中國稻田生態系統固碳效應模擬研究*

盧欣晴，張秀英，汪 振，李升峰，郭文勇

(1.南京大學 國際地球系統科學研究所，江蘇 南京 210023；2.中山大學 大氣科學學院，廣東珠海 519000；3.江蘇地理信息資源開發與應用協同創新中心，江蘇 南京 210046；4.南京大學地理與海洋科學學院，江蘇 南京 210023；5.魯西化工集團有限公司，山東 聊城 252000)

農田是陸地生態系統的重要組成部分[1]，水稻田在農田生態系統中占據十分重要的地位。中國水稻種植面積超過2.7×107hm2，其碳匯主要包括土壤有機碳(soil organic carbon，SOC)及植株生長的碳吸收量。SOC 作為全球碳庫中最活躍的部分，是土壤肥力的重要表征，其微小的變化將導致大氣CO2濃度劇烈變化，甚至嚴重影響全球碳平衡[2]。水稻SOC 容易受到人為活動的強烈干擾，同時在較短時間內可對其進行人為調節[3]。稻田生態系統是重要的碳匯資源，合理利用秸稈資源，增加外源有機肥投入，可提高農田有機質含量，增加農田生態系統碳匯總量[3-4]。在當前CO2排放增長的環境背景下，利用農田生態系統固定大氣CO2是應對全球氣候變化的重要途徑，也是中國實現雙碳目標的重要手段之一[4-6]。

目前，農田生態系統碳收支核算方法主要包括生命周期[7-8]、遙感反演[9-10]、渦度相關通量觀測[11-13]和生態系統過程模型[14-15]等。作為獲取地表信息的有力手段，衛星遙感能準確、及時地獲取多時空尺度的凈初級生產力時空分布特征，彌補傳統地面觀測的不足[16]；但受衛星觀測成像頻率的影響，數據時空分辨率不高，同時大多數生態參數反演模型缺乏明確的生理生態機制，難以清晰解釋區域碳平衡的變化機制[17]。渦度相關觀測雖然具有較高準確性，但受制于有限的觀測點，往往局限于特定的生態系統或局部區域[18]。生命周期法的計算過程詳細而準確，包含系統生命周期的各個環節，適用于微觀層面的碳足跡核算[19-20]，但在劃定系統邊界時可能具有主觀性，且需收集大量數據，易產生數據遺漏現象[21]，在核算區域尺度農田碳源匯過程中，估算作物固碳量主要根據經濟系數、碳吸收率和產量，衡量固碳措施通常只采用同一系數來估算碳匯提升的能力。稻田生態系統的碳循環過程比較復雜，除受作物類型影響外，還與作物生長固定的SOC、作物生長吸收和排放的碳、氣溫和降水等氣象條件以及當地的土壤理化性質相關[22-23]。因此，利用單一的碳吸收率和產量數據核算農田系統碳吸收量，存在較高的不確定性，核算過程中還需要考慮氣象條件和土壤理化性質的時空異質性對農田生態系統碳收支時空分布格局的影響。

基于過程的模型已成為國內外學者研究農田生態系統碳循環的重要工具，過程模型可以定量模擬植物在一定氣象條件和土壤環境下的生長過程[24]，并在區域乃至全球尺度上準確模擬農田生態系統碳遷移過程及碳收支情況[25-27]。生物地球化學脫氮—分解作用 (denitrification-decomposition，DNDC)模型能夠準確模擬作物生長情況及產量、SOC 及其動態變化以及溫室氣體排放等[28-31]，已在世界范圍內得到驗證并開展了廣泛的應用[32-39]。DNDC 模型由利用生態驅動因子模擬土壤環境動態變化的土壤氣候、農作物生長和土壤有機質分解模型以及用于計算溫室氣體和痕量氣體排放情況的硝化作用、反硝化作用和發酵作用模型共同構建[35,37,40-42]。隨著模型的發展及參數優化，DNDC 模型已被廣泛應用于濕地、草原和森林等生態系統[26,43-44]，其碳循環過程考慮了來自大氣、土壤母質、施肥以及有機肥中的碳和氮，根據氣溫計算植物的水分脅迫情況以及受溫度、水分和土壤碳氮供給量影響的植物實際生長量，并將植物實際生長量分配至根、莖、葉和籽粒中，最終輸出作物生長吸收的碳、土壤中淋失和殘留的碳以及排放到大氣中的碳[14]。

