环境科学  2023, Vol. 44 Issue (5): 2775-2785   PDF    
引用本文
车燕, 邱龙霞, 吴凌云, 龙军, 毋亭, 李晶, 邢世和, 张黎明. 福建省水田土壤有机碳积累对未来温度升高的响应[J]. 环境科学, 2023, 44(5): 2775-2785.
CHE Yan, QIU Long-xia, WU Ling-yun, LONG Jun, WU Ting, LI Jing, XING Shi-he, ZHANG Li-ming. Response of Soil Organic Carbon Accumulation in Paddy Fields in Fujian Province to Future Temperature Increases[J]. Environmental Science, 2023, 44(5): 2775-2785.
福建省水田土壤有机碳积累对未来温度升高的响应
车燕1,2, 邱龙霞1,2, 吴凌云3, 龙军4, 毋亭1,2, 李晶1,2, 邢世和1,2, 张黎明1,2     
1. 福建农林大学资源与环境学院, 福州 350002;
2. 土壤生态系统健康与调控福建省高校重点实验室, 福州 350002;
3. 福建省农田建设与土壤肥料技术总站, 福州 350002;
4. 闽南师范大学生物科学与技术学院, 漳州 363000
收稿日期: 2022-05-05; 修订日期: 2022-08-01
基金项目: 国家自然科学基金项目(41971050); 福建省自然科学基金项目(2021J01117); 教育部人文社科青年基金项目(21YJC630090)
作者简介: 车燕(1996~), 女, 硕士研究生, 主要研究方向为土壤碳循环模拟, E-mail: cheyan123123@163.com
通信作者: 张黎明，E-mail: fjaulmzhang@163.com
摘要: 明确未来温度升高下我国农田土壤的碳“源-汇”效应是合理制定碳中和管理政策的基础.以我国典型亚热带地区——整个福建省84个县(市、区)水田土壤为研究对象, 基于目前该区域最详细的1∶5万大比例尺土壤数据库和生物地球化学过程模型(DNDC), 模拟了2017~2053年不同温度升高情景下全省水田土壤的有机碳动态变化.结果表明, 在常规温度(对照)以及温度上升2、4和6℃这4种情景分析下, 福建省水田土壤的固碳总量分别为11.56、9.44、7.08和4.91 Tg, 年均固碳速率(以C计)分别为173、141、106和74 kg·(hm2·a)-1, 说明随着未来温度升高固碳速率在下降, 但总体而言在6℃升温下全省水田土壤仍是“碳汇”.从不同土壤类型来看, 潜育水稻土受气温升高的影响最大, 不同处理下固碳速率降幅介于20%~69%之间, 而盐渍水稻土受气温升高的影响最小, 不同处理下固碳速率降幅介于14%~43%之间.从不同行政区来看, 受气温升高影响最大的是位于武夷山脉附近的三明市, 不同处理下固碳速率降幅介于27%~83%之间, 而受气温升高影响最小的是沿海的泉州市和莆田市, 不同处理下固碳速率降幅分别介于10%~41%与14%~42%之间.总体来看, 福建省各土壤类型和行政区的水田固碳速率因其本底土壤属性和气候环境等不同而对未来温度升高的响应程度差异很大.
关键词: 福建省      土壤有机碳      1∶5万土壤数据库      水稻土      温度     
Response of Soil Organic Carbon Accumulation in Paddy Fields in Fujian Province to Future Temperature Increases
CHE Yan1,2 , QIU Long-xia1,2 , WU Ling-yun3 , LONG Jun4 , WU Ting1,2 , LI Jing1,2 , XING Shi-he1,2 , ZHANG Li-ming1,2     
1. College of Resource and Environment, Fujian Agriculture and Forestry University, Fuzhou 350002, China;
2. University Key Laboratory of Soil Ecosystem Health and Regulation in Fujian, Fuzhou 350002, China;
3. Fujian Crop Land Construction and Soil and Fertilizer Station, Fuzhou 350002, China;
4. School of Biological Science and Technology, Minnan Normal University, Zhangzhou 363000, China
Abstract: Understanding the effect of the soil carbon "source-sink" in cropland in China under future warming scenarios is the basis for making reasonable carbon neutralization policies. This study focused on the paddy soil in Fujian Province, a typical subtropical region in China including 84 counties (cities and districts). We employed the 1:50000 soil database and biogeochemical process model (DNDC) to simulate the dynamic changes in paddy soil organic carbon under different warming scenarios for the period of 2017-2053. The results indicated that in the context of normal temperature (control run) and 2, 4, and 6℃ of warming, the total amounts of carbon sequestration of paddy soil in Fujian Province were 11.56, 9.44, 7.08, and 4.91 Tg, respectively; accordingly, the average annual carbon sequestration rates (expressed by C) were 173, 141, 106, and 74 kg·(hm2·a)-1, indicating that the rate of carbon sequestration was decreasing with the increase in future temperature. However, overall, the paddy field soil in the province was still a "carbon sink" under the warming of 6 (C. We also found that the gleyed paddy soil was mostly affected by the increase in temperature, and the decrease in carbon sequestration rate ranged from 20% to 69% using different treatments. In contrast, the salinized paddy soil was slightly affected, with a 14%-43% decrease in carbon sequestration rates. As for the different administrative regions, Sanming City was the most affected by temperature increase, with the rate of carbon sequestration decreasing by 27%-83% using different treatments. However, it was reduced by only 10%-41% and 14%-42% in Quanzhou and Putian (coastal areas), respectively. Overall, due to different soil properties, fertilization management, and climatic environment, there was a strong variability in the carbon sequestration rates of paddy soil for different soil subtypes and administrative regions in Fujian in response to future climatic warming.
Key words: Fujian Province      soil organic carbon      1∶50 000 soil database      paddy soil      temperature     

据IPCC第六次评估报告, 到21世纪末温室气体导致的全球气温升高可能范围预计达1.0~5.7℃, 这会导致土壤有机碳(soil organic carbon, SOC)的快速矿化, 从而加剧全球变暖[1].有研究表明, 温度每升高1℃, 全球陆地土壤将释放11~34 Pg·a-1的碳到大气中[2, 3].我国农田面积约为1.3亿hm2, 占全球农田总面积的10%左右, 与自然生态系统相比, 该生态系统中的SOC易受到强烈人为干扰并可在较短时间内调节, 对气候变化尤为敏感[4].因此, 明确未来温度升高下我国农田SOC的动态变化规律对于制定适宜的“碳中和”管理政策具有重要意义.

