改进MCWLA农业生态系统模型，以更准确地模拟水稻田的甲烷排放

甲烷排放建模与气候智能农业优化研究。开发MCWLA-Rice 2.0模型耦合作物生长与地下生物地球化学过程，准确模拟水稻甲烷排放动态及减排潜力，验证其在亚洲7个试验点的适用性，为气候适应型农业提供工具支持。

周宏|陶福禄|陈毅|尹立昌|李一博

中国科学院地理科学与自然资源研究所陆地表面格局与模拟重点实验室，北京100101，中国

摘要

水稻种植是主要的温室气体来源之一，其甲烷（CH₄）排放量占全球总量的10-20%。如何准确估算水稻种植的CH₄排放量及其减排潜力一直是关键问题。农业生态系统模型在理解CH₄生成过程、模拟CH₄排放动态、优化管理措施以及量化减排潜力方面具有独特优势。然而，当前的农业生态系统模型在这些方面仍有很大的改进空间。在这项研究中，我们开发了一个综合的农业生态系统模型MCWLA-Rice 2.0，以更好地描述CH₄的产生、氧化和排放过程，并改进对根系分泌物、硝酸盐肥料对CH₄排放影响以及外部有机碳分解的模拟。我们对该模型进行了校准和验证，并展示了其在亚洲七个地点不同施肥和灌溉条件下模拟水稻种植系统的性能。MCWLA-Rice 2.0详细考虑了地上和地下碳氮耦合过程，是模拟不同环境和管理方式下水稻生产力和CH₄排放量的有效工具，有助于推动气候智能农业的发展。

引言

农业是全球温室气体（GHGs）排放的主要来源之一，每年人为排放量的约12-14%来自农业，其中甲烷（CH₄）和氧化亚氮（N₂O）占农业辐射强迫影响的60%以上（IPCC，2021）。2008-2017年间，水稻种植的年CH₄排放量占人为排放量的7%-10%，占总排放量的3%-5%（IPCC，2021）。灌溉水稻系统中过度施用氮肥会驱动大量的N₂O排放，进一步加剧气候反馈效应（Paul L. E. Bodelier等人，2000）。温度升高可能会加速有机物分解，使CH₄产量每升高1°C增加5-15%（Yuan等人，2021），而降雨模式的不确定性则扰乱了传统的水资源管理方式，导致排放动态不稳定（Garcia-Vila等人，2025）。根据预测，如果不采取有效减排措施，到2050年水稻系统的排放量将占农业温室气体总量的25%（Qiu，2009；Surridge，2015）。

如何准确估算水稻种植的CH₄排放量及其减排潜力一直是关键问题（Wang等人，2023；Bo等人，2022；Wang等人，2022；Zhou等人，2024）。许多先前的研究采用了基于排放因子的IPCC一级或二级方法（Wang等人，2023），尽管在有足够数据的情况下，基于过程的IPCC三级方法通常更为准确（Buendia等人，2019）。因此，开发或改进基于过程的CH₄排放模型具有很大的潜力。最近，有研究应用数据驱动的机器学习方法来估算水稻种植的CH₄排放量（Bo等人，2022；Zhou等人，2024）。尽管这种方法有其优势，但其可解释性不如基于过程的模型。

气候智能农业（CSA）作为一个综合框架，旨在实现粮食安全与减排的平衡，强调通过适应性措施提高韧性同时减少碳足迹（FAO，2022）。为了实现CSA的三大目标——粮食安全、气候变化适应和减排，有必要优化农业管理措施，并协调其中的各种相互作用（Yin等人，2023；Xiao等人，2024）。农业生态系统模型整合了生物物理、气候和农艺变量，模拟在不同管理条件下的温室气体通量和产量结果（Bondeau等人，2007；Holzworth等人，2018；Hoogenboom等人，2019），因此是设计气候智能农业的重要工具（Xin和Tao，2020；Yin等人，2023；Xiao等人，2024）。例如，基于过程的模型如DayCent和DNDC（反硝化-分解模型）能够优化灌溉计划和氮肥施用量，实现最高30%的CH₄减排而不影响产量（Guo等人，2023）。通过量化减排策略与生产经济效益之间的权衡，农业生态系统模型可用于设计以水稻为主导地区的可行路径，同时应对气候紧迫性和粮食需求（Bai和Tao，2017）。

作物生长动态与温室气体排放密切相关，土壤温度、湿度和氮素可用性等环境因素调节着负责CH₄和N₂O产生的微生物过程（Hartmann和Six，2023；Qian等人，2023a；Li等人，1994）。农业生态系统模型通过将作物生长（如分蘖、开花）与土壤生物地球化学过程相结合来机械模拟这些相互作用（You等人，2022；Hu等人，2024）。例如，DNDC模型通过整合硝化-反硝化模块来模拟每日光合产物的积累，从而预测不同施肥条件下的N₂O通量（Li等人，1992a，1992b）。同样，DayCent通过模拟厌氧碳矿化和甲烷菌活性来量化CH₄的释放和扩散，并根据涡度协方差通量塔数据进行校准（Schimel等人，2001）。在水稻系统中，N₂O排放主要发生在排水期间的偶发硝化作用和缺氧微环境中的反硝化作用。DSSAT（农业技术转移决策支持系统）等模型利用土壤氧化还原电位和铵/硝酸盐池参数化这些过程，捕捉施肥后的排放峰值（Jones等人，2003；Matthews等人，2000）。CH₄的模拟重点关注甲烷生成速率，这受到可利用碳（如根系分泌物）和好氧根际环境中甲烷氧化菌活动的影响。APSIM（农业生产系统模拟器）模型独特地考虑了根系氧气泄漏效应，减少了与静态氧化假设相比的CH₄模拟误差（Keating等人，2003；Holzworth等人，2018）。

