稻田氮磷徑流流失模型研究進展*

黃微塵，周 豐**，梁 浩，陳 磊

(1:北京大學(xué)城市與環(huán)境學(xué)院，北京 100871)(2:北京大學(xué)地表過程分析與模擬教育部重點實驗室，北京 100871)(3:河海大學(xué)農(nóng)業(yè)科學(xué)與工程學(xué)院，南京 210098)(4:北京師范大學(xué)環(huán)境學(xué)院，北京 100875)

稻米是全球超過一半人口的主食[1]，稻田分布在全球120多個國家，但90%的播種面積集中在東亞、南亞和東南亞[2]. 2017年，稻田消耗了全球50%的灌溉量和14%的化肥施用量[3]，該比例在中國更高，超過60%和20%[2]. 這種粗放的水肥管理，再加上氣候變化，造成了過量的氮磷徑流流失，嚴(yán)重威脅區(qū)域水安全[4]. 有研究表明，中國稻田氮磷徑流流失自1990年以來分別增加了46%和30%[5]，且未來這一風(fēng)險將進一步提高[6]. 然而，水稻品種類型繁多、種植制度多樣、水肥管理迥異，稻田氮磷徑流流失過程十分復(fù)雜，未來時空格局及其生態(tài)環(huán)境效應(yīng)還存在較大的不確定性.

稻田氮磷徑流流失的影響因素眾多，包括降水特征(強度、雨型、持續(xù)時間等)[7]、土壤理化性質(zhì)[8]、農(nóng)田管理措施[9]、肥料管理(強度、類型、方法和時間)[10]、水分管理(灌溉方式、田埂排水高度)[11]等. 同時，稻田氮磷徑流流失過程還與土壤養(yǎng)分循環(huán)的其他過程密切相關(guān)(如作物吸收、淋溶、揮發(fā)等)，完全通過觀測手段來解析稻田氮磷徑流流失的區(qū)域規(guī)律是不現(xiàn)實的. 因此，提高稻田氮磷徑流流失過程模擬能力，是優(yōu)化稻田水肥管理和實現(xiàn)氣候智能型稻田的關(guān)鍵手段.

自1950s以來，研究者陸續(xù)開發(fā)了適用于稻田氮磷徑流流失的多種模型，并利用不同區(qū)域、尺度的觀測和控制試驗進行了模型校準(zhǔn)和驗證. 這些模型大體上分為4類，包括統(tǒng)計經(jīng)驗?zāi)Ｐ汀⑽锢頇C理模型、水文過程模型和生態(tài)系統(tǒng)過程模型，從簡單的因果分析到復(fù)雜的機理探索，從單一模塊的開發(fā)到多模塊的耦合，已經(jīng)具備了田塊尺度、單一場次降雨到區(qū)域尺度連續(xù)降雨的多情景預(yù)測功能. 目前，已有不少相關(guān)方面的綜述文章，如梳理SWAT(soil and water assessment tool)、DNDC(denitrification-decomposition)等某一個具體模型的發(fā)展和應(yīng)用歷程[12-13]，或是聚焦面源污染、水文過程、作物生長等某一類模型的方法研發(fā)和改進[14-16]，也有著眼于降雨-徑流、污染物遷移轉(zhuǎn)化、氮磷循環(huán)等具體的過程機理及影響因素[17-19]. 模型開發(fā)和應(yīng)用中具體的環(huán)節(jié)，如數(shù)據(jù)獲取、參數(shù)率定、不確定性分析[20-22]，也是綜述文章的一個重要方面. 然而，系統(tǒng)總結(jié)稻田氮磷徑流流失模型研發(fā)歷程，尤其是其中降雨引起的釋放和輸移等過程以及農(nóng)藝管理措施等方面的綜述仍較少，也尚未系統(tǒng)歸納模型的關(guān)鍵問題或技術(shù)難點.

鑒于此，本文將系統(tǒng)闡釋稻田氮磷徑流流失發(fā)生機制，梳理國內(nèi)外稻田徑流流失4類模型的研發(fā)歷程，對比分析主流模型的性能特征，歸納模型在發(fā)生機制參數(shù)化、模型參數(shù)合理化以及農(nóng)藝管理措施模塊化等關(guān)鍵問題，在此基礎(chǔ)上提出模型研究展望，為稻田氮磷徑流流失模型的改進和應(yīng)用提供科學(xué)依據(jù).

