周 豐，崔曉慶，尚子吟，王琪慧

（1.北京大學(xué)城市與環(huán)境學(xué)院，北京100871；2.北京大學(xué)地表過程分析與模擬教育部重點(diǎn)實(shí)驗(yàn)室，北京100871；3.Institute of Biological and Environmental Sciences,University of Aberdeen,Aberdeen AB24 3UU,UK）

氧化亞氮（N2O）是《京都議定書》規(guī)定的長生命周期溫室氣體之一。在100 年時(shí)間范圍內(nèi)，N2O 的全球變暖潛勢(shì)（GWP）是CO2的近300 倍，占全球輻射強(qiáng)迫的約7%[1]。此外，N2O 可輸送到平流層，被認(rèn)為是消耗臭氧最具破壞力的化學(xué)物質(zhì)[2]。目前，全球大氣中N2O平均濃度已經(jīng)從工業(yè)化前時(shí)代的約270 μg·L-1持續(xù)增至2018 年的331 μg·L-1[3]，而農(nóng)業(yè)排放的持續(xù)增加（尤其是農(nóng)田土壤和畜禽糞便管理）是最重要的驅(qū)動(dòng)[4]，占到全球N2O 人為排放的60%以上[5]。準(zhǔn)確理解農(nóng)田N2O 排放時(shí)空格局及其形成機(jī)理是區(qū)域環(huán)境污染過程及效應(yīng)的重要研究內(nèi)容，也是制定區(qū)域或全球N2O減排戰(zhàn)略的科學(xué)基礎(chǔ)。

農(nóng)田N2O 排放過程十分復(fù)雜，產(chǎn)生于硝化、反硝化以及氨氧化等過程[6]。這些過程由自養(yǎng)型或異養(yǎng)型微生物所驅(qū)動(dòng)，因此，農(nóng)田N2O 排放與土壤物理化學(xué)特征、氣候條件、底物濃度和農(nóng)藝管理措施密切相關(guān)。自1970 年以來，國內(nèi)外開展了大量室內(nèi)培養(yǎng)、原位觀測(cè)和控制試驗(yàn)，逐步了解了農(nóng)田N2O 產(chǎn)生和擴(kuò)散過程的驅(qū)動(dòng)因素，建立了硝化、反硝化以及氨氧化過程對(duì)土壤團(tuán)聚體大小、溫度、水分、O2、pH、底物濃度的響應(yīng)關(guān)系[7]，并應(yīng)用到陸面過程模型[8]。最近10年，研究者開始關(guān)注硝化反硝化微生物群落動(dòng)態(tài)的量化工作，并初步建立了微生物動(dòng)力學(xué)-土壤物理化學(xué)特征-硝化反硝化的響應(yīng)關(guān)系[9]，并從原來微生物-植物對(duì)氮的“順序競(jìng)爭(zhēng)”理論拓展到“平衡競(jìng)爭(zhēng)”理論[10-11]，逐步深化了農(nóng)田N2O 排放過程的科學(xué)認(rèn)知。然而，這些理論大多是基于局部地域、不連續(xù)、不同步的站點(diǎn)觀測(cè)，或者為單因子或有限因子的有限水平的控制試驗(yàn)[12-13]，難以有效解釋全球農(nóng)田N2O 排放地域分異和年際變化。

農(nóng)田N2O 排放的模擬方法包括自下而上[如排放因子模型=肥料施用量×排放因子（EF）、陸面過程模型]和自上而下（如大氣反演模式、高塔觀測(cè)）兩種模式[14]。Del Grosso 等[15]認(rèn)為，隨著尺度增加，2 種模式的排放估計(jì)的一致性會(huì)增強(qiáng)。但最新的研究表明，即使在全球尺度，不同模式之間的排放估計(jì)也存在相當(dāng)大的差異。例如，基于排放因子模型的EDGAR v4.2 FT2010[16]認(rèn)為，2008 年全球農(nóng)田N2O 排放達(dá)到4.7 Tg N2O·a-1，該值卻比大氣反演結(jié)果低約1.0 Tg N2O·a-1[17]，比陸面過程模型的模擬結(jié)果低2.2 Tg N2O·a-1[8]；此外，美國玉米帶地區(qū)的觀測(cè)結(jié)果表明，局部范圍站點(diǎn)觀測(cè)的N2O 排放因子比高塔梯度觀測(cè)低估了80%左右[18]。造成這種差異的主要原因是我們對(duì)農(nóng)田N2O 排放時(shí)空格局形成機(jī)理的認(rèn)知十分有限[19-21]，農(nóng)藝管理措施的高時(shí)空分辨率驅(qū)動(dòng)數(shù)據(jù)十分缺乏，限制了模擬方法的預(yù)測(cè)性。

