劉靜萍,徐昔保

1 中國科學(xué)院南京地理與湖泊研究所流域地理學(xué)重點實驗室, 南京 210008 2 中國科學(xué)院大學(xué), 北京 100049

農(nóng)田生態(tài)系統(tǒng)提供了糧食供給、氣候調(diào)節(jié)、水源涵養(yǎng)、土壤形成與保護、生物多樣性保護和娛樂文化等生態(tài)系統(tǒng)服務(wù),是全球最重要的生態(tài)系統(tǒng)之一[1]。高強度的農(nóng)業(yè)生產(chǎn)也給生態(tài)環(huán)境帶來諸多負面影響,過多化肥施用導(dǎo)致過量的面源污染排放,進而加劇地表水體富營養(yǎng)化風(fēng)險[2],同時稻田也是大氣 CH4和N2O重要排放源之一[3]。2016年,國土資源部公布中國耕地總面積占國土面積的19.6%,其中中低產(chǎn)田占耕地面積的67%[4]；全國第一次污染源調(diào)查顯示,來自農(nóng)田面源污染的總氮、總磷分別占對應(yīng)總排放量的57.2%和67.4%[5],太湖流域農(nóng)田面源污染占其河流總負荷量的70%[6],化肥過度使用是農(nóng)業(yè)面源污染的主要來源[7]。據(jù)研究表明,全球農(nóng)田生態(tài)系統(tǒng)固碳潛力為0.4—0.9PgC/a,但我國僅為182.1TgC/a,地處太湖流域的江蘇省、上海市和浙江省分別為0.005TgC/a、0.0001TgC/a和0.003TgC/a[8]。面對農(nóng)田生態(tài)系統(tǒng)提供的多項生態(tài)系統(tǒng)服務(wù)及其環(huán)境負面效應(yīng),如何權(quán)衡與優(yōu)化農(nóng)田生態(tài)系統(tǒng)服務(wù)是農(nóng)業(yè)可持續(xù)發(fā)展面臨的重要問題之一。

關(guān)于農(nóng)田生態(tài)系統(tǒng)服務(wù),早期國內(nèi)外學(xué)者主要利用價值評估法對農(nóng)田生態(tài)系統(tǒng)中的供給服務(wù)、調(diào)節(jié)服務(wù)、支持服務(wù)和文化服務(wù)進行簡單的貨幣化評估[9],由于價值量評估法存在的缺陷與局限性,學(xué)者引用野外調(diào)查[8]、影子工程法[10]、機會成本法[10]等方法深入探討單項農(nóng)田生態(tài)系統(tǒng)服務(wù)[8]和農(nóng)田生態(tài)系統(tǒng)多功能服務(wù)[10]。人類對生態(tài)系統(tǒng)服務(wù)的選擇偏好加劇了生態(tài)系統(tǒng)服務(wù)間的沖突,如何有效管理生態(tài)系統(tǒng)服務(wù)間的權(quán)衡協(xié)同關(guān)系已成為學(xué)界研究熱點。國內(nèi)外學(xué)者對農(nóng)田生態(tài)系統(tǒng)服務(wù)權(quán)衡與協(xié)同關(guān)系的研究相對較少,主要集中在農(nóng)田生態(tài)系統(tǒng)服務(wù)權(quán)衡和協(xié)同關(guān)系辨識[11]、表現(xiàn)形式[12- 13]、驅(qū)動機制[14]等方面進行了模擬分析,主要以空間制圖[15]、情景分析[12]、模型模擬[16]等研究方法為主?，F(xiàn)有研究中缺乏辨識權(quán)衡與協(xié)同關(guān)系和驅(qū)動力影響后進一步在具體的農(nóng)田生態(tài)系統(tǒng)服務(wù)管理與應(yīng)用方面的運用,以此突出農(nóng)田生態(tài)系統(tǒng)服務(wù)權(quán)衡與協(xié)同關(guān)系在實際應(yīng)用中的作用。而當(dāng)前所運用的研究方法以定性分析為主,定量分析較少,而應(yīng)用較多的模型(如InVEST模型)雖因簡便且數(shù)據(jù)易獲取,但模型結(jié)構(gòu)較為簡化,模型參數(shù)缺乏率定與驗證,導(dǎo)致模擬結(jié)果存在較大的不確定性[16]。

