2024, Vol. 45
2. 农业农村部环境保护科研监测所, 农业农村部产地环境污染防控重点实验室, 天津市农业环境与农产品安全重点实验室, 天津 300191
2. Key Laboratory of Agro-Environmental Pollution Prevention and Control, Ministry of Agriculture and Rural Affairs, Tianjin Key Laboratory of Agro-environment and Agro-product Safety, Agro-Environmental Protection Institute, Ministry of Agriculture and Rural Affairs, Tianjin 300191, China
土壤是人类生存发展的重要物质基础, 也是各种污染物的源与汇[1].随着中国工矿业的快速发展, 土壤重金属污染成为了一个日益严重的生态环境问题.根据《中国土壤污染状况调查公告》（2014年）统计显示[2], 我国耕地土壤中重金属等污染点位超标率达16.1%, 其中, 土壤汞（Hg）的点位超标率为1.6%.土壤Hg污染物含量分布呈现由西北到东南、由东北到西南方向逐渐升高的态势[3].中国最典型的Hg污染地区是贵州, 贵州拥有我国最大的Hg矿, Hg矿的开采给当地造成了严重的Hg污染[4].重金属污染具有分布广泛、难降解和易累积等特征[5], 其随着农业活动进入土壤及农作物中, 最终通过食物链进入人体, 威胁人体健康.
农田生态系统是陆地生态系统的重要组成部分, 也是主要的温室气体排放源, 农田土壤碳排放占温室气体排放量的21%~25%[6].而重金属污染会对土壤酶活性、土壤微生物生物量和微生物群落结构产生不同程度的影响, 从而改变土壤有机碳的矿化和周转过程[7].谢娜等[8]在研究不同土地利用方式土壤有机碳与重金属的相关性分析时, 定量地证明典型土壤重金属Hg、Cd、Cr、As和Pb与有机碳储量之间存在显著相关性.不同程度的重金属污染对土壤有机碳转化过程的影响不同, Chander等[9]研究发现, 在重金属污染含量较低的土壤中, 微生物可以更有效地利用有机碳将其转化为生物量碳, 从而刺激土壤呼吸和土壤碳代谢, 提高土壤的矿化率.高含量的Hg会抑制微生物的分解活性, 导致土壤有机碳矿化率降低, 这可能是因为不同污染程度下微生物群落对有机碳分解的响应不同[10].有研究表明, 自养微生物在农田土壤中广泛存在, 具有同化固定CO2并将其转化为土壤活性有机碳的潜力, 是农田土壤有机碳的重要来源之一[11].卡尔文循环是自养微生物固定CO2的主要途径[12], 而Rubis CO是其限速酶和关键酶[13], cbbL和cbbM是Rubis CO Form Ⅰ和Form Ⅱ的编码基因[14].使用分子生物学技术, 通过分析土壤样品中功能基因的多样性, 进而预测土壤碳循环的潜力和动态已成为目前的研究热点, 但以往的研究很少同时对cbbL和cbbM基因的数量及种群结构多样性进行研究, 无法进行同步分析.
本研究选取不同含量Hg污染土壤, 通过室内培养试验, 分析土壤有机碳组分和固碳基因丰度变化特征, 探讨土壤有机碳组分与固碳功能基因（cbbL和cbbM）丰度之间的关系, 揭示Hg污染土壤自养微生物碳同化的机制, 旨在为重金属污染区域生态系统的碳循环及积累提供理论依据.
1 材料与方法 1.1 样品采集2023年6月4日, 在贵州省铜仁市万山区, 以汞矿公园为起点向南采集土壤样品, 共选取6个采样点, 每个采样点按五点法进行采样, 采样点的地理位置如图 1.将采集的土壤样品带回实验室后自然风干, 去除可见根系和石块, 一部分过5 mm标准筛, 用于后续的培养试验；一部分过2 mm和0.25 mm标准筛, 用于土壤pH、电导率和总Hg含量的测定.土壤pH值（水土比为2.5∶1）采用pH计测定（NY/T 1377-2007）；土壤电导率（EC）采用电导率仪（FE-Meter）测定（HJ 802-2016）；土壤总Hg含量参照GB/T 22105.1-2008《土壤质量总汞、总砷、总铅的测定原子荧光法第1部分：土壤中总汞的测定》, 采用原子荧光光度计（AFS 8520, 海光）测定.
|
图 1 Hg矿区周边样点分布示意 Fig. 1 Distribution of samples around Hg mining area |
为探究土壤有机碳稳定性对Hg污染的响应, 本研究选用S1、S2、S3、S4、S5和S6点位的土壤样品进行室内培养试验（图 2）, 记作S1、S2、S3、S4、S5和S6处理.将50 g风干土壤样品置于250 mL培养瓶中, 将土壤含水量调至田间持水量的60%, 盖上瓶盖, 每个处理重复3次.打开瓶盖上方三通阀, 将所有培养瓶至于25℃恒温培养箱中进行为期7 d的预培养, 每天采用称重法进行补水.
|
图 2 土壤矿化试验培养装置示意 Fig. 2 Soil mineralization experimental culture device |
预培养后的第1、2、3、4、5、6、7、8、15、22和29 d使用注射器从每个瓶中抽取约20 mL的气体.每次气体收集后, 三通阀保持打开状态, 以确保其与大气平衡.采用气相色谱仪（Agilent, 7890B）分析CO2浓度.
