2023, Vol. 44
2. 武汉大学水资源与水电工程科学国家重点实验室, 武汉 430072;
3. 江西省灌溉试验中心站, 南昌 330201
2. State Key Laboratory of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan 430072, China;
3. Jiangxi Central Station of Irrigation Experiment, Nanchang 330201, China
甲烷(CH4)是仅次于二氧化碳(CO2)的第二大温室气体, 是气候变化的主要贡献者之一[1, 2].湿润土壤的微生物活动是产CH4的主要途径之一, 稻田土壤厌氧状态和根系、凋落物分解营造的富碳环境为产甲烷菌的生长繁殖提供了良好条件[3~5].水稻田是CH4排放的主要人为源之一[2, 6], 全球因种植水稻而释放的CH4约占其总排放量的9.4%, 占人为源排放量的16.1%[7].随着全球人口和粮食需求不断增长, 源自稻田的CH4排放份额可能会进一步增加[6].我国水稻种植面积约3000万hm2[8], 居世界第二位, 研究其CH4排放状况并采取相应的农艺减排措施, 对缓解全球气候变暖和推进农业领域碳达峰碳中和具有重要作用.
长期以来, 静态箱-气相色谱法是测量CH4排放的常规手段[9~11], 但其数据时空连续性较差且波动性大, 试验时箱壁插入土壤以及缓慢的采气过程对植被扰动较大, 表面风速、箱体密闭时间和箱内气体浓度积累等会对测量结果造成系统性误差[3, 9]. 20世纪90年代以来, 涡度相关(eddy covariance, EC)法凭借时空代表性高、不扰动植被和土壤以及水-能量-碳联合同步观测等优势, 被广泛应用于陆地生态系统CO2和H2O通量的测定中[3].随着痕量气体分析技术的发展, 利用EC法开展CH4通量的长期定位观测成为现实[12, 13].近年来, 基于开路式CH4分析仪的研究陆续展开[14~16], 但在国内还较为缺乏同步观测CO2和CH4的农田生态系统EC通量站及其相关研究成果[16].目前, 部分学者报道了东北辽河三角洲稻田[17, 18]、长三角稻麦轮作农田[16, 19~21]和湖南益阳晚稻田[22]等水稻类型, 但与我国水稻种植分布、类型和耕作制度的复杂多样性相比, 目前的研究广度和深度还较低.
鄱阳湖平原是长江中下游平原的重要组成部分, 也是我国主要的双季稻稻作区[23].近年来, 随着农村人口向城镇转移, 农业劳动力成本不断上升, 耕地流转背景下以稻种直接撒播为代表的轻简栽培方式得到快速推广, 直播稻种植面积增长迅速, 表现出很大的发展潜力[19, 24].本文以鄱阳湖平原双季直播稻为研究对象, 基于EC法得到水稻生育期CH4与CO2通量, 揭示不同时间尺度CH4排放和CO2交换特征, 量化直播模式下双季稻田CH4排放总量和CO2交换量, 进而评价稻田CH4排放和CO2交换的综合增温势, 以期为长江中下游地区制定固碳减排的稻田碳水管理策略提供技术支撑.
1 材料与方法 1.1 试验区概况本试验于2020年水稻生育期在江西省南昌市南昌县的试验田进行(116°00′50″E, 28°26′46″N, 海拔为21 m), 试验田地势平坦, 集中连片, 灌排方便, 由当地种粮大户承包后统一管理.试验田位于鄱阳湖平原赣抚平原灌区, 属亚热带季风气候, 年均气温为17.5℃, 年均降水量为1 530 mm, 降水量年内分布不均, 梅雨季通常在5~6月, 土壤类型为水稻土, 耕作层土壤质地为粉砂质黏土, 容重为1.36 g·cm-3, ω(有机质)为19.2 g·kg-1.
1.2 试验过程 1.2.1 田间管理水稻种植采用稻种直播方式, 即人工将浸种催芽后的稻种(22.5 kg·hm-2)直接撒播至已泡田的湿润稻田中, 省去育秧、拔秧和移栽等工序.采用双季稻耕作制度(表 1), 早稻品种为“早籼902”, 于2020年3月23日播种, 7月10日收割, 历时110 d; 晚稻品种为“玖两优黄华占”, 于7月17日播种, 11月18日收割, 历时125 d.采用二次施肥方式, 播种前1~2 d施750 kg·hm-2复合肥(N∶P2O5∶K2O=24∶8∶18, 总养分≥50%, 下同)作基肥; 水稻分蘖前施750 kg·hm-2复合肥作分蘖肥.早稻季受梅雨影响, 田面大多数时间有水层; 晚稻季采用间歇灌溉, 稻田有明显的干湿交替过程.
|
表 1 直播稻种植情况 Table 1 Planting situation of direct-seeded rice |
水稻收获采用联合收割机, 在田间一次性完成收割、脱粒、分离茎秆和清除杂余物等工序, 直接获取清洁谷粒.分离的秸秆被联合收割机切碎后抛洒还田, 连同地面的茎秆、根系等在下茬作物播种前旋耕入田.除谷粒被带离稻田外, 其它产出物均留在田内.
