N2O的氮排放因子
在本研究中，N2O的肥料诱导排放因子平均为0.42%水情和0.73%的F-D-F- m。显然，稻田N2O排放因子的估算值显著低于IPCC(1997)默认因子1.25%或该地区旱地N2O排放因子的估算值(Zheng et al. 2004)。Yan et al.(2003)估计一氧化二氮排放因子和背景排放在水稻生长季的平均排放量分别为0.25%和0.26kgN2O-N ha-1。然而，他们没有区分稻田中不同水分条件下N2O的排放。相比之下，Akiyama et al.(2005)最近报道，连续淹水稻田的EFs平均为0.22%，季中排水施肥稻田的EFs平均为0.37%。这些估计值代表分别设计氮处理和无氮处理的现场研究直接测量的16和23个排放因子的平均值。正如作者所指出的，在所有水条件下，季节性总N2O排放量与水稻生长季节的氮输入没有显著相关，也与持续洪水无关(Akiyama et al. 2005)。然而，根据Akiyama et al.(2005)表9.2的数据，在季中排水的稻田中，N2O排放与N输入之间存在明显的关系。使用Akiyama等人(2005)相同的数据(不包括对硝化抑制剂和受控释放物的测量)化肥)，模拟OLS线性模型MSD-Akiyama预测N2O排放因子平均为0.43%，背景排放为0.20kgN2O-N ha-1(表9.5)。OLS模型模拟的排放因子略高于Akiyama et al.(2005)基于最大似然(Maximum Likelihood, ML)估计得到的排放因子。
实际上，秋山等人(2005)估算的N2O排放因子是指在测量中观测到N2O排放可能性最大的EF值。使用ML模型的点和区间估计严重依赖于分布假设，即观察样本(响应变量)具有正态分布(Quinn和Keough 2004)。然而，Akiyama et al.(2005)研究中的直接EF数据具有对数正态分布格局．而本研究中OLS模型估计的EF是不确定性最小的值。OLS点估计不需要变量的分布假设，而是集中于剩余分布(Quinn和Keough 2004)。如图9.3 3d所示，MSD-Akiyama模型的残差接近正态分布。功率分析也表明，它的强度足以对数据建模(表9.4)。为了尽量减少N2O排放因子估计的不确定性，OLS模型可能比Akiyama等人(2005)使用的ML模型更适合N2O数据。
9.4.3背景N2O排放
在本研究中，稻田N2O背景排放仅在F-D-F-M水条件下显著(表9.5)。背景连续淹水稻田在水稻生长季节N2O排放可以忽略不计。在F-D-F水条件下，背景N2O排放量估计为0.009 kg N2O- n ha-1，与“0”无显著差异(表9.5)。这种可以忽略不计的背景排放部分是由于水资源管理，除了短期的季中排水外，水稻季节的内涝占主导地位。在F-D-F条件下，N2O仅在季中排水过程中大量排放。相比之下，F-D-F-M条件下N2O排放平均值高达0.79 kg N2O- n ha-1。Yan et al.(2003)基于连续洪水和间歇灌溉稻田的7项测量，估计背景N2O排放平均值为
水稻季为0.26kgN2O-N ha-1。然而，正如作者所承认的那样，稻田的本底排放估计存在很大的不确定性。事实上，背景排放已成为制定农业N2O排放清单的最敏感因素之一(Bouwman et al. 2002;严等，2003;秋山等人。2005)。
继续阅读:水态对N2O排放的影响
这篇文章有用吗?