2024, Vol. 45
气候变化已经成为当今世界上备受关注的热点问题之一, 同时也是人类所面临的最大挑战之一. 近年来, 各国都采取了积极和有效的措施来应对气候变化, 以减缓温室气体排放的增长速度[1]. 土壤有机碳储存是土壤的重要功能之一, 它不仅对气候调节起着关键的作用, 同时也会对土壤的其他功能产生影响[2]. 草地生态系统作为陆地生态系统的重要组成部分之一, 在全球范围内占据着广泛的分布面积. 天然草地多分布于生态环境相对较为脆弱的干旱半干旱地区, 其土壤有机碳储量约占全球陆地生态系统土壤有机碳储量的1/4以上[3]. 通过模型模拟预测土壤有机碳密度（soil organic carbon density, SOCD）, 揭示其时空分布特征, 并分析其影响因素具有重要意义. 这些工作可以为草地管理和维护当地生态系统的稳定提供重要参考, 以实现生态、经济和社会效益的可持续发展.
草地土壤有机碳的时空分布和影响因素是国内外学者广泛关注的研究领域之一. 有研究者收集了中国北方和东北地区20世纪80年代和21世纪初的土壤有机碳数据, 并对相应时期的土壤有机碳空间变化进行了数字土壤制图, 结果表明气候变化对SOC变化的贡献在不同区域存在差异[4]. Wang等[5]探讨了阿勒泰地区不同土层有机碳含量的空间分布特征. Keskin等[6]使用了从1 014个地理参考点收集的土壤数据, 用分类与回归树（CaRT）等8种方法对土壤碳组分进行预测, 结果表明, 土壤碳库的变化主要由生物和水文土壤因子解释, 岩性和气候因素对土壤碳库有一定的影响. Wooliver等[7]讨论了农业生态系统中土壤有机碳动态的驱动因素, 结果表明颗粒土壤碳与土壤覆盖作物呈显著正相关. 还有研究者用机器学习模拟了东北和北方旱地的土壤有机碳, 发现当地土壤有机碳在空间尺度上由南向北呈递增趋势[8]. 杨书荣等[9]对青藏高原玛曲草地冬季牧场土壤有机碳的空间分布特征进行了系统研究, 结果表明在未来应更加重视玛曲北部和东南部的生态功能区恢复工作.
土壤有机碳过程模型按是否表达了微生物的分解作用可大体分为经典过程模型和微生物模型. 经典土壤有机碳过程模型（比如CENTURY, Roth C）整合了土壤有机质动态机制和过程, 能反映土壤、气候和管理措施等因子空间变异性对土壤有机碳动态变化的影响[10]. 而作为世界上最著名的生物地球化学模型之一, CENTURY模型最初就是基于草地生态系统开发的[11], 其经过不断地改进与完善, 模型参数已在各地区草地生态系统都具有较高的适用性[12, 13]. 作为通用计算机模型, CENTURY模型还具有很强的普适性, 不少研究者将CENTURY模型与其他模型或软件相结合, 使该模型应用更为广泛[14, 15]. CENTURY模型在国内外多个区域都得到了广泛应用和验证, 成为研究草地土壤碳、氮循环等问题的重要工具. Carvalho等[16]利用CENTURY模型评估巴西半干旱区农业系统在不同气候情景下的有机碳储量. Primo等[17]利用在巴西半干旱区开展的长期试验数据, 使用CENTURY模型模拟了刀耕火种管理、农林复合系统和自然植被条件下的SOC动态, 模型模拟效果较好. 也有研究者验证了CENTURY模型在巴西半干旱区原生植被区有机碳动态模拟的有效性[18], 并利用先前的校准模型估算农业系统采用的有机碳储量, 结果表明CENTURY模型能较好地模拟该地区原生植被区土壤有机碳动态. 郭燕云等[19]基于新疆天山山区各站点多年的草地观测资料, 对CENTURY模型进行适用性分析, 结果表明CENTURY模型对新疆天山山区的适用性较好. 因此, 采用CENTURY模型来研究甘南州草地SOCD具有一定的合理性.
甘肃省草地与牲畜的失衡问题长达近百年, 严重过度放牧导致草地纷纷退化[20], 而甘南州的草地对甘肃省的畜牧业和整个西北地区的生态环境保护至关重要. 草地土壤养分元素的分布不仅影响草地的质量和产量, 还对当地畜牧业的健康发展和牧民生活质量产生影响. 近年来, 甘南州牧区草地土壤出现了退化现象, 超载过度放牧更是让草地受到了极大的利用压力, 草地退化现象进一步恶化, 土壤的养分也在大量流失[21]. 本文研究SOCD的时间和空间分布特征, 并探究有机碳含量与影响因素之间的关系, 可以为研究甘南州草地退化及其他土壤养分的空间分布规律提供方法和技术支持, 同时也可以帮助改善草地土壤肥力和维持草地土壤生态系统平衡, 以期为当地的畜牧业可持续健康发展提供保障.
