两个长期不同实验性耕作的作物产量及粉质耕地土壤的N2O排放量模型.doc

两个长期不同实验性耕作的作物产量及粉质耕地土壤的N2O排放量模型B. Ludwiga,*, A. Bergstermannb, E. Priesackc, H. Flessab,d摘要：耕作方式的选择会影响作物生长和土壤氮素动态。Models help us to better understand these systems and the interaction of the processes involved.模型可以帮助我们更好地了解这些系统和互动的过程。Objectives were to test a calibration and validation scheme for applications of the denitrificationdecomposition (DNDC) model to describe a long-term field experiment with conventional tillage (CT) and reduced tillage (RT) at two sites (G and H, silty Haplic Luvisols) near Gttingen, Germany (G-CT, G-RT, H-CT, H-RT).测试应用程序的反硝化分解（DNDC）模型的校准和验证计划的目标是描述一个长期的田间试验，与传统耕作（CT）和少耕（RT）在德国哥廷根（G-CT，G-H-RT，CT，H-RT）附近的两个站点（G，H，粉质淋溶土）。 Crop growth of field bean ( Vicia faba L.) and winter wheat ( Triticum aestivum L.) as well as soil water dynamics and nitrous oxide (N 2 O) emissions were determined for two subsequent years.随后两年被确定为作物生长的田间豆（ 蚕豆 ）和小麦（ 小麦 ），以及土壤水分动态和一氧化二氮（N 2 O）排放量。 在A model test was performed based on a model parameterization to best describe the case G-CT.一个模型参数的基础上进行的模型试验能最好的描述G-CT。 This parameterization was then applied to the other cases as a retrospective simulation.此参数化随后作为一个追溯模拟施加到的其他情况。 Results of model variant v1 (no parameter optimization) indicated that soil water contents were not accurately simulated using the DNDC default values for a silt loam.模型的变体V1（没有参数优化）的结果表明，土壤水分含量不是准确的模拟使用DNDC默认值的粉质壤土。After successful calibration of the soil water flow model using modified water-filled pore spaces at field capacity and wilting point and a modified hydro-conductivity that led to a good fit of the measured water content data, grain yields were markedly underestimated and modelled N 2 O emissions were too large (v2).田间持水量和凋萎点和改进的水力传导性，导致所测得的含水量数据好合适的采用改良的充水孔隙空间的土壤水分运移模型校准成功后，粮食产量显着低估和模拟N 2 O排放量太大（V2）。 