《Agricultural Water Management》：ORYZA model development for soil organic carbon dynamics and greenhouse gas emissions: Module description and sensitivity analysis
编辑推荐：
水稻种植对全球温室气体（GHG）排放贡献显著，约占人为甲烷（CH?）排放的10%，凸显了对基于过程的减排工具的需求。现有ORYZA模型版本可模拟作物生长、水分和氮素动态，但未显式表征土壤碳氮转化及温室气体排放，限制了其在减排规划和Tier 3清单编制中的应用。
水稻种植对全球温室气体（GHG）排放贡献显著，约占人为甲烷（CH?）排放的10%，凸显了对基于过程的减排工具的需求。现有ORYZA模型版本可模拟作物生长、水分和氮素动态，但未显式表征土壤碳氮转化及温室气体排放，限制了其在减排规划和Tier 3清单编制中的应用。本研究对ORYZA模型进行了扩展，新增土壤碳氮生物地球化学及温室气体排放模块。由此产生的ORYZA 3.5版本可同时模拟水稻生长、土壤有机碳和氮素动态以及CH?/N?O/CO?排放。利用国际水稻研究所（IRRI）2023–2024年灌溉水稻系统的试验数据，研究人员将该模型应用于：(i)评估作物和土壤参数对产量、土壤有机碳（SOC）及温室气体排放的影响；(ii)通过自适应Sobol'分析量化敏感性；(iii)利用Shapley加性解释（SHAP）表征非线性参数效应及交互作用。通过±25%参数扰动生成集成模拟，并训练机器学习替代模型以模拟模型输出。结果表明，土壤水力性质对产量和生物量的控制最强。季节性CH?排放主要受产甲烷潜力、土壤容重和分解参数影响，而SOC动态受初始SOC/土壤有机氮（SON）分层和作物碳分配主导。SHAP分析揭示了显著的非线性和参数交互作用。权衡分析表明，22%–38%的参数组合可在降低CH?排放的同时实现更高产量，且统计频率稳健（SE = 0.0022–0.0026）。ORYZA v3.5为Tier 3温室气体估算、碳核算和气候智慧型水稻管理提供了基础。
ORYZA模型是国际水稻研究所（IRRI）开发的水稻生长模拟模型，长期以来被广泛应用于水稻品种适应性、田间管理优化、产量差分析及气候变化影响评估等领域。然而，现有ORYZA v3模型虽然能够模拟作物生长、水分平衡和氮素动态，但缺乏对土壤有机碳转化、氮素生物地球化学过程及温室气体（GHG）排放的显式模拟能力，限制了其在国家温室气体清单编制（特别是Tier 3方法）、碳核算及气候智慧型水稻管理中的应用。当前主流的生物地球化学模型如DNDC、DAYCENT和APSIM虽能模拟碳氮循环与GHG排放，但其作物生长模块对水稻生理过程的刻画较为简化，难以充分反映水稻基因型、田间管理措施与环境胁迫之间的复杂反馈关系。鉴于以上不足，研究人员在ORYZA框架内开发了土壤有机碳、氮素转化与温室气体排放的耦合模块，形成ORYZA v3.5版本，以期在同一水稻专用模拟平台中同时评估产量、土壤碳固存、氮动态与气候影响。
本研究以IRRI试验站（菲律宾洛斯巴尼奥斯）2023–2024年灌溉水稻系统的田间试验数据为基准，在最优水分和氮素供应条件下开展参数敏感性分析。研究首先基于±25%的参数扰动范围，采用Sobol'低差异序列生成参数组合并驱动ORYZA v3.5进行情景模拟，获取水稻产量、土壤有机碳（SOC）和温室气体（CH?、N?O、CO?）的季节性输出。随后，利用梯度提升回归（GBR）等机器学习算法训练替代模型，以逼近ORYZA模拟输出，并在此基础上结合基于方差的Sobol'全局敏感性分析与SHAP方法分别量化各参数的全局敏感性、交互效应及局部影响方向与大小。研究同时采用自助法（bootstrap）对主要参数（按总效应指数STi排序前20个）的敏感性和SHAP重要性进行不确定性估计和置信区间计算。该研究中样本来自IRRI试验站2023–2024年的灌溉水稻田间试验数据。模型开发基于ORYZA v3原有框架，新增的土壤生物地球化学过程模块包括土壤有机质分解、尿素水解、矿化–固定、硝化、反硝化、氨挥发、CH?产生/氧化/传输以及溶质垂向运移等过程。此外，研究还分析了高产量与低CH?排放之间的协同效益与权衡关系，以及ΔSOC与CO?当量（CO?-eq）之间的关系。
