环境科学  2025, Vol. 46 Issue (3): 1679-1689   PDF    
引用本文
孔晨晨, 颜芳, 王维瑞, 张世文, 郭丹丹, 王姗. 不同景观综合体土壤有机碳空间分异特征及驱动因素分析[J]. 环境科学, 2025, 46(3): 1679-1689.
KONG Chen-chen, YAN Fang, WANG Wei-rui, ZHANG Shi-wen, GUO Dan-dan, WANG Shan. Spatial Differentiation Characteristics and Driving Factors of Soil Organic Carbon in Various Landscape Complexes[J]. Environmental Science, 2025, 46(3): 1679-1689.
不同景观综合体土壤有机碳空间分异特征及驱动因素分析
孔晨晨1, 颜芳2, 王维瑞2, 张世文1, 郭丹丹1, 王姗1     
1. 安徽理工大学地球与环境学院, 淮南 232001;
2. 北京市耕地建设保护中心, 北京 100020
收稿日期: 2024-03-27; 修订日期: 2024-05-22
基金项目: 第三次新疆综合考察项目（2021xjkk0200601）；粮食作物创新团队土壤评价与质量提升岗位专家项目（BAIC02-2024）
作者简介: 孔晨晨（1991~）, 女, 博士研究生, 主要研究方向为农用地土壤有机碳, E-mail：cckong0123@126.com
通信作者: 张世文, E-mail：shwzhang@aust.edu.cn
摘要: 为探究区域农用地土壤有机碳（SOC）空间分异特征, 解析其驱动因素, 以北京市农用地不同类型景观综合体的SOC为研究对象, 利用多源和开源数据为环境变量, 通过地理探测器、地理加权回归和结构方程模型, 分析不同景观综合体SOC空间分异特征及其与气候、地形、土壤母质、土地利用和生物量之间的关系, 揭示各因素对SOC的影响路径. 结果表明：①研究区不同类型景观综合体ω（SOC）均值为6.23~28.26 g·kg-1, 变异系数为3.80%~33.92%, 存在空间异质性；②气候、地形、土壤母质、地类和生物量因素对SOC的贡献均达到极显著水平（P < 0.01）, 交互后对SOC呈协同影响作用；各因素共解释了SOC空间变异的0.691~0.704；③气温、地形和地类对研究区SOC呈极显著直接影响效应（P < 0.01）；气温与SOC含量为负相关；不同地类中, 位于林地的景观综合体SOC含量较高, 耕地较低；地形因素对SOC的直接影响效应最大（效应值为0.698, P < 0.001）, 其中山地SOC含量较高, 平原较低, 且地形因素还可通过气温和地类的差异对SOC产生间接影响效应（P < 0.01）；土壤母质和归一化植被指数与地形因素呈显著关联, 但对SOC的直接影响效应不显著（P ≥ 0.05）. 整体上, 地形因素是影响研究区SOC空间分异的重要因素, 将其作为关键辅助因子, 可为精确评估研究区土壤碳储量提供参考.
关键词: 农用地      土壤有机碳（SOC）      景观综合体      空间分异      驱动因子      影响路径     
Spatial Differentiation Characteristics and Driving Factors of Soil Organic Carbon in Various Landscape Complexes
KONG Chen-chen1 , YAN Fang2 , WANG Wei-rui2 , ZHANG Shi-wen1 , GUO Dan-dan1 , WANG Shan1     
1. School of Earth and Environment, Anhui University of Science & Technology, Huainan 232001, China;
2. Beijing Cultivated Land Construction and Protection Center, Beijing 100020, China
Abstract: Investigating the spatial differentiation characteristics of soil organic carbon (SOC) in regional agricultural land and analyzing its driving factors are important for screening auxiliary variables for SOC prediction in agricultural land and the accurate prediction of soil carbon stock. This study considered SOC in different types of agricultural land landscape complexes in Beijing as the research object. The differences in SOC content and its stock in different landscape complexes were explored based on the long-term positional monitoring data on the quality of cultivated land in Beijing and the field sampling and testing data. Utilizing multi-source and open-source data as environmental variables that affected SOC spatial differentiation, we explored the quantitative and spatial relationships between SOC and climate, topography, soil parent material, land use, and biomass factors in different landscape complexes through GeoDetector and geographically weighted regression modeling. Additionally, we constructed a structural equation model to reveal the pathways that influence each driving factor on SOC in terms of direct and indirect effects. Ultimately, the major controlling factors of SOC were identified in the study area. The results showed that: ① The mean values of ω(SOC) for various types of landscape complexes in the study area ranged from 6.23 to 28.26 g·kg-1, with a variation coefficient of 3.80% to 33.92%, showing spatial heterogeneity. ② Climate, topography, soil parent material, land type, and biomass factors contributed to SOC at highly significant levels (P < 0.01), and all factors were synergistic on SOC after their interaction. All factors could explain the spatial variation of SOC from 0.691 to 0.704, with stable explanatory validity. ③ Temperature, topography, and land type showed a highly significant direct effect (P < 0.01) on SOC in the study area. Among them, temperature was negatively correlated with SOC content. In different land types, SOC content was higher in landscape complexes located in forested land and lower in cultivated land. Topographic factors had the most excellent direct effect on SOC (effect value = 0.698, P < 0.001), with higher SOC content in the mountains and lower in the plains, and topographic factors could also exert an indirect effect on SOC through differences in temperature and land type (P < 0.01). Soil parent material and normalized difference vegetation index correlated significantly with topographic factors but had non-significant (P ≥ 0.05) direct effects on SOC content. Overall, topographic factors are essential factors influencing SOC spatial heterogeneity in the study area. It can be used as a critical cofactor to provide a reference for accurately assessing soil carbon stock on agricultural land in the study area.
Key words: agricultural land      soil organic carbon (SOC)      landscape complex      spatial variation      driving factors      influence pathway     

农用地土壤有机碳（soil organic carbon, SOC）既是影响全球气候变化的生态因子, 也是影响土壤质量和农业可持续性的重要指标[1], 它参与土壤中众多物理、化学及生物过程, 涉及能量交换, 影响土壤肥力和植物生长发育, 对土壤碳库平衡及农业资源的可持续发展发挥着不可替代的作用[2]. 随着我国农业发展和农用地管理的需要, SOC的研究日益引起重视, 探究区域农用地SOC空间分异的驱动因素, 对揭示土壤固碳机制及区域SOC预测精度的提高具有重要意义.

