环境科学  2024, Vol. 45 Issue (9): 5441-5450   PDF    
香榧主产区SOC、STN和C∶N空间异质性及其关键影响因素
何影1, 张勇2, 林松2, 杜芳芳1, 董佳琦1, 支裕优1, 傅伟军1, 吴家森1, 王增2     
1. 浙江农林大学环境与资源学院, 临安 311300;
2. 浙江省公益林和国有林场管理总站, 杭州 310020
摘要: 土壤有机碳(SOC)和全氮(STN)是反映森林生态系统平衡和土壤肥力质量的重要指标.全面掌握区域SOC、STN和C∶N的空间分布格局及其影响因素对于精准施肥和土壤健康至关重要.以浙江省特色经济林——香榧主产区为研究区域, 基于1 km×1 km网格布点采集表层土壤样品(0~20 cm)117个.采用多元统计方法(随机森林模型、结构方程模型、冗余分析以及变异分解)结合多种空间分析手段(地统计学和Moran's I指数等), 揭示香榧主产区的SOC、STN和C∶N的空间分布及其影响因素.结果表明, 土壤ω(SOC)、ω(STN)和C∶N的平均值分别为17.63 g·kg-1、1.48 g·kg-1和12.65, 与其他地区均值相比处于较高水平, 其变异系数分别为68.08%、67.41%和46.03%, 均存在中等程度变异;半方差函数结果表明, SOC、STN和C∶N存在中等程度的空间自相关, 块基比[C0 /(C0 + C)]值分别为49.98%、45.88%和49.93%;空间分布结果表明, SOC、STN和C∶N由东北向西南逐渐降低, 且绝大部分区域的SOC的肥力水平处于中等以上.相关分析和冗余分析结果表明, 碱解氮、速效磷和速效钾与SOC和STN均呈显著相关(P < 0.05).随机森林模型、结构方程模型和变异分解结果表明, 土壤速效养分(碱解氮、速效磷和速效钾)是影响SOC和STN的主控因子.基于此, 可通过合理施肥和种植林下植被等生态措施, 提升浙江省特色经济林土壤碳、氮库潜力, 增强林地应对区域气候变化的能力.
关键词: 亚热带经济林      空间变异      影响因素      随机森林(RF)      结构方程      香榧     
Spatial Heterogeneity and Key Influencing Factors of Soil Organic Carbon, Soil Total Nitrogen, and Carbon to Nitrogen Ratio in main plantations of Torreya grandis cv. Merrillii
HE Ying1 , ZHANG Yong2 , LIN Song2 , DU Fang-fang1 , DONG Jia-qi1 , ZHI Yu-you1 , FU Wei-jun1 , WU Jia-sen1 , WANG Zeng2     
1. College of Environment and Resource Sciences, Zhejiang A & F University, Lin'an 311300, China;
2. Zhejiang Public Welfare Forest and State Forest Farm Management Station, Hangzhou 310020, China
Abstract: Soil organic carbon (SOC) and soil total nitrogen (STN) serve as important indicators of the elemental balance within forest ecosystems reflecting soil fertility and quality. Accurate knowledge regarding the spatial variability of regional SOC, STN, and C∶N ratio and their influencing factors is of great significance for precise fertilization and soil health. In this study, a total of 117 topsoil samples (0-20 cm in depth) based on a 1 km×1 km grid were collected in the Torreya grandis cv. Merrillii plantation in Zhejiang Province. A combination of multi-dimensional statistical approaches (random forest model, structural equation model, redundancy analysis, and variation partitioning analysis) and diverse spatial analytical techniques (geostatistics, Moran's I index, etc.) were applied to reveal the spatial distributions and influencing factors of SOC, STN, and C∶N ratio in the Torreya. grandis cv. Merrillii region. The results showed that the average ω(SOC), ω(STN), and C∶N ratio were 17.63 g·kg-1, 1.48 g·kg-1, and 12.65, respectively, and their coefficients of variation were 68.08%, 67.41%, and 46.03%, respectively, indicating a moderate degree of variability. In general, the SOC, STN, and C∶N ratio of the Torreya grandis cv. Merrillii plantations were at an intermediate level in the national plantation. The semi-variance results showed that the nugget/sill values of SOC, STN, and C∶N ratio were 49.98%, 45.88%, and 49.93%, respectively, demonstrating a moderate level of spatial autocorrelation. The spatial distribution results showed that SOC, STN, and C∶N ratio decreased from northeast to southwest, with the majority of the region exhibiting above-medium fertility levels of SOC. The results of correlation analysis and redundancy analysis indicated that AN, AP, and AK were significantly correlated with both SOC, STN, and C∶N ratio (P < 0.05). The results of random forest, structural equation model, and variation partitioning analysis evidenced that the main influencing factors of SOC and STN were soil-available nutrients (AN, AP, and AK). Therefore, our results could provide important insights for enhancing soil carbon and nitrogen pools in special plantations in Zhejiang Province, enhancing the capacity of plantations to adapt to regional climate change through ecological measures such as appropriate fertilization practices and strategic understory vegetation cultivation.
Key words: subtropical plantation forest      spatial variability      influencing factors      random forest(RF)      structural equation      Torreya grandis cv. Merrillii     

土壤作为陆地生态系统中的最大碳库, 在全球碳氮循环中发挥着极其重要的作用[1].土壤碳、氮作为土壤质量和健康的重要指标, 在维持植物生长和生态系统健康等方面至关重要[2].此外, 土壤有机碳(SOC)和全氮(STN)与土壤其他理化性质和生物多样性相互影响, 其迁移和转化也会对全球碳氮循环和气候变化产生影响[3].同时, 土壤C∶N是评估土壤质量敏感性的重要指标, 也是影响土壤微生物群落的主控因子, 在陆地碳氮循环过程中扮演着关键角色[4].这3个指标受到诸多因素的复合影响, 如气候条件[5]、地形[6]、植被[7]以及人类活动[8]等.相关研究发现, 生态系统的氮输入通过刺激植物的初级生产力, 加速凋落物进入土壤的过程, 增加外源碳输入[9].同时, 氮富集条件下土壤微生物的生物量和呼吸量均减少, 从而提高土壤固碳潜力[10].但有研究表明, 外源有机物的增加促进土壤微生物分解土壤本身的碳, 减少有机碳含量[11].因此, 对于复杂的土壤碳氮的影响因素仍需系统研究.

