滨海盐渍土地区水稻田C、N及生物量动态变化的模拟与应用

李强, 李建国, , 张忠启,

1. 江苏师范大学地理测绘与城乡规划学院, 徐州 221116

2. 南京大学国土资源与旅游学系, 南京 210093

3. 中国科学院南京土壤研究所, 土壤与农业可持续发展国家重点实验室, 南京 21008

1 前言

滨海盐渍土的围垦开发是目前我国后备土地资源开发的主要对象, 是缓解东部土地资源供需矛盾,粮食安全问题和经济发展压力的重要举措[1-2]。滨海滩涂开发方式多样, 耕作、养殖、保护区、居民点、港口和工业园区等开发方式都存在。其中, 农业耕作是较为常见的开发方式。以江苏为例, 国务院2009年通过的《江苏沿海滩涂开发规划》明确规定农业、工业和生态用地的比例严格限定为6：2：2[3-4]。沿海土壤中广泛富集的钠离子等盐分离子可以引起植物生理性缺水, 抑制作物对其他养分的吸收, 导致作物发育不良进而导致减产或死亡。大面积滩涂土地通过在滩地上圈筑围堤垦殖, 经引淡淋洗、蓄淡养清、种植耐盐作物等措施, 加速土壤脱盐, 使得有机碳积累, 将盐渍土改良为具有良好土壤肥力的土地, 成为中国重要的耕地后备资源之一。滨海滩涂盐渍土农业改良的关键是在降低土壤盐分的同时,提升土壤的C、N含量, 促进粮食产量的快速提升。总而言之, 要快速提升土壤的生产供给能力。而盐渍土的生产供给能力受到气候、盐分、土壤养分、外源物质等因素的影响。温度与湿度为代表的气候因子变化会引起土壤微生物生理活性与一系列物理、化学性状(如：土壤容积、压力、氧化还原电位、分子间力、扩散力和表层张力)变化, 从而影响盐渍土的碳氮循环及其生物量富集[5]; 土壤有机碳作为土壤质量的重要组成部分, 是评价土壤质量和影响作物产量的重要指标, 在土壤肥力、环境保护、农业可持续发展等方面均起极为重要的作用[6]; 外源有机物来源于作物秸秆、绿肥、厩肥、凋落物等农业耕作与管理行为, 不同的农业管理行为与习惯导致土壤中的有机碳组分和土壤理化环境差异巨大,影响有机残体在土壤中的分解转化, 成为养分循环的重要组分[7]。探求滨海盐渍土改良过程中碳氮的循环累积过程及其与作物产量之间的关系对于理解滩涂盐渍土改良与熟化的过程, 揭示耕作行为与碳氮循环及生物量之间的关系具有重要的意义。

随着陆地生态系统模型的发展, 运用模型工具对土壤主要养分元素和生物量进行模拟与刻画是目前较为有效的方法, 目前已有10多个相关模型发表,较成熟的有 DNDC[8]、Century[9]、Biome-BGC[10]、RothC[11]和NCSOIL[12]等。生态系统模型均可成熟应用于土壤长期定位实验观测数据的模拟与刻画, 而这些模型中, DNDC模型是基于生物地球化学过程,以模拟辐射、温度、湿度、pH、Eh以及浓度梯度等为主的环境因子来反映气候、土壤、植被和人类活动 4种基本的生态驱动力[13], 具有多尺度, 高精度以及良好的适用性。在盐渍土改良过程中, 传统的水稻种植具有较好的脱盐效果和有机碳累积速率,是滩涂垦区盐渍土中广泛种植的农作物。本研究以江苏省如东县的滩涂垦区长期观测水稻田为例, 通过收集水稻田的施肥、灌溉、土壤理化属性、区域气候条件以及生物量等数据, 借助DNDC模型刻画与模拟研究区水稻田在一个完整生长周期下土壤C、N及生物量变化过程。检验DNDC模型在沿海盐渍土生物地球化学循环的适用性, 并对其精度进行评估。这对于研究滨海盐渍土改良过程中土壤质量提升的策略, 揭示土壤养分元素循环累积过程与规律具有重要意义。对于制定未来科学合理的盐渍土改良方案提供重要参考依据。

