DNDC模型模拟不同施肥水平下旱作麦田土壤N₂O排放及其敏感性分析

Simulation and sensitivity analysis of N₂O emissions in dryland wheat fields at different fertilization levels using the DNDC model

摘要

目的 研究陇中黄土高原不同施肥水平下旱作麦田土壤N₂O的排放特征，验证DNDC模型对N₂O排放模拟的适应性。 方法 以甘肃省定西市旱作麦田为对象，设置不施氮肥（0 kg/hm²）、低量氮肥（55 kg/hm²）、中量氮肥（110 kg/hm²）、高量氮肥（220 kg/hm²）4种施肥梯度，采用静态箱-气相色谱法对土壤N₂O排放通量排放进行田间原位观测。结合试验点连续监测得到的N₂O排放通量等实测数据，运用DNDC模型探究多因子对模拟N₂O排放的敏感程度。 结果 不同施肥水平下，旱作麦田土壤N₂O排放趋势基本一致，且排放通量的大小与施氮量成正相关关系；DNDC模型对4种施肥水平下N₂O排放的模拟效果较好，具体表现为不施氮肥（R²=0.88、EF=0.84、P=0.002），低量氮肥（R²=0.92、EF=0.82、P=0.001），中量氮肥（R²=0.86、EF=0.81、P=0.003），高量氮肥（R²=0.84、EF=0.74、P=0.004），表明DNDC模型能够用于模拟不同施肥水平下旱作麦田土壤N₂O排放；敏感性分析则显示，相比其他因子，土壤pH值是影响模型模拟N₂O排放最为敏感的参数。 结论 为陇中黄土高原旱作麦田 N₂O排放模型模拟的参数本地化提供基础依据，为今后农田管理措施的优化提供模型基础技术支撑。

Abstract

Objective To study the emission characteristics of soil N₂O and verify the adaptability of the DNDC model to N₂O emission under different fertilization levels on the Loess Plateau of Longzhong. Method Wheat fields in Dingxi City，Gansu Province，were set up with no nitrogen fertilizer （0 kg/hm²），low nitrogen fertilizer （55 kg/hm²），medium nitrogen fertilizer （110 kg/hm²） and high nitrogen fertilizer （220 kg/hm²）.Soil N₂O emission flux was measured in situ by static box gas chromatography.Combined with the measured data of N₂O emission flux continuously monitored at the test site，the DNDC model was used to investigate the sensitivity of several factors to simulated N₂O emission. Result Under different fertilization levels，the trend of soil N₂O emission was basically the same，and the emission flux was positively correlated with the nitrogen application rate.The DNDC model has a good simulation effect on N₂O emission under four fertilization levels，which is manifested as no nitrogen fertilizer （R²=0.88，EF=0.84，P=0.002），low nitrogen fertilizer （R²=0.92，EF=0.82，P=0.001），and low nitrogen fertilizer （R²=0.92，EF=0.82，P=0.001）.Medium nitrogen （R²=0.86，EF=0.81，P=0.003） and high nitrogen （R²=0.84，EF=0.74，P=0.004） showed that the DNDC model could be used to simulate soil N₂O emission under different fertilization levels.Sensitivity analysis showed that compared with other factors，soil pH value was the most sensitive parameter to affect N₂O emission from farmland in the study area. Conclusion This study can provide the theoretical basis and technical support for local application of the regional N₂O emission model and optimization of farmland management measures.

Graphical abstract

关键词

N₂O排放 / 施肥水平 / DNDC模型 / 敏感性分析

Key words

N₂O emissions / fertilization level / NDC model / sensitive analysis

Author summay

成思潮，硕士研究生。E-mail：[e-mail]

以全球变暖为主要特征的气候变化，正以复杂多样的方式威胁着生态环境和人类生活^［1-2］，而人类活动引起的温室气体排放是全球变暖的主要原因^［3］。氧化亚氮（N₂O）是仅次于二氧化碳（CO₂）和甲烷（CH₄）的全球第三大温室气体，其大气浓度虽不如CO₂高，但具有较高的温室效应潜力（CO₂的296倍）和臭氧消耗活动^［4］，且在大气中存留时间较长^［5］，已经成为影响全球气候变化的研究焦点。

