農田生態系統碳循環模型研究綜述

萬 盛，宋新山，秦天玲，于志磊，何 萌

(1.東華大學環境科學與工程學院，上海 201620；2.中國水利水電科學研究院水資源所，北京 100038)

農田生態系統是陸地生態系統碳循環過程中最活躍的碳庫[1]，研究農田生態系統中碳的凈排放量對研究全球的碳排放有及其重要的意義。陸地生態系統碳循環模型是研究陸地生態系統碳循環的有效手段之一[2，3]。通過模型可以模擬長時間和大空間尺度上的生態系統碳循環過程，進而探尋土壤水和碳循環的響應關系[4,5]。

20世紀中期，陸地生態系統碳循環模型開始出現[6-9]，農田生態系統碳循環模型在陸地生態系統碳循環模型的基礎上逐漸發展起來。根據陸地生態系統碳循環模型的模擬特點，可以將其分為3個階段：全球碳平衡模型階段(20世紀六七十年代)、陸氣耦合碳循環模型階段(20世紀80年代)和動態生物化學碳循環模型階段(20世紀90年代至今)。

全球碳平衡模型多為靜態模型，利用實測數據，通過簡單相乘模擬全球碳平衡，主要有MIAMI[10]、PSIAC[11,12]、BATS[13]和LSX[14]等；陸氣耦合碳循環模型是簡單動態模型，通過植被-氣候關系模擬氣候對碳平衡的動態影響，主要有CASA[15]、BIOME[16]、DOLY[17]、SIB2[18]和EPIC[19]等模型；動態生物化學碳循環模型是復雜的動態模型，考慮了土地利用和土地覆蓋變化等對碳循環的影響，主要有CENTURY[20]、TEM、DNDC[21.22]和CLASS[23]等。農田生態系統碳循環模型隨著陸地碳循環模型的3個發展階段逐漸發展，通過基礎研發到模型開發，并在當下綜合應用于對農田生態系統碳循環的研究。

本文基于農田生態系統的最新研究進展，論述了不同農田生態系統土壤水-碳循環模型的特征和應用，并展望了農田生態系統土壤水-碳循環模型的研究發展方向。

1 農田生態系統碳循環模型發展歷程

農田生態系統是陸地生態系統的重要組成部分[7]，它既是重要的碳源，也是重要的碳匯[8]，其碳循環過程較為復雜。農田生態系統碳循環模型能夠將氣候、土壤等環境因素和農業管理、土地利用等人類活動聯系起來，詳細描述碳循環動態變換過程及其對生態系統的反饋作用。

農田生態系統碳循環模型根據模型特點可以分為3個階段：基礎研發階段、開發階段和綜合應用階段(見表1)。

表1 農田生態系統碳循環模型發展歷程Tab.1 Development of the carbon cycle model in farmland ecosystem

2 農田生態系統碳循環模型分類

農田生態系統碳循環模型根據它們的目的和預期的應用不同，可以有不同的分類，一般情況下將其按空間尺度分類。但由于近些年來對農田生態系統中的土壤水與碳循環的耦合研究較多，為方便今后相關研究的進行，通過查閱的大量相關資料，可以將農田生態系統碳循環模型按是否考慮土壤水含量參數進行分類，且根據農田生態系統中土壤水的來源和模型中土壤水含量參數的類型進行進一步劃分。

2.1 農田生態系統碳循環模型基于模型空間尺度分類

農田生態系統碳循環模型根據其空間尺度可以分為4類：斑塊尺度、灌區尺度、流域尺度和全球尺度。

斑塊尺度上的農田生態系統碳循環模型主要是研究某一植株或某一斑塊在周圍環境中的碳循環。此類模型的代表有RZWQM模型[32]。這類模型的機理性較強，以日或時為時間步長。但由于農田生態系統中的環境參數存在較大的時空差異，使得局部尺度上的農田生態系統碳循環模型中的參數確定較為復雜[33]。這類模型尺度較小，能有效地反映斑塊內土壤水含量與碳循環的響應關系，但對斑塊內土壤水與斑塊周圍環境中碳循環過程和水分的交換描述稍顯欠缺。

灌區尺度上的農田生態系統碳循環模型主要是用于研究一個灌區內作物參量的估算和作物的優化管理措施中。此類模型主要有GSWAP[34]、EPIC、CERES、WOFOST和SUCROS等模型。此類模型的機理性強，精度高，應用范圍較廣。但此類模型一般屬于半經驗性模型，對于生態系統中土壤水分對碳循環影響機理的表達較為模糊[35]。