亚热带森林生态系统是陆地生态系统的重要组分, 对保护生物多样性和维持碳氮循环至关重要[12].同时, 亚热带地区适宜林木生长, 是全球碳、氮库的重要组分, 对于调节全球碳氮平衡和气候稳定至关重要[13].经济林是中国东南部重要的森林类型, 在调节区域生物地球化学循环中发挥重要作用[14].有研究表明, 集约经营条件下, 经济林SOC损失严重, 逐步转化为碳源[15].然而, 在适当的生态化经营措施下, 经济林的固碳能力稳步上升[16].可见, 经营活动对经济林土壤的碳储量影响巨大.目前, 关于亚热带经济林土壤碳氮的空间格局及其影响机制的研究鲜见报道.

空间分析方法如地统计学等, 由于其能量化以及减少抽样的不确定性和低调查成本, 已被广泛应用于研究土壤属性的空间分布格局[17].例如, Dong等[18]通过克里金插值法确定了中国亚热带森林SOC、STN和C∶N的空间分布规律及决定因素.王娜等[19]基于GWR模型结合地统计学研究三峡库区SOC空间异质性, 为提升森林生态系统服务提供科学依据.申楷慧等[14]利用冗余分析和结构方程模型探究漓江流域喀斯特森林SOC空间分布格局及其驱动因子.目前, 围绕亚热带特色经济林土壤碳氮空间及其影响机制相关研究缺失.因此, 深入了解其SOC、STN和C∶N的空间分布格局及其影响因素, 将有助于加深对区域土壤碳氮管理的理解, 以实现生态、经济和社会效益的可持续发展.

香榧林地是中国东南部典型亚热带特色经济林, 具有较高的经济价值, 在浙江等地发展迅速[18].但是由于盲目施肥和集约经营等现象普遍存在, 造成土壤酸化和固碳能力下降等一系列生态问题, 严重影响香榧产业的健康发展[20].因此, 系统研究香榧林地的SOC、STN和C∶N的空间分布格局及其关键影响因素, 对于增汇减排, 改善生态环境, 提高土壤质量具有重要的现实意义.

1 材料与方法 1.1 研究区概况

研究区位于中国东南部的浙江省绍兴市(118°01′~ 123°10′E;27°02′~ 31°11′N), 为浙江香榧主产区(图 1).香榧喜潮湿和水分充足的生态环境, 主要分布在诸暨市、嵊州市、东阳市和柯桥区, 种植面积约为1.33万hm2, 年产量800~1 500 t, 约占全国产量的94%以上[21].该区属亚热带季风性气候, 光照充足, 雨量充沛, 四季分明, 全年日照时数1 847 h, 年平均温度14~17℃, 年均降水量1 100~1 700 mm, 年日照时数1 900 h, 年均无霜期207~240 d.香榧林地主要分布在海拔200~800 m的丘陵山地, 土壤类型主要为红壤、黄壤和黄红壤.同时, 根据中国浙江省地质在线地图(https://www.osgeo.cn/map/m02cd), 成土母岩主要包括流纹岩、凝灰岩和流纹质凝灰岩等.

图 1 采样点分布示意 Fig. 1 Distribution of sampling sites

1.2 土壤取样与实验室分析

本研究于2019年5月, 在浙江省绍兴市采集117份香榧表层土壤样品(0~20 cm, 图 1).根据研究区域的分布特点, 以1 km × 1 km的网格布设样点, 并精准定位.按“梅花型”布设每个样点, 在10 m半径的范围内采集5个子样点的表层土壤, 混合均匀后得到约1 kg的样品.所有土壤样本均在实验室风干、去除碎屑和研磨并通过2 mm的筛网, 从中取出一部分, 用玛瑙研钵研磨过0.149 mm的筛网, 保存待分析.土壤样品的测定参照《土壤农化分析》[22], 土壤有机碳(soil organic carbon, SOC)采用重铬酸钾氧化法测定;土壤全氮(soil total nitrogen, STN)采用半微量-凯氏定氮法测定;土壤碱解氮(available nitrogen, AN)、土壤速效磷(available phosphorus, AP)和土壤速效钾(available potassium, AK)分别采用碱性水解扩散法、Mo-Sb比色法和火焰光度法测定;土壤pH采用玻璃电极pH计(土∶水=1∶2.5)测定.

1.3 数据来源

研究区域的年均温和年降水数据来源于国家科技基础条件平台——国家地球系统科学数据中心(http://www.geodata.cn), 选取采样年份的栅格数据(空间分辨率100 m), 经过R软件的处理, 提取对应经纬度的气候数据.归一化植被指数(normalized difference vegetation index, NDVI)数据来源于中国科学院资源环境科学与数据中心数据注册与出版系统(http://www.resdc.cn/DOI), 空间分辨率为1 km, 提取中国年度植被指数(NDVI)空间分布数据集, 获得SPOT/VEGETATION PROBA-V图像信息, 利用ArcMap 10.8得出NDVI.本文所利用的年均温(mean annual temperature, MAT)、年降水(mean annual precipitation, MAP)和NDVI为2019年的均值.高程数据(30 m × 30 m)来源于地理空间数据云平台(http://www.gscloud.cn/)的浙江省数字高程模型(digital elevation model, DEM), 利用高程提取海拔、坡度和坡向数据, DEM数据由R软件处理.

1.4 空间分析

地统计学以区域化变量为基础, 变异函数为工具, 是定量描述土壤特性的空间变异模式.半方差函数是地统计学的基础, 被广泛应用于定量描述土壤变量空间结构的变异性.克里格插值法是通过区域化变量的原始数据和半方差函数的结构性, 对未采样点区域变量值进行无偏差最佳估算的方法[23].其中, 最普遍的方法是普通克里金插值法.

