2024, Vol. 45
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 350003;
4. 福建农林大学乡村振兴学院, 福州 350002
, WU Ting1,2
, YAO Yuan1,2 , LI Zhi-qiang1,2 , SHEN Jin-quan3 , WENG Huai-kai4 , ZHANG Li-ming1,2 , XING Shi-he1,2
2. University Key Laboratory of Soil Ecosystem Health and Regulation in Fujian, Fuzhou 350002, China;
3. Fujian Farmland Construction and Soil Fertilizer Technology Station, Fuzhou 350003, China;
4. College of Rural Revitalization, Fujian Agriculture and Forestry University, Fuzhou 350002, China
土壤有机碳的动态变化及其影响因子研究对于耕地质量保护以及中国“双碳”战略目标的实现具有重要意义. 土壤有机碳是评估耕地质量的重要指标, 其动态平衡对于确保农业粮食安全具有重要作用[1, 2]. 此外, 我国耕地土壤系统具有较大的固碳潜力与容量, 耕地土壤固碳是我国二氧化碳减排压力下碳汇的最重要去向[3, 4]. 土壤有机碳的动态变化及其影响因子研究能够为耕地质量保护与农业减排固碳措施的制定提供决策支持.
气候变化与作物生长是耕地土壤有机碳动态的重要影响因子. 有研究表明, 气候变化与植被生长对土壤有机碳动态变化的贡献率超过80%[5]. 气候变化会通过影响作物的光合作用与土壤微生物的呼吸作用而对耕地土壤有机碳的固定产生影响. 有研究表明, 气候变化背景下耕地土壤有机碳发生了显著变化, 但变化方向与变化程度因温室气体的排放量、气候模型以及地理位置等的不同而具有差异[6~8]. 作物生长状况决定收获后地表与根系残留物以及根系分泌物的量, 从而影响土壤有机碳的输入与分解速率, 因此与土壤有机碳动态变化密切相关[9, 10]. 作物物候是指作物受气候和其它环境因子的影响出现的以年为周期的自然现象, 包括发芽、展叶、开花与落叶等, 不仅能反映作物对环境变化的适应性, 还能够反映作物的生长状况[11~13]. 许多学者通过研究作物物候对产量或初级生产力的影响间接证明了作物物候变化与土壤有机碳积累的密切关系[8, 14, 15]. 此外, 植被物候是植被响应气候变化的最显著指标, 在气候变化对土壤有机碳的影响中扮演着重要角色. Tao等[15]发现气候变化下西藏高原草场碳固定增加的主要原因是植被生长季延长导致的碳输入增加. Shao等[16]认为气候变化背景下植被物候的响应对生态系统碳通量的影响甚至可能会大于气候变化的直接影响. 因此, 量化气候变化下作物物候响应对耕地土壤有机碳动态的贡献率不仅能够明确气候变化下作物生长状况对耕地土壤有机碳的影响, 也能够为进一步理解全球气候变化对生态系统碳循环的影响提供理论基础. 以往相关研究主要关注气候变化下耕地土壤有机碳的变化, 或者气候变化下作物物候响应对耕地生态系统碳固定的影响[16~19], 较少研究关注气候变化与作物物候响应协同影响下的耕地土壤有机碳变化, 以及量化二者对耕地土壤有机碳动态变化的贡献率.
基于此, 本研究以福建省耕地为研究对象, 利用基于随机森林算法的数字土壤有机碳制图方法, 通过对气候、作物物候与土壤有机碳栅格数据的一系列代数运算, 实现以下3个目的：①明确气候变化与作物物候响应协同影响下福建省耕地土壤有机碳在2008~2021年间的变化量及其空间分布；②分别量化气候变化与作物物候响应对福建省耕地土壤有机碳变化的贡献率；③分析福建省耕地土壤有机碳动态变化优势影响因子的空间分布. 本研究结果旨在为应对未来气候变化的耕地质量管理提供决策支持.
1 材料与方法 1.1 研究区概况福建省位于中国东南部（23°30′~28°20′N, 115°50′~120°40′E, 图 1）, 属于亚热带海洋性季风气候区, 湿热同季、雨热充足, 年平均气温在13.0~22.5 ℃之间, 年平均降水量在1 000~2 100 mm间. 全省耕地区域由2008年与2021年土地利用类型相同的区域相交所得, 以去除土地利用类型的变化对耕地土壤有机碳变化的影响. 全省耕地面积有9 319.93 km2, 占全省陆地面积的7.60%. 耕地区域中, 高程超过500 m的山地区域、200~500 m的丘陵区域以及小于200 m的平原区的面积占比分别为27.88%、42.31%和29.81%. 全省耕地的土壤类型包含水稻土、滨海盐土、潮土、石灰土、紫色土、红壤、赤红壤、风砂土和黄壤, 其中水稻土面积最大, 约占全省耕地土壤总面积的90%. 全省粮食作物主要有水稻、甘薯、马铃薯、大豆和杂粮, 其中水稻和甘薯为主要粮食作物, 分别占全省粮食作物的70%和19%.
|
图 1 研究区示意 Fig. 1 Study area |
2008年的19 166个耕地土壤表层样点、2021年2 744个耕地土壤表层样点（图 2）以及1∶5万土地利用类型数据均来源于福建省农业农村厅耕地地力调查与评价项目, 由福建省农田建设与土壤肥料技术总站提供. 福建省土种数据来源于全国第二次土壤普查. 2008~2021年间福建省70个气象站点逐月气象观测数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/Default.aspx）. 2007~2022年间250 m分辨率的MODIS增强植被指数（moderate-resolution imaging spectroradiometer-enhanced vegetation index, MODIS-EVI）数据集由美国国家航空航天局（national aeronautic and space administration, NASA）免费提供（https://modis.gsfc.nasa.gov/）. 30 m分辨率的ASTER GDEM V2数据由日本METI和美国NASA联合研制与发布, 通过地理空间数据云平台免费下载（http://www.gscloud.cn/）.
|
图 2 耕地土壤表层样点空间分布 Fig. 2 Spatial distribution of topsoil samples |
基于SCORPAN制图框架, 本研究选择土壤、地形、植被和气候这4大类成土因子构建土壤有机碳预测模型, 其中, 土壤由土种数据表征. 基于30 m分辨率的数字高程模型（digital elevation model, DEM）提取地形因子, 为减少地形因子的冗余, 本研究基于随机森林回归模型, 利用递归变量消除法对地形因子进行筛选, 最终确定参与模型构建的地形因子为高程、坡向、坡度、平面曲率、剖面曲率、地形粗糙度指数和地形湿度指数. 植被生长季的开始日期、结束日期与生长季长度是植被物候变化的主要监测对象, 因此, 本研究选择此3个物候参数表征植被生长动态. 气候变化对作物物候的影响具有明显的滞后效应, 滞后时效一般在2~3个月. 而福建省作物的第一个生长季普遍在4~8月之间, 因此, 本研究选择每年1~3月的平均气温与累积降水量表征影响作物生长季开始日期、结束日期和长度的季前气候因子, 选择每年6~8月的平均气温与累积降水量表征影响作物生长季结束日期与长度的季中气候因子. 此外, 由于土壤有机碳、土壤酶和土壤微生物的活性具有季节性差异（通常夏季最高）[20~22], 土壤有机碳的积累与分解速率对气候变暖的直接响应可能也存在季节差异. 鉴于此, 本研究中影响土壤有机碳动态的气候因子同样分季前与季中两类. 气候因子数据是基于30 m分辨率的DEM和70个气象站点观测数据, 利用AUSPLINE软件插值生成. 最终参与土壤有机碳预测模型构建的变量如表 1所示, 所有变量数据的栅格分辨率均重采样为250 m.
