2022, Vol. 42文章信息
- 张婧婷, 石浩, 田汉勤, 逯非, 徐希燕, 刘迪, 刚诚诚, 方善民, 秦小羽, 潘乃青, 王思远
- ZHANG Jingting, SHI Hao, TIAN Hanqin, LU Fei, XU Xiyan, LIU Di, GANG Chengcheng, FANG Shanmin, QIN Xiaoyu, PAN Naiqing, WANG Siyuan
- 1981-2019年华北平原农田土壤有机碳储量的时空变化及影响机制
- Spatial-temporal changes in and influencing mechanisms for cropland soil organic carbon storage in the North China Plain from 1981 to 2019
- 生态学报. 2022, 42(23): 9560-9576
- Acta Ecologica Sinica. 2022, 42(23): 9560-9576
- http://dx.doi.org/10.5846/stxb202202080310
-
文章历史
- 收稿日期: 2022-02-08
2. 奥本大学林业与野生生物科学学院国际气候与全球变化研究中心, 奥本 36849;
3. 中国科学院大气物理研究所, 北京 100029;
4. 西北农林科技大学水土保持研究所, 杨凌 712100
2. International Center for Climate and Global Change Research, School of Forestry and Wildlife Sciences, Auburn University, Auburn, AL 36849, USA;
3. Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China;
4. Institute of Soil and Water Conservation, Northwest A&F University, Yangling 712100, China
土壤是陆地生态系统中最大的碳库, 约为大气中总碳量的2—3倍, 一个微小的波动都能引起大气中二氧化碳(CO2)浓度的剧烈变化[1]。农业生态系统是受到自然和人类活动综合影响最为显著的陆地生态系统, 因此可以在较短时间尺度内调节其土壤有机碳(soil organic carbon, SOC)收支状态[2]。农田土壤有机碳增加既可以将大气CO2固定到土壤中, 又可以抵消农业生态系统中甲烷和氧化亚氮等其他温室气体的排放的影响[3]。因此, 准确评估农田土壤有机碳储量将对缓解当前气候变暖、实现“碳中和”可持续发展目标具有重要意义。
农田土壤有机碳动态受到气候变化和人为管理措施的共同驱动。气候条件调控土壤过程和作物生长, 并最终影响土壤有机碳的数量和质量[4—7]。人类活动对土壤有机碳的影响也非常显著, 通过改善农业管理措施, 比如采取秸秆还田和增施有机肥等措施, 一般能够减缓甚至逆转土壤有机碳损失[8—12]。但正是由于农田土壤有机碳变化同时受到两者复杂的交互影响, 在较大时间和空间尺度上准确捕捉土壤有机碳动态变化特征十分困难。目前, 区域尺度农田土壤有机碳储量估算大部分基于站点观测实验结果, 通过空间统计等方法外推获得[9, 12], 由于实验站点分布多集中在较肥沃的农田, 在一定程度上存在高估区域尺度的农田土壤有机碳储量的可能性。而基于过程的农业生态系统模型, 例如DeNitrification-DeComposition(DNDC)模型[13]、Rothamsted carbon(RothC)模型[14]和Agricultural Production Systems sIMulator模型[15], 则需要进行大量复杂的参数化过程, 增加了区域数据获取的难度。相对而言, 机器学习模型具有自学习功能, 可以发现其他因果关系, 在较大时空尺度上模拟农田土壤有机碳动态方面具有一定优势, 目前已被广泛用于模拟区域尺度农田土壤有机碳的变化[12, 16—18]。
华北平原是我国重要的粮食生产基地, 以冬小麦—夏玉米一年两熟的种植制度为主。自20世纪80年代以来, 华北平原农田管理措施, 包括无机肥、有机肥施用、农田作物秸秆还田比率、保护性耕作措施以及灌溉量都发生了一定的变化[12, 19—21]。但截至目前, 依然缺少华北平原农田土壤有机碳高精度的时空变化及常规管理措施的相对贡献研究。因此, 明晰华北平原土壤有机碳含量的时空变化和归因, 在全球变暖和粮食安全的背景下, 对未来农业管理措施具有重要意义。本文首先利用荟萃分析解析华北平原常规管理措施(氮磷钾无机肥、有机肥施用和秸秆还田)对农田土壤有机碳变化的贡献, 然后结合区域尺度数据, 包括土壤(土壤容重、pH值、土壤总碳、总氮、总磷、土壤质地)、气候和大气成分变化(温度、降水和氮沉降)、作物生长状况(LAI)和其他管理措施(灌溉、耕作措施), 使用随机森林机器学习模型, 模拟了1981—2019年华北平原农田土壤有机碳的时空变化。
1 材料与方法 1.1 研究区域华北平原是东亚最大的冲积平原, 也是中国最多产的农业区之一, 其中农田占地35 Mhm2[22]。由于对粮食供应的重要贡献, 它被称为“中国的粮仓”。华北平原属半干旱半湿润气候区, 降水和温度等气候要素具有明显的季节特征和年际波动[3, 23]。年平均温度14—15℃, 京、津一带降至11—12℃, 南北相差3—4℃。受季风降水影响, 大部分降雨(超过70%)发生在6月至9月, 平原年降水量500—1000 mm, 降水有由北向南增加的趋势[24]。大部分海拔低于50 m的平原区覆盖冲积土。
1.2 数据收集本研究从40篇以华北平原为研究区域的同行评审文章中提取了22个土壤有机碳实验站点共1047条数据(包括692条无机氮肥实验、656条磷肥、403条钾肥、197条有机肥、294条秸秆还田数据, 大部分为交叉实验数据)。所有的文章都来自中国知网(https://www.cnki.net/)和科睿唯安科学网(the Web of Science, www.webofscience.com)。搜索关键词为“土壤有机碳”、“土壤有机质”、“氮肥”、“磷肥”、“钾肥”、“化肥/无机肥”、“有机肥”、“秸秆还田”、“保护性耕作”、“秸秆还田”以及相对应的英文名称。所有选定的研究都符合以下标准: (1)有机碳含量是在田间实验中测定的; (2)提供辅助信息, 如实验时间、重复次数、采样深度、气候和土壤理化性质; (3)除本研究的3种目标管理措施(包括无机肥氮磷钾、有机肥和秸秆还田措施)外, 还包括其他华北平原常规农田管理措施, 如耕作措施、灌溉等。土壤有机碳数据从选定文献表中获取, 或者使用图片数字化工具(GetData Graph Digitizer software v2.26, http://getdata-graph-digitizer.com/download.php)从图中提取。从选定的研究中获得的其他相关信息也被记录下来, 包括位置(即经纬度)、实验时间、气候特征(生育期平均气温和降水总量)、土壤性质(容重、质地、土壤养分含量和pH值)和其他农学实践(作物耕作措施、灌溉)。按研究时间分为两类: 中短期(小于20 a)和长期(大于等于20 a)。同时, 由于华北平原的空间异质性相对较小, 为确保每个研究组有足够的数据量, 本文接下来的分组中提到的阈值, 原则上都是取中位数, 例如站点观测的生育期内平均温度的分组阈值定为20℃。
以上数据, 分别用于荟萃分析以及随机森林机器学习模型的训练和测试。其他区域尺度的环境数据(均重采样并降尺度到0.05°), 则用于补充缺项数据以及作为随机森林模型区域模拟的输入数据。例如土壤理化性质数据, 如土壤容重、土壤质地、土壤总碳、总氮、总磷含量和pH值, 来自GSDE土壤数据库(http://globalchange.bnu.edu.cn/research/soilw), 该套数据是基于各个国家和地区土壤剖面数据库、土壤清查数据和分类数据库生成[25], 该套数据的原始空间分辨率为30′, 垂直方向共8层, 本研究使用了双线性内插的方法重采样到0.05°, 取顶层4层(0—28.9 cm)土壤理化性质数据的均值作为表层土壤理化性质；作物LAI, 来自GLASS LAI遥感数据0.05°的格点提取值(www.glass.umd.edu)；作物生育期平均温度和降水总量, 来自国家气象局数据共享平台(http://www.cma.gov.cn/2011qxfw/2011qsjgx/)和阳坤等[26]；氮沉降数据, 来自化学-气候模式计划(Chemisty-Climate Model Initiative, CCMI), 它融合了多种大气化学传输模型的模拟结果并同时考虑了人为与自然的含氮化合物的排放与传输[27]。其原始数据时间跨度为1850—2014年, 空间分辨率为0.5°, 使用最邻近插值法将数据重采样到0.05°, 2014年后的氮沉降数据使用2014的值替代；灌溉数据, 来源于国家科技基础条件平台—国家地球系统科学数据中心(http://www.geodata.cn)[28—29]；秸秆还田数据, 来自Han等[12]；化肥氮磷钾数据, 来自当地县级统计年鉴；有机肥数据, 来自Zhang等[30]；农田分布和覆盖比例数据, 采用美国航空航天局(NASA)的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer, MODIS)地表覆盖产品(MCD12C1v006)[31], 时间跨度为2001—2019年, 空间分辨率为0.05°, 分类体系参照国际地圈生物圈计划标准分类(International Geosphere-Biosphere Programme, IGBP)。在模拟和分析时, 通过拼接、投影转换、裁剪等得到华北平原2001—2019年农田分布和栅格占比的空间数据。1981—2000年的农田分布数据来自LUH2数据集[32], 因其空间范围大, 时间跨度长, 在许多区域和全球评估报告中被广泛采用[33—35]。