1.3.2 土壤理化指标及功能基因第1和29 d采集土壤样品, 一部分土壤样品自然风干后过0.85、0.25和0.15 mm标准筛, 用于测定土壤有机碳（SOC）、易氧化有机碳（EOC）和可溶性有机碳（DOC）, 一部分土壤样品于4℃保存, 用于测定土壤微生物生物量碳（MBC）和cbbL、cbbM功能基因.
SOC含量采用重铬酸钾-浓硫酸外加热法测定[15]；EOC含量采用高锰酸钾氧化-比色法测定[16]；DOC含量采用超纯水浸提（土水比1∶5）[17], MBC含量采用氯仿熏蒸-K2SO4法浸提[18], 后用总有机碳分析仪（岛津TOC-L-CPH, 日本）测定.采用荧光定量PCR测定第29 d固碳细菌cbbL和cbbM基因拷贝数引物序列, cbbL引物序列为K2f（5′-ACCAYCAAGCCSAAGC TSGG-3′）, V2r（5′-GCCTTCSAGCTTGCCSACCRC-3′）, cbbM引物序列为cbbM-F（5′-TTCTGGCTGGGB GGHGAYTTYATYAARAAYGACGA-3′）, cbbM-R（5′-CCGTGRCCRGCVCGRTGGTARTG-3′）.样品在上海美吉生物科技有限公司PacBio Sequel Ⅱ平台进行测序.
1.4 数据分析本文中数据均为平均值±标准差, 使用Origin Pro 2021进行制图.使用SPSS 25.0进行数据分析, 单因素方差分析（One-way ANOVA）基于LSD法检验不同处理之间差异性（LSD, α=0.05）, 通过Pearson相关性分析检验土壤环境因子对土壤cbbL和cbbM微生物群落的影响.
德国科学家Muller提出地累积指数（Igeo）法评价土壤重金属污染程度[19], 计算公式如下：
|
(1) |
式中, Cn为土壤中Hg含量, mg·kg-1；Bn为贵州省土壤Hg背景值, 取值0.11 mg·kg-1[20]；1.5为考虑背景值变化情况的系数[21].按Igeo数值可划分为7个污染程度等级, 分级如表 1所示[22].
|
表 1 地累积指数分级标准 Table 1 The Igeo classification standard |
瑞典科学家Hakanson提出潜在生态危害指数法（ecological risk index, Er）, 该方法主要结合重金属的生物毒性系数, 生态效应和环境效应, 计算出综合重金属生态危险[23], 计算公式如下：
|
(2) |
式中, Tr为Hg毒性系数, 取值40；Ci为i处理土壤Hg含量, mg·kg-1；Bi为重金属的参比值, 取值0.11 mg·kg-1, 为贵州省土壤背景值.重金属潜在风险指数分级标准如表 2所示[23].
|
|
表 2 重金属生态风险评价标准 Table 2 Standard for ecological risk assessment of heavy metals |
土壤CO2排放的计算公式如下：
|
(3) |
式中, F为CO2排放速率（μmol·kg-1·s-1）；V为培养瓶上部空间体积（L）；cs为处理气体的体积分数, cb为对照气体的体积分数（μL·L-1）；22.4为标准状态下气体的摩尔体积（L·mol-1）；T为培养温度（℃）；12为CO2中C的摩尔质量（g·mol-1）；m为土样质量（g）；t为恒温条件下培养时间（s）.
土壤CO2累计排放量的计算公式如下：
|
(4) |
式中, E为CO2累计排放量（mg·kg-1）；Fi为CO2排放量（μmol·kg-1·d-1）；i表示第i次测量；（Di+1-Di）表示两次连续测量之间的天数.
2 结果与分析 2.1 土壤总Hg和有效Hg污染特征与生态风险调查区土壤ω（总Hg）介于0.60~2.07 mg·kg-1之间（表 3）, 超过贵州省土壤背景值（0.11 mg·kg-1）, 从地累积指数来看, 所采样土壤Hg处于偏中度及以上污染水平, 其中, S2、S3和S5采样点处于偏重度污染.土壤Hg潜在生态危害指数范围为216.78~751.13, 均处于强及以上的潜在生态风险, 其ω（有效Hg）为0.006~0.196 mg·kg-1, 占总Hg含量的1%~22.88%.
