基于DNDC模型评估白洋淀芦苇湿地N2O排放特征

冯 钊， 乔圣超， 倪少强， 张 杰， 喻朝庆

(1. 清华大学 地球系统科学系 地球系统数值模拟教育部重点实验室, 北京 100084； 2. 全球变化与中国绿色发展协同创新中心, 北京 100875； 3. 深圳大学 海岸带地理环境监测国家测绘地理信息局重点实验室， 深圳 518060)

N2O是典型温室气体之一，可在大气中持续存留130～170年[1]。主要排放源包括湿地、农业和草原等。据IPCC中国际耦合模式比较计划第五阶段(CMIP5)报道，全球N2O年增长率约为0.2%～0.3%[2]。预计到2040年，大气中N2O含量约为340 μg/L，温室效应将比当前增强5%[3]。目前定量研究N2O排放的方法主要包括排放系数法和生物地球化学过程模拟法等。李长生教授开发的DNDC生物地球化学机理模型[4]，用以深入研究N2O排放与环境要素之间的相互关系。经过20多年发展，DNDC模型已经衍生出适用于不同生态系统类型的版本[5]，并被广泛应用于温室气体排放、产量估算、干旱研究[6]等。田展等[7]利用DNDC模型，结合站点气象数据，估算了中国水稻N2O排放在1991—2010年的变化趋势，Hork等[8]估算了斯洛伐克尼特拉州不同作物管理措施下的N2O排放量，Zhao等[9]利用DNDC研究了水稻的温室气体排放以及氮循环过程，He等[10]在RCP 4.5和RCP 8.5条件下估算了加拿大安大略湖西南地区未来冬小麦、玉米、大豆等作物生长过程N2O排放特征。李长生[4]利用DNDC模型估算改变农田管理等条件下的N2O排放变化，Beheydt等[11]通过DNDC估算比利时自然植被N2O排放，Chen等[12]利用DNDC模型评估了氮肥优化管理措施对减少农田N2O排放的作用，但目前还鲜见利用DNDC研究芦苇湿地N2O排放特征。

芦苇(Phragmitesaustralis)是一种多年生植物，作为淡水湖泊的优势种而广泛分布于各种类型湿地和湖泊浅表层，具有抗逆性超强、适应性广泛、生长速度快等特征[13]。芦苇在调节气候、减轻环境污染、净化水质等方面也具有重要作用，是湿地重要的组成部分，兼有重要的生态价值和社会经济效益[14]。基于“箱式法”的观测数据检验DNDC模型，模拟湿地芦苇生长过程及N2O排放通量，利用CMIP5中多个气候数值实验结果，估算在未来(2018—2100年)不同气候变化情景(RCP2.6、RCP4.5、RCP8.5)下，白洋淀芦苇湿地N2O排放总量等变化特征，评估气候(温度和降水)变化对N2O排放的影响，以期为湖泊植物温室气体排放等提供参考信息。

1 研究区域概况

白洋淀湿地(38°43′～39°02′N，115°38′～116°07′E)位于中国河北保定安新县(雄安新区)境内，是华北最大的内陆淡水湖泊湿地，也是以芦苇为优势群落的典型水陆交错平原湿地生态系统，其自然坡度为1∶7000，地势自西北向东南倾斜，上游汇集了唐河、潴龙河等河流，下游经赵王新河等汇入海河干流入海。白洋淀的多年平均温度约为12 ℃，1月平均温度约为-8 ℃，7月平均温度约为23 ℃。该区雨热同期，属于暖温带大陆性季风气候。目前，白洋淀湿地芦苇的种植面积约为6000 hm2，平均水深2 m[14]，以芦苇为景观特征的湿地约占36%[15]。芦苇一般 3月底或4月初发芽, 5月到6月个体生长发育最快, 7月达到最大生物量的70%到80%，10月中下旬种子完全成熟[14]，11月底完成一年生长周期。

