2025, Vol. 46
, CHEN Dan , CHENG Jin-li , FANG Qiu-lu , HU Lan-xin , WANG Tong-yao , LI Cheng-ji , ZHAO Bin , LI Qi-quan
土壤有机碳（soil organic carbon, SOC）库是陆地生态系统中最大的碳库, 其储量为大气和植物的2~3倍[1 ~ 3]. 土壤有机碳储量的微小变化也可能会引起大气CO2浓度的显著改变, 并引发对气候变化的潜在正反馈[4,5]. 同时, 土壤有机碳与大多数土壤养分和土壤微生物活动紧密相关, 是评估土壤质量的关键指标之一[6,7]. 增加土壤有机碳不仅可以改善土壤结构和提升土壤质量[4], 还被认为是实现碳固存和缓解气候变暖的重要途径[8 ~ 10]. 然而, 受多种因素共同影响, 土壤有机碳空间变异性强, 其变化和在碳固存中的作用也存在高度的不确定性[9 ~ 11]. 因此, 厘清土壤有机碳与各种因素间的关系, 是采取针对性措施提高土壤有机碳含量进而提升土壤质量的前提, 也是准确估计全球环境变化背景下土壤固碳潜力及其缓解气候变化能力的需要.
耕地是陆地表面最大的土地利用类型, 在土壤碳管理方面扮演着十分重要的角色[12 ~ 14]. 据估计, 全球耕地土壤有机碳储量在128~165 Pg, 约占全球土壤有机碳的10%[15]. 相较于林地和草地等自然土壤, 耕地土壤有机碳含量低, 在有机碳固存和缓解全球气候变化上有着巨大潜力[12 ~ 14]；同时, 提高耕地土壤有机碳含量也能增加土壤养分供给从而提升耕地质量[7,8]. 但是, 受人类耕作活动的强烈影响, 耕地土壤有机碳高度不稳定, 可在短时间内发生显著变化[16,17]. 现有研究表明, 不同区域不同环境条件下耕地土壤有机碳变化方向和幅度明显不同[14,17,18]. 如青藏高原东部耕地表层土壤有机碳含量自20世纪80年代以来明显下降[18], 而相邻的四川盆地耕地表层土壤有机碳含量则显著增加, 且在不同环境条件下增加幅度不同[2,14]. 此外, 现有各种模型对耕地土壤有机碳变化的预测结果与长期定位监测结果相反[14,17,19]. 这些研究结果进一步说明未来耕地土壤有机碳变化和碳固存作用的不确定性. 深刻理解耕地土壤有机碳变化的潜在机制, 尤其是耕地土壤有机碳与各种影响因素间的关系, 有助于合理制定耕地土壤质量提升方案以及正确评估高强度人为干扰和全球变化背景下耕地土壤碳固存在缓解气候变暖方面的潜力.
土壤有机碳是由具有不同功能和活性的组分构成的异质复合体, 不同组分对环境变化的反应不同[11,20,21]. 将土壤有机碳划分为颗粒态有机碳（particulate organic carbon, POC）和矿物结合态有机碳（mineral-associated organic carbon, MAOC）被认为是深入理解土壤有机碳变化潜在机制的有效办法[11,21,22]. 其中, 土壤颗粒态有机碳主要是植物残体在物理、化学和生物（微生物体外修饰途径）作用下破碎、分解后沉积于土壤中的碳（即植物源有机质贡献于土壤有机碳的途径）, 其稳定性主要依赖于生化难分解性、团聚体闭蓄作用和/或微生物抑制作用, 具有相对较短的周转时间；而土壤矿物结合态有机碳则是植物凋落物直接浸出的低分子量化合物、微生物体外修饰后仍不能被微生物利用的部分分解的植物残体以及微生物代谢产物和微生物残体通过范德瓦尔斯力、氢键、共价键、络合作用和阳离子桥等方式与矿物结合（或土壤中微孔吸附）的小分子有机碳, 相对稳定且周转时间较长[11,20,22]. 分析土壤颗粒态有机碳和矿物结合态有机碳含量特征及其调控因素, 已成为当前探究土壤有机碳形成、演化和稳定机制的热点[11,20 ~ 23]. 在缺少历史土壤有机碳组分数据的情况下, 掌握大尺度上控制土壤有机碳组分空间分布及其影响因素, 对于理解和预测全球环境变化和人为干扰下土壤有机碳变化具有重要的参考价值[10,11,23,24]. 然而, 目前关于土壤颗粒态和矿物结合态有机碳的空间格局研究刚刚起步[23], 区域尺度上这些组分的空间分布特征及其调控因素仍不清楚, 限制了对真实环境下土壤有机碳变化机制的深入理解.
四川盆地是我国四大盆地之一, 盆地内农业历史悠久, 人为活动强烈, 垦殖率高, 是我国重要的粮食产区之一[2,12,14], 为研究大尺度耕地土壤有机碳组分及其影响因素提供了理想区域. 前期研究分析揭示了该盆地土壤总有机碳时空变化特征[2,14,25], 但该区域耕地土壤有机碳组分含量特征及其与各种因素间的关系尚不清楚. 本研究在四川盆地进行实地采样, 分析该区域耕地土壤颗粒态和矿物结合态有机碳含量状况, 采用方差分析、相关分析和随机森林模型等方法探讨两种土壤有机碳组分与气候、地形、耕地利用方式以及施肥等因素的关系, 明确不同土壤有机碳组分的主控因素, 以期为深入理解耕地土壤有机碳固存机制和优化土壤质量提升耕地管理策略提供科学依据.