1.2.2 CH4、CO2通量观测涡度相关系统由开路式CH4分析仪(LI-7700, LICOR, USA)、开路式CO2/H2O分析仪(LI-7500A, LICOR, USA)、三维超声风速计(WindMaster Pro, Gill, UK)和数据采集器等组成[图 1(a)], 安装在试验田中央, 试验期间60%~80%通量贡献区如图 1(b)所示, 满足应用EC法时对下垫面和风浪区的要求[3, 25].分析仪和风速计的安装高度距地面2.5 m, 采样频率10 Hz.试验同步观测气象、辐射和土壤要素等, 采样频率为每次1 min.
|
(a) 涡度相关系统; (b) 涡度相关系统位置及其通量贡献区 图 1 研究区试验仪器和通量观测条件 Fig. 1 Test instruments and flux observation conditions in the study area |
利用EddyPro软件对通量原始数据进行计算和校正[25], 通量计算公式为：
|
(1) |
式中, F-s(F-CH4或F-CO2)为CH4或CO2的通量, 瞬时尺度上单位(以物质的量计)为μmol·(m2·s)-1, 日尺度上单位(以质量计)为g·(m2·d)-1; w为三维超声风速计观测的垂直风速, m·s-1; ρs为气体分析仪观测的大气CH4密度或CO2密度, μmol·mol-1或mg·m-3; 上划线表示时间平均; 撇号(′)表示瞬时值与平均值的偏差.
1.3.2 CH4强排放期和弱排放期由图 2可知, CH4通量在大于0.20 g·(m2·d)-1后表现出明显的强排放特征, 与小于0.20 g·(m2·d)-1的排放时段特征差异明显.因此, 本文定义连续数日F-CH4≥0.20 g·(m2·d)-1的时段为稻田CH4强排放期, 其他时段为CH4弱排放期.2020年早稻季有2个强排放期, 分别为4月6~8日(持续3 d)和4月25日至6月12日(持续49 d); 晚稻季有1个强排放期, 为7月17日至9月1日(持续47 d).
|
图 2 直播稻CH4排放的季节变化 Fig. 2 Seasonal changes in CH4 emissions in direct-seeded rice |
图 3和图 4中强排放期、弱排放期和不同月份的CH4通量数据, 是按30 min的时间间隔分组, 全天分为48组, 然后计算各个时段每组的平均值得到的.
|
图 3 直播稻CH4通量在强、弱排放期的日内变化 Fig. 3 Daily variations in CH4 fluxes during strong and weak emission periods in direct-seeded rice |
|
图 4 不同月份直播稻CH4通量的日内变化 Fig. 4 Daily variations in CH4 fluxes during different months in direct-seeded rice |
相同质量的CH4比CO2具有更强的红外吸收和再辐射能力, 当评价CH4的增温效果时, 可采用CO2当量(CO2-eq)概念, 将CH4转换为CO2直接进行比较.通常用全球增温势(global warming potential, GWP)作为转换倍数来估算其他温室气体相对于CO2的直接增温能力, 100 a时间尺度上, 1 g CH4的GWP100是1 g CO2的28倍[6].本文以此来计算稻田CH4排放和CO2交换的综合温室效应, 其计算公式为：
|
(2) |
式中, GWPrice为稻田CH4排放和CO2交换的综合温室效应; GWP-CO2和GWP-CH4分别为CO2通量和CH4通量的增温势, 三者单位(以CO2-eq计)均为g·m-2, 正值表示排放温室气体, 对气候变暖的影响为正效应; 负值表示吸收温室气体, 对气候变暖的影响为负效应.
1.4 数据质量控制与评价利用Tovi软件对通量计算结果进行质量控制与分析评价[25].早稻和晚稻摩擦风速(u*)阈值分别为0.092 m·s-1和0.099 m·s-1, u*低于该阈值的夜间通量被剔除.早稻88.5%和晚稻87.6%的通量来源于有效控制的试验田.受降水和外界干扰等影响, 通量数据在时间序列上存在缺失, 本文CH4和CO2数据覆盖度分别为50.2%(白天56.7%, 夜间43.6%)和72.6%(白天80.4%, 夜间64.8%), 查阅韩国2个水稻通量站2016~2018年资料[26~28], 其白天和夜间的CH4数据覆盖度分别为41%~45%和10%~19%, 相比而言, 本文CH4数据覆盖度更高.Kim等[28]利用边际分布采样(marginal distribution sampling, MDS)法对5个湿地/稻田通量站CH4缺失数据的插补结果都在可靠范围内.考虑到MDS法已被国际通量观测网络和欧洲通量网用于数据的标准化处理[3], 为更好地进行站点间比较, 本文利用MDS法以辐射、气温和饱和水汽压差作为驱动变量, 对缺失的CH4和CO2数据进行插补.
2 结果与分析 2.1 稻田CH4通量的季节变化和排放总量 2.1.1 水稻生育期CH4通量的季节变化鄱阳湖平原双季直播稻田CH4通量以排放为主(图 2), 且受到气温、土壤含水率、净辐射和饱和水汽压差的显著影响(表 2).早稻季日尺度F-CH4对环境变量的响应明显低于晚稻季, 早稻季F-CH4季节性变化的主控因子为土壤含水率, 而晚稻季为气温.
|
|
表 2 日尺度CH4通量与环境变量的皮尔逊相关系数1) Table 2 Pearson correlation coefficient of daily-scale CH4 fluxes and environmental variables |
早稻季气温较低时(3月23日至4月24日平均气温为15.8℃), F-CH4一般维持较低排放水平, 气温升高后(＞20℃), 日尺度F-CH4快速增长, 并在5月3日(27.9℃, 有水层)达到稻季最大值0.638 g·(m2·d)-1.受梅雨影响, 5~6月稻田基本处于有水层状态, 土壤为厌氧环境, 其间F-CH4维持较高排放速率, 4月25日至6月12日(强排放期)日均F-CH4为0.342 g·(m2·d)-1.6月中旬早稻进入灌浆-黄熟期, 尽管此后气温不断升高, 但由于稻田开始排水落干晒田, 土壤含水率降至田间持水率(约80%饱和含水率)以下, 土壤厌氧环境被破坏, F-CH4降至低排放水平, 日均排放仅为0.037 g·(m2·d)-1.
