2023, Vol. 44
2. 中国科学院西北生态环境资源研究院, 兰州 730000
, LI Zong-xing1,2
, ZHANG Xiao-ping1 , CUI Qiao2 , LI Yu-chen1 , XIONG Xue-ting1 , YANG Xue-jie1 , YANG An-le1
2. Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China
土壤作为水圈、岩石圈、大气圈和生物圈的共同产物, 是陆地生态系统最活跃的圈层[1], 也是全球最大的陆地碳汇[2].据研究, 1 m深度土壤含碳量约1 500 Pg, 是大气的2倍和陆地植被的3倍[3, 4], 其轻微的扰动便会造成大气中CO2浓度的巨大变化[5]; 同时, 土壤有机碳的积累是一个受环境和气候条件驱动的缓慢且复杂的过程[6, 7].因此, 探究土壤有机碳密度的空间分布和其影响因素对于预测气候变化情景下区域土壤有机碳的变化趋势, 以及制定相应缓解政策措施具有重要作用[8].
近年来, 地理加权回归模型(GWR)已被应用于区域土壤有机碳的空间分布和空间非平稳特征研究[9~11].Xie等[9]利用GWR模型定量分析了1981~2011年我国东南部地区如沭阳、如皋和上海地区土壤有机碳密度的时空变化和驱动因素; Wang等[10]利用GWR模型对青藏高原东部复杂地形区土壤有机碳的空间分布进行了建模, 证明了GWR模型在复杂地形区的适用性; 丁亚鹏等[11]也利用GWR模型对伊犁河流域土壤有机碳空间分布和影响因素进行了研究.众多研究在证明了GWR模型能够较好地模拟区域土壤有机碳的空间分布和影响因素的同时, 认为所有影响因素的最优带宽都是相同的, 即所有影响因素的作用尺度是一致的; 但在实际情况中, 各影响因素对土壤有机碳的影响具有不同的作用尺度, 因此单一带宽并不能够很好地刻画出土壤有机碳真实的空间过程[12].在此基础上, Fotheringham等[13]提出了多尺度地理加权回归模型(MGWR), 该模型通过给予每个变量不同的空间平滑水平, 很好地解决了GWR中单一带宽所带来的缺点[14], 其模拟效果也更加接近于真实的空间作用过程.因此本文选择多尺度地理加权回归模型来探究土壤有机碳密度的空间分布和影响因素.
黄河流域是我国重要的生态安全屏障[15], 流域内林草地面积占流域总面积的50%以上, 是我国陆地生态系统重要的碳汇和碳储存区域[16], 而目前关于该区域流域尺度上有机碳密度的空间分布和影响因素的研究较少.因此, 本文通过整合2000~2020年间黄河流域土壤有机碳密度数据, 利用MGWR模型探究了黄河流域土壤有机碳密度的空间分布和影响因素, 以期为黄河流域碳平衡、土壤质量评价和生态治理恢复与巩固提升提供科学依据.
1 材料与方法 1.1 研究区概况黄河流域(图 1, 25°~50°N, 90°~120°E)横跨青藏高原、内蒙古高原、黄土高原和黄淮海平原, 流经青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南和山东这9个省份, 流域总面积7.95×105 km2, 其中集流面积约7.52×105 km2, 海拔0~6 009 m.流域气候主要为高原山地气候、温带大陆性气候和温带季风气候, 年均气温为9℃, 年均降水量为156.4 mm, 区域内气温和降水差异明显[17].流域涵盖了农田、森林、草地、水体与湿地、聚落、荒漠和其他(主要为裸土地和裸岩砾石地)这6种生态系统, 土壤类型以寒钙土、草毡土、黄绵土、钙层土、干旱土、漠土和盐碱土等为主.
|
图 1 黄河流域生态系统类型和样本点空间分布示意 Fig. 1 Spatial distribution of ecosystem types and sample points in the Yellow River basin |
|
图 2 0~20 cm和0~100 cm的SOCD与环境因子的相关性分析 Fig. 2 Correlation analysis of 0-20 cm and 0-100 cm SOCD with various environmental factors |
本研究中SOCD数据来源于3部分：①文献数据, 获取自2015年以来发表于ISI数据库(http://apps.Webofknowledge.com)上的期刊论文中的SOCD数据, 或利用文献中SOC数据计算而来[式(1)], 其中0~20 cm的数据59条, 0~100 cm的数据28条; ②国家生态科学数据中心所提供的2010s中国陆地生态系统碳密度数据集[18], 该数据集为全国2000~2014年SOCD数据, 其中在研究区内的0~20 cm的数据877条, 0~100 cm的数据1 155条; ③野外实测数据, 2020年6月在黄河流域兰州段北岸地区进行野外采样时获得的12个样点数据.该部分为：等间隔分层采集0~20、20~40、40~60、60~80和80~100 cm样品, 然后将每个样点上3个样地的同层样品混合均匀, 过10目筛后得出每个土壤样品的砾石含量(>2 mm), 取过100目筛样品, 利用K2Cr2O7-H2SO4法得到SOC含量[19], 通过烘干法测得土壤容重; 利用式(1)计算得出SOCD.删除重复数据点后共有0~20 cm的SOCD数据874个, 0~100 cm的SOCD数据901个; 进一步删除提取环境数据后数据缺失点, 最终0~20 cm的SOCD数据867个, 0~100 cm的SOCD数据896个.
|
(1) |
式中, SCODi为第i层土壤有机碳密度(kg·m-2); SOCi为第i层土壤有机碳含量(g·kg-1); Ti为第i层土壤厚度(cm); Vi为第i层土壤中直径>2 mm的砾石所占的体积分数(%).
