淡水養殖池塘CO2通量多時間尺度變化特征及其影響要素

摘要：為探討淡水養殖CO2通量的多時間尺度變化特征及其影響因子，本研究以我國長江三角洲區域典型淡水養殖池塘為研究對象，基于渦度相關法（Eddy covariance，EC）測定的2016-2021年高頻連續CO2通量數據，對CO2通量的多時間尺度變化特征及其環境、人為影響要素進行分析。結果表明：養殖池塘CO2通量（以C計）存在明顯的日變化、季節變化和年際變化特征，其年尺度交換量的變化范圍為-671～1 005 kg·hm-2·a-1，年均值為（-74±688）kg·hm-2·a-1，表現為CO2的弱匯。CO2通量在不同時間尺度的主控因子存在明顯差異，其中在0.5 h尺度上，太陽輻射和氣溫分別是白天和夜晚CO2通量的主要影響因子；日尺度和月尺度的CO2通量則分別受太陽輻射和歸一化植被指數（NDVI）調控，且CO2通量與上述要素均呈顯著負相關；年際尺度上，養殖池塘CO2通量受飼料投入量與NDVI的共同作用，二者建立的回歸方程可以解釋64％的CO2年總通量變化，其中CO2排放量隨飼料投入量的增加呈線性增加（R2=0.55，Plt;0.05）。根據本研究結果，建議在未來可將提高飼料利用率作為控制養殖水體溫室氣體排放、改善水體生態環境、實現水產養殖業可持續發展的重要途徑。

關鍵詞：淡水養殖池塘；渦度相關法；CO2通量；多時間尺度；影響因子

中圖分類號：X714；X16 文獻標志碼：A 文章編號：1672-2043（2024）01-0190-12 doi：10.11654/jaes.2023-0229

大氣溫室氣體濃度增加引發的全球變暖是當前全球面臨的重大生態環境問題之一。淡水養殖作為世界人口食物蛋白質的主要來源，貢獻了約77％的全球養殖水產品，同時其在全球碳循環中也發揮著重要作用。池塘養殖是淡水養殖的主要生產方式，其較小的面積、較淺的水深以及大量外源飼料和肥料的輸入，為CO2的產生和傳輸創造了有利條件，特別是底泥累積的殘余飼料和肥料可顯著提升CO2生成速率，使養殖池塘可能成為CO2排放的熱點區域。近年來，為滿足人口對蛋白質日益增長的需求，全球淡水養殖面積及其飼料投入量以高速率不斷增加，從而可能會使淡水養殖的CO2釋放量進一步增強。我國是世界上淡水養殖產量最高的國家，為全球提供了約60％的淡水養殖水產品。因此，準確評估養殖池塘CO2交換量，明確其控制要素，已成為區域碳收支核算以及制定減排戰略等相關研究的焦點問題之一。

當前研究中淡水養殖池塘CO2年交換量（以C計）估算仍存在較大不確定性，變化范圍為-2 263-112 kg·hm-2·a-1，最高相差約20倍，其中高頻連續碳通量觀測數據的缺失是引起上述差異的主要原因之一。受多種環境因子和人為管理措施的疊加影響，養殖池塘CO2通量存在較強的時間變化。目前已有研究中約90％采用靜態箱法和傳輸系數法對池塘CO2通量進行測定。這些方法雖原理簡單、操作方便，但考慮到人力物力，較難實現時間上的高頻連續測定，采樣頻率多為每月2-3次，且主要集中在白天進行觀測，這樣無法準確捕捉CO2通量的時間動態信息，進而將其觀測誤差傳遞到年總量的估算中。例如，若僅采用秋季湖泊混合期間觀測值代表瑞典富營養化小型湖泊CO2年平均速率，則年總量將被低估約86％。渦度相關法（Eddy covariance，EC）具有觀測頻率高、時間連續、穩定性好且對觀測環境無干擾等優勢，同時其觀測結果可代表研究區域內的平均通量，并且該方法在小型水體碳通量觀測中的適用性也已得到驗證，可為獲取多年高頻連續準確碳通量觀測數據提供重要技術支撐。但目前EC法在養殖池塘等小型水體CO2通量觀測中的應用還相對有限，特別是多年（gt;3 a）連續觀測還未見報道。

