施用生物炭对菜地土壤氮素损失影响的模拟

2022-04-15 08:46李双建李桂花薛冬梅张贵龙
关键词:施肥量作物生物

李双建,李 虎,李 洁,李桂花,薛冬梅,张贵龙

(1.天津师范大学 天津市水资源与水环境重点实验室,天津 300387;2.天津师范大学 地理与环境科学学院,天津 300387;3.中国农业科学院农业资源与农业区划研究所,北京 100081;4.农业农村部环境保护科研监测所,天津 300191)

蔬菜种植过程中普遍存在过量施肥现象.多次过量施肥会导致肥料中的氮、磷养分不能完全被蔬菜吸收,残留在土壤中,并随降水、灌溉等过程产生径流进入地表水或以淋溶的方式进入深层土壤,进而增加了氮、磷养分进入地下水的风险[1].长期施肥也会造成土壤板结、通气性变差等问题[2].为减缓菜地土壤的劣化进程,在减少施肥量的同时需对已被破坏的土壤进行修复,此外还要兼顾作物产量及经济效益.生物炭是近几年来较为常用的土壤改良剂,较高的含碳率、较大的比表面积、多微孔结构及特殊的分子组成使其具有较强的吸附能力和抗氧化能力[3],这些特点是生物炭改善土壤理化性质、固持土壤养分、减少氮损失的重要基础.

目前针对农业面源污染区氮损失的研究较多,为提高研究精度并降低工作量,不同用途的氮损失模拟模型作为科学工具应运而生,常用的包括Root Zone Water Quality Model(RZWQM)、水和氮质量平衡模型、DeNitrification-DeComposition(DNDC)模型等.DNDC模型是运用农业系统中一系列控制碳和氮迁移转化的生物化学及地球化学反应机制的计算机模拟模型[4],在农田氮损失研究中得到了广泛应用[5-7].本研究将施用生物炭后土壤的理化性质变化输入模型进行菜地氮损失情况模拟,验证施用生物炭对菜地氮损失的影响.

本研究借助DNDC模型:①确定影响作物产量及氮损失的重要因素;②定量生物炭与不同施肥量处理的综合氮损失;③验证施用生物炭降低氮肥施用量的效率以及对氮损失的削减效率.

1 材料与方法

1.1 研究区概况

研究区为位于黄淮海平原地区的山东省济宁市金乡县鸡黍镇大蒜/辣椒套作菜地(34.96°N,116.23°E).该地区属暖温带季风气候,具有明显的冬夏季风特点,年平均气温为13.3~14.1℃,平均无霜期为199 d,年平均降水量在700 mm左右,其中夏季降水量占全年降水量的65%左右[8].研究区土壤类型为潮土,土壤黏粒质量分数约为37.8%~40.5%,砂砾质量分数约为7.3%~8.8%.供试土壤理化性质如表1所示.

表1 供试土壤理化性质Tab.1 Physical and chemical properties of tested soil

1.2 实验处理

研究区内大蒜种植周期一般为当年10月至次年5月;辣椒种植周期为当年2月至9月,其中2月至4月为育苗期,4月移栽套种.实验共设置常规种植(CK)、生物炭+推荐施肥(B-N)2种处理,每种处理3次重复,共6个实验小区,每个小区面积为44.65 m2.CK处理的种植管理措施与当地同年常规种植平均水平保持一致;B-N处理的种植管理措施为:播种前按100 g/m2的量添加生物炭作为土壤改良剂,并按推荐施肥量施肥,其他管理措施与CK处理相同.不同处理种植过程的施肥情况如表2所示.

表2 不同处理施肥措施Tab.2 Fertilization measures of different treatments

CK处理的施肥方案:大蒜种植季一次施入复合肥(尿素、P2O5、K2O),大蒜收获后在辣椒生长期内再适量追肥;B-N处理的施肥方案:在大蒜种植季将CK处理的单次施肥量按原施肥量的2/3和1/5分2次施用,并在大蒜种植前按100 g/m2的用量施用生物炭.

