森林土壤有机碳深度分布模型的构建与应用

田耀武，曾立雄,黄志霖，肖文发，向 勇

1 河南科技大学林学院， 洛阳 471003 2 中国林业科学研究院森林生态环境与保护研究所 国家林业局森林生态环境重点实验室， 北京 100091 3 秭归县林业局，秭归 443600

森林土壤有机碳深度分布模型的构建与应用

田耀武1,2，曾立雄2,*,黄志霖2，肖文发2，向 勇3

1 河南科技大学林学院， 洛阳 471003 2 中国林业科学研究院森林生态环境与保护研究所 国家林业局森林生态环境重点实验室， 北京 100091 3 秭归县林业局，秭归 443600

了解森林土壤有机碳 (SOC)的深度分布模式对正确估算森林碳储量，充分发挥森林碳汇功能，减缓全球气候变化有着重要意义。选取寒温带针叶林、温带落叶林、亚热带针阔混交林、热带常绿阔叶林等4类森林生物群系，建立SOC深度分布数据库，构建SOC质量密度的深度分布模型；使用Nash-Sutcliffe效率系数 (E)、误差百分比 (PE)、决定系数 (R2) 等统计参量评定模型的模拟效果；利用构建的深度分布模型外推更深层SOC密度。研究结果表明：(1) 本文所构建的森林SOC深度分布模型模拟值与观测值较为吻合，Nash-Sutcliffe效率E、误差百分比PE和决定系数R2平均为0.74、6.95%、0.88 (P< 0.05)，模型模拟能力较高 (E> 0.6)，模拟误差值低于可接受的临界值 (PE< ±15%)，说明构建的模型可以对该地区森林SOC密度值进行估算；(2) 寒温带针叶林0—20 cm层SOC质量密度较高，热带常绿阔叶林较低；20 cm以下则是寒温带针叶林较低，热带常绿阔叶林较高，热带常绿阔叶林具有更深层的SOC分布；用0—100 cm深度的SOC来表征区域SOC储量时结果偏低。若考虑0—200 cm深度，0—100 cm深度SOC值平均偏低约21.8%，在热带地区这种偏低趋势可能更加突出，误差可能更大。(3) 模型对表层SOC密度有偏低预测趋势，对深层SOC密度预测值可能偏高；作为一个森林SOC深度分布模拟工具，模型可以在有限区域条件下估算不同深度SOC密度值。

森林；土壤有机碳；深度分布；模型

森林有机碳 (SOC)库的动态变化显著影响森林主要的生态过程、温室气体成分以及气候变化速率[1-2]。森林SOC的深度分布模式对土壤肥力、林业生产、以及调控全球气候变化有着重要作用。森林SOC的丰度影响森林生产力并受森林生产力的影响。了解森林SOC深度分布模式对正确认识森林生物圈至关重要[3]。已有大量文献研究了森林SOC的迁移、转化、存储机制，SOC的深度分布，SOC储量随海拔的变化，地带性气候对森林SOC储量影响因素等[3- 7]。但是，森林SOC调查深度目前没有统一标准，有采用100 cm深度，还有采用30、50 cm深度[8- 11]，鲜有文献涉及低于100 cm及100 cm以下SOC丰度对全土壤层的影响[12]。一般地，森林SOC表层密度值最高，随深度的增加，密度值呈指数函数形式迅速下降[6, 13- 15]。基于此，本文的研究目标是：(1) 建立我国寒温带针叶林、温带落叶林、亚热带针阔混交林、热带常绿阔叶林等4类主要森林生物群系SOC的深度分布函数，选取统计参量对模型模拟能力进行评定；(2) 使用深度分布函数对低于100 cm深度的SOC丰度进行外推，评估4类森林生物群系SOC的深度分布规律，量化0—100 cm深度SOC丰度估算误差。

1 材料与方法

1.1 森林SOC质量密度的深度分布

地表层森林SOC密度值最高，随深度增加SOC急剧下降，接近母质层时SOC密度值最低。本文选取指数函数 (式1)来表示SOC深度分布模式，利用式2来计算给定深度的SOC密度[8,12,14]:

Sh=S∞+(S0-S∞)·exp(k·h)

