2020, Vol. 41
2. 福建师范大学地理科学学院, 福州 350007;
3. 福建农林大学安溪茶学院, 安溪 362400
2. College of Geographical Science, Fujian Normal University, Fuzhou 350007, China;
3. Anxi College of Tea Science, Fujian Agriculture and Forest University, Anxi 362400, China
稻田作为我国南方主要的作物类型, 一直以来备受关注[1].氮素作为作物生长需求量最大的物质元素, 在作物吸收、转化、利用和排出的过程中, 不断在土壤和大气等环境介质中, 进行着氮素的循环、传递和多样的化学生物反应.生态系统的物流理论指出, 系统内的物质在流动的过程中不会消失, 多只发生形态的改变, 氮素在稻田随氮素循环过程进行着氮素形态的转变和再分配, 该过程常常受到自然环境和人类活动的影响[2].以N2的形式稳定存在于大气中的氮素, 可通过豆科植物等将N2转化为硝态氮, 或是闪电作用使得N2和O2生成NO, 并进一步化合反应, 最后被土壤吸附.在土壤中的氮素95.98%以上是呈有机态存在, 利于被植物吸收, 吸收效率受到气温、土壤有机碳(soil organic carbon, SOC)和土壤容重等因素的影响.无机氮主要包括硝态氮和铵态氮.其中, 铵态氮经硝化作用可转变为硝态氮, 但淹水程度、pH值和土壤温度等条件都可能使硝化作用被抑制, 使土壤中的铵态氮浓度显著增加, 并释放出NH3和N2O气体, 如廖千家骅等[3]的研究分析中指出, pH和土壤中全氮含量交互作用与N2O排放通量呈显著正相关, 当pH＞8或是平均气温在10~20℃时, 多促进N2O排放.除气体损失形态外, 无机氮在大气压强、地形、降雨、淋失水分和泥沙输移作用等影响下, 氮素下渗和径流速率等表现出显著增强.可发现, 氮素指标的多寡, 不仅是单一因素影响作用的结果, 常表现为多指标的综合作用.因此, 明确各驱动因子对稻田生态系统内各氮素指标的驱动差异, 对于在稻田土壤减少氮素损失, 进一步促进作物氮素吸收等方面具有重要参考价值.
借助可基于区域尺度能定量描述各氮素指标动态分布的模拟工具, 对比评估多种氮素循环模拟模型后[4], 选择符合本研究区位且具有较高模拟精度的反硝化分解(denitrification decomposition, DNDC)模型[5].DNDC最早由Li等[6]于1992年提出, 一度被评选为亚太地区最适宜推广应用的“植物-土壤-环境”间碳氮循环模拟模型.模型最初包含土壤气候水文模块、土壤有机碳分解模块和反硝化模块, 随后添加了基于经验方程的植物生长模块, 为了优化植物生长的碳氮循环过程模块, 在其中加入了“光合作用-土壤水分蒸发蒸腾”模块.在过去20多年的应用过程中, 已有包括中国在内的多个国家的农业、草原和森林等研究领域得到了应用和验证[7, 8].不同于DNDC模型站点尺度下仅能关注于指定区域的氮素循环过程的特点, 区域尺度能为宏观决策提供具有空间性和整体性的数据.目前DNDC在区域尺度应用广泛且具有较高模拟精度, 在不经过内部参数调整的情况下, 模型模拟结果也可在数量和动态变化方面较为接近实测数据, 如王效科等[9]在不经过DNDC模型内部参数调整的情况下, 对中国农田土壤N2O年排放量分布格局进行研究, 选择江苏吴县农科所的水稻田作为实验验证站点, 结果表明该站点的N2O排放量实测结果, 始终处于模拟值范围之内.在获取模型满足区域本地化模拟的要求后, 进一步探讨了各研究变量在种植模式[10]、耕作方式[11]、气候条件[12]和土壤类型[13]差异下的动态变化.但是目前研究多关注目标变量在单一因素影响下的动态变化, 对多氮素指标空间动态变化描述以及各指标之间影响作用强度差异分析相对较少.在生物地球化学模型的基础上, 综合考虑水稻田内氮素循环在地形、土壤属性以及多种农耕管理措施下的空间驱动响应研究亦是缺乏的.
因此, 本文选择DNDC模型的区域尺度对研究区域内氮素循环进行模拟, 再运用GIS技术, 对各氮素指标进行空间展示；运用空间自相关、热点分析和标准差椭圆分析等空间统计方法对各氮素指标的空间分布特征进行描述；对比分析多种地统计回归模型构建方法[14], 如普通最小二乘法(ordinary least squares method, OLS)和地理加权回归模型(geographical weighted regression, GWR), 通过逐层深化的方式, 探讨各解释因子对目标变量的影响作用效果差异, 明晰各解释因子对目标变量在空间尺度的作用强弱.运用空间回归模型探讨各因素对于各氮素指标空间分布的影响强度, 以期为区域稻田轮作区的氮素空间管理、资源环境定量化和精准农业管理等提供重要决策依据.
