钱海燕，于婷婷，周杨明，王娓，陈莎莎

1.东华理工大学地球科学学院，南昌 330013；2.江西师范大学地理与环境学院，南昌 330022；3.江西省工程咨询中心有限公司，南昌 330036

稻田生态系统是在人为耕作条件下形成并长期处于淹水状态的特殊土壤生态系统，具有较高的固碳能力，也是CO2、CH4和N2O 温室气体重要的源和汇[1］。稻田CO2和CH4排放分别约占农业活动CO2和CH4排放量的16%和35%，其中稻田CH4排放是全球CH4排放主要排放源之一，大气中10%~20%的CH4来源于水稻，而稻田N2O 在排放上与其他农业活动相比不突出、来源一致，主要来自作物生长过程土壤N2O 排放及氮肥施用[2-4］。中国水稻土面积约为3 000 万hm2，占全国农业耕地总面积的25%[5-6］。研究表明，中国水稻土表层土壤有机碳库约13 亿t，固碳潜力可达30 亿t，具有土壤有机碳（SOC）含量较高、固碳作用明显、固碳潜力巨大且温室气体排放量大的特点[1，7-8］。因此，研究稻田生态系统碳动态变化不仅能为土壤培肥、作物增产提供科学依据，而且对制定国家减排战略和应对全球变化具有重要意义[9-10］。

稻田生态系统碳动态变化研究通常采用直接观测法，该方法耗时耗力，观测区域及时间极为有限，大范围的区域排放情况代表性较差，而利用模型将有限的点位观测案例扩展到较大的区域尺度，能够弥补田间直接观测的不足[6，11］。目前，世界上已经研发出了许多用于描述碳氮循环的生物地球化学模型，比较著名的模型包括DNDC（denitrification-de⁃composition，反硝化-分解模型）、CENTURY、CASA（Carnegie-Ames-Stanford approach，卡内基-埃姆斯-斯坦福方法模型）、EPIC（erosion/productivity im⁃pact calculator，土壤侵蚀/生产力影响模型）、Biome-BGC（biome biogeochemical cycles model，生物群落生物地球化学循环模型）、Roth C（Rothamsted car⁃bon model，洛桑碳模型）等[9-10，12］。其中，DNDC 模型经过长期的发展和改进在农田生态系统中得到了广泛应用，对于目前的稻田生态系统区域实验研究有着重要的指导作用。因此，本文基于DNDC 模型的构成与功能及其在稻田生态系统中的模块优化，分析总结了模型在稻田生态系统土壤固碳、CO2和CH4温室气体排放模拟、稻田管理措施评估及敏感性分析等方面的研究进展，提出了模型在稻田生态系统模拟中的不足之处和优化措施，旨在为稻田生态系统碳动态变化模拟研究提供方法参考，使模型能够更好地在稻田减排、农业管理、政策制定上发挥作用。

1 DNDC模型的构成与功能

1.1 DNDC模型简介

DNDC 是以模拟农业生态系统中碳氮循环为目的，耦合生态环境驱动因子及其相应的生物地球化学过程的模型。模型最初由新罕布什尔大学的李长生教授及其团队研发，主要用计算机模拟表达硝化作用和分解作用，用于描述美国土壤碳氮循环和反应机制[13］。模型由2大部分、6个子模型组成（图1）。第一部分主要包括土壤气候、农作物生长和土壤有机质分解3个子模型，通过气候、土壤、植被和人类活动4 种生态驱动因子模拟出第二部分中的土壤环境条件（土壤温度、湿度、pH、Eh 和相关化学底物浓度梯度）；第二部分包括硝化、反硝化以及发酵作用3个子模型，利用第一步模拟所得的5 种土壤环境条件，来模拟土壤环境条件变化对微生物活动带来的影响，计算植物系统和土壤系统内部CO2、CH4、N2O、NH3、NO 以及N2的排放情况。模型使用者只需要输入待模拟地点的日气象数据、土壤性质、植被特征及管理措施，即可运转DNDC 模拟该地的植物生长情况、土壤水分和碳氮动态、CO2及多种微量气体的排放，具有多尺度、高精度以及良好的适用性[14］。

