DNDC模型在稻田生態系統中的研究進展及應用

張鮮鮮，周 勝，孫會峰，張繼寧

(上海市農業科學院生態環境保護研究所/上海低碳農業工程技術研究中心，上海 201403)

農業生態系統是碳氮循環的重要載體，是甲烷、氧化亞氮和二氧化碳(CH4、N2O和CO2)的重要源匯，也是氮素流失導致水體富營養化的重要源頭。農業系統中碳氮循環受諸多因素影響，如土壤、氣候、作物以及農田管理措施等。正確認知農業生態系統中的碳氮循環，定量溫室氣體排放與氮素流失情況，對于研究農田減排降污、減少農田生態系統的環境負效應具有重要意義。

據世界糧農組織統計數據顯示，2016年農業源溫室氣體可占人類活動產生溫室氣體排放總量的10%—12%[1]，其中CH4排放量為3.22×106Gg CO2-eq，N2O排放量5.99×106Gg CO2-eq。稻田是我國農田生態系統的重要組成部分，其面積占總耕地面積的24.7%[2]。水稻種植過程中長期淹水，土壤長期處于厭氧還原條件，為CH4產生提供了有利條件，稻田CH4排放量占農業源CH4排放量的31.5%[3]。另外，稻田中過量施肥導致大量的氮隨著氨(NH3)揮發、淋溶徑流過程運移至大氣或水體中，研究顯示我國2013年稻田NH3年揮發量為1.7 Tg N[4]，氮淋溶為(194±61) Gg N[5]，1990年稻田氮年徑流量為(0.46±0.08)Tg N，至2012年增加了46%±11%[6]。

目前，主要采用直接觀測、排放因子法及過程模型等方法，定量研究農業生態系統中的溫室氣體排放動態。直接觀測需要耗費大量的人力、物力、財力，觀測區域及時間極為有限，大尺度大范圍的區域排放情況代表性較差。IPCC主要推薦排放因子法，即收集前人研究反演出排放系數，利用排放系數估算農業系統中溫室氣體排放量。由于排放系數較為單一，并不能準確反映不同土壤類型、氣候、作物生長及田間管理情況等，所以該方法估算結果不確定性較高。過程模型以生物地球化學過程為基礎，匯集農業生態系統中的關鍵過程及其控制因子，將有限的點位觀測案例擴展到較大的區域尺度，為定量計量農業系統的碳氮循環提供了切實可行的方法。過程模型的出現彌補了田間直接觀測的不足，在借助田間觀測數據驗證的基礎上，可以用來評估農業管理措施及環境因子的改變對溫室氣體排放量的影響。

各國建立的過程模型已有多個，較常使用的模擬農業生產過程中溫室氣體排放的模型主要有ExpertN[7]、RothC[8]及DNDC 等模型。其中，DNDC 模型是基于生物地球化學過程[9]。在過去二三十年間，眾多學者共同參與開發利用DNDC模型，并且加入了新的子模塊和生物地球化學過程公式及參數，模型的功能得到不斷拓展。

目前，DNDC 模型系列已被不同國家不同地區用于模擬農業、濕地、森林和草地等生態系統中的碳氮循環。在稻田生態系統，DNDC模型主要被用來評估土壤有機碳動態以及CH4排放，經過多年發展，DNDC模型已經能較好地實現模擬工作，并得到了廣大研究者的認可。本研究主要從稻田生態系統出發，介紹DNDC模型在稻田生態系統中的發展歷程與應用情況，期望模型能夠在稻田減排降污研究方向更好地發揮作用。

