设施菜地土壤氮素运移及淋溶损失模拟评价*

雷豪杰，李贵春，丁武汉，徐 驰，王洪媛，李 虎**

(1.中国农业科学院农业资源与农业区划研究所 北京 100081； 2.中国农业科学院农业环境与可持续发展研究所北京 100081)

我国是世界设施菜地生产第一大国。2019年设施菜地面积近4.000×106hm2。按照当前平均增长率1.25%计算，2021年预计将达到4.133×106hm2。为了追求高产量，设施菜地普遍采用“大水大肥”的管理模式，化肥投入量可高达4088 kg(N)·hm−2·a−1[1]，而平均氮肥利用率仅为18.6%[2]，导致地下水污染而威胁人类健康[3-6]。此外，-N 的表聚现象也导致土壤表层pH 最低，不断积累的-N 最终导致土壤酸化、次生盐渍化，土壤肥力降低[7]。滕艳敏等[8]对不同蔬菜种植模式土壤淋溶水的长期定位试验研究表明，两茬蔬菜总氮淋失量为 137.02～184.93 kg·hm−2，其地下水中-N 含量明显高于粮食作物系统[9]。巨晓棠等[10]对山东寿光集约化蔬菜种植区地下水的监测结果显示，80 多个样品中有29%硝酸盐含量超过欧盟标准(50 mg·L−1)，且超标率在3年后增至49%。而另一项对北京菜田浅层地下水的调查结果显示，43 个抽样地超标率达100%，-N平均含量为72.42 mg·L−1[11]。可见，-N 的累积和淋失已成为当前集约农区面临的重大农业和生态环境问题。

1 材料与方法

1.1 试验点概况

试验地位于北京市顺义区大孙各庄镇(116°28′E，40°00′N)，属暖温带半湿润大陆性季风气候区，四季分明，年平均气温11.5 ℃，年平均降水量625 mm，年相对湿度50%。供试试验田为普通半拱圆形设施大棚(75 m×7 m)。土壤质地为潮褐土，起始土壤的-N含量为 195.47 mg(N)·kg−1，2.15 mg(N)·kg−1，有机质14.31 g·kg−1，pH 为7.19。大棚棚面为无色透明塑料棚膜，膜上盖有棉被，顶部和低端设有通风口，以控制温室内的温度和湿度。

1.2 试验设计与数据获取

试验种植模式为黄瓜(Cucumis sativus L.)-番茄(Solanum lycopersicum L.)轮作，设计农民习惯漫灌施肥处理(FP)和滴灌施肥处理(FPD)，各处理均有3 个重复，每个小区24 m2，小区间用隔离带(塑料布埋深1 m，长6 m)隔开。试验中有机肥为羊粪(N 2.03%)，氮肥为尿素(N 46%)，磷肥为过磷酸钙(P2O518%)，钾肥为硫酸钾(K2O52%)。供试黄瓜品种为‘中农12’，2017年9月13日移栽，同年12月28日拉秧。供试番茄品种为‘超杂32’，移栽日期为2018年3月16日，同年7月16日拉秧。各处理肥料施用量和灌溉水用量如表1 所示。

表1 模型输入的黄瓜-番茄轮作不同处理的施肥和灌溉管理数据Table 1 Input data of model of fertilization and irrigation management for different treatments of facility cucumber-tomato rotation

1.3 样品采集与测定

黄瓜季和番茄季实际产量均在成熟期每次摘果时按小区记录，拉秧后汇总产量。利用田间原装渗漏计收集土壤90 cm 深度的水样，用连续流动分析仪测定-N 浓度。土壤溶液提取器安装在每个小区，位于根系以下(表土层下60 cm 处)。为了保证陶瓷吸盘部分与土壤之间合适的液体压力，陶瓷吸盘被安装在一个直径相当的孔中，然后用原土填充提取器与土壤之间的孔隙。在整个观测期，每次灌溉后提取土壤溶液。在定植前、拉秧后及作物生长的关键期利用土钻采集1 m 土样，取部分土样与1 mol·L−1KCl 溶液按水土比1∶5 混合振荡1 h，收集过滤液并利用连续流动分析仪测定-N 的浓度。另外，同步测定 0～5 cm 深度的土壤温度，利用Trim-IPH 测定0～15 cm 土壤水分。

1.4 DNDC 简介及模型验证方法

DNDC(反硝化-分解)模型主要用来模拟农业生态系统中碳氮循环[27-28]。模型主要分为两部分，一部分是将气候、土壤、植被和人类活动等生态驱动因子与温度、湿度、pH、底物浓度等土壤环境因子连接起来，另一部分连接生物地球化学过程。DNDC 模型通过结合作物生长曲线、作物生理过程和环境因素(例如辐射、气温、土壤湿度和可利用氮素)对作物生长进行模拟[29]。通过气候子模型，DNDC 模型能够实现对土壤水分动态的准确模拟；可以模拟出0～1 m 深度土壤剖面的氮素淋溶特征，其中包括0～0.5 m 根系生长区和0.5～1.0 m 非根系生长区。Li 等[27-28，30]已经对DNDC 模型模拟氮素淋溶过程应用到的水文学方程和参数等进行了详细叙述。本研究使用DNDC 9.5 版本进行氮素的运移和淋溶模拟。

