基于Landsat遥感影像和1∶50 000土壤数据库的福州市耕地有机碳动态变化研究*

李 亚, 张黎明, 陈瀚阅**, 袁玉琦, 邢世和



基于Landsat遥感影像和1∶50 000土壤数据库的福州市耕地有机碳动态变化研究*

李 亚1,2, 张黎明1,2, 陈瀚阅1,2**, 袁玉琦1,2, 邢世和2

(1. 福建农林大学资源与环境学院 福州 350002; 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)

耕地土壤碳库是全球碳库中最为活跃的部分, 其变化对全球气候变化产生重要影响。目前对耕地土壤有机碳估算多采用中、小系列比例尺的土壤数据库, 较少结合遥感影像与大比例尺土壤数据库进行估算。基于此, 本研究采用Landsat遥感影像和1∶50 000高精度土壤数据库, 以福建省福州市为例, 基于遥感与碳循环过程模型对1987年和2016年耕地土壤有机碳动态变化进行研究。结果表明, 利用Landsat影像反演得到的耕地土壤基础呼吸与土壤有机碳相关性强, 建立的1987年和2016年模型2分别为0.637和0.752。研究期间, 全市耕地土壤有机碳密度从东部沿海向西部内陆地区递增, 整体发挥着“碳汇”作用, 有机碳密度和储量分别增加0.20 kg∙m-2和2.946×105t。从不同土壤类型比较得出, 黄壤、红壤和水稻土是“碳汇”, 有机碳密度分别增加0.70 kg∙m-2、0.40 kg∙m-2和0.19 kg∙m-2; 其他土类为“碳源”, 其中, 水稻土碳储量最大, 两期在全市总碳储量中占比均超过90%。从不同行政区比较得出, 仓山区、长乐区、马尾区和连江县为“碳源区”, 其他地区为“碳汇区”, 其中, 仓山区碳储量一直为全市最低, 两期占比均不足0.5%, 而福清市则一直居于全市首位, 占比均高于20%。总体而言, 福州市耕地土壤有机碳30年间空间动态变化显著, 在不同土类和行政区间存在差异, 今后应根据不同耕地土壤类型和行政区的有机碳情况有针对性进行耕地管理。

耕地; 土壤有机碳密度; 土壤有机碳储量; 遥感反演; 碳循环过程模型; 土壤基础呼吸; 福州市

土壤是陆地生态系统中最大的碳库, 全球1 m厚土壤碳总量为2 500 Gt, 其中包括约1 550 Gt的土壤有机碳和950 Gt土壤无机碳[1]。耕地土壤碳库作为陆地碳库的重要组成部分, 不仅是全球碳库中最为活跃的部分, 也是受人类活动影响最大且能在相对较短时间内被人为调节的碳库[2-3]。因此, 明确耕地土壤碳储量的动态变化对了解陆地生态系统碳循环具有重大意义, 也可以为调整与耕地土壤相关的人类活动提供参考依据。

目前, 国内外大量学者在不同尺度上对碳储量展开了研究。国外学者多基于小比例尺的土壤数据库和土壤剖面数据直接进行碳储量的估算。如Batjes[4]基于1∶500万土壤数据库和4 353个土壤剖面, 估算全球1 m土壤有机碳储量为1 462~1 502 Pg。Batjes[5]利用1∶250万土壤数据库和663个土壤剖面估算出中欧和东欧13个国家1 m土壤有机碳储量为110 Pg。Ross等[6]采用1965—2009年的实测样点数据估算出美国圣约翰河流域和佛罗里达州奥克拉瓦哈河流域5 061 km2的农田土壤0~20 cm有机碳储量为16.4 Tg。国内学者多采用中、小系列比例尺土壤数据库, 基于土壤类型法[7-8]对国家、区域尺度的土壤碳储量进行估算。如解宪丽等[7]基于1∶400万《中华人民共和国土壤图》和全国第2次土壤普查数据, 运用土壤类型法估算出中国0~20 cm土壤有机碳储量为27.4 Pg。周金霖等[8]基于全国第2次土壤普查数据和2007—2011年农业部“测土配方施肥”项目的数据, 采用土壤类型法估算重庆市1∶25万比例尺下0~20 cm农田土壤有机碳储量为2.335 4×107t。此类方法简单直接, 且多基于有限的离散土壤数据进行估算, 空间连续性差, 不利于揭示土壤有机碳的空间动态变化。基于此, 周涛等[9]建立遥感与碳循环过程模型, 采用1982—1999年空间分辨率为8 km的月AVHRR NDVI数据集、1∶400万中国土壤类型图和全国第2次土壤普查数据, 对中国典型地带性土壤有机碳储量进行估算。此后, Zhou等[10]、李婷等[11]采用该方法对碳储量进行了研究, 结果表明该模型具有好的适用性。但这些研究中, 采用的遥感影像空间分辨率低, 在表征区域有机碳空间异质性方面尚显不足。相关研究表明不同比例尺土壤数据库对碳储量的估算产生影响, 统计表明我国土壤碳储量估算结果相差达4倍[12]。