1 材料与方法 1.1 研究区概况甘南藏族自治州位于中国甘肃省西南部, 地处青藏高原的东北边缘, 长江、黄河上游, 整体呈现出西北高, 东南低的地势特点[22], 地理坐标位于东经100°46′ ~ 104°44′, 北纬33°06′ ~ 36°10′, 如图 1所示. 甘南州平均海拔2 960 m, 气候类型属于高原型气候, 年平均气温在1 ~ 13℃之间, 年平均降水量为450 ~ 700 mm, 暖季多, 冷季少, 雨热同季的特征显著. 甘州草地面积为272.3万hm2, 占甘南行政面积的67.73%, 其中草地可利用面积占总草原面积的95.86%[23]. 甘南州下辖7县1市, 其中合作市、夏河县、玛曲县、卓尼县、碌曲县和临潭县属于全国重要生态系统保护和修复重大工程总体布局“三区四带”中的青藏高原生态屏障区[24].
|
图 1 研究区概况 Fig. 1 Overview of the study area |
气象数据选取甘南8个气象站点的月平均最高气温、月平均最低气温、月平均温度和月平均降水量数据. 其中1971年1月~ 2020年12月的月气象数据下载自中国气象数据网（http://data.cma.cn/）, 2021年1月~ 2021年12月的月气象数据下载自国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）；2022年1月~ 2022年12月的月气象数据取自欧盟及欧洲中期天气预报中心（https://cds.climate.copernicus.eu/）. 同时按照CENTURY模型运行要求对气象数据进行了统一.
1.2.2 气候情景数据本研究选取中国气候中心（BCC）推出的BCC-CSM2-MR模式的较高分辨率气候情景数据进行分析, 采用CMIP6-SSPs系列的月均数据, 时间覆盖段为2023年1月至2100年1月, 包括月平均降水量、月平均最高气温、月平均最低气温和月平均气温, 数据来源为：https://data.ceda.ac.uk/badc/cmip6/data/.本研究使用的是分别代表低辐射强迫的SSP126和代表高辐射强迫的SSP585两种不同的气候情景.
1.2.3 土壤数据土壤数据来源于世界土壤数据库HWSD（https://www.fao.org/）, 包括研究区各站点的土壤质地（黏粒含量、粉粒含量以及砂粒含量）、土壤容重、土壤萎蔫系数、土壤pH值、砾石体积百分比和田间持水量数据. 本研究实测数据主要来自文献[25 ~ 29].
1.3 CENTURY模型CENTURY模型是一种基于过程的地球生物化学模型[30], 也是一个通用的植物-土壤生态系统模型, 主要结构部分是植物代谢子模型、土壤有机质子模型以及土壤水和温度子模型, 可以用来模拟植物生长、土壤碳动态和土壤养分（碳、氮、磷等元素）动态变化. 模型包含3个实用程序和12个参数文件, 通过file100程序输入的主要参数有：月平均最高温度、月平均最低温度、月平均降水量、站点经纬度、土壤质地、土壤容重和土壤pH等. 本研究使用CENTURY模型4.0版本.
1.4 土壤有机碳密度土壤有机碳密度计算公式为：
|
式中, SOCDh为土壤表层到深度h之间的土壤有机碳密度（g·m-2）；μi为第i层土壤中直径大于2 mm的砾石所占的体积分数；Si为第i层土壤有机碳储量（g·kg-1）；Bi为第i层土壤的容重（g·cm-3）；Hi为第i层土壤的土层厚度（cm）.
1.5 突变分析本研究采用Mann-Kendall突变分析（M-K突变分析）探究甘南州不同气候情景下SOCD的变化趋势. 利用R 4.3.0进行突变检验, 可以得到UF和UB两条曲线. 对其进行观察, 如果UF和UB的值都大于0, 则说明原序列呈上升趋势；如果值小于0, 则说明呈下降趋势. 在UF和UB两条曲线出现交点的情况下, 若该交点落在显著区间内, 那么交点对应的时刻就是突变发生的时间.
1.6 稳定性分析变异系数（CV）可以用来分析甘南州不同空间尺度上SOCD的相对波动变化[31], 公式如下：
|
式中, CV为甘南SOCD的变异系数, SOCDi为甘南第i年的SOCD, SOCD为2023 ~ 2100年SOCD的平均值, n为年数. CV越小, 表明研究的数据越集中, 也就是说明研究数据分布稳定；CV越大, 表明研究的数据越分散, 稳定性越差.
根据变异系数大小可以将稳定性定义如下：0 < CV ≤ 0.02, 极低波动变化；0.02 < CV ≤ 0.05, 低波动变化；0.05 < CV ≤ 0.1, 相对较低的波动变化；0.1 < CV ≤ 0.15, 中等波动变化；0.15 < CV ≤ 0.2, 相对较高波动变化[32].
1.7 偏相关性分析考虑到气温和降水因子对SOCD的影响往往具有交叉性和非独立性, 利用偏相关系数分析各气候因子对SOCD的影响. 同时为了进一步区分不同气温对甘南州草地碳库的影响, 把气温分为了月平均最高气温, 月平均最低气温, 月平均气温, 从而探讨不同空间尺度下SOCD与气象因子的相关程度.