空间自相关分析已被广泛应用到地理学研究中. Moran's I分析系统揭示研究变量的空间自相关程度.全局Moran's I测量目标变量的总体空间自相关程度;局部Moran's I则用于测量每个特定空间位置的空间自相关程度 [24].若全局Moran's I < 0, 则变量具有负相关;反之, 则变量具有正相关.局部Moran's I可以将空间模式划分为空间集聚和空间离群.

1.5 随机森林

随机森林(random forest, RF)是一种非参数数据挖掘技术, 既能处理自变量与因变量之间复杂的非线性关系, 还能处理线性关系.其特点是利用Bootstrap抽样法, 从样本数据中随机抽取n个样本数据作为训练集, 基于以上数据建立决策树, 生成大量回归树集合, 最终形成随机森林[25].同时, 由于数据选取具有随机性和决策树参数的可调节性, 并且该模型不用对数据的正态分布和独立性等假设条件进行检验, 不用考虑变量的共线性问题, 只需确定随机森林的决策树数量(ntree)、每个节点上随机采样的特征数量(mtry)和叶节点上允许的最小样本数(nodesize), 以降低随机森林过度拟合的风险.本研究中, ntree、mtry和nodesize分别设置为1 000、10和4, 重复运行500次, 评估预测结果的相对重要性.

1.6 多元统计方法

多元统计分析是一种研究客观事物中多个变量之间相互依赖关系的综合分析方法.本研究采用3种不同的多元统计方法, 探究研究区SOC、STN和C∶N的主控因子.

冗余分析(redundancy analysis, RDA)是一种基于排序技术进行的线性分析方法, 可直观反映两变量集的相关关系, 并能独立保持各个环境变量对土壤变化的贡献率, 对各影响因素能力的大小排序, 以揭示各成分的关联性及其与影响因素的复杂关系[26].

变异分解(variation partitioning analysis, VPA)将总变异量解释为由独立变量和它们之间的相互作用所引起变异量的重要性.按其成因分解为与方程随机误差项关联的各部分, 从而了解各信息对模型内生变量的相对重要性, 表明变量之间因果关系的强度[27].

结构方程模型(structural equation model, SEM)是基于自变量的协方差矩阵及其与因变量之间的因果关系建立的关系模型.相比传统的统计方法, 结构方程模型融合了路径分析与因子分析, 不仅能够判别各因子之间的关系强度, 还能对各影响因素组成的整体模型进行拟合判断, 解释自变量对因变量的直接效应、间接效应和总效应[28].

1.7 数据处理

本文采用Kolmogorov-Smirnov(K-S)检验数据集的正态性, P(K-S) > 0.05表示该数据符合正态分布, 需对不符合正态的数据进行对数转换;采用Pearson相关分析法研究SOC、STN和C∶N与其他定量指标间的相关性;采用SPSS 28.0对数据进行描述性统计和正态分布检验;利用ArcMap 10.8绘制空间分布图;利用Geoda 1.14.0软件识别和分析空间聚类和异常值以及计算空间自相关系数;采用GS+9.0软件进行半方差变异函数分析;采用R软件包randomForest(4.2.1)进行随机森林分析;采用R软件包Corrplot(4.2.1)进行相关分析;采用R 4.2.1绘制变异分解分析图;采用IBM AMOS 28.0绘制结构方程模型;采用CANOCO 5.0绘制冗余分析图;其余图像于Origin 2021和ArcGIS 10.8中绘制.

2 结果与分析 2.1 描述性统计

表 1所示, 本研究区ω(SOC)、ω(STN)和C∶N的范围分别在0.91~44.30 g·kg-1、0.15~4.34 g·kg-1和1.85~33.05之内, 平均值分别为17.63 g·kg-1、1.48 g·kg-1和12.46.变异系数(CV)反映变量的离散程度, 一般认为, 10%~100%, 属于中等变异[28], 该研究区SOC、STN和C∶N的变异系数分别为68.08%、67.41%和46.03%, 表现为中等变异, 表明SOC、STN和C∶N的空间分布并不均匀.

表 1 香榧主产区SOC、STN和C∶N描述性统计分析1) Table 1 Descriptive statistical analysis of SOC, STN, and C∶N ratio in main plantations of Torreya grandis cv. Merrillii

2.2 土壤有机碳、全氮和碳氮比空间变异特征分析

利用GS+ 软件中的半方差变异函数描述SOC、STN和C∶N的空间变异. SOC、STN和C∶N的半方差变异函数模型均符合指数模型(表 2).块基比[C0 /(C0 + C)]可以衡量空间依赖程度, 变程(range)也是反映区域尺度下的空间自相关的作用指标.SOC、STN和C∶N的块基比[C0 /(C0 + C)]值分别为49.98%、45.88%和49.93%, 表明存在中度空间自相关性(表 2).三者的变程分别为35.07、16.8和14.31 km.同时, 3个模型的最佳拟合系数均大于0.70, 表明模型能准确反映SOC、STN和C∶N的空间变异特征.

表 2 香榧主产区SOC、STN和C∶N变异函数理论模型及其相关参数1) Table 2 Semi-variogram models and the corresponding parameters of SOC, STN, and C∶N ratio in main plantations of Torreya grandis cv. Merrillii

2.3 土壤有机碳、全氮和碳氮比空间聚类和空间异常值分析

SOC、STN和C∶N的全局Moran's I值分别为0.32、0.20和0.03, 呈现出显著正空间自相关(P < 0.05).此外, 局部Moran's I空间分布表明, SOC、STN和C∶N的高值集聚区主要分布在研究区的北部, 低值集聚区主要分布在研究区的西南部和西北部(图 2).同时, 大部分高-低空间异常值主要分布在低-低空间异常值的附近区域, 而低-高空间异常值主要分布在高-高空间异常值的附近区域.