1 材料与方法 1.1 研究区概况晋江流域位于福建省泉州市境内, 处于117°44′~118°47′E, 24°31′~25°32′N, 水系全长404.8公里, 占据泉州市面积的53.8%.基于数字高程模型(digital elevation model, DEM)数据, 运用ArcGIS水文分析模块, 选取石砻水文站以上流域范围作为研究区域(图 1).晋江水系是泉州市的母亲河, 是厦门市和泉州市主要的饮用水源地, 是两市重要的生态水源供水区和工农业生产及生活用水的关键来源.晋江流域在供给上述两市的同时, 已于2018年8月实现向金门市供水, 为缓解金门市用水短缺, 发挥重要作用[15].为突出稻田生态系统内作物类型不同所带来的农学与生态环境效应等方面的差异性, 将晋江流域稻田生态系统内主要的轮作种植模式进行筛选、简化与突出显示, 最终确定稻-稻、稻-蔬和稻-空闲这3种轮作种植模式(图 2), 3种轮作模式的物候时历也表现出区域适宜性(表 1).
|
图 1 晋江流域区位 Fig. 1 Location of Jinjiang River watershed |
|
图 2 各水稻轮作模式空间分布 Fig. 2 Distribution of soil types in Jinjiang River watershed |
|
表 1 研究区内主要农作物物候时历 Table 1 Phenology of main crops in the study area |
1.2 数据获取
构建DNDC区域尺度信息数据详情具体如下, DNDC所需气象输入数据为2017年邻近研究区的气象观测站数据, 通过反距离加权法(inverse distance weighted)差值计算, 划定各气象站点的影响区域, 数据主要来源于中国气象数据共享网.在研究区域内土壤类型按照分布面积由高至低, 依此为红壤、水稻土、黄壤和岩性土等土壤类型, 该数据主要开源于中国土壤数据库和资源环境数据云平台.作物参数参考Li等[16]研究中的作物谷粒最大生物量数据, 以及研究区内各县级行政区划单元的作物亩产数据[17].农田管理数据中主要描述无机氮肥输入量数据和有机氮肥输入量数据.其中, 无机氮肥施用量的核算是以县级行政区划单元的各氮肥输入量为依据.有机肥数据以研究区域内同年的猪、牛、羊和禽类等年末存栏头数为基准, 核算其1a内粪便和尿液的含氮总量, 折算系数主要参考文献[12].模型结果验证数据来源于福建农业信息服务网.
1.3 DNDC模拟DNDC模型以日为时间步长, 可获得NH3、N2O等气态的氮素排放数据, 也可以获得氮素淋湿损失量[6].将研究区域划分为具有均一属性的若干模拟单元, 不同的划分标准体现着运用DNDC模型模拟关注点差异[18].本文参考田展等[19]对于全国水稻田温室气体排放的研究, 采用气候数据、土壤数据和作物轮作模式分布数据进行匹配的划分方法, 最终获得357个有效模拟单元.本研究主要观察作物氮素吸收量、N2O排放量、NH3排放量和氮素淋失量的变化规律.
1.4 模型验证均方根误差(root mean square error, RMSE)描述两组数据在均值水平上的波动状况, RMSE指标越小, 模拟结果越准确.归一化均方根误差(normalized RMSE, nRMSE)是RMSE与测量值均值的比值, 可表示平均偏差的相对大小, 取值范围在0~100%, 当nRMSE≤10%时, 表示模型模拟性能优秀, 当10%＜nRMSE≤20%, 表示模拟性能较好；当20%＜nRMSE≤30%, 表示模拟性能中等；当nRMSE＞30%, 表示模拟性能较差.回归方程拟合优度可决系数R2, 一般认为R2越大表明模型模拟结果更优.
|
式中, Xmod为模拟值数据, Xobs为实测值数据, Xobs表示为实测值数据均值, n表示为样本个数, y为模拟值, ŷ为拟合模拟值, ȳ为模拟值均值.
1.5 地理统计分析空间自相关一般采用Moran's I指数进行描述.该值绝对值反映出目标变量与空间分布距离远近的作用强度[20].该值方向表示目标变量在空间上的作用方向, 小于0值表示负相关, 大于0值表示正相关.
|
式中, n为空间数据个数, xi和xj分别是i和j位置的目标变量属性值, x是目标变量的均值, wij是空间权重矩阵元素.