1.2.2 环境变量为了精确地模拟黄河流域土壤有机碳密度的空间分布, 本研究提取了与SOCD相关的气候、植被和地形等环境因子.其中年均气温和降水量数据来源于国家地球系统科学数据中心(http://www.geodata.cn), 时间尺度为2000~2020年, 空间分辨率为1 km.土壤侵蚀、质地和植被数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn), 空间分辨率皆为1 km; 其中NDVI数据利用2000~2020年中国月尺度NDVI数据集采用最大值合成法(maximum value composites)合成年最大NDVI; 由于侵蚀数据仅有1995~2010年的数据, 因此选择2005年和2010年的数据, 取其均值进行研究.地形因子和土壤水分数据来源于国家青藏高原科学数据中心(http://data.tpdc.ac.cn), 其中土壤水分数据由空间分辨率为0.05°×0.05°的中国土壤水分数据集(2002~2018年)重采样至1 km, 取均值作为最终数据; 地形因子由中国1 km分辨率数字高程模型数据集提取而来, 其中提取了海拔、坡度、坡向、曲率、平面曲率、剖面曲率、地形起伏度、地表粗糙度、复合地形指数(CTI)、汇流动力指数(SPI)和沉积物运移指数(STI).其中CTI、SPI和STI通过式(2)~(4)计算而来.
|
(2) |
|
(3) |
|
(4) |
式中, AC为垂直于水流方向的特定汇流面积, β为坡度.
1.3 MGWR模型本文采用MGWR模型来模拟SOCD的空间分布, 结构如下：
|
(5) |
式中, yi为i处的响应变量; β0(ui, vi)为模型的截距; n为观测点的数量; βbwj(ui, vi)为i处第j个变量的回归系数, 其中bwj为用于校准第j个变量的带宽; xij为第j个预测变量; εi为误差项.
本文比较了两种空间权函数, 以确定模型的最优空间权函数, 分别为固定高斯权函数[fixed gaussian, 式(6)]和自适应双平方权函数[adaptive bi-square, 式(7)].
|
(6) |
|
(7) |
式中, dij为点i到j的距离, Gi(k)为第k个最临近距离的自适应带宽大小, 由修正后的赤尾信息准则(corrected akaike information criterion, AICc)确定.
本文采取黄金分割搜寻方式确定带宽, 选择AICc作为带宽选择准则：
|
(8) |
式中, n为观测数据的数量, σ为误差项的标准差, tr(S)为帽子矩阵S的迹.
在完成模型建立后, 使用5-折交叉验证[20]来评价MGWR预测结果精度, 使用拟合R2、平方绝对误差(MAE)和均方根误差(RMSE)作为具体评价指标[21, 22].
1.4 软件平台利用GetData软件获取论文图表中SOCD和SOC数据; 使用ArcGIS 10.8提取、计算地形因子和相应地图的制作; 使用Origin 2021b进行斯皮尔曼法(Spearman)相关性分析和相应图形的绘制, 使用SPSS 24.0完成数据的共线性诊断; MGWR模型在MGWR 2.2中运行.
2 结果与分析 2.1 MGWR模型构建 2.1.1 模型变量筛选与剔除分别就0~20 cm和0~100 cm的SOCD同各环境因子进行相关性分析(图 2).得出：0~20 cm的SOCD与海拔、坡度、剖面曲率、平面曲率、NDVI、土壤水分、地表粗糙度、地形起伏度、降水、粉砂、黏土和SPI呈显著正相关(P < 0.01), 与侵蚀度、气温、砂土和CTI呈显著负相关(P < 0.01)[图 2(a)]; 0~100 cm的SOCD与海拔、坡度、剖面曲率、NDVI、土壤水分、地表粗糙度、地形起伏度、降水、粉砂、黏土和SPI呈显著正相关(P < 0.01), 与坡向呈正相关(P < 0.05), 与曲率、侵蚀度、气温、砂土、CTI和SPI呈显著负相关(P < 0.01)[图 2(b)].因此, 分别选择相关变量作为0~20 cm和0~100 cm的SOCD的解释变量, 剔除无显著相关关系的变量. 朝右向的红色椭圆代表正相关, 朝左向的蓝色椭圆代表负相关, 相关系数绝对值越高, 椭圆越窄, 越趋于对角处, 系数值为1时为一条直线, 图(b)STI一列中因相关系数小于0.01, 所以皆为一个点; *表示P < 0.05, **表示P < 0.01为避免解释变量存在多重共线性引起MGWR模型预测产生偏差, 选择容差和方差膨胀系数(variance inflation factor, VIF)作为指标来判断因子间是否存在共线性, 剔除存在共线性的解释变量.由表 1可得, 在0~20 cm, 海拔、坡度、地表粗糙度、地形起伏度、气温和CTI的方差膨胀系数大于7.5, 同时容差小于0.2, 表明此类因子存在多重共线性, 因此将其剔除; 此外, 砂土和SPI的容差也小于0.2, 也将其剔除, 选择剖面曲率、平面曲率、NDVI、土壤水分、侵蚀度、降水、粉砂和黏土作为0~20 cm的SOCD模拟的最终解释变量.同样地, 选择坡向、曲率、剖面曲率、NDVI、土壤水分、侵蚀度、降水、粉砂和黏土作为0~100 cm的SOCD模拟的最终解释变量.