An optimization of the crop properties (maximum grain yield, N fixation index, thermal degree days, transpiration coefficient) was essential for a better match of measured yields (v3).优化的作物特性（最大的粮食产量，N固定指数，热的程度日内，蒸腾系数）为更好地匹配实测产量（第三版）是必不可少的。 Further adjustments in the model (v4) were required to better match cumulative N 2 O emissions: reducing the initial soil organic carbon content and mineralization rates.进一步调整模型（V4），以更好地匹配的累计N2O排放量：减少初始土壤有机碳含量和矿化速率。 Predictions of crop yields and annual cumulative N 2 O emissions using model variant v4 were fairly accurate for the reduced tillage system G-RT and also for the second field experiment H-CT and H-RT, but annual distributions of N 2 O emissions were not.预测是相当准确的作物产量及全年累计N2O排放量使用型号不同V4的G-RT，也为第二场实验H-CT和H-RT为减少耕作技术体系，但N2O排放量的年度分布没有。Overall our results indicate that site specific calibration was an essential requirement for the silty German sites, and that the pedotransfer functions and denitrification sub-model of DNDC may need further improvement.总的来说，我们的结果表明，现场特定的校准是一个基本要求的粉质德国网站的的土壤转换功能和脱硝子模型DNDC可能需要进一步改善。关键词：温室气体；N建模1引言耕作系统影响作物产量和氮氧化物（N2O）的排放量。Decker等(2009)研究了五种美国南部平原小麦的免耕(NT)生产系统以及传统耕作(CT)的经济，并且通过报告显示传统耕作的小麦平均产量更大，而在免耕情况下的小麦平均产量下降明显较大。Almaraz等（2009）于粘壤土淋溶土在魁北克省的玉米种植制度报告中指出免耕和传统耕作没有显著或者只有较小的粮食产量差异，但是牧草产量在免耕条件下明显较高。耕作系统一般也有类似的二氧化碳（CO2）累积排放量，但在施肥和未施肥情况下免耕系统的氧化二氮（N2O）累积排放量高于传统耕作。此外，Rochette（2008）在具有大量宽范围的不同土壤类型的质地上总结了25个田间试验，包括在免耕系统下N2O排放量主要受土壤曝气的影响：在免耕系统中N2O排放量平均每公顷含氮量分别比好的免耕土壤，中等的免耕土壤以及少通风的免耕土壤少0.1千克，高0.1千克以及高2.0千克。对于少耕（RT）或最低限度耕作（MT）的田地来说有用的信息资料较少。Beheydt等（2008）针对最低限度耕作（MT）和传统耕作（CT）系统的粉质土的报告中指出在历时一年的时间里MT条件下种植的玉米和燕麦中N2O的损失量显著高于CT玉米。Abdalla等（2010）在为期2年的田间试验中观察到在爱尔兰的沙壤土中，与CT相比较下RT对于N2O的排放量以及大麦的产量没有明显影响。同样地，Ussiri等（2009）发表报告称淤泥壤土中连续栽种玉米的N2O排放量在CT及MT系统中并无异样。总体而言，在土壤的通气性为排放量大小的影响因素之一的情况下，不同耕作方式可能会影响作物产量和温室气体的排放量。基于过程的模型帮助我们理解甚至预测不同耕作方式对作物产量和温室气体排放量的影响。一些面向过程的模型存在此任务（例如，DAYCENT,CANDY,ExpertN或反硝化分解淀积（DNDC）模型（帕顿等人，2001；弗兰科等人，2007；Kaharabata等人，2003；李，2009；进行复核等，2008）。