在地理关系建模中, GWR模型基于OLS模型进行扩展, 将空间位置差异化所引起的空间关系, 嵌入到回归系数中, 具体表现为拟合方程的回归系数随空间位置变化[21].GWR模型的参数设置对模型模拟效果至关重要, 需设置参数主要包括权函数的选择与带宽设计, 参照模型拟合优度检验指标, 包括更正后的Akaike准则(akaike information criterion corrected, AICc)和Radj2等, 通常选择最优参数设置方案构建拟合方程.
|
式中, (ui, vi)是第i个样本点的空间坐标, βk(ui, vi)是样本点i的第k个自变量的回归系数, 与空间位置(ui, vi)有关, εi是样本点i的误差项, 服从正态分布, 空间自相关表现为随机性.
2 结果与分析 2.1 模型率定与验证基于模型反复测试, 对选定原模型作物库中水稻和蔬菜的默认参数进行修正(表 2).率定参数的确定参考了李强等[22]在试验田内测定的作物参数数据以及Li等[16]的关于中国作物的参数属性数据库研究.本文中模型运行时间为2017年1月1日至12月31日.选取每种轮作模式且具有不同土壤类型的图斑共计36个作为率定样点, 剩余321个图斑作为验证样点.
|
|
表 2 模型率定参数 Table 2 Model calibration parameters |
DNDC模型对于农田土壤氮素的估算已经先后于多个国家或地区的野外实验数据进行对比, 表明了模型具有较高的可信度[23].本研究中模型验证的实测数据来源于福建省测土配方数据.借助于DNDC模型站点尺度分别输入区域图斑单元属性的最大值和最小值, 获取研究区域内各站点在10~20cm土壤层中硝态氮与铵态氮之和的区间值和均值.验证点空间分布如图 3所示.
|
图 3 模型验证点分布 Fig. 3 Distribution of model verification point |
利用模型获得晋江流域稻田生态系统内土壤氮素含量范围值, 进行精度评价, 该模拟范围值为16.15~273.10 mg·kg-1, 实测值中94.67%的土壤氮素含量处于模拟范围值之间.利用实测数据与模拟结果的均值进行精度评价.稻田生态系统内土壤氮素模拟值与检验样点的实测值间RMSE值为16.81 mg·kg-1, nRMSE值为16.40%, 且获得线性拟合方程为y=1.1x-18, R2为0.81, 表明模型模拟效果较好(图 4).
|
图 4 DNDC模拟值与观测值线性拟合 Fig. 4 Linear fit of DNDC simulated with observed values |
在作物氮素吸收方面, 稻-蔬、稻-稻和稻-空闲轮作模式的单位面积作物氮素吸收均值量分别为200.13、154.56和79.26 kg·hm-2, 作物吸收氮素量的利用效率分别为40.43%、35.55%和25.98%(表 3).在每日作物氮素吸收量数据中, 蔬菜作物吸收氮素呈现单峰式增长, 水稻在抽穗期呈现出“平台期”(图 5).在氮素损失指标方面, 稻-蔬轮作模式表现出在NH3排放量、N2O排放量和氮素淋失损失量的最高值,
|
|
表 3 3种轮作模式作物氮素吸收分异 Table 3 Nitrogen uptake differentiation in three cropping patterns |
|
图 5 基于日时间尺度的3种轮作种植模式作物氮素吸收量 Fig. 5 Crop nitrogen uptake in three rotation patterns based on daily time scale |
在NH3排放量和氮素淋失损失量中均表现出稻-稻轮作模式大于稻-空闲轮作模式, 上述损失量分布符合“高输入高损耗”的特征.在N2O排放量中, 表现出稻-空闲轮作模式高于稻-稻轮作模式, 分析其中原因是稻田漫水状态提供的厌氧环境, 不利于N2O气体的排放.稻-蔬轮作的根固氮量值低于稻-稻轮作, 但稻-蔬轮作的人为氮素输入量高于稻-稻轮作, 该数据结果与董守坤等[24]的研究结论中关于人为氮素的输入会抑制作物的根固氮量的观点相吻合(表 4).
|
|
表 4 3种轮作种植模式分异下各氮素指标/kg·hm-2 Table 4 Nitrogen indices in three rotation patterns/kg·hm-2 |
2.3 各氮素指标空间分异
在轮作模式差异和环境因素等综合作用下, 各氮素指标的空间分布亦表现出差异性.将各氮素指标进行空间自相关分析(表 5), 结果显示NH3排放量、N2O排放量和氮素淋失等指标的空间分布具有空间自相关性和空间聚集特征, 受地理学第一定律的支配(图 6~8).而作物氮素吸收量空间自相关分析表现为随机分布, 该氮素指标不具备空间依赖性(图 9).