|
表 1 解释变量多重共线性诊断结果1) Table 1 Explanation of the variable multicollinearity of the diagnosis |
2.1.2 空间权函数选择
分别选择0~20 cm和0~100 cm经筛选诊断后的环境因子作为自变量, 以SOCD作为因变量, 进行MGWR模型建模, 利用R2、调整后R2、AICc和残差平方和来对比不同空间权函数的拟合效果.由表 2可知, 固定高斯权函数无论是R2、调整后R2, 还是AICc和残差平方和均优于自适应双平方权函数.在0~20 cm, 固定高斯权函数的R2和调整后R2均高于自适应双平方权函数, 分别为0.75和0.71, AICc和残差平方和均小于自适应双平方权函数, 分别为1447.06和207.99; 在0~100 cm, 固定高斯权函数的R2和调整后R2也均高于自适应双平方权函数, 分别为0.66和0.61, AICc和残差平方和也均小于自适应双平方权函数, 分别为1 765.12和295.48.因此, 选择固定高斯权函数作为0~20 cm和0~100 cm的SOCD模拟的最优空间权函数.
|
|
表 2 MGWR模型不同空间权函数拟合结果 Table 2 Fitting results of different spatial weight functions of MGWR |
2.1.3 模型尺度分析
变量带宽衡量了各个过程的空间作用尺度, 可反映出不同环境因子对SOCD作用的差异.由表 3可知, 在0~20 cm和0~100 cm, 各环境因子的带宽都较小(< 50), 即各环境因子的作用尺度较小, 作用效果的空间异质性较强.本文中主要控制了植被、气候、土壤质地和地形因素, 因此常数项表示在以上因素确定的情况下, 微生物和人类活动等其他因素对SOCD的影响, 其在0~20 cm和0~100 cm的作用尺度皆小于0.5, 表明微生物和人类活动等其他因素对SOCD的作用效果的空间异质性较强.在所有控制因素中, 土壤水分、降水和黏土的作用尺度皆大于40, 表明其对于0~20 cm和0~100 cm的SOCD作用效果的空间异质性相对较弱.NDVI的作用尺度在0~20 cm和0~100 cm皆小于2.5, 表明其对SOCD的作用效果的空间异质性相对较大, 且随土壤深度变化整体变化不大.相较于0~100 cm, 粉砂对0~20 cm的SOCD的作用尺度更小, 表明粉砂对表层SOCD的作用效果的空间异质性要大于深层SOCD; 此外, 剖面曲率也具有相同特点.坡向和曲率对于0~100 cm的SOCD的作用尺度较小, 作用效果的空间异质性较强.
|
|
表 3 MGWR模型中各影响因素的带宽1) Table 3 Bandwidths of influencing factors in the MGWR |
2.1.4 模型精度验证
使用5-折交叉验证检验研究区0~20 cm和0~100 cm的SOCD的精度(图 3).结果发现, 在0~20 cm, R2为0.71, MAE和RMSE分别为0.01kg·m-2和2.23kg·m-2[图 3(a)]; 随着土壤深度增加, MGWR模型的模拟精度有所下降, 在0~100 cm, R2降为0.56, MAE和RMSE则分别增至0.18kg·m-2和10.98kg·m-2[图 3(b)].同时, 局部R2表明, 在0~20 cm[图 4(a)], 除黄河源西部、中游西南部和下游东部部分区域R2较低外, 其余地区环境因子对SOCD的解释度良好; 在0~100 cm[图 5(a)], 除在中游西部区域R2较低外, 其余地区环境因子对SOCD的解释度良好, 造成该现象的原因可能是部分区域样点分布不均.结果证明MGWR模型可以较高精度地模拟黄河流域SOCD的空间分布, 且在样点足够和分布均匀时预测效果可能更好.
|
图 3 基于MGWR模型的SOCD预测结果与实测数据的5-折交叉验证 Fig. 3 The '5-fold' cross-validation for predicted value of the MGWR model and observed SOCD |
|
图 4 0~20 cm的SOCD影响因素回归系数的空间分布 Fig. 4 Spatial distribution of regression coefficients of influencing factors of 0-20 cm SOCD |
|
图 5 0~100 cm的SOCD影响因素回归系数的空间分布 Fig. 5 Spatial distribution of regression coefficients of influencing factors of 0-100 cm SOCD |
由图 4和图 5可知, 影响表层SOCD的主要因子为常数项、剖面曲率、NDVI和降水, 影响深层SOCD的主要因子为常数项、曲率、剖面曲率、NDVI、降水和粉砂.在流域上具体表现为：在土壤表层[图 4(b)]和深层[图 5(b)], 常数项回归系数高值区主要位于上游地区, 低值区主要位于中下游地区, 且自上游至下游回归系数逐渐由正值变为负值, 表明微生物和人类活动等其他因素对于黄河上游SOCD具有促进作用, 对于下游地区则为抑制作用; 剖面曲率回归系数在土壤表层[图 4(c)]表现为自西向东逐渐递减, 且正值区基本位于青藏高原地区, 其余地区为负值, 在土壤深层[图 5(e)], 正值区主要位于黄河上游中部地区和下游中东部地区, 负值区则主要位于青藏高原地区, 表明剖面曲率的增加一定程度上增加了青藏高原表层和整个流域深层的SOCD, 降低了青藏高原深层和整个流域表层的SOCD; NDVI回归系数除在黄河下游表层处具有负值外, 在其余地区表层[图 4(e)]和深层[图 4(f)]处皆为正值, 其中高值区位于青藏高原地区, 低值区位于黄河下游地区, 表明植被盖度的增加促进了黄河流域土壤有机碳的积累, 尤其在青藏高原地区, 在黄河下游地区这种趋势有所减弱; 降水回归系数在土壤表层和深层处皆为正值[图 4(h)和图 5(i)], 其变化趋势在土壤表层和深层呈现出相反趋势, 其中在土壤表层, 其变化趋势为东高西低, 在土壤深层则为西高东低, 表明降水对黄河流域土壤有机碳积累的促进作用随土壤深度而具有不同程度的影响; 此外, 曲率和粉砂对于深层SOCD具有重要影响, 而对于表层SOCD这种影响较弱, 其中曲率回归系数在深层处[图 5(d)]整体上为正值, 但在湟水地区和黄河下游地区仍有负值, 表明曲率的增加整体上促进了流域深层SOCD的增加, 但在湟水地区和黄河下游地区曲率的增加表现为抑制作用, 粉砂回归系数在深层处[图 5(j)]呈现出东高西低的变化趋势, 除在黄河源地区为负值外, 在其余地区皆为正值, 表明粉砂的增加抑制了黄河源地区深层土壤有机碳的积累, 对于其他地区深层有机碳则更多的为促进作用.