養殖池塘CO2通量多時間尺度變化特征的影響要素，特別是人為措施的影響目前還尚不明確。人為管理措施如曬塘，曝氣、飼料投入等可通過改變養殖水體和底泥中的生物、物理、化學過程等，進而影響CO2交換。當前研究已對部分措施如排水、曬塘和曝氣的影響研究較為明確，例如：研究發現，養殖池塘在排水期間會由CO2吸收匯[（-0.006+0.001）mg·m-2·s-1]轉變為CO2排放源[（0.009+0.002）mg·m-2·s-1]；曝氣可通過增加水體中的溶解氧濃度，促進CH4氧化進而增加CO2的排放。然而，飼料投入作為淡水養殖池塘的重要措施，目前針對該措施的研究還較為薄弱。飼料和肥料的輸入一方面可以為底泥CO2有機分解提供充足底物，顯著提升CO2的產生速率；但過量飼料和肥料的輸入也會加劇水體富營養化，可能進一步增強水體中浮游植物的光合固碳速率。在年尺度上，飼料投入量如何影響養殖池塘CO2交換量？影響程度有多大？以上問題還亟需基于多年觀測進一步分析與探討。

長江三角洲地區水網密布，是我國重要的水產養殖基地，該地區淡水養殖池塘面積約為6.2x10 m2，占全國淡水養殖池塘總面積的24％，具有較好的代表性。因此，本研究選取我國長三角區域一處典型淡水養殖池塘為研究對象，采用EC法測定了2016-2021年6a的CO2通量數據，旨在明晰CO2通量的多時間尺度特別是年際變化特征，并結合環境要素及飼料投入量等數據，闡明CO2通量多時間尺度的影響要素。研究結果可為準確評估區域碳排放量及制定減排政策等提供數據支撐和科學依據。

1材料與方法

1.1研究地概況

本研究觀測地點位于安徽省滁州市全椒縣官渡村（31°58′N，118°15′E，圖1）。研究區域養殖池塘平均面積約為7 000 m2，平均水深會根據養殖類型不同而變化。該區域屬于亞熱帶季風氣候，年平均氣溫和降雨量分別為16.1℃和1 090 mm（數據來源：http：//data.cma.cn/）。

本研究的觀測時間為2016年1月至2021年12月。該研究區域主要包括兩種養殖模式，其中2016年的A塘、D塘以及2017年的B塘采用小龍蝦一四大家魚（青魚、草魚、鰱魚、鳙魚等）混養模式，其他時間段池塘均采取魚-蚌混養模式。關鍵養殖措施如下：對于小龍蝦-四大家魚混養池塘，1-5月池塘處于曬塘階段，其中4月初管理者開始在池塘中心種植黑麥草和稗子，種植面積約為池塘的30％，為小龍蝦提供食物和棲息地；隨后在5月初投入蝦苗，并且于每日8：00與18：00通過自動投食機投放飼料，飼料包括大豆和人工配合飼料；在6月中旬小龍蝦全部捕獲之后，投入魚苗，飼料投放時間與之前相似，養殖期間平均水深約1.5 m。對于魚一河蚌混養池塘，養殖品種包括四大家魚和河蚌；飼料投入以人工飼料為主，投入時間分別為9：30、12：30和18：00；同時為促進浮游植物生長，為河蚌提供養分，管理者會在每年2月和11月底投入雞糞。魚-河蚌混養池塘除捕撈期間處于曬塘階段（大概持續7 d），其他時間段均處于淹水階段，平均水深約1.8 m。

基于前期文獻調研結果，本研究養殖管理模式與長三角其他地區養殖措施基本相同，均包括曬塘、曝氣、飼料投入等關鍵人工管理措施，且實施時間和方法較為一致，但飼料投入量的時間和總量依據不同區域的實際情況存在差異。綜上，本研究的淡水養殖池塘在長三角地區具有一定的代表性。

1.2觀測方法

1.2.1渦度相關觀測系統

本研究基于開路式渦度相關觀測系統對目標池塘C02通量進行高頻、原位、連續觀測。該系統安裝高度距離地面約為1.5 m，儀器組成及測量分量如下：開路式紅外CO2/H2O氣體分析儀（型號：EC150，Campbell Scientific Inc.）測量大氣中CO2和H2O密度，三維超聲風速儀（型號：CSAT3A，Campbell Scientific Inc.）測量三維風速和超聲虛溫，上述儀器采樣頻率均為10 Hz。通過數據采集器（型號：CR3000，Campbell Scientific Inc.）儲存原始10 Hz數據，用于后續離線通量計算。