2 材料与方法

2.1 田间实验

2.1.1 试验区概况

试验田位于江苏省南通市如东县四桥村(北纬32°22′15.46′, 东经 121°22′26.64′), 气候属亚热带海洋性季风气候, 受海洋的调节和季风环流影响, 四季分明, 气候温和, 降水充沛, 光照充足。春季气温高, 夏季无酷暑, 秋季气温低, 冬季暖冬。年平均气温15 ℃, 平均日照时间超过2000 h, 无霜期达230天, 平均降雨量1042 mm, 降雨量年内分配不均, 汛期为6—9月, 雨量相对集中。如东县境内地势平坦,从西南略向东南倾斜, 西北部高程为 4—5 m, 东南部高程在3.2 m左右。试验田地理位置如图1所示。

图1 试验田区位Fig. 1 Location of experimental field

研究区盐渍土广布, 属于潮盐土亚类, 水稻—小麦轮作种植历史超过100年, 土壤含盐量在1 g·kg-1左右, 主要成分是NaCl。该地浅层地下水为咸水或微咸水, 矿化度高, 农田灌溉一般采用当地微咸水或引周围河水灌溉。根据田间实测结果, 研究区土壤理化性质如表1所示。

2.1.2 试验与方法

试验于2016年6—11月水稻生长期开展, 研究区试验田长为 51 m, 宽为23.5 m, 共计约 1.76亩,种植的水稻品种为宁稻13。试验期间于6月10日、7月13日、8月11日、9月24日和10月30日采用九点法对田中土表0—10 cm土层采集土样, 为确保每个土样代表性良好, 采样时在每个采样点中心及东南西北4个方向上约30 cm处各采一个点, 将五个点采集的土样混合, 作为该样点土样[14], 待土样自然风干后, 除去石块等杂物, 研磨后通过0.149 mm筛面过筛, 用四分法取约 10 g作为待测样品, 使用碳氮仪测其有机碳与全氮含量, 测定方法见参考文献[15]。水稻成熟后, 按照五点法在试验田内均匀布置5个测产点, 每个测产点使用1 m2测产框量1 m2水稻将其连根挖出作为一组样品, 并量出该点的 11行行距、11株株距, 5个测产点的行距与株距取平均,得出平均行距与平均株距, 测算田中水稻总棵数[16]。将 5组水稻样品收割后晒干, 测算根、茎、叶、果实水稻各个部分的生物量。采样结果作为与模型结果比对依据。

2.1.3 模型输入参数确定

表1 试验田土壤理化性质Tab. 1 Soil physical and chemical properties of experimental field

DNDC模型输入参数包括气候数据、土壤数据、作物数据和管理数据。其中, 气象数据来自南通市如东县气象站点数据。土壤参数包括土壤质地、容重、pH、田间持水量等, 为田间实测数据(见表2)。如东县土壤属于东部滨海堆积平原沙壤盐土, 对应模型中粘粒比0.06的Loamy Sand土壤质地值; 土壤容重使用环刀法进行测定, 在水稻种植前测定耕作层容重, 测量值为 1.78 g·cm-3; 土壤酸碱度使用电位测定法测定, 测量值为 7.8; 田间持水量使用铁框法进行测定, 测定土壤自然含水量、饱和含水量和灌溉深度, 计算田间持水量为 27%; 土壤萎蔫点在水稻收割前测得, 作物萎蔫时土壤中尚存留的水分含量为 13%; 土表初始有机碳含量在水稻种植前采样, 使用碳氮仪测得, 值为9.3 g·kg-1。作物数据使用模型定义的水稻数据, 见表3, 包括最大生物量、生物量比、生物量碳氮比、生长积温等参数。管理数据为田间实测数据, 试验期间共灌水 4次、施肥 4次(见表 4), 所施化肥种类为总氮大于 46.4%, 粒度范围为0.85—2.80 mm的尿素, 施肥时间、化肥种类和用量详见表4。