流域尺度上的農田生態系統碳循環模型生態系統中集合了大范圍的生物物理、化學和生態過程，一般可用來研究較大時間尺度上生態系統的碳循環過程。驅動因子中的土壤水含量數據取流域內的平均值，模擬較大時空尺度上的碳含量變化時較為精確，主要用于分析環境因素對生態系統的影響和其反饋情況，但難以單獨分析流域內不同子區間的土壤水和碳循環的響應關系。此類模型主要有SHAW[36]和APSIM[37]等模型。

全球尺度上的農田生態系統碳循環模型一般用于研究全球環境變化對生態系統的影響。研究尺度大，其代表性模型主要有ISBA[38]和BEPS[39]等模型。此類模型在研究大尺度上變化環境對生態系統造成的影響方面效果較好，但無法考慮到地面柵格單元內的植被、地形和氣候等的變化，且由于土壤水含量數據難以準確得到，使得模型較難詳細分析土壤水分含量變化與生態系統中碳循環的響應關系[40]。

2.2 農田生態系統碳循環模型基于土壤水含量參數分類

農田生態系統中，土壤水分是重要的水分來源，土壤水含量變化會改變系統中土壤環境和作物的生長狀況，從而影響土壤的碳儲存和碳排放以及作物的碳排放和碳吸收過程，改變農田生態系統的碳循環過程。農田生態系統碳循環模型根據其是否考慮土壤水可以將其分為兩類：不考慮土壤水的農田生態系統碳循環模型；考慮土壤水的碳循環模型。

2.2.1 基于是否考慮土壤水含量分類

(1)不考慮土壤水的農田生態系統碳循環模型。一部分模型是完全不考慮土壤含水量變化情況，由灌溉量、降雨量、氣溫等來接模擬得到碳循環的相關參數和過程，如作物分布和生長等，主要是用于研究氣候變化和田間管理與農田生態系統中碳的凈排放響應關系。其代表模型有DOLY模型等。此類模型由于對氣候因子考慮較多，一般可用于描述大尺度上的植被與氣候間的關系，但由于缺乏相應的機理，使得其難以考慮到土壤水含量引起的相關變化。

(2)考慮土壤水的農田生態系統碳循環模型。另一部分農田生態系統碳循環模型考慮土壤水分含量變化對碳循環的影響，這類碳循環模型中以土壤水含量做驅動因子，主要用于研究土壤水含量與碳循環的響應關系，包括CENTURY、DNDC、CLASS、DSSAT、CLM-DGVM[6,41,42]和IBIS[43]等模型。集中于模擬農田生態系統中碳循環、水循環和植被變化過程，能很好地描述生態系統中土壤水和碳循環的響應關系。在農田生態系統碳循環模型中，土壤水參數可以分為輸入變量和中間變量。

2.2.2 基于土壤水含量參數類型分類

在考慮土壤水含量變化過程的農田生態系統碳循環模型中，土壤水參數可以作為模型的輸入參數和中間參數。

(1)以土壤水含量作為模型輸入參數。農田碳循環模型根據其機理不同，其輸入的參數也不同，一部分模型是基于土壤水含量的變化情況來模擬分析農田生態系統中的碳循環和碳排放過程，主要用于研究土壤水分變化對農田生態系統中碳循環和碳排放的響應關系。其代表性模型有：DNDC[44]、GSWAP、DSSAT和EPIC等模型。此類模型以土壤含水量為輸入參數，根據初始土壤含水量其其他相關參數來模擬得到所需的參數和過程，如土壤中的水量通量和水力變化等物理過程，硝化和反硝化等化學過程以及作物的生長過程等。

(2)以土壤水含量作為模型中間變量。一部分農田碳循環模型模擬不直接基于土壤水分含量變化情況，而是根據其他氣候條件、田間管理和初始土壤含水量來模擬得到土壤中的含水量變化情況，在根據模擬得到的土壤含水量繼續模擬系統中的碳循環過程，主要用于研究生態系統中氣候條件、土壤環境和人為管理共同作用下農田生態系統中碳循環和碳排放的過程。其代表模型有LPJ[45,46]、SWAT[47]、BEPS和BIOME等模型。此類模型的一般輸入參數更多，過程更為復雜，但考慮的環境因素更多，更加全面，應用范圍也更為廣泛。

在以土壤水作農田生態系統碳循環模型的中間變量時需要考慮土壤水的主要來源，可以將其分為以降水為主，以灌溉為主和兩者共同影響3類。

2.2.3 基于土壤水來源分類

在農田生態系統碳循環模型中，土壤水的主要來源可以分為降水，灌溉和地下水。其中地下水主要影響農田生態系統中的深層土壤水含量，對農田生態系統的碳循環過程影響較小，在模型模擬中主要考慮降水和灌溉。