本研究采用遥感与碳循环过程模型[9], 以空间分辨率30 m的Landsat遥感影像作为数据源, 结合福建省第2次土壤普查样点数据和2016年测土配方施肥数据, 对福州市1987年和2016年两期1∶50 000比例尺土壤数据库下的耕地有机碳密度和储量进行估算。研究结果可为区域尺度耕地土壤有机碳估算提供参考, 为亚热带耕地资源可持续利用与粮食安全提供科学依据。

1 研究区概况与数据来源

1.1 研究区概况

福州市位于福建省东部, 位于25°15′~26°39′N, 118°08′~120°31′E。属亚热带季风气候, 年均日照时数1 700~1 980 h, 年均降水量900~2 100 mm, 年均气温20~25 ℃, 极端高温42.3 ℃, 极端低温-2.5 ℃。全市2016年耕地面积(不包括鼓楼区和台江区)149 309 hm2。全市耕地土壤类型以水稻土为主, 总面积139 469 hm2, 占耕地面积的93%; 其次是红壤, 总面积8 399 hm2, 占耕地面积的5.63%; 而滨海盐土、风砂土、潮土、赤红壤、黄壤和紫色土面积较小, 共占耕地面积的0.97%。

1.2 数据来源

1.2.1 遥感数据及处理

本研究遥感影像均来源于美国地质调查局(USGS), 1987年为Landsat TM影像, 2016年为Landsat 8 OLI影像, 空间分辨率均为30 m, 投影坐标系均为WGS_1984_UTM_Zone_50N。用ENVI5.1对遥感影像进行图像配准、辐射定标和大气校正等预处理之后计算出每幅影像的归一化植被指数(NDVI), 再根据最大值合成法(max value composite, MVC)得到月NDVI最大值。最后, 用研究区边界矢量进行裁剪, 得到研究区1987年和2016年逐月的NDVI最大值。因为1987年缺少1月和11月的遥感影像, 所以分别用12月和2月的NDVI最大值均值、10月和12月的NDVI最大值均值来代替1月、11月NDVI最大值。

1.2.2 气象基础数据及处理

本研究气象基础数据来源于中国气象科学数据共享服务网提供的福建省28个标准气象站点(图1)的月平均温度、月降水量数据, 月总太阳辐射量采用气象站点数据计算[13](1987年和2016年标准气象站点数分别为21个和28个)。在ARCGIS中用克里格法对福建省气象基础数据进行插值, 空间分辨率和投影系统均与遥感影像保持一致。最后, 用研究区边界矢量进行裁剪, 得到研究区1987年和2016年的气象栅格数据。

图1 福建省1987年(21个, 左)和2016年(28个, 右)标准气象站点分布

1.2.3 调查样点属性数据

本研究采用的实测耕地土壤有机碳数据为福建省第2次土壤普查样点相关土壤理化性质数据和2016年福建省测土配方施肥调查样点地理坐标及相关土壤理化属性分析数据(图2), 数据均来自福建省农业厅。选取与福州市耕地底图图斑土类一致的样点, 其中, 第2次土壤普查样点共44个(1982年, 图2)、2016年测土配方施肥调查样点共131个(图2), 选取80%样点进行建模, 20%的样点用来进行验证。20世纪80年代, 研究区经济发展程度低, 耕地利用变化小, 所以采用福建省第2次土壤普查样点数据具有可适性。

1.2.4 其他数据

1∶50 000福建省土地利用现状数据库和1∶50 000福建省土壤类型分布数据库, 数据来源于福建省国土资源厅和农业厅。运用 ARCGIS 软件从1∶50 000福建省土地利用现状数据库中提取出耕地利用现状数据库, 再用“Intersect”命令将耕地利用现状图与土壤图进行叠加得到福建省1∶50 000耕地利用现状-土壤空间数据库。最后, 对福州市进行提取, 作为本研究评价底图, 其耕地利用和土壤类型分布如图2所示。

图2 福州市土壤类型(a)、耕地利用类型及采样点分布(b)图

2 研究方法

为综合应用遥感影像和耕地土壤数据库, 本研究采用遥感与碳循环过程模型[9]估算耕地土壤有机碳储量。首先以Landsat遥感影像为数据源, 基于光能利用率模型(Carnegie-Ames-Stanford Approach, CASA模型)[14]得到区域耕地净初级生产力(NPP)值, 用其驱动改进后土壤基础呼吸模型[9]得到耕地土壤基础呼吸的空间分布。然后, 结合福建省第2次土壤普查样点数据和2016年测土配方施肥数据, 建立两期耕地土壤有机碳密度与耕地土壤基础呼吸的关系模型, 进一步估算出30 m空间分辨率下的耕地土壤有机碳密度空间分布, 实现对研究区耕地土壤有机碳密度和碳储量的估算。

2.1 CASA模型

NPP是光合作用所产生的有机质总量中扣除自养呼吸后的剩余部分, 本研究采用朱文泉等[14]改进后的CASA模型对福州市1987年和2016年两期的耕地NPP进行估算, 计算公式如下:

NPP=APAR´(1)