晚稻季CH4排放受气温(r=0.811, P＜0.01)和田面干湿交替(土壤含水率变化, r=0.644, P＜0.01)的影响较大.晚稻播种前3~4 d进行泡田, 播种时气温较高(31.0℃)且田面有薄水层, 营造出良好的厌氧富碳环境, 稻田迅速进入CH4强排放期, 日尺度F-CH4于播种后6 d(7月22日, 出苗期)达到峰值1.282 g·(m2·d)-1.出苗后, 稻田进行排水以使水层不淹没幼苗, 致使F-CH4大幅下降, 晚稻分蘖复水后, F-CH4转而升高.分蘖后期随着烤田的进行, 土壤含水率大幅下降, F-CH4随之急剧降低, 长时间烤田严重破坏了稻田厌氧环境, 使大部分厌氧微生物失活, 导致后续复水后F-CH4仍维持低排放水平至稻季结束.
2.1.2 水稻生育期CH4排放总量早稻播种后, CH4累积排放量增长缓慢, 5月气温升高后CH4累积排放量快速增加, 至灌浆黄熟前, 稻田排水落干后再次进入缓慢增长的平台期; 晚稻季CH4累积排放量在泡田和播种后快速增长, 至分蘖后期烤田后进入平台期, 其后增长缓慢.
2020年双季直播稻全生育期CH4排放总量为52.6 g·m-2, 日均排放0.208 g·(m2·d)-1, 其中, 早稻季CH4排放量为20.7 g·m-2, 日均排放0.188 g·(m2·d)-1; 晚稻季CH4排放量为31.9 g·m-2, 日均排放0.255 g·(m2·d)-1.早稻85.5%(17.7 g·m-2)和晚稻92.1%(29.4 g·m-2)的CH4在强排放期被释放, 日均排放量达到0.340 g·(m2·d)-1和0.626 g·(m2·d)-1.CH4弱排放期的累积排放量仅占14.5%(3.0 g·m-2)和7.9%(2.5 g·m-2), 日均排放量仅为0.050 g·(m2·d)-1和0.032 g·(m2·d)-1, 早稻和晚稻CH4强排放期的排放速率是弱排放期的6.8倍和19.5倍.
2.2 稻田CH4通量的日内变化图 3和图 4表明, 稻田不同时期的F-CH4日变化特征有明显差异, 分为显著单峰型、不显著单峰型和无规律型.瞬时尺度F-CH4与气温、辐射和饱和水汽压差等具有极显著相关关系(表 3), 晚稻季各环境变量对F-CH4的影响要明显强于早稻季.晚稻季F-CH4日变化的主控因素为气温, 而早稻季为饱和水汽压差.瞬时尺度F-CH4对净辐射的响应存在滞后性, 其中, 早稻季滞后2 h, 而晚稻季总体滞后1.5 h.
|
|
表 3 瞬时尺度CH4通量与环境变量的皮尔逊相关系数1) Table 3 Pearson correlation coefficient of instantaneous scale CH4 fluxes and environmental variables |
2.2.1 强、弱排放期CH4通量的日内变化
CH4强排放期瞬时通量日变化特征为显著单峰型, 表现为F-CH4先增大后减小, 白天大夜间小, 下午大上午小.早稻季F-CH4自09:00开始快速增大, 12:30~16:30维持高排放速率, 峰值0.453 μmol·(m2·s)-1出现在14:30~15:00.16:30后F-CH4开始回落, 19:00降至0.220 μmol·(m2·s)-1, 日内最小值为05:00~05:30的0.152 μmol·(m2·s)-1.晚稻季F-CH4自08:00后迅速增大, 12:30~16:00排放速率在0.862 μmol·(m2·s)-1以上, 峰值0.977 μmol·(m2·s)-1出现在14:00~14:30, 比早稻季提前30 min. 16:30后F-CH4明显下降, 19:00降至0.430 μmol·(m2·s)-1, 日内最小值0.238 μmol·(m2·s)-1出现在05:00~05:30.早稻和晚稻强排放期F-CH4均值分别为0.259 μmol·(m2·s)-1和0.511 μmol·(m2·s)-1, 其中, 白天(07:00~19:00)F-CH4均值分别为0.334 μmol·(m2·s)-1和0.694 μmol·(m2·s)-1, 夜间(19:00~次日07:00)仅为白天的54.8%和47.4%.
早稻和晚稻CH4弱排放期瞬时通量日变化特征有所差异, 早稻季呈不显著单峰型, F-CH4仅在14:00~16:30大于0.050 μmol·(m2·s)-1, 峰值为15:30~16:00的0.056 μmol·(m2·s)-1, 全天均值为0.038 μmol·(m2·s)-1, 夜间CH4排放不规律, 波动性大.晚稻季日变化为无规律型, CH4瞬时通量全天波动性大, 排放不规律, 日内最大值为11:00~11:30的0.040 μmol·(m2·s)-1, 全天均值仅为0.022 μmol·(m2·s)-1.
2.2.2 不同月份CH4通量的日内变化早稻季4~6月和晚稻季7~8月与其CH4强排放期部分重叠, F-CH4日变化呈显著单峰型; 早稻季3月、7月和晚稻季9~11月与其CH4弱排放期基本一致, F-CH4日变化呈无规律型或不显著单峰型.