鑒于此，本文將系統(tǒng)闡述農(nóng)田N2O 排放時(shí)空格局的形成機(jī)理和全球評(píng)估。首先，結(jié)合國內(nèi)外現(xiàn)有實(shí)證研究進(jìn)展，梳理氣候、土壤、農(nóng)藝管理措施對(duì)農(nóng)田N2O排放的空間格局和時(shí)間變化的多尺度影響。其次，基于全球碳計(jì)劃和國際氮素聯(lián)盟主導(dǎo)的全球N2O 收支項(xiàng)目的成果，介紹最新的排放因子模型、陸面過程模型、大氣反演模式、升尺度等方法及其全球評(píng)估結(jié)果。最后，總結(jié)農(nóng)田N2O 排放在區(qū)域、高頻觀測(cè)或控制試驗(yàn)以及模型改進(jìn)等方面的主要挑戰(zhàn)，推動(dòng)全球氮循環(huán)的科學(xué)評(píng)估和全球活性氮的協(xié)調(diào)減排。

1 農(nóng)田N2O排放空間格局的驅(qū)動(dòng)因素

1.1 單因素影響

土壤底物濃度或施氮強(qiáng)度是最早被關(guān)注的農(nóng)田N2O 排放的影響因素（圖1）。農(nóng)田N2O 主要產(chǎn)生過程以銨態(tài)氮（NH+4-N）和硝態(tài)氮（NO-3-N）為反應(yīng)底物[22-23]。最近的研究發(fā)現(xiàn)亞硝酸鹽（NO-2-N）是農(nóng)田N2O 更為直接的影響因素[24]，兩者滿足Mchaelis-Menten關(guān)系。尿素水解的NH+4-N對(duì)硝化過程起到抑制作用，造成NO-2-N 的累積，進(jìn)一步促進(jìn)農(nóng)田N2O 排放[25]。換句話說，當(dāng)施氮水平超過最佳水平，農(nóng)田N2O 排放隨著施氮強(qiáng)度的增加呈現(xiàn)非線性增長[26]。中國和全球尺度meta 分析結(jié)果證實(shí)這種非線性響應(yīng)的普遍性[21，27]。這種非線性響應(yīng)也意味著高施氮水平地區(qū)（如華北平原）的減排邊際效應(yīng)強(qiáng)于低施氮水平地區(qū)（如非洲地區(qū)）[27-29]。

土壤物理特征也是農(nóng)田N2O 排放的重要影響因素，包括土壤團(tuán)聚體大小、土壤溫度、土壤孔隙含水量（WFPS）和含氧量。農(nóng)田N2O 排放隨著團(tuán)聚體大小呈現(xiàn)先增加后下降的趨勢(shì)（圖1），主要是因?yàn)閳F(tuán)聚體大小調(diào)節(jié)著好氧和厭氧水平[9]。土壤溫度對(duì)農(nóng)田N2O排放產(chǎn)生直接和間接影響。一方面，硝化和反硝化微生物對(duì)溫度的適應(yīng)范圍較廣，土壤溫度越高，微生物活性越強(qiáng)，從而直接影響硝化和反硝化反應(yīng)速率。另一方面，土壤溫度也能影響土壤呼吸作用，土壤溫度增加，促進(jìn)呼吸作用，降低氧氣含量，間接促進(jìn)反硝化作用。溫度上升還能促進(jìn)其他生化過程（如礦化作用）為硝化作用提供更多氮源。因此，農(nóng)田N2O 排放對(duì)氣候變暖表現(xiàn)為正反饋，但是由于氮源和土壤濕度的限制，該正反饋可能受到限制[20]。

WFPS 或土壤含氧量不僅控制硝化和反硝化過程，還決定N2O∶N2的大小。當(dāng)WFPS較低時(shí)（如20%～35%），反應(yīng)底物擴(kuò)散和微生物活性受到抑制，農(nóng)田N2O 排放通量較低[30]；隨著WFPS 升高至60%～80%，農(nóng)田N2O排放通量達(dá)到峰值[31]；當(dāng)WFPS超過80%時(shí)，反硝化反應(yīng)又將產(chǎn)生的N2O 進(jìn)一步還原為N2。相比而言，目前關(guān)于土壤孔隙含氧量調(diào)控農(nóng)田N2O 排放的理解大多來自于純培養(yǎng)及土壤微宇宙培養(yǎng)模擬試驗(yàn)[32-33]。最近的田間原位研究表明，土壤孔隙含氧量是土壤N2O排放最具決定性的環(huán)境因子（r=-0.71），其效應(yīng)強(qiáng)于土壤溫度、WFPS 和NH+4-N 濃度（r=0.30、0.25、0.26）[34]。隨土壤孔隙含氧量降低，土壤N2O 濃度呈現(xiàn)指數(shù)增長。

圖1 農(nóng)田N2O排放對(duì)單因素的響應(yīng)Figure 1 Response of cropland-N2O emission to individual driver