1.8 趋势分析Theil-Sen median斜率分析（SSOCD）可以反映甘南州SOCD的变化趋势, 分析与线性回归相似, 但比线性回归有更高的精确度[33], 可以不受异常值影响. 由于Theil-Sen斜率估计不能直接进行序列趋势显著性的判断, 所以一般情况下将Theil-Sen斜率估计和Mann-Kendall（M-K）趋势分析结合使用解决问题. M-K趋势分析属于非参数检验[34], 不需要特定的概率分布, 也不会受到异常值的影响.
1.9 反距离权重插值法本研究采用反距离权重插值法（IDW）对甘南州SOCD进行空间插值. 反距离权重插值法是一种计算简单, 精度误差较小的全局加权平均插值方法, 被广泛应用于插值及空间预测分析[35, 36]. 其计算原理主要依赖于反距离的幂值, 利用幂函数可以根据距离的不同, 对已知点的内插值效应进行控制. 其中, 影响的权重大小与距离成反比.
2 结果与分析 2.1 CENTURY模型的验证模拟数据和实测数据的线性拟合结果如图 2所示. SOCD的模拟值和实测值的R2 = 0.86 > 0.8且P < 0.01, 这说明模型的模拟效果较好. 也就是说模型的参数本地化较为合理, 可以进一步模拟预测甘南州SOCD的变化.
|
图 2 CENTURY模型验证结果 Fig. 2 Results of CENTURY model validation |
分别在两种气候情景下模拟了甘南藏族自治州从2023 ~ 2100年的土壤总有机碳密度（somtc）、活性土壤有机碳密度（som1c）、缓性土壤有机碳密度（som2c）和惰性土壤有机碳密度（som3c）的变化, 结果如图 3所示. 2023 ~ 2100年, somtc、som2c、som3c均呈现下降趋势, som1c在2023 ~ 2026年先波动下降, 2026 ~ 2040年左右波动上升, 然后一直波动下降到2100年. 同时笔者发现, SSP585情景下的somtc、som1c、som2c和som3c均高于SSP126情景. 在SSP126情景下, somtc、som1c、som2c和som3c下降幅度分别为11.68%、19.37%、25.39%和2.56%；在SSP585情景下, 下降幅度对应为10.71%、17.70%、23.45%和2.80%.
|
图 3 2023 ~ 2100年甘南州草地土壤有机碳密度逐年变化 Fig. 3 Annual changes in SOCD in Gannan grassland from 2023 to 2100 |
将SSP585情景下的草地SOCD与SSP126情景下的草地SOCD作差, 结果如图 4. 从2023 ~ 2100年, 总有机碳密度之差（Δsomtc）总体呈现波动上升的趋势, 并且上升速度趋于缓慢；活性有机碳密度之差（Δsom1c）先下降后上升；缓性有机碳密度之差（Δsom2c）呈现逐年下降的趋势, 并且下降速度趋于缓慢；惰性有机碳密度之差（Δsom3c）波动不大, 整体呈现缓慢增长趋势.
|
图 4 不同气候情景下甘南州草地土壤有机碳密度之差逐年变化 Fig. 4 Difference in SOCD in Gannan grassland under different climate scenarios |
对不同气候情景下甘南州草地SOCD之差分别进行M-K突变检验, 结果如图 5所示. 对于土壤总有机碳密度之差（Δsomtc）, 突变发生在2030年, 在这之后Δsomtc开始波动增加；Δsom1c的突变发生在2027年, 2027年前Δsom1c逐渐减少, 2027年之后Δsom1c逐渐波动增加；对于Δsom2c和Δsom3c, 虽然UF和UB在图中显示有交点, 但交点都不在显著区间内, 所以Δsom2c和Δsom3c在研究时段并没有发生突变.
|
图 5 M-K突变检验 Fig. 5 M-K mutation test |
本研究期内, 在SSP126情景下, 甘南州草地SOCD平均值为7 505.69 g·m-2, 在SSP585情景下则为7 551.87 g·m-2（图 6）. 其中玛曲县、碌曲县和夏河县的草地SOCD平均值高于整个自治州的平均水平, 其所在区域面积占全州总面积为42.99%；而合作市、舟曲县、迭部县、卓尼县和临潭县则低于该水平, 对应面积占比为57.01%. 也就是说甘南州草地SOCD整体呈现西部高东部低的特点；并且碌曲县的草地SOCD最高, 而临潭县的草地SOCD最低.
|
图 6 不同气候情景下甘南州草地土壤有机碳密度均值 Fig. 6 Mean SOCD of grassland in Gannan under different climate scenarios |
将本研究时期内各地SOCD变化求出差值并进行对比（图 7）, 进一步分析两种气候情景下甘南州各地SOCD的差异. 对比两种气候情景可以看到, 在SSP126情景下, 碌曲县、玛曲县、合作市、夏河县和迭部县草地SOCD相对SSP585情景下降更多, 而卓尼县、临潭县和舟曲县草地SOCD相对下降更少. 笔者还发现甘南州内各地区在研究时段内SOCD之差存在一定差异, 其中玛曲县的草地SOCD之差数值最高, 而迭部县草地SOCD之差数值最低.
