一种针对特定土壤的模型，用于预测实验室和田间实验中N2O的排放量

《Soil Biology and Biochemistry》：A soil-specific model to predict N 2O emissions from laboratory and field experiments

本研究开发了一种基于高斯函数的统计模型，整合土壤结构、温湿度及养分等因素，通过全球实验室数据集参数化与验证。模型有效预测了不同土壤条件下N?O排放的时空异质性，尤其是完整土壤结构校正后显著提升精度，为减少全球N?O估算不确定性提供可靠工具。

　　

包轩昌|卓佩初|夏竹-巴克|肖堂聚|司良莉|叶子峰|蒂莫西·J·克劳

天津大学地球系统科学学院地表-地球系统科学研究所，中国天津300072

摘要

已经开发了许多模型来模拟农业土壤中的氧化亚氮（N₂O）排放，但准确捕捉土壤N₂O通量的空间和时间变化仍然是一个挑战。为了更好地估算土壤N₂O排放，我们基于高斯函数开发了一个统计模型，其参数根据土壤性质进行变化。我们建立了一个全球农业土壤N₂O排放数据库，该数据库来自实验室培养实验，用于参数化、校准和验证所开发的模型。模拟结果表明，结合多种土壤性质（包括土壤湿度、矿物氮含量、碳氮比、粉砂含量、容重和土壤深度）能够可靠地预测筛分土壤的N₂O排放。然而，最初参数化的模型显著高估了完整土壤的排放量。为了解决这个问题，我们在模型中引入了由土壤整体性质量化的土壤结构校正因子。这些结构校正的引入使模型能够成功预测完整土壤的N₂O排放，突显了在模型中考虑土壤结构的重要性。改进后的模型随后被用来模拟具有不同农业处理方式的不同田地的N₂O排放，并进一步考虑了温度效应。它有效地捕捉了N₂O通量的时间动态，包括N₂O排放峰值的时间和大小，特别是在最佳氮添加和长期耕作条件下。总体而言，这个特定于土壤的模型为预测不同环境条件下不同土壤中N₂O通量的大范围时空变化提供了一个强大的工具，这对于减少大规模估算的不确定性至关重要。

引言

氧化亚氮（N₂O）是一种强效的温室气体，自工业化前时代以来对全球变暖的贡献约为6%（世界气象组织（WMO），2024年）。农业是人为N₂O排放的主要来源，占总量的约74%，2020年农业土壤的排放量为2.1 Tg N yr^-1（Tian等人，2024年）。然而，这些估计值仍存在很大不确定性，范围从1.7到2.6 Tg N yr^-1（Tian等人，2024年）。这种不确定性主要是由于土壤N₂O通量的显著空间和时间变化（Mathieu等人，2006年；van den Heuvel等人，2009年；Hénault等人，2012年），这种变化可以达到几个数量级（Oertel等人，2016年；Tian等人，2020年；Dungan等人，2023年；Tian等人，2024年）。因此，提高我们对土壤N₂O通量的时空动态以及其驱动因素的理解，并将这些模式纳入模型中，对于减少全球和地区N₂O排放估计的不确定性至关重要。

土壤N₂O通量的大范围时空变化主要是由复杂的氮（N）转化过程及其多样的影响因素驱动的（Butterbach-Bahl等人，2013年；Hu等人，2015年；Smith，2017年；Cui等人，2021年；Zhang等人，2024年）。在管理和自然土壤中，微生物硝化和反硝化过程贡献了大约70%的全球N₂O排放（Butterbach-Bahl等人，2013年）。这些与氮相关的反应通过微生物群落和活动联系在一起，而这些群落和活动会随着环境扰动而变化（Kuypers等人，2018年）。许多研究探讨了环境条件（例如土壤温度和湿度）（Schindlbacher等人，2004年；Liu等人，2017年；Hall等人，2018年）、养分可用性（例如无机氮和有机碳（C）（Kravchenko等人，2017年）以及土壤性质（例如土壤质地和结构、容重和pH值）（Rabot等人，2015年；Chamindu Deepagoda等人，2019年；Ortega-Ramírez等人，2023年；Qiu等人，2024年）如何影响N₂O的产生、消耗和排放。在这些因素中，土壤湿度对不同空间和时间尺度上的N₂O排放有显著影响，主要是因为土壤湿度调节了底物的可用性并控制了氧化还原电位，这两者都是通过硝化或反硝化产生N₂O的关键决定因素（Davidson等人，2000年；Yan等人，2018年；Han等人，2024年）。实验室和田间研究一致显示，土壤N₂O通量对增加的土壤湿度有非线性响应：通量最初上升然后下降，通常在50-80%的孔隙空间充满水（WFPS）的最佳湿度范围内达到峰值（Davidson等人，2000年；Castellano等人，2010年；Laville等人，2011年；Liu等人，2022年），通常遵循高斯形状曲线（Wang等人，2023年）。然而，具体的通量-湿度关系受到土壤性质和环境条件的调节，这给开发一个能够在各种环境条件下预测不同土壤N₂O排放的“通用”函数带来了挑战（Castellano等人，2010年；Wang等人，2023年）。

