农田N2O排放时空格局的形成机理和全球评估

周 丰，崔晓庆，尚子吟，王琪慧

（1.北京大学城市与环境学院，北京100871；2.北京大学地表过程分析与模拟教育部重点实验室，北京100871；3.Institute of Biological and Environmental Sciences,University of Aberdeen,Aberdeen AB24 3UU,UK）

氧化亚氮（N2O）是《京都议定书》规定的长生命周期温室气体之一。在100 年时间范围内，N2O 的全球变暖潜势（GWP）是CO2的近300 倍，占全球辐射强迫的约7%[1]。此外，N2O 可输送到平流层，被认为是消耗臭氧最具破坏力的化学物质[2]。目前，全球大气中N2O平均浓度已经从工业化前时代的约270 μg·L-1持续增至2018 年的331 μg·L-1[3]，而农业排放的持续增加（尤其是农田土壤和畜禽粪便管理）是最重要的驱动[4]，占到全球N2O 人为排放的60%以上[5]。准确理解农田N2O 排放时空格局及其形成机理是区域环境污染过程及效应的重要研究内容，也是制定区域或全球N2O减排战略的科学基础。

农田N2O 排放过程十分复杂，产生于硝化、反硝化以及氨氧化等过程[6]。这些过程由自养型或异养型微生物所驱动，因此，农田N2O 排放与土壤物理化学特征、气候条件、底物浓度和农艺管理措施密切相关。自1970 年以来，国内外开展了大量室内培养、原位观测和控制试验，逐步了解了农田N2O 产生和扩散过程的驱动因素，建立了硝化、反硝化以及氨氧化过程对土壤团聚体大小、温度、水分、O2、pH、底物浓度的响应关系[7]，并应用到陆面过程模型[8]。最近10年，研究者开始关注硝化反硝化微生物群落动态的量化工作，并初步建立了微生物动力学-土壤物理化学特征-硝化反硝化的响应关系[9]，并从原来微生物-植物对氮的“顺序竞争”理论拓展到“平衡竞争”理论[10-11]，逐步深化了农田N2O 排放过程的科学认知。然而，这些理论大多是基于局部地域、不连续、不同步的站点观测，或者为单因子或有限因子的有限水平的控制试验[12-13]，难以有效解释全球农田N2O 排放地域分异和年际变化。

农田N2O 排放的模拟方法包括自下而上[如排放因子模型=肥料施用量×排放因子（EF）、陆面过程模型]和自上而下（如大气反演模式、高塔观测）两种模式[14]。Del Grosso 等[15]认为，随着尺度增加，2 种模式的排放估计的一致性会增强。但最新的研究表明，即使在全球尺度，不同模式之间的排放估计也存在相当大的差异。例如，基于排放因子模型的EDGAR v4.2 FT2010[16]认为，2008 年全球农田N2O 排放达到4.7 Tg N2O·a-1，该值却比大气反演结果低约1.0 Tg N2O·a-1[17]，比陆面过程模型的模拟结果低2.2 Tg N2O·a-1[8]；此外，美国玉米带地区的观测结果表明，局部范围站点观测的N2O 排放因子比高塔梯度观测低估了80%左右[18]。造成这种差异的主要原因是我们对农田N2O 排放时空格局形成机理的认知十分有限[19-21]，农艺管理措施的高时空分辨率驱动数据十分缺乏，限制了模拟方法的预测性。

鉴于此，本文将系统阐述农田N2O 排放时空格局的形成机理和全球评估。首先，结合国内外现有实证研究进展，梳理气候、土壤、农艺管理措施对农田N2O排放的空间格局和时间变化的多尺度影响。其次，基于全球碳计划和国际氮素联盟主导的全球N2O 收支项目的成果，介绍最新的排放因子模型、陆面过程模型、大气反演模式、升尺度等方法及其全球评估结果。最后，总结农田N2O 排放在区域、高频观测或控制试验以及模型改进等方面的主要挑战，推动全球氮循环的科学评估和全球活性氮的协调减排。

