基于多变量评估揭示农田生态系统模型在日尺度与年尺度净生态系统交换模拟中的挑战

《Agricultural and Forest Meteorology》：Multi-variable evaluation of agroecosystem models reveals challenges in daily and annual NEE simulation for croplands

　　

专业术语翻译的摘要部分 农业土壤在全球碳循环中扮演核心角色。净生态系统交换（NEE）是量化生态系统与大气间CO2净通量的首要指标，但作为总初级生产力（GPP）与生态系统呼吸（Reco）两个巨大反向通量的残差，其准确性可能掩盖组分间的显著补偿误差。本研究利用加拿大马尼托巴省两个农田站点（Carberry，CAB；South Tobacco Creek，STC）共17个站点年的涡度协方差观测数据，对DeNitrification-DeComposition模型加拿大版本（DNDCv.CAN）与环境政策综合气候模型（EPIC）进行了多变量评价。评价涵盖土壤温度、蒸散量（ET）、作物产量、NEE及其组分通量GPP和Reco。研究人员采用逐站点年校准策略以隔离结构误差，并通过补偿误差分析与条件残差分箱法诊断模型行为。结果表明，两个模型均较好地再现了土壤温度动态，但在NEE模拟方面存在系统性偏差。DNDCv.CAN在日尺度上的NEE准确性在很大程度上源于GPP与Reco相同符号的大幅误差相互抵消，在约10%至28%的生长季天数内发生此类补偿。生态系统呼吸在两个站点均被系统性低估，纳什-苏特克里夫效率（NSE）值为负。在STC站点，观测显示三个年份（2014、2015、2016）为净碳源，而两个模型均将其预测为净碳汇。大豆在STC站点的模拟表现最弱。EPIC对春小麦产量的低估揭示了其在土壤水分年际携带能力方面的结构性局限。组分分解表明，这些误差模式源于模型结构而非参数不确定性，因为逐站点年校准已将参数误差最小化。研究得出结论：仅凭NEE误差幅度无法区分准确模拟碳动态的模型与在光合作用与呼吸子模块间存在误差补偿的模型。有针对性的结构改进——特别是修订DNDCv.CAN中的呼吸分配机制、提升大豆在粪肥改良土壤中的特定表征，以及增强EPIC中土壤水分的年际携带能力——对于提升加拿大草原及其他冷凉气候区农田碳通量模拟的可信度至关重要。

论文解读文章

一、研究背景与科学问题

农业土壤在全球碳循环中扮演着核心角色，加拿大农业土壤既可作为净碳汇也可作为净碳源。净生态系统交换（NEE）是量化生态系统与大气间CO₂净通量的首要指标，然而NEE是总初级生产力（GPP）与生态系统呼吸（R_eco）两个巨大反向通量的残差。一个模型可能在NEE上呈现较小误差，同时却在GPP和R_eco两个组分上存在大幅且相互抵消的误差。因此，单纯依赖NEE准确性来衡量模型性能是不完整的，必须同时对产生NEE的组分通量进行评估。目前，针对农业生态系统模型进行组分水平评价的研究相对较少，模型结构被认为是误差的主要来源，但NEE误差的结构性根源很少通过组分分解得到诊断。基于此，本研究旨在通过对DNDCv.CAN和EPIC这两个广泛用于加拿大农业研究的模型进行多变量、组分水平的严格评价，识别其结构性缺陷，为定向模型开发提供依据。

二、研究方法概述

研究人员选取了加拿大马尼托巴省南部两个农田站点：Carberry（CAB）和South Tobacco Creek（STC），覆盖了灌溉合成肥料管理和雨养粪肥施用两种主要管理方式，共涉及17个站点年。研究使用了涡度协方差技术测量的每日NEE和蒸散量（ET）数据，以及站点自动气象站的土壤温度和气象数据。模型设置方面，DNDCv.CAN和EPIC均采用相同的管理事件输入和十年预热期。校准采用逐站点年顺序目标法，首先匹配土壤温度，然后是产量、蒸散量，最后是NEE。DNDCv.CAN校准了累积温度和四个呼吸参数，EPIC则通过贝叶斯优化调整了潜在热量单位（PHU）。研究采用了四种标准统计指标（R2、RMSE、NSE、MBE）进行模型性能评估，并创新性地应用了补偿误差分析和条件残差分箱法来诊断模型行为。