1.2.2輔助觀測

本研究采用小氣候觀測系統獲取氣象要素觀測數據。具體包括：溫濕傳感器（型號：HMP155，Vaisala Inc.）測量大氣溫度和濕度；風速風向傳感器（型號：05103，R M Young Inc.）測量大氣風速和風向；自動翻筒式雨量計（型號：TR-525M，Texas Electronics Inc.）測量降雨量。其中風速風向傳感器和自動翻筒式雨量計架設高度為2.5 m，溫濕傳感器架設高度為1.5m。本研究同時采用四分量輻射計（型號：CNR4，Kipp＆Zonen B.V.）測定輻射四分量。以上觀測數據均由數據采集器采集（型號：CR3000，Campbell Scientific Inc.），在線計算為30 min數據并進行存儲。

本研究利用歸一化植被指數（Normalized Difference Vegetation Index，NDVI）刻畫養殖池塘浮游植被的生長動態。遙感數據源自Sentinel-2系列衛星，該系列衛星包含2A和2B兩顆衛星，衛星的重訪周期為10 d。衛星搭載的多光譜成像儀（Multispectral Imager，MSI）覆蓋可見光到近紅外共13個波段，其中用于計算NDVI的近紅外（B8）和紅光（B4）波段的空間分辨率為10 m。基于谷歌地球引擎（Google Earth Engine，GEE）云平臺，在線篩選云量低于20％的遙感數據，用于計算養殖池塘2016-2021年月尺度NDVI的時間序列。

1.3渦度相關數據處理方法

本研究采用EddyPro軟件（Version 6.2.1，LI-CORInc.）處理10 Hz數據，并計算30 min通量，主要步驟如下：首先，對原始數據進行統計檢驗剔除異常值，包括振幅分辨率、缺失值以及偏度和峰度等；其次，對數據進行兩次坐標旋轉，使平均側風速度和平均垂直風速度為0，以此消除由于儀器傾斜所造成的誤差；再次，采用空氣密度效應校正（Webb-Pearman-Leuning correction，WPL校正）消除濕度和溫度波動對儀器測量的影響；考慮到養殖池塘內EC較低的觀測高度可能會引起頻譜損失，因此本研究同時開通Eddypro頻譜分析校正模塊，消除濾波效應；最后，基于大氣平穩性檢驗和總體湍流特征檢驗等質量控制，軟件將通量數據劃分為3個等級，分別為0（質量較好）、1（質量中等）、2（質量較差）。為保證觀測結果的準確性，僅采用質量等級為0和1的數據進行后續分析。此外，本研究基于夜間摩擦風速閾值，進一步刪除了夜間大氣湍流交換不充分時段的CO2通量數據，其中摩擦風速閾值根據REddyProC程序包獲取，變化范圍從0.078 m·s-1（2016年）到0.130 m·s-1（2021年）。

在完成上述質量控制和數據篩選后，2016-2021年基于0.5 h尺度的C02通量有效數據量各年分別為38.02％、52.69％、53.24％、44.47％、34.41％和39.09％。造成數據缺失的原因主要來源于電力及儀器故障、惡劣天氣狀況以及數據質量控制等原因。本研究為進一步準確評估養殖池塘C02年尺度交換量，使用隨機森林（Random forest，RF）、人工神經網絡（Artificial neural networks，ANN）、REddyProC程序包以及非線性回歸（Non-Linear Regression，NLR）4種方法對基于0.5 h尺度的CO2通量數據進行了插補。