|
表 1 土壤有机碳预测模型中的变量 Table 1 Variables in the predictive models of soil organic carbon |
1.4 作物物候参数的提取
基于MODIS增强植被指数（MODIS-EVI）时间序列, 在像元尺度上构建EVI时间序列曲线（图 3中蓝色曲线）. 由于云污染和噪声的影响, 原始EVI时间序列曲线通常会有异常波动, 从而导致作物生长信息的误报, 进而影响所提取作物物候参数的可靠性. 本研究利用自适应savitzky-golay（S-G）滤波法去除噪声, 获取较为平滑的EVI时间序列拟合曲线（图 3橘色曲线）.
|
图 3 EVI时间序列曲线 Fig. 3 Curves of EVI time series |
基于EVI时间序列拟合曲线, 利用动态阈值法可提取植被的物候参数. 该方法认为, 当EVI增长到当季振幅的m%时（图 3中a点）, 生长季开始, 此时对应的日期被定义为生长季开始日期；当EVI降低到当季振幅的n%时（图 3中b点）, 生长季结束, 此时对应的日期被定义为生长季结束日期；生长季开始到结束的时间长度为生长季长度. 参考相关文献资料与福建省作物生长周期的调查资料, 经反复试验, 本研究将m和n分别设置为20和30.
1.5 气候变化下的作物物候变化趋势本研究参考高江波等[19]与Guo等[23]的研究方案计算气候变化下作物物候的变化趋势.
（1）计算气候因子与作物物候参数的实际变化趋势
|
(1) |
|
(2) |
|
(3) |
式中, int为各回归方程的截距, Cli_i和Phe_j分别为气候因子i和作物物候参数j的时间序列, Year为年份, Trendcli_i和Trendphe_j分别为气候因子i与作物物候参数j的实际变化趋势.本研究将物候参数j的实际变化趋势拆分为气候变化影响下物候参数j的变化趋势（Trendphe_j_cli）和作物品种改变等农业管理措施调整影响下物候参数j的变化趋势（Trendphe_j_ε）.
（2）基于一阶差分构建气候与作物物候的响应关系式 一阶差分ΔY是指两个连续年份（t+1年与t年）变量的差值[公式（4）]. 基于差分时间序列构建作物物候参数相对于气候因子的线性回归方程[公式（5）].
|
(4) |
|
(5) |
式中, ΔPhe_j和Δcli_i分别为作物物候参数j和气候因子i的一阶差分时间序列, Sphe_j_cli_i为物候参数j对气候因子i变化的敏感性, int为回归方程的截距.
（3）计算气候变化影响下的作物物候变化趋势
|
(6) |
|
(7) |
式中, Trendphe_j_cli为气候变化影响下的作物物候参数j的变化趋势, Trendphe_j_ε为作物品种改变等农业管理措施调整下作物物候参数j的变化趋势, Trendcli_i与Trendphe_j分别为气候因子i与物候参数j的实际变化趋势, Sphe_j_cli_i为物候参数j对气候因子i变化的敏感性.
1.6 气候变化与作物物候响应对土壤有机碳变化的贡献率参考Li等[5]与He等[24]的研究方案计算季前气候、季中气候、气候变化下物候响应和品种改变等农业管理措施调整导致的物候变化这4类动态变量对土壤有机碳变化的贡献率.
（1）基于随机森林算法构建土壤有机碳的预测模型 将2008年与2021年样点分别按照3∶7的比例随机分解为验证样点集与训练样点集；基于两个训练样点集的合集, 利用随机森林算法构建福建省耕地土壤有机碳的预测模型；基于两个验证样点集的合集计算该预测模型的决定系数（R2）与均方根误差（root mean square error, RMSE）, 评估预测模型的精度. 建模与精度验证过程中, 2008年样点的土壤有机碳对应2008年的气候因子与作物物候参数, 2021年样点的土壤有机碳对应2021年的气候因子与作物物候参数.
（2）2008~2021年耕地土壤有机碳的总变化 基于2008年的气候因子与作物物候参数, 利用随机森林模型预测2008年福建省耕地土壤有机碳（SOC2008）；基于2021年的气候因子与2021年的作物物候参数, 利用随机森林模型预测2021年福建省耕地土壤有机碳（SOC2021）. 土壤有机碳预测中动态变量仅考虑了气候因子与物候参数, 因此, 两个年份间土壤有机碳的总变化量（Δtotal）是由季前气候变化（Δcli-pre）、季中气候变化（Δcli-mid）、气候变化下物候响应（Δcli-phe）和品种改变等农业管理措施调整所导致的物候变化（Δε-phe）共同引起的.
|
(8) |
|
(9) |
（3）气候变化而作物物候不变情况下土壤有机碳的变化 基于2021年的季前气候因子、2008年的季中气候因子和2008年的物候参数, 利用随机森林模型预测季前气候变化下的土壤有机碳（SOCΔcli_pre）；基于2021年的季中气候因子、2008年的季前气候因子和2008年的物候参数, 利用随机森林模型预测季中气候变化下的土壤有机碳（SOCΔcli_mid）. 季前气候变化引起的土壤有机碳变化量（Δcli_pre）和季中气候变化引起的土壤有机碳变化量（Δcli_mid）则可以由下列公式计算：
|
(10) |
|
(11) |
（4）气候变化与气候变化下物候响应引起的土壤有机碳变化 首先计算气候变化影响下2021年物候参数的取值：
|
(12) |
式中, phej_cli_2021为气候变化影响下2021年物候参数j的取值, phej_2008为物候参数j于2008年的取值, Trendphe_j_cli为2008~2021年间气候变化影响下物候参数j的变化趋势.
然后基于2021年的季前与季中气候因子以及气候变化影响下2021年物候参数的取值, 利用随机森林模型预测土壤有机碳（SOCΔcli+cli_phe）, 则气候变化与气候变化下作物物候响应共同导致的土壤有机碳变化量（Δcli+cli-phe）可由下列公式计算所得：
|
(13) |
气候变化下物候响应导致的土壤有机碳变化量（Δcli-phe）为：
|
(14) |
品种改变等农业管理措施调整导致的物候变化引起的土壤有机碳变化量（Δε-phe）为：
|
(15) |
（5）各类因子对耕地土壤有机碳变化的贡献率
|
(16) |
|
(17) |
|
(18) |
|
(19) |
式中, Concli_pre、Concli_mid、Concli_phe和Conε_phe分别为季前气候因子、季中气候因子、气候变化下物候响应和品种改变等农业措施调整下物候变化对耕地土壤有机碳变化的贡献率. Δcli-pre、Δcli-mid、Δcli-phe和Δε-phe的含义同上所述.
若某一个栅格单元内某类因子的贡献率超过60%, 则该因子为此栅格单元内影响土壤有机碳变化的优势因子；当某一个栅格单元内所有因子的贡献率都不超过60%, 则该栅格单元内影响土壤有机碳变化的优势因子由贡献率最大的两个因子共同组成.