1 材料与方法 1.1 区域概况四川盆地位于我国西南部（27°38′~32°54′N, 102°48′~109°16′E）, 涉及四川和重庆两个省市119个区县（图 1）. 盆地内地貌类型多样, 包括盆周山地、成都平原、川中丘陵和平行岭谷区. 盆地底部平均海拔约为500 m, 盆周与盆底最大海拔高差达2 500 m[2]. 盆地属中亚热带湿润气候区, 年均温14.9~18.6℃, 年降水量为700~1 700 mm[2]. 土壤成土母质主要有紫色砂页岩、紫色泥岩、上更新统黄色黏土、中下更新统老冲积物以及近代河流冲积物. 土壤类型主要为水稻土、紫色土、黄壤和石灰（岩）土. 区内耕地面积约占盆地总面积的76%, 传统利用方式主要包括水田（单季水稻）、旱地（油菜-玉米/红薯/大豆或小麦-玉米/红薯/大豆）和水旱轮作（以水稻-小麦或水稻-油菜等轮作方式为主）.
|
图 1 四川盆地位置及土壤采样点分布 Fig. 1 Distribution of the location and soil sample sites in the Sichuan Basin |
土壤数据来源于2017~2019年在四川盆地采集的耕地表层土壤样点[2,14,25]. 在充分考虑四川盆地土壤类型、地形地貌和3种典型传统农地利用方式分布等因素以及样点分布均匀性的基础上进行采样点布设和采样. 实际采样时, 在布设点位处根据土壤类型、地形部位以及农地利用方式, 选择具有代表性的地块, 在半径约5 m的范围内采集4~5个表层土壤（0~20cm）样品, 以四分法均匀混合形成一个土壤样品. 土样带回实验室自然风干后, 剔除杂质, 碾磨过筛后备用. 由于测定土壤颗粒态有机碳和矿物结合态有机碳含量的工作量较大, 参考已有研究做法[11], 从原4 000多个土壤采样点中抽取约20%的样点（871个）用于测定两个土壤有机碳组分的含量. 样点大致按原样本中主要土壤类型和3种耕地利用类型的比例抽取, 同时这些抽取的样点较均匀地分布于整个四川盆地（图 1）. 抽取的样点囊括3种耕地利用类型和4种主要土壤类型；其中, 旱地、水旱轮作地和水田样点数分别为374、258和239个, 水稻土、紫色土、黄壤和石灰（岩）土样点数分别为497、295、49和30个. 所选样点土壤总有机碳含量直方图与原数据集土壤总有机碳含量直方图相似, 能作为代表性样点揭示该区域土壤颗粒态有机碳和矿物结合态有机碳含量特征.
采用重铬酸钾容量法-外加热法测定土壤样品总有机碳含量, 采用比重计法测定土壤质地（黏粒：< 0.002 mm, 粉粒：0.002~0.02 mm, 砂粒：0.02~2 mm） [26]. 通过振荡分散物理分组法测定颗粒态有机碳（> 53 μm）和矿物结合态有机碳（< 53 μm）含量[23,27]. 测定有机碳组分过程中, 首先称取10 g过2 mm筛的风干土样于250 mL三角瓶中加入50 mL的六偏磷酸钠[（NaPO3）6, 5 g·L-1]溶液, 手摇15 min后用往复式振荡器（18 ℃, 90 r·min-1）振荡18 h；再将分散液过53 µm筛, 反复用纯水冲洗至筛下水为无色, 收集筛上剩余土样至已称重铝盒中, 在60 ℃烘箱中烘干（> 12 h）并称重, 计算其所占土壤样品的质量分数；最后将烘干土研磨过0.149 mm筛, 采用重铬酸钾容量法-外加热法测定其有机碳含量, 并根据其占土壤样品质量分数, 计算得到该土样颗粒态有机碳含量. 每个土样测定均设置3个平行. 将土样总有机碳含量减去颗粒态有机碳含量得到矿物结合态有机碳含量. 该测定方法结果中, 矿物结合态有机碳可能包含少部分极细的颗粒态有机碳和可溶性有机碳, 但其含量极少, 其影响轻微并认为可以忽略[11,23,27,28]；该方法也能在短时间内高效地分析大量土壤样品颗粒态有机碳和矿物结合态有机碳含量.
1.2.2 影响因素数据选择气候、地形、耕地利用类型、植被生产力、土壤质地以及施肥量作为影响因素. 其中, 气象数据来源于研究区内部111个气象站和周边33个气象站1981~2015年的气温和降雨量资料；依据该数据计算得到各站点年均气温（mean annual temperature, MAT）和年均降雨量（mean annual precipitation, MAP）, 之后在软件ArcGIS中使用普通克里格法进行空间插值, 生成这两个气象因子空间分布数据. 地形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/）的ALOS 12.5m DEM, 利用该数据在软件ArcGIS中计算得到研究区坡度、坡向以及地形湿度指数等地形因子. 净初级生产力（net primary productivity, NPP）是绿色植物通过光合作用在单位时间单位面积所积累的有机物质的量, 常被选为大尺度上土壤有机碳的影响因素. 本研究中NPP数据为利用2000~2019年MODIA/Terra的MOD17A3HGF数据集产品（https://e4ftl01.cr.usgs.gov/MOLT/MOD17A3HGF.006/）计算的多年平均值. 化肥施用量数据来自《四川省农业统计年鉴（1981~2015）》《重庆统计年鉴（1997~2015）》, 利用统计年鉴中各区县化肥施用总量和耕地面积, 计算得到各区县单位耕地面积上化肥年施用强度. 最后依据样点坐标将各因素值提取至每个样点.
