农田生态系统碳循环模型研究综述

万 盛，宋新山，秦天玲，于志磊，何 萌

(1.东华大学环境科学与工程学院，上海 201620；2.中国水利水电科学研究院水资源所，北京 100038)

农田生态系统是陆地生态系统碳循环过程中最活跃的碳库[1]，研究农田生态系统中碳的净排放量对研究全球的碳排放有及其重要的意义。陆地生态系统碳循环模型是研究陆地生态系统碳循环的有效手段之一[2，3]。通过模型可以模拟长时间和大空间尺度上的生态系统碳循环过程，进而探寻土壤水和碳循环的响应关系[4,5]。

20世纪中期，陆地生态系统碳循环模型开始出现[6-9]，农田生态系统碳循环模型在陆地生态系统碳循环模型的基础上逐渐发展起来。根据陆地生态系统碳循环模型的模拟特点，可以将其分为3个阶段：全球碳平衡模型阶段(20世纪六七十年代)、陆气耦合碳循环模型阶段(20世纪80年代)和动态生物化学碳循环模型阶段(20世纪90年代至今)。

全球碳平衡模型多为静态模型，利用实测数据，通过简单相乘模拟全球碳平衡，主要有MIAMI[10]、PSIAC[11,12]、BATS[13]和LSX[14]等；陆气耦合碳循环模型是简单动态模型，通过植被-气候关系模拟气候对碳平衡的动态影响，主要有CASA[15]、BIOME[16]、DOLY[17]、SIB2[18]和EPIC[19]等模型；动态生物化学碳循环模型是复杂的动态模型，考虑了土地利用和土地覆盖变化等对碳循环的影响，主要有CENTURY[20]、TEM、DNDC[21.22]和CLASS[23]等。农田生态系统碳循环模型随着陆地碳循环模型的3个发展阶段逐渐发展，通过基础研发到模型开发，并在当下综合应用于对农田生态系统碳循环的研究。

本文基于农田生态系统的最新研究进展，论述了不同农田生态系统土壤水-碳循环模型的特征和应用，并展望了农田生态系统土壤水-碳循环模型的研究发展方向。

1 农田生态系统碳循环模型发展历程

农田生态系统是陆地生态系统的重要组成部分[7]，它既是重要的碳源，也是重要的碳汇[8]，其碳循环过程较为复杂。农田生态系统碳循环模型能够将气候、土壤等环境因素和农业管理、土地利用等人类活动联系起来，详细描述碳循环动态变换过程及其对生态系统的反馈作用。

农田生态系统碳循环模型根据模型特点可以分为3个阶段：基础研发阶段、开发阶段和综合应用阶段(见表1)。

表1 农田生态系统碳循环模型发展历程Tab.1 Development of the carbon cycle model in farmland ecosystem

2 农田生态系统碳循环模型分类

农田生态系统碳循环模型根据它们的目的和预期的应用不同，可以有不同的分类，一般情况下将其按空间尺度分类。但由于近些年来对农田生态系统中的土壤水与碳循环的耦合研究较多，为方便今后相关研究的进行，通过查阅的大量相关资料，可以将农田生态系统碳循环模型按是否考虑土壤水含量参数进行分类，且根据农田生态系统中土壤水的来源和模型中土壤水含量参数的类型进行进一步划分。

2.1 农田生态系统碳循环模型基于模型空间尺度分类

农田生态系统碳循环模型根据其空间尺度可以分为4类：斑块尺度、灌区尺度、流域尺度和全球尺度。

斑块尺度上的农田生态系统碳循环模型主要是研究某一植株或某一斑块在周围环境中的碳循环。此类模型的代表有RZWQM模型[32]。这类模型的机理性较强，以日或时为时间步长。但由于农田生态系统中的环境参数存在较大的时空差异，使得局部尺度上的农田生态系统碳循环模型中的参数确定较为复杂[33]。这类模型尺度较小，能有效地反映斑块内土壤水含量与碳循环的响应关系，但对斑块内土壤水与斑块周围环境中碳循环过程和水分的交换描述稍显欠缺。

灌区尺度上的农田生态系统碳循环模型主要是用于研究一个灌区内作物参量的估算和作物的优化管理措施中。此类模型主要有GSWAP[34]、EPIC、CERES、WOFOST和SUCROS等模型。此类模型的机理性强，精度高，应用范围较广。但此类模型一般属于半经验性模型，对于生态系统中土壤水分对碳循环影响机理的表达较为模糊[35]。