由于农田生态系统中的碳循环受到气候、植被、土壤和人为活动共同作用, 导致其源、库、流反馈机制非常复杂, 特别是气候中的温度决定着SOC分解和积累, 是区域碳平衡的主导因子[5, 6].为了更好地定量化温度对碳循环的影响程度, 科学家们发展了大量生物地球化学过程模型, 这些模型不仅能够模拟SOC与温度之间的非线性关系, 也可基于其情景分析功能预测出未来温度升高下SOC的动态变化规律[5, 7].目前, 国内外科学家利用结合有土壤数据库的生物地球化学过程模型在全球和区域尺度上进行了大量温度变化与农田SOC响应的研究[3, 5, 8~10].从这些研究中可以看出, 尽管未来温度升高导致SOC下降已成为共识, 但不同区域的SOC由于其自然环境和本底属性的差异对温度响应程度并不一样.气温上升一方面会极大地促进根际微生物种群增长和凋落物分解, 从而加剧SOC的释放; 但另一方面也能通过提高氮的矿化刺激植物生长, 进而增加地下生物量的输入, 这种相互制约的关系导致对未来温度升高下土壤呈“碳源”还是“碳汇”仍不清楚[11, 12].另外, 目前升温研究集中在0~4℃, 但是第六次IPCC评估报告表明, 21世纪末的升温有可能达到5.7℃, 在该温度下SOC的响应程度如何？目前还未知.有学者认为温度超过某一临界温度时土壤可能会从碳汇转变成碳源[13], 另外一些学者则认为随着温度持续上升, 土壤呼吸对温度的敏感性下降, 土壤仍有可能是碳汇[5, 10].此外, 基于结合有土壤数据库的生物地球化学过程模型是目前定量温度变化与SOC响应程度的常用有效技术方法, 但是在大区域尺度SOC模拟中, 国外常用1∶25万~1∶500万[14~16]、国内常用1∶50万~1∶1400万土壤数据库[17~19].从地学本质上来看, 地表过程的观察与测量依赖于观测的尺度, 有学者指出由于不同制图比例尺数据库对土壤类型的概化程度不同, 导致土壤数据估算过程中的误差会随比例尺减小而呈增大趋势, 而目前国内外SOC模型运行中大多采用的中小比例尺粗糙土壤数据将在一定程度上降低模拟精度, 从而增加定量揭示温度变化与SOC响应关系的不确定性[17].因此, 在未来的SOC演变模拟中使用高分辨率土壤数据库和设置合理的温度变化区间, 以更好地明确温度变化与SOC的反馈效应是非常必要的.

水稻作为我国最重要的粮食作物之一, 种植历史已经有7 000多年, 面积达到4.6×107 hm2, 产量约占我国粮食总产量一半左右[20].福建省作为典型的亚热带地区, 由于地质构造运动和长期外营力的综合作用形成了“八山一水一分田”地貌特征, 水稻土是该地区最重要的农业土壤, 占耕地总面积的80%以上, 定量化该地区水田SOC动态变化与未来温度升高之间的关系对于合理制定我国亚热带地区“碳中和”国家战略具有重要意义[21].基于此, 本研究以目前农田生态系统广泛使用的反硝化-分解模型(denitrification and decomposition, DNDC)为有效技术手段, 选择整个福建省的84个县(市、区)水田作为研究区, 以1980~2016年气象资料、2016年农业管理措施和目前该地区最详细的1∶5万大比例尺土壤数据库为基础, 采用改进的和充分体现土壤属性空间异质性的“图斑(polygon)”为最小模拟单元, 模拟2017~2053年全省水稻土在常规温度(对照)和温度上升2、4和6℃这4种情景分析下的SOC变化, 系统分析整个研究区、不同水稻土亚类和行政区在各个温度情景下的SOC变化规律, 明确未来温度变化与土壤碳“源-汇”之间的定量关系, 以期为我国亚热带地区在未来温度升高大背景下制定合理的固碳减排措施提供理论依据.

1 材料与方法 1.1 研究区概况

福建省地处我国东南部, 介于23°33′~28°20′N, 115°50′~120°40′E之间(图 1), 其地势总体上西北高东南低, 境内地形复杂多样, 素有“八山一水一分田”之称.全省包括1个副省级市(厦门)和8个地级市(福州、莆田、龙岩、三明、漳州、泉州、南平和宁德), 气候类型为暖热湿润的亚热带海洋性季风气候.根据全省28个国家气象站点数据统计, 福建省年平均气温13.0~22.5℃, 年均降水量1 106~1 956 mm, 气候温暖, 雨热资源丰富.全省主要耕作土壤类型为水稻土, 约占全省耕地土壤总面积的80%, 其亚类可划分为渗育水稻土、潴育水稻土、潜育水稻土、盐渍水稻土、漂洗水稻土、淹育水稻土和咸酸水稻土.成土母质类型主要是残坡积物、冲积物、洪积物、海积物、风积物和局部出现的牛轭湖相沉积物[22].