1 稻田氮磷徑流流失發(fā)生機制

與旱地不同的是，稻田在水稻生長季會經(jīng)歷頻繁的干濕交替過程，為水稻和土壤微生物提供了獨特的生境[23]，發(fā)生了作物吸收、肥料水解、有機質(zhì)礦化、養(yǎng)分溶解態(tài)和吸附態(tài)互相轉(zhuǎn)化等過程. 由于特殊的淹水環(huán)境，稻田土壤呈現(xiàn)還原性，有利于反硝化作用的產(chǎn)生. 同時，田面水溶解氧較高，水稻莖稈通氣較好，使得水土界面又形成氧化層，促進硝化作用的發(fā)生[19]. 因此，水稻種植具有與稻田環(huán)境相應(yīng)、區(qū)別于旱地的田間措施、水肥管理制度和種植方式[24].

稻田氮磷徑流流失發(fā)生機制總結(jié)如圖1. 稻田的氮磷輸入主要包括干濕沉降、灌溉、施肥和生物固氮. 當(dāng)發(fā)生降雨時，雨滴攜帶氮磷進入田面水中，改變田面水水位及氮磷濃度[5,25]. 與旱地直接產(chǎn)生土壤濺蝕和顆粒分離不同，稻田田面水層對于降雨的沖擊力還具有緩沖作用，降低了滴濺侵蝕能力[26]. 雨水經(jīng)過水稻冠層截流之后，剩余的雨滴能量在田面水表層轉(zhuǎn)化成勢能，產(chǎn)生間歇性的壓力擾動，造成水土界面土壤孔隙水的釋放[7]. 土壤中存在氮磷的垂向擴散，同時由于重力作用，土壤表層溶質(zhì)也會向下滲透. 隨著雨量的增大，土壤淋溶損失逐漸增大至飽和，當(dāng)降水量大于滲透率，田面水位開始抬升并超過田埂，產(chǎn)生地表徑流[27]. 孔隙水、田面水和降雨灌溉水混合后形成水平推流，經(jīng)過田間的輸移過程，以溶解態(tài)氮素和吸附態(tài)磷素為主到達(dá)排水口，排出稻田形成地表徑流流失，這一過程中部分氮磷又通過吸附解析作用再次沉淀.

由于暴雨事件往往具有瞬時性和短暫性，稻田氮磷徑流流失對于初始條件敏感性較高. 初始田面水位、田面水濃度、土壤濃度等會顯著影響到氮磷流失量[7]. 因此，施肥量、施肥方式以及灌排制度通過改變稻田初始水量和養(yǎng)分含量影響流失過程. 其中，肥料在施用之后，短時間內(nèi)能顯著提高田面水氮磷濃度，增加流失風(fēng)險[28]. 同時土壤中氮磷三態(tài)的相互轉(zhuǎn)化、作物吸收、蒸散發(fā)、氨揮發(fā)、反硝化造成的氣體排放、干沉降、淋溶、側(cè)滲等過程都會通過間接途徑參與整個稻田系統(tǒng)的徑流流失. 由此可見，有效模擬稻田徑流流失，需要準(zhǔn)確量化徑流流失過程、稻田初始條件和水肥管理制度.

圖1 稻田氮磷徑流流失發(fā)生機制與主要過程

2 模型研發(fā)歷程

2.1 統(tǒng)計經(jīng)驗?zāi)Ｐ?/h3>

統(tǒng)計經(jīng)驗?zāi)Ｐ褪腔谟^測數(shù)據(jù)，利用因果分析和統(tǒng)計分析方法，建立的不同形態(tài)氮磷流失通量與降雨量、施肥量、灌溉量等因素的響應(yīng)方程，但難以考慮稻田復(fù)雜的水文和氮磷遷移轉(zhuǎn)化過程(圖2). 例如，SCS模型(soil conservation service)[29]根據(jù)土壤和降雨因素來確定徑流總量，包含一個代表土壤通透性的重要綜合參數(shù)CN(curve number)，可適應(yīng)多種土壤類型和土地利用類型下的徑流量模擬. 隨后，研究者通過實驗手段調(diào)整不同稻區(qū)的具體數(shù)值[30-31]. Lian等[32]搜集了55個研究地點的大量降雨徑流數(shù)據(jù)，建立了CN-China查找表，提供了適用于中國的參考指南. 另外，輸出系數(shù)模型[33]是根據(jù)田間實驗確定污染物輸出系數(shù)，應(yīng)用于稻田年尺度氮磷徑流流失負(fù)荷估算. SPARROW模型(spatially referenced regressions on watershed attributes)[34]將統(tǒng)計學(xué)方法應(yīng)用于污染物的質(zhì)量傳輸過程，為大尺度應(yīng)用提供了一種體現(xiàn)區(qū)域差異的統(tǒng)計方法.

