论文部分内容阅读
为了更好地认识养分和农药等土壤溶质的环境行为,数值模型常用来模拟土壤溶质的迁移转化过程。溶质在土壤中的迁移转化本质上是一个确定性过程,但由于观测数据的稀缺性以及土壤物理、化学和生物性质的空间非均质性,迁移转化过程必然存在不确定性。面对复杂的自然环境状况,迁移转化模拟不仅需要识别正确的模型形式,即处理模型结构的不确定性,也需要确定模型参数,即处理参数的不确定性。如何从包含有测量误差的观测数据中提取有效信息,反演识别出正确的模型结构及相应的最优参数,减小模拟过程中的不确定性,对于准确模拟土壤溶质迁移转化过程以及理解其内在机理具有重要的理论和实践意义。贝叶斯推断是一种概率方法,已经广泛应用在数值模拟的反演研究中。基于贝叶斯所进行的反演估计是利用先验认识和观测数据推断出目标量的后验概率。本文将贝叶斯方法与土壤溶质迁移数值模型耦合,分别对氮和农药五氯酚（Pentachlorophenol,PCP）的迁移转化过程进行反演识别,定量解析各个过程对溶质消减的贡献率,具体工作如下:（1）基于广义速率方程的动力学模型贝叶斯推断方法在土壤溶质迁移转化模拟中,反应动力学类型的选择是很重要的。但在很多情况下,我们却无法确定反应动力学的形式。为了解决这个难题,本章发展了一种新的确定反应动力学形式的贝叶斯估计方法。该方法通过定义一个含有离散和连续参数的广义速率方程,利用可以实现对离散分布进行采样的马尔科夫链蒙特卡罗算法（Markov Chain Monte Carlo,MCMC）同时进行动力学模型的选择和动力学参数的估计,并通过数值研究和氮转化实验验证方法的有效性。数值算例表明,此方法可以准确识别真实的动力学模型及其动力学参数,在不同的观测误差水平和不同的观测数据缺失情况下也表现良好。在氮转化的实验研究中,本方法能够从多达19683（39）个候选氮转化模型中选择出最佳模型,最佳模型的模拟结果能够准确再现观测数据。（2）不同温度和土壤孔隙含水率（Water-filled porespace,WFPS）条件下水稻土中产生N2O主导反应的识别在上述研究的基础上,我们利用氮转化模型对不同温度和WFPS条件下水稻土中的氮转化浓度数据进行模拟研究,利用MCMC对不同处理下氮转化进行动力学模型选择和动力学参数估计。各处理组的模拟结果能够准确匹配NH4+、N03-和NO2-浓度数据,也能够准确预测20T90W（20℃,90%WFPS,下同）、20T120W、30T90W和30T120W的N2O释放速率数据。通过分析不同温度和WFPS条件下各反应路径的速率水平及其不确定性,我们推断在30T120W处理组下RNO2-（an）-N2O（s）(即反硝化菌主导的反硝化反应或硝酸盐异化还原成铵（Dissimilatory nitrate reduction to ammonium,DNRA）与ONH4-（ae）-N2O（s）（即自养硝化菌主导的硝化反应）是N20主要的产生路径。在30T90W、20T90W和20T120W处理组下,ONH4-(a+,、N2O（s）是N2O主要的产生路径。在高温高湿条件下,NH4（ae）-N2O（s）N2O能够从土壤中逸出,其他处理中土壤中的N2O基本上被还原成N2。（3）基于贝叶斯模型平均的水稻土氮转化路径反演在上述研究中,我们利用了较复杂的氮模型,但模拟结果仍无法匹配低温低湿条件下5T和60W处理组的N20释放速率。为了全面考虑模型结构中的不确定性,避免使用单一模型带来的偏差,我们构建了 12个不同路径组合的氮转化模型,应用贝叶斯模型平均（Bayesian model averaging,BMA）方法,通过加权平均整合12个模型的模拟结果进行预测,找到了符合低温低湿条件下最为合理的模型结构并完成了较为全面的不确定性分析。模拟结果表明BMA模拟能够整合各候选模型对不同氮库的模拟能力,全面考虑模型结构的不确定性,从而获得更好的预测效果。（4）PCP在水稻土好氧厌氧界面中消减过程的反演模拟为了验证反演模型在更复杂场景中的适用性,我们利用迁移转化模型模拟了水稻土土水好氧-厌氧界面中五氯酚的消减行为。我们主要考虑PCP及其降解产物在土水界面中的扩散、吸附和降解过程,利用MCMC反演了未知的扩散反应模型参数,采用最大后验概率估计的参数反演结果（maximum-a-posteriori,MAP）模拟再现了 PCP在水稻土好氧厌氧界面中的消减,定量化解析了各过程对于消减的贡献率。根据PCP和Cl-浓度数据得出的反演结果表明,0-6 mm 土层是整个土壤剖面中PCP消减的活跃区域,其中PCP的消减主要是由固相中的降解作用导致的,同时扩散作用将较深层（2.4-4.8 mm）的PCP传输到浅层以促进PCP的完全消减;积水层的脱氯水平最高,且不同深度土层的PCP脱氯水平相似,2,3,4,5-TeCP和3,4,5-TCP是PCP的主要脱氯产物。综上所述,本文发展的方法可以对未知的模型及参数进行充分地探索,从有限的观测数据中识别出运移模型的结构形式以及相应的参数,有效减少不确定性,进而能够提供更多土壤溶质迁移转化过程的内在认识,为分析复杂的迁移转化过程提供一个有利的信息挖掘工具。