图 1 福建省地理位置示意 Fig. 1 Geographical location of Fujian Province, China

1.2 模型介绍及验证

DNDC是1992年美国NewHampshire大学李长生教授建立用于模拟生物地球化学过程的模型[23].该模型共包含两个部分：第一部分由土壤气候、农作物生长和有机质分解这3个子模型构成, 其作用是根据输入的气象、土壤、植被、土地利用和农业管理等数据来模拟植物-土壤系统的土壤温度、土壤湿度和pH和氧化还原电位Eh等土壤环境条件; 第二部分由硝化、脱氮和发酵这3个子模型构成, 通过模拟土壤环境条件对微生物活动的影响进而计算植物-土壤系统中C和N排放.目前, DNDC模型也经过我国科学家的不断改进和扩充, 发展了适用于中国特色农业生态系统的版本, 并在点位和区域尺度上进行了大量验证及应用, 具有较高的可信度[24~26].为了更好地明确DNDC模型在福建省水田SOC模拟中的适用性, 本研究也选取不同地理位置并涵盖全省典型气候带的5个县(浦城、闽侯、永定、同安和武平), 并基于1980年第二次土壤普查30 211个实测表层样点(0~15 cm)建立的这5个典型县1∶5万土壤数据库, 结合野外调查和统计年鉴建立的农业管理数据库, 以及气象数据库, 驱动DNDC模型完成1980~2008年的SOC动态变化模拟, 2008年的模拟值与该年度农业农村部测土配方施肥10 604个表层土壤样点(0~15 cm)有机碳实测数据进行了对比, 结果表明, 模拟结果和实测数据之间的决定系数(R2)达到0.636(P < 0.001, n=10 604), 平均绝对预测误差(MAE)和均方根预测误差(RMSE)也较小, 这说明DNDC模型可以适用于全省农田SOC的动态变化研究.更多DNDC模型验证的论述见文献[27].

1.3 数据来源

本研究中DNDC模型所需的福建省1∶5万土壤数据库由空间数据库和属性数据库两部分构成.空间数据库是由全省各县(市、区)1980年第二次土壤普查制作的1∶5万土壤纸质图经扫描、配准和数字矢量化等过程建立, 该数据库中有水稻土图斑数181 756个, 共计7个亚类、17个土属和49个土种.属性数据库中的土壤数据主要来自于2016年农业农村部耕地地力调查, 共计水田土壤表层(0~15 cm)样点15 833个, 每个样点的属性值包括位置坐标、土壤类型、有机质、黏粒、pH和碱解氮等数据(图 2).空间数据和属性数据的连接采用Shi等[28]提出的土壤学专业知识法(pedologicalprofessional knowledge based method, PKB).该方法主要借助ArcGIS软件, 将土壤表层样点位置与其分布区相邻或相同, 成土母质相近或一致, 以及土壤类型名称相似或一致作为基本原则, 以“县”为基本控制单元将土壤表层样点属性信息连接到空间数据库中相应图斑上.

图 2 2016年福建省水田土壤采样点分布 Fig. 2 Distribution of sampling points of paddy soil in Fujian Province in 2016

DNDC模型所需的农业数据主要包括福建省各个县(市)作物产量、种植面积、播种期和收获期等种植制度和轮作作物生理参数, 以及氮肥、农家肥和农业人口数据, 这部分资料主要来自于2016年的福建省农业统计年鉴资料.DNDC模型所需的气象数据来自于福建省28个国家基本地面气象站, 包括1980~2016年逐日最高、最低气温和日降雨量等资料, 并在DNDC模型运行中按照就近原则分配给每个县[29].

容重是表征土壤理化性质的重要指标, 但2016年福建省部分水稻土采样点的容重数据缺失, 为此本研究以2018年全省采集的1 982个实测样点容重数据与其对应的有机质含量进行了拟合, 回归方程见图 3.可以看出, 土壤容重与有机质含量之间达到了极显著相关水平(P < 0.001), 相关系数为0.722, 说明该公式可以用于计算福建省水稻土样点中缺失的容重数据.

***表示P <0.001水平上显著相关 图 3 福建省土壤容重与有机质之间的拟合曲线 Fig. 3 Fitting curve of soil bulk density and soil organic matter in paddy fields in Fujian Province

1.4 情景分析设置

本研究以2016年土壤属性建立的福建省1∶5万土壤数据库下181 756个水稻土“图斑”为最小模拟单元, 各图斑单元的容重、黏粒、pH值和SOC含量作为模型模拟的起始值, 结合1980~2016年全省气象数据库和2016年农业管理数据库, 模拟2017~2053年全省水稻土在常规温度, 以及常规温度基础上分别增加2、4和6℃这4种情景.各情景分析的具体设置见表 1.

表 1 常规和未来温度升高的情景分析设置 Table 1 Scenario analysis settings for conventional and future temperature increases

1.5 数据统计分析

不同温度情景处理下2017~2053年整个福建省、不同土壤类型和行政区的水稻土有机碳变化总量(TSOC, Tg或Gg, 以C计, 下同)和面积加权年均有机碳变化速率[dSOC, kg·(hm2·a)-1, 以C计, 下同]计算公式如下：

(1)
(2)
(3)
(4)

式中, APS为研究区水田土壤总面积, hm2; APSi为每个图斑的面积, hm2; ASCf为每个图斑年均SOC变化量(以碳计), kg·(hm2·a)-1, AMSC为年均SOC从2017~2053年总变化量(以碳计), kg·(hm2·a)-1; n为图斑编号, h为2017~2053年模拟年份(h=1, 2, …, 37).

本研究采用变化率(%)绝对值表示各个升温情景比常规处理减少SOC的程度[5]：

(5)

式中, y为变化率, %; xS为不同温度情景设置下SOC年均变化速率dSOC, kg·(hm2·a)-1, 以及SOC变化总量TSOC, Tg或Gg; x0为常规处理情景下SOC年均变化速率dSOC和SOC变化总量TSOC.

为了明确各初始土壤属性对不同温度情景下SOC变化速率的影响大小, 本研究首先采用SPSS19.0软件计算出各初始土壤属性与年均dSOC之间的线性相关性, 然后以年均dSOC为因变量, 各初始土壤属性为自变量进行多元线性逐步回归分析, 并通过调整判定系数(Radj2)判断各个温度情景下SOC年均变化的主控因子[30, 31].