流域尺度上的农田生态系统碳循环模型生态系统中集合了大范围的生物物理、化学和生态过程，一般可用来研究较大时间尺度上生态系统的碳循环过程。驱动因子中的土壤水含量数据取流域内的平均值，模拟较大时空尺度上的碳含量变化时较为精确，主要用于分析环境因素对生态系统的影响和其反馈情况，但难以单独分析流域内不同子区间的土壤水和碳循环的响应关系。此类模型主要有SHAW[36]和APSIM[37]等模型。

全球尺度上的农田生态系统碳循环模型一般用于研究全球环境变化对生态系统的影响。研究尺度大，其代表性模型主要有ISBA[38]和BEPS[39]等模型。此类模型在研究大尺度上变化环境对生态系统造成的影响方面效果较好，但无法考虑到地面栅格单元内的植被、地形和气候等的变化，且由于土壤水含量数据难以准确得到，使得模型较难详细分析土壤水分含量变化与生态系统中碳循环的响应关系[40]。

2.2 农田生态系统碳循环模型基于土壤水含量参数分类

农田生态系统中，土壤水分是重要的水分来源，土壤水含量变化会改变系统中土壤环境和作物的生长状况，从而影响土壤的碳储存和碳排放以及作物的碳排放和碳吸收过程，改变农田生态系统的碳循环过程。农田生态系统碳循环模型根据其是否考虑土壤水可以将其分为两类：不考虑土壤水的农田生态系统碳循环模型；考虑土壤水的碳循环模型。

2.2.1 基于是否考虑土壤水含量分类

(1)不考虑土壤水的农田生态系统碳循环模型。一部分模型是完全不考虑土壤含水量变化情况，由灌溉量、降雨量、气温等来接模拟得到碳循环的相关参数和过程，如作物分布和生长等，主要是用于研究气候变化和田间管理与农田生态系统中碳的净排放响应关系。其代表模型有DOLY模型等。此类模型由于对气候因子考虑较多，一般可用于描述大尺度上的植被与气候间的关系，但由于缺乏相应的机理，使得其难以考虑到土壤水含量引起的相关变化。

(2)考虑土壤水的农田生态系统碳循环模型。另一部分农田生态系统碳循环模型考虑土壤水分含量变化对碳循环的影响，这类碳循环模型中以土壤水含量做驱动因子，主要用于研究土壤水含量与碳循环的响应关系，包括CENTURY、DNDC、CLASS、DSSAT、CLM-DGVM[6,41,42]和IBIS[43]等模型。集中于模拟农田生态系统中碳循环、水循环和植被变化过程，能很好地描述生态系统中土壤水和碳循环的响应关系。在农田生态系统碳循环模型中，土壤水参数可以分为输入变量和中间变量。

2.2.2 基于土壤水含量参数类型分类

在考虑土壤水含量变化过程的农田生态系统碳循环模型中，土壤水参数可以作为模型的输入参数和中间参数。

(1)以土壤水含量作为模型输入参数。农田碳循环模型根据其机理不同，其输入的参数也不同，一部分模型是基于土壤水含量的变化情况来模拟分析农田生态系统中的碳循环和碳排放过程，主要用于研究土壤水分变化对农田生态系统中碳循环和碳排放的响应关系。其代表性模型有：DNDC[44]、GSWAP、DSSAT和EPIC等模型。此类模型以土壤含水量为输入参数，根据初始土壤含水量其其他相关参数来模拟得到所需的参数和过程，如土壤中的水量通量和水力变化等物理过程，硝化和反硝化等化学过程以及作物的生长过程等。

(2)以土壤水含量作为模型中间变量。一部分农田碳循环模型模拟不直接基于土壤水分含量变化情况，而是根据其他气候条件、田间管理和初始土壤含水量来模拟得到土壤中的含水量变化情况，在根据模拟得到的土壤含水量继续模拟系统中的碳循环过程，主要用于研究生态系统中气候条件、土壤环境和人为管理共同作用下农田生态系统中碳循环和碳排放的过程。其代表模型有LPJ[45,46]、SWAT[47]、BEPS和BIOME等模型。此类模型的一般输入参数更多，过程更为复杂，但考虑的环境因素更多，更加全面，应用范围也更为广泛。

在以土壤水作农田生态系统碳循环模型的中间变量时需要考虑土壤水的主要来源，可以将其分为以降水为主，以灌溉为主和两者共同影响3类。

2.2.3 基于土壤水来源分类

在农田生态系统碳循环模型中，土壤水的主要来源可以分为降水，灌溉和地下水。其中地下水主要影响农田生态系统中的深层土壤水含量，对农田生态系统的碳循环过程影响较小，在模型模拟中主要考虑降水和灌溉。