2 结果与分析 2.1 基于样点的耕地土壤有机碳统计特征基于2008年样点集、2021年样点集、2008年和2021年总样点集、2008年和2021年总训练样点集以及2008年和2021年总验证样点集计算土壤有机碳的统计特征值, 结果如表 2所示. 可以看出, 总训练样点集、总验证样点集与总样点集的统计特征值相似, 这说明总训练样点集、总验证样点集与总样点集具有相似的统计分布特征. 2021年样点的土壤有机碳与2008年相比, 取值范围略微缩小, 平均值明显减小, 变异系数明显增加. 因此, 从样点统计来看, 2008~2021年间, 土壤有机碳整体呈减小态势, 土壤有机碳的空间差异呈增加态势.
|
|
表 2 基于样点的土壤有机碳描述性统计特征 Table 2 Descriptive statistical characteristics of soil organic carbon content at sampling sites |
2.2 土壤有机碳预测模型精度
基于2008年和2021年的验证样点集, 计算土壤有机碳预测值与观测值间的均方根误差（RMSE）和决定系数（R2）, 计算结果如表 3所示, 散点图如图 4所示. 基于2008年验证样点集、2021年验证样点集和2 a总验证样点集的R2分别为0.44、0.27和0.42. 基于2021年验证样点的R2相对较低, 这可能是因为2021年的训练样点数量远小于2008年（前者13 416个, 后者1 921个）, 从而导致预测模型对2021年土壤有机碳及其影响因子间作用关系的代表性较差.
|
|
表 3 土壤有机碳预测模型的精度 Table 3 Accuracy of soil organic carbon predictive model |
|
（a）总训练样点集；（b）总验证样点集；（c）2008年验证样点；（d）2021年验证样点集 图 4 基于不同样点集合土壤有机碳观测值和预测值的散点图 Fig. 4 Scatter plots of observed and predicted soil organic carbon values based on different samples |
基于气象站点的观测数据计算2008~2021年各站点的气候变化趋势, 统计各气候因子呈增加或减少趋势的站点数量与平均速度（表 4）. 可以看出, 70个站点的季前平均温均呈增加趋势, 超过88%的站点季中平均温也呈增加趋势, 但增加速度明显小于季前平均温. 如图 5, 以北纬26°50'为界, 以北地区站点的季前累计降水主要呈减少趋势, 而季中累计降水则主要呈增加趋势；以南地区站点的季前累计降水主要呈增加趋势, 而季中累计降水则主要呈减少趋势. 季前累计降水增加与减少的平均速度均小于季中累计降水.
|
|
表 4 基于气象站点的气候因子变化情况统计1） Table 4 Statistics of changes in climate factors at meteorological stations |
|
图（c）和图（d）内蓝线为北纬26°50′度线 图 5 2008~2021年福建省各气象站点气候因子的变化趋势 Fig. 5 Change trends of climate factors at each meteorological station in Fujian Province from 2008 to 2021 |
逐像元计算2008~2021年间福建省耕地区域各气候因子的变化趋势, 并利用Mann-Kendall检验法检验趋势的显著性, 结果如图 6和图 7所示. 如图 6所示, 2008~2021年福建省整个耕地区域的季前和季中平均温度均呈增加趋势, 平均增加速度分别为0.17 ℃·a-1和0.04 ℃·a-1. 季前平均温度增加速度在全区域上均大于季中平均温度. 在0.05置信水平上（|Z| > 1.96）, 51.23%区域的季前平均温度呈显著增加趋势, 且变化速度在0.14~0.22 ℃·a-1之间；仅有22.18%区域的季中平均气温呈显著增加趋势, 且变化速度在0.04~0.09 ℃·a-1之间.
|
图 6 2008~2021年福建省季前和季中平均温度变化趋势及其显著性检验结果 Fig. 6 Change trends of pre-season and mid-season mean temperature and their significance test results in Fujian Province from 2008 to 2021 |
|
图（a）和图（b）内蓝线为北纬26°50′度线 图 7 2008~2021年福建省季前和季中累积降水变化趋势及其显著性检验结果 Fig. 7 Change trends of pre-season and mid-season cumulative precipitation and their significance test results in Fujian Province from 2008 to 2021 |
如图 7, 2008~2021年福建省耕地区域季前降水在0.05置信水平上均呈不显著变化趋势, 其中, 北纬26°50'以北地区主要呈不显著减少趋势, 平均减少速度为2.37 mm·a-1；以南地区则呈不显著增加趋势, 平均增加速度为2.96 mm·a-1. 仅有1.54%区域的季中降水在0.05置信水平上呈显著减少趋势, 其余区域变化趋势均不显著. 与季前降水相反, 北纬26°50'以北大部分区域的季中降水呈不显著增加趋势, 平均增加速度为7.25 mm·a-1, 而北纬26°50'以南大部分区域呈不显著减少趋势, 平均减少速度为7.98 mm·a-1. 季前降水的平均增加与减少速度整体上均小于季中降水.
2.4 福建省耕地土壤有机碳的空间分布本研究基于2008年的气候因子与物候参数预测2008年福建省耕地土壤有机碳[SOC2008, 图 8（a）], 基于2021年的气候因子与物候参数预测2021年福建省耕地土壤有机碳[SOC2021, 图 8（b）], 基于2021年的气候因子以及气候变化影响下物候的变化趋势预测气候变化与物候响应协同影响下的耕地土壤有机碳[SOCΔcli+cli_phe, 图 8（c）]. 3种情景下, 福建省耕地土壤有机碳在空间上均表现为从东南沿海向西北内陆逐渐增加的态势, 这与车燕等[25]研究的结果一致. 福建省耕地土壤有机碳的这种空间分布态势主要与气候的地域性差异有关. 福建省东南沿海的气温较高而降水较少, 因此该地区土壤微生物的活性较高, 呼吸作用较强, 土壤有机碳矿化速率较高, 进而导致该地区耕地土壤有机碳相对较少.
|
（a）SOC2008为基于2008年气候因子与物候参数预测的土壤有机碳；（b）SOC2021为基于2021年气候因子与物候参数预测的土壤有机碳；（c）SOCΔcli+cli-phe为基于2021年气候因子以及气候变化下物候的变化趋势预测的土壤有机碳 图 8 3种情景下耕地土壤有机碳预测值的空间分布 Fig. 8 Spatial distribution of predicted soil organic carbon under three scenarios |
基于2008年与2021年福建省耕地土壤有机碳的预测值, 逐像元计算2008~2021年间福建省耕地土壤有机碳的总变化量[Δtotal, 图 9（a）]. 基于2008年耕地土壤有机碳预测值以及气候变化与物候响应协同影响下的土壤有机碳预测值, 逐像元计算气候变化与物候响应协同影响下的耕地土壤有机碳变化量[Δcli+cli_phe, 图 9（b）].
|
Δtotal为2008~2021年土壤有机碳总变化量；Δcli+cli-phe为气候变化与物候响应协同影响下的土壤有机碳变化量 图 9 土壤有机碳变化量空间分布 Fig. 9 Spatial distribution of soil organic carbon changes |
就土壤有机碳的总变化量（Δtotal）而言, 2008~2021年, 福建省74.80%的耕地区域土壤有机碳呈减少态势, 减少区域土壤有机碳的平均变化量为2.27 g·kg-1, 减少量在0~4.79 g·kg-1间的区域占全省耕地面积的68.57%. 增加区域土壤有机碳的平均变化量为1.46 g·kg-1, 增加量在0.01~3.74 g·kg-1间的区域占全省耕地面积的23.29%. 增加量较大（大于3.75 g·kg-1）的区域主要分布在宁德西南边界处, 平均海拔为761.72 m, 减少量较大（大于4.8 g·kg-1）的区域主要分布在南平市中部偏西处, 平均海拔为317.37 m.
气候变化与物候响应协同影响下土壤有机碳（Δcli+cli_phe）呈减少态势的区域占比为74.15%, 减少区域土壤有机碳的平均变化量为2.20 g·kg-1, 减少量在0~4.79 g·kg-1的区域占全省耕地面积的68.46%. 呈增加态势的区域占比为25.85%, 增加区域土壤有机碳的变化量主要在平均变化量为1.48 g·kg-1, 增加量在0.01~3.74 g·kg-1间的区域占全省耕地面积的23.92%. 增加量较大（大于3.75 g·kg-1）的区域主要分布在闽东北海拔较高的区域, 平均海拔为766.95 m, 减少量较大（大于4.8 g·kg-1）的区域主要分布在闽西北和闽东北海拔相对较低的区域, 平均海拔为289.06 m.
