不同模拟方法对稻麦轮作系统温室气体估算差异

杨雨茗. 不同模拟方法对稻麦轮作系统温室气体估算差异［J］. 江苏农业科学，2024，52（7）：231-240.

doi：10.15889/j.issn.1002-1302.2024.07.031

（河海大学环境学院，江苏南京 210098）

摘要：温室气体排放导致的全球气候变化问题是社会关注的重要问题，如何较准确地估算各领域内的温室气体排放通量对制定减排策略具有重要意义。为分析研究区水稻—冬小麦轮作系统温室气体（CH4、N2O）排放水平，对比IPCC2006 Tier2及DNDC模型法估算研究区稻麦轮作系统的CH4和N2O排放通量估算差异，定量评估DNDC模型是否适用于轮作系统的温室气体排放估算。 于2015—2018年进行稻麦轮作野外试验，利用静态箱-气相色谱分析法定期测定CH4和N2O排放通量，结合田间管理和气象数据开展IPCC2006 Tier2和DNDC模型模拟，利用DNDC模型模拟轮作和非轮作情景的稻麥温室气体排放通量。结果表明，DNDC模型可以较好地模拟出稻田CH4、N2O和麦田N2O排放通量时序变化特征，估算误差分别为-4.8%、-11.6%、-10.8%，精度优于IPCC2006 Tier2；DNDC模型对稻麦轮作的GWP模拟精度高于IPCC2006 Tier2，稻田和麦田GWP模拟相对误差分别为-5.9%、-21.7%；除了冬小麦生育期CH4排放通量，DNDC轮作模式对其他稻麦轮作温室气体排放通量的模拟相对误差均低于非轮作模式。进而为区域农业温室气体估算及制定减排方案提供科学依据。

关键词：稻麦轮作；DNDC模型；IPCC2006 Tier2；温室气体

中图分类号：S181；S344.1  文献标志码：A  文章编号：1002-1302（2024）07-0231-09

气候变化是当前国际社会最关注的议题之一，人类活动排放的大量温室气体是气候变化的主要原因，尤其是近50年，人类活动对气候变化的影响愈加严重［1-2］。甲烷（CH4）和氧化亚氮（N2O）作为主要的温室气体，自工业革命以来，大气中的浓度分别增加150%、20%。水稻和冬小麦田是CH4和N2O的重要排放源，据估算，我国水田和旱地每年约排放6.85 Tg CH4和1.6 Tg N2O［3-4］。农田扮演着粮食生产和温室气体排放源/汇2个重要角色，如何较准确地估算出农田温室气体排放量，是科学家们的重要关注点。当前区域农田温室气体估算方法主要分为3种：排放系数法、经验模型法和机理模型法。排放系数一般根据当地的点位试验得出，其与研究区域面积的乘积即为总排放通量，在缺少试验数据的情况下，可采用联合国政府间气候变化专门委员会（IPCC）的推荐值。该方法计算简便，输入项少，适用于地区或国家间的温室气体评估工作，因此，该方法被广泛应用于国家间和全球尺度的排放清单研究中，被视为区域农田温室气体估算研究的参考值。农田温室气体排放系数与环境因素之间存在复杂的响应关系，如土壤、气象条件和施肥量等，因此估算结果有较大的不确定性［5-6］。经验模型是利用数学方法定量得出试验中温室气体排放通量与各因素之间的关系，并进一步外推到大尺度。经验回归模型的数学表达式直观易懂，各因素与排放通量之间的关系易于解释，研究者可以根据回归系数判断出各因素对温室气体排放通量的影响和重要性。在经验模型中考虑的因素一般包括气象因素、施肥和其他植被信息［7］。但经验模型法的精度易受数据源的影响，不同的数据集会得出不同的模型表达式，进而降低模型的可信度。因此，使用该方法时需收集尽可能多或代表性的实测数据。不同于上述2种方法，机理模型更复杂，其由众多表征生物化学反应的函数构成。不同机理模型之间也存在诸多差异，这主要和模型建立者最初的目的和关注点有关，有些模型侧重于更少的输入项，结合众多经验函数，因此适用于更广泛的区域；有些模型更侧重于机理，需要更多的输入项来驱动多种理化方程［8］。以CH4模型为例，最早的CH4排放机理模型是1986年的Lovely模型，随后的40年中，农田CH4排放通量的理论基础不断发展，多种模型应运而生，如DeNitrification-DeComposition[JP2]（DNDC）、CH4MOD、Daily Century Model（DAYCENT）[JP]等。机理模型也拥有点位和区域尺度上的估算能力，目前机理模型的发展方向是与其他技术耦合获得更加可信的估算结果［9］。机理模型最大的优势是可以模拟不同时空尺度的温室气体排放通量，得出温室气体排放热点时段和热点位置，为后期减排措施的制定提供重要的参考依据。机理模型一般需要较多的输入数据，如土壤属性、作物参数和气象数据等，部分难以获取的数据只能通过经验或默认值运行，会造成一定的误差。对于农田温室气体估算而言，并不存在最好的方法或标准，研究者需根据研究对象以及研究目的来选择最佳的研究方法。