1.3 数据分析方法采用一般统计分析、相关分析、方差分析、半方差函数和随机森林模型, 分析研究区耕地表层土壤有机碳组分含量的基本统计特征和空间结构特征, 揭示土壤颗粒态有机碳和矿物结合态有机碳含量与各影响因素间的关系. 其中, 相关分析用于揭示定量因子（包括年均气象因子、地形因子、土壤颗粒含量、NPP和施肥量）与土壤有机碳组分含量的相关关系, 显著性水平定义为P < 0.05（*）、P < 0.01（**）和P < 0.001（***）. 单因素方差分析（LSD）法, 分析过程中对数据正态性进行检查, 并采用对数转换使数据符合正态分布, 用于揭示不同耕地利用方式间土壤颗粒态有机碳和矿物结合态有机碳含量是否存在显著差异；半方差函数用于分析土壤颗粒态有机碳和矿物结合态有机碳的空间结构特征；依据最优半方差模型的参数, 在ArcGIS软件中采用普通克里格插值法获得研究区土壤颗粒态有机碳和矿物结合态有机碳含量的空间分布趋势, 同时以交叉验证法评估插值结果精度；随机森林模型用于定量表达各影响因素对耕地表层2个土壤有机碳组分含量的影响程度, 为保证随机森林模型结果的稳定性, 其参数ntree设置为1 000[29], mtry则通过迭代以预测值与实测值间均方根误差最小来确定. 统计分析、相关分析和方差分析在软件SPSS中完成, 随机森林模型在R中利用“randomForest”完成（R4.2.3）, 结果绘图在Origin2021和ArcGIS软件中实现.
2 结果与分析 2.1 统计特征根据871个土壤样点分析结果（图 2）, 四川盆地耕地表层土壤ω（POC）和ω（MAOC）分别在0.42~15.27 g·kg-1和2.27~19.36 g·kg-1之间, 平均值为5.01 g·kg-1和9.79 g·kg-1, 分别占土壤总有机碳含量的32.5%和67.5%, 表明该区域耕地表层土壤有机碳以矿物结合态有机碳为主. 从变异程度来看, 颗粒态有机碳的变异系数为56.3%, 远大于矿物结合态有机碳（35.0%）, 但二者均属于中等程度的变异. 数据分布形态分析表明, 颗粒态有机碳符合对数正态分布, 矿物结合态有机碳为近似正态分布（偏度和峰度均在-1~1之间）.
|
carbon（MAOC）and their relationships with total soil organic carbon（SOC）across Sichuan Basin 图 2 四川盆地耕地土壤颗粒态有机碳和矿物结合态有机碳含量及其与土壤总有机碳的关系 Fig. 2 Contents of cropland soil particulate organic carbon (POC) and mineral-associated organic |
相关分析结果表明, 颗粒态和矿物结合态有机碳均与土壤总有机碳呈极显著的正相关关系[图 2（d）和2（e）, P < 0.001], 但随着土壤总有机碳含量的增加, 颗粒态有机碳占土壤总有机碳的比例明显增大[图 2（f）]. 这表明在土壤总有机碳含量较高的土壤中, 颗粒态有机碳所占比例相对较大.
2.2 空间分布特征根据颗粒态和矿物结合态有机碳含量的数据分布类型, 分别采用颗粒态有机碳含量的对数值和矿物结合态有机碳含量原始值进行半方差函数分析. 结果表明（表 1）, 颗粒态有机碳含量符合球状模型, 矿物结合态有机碳含量符合指数模型, 2个拟合模型的决定系数均在0.80以上, 能较好地反映2个土壤有机碳组分的空间结构特征. 从拟合半方差模型的参数来看, 颗粒态和矿物结合态有机碳的变程分别为118 km和127 km, 空间自相关范围较大. 块基比分别为73.2%和67.0%, 均在25%~75%之间, 属于中等强度的空间自相关, 表明其空间变异性由结构因素和随机因素共同决定；但2个组分的块基比均非常接近75%, 说明随机因素（如耕地利用类型以及与其有关的耕作措施、施肥管理和土壤改良等人类活动）的作用大于结构因素（如气候因素）的影响.
|
表 1 四川盆地耕地土壤颗粒态有机碳和矿物结合态有机碳的半方差模型及其参数 Table 1 Semi-variance models and parameters of cropland soil particulate organic carbon (POC) and mineral-associated organic carbon (MAOC) in the Sichuan Basin |
利用ArcGIS软件中的普通克里格法得到研究区土壤颗粒态和矿物结合态有机碳含量的空间分布趋势（图 3）. 从图 3可以看出, 四川盆地耕地表层土壤2个有机碳组分的空间分布格局基本一致, 总体表现为“盆地中心低、边缘高”的空间分布趋势. 颗粒态和矿物结合态有机碳含量高值[ ω（POC） > 6 g·kg-1, ω（MAOC） > 10 g·kg-1 ]区较集中地分布于在盆地西北部安县、绵竹和什邡, 西部雅安市的雨城区、名山区和芦山县, 南部宜宾市的筠连县、珙县和泸州市的叙永县, 而低值区则主要分布于盆地中心的资阳市、遂宁市以及南充市的各区县. 尽管如此, 盆地中部也有少量高值区域分布.
|
图 3 四川盆地耕地土壤颗粒态和矿物结合态有机碳含量空间分布 Fig. 3 Contents of cropland soil particulate organic carbon (POC) and mineral-associated organic carbon (MAOC) at the sampling sites across the Sichuan Basin |
不同耕地利用类型下土壤颗粒态和矿物结合态有机碳含量差异显著（表 2）. 3种耕地利用类型中, 旱地土壤ω（POC）和ω（MAOC）最低, 分别为3.70 g·kg-1和8.29 g·kg-1, 远小于水旱轮作地的6.15 g·kg-1和11.47 g·kg-1以及水田的5.81 g·kg-1和10.31 g·kg-1（P < 0.05, 表 2）. 水旱轮作地矿物结合态有机碳含量显著高于水田（P < 0.05, 表 2）, 但这2种耕地利用类型上土壤颗粒态有机碳含量没有显著差异（P > 0.05, 表 2）.