稻田生態系統的碳匯主要來自水稻生長期間的植株固碳和土壤固碳[45]。水稻的植株固碳是指水稻通過光合作用吸收CO2，合成有機物并將碳固定在作物內的過程。該過程中水稻的自身固碳僅限于水稻從播種到收獲的生長期，局限在稻田生態系統內，而不包括水稻收獲后作為副產品處理或快速分解和燃燒的問題。土壤碳庫作為陸地生態系統中最大、最活躍的碳庫之一，在全球碳循環過程中扮演著重要的角色[46]。土壤碳主要包括兩類，一類是不斷與地球大氣進行碳交換且相對不穩定的有機碳，另一類是相對穩定的無機碳[47]，土壤固碳以及土壤碳庫的研究主要集中在前者。土壤碳固存是指土壤從大氣中捕獲碳并穩定貯存于碳庫中[45,48]。

目前稻田生態系統碳匯的研究尺度主要以區域尺度為主[49-51]，而全國尺度稻田生態系統碳匯估測及固碳量計算的相關報道仍較少[52]。本研究基于3 年的水稻田受控試驗數據，對DNDC 模型參數進行校驗，利用DNDC 模型估算2018—2020年中國稻田生態系統的固碳量，并分析其時空分布格局，以期為區域稻田生態系統固碳減排提供重要決策依據。

1 材料與方法

1.1 稻田受控試驗

受控試驗于2015 年7 月—2018 年7 月在江蘇省句容市淮源農場(31°48′N，119°13′E)進行。研究區屬于典型的亞熱帶氣候，試驗期間平均年降雨量1 609.5 mm，日平均最低氣溫20.7 ℃，最高氣溫27.9 ℃。根據聯合國糧農組織土壤分類[53]，該水稻田土壤為水耕人為土。試驗田土壤(0～20 cm)的理化性質為：pH 值5.8，土壤容重1.25 g/cm3，總碳含量9.12 g/kg，總氮含量0.96 g/kg，黏粒占14.63%，粉粒占78.62%，砂粒占6.74%。

稻田受控試驗期間，水稻秧齡達30 d 后移栽至試驗田。水分管理采用中期排水曬田措施[54]：淹灌—曬田—復淹—干濕交替。在水稻移栽前7 d 進行翻地和淹水，并維持淹水狀態1 個月；季中排水的時間通常為7～14 d；復淹后，采用干濕交替灌溉直至水稻收獲前 7 d。作物管理按照當地水稻—冬小麥輪作制度種植。水稻移栽和收獲時間見表1。每年水稻成熟時收割，收割時盡可能保證水稻根系的完整性，并將根系清洗干凈。水稻晾干水分后將其分為根、莖、葉和穗4 個部分，測定每個部分的干質量。

1.2 DNDC 模型參數輸入及驗證

1.2.1 DNDC 模型模擬的參數輸入

DNDC 模型模擬包括點位模擬和區域模擬，模擬的前提是輸入對應的氣象數據、土壤屬性、耕作參數等[54]。區域模擬前，首先對DNDC 模型進行參數優化和驗證，從而確保該模型適用于模擬研究區域的生物地球化學過程，詳細的參數優化方案及點位驗證結果見文獻[55-56]。本研究運用DNDC 模型(9.5 版本)對中國稻田固碳量進行區域模擬，研究設定的模擬單元為1 km×1 km的規則網格。

氣象數據來源于中國氣象局2018—2020 年699 個氣象站點的地面氣候資料日值數據集(https://data.cma.cn/)，包括氣壓、氣溫、相對濕度、降雨量等。根據最臨近原則將氣象數據分配至模擬單元，每個模擬單元的氣象數據包含氣象站代碼、經緯度、日最高氣溫、日最低氣溫、平均氣溫、日降雨量等信息。在2018—2020 年間，全國氣溫為10.1～10.3 ℃，較常年偏高0.5～0.8 ℃；全國降水量為645.5～673.8 mm，比常年偏多3%～7%，其中，東北、西北、華南年降水量偏多，而華北和長江中下游相對偏少，西南略偏少?？傮w而言，主要糧食產區光、溫、水匹配較好，主要糧食作物生產期間的氣候條件有利于農業生產[57]。

土壤屬性數據來源于協調世界土壤數據庫(1.2 版本) (http://webarchive.iiasa.ac.at/Research/LUC/External-World-soil-database/)，空間分辨率為1 km×1 km。土地利用類型數據基于Landsat 衛星獲得的Landsat Thematic Mapper/Enhanced Thematic Mapper Plus (TM/ETM+)遙感影像(http://www.globallandcover.com)產生。水稻種植區內各模擬單元的土壤屬性由土地利用類型數據和土壤屬性數據疊加分析生成?？傮w而言，中國水稻田SOC含量相對較低，大多數SOC 含量低于15 g/kg，變化范圍介于3～51 g/kg，其中黑龍江省和吉林省SOC 含量最高；土壤黏粒含量變異較大，其范圍在4%～50%間；土壤容重的變化范圍介于1.2～1.4 g/cm3，廣西壯族自治區和貴州省的土壤容重相對較低。