图1 DNDC 模型结构[11，14］Fig.1 The structure of DNDC model[11，14］

1.2 DNDC模型与其他生物地球化学模型的比较

DNDC、CENTURY、CASA、EPIC、Biome-BGC、Roth C 是目前应用较为广泛的6 个生物地球化学模型。这6个模型起源存在差异，不同模型优势以及发展过程中经验积累不同，针对同一模拟评估对象所能达到的模拟精度也有层次之分（表1）。对于农田（稻田）生态系统碳动态、温室气体排放等方面模拟而言，以模拟农业土壤碳氮循环为目的的DNDC 模型最具优势且研究经验最为丰富，但存在输入模型参数较多、模型校正困难等问 题[12，15］。CENTURY 模型始于草地生态系统，是以月为单位建立的主要用于模拟研究草原生产力和土壤有机质含量的模型，也被用于研究农田、森林生态系统SOC情况，其中该模型对于农田SOC的变化特征模拟，在间作农业模式下的模拟精度相较于单一农业模式要高，但该模型默认区域物种之间无差别且不能很好地反应土壤碳饱和增长情况[10，16-17］。Roth C 模型与CENTURY 模型在模拟思路上存在相同点，能够很好地模拟不同区域草地、农田以及森林等生态系统SOC 的趋势，也比较适用于模拟估算旱地和水旱轮作以及不同施肥下SOC 的变化。但Roth C 模型同样带有CENTURY 模型缺陷，在模拟南方双季稻农田的SOC 变化趋势时，该模型主要考虑非淹水状态下表层SOC 周转，虽后续可通过添加新参数来调节土壤淹水期和非淹水期碳库的分解速率，但对一些长期淹水状态下的土壤模拟效果不太理想，同时该模型仅考虑土壤过程而不计算地上生物量归还到土壤中的碳[17-18］。CASA 模型是基于不同植物光能利用率差异结合环境胁迫因子（如水分）建立，目前主要用于模拟和估测草地、森林以及湿地NPP（净初级生产力）和固碳潜力，在农业尤其是农田（稻田）生态系统中碳动态、温室气体排放方面的模拟应用较少，且该模型参数未考虑人为活动带来的影响，而稻田生态系统与人类活动关系密切[19］。EPIC 模型最初是为评估不同管理模式的选择对土壤侵蚀和土地生产力带来的影响而构建的模型，在稻田生态系统中用于作物产量估算、养分利用和流失情况、评估水稻灾害（如春季旱灾）以及气候变化对不同作物轮作系统（如玉米-小麦-水稻轮作系统）带来的影响等，但该模型作为一个单点模型，定义的最大田间尺度只有约为1.012 km2且默认整个田间区域环境整体条件以及管理措施均一[20］。Biome-BGC 模型与CASA 模型类似，主要用于估算NPP、模拟森林、草地以及农田等生态系统的碳水循环。但该模型具有普适性，基于物质与能量守恒原理模拟植物生理生态过程，一般不考虑各种扰动带来的影响，虽可以模拟很多植被类型但缺少对混合植被类型的生理生态参数描述，不适合稻田生态系统中多种套作模式模拟[21-23］。

通过对比分析各个模型的优点和缺点（表1），发现模型模块越完备，其考虑的因子越多越详细，模拟结果与实际值越接近。其中，DNDC 模型在农业领域土壤碳氮循环模拟中具有独特优势，不仅能够同时模拟CO2、CH4等温室气体的排放过程，而且能够定量评价作物产量等综合调控机制[12］，被广泛应用于观察、分析和预测农田生态系统产量、土壤固碳和温室效应[2，6，14］。因此，DNDC 模型被认为是当前世界上较为完善的6 个模型之一[24］，被指定为亚太地区首选推广的生物地球化学模型[25］。

表1 6个生物地球化学模型的优点和缺点Table 1 Advantages and disadvantages of six biogeochemical models

1.3 DNDC 模型在稻田生态系统中的模块功能优化

自DNDC 模型研发以来，世界各地科研人员为模型的发展做出了重要贡献，不仅丰富了模型的研究过程方法、优化了模型的参数设置、拓展模型的应用领域，而且还推动了模型功能的研发。随着DNDC 模型在国内的应用，一些研究者逐步对模型进行了改进，使DNDC 模型更适用于中国农业生态系统[31］。起初为研究农田土壤碳的生物地球化学循环，研究人员利用当时的土壤C 和N 动力学模型辅以植物生长子模型和种植实践程序（施肥、灌溉、耕作、轮作和肥料改良）来开展研究[32］。其后陆续有更多的研究者加入到优化和丰富DNDC 模型模块的行列当中（表2）。经过30 多年的开发和在世界各地的应用，DNDC 模型能够准确模拟不同农业生产环境和不同管理方式下的土壤固碳能力及温室气体排放规律，可以作为农业固碳和温室气体减排计量的一个便捷工具。