1.3 研究方法

DNDC模型在初次运行前需要进行参数本地化设置,将样地的实际监测参数输入模型,并以此驱动模型运行,根据输出结果与实际监测参数的误差进一步确定模拟参数.利用模型中的敏感性分析模块,借助独立参数扰动法[9],以生物量、作物产量以及氮损失等为目标,对输入模型的参数进行敏感性分析,进而确定影响生物量、作物产量以及氮损失等的关键敏感性参数.根据敏感性分析结果,重点对影响目标结果的关键参数进行本地初始化设置并进行模型模拟,根据模拟结果确定部分参数,进而提高模拟精度.本研究分别采用常规种植和生物炭+推荐施肥两种处理方式,通过DNDC模型模拟作物产量以及土壤表层无机氮含量变化等来验证模型模拟精度,并推算此精度下不同种植方式过程中的氮损失情况.

将阴干土按水土质量比1∶2.5振荡后静置过滤,用便携式水质参数分析仪(美国Thermo Scientific Orion)测定土壤pH值和盐度.用2 mol/L的KCl溶液从鲜土中浸提NH4+-N和NO3--N,土壤与浸提液的质量比为1∶5,混合振荡后静置过滤,之后利用连续流动分析仪(Auto Seal 3,德国Seal公司)测定其含量.大蒜植株样品的总碳(TC)和总氮(TN)含量使用元素分析仪(Vario EL III,德国Elementar公司)进行测定.

1.4 参数敏感性分析及模拟精度分析

参数的敏感性表示模型输入参数的变化对于输出结果影响的强弱.依据Walker等[10]提出的公式计算敏感性指数:

式中:S为相对敏感性指数;I1、I2分别为输入参数的最小值和最大值;Iavg是I1和I2的平均值;O1、O2分别为对应于I1和I2的输出值;Oavg为O1和O2的平均值.S的绝对值大小表明影响程度强弱,绝对值越大,输入值对输出值的影响就越大;S值为负,说明输入值与输出值呈负相关.

把菜地所在地的气温、降水量、土壤本底养分含量、播种与收获日期、施肥量、灌溉量、耕地深度等田间监测数据输入到DNDC模型中,并进行模型初始运行,将模拟结果与田间实测结果进行比较,进而确定模型模拟的准确性.根据Gjettermanna等[11]提出的归一化均方根误差(NRMSE)和Willmott等[12]提出的一致性指标d验证模型模拟精度.这两个评价指标的具体公式为:

式中:Pi、Oi、分别为模拟值、实测值、实测值平均值;n为实测次数.NRMSE<10%时,模拟效果为优;10%≤NRMSE<20%时,模拟效果为良;20%≤NEMSE<30%时,模拟效果为中等;NRMSE≥30%时,模拟效果为差[11].d∈(-∞,1),越接近于1,表明模拟效果越好[12].

本研究中所需的土壤养分数据、施肥灌溉等种植管理数据以及作物植株C/N等数据均来自于研究区实地取样监测与记录;土壤的容重、作物生长积温、最适生长温度和作物需水量等数据均通过查阅相关文献获得.模拟所使用的模型为DNDC95,采用SPSS 25对数据进行处理与分析,采用Origin 2018绘制图表.

2 结果与分析

2.1 模型参数确定

利用2018—2019年常规种植处理下大蒜/辣椒套作模式的实际监测数据进行模型的参数校正,用作物产量、土壤无机氮含量模拟值与实测值的拟合度来校正作物参数.由于模型作物数据库中没有大蒜数据,因此需在大蒜及辣椒收获后取样测定相关参数,并根据结果对模型内置辣椒相关参数进行调整.最终确定的作物相关参数如表3所示.其中,作物最大生物量根据当地历史记录数据确定,通过测定植株鲜重和干重计算植株含水率,将作物最大产量转换为干重,使用模型推荐生物量转换参数(0.6)将其转换为最大生物量.