农业是全球最大的N₂O人为排放源，其中农田土壤贡献最多，约占全球N₂O人为排放量的40%^［6］。旱作农业是我国主要的农业系统之一，据估算旱地农田N₂O排放量约占全国农业排放总量的78%^［7］。黄土高原地区是我国典型旱作农业区域，而陇中黄土高原是甘肃重要的生态安全屏障^［8］。该区域由于独特的生态环境和气候条件，土壤呈现“缺氮少磷”的特点，且年际降水分布不均，需要通过施肥来稳定和提高农田土壤生产水平^［9-10］。然而，大量研究发现，施肥是人为N₂O排放的关键影响因素^{［7，11-12］}。陈慧等^［13］研究表明，减量施肥会显著减小土壤N₂O 排放；Shcherbak等^［14］发现，N₂O排放量随着施氮量的增加呈指数增长；李玥等^［15］研究认为，合理施氮是减排农田土壤N₂O最直接的措施。因此，在我国开展“化肥减量”的背景下，有必要探究不同施肥水平对陇中黄土高原地区旱作农田N₂O排放的影响，这对今后制定合理施肥管理措施具有重要意义。但是，N₂O排放具有高时空变异性，仅仅依靠田间观测来反映不同管理措施对N₂O排放的影响存在一定限制^［16-18］，这就需要基于相关模型进行研究。

目前，基于过程的模型被越来越多地应用于模拟和评估作物生长、土壤碳氮循环、温室气体排放等研究^［19］。DNDC模型^［20］作为国际生态学界较为认可的生物地球化学过程模型之一，已经被广泛用于各类型生态系统的N₂O排放模拟研究^［21］。杨宇宇^［22］利用DNDC模型评估和分析了全球农田N₂O排放空间格局、变化趋势和影响因素，较完整地阐明了全球农田N₂O排放规律。Zhao等^［23］基于DNDC模型对上海稻田的CH₄和N₂O排放通量进行模拟，对当前田间管理措施进行优化。赵苗苗等^［24］则对旱田转水田、常年种植水稻的稻田CH₄、CO₂和N₂O排放通量进行模拟，发现DNDC模型能够较好地模拟两种稻田温室气体排放通量的季节变化。Qiu等^［25］结合我国黑龙江、甘肃、江苏等不同农田生态系统实测的N₂O排放数据对DNDC模型进行验证，并模拟了这些地区在不同施肥水平下N₂O排放量。纵观相关研究，前人基于DNDC模型对陇中黄土高原旱作麦田在不同施肥水平下N₂O排放的研究仍较少。因此，本文结合田间试验和前人研究，以旱作春小麦田和DNDC 模型为研究对象，对不同施肥水平下该模型模拟N₂O排放的适应性进行验证，并对模型相关参数进行敏感性分析，为今后使用DNDC模型开展各项研究提供基础支持。

1 材料与方法

1.1 试验区概况

试验区位于甘肃省定西市安定区安家坡村甘肃农业大学旱农综合试验站（E 104°64′，N 35°64′），该地区日照充足，昼夜温差大。年均日照时数在2 400 h以上，无霜期140 d，年平均降水量394.1 mm，属于典型的半干旱雨养农业区。试验地土壤类型为黄绵土，土层深厚，蓄水性良好，土壤容重为1.27 g/cm³，土壤有机碳含量为6.21 g/kg，全氮含量为0.61 g/kg，全磷含量为0.45 g/kg^［26］。

1.2 田间试验设计

试验于2021年进行，供试作物为春小麦（甘春27号），3月31日播种，7月31号收获，耕作方式为传统耕作。试验依据当地常规施肥经验设置4种不同施肥水平：（1）不施肥（N₀）；（2）低量氮肥（N₁：55 kg/hm²）；（3）中量氮肥（N₂：110 kg/hm²）；（4）高量氮肥（N₃：220 kg/hm²）。各处理统一配施150 kg/hm²过磷酸钙（P₂O₅ 14%）作为基肥，在播种时一次性施入。氮肥分2次施入，第一次于播种前（3月25日）随基肥混合施入，第二次在分蘖期（4月25日）进行追施，且均为表施。每个处理设置3个重复样地，共计12块样地，每块样地大小为4 m×6 m，播种量为187.5 kg/hm²，行距25 cm。每个固定样地内随机设置3个0.50 m×0.50 m的固定采样区，用来定期采集春小麦N₂O气体。其余田间管理水平与当地常规生产水平一致。

