基于DNDC模型的不同耕作措施红壤坡耕地CO₂排放规律研究

Study on CO₂ emission patterns under different tillage practices in red soil sloping farmland based on DNDC model

摘要

目的 揭示红壤坡耕地不同耕作措施下土壤CO₂排放规律及其关键影响因子，评价DNDC模型在该情景下模拟CO₂排放的适用性，为红壤坡耕地低碳耕作措施优选及DNDC模型改进提供科学依据。 方法 以云南省红壤坡耕地为研究对象，设置覆膜耕作（PM）、顺坡垄作（DT）、传统耕作（CT）和横坡垄作（RT）4种典型耕作措施试验小区，基于2023—2024年连续2年田间试验数据，分析了不同耕作措施条件下红壤坡耕地水热条件、作物产量及土壤CO₂排放差异，评估DNDC模型的适用性，并结合结构方程模型（SEM）与敏感性分析方法，探究了耕作措施对红壤坡耕地土壤CO₂排放的影响机制。 结果 DNDC模型能够较好地模拟不同耕作措施土壤温度变化〔均方根误差RMSE为2.64~4.73，一致性指标d为0.62~0.90，相关性指标r（皮尔逊相关系数）为0.48~0.93〕，以及作物产量的大小关系（CT<DT<RT<PM），对土壤含水率的模拟精度相对较弱（均方根误差RMSE为11.25~27.09，一致性指标d为0.31~0.66，相关性指标r为-0.34~0.80）。DNDC模型对不同耕作措施土壤CO₂排放通量变化也具有较好的表征能力（RMSE为52.55~83.51，d为0.71~0.97，r为0.51~0.95），可较好模拟土壤CO₂排放总量的大小关系（CT<RT<DT<PM），但会存在一定程度的高估现象。土壤CO₂排放通量介于75.21~630.00 mg/（m² · h），随作物生育期呈先升后降趋势，强降雨后出现“Birch效应”。 结论 DNDC模型能较好模拟红壤坡耕地不同耕作措施土壤CO₂排放过程。不同耕作措施土壤CO₂排放总量大小关系为CT<RT<DT<PM，其中RT表现出兼顾降低CO₂排放与保障产量的潜在优势。结构方程模型和敏感性分析结果表明：降雨量、气温、SOC、土壤含水率、孔隙度、容重、土壤温度是影响红壤坡耕地土壤CO₂排放的主要驱动因素。

Abstract

Objective This study elucidates the patterns of soil CO₂ emissions and their key influencing factors under different tillage practices in red soil sloping cropland， evaluates the applicability of the DeNitrification-DeComposition （DNDC） model for simulating CO₂ emissions under this scenario， and provides a scientific basis for optimizing low-carbon tillage practices and improving the DNDC model for red soil sloping cropland. Methods Red soil sloping cropland in Yunnan Province was selected as the study area， and experimental plots were established for four typical tillage practices： plastic mulching （PM）， downslope ridge tillage （DT）， conventional tillage （CT）， and contour ridge tillage （RT）. Based on two consecutive years （2023—2024） of field experiment data， differences in hydrothermal conditions， crop yield， and soil CO₂ emissions under different tillage practices were analyzed， and the applicability of the DNDC model was evaluated. In addition， the mechanisms by which tillage practices influence soil CO₂ emissions in red soil sloping cropland were explored using structural equation modeling （SEM） and sensitivity analysis. Results The DNDC model adequately simulated soil temperature variations under different tillage practices 〔root mean square error （RMSE）=2.64~4.73； index of agreement （d）=0.62~0.90； correlation coefficient （r， Pearson）=0.48~0.93）〕. The model also correctly captured the rank order of crop yields （CT<DT<RT<PM）. However， the simulation accuracy for soil moisture was relatively lower （RMSE=11.25~27.09； d=0.31~0.66； r=-0.34~0.80）. The DNDC model also demonstrated good performance in characterizing variations in soil CO₂ fluxes under different tillage practices （RMSE=52.55~83.51； d=0.71~0.97； r=0.51~0.95）. It reasonably reproduced the rank order of total soil CO₂ emissions （CT<RT<DT<PM）， although a certain degree of overestimation was observed. Soil CO₂ fluxes ranged from 75.21 to 630.00 mg/（m² · h）， showing an initial increase followed by a decrease during the crop growing season， with a pronounced ‘Birch effect’ after intense rainfall events. Conclusion The DNDC model can effectively simulate soil CO₂ emission processes under different tillage practices in red soil sloping cropland. Total soil CO₂ emissions under different tillage practices follow the order CT<RT<DT<PM， with RT showing a potential advantage in simultaneously reducing CO₂ emissions and maintaining crop yield. Results from structural equation modeling and sensitivity analysis indicate that precipitation， air temperature， soil organic carbon （SOC）， soil moisture， porosity， bulk density， and soil temperature are the primary driving factors of soil CO₂ emissions in red soil sloping cropland.

Graphical abstract

关键词

土壤CO₂排放 / DNDC模型 / 红壤坡耕地 / 耕作措施 / 固碳增产

Key words

soil CO₂ emissions / DNDC model / red soil sloping farmland / tillage practices / carbon sequestration and yield enhancement

气候变化正以前所未有的速度影响全球生态系统与农业生产。政府间气候变化专门委员会第六次评估报告（Intergovernmental Panel on Climate Change Sixth Assessment Report， IPCC AR6）指出，近20年来全球平均地表温度较1850—1900年升温约0.99 ℃（0.84~1.10 ℃）^［1］。其中二氧化碳（CO₂）对全球变暖的贡献率超过了60%^［2］。农业土壤既是大气CO₂的重要排放源，也是潜在的碳汇主体，在缓解气候变化中承担双重角色^［3］。在这一背景下，如何通过农田管理措施实现减排增汇、提升耕地利用效率，成为当前农业绿色转型亟待解决的重要问题。