表3 作物相关参数Tab.3 Crop related parameters

2.2 DNDC模型模拟效果验证

2.2.1 作物产量验证

借助DNDC模型的作物生长子模型模拟生长过程,将产量的模拟结果与田间实测结果进行对比,用以验证模型对作物生长过程的模拟精度.将不同处理的大蒜和辣椒的模型模拟产量分别与实测产量进行比较,检验模型对种植作物的产量模拟是否准确,结果如表4所示.

表4 各处理中作物产量的模拟结果Tab.4 Simulation results of crop yield of each treatment

由表4模拟结果可以看出,CK处理的菜地中大蒜产量模拟值比实测值低1.84%,辣椒产量模拟值比实测值高16.85%.B-N处理的菜地中大蒜产量模拟值比实测值高1.55%,辣椒产量模拟值比实测值高13.91%.按作物种类来看,模型对大蒜产量模拟的误差相对较小,在2%以内;对辣椒产量模拟的误差相对较大,但总体误差控制在17%以内.对模拟效果进行评估,结果显示,大蒜产量模拟结果的NRMSE为3.18%,d为0.97;辣椒产量模拟结果的NRMSE为14.32%,d为0.93,模拟效果均较好.综合来看,模型对CK处理和B-N处理的作物产量模拟结果充分证明了模型对大蒜/辣椒套作模式的产量具有一定的模拟精度,为进一步模拟2种处理的氮损失情况提供了可靠的支撑.

2.2.2 土壤无机氮含量验证

向DNDC模型输入土壤理化性质本底参数,模拟作物生长的同时模拟土壤0~40 cm深度部分10 cm分层的无机氮含量(以N计)随施肥、灌溉及作物生长等变化的逐日变化.在作物生长周期内采集不同小区内土壤样品并测定其无机氮含量,从而验证模型对土壤无机氮的模拟精度.由于所采样品为20 cm分层,而模型模拟结果为10 cm分层,故使用0~10 cm及10~20 cm土壤无机氮模拟结果的平均值替代0~20 cm的数据,20~30 cm和30~40 cm土壤无机氮模拟结果的平均值替代20~40 cm的数据,结果如图1和图2所示.

图1 土壤NH4+-N含量模拟结果Fig.1 Simulation results of NH4+-N content in soil

图2 土壤NO3-N含量模拟结果Fig.2 Simulation results of NO3-N content in soil

由图1和图2可以看出,模型对2个处理组无机氮含量模拟效果均是0~20 cm土层深度的较好,20~40 cm土层深度的较差.进一步验证模拟精度发现,模型对CK处理0~20 cm土壤中NH4+-N含量模拟结果的NRMSE为21.23%,一致性指标d为0.67;对NO3--N含量模拟结果的NRMSE为10.86%,一致性指标d为0.91.对B-N处理0~20 cm土壤中NH4+-N含量模拟结果的NRMSE为20.65%,一致性指标d为0.63;对NO3--N含量模拟结果的NRMSE为25.53%,一致性指标d为0.35.模型对CK处理20~40 cm土壤中NH4+-N含量模拟结果的NRMSE为27.40%,一致性指标d为0.56;对NO3--N含量模拟结果的NRMSE为32.65%,一致性指标d为0.17.对B-N处理20~40 cm土壤中NH4+-N含量模拟结果的NRMSE为24.81%,一致性指标d为0.47;对NO3--N含量模拟结果的NRMSE为32.68%,一致性指标d为0.37.综合来看,模拟结果的误差表现为中等,误差总体在可允许范围内.总的来看,模型对土壤0~20 cm深度无机氮含量的模拟效果较为理想,但对20~40 cm深度无机氮的模拟效果相对较差.由于0~20 cm深度为作物根系的主要活动区域,因此可以认为模型对作物生长过程的氮收支过程具有较好的模拟效果.