上述這些因素對(duì)農(nóng)田N2O 排放的影響并非獨(dú)立且相互作用。P?rn 等[35]開展了全球58 個(gè)有機(jī)土壤N2O 排放觀測(cè)，并同步測(cè)定了土壤NO-3-N、土壤體積含水量（WFPS×土壤孔隙度）、溫度等土壤物理化學(xué)指標(biāo)。結(jié)果表明，土壤NO-3-N 和土壤體積含水量共同決定了全球有機(jī)土壤N2O 排放的地域分異（n=58，R2=0.72，P＜0.001；圖2a），其中，N2O 排放與NO-3-N 濃度呈正比，且在土壤體積含水量為0.5 m3·m-3左右達(dá)到峰值。相比而言，N2O 排放與土壤溫度（40 cm）的關(guān)系較弱（R2=0.21，P＜0.001），可能是因?yàn)橥寥罍囟仍谟^測(cè)站點(diǎn)（以熱帶和亞熱帶為主）并非限制性因子。但土壤溫度和土壤NO-3-N 也可以較好解釋全球有機(jī)土壤N2O排放的地域分異（n=58，R2=0.69，P＜0.001；圖2b）。上述結(jié)果表明，溫暖且排水性強(qiáng)的低緯度地區(qū)（熱帶和亞熱帶）是農(nóng)田N2O排放的熱點(diǎn)。

1.2 地帶性響應(yīng)

以往研究一般認(rèn)為農(nóng)田N2O 排放因子與氣候、土壤物理化學(xué)特征符合“單一響應(yīng)模式”（圖3），并將這種“單一響應(yīng)模式”應(yīng)用到陸面過程模型。作者聯(lián)合國際同行開展全球聯(lián)網(wǎng)通量觀測(cè)和控制試驗(yàn)，實(shí)現(xiàn)設(shè)備和非空間因素之間的差異修正，建立完整的全球農(nóng)田N2O 排放通量同化系統(tǒng)，探索了農(nóng)田N2O排放因子對(duì)氣候、土壤物理化學(xué)特征和施氮強(qiáng)度的大尺度響應(yīng)關(guān)系[5]。結(jié)果表明，這種農(nóng)田N2O 排放因子對(duì)氣候變化的響應(yīng)具有緯度地帶性（圖3），且這種“地帶性響應(yīng)模式”是維持低緯度地區(qū)較高的氮排放因子的內(nèi)因。

這種“地帶性響應(yīng)模式”與之前通常認(rèn)為的“單一響應(yīng)模式”有很大區(qū)別，當(dāng)進(jìn)行大尺度跨區(qū)域分析時(shí)很可能會(huì)出現(xiàn)這種現(xiàn)象，主要是因?yàn)橥寥牢⑸飳?duì)不同地區(qū)的溫度自適應(yīng)性[12，36-37]，在不同緯度形成了不同最佳適應(yīng)溫度。這種現(xiàn)象在森林土壤微生物群落得以發(fā)現(xiàn)[38]。然而，對(duì)于水田而言，農(nóng)田N2O 排放因子對(duì)溫度的變化不敏感，可能是因?yàn)闇囟壬邔?duì)排放因子所產(chǎn)生的正面和負(fù)面的影響相互抵消。

圖2 農(nóng)田N2O排放與多個(gè)影響因素的響應(yīng)面[35]Figure 2 Response surface of cropland-N2O emission to multiple drivers[35]

圖3 農(nóng)田N2O排放因子對(duì)溫度和降水的響應(yīng)模式Figure 3 Single and multiple response modes of cropland-N2O emission to hydro-climatic conditions

農(nóng)田N2O 排放因子在降水為1100 mm 左右表現(xiàn)出不同的響應(yīng)關(guān)系。一方面，高緯度地區(qū)降水量有限，但土壤蒸發(fā)潛力降低，土壤持水能力較高，WFPS相對(duì)較大，因此，農(nóng)田N2O 排放因子隨降水增加而降低。低緯度地區(qū)降水量較大，土壤蒸發(fā)潛力也大，土壤排水能力較強(qiáng)，隨著降水的增加，農(nóng)田N2O 排放因子快速上升，并且在降水為2000 mm時(shí)排放因子達(dá)到峰值，此后排放因子會(huì)隨著降水增加而下降。這種響應(yīng)與Davidson等[39]提出的HIP概念模型一致。

1.3 影響因素的相對(duì)貢獻(xiàn)

利用全球農(nóng)田N2O 排放通量同化系統(tǒng)，作者采用一般混合效應(yīng)模型，進(jìn)一步分析了氣候、土壤特征和施氮強(qiáng)度對(duì)全球農(nóng)田N2O 排放因子地域分異的相對(duì)貢獻(xiàn)[5]。結(jié)果表明，在全球尺度上，農(nóng)田氮排放因子的地域分異取決于環(huán)境條件（氣候和土壤），其效應(yīng)強(qiáng)于主流研究認(rèn)為的施氮強(qiáng)度（圖4）。具體來說，環(huán)境條件決定了美國東部、東南亞北部、巴西南部、中國華南地區(qū)等的農(nóng)田N2O 排放因子大小。施氮強(qiáng)度則決定了華北平原、東南亞南部、西非、恒河流域、亞馬孫流域等地區(qū)的農(nóng)田N2O 排放因子大小。其中，受環(huán)境條件影響的區(qū)域占到80%左右。基于IPCC的貢獻(xiàn)分析方法，進(jìn)一步發(fā)現(xiàn)主要是水熱條件（溫度和降水）決定了全球農(nóng)田N2O 排放因子的空間格局，分別占到全球農(nóng)田N2O 排放因子方差的34%和20%。其次，黏土比例、pH 和SOC 對(duì)于全球農(nóng)田N2O 排放因子是較為重要的土壤特征（對(duì)方差貢獻(xiàn)分別為11%、12%和8%）。

