论文部分内容阅读
目前，许多生态环境问题正在严重地威胁着人类的生产和生活。一些重大的生态环境问题通常在大尺度上发生，并且只能在大尺度上进行管理或治理。用数学模型重现点尺度上的实验和观测结果从而扩展到对区域尺度整体情况的估算和把握，是量化生态环境问题的重要手段。因此，目前的研究努力多集中在如何提高模型精度和准确度上。然而，即使模型技术发展得足够完善、获得的输入参数足够精确，能够准确模拟点尺度上的实际情况，在空间尺度扩展过程中，仍然可带来误差。对不同尺度扩展方法的误差大小及来源进行比较分析，有助于选择正确的尺度扩展方法，减少在大尺度上量化相关问题时的误差。
大气中温室气体浓度增加导致的全球气候变暖是当今备受瞩目的全球环境问题。本研究以估算农田源温室气体排放量为例，设计了两个数值实验，在数据基础和模型工具均相同的情况下，对比分析了以下三种空间尺度扩展方法的误差来源和大小：1)取区域内多个点的模型输入参数平均值，计算区域平均排放量，即参数平均法；2)以区域内一个代表样点的参数输入模型，计算区域平均排放量，即代表性点法；3)根据区域内各模型参数的统计学特征，随机生成100个虚拟点，以其输出结果的平均值为区域平均排放量，此为蒙特卡罗法。
实验一收集了河南省内92个样点与N2O排放相关的各项数据，用DNDC模型模拟了河南省旱地N2O排放量。在选用河南省封丘站为样点进行DNDC模型验证时发现，DNDC模型能够较好地捕捉到该点4次由灌溉及施用化肥造成的N2O排放峰，且与实测情况具有较高的吻合度。同时，DNDC模型估算的封丘年度N2O排放总量为736 g N2O-N hm-2，与监测的实际值较为一致。
在对DNDC模型进行敏感性分析时发现，pH是DNDC模型中影响N2O排放量的最敏感因素，较低的pH普遍导致大量N2O排放，当pH在中等范围内变化时，N2O排放量随之剧烈改变，当pH大于7.9后，N2O排放量稳定在一个较低的水平上。此外，灌溉量是影响N2O排放的一个重要因素，现实中农户单次灌溉量通常在2～7cm的范围内，在这一范围中，灌水5cm左右时是产生N2O的最佳灌溉量，低于或高于这一灌溉量均能减少N2O的排放。当土壤有机碳含量小于某一阈值时，N2O排放量随其增加而减少，当土壤有机碳含量大于该值后，其变化对N2O排放量影响不大。N2O排放量随粘粒含量增加而减少，两者呈负相关关系。N2O排放量随施肥量的增加而增加，两者具有显著的正相关关系。N2O排放量基本不随土壤容重变化而变化，容重不是影响N2O排放量的关键性指标。
本研究对比了不同空间尺度扩展方法模拟的河南省旱地N2O排放量，结果表明，以真实参数模拟计算的92个样点N2O排放量均值作为基准值，则参数平均法和代表性点法的相对误差分别为-53.79％和-62.26％，采用蒙特卡罗法可将误差降低至-1.60％。对前两种方法的误差来源进行分析表明，土壤pH与N2O排放量之间的非线性关系是参数平均法和代表性点法造成误差的主要原因。
实验二收集了江苏省内稻麦轮作体系水稻田59个样点与CH4排放相关的信息，以CH4MOD模型模拟了CH4排放情况。将CH4MOD模型计算结果与常熟农田生态系统国家野外科学观测研究站水稻田实测结果对比，在不施秸秆和分别施加2250 kg hm-2、4500kg hm-2小麦秸秆三种施肥处理下，模拟结果与实测值之间相对误差均小于10％；对水稻生长期内CH4的逐日排放量模拟值和实测值进行了相关性分析，结果表明模拟值与实测值之间存在极显著的相关关系，模型验证较好。
在对CH4MOD模型进行敏感性分析时发现，烤田次数对CH4排放量的影响是决定性的，连续淹水条件下CH4排放量几乎是1次中期烤田的2倍，随着烤田次数增加，CH4排放量逐渐减少，烤田次数是CH4MOD模型中影响CH4排放量的最敏感因子。CH4排放量与砂粒含量、秸秆施用量呈显著的正相关关系，其中秸秆施用量与CH4排放量具有较为明显的直线线性关系；选用不同气象监测站的逐日气象数据，模拟结果的最大值与最小值之间具有25.6％的相对误差。
本研究对比了不同空间尺度扩展方法模拟的江苏省水稻田CH4排放量，结果表明，以真实参数模拟计算的59个样点CH4排放量均值作为基准，参数平均法和代表性点法的相对误差分别为-19.60％和-19.74％，采用多点代面的蒙特卡罗法仅造成了3.29％的相对误差。对前两种方法的误差来源进行分析表明，烤田次数的不确定性是这两种方法造成误差的主要因素。
参数平均法和代表性点法是目前国际上较为常用的空间尺度扩展方法，但本研究通过两个实验表明，这两种方法的误差较大。这两种方法产生较大误差的原因主要是模型输入参数与输出结果间通常不是简单的线性关系，用参数的平均值或代表性值进行计算，会带来误差；此外，这两种方法中每个目标空间单元只具备一组模型参数，当遇到某参数无法用单一取值代替区域总体情况时，会产生误差。采用蒙特卡罗方法能够有效的减少空间尺度扩展过程产生的误差，因此是一种更加可靠的空间尺度扩展方法。