早稻季5月的F-CH4均值最大, 7月最小, 3~7月分别为0.034、0.092、0.277、0.105和0.029 μmol·(m2·s)-1, 日变化范围分别为0.024~0.048、0.028~0.200、0.191~0.448、0.073~0.158和0.022~0.037 μmol·(m2·s)-1.晚稻季8月的F-CH4均值最大, 11月最小, 7~11月分别为0.369、0.466、0.040、0.019和0.012 μmol·(m2·s)-1, 日变化范围分别为0.148~0.791、0.291~0.828、0.028~0.055、0.012~0.026和0.007~0.019 μmol·(m2·s)-1.早稻季5月和晚稻季7月的瞬时F-CH4日变幅最大, 白天F-CH4均值[0.343 μmol·(m2·s)-1和0.524 μmol·(m2·s)-1]分别是夜间[0.211 μmol·(m2·s)-1和0.214 μmol·(m2·s)-1]的1.6和2.4倍.
2.3 稻田CO2通量的生育期变化稻田CO2通量随生育进程总体呈先增大后减小的单峰趋势(图 5).从日尺度通量看, 双季稻出苗期均为CO2源, 随着作物生长发育, 稻田逐渐转为CO2汇.晚稻季生长前期(7~8月)的气温明显高于早稻季(3~4月), 故其更快出苗和分蘖, 稻田转为CO2汇和达到CO2吸收峰的用时也更短.早稻和晚稻分别在播种后43 d和12 d转为CO2汇, 用时占其全生育期的39.1%和9.6%; F-CO2峰值分别为-38.7 g·(m2·d)-1和-39.8 g·(m2·d)-1(负值表示CO2向下输送, 即吸收CO2, 下同), 时间为播种后72 d和42 d.黄熟期叶片逐渐变黄, 光合能力减弱, 其光合速率与生态系统呼吸强度大致相同, 稻田处于CO2动态平衡状态.从全生育期累积通量看, 早稻和晚稻分别在播种后51 d和22 d内, 即生育期前46%和18%的时段为CO2源, 其他时段为CO2汇.早稻和晚稻CO2累积量峰值分别为-1 010.0 g·m-2和-1 162.9 g·m-2, 而全生育期CO2累积量终值为-990.4 g·m-2和-1 156.6 g·m-2.
|
图 5 直播稻田CO2通量的季节变化 Fig. 5 Seasonal changes in CO2 fluxes in direct-seeded rice |
如图 6所示, 水稻生育期内, GWPrice和GWP-CO2均为先正增长后负增长, 而GWP-CH4则为持续正增长.早稻季：自播种至5月中旬分蘖, GWPrice、GWP-CO2和GWP-CH4均为正值, 其间GWP-CO2和GWPrice分别在5月1日(分蘖前期)和5月12日(分蘖后期)达到最大值74.5 g·m-2和290.7 g·m-2.5月13日(分蘖后期)GWP-CO2由正转负, 受此影响, 6月4日(拔节孕穗期)GWPrice也转为负值, 至7月7日(黄熟期)达到最小值-434.1 g·m-2.晚稻季：8月上旬分蘖前, GWPrice、GWP-CO2和GWP-CH4均为正值, 其间GWP-CO2在7月27日(出苗期)达到最大值106.5 g·m-2, 由于这期间GWP-CH4快速增加, GWPrice在8月12日(分蘖前期)才达到最大值470.2 g·m-2.晚稻分蘖后, 叶面积和叶绿素含量快速增长, 净CO2交换由排放转为吸收且速率逐渐增大, 而CH4排放则受烤田影响导致速率大幅降低, GWP-CH4增长趋于平缓, 晚稻GWPrice比早稻更快转负, 在11月14日(黄熟期)达到最小值-270.5 g·m-2.
|
图 6 稻田GWP的生育期动态变化 Fig. 6 Dynamic change in GWP in direct-seeded rice paddy during growth period |
综合来看, 早稻前66.3%生育期和晚稻前43.2%生育期, CH4排放和CO2交换的综合效果为增温, 但全生育期最终表现为降温, GWPrice净值为-673.6 g·m-2, 其中, 早稻和晚稻分别为-410.9 g·m-2和-262.7 g·m-2, 因作物光合与生态系统呼吸造成的净CO2交换量分别为-990.4 g·m-2和-1 156.6 g·m-2, 因CH4排放导致的CO2当量排放则分别为579.5 g·m-2和893.9 g·m-2.在评价双季稻田温室效应时若不考虑CH4排放, 将低估1 473.4 g·m-2的CO2当量排放, 约占双季稻全生育期净CO2吸收量的68.6%.
若考虑稻谷收获导致的1 666.8 g·m-2的CO2当量排放(表 4), 则稻田温室气体净排放量(未考虑N2O)将达到993.2 g·m-2, 呈现增温效果.可见, 综合考虑CO2交换和CH4与N2O排放以及稻谷收获引起的碳排放, 可认为鄱阳湖流域双季稻田为温室气体的排放源.