1.3 荟萃分析荟萃分析(Meta-anlysis)通过响应比(response ratio, RR)来表示实验处理水平对结果的影响, 本研究对响应比进行了对数转换[36], 公式为:
|
(1) |
式中, 
|
(2) |
|
(3) |
|
(4) |
式中, St、nt和Sc、nc分别表示处理组和对照组的标准差及样本量。在本研究中采用随机效应模型, 相比于固定效应模型, 考虑了不同研究间的变异, 单个研究的权重由wi更改为wi*, 计算公式如下[37]。
|
(5) |
τ2表示研究间的方差, 可由约束最大似然法(restricted maximum likelihood, REML)求出[37]。以上计算过程利用R软件[38]的荟萃软件包[39]完成, 并且最终的对数响应比利用(eRR+-1)×100%转换为百分比, 以便更好地体现实验处理对有机碳的影响[10]。
1.4 随机森林机器学习模型随机森林(Random forest, RF)是一种用于分类和回归的集成学习方法。算法中生成了大量的决策树, 并最终聚合成一个单一的预测[40—41]。由于对大量决策树进行平均, RF模型实现了低偏差和低方差[42]。该算法不会出现过度拟合, 因为每棵决策树是由一个唯一的引导子样本的数据训练而来, 而过拟合不会根据RF模型中的树的增加而增加, 它随着更多的树而趋于稳定[43]。
本研究利用收集的1047条土壤有机碳储量数据, 利用RF模型检测了该地区0—20 cm农田土壤有机碳储量变化的控制因素。首先, 本研究将数据分为两部分, 其中25%(约261个点)是测试数据, 75%(约786个点)是RF模型构建的训练数据。对于每棵树, 需要说明3个训练参数。第一个训练参数是在森林中生长的决策树的数量(the number of decision trees, ntree), 较高的数量将对变量重要性的的估计更稳定[44]。本研究将ntree设置为默认值500。第二个参数是每个节点随机选择的预测变量的数量(mtry)。回归问题的默认值是预测因子总数的三分之一。因为RF预测性对mtry很敏感[45], 所以本研究使用了一种迭代的方法, 以最小的袋外(out of bag, OOB)均方误差来确定最佳mtry (公式6)。第三个参数是在树的终端节点上观察的最小数量(node size)。在这里, 本研究使用默认值进行回归RF。RF模型使用扩展的交叉验证, 其中每个OOB样本由相应的引导训练树预测。之前的所有OOB都被聚合到一起通过均方误差(mean square error, MSE)估计精度, “百分比方差解释”可以由1—MSE推导出来[41]。本研究使用测试数据集来验证RF回归模型, 利用观测值与预测值之间的差异来估计平均百分比误差(mean percentage error, MPE)、预测均方根误差(root mean square error of the prediction, RMSEP)和决定系数(coefficient of determination, R2)[41, 46]。
|
(6) |
|
(7) |
|
(8) |
|
(9) |
式(6)中, 
根据Huang等[47]的计算方法, 土壤有机碳密度(soil organic carbon density, SOCdensity)(Mg C/hm2)计算公式为:
|
(10) |
式中, c为0—20 cm土壤有机碳含量(g/kg); B为0—20 cm土壤容重(g/cm3); 式中20和10分别指土层深度和面积转换系数。
2 结果与分析 2.1 土壤有机碳对化肥、有机肥和秸秆还田管理措施的响应在华北平原3种常见的农田管理措施中, 有机肥施用对农田土壤有机碳(SOCdensity)的影响最为显著, 平均提高了48.3%的SOCdensity增长速率, 且随着有机肥投入量的增加, SOCdensity增长速率会继续增大(图 1)。氮磷钾无机肥料可分别提高23.3%, 22.7%和26.0%的SOCdensity增长速率。其中小于300 kg/hm2的氮肥投入使SOCdensity增长速率增加了29.6%, 但是, 超过300 kg/hm2的氮肥投入反而使促进效应降低了35.7%。秸秆还田促进SOCdensity提高了23.4%, 较高还田比率(>30%)有助于SOCdensity进一步增加26.8%。值得注意的是, 不管是无机肥、有机肥还是秸秆还田输入, 当投入量超过农作物和土壤微生物对碳、氮的需求时, 土壤有机碳的积累速率会显著下降。例如, 相对于低投入量, 超过300 kg/hm2的氮肥投入、超过200 kg/hm2的有机肥输入以及大于30%的秸秆还田率的措施使土壤有机碳的积累速率分别下降了34.3%、69.9%和22.9%。但不同于快速分解的无机氮肥, 有机肥和生物肥的缓慢的分解速率使土壤微生物拥有更丰富持久的营养物[24], 最终会显著增加农田土壤的SOCdensity(图 1)。
|
| 图 1 华北平原常规农业管理措施及其持续时间对土壤有机碳变化速率的平均影响 Fig. 1 Mean effects of conventional agricultural management and its duration on soil SOCdensity in North China Plain 括号里的数字表示观测集个数, 误差棒表示95%置信区间 |
这些传统的农田管理措施对土壤SOCdensity的积累起到了正面作用, 但其长期的效应却各不相同(图 1)。结果表明, 长期(≥20 a)的有机肥施用极大地有利于土壤SOCdensity积累, 较中短期有机肥施用的效果高49.7%。长期的无机氮磷钾肥料的施用也促进了27.2%—34.5%的土壤SOCdensity积累, 但相对于短期施肥, 其增效作用只提高了14.4%—21.2%, 远低于有机肥。通过秸秆还田增加碳投入可以在土壤碳饱和之前提高碳浓度, 但长期的秸秆还田对土壤SOCdensity固定的增加效应却略微有所降低(-2.5%)。
2.2 不同环境因子对化肥、有机肥和秸秆还田管理措施引起的土壤有机碳固持的影响在华北平原, 降水量增加、适当增温以及高氮沉降均有利于农田管理措施固定更多的SOCdensity(图 2)。相对于低降水条件, 在年降水量高于1500 mm时, 氮磷钾无机肥分别促使SOCdensity增长速率提高了16.6%, 12.7%和18.1%；有机肥和秸秆还田的碳汇效应增加了20%左右。生育期平均温度高于20℃条件下的氮肥、有机肥和秸秆还田分别使SOCdensity增加速率提高了33.1%、62.5%和45.2%, 较低温度条件下则分别提高了19.7%、34.7%和33.8%。高氮沉降条件下, 3种管理措施对SOCdensity的促进作用比低氮沉降条件下高11.3%—24.3%。
|
| 图 2 华北平原常规农业管理措施对不同气候、氮沉降分布下的土壤有机碳变化速率的平均影响 Fig. 2 Mean effects of conventional agricultural management on soil SOC changes in the North China Plain under different climate and N deposition conditions 括号里的数字表示观测集个数, 误差棒表示95%置信区间 |
