上海农业学报 115 RMSE)建模效率( Modeling efficiency,EF)和一致性系数( Index of agreement,d)。E可以用来检验模型是 否高估(E>0)或低估(E<0)了模拟值;RMSE通常与 nRMSE同时使用;EF取值范围是-∞到1,EF=1 时表示模拟值与实测值全部匹配,当EF≥0表示模型预测值较好;d取值范围为0—1,值接近于1说明 模拟值与实测值吻合度较好。模拟值与实测值之间的线性相关关系经常被用来表示它们之间的拟合度 相关系数R2接近于1,说明模拟值与实测值拟合度高,R2=0说明模拟值与实测值之间不存在线性相关 性。在配对t检验中,实测值和模拟值需要符合正态分布,主要对平均数与其各自所代表的总体进行差异 性分析。不同的方法侧重点不同,因此,方法的选择会影响到模拟结果的评价结果。 在各地稻田生态系统中,从水稻参数到田间管理方式,从土壤参数到气候条件存在较大的空间和时 间异质性。对于使用者而言,由于模型内部参数众多且参数间相关性紧密,有时很难准确找到并修正关 键参数,从一定程度上限制了模型的准确性。点位尺度上,用户可以使用 Monte carlo对各参数进行不确 定分析;在区域尺度上,模型采用最敏感因子( Most sensitive factor)去优化模型预测结果,利用各输出参数 的最敏感因子的最大值和最小值分别进行模拟,最终预测出一个范围,并假设该范围涵盖了真实值。 wang等结合了OAT(One- actor-at-a-time)和傅里叶灵敏度检测( Extended Fourier amplitude sensitivity test)对模型敏感性进行分析,结果表明土地利用类型与土壤性质对区域碳储量影响较大。不确定性或敏 感性分析的加入有助于选择合适的参数,提高模型区域模拟结果的可靠性。 5总结与展望 DNDC模型建立至今,世界各国的研究者用他们的田间数据对模型进行了验证校正,使得模型的可信 度不断增加,预测功能和使用范围不断扩展,模型逐步发展为可以在各个陆地生态系统中使用,预测作物 生长、土壤碳氮动态、温室气体排放及氮素流失等。随着环境问题的日益加剧,农田管理措施的不断改 进,对模型的预测功能的期望不断增加。另外,在信息时代的大背景下,DNDC模型已有从单机版向网络 版发展的趋势,大数据和互联网络等技术完全可以应用在传统单机模型上,进一步拓展模型功能。如何 更好地利用模型从点位尺度上到区域尺度上为水稻低碳生产服务,建立可信度较高的各农田管理措施和 情景下的预测评价系统,是模型在稻田应用方向发展的趋势。 参考文献 [1]foodandAgricultureOrganizationoftheUnitedNations.Statisticalyearbook2016:worldfoodandagricultureEb/oL].[2018-08-20].http:// [2]中华人民共和国农业农村部.2016年中国农业统计资料[M].北京:中国农业出版社,2017 [3]国家发展和改革委员会应对气候变化司中华人民共和国气候变化第二次国家信息通报[M].北京:中国经济出版社,2013 [4] WANG H, ZHANG D, ZHANG Y, et al. Ammonia emissions from paddy fields are underestimated in China[ J].Environmental Pollution, 2018 235:482488 [5]GAO S, XU P, ZHOU F, et al. Quantifying nitrogen leaching response to fertilizer additions in China's cropland J]. Environmental Pollution 016,211:241-251 [6]HOU X, ZHAN X, ZHOU F, et al. Detection and attribution of nitrogen runoff trend in China's croplands[J]. Environmental Pollution, 2018 234:270-278 [7]ENGEL T, PRIESACK E. Expert-N, a building block system of nitrogen models as resource for advice, research, water management