由于統(tǒng)計經(jīng)驗?zāi)Ｐ椭豢紤]輸入和輸出之間的關(guān)系，不涉及具體的過程和機理，對數(shù)據(jù)質(zhì)量要求較低，適合于大尺度、年尺度的氮磷徑流流失負(fù)荷估算. 例如，我國全國第一次污染源普查就采用輸出系數(shù)法對全國尺度稻田的污染物流失系數(shù)進行核算. Hou等[25]考慮施氮強度、氣候、灌溉量和土壤屬性等環(huán)境因子對氮流失率的影響，建立了農(nóng)田總氮徑流流失量與施氮強度之間的非線性響應(yīng)模式(附表Ⅰ和Ⅱ)，更新了中國第一次污染普查的結(jié)果. 同時，統(tǒng)計經(jīng)驗?zāi)Ｐ鸵捕嘤脕硖剿鞫噍斎胱兞恐g的相互關(guān)系，來獲取稻田氮磷徑流流失過程的關(guān)鍵控制因子，識別有針對性的減排措施[5,33]. 當(dāng)數(shù)據(jù)存在缺漏時，還可應(yīng)用統(tǒng)計模型建立回歸關(guān)系補全數(shù)據(jù)序列. 由于其操作簡便，所需數(shù)據(jù)資料少，常納入其他模型的模塊中，或結(jié)合簡單的機理模型提高其區(qū)域模擬的能力[35]，但模型的系數(shù)多為經(jīng)驗參數(shù)，不具備實際物理意義，所以應(yīng)用于不同區(qū)域時常需要進行修正[30]，這導(dǎo)致模擬與試驗地點自然、人為因素顯著不同的區(qū)域時精度難以保障.

圖2 稻田氮磷徑流流失的4類模型研發(fā)歷程

2.2 物理機理模型

物理機理模型比統(tǒng)計經(jīng)驗?zāi)Ｐ蛷?fù)雜，考慮了稻田輸入、輸出和中間遷移轉(zhuǎn)化過程機理，屬于“白箱”模型. 物理機理模型以物質(zhì)守恒、能量守恒定律為基礎(chǔ)，具有嚴(yán)格理論過程，模型參數(shù)有明確的物理意義，求解方法一般是基于設(shè)定的初始和邊界條件進行數(shù)值求解(圖2).

物理機理模型量化了水土界面氮磷遷移轉(zhuǎn)化過程. 這一過程包括了降雨引起的物理侵蝕作用、化學(xué)物質(zhì)的遷移轉(zhuǎn)化、土壤水-徑流混合推移等. 傳統(tǒng)的模型主要包括兩類，即混合層模型[36-37]和擴散模型[38-39]. 混合層模型假設(shè)土壤表層存在一個較薄的混合層，降水、徑流與土壤水在該混合層完全混合，而擴散模型假定擴散過程控制土壤和徑流之間的化學(xué)傳遞. 這兩類模型自提出以來，關(guān)鍵公式和基本假設(shè)不斷得到完善，但往往認(rèn)為某一種過程起主導(dǎo)性的作用，且尚未考慮到這些過程的交互影響，尤其對于降雨的作用考慮不全. Gao等[40-41]結(jié)合了降雨主導(dǎo)的土壤水釋放過程和擴散主導(dǎo)的深層土壤遷移到混合層(交換層)的過程，其中，降雨控制積水-徑流層和交換層間的溶質(zhì)遷移，擴散控制土壤層和交換層間的遷移(附表Ⅰ和Ⅱ). 理論上，這些模型可以應(yīng)用于具有田面積水和田埂的稻田[42]，但田面水位對降雨濺蝕作用的緩沖作用仍然沒有得到很好的模擬. Higashino等[7]從另一個角度出發(fā)，將雨滴大小、降落速度、雨滴密度(即單位面積的雨滴個數(shù))等參數(shù)納入模型，細(xì)化了稻田水-土界面養(yǎng)分釋放過程. 結(jié)果表明，該釋放過程對于稻田氮徑流流失的貢獻超過20%. 盡管物理機理模型的科學(xué)假設(shè)不斷完善，機理過程逐漸完整，模擬精度和分辨率逐步提高，但輸入數(shù)據(jù)和邊界條件要求高，模擬過程相對復(fù)雜[43]，一般是基于少量的室內(nèi)實驗或田間試驗進行參數(shù)率定和不確定性分析，難以在大尺度推廣應(yīng)用.

