模拟将牧场转变为玉米种植后土壤碳的变化

《Agriculture, Ecosystems & Environment》：Modelling soil carbon changes after converting pasture to maize cropping

　　马宇新 | Miko UF Kirschbaum | Aaron M. Wall | Donna L. Giltrap | 李丽颖 | Paul L. Mudge
生物经济科学研究所，Manaaki Whenua – Landcare Research，私人信箱11052，Palmerston North 4442，新西兰

**摘要**
要在最大化生产力和最小化土壤碳（C）损失之间找到最佳平衡，需要深入理解农业系统的碳动态。在新西兰的奶牛场中，当牧草生长不足时，通常会使用玉米青贮饲料作为补充饲料。之前的一项基于涡度协方差和碳平衡测量的研究发现，将奶牛放牧的草地转为种植玉米用于青贮会导致大量的碳损失。在这里，我们将之前观察到的碳平衡数据与使用生态生理模型CenW进行的模拟结果进行了比较。模拟结果显示，在种植期间，玉米种植地在第一年和第二年分别失去了5.0吨碳/公顷和3.7吨碳/公顷的碳。这些模型预测的损失略低于仅通过涡度协方差和收获测量得到的损失（分别为-8.5吨碳/公顷和-4.4吨碳/公顷）。尽管玉米青贮系统在生长季节固定了大量碳，但由于几乎所有固定的碳都以青贮的形式被移除，仅通过根系生长和凋落物返回的碳量很少，因此总体上仍存在碳损失。我们进一步进行了情景分析，以评估不同比例的玉米生物质被收获时碳损失的程度。特别是，我们试图了解如果只收获玉米穗而不是全部植物材料时，碳动态会如何变化。情景分析表明，保留更多的生物质残留物可以减少甚至防止土壤碳的损失。这些结果为农业系统中补充饲料的可持续利用提供了宝贵的见解。

**1. 引言**
虽然世界面临多重环境挑战，但农业生产系统必须同时实现提高生产力和减少净碳排放（C）的双重目标。2024年，新西兰有170万公顷土地（占总面积的6.4%）用于奶牛养殖（DairyNZ，2025年）。新西兰温和的气候条件允许绵羊或牛全年在以黑麦草/三叶草为主的牧场上放牧。然而，牧草的生长速度会随季节性气候条件而变化，导致有时牧草生长超过动物需求。在其他时候，饲料供应无法满足动物需求，尤其是在夏季降雨不足或冬季温度过低限制牧草生长的情况下（Cullen等人，2008年；Li等人，2011年）。农民通过提供补充饲料来应对这些季节性的饲料短缺问题（例如Woodward等人，2006年；Dalley等人，2020年），这对于在牧草生长不足期间维持牛奶生产至关重要（Densley等人，2011年；Fausett等人，2015年）。
可以使用不同的材料作为补充饲料，包括其他活动的副产品（如棕榈仁榨油残余物）或专门为动物喂养而种植的农作物。玉米是新西兰广泛种植的作物之一（DairyNZ Economics Group，2016年）。玉米青贮既可以生产后运输到奶牛场，也可以直接在农场种植并用于喂养动物（Wall等人，2020年）。玉米可以在不同的生产系统中种植，有些系统专注于生产青贮饲料，有些则用于生产生物燃料，还有一些仅生产玉米粒，同时将茎秆和叶子留在田地里。这些不同的碳移除方式可能会对玉米田的总体碳平衡产生不同影响（Lai等人，2017年；Wang等人，2015年；Zeri等人，2011年）。
先前的建模研究表明，为放牧动物提供补充饲料可以通过增加其排泄物的沉积量逐渐增加土壤有机碳（SOC）储量（Kirschbaum等人，2017年）。后续的实验也观察到牧草的SOC储量有小幅但统计上不显著的增加（Wall等人，2019年）。这一发现并不意外，因为之前模型预测的SOC增加量（Kirschbaum等人，2017年）太小且变化太缓慢，无法在短期实证研究中检测到。如果确实可以通过提供补充饲料来增加放牧牧草中的SOC储量，那么这将有助于减少对环境的净二氧化碳排放。但目前关于饲料种植系统的碳动态研究较少。需要详细的资料来整合和比较饲料生产地与接受地的碳增益与潜在碳损失。虽然以往的研究主要集中在接受地的碳动态上（Kirschbaum等人，2017年；Wall等人，2019年），但目前的研究关注的是生产地的碳动态。种植系统内的SOC储量受多种因素影响，包括管理措施、场地历史和气候条件（Godde等人，2016年）。为了全面考虑，还需要考虑对其他温室气体的潜在影响，尤其是氧化亚氮的排放（例如de Klein等人，2020年；van der Weerden等人，2023年），以及饲料类型对肠道发酵产生的甲烷排放的潜在影响（Jonker等人，2017年）。
全球大量研究表明，将牧场转变为长期耕地会大大减少SOC，相关报告中的损失量从大约30%（Li等人，2020年；Kim等人，2023年）到高达60%（Guo和Gifford，2002年）不等。这些不同的SOC损失估计可能与采样的土壤深度或转化时间有关，因为Li等人（2020年）发现土壤表面附近的SOC变化最大，并且损失随着转化时间的延长而增加（Li等人，2020年；Kim等人，2023年）。如此大的SOC损失可能对土壤健康产生重要影响（Kibblewhite等人，2008年），并向大气中贡献额外的二氧化碳（例如Lal，2004年）。
为了确定牧场转变为耕地后的短期SOC趋势，Wall等人（2020年）研究了两个种植玉米的田地。他们使用涡度协方差技术结合非气体碳交换记录，计算了两年的净生态系统碳平衡（NECB）。研究显示，第一年SOC损失了8.5吨碳/公顷，第二年又损失了4.4吨碳/公顷（Wall等人，2020年）。理解这些显著SOC损失的原因对于理解整个玉米生产和接收地的综合碳平衡至关重要。