图 2 香榧主产区SOC、STN和C∶N的LISA局部空间自相关 Fig. 2 Local indicators of spatial association for SOC, STN, and C∶N ratio in main plantations of Torreya grandis cv. Merrillii

2.4 土壤有机碳、全氮和碳氮比空间分布格局

根据半方差变异函数和普通克里金插值法得到该研究区最佳拟合模型, 了解香榧主产区SOC、STN和C∶N的空间分布状况.如图 3所示, SOC、STN和C∶N在低值区和高值区之间的过渡比较平缓, 由东北向西南逐渐降低. SOC高值区主要分布在嵊州市和柯桥区, 呈片状区域分布, 低值区主要分布在诸暨市和东阳市, 呈零星分布. STN高值区主要分布在嵊州市和柯桥区, 呈不规则块状分布, 低值区在东阳市和诸暨市呈片状分布.土壤C∶N的总体空间分布格局与SOC和STN相似, 高值区主要分布在柯桥区, 呈块状分布, 低值区主要分布在诸暨市和东阳市, 呈零星斑块状分布.

图 3 香榧主产区SOC、STN和C∶N空间分布 Fig. 3 Spatial distribution of SOC, STN, and C∶N ratio in main plantations of Torreya grandis cv. Merrillii

2.5 土壤有机碳、全氮和碳氮比与其他影响因子相关性分析 2.5.1 土壤有机碳、全氮和碳氮比与其他影响因子相关性热图分析

相关性分析是研究事物之间是否具有相关关系及相关性强弱的统计方法. SOC和STN均与速效养分(AN、AP和AK)呈显著正相关(P < 0.001), 与pH呈显著负相关(P < 0.001), 且SOC与MAT密切相关(P < 0.01)(图 4).同时, SOC和STN两者呈现显著正相关(P < 0.001).而C∶N仅与SOC呈现显著正相关(P < 0.001), 与坡向和MAT呈现负相关(P < 0.05).

1.ALT(海拔), 2.Slope(坡度), 3.Aspect(坡向), 4. NDVI(归一化植被指数), 5. FA(林龄), 6. MAT(年均温), 7. MAP(年降水), 8.pH, 9. AN(碱解氮), 10. AP(速效磷), 11. AK(速效钾), 12.SOC(土壤有机碳), 13.STN(土壤全氮), 14.C∶N(碳氮比);*表示P < 0.05, **表示P < 0.01, ***表示P < 0.001, 空白表明不显著(P≥0.05);圆直径越大表明相关性越强, 直径越小相关性越弱;红色表示正相关, 蓝色表示负相关 图 4 香榧主产区SOC、STN和C∶N与其他影响因子的相关分析 Fig. 4 Coefficient of Pearson relationship between SOC, STN, and C∶N ratio and influencing factors in main plantations of Torreya grandis cv. Merrillii

2.5.2 土壤有机碳、全氮和碳氮比与其他影响因子冗余分析(RDA)排序

为进一步揭示地形、气候、植被和土壤因子对SOC、STN和C∶N的相对贡献, 采用冗余分析探讨其相对贡献程度大小.由图 5可见, RDA1轴、PCA1轴的解释量分别为48.26%和40.39%(图 5).AN、AP、AK、MAT、MAP和Aspect的箭头连线长度最长, 可知速效养分、气候因子和坡向对三者均起到很好的解释作用.此外, 从三者与影响因子的夹角来看, SOC和STN与AN、AP和AK呈显著正相关, 与pH呈负相关, 说明SOC和STN受以上影响因子的影响程度大于其他影响因子.同时, C∶N与MAP、Slope、AK、AP和AN呈正相关, 与Aspect和MAT呈负相关.综上, 可看出11种影响因素对香榧主产区SOC、STN和C∶N的影响存在一定差异, 其重要性排序和显著性检验结果如表 3所示. AN和AP对SOC、STN和C∶N的影响均达到显著水平(P < 0.05).其中AN对香榧主产区SOC、STN和C∶N影响最显著(P=0.002 < 0.05), 说明AN是影响SOC、STN和C∶N的最关键因子.而其他影响因子(AN、AP除外)对SOC、STN和C∶N的影响均未达到显著水平(P > 0.05).

SOC:土壤有机碳, STN:土壤全氮, C∶N:碳氮比, AN:碱解氮, AP:速效磷, AK:速效钾, MAT:年均温, MAP:年降水, NDVI:归一化植被指数, FA:林龄, ALT:海拔, Slope:坡度, Aspect:坡向 图 5 香榧主产区SOC、STN和C∶N与影响因子的冗余分析(RDA)排序 Fig. 5 Redundancy analysis (RDA) ranking of SOC, STN, and C∶N ratio with influencing factors in main plantations of Torreya grandis cv. Merrillii

表 3 其它影响因子解释的重要性排序和显著性检验结果 Table 3 Importance ranking and significance test results of interpretation of other influencing factors

2.6 土壤有机碳、全氮和碳氮比影响因素分析 2.6.1 土壤有机碳、全氮和碳氮比随机森林分析

随机森林结果表明, 预测变量对SOC、STN和C∶N的总体解释能力分别为60.76%、41.4%和4.54%.同时, C∶N的解释度过小, 说明C∶N不受上述因素的制约, 将着重解释SOC和STN的主控因子.RF模型表明, AN、AK和AP对SOC和STN的影响最为显著(图 6).其中, AN是影响SOC和STN的最主要的影响因素, AP和AK是影响SOC和STN的第二大因素.此外, pH对SOC仍有重要影响, MAP对土壤STN的影响也相对重要.

图 6 香榧主产区SOC和STN随机森林分析 Fig. 6 Random forest analysis of SOC and STN in main plantations of Torreya grandis cv. Merrillii

2.6.2 土壤有机碳、全氮和碳氮比结构方程分析

结构方程模型的拟合优度检验表明, 数据与检验模型拟合良好, P值和均方根近似误差(RMSEA)均符合良好的拟合标准. SEM分析表明, 模型对SOC、STN和C∶N的解释度分别为58.2%、48.0%和4.25%.因C∶N解释度较小, 各研究变量均不是影响C∶N的主控因子, 故研究影响SOC和STN的主控因素.在SOC中[图 7(a)], AN和AP被认为是影响SOC的主导因子.AN(λ = 0.50, P < 0.001)和AP(λ = 0.23, P < 0.01)对SOC有显著影响[图 7(a)], 其标准化总效应高于其他影响因子[图 7(b)]. 同时, 在STN中[图 7(c)], AN(λ =0.55, P < 0.001)对STN有显著影响[图 7(c)].该模型进一步表明, AN对STN的直接影响大于间接影响[图 7(d)].