由表 4可知, 各生态系统类型中影响SOCD分布的主要环境因子为常数项、降水和NDVI, 且在不同生态系统和土壤深度中影响程度有所不同.在农田和聚落生态系统中, 表层和深层的SOCD的主要影响因素皆为常数项、NDVI和降水, 其中常数项为负向影响, 且不同深度三者的影响程度的大小有所不同; 在表层按照回归系数的绝对值排序由大到小排序依次为降水、常数项和NDVI, 在深层则由大到小依次为常数项、NDVI和降水.森林生态系统中影响SOCD分布的主要因素为降水和NDVI, 其中降水在表层对SOCD的影响程度略大于NDVI, 深层则呈相反趋势.草地和水体与湿地生态系统中影响SOCD分布的主要因素和在不同深度上影响程度大小的排序皆一致, 其中在表层, 按照回归系数由大到小排序依次为NDVI、降水和常数项, 在深层由大到小排序则依次为常数项、NDVI和降水.荒漠生态系统中, 影响表层SOCD分布的主要因素按照回归系数由大到小排序依次为降水、常数项和NDVI, 影响深层SOCD分布的主要影响因素按照回归系数由大到小排序则依次为NDVI、曲率和降水.其他生态系统相较前几种生态系统, 影响表层SOCD分布的主要因素未发生改变, 按照回归系数由大到小排序则依次为常数项、降水和NDVI, 在深层则发生较大改变, 按照回归系数由大到小排序依次为常数项、NDVI、曲率、降水和粉砂.
|
|
表 4 不同生态系统类型各因子的回归系数值1) Table 4 Regression coefficient values of factors in different ecosystem types |
2.3 土壤有机碳密度的分布特征
MGWR预测结果表明, 黄河流域0~20 cm的SOCD范围为0~14.82kg·m-2[图 6(a)], 均值为3.48kg·m-2; 0~100 cm的SOCD范围为0~32.39kg·m-2[图 6(b)], 均值为8.07kg·m-2.在0~20 cm和0~100 cm, SOCD的高值区皆主要位于青藏高原地区和黄土高原南部地区, 低值区位于黄河上游东部和内流区, 说明黄河上游地区0~20 cm和0~100 cm的SOCD变化幅度较大, 空间变异性较强.
|
图 6 0~20 cm和0~100 cm的SOCD的空间分布 Fig. 6 Spatial distribution map of 0-20 cm and 0-100 cm SOCD |
由图 7可知, 各生态系统的SOCD和SOCR差异明显.其中0~20 cm的SOCD在各生态系统类型中由大到小依次为：森林>水体与湿地>其他>草地>农田>聚落>荒漠, 均值分别为：4.52、4.31、3.84、3.73、2.89、2.78和2.22kg·m-2[图 7(a)]; 0~100 cm的SOCD在各生态系统类型中由大到小依次为：水体与湿地>森林>其他>草地>农田>聚落>荒漠, 均值分别为：9.58、9.58、8.85、8.66、7.07、6.81和5.29 kg·m-2[图 7(b)].0~20 cm的SOCR的总值为2.76 Pg, 在各生态系统类型中由大到小依次为：草地>农田>森林>荒漠>水体与湿地>聚落>其他, 其值分别为：1.40、0.60、0.47、0.11、0.07、0.06和0.05 Pg[图 7(a)]; 0~100 cm的SOCR的总值为6.48 Pg, 在各生态系统类型中由大到小依次为：草地>农田>森林>荒漠>水体与湿地>聚落>其他, 其值分别为：3.31、1.49、0.99、0.26、0.17、0.14和0.12 Pg[图 7(b)].