|
|
表 5 各氮素指标描述性统计 Table 5 Descriptive statistics of nitrogen indices |
|
图 6 NH3挥发量空间分布 Fig. 6 Spatial distribution of NH3 |
|
图 7 N2O损失空间分布 Fig. 7 Spatial distribution of N2O |
|
图 8 氮素淋失损失空间分布 Fig. 8 Spatial distribution of nitrogen leaching |
|
图 9 作物氮素吸收量空间分布 Fig. 9 Spatial distribution of crop nitrogen uptake |
为突出显示各氮素指标的空间分布, 将表现为空间聚类分布的指标进行热点分析和方向分析(图 10~12).各氮素指标空间分布的冷热点区域存在明显空间规律性分布, 多表现出“西南热、东北冷”的分布特征.进一步借助方向分析, 获得各热点分布数据的标准差椭圆.其中, 氮素淋失热点分布主趋势线主要表现在“感德镇—长坑乡—尚卿乡”一线；N2O排放量热点分布的主趋势线为“坑仔口镇—剑斗镇—长坑乡一线和锦斗镇—蓬壶镇—达金谷镇”一线；NH3排放量热点分布的主趋势线, 由左至右依次为“下洋镇—横口乡—长坑乡”一线、“桂洋镇—坑仔口镇—达埔镇”一线和“呈祥乡—蓬壶镇—金谷镇”一线.
|
图 10 NH3排放空间分布的热点分析 Fig. 10 Hotspot analysis of NH3 |
|
图 11 N2O排放空间分布的热点分析 Fig. 11 Hotspot analysis of N2O |
|
图 12 氮素淋失的热点分布 Fig. 12 Hotspot analysis of nitrogen leaching |
参照前人研究的成果, 发现地形因子[25]、土壤属性因子[26]和氮素输入指标[27]等与NH3排放量、N2O排放量和氮素淋失损失量之间存在显著相关性.结合晋江流域特征, 本研究选择地形因子中的经度、纬度和坡度等变量, 土壤属性因子中SOC、pH和黏粒含量等属性变量以及氮素输入指标中湿沉降氮量、生物固氮量和有机氮肥量等变量, 总计16个解释变量进行相关性分析, 再运用OLS进行线性拟合分析, 将经过t检验的解释变量与目标变量再进行GWR分析.
各氮素目标变量的GWR建模结果显示所有回归拟合方程残差均通过空间自相关性分析且表现为随机分布, 利用AICc信息准则法, 得到NH3、N2O和氮素淋湿的R2分别为0.98、0.96和0.87, Radj2分别为0.97、0.96和0.84, 表明GWR模型能够较好模拟各解释变量对目标变量的影响.
NH3排放量回归系数空间分布中作用影响强度, 按照均值的绝对值由高至低依次为SOCmax、黏粒含量max、SOCmin、根固氮量、有机氮肥量和无机氮肥量(表 6).其中, 根固氮量表现出唯一的负向驱动效果, 而有机氮肥和无机氮肥的正向驱动均值小于1.在驱动效果的空间分布上, 具有一定的相似性, 如SOCmax、SOCmin和根固氮量间呈现出“西高东低”, 而黏粒含量max、无机氮量和有机氮量都呈现出“东高西低”(图 13).
|
|
表 6 基于GWR模型的NH3排放量参数估计与诊断 Table 6 Parameter estimation and diagnostics of NH3 emissions based on GWR |
|
图 13 基于GWR分析的NH3排放量回归系数空间分布 Fig. 13 Spatial distribution of regression coefficients for NH3 based on GWR analysis |
N2O排放量回归系数空间分布中作用影响强度, 按照均值的绝对值由高至低依次为SOCmax、根固氮量、湿沉降氮量、pHmax、有机氮肥量和无机氮肥量(表 7).其中, 除SOCmax指标外, 其余因素的影响强度均小于1, 根固氮量表现为唯一负向作用效果.在空间分布上, SOCmax、pHmax和无机氮肥量表现出“西高东低”, 根固氮量表现为“西低东高”, 湿沉降氮量表现为“中间高, 东西低”, 有机氮肥量表现为“内陆高于沿海”(图 14).
|
|
表 7 基于GWR模型的N2O排放量参数估计与诊断 Table 7 Parameter estimation and diagnostics of N2O emissions based on GWR |
|
图 14 基于GWR分析的N2O排放量回归系数空间分布 Fig. 14 Spatial distribution of regression coefficients for N2O based on GWR analysis |
氮素淋湿量回归系数空间分布中作用影响强度, 按照均值的绝对值由高至低依次为pHmin、pHmax、湿沉降氮量、有机氮肥量、坡度和无机氮肥量(表 8).其中, pHmax表现为唯一负向影响效果, 有机氮肥量、坡度和无机氮肥量因子的作用强度小于1. pHmin和pHmax的空间分布表现为“中间高, 东西两端低”, 湿沉降氮量和无机氮肥量表现为“西北低东南高”, 有机氮肥空间分布表现为“内陆高于沿海”, 坡度表现为“西低东高”(图 15).