再加上长期的实验，这些电脑模型可以提高我们对于农业管理，土壤质量和全球环境之间相互作用的认识。DNDC模型在几项研究中的不同耕作方式已经成功应用于站点。Farahbakhshazad等（2008）将DNDC模型应用于美国的一排农田试验地，并进行了敏感性测试。模型结果表明，免耕（NT）使得土壤有机碳（SOC）的储量显著增加以及减少硝酸N的浸出率，但作物产量略有下降，N2O排放量增加。李等人（2010）采用了中国的冬小麦夏玉米做了类似的敏感性分析，报告表明温度，初始有机碳含量，耕作以及添加到土壤中的有机物质的数量和质量对模拟温室气体排放量有着显著影响。与此相反地，Abdalla等人2009年在爱尔兰农业方面所使用的DNDC模型就不那么成功。报告称使用DNDC模拟低估了RT图测量N2O排放通量高达55%。其主要问题是高估了充满水的孔隙空间（WFPS）和土壤有机碳（SOC）对通量的影响。Beheydt等2008年报告了比利时的田间试验中一个在DNDC（传统耕作，玉米）中，一个良好的护理条件下（最低限度耕作，燕麦）N2O排放量的高估值和低估值。DNDC模型在性能上的差异可能由于不同的土壤和气候条件，也可能一定程度上取决于模型参数。不幸的是，并不是上面提到的所有研究中都有足够的模型参数。因此，我们的研究目标是应用建议的田间试验与CT和RT的校准及验证计划于哥廷根（德国）附近的粉质土中，以测试DNDC模型在描述和预测作物增长量和N2O排放量的的有用性。2材料与方法2.1研究站点我们测试了德国哥廷根附近的两个长期试验中的数据DNDC模型（Jacobs等人，2009；Bergstermann与Flessa，2009）。简言之，试验在Garte（北纬512915.50,东经9569.17）Hohes Feld（北纬513714.18，东经95630.98）展开。2007年和2008年Garte的平均气温分别为10.0和9.8，Hohes Feld的平均气温分别为10.1和9.88。Garte和Hohes Feld 2007年和2008年的年降水量分别为842、544mm和1015、564mm。这两个站点的土壤类型是一个弱发育的淋溶土（WRB，2006），来自黄土（埃勒斯等人，2000；Reiter等，2002）。土壤理化性质见表1。表1网站特性的土壤（0-5厘米）的常规（CT）和少耕（RT）的治疗在Gartea（G-CT，G-RT）和Hohes费尔德b（H-CT，H- RT）（均值和标准误差，n = 4时Hohes费尔德为Garte 和 n = 3）。a Garte位于北纬512915.50,东经9569.17。土壤类型属于弱发育的淋溶土。b Hohes Feld位于513714.18，东经95630.98。土壤类型属于弱发育的淋溶土。一个田间试验站点于1970年在Garte成立，并且在1967年Hohes Feld 分别在4和3领域复制。在Garte和Hohes Feld试验处理均为CT，即一个普通的可以挖至25厘米深的铧式犁，带有旋耕犁的苗床准备和RT系统，下调为5-8厘米深的浅水栽培与旋转耙苗床准备。在实验开始之前，土壤已经经过了铧式犁。在Garte，实验设计是一个完全随机区组的4张复制图（20米40米）设计。在Hohes Feld，裂区设计三次重复地块（12.8米36米）的成立是因为领域尺寸较小。这两个站点的作物是相同的，轮作谷物都是源自于1970（Reiter等人，2002）。在2006-2008年期间，分别栽种玉米、蚕豆、冬小麦。所有的残留物都被纳入各自的耕作作业中。氮肥施用的时间和金额，及应用在G-CT中的耕作时间和除草剂的量见表2。表2传统耕作（CT）治疗在Garte（G-CT）的脱氮分解（DNDC）模型的选择的输入数据的摘要。针对G-RT,管理方法与G-CT相同，不同的是没有犁板进行耕作。在2007年3月28日和11月2日进行旋转耙苗床准备。H-CT的管理也与G-CT相同，不同的则是豆的收获时间晚了一天，并且在2007年3月28日和10月31日进行铧式犁耕作。2007年3月29日和11月1日进行苗床准备。与G-CT相比，不施氮肥定于6月6日，而2008年5月28日的应用量增加至每公顷67.5千克氮。因此，2008年在H-CT中的施氮量为每公顷170.1千克，比在G-CT中略显不足（每公顷13.6千克氮）。