1 农田N2O排放空间格局的驱动因素

1.1 单因素影响

土壤底物浓度或施氮强度是最早被关注的农田N2O 排放的影响因素（图1）。农田N2O 主要产生过程以铵态氮（NH+4-N）和硝态氮（NO-3-N）为反应底物[22-23]。最近的研究发现亚硝酸盐（NO-2-N）是农田N2O 更为直接的影响因素[24]，两者满足Mchaelis-Menten关系。尿素水解的NH+4-N对硝化过程起到抑制作用，造成NO-2-N 的累积，进一步促进农田N2O 排放[25]。换句话说，当施氮水平超过最佳水平，农田N2O 排放随着施氮强度的增加呈现非线性增长[26]。中国和全球尺度meta 分析结果证实这种非线性响应的普遍性[21，27]。这种非线性响应也意味着高施氮水平地区（如华北平原）的减排边际效应强于低施氮水平地区（如非洲地区）[27-29]。

土壤物理特征也是农田N2O 排放的重要影响因素，包括土壤团聚体大小、土壤温度、土壤孔隙含水量（WFPS）和含氧量。农田N2O 排放随着团聚体大小呈现先增加后下降的趋势（图1），主要是因为团聚体大小调节着好氧和厌氧水平[9]。土壤温度对农田N2O排放产生直接和间接影响。一方面，硝化和反硝化微生物对温度的适应范围较广，土壤温度越高，微生物活性越强，从而直接影响硝化和反硝化反应速率。另一方面，土壤温度也能影响土壤呼吸作用，土壤温度增加，促进呼吸作用，降低氧气含量，间接促进反硝化作用。温度上升还能促进其他生化过程（如矿化作用）为硝化作用提供更多氮源。因此，农田N2O 排放对气候变暖表现为正反馈，但是由于氮源和土壤湿度的限制，该正反馈可能受到限制[20]。

WFPS 或土壤含氧量不仅控制硝化和反硝化过程，还决定N2O∶N2的大小。当WFPS较低时（如20%～35%），反应底物扩散和微生物活性受到抑制，农田N2O 排放通量较低[30]；随着WFPS 升高至60%～80%，农田N2O排放通量达到峰值[31]；当WFPS超过80%时，反硝化反应又将产生的N2O 进一步还原为N2。相比而言，目前关于土壤孔隙含氧量调控农田N2O 排放的理解大多来自于纯培养及土壤微宇宙培养模拟试验[32-33]。最近的田间原位研究表明，土壤孔隙含氧量是土壤N2O排放最具决定性的环境因子（r=-0.71），其效应强于土壤温度、WFPS 和NH+4-N 浓度（r=0.30、0.25、0.26）[34]。随土壤孔隙含氧量降低，土壤N2O 浓度呈现指数增长。

图1 农田N2O排放对单因素的响应Figure 1 Response of cropland-N2O emission to individual driver

上述这些因素对农田N2O 排放的影响并非独立且相互作用。Pärn 等[35]开展了全球58 个有机土壤N2O 排放观测，并同步测定了土壤NO-3-N、土壤体积含水量（WFPS×土壤孔隙度）、温度等土壤物理化学指标。结果表明，土壤NO-3-N 和土壤体积含水量共同决定了全球有机土壤N2O 排放的地域分异（n=58，R2=0.72，P＜0.001；图2a），其中，N2O 排放与NO-3-N 浓度呈正比，且在土壤体积含水量为0.5 m3·m-3左右达到峰值。相比而言，N2O 排放与土壤温度（40 cm）的关系较弱（R2=0.21，P＜0.001），可能是因为土壤温度在观测站点（以热带和亚热带为主）并非限制性因子。但土壤温度和土壤NO-3-N 也可以较好解释全球有机土壤N2O排放的地域分异（n=58，R2=0.69，P＜0.001；图2b）。上述结果表明，温暖且排水性强的低纬度地区（热带和亚热带）是农田N2O排放的热点。