2.3 水文過程模型

水文過程模型在面源污染方面應(yīng)用很廣，涉及到降雨-徑流、土壤侵蝕、污染物遷移轉(zhuǎn)化等過程(圖2)[44]，從而實現(xiàn)不同氣象條件、土壤屬性和管理措施的綜合模擬(附表Ⅰ和Ⅱ). 水文過程模型不僅考慮不同土壤類型之間的差異，還常對土壤進行分層分區(qū)，以提高模型模擬能力. 從19世紀(jì)60年代開始，研究者陸續(xù)開發(fā)出很多適用于農(nóng)田和流域尺度的水文過程模型. 農(nóng)田尺度模型用于單一的土地利用和相對均一的土壤質(zhì)地，是大尺度分布式參數(shù)模型建模的基礎(chǔ)，如CREAMS(chemicals, runoff, and erosion from agricultural management systems)[45]和GLEAMS(groundwater loading effects of agricultural management systems)[46]；流域尺度模型考慮了流域內(nèi)氣候、土地利用、土壤類型、管理措施等的空間異質(zhì)性，得到整個流域的污染物輸出量，如SWAT(soil and water assessment tool)[47]和MIKE SHE(MIKE system hydrological European)[48]. 這些模型雖然為過程模型，但仍然存在很多經(jīng)驗的公式，如 SWAT中直接采用了SCS和USLE模型計算單個響應(yīng)單元的徑流和土壤侵蝕(附表Ⅰ). 同時，這些模型無法準(zhǔn)確模擬稻田氮磷徑流流失特征，如GLEAMS模型模擬滲漏時采用的Storage-Routine方法、SWAT將稻田田面水層看作蓄水池的處理等. 鑒于此，研究者不斷對已有的水文模型進行改進使之具備稻田模擬能力. 例如，RICEWQ(rice water quality)[49]、PCPF-1(pesticide concentration in paddy field, v1)[50]模型考慮氮磷在田面水中的過程，CREAMS-PADDY[51]、GLEAMS-PADDY[52]模型考慮了稻田土壤中的遷移轉(zhuǎn)化行為，GLEAMS-PR(GLEMAS paddy-rice)[53]和RICEWNB(RICE-water and nitrogen balance)[54]模型還探索了稻田傳熱和根區(qū)土壤氮循環(huán)的模擬.

計算機和3S(GIS、GPS、RS)技術(shù)的不斷發(fā)展提供了大量的空間數(shù)據(jù)和統(tǒng)計數(shù)據(jù)，模型的數(shù)據(jù)處理能力和應(yīng)用價值大大提升. 水文過程模型在此背景下從單純的數(shù)值計算程序成為了多功能一體的專業(yè)軟件系統(tǒng)，更多地應(yīng)用于大尺度稻區(qū)的高分辨模擬，包括氮磷徑流流失通量估算和減排措施優(yōu)化. Yan等[55]在WALRUS模型中考慮了稻田的灌溉和排水方式，引入了新的磷模塊，形成了面向圩區(qū)的水文過程模型PHPS(lowland polder hydrology and phosphorus modelling system)，對太湖流域稻區(qū)有無抽水情景進行模擬，并提出了增加抽水、頻繁清淤以及提高稻區(qū)范圍水體水生植物的覆蓋范圍等關(guān)鍵減排措施.

水文過程模型具備完善的水文模塊和氮磷循環(huán)模塊，適用于稻區(qū)水分和養(yǎng)分循環(huán)研究，探索流域氮磷流失規(guī)律. 這些水文過程模型全面考慮田面水的推流過程以及氮磷在土壤層中的物理化學(xué)遷移轉(zhuǎn)化過程，但多用于日或月尺度模擬，且常將降雨僅僅視為水量輸入而忽略了降雨對土壤的間歇性沖擊擾動作用，使得稻田氮磷徑流流失的模擬結(jié)果存在一定偏差. 另外，水文過程模型對農(nóng)藝管理措施的參數(shù)化較為簡單，對于大尺度模擬存在較大的不確定性.

