基于DNDC模型的玉米田土壤有机碳变化模拟预测_马子钰.pdf

第42卷 第4期2023年 7月华中农业大学学报Journal of Huazhong Agricultural UniversityVol.42 No.4July 2023，192198基于DNDC模型的玉米田土壤有机碳变化模拟预测马子钰1，马文林1，贾小红2，王胜涛2，张蕾21.北京建筑大学环境与能源工程学院，北京 102616；2.北京耕地建设保护中心，北京 100101摘要 为揭示有机碳变化的关键影响因素并为北京地区实现固碳减排目标提供科学依据，利用北京怀柔区前桥梓村玉米田2016-2019年土壤有机碳（soil organic carbon，SOC）实测数据对反硝化-分解模型（denitrification-decomposition model，DNDC）进行验证，选取气候、土壤及秸秆还田等主要影响因子对验证后的DNDC模型进行敏感性分析，模拟了2种典型浓度路径（RCP8.5、RCP4.5）下该农田未来（至2100年）土壤有机碳变化情况。结果显示：经过校验后的DNDC模型可较好地模拟该玉米田SOC变化；初始有机碳含量及秸秆还田率是SOC变化的主要影响因素；RCP8.5及RCP4.5下SOC含量增加明显，土壤碳库在2100年达到平衡，2100年有机碳含量分别达到27.70、29.03 g/kg，分别较初始有机碳含量上升197.85%和212.15%。结果表明，DNDC模型可用于该研究区玉米田有机碳变化预测，该农田持续采用当前施肥和秸秆还田管理方式可实现土壤持续固碳。关键词 DNDC模型；土壤有机碳；敏感性分析；模拟预测；玉米田；农田土壤碳汇；碳中和中图分类号 O242.1 文献标识码 A 文章编号 1000-2421（2023）04-0192-07土壤是陆地生态系统的最大碳库，其碳库含量约是大气碳库的3倍，土壤碳库含量的微小变化将导致大气CO2浓度的明显波动1，而提升土壤碳库则可有效减缓全球温室气体含量升高趋势。农田土壤碳库约占陆地土壤总碳库的8%10%2，模拟预测农田土壤有机质变化对于改良土壤管理措施、促进其碳库增加具有重要作用。然而，在土壤固碳量的评估方法选择上，传统的田间试验需要消耗大量人力物力，同时易受不可控因素影响3；利用模型法研究土壤有机碳（soil organic carbon，SOC）含量动态变化则是一种高效的方式4。反硝化-分解模型（denitrification-decomposition model，DNDC）起源于美国，由 2个部分共 6个模块构成5，用于土壤温室气体排放模拟和预测6，随着模型的不断发展和完善，已在2000年被全球气候变化模型国际学术会议认定为亚太地区首选的地球生化模型7，并在模拟研究我国农田SOC含量变化的领域中得到应用。例如，Liao等8通过DNDC模型对 2012-2031年山东省桓台县的 SOC 含量进行模拟后发现，粪肥（N）还田量在40 kg/hm2时SOC含量将达到最高水平，为当地建设农田“碳汇”方案提供参考；Zhang等9利用DNDC模型研究未来不同气候情境下垄沟全膜覆盖系统对旱地SOC含量的影响，研究结果表明2060年前持续采用垄沟全膜覆盖系统SOC含量增加，为当地旱田土壤更好发挥固碳作用奠定了科学基础。2021 年，北京地区玉米播种面积已达到 4.3万hm2，占全市农作物播种总面积的35.24%，玉米成为北京地区最主要种植的粮食作物10。研究玉米田管理措施对SOC含量的影响，对实现全市农业“碳中和”目标有重要意义。因此，本研究利用北京市怀柔区玉米田定点试验的有机碳观测值校正 DNDC 模型，探究影响SOC含量变化的关键因素，结合未来气象预估数据，预测未来气候情境下的SOC变化趋势，旨在为我国开发农业碳汇提供理论依据。