(1)以降水為主要土壤水來源。這類模型以自然環境中的降雨作為農田生態系統中的土壤水來源輸入，主要用于研究氣候變化對農田生態系統中碳循環的影響，對人類活動影響的考慮稍顯不足，其代表性模型有LPJ、DNDC、MIAMI、BIOME和BEPS等模型。

(2)以灌溉為主要土壤水來源。這類模型以人為灌溉作為農田生態系統中主要的土壤水來源輸入，主要用于研究人為管理對碳循環的影響效應，在模擬自然環境變化對對碳循環過程的影響稍顯不足，其代表性模型有RZWQM和CERES等模型。

(3)考慮降水和灌溉對土壤水的共同影響。這類模型既考慮人為灌溉，又考慮自然降水對土壤水含量的影響，可用于研究自然環境和人為管理條件下農田生態系統的碳循環過程，其機理性強，適用范圍廣，在模擬農田生態系統中土壤水和碳的響應關系是更加準確，其代表性模型有GSWAP、EPIC和DSSAT等模型。

3 結 論

隨著對農田生態系統結構、功能和其中碳循環過程認識的不斷深入，以及遙感技術的突飛猛進，農田生態系統的碳循環模型不斷地得到發展和完善。但這些碳循環模型仍然存在著一些問題，具體有以下幾個方面。

(1)模型的準確度不夠。由于當前科學認識的而不足，使得農田生態系統碳循環過程中，仍然有許多過程的機理不太明確，不能完全準確的模擬描述系統中的碳循環過程，會造成模型在模擬過程中出現一些不能明了的誤差。

(2)模型需要的參數復雜。農田生態系統碳循環模型的機理越強，所需參數就越多，為準確的模擬農田生態系統的碳循環過程就需要大量不同類型的數據進行支撐，模型參數在獲取過程中精度的不同對模型模擬的準確會產生不同的影響。

(3)不同模型的同一模擬過程沒有統一的標準。由于不同碳循環模型考慮的生態過程和環境因子不同，對同一生態過程的描述也不一樣，從而使得不同模型對同一過程模擬的最終結果存在差異。

(4)模型考慮的環境因子不全面。由于農田生態系統中的發生生態過程和環境因子較復雜，難以完全考慮，會對其中的某些生態過程和環境因子進行適當合理的假設，但這樣會導致模型不可避免的出現系統誤差。

為解決上述問題，在以下4個方面需要進行深入研究。

(1)隨著科學技術的發展，加強對農田生態系統中生態過程和物質循環的認識，認清農田生態系統中碳循環過程的準確機理，深入了解農田生態系統中碳訓話過程，便于建立更加準確精細的農田生態系統碳循環模型，從機理上完善農田生態系統碳循環模型。

(2)發展先進的監測技術，完善農田生態系統中碳循環過程的監測，并將其與農田生態系統碳循環模型相結合。利用GIS、GPS和RS等現代技術對農田生態系統進行監測和分析，準確地描述農田生態系統各類特征，使得模型輸入的參數更加詳細精確，減少由參數缺失和不詳引起的誤差。

(3)對不同農田生態系統碳循環模型中的同一生態過程建立統一的標準，使不同模型在描述同一生態過程時應用的原理和參數相同，便于不同模型之間的耦合，增加模型的研究范圍和其在實際應用中的作用。

(4)在研究方法上，可以將農田生態系統中的不同模型通過耦合的方式有機地結合在一起，建立一個以整個生態系統為研究對象農田生態系統。在農田生態系統中，物質交換和能量流動的聯系非常密切，不可分割。因此，農田生態系統碳循環模型應該把農田生態系統當成一個功能整體來進行研究，綜合建立動態的物質和能量循環生態模型。

□

[1] 劉 昱，陳敏鵬，陳吉寧.農田生態系統碳循環模型研究進展和展望[J].農業工程學報，2015,31(3)：1-10.

[2] 周文婷，黃毅斌，王義祥，等.農業生態系統碳循環[J].草業科學，2013,30(11)：1 725-1 731.

[3] 陳新芳，居為民，陳鏡明，等.陸地生態系統碳水循環的相互作用及其模擬[J].生態學雜志，2009,28(8)：1 630-1 639.

[4] 毛留喜，孫艷玲，延曉冬.陸地生態系統碳循環模型研究概述[J].應用生態學報，2006,17(11)：2 189-2 195.