1 DNDC模型簡介

DNDC模型主要通過模擬陸地生態系統中一系列的生物地球化學過程，將系統中生態驅動因子、環境因子與其相應的物理化學過程結合起來，達到研究陸地生態系統中碳氮循環的目的。模型主要包含兩個部分：第一部分由土壤氣候、有機質分解和植物生長 3 個子模型組成，依據外界環境中驅動因子(氣象、土壤、植物、農田管理等)的輸入數據，初始化模型參數，預測環境因子的變化；第二部分包含硝化作用、反硝化作用和發酵作用 3 個子模型，對土壤環境條件影響微生物活動和代謝的過程進行模擬，估算系統中碳氮及水分動態，預測溫室氣體變化格局。李長生[10]詳細闡述了模型的子模塊及機理過程，討論了支撐模型的科學基礎和計算過程。模型發展至今，增加了許多功能與過程，形成了多個版本，廣泛應用于農田、濕地、種養結合、森林和草地等生態系統，可對碳氮動態、溫室氣體排放、面源污染、溫室氣體-經濟效益等進行評估[11]。

模型主要由輸入界面、生物地球化學場和核心過程交互而成。輸入界面輸入目標生態系統的環境驅動因子(包括氣象數據、土壤參數、作物參數和農田管理措施)；利用目標環境特征，構建生物地球化學場，并將驅動因子轉化為驅動化學元素運動的營力；核心過程決定了各生物地球化學反應，最終完成對生態系統的碳、氮和水分的計算模擬工作。

2 DNDC模型在稻田生態系統中的改進

2.1 作物生長

作物生長與陸地生態系統中碳氮水分動態密切相關，是保證DNDC模型能夠正確模擬土壤-作物-大氣循環過程中碳氮動態的基本條件。為準確模擬作物生長，模型建立了作物子模塊，融合優化了相關作物生長模型，如簡單的經驗方程、PnET (Photosynthesis-Evapotranspiration)、EFEM(Economic Farm Emission Model)、NEST(Northern Ecosystem Soil Temperature)和通用作物模型MACROS(Modules of an Annual CROp Simulator)等[12-14]。優化后的模型可以模擬作物的日生長量、作物對土壤水分和氮元素的吸取、作物潛在生產力、水分限制和養分限制條件下的作物生長、植物根系分泌作用向土壤輸送的反應底物DOC量，可以追蹤植物生長過程中碳、氮和水分在生態系統中的循環流動。

模型采用8種生理/物候參數定義每種作物，即：作物最大產量、生物量在籽粒、莖葉和根間的配比、籽粒、莖葉和根的碳/氮比值、作物生長積溫、作物需水量、最佳生長溫度、生物固氮系數以及維管結構。根據北美和中國的觀測結果，已在v9.5版本中定義了四種水稻類型(表1)。另外，為方便用戶自定義作物新品種，模型加入了作物創造器(Crop creator)模塊，用戶可根據所模擬作物實際情況定義各參數。

表1 DNDC v9.5中四種水稻參數[10]

DNDC模型中大部分作物參數源于北美和中國實測值，其他地區使用時需對其進行檢驗和校正，以保證模擬作物生長的準確性。為使模型能夠應用于印度，Pathak等[15]結合印度實際實測值修改優化了水稻參數，分別將生長積溫優化為2 250 °C，將生殖生長和營養生長階段的每日生長速率常數修改為0.015和0.044，修正后的模型能夠較好的模擬水稻產量、總生物量及作物氮吸收，偏差分別為0.2%、1.6%及1.6%。

2.2 溫室氣體排放

DNDC模型創建后最初用于美國農田生態系統，主要對旱地N2O排放情況進行模擬。經過優化改進后，模型已經能夠較好的應用于稻田生態系統碳氮動態的模擬，Li等[12，16]利用改進后的模型對稻田生態系統中的溫室氣體排放情況進行了模擬。改進后的模型吸收了Wetland-DNDC模型[17]中的兩個重要方程，改進了“厭氧氣球”(Anaerobic conditions)。

注：模型在濕地中通過計算Eh和反應物底物濃度追蹤CO2、CH4和N2O產生的過程；通過聯立能斯特方程和米氏方程計算土壤Eh值和主要電子受體濃度[12]圖1 DNDC模型中CO2、CH4和N2O產生過程Fig.1 DNDC tracks CO2，CH4 and N2O dynamics