农田温室气体的排放时空差异大，且受多因素复合影响，给温室气体排放通量估算造成了很大的困难，基于不同模拟方法的估算值也会产生较大差异。排放系数法、多元回归模型法以及机理模型法是点位温室气体排放通量估算研究中常用的方法，在水稻和冬小麦的温室气体排放通量估算研究中有广泛应用［10-12］。前人关于稻麦作物的温室气体排放通量估算研究大多只关注1种（季）作物，忽略了前茬作物对后茬作物农田土壤环境的影响。在真实农田生态环境中，前一季作物的秸秆、氮素残留及土壤性质的变化会显著影响下一季农田土壤环境和作物生长。Ren等通过3年大田轮作试验，发现不同前季作物会显著改变下一季作物氮利用率［13］。Cha-un 等对比4种不同轮作，发现不同轮作之间产量、温室气体和有机碳（SOC）含量均存在显著差异，主要原因是不同前季外源碳输入量会改变下一季作物可用碳水平［14］。排放系数法无法动态地模拟田间轮作情况，估算结果可能产生误差。IPCC排放系数法在估算单一作物温室气体排放通量时，计算简便，输入量均为田间易获取的参数，但无法在日尺度上评估温室气体排放通量。DNDC机理模型可以在日尺度上动态地模拟碳氮循环过程，在以轮作形式模拟的过程中，[JP2]前季的土壤SOC含量等参数和秸秆残留会连续输入下一季的模拟数据库中，可以更真实地模拟出轮作系统的温室气体排放。

本研究在2015—2018年田間试验的基础上，利用IPCC2006 Tier2及DNDC模型法估算稻麦作物的CH4和N2O排放通量，对比验证不同估算方法在本研究区的适用性；利用轮作和非轮作的模拟方法对比DNDC模型在稻麦轮作温室气体模拟中的精度，评估DNDC模型是否适用于轮作系统的温室气体排放通量。

1 数据来源与研究方法

1.1 试验设计

本研究收集2015年5月至2018年5月南京信息工程大学农业气象试验站试验田中的数据。水稻和冬小麦供试品种为南粳46和苏科麦1号。大田试验未设置处理，共计6个小区，每小区面积为 4 m2（2 m×2 m），所有小区间有垄做隔断，小区间互不影响。具体管理方式及日期见表1。

1.2 温室气体数据采集及通量计算

本研究温室气体采集和检测方法为静态箱-气[CM（21]相色谱分析法。圆柱体静态箱为透明聚氯乙烯（PVC）塑料材质，直径17 cm，总高度1.1 m。静态箱由基座、柱体和箱盖组成，桶内安装电子温度计记录桶内气温，箱盖内嵌有微型电风扇。箱盖上方有密闭采样孔，可利用注射器采集箱内气体。气体采样周期为7 d，采样时间为08：00—11：00，采样日期根据天气情况微调，选择晴朗少云的天气进行。每次采样前15～20 min，将箱体和箱盖依次放置，基座及箱体水槽处均灌水作密封处理，接通桶内小电扇15 s，充分混合桶内气体。采样时用三通阀注射器（100 mL）抽取桶内气体，注入50 mL真空玻璃瓶中。每次采样间隔15 min，并记录桶内温度，重复3次，即每块小区获得3个样品。在稻麦生育期中，温室气体采样时间根据当天天气微调，为避免采样过程对幼苗长势产生影响，在作物生长前期均未采样。

样品采集完成后尽快送至实验室，用气相色谱仪（安捷伦GC7890B）检测样品中温室气体（CH4、N2O）浓度。色谱仪的色谱柱为 Porapak Q填充柱，型号为G3591-81013，载气N2，柱箱温度50 ℃，FID检测器温度为200 ℃，空气和H2流量分别为400、45 mL/min。根据样品气体浓度数据和公式（1）计算温室气体排放通量。