蓝色和红色箭头分别表示正向和负向路径, 箭头旁边数字表示路径系数, 线条粗细表示路径系数相对大小;*表示P < 0.05, **表示P < 0.01, ***表示P < 0.001 图 7 香榧主产区SOC和STN建模结果和标准化效应分析 Fig. 7 Analysis of SOC and STN modeling results and standard effects in main plantations of Torreya grandis cv. Merrillii

2.6.3 土壤有机碳、全氮和碳氮比变异分解分析

通过进一步的变异分解, 分析气候、地形、植被和土壤这4组解释变量对SOC、STN和C∶N的相对贡献.因C∶N的解释度低, 表明11个影响因素均不是C∶N的主控因子.同时, 变异分解结果显示(图 8), 土壤因子和地形因子对SOC和STN的分别共同解释了22.0%和15.7%, 土壤因子单独对SOC和STN的解释率最大, 分别解释了34.1%和29.7%.总体上, 土壤因子对SOC和STN的贡献度要高于地形因子, 植被因子和气候因子单独解释及其共同解释率均相对较低.

气候因子组由MAT和MAP这2个解释变量组成;地形因子组由海拔、坡度和坡向这3个解释变量组成;植被因子组由NDVI和林龄这2个解释变量组成;土壤因子组由pH、AN、AP和AK这4个解释变量组成;各阴影部分分别表示各因子对SOC和STN的单独贡献, 圆圈重叠部分表示共同效应, 变异分数≤0无标注, 解释的变异分数基于校正后的R2 图 8 香榧主产区SOC和STN的VPA解释结果 Fig. 8 VPA analysis results of SOC and STN in main plantations of Torreya grandis cv. Merrillii

3 讨论 3.1 土壤有机碳、全氮和碳氮比含量及空间分布特征

本研究揭示了浙江香榧林地表层SOC、STN和C∶N的空间分布格局.香榧林地ω(SOC)、ω(STN)和C∶N的均值分别为17.63 g·kg-1、1.48 g·kg-1和12.65, 高于全国森林ω(SOC)和C∶N均值(9.27 g·kg-1和11.9)[29].对比浙江省其他区域, 发现接近浙江省茶园均值(18.20 g·kg-1、1.47 g·kg-1和12.38)[30], 低于板栗种植园(18.73 g·kg-1、2.18 g·kg-1和12.95)[31], 但高于山核桃人工林(14.92 g·kg-1、1.56 g·kg-1和12.95)[32]和竹林(13.34 g·kg-1、1.27 g·kg-1和10.5)[33].总之, 与中国及亚热带地区的土壤平均值相比[34], 三者处于较高水平, 在浙江省尤甚.由表 1表 2可见, SOC、STN和C∶N均处于中等程度的空间变异, 这与前人研究的结果一致[18, 35].

就本研究区域而言, SOC、STN和C∶N的区域分布相似, 总体表现为由东北向西南逐渐降低.高值区主要分布在柯桥区和嵊州市, 人类活动(施用氮肥和有机肥等)的变化导致土壤中的SOC和STN含量相对较高[16].低值区分别分布于东阳市和诸暨市的高海拔地区, 高海拔地区植被覆盖单一, 微生物群落较匮乏, 土壤表层能被分解的有机物有限, 进入土壤中的SOC和STN含量亦减少[36];另一方面, 施肥作业困难, 施肥量减少, 进入土壤中的SOC和STN含量减少[36].同时, 基于浙江林业常用的养分等级划分标准将SOC划分为3个等级[37], 其中, 缺乏等级ω(SOC)小于5.8 g·kg-1, 中等等级ω(SOC)在5.8~17.4 g·kg-1之间, 丰富等级ω(SOC)大于17.4 g·kg-1.由图 3可知, 研究区SOC的肥力水平绝大部分处于中等以上, 以上区域的土壤管理方法值得借鉴.但嵊州市部分区域肥力水平较低, 还有较大的提升空间.因此, 该区域的固碳潜力尚可加大发掘力度, 通过更为高效的复合肥施用模式提高香榧林地的固碳能力, 提升化肥使用效率及经济林产量.

3.2 土壤有机碳、全氮和碳氮比影响因素分析

探讨SOC和STN与其他影响因素的关系, 有助于确定经济林SOC含量及其对降低大气CO2水平的潜在影响.本研究结果表明, 土壤速效养分(AN、AP和AK)对SOC和STN的影响高于地形、气候和植被因子, AN的相对贡献最甚, 与前人研究结果一致[8].SOC与AN、AP和AK呈显著正相关关系(图 4图 5).AN受到地上凋落物的影响[38], 通过腐植质的分解促进氮的释放, 降低微生物活性, 使土壤矿化率降低, 促进植物生长, 有利于SOC的积累[39];AP主要来源于有机质中有机态磷元素的转化[40], 随着AP的输入, 通过增加合成有机质底物的输入和土壤微生物活性, 加快分解转化为SOC, 进而增加SOC含量[41];AK则是通过温度和水分的综合作用, 促进土壤矿物钾的释放, 加速植物生长, 提升SOC含量[42].同时, RF和SEM结果表明, AN是影响STN的主控因子.由于碳氮循环之间存在耦合关系, 且相关性研究表明SOC与STN均呈极显著正相关关系(P < 0.001), 这与其他地区的研究结果一致[8].因此, 由于STN与土壤中的有机质有着密切的联系, 土壤中大部分氮素以有机氮的形式存在于有机质中, 其动态变化均受到有机质的影响[43].其次, 由于氮输入量可能超过施肥措施等人类活动导致STN的分解, 从而增加了STN的含量[44].