表2 DNDC模型的模块添加和改进Table 2 Module addition and improvement of DNDC model

2 DNDC 模型在稻田生态系统碳动态模拟中的应用

2.1 稻田土壤固碳模拟

DNDC 模型能够准确模拟田块和区域尺度SOC储量和固碳速率，有助于明确土壤固碳潜力、制定固碳减排措施，对维护生态系统稳定性和农业生产力具有重要意义[40-41］。刘清等[40］基于GIS和DNDC模型，采用中国科学院红壤生态实验站的长期实验数据模拟预测出江西省余江县面积3.6 亿m2的水稻土表层（0~20 cm）中SOC 储量为2.9×109kg，其中潴育性水稻土的SOC 储量水平较高，淹育性和潜育性水稻土较低。徐胜祥等[42］基于1∶100 万土壤数据库，以土壤图斑为基本模拟单元模拟2009−2050 年间江苏省稻田在少耕、免耕和少耕+秸秆还田3种耕作制度下的土壤固碳潜力，结果发现免耕和少耕+秸秆还田条件下稻田固碳速率优于少耕。

受研究区域大小不同的影响，研究者在进行土壤碳库模拟研究中采用的比例尺度有很大不同。国家尺度模拟中DNDC 模型所采用的土壤属性数据大多来自于1∶1 400 万土壤图和《中国土种志》，区域尺度模拟中一般也是土壤信息相对比较粗糙的省级土种志资料[18］。如：Xu 等[43-44］结合1∶100 万土壤数据库和DNDC 模型模拟发现中国水稻土在1980−2050年间固碳总量达到2.920×107~8.477×108t；Zhang等[45］结合1∶1 400 万 土壤 数 据库县 级 单元 法 和DNDC 模型模拟研究发现太湖地区水稻土在1982−2000 年间共释放碳1.538×107t；Xu 等[9］基于1∶100万和1∶1 400 万2 种比例尺土壤数据库和DNDC 模型模拟江苏省水稻土1980年和2008年SOC储量，模拟结果显示基于1∶1 400 万土壤数据库模拟SOC 储量分别为1.310亿~3.206亿t和1.703亿~3.051亿t，基于1∶100 万土壤数据库模拟SOC 储量分别为2.016亿、2.162亿t。上述结果也表明，由于缺乏详细的土壤数据及建立该类数据库不易，大区域尺度上的DNDC 模型有机碳研究多集中在中、小比例尺土壤数据库，而粗糙的土壤数据将在一定程度上降低模拟精度，从而增加“固碳减排”管理措施制定的不确定性。吴世蓉等[41］基于目前区域尺度最为详细的1∶5万土壤数据库下福建省闽侯、浦城、同安、武平和永定5 个县1980−2009 年和2010−2039 年有机碳动态变化的模拟结果，运用尺度上推的方法估算出福建省耕地土壤1980−2009 年的固碳总量为7.37×106t，2010−2039年的固碳潜力为7.04×106t，2个时段的年均固碳速率分别为190、176 kg/hm2，认为目前的农田管理措施有利于研究区长期固碳。其中，水稻土和盐渍水稻土分别在土类和亚类级别中固碳速率最大，每年不同时段均大于175 kg/hm2，2 个时段水稻土的固碳总量均占全省耕地固碳总量的92%以上，是今后制定固碳减排措施的重点。

采用栅格单元模拟不同比例尺矢量图斑单元及其转换生成的不同分辨率的栅格单元，能够对区域尺度土壤碳库模拟精度产生影响。倪元龙等[46］结合DNDC 模型模拟太湖地区2000 年水稻土表层（0~20 cm）SOC，对比分析了1∶5 万、1∶100 万、1∶1 400 万3 种比例尺土壤矢量图斑单元以及由矢量图斑单元转换生成的不同分辨率的栅格单元与3 种比例尺矢量图斑单元的水稻土类型数量、面积、碳储量以及碳密度的变化特征，认为1∶5 万、1∶100 万和1∶1 400 万3 种比例尺的最佳栅格模拟单元分辨率分别为0. 2 km×0.2 km、2 km×2 km、17 km×17 km，既能保证模型模拟过程中的精度要求，又可以避免数据冗余，提高模拟效率。