水稻種植面積及產量數據來自各省統計年鑒。2018 年中國水稻種植總面積為3.019×107hm2，早稻、晚稻和單季稻分別為4.79×106、5.27×106和2.013×107hm2，占比分別為16%、17%和67%，平均產量分別為5.967、5.958 和7.559 t/hm2；2019年水稻種植總面積減少至2.969×107hm2，早稻、晚稻和單季稻的種植面積分別為4.45×106、4.97×106和2.027×107hm2，占比分別為15%、17%和68%，平均產量分別為5.902、6.049 和7.561 t/hm2。

單季稻、早稻和晚稻的平均施氮量分別為150.53、139.91 和138.98 kg/hm2[58]。尿素為中國水稻生產中最常用的氮肥類型，故在DNDC 模型中以尿素作為輸入的氮肥。由于目前缺乏完整的關于中國不同地區水稻田糞肥施用情況的統計資料，故本研究沒有考慮糞肥的施用。在水稻收獲后，15%的秸稈施入稻田以實現土壤改良。本研究采用單季稻和雙季稻2 種常規的種植制度進行模型模擬。早稻、晚稻和單季稻的平均生育期分別為87、94 和109 d[59-61]。

1.2.2 模型驗證

本研究依據相關系數(r)、歸一化均方根誤差(normalized root mean square error，nRMSE)和平均絕對誤差(mean absolute error，MAE)評價DNDC 模型模擬結果的有效性[62-63]。為在全國范圍內評估校準后DNDC 模型的性能，本研究收集了各省統計年鑒中的水稻產量數據，并以“有機碳/有機質”和“2010—2020”為關鍵詞在中國知網上收集了40 組土壤有機碳觀測數據(圖1)，用于驗證區域尺度上水稻的產量及SOC。

圖1 氣象站點、試驗點、水稻種植區和驗證點位置圖Fig.1 Location map of meteorological stations,experimental sites,rice area and verification site

1.3 稻田生態系統固碳量計算

1.3.1 水稻固碳量

水稻固碳量是指水稻光合作用形成的凈初級生產量，即收獲的籽粒、莖葉和根系生物量中固碳量的總和。水稻單位面積固碳量計算公式為：

式中：C為區域水稻單位面積固碳量，kg/hm2；Cg為水稻籽粒固碳量，kg/hm2；Cs為水稻莖葉固碳量，kg/hm2；Cr為水稻根系固碳量，kg/hm2。

水稻固碳量的計算公式為：

式中：TC 為水稻固碳量，kg；Si為每個模擬單元的水稻田面積，hm2；Ci為每個模擬單元的水稻單位面積固碳量，kg/hm2；n為模擬單元數。

1.3.2 稻田土壤固碳總量

稻田土壤固碳總量是指一段時間內稻田生態系統土壤碳儲量的變化量，反映了稻田生態系統土壤碳庫的變化，其計算公式為：

式中：TSOC 為稻田土壤固碳總量，kg；ΔSOCi為每個模擬單元的SOC 年變化量，kg/hm2。

2 結果與分析

2.1 DNDC 模型模擬結果驗證

2.1.1 點位尺度上的驗證

DNDC 模型模擬和基于受控試驗實測的水稻根(n=15)、莖(n=17)、葉(n=17)、穗(n=25)和總生物量(n=17)的MAE 均低于8%，分別為7.3%、7.7%、7.3%、4.5%和4.7%。水稻根、莖、葉、穗和總生物量的模擬值與實測值的r值均大于0.8 (P＜0.01)，說明DNDC 模型能夠很好地反映水稻各組分生物量的變化，并對其進行模擬。

2.1.2 區域尺度上的驗證

雙季稻(圖2a)和單季稻(圖2b)觀測和模擬的產量nRMSE 和MAE 較小，且r≥0.77 (P＜0.01)，表明 DNDC 模型在研究區具有較高的模擬精度，可用于模擬水稻產量的動態變化。此外，SOC 的模擬結果與實測數據間的MAE 和nRMSE 均小于10%，說明其在水稻SOC 動態變化的模擬中具有較高的精度和較好的應用前景(圖2c)。