土壤质地以及相关理化性质对华北平原常规农业管理措施引起的土壤有机碳固持有显著的调控作用(图 3)。譬如, 无机肥在黏土比重大的农田土壤中, 对SOCdensity的促进作用提高了(14.5%—19.6%)；相对于低壤土, 壤土含量高的农田土壤中的有机肥施用提高了54.0%的SOCdensity增长速率, 而秸秆还田措施则使SOCdensity增加速率降低了23.8%；在沙土比重大的农田土壤中, 氮磷钾无机肥和有机肥施用对SOCdensity的促进效应分别降低了5.8%—11.0%和61.6%, 秸秆还田反而使其提高了22.4%。较低的初始土壤养分含量为有机碳固存提供了潜在空间(图 4)。例如, 在全碳含量较低的农田土壤中, 有机肥和秸秆还田对SOCdensity的增汇作用较强, 其效应较高碳土壤分别提高了37.3%和29.8%。但值得注意的是, 相对养分含量较低的土壤, 总氮、总磷含量较高的土壤中秸秆还田措施使SOCdensity增长速率分别提高了38.1%和21.6%。另外, 土壤pH值增大使SOCdensity增长速率有所降低, 而土壤容重小则对SOCdensity增长的促进作用更大(图 5)。譬如, 在碱性农田土壤中, 有机肥施用对SOCdensity的积累作用大幅下降了38.1%；在土壤容重小的农田中有机肥施用对SOCdensity的促进作用提高了40.9%(图 5)。
|
| 图 3 华北平原常规农业管理措施对不同土壤质地下的土壤有机碳变化速率的平均影响 Fig. 3 Mean effects of conventional agricultural management on SOC changes in the North China Plain under different soil texture conditions 括号里的数字表示观测集个数, 误差棒表示95%置信区间 |
|
| 图 4 华北平原常规农业管理措施对不同土壤初始肥力下的土壤有机碳变化速率的平均影响 Fig. 4 Mean effects of conventional agricultural management on soil SOC changes in the North China Plain among different initial fertility 括号里的数字表示观测集个数, 误差棒表示95%置信区间 |
|
| 图 5 华北平原常规农业管理措施对不同土壤理化性质和作物生长状态下的土壤有机碳变化速率的平均影响 Fig. 5 Mean effects of conventional agricultural managements on SOC changes in the North China Plain under different soil properties and crop growth states 括号里的数字表示观测集个数, 误差棒表示95%置信区间 |
化肥、有机肥和秸秆还田管理措施在长势更好的冬小麦-夏玉米系统中对SOCdensity的积累效果更好, 达到了21.2%—57.4%(图 5)。有机肥施用对SOCdensity影响的差距在不同长势的小麦-玉米轮作系统中尤为显著。由于根系和地上茎叶更为发达, 长势更好的作物既可以通过根系分泌营养物提供给土壤微生物更多营养, 又可以通过根系残留和秸秆还田为土壤提供更多的碳输入[24], 所以长势更好的作物大大提高有机肥的固碳能力, 较之在长势弱的作物田中高出23.1%。化肥和秸秆还田措施的效应与之相同, 在长势更好的农田中对SOCdensity的积累作用比之在长势弱的农田中高1.9%—6.9%。
有机肥的施用和秸秆还田都能极大地促进无机肥(氮磷钾)对SOCdensity的积累作用(图 6)。增施有机肥后, 氮肥、磷肥和钾肥分别使SOCdensity积累提高了19.0%, 20.3%和18.6%。当秸秆还田小于30%, 氮肥、磷肥和钾肥会使SOCdensity积累提高14.8%, 13.2%和10.1%, 但当秸秆还田大于30%时, 氮肥、磷肥对SOCdensity的增加效应有轻微的降低(-3.0%至-8.3%), 但钾肥对SOCdensity的增加效应增加了17.9%。总的来说, 化肥、有机肥和秸秆还田管理措施的耦合作用促进25.1%的农田SOCdensity积累(图 7)。在较温暖的条件下(>20℃), 华北地区3种常规的农田管理措施使SOCdensity显著提高了35.6%；在较湿润的条件下(>1500 mm), 相关的SOCdensity固定增加了33.3%；该耦合作用在高氮沉降条件下(>1.7 g N/m2)促进了29.5%的农田SOCdensity的积累。在弱酸性和中性(pH＜8.0)农田土壤中, 这些管理措施提高了43.7%的SOCdensity增长速率。而化肥、有机肥和秸秆还田措施的协同作用在较贫瘠的土壤(总碳＜0.65 g/kg)中对SOCdensity积累的效应更显著, 达到了37.1%。黏土(>30%)、壤土(>40%)含量较大的农田中, 管理措施的碳汇效应分别达到了52.2%和26.7%。在长势较好(LAI>1.5)的作物田中, 这些措施使土壤碳固持提高了26.3%, 而在高灌溉条件下(>200 mm)土壤SOCdensity的固定效应为27.8%。虽然长期(>20 a)的秸秆还田对SOCdensity的增强效应有所降低, 但与化肥、有机肥的耦合作用却依然很强(28.6%), 比中短期措施的效应提高了17.5%。
|
| 图 6 华北平原常规农业管理措施对土壤有机碳的交互式影响 Fig. 6 Interactive effects of normal agricultural management on soil SOC changes in the North China Plain 括号里的数字表示观测集个数, 误差棒表示95%置信区间 |
|
| 图 7 华北平原施用化肥、有机肥和秸秆还田管理措施对不同环境类型下的土壤有机碳的耦合影响 Fig. 7 Mean effects of inorganic and organic fertilizer and straw returning on soil SOC changes in the North China Plain under different environmental conditions 括号里的数字表示观测集个数, 误差棒表示95%置信区间 |
运用随机森林模型, 本研究模拟预测了常规管理措施下华北平原1981—2019年的农田土壤有机碳储量的时空分布。随机森林模型的模拟性能见图 8。结果表明, 模型中使用的自变量解释了华北平原SOC储量变化总方差的90%以上。区域模拟结果显示, 1981—2019年间, 华北平原0—20 cm土壤有机碳储量平均为(14.56±1.66)Mg C/hm2((523.10±79.36)Tg C), 并且每年以0.12 Mg C hm-2 a-1(5.94 Tg C/a)的固持率稳步增长(图 9)。平均来讲, 华北平原农田土壤有机碳库在1980年代、1990年代、2000年代和2010年代的平均增加速率分别为7.46 Tg C、16.27 Tg C、3.11 Tg C和3.48 Tg C。可见, 华北平原土壤有机碳积累速率在逐渐变缓, 到2010年代, 华北平原0—20 cm土壤有机碳储量稳定在(16.48±0.79)Mg C /hm2((602.61±32.70)Tg C)。
|
| 图 8 华北平原农田0—20 cm土壤有机碳储量变化控制因素的随机森林模型性能 Fig. 8 RF model performance on predicting cropland SOC stock of the top 0—20 cm soil in the North China Plain RMSE: 均方根误差Root Mean Square Error；MAE: 平均绝对误差Mean Absolute Error |
|
| 图 9 1981—2019年华北平原农田土壤有机碳储量演变 Fig. 9 Temporal changes in the total cropland SOC stock in the North China Plain from 1981 to 2019 正方形数据点是对荟萃分析数据进行简单的空间区域平均所得(站点主要分布在土壤有机碳较高的农田中)；圆形数据点为随机森林模型预测的平均华北平原农田土壤有机碳密度；三角形数据点为随机森林模型预测的0—20 cm华北平原农田土壤有机碳储量 |
总体而言, 1981—2019年间, 华北平原各地区土壤有机碳变化存在明显的区域差异(图 9)。由于碳氮投入量的增加, 华北平原大部分地区的农田土壤有机碳都呈上升趋势, 较高的农田土壤有机碳储量集中在农田面积分布较广的区域, 并以每年0.14—0.40 Mg C hm-2 a-1的固持速率增长, 而山地和近海区域农田土壤有机碳储量较低, 部分区域甚至呈现出有机碳逐渐减少的趋势(图 10), 例如河北省北部、山东省中部和东部部分地区农田土壤有机碳仍在减少。平均而言, 1981—2019年, 京津冀地区、山东省以及河南省的农田有机碳储量分别为(14.63±1.89)Mg C/hm2((169.57±22.24)Tg C)、(14.21±1.92)Mg C/hm2((165.55±34.79)Tg C)和(15.94±2.30)Mg C/hm2((187.98±31.59)Tg C)(表 1), 其积累速率分别为0.78、2.88、2.28 Tg C/a。到2010年代, 京津冀地区、山东省以及河南省的农田有机碳储量分别稳定在(176.25±12.99)Tg C、(209.47±15.35)Tg C和(216.90±12.50)Tg C。