太湖流域是我國農(nóng)業(yè)發(fā)展最發(fā)達的地區(qū)之一, 1985—2010年流域耕地面積減少5847km2(25%),2020年預(yù)計再減少10.5%,農(nóng)田生態(tài)系統(tǒng)多種生態(tài)服務(wù)(水質(zhì)凈化、固碳、糧食供給)均呈較顯著的退化趨勢[17],已影響太湖流域水安全和生態(tài)安全。近年來,學(xué)者主要從固碳[8]、糧食供給[18]等單項生態(tài)系統(tǒng)服務(wù)角度討論太湖流域生態(tài)系統(tǒng)服務(wù)及存在的問題,較少涉及綜合農(nóng)田生態(tài)系統(tǒng)服務(wù)及其權(quán)衡協(xié)同關(guān)系研究。理解和掌握太湖流域農(nóng)田生態(tài)系統(tǒng)服務(wù)權(quán)衡與協(xié)同關(guān)系,有利于優(yōu)化與提升整體生態(tài)系統(tǒng)服務(wù)與農(nóng)業(yè)可持續(xù)發(fā)展。鑒于此,本研究選取糧食供給、水質(zhì)調(diào)節(jié)和氣候調(diào)節(jié)三類關(guān)鍵生態(tài)系統(tǒng)服務(wù),其中糧食產(chǎn)量和氮流失量分別作為糧食供給、水質(zhì)調(diào)節(jié)的表征指標,固碳(土壤有機碳)和N2O排放表征氣候調(diào)節(jié)服務(wù)；利用APSIM模型(Agricultural Production System Simulator)模擬不同秸稈還田和施肥模式下太湖流域農(nóng)田生態(tài)系統(tǒng)多種生態(tài)系統(tǒng)服務(wù)變化趨勢,利用自組織映射法分析其權(quán)衡協(xié)同關(guān)系變化,以期為太湖流域農(nóng)田生態(tài)系統(tǒng)管理提供科學(xué)依據(jù)。

1 研究區(qū)概況

太湖流域地處長江三角洲,北抵長江,東臨東海,南濱錢塘江,西以天目山、茅山為界,介于119°3′1″E—121°54′26″E、30°7′19″N—32°14′56″N,是我國農(nóng)業(yè)最發(fā)達的地區(qū)之一,為典型的稻麥輪作區(qū)。位于中緯度地區(qū)的太湖流域?qū)贊駶櫟谋眮啛釒Ъ撅L(fēng)氣候,年平均氣溫15℃—17℃,年平均降水量約為1010—1400mm,全年日照時數(shù)約為2019h,全年無霜期220d左右[8]。太湖流域以平原為主,占總面積的4/6,流域耕地面積為1.5萬平方千米,耕作土壤類型為水稻土,土壤質(zhì)地為沙壤土,主要作物種植制度為冬小麥/夏水稻一年兩熟制。

圖1 太湖流域區(qū)位圖Fig.1 The location of the Taihu Lake Basin

2 研究方法與數(shù)據(jù)

2.1 APSIM模型簡介

APSIM模型是由澳大利亞聯(lián)邦科工組織以及昆士蘭州政府的農(nóng)業(yè)生產(chǎn)系統(tǒng)組(APSRU)所開發(fā)的可用于模擬農(nóng)業(yè)生產(chǎn)系統(tǒng)中各主要組成部分的作物模型[19- 20],其核心模塊包括：(1)生物模塊—主要為作物模塊,可以很好的模擬種植制度對于土壤的累加影響；(2)土壤模塊—主要有土壤水平衡過程和土壤氮、磷的運移；(3)管理模塊—主要包括播種期、收獲期、施肥灌溉強度等的設(shè)置。APSIM模型的主要優(yōu)點包括：(1)集成所需要的相關(guān)模塊,發(fā)揮模型高度模塊化優(yōu)勢[21]；(2)模型靈活性強,能夠兼容不同編程語言編寫的模塊,且模型源代碼公開有利于二次開發(fā)[22]；(3)APSIM模型適用范圍廣,目前能夠模擬30多種作物[23]。APSIM模型目前已在澳洲、中國、東南亞等多個國家應(yīng)用,主要集中在農(nóng)田生態(tài)系統(tǒng)生產(chǎn)潛力與氣候變化影響評估[24]、固碳與溫室氣體排放[25]、生態(tài)系統(tǒng)服務(wù)權(quán)衡[26]等方面；國內(nèi)對APSIM模型應(yīng)用較少,主要用于氣候變化評估[27]和農(nóng)田管理[28]。