1材料与方法1.1研究区基本情况研究区属北京市农田长期定点监测地块，位于收稿日期：2023 01 06基金项目：国家重点研发计划项目（2017YFF0211703）；现代农业产业技术体系北京市生态循环与低碳发展创新团队（BAIC08-2023-SYZ04）；北京建筑大学市属高校基本科研业务费专项（X19009）马子钰，E-mail：mzyBUCEA通信作者：马文林，E-mail：马子钰，马文林，贾小红，等.基于DNDC模型的玉米田土壤有机碳变化模拟预测 J.华中农业大学学报，2023，42（4）：192198.DOI：10.13300/ki.hnlkxb.2023.04.022北京市怀柔区桥梓镇前桥梓村（116.57E，40.28N），属于半湿润大陆性季风气候，冬季寒冷少雪，夏季暖热湿润，年均降雨量约 600700 mm，海拔67.7 m，无霜期 205 d。研究区农田为农户所有，种植模式为春玉米连作，无重复。农田初始土壤理化性质为有机质15.97 g/kg、容重 1.41 g/cm3、pH 8.0、全氮 0.86 mg/kg、有效磷33.7 mg/kg和速效钾117 mg/kg，质地为壤土。2016-2020 年，该农田种植春玉米，2016 年施尿素 348 kg/hm2，2017 年施尿素 208.8 kg/hm2、复合肥（12-18-15）180 kg/hm2，2018 年 施 复 合 肥（12-10-20）171.4 kg/hm2，2019年施复合肥（26-10-12）487.5 kg/hm2，各年秸秆全量还田。玉米田仅2016年进行过灌溉，灌溉水量为12 cm，其余年份均雨养。根据气温和降雨量情况，每年于 4 月 27 日-6 月 2 日播种，并于8月3日-9月23日收获，机播机收，不喷洒农药。1.2参数来源本研究应用DNDC9.5版本，模型需要输入的参数主要包括气象数据、土壤数据以及农田管理数据，数据来源如下：1）气象数据。研究区 2016-2019 年的气象数据，包括日平均气温和日降水量等数据，来源于RP5国际交换气象站（http：/rp5.ru），其实际气象数据来源于各地气象站，具有较高的数据可靠性11，降水中氮浓度、大气中氨浓度和 CO2浓度及年 CO2增速等参数分别参考Liu等12、孙庆瑞等13和王长科等14。此外，依据IPCC第5次评估报告中提出的4种典型浓度路径15，本研究选取较为保守的无气候变化政策措施干预下的高排放 RCP8.5浓度路径和采取气候变化政策措施干预下的低排放 RCP4.5浓度路径16-17，模拟预测SOC含量对未来气候变化下的响应。未来气象预估数据来源于北京市发展和改革委员会设立的“2015年适应气候变化极端风险预警平台前期开发研究”科技项目（ZB-15-85）的科研成果。2）土壤数据。农田初始SOC、全氮、速效磷和速效钾含量为研究区农田020 cm土壤耕层实测值，其中，SOC 测定方法为重铬酸钾-外加热法（NY/T1121.6-2006），全氮测定方法为凯氏法（HJ 717-2014），速 效 磷 测 定 方 法 为 Olsen-P 法（HJ 704-2014），速效钾测定方法为乙酸铵提取-火焰光度法（NY/T 889-2004）；土壤质地通过现场实际调查获得；土壤pH和容重信息来源于世界土壤数据库。3）田间管理数据。研究区的农田管理数据（包括农作物种类、种植及收获日期、肥料种类、施肥量、灌溉量及秸秆还田量等）来源于北京市农田长期定位监测数据库中的实际调查监测数据。1.3模型验证降低DNDC模型模拟结果的不确定度是应用模型的重要前提18。本研究主要采用相对均方根误差XRMSE、归一化均方根误差XN-RMSE及一致化指标d19等参数对模型模拟结果进行验证。上述模型评价参数按照公式（1）（3）计算：XRMSE=i=1n(Oi-Mi)2nO（1）XN-RMSE=1ni=1n|Mi-Oi|Oi（2）d=1-i=1n(Mi-Oi)2i=1n(|Mi-O+|Oi-O|)2（3）式（1）（3）中，Oi、O和Mi分别表示每年 SOC观测值、观测值平均值及模拟值；n 表示样本数。