**2. 材料与方法**
**2.1. 研究地点和作物管理**
玉米种植地位于新西兰怀卡托地区的Troughton农场，坐标为南纬37°45.6′，东经175°47.2′，地处平坦至微起伏的地形上，土壤由流纹岩和安山岩火山灰与流纹岩冲积物形成。表土的体积密度为748千克/立方米，A层的碳含量为8.0%，在从牧场转为玉米种植后不久测得的0.6米深度内的总碳储量为162吨碳/公顷。更多细节由Wall等人（2020年）详细描述。该地点包括两块面积为6.37公顷的田地。在转为玉米种植之前，这些田地作为连续的永久性牧场使用了数十年，主要种植黑麦草（Lolium perenne）和白三叶草（Trifolium repens）。根据NIWA（国家水与大气研究所）的数据，1981-2010年的年均温度和降水量分别为13.3°C和1249毫米/年。在玉米田建立了涡度协方差（EC）系统，用于监测两个玉米种植季节的净生态系统生产力（NEP）和蒸散量（ET）：第一个季节是2016/17年的夏季（第一年），第二个季节是2017/18年的夏季（第二年）。第一季玉米收获后，秋季播种了黑麦草；第二季玉米收获后，播种了永久性的多年生草/三叶草牧场。
两个测量年份的作物管理措施一致，以确保玉米作物在相似条件下生长。田地准备工作始于2016年9月，首先进行密集放牧，然后施用除草剂杀死剩余的牧草，为播种玉米做准备。田地接受了各种改良处理，如液体和固体废弃物、堆肥和合成肥料。随后在2016年10月14日和2017年10月15日分别进行了土壤耕作，并再次施用了合成肥料。在两年中，玉米播种后大约五周，又施用了额外的除草剂以控制杂草竞争。2016/17季的玉米在2017年3月17日（早秋）收获，之后整个冬季又恢复为牧场。2017年10月15日播种了第二季玉米，并在2018年3月6日收获，之后土地重新建立了永久性牧场。所有管理干预措施，包括施肥的日期和用量，均由Wall等人（2020年）详细记录。这里我们量化了从开始种植玉米到下一个牧草阶段幼苗出现期间（2016年9月23日至2017年4月23日和2017年9月15日至2018年3月23日）两个作物周期的净二氧化碳交换量。
在整个玉米生长季节，每隔两周从10个随机选择的微型样地（面积为2.25平方米）收集生物质样本。生物质样本分为活叶、茎秆、繁殖组织和枯叶三个部分，每种成分在95°C烘箱中干燥24小时后计算总干物质含量。由于玉米生长具有空间变异性，这些观测数据无法用于追踪总生物量的变化，但可以用来估计植物高度和不同生物质成分的相对比例。因此，在参数化和测试模型时，我们仅使用了各个组成部分的生物质量，而不是它们的绝对数量。
在玉米生长期结束后，收集了实验田地上所有地上生长的玉米生物质。我们使用第一年和第二年分别测得的43.5%和43.1%的碳含量，将收获的生物质干物质转换为相应的碳含量。由于在一次收割操作中从多个地块采集了生物质，因此需要根据每个地块的面积将其分配到来自我们研究地块的生物质中。更多细节可以在Wall等人（2020年）的补充信息中找到。2.2. 纯生态系统碳平衡净生态系统碳平衡（NECB）考虑了实验地块中所有碳的进出口，计算公式如下：(1)NECB = NEP + CImport ? CExport其中CImport是进入系统的所有非气体碳，主要来自粪便和其他少量添加物；CExport是非CO2碳的输出，在我们的案例中几乎完全是用于青贮生产的植物材料。净生态系统生产力（NEP）表示大气与生态系统之间的净碳通量。这里的常规是正通量表示系统的碳增加。NEP是总初级生产力（GPP）与生态系统呼吸作用（ER）之间的差值：(2)NEP = GPP – ER其中GPP代表植物通过光合作用固定的总碳量，而ER代表生态系统通过植物呼吸和与分解过程相关的异养呼吸释放的总CO2量。这两个通量都表示为正值。NEP可以是正数也可以是负数，这取决于生态系统是碳汇（GPP > ER）还是碳源（GPP < ER）。ER可以进一步分为自养呼吸（Ra）和异养呼吸（Rh）：(3)NEP = GPP – Ra ? Rh虽然在现场有成熟的植物时无法独立测量Ra和Rh，但可以通过建模来提供关于可能的碳通量的额外约束。在播种玉米种子后，测得的ER对应于异养土壤呼吸作用，直到植物出现并逐渐开始参与场地碳交换。这些初始测量值限制了控制异养呼吸速率的模型参数。