在DNDC 模型应用之前需要进行验证。采用模拟值与观测值之间标准化的均方根误差(RMSE)验证DNDC 模型的模拟效果，计算公式如下：

式中： Pi表示模拟值，Oi表示观测值，n 表示观测值的个数，表示观测值的均值。RMSE 值趋近于0，说明模拟值和观测值越接近，模型模拟效果越好。R M S E<1 0%，模拟值与预测值一致性非常好，10%～30%为较好，>30%则效果一般。DNDC 模型检验的初始输入参数如表2 所示。其中，作物生理参数由田间试验或者模型默认值确定，其余参数均由田间实测获得。

表2 用来模拟蔬菜生长的生理学参数及DNDC 输入参数(测量值和模型默认值)Table 2 Parameters used for simulating vegetable growth and general description of DNDC input data (measured on site and default)

1.5 情景设置及敏感性分析

根据模拟结果对输入参数的响应程度计算敏感性指数S (sensitive index)，以敏感性指数来评价模拟结果受不同情景输入参数的影响程度，其计算公式如下：

式中： I2、I1和I12分别为输入参数的最大值、最小值和平均值，O2、O1和O12为对应模拟输出结果的最大值、最小值和平均值。S 值越大说明模拟结果受输入参数的影响程度越大。在本研究中，S 值越大说明土壤-N 累积受输入参数影响程度越大。

1.6 数据处理

2 结果与分析

2.1 DNDC 模型的校验

2.1.1 对设施菜地土壤温度、土壤孔隙含水率的模拟与验证

DNDC 模型对设施菜地系统5 cm 土壤温度和0～20 cm 土壤孔隙含水率变化模拟结果如图1 所示。DNDC 模型能够较好地模拟出5 cm 土壤温度和0～20 cm 土壤土壤孔隙含水率的动态变化过程。整个轮作周期内，FP 和FPD 处理5 cm 土壤温度的变化范围分别为11.78～28.60 ℃和12.47～30.27 ℃，模拟值与实测值均达显著相关(P<0.05)，皮尔逊相关系数分别为0.829 和0.836，DNDC 模型能够较好地模拟出5 cm 土壤温度随季节气温先下降后回升的变化过程。5 cm 土壤温度和0～20 cm 土壤孔隙含水率模拟的 RMSE 值在 FP 处理中分别为 25.44%和24.40%，FPD 处理中分别为25.85%和33.11%，模拟结果较为可靠。另外，由图1 可知，对土壤温度和土壤孔隙含水率的模拟误差主要出现在番茄季(3—7月)，分析其原因主要是番茄季属夏茬，高温天气下，实际种植过程中会打开棚内通风口调节棚内温度，进而降低表层土壤温度，而模型中未能体现这一过程。其次，实际棚内较高的土壤水分蒸发量和损失量也是导致其土壤孔隙含水率模拟结果偏高的原因。

表3 不同土壤基础性质和管理措施下的情景设置Table 3 Scenario setting of different soil basic properties and management practices

2.1.2 设施菜地系统作物产量的模拟及验证

DNDC 模型对设施菜地系统作物产量的模拟结果见图2。在设施菜地系统中，FP 处理的黄瓜季田间实际产量为491.16 kg(C)·hm−2，番茄季的产量为2144.57 kg(C)·hm−2。FPD 处理的黄瓜季田间实际产量为529.27 kg(C)·hm−2，番茄季的产量为2184.16 kg(C)·hm−2。对比实测产量和模拟产量，FP 处理的RMSE 值为7.79%，FPD 处理的RMSE 值为5.10%，模型的模拟效果非常好(P<0.05)。DNDC 模型具有模拟设施菜地系统黄瓜和番茄产量的能力，为模拟土壤中-N 含量、氮素淋失以及环境效应提供了坚实的基础。

图3 所示是DNDC 模型对设施菜地系统FP 处理0～60 cm 土壤剖面-N 含量的模拟结果。在设施系统中，FP 处理0～20 cm、20～40 cm 和40～60 cm土壤中-N的累积量均值分别为 414.28 kg(N)·hm−2、255.80 kg(N)·hm−2和81.833 kg(N)·hm−2，可见，设施菜地系统中-N 的累积主要集中于0～20 cm 的表层土壤中。通过对比分析DNDC 模型对不同深度土壤-N 累积量的模拟结果，DNDC模型能够较好地模拟出设施菜地系统0～20 cm 和20～40 cm 土壤中-N 的累积量(图3a、图3b)，RMSE 值分别达23.65%和32.33%。DNDC 模型对40～60 cm 土壤的-N 累积量模拟存在一定误差，低估了-N 的累积量，但R2达0.87，说明模拟值和实测值间相关性显著(P<0.05)(图3c)。因此，DNDN模型能够用来模拟菜地系统表层土壤剖面的-N含量。

