稻田中氮素迁移转化模拟与数据融合方法研究

Based on the combination of numerical modeling, data fusion and field experiment, this project will develop an integrated simulation model to quanfiy the effects of different environmental factors and agricultural management practices on nitrogen pollution in surface and ground water. The model will consider important processes including water movement; as well as transport, transformation and plant uptake of nitrogen. To cope with the model and parameter uncertainty in these processes, the recently proposed Bayesian methods, which include the adaptive Markov Chain Monte Carlo ( a batch processing method) and particle filter ( a real time method), are used to reduce the uncertainty according to different types of field data. In this way, the temporal and spatial distribution of soil water and nitrogen can be predicted with much higher accuracy. Furthermore, the surrogate system constructed by the stochastic collocation method is employed to improve the computational efficiency of the Bayesian methods. This research will develop important quantitative analysis tools that help to select agricultural best management practices (BMPs) to reduce non-point source nitrogen pollution in paddy fields.

本项目通过数值建模、数据融合与大田试验的结合，开发一个综合模型来量化研究各种环境因素与农作管理方式下氮素对稻田水体的影响。该模型将耦合水分运动、氮的迁移、转化和吸收等重要过程，同时考虑这些过程中的模型与参数的不确定性，根据大田试验中获取的多种类型观测数据，利用自适应马尔科夫链蒙特卡罗法（批处理方式）与粒子滤波器（实时方式）等贝叶斯方法，减少不确定性，更加精准地预测土壤水分与氮素的时空分布。此外，通过随机配点法引入替代系统的思想，贝叶斯分析可以更加高效地实施。研究结果可为选择最佳农业管理措施（BMPs），减少我国稻区氮的面源污染提供重要的量化工具。

由于天然土壤本身具有的非均质性，准确预测饱和/非饱和土壤中的水分、氮素迁移转化具有很大的挑战性。本项目通过发展新的数据同化方法，在获取的浓度、水头和温度等数据基础上，对饱和/非饱和土壤水、溶质和热量运移模型进行反演，准确获取难以直接测量的土壤水力参数和反应速率等参数，进而提高运移过程的预测精度。特别地，我们发展了新的基于贝叶斯理论的污染源参数估计和监测网设计方法，与目前通用的基于蒙特卡罗模拟方法相比，该方法的效率提高20倍以上；发展了基于概率配点法的卡曼滤波实时数据同化方法，效率显著优于传统的集合卡曼滤波法；发展了基于样本集合的动态监测数据采集方法，可有效促进数据同化的精度；针对氮素转化中的多模型预测难题，发展了基于广义反应速率方程的贝叶斯推断来推断动力学模型，能够从数千个候选模型中选择出最优模型。本项目系列研究工作发表在10篇领域内国际权威SCI期刊上，其中包括5篇Water Resources Research。本项目发展的方法有助于准确量化稻田中的水分和氮素运移，可为选择最佳农业管理措施（BMP），减少我国稻区氮的面源污染提供重要的量化工具。