耕作措施是农业生产中最直接、可调控性最强的管理因子。已有研究表明，不同耕作措施通过改变土壤理化性质与水热环境，显著影响碳循环过程和温室气体排放^［4］，合理的耕作措施可在一定程度上缓解温室效应，实现农业减排与增产的双重目标^［5］。云南省作为我国坡耕地的重要分布区，耕作措施种类多样。全省现有坡耕地472.55万hm²，占耕地面积的69.79%，平均坡度15.62°^［6］。其中，红壤是云南坡耕地的主要土壤类型，分布广泛，约占全省坡耕地面积的60%以上。该类土壤普遍存在养分贫瘠、有机质含量低、酸性强及侵蚀敏感等特性，且云南坡耕地空间分布呈现出“东多西少、南多北少”的格局，多集中在1 500~2 500 m的海拔带上，这些区域往往伴随坡度较大、水土流失强烈等问题^［6］。此外，云南属于典型的亚热带高原山地季风气候区，降水时空分布不均、季节差异明显，常年年均降水量在800~1 200 mm，且70%以上集中在6—9月，叠加较大的地形起伏，使得土壤侵蚀与碳排放风险进一步加剧^［7］。因此云南成为了探索红壤坡耕地不同耕作措施调控CO₂排放规律的理想样区。

随着作物模型研究的不断深入，以DNDC（DeNitrification-DeComposition model）模型为代表的过程驱动型模型在模拟农业温室气体研究中得到广泛应用^［8］。国内外学者运用DNDC模型进行了大量农田土壤CO₂排放研究。在农田土壤CO₂排放模拟中，DNDC模型能很好地模拟不同轮作制度下土壤CO₂排放的季节性动态特征^［9］。赵黎雯等^［10］的研究表明，DNDC模型可以较好模拟红壤花生地常规耕作与免耕措施下土壤温度与作物产量，对土壤含水率的模拟结果较差，因此有必要优化模型内部关于降雨的默认公式。韩东亮等^［11］运用参数优化后的DNDC模型有效模拟了土壤中有机碳动态变化。目前，DNDC模型的应用多集中于黑土区、黄土高原、滨海湿地等区域，且以对农田温室气体排放的模拟研究为主，变量多为以碳氮输入为代表的土壤肥力指标，而运用DNDC模型探究红壤坡耕地不同耕作措施下土壤CO₂排放规律的研究还较为缺乏。已有研究成果大多关注单一或少数因子的独立模拟，尚未深入探讨土壤CO₂排放的内部调控路径与外源因子的协同驱动机制。因此，开展DNDC模型在红壤坡耕地不同耕作措施条件下的土壤CO₂排放研究，系统评估不同耕作措施土壤CO₂排放规律，对于推动农业温室气体减排的科学量化与优化模型在红壤坡耕地区的预测精度和适用性具有重要意义。

鉴于此，本研究以云南省红壤坡耕地为对象，通过布设4种典型耕作措施试验小区，结合连续2 a的田间观测数据，评估DNDC模型在不同耕作措施红壤坡耕地土壤CO₂排放模拟中的适用性，探究不同耕作措施对土壤CO₂排放的影响。研究旨在揭示不同耕作措施调控土壤水热环境对CO₂排放的作用机制，并探索同时具有减排与增产潜力的耕作方式，为红壤坡耕地绿色低碳耕作模式的筛选和DNDC模型在红壤坡耕地不同耕作措施条件下的应用与改进提供参考。

1 材料与方法

1.1 研究区概况

本研究在云南农业大学节水灌溉试验中心（25°07′56″N，102°44′51″E，海拔1 930 m）进行。该区域地处亚热带高原山地季风气候带，是西南季风与东南季风交会区，表现出典型的高原气候特征，光照充足，霜期较短，雨热同期。年均日照时长达2 327.5 h，无霜期约308 d，平均气温14.9 ℃。降雨主要分布在5—10月，占全年降水量的85%，多年降水均值为1 000.5 mm，相对湿度平均为76%，属于典型的雨养农业区。供试试验小区土壤采自云南农业大学后山教学试验农场坡耕地，为典型红壤坡耕地的重要组成部分，按照卡钦斯基制土壤分类，该土壤质地属中黏土。土壤有机碳、全氮、有效磷和速效钾含量分别为13.01 g/kg，0.69 g/kg，3.50 mg/kg，73.21 mg/kg。

1.2 试验设计

本研究定位观测试验于2023—2024年进行。基于云南省红壤坡耕地的典型耕作模式，共布设4种耕作处理方式（详见图1）：传统耕作（Conventional Tillage， CT，未起垄直接种植）、覆膜耕作（Plastic Mulching， PM，在CT基础上覆盖地膜）、顺坡垄作（Downslope Ridge Tillage， DT，垄向与坡向一致，垄高10 cm，每个试验小区布设3垄）以及横坡垄作（Contour Ridge Tillage， RT，垄向垂直于地块坡向，垄高10 cm，每个试验小区布设4垄），所有处理均设3次重复，共计12个小区，采用随机区组设计。小区框体为不锈钢材质，规格为160 cm（长）×80 cm（宽）×30 cm（深），依据南方红壤坡耕地坡度分布特征，试验小区坡度统一设定为10°。每个小区填充30 cm厚的红壤原状耕层土（该厚度为该区域耕层常见范围（25~35 cm）的中值），并通过多次缓慢灌水方式使土壤沉实，达到与自然状态接近的容重后开始播种。

玉米播种时间分别为2023年6月21日与2024年7月10日，种植采用常规单行穴播方式，每穴播2粒，行间距40 cm、株距30 cm，密度折算约为9万株/hm²。供试作物为玉米品种“隆单1604”。玉米生育期划分为前中后3个阶段，各阶段的管理措施参照当地农业实际。

1.3 CO₂采集与测定

本研究土壤CO₂排放通量数据采用“静态箱-气相色谱”法观测，CO₂浓度由GS-8900A型气相色谱仪测定。用于封闭采样的静态暗箱由不透光PVC材质制成，尺寸为35 cm×35 cm×50 cm。为降低太阳直射对箱内气体温度的影响，箱体外部涂覆防晒隔热涂料。箱盖顶部安装有小型风扇，作用为搅动内部气体，保障箱内混合气体的均匀性，同时顶部设有采气口以便气体收集。为避免采样过程中干扰土壤环境，试验前将静态箱的底座提前固定在各小区内，埋设深度为15 cm。底座区域不进行玉米种植，顶部设计有一个5 cm深的凹槽，用于安装暗箱并实现水封密闭，防止内外气体交换。玉米播种后一周内开始进行CO₂采样，直至作物收获结束。采样时间一般安排在上午9：00，频率为每周一次，遇强降雨天气则顺延至降雨结束后进行。