圖2 區域尺度DNDC 模型模擬結果驗證Fig.2 Accuracy assessment of the simulation results by DNDC model on regional scale

2.2 中國雙季稻固碳量的空間分布

作物固碳量和土壤固碳量存在顯著的區域差異(圖3a 和3b)。江西、湖南和廣東3 省的總固碳量排在前列，該3 省的作物固碳量占雙季稻作物總固碳量的67.65% (圖3c)、土壤固碳量占雙季稻土壤總固碳量的69.27% (圖3d)，主要原因是這3 省的播種面積占雙季稻播種面積的67.96%。云南、浙江和海南3 省的作物和土壤固碳能力均較弱，作物平均固碳量僅為2.49 Tg，遠低于全國平均值（15.29 Tg）；土壤固碳量均低于80 Gg，主要原因是這3 省的平均播種面積僅占全國雙季稻的5.49%。此外，作物固碳總量還受水稻單產的影響。海南省受地形影響，適宜播種水稻的面積較小，且同時存在產量較低的旱田或澇田，加之水稻管理措施粗放以及病蟲害的影響，其水稻單產遠低于全國平均水平。

圖3 中國雙季稻生態系統固碳量空間分布Fig.3 Spatial distribution of carbon sequestration in double cropping rice in China

雙季稻區的北部省份(湖北和安徽)及東部省份(浙江和福建)的土壤固碳量較低(圖3b)；湖南、江西和廣東的土壤固碳量較高；華南地區由于水稻土分布面積廣泛，在有機碳固定中的貢獻較大，土壤固碳量相對較高。江西、湖南、廣東和廣西的雙季稻固碳能力較強，江西和湖南的固碳量接近40 Tg，廣東和廣西的固碳量均大于25 Tg(圖3e)。另外，作物固碳量大于土壤固碳量，作物固碳量占雙季稻總固碳量的97.21%。

2.3 中國單季稻固碳量的空間分布

由圖4 可知：單季稻作物固碳量和土壤固碳量總體上呈現北高南低的特征。東北地區(黑龍江、吉林)作物和土壤固碳能力較強，主要原因為東北地區氣候濕潤，降水充沛，適合作物生長，凈初級生產力較高，作物固碳量較大，凋落物輸入量大；同時溫度較低導致凋落物分解速度較慢，利于積累有機物。北京、西藏和山西播種面積僅占單季稻播種面積的0.01%，故作物和土壤固碳量較低；此外，地處高原的西藏由于海拔高、氣溫低，氣候干燥加之自然災害較多導致水稻單產較低，水稻作物固碳能力較弱。單季稻總固碳量為366.04 Tg，省份平均固碳量為13.07 Tg。黑龍江、江蘇、湖北、四川和安徽的固碳能力較強，平均固碳量為45.62 Tg，遠高于全國平均水平。另外，作物固碳量大于土壤固碳量，作物固碳量占單季稻總固碳量的96.82%。

圖4 中國單季稻生態系統固碳量空間分布Fig.4 Spatial distribution of carbon sequestration in single cropping rice

2.4 中國稻田生態系統總固碳量的空間分布

水稻分布地域廣闊，自然條件復雜多樣，2018—2020 年中國水稻作物固碳量的空間分布高度異質，總體呈現東北、華中地區高，東南、西南地區低的空間分布特點(圖5a)。土壤固碳量空間分布大體呈現北高南低的地域分異規律(圖5b)：北方地區(黑龍江)土壤固碳能力強，南方地區(江蘇、湖北和廣東)土壤固碳能力處于中等水平，而西南、華東及華北地區土壤固碳能力處于較低水平。水稻總固碳量為523.29 Tg，省份平均固碳量為17.44 Tg。從空間分布上看(圖5c)，固碳量較大的區域集中在黑龍江、河南南部、湖南、江西、安徽、江蘇等；而固碳量較小的區域位于浙江、寧夏北部、陜西南部等。

圖5 中國稻田固碳總量的空間分布Fig.5 Spatial distribution of total carbon sequestration in paddy fields in China

黑龍江、湖南、江西、湖北和江蘇的固碳能力較強，其作物固碳量占全國作物固碳量的一半以上(圖5d)，土壤固碳量占全國土壤總固碳量的62.96% (圖5e)，固碳總量達到285.02 Tg，固碳能力排在全國前列(圖5f)。湖南、福建、江西和廣西的雙季稻固碳量大于單季稻，雙季稻固碳量約占總固碳量的60.26%～92.19%。除廣西雙季稻播種面積大于單季稻外，湖南、福建和江西的雙季稻播種面積均小于單季稻。

