DNDC模型在稻田生态系统中的研究进展及应用

张鲜鲜，周 胜，孙会峰，张继宁

(上海市农业科学院生态环境保护研究所/上海低碳农业工程技术研究中心，上海 201403)

农业生态系统是碳氮循环的重要载体，是甲烷、氧化亚氮和二氧化碳(CH4、N2O和CO2)的重要源汇，也是氮素流失导致水体富营养化的重要源头。农业系统中碳氮循环受诸多因素影响，如土壤、气候、作物以及农田管理措施等。正确认知农业生态系统中的碳氮循环，定量温室气体排放与氮素流失情况，对于研究农田减排降污、减少农田生态系统的环境负效应具有重要意义。

据世界粮农组织统计数据显示，2016年农业源温室气体可占人类活动产生温室气体排放总量的10%—12%[1]，其中CH4排放量为3.22×106Gg CO2-eq，N2O排放量5.99×106Gg CO2-eq。稻田是我国农田生态系统的重要组成部分，其面积占总耕地面积的24.7%[2]。水稻种植过程中长期淹水，土壤长期处于厌氧还原条件，为CH4产生提供了有利条件，稻田CH4排放量占农业源CH4排放量的31.5%[3]。另外，稻田中过量施肥导致大量的氮随着氨(NH3)挥发、淋溶径流过程运移至大气或水体中，研究显示我国2013年稻田NH3年挥发量为1.7 Tg N[4]，氮淋溶为(194±61) Gg N[5]，1990年稻田氮年径流量为(0.46±0.08)Tg N，至2012年增加了46%±11%[6]。

目前，主要采用直接观测、排放因子法及过程模型等方法，定量研究农业生态系统中的温室气体排放动态。直接观测需要耗费大量的人力、物力、财力，观测区域及时间极为有限，大尺度大范围的区域排放情况代表性较差。IPCC主要推荐排放因子法，即收集前人研究反演出排放系数，利用排放系数估算农业系统中温室气体排放量。由于排放系数较为单一，并不能准确反映不同土壤类型、气候、作物生长及田间管理情况等，所以该方法估算结果不确定性较高。过程模型以生物地球化学过程为基础，汇集农业生态系统中的关键过程及其控制因子，将有限的点位观测案例扩展到较大的区域尺度，为定量计量农业系统的碳氮循环提供了切实可行的方法。过程模型的出现弥补了田间直接观测的不足，在借助田间观测数据验证的基础上，可以用来评估农业管理措施及环境因子的改变对温室气体排放量的影响。

各国建立的过程模型已有多个，较常使用的模拟农业生产过程中温室气体排放的模型主要有ExpertN[7]、RothC[8]及DNDC 等模型。其中，DNDC 模型是基于生物地球化学过程[9]。在过去二三十年间，众多学者共同参与开发利用DNDC模型，并且加入了新的子模块和生物地球化学过程公式及参数，模型的功能得到不断拓展。

目前，DNDC 模型系列已被不同国家不同地区用于模拟农业、湿地、森林和草地等生态系统中的碳氮循环。在稻田生态系统，DNDC模型主要被用来评估土壤有机碳动态以及CH4排放，经过多年发展，DNDC模型已经能较好地实现模拟工作，并得到了广大研究者的认可。本研究主要从稻田生态系统出发，介绍DNDC模型在稻田生态系统中的发展历程与应用情况，期望模型能够在稻田减排降污研究方向更好地发挥作用。