土壤有机碳总变化量和气候变化与物候响应协同影响下土壤有机碳变化量间的差异是由品种改变等农业措施调整下物候变化引起的. 通过计算可知, 分别有32.33%和36.64%的耕地区域通过农业措施调整下物候的变化减弱和加剧了气候变化与物候响应协同影响下土壤有机碳的流失, 分别有10.16%和9.85%的耕地区域通过农业措施调整下物候的变化减弱和增强了气候变化及气候变化下物候响应影响下土壤有机碳的增加态势, 其余耕地区域的农业措施调整下物候的变化改变了气候变化与物候响应协同影响下土壤有机碳的变化态势. 这说明, 品种改变等农业措施调整下物候的变化能够减弱、增强甚至改变气候变化与物候响应对土壤有机碳的综合影响作用.
2.6 不同因子对土壤有机碳变化的贡献率计算季前气候[图 10（a）]、季中气候[图 10（b）]、气候变化下物候响应[图 10（c）]和品种改变等农业措施调整下物候变化[图 10（d）]对2008~2021年福建省耕地土壤有机碳变化的贡献率. 由结果可知, 季前气候、气候变化下物候响应、季中气候和品种改变等农业管理措施调整下物候变化这4类动态因子对土壤有机碳变化的平均贡献率依次为34.08%、28.56%、22.75%和14.61%. 整个耕地区域中, 4类动态因子的贡献率均以小于60%为主, 其中季前气候贡献率大于60%的区域面积最大, 占比13.88%, 品种改变等农业管理措施调整下物候变化的贡献率小于25%的区域面积最大, 占比80.79%.
|
（a）Concli-pre为季前气候的贡献率；（b）Concli-mid为季中气候的贡献率；（c）Concli-phe为气候变化下物候响应的贡献率；（d）Conε-phe为品种改变等农业措施调整下物候变化的贡献率 图 10 各驱动因子对土壤有机碳变化的贡献率 Fig. 10 Contribution rates of each driving factor to soil organic carbon change |
从分布的海拔来看, 季前气候因子贡献率大于60%的区域平均海拔高于贡献率小于25%的区域, 其中, 后者集中分布在海拔相对较低的闽东南沿海地区. 季中气候因子贡献率大于60%的区域平均海拔低于贡献率小于25%的区域, 且前者集中分布于海拔相对较低的闽南漳州市. 气候变化下物候响应贡献率大于60%的区域平均海拔小于贡献率小于25%的区域. 品种改变等农业措施调整下物候变化的贡献率小于25%的区域平均海拔低于贡献率大于60%的区域. 这表明, 季前气候因子与品种改变等农业措施调整下物候变化对土壤有机碳动态贡献率较高的区域倾向于分布在高海拔地区, 而季中气候因子与气候变化下物候响应对土壤有机碳动态贡献率较高的区域则倾向于分布在低海拔地区.
2.7 影响土壤有机碳变化的优势因子及其空间分布基于像元判定福建省土壤有机碳变化的优势影响因子, 全省耕地被划分为季前气候、季中气候、气候变化下物候响应和品种改变等农业措施调整下物候变化单独为优势影响因子的4类区域, 以及上述因子两两共同为优势影响因子的4类区域（图 11）. 统计上述各类区域的面积占比、平均高程和平均土壤有机碳变化量（表 5）. 可以看出, 由气候变化与气候变化下物候响应共同为优势影响因子的区域面积最大, 占全省耕地面积的47.06%. 气候变化为优势影响因子的区域, 包括季前与季中单独为优势影响因子和两类气候因子共同为优势影响因子的区域面积占比为28.64%. 气候变化下物候响应以及品种改变等农业管理措施调整下物候变化单独为优势影响因子的区域非常少, 面积占比分别为3.61%和1.47%.
|
ε-phe为品种改变等农业措施调整下物候变化单独为优势影响因子的区域；cli-pre为季前气候单独为优势影响因子的区域；cli-mid为季中气候单独为优势影响因子的区域；cli-phe为气候变化下物候响应单独为优势影响因子的区域；cli是季前或季中气候单独为优势影响因子或者共同为优势影响因子的区域；cli+ε-phe为季前（或季中）气候与品种改变等农业措施调整下作物物候变化共同为优势影响因子的区域；cli+cli-phe为季前（或季中）气候与气候变化下物候响应共同为优势影响因子的区域；cli-phe+ε-phe为气候变化下物候响应与品种改变等农业措施调整下物候变化共同为优势影响因子的区域；cli-pre+cli-mid为季前气候与季中气候共同为优势影响因子的区域 图 11 影响土壤有机碳变化的优势因子空间分布 Fig. 11 Spatial distribution of dominant factors affecting soil organic carbon change |
|
|
表 5 各类优势影响因子区域的平均海拔及平均有机碳变化量1） Table 5 Average elevation and the average organic carbon change in regions with different dominant influencing factors |
品种改变等农业管理措施调整下物候变化、季前气候变化、气候变化下物候响应和季中气候变化为优势影响因子的区域平均高程依次降低, 这说明农业措施调整与季前气候变化在较高海拔地区对土壤有机碳的贡献率较大, 气候变化下物候响应与季中气候变化在较低海拔地区对土壤有机碳的贡献率较大.
季前气候为优势影响因子的区域土壤有机碳平均变化量大于季中气候, 气候为优势影响因子的区域, 包括季前与季中单独为优势影响因子以及二者共同为优势影响因子的区域土壤有机碳平均变化量都大于气候变化下物候响应为优势影响因子的区域. 可见, 季前气候对土壤有机碳变化的影响大于季中气候, 气候对土壤有机碳变化的影响大于气候变化下作物物候的响应.
3 讨论本研究中预测模型的R2为0.42, 略小于0.5, 这在数字土壤制图领域中为常见现象. 以往也有学者基于气候因子、物候参数和机器学习算法开展了数字土壤有机碳制图的相关研究. Yang等[26]基于90 m分辨率的自然变量与110个物候参数数据, 利用随机森林算法和人工神经网络预测安徽省耕地土壤有机碳, 得到的R2均小于0.3. 本研究的R2优于该研究可能是因为笔者考虑的是季前和季中气候因子而非年平均气候因子. 气候变化对植被生长的影响具有明显的滞后效应[27], 作物的生长以及土壤有机碳的变化也因此可能对作物生长季前的气候（生长季开始前和生长季结束前的气候）变化更加敏感. 此外, Yang等[26]的研究用到了110个物候参数数据, 高维变量会影响信息的清晰度, 增加模型的复杂度, 进而影响模型的预测精度[28]. Yang等[29]还基于11个物候参数数据, 利用随机森林算法预测了安徽省宣州市和郎溪县的耕地土壤有机碳, 得到的R2为0.48, 此研究的R2略优于本研究可能是因为他们的研究区面积远小于本研究以及其数据分辨率远高于本研究.
2008~2021年福建省耕地区域气候变化整体呈暖干化趋势, 且具有明显的季节性和区域性差异. 在本研究时段内, 福建省耕地区域气温整体呈持续上升态势, 而降水整体呈不显著变化态势. 高弋斌等[30]与左慧婷等[31]的研究结果与此相似, 且都表明了福建省暖干化的气候变化趋势. 福建省耕地区域季前（冬末春初）气温平均增加了2.21℃, 远大于全省季中（夏季）气温的平均增加量0.52℃. 据《2022年福建省气候公报》显示, 2008~2021年福建省全年平均气温上升1.5~2℃. 由此可知, 2008~2021年, 福建省冬末春初气温的增加幅度大于福建省全年平均气温的变化, 而夏季气温的增加幅度则小于福建省全年平均气温的变化. 整体上, 福建省气候变化呈现显著的暖冬趋势, 这与唐宝琪等[32]的研究结果一致. 此外, 福建省季前（冬春季）降水的不显著变化态势整体小于季中（夏季）降水. 这是因为福建省夏季降水量的多少取决于台风有无和影响程度. 有台风影响的年份, 雨区广, 雨量大；而无台风影响年, 沿海地区持续晴旱, 旱情较为严重, 而内陆地区因有热雷雨调剂, 旱情一般不甚明显[33, 34].