式中: NPP表示净初级生产力[g(C)∙m-2∙month-1], APAR表示月吸收的光合有效辐射[g(C)∙m-2∙month-1],表示月实际光能利用率[g(C)∙MJ-1]。

2.1.1 APAR计算

光合有效辐射(PAR)是植物光合作用的驱动力, 植被吸收的光合有效辐射取决于太阳总辐射和植物本身的特征[14], 计算公式如下:

APAR=SOL´FPAR´0.5 (2)

SOL=(a+b´/)´a(3)

式中: APAR表示月吸收的光合有效辐射[g(C)∙m-2∙month-1]; SOL表示太阳辐射量(MJ∙m-2∙month-1); FPAR表示植被层对入射光合有效辐射的吸收比例, 由NDVI和比值植被指数(SR)估算出的FPAR值取平均; 0.5为植被所能利用的太阳有效辐射占太阳总辐射的比例[14];a为大气上界垂直入射的太阳辐射;为日照百分率; a和b为常数, 值分别为0.207和0.725[15]。

2.1.2 实际光能利用率()计算

光能利用率是植被把所吸收的光合有效辐射(PAR)转化为有机碳的效率, 它主要受温度和水分的影响[16], 计算公式如下:

式中:T1、T2和W分别表示低温、高温和水分对光能利用率的胁迫作用;max表示理想条件下的最大光能利用率[g(C)∙m-2∙MJ-1], 本研究采用朱文泉等[17]根据误差最小原则, 利用中国NPP实测数据, 模拟出的不同植被类型的最大光能利用率, 其中耕地的最大光能利用率为0.542;opt为植被最适温度(℃);为月均温(℃);为区域实际蒸散量(mm);p为区域潜在蒸散量(mm)。

2.2 土壤基础呼吸模型

本研究采用改进后的土壤基础呼吸模型[9]来反演土壤基础呼吸, 在此基础上建立耕地土壤基础呼吸与实测耕地土壤有机碳密度之间的关系模型。具体计算公式如下:

式中:a为土壤基础呼吸(g·m-2·month-1),表示空间经纬度;为温度敏感性系数, 取值0.030 6[18];H为土壤异养呼吸释放的有机碳[g(C)∙m-2∙month-1];s为土壤温度(℃); PPT为年降水量(mm); PET为年潜在蒸散量(mm)。

2.3 土壤有机碳密度与储量估算

本研究采用土壤类型法对土壤有机碳密度(soil organic carbon density, SOCD)进行计算[19-21], 计算公式如下:

式中:为土层数;%为第层>2 mm砾石含量(体积百分含量);ρ为第层土壤容重(g∙cm-3);C为第层土壤有机碳含量(g∙kg-1), 由土壤有机质含量乘以0.58(Bemmelen转换系数)得到;T为第层土层厚度(cm), 本研究为表土层(0~15 cm)的土壤有机碳密度。

土壤有机碳储量(soil organic carbon storage, SOCS)[22]计算公式如下:

式中: SOCS为土壤有机碳储量(kg), SOCD为第个土壤图斑的有机碳密度(kg·m-2),S为第个土壤图斑的平差面积(m2),为图斑数。

3 结果与分析

3.1 耕地土壤有机碳建模及验证

将1987年和2016年的耕地土壤基础呼吸反演结果分别与福建省第2次土壤普查样点数据和2016年测土配方施肥数据结合, 进行回归分析。研究结果表明, 利用Landsat影像遥感反演的1987年和2016年耕地土壤基础呼吸和实测耕地土壤有机碳密度呈线性相关, 确定系数(2)分别为0.637和0.752(图3), 模型模拟的耕地土壤有机碳密度与实测耕地土壤有机碳密度的2分别为0.784和0.705(图4), 均方根预测误差(RMSE)分别为0.306和0.249, 建模和验证结果均表明研究结果具有较好的可信度。

3.2 福州市耕地土壤有机碳密度和储量变化

从表1可以看出, 1987年和2016年福州市149 309 hm2耕地土壤面积加权后的有机碳密度均值分别为3.12 kg·m-2和3.31 kg·m-2, 研究期间上升0.20 kg·m-2, 有机碳储量增加2.95×105t, 表明全市耕地土壤总体起到了“碳汇”的作用。从空间分布来看(图5), 两期耕地土壤有机碳密度总体呈现从东部沿海地区向西部内陆地区增加的趋势。1987年土壤有机碳密度低于2.5 kg·m-2的耕地主要分布在东部沿海地区, 总面积8 258 hm2, 2016年则主要分布在城市建成区的仓山、马尾和长乐区以及东部沿海地区的连江县南部、福清市东北部, 总面积有显著增加, 达20 798 hm2。1987年和2016年土壤有机碳密度高于3.5 kg·m-2的耕地均主要分布在西北部的闽侯、闽清和永泰3县以及南部的福清市, 总面积增幅达40 009 hm2, 土壤类型以水稻土为主, 两期占比均高于90%。