2.2 模拟计算

2.2.1 DNDC模型简介

DNDC(denitrification—decomposition “脱氮—分解”)模型, 是目前国际上最成功的生物地球化学模型之一[17], 用于模拟农业生态系统中碳和氮的生物地球化学循环。DNDC模型包括 6个子模型, 分别用于模拟土壤气候、农作物生长、有机质分解、硝化作用、反硝化作用和发酵过程[18]。该模型是对土壤碳、氮循环过程进行全面描述的机理模型, 适用于点位和区域尺度的任何气候带的农业生态系统的模拟[19]。目前, 世界上已经有很多国家的科学家使用DNDC模型进行应用研究, 如在美国爱荷华州马斯凯丁县对玉米生长过程的模拟[20]、在美国夏威夷对甘蔗的生长模拟[21]、中国东北辽宁对玉米产量进行模拟和分析[22]、英国帝国大学和农业研究所利用DNDC模型对英国种植的杨树进行了7年的模拟研究[23]。2000年结束的亚太地区全球变化国际研讨会上, DNDC模型被指定为在亚太地区进行推广的首选生物地球化学模型[24]。

表2 输入土壤参数Tab. 2 Soil parameters of model input

表3 输入水稻参数Tab. 3 Rice parameters of model input

表4 水稻生育期灌溉与施肥措施Tab. 4 Irrigation and Fertilization quota during rice growing period

2.2.2 模型验证与误差评价

使用DNDC模型模拟2016年试验田水稻生长期内碳、氮以及生物量动态变化。输入参数包括逐日气象数据、试验田土壤理化性质数据、灌溉资料、施肥资料、作物参数等初始条件。输出结果包括不同土层的有机碳和氮含量、水稻各部分生物量、作物水需求与水胁迫、氮需求与氮胁迫和温室气体排放等。对模型精度采用均方根误差(RMSE)和相对误差(RE)进行评价：

式中,Pi为第i个模拟值;Oi为第i个实测值;N为实测值个数。

3 结果与分析

3.1 土壤剖面有机碳模拟

利用DNDC模型模拟0—50 cm土壤有机碳分层状况。如图2所示, 在水稻种植期间, 0—50 cm各土层的土壤有机碳含量都随着水稻种植时间的推移而减少。从播种到收获, 试验田0—10 cm有机碳减少 0.154 g·kg-1; 10—20 cm 减少 0.088 g·kg-1; 20—30 cm 减少 0.049 g·kg-1; 30—40 cm 减少 0.025 g·kg-1;40—50 cm减少0.012 g·kg-1。根据实测的验证数据,试验田在0—10 cm在整个模拟期SOC的RMSE为0.069。可以看出, 水稻生育期SOC下降程度由表层到深层递减。水稻生育期0—50 cm各土层土壤有机碳平均含量都表现为由表层到深层递减的规律,0—10 cm有机碳含量平均为9.165 g·kg-1; 10—20 cm为 9.234 g·kg-1; 20—30 cm 为 5.57 g·kg-1; 30—40 cm为 2.968 g·kg-1; 40—50 cm 为 1.58 g·kg-1。但模拟结果表明 0—10 cm平均 SOC要比 10—20 cm的低0.068 g·kg-1, 这主要是由于水稻田表层长时间处于浸水状态而缺氧, 加之根系与微生物活动容易形成有机物质的富集层, 而长期灌水后 Eh迅速下降至100—200 mV, 土表经水的淋洗产生淋溶层, 有机质等养分经淋溶作用淋洗下移在犁底层以上土层聚集,造成10—20 cm土层SOC较0—10 cm土层稍高, 这与大量的水稻田实测结果相一致[25-28]。