|
|
表 3 土壤总Hg和有效Hg及其生态风险评价1） Table 3 Soil total Hg and available Hg and their ecological risk assessment |
2.2 不同处理下土壤CO2排放动态变化
在整个培养期间, 不同水平汞污染对土壤CO2排放速率及累计排放量存在显著影响（图 3）.在不同处理下土壤CO2排放速率变化趋势基本一致, 均表现为前8 d持续下降, 8~29 d处于相对稳定状态[图 3（a）].第1 d, 各处理土壤CO2排放速率表现为60.23、12.73、48.15、75.81、14.02和39.73 μmol·kg-1·s-1, S1~S6各处理间存在显著性差异（P < 0.05）, 其中S4处理土壤CO2排放速率最高, S2处理土壤CO2排放速率最低；第29 d, 各处理土壤CO2排放速率表现为：S4 > S6 > S1 > S3 > S2 > S5, 且各处理间存在显著性差异（P < 0.05）.整个培养期间, 土壤CO2累计排放量表现为：S4（558.37 mg·kg-1） > S1（406.25 mg·kg-1） > S6（390.60 mg·kg-1） > S3（251.69 mg·kg-1） > S5（194.39 mg·kg-1） > S2（173.03 mg·kg-1）, 不同水平Hg污染对土壤CO2累计排放量存在显著性差异[P < 0.05, 图 3（b）], 且土壤CO2累计排放量随汞水平的增加而线性降低[P < 0.001, 图 3（c）].
|
（a）土壤CO2排放速率, （b）土壤CO2累计排放量, （c）Hg含量与土壤CO2累计排放量线性回归分析；不同小写字母表示不同处理间差异显著（P < 0.05）, 阴影部分表示95%置信区间, 下同 图 3 Hg污染对土壤碳排放的影响及其相关性 Fig. 3 Effects of Hg pollution on soil carbon emissions and their correlation |
不同处理下土壤有机碳组分变化规律如图 4所示.结果表明, S1、S2、S3、S4、S5和S6处理ω（SOC）在1 d与29 d的变化范围分别为12.16~9.96、14.89~14.76、25.48~22.77、21.44~23.95、25.48~23.09和5.80~5.77 g·kg-1[图 4（a）].与第1 d相比, SOC含量随培养时间的推移而降低, S1、S2、S3、S5和S6分别降低了18.06%、0.83%、10.63%、9.37%和0.40%.第1 d, 各处理ω（EOC）分别为182.73、166.46、169.74、186.76、170.68和170.77 mg·kg-1[图 4（b）], 随着培养时间的推移, 第29 d, 各处理分别降低了0.01%~0.33%. 第29 d, S1、S2、S3、S4、S5和S6处理ω（DOC）范围为169.71~249.34 mg·kg-1[图 4（c）], 各处理之间存在显著性差异（P < 0.05）, 其中S4处理DOC含量最高, S2处理DOC含量最低.与第1 d相比, S3和S5处理ω（DOC）在29 d分别增加了5.59%和14.55%, 而S1、S2、S4和S6处理分别降低了1.01%、3.33%、25.72%和4.57%.在整个培养期间, 各处理MBC含量之间存在显著性差异[P < 0.05, 图 4（d）], 第1 d, S1、S2、S3、S4、S5和S6处理ω（MBC）为39.55、25.42、25.49、41.41、10.85和58.08 mg·kg-1, 其中, S6处理最高、S5处理最低.与第1 d相比, 除S1处理外, 各处理ω（MBC）在第29 d均有所降低, 降低了0.76%~48.90%.
|
（a）土壤有机碳, （b）易氧化有机碳, （c）可溶性有机碳, （d）微生物生物量碳 图 4 Hg污染对土壤有机碳组分的影响 Fig. 4 Effects of Hg pollution on soil organic carbon fractions |
土壤微生物呼吸熵（qCO2）为土壤基础呼吸与土壤微生物量碳含量的比值.培养第1 d, 各处理qCO2表现为：S3（1.89 μmol·mg-1·s-1） > S4（1.83 μmol·mg-1·s-1） > S1（1.52 μmol·mg-1·s-1） > S5（1.30 μmol·mg-1·s-1） > S6（0.68 μmol·mg-1·s-1） > S2（0.50 μmol·mg-1·s-1）（图 5）.培养结束时, 各处理qCO2均显著降低, 分别降低了76.25%、18.63%、79.05%、64.32%、10.29%和30.13%（P < 0.05）.
|
图 5 Hg污染对土壤微生物呼吸熵的影响 Fig. 5 Effects of Hg pollution on soil microbial respiration entropy |
不同处理土壤样品中cbbL总数为9 706个OTUs的分类, 隶属于15个门, 32个纲, 62个目, 113个科, 238个属和491个种.在cbbL中, 变形菌门（Proteobacteria）和放线菌门（Actinobacteria）是优势菌门, 两者相对丰度之和在S4处理最高, 其占比达到16.4%（表 4）；对1 069个OTUs的分类结果表明, cbbM分析共检测出8个门, 13个纲, 28个目, 39个科, 52个属和81个种.变形菌门、放线菌门、酸杆菌门（Acidobacteria）和广古菌门（Euryarchaeota）是cbbM的主要菌门.其中, 变形菌门、放线菌门和酸杆菌门是cbbL和cbbM共有的菌门.