土壤中CO2、CH4和N2O的產生消耗來自于不同的氧化還原反應(分解作用、硝化/反硝化作用以及甲烷產生)，氧化還原電位(Eh)狀態決定了反應是否可以發生。模型利用能斯特方程(Nernst equation)計算系統中的Eh，并利用Eh判斷哪種氧化還原反應可以發生，利用米氏方程(Michaelis-Menten equations)定量了反應物底物濃度對反應速率的動力學影響，實現了對溫室氣體產生的氧化還原反應的熱力學和動力學的共軛計算(圖1)。厭氧氣球將土壤Eh和濕地中溫室氣體結合起來，通過土壤Eh值控制氣球大小。模型定義氣球內部為相對還原的土壤微區，氣球外部為相對氧化的土壤微區，并將反應底物(如DOC、NH4+、NO3-和O2等)按比例分配至氣球內外，分別發生還原或氧化反應。DNDC模型通過計算DOC、O2、NO3-、NO2-、NO、N2O、Mn4+、Fe3+、SO42-和H2在各類反應中的消耗和濃度變化，追蹤反應中CO2、CH4和N2O的變化[12]。

由于稻田特殊的水分管理模式，其土壤水分頻繁在飽和-不飽和狀態波動，氧化還原電位(Eh)變化范圍可達+650—-350 mV。由圖1可知，CH4和N2O只能在特定Eh條件下產生(CH4-300—-150 mV，N2O 200—500 mV)。模型加入了O2、NO3-、Mn4+、Fe3+和SO42-作為電子受體，以H2和DOC作為電子供體，以便更好地追蹤土壤Eh變化，確定各氧化/還原反應反應速率，計算CH4和N2O的產生和消耗[18-19]。在稻田生態系統中，將土壤水分動態與溫室氣體排放相結合是準確模擬CH4和N2O排放的關鍵。DNDC-Rice模型通過增加模擬土壤滲漏和蒸散作用，以小時為步長計算逐層土壤含水量，以灌水時間及持續時間為參數改變土壤含水量，同時定義了水分滲漏速率(以1mm/d的速率向50cm深的土層滲漏)，實現了持續淹灌和干濕交替處理中的水分動態模擬[19]。

Pathak等[15]為準確模擬印度稻田溫室氣體排放情況，增加了一些反應底物在土壤中的泄漏率，如可溶性有機碳(DOC)、硝酸鹽會與水一樣具有較高的損失量，優化后的模型模擬結果大大降低了高泄漏點位的CH4排放量，對低或中等泄漏點位的CH4排放量基本無影響。據美國和中國觀測數據，微生物生物量在土壤有機碳占比和微生物活性常數默認值為0.02和1.0，Babu等[20-21]利用印度稻田CH4和N2O觀測數據對DNDC模型進行驗證，結果表明，微生物活性常數設置為0.2時實測值與模擬值的擬合度較高。

2.3 氮素流失

DNDC模型除能模擬作物產量和溫室氣體排放外，還可以模擬稻田中的氮素流失，如氨氣(NH3)揮發和氮素淋溶徑流等。Li等[22]為使模型能夠模擬50cm內土層氮素和水分的垂直遷移，在模型中加入了一個虛擬水庫來控制排水流，并采用朗格繆爾等溫方程(Langmuir equation)模擬土壤黏粒對NH4+在離子態和吸附態的吸附和解吸過程，改進優化后的模型可以較好地模擬玉米-大豆生態系統中NO3--N的淋溶[23]。為使模型能夠模擬水平方向的徑流，Deng等[24]加入了地表徑流曲線(Soil conservation service curve)和優化后的土壤流失方程(Modified universal soil loss equation functions)，并利用改進后的模型對四川鹽亭冬小麥-夏玉米生態系統氮徑流情況進行了模擬，結果表明，氮徑流和氮淋溶的模擬值與實測值擬合度較高(R2=0.91—1.0，P< 0.01)，敏感性分析顯示降雨是影響氮損失的關鍵因子。