图3 1987年(a)和2016年(b)福州市耕地土壤有机碳密度与土壤基础呼吸的关系模型

图4 1987年(a)和2016年(b)福州市耕地土壤有机碳密度模拟值与观测值的比较

表1 1987年和2016年福州市耕地土壤有机碳密度统计

图5 1987年(a)和2016年(b)福州市土壤有机碳密度(SOCD)空间分布

3.3 不同耕地土壤类型有机碳密度和碳储量变化

从表2可以看出, 福州市不同耕地土壤类型有机碳密度和碳储量差异明显。1987年和2016年, 水稻土始终处在前列; 风砂土则一直低于平均水平(3.12 kg·m-2、3.31 kg·m-2), 两期差值分别为0.38 kg·m-2、0.69 kg·m-2。两期对比发现, 红壤、黄壤和水稻土的有机碳密度呈上升趋势, 以黄壤最为明显, 上涨幅度为19%, 红壤和水稻土则分别为12%和6%。其余耕地土壤的有机碳密度均呈下降趋势, 下降幅度最大的是潮土, 为13%。其次为赤红壤、紫色土, 下降均超过9%, 风砂土和滨海盐土也略有下降。从不同耕地土壤有机碳储量来看(表2), 1987年和2016年均是水稻土最高, 在全市总碳储量中占比均超过90%。紫色土、赤红壤和黄壤两期有机碳储量一直较低, 1987年和2016年3种土类碳储量共计占比不足0.1%。总体来看, 水稻土、红壤和黄壤在研究期间表现为“碳汇”, 其他土类则表现为“碳源”。

表2 1987年和2016年福州市不同土类耕地土壤有机碳密度和储量

3.4 不同行政区耕地土壤有机碳密度和碳储量变化

从表3可见, 福州市不同行政区耕地土壤有机碳密度和碳储量有明显差异。闽清县的耕地土壤有机碳密度最高, 1987年为3.23 kg·m-2, 2016年为3.63 kg·m-2, 此外, 永泰县和闽侯县两期有机碳密度也均高于全市水平(3.12 kg·m-2、3.31 kg·m-2)。仓山区的耕地土壤有机碳密度最低, 1987年为2.79 kg·m-2, 2016年为1.95 kg·m-2。从变化情况来看(表3), 闽侯县有机碳密度增幅最大, 为0.43 kg·m-2, 而仓山区降幅最大, 为0.84 kg·m-2, 其他行政区, 福清市、晋安区、永泰县和罗源县均呈现增长趋势, 长乐区、马尾区和连江县则呈现降低趋势。从不同行政区耕地土壤有机碳储量来看, 仓山区一直为全市最低, 两期占比均不足0.5%, 而福清市则一直居于全市首位, 两期占比均高于20%。两期对比发现, 福清市有机碳储量增幅最大, 闽侯县次之, 而长乐区则下降最多。总体来看, 研究期间, 福州市“碳源区”分布在沿海地区和城市建成区, “碳汇区”分布在内陆地区。

表3 1987年和2016年福州市不同行政区耕地土壤有机碳密度和储量

4 讨论与结论

4.1 讨论

研究结果表明, 福州市耕地土壤在1987—2016年30年间发挥着“碳汇”的作用, 与大多数学者的研究一致, 如龙军等[23]研究表明, 1982—2008年间福建省耕地土壤起到了弱“碳汇”的作用, 刘书田[24]的研究表明我国纬度低于40°的地区, 测土配方施肥的土壤有机碳含量数据整体高于第2次土壤普查数据, 表明30年来这一地区土壤起到了“碳汇”作用。两期耕地土壤有机碳密度空间分布与张楠[25]的研究结果一致。总的来看, “碳源区”均处于东部沿海地区。一方面, 东部沿海地区降水量相对较少而温度则相对较高的气候环境加速了土壤呼吸的速率, 另一方面, 滨海盐土、赤红壤和风砂土等有机碳密度下降的土类主要分布在这些地区。1987年有机碳密度低于2.5 kg·m-2的耕地主要分布在东部沿海地区, 2016年则主要分布在城市建成区的仓山、马尾和长乐区以及东部沿海地区的连江县南部、福清市东北部, 可能因为这些地区城市化速度较其他地区快, 城市化产生热岛效应, 其年均温(图6)在1987年和2016年分别高于其他地区0.30 ℃和0.51 ℃, 温差值呈现增长趋势。与此同时, 其两期年降水量(图6)分别低于其他地区153 mm和85 mm, 研究表明高温少雨的自然环境会加快耕地土壤有机碳的分解速率, 不利于土壤有机碳的积累[3]。此外, 全市有机碳密度低的土类, 如赤红壤和风砂土全部分布在这些区域, 滨海盐土所占比重也高于95%。1987年和2016年土壤有机碳密度高于3.5 kg·m-2的耕地均主要分布在西北部的闽侯、闽清和永泰3县以及南部的福清市, 原因在于其土壤类型以水稻土为主, 在水耕熟化的过程中, 因人为的灌溉和施肥, 有机碳密度增加是普遍趋势[23]。两期变化来看, 闽侯县增幅最大, 因为其土类主要为有机碳密度上升的水稻土、红壤和黄壤, 面积占比高达99.98%。仓山区因温度高降水量少(图6)的环境加快其有机质的分解速度, 因而耕地土壤有机碳密度降幅最大。由此可见, 温度、降水和土类是不同行政区耕地土壤有机碳密度的重要影响因子。针对耕地土壤有机碳储量, 两期最大值均出现在福清市。影响土壤有机碳储量的因素主要是碳密度和面积[26-27]: 一方面, 福清市主要的耕地土壤类型为水稻土, 占全县耕地面积的99.55%; 另一方面, 全县耕地总面积为35 105 hm2, 居全市第一。仓山区有机碳储量一直为全市最低, 因为该区耕地面积小且有机碳密度也为全市最低。两期对比发现, 福清市有机碳储量增幅最大, 闽侯县次之, 原因在于两县的有机碳密度居于全市前列且耕地面积大。长乐区有机碳储量下降最多, 原因在于有机碳密度下降的土壤类型, 比如赤红壤全部分布在长乐区, 风砂土占比也高于85%。