2.2 土壤基础性质对累积的影响

由图6 可知，减少20%的土壤有机碳(SOC)后，累积层最大-N累积量降低 5.81%，为 926.95 kg(N)·hm−2。同时，10～20 cm 表层土壤-N 累积量下降较快，特别是番茄季第2 次施肥灌溉之后。在SOC×1.2的情景中，SOC 含量升高降低了土壤水和-N 的下移速度，且单季土壤表层10～20 cm-N 累积量升高，两季均达300～400 kg(N)·hm−2。20 cm 处-N 累积量最大值达1023.76 kg(N)·hm−2。可见，随着SOC 含量的增加，不仅提高了土壤20 cm深处的-N 累积量的最大值，而且促进了土壤-N 的表层累积。

2.3 不同管理措施对 累积的影响

由图9 可知，在灌溉量×0.8 的情景中，由于灌溉水量减少，削弱了土壤中重力水对-N 向下运移的驱动力，10～20 cm 土壤中-N 在黄瓜季未观察到随灌溉施肥次序出现运移。而在番茄季出现了累积，最后一次施肥灌溉后累积量达1218.68 kg(N)·hm−2，比基线情景提高23.84%。其次，减少灌溉后休闲期15～25 cm 土壤中-N 含量也明显提高。而将灌溉量提高到120%，10～15 cm 表层土壤的-N 累积量减少，20 cm 累积层-N的含量也明显降低，大量-N 随水下渗，且在每季最后一次施肥灌溉后土壤中-N 向下运移速度加快。说明不同灌溉量下土壤中-N 的运移和累积特征不同，较低的灌溉量易导致-N 在土壤表面累积，提高灌溉量能够明显加快土壤中的向下运移速度，同时降低了表层-N累积量。

2.4 不同情景对0～50 cm 土的影响

结合DNDC 的模拟结果，计算设施菜地系统中不同情景设置下输入参数的土壤-N 累积敏感性指数，结果如表4 所示。分析结果表明，不同输入参数对-N 累积过程的影响程度不尽相同。在各项输入参数中，灌溉量和施氮量的改变对设施菜地土壤-N 累积的影响较大，敏感性指数分别为21.06和20.85。其次是土壤中有机碳含量和土壤的pH。

表4 基于DNDC 模型的设施菜地系统土壤 累积敏感性指数Table 4 Sensitive indexes of accumulation in soil of facility vegetable system based on DNDC model

表4 基于DNDC 模型的设施菜地系统土壤 累积敏感性指数Table 4 Sensitive indexes of accumulation in soil of facility vegetable system based on DNDC model

输入参数Parameter变化范围Range敏感性指数Sensitive index土壤质地 Soil texture 壤沙土—粉壤土—沙黏壤土 Loamy sandy soil - silt loam - sandy clay loam 9.05 pH pH×0.8—pH×1.2 17.97土壤有机碳Soil organic carbon (SOC) SOC×0.8-SOC×1.2 18.14灌溉方式Irrigation method 漫灌—滴灌 Flood irrigation - drip irrigation —灌溉量Irrigation volume 灌溉量×0.8—灌溉量×1.2 Irrigation volume×0.8 - irrigation volume×1.2 21.06施氮量Nitrogen application amount 施氮量×0.8—施氮量×1.2 Nitrogen application rate×0.8 - nitrogen application rate×1.2 20.85