RF和ANN插補步驟如下：首先，將全年數據分為養殖期（4-10月）和非養殖期（11月至次年3月），并將不同期間數據根據太陽輻射（R）進一步細分為白天（太陽輻射gt;0）和夜間（太陽輻射=0）；其次，基于前期環境要素與CO2通量之間相關關系研究結果，確定輸入變量組合，具體包括感熱通量、氣溫、太陽輻射、風速、相對濕度、氣壓、水汽壓以及摩擦風速；同時為避免塘內如藻類等植物不同生長周期對模型的影響，在組合內加入了日序和太陽高度角數據來反映日變化和季節變化信息。RF和ANN模型采用了相同的輸入變量組合；再次，本研究將輸入變量數據集隨機分為70％訓練集（用于訓練模型）與30％驗證集（用于驗證模型）；最后，通過多次訓練與驗證，從中挑選訓練與驗證效果均較優的模型用于插補缺失數據，其中判斷最優模型的方法參考邱吉麗等的研究。非線性回歸插補法是利用一定時間內CO2通量與相關環境要素建立的非線性回歸經驗模型，可對CO2通量缺失數據進行插補，本研究白天采用光合有效輻射與CO2通量建立的光響應曲線（非直角雙曲線模型），夜晚模型為氣溫與CO2通量建立的呼吸指數模型。除上述插補方法，本研究同時采用了REddyProC程序包確定夜間摩擦風速閾值并對CO2通量進行插補，插補過程的輸入數據包括日序、CO2通量、潛熱通量、感熱通量、太陽輻射、氣溫、相對濕度、飽和水氣壓差和摩擦風速；插補方法包括查表法、平均日變化法與邊際采樣法，具體插補流程可參考文獻。上述所有插補方法均基于0.5 h時間尺度。

1.4通量貢獻區計算

本研究采用Kljun等提出的二維通量足跡模型（Flux footprint prediction，FFP）量化年尺度EC氣候學源區的范圍，并計算目標池塘對EC實測通量的貢獻。模型的輸入變量包括測量高度、粗糙度、摩擦風速、奧布霍夫長度、側風方向的標準差、風向、平均風速和邊界層高度。邊界層高度數據來自美國國家海洋和大氣管理局的全球數據同化系統，其他參數均由EC系統提供。

1.5數據分析與統計方法

研究采用Matlab （R2021b）軟件進行數據后處理及繪圖。利用SPSS 26.0統計軟件中Duncan方差分析法檢驗不同年份之間的環境要素差異性。CO2通量與各環境因子間的相關關系使用SPSS 26.0統計軟件中Pearson相關分析法進行判斷（Plt;0.05：顯著相關；Plt;0.01：極顯著相關）；本研究同時采用多元逐步回歸模型對數據進行檢驗，進一步選取對CO2通量變化貢獻最顯著的環境人為因子。

2結果與分析

2.1EC觀測結果的空間代表性評價

本研究為驗證EC觀測信號的空間代表性，采用FFP模型模擬了觀測期間年尺度的EC氣候學源區范圍，并計算了EC觀測系統周圍池塘對EC觀測信號的貢獻率。結果顯示（圖2），不同年份之間的源區范圍較為一致，其中EC觀測塔周圍的4個池塘為主要的信號貢獻源，6a的貢獻率平均值為73％。該結果表明EC觀測數據可以作為養殖區域碳通量交換信號的代表。此外，由于EC觀測通量信號代表的是通量源區內不同位置地表源強度的加權平均，因此為獲取與CO2通量信號匹配的飼料輸入量大小，本研究基于不同池塘的通量貢獻權重和每個池塘總飼料輸入量，計算了2016-2020年在氣候學源區范圍內的飼料投入年總量，分別為4 200、7 300、8 570、9 940、7 870 kg·hm-2和5 400 kg·hm-2（以C計）。

2.2CO2通量的多時間尺度變化特征

觀測期間各季節CO2通量的日變化特征如圖3所示。CO2通量在各季節均表現出相似的日變化趨勢，即白天為大氣CO2的匯，吸收峰值出現在正午12：00至午后14：00期間；夜晚為大氣CO2的源，排放峰值在3：00或21：00左右。CO2日變化幅度（吸收峰值與排放峰值之差）在不同季節間存在差異，其中春季和夏季CO2通量日變化幅度相對較高，分別為4.11 umol·m-2·s-1（-2.41-1.70 umol·m-2·s-1）和5.11umol·m-2·s-1（-2.53-2.58 umol·m-2·s-1），顯著高于秋季日變化幅度1.4-2.0倍（Plt;0.05）；冬季吸收與排放信號均最弱，CO2通量的日變化幅度僅為0.96 umol·m-2·s-1（-0.75-0.21 umol·m-2·s-1）。