李虎等[25]利用模型對山東地區冬小麥季的水分和氮素淋溶量進行估算，并用田間實測值進行校驗和敏感性分析，發現氮素淋溶量模擬值與實測值存在一定偏差，敏感性表明土壤屬性和氣候因素等都對模擬結果產生較大影響；利用試錯法優化參數DF(解吸系數)、dDVD(土壤孔隙水運移冪函數系數)和FSF(氨揮發對硝酸根淋溶影響的冪函數系數)后，模型能夠較好地模擬土壤水和氮淋溶流失[26]。為準確模擬稻田中氮素流失，趙崢等[27]利用觀測數據對稻田氮素流失相關參數進行了修正，如修正了稻田田埂高度(10 cm)、施肥后氮素在田面水與土壤中的配比(15%的氮分配到田面水中)和稻田土壤滲漏水下滲速率(1.2 mm/d)，增加了灌溉水中的氮濃度(5 mg/L)。利用修正優化后的模型對上海地區稻田氮徑流情況進行模擬，模擬數據顯示氮素徑流平均相對標準偏差為17.29%，滲漏流失的平均相對標準偏差為31.16%，模型已經能夠較好的模擬稻田生態系統徑流滲漏中的氮素流失[27-28]。

土壤中NH3來自于土壤液相中的化學反應，DNDC模型以土壤中NH4+和OH-的濃度為參數計算液相NH3濃度，土壤氣相NH3濃度直接受控于液相NH3濃度和土壤溫度，同時模型認為NH3日排放量與土壤中影響NH3擴散的因子有關，如土壤-空氣孔隙度和黏粒含量等[29]。敏感性分析表明NH3揮發對模型輸入參數中的大氣溫度、降雨、SOC、田間持水量、pH、肥料施入時間及深度較為敏感[30]。為了評估豬糞漿施入農田后NH3揮發量，DNDC v.CAN新加入了一個子模塊，輸入參數主要有糞漿的施入時間、pH、干物重、總氮及其占比，模擬結果表明，改進后模型的NH3揮發模擬值與實測值擬合度較高(r=0.95，P≤0.05)，pH和黏粒對NH4+的吸收能力與NH3揮發之間的相關性顯著[31-32]。

3 DNDC模型在稻田生態系統中的應用

3.1 稻田點位/區域尺度模擬

模型在模擬水稻-旱作作物輪作系統中，能夠較好地模擬CH4排放峰值的動態變化，與田間觀測結果基本一致[33-34]，作物產量、氮吸收和氮損失的田間實測值與模擬值擬合度較好[35]。Katayanagi等[36]利用日本地區水稻作物參數對DNDC-rice模型中氮平衡進行了驗證，結果顯示根、莖和籽粒干物重的實測值和模擬值較為一致(均方根誤差分別為13%、16%和7%)，高估了葉面積指數(LAI)、葉片干重和葉片氮含量(均方根誤差分別為125%、60%和37%)，主要是由于高估了水稻氮素吸收量和葉片氮同化水平。

李小禮等[37]對上海東灘農業園區中稻-麥輪作系統的模擬結果表明，作物產量模擬值與實測值基本一致；較好地反映了作物產量與氮肥施用量之間的關系，當氮肥施用量達到常規用量的60%后，增施氮肥未促進作物產量顯著增加，而綜合溫室效應較常規降低了43%。DNDC模型可以用來分析不同節水灌溉、 施肥、 控排條件下稻田氮素平衡狀況及氮肥利用效率，在節水灌溉且施氮量每公頃不大于180 kg N時，稻田土壤氮庫虧損每公頃為54.7—127.6 kg N；除淺灌深蓄中氮和淺灌深蓄高氮處理外，控排水處理土壤氮素虧損量均大于常規排水； 淺灌深蓄、 施中氮和控制排水的組合是最佳的水肥處理模式[38]。施入生物炭后，由于模型中還沒有建立專門針對生物炭特性的輸入參數，模型并不能準確表達生物炭處理后對CH4和N2O的影響[39]。