土壤N₂O排放对土壤湿度变化的复杂响应主要由多种因素的交互作用控制，包括环境驱动因素和土壤性质（Farquharson和Baldock，2008年）。理解这种交互作用如何影响N₂O通量对于解释N₂O排放的时间和空间变化至关重要。在所有影响N₂O排放的土壤因素中，土壤结构（定义为土壤颗粒和孔隙的空间排列，这意味着不同的土壤结构具有不同的孔隙结构和连通性）可能是最重要的，但由于其直接测量的难度以及微观异质性的掩盖，目前对其的量化最少（Blagodatsky和Smith，2012年；Ball，2013年；Rohe等人，2021年；Kim等人，2022年）。土壤结构主要通过影响底物的可获取性（通过物理隔离和溶质扩散）（Garnier等人，2008年；Rawlins等人，2016年；Kravchenko和Guber，2017年；Maenhout等人，2018年）以及通过孔隙连通性对气体传输的影响（Blagodatsky和Smith，2012年；Keiluweit等人，2016年；Chang等人，2022年）来调节N₂O的产生、传输和消耗。这些调节过程与土壤湿度密切相关，因为它们对氧气（O₂）和底物的可用性有不可分割的影响（Schlüter等人，2019年，2024年）。通常，在高湿度条件下会发生大量的土壤N₂O排放。然而，土壤结构通过控制O₂的扩散性可以强烈调节N₂O排放。例如，在低湿度条件下，具有丰富微团聚体的土壤（表明孔隙连通性弱）可以通过形成有利于反硝化的厌氧微环境产生大量的N₂O（Baggs，2011年）。相反，在高湿度条件下，具有良好孔隙连通性的土壤可以通过有效地从大气中补充O₂来减少N₂O的产生，从而防止缺氧条件的形成（Du等人，2023年）。土壤湿度和结构的耦合效应被认为可以解释一些非典型的观察结果，例如干旱土壤中的N₂O排放（Du等人，2023年）。此外，气体扩散性通过调节N₂O在土壤中的停留时间来调节N₂O排放，这对于N₂O还原为N₂至关重要（Rohe等人，2021年）。因此，土壤结构和水分含量之间的相互作用在控制N₂O排放中起着重要作用，但其量化仍然不足。

数学模型已被广泛用于估算土壤N₂O通量的空间和时间动态（Butterbach-Bahl等人，2013年；Zang等人，2022年）。基于过程的模型通常会纳入各种环境和土壤驱动因素对N₂O产生和随后排放的影响（Brilli等人，2017年）。例如，DNDC（Li，2000年）和DayCent（Scheer等人，2014年）等模型模拟了土壤温度和湿度、土壤质地和结构以及底物浓度对硝化和反硝化以及N₂O排放的影响（Tian等人，2019年；Del Grosso等人，2020年；Wang等人，2021年）。然而，这些模型通常依赖于过时的经验函数来表示环境效应，当应用于与开发原始函数的条件不同的地点时，会引入不确定性（Abdalla等人，2022年；dos Reis Martins等人，2022年）。此外，尽管在DNDC（Li，2000年）和SLIM（Vinten等人，1996年）等模型中考虑了土壤结构，但其调节N₂O排放的作用仍然受到限制（Wang等人，2021年），这增加了额外的不确定性。统计模型也已被用于基于不同的数据驱动方法模拟土壤N₂O排放，从相对简单的线性回归到更复杂的机器学习方法（Dechow和Freibauer，2011年；Laville等人，2011年；Chen等人，2016年；Aneja等人，2019年；Wang等人，2019年）。通过改进模型结构可以提高其灵活性和预测准确性，但这些模型在应用于开发它们的区域或条件之外时往往会产生不准确或有偏的估计（Del Grosso等人，2020年）。其中一个原因是它们的参数通常是固定的，并且来自特定地点或组的测量（Del Grosso等人，2020年），使得它们无法考虑与原始数据集不同的环境条件的影响（Butterbach-Bahl等人，2013年）。