圖4展示了觀測期間養殖池塘CO2通量的季節變化特征。養殖期內（4-10月）CO2的吸收與排放信號均較強，非養殖期（11月至次年3月）CO2的吸收與排放信號均較弱（圖4a）。觀測期內日尺度上CO2通量的吸收與排放峰值均出現在夏季（6-8月：-2.96-3.77 umol·m-2·s-1），并且與日變化特征類似，冬季（12月至次年2月：-1.79-1.56 umol·m-2·s-1）的吸收與排放信號相對較弱。從季節平均的角度，各年份CO2通量季節變化趨勢差異較大（圖4b），其中CO2吸收量和排放量的峰值分別出現在2016年和2019年的夏季。

為進一步明確年尺度養殖池塘CO2的源匯特征及變化趨勢，本研究首先采用4種方法對0.5 h尺度CO2通量進行了插補，以此獲取CO2通量完整的時間序列并計算CO2交換總量。觀測期間各方法插補的年總量結果如表1所示。結果表明：多數年份不同方法之間的插補結果都較為接近，且不存在顯著差異（P=0.81）。本研究為進一步降低年尺度CO2總量估算的不確定性，采用4種方法插補結果的平均值和標準差分別代表各年份的CO2交換總量及其不確定性（表1）。由表1可知，養殖池塘CO2通量（以C計）存在顯著的年際變化特征（Plt;0.01），整體變化范圍為-671-1 005 kg·hm-2·a-1，2018年和2019年表現為CO2排放源，其他年份均為CO2匯，多年均值為（-74±688）kg·hm-2·a-1，呈現為弱碳匯。

2.3CO2通量多時間尺度影響因子分析

觀測期間CO2通量與環境要素在不同時間尺度的相關關系如表2所示。結果表明，CO2通量在不同時間尺度的影響要素存在明顯差異。在0.5 h尺度上，白天CO2的吸收速率主要受太陽輻射控制，相關系數為-0.24；夜間主要受溫度影響，并且3種測量溫度中，CO2通量對空氣溫度（R=0.19）的響應高于對水溫（R=0.18）和底泥溫度（R=0.18）的影響。日尺度分析結果與0.5 h尺度類似，太陽輻射是CO2通量變化的主控因子，兩者之間呈現顯著的負相關，相關系數為-0.24。風速雖在上述時間尺度均與CO2通量呈現顯著的相關性，但相關系數均較小。月尺度的CO2通量僅與NDVI呈現顯著的負相關（Plt;0.05），相關系數為-0.27。

在上述相關關系分析的基礎上，本研究進一步探討了各時間尺度CO2通量與主控因子的響應關系（圖5）。0.5 h尺度：白天CO2通量隨著太陽輻射的增強呈線性降低，并從弱源轉變為弱匯（圖Sa）；夜晚CO2排放量隨著空氣溫度的升高呈線性增加（圖Sb）；日尺度C02通量隨太陽輻射的變化趨勢與0.5 h尺度類似，但線性遞減速率（0.003）相對較高（圖5c）。月尺度上，基于NDVI與CO2通量的回歸方程，利用NDVI變異可以解釋68％的月尺度CO2通量變化（圖5d）。

養殖池塘不同于自然水體，其CO2交換量除受環境要素影響外，還受到人為干擾。本研究重點明確飼料投入量在年尺度對CO2總量的影響。前期研究結果顯示各氣象要素年均值在不同年份之間無顯著性差異。基于年尺度CO2交換總量與氣候學源區范圍內飼料投入量之間的相關分析結果，兩者為線性正相關，即CO2交換總量隨飼料投入量的增加呈顯著線性上升，相關系數為0.74（Plt;0.05，圖6）。此外，本研究采用多元逐步回歸方法，進一步明晰各環境要素與飼料投入量對CO2年總量的協同影響，輸入因子包括各時間尺度的主要影響要素，如溫度、太陽輻射、NDVI與飼料投入量，其中僅NDVI（IN）與飼料投入量（F）保留在最終的模型中（年總量=0.26F-355.93IN-1 940.29），飼料投入量與建立的回歸方程可以解釋64％的CO2年總量的變化。