2.2 模型率定

2.2.1PEST軟件參數(shù)優(yōu)化算法

模型參數(shù)化是實現(xiàn)APSIM模型各項功能的首要前提,不同區(qū)域在地理環(huán)境特征、氣候、土壤特征、作物參數(shù)指標等方面存在著顯著差異。目前運用較多的參數(shù)校準方法中,自動校準比人工校準更客觀且高效,由Doherty開發(fā)的PEST(Model-Independent Parameter Estimation and Uncertainty Analysis)軟件是自動校準軟件的典型代表,主要通過模型輸入輸出文件與之建立聯(lián)系,無需改變原模型結(jié)構(gòu)和源代碼,且其運算效率比遺傳算法、SCE-UA法和Gauss-Marquardt-Levenberg等高(迭代次數(shù)一般小于30次即逼近最優(yōu)值),被應(yīng)用于各類模型參數(shù)率定和不確定性估計[29]。PEST軟件采用結(jié)合梯度下降法和高斯牛頓法的非線性Gauss-Marquardt-Levenberg算法,同時具備梯度下降法的全局搜索性和高斯牛頓法的快速收斂性,通過在多維參數(shù)空間內(nèi)優(yōu)化模型輸入?yún)?shù)使模型觀測值與實測值間差異最小。本研究利用包括0—10cm土壤溫度、10—20cm土壤溫度、水稻生物量、小麥生物量等4組目標函數(shù),其公式如下：

2.2.2APSIM模型校準

采用PEST軟件對APSIM模型校準步驟如下：

(1)APSIM模型輸入?yún)?shù)眾多,在進行校準前首先對參數(shù)進行敏感性分析,剔除不敏感參數(shù)；確定APSIM模型需估計的輸入?yún)?shù)、各參數(shù)初始值和取值范圍。本研究待優(yōu)化參數(shù)的選擇及取值范圍參考實測數(shù)據(jù)和相關(guān)文獻確定。

(2)建立PEST軟件運行所需的模板文件(*.tpl：定義模型輸入文件參數(shù))、指令文件(*.ins：定義模型的觀測數(shù)據(jù))、控制文件(*.pst：控制變量并調(diào)用模板文件和指令文件)。

(3)利用TEMPCHEK、INSCHEK、PESTCHEK等模塊分別檢查模板文件、指令文件和控制文件,指令通過后利用PEST模塊執(zhí)行控制文件,根據(jù)控制文件中給定的路徑自動調(diào)用APSIM模型程序。結(jié)果顯示,優(yōu)化次數(shù)為8次,共調(diào)用APSIM模型1826次即可獲得最佳的模型率定效果。

(4)采用模擬結(jié)果與實測值之間R2擬合系數(shù)、一致性指數(shù)(D)、納什系數(shù)(NSE)和標準化均方根誤差(NRMSE)4個指標來評價模型的率定與驗證效果。利用2015年水稻生物量、小麥生物量、0—10cm土壤溫度、10—20cm土壤溫度數(shù)據(jù)進行模型率定,采用2017年小麥生物量、0—10cm土壤溫度(半年)、10—20cm土壤溫度(半年)進行模型驗證。如表1所示,PEST參數(shù)優(yōu)化后APSIM模擬出的小麥生物量、水稻生物量、0—10cm土壤溫度和10—20cm土壤溫度與實測值的R2和一致性指數(shù)D均大于0.85,NRMSE均小于0.1,表明模型模擬值與實測值之間誤差較小,模型率定效果較好；從NSE系數(shù)看,生物量的模擬效果略優(yōu)于土壤溫度?？傮w而言,PEST軟件在APSIM模型參數(shù)率定中不僅有效提高了模型模擬精度,同時大幅節(jié)約反復(fù)迭代調(diào)試時間,提高了模型率定效率。