|
|
表 8 基于GWR模型的氮素淋失损失量参数估计与诊断 Table 8 Parameter estimation and diagnostics of nitrogen leaching based on GWR |
|
图 15 基于GWR分析的氮素淋失损失量回归系数空间分布 Fig. 15 Spatial distribution of regression coefficients for nitrogen leaching based on GWR analysis |
不同轮作模式的生理特征、营养和水分利用率不同, 会造成稻田轮作区内土壤有机质的积累、分解速率和氮素循环规律的多样性, 是影响稻田轮作区内氮素动态变化的重要因素.本研究中蔬菜的作物氮素吸收量呈现单峰式增长, 与张贵龙[28]的研究中蔬菜对氮素吸收曲线的描述相吻合, 符合蔬菜种植生长周期短, 高效施肥见效快等生理特征.水稻的作物氮素吸收量呈现出“平台期”, 该结果与江立庚等[29]的研究中指出水稻产量与氮素供应量呈现出二次曲线关系相吻合.同时, 区域内的水稻作物平均氮素吸收量后期表现出增长趋势减缓, 推测区域内氮素输入量已超过作物最适宜氮肥施用量, 过量的氮肥不能有效促进作物产量增加, 更容易造成氮素损失.而在氮素损失指标的对比中, 休耕模式下, 氮素的损失指标显著下降, 该结果与张岳芳等[30]通过控制实验获得不同水旱轮作模式下的N2O的排放量都大于对照组(稻-空闲)模式下的排放量的结论相契合.适当的休耕制度对于缓解稻田N2O气体的排放具有积极影响.
3.2 各因子对氮素的综合影响分析在多个驱动变量的综合分析中, 土壤属性因子表现为较强的影响效果, 其中SOC是同时影响NH3和N2O排放的最强作用因子.该研究结果与梁坤伦等[31]基于实验站点研究结果相吻合, 在实际作物生长过程中, 土壤内部结构中碳、氮元素常相互影响, SOC分布常伴随着丰富的微生物活动, 利于将土壤中的有机氮转化为无机氮, 促进氮素最终以气体形式损失排出.而其空间分布特征可能是由于区域南部因临近厦门市, 多发展为新鲜蔬菜供应地, 大量氮肥输入, 带来高SOC含量, 进而导致大量的NH3和N2O气体排放量.根固氮量与氮素损失指标均表现为负向作用效果, 推测为被吸附的氮素不易被转化流失.
pHmin表现为氮素淋湿量的最强作用效果.氮素淋湿量受到土壤累积氮素含量的影响, 而pH值约束着氮素硝化与反硝化进程, 进而影响到氮素淋湿量.但前人研究中指出[32], 氮素淋湿量的驱动因素并不主要是pH值, 潜在的主要驱动因素可能是降水或地表径流量, 可在后续的研究中进一步补充.
在多因子的对比下, 无机氮肥和有机氮肥的驱动影响效果均小于土壤有机碳的强度且值均小于1.虽然在不同耕作模式的对比中, 无机氮肥的输入量与目标变量之间存在显著相关性, 但基于地理空间的分析中, 同一空间单元下的土壤属性因子的作用强度高于人为氮源输入对其的影响效果.分析其中原因可能是SOC数据是基于土壤类型数据进行空间化, 而氮肥输入数据是基于县域行政单元, 从数据的分辨率对比来看, 土壤类型数据与目标氮素的空间分布数据契合度较高.
但对于稻田轮作氮素的控制包含但不仅限于上述因子.降雨[33]、温度[34]以及农田管理措施中的灌溉[35]、排水时间[36]和秸秆还田比例[37]等, 均对NH3、N2O和氮素淋湿量产生影响.但因为受到方法适用性的限值, 未能对所有有影响的因素进行考虑.因此, 为实现更加精准化的农业信息管理, 需要在全面的考虑农作物基本特性、农田土壤基本属性、周围气候环境以及农田管理措施信息的基础上[38], 进一步分析各因素的驱动强度, 再差异性制定农田管理措施, 最终实现区域的可持续发展.
