文/宇航员伊万
编辑/宇航员伊万
«——【·前言·】——»
土壤氮固定是一个关键的农业生态系统过程，它对作物生长和农业可持续发展起着重要作用。
传统上，人们普遍认为豆科作物具有促进土壤氮固定的能力，因为它们与根部共生的植物固氮菌,可以将大气中的氮转化为植物可利用的形式。
然而，研究表明，非豆科覆盖作物也能在一定程度上促进土壤氮固定，具有很高的适用性。
在植物生长期间，植物通过吸收土壤中的无机氮，能够减少氮素的淋失，并将其存储在植物体内，这种过程称为氮吸收和保持，这些覆盖作物通常具有较高的氮吸收效率，和较低的氮淋失风险，有助于保持土壤中的氮素循环。
还可以通过多种途径增加土壤中的有机质含量，促进土壤生物活性，并提供其他养分供应，覆盖作物的根系可以改善土壤结构，增加土壤孔隙度，从而促进水分渗透和空气通气，有利于根系生长和有机质的分解，这些过程有助于提高土壤肥力和氮素利用效率。
«——【·实验研究场地和现场试验设置·】——»
为了验证并解决这一问题，研究人员在德国的三个不同环境进行了田间试验。
这三个地点被选为代表不同的气候条件，特别是在覆盖作物期间降水分布不同，覆盖作物期前的前茬分别为PI地点的春大麦，GR和KÖ地点的冬小麦，在GR和KÖ地点，谷物于2008年8月初收获，秸秆被运出田地。
在PI，由于植物发育不良，春大麦于6月18日被切碎并留在田地中，该田间试验采用了完全随机化分块设计，每组设有四个重复，主要因素为N肥料施用直接掺入播种前，每个主区划分为八个子区 ，分别安排春黑麦、黑燕麦、向日葵、白芥菜、荞麦和大麻。
播种率分别为，300、350、90、150、200和150颗/m2，以及无覆盖作物和裸露土壤休耕无植被，播种率控制在当地惯常播种率的高端范围，以实现快速地面覆盖和土壤保护，以及杂草抑制。
没有覆盖作物的小区用于考察杂草生长潜力，和通过评估覆盖作物种类进行的杂草竞争，裸露土壤休耕作为对照组，用于确定覆盖作物对覆盖作物期间土壤氮矿化的影响，在GR和KÖ地点，播种前2天进行了犁地耕作和旋耕机的整地准备工作。
在GR地点，播种前还进行了滚压处理，在PI地点，春大麦生长结束后一周使用割碎机，对残留物进行了犁地耕作和整地准备。
播种当天，施肥地块以50千克氮素/公顷的角粉形式，使用一台地块播种机深度为0.05米掺入土壤。
覆盖作物使用同一台地块播种机在0.03米深度播种，未覆盖作物和无植被休耕地块，则使用空的地块播种机进行一次处理。
而覆盖作物的出苗情况，在播种后两到三周内进行了评估，每个地块有四次重复评估。
«——【·样品收集和分析·】——»
在播种后立即收集了土壤样品，并在10月的覆盖作物生物量采样后收集了样品，在PI和KÖ两个位置，土壤样品从0到1.2米深度采集。
而在GR位置，由于土壤层深度下0.6米的石块含量较高，采样深度仅限于0到0.6米的土壤层。
相同深度的核心样品经过均质化处理，并存放在田间冷藏箱中，随后在采样当天被深冻至-18°C，直到进行最终分析。
在解冻后的一小时内，用0.01M CaCl2制备土壤提取液，并使用连续流分析仪根据VDLUFA方法A 6.1.4.1，和DIN ISO 14255:1998-11检测NON和NHN浓度。
土壤采样深度在GR和其他两个位置之间有所不同，如上述所述，因此仅将0.6米土壤深度以下的样品，用于所有试验点的比较分析。
在10月的生物量收获时，每个样区的2.04平方米区域通过人工割草，并将植物覆盖物和杂草分离。
覆盖作物和杂草的地上毛重鲜重在收获后，立即在实验室中使用实验室天平测定，重量为200至400克的样品，在105°C的干燥箱中干燥至恒定重量，用于干物质重量的计算。
为了确定覆盖作物茎、叶片和花序材料中的C和N含量，从每个样区另外收获了一些植物。
对于葵花、芥菜、荞麦和大麻，每个样区采样10个代表性植物茎，而对于黑麦和燕麦，每个样区采样20个植物茎，通过手工分离茎和叶片的方式，将叶片和花序材料合并，并将其作为叶片材料。
确定茎和叶片材料的鲜重，并将这些植物部分在60°C的干燥箱中干燥，以计算干物质重量，使用超离心磨粉机对干燥的植物部分进行细碎，使用元素分析仪。按照VDLUFA方法4.1.2和DIN ISO 10694:199608，分析%C和%N的含量。
«——【·统计分析·】——»
针对播种初期表现，研究人员对覆盖作物茎和叶片材料中，存在的干物质、氮积累、碳氮比，杂草茎和叶片材料，以及土壤中的无机氮，研究人员基于线性混合模型，使用SAS v.9.3软件的MIXED过程，进行了方差分析。
分析了三个位置的数据，将位置、施肥和种类作为固定效应，将复制品作为随机效应，通过对汇总数据进行残差图的检验，检查模型的拟合情况，并在必要时使用数据转换，以满足线性回归分析的要求。
覆盖作物的出苗率、茎和叶片材料的碳氮比、茎材料所占总生物量的百分比，以及茎材料中的氮含量无需进行任何转换，而对于所有其他数据集应用对数转换，进行了方差齐性检验，如果存在异方差，则对分割方差进行了拟合。