因此, 通过施肥等措施, 影响土壤养分转化和作物生长, 有利于提高香榧林地SOC和STN的整体水平, 促进SOC固存, 这与其他研究结果一致[45, 46].但过量施用氮肥会导致土壤酸化, 改变微生物群落组成, 刺激作物残留物和SOC的分解[16], 这也使得SOC随着氮肥施用强度的增加呈现不同的变化趋势, 增加了这两者间关系的复杂性.此外, 不同的除草方式对SOC和STN有着很强的影响作用.究其原因, 可能是除草处理后, 秸秆腐烂后有效转化为土壤养分, 提供了重要的外部养分(C、N、P和K)来源, 并改善土壤结构、微生物活性、土壤质量、作物产量以及植物残体和根系的多产性, 从而有助于提高SOC和STN含量[47].另一方面, 较多的化学除草剂的施用会使田间杂草数量骤减, 减少相应杂草对土壤养分的吸收, SOC和STN含量也会随之增加[48].然而, 目前有其他研究发现, 清耕模式导致SOC含量下降, 过度除草不利于土壤中碳的矿化[49].可能是因为除草产生的过量的凋落物为土壤提供了更多的可溶性有机碳, 刺激土壤微生物活动, 促进了土壤中碳的分解[50].总之, 速效养分, 尤其是AN为香榧林地SOC、STN和C∶N的关键影响因素, 可通过合理的氮肥施用和除草方式, 改善土壤碳氮含量, 从而为提高经济林固碳能力配置合理的管理策略, 实现经济林生态化和农业可持续发展.

4 结论

研究区内的SOC、STN和C∶N平均值与亚热带地区其他经济林平均值相比, 处于中等水平. SOC、STN和C∶N存在一定程度的空间变异, 三者的空间分布格局相似, 在研究区内均从东北向西南递减.基于RF、SEM和VPA分析, 速效养分(AN、AP和AK)对研究区SOC和STN的解释度最高, 其中AN对它们的影响最甚.但土壤C∶N的总体解释度较低, 说明其变化受其他因素的影响.本研究结果可为中国东南部亚热带经济林生态系统在生态恢复以及可持续林分生产方面提出新见解, 可为经济林的固碳潜力提升, 有效减缓区域温室效应提供科学依据.