1 DNDC模型简介

DNDC模型主要通过模拟陆地生态系统中一系列的生物地球化学过程，将系统中生态驱动因子、环境因子与其相应的物理化学过程结合起来，达到研究陆地生态系统中碳氮循环的目的。模型主要包含两个部分：第一部分由土壤气候、有机质分解和植物生长 3 个子模型组成，依据外界环境中驱动因子(气象、土壤、植物、农田管理等)的输入数据，初始化模型参数，预测环境因子的变化；第二部分包含硝化作用、反硝化作用和发酵作用 3 个子模型，对土壤环境条件影响微生物活动和代谢的过程进行模拟，估算系统中碳氮及水分动态，预测温室气体变化格局。李长生[10]详细阐述了模型的子模块及机理过程，讨论了支撑模型的科学基础和计算过程。模型发展至今，增加了许多功能与过程，形成了多个版本，广泛应用于农田、湿地、种养结合、森林和草地等生态系统，可对碳氮动态、温室气体排放、面源污染、温室气体-经济效益等进行评估[11]。

模型主要由输入界面、生物地球化学场和核心过程交互而成。输入界面输入目标生态系统的环境驱动因子(包括气象数据、土壤参数、作物参数和农田管理措施)；利用目标环境特征，构建生物地球化学场，并将驱动因子转化为驱动化学元素运动的营力；核心过程决定了各生物地球化学反应，最终完成对生态系统的碳、氮和水分的计算模拟工作。

2 DNDC模型在稻田生态系统中的改进

2.1 作物生长

作物生长与陆地生态系统中碳氮水分动态密切相关，是保证DNDC模型能够正确模拟土壤-作物-大气循环过程中碳氮动态的基本条件。为准确模拟作物生长，模型建立了作物子模块，融合优化了相关作物生长模型，如简单的经验方程、PnET (Photosynthesis-Evapotranspiration)、EFEM(Economic Farm Emission Model)、NEST(Northern Ecosystem Soil Temperature)和通用作物模型MACROS(Modules of an Annual CROp Simulator)等[12-14]。优化后的模型可以模拟作物的日生长量、作物对土壤水分和氮元素的吸取、作物潜在生产力、水分限制和养分限制条件下的作物生长、植物根系分泌作用向土壤输送的反应底物DOC量，可以追踪植物生长过程中碳、氮和水分在生态系统中的循环流动。

模型采用8种生理/物候参数定义每种作物，即：作物最大产量、生物量在籽粒、茎叶和根间的配比、籽粒、茎叶和根的碳/氮比值、作物生长积温、作物需水量、最佳生长温度、生物固氮系数以及维管结构。根据北美和中国的观测结果，已在v9.5版本中定义了四种水稻类型(表1)。另外，为方便用户自定义作物新品种，模型加入了作物创造器(Crop creator)模块，用户可根据所模拟作物实际情况定义各参数。

表1 DNDC v9.5中四种水稻参数[10]

DNDC模型中大部分作物参数源于北美和中国实测值，其他地区使用时需对其进行检验和校正，以保证模拟作物生长的准确性。为使模型能够应用于印度，Pathak等[15]结合印度实际实测值修改优化了水稻参数，分别将生长积温优化为2 250 °C，将生殖生长和营养生长阶段的每日生长速率常数修改为0.015和0.044，修正后的模型能够较好的模拟水稻产量、总生物量及作物氮吸收，偏差分别为0.2%、1.6%及1.6%。

2.2 温室气体排放

DNDC模型创建后最初用于美国农田生态系统，主要对旱地N2O排放情况进行模拟。经过优化改进后，模型已经能够较好的应用于稻田生态系统碳氮动态的模拟，Li等[12，16]利用改进后的模型对稻田生态系统中的温室气体排放情况进行了模拟。改进后的模型吸收了Wetland-DNDC模型[17]中的两个重要方程，改进了“厌氧气球”(Anaerobic conditions)。

注：模型在湿地中通过计算Eh和反应物底物浓度追踪CO2、CH4和N2O产生的过程；通过联立能斯特方程和米氏方程计算土壤Eh值和主要电子受体浓度[12]图1 DNDC模型中CO2、CH4和N2O产生过程Fig.1 DNDC tracks CO2，CH4 and N2O dynamics