方程1可以通过包括额外的碳转移来扩展为方程4：(4)NECB = GPP – Ra ? Rh + FMan + FEff + FFer ? FGraze ? FHar ? FLea其中FMan指作为粪便输入的碳，包括固体废弃物、污泥或堆肥；FEff表示作为液体废弃物输入的碳；FFer表示作为合成肥料输入的碳；FGraze表示第二年收割后用于移除剩余生物质的放牧牛所消耗的生物质中的碳；FHar表示通过收割移除的生物质中的碳；FLea表示通过土壤底层淋溶的碳。玉米地每个术语的计算方法细节由Wall等人（2020年）描述。2.3. CenW建模CenW（版本6.0）是一个基于过程的模型，它整合了碳、能量、养分和水的流动，以模拟生态系统的日碳平衡。该模型最初由Kirschbaum（1999年）开发，用于研究森林的碳平衡，后来被改编用于放牧草地（Kirschbaum等人，2015年，Kirschbaum等人，2020年）。它可以在https://www.kirschbaum.id.au/Welcome 页面上公开获取。它包括主要的生态系统过程：植物冠层的光合作用以及通过自养植物呼吸和异养土壤呼吸的碳损失。植物过程受到温度、氮可用性和水分状态的调节，并包含完全耦合的氮循环和水循环。自养呼吸被建模为光合作用的一定比例（例如Gifford，2003年）。其SOC程序基于CENTURY模型（Parton等人，1987年），由Kirschbaum和Paul（2002年）进行了调整，因此有机质分解和异养土壤呼吸被建模为温度（例如Kirschbaum，2000年）和土壤水分限制的函数（例如Moyano等人，2013年）的函数。分解速率也取决于不同有机质库中的有机质比例及其相对分解性（Parton等人，1987年，Kirschbaum和Paul，2002年）。土壤被建模为100厘米的深度，分为七个不同深度的层次（0–2.5、2.5–5、5–10、10–20、20–30、30–50、50–100厘米）。我们在土壤表面附近使用较薄的层次，以便能够模拟土壤水分和有机质含量随深度的变化。我们还包含了一个新程序来模拟根系向土壤的渗透，以反映植物随着生长逐渐获取更深层土壤资源的情况。总蒸散量是通过分别模拟冠层蒸发（雨后）、土壤蒸发和植物蒸腾（使用Penman–Monteith方程）来计算的。CenW需要输入最大和最低温度、全球太阳辐射、降雨量以及大气水汽压，这些数据都是在EC塔记录的，还包括任何管理事件，如施肥、收割、播种和放牧。2.4. 参数化和模型数据比较CenW以每日时间步长运行。因此，我们将30分钟天气测量值整合为每日时间步长，以提供给CenW作为输入。最初以30分钟间隔获得的EC测量值也被汇总为每日值，用于CenW的参数化和测试。对于这些比较，EC测量的NEP进一步被分为GPP和ER，如Wall等人（2020年）所描述的。简而言之，我们假设夜间GPP为零，以便将夜间CO2通量等同于ER。然后我们使用人工神经网络模型将ER表示为水汽压亏缺、空气和土壤温度以及土壤体积水分的函数。接着我们使用相同的模型参数化和适用的日间驱动变量运行模型，以估算日间ER并计算GPP：(5)GPP = NEP + ERA潜在的问题是由于邻近地块的牛呼吸可能污染了我们的数据。在动物出现在相邻地块时收集的任何NEP测量值可能受到这些动物呼吸产生的CO2漂移的影响。因此，我们仔细筛查了数据，排除了在相邻地块有放牧动物时的观测值。这是通过将足迹分析（Kormann和Meixner，2001年）与基于农场记录的已知放牧动物位置相结合来完成的。然后通过使用人工神经网络方法进行数据填充，以获得全天的通量，以便与我们的模型通量进行比较。我们使用Nash–Sutcliffe模型效率（NSE；Nash和Sutcliffe，1970年）来评估模型输出和测量值之间的拟合度。其计算公式如下：(6)?NSE = 1?∑Mi?Oi2/∑Oi?O?2其中Mi和Oi是相应的模型值和观测值，?O?是所有观测值的平均值。NSE的范围可以从-∞到+1，+1表示模型值和观测值之间的完美一致。正的NSE值表明模型提供的平方误差总和低于数据的简单平均值。通过调整选定参数，CenW被优化，以最大化模型输出与EC衍生的NEP、GPP、ER和蒸散量（ET）速率、土壤含水量、玉米高度观测值以及叶片、茎、生殖结构和凋谢叶片中的生物质比例之间的平均NSE。