2.5 不同情景下 的淋失总量

3 讨论

3.1 模型模拟的不确定性评价

DNDC 模型是一个模拟农业生态系统中碳氮元素循环的生物地球化学模型，且已在不同的农业生态系统中得到了验证和应用。以往的研究多集中于大田旱地基础经济作物种植系统，如小麦(Triticum aestivum)和玉米(Zea mays)等[31-32]，且多被用来进行土壤温室气体排放的评估[22，33]。本研究重点关注设施菜地系统氮素的运移和淋溶，校正后的DNDC 模型能够较为准确地模拟出土壤表层温度和土壤孔隙含水率的动态变化过程以及作物的产量，但模拟结果还存在一些偏差。相比黄瓜季，番茄季出现了模拟值高于实测值。分析其原因： 黄瓜季为轮作的第1季，输入的原始土壤参数与该季的土壤实际情况更吻合，使模拟的准度较高。其次，本研究中，2017年12月—2018年3月为休闲期，该期间种植填闲蔬菜会使土壤的理化性质发生改变，而模型仅认为该阶段的温度和湿度是一个自然演变的过程。而番茄季又是夏季种植，为避免棚内温度过高，进入夏季后，通过人工通风的方式调节棚内温度，也会造成实测土壤表层温度和湿度的下降。Uzoma 等[34]研究发现，土壤干燥开裂造成的优先流也会导致模型高估土壤的水分含量。张婧[35]研究表明，田间观测的不确定性也会造成土壤水分含量模拟值和实测值的差异。另外，由于土壤中-N 淋失的过程复杂，使得参数修正的难度较大。本研究中DNDC 模型对土壤-N分布和淋失量的模拟存在不确定性，模型有可能高估了氮素的淋失量。但是，朱波等[25]运用本地化的DNDC 模型(Version 9.3)实现了对紫色土坡耕地淋溶水量和氮素淋失量的有效模拟。造成差异的原因可能是，模型模拟的结果具有一定的不确定性，特别是点位的模拟，不同模拟点位的土壤属性之间存在较大差异。另外，DNDC 仅模拟0～50 cm 的土壤氮素淋失，且默认点位的土壤属性在一个单元内是均一的，这与实际情况不一致。可见，通过田间试验获取的模型输入数据和模型部分参数本身具有不确定性，亦会引起模拟结果的较大变异[36]。因此，试验获取模型输入数据的准确性是保证模拟结果可靠的关键，还要通过大量的田间基础试验数据将模型的内部参数进行优化，进而降低系统误差。

表5 DNDC 模型对不同组合情景的设施菜地系统作物产量和 淋失量的模拟结果Table 5 Simulation results of DNDC model on crop yield and leaching in different combinations of facility vegetable system

表5 DNDC 模型对不同组合情景的设施菜地系统作物产量和 淋失量的模拟结果Table 5 Simulation results of DNDC model on crop yield and leaching in different combinations of facility vegetable system

?

3.2 设施菜地土壤累积及其敏感因子

土壤氮素的累积过程受到土壤水文特征与土壤-植物系统共同控制[25]。通过分析各参数的敏感性指数，发现灌溉量、土壤有机碳含量和施肥量对土壤氮素的累积影响较大，与李虎等[37]在冬小麦种植系统中的研究结果一致。灌溉量的改变能够直接影响土壤剖面的水分运动，灌溉水量过大易把-N 带到土壤深层，降低作物对-N 吸收率，增大淋溶。受耕层深度的影响，本研究中-N 累积量主要集中在20 cm 土层，优化水量后，降低了土壤耕作层的土壤含水率，削弱了-N 向下运移的驱动力[38]，导致淋溶水在下渗过程中被犁底层拦截，累积层厚度逐渐增加，导致0～20 cm 土壤中-N 含量明显升高(图9a)。其次，提高灌溉量能够加快土壤中的-N向下运移速度，同时降低了累积层的含量。胡映泉[39]也证明了土壤中-N向下迁移累积的过程与水分下渗的过程一致，较低灌溉量促进土壤-N 的表聚现象，较高的灌溉量加速了-N 向下迁移。廖上强等[40]在番茄地的试验表明，优化30%的灌溉水量能在不影响产量和品质的基础上使 40～60 cm 土层中-N减少8.0%～63.7%。因为土壤中-N 带负电荷，很难被土壤胶体吸附，大量施肥直接提高了-N 土壤表层-N 的浓度，促进其随水向土壤深层的低浓度区域扩散而发生迁移。另外，土壤中的有机碳主要来自于有机肥的施入，其氮素主要以大分子有机氮形式存在，且-N 比例较化肥低，易被土壤胶体吸附，进而提高了土壤表面的-N 累积。同时，土壤有机碳和黏土含量是反映土壤质地的重要指标，土壤中较高的土壤有机碳和黏土含量能降低土壤中的下渗速度而促进累积[41]。基于此，对于设施菜地土壤-N 的运移和损失的研究，有必要进一步综合考虑施氮量、灌溉量和土壤有机碳含量对土壤-N 累积的影响。

3.3 土壤氮素淋失特征和控制因素

4 结论

1)利用田间原位试验数据校验之后的DNDC 模型能够较好地模拟出设施菜地系统的蔬菜产量、土壤温度和水分变化以及-N 的迁移过程，校验后的DNDC 模型可以用来对设施菜地土壤氮素的运移和淋失进行模拟评价。

3)设施菜地氮素淋失减量的重点依然是节水节肥，还要考虑结合优化灌溉方式、提高土壤有机碳含量等方法。相比农民常规措施，节水节肥能够减少59.04%的-N 淋失量，在此基础上提高20%土壤有机碳能够减少60.75%的淋失量。将节水节肥与滴灌、提高土壤有机碳结合可以使-N 的淋失量明显减少69.04%。