|
|
表 2 不同耕地利用类型土壤颗粒态有机碳和矿物结合态有机碳含量统计特征1） Table 2 Contents of cropland soil particulate organic carbon (POC) and mineral-associated organic carbon (MAOC) for different cropland types |
2.3.2 气温和降雨
相关分析表明（图 4）, 四川盆地耕地表层土壤有机碳2个组分与年均气温呈极显著的负相关关系（P < 0.001）, 而与年均降雨量呈显著的正相关（P < 0.05）. 2个组分与年均气温的相关系数分别为-0.209和-0.295, 从相关系数绝对值来看远大于年均降雨量的相关系数. 这表明, 研究区耕地表层土壤有机碳2个组分与年均气温的相关性远高于年均降雨量, 年均气温较低的区域耕地土壤颗粒态和矿物结合态有机碳含量更高.
|
图 4 土壤颗粒态和矿物结合态有机碳含量与年均气温和降雨量的关系 Fig. 4 Relationships between soil particulate organic carbon (POC) and mineral-associated organic carbon（MAOC）content and annual average temperature and precipitation |
由图 5可知, 研究区耕地表层土壤颗粒态和矿物结合态有机碳含量与坡度和地形湿度指数密切相关. 其中, 土壤颗粒态和矿物结合态有机碳与坡度呈极显著的负相关关系（P < 0.001）, 其含量值随坡度增加而降低；而地形湿度指数则与土壤有机碳2个组分呈极显著的正相关关系（P < 0.001）, 即在地势低洼容易积水的地形条件下, 土壤颗粒态和矿物结合态有机碳含量相对较高.
|
图 5 土壤颗粒态和矿物结合态有机碳含量与地形因子间的关系 Fig. 5 Relationships between soil particulate organic carbon (POC) and mineral-associated organic carbon (MAOC) content and topographical factors |
土壤质地对研究区土壤颗粒态和矿物结合态有机碳含量存在显著影响（图 6）. 其中, 土壤颗粒态和矿物结合态有机碳与砂粒含量均存在极显著的负相关（P < 0.001）, 而与粉粒和黏粘含量则表现为极显著的正相关（P < 0.001）, 即研究区耕地表层土壤有机碳2个组分均随土壤砂粒含量增加而降低, 随粉粒和黏粘含量增加而增加. 从相关系数的绝对值来看, 各粒径与矿物结合态有机碳的相关性高于颗粒态有机碳, 表明土壤质地对矿物结合态有机碳的影响更大.
|
图 6 土壤颗粒态和矿物结合态有机碳含量与土壤质地的关系 Fig. 6 Relationships between soil particulate organic carbon (POC) and mineral-associated organic carbon (MAOC) content and soil texture |
由图 7可知, 土壤颗粒态和矿物结合态有机碳与NPP呈极显著的正相关关系（P < 0.001）, 其含量随NPP增加而升高, 即净初级生产力高的区域作物秸秆和根系生物量更大, 可归还至土壤中的有机物更多, 形成的颗粒态和矿物结合态有机碳含量就越高. 化肥施用量与土壤颗粒态和矿物结合态有机碳表现为负相关关系, 但在统计意义上均不显著[P > 0.05, 图 7（b）和7（d）].
|
图 7 土壤颗粒态和矿物结合态有机碳含量与净初级生产力和化肥施用量的关系 Fig. 7 Relationships between soil particulate organic carbon (POC) and mineral-associated organic carbon（MAOC）content and net primary productivity（NPP）and fertilizer application rate |
随机森林模型分析表明（图 8）, 耕地利用类型和年均气温是影响四川盆地耕地表层土壤颗粒态和矿物结合态有机碳含量分布第一和第二重要的2个因素；其中, 耕地利用类型的重要程度远远超过其他因素, 是最重要的控制因素. 由于不同耕地利用类型（旱地、水田和水旱轮作）与耕作措施、施肥管理和土壤改良等人类活动有关, 这一结果与半方差分析结果一致.
|
（a）中1~12分别表示耕地利用类型, 年均气温, NPP, 砂粒含量, 化肥施用量, 粉粒含量, 地形湿度指数, 黏粒含量, 坡度, 年降雨量, 坡长, 汇流面积, （b）中1~12分别表示耕地利用类型, 年均气温, NPP, 砂粒含量, 化肥施用量, 粉粒含量, 地形湿度指数, 黏粒含量, 坡度, 年降雨量, 坡长, 汇流面积 图 8 各影响因素对土壤颗粒态有机碳和矿物结合态有机碳含量的相对重要性 Fig. 8 Relative importance of different influencing factors on the contents of cropland soil particulate organic carbon (POC) and mineral-associated organic carbon (MAOC) |
进一步在不同耕地利用类型中分析土壤有机碳2个组分与其他因素的关系发现, 不同耕地利用类型中土壤有机碳2个组分的影响因素存在明显差异（图 9）. 旱地上, 土壤有机碳2个组分主要与年均气温、砂粒含量和化肥施用量表现为极显著的负相关（P < 0.01）, 而与NPP、年均降雨量、黏粒含量、地形湿度指数和汇流面积呈显著的正相关[P < 0.05, 图 9（a）和9（d）], 其中NPP、年平均气温和土壤质地是相关性最大的3个因素. 对于水旱轮作地, 土壤颗粒态有机碳主要与年均气温、坡度、净初级生产力、砂粒含量和粉粒含量显著相关, 其中年均气温和坡度的相关性最大；矿物结合态有机碳与年均气温、土壤质地、坡度和NPP显著相关, 其中年均气温和土壤质地的相关性较高[P < 0.05, 图 9（b）和9（e）]. 水田上, 土壤颗粒态和矿物结合态有机碳与土壤质地和NPP显著相关[P < 0.05, 图 9（c）和9（f）], 其中与土壤质地的相关性较高. 这表明, 耕地利用类型控制着其他各因素对土壤颗粒态和矿物结合态有机碳的影响.