2 材料与方法

2.1 DNDC模型简介

DNDC模型由土壤水热传输、有机物分解、作物生长、硝化与反硝化作用和甲烷发酵过程等子模型构成，能够以天为步长模拟作物生长和土壤N2O排放过程[15]。其中，气候条件、有机质分解、硝化和反硝化反应是控制土壤N2O产生的重要因素，决定作物土壤产生N2O排放通量。DNDC系列模型涵盖了农田、森林、草原和湿地等生态系统[4]。 DNDC模型的输入数据包括气象、土壤、植物生理参数、人为管理等。输出结果包括逐日土壤水动态、土壤有机碳，氮素的形态与通量(包括N2O)变化、植物生长和凋落等[16]。

2.2 DNDC模型数据验证

2.2.1 验证数据来源

本研究采用实际观测数据评估DNDC模型的输出结果，检验模拟的可靠性。观测数据包括4个取样点，取样点次数均不相同。点S1与S2(见图1)为牛翠云等[17]在2015年3月—11月白洋淀地区(该观测点未受人为破坏)逐月定时采样数据，月初采样，间隔天数约30 d，最终以样本计算每月N2O排放量。S3是万晓红等[18]在2007年5月—10月中每月一次采样，月中采样，间隔天数约30 d，具体时间为 10:00—14:00，期间每10 min一次取样，最终换算成每小时每平方米N2O排放量。S4来源于Yang等[2]在2010年7月—11月利用传统的“箱式法”测定N2O排放量，具体日期随机，单次持续24 h，每间隔3 h取样，取样过程测定1 h内每分钟N2O排放量。4个样点总共获得观测样本28个。

图1 取样点地理位置示意图

2.2.2 数据处理

首先，将不同观测样点的测量排放单位，统一换成N2O的月排放量。

其次，DNDC模型结果是统计以天为步长，将逐日 N排放量，转换成N2O排放(kg/d·ha)，按月求和后可得到逐月每公顷N2O的模拟月排放量。利用S4中所有的观测点，校正DNDC模型参数，包括芦苇管理参数、灌溉参数、收割参数等，并利用R2，RMSE，r等数理指标参数评估模型参数合理性，点位(S1、S2和S3)用来验证校正后模型。

最后，利用校正后DNDC模型与气候变化多模式多情景数据，估算白洋淀芦苇湿地未来2018—2100年的N2O排放特征。

2.2.3 分析指标

1)模型合理性指标。采用观测值与模拟值之间的决定系数R2、回归方程、Pearson相关系数以及均方根误差RMSE等来判定DNDC模型试验过程合理性。

2)未来N2O排放指标。未来气候变化多模式情景下的单位面积N2O排放极值及年均总量。在未来2018—2100年间，多模式情景 N2O排放量每30年[19]变化特征，即将各模式情景2018—2100年分成2018—2047年(时间段A)，2048—2077年(时间段B)，2078—2100年(时间段C) 3个时间区段，计算各区段N2O年排放均值。

2.3 数据与参数

2.3.1 气象数据来源

气象数据包括历史气象站点观测数据(2007年、2010年和2015年)和未来气候模式数据。前者来源于中国气象局网站中河北省保定市安新县气象站点，包括逐日降雨、最高温度、最低温度等数据。后者是基于IPCC在CMIP5中提出的46个模型中产生的多情景数据。本研究采用姜江等[20]挑选出较为合理的6套模式数据(表1)，作为未来气候输入数据。具体方法是提取表1中涵盖白洋淀地区的格点气象数据，生成驱动DNDC模型多情景输入数据。

表1 6套选用IPCC-CMIP5模式数据信息

注：分辨率为经向格点数乘以纬向格点数; 3种情景即RCP2.6、RCP4.5和RCP8.5

2.3.2 土壤与模型参数

土壤数据信息包括土壤容重、有机碳、pH值等，为牛翠云[17]、万晓红[18]、Yang[2]等利用“箱式法”实际测定的研究区土壤的各项参数。水陆交错湿地区芦苇管理参数设定为：每年收割1次，全部收割、水淹3次(4月11日、5月22日各一次，8月15日到8月25日持续水淹)、生长时间为4月1日，结束生长时间为11月30日[2]。根据赵颖等[21]对白洋淀水文特征研究表明，在2005—2009年后，本文研究位点(S1、S2、S3和S4)退化为完全湿地，不再有水体覆盖，土地类型均设定为“湿地”。各研究点位其他详细信息见表2。其他参数为模型自带参数，模型内编号为“50”。