|
|
表 4 直播稻田CH4增温势、CO2增温势及其综合温室效应 Table 4 GWP-CH4, GWP-CO2 and GWPrice of direct-seeded rice paddy |
3 讨论 3.1 稻田CH4通量的多时间尺度变化特征
已有报道多是基于观测数据定量描述CH4排放量及其变化特征.季节变化方面, 低纬度的长江中下游地区[16, 19~22]、东南亚[14, 29]和中纬度的朝鲜半岛[15, 28]等地, 不管是移栽还是直播的单季稻或双季晚稻, 由于水热适宜, CH4通量均在水稻移栽或播种后快速增加, 并在分蘖后期烤田前维持较高排放速率, 稻季通常只有1~2个排放峰, 集中在生长前期(营养生长阶段).我国东北单季稻种植时间较早, 排放峰出现时间为5月[18], 与本文早稻相似.大部分地区水稻成熟期(灌浆至黄熟)的CH4通量都很低, 但辽河三角洲2013年水稻成熟期观测到明显的排放峰[17], 这可能与其独特的物候特征、土壤水分状况和灌溉模式有关.日变化方面, 基于EC法的江苏稻麦轮作农田水稻季[16, 20]、湖南晚稻季[22]、菲律宾水稻季[14]和韩国单季稻[30]等均在水稻生长前期观测到明显的单峰型特征, 峰值出现时间通常为14:00~15:00, 与本文结果基本一致.
3.2 不同区域的稻田CH4排放总量对比各地受水资源和光热条件限制, 水稻种植制度差异较大, 故其CH4排放量有明显不同.纬度较高的三江平原和辽河平原[18]以及韩国铁原郡[31]和金堤市[30]主要种植单季稻, 其CH4排放量分别为26.77~32.76、16.17~20.51、19.8~45.0和23.3~24.4 g·m-2, 而江苏盐城[16]、无锡[20]和上海崇明岛[19]等长江下游地区稻麦轮作农田水稻季CH4排放量分别为25.60、28.95和48.88 g·m-2.上述单季稻CH4排放总量都普遍低于本文双季稻结果.相近纬度的湖南晚稻季[22]CH4排放总量(37.30 g·m-2)比本文晚稻高出16.9%, 而更低纬度的菲律宾[29]双季稻(14.67~21.47 g·m-2)则低于本文结果.总体来看, 鄱阳湖平原双季直播稻田的CH4排放总量处于全球较高水平.
直播和移栽等不同种植模式也会影响稻田CH4排放量.Ma等[32]认为水稻苗期是主要的温室气体排放期, 而直播稻从播种到烤田的时间要长于移栽稻从移栽到烤田的时间, Li等[19]研究结果也证实直播稻的CH4排放总量比移栽稻高25.0%, 因此, 直播模式可能是本文CH4排放量较高的原因.Li等[19]和本文均采用水直播[24]模式, 而魏永霞等[33]在采用旱直播模式下得出了相反的结论, 即旱直播稻的CH4排放量低于常规淹灌插秧稻.
3.3 涡度相关法和静态箱法的比较静态箱法除了安装底座和箱体对土壤/植被扰动会造成系统性误差外[34], 与EC法的差距主要体现在对日内瞬时通量变化的刻画上, 而对CH4通量日变化的认识对于缩小季节/年度尺度上通量估算的不确定性非常重要[35].EC法能观测到明显的单峰型或无规则型日变化特征, 对夜间CH4通量的刻画也较为精细, 如本文研究表明, 单峰型模式下12:30~16:00的CH4排放速率均处于高位, 早稻和晚稻峰值分别出现在14:30~15:00和14:00~14:30.而静态箱法对CH4排放日变化的描述通常受限于试验观测频率, 彭锃琳等[36]在白天3 h观测频率下得到CH4排放的单峰模式, 提出CH4日排放峰值出现在14:00~15:00, 但15:00恰好是其观测时间; 彭世彰等[37]在2 h观测频率下认为稻田CH4排放呈随机型日变化特征, 且大部分观测日在13:00(也是其试验观测时间)出现日内排放峰.静态箱法的最佳观测时间为08:00~11:00[11, 36], 因此容易忽略夜间CH4排放[37], 或受限于夜间较低的观测频率, 认为夜间CH4排放较少且几乎保持不变[36], 但事实上在CH4强排放期夜间通量仍然较高.
静态箱法计算CH4季节尺度排放量通常基于日均值的时间积分, 很多研究以08:00~11:00的测定值表示全天均值[36], 由此导致对季节/年度CH4排放总量的估算误差达到22%~38%[35, 38, 39].尽管无法达到EC法的刻画精度, 但静态箱法对稻田季节尺度CH4排放量的估算结果[10, 36, 40, 41]与EC法计算结果处于同一量级.
3.4 稻田综合温室效应评价的影响因素目前EC法还无法实现N2O与CO2和CH4的联合同步观测, 这导致基于EC法的温室气体收支评价通常缺少第三大温室气体N2O[29, 41].虽然静态箱法能估算N2O排放量, 但与EC法获得的CO2和CH4通量结果存在时空尺度不匹配问题, 而“尺度提升”往往导致较大误差[42].有研究在计算温室气体收支时考虑了稻谷收获间接造成的CO2排放, 导致部分稻季呈现增温效果, 温室气体净排放为205.2~588.0 g·m-2[29, 41], 本文也有类似结果, 但排放量值更大.也有研究即使不考虑稻谷因素, 稻田也呈增温效果, 且温室气体净排放达318.3~737.5 g·m-2[31], 这与其考虑了休耕期CO2排放导致年度净生态系统生产力偏低有关.基于对CH4大气寿命和间接影响的不同理解, IPCC第二次评估报告中GWP100为21[7], 而在相关研究中, GWP100多采用IPCC第四次和第五次评估报告中的25[2, 10, 29, 42]和28[11, 43, 44], 也有报道认为GWP100=34[36, 45].由于稻田N2O排放量较少, CH4对稻田全球增温势的贡献率较大[44], 因此采用不同GWP100值进行计算将对温室气体收支评价造成较大影响.