|
图 7 2023 ~ 2100年甘南州草地土壤有机碳密度差 Fig. 7 SOCD difference in grassland in Gannan from 2023 to 2100 |
如图 8所示, 2023 ~ 2100年甘南州草地SOCD变异系数整体比较稳定, 其中合作市和迭部县的波动变化相对最低, 其所在区域面积占甘南州总面积的19.68%. 对比两个气候情景, 差异最显著的是临潭县和卓尼县, 在SSP126情景下, 二者都处于相对较低波动地区, 在SSP585情景下, 二者处于中等波动变化区域, 并且二者均位于甘南州东北部, 所处面积占甘南州总面积的17.65%.
|
图 8 2023 ~ 2100甘南州草地土壤有机碳密度变异系数空间分布 Fig. 8 Spatial distribution of SOCD variation coefficient in Gannan grassland from 2023 to 2100 |
表 1为SSP126和SSP585情景下草地SOCD与气候因子（气温和降水）的偏相关系数. 在消除了气温对甘南州草地SOCD的影响后, 月平均降水量与草地SOCD的偏相关系数大于零, 说明降水在一定程度上对甘南州草地SOCD有积极影响. 把降水作为控制变量, 消除了降水对甘南州草地SOCD的影响后, 平均最低气温和平均最高气温均与草地SOCD的偏相关系数小于零, 且都通过了α = 0.01的显著性检验, 说明气温和降水共同对甘南草地SOCD产生影响, 其中气温的影响高于降水的影响.
|
表 1 不同情景下草地土壤有机碳密度与气候因子的偏相关系数1） Table 1 Partial correlation coefficient between SOCD and climate factors in grassland under different climate scenarios |
2.5 不同气候情景下甘南州草地SOCD的趋势分析
将Theil-Sen Median趋势分析和Mann-Kendall检验结合起来, 可以有效地反映2023 ~ 2100年甘南州草地SOCD变化趋势的空间分布特征. 求得了各个站点的草地SOCD的Sen值（SSOCD）, 并且通过了M-K显著性检验（表 2）. 如图 9所示, 在两个气候情景下, 甘南州的草地SOCD整体呈现下降趋势, 其中碌曲县的下降趋势相对最快, 其所在区域占甘南州总面积的25.78%；合作市和迭部县下降趋势相对缓慢, 其中迭部县相对最缓慢, 二者所在区域分别占甘南州总面积的6.75%和13.40%. 甘南州西部的合作市、碌曲县、玛曲县和夏河县草地SOCD在SSP126情景下相比SSP585情景下下降趋势更快, 它们所在区域占甘南州总面积的61.81%；而甘南州东部的卓尼县、临潭县、迭部县和舟曲县草地SOCD在SSP126情景下相比SSP585情景下下降趋势更缓慢些, 它们所在区域占甘南州总面积的38.19%.
|
|
表 2 M-K趋势显著性分析 Table 2 M-K trend significance analysis |
|
图 9 不同气候情景下2023 ~ 2100年甘南州草地土壤有机碳密度SSOCD趋势分析 Fig. 9 The SSOCD trend analysis of SOCD in Gannan grassland under different climate scenarios from 2023 to 2100 |
CENTURY模型最初是基于草地生态系统而开发的, 具有较高的普适性[12]. 本研究在前人研究的基础上, 结合实测数据对模型参数进行了本地化调整, 以提高CENTURY模型在甘南草地的适用性. 实测值与模拟值之间的拟合结果R2 = 0.86且P < 0.01, 表明CENTURY模型在甘南草地生态系统中具有较高的适用性.
对于时间尺度, 在两种未来气候情景下, 甘南州草地SOCD均呈现下降趋势, 这与邓祥征等[37]关于土壤有机碳将出现一定幅度下降的结论一致. 甘南州草地的退化[38]可能是SOCD下降的主要原因之一. 随着草地退化程度加剧, 植物群落经历了显著的变化, 植物多样性减少, 微生物种类和数量也减少. 这种变化导致动植物的残体和根系分泌物减少, 进而降低了土壤有机碳的输入量, 导致SOCD也下降[39]. 这与Keskin等[6]关于生物量是土壤碳库变化的主要因素之一的发现相一致. 进一步分析4种碳库的时间变化, 通过M-K突变检验发现土壤总有机碳密度之差（Δsomtc）的突变发生在2030年；土壤活性碳密度之差（Δsom1c）的突变发生在2027年. 两种情景下的草地SOCD差值在2030年后变大, 也说明草地SOCD对气候因素变得更加敏感. 甘南州草地SOCD的下降也表明加强甘南州的生态保护和恢复工作以提高该地区生态系统的碳储量具有重要的意义.
