燕山南部典型农业区土壤有机碳储量及影响因素研究

2024-01-15刘亚静刘红健

华北理工大学学报(自然科学版) 2024年1期

刘亚静,刘红健

(华北理工大学矿业工程学院,河北唐山 063210)

引言

土壤有机碳(SOC)库是陆地上的最大碳库[1],碳储量约是大气碳库的3.3倍,生物碳库的4.5倍[2]。土壤有机碳常以各种物质形态存在于土壤有机质中,是土壤有机碳的主要载体,也是植物生长发育的直接养分来源[3],农业生态系统也能够在较短时间尺度内调节土壤有机碳收支状态,因此,农业发展与土壤有机碳是相互影响,相互促进的交互关系[4]。而土壤有机碳受空间尺度影响较大,具有显著的空间异质性[5],因此,对农业区土壤有机碳含量及储量进行精准评估,不仅能促进农业发展,对缓解当前气候变暖、实现"碳中和"可持续发展目标的国家战略布局也具有重要意义。

对土壤有机碳的研究目前主要汇聚在空间分布、影响因素及土壤碳储量等估算等方面。空间分布特征主要体现在水平和垂直方向2个维度[3],水平特征是由外部环境等导致的横向空间变异,周仕轩等[6]、王超等[7]、孙清凡等[8]分别针对黄土高原、丹霞地貌、鄱阳湖湿地等典型地貌土壤有机碳的水平分布特征进行了研究。垂直特征主要是不同深度下有机碳的纵向空间变异,目前主要以0～20的表层土壤为主[9],随着研究的深入,针对深层土壤的研究不断增多,孙文义[10]、王华静等[11]对1 m深度的土壤有机碳垂直分布特征进行研究,不同深度碳含量都表现出明显的变化。有机碳影响因素主要体现在地形环境及理化性质两方面,影响土壤空间变异的主导因子也存在差异[12]。地形环境如高程、坡向、植被等[13],理化性质主要包括pH、电导率、氮磷钾等[14]。研究区域尺度大小对土壤有机碳的宏观及微观影响是不同的,楚梦玮等[15]对云南省SOC空间分布研究发现、海拔、降水及温度是影响云南省深层土壤SOC的主要因素;邓勋飞等[16]对杭州湾南岸滨海围垦区的土壤有机碳含量研究发现,围垦年限、种植模式是制约土壤有机碳含量的关键因素。土壤碳储量估算方法目前主要有土壤类型法、模型估算法、生命地带法、GIS估算法等[17],但受限于区域尺度、估算精度的制约,GIS凭借能够直观显示土壤碳库的空间属性及分布,以地理信息数据保存且便于数字化制图的优点成为目前的应用最为广泛的研究方法。

遵化市属于燕山南麓的重要农业区,以板栗为代表的地方农业产业经济占重要比重,被誉为"中国板栗之乡",适宜农作物生长和发展特色农业产业。基于此,为探究遵化市土壤有机碳分布特征及影响因素,以遵化市典型农业区为研究区,以0～30 cm的土壤深度分析数据为主,分析小尺度下有机碳空间变异性及主导因子,估算土壤碳储量,为其地方农业健康稳定发展提供科学依据。

1 材料与方法

1.1 研究区概况

遵化市,隶属于河北省唐山市,属京、津、唐、承、秦腹地,位于河北省东北部燕山南麓,地理范围北纬39°54′56″～40°22′18″,东经117°33′45″～118°14′00″,总面积约1 521 km2。遵化市地处半山区,地势由北东向南西倾斜,属于燕山南麓典型山间盆地地貌,呈"三山两川"之势,平原、丘陵、山地各占三分之一。气候类型为暖温带季风半湿润气候,属于典型大陆性气候,显著年均降水量约800 mm。农用地面积占土地总面积70%以上,以板栗、食用菌为主的特色农产业比重达到80%以上。