|
图 7 不同生态系统类型的SOCD和SOCR Fig. 7 SOCD and SOCR in different ecosystem types |
本研究发现, 影响黄河流域表层的SOCD分布的主要因子为常数项、剖面曲率、NDVI和降水, 平面曲率、土壤水分、侵蚀度、粉砂和黏土的影响程度较小; 影响深层的SOCD分布的主要因子为常数项、曲率、剖面曲率、NDVI、降水和粉砂, 其余因子影响较小.其中常数项回归系数在黄河中上游地区皆为正值, 在下游地区则皆为负值, 且表层处高于深层土壤, 其原因可能为：黄河中上游地区人类干扰较下游地区弱, 土壤微生物等其他因素起主导作用, 一般而言, 土壤剖面是对土壤微生物特性产生重大影响的关键因素之一[23], 随着土壤深度增加, 微生物种类、数量和酶活性显著下降, 动植物残体和凋落物的分解速率降低, 最终表现为SOCD的降低[24]; 在下游地区, 人类干扰强度增加[图 1(b)], 且对表层土壤的干扰大于深层土壤, 最终使得对SOCD分布的影响具有差异性.人类活动不仅直接影响SOCD的分布, 在剖面曲率对SOCD的作用中也有一定影响.本研究中剖面曲率回归系数在土壤表层呈现出自西向东递减的趋势, 且系数值由正转负, 在深层则为相反的变化趋势, 其原因可能为：在青藏高原地区, 坡度一般为中等坡度, 剖面曲率也较低, 而中等坡度和低剖面曲率的结合会显著增加表层的SOCD[25], 在中下游地区, 植被盖度降低和剖面曲率增加促使表层土壤有机碳淋失[26], 进而导致SOCD减少; 与此同时, 剖面曲率的增加减少了人类活动, 并通过影响土壤侵蚀等过程使得土壤深层的SOCD有所升高[27], 青藏高原地区则可能是由于深层砾石含量增加而出现不一样的变化趋势.较于前两者, NDVI回归系数整体上皆为正值, 其中高值区位于青藏高原地区, 低值区位于黄河下游地区, 且随土壤深度的增加, 回归系数逐渐降低, 其原因可能为：青藏高原地区植被以高寒草甸和沼泽草甸为主, 具有高覆盖度和丰富根系, 为土壤提供了大量的腐殖质和分泌物[28], 使得地区SOCD较高, 但在黄土高原南部、库布齐沙漠和毛乌素沙地等地区, 耕作和沙漠化降低了植被盖度, 破坏了植被根系, 减少了有机碳输入[29], 且随着土壤深度增加, 上述趋势更加明显, 最终表现为NDVI对于深层SOCD的贡献相较表层更低.相比气温, 本研究发现降水对黄河流域SOCD的正向影响更为明显, 回归系数在土壤表层呈现东高西低的趋势, 深层则相反, 其原因可能为：黄河流域大部分区域为干旱半干旱区, 降水作为土壤水分的主要来源, 是限制植被生产力的主要因素[30], 降水的增加有助于补给土壤水分、促进植物生长代谢作用[31]、改善腐殖质分解环境和加快微生物分解速率[32], 从而增加土壤中有机碳的含量; 其中表层土壤有机碳主要来源于动植物残体和凋落物[27], 对于降水更为敏感, 而深层土壤碳来源则较复杂, 且更加稳定, 因此降水对深层的SOCD的影响较表层弱[33].
相较于对表层的SOCD影响较弱, 曲率和粉砂对深层的SOCD影响较强, 造成这种差异的原因可能为：曲率影响着降水对地表土壤的侵蚀强度, 进而影响土壤有机碳的流失过程, 促使泥沙中有机碳的富集[34], 随着泥沙的沉积, 促使大量有机碳沉积下来, 较低的植被盖度使得表层有机碳易再次流失[35], 深层有机碳则相对稳定, 最终表现为曲率的增加促进了深层SOCD的增加, 但对表层SOCD影响较弱; 粉砂和黏土尽管一般皆同SOCD含量呈正相关[36], 但粉砂对有机碳的吸附能力较黏土弱许多[37], 在受到干扰的情况下, 有机碳易流失, 较表层土壤易受扰动, 深层土壤更为稳定[38], 因而其粉砂中所固持的有机碳含量也相对表层更高.
3.2 影响不同生态系统类型SOCD分布的主要因素本研究发现, 降水和NDVI是影响所有生态系统SOCD分布的主要因素; 除对森林生态系统影响较小外, 常数项对其余生态系统SOCD分布也具有重要影响; 曲率和粉砂则仅对荒漠和其他生态系统具有重要影响.其中降水和NDVI对所有生态系统皆具有重要影响, 其原因在于降水是主要的生态控制因子[39], 直接影响着植被生长状况[40], 进而决定着所有生态系统中有机碳的输送过程[41], 但随着土壤深度的增加, 这种影响逐渐减弱, 最终表现为深层土壤中降水对SOCD的回归系数较表层小; 相较于降水决定有机碳的输送过程, NDVI则主要控制着有机碳的输入量, 高覆盖度提供了更多的凋落物和丰度的根系[28], 随着土壤深度增加, 凋落物输入量和根系丰富度逐渐减小, 其对SOCD的回归系数逐渐减小, 且变化幅度小于降水回归系数的变化幅度.随着土壤深度和植被盖度的改变, 常数项回归系数在不同生态系统和土壤深度间呈现出了多种变化趋势, 其原因可能在于常数项代表了人类活动和微生物等其他因素的综合影响, 其内部关系复杂, 有待进一步研究; 而森林生态系统受常数项影响程度较小, 其原因可能为：尽管森林演替过程中土壤有机碳的形成和固存主要是由微生物驱动的[42], 但在干旱半干旱地区, 水分的胁迫可能减弱了这种影响[43], 与此同时, 森林生态系统中人类干扰较其余生态系统区较少, 也有可能削弱了常数项对SOCD的影响.