(1)以降水为主要土壤水来源。这类模型以自然环境中的降雨作为农田生态系统中的土壤水来源输入，主要用于研究气候变化对农田生态系统中碳循环的影响，对人类活动影响的考虑稍显不足，其代表性模型有LPJ、DNDC、MIAMI、BIOME和BEPS等模型。

(2)以灌溉为主要土壤水来源。这类模型以人为灌溉作为农田生态系统中主要的土壤水来源输入，主要用于研究人为管理对碳循环的影响效应，在模拟自然环境变化对对碳循环过程的影响稍显不足，其代表性模型有RZWQM和CERES等模型。

(3)考虑降水和灌溉对土壤水的共同影响。这类模型既考虑人为灌溉，又考虑自然降水对土壤水含量的影响，可用于研究自然环境和人为管理条件下农田生态系统的碳循环过程，其机理性强，适用范围广，在模拟农田生态系统中土壤水和碳的响应关系是更加准确，其代表性模型有GSWAP、EPIC和DSSAT等模型。

3 结 论

随着对农田生态系统结构、功能和其中碳循环过程认识的不断深入，以及遥感技术的突飞猛进，农田生态系统的碳循环模型不断地得到发展和完善。但这些碳循环模型仍然存在着一些问题，具体有以下几个方面。

(1)模型的准确度不够。由于当前科学认识的而不足，使得农田生态系统碳循环过程中，仍然有许多过程的机理不太明确，不能完全准确的模拟描述系统中的碳循环过程，会造成模型在模拟过程中出现一些不能明了的误差。

(2)模型需要的参数复杂。农田生态系统碳循环模型的机理越强，所需参数就越多，为准确的模拟农田生态系统的碳循环过程就需要大量不同类型的数据进行支撑，模型参数在获取过程中精度的不同对模型模拟的准确会产生不同的影响。

(3)不同模型的同一模拟过程没有统一的标准。由于不同碳循环模型考虑的生态过程和环境因子不同，对同一生态过程的描述也不一样，从而使得不同模型对同一过程模拟的最终结果存在差异。

(4)模型考虑的环境因子不全面。由于农田生态系统中的发生生态过程和环境因子较复杂，难以完全考虑，会对其中的某些生态过程和环境因子进行适当合理的假设，但这样会导致模型不可避免的出现系统误差。

为解决上述问题，在以下4个方面需要进行深入研究。

(1)随着科学技术的发展，加强对农田生态系统中生态过程和物质循环的认识，认清农田生态系统中碳循环过程的准确机理，深入了解农田生态系统中碳训话过程，便于建立更加准确精细的农田生态系统碳循环模型，从机理上完善农田生态系统碳循环模型。

(2)发展先进的监测技术，完善农田生态系统中碳循环过程的监测，并将其与农田生态系统碳循环模型相结合。利用GIS、GPS和RS等现代技术对农田生态系统进行监测和分析，准确地描述农田生态系统各类特征，使得模型输入的参数更加详细精确，减少由参数缺失和不详引起的误差。

(3)对不同农田生态系统碳循环模型中的同一生态过程建立统一的标准，使不同模型在描述同一生态过程时应用的原理和参数相同，便于不同模型之间的耦合，增加模型的研究范围和其在实际应用中的作用。

(4)在研究方法上，可以将农田生态系统中的不同模型通过耦合的方式有机地结合在一起，建立一个以整个生态系统为研究对象农田生态系统。在农田生态系统中，物质交换和能量流动的联系非常密切，不可分割。因此，农田生态系统碳循环模型应该把农田生态系统当成一个功能整体来进行研究，综合建立动态的物质和能量循环生态模型。

□

[1] 刘 昱，陈敏鹏，陈吉宁.农田生态系统碳循环模型研究进展和展望[J].农业工程学报，2015,31(3)：1-10.

[2] 周文婷，黄毅斌，王义祥，等.农业生态系统碳循环[J].草业科学，2013,30(11)：1 725-1 731.

[3] 陈新芳，居为民，陈镜明，等.陆地生态系统碳水循环的相互作用及其模拟[J].生态学杂志，2009,28(8)：1 630-1 639.

[4] 毛留喜，孙艳玲，延晓冬.陆地生态系统碳循环模型研究概述[J].应用生态学报，2006,17(11)：2 189-2 195.