|
| 图 10 1981—2019年华北平原农田土壤有机碳储量及其年固持率的空间分布。 Fig. 10 Spatial patterns of the average cropland SOCden sity and its annual change rate in the North China Plain from 1981 to 2019 |
| 省份 Provinces |
市 Cities |
土壤有机碳密度 SOC density/(Mg C/hm2) |
土壤有机碳储量 SOC stock/(Tg C) |
土壤有机碳储量变化率 SOC stock change rate/(Tg C/a) |
| 河南 | 洛阳市 | 14.70 (1.19) | 11.26 (1.53) | 0.105 |
| 平顶山市 | 15.38 (2.50) | 9.07 (1.53) | 0.093 | |
| 郑州市 | 16.19 (2.81) | 9.34 (1.40) | 0.091 | |
| 开封市 | 16.24 (3.56) | 8.80 (2.09) | 0.156 | |
| 焦作市 | 18.37 (1.82) | 5.41 (0.56) | 0.027 | |
| 安阳市 | 15.75 (2.51) | 9.29 (1.65) | 0.103 | |
| 鹤壁市 | 15.32 (2.80) | 2.86 (0.57) | 0.039 | |
| 新乡市 | 17.64 (2.86) | 12.34 (2.05) | 0.145 | |
| 三门峡市 | 13.63 (0.39) | 4.90 (0.56) | 0.038 | |
| 漯河市 | 16.06 (3.24) | 3.55 (0.71) | 0.048 | |
| 许昌市 | 17.12 (3.39) | 8.01 (1.63) | 0.120 | |
| 濮阳市 | 16.09 (3.21) | 5.47 (1.15) | 0.077 | |
| 驻马店市 | 13.52 (2.41) | 17.80 (3.81) | 0.258 | |
| 周口市 | 17.09 (2.97) | 18.30 (3.63) | 0.267 | |
| 商丘市 | 17.18 (3.02) | 14.56 (2.97) | 0.207 | |
| 南阳市 | 14.17 (1.84) | 25.17 (3.92) | 0.181 | |
| 济源市 | 16.03 (1.77) | 1.95 (0.48) | -0.026 | |
| 信阳市 | 16.47 (2.29) | 17.73 (4.16) | 0.329 | |
| 平均 | 15.94 (2.30) | 187.98 (31.60) | 2.280 | |
| 山东 | 青岛市 | 11.74 (0.74) | 6.29 (3.56) | 0.277 |
| 淄博市 | 15.32 (2.37) | 7.15 (1.28) | 0.100 | |
| 济南市 | 18.08 (1.83) | 11.84 (1.76) | 0.139 | |
| 枣庄市 | 17.35 (3.34) | 5.82 (1.32) | 0.106 | |
| 烟台市 | 11.94 (0.60) | 9.43 (3.03) | 0.235 | |
| 东营市 | 11.75 (3.30) | 4.59 (1.40) | 0.102 | |
| 济宁市 | 15.20 (2.86) | 12.90 (2.75) | 0.195 | |
| 潍坊市 | 13.62 (1.75) | 17.04 (2.35) | 0.187 | |
| 泰安市 | 16.14 (2.58) | 10.59 (2.02) | 0.146 | |
| 日照市 | 11.24 (0.58) | 3.87 (1.37) | 0.106 | |
| 威海市 | 11.58 (0.57) | 4.06 (0.18) | 0.004 | |
| 滨州市 | 13.58 (3.25) | 9.79 (2.67) | 0.210 | |
| 临沂市 | 13.13 (2.06) | 17.92 (3.40) | 0.276 | |
| 菏泽市 | 15.52 (3.23) | 17.48 (3.70) | 0.234 | |
| 聊城市 | 15.83 (3.11) | 12.64 (2.82) | 0.201 | |
| 德州市 | 16.17 (2.44) | 15.38 (2.84) | 0.195 | |
| 莱芜市 | 13.40 (2.01) | 2.22 (0.43) | 0.034 | |
| 平均 | 14.21 (1.92) | 165.55 (34.79) | 2.883 | |
| 京津冀 | 石家庄市 | 17.22 (2.56) | 16.74 (2.49) | 0.149 |
| Beijing-Tianjin-Hebei | 唐山市 | 13.18 (1.18) | 10.28 (2.18) | 0.182 |
| 秦皇岛市 | 13.01 (0.32) | 4.54 (2.68) | 0.198 | |
| 邯郸市 | 16.59 (2.56) | 15.65 (2.60) | 0.108 | |
| 邢台市 | 17.14 (2.69) | 18.03 (3.02) | 0.176 | |
| 保定市 | 15.27 (2.04) | 22.92 (3.48) | 0.111 | |
| 沧州市 | 13.39 (3.21) | 16.17 (4.23) | 0.261 | |
| 张家口市 | 11.07 (0.15) | 10.56 (5.39) | -0.367 | |
| 承德市 | 13.69 (0.22) | 15.06 (5.44) | -0.386 | |
| 衡水市 | 15.21 (3.46) | 12.05 (2.88) | 0.175 | |
| 廊坊市 | 15.08 (3.61) | 6.72 (1.82) | 0.128 | |
| 天津市 | 13.31 (3.06) | 9.43 (2.40) | 0.159 | |
| 北京市 | 14.96 (1.46) | 9.14 (2.69) | -0.143 | |
| 香河县 | 15.73 (3.03) | 1.61 (0.39) | 0.029 | |
| 平均 | 14.63 (1.89) | 169.57 (22.24) | 0.782 | |
| 华北平原 North China Plain |
平均 | 14.56 (1.66) | 523.10 (79.36) | 5.94 |
| SOC: 土壤有机碳soil organic carbon | ||||
本研究结果表明, 1981—2019年, 华北平原0—20 cm土壤每年土壤有机碳积累为0.12 Mg C hm-2 a-1(5.94 Tg C/a), 与Zhao等[9]报道的0.16 Mg C hm-2 a-1较为一致, 约为中国农田每年土壤有机碳积累量的23.3%(按最大固持率25.5 Tg C/a算[12, 48—60]), 相当于中国每年CO2排放的0.61%(大约0.98 Pg C/a[61])。目前, 大量的研究结果已经证实, 无机肥、有机肥和秸秆还田以及配套的管理措施, 使中国农田由碳源转变为碳汇[9, 48—49, 51—58]。但由于开展农田观测、实验的站点大多集中在农田面积分布较广、农业投入较多的区域, 相应的土壤有机碳积累较多, 而山区丘陵等贫瘠的农田土壤则不然。因此, 仅根据实验或观测站点的土壤有机碳积累速率进行的简单的空间升尺度平均法来估算区域尺度的土壤有机碳储量, 很大程度上忽略了空间异质性, 可能会高估土壤碳库的潜力[58—59, 62—63]。而随机森林机器学习模型, 考虑了区域上的气候变化、大气主成分变化、土壤理化性质、作物生长状况和多种常规的农田管理措施的时空分布, 例如氮磷钾化肥、有机肥、秸秆还田、灌溉等, 在一定程度上更能全面的准确的估算华北平原区域尺度的土壤有机碳储量和积累速率。