对于空间尺度, Wang等[5]在研究土壤有机碳的空间分布特征时, 发现其受地理位置、土壤类型、地形和气候等多种因素的综合影响. 未来在甘南州的草地中, SOCD整体呈现出西部高、东部低的分布规律. 甘南州位于青藏高原与黄土高原的过渡地带, 地形呈现出西部高、东部低的特点. 海拔高度和草地SOCD的分布格局相似, 这与董廷发[40]的研究结果一致. 这种分布可能是由于西部草地的植被覆盖茂密, 导致大量的落叶和枯枝等植物残体积累于土壤中, 增加了腐殖质的含量和土壤有机碳的积累量, 而东部地区的草地则相对缺乏这些有机质输入, 因此其土壤有机碳密度相对较低[41].
气候因素, 例如降水和温度等, 主要通过其对地表植被和土壤中有机物分解速率的影响, 间接影响土壤有机碳库[42]. 鉴于降水和温度等因素对草地SOCD的影响通常具有交叉和非独立性, 本研究采用了偏相关系数分析各气候因子对草地SOCD的影响. 本研究结果表明, 降水量与草地SOCD之间呈现正相关关系（P < 0.05）. 这可能是由于降水的增加会促进土壤孔隙度增加, 从而影响土壤有机碳的含量[43], 同时, 降水量的增多还促进了植物的生长, 从而增加了土壤内有机碳的积累, 进一步推动了陆地生态系统中的碳增长[44].
气温与草地SOCD呈显著负相关（P < 0.01）, 这与王翀[45]的研究结论一致. 温度会影响土壤有机碳含量的变化, 主要是因为温度的高低会影响土壤表层植物的生长和地下微生物群落的活性, 从而引起土壤有机碳含量的变化[46]. 甘南州草地SOCD的下降也说明, 草地SOCD对温度的变化更为敏感, 这与王多斌等[47]研究高寒草甸土壤有机碳含量动态变化时的结论一致. 闫蒙等[48]的研究表明, 在科尔沁沙地, 降水对土壤有机碳的影响要大于温度. 这种影响差异是由于不同地区的差异引起的. 在干旱和半干旱地区, 降水是土壤水分的唯一来源, 因此增加降水量可以提高植被的生产力, 并提高微生物的活性, 加快有机质分解速率.
本研究还存在一些局限性, 在使用CENTURY模型进行模拟时, 尽管在整个研究时期都考虑了温度、降水和草地管理措施等的影响, 但可能忽略了自然灾害因素, 如火灾、干旱和病虫害等对草地的影响[49], 可能会在一定程度上影响模拟精度, 这也是未来可以改进的方向之一.
4 结论（1）2023 ~ 2100年, 甘南州总有机碳密度、缓性有机碳密度和惰性有机碳密度均呈现下降趋势, 其中碌曲县的下降趋势相对最快, 迭部县相对最缓慢. 活性有机碳密度先波动下降再波动上升, 同时, SSP585情景下的总有机碳、活性、缓性和惰性有机碳密度均高于SSP126情景.
（2）研究期内, 在SSP126情景下, 甘南州草地SOCD平均值为7 505.69 g·m-2, 在SSP585情景下则为7 551.87 g·m-2. 甘南州草地SOCD整体呈现西部高东部低, 变化趋势整体呈现比较稳定的特点.
（3）未来气候情景下, 甘南州降水与草地SOCD呈正相关, 温度与草地SOCD呈显著负相关. 未来可结合气候变化加强甘南州的生态保护和恢复工作, 这对提高该地区生态系统的碳储量具有重要意义.
| [1] |
牛书丽, 陈卫楠. 全球变化与生态系统研究现状与展望[J]. 植物生态学报, 2020, 44(5): 449-460. Niu S L, Chen W N. Global change and ecosystems research progress and prospect[J]. Chinese Journal of Plant Ecology, 2020, 44(5): 449-460. |
| [2] | Scharlemann J P, Tanner E V, Hiederer R, et al. Global soil carbon: understanding and managing the largest terrestrial carbon pool[J]. Carbon Management, 2014, 5(1): 81-91. DOI:10.4155/cmt.13.77 |
| [3] | Ajtay G L, Ketner P, Duvigneaud P. Terrestrial primary production and phytomass[J]. SCOPE Report, 1979, 13: 129-181. |
| [4] | Zhou Y, Hartemink A E, Shi Z, et al. Land use and climate change effects on soil organic carbon in North and Northeast China[J]. Science of the Total Environment, 2019, 647: 1230-1238. DOI:10.1016/j.scitotenv.2018.08.016 |
| [5] | Wang S Z, Fan J W, Zhong H P, et al. A multi-factor weighted regression approach for estimating the spatial distribution of soil organic carbon in grasslands[J]. CATENA, 2019, 174: 248-258. DOI:10.1016/j.catena.2018.10.050 |
| [6] | Keskin H, Grunwald S, Harris W G. Digital mapping of soil carbon fractions with machine learning[J]. Geoderma, 2019, 339: 40-58. DOI:10.1016/j.geoderma.2018.12.037 |
| [7] | Wooliver R, Jagadamma S. Response of soil organic carbon fractions to cover cropping: a meta-analysis of agroecosystems[J]. Agriculture, 2023, 351. DOI:10.1016/j.agee.2023.108497 |
| [8] | Zhang X L, Xue J, Chen S C, et al. Digital mapping of soil organic carbon with machine learning in dryland of northeast and north plain China[J]. Remote Sensing, 2022, 14(10). DOI:10.3390/rs14102504 |
| [9] |
杨书荣, 张剑, 陈淑珍, 等. 青藏高原玛曲冬季牧场土壤有机碳空间分布格局研究[J]. 冰川冻土, 2018, 40(3): 461-468. Yang S R, Zhang J, Chen S Z, et al. Study on spatial distribution pattern of the soil organic carbon in winter rangeland of Maqu, Qinghai-Tibet Plateau[J]. Journal of Glaciology and Geocryology, 2018, 40(3): 461-468. |
| [10] |