EC衍生的30分钟NEP、GPP、ER和ET测量值首先被汇总为每日值，以便与模型值进行比较。然后观测值和模型值都被进一步平均为每周平均值，再用于我们的参数拟合。这种额外的平均最小化了每天观测值的变化。下面显示了每日和每周平均比较的Nash-Sutcliffe模型效率。由于只有两个作物收获的测量点，我们根据两年（Y1和Y2）结束时收获的总生物质与模型值之间的相对差异来评估误差。这被转换为一个拟合优度指数H，范围从0到1，计算公式如下：(7)H = 1 – abs[(Yo - Ym) / Yo]其中Yo是观测到的生物质，Ym是最终收获时对应的模型生物质。这些计算分别针对第1年和第2年进行。在这个背景下，分别建模自养和异养呼吸尤为重要（见下面第3.1节）。异养呼吸的参数化受到在牧草被清除后初期以及新的玉米幼苗在最初裸露的地块上完全建立之前的观测值的限制。由于牧草是通过化学方法清除的，并且机械干扰被控制在最低限度，我们假设场地准备不会额外刺激异养呼吸。然后将该参数化延续到后来植物冠层完全建立的时候，这允许将自养呼吸参数化为观测到的总生态系统呼吸与模型预测的异养呼吸之间的差异。为了测试模型性能，我们还运行了一个简单的水分平衡模型，以增加我们在优化中对水分平衡计算的重视。第i天的土壤体积含水量（SWC）计算公式如下：(8)SWCi = SWCi-1 + R – ET，并附加约束(9)0 ≤ SWCi ≤ 318其中SWCi是任何一天‘i’的体积SWC，SWCi-1是前一天? SWC，R是当天观测到的降雨量，ET是蒸散作用导致的水分损失。SWC进一步受到从理论上完全干燥的土壤（0）到田间持水量（318毫米）的约束。318毫米是本实验中计算出的SWC的大致范围，但由于水分不足时气孔关闭导致植物水分损失减少，实际SWC从未降至0。在两年种植玉米时，土壤水分储备在冬季降雨后得到补充。降雨量来自可用的观测数据，但ET可以观测或建模，以提供一种整合观测和模型SWC的有效方法。由于我们对不同测量的信心程度不同，我们为不同的测量值赋予了不同的权重（表1）。涡度协方差测量的主要观测值是NEP和ET，因此它们被赋予了‘1’的权重，但GPP和ER必须通过进一步的分配假设从NEP中得出。由于它们基于相同的原始观测值，但涉及额外的提取不确定性，我们使用这些数据的权重为‘0.2’。SWC也是连续可用的，并且对整体水分关系提供了重要限制，特别是对于水分胁迫的发展，因此也被赋予了‘1’的权重。不同生物质组分中收获的生物质比例也被赋予了‘1’的权重，但由于单个叶片的死亡及其仍附着在活植物上的可能性存在一定的随机性，这些观测值的可靠性较低，因此我们仅赋予了‘0.1’的权重。当收获玉米时，它是在一次收割操作中从多个地块中收集的，然后需要将其分配到来自我们研究地块的生物质中。虽然我们知道我们研究地块的面积贡献，但没有测量数据来评估不同地块的生长率差异，因此也无法评估它们对总收获生物质的相对贡献。由于这种额外的不确定性，我们给这些观测值赋予了‘0.2’的权重。表1. 应用于不同拟合优度测量的权重。GPP – 总初级生产力；ER – 生态系统呼吸；NEP – 净生态系统生产力；ET – 蒸散；不同生物质组分中的百分比；SWC – 土壤含水量；H1和H2分别代表第1年和第2年作物周期结束时的玉米生物质。然后计算了一个综合误差项E：(10)E = ∑i (MiWi ? Oi) / ∑i Wi其中Mi是数据比较‘i’的模型效率指标，Wi是根据表1应用的权重。然后我们使用一种结合手动和自动参数拟合程序来最小化总体误差项。2.5. 场景分析从玉米作物中移除的生物质可能会有显著差异。在仅生产谷物的系统中，只移除了大约一半的生物质（Eichelmann等人，2016年），其余部分作为凋落物返回土壤。相比之下，当玉米被收获用于青贮时，超过90%的生物质被收获，以供以后作为补充饲料使用。在我们的研究中，我们估计玉米系统中产生的大约92%的地上生物量被收割并出口（Wall等人，2020年）。我们探讨了不同比例的收割玉米生物量被出口的假设情景，并评估了其对土壤碳储量的影响。我们的情景考虑了从10%到92%不同的收割百分比，其中50%对应于仅收割玉米穗时的去除比例，而92%对应于将玉米用于青贮时的去除比例。为了完整性，还包括了小于50%的去除百分比，但这些并不对应于实际管理情景。所有情景都假设未收割的生物量部分作为残留物留在农田中，最终有助于有机物的形成。