2.2 稻田生态系统CH4和CO2排放模拟

研究表明，将充分考虑基于过程的DNDC 模型模拟结果与通过实地仪器测量结果进行对比，经过模块优化和参数本地化的DNDC 模型不仅能够有效地追踪或捕获稻田在整个生长期内的CH4和CO2排放模式，而且还能应用于区域尺度[11，47-50］。Wang等[51］模拟估算中国稻田CH4的年排放量约为8.20×106t，中国东南部、中部和西南地区CH4排放量占全国总排放量的92%。高小叶等[5］研究表明，本地化改进的DNDC 模型能够准确模拟长江中下游地区施用紫花苜蓿绿肥情景下水稻生长和温室气体排放规律。赵苗苗等[49］基于气象、土壤和管理措施等数据，模拟发现常年种植水稻的稻田CH4等温室气体通量模拟效果优于新转水田。王利华等[52］模拟估算了宁波市大嵩江流域稻田生态系统不同种植模式CH4平均排放速率是7~400 kg/hm2。贺冬冬[53］模拟结果表明当冬水田转为稻麦轮作后稻田生态系统年CO2固定量显著增加，即稻田轮作固碳能力优于单一水稻种植。邹凤亮等[54］模拟表明稻-油菜、稻-冬闲相比稻-小麦模式更能有效减少温室气体CH4的排放。

许多学者结合地面数据和遥感数据，利用遥感图像解译和实地验证，促进DNDC 模型点位尺度外推。帅艳菊[11］结合遥感技术模拟估算了2006—2015年湖北省主要稻作模式CH4排放量为5.60×105t/a。阿依吐拉·买买提祖农等[55］通过随机森林对遥感影像进行分类获得潜江市各稻作模式分布数据，结合气象、土壤、作物管理数据库，区域模拟结果表明2019 年潜江市主要稻作模式CH4及全年SOC 变化量分别为0.40~64 043.34 kg/km2和0.18~35 835.27 kg/km2。孙园园等[56-57］结合遥感手段提取的川中丘陵区稻田时空变化信息模拟结果表明不同耕作制度下水稻田生长期CH4排放通量平均值为冬水田-水稻田>小麦-水稻田>油菜-小麦田。张远等[48］利用遥感信息提取技术获得研究区水稻田的空间分布信息，对三江平原稻田CH4的季节排放进行了区域模拟和估算，认为稻田是三江平原农业生态系统中的一个较大的“CH4源”，DNDC模型在模拟北方寒地稻田CH4释放方面具有很好的应用潜力。这些研究表明，集成遥感信息技术和DNDC 模型模拟方法，对研究区水稻田时空变化信息进行精确提取，进而对水稻田温室气体排放通量进行模拟和定量估算，概括农田气体排放的时空变化模式极具应用价值，可为编制稻田温室气体排放清单和制定减排策略提供可靠的技术支撑[47-48］。

土壤数据的详细程度是保证地球生物化学模型模拟精度的重要因子，在利用栅格数据进行计算机模拟估算农田温室气体排放中，选择适宜的模拟单元非常重要[9，58-59］。张黎明等[58］研究了3 种不同土壤数据单元法对太湖地区水稻土CH4排放模拟的影响，发现1∶5万图斑单元法大多数县的CH4排放量都在1∶5万“县级”单元法最大与最小值范围之间，但整个地区总排放量相差达到1.68×106t；而1∶1 400 万“县级”单元法CH4排放量与1∶5万图斑单元法相比，尽管整个地区总排放量只相差1.8×105t，但各“县级”单元之间的估算差异却很大，验证了DNDC 模型以“县”作为最小模拟单元，并用排放量范围来表达区域CH4气体排放的合理性。孙欣等[59］估算了由太湖地区1∶5 万土壤数据库转换集成的七种栅格粒度下1982—2000 年共19 a 的稻田CH4排放总量，发现大于16 km 栅格粒度的栅格单元会引起面积误差，导致模拟结果迅速增大，综合考虑空间数据量和模型运算周期，以1∶5 万土壤数据库为前提，认为16 km栅格粒度是最适宜于太湖地区区域尺度温室气体排放的DNDC模型模拟粒度。