3.2 土壤剖面铵态氮、硝态氮模拟

图2 各土层SOC变化Fig. 2 SOC variation of soil layers

借助DNDC模型模拟滨海盐渍土水稻种植期间土壤中尿素水平、铵态氮和硝态氮在水稻种植期间动态变化。如图3所示, 水稻生育期0—50 cm尿素水平、铵态氮、硝态氮总体呈先升后降的趋势, 但波动较为剧烈。以0—10 cm为例, 第150—190天期间铵态氮增加较为缓慢; 第190—284天骤然增加且起伏波动剧烈, 在第 194、205、232天分别出现三个明显峰值; 第284—304天骤然降低。其余土层铵态氮变化趋势与0—10 cm类似。这主要由于铵态氮含量变化受施肥控制的尿素水平影响较大。尿素是土壤氮重要的外源氮素, 常伴随化肥的施用进入土壤表层, 土壤中尿素水平常伴随施肥事件而显著增加, 曲线突变比较明显, 在没有施肥事件的天数,土壤中尿素水平趋近于 0。土壤中尿素含量于第189、201、229天出现三个明显的峰值, 这三天对应着水稻生长期间3次施肥事件的日期, 即2016年的7月9日、7月22日和8月17日。根据DNDC模型模拟结果, 三次施肥所施加氮肥数量转化为土壤尿素的效率分别为69.68%、49.50%、43.05%。土壤0—10 cm铵态氮含量与尿素水平呈明显的高度一致变化趋势(图3)。在模型模拟中, 通常当尿素水平峰值出现2至4天后, 土壤中铵态氮含量会出现一个峰值, 且铵态氮峰值过后, 铵态氮含量相比上一次施肥后显著增加。如在水稻种植期(第207—228天),土壤中铵态氮呈相对缓慢的增加趋势, 平均含量4.96 g·kg-1; 在 8 月 17 日(第 229 天)添加尿素后, 土壤尿素水平出现峰值(6.98 g·kg-1), 土壤铵态氮含量在此2天后(第 231)也出现峰值(10.28 g·kg-1); 峰值出现后, 土壤中铵态氮含量平均为5.89 g·kg-1, 比施肥前增加18.75%。

从土壤剖面情况来看, 随土层深度的增加,铵态氮、硝态氮含量逐渐减少。0—10 cm铵态氮从平均 4.18 g·kg-1减少至 0.251 g·kg-1(40—50 cm);硝态氮从平均0.977 g·kg-1(0—10 cm)减少至0.004 g·kg-1(40—50 cm)。硝态氮随深度增加减少量最为显著, 因为浅层土壤相比于深层土壤更容易接触空气, 加之硝化细菌与反硝化细菌多活动于土表,故浅层土壤中硝化反应与反硝化反应速率比深层土壤大, 浅层硝态氮变化比深层更加显著[29], 以致到 40—50 cm 土层仅含有微量硝态氮(平均0.004 g·kg-1)。同时可以看出, 土壤中硝态氮含量与土壤水含量变化有显著负相关表现, 相关系数达-0.881(图4)。硝态氮在土壤中的含量出现了两个峰值, 第一个峰值为第 217天(8月 5日), 硝态氮含量为5.12 g·kg-1; 第二个峰值为第299天(10月26日), 为3.92 g·kg-1。这两次峰值出现依次对应7月末至8月初烤田、10月末烤田(该次烤田于水稻成熟期晚期, 为方便收割, 田中不再灌水)。在烤田时段, 土壤水含量逐渐减少, 硝态氮含量增加。硝态氮和土壤水相关性显著是由于硝态氮极易被水运移, 且硝态氮水平运移速率受土壤含水量的影响较大, 硝态氮水平运移浓度与含水量具有明显的相关性[30], 土壤含水量大, 更多的硝态氮被淋洗, 土壤中硝态氮的含量减少; 反之, 当土壤水含量少时, 没有足够的水淋洗硝态氮, 从而土壤中硝态氮含量增加。再者, 硝态氮相对铵态氮具有滞后性, 且含量上呈现此消彼长的特点。如0—10 cm土层中(图3), 铵态氮含量于第202—209天峰值过后, 硝态氮含量于第207—229天才出现峰值, 而在此期间铵态氮含量明显减少; 又如种植期末期第284—304天, 硝态氮含量在铵态氮含量显著减少后 1天增加, 此后铵态氮含量明显降低。主要原因是由施肥进入土壤的尿素先水解为铵态氮, 土壤 pH升高, 硝化效率增大[31], 但在好氧条件下, 外源碳的存在使得硝化反应相对滞后,好氧环境下尽管硝态氮充足, 但反硝化所需氮源往往不足[32], 导致图3中硝态氮含量增加的滞后性。