1.2 地带性响应

以往研究一般认为农田N2O 排放因子与气候、土壤物理化学特征符合“单一响应模式”（图3），并将这种“单一响应模式”应用到陆面过程模型。作者联合国际同行开展全球联网通量观测和控制试验，实现设备和非空间因素之间的差异修正，建立完整的全球农田N2O 排放通量同化系统，探索了农田N2O排放因子对气候、土壤物理化学特征和施氮强度的大尺度响应关系[5]。结果表明，这种农田N2O 排放因子对气候变化的响应具有纬度地带性（图3），且这种“地带性响应模式”是维持低纬度地区较高的氮排放因子的内因。

这种“地带性响应模式”与之前通常认为的“单一响应模式”有很大区别，当进行大尺度跨区域分析时很可能会出现这种现象，主要是因为土壤微生物对不同地区的温度自适应性[12，36-37]，在不同纬度形成了不同最佳适应温度。这种现象在森林土壤微生物群落得以发现[38]。然而，对于水田而言，农田N2O 排放因子对温度的变化不敏感，可能是因为温度升高对排放因子所产生的正面和负面的影响相互抵消。

图2 农田N2O排放与多个影响因素的响应面[35]Figure 2 Response surface of cropland-N2O emission to multiple drivers[35]

图3 农田N2O排放因子对温度和降水的响应模式Figure 3 Single and multiple response modes of cropland-N2O emission to hydro-climatic conditions

农田N2O 排放因子在降水为1100 mm 左右表现出不同的响应关系。一方面，高纬度地区降水量有限，但土壤蒸发潜力降低，土壤持水能力较高，WFPS相对较大，因此，农田N2O 排放因子随降水增加而降低。低纬度地区降水量较大，土壤蒸发潜力也大，土壤排水能力较强，随着降水的增加，农田N2O 排放因子快速上升，并且在降水为2000 mm时排放因子达到峰值，此后排放因子会随着降水增加而下降。这种响应与Davidson等[39]提出的HIP概念模型一致。

1.3 影响因素的相对贡献

利用全球农田N2O 排放通量同化系统，作者采用一般混合效应模型，进一步分析了气候、土壤特征和施氮强度对全球农田N2O 排放因子地域分异的相对贡献[5]。结果表明，在全球尺度上，农田氮排放因子的地域分异取决于环境条件（气候和土壤），其效应强于主流研究认为的施氮强度（图4）。具体来说，环境条件决定了美国东部、东南亚北部、巴西南部、中国华南地区等的农田N2O 排放因子大小。施氮强度则决定了华北平原、东南亚南部、西非、恒河流域、亚马孙流域等地区的农田N2O 排放因子大小。其中，受环境条件影响的区域占到80%左右。基于IPCC的贡献分析方法，进一步发现主要是水热条件（温度和降水）决定了全球农田N2O 排放因子的空间格局，分别占到全球农田N2O 排放因子方差的34%和20%。其次，黏土比例、pH 和SOC 对于全球农田N2O 排放因子是较为重要的土壤特征（对方差贡献分别为11%、12%和8%）。

2 农田N2O排放时间变化的驱动因素

图4 气候、土壤特征和施氮强度对全球农田N2O排放因子地域分异的相对贡献Figure 4 Spatial patterns of cropland-N2O emission factors controlled by the changes in climate，soil attributes，and N inputs

农田N2O 排放具有明显的季节波动、年际波动和年际变化趋势。随着观测技术的进步，农田N2O 排放实现了高频、自动连续观测，包括离轴积分腔输出光谱技术、可调谐的二极管激光技术（TDL）、可调谐二极管激光吸收光谱技术（TDLAS）。Griffis 等[40]利用TDL技术，在美国玉米带（US Corn Belt）测定了2010—2015 年不同高度（32、56、100、185 m）N2O 小时浓度，并分析了其季节和年际波动。结果表明，农田N2O 排放随着气候变化而波动，在强降水之后、高温之时和春季冻融出现排放峰值。Xu 等[41]利用陆面过程模型DLEM，量化了北美地区土壤N2O 排放年际波动的自然与人为贡献，情景模拟结果同样证实了气候变化是最重要的驱动因素。