XRMSE、XN-RMSE值越小、d 值越接近 1 时，表示模拟结果与实测值贴合度越好。其中，当 XRMSE值20%时，说明模拟值与实测值贴合度优良18；XN-RMSE值25%时，说明模拟值与实测值一致性最佳，介于25%30%时，模拟结果可以接受，但超过30%时，则贴合度差19；d值范围为0d1，越趋近于1表示模拟效果越好，当d0.7时，模拟结果可以被接受20。1.4敏感性分析以研究区的气象条件、土壤特征和农田管理方式为基准情境进行DNDC模型的敏感性分析，通过调整参数，分析SOC固定对不同输入参数的敏感性。本研究采用独立参数扰动法21，即假设各参数相互独立，在一定变化范围内调整测试参数，利用敏感性指数计算测试参数的敏感性，计算方法见公式（4）：S=(O2-O1)/O(I2-I1)/I（4）式（4）中，I1、I2分别为输入参数中的最小值和最大值，I为输入参数I1、I2的平均值，O1、O2分别为I1、I2对应的模拟结果，O为O1、O2的平均值。本研究中各因子的基准值及变更情况如表 1所示。第 4 期马子钰 等：基于 DNDC 模型的玉米田土壤有机碳变化模拟预测北京市怀柔区桥梓镇前桥梓村（116.57E，40.28N），属于半湿润大陆性季风气候，冬季寒冷少雪，夏季暖热湿润，年均降雨量约 600700 mm，海拔67.7 m，无霜期 205 d。研究区农田为农户所有，种植模式为春玉米连作，无重复。农田初始土壤理化性质为有机质15.97 g/kg、容重 1.41 g/cm3、pH 8.0、全氮 0.86 mg/kg、有效磷33.7 mg/kg和速效钾117 mg/kg，质地为壤土。2016-2020 年，该农田种植春玉米，2016 年施尿素 348 kg/hm2，2017 年施尿素 208.8 kg/hm2、复合肥（12-18-15）180 kg/hm2，2018 年 施 复 合 肥（12-10-20）171.4 kg/hm2，2019年施复合肥（26-10-12）487.5 kg/hm2，各年秸秆全量还田。玉米田仅2016年进行过灌溉，灌溉水量为12 cm，其余年份均雨养。根据气温和降雨量情况，每年于 4 月 27 日-6 月 2 日播种，并于8月3日-9月23日收获，机播机收，不喷洒农药。1.2参数来源本研究应用DNDC9.5版本，模型需要输入的参数主要包括气象数据、土壤数据以及农田管理数据，数据来源如下：1）气象数据。研究区 2016-2019 年的气象数据，包括日平均气温和日降水量等数据，来源于RP5国际交换气象站（http：/rp5.ru），其实际气象数据来源于各地气象站，具有较高的数据可靠性11，降水中氮浓度、大气中氨浓度和 CO2浓度及年 CO2增速等参数分别参考Liu等12、孙庆瑞等13和王长科等14。此外，依据IPCC第5次评估报告中提出的4种典型浓度路径15，本研究选取较为保守的无气候变化政策措施干预下的高排放 RCP8.5浓度路径和采取气候变化政策措施干预下的低排放 RCP4.5浓度路径16-17，模拟预测SOC含量对未来气候变化下的响应。未来气象预估数据来源于北京市发展和改革委员会设立的“2015年适应气候变化极端风险预警平台前期开发研究”科技项目（ZB-15-85）的科研成果。2）土壤数据。农田初始SOC、全氮、速效磷和速效钾含量为研究区农田020 cm土壤耕层实测值，其中，SOC 测定方法为重铬酸钾-外加热法（NY/T1121.6-2006），全氮测定方法为凯氏法（HJ 717-2014），速 效磷测定方法为 Olsen-P 法（HJ 704-2014），速效钾测定方法为乙酸铵提取-火焰光度法（NY/T 889-2004）；土壤质地通过现场实际调查获得；土壤pH和容重信息来源于世界土壤数据库。3）田间管理数据。研究区的农田管理数据（包括农作物种类、种植及收获日期、肥料种类、施肥量、灌溉量及秸秆还田量等）来源于北京市农田长期定位监测数据库中的实际调查监测数据。1.3模型验证降低DNDC模型模拟结果的不确定度是应用