本研究晚稻季9月中下旬遭遇寒露风(日均气温在22℃以下, 持续阴雨寡照天气)影响, 日尺度F-CO2在生长中期出现大幅下降甚至为正值(排放CO2)的情况, 导致CO2吸收总量(-1156.6 g·m-2)比常年平均水平偏低(如2019年晚稻为-1680.0 g·m-2), 这可能导致对稻田综合温室效应的高估(GWPrice绝对值偏小).
4 结论(1) 鄱阳湖平原双季直播稻田为CH4排放源, 排放总量为52.6 g·m-2, 其中早稻季为20.7 g·m-2, 晚稻季为31.9 g·m-2.CH4通量具有明显的季节变化特征, 强排放期(排放峰)集中在早稻生长中期和晚稻生长前期, 早稻85.5%和晚稻92.1%的CH4在强排放期被释放.CH4通量日变化呈显著单峰型、不显著单峰型和无规律型, 强排放期为单峰型, 该型式下稻田在12:30~16:00维持高排放速率, 峰值出现在14:00~15:00.
(2) CO2通量在季节变化上呈先增大后减小的单峰趋势, 早稻季和晚稻季峰值分别为-38.7 g·(m2·d)-1和-39.8 g·(m2·d)-1, 全生育期CO2累积量分别为-990.4 g·m-2和-1156.6 g·m-2, 合计为-2147.0 g·m-2.
(3) 稻田CH4排放和CO2交换的综合温室效应表现为降温, GWPrice为-673.6 g·m-2.当评价双季稻温室效应时若不考虑CH4排放, 将低估1473.4 g·m-2的CO2当量排放, 占净CO2吸收量的68.6%.
| [1] | Shindell D T, Faluvegi G, Koch D M, et al. Improved attribution of climate forcing to emissions[J]. Science, 2009, 326(5953): 716-718. DOI:10.1126/science.1174760 |
| [2] |
陈友德, 赵杨, 高杜娟, 等. 稻油不同轮作模式对农田甲烷和氧化亚氮排放的影响[J]. 环境科学, 2020, 41(10): 4701-4710. Chen Y D, Zhao Y, Gao D J, et al. Effects of different rotation patterns of oil-rice on methane and nitrous oxide emissions in rice fields[J]. Environmental Science, 2020, 41(10): 4701-4710. DOI:10.13227/j.hjkx.202002107 |
| [3] |
于贵瑞, 孙晓敏. 陆地生态系统通量观测的原理与方法(第二版)[M]. 北京: 高等教育出版社, 2017. Yu G R, Sun X M. Principles of flux measurement in terrestrial ecosystems (2nd ed.)[M]. Beijing: Higher Education Press, 2017. |
| [4] |
李煜珊, 李耀明, 欧阳志云. 产甲烷微生物研究概况[J]. 环境科学, 2014, 35(5): 2025-2030. Li Y S, Li Y M, Ouyang Z Y. A research overview of methanogens[J]. Environmental Science, 2014, 35(5): 2025-2030. DOI:10.13227/j.hjkx.2014.05.056 |
| [5] |
吴讷, 侯海军, 汤亚芳, 等. 稻田水分管理和秸秆还田对甲烷排放的微生物影响[J]. 农业工程学报, 2016, 32(S2): 69-76. Wu N, Hou H J, Tang Y F, et al. Methane-related mierobe influenced by water management and rile straw returning in paddy soil[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(S2): 69-76. |
| [6] | IPCC. Climate Change 2013: the physical science basis. Contribution of working group I to the fifth assessment report of the intergovernmental panel on climate change[M]. Geneva: IPCC, 2013. |
| [7] | Reay D, Smith P, van Amstel A. Methane and climate change[M]. London: Earthscan, 2010. |
| [8] | 国家统计局. 中国统计年鉴2021[M]. 北京: 中国统计出版社, 2021. |
| [9] |
刘羽, 周婧, 李柯萍, 等. 影响静态箱检测开放式气体排放源N2O排放通量的关键因子[J]. 农业工程学报, 2020, 36(8): 182-187. Liu Y, Zhou J, Li K P, et al. Key factors affecting the measurement of N2O emission from dairy farm using static-chamber method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(8): 182-187. |
| [10] |
李金秋, 邵晓辉, 缑广林, 等. 水肥管理对热带地区双季稻田CH4和N2O排放的影响[J]. 环境科学, 2021, 42(7): 3458-3471. Li J Q, Shao X H, Gou G L, et al. Effects of water and fertilization management on CH4 and N2O emissions in double-rice paddy fields in tropical regions[J]. Environmental Science, 2021, 42(7): 3458-3471. |
| [11] |
王永明, 徐永记, 纪洋, 等. 节水灌溉和控释肥施用耦合措施对单季稻田CH4和N2O排放的影响[J]. 环境科学, 2021, 42(12): 6025-6037. Wang Y M, Xu Y J, Ji Y, et al. Coupling effects of water-saving irrigation and controlled-release fertilizer (CRF) application on CH4 and N2O emission in single cropping paddy field[J]. Environmental Science, 2021, 42(12): 6025-6037. |
| [12] | McDermitt D, Burba G, Xu L, et al. A new low-power, open-path instrument for measuring methane flux by eddy covariance[J]. Applied Physics B, 2011, 102(2): 391-405. DOI:10.1007/s00340-010-4307-0 |
| [13] | Detto M, Verfaillie J, Anderson F, et al. Comparing laser-based open- and closed-path gas analyzers to measure methane fluxes using the eddy covariance method[J]. Agricultural and Forest Meteorology, 2011, 151(10): 1312-1324. DOI:10.1016/j.agrformet.2011.05.014 |
| [14] | Alberto M C R, Wassmann R, Buresh R J, et al. Measuring methane flux from irrigated rice fields by eddy covariance method using open-path gas analyzer[J]. Field Crops Research, 2014, 160: 12-21. DOI:10.1016/j.fcr.2014.02.008 |
| [15] | Kim Y, Talucder M S A, Kang M, et al. Interannual variations in methane emission from an irrigated rice paddy caused by rainfalls during the aeration period[J]. Agriculture, Ecosystems & Environment, 2016, 223: 67-75. |