根据别的学者的方法确定了自由度，计算了最小二乘均值，并使用SAS工具中的Tukey-Kramer检验进行均值比较。
«——【·氮矿化模拟·】——»
STICS模型中的残留物分解模块，被用来预测不同覆盖作物产生的残留物的氮矿化，该分解模型考虑了三个池，覆盖作物残留物、分解残留物的微生物生物量和腐殖质有机物，这些池的每日变化与它们的碳氮比和碳含量有关。
在覆盖作物残留物分解过程中，碳要么以CO2排放，要么纳入微生物生物量中，未用于微生物生物量生长的作物残留物氮释放到无机氮池，这个池也作为无机氮的来源，用于微生物生物量的生长。
分解的微生物生物量释放C和N，其中一部分纳入腐殖有机物，一部分以CO2排放，或者在N的情况下作为无机氮释放，模型通过以下方式表征C和N的流动，植物残留物分解速率常数，和来自残留物碳在微生物生物量中的积累。
微生物菌群的衰减速率常数和微生物C的腐殖化程度，三个池的C:N比，即C:NResidue、C:NMicrobial biomass和C:NHumus，腐殖有机物的持续矿化持续释放额外的无机氮，这在当前模拟中并未考虑，当前模拟只考虑来自覆盖作物残留物的净氮矿化。
覆盖作物的净氮矿化也受到外部参数的影响，土壤、气候以及残留物的放置方式，有学者通过成熟和不成熟的作物材料，对土壤进行了孵育实验评估和验证。
最终揭示了微生物生物量C:N、残留物分解常数、腐烂微生物生物量的腐殖系数，与残留物的C:N比之间的显著相关性。
有学者在其他土壤孵育实验中证实了这些关系，并进一步针对C:N比范围广的不成熟秋季作物，进行了模型的评估和参数化。
在田间条件下，研究人员对混入的不成熟覆盖作物残留物，进行了重新校准和成功验证的分解模型。
对于C:N比模型参数，输入范围为6到200，初步模拟显示在较低的C:N比下，N矿化存在不一致性，使用假设的未成熟作物残留物进行模拟，固定干物质和C含量，以及可变的C:N比。
结果显示，在免耕条件下，模拟的比例净N矿化，并未根据残留物的C:N比逐渐变化。
使用从4月到12月的默认气候条件，在前180天内，土壤表面的N矿化对于C:N比为10至12的残留物，要低于C:N比为13至20的残留物。
通过翻耕，模拟的净N矿化随着C:N比从8到20的增加而递减，与其他研究结果类似。
由于免耕条件下文献和模拟结果之间的差异，使用了耕作的模拟，在土壤内，由于微生物生物量的稳定作用，净N矿化通常较低。
不过，模拟仍提供了评估覆盖作物物种的有价值指标，该模型的输入数据包括自己的取样和测量、气象站的测量数据，以及外部来源和文献资料。
模型从10月25日、10月30日和10月31日分别在PI、GR和KÖ运行，共计140天，直到3月种植豌豆作物，覆盖作物才在生物量收获日使用滚筒破碎机终止。
而模型的输入，是有机残留物供应的单个干预措施或两个干预措施。
具有相同数量的茎、叶或茎叶干物质在生物量收获时存在，残留物类型输入参数为“未成熟作物残留物”，具有植物组织特定的碳含量和碳氮比。
在覆盖作物终止当天，假设进行一次耕作以便将残留物与土壤混合，模拟期间未提供额外的施肥或灌溉，每个模拟使用了特定位置的气候条件。
«——【·气候·】——»
这些地点之间的气候差异体现在总降水量和月降水分布上，在两年期间，PI、GR和KÖ的总降水量均高于历史平均值。
2008年和2009年，PI的总降水量最大，与GR相比差值为+59毫米，在2008年和2009年对KÖ的差值分别为+104和+25毫米。
在覆盖作物生长期，2008年8月份，PI和GR的降水量分别比KÖ高出126%和98%，而在9月份，KÖ的降水量略高于其他地点。
而在模拟期的主要月份，PI和GR的累积降水量，分别比KÖ高出76%和31%。
2008年，PI、GR和KÖ的年均温分别为10.6、10.4和10.3摄氏度，这些温度比长期平均值高出0.3到0.5摄氏度。
但到在2009年，它们与平均值相似或略低，在覆盖作物生长期，这三个地点的月均温度变化很小，在N矿化模拟的第二和第三个月，PI的月均温度比KÖ高出1.1和0.7摄氏度。
«——【·干物质生产·】——»
在PI实验地点，整备种子床的时间比GR和KÖ实验地点提前了近7周，并且覆盖作物的播种时间分别比GR和KÖ提前了13天和14天。
这可能导致了与GR和KÖ相比，PI所有种类的生物量更大。
总干物质产量在PI、GR和KÖ实验地点，分别为4.32至7.73 Mg/ha、0.95至3.73 Mg/ha和2.16至3.94 Mg/ha。
尽管存在这种变化，所有实验地点上生物量产量最大的覆盖作物种类是相似的。
在PI和KÖ实验地点，向日葵的干物质产量最大，而在GR实验地点，向日葵、燕麦和黑麦产生的生物量相等，在PI和KÖ实验地点，黑麦的总生物量产量居第二位，将总生物量分为茎和叶材料后，发现不同种类产生的茎和叶生物量存在差异。