图3 氮素变化曲线Fig. 3 Nitrogen change curve

图4 土壤水和硝态氮对应关系Fig. 4 Relationship between soil water and nitrate nitrogen

3.3 水稻各部分生物量模拟

经测产实验, 由式(1)、(2)计算得出(表5), 可以看出试验区水稻根、茎、叶、果实与总生物量实测分别为 2485.3、2824.9、2548.4、7215与 15073.5 kg·ha-1, 模拟的结果分别为 2036.9、2800.7、2800.7、7223.9与 14862.2 kg·ha-1, RMSE 分别为 337.27、207.28、464.30、447.36与397.92。经测算每亩水稻田中总生物量模拟值与实测值误差为-1056.33 kg·ha-1, 相对于总生物量每亩可达2000 kg的水稻田,每亩实际误差为70.42 kg, 误差很小。根、茎、叶、果实生物量相对误差基本都分布在实测产量20%误差范围以内。5组水稻样本实际与模拟产量相对误差结果如表6所示。五组样本根生物量的相对误差绝对值在 5.89%—19.97%之间; 茎生物量为 2.34%—8.23%; 叶生物量为 13.99%—26.4%; 果实为0.46%—8.23%。平均值分别为 13.57%、7.34%、18.59%、6.20%。可以看出模型模拟对于水稻果实的模拟结果最好, 水稻茎次之, 根和叶的模拟结果误差最大, 其中以根的模拟最甚。试验中根与叶的误差较大可能是由于水稻生长过程和试验采样过程中, 一部分的根、叶会损坏或腐烂于泥土中,导致根、叶的实测值比模拟值偏低, 相对误差较大,若将腐烂于地和采样时损坏的根叶记入实际产量,根、叶的相对误差会相对减小。

表5 试验田水稻田模拟精度Tab. 5 Simulation precision of text field

表6 水稻产量模拟值与实测值比较Tab. 6 Comparison of simulated and observed values for rice yield

4 讨论

4.1 与其他研究区模拟结果比较

由模拟结果所知(表6), DNDC模型在模拟滨海水稻田土壤碳、硝态氮、铵态氮以及生物量的模拟均方根误差均小于20%, 其中SOC、茎生物量、果实生物量与总生物量均方根误差小于10%。对比该模型在我国各个地区不同作物下模拟结果(表 7)。DNDC模型在我国东北、华北、西南以及太湖地区都表现出较好的精度, RMSE皆小于20%。将模拟地区与同是盐土的公主岭、松嫩平原、曲周县相比, 研究区和公主岭SOC模拟精度小于10%, 模拟精度好,而作物产量模拟精度在10%—15%之间, 模拟较好。其中, 位于东北的公主岭、松嫩平原土壤类型属于盐碱土, 华北曲周县土壤类型属次生盐渍土, 而重庆市与太湖地区属非盐渍土地区。可见在盐渍土地区模拟, SOC比作物产量模拟精度要高; 将试验区与非盐渍土地区模拟结果进行比较, 作物产量模拟精度皆在5%—6%, 模拟精度好。但试验区铵态氮模拟精度大于 15%, 相比太湖区域铵态氮 10%模拟精度较差, 硝态氮模拟精度与其持平, 盐渍土区域模拟土壤铵态氮精度较差, 原因可能是试验田模拟区域尺度比太湖区域尺度小, 采样点少, 造成数据的不确定性大, 导致模拟精度较低; 与种植作物同是水稻的松嫩平原相比, 试验田水稻产量模拟精度(5.06%)比松嫩平原豆—稻—玉米轮作的模拟(15.1%)精度要好, 在同是盐渍土的地区, 在水稻产量模拟中, 可能中纬度模拟精度要比高纬度模拟精度高;与种植小麦和玉米的模拟结果相比, 试验田水稻产量模拟精度(5.06%)、重庆市稻麦轮作产量模拟精度(6.77%)高于公主岭玉米模拟精度(11.62%)和曲周县小麦—玉米轮作(13.35%), 可见, DNDC模型对水稻或稻麦轮作作物产量模拟精度要优于玉米作物产量的模拟。同时, DNDC模型适用于我国多数地区大田作物模拟。模型不仅适用于像滨海地区1.76亩的试验田局地、小尺度模拟, 也能满足如一个县、一个市、一个平原大尺度模拟[19,33-35], 对区域土壤肥力变化与大田作物产量大到宏观把握, 小到微观调控皆具有决策指导的实际作用。