| [16] | Ge H X, Zhang H S, Zhang H, et al. The characteristics of methane flux from an irrigated rice farm in East China measured using the eddy covariance method[J]. Agricultural and Forest Meteorology, 2018, 249: 228-238. DOI:10.1016/j.agrformet.2017.11.010 |
| [17] |
贾庆宇, 刘晶淼, 梁成华, 等. 辽河三角洲稻区近地层CH4浓度与通量特征[J]. 生态环境学报, 2015, 24(5): 804-810. Jia Q Y, Liu J M, Liang C H, et al. The characteristics of CH4 concentration and flux of the near surface in Liaohe Delta rice region[J]. Ecology and Environmental Sciences, 2015, 24(5): 804-810. |
| [18] | Jia Q Y, Yu W Y, Zhou L, et al. Methane emissions from typical paddy fields in Liaohe Plain and Sanjiang Plain, Northeast China[J]. Environmental Research Communications, 2019, 1(1). DOI:10.1088/2515-7620/ab06e5 |
| [19] | Li H, Guo H Q, Helbig M, et al. Does direct-seeded rice decrease ecosystem-scale methane emissions?—A case study from a rice paddy in southeast China[J]. Agricultural and Forest Meteorology, 2019, 272-273: 118-127. DOI:10.1016/j.agrformet.2019.04.005 |
| [20] |
鲍远航, 徐昔保, 陈晔. 太湖流域农田稻季CH4通量特征及影响因子[J]. 生态学报, 2020, 40(21): 7690-7698. Bao Y H, Xu X B, Chen Y. Characteristics and impact factors of methane flux in the paddy fields of Taihu Lake basin[J]. Acta Ecologica Sinica, 2020, 40(21): 7690-7698. |
| [21] |
刘硕, 甄晓杰, 刘钢, 等. 我国长江中下游平原典型稻田含碳温室气体通量变化特性[J]. 环境科学, 2022, 43(4): 2151-2162. Liu S, Zhen X J, Liu G, et al. Changing characteristics of carbon-based greenhouse gas fluxes in paddy field in the middle-lower Yangtze Plain in China[J]. Environmental Science, 2022, 43(4): 2151-2162. DOI:10.13227/j.hjkx.202107103 |
| [22] |
宋朝清, 刘伟, 陆海波, 等. 基于通量测量的稻田甲烷排放特征及影响因素研究[J]. 地球科学进展, 2019, 34(11): 1141-1151. Song C Q, Liu W, Lu H B, et al. Characteristics and drivers of methane fluxes from a rice paddy based on the flux measurement[J]. Advances in Earth Science, 2019, 34(11): 1141-1151. DOI:10.11867/j.issn.1001-8166.2019.11.1141 |
| [23] |
李鹏, 肖池伟, 封志明, 等. 鄱阳湖平原粮食主产区农户水稻熟制决策行为分析[J]. 地理研究, 2015, 34(12): 2257-2267. Li P, Xiao C W, Feng Z M, et al. Household decision behavior in rice cropping systems in the major rice-producing area of Poyang Lake Plain, China[J]. Geographical Research, 2015, 34(12): 2257-2267. |
| [24] |
张耗, 余超, 陈可伟, 等. 直播方式对水稻生理性状和产量的影响及其成本分析[J]. 农业工程学报, 2017, 33(13): 58-64. Zhang H, Yu C, Chen K W, et al. Effect of direct-seeding methods on physiological characteristics and grain yield of rice and its cost analysis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(13): 58-64. DOI:10.11975/j.issn.1002-6819.2017.13.008 |
| [25] |
时元智, 时红, 崔远来, 等. 基于涡度相关法的长江中下游稻田水分利用效率变化规律[J]. 农业工程学报, 2021, 37(4): 130-139. Shi Y Z, Shi H, Cui Y L, et al. Variation of water use efficiency in a paddy field in the middle and lower reaches of the Yangtze River using eddy covariance method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(4): 130-139. |
| [26] | Lee S H, Kang M, Kang N, et al. Haenam Paddy-field KoFlux (HPK) site with dry direct-seeding: Introduction[J]. Korean Journal of Agricultural and Forest Meteorology, 2018, 20(1): 18-33. |
| [27] | Huang Y, Ryu Y, Jiang C Y, et al. BESS-Rice: a remote sensing derived and biophysical process-based rice productivity simulation model[J]. Agricultural and Forest Meteorology, 2018, 256-257: 253-269. DOI:10.1016/j.agrformet.2018.03.014 |
| [28] | Kim Y, Johnson M S, Knox S H, et al. Gap-filling approaches for eddy covariance methane fluxes: a comparison of three machine learning algorithms and a traditional method with principal component analysis[J]. Global Change Biology, 2020, 26(3): 1499-1518. |
| [29] | Alberto M C R, Wassmann R, Gummert M, et al. Straw incorporated after mechanized harvesting of irrigated rice affects net emissions of CH4 and CO2 based on eddy covariance measurements[J]. Field Crops Research, 2015, 184: 162-175. |
| [30] | van den Berg M, Ingwersen J, Lamers M, et al. The role of Phragmites in the CH4 and CO2 fluxes in a minerotrophic peatland in southwest Germany[J]. Biogeosciences, 2016, 13(21): 6107-6119. |