Zhang等[40]結合土壤數據庫估算了1982—2000年太湖地區2.3 Mhm2稻田中稻-麥輪作生態系統的CH4排放量為5.67 Tg C，每公頃年排放量約為114—138 kg C，N2O排放量為0.84 Tg N，每公頃年排放量約為5—20 kg N。張遠等[41]根據遙感信息技術提取了三江平原的稻田空間分布信息，結合DNDC模型估算了CH4的季節排放量，結果表明:2006年三江平原水稻田每季CH4排放量為0.424—0.513 Tg C，且空間差異較大。張慶國等[42]結合統計年鑒數據對皖中沿江平原溫室氣體排放情況進行了估算，2008 年長豐縣水稻田 CH4和 N2O 年排放量分別為1.82×10-2Tg C 和 3.03×10-4Tg N，每公頃年排放通量分別為55—523 kg C和2.2—13.5 kg N。Hayano等[43]利用日本氣候、土壤、作物和管理GIS數據對1990年CH4排放情況進行模擬，CH4排放量為216 Gg C，東部區域CH4排放量高于西部地區，主要是由于不同的氣候條件和水分管理措施造成的。

另外，隨著信息網絡技術的爆炸性發展，DNDC模型已有從單機版向網絡版發展的趨勢，Jiang等[44]開發了CHINA-DNDC online mode，借助大數據和互聯網絡等技術將單機版的DNDC模型拓展成網絡版，將online模型應用在傳統單機模型上，對模型進一步擴展；同時對稻田田間案例進行模擬分析，結果表明:online模型能夠較好地模擬水稻產量和溫室氣體排放情況。

3.2 稻田減排情景模擬

農田管理措施對農業生態系統溫室氣體排放和面源污染具有重要影響。DNDC模型耦合了作物生長、水分管理、肥料管理和耕作措施等農田管理措施，輸入農田管理措施后通過改變模型中生物地球化學場影響系統中碳氮循環。

Simmonds等[45]參數化兩種水稻品種‘M206’(高產半矮化品種)和‘Koshihikari’(傳統品種)后，研究了在水直播和旱直播條件下，不同氮負荷和水分管理模式下水稻的產量、CH4和N2O排放情況，結果表明模型能夠較好地區別兩品種的水稻產量，再現各管理情景下淹水期CH4排放動態。

Li等[12，46]利用DNDC模型對我國稻田減排潛力進行了評估，結果表明：我國稻田的水分管理從淹水條件轉為中期曬田模式時，CH4年排放量可降低4.2—4.7 Tg C，而N2O排放量將會增加0.13—0.20 Tg N；稻田溫室氣體減排較為有效的措施為旱稻>淺灌>以硫酸銨替代尿素或碳酸氫銨>中期曬田>非水稻季秸稈還田>施用緩釋肥>持續淹灌[47]。Tian等[48]將DNDC模型與DSSAT模型(Agro-technology Transfer model)和AEZ模型(Agro-Ecological Zone model)耦合，評估我國水稻種植條件下的溫室氣體排放和水稻產量的平衡關系，模擬結果表明:在中期曬田和平衡施肥雙重管理措施下能夠在保證產量的同時降低CH4和N2O的排放。減少我國15.7%的氮肥施用量后水稻產量并不會降低；淺灌與適量施肥相結合在水稻產量增加(1.7%)的同時，可以降低34.3%溫室氣體的排放量，減少2.8%的氮損失(包括NH3揮發、氮淋溶和反硝化作用引起的氮損失)[49]。Stone等[50]在斯里蘭卡模擬結果表明:持續淹灌和每公頃施氮肥225 kg N的條件下，水稻高產且氮損失(N2O排放和氮淋溶)較低;另外，江西余江縣模擬結果表明:增施氮肥后N2O排放和氮淋溶增加，而施加秸稈可以降低氮淋溶量[51]。上海地區在常規施肥模式(每公頃施氮肥300 kg N)下，氮流失量為(1 142±276)kg，當施肥模式轉變為每公頃尿素150kg N +有機肥100 kg N時，氮流失量可降低至(714±151)kg[52]。