1.3 气体采集方法

N₂O气体通量使用静态箱-气相色谱法进行测定。暗箱使用覆盖聚苯乙烯保温材料制作，规格为50 cm×50 cm×50 cm的无底正方体，箱外包裹泡沫以保证取样时箱内的温度平稳并带有测温和采集气体的接口，箱内置小风扇和温度传感器。耕种之前，先在各试验小区的土壤中固定采样箱的不锈钢底座，底座规格为50 cm×50 cm×20 cm，上部带有密封水槽；采集气体时，先在底座的水槽中加水密封，然后进行气体样品采集。

田间监测在春小麦生长季期间进行，采集时间为每天的9∶00~12∶00（气温接近1 d均值），采集频率为20 d一次。扣箱后，立即用带三通阀且密闭性良好的100 ml医用注射器采集第一次样品，并将样品注入到E-Switch铝箔复合膜气体采样袋进行保存，随后每隔8 min采集一次气体并保存，共取样5次。采样后立即将样品带回实验室，使用气相色谱仪（仪盟 A90，常州磐诺仪器有限公司）测定N₂O排放浓度。利用公式（1）计算N₂O排放通量，之后利用公式（2）计算春小麦农田生育期内N₂O累积排放通量：

F=\frac{C_{\mathrm{2}}\times V\times M_{\mathrm{0}}\times \mathrm{273}/T_{\mathrm{2}}-C_{\mathrm{1}}\times V\times M_{\mathrm{0}}\times \mathrm{273}/T_{\mathrm{1}}}{A\times (t_{\mathrm{2}}-t_{\mathrm{1}})\times \mathrm{22.4}}（1）

式中：F为土壤N₂O排放通量（mg/（m²·h）；C₁、C₂分别为采样箱关闭时和开启前箱内气体的体积浓度单位为；T₁、T₂分别为采样箱关闭和开启前箱内温度（K）；M₀为气体分子量；V为采样箱体积（m³）；A为采样箱底面积（m²）；t₁、t₂为测定开始和结束的时间。

M=\sum (F_{N+\mathrm{1}}+F_N)\times \mathrm{0.5}\times (t_{N+\mathrm{1}}+t_N)\times \mathrm{24}\times {\mathrm{10}}^{-\mathrm{2}}（2）

式中：M为生育期内土壤N₂O排放量（kg·hm²）；F为土壤N₂O排放通量mg/（m²·h）；N为采样次数；t为距离初次采样的时间。

1.4 DNDC模型

1.4.1 模型概述

DNDC模型是基于碳、氮循环有关的生物地球化学因素和过程而发展起来的计算机模拟模型，目前已更新到 DNDC V9.5版本。模型主要由土壤气候、植物生长、有机质分解、硝化作用、反硝化作用和发酵作用6个模块组成。通过上述6个模块，利用各种驱动因子（主要是指模型输入的参数，如气候、土壤等）来模拟生态系统内部环境和模拟环境营力（如温度、湿度、pH值等）对微生物活动的影响，计算植物-土壤系统中各类气体的排放（CO₂，N₂O，CH₄，N₂等）。