|
|
表 4 Hg污染土壤主要细菌优势门的相对丰度1）/% Table 4 Relative abundance of main bacterial dominant phyla in Hg-contaminated soil/% |
2.4.2 Hg污染对土壤cbbL、cbbM微生物α多样性和β多样性的影响
本研究通过Chao、Shannon和Simpson指数反映不同Hg污染对土壤微生物α丰富度和多样性的影响（表 5）.在cbbL中, S5和S6处理的种群丰富度显著高于其他组（P < 0.05）, S1、S2和S3处理组无显著性差异（P > 0.05）. S5和S6处理的Shannon指数显著低于其他处理组, 而Simpson指数显著高于其他处理组（P < 0.05）.在cbbM中, S1与S2、S6处理的Chao指数存在显著差异（P < 0.05）, 其他各处理均无显著性差异（P > 0.05）, S4处理的Shannon指数显著低于S1、S3、S5和S6处理, Simpson指数显著高于S1和S6处理（P < 0.05）.基于Bray-curtis距离的PCoA方法在OTU水平上对不同处理土壤碳循环功能基因组成进行主坐标分析（图 6）, cbbL和cbbM功能微生物群落PCoA前两轴的总解释度分别为48.74%和28.78%, 且在第一轴的解释度最高, 分别为30.78%和15.38%. cbbL在第一轴将S5和S6与其他处理分开, S4、S5和S6处理显著高于S1、S2和S3处理[图 6（b）], 而cbbM各处理间无显著性差异[P > 0.05, 图 6（d）].
|
|
表 5 土壤细菌群落α多样性指数1） Table 5 Soil bacterial community α diversity index |
|
图 6 基于Bray_Curtis距离的土壤cbbL和cbbM的PCoA分析 Fig. 6 PCoA analysis based on soil cbbL and cbbM at different Bray_Curtis distances |
利用Pearson相关热图分析土壤Hg含量、土壤有机碳组分对土壤cbbL和cbbM门水平下微生物群落的影响（图 7）.结果表明, 在cbbL中, 土壤有效Hg含量与Chao指数和Shannon指数呈极显著相关关系（P < 0.01）, CO2累计排放量与Shannon指数呈负相关关系（P < 0.05）, SOC与放线菌门（Actinobacteria）呈极显著相关关系（P < 0.05）, MBC与Chao指数、Shannon指数和浮酶菌门（Planctomycetes）呈显著相关关系（P < 0.05）.在cbbM中, 本研究发现总Hg含量与酸杆菌门（Acidobacteria）呈负相关（P < 0.05）, CO2排放速率与放线菌门（Actinobacteria）呈显著正相关（P < 0.05）, CO2累计排放量与Chao指数和Shannon指数呈显著正相关关系（P < 0.05）, SOC与Simpson指数呈显著正相关关系（P < 0.05）.
|
A1.MBC, A2.DOC, A3.EOC, A4.SOC, A5.CO2累计排放量, A6.CO2排放速率, A7.有效Hg, A8.总Hg, a1.Chao指数, a2.Unclassified, a3.Shannon指数, a4.Planctomycetes, a5.Simpson指数, a6.Proteobacteria, a7.Actinobacteria, a8.Acidobacteria；B1.MBC, B2.CO2累计排放量, B3.EOC, B4.DOC, B5.CO2排放速率, B6.SOC, B7.有效Hg, B8.总Hg, b1.Chao指数, b2.Shannon指数, b3.Proteobacteria, b4.Acidobacteria, b5.Euryarchaeota, b6.Simpson指数, b7.Actinobacteria, b8.Unclassified；*表示P < 0.05, **表示P < 0.01 图 7 环境因子对土壤cbbL和cbbM微生物群落影响的皮尔逊相关性分析 Fig. 7 Pearson correlation analysis of the effects of environmental factors on soil cbbL and cbbM microbial communities |
为了进一步了解土壤环境因子对微生物群落的影响, 将土壤环境因子与cbbL和cbbM功能微生物群落进行RDA分析（图 8）.结果表明, RDA1和RDA2轴分别解释了cbbL群落总变异的80.35%和14.89%, 土壤CO2累计排放量（31.8%, F = 1.9, P = 0.208）和SOC（22.4%, F = 1.5, P = 0.266）是影响cbbL群落变化的主要因素.RDA1和RDA2轴分别解释了cbbM群落总变异的99.80%和0.1%, 土壤有效Hg（46.5%, F = 3.5, P = 0.092）是影响cbbM群落变化的主要因素.
|
红色箭头表示具有显著影响的理化因子（P < 0.05）, 蓝色箭头表示微生物群落组成和多样性 图 8 环境因子与cbbL和cbbM微生物群落的RDA分析 Fig. 8 RDA analysis of environmental factors and cbbL and cbbM microbial communities |
土壤CO2排放速率是可以反映土壤环境胁迫情况的微生物活性指标[24], 有研究指出, 重金属对土壤CO2排放速率的影响具有含量效应[25], 本研究发现, 与土壤Hg含量相对较严重的S2处理相比, 土壤Hg污染相对较为轻的S1、S4和S6处理排放了更多的CO2, 这可能是因为低水平Hg增加了活性有机碳含量, 进而促进土壤微生物代谢活动, 从而增加了土壤CO2排放速率[26], 本研究中MBC含量与土壤CO2排放速率呈显著正相关（P < 0.05）, 也可证实这以一观点.本研究结果表明, 土壤CO2累计排放量随汞含量的增加呈线性降低的趋势, S2、S3和S5处理下土壤CO2累计排放量显著低于S4、S6和S1处理（P < 0.05）, 这与Ma等[27]的研究发现一致, 高含量的重金属与C结合形成复合物, 抑制微生物代谢或直接杀死微生物, 从而呼吸强度随重金属含量的增加而降低.