取样前，向底座凹槽注水密封后盖上暗箱，启动风扇搅拌10 s后关闭，然后使用60 ml注射器采集气体。每次采样量为50 ml，注入专用气袋，分别在0，10，20，30 min共4个时间点取样以获得通量变化速率数据。气体采样同步记录箱内温度，使用顶部温度计读数。同时，分别利用TDR300土壤水分仪和JM624型土壤温度计对采样点的土壤体积含水率及温度进行测量，作为分析CO₂排放通量的重要环境背景因子。

土壤CO₂排放通量计算式为：

F=\rho H\times \frac{\mathrm{273}}{\mathrm{273}+T}\times \frac{\mathrm{d}c}{\mathrm{d}t}（1）

式中：F为CO₂排放通量〔mg/（m² · h）〕；\rho为标准状态下CO₂气体密度，取1.964（kg/m³）；H为静态箱的高度，取0.5（m）；T为采样过程中静态箱内的平均温度（℃）；\frac{\mathrm{d}c}{\mathrm{d}t}为采样过程中静态箱内气体浓度随时间的变化率，根据0，10，20，30 min共4个时刻采集的气体浓度的线性回归斜率分析得，单位为ml/（m³ · h）。

土壤CO₂累计排放量计算式为：

M={\displaystyle \sum _{i=\mathrm{1}}^n}\frac{\mathrm{24}\times \left(F_{i+\mathrm{1}}+F_i\right)\times \left(t_{i+\mathrm{1}}-t_i\right)}{\mathrm{2}\times \mathrm{100}}（2）

式中：M为土壤CO₂累计排放量（kg/hm²）；F_{i+\mathrm{1}}，F_i为第i次温室气体CO₂排放通量〔mg/（m² · h）〕；n为全生育期内总采样次数；t_{i+\mathrm{1}}，t_i为第i+\mathrm{1}，i次采样时间（d）。

1.4 DNDC模型

1.4.1 模型介绍

DNDC模型是一种过程驱动型模型，能够模拟农田生态系统中碳氮元素在植物与土壤系统中的迁移与转化过程，并反映这些元素在生物、化学与地理过程相互作用下的动态变化。该模型以气候、土壤、植被和人类管理措施等多种驱动因子作为输入，量化估算作物生长、土壤有机质分解、氮素转化过程及温室气体排放路径等关键生态过程。DNDC模型包含气候土壤、作物生长、分解、硝化、反硝化和发酵6个相互作用的子模块，能较为全面地反映农田土壤碳氮转化与排放机制。DNDC模型将土壤CO₂排放模拟建立在微生物介导的有机碳分解过程上。模型将有机碳（SOC）划分为多个碳库（包括微生物残体、可溶性有机碳、凋落物、腐殖质等）并采用有机碳库分解速率方程〔公式（3）〕对其分解过程进行建模。

\frac{\mathrm{d}C}{\mathrm{d}t}=\mathrm{C}\mathrm{N}\mathrm{R}\times \mu \times 〔S\times K_{\mathrm{1}}+\left(\mathrm{1}-S\right)\times K_r〕\times C（3）

式中：C为有机碳含量（kg C/hm²）；t为时间（d）；S为有机碳化合物的易分解部分；\left(\mathrm{1}-S\right)为抗性部分；K_{\mathrm{1}}为易分解部分的特定分解率（SDR）（d^-1），其中SDR取值为0.074，0.074，0.02，0.33，0.04，0.16，0.006；K_{\mathrm{r}}为抗性部分的SDR（d^-1）；\mu为温度和湿度因子；\mathrm{C}\mathrm{N}\mathrm{R}为碳氮比减少因子。

在模拟SOC转化成CO₂的路径中，DNDC模型进一步引入公式（4）用来描述可溶性有机碳（Dissolved Organic Carbon， DOC）与电子受体（如氧气）共同限制下的微生物呼吸产生CO₂的过程。

F_{\mathrm{o}}=a\times \frac{\mathrm{D}\mathrm{O}\mathrm{C}}{b+\mathrm{D}\mathrm{O}\mathrm{C}}\times \frac{o}{c+o}（4）

式中：F_{\mathrm{o}}为单位时间内被还原的氧化剂的比例（%）；\mathrm{D}\mathrm{O}\mathrm{C}为溶解有机碳的浓度（mol/L）；o为氧化还原系统中主要氧化剂的浓度（mol/L）；a，b，c为模型中的系数。

1.4.2 模型输入参数

本研究基于模型模拟需求收集并测量相关数据，利用2023年玉米地实测数据对DNDC模型部分默认参数进行校正，并采用2024年实测数据对校准后的模型模拟结果进行验证。气象数据来源于试验地自动气象站，并对其中异常值进行修正。两年玉米生育期内最高气温、最低气温、平均气温及降雨量详见图2。土壤与作物相关参数均通过田间采样与实验室检测获得，具体指标见表1。

1.4.3 模型验证

采用均方根误差（Root Mean Square Error， RMSE）、一致性指标（d）和相关性系数（r）3个统计参数评价DNDC模型的模拟效果。其中均方根误差RMSE的值越小，模型模拟值与实测值的误差越小。一致性指标d取值范围为0~1。d越接近1，说明模拟值与实测值的一致性越高。相关性系数r取值范围为-1~1。r越接近1或-1，模拟值与实测值的相关性越高，正负号表示方向。

\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt[]{\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-p_i\right)}^{\mathrm{2}}}（5）

式中：y_i为实测值；p_i为模拟值；n为样本数量。

d=\mathrm{1}-\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-p_i\right)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(\left|p_i-y_{\mathrm{a}\mathrm{v}\mathrm{g}}\right|+\left|y_i-y_{\mathrm{a}\mathrm{v}\mathrm{g}}\right|\right)}^{\mathrm{2}}}（6）

式中：y_{\mathrm{a}\mathrm{v}\mathrm{g}}为实测值的平均值；y_i为实测值；p_i为模拟值；n为样本数量。

r=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}\left(y_i-y_{\mathrm{a}\mathrm{v}\mathrm{g}}\right)\left(p_i-p_{\mathrm{a}\mathrm{v}\mathrm{g}}\right)}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-y_{\mathrm{a}\mathrm{v}\mathrm{g}}\right)}^{\mathrm{2}}{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(p_i-p_{\mathrm{a}\mathrm{v}\mathrm{g}}\right)}^{\mathrm{2}}}}（7）