表1 模型率定與驗證效果評價

2.3 權(quán)衡/協(xié)同關(guān)系分析

自組織映射(Self-Organizing Map,SOM)是20世紀80年代芬蘭教授Teuvo Kohonen提出的一種非監(jiān)督學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò),SOM聚類是輸入高維向量空間向二位平面的映射,同時還保留原始數(shù)據(jù)的拓撲結(jié)構(gòu)和度量關(guān)系,不像傳統(tǒng)統(tǒng)計方法需分析數(shù)據(jù)滿足正態(tài)性或線性的要求。目前,SOM在耕地質(zhì)量評價[30]、城市等級識別[31]、環(huán)境水質(zhì)[32]等研究方面應(yīng)用較多,在生態(tài)系統(tǒng)服務(wù)研究方面較少涉及。本研究基于MATLAB R2013a軟件,應(yīng)用SOM toolbox 2.0工具箱,輸入數(shù)據(jù)為太湖流域1986—2015年16種情景模擬的糧食供給(糧食產(chǎn)量)、水質(zhì)調(diào)節(jié)(氮流失量)和氣候調(diào)節(jié)(N2O排放量、固碳-土壤有機碳),共1920個樣本數(shù),分析三種生態(tài)系統(tǒng)服務(wù)權(quán)衡/協(xié)同關(guān)系,通過200次迭代訓(xùn)練樣本,最終得到穩(wěn)定的自組織映射圖。SOM圖上位置、距離與顏色分布模式顯示生態(tài)系統(tǒng)服務(wù)間的半定量關(guān)系,根據(jù)神經(jīng)元所對應(yīng)對象的屬性值大小,直觀表現(xiàn)為顏色深淺不同,顏色越深表示生態(tài)系統(tǒng)服務(wù)越大。為驗證SOM方法準確性與可靠性,本研究利用Pearson相關(guān)分析進一步驗證生態(tài)系統(tǒng)服務(wù)間的權(quán)衡協(xié)同關(guān)系。

2.4 情景設(shè)置與模擬

秸稈還田能有效改善土壤理化性質(zhì)和生物學(xué)性狀,提高農(nóng)作物產(chǎn)量并降低施肥成本[33],但我國農(nóng)業(yè)生產(chǎn)中作物秸稈、殘留物等資源浪費嚴重,利用率不足30%[34]。高農(nóng)業(yè)集約化的太湖流域化肥消費量占全國的1.3%,而化肥利用率僅30%—35%,低化肥利用效率與高化肥施用量是造成太湖流域農(nóng)田面源污染的重要因素。針對太湖流域化肥施用量大、秸稈循環(huán)利用率低等突出問題,結(jié)合農(nóng)業(yè)部2017年對太湖流域小麥和水稻的施肥建議,通過設(shè)置不同秸稈還田和施肥模式(見表2),探討其對太湖流域農(nóng)田生態(tài)系統(tǒng)3種主要生態(tài)系統(tǒng)服務(wù)的影響及其權(quán)衡協(xié)同關(guān)系。

表2 情景模擬設(shè)置

2.5 數(shù)據(jù)來源

APISM模型所需輸入的最高溫、最低溫、太陽輻射量和降水量等氣象數(shù)據(jù)從國家氣象信息中心共享獲??；模型校準與驗證所需的土壤溫度、生物量等目標函數(shù)數(shù)據(jù)來源于無錫典型稻麥輪作農(nóng)田生態(tài)系統(tǒng)通量塔觀測獲取的2015年和2017年30min通量數(shù)據(jù),采用ChinaFLUX通用數(shù)據(jù)處理流程(包括三次坐標旋轉(zhuǎn)、WPL校正、閾值剔除、Q10算法等)插補拆分得0—10cm土壤溫度、10—20cm土壤溫度、水稻生物量、小麥生物量等數(shù)據(jù),試驗區(qū)位于無錫市錫山區(qū)羊尖鎮(zhèn)嚴家橋(N31°39′14″,E120°32′43″,海拔6m),為江蘇省基本農(nóng)田保護區(qū),作物種植制度為冬小麥/夏水稻一年兩熟制[8],農(nóng)業(yè)生產(chǎn)由村委會集體統(tǒng)一管理,記錄了糧食單位產(chǎn)量、施肥量、施肥種類、灌溉等管理措施；土壤數(shù)據(jù)來源于農(nóng)田小區(qū)徑流場觀測數(shù)據(jù)(常熟農(nóng)業(yè)生態(tài)試驗站),兩站點直線距離約19公里,其土壤類型、質(zhì)地和其他屬性均一致。

