DNDC模型在华北平原冬小麦区的率定和验证

乔帅帅，胡振华，魏 征，张宝忠

(1.山西农业大学林学院，山西 晋中 030801；2.中国水利水电科学研究院 流域水循环模拟与调控国家重点实验室，北京 100038；3.国家节水灌溉北京工程技术研究中心，北京 100048)

目前国内外学者研究和开发了各种作物模型，如AquaCrop模型、DSSAT模型、DNDC模型等。这些模型被应用在世界各地，与当地土壤、气候、耕作方式等结合，逐渐实现本土化，也使模型本身得到丰富和更好地利用。通过对作物生长的模拟，可以预测作物生长、器官建成、产量及品质形成，提供优化动态目标，为实施调控与决策提供依据[1]。作物模型从系统角度描述作物及其环境之间的关系，具有系统性、机理性和效益性等优点[2]。而在这些模型当中，基于过程的生物地球化学模型—DNDC 模型具有模拟功能强大、输入参数容易获得、软件界面友好等优点，在世界范围内被广泛应用[3]。

DNDC模型[4-8](Denitrification-Decomposition model,脱氮-分解作用模型)是美国新罕布什尔大学陆地海洋空间研究中心李长生教授等开发研制并推广起来的。DNDC模型通过模拟生态系统光合、呼吸、有机碳生产等，可以用来模拟预测作物生产过程、土壤水分状况、土壤碳，氮的释放与淋湿，也包括微量气体的排放等。DNDC模型自1992年间问世以来，已在世界许多地区得到验证并开展了应用研究[9,10]，在我国也有验证和相关方面的应用研究[11-13]。近年来DNDC模型越来越多地被应用于作物生长过程中土壤水分、生物量和产量的模拟。陈海心[14]等，应用DNDC模型模拟关中地区作物产量、模型预测精度较好，可用于对产量的模拟。刘宁[15]等利用DNDC模型模拟了沟垄覆膜种植对土壤水热及冬小麦产量的影响。韩娟[16]利用DNDC模型模拟陕西省玉米产量及土壤水热效应，模拟精度较好。在华北平原区，不同灌溉制度下，冬小麦生长期间的土壤水分、生物量和产量的结果差距较大，而DNDC模型在不同灌溉制度下的冬小麦土壤水分、生物量和产量的模拟与验证研究尚未见报道。

1 材料与方法

1.1 研究区概括

试验在中国水利水电科学研究院大兴区国家节水灌溉中心完成(见图1)。该试验基地地处北京南约30 km,北纬39°37.25′，东经116°25.51′，属于半干旱大陆性季风气候，冬季寒冷少雨，夏季炎热多雨，多年平均降雨量540 mm,降雨多集中在6-9月。该区全年大于10 ℃的有效积温为4 730 ℃，全年日照时数为2 600 h。易形成冬春干旱，夏季多雨，旱涝交替的气候特点。该区土壤类型以沙壤土为主。

图1 大兴试验站地理位置示意图

1.2 数据获取

1.2.1 管理数据

试验间供试小麦为中麦175, 2014-2015年冬小麦播种日期为2014年10月11日，收获日期为2015年6月11日。 2015-2016年冬小麦播种日期为2015年10月18日，收获日期为2016年6月11日。实验统一设计为3个水分处理，3个重复，共9个小区，每个小区约为30 m2。所有小区的施肥、耕作措施与当地农民习惯一致。不同年间灌溉制度如表1所示。

表1 冬小麦灌溉制度 mm

1.2.2 气象数据

在冬小麦种植期间，气象数据通过实验站自动气象观测站监测，主要监测内容包括降雨、风速、气温、地温、空气湿度和太阳辐射等，每隔半小时自动采集数据一次。

1.2.3 土壤水分数据

土壤水分通过TRIME-DATA PILOT(德国IMKO公司)土壤水分测量系统进行测定，小区设有两根trime 管，每隔3 d测量一次土壤体积含水率(0～50 cm),降雨和灌水后需加测一次。

自觉接受党委领导。各镇（街道）人大自觉接受党（工）委对“双联”工作的领导，定期向党（工）委请示汇报“双联”工作。各镇（街道）党（工）委将“双联”工作列入重要议程，将人大工作纳入党委总体工作部署，在办公场所、办公设备、人员配备、活动经费等方面给予全力支持。