4 DNDC模型存在的不足之處

4.1 稻田N2O的模擬

稻田生態系統是CH4的重要排放源，同時由于氮肥施入以及水分管理，N2O排放也不容忽略。N2O排放主要由模型第二部分硝化和反硝化過程產生，模型通過計算土壤中Eh值，決定硝化或者反硝化作用是否發生，通過米氏方程計算各級反應速率，Eh、DOC和無機氮是影響N2O排放的主要因子，通常與灌溉、降雨和氮肥施入相關。

與模型APSIM(Agricultural Production Systems sIMulator)相比，APSIM中硝化作用受溫度影響較大，DNDC模型除了受溫度影響外，對土壤有機碳的響應也較大；APSIM中反硝化作用受土壤水分含量驅動，DNDC模型中受降雨激發；DNDC模型模擬的N2O排放隨著施氮量和降雨次數增加而增大[53]。與Daycent模型相比，DNDC模型高估了土壤有機碳對N2O排放的影響，對N2O的模擬結果顯著高于觀測結果[54]。稻田中N2O的排放主要來自于反硝化過程，受水分變化影響較大。DNDC模型認為N2O的排放是不連續的，其過程受到施肥、降雨和灌溉的驅動，模擬結果為一系列N2O脈沖排放峰。在水分適宜、無機氮充足的情況下，N2O排放會出現較大的峰值，貢獻了大部分的N2O排放總量，如果在田間觀測時未抓住峰值出現時間，或觀測峰值與模擬峰值相差較大，將會導致模擬值與實測值擬合度較低。有研究表明，DNDC模型能夠較好地捕捉稻季N2O的劇烈釋放過程，但對麥季控制灌溉處理下峰值的模擬較低，因此，稻季模擬值與實測值極顯著相關，但麥季模擬值低于實測值[55]。在直播稻田，N2O排放量的模擬值與實測值擬合性差，主要是由于模型中N2O排放對氮肥施用量和田間排水過度靈敏導致[45]。模型N2O產生與排放的相關模塊需要進一步優化。稻田N2O排放較低，受施肥或水分動態變化影響較大，排水時易出現峰值，在田間觀測時較難準確把握時間，利用DNDC模型可以預測峰值出現時間，指導田間試驗，使得實測值與模擬值更吻合，同時利用田間試驗的觀測數據改進模型相關機理，完成模型的優化工作。

4.2 農田管理措施

DNDC模型將農田管理措施、氣象條件和土壤條件相耦合，可以對不同的農田管理情景進行模擬分析，隨著研究人員及工作成果的增加，各類農田管理措施也有了很大進步。

在水稻品種方面，模型中已有4種水稻類型，但對一些新型具有減排潛力的水稻類型還未有定義，例如節水抗旱稻。節水抗旱稻(Water-saving and Drought-resistance Rice，WDR)是上海市農業生物基因中心開發、具有自主產權的系列品種，兼具了水稻和旱稻的特性，是一種具有水稻的高產優質特性、又具有旱稻的節水抗旱特性的新型栽培稻[56]，可以在保證高產穩產的基礎上達到節水和抗旱的雙重目的[57]。研究表明：節水抗旱稻在水分虧缺情況下具有較高的產量和較低的溫室氣體排放強度[58-59]。節水抗旱稻的出現彌補了水稻需水多及旱稻產量低的缺點，其需水量、根系分泌物和根系泌氧能力等與常規水稻不同，導致了溫室氣體排放情況以及氮素流失等方面的特異性。如何更好地利用DNDC模型評估其在稻田減排降污方面的潛力，是模型改進優化的方向之一。