不同的农业生态系统模型在模拟CH₄排放方面具有不同的优势和局限性，这主要是由于它们采用的不同模拟方法和潜在假设（Chen等人，2008；Brilli等人，2017；Nikolaisen等人，2023）。这些模型在生物地球化学表示的复杂性、分辨率以及所考虑的相互作用类型上存在差异。一些模型在捕捉地下微生物和生物地球化学过程方面表现优异，而另一些模型则更关注地上作物生长和环境相互作用，导致CH₄排放量和减排效果的模拟结果存在差异（Brilli等人，2017）。DNDC模型在地下生物地球化学过程的表示上非常详细，适用于在不同土壤和环境条件下估算CH₄排放量（Li等人，1994；Zhang等人，2002；Fumoto等人，2008；Simmonds等人，2015）。然而，它简化了作物生长、生理过程和产量形成过程。DayCent考虑了碳氮循环的详细过程，但在CH₄的产生、氧化和排放方面的微生物过程处理较为简化（Schimel等人，2001）。DSSAT虽然广泛用于作物生长模拟，但仅通过简化的土壤微生物活动来考虑CH₄排放（Jones等人，2003）。APSIM整合了详细的植物-土壤相互作用，为了解水管理对CH₄排放的影响提供了有价值的见解，但在某些土壤中可能忽略了更微观的微生物动态（Keating等人，2003）。这些差异凸显了改进模型以准确估算CH₄排放量和评估减排潜力的必要性。

在这项研究中，我们在原始的MCWLA（一个用于捕捉大面积作物-天气关系的基于过程的通用模型）-Rice 1.0（Tao和Zhang，2013a）和MCWLA 2.0（Chen和Tao，2025）的基础上，开发了一个综合的农业生态系统模型MCWLA-Rice 2.0，以描述CH₄的产生、氧化和排放过程。MCWLA-Rice 2.0将基于过程的作物模型与明确的微生物生物地球化学过程相结合，同时关注地上和地下过程的机制，从而更好地捕捉作物-土壤相互作用。我们对该模型进行了校准和验证，并展示了其在亚洲七个地点不同环境和管理条件下模拟水稻种植系统的性能。我们试图改进该模型在CH₄排放模拟方面的能力，为发展气候智能农业提供有价值的工具。

部分摘录

研究地点描述

本研究关注亚洲不同环境和管理方式下的水稻种植系统。模型校准和验证所需的数据来自已发表的文献，包括水稻种植系统的作物物候、产量和农艺管理措施（如施肥时间、施肥量和方式、灌溉以及秸秆处理），以及生长季节内CH₄排放动态的连续监测。

模型在日时间步长下的性能

我们评估了MCWLA-Rice 2.0的模拟能力。图2展示了MCWLA-Rice 2.0和DNDC在各种水分管理、施肥和外部有机改良条件下的模型性能。MCWLA-Rice 2.0在不同地点的时间模式模拟效果较好，相关系数（R）范围为0.69至0.95（表S1）。而DNDC在地点1和地点5存在延迟和低估现象，在地点6的早期阶段则出现过高的估计。

同时考虑地上作物生长和地下生物地球化学过程

许多当前的农业生态系统模型在模拟地上作物生长（如MCWLA-Rice 1.0）或地下生物地球化学过程（如DNDC）方面具有优势。然而，在实际情况下，地上和地下过程是紧密耦合且不可分割的（Chen和Tao，2025）。碳-氮-水耦合过程和机制在解释农业生态系统中的碳氮动态方面变得越来越重要，许多田间实验也证实了这一点（Yu等人，2013）。

结论

我们通过调整MCWLA-Rice 1.0和MCWLA 2.0，综合考虑了关键的地上作物生长过程和地下生物地球化学过程，开发了MCWLA-Rice 2.0。MCWLA-Rice 2.0模拟了在不同管理和天气条件下的CH₄产生、氧化和排放的关键过程。根系分泌物的模拟与作物生长动态的关联更为紧密。硝酸盐改良对CH₄排放的影响得到了更准确的考虑。

CRediT作者贡献声明

周宏：撰写 – 审稿与编辑，撰写 – 原稿，可视化，方法论，正式分析。陶福禄：撰写 – 审稿与编辑，监督，方法论，资金获取，概念构思。陈毅：软件，资源，方法论，数据管理。尹立昌：软件，资源，方法论，数据管理。李一博：正式分析。