对于H-RT的管理是与H-CT相同的，不同的是没有犁板进行耕作。苗床准备是在2007年3月29日和11月1日展开的。2.2田间N2O排放量和突然水分含量2007年4月至2008年12月，约每周测一次微量气体N2O的排放量（见图1）。这个时间分辨率容许估计的季节性模式通量。在暴雨情况下并没有特别的护理。然而，变化的水充满了孔隙空间（同一天光的测量通量，见图2）表明，一个大范围的土壤水分含量被测量方案覆盖。N2O排放量的测定每次处理采用封闭式室3室的四（Garte）或三（Hohes Feld）地块（每次处理为领域复制n=4（Garte），或n=3（Hohes Feld）。该方法的详细情况是由Ruser等人（2001）描述的。圆形的腔室由黑暗的PVC，其内径为30厘米和15厘米的初始高度。通过使用相同的材料制成的延伸腔室的高度可以调整以供植物生长。这些腔室放置于永久安装着具有相同直径的PVC-土壤铤，并用盖子密封以用于对每种气体的测量。选择封闭的腔室方法是因为其众所周知的优点-可以测量小通量，腔室很便宜，并且网站的干扰是有限的（FAO，2001）。但是，一个主要的缺点是，腔室所覆盖的面积小，由于该领域的变异导致空间的排放量不确定性估计（Laville等人，1999年）。图1仿照（线，模型V4）和（符号，均值和标准误差）N 2 O排放量从土壤的传统耕作处理Garte（G-CT，位于北纬512915.50,东经9 5690.17，土壤类型为弱发育淋溶土）。图2仿照（5厘米深，线，模型V1和V2）和（0-10厘米深度范围内，符号，手段和标准错误）充满水的孔隙空间中土壤的传统耕作处理（Garte G-CT，位于北纬512915.50,东经1059.17,土壤类型是弱发育淋溶土）。在同一天，每次处理光通量的测量，土壤含水量的测定都有四个重复。简言之，土壤样品采集于0-10厘米的深度之间。样品称重，在105烘箱中干燥至恒重，并重新称重。干重和鲜、干重之间的差异可以用来计算重量含水量。装满水的孔隙空间的计算为WFPS=（土壤重量含水量体积密度）（1-（体积密度颗粒密度）-1（Linn和Doran，1984），其使用的颗粒密度为2.65gm3。2.3 DNDC 模型我们使用DNDC模型（模型9.3版；）来描述和预测水动力学，作物生长和田间尺度上N2O的排放量。DNDC模型包括土壤气候，农作物生长和分解的子模型，并计算出土壤温度，水分含量，pH值，氧化还原电位（Eh），以及生态驱动程序下的底物浓度配置文件（如气候、土壤、植被和人为活动）。此外，硝化、反硝化和发酵的子模型计算出从植物-土壤系统（李，2009）中排放的CO2,甲烷（CH4），氨（NH3），一氧化氮（NO），N2O和N2。在该模型中，反硝化的计算是假设存在一个“厌氧气球”。总体而言，该模型依赖于普遍的假设微生物的生长和N2O产生（李，2009）的动力学参数。以下是被认可的几种模型。2.3.1模型v1-未校准，只使用测得的原始数据和默认值没有实施校正。模型利用测得的土壤有机含碳量和pH值（见表1），堆积密度（0-10厘米）和作物管理（见表2），来预测土壤水分动态，作物生长和G-CT处理中N2O排放量。实施的土壤转换函数模型中使用的粉质壤土估计具有液压土壤特性。为了蚕豆和冬小麦作物的生长，我们利用DNDC提供的数据来作为豆和小麦的默认值。除草由于是在野外进行，所以不能被认为是由模型的选择，尽管选项只有“无杂草问题”或“温和的杂草问题”。2.3.2模型v2-使用曲线拟合土壤水分动态调整模型v2与模型v1相同，不同的则是我们现在使用的是修改后的土壤水文参数，以获得测量和土壤湿度（WFPS）之间的最佳一致点。为了达到最佳一致点，我们设置WFPS的田间持水量为72%,WFPS的凋萎点为15%，以及水能导电性为0.0045mh-1。2.3.3模型v3-采用作物文献资料法校准观察到的产量作物生长受到一些因素的影响，并且作物生长的校准可以通过优化的参数组合来实现。在DNDC手册（李，2009）中，它被认为是用来校准作物生长，作物热/水/N的需求，生长曲线，生物量分配，或调整收益率。模型v3是以模型v2为基础的。另外一个校准是在G-CT试验处理的产量和作物生长数据的基础上进行的。对于田间豆，最大的粮食产量从600kg C ha-1（DNDC中默认值为16.2（dt）干物质（dm）ha-1）提高到1800kg C ha-1（49dt dm ha-1），以配合达到大的田间试验产量。