参考文献
[1] Lu X K, Vitousek P M, Mao Q G, et al. Nitrogen deposition accelerates soil carbon sequestration in tropical forests[J]. Proceedings of the National Academy of Sciences of the United States of America, 2021, 118(16). DOI:10.1073/pnas.2020790118
[2] 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.
[3] 熊杏, 熊清华, 郭熙, 等. 南方典型丘陵区耕地土壤全氮、有机碳和碳氮比空间变异特征及其影响因素[J]. 植物营养与肥料学报, 2020, 26(9): 1656-1668.
Xiong X, Xiong Q H, Guo X, et al. Spatial variation characteristics of total nitrogen, organic carbon and ratio of carbon to nitrogen of cultivated land in typical hilly areas in South China and its influencing factors[J]. Journal of Plant Nutrition and Fertilizers, 2020, 26(9): 1656-1668.
[4] Hu L, Ade L J, Wu X W, et al. Changes in soil C∶N: P stoichiometry and microbial structure along soil depth in two forest soils[J]. Forests, 2019, 10(2). DOI:10.3390/f10020113
[5] 倪银霞, 黄懿梅, 牛丹, 等. 宁南山区林地土壤原位矿化过程中碳氮转化耦合特征[J]. 环境科学, 2015, 36(9): 3401-3410.
Ni Y X, Huang Y M, Niu D, et al. Characteristics and coupling relationship of soil carbon and nitrogen transformation during in-situ mineralization cultivation in forestlands in the mountain area of southern Ningxia[J]. Environmental Science, 2015, 36(9): 3401-3410.
[6] 熊小玲, 任寅榜, 吕茂奎, 等. 武夷山不同海拔典型森林土壤有机碳和全氮储量分布特征[J]. 水土保持研究, 2022, 29(4): 83-88.
Xiong X L, Ren Y B, Lü M K, et al. Distribution characteristics of soil organic carbon and total nitrogen storage in typical forest soils at different altitudes in Wuyishan Mountain[J]. Research of Soil and Water Conservation, 2022, 29(4): 83-88.
[7] Abalori T A, Cao W X, Weobong C A A, et al. Effects of vegetation patchiness on ecosystem carbon and nitrogen storage in the alpine grassland of the Qilian Mountains[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.879717
[8] Xu L, Shi Y J, Fang H Y, et al. Vegetation carbon stocks driven by canopy density and forest age in subtropical forest ecosystems[J]. Science of the Total Environment, 2018, 631-632: 619-626.
[9] Niu S L, Song L, Wang J S, et al. Dynamic carbon-nitrogen coupling under global change[J]. Science China Life Sciences, 2023, 66(4): 771-782.
[10] Chen S Y, Chen B, Chen G C, et al. Higher soil organic carbon sequestration potential at a rehabilitated mangrove comprised of Aegiceras corniculatum compared to Kandelia obovata [J]. Science of the Total Environment, 2021, 752. DOI:10.1016/j.scitotenv.2020.142279
[11] Wang X X, Zhang W, Liu Y, et al. Identification of microbial strategies for labile substrate utilization at phylogenetic classification using a microcosm approach[J]. Soil Biology and Biochemistry, 2021, 153. DOI:10.1016/j.soilbio.2020.107970
[12] 苏松锦, 刘金福, 何中声, 等. 格氏栲天然林土壤养分空间异质性[J]. 生态学报, 2012, 32(18): 5673-5682.
Su S J, Liu J F, He Z S, et al. The spatial heterogeneity of soil nutrients in a mid-subtropical Castanopsis kawakamii natural forest[J]. Acta Ecologica Sinica, 2012, 32(18): 5673-5682.
[13] 张祥华, 秦会艳, 黄颖利, 等. 碳中和目标下中国森林固碳量跨期分配及成本[J]. 应用生态学报, 2022, 33(9): 2413-2421.
Zhang X H, Oin H Y, Huang Y L, et al. Intertemporal allocation and cost of forest carbon sequestration in China under the carbon neutrality target[J]. Chinese Journal of Applied Ecology, 2022, 33(9): 2413-2421.
[14] 申楷慧, 魏识广, 李林, 等. 漓江流域喀斯特森林土壤有机碳空间分布格局及其驱动因子[J]. 环境科学, 2023, 45(1): 323-334.
Shen K H, Wei S G, Li L, et al. Spatial distribution patterns of soil organic carbon in karst forests of the Lijiang River Basin and its driving factors[J]. Environmental Science, 2023, 45(1): 323-334.
[15] Hazarika S, Thakuria D, Sakthivel T. Combined effect of land use change, long-term soil management and orchard age on variability of soil quality of fruit orchards under monsoon climate[J]. Environmental Progress & Sustainable Energy, 2023, 42(2). DOI:10.1002/ep.14003
[16] Jin J, Wang L Q, Müller K, et al. A 10-year monitoring of soil properties dynamics and soil fertility evaluation in Chinese hickory plantation regions of southeastern China[J]. Scientific Reports, 2021, 11(1). DOI:10.1038/s41598-021-02947-z
[17] Dai W, Zhao K L, Fu W J, et al. Spatial variation of organic carbon density in topsoils of a typical subtropical forest, southeastern China[J]. CATENA, 2018, 167: 181-189.
[18] Dong J Q, Zhou K N, Jiang P K, et al. Revealing horizontal and vertical variation of soil organic carbon, soil total nitrogen and C∶N ratio in subtropical forests of southeastern China[J]. Journal of Environmental Management, 2021, 289. DOI:10.1016/j.jenvman.2021.112483
[19] 王娜, 李乐, 勾蒙蒙, 等. 基于GWR模型的秭归县柑橘园土壤有机碳空间异质性分析[J]. 长江流域资源与环境, 2023, 32(4): 751-763.
Wang N, Li L, Gou M M, et al. Spatial heterogeneity analysis of soil organic carbon in citrus orchards in Zigui County based on GWR model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(4): 751-763.
[20] 董佳琦, 张勇, 傅伟军, 等. 香榧主产区林地土壤养分空间异质性及其肥力评价[J]. 生态学报, 2021, 41(6): 2292-2304.
Dong J Q, Zhang Y, Fu W J, et al. Spatial variation of soil nutrients and evaluation of integrated soil fertility in Torreya grandis cv. Merrillii region[J]. Acta Ecologica Sinica, 2021, 41(6): 2292-2304.
[21] 程晓建, 黎章矩, 戴文圣. 浙江省经济林产业现状与发展对策[J]. 福建林业科技, 2009, 36(3): 207-210.
Cheng X J, Li Z J, Dai W S, et al. Present situation and development countermeasure of economic forest industry in Zhejiang province[J]. Journal of Fujian Forestry Science and Technology, 2009, 36(3): 207-210.
[22] 鲍士旦. 土壤农化分析[M]. (第三版). 北京: 中国农业出版社, 2000.
[23] 戴巍, 赵科理, 高智群, 等. 典型亚热带森林生态系统碳密度及储量空间变异特征[J]. 生态学报, 2017, 37(22): 7528-7538.
Dai W, Zhao K L, Gao Z Q, et al. Spatial variation characteristics of carbon density and storage in forest ecosystems in a typical subtropical region[J]. Acta Ecologica Sinica, 2017, 37(22): 7528-7538.
[24] Moran P A P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37(1-2): 17-23.
[25] 李子朝, 毕守东, 崔玉环, 等. 耦合多种特征的森林蓄积量反演方法比较——以雅鲁藏布江流域森林为例[J]. 光谱学与光谱分析, 2022, 42(10): 3263-3268.
Li Z Z, Bi S D, Cui Y H, et al. Comparison of forest stock volume inversion methods coupled with multiple features——a case study of forest in Yarlung Zangbo river basin[J]. Spectroscopy and Spectral Analysis, 2022, 42(10): 3263-3268.
[26] 赵晶晶, 贡璐, 安申群, 等. 塔里木盆地北缘绿洲不同连作年限棉田土壤有机碳、无机碳含量与环境因子的相关性[J]. 环境科学, 2018, 39(7): 3373-3381.