式中：p_{\mathrm{a}\mathrm{v}\mathrm{g}}为模拟值的平均值；y_{\mathrm{a}\mathrm{v}\mathrm{g}}为实测值的平均值；y_i为实测值；p_i为模拟值；n为样本数量。

1.5 敏感性分析

在不同气候条件、土壤性质和耕作措施下，各输入因子对土壤CO₂的排放影响程度不同。为定量评估各因子对CO₂排放的影响强度，本研究以2023年气象数据和4种耕作措施田间实测土壤指标为基准，选取降雨量、气温、空气中CO₂含量、pH值、田间持水率、SOC含量、耕作深度、施肥量等因子进行模拟分析。根据输出结果计算其对CO₂排放的敏感性程度，敏感性指数计算公式如下：

S=\frac{\left(O_{\mathrm{2}}-O_{\mathrm{1}}\right)/O_{\mathrm{a}\mathrm{v}\mathrm{g}}}{\left(I_{\mathrm{2}}-I_{\mathrm{1}}\right)/I_{\mathrm{a}\mathrm{v}\mathrm{g}}}（8）

式中：S为敏感性指数；I_{\mathrm{1}}，I_{\mathrm{2}}为输入参数最大值和最小值；I_{\mathrm{a}\mathrm{v}\mathrm{g}}为输入参数均值；O_{\mathrm{1}}，O_{\mathrm{2}}为输入参数I_{\mathrm{1}}，I_{\mathrm{2}}相应的输出结果；O_{\mathrm{a}\mathrm{v}\mathrm{g}}为输出目标观测结果平均值。

敏感性指数S反映输入参数变动对输出结果的相对影响程度。当S>0时，目标观测项与输入参数呈正相关；当S<0时，目标观测项与输入参数呈负相关。S的绝对值越大，表示该参数对模型输出的敏感性越强。

1.6 数据分析方法

本研究基础数据处理采用Microsoft Excel 2019进行，相关图形绘制使用Power Point和Origin 2021软件，采用SPSS 20.0软件进行统计分析，使用单因素方差分析和Duncan多重比较法检验不同耕作处理及作物不同生育期间各指标的差异显著性。

2 结果与分析

2.1 玉米季土壤温度、土壤含水率和产量模拟

2.1.1 土壤水热条件模拟

采用DNDC模型对2023—2024年玉米生育期不同耕作措施下的土壤温度和含水率进行模拟，结果见表2。从表中可看出，各措施0—10 cm土层的土壤含水率、土壤温度无显著性差异（p>0.05）。对比实测值和模拟值发现，不同措施土壤含水率实测值与模拟值的RMSE为11.25~27.09，d为0.31~0.66，除2023年DT措施r为-0.34外，其余r范围为0.45~0.8。土壤温度实测值与模拟值的RMSE为2.47~4.73，d为0.64~0.90，r为0.48~0.92。相比之下，模型对土壤温度模拟效果整体优于土壤含水率。具体到4种耕作措施，CT与RT措施模拟精度较高，两年间土壤含水率各指标值RMSE为11.25~16.56，d为0.42~0.66，r为0.45~0.80，土壤温度各指标值RMSE为2.47~4.57，d为0.62~0.90，r为0.48~0.93，PM措施的土壤含水率和土壤温度的模拟精度次之，DT措施的土壤含水率模拟值偏离实测值较大，两年间RMSE值均为4种耕作措施中最大值。综合来看，DNDC模型对红壤坡耕地4种耕作措施土壤含水率与土壤温度的模拟精度排序为，RT>CT>PM>DT。

综上所述，DNDC模型对不同耕作措施的土壤含水率和土壤温度具有较好的模拟精度，其中对土壤温度的模拟效果优于土壤含水率。

2.1.2 玉米产量模拟

产量模拟是作物模型较为重要的功能，产量模拟的精度状况也是评价作物模型整体模拟效果的重要环节。采用DNDC模型模拟不同耕作措施下玉米产量，并与田间实测数据对比，结果如图3所示。在同一年份中不同耕作措施间玉米产量具有显著的差异（p<0.05）。除DT措施在不同年份间产量具有显著性差异外（p<0.05），其余耕作措施均无显著性差异（p>0.05）。

整体来看，PM处理在2年中均表现出最高产量，实测值分别为9 321.51 kg/hm²（2023年）和9 887.12 kg/hm²（2024年），模拟值则分别达到9 651.11 kg/hm²，10 297.78 kg/hm²。RT处理同样表现出较高的产量，2023年、2024年实测值分别为9 421.37 kg/hm²，9 552.35 kg/hm²，模型模拟值为9 557.78 kg/hm²，10 095.56 kg/hm²。DT处理产量在两年内略有提升，实测产量从8 867.95 kg/hm²上升至9 424.28 kg/hm²，对应的模拟值为9 288.89 kg/hm²，9 777.78 kg/hm²。相较而言，CT处理产量始终处于最低水平，2023年实测值为8 565.65 kg/hm²，2024年为9 016.33 kg/hm²，模拟值分别为9 486.67 kg/hm²，10 075.56 kg/hm²。结合2 a玉米产量的实测值与模拟值来看，DNDC模型的模拟值高于实测值，但模型能较好地再现其年际增长趋势，并准确反映年际产量变化与不同耕作方式的相对产量差异。总体而言，DNDC模型能够较好地模拟不同耕作措施下玉米产量的大小关系。