4.2 滨海盐渍土水稻种植管理优化途径

江苏东部滩涂盐渍土围垦地区为江苏省农作物低产区。土壤含盐量大、地下水矿化度高极大的抑制盐渍土地区作物产量提升, 其水稻产量相较省内其他地区明显偏低。试验田实测产量为 7214.99 kg·ha-1, 比江苏平均水稻产量低约 11.86%(8185.79 kg·ha-1), 且低于周边城市淮安市约 7.98%(7840.8 kg·ha-1)[36]。寻求科学的施肥方法, 提升水稻产量, 是研究滨海盐渍土碳、氮以及生物量变化的现实意义所在。借助DNDC模型模拟可以有效的揭示不同施肥管理方式对水稻产量的影响。

表7 我国各个区域DNDC模拟精度评价Tab. 7 Accuracy evaluation of DNDC simulation in different regions of China

不同施肥条件下, 水稻生物量、耕作层(0—10 cm)C、N变化也有所差异。DNDC模型对比分析试验田施尿素745.31 kg·ha-1的基准施肥量和不施肥条件下生物量以及土壤 C、N变化(如图5所示)。施用745.31 kg·ha-1尿素比不施用肥料生物产量增加3684.87 kg·ha-1。施用尿素时, 土壤铵态氮、硝态氮含量变化影响显著, 较不施肥条件下土壤铵态氮、硝态氮含量增加明显。但肥料施用对土壤有机碳影响不显著。故而, 合理施用氮肥能够提高耕作层土壤氮含量, 促使土壤肥力提升, 从而提高水稻产量。以试验田中在水稻生长期内所施尿素745.31 kg·ha-1为基准, 依次增加或减少 10%的氮肥数量, 模拟水稻生物量(如图6所示)。在减施肥料10%、20%、30%的试验可见, 种植期内投放521.717—745.31 kg·ha-1时, 水稻产量的增加呈直线型迅速增长, 增长速率为14.77; 而当肥料从基准增施至10%后即氮肥投放至 745.31—819.84 kg·ha-1后, 化肥的增施对水稻产量的影响减缓, 速率为 3.40; 当施肥量增至 20%、30%时, 水稻达到最大生物量, 再增施肥料水稻的产量不会增加。由此可见, 在采用加施10%至20%氮肥时, 滨海水稻田产量可达到最大值, 通过增施肥的方法起到增产的目的。但使田中作物产量达到最大值的施肥量, 是否具有经济效益, 还需进一步探讨。

图5 基准施肥量与不施肥条件下耕作层生物量、C、N对比Fig. 5 Comparison of biomass, C and N of tillage layer under reference fertilizer and non fertilization

图6 不同施肥状况下水稻产量Fig. 6 Rice yield under different fertilization conditions

图7 不同土壤盐渍化指标下水稻总生物量Fig. 7 Total biomass of rice under different soil salinity indexes

4.3 DNDC模型中土壤盐渍化系数的讨论

自DNDC模型9.3版本始, 在定义土壤理化性质的界面中出现了土壤盐渍化系数(Soil Salinity Index)参数。该参数的出现引发盐土研究人员的广泛关注。在DNDC 9.5版本的操作手册中对该参数如此定义：土壤盐渍化系数取值范围为 0—100, 如果参数大于 0, 土壤盐分将影响作物生长和土壤微生物活性。目前国际上广泛使用的土壤盐渍化分级标准为：依照土壤含盐总量(干土重%), 将盐土分为弱盐渍土(0.3%—0.5%)、中盐渍土(0.5%—1.0%)、强盐渍土(＞1%)[37]。可见, 模型定义的土盐 0—100取值范围与国际惯用标准相异, 而操作手册上缺乏对该系数定义的具体说明。从中外文献索引中使用 Soil Salinity Index关键字进行索引, 相关文献数量为0, 尚无学者对这个参数有详细的研究。为研究定义该参数对模拟实验的响应, 试验中将该参数定义为0、50、100以观察作物产量对此参数的影响。结果如图7可知,改变土壤盐渍化参数, 对水稻总生物量没有影响,即便将土壤盐渍化系数定义为模型的上限 100, 水稻仍旧正常生长。可见, 作物生长过程生物量变化对土盐指标无响应。因此可以发现, 该模型对于土壤盐渍化水平对作物上生长的影响机理刻画还有待进一步提高, 未来需要重点关注土壤盐分与作物生长的回馈耦合关系。这在提高模型在滨海盐渍土生物地球化学循环模拟精度, 提升模型在盐渍土农业管理中的应用价值具有更大的潜力。