3.2 土壤有机碳积累的驱动因子本研究表明华北平原土壤有机碳的增加主要归功于过去几十年的农田管理投入的提高。其中, 华北平原有机肥施用增加了48.3%的农田土壤有机碳储量, 无机肥对土壤有机碳固持的影响为22.7%—26.0%, 秸秆还田对土壤有机碳积累的促进作用也达到了23.4%。本研究结果与前人的结果相一致[9—10, 12]。尽管这些常规管理措施对土壤有机碳积累都起到了积极的作用, 但长期施用后的影响却有很大差异。例如, 长期施用有机肥较中短期的效果高出49.7%, 但长期施用无机氮肥相对于短期施肥, 其增效作用只为14.4%—21.2%, 远低于有机肥。这可能是由于有机肥含有大量的有效碳源, 可提高微生物生物量和活性, 促使微生物同化更多的铵态氮进入土壤活性有机氮库[24]。相比而言, 无机氮肥施入仅仅通过提高土壤中根和作物残体的自然还田量增加土壤有机碳含量, 因而其提供的有效碳源相对有限, 对提高土壤铵态氮同化速率的能力也就弱于施入有机氮肥[24]。长期施用无机氮肥还容易使土壤氮含量过量, 而过量的氮肥对土壤的影响是多方面的。首先, 从对土壤理化性质的影响来看, 过量的氮肥将导致土壤结构变差、容重增加、孔隙度减少、土壤酸碱性改变, 部分养分含量降低或不平衡, 相应的土壤有益微生物数量减少, 进而导致土壤有机质上升速度减缓甚至下降[64]。例如, 本文中华北平原施肥量小于300 kg/hm2的氮肥投入使土壤有机碳增加了29.6%, 但是, 超过300 kg/hm2的氮肥投入反而使该促进效应相对降低了35.7%(图 1)。秸秆还田增加了土壤中根系分泌物的数量, 根系分泌物可以为微生物生长提供营养物质[24]。此外, 作物秸秆还可以提供含有如木质素、纤维素和半纤维素等较稳定的有机化合物[24]。但秸秆还田对土壤有机质的积累作用通常小于有机肥施用。这是因为农作物秸秆C/N比通常较高, 微生物需从土壤中吸收更多的无机氮来满足自身生长需要, 致使自养硝化的底物减少, 微生物需要与作物争夺氮素, 最终导致秸秆分解缓慢, 长期以往就会使土壤有机质积累降低[24], 本文中长期的秸秆还田对土壤有机碳固定的增加效应略微有所降低(-2.5%)证实了上述观点。因此亟待明确化肥、有机肥和秸秆投入的阈值以及合理的投入比例。
这些管理实施对土壤有机碳的影响可能受到环境因素的影响。气候是调节土壤有机碳分布的主要驱动力之一。一般来讲, 温度上升会加速土壤中有机碳的分解[4]。但也有学者[5]指出, 土壤有机碳内部的复杂结构和土壤其它环境因子能够掩盖温度上升对土壤有机碳动态的影响。降水量或降水格局的变化能显著改变土壤的呼吸作用, 但这一影响因时、因地而异。比如, 在较为湿润地区的湿润季节里, 降水增加可能会明显地抑制土壤呼吸[6]；而在干旱或半干旱地区的干旱季节里, 降水增加往往会促进土壤的呼吸作用[7]。而华北平原地处东亚季风区, 属半干旱半湿润气候, 降水和温度等气候要素具有明显的季节和年际波动[23]。降水和增温在华北平原有利于土壤微生物的活性增加, 进而加速进入土壤中的腐殖质和其他营养元素的转化积累。
土壤质地以及相关理化性质对土壤有机碳固持有显著的调控作用。譬如, 土壤有机碳与粘粒含量密切相关[65]；有机碳矿化速率可能随着粘土浓度的增加而降低[66]。值得注意的是, 相对于其他两种措施, 秸秆还田在粘土、壤土含量较大的土壤中的碳汇作用增加不显著, 甚至有所降低, 相反, 在沙土含量较大的土壤, 秸秆还田的增汇效应则提高了22.3%, 这可能是由于秸秆还田对土壤的物理状况有积极的影响, 可改善土壤孔隙度和非毛管孔隙度, 降低土壤容重, 增加土壤团聚体含量, 增强土壤保水蓄水性能和粘土渗透性。较低的初始有机碳储量是有机碳固存量增大的前提条件[9—10, 12]。因此, 本文中化肥和有机肥施用对土壤有机碳积累的促进效应在初始碳氮磷含量较高土壤中都有所降低, 特别是有机肥, 其碳汇效应降低了31.0%—39.0%。而在初始土壤总氮总磷含量较高的土壤中, 秸秆还田的增汇效应相应提高了38.1%和21.6%。土壤pH被认为是影响土壤有机质周转率的主要因素, 但其影响模式尚不清楚[67]。一般认为土壤pH可通过影响有机碳的溶解度, 并间接改变微生物的生长、活性和群落结构, 从而改变作物秸秆和有机碳的分解速率结构[68—69]。可溶性有机碳的含量可能随着酸度的增加而增加[70—71]。在本研究中, 华北平原农田管理措施在弱酸性和中性土壤中的碳汇效应比碱性土壤高, 特别是施用有机肥, 其效应提高了38.1%。而土壤有机碳跟容重则呈现负相关的关系[72]。在本研究中, 华北平原农田土壤容重大于1.4 g/kg时, 化肥、有机肥和秸秆还田对土壤有机碳的累积效应都将下降, 其中有机肥的碳汇效应下降达到40.9%, 也证实了上述观点。
3.3 土壤有机碳积累的可持续发展道路在过去的几十年里, 中国农田有机物输入经历了3个不同的阶段, 这些阶段与社会经济的发展密切相关[9]。第一个阶段的特征是在20世纪70年代后期有机物输入较少。第二阶段(1980—1999)是由化学施肥导致的根系生物量的稳定增加所决定的。第三阶段在1999年后, 为了促进作物残留返还的实施, 中国政府对农民采取了各种经济激励措施和示范项目, 导致越来越多的作物残留被返还到土壤中。前两个阶段主要是经济驱动。第一阶段, 农家肥产量有限, 作物秸秆燃料/饲料利用率低是主要原因。第二阶段是由增加肥料投入所带来的植物生产力和根系生物量的提高所驱动的。第三阶段主要是政策驱动阶段。政策强制执行的地上残余物返还导致了更多的有机碳投入。2000年以来, 秸秆碳投入的快速增加对碳固存的效益最大。华北平原的土壤碳含量明显低于中国的其他地区[9], 20世纪60年代开始经历了一个快速下降, 在80年代末达到最低水平(图 9), 这与其他人的研究结果一致[12, 72—73]。通过采用增施化肥、有机肥和加大秸秆还田率, 华北平原农田土壤有机碳储量自90年代开始稳步上升(图 9)。根据前人研究预测, 华北平原每年需要投入7254 kg/hm2的生物量来维持目前的土壤有机碳水平[74], 但当前每年的作物残茬投入量(9651 kg/hm2)超过了C的积累需求[12]。根据本研究的研究发现, 大于30%的秸秆还田率使土壤有机碳固持效率下降了22.9%。前人研究结果也证实了随着SOC储量接近饱和水平, 碳固存效率似乎可能会下降[53, 75—76]。目前, 秸秆还田率已达50%, 未来生物体、秸秆成型燃料等也会是前景可期的温室气体减排途径[3, 12], 而有机施肥和保护性耕作仍处于较低水平。根据Wang等[60]的研究, 如果采用碳优化策略, 华北平原土壤有机碳储量可达到55 Mg/hm2, 几乎是目前SOC密度(0—20 cm 14.56 Mg/hm2)的3.8倍。可见, 未来的华北平原将是中国农田土壤有机碳固存最有潜力的地区之一。在未来, 无机和有机肥料的优化应用, 随着保护性耕作的推广, 可能是一条可行的途径以满足对食物需求, 同时继续扩大有机碳固存。
4 结论本文利用荟萃分析、随机森林机器学习模型以及相关的土壤、气候和农业管理措施等模型遥感输入数据, 研究了1981—2019年间华北平原农田土壤有机碳的时空变化, 主要结果如下:
(1) 1981—2019年间华北平原0—20 cm农田有机碳储量约为(14.56±1.66)Mg C/hm2 ((523.10±79.36)Tg C), 并且每年以0.12 Mg C hm-2 a-1(5.94 Tg C/a)的固持率稳步增长, 但进入2000年代后, 趋势明显减缓为3.5 Tg C/a。
(2) 华北平原大部分农田有机碳呈增加趋势, 仅河北省北部、山东省中部和东部部分地区农田土壤有机碳减少。平均而言, 1981—2019年, 京津冀地区、山东省以及河南省的农田有机碳储量的积累速率分别为0.78、2.88和2.28 Tg C/a。到2010年代, 京津冀地区、山东省以及河南省的农田有机碳储量分别稳定在(176.25±12.99)Tg C、(209.47±15.35)Tg C和(216.90±12.50)Tg C。
(3) 华北平原常规农田管理措施对土壤有机碳累积的贡献平均为25.1%。值得注意的是, 不管是化肥、有机肥还是生物碳输入, 当投入量超过农作物和土壤微生物对碳、氮的需求时, 土壤有机碳累积效应会显著下降。亟待明确化肥、有机肥和秸秆投入的阈值以及合理的投入比例。
总之, 在土壤和气候环境以及农业管理措施共同影响下, 1981—2019年间华北平原大部分地区农田土壤有机碳呈增加趋势, 总体表现为一个净碳汇, 这对于一定程度缓解当前的全球变暖以及保障我国粮食安全起到了积极作用。
| [1] |
Lal R. Soil carbon sequestration impacts on global climate change and food security. Science, 2004, 304(5677): 1623-1627. DOI:10.1126/science.1097396 |
| [2] |
Robert M. Soil carbon sequestration for improved land management. 2001.
|
| [3] |