3. 结果
3.1. 模型限制
图1展示了限制我们参数拟合的一些最重要的系统通量。地上部分发育植物的总碳增量减去所需的碳损失必须足以提供两年测量中记录的最终收获量中的碳含量。能够促进最终生物量产生的碳增量仅来自植物光合作用，即GPP。碳损失包括自养呼吸作用以及在最终收获前枯死的植物生物量生长所需的碳。总碳增量通过涡度协方差测量得到限制，而最终收获的生物量则通过在两个生长季节末收割的地上生物量来量化。

3.2. CenW模型的性能
在参数化模型后，我们在整个生长季节内获得了模型数据与观测数据之间良好的一致性。然而，由于模型参数是使用相同的数据集校准的，这种一致性不应被视为该模型在独立条件下的预测能力的证据。表2详细列出了每次比较的模型效率，图3显示了两年间模型与测量每天和每周CO2通量的比较结果。

表2. 对CenW模型与观测数据拟合优度指标。有关不同比较变量的解释，请参见表1。对于H1和H2，给出的指数是模型与测量值之间的相对绝对误差（公式7）。其他变量使用Nash-Sutcliffe效率（公式6）。分别展示了每日平均值和聚合每周平均值的比较。每周数值用于模型参数化。“Campaigns”列指的是在特定测量活动中收集的数据。两年中分别在生长季节末测量了总收获生物量（H1和H2）。植物生物量百分比是指四个指定结构组成部分中的总植物生物量的百分比。这些数据以及植物高度，在两年内的多个测量活动中都进行了测量。

图3 进一步展示了模型与涡度协方差测量推断出的相应观测通量之间的一致性水平。GPP（图3a）和NEP（图3c）的比较总体上很有利，模型效率很高，尤其是GPP。ER的比较不太令人满意，特别是在第一年，有些测量期间观察到的通量在生理上似乎不现实，无法在模型中再现（图3b）。我们尝试通过第2.4节中概述的方法消除可能的测量 artifact，但问题仍然存在，且未能识别出其他因素。ET通量的比较没有明显偏差，但仍保留了大量未解释的散布（图3d；表2），这与之前的草地研究中的情况不同，后者的模型与ET观测数据之间通常有更大的一致性（例如Kirschbaum等人，2020年）。