1: 福清市; 2: 长乐区; 3: 仓山区; 4: 马尾区; 5: 晋安区; 6: 连江县; 7: 永泰县; 8: 闽侯县; 9: 闽清县; 10: 罗源县。1: Fuqing City; 2: Changle District; 3: Cangshan District; 4: Mawei District; 5: Jin’an District; 6: Lianjiang County; 7: Yongtai County; 8: Minhou County; 9: Minqing County; 10: Luoyuan County.

从不同土类有机碳密度来看, 研究期间, 水稻土始终处在前列, 这与大多数学者的研究一致。如龙军等[23]的研究表明福建省水稻土有机碳密度一直处在前列, 陈曦[28]对广西土壤有机碳储量估算的研究中水稻土有机碳密度仅次于黄壤。风砂土主要分布在福州市的东部沿海地区, 海拔在13~147 m, 年降水量低于全省平均水平, 年均温反之, 不利于有机质积累, 因而其有机碳密度一直较低, 这与张楠[25]的研究一致。总体来看, 红壤、黄壤和水稻土的有机碳密度呈上升趋势, 黄壤上涨幅度最大, 为19%。全市黄壤主要分布在闽侯县和闽清县的中山地带, 海拔高度在750~950 m, 温度较低, 不利于有机质的分解, 因而有机质积累多, 这与前人研究一致[26,28-29]。潮土、赤红壤、紫色土、风沙土和滨海盐土有机碳密度均呈下降趋势, 其中潮土因受生物、气候和土壤水分状况的限制, 生物积累较少, 有机质含量不高, 肥力较低[30], 导致其下降幅度最大。保肥能力差, 多年的耕作和土壤侵蚀, 土层逐渐变薄, 土壤养分减少、肥力下降, 这些原因综合导致赤红壤、紫色土、风沙土和滨海盐土有机碳密度下降。从不同土类有机碳储量来看, 研究期间, 最大值土类均是水稻土。研究期间水稻土有机碳密度始终居于前列, 且面积占比远高于其他土类, 因此有机碳储量始终最高。紫色土、赤红壤和黄壤两期有机碳储量一直较低, 面积小是主要原因, 与此同时, 赤红壤有机碳密度一直低于全省水平也是导致其有机碳储量低的重要原因。两期对比来看, 水稻土有机碳储量增长最多, 是碳密度升高和面积占比大共同作用所致。潮土有机碳储量下降幅度最大是因为碳密度下降最大, 其因受生物、气候和土壤水分状况的限制, 生物积累较少[30]。风砂土和滨海盐土有机碳储量下降高于赤红壤和紫色土, 主要原因是其面积远高于这两种土类: 风砂土是赤红壤的9倍, 紫色土的35倍, 而滨海盐土则分别为13倍和48倍。

在耕地土壤有机碳估算中, 采用1∶50 000高精度土壤数据库, 能更精确地估算出耕地土壤有机碳密度与储量[12], 但因为受基础资料的限制, 研究结果仍存在一定的不确定性。首先, 采用1987年Landsat影像和福建省第2次土壤普查样点数据建立关系模型, 年际之间耕地土壤有机碳差异会影响模型精度; 其次, 研究采用Landsat影像计算耕地NPP相对于MODIS产品拥有高空间分辨率, 但时间分辨率低, 受气象条件影响的概率增大, 从而影响耕地土壤基础呼吸的计算结果; 此外, 气温、降水量、太阳辐射量等气象因子是遥感与碳循环过程模型的重要修正参数, 因研究区气象站点少, 采用克里格插值提取区域气象因子空间分布存在一定的局限性。针对上述问题, 今后将展开相关研究以提高反演精度, 如: 采用MODIS与Landsat融合后的产品估算耕地NPP, 提高时间分辨率的同时保证空间分辨率[31], 同时, 通过ANUSPLIN软件, 以经纬度为自变量, 高程为协变量对气象因子进行插值[32]。