王国成, 许晶晶, 李婷婷, 张稳. 1980—2010年华北平原农田土壤有机碳的时空变化. 气候与环境研究, 2015, 20(5): 491-499. |
| [4] |
Post W M, Emanuel W R, Zinke P J, Stangenberger A G. Soil carbon pools and world life zones. Nature, 1982, 298(5870): 156-159. DOI:10.1038/298156a0 |
| [5] |
Davidson E A, Janssens I A. Temperature sensitivity of soil carbon decomposition and feedbacks to climate change. Nature, 2006, 440(7081): 165-173. DOI:10.1038/nature04514 |
| [6] |
Cavelier J, Penuela M C. Soil respiration in the clud forest and dry deciduous forest of serrania de macuira, Colombia. Biotropica, 1990, 22(4): 346. DOI:10.2307/2388552 |
| [7] |
Zhang L H, Chen Y N, Zhao R F, Li W H. Significance of temperature and soil water content on soil respiration in three desert ecosystems in Northwest China. Journal of Arid Environments, 2010, 74(10): 1200-1211. DOI:10.1016/j.jaridenv.2010.05.031 |
| [8] |
West T O, Post W M. Soil organic carbon sequestration rates by tillage and crop rotation. Soil Science Society of America Journal, 2002, 66(6): 1930-1946. DOI:10.2136/sssaj2002.1930 |
| [9] |
Zhao Y C, Wang M Y, Hu S J, Zhang X D, Ouyang Z, Zhang G L, Huang B, Zhao S W, Wu J S, Xie D T, Zhu B, Yu D S, Pan X Z, Xu S X, Shi X Z. Economics- and policy-driven organic carbon input enhancement dominates soil organic carbon accumulation in Chinese croplands. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4045-4050. DOI:10.1073/pnas.1700292114 |
| [10] |
Bai X X, Huang Y W, Ren W, Coyne M, Jacinthe P A, Tao B, Hui D F, Yang J, Matocha C. Responses of soil carbon sequestration to climate-smart agriculture practices: a meta-analysis. Global Change Biology, 2019, 25(8): 2591-2606. DOI:10.1111/gcb.14658 |
| [11] |
Wang G C, Luo Z K, Wang E L, Huang Y. Contrasting effects of agricultural management on soil organic carbon balance in different agricultural regions of China. Pedosphere, 2013, 23(6): 717-728. DOI:10.1016/S1002-0160(13)60064-8 |
| [12] |
Han D R, Wiesmeier M, Conant R T, Kühnel A, Sun Z G, Kögel-Knabner I, Hou R X, Cong P F, Liang R B, Ouyang Z. Large soil organic carbon increase due to improved agronomic management in the North China Plain from 1980s to 2010s. Global Change Biology, 2018, 24(3): 987-1000. DOI:10.1111/gcb.13898 |
| [13] |
Li C S, Frolking S, Harriss R. Modeling carbon biogeochemistry in agricultural soils. Global Biogeochemical Cycles, 1994, 8(3): 237-254. DOI:10.1029/94GB00767 |
| [14] |
Jenkinson D S. The turnover of organic carbon and nitrogen in soil. Philosophical Transactions of the Royal Society of London Series B: Biological Sciences, 1990, 329(1255): 361-368. DOI:10.1098/rstb.1990.0177 |
| [15] |
Keating B A, Carberry P S, Hammer G L, Probert M E, Robertson M J, Holzworth D, Huth N I, Hargreaves J N G, Meinke H, Hochman Z, McLean G, Verburg K, Snow V, Dimes J P, Silburn M, Wang E, Brown S, Bristow K L, Smith C J. An overview of APSIM, a model designed for farming systems simulation. European Journal of Agronomy, 2003, 18(3/4): 267-288. |
| [16] |
Ma Y X, Minasny B, Wu C F. Mapping key soil properties to support agricultural production in Eastern China. Geoderma Regional, 2017, 10: 144-153. DOI:10.1016/j.geodrs.2017.06.002 |
| [17] |
Zhou T, Geng Y J, Chen J, Pan J J, Haase D, Lausch A. High-resolution digital mapping of soil organic carbon and soil total nitrogen using DEM derivatives, Sentinel-1 and Sentinel-2 data based on machine learning algorithms. Science of the Total Environment, 2020, 729: 138244. DOI:10.1016/j.scitotenv.2020.138244 |
| [18] |
Hamzehpour N, Shafizadeh-Moghadam H, Valavi R. Exploring the driving forces and digital mapping of soil organic carbon using remote sensing and soil texture. CATENA, 2019, 182: 104141. DOI:10.1016/j.catena.2019.104141 |
| [19] |
高利伟, 马林, 张卫峰, 王方浩, 马文奇, 张福锁. 黄淮海三省两市作物秸秆及其养分资源利用现状分析. 中国农学通报, 2009, 25(11): 186-193. |
| [20] |
易中懿. 2008中国农业机械化年鉴. 北京: 中国农业科学技术出版社, 2008.