[5] 姚桃峰, 王润元, 王 燕.中国小麦生长模拟模型研究概述[J].干旱气象, 2009,27(1)：66-72.

[6] 王 平,沈润平.基于CLM模型的植被覆盖变化对黄土高原气温和降水的影响研究[J].科学技术与工程,2013,13(20):5 754-5 759.

[7] 张海清，刘琪璟，陆佩玲，等.陆地生态系统碳循环模型概述[J].中国科技信息，2005,13：18-19.

[8] 杨靖民，杨靖一，姜 旭，等.作物模型研究进展[J].吉林农业大学学报，2012,34(5)：553-561.

[9] 王文佳，冯 浩.国外主要作物模型研究进展与存在问题[J].节水灌溉,2012,(8):63-68.

[10] 南 梅.基于Miami模型分析青海省果洛州天然草地植被净初级生产力[J].畜牧与饲料科学，2012,33(1)：13-15.

[11] Garg V, Jothiprakash V. Sediment yield assessment of a large basin using PSIAC approach in GIS environment [J]. Water Resources Management, 2012,26(3):799-840.

[12] Daneshvar Mohammad, Reza Mansouri, Bagherzadeh Ali. Evaluation of sediment yield in PSIAC and MPSIAC models by using GIS at Toroq Warewshed, Northeast of Iran [J]. Frontiers of Earth Science, 2012,6(1):83-94.

[13] Popa Lisseanu Ana G, Kramer Schadt Stephanie, Quetglas Juan. Seasonal Variation in Stable Carbon and Nitrogen isotope values of Bats Reflect Environmental Baselines [J]. PLOS ONE, 2015,10(2):1-19.

[14] Thompson SL, Pollard D. A global climate model (GENESIS) with a land-surface-transfer scheme (LSX),2, CO2sensitivity[J]. Journal of Climate, 1995,8(5):1 104-1 121.

[15] 秦 瑞，周瑞伍，彭明春.CASA模型在金沙江流域(云南部分)NPP研究中的应用[J].山地学报，2014,32(6)：698-705.

[16] Nunes Leonia, Gower Stith T, Peckham Scott D. Estimation of productivity in pine and oak forests in northern Portugal using Biome-BGC [J]. Forestry, 2015, 88(2):200-212.

[17] 卢鹤立，刘桂芳.陆地生态系统生产力模型研究进展[J].宝鸡文理学院学报(自然科学版)，2010，3(6)：79-84.

[18] 褚英敏，袁再健，刘 畅，等.SiB2模型在黄灌区的应用探讨[J].水土保持研究，2011,18(2)：159-163.

[19] 范 兰，吕昌河，陈 朝，等.EPIC模型及其应用[J].地理科学进展，2012,31(5)：584-592.

[20] 方东明，周广胜，蒋延玲，等.基于CENTURE模型模拟火烧对大兴安岭兴安落叶松林碳动态的影响[J].应用生态学报，2012,23(9)：2 411-2 421.

[21] Meihua Deng, Sonoko D，Bellingrath Kimura, et al. Evaluation of N environmental risks on Andosolsfroman intensive dairy farming watershed using DNDC[J]. Science of the Total Environment, 2014,512:659-671.

[22] Zheng Zhao, Hanlin Zhang, Changsheng Li, et al. Quantifying nitrogen loading from a paddy field in Shanghai, China with modified DNDC model[J]. Agriculture, Ecosystems and Environment, 2014,197(10): 212-221.

[23] Morais A, Fortin V, Anctil F. Modelling of seasonal evapotranspiration from an agricultural field using the canadian land surface scheme (CLASS) with a pedotransfer rule and multicriteria optimization[J]. Atmosphere-ocean, 2015,53(2):161-175.

[24] Dokoohaki Harrize, Gheysari Manhdi, Mousavi Sayed Farhad. Coupling and testing a new soil water module in DSSAT CERES-Maize model for maize production under semi-arid condition [J]. Agricultural Water Management, 2016，163(10):90-99.

[25] 金之庆，葛道阔，石春林，等.东北平原适应全球气候变化的若干粮食生产对策的模拟研究[J].作物学报，2002，28(1)：24-31.

[26] Lopez Cruz Irineo L, Rojano-Aguilar Abraham, Salazar-Moreno Raquel. Global sensitivity of crop growth SUCROS Model applied to husk tomato[J]. Revista Fitotecnia Mexicana, 2014，37(3):279-288.