1.4.2 模型参数校正

DNDC模型中针对不同的农作物，有不同的默认参数，对于不同的地区研究不一定适用。本研究根据田间试验数据，结合相关文献资料^［27］，对模型部分参数进行校正，主要有气候、土壤性质、作物和农田管理4个模块的参数。气候模块包括：模拟地点纬度（N 35°64′）、每日气象数据（日最高温、日最低温、日降雨量），来自定西市水保所自动气象观测站；土壤性质参数包括：土壤容重（1.27 g/cm³）、pH值（8.36）、土壤表层有机碳含量（0.019 kg/kg）、土壤质地（0.14）；作物相关参数中，春小麦生长积温调整为2 600 ℃，最适温度（26 ℃）、需水量（100 g/g）、生物量C/N比为（籽粒∶叶∶茎∶根为45∶95∶95∶60），生物量比为（籽粒∶叶∶茎∶根为0.40∶0.09∶0.25∶0.26）；农田管理参数如作物的耕种与收获时间、耕种方式等均根据试验设计和当地田间管理进行设置。

1.4.3 模型验证

本研究使用决定系数（R²）和模型效率指数（EF）^［18］来评价模型的模拟效果。

R^{\mathrm{2}}={\left(\frac{{\sum }_{i=\mathrm{1}}^n{\left(Si-\overline{Si}\right)}^{\mathrm{2}}{(Mi-\overline{Mi})}^{\mathrm{2}}}{\sqrt[]{{\sum }_{i=\mathrm{1}}^n{\left(Si-\overline{Si}\right)}^{\mathrm{2}}{\sum }_{i=\mathrm{1}}^n{\left(Mi-\overline{Mi}\right)}^{\mathrm{2}}}}\right)}^{\mathrm{2}}（3）

EF=\mathrm{1}-\frac{{\sum }_{i=\mathrm{1}}^n{\left(Si-Mi\right)}^{\mathrm{2}}}{{\sum }_{i=\mathrm{1}}^n{(Si-\overline{Mi})}^{\mathrm{2}}}（4）

式中，n代表实际观测的次数，Si表示模拟值，Mi表示实测值，\overline{Si}是各模拟值的平均值，\overline{Mi}是各实测值的平均值。决定系数R²的值一般在0~1之间，越接近于1，表明模拟值与实测值拟合效果越好；模型效率指数EF的值在0~1之间，且越接近于1时，表明模拟值与实测值之间的关联度越大。

1.4.4 敏感性分析

为探究影响DNDC模型模拟N₂O排放的参数，本文以2021年模型模拟结果作为基础情景，选取年降水量、年平均温度、土壤pH值、土壤质地、表层SOC含量、施肥深度这6个参数作为敏感因子，以基础情景值为标准，在测试范围内调整（表1），依次输入到模型中进行敏感性分析。本文选用敏感度指数（SI）^［28］来量化各个参数对模拟N₂O排放的敏感程度。

SI=\frac{\left(O_{\mathrm{m}\mathrm{a}\mathrm{x}}-O_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)/O_{\mathrm{a}\mathrm{v}\mathrm{g}}}{\left(I_{\mathrm{m}\mathrm{a}\mathrm{x}}-I_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)/I_{\mathrm{a}\mathrm{v}\mathrm{g}}}（5）

式中：SI为敏感度指数；I_max和I_min分别为输入参数的最大值和最小值；O_max和O_min分别为输入参数I_max和I_min对应的输出结果。Iavg是输入参数的平均值，O_avg是输出结果的平均值。当SI>0时，表明模型的输出结果与给定输入参数成正相关；当SI<0时，表明模型的输出结果与给定输入参数成负相关。SI的绝对值越大，表明该输入参数对模型输出结果的影响越大。

1.5 数据来源及处理

使用Microsoft Excel 2016对数据进行整合，通过SPSS 26.0分析软件对数据进行分析，使用Origin 2021软件进行绘图，研究所使用的DNDC模型为9.5版本。

2 结果与分析

2.1 不同施肥水平下旱作麦田土壤N₂O排放特征

图1-A显示了2021年不同施肥水平下旱作春小麦生育期农田N₂O的排放变化。从图中可以看出，各处理的N₂O排放通量变化趋势和波动情况基本一致，均在6~7月出现排放高峰，且各处理（N₀、N₁、N₂、N₃）N₂O平均排放速率分别为：35.79、97.91、112.35、131.14 μg/（m²·h）。另外，如图1-B所示，各处理（N₀、N₁、N₂、N₃）生育期内N₂O累积排放量分别为1.08、3.10、3.61、3.64 kg/hm²。可见，随着施氮量的增加，N₂O排放量也随之增加。