本研究结果表明, 不同Hg污染处理下土壤有机碳的稳定性存在显著差异（P < 0.05）, Hg污染不利于有机碳（SOC）的积累, 各处理间SOC含量存在显著差异（P < 0.05）, 这与应多等[28]的研究结果基本一致.易氧化有机碳（EOC）、可溶性有机碳（DOC）和微生物量碳（MBC）被常用作表征土壤活性有机碳组分, 虽占SOC总量的比例较小, 但其转化速率快、易分解, 微生物活性较高[29].本研究发现, 短期重金属污染会降低土壤中EOC含量.而与高水平Hg污染相比, 低水平Hg污染会促进EOC含量增加.这可能是因为微生物会优先分解活性有机碳, 但高含量重金属加入抑制了土壤微生物生长, 从而使EOC含量降低[28].不同水平Hg污染对DOC的影响存在显著性差异（P < 0.05）, DOC是为微生物代谢提供碳源和能源的重要物质[30], 本研究发现, MBC含量与重金属含量存在显著相关性（P < 0.05）, S6处理的ω（MBC）最高（41.72~58.07 mg·kg-1）, S5处理的ω（MBC）最低, 表现为5.55~10.85 mg·kg-1, 由于污染土壤中过量金属的存在, MBC的形成受到抑制, 阻碍了微生物种群的繁衍.Khan等[31]和Zhang[32]也注意到MBC随重金属含量的增加而显著降.此外, MBC对SOC的影响极有可能受到土壤重金属毒害胁迫的制约, 短期Hg污染不仅降低了MBC, 还可能通过影响土壤微生物群落多样性, 从而影响SOC的矿化[33]. qCO2作为土壤微生物活性指标, 用来表征微生物对碳的利用效率和土壤受重金属的干扰程度[34].在本研究培养结束时, 土壤qCO2显著降低（P < 0.05）, 表明土壤微生物碳利用率提高[35].
3.2 Hg污染对固碳功能微生物群落的影响本研究通过对不同Hg污染处理cbbL和cbbM功能微生物群落进行分析, 获得了丰富的固碳细菌群落.结果表明, cbbL的主要菌门为未分类细菌、变形菌门、放线菌门、酸杆菌门和浮酶菌门, 其中变形菌门在检测出的菌门中占重要比例（3.21%~9.95%）, 这一结果与其他学者研究的结果基本一致[36].此外, 在低水平Hg污染S4处理中变形菌门和放线菌门的相对丰度最高（P < 0.05）, 酸杆菌门和浮酶菌门的丰度最低, 放线菌门在土壤碳循环中起着重要作用, 其与有机质降解和利用有关, 从而可以推测低水平Hg污染土壤的碳元素相关营养物质的消耗高于其他处理[37].此外, 本研究发现在cbbM中, 与其他处理相比, S2处理增加了变形菌门、酸杆菌门和广古菌门的丰度, 这可能是因为变形菌门、酸杆菌门和广古菌门在高含量重金属污染土壤增加了其耐受性.土壤重金属污染对细菌群落多样性具有重要影响[38], 本研究不同水平Hg污染土壤细菌α多样性指数分析表明, 低水平Hg（S4）土壤细菌群落丰富度指数（Chao和Shannon指数）低于其他处理, 这与Wang等[39]研究的结果基本一致.此外, 基于Bray-Curtis距离矩阵的主坐标分析结果表明, cbbL各处理微生物细菌群落离散程度较高, S4、S5和S6处理显著高于S1、S2和S3处理（P < 0.05）, 土壤微生物多样性会随着重金属污染程度的增加而降低, 这是因为高含量重金属污染会干扰土壤中微生物的代谢活动, 抑制微生物的生长和繁殖, 从而影响微生物多样性[40].
3.3 土壤环境因子对固碳功能微生物群落的影响土壤环境因子对细菌群落的多样性具有显著影响[41].放线菌门与SOC呈极显著的相关关系（P < 0.01）, 放线菌门在有机物分解中发挥重要作用, 这与杜思垚等[42]的研究结果相一致.此外, Wang等[43]的研究发现, 在低碳土壤环境中, 仍有微生物具有较强的固碳潜力, 促进土壤碳固定, 从而导致土壤MBC与固碳细菌丰度显著负相关, 这与本研究结果不一致, 本研究中MBC与Chao和Shannon指数呈显著正相关关系（P < 0.05）, 微生物量碳促进了细菌的丰富度和多样性.土壤中的细菌群落丰度对其环境的变化较为敏感[44], RDA分析结果显示SOC、土壤有效Hg含量和土壤CO2累计排放量是影响微生物群落丰度和多样性的主要因素. SOC对固碳细菌丰度有显著影响（P < 0.05）, 这与Yuan等[45]研究的结果一致, 这可能是因为其降解可为微生物生长提供营养物质和能量.此外, 土壤有效Hg含量会影响土壤CO2累计排放量, 其高低可以反映土壤微生物的活性[46].