2 结果与分析 2.1 不同温度升高情景下整个福建省水稻土有机碳时空变化特征

本研究运用DNDC模型估算出2017~2053年福建省1.8×106 hm2水田在常规温度(对照)以及温度升高2、4和6℃这4种情景处理下土壤固碳总量分别为11.56、9.44、7.08和4.91 Tg, 年均固碳速率分别为173、141、106和74 kg·hm-2(图 4).与常规温度相比, 温度升高2、4和6℃的年均固碳速率降幅分别达到18%、39%和58%, 说明未来升温不利于SOC的固持.

图 4 不同温度情景下福建省2017~2053年水田土壤有机碳密度变化 Fig. 4 Changes in soil organic carbon density in paddy fields in Fujian Province from 2017 to 2053 under different temperature scenarios

从空间分布来看, 不同温度情景处理下福建省水田土壤固碳速率呈现东南沿海向西北内陆逐渐降低的趋势(图 5).研究区固碳速率小于0的水田面积占全省水田总面积的6.0%~24%, 主要分布在福建省西北地区; 固碳速率介于0~300 kg·(hm2·a)-1的水田面积占全省水田总面积的73%~80%, 主要集中分布于福建省中部和东部; 固碳速率大于300 kg·(hm2·a)-1的水田面积占全省水田总面积的3.0%~14%, 零星分布于东部和西南部.

图 5 不同温度情景下福建省水田土壤年均固碳速率空间分布 Fig. 5 Distribution of average annual carbon sequestration rate of paddy soil under different temperature scenarios

2.2 不同温度升高情景下各水稻土亚类有机碳变化特征

不同温度情景处理下福建省2017~2053年各水稻土亚类的固碳速率和总量均有较大差异(表 2).其中, 渗育水稻土和潴育水稻土的固碳总量最大, 不同温度情景处理下37 a的固碳总量分别在2.70~5.89 Tg和1.32~3.55 Tg之间, 占研究区总固碳量的53%和29%左右; 其次, 潜育水稻土和盐渍水稻土的固碳总量也较大, 不同温度情景处理下37 a的固碳总量分别在0.33~1.07 Tg和0.45~0.78 Tg之间, 均占研究区总固碳量的8%左右; 而咸酸、淹育和漂洗这3个水稻土亚类在不同温度情景处理下的固碳量均较小, 37 a的固碳总量在3.8×10-4~0.16 Tg之间, 合计占研究区总固碳量的10%左右.从固碳速率来看, 不同温度情景处理下盐渍水稻土和咸酸水稻土的年均固碳速率最高, 分别在143~249 kg·hm-2和106~220 kg·hm-2之间; 而潜育水稻土和淹育水稻土的年均固碳速率最低, 分别在44~143 kg·hm-2和46~140 kg·hm-2之间, 其余漂洗、渗育和潴育这3个水稻土亚类的年均固碳速率介于84~184 kg·hm-2之间.从2017~2053年固碳速率变化程度来看(表 2), 潜育水稻土受未来温度升高的影响最大, 与常规处理相比, 年均固碳速率降幅在20%~69%之间; 相对而言, 盐渍水稻土受未来升温的影响较小, 年均固碳速率降幅在14%~43%之间; 其余水稻土亚类的年均固碳速率降幅在16%~67%之间.

表 2 温度升高下福建省水稻土各亚类固碳总量、固碳速率及其变化程度 Table 2 Total carbon sequestration, annual average carbon sequestration rate, and change rate of paddy soil subtypes in Fujian Province under the circumstance of temperature increase

2.3 不同温度升高情景下各行政区有机碳变化特征

从不同温度情景处理下福建省各行政区水稻土固碳速率来看(表 3), 东部沿海总体高于西北内陆.进一步从沿海地区来看, 莆田市和泉州市这2个地级市水稻土的年均固碳速率是所有行政区中最高的, 不同温度情景处理下分别在155~267 kg·(hm2·a)-1和144~246 kg·(hm2·a)-1之间; 其次, 福州市和漳州市2个地级市的水稻土年均固碳速率也较高, 不同温度情景处理下分别在91~196 kg·(hm2·a)-1和73~179 kg·(hm2·a)-1之间.相对而言, 宁德市和厦门市这2市水稻土的年均固碳速率较低, 不同温度情景处理下分别在72~162 kg·(hm2·a)-1和67~172 kg·(hm2·a)-1之间, 均低于全省平均水平(74~173 kg·(hm2·a)-1).从西北内陆来看, 龙岩市水稻土在不同温度情景下年均固碳速率最高, 在98~202 kg·(hm2·a)-1之间; 而南平市和三明市这2个地级市年均固碳速率均较低, 分别在22~116 kg·(hm2·a)-1和18~110 kg·(hm2·a)-1之间.

表 3 温度升高下福建省各行政区水稻土固碳总量、年均固碳速率及其变化程度 Table 3 Distribution of total soil carbon sequestration, annual average carbon sequestration rate, and change rate in various administrative districts of cultivated land in Fujian Province under the circumstance of temperature increase

从不同温度情景处理下福建省各行政区水稻土固碳总量来看(表 3), 位于东部沿海的泉州市与漳州市这2个地级市最大, 分别在1.28~2.18 Tg和0.80~1.96 Tg之间, 占全省水稻土固碳总量的22%和17.0%左右; 其次, 位于西北内陆的龙岩市也较大, 在0.75~1.55 Tg之间, 约占全省水稻土固碳总量的14%左右; 而其余各市的固碳总量在0.13~1.38 Tg之间, 合计占全省水稻土固碳总量的47%左右.从2017~2053年不同温度情景处理下各行政区水稻土固碳速率变化程度来看(表 3), 西北内陆总体大于东南沿海.与常规处理相比, 三明市和南平市这2个地级市受未来温度升高的影响最大, 年均固碳速率降幅分别在27%~83%和25%~81%之间; 而莆田市和泉州市这2个地级市受未来温度升高的影响较小, 年均固碳速率降幅分别在10%~41%和14%~42%之间, 其余各市的降幅在17%~61%之间.