土壤中CO2、CH4和N2O的产生消耗来自于不同的氧化还原反应(分解作用、硝化/反硝化作用以及甲烷产生)，氧化还原电位(Eh)状态决定了反应是否可以发生。模型利用能斯特方程(Nernst equation)计算系统中的Eh，并利用Eh判断哪种氧化还原反应可以发生，利用米氏方程(Michaelis-Menten equations)定量了反应物底物浓度对反应速率的动力学影响，实现了对温室气体产生的氧化还原反应的热力学和动力学的共轭计算(图1)。厌氧气球将土壤Eh和湿地中温室气体结合起来，通过土壤Eh值控制气球大小。模型定义气球内部为相对还原的土壤微区，气球外部为相对氧化的土壤微区，并将反应底物(如DOC、NH4+、NO3-和O2等)按比例分配至气球内外，分别发生还原或氧化反应。DNDC模型通过计算DOC、O2、NO3-、NO2-、NO、N2O、Mn4+、Fe3+、SO42-和H2在各类反应中的消耗和浓度变化，追踪反应中CO2、CH4和N2O的变化[12]。

由于稻田特殊的水分管理模式，其土壤水分频繁在饱和-不饱和状态波动，氧化还原电位(Eh)变化范围可达+650—-350 mV。由图1可知，CH4和N2O只能在特定Eh条件下产生(CH4-300—-150 mV，N2O 200—500 mV)。模型加入了O2、NO3-、Mn4+、Fe3+和SO42-作为电子受体，以H2和DOC作为电子供体，以便更好地追踪土壤Eh变化，确定各氧化/还原反应反应速率，计算CH4和N2O的产生和消耗[18-19]。在稻田生态系统中，将土壤水分动态与温室气体排放相结合是准确模拟CH4和N2O排放的关键。DNDC-Rice模型通过增加模拟土壤渗漏和蒸散作用，以小时为步长计算逐层土壤含水量，以灌水时间及持续时间为参数改变土壤含水量，同时定义了水分渗漏速率(以1mm/d的速率向50cm深的土层渗漏)，实现了持续淹灌和干湿交替处理中的水分动态模拟[19]。

Pathak等[15]为准确模拟印度稻田温室气体排放情况，增加了一些反应底物在土壤中的泄漏率，如可溶性有机碳(DOC)、硝酸盐会与水一样具有较高的损失量，优化后的模型模拟结果大大降低了高泄漏点位的CH4排放量，对低或中等泄漏点位的CH4排放量基本无影响。据美国和中国观测数据，微生物生物量在土壤有机碳占比和微生物活性常数默认值为0.02和1.0，Babu等[20-21]利用印度稻田CH4和N2O观测数据对DNDC模型进行验证，结果表明，微生物活性常数设置为0.2时实测值与模拟值的拟合度较高。

2.3 氮素流失

DNDC模型除能模拟作物产量和温室气体排放外，还可以模拟稻田中的氮素流失，如氨气(NH3)挥发和氮素淋溶径流等。Li等[22]为使模型能够模拟50cm内土层氮素和水分的垂直迁移，在模型中加入了一个虚拟水库来控制排水流，并采用朗格缪尔等温方程(Langmuir equation)模拟土壤黏粒对NH4+在离子态和吸附态的吸附和解吸过程，改进优化后的模型可以较好地模拟玉米-大豆生态系统中NO3--N的淋溶[23]。为使模型能够模拟水平方向的径流，Deng等[24]加入了地表径流曲线(Soil conservation service curve)和优化后的土壤流失方程(Modified universal soil loss equation functions)，并利用改进后的模型对四川盐亭冬小麦-夏玉米生态系统氮径流情况进行了模拟，结果表明，氮径流和氮淋溶的模拟值与实测值拟合度较高(R2=0.91—1.0，P< 0.01)，敏感性分析显示降雨是影响氮损失的关键因子。