与季节和年际波动不同的是，农田N2O 排放的年际变化趋势可能取决于施氮强度和其他氮源输入量的增加。Griffis 等[40]利用改进的陆面过程模型CLM45-BGC-CROP，发现逐步增加的施氮强度是美国玉米带农田N2O 排放增加的决定因子，气候变化贡献只占到8%。Thompson 等[42]利用3 个大气反演模式评估了1998—2016 年全球N2O 排放的年际变化。结果表明，2009 年之后全球N2O 排放快速增加，主要因为东亚和南美施氮强度的增加。这个结果也证实了施氮强度及全球N2O 排放对施氮强度的非线性响应是全球N2O排放变化趋势的关键因素。

然而，区域评估揭示了不同的结论。例如，Shang等[43]建立高分辨率（1 km）中国施肥和灌溉栅格数据集，利用贝叶斯递归回归树模型和多个陆面过程模型，评估了中国1990—2013 年农田N2O 排放年际变化，并利用对数均值迪氏指数法分析了背后的驱动机制。结果表明，中国农田N2O 排放在2003 年之后呈现增速变缓的趋势，且这种趋势分布广泛，占到全国2/3的农田，主要位于华北平原、四川盆地和东北平原部分地区。排放增速变缓的关键原因是施氮强度下降，抵消了东北平原和长江中下游地区播种面积扩张的影响。因此，农艺管理的进步（比如测土配方）也是农田N2O排放时间变化的重要驱动因素之一。

陆面过程模型的逐步改进推动了农田（土壤）N2O 排放时间变化的归因分析。例如，Xu等[41]发现氮输入（施肥和氮沉降）是北美洲N2O 排放增长的最重要的驱动因素，而CO2浓度升高和气候变化却表现为负作用。另外，全球碳计划和国际氮素联盟在2015年底启动了全球N2O 收支项目，评估了全球农田（土壤）N2O 排放时空格局和驱动机制。基于7 个陆面过程模型（DLEM、LPJ-GUESS、LPX-Bern、O-CN、ORCHIDEE、ORCHIDEE-CNP、VISIT）的情景模拟，Tian等[4]发现全球土壤N2O 排放增长主要源于农田，且这种增长归因于氮输入（化肥施用、有机肥施用和氮沉降）。气候变化促进了全球农田N2O 排放，但CO2浓度升高则抵消了全球农田N2O 排放的增长。土地利用变化的影响在全球尺度十分有限，仅在美国中部、南亚和西非表现为负作用。

3 全球农田N2O排放的多模型评估

3.1 自下而上和自上而下的模型方法

过去40 多年的试验研究加深了我们对全球农田N2O 排放的驱动因素的科学理解，也促进了不同类型模型方法的开发、改进和多模型集合，推动了全球、区域或国家尺度的农田N2O 排放的模型评估。目前，主流评估方法包括排放因子模型、陆面过程模型、大气反演模型和尺度扩展（Flux upscaling）方法。

首先，排放因子模型是IPCC 推荐的国家温室气体排放清单Tier 1 方法，被IPCC 缔约国等广泛使用。《2006 年国家温室气体清单指南》2019 修订版定义农田N2O 排放等于排放因子乘以活动数据（比如施氮量），并区分了不同作物和不同气候下的排放因子[44]。目前主流评估结果有欧盟EDGAR[45]、国际应用系统分析研究所（IIASA）的GAINS[16]和世界粮农组织FAOSTAT（http：//www.fao.org/faostat/）。

其次，陆面过程模型是高度集成陆地生态系统模型，它耦合了主要生物化学、水循环和植被动态过程，模型输出结果为陆地生态系统中水分、碳通量（CO2、CH4）、氮通量（N2O）和反应底物。主流的过程模型包括DAYCENT、DLEM、LPJ-GUESS、LPX-Bern、O-CN、ORCHIDEE、ORCHIDEE-CNP 和VISIT 等[4]。模型的时间尺度是小时或日，输入数据包括逐日气象资料、大气成分（CO2、O3、氮沉降）、土壤物理化学属性、地形、河道网络和土地利用方式等。这些一般包括生物物理、植物生理学、土壤生物化学、植被动态和土地利用等模块，其中N2O排放子模块一般源于DNDC[46]，量化了硝化与反硝化动态过程和N2O 从土壤扩展至大气的损失。为了避免模型结构带来的不确定性，最近实施的全球N2O 模型比较计划提出了多模型集合方法[8]。结果表明，不同模型的全球农田N2O 排放时空格局差异很大（自工业革命以来增量的最小值和最大值分别为1.6、4.7 Tg N2O-N·a-1）。