4 结论经过参数率定与精度验证, DNDC模型的区域尺度在氮素动态模拟中表现出较好的区域适用性.稻-蔬轮作模式具有最高氮素输入量, 同时也表现出最高作物氮素吸收率和最大氮素损失量.NH3排放量、N2O排放量和氮素淋失表现为空间聚类分布, 作物氮素吸收量为随机分布.各氮素损失指标热点分布的趋势线间虽有差异, 但主要以“感德镇—长坑乡”一线为主.在GWR分析中, 土壤属性因子表现为最强影响作用效果.其中, NH3排放量和N2O排放量中SOCmax为第一强度影响因子, 空间分布“西南高, 东北低”；在氮素淋失损失量中pHmin表现为第一强度影响因子, 空间分布呈现“南北高, 东西低”.
| [1] |
张鲜鲜, 周胜, 孙会峰, 等. DNDC模型在稻田生态系统中的研究进展及应用[J]. 上海农业学报, 2019, 35(1): 109-117. Zhang X X, Zhou S, Sun H F, et al. Advance and application of DNDC model in paddy ecosystem[J]. Acta Agriculturae Shanghai, 2019, 35(1): 109-117. |
| [2] |
王亚楠, 税伟, 杨海峰, 等. 21世纪以来闽三角城市群人类景观开发强度的时空演变——基于能值-GIS方法[J]. 生态学报, 2019, 39(5): 1688-1700. Wang Y N, Shui W, Yang H F, et al. Temporal and spatial evolution of human landscape development in the Fujian delta urban agglomeration in the 21st Century:based on emergy-GIS approach[J]. Acta Ecologica Sinica, 2019, 39(5): 1688-1700. |
| [3] |
廖千家骅, 颜晓元. 亚洲地区稻田N2O排放影响因子统计模拟分析[J]. 环境科学, 2011, 32(1): 38-45. Liao Q J H, Yan X Y. Statistical analysis of factors influencing N2O emission from paddy fields in Asia[J]. Environmental Science, 2011, 32(1): 38-45. DOI:10.3969/j.issn.1673-288X.2011.01.012 |
| [4] |
韩宁, 陈维梁, 高扬, 等. 基于SWAT与DNDC模型对比研究亚热带流域氮淋溶与输出过程[J]. 环境科学, 2017, 38(6): 2317-2325. Han N, Chen W L, Gao Y, et al. Comparative study of SWAT and DNDC applied to N leach and export from subtropical watershed[J]. Environmental Science, 2017, 38(6): 2317-2325. |
| [5] |
谢海宽, 江雨倩, 李虎, 等. DNDC模型在中国的改进及其应用进展[J]. 应用生态学报, 2017, 28(8): 2760-2770. Xie H K, Jiang Y Q, Li H, et al. Modification and application of the DNDC model in China[J]. Chinese Journal of Applied Ecology, 2017, 28(8): 2760-2770. |
| [6] | Li C S, Frolking S, Frolking T A. A model of nitrous oxide evolution from soil driven by rainfall events:2. Model applications[J]. Journal of Geophysical Research, 1992, 97(D9): 9777-9783. DOI:10.1029/92JD00510 |
| [7] | Giltrap D L, Ausseil A G E, Thakur K P, et al. Investigating a method for estimating direct nitrous oxide emissions from grazed pasture soils in New Zealand using NZ-DNDC[J]. Science of the Total Environment, 2013, 465: 7-16. DOI:10.1016/j.scitotenv.2013.03.053 |
| [8] | Gilhespy S L, Anthony S, Cardenas L, et al. First 20 years of DNDC (DeNitrification DeComposition):model evolution[J]. Ecological Modelling, 2014, 292: 51-62. DOI:10.1016/j.ecolmodel.2014.09.004 |
| [9] |
王效科, 庄亚辉, 李长生. 中国农田土壤N2O排放通量分布格局研究[J]. 生态学报, 2001, 21(8): 1225-1232. Wang X K, Zhuang Y H, Li C S. The distribution pattern of N2O emission from agricultural soil in China[J]. Acta Ecologica Sinica, 2001, 21(8): 1225-1232. DOI:10.3321/j.issn:1000-0933.2001.08.002 |
| [10] | 邹凤亮.江汉平原稻田温室气体排放特征研究[D].武汉: 华中农业大学, 2018. 11-12. http://cdmd.cnki.com.cn/Article/CDMD-10504-1018182293.htm |
| [11] | 牛逸龙.基于DNDC模型模拟气候变化情景下中国稻田温室气体排放的研究[D].上海: 上海应用技术大学, 2016. 33-43. http://cdmd.cnki.com.cn/Article/CDMD-10259-1016294751.htm |
| [12] |
高懋芳, 邱建军, 李长生, 等. 应用Manure-DNDC模型模拟畜禽养殖氮素污染[J]. 农业工程学报, 2012, 28(9): 183-189. Gao M F, Qiu J J, Li C S, et al. Modelling nitrogen pollution from livestock breeding using Manure-DNDC model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(9): 183-189. |
| [13] |
王光翔, 张黎明, 李晓迪, 等. 基于高精度土壤数据库的苏北旱地固碳速率和潜力研究[J]. 生态环境学报, 2016, 25(3): 422-431. Wang G X, Zhang L M, Li X D, et al. Study of soil organic carbon sequestration rate and potential of upland in northern Jiangsu Province based on high-resolution soil database[J]. Ecology and Environmental Sciences, 2016, 25(3): 422-431. |