农用地SOC储量及空间分布主要受成土过程和水热再分配等自然因素以及土地利用方式等人为因素的综合影响[3, 4]. 气候可通过影响植物光合作用与土壤微生物改变植物的生长分布、凋落物的输入与土壤呼吸, 进而影响SOC累积[5], 李艾雯等[6]研究发现, SOC含量与年均气温呈负相关, 与年均降雨量的相关性较弱. 地形因素可通过控制水热条件影响SOC的分解速率[7], Wang等[8]基于模型分析得出, 海拔和坡度是影响SOC空间分布的主要因素, Song等[9]的研究显示海拔是地形因素中可直接影响表层SOC含量的因子. Araujo等[10]在研究指出, 作为成土的基础, 土壤母质会影响植物根系、土壤颗粒有机碳组分和黏土含量, 并呼吁在估算或预测SOC储量时不可忽视成土母质的影响. 除上述自然因素外, 人为因素对SOC的影响也不容忽视, IPCC报告指出, 土地利用是影响SOC的重要因素, 土地利用方式的改变会导致土壤碳“源”和“汇”功能的转化[11], 不同的土地利用方式会造成植被生产力的差异, 进而影响SOC的输入与分解速率[12]. 可见, 不同因素对SOC的影响程度与作用机制一直是土壤碳研究领域的热点问题[13]. 然而, 目前关于区域农用地SOC驱动因素的研究大多针对耕地或林地等某单一地类, 在涉及到土壤样点的单元划分时通常仅基于地形部位、土壤类型或成土母质等单项指标, 忽略了自然和人为因素共同驱动下各分类指标间的内在关联. 此外, 研究数据源大多利用1979~1985年第二次全国土壤普查[14]或小区域试验采集的土壤样品数据[15], 存在时效性难以保障或范围受限的问题. 因此, 基于最新的实地采样数据, 揭示区域尺度自然因素与人为因素对都市农用地SOC的综合驱动作用, 具有一定的研究价值.

北京市是世界上最大的城市之一, 在过去几十年内经历了快速的城市化和工业化进程[16], 导致农用地SOC在受气候和地形等自然因素影响的同时, 还受到较大强度的人为扰动. 本文基于2022年北京市耕地质量长期定位监测数据和2023年野外实地采样测试数据, 选取囊括北京市主要地形类别、成土母质和地类等属性的区域为研究区, 经多因素叠置后获得不同类型的景观综合体, 并将其作为分类单元, 探究区域SOC分异特征. 利用多源和开源数据, 通过地理探测器和地理加权回归模型分析区内SOC与气候、地形、土壤母质、土地利用和生物量因子间的数量及空间关系, 并构建结构方程模型, 从直接效应和间接效应揭示各因素对SOC的作用路径, 确定研究区SOC的主控因子, 以期为区域农用地SOC的预测筛选辅助变量和精确评估土壤碳储量提供科学参考.

1 材料与方法 1.1 研究区概况与样点数据获取

研究区位于北京市行政区划内, 北京市地处华北平原西北部, 115.7°~117.4 °E, 39.4°~41.6 °N, 为典型的北温带大陆性半湿润季风气候, 夏季高温多雨, 冬季严寒干燥, 年均温度为8~12 ℃, 降水量600~700 mm. 地势整体呈西北高, 东南低, 主要成土母质包括冲积物、洪积物、洪冲积物、钙质岩类风化物、铁镁质岩类风化、长石岩类风化物和黄土物质等, 农用地类型主要为林地、耕地和园地等[17].

综合考虑北京市典型的地形类别（平原、丘陵、盆地和山地）、成土母质类型（冲积物、洪积物、洪冲积物、黄土物质、钙质岩类风化物、铁镁质岩类风化物和长石岩类风化物）以及农用地的主要利用类型（林地、园地和耕地）, 在ArcGIS 10.8数字图层上自西北向东南方向选取面积约2 520 km2的区域作为研究区, DEM介于7.56~2 218.54 m之间. 由于不同系统空间异质性地域或不同土地利用方式的嵌合体可构成不同景观, 且其格局的差异与物质循环等生态过程存在着紧密的联系[18], 为便于探究自然和人为共同作用下各分类指标对SOC的综合影响效应, 本研究将上述可能影响SOC变异且存在空间异质性的分类属性（不同地形部位、不同地类和不同土壤母质）作为样点单元划分的指标体系, 对区内典型地形部位类别、土壤母质类型和土地利用现状的矢量数据进行多因素空间叠置处理后, 形成由不同属性构成的异质性镶嵌体（由若干单个缀块组成的缀块类型）, 并将其命名为景观综合体. 不同景观综合体单元均以“地形部位+土壤母质+地类”的形式详细命名. 提取面积大于1 km2的农用地景观综合体类型, 位于耕地的各景观综合体采用2022年北京市耕地质量长期定位监测样点数据, 并结合点位分布情况, 剔除各景观体中土壤样点数量不足3个的图斑及样点. 对位于林地和园地的各景观综合体, 通过样点布设、野外实地取样和实验室测试的方式获取研究数据. 按照控制区域和分层抽样的原则完成样点的分布设计, 确保各景观综合体内布设的样点数量不少于3个. 最终研究区内共确定31种景观综合体和267个土壤样点, 研究区概况与样点分布情况如图 1所示.