### 3.1 全局敏感性与交互作用
通过Sobol'全局敏感性分析发现：土壤参数对水稻产量的全局敏感性整体高于作物参数。作物参数中，颖花不育临界高温（CTSTER）、开花期最大同化速率温度效应（EFFTB_5）、最大叶片热驱动生长速率（RGRLMX）等参数对产量变异的解释率最高达26.8%；而土壤参数中，5–10 cm土层田间持水量（WCFC）、凋萎点含水量（WCWP）和饱和含水量（WCST）对产量变异的解释率可达61.5%。这表明根系层土壤水分有效性是决定水稻产量的首要控制因子。交互作用分析显示，作物参数间存在显著交互，以光合有效辐射截获比例（FRPAR）为核心；土壤参数间交互主要发生在WCFC、WCWP和WCST之间，说明产量响应依赖于土壤水力特性的联合效应。
对于季节性CH?排放，作物参数中与干物质分配相关的FSHTB_3、FSHTB_5，移植胁迫系数（SHCKD）及RGRLMX等解释了11%–54%的变异，这些参数通过影响根系生物量和地下碳分配来调控产甲烷底物的供应。土壤参数中，产甲烷潜力（CH4PONT）、0–5 cm土层容重（BD）和腐殖质最大分解速率（DHUMUS）分别解释了CH?排放变异的29.6%、19.6%和14.8%。CH?排放的土壤参数交互关系较作物参数更为复杂，涉及BD与土壤水力参数、SOC含量与分解参数之间的相互作用。对于季末剖面SOC（1 m深），初始SOC的分层分布是主导因素，深层初始SOC解释了20%–54%的变异，充分体现了土壤有机碳对短期动态的强烈遗留效应。
### 3.2 局部敏感性与参数重要性
机器学习替代模型对产量、生物量、土壤有机氮和GHG排放的R2为0.9–0.98，对SOC的R2为0.83–0.85，NRMSE一般低于7%，验证了SHAP分析的可靠性。局部敏感性分析表明，即便全局敏感性排名前15–20的作物或土壤参数，其数值变化1%也不会导致目标变量（产量、CH?排放、WAGT、GWP和季末SOC）发生超过1%的变化。但SHAP重要性分析揭示了不同参数间的相对重要性差异：对产量而言，作物参数FRPAR、RGRLMX和EFFTB_5，以及土壤参数5–10 cm土层WCFC和WCWP明显比其余参数重要；对CH?排放而言，作物参数中穗分化期和开花期FSHTB，土壤参数中CH4PONT、0–5 cm土层BD、最深土层初始土壤温度和5–10 cm土层初始SON的重要性位居前列。SHAP值还揭示了非线性和交互效应的存在，补充了局部敏感性分析无法提供的信息。
### 3.3 权衡与情景分析
以产量（wrr14）和季节性CH?排放（s_CH4C）的平均值为参考，参数扰动±25%时，作物参数变化情景下，高产量与低CH?排放的“双赢”组合占22.4%（95% CI: 21.9–22.8%）；土壤参数变化情景下，“双赢”组合比例升至38.4%（95% CI: 38.0–38.8%）。当同时考虑产量与GWP（以CO?-eq表征）时，作物参数和土壤参数情景下的“双赢”比例分别为28.1%和37.6%。这些结果表明，在现实可行的参数范围内，实现较高产量同时降低温室气体排放具有较大空间。