李虎等[25]利用模型对山东地区冬小麦季的水分和氮素淋溶量进行估算，并用田间实测值进行校验和敏感性分析，发现氮素淋溶量模拟值与实测值存在一定偏差，敏感性表明土壤属性和气候因素等都对模拟结果产生较大影响；利用试错法优化参数DF(解吸系数)、dDVD(土壤孔隙水运移幂函数系数)和FSF(氨挥发对硝酸根淋溶影响的幂函数系数)后，模型能够较好地模拟土壤水和氮淋溶流失[26]。为准确模拟稻田中氮素流失，赵峥等[27]利用观测数据对稻田氮素流失相关参数进行了修正，如修正了稻田田埂高度(10 cm)、施肥后氮素在田面水与土壤中的配比(15%的氮分配到田面水中)和稻田土壤渗漏水下渗速率(1.2 mm/d)，增加了灌溉水中的氮浓度(5 mg/L)。利用修正优化后的模型对上海地区稻田氮径流情况进行模拟，模拟数据显示氮素径流平均相对标准偏差为17.29%，渗漏流失的平均相对标准偏差为31.16%，模型已经能够较好的模拟稻田生态系统径流渗漏中的氮素流失[27-28]。

土壤中NH3来自于土壤液相中的化学反应，DNDC模型以土壤中NH4+和OH-的浓度为参数计算液相NH3浓度，土壤气相NH3浓度直接受控于液相NH3浓度和土壤温度，同时模型认为NH3日排放量与土壤中影响NH3扩散的因子有关，如土壤-空气孔隙度和黏粒含量等[29]。敏感性分析表明NH3挥发对模型输入参数中的大气温度、降雨、SOC、田间持水量、pH、肥料施入时间及深度较为敏感[30]。为了评估猪粪浆施入农田后NH3挥发量，DNDC v.CAN新加入了一个子模块，输入参数主要有粪浆的施入时间、pH、干物重、总氮及其占比，模拟结果表明，改进后模型的NH3挥发模拟值与实测值拟合度较高(r=0.95，P≤0.05)，pH和黏粒对NH4+的吸收能力与NH3挥发之间的相关性显著[31-32]。

3 DNDC模型在稻田生态系统中的应用

3.1 稻田点位/区域尺度模拟

模型在模拟水稻-旱作作物轮作系统中，能够较好地模拟CH4排放峰值的动态变化，与田间观测结果基本一致[33-34]，作物产量、氮吸收和氮损失的田间实测值与模拟值拟合度较好[35]。Katayanagi等[36]利用日本地区水稻作物参数对DNDC-rice模型中氮平衡进行了验证，结果显示根、茎和籽粒干物重的实测值和模拟值较为一致(均方根误差分别为13%、16%和7%)，高估了叶面积指数(LAI)、叶片干重和叶片氮含量(均方根误差分别为125%、60%和37%)，主要是由于高估了水稻氮素吸收量和叶片氮同化水平。

李小礼等[37]对上海东滩农业园区中稻-麦轮作系统的模拟结果表明，作物产量模拟值与实测值基本一致；较好地反映了作物产量与氮肥施用量之间的关系，当氮肥施用量达到常规用量的60%后，增施氮肥未促进作物产量显著增加，而综合温室效应较常规降低了43%。DNDC模型可以用来分析不同节水灌溉、 施肥、 控排条件下稻田氮素平衡状况及氮肥利用效率，在节水灌溉且施氮量每公顷不大于180 kg N时，稻田土壤氮库亏损每公顷为54.7—127.6 kg N；除浅灌深蓄中氮和浅灌深蓄高氮处理外，控排水处理土壤氮素亏损量均大于常规排水； 浅灌深蓄、 施中氮和控制排水的组合是最佳的水肥处理模式[38]。施入生物炭后，由于模型中还没有建立专门针对生物炭特性的输入参数，模型并不能准确表达生物炭处理后对CH4和N2O的影响[39]。