| [14] |
税伟, 杜勇, 陈毅萍, 等. 基于地理加权回归的茶叶种植专业化空间格局及影响因素——以福建省安溪县为例[J]. 应用生态学报, 2017, 28(4): 1298-1308. Shui W, Du Y, Chen Y P, et al. Spatial patterns and influence factors of specialization in tea cultivation based on geographically weighted regression model:a case study of Anxi County of Fujian Province, China[J]. Chinese Journal of Applied Ecology, 2017, 28(4): 1298-1308. |
| [15] |
马岚, 滕彦国, 林学钰, 等. 河流型饮用水源地保护区划分敏感水质指标确定——以晋江流域为例[J]. 北京师范大学学报(自然科学版), 2013, 49(2-3): 193-198. Ma L, Teng Y G, Lin X Y, et al. Identification of sensitive water quality index for protection area classification of river-style drinking water source area:case of Jinjiang River basin[J]. Journal of Beijing Normal University (Natural Science), 2013, 49(2-3): 193-198. |
| [16] | Li H, Wang L G, Li J Z, et al. The development of China-DNDC and review of its applications for sustaining Chinese agriculture[J]. Ecological Modelling, 2017, 348: 1-13. DOI:10.1016/j.ecolmodel.2017.01.003 |
| [17] | 泉州市统计局, 国家统计局泉州调查队. 泉州统计年鉴[M]. 北京: 中国统计出版社, 2018. |
| [18] | Smith W N, Grant B B, Desjardins R L, et al. A tool to link agricultural activity data with the DNDC model to estimate GHG emission factors in Canada[J]. Agriculture, Ecosystems & Environment, 2010, 136(3-4): 301-309. |
| [19] |
田展, 牛逸龙, 孙来祥, 等. 基于DNDC模型模拟气候变化影响下的中国水稻田温室气体排放[J]. 应用生态学报, 2015, 26(3): 793-799. Tian Z, Niu Y L, Sun L X, et al. China's rice field greenhouse gas emission under climate change based on DNDC model simulation[J]. Chinese Journal of Applied Ecology, 2015, 26(3): 793-799. |
| [20] | Yuan Y M, Cave M, Zhang C S. Using local Moran's I to identify contamination hotspots of rare earth elements in urban soils of London[J]. Applied Geochemistry, 2018, 88: 167-178. DOI:10.1016/j.apgeochem.2017.07.011 |
| [21] |
孙爽, 李令军, 赵文吉, 等. 京津冀大气污染变化规律及其与植被指数相关性分析[J]. 环境科学, 2019, 40(4): 1585-1593. Sun S, Li L J, Zhao W J, et al. Variation in pollutant concentrations and correlation analysis with the vegetation index in Beijing-Tianjin-Hebei[J]. Environmental Science, 2019, 40(4): 1585-1593. |
| [22] |
李强, 李建国, 张忠启. 滨海盐渍土地区水稻田C、N及生物量动态变化的模拟与应用[J]. 生态科学, 2018, 37(3): 148-158. Li Q, Li J G, Zhang Z Q. Simulation of C, N and biomass dynamic change in coastal saline soil region paddy field[J]. Ecological Science, 2018, 37(3): 148-158. |
| [23] | Katayanagi N, Fumoto T, Hayano M, et al. Development of a method for estimating total CH4 emission from rice paddies in Japan using the DNDC-Rice model[J]. Science of the Total Environment, 2016, 547: 429-440. DOI:10.1016/j.scitotenv.2015.12.149 |
| [24] |
董守坤, 刘丽君, 孙聪姝, 等. 利用15N标记研究氮素水平对大豆根瘤生长的影响[J]. 植物营养与肥料学报, 2011, 17(4): 985-988. Dong S K, Liu L J, Sun C S, et al. Effects of nitrogen levels on nodule growth of soybean using 15N tracing method[J]. Plant Nutrition and Fertilizer Science, 2011, 17(4): 985-988. |
| [25] |
王丽, 王力, 王全九. PAM对不同坡度坡地产流产沙及氮磷流失的影响[J]. 环境科学学报, 2015, 35(12): 3956-3964. Wang L, Wang L, Wang Q J. Impacts of PAM on runoff, sediment, nitrogen, and phosphorus loss under the different slope lands[J]. Acta Scientiae Circumstantiae, 2015, 35(12): 3956-3964. |