图1 研究区地理位置及采样点分布

1.2 样品采集与分析

在研究区内结合地形、植被类型等,在遵化市西部按照由西向东采样,选取土地利用方式的典型样地,包括农、林、草地等,共181个采样点,分别位于马兰峪、石门镇等10个乡镇行政区,取样深度为0～30 cm,用手持RTK记录海拔、经纬度等地理信息,按照五点取样法进行环刀剖面取样,土壤样品采集结束后带回实验室,对土壤进行烘干、去杂、过筛等处理流程,以进行理化性质的测定。

1.3 数据处理

使用ArcGIS软件提取环境因子(年均温度、年均降雨量、NDVI、坡度、坡向、曲率、地表粗糙度和TWI);海拔、经度和纬度通过GPS记录。气候数据来自中国气象数据共享网,NDVI数据来自黄土高原科学数据中心,地形数据基于GDEMV3DEM数据分析获取。

1.4 土壤有机碳密度及储量估算

土壤有机碳密度计算公式为:

(1)

式中,n为土层数;Ci为不同土壤深度的有机碳含量;θi为土壤容重;δi为>2 mm砾石含量;Di为不同土层的厚度。

1.5 空间自相关分析

空间自相关分析是用来衡量事物在空间上是否存在集聚、离散或随机分布情况,研究采用莫兰指数(Global Moran's I)来检验遵化市典型农业区土壤养分之间是否存在相关性,公式如下:

(2)

1.6 半方差函数

半方差函数是地统计学中研究土壤变异性的函数,反映了区域尺度上空间变异性和相关程度,其公式为:

(3)

式中,γ(h)表示半方差函数,Z(Xi),Z(Xi+h)分别是变量在空间位置xi和xi+h上的取值,N(h)为步长为h时的样本总对数,h为样本间距。实测的半方差函数以散点的形式绘制在图上,应用最小二乘法求解半方差函数的模型参数,从而得到适合的拟合模型。目前,几种常用的理论模型主要包括球状模型(Spherical);高斯模型(Gaussian);指数模型(Exponential);幂函数(Power);对数函数(Logarithmic);线性函数(Linear)等。

1.7 克里金插值

克里金插值法是地统计学中被广泛应用的一种空间插值技术,该方法通过建立变异函数模型,利用已知样本点的空间特征对未知位置的空间变量进行推断,并在一定区域内进行线性最优无偏估计。克里金法不仅考虑了样本点之间的空间关系,还通过在数据点上进行交叉验证来评估插值结果的准确性。多项研究结果表明,克里金法对于碳密度空间插值具有更高的精度,相比其它插值技术更为适用。

1.8 地理探测器

地理探测器可以探测自变量对因变量的影响并解释背后的驱动力,该方法主要通过探测空间分层异质性来进行分析,即在空间上对因变量进行分层,并比较不同层次上因变量的差异。其中,分异因子探测用于确定自变量对因变量是否具有显著影响,而交互作用探测则用于研究自变量之间以及自变量与空间因素之间是否存在相互作用效应。在地理探测过程中,通常用q值来表示因子对因变量的贡献程度和因子之间的交互作用程度。

(4)

2 结果与分析

2.1 土壤养分特征分析

2.1.1土壤养分统计特征值

由表1可知,研究区土壤pH介于3.80～8.40之间,平均值为6.46,整体呈微酸性;全氮含量范围为0.05%～0.26%,平均值为0.11%;速效磷和有效钾含量范围为8.40～227.60 mg/kg和63.00～745.00 mg/kg,平均值分别为64.95 mg/kg和221.62 mg/kg;有机质含量范围为6.90～44.80 g/kg,均值为18.47 g/kg。参照土壤养分分级标准,全氮属于较低水平,有机质属于略微缺乏水平,而有效磷和速效钾属于高等水平。

表1 土壤养分描述统计特征值

变异系数(CV)是描述随机变量离散程度的指标,用于体现样本的空间变异性大小。根据表1,土壤pH、全氮、有效磷、速效钾和有机质的变异系数分别为15.6%、34.7%、54.7%、54.5%和29.4%。根据变异等级的区分标准,五项指标均表现为中等变异,其中,有效磷的变异系数最大,pH的变异系数最小,有效磷和速效钾的离散程度相对较大。