4.2 结论

本研究采用Landsat遥感影像和1∶50 000高精度土壤数据库, 结合遥感与碳循环过程模型对福州市1987年和2016年的耕地土壤有机碳密度和储量进行估算, 结论如下: 福州市耕地土壤有机碳密度存在明显的空间分布规律, 整体表现为从东部沿海地区向西部内陆地区递增。在不同土壤类型中, 温度、降水、地形和人类活动是耕地土壤有机碳密度的重要影响因子, 黄壤、红壤和水稻土为“碳汇”, 其中, 黄壤有机碳密度增加最多, 红壤次之, 水稻土有机碳密度则始终位于前列, 其他土类为“碳源”。在不同行政区中, 温度、降水和土类构成是耕地土壤有机碳密度的重要影响因子, “碳源区”分布在沿海地区和城市建成区, “碳汇区”则主要分布在内陆地区。总体来看, 全市耕地土壤30年间整体表现为“碳汇”, 但在不同土壤类型和行政区间存在差异。因此, 在今后的耕地资源利用与管理中, 针对不同的土壤类型和行政区, 需要实施不同的政策, 如对不同行政区因其发展阶段不一致可以建立碳交易市场等。

[1] LAL R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677): 1623–1627

[2] 张旭博, 孙楠, 徐明岗, 等. 全球气候变化下中国农田土壤碳库未来变化[J]. 中国农业科学, 2014, 47(23): 4648–4657 ZHANG X B, SUN N, XU M G, et al. Soil organic carbon in agricultural soils in China under global climate change[J]. Scientia Agricultura Sinica, 2014, 47(23): 4648–4657

[3] 姜蓝齐, 臧淑英, 张丽娟, 等. 松嫩平原农田土壤有机碳变化及固碳潜力估算[J]. 生态学报, 2017, 37(21): 7068–7081 JIANG L Q, ZANG S Y, ZHANG L J, et al. Temporal and spatial variations of organic carbon and evaluation of carbon sequestration potential in the agricultural topsoil of Songnen Plain[J]. Acta Ecological Sinica, 2017, 37(21): 7068–7081

[4] BATJES N H. Total carbon and nitrogen in the soils of the world[J]. European Journal of Soil Science, 1996, 47(2): 151–163

[5] BATJES N H. Carbon and nitrogen stocks in the soils of Central and Eastern Europe[J]. Soil Use and Management, 2002, 18(4): 324–329

[6] ROSS C W, GRUNWALD S, MYERS D B, et al. Land use, land use change and soil carbon sequestration in the St. Johns River Basin, Florida, USA[J]. Geoderma Regional, 2016, 7(1): 19–28

[7] 解宪丽, 孙波, 周慧珍, 等. 中国土壤有机碳密度和储量的估算与空间分布分析[J]. 土壤学报, 2004, 41(1): 35–43 XIE X L, SUN B, ZHOU H Z, et al. Organic carbon density and storage in soils of China and spatial analysis[J]. Acta Pedologica Sinica, 2004, 41(1): 35–43

[8] 周金霖, 黄阳, 陈佳婧, 等. 重庆市农田土壤有机碳时空变化与固碳潜力分析[J]. 环境科学学报, 2015, 35(11): 3647–3654 ZHOU J L, HUANG Y, CHEN J J, et al. Analysis on temporal and spatial variations of organic carbon and carbon sequestration potential in farmland soil in Chongqing[J]. Acta Scientiae Circumstantiae, 2015, 35(11): 3647–3654

[9] 周涛, 史培军, 罗巾英, 等. 基于遥感与碳循环过程模型估算土壤有机碳储量[J]. 遥感学报, 2007, 11(1): 127–136 ZHOU T, SHI P J, LUO J Y, et al. Estimation of soil organic carbon based on remote sensing and process model[J]. Journal of Remote Sensing, 2007, 11(1): 127–136

[10] ZHOU T, SHI P J, JIA G S, et al. Nonsteady state carbon sequestration in forest ecosystems of China estimated by data assimilation[J]. Journal of Geophysical Research-Biogeosciences, 2013, 118(4): 1369–1384

[11] 李婷, 李晶, 杨欢. 基于遥感和碳循环过程模型的土壤固碳价值估算——以关中-天水经济区为例[J]. 干旱区地理, 2016, 39(2): 451–459LI T, LI J, YANG H. Estimate value of soil organic carbon based on remote sensing and process model in Guanzhong-Tianshui Economic Region[J]. Arid Land Geography, 2016, 39(2): 451–459

[12] 陈中星, 张楠, 张黎明, 等. 福建省土壤有机碳储量估算的尺度效应研究[J]. 土壤学报, 2018, 55(3): 606–619 CHEN Z X, ZHANG N, ZHANG L M, et al. Scale effects of estimation of soil organic carbon storage in Fujian Province, China[J]. Acta Pedologica Sinica, 2018, 55(3): 606–619

[13] 吴艳艳. 城市化过程广州土地覆盖变化对净初级生产力格局的影响[D]. 广州: 中山大学, 2016 WU Y Y. The effects of land cover change on patterns of net primary productivity in the process of urbanization of Guangzhou[D]. Guangzhou: Sun Yat-Sen University, 2016

[14] 朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413–424 ZHU W Q, PAN Y Z, ZHANG J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413–424