张秀, 赵永存, 谢恩泽, 等. 土壤有机碳时空变化研究进展与展望[J]. 农业环境科学学报, 2020, 39(4): 673-679. Zhang X, Zhao Y C, Xie E Z, et al. Spatio-temporal change of soil organic carbon, progress and prospects[J]. Journal of Agro-Environment Science, 2020, 39(4): 673-679. |
| [11] | Kelly R H, Parton W J, Crocker G J, et al. Simulating trends in soil organic carbon in long-term experiments using the century model[J]. Geoderma, 1997, 81(1-2): 75-90. DOI:10.1016/S0016-7061(97)00082-7 |
| [12] |
王旭洋, 李玉强, 连杰, 等. CENTURY模型在不同生态系统的土壤有机碳动态预测研究进展[J]. 草业学报, 2019, 28(2): 179-189. Wang X Y, Li Y Q, Lian J, et al. Progress in application of the CENTURY model for prediction of soil carbon levels in different ecosystems[J]. Acta Prataculturae Sinica, 2019, 28(2): 179-189. |
| [13] |
栗文瀚. 气候变化对中国主要草地生产力和土壤有机碳影响的模拟研究[D]. 北京: 中国农业科学院, 2018. Li W H. Simulation research for impact by climate change on productivity and soil organic carbon of Chinese main grassland[D]. Beijing: Chinese Academy of Agricultural Sciences, 2018. |
| [14] | Musinguzi P, Ebanyat P, Tenywa J, et al. Using DSSAT-CENTURY model to simulate soil organic carbon dynamics under a low-input maize cropping system[J]. Journal of Agricultural Science, 2014, 6(5). DOI:10.5539/jas.v6n5p120 |
| [15] | Nicoloso R S, Amado T J C, Rice C W. Assessing strategies to enhance soil carbon sequestration with the DSSAT-CENTURY model[J]. European Journal of Soil Science, 2020, 71(6): 1034-1049. DOI:10.1111/ejss.12938 |
| [16] | Carvalho A L, Araújo-Neto R A, Lyra G B, et al. Impact of rainfed and irrigated agriculture systems on soil carbon stock under different climate scenarios in the semi-arid region of Brazil[J]. Journal of Arid Land, 2022, 14(4): 359-373. DOI:10.1007/s40333-022-0092-y |
| [17] | Primo A A, de Araújo Neto R A, Zeferino L B, et al. Slash and burn management and permanent or rotation agroforestry systems: a comparative study for C sequestration by century model simulation[J]. Journal of Environmental Management, 2023, 336. DOI:10.1016/j.jenvman.2023.117594 |
| [18] | de Araújo Neto R A, Maia S M F, Althoff T D, et al. Simulation of soil carbon changes due to conventional systems in the semi-arid region of Brazil: adaptation and validation of the century model[J]. Carbon Management, 2021, 12(4): 399-410. DOI:10.1080/17583004.2021.1962978 |
| [19] |
郭燕云, 刘艳, 李秋月, 等. CENTURY模型在新疆天山山区的适用性分析[J]. 草地学报, 2020, 28(1): 252-258. Guo Y Y, Liu Y, Li Q Y, et al. Validation and adaptability evaluation of grassland ecosystem model CENTURY in the Tianshan Mountain area[J]. Acta Agrestia Sinica, 2020, 28(1): 252-258. |
| [20] | Wang L G, Zhu R, Yin Z L, et al. Impacts of land-use change on the spatio-temporal patterns of terrestrial ecosystem carbon storage in the Gansu Province, Northwest China[J]. Remote Sensing, 2022, 14(13). DOI:10.3390/rs14133164 |
| [21] |
张瑶瑶. 甘南州草地土壤有机碳、全氮空间分布特征及影响因素分析[D]. 兰州: 兰州大学, 2019. Zhang Y Y. Spatial distribution characteristics and influencing factors of soil organic carbon and total nitrogen in Gannan pastoral area[D]. Lanzhou: Lanzhou University, 2019. |
| [22] |
宋永鹏, 唐希颖, 贾亚敏, 等. 甘南地区二氧化碳施肥效应对生态系统的影响[J]. 生态学报, 2021, 41(18): 7301-7311. Song Y P, Tang X Y, Jia Y M, et al. Fertilization effect of carbon dioxide on ecosystems in Gannan, China[J]. Acta Ecologica Sinica, 2021, 41(18): 7301-7311. |
| [23] |
刘洁, 孟宝平, 葛静, 等. 基于CASA模型和MODIS数据的甘南草地NPP时空动态变化研究[J]. 草业学报, 2019, 28(6): 19-32. Liu J, Meng B P, Ge J, et al. Spatio-temporal dynamic changes of grassland NPP in Gannan prefecture, as determined by the CASA model[J]. Acta Prataculturae Sinica, 2019, 28(6): 19-32. |