3討論

3.1養殖池塘CO2通量多時間尺度變化動態及影響因子

眾多證據表明，養殖池塘CO2交換在人為措施和環境要素的雙重作用下，存在明顯的時間變異性，包括日變化、季節變化等。本研究基于6 aEC高頻連續觀測數據進一步佐證并補充了上述研究結論。對于日變化特征：本研究結果與多數研究結果一致，觀測發現養殖池塘CO2通量具有明顯的日變化規律，且存在源匯轉換，即白天表現為CO2吸收匯，主控因子為太陽輻射，夜晚為CO2排放源，CO2通量受溫度驅動，其中吸收峰值多出現在10：00-14：00；類似現象也出現在閩江口養殖池塘、瑞典的淺水池塘以及福建的貝藻類海水養殖池塘研究中。然而，也有研究觀測的結果呈現了與上述CO2日變化特征相反的現象，如山東省的魚塘翻和蝦塘、閩江口的蝦塘以及九龍江河口的貝藻類養殖池塘，這些研究均觀測到白天CO2較強的排放信號，且不同研究中CO2通量的日變化幅度存在明顯差異。引起上述研究結果差異的原因可能與觀測時間段選取、池塘內浮游植物量、養殖類型和密度等要素有關。例如，對于觀測時間段選取造成的差異，基于EC觀測的貝藻類海水養殖池塘（縊蟶-蝦蟹季節輪養）CO2通量日變化特征，結果發現縊蟶養殖后半階段具有“白天匯-夜間通量近0”的通量特征，且變化幅度高于養殖前半階段16倍左右；本研究也有類似的現象，在夏、春季淡水養殖池塘CO2日變化幅度為冬季的4-5倍。上述分析表明，養殖池塘CO2通量存在明顯的時間變異性，以往基于白天非連續的采樣無法準確代表CO2交換量的真實特征，進而導致碳交換量的估算存在較大誤差。

受觀測手段的限制，當前對養殖池塘CO2通量年際變化特征及其影響要素，特別是人為影響要素的研究較為薄弱。本研究發現6a觀測期內養殖池塘CO2年總量存在顯著差異（Plt;0.05），從最初的CO2吸收匯（2016年和2017年）轉變為CO2排放源（2018年和2019年），隨后轉為CO2弱吸收匯（2020年和2021年）。基于年尺度CO2交換量的影響要素分析表明，CO2通量主要受到飼料投入量和NDVI的共同調控（圖6）。然而，目前已有研究中針對上述因素特別是飼料投入量，對CP2交換的影響機制還存在較大的爭論。一方面，部分研究認為養殖池塘內飼料和肥料的投入過量，僅有4％-27％的飼料和肥料被養殖生物所利用，殘余飼料、肥料以及養殖動物的糞便會沉積在底泥，其為CO2的產生提供了充足的有機質，因此可能會進一步促進CO2產生及排放。本研究結果支持該觀點，養殖池塘CO2交換量隨飼料投入量增加呈線性增加（R2=0.55，Plt;0.05），其中2018年和2019年養殖池塘為CO2的強排放源，這可能與高飼料投入量有關，其飼料投入總量約為其他年份的1.4-1.6倍。但不同于上述觀點，也有部分研究表明飼料投入在增加底泥有機質的同時，也會增加水體富營養化程度，因此可進一步增強浮游植物的光合固碳速率。例如，基于海水蝦塘和海水蝦-海參混養塘水-氣界面CO2通量的對比結果發現，有飼料輸入的蝦塘為CO2的吸收匯（-5.69 g·m-2），而無飼料輸入的混養塘為CO2的排放源（11.23 g·m-2），產生該現象的原因是蝦塘中飼料的投入增加了水體的葉綠素以及總氮、總磷濃度，進而提升了水體中浮游生物的初級生產力，加速了CO2的光合吸收，因此表現為CO2匯。

上述研究結果表明，飼料投入對CO2通量交換的影響與飼料類型、投入量以及養殖類型等多因素有關。在本研究中，當過量飼料沒有被及時攝取，殘余的飼料可能更容易被分解成CO2，其CO2生成速率會高于由于水體富營養化引起的光合CO2吸收速率，因此養殖池塘為CO2的排放源；反之光合固碳占主導時養殖池塘則表現為CO2的匯。此外，本研究2018年和2019年養殖水體中飼養的河蚌以浮游植物為食，可減輕水體富營養化程度，從而降低水體浮游植物對CO2的光合吸收速率。綜上，為構建環境友好型養殖模型，未來養殖研究應著重于進一步提升飼料利用效率，在增加水產養殖效益的基礎上，降低殘余飼料碳氮沉積對水體環境的負荷，以此實現水產養殖業的可持續發展。