1.2.4 地上部生物量和产量数据

首先测定每个小区宽度和小区冬小麦行数，在冬小麦返青后，以每隔10 d为间隔对冬小麦生物量进行测定。每个小区随机割取20 cm长的冬小麦，从茎基部剪下，获得完整冠部，统计20 cm株数，按小区编号，杀青(105 ℃)30 min，恒温(75 ℃)24 h烘至恒重后称重。收割前在各小区取1 m2的典型样本，计算每平方米株数及千粒重，在样本中取30株，计算穗粒数，并计算样本内小麦产量。

1.3 DNDC模型率定及精度评价指标

1.3.1 参数敏感性分析

利用独立参数扰动法，在冬小麦不同灌溉制度下，以生物量和产量为目标对DNDC模型中的作物参数进行敏感性分析，确定对生物量和产量敏感参数。假定各参数之间相互独立，对各参数值进行增加和减少10%，采用相对敏感度RS表示敏感性大小。

1.3.2 模型参数率定

对模型参数的敏感性进行识别，进而重点对模型的敏感参数进行敏感性分析，是确定模型关键参数、控制模型效率非常有效的途径[17]。应用DNDC模型模拟任一点的生物地球化学过程时，只要根据当地种植耕作情况输入气象、土壤以及作物等数据便可进行一年至多年的模拟[14]。选择2014年10月—2015年6月冬小麦种植期间的观测数据对DNDC模型进行率定，最后以2015年10月—2016年6月冬小麦观测数据进行验证，得到模拟大兴区冬小麦生长的DNDC模型参数。率定后作物参数如表2所示。

表2 模型中冬小麦作物参数

由DNDC模型模拟出来的生物量、产量和土壤水分与观测值之间的拟合程度选用归一化均方根误差(NRMSE)和Willmott[18]的一致性指标d。根据Gjettermanna[19]提出归一化均方根误差(NRMSE)小于25%表明模拟效果较好，25%～30%为可接受的范围；d∈(-∞,1),d越接近于1，表明模型模拟结果越好。以上模型评价指标具体计算公式为：

(1)

(2)

2 结果与分析

2.1 模型敏感性分析

在对DNDC模型中冬小麦作物参数进行敏感性分析后，分析结果(表3)表明，不同作物参数之间对模型结果影响不尽相同。在各项参数值改变中，作物需水量的整体改变对产量和生物量的影响较大，敏感度在0.626以上。籽粒生物量C/N比和最适温度的减少对地上部生物量的影响不大，而籽粒生物量C/N比和最适温度的增加会对地上部生物量产生较大的变化，敏感度在0.771～1.354之间。生长积温整体改变对生物量结果影响较小，对产量结果影响较大，敏感度在0.789～2.406之间。在对模型进行模拟过程中需保证参数输入精确性。

表3 敏感性分析结果

2.2 模型验证

DNDC模型需要输入的参数包括：气候、土壤、农作物和农田管理等。本实验通过将模型原有参数与2015年冬小麦生育期实测数据结合，以生物量和产量为目标对模型参数进行敏感性分析，并进行校正。由校正后的模型对2016年的冬小麦的土壤水分、地上部生物量和产量进行模拟，并与实测结果进行比较。最后通过模型评价指标对模型精度进行验证。

2.2.1 冬小麦土壤含水率模拟

对2016年不同灌溉制度下冬小麦土壤水分验证(图2)可知，不同阶段、灌水处理下下冬小麦土壤含水率变化差异较大，DNDC模型在冬小麦的返青期以后模拟效果较好，不同灌水处理下土壤含水率均在可接受的范围内，决定系数R2分别为0.691、0.596和0.677。归一均方根误差NRMSE分别为13.5%、14.2%和11.1%，均小于14.0%，处在模拟较好范围内。一致性指数d分别为0.810、0.960和0.738。这些评价指标表明DNDC模型可以较好的模拟不同灌溉制度下冬小麦生育期的土壤水分变化。

2.2.2 冬小麦生物量模拟

在对2016冬小麦的生物量模拟过程中，由图3可知，随时间变化，模拟值与实测值一致性较好，在生物量积累过程中模拟值均大于实际生物量值，但都处于可接受的范围内。统计结果表明，不同水分处理下，模型模拟值与实测值的决定系数R2分别为0.980、0.978和0.923，均大于0.920。归一均方根误差NRMSE分别为21%、18%和18%，一致性指数d分别为0.76、0.80和0.96。这些指标值较好，表明DNDC模型对于生物量的模拟效果比较理想。