2.4 生態(tài)系統(tǒng)模型

生態(tài)系統(tǒng)模型動態(tài)描述作物生長及水、氮和磷元素在土壤-作物-大氣連續(xù)體中的生物地球化學(xué)循環(huán)過程(圖2). 與水文過程模型不同，其更側(cè)重于水稻的生理生態(tài)和生長發(fā)育過程，以及對氮磷輸入、氣象和水肥管理的響應(yīng). 農(nóng)田生態(tài)系統(tǒng)模型開發(fā)起始于1960s-1970s[56-59]，如美國學(xué)者開發(fā)了CERES 模型并整合到DSSAT系統(tǒng)[60-61]. 部分農(nóng)田生態(tài)系統(tǒng)模型針對稻田進行了改進，如CERES-Rice[62]和WHCNS-Rice[63]. 李長生等[64-65]構(gòu)建了DNDC模型(denitrification-decomposition)，較好地模擬農(nóng)業(yè)生態(tài)系統(tǒng)碳-氮-水的生物地球化學(xué)循環(huán). 與這類模型相比，陸面過程模型引入了農(nóng)作物模塊[66]，更好體現(xiàn)作物生理生態(tài)機制[67]，例如ORCHIDEE模型(organizing carbon and hydrology in dynamic ecosystems)[68]. 王旭輝[69]在此基礎(chǔ)上開發(fā)了ORCHIDEE-crop模型以及其參數(shù)最優(yōu)化系統(tǒng)，實現(xiàn)不同稻區(qū)水稻模擬.

生態(tài)系統(tǒng)模型具備多時空尺度模擬能力，如田塊尺度的EPIC模型[70]發(fā)展起來的APEX模型(agricultural policy/environmental extender)[71]可用于小流域尺度，該模型時空分辨率高，具有較好的水稻種植管理措施模塊，已具備響應(yīng)氣候變化和稻田農(nóng)藝管理措施的模擬能力[72]. 目前，生態(tài)系統(tǒng)模型已經(jīng)廣泛應(yīng)用于稻田模擬，多用于不同情景下水稻生長、水熱通量和溫室氣體的排放模擬，然而，氮磷徑流流失模擬能力較弱. Zhao等[73]將SCS和RULSE引入DNDC模型(附表Ⅰ)[74]，實現(xiàn)稻田氮素徑流流失的季節(jié)過程模擬，并應(yīng)用于上海地區(qū)稻田最佳水肥管理措施優(yōu)化. 相比物理機理模型和水文過程模型，生態(tài)系統(tǒng)模型更關(guān)注養(yǎng)分循環(huán)和作物生長發(fā)育，對稻田徑流流失的模擬具有濃厚的經(jīng)驗性質(zhì)，無法有效響應(yīng)氣候變化和水肥管理的影響[75]，難以實現(xiàn)區(qū)域普適性[76]. 同時，由于磷的遷移轉(zhuǎn)化能力相對較弱，也不參與稻田溫室氣體的排放，生態(tài)系統(tǒng)模型往往忽略了磷循環(huán)過程.

稻田氮磷徑流流失發(fā)生機制十分復(fù)雜，常常與許多因素(如氣象水文、土地利用、土壤類型、農(nóng)田管理措施等)密切相關(guān). 以上4類模型側(cè)重點不同，模擬氮磷徑流流失過程采用的方法和公式表達(dá)存在差異，對于驅(qū)動數(shù)據(jù)的要求和適用的范圍尺度等也有所區(qū)別，這導(dǎo)致了模擬功能、時空尺度和適應(yīng)范圍方面上的差別. 本文從稻田氮磷徑流流失的過程環(huán)節(jié)出發(fā)，選取7個具有代表性的流失模型進行歸納和對比(附表Ⅰ和Ⅱ). 模型的開發(fā)及具體應(yīng)用可參閱相關(guān)研究成果.

2.5 不確定性評估

稻田氮磷徑流流失具有復(fù)雜的發(fā)生機制，受到各類隨機因素的影響，而模型運用相對簡單的數(shù)學(xué)公式進行表述，就會造成不確定性. 不確定性主要可以分為隨機性、模糊性、灰色性和未確知性[77]. 不確定性研究旨在理清不確定性來源并試圖降低不確定性，提高模型預(yù)測能力. 不確定性分析方法和理念隨著稻田流失模型的改進也在不斷發(fā)展. 但模型的不確定性十分復(fù)雜且相互關(guān)聯(lián)，目前的研究仍偏向單一過程和案例的不確定性，缺乏推廣能力[78]. 目前，稻田氮磷徑流流失模型的不確定性研究包括模型和數(shù)據(jù)兩個方面[79].