2.3 稻田管理模式评估

DNDC 模型不仅可以用来评估稻田水肥管理、土地利用方式及土壤特性对稻田生态系统碳动态变化的影响，而且有助于判断在何时何地实施新措施会获得最佳效果，在预测生态系统变动方面具有可实施性[14］。自20世纪80年代初起，中国水稻农业的水管理措施发生改变，全国水稻田由传统的持续淹灌转变成晒田间灌。以1990年农业和气象数据为基础，构建气象、土壤、作物轮作、农田管理等农业数据库，利用DNDC 计算1990 年在晒田间灌和持续淹灌两种管理模式中国稻田CH4年排放量分别为2.3×106~10.5×106t 和8.6×106~1.6×107t，表明晒田措施能够很好的减少中国稻田CH4排放量[7］。DNDC模拟也发现，受到作物轮作、气候和土壤质地的影响，晒田措施减少CH4排放的效果各地不同，四川、海南、湖北、广东等省效益最好（CH4排放减少量为200~290 kg/hm2），而河北、天津、宁夏、甘肃诸省最差（CH4排放减少量<25 kg/hm2）[14］。研究表明，淹水和施用秸秆状态下会增加稻田CH4排放通量和周转速率，CO2生产期主要在高温的作物生长期[60］。稻田CH4排放量和稻田淹水深度关系密切[52］，持续的淹水灌溉制度能够导致稻田具有较高排放通量[48］，在干旱区DNDC 模型对小于15 cm 积水灌溉实验地模拟效果较好，相对误差均在20%以内[61］。

孙园园等[56-57］等通过模型模拟研究认为，不同耕作方式土壤CH4排放量差异主要是由于不同耕作制度导致的土壤氧化还原电位差异所致。吴梦琴等[50］研究表明，鄂西北、鄂东南地区和江汉平原采用优化管理栽培模式能够有效减少稻作系统产生的CH4。优化稻作管理模式，如改变稻田淹水天数、选取高产低排稻种、节水灌溉和秸秆粉碎覆盖还田技术集成，可以在保持水稻产量的同时实现CH4减排[50，52］。

DNDC 模型对不同灌溉模式和不同水文年条件下的稻田SOC 具有较好的模拟效果[62］，能正确反映SOC 在水稻生长过程中的变化规律[2］。不同水文年条件下稻田最优的水碳管理模式是节水灌溉与秸秆还田耦合，在相同秸秆还田水平下，控灌稻田0~10 cm 层SOC 略低于淹灌处理，但水稻产量更高；平、枯、丰水年的推荐秸秆还田水平分别为6 000、6 000、7 500 kg/hm2，SOC 达到潜力的99.2%以上，水分生产率较相同秸秆还田量的淹灌处理高43.5%以上[62］。

耕作施肥制度和生态环境条件能够影响SOC储量，施用绿肥和化肥、少耕+30%秸秆还田均能增加SOC 储量[40，42］。王季斐[63］通过对施用磷肥亚热带地区的典型缺磷的水稻土壤进行研究，发现亚热带地区磷缺乏影响土壤碳固定，而碳磷共施能够促进有机质腐殖化程度，促使土壤有机质由简单结构转化为复杂高分子化合物。该研究选取了2种土壤，分别为极缺磷土壤Olsen-P（采用碳酸氢钠浸提的方法测定的有效磷含量）为0.74 mg/kg（Soil 1）、缺磷土壤Olsen-P 为3.41 mg/kg（Soil 2），以NaH2PO4为磷源（60 mg/kg），模拟根际分泌物为碳源（65%葡萄糖C+30%草酸C+5%丙氨酸C，添加量为土壤100%MBC（土壤微生物量碳）量），对2 种土壤进行3 种处理：不添加、添加外源碳（C 处理：Soil 1/Soil 2+C）、添加外源碳和磷（C+P 处理：Soil 1/Soil 2+C+P），模拟结果发现无论是Soil 1 还是Soil 2，方法上采取C+P 处理都比单一的C 处理效果要好得多。

DNDC 模型能够根据稻田管理模式的改变，构建出相应的农业数据库用以模拟不同管理模式下CH4的排放情况，验证其模式的实用价值和助推新管理模式的施行。而且，该模型能够针对不同土地耕作制度、灌溉模式及施肥条件等，较好的模拟出SOC的变化规律，从而预测稻田生态系统SOC变动趋势，有助于不同地区更好地选择和设计适宜当地水稻农业可持续发展的模式。