Zhang等[40]结合土壤数据库估算了1982—2000年太湖地区2.3 Mhm2稻田中稻-麦轮作生态系统的CH4排放量为5.67 Tg C，每公顷年排放量约为114—138 kg C，N2O排放量为0.84 Tg N，每公顷年排放量约为5—20 kg N。张远等[41]根据遥感信息技术提取了三江平原的稻田空间分布信息，结合DNDC模型估算了CH4的季节排放量，结果表明:2006年三江平原水稻田每季CH4排放量为0.424—0.513 Tg C，且空间差异较大。张庆国等[42]结合统计年鉴数据对皖中沿江平原温室气体排放情况进行了估算，2008 年长丰县水稻田 CH4和 N2O 年排放量分别为1.82×10-2Tg C 和 3.03×10-4Tg N，每公顷年排放通量分别为55—523 kg C和2.2—13.5 kg N。Hayano等[43]利用日本气候、土壤、作物和管理GIS数据对1990年CH4排放情况进行模拟，CH4排放量为216 Gg C，东部区域CH4排放量高于西部地区，主要是由于不同的气候条件和水分管理措施造成的。

另外，随着信息网络技术的爆炸性发展，DNDC模型已有从单机版向网络版发展的趋势，Jiang等[44]开发了CHINA-DNDC online mode，借助大数据和互联网络等技术将单机版的DNDC模型拓展成网络版，将online模型应用在传统单机模型上，对模型进一步扩展；同时对稻田田间案例进行模拟分析，结果表明:online模型能够较好地模拟水稻产量和温室气体排放情况。

3.2 稻田减排情景模拟

农田管理措施对农业生态系统温室气体排放和面源污染具有重要影响。DNDC模型耦合了作物生长、水分管理、肥料管理和耕作措施等农田管理措施，输入农田管理措施后通过改变模型中生物地球化学场影响系统中碳氮循环。

Simmonds等[45]参数化两种水稻品种‘M206’(高产半矮化品种)和‘Koshihikari’(传统品种)后，研究了在水直播和旱直播条件下，不同氮负荷和水分管理模式下水稻的产量、CH4和N2O排放情况，结果表明模型能够较好地区别两品种的水稻产量，再现各管理情景下淹水期CH4排放动态。

Li等[12，46]利用DNDC模型对我国稻田减排潜力进行了评估，结果表明：我国稻田的水分管理从淹水条件转为中期晒田模式时，CH4年排放量可降低4.2—4.7 Tg C，而N2O排放量将会增加0.13—0.20 Tg N；稻田温室气体减排较为有效的措施为旱稻>浅灌>以硫酸铵替代尿素或碳酸氢铵>中期晒田>非水稻季秸秆还田>施用缓释肥>持续淹灌[47]。Tian等[48]将DNDC模型与DSSAT模型(Agro-technology Transfer model)和AEZ模型(Agro-Ecological Zone model)耦合，评估我国水稻种植条件下的温室气体排放和水稻产量的平衡关系，模拟结果表明:在中期晒田和平衡施肥双重管理措施下能够在保证产量的同时降低CH4和N2O的排放。减少我国15.7%的氮肥施用量后水稻产量并不会降低；浅灌与适量施肥相结合在水稻产量增加(1.7%)的同时，可以降低34.3%温室气体的排放量，减少2.8%的氮损失(包括NH3挥发、氮淋溶和反硝化作用引起的氮损失)[49]。Stone等[50]在斯里兰卡模拟结果表明:持续淹灌和每公顷施氮肥225 kg N的条件下，水稻高产且氮损失(N2O排放和氮淋溶)较低;另外，江西余江县模拟结果表明:增施氮肥后N2O排放和氮淋溶增加，而施加秸秆可以降低氮淋溶量[51]。上海地区在常规施肥模式(每公顷施氮肥300 kg N)下，氮流失量为(1 142±276)kg，当施肥模式转变为每公顷尿素150kg N +有机肥100 kg N时，氮流失量可降低至(714±151)kg[52]。