5 结论

(1)DNDC模型能够很好的模拟滨海盐渍土水稻田0—50 cm各土层SOC、N与生物量的变化, 模拟的土壤碳和生物量 RMSE均小于 10%(7.05%、5.06%); 铵态氮和硝态氮RMSE小于20%(18.75%、15.04%); 在对水稻各个部分生物量的模拟中, 果实(6.2%)、茎(7.34%)模拟精度好, 而根(13.57%)、叶(18.59%)模拟精度相对较差, 模拟结果可信。

(2)DNDC模型模拟在盐渍土区域 SOC的模拟精度表现最好, 作物产量其次, 铵态氮和硝态氮精度最差, 模型模拟水稻生物产量精度相对玉米较高。当前DNDC 9.5版本定义的土壤盐渍化系数对盐渍土区域土壤盐分含量与作物生长之间的互馈耦合关系的表达较差, 对于目前广泛种植的高产杂交水稻作物品种的考虑不够, 还有很大的提升空间。

(3)借助DNDC模型模型, 在改良水稻田种植管理方式上, 根据试验区水稻种植管理的经验提出适当增加氮肥的投入促进水稻增产的思路。结果表明,加施 10%—20%氮肥可使试验田水稻产量最大化,相比不施肥情况下, 试验田水稻最大可增产56.65%。

[1] SUN Zhigao, SUN Wenguang, TONG Chuan, et al. China’s coastal wetlands： Conservation history, implementation efforts, existing issues and strategies for future improvement [J]. Environment International, 2015, 79： 25-41.

[2] 李建国, 濮励杰, 朱明,等. 土壤盐渍化研究现状及未来研究热点[J]. 地理学报, 2012, 67(9)： 1233-1245.

[3] DUAN Huabo, ZHANG Hui, HUANG Qifei, et al.Characterization and environmental impact analysis of sea land reclamation activities in China [J]. Ocean & Coastal Management, 2016, 130： 128-137.

[4] 李建国, 濮励杰, 徐彩瑶, 等. 1977—2014年江苏中部滨海湿地演化与围垦空间演变趋势[J]. 地理学报, 2015,70(1)： 17-28.

[5] 刘立军, 徐伟, 桑大志, 等. 实地氮肥管理提高水稻氮肥利用效率[J]. 作物学报, 2006, 32(7)： 987-994.

[6] 李长生. 土壤碳储量减少：中国农业之隐患——中美农业生态系统碳循环对比研究[J]. 第四纪研究, 2000, 20(4)：345-350.

[7] 张黎明. 太湖地区水稻土有机碳演变模拟的尺度效应研究[D].南京： 南京农业大学, 2009.

[8] 夏文建, 周卫, 梁国庆, 等. 稻麦轮作农田氮素循环的dndc模型分析[J]. 植物营养与肥料学报, 2012(1)： 77-88.

[9] 高崇升, 杨国亭, 王建国, 等. Century模型在农田生态系统中的应用及其参数确定[J]. 土壤与作物, 2006, 22(1)：50-52.

[10] 韩其飞, 罗格平, 李超凡, 等. 基于 biome-bgc模型的天山北坡森林生态系统碳动态模拟[J]. 干旱区研究, 2014,31(3)： 375-382.

[11] 王金洲. Rothc模型模拟我国典型旱地土壤的有机碳动态及平衡点[D]. 北京： 中国农业科学院, 2011.

[12] NOIROT-COSSON P E, DHAOUADI K, ETIEVANT V, et al. Parameterisation of the ncsoil model to simulate c and n short-term mineralisation of exogenous organic matter in different soils[J]. Soil Biology & Biochemistry, 2017, 104：128-140.

[13] 李长生. 生物地球化学的概念与方法──dndc模型的发展[J]. 第四纪研究, 2001, 21(2)： 89-99.

[14] 王相平, 杨劲松, 姚荣江, 等. 苏北滩涂水稻微咸水灌溉模式及土壤盐分动态变化[J]. 农业工程学报, 2014, 30(7)：54-63.

[15] 王巧环, 任玉芬, 孟龄, 等. 元素分析仪同时测定土壤中全氮和有机碳[J]. 分析试验室, 2013, 10(10)： 41-45.