2 農(nóng)田N2O排放時(shí)間變化的驅(qū)動(dòng)因素

圖4 氣候、土壤特征和施氮強(qiáng)度對(duì)全球農(nóng)田N2O排放因子地域分異的相對(duì)貢獻(xiàn)Figure 4 Spatial patterns of cropland-N2O emission factors controlled by the changes in climate，soil attributes，and N inputs

農(nóng)田N2O 排放具有明顯的季節(jié)波動(dòng)、年際波動(dòng)和年際變化趨勢(shì)。隨著觀測(cè)技術(shù)的進(jìn)步，農(nóng)田N2O 排放實(shí)現(xiàn)了高頻、自動(dòng)連續(xù)觀測(cè)，包括離軸積分腔輸出光譜技術(shù)、可調(diào)諧的二極管激光技術(shù)（TDL）、可調(diào)諧二極管激光吸收光譜技術(shù)（TDLAS）。Griffis 等[40]利用TDL技術(shù)，在美國玉米帶（US Corn Belt）測(cè)定了2010—2015 年不同高度（32、56、100、185 m）N2O 小時(shí)濃度，并分析了其季節(jié)和年際波動(dòng)。結(jié)果表明，農(nóng)田N2O 排放隨著氣候變化而波動(dòng)，在強(qiáng)降水之后、高溫之時(shí)和春季凍融出現(xiàn)排放峰值。Xu 等[41]利用陸面過程模型DLEM，量化了北美地區(qū)土壤N2O 排放年際波動(dòng)的自然與人為貢獻(xiàn)，情景模擬結(jié)果同樣證實(shí)了氣候變化是最重要的驅(qū)動(dòng)因素。

與季節(jié)和年際波動(dòng)不同的是，農(nóng)田N2O 排放的年際變化趨勢(shì)可能取決于施氮強(qiáng)度和其他氮源輸入量的增加。Griffis 等[40]利用改進(jìn)的陸面過程模型CLM45-BGC-CROP，發(fā)現(xiàn)逐步增加的施氮強(qiáng)度是美國玉米帶農(nóng)田N2O 排放增加的決定因子，氣候變化貢獻(xiàn)只占到8%。Thompson 等[42]利用3 個(gè)大氣反演模式評(píng)估了1998—2016 年全球N2O 排放的年際變化。結(jié)果表明，2009 年之后全球N2O 排放快速增加，主要因?yàn)闁|亞和南美施氮強(qiáng)度的增加。這個(gè)結(jié)果也證實(shí)了施氮強(qiáng)度及全球N2O 排放對(duì)施氮強(qiáng)度的非線性響應(yīng)是全球N2O排放變化趨勢(shì)的關(guān)鍵因素。

然而，區(qū)域評(píng)估揭示了不同的結(jié)論。例如，Shang等[43]建立高分辨率（1 km）中國施肥和灌溉柵格數(shù)據(jù)集，利用貝葉斯遞歸回歸樹模型和多個(gè)陸面過程模型，評(píng)估了中國1990—2013 年農(nóng)田N2O 排放年際變化，并利用對(duì)數(shù)均值迪氏指數(shù)法分析了背后的驅(qū)動(dòng)機(jī)制。結(jié)果表明，中國農(nóng)田N2O 排放在2003 年之后呈現(xiàn)增速變緩的趨勢(shì)，且這種趨勢(shì)分布廣泛，占到全國2/3的農(nóng)田，主要位于華北平原、四川盆地和東北平原部分地區(qū)。排放增速變緩的關(guān)鍵原因是施氮強(qiáng)度下降，抵消了東北平原和長江中下游地區(qū)播種面積擴(kuò)張的影響。因此，農(nóng)藝管理的進(jìn)步（比如測(cè)土配方）也是農(nóng)田N2O排放時(shí)間變化的重要驅(qū)動(dòng)因素之一。

陸面過程模型的逐步改進(jìn)推動(dòng)了農(nóng)田（土壤）N2O 排放時(shí)間變化的歸因分析。例如，Xu等[41]發(fā)現(xiàn)氮輸入（施肥和氮沉降）是北美洲N2O 排放增長的最重要的驅(qū)動(dòng)因素，而CO2濃度升高和氣候變化卻表現(xiàn)為負(fù)作用。另外，全球碳計(jì)劃和國際氮素聯(lián)盟在2015年底啟動(dòng)了全球N2O 收支項(xiàng)目，評(píng)估了全球農(nóng)田（土壤）N2O 排放時(shí)空格局和驅(qū)動(dòng)機(jī)制?；? 個(gè)陸面過程模型（DLEM、LPJ-GUESS、LPX-Bern、O-CN、ORCHIDEE、ORCHIDEE-CNP、VISIT）的情景模擬，Tian等[4]發(fā)現(xiàn)全球土壤N2O 排放增長主要源于農(nóng)田，且這種增長歸因于氮輸入（化肥施用、有機(jī)肥施用和氮沉降）。氣候變化促進(jìn)了全球農(nóng)田N2O 排放，但CO2濃度升高則抵消了全球農(nóng)田N2O 排放的增長。土地利用變化的影響在全球尺度十分有限，僅在美國中部、南亞和西非表現(xiàn)為負(fù)作用。