2.2 不同耕作措施下土壤CO₂排放特征

2.2.1 DNDC模型对土壤CO₂排放预测的精度评价

采用DNDC模型对4种耕作措施下玉米季土壤CO₂排放通量进行模拟对比。由表3可知，2023—2024年PM措施的土壤CO₂排放通量实测值与模拟值RMSE为76.19，83.51，d为0.92，0.82，r为0.87，0.71；DT措施RMSE为64.21，61.10，d为0.94，0.87，r为0.89，0.80；CT措施RMSE为59.46，52.55，d为0.94，0.71，r为0.90，0.51；RT措施RMSE为53.09，68.02，d为0.97，0.85，r为0.95，0.79。整体来看4种耕作措施的均方根误差RMSE分布在52.55~83.51，一致性指标d分布在0.71~0.97，相关性指标值r为0.51~0.95。上述分析表明，尽管DNDC模型在模拟红壤坡耕地不同耕作措施土壤CO₂排放通量时存在一定的误差（RMSE范围52.55~83.51），但较高的一致性（d范围0.71~0.97）和相关性（r范围0.51~0.95）表明DNDC模型能较好地模拟不同耕作措施下土壤CO₂排放通量的变化趋势。

2.2.2 土壤CO₂排放通量

采用DNDC模型模拟4种耕作措施下玉米季CO₂排放通量，并与实测值进行对比分析。如图4所示，4种耕作措施下土壤CO₂排放通量范围均在75.21~630.00 mg/（m² · h），整体表现出随玉米生长过程呈现先升高后降低的波动趋势。具体来看，排放峰值大多出现在玉米生育前中期（7月中下旬—8月中旬），这段时期气温较高且降雨频繁，土壤呼吸作用显著增强。尤其在强降雨事件后，各措施土壤CO₂排放通量迅速增加，体现出明显的降雨响应特征（Birch效应）。相较之下，在较小的降雨事件（如日降雨量<6 mm）发生期间，各处理的土壤CO₂排放通量变化不明显，未能形成显著的峰值。综上，DNDC模型能较好地模拟不同耕作措施下的“Birch效应”，但对小降雨事件不敏感。

不同耕作措施对土壤CO₂排放通量的影响存在一定差异。整体上，PM的土壤CO₂排放通量较其他措施偏高，且波动剧烈。DT与RT措施的排放通量次之，且两者的CO₂排放通量变化趋势相似，但RT相较DT措施表现出排放通量较低且稳定的特点。CT措施下的CO₂排放通量最低，且排放通量随时间的波动幅度较小，但变化趋势与其他措施一致。这说明DNDC模型能有效刻画降雨驱动下土壤呼吸增强的特征过程，能够较好地模拟不同耕作措施下CO₂排放的规律，具备模拟红壤坡耕地不同耕作措施下土壤CO₂排放变化的适用性。

2.2.3 土壤CO₂排放累计排放量

图5为2023—2024年不同耕作措施下玉米全生育期土壤CO₂排放总量的模拟值与实测值对比。结果表明，两年间不同耕作措施下土壤CO₂排放总量整体趋势为CT<RT<DT<PM。具体来看，PM在两年中累计排放量均高于其他措施，2023年与2024年累计排放量分别达到11 916.96 kg/hm²和9 692.01 kg/hm²。DT两年间的累计排放量仅次于PM分别为11 551.80 kg/hm²和9 439.46 kg/hm²。相比之下RT和CT在两年中累计排放量最低，分别为9 882.73 kg/hm²和8 707.22 kg/hm²与9 829.93 kg/hm²和8 549.58 kg/hm²。整体而言，DNDC模型模拟的CO₂排放总量大小关系与实测值相一致。除CT措施2024年模拟值低于实测值外，其余措施模拟值均高于实测值。这说明DNDC模型虽能较好地模拟不同耕作措施下红壤坡耕地CO₂排放总量的大小关系，但会存在一定的高估现象。

2.3 DNDC模型预测土壤CO₂排放的敏感性分析

为深入探讨红壤坡耕地土壤CO₂排放的主要驱动因子，本研究选取关键气候因子（生长季降雨总量、生长季气温平均值、空气中CO₂浓度）、土壤理化性质（SOC、pH值、土壤孔隙度、土壤含水率）及农田管理措施（施肥量、耕作深度）进行敏感性分析。在基准值基础上，对各变量进行80%~120%扰动，并计算敏感性指数S，以评估不同因素对土壤CO₂排放的影响程度。

敏感性分析结果见表4。结果表明，选取的9个指标中生长季空气CO₂含量、生长季气温、SOC、土壤含水率、尿素施用量对土壤CO₂排放总量呈正相关；生长季降雨量、pH值、土壤孔隙度、耕作深度为负相关。结果表明，SOC和pH值对土壤CO₂排放总量影响较大，不同耕作措施下的敏感性指数S范围值为（1.300~1.380）和（-0.890~2.040）；土壤含水率和生长季气温，对土壤CO₂排放的影响敏感性指数范围为（0.562~1.360）、（0.415~0.547）；生长季空气CO₂含量（0.010~0.018）、土壤孔隙度（-0.060~0.080）、耕作深度（0~0.015）、尿素施用量（0~0.028）对土壤CO₂排放总量的敏感性较小。

3 讨 论

3.1 耕作措施对红壤坡耕地土壤CO₂排放的影响

研究表明，耕作措施通过影响土壤物理结构，进而调控土壤水热与通气条件，并最终影响CO₂排放^［12］。耕作扰动强度和覆盖条件首先影响土壤孔隙度和连通性等结构特征，这些结构改变会引起土壤含水率、温度和通气效率的变化。同时不同耕作措施对降雨、气温等气象因子的响应程度也有所不同，这会进一步影响上述土壤结构与水热条件的变化，从而塑造新的土壤理化环境。在此基础上，土壤微生物对有机碳的分解速率及植物根系呼吸强度也随之改变，最终表现为土壤CO₂排放通量的差异^［13-15］。

本研究利用结构方程模型（Structural Equation Model， SEM）进一步验证耕作措施影响土壤理化性质进而影响CO₂排放的作用路径。SEM（图6）分析结果显示，模型总解释度为0.448，表明该结构方程模型能较好地解释各指标对土壤CO₂排放通量的作用路径。其中，土壤含水率（路径系数=0.588，p<0.01）、土壤温度（路径系数=0.283，p<0.05）、SOC含量（路径系数=0.158，p<0.01）对CO₂排放通量具有直接且显著的正向影响，该结论与常琳溪等^［16］的结论相一致，即土壤水分和温度是影响土壤呼吸强度的关键因子。