3.3. 碳平衡
对于玉米来说，生态系统中的碳输入包括GPP、粪肥（污泥、固体废水和堆肥）、液体废水（仅在第二年）以及通过肥料施用添加的少量碳。生态系统中的碳输出包括ER、收割材料和少量淋溶（表3）。这与第一年测量得出的每公顷3.5吨碳的增益相比要大，但低于第二年观察到的每公顷4.8吨碳的增益。下载：下载高分辨率图片（165KB）下载：下载全尺寸图片。图5. 第一年和第二年整个种植季节玉米的累积净生态系统碳收支（NECB），橙色线条表示观测值，蓝色线条表示模拟值。最初的增加对应于施肥，每年模拟结束时的急剧下降则对应于玉米收获。在第一年的收获时，之前的碳增益变成了每公顷4.4吨的碳损失，随后在随后的休耕期间进一步损失，最终在建立下一个牧场之前总共损失了5.9吨碳（图5）。在第二年，模式类似，但损失略小，仅为每公顷3.7吨碳。模型预测的收获损失明显小于实际损失，因为基于生态学的碳增益不足以解释实际观测到的生物量增长（图1）。尽管如此，虽然模型预测的玉米生长期间的碳损失与单独测量得出的结果不完全相符，但模拟也预测了系统中的大量碳损失。

3.4. 收获不同比例的玉米生物量
我们的模型模拟了一个用于青贮的玉米系统，其特征是几乎全部地上生物量都被收获，导致系统中的大量碳损失。原则上，可以预期其他管理方式（如仅收获玉米穗）会在收获过程中减少碳的损失，从而对系统的碳平衡产生更积极的影响。为了验证这一假设，我们模拟了从播种玉米到玉米收获后约一个月新牧场开始生长期间不同去除比例对系统碳平衡的影响（图6）。当收获92%的地上生物量并留下8%作为残余物时，土壤有机碳（SOC）减少了约5.0吨碳/公顷。这与我们实际研究的系统相符。当仅收获70%的生物量时，SOC损失减少到约3.2吨碳/公顷。当收获50%的生物量时，损失可以进一步减少到1.6吨碳/公顷。这种情况大致相当于仅收获玉米穗，尽管这些模拟没有考虑通常伴随改变收获策略而来的其他管理变化。如果仅收获10%的生物量，SOC甚至有可能增加1.6吨碳/公顷。下载：下载高分辨率图片（69KB）下载：下载全尺寸图片。图6. 如图中所示，不同比例的玉米生物量被去除时累积的净生态系统碳收支（NECB）。碳收支的最初增加约1.6吨碳/公顷对应于最初的污泥施用，在所有情景中都是相同的。随后碳收支下降，因为最初尚未完全形成的玉米冠层的新光合作用碳增益无法弥补整个生态系统的持续碳损失。大约两个月后（十二月），玉米冠层完全形成，光合作用碳增益达到最大值并开始捕获大量碳。在玉米生长的最后一个月，由于吸收的碳越来越多地用于玉米穗的生产，光合作用活动下降，尽管在整个收获期间碳增益仍在继续。

4. 讨论
4.1. 玉米种植中的碳损失
与Wall等人（2020年）的研究结果相似，我们的模拟也显示在整个玉米种植季节中发生了大量碳损失。然而，我们模型预测的每公顷5.0吨碳的损失低于Wall等人报告的每公顷8.5吨碳的损失。在第二年，模型预测的每公顷3.7吨碳的损失较为接近，但仍低于Wall等人报告的每公顷4.4吨碳的损失。不同的估计结果主要是由于模拟的碳通量受到多次观测数据的更强约束，而仅基于观测数据的分析则无法做到这一点。图1显示观测数据中存在一些内在矛盾。发育中的玉米植株记录的碳增益不足以解释最终收获时的碳损失。这些内在矛盾只有通过详细建模并量化这些植株内部的碳通量才能显现出来。这种建模迫使参数化结果出现略高的碳增益和较低的收获损失，从而导致推断出的总碳损失低于仅基于观测数据计算的结果。这些内在矛盾在第一年更为明显，导致第一年的差异达到几吨碳/公顷，而在第二年差异较小，不到1吨碳/公顷。正如我们的第一个目标所述，建模工作补充了实验观测数据，并提供了比单独观测数据更严格的碳通量估计。因此，这项工作并不旨在简单地复制观测结果，而是为了提供更全面的最终碳通量估计。我们的主要目标是将建模作为工具，以更好地理解从牧场转为玉米种植后的关键过程。
当种植玉米时，植物通过光合作用固定了大量碳，但这些碳主要以活体生物量的形式留在地上，很少进入土壤。这主要是由于玉米的根冠比较低（参见Bolinder等人，2007年）。Diacono和Montemurro（2010年）的研究表明，随着碳添加量的增加，SOC储量通常会增加，Berti等人（2016年）报告说来自根部的碳在构建稳定SOC方面特别有效。类似地，Menichetti等人（2015年）分析了一些长期实验，发现来自根部的SOC相对于来自地上植物物质的相同质量的碳贡献更大。Rasse等人（2005年）和Sokol与Bradford（2019年）指出，来自根部的碳更容易稳定，因此可能对长期碳储存有更大的贡献。这些发现归因于土壤环境的物理化学和生物学特性，这些特性促进了稳定有机矿物复合体的形成（参见K?gel-Knabner等人，2008年）。
玉米根系生长的稀疏性导致其碳保留能力低于产生大量根系物质的牧场，后者有助于形成稳定的有机物。玉米以其高光合效率而闻名，从而产生大量地上生物量，但在青贮生产中，几乎所有生物量都被收获并用于动物饲料。因此，在我们的研究地点，几乎没有碳留在原地，无法通过分解来补充持续的碳损失，从而进一步加剧了土壤中的碳损失。我们研究中报告的碳损失也可以与之前研究中的长期趋势进行比较。Shepherd等人（2001年）在两个不同地点对玉米青贮种植区进行了4年和11年的连续土壤样本测量，报告的年碳损失范围为2.4至3.3吨碳/公顷。这些发现与我们的研究结果大体一致，即玉米生长期间存在大量的短期碳损失，这种损失在冬季牧场阶段可能会有所恢复。