在这里，我们旨在开发一个考虑土壤因素的通用模型来模拟土壤N₂O排放。在这个特定于土壤的实证模型中，土壤湿度是主要驱动因素，而其他土壤因素是辅助驱动因素，它们动态地参数化土壤湿度响应函数。与大多数使用固定参数的当前模型不同，我们开发的模型建立了模型参数与土壤因素之间的定量关系，这使得在实证统计模型中捕捉土壤性质对N₂O排放的影响成为可能，并提高了模型在不同土壤中的适用性。为了建立模型参数与土壤驱动因素之间的关系，我们编制了一个全球N₂O通量数据集（来自111组单独实验的882个观测值），这些实验是在不同湿度条件下在实验室培养实验中测量的。开发的模型进一步扩展到通过纳入温度效应来模拟田间规模的N₂O排放。因此，开发的模型通过考虑局部环境（例如土壤温度和湿度）和土壤特征（例如土壤结构、质地和养分含量）提供了一个强大的工具，用于估算N₂O通量的大范围时空变化。

数据收集

进行了全面的文献搜索，以收集关于不同土壤湿度条件下农业生态系统中土壤N₂O排放的实验室培养研究数据。通过Web of Science使用以下搜索项搜索了1980年至2023年的出版物：TS = (N₂O OR 氧化亚氮 OR 温室气体) AND TS = (土壤湿度 OR 土壤水分) AND TS = (培养* OR 实验室*) AND TS = (农业 OR 农田 OR 种植园 OR 小麦 OR 玉米 OR 水稻)。

模型拟合

收集的数据的研究地点（n = 44）分布在主要的全球作物生产区域（Lu等人，2020年），其中大部分位于西欧（36.4%，n = 16）、中国（29.5%，n = 13）和北美（13.6%，n = 6）（图2a）。对于有超过两次测量的77个数据集，高斯函数有效地捕捉了N₂O通量对土壤湿度变化的响应（平均NSE = 0.88，图2b，图S1和表S1）。总体而言，拟合性能有所提高。

模型性能

开发的模型在广泛的土壤范围内很好地捕捉了N₂O排放，这一点通过其在实验室培养实验和田间观测数据上的表现得到了证明，表明其具有很强的鲁棒性和准确性。对于筛分土壤，该模型通过纳入关键因素（如土壤湿度、NH₄⁺和NO₃^-浓度、容重、土壤深度、粉砂含量和C/N比）可靠地预测了N₂O排放。对于完整土壤，也取得了良好的预测结果。

CRediT作者贡献声明

夏竹-巴克：写作 – 审稿与编辑。肖堂聚：写作 – 审稿与编辑。包轩昌：写作 – 审稿与编辑，撰写初稿，可视化，软件，方法论，调查，正式分析，数据管理。卓佩初：软件，调查，正式分析，数据管理。叶子峰：写作 – 审稿与编辑，撰写初稿，监督，软件，项目管理，方法论，资金获取，概念化。蒂莫西·J·克劳：

未引用的参考文献

Tian等人，1980–2020；世界气象组织，2024。

利益冲突

作者声明没有利益冲突。

数据可用性

本研究使用的所有代码和数据均可根据请求从相应作者处免费获取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了中国国家重点研发计划（2022YFF1301002）的财政支持。我们还要感谢中国科学院应用生态研究所森林生态与林木栽培重点实验室的魏环环博士为模型评估提供野外数据。同时，我们也感谢美国农业部农业研究服务的Stephen J. Del Grosso教授对手稿提出的建设性建议和评论。