2.3 模型的参数敏感性分析

本研究主要从气象因素、土壤的理化性质参数、作物参数以及种植管理措施4个方面对种植作物的产量及种植过程的NH3挥发损失、N2O排放、NO3--N淋溶影响的强弱进行分析.气象因素主要为温度、降水量;土壤的理化性质参数为土壤pH值及土壤总有机碳(SOC)、NO3--N和NH4+-N含量;种植管理措施参数主要为耕地深度、施肥量、施肥深度.除土壤NO3--N含量参数变异范围为±50%外,其他参数变异范围均为±20%,模型运行次数默认为4 000次.不同参数对作物产量、N2O释放、NH3挥发、NO3--N淋溶具有不同的敏感性,分析结果如图3所示.

图3 参数敏感性分析结果Fig.3 Results of parameter sensitivity analysis

从图3可以看出,对作物产量影响较大的参数为施肥量、土壤本底SOC、降水量、土壤pH值等,敏感性指数值分别为0.62、0.15、0.13、0.11、0.09.综合来看,施肥、灌溉等种植管理措施对作物产量影响最大.对土壤N2O释放影响较大的参数分别为施肥量、土壤pH值、温度、土壤本底SOC、土壤本底NO3--N等,其敏感性指数值分别为2.3、2.27、0.53、0.52、0.41.施肥量、土壤本底SOC、土壤pH值、耕地深度等参数对土壤NH3挥发具有较强的影响,敏感性指数值分别为1.11、0.87、0.29、0.22.气象因素、土壤理化性质参数以及种植管理参数均对菜地NO3--N淋溶有较强的影响,其中影响较强的有施肥量、温度、降水量,敏感性指数值分别为2.86、2.21、1.18.综合来看,施肥量对作物产量及N2O释放、NH3挥发、NO3--N淋溶等氮损失的影响均表现为最强.除施肥量外,不同途径的氮损失主要影响因素存在差异,土壤pH值对N2O释放具有重要影响,而NH3挥发主要受土壤本底SOC的影响,NO3--N淋溶则主要受温度及降水量的影响.

2.4 施用生物炭效果的分析模拟

2.4.1 施用生物炭对作物产量的影响

作物收获后的实际产量及氮、磷投入情况如表5所示.CK处理的大蒜产量比B-N处理的产量高2.2%,CK处理的辣椒产量比B-N处理的产量高2.6%,对不同处理间、不同作物间的产量进行差异统计学意义分析,结果显示,相同作物不同处理间产量的差异不具有统计学意义(大蒜产量P=0.914,辣椒产量P=0.888).从氮、磷投入量来看,B-N处理相较于CK处理,氮投入量减少了11.9%,磷投入量减少了12.7%,作物产量降低在3%以内,表明添加生物炭并改进施肥模式能在有效减少氮、磷投入的同时保证作物的产量,即在保证经济效益的同时降低菜地土壤的氮、磷流失风险.施用生物炭能降低土壤容重,提高土壤孔隙度,使作物根系获得更大的生长空间,进而增强生理功能,提高作物产量[14],这也是生物炭能提高作物产量的原因之一.

表5 作物产量及氮磷投入量Tab.5 Crop yield and nitrogen and phosphorus input

由于本研究中生物炭和施肥方式2个变量同时存在,不能明确B-N处理中的作物减产情况与施肥量及生物炭间的关系,故需要补充验证农户常规种植+推荐施肥(CK-N)处理及使用生物炭+常规种植施肥(B)处理下的作物产量情况.DNDC模型不仅可以用于模拟氮损失,也可用于田间实验的模拟研究[15-16].借助DNDC模型模拟CK-N及B两种处理下的作物产量,模拟结果如图4所示.