图 1 研究区概况及景观综合体类型 Fig. 1 Study area overview and landscape complex types

野外采样于2023年4月完成, 用直径为5 cm的土钻采集0~20 cm表层土壤样品, 采用环刀法测定土壤容重. 为确保采集样品的代表性, 各样地均按照对角线五点取样法采集5个重复土样, 将其均匀混合成一个样品, 装袋并标记后带回实验室. 样品经自然风干, 挑出肉眼可见杂质后研磨过筛, 重铬酸钾容量法-外加热法测定SOC含量[19].

1.2 多源驱动因子数据来源

从成土因素角度, 选取了气候指标、地形指标、土壤母质、土地利用类型和生物量指标作为SOC的驱动因子（表 1）. 其中气候指标基于国家气象科学数据中心（https://data.cma.cn/）气象数据, 统计距离各样点最近的气象站的年平均气温和年平均降水量；地形指标和生物量指标从地理空间数据云平台（https://www.gscloud.cn/）下载30 m分辨率的DEM数据, 通过ArcGIS软件计算处理后获取地形部位、坡度、坡向和归一化植被指数（normalized differential vegetation index, NDVI）等因子信息；土壤母质和地类在第三次全国土壤调查矢量图中提取.

表 1 SOC驱动因子指标 Table 1 Indicators of SOC driving factors

1.3 数据处理与分析

将不同类型的景观综合体作为统计单元, 估算研究区SOC储量, 计算公式为：

式中, SOCS为不同景观综合体土壤有机碳储量（kg）；n为景观综合体的类别数；SOCDi为第i个景观综合体的土壤有机碳密度（kg·m-2）；Si为第i个景观综合体对应的地块面积（m2）.

式中, ρi为第i个景观综合体的土壤容重（g·cm-3）；Ci为第i个景观综合体的SOC含量（g·kg-1）；Di为取样土层厚度（cm）.

采用IBM SPSS 27完成数据的统计与不同类型景观综合体SOC含量的单因素方差分析（ANOVA）和多重比较分析（Duncan test, P < 0.05）；基于地理探测器模型（GeoDetector）, 通过空间异质性来探测各驱动因子及其交互后对SOC空间分异的解释度；将各分类变量（地形部位、土壤母质和土地利用类型）引入哑变量模型（dummy variable）中, 经处理并赋值后, 在ArcGIS 10.8中进行空间数据统计、最小二乘回归模型（ordinary least square, OLS）以及地理加权回归模型（geographically weighted regression, GWR）的空间回归分析；利用Amos 28构建SOC与多源驱动因子之间的结构方程模型（structural equation modeling, SEM）, 经参数调整后获得最优耦合模型, 选择卡方自由度比（χ2/df）、拟合优度指数（GFI）、调整的拟合优度指数（AGFI）、比较拟合指数（CFI）和近似误差均方根（RMSEA）作为模型评价指标；使用ArcGIS 10.8和Origin 2022绘图.

2 结果与分析 2.1 不同类型景观综合体土壤有机碳特征

研究区不同类型景观综合体SOC含量与储量的描述性统计结果如表 2所示. 各景观综合体ω（SOC）均值在6.23~28.26 g·kg-1之间, 山地钙质岩类风化物林地、山地长石岩类风化物林地和丘陵钙质岩类风化物林地的SOC含量相对较高, 其中山地钙质岩类风化物林地ω（SOC）均值[（28.26±8.15）g·kg-1]显著高于其它景观综合体（P < 0.05）；平原洪积物耕地、盆地洪冲积物耕地、盆地洪积物耕地、平原洪冲积物耕地、盆地黄土物质耕地和平原冲积物耕地的SOC含量相对较低, 其中平原洪积物耕地的ω（SOC）均值[6.23±0.24）g·kg-1]显著低于其它景观综合体（P < 0.05）. 总体上, 地形部位位于山地, 以岩类风化物为母质的林地SOC含量相对较高, 位于平原和耕地的SOC含量相对较低. 研究区不同景观综合体SOC变异系数在3.80%~33.92%之间, 平原洪积物耕地、平原钙质岩类风化物园地、丘陵洪冲积物林地和丘陵洪冲积物园地SOC属于弱变异, 其它均处于中等变异水平[20]. 研究区不同景观综合体表层SOCS与其分布面积的关系大多具有一致性, 仅少部分类型显现出特异性, 如平原冲积物林地的分布面积最大, 为364.05 km2, 但其SOCS（0.93 Tg）低于面积相对较小的山地长石岩类风化物林地（1.59 Tg）和山地钙质岩类风化物林地（1.43 Tg）；平原洪冲积物耕地、平原洪冲积物林地、平原冲积物耕地和盆地洪冲积物耕地也具有相似情况；相反的, 山地铁镁质岩类风化物林地则在相对较小的面积条件下具有较高的SOCS（0.55 Tg）.

表 2 不同类型景观综合体SOC含量与储量描述性统计1） Table 2 Descriptive statistics of SOC content and stocks in different landscape complexes

2.2 不同驱动因子对土壤有机碳的作用力及交互影响分析

采用GeoDetector模型分析不同驱动因子对SOC空间分异的相对贡献度及各因子间的交互影响程度（图 2）. 因子探测结果显示, 除坡向外, 各因子对SOC的影响程度均达到极显著水平（P < 0.01）. 不同因子对SOC的相对贡献度由大到小依次为：地形部位（0.529）、土壤母质（0.487）、坡度（0.459）、降水（0.291）、地类（0.281）、NDVI（0.171）、气温（0.089）和坡向（0.039）. 交互探测结果表明, 任意两因子交互后对研究区SOC的影响均为协同作用, 解释能力高于单因子的作用力, 呈双因子增强或非线性增强特征, 其中地形部位与地类交互后对SOC的影响效应最大, 交互影响力达到0.710.