3 结果与分析

3.1 统计指标分析

统计结果计算得出N2O排放观测值与模拟值间Pearson相关系数r为0.723，其sig.值小于0.01，通过P=0.01显著性检验。观测值与模拟值间决定系数R2为0.522，均方根误差RMSE为76.75 μg/m2·d(图2)。结果表明，DNDC模型能够较合理地模拟白洋淀湿地芦苇的N2O排放，观测值与模拟值间存在明显相关性。

表2 研究点位的输入土壤信息

图2各个取样点N2O观测值和模拟值之间对比图

Figure 2 Comparison between the observed and simulated N2O emissions

3.2 未来气候变化分析

由图3分析可知，RCP8.5情景年均温波动范围较大，明显高于RCP4.5和RCP2.6情景。模式4中3种情景下模拟的年均温，明显高于其他5组，而模式6的3种情景下的年均温，明显低于其他5组。降雨量的变化方面，模式3中年降雨量情景模拟值，明显低于其他5个模式，且年际间波动范围较其他模式偏小。在各模式的3种情景中，降雨量未出现明显线性变化，但模式4中波动幅度较其他模式更大。多模式情景结果表明，未来白洋淀地区降雨量比当前年均降雨量偏大，年均温逐渐上升。

图3 2018—2100年6种模式多情景下温度和降雨量分析图

3.3 气候与未来N2O排放量分析

3.3.1 单位面积N2O排放趋势

图4为2018—2100年6种模式不同情境下的单位N2O排放量N释放指标。结果表明，未来2018—2100年在多模式情景中，单位面积N2O年排放趋势随时间变化不明显：仅在模式1 RCP8.5情景下，出现明显递增趋势，N2O年排量与年份间具有较高的决定系数(R2=0.58)，在模式4和5的RCP8.5情景中，也出现递增趋势，但决定系数(R2=0.15)较小，增长不显著。其他各模式情景均未出现明显降低或升高的N2O排放趋势。从离散程度看，在模式5和模式1情景RCP4.5、RCP8.5中，离散程度较小，其他模式情景下离散程度较大，年际变化波动较大。

3.3.2 单位面积N2O排放分析

在DNDC模型中，未来多情景模式下，N2O排放最大值、最小值等信息见表3。分析可知，未来多模式情景下，N2O排放最小值分布区段较均匀，在时间段A、B、C中均有分布，且占比相当(最小值A占6/18，B占5/18，C占7/18)，N2O排放最大值多集中于A、B时间段，其中A占7/18，B占8/18，C仅占3/18。从最值指标分析，N2O排放未呈现时间梯度递增或递减趋势。从最值与生长期积温(Growth accumulated temperature, GAT)和生长期降雨量(Growth precipitation, GP)指标分析，芦苇生长积温均高于当前生长积温3000。N2O排放最大值对应年生长积温并未完全高于最小值对应年生长积温，但N2O排放最大值对应生长期降雨量基本高于最小值对应生长期降雨量。然而，N2O排放最大值在各模式情景之间并未完全表现出高降雨量，高N2O排放的现象。因此，N2O排放最值与降雨量频率、持续时间、温度持续时长等因素之间关系需进一步分析。

图4 6套模式多情景下N2O中N年排放量Figure 4 Year emission of nitrogen(calculated by N2O) under 6 models of different scenarios

表3 6套模式多模式情境N2O排放指标

3.4 N2O排放总量分析

3.4.1 N2O排放总量变化范围

白洋淀湿地的芦苇种植面积S约为62.7 km2[2]，根据DNDC在不同模式下的N2O释放量可得出如表4的计算结果。计算方法为：

(1)