|
| [21] |
Zhang W, Yu Y Q, Huang Y, Li T T, Wang P. Modeling methane emissions from irrigated rice cultivation in China from 1960 to 2050. Global Change Biology, 2011, 17(12): 3511-3523. DOI:10.1111/j.1365-2486.2011.02495.x |
| [22] |
Shi W J, Tao F L, Liu J Y. Changes in quantity and quality of cropland and the implications for grain production in the Huang-Huai-Hai Plain of China. Food Security, 2013, 5(1): 69-82. DOI:10.1007/s12571-012-0225-9 |
| [23] |
Ren G Y, Zhou Y Q, Chu Z Y, Zhou J X, Zhang A Y, Gou J, Liu X F. Urbanization effects on observed surface air temperature trends in North China. Journal of Climate, 2008, 21(6): 1333-1348. DOI:10.1175/2007JCLI1348.1 |
| [24] |
王敬, 程谊, 蔡祖聪, 张金波. 长期施肥对农田土壤氮素关键转化过程的影响. 土壤学报, 2016, 53(2): 292-304. |
| [25] |
Shangguan W, Dai Y J, Duan Q Y, Liu B Y, Yuan H. A global soil data set for earth system modeling. Journal of Advances in Modeling Earth Systems, 2014, 6(1): 249-263. DOI:10.1002/2013MS000293 |
| [26] |
阳坤, 何杰. 中国区域地面气象要素驱动数据集(1979-2018). 国家青藏高原科学数据中心, 2019. https://doi.org/10.11888/AtmosphericPhysics.tpe.249369.file.
|
| [27] |
Morgenstern O, Hegglin M, Rozanov E. Review of the global models used within phase 1 of the Chemistry-Climate Model Initiative (CCMI). Geoscientific Model Development, 2017, 10(2): 639-671. DOI:10.5194/gmd-10-639-2017 |
| [28] |
Jing W L, Yao L, Zhao X D, Zhang P Y, Liu Y, Xia X L, Song J, Yang J, Li Y, Zhou C H. Understanding terrestrial water storage declining trends in the Yellow River Basin. Journal of Geophysical Research: Atmospheres, 2019, 124(23): 12963-12984. DOI:10.1029/2019JD031432 |
| [29] |
Jing W L, Zhao X D, Yao L, Jiang H, Xu J H, Yang J, Li Y. Variations in terrestrial water storage in the Lancang-Mekong River Basin from GRACE solutions and land surface model. Journal of Hydrology, 2020, 580: 124258. DOI:10.1016/j.jhydrol.2019.124258 |
| [30] |
Zhang B W, Tian H Q, Lu C Q, Dangal S R S, Yang J, Pan S F. Global manure nitrogen production and application in cropland during 1860-2014:a 5 arcmin gridded global dataset for Earth system modeling. Earth System Science Data, 2017, 9(2): 667-678. DOI:10.5194/essd-9-667-2017 |
| [31] |
Sulla-Menashe D, Friedl M. User Guide to collection 6 MODIS land cover (MCD12Q1 and MCD12C1) product. USGS: Reston, VA, USA, 2018.
|
| [32] |
Hurtt G C, Chini L P, Frolking S, Betts R A, Feddema J, Fischer G, Fisk J P, Hibbard K, Houghton R A, Janetos A, Jones C D, Kindermann G, Kinoshita T, Goldewijk K K, Riahi K, Shevliakova E, Smith S, Stehfest E, Thomson A, Thornton P, van Vuuren D P, Wang Y P. Harmonization of land-use scenarios for the period 1500-2100:600 years of global gridded annual land-use transitions, wood harvest, and resulting secondary lands. Climatic Change, 2011, 109(1): 117. |
| [33] |
Eyring V, Bony S, Meehl G A, Senior C A, Stevens B, Stouffer R J, Taylor K E. Overview of the Coupled Model Intercomparison Project Phase 6(CMIP6) experimental design and organization. Geoscientific Model Development, 2016, 9(5): 1937-1958. DOI:10.5194/gmd-9-1937-2016 |
| [34] |
Le Quéré C, Andrew R M, Canadell J G, et al. Global carbon budget 2016. Earth System Science Data, 2016, 8(2): 605-649. DOI:10.5194/essd-8-605-2016 |
| [35] |
Solomon S, Manning M, Marquis M, et al. Climate change 2007-the physical science basis: Working group I contribution to the fourth assessment report of the IPCC. Cambridge university press, 2007.
|
| [36] |
Hedges L V, Gurevitch J, Curtis P S. The meta-analysis of response ratios in experimental ecology. Ecology, 1999, 80(4): 1150-1156. DOI:10.1890/0012-9658(1999)080[1150:TMAORR]2.0.CO;2 |
| [37] |
Thorlund K, Wetterslev J, Awad T, Thabane L, Gluud C. Comparison of statistical inferences from the DerSimonian-Laird and alternative random-effects model meta-analyses-an empirical assessment of 920 Cochrane primary outcome meta-analyses. Research Synthesis Methods, 2011, 2(4): 238-253. DOI:10.1002/jrsm.53 |
| [38] |
Team R C. A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2020. https://www.R-project.org/.
|
| [39] |
Viechtbauer W. Conducting meta-analyses in R with the meta for package. Journal of statistical software, 2010, 36(3): 1-48. |
| [40] |
Breiman L. Random forests. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324 |
| [41] |
Liaw A, Wiener M. Classification and regression by randomForest. R news, 2002, 2(3): 18-22. |
| [42] |
Díaz-Uriarte R, Alvarez de Andrés S. Gene selection and classification of microarray data using random forest. BMC Bioinformatics, 2006, 7: 3. DOI:10.1186/1471-2105-7-3 |
| [43] |
Arun K, Langmead C. Structure based chemical shift prediction using Random Forests non-linear regression//Proceedings of the 4th Asia-Pacific Bioinformatics Conference. 2006: 317-326.
|
| [44] |
Grimm R, Behrens T, Märker M, Elsenbeer H. Soil organic carbon concentrations and stocks on Barro Colorado Island-digital soil mapping using Random Forests analysis. Geoderma, 2008, 146(1/2): 102-113. |
| [45] |
Breiman L, Cutler A. Random forest manual V4.0, (2003). ftp://ftp.stat.berkeley.edu/pub/users/breiman/Using random forests v4.0.pdf.