2.4 敏感性分析

敏感性分析可以确定影响模拟结果的关键模型参数，减少模型参数的不确定性，提升模型模拟精度[64］。朱相成等[65］研究表明，平均气温是影响东北单季稻区、长江中下游稻麦轮作区和南方双季稻区CH4排放最大的因子，土壤容重、秸秆还田量、土壤黏粒含量、SOC 以及水稻生长中期晒田时间也对CH4排放有明显影响，长江中下游稻麦轮作区秸秆还田的敏感性指数较高，而南方双季稻区则表现为平均气温和土壤黏粒含量更高。帅艳菊[11］认为，不同稻作模式下各类型参数对温室气体排放的敏感程度不同，土壤参数中容重、黏粒含量、SOC 和pH 值对温室气体排放影响最为显著；气象参数中除稻虾模式外，年均温和大气CO2浓度均为较敏感参数，在稻麦和稻油模式下降水量也为较敏感参数；管理参数中施氮量、晒田时间和秸秆还田量对各模式温室气体排放量影响最大。也有研究表明，稻田CH4排放对植物根系与总生物量比的变化高度敏感[66］。张远等[48］研究表明，土壤因素是影响三江平原稻田CH4排放的主要因素，土壤黏粒和SOC 含量是最主要的敏感性因子；气象因子中温度的变化对稻田CH4影响大于降水；对于耕作措施而言，水稻生长季内的田间排干可以明显降低稻田CH4排放量。可见，不同地区气候、土壤属性和管理措施的差异不仅导致稻田CH4排放对相同因素的敏感性存在一定的差异，而且反映了输入参数对稻田土壤CH4排放影响的复杂性，而DNDC 模型的准确性很大程度上取决于模型参数输入的精确度。

3 DNDC 模型在稻田生态系统碳动态模拟中的不足之处

3.1 模型点位/区域尺度模拟

模型点位模拟结果与实测数据具有较高的拟合度，这是判断模型适用性的前提条件[6］。研究表明，DNDC 模型已经能够很好地模拟稻田生态系统土壤碳固定和CH4、CO2等温室气体排放规律，在其适宜的条件下均能达到较高的模拟精度。但也发现，DNDC 模型模拟所对比分析的点位实测数据一般只有1~2 a，气象参数对模型产生的影响可能很大程度上被忽略，需结合长期有机碳和温室气体定位观测基础数据对DNDC 模型进行本土化和参数优化[11］。也有研究认为DNDC模型可以估算某研究区多年温室气体的时间序列，但模型并没有实现对时间序列分析的模块，而温室气体多年变化的趋势、周期以及自相似性等特征具有很重要的研究价值，需要将时间序列分析算法和DNDC模型有机结合[67］。

大部分DNDC 模型的应用目前还是处于单方面的点位尺度模拟或区域尺度模拟，而从点位尺度验证到区位尺度模拟研究，估算误差较大。土壤属性空间异质性是SOC动态变化、碳储量、温室气体估算不确定最主要的来源[58］。受区域异质性大、输入数据准确性的影响，如果模型以几个点的模拟结果来概括描述整个研究区的特征，得到的结果准确性较差[64，68］。由于区域在气候、水分、土壤性质、管理措施等方面存在很大的差异，导致地区SOC 储量和温室气体排放量差异性较大[54］，局部地区得到验证的模型并不一定能够适用于其他地区，尤其是当模型拓展到国家尺度容易出现不确定性。因此，在国家或区域尺度模拟中需要使用更详细的土壤资料，并对土壤数据源造成的模拟误差进行评估[34，58，69］。此外，基于DNDC 模型模拟的一些研究只是简单描述了造成该结果的可能因素，并未对影响土壤固碳和CH4、CO2排放结果的干扰因素进行足够分析，也未对模型存在的弊端进行分析解释。

3.2 模型模块功能优化

虽然DNDC 模型能够较好地用于中国稻田生态系统模拟，但由于DNDC 模型提供的作物生理及物候学参数主要来自北美的观测，不能完全适应中国土地的复杂性，模型在应用时需进行验证，确认DNDC 模型适用于模拟的区域。国内外种植模式和耕作措施存在差异，DNDC 模型缺乏一些中国特有且复杂的农业耕作特征。