[16] 何瑞银, 罗汉亚, 李玉同, 等. 水稻不同种植方式的比较试验与评价[J]. 农业工程学报, 2008, 24(1)： 167-171.

[17] LI Changsheng, FROLKING S, HARRISS R. Modeling carbon biogeochemistry in agricultural soils [J]. Global Biogeochemical Cycles, 1994, 8(3)： 237-254.

[18] LI Changsheng, ZHUANG Y H, FROLKING S, et al.Modeling soil organic carbon change in croplands of China [J].Ecological Applications, 2003, 13(2)： 327-336.

[19] 邱建军, 王立刚, 李虎, 等. 农田土壤有机碳含量对作物产量影响的模拟研究[J]. 中国农业科学, 2009, 42(1)：154-161.

[20] LI Changsheng, FARAHBAKHSHAZAD N, DAN B J, et al.Modeling nitrate leaching with a biogeochemical model modified based on observations in a row-crop field in iowa [J].Ecological Modelling, 2006, 196(1/2)： 116-130.

[21] SHLOMO ORR, LI Jing. Modeling of virus transport in the subsurface, southern oahu, hawaii [D]. Water Resources Research Center University of Hawaii at Manoa, 1997.

[22] 喻朝庆, 李长生, 张峰, 等. 大尺度农业因旱减产动态预报及不同空间尺度的灾情重现期变化评估：以辽宁省为例[C]. 北京： 中国气象学会年会, 2014： 1-17.

[23] GUO Miao, LITTLEWOOD J, JOYCE J, et al. The environmental profile of bioethanol produced from current and potential future poplar feedstocks in the eu [J]. Green Chemistry, 2014, 16(11)： 4680-4695.

[24] 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[J]. 农业环境科学学报, 2014, 33(9)： 1782-1790.

[25] 高效江, 胡雪峰, 王少平, 等. 淹水稻田中氮素损失及其对水环境影响的试验研究[J]. 农业环境科学学报, 2001,20(4)： 196-198.

[26] 李娟, 彭金灵, 康娟, 等. 减施氮肥对稻田土壤剖面养分分布特征的影响[J]. 热带作物学报, 2012, 33(8)： 1378-1383.

[27] 李娟. 不同施肥模式对水稻生长发育及稻田剖面养分分布的影响[D]. 北京： 中国农业科学院, 2011.

[28] 赵言文, 刘辉, 胡正义, 等. 不同时期围海造田水稻土肥力剖面分布特征[J]. 土壤通报, 2009(1)： 56-59.

[29] 宋亚娜, 林智敏, 林艳. 氮肥对稻田土壤反硝化细菌群落结构和丰度的影响[J]. 中国生态农业学报, 2012, 20(1)：7-12.

[30] 邓建才, 陈效民, 柯用春, 等. 土壤水分对土壤中硝态氮水平运移的影响[J]. 中国环境科学, 2004, 24(3)： 280-284.

[31] 王艾荣, 罗汉金, 梁博, 等. 硝化细菌在3种沉积土壤中的变化规律研究：Ⅰ硝化细菌与土壤种类的关系[J]. 农业环境科学学报, 2008, 27(2)： 665-669.

[32] 李晨光, 王暄. 碳源利用方式对好氧颗粒污泥同步硝化反硝化的影响[J]. 工业水处理, 2009, 29(12)： 66-69.

[33] 陈旭, 陈效民, 张聪聪, 等. 太湖地区小麦生育期麦田土壤铵态氮和硝态氮含量的模拟与预测[J]. 南京农业大学学报, 2015, 38(1)： 93-100.

[34] 王德营, 姚艳敏, 司海青, 等. 黑土有机碳变化的 dndc模拟预测[J]. 中国生态农业学报, 2014, 22(3)： 277-283.

[35] 杨兴. 基于dndc模型土壤有机碳变化和作物产量空间估算[D]. 哈尔滨： 哈尔滨师范大学, 2015.

[36] 杜永林, 张巫军, 吴晓然, 等. 江苏省水稻产量时空变化特征[J]. 南京农业大学学报, 2014, 37(5)： 7-12.

[37] 刘赛. 北疆引水工程边坡防护现状调查与植物的适应性[D].北京： 中国科学院大学, 2015.