F=ρ·H·60·273.15273.15+T·dcdt。（1）

式中：F表示温室气体排放通量，mg/（m2·h）；ρ表示标准状态下气体密度（CH4为0.714 kg/m3，N2O为1.25 kg/m3）；H表示采样桶高度，m；T表示采样期间桶内温度， ℃；dc/dt表示桶内气体浓度随时间变化的回归曲线斜率。

1.3 DNDC模型模拟

1.3.1 DNDC模型简介

DNDC模型作为机理模型，可模拟日尺度的温室气体排放通量以及多种空间尺度的温室气体排放通量、产量和SOC含量等。DNDC模型包含两大模块，第1个模块由土壤环境、作物生长和分解子模块组成，该模块根据输入的生态驱动因子（气候、土壤、植被和人类活动等）数据，计算土壤温度、pH值、氧化还原电位（Eh）和土壤中的基质浓度；第2个模块包含硝化反应、反硝化反应和发酵子模块，该模块根据环境因素预测N2O、NO、CH4等温室气体排放通量。模型通过多种函数方程来表述土壤碳氮循环过程，将“环境-作物-土壤”视为有机的统一体，利用驱动数据模拟碳氮元素的分配和去向［15］。

1.3.2 DNDC模型模拟

为评价DNDC在稻麦轮作土壤温室气体估算中的精度，在点位模拟模块中模拟稻麦CH4和N2O日排放通量，并与2015—2017年实测值进行对比，分析排放特征及对比排放通量。分别设置轮作和非轮作2种模拟情景，在轮作模拟过程中，连续模拟4年3季稻麦轮作的温室气体日排放通量；在非轮作模拟过程中，单独模拟每季作物温室气体日排放通量，前后季作物无关联，每季的土壤参数初始值均与2015年参数相同，仅改变当年气象输入数据和田间管理参数。由于采样频次限制，温室气体累计排放通量实测值为采样日排放通量线性插值后累加，DNDC累计排放通量为模拟结果的日值之和。对比分析2种模拟方法的温室气体排放通量和累计排放通量模拟精度，模拟精度评价指标为相对误差（Re）。

Re=Ymodel-YobservedYobserved。（2）

式中：Ymodel、Yobserved分别表示模型模拟值、观测值；从Re可以看出模拟值越接近观测值，模拟效果越好。

1.3.3 DNDC模型敏感性分析

本研究利用敏感性分析来确定DNDC模型稻麦农田温室气体排放通量对环境等诸多因素的响应。稻田温室气体敏感性分析考虑的要素有年均气温（T）、年累计降水量（P）、晒田期间平均气温（Tm）、晒田期间累计降水量（Pm）、SOC含量、pH值、施肥量（F）和秸秆还田量（S）；麦田温室气体敏感性分析考虑的要素有年均气温（T）、年累计降水量（P）、SOC含量、pH值、施肥量（F）和秸秆还田量（S）。每个要素均设置一定的变化范围，依次输入模型中模拟，各参数设置的变化范围见表2。敏感性分析输入的气候和管理方式等以2015年稻麦种植参数为基准，在2015年气候和土壤等参数的基础上模拟并分析，敏感性指数计算公式如下［16］。

SI=Omax-OminOaveImax-IminIave。（3）

式中：SI表示敏感性指数（sensitive index）；I表示各种要素，Imax、Imin分别表示输入的该要素的最大值、最小值，Iave表示Imax和Imin的平均值；O表示输入对应要素I后的DNDC模型CH4或N2O模拟值，其中Omax、Omin分别表示温室气体排放通量的最大值、最小值，Oave表示Omax和Omin的平均值。SI的绝对值越大，则温室气体对该要素的变化越敏感。

利用IPCC 2006 Tier2计算稻麦轮作土壤温室气体排放通量，与田间试验和区域模拟结果对比和验证。由于旱田一般呈CH4的“汇”，且CH4吸收量较小，因此本研究不考虑麦田CH4排放通量的计算，具体计算方法如下。

N2Ofertilizer=EFN2O·Napplied/28×44；（4）

CH4paddy=EFi·t；（5）

EFi=EFdrfault·SF1·SF2·SF3·SFt。（6）

式中：N2Ofertilizer表示稻麥田N2O排放通量（以N2O-N计），kg/（hm2·年）；EFN2O表示排放系数（以 N2O-N 计），kg/（hm2·kg）；Napplied表示施氮量，kg/hm2；CH4paddy表示稻田CH4排放通量，kg/（hm2·年）；t表示水稻生育期时长，d；EFi表示计算后的排放系数（以CH4计），kg/（hm2·d）；EFdefault表示稻田CH4排放系数默认值，为 1.3 kg/（hm2·d）；SF（scaling factor）表示不同田间管理方式的调节系数，本研究中SF考虑了秸秆还田（SFstraw）、水分管理（SFwater）和季前淹水时长（SFpreseason），因此选取IPCC2006推荐值，具体参数见表3。