3 結(jié)果分析

3.1 不同情景生態(tài)系統(tǒng)服務(wù)變化趨勢

S0_F0基準模擬(現(xiàn)實情況)下,1986—2015年太湖流域糧食產(chǎn)量在8—11t/hm2間平緩波動,整體呈略微上升趨勢；土壤有機碳總量顯著上升,30年增強了4.43%；N2O排放量在0—0.5kg/hm2間波動,30年共排放了5.4kg/hm2；1986—2015年氮流失量整體為波動上升趨勢,分別在1998年和2009年出現(xiàn)峰值(圖2-a1,b1,c1和d1),查閱氣象數(shù)據(jù)發(fā)現(xiàn)1998年和2009年降雨量比其他年份增加13%,出現(xiàn)峰值可能與當(dāng)年降雨量密切相關(guān)。

在無秸稈還田情景下,1986—2015年的糧食產(chǎn)量、土壤有機碳、氮流失量和N2O排放量基本隨著施肥量的減少而下降,即S0_F0>S0_F1>S0_F2>S0_F3；2006年N2O排放量在減量施肥20%情景下略高出其余情景0.1—0.2kg/hm2(圖2-a1,b1,c1和d1)。稻稈還田麥稈不還田情景下,減量施肥對土壤有機碳影響較大,2015年減施肥量5%、10%、20%后分別驟降1.3%、1.6%、2.19%；N2O排放量較無秸稈還田情況下有明顯上升趨勢,1989年和2006年上漲3—5倍且隨著施肥量的減少N2O略有上升(圖2-a2,b2,c2和d2)。在麥稈還田稻稈不還田情景下,2008—2013年氮流失量較無秸稈還田與稻稈還田麥稈不還田情景略有上升,其中2013年不減量施肥情景下大約增強了45%(圖2-a3,b3,c3和d3)。在稻麥稈全還田情景下,1986—2015土壤有機碳顯著低于其余還田模式；不減量施肥情景下N2O排放量明顯高于其余還田模式,減量施肥后排放量驟降,2005—2015年基本歸于0；氮流失量逐年波動增長,2005—2013年劇烈波動(圖2-a4,b4,c4和d4)。

圖2 1986—2015年不同秸稈還田和施肥模式下生態(tài)系統(tǒng)服務(wù)變化Fig.2 Changes in ecosystem services under different straw-returning and fertilizer use modes in 1986—2015圖中a、b、c、d分別代表糧食產(chǎn)量、土壤有機碳、氧化亞氮排放量和氮流失量；1、2、3、4分別代表無秸稈還田、稻稈還田麥稈不還田、麥稈還田稻稈不還田、稻麥稈全還田

3.2 不同情景生態(tài)系統(tǒng)服務(wù)變化特征

表3為在不同情景下1986—2015生態(tài)系統(tǒng)服務(wù)平均值較S0_F0基準模擬之間的差異,表明相較基準模擬,其余15種情景下的糧食產(chǎn)量平均變化量均為負數(shù),同一秸稈還田模式下,糧食產(chǎn)量隨施肥量的減少而加劇減產(chǎn)；不減量施肥情景下(S0_F0、S1_F0、S2_F0和S3_F1)表現(xiàn)為無秸稈還田(S0)>麥稈還田稻稈不還田(S2)>稻稈還田麥稈不還田(S1)>稻麥稈全還田(S3),減量施肥5%、10%和20%情景下均表現(xiàn)為麥稈還田稻稈不還田(S2)>無秸稈還田(S0)>稻稈還田麥稈不還田(S1)>稻麥稈全還田(S3),相互間差距較小,約為0.5%—1%。不同管理模式對土壤有機碳影響最小,減少量均小于1.5%。N2O排放和氮流失量受不同管理模式影響顯著,不減量施肥情況下(S1_F0、S2_F0和S3_F0)N2O平均變化量均超過70%,氮流失量在麥稈還田稻稈不還田(S2_F0)情景下亦呈增強狀態(tài)；稻稈還田麥稈不還田(S1)情景下N2O平均變化量均大于0,而氮流失量是所有還田模式在減少相同施肥量條件下流失量最少；稻麥稈全還田且減量施肥(S3_F1、S3_F2、S3_F3)情景下對抑制N2O排放最有效,平均減排量均在30%以上,氮流失量平均變化量均小于0,呈良好的發(fā)展態(tài)勢。