3 讨论 3.1 未来温度升高下影响整个福建省和不同行政区水稻土有机碳变化的因素

从本研究来看(图 4), 随着未来温度的升高福建省水稻土固碳速率在快速下降, 这与有学者认为的“未来温度升高不利于土壤固碳”相一致[9, 10].主要的原因是温度从SOC输入输出两个方面影响着SOC的固存.在输出方面, SOC的分解与温度之间存在显著正相关关系, 温度升高会使土壤微生物代谢活动增加, 加速土壤呼吸, 从而促进SOC的分解[32].在输入方面, 温度上升也会通过延长作物生长时间或者增加作物对矿质氮利用率等作用提高净初级生产力(net primary production, NPP), 进而增加进入土壤中的凋落物, 促进土壤固碳[33].因此, 在温度升高条件下, 土壤最终呈现“碳源”还是“碳汇”直接取决于土壤呼吸总量和NPP的大小, 间接取决于NPP和土壤呼吸对温度的相对敏感性[34].从本研究来看, 不同温度升高情景下福建省的水田土壤均呈“碳汇”效应, 这说明在升温6℃时NPP仍是大于对土壤呼吸总量, 但固碳量随着温度的上升而减少, 这可能是因为随着温度的增加, SOC分解比净初级生产力受到更大的刺激, 土壤呼吸增强带来的碳损失在逐渐追赶由NPP增加带来的碳固定.

从空间分布来看(图 5), 不同温度升高情景下福建省水田土壤固碳速率呈现东南沿海向西北内陆逐渐降低的趋势, 这主要与本底SOC和黏粒含量的空间异质性有关.表 4的逐步回归分析表明, 初始SOC和黏粒含量是决定未来升温下福建省水稻土年均固碳速率的主要因子, 解释度分别为38%~42%和19%~22%.有研究表明, SOC初始含量较低时, 碳饱和亏缺较大, 土壤固碳能力强, 初始含量较高时, 碳饱和亏缺小, 土壤固碳能力弱[35, 36]; 而黏粒与SOC固持能力呈正相关, 其含量越高, 越有利于SOC的保护[37].由表 5可知, 福建省东部的莆田市、漳州市和泉州市这3个地级市水稻土初始ω(SOC)较低, 分别为13.18、14.33和14.56 g·kg-1, 而西北部的龙岩市、南平市和三明市这3个地级市水稻土初始ω(SOC)较高, 分别为17.48、16.71和17.30 g·kg-1, 因此后期农业管理中前者的固碳速率高于后者.另外, 福建省东部的泉州市、宁德市和漳州市这3个地级市的ω(黏粒)也较高, 分别为20%、18%和18%(表 4), 有利于SOC的固持.此外, 福建省东南沿海各地级市肥料施用量也普遍高于西北内陆, 肥料的投入一方面可作为外源碳直接提高SOC的含量, 另一方面也会增加作物的生物量, 使更多的有机物质归还于土壤[38, 39].

表 4 温度升高情景下土壤属性起始值与年均固碳速率的逐步回归分析1) Table 4 Stepwise regression analysis between the initial value of soil properties and the average annual carbon sequestration rate under the scenario of rising temperature

从固碳总量来看, 不同温度升高情景下福建省各地级市的固碳总量受固碳速率和分布面积共同控制(表 3).其中, 泉州市和漳州市这2个地级市不仅年均固碳速率较大, 而且水稻土分布面积分别达到2.4×105 hm2和3.0×105 hm2, 导致二者的固碳总量也高.南平市和三明市这2个地级市尽管水稻土分布面积较大, 分别达到3.1×105 hm2和2.6×105 hm2, 但年均固碳速率较小, 导致它们的固碳总量也不高.从固碳速率变化程度来看, 福建省西北内陆各地级市受未来温度升高的影响大于东南沿海(表 3), 这主要与该地区西北高而东南低的地势有关.很多研究表明, 土壤呼吸的温度敏感性Q10(即温度每增加10℃土壤呼吸所增加的倍数)随海拔的升高而增大[40].此外, 从表 3也可以看出, 三明市和南平市这2个地级市水稻土在未来温度升高下固碳速率降幅较大, 这主要是与它们低温多雨以及较高的初始SOC含量有关(表 4).这一方面是因为低温下Q10相对较高, 另一方面是由于水分适宜的条件下, 升高相同温度, 湿度较大的地区由于胞外酶、呼吸底物扩散和微生物移动不受土壤水分限制, 导致其土壤呼吸速率对温度的变化更为敏感[41~44].相对而言, 莆田市和泉州市受未来温度升高的影响相对较小, 这主要与它们高温少雨的气候条件和初始SOC含量较低有关.有研究表明, 有机碳供应不足会抑制土壤呼吸, 从而导致Q10较低[41~44].