[5] 姚桃峰, 王潤元, 王 燕.中國小麥生長模擬模型研究概述[J].干旱氣象, 2009,27(1)：66-72.

[6] 王 平,沈潤平.基于CLM模型的植被覆蓋變化對黃土高原氣溫和降水的影響研究[J].科學技術與工程,2013,13(20):5 754-5 759.

[7] 張海清，劉琪璟，陸佩玲，等.陸地生態系統碳循環模型概述[J].中國科技信息，2005,13：18-19.

[8] 楊靖民，楊靖一，姜 旭，等.作物模型研究進展[J].吉林農業大學學報，2012,34(5)：553-561.

[9] 王文佳，馮 浩.國外主要作物模型研究進展與存在問題[J].節水灌溉,2012,(8):63-68.

[10] 南 梅.基于Miami模型分析青海省果洛州天然草地植被凈初級生產力[J].畜牧與飼料科學，2012,33(1)：13-15.

[11] Garg V, Jothiprakash V. Sediment yield assessment of a large basin using PSIAC approach in GIS environment [J]. Water Resources Management, 2012,26(3):799-840.

[12] Daneshvar Mohammad, Reza Mansouri, Bagherzadeh Ali. Evaluation of sediment yield in PSIAC and MPSIAC models by using GIS at Toroq Warewshed, Northeast of Iran [J]. Frontiers of Earth Science, 2012,6(1):83-94.

[13] Popa Lisseanu Ana G, Kramer Schadt Stephanie, Quetglas Juan. Seasonal Variation in Stable Carbon and Nitrogen isotope values of Bats Reflect Environmental Baselines [J]. PLOS ONE, 2015,10(2):1-19.

[14] Thompson SL, Pollard D. A global climate model (GENESIS) with a land-surface-transfer scheme (LSX),2, CO2sensitivity[J]. Journal of Climate, 1995,8(5):1 104-1 121.

[15] 秦 瑞，周瑞伍，彭明春.CASA模型在金沙江流域(云南部分)NPP研究中的應用[J].山地學報，2014,32(6)：698-705.

[16] Nunes Leonia, Gower Stith T, Peckham Scott D. Estimation of productivity in pine and oak forests in northern Portugal using Biome-BGC [J]. Forestry, 2015, 88(2):200-212.

[17] 盧鶴立，劉桂芳.陸地生態系統生產力模型研究進展[J].寶雞文理學院學報(自然科學版)，2010，3(6)：79-84.

[18] 褚英敏，袁再健，劉 暢，等.SiB2模型在黃灌區的應用探討[J].水土保持研究，2011,18(2)：159-163.

[19] 范 蘭，呂昌河，陳 朝，等.EPIC模型及其應用[J].地理科學進展，2012,31(5)：584-592.

[20] 方東明，周廣勝，蔣延玲，等.基于CENTURE模型模擬火燒對大興安嶺興安落葉松林碳動態的影響[J].應用生態學報，2012,23(9)：2 411-2 421.

[21] Meihua Deng, Sonoko D，Bellingrath Kimura, et al. Evaluation of N environmental risks on Andosolsfroman intensive dairy farming watershed using DNDC[J]. Science of the Total Environment, 2014,512:659-671.

[22] Zheng Zhao, Hanlin Zhang, Changsheng Li, et al. Quantifying nitrogen loading from a paddy field in Shanghai, China with modified DNDC model[J]. Agriculture, Ecosystems and Environment, 2014,197(10): 212-221.

[23] Morais A, Fortin V, Anctil F. Modelling of seasonal evapotranspiration from an agricultural field using the canadian land surface scheme (CLASS) with a pedotransfer rule and multicriteria optimization[J]. Atmosphere-ocean, 2015,53(2):161-175.

[24] Dokoohaki Harrize, Gheysari Manhdi, Mousavi Sayed Farhad. Coupling and testing a new soil water module in DSSAT CERES-Maize model for maize production under semi-arid condition [J]. Agricultural Water Management, 2016，163(10):90-99.

[25] 金之慶，葛道闊，石春林，等.東北平原適應全球氣候變化的若干糧食生產對策的模擬研究[J].作物學報，2002，28(1)：24-31.

[26] Lopez Cruz Irineo L, Rojano-Aguilar Abraham, Salazar-Moreno Raquel. Global sensitivity of crop growth SUCROS Model applied to husk tomato[J]. Revista Fitotecnia Mexicana, 2014，37(3):279-288.