|
*、**和***分别表示显著水平为P < 0.05、P < 0.01和P < 0.001；N表示各耕地利用类型土壤样本数；圆形大小和方向对应相关性的大小和正负；A.POC（土壤颗粒态有机碳）, B.MAOC（土壤矿物结合态有机碳）；1.年均气温, 2.年降雨量, 3.坡度, 4.汇流面积, 5.地形湿度指数, 6.砂粒, 7.粉粒, 8.黏粒, 9.NPP, 10.化肥施用量 图 9 不同耕地利用类型中土壤颗粒态有机碳和矿物结合态有机碳含量与各影响因素之间的相关系数 Fig. 9 Correlation coefficients between the two soil organic carbon fractions and the influencing factors within different cropland types |
四川盆地耕地表层土壤有机碳以矿物结合态有机碳为主, 占土壤总有机碳的2/3, 约是颗粒态有机碳含量的2倍, 与已有研究结果一致, 即耕地土壤中颗粒态有机碳含量通常低于矿物结合态有机碳[30]. 这种差异主是源于这2种组分的密度差异以及土壤保护机制的不同. 颗粒态有机碳由不受矿物保护的动植物残体分解副产物构成, 更容易被微生物利用分解[22,31]. 此外, 颗粒态有机碳的密度低于矿物结合态有机碳, 使得颗粒态有机碳更容易移动并浸出土体[20,32]. 矿物结合态有机碳由于被吸附到矿物表面, 与矿物缔合从而受到保护, 不易移动和被微生物分解[20,33]. 对耕地土壤来说, 耕作措施可以在短期内大大提高土壤的通气性和孔隙率, 施肥可以增加微生物活性[7], 这可以通过刺激微生物分解和增加迁移导致颗粒态有机碳损失. 因此, 在耕作扰动较高的耕地中, 矿物结合态有机碳比颗粒态有机碳相对更能积累和保留.
耕地土壤中矿物结合态有机碳含量较高, 但由于可用于与碳结合的矿物表面积是有限的, 其在土壤中的累积存在理论上限[11,23,34]. 尽管矿物结合态有机碳和颗粒态有机碳随着总有机碳增加而增加, 但随着总有机碳增加, 矿物结合态有机碳越来越趋近饱和, 其比例降低, 而颗粒态有机碳比例增加. 因此, 在土壤总有机碳含量较高的土壤中, 颗粒态有机碳所占比例相对较高. 例如, 相较于耕地土壤, 森林土壤外部干扰少, 其颗粒态有机碳高于矿物结合态有机碳[23,35]. 因此, 制定有效的措施来保护和增加颗粒态有机碳可能是耕地土壤发挥固碳作用所必须要考虑的因素.
3.2 耕地利用类型对土壤有机碳组分的影响土壤有机碳在较大的区域通常受多种因素共同影响[2,10]. 本研究发现, 耕地利用类型是土壤有机碳2个组分的主控因素, 这主要是源于不同耕地利用类型的碳输入差异、土壤水分条件以及耕地利用类型对其他因素作用的控制. 首先, 3种耕地类型由于分布的位置不同, 碳输入来源存在差异. 旱地通常分布在丘坡或山坡的中上部[14]. 旱地上, 秸秆还田和施用有机肥向土壤输入一部分碳, 但通过根系、根系分泌物和残茬向土壤中输入碳是最主要的途径[7,12]. 由于地下净初级生产力与地上净初级生产力高度相关, 因此将通过遥感获得的净初级生产力（NPP）可以作为耕地上植物碳输入的替代变量[36,37], 能在旱地上获得与土壤有机碳间较高的相关性. 而水旱轮作地主要分布于丘坡或山坡中下部, 水田主要位于地势较低洼的冲沟[14]. 作物生长输入的碳并不是这两种耕地利用类型土壤碳唯一的主要来源. 由于盆地内土壤侵蚀严重[38], 丘坡或山坡中上部流失的土壤碳也会增加水旱轮作地和水田土壤碳的输入, 这也是旱地土壤有机碳低于水旱轮作地和水田的原因之一.
其次, 3种耕地利用类型上水分条件不同, 微生物活性以及铁（Fe）的赋存状态不同, 进而导致各组分的积累和分解存在差异. 对于水田和水旱轮作地, 淹水引起的厌氧条件不利于土壤微生物活动, 而有利于有机碳的积累, 这是这2种耕地利用类型土壤颗粒态和矿物结合态有机碳含量较高的另一重要原因. 同时, 水田和水旱轮作地的水分条件也是这2种耕地利用类型上土壤颗粒态有机碳没有差异的原因. 土壤湿度降低引起的土壤通气性改善可以刺激微生物分解, 从而导致颗粒态有机碳损失[20]. 水旱轮作地在旱作季节的好氧条件有利于颗粒态有机碳分解, 而位于地势较低洼处的水田因常年淹水可抑制木质纤维素分解从而保存更多的颗粒态有机碳[39]. 尽管每年双季轮作的水旱轮作地比单季轮作的水田有更多来自作物生长的直接碳输入, 水旱轮作上旱作季颗粒态有机碳的损失以及水田常年湿润条件最终导致这2种耕地利用类型上颗粒态有机碳无显著差异. 不同于颗粒态有机碳, 水旱轮作地和水田上矿物结合态有机碳含量差异可归因于不同水分条件下铁的氧化还原状态的不同. 活性铁[Fe（Ⅲ）]矿物可以通过吸附/共沉淀来保护有机碳, 而Fe（Ⅲ）的还原则可以导致铁结合态有机碳被释放[40,41]. 土壤淹水可导致Fe（Ⅲ）矿物的还原溶解, 因为厌氧条件下含铁矿物为Fe（Ⅲ）还原微生物的厌氧呼吸提供电子受体, 而好氧条件下氧气取代Fe（Ⅲ）作为微生物呼吸的电子受体并刺激Fe（Ⅱ）氧化为Fe（Ⅲ）, 进而促进铁结合态有机碳的形成[40,42]. 对位于地势较低洼处的水田而言, 湿润环境引起的铁还原可促使矿物结合态有机碳的持续矿化和损失；而对水旱轮作地而言, 矿物结合态有机碳的矿化和损失主要发生在水稻种植季节, 在旱作季通过改善土壤通气状况进而形成的铁结合态有机碳则可以补充一部分矿物结合态有机碳, 从而导致水旱地轮作地土壤矿物结合态有机碳含量高于水田. 一项为期两年的实验发现, 相比双季水稻轮作, 玉米-水稻轮作地土壤铁结合态有机碳在玉米季节提高了12%~17%, 玉米种植过程中铁的氧化是提高铁结合有机碳含量的主要机制[43].