在气候变化与物候响应的协同影响下, 2008~2021年福建省74.15%的耕地区域土壤有机碳呈减少态势, 这与区域气候整体趋向于暖干有关. 气候变暖会导致土壤有机碳减少已达成普遍共识[35~38], 这是因为温度升高会提高土壤微生物活性及生物量[39~41], 从而加速土壤有机碳的矿化, 而温度升高伴随的干旱问题会通过影响凋落物的碳输入与凋落物的分解导致土壤有机碳的进一步减少. 本研究中福建省仍有25.85%的耕地区域土壤有机碳在气候变化与作物物候响应协同影响下呈增加态势. 这可能是因为气温上升以及气温上升导致的如作物生长季开始日期提前和生长季长度增加等变化促进了作物的生长, 从而提高了植物体对土壤碳的输入, 抵消并补偿了因土壤呼吸作用增强而导致的碳损失. 也有研究表明了农田土壤在气候变暖背景下的“碳汇”效应[8, 25, 42~44]. 气候变化背景下, 土壤有机碳是增加还是减少是由初级生产力提高导致的土壤碳输入增加与土壤呼吸作用增强导致的土壤碳分解加快之间的平衡所决定. 因此, 尽管气候变暖导致土壤有机碳下降已成为共识, 由于自然环境、本底属性和作物类型等的差异, 不同区域的土壤有机碳对气候变化的响应并不一样[45~48]. 这就进一步强调了气候变化、作物生长与土壤有机碳间作用关系的复杂性和不同地区相关研究的必要性. 本次研究可为进一步理解气候变化下福建省耕地土壤有机碳的碳平衡过程提供理论依据.
气候变化与作物物候响应的综合影响下, 福建省耕地土壤有机碳变化较大的区域主要分布在闽北较高纬度地区. 这主要与闽北地区低温多雨的气候条件有关. 有研究表明, 在湿度较大的地区, 土壤微生物的呼吸作用与作物生长过程不受土壤水分限制, 对温度变化更为敏感[40, 49]. 本研究中土壤有机碳减少较大的区域主要分布在南平市中部偏西地区. 该地区气温升高幅度最大, 土壤呼吸作用增强态势明显. 同时该地区土壤有机碳的初始含量最高, 碳饱和亏缺较小, 土壤固碳潜力相对较低[50], 因此在气候变化背景下该地区土壤有机碳呈较快的减少态势. 土壤有机碳增加较大的区域主要分布在宁德市西南边界处. 该地区气温上升幅度较小, 土壤微生物呼吸速率的增强态势较小. 此外, 该地区土壤有机碳初始含量最低, 土壤碳饱和亏缺最大, 土壤固碳潜力大[50], 加上该地区生长季长度延长趋势最明显, 作物光合作用延长导致的土壤碳输入增加较多[15, 51, 52], 因而该地区土壤有机碳呈较快的增加态势. 车燕等基于DNDC过程模型的研究认为, 福建省西北内陆各地市稻田土壤的固碳速率受温度的影响大于东南沿海, 原因也归结于低温与高湿背景下土壤呼吸速率对温度的变化更为敏感[25].
从因子的平均贡献率以及优势因子影响的区域土壤有机碳平均变化量来看, 气候变化对福建省耕地土壤有机碳动态变化的直接影响整体大于气候变化下作物物候的响应. 这可能是因为在亚热带地区, 与耕地表层土壤有机碳固定与分解相关的生物化学过程是高度依赖于土壤温度与水分条件的, 因此土壤有机碳会更快速地响应气候的微小变化[35, 53]. 尽管如此, 本研究发现, 气候变化与作物物候响应对福建省耕地土壤有机碳动态变化的平均贡献率之和为85.39%, 气候变化与作物物候响应共同为优势影响因子的区域面积占比为47.06%. 这表明作物生长状况在气候变化对福建省耕地土壤有机碳变化的影响中发挥着重要作用. 许多研究也同样强调了气候变化下植被生长的响应在生态系统碳固定变化中发挥的重要作用. 例如, Li等[5]在气候、植被生长和环境因子对森林生态系统土壤有机碳动态的影响研究中发现, 气候变化与气候变化下植被的生长状况（以树冠表征）对植被根系所在的1 m土层土壤有机碳动态的贡献率为82.05%；Tao等[15]的研究发现, 气候变化下西藏高原草场碳固定的增加主要是由于植被生长季延长所导致的碳输入增加；Shao等[16]的研究表明, 气候变化下生态系统碳通量的年际变化主要由植被生长及其对气候变化的响应所决定, 生态系统碳循环对气候变化的延迟反应也是由植被生长对气候变化响应的时间滞后效应引起的；Guo等[54]根据中国珠江流域与长江流域农业气象站点的观测数据发现, 水稻物候在水稻产量的变化中发挥着比气候变化更重要的作用.
品种改变等农业措施调整下物候的变化、季前气候、气候变化下作物物候响应和季中气候对福建省耕地土壤有机碳动态的贡献率较大的区域呈现明显的“阶梯式”分布. 品种改变等农业措施调整下物候的变化对高海拔地区耕地土壤有机碳动态的贡献率较大, 这是因为在福建省低温多雨的高海拔地区, 农业生产通常需要通过早插秧抢积温与更换品种延长作物生长等方式干涉作物物候, 以提高作物产量. 如, 福建省西北高海拔地区的南平市通过改种再生稻延长了水稻的生长周期, 实现了“吨粮田”[55]. 在福建省西北高海拔地区, 季前气候对耕地土壤有机碳动态的贡献率整体上大于季中气候, 而在东南低海拔地区则相反. 这一方面是因为在西北高海拔地区, 水分充足但温度较低, 土壤有机碳对升温的敏感性较大[56~59], 而福建省季前气温变化整体大于季中, 因此, 在西北高海拔地区季前气候对耕地土壤有机碳动态的贡献率较大. 另一方面, 东南低海拔地区温度较高, 受台风影响气象干旱特别是夏季干旱在这里时常发生, 因此水分是土壤呼吸与作物生长的主要限制因子[32, 60], 而福建省受台风影响季中（夏季）降水变化波动整体大于季前（冬末春初）, 因此东南低海拔地区季中气候对耕地土壤有机碳动态的贡献率较大. 气候变化下物候响应倾向于分布在低海拔地区, 这主要是由于低海拔区域温度较高, 能够更快满足作物发芽所需的积温, 因而在变暖趋势下, 作物生长季开始日期更为提前, 生长季长度延长时间更多, 这意味着在低海拔区域气候变化下作物物候的响应对土壤有机碳变化的影响更为显著[13, 61, 62].