大气反演模型是自上而下的模式，基于大气中观测N2O 浓度和先验N2O 排放量，通过大气传输模式和反演方法反演得到后验N2O 排放量。目前代表性大气传输模式包括MOZART v4、TM5、LMDZ4 等，能模拟三维大气中N2O 分子含量，如MOZART v4 的水平分辨率为1.9°×2.5°，垂直方向上从地表到2 hPa 高空可分为56 层。主要反演方法为Bayesian Inversion Method 等[17，42]。通常为月尺度，可同时估算陆地和海洋的N2O 排放，如Saikawa 等[17]估算得到1995—2008年全球N2O 年均排放通量为13～18 Tg N·a-1，其中农田系统为2.6～4.1 Tg N·a-1，海洋为3.6～5.2 Tg N·a-1。该方法缺点是结果准确度受先验数据影响较大。同时，进一步区分不同排放源贡献依旧是大气反演模型的挑战之一。

升尺度方法也逐步得到开发，实现从站点尺度到区域尺度的农田N2O 排放通量的升尺度。例如，Jung等[47]提出MTE（Model Tree Ensemble）算法，并推广到全球通量观测FLUXCOM。2015 年，Zhou 等[21]提出了贝叶斯递归回归树算法（BRRT v2）。该算法的优势在于根据观测数据来估计参数的后验概率分布，据此可以得到参数的最大后验概率估计。校准过程中，需要寻找最优模型结构即树的结构，树的每一个末节点相当于模型的每一个分段函数。从根节点开始逐步搜索直至树的末节点，树的末节集合是模型的所有函数方程。此外，BRRT v2用马尔可夫链蒙特卡尔理论（MCMC）将数据逐步迭代缩小至最优点范围，树每个末节点可得到一个不同区域的N2O 排放与气候、土壤特征和农艺管理的响应关系。目前，该算法已应用于中国和全球农田N2O排放估计[5，43，48]。

3.2 模型输入和输出数据集

模型输入数据集也是全球农田N2O 排放多模型评估的基础，包括气候、土壤、土地利用、氮肥管理、灌溉管理、种植制度、耕作方式等。气象数据较为丰富，典型的数据集为CRU-NCEP（1901—2015，6 h 尺度，0.5°×0.5°）。土壤数据包括FAO 的HWSD v1.2（http：//www.fao.org/soils-portal/soil-survey/soil-maps-and-databases）和北京师范大学土壤数据集[49]，空间分辨率分别为1 km 和0.1°，但土壤化学特征一般为定值，包括pH、SOC 和有机氮含量。土地利用数据包括HYDE 3.2（1860—2015，年尺度，0.5°×0.5°）和Earth-Stat[50]，其中后者提供了170 多种作物的种植分布和播种面积，但仅为2000 年数据。氮肥管理涉及到施氮强度、肥料类型、施用时间、次数和深度。目前，FAOSTAT 提供了1960 年以来国家尺度施氮强度和肥料类型（不同类型化肥、秸秆和畜禽粪便回田量）数据。在此基础上，结合区域尺度统计数据和国际化肥联盟的调查数据，Muller 等[50]建立2000 年不同作物、不同肥料类型的栅格尺度（0.5°×0.5°）施氮强度图层。随后，Lu 等[51]将此数据集扩展到1961—2013 年。Zhang等[52]还发布了全球畜禽粪便产生量和回田量栅格尺度数据集（1860—2014，年尺度，5′×5′）。Wang等[5]进一步重建1961—2014 年全球5-arc-minute 高分辨率施肥数据库（强度、肥料类型、空间分布、作物分配）。相比而言，这些数据集较少涉及施用时间、次数和深度。FAO AQUASTAT 发布了全球主要国家过去50年（不连续）国家尺度灌溉数据集和2005年栅格数据集（http：//www.fao.org/aquastat/）。针对水稻，Carlson 等[28]建立了不同国家的不同灌溉方式（淹灌、间歇灌溉、雨养）数据集，但依旧缺乏高分辨率、连续的模型数据。为了弥补这个缺陷，ISIMIP2a发布了多个全球水文模型的灌溉模拟结果（1970 年以来，年尺度，0.5°×0.5°，https：//www.isimip.org/gettingstarted/data-access/）。到目前为止，种植制度（比如轮作制度、休耕制度、种植收获时间）和耕作方式（比如耕作、少耕、免耕）数据相对较少，代表性的有Sacks等[53]的种植收获时间栅格数据集和FAO 的国家尺度耕作方式数据集（www.fao.org/faostat/en/#data/RL）。