(1)

Qh=h·S∞+(S0-S∞)·(ek·h-1)/k

(2)

式中，Sh为h深度SOC质量密度 (kg/m3)；h，土壤某一深度 (m)；S0为土壤表层SOC质量密度 (kg/m3)；S∞为接近母质层时SOC质量密度值 (kg/m3)；k为常数；Qh为单位面积h深度内SOC密度 (kg/m2)。

1.2 土壤有机碳含量的测定

选择黑龙江省群胜林场 (F1，寒温带针叶林)、河南省大沟河林场 (F2，温带落叶林)、湖北省九岭头林场 (F3，亚热带针阔混交林)和海南省尖峰岭自然保护区 (F4，热带常绿阔叶林)等4个森林经营单位作为采样区。2012年，按均匀性和代表性原则，在4个样区内分别确定85—109个采样点 (表1)，并对各样点进行编号。测定各样点表层 (S0)土壤容重及SOC含量；用Φ5 cm土钻以20 cm深度间隔取样，直至母质层。测定各段土壤容重、SOC的平均含量；测定土壤剖面最底层S∞土壤容重、SOC含量。4个样区内约60%土壤剖面数据用于模型参数率定，约40%样点数据用于模型的验证 (表1)。土壤容重、SOC含量均按国家相关标准进行[16]。

表1 采样区域分布Table 1 Sampling regional distribution

SOC质量密度与含量用式(3) 来换算。土壤容重是影响SOC储量和密度的重要指标，对于难以测定的土段的容重，用式(4) 进行估算[8,14,17]。

(3)

(3)

式中，ρs为土壤容重；[C]为有机碳含量。

用上述SOC深度分布数据，分别构建4类森林生物群系SOC深度分布模型，用SPSS相关模块进行非线性参数估计。

1.3 模型模拟效果评估

SOC深度分布模型参数率定后，输出各样点SOC深度分布数据。使用Nash-Sutcliffe预测效率系数E[18](式5)、误差百分比PE(式6)、决定系数R2(式7) 等3个统计参量评定模型模拟能力。

(5)

(6)

(7)

E值的统计意义为，观测值与模拟值回归线与1∶1线的符合程度[19]，为负值或较小时其统计意义表示不能被接受，E> 0.6表示模拟结果可以接受[20]，E= 1时表示观测值与模拟值完全相等；PE值表示模拟值对观测值误差百分比，Chiew等[20]认为PE< 15%时模型模拟误差可以接受；决定系数R2统计意义为观测值与模拟值之间可以相互以直线关系说明部分所占的比率。

1.4 模型应用

利用参数率定后的模型1、2，估算各样区各剖面层SOC密度，计算各层SOC密度与0—100 cm层SOC密度的比值。

2 结果与分析

2.1 SOC的深度分布模型

用各样区SOC数据进行非线性回归参数估计，得到SOC深度分布模型:

F1Sh=1.535+68.45×exp(-7.8924×h)

(8)

F2Sh=2.105+52.71×exp(-6.340×h)

(9)

F3Sh=2.465+49.87×exp(-5.970×h)

(10)

F4Sh=2.965+43.35×exp(-4.662×h)

(11)

图1 SOC密度与深度分布关系 Fig.1 The relationship between soil organic carbon density and depth distribution

方差分析结果表明，4样区S0层SOC质量密度差异极为显著 (P< 0.01)，表现为寒温带针叶林 (68.45 kg/m3) > 温带落叶林 (52.71 kg/m3) > 亚热带针阔混交林 (49.87 kg/m3) > 热带常绿阔叶林 (43.35 kg/m3)；剖面底层S∞质量密度差异显著 (P< 0.05)，但顺序与表层相反，表现为寒温带针叶林 (1.535 kg/m3) < 温带落叶林 (2.105 kg/m3) < 亚热带针阔混交林 (2.465 kg/m3) < 热带常绿阔叶林 (2.965 kg/m3)。所有样区SOC质量密度随深度的增加而呈指数形式迅速下降 (图1)。 寒温带针叶林下降最为迅速，热带常绿阔叶林下降较缓，上述特点在模型中表现为指数k的变化：热带常绿阔叶林 (-4.662) > 亚热带针阔混交林 (-5.970) > 温带落叶林 (-6.340) > 寒温带针叶林 (-7.8924)。