3.2亞熱帶養殖池塘CO2通量的交換水平

表3展示了本研究與其他水體類型如湖泊、水庫以及其他地區養殖池塘CO2年交換量的對比結果。本研究6a觀測期內養殖池塘CO2年總量存在顯著性差異，受飼料投入量及養殖品種的影響，各年份CO2通量（以C計）呈“匯-源-匯”的交錯分布特征，整體變化范圍為-671-1 005 kg·hm-2·a-1，多年均值為（-74±688）kg·hm-2·a-1，呈現為弱碳匯。相比于其他地區研究結果，從表3可知，多數自然水體如湖泊、水庫等常表現為CO2排放源，而本研究養殖池塘在高飼料輸入條件下的CO2年排放量位于其中上范圍內；對于不同區域的養殖系統，與自然水體相比，養殖池塘特有的人工管理措施和養殖模式，使CO2通量的源匯特征及交換水平存在較大的不確定性。

觀測時間、水質環境以及養殖品種差異等可能是造成不同研究區域養殖池塘碳交換量差異的主要原因。首先對于觀測時間，以往多數研究采用白天CO2通量觀測結果代表日均值計算年總量。基于本研究觀測結果，若僅采用白天觀測值計算年總量，不僅會改變源匯特征，同時其量值估算誤差不確定性可達591％，該結果說明完整的CO2通量時間動態信息是未來碳交換量準確估算的前提。其次，水質要素如pH、鹽度、葉綠素含量等可通過影響CO2的產生和消耗速率進而改變碳交換，例如基于九龍江河口和閩江河口養蝦塘CO2通量的對比結果，其中閩江河口養殖池塘CO2通量整體高于九龍江河口，這種差異主要是由于水體中的葉綠素含量差異導致的。最后，由于不同養殖品種的新陳代謝以及人工管理方式存在差異，水-氣界面的碳交換也會受到一定程度的影響，例如本研究在改變養殖模式后，CO2的源匯特征也隨之發生變化，養殖池塘由CO2的匯[蝦-魚混養塘，（-600+100）kg·hm-2·a-1（以C計）]轉變為CO2的源[魚-河蚌混養塘，（507±66）kg·hm-2·a-1（以C計）]，其主要受蝦類養殖種植黑麥草和稗子等植物的影響；其他研究地區也有類似的現象，通過對比蝦-蟹混養塘和蝦-蟹-竹蟶混養塘水-氣界面CO2通量，結果發現加入竹蟶之后養殖池塘由CO2的匯[蝦-蟹混養塘，-113 g·m-2（以CO2計）]轉變為CO2的源[蝦-蟹-竹蟶混養塘，154 g·m-2（以CO2計）]，這主要是由于竹蟶對浮游植物的濾食作用降低了光合固碳速率，同時竹蟶的呼吸也會增加水體中的CO2濃度，綜上，為準確評估區域以及國家尺度養殖水體的碳收支，在未來還需在更多地區的不同類型養殖水體開展高頻連續碳通量觀測，以提供堅實的數據支撐。

4結論

（1）養殖池塘CO2通量存在日變化、季節變化和年變化特征。日變化：白天表現為CO2吸收匯，夜晚為CO2排放源；季節變化：CO2的排放或吸收峰值均出現在夏季，冬季CO2通量交換均較弱；年變化：6 a觀測期內各年份CO2通量（以C計）呈“匯-源-匯”的交錯分布特征，年總排放量整體變化范圍為-671-1 005 kg·hm-2·a-1，整體而言，多年均值為（-74±688）kg·hm-2·a-1，養殖池塘呈現為弱碳匯。

（2）淡水養殖池塘CO2通量的環境主要影響因子隨時間尺度而發生改變：0.5 h尺度上，白天CO2通量受太陽輻射控制，兩者呈現顯著的負相關，夜間CO2排放量隨溫度升高呈線性增加（R=0.78，Plt;0.05）；月尺度上：歸一化植被指數是CO2交換量的主控因子，且兩者之間呈顯著負相關；年尺度上，飼料投入量和歸一化植被指數共同調控CO2年交換量，二者建立的回歸方程可以解釋64％的CO2年總量變化。