[27] Mishra Sudhir Kumar, Shekh A M, Pandey V. Sensitivity analysis of four wheat cultivars to varying photoperiod and temperature at different phenological stages using WOFOST model [J]. Journal of Agrometeorology, 2015,17(1):74-79.

[28] Maldonado Ibarra Isaac. Determination of genetic coefficients of three spring wheat varieties under a Mediterranean environment applying the DSSAT model [J]. Chilean Journal of Agricultural Research, 2015，75(4):412-424.

[29] Zha Y, Xueping W, Xinhua H, et al. Basic soil productivity ofspring maize in black soil under long-term fertilization based on DSSAT model [J].Journal of Integrative Agriculture, 2014,13(3):577-587.

[30] Lu X H, Bai H, Liu H Y. Validate the DSSAT model on winter wheat under conservation tillage treatments in the West Henan, China [J]. Agricultural Research in the Arid Areas, 2014,28(3):64-70.

[31] Subash N, Shamim M, Singh V K. Applicability of APSIM to capture the effectiveness of irrigation management decisions in rice-based cropping sequence in the Upper-Gangetic Plains of India [J]. Paddy and Water Environment，2015,13(4):325-335.

[32] 丁晉利，武繼承，楊永輝，等.耕作方式轉變對土壤蓄水保墑影響的RZWQM模型模擬[J].農業機械學報，2016，(4):136-145.

[33] 王 風，張克強，黃治平，等.RZWQM模型介紹及其應用進展[J]. 農業系統科學與綜合研究,2008,24(4):501-504.

[34] 徐 旭，黃冠華，屈忠義，等. 區域尺度農田水鹽動態模擬模型GSWAP[J]. 農業工程學報，2011，27(7)：58-63.

[35] 羅 霄，李忠武，葉芳毅，等.水稻生長模型CERES-RICE的研究進展和展望[J].中國農業科技導報，2009,11(5)：54-59.

[36] 李瑞平，史海濱，赤江剛夫，等.基于SHAW模型的內蒙古河套灌區秋澆節水灌溉制度[J].農業工程學報，2010,26(2)：31-36.

[37] Sotirios V Archontoulis, Fernando E Miguez, Kenneth J Noore. A methodologe and an optimization tool to calibrate phenology of short-day species included in the APSIM PLANT model: application to soybean[J]. Environmental Modelling & Software, 2014,62(13):465-477.

[38] Joetzjer E, Delire C, Douville H, et al. Improving the ISBA(CC) land surface model simulation of water and carbon fluxes and stocks over the amazon forest[J]. Geoscientific Model Development,2015,8(6):1 709-1 727.

[39] Wu Rongjun, Ge Qin, Zhan Xiwu, et al. Drought monitoring based on simulated surface evapotranspiration by BEPS model [J]. Journal of Natural Disasters, 2014,23(1):7-16.

[40] 馮險峰，孫慶齡，林 斌.區域及全球尺度的NPP過程模型和NPP對全球變化的響應[J].生態環境學報，2014,23(3)：496-503.

[41] Shao Pu, Zhen Xiaodong. Spatiotemporal relationship of leaf area index simulated by CLM3.0-DGVM and climatic factors [J]. Acta Ecologica Sinica, 2011,31(16):4 725-4 731.

[42] CheMingliang， Chen Baozhang， Wang Ying，et al. Review of dynamic global vegetation model (DGVM) [J]. Chinese Journal of Applied Ecology, 2014, 25(1):263-271.

[43] Xiaolei Cao, Zuhao Zhou, Xiangdong Chen, et al. Improving leaf area index simulation of IBIS model and its effect onwater carbon and energy----a case study in Changbai Mountain broad leaved forest of China [J]. Ecological Modelling, 2015,303(8):97-104.

[44] Li R H, Li X B, Li G Q, et al. Simulation of soil nitrogen storage of the typical steppe with the DNDC model: a case study in Inner Mongolia, China [J]. Ecological Indicatiors, 2014,41(10):155-164.

[45] Florian Sallaba, DorteLehsten, Jonathan Seaquist, et al. A rapid NPP meta-model for current and future climate and CO2scenarios in Europe [J]. Ecological Modelling, 2015,302(13):29-41.

[46] 王旭峰，馬明國.基于LPJ模型的制種玉米碳水通量模擬研究[J].地球科學研究進展，2009，24(7)：734-740.

[47] Vigiak Olga, Malago Anna, Bouraoui Faycal, et al. Adapting SWAT hillslope erosion model to predict sediment concentrations and yields in large Basins [J]. Science of the Total Environment, 2015,538(20):855-875.