3.2 未来温度升高下影响福建省不同水稻土亚类有机碳变化的因素

从固碳速率来看, 不同温度升高情景下盐渍水稻土是所有水稻土亚类中最高的(表 2), 由表 4可知, 初始SOC和黏粒对盐渍水土固碳速率的解释度均较高, 分别达18.6%~21.7%和30.5%~33.7%.通常情况下, 盐渍水稻土分布于地势较低的滨海平原, 土壤矿化程度较高, 导致其初始ω(SOC)仅为13.26 g·kg-1, 且ω(黏粒)达到18%, 因此有利于其后期耕作中固碳.此外, 盐渍水稻土的氮肥和有机肥施用量(以N计)也较高, 分别为324 kg·(hm2·a)-1和47 kg·(hm2·a)-1, 不仅有利于提高生物量和增加有机物质还田量, 还可促进土壤团聚体形成黏粒, 以进一步提高土壤固碳能力[45].其次, 不同温度升高情景下咸酸水稻土的固碳速率也较高, 这主要与其较高的黏粒含量(29%)有关, 土壤黏粒可以通过与有机物质结合形成有机-无机复合体保护有机碳, 从而降低了有机碳矿化速率, 不易于碳的分解[31].渗育和漂洗这2个水稻土亚类的固碳速率也较高, 前者由于土体干湿交替频繁, 微生物活性增加, 有机质分解速率快, 致使其初始ω(SOC)较低, 为15.56 g·kg-1, 有利于后期耕作中固碳; 而后者主要分布于坡地及低丘地带, 有机质易被冲刷, 使得初始ω(SOC)仅为14.58 g·kg-1, 也有利于后期耕作中固碳.相对而言, 潜育、淹育和潴育3个水稻土亚类在未来温度升高下固碳速率普遍较低.其中, 潜育水稻土多分布于地下水位较高的低洼地区, 土体长期处于水饱和状态, 从而微生物有氧呼吸弱, 有机质分解慢, 导致其初始ω(SOC)高达16.77 g·kg-1, 初始SOC含量对潜育水稻土固碳速率总体的解释度较高, 达40%~45.2%(表 5), 因此其在后期的农业管理中固碳能力弱; 另外, 该亚类的氮肥和有机肥施用量也是所有亚类中最低的, 分别为272 kg·(hm2·a)-1和34 kg·(hm2·a)-1, 不利于SOC的固持.淹育水稻土多分布于丘陵台地和河谷坡地上部, 植稻年限较短, ω(黏粒)仅为9.19%, 而黏粒含量对其固碳速率的影响较大, 解释度达13.8%~29.2%, 因此不利于后期SOC的保护; 另外, 该亚类的年均降雨量和温度分别为1 399 mm和22℃, 高温少雨的气候条件均不利于作物生长, 降低了有机物质的输入.潴育水稻土多发育于沉积母质, 水耕历史长, 初始ω(SOC)较高, 达到16.09g·kg-1, 不利于后期耕作中SOC的积累; 此外, 该亚类的有机肥施用量为39kg·(hm2·a)-1, 低于全省平均水平, 也不利于固碳.

表 5 福建省整个地区、各个水稻土亚类及行政单元的初始土壤属性、气候因子和施肥量 Table 5 Distribution of initial soil properties, climate factors, and fertilizer application rates for the whole region, different subgroups, and administrative units

从固碳总量来看(表 2), 不同温度升高情景下渗育水稻土和潴育水稻土虽然固碳速率不高, 但二者的分布面积分别占全省水稻土总面积的48%和34%, 导致这两个亚类的固碳量占全省水稻土固碳总量的82%左右; 而盐渍水稻土虽然固碳速率是所有亚类中最高的, 但其分布面积仅占全省水稻土总面积的4.7%, 固碳量仅占全省水稻土固碳总量的8%左右.其它水稻土亚类的固碳总量较低, 合计占全省水稻土固碳总量的10%左右.从固碳速率变化程度来看(表 2), 潜育水稻土受未来温度升高的影响最大, 这是因为该亚类通常处于水分饱和状态, 微生物呼吸弱且有机碳分解慢, 但随着温度的升高, 土壤中水分蒸发加快, 进而使得土壤空隙中氧气含量上升, 微生物活性增强, 加速了SOC的分解.相对而言, 盐渍水稻土受未来温度的影响较小, 主要是因为该亚类多分布于地势较低的滨海平原, 较低的海拔使其受Q10影响较小[32].

4 结论

(1) 分析福建省180多万hm2水田土壤在常规温度以及温度上升2、4和6℃这4种情景下, 2017~2053年的平均固碳速率(以C计)分别为: 173、141、106和74 kg·(hm2·a)-1, 固碳总量分别为：11.56、9.44、7.08和4.91 Tg, 说明随着未来温度的升高尽管固碳速率在下降, 但在6℃升温下全省水田土壤仍是“碳汇”.

(2) 从不同水稻土亚类来看, 渗育水稻土和潴育水稻土对福建省水田土壤的“碳汇”贡献最大, 不同温度情景下的固碳量合计约占全省水稻土总固碳量的82%左右.从不同行政区来看, 泉州市与漳州市对福建省水田土壤的“碳汇”贡献最大, 不同温度情景下的固碳量合计约占全省水稻土总固碳量的36%左右.

(3) 从固碳速率的影响程度来看, 潜育水稻土受未来温度升高的影响最大, 不同温度情景下的固碳速率降幅在20%~69%之间; 而在行政区中, 南平市和三明市受未来温度升高的影响最大, 不同温度情景下的固碳速率降幅分别在27%~83%和25%~81%之间.因此, 在今后的固碳减排政策制定中, 可根据不同土壤类型和行政区对未来温度升高的响应程度来制定适宜碳中和管理措施是十分必要的.