1.5 全球增温潜势

本研究利用全球增温潜势（GWP）综合评价研究区温室气体排放水平和模拟差异，计算公式为

GWP=25×［CH4］+298×［N2O］。（7）

式中：GWP表示全球增温潜势［以二氧化碳当量（CO2-eq）计］，kg/hm2；［CH4］、［N2O］分别表示CH4、N2O排放通量，kg/hm2；25、298分别表示CH4、N2O的百年尺度增温潜势［17］。

2 结果与分析

2.1 DNDC模型温室气体模拟

2.1.1 模型敏感性分析

由表4可知，水稻生育期内CH4累计排放通量对温度、降水、土壤属性及管理措施等敏感性有较大差异。晒田期间降水Pm、pH值和施肥量F的CH4敏感性指数为0，说明稻田CH4排放通量对上述指标的变化无响应，T、P、Tm和SOC含量越高，CH4排放通量越高。CH4排放通量对水稻生育期内年均气温T和晒田期间平均气温Tm的变化最敏感。由于稻田为覆水形式，水稻的生长不存在缺水的情况，因此对生育期间年累计降水量P和晒田期间累计降水量Pm的变化不敏感。CH4排放通量对SOC含量和pH值的敏感性较弱，敏感性指数分别为0.25、0。

水稻N2O排放量对上述指标的变化均有不同程度的响应。水稻N2O排放通量对晒田期间平均气温Tm最敏感，其次是平均气温T；对生育期间累计降水量P、晒田期间累计降水量Pm、SOC含量和施肥量F变化的敏感性较弱，高pH值的土壤环境反而会抑制N2O排放。

DNDC模型中冬小麦CH4排放通量对上述参数的变化无响应，敏感性指数均为0。冬小麦N2O排放通量对年均气温T、年累计降水量P、pH值和施肥量F均有较强的敏感性。其中，冬小麦N2O排放通量对温度变量的敏感性最强，但温度升高反而会降低N2O排放通量；降水量和施肥量的增加，均有利于N2O排放；土壤要素中，冬小麦N2O排放通量对pH值的响应程度高于SOC含量，与稻田相同，高pH值的冬小麦土壤环境会抑制N2O的排放。

2.1.2 稻田温室气体排放通量模拟

由图1-a可知，DNDC点位模拟可以较好地模拟出2015—2017年水稻CH4排放通量。2015年DNDC稻田CH4排放通量模拟结果与实测值排放特征一致， 但在中期

晒田前，DNDC模型低估了排放通量，在晒田后高估了排放通量。晒田期间模拟结果较好，实测值和模拟值均在0附近，晒田结束并覆水后，实测值均较低，而DNDC模拟得出2个排放峰值，并在落水待收获期间降至0。在DNDC轮作和非轮作模拟过程中，2015年均为模拟过程的起始年份，因此2种模拟方式的估算值相同。2016年DNDC模型CH4排放通量模拟值与实测值趋势相同，均模拟出中期晒田前后的2次峰值。但DNDC第2次峰值低于实测值，且CH4排放峰持续时间更长。在中期晒田前，轮作模拟方式下的稻田CH4排放通量低于非轮作模拟值，在中期晒田后，2种模拟方式的CH4排放通量差异较小。2017年DNDC模型较好地模拟出晒田前后的峰值和变化趋势，但CH4排放峰模拟值均低于实测值； 与2015年的模拟相同，2017年DNDC模拟值高估了覆水后的CH4排放通量。2017年DNDC模型的轮作和非轮作CH4排放通量模拟结果趋势相同，轮作模式的模拟值低于非轮作的模拟值。

由图1-b可知，2015年DNDC模型的水稻N2O排放通量模拟值与实测值偏差较大，DNDC模型的水稻N2O排放通量均在低值附近，而实测值正负交替且波动较大，DNDC无法较好地模拟出2015年N2O的排放和吸收特征。在水稻生育中前期，2015年轮作模式下的N2O排放通量高于非轮作模式下的排放通量，在水稻生育中后期，2种模拟方式的N2O排放通量无差异。2016年DNDC模型模拟出晒田期间N2O排放峰，模拟峰值低于实测值。在淹水期间，DNDC模型的N2O模拟值均在0值附近，且轮作模式下的N2O模拟值高于非轮作模式。2017年N2O排放通量实测值和模拟值较低，仅在晒田期间有微弱排放峰，其他淹水时期均无明显的排放峰，轮作模拟方式得出中期晒田期间的N2O排放峰，而非轮作模拟方式的N2O无明显排放峰。