模型输出需要观测数据来校准和验证。到目前为止，全球已经建立了大量长期、连续、统一的通量观测网络Fluxnet（https：//fluxnet.fluxdata.org/），其中中国有17 个农田站点（http：//www.chinaflux.org/），部分站点拥有N2O 通量观测。此外，全球还有多个其他观测网络[5]，包括美国的TRAGNET（1990—1995，15 个站点，358 个样本）和GRACEnet（2003—2012，32 个站点，444 个样本）、欧盟的NitroEurope（2004—2011，14个站点，195 个样本）和GHG-Europe（含非洲津巴布韦，2009—2013，8 个站点，224 个样本）、澳大利亚的NANORP（2003—2014，13 个站点，64 个样本），以及国外研究者的近1200 条样本和作者整理的中国农田N2O数据库（1992—2013，96个站点，792个样本）。这些观测网络涉及的主要指标包括：N2O 通量（观测期内累积量；kg N2O-N·hm-2）、经纬度、作物类型、施氮量（kg N·hm-2）、肥料类型、灌溉量（mm）、土壤黏土比例（%）、SOC含量（%）、TN含量（%）、pH、土壤容重（g·cm-3）、土壤温度（°C）、土壤水分（%）等。到目前为止，作者建立的GlobalNON 涉及43个国家的379个站点（图5），观测样本达到3098 个（含214 个站点的818个对照试验，采样频率≥1 次·周-1），观测时间跨度为1976—2014，站点主要分布在42个国家，基本覆盖到除了南极之外各洲的主要农田种植区（图5），而这些覆盖区域的施氮量占到了全球84.8%（2011年，数据来自于FAO）。同时，超过60%的站点的累积观测年数超过4年，424个控制试验具有≥3个的施氮量梯度，还有＞200个控制试验涉及不同作物、灌溉或土壤类型的影响。

3.3 多模型评估结果

目前，利用排放因子模型、陆面过程模型、大气反演模型和升尺度方法完成了全球农田N2O 排放多模型评估，代表性成果为全球N2O收支（https：//www.globalcarbonproject.org/nitrousoxidebudget/index.htm）。其中，1961—2013年全球农田N2O排放时空格局见图6。研究发现[5]：（1）全球旱地排放因子从1960s 的（0.80±0.06）%增加到当前的（1.05±0.04）%，全球水田排放因子稳定在0.46%到0.53%之间，指出《2006 年IPCC 国家温室气体清单指南》推荐值（Tier 1 方法）对旱地高估了23%，但对水田低估了50%，这种差别在区域尺度更加明显（图6），主要因为IPCC Tier 1 方法忽视了环境条件对农田N2O 排放因子大小的调节作用；（2）1961—2014年，全球农田N2O年排放量平均值为（0.82±0.34）×106t，该结果与7 个陆面模式模拟（Tier 3 方法）结果较为一致[（0.75±0.53）×106t]，但比基于Tier 1 方法的联合国粮农组织（FAOSTAT）和主流的国际机构（EDGAR、GAINS）的估计低1/4 左右（图6），在区域上表现为低估了欧美等发达国家的农田N2O 年排放，但高估了中国、印度等发展中国家排放；（3）全球农田N2O 排放量估计下降，58%源于采用了基于普查的高分辨率施肥数据，42%源于更新了全球栅格尺度的农田N2O 排放因子。上述发现为IPCC的Tier 1 和Tier 3 方法提供了全球农田N2O 历年排放量基准值，也为确定全球农田N2O 减排策略提供科学依据。