| [24] |
章志龙, 施蕾蕾, 曹飞, 等. 对甘南高原黄河流域生态环境保护与高质量发展的思考[J]. 环境保护, 2022, 50(15): 62-65. Zhang Z L, Shi L L, Cao F, et al. Thoughts on sustainable and high-quality development of ecological environment protection of Yellow River basin in Gannan plateau[J]. Environmental Protection, 2022, 50(15): 62-65. |
| [25] |
孙文颖, 马维伟, 李广, 等. 尕海湿地植被退化过程中土壤蔗糖酶和淀粉酶活性的动态特征[J]. 草地学报, 2019, 27(1): 88-96. Sun W Y, Ma W W, Li G, et al. Dynamic characteristics of soil sucrase and amylase activities during vegetation degradation in Gahai wetland[J]. Acta Agrestia Sinica, 2019, 27(1): 88-96. |
| [26] |
姚宝辉, 王缠, 郭怀亮, 等. 人工草地建设对甘南草原土壤理化特性和微生物数量特征的影响[J]. 水土保持学报, 2019, 33(1): 192-199. Yao B H, Wang C, Guo H L, et al. Effects of artificial supplementary sowing on soil physical and chemical characteristics and microorganism quantity in Gannan grassland[J]. Journal of Soil and Water Conservation, 2019, 33(1): 192-199. |
| [27] | Wang J W, Zhao C Z, Zhao L C, et al. Effects of grazing on the allocation of mass of soil aggregates and aggregate-associated organic carbon in an alpine meadow[J]. PLoS One, 2020, 15(6). DOI:10.1371/journal.pone.0234477 |
| [28] |
刘旻霞, 李全弟, 蒋晓轩, 等. 甘南亚高寒草甸稀有种对物种多样性和物种多度分布格局的贡献[J]. 生物多样性, 2020, 28(2): 107-116. Liu M X, Li Q D, Jiang X X, et al. Contribution of rare species to species diversity and species abundance distribution pattern in the Gannan subalpine meadow[J]. Biodiversity Science, 2020, 28(2): 107-116. |
| [29] |
尹凤玲, 刘旻霞, 刘成, 等. 单户与联户经营对高寒草甸土壤理化性质与植物多样性的影响[J]. 植物研究, 2023, 43(2): 261-271. Yin F L, Liu M X, Liu C, et al. Effects of single-household and multi-household management on soil physicochemical properties and plant diversity in alpine meadow[J]. Bulletin of Botanical Research, 2023, 43(2): 261-271. |
| [30] | Parton W J, Schimel D S, Cole C V, et al. Analysis of factors controlling soil organic matter levels in great plains grasslands[J]. Soil Science Society of America Journal, 1987, 51(5): 1173-1179. DOI:10.2136/sssaj1987.03615995005100050015x |
| [31] |
孙锐, 陈少辉, 苏红波. 黄土高原不同生态类型NDVI时空变化及其对气候变化响应[J]. 地理研究, 2020, 39(5): 1200-1214. Sun R, Chen S H, Su H B. Spatiotemporal variation of NDVI in different ecotypes on the Loess Plateau and its response to climate change[J]. Geographical Research, 2020, 39(5): 1200-1214. |
| [32] | Hoaglin D C, Mosteller F, Tukey J W. Understanding robust and exploratory data analysis[M]. New York: Wiley, 2000. |
| [33] |
袁丽华, 蒋卫国, 申文明, 等. 2000—2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 2013, 33(24): 7798-7806. Yuan L H, Jiang W G, Shen W M, et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010[J]. Acta Ecologica Sinica, 2013, 33(24): 7798-7806. |
| [34] |
田智慧, 任祖光, 魏海涛. 2000 ~ 2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [35] |
赵艳玲, 赵彬程, 王鑫, 等. 基于地形分区IDW的复垦排土场土壤养分空间分布[J]. 煤田地质与勘探, 2020, 48(4): 199-205. Zhao Y L, Zhao B C, Wang X, et al. Spatial distribution of soil nutrients in reclamation dump sites based on subdivision IDW[J]. Coal Geology & Exploration, 2020, 48(4): 199-205. DOI:10.3969/j.issn.1001-1986.2020.04.027 |
| [36] |
孙倩, 张美玲, 王鑫婧, 等. 不同气候情景下甘肃草地碳收支时空模拟与预测[J]. 环境科学, 2023, 44(10): 5842-5851. Sun Q, Zhang M L, Wang X J, et al. Spatiotemporal simulation and prediction of grassland carbon budget in Gansu under different climate scenarios[J]. Environmental Science, 2023, 44(10): 5842-5851. |