3.3 生態(tài)系統(tǒng)服務(wù)權(quán)衡與協(xié)同關(guān)系分析

如圖3所示,糧食供給與固碳空間格局存在明顯的相似性,由右向左的神經(jīng)元顏色變化趨勢均從深到淺；水質(zhì)調(diào)節(jié)與糧食供給、固碳則存在顯著性相反趨勢,神經(jīng)元值由左向右逐漸降低；N2O排放圖與其他具有明顯的差異,神經(jīng)元高值約占據(jù)圖幅1/2,其右上角高值區(qū)與糧食產(chǎn)量供給圖有重疊現(xiàn)象,左下角低值區(qū)與水質(zhì)調(diào)節(jié)圖呈相反趨勢,與固碳相關(guān)性較低。利用Pearson相關(guān)分析得出如表4所示的生態(tài)系統(tǒng)服務(wù)間的相關(guān)系數(shù),糧食供給與固碳、N2O排放呈顯著正相關(guān),與水質(zhì)調(diào)節(jié)呈非常顯著負相關(guān)；固碳與水質(zhì)調(diào)節(jié)呈非常顯著負相關(guān),與溫室氣體為弱負相關(guān)；水質(zhì)調(diào)節(jié)與N2O排放為顯著負相關(guān)。由此可得,糧食供給與固碳、N2O排放均存在較顯著的協(xié)同關(guān)系；糧食供給與水質(zhì)調(diào)節(jié)、固碳與水質(zhì)調(diào)節(jié)、水質(zhì)調(diào)節(jié)與N2O排放兩兩之間存在顯著的權(quán)衡關(guān)系,固碳與N2O排放呈弱權(quán)衡關(guān)系。

表3 不同情景1986—2015年生態(tài)系統(tǒng)服務(wù)平均變化量

圖3 基于SOM的生態(tài)系統(tǒng)服務(wù)間權(quán)衡/協(xié)同關(guān)系Fig.3 Trade-off and synergy of ecosystem services based on the SOM

表4 生態(tài)系統(tǒng)服務(wù)間的Pearson相關(guān)系數(shù)

Table 4 Pearson correlation coefficients between ecosystem services

糧食供給Grain supply固碳Carbon sequestration水質(zhì)調(diào)節(jié)Water quality regulation氧化亞氮排放N2O emissions糧食供給Grain supply0.117?-0.288??0.092?固碳Carbon Sequestration-0.330??-0.064水質(zhì)調(diào)節(jié)Water quality regulation-0.092?氧化亞氮排放N2O emissions 1.000

**P<0.01,*P<0.05

4 討論

N2O排放主要來源于土壤硝化和反硝化作用,受氣候條件、土壤性質(zhì)和農(nóng)田管理措施等因素影響。已有研究表明施氮量較低時,秸稈還田對N2O排放為負效應(yīng),而施氮量逐漸增加大,秸稈還田對N2O排放為正效應(yīng)[35],這可能是導(dǎo)致不減量施肥情景下,秸稈還田情景(S1、S2和S3)N2O排放遠超基準模擬的原因,同時也影響了不減量施肥情景下由于N2O排放過量排放導(dǎo)致氮素供應(yīng)不足,土壤養(yǎng)分多度消耗使得糧食產(chǎn)量微量減少[36]。