为了让N2在80-90kg N ha-1之间产生同化作用（Schilling，2000）我们将固氮指数从1.2提高至4。冬小麦的最大粮食产量将从2500kg C ha-1（DNDC中默认值为67.6dt dm(含14%的水)ha-1）增加至4500 kg C ha-1（122dt dm ha-1）。此外，对冬小麦进行了生物质组分修改：因为粮食的冬季小麦秸秆配比约为1（KTBL，2005），所以粮食的生物量分数由0.3（默认值）改为0.42，叶加干的生物量分数由0.53的默认值变为0.41。由于三个组分的总和为1，因此根的生物量分数就为0.17（与默认值相同）。热度日数（每日平均温度高于10.0）从2500（默认值）下降到1600（2000年Entrup和Oehmichen报告的最低值），C/N比的谷物由30（默认值）增加至40，并且蒸腾系数由280（默认值）降低至169kg水（kg dm）-1（1996年埃勒斯所报告的最小值）。2.3.4模型v4-利用附加的参数拟合校准观察到的产量和N2O模型v4以v3为基础，使用以下附加的改编参数：土壤有机碳库的分解率分别降低了0.3，并且为了更好的匹配累积N2O在2007年（4月至12月）和2008年（1月至12月）的G-CT处理中的排放量，初始有机碳含量由8.3mg g-1降低至2.7 mg g-1。2.3.5回顾预测回顾预测，其实施是为了校准以模型v4中获得的参数为基础的处理方法和站点G-RT、H-CT、H-RT。该模型与以上描述相同，但伴有以下条件：G-RT:RT代替了CT在模型中的应用H-CT和H-RT:使用了不同的纬度和气候数据。略有不同的N施肥方案（应用程序为170.1而不是183.7kg N ha-1）和收获的最小变化及上述的耕作日期。并且，该模型既不考虑CT（H-CT）也不考虑RT（H-RT）。2.4统计数据根均方误差（RMSE）、模型效率（EF）以及Smith等人定义（1997）的相对误差（E）对模型的校准和土壤水分动态性能进行了计算：Oi是观测到的值，Pi是预测值，是观察到的数据的平均值，n是数的配对值，RMSE范围为0，EF为-1，E为-。一般情况下，RMSE和E等于0，EF等于1。3结果与讨论3.1产量和N2O排放量两种耕作方式和两个类似站点的蚕豆产量几乎相同（见表3和表4）。在此次实验中范围45.7-49.2dt dm ha-1高于2007年德国（Statistisches Bundesamt Deutschland，2009）的平均蚕豆粮食产量35.3dt dm ha-1，同时也说明这两个站点有着较高的土壤肥力。冬小麦在Garte的粮食产量很高，在不同的耕作方式之间没有差异，但Hohes Feld的粮食产量相较之下较少（见表3和表4）。同样地，收益率高于德国的平均收益率（2003-2007年65.5-82.1dt dm ha-1，Statistisches Bundesamt Deutschland，2009）。表3（均值和标准差，N = 4）和模拟豆和小麦的产量和累积的N2O排放量的传统耕作（CT）治疗在Gartea（G-CT）。Statistics on the measured and modelled soil water dynamics are also given.统计数据的测量和模拟土壤水分动态。Modelled data refer to a retrospective prediction (model variant v1) and calibration results (model variants v2v4).仿照的数据是指一个回顾性的预测（模型V1）和校准结果（模型V2-V4）。RMSE：根均方误差，EF模型效率，E：相对误差。表4测量值（均值和标准误差，n = 4时的收益率在Hohes费尔德）在Garte 或 n = 3的产量，并预测豆和小麦的籽粒产量和的累计N2O排放量减少耕作处理（RT ）在Gartea（G-RT）在RT和传统耕作（CT）的治疗在Hohes费尔德b （H-RT，H-CT）。 Statistics on the measured and modelled soil water dynamics are also given.统计数据的测量和模拟土壤水分动态。EF：模型的效率。