合理的农业措施调整能够减弱甚至改变气候变化对耕地土壤有机碳的不利影响. 例如, 提前播种和更换生长期更长的作物品种可以抵消气候变暖下生育期缩短对作物产量的影响, 进而抵消气候变化对耕地土壤有机碳的不利影响[63, 64]. 不科学的农业措施调整却会加剧气候变化及物候响应对耕地土壤有机碳的不利影响, 甚至可能会减弱或改变气候变化及物候响应对耕地土壤有机碳的正面影响. 例如, 中国南方晚稻若采用早熟品种则可能会使水稻在开花与抽穗期面临极端高温的协迫以及增加水稻灌浆期遭遇干旱的风险, 从而加剧气候变化对耕地土壤有机碳的不利影响[65]. 因此, 如何科学合理地调整农业管理措施以应对气候变化与物候响应对耕地土壤有机碳的影响是相关领域重点关注的课题. 本研究分析了气候变化与物候响应协同影响下福建省耕地土壤有机碳的变化及其空间分布, 区分量化了气候变化与气候变化下物候响应对耕地土壤有机碳动态变化的贡献率, 识别出福建省耕地土壤有机碳动态变化的优势影响因子及其空间分布, 相关研究结果能够为农田“固碳减排”政策的制定提供理论依据. 施肥、秸秆还田和免耕等农业措施的调整也会直接影响土壤碳的输入与分解, 但由于相关数据的年际变化难以获取以及难以实现空间连续化, 本研究并未考虑农业措施调整对耕地土壤有机碳动态的直接贡献, 因此可能会高估气候变化、气候变化下物候响应以及品种改变等农业措施调整下物候变化对土壤有机碳的影响作用.
本研究栅格数据的空间分辨率为250 m, 较为粗糙, 可能会丢失较多的气候、物候与地形等细节信息, 从而影响耕地土壤有机碳动态变化的分析结果. Landsat和Sentinel遥感影像较MODIS数据有更高的分辨率, 但由于在2008~2021年间福建省范围内云量低于20%的Landsat和Sentinel遥感影像缺失较为严重, 本研究只能基于分辨率较低但空间与时间覆盖度较好的MODIS遥感影像提取作物物候参数. 少云雨的地区可尝试基于Landsat和Sentinel遥感影像开展相关研究. 此外, 福建省耕地地块较为破碎, EVI遥感影像可能存在包含多种地类或作物的混合像元. 在利用动态阈值法基于EVI时间序列提取作物物候参数时, “混合像元”问题可能会导致耕地地块边缘地区的作物物候参数具有较大的偏差, 进而影响与作物物候相关的分析结果.
4 结论（1）在气候变化与作物物候响应的协同影响下, 2008~2021年福建省74.15%的耕地区域土壤有机碳呈减少态势, 平均减少量为2.20 g·kg-1；25.85%的耕地区域土壤有机碳为增加态势, 平均增加量为1.48 g·kg-1. 减少量较大的区域主要分布在南平市中部偏西海拔相对较低的区域；增加量较大的区域主要分布在宁德西南边界海拔相对较高的区域.
（2）季前气候、气候变化下物候响应、季中气候和品种改变等农业管理措施调整下物候变化4类动态因子对土壤有机碳变化的平均贡献率依次为34.08%、28.56%、22.75%和14.61%. 整体而言, 气候变化对福建省耕地土壤有机碳的影响大于气候变化下作物物候的响应.
（3）气候变化与气候变化下物候响应同时为优势影响因子的区域面积最大, 占全省耕地面积的47.06%, 其次为气候变化为优势影响因子的区域, 面积占比为28.64%. 季前气候因子与品种改变等农业措施调整下物候变化对土壤有机碳变化贡献率较高的区域倾向于分布在高海拔地区, 而季中气候因子与气候变化下物候响应对土壤有机碳变化贡献率较高区域则倾向于分布在低海拔地区.
| [1] |
潘根兴, 陆海飞, 李恋卿, 等. 土壤碳固定与生物活性: 面向可持续土壤管理的新前沿[J]. 地球科学进展, 2015, 30(8): 940-951. Pan G X, Lu H F, Li L Q, et al. Soil carbon sequestration with bioactivity: a new emerging frontier for sustainable soil management[J]. Advances in Earth Science, 2015, 30(8): 940-951. |
| [2] |
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. |
| [3] |
吴昊玥, 孟越, 黄瀚蛟, 等. 中国耕地低碳利用绩效测算与时空分异[J]. 自然资源学报, 2022, 37(5): 1148-1163. Wu H Y, Meng Y, Huang H J, et al. Estimation and spatio-temporal divergence of the low-carbon performance of cropland use in China[J]. Journal of Natural Resources, 2022, 37(5): 1148-1163. |
| [4] |
赵永存, 徐胜祥, 王美艳, 等. 中国农田土壤固碳潜力与速率: 认识、挑战与研究建议[J]. 中国科学院院刊, 2018, 33(2): 191-197. Zhao Y C, Xu S X, Wang M Y, et al. Carbon sequestration potential in Chinese cropland soils: review, challenge, and research suggestions[J]. Bulletin of Chinese Academy of Sciences, 2018, 33(2): 191-197. |
| [5] | Li H W, Wu Y P, Liu S G, et al. Decipher soil organic carbon dynamics and driving forces across China using machine learning[J]. Global Change Biology, 2022, 28(10): 3394-3410. DOI:10.1111/gcb.16154 |
| [6] | Wang B, Gray J M, Waters C M, et al. Modelling and mapping soil organic carbon stocks under future climate change in South-eastern Australia[J]. Geoderma, 2022, 405. DOI:10.1016/j.geoderma.2021.115442 |
| [7] | Yang R M, Huang L M, Zhang X, et al. Mapping the distribution, trends, and drivers of soil organic carbon in China from 1982 to 2019[J]. Geoderma, 2023, 429. DOI:10.1016/j.geoderma.2022.116232 |
| [8] |
李艾雯, 宋靓颖, 冉敏, 等. 气候变暖对四川盆地水稻土有机碳含量变化的影响[J]. 环境科学, 2023, 44(8): 4679-4688. Li A W, Song L Y, Ran M, et al. Impact of climate warming on paddy soil organic carbon change in the Sichuan Basin of China[J]. Environmental Science, 2023, 44(8): 4679-4688. |
| [9] |
张维理, Holbe K, 张认连. 土壤有机碳作用及转化机制研究进展[J]. 中国农业科学, 2020, 53(2): 317-331. Zhang W L, Holbe K, Zhang R L. Research progress of SOC functions and transformation mechanisms[J]. Scientia Agricultura Sinica, 2020, 53(2): 317-331. |
| [10] |
张彦军, 郭胜利. 复杂地形条件下根系对土壤有机碳的贡献[J]. 环境科学, 2019, 40(2): 961-969. Zhang Y J, Guo S L. Contribution of root biomass to soil organic carbon under complex landforms conditions[J]. Environmental Science, 2019, 40(2): 961-969. |
| [11] |
田苗, 单捷, 卢必慧, 等. 基于MODIS-EVI时间序列与物候特征的水稻面积提取[J]. 农业机械学报, 2022, 53(8): 196-202. Tian M, Shan J, Lu B H, et al. Extraction of rice planting area based on MODIS-EVI time series and phenological characteristics[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(8): 196-202. |
| [12] | Luo Y C, Zhang Z, Chen Y, et al. ChinaCropPhen1km: a high-resolution crop phenological dataset for three staple crops in China during 2000-2015 based on leaf area index (LAI) products[J]. Earth System Science Data, 2020, 12(1): 197-214. DOI:10.5194/essd-12-197-2020 |
| [13] |
赵彦茜, 肖登攀, 柏会子, 等. 中国作物物候对气候变化的响应与适应研究进展[J]. 地理科学进展, 2019, 38(2): 224-235. Zhao Y X, Xiao D P, Bai H Z, et al. Research progress on the response and adaptation of crop phenology to climate change in China[J]. Progress in Geography, 2019, 38(2): 224-235. |
| [14] | He X L, Yang L, Li A Q, et al. Soil organic carbon prediction using phenological parameters and remote sensing variables generated from Sentinel-2 images[J]. CATENA, 2021, 205. DOI:10.1016/j.catena.2021.105442 |
| [15] | Tao J, Dong J W, Zhang Y J, et al. Elevation-dependent effects of growing season length on carbon sequestration in Xizang Plateau grassland[J]. Ecological Indicators, 2020, 110. DOI:10.1016/j.ecolind.2019.105880 |
| [16] | Shao J J, Zhou X H, Luo Y Q, et al. Biotic and climatic controls on interannual variability in carbon fluxes across terrestrial ecosystems[J]. Agricultural and Forest Meteorology, 2015, 205: 11-22. DOI:10.1016/j.agrformet.2015.02.007 |
| [17] | Xu L L, Niu B, Zhang X Z, et al. Dynamic threshold of carbon phenology in two cold temperate grasslands in China[J]. Remote Sensing, 2021, 13(4). DOI:10.3390/rs13040574 |
| [18] | Wu C Y, Hou X H, Peng D L, et al. Land surface phenology of China's temperate ecosystems over 1999-2013: spatial–temporal patterns, interaction effects, covariation with climate and implications for productivity[J]. Agricultural and Forest Meteorology, 2016, 216: 177-187. DOI:10.1016/j.agrformet.2015.10.015 |
| [19] |