图5 全球农田N2O排放观测网络（GlobalNON）Figure 5 Global cropland-N2O observation network（GlobalNON）

4 主要研究挑战

过去40 年，国内外针对农田N2O 排放时空格局的形成机理和全球评估开展了大量研究，基本阐明了农田N2O 排放时空格局的主控因子和响应特征，并形成了基于多模型集合的全球农田N2O 排放估计。但不同观测、试验和方法之间的结论仍然存在较大差异，评估结果不确定性较大，全球和区域性减排策略缺乏科学支撑，在区域、高频观测或控制试验以及模型改进等方面亟需开展大量理论研究。

首先，加强农田N2O 排放过程的跨区域、样带观测和控制试验。截止到目前，全球范围建立了大量的农田N2O 观测网络，覆盖了多种作物类型。但现有研究主要关注不同农艺管理措施下农田N2O 排放特征，较少开展不同气候和土壤环境的控制试验。因此，可以借助国家生态系统观测研究网络（CNERN）和中国生态系统研究网络（CERN），根据我国农田的地理分布特征，结合气象和土壤区划成果，选取代表性区域或样带，以农田生态系统碳-氮-水耦合循环和碳氮水通量计量平衡观测为核心研究内容，揭示包括N2O在内的作物冠层-大气、土壤-大气和根系-大气界面通量计量平衡关系及其时间变异的生物控制机制和地理空间格局。

其次，强调农田N2O 排放的高频、连续观测和极端气候控制试验。大部分观测或控制试验聚焦在作物生育期，而忽略休闲期。Shang等[43]研究表明，蔬菜地和稻田N2O 排放在休闲期分别占到全年的19%和11%。另外，以往研究关注常规气候变化的影响，极少关注极端气候事件下农田N2O 排放特征，制约了陆面过程模型对极端气候变化下农田N2O 排放过程的模拟能力[54]。因此，有必要利用统一平台开展区域性的极端气候控制试验和高频观测，结合已有的长期定位观测、统计、过程模型等技术手段，采用多尺度观测、多方法印证、多过程融合、跨尺度模拟等集成研究[55]，系统地阐明不同时空尺度的农田N2O 排放过程对极端气候事件的响应机制和未来趋势。

图6 全球农田N2O排放（1961—2014）对比分析Figure 6 Estimates of global cropland-N2O emission over 1961—2014

另外，亟待建立高分辨率农艺管理措施数据集和增强陆面过程模型的区域预测能力。相比气候和土壤数据，目前较为缺乏可靠且高分辨率农艺管理措施数据集，包括不同作物不同类型肥料施用量、施用方式和施用时间，还包括种植制度、灌溉（和排水）、耕作等[5]。另外，相比碳水过程，陆面过程模型对农田氮循环过程的预测能力相对较弱。一方面，陆面过程模型往往基于试验建立的经验方程，难以兼顾微生物过程[9]，也难以刻画农艺管理措施的影响。另一方面，在陆面过程模型中，与氮循环过程相关联的参数高达百余个[56]，为了有效进行参数校准和优化，有必要结合参数敏感性分析和基于贝叶斯理论的参数估计这两种技术手段[21]。参数敏感性分析的优势在于能从众多参数中遴选出针对目标变量的关键参数，进而提高参数优化效率。基于贝叶斯理论的最优参数估计的优势在于根据观测数据来估计参数的后验概率分布，据此可以得到参数的最大后验概率估计。以MCMC方法为主，探讨人工控制试验、农田生态系统通量观测、遥感观测等数据的同化方案，发展多尺度数据与陆面过程模型的融合系统，增强模型预测能力，为制定国家氮减排和构建气候智能型农业提供科学依据。