為了提高稻田的固碳減排潛力，其他措施如覆膜栽培、生物炭施入以及硝化抑制劑的使用等均已有研究。韓娟等[60]在DNDC中加入了薄膜覆蓋模塊，對覆膜栽培模式下的土溫、風速和濕度進行了修正，覆膜可以使更多的水分保留在土壤中以供作物吸收利用，修正后的模型可以較好地模擬玉米地覆膜處理下土壤水分動態和產量，但覆膜對溫室氣體的影響還未有闡述。蔣在荻[61]在CHINA-DNDC online模型中定義了硝化抑制劑抑制效率為0.8；定義了生物炭的最大吸附量為(5 g N)/(kg C)，等溫吸附常數K為1 hm2/kg，孔隙度和酸堿度與初始土壤保持一致，模型能夠較好地模擬N2O動態，硝化抑制劑的使用可以在穩產的情況下降低氮肥施用量，生物炭對硝態氮的吸附可以減少氮素流失。進一步優化DNDC模型中農田管理措施模塊中關鍵生物地球化學過程，對其科學機理過程及參數進行廣泛的校準與驗證，實現對溫室氣體和氮素流失等方面的準確模擬。

4.3 模型模擬結果評估

模型點位模擬結果與田間觀測結果較高的擬合度是應用模型的前提條件。DNDC模型輸出模擬結果后，與實測值之間的擬合需要借助一定的數學公式。目前，常用的方法有偏差分析、線性回歸方程擬合和配對t檢驗等[62]。常用的偏差分析有標準誤差(Mean error，E)、均方根誤差(Root mean square error，RMSE)、建模效率(Modeling efficiency，EF)和一致性系數(Index of agreement，d)。E可以用來檢驗模型是否高估(E>0)或低估(E< 0)了模擬值；RMSE通常與nRMSE同時使用；EF取值范圍是-∞到1，EF=1時表示模擬值與實測值全部匹配，當EF ≥ 0表示模型預測值較好；d取值范圍為0—1，值接近于1說明模擬值與實測值吻合度較好。模擬值與實測值之間的線性相關關系經常被用來表示它們之間的擬合度，相關系數R2接近于1，說明模擬值與實測值擬合度高，R2=0說明模擬值與實測值之間不存在線性相關性。在配對t檢驗中，實測值和模擬值需要符合正態分布，主要對平均數與其各自所代表的總體進行差異性分析。不同的方法側重點不同，因此，方法的選擇會影響到模擬結果的評價結果。

在各地稻田生態系統中，從水稻參數到田間管理方式，從土壤參數到氣候條件存在較大的空間和時間異質性。對于使用者而言，由于模型內部參數眾多且參數間相關性緊密，有時很難準確找到并修正關鍵參數，從一定程度上限制了模型的準確性。點位尺度上，用戶可以使用Monte Carlo對各參數進行不確定分析；在區域尺度上，模型采用最敏感因子(Most sensitive factor)去優化模型預測結果，利用各輸出參數的最敏感因子的最大值和最小值分別進行模擬，最終預測出一個范圍，并假設該范圍涵蓋了真實值[12]。Wang等[63]結合了OAT(One-factor-at-a-time)和傅里葉靈敏度檢測(Extended Fourier amplitude sensitivity test)對模型敏感性進行分析，結果表明土地利用類型與土壤性質對區域碳儲量影響較大。不確定性或敏感性分析的加入有助于選擇合適的參數，提高模型區域模擬結果的可靠性。

5 總結與展望

DNDC模型建立至今，世界各國的研究者用他們的田間數據對模型進行了驗證校正，使得模型的可信度不斷增加，預測功能和使用范圍不斷擴展，模型逐步發展為可以在各個陸地生態系統中使用，預測作物生長、土壤碳氮動態、溫室氣體排放及氮素流失等。隨著環境問題的日益加劇，農田管理措施的不斷改進，對模型的預測功能的期望不斷增加。另外，在信息時代的大背景下，DNDC模型已有從單機版向網絡版發展的趨勢，大數據和互聯網絡等技術完全可以應用在傳統單機模型上，進一步拓展模型功能。如何更好地利用模型從點位尺度上到區域尺度上為水稻低碳生產服務，建立可信度較高的各農田管理措施和 情景下的預測評價系統，是模型在稻田應用方向發展的趨勢。