产量。CH4的均方根误差、相对平均误差和平均误差也相对较小，模型效率指数比较高，模型对CH4排放的模拟是可行的。

2.3 实测值与模拟值的比较

从表4可以看出，4个处理下产量的实测值之间存在显著差异，以苜蓿+N处理下的产量最高。氮肥处理下水稻产量显著高于对照(P<0.05)，2012和2013年分别比对照提高了20.69%和30.02%。与氮肥处理相比，苜蓿+N处理的产量分别于2012和2013年增加了13.38%和12.94%，蚕豆+N处理依次增加了3.57%和3.53%。

4个处理下产量实测值与模拟值均非常接近，2012年，对照处理的产量模拟值比实测值仅低4.22%，而N肥、蚕豆+N以及苜蓿+N处理下的模拟值比实际值分别高了4.85%，6.05%和3.08%；2013年，4个处理的产量模拟值均低于实测值，分别低了6.21%，1.55%，2.93%和6.42%。

图1 产量、碳储量速率、甲烷和氧化亚氮排放量的实测值与模拟值之间的相关分析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 产量和甲烷排放的模型拟合度指标

Table 3 Fitting degrees indices of grain yield and CH4emissions

项目Item实测平均值Averageobserved(kg/hm2)模拟平均值Averagesimulated(kg/hm2)均方根误差RMSE(%)相对平均误差RMD(%)平均误差E模型效率指数EF产量Grainyield10322102404.71-0.80-83.040.88甲烷CH4106492817.66-12.85-136.740.44

表4 4种处理下产量实测值和模拟值之间的比较

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异显著 (P<0.05),下同。
Note：Different letters within the same column indicate significant differences atP<0.05, the same below.

图2反映了水稻生长季CH4排放实测速率格局与模拟值之间的差异，可以看出，4个处理下CH4整体排放格局一致，每年生长季均有2个排放高峰期，只是在排放的量上有差异。实测值中，最高值出现在第1个高峰期，在此之前，CH4的排放量占了整个生长季排放量的66%～98%，而模拟的最高值则出现在第2个高峰期，在第2个高峰期前，CH4的排放仅占了总排放量的30%～50%，所以在第1个排放高峰期的模拟值均低于实测值，而第2个高峰期的模拟值均高于实测值。推测这主要与模型中根系对CH4的排放影响有关。

由表5可知，对照和氮肥处理下CH4的模拟值与实测值均非常接近，误差范围为-0.42%～10.68%；绿肥处理下CH4排放的模拟值均低于实测值，误差范围为11.78%～31.86%。实测值表明，施用绿肥后，CH4的排放量增加，而且C/N高的蚕豆的增加幅度更大，模拟值同样显示了蚕豆绿肥施用后，稻田CH4的排放量最高。

图2 水稻生长季甲烷排放速率的实测值和模拟值之间的对比Fig.2 Comparison between the observed and simulated CH4 flux during rice growth period for the different treatments

表5 4种处理下甲烷排放量实测值和模拟值之间的比较

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

处理Treatments2012实测值Observed模拟值Simulated2013实测值Observed模拟值Simulated对照Control560.65±63.38b5561059.08±110.19b1015施氮Nfertilizer706.60±44.79b7361155.46±118.30ab1032蚕豆+NBroadbean+N1262.12±111.95a8601420.36±63.43a1247苜蓿+NAlfalfa+N1055.89±45.62a8331293.72±100.89ab1141

由表6可知，净全球变暖潜力(NGWP)和温室气体排放强度(GHGI)在对照和氮肥处理之间无显著差异(P>0.05)。与对照和氮肥处理相比，2012年蚕豆+N处理显著提高了NGWP和GHGI(P<0.05)，苜蓿+N处理的GHGI与对照之间在2012年无显著差异，但2013年显著低于对照(P<0.05)。

表6 4种处理下净全球变暖潜力和温室气体排放强度实测值

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

处理Treatments净全球变暖潜力NGWP(tCO2eq/hm2)20122013温室气体排放强度GHGI(kgCO2eq/kggrain)20122013对照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蚕豆+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模型对不同苜蓿绿肥和氮肥处理下水稻产量、土壤碳储量速率、温室气体排放的模拟和预测