4.2. 补充/替代饲料对SOC的影响
Kirschbaum等人（2017年）进行的建模分析表明，当定期动物饲料中添加玉米青贮或其他补充物时，SOC会增加。他们发现，50年内每年添加3吨碳的补充饲料可以使SOC平均增加120千克碳/公顷。这意味着在50年的时间里，只有大约4%的输入碳被固定为SOC，大部分通过产品（牛奶或肉类）或由牛和土壤微生物呼吸作用释放。同样，Maillard和Angers（2014年）对添加动物粪便后的SOC变化进行了文献回顾，因此没有考虑动物呼吸作用导致的损失。他们发现，平均18年后，大约12%的添加碳被转化为增加的SOC储量。可以将接收饲料的牧场的潜在碳增益与生产饲料的牧场的碳损失进行比较。如果每个种植周期收获的玉米生物量约为20吨干物质（约10吨碳/公顷（AIMI，2023年；表2），那么通过排泄物可以返还约2.5-3吨碳/公顷。根据Kirschbaum等人（2017年）估计的摄入饲料的4%或Maillard和Angers（2014年）估计的排泄物的12%，接收饲料的牧场可能会额外固定350-400千克碳/公顷。这需要与生产饲料的牧场的SOC损失进行平衡。在这里，我们计算出前两个种植周期平均每公顷SOC损失约为4吨碳/公顷。Wall等人（2020年）在同一初始种植期间计算出的损失更大，约为5-6吨碳/公顷。Shepherd等人（2001年）在更长的种植序列中计算出的损失较低，为每年3吨碳/公顷。然而，所有这些估计以及我们在这里展示的结果一致表明，用于生产玉米青贮的牧场的SOC损失比接收饲料的牧场的潜在SOC增益大一个数量级（Kirschbaum等人，2017年；Wall等人，2019年）。虽然生产玉米青贮可以提高动物产量，但这可能会以整体SOC损失为代价。在制定同时优化农业生产力和环境管理的方案时，必须在整个农场层面考虑这些权衡效应。这也必须考虑所有温室气体的净排放效应（Johnson等人，2007年；Jonker等人，2017年；Giltrap等人，2021年；van der Weerden等人，2023年；Liáng等人，2025年），以及通过选择不同饲料或调整施用时间可以优化管理效果的程度（Whitehead等人，2018年）。Soussana和Lemaire（2014年）以及Giltrap等人（2020年）强调了理解SOC对环境或管理变化响应的重要性，以及多种结果之间的可能权衡和协同效应。模型使我们能够处理和研究不同变量之间的相互作用及其对不同结果的影响。这种方面无法通过田间试验的观测数据标准化，因为观测数据受限于特定地点和时间的条件（Parsons等人，2016年；Whitehead等人，2018年）。