4 DNDC模型存在的不足之处

4.1 稻田N2O的模拟

稻田生态系统是CH4的重要排放源，同时由于氮肥施入以及水分管理，N2O排放也不容忽略。N2O排放主要由模型第二部分硝化和反硝化过程产生，模型通过计算土壤中Eh值，决定硝化或者反硝化作用是否发生，通过米氏方程计算各级反应速率，Eh、DOC和无机氮是影响N2O排放的主要因子，通常与灌溉、降雨和氮肥施入相关。

与模型APSIM(Agricultural Production Systems sIMulator)相比，APSIM中硝化作用受温度影响较大，DNDC模型除了受温度影响外，对土壤有机碳的响应也较大；APSIM中反硝化作用受土壤水分含量驱动，DNDC模型中受降雨激发；DNDC模型模拟的N2O排放随着施氮量和降雨次数增加而增大[53]。与Daycent模型相比，DNDC模型高估了土壤有机碳对N2O排放的影响，对N2O的模拟结果显著高于观测结果[54]。稻田中N2O的排放主要来自于反硝化过程，受水分变化影响较大。DNDC模型认为N2O的排放是不连续的，其过程受到施肥、降雨和灌溉的驱动，模拟结果为一系列N2O脉冲排放峰。在水分适宜、无机氮充足的情况下，N2O排放会出现较大的峰值，贡献了大部分的N2O排放总量，如果在田间观测时未抓住峰值出现时间，或观测峰值与模拟峰值相差较大，将会导致模拟值与实测值拟合度较低。有研究表明，DNDC模型能够较好地捕捉稻季N2O的剧烈释放过程，但对麦季控制灌溉处理下峰值的模拟较低，因此，稻季模拟值与实测值极显著相关，但麦季模拟值低于实测值[55]。在直播稻田，N2O排放量的模拟值与实测值拟合性差，主要是由于模型中N2O排放对氮肥施用量和田间排水过度灵敏导致[45]。模型N2O产生与排放的相关模块需要进一步优化。稻田N2O排放较低，受施肥或水分动态变化影响较大，排水时易出现峰值，在田间观测时较难准确把握时间，利用DNDC模型可以预测峰值出现时间，指导田间试验，使得实测值与模拟值更吻合，同时利用田间试验的观测数据改进模型相关机理，完成模型的优化工作。

4.2 农田管理措施

DNDC模型将农田管理措施、气象条件和土壤条件相耦合，可以对不同的农田管理情景进行模拟分析，随着研究人员及工作成果的增加，各类农田管理措施也有了很大进步。

在水稻品种方面，模型中已有4种水稻类型，但对一些新型具有减排潜力的水稻类型还未有定义，例如节水抗旱稻。节水抗旱稻(Water-saving and Drought-resistance Rice，WDR)是上海市农业生物基因中心开发、具有自主产权的系列品种，兼具了水稻和旱稻的特性，是一种具有水稻的高产优质特性、又具有旱稻的节水抗旱特性的新型栽培稻[56]，可以在保证高产稳产的基础上达到节水和抗旱的双重目的[57]。研究表明：节水抗旱稻在水分亏缺情况下具有较高的产量和较低的温室气体排放强度[58-59]。节水抗旱稻的出现弥补了水稻需水多及旱稻产量低的缺点，其需水量、根系分泌物和根系泌氧能力等与常规水稻不同，导致了温室气体排放情况以及氮素流失等方面的特异性。如何更好地利用DNDC模型评估其在稻田减排降污方面的潜力，是模型改进优化的方向之一。