图2 2016年不同灌溉处理下土壤含水率模拟值与实测值比较

图3 2016年不同灌溉处理下生物量模拟值与实测值比较

2.2.3 冬小麦产量结果模拟

由DNDC模型产量模拟值与实测值(表4)可知：随着灌水量的增加，产量也在不断增加。当灌溉定额为220 mm时，截止到测产时产量结果差异不大，模拟结果与实测结果相吻合。模型模拟值与实测值相对误差在18%以下，表明DNDC模型对于冬小麦产量模拟结果较好。

表4 DNDC模型产量模拟值与实测值

3 结 语

本文通过模型敏感性分析、模型的校正和验证试验构建了华北地区冬小麦的DNDC模型数据库。利用国家节水灌溉北京工程技术研究中心大兴试验站2015年冬小麦生长数据对DNDC模型参数进行了率定，并应用于2016年冬小麦，与实测数据进行验证，对模型精度进行评价。具体结果如下：

(1)通过模型敏感性分析可知，作物参数中作物需水量对地上部生物量和产量结果影响较大。

(2)DNDC模型经过验证后，可以较为准确的模拟华北地区不同灌溉制度下冬小麦的土壤含水量、地上部生物量和产量的变化。

(3)对于产量的模拟,当灌水量达到一定量时，DNDC模型模拟产量值差异变化不明显，需要进一步对DNDC模型进行改进。

□

参考文献：

[1] 李三爱, 居 辉, 池宝亮. 作物生产潜力研究进展[J]. 中国农业气象, 2005,26(2):106-111.

[2] 杨 宁, 廖桂平. 作物生长模拟研究进展[J]. 作物研究, 2002,(5):255-257.

[3] 王立刚,邱建军,马永良,等.应用DNDC 模型分析施肥与翻耕方式对土壤有机碳含量的长期影响[J]. 中国农业大学学报, 2004, 9(6)：15-19.

[4] Pathak H, Li C,Wassmann R.Greenhouse gas emissions from Indian rice fields: calibration and upscaling using the DNDC model[J]. Biogeosciences, 2005,2(2):113-123.

[5] Tonitto C, David M B,Drinkwater L E, et al. Application of the DNDC model to tile-drained Illinois agroecosystems: model calibration, validation, and uncertainty analysis[J]. Nutrient Cycling in Agroecosystems, 2007,78(1):51-63.

[6] Smith W N, Desjardins R L,Grant B, et al. Testing the DNDC model using N2O emissions at two experimental sites in Canade[J]. Canadian Journal of Soil Science, 2002,82(3):365-374.

[7] Giltrap D, Saggar S, Li C, et al. Using the NZ-DNDC model to estimate agricultural N2O emissions in the Manawatu-Wanganui region[J]. Plant & Soil, 2008,309(1/2):191-209.

[8] Cai Z, Sawamoto T, Li C, et al. Field validation of the DNDC model for greenhouse gas emissions in East Asian cropping systems[J]. Global Biogeochemical Cycles, 2003,17(4):1-11.

[9] Smith P, Smith J U, Powlson D S, et al. A comparison of performance of nine soil organic matter models using datasets from seven long-term experiments[J]. Geoderma, 1997,81:153-225.

[10] Li C, Frolking S, Crocker G J. Simulating trends in soil organic carbon in long-term experiments using the DNDC model[J]. Geoderma, 1997,81:45-60.

[11] 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.

[12] 邱建军,唐华俊,陈庆沐,等.区域农业生态系统碳氮平衡研究以国家尺度为例[M]. 北京:中国人口出版社,2002:298-316.

[13] 徐文彬, 洪业汤, 陈旭晖, 等.区域农业土壤N2O释放研究----以贵州省为例[J]. 中国科学(D 辑), 1999,29(5):450-456

[14] 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):1 782-1 790.

[15] 刘 宁,韩 娟,刘璐璐,等.应用DNDC模型模拟沟垄集雨种植对陕西省玉米产量的影响[J]. 西北农业学报, 2016,25(5):691-701.

[16] 任小龙, 贾志宽, 陈小莉,等. 模拟降雨量下沟垄微型集雨种植玉米的水温效应[J]. 中国农业科学, 2008,41(1):70-77.

[17] 席 庆,李兆富,罗 川.基于扰动分析方法的AnnAGNPS模型水文水质参数敏感性分析[J].环境科学, 2014,35(5):1 773-1 780.

[18] Willmott C J, Ackleson S G, Davis R E, et al. Statistics for the evaluation and comparison of models[J]. Journal of Geophysical Research, 1985,90(C5):8 995-9 005.

[19] Gjettermann B, Styczen M, Hansen H C B. Challenges in modeling dissolved organic matter dynamics in agricultural soil using DAISY[J]. Soil Biology & Biochemistry, 2008,(40):1 506-1 518.