对比2种不同模拟方式下的稻田CH4和N2O累积排放量可知，DNDC模型在轮作模拟方式下的相对误差低于非轮作模拟方式（表5）。DNDC模型可模拟出稻田CH4的年际变化差异，2016、2017年CH4模拟误差较大，绝对值均大于20%。3年稻田CH4平均模拟误差较小，轮作模式下的相对误差为-4.8%，非轮作模拟方式高估了CH4的排放通量，相对误差为16.8%。2种模拟方式下，DNDC模型均低估了2015年、2016年的N2O排放通量，而高估了2017年的N2O排放通量。轮作模式下N2O排放通量相对误差为-16.1%，非轮作模拟方式进一步低估了排放通量，相对误差为-54.2%。

2.2 麦田温室气体排放通量模拟

由图2-a可知，DNDC模型无法准确地模拟出麦田CH4的排放和吸收特征，模拟值与实测值之间差异较大。DNDC模型模拟得出冬小麦土壤为CH4的吸收“汇”，排放通量均在0附近波动。由表6可知，轮作模拟方式下的CH4排放通量大于非轮作模拟方式。

麦田是N2O重要的排放源，由图2-b可知，DNDC模型较准确地模拟出N2O排放通量变化特征。2016年麦季，模型准确地模拟出施肥后的第1个N2O排放峰，但模拟值低于实测值，而模型中第2个施肥后N2O排放峰高于实测值。在施肥前，DNDC模型N2O模拟值均在0值附近。轮作模拟方式下的N2O排放通量略高于非轮作模拟值。2017年DNDC模型模拟得出3次N2O排放峰，与N2O实测值排放峰出现的时间相同，但模拟值均低于实测值。DNDC模拟结果中，N2O第2个排放峰出现的时间早于实测值1周，随后回落至0附近。在冬小麦生育中前期，轮作模拟方式下的N2O排放通量高于非轮作模拟方式。2018年DNDC模拟值与实测值均较低，且无明显波动，DNDC模型中N2O排放峰均出现在施肥后，轮作模拟方式下的N2O排放通量略高于非轮作模拟方式。

对比2种不同模拟方式下的麦田CH4和N2O排放通量可知，本研究中DNDC模型无法准确地模拟出麦田CH4排放通量，误差较大。DNDC可以准确地模拟出麦田N2O排放的年际差异，2016—2018年N2O排放通量先上升后下降。在轮作模拟方式下，DNDC模型2016年、2018年模拟值分别低估和高估28.5%、22.6%的N2O排放通量，3年平均相对误差为-10.8%。在非轮作模拟方式下，模型对2018年模拟结果较好，相对误差为11.3%，3年平均相对误差为-18.1%（表6）。

2.3 IPCC2006 Tier2及DNDC模型对比分析

利用IPCC2006 Tier2和DNDC模型计算2015—2017年稻麦温室气体GWP。由表7可知，根据IPCC2006 Tier2排放系数推荐值计算得出的水稻GWP远高于实测值，约为实测值的2倍，仅下限值接近实测值。DNDC模型的GWP模拟值与实测值接近，且DNDC模型轮作模拟结果与实测值误差更小，相对误差为 -5.9%，非轮作方式模拟高估了10.2%的GWP。DNDC模型的2种模拟方式均高估了2015年、2016年的水稻温室气体GWP，而低估了2017年稻田温室气体GWP。

由表8可知，IPCC2006 Tier2麦田GWP模拟值远高于实测值，约为实测值的4倍。DNDC模型模擬值与实测值相比误差较小，轮作和非轮作模拟方式的麦田GWP估算相对误差均约为-22%。DNDC模型的2种模拟方式均低估了2016年、2017年的麦田温室气体GWP，而高估了2018年的温室气体GWP。