具体到4种耕作措施，PM措施显著提高了土壤温度和含水率，表现出最高的作物产量和土壤CO₂排放总量。其原因在于覆膜减少了土壤表层水分蒸发并抑制通气性，造成土壤孔隙度降低，形成高温高湿的“局部微气候”，激发了根系的生长和微生物的活性，从而增强了根的自养呼吸与根际微生物的异养呼吸，使得SOC分解速率加快，造成CO₂排放通量的增加^［17-18］。CT处理下的土壤CO₂排放通量较低，这并非因为CT处理具有更高的固碳效率，而是因为CT处理缺乏保水保土措施，强降雨下易发生严重的表土流失，导致大量土壤有机碳随径流流失，土壤孔隙结构受损并降低土壤肥力^［19］。碳基质的匮乏和植被生长受抑（CT处理作物产量在4种措施中最低）共同限制了土壤呼吸作用强度。RT措施能够有效截流雨水，减少水土流失，改善土壤结构^［7］。相较于DT与CT，RT能更好地维持土壤孔隙的连通性，减少因雨水溅蚀和表层径流对土壤稳定性的破坏，从源头上降低了可矿化有机碳因快速暴露与运移所引发的短期CO₂排放峰值^［7］。DT措施因缺乏截流措施与覆膜保护，更易发生水土流失从而造成土壤内部结构破坏，与PM和RT相比，DT措施水热条件波动更大，不稳定的水热环境可能是造成DT的CO₂排量仅次于PM的原因。后续应进一步设计试验探究这一现象。

综上所述，一方面，耕作措施主要通过“孔隙度→容重→土壤含水率→温度/有机碳→CO₂排放”的路径，调控红壤坡耕地土壤CO₂排放通量。另一方面，不同耕作措施对降雨、气温的响应程度的不同会进一步影响土壤水热条件进而影响CO₂排放。其中土壤水分与土壤温度是驱动碳排放的关键环境因子。研究表明，土壤微生物群落是驱动土壤碳排放的关键因子^［18］，因此，未来应进一步引入土壤微生物生物量、群落结构和酶活性等生物学指标，深入研究不同耕作管理下土壤碳转化与碳排放的微生物学机制。

3.2 DNDC模型对模拟红壤坡耕地土壤CO₂排放的适用性

本研究基于DNDC模型对红壤坡耕地玉米生长过程中的土壤CO₂排放进行了动态模拟，并通过与实测数据对比评估了模型的适用性与响应机制。结果表明，DNDC模型能够较好地模拟不同耕作措施下CO₂排放的日动态变化趋势，尤其是能够较好地拟合在降雨驱动下的通量峰值。这与陈雅文等^［20］在滨海湿地与黄土丘陵区的研究结果一致，说明DNDC模型具有良好的区域适应性。从影响机制层面来看，DNDC模型通过6个相互耦合的子模块（气候、土壤、生物量、生化分解、硝化、反硝化）共同驱动土壤CO₂排放过程，其中温度与含水率是控制微生物活动与酶促分解速率的关键因子，其在模型中的调节函数对CO₂排放动态模拟具有主导作用。敏感性分析结果也表明，CO₂排放对温度和土壤水分具有高度敏感性。

在本研究中CO₂排放总量模拟值相对偏高，但Yu等^［21］在新疆用DNDC模型模拟了棉花田的土壤呼吸作用，结果表明DNDC模型大约低估了累计土壤CO₂排放量的15%，这与本文的研究结果存在一定的差异。其主要原因在于DNDC模型将土壤CO₂排放模拟建立在微生物介导的碳分解过程之上，并采用有机碳库分解速率方程公式（3）来描述土壤有机碳（SOC）的矿化过程。而红壤质地为中黏土，土壤中黏粒分布较多，导致其持水性与通气性较差^［22］。DNDC模型在拟合土壤有机碳分解速率时高估了温度和湿度因子μ，从而导致土壤有机碳分解速率加快、土壤CO₂总量模拟值偏高。此外在4种耕作措施中，PM措施整体拟合表现较差。Jiang等^［23］研究认为，平地农田实测土壤含水率对降雨或蒸发的响应速率低于模型模拟响应速率，而覆膜对水分的入渗和蒸发的延迟效应则进一步降低了土壤对含水率和温度的响应速率，使得模型未能准确模拟土壤含水率和土壤温度。因此在模型中由公式（4）来解释可溶性有机碳（DOC）与电子受体（如氧气）共同限制下的微生物呼吸产生CO₂过程时，模型对土壤温度和土壤含水率模拟准确度的下降必定会降低其对土壤Eh等指标的模拟精度。因此，本研究认为在原有的DNDC模型中加入控制土壤与空气热交换的参数，可以通过自定义这个参数来调整不同土壤性质或不同覆膜情况下的土壤温度与土壤含水率。已有研究在优化DNDC模型时提供了类似思路，在DNDC模型中引入覆膜范围和覆膜时间2个参数，并在模型运行中降低了土壤蒸发，提高了土壤温度这两个系数，最终经过改进后的DNDC模型可以更好地模拟土壤温度和土壤水分^［24］。综合来看，DNDC模型是评估红壤坡耕地土壤CO₂排放的可靠工具，但仍需在特定管理条件下加强本地化校准^［25］，优化其在红壤坡耕地中的水分分配机制。

3.3 耕作措施对降雨激发土壤CO₂排放的调控效应及模型响应机制

土壤CO₂排放过程不仅受耕作措施调控，也受到降雨、气温等外源气候因子的重要影响。实测与模拟结果均表明，强降雨事件后土壤CO₂排放通量迅速上升，表现出明显的“Birch效应”^［26］。该效应通常表现为随着干旱时长与雨后短期内（数小时或数日）含水率跃变程度的增大，土壤呼吸强度增强，并在24~72 h内达到峰值，随后逐渐下降至基线水平^［27］。本研究中，不同耕作措施通过地膜阻挡入渗、横垄截流与径流再分配等方式改变了降雨期水分入渗与蒸发效率，从而导致不同耕作措施对该激发效应的响应存在明显的差异性。PM由于其覆膜抑制了雨水的直接入渗，致使水分在膜上积聚。降雨时形成局部高湿环境，雨后短时间内温度迅速回升时，土壤系统处于高温高湿状态，微生物代谢活性激增，CO₂排放脉冲最为强烈，又因为覆膜阻碍了水分的蒸发且在膜上聚集的水分会持续下渗，导致PM措施中该过程持续时间相对较长，响应滞后性也最为明显。相较之下，RT因其横向垄作结构能有效减缓坡面径流与水分流失，雨水在垄沟间均匀分布，有助于雨后土壤水分缓释。该措施表现出中等强度的土壤CO₂激发效应，脉冲效应虽明显，但峰值低于PM措施，排放过程更为平稳。RT在调控降雨激发与碳释放之间展现出良好生态调节能力。DT与CT在降雨响应中表现出低于PM和RT的稳定性。DT因顺坡设置易于径流形成，降雨时土壤含水率回升速度快但不均匀，土壤CO₂通量峰值出现时间偏早，激发效应持续时间短；CT处理土壤结构疏松、抗扰动能力弱。在降雨事件中，CT措施含水率跃变程度大，在4种耕作措施中表现出最频繁的“Birch效应”。