### 3.4 控制产量、SOC与温室气体排放的主导过程
综合各类分析可见：土壤水力参数（WCFC、WCWP、WCST）主要通过调控根区水分有效性，进而影响冠层光合、根系活性与分蘖过程，最终主导产量变异；CH?排放主要受产甲烷潜力、BD和腐殖质分解速率控制，这与底物供应（DOC和CO?）和厌氧条件是产甲烷核心驱动因素的机理认识一致；SOC动态则主要受初始SOC/SON分层、净初级生产力分配参数（FSHTB）以及碳同化相关参数（EFFTB、RGRLMX）的控制，反映了初始碳库大小和有机输入质量对短期SOC变化的主导作用。值得注意的是，SOC分解为产甲烷过程提供溶解性有机碳底物，同时影响与N?O产生相关的氮矿化途径，表明碳库动态与温室气体排放之间存在紧密的过程耦合关系。
### 3.5 模型校准与田间测量的启示
研究识别出一批需优先校准的参数。土壤水力特性（WCFC、WCWP、WCST）需要按较细的土层深度间隔进行测量，这与AWD水稻研究中强调近地表水力性质对预测产量和CH?排放重要性的建议一致。CH4PONT和DHUMUS应通过室内培养试验或田间通量观测进行约束，因产甲烷潜力在不同土壤间差异显著且能强有力地预测CH?排放。作物同化和分配性状参数（FSHTB、RGRLMX、EFFTB）也被列为校准优先级，与以往对ORYZA和CERES-Rice的敏感性分析结论相符。
### 3.6 对气候智慧型水稻管理的启示
权衡分析表明，双赢结果（更高产量伴随更低CH?排放）是普遍存在的，尤其是在土壤参数变异的条件下。这与多项荟萃分析中适度AWD可以在不降低产量前提下减少CH?排放的结论一致。BD和有机分解对CH?调控的重要性也印证了土壤结构和残留物类型对淹水土壤氧化还原状况发育的影响。在优化残留物管理和水分控制条件下，SOC变化接近零或呈正增长，这与减量搅浆或间歇灌溉条件下SOC稳定化的田间观测相符。
### 3.7 方法学优势与局限
基于机器学习替代模型辅助的Sobol'与SHAP分析框架使数千次模型运行的敏感性评估成为可能，替代模型预测与ORYZA模拟输出的高度一致性支持了该方法在全局敏感性分析中的应用。但替代模型对非线性行为的逼近存在固有误差，特别是对氧化还原转换等阈值行为。当前CH?和N?O模块对微生物机制的简化与许多Tier 3模型一致，未来可通过引入微生物功能群、氧化还原动力学和土壤结构效应加以改进。
### 3.8 未来研究方向
未来ORYZA版本可纳入微生物显式有机质分解、动态土壤结构和多年碳稳定化路径。将ORYZA与景观尺度水文模型耦合可实现空间解析的Tier 3温室气体清单编制。利用遥感、箱式通量和涡度相关数据进行数据同化可降低参数不确定性并提高过程保真度。
### 结论
研究人员开发了一套机理性的土壤有机碳、氮素和温室气体排放模块并将其整合到ORYZA模型中，实现了对产量、SOC变化和CH?/N?O/CO?通量的同步模拟。敏感性分析表明，土壤水力性质主导产量响应，CH?排放主要取决于土壤有机碳分解和产甲烷潜力，SOC动态主要受初始SOC分层和作物碳分配的影响。需优先校准的参数包括WCFC、WCWP、WCST、BD、CH4PONT、DHUMUS和FSHTB。SHAP结果突出了强非线性和交互作用，可为测量策略和情景设计提供指导。权衡分析表明，在实际可行的参数范围内，可以获得更高产量、更低CH?排放以及SOC稳定或增加的“双赢”结果。识别出一组有限的主导参数（包括土壤水力性质、容重、SOC库和产甲烷潜力）为Tier 3温室气体清单编制中的田间测量优先序和校准工作提供了实用基础。该分析基于参考数据集的参数扰动和替代模型辅助的解读，因此，还需在不同环境、管理体系和空间尺度上进一步评估以支持更广泛的应用。通过在同一平台中同时评估生产力、土壤碳动态和温室气体减排，新开发的ORYZA v3.5可为与可持续发展目标2（零饥饿）和可持续发展目标13（气候行动）相关的循证决策提供支撑。