2.2 模型的验证

利用2021年田间试验数据对DNDC模型进行验证。结果显示，4种施肥水平（N₀、N₁、N₂、N₃）下的决定系数（R²）分别为0.88、0.92、0.86、0.84，模型效率指数EF分别为：0.84、0.82、0.81、0.74，这些表明DNDC模型能够较好地模拟不同施肥水平下春小麦生育期N₂O的排放。从图3可知，各施肥水平下生育期N₂O排放通量以及变化趋势能够较好地被DNDC模型捕捉，但是对于单个时间点N₂O排放通量的模拟仍存在一定偏差。

2.3 敏感性分析

对表2中不同敏感因子的不同取值情况，进行敏感性分析，结果表明：

2.3.1 气候条件

如图4-A所示，在年平均温度为基础情景（8.69±4）℃范围内变化时，随着温度的增加，N₂O排放总量呈增加趋势，且年平均温度每上涨1 ℃，各处理的（N₀、N₁、N₂、N₃）N₂O排放总量分别增加17.47%、16.5%、14.55%、12.18%，各处理（N₀、N₁、N₂、N₃）的敏感度指数SI大小依次为：N₀>N₁>N₂>N₃。如图4-B所示，在年降水量为基础情景（430 mm）±40%范围内变化时，随着年降水量的增加，N₂O排放总量呈增加趋势，且年降水量每增加10%，各处理的N₂O排放总量平均增加4.5%。但由图4-B可知，年降水量从基础情景增加到40%的范围内，各处理N₂O排放的增加趋势并不明显。另外，从表3和表4可以看出，年均温度与年降水量在测试范围内变化时，各处理下N₂O排放量存在显著差异（P<0.05）。整体来看，在气候条件参数中，年平均温度是对模型模拟N₂O排放影响最为敏感的参数。

2.3.2 土壤性质

由图5-A可知，随着土壤pH值从酸到碱（6.36~10.36）的范围内变化时，N₂O排放总量呈递减趋势，且在pH值为6.36时，N₂O排放总量达到最大值。由图5-B~C可知，土壤容重和表层SOC含量分别以基础情景［（1.27、0.019）±40%］变化时，各处理的N₂O排放均呈现线性增加。其中，土壤容重每增加10%，N₂O排放总量平均增加18.94%；表层SOC含量每增加10%，N₂O排放总量平均增加20.92%。从表5~7可以看出，土壤pH值、表层SOC含量和土壤容重在测试范围内变化时，各处理下N₂O排放量存在显著差异（P<0.05）。另外，由表2可知，在土壤性质参数中，土壤pH值是影响N₂O排放模拟最为敏感的参数。

2.3.3 作物管理措施

本文涉及到的作物管理措施只有施肥深度，且以表施肥（0.2 cm）为基础情景。由图7可知，随着施肥深度增加，N₀处理的N₂O排放总量变化不明显；而其他3种处理的N₂O排放总量呈现先增加后降低的趋势，且均在施肥深度为10 cm时，达到最大值。此外，还发现当施肥深度为20 cm时，N₁、N₂和N₃处理的N₂O排放总量均小于表施肥。从表8还可以看出，施肥深度在测试范围内变化时，各处理的N₂O排放量存在显著差异（P<0.05）。

3 讨论

通过田间试验，本文发现在4种施肥水平下旱作春小麦田土壤N₂O排放的动态变化和排放高峰基本一致，且生育期各处理的N₂O平均排放通量与累积排放量大小表现为：N₃>N₂>N₁>N₀。由此可见，N₂O排放会随着施氮量的增加而增加，这与殷熙悦等^［29］的研究结果一致。本文结合田间试验数据和相关文献资料，对DNDC模型进行参数本地化，发现验证后的DNDC模型能够较好地模拟各施肥水平下旱作春小麦田生育期土壤N₂O的动态变化和排放高峰，且模拟值与实测值拟合较好。但是，模型对于单个时间节点的N₂O排放通量的模拟仍存在一定偏差。这可能是因为DNDC模型对农田土壤N₂O排放的模拟主要依靠土壤硝化作用和反硝化作用，而实际农田土壤产生N₂O的过程，除上述两个作用外，还包括硝化细菌反硝化作用、真菌反硝化作用以及化学反硝化作用等^［30］。另外，影响土壤硝化和反硝化作用的因素众多，这些在各种尺度水平上存在交互作用^［31］。因此，推测模型产生模拟偏差的原因可能是：（1） DNDC模型对农田土壤产生N₂O这一复杂过程并不没有完全考虑；（2） 室内外试验存在人为误差，也会导致输入模型的参数存在偏差，需要进一步调整优化^［32］。