3 讨论

3.1 估算结果对比分析

本研究基于DNDC模型的稻麦温室气体GWP模拟值总体上低于IPCC2006 Tier2的模拟值，且均低于实测值。由于未考虑区域间的土壤性质和气候环境差异，IPCC系数法更适用于大尺度的估算，在特定的农田环境和点位模拟中会造成较大的误差。与本研究结论相同，Deng等对比DNDC与IPCC排放系数法发现，基于DNDC模型得出的我国农田土壤N2O排放系数为0.25%～0.50%，显著低于IPCC推荐值1%，且一些减排措施的成效也低于IPCC评估结果［18］。在一项IPCC系数法和机理模型的对比研究中，DAYCENT和DNDC模型均低估了我国水稻和冬小麦的N2O排放通量，虽然在日尺度上难以精确地预测排放峰值出现的时间，但机理模型的模拟精度更高［19］。本研究点位N2O累计排放通量模拟研究发现DNDC模型可以有效地模拟出冬小麦的N2O排放通量，而IPCC系数法误差较大，这是因为DNDC模型考虑了N2O排放敏感因子降水、pH值和SOC含量（表3）。本研究基于DNDC模型的稻田CH4排放通量相对误差为-4.8%，在不同年份有一定的高估和低估，但整体精度较高。与本研究结论相同的是，Katayanagi等利用DNDC模拟结果得出的水稻CH4排放系数可以显著提高日本稻田区域的模拟精度，估算精度显著高于IPCC Tier2的估算结果［20］。DNDC模型稻田CH4排放通量的时序变化特征与实测值较吻合，在晒田前后均出现峰值，但均低估了晒田前CH4排放通量，高估了晒田后CH4排放通量。可能原因是模型中秸秆的C/N决定了有机质的分解速率，模型中前一季还田的秸秆C/N高于实际值，土壤中的分解速率低于实际值，因此在DNDC中秸秆分解并转化为可用碳的速率低于实际环境，生育前期CH4排放通量较低，在水稻生育中后期，模型中未被分解消耗的碳含量高于实际值，因此排放通量较高。DNDC无法有效地模拟出麦田CH4的吸收或排放特征，低估了麦田N2O排放通量，模型得出冬小麦生育期间麦田均呈CH4的“汇”，而实测值正负波动较大。Zhang等利用DNDC模拟稻麦轮作温室气体，发现模型中麦季CH4通量和实测值均在0附近，DNDC模型N2O排放峰模拟值低于实测值2～4倍，但生育期排放通量的整体精度较高（R2=0.7），可能是因为DNDC在降水后的土壤湿度模拟上产生了偏差，在生育期尺度上的碳氮分配受土壤湿度的影响较小［21］。综上，虽然DNDC模型在温室气体峰值出现的时间或峰值水平上有一定误差，但在生育期尺度上估算出农田温室气体有明显的优势。

然而，DNDC模型模拟水稻N2O和冬小麦CH4排放通量以及累计排放通量出现较大偏差（图1、图2、表5、表6）。造成模拟与实测之间较大偏差的主要原因可能是模型不足以及温室气体排放量数量级低：静态箱-气相色谱仪分析法和微气象法等在温室气体监测过程中均将植株和土壤视为一个整体，监测“植被-土壤-大气”系统的排放通量，认为植株在农田温室气体排放中仅是土壤N2O向大气传输的通道。然而，随着研究的深入以及同位素技术的发展，发现在水稻植株线粒体内的NO可被还原成N2O，水稻植株本身也被认为是重要的N2O潜在排放源［22］，植株生成的N2O约占生态系统N2O排放量的30%［23］。而DNDC等现有碳氮模型均不具备模拟或估算植株源N2O排放的功能，因此模拟结果存在偏差。且模型中未考虑环境驱动因素对根际的影响，因此在模拟水田环境下的N2O值基本在0值附近波动［24］。在实际田间环境中，降水及土壤湿度是影响旱田CH4排放的重要因素［25］，而由DNDC敏感性分析结果可知，冬小麦田的CH4排放通量对主要参数的变化均不敏感，说明DNDC模型本身在模拟旱田CH4时存在一定的不足（表4）。Guest等通过对比DNDC和其他碳氮模型，发现DNDC模型可以简化土壤的剖面结构，将表层土壤参数分配至根部深度的土壤，而实际中表层土壤的持水能力均高于深层土壤，因此DNDC模型高估13%～30%的土壤湿度，造成旱田CH4模拟误差［26］。水田N2O和旱田CH4排放通量数量级较低是也是造成较大估算误差的重要原因，但是上述2种气体排放通量较低，在轮作系统内所占比例较小。本研究稻田N2O和旱田CH4的GWP仅占稻麦轮作农田GWP的7.8%，因此对稻麦轮作系统的温室气体估算精度影响较小。