3 全球農(nóng)田N2O排放的多模型評(píng)估

3.1 自下而上和自上而下的模型方法

過去40 多年的試驗(yàn)研究加深了我們對(duì)全球農(nóng)田N2O 排放的驅(qū)動(dòng)因素的科學(xué)理解，也促進(jìn)了不同類型模型方法的開發(fā)、改進(jìn)和多模型集合，推動(dòng)了全球、區(qū)域或國家尺度的農(nóng)田N2O 排放的模型評(píng)估。目前，主流評(píng)估方法包括排放因子模型、陸面過程模型、大氣反演模型和尺度擴(kuò)展（Flux upscaling）方法。

首先，排放因子模型是IPCC 推薦的國家溫室氣體排放清單Tier 1 方法，被IPCC 締約國等廣泛使用?！?006 年國家溫室氣體清單指南》2019 修訂版定義農(nóng)田N2O 排放等于排放因子乘以活動(dòng)數(shù)據(jù)（比如施氮量），并區(qū)分了不同作物和不同氣候下的排放因子[44]。目前主流評(píng)估結(jié)果有歐盟EDGAR[45]、國際應(yīng)用系統(tǒng)分析研究所（IIASA）的GAINS[16]和世界糧農(nóng)組織FAOSTAT（http：//www.fao.org/faostat/）。

其次，陸面過程模型是高度集成陸地生態(tài)系統(tǒng)模型，它耦合了主要生物化學(xué)、水循環(huán)和植被動(dòng)態(tài)過程，模型輸出結(jié)果為陸地生態(tài)系統(tǒng)中水分、碳通量（CO2、CH4）、氮通量（N2O）和反應(yīng)底物。主流的過程模型包括DAYCENT、DLEM、LPJ-GUESS、LPX-Bern、O-CN、ORCHIDEE、ORCHIDEE-CNP 和VISIT 等[4]。模型的時(shí)間尺度是小時(shí)或日，輸入數(shù)據(jù)包括逐日氣象資料、大氣成分（CO2、O3、氮沉降）、土壤物理化學(xué)屬性、地形、河道網(wǎng)絡(luò)和土地利用方式等。這些一般包括生物物理、植物生理學(xué)、土壤生物化學(xué)、植被動(dòng)態(tài)和土地利用等模塊，其中N2O排放子模塊一般源于DNDC[46]，量化了硝化與反硝化動(dòng)態(tài)過程和N2O 從土壤擴(kuò)展至大氣的損失。為了避免模型結(jié)構(gòu)帶來的不確定性，最近實(shí)施的全球N2O 模型比較計(jì)劃提出了多模型集合方法[8]。結(jié)果表明，不同模型的全球農(nóng)田N2O 排放時(shí)空格局差異很大（自工業(yè)革命以來增量的最小值和最大值分別為1.6、4.7 Tg N2O-N·a-1）。

大氣反演模型是自上而下的模式，基于大氣中觀測(cè)N2O 濃度和先驗(yàn)N2O 排放量，通過大氣傳輸模式和反演方法反演得到后驗(yàn)N2O 排放量。目前代表性大氣傳輸模式包括MOZART v4、TM5、LMDZ4 等，能模擬三維大氣中N2O 分子含量，如MOZART v4 的水平分辨率為1.9°×2.5°，垂直方向上從地表到2 hPa 高空可分為56 層。主要反演方法為Bayesian Inversion Method 等[17，42]。通常為月尺度，可同時(shí)估算陸地和海洋的N2O 排放，如Saikawa 等[17]估算得到1995—2008年全球N2O 年均排放通量為13～18 Tg N·a-1，其中農(nóng)田系統(tǒng)為2.6～4.1 Tg N·a-1，海洋為3.6～5.2 Tg N·a-1。該方法缺點(diǎn)是結(jié)果準(zhǔn)確度受先驗(yàn)數(shù)據(jù)影響較大。同時(shí)，進(jìn)一步區(qū)分不同排放源貢獻(xiàn)依舊是大氣反演模型的挑戰(zhàn)之一。