[15] 侯光良, 李继由, 张谊光. 中国农业气候资源[M]. 北京: 中国人民大学出版社, 1993 HOU G L, LI J Y, ZHANG Y G. China Agricultural Climate Resources[M]. Beijing: China Renmin University Press, 1993

[16] 周伟, 牟凤云, 刚成诚, 等. 1982—2010年中国草地净初级生产力时空动态及其与气候因子的关系[J]. 生态学报, 2017, 37(13): 4335–4345 ZHOU W, MU F Y, GANG C C, et al. Spatio-temporal dynamics of grassland net primary productivity and their relationship with climatic factors from 1982 to 2010 in China[J]. Acta Ecological Sinica, 2017, 37(13): 4335–4345

[17] 朱文泉, 潘耀忠, 何浩, 等. 中国典型植被最大光利用率模拟[J].科学通报, 2006, 51(6): 700–706 ZHU W Q, PAN Y Z, HE H, et al. Simulation of maximum light use efficiency for some typical vegetation types in China[J]. Chinese Science Bulletin, 2006, 51(6): 700–706

[18] RAICH J W, POTTER C S. Global patterns of carbon dioxide emissions from soils[J]. Global Biogeochemical Cycles, 1995, 9(1): 23–36

[19] PAN G X, LI L Q, ZHANG Q, et al. Organic carbon stock in topsoil of Jiangsu Province, China, and the recent trend of carbon sequestration[J]. Journal of Environmental Sciences, 2005, 17(1): 1–7

[20] 袁芳, 赵小敏, 乐丽红, 等. 江西省表层土壤有机碳库储量估算与空间分布特征[J]. 生态环境, 2008, 17(1): 268–272 YUAN F, ZHAO X M, LE L H, et al. Organic carbon reserves of topsoil and spatial distribution in Jiangxi Province[J]. Ecology and Environment, 2008, 17(1): 268–272

[21] SONG G H, PAN G X, ZHANG Q. Topsoil organic carbon storage of China and its loss by cultivation[J]. Biogeochemistry, 2005, 74(1): 47–62

[22] WANG S Q, TIAN H Q, LIU J Y, et al. Pattern and change of soil organic carbon storage in China: 1960s-1980s[J]. Tellus B: Chemical and Physical Meteorology, 2003, 55(2): 416–427

[23] 龙军, 张黎明, 毛艳玲, 等. 福建省不同耕地土壤和土地利用类型对“碳源/汇”的贡献差异研究[J]. 土壤学报, 2013, 50(4): 664–674 LONG J, ZHANG L M, MAO Y L, et al. Study on the difference of contributions made by various cropland soil and land use types to carbon source / sink in Fujian Province, China[J]. Acta Pedologica Sinica, 2013, 50(4): 664–674

[24] 刘书田. 中国农田土壤有机碳时空分布规律及影响因素研究[D]. 长春: 吉林农业大学, 2016 LIU S T. The rule of temporal and spatial distribution of soil organic carbon of cropland and its influencing factors in China[D]. Changchun: Jilin Agricultural University, 2016

[25] 张楠. 基于高精度数据库和3D模型的福建省土壤有机碳储量估算研究[D]. 福州: 福建农林大学, 2017 ZHANG N. Study on high precision database and 3D model of soil organic carbon stocks estimation of Fujian Province[D]. Fuzhou: Fujian Agriculture and Forestry University, 2017

[26] 高岩红. 普定县农田土壤有机碳库演变特征及影响因素研究[D]. 重庆: 西南大学, 2014 GAO Y H. Study on evolution characteristic and affecting factors of soil organic carbon in cropland in Puding County[D]. Chongqing: Southwest University, 2014

[27] 钟聪, 杨忠芳, 夏学齐, 等. 青海省土壤有机碳储量估算及其源汇因素分析[J]. 现代地质, 2012, 26(5): 896–909 ZHONG C, YANG Z F, XIA X Q, et al. Estimation of soil organic carbon storage and analysis of soil carbon source / sink factors in Qinghai Province[J]. Geoscience, 2012, 26(5): 896–909

[28] 陈曦. 广西土壤有机碳储量估算及与全国部分省区的比较研究[J]. 地理科学, 2014, 34(10): 1247–1253 CHEN X. Estimation of soil organic carbon reserves in Guangxi and comparison study with some provinces in China[J]. Scientia Geographica Sinica, 2014, 34(10): 1247–1253

[29] 支俊俊, 荆长伟, 张操, 等. 利用1∶5万土壤数据库估算浙江省土壤有机碳密度及储量[J]. 应用生态学报, 2013, 24(3): 683–689 ZHI J J, JING C W, ZHANG C, et al. Estimation of soil organic carbon density and storage in Zhejiang Province of East China by using 1∶50000 soil database[J]. Chinese Journal of Applied Ecology, 2013, 24(3): 683–689

[30] 福建省土壤普查办公室. 福建土壤[M]. 福州: 福建科学技术出版社, 1991 Soil Survey Office in Fujian Province. Soils of Fujian[M]. Fuzhou: Fujian Science and Technology Publishing House, 1991