相较于IPCC2006 Tier2，本研究DNDC模型更能准确地模拟出试验点稻麦轮作GWP，在未来的区域模拟中可以更有效地评估排放水平和减排成效。

3.2 DNDC模型模拟分析

已有研究主要利用机理模型模拟不同轮作影响温室气体的排放，有关轮作和非轮作模拟方式下温室气体排放差异的研究较少。相较于非轮作模式，轮作模式下连续模拟的温室气体值误差更小，但2种模拟方法的温室气体排放通量时序变化特征基本相同。以稻田CH4和麦田N2O为例，DNDC轮作模拟方式下的稻田CH4排放通量低于非轮作模拟方式，轮作模式下麦田N2O排放通量高于非轮作模拟方式。由敏感性分析结果可知，这可能是因为轮作模式下秸秆还田影响稻麦农田SOC含量动态变化，非轮作模式下SOC含量初始值均为定值 19.4 g/kg，秸秆还田会增加土壤中SOC和氮含量，有利于生成CH4和N2O［27］。然而，本研究中轮作模式下的稻田CH4低于非轮作模拟方式，可能是因为轮作模式下麦季SOC含量下降，[JP2]导致下一稻季的SOC水平低于19.4 g/kg。Ghimire[JP3]等认为，稻田SOC水平一般高于旱田，且旱田的碳封存能力有限，冬小麦0～30 cm土壤的SOC含量会以每年100～300 kg/hm2[JP]的速率減少［28］。而水田的厌氧环境有利于碳封存，厌氧环境会降低SOC的转化，碳稳定性增强，因此水田碳封存能力约为旱田的5.3倍［29］。在区域模拟过程中，若不考虑轮作的影响，简单地将点位模拟结果外推可能会高估稻田CH4及低估麦田N2O排放通量。

4 结论

本研究利用IPCC2006 Tier2和DNDC模型分别模拟稻麦轮作的CH4和N2O排放，发现DNDC模型相对误差较小。DNDC模型可以较好地模拟出稻田CH4、稻田N2O、麦田N2O排放通量时序变化特征，平均相对误差分别为-4.8%、-11.6%、-10.8%，但对麦田CH4的模拟精度较差。DNDC模型对稻麦轮作的GWP模拟精度高于IPCC2006 Tier2，稻田和麦田GWP模拟相对误差分别为-5.9%、-21.7%，除了冬小麦生育期CH4排放通量，DNDC轮作模式模拟相对误差均低于非轮作模拟模式。因此，在种植模式复杂的地区温室气体估算研究中不可以忽略轮作模式的影响，减小估算误差。在未来的研究中可进一步对比其他机理模型和经验模型的估算精度，为农业区域温室气体估算提供科学依据。

参考文献：

［1］丁一汇，任国玉，石广玉，等. 气候变化国家评估报告（Ⅰ）：中国气候变化的历史和未来趋势［J］. 气候变化研究进展，2006，2（1）：3-8.

［2］秦大河，陈振林，罗 勇，等. 气候变化科学的最新认知［J］. 气候变化研究进展，2007（2）：63-73.

［3］Luo Z B，Lam S K，Fu H，et al. Temporal and spatial evolution of nitrous oxide emissions in China：assessment，strategy and recommendation［J］. Journal of Cleaner Production，2019，223：360-367.

［4］Zhang W，Yu Y Q，Huang Y，et al. Modeling methane emissions from irrigated rice cultivation in China from 1960 to 2050［J］. Global Change Biology，2011，17（12）：3511-3523.

［5］Wang Y J，Guo J H，Vogt R D，et al. Soil pH as the chief modifier for regional nitrous oxide emissions：new evidence and implications for global estimates and mitigation［J］. Global Change Biology，2018，24（2）：e617-e626.

［6］VanderZaag A C. On the systematic underestimation of methane conversion factors in IPCC guidance［J］. Waste Management，2018，75：499-502.

［7］Sundqvist E，Persson A，Kljun N，et al. Upscaling of methane exchange in a boreal forest using soil chamber measurements and high-resolution LiDAR elevation data［J］. Agricultural and Forest Meteorology，2015，214/215：393-401.

［8］李长生. 生物地球化学的概念与方法——DNDC模型的发展［J］. 第四纪研究，2001，21（2）：89-99.

［9］Xu X F，Yuan F M，Hanson P J，et al. Reviews and syntheses：four decades of modeling methane cycling in terrestrial ecosystems［J］. Biogeosciences，2016，13（12）：3735-3755.