2.1.2土壤养分的空间自相关分析

利用GeoDa软件的空间分析模块对土壤养分的五项指标进行全局空间自相关分析。图2所示为土壤养分的LISA空间聚类图,遵化市典型农业区pH、全氮、有效磷、速效钾和有机质的全局Moran's I指数分别为0.199、0.122、0.155、0.305和0.102,结果说明土壤养分之间具有空间正相关性,即某一区域土壤养分值的高低对周围区域值存在正向影响,其中,速效钾的空间相关性最高,有机质的空间相关性最低。

图2 土壤养分的LISA空间聚类图

2.1.3土壤养分的空间变异特征

进行半方差函数分析之前,为了避免半方差函数产生波动,增大误差,需要对数据进行正态化。同时,样本间距也是半方差函数的主要影响因素之一,通常取样间隔在10 m以上,可以满足绝大多数半方差函数的拟合。拟合后的半方差函数见图3,结构参数见表2、表3。

表2 土壤养分分布特征检验

表3 土壤养分的半方差函数参数及模型

图3 半方差函数拟合模型图

块金值、基台值、变程和块金效应是半方差函数模型中的重要参数,用于描述随机变量在空间上的变异程度和空间相关性。其中,块金值反映了指标的平均空间变化趋势;基台值反映了空间变异性的整体水平;变程反映随机变量的空间相关性;块金效应,也称为基底效应,反映了半方差函数对实际数据变异性的解释能力。从土壤养分拟合模型的研究结果来看,土壤pH、有效磷、速效钾和有机质的最佳拟合模型为指数模型,全氮的最佳拟合模型为高斯模型,从块金效应来看,各指标空间变异强度由大到小为有效磷>有机质>全氮>pH>速效钾,有效磷的块金效应最高,说明这种养分在空间上的差异最为明显,有效磷和pH的决定系数较高,说明空间相关性较强,全氮的决定系数较低,只有0.041,说明采样点之间存在较强的随机性。块金值整体较小,说明土壤养分分布较为均匀,空间变化程度低。此外,而各指标的变程从全氮的433 m到速效钾的50 040 m,说明存在着较大的空间变异性。

2.1.4土壤养分的空间插值分析

通过普通克里金插值对土壤理化性质进行插值分析,其空间分布见图4。根据插值结果可知,pH表现为西北高东南低的分布,全氮、有效磷、速效钾的分布趋势类似,中部地区普遍较低,这一地带的农田以水浇地为主,有机质也呈四周高,中部低的分布,可能是受土壤氮磷钾等的影响。

图4 土壤养分克里金插值结果

2.2 土壤有机碳密度估算及分布特征

图5为土壤有机碳密度分布情况。

图5 土壤有机碳密度分布

如图5所示,高碳密度区主要集中在中南部及东部的平原地带,以旱地和水浇地为主,农业设施类型以露天农业及设施农业为主,中部高海拔区将其分为南北两部,南部土壤有机碳密度相对高于北部,此外,东部区域碳密度高聚集态势要强于中部和西部,但从土地利用情况来看,其主要为城镇用地及居民地,并非主要农业聚集区。低碳密度区主要分布在北部及中部的山地区,同时,也是遵化市西部主要的林地及灌木地带,由此可以看出,遵化市西部土壤有机碳分布表现为北低南高的分布,农业聚集区的碳密度要高于林地、灌木等的有林地带。对研究区的土壤有机碳储量进行估算,其0～30 cm表层土壤的碳储量约为4.377 Tg。

2.3 土壤理化性质对SOC影响分析

由表4可知,土壤pH与土壤有机碳密度的相关性极不显著,相关性系数仅为-0.05,呈极不显著的负相关;与全氮、有效磷及速效钾与有机质呈现为正相关性,其中,与有效磷的相关性最强,说明有机碳密度含量随着土壤全氮、有效磷及速效钾含量的提升而提高。有机质含量作为有机碳密度的直接影响因素,与有机碳密度的关联程度不如有效磷,但整体来看,土壤化学性质对有机碳密度均为正向影响,氮、磷、钾等元素能促进植物根系对碳的吸收效率,显著提升农业区土壤有机碳密度,加强对土壤性质的动态监测对农业发展具有重要意义。在相关性分析基础上,分别对土壤有机碳密度及土壤理化性质进行多元线性回归分析和通径分析,因pH与有机碳间相关性系数过低,将其剔除。不作为分析指标。