在模型响应层面，经典DNDC模型在坡面内采用一维、层间“级联（cascade）”式水分传输来计算含水率^［28］未直接描述坡耕地的侧向汇流与土壤侧向入渗过程，因而难以准确刻画坡面情景下的含水率时空分布。Abdalla等^［29］进一步指出DNDC的级联式水文方案在部分场地并不适用，需改进水文子模块以提升含水率模拟精度。模型对土壤含水率模拟的失真必然会影响模型对“Birch效应”的响应。近年来，已有学者基于“Biome-BGC公式”将垂向通量、侧向通量、入渗上限、地表径流等过程显式耦合进CNMM-DNDC模型，显著提升了该模型对土壤含水率的拟合精度^［30］。该研究的优化模式为红壤坡耕地条件下改进 DNDC模型提供了可靠思路。

4 结 论

（1） DNDC模型能够较好地模拟不同耕作措施下土壤温度、产量及CO₂排放规律，但对土壤含水率的模拟效果相对较差，同时DNDC模型在模拟土壤CO₂排放量时会存在一定的高估现象。模型能较好地模拟不同耕作措施下土壤CO₂排放过程“Birch效应”的响应差异，但对小降雨事件下土壤CO₂排放的刻画能力较弱。因此，有必要结合红壤坡耕地实际，进一步优化DNDC模型内部的水分分配机制，引入代表土壤结构变化和土壤与大气进行水热交换的新参数，由此提升模型在特定条件下的模拟精度。

（2） 在玉米生育期，不同耕作措施红壤坡耕地土壤CO₂排放均呈现先上升后下降的趋势，排放峰值出现在7月中旬—8月中旬；在强降雨事件后土壤CO₂排放均出现显著的“Birch效应”，不同耕作措施土壤CO₂排放总量大小关系为CT<RT<DT<PM。其中，RT表现出兼顾降低CO₂排放与保障产量的潜在优势，后续仍需结合更长时序的观测数据，进一步评估该措施的综合效益。

（3） 结构方程模型揭示了不同耕作措施主要通过影响土壤理化性质（孔隙度、容重、SOC等参数），进而影响土壤CO₂排放的作用路径。同时，红壤坡耕地不同耕作措施对降雨与气温的差异化响应进一步重塑了土壤水热条件，进而调控产生不同的土壤CO₂排放水平。SOC、土壤含水率和土壤温度是驱动不同耕作措施红壤坡耕地土壤CO₂排放的重要影响因子，其中SOC的敏感性最强。

参考文献

[1] Pirani A， Fuglestvedt J S， Byers E， et al. Scenarios in IPCC assessments： lessons from AR6 and opportunities for AR7［J］. NPJ Climate Action， 2024，3：1.

[2] Filonchyk M， Peterson M P， Zhang L F， et al. Greenhouse gases emissions and global climate change： examining the influence of CO₂， CH₄， and N₂O［J］. Science of the Total Environment， 2024，935：173359.

[3] Ma B， Karimi M S， Mohammed K S， et al. Nexus between climate change， agricultural output， fertilizer use， agriculture soil emissions： novel implications in the context of environmental management［J］. Journal of Cleaner Production， 2024，450：141801.

[4] 颜科宇，李靖，陈正发，等.耕作措施对红壤坡耕地土壤CO₂排放的影响［J］.水土保持研究，2025，32（2）：140-149，157.

[5] Yan K Y， Li J， Chen Z F， et al. Effects of tillage practices on soil CO₂ emissions in red soil sloping farmland［J］. Research of Soil and Water Conservation， 2025，32（2）：140-149，157.

[6] Chen Y， Guo W S， Ngo H H， et al. Ways to mitigate greenhouse gas production from rice cultivation［J］. Journal of Environmental Management， 2024，368：122139.

[7] 陈正发，史东梅，何伟，等.1980—2015年云南坡耕地资源时空分布及演变特征分析［J］.农业工程学报，2019，35（15）：256-265.

[8] Chen Z F， Shi D M， He W， et al. Spatio-temporal distribution and evolution characteristics of slope farmland resources in Yunnan from 1980 to 2015［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019，35（15）：256-265.

[9] Yan K Y， Mei X H， Zhang C， et al. Short-term emissions effect of rainfall erosion on soil CO₂ in red soil sloped farmland in Southern China［J］. Soil and Tillage Research， 2025，252：106627.

[10] 刘泓君，许昭辉，周永馨，等.DNDC模型耦合遥感技术的保护性耕作下土壤有机碳模拟［J］.农业工程学报，2024，40（9）：108-118.

[11] Liu H J， Xu Z H， Zhou Y X， et al. Soil organic carbon simulation under conservation tillage using DNDC model coupled with remote sensing technology［J］. Transactions of the Chinese Society of Agricultural Engineering， 2024，40（9）：108-118.

[12] 孙园园，孙永健，王锐婷，等.基于DNDC模型的川中丘陵区不同轮作制度下稻田CO₂排放研究［J］.中国农业气象，2011，32（4）：530-537.

[13] Sun Y Y， Sun Y J， Wang R T， et al. Simulation of CO₂ emission from rice fields under different cropping systems in central Sichuan hilly area with DCDC model［J］. Chinese Journal of Agrometeorology， 2011，32（4）：530-537.

[14] 赵黎雯，左继超，聂小飞，等.基于DNDC模型的红壤旱坡花生地N₂O排放模拟研究［J］.农业机械学报，2024，55（4）：300-311.