首先，模型不確定性包括模型結(jié)構(gòu)和模型參數(shù)的不確定性. 對于稻田流失機理和過程認(rèn)識的不完整，數(shù)學(xué)表達(dá)中的簡化處理，模擬的尺度問題，全局最優(yōu)的參數(shù)估值過程中伴隨的參數(shù)敏感性、相關(guān)性、閾值等因素的影響，都會造成這種不確定性[20]. 在模型改進歷程中，流失機理逐漸完善，考慮過程逐漸周全，模型也具備了模擬更大時空尺度的能力. 如Gao等[40-41]在物理模型中考慮降雨引起的釋放作用后，研究者[42-43,80-81]又陸續(xù)考慮了滲透、化學(xué)轉(zhuǎn)化等過程和不同土壤、水力條件下的適用性，降低了模型結(jié)構(gòu)的不確定性. “試錯法”是率定稻田氮磷徑流流失模型參數(shù)最傳統(tǒng)的方法，該方法費時費力，且?guī)в泻艽蟮闹饔^性和偶然性[47]. 隨著計算機技術(shù)的發(fā)展，貝葉斯法[82]、SCE-UA[83]、SCPSO[84]等自動優(yōu)選方法逐漸得到開發(fā)和應(yīng)用，對于模型參數(shù)的不確定性研究具有重要意義.

其次，數(shù)據(jù)不確定性包括輸入數(shù)據(jù)和驗證數(shù)據(jù)(即輸出數(shù)據(jù))的不確定性. 稻田徑流流失模型的輸入數(shù)據(jù)常包括基礎(chǔ)地理、降雨灌溉、土地利用和土壤屬性、農(nóng)藝管理措施等，而模型還需要徑流通量、氮磷濃度等觀測數(shù)據(jù)進行校準(zhǔn)和驗證. 受制于數(shù)據(jù)的時空尺度和分辨率，模擬結(jié)果存在不確定性. 對于基礎(chǔ)地理、降雨等數(shù)據(jù)，目前常采用改變其輸入的空間分布和尺度的方法，考察其對于最終結(jié)果的影響[20]，而氮磷濃度、徑流等觀測數(shù)據(jù)的測量誤差受實驗方法和監(jiān)測手段的制約，仍沒有較好的不確定性分析方法. 有研究者嘗試采用隨機變量[85]或加入隨機干擾數(shù)據(jù)[86]來量化數(shù)據(jù)的不確定性.

3 模型關(guān)鍵問題

3.1 發(fā)生機制的參數(shù)化

上述4類模型的稻田氮磷徑流流失發(fā)生機制還需要更好的參數(shù)化. 目前對于溶質(zhì)從土壤遷移到地表徑流的機理及這些過程對于自然人文相關(guān)因素的定量響應(yīng)的認(rèn)識仍然有限. 比如不同土壤類型、溶質(zhì)、土壤滲透率、地表覆被等因素下降雨徑流混合層的深度都會存在差異[87-88]，目前仍然沒有有效的方法進行精確定量[89]. 土壤-水釋放遷移速率、傳質(zhì)系數(shù)等的區(qū)域適用性仍需要研究證實. 當(dāng)未來氣候超過當(dāng)前波動范圍時，基于現(xiàn)在實驗條件下得到的稻田氮磷徑流流失響應(yīng)規(guī)律是否有效也是關(guān)鍵問題[90].

除此之外，大量的物理機理模型往往針對坡地和旱地，導(dǎo)致對于具有特殊性的稻田(較高的田面水位、淹水環(huán)境下特殊的土壤分層等)的模擬效果較差，而水文過程和生態(tài)系統(tǒng)模型對部分復(fù)雜過程難以進行微觀定量模擬，這意味著稻田氮磷流失的發(fā)生機制以及參數(shù)化的研究仍然存在諸多空白. 雖然少量研究開始關(guān)注降雨引起水土界面氮磷釋放的關(guān)鍵作用，但釋放的間歇性、孔隙水濃度、田面水中推流輸移時再吸附和再沉淀等過程仍然缺乏有效參數(shù)化，無法區(qū)分常規(guī)降水和極端降水變化(頻率、強度、持續(xù)時間等增加[91])的影響.

稻田氮磷徑流流失是氮磷循環(huán)過程的之一，并非孤立，而與氮磷利用、氮磷損失、水-土-氣界面過程等密切相關(guān). 例如，作物生理生態(tài)過程影響蒸散發(fā)和氮磷吸收利用，從而改變田面水位和田面水氮磷濃度等徑流流失的初始條件[7]. 然而，經(jīng)驗、物理機理和水文過程模型缺乏作物生理生態(tài)過程模擬能力，而農(nóng)田生態(tài)系統(tǒng)模型缺乏稻田氮磷徑流流失對作物生理生態(tài)的響應(yīng)模擬能力. 因此，不同類型模型的耦合可能是解決這類問題的方法之一.