通过模型参数敏感性分析，筛选出在模拟N₂O排放过程中的关键参数，这有利于简化模型和提高模型校准精度。本文对DNDC模型的6个输入参数模拟N₂O排放的敏感程度进行分析发现，在气候条件中，年平均气温是对N₂O排放模拟较为敏感的参数，而且随着气温增加，各施肥水平的N₂O排放也有所增加。Wang等^［33］也发现，增温能够显著增加土壤-冬小麦系统N₂O的累积量；王从等^［34］研究也表明，温度升高能够显著增加小麦季N₂O排放。这是因为温度作为陆地生态系统过程的重要驱动因子，能够改变土壤小气候，从而影响温室气体排放^［35］。有研究认为，N₂O排放对温度的响应是依赖于微生物变化的^［36-37］。同时，气温升高也会导致土壤水分加速流失，改变土壤通气条件，进而影响N₂O排放过程^［38］。另外，本文发现在土壤性质中，土壤pH值对模型模拟N₂O排放的敏感程度较大。随着pH值增加，各施肥水平的N₂O排放逐渐减少；当土壤pH达到6.36时，N₂O排放总量达到最大值，这与Stevens等^［39］研究发现较为相似（pH在6.5时，土壤N₂O产生较快）。这可能是因为不同的土壤pH值能够影响土壤生物化学反应的状态，而且在不同酸碱条件下，土壤酶活性会有所不同，这会影响土壤微生物活动中产生N₂O的速率和强弱。另外，还有研究发现，土壤pH 值介于3.8~8时，土壤微生物的反硝化速率和pH值之间存在显著的线性负相关关系^［40］；当土壤pH值增加，会提高土壤反硝化速率，促进N₂O还原为N₂，导致N₂O产生减少^［41］。在作物管理措施中，本文只探究了施肥深度对模拟N₂O排放的敏感程度。结果表明，随着施肥深度增加，N₁、N₂和N₃处理的N₂O排放总量呈现先增加后降低趋势。可见，氮肥深施可以在一定程度上减少N₂O排放。Rychel等^［42］研究也认为，深度施肥在提高作物产量和氮利用效率的同时可以减少土壤向大气排放N₂O。

4 结论

DNDC模型可以模拟陇中黄土高原不同施肥水平下旱作麦田土壤N₂O的排放特征，且模拟效果较好。通过对模型的六个输入参数进行敏感性分析发现，土壤pH值是影响模型模拟N₂O排放最为敏感的参数。然而，本文进行敏感性分析时，选取的输入参数较为有限，且仅仅基于点位角度进行了一定的模拟研究，今后还需要在模型全局敏感性分析和区域模拟方面做进一步研究和探讨。

参考文献

[1] Wang C， Geng L， Rodríguez-Casallas J D.How and when higher climate change risk perception promotes less climate change inaction［J］.Journal of Cleaner Production，2021，321：128952.

[2] Alves F， Schmidt L.Editorial：Climate change and society［J］.Frontiers in Sociology，2022，7：991193.

[3] Wang M， Liu Q， Yang X.A review of research on human activity induced climate change I：Greenhouse gases and aerosols［J］.Advances in Atmospheric Sciences，2004，21（3）：314-321.

[4] Highton M P， Bakken L R， Dörsch P，et al.Soil N₂O emission potential falls along a denitrification phenotype gradient linked to differences in microbiome，rainfall and carbon availability［J］.Soil Biology and Biochemistry，2020，150：108004.