参考文献
[1] IPCC. Climate Change 2021: the physical science basis. Contribution of working group I to the sixth assessment report of the intergovernmental panel on climate change[J]. New York, NY, USA: Cambridge University Press, 2021.
[2] Schimel D S, Braswell B H, Holland E A, et al. Climatic, edaphic, and biotic controls over storage and turnover of carbon in soils[J]. Global Biogeochemical Cycles, 1994, 8(3): 279-293. DOI:10.1029/94GB00993
[3] Jenkinson D S, Adams D E, Wild A. Model estimates of CO2 emissions from soil in response to global warming[J]. Nature, 1991, 351(6324): 304-306. DOI:10.1038/351304a0
[4] 杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学: 生命科学, 2022, 65(5): 861-895.
Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Science China Life Sciences, 2022, 65(5): 861-895.
[5] Zhang L M, Zheng Q F, LiuY L, et al. Combined effects of temperature and precipitation on soil organic carbon changes in the uplands of eastern China[J]. Geoderma, 2019, 337: 1105-1115. DOI:10.1016/j.geoderma.2018.11.026
[6] Cui G T, Wang J Y. Improving the DNDC biogeochemistry model to simulate soil temperature and emissions of nitrous oxide and carbon dioxide in cold regions[J]. Science of the Total Environment, 2019, 687: 61-70. DOI:10.1016/j.scitotenv.2019.06.054
[7] 张文菊, 童成立, 吴金水, 等. 典型湿地生态系统碳循环模拟与预测[J]. 环境科学, 2007, 28(9): 1905-1911.
Zhang W J, Tong C L, Wu J S, et al. Simulating and predicting of carbon cycling in typical wetland ecosystems[J]. Environmental Science, 2007, 28(9): 1905-1911. DOI:10.3321/j.issn:0250-3301.2007.09.001
[8] Kirschbaum M U F. A modelling study of the effects of changes in atmospheric CO2 concentration, temperature and atmospheric nitrogen input on soil organic carbon storage[J]. Tellus B: Chemical and Physical Meteorology, 1993, 45(4): 321-334. DOI:10.3402/tellusb.v45i4.15733
[9] 周文强, 孙丽, 臧淑英, 等. 气候变化对松嫩平原西部土壤有机碳及作物产量的影响研究[J]. 环境与发展, 2017, 29(2): 31-36.
Zhou W Q, Sun L, Zang S Y, et al. Simulation study of DNDC model based on organic carbon in farmland and crop yield in the Western Songnen Plain[J]. Environment and Development, 2017, 29(2): 31-36.
[10] 吴金水, 童成立, 刘守龙. 亚热带和黄土高原区耕作土壤有机碳对全球气候变化的响应[J]. 地球科学进展, 2004, 19(1): 131-137.
Wu J S, Tong C L, Liu S L. Responses of soil organic carbon to global climate changes in cultivated soils in the subtropical and the Loess Plateau regions[J]. Advances in Earth Science, 2004, 19(1): 131-137. DOI:10.3321/j.issn:1001-8166.2004.01.018
[11] 房蕊, 于镇华, 李彦生, 等. 大气CO2浓度和温度升高对农田土壤碳库及微生物群落结构的影响[J]. 中国农业科学, 2021, 54(17): 3666-3679.
Fang R, Yu Z H, Li Y S, et al. Effects of elevated CO2 concentration and warming on soil carbon pools and microbial community composition in farming soil[J]. Scientia Agricultura Sinica, 2021, 54(17): 3666-3679. DOI:10.3864/j.issn.0578-1752.2021.17.009
[12] Gottschalk P, Smith J U, Wattenbach M, et al. How will organic carbon stocks in mineral soils evolve under future climate? Global projections using RothC for a range of climate change scenarios[J]. Biogeosciences, 2012, 9(8): 3151-3171. DOI:10.5194/bg-9-3151-2012
[13] Oechel W C, Vourlitis G L, Hastings S J, et al. Acclimation of ecosystem CO2 exchange in the Alaskan Arctic in response to decadal climate warming[J]. Nature, 2000, 406(6799): 978-981. DOI:10.1038/35023137
[14] Karunaratne S B, Bishop T F A, Baldock J A, et al. Catchment scale mapping of measureable soil organic carbon fractions[J]. Geoderma, 2014, 219-220: 14-23. DOI:10.1016/j.geoderma.2013.12.005
[15] Illiger P, Schmidt G, Walde I, et al. Estimation of regional soil organic carbon stocks merging classified land-use information with detailed soil data[J]. Science of the Total Environment, 2019, 695. DOI:10.1016/j.scitotenv.2019.133755
[16] Mondini C, Coleman K, Whitmore A P. Spatially explicit modelling of changes in soil organic C in agricultural soils in Italy, 2001-2100: potential for compost amendment[J]. Agriculture, Ecosystems & Environment, 2012, 153: 24-32.
[17] Wang G Y, Mao J F, Fan L L, et al. Effects of climate and grazing on the soil organic carbon dynamics of the grasslands in Northern Xinjiang during the past twenty years[J]. Global Ecology and Conservation, 2022, 34. DOI:10.1016/j.gecco.2022.e02039
[18] Xu S X, Zhao Y C, Shi X Z, et al. Map scale effects of soil databases on modeling organic carbon dynamics for paddy soils of China[J]. CATENA, 2013, 104: 67-76. DOI:10.1016/j.catena.2012.10.017
[19] Zhang F, Wang S H, Zhao M S, et al. Regional simulation of soil organic carbon dynamics for dry farmland in Northeast China using the CENTURY model[J]. PLoS One, 2021, 16(1). DOI:10.1371/JOURNAL.PONE.0245040
[20] Zhang L M, Zhuang QL, Zhao Q Y, et al. Uncertainty of organic carbon dynamics in Tai-Lake paddy soils of China depends on the scale of soil maps[J]. Agriculture, Ecosystems & Environment, 2016, 222: 13-22.
[21] 陈中星, 邱龙霞, 陈瀚阅, 等. 近40年来福建省水稻土有效磷富集效应及潜在生态风险评估[J]. 环境科学, 2022, 43(7): 3741-3751.
Chen Z X, Qiu L X, Chen H Y, et al. Enrichment and ecological risk assessment of available phosphorus in paddy soil of Fujian Provinceover past 40 years[J]. Environmental Science, 2022, 43(7): 3741-3751. DOI:10.13227/j.hjkx.202108140