Y表示水平轴与垂直轴对应的两因子对SOC的影响存在显著差异（P < 0.05）, 否则为N；数值表示水平轴与垂直轴对应的两因子共同作用对SOC的解释力；*表示水平/垂直方向对应的因子对SOC的解释度在P < 0.05水平上显著, **表示在P < 0.01水平上显著 图 2 SOC驱动因子贡献度及交互作用 Fig. 2 Contribution and interaction of driving factor of SOC

2.3 不同驱动因子对土壤有机碳的空间影响分析

引入哑变量对分类变量（地形部位、土壤母质和地类）进行量化处理, 采用OLS模型对影响SOC空间分异的各因子进行回归与共线性分析（表 3）. 由于OLS模型结果显示Koenker显著, 各解释变量与SOC间的显著性需根据Robust P判断, 地形部位、坡向、土壤母质和地类显著影响研究区SOC（P < 0.01）. 通常当方差膨胀因子（variance inflation factor, VIF）大于10时, 变量间会存在共线性问题[21], 模型中气温和降水的VIF分别为13.12和13.54, 表明变量间可能存在冗余, 鉴于降水的VIF较大, 因此将其作为存在共线性的变量进行剔除.

表 3 OLS模型变量1） Table 3 OLS model variables

将气温、地形部位、坡度、坡向、土壤母质、地类和NDVI作为解释变量, 建立GWR模型, 探究各因子对SOC的空间影响程度. 不同驱动因子与SOC的GWR模型回归系数的空间分布如图 3所示, 气温、坡度、坡向和NDVI对SOC空间分异的影响程度自西北向东南方向逐渐增强；地形部位、土壤母质和地类对SOC的影响则呈相反趋势. NDVI与SOC的模型回归系数为5.571~8.566, 变化范围最大, 说明NDVI的空间分异性对SOC的影响效应较大；坡向和坡度与SOC的模型回归系数范围分别为-0.008~-0.007和0.079~0.093, 变化范围较小, 空间相关性较弱；仅气温和坡向在空间上与SOC呈负相关. 通过对模型结果进行全样本拟合验证（图 4）, 结果显示R2为0.709, 说明将上述因子作为解释变量建立的GWR模型可解释研究区SOC空间变异程度的70.90%.

图 3 SOC与不同驱动因子GWR模型回归系数的空间分布 Fig. 3 Spatial distribution of regression coefficients of GWR model between SOC with various drivers

图 4 GWR预测模型精度的拟合验证 Fig. 4 Fitting validation of GWR predictive model accuracy

2.4 各因子对不同类型景观综合体土壤有机碳的驱动力分析

由于SOC与各驱动因子的关联程度是存在空间变异的, 本研究统计了GWR模型中不同景观综合体SOC与各驱动因子的局部回归系数, 解析各因子对不同景观综合体SOC的影响差异（表 4）. 气温对分布于山地及盆地的景观综合体SOC的影响较大, 对位于丘陵和平原的景观综合体SOC的影响相对较小, 说明气温与地形部位间相互关联. 在地形因素中, 山地和盆地与各景观综合体SOC的回归系数较大, 影响效应较强, 而坡度和坡向与SOC的回归系数变化范围分别小于0.1和0.01, 对SOC空间变异的影响整体较弱. 不同母质和不同地类对研究区SOC空间分异的影响无明显规律. NDVI对位于平原的景观综合体影响较大, 说明其与地形部位存在一定的关联. 各因子对不同类型景观综合体SOC的解释精度（R2）范围在0.691~0.704之间, 说明将上述驱动因子作为解释变量建立的GWR模型对研究区SOC的预测效果较稳定.

表 4 不同类型景观综合体SOC与各驱动因子的回归系数 Table 4 Regression coefficients between SOC with each driving factor for various types of landscape complexes

2.5 土壤有机碳及其驱动因子的结构方程模型

根据SOC影响因素分析结果发现, 各驱动因子对不同类型景观综合体的SOC影响程度不尽相同, 为进一步探明各因子对SOC的作用路径及关联程度, 基于结构方程, 建立SOC与多源驱动因子之间的驱动耦合模型（图 5）. 模型结构效度分析显示模拟结果较好, χ2/df、GFI、AGFI、CFI和RMSEA分别为2.592、0.980、0.918、0.984和0.077. 气温、地形和地类因素对SOC产生极显著直接影响效应（P < 0.01）, 效应值分别为-0.123、0.698和0.219, 其中, 地形对SOC的直接影响效应最大（P < 0.001）, 气温为负向效应. 土壤母质和NDVI对SOC的直接影响效应不显著（P ≥ 0.05）. 此外, 地形因素可通过气温与地类的差异对SOC产生间接影响效应（P < 0.01）, 效应值分别为-0.181和0.428. 地形与气温、土壤母质、地类以及NDVI, 气温与NDVI, 地类与NDVI之间均表现为显著关联（P < 0.05）, 说明部分驱动因素既可直接影响SOC, 又可通过因素间的关联效应间接对SOC产生影响.

箭头上的值为标准化路径系数；实线和虚线箭头分别表示显著相关和非显著相关；黑色和红色箭头分别表示正相关关系和负相关关系；*、**和***分别表示P < 0.05、P < 0.01和P < 0.001；不同小写字母为其箭头指向的变量在模型中对应的残差项 图 5 多源驱动因子与SOC的结构方程模型 Fig. 5 Structural equation modeling between multi-source driving factors and SOC

3 讨论

农用地表层SOC空间分异程度是土壤碳输入量与输出量决定的, 这一过程受气候条件、地形因素和土地利用方式等自然与人为因素的综合影响[22 ~ 24].