Zhao J J, Gong L, An S Q, et al. Correlation between soil organic and inorganic carbon and environmental factors in cotton fields in different continuous cropping years in the oasis of the northern Tarim Basin[J]. Environmental Science, 2018, 39(7): 3373-3381.
[27] 鹿晨昱, 王春娟, 张子龙, 等. 陇东黄土高原地区资源消耗、环境污染与经济增长的耦合关系——以庆阳市为例[J]. 生态学杂志, 2015, 34(9): 2681-2690.
Lu C Y, Wang C J, Zhang Z L, et al. Coupling relationships of resource consumption, environmental pollution and economic growth in loess plateau region of eastern Gansu province: a case study of Qingyang city[J]. Chinese Journal of Ecology, 2015, 34(9): 2681-2690.
[28] 彭健健, 徐坚, 王晓晓, 等. 杨梅主产区土壤肥力空间异质性及其影响因素——以浙江仙居和临海为例[J]. 果树学报, 2023, 40(7): 1421-1433.
Peng J J, Xu J, Wang X X, et al. Spatial variation of soil fertility and its influencing factors in Myrica rubra region: A case study in Xianju county and Linhai city[J]. Journal of Fruit Science, 2023, 40(7): 1421-1433.
[29] Tian H Q, Chen G S, Zhang C, et al. Pattern and variation of C∶N: P ratios in China's soils: a synthesis of observational data[J]. Biogeochemistry, 2010, 98(1): 139-151.
[30] Han W Y, Xu J M, Wei K, et al. Soil carbon sequestration, plant nutrients and biological activities affected by organic farming system in tea (Camellia sinensis (L.) O. Kuntze) fields[J]. Soil Science and Plant Nutrition, 2013, 59(5): 727-739.
[31] Zhang J J, Li Y F, Chang S X, et al. Understory vegetation management affected greenhouse gas emissions and labile organic carbon pools in an intensively managed Chinese chestnut plantation[J]. Plant and Soil, 2014, 376(1): 363-375.
[32] Wu J S, Huang J Q, Liu D, et al. Effect of 26 years of intensively managed Carya cathayensis stands on soil organic carbon and fertility[J]. The Scientific World Journal, 2014, 2014. DOI:10.1155/2014/857641
[33] Fang X H, Zhang J C, Meng M J, et al. Forest-type shift and subsequent intensive management affected soil organic carbon and microbial community in southeastern China[J]. European Journal of Forest Research, 2017, 136(4): 689-697.
[34] Li Y, Wu J, Liu S, et al. Is the C∶N: P stoichiometry in soil and soil microbial biomass related to the landscape and land use in southern subtropical China?[J]. Global Biogeochemical Cycles, 2012, 26(4). DOI:10.1029/2012GB004399
[35] 杨丹, 项文化, 方晰, 等. 石栎-青冈常绿阔叶林土壤有机碳和全氮空间变异特征[J]. 生态学报, 2014, 34(12): 3452-3462.
Yang D, Xiang W H, Fang X, et al. Spatial heterogeneity of soil organic carbon and total nitrogen concentrations in a Lithocarpus glaber-Cyclobalanopsis glauca evergreen broadleaved forest[J]. Acta Ecologica Sinica, 2014, 34(12): 3452-3462.
[36] 冯瑞章, 周万海, 龙瑞军, 等. 江河源区不同建植期人工草地土壤养分及微生物量磷和磷酸酶活性研究[J]. 草业学报, 2007, 16(6): 1-6.
Feng R Z, Zhou W H, Long R J, et al. Study on the changes of soil nutrients, microbial biomass P and neutral phosphatase activity of artificial grassland sown in different years in the headwaters of the Yangtze and Yellow Rivers[J]. Acta Prataculturae Sinica, 2007, 16(6): 1-6.
[37] 叶仲节, 柴锡周. 浙江林业土壤[M]. 杭州: 浙江科学技术出版社, 1986.
[38] Yang S L, Xu K H, Milliman J D, et al. Decline of Yangtze River water and sediment discharge: impact from natural and anthropogenic changes[J]. Scientific Reports, 2015, 5(1). DOI:10.1038/srep12581
[39] 吴绽蕾, 王东启, 李杨杰, 等. 长江口崇明东滩海三棱藨草对沉积物有机碳库的贡献研究[J]. 环境科学学报, 2015, 35(11): 3639-3646.
Wu Z L, Wang D Q, Li Y J, et al. The contribution of Scirpus mariqueter to sediment carbon storage of Chongming East Tidal Flat wetland in Yangtze River Estuary[J]. Acta Scientiae Circumstantiae, 2015, 35(11): 3639-3646.
[40] 林巧玉, 曾泉鑫, 元晓春, 等. 氮添加对亚热带黄山松林土壤磷组分的影响[J]. 林业科学研究, 2022, 35(4): 170-178.
Lin Q Y, Zeng Q X, Yuan X C, et al. Effects of nitrogen addition on the soil phoshorus fractions in subtropical Pinus taiwanensis forests[J]. Forest Research, 2022, 35(4): 170-178.
[41] 方华军, 耿静, 程淑兰, 等. 氮磷富集对森林土壤碳截存的影响研究进展[J]. 土壤学报, 2019, 56(1): 1-11.
Fang H J, Geng J, Cheng S L, et al. Effects of nitrogen and phosphorus enrichment on carbon sequestration in forest soils: a review[J]. Acta Pedologica Sinica, 2019, 56(1): 1-11.
[42] Arienzo M, Christen E W, Quayle W, et al. A review of the fate of potassium in the soil-plant system after land application of wastewaters[J]. Journal of Hazardous Materials, 2009, 164(2-3): 415-422.
[43] 李文军, 彭保发, 杨奇勇. 长期施肥对洞庭湖双季稻区水稻土有机碳、氮积累及其活性的影响[J]. 中国农业科学, 2015, 48(3): 488-500.
Li W J, Peng B F, Yang Q Y. Effects of long-term fertilization on organic carbon and nitrogen accumulation and activity in a paddy soil in double cropping rice area in Dongting Lake of China[J]. Scientia Agricultura Sinica, 2015, 48(3): 488-500.
[44] Zhang Y M, Han J C, Wang L J, et al. Response of Pinus tabuliformis saplings to continuous autumn fertilization treatments in the mountains of eastern Liaoning province, China[J]. PeerJ, 2022, 10. DOI:10.7717/peerj.12853
[45] 邢鹏飞, 高圣超, 马鸣超, 等. 有机肥替代部分无机肥对华北农田土壤理化特性、酶活性及作物产量的影响[J]. 中国土壤与肥料, 2016(3): 98-104.
Xing P F, Gao S C, Ma M C, et al. Impact of organic manure supplement chemical fertilizer partially on soil nutrition, enzyme activity and crop yield in the North China plain[J]. Soil and Fertilizer Sciences in China, 2016(3): 98-104.
[46] 沈冰涛, 张孝倩, 陈红, 等. 有机肥替代化肥对小麦产量及土壤养分和酶活性的影响[J]. 长江大学学报(自然科学版), 2019, 16(5): 46-52.
Shen B T, Zhang X Q, Chen H, et al. Effect of substituting organic fertilizer for chemical fertilizer on wheat yield and soil nutrient and enzyme activity[J]. Journal of Yangtze University (Natural Science Edition), 2019, 16(5): 46-52.
[47] Kavita, Devraj, Hooda V S, et al. Humic substances and available nutrients influenced by tillage and weed management practices[J]. Indian Journal of Agricultural Sciences, 2021, 91(10): 1452-1456.
[48] Khokhar A, Bhat M A, Singh M, et al. Soil properties, nutrient availability vis-à-vis uptake and productivity of rainfed maize-wheat system in response to long-term tillage and N management in Northwest India[J]. Communications in Soil Science and Plant Analysis, 2022, 53(22): 2935-2954.
[49] Sarno, Lumbanraja J, Afandi, et al. Effect of weed management in coffee plantation on soil chemical properties[J]. Nutrient Cycling in Agroecosystems, 2004, 69(1): 1-4.
[50] Martins B H, Araujo-junior C F, Miyazawa M, et al. Soil organic matter quality and weed diversity in coffee plantation area submitted to weed control and cover crops management[J]. Soil and Tillage Research, 2015, 153: 169-174.