但在PI、GR和KÖ实验地点、向日葵和黑麦以及在PI实验地点，芥菜的茎干物质产量最大；在PI实验地点，向日葵的叶生物量最大；而在GR和KÖ实验地点，燕麦和向日葵的叶干物质产量相等。
向日葵产生了大量的茎和叶材料，但相对而言，茎在总生物量中的比例较低。黑麦和芥菜是在所有实验地点上，始终显示出最大茎百分比的种类，在所有实验地点上，燕麦的茎百分比最低。
值得注意的是，在PI实验地点，向日葵的茎百分比同样较低，而在GR和KÖ实验地点，它比燕麦更高，在各地点的平均情况下，播种前施肥只增加了燕麦和荞麦的茎百分比，在GR和KÖ地点，施肥一直增加了覆盖作物和茎的生物量，但在PI地点没有效果。
在各个地点，施肥后的黑麦、向日葵、芥菜的叶干物质显著较大，而其他作物没有对额外施肥作出反应，覆盖作物区的杂草生物量在GR最高，在KÖ最低，范围从0.02到2.18 Mg ha−1，在未进行覆盖作物的区域，PI和GR的杂草生物量相似，大于KÖ。
«——【·结论·】——»
研究表明，在土壤中无机氮供应较低的地区，通过早期播种和提高氮肥的可利用性，可以增加覆盖作物的干物质产量，额外的施肥也会降低植物材料的C：N比，从而可能增加来自叶片和茎材的氮矿化。
向日葵产生大量的生物量，但大部分氮素积累在易分解的叶片材料中，茎的数量较少，并且由于叶片快速分解，无法保证持续的土壤覆盖和对冬季杂草的抑制，在低氮条件下，黑麦和燕麦产生了相似数量的生物量，每平方米茎的数量增加。
从黑麦和燕麦的混合物中的氮矿化很低，这两种作物适合作为覆盖作物，春季粮草豆类作物可以直接播种，荞麦的生物量产量大于大麻，但其茎的C：N比较低，在低投入条件下，植物的生物量产量尤其降低。
这两种作物产生的残渣，不适合在春季播种粮草豆类作物之前进行覆盖播种，研究提供了一些关于适宜于高氮可利用性条件下，向日葵和黑麦作为春秋季，无耕播种现金作物覆盖作物的线索。
而黑麦和燕麦则适合在氮资源较低的地区，春季播种现金作物之前进行覆盖作物播种。
由此可以看出，非豆科覆盖作物在促进土壤氮固定方面表现出了很高的适用性。通过增加土壤有机质含量、改善土壤结构和提高养分吸收能力，它们能够有效地增加土壤中的固定氮量。
因此，在农业生产中广泛使用非豆科覆盖作物，不仅可以提高作物产量和质量，还可以改善土壤质量和农业生态系统的可持续性发展。
这为农民和农业管理者提供了一种可行的选择，以在农田中实施氮素管理措施，提高土壤氮利用效率，减少对化肥的依赖，并实现绿色可持续的农业发展。
参考文献
1.Grimmer, O. P., & Masiunas, J. B. (2004). Evaluation of winter-killed cover crops preceding snap pea. HortTechnology, 14, 349–355. [Crossref], [Web of Science ®], [Google Scholar]
2.Grimmer, O. P., & Masiunas, J. B. (2005). The weed control potential of oat cultivars. HortTechnology, 15, 140–144. [Web of Science ®], [Google Scholar]
3.Gruber, S., & Claupein, W. (2009). Effect of tillage intensity on weed infestation in organic farming. Soil and Tillage Research, 105, 104–111. doi:10.1016/j.still.2009.06.001 [Crossref], [Web of Science ®], [Google Scholar]
4.Hocking, P. J., & Steer, B. T.. 1982. Nitrogen nutrition of sunflower with special reference to nitrogen stress. In J. Kochman (Ed.), Proceedings of the 10th International Sunflower Conference (pp. 73–78). Toowoomba. [Google Scholar]
5.Hocking, P. J., & Steer, B. T. (1983). Distribution of nitrogen during growth of sunflower (Helianthus annuus L.). Annals of Botany, 51, 787–799. [Crossref], [Web of Science ®], [Google Scholar]