3.2 模型參數(shù)的合理化

模型率定和驗證是保證參數(shù)合理的關(guān)鍵步驟[92]. 參數(shù)的選擇往往被限制在預(yù)定義的范圍內(nèi)，再根據(jù)觀測數(shù)據(jù)進行最優(yōu)值的選定，以反映參數(shù)的區(qū)域適應(yīng)性[93]. 傳統(tǒng)的生態(tài)系統(tǒng)模型，通常在站點尺度上校準(zhǔn)，升尺度到大尺度[94]，因此，需要高分辨率、多年多站點觀測數(shù)據(jù)進行模型率定和驗證，降低模型預(yù)測的不確定性. 對于水文過程模型，需要選擇具有代表性的觀測站點數(shù)據(jù)來反映空間分異性，但常規(guī)的觀測數(shù)據(jù)難以滿足要求，而人工采樣難以提高時間和空間分辨率. 此外，目前率定數(shù)據(jù)多采用實際環(huán)境狀態(tài)變量的觀測值，即“硬約束”觀測數(shù)據(jù). 最近研究學(xué)者提出“軟約束”觀測數(shù)據(jù)[95-96]，即與模擬的各獨立過程和平衡有關(guān)的信息[97]，這將是提高模型參數(shù)的合理化的可行途徑.

稻田氮磷徑流流失模型普遍缺乏針對每個發(fā)生過程(釋放、徑流、輸移)的逐一率定，且氮磷循環(huán)過程的通量也難以同步率定，這就造成為了模擬氮磷徑流流失過程時犧牲其他過程的模擬精度，從而降低模型整體的可信度. 對于高度非線性模型，很可能只在參數(shù)空間搜尋到一組最佳組合[69]. 目前，對于流失模型多采用單目標(biāo)函數(shù)進行參數(shù)率定，基于有限特征指標(biāo)的多目標(biāo)全局優(yōu)化方法尚未能考慮目標(biāo)組合優(yōu)化和多目標(biāo)函數(shù)對模型參數(shù)集的影響，更難以解決異參同效問題[93].

目前，參數(shù)自動優(yōu)選方法得到了普遍應(yīng)用[82-83]，但基于啟發(fā)式搜索的模型參數(shù)自動優(yōu)選算法仍存在諸多問題，搜索算法的盲目隨機游動性問題突出，搜索效率較低，容易陷入局部陷阱[98]. 王旭輝[69]利用粒子濾波算法構(gòu)建了ORCHIDEE-crop模型的參數(shù)最優(yōu)化系統(tǒng)，使得模型具有魯棒性，但由于觀測數(shù)據(jù)誤差獲取的限制，仍無法很好做到上述的多變量同步優(yōu)化，且大規(guī)模計算能力也存在技術(shù)瓶頸. 目前針對稻田的模型多是采用成熟的參數(shù)率定方法，考慮到稻田的特殊性，未來仍需要采用更有效的方法來分解模型參數(shù)、模型結(jié)構(gòu)、輸入數(shù)據(jù)集、誤差結(jié)構(gòu)和概率對模型模擬結(jié)果的不確定性. 從田塊尺度到流域、區(qū)域、全球尺度，主控因素也會發(fā)生變化，參數(shù)值可能不適用，需要進行建立傳遞函數(shù)實現(xiàn)參數(shù)升尺度[21].

3.3 農(nóng)藝管理與措施的模塊化

農(nóng)藝管理措施顯著改變稻田氮磷徑流流失過程[99]，但相關(guān)模塊開發(fā)和改進仍然存在極大的空間. 稻田的灌溉、排水方式與旱地顯著不同，并直接影響著稻田氮磷徑流流失. Yang等[100]發(fā)現(xiàn)優(yōu)化灌溉相比于傳統(tǒng)的大水漫灌能夠顯著減少稻田24%的氮流失，而移栽前田間被動排水也是一大貢獻因素[101]. 然而，目前的模型缺乏自動灌排制度的模擬能力. 最近研制了針對稻田的灌溉排水控制方案模擬[101-102]，但過于簡單，無法涵蓋灌排制度的多樣性和區(qū)域性. 這類模擬還受到實驗觀測的限制，未能進行同步率定和長期的驗證，仍無法直接外推到實驗區(qū)以外的稻田. 此外，目前的模型中還缺乏節(jié)水灌溉和田-溝-塘的聯(lián)合調(diào)控的措施模擬. 例如，排水溝渠和塘堰系統(tǒng)是稻田與水體之間的一個過渡帶，能夠在減少稻田進入下游水體的氮磷流失方面起到重要作用[103]. 稻區(qū)溝、塘數(shù)量多且形狀極其不規(guī)則，田-溝-塘的聯(lián)合運行多種多樣，如何識別其關(guān)鍵參數(shù)及其定量化是解決不同措施下稻田氮磷徑流流失模擬問題的核心[102].