气候因子是影响SOC的先决因素, 研究区气温和降水在GeoDetector模型中对SOC的影响均达到极显著水平（P < 0.01）. 气温可通过影响植被生物量影响碳的输入, 也可通过改变土壤微生物的活性程度影响碳的分解[25], 低温往往会减缓SOC的分解速率, 促进SOC的积累[26], Luo等[27]对澳大利亚28个样地分析发现气温与SOC呈负相关, 这与本文的结果相一致. 结构方程模型中, 气温对SOC的直接效应仅为-0.123（P < 0.01）, 可能由于气温是较大尺度上影响土壤性质空间异质性的因素[28], 研究区范围内气候因子相对稳定, 对SOC的直接影响效应相对较小. 降水可改变土壤湿度、植物的生长状况以及土壤酸碱性, 进而影响SOC累积. 在一定范围内, 降水可通过促进植物生长提高表土中碳的输入量, 还能通过增加土壤湿度降低土壤呼吸速率, 以减缓有机物质的矿化速率[29]. 降水与气温是密切相关的, 其本质源于气温的变化, 气温降低会导致空气中的水汽冷凝, 产生降水, 因而本研究中气温和降水间存在冗余.

研究区不同环境驱动因子中, 地形部位对SOC的相对贡献最大, 其中位于山地的景观综合体SOC含量较高, 平原相对较低. 孔祥斌等[30]在研究中指出, 北京市SOC含量随高程的增加呈上升趋势, 山地的SOC含量约为平原的2倍. 山地海拔高, 积温低, 有机物质分解速率下降, 且山地多为林地, 植被覆盖度相对较高, 生物量输入较大, 加之地形复杂陡峭, 与平原地区相比人为扰动小, 为SOC的累积提供了有利条件[31]. 实际上, 地形因素对SOC的影响是多方面的, 它可改变土壤的侵蚀作用和水土流失程度, 还可通过影响土壤中水分蒸发、入渗速率来改变植物生物量与植被凋落物的数量和质量, 使SOC储量发生变化. 坡度和坡向可通过光照和水热分配的差异影响土壤养分的迁移和植物类型, 进而改变SOC的积累量, 退耕还林（草）工程为促进SOC的固存, 提出了不要在坡度为15°~25°的土地上耕作的建议[32]. 此外, 地形还可能通过影响土地利用类型以及土壤母质的形成和发育等间接影响SOC的存在与发生过程. 因此, 在结构方程模型中, 地形因素对研究区SOC表现出了最大的影响效应（P < 0.001）.

土壤母质是决定土壤性质的重要因素, 不同母质类型的矿物组成、化学组成、土壤质地以及养分含量的差异, 都会影响土壤透气和透水性能, 进而加速或减缓土壤中有机物质的腐殖化和矿化过程. 研究区以岩类风化物为母质的景观综合体SOC含量相对较高, 可能与以岩类发育的土壤质地较为黏重、透水能力差、凝聚性和保水保肥能力强有关[33]. 对于表层土壤, SOC的差异主要取决于土壤中有机物质的输入输出和分解转化, 而因受气候条件、植被类型、微生物活动和土壤本身属性等多因素的共同作用, 导致成土母质对表层SOC的影响效应被其它更为活跃的因素所弱化, 其驱动作用可能更显著体现在受人为扰动相对较小的深层土壤[13]. 因此成土母质对研究区表层SOC的直接影响效应不显著（P ≥ 0.05）, 但其可能会通过决定土壤质地, 影响土壤pH、水分和养分状况等改变植物的生长和微生物活动, 间接影响SOC的输入和分解量.

地类对SOC的影响一般包括土地利用方式和植被覆盖等, 地类的差异会导致土壤受外界扰动程度和输入土壤的动植物残体种类及数量发生变化, 土壤本身的理化性质也会随之改变, 直接影响SOC的输入、输出和转化过程, 改变SOC含量[34]. 因此, 研究区地类因素在不同模型分析中均对SOC呈现极显著影响（P < 0.01）. 整体来看, 位于林地的景观综合体SOC含量相对较高, 位于耕地的SOC含量相对较低. 耕地在翻耕过程中会促进土壤中有机质与空气接触, 在微生物和酶的作用下, 加速有机物质的分解, 同时耕地因作物收获使得地上植物不能全部重新归还土壤, 导致地上植物残体的输入量低于林地和园地, 也是造成耕地SOC含量偏低的原因之一[35]. 大量研究显示, 退林还耕严重影响土壤碳库的稳定性, 导致土壤有机碳库的损失[36, 37], 如张佑铭等[38]研究表明, 将耕地转为林地固碳的收益最高, 林地变为耕地则不利于碳固存, 许煜麟等[11]对黄土高原退耕还林前后SOC的研究中指出, 退耕还林还草使全区域表层土壤有机碳密度增加了0.100 9 Mg·hm-2.

植物碳源是SOC的重要来源, NDVI在很大程度上反映了植被的生长状况[39]. 高植被盖度意味着更高的地上凋落物和地下分泌物, 可为土壤微生物提供充足的底物, 有利于微生物将植物碳源输入到土壤中[40]. 植被在一定程度上还可抵御淋溶侵蚀, 降低土壤表层的养分流失, 有利于SOC固定, 因而NDVI对SOC含量为正向影响效应. 研究区NDVI对位于平原区景观综合体的SOC空间分异影响效应最大, 主要由于平原区土地利用类型多样, 植物种类空间分布差异大, 受种植类型、植物生活史和人为利用强度的影响, 平原区NDVI相较于高海拔的山地和盆地具有更明显的空间差异性[41]. 结构方程模型中, NDVI对SOC的直接影响效应并未达到显著水平（P ≥ 0.05）, 这可能由于SOC来源多样, NDVI虽然反映了区域植被的生长状况, 但不能将其直接量化为有机碳的输入量, 因而其对SOC的直接影响效应并不显著, 且在区域尺度上, 气候和地形等因素也相应削弱了NDVI的影响效度.