第三, 耕地类型控制着其他因素对2个碳组分的影响. 本研究发现, 耕地土壤有机碳组分的主要控制因素因耕地利用类型而异, 旱地和水旱作地上土壤有机碳2个组分数更易受到外部环境变量（如气温、地形和施肥）的影响. 作物生长产生的碳输入是旱地土壤有机碳的主要来源, 因而旱地上净初级生产力与土壤有机碳2个组分均高度相关, 但上坡区的土壤侵蚀增加了地势相对较低区域水旱轮作地和水田的碳输入, 从而削弱了水田和水旱轮作地上净初级生产力与有机碳组分间的相关性. 气温升高可以通过升高土壤温度和土壤呼吸刺激SOC分解[44], 导致年平均温度和SOC分数之间显著负相关. 但湿润条件可抑制土壤温度随气温变化的变化[14], 因而水旱轮作地和水田上气温与2个有机碳组分间的相关关系减弱, 尤其是水田. 地形可通过影响土壤有机碳的迁移和积累对其产生重要影响[45], 但由于水稻种植对田间持水的需求, 水田和水旱轮作地的地表平整度远高于旱地, 这降低了2种耕地利用类型内部地形对有机碳迁移和积累的影响, 并导致地形因子与2个有机碳组分间较低的相关性. 施用化肥可以提高作物生产力和增加碳投入, 但过量化肥使用会导致土壤酸化, 从而减少根系产量[46,47], 使得旱地上化肥施用量与碳组分间呈现负相关关系. 但在淹水条件下, 土壤反硝化作用和Fe、Mn和S等的还原会消耗质子（H+）[48,49], 这可抵消一部分化肥施用的产酸效应, 降低水田和水旱轮作地的土壤酸化程度, 进而削弱化肥施用量与有机碳组分间的负相关性. 因此, 耕地利用类型主要是通过其地形位置差异引起的不同碳输入和土壤水分条件的差异来控制其他外部环境变量的作用.
综上, 尽管土壤颗粒态和矿物结合态有机碳具有不同功能和周转时间, 耕地利用类型均是其主控因素, 其他各因素的作用因耕地利用类型的不同而产生变化. 这一结果可为制定有效提高耕地土壤有机碳含量的耕地管理方式和农艺措施提供更具体的依据和思路. 例如, 在当前高标准农田建设过程中, 对位于地势低洼区的水田挖沟排水并引入一季旱作作物, 不仅可以提高粮食总产量, 还可以提高矿物结合态有机碳含量, 实现耕地土壤固碳.
4 结论四川盆地耕地表层土壤有机碳以矿物结合态有机碳为主, 占土壤总有机碳含量的67.5%. 空间上, 土壤颗粒态和矿物结合态有机碳均呈现出“盆地中心低、边缘高”的空间分布格局, 由结构性因素和随机性因素共同决定. 耕地利用类型是该盆地耕地表层土壤有机碳2个组分的主控因素, 其他各因素的作用因耕地利用类型的不同而异. 旱地上NPP、年均气温和土壤质地是与土壤有机碳2个组分相关性最大的3个因素；水旱轮作地上土壤颗粒态有机碳与年均气温和坡度的相关性最大, 而矿物结合态有机碳与年均气温和土壤质地的相关性较高；水田上土壤颗粒态和矿物结合态有机碳最重要的影响因素为土壤质地.