稻田的總氮流失量還受種植制度、施肥制度(量、類型、時間和方式)的影響[104]. 例如，深施相比表施能顯著減少稻田氮徑流流失的48%～72%. 不管是統(tǒng)計經(jīng)驗?zāi)Ｐ瓦€是過程模型[5,25,69]，模型缺乏稻田氮磷徑流流失對移栽和收獲日期、施肥制度(量、類型、時間和方式)、秸稈還田比例等管理措施的響應(yīng)能力. 另外，對于站點或小尺度而言，農(nóng)藝管理措施可以通過調(diào)查直接輸入，但對于大尺度而言則難以獲取到調(diào)查數(shù)據(jù). 如何建立種植制度(輪作與否、移栽和收獲時間)、施肥管理(量、類型、時間、位置)，耕作(耕作、少耕、免耕)等大尺度高分辨數(shù)據(jù)集也是農(nóng)藝管理與措施模塊化的另一個關(guān)鍵.

4 展望

自1950s以來，稻田氮磷徑流流失模型研究已經(jīng)取得了顯著的成果，在全球范圍得以廣泛應(yīng)用，為稻田流失機理解析、通量估算及減排措施做出了重大貢獻. 然而，稻田氮磷徑流流失模型在發(fā)生機制、模型參數(shù)和農(nóng)藝管理措施等關(guān)鍵問題方面尚存在不足，仍有較多的改進空間，本文總結(jié)前述，展望未來改進與發(fā)展的趨勢如下：

1)提高觀測數(shù)據(jù)質(zhì)量和過程機理研究. 稻田氮磷徑流流失過程機理復(fù)雜，模擬參數(shù)眾多，不確定性大. 未來將需要改進實驗設(shè)計和監(jiān)測技術(shù)，獲得更高時間分辨率、全通量、多站點、多種自然人文環(huán)境驅(qū)動、以及不同水稻品種和農(nóng)藝管理措施下的實驗觀測數(shù)據(jù)，并通過機制平臺共享數(shù)據(jù)，以達(dá)到模型應(yīng)用的標(biāo)準(zhǔn)化和模型不確定性的降低. 另外，增強人工模擬試驗與模型模擬的結(jié)合，進一步加強稻田氮磷流失形成過程各個環(huán)節(jié)的機理研究，對稻田釋放、吸附解析過程和混合層深度等進行研究量化. 關(guān)注農(nóng)藝管理措施的發(fā)展和改進[13,69]，實現(xiàn)農(nóng)藝措施的模塊化和參數(shù)化.

2)加強模型的開發(fā)改進與先進技術(shù)的集成. 計算機技術(shù)的發(fā)展和3S的應(yīng)用給稻田氮磷流失模型的開發(fā)思路和手段帶來了技術(shù)創(chuàng)新和革命. 近年來，人工智能和機器學(xué)習(xí)取得了飛速的發(fā)展，目前已經(jīng)存在有機結(jié)合過程模型和智能模型的相關(guān)研究[105]，但尚未得到廣泛的應(yīng)用. 基于CPU和GPU異構(gòu)并行的高性能計算技術(shù)也取得了顯著的發(fā)展[106]，能夠顯著提高模型計算性能，增強模型可視化，推動稻田氮磷流失模型與先進技術(shù)手段的集成和融合.

3)加強氮磷流失不同過程、不同模塊、不同模型類型之間的耦合. 稻田的氮磷流失是不同因素綜合作用的結(jié)果，包含了復(fù)雜的物理化學(xué)生物過程的耦合和互饋，一些過程是相同的，在模型中互相借鑒，如植物生長過程；一些過程是相關(guān)的，如水文過程與生態(tài)過程，因此，不同學(xué)科的模型耦合成為必然. 目前，生態(tài)模型對于稻田氮磷遷移轉(zhuǎn)化流失模擬仍較為簡單，而水文模型用于稻田模擬時對于作物生長和管理措施考慮還不夠全面. 最近就有研究者將生態(tài)模型APEX和水文模型SWAT模型結(jié)合起來，開發(fā)了混合模型SWAPX，來探索氣候變化情景下稻區(qū)最優(yōu)管理措施[107]. 因此，耦合稻田生態(tài)系統(tǒng)模塊和流域水文模型，實現(xiàn)水文和稻田氮磷循環(huán)系統(tǒng)模擬，建立多模型集合框架[108]，有利于提高多種脅迫壓力(包括極端氣候事件)下模型模擬精度[109].

5 附錄

附表Ⅰ和Ⅱ見電子版(DOI：10.18307/2021.0202).