DNDC 模型虽经过不同领域的研究工作者数十年来的改进，能够用于草地、森林、湿地等生态系统碳氮循环的模拟。但随着农业技术的革新，如水稻移栽、复杂多种作物系统以及农田管理过程中不断出现的新技术，使我国的农田管理措施得到很大的改进，模型拥有的模块很大程度上已经不能满足当前的实际情况，包括模型对中国主要农业生产区温室气体的精细研究还有待进一步发展[37，54，70］。其次在水稻育种上，新品种的出现伴随着新的栽培方式，如节水抗旱稻，其抗旱性得到增强，突破了传统水稻依附水资源的局限，水田节水栽培或旱地种植都可以，扩大了水稻种植范围，增加了稻田生态系统研究的复杂程度[71］。因此，为了使模型能够更好地服务于稻田生态系统碳氮循环科学试验达到研究目的，需要补充和完善DNDC 模型，使之适用于当前环境。而深入研究不同种植管理模式对碳循环的影响，需要增加其稻作模式评价和土地利用类型转变中的适用性，更准确地模拟多样的栽培模式，进行DNDC 模型模块功能优化[55］。稻田生态系统碳周转和温室气体排放在不同灌溉、施肥和秸秆还田处理下变得较为复杂[62，72］，目前DNDC 模型模拟主要是淹水状态下的参数输入，缺乏对排水状态的模拟，导致该模型只对某些积水灌溉范围内（如干旱区小于15 cm 积水灌溉实验地）的模拟效果较好。因此，模型模块功能有待进一步优化，需要针对模型模拟的不确定性进行深入研究。

3.3 模型校准和验证

任万辉[73］基于DNDC 模型对广州地区稻田CH4排放进行模拟研究，但由于模型对施肥敏感，对低水位不敏感，导致模型只考虑了输入参数中的淹水条件，没有提供对排水的稻田模拟结果，使本应出现的排放峰值并没有模拟出来。李东丽[61］利用DNDC模型对新疆乌鲁木齐市米东区5 种水分控制条件下的稻田温室气体排放情况进行模拟，结果显示当灌溉水超过15 cm，模型预测结果就会出现极大的误差。这说明DNDC 模型存在一定的前提条件并受环境条件限制，利用模型对不同地区或不同管理条件下的稻田开展一些特定方面的研究时会出现模拟结果不准确的现象。

DNDC 模型需要大量的参数支撑，而且所使用的参数受气候因子和环境整体条件影响较大，因此利用DNDC 模型对不同区域稻田生态系统开展研究时，需要根据区域条件对模型的参数进行修改。目前对于模型模拟结果进行矫正的方法有试错法、贝叶斯推断法2 种。但是，由于存在输入参数较多，找准矫正参数困难和代码不公开等问题，使得模型校正难度增加，限制了模型准确性[12］。模型验证的统计检验方法主要包括RMSE（均方根误差）、MAE（平均绝对误差）、EF（模型效率）和相关系数（R）等来验证模拟结果的精确度，一般来说RMSE 小于10%时模拟结果较为理想、10%~20%模拟效果一般、30%以上模拟效果不理想，MAE 值是反映模拟值与实测值之间的系统偏差，EF 反映模拟值对实测数据的趋势描述效果[74］。因此，为了提高模型的模拟准确性，输入参数时需要提高输入参数精确度，并结合马尔科夫蒙特卡洛方法与贝叶斯推断法，完成输入参数的自动矫正以及定量评价碳动态模拟结果的不确定性。

利用长期点位试验的结果，对DNDC 模型当中的参数进行本土化校正，采用RMSE、MAE、相对误差（E）和相关系数（R）这4 种统计学参数，能够验证DNDC 模型在稻田生态系统碳动态变化和温室气体估算的适用性。此外，区域尺度模拟将DNDC 区域模拟的最小单元划分到乡（镇）的同一土壤类型，能够减少空间异质性[75-76］。

4 总结与展望

总之，DNDC 模型在模拟和估算稻田生态系统碳动态变化等方面，能够达到非常满意的精度和可靠性，适用于中国稻田生态系统模拟。但DNDC 模型也会由于地区环境条件差异、管理条件不同而导致模型模拟结果出现偏差。因此，DNDC 模型也在不断的开发改进，如将模型从单机版推向网络版，进一步拓展模型的模块功能，使之更好地服务于研究活动[39］。而耦合3S 技术、互联网大数据与有机碳模型，并结合气候模型和植被生长等模型有效扩大研究区域，提高输入参数的准确性和模型模拟精确度，增强DNDC 模型为水稻低碳生产服务能力以及不同稻田管理措施下模型预测评价系统的可信度，将会是模型在稻田生态系统应用上的发展趋势。