［10］[ZK（#]Zhou M H，Wang X G，Wang Y Q，et al. A three-year experiment of annual methane and nitrous oxide emissions from the subtropical permanently flooded rice paddy fields of China：emission factor，temperature sensitivity and fertilizer nitrogen effect［J］. Agricultural and Forest Meteorology，2018，250/251：299-307.

［11］Yue Q，Ledo A，Cheng K，et al. Re-assessing nitrous oxide emissions from croplands across Mainland China［J］. Agriculture Ecosystems & Environment，2018，268：70-78.

［12］Li C S. Quantifying greenhouse gas emissions from soils：scientific basis and modeling approach［J］. Soil Science and Plant Nutrition，2007，53（4）：344-352.

［13］Ren T，Bu R Y，Liao S P，et al. Differences in soil nitrogen transformation and the related seed yield of winter oilseed rape （Brassica napus L.） under paddy-upland and continuous upland rotations［J］. Soil and Tillage Research，2019，192：206-214.

［14］Cha-un N，Chidthaisong A，Yagi K，et al. Greenhouse gas emissions，soil carbon sequestration and crop yields in a rain-fed rice field with crop rotation management［J］. Agriculture，Ecosystems & Environment，2017，237：109-120.

［15］Li C S. Modeling trace gas emissions from agricultural ecosystems［M］//Methane emissions from major rice ecosystems in Asia.Dordrecht：Springer Netherlands，2000：259-276.

［16］Walker S E，Mitchell J K，Hirschi M C，et al. Sensitivity analysis of the root zone water quality model［J］. Transactions of the ASAE，2000，43（4）：841-846.

［17］Folland C，Karl T R and Christy J R. Climate change 2001：the scientific basis. contribution of working group i to the third assessment report of the intergovernmental panel on climate change［J］. Observed Climate Variability and Change，2001：99-181.

［18］Deng Y L，Paraskevas D，Cao S J.Incorporating denitrification-decomposition method to estimate field emissions for Life Cycle Assessment［J］. Science of the Total Environment，2017，593/594：65-74.[HJ2mm]

［19］Yue Q，Cheng K，Ogle S，et al. Evaluation of four modelling approaches to estimate nitrous oxide emissions in Chinas cropland［J］. Science of the Total Environment，2019，652：1279-1289.

［20］Katayanagi N，Fumoto T，Hayano M，et al. Development of a method for estimating total CH4 emission from rice paddies in Japan using the DNDC-Rice model［J］. Science of the Total Environment，2016，547：429-440.

［21］Zhang X X，Bi J G，Sun H F，et al. Greenhouse gas mitigation potential under different rice-crop rotation systems：from site experiment to model evaluation［J］. Clean Technologies and Environmental Policy，2019，21（8）：1587-1601.

［22］Timilsina A，Bizimana F，Pandey B，et al. Nitrous oxide emissions from paddies：understanding the role of rice plants［J］. Plants，2020，9（2）：180.

［23］Lenhart K，Behrendt T，Greiner S，et al. Nitrous oxide effluxes from plants as a potentially important source to the atmosphere［J］. The New Phytologist，2019，221（3）：1398-1408.

［24］Babu Y J，Li C，Frolking S，et al. Field validation of DNDC model for methane and nitrous oxide emissions from rice-based production systems of India［J］. Nutrient Cycling in Agroecosystems，2006，74（2）：157-174.

［25］Blankinship J C，Brown J R，Dijkstra P，et al. Effects of interactive global changes on methane uptake in an annual grassland［J］. Journal of Geophysical Research：Biogeosciences，2010，115（G2）：G02008.

［26］Guest G，Krbel R，Grant B，et al. Model comparison of soil processes in eastern Canada using DayCent，DNDC and STICS［J］. Nutrient Cycling in Agroecosystems，2017，109（3）：211-232.

［27］Zou J W，Huang Y，Jiang J Y，et al. A 3-year field measurement of methane and nitrous oxide emissions from rice paddies in China：effects of water regime，crop residue，and fertilizer application［J］. Global Biogeochemical Cycles，2005，19（2）：1-9.

［28］Ghimire R，Machado S，Bista P.Decline in soil organic carbon and nitrogen limits yield in wheat-fallow systems［J］. Plant and Soil，2018，422（1）：423-435.

［29］Sun Y N，Huang S，Yu X C，et al. Differences in fertilization impacts on organic carbon content and stability in a paddy and an upland soil in subtropical China［J］. Plant and Soil，2015，397（1）：189-200.

作者簡介：杨雨茗（2003—），女，江苏盐城人，主要从事资源环境研究。E-mail：2225285636@qq.com。