|
| [46] |
Wiesmeier M, Barthold F, Blank B, Kögel-Knabner I. Digital mapping of soil organic matter stocks using Random Forest modeling in a semi-arid steppe ecosystem. Plant and Soil, 2011, 340(1): 7-24. DOI:10.1007/s11104-010-0425-z |
| [47] |
Huang T, Gao B, Christie P, Ju X. Net global warming potential and greenhouse gas intensity in a double-cropping cereal rotation as affected by nitrogen and straw management. Biogeosciences, 2013, 10(12): 7897-7911. DOI:10.5194/bg-10-7897-2013 |
| [48] |
Yan X Y, Cai Z C, Wang S W, Smith P. Direct measurement of soil organic carbon content change in the croplands of China. Global Change Biology, 2011, 17(3): 1487-1496. DOI:10.1111/j.1365-2486.2010.02286.x |
| [49] |
刘纪远, 王绍强, 陈镜明, 刘明亮, 庄大方. 1990—2000年中国土壤碳氮蓄积量与土地利用变化. 地理学报, 2004, 59(4): 483-496. DOI:10.3321/j.issn:0375-5444.2004.04.001 |
| [50] |
Yu Y Y, Guo Z T, Wu H B, Kahmann J A, Oldfield F. Spatial changes in soil organic carbon density and storage of cultivated soils in China from 1980 to 2000. Global Biogeochemical Cycles, 2009, 23(2): 2008GB003428. |
| [51] |
Huang Y, Sun W J. Changes in topsoil organic carbon of croplands in mainland China over the last two decades. Chinese Science Bulletin, 2006, 51(15): 1785-1803. DOI:10.1007/s11434-006-2056-6 |
| [52] |
Xie Z B, Zhu J G, Liu G, Cadisch G, Hasegawa T, Chen C M, Sun H F, Tang H Y, Zeng Q. Soil organic carbon stocks in China and changes from 1980s to 2000s. Global Change Biology, 2007, 13(9): 1989-2007. DOI:10.1111/j.1365-2486.2007.01409.x |
| [53] |
Sun W J, Huang Y, Zhang W, Yu Y Q. Carbon sequestration and its potential in agricultural soils of China. Global Biogeochemical Cycles, 2010, 24(3): 2009GB003484. |
| [54] |
Pan G X, Xu X W, Smith P, Pan W N, Lal R. An increase in topsoil SOC stock of China's croplands between 1985 and 2006 revealed by soil monitoring. Agriculture, Ecosystems & Environment, 2010, 136(1/2): 133-138. |
| [55] |
Zheng J F, Cheng K, Pan G X, Pete S, Li L Q, Zhang X H, Zheng J W, Han X J, Du Y L. Perspectives on studies on soil carbon stocks and the carbon sequestration potential of China. Chinese Science Bulletin, 2011, 56(35): 3748-3758. DOI:10.1007/s11434-011-4693-7 |
| [56] |
Lu F, Wang X K, Han B, Ouyang Z Y, Duan X N, Zheng H, Miao H. Soil carbon sequestrations by nitrogen fertilizer application, straw return and no-tillage in China's cropland. Global Change Biology, 2009, 15(2): 281-305. DOI:10.1111/j.1365-2486.2008.01743.x |
| [57] |
吴乐知, 蔡祖聪. 基于长期试验资料对中国农田表土有机碳含量变化的估算. 生态环境, 2007, 16(6): 1768-1774. |
| [58] |
Tian H Q, Melillo J, Lu C Q, Kicklighter D, Liu M L, Ren W, Xu X F, Zhang C, Pan S F, Liu J Y, Running S. China's terrestrial carbon balance: contributions from multiple global change factors. Global Biogeochemical Cycles, 2011, 25(1): 2010GB003838. |
| [59] |
林飞燕. 中国农田土壤固碳增汇潜力的秸秆还田措施模拟研究[D]. 武汉: 华中师范大学, 2013.
|
| [60] |
Wang G C, Li T T, Zhang W, Yu Y Q. Impacts of agricultural management and climate change on future soil organic carbon dynamics in North China Plain. PLoS One, 2014, 9(4): e94827. |
| [61] |
Zhu L. China's carbon emissions report 2015. Sustainability Science Program and Energy Technology Innovation Policy research group, Belfer Center Discussion Paper, 2015, 2: 8. |
| [62] |
Li C, Zhuang Y, Frolking S, Galloway J, Harriss R, Moore B, Schimel D, Wang X K. Modeling soil organic carbon change in croplands of China. Ecological Applications, 2003, 13(2): 327-336. |
| [63] |
Tang H J, Qiu J J, van Ranst E, Li C S. Estimations of soil organic carbon storage in cropland of China based on DNDC model. Geoderma, 2006, 134(1/2): 200-206. |
| [64] |
肖新, 朱伟, 肖靓, 邓艳萍, 赵言文, 汪建飞. 适宜的水氮处理提高稻基农田土壤酶活性和土壤微生物量碳氮. 农业工程学报, 2013, 29(21): 91-98. |
| [65] |
Meersmans J, Martin M P, De Ridder F, Lacarce E, Wetterlind J, De Baets S, Le Bas C, Louis B P, Orton T G, Bispo A, Arrouays D. A novel soil organic C model using climate, soil type and management data at the national scale in France. Agronomy for Sustainable Development, 2012, 32(4): 873-888. |
| [66] |
Sainju U M, Singh B P, Whitehead W F. Long-term effects of tillage, cover crops, and nitrogen fertilization on organic carbon and nitrogen concentrations in sandy loam soils in Georgia, USA. Soil and Tillage Research, 2002, 63(3/4): 167-179. |
| [67] |
van Bergen P F, Nott C J, Bull I D, Poulton P R, Evershed R P. Organic geochemical studies of soils from the Rothamsted Classical Experiments-Ⅳ. Preliminary results from a study of the effect of soil pH on organic matter decay. Organic Geochemistry, 1998, 29(5/6/7): 1779-1795. |
| [68] |
Aciego Pietri J C, Brookes P C. Substrate inputs and pH as factors controlling microbial biomass, activity and community structure in an arable soil. Soil Biology and Biochemistry, 2009, 41(7): 1396-1405. |
| [69] |
Wang X J, Butterly C R, Baldock J A, Tang C X. Long-term stabilization of crop residues and soil organic carbon affected by residue quality and initial soil pH. Science of the Total Environment, 2017, 587/588: 502-509. |
| [70] |
Kemmitt S J, Wright D, Goulding K W T, Jones D L. pH regulation of carbon and nitrogen dynamics in two agricultural soils. Soil Biology and Biochemistry, 2006, 38(5): 898-911. |
| [71] |
Willett V B, Reynolds B A, Stevens P A, Ormerod S J, Jones D L. Dissolved organic nitrogen regulation in freshwaters. Journal of Environmental Quality, 2004, 33(1): 201-209. |
| [72] |
柴华, 何念鹏. 中国土壤容重特征及其对区域碳贮量估算的意义. 生态学报, 2016, 36(13): 3903-3910. |
| [73] |
Wang S Q, Tian H Q, Liu J Y, Pan S F. Pattern and change of soil organic carbon storage in China: 1960s—1980s. Tellus B, 2003, 55(2): 416-427. |
| [74] |
王文静, 魏静, 马文奇, 杨玉荣, 郭彩娟. 氮肥用量和秸秆根茬碳投入对黄淮海平原典型农田土壤有机质积累的影响. 生态学报, 2010, 30(13): 3591-3598. |
| [75] |
Stewart C E, Paustian K, Conant R T, Plante A F, Six J. Soil carbon saturation: implications for measurable carbon pool dynamics in long-term incubations. Soil Biology and Biochemistry, 2009, 41(2): 357-366. |
| [76] |
Wiesmeier M, Hübner R, Spörlein P, Geuß U, Hangen E, Reischl A, Schilling B, von Lützow M, Kögel-Knabner I. Carbon sequestration potential of soils in southeast Germany derived from stable soil organic carbon saturation. Global Change Biology, 2014, 20(2): 653-665. |