图4 菜地模拟实验作物产量Fig.4 Crop yield of vegetable field of simulation experiment

从模拟实验作物产量来看,无论何种处理对大蒜产量的影响都较小,其中CK、CK-N、B处理的大蒜产量一致,而B-N处理的作物产量与其他处理相比提高了0.03%,几乎没有差距.不同处理间辣椒产量具有较大差异,其中CK与B处理的辣椒产量相同,且为最高水平,这表明生物炭的使用并不会导致作物的减产;而CK-N处理及B-N处理相较于常规施肥模式下的CK处理与B处理均发生减产,其中CK-N处理减产44.85%,B-N处理减产4.99%,这表明本研究中的作物减产主要受施肥量的影响.添加了生物炭处理的减产程度低于常规种植的减产程度,间接证明了生物炭的增产效果.推测导致减产的原因为:使用推荐施肥方式后,投入的氮养分减少,导致土壤中累积的养分减少.5月份在大蒜收获后,辣椒生长期长期高温多雨的气象条件导致土壤氮养分流失加剧,辣椒养分短缺;而在添加了生物炭的菜地,生物炭的吸附作用可将养分有效存储在土壤中,并在后续的作物生长过程供作物吸收利用.

2.4.2 施用生物炭对土壤表层无机氮的影响

根据DNDC模型输出的土壤无机氮含量变化(图1、图2)可以看出,施肥后CK与B-N处理的土壤表层(0~20 cm)中NH4+-N含量存在较大差异,而NO3--N的含量基本保持一致.受施肥量影响,土壤NH4+-N和NO3--N含量均表现出CK处理高于B-N处理,但在作物收获后两种处理方式的无机氮含量均降到较低且含量接近.CK处理的表层土壤NH4+-N含量在10月上旬因为灌溉的影响发生断崖式下降,而同样灌溉的B-N处理的表层土壤NH4+-N含量仅发生了较小的波动后便平缓下降,表明B-N处理中施用生物炭有效减缓了土壤表层NH4+-N向深层的运移.

2.4.3 施用生物炭对氮损失的影响

农田的氮损失主要以径流、淋溶、氨挥发和硝化-反硝化4种方式进行.其中:径流损失主要损失可溶性速效氮及吸附于泥沙等颗粒的固态无机态氮和有机态氮;淋溶损失主要以NO3--N淋失为主;氨挥发和硝化-反硝化的损失主要以NH3、NO、N2O、N2等气态损失为主[17].DNDC模型内置的地表径流模拟模块为大尺度流域模拟,对小流域模拟数据要求高且参数校正困难[18],模拟结果误差可能偏大.因此,本研究氮损失(以N计)模拟主要以气态氮损失(NO、N2O、N2和NH3)和淋溶氮损失(NO3--N)为主,模拟结果如表6所示.由表6可知,B-N处理的氮损失均低于常规种植CK处理,同种途径的氮损失在不同处理间的差异具有统计学意义(P=0.002 76).模型模拟出的5种氮损失途径整体显示出NH3>NO3--N淋失>N2O>NO>N2的特征,其中两种处理的NH3挥发损失占总损失的比重均达到97%以上.CK处理和B-N处理的氮损失模拟结果显示,B-N处理的N2O损失通量较CK处理减少0.29 kg/hm2,NO损失通量减少0.22 kg/hm2,NH3挥发损失通量减少39.59 kg/hm2,NO3--N淋溶损失通量减少0.39 kg/hm2,除N2之外的其余4种途径的损失通量降低率均大于25%,部分甚至大于40%.CK处理中氮损失模拟结果占总体氮投入量的24.8%,B-N处理中该数值为18.0%.B-N处理的氮损失量占总体氮投入量比重小于CK处理,表明B-N处理下的氮肥损失更少,因此B-N处理的氮肥利用率也相对更高.