相较降水、NDVI和常数项(除森林生态系统)对7种生态系统皆具有重要影响, 曲率则仅对荒漠和其他生态系统深层土壤具有重要影响, 其原因可能在于曲率较高地区易发生降雨侵蚀, 促使有机碳富集于泥沙中[34], 随着泥沙逐渐沉积, 同时, 低盖度易使表层有机碳再次流失[44], 进而使得曲率对于荒漠和其他生态系统深层SOCD具有重要影响, 对于表层则影响不显著; 此外, 其余生态系统类型较高的植被盖度在减小降雨侵蚀的同时, 对表层有机碳的固持能力较强[44], 进而形成了上述差异.粉砂仅对其他生态系统深层的SOCD具有重要影响, 其原因可能为：其他生态系统主要以裸土地为主, 土壤颗粒主要为粉砂, 其余生态系统类型则主要为黏土或砂土, 粉砂对有机碳的吸附能力介于黏土和砂土间[37], 在受干扰的情况下, 表层有机碳易流失, 而深层则相对稳定[45], 从而导致粉砂对其他生态系统深层的SOCD具有重要影响, 但对其余生态系统和表层土壤的SOCD影响较小.
4 结论(1) 黄河流域0~20 cm的SOCD范围为0~14.82kg·m-2, 均值为3.48 kg·m-2, SOCR为2.76 Pg, 0~100 cm的SOCD范围为0~32.39kg·m-2, 均值为8.07 kg·m-2, SOCR为6.48 Pg; SOCD高值区皆主要位于青藏高原和黄土高原南部地区, 低值区位于黄河上游东部和内流区.
(2) 不同生态系统中, 0~20 cm的SOCD从大到小依次为：森林>水体与湿地>其他>草地>农田>聚落>荒漠, 0~100 cm的SOCD从大到小依次为：水体与湿地>森林>其他>草地>农田>聚落>荒漠; SOCR从大到小则皆为：草地>农田>森林>荒漠>水体与湿地>聚落>其他.
(3) 影响黄河流域SOCD分布的主要因素为常数项、剖面曲率、NDVI和降水, 此外, 曲率和粉砂对深层的SOCD分布也具有重要影响.在各生态系统类型中, 降水和NDVI是影响SOCD分布的主要因素; 常数项在对除森林生态系统外的其余生态系统的SOCD分布也具有重要影响; 曲率和粉砂则仅对荒漠和其他生态系统具有重要影响.
| [1] |
朱永官, 李刚, 张甘霖, 等. 土壤安全: 从地球关键带到生态系统服务[J]. 地理学报, 2015, 70(12): 1859-1869. Zhu Y G, Li G, Zhang G L, et al. Soil security: from Earth's critical zone to ecosystem services[J]. Acta Geographica Sinica, 2015, 70(12): 1859-1869. DOI:10.11821/dlxb201512001 |
| [2] | Batjes N H. Total carbon and nitrogen in the soils of the world[J]. European Journal of Soil Science, 2014, 65(1): 10-21. DOI:10.1111/ejss.12114_2 |
| [3] | Kumar R, Pandey S, Pandey A. Plant roots and carbon sequestration[J]. Current Science, 2006, 91(7): 885-890. |
| [4] | Tiessen H, Cuevas E, Chacon P. The role of soil organic matter in sustaining soil fertility[J]. Nature, 1994, 371(6500): 783-785. DOI:10.1038/371783a0 |
| [5] |
黄锦学, 熊德成, 刘小飞, 等. 增温对土壤有机碳矿化的影响研究综述[J]. 生态学报, 2017, 37(1): 12-24. Huang J X, Xiong D C, Liu X F, et al. Effects of warming on soil organic carbon mineralization: a review[J]. Acta Ecologica Sinica, 2017, 37(1): 12-24. |
| [6] | Bowen G D, Rovira A D. The rhizosphere and its management to improve plant growth[J]. Advances in Agronomy, 1999, 66: 1-102. |
| [7] | Ali R S, Kandeler E, Marhan S, et al. Controls on microbially regulated soil organic carbon decomposition at the regional scale[J]. Soil Biology and Biochemistry, 2018, 118: 59-68. DOI:10.1016/j.soilbio.2017.12.007 |
| [8] | Yigini Y, Panagos P. Assessment of soil organic carbon stocks under future climate and land cover changes in Europe[J]. Science of the Total Environment, 2016, 557-558: 838-850. DOI:10.1016/j.scitotenv.2016.03.085 |
| [9] | Xie E Z, Zhang Y X, Huang B, et al. Spatiotemporal variations in soil organic carbon and their drivers in southeastern China during 1981-2011[J]. Soil and Tillage Research, 2021, 205. DOI:10.1016/j.still.2020.104763 |
| [10] | Wang D, Li X X, Zou D F, et al. Modeling soil organic carbon spatial distribution for a complex terrain based on geographically weighted regression in the eastern Qinghai-Tibetan Plateau[J]. CATENA, 2020, 187: 187. DOI:10.1016/j.catena.2019.104399 |
| [11] |
丁亚鹏, 张俊华, 刘玉寒, 等. 基于GWR模型的伊河流域土壤有机碳空间分布特征及影响因素分析[J]. 生态学报, 2021, 41(12): 4876-4885. Ding Y P, Zhang J H, Liu Y H, et al. Spatial distribution characteristics and influencing factors of soil organic carbon in Yihe River basin based on GWR model[J]. Acta Ecologica Sinica, 2021, 41(12): 4876-4885. |
| [12] |
周志凌, 程先富. 基于MGWR模型的中国城市PM2.5影响因素空间异质性[J]. 中国环境科学, 2021, 41(6): 2552-2561. Zhou Z L, Cheng X F. Spatial heterogeneity of influencing factors of PM2.5 in Chinese cities based on MGWR model[J]. China Environmental Science, 2021, 41(6): 2552-2561. DOI:10.3969/j.issn.1000-6923.2021.06.007 |
| [13] | Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265. DOI:10.1080/24694452.2017.1352480 |
| [14] |