升尺度方法也逐步得到開發(fā)，實(shí)現(xiàn)從站點(diǎn)尺度到區(qū)域尺度的農(nóng)田N2O 排放通量的升尺度。例如，Jung等[47]提出MTE（Model Tree Ensemble）算法，并推廣到全球通量觀測(cè)FLUXCOM。2015 年，Zhou 等[21]提出了貝葉斯遞歸回歸樹算法（BRRT v2）。該算法的優(yōu)勢(shì)在于根據(jù)觀測(cè)數(shù)據(jù)來估計(jì)參數(shù)的后驗(yàn)概率分布，據(jù)此可以得到參數(shù)的最大后驗(yàn)概率估計(jì)。校準(zhǔn)過程中，需要尋找最優(yōu)模型結(jié)構(gòu)即樹的結(jié)構(gòu)，樹的每一個(gè)末節(jié)點(diǎn)相當(dāng)于模型的每一個(gè)分段函數(shù)。從根節(jié)點(diǎn)開始逐步搜索直至樹的末節(jié)點(diǎn)，樹的末節(jié)集合是模型的所有函數(shù)方程。此外，BRRT v2用馬爾可夫鏈蒙特卡爾理論（MCMC）將數(shù)據(jù)逐步迭代縮小至最優(yōu)點(diǎn)范圍，樹每個(gè)末節(jié)點(diǎn)可得到一個(gè)不同區(qū)域的N2O 排放與氣候、土壤特征和農(nóng)藝管理的響應(yīng)關(guān)系。目前，該算法已應(yīng)用于中國和全球農(nóng)田N2O排放估計(jì)[5，43，48]。

3.2 模型輸入和輸出數(shù)據(jù)集

模型輸入數(shù)據(jù)集也是全球農(nóng)田N2O 排放多模型評(píng)估的基礎(chǔ)，包括氣候、土壤、土地利用、氮肥管理、灌溉管理、種植制度、耕作方式等。氣象數(shù)據(jù)較為豐富，典型的數(shù)據(jù)集為CRU-NCEP（1901—2015，6 h 尺度，0.5°×0.5°）。土壤數(shù)據(jù)包括FAO 的HWSD v1.2（http：//www.fao.org/soils-portal/soil-survey/soil-maps-and-databases）和北京師范大學(xué)土壤數(shù)據(jù)集[49]，空間分辨率分別為1 km 和0.1°，但土壤化學(xué)特征一般為定值，包括pH、SOC 和有機(jī)氮含量。土地利用數(shù)據(jù)包括HYDE 3.2（1860—2015，年尺度，0.5°×0.5°）和Earth-Stat[50]，其中后者提供了170 多種作物的種植分布和播種面積，但僅為2000 年數(shù)據(jù)。氮肥管理涉及到施氮強(qiáng)度、肥料類型、施用時(shí)間、次數(shù)和深度。目前，F(xiàn)AOSTAT 提供了1960 年以來國家尺度施氮強(qiáng)度和肥料類型（不同類型化肥、秸稈和畜禽糞便回田量）數(shù)據(jù)。在此基礎(chǔ)上，結(jié)合區(qū)域尺度統(tǒng)計(jì)數(shù)據(jù)和國際化肥聯(lián)盟的調(diào)查數(shù)據(jù)，Muller 等[50]建立2000 年不同作物、不同肥料類型的柵格尺度（0.5°×0.5°）施氮強(qiáng)度圖層。隨后，Lu 等[51]將此數(shù)據(jù)集擴(kuò)展到1961—2013 年。Zhang等[52]還發(fā)布了全球畜禽糞便產(chǎn)生量和回田量柵格尺度數(shù)據(jù)集（1860—2014，年尺度，5′×5′）。Wang等[5]進(jìn)一步重建1961—2014 年全球5-arc-minute 高分辨率施肥數(shù)據(jù)庫（強(qiáng)度、肥料類型、空間分布、作物分配）。相比而言，這些數(shù)據(jù)集較少涉及施用時(shí)間、次數(shù)和深度。FAO AQUASTAT 發(fā)布了全球主要國家過去50年（不連續(xù)）國家尺度灌溉數(shù)據(jù)集和2005年柵格數(shù)據(jù)集（http：//www.fao.org/aquastat/）。針對(duì)水稻，Carlson 等[28]建立了不同國家的不同灌溉方式（淹灌、間歇灌溉、雨養(yǎng)）數(shù)據(jù)集，但依舊缺乏高分辨率、連續(xù)的模型數(shù)據(jù)。為了彌補(bǔ)這個(gè)缺陷，ISIMIP2a發(fā)布了多個(gè)全球水文模型的灌溉模擬結(jié)果（1970 年以來，年尺度，0.5°×0.5°，https：//www.isimip.org/gettingstarted/data-access/）。到目前為止，種植制度（比如輪作制度、休耕制度、種植收獲時(shí)間）和耕作方式（比如耕作、少耕、免耕）數(shù)據(jù)相對(duì)較少，代表性的有Sacks等[53]的種植收獲時(shí)間柵格數(shù)據(jù)集和FAO 的國家尺度耕作方式數(shù)據(jù)集（www.fao.org/faostat/en/#data/RL）。