[22] 邢世和. 福建耕地资源[M]. 厦门: 厦门大学出版社, 2003.
[23] Li C S, Frolking S, Frolking T A. A model of nitrous oxide evolution from soil driven by rainfall events: 1. Model structure and sensitivity[J]. Journal of Geophysical Research: Atmospheres, 1992, 97(D9). DOI:10.1029/92JD00509
[24] 谢海宽, 江雨倩, 李虎, 等. DNDC模型在中国的改进及其应用进展[J]. 应用生态学报, 2017, 28(8): 2760-2770.
Xie H K, Jiang Y Q, Li H, et al. Modification and application of the DNDC model in China[J]. Chinese Journal of Applied Ecology, 2017, 28(8): 2760-2770. DOI:10.13287/j.1001-9332.201708.033
[25] Zhang L, Qin R Z, Chai N, et al. Optimum fertilizer application rate to ensure yield and decrease greenhouse gas emissions in rain-fed agriculture system of the Loess Plateau[J]. Science of the Total Environment, 2022, 823. DOI:10.1016/J.SCITOTENV.2022.153762
[26] 邹凤亮, 曹凑贵, 马建勇, 等. 基于DNDC模型模拟江汉平原稻田不同种植模式条件下温室气体排放[J]. 中国生态农业学报, 2018, 26(9): 1291-1301.
Zou F L, Cao C G, Ma J Y, et al. Greenhouse gases emission under different cropping systems in the Jianghan Plain based on DNDC model[J]. Chinese Journal of Eco-Agriculture, 2018, 26(9): 1291-1301.
[27] 吴世蓉, 位佳, 邱龙霞, 等. 基于大比例尺数据库的福建省耕地土壤固碳速率和潜力研究[J]. 土壤学报, 2022, 59(5): 1293-1305.
Wu S R, Wei J, Qiu L X, et al. Study of soil organic carbon sequestration rate and potential of farmland soil in Fujian Province based on the large scale soil database[J]. Acta Pedologica Sinica, 2022, 59(5): 1293-1305.
[28] Shi X Z, Yu D S, Warner E D, et al. Cross-Reference system for translating between genetic soil classification of China and soil taxonomy[J]. Soil Science Society of America Journal, 2006, 70(1): 78-83. DOI:10.2136/sssaj2004.0318
[29] Zhang L M, Liu Y L, Li X D, et al. Effects of soil map scales on simulating soil organic carbon changes of upland soils in Eastern China[J]. Geoderma, 2018, 312: 159-169. DOI:10.1016/j.geoderma.2017.10.017
[30] SPSS统计应用与解析[M]. 北京: 电子工业出版社, 2009.
[31] 游士兵, 严研. 逐步回归分析法及其应用[J]. 统计与决策, 2017, 33(14): 31-35.
You S B, Yan Y. Stepwise regression analysis and its application[J]. Statistics & Decision, 2017, 33(14): 31-35.
[32] García-Palacios P, Crowther T W, Dacal M, et al. Evidence for large microbial-mediated losses of soil carbon under anthropogenic warming[J]. Nature Reviews Earth & Environment, 2021, 2(7): 507-517.
[33] 彭飞, 薛娴, 尤全刚. 模拟增温对生态系统碳循环影响研究进展[J]. 中国沙漠, 2014, 34(5): 1285-1292.
Peng F, Xue X, You Q G. Research advances in ecosystem carbon cycling response to experimental warming[J]. Journal of Desert Research, 2014, 34(5): 1285-1292.
[34] Kirschbaum M U F. The temperature dependence of soil organic matter decomposition, and the effect of global warming on soil organic C storage[J]. Soil Biology and Biochemistry, 1995, 27(6): 753-760.
[35] Stewart C E, Paustian K, Conant R T, et al. Soil carbon saturation: concept, evidence and evaluation[J]. Biogeochemistry, 2007, 86(1): 19-31.
[36] Zhao Y C, Wang M Y, Hu S J, et al. Economics-and policy-driven organic carbon input enhancement dominates soil organic carbon accumulation in Chinese croplands[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4045-4050.
[37] 李成, 王让会, 李兆哲, 等. 中国典型农田土壤有机碳密度的空间分异及影响因素[J]. 环境科学, 2021, 42(5): 2432-2439.
Li C, Wang R H, Li Z Z, et al. Spatial differentiation of soil organic carbon density and influencing factors in typical croplands of China[J]. Environmental Science, 2021, 42(5): 2432-2439.
[38] 高洪军, 彭畅, 张秀芝, 等. 秸秆还田量对黑土区土壤及团聚体有机碳变化特征和固碳效率的影响[J]. 中国农业科学, 2020, 53(22): 4613-4622.
Gao H J, Peng C, Zhang X Z, et al. Effects of corn straw returning amounts on carbon sequestration efficiency and organic carbon change of soil and aggregate in the black soil area[J]. Scientia Agricultura Sinica, 2020, 53(22): 4613-4622.
[39] 林仕芳, 王小利, 段建军, 等. 有机肥替代化肥对旱地黄壤有机碳矿化及活性有机碳的影响[J]. 环境科学, 2022, 43(4): 2219-2225.
Lin S F, Wang X L, Duan J J, et al. Effects of organic fertilizer replacing chemical fertilizer on organic carbon mineralization and active organic carbon in dryland yellow soil[J]. Environmental Science, 2022, 43(4): 2219-2225.
[40] Gutiérrez-Girón A, Díaz-Pinés E, Rubio A, et al. Both altitude and vegetation affect temperature sensitivity of soil organic matter decomposition in Mediterranean high mountain soils[J]. Geoderma, 2015, 237-238: 1-8.
[41] 张彦军, 郭胜利. 环境因子对土壤微生物呼吸及其温度敏感性变化特征的影响[J]. 环境科学, 2019, 40(3): 1446-1456.
Zhang Y J, Guo S L. Effect of environmental factors on variation characteristics of soil microbial respiration and its temperature sensitivity[J]. Environmental Science, 2019, 40(3): 1446-1456.
[42] McCulley R L, Boutton T W, Archer S R. Soil respiration in a subtropical Savanna Parkland: response to water additions[J]. Soil Science Society of America Journal, 2007, 71(3): 820-828.
[43] 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.
[44] Fissore C, Giardina C P, Kolka R K. Reduced substrate supply limits the temperature response of soil organic carbon decomposition[J]. Soil Biology and Biochemistry, 2013, 67: 306-311.
[45] 邵慧芸, 李紫玥, 刘丹, 等. 有机肥施用量对土壤有机碳组分和团聚体稳定性的影响[J]. 环境科学, 2019, 40(10): 4691-4699.
Shao H Y, Li Z Y, Liu D, et al. Effects of manure application rates on the soil carbon fractions and aggregate stability[J]. Environmental Science, 2019, 40(10): 4691-4699.