式中，Esum为N2O年排放总量，S是种植面积，EENDC为模型输出的单位面积N2O排放中N排放量，经求和后产生的均值。

表4 6套模式多模式情境N2O排放总量结果变化范围

注：EENDC单位为kg/ha·a；Esum的单位为t

表4结果表明，白洋淀芦苇湿地水陆交错区在RCP2.6情景下，最大值出现在模式3中，为27.19 t，最小值出现在模式5中，为0.69 t；在情景RCP4.5中，最大值出现在模式1中，为31.92 t，最小值出现在模式3中，为0.49 t；在情景RCP8.5中，模式1取值范围较其他模式跨度偏大，模式1取得最大值为38.82 t，模式6取得最小值为0.49 t。多模式情景中N2O排放取值范围波动较大，模式1中3种情景在6套模式中取值范围最大，区间跨度均大于其他模式，模式5和6在部分情境中N2O排放取值范围跨度最小。

3.4.2 不同时间段N2O排放年均总量

时间段A、B、C是基于未来时间序列而划分。图5结果表明，A(2018—2047年)中N2O排放变化范围为2.88～9.98 t，B(2048—2077年)中N2O排放变化范围为3.01～15.84 t，区段C(2078—2100年)中N2O排放变化范围为3.29～25.8 t。在模式1和4 RCP8.5情景下，未来N2O排放出现递增趋势，并且模式1比模式4更为明显。其他模式情景中，未来N2O排放并未出现明显递增或递减变化。在模式3 RCP2.6情景下，B比A增加明显，C比B下降明显。总体N2O排放年均总量未随时间序列发生明显递减或递增变化。

图5 不同时间段6套模式N2O年排放量

4 讨论

4.1 模型不确定性

1)DNDC模型能模拟作物生长全过程，相比“箱式法”测定的间断性而言，DNDC对不同作物的N2O排放，在时间尺度(天、月、年)上具有连续性。基于“箱式法”实测数据校正的DNDC模型，利用时间尺度的连续性等优点，为评估湿地芦苇N2O的长时间序列排放提供途径。

2)多点位验证实测值与模拟值间Pearson相关系数r为0.723，决定系数R2为0.522。DNDC模型较好地模拟了2007年、2010年、2015年等年份白洋淀湿地“箱式法”芦苇N2O排放通量特征。但二者之间还存在误差，其来源主要有两个方面：其一，从统计学角度看，“箱式法”本身以某时间段的排放作为整天的释放量，存在一定的观测误差。并且“箱式法”实验点位观测数据偏少，存在两个降低相关性的数值位点。其二，DNDC模型模拟湿地芦苇生长过程，是基于参数在该状态下最优化模拟，可出现模拟数值明显高于观测值的现象(图2)。另外，缺乏长时间序列的验证数据，也会影响模拟结果的不确定性。

4.2 多模式情境N2O排放

未来年均温中位数变化在情景RCP8.5中升高最明显，情景RCP4.5次之，情景RCP2.6则变化不明显。未来年降雨量中位数变化在各情景间无明显的增减趋势。温度和降雨变化影响土壤微生物硝化和反硝化作用，进而影响土壤N2O排放特征。

温度和降雨变化最终影响土壤N2O排放特征。降雨随时间变化呈现无序波动、微生物随温度变化体内硝化与反硝化反应速率先增后减的生理特性，是3个区段(A区段2018—2047年、B区段2048—2077年、C区段2078—2100年)，N2O排放未表现出明显递增或递减变化趋势的主要原因。

5 结论

1)DNDC模型能够较好地模拟，白洋淀浅水湖泊型湿地中芦苇在2007、2010和2015年N2O排放通量。观测值与模拟值间决定系数(R2)为0.522，未来增加观测值数量和改良DNDC模型以提高芦苇生长参数精度及减小误差或创建DNDC-Reed模型。

2)N2O排放总量在RCP2.5、RCP4.5和RCP8.5情景间存在差异。在2018—2100年间，N2O年排放总量的变化范围为0.69～23.84 t、0.59～31.92 t和0.49～38.82 t。N2O排放在模式1和4的情景RCP8.5中出现明显递增趋势，但在其他模式中均未出现明显递增或递减趋势。

3)N2O排放在2018—2100年分成的3个时间段(A区段2018—2047年、B区段2048—2077年、C区段2078—2100年)中未表现出明显递增或递减变化趋势，但受温度和降雨变化明显。