4.3. 收获玉米生物量
玉米通常仅以谷物形式收获，或同时收获秸秆和谷物（Wilts等人，2004年），其中秸秆包括玉米穗、叶子、壳和茎秆（Wojcieszak等人，2020年）。在这项研究中，超过90%的地上玉米生物量被收获，仅留下约2吨干物质/公顷的残茬。我们在模型参数化中使用了这两个测量期间估计的地上玉米生物量（第一年26.7吨干物质/公顷，第二年21.0吨干物质/公顷）作为约束。这些生物量移除的估计强烈限制了我们的模型参数化（图1），并对玉米系统的NECB产生了关键影响。如果移除不同比例的玉米生物量，可能会改变对SOC的影响。例如，Wang等人（2015年）研究了一种混合种植系统，其中玉米作为夏季作物，小麦在冬季种植，收获时只移除谷物，而秸秆则留在原地。在他们研究的两种种植系统中，他们发现碳损失率约为0.77吨碳/公顷/年，这与我们估计的情景相似，即当收获50%的生物量（仅谷物）时，土壤有机碳（SOC）的损失为0.6吨碳/公顷（图6）。Wilts等人（2004年）也报告称，在连续29年的玉米种植期间，如果将秸秆作为青贮饲料移除，土壤有机碳的损失比在收获谷物时将秸秆返回地面的情况下更大。这些发现指出了将可用生物量用于动物饲料与维持高土壤有机碳储量之间的重要权衡（Kirschbaum等人，2017年）。大量的生物量移除会最大化动物饲料的可用性，但会减少碳在田间的保留量，从而导致用于生产动物饲料的田地中的土壤有机碳损失。较高的田间生物量保留量会减少可以出口并用于动物饲料的生物量，但留在田间的碳则有助于维持甚至增加土壤有机碳储量。另一方面，即使在现实的生产系统中，这种潜在的好处也可能丧失，因为用于生产谷物的玉米通常需要较长的冬季休耕期，这可能会减少通过光合作用获得的碳输入。其他管理选项可能涉及减少农业生产与保持土壤有机碳储量之间的权衡，例如尽量缩短收获与新作物种植之间的时间间隔、降低耕作强度和频率、优化有机和合成肥料的使用，并最大限度地利用有机残渣（Busari等人，2015年；Hijbeek等人，2017年；Soussana等人，2010年；Suyker和Verma，2012年；Whitehead等人，2018年）。

5. 局限性与建议
我们工作的一个明显局限性是它仅限于一个地点，无法在不同环境条件或管理选择下进行重复实验。特别是第一年的一些明显不现实的呼吸速率仍然令人担忧。因此，我们无法判断我们所推断的大量碳损失是否是由于实验期间特定条件导致的，或者至少是由于邻近田地的二氧化碳漂移而加剧的。在不同地点重复这项研究将有助于更广泛地推广我们的发现。此外，结合特定的土壤采样方法来补充涡度协方差测量也可能很有用。这里报告的土壤碳损失量可能可以通过传统的土壤采样技术来检测，从而对我们的观察结果进行独立验证。然而，基于我们地点土壤有机碳变化情况的以往统计分析表明，即使对于像这里观察到的这种大幅变化，也可能需要过量的样本才能得出显著差异（例如Wall等人，2025年）。因此，涡度协方差测量可以提供比传统土壤采样更精细的变化检测分辨率。

6. 结论
在新西兰奶牛养殖系统中，将玉米青贮饲料作为周期性作物种植草地中的补充饲料，在种植期间构成了碳的一个重要来源。根据CenW模型的模拟，在第一年负净碳收支（NECB）为-5.0吨碳/公顷，在第二年为-3.7吨碳/公顷；而根据涡度协方差测量和收获的生物量产量计算，第一年的负净碳收支分别为-8.5吨碳/公顷和第二年的-4.4吨碳/公顷。模型分析结果与测量结果大体一致，显示出较大的负净碳收支值，尽管比实际观测值每公顷少了几吨碳。我们的情景分析表明，减少生物量的收获比例并在收获/放牧后保留更多的残余物可以减轻土壤有机碳的损失，甚至有可能增加土壤有机碳储量，但这将以减少用于其他用途的生物量输出为代价。这些发现为优化补充饲料的可持续使用提供了宝贵的见解。一个尚未解决的研究问题是：当土地恢复为永久性牧场后，周期性作物种植过程中损失的碳是否可以重新获得，如果可以的话，其累积的速度是多少。

作者贡献声明：
Liang Liyin：撰写——审稿与编辑、可视化、正式分析、数据管理。
Paul L Mudge：撰写——审稿与编辑、调查、正式分析。
Kirschbaum Miko U.F.：撰写——审稿与编辑、监督、软件使用、项目管理、方法论、调查、正式分析、概念化。
Yuxin Ma：撰写——初稿撰写、可视化、验证、调查、正式分析、数据管理、概念化。
Aaron M Wall：撰写——审稿与编辑、可视化、验证、资源管理、数据管理。
Donna L Giltrap：撰写——审稿与编辑、方法论、调查。