高江波, 刘路路, 郭灵辉, 等. 气候变化和物候变动对东北黑土区农业生产的协同作用及未来粮食生产风险[J]. 地理学报, 2022, 77(7): 1681-1700. Gao J B, Liu L L, Guo L H, et al. Synergic effects of climate change and phenological variation on agricultural production and its risk pattern in black soil region of Northeast China[J]. Acta Geographica Sinica, 2022, 77(7): 1681-1700. |
| [20] |
郝江勃, 乔枫, 蔡子良. 亚热带常绿阔叶林土壤活性有机碳组分季节动态特征[J]. 生态环境学报, 2019, 28(2): 245-251. Hao J B, Qiao F, Cai Z L. Seasonal dynamics of soil labile organic carbon and its fractions in subtropical evergreen broadleaved forest[J]. Ecology and Environmental Sciences, 2019, 28(2): 245-251. |
| [21] | Kong Y H, Qu A R, Feng E P, et al. Seasonal dynamics of soil enzymatic activity under different land-use types in rocky mountainous region of North China[J]. Forests, 2023, 14(3). DOI:10.3390/f14030536 |
| [22] |
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. |
| [23] | Guo L H, Gao J B, Hao C Y, et al. Winter wheat green-up date variation and its diverse response on the hydrothermal conditions over the North China Plain, using MODIS time-series data[J]. Remote Sensing, 2019, 11(13). DOI:10.3390/rs11131593 |
| [24] | He L, Jin N, Yu Q. Impacts of climate change and crop management practices on soybean phenology changes in China[J]. Science of the Total Environment, 2020, 707. DOI:10.1016/j.scitotenv.2019.135638 |
| [25] |
车燕, 邱龙霞, 吴凌云, 等. 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 Y, Qiu L X, Wu L Y, et al. Response of soil organic carbon accumulation in paddy fields in Fujian Province to future temperature increases[J]. Environmental Science, 2023, 44(5): 2775-2785. |
| [26] | Yang L, Cai Y Y, Zhang L, et al. A deep learning method to predict soil organic carbon content at a regional scale using satellite-based phenology variables[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102. DOI:10.1016/j.jag.2021.102428 |
| [27] | Zhou R L, Liu Y Y, Cui M Y, et al. Global assessment of cumulative and time-lag effects of drought on land surface phenology[J]. GIScience & Remote Sensing, 2022, 59(1): 1918-1937. |
| [28] | Sun Y, Ma J, Zhao W H, et al. Digital mapping of soil organic carbon density in China using an ensemble model[J]. Environmental Research, 2023, 231. DOI:10.1016/j.envres.2023.116131 |
| [29] | Yang L, Song M, Zhu A X, et al. Predicting soil organic carbon content in croplands using crop rotation and Fourier transform decomposed variables[J]. Geoderma, 2019, 340: 289-302. DOI:10.1016/j.geoderma.2019.01.015 |
| [30] |
高弋斌, 路春燕, 钟连秀, 等. 1951—2016年中国沿海地区气温与降水量的时空特征[J]. 森林与环境学报, 2019, 39(5): 530-539. Gao Y B, Lu C Y, Zhong L X, et al. Temporal and spatial characteristics of temperature and precipitation in China's coastal areas from 1951 to 2016[J]. Journal of Forest and Environment, 2019, 39(5): 530-539. |
| [31] |
左慧婷, 娄运生, 李忠良, 等. 不同气候带典型区域水稻产量主控气候因子分析及预测[J]. 自然灾害学报, 2018, 27(5): 114-125. Zuo H T, Lou Y S, Li Z L, et al. Analysis and prediction of major climate factors controlling rice yield in typical climate regions of China[J]. Journal of Natural Disasters, 2018, 27(5): 114-125. |
| [32] |
唐宝琪, 延军平, 曹永旺. 福建省极端温度事件对气候变暖的响应[J]. 中国农业大学学报, 2016, 21(9): 123-132. Tang B Q, Yan J P, Cao Y W. The responseof extreme temperature events to climate warming in Fujian Province[J]. Journal of China Agricultural University, 2016, 21(9): 123-132. |
| [33] | Yin S Y, Lin X H, Yang S N. Characteristics of rainstorm in Fujian induced by typhoon passing through Taiwan Island[J]. Tropical Cyclone Research and Review, 2022, 11(1): 50-59. DOI:10.1016/j.tcrr.2022.04.003 |
| [34] |
杨歆雨, 张容焱, 潘航, 等. 福建省多维度气象干旱特征时空分布分析[J]. 气象, 2022, 48(12): 1565-1576. Yang X Y, Zhang R Y, Pan H, et al. Spatio-temporal distribution analysis of multi-dimensional meteorological drought characteristics in Fujian Province[J]. Meteorological Monthly, 2022, 48(12): 1565-1576. DOI:10.7519/j.issn.1000-0526.2022.072101 |
| [35] | Zhao F B, Wu Y P, Hui J Y, et al. Projected soil organic carbon loss in response to climate warming and soil water content in a Loess Watershed[J]. Carbon Balance and Management, 2021, 16(1). DOI:10.1186/s13021-021-00187-2 |
| [36] | Poeplau C, Dechow R. The legacy of one hundred years of climate change for organic carbon stocks in global agricultural topsoils[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-34753-0 |
| [37] | Li Q, Gao M F, Li Z L. Soil organic carbon storage in Australian wheat cropping systems in response to climate change from 1990 to 2060[J]. Land, 2022, 11(10). DOI:10.3390/land11101683 |
| [38] | Crowther T W, Todd-Brown K E O, Rowe C W, et al. Quantifying global soil carbon losses in response to warming[J]. Nature, 2016, 540(7631): 104-108. DOI:10.1038/nature20150 |
| [39] |
曹聪, 阮超越, 任寅榜, 等. 模拟增温对武夷山不同海拔森林表层土壤碳氮及酶活性的影响[J]. 生态学报, 2020, 40(15): 5347-5356. Cao C, Ruan C Y, Ren Y B, et al. Effects of stimulating warming on surface soil carbon, nitrogen and its enzyme activities across a subtropical elevation gradient in Wuyi Mountain, China[J]. Acta Ecologica Sinica, 2020, 40(15): 5347-5356. |
| [40] | Wang C, Morrissey E M, Mau R L, et al. The temperature sensitivity of soil: microbial biodiversity, growth, and carbon mineralization[J]. The ISME Journal, 2021, 15(9): 2738-2747. DOI:10.1038/s41396-021-00959-1 |
| [41] | Sun X L, Tang Z X, Ryan M G, et al. Changes in soil organic carbon contents and fractionations of forests along a climatic gradient in China[J]. Forest Ecosystems, 2019, 6(1). DOI:10.1186/s40663-019-0161-7 |
| [42] |
张婧婷, 石浩, 田汉勤, 等. 1981—2019年华北平原农田土壤有机碳储量的时空变化及影响机制[J]. 生态学报, 2022, 42(23): 9560-9576. Zhang J T, Shi H, Tian H Q, et al. Spatial-temporal changes in and influencing mechanisms for cropland soil organic carbon storage in the North China Plain from 1981 to 2019[J]. Acta Ecologica Sinica, 2022, 42(23): 9560-9576. |