and policy: Integrated Soil and Sediment Research: A Basis for Proper Protection[C]. Dordrecht: Springer, 1993 [8]COLEMAN K, JENKINSON D. RothC-26 3: a model for the turnover of carbon in soil: Evaluation of Soil Organic Matter Models[C]. Berlin [9]LI C. The DNDC mode: Evaluation of Soil Organic Matter Models[C]. Berlin: Springer, 1996 [10]李长生.生物地球化学:科学基础与模型方法[M].北京:清华大学出版社,2016 [11] GILHESPY S, ANTHONY S, CARDENAS L, et al. First 20 years of DNDC( DeNitrification DeComposition): model evolution[J]. Ecological Modelling,2014,292:51462 12]LI C, MOSIER A, WASSMANN R, et al. Modeling greenhouse gas emissions from rice-based production systems: sensitivity and upscaling[J] Global Biogeochemical Cycles, 2004, 18(1): GB1043 [13]ZHANG Y, NIU H. The development of the DNDC plant growth sub-model and the application of DNDC in agriculture: a review[J] culture Ecosystems Environment 2016.230: 271-282上 海 农 业 学 报 ＲＭＳＥ）、建模效率（Ｍｏｄｅｌｉｎｇｅｆｆｉｃｉｅｎｃｙ，ＥＦ）和一致性系数（Ｉｎｄｅｘｏｆａｇｒｅｅｍｅｎｔ，ｄ）。Ｅ可以用来检验模型是 否高估（Ｅ＞０）或低估（Ｅ＜０）了模拟值；ＲＭＳＥ通常与 ｎＲＭＳＥ同时使用；ＥＦ取值范围是 －∞到 １，ＥＦ＝１ 时表示模拟值与实测值全部匹配，当 ＥＦ≥ ０表示模型预测值较好；ｄ取值范围为 ０—１，值接近于 １说明 模拟值与实测值吻合度较好。模拟值与实测值之间的线性相关关系经常被用来表示它们之间的拟合度， 相关系数 Ｒ２接近于 １，说明模拟值与实测值拟合度高，Ｒ２ ＝０说明模拟值与实测值之间不存在线性相关 性。在配对 ｔ检验中，实测值和模拟值需要符合正态分布，主要对平均数与其各自所代表的总体进行差异 性分析。不同的方法侧重点不同，因此，方法的选择会影响到模拟结果的评价结果。 在各地稻田生态系统中，从水稻参数到田间管理方式，从土壤参数到气候条件存在较大的空间和时 间异质性。对于使用者而言，由于模型内部参数众多且参数间相关性紧密，有时很难准确找到并修正关 键参数，从一定程度上限制了模型的准确性。点位尺度上，用户可以使用 ＭｏｎｔｅＣａｒｌｏ对各参数进行不确 定分析；在区域尺度上，模型采用最敏感因子（Ｍｏｓｔｓｅｎｓｉｔｉｖｅｆａｃｔｏｒ）去优化模型预测结果，利用各输出参数 的最敏感因子的最大值和最小值分别进行模拟，最终预测出一个范围，并假设该范围涵盖了真实值［１２］ 。 Ｗａｎｇ等［６３］ 结合了 ＯＡＴ（Ｏｎｅｆａｃｔｏｒａｔａｔｉｍｅ）和傅里叶灵敏度检测（ＥｘｔｅｎｄｅｄＦｏｕｒｉｅｒａｍｐｌｉｔｕｄｅｓｅｎｓｉｔｉｖｉｔｙ ｔｅｓｔ）对模型敏感性进行分析，结果表明土地利用类型与土壤性质对区域碳储量影响较大。不确定性或敏 感性分析的加入有助于选择合适的参数，提高模型区域模拟结果的可靠性。 ５ 总结与展望 ＤＮＤＣ模型建立至今，世界各国的研究者用他们的田间数据对模型进行了验证校正，使得模型的可信 度不断增加，预测功能和使用范围不断扩展，模型逐步发展为可以在各个陆地生态系统中使用，预测作物 生长、土壤碳氮动态、温室气体排放及氮素流失等。随着环境问题的日益加剧，农田管理措施的不断改 进，对模型的预测功能的期望不断增加。另外，在信息时代的大背景下，ＤＮＤＣ模型已有从单机版向网络 版发展的趋势，大数据和互联网络等技术完全可以应用在传统单机模型上，进一步拓展模型功能。