4 结论（1）Hg污染改变了土壤CO2排放速率, 土壤CO2累计排放量随Hg含量的增加呈线性下降趋势, 且各处理间存在显著差异（P < 0.05）.
（2）重金属污染通过对土壤有机碳组分比例的影响, 从而影响其稳定性和可利用性.不同处理间SOC和MBC含量均存在显著差异（P < 0.05）, EOC和DOC随Hg含量的增加而降低.培养结束时, 各处理qCO2均显著降低（P < 0.05）.
（3）不同水平Hg污染土壤碳同化微生物群落组成存在明显差异, 变形菌门和放线菌门是cbbL和cbbM的优势菌门. cbbL受土壤CO2累计排放量和SOC的影响, 而土壤有效Hg是影响cbbM群落变化的主要因素.
| [1] |
郭志娟, 周亚龙, 王乔林, 等. 雄安新区土壤重金属污染特征及健康风险[J]. 中国环境科学, 2021, 41(1): 431-441. Guo Z J, Zhou Y L, Wang Q L, et al. Characteristics of soil heavy metal pollution and health risk in Xiong'an New District[J]. China Environmental Science, 2021, 41(1): 431-441. |
| [2] | 环境保护部, 国土资源部. 全国土壤污染状况调查公报[R]. 北京: 环境保护部, 2014. |
| [3] |
曹淑珍, 母悦, 崔敬鑫, 等. 稻田土壤Cd污染与安全种植分区: 以重庆市某区为例[J]. 环境科学, 2021, 42(11): 5535-5544. Cao S Z, Mu Y, Cui J X, et al. Cd pollution and safe planting zoning in paddy soils: a case study in a district of Chongqing[J]. Environmental Science, 2021, 42(11): 5535-5544. |
| [4] | Liu S J, Wang X D, Guo G L, et al. Status and environmental management of soil mercury pollution in China: a review[J]. Journal of Environmental Management, 2021, 277. DOI:10.1016/j.jenvman.2020.111442 |
| [5] |
余健, 房莉, 卞正富, 等. 土壤碳库构成研究进展[J]. 生态学报, 2014, 34(17): 4829-4838. Yu J, Fang L, Bian Z F, et al. A review of the composition of soil carbon pool[J]. Acta Ecologica Sinica, 2014, 34(17): 4829-4838. |
| [6] |
贾根锁. IPCC《气候变化与土地特别报告》对陆气相互作用的新认知[J]. 气候变化研究进展, 2020, 16(1): 9-16. Jia G S. New understanding of land-climate interactions from IPCC special report on climate change and land[J]. Climate Change Research, 2020, 16(1): 9-16. |
| [7] | Frossard A, Donhauser J, Mestrot A, et al. Long-and short-term effects of mercury pollution on the soil microbiome[J]. Soil Biology and Biochemistry, 2018, 120: 191-199. DOI:10.1016/j.soilbio.2018.01.028 |
| [8] |
谢娜, 冯备战, 李春亮. 不同土地利用方式土壤有机碳变化特征及与重金属的相关性分析[J]. 中国农学通报, 2019, 35(26): 115-120. Xie N, Feng B Z, Li C L. Soil organic carbon under different land use patterns: change characteristics and its correlation with soil heavy metals[J]. Chinese Agricultural Science Bulletin, 2019, 35(26): 115-120. |
| [9] | Chander K, Klein T, Eberhardt U, et al. Decomposition of carbon-14-labelled wheat straw in repeatedly fumigated and non-fumigated soils with different levels of heavy metal contamination[J]. Biology and Fertility of Soils, 2002, 35(2): 86-91. DOI:10.1007/s00374-002-0443-y |
| [10] | Lipson D A. Relationships between temperature responses and bacterial community structure along seasonal and altitudinal gradients[J]. Fems Microbiology Ecology, 2007, 59(2): 418-427. DOI:10.1111/j.1574-6941.2006.00240.x |
| [11] | Hügler M, Sievert S M. Beyond the Calvin cycle: autotrophic carbon fixation in the ocean[J]. Annual Review of Marine Science, 2011, 3: 261-289. DOI:10.1146/annurev-marine-120709-142712 |
| [12] | Sirevåg R, Ormerod J G. Carbon dioxide-fixation in photosynthetic green sulfur bacteria[J]. Science, 1970, 169(3941): 186-188. DOI:10.1126/science.169.3941.186 |
| [13] | Wachter R M, Henderson J N. Photosynthesis: rubisco rescue[J]. Nature Plants, 2015, 1. DOI:10.1038/nplants.2014.10 |
| [14] | Tabita F R, Hanson T E, Li H Y, et al. Function, structure, and evolution of the RubisCO-like proteins and their RubisCO homologs[J]. Microbiology and Molecular Biology Reviews, 2007, 71(4): 576-599. DOI:10.1128/MMBR.00015-07 |
| [15] | 鲍士旦. 土壤农化分析[M]. (第三版). 北京: 中国农业出版社, 2000. |
| [16] |
张瑞, 张贵龙, 姬艳艳, 等. 不同施肥措施对土壤活性有机碳的影响[J]. 环境科学, 2013, 34(1): 277-282. Zhang R, Zhang G L, Ji Y Y, et al. Effects of different fertilizer application on soil active organic carbon[J]. Environmental Science, 2013, 34(1): 277-282. |
| [17] |