通过DNDC模拟预测苜蓿和氮肥用量对水稻系统的影响，表7是施氮处理和苜蓿+N处理的实际测定值和4种模拟管理情景下产量、土壤碳储量速率和CH4排放的预测值。与施氮处理相比，当氮肥用量减少1/2，苜蓿用量不变时(苜蓿+1/2N 情景)，产量仅降低了2.68%；当氮肥用量减少2/5时(苜蓿+3/5N 情景)，产量增加1.88%，可是温室气体排放强度降低32.21%。与苜蓿+N处理的实测值相比，当绿肥用量增加1/5，氮肥减少1/5时(6/5苜蓿+4/5N 情景)，产量仅降低3.25%，温室气体的排放强度降低52.11%；当苜蓿用量增加1/2，氮肥用量减少1/2时(3/2苜蓿+1/2N), 产量降低了6.19%，温室气体的排放强度降低55.06%。因此，将氮肥用量减少20%，苜蓿用量提高20%，不仅可以维持水稻的高产，也可显著降低温室气体的排放强度。

表7 DNDC模型预测不同情景水稻系统产量、碳储量速率和温室效应

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

处理和情景Treatmentandscenarios产量Grainyield(kg/hm2)甲烷CH4(kg/hm2)碳储量速率Soilcarbonstoragerate(kgC/hm2)净全球变暖潜力NGWP(tCO2eq/hm2)温室气体排放强度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分别表示氮肥用量(200 kg/hm2)是传统用量的1/2，3/5和4/5，即100，120，160 kg/hm2。6/5苜蓿，3/2苜蓿分别表示苜蓿用量是本研究处理苜蓿用量(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 讨论

3.1 苜蓿绿肥能够增加水稻产量，有效控制温室气体的排放强度

研究表明绿肥能够有效改善土壤有机质、提高作物产量[21-22]。绿肥对作物产量的影响程度主要依赖于绿肥的质量，C/N和C/P低的绿肥能够更有效地促进作物产量[23-24]。本研究中，与对照相比，苜蓿和蚕豆绿肥均显著提高了水稻产量，其中，苜蓿绿肥比蚕豆绿肥的增产效果显著，主要是因为苜蓿的C/N和C/P均低于蚕豆。因此，苜蓿+N处理下输入的氮源(330 kg N/hm2)高于蚕豆+N处理(275 kg N/hm2)，导致苜蓿+N处理的水稻和土壤微生物获得更多可利用的氮，从而促进了水稻的生长和发育。

农业生态系统温室气体排放包含微生物和植物两方面的生物进程[25-26]。输入土壤的碳和氮强烈地影响土壤微生物的数量和活性，进而影响温室气体的排放[27]，而氮源是控制土壤微生物自养和异养呼吸的最重要的因子之一[28-29]，土壤碳、氮含量变化直接影响土壤微生物数量、活性和温室气体的排放。绿肥作为土壤重要的碳、氮来源，其分解过程是微生物和有机物质相互作用的过程，绿肥分解释放的氮在土壤中能够迅速矿化，满足作物和微生物对氮的需求[30]。本研究中，与氮肥处理相比，绿肥+N处理均显著促进了水稻系统CH4的排放，与许多前人的研究结果一致[23,31]。然而，苜蓿和蚕豆绿肥对稻田CH4排放的影响有所不同，苜蓿+N处理下，CH4的排放低于蚕豆+N。稻田添加有机物质促进CH4的排放[23,32]，主要是因为大量碳源的输入为CH4的产生提供了充足的基质。蚕豆C/N(17.4)高于苜蓿(9.2)，富含不稳定态碳，能够为产CH4菌提供更多的基质[33-34]，同时在水淹条件下容易降低氧化还原电位，为CH4的产生创造良好的条件[35]。此外，高C/N造成蚕豆的分解速率缓慢，导致蚕豆的有机碳矿化要比苜蓿慢，又为CH4的产生提供更多的碳基质，因此，蚕豆+N处理下CH4的排放量高于苜蓿。这一研究结果与Kim等[23]一致，即在水稻系统添加紫云英(Astragalussinicus)(C/N 14.8)绿肥的CH4排放比黑麦(Secalecerealis)(C/N 64.3)绿肥低。