[31] GEVAERT C M, GARCÍA-HARO F J. A comparison of STARFM and an unmixing-based algorithm for Landsat and MODIS data fusion[J]. Remote Sensing of Environment, 2015, 156: 34–44

[32] 赵芬. 基于CASA模型的锡林郭勒盟草地净初级生产力遥感估算与验证[D]. 北京: 中国农业科学院, 2015ZHAO F. Remote sensing estimation and validation of net primary production in the Xilingol grassland based on CASA model[D]. Beijing: Chinese Academy of Agricultural Sciences, 2015

Estimation of changes in soil organic carbon in farmlands in Fuzhou City using Landsat vegetation data and 1∶50 000 soil database*

LI Ya1,2, ZHANG Liming1,2, CHEN Hanyue1,2**, YUAN Yuqi1,2, XING Shihe2

(1. College of Resources and Environment, Fujian Agriculture and Forestry University, Fuzhou 350002, China; 2. University Key Lab of Soil Ecosystem Health and Regulation in Fujian, Fuzhou 350002, China)

Carbon pools in farmlands are critical drivers of change in global carbon stock and a small change in these pools could have a huge influence on CO2concentration in the atmosphere, causing global greenhouse condition. Though medium and small scale soil databases have often been used in estimating soil organic carbon (SOC) in farmlands, remote sensing image and large-scale soil database have rarely been used. In this study, we combined remote sensing and carbon cycle model to estimate SOC in farmland of Fuzhou City (in subtropical China) using Landsat TM and Landsat 8 OLI remote sensing images plus 1∶50 000 high-resolution soil database. In the study area, SOC in farmlands was calculated for 1987 and 2016. The purpose of the study was to determine whether the study area was source or sink of SOC and the dynamics of SOC pool in the region. The results showed that: 1) there was a strong linear relationship between soil basal respiration and soil organic carbon density (SOCD) in farmlands in Fuzhou City. The determinant coefficient2was 0.637 for 1987 and 0.752 for 2016. 2) For the study period, SOCD in farmlands increased from eastern coastal area to western inland area. In general, SOCD and soil organic carbon storage (SOCS) increased by 0.20 kg·m-2in the eastern coastal area and 2.946×105kg·m-2in western inland area, indicating that farmlands in Fuzhou City served as a weak “carbon sink” in the past 30 years. 3) In terms of soil type, yellow earth, red earth and paddy soil contributed the largest to “carbon sink” across the soil groups, with respective SOCD increases of 0.70 kg·m-2, 0.40 kg·m-2and 0.19 kg·m-2. Fluvo-aquic soil, latosolic red soil, aeolian soil, coastal solonchak and purplish soil were the biggest contributors to “carbon source” across the soil group. Comparison of SOCS of different soil types in 1987 with those in 2016 showed that SOCS was highest in paddy soil, accounting for over 90% of the total carbon storage in Fuzhou City. 4) In terms of administrative region, Cangshan District, Changle District, Mawei District and Lianjiang County were “carbon source” areas. Then Minhou County, Minqing County, Fuqing City, Jin’an District, Yongtai County and Luoyuan County were “carbon sink” areas. The lowest SOCS was in Cangshan District in Fuzhou City, with less than 0.5% of total SOCS. Fuqing City always ranked the highest in Fuzhou City, accounting for over 20.0% of the total SOCS. In general, the spatial dynamics of SOCD in farmlands in Fuzhou City during the 30-year period were significant. Additionally, there were differences in different soil types and administrative regions in terms of SOCD. In future, it was beneficial to conduct farmland management based on soil type in different farmlands and SOC in the administrative regions.

Farmland; Soil organic carbon density; Soil organic carbon storage; Remote sensing inversion; Carbon process-based model; Soil basal respiration; Fuzhou City

, E-mail: chenhanyue.420@163.com

Sep. 8, 2018;

Nov. 30, 2018

10.13930/j.cnki.cjea.180753

S15

A

2096-6237(2019)04-0581-10

陈瀚阅, 研究方向为农业遥感。E-mail: chenhanyue.420@163.com

李亚, 研究方向为土地资源可持续利用。E-mail: liya95519@163.com

2018-09-08

2018-11-30

* This work was supported by the Fund for Outstanding Youth Scholars of Fujian Agriculture and Forestry University (xjq201508), the National Natural Science Foundation of China (41401399), and the Special Fund for S&T Innovation of Fujian Agriculture and Forestry University (KFA17616A).

* 福建农林大学校杰出青年科研人才计划项目(xjq201508)、国家自然科学基金青年项目(41401399)和福建农林大学科技创新专项基金项目(KFA17616A)资助

李亚, 张黎明, 陈瀚阅, 袁玉琦, 邢世和. 基于Landsat遥感影像和1∶50 000土壤数据库的福州市耕地有机碳动态变化研究[J]. 中国生态农业学报(中英文), 2019, 27(4): 581-590

LI Y, ZHANG L M, CHEN H Y, YUAN Y Q, XING S H. Estimation of changes in soil organic carbon in farmlands in Fuzhou City using Landsat vegetation data and 1∶50 000 soil database[J]. Chinese Journal of Eco-Agriculture, 2019, 27(4): 581-590