| [37] |
邓祥征, 姜群鸥, 林英志, 等. 中国农田土壤有机碳贮量变化预测[J]. 地理研究, 2010, 29(1): 93-101. Deng X Z, Jiang Q O, Lin Y Z, et al. Simulation of the changes of soil organic carbon stock of cropland in China[J]. Geographical Research, 2010, 29(1): 93-101. |
| [38] |
姚文杰. 甘南牧区草地生态补偿绩效评价[D]. 兰州: 兰州大学, 2017. Yao W J. Performance evaluation on grassland ecological compensation of Gannan pastoral area in Gansu Province, China[D]. Lanzhou: Lanzhou University, 2017. |
| [39] |
张玉琪, 吴玉鑫, 李强, 等. 东祁连山不同退化程度高寒草甸土壤氮素与团聚体特征及关系研究[J]. 草地学报, 2021, 29(10): 2286-2293. Zhang Y Q, Wu Y X, Li Q, et al. Characteristics and relationship between soil nitrogen and aggregates in alpine meadows with different degradation in eastern Qilian Mountains[J]. Acta Agrestia Sinica, 2021, 29(10): 2286-2293. |
| [40] |
董廷发. 不同海拔云南松林土壤养分及其生态化学计量特征[J]. 生态学杂志, 2021, 40(3): 672-679. Dong T F. Soil nutrients and their ecological stoichiometry of Pinus yunnanensis forest along an elevation gradient[J]. Chinese Journal of Ecology, 2021, 40(3): 672-679. |
| [41] |
吕韶利. 青藏高原高寒草地土壤有机碳、全氮的空间异质性及其影响因素的研究[D]. 兰州: 兰州大学, 2018. Lü S L. Study on spatial heterogeneity of soil organic carbon and total nitrogen of alpine grassland and the influencing factors in Qinghai-Tibet Plateau[D]. Lanzhou: Lanzhou University, 2018. |
| [42] |
李月梅, 曹广民, 王跃思. 开垦对海北高寒草甸土壤有机碳的影响[J]. 生态学杂志, 2006, 25(8): 911-915. Li Y M, Cao G M, Wang Y S. Effects of reclamation on soil organic carbon in Haibei alpine meadow[J]. Chinese Journal of Ecology, 2006, 25(8): 911-915. DOI:10.3321/j.issn:1000-4890.2006.08.008 |
| [43] | Davidson E A, Nepstad D C, Ishida F Y, et al. Effects of an experimental drought and recovery on soil emissions of carbon dioxide, methane, nitrous oxide, and nitric oxide in a moist tropical forest[J]. Global Change Biology, 2008, 14(11): 2582-2590. DOI:10.1111/j.1365-2486.2008.01694.x |
| [44] | Wuyts K, De Schrijver A, Staelens J, et al. Soil inorganic N leaching in edges of different forest types subject to high N deposition loads[J]. Ecosystems, 2011, 14(5): 818-834. DOI:10.1007/s10021-011-9448-4 |
| [45] |
王翀. 高寒草地土壤有机碳影响因子与模拟模型的研究[D]. 兰州: 兰州大学, 2018. Wang C. Study on the influence factors and simulation models of soil organic carbon in alpine grassland[D]. Lanzhou: Lanzhou University, 2018. |
| [46] | Rustad L, Campbell J, Marion G, et al. A meta-analysis of the response of soil respiration, net nitrogen mineralization, and aboveground plant growth to experimental ecosystem warming[J]. Oecologia, 2001, 126(4): 543-562. DOI:10.1007/s004420000544 |
| [47] |
王多斌, 籍常婷, 林慧龙. 基于DNDC模型的高寒草甸土壤有机碳含量动态研究[J]. 草业学报, 2019, 28(12): 197-204. Wang D B, Ji C T, Lin H L. A 'denitrification-decomposition' (DNDC) model evaluation of alpine meadow soil carbon response to climate change[J]. Acta Prataculturae Sinica, 2019, 28(12): 197-204. DOI:10.11686/cyxb2019081 |
| [48] |
闫蒙, 王旭洋, 周立业, 等. 科尔沁沙地沙漠化过程中土壤有机碳含量变化特征及影响因素[J]. 中国沙漠, 2022, 42(5): 221-231. Yan M, Wang X Y, Zhou L Y, et al. Characteristics and influencing factors of soil organic carbon in the process of desertification in Horqin Sandy Land[J]. Journal of Desert Research, 2022, 42(5): 221-231. |
| [49] | Koch A, Kaplan J O. Tropical forest restoration under future climate change[J]. Nature Climate Change, 2022, 12(3): 279-283. DOI:10.1038/s41558-022-01289-6 |