如何 更好地利用模型从点位尺度上到区域尺度上为水稻低碳生产服务，建立可信度较高的各农田管理措施和 情景下的预测评价系统，是模型在稻田应用方向发展的趋势。 参 考 文 献 ［１］ＦｏｏｄａｎｄＡｇｒｉｃｕｌｔｕｒｅＯｒｇａｎｉｚａｔｉｏｎｏｆｔｈｅＵｎｉｔｅｄＮａｔｉｏｎｓ．Ｓｔａｔｉｓｔｉｃａｌｙｅａｒｂｏｏｋ２０１６：ｗｏｒｌｄｆｏｏｄａｎｄａｇｒｉｃｕｌｔｕｒｅ［ＥＢ?ＯＬ］．［２０１８０８２０］．ｈｔｔｐ：?? ｗｗｗ．ｆａｏ．ｏｒｇ?ｆａｏｓｔａｔ?ｅｎ?． ［２］中华人民共和国农业农村部．２０１６年中国农业统计资料［Ｍ］．北京：中国农业出版社，２０１７． ［３］国家发展和改革委员会应对气候变化司．中华人民共和国气候变化第二次国家信息通报［Ｍ］．北京：中国经济出版社，２０１３． ［４］ＷＡＮＧＨ，ＺＨＡＮＧＤ，ＺＨＡＮＧＹ，ｅｔａｌ．ＡｍｍｏｎｉａｅｍｉｓｓｉｏｎｓｆｒｏｍｐａｄｄｙｆｉｅｌｄｓａｒｅｕｎｄｅｒｅｓｔｉｍａｔｅｄｉｎＣｈｉｎａ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＰｏｌｌｕｔｉｏｎ，２０１８， ２３５：４８２４８８． ［５］ＧＡＯＳ，ＸＵＰ，ＺＨＯＵＦ，ｅｔａｌ．ＱｕａｎｔｉｆｙｉｎｇｎｉｔｒｏｇｅｎｌｅａｃｈｉｎｇｒｅｓｐｏｎｓｅｔｏｆｅｒｔｉｌｉｚｅｒａｄｄｉｔｉｏｎｓｉｎＣｈｉｎａｓｃｒｏｐｌａｎｄ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＰｏｌｌｕｔｉｏｎ， ２０１６，２１１：２４１２５１． ［６］ＨＯＵＸ，ＺＨＡＮＸ，ＺＨＯＵＦ，ｅｔａｌ．ＤｅｔｅｃｔｉｏｎａｎｄａｔｔｒｉｂｕｔｉｏｎｏｆｎｉｔｒｏｇｅｎｒｕｎｏｆｆｔｒｅｎｄｉｎＣｈｉｎａｓｃｒｏｐｌａｎｄｓ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＰｏｌｌｕｔｉｏｎ，２０１８， ２３４：２７０２７８． ［７］ＥＮＧＥＬＴ，ＰＲＩＥＳＡＣＫＥ．ＥｘｐｅｒｔＮ，ａｂｕｉｌｄｉｎｇｂｌｏｃｋｓｙｓｔｅｍｏｆｎｉｔｒｏｇｅｎｍｏｄｅｌｓａｓｒｅｓｏｕｒｃｅｆｏｒａｄｖｉｃｅ，ｒｅｓｅａｒｃｈ，ｗａｔｅｒｍａｎａｇｅｍｅｎｔａｎｄｐｏｌｉｃｙ： ＩｎｔｅｇｒａｔｅｄＳｏｉｌａｎｄＳｅｄｉｍｅｎｔＲｅｓｅａｒｃｈ：ＡＢａｓｉｓｆｏｒＰｒｏｐｅｒＰｒｏｔｅｃｔｉｏｎ［Ｃ］．Ｄｏｒｄｒｅｃｈｔ：Ｓｐｒｉｎｇｅｒ，１９９３． ［８］ＣＯＬＥＭＡＮＫ，ＪＥＮＫＩＮＳＯＮＤ．ＲｏｔｈＣ２６．３：ａｍｏｄｅｌｆｏｒｔｈｅｔｕｒｎｏｖｅｒｏｆｃａｒｂｏｎｉｎｓｏｉｌ：ＥｖａｌｕａｔｉｏｎｏｆＳｏｉｌＯｒｇａｎｉｃＭａｔｔｅｒＭｏｄｅｌｓ［Ｃ］．Ｂｅｒｌｉｎ： Ｓｐｒｉｎｇｅｒ，１９９６． ［９］ＬＩＣ．ＴｈｅＤＮＤＣｍｏｄｅ：ＥｖａｌｕａｔｉｏｎｏｆＳｏｉｌＯｒｇａｎｉｃＭａｔｔｅｒＭｏｄｅｌｓ［Ｃ］．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ，１９９６． ［１０］李长生．生物地球化学：科学基础与模型方法［Ｍ］．北京：清华大学出版社，２０１６． ［１１］ＧＩＬＨＥＳＰＹＳ，ＡＮＴＨＯＮＹＳ，ＣＡＲＤＥＮＡＳＬ，ｅｔａｌ．Ｆｉｒｓｔ２０ｙｅａｒｓｏｆＤＮＤＣ（ＤｅＮｉｔｒｉｆｉｃａｔｉｏｎＤｅＣｏｍｐｏｓｉｔｉｏｎ）：ｍｏｄｅｌｅｖｏｌｕｔｉｏｎ［Ｊ］．Ｅｃｏｌｏｇｉｃａｌ Ｍｏｄｅｌｌｉｎｇ，２０１４，２９２：５１６２． ［１２］ＬＩＣ，ＭＯＳＩＥＲＡ，ＷＡＳＳＭＡＮＮＲ，ｅｔａｌ．Ｍｏｄｅｌｉｎｇｇｒｅｅｎｈｏｕｓｅｇａｓｅｍｉｓｓｉｏｎｓｆｒｏｍｒｉｃｅｂａｓｅｄｐｒｏｄｕｃｔｉｏｎｓｙｓｔｅｍｓ：ｓｅｎｓｉｔｉｖｉｔｙａｎｄｕｐｓｃａｌｉｎｇ［Ｊ］． ＧｌｏｂａｌＢｉｏｇｅｏｃｈｅｍｉｃａｌＣｙｃｌｅｓ，２００４，１８（１）：ＧＢ１０４３． ［１３］ＺＨＡＮＧＹ，ＮＩＵ Ｈ．ＴｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｔｈｅＤＮＤＣｐｌａｎｔｇｒｏｗｔｈｓｕｂｍｏｄｅｌａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆＤＮＤＣｉｎａｇｒｉｃｕｌｔｕｒｅ：ａｒｅｖｉｅｗ［Ｊ］． Ａｇｒｉｃｕｌｔｕｒｅ，Ｅｃｏｓｙｓｔｅｍｓ＆Ｅｎｖｉｒｏｎｍｅｎｔ，２０１６，２３０：２７１２８２． １１５