[15] Zhao L W， Zuo J C， Nie X F， et al. Simulation of N₂O emission from sloped peanut field on red soil based on DNDC model［J］. Transactions of the Chinese Society for Agricultural Machinery， 2024，55（4）：300-311.

[16] 韩东亮，贾宏涛，朱新萍，等.DNDC模型预测新疆灰漠土农田有机碳的动态变化［J］.资源科学，2014，36（3）：577-583.

[17] Han D L， Jia H T， Zhu X P， et al. Using a DNDC model to predict soil organic carbon dynamics in a gray desert soil farmland［J］. Resources Science， 2014，36（3）：577-583.

[18] 李玉洁，王慧，赵建宁，等.耕作方式对农田土壤理化因子和生物学特性的影响［J］.应用生态学报，2015，26（3）：939-948.

[19] Li Y J， Wang H， Zhao J N， et al. Effects of tillage methods on soil physicochemical properties and biological characteristics in farmland： a review［J］. Chinese Journal of Applied Ecology， 2015，26（3）：939-948.

[20] Dynarski K A， Bossio D A， Scow K M. Dynamic stability of soil carbon： reassessing the “permanence” of soil carbon sequestration［J］. Frontiers in Environmental Science， 2020，8：514701.

[21] Hussain S， Hussain S， Guo R， et al. Carbon sequestration to avoid soil degradation： a review on the role of conservation tillage［J］. Plants， 2021，10（10）：2001.

[22] Mary B， Clivot H， Blaszczyk N， et al. Soil carbon storage and mineralization rates are affected by carbon inputs rather than physical disturbance： evidence from a 47-year tillage experiment［J］. Agriculture， Ecosystems & Environment， 2020，299：106972.

[23] 常琳溪，梁新然，王磊，等.中国稻田土壤有机碳汇特征与影响因素的研究进展［J］.土壤，2023，55（3）：487-493.

[24] Chang L X， Liang X R， Wang L， et al. Characteristics and influencing factors of soil organic carbon sink in paddy fields in China： a review［J］. Soils， 2023，55（3）：487-493.

[25] Cuello J P， Hwang H Y， Gutierrez J， et al. Impact of plastic film mulching on increasing greenhouse gas emissions in temperate upland soil during maize cultivation［J］. Applied Soil Ecology， 2015，91：48-57.

[26] Li J Q， Pendall E， Dijkstra F A， et al. Root effects on the temperature sensitivity of soil respiration depend on climatic condition and ecosystem type［J］. Soil and Tillage Research， 2020，199：104574.

[27] 魏彦雄，张绪成，马明生，等.耕作和覆膜对马铃薯根际土壤氮循环功能微生物的影响［J］.西北农业学报，2025，34（2）：232-242.

[28] Wei Y X， Zhang X C， Ma M S， et al. Effects of tillage and mulching on nitrogen cycling functional microbes in the rhizosphere soil of potatoes［J］. Acta Agriculturae Boreali-occidentalis Sinica， 2025，34（2）：232-242.

[29] 陈雅文，韩广轩，赵明亮，等.基于DNDC模型评估水位变化对滨海湿地净生态系统CO₂交换的影响［J］.生态环境学报，2021，30（2）：254-263.

[30] Chen Y W， Han G X， Zhao M L， et al. Modeling impacts of changes in water level on net ecosystem CO₂ exchange in a coastal wetland of the Yellow River Delta based on DNDC model［J］. Ecology and Environmental Sciences， 2021，30（2）：254-263.

[31] Yu Y X， Zhao C Y. Modelling soil and root respiration in a cotton field using the DNDC model［J］. Journal of Plant Nutrition and Soil Science， 2015，178（5）：787-791.

[32] 金鑫，翟婷，汪蓬，等.黄土和红壤坡面侵蚀差异及其与土壤性质的关系［J］.水土保持学报，2023，37（4）：118-123.

[33] Jin X， Zhai T， Wang P， et al. Difference of slope erosion between loess and red soil and its relationship with soil properties［J］. Journal of Soil and Water Conservation， 2023，37（4）：118-123.

[34] 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.

[35] Han J， Jia Z K， Wu W， et al. Modeling impacts of film mulching on rainfed crop yield in Northern China with DNDC［J］. Field Crops Research， 2014，155：202-212.

[36] 王小国，朱波，高美荣，等.川中丘陵区桤柏混交林地土壤CO₂释放与Forest-DNDC模型模拟［J］.北京林业大学学报，2008，30（2）：27-32.

[37] Wang X G， Zhu B， Gao M R， et al. Soil CO₂ efflux and simulation of Forest-DNDC model in the mixed plantation of alder and cypress in hilly areas of the central Sichuan Basin［J］. Journal of Beijing Forestry University， 2008，30（2）：27-32.

[38] Inglima I， Alberti G， Bertolini T， et al. Precipitation pulses enhance respiration of Mediterranean ecosystems： the balance between organic and inorganic components of increased soil CO₂ efflux［J］. Global Change Biology， 2009，15（5）：1289-1301.

[39] Manzoni S， Chakrawal A， Fischer T， et al. Rainfall intensification increases the contribution of rewetting pulses to soil heterotrophic respiration［J］. Biogeosciences， 2020，17（15）：4007-4023.

[40] Guest G， Smith W， Grant B， et al. Comparing the performance of the DNDC， Holos， and VSMB models for predicting the water partitioning of various crops and sites across Canada［J］. Canadian Journal of Soil Science， 2018，98（2）：212-231.

[41] Abdalla M， Song X T， Ju X T， et al. Evaluation of the DNDC model to estimate soil parameters， crop yield and nitrous oxide emissions for alternative long-term multi-cropping systems in the North China Plain［J］. Agronomy， 2022，12（1）：109.

[42] Zhang W， Zheng X H， Li S Q， et al. Modelling forest-atmosphere exchanges of carbon and water using an improved hydro-biogeochemical model in subtropical and temperate monsoon climates［J］. Ecological Modelling， 2025，507：111174.

基金资助

云南省农业基础研究联合专项面上项目(202301BD070001-033)

云南省“兴滇英才支持计划”青年人才项目(XDYC-QNRC-2022-0171)

云南省基础研究计划面上项目(202201AT070272)

云南省教育厅科学研究资助项目(2023Y1015)