净全球变暖潜力(NGWP)是基于温室气体(CH4和N2O)的排放和碳储量速率而计算，温室气体强度(GHGI)反映的是单位产量的净全球变暖潜力。本研究中，NGWP大部分的贡献来源于CH4，占了NGWP总量的97.39%～99.43%，N2O对NGWP的贡献很小，贡献率仅为0.57%～2.61%。氮肥和绿肥均促进了稻田NGWP，绿肥+N处理下，NGWP显著高于氮肥和对照处理，这主要是CH4排放增加导致；而苜蓿+N处理下的NGWP小于蚕豆+N处理，因为蚕豆+N处理显著促进了CH4排放，而不是土壤碳储量的变化。这一研究结果表明，C/N低的绿肥与C/N高的绿肥相比，CH4的排放减少，NGWP也随之降低。尽管苜蓿+N处理下NGWP有所提高，但是温室气体的排放强度(GHGI)与对照和施氮处理相比，均无显著差异，而蚕豆+N处理则不仅提高了NGWP，温室气体的排放强度也随之提高。

3.2 温度、CO2、土壤碳库和土壤粘粒是影响稻田温室气体排放的关键因子

产量、碳储量速率、CH4和N2O排放对温度均比较敏感。增温对水稻增产的作用并不显著，但显著促进了CH4和N2O的排放，同时降低了碳储量的累积速率。这一模拟结果与许多稻田增温试验的研究结果相一致[36-37]。研究表明，增温能够促进土壤微生物的活性、加速土壤生物化学进程[38]。本研究中，增温可能促进了产甲烷菌活性和水稻生长速率，通过根系和根系分泌物增加了土壤碳基质[39-40]，为CH4的产生提供了更多的基质，从而增加了CH4的排放量；硝化和反硝化作用是产生N2O的必要进程[41-42]，增温可能加速硝化和反硝化进程从而促进N2O的排放。与此同时，增温却降低了土壤碳储量速率，因为碳储量是土壤碳与大气中CO2交互的结果[43]，土壤中有机碳经过微生物作用，消耗掉易分解的碳，留下不易分解、长时间内可以保持稳定状态的碳即是土壤碳储量。而增温促进土壤呼吸、促进CH4的产生[44]，加速了土壤中碳的消耗进程，从而降低了土壤碳储量速率。

大气CO2浓度对产量和温室气体排放的影响历来是研究的热点[36,45-46]。随着化石燃料燃烧、土地利用和覆盖度变化，大气中CO2浓度持续增加，甚至突破400 mg/m3[47]。本研究中，DNDC模拟结果显示，CO2浓度对产量的影响程度甚至高达1.326，即CO2浓度提高1倍，产量提高1.326倍，同时也促进了碳储量累积和CH4的排放。可是在绿肥+N处理下，产量已接近饱和，因此，CO2浓度升高引起大幅增产并不现实。因此，CO2浓度升高可提高产量，但是也促进了CH4排放，加剧了全球潜在变暖趋势。

整体而言，温度和大气CO2浓度增加将进一步促进全球变暖趋势，但是增温的增产效果却并不显著，虽然CO2浓度提升的增产效果显著，但是对全球变暖的贡献也不容忽视。因此，严格控制全球气温和CO2浓度升高，对于减轻全球温室效应具有重要作用。

3.3 土壤碳库和土壤粘粒与水稻产量、碳储量和温室气体排放的相关性

土壤有机碳是衡量土壤质量的一个重要指标，也是实现农业可持续发展的重要条件[48]。本研究的模拟结果表明，土壤有机碳增加能够促进CH4和N2O的排放，同时降低土壤碳储量的速率。土壤有机碳增加能够为CH4的产生提供更多的碳源作为碳基质；另外，良好的水稻生长促进了水稻根系和自身组织的生长，为CH4的排放提供了良好的排放路径，因为60%～90% 的CH4是通过水稻自身的通气组织释放[49]。通常土壤有机碳的含量越高，其他营养物质也越高，土壤中的氮含量也越高[48]，而土壤中无机氮(NO3、NH4)既是植物可直接吸收利用的氮，同时也是N2O产生的重要基质[50]。因此，土壤中无机氮的增加既可以提高产量，也可促进N2O的排放量，但同时也可能降低CH4的排放，因为土壤中无机氮，尤其是铵态氮可促进CH4氧化菌的活性[51]，提高CH4的氧化量，从而降低CH4的排放量。CH4排放对土壤质地也很敏感。土壤质地越重(粘粒含量高)，CH4排放量越小，因为土壤中粘粒的吸收作用限制了土壤微生物对可溶解碳的利用[52]，因此，提高土壤有机碳和无机氮对增产、减排至关重要。