3 討論

3.1 與其他研究的估算結果比較

水稻作物固碳量通常在0.115～0.917 Pg，占農田作物固碳的40%～46%[64-65]，本研究估算的水稻作物固碳量處于該估算范圍內，與王雅楠等[66]計算的結果相近。模型的選取以及輸入參數的差異會得到不同的計算結果。本研究計算得到的稻田土壤碳儲量為0.78 Pg，略低于PAN 等[67]計算得到的0.85 Pg，分析其可能原因包括以下2 個方面：(1) DNDC 模型計算的是土壤深度0～20 cm 的碳儲量，而PAN 等[67]估算的是基于實測土壤剖面資料所記錄的土壤深度；(2) PAN 等[67]估算的有機碳含量是將有機質含量乘以0.58 轉化而得，而本研究是直接以碳(C)為計算單位，故兩者略有區別，但總體而言，本研究估算的結果與其他相關研究基本一致。

本研究對DNDC 模型進行了參數優化、校準和驗證，模擬值與實測值在點位模擬和區域模擬上均具有較好的一致性，表明DNDC 模型具有模擬稻田生態系統作物和土壤固碳量的能力。然而，利用DNDC 模型模擬全國水稻固碳量的時空分布格局也存在一定的不確定性[68]。首先，在區域尺度上，DNDC 模型模擬的不確定性主要來源于土壤屬性的空間異質性，模型默認每個模擬單元內的土壤屬性是均一的，這與現實情況不符[68]，因此，在今后的研究中還需要大量田間試驗數據來優化模型內部參數，減少系統誤差，從而更全面和準確地提高模擬精度[69]。其次，長期定位試驗數據還比較欠缺，全國水稻分為單、雙季稻不夠精細等因素也會導致模型模擬的不確定性，因此，試驗數據的逐步積累以及不斷增加對稻田生態系統固碳能力及其微生物—土壤—作物交互作用機制的認知才能逐步減少估算的不確定性。

3.2 農田作物碳儲量的碳源匯效應

與森林和草地生態系統相比，農田生態系統的碳匯較弱。方精云等[70]、趙寧等[71]和楊元合等[72]學者認為：農作物收獲期短，作物生物量的固碳作用不顯著，因此把農作物生物量的碳匯設為零。然而，近年研究結果表明農田作物生物量的碳匯為0.6～2.0 Pg[64-65,73]，且通過估算作物碳儲量動態變化可知：隨著作物栽培技術的逐步優化和農業投入的快速增加，作物生產和固碳能力不斷增強[74]。農作物自身的固碳能力在產量不斷增加的背景下迅速提升，作物生產系統正逐步成為一個龐大的碳庫，對于維持農業土壤固碳、增加土壤有機碳儲量、確保糧食安全等至關重要[4]。

穩定的土壤有機碳形成時間較長，且農作物大多為一年生[75]，因此在農田生態系統中土壤碳儲量(密度)普遍大于作物植被碳儲量(密度)[74]，但在區域尺度上，作物具有顯著的碳匯功能，中國農作物年均固碳量高達6×108t[76]。隨著農業生產技術的提升，農作物生產能力和農作物碳蓄積量也在不斷提高，同時，作物的生產能力以及秸稈還田模式也會影響土壤碳庫水平[74]。因此，在農田生態系統碳儲量及碳收支估算中應充分重視作物碳儲量，并具體分析不同時空尺度的碳源匯效應。

稻田生態系統在中國陸地生態系統碳循環中占據著重要地位，稻田的耕作制度和田間管理模式不斷優化，尤其是土地利用變化和水稻新品種的推廣和運用將影響稻田生態系統的固碳過程和固碳能力[77]。在今后的研究中，闡明各要素對稻田生態系統固碳功能的影響機制，提升核算與預測稻田碳中和的能力[78]，對于固碳減排和稻田可持續發展具有重要意義。

4 結論

本研究基于DNDC 模型估算中國稻田作物和土壤固碳潛力。受控試驗和區域尺度大田觀測表明DNDC 模型能較高精度模擬作物、土壤固碳量的時空分布格局。2018—2020 年，中國稻田生態系統固碳量達523.29 Tg，其中單季稻固碳總量366.04 Tg，雙季稻固碳總量157.25 Tg；黑龍江、湖南和江西的固碳能力排在全國前列。作物固碳量對固碳總量貢獻較大，約占固碳總量的97%，而土壤固碳量僅占3%。單季稻固碳量的分布呈現北高南低的特征，雙季稻固碳量的分布呈現北低南高的特征，雙季稻區北部及東部省份固碳量較小，南部省份固碳量大。