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制--基于多尺度地理加权回归模型(MGWR)的研究[J]. 经济地理, 2020, 40(3): 75-83. Shen T Y, Yu H C, Zhou L, et al. On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression: scale law of spatial heterogeneity[J]. Economic Geography, 2020, 40(3): 75-83. |
| [15] | Chen Z H, Zhang Q X, Li F, et al. Comprehensive evaluation of land use benefit in the Yellow River basin from 1995 to 2018[J]. Land, 2021, 10(6). DOI:10.3390/land10060643 |
| [16] |
杨洁, 谢保鹏, 张德罡. 基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究[J]. 中国生态农业学报(中英文), 2021, 29(6): 1018-1029. Yang J, Xie B P, Zhang D G. Spatio-temporal evolution of carbon stocks in the Yellow River basin based on InVEST and CA-Markov models[J]. Chinese Journal of Eco-Agriculture, 2021, 29(6): 1018-1029. |
| [17] | Wang W, Yin S, Gao G, et al. Increasing trends in rainfall erosivity in the Yellow River basin from 1971 to 2020[J]. Journal of Hydrology, 2022, 610. DOI:10.1016/j.jhydrol.2022.127851 |
| [18] |
徐丽, 何念鹏, 于贵瑞. 2010s中国陆地生态系统碳密度数据集[J]. 中国科学数据, 2019, 4(1): 86-92. Xu L, He N P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s)[J]. China Scientific Date, 2019, 4(1): 86-92. |
| [19] | 鲍士旦. 土壤农化分析[M]. 北京: 中国农业出版社, 2000. |
| [20] | Pohjankukka J, Pahikkala T, Nevalainen P, et al. Estimating the prediction performance of spatial models via spatial k-fold cross validation[J]. International Journal of Geographical Information Science, 2017, 31(10): 2001-2019. |
| [21] | Owusu S, Yigini Y, Olmedo G F, et al. Spatial prediction of soil organic carbon stocks in Ghana using legacy data[J]. Geoderma, 2020, 360. DOI:10.1016/j.geoderma.2019.114008 |
| [22] | Zhang M W, Liu H J, Zhang M N, et al. Mapping soil organic matter and analyzing the prediction accuracy of typical cropland soil types on the Northern Songnen Plain[J]. Remote Sensing, 2021, 13. DOI:10.3390/rs13245162 |
| [23] | Piotrowska-Długosz A, Długosz J, Frąc M, et al. Enzymatic activity and functional diversity of soil microorganisms along the soil profile-a matter of soil depth and soil-forming processes[J]. Geoderma, 2022, 416. DOI:10.1016/j.geoderma.2022.115779 |
| [24] |
何中声, 王紫薇, 朱静, 等. 戴云山南坡不同海拔森林土壤微生物群落结构特征和影响因素[J]. 环境科学, 2022, 43(5): 2802-2811. He Z S, Wang Z W, Zhu J, et al. Forest soil microbial community structure characteristics and its influencing factors at different elevations on the southern slope of Daiyun mountain[J]. Environmental Science, 2022, 43(5): 2802-2811. |
| [25] | Fissore C, Dalzell B J, Berhe A A, et al. Influence of topography on soil organic carbon dynamics in a Southern California grassland[J]. CATENA, 2017, 149: 140-149. |
| [26] | Stergiadi M, Van Der Perk M, De Nijs T C M, et al. Effects of climate change and land management on soil organic carbon dynamics and carbon leaching in northwestern Europe[J]. Biogeosciences, 2016, 13(5): 1519-1536. |
| [27] | 张小芳. 坡向及坡度对黄土高原植树造林区土壤有机碳的影响研究--以会宁南部为例[D]. 兰州: 西北师范大学, 2020. |
| [28] |
杨渺, 李贤伟, 张健, 等. 植被覆盖变化过程中土壤有机碳库动态及其影响因素研究进展[J]. 草业学报, 2007, 16(4): 126-138. Yang M, Li X W, Zhang J, et al. Review of soil organic carbon dynamic progress and the impact factors during herbaceous and woody vegetation types conversation[J]. Acta Prataculturae Sinica, 2007, 16(4): 126-138. |
| [29] |
左小安, 赵哈林, 赵学勇, 等. 科尔沁沙地退化植被恢复过程中土壤有机碳和全氮的空间异质性[J]. 环境科学, 2009, 30(8): 2387-2393. Zuo X A, Zhao H L, Zhao X Y, et al. Spatial heterogeneity of soil organic carbon and total nitrogen of sandy grassland in the restoration of degraded vegetation in Horqin Sandy Land, Northern China[J]. Environmental Science, 2009, 30(8): 2387-2393. |
| [30] |
李妙宇, 上官周平, 邓蕾. 黄土高原地区生态系统碳储量空间分布及其影响因素[J]. 生态学报, 2021, 41(17): 6786-6799. Li M Y, Shangguan Z P, Deng L. Spatial distribution of carbon storages in the terrestrial ecosystems and its influencing factors on the Loess Plateau[J]. Acta Ecologica Sinica, 2021, 41(17): 6786-6799. |