2007年(4月1日至12月31日)粉质土（弱发育淋溶土）的N2O累积排放量范围为1.2-1.8kg N2O-N ha-1，2008年（1月1日至12月31日，见表3和表4）为0.8-2.5kg N2O-N ha-1 ，这就是Jungkunst（他总结了德国施肥耕地（7块人为土，1块红砂土，8块潮土，1个黑钙土，2个冲积土，2个潜育土，10个淋溶土和1个湿原土）的N2O年产量在0.1至17.1kg N2O-N ha-1之间）等（2006）的报告中较低范围的由来。在我们的研究中，2007年种植的豆科植物预计在2008年N2O的排放量会增加（如瓦格纳-里德尔等人，1997；Flessa等人，2002），但很可能平衡了2008相当干燥的条件。3.2模型v1的性能-未校准，仅使用测量的原始数据和默认值模型v1是用来提供一个不带任何参数的独立模拟。它的性能很差（表3），这表示DNDC给出的默认值并不总是有用。使用本站点（粉壤土）土壤转换函数建模和测量的WFPS数据（图2和表3）之间的偏差较大。75个采样日期中WFPS的均值差异在60%（测量值）-26%（模拟值）之间。均方根误差RMSE和相对误差E是4中不同模型中最大的（表3）。效率值EF-4.5表示该模型描述的WFPS数据并不如预期的好，有其他研究报告称测量和模拟WFPS之间是有偏差的。Abdalla等人于2009将DNDC模型应用于爱尔兰草原土壤（质地：砂质壤土），报告称，WFPS被DNDC（9.2版）模型大大的高估了。史密斯等人2008年在加拿大站点（纹理：壤土和粘壤土）的报告指出， DNDC模型低估了土壤含水量，尤其是在生长季节，这与我们的研究结果相似。由于模型v1中土壤水分动态没有正确的模拟，所以作物生长建模特别低以及N2O排放量在2008年较高（表3）并不奇怪。主要原因是大大低估了冬小麦的吸氮量（49kg N ha-1）,使得大量硝化和反硝化作用的N遭到损失。3.3模型v2的性能-利用曲线拟合调节土壤水分动态拟合数据和测量的WFPS数据（图2）表明，土壤的水分运动，WFPS的优化数据为田间持水量（72%）和萎蔫点（15%）和优化的水力传导系数的校准是成功的：RMSE下降至17.0，E显著下降至2.4，EF增加至0.5（表3）。同样地，Tonitto等人在2007年报道，使用DNDC准确模拟NO3-N淋溶和排水动态需要在美国土壤的默认值基础上改变主要土壤的物理性质和化学参数。由于试验的不确定性，在我们的研究中校准是必需的。举例来说，额外的水（如地下水或地下蓄水层）可能会在很大程度上影响土壤水分动态和作物生长。然而在这个站点上，地下水的并没有影响我们降低到5米的深度的观察。在DNDC模型中由于存在不确定性，因此校准也是必要的。例如，不能排除潜在蒸散量估算的不准确性：在DNDC中利用Thornthwaite方法来实现。但是，这种方法被认为不如Penman-Monteith方程（Guo等，2007；Muller，1982）准确。此外，土壤水分的流量计算中不准确之处可能是：Krobel等人2010年在他们的站点上用DNDC模型测试了中国北方平原的土壤（粉质壤土质地），得出的结论是DNDC模型的使用方法不适合模拟土壤水动力。研究发现，尽管在模型v2中土壤水文模型的描述有所提高，但并没有全面改善模拟作物生长和N2O排放量的性能，仍然很差（表3）。3.4模型v3的性能-采用作物文献资料发校准观察到的产量由于生长性能的差异，站点特定的土壤和气候条件，以及为了有较好的品种持续改善作物生长，不同站点的作物特性的校准需要是显而易见的，因此提高了病虫害防治和生长促进剂。模型v3中的调整为一个3倍大（豆场）和1.8倍（冬小麦）的最大粮食产量的增加，固氮指数增加至4，叶和干的粮食生物量分数的改变，减少蒸腾系数和导热天数-备份文献（席林，2000年；Entrup Oehmichen，2000；埃勒斯，1996），结果导致大量水分和氮减少：模拟蚕豆粮食产量由10.4增加至39.3dt dm ha-1（测量数据的86%），冬小麦（表3）由8.4增加至76.8dt dm ha-1（测量数据的74%）。总体而言，要记住，一些作物参数，特别是蒸腾系数和热程度是特定高度点。我们使用的是埃勒斯（1996）、Entrup和Oehmichen（2000）所概述的范围。然而，现有的文献只让概览观察到的范围，并不给出所有站点和作物的不同最大和最小数据。尽管