表4 土壤有机碳密度与土壤特征pearson相关系数

为了避免因子量纲不统一带来的影响,将各个指标进行[0-1]标准化,基于SPSS分析软件进行多元回归分析,得到有机碳密度与理化性质间的回归关系结果如式(5)。

CE=0.304X1+0.355X2+0.069X3+0.019X4+0.128

(5)

式中:CE为土壤有机碳密度;X1表示有机质;X2表示有效磷。X3表示速效钾;X4表示全氮。

从回归方程中可以看出,有机质和有效磷的回归系数分别为0.304和0.355,远大于速效钾的0.069和全氮的0.019,影响程度排序为有效磷>有机质>速效钾>全氮。

线性回归能够体现自变量对因变量的直接影响,但无法体现变量之间的深层关联关系的复杂性传递过程。而通径分析作为多元回归分析的拓展,对影响因子对因变量的影响程度进行量化,确定影响某一现象的因素之间的直接和间接关系,可以发掘隐藏在数据背后的复杂影响关系,进一步理解研究对象本质。因此,在回归分析的基础上,对理化性质变量与土壤有机碳密度进行通径分析,结果如表5所示。

表5 土壤有机碳影响因素通径分析结果

从表5分析结果可以看出,对土壤有机碳密度直接影响最大的是有效磷,直接通径系数为0.331,其次为速效钾和有机质,直接通径系数为-0.070和0.250,其中,速效钾表现为负效应,最后为全氮,为0.018。结合各影响因素,通过影响其他因素对土壤有机碳密度的间接影响可以发现,有效磷对碳密度的间接影响最大,其次为有机质、全氮、速效钾,这与直接通径系数的分析结果表现一致,但各个影响因素对有机碳的间接通径系数方向并不完全相同。综上所述,氮磷钾等基本化学性质是影响研究区土壤有机碳密度的主要因素,适当增加土壤氮磷钾含量能够对土壤有机碳密度增加起到促进作用,进而增加农业产量。

2.4 地形环境因素对SOC影响分析

基于地理探测器方法,分析不同地形环境因素对典型农业区SOC空间分异的影响程度,包括海拔、坡度、坡向、曲率、归一化植被指数(NDVI)、地形湿度指数(TWI)、地形起伏度、年均气温和年均降水量。

2.4.1 SOC影响因子分异及因子探测

主要探究影响因子对土壤有机碳空间分布的驱动影响程度。图6所示为因子探测结果雷达图,由图6可知,不同因素对SOC空间分布的影响结果为年均气温(0.404)>海拔(0.374)>年均降水(0.257)>NDVI(0.174)>坡度(0.099)>TWI(0.079)>地形起伏度(0.077)>曲率(0.024)>坡向(0.016)。其中,气温、海拔、年均降水和NDVI对有机碳密度的影响较大,坡度、TWI、地形起伏度、曲率和坡向影响较低,q值均在0.1以下。

图6 因子探测结果雷达图

2.4.2 SOC影响因子交互探测

表6为利用交互作用探测器探测影响因子两两交互共同对SOC空间分异性的影响。任何2个影响因子的交互作用对遵化市农业表层土壤SOC密度空间分异性影响的解释程度均大于单个因子的解释程度,均为增强作用,大多数为非线性增强。交互作用解释程度较为靠前的5对交互分别为:年均气温∩年均降水、海拔∩年均气温、海拔∩年均降水、NDVI∩年均降水、地形起伏度∩年均降水。

表6 影响因子对SOC的交互作用

2.4.3 SOC影响因子生态探测

为理解不同因素对农业区SOC空间分布的影响是否存在显著差异,如表7利用生态探测器探测遵化市典型农业区地形因子对土壤有机碳含量的解释程度的显著性差异。如果任意2个因素为显著差异影响(P<0.05),则标记为Y,否则就记为N。两两因素之间的相互作用对农业区SOC的空间分布影响并未表现出一致的显著性差异,这表明众因子没有表现突出的因子,影响较为均衡。