| [31] | Hwang Y, Ryu Y, Huang Y, et al. Comprehensive assessments of carbon dynamics in an intermittently-irrigated rice paddy[J]. Agricultural and Forest Meteorology, 2020, 285-286. DOI:10.1016/j.agrformet.2020.107933 |
| [32] | Ma Y C, Wang J Y, Zhou W, et al. Greenhouse gas emissions during the seedling stage of rice agriculture as affected by cultivar type and crop density[J]. Biology and Fertility of Soils, 2012, 48(5): 589-595. |
| [33] |
魏永霞, 冀俊超, 刘慧, 等. 水分管理对旱直播稻温室气体排放与土壤无机氮的影响[J]. 农业机械学报, 2021, 52(11): 305-314. Wei Y X, Ji J C, Liu H, et al. Effects of water management on greenhouse gas emission and soil inorganic nitrogen of dry direct seeding rice[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(11): 305-314. |
| [34] |
杨刚, 陈槐, 刘建亮, 等. 静态箱气相色谱法高估了实验初期若尔盖表层泥炭地甲烷排放通量[J]. 应用与环境生物学报, 2021, 27(4): 878-883. Yang G, Chen H, Liu J L, et al. Static chamber gas chromatography method overestimates methane emission flux from surface peatland at the beginning of the experiment[J]. Chinese Journal of Applied & Environmental Biology, 2021, 27(4): 878-883. |
| [35] | Weller S, Kraus D, Butterbach-Bahl K, et al. Diurnal patterns of methane emissions from paddy rice fields in the Philippines[J]. Journal of Plant Nutrition and Soil Science, 2015, 178(5): 755-767. |
| [36] |
彭锃琳, 崔远来, 才硕, 等. 水肥管理对鄱阳湖流域稻田温室气体排放的影响[J]. 农业工程学报, 2020, 36(16): 85-93. Peng Z L, Cui Y L, Cai S, et al. Effects of different water and fertilizer managements on greenhouse gas emissions of rice fields in Poyang Lake basin[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(16): 85-93. |
| [37] |
彭世彰, 李道西, 徐俊增, 等. 节水灌溉模式对稻田CH4排放规律的影响[J]. 环境科学, 2007, 28(1): 9-13. Peng S Z, Li D X, Xu J Z, et al. Effect of water-saving irrigation on the law of CH4 emission from paddy field[J]. Environmental Science, 2007, 28(1): 9-13. |
| [38] | Minamikawa K, Yagi K, Tokida T, et al. Appropriate frequency and time of day to measure methane emissions from an irrigated rice paddy in Japan using the manual closed chamber method[J]. Greenhouse Gas Measurement and Management, 2012, 2(2-3): 118-128. |
| [39] | Yun S I, Choi W J, Choi J E, et al. High-time resolution analysis of diel variation in methane emission from flooded rice fields[J]. Communications in Soil Science and Plant Analysis, 2013, 44(10): 1620-1628. |
| [40] | Liu Y L, Zhou Z Q, Zhang X X, et al. Net global warming potential and greenhouse gas intensity from the double rice system with integrated soil-crop system management: a three-year field study[J]. Atmospheric Environment, 2015, 116: 92-101. |
| [41] | Knox S H, Sturtevant C, Matthes J H, et al. Agricultural peatland restoration: effects of land-use change on greenhouse gas (CO2 and CH4) fluxes in the Sacramento-San Joaquin delta[J]. Global Change Biology, 2015, 21(2): 750-765. |
| [42] |
郑泽梅, 于贵瑞, 孙晓敏, 等. 涡度相关法和静态箱/气相色谱法在生态系统呼吸观测中的比较[J]. 应用生态学报, 2008, 19(2): 290-298. Zheng Z M, Yu G R, Sun X M, et al. Comparison of eddy covariance and static chamber/gas chromatogram methods in measuring ecosystem respiration[J]. Chinese Journal of Applied Ecology, 2008, 19(2): 290-298. |
| [43] |
陈世杰, 江长胜, 倪雪, 等. 地膜覆盖对稻-油轮作农田温室气体排放的影响[J]. 环境科学, 2019, 40(9): 4213-4220. Chen S J, Jiang C S, Ni X, et al. Effect of plastic film mulching on greenhouse gas emissions from rice-rapeseed rotation in cropland[J]. Environmental Science, 2019, 40(9): 4213-4220. |
| [44] |
姜珊珊, 庞炳坤, 张敬沙, 等. 减氮及不同肥料配施对稻田CH4和N2O排放的影响[J]. 中国环境科学, 2017, 37(5): 1741-1750. Jiang S S, Pang B K, Zhang J S, et al. Effects of reduced nitrogen and combined application of different fertilizers on CH4 and N2O emissions in paddy fields[J]. China Environmental Science, 2017, 37(5): 1741-1750. |
| [45] | Maucieri C, Zhang Y, McDaniel M D, et al. Short-term effects of biochar and salinity on soil greenhouse gas emissions from a semi-arid Australian soil after re-wetting[J]. Geoderma, 2017, 307: 267-276. |