表6 菜地氮损失量模拟结果Fig.6 Simulation results of nitrogen loss in vegetable field

3 讨论

本研究首次使用DNDC模型模拟施用生物炭后菜地的大蒜和辣椒产量及种植过程的氮损失.结果表明,DNDC模型能较准确地模拟施用生物炭并降低施肥量后的作物产量,验证了施用生物炭能促进作物对肥料养分利用的特点,这与张伟明等[14]研究的生物炭能提高作物氮肥利用率的结论一致.本研究对研究区作物产量进行模拟,大蒜产量误差相对较小,辣椒产量误差相对较大.可能是由于辣椒种植周期为4—9月,期间降水较多,地表养分随地表径流运移出菜地,导致总体可利用养分减少,进而使辣椒生长期内受到养分制约.DNDC模型能较好地模拟出氮素在垂直方向上的动态运移,却不能模拟土壤水分在其他方向的运移情况,因此该模型忽略了表层养分随径流的流失,产生模拟作物产量高于实测的情况.李虎等[19]也曾在研究中指出过模型的这一缺点,并提出使用其他水文空间分布模型如SWAT、MIKESHE等辅助DNDC模型更准确地模拟氮素的运移及环境效应.

有关施用生物炭减少氮损失的研究在国内外均有报道.生物炭的独特结构使其对NH4+具有较强的吸附能力[20],降低了NH4+转化为NH3的比例,一方面使得土壤中具有较高含量的NH4+供植物生长所需,另一方面也减少了土壤中NH3的含量,减弱了NH3在固-液-气界面的迁移转化[21],进而降低了土壤的NH3挥发损失.此外生物炭对NH4+的吸附能力减缓了NH4+向NO3-的转化,导致同样土壤理化性质及施氮水平下,施用生物炭菜地的NO3-含量稍低于未施用生物炭菜地的含量.而前文提到淋溶主要以NO3-为主,因此NO3-含量相对较低的施用生物炭的菜地氮流失风险低于未施用生物炭的菜地,进而表明施用生物炭有效降低了土壤的NO3-淋溶损失,这与高德才等[22]的研究结果一致.由于生物炭具有多孔结构,添加至土壤后能有效降低土壤容重,提高土壤通气性,改善土壤厌氧状况[23],进而降低了土壤中反硝化细菌将NO3-还原为NO、N3O、N3等气体的排放通量.Zhang等[24]的研究中也曾得出施用生物炭减少反硝化过程含氮气体排放的结论.Ding等[25]在使用竹炭对土柱中氮保留和淋失评估的研究中发现添加竹炭能有效阻止NH4+-N向下运移,在20 cm深度处的NH4+-N浸出损失减少了15.2%.Cox等[26]也在研究中发现生物炭对土壤中的NH4+-N和NH3有很强的吸附作用.由于作物的根系大多位于土壤的浅层,因此添加生物炭能将较多的NH4+-N吸附在土壤浅层,有利于作物对无机氮的吸收,进而提高了肥料的利用率[14].钟雪梅等[27]和Magrinibair等[28]的研究中均指出生物炭能提高氮肥利用率,这也与本研究中施用生物炭、减少施肥量而作物产量没有明显降低的结果对应,这表明施用生物炭能有效固持土壤中易被作物吸收的无机氮,进而提高作物吸氮量,达到了一定的稳产效果.

4 结论

(1)DNDC模型能较准确地模拟出施用生物炭并减少施肥量后的作物产量,表明DNDC模型在模拟施用生物炭的方面具有一定的可行性,其中作物产量模拟误差在17%以内.

(2)DNDC模型的敏感性分析结果显示,施肥量、土壤本底SOC、土壤pH值等是影响作物产量和种植过程中氮损失的重要因素.

(3)施用生物炭并减少施肥量能在保证作物产量的前提下减少11.9%~12.7%的氮、磷投入,表明施用生物炭能有效减少施肥量并达到稳产效果,降低了氮、磷流失风险.

(4)施用生物炭并减少施肥量有效减少了菜地的氮损失,其中除N2损失方式降低率为1.14%以外,NO、N2O、NH3、NO3--N淋失4种氮损失方式降低率达26.37%~41.26%.

猜你喜欢
施肥量作物生物
生物多样性
蔬菜施肥量控制技术指南
生物多样性
上上生物
光照条件、施肥量和播种时期等对几种野生芹菜生长及产量的影响
作物遭受霜冻该如何补救
四种作物 北方种植有前景
第12话 完美生物
内生微生物和其在作物管理中的潜在应用
水稻侧深施肥技术试验总结