[5] 肖杰.长期不同施肥下旱地塿土N₂O排放特征及模拟研究［D］.杨凌：西北农林科技大学，2019.

[6] Wang W， Han L， Zhang X，et al.Plastic film mulching affects N₂O emission and ammonia oxidizers in drip irrigated potato soil in northwest China［J］.Science of The Total Environment，2021，754：142113.

[7] 张凡，王政，李旭祥.西北旱区农田土壤N₂O排放空间变化特征及影响因素探讨［J］.地球环境学报，2016，7（3）：301-307.

[8] 甘润，齐鹏，郭高文，等.磷添加对陇中黄土高原旱作农田土壤呼吸组分特征与碳平衡的影响［J］.农业环境科学学报，2023，42（3）：599-611.

[9] 彭亚敏.陇中旱作农田土壤呼吸对氮磷添加的响应及影响因素［D］.兰州：甘肃农业大学，2021.

[10] 王晓娇.不同施肥措施下陇中黄土高原旱作玉米农田生态系统碳平衡及其土壤碳库稳定性研究［D］.兰州：甘肃农业大学，2021.

[11] 徐玉秀，郭李萍，谢立勇，等.中国主要旱地农田N₂O背景排放量及排放系数特点［J］.中国农业科学，2016，49（9）：1729-1743.

[12] Wang S， Luo S， Li X，et al.Effect of split application of nitrogen on nitrous oxide emissions from plastic mulching maize in the semiarid Loess Plateau［J］.Agriculture，Ecosystems & Environment，2016，220：21-27.

[13] 陈慧，高丽萍，廖庆喜，等.肥料减量深施对土壤N₂O排放和冬油菜产量的影响［J］.农业工程学报，2020，36（21）：80-87.

[14] Shcherbak I， Millar N， Robertson G P.Global metaanalysis of the nonlinear response of soil nitrous oxide （N₂O） emissions to fertilizer nitrogen［J］.Proceedings of the National Academy of Sciences of the United States of America，2014，111（25）：9199-9204.

[15] 李玥，巨晓棠.农田氧化亚氮减排的关键是合理施氮［J］.农业环境科学学报，2020，39（4）：842-851.

[16] Kariyapperuma K A， Wagner-Riddle C， Furon A C，et al.Assessing spring thaw nitrous oxide fluxes simulated by the DNDC model for agricultural soils［J］.Soil Science Society of America Journal，2011，75（2）：678-690.

[17] Deng J， Li C， Burger M，et al.Assessing short‐term impacts of management practices on N₂O emissions from diverse mediterranean agricultural ecosystems using a biogeochemical model［J］.Journal of Geophysical Research：Biogeosciences，2018，123（5）：1557-1571.

[18] 王立为，郭康军，李鸣钰，等.基于DNDC模型多因子对马铃薯田N₂O排放和产量的影响研究［J］.生态环境学报，2019，28（6）：1141-1151.

[19] Jiang R， Yang J Y， Drury C F，et al.Assessing the impacts of diversified crop rotation systems on yields and nitrous oxide emissions in Canada using the DNDC model［J］.Science of The Total Environment，2021，759：143433.

[20] Li C， Frolking S， Frolking T A.A model of nitrous oxide evolution from soil driven by rainfall events：1.Model structure and sensitivity［J］.Journal of Geophysical Research：Atmospheres，1992，97（D9）：9759-9776.

[21] 邹凤亮，曹凑贵，马建勇，等.基于DNDC模型模拟江汉平原稻田不同种植模式条件下温室气体排放［J］.中国生态农业学报，2018，26（9）：1291-1301.

[22] 杨宇宇.基于DNDC模型的全球农田N₂O和NH₃排放估算［D］.兰州：兰州大学，2022.

[23] Zhao Z， Cao L， Deng J，et al.Modeling CH₄ and N₂O emission patterns and mitigation potential from paddy fields in Shanghai，China with the DNDC model［J］.Agricultural Systems，2020，178：102743.