[27] Mishra Sudhir Kumar, Shekh A M, Pandey V. Sensitivity analysis of four wheat cultivars to varying photoperiod and temperature at different phenological stages using WOFOST model [J]. Journal of Agrometeorology, 2015,17(1):74-79.

[28] Maldonado Ibarra Isaac. Determination of genetic coefficients of three spring wheat varieties under a Mediterranean environment applying the DSSAT model [J]. Chilean Journal of Agricultural Research, 2015，75(4):412-424.

[29] Zha Y, Xueping W, Xinhua H, et al. Basic soil productivity ofspring maize in black soil under long-term fertilization based on DSSAT model [J].Journal of Integrative Agriculture, 2014,13(3):577-587.

[30] Lu X H, Bai H, Liu H Y. Validate the DSSAT model on winter wheat under conservation tillage treatments in the West Henan, China [J]. Agricultural Research in the Arid Areas, 2014,28(3):64-70.

[31] Subash N, Shamim M, Singh V K. Applicability of APSIM to capture the effectiveness of irrigation management decisions in rice-based cropping sequence in the Upper-Gangetic Plains of India [J]. Paddy and Water Environment，2015,13(4):325-335.

[32] 丁晋利，武继承，杨永辉，等.耕作方式转变对土壤蓄水保墒影响的RZWQM模型模拟[J].农业机械学报，2016，(4):136-145.

[33] 王 风，张克强，黄治平，等.RZWQM模型介绍及其应用进展[J]. 农业系统科学与综合研究,2008,24(4):501-504.

[34] 徐 旭，黄冠华，屈忠义，等. 区域尺度农田水盐动态模拟模型GSWAP[J]. 农业工程学报，2011，27(7)：58-63.

[35] 罗 霄，李忠武，叶芳毅，等.水稻生长模型CERES-RICE的研究进展和展望[J].中国农业科技导报，2009,11(5)：54-59.

[36] 李瑞平，史海滨，赤江刚夫，等.基于SHAW模型的内蒙古河套灌区秋浇节水灌溉制度[J].农业工程学报，2010,26(2)：31-36.

[37] Sotirios V Archontoulis, Fernando E Miguez, Kenneth J Noore. A methodologe and an optimization tool to calibrate phenology of short-day species included in the APSIM PLANT model: application to soybean[J]. Environmental Modelling & Software, 2014,62(13):465-477.

[38] Joetzjer E, Delire C, Douville H, et al. Improving the ISBA(CC) land surface model simulation of water and carbon fluxes and stocks over the amazon forest[J]. Geoscientific Model Development,2015,8(6):1 709-1 727.

[39] Wu Rongjun, Ge Qin, Zhan Xiwu, et al. Drought monitoring based on simulated surface evapotranspiration by BEPS model [J]. Journal of Natural Disasters, 2014,23(1):7-16.

[40] 冯险峰，孙庆龄，林 斌.区域及全球尺度的NPP过程模型和NPP对全球变化的响应[J].生态环境学报，2014,23(3)：496-503.

[41] Shao Pu, Zhen Xiaodong. Spatiotemporal relationship of leaf area index simulated by CLM3.0-DGVM and climatic factors [J]. Acta Ecologica Sinica, 2011,31(16):4 725-4 731.

[42] CheMingliang， Chen Baozhang， Wang Ying，et al. Review of dynamic global vegetation model (DGVM) [J]. Chinese Journal of Applied Ecology, 2014, 25(1):263-271.

[43] Xiaolei Cao, Zuhao Zhou, Xiangdong Chen, et al. Improving leaf area index simulation of IBIS model and its effect onwater carbon and energy----a case study in Changbai Mountain broad leaved forest of China [J]. Ecological Modelling, 2015,303(8):97-104.

[44] Li R H, Li X B, Li G Q, et al. Simulation of soil nitrogen storage of the typical steppe with the DNDC model: a case study in Inner Mongolia, China [J]. Ecological Indicatiors, 2014,41(10):155-164.

[45] Florian Sallaba, DorteLehsten, Jonathan Seaquist, et al. A rapid NPP meta-model for current and future climate and CO2scenarios in Europe [J]. Ecological Modelling, 2015,302(13):29-41.

[46] 王旭峰，马明国.基于LPJ模型的制种玉米碳水通量模拟研究[J].地球科学研究进展，2009，24(7)：734-740.

[47] Vigiak Olga, Malago Anna, Bouraoui Faycal, et al. Adapting SWAT hillslope erosion model to predict sediment concentrations and yields in large Basins [J]. Science of the Total Environment, 2015,538(20):855-875.