周国朋, 曹卫东, 白金顺, 等. 多年紫云英-双季稻下不同施肥水平对两类水稻土有机质及可溶性有机质的影响[J]. 中国农业科学, 2016, 49(21): 4096-4106. Zhou G P, Cao W D, Bai J S, et al. Effects of different fertilization levels on soil organic matter and dissolved organic matter in two paddy soils after multi-years' rotation of Chinese milk vetch and double-cropping rice[J]. Scientia Agricultura Sinica, 2016, 49(21): 4096-4106. |
| [18] | Vance E D, Brookes P C, Jenkinson D S. An extraction method for measuring soil microbial biomass C[J]. Soil Biology and Biochemistry, 1987, 19(6): 703-707. DOI:10.1016/0038-0717(87)90052-6 |
| [19] | Muller G. Index of geoaccumulation in sediments of the Rhine River[J]. GeoJournal, 1969, 2(3): 109-118. |
| [20] | 国家环境保护局. 中国土壤元素背景值[M]. 北京: 中国环境科学出版社, 1990. |
| [21] |
高令健, 毛康, 张伟, 等. 贵州万山汞矿区稻田土壤汞的分布及污染特征[J]. 矿物岩石地球化学通报, 2021, 40(1): 148-154. Gao L J, Mao K, Zhang W, et al. Temporal and spatial distribution and pollution characteristics of mercury in paddy soils of the Wanshan mercury mining area, Guizhou Province[J]. Bulletin of Mineralogy, Petrology and Geochemistry, 2021, 40(1): 148-154. |
| [22] |
裴鹏刚, 穆德苗, 马文艳, 等. 汞矿周边稻田汞和甲基汞污染特征及生态风险[J]. 生态与农村环境学报, 2022, 38(1): 112-119. Pei P G, Mu D M, Ma W Y, et al. Characteristic of mercury and methylmercury pollution in paddy soils around mercury mine area and its ecological risk[J]. Journal of Ecology and Rural Environment, 2022, 38(1): 112-119. |
| [23] | Hakanson L. An ecological risk index for aquatic pollution control.a sedimentological approach[J]. Water Research, 1980, 14(8): 975-1001. DOI:10.1016/0043-1354(80)90143-8 |
| [24] |
齐鹏, 王晓娇, 姚一铭, 等. 不同耕作方法和施氮量对旱作农田土壤CO2排放及碳平衡的影响[J]. 草业学报, 2021, 30(1): 96-106. Qi P, Wang X J, Yao Y M, et al. Effects of different tillage practices and nitrogen application rate on carbon dioxide emissions and carbon balance in rain-fed maize crops[J]. Acta Prataculturae Sinica, 2021, 30(1): 96-106. |
| [25] |
林辉, 孙万春, 王飞, 等. 有机肥中重金属对菜田土壤微生物群落代谢的影响[J]. 农业环境科学学报, 2016, 35(11): 2123-2130. Lin H, Sun W C, Wang F, et al. Effects of heavy metal within organic fertilizers on the microbial community metabolic profile of a vegetable soil after land application[J]. Journal of Agro-Environment Science, 2016, 35(11): 2123-2130. |
| [26] | Chander K, Brookes P C. Microbial biomass dynamics during the decomposition of glucose and maize in metal-contaminated and non-contaminated soils[J]. Soil Biology and Biochemistry, 1991, 23(10): 917-925. DOI:10.1016/0038-0717(91)90171-F |
| [27] | Ma J J, Ullah S, Niu A Y, et al. Heavy metal pollution increases CH4 and decreases CO2 emissions due to soil microbial changes in a mangrove wetland: microcosm experiment and field examination[J]. Chemosphere, 2021, 269. DOI:10.1016/j.chemosphere.2020.128735 |
| [28] |
应多, 赵熙君, 张旭辉, 等. 添加玉米秸秆重金属污染对水稻土有机碳矿化的影响[J]. 土壤, 2020, 52(2): 340-347. Ying D, Zhao X J, Zhang X H, et al. Effects of different gradients of heavy metal contamination on soil organic carbon mineralization of paddy soil with addition of corn straw[J]. Soils, 2020, 52(2): 340-347. |
| [29] | Yang X, Meng J, Lan Y, et al. Effects of maize stover and its biochar on soil CO2 emissions and labile organic carbon fractions in Northeast China[J]. Agriculture, Ecosystems & Environment, 2017, 240: 24-31. |
| [30] | Zmora-Nahum S, Markovitch O, Tarchitzky J, et al. Dissolved organic carbon (DOC) as a parameter of compost maturity[J]. Soil Biology and Biochemistry, 2005, 37(11): 2109-2116. DOI:10.1016/j.soilbio.2005.03.013 |
| [31] | Khan S, Cao Q, Hesham A E L, et al. Soil enzymatic activities and microbial community structure with different application rates of Cd and Pb[J]. Journal of Environmental Sciences, 2007, 19(7): 834-840. DOI:10.1016/S1001-0742(07)60139-9 |
| [32] | Zhang Y, Zhang H W, Su Z C, et al. Soil microbial characteristics under long-term heavy metal stress: a case study in Zhangshi wastewater irrigation area, Shenyang[J]. Pedosphere, 2008, 18(1): 1-10. DOI:10.1016/S1002-0160(07)60097-6 |