| [31] | Shao R, Shao W W, Gu C J, et al. Increased interception induced by vegetation restoration counters ecosystem carbon and water exchange efficiency in China[J]. Earth's Future, 2022, 10(2). DOI:10.1029/2021ef002464 |
| [32] |
王兴, 钟泽坤, 朱玉帆, 等. 增温和增雨对黄土丘陵区撂荒草地土壤呼吸的影响[J]. 环境科学, 2022, 43(3): 1657-1667. Wang X, Zhong Z K, Zhu Y F, et al. Effects of warming and increased precipitation on soil respiration of abandoned grassland in the Loess-Hilly regions[J]. Environmental Science, 2022, 43(3): 1657-1667. |
| [33] |
周艳翔, 吕茂奎, 谢锦升, 等. 深层土壤有机碳的来源、特征与稳定性[J]. 亚热带资源与环境学报, 2013, 8(1): 48-55. Zhou Y X, Lv M K, Xie J S, et al. Sources, characteristics and stability of organic carbon in deep soil[J]. Journal of Subtropical Resources and Environment, 2013, 8(1): 48-55. |
| [34] |
符雅盛, 张利华, 郑芸蔷, 等. 鄂西犟河流域表层土壤有机碳时空变化及其影响因素[J]. 水土保持通报, 2020, 40(5): 189-195. Fu Y S, Zhang L H, Zheng Y Q, et al. Temporal and spatial variation in soil organic carbon and its influencing factors in Jianghe small watershed of Western Hubei province[J]. Bulletin of Soil and Water Conservation, 2020, 40(5): 189-195. |
| [35] | Zhu G Y, Shangguan Z P, Hu X Z, et al. Effects of land use changes on soil organic carbon, nitrogen and their losses in a typical watershed of the Loess Plateau, China[J]. Ecological Indicators, 2021, 133. DOI:10.1016/j.ecolind.2021.108443 |
| [36] |
陈曦, 刘鸿雁. 内蒙古草原区土壤碳密度(SOCD)和氮密度(TND)的影响因素分析[J]. 北京大学学报(自然科学版), 2012, 48(2): 317-324. Chen X, Liu H Y. Factors affecting soil organic carbon density (SOCD) and total nitrogen density (TND) in Inner Mongolian steppe[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2012, 48(2): 317-324. |
| [37] |
祝万鹏, 杨津湘, 杨志华, 等. 氨氮在饱水粉砂土和亚砂土层中吸附过程及其模拟[J]. 环境科学, 1996, 17(2): 9-11. Zhu W P, Yang J X, Yang Z H, et al. Adsorption behavior of ammonnium ion in saturated silty sand and sandy loam[J]. Environmental Science, 1996, 17(2): 9-11. |
| [38] | Fontaine S, Barot S, Barré P, et al. Stability of organic carbon in deep soil layers controlled by fresh carbon supply[J]. Nature, 2007, 450(7167): 277-280. |
| [39] | Li H W, Wu Y P, Chen J, et al. Responses of soil organic carbon to climate change in the Qilian Mountains and its future projection[J]. Journal of Hydrology, 2021, 596. DOI:10.1016/j.jhydrol.2021.126110 |
| [40] | 张宝庆, 田磊, 赵西宁, 等. 植被恢复对黄土高原局地降水的反馈效应研究[J]. 中国科学: 地球科学, 2021, 51(7): 1080-1091. |
| [41] |
孙龙, 张光辉, 栾莉莉, 等. 黄土丘陵区表层土壤有机碳沿降水梯度的分布[J]. 应用生态学报, 2016, 27(2): 532-538. Sun L, Zhang G H, Luan L L, et al. Distribution of soil organic carbon in surface soil along a precipitation gradient in loess hilly area[J]. Chinese Journal of Applied Ecology, 2016, 27(2): 532-538. |
| [42] | Shao S, Zhao Y, Zhang W, et al. Linkage of microbial residue dynamics with soil organic carbon accumulation during subtropical forest succession[J]. Soil Biology and Biochemistry, 2017, 114: 114-120. |
| [43] | Shao R, Zhang B Q, He X G, et al. Historical water storage changes over China's Loess Plateau[J]. Water Resources Research, 2021, 57(3). DOI:10.1029/2020wr028661 |
| [44] | Alhassan A R M, Ma W W, Li G, et al. Response of soil organic carbon to vegetation degradation along a moisture gradient in a wet meadow on the Qinghai-Tibet Plateau[J]. Ecology and Evolution, 2018, 8(23): 11999-12010. |
| [45] |
兰志龙, 赵英, 张建国, 等. 陕北黄土丘陵区不同土地利用方式下土壤碳剖面分布特征[J]. 环境科学, 2018, 39(1): 339-347. Lan Z L, Zhao Y, Zhang J G, et al. Profile distribution of soil organic and inorganic carbon under different land use types in the Loess Plateau of Northern Shaanxi[J]. Environmental Science, 2018, 39(1): 339-347. |