为了提高稻田的固碳减排潜力，其他措施如覆膜栽培、生物炭施入以及硝化抑制剂的使用等均已有研究。韩娟等[60]在DNDC中加入了薄膜覆盖模块，对覆膜栽培模式下的土温、风速和湿度进行了修正，覆膜可以使更多的水分保留在土壤中以供作物吸收利用，修正后的模型可以较好地模拟玉米地覆膜处理下土壤水分动态和产量，但覆膜对温室气体的影响还未有阐述。蒋在荻[61]在CHINA-DNDC online模型中定义了硝化抑制剂抑制效率为0.8；定义了生物炭的最大吸附量为(5 g N)/(kg C)，等温吸附常数K为1 hm2/kg，孔隙度和酸碱度与初始土壤保持一致，模型能够较好地模拟N2O动态，硝化抑制剂的使用可以在稳产的情况下降低氮肥施用量，生物炭对硝态氮的吸附可以减少氮素流失。进一步优化DNDC模型中农田管理措施模块中关键生物地球化学过程，对其科学机理过程及参数进行广泛的校准与验证，实现对温室气体和氮素流失等方面的准确模拟。

4.3 模型模拟结果评估

模型点位模拟结果与田间观测结果较高的拟合度是应用模型的前提条件。DNDC模型输出模拟结果后，与实测值之间的拟合需要借助一定的数学公式。目前，常用的方法有偏差分析、线性回归方程拟合和配对t检验等[62]。常用的偏差分析有标准误差(Mean error，E)、均方根误差(Root mean square error，RMSE)、建模效率(Modeling efficiency，EF)和一致性系数(Index of agreement，d)。E可以用来检验模型是否高估(E>0)或低估(E< 0)了模拟值；RMSE通常与nRMSE同时使用；EF取值范围是-∞到1，EF=1时表示模拟值与实测值全部匹配，当EF ≥ 0表示模型预测值较好；d取值范围为0—1，值接近于1说明模拟值与实测值吻合度较好。模拟值与实测值之间的线性相关关系经常被用来表示它们之间的拟合度，相关系数R2接近于1，说明模拟值与实测值拟合度高，R2=0说明模拟值与实测值之间不存在线性相关性。在配对t检验中，实测值和模拟值需要符合正态分布，主要对平均数与其各自所代表的总体进行差异性分析。不同的方法侧重点不同，因此，方法的选择会影响到模拟结果的评价结果。

在各地稻田生态系统中，从水稻参数到田间管理方式，从土壤参数到气候条件存在较大的空间和时间异质性。对于使用者而言，由于模型内部参数众多且参数间相关性紧密，有时很难准确找到并修正关键参数，从一定程度上限制了模型的准确性。点位尺度上，用户可以使用Monte Carlo对各参数进行不确定分析；在区域尺度上，模型采用最敏感因子(Most sensitive factor)去优化模型预测结果，利用各输出参数的最敏感因子的最大值和最小值分别进行模拟，最终预测出一个范围，并假设该范围涵盖了真实值[12]。Wang等[63]结合了OAT(One-factor-at-a-time)和傅里叶灵敏度检测(Extended Fourier amplitude sensitivity test)对模型敏感性进行分析，结果表明土地利用类型与土壤性质对区域碳储量影响较大。不确定性或敏感性分析的加入有助于选择合适的参数，提高模型区域模拟结果的可靠性。

5 总结与展望

DNDC模型建立至今，世界各国的研究者用他们的田间数据对模型进行了验证校正，使得模型的可信度不断增加，预测功能和使用范围不断扩展，模型逐步发展为可以在各个陆地生态系统中使用，预测作物生长、土壤碳氮动态、温室气体排放及氮素流失等。随着环境问题的日益加剧，农田管理措施的不断改进，对模型的预测功能的期望不断增加。另外，在信息时代的大背景下，DNDC模型已有从单机版向网络版发展的趋势，大数据和互联网络等技术完全可以应用在传统单机模型上，进一步拓展模型功能。如何更好地利用模型从点位尺度上到区域尺度上为水稻低碳生产服务，建立可信度较高的各农田管理措施和 情景下的预测评价系统，是模型在稻田应用方向发展的趋势。