| [33] |
房君佳, 李强, 刘畅, 等. 铅锌尾矿砂污染下的岩溶土壤微生物群落碳源代谢特征[J]. 环境科学, 2018, 39(5): 2420-2430. Fang J J, Li Q, Liu C, et al. Carbon metabolism characteristics of the karst soil microbial community for Pb-Zn mine tailings[J]. Environmental Science, 2018, 39(5): 2420-2430. |
| [34] | Wardle D A, Ghani A. A critique of the microbial metabolic quotient (qCO2) as a bioindicator of disturbance and ecosystem development[J]. Soil Biology and Biochemistry, 1995, 27(12): 1601-1610. DOI:10.1016/0038-0717(95)00093-T |
| [35] | Dilly O, Munch J C. Microbial biomass content, basal respiration and enzyme activities during the course of decomposition of leaf litter in a black alder (Alnus glutinosa (L.) Gaertn.) forest[J]. Soil Biology and Biochemistry, 1996, 28(8): 1073-1081. DOI:10.1016/0038-0717(96)00075-2 |
| [36] | Alfreider A, Schirmer M, Vogt C. Diversity and expression of different forms of RubisCO genes in polluted groundwater under different redox conditions[J]. FEMS Microbiology Ecology, 2012, 79(3): 649-660. DOI:10.1111/j.1574-6941.2011.01246.x |
| [37] | Henning S M, Yang J P, Shao P, et al. Health benefit of vegetable/fruit juice-based diet: Role of microbiome[J]. Scientific Reports, 2017, 7(1). DOI:10.1038/s41598-017-02200-6 |
| [38] |
李可, 谢厦, 孙彤, 等. 鸡粪有机肥对设施菜地土壤重金属和微生物群落结构的影响[J]. 生态学报, 2021, 41(12): 4827-4839. Li K, Xie S, Sun T, et al. Effects of organic fertilizers from chicken manure on soil heavy metals and microbial community structure in facility vegetable soil[J]. Acta Ecologica Sinica, 2021, 41(12): 4827-4839. |
| [39] | Wang H T, Chi Q Q, Zhu D, et al. Arsenic and sulfamethoxazole increase the incidence of antibiotic resistance genes in the gut of earthworm[J]. Environmental Science & Technology, 2019, 53(17): 10445-10453. |
| [40] |
赵立君, 刘云根, 王妍, 等. 砷污染湖滨湿地底泥微生物群落结构及多样性[J]. 中国环境科学, 2019, 39(9): 3933-3940. Zhao L J, Liu Y G, Wang Y, et al. Microbial community structure and diversity of arsenic-contaminated lakeshore wetland sediments[J]. China Environmental Science, 2019, 39(9): 3933-3940. |
| [41] | Zhang M M, Wang N, Hu Y B, et al. Changes in soil physicochemical properties and soil bacterial community in mulberry (Morus alba L.)/alfalfa (Medicago sativa L.) intercropping system[J]. Microbiologyopen, 2018, 7(2). DOI:10.1002/mbo3.555 |
| [42] |
杜思垚, 陈静, 刘佳炜, 等. 基于宏基因组学揭示咸水滴灌对棉田土壤微生物的影响[J]. 环境科学, 2023, 44(2): 1104-1119. Du S Y, Chen J, Liu J W, et al. Revealing the effect of saline water drip Irrigation on soil microorganisms in cotton fields based on metagenomics[J]. Environmental Science, 2023, 44(2): 1104-1119. |
| [43] | Wang Y, Zheng H, Chen F L, et al. Stabilities of soil organic carbon and carbon cycling genes are higher in natural secondary forests than in artificial plantations in Southern China[J]. Land Degradation & Development, 2020, 31(18): 2986-2995. |
| [44] | Xu C, Chen Y P, Su C C, et al. Microbial characteristics response to the soil quality of newly created farmland on the Loess Plateau[J]. Environmental Science and Pollution Research, 2021, 28(31): 42290-42299. DOI:10.1007/s11356-021-13667-2 |
| [45] | Yuan H Z, Ge T D, Wu X H, et al. Long-term field fertilization alters the diversity of autotrophic bacteria based on the ribulose-1, 5-biphosphate carboxylase/oxygenase (RubisCO) large-subunit genes in paddy soil[J]. Applied Microbiology and Biotechnology, 2012, 95(4): 1061-1071. DOI:10.1007/s00253-011-3760-y |
| [46] | Azarbad H, Niklińska M, Laskowski R, et al. Microbial community composition and functions are resilient to metal pollution along two forest soil gradients[J]. FEMS Microbiology Ecology, 2015, 91(1): 1-11. |