模型輸出需要觀測(cè)數(shù)據(jù)來校準(zhǔn)和驗(yàn)證。到目前為止，全球已經(jīng)建立了大量長期、連續(xù)、統(tǒng)一的通量觀測(cè)網(wǎng)絡(luò)Fluxnet（https：//fluxnet.fluxdata.org/），其中中國有17 個(gè)農(nóng)田站點(diǎn)（http：//www.chinaflux.org/），部分站點(diǎn)擁有N2O 通量觀測(cè)。此外，全球還有多個(gè)其他觀測(cè)網(wǎng)絡(luò)[5]，包括美國的TRAGNET（1990—1995，15 個(gè)站點(diǎn)，358 個(gè)樣本）和GRACEnet（2003—2012，32 個(gè)站點(diǎn)，444 個(gè)樣本）、歐盟的NitroEurope（2004—2011，14個(gè)站點(diǎn)，195 個(gè)樣本）和GHG-Europe（含非洲津巴布韋，2009—2013，8 個(gè)站點(diǎn)，224 個(gè)樣本）、澳大利亞的NANORP（2003—2014，13 個(gè)站點(diǎn)，64 個(gè)樣本），以及國外研究者的近1200 條樣本和作者整理的中國農(nóng)田N2O數(shù)據(jù)庫（1992—2013，96個(gè)站點(diǎn)，792個(gè)樣本）。這些觀測(cè)網(wǎng)絡(luò)涉及的主要指標(biāo)包括：N2O 通量（觀測(cè)期內(nèi)累積量；kg N2O-N·hm-2）、經(jīng)緯度、作物類型、施氮量（kg N·hm-2）、肥料類型、灌溉量（mm）、土壤黏土比例（%）、SOC含量（%）、TN含量（%）、pH、土壤容重（g·cm-3）、土壤溫度（°C）、土壤水分（%）等。到目前為止，作者建立的GlobalNON 涉及43個(gè)國家的379個(gè)站點(diǎn)（圖5），觀測(cè)樣本達(dá)到3098 個(gè)（含214 個(gè)站點(diǎn)的818個(gè)對(duì)照試驗(yàn)，采樣頻率≥1 次·周-1），觀測(cè)時(shí)間跨度為1976—2014，站點(diǎn)主要分布在42個(gè)國家，基本覆蓋到除了南極之外各洲的主要農(nóng)田種植區(qū)（圖5），而這些覆蓋區(qū)域的施氮量占到了全球84.8%（2011年，數(shù)據(jù)來自于FAO）。同時(shí)，超過60%的站點(diǎn)的累積觀測(cè)年數(shù)超過4年，424個(gè)控制試驗(yàn)具有≥3個(gè)的施氮量梯度，還有＞200個(gè)控制試驗(yàn)涉及不同作物、灌溉或土壤類型的影響。

3.3 多模型評(píng)估結(jié)果

目前，利用排放因子模型、陸面過程模型、大氣反演模型和升尺度方法完成了全球農(nóng)田N2O 排放多模型評(píng)估，代表性成果為全球N2O收支（https：//www.globalcarbonproject.org/nitrousoxidebudget/index.htm）。其中，1961—2013年全球農(nóng)田N2O排放時(shí)空格局見圖6。研究發(fā)現(xiàn)[5]：（1）全球旱地排放因子從1960s 的（0.80±0.06）%增加到當(dāng)前的（1.05±0.04）%，全球水田排放因子穩(wěn)定在0.46%到0.53%之間，指出《2006 年IPCC 國家溫室氣體清單指南》推薦值（Tier 1 方法）對(duì)旱地高估了23%，但對(duì)水田低估了50%，這種差別在區(qū)域尺度更加明顯（圖6），主要因?yàn)镮PCC Tier 1 方法忽視了環(huán)境條件對(duì)農(nóng)田N2O 排放因子大小的調(diào)節(jié)作用；（2）1961—2014年，全球農(nóng)田N2O年排放量平均值為（0.82±0.34）×106t，該結(jié)果與7 個(gè)陸面模式模擬（Tier 3 方法）結(jié)果較為一致[（0.75±0.53）×106t]，但比基于Tier 1 方法的聯(lián)合國糧農(nóng)組織（FAOSTAT）和主流的國際機(jī)構(gòu)（EDGAR、GAINS）的估計(jì)低1/4 左右（圖6），在區(qū)域上表現(xiàn)為低估了歐美等發(fā)達(dá)國家的農(nóng)田N2O 年排放，但高估了中國、印度等發(fā)展中國家排放；（3）全球農(nóng)田N2O 排放量估計(jì)下降，58%源于采用了基于普查的高分辨率施肥數(shù)據(jù)，42%源于更新了全球柵格尺度的農(nóng)田N2O 排放因子。上述發(fā)現(xiàn)為IPCC的Tier 1 和Tier 3 方法提供了全球農(nóng)田N2O 歷年排放量基準(zhǔn)值，也為確定全球農(nóng)田N2O 減排策略提供科學(xué)依據(jù)。

圖5 全球農(nóng)田N2O排放觀測(cè)網(wǎng)絡(luò)（GlobalNON）Figure 5 Global cropland-N2O observation network（GlobalNON）

4 主要研究挑戰(zhàn)

過去40 年，國內(nèi)外針對(duì)農(nóng)田N2O 排放時(shí)空格局的形成機(jī)理和全球評(píng)估開展了大量研究，基本闡明了農(nóng)田N2O 排放時(shí)空格局的主控因子和響應(yīng)特征，并形成了基于多模型集合的全球農(nóng)田N2O 排放估計(jì)。但不同觀測(cè)、試驗(yàn)和方法之間的結(jié)論仍然存在較大差異，評(píng)估結(jié)果不確定性較大，全球和區(qū)域性減排策略缺乏科學(xué)支撐，在區(qū)域、高頻觀測(cè)或控制試驗(yàn)以及模型改進(jìn)等方面亟需開展大量理論研究。