GeoDetector模型分析发现, 不同驱动因子两两交互后, 对SOC的解释能力均高于单因子的作用力, 说明研究区SOC的空间分异性受多种环境因子的共同作用. 结构方程模型显示, 地形可直接影响区内SOC, 也可通过气候和地类的差异对SOC产生间接影响效应（P < 0.01）, 其与气温、土壤母质、地类和NDVI均表现为显著关联（P < 0.05）. 气温会因地形部位的差异发生变化, 如高海拔区气温低, 微生物对土壤中有机物质的分解作用减弱, 有助于SOC的累积；相应地, 低海拔区气温相对较高, 微生物活动加速了土壤中有机物质的分解, 不利于土壤固碳[42]. 地形条件的差异会造成土壤母质因侵蚀和淋溶作用产生颗粒组成、矿物组成和化学性质的变化, 进而影响土壤的形成和发育过程. 不同地形条件在一定程度上也会决定土地的利用类型, 如平原地区地势平坦, 适宜农业生产, 通常以耕地为主, 而山地因地势陡峭, 土壤贫瘠, 则以林地为主. 在不同地类中, 林地受扰动较小, 土壤稳定性较高, SOC含量也相对较高, 耕地则因耕作等人为管理活动易造成土壤侵蚀和对团聚体稳定性的破坏, 导致SOC含量相对较低[43]. 地形的起伏与不同海拔对所处区域水热条件的调控都会影响植被的生长和分布[44], 适宜的温度有利于植物的生长, 使更多外源有机物质输入到土壤中[45], 不同地类则可直接影响植被的多样性和生产力, 改变土壤中有机物质的种类、保护机制和分解转化速率[46], 因此, NDVI与地形、气候和地类在结构方程模型中均存在显著的关联效应（P < 0.05）. 受制于上述自然因素和人为因素的共同影响, 导致研究区SOC存在一定的空间分异性, 但总体上, 地形因素因其影响机制复杂多样, 涉及水热条件、土地利用类型、母质的形成和发育以及植被类型等多方面环境因子, 是影响SOC空间异质性的重要因素, 因此在对研究区农用地生态系统SOC预测的辅助变量筛选和土壤碳管理规划中, 应充分考虑地形因素发挥的作用.

本研究通过获取包括气候、地形、土壤母质、地类和生物量在内的开源数据, 开展多源因子对SOC的驱动研究, 结果与当前大多研究基本相符, 且各驱动因子对不同类型景观综合体SOC变异的解释度稳定在0.691~0.704之间, 表明基于开源数据对农用地生态系统SOC预测的辅助变量筛选具有一定的研究价值. 土壤碳库始终处于动态变化之中, 后续研究还应收集研究区不同时间尺度的农用地SOC数据, 进一步探究SOC随时间变化的演变特征, 以精确预测研究区农用地SOC的空间分异特征及储量.

4 结论

（1）研究区不同类型景观综合体ω（SOC）均值为6.23~28.26 g·kg-1, 存在空间异质性, 变异系数在3.80%~33.92%之间, 以中等变异程度为主.

（2）气候、地形、土壤母质、地类和生物量因素对研究区SOC的贡献均达极显著水平（P < 0.01）, 各因素交互后对SOC为协同影响作用, 其中地形部位对SOC的相对贡献度最大；各因子共解释了SOC空间变异程度的0.691~0.704, 解释效力稳定.

（3）气温、地形和地类对研究区SOC呈极显著直接影响效应（P < 0.01）. 气温与SOC含量为负相关；不同地类中, 位于林地的景观综合体SOC含量较高, 耕地较低；地形因素对SOC的直接影响效应最大（效应值为0.698, P < 0.001）, 其中位于山地的景观综合体SOC含量较高, 平原较低；此外, 地形因素还可通过气温和地类的差异对SOC产生间接影响效应（P < 0.01）. 土壤母质和NDVI对SOC的直接影响效应不显著（P ≥ 0.05）, 但与地形因素存在显著关联（P < 0.05）.

（4）整体上, 地形因素是影响研究区SOC空间分异的重要因素, 在对研究区农用地生态系统SOC预测的辅助变量筛选和土壤碳管理规划中, 应充分考虑地形因素的作用.