| [26] | Weber A, Khalil M I, Schraml M, et al. Soil-atmosphere exchange of NH3 and NOx in differently managed vegetation types of southern Germany[J]. Journal of Soil and Plant Biology, 2018(1): 1-15. |
| [27] |
石敏, 肖伟华, 王春梅, 等. 施肥与灌溉对黑土区稻田氮素渗漏淋溶的影响[J]. 南水北调与水利科技, 2016, 14(1): 42-49. Shi M, Xiao W H, Wang C M, et al. Influence of fertilization and irrigation on nitrogen percolation leaching in black soil region[J]. South-to-North Water Transfers and Water Science & Technology, 2016, 14(1): 42-49. |
| [28] | 张贵龙.蔬菜保护地氮素利用与去向研究[D].北京: 中国农业科学院, 2009. 23-30. http://cdmd.cnki.com.cn/Article/CDMD-82101-2009152260.htm |
| [29] |
江立庚, 曹卫星. 水稻高效利用氮素的生理机制及有效途径[J]. 中国水稻科学, 2002, 16(3): 261-264. Jiang L G, Cao W X. Physiological mechanism and approaches for efficient nitrogen utilization in rice[J]. Chinese Journal of Rice Science, 2002, 16(3): 261-264. DOI:10.3321/j.issn:1001-7216.2002.03.013 |
| [30] |
张岳芳, 周炜, 陈留根, 等. 太湖地区不同水旱轮作方式下稻季甲烷和氧化亚氮排放研究[J]. 中国生态农业学报, 2013, 21(3): 290-296. Zhang Y F, Zhou W, Chen L G, et al. Methane and nitrous oxide emission under different paddy-upland crop rotation systems during rice growth season in Taihu Lake Region[J]. Chinese Journal of Eco-Agriculture, 2013, 21(3): 290-296. |
| [31] |
梁坤伦, 周志宇, 姜文清, 等. 西藏草地开垦后土壤表层氮素及有机碳特征研究[J]. 草业科学, 2010, 27(9): 25-30. Liang K L, Zhou Z Y, Jiang W Q, et al. Study on the dynamics of nitrogen and organic carbon in soil of cultivated grassland in Tibet[J]. Pratacultural Science, 2010, 27(9): 25-30. DOI:10.3969/j.issn.1001-0629.2010.09.005 |
| [32] |
卜洪龙, 任秀文, 陆俊卿, 等. 人工降雨条件下华南红壤氮素流失规律研究[J]. 环境科学与技术, 2016, 39(8): 27-34. Bu H L, Ren X W, Lu J Q, et al. Nitrogen loss on red soil in south China under artificial rainfall conditions[J]. Environmental Science & Technology, 2016, 39(8): 27-34. |
| [33] | Diamond S, Andeer P F, Li Z, et al. Mediterranean grassland soil C-N compound turnover is dependent on rainfall and depth, and is mediated by genomically divergent microorganisms[J]. Nature Microbiology, 2019, 4(8): 1356-1367. DOI:10.1038/s41564-019-0449-y |
| [34] | Xie W M, Li S J, Shi W M, et al. Quantitatively ranking the influencing factors of ammonia volatilization from paddy soils by grey relational entropy[J]. Environmental Science and Pollution Research, 2020, 27: 2319-2327. DOI:10.1007/s11356-019-06952-8 |
| [35] | Liao B, Wu X, Yu Y F, et al. Effects of mild alternate wetting and drying irrigation and mid-season drainage on CH4 and N2O emissions in rice cultivation[J]. Science of the Total Environment, 2020, 698: 134212. DOI:10.1016/j.scitotenv.2019.134212 |
| [36] | Xu J Z, Peng S Z, Yang S H, et al. Ammonia volatilization losses from a rice paddy with different irrigation and nitrogen managements[J]. Agricultural Water Management, 2012, 104: 184-192. DOI:10.1016/j.agwat.2011.12.013 |
| [37] |
徐学池, 苏以荣, 王桂红, 等. 秸秆还田配施氮肥对喀斯特农田微生物群落及有机碳矿化的影响[J]. 环境科学, 2019, 40(6): 2912-2919. Xu X C, Su Y R, Wang G H, et al. Straw returning plus nitrogen fertilizer affects the soil microbial community and organic carbon mineralization in Karst farmland[J]. Environmental Science, 2019, 40(6): 2912-2919. |
| [38] |
鲁斯唯, 胡清华, 吴水平, 等. 海峡西岸经济区大气污染物排放清单的初步估算[J]. 环境科学学报, 2014, 34(10): 2624-2634. Lu S W, Hu Q H, Wu S P, et al. Establishment of air pollutant emission inventory in the West Coast of Taiwan Strait[J]. Acta Scientiae Circumstantiae, 2014, 34(10): 2624-2634. |