首先，加強(qiáng)農(nóng)田N2O 排放過程的跨區(qū)域、樣帶觀測(cè)和控制試驗(yàn)。截止到目前，全球范圍建立了大量的農(nóng)田N2O 觀測(cè)網(wǎng)絡(luò)，覆蓋了多種作物類型。但現(xiàn)有研究主要關(guān)注不同農(nóng)藝管理措施下農(nóng)田N2O 排放特征，較少開展不同氣候和土壤環(huán)境的控制試驗(yàn)。因此，可以借助國家生態(tài)系統(tǒng)觀測(cè)研究網(wǎng)絡(luò)（CNERN）和中國生態(tài)系統(tǒng)研究網(wǎng)絡(luò)（CERN），根據(jù)我國農(nóng)田的地理分布特征，結(jié)合氣象和土壤區(qū)劃成果，選取代表性區(qū)域或樣帶，以農(nóng)田生態(tài)系統(tǒng)碳-氮-水耦合循環(huán)和碳氮水通量計(jì)量平衡觀測(cè)為核心研究內(nèi)容，揭示包括N2O在內(nèi)的作物冠層-大氣、土壤-大氣和根系-大氣界面通量計(jì)量平衡關(guān)系及其時(shí)間變異的生物控制機(jī)制和地理空間格局。

其次，強(qiáng)調(diào)農(nóng)田N2O 排放的高頻、連續(xù)觀測(cè)和極端氣候控制試驗(yàn)。大部分觀測(cè)或控制試驗(yàn)聚焦在作物生育期，而忽略休閑期。Shang等[43]研究表明，蔬菜地和稻田N2O 排放在休閑期分別占到全年的19%和11%。另外，以往研究關(guān)注常規(guī)氣候變化的影響，極少關(guān)注極端氣候事件下農(nóng)田N2O 排放特征，制約了陸面過程模型對(duì)極端氣候變化下農(nóng)田N2O 排放過程的模擬能力[54]。因此，有必要利用統(tǒng)一平臺(tái)開展區(qū)域性的極端氣候控制試驗(yàn)和高頻觀測(cè)，結(jié)合已有的長期定位觀測(cè)、統(tǒng)計(jì)、過程模型等技術(shù)手段，采用多尺度觀測(cè)、多方法印證、多過程融合、跨尺度模擬等集成研究[55]，系統(tǒng)地闡明不同時(shí)空尺度的農(nóng)田N2O 排放過程對(duì)極端氣候事件的響應(yīng)機(jī)制和未來趨勢(shì)。

圖6 全球農(nóng)田N2O排放（1961—2014）對(duì)比分析Figure 6 Estimates of global cropland-N2O emission over 1961—2014

另外，亟待建立高分辨率農(nóng)藝管理措施數(shù)據(jù)集和增強(qiáng)陸面過程模型的區(qū)域預(yù)測(cè)能力。相比氣候和土壤數(shù)據(jù)，目前較為缺乏可靠且高分辨率農(nóng)藝管理措施數(shù)據(jù)集，包括不同作物不同類型肥料施用量、施用方式和施用時(shí)間，還包括種植制度、灌溉（和排水）、耕作等[5]。另外，相比碳水過程，陸面過程模型對(duì)農(nóng)田氮循環(huán)過程的預(yù)測(cè)能力相對(duì)較弱。一方面，陸面過程模型往往基于試驗(yàn)建立的經(jīng)驗(yàn)方程，難以兼顧微生物過程[9]，也難以刻畫農(nóng)藝管理措施的影響。另一方面，在陸面過程模型中，與氮循環(huán)過程相關(guān)聯(lián)的參數(shù)高達(dá)百余個(gè)[56]，為了有效進(jìn)行參數(shù)校準(zhǔn)和優(yōu)化，有必要結(jié)合參數(shù)敏感性分析和基于貝葉斯理論的參數(shù)估計(jì)這兩種技術(shù)手段[21]。參數(shù)敏感性分析的優(yōu)勢(shì)在于能從眾多參數(shù)中遴選出針對(duì)目標(biāo)變量的關(guān)鍵參數(shù)，進(jìn)而提高參數(shù)優(yōu)化效率。基于貝葉斯理論的最優(yōu)參數(shù)估計(jì)的優(yōu)勢(shì)在于根據(jù)觀測(cè)數(shù)據(jù)來估計(jì)參數(shù)的后驗(yàn)概率分布，據(jù)此可以得到參數(shù)的最大后驗(yàn)概率估計(jì)。以MCMC方法為主，探討人工控制試驗(yàn)、農(nóng)田生態(tài)系統(tǒng)通量觀測(cè)、遙感觀測(cè)等數(shù)據(jù)的同化方案，發(fā)展多尺度數(shù)據(jù)與陸面過程模型的融合系統(tǒng)，增強(qiáng)模型預(yù)測(cè)能力，為制定國家氮減排和構(gòu)建氣候智能型農(nóng)業(yè)提供科學(xué)依據(jù)。