参考文献
[1] Adhikari K, Owens P R, Libohova Z, et al. Assessing soil organic carbon stock of Wisconsin, USA and its fate under future land use and climate change[J]. Science of the Total Environment, 2019, 667: 833-845. DOI:10.1016/j.scitotenv.2019.02.420
[2] Wang S, Xu L, Zhuang Q L, et al. Investigating the spatio-temporal variability of soil organic carbon stocks in different ecosystems of China[J]. Science of the Total Environment, 2021, 758. DOI:10.1016/j.scitotenv.2020.143644
[3] 张忠学, 李铁成, 齐智娟, 等. 水氮耦合对黑土稻田土壤呼吸与碳平衡的影响[J]. 农业机械学报, 2020, 51(6): 301-308.
Zhang Z X, Li T C, Qi Z J, et al. Effects of water and nitrogen coupling on soil respiration and carbon balance in black soil paddy field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 301-308.
[4] 刘杰, 马艳婷, 王宪玲, 等. 渭北旱塬土地利用方式对土壤团聚体稳定性及其有机碳的影响[J]. 环境科学, 2019, 40(7): 3361-3368.
Liu J, Ma Y T, Wang X L, et al. Impact of land use type on the stability and organic carbon content of soil aggregates in the Weibei dryland[J]. Environmental Science, 2019, 40(7): 3361-3368.
[5] 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
[6] 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.
[7] Zhu M, Feng Q, Qin Y Y, et al. The role of topography in shaping the spatial patterns of soil organic carbon[J]. CATENA, 2019, 176: 296-305. DOI:10.1016/j.catena.2019.01.029
[8] Wang D, Li X X, Zou D F, et al. Modeling soil organic carbon spatial distribution for a complex terrain based on geographically weighted regression in the eastern Qinghai-Tibetan Plateau[J]. CATENA, 2020, 187. DOI:10.1016/j.catena.2019.104399
[9] Song X D, Brus D J, Liu F, et al. Mapping soil organic carbon content by geographically weighted regression: a case study in the Heihe River Basin, China[J]. Geoderma, 2016, 261: 11-22. DOI:10.1016/j.geoderma.2015.06.024
[10] Araujo M A, Zinn Y L, Lal R. Soil parent material, texture and oxide contents have little effect on soil organic carbon retention in tropical highlands[J]. Geoderma, 2017, 300: 1-10. DOI:10.1016/j.geoderma.2017.04.006
[11] 许煜麟, 赵雅萍, 赵雨晴, 等. 黄土高原退耕还林(草)前后土壤有机碳密度变化及其对气候变化和人类活动的响应[J]. 环境科学, 2024, 45(8): 4696-4708.
Xu Y L, Zhao Y P, Zhao Y Q, et al. Changes in soil organic carbon density and its response to climate change and human activities before and after the Grain for Green Project on the Loess Plateau[J]. Environmental Science, 2024, 45(8): 4696-4708.
[12] 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.
[13] 高琳, 张登山, 龙怀玉, 等. 气候、植被及土壤因素交互作用对宁夏土壤有机碳的影响机制[J]. 生态学报, 2023, 43(24): 10081-10091.
Gao L, Zhang D S, Long H Y, et al. Interaction mechanism of climate, vegetation and soil factors on soil organic carbon at different soil depths in Ningxia[J]. Acta Ecologica Sinica, 2023, 43(24): 10081-10091.
[14] 刘宪锋, 任志远, 林志慧. 基于GIS的陕西省土壤有机碳估算及其空间差异分析[J]. 资源科学, 2012, 34(5): 911-918.
Liu X F, Ren Z Y, Lin Z H. Estimation of soil organic carbon in Shaanxi Province and analysis of its spatial difference based on GIS[J]. Resources Science, 2012, 34(5): 911-918.
[15] 叶新新, 王冰清, 刘少君, 等. 耕作方式和秸秆还田对砂姜黑土碳库及玉米小麦产量的影响[J]. 农业工程学报, 2019, 35(14): 112-118.
Ye X X, Wang B Q, Liu S J, et al. Influence of tillage and straw retention on soil carbon pool and maize-wheat yield in shajiang black soil[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(14): 112-118.
[16] Song X M, Zhang J Y, AghaKouchak A, et al. Rapid urbanization and changes in spatiotemporal characteristics of precipitation in Beijing metropolitan area[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(19): 11250-11271.
[17] 全国人大常务委员会. 中华人民共和国土地管理法(2019修正): 中华人民共和国主席令第32号[EB/OL]. https://zcfg.cs.com.cn/chl/4e5a046905fd9240bdfb.html?libraryCurrent=law, 2024-04-12.
[18] 胡巍巍, 王根绪, 邓伟. 景观格局与生态过程相互关系研究进展[J]. 地理科学进展, 2008, 27(1): 18-24.
Hu W W, Wang G X, Deng W. Advance in research of the relationship between landscape patterns and ecological processes[J]. Progress in Geography, 2008, 27(1): 18-24.
[19] 鲍士旦. 土壤农化分析[M]. 北京: 中国农业出版社, 2000, (第三版).
[20] 陈进, 王亚娟, 陶红, 等. 规模化养殖园区土壤中抗生素污染特征和生态风险评价[J]. 环境科学, 2024, 45(7): 4302-4311.
Chen J, Wang Y J, Tao H, et al. Antibiotic contamination characteristics and ecological risk assessment in soils of large-scaled culturing farms[J]. Environmental Science, 2024, 45(7): 4302-4311.
[21] Salmerón R, García C B, García J. Variance inflation factor and condition number in multiple linear regression[J]. Journal of Statistical Computation and Simulation, 2018, 88(12): 2365-2384. DOI:10.1080/00949655.2018.1463376
[22] Yang S H, Dong Y, Song X D, et al. Vertical distribution and influencing factors of deep soil organic carbon in a typical subtropical agricultural watershed[J]. Agriculture, 2022, 339. DOI:10.1016/j.agee.2022.108141
[23] 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.
[24] 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.
[25] Rabbi S M F, Tighe M, Delgado-Baquerizo M, et al. Climate and soil properties limit the positive effects of land use reversion on carbon storage in Eastern Australia[J]. Scientific Reports, 2015, 5. DOI:10.1038/srep17866
[26] 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.