| [43] |
罗由林, 李启权, 王昌全, 等. 近30年来川中紫色丘陵区土壤碳氮时空演变格局及其驱动因素[J]. 土壤学报, 2016, 53(3): 582-593. Luo Y L, Li Q Q, Wang C Q, et al. Spatio-temporal variations of soil organic carbon and total nitrogen and driving factors in purple soil hilly area of Mid-Sichuan Basin in the past 30 years[J]. Acta Pedologica Sinica, 2016, 53(3): 582-593. |
| [44] |
邓旭哲, 韩晨, 薛利祥, 等. 增温施肥对稻麦农田土壤有机碳及其活性组分的影响[J]. 环境科学, 2023, 44(3): 1553-1561. Deng X Z, Han C, Xue L X, et al. Effects of warming and fertilization on soil organic carbon and its labile components in rice-wheat rotation[J]. Environmental Science, 2023, 44(3): 1553-1561. |
| [45] | Rocci K S, Lavallee J M, Stewart C E, et al. Soil organic carbon response to global environmental change depends on its distribution between mineral-associated and particulate organic matter: a meta-analysis[J]. Science of the Total Environment, 2021, 793. DOI:10.1016/j.scitotenv.2021.148569 |
| [46] | Li A W, Zhang Y Y, Li C J, et al. Divergent responses of cropland soil organic carbon to warming across the Sichuan Basin of China[J]. Science of the Total Environment, 2022, 851. DOI:10.1016/j.scitotenv.2022.158323 |
| [47] |
邱思慧, 林少颖, 王维奇. 中国东部地区不同海拔梯度土壤有机碳库特征及其影响因素综述[J]. 中国水土保持科学, 2022, 20(3): 142-150. Qiu S H, Lin S Y, Wang W Q. Characteristics of soil organic carbon pool at different altitude gradients in Eastern China and its influencing factors: a review[J]. Science of Soil and Water Conservation, 2022, 20(3): 142-150. |
| [48] |
章晓芳, 郑生猛, 夏银行, 等. 红壤丘陵区土壤有机碳组分对土地利用方式的响应特征[J]. 环境科学, 2020, 41(3): 1466-1473. Zhang X F, Zheng S M, Xia Y H, et al. Responses of soil organic carbon fractions to land use types in hilly red soil regions, China[J]. Environmental Science, 2020, 41(3): 1466-1473. |
| [49] |
刘丽雯, 刘梦云, 吴健利, 等. 黄土台塬不同土地利用方式下土壤呼吸季节性变化及影响因素[J]. 环境科学研究, 2016, 29(12): 1819-1828. Liu L W, Liu M Y, Wu J L, et al. Seasonal variation of soil respiration and affecting factors under different land use types in the tablelands of the Loess Plateau[J]. Research of Environmental Sciences, 2016, 29(12): 1819-1828. |
| [50] | Georgiou K, Jackson R B, Vindušková O, et al. Global stocks and capacity of mineral-associated soil organic carbon[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-31540-9 |
| [51] | Guo Y H, Fu Y S, Hao F H, et al. Integrated phenology and climate in rice yields prediction using machine learning methods[J]. Ecological Indicators, 2021, 120. DOI:10.1016/j.ecolind.2020.106935 |
| [52] | Piao S L, Friedlingstein P, Ciais P, et al. Growing season extension and its impact on terrestrial carbon cycle in the Northern Hemisphere over the past 2 decades[J]. Global Biogeochemical Cycles, 2007, 21(3). DOI:10.1029/2006GB002888 |
| [53] |
刘琪, 李宇虹, 李哲, 等. 不同水分条件和微生物生物量水平下水稻土有机碳矿化及其影响因子特征[J]. 环境科学, 2021, 42(5): 2440-2448. Liu Q, Li Y H, Li Z, et al. Characteristics of paddy soil organic carbon mineralization and influencing factors under different water conditions and microbial biomass levels[J]. Environmental Science, 2021, 42(5): 2440-2448. |
| [54] | Guo Y H, Wu W X, Liu Y M, et al. Impacts of climate and phenology on the yields of early mature rice in China[J]. Sustainability, 2020, 12(23). DOI:10.3390/su122310133 |
| [55] | Chen H F, Yao F F, Yang Y C, et al. Progress and challenges of rice ratooning technology in Fujian Province, China[J]. Crop and Environment, 2023, 2(3): 121-125. DOI:10.1016/j.crope.2023.05.001 |
| [56] |
陈浈雄, 张超, 李全, 等. 土壤有机碳分解温度敏感性的影响机制研究进展[J]. 应用生态学报, 2023, 34(9): 2575-2584. Chen Z X, Zhang C, Li Q, et al. Mechanism underlying temperature sensitivity of soil organic carbon decomposition: a review[J]. Chinese Journal of Applied Ecology, 2023, 34(9): 2575-2584. |
| [57] | Kong J Q, He Z B, Chen L F, et al. Elevational variability in and controls on the temperature sensitivity of soil organic matter decomposition in alpine forests[J]. Ecosphere, 2022, 13(4). DOI:10.1002/ecs2.4010 |
| [58] | Li C, Xiao C W, Li M X, et al. A global synthesis of patterns in soil organic matter and temperature sensitivity along the altitudinal gradient[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.959292 |
| [59] | Okello J, Bauters M, Verbeeck H, et al. Temperature sensitivity of soil organic carbon respiration along a forested elevation gradient in the Rwenzori Mountains, Uganda[J]. Biogeosciences, 2023, 20(3): 719-735. DOI:10.5194/bg-20-719-2023 |
| [60] | Li Z L, Peng Q, Dong Y S, et al. Response of soil respiration to water and nitrogen addition and its influencing factors: a four-year field experiment in a temperate steppe[J]. Plant and Soil, 2022, 471(1): 427-442. |
| [61] | Saatkamp A, Argagnon O, Noble V, et al. Climate change impacts on Mediterranean vegetation are amplified at low altitudes[J]. Global Ecology and Biogeography, 2023, 32(7): 1113-1126. DOI:10.1111/geb.13682 |
| [62] |
刘玉洁, 葛全胜, 戴君虎. 全球变化下作物物候研究进展[J]. 地理学报, 2020, 75(1): 14-24. Liu Y J, Ge Q S, Dai J H. Research progress in crop phenology under global climate change[J]. Acta Geographica Sinica, 2020, 75(1): 14-24. |
| [63] | Liu Y J, Chen Q M, Ge Q S, et al. Effects of climate change and agronomic practice on changes in wheat phenology[J]. Climatic Change, 2018, 150(3-4): 273-287. DOI:10.1007/s10584-018-2264-5 |
| [64] | He L, Asseng S, Zhao G, et al. Impacts of recent climate warming, cultivar changes, and crop management on winter wheat phenology across the Loess Plateau of China[J]. Agricultural and Forest Meteorology, 2015, 200: 135-143. DOI:10.1016/j.agrformet.2014.09.011 |
| [65] | Tao F L, Zhang Z, Shi W J, et al. Single rice growth period was prolonged by cultivars shifts, but yield was damaged by climate change during 1981-2009 in China, and late rice was just opposite[J]. Global Change Biology, 2013, 19(10): 3200-3209. DOI:10.1111/gcb.12250 |