大量的研究表明,秸稈還田模式可提高土壤有機碳含量[37-38],本研究中土壤有機碳含量在秸稈還田情景下均有微量減少趨勢(減少量均小于1.5%)。導(dǎo)致這種情況發(fā)生的原因可能與APSIM模型對土壤有機碳的模擬精度有待進一步加強,與現(xiàn)實情況存在誤差,需進一步利用土壤有機碳實測數(shù)據(jù)率定模型參數(shù)；也有可能是模型校準的不確定性導(dǎo)致,PEST率定過程中參數(shù)敏感度差異較大,需改進參數(shù)權(quán)重設(shè)置,對APSIM模型碳模塊作進一步的參數(shù)校準驗證,以提高PEST率定的準確性。

氣候變化影響糧食產(chǎn)量的變化幅度約3%—5%,個別年份達10%,糧食減產(chǎn)幅度小于5%對整體糧食安全影響較小[39]。因此,在保證N2O排放量和氮流失量低于基準模擬且糧食單位產(chǎn)量減產(chǎn)幅度小于5%(由于1986—2015年土壤有機碳變化量小,對整體的影響可忽略不計)情況下,無秸稈還田且減量施肥5%(S0_F1)和稻麥稈全還田且減量施肥5%(S3_F1)兩種管理模式是16種情景模擬中最適宜太湖流域的農(nóng)田管理措施。本研究選取最適宜的農(nóng)田管理措施方式相對較為理想化,實際農(nóng)田管理中除了農(nóng)業(yè)措施方面的考量外,政府政策對于農(nóng)業(yè)生產(chǎn)活動影響巨大,在本研究中沒有考慮政策影響,有待后續(xù)工作進一步補充完善。

本研究將APSIM模型引入農(nóng)田生態(tài)系統(tǒng)服務(wù)研究,利用情景模擬和自組織映射分析太湖流域三種農(nóng)田生態(tài)系統(tǒng)服務(wù)30年發(fā)展趨勢及其權(quán)衡關(guān)系,以此得到最適宜太湖流域的農(nóng)田管理措施,這對稻麥輪作的農(nóng)田生態(tài)系統(tǒng)管理具有重要的科學(xué)意義。受模型模擬限制,本研究選取糧食供給(糧食產(chǎn)量)、水質(zhì)調(diào)節(jié)(氮流失量)和氣候調(diào)節(jié)(N2O排放量、固碳-土壤有機碳)等三種生態(tài)系統(tǒng)服務(wù)來分析太湖流域農(nóng)田生態(tài)系統(tǒng)變化趨勢,缺乏對文化服務(wù)和支持服務(wù)等的探討,有待后續(xù)研究進一步擴展。同時,本研究主要從時間維度探討不同管理方式太湖流域農(nóng)田生態(tài)系統(tǒng)服務(wù)變化及權(quán)衡/協(xié)同關(guān)系,缺乏空間維度的考量與橫向比較以及不同模式的綜合效應(yīng)評估,有待后續(xù)進一步在流域尺度上模擬與分析拓展研究。

5 結(jié)論

基準模擬(S0_F0)情景中,1986—2015年太湖流域糧食產(chǎn)量、土壤有機碳和氮流失量呈波動上升趨勢,不同秸稈還田方式情景下糧食產(chǎn)量變化相對較小。在僅還田不減量施肥情景下,N2O排放量和氮流失量均高于基準模擬。除基準模擬(S0_F0)外,其他15種情景模擬的糧食產(chǎn)量和土壤有機碳平均值均低于基準模擬值。稻麥稈全還田且減量施肥5%、10%或20%情景對抑制N2O排放最有效,減排量超過30%,氮流失量亦低于基準模擬。糧食供給與固碳、N2O排放存在較為顯著的協(xié)同關(guān)系；糧食產(chǎn)量與水質(zhì)調(diào)節(jié)、固碳與水質(zhì)調(diào)節(jié)、水質(zhì)調(diào)節(jié)與N2O排放顯著權(quán)衡；固碳與N2O排放呈弱權(quán)衡關(guān)系。需進一步收集土壤有機質(zhì)采樣數(shù)據(jù)率定與改進APSIM模型以提高土壤有機碳模擬精度,同時需擴展流域尺度上太湖流域生態(tài)系統(tǒng)服務(wù)變化及不同模式影響的綜合效應(yīng)評估。