[24] 赵苗苗，邵蕊，杨吉林，等.基于DNDC模型的稻田温室气体排放通量模拟［J］.生态学杂志，2019，38（4）：1057-1066.

[25] Qiu J， Li C， Wang L，et al.Modeling impacts of carbon sequestration on net greenhouse gas emissions from agricultural soils in China：C sequestration versus Green House gases［J］.Global Biogeochemical Cycles，2009，23（1）：GB1007.

[26] 杜梦寅，袁建钰，李广，等.保护性耕作对黄土高原半干旱区农田土壤N₂O排放的影响［J］.干旱区研究，2022，39（2）：493-501.

[27] 姚瑶，李广，王钧，等.不同耕作措施下旱作春小麦农田二氧化碳排放模拟及敏感性分析［J］.干旱地区农业研究，2021，39（3）：171-178.

[28] Walker S E， Mitchell J K， Hirschi M C，et al.Sensitivity analysis of the root zone water quality model［J］.Transactions of the Asae，2000，43（4）：841-846.

[29] 殷熙悦，殷文，樊志龙，等.绿肥还田及减施氮肥对绿洲灌区小麦产量和土壤CO₂、N₂O排放的影响［J］.甘肃农业大学学报，2022，57（1）：48-55.

[30] 曹文超，宋贺，王娅静，等.农田土壤N₂O排放的关键过程及影响因素［J］.植物营养与肥料学报，2019，25（10）：1781-1798.

[31] 尹释玉.农田N₂O排放研究进展［J］.绿色科技，2016（12）：152-154.

[32] 陈劲丰，岳遥.田间管理措施及土壤侵蚀对农田温室气体通量的影响［J］.北京大学学报（自然科学版），2020，56（3）：491-499.

[33] Wang Y， Hu Z， Shang D，et al.Effects of warming and elevated O₃ concentrations on N₂O emission and soil nitrification and denitrification rates in a wheat-soybean rotation cropland［J］.Environmental Pollution，2020，257：113556.

[34] 王从，李舒清，刘树伟，等.大气CO₂浓度和温度升高对稻麦轮作生态系统N₂O排放的影响［J］.中国农业科学，2018，51（13）：2535-2550.

[35] Liu L， Wang X， Lajeunesse M J，et al.A cross-biome synthesis of soil respiration and its determinants under simulated precipitation changes［J］.Global Change Biology，2016，22（4）：1394-1405.

[36] Wang H， Zhao R， Zhao D，et al.Microbial-mediated emissions of greenhouse gas from farmland soils：A review［J］.Processes，2022，10（11）：2361.

[37] 崔培媛.施肥、硝化抑制剂和温度对农田土壤N₂O释放的影响及其微生物驱动机制［D］.北京：中国农业科学院，2016.

[38] McHale P J， Mitchell M J， Bowles F P.Soil warming in a northern hardwood forest：trace gas fluxes and leaf litter decomposition［J］.Canada Journal of Forest Research，1998，28：1356-1372.

[39] Stevens R J， Laughlin R J， Malone J P.Soil pH affects the processes reducing nitrate to nitrous oxide and di-nitrogen［J］.Soil Biology and Biochemistry，1998，30（8/9）：1119-1126.

[40] Daum D， Schenk M K.Influence of nitrogen concentration and form in the nutrient solution N₂O and N₂ emissions from a soilless culture system［J］.Zeitschrift für Pflanzenernährung und Bodenkunde，1996，159（6）：557-563.

[41] 曹文超，郭景恒，宋贺，等.设施菜田土壤pH和初始C/NO₃ ^-对反硝化产物比的影响［J］.植物营养与肥料学报，2017，23（5）：1249-1257.

[42] Rychel K， Meurer K H E， Börjesson G，et al.Deep N fertilizer placement mitigated N₂O emissions in a Swedish field trial with cereals［J］.Nutrient Cycling in Agroecosystems，2020，118（2）：133-148.

基金资助

甘肃省重点研发计划项目(22YF7FA116)

国家自然科学基金项目(32160416)

甘肃省优秀博士生项目(22JR5RA843)

甘肃省财政专项(GSCZZ20160909)