3.4 DNDC模型本土化的准确性

利用DNDC模型对稻田碳、氮循环的模拟研究已有报道[18,53]。但是，DNDC模型对苜蓿绿肥处理下产量和温室气体排放的模拟和预测报道较少。本研究中，根据水稻品种和管理模式的不同调整了模型中默认的作物相关的参数。由于绿肥促进水稻的生长，所以提高绿肥模式下根系占总生物量的比例。试验区2012年度的气候属正常年份，模型对不同处理下水稻产量和CH4排放均有准确的模拟，水稻生长季CH4的排放趋势模拟与实际观测值接近，而2013年对水稻生长后期CH4的排放速率的模拟值均高于实际值。本研究中，模型对不同处理下N2O排放的模拟值均低于实测值。DNDC模型对N2O模拟的化学反应取决于土壤中亚硝酸盐含量、土壤pH值和温度，当pH<5.0时，相关化学反应开始启动[54]。因此，推测本研究对N2O排放量模拟偏低的主要原因是模型高估了通过径流和地下渗漏流失的氮，以及对土壤pH和温度变化的不敏感所致，相关参数有待于进一步调整。本研究实测数据和许多研究均表明N2O排放对稻田温室气体的贡献仅为0.5%～6.0%[23,55-56]，因此，模型对N2O排放的低估对本研究预测温室效应的影响较小。因此，推测在极端高温环境下，DNDC模型内部有关碳和氮循环进程的参数需要进一步调节后，可能更有利于模拟实际情况；在气候正常年份，该本地化DNDC模型能够准确模拟长江中下游地区紫花苜蓿绿肥情景下水稻生长和温室气体排放规律。

4 结论

CH4是稻田系统最主要的温室气体，施用绿肥可提高水稻产量，但也促进了CH4的排放。苜蓿绿肥C/N较低(9.2)，显著提高了水稻产量，且CH4排放量低于蚕豆(C/N 17.4)+N处理。温室气体排放强度在苜蓿+N处理下低于蚕豆+N，且与对照和施氮处理并无显著差异。因此，苜蓿+N处理既可提高水稻产量，又可控制温室气体的排放强度(GHGI)。通过将DNDC模型本土化后，模拟预测发现，当绿肥的C/N低于10时，减少1/5氮肥用量仍可实现增产、控制温室气体排放强度。通过DNDC模型的敏感性分析表明，大气温度、CO2浓度、土壤有机碳和土壤粘粒对稻田CH4和N2O排放非常敏感；其中，大气温度、CO2浓度和土壤有机碳与CH4和N2O的排放呈显著正相关关系，而土壤粘粒与CH4排放呈显著负相关关系。因此，选择合适质地的土壤，添加C/N低的苜蓿绿肥，控制大气温度和CO2浓度，可有效减少稻田CH4和N2O的排放，增加水稻产量。

[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] 马力, 周鹏, 高小叶, 等. 非秋眠和半秋眠紫花苜蓿品种在华东冬闲田的生长规律和营养动态. 中国草地学报, 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

上海市科委基础重点项目(13JC1403200),上海市农委攻关项目[沪农科攻字(2013)第5-10号]和上海市科委科技创新行动计划项目(15391912400)资助。

高小叶(1986-)，女，陕西安塞人，在读博士。E-mail: gaoxiaoye1220@163.com*通信作者Corresponding author. E-mail: anyuan@sjtu.edu.cn

高小叶， 袁世力， 吕爱敏， 周鹏， 安渊. DNDC模型评估苜蓿绿肥对水稻产量和温室气体排放的影响. 草业学报, 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.