[27] Luo Z K, Feng W T, Luo Y Q, et al. Soil organic carbon dynamics jointly controlled by climate, carbon inputs, soil properties and soil carbon fractions[J]. Global Change Biology, 2017, 23(10): 4430-4439. DOI:10.1111/gcb.13767
[28] 赖晶晶, 张世熔, 刘艳婷, 等. 基于多元分析的岷江下游土壤有机碳密度空间分布及影响因素研究[J]. 土壤, 2016, 48(1): 159-166.
Lai J J, Zhang S R, Liu Y T, et al. Spatial distribution and its influence factors of soil organic carbon density of lower reaches of Minjiang River based on multivariate analysis method[J]. Soils, 2016, 48(1): 159-166.
[29] Dixon J L, Chadwick O A, Vitousek P M. Climate-driven thresholds for chemical weathering in postglacial soils of New Zealand[J]. Journal of Geophysical Research: Earth Surface, 2016, 121(9): 1619-1634. DOI:10.1002/2016JF003864
[30] 孔祥斌, 胡莹洁, 李月, 等. 北京市耕地表层土壤有机碳分布及其影响因素[J]. 资源科学, 2019, 41(12): 2307-2315.
Kong X B, Hu Y J, Li Y, et al. Distribution and influencing factors of soil organic carbon of cultivated land topsoil in Beijing[J]. Resources Science, 2019, 41(12): 2307-2315.
[31] Cillis D, Maestrini B, Pezzuolo A, et al. Modeling soil organic carbon and carbon dioxide emissions in different tillage systems supported by precision agriculture technologies under current climatic conditions[J]. Soil and Tillage Research, 2018, 183: 51-59. DOI:10.1016/j.still.2018.06.001
[32] Zheng K, Wei J Z, Pei J Y, et al. Impacts of climate change and human activities on grassland vegetation variation in the Chinese Loess Plateau[J]. Science of the Total Environment, 2019, 660: 236-244. DOI:10.1016/j.scitotenv.2019.01.022
[33] 沈璇玚, 段良霞, 欧阳宁相, 等. 湖南省水稻土有机碳剖面分布特征及影响因素[J]. 土壤通报, 2024, 55(1): 84-92.
Shen X Y, Duan L X, Ouyang N X, et al. Profile distribution characteristics of paddy soil organic carbon and its influencing factors in Hunan Province[J]. Chinese Journal of Soil Science, 2024, 55(1): 84-92.
[34] Post W M, Kwon K C. Soil carbon sequestration and land-use change: processes and potential[J]. Global Change Biology, 2000, 6(3): 317-327. DOI:10.1046/j.1365-2486.2000.00308.x
[35] 王宝荣, 杨佳佳, 安韶山, 等. 黄土丘陵区植被与地形特征对土壤和土壤微生物生物量生态化学计量特征的影响[J]. 应用生态学报, 2018, 29(1): 247-259.
Wang B R, Yang J J, An S S, et al. Effects of vegetation and topography features on ecological stoichiometry of soil and soil microbial biomass in the hilly-gully region of the Loess Plateau, China[J]. Chinese Journal of Applied Ecology, 2018, 29(1): 247-259.
[36] Li Q X, Yang D F, Jia Z Q, et al. Changes in soil organic carbon and total nitrogen stocks along a chronosequence of Caragana intermedia plantations in alpine sandy land[J]. Ecological Engineering, 2019, 133: 53-59. DOI:10.1016/j.ecoleng.2019.03.003
[37] Beheshti A, Raiesi F, Golchin A. Soil properties, C fractions and their dynamics in land use conversion from native forests to croplands in northern Iran[J]. Agriculture, 2012, 148: 121-133.
[38] 张佑铭, 郎梦凡, 刘梦云, 等. 土地利用转变与海拔高度协同作用黄土高原植被固碳变化特征[J]. 生态学报, 2022, 42(10): 3897-3908.
Zhang Y M, Lang M F, Liu M Y, et al. Vegetation carbon sequestration in the Loess Plateau under the synergistic effects of land cover change and elevations[J]. Acta Ecologica Sinica, 2022, 42(10): 3897-3908.
[39] Xin Z B, Qin Y B, Yu X X. Spatial variability in soil organic carbon and its influencing factors in a hilly watershed of the Loess Plateau, China[J]. CATENA, 2016, 137: 660-669. DOI:10.1016/j.catena.2015.01.028
[40] 马南方, 高晓东, 赵西宁, 等. 黄土丘陵区退耕小流域土壤有机碳分布特征及地形植被对其的影响[J]. 生态学报, 2022, 42(14): 5838-5846.
Ma N F, Gao X D, Zhao X N, et al. Distribution characteristics of soil organic carbon and the effect of topographic and vegetation on small watershed of returned farmland in the loess hilly region[J]. Acta Ecologica Sinica, 2022, 42(14): 5838-5846.
[41] Zhang L, Zhao W, Zhang R, et al. Profile distribution of soil organic and inorganic carbon following revegetation on the Loess Plateau, China[J]. Environmental Science and Pollution Research, 2018, 25(30): 30301-30314. DOI:10.1007/s11356-018-3020-0
[42] 王秀丽, 张凤荣, 朱泰峰, 等. 北京山区土壤有机碳分布及其影响因素研究[J]. 资源科学, 2013, 35(6): 1152-1158.
Wang X L, Zhang F R, Zhu T F, et al. The distribution and impact factors of soil organic carbon in mountainous areas of Beijing[J]. Resources Science, 2013, 35(6): 1152-1158.
[43] Kalbitz K, Schwesig D, Schmerwitz J, et al. Changes in properties of soil-derived dissolved organic matter induced by biodegradation[J]. Soil Biology and Biochemistry, 2003, 35(8): 1129-1142. DOI:10.1016/S0038-0717(03)00165-2
[44] 张彦军, 郁耀闯, 牛俊杰, 等. 秦岭太白山北坡土壤有机碳储量的海拔梯度格局[J]. 生态学报, 2020, 40(2): 629-639.
Zhang Y J, Yu Y C, Niu J J, et al. The elevational patterns of soil organic carbon storage on the northern slope of Taibai Mountain of Qinling[J]. Acta Ecologica Sinica, 2020, 40(2): 629-639.
[45] 刘铮, 杨金贵, 马理辉, 等. 黄土高原草地净初级生产力时空趋势及其驱动因素[J]. 应用生态学报, 2021, 32(1): 113-122.
Liu Z, Yang J G, Ma L H, et al. Spatial-temporal trend of grassland net primary production and their driving factors in the Loess Plateau, China[J]. Chinese Journal of Applied Ecology, 2021, 32(1): 113-122.
[46] 李春丽, 董军, 王鸿斌, 等. 不同利用方式黑钙土有机碳组分剖面分布特征[J]. 水土保持学报, 2022, 36(5): 304-310, 318.
Li C L, Dong J, Wang H B, et al. Profile distribution of soil organic carbon components in chernozem soils under different land use types[J]. Journal of Soil and Water Conservation, 2022, 36(5): 304-310, 318.