三、主要研究结果

3.1 土壤温度

两个模型均能较好再现5cm和20cm深度的土壤温度时间趋势。DNDCv.CAN总体呈轻微冷偏差，EPIC呈一致暖偏差，且暖偏差从CAB到STC增大。两个模型的均方根误差（RMSE）相近。

3.2 产量模拟

DNDCv.CAN在两个站点均高估产量，EPIC则持续低估产量。作物特异性分析显示，EPIC对大豆的R2接近零，而DNDCv.CAN对三种作物的模拟效果更好。在STC干旱年份，EPIC的低估更为严重。

3.3 蒸散量模拟

两个模型在CAB站点模拟精度相似，但偏差方向不同：DNDCv.CAN近零偏差，EPIC低估蒸散量。在STC站点，两模型均低估蒸散量，且EPIC在高蒸散量日期的低估尤为明显。

3.4 净生态系统交换模拟

两个模型在CAB站点均表现出更好的NEE模拟性能。DNDCv.CAN在两个站点的表现均优于EPIC，两者均系统性高估碳吸收（负MBE），且EPIC的高估程度更大。在STC站点，两模型的R2和NSE均较低。

3.5 碳通量组分

DNDCv.CAN对GPP和R_eco均呈现系统性低估，且R_eco的低估程度超过GPP。R_eco的NSE为负值，表明其预测未优于观测均值。研究还发现DNDCv.CAN存在“零GPP模拟”现象：在19.3%（CAB）和18.6%（STC）的生长季天数中，模拟GPP低于1 kg C ha?1 day?1，而观测值超过5 kg C ha?1 day?1，油菜受影响最大。

3.6 补偿误差与条件残差模式

补偿误差分析量化了NEE误差被组分误差抵消的发生频率。在严格标准下，9.6%（CAB）和13.6%（STC）的生长季天数满足小NEE误差和大同号组分误差的条件；在宽松标准下，这一比例升至约28%。月度分箱显示，补偿主要发生在生长高峰期（7月），而在过渡月份（如STC的8月和9月）补偿失效。

3.7 年度碳平衡

在STC站点，观测显示2014、2015和2016年为净碳源，但DNDCv.CAN将这三个年份均预测为净碳汇，EPIC的年度偏差更甚。CAB站点未出现这种符号反转。

四、讨论与结论

研究发现的核心诊断意义在于：NEE误差幅度本身无法区分一个模型是准确模拟了碳动态还是在光合作用和呼吸子模块之间存在误差补偿。组分分解揭示了DNDCv.CAN在GPP和R_eco上的系统性结构低估，这种低估在逐站点年校准后依然存在，表明其源于模型结构而非参数不确定性。STC站点年度NEE符号反转是最直接的结构性缺陷证据，表明模型缺乏追踪粪肥管理下碳平衡年际反转所需的结构灵活性。大豆在STC站点的最差表现暴露了豆科植物在生物固氮、残留物分解和碳分配表征方面的结构性差距。

研究结论指出，未来模型开发应聚焦于三个优先方向：第一，修订DNDCv.CAN中自养和异养呼吸的分配机制以解决R_eco的系统性低估；第二，改进大豆在粪肥改良土壤中的特异性表征，包括生物固氮、残留物分解和碳分配；第三，增强EPIC中土壤水分年际携带能力的机理处理，以更好地追踪可变降水条件下的产量响应。此外，DNDCv.CAN的物候子模块需要加强与实际叶面积发育的耦合。每日尺度、多变量的涡度协方差验证，结合有意识的组分分解，为识别农业生态系统模型中因净通量补偿而被隐藏的结构性限制提供了强有力的诊断框架。