| [1] | Batjes N H. Harmonized soil property values for broad-scale modelling (WISE30sec) with estimates of global soil carbon stocks[J]. Geoderma, 2016, 269: 61-68. DOI:10.1016/j.geoderma.2016.01.034 |
| [2] |
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. |
| [3] | Balesdent J, Basile‐Doelsch I, Chadoeuf J, et al. Atmosphere-soil carbon transfer as a function of soil depth[J]. Nature, 2018, 559(7715): 599-602. DOI:10.1038/s41586-018-0328-3 |
| [4] | Bradford M A, Wieder W R, Bonan G B, et al. Managing uncertainty in soil carbon feedbacks to climate change[J]. Nature Climate Change, 2016, 6(8): 751-758. DOI:10.1038/nclimate3071 |
| [5] |
冯晓琳, 闫雨阳, 张欣然, 等. 近30 a陕西土壤有机碳的时空变化特征及影响因素[J]. 环境科学, 2024, 45(10): 5994-6001. Feng X L, Yan Y Y, Zhang X R, et al. Temporal and spatial variations of soil organic carbon and the influencing factors in Shaanxi Province in recent 30 years[J]. Environmental Science, 2024, 45(10): 5994-6001. |
| [6] | Stevenson B A, Sarmah A K, Smernik R, et al. Soil carbon characterization and nutrient ratios across land uses on two contrasting soils: their relationships to microbial biomass and function[J]. Soil Biology and Biochemistry, 2016, 97: 50-62. DOI:10.1016/j.soilbio.2016.02.009 |
| [7] | Luo Y L, Li Q Q, Shen J, et al. Effects of agricultural land use change on organic carbon and its labile fractions in the soil profile in an urban agricultural area[J]. Land Degradation & Development, 2019, 30(15): 1875-1885. |
| [8] | Moinet G Y K, Hijbeek R, van Vuuren D P, et al. Carbon for soils, not soils for carbon[J]. Global Change Biology, 2023, 29(9): 2384-2398. DOI:10.1111/gcb.16570 |
| [9] |
张俊华, 李国栋, 王岩松, 等. 黄河泥沙冲/沉积区土壤有机碳不同组分空间特征及变异机制[J]. 地理学报, 2020, 75(3): 558-570. Zhang J H, Li G D, Wang Y S, et al. Spatial characteristics and variation mechanism of different soil organic carbon components in the alluvial/sedimentary zone of the Yellow River[J]. Acta Geographica Sinica, 2020, 75(3): 558-570. |
| [10] | Rossel R A V, Lee J, Behrens T, et al. Continental-scale soil carbon composition and vulnerability modulated by regional environmental controls[J]. Nature Geoscience, 2019, 12(7): 547-552. DOI:10.1038/s41561-019-0373-z |
| [11] | Lugato E, Lavallee J M, Haddix M L, et al. Different climate sensitivity of particulate and mineral-associated soil organic matter[J]. Nature Geoscience, 2021, 14(5): 295-300. DOI:10.1038/s41561-021-00744-x |
| [12] | Li Q Q, Li A W, Dai T F, et al. Depth-dependent soil organic carbon dynamics of croplands across the Chengdu Plain of China from the 1980s to the 2010s[J]. Global Change Biology, 2020, 26(7): 4134-4146. DOI:10.1111/gcb.15110 |
| [13] | Minasny B, Malone B P, McBratney A B, et al. Soil carbon 4 per mille[J]. Geoderma, 2017, 292: 59-86. DOI:10.1016/j.geoderma.2017.01.002 |
| [14] | 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 |
| [15] | Watson R T, Noble I R, Bolin B, et al. Land use, land-use change, and forestry: a special report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2000. |
| [16] | Hobley E, Baldock J, Hua Q, et al. Land-use contrasts reveal instability of subsoil organic carbon[J]. Global Change Biology, 2017, 23(2): 955-965. DOI:10.1111/gcb.13379 |
| [17] | Yan X Y, Cai Z C, Wang S W, et al. Direct measurement of soil organic carbon content change in the croplands of China[J]. Global Change Biology, 2011, 17(3): 1487-1496. DOI:10.1111/j.1365-2486.2010.02286.x |
| [18] |
李珊, 李启权, 王昌全, 等. 盐源县耕层土壤有机碳时空变化及影响因素显著性变化分析[J]. 土壤通报, 2015, 46(5): 1063-1070. Li S, Li Q Q, Wang C Q, et al. Spatio-temporal variation of soil organic carbon and significant changes in its impact factors—a case study in Yanyuan County, Southwest Sichuan[J]. Chinese Journal of Soil Science, 2015, 46(5): 1063-1070. |
| [19] | Li C S, Zhuang Y H, Frolking S, et al. Modeling soil organic carbon change in croplands of China[J]. Ecological Applications, 2003, 13(2): 327-336. DOI:10.1890/1051-0761(2003)013[0327:MSOCCI]2.0.CO;2 |
| [20] | Liu F T, Qin S Q, Fang K, et al. Divergent changes in particulate and mineral-associated organic carbon upon permafrost thaw[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-32681-7 |
| [21] | Luo Z K, Rossel R A V, Shi Z. Distinct controls over the temporal dynamics of soil carbon fractions after land use change[J]. Global Change Biology, 2020, 26(8): 4614-4625. DOI:10.1111/gcb.15157 |
| [22] | Lavallee J M, Soong J L, Cotrufo M F. Conceptualizing soil organic matter into particulate and mineral‐associated forms to address global change in the 21st century[J]. Global Change Biology, 2020, 26(1): 261-273. DOI:10.1111/gcb.14859 |
| [23] | Cotrufo M F, Ranalli M G, Haddix M L, et al. Soil carbon storage informed by particulate and mineral-associated organic matter[J]. Nature Geoscience, 2019, 12(12): 989-994. DOI:10.1038/s41561-019-0484-6 |
| [24] | O'Rourke S M, Angers D A, Holden N M, et al. Soil organic carbon across scales[J]. Global Change Biology, 2015, 21(15): 3561-3574. |
| [25] |
李艾雯, 冉敏, 宋靓颖, 等. 四川盆地耕地表层土壤有机碳含量空间分布特征及其影响因素[J]. 长江流域资源与环境, 2023, 32(5): 1102-1112. Li A W, Ran M, Song L Y, et al. Spatial distribution characteristics and influencing factors of cropland topsoil organic carbon content in the Sichuan Basin[J]. Resources and Environment in the Yangtze Basin, 2023, 32(5): 1102-1112. |
| [26] | 鲁如坤. 土壤农业化学分析方法[M]. 北京: 中国农业科技出版社, 2000. |
| [27] | Cambardella C A, Elliott E T. Particulate soil organic-matter changes across a grassland cultivation sequence[J]. Soil Science Society of America Journal, 1992, 56(3): 777-783. DOI:10.2136/sssaj1992.03615995005600030017x |
| [28] | Zhang Z L, Kaye J P, Bradley B A, et al. Cover crop functional types differentially alter the content and composition of soil organic carbon in particulate and mineral-associated fractions[J]. Global Change Biology, 2022, 28(19): 5831-5848. DOI:10.1111/gcb.16296 |
| [29] | Grimm R, Behrens T, Märker M, et al. Soil organic carbon concentrations and stocks on barro Colorado island-digital soil mapping using random forests analysis[J]. Geoderma, 2008, 146(1-2): 102-113. DOI:10.1016/j.geoderma.2008.05.008 |
| [30] | Haddix M L, Gregorich E G, Helgason B L, et al. Climate, carbon content, and soil texture control the independent formation and persistence of particulate and mineral-associated organic matter in soil[J]. Geoderma, 2020, 363. DOI:10.1016/j.geoderma.2019.114160 |
| [31] | Ye C L, Chen D M, Hall S J, et al. Reconciling multiple impacts of nitrogen enrichment on soil carbon: plant, microbial and geochemical controls[J]. Ecology Letters, 2018, 21(8): 1162-1173. DOI:10.1111/ele.13083 |
| [32] | Nadeu E, Berhe A A, de Vente J, et al. Erosion, deposition and replacement of soil organic carbon in Mediterranean catchments: a geomorphological, isotopic and land use change approach[J]. Biogeosciences, 2012, 9(3): 1099-1111. DOI:10.5194/bg-9-1099-2012 |
| [33] | Lützow M V, Kögel-Knabner I, Ekschmitt K, et al. Stabilization of organic matter in temperate soils: mechanisms and their relevance under different soil conditions-a review[J]. European Journal of Soil Science, 2006, 57(4): 426-445. DOI:10.1111/j.1365-2389.2006.00809.x |
| [34] | Hassink J. The capacity of soils to preserve organic C and N by their association with clay and silt particles[J]. Plant and Soil, 1997, 191(1): 77-87. DOI:10.1023/A:1004213929699 |
| [35] |
董玉清, 官鹏, 卢瑛, 等. 猫儿山不同海拔土壤有机碳组分构成及含量特征[J]. 土壤通报, 2020, 51(5): 1142-1151. Dong Y Q, Guan P, Lu Y, et al. Fraction and content of soil organic carbon at different elevations in Maoer mountain[J]. Chinese Journal of Soil Science, 2020, 51(5): 1142-1151. |
| [36] | Mo F, Yu K L, Crowther T W, et al. How plastic mulching affects net primary productivity, soil C fluxes and organic carbon balance in dry agroecosystems in China[J]. Journal of Cleaner Production, 2020, 263. DOI:10.1016/j.jclepro.2020.121470 |
| [37] | Chen L Y, Fang K, Wei B, et al. Soil carbon persistence governed by plant input and mineral protection at regional and global scales[J]. Ecology Letters, 2021, 24(5): 1018-1028. DOI:10.1111/ele.13723 |
| [38] | Li Q Q, Li S, Xiao Y, et al. Soil acidification and its influencing factors in the purple hilly area of Southwest China from 1981 to 2012[J]. CATENA, 2019, 175: 278-285. DOI:10.1016/j.catena.2018.12.025 |
| [39] | Freeman C, Ostle N, Kang H. An enzymic 'latch' on a global carbon store[J]. Nature, 2001, 409(6817). DOI:10.1038/35051650 |
| [40] | Chen C M, Hall S J, Coward E, et al. Iron-mediated organic matter decomposition in humid soils can counteract protection[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-16071-5 |
| [41] | Huang W J, Hall S J. Elevated moisture stimulates carbon loss from mineral soils by releasing protected organic matter[J]. Nature Communications, 2017, 8(1). DOI:10.1038/s41467-017-01998-z |
| [42] | Patzner M S, Mueller C W, Malusova M, et al. Iron mineral dissolution releases iron and associated organic carbon during permafrost thaw[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-20102-6 |
| [43] | Jiang Z H, Liu Y Z, Lin J D, et al. Conversion from double-rice to maize-rice increases iron-bound organic carbon by "iron gate" and "enzyme latch" mechanisms[J]. Soil and Tillage Research, 2021, 211. DOI:10.1016/j.still.2021.105014 |
| [44] | Ding J Z, Chen L Y, Ji C J, et al. Decadal soil carbon accumulation across Tibetan permafrost regions[J]. Nature Geoscience, 2017, 10(6): 420-424. DOI:10.1038/ngeo2945 |
| [45] | Luo Y L, Wang K, Li H X, et al. Application of a combinatorial approach for soil organic carbon mapping in hills[J]. Journal of Environmental Management, 2021, 300. DOI:10.1016/j.jenvman.2021.113718 |
| [46] | Guo J H, Liu X J, Zhang Y, et al. Significant acidification in major Chinese croplands[J]. Science, 2010, 327(5968): 1008-1010. DOI:10.1126/science.1182570 |
| [47] | Li A W, Li C J, Zhang Y Y, et al. The driving factors and buffering mechanism regulating cropland soil acidification across the Sichuan Basin of China[J]. CATENA, 2023, 220. DOI:10.1016/j.catena.2022.106688 |
| [48] | Zárate-Valdez J L, Zasoski R J, Läuchli A E. Short-term effects of moisture content on soil solution pH and soil Eh[J]. Soil Science, 2006, 171(5): 423-431. |
| [49] | Sun L N, Chen S, Chao L, et al. Effects of flooding on changes in Eh, pH and speciation of cadmium and lead in contaminated soil[J]. Bulletin of Environmental Contamination and Toxicology, 2007, 79(5): 514-518. DOI:10.1007/s00128-007-9274-8 |