2.2 率定期模型模拟能力

SOC深度分布模型参数率定是优化森林经营管理，增加碳汇功能的重要一步。模型在参数率定阶段模拟值与观测值结果见图2。寒温带针叶林SOC模拟值与观测值较为吻合，Nash-Sutcliffe效率系数E、误差百分比PE和决定系数R2等值分别为0.68、6.9%、0.89 (P< 0.05)；温带落叶林效率系数E、误差百分比PE和决定系数R2等值分别为0.76、8.8%、0.94 (P< 0.05)；亚热带针阔混交林E、PE和R2等值分别为0.75、-5.8%、0.91 (P< 0.05)；热带常绿阔叶林E、PE和R2等值分别为0.78、7.9%、0.91 (P< 0.05)。所有样区中E值均高于可接受界值0.6，百分比误差远小于±15%，表明模型在率定阶段模拟能力较高，误差较小。

图2 模型率定期观测值与模拟值对比Fig.2 Comparison between observed and simulated SOC for model calibration

2.3 模型验证期模拟能力评估

验证阶段模型模拟值与观测值见图3。与率定期的结果类似，所有样区E值均高于可接受界值0.6，百分比误差远小于 ±15%，这充分说明可以用该模型进行本地区SOC深度分布的模拟。对模拟效率，热带常绿阔叶林E值 > 寒温带针叶林E值 > 亚热带针阔混交林E值 > 温带落叶林E值。这与模型率定期表现规律并不相同，说明SOC深度分布影响因素并不局限于地理位置。

寒温带针叶林模拟效率E值和决定系数R2值均大于参数率定阶段，而误差百分比PE又小于前一阶段，这说明寒温带针叶林模型验证阶段的模拟效果优于率定阶段；而亚热带针阔混交林与寒温带针叶林结果相反；温带落叶林和热带常绿阔叶林表现出一定的不确定性。

图3 模型验证期观测值与模拟值对比Fig.3 Comparison between observed and simulated SOC for model validation

深度分布模型在率定期和验证期均表现为SOC模拟值与观测值较为吻合，Nash-Sutcliffe效率系数E、误差百分比PE和决定系数R2差异不显著 (P> 0.05)。E、PE、R2平均值为0.74、6.95%、0.88，以上所构建的模型对各样区SOC的深度分布预测能力较高，可以对SOC的深度分布进行估算。

2.4 森林土壤有机碳密度值的估算

利用式1、式2，得到样区，0—20 cm、0—30 cm、…、0—200 cm以及0—20 cm、20—40 cm、…、100—200 cm等各土壤剖面层SOC密度值 (表2)。

由表2，看到单位面积森林SOC储量均随深度的增加而增加。如，寒温带针叶林0—20 cm层SOC密度为7.04 kg/m2，0—100 cm为10.01 kg/m2，0—200 cm时已增至11.54 kg/m2；在以20 cm为间隔的深度分布层次上，随深度的增加SOC密度急剧下降。如，寒温带针叶林0—20 cm层SOC密度为7.04 kg/m2，20—40 cm已降至为1.69 kg/m2，80—100 cm时已低至0.32 kg/m2。

在0—20 cm层内，4类森林SOC密度差异显著 (P< 0.05)，表现为：寒温带针叶林 (7.04 kg/m2) > 温带落叶林 (6.16 kg/m2) >亚热带针阔混交林 (6.03 kg/m2) > 热带常绿阔叶林 (5.85 kg/m2)。这可能与降雨量、平均气温以及土壤微生物环境因素有关；0—100 cm层内，4类森林SOC密度差异并不明显 (P> 0.05)；0—200 cm层4类森林SOC密度值表现为：寒温带针叶林 (11.54 kg/m2) < 温带落叶林 (12.19 kg/m2) < 亚热带针阔混交林 (12.87 kg/m2) < 热带常绿阔叶林 (14.59 kg/m2)，这也充分说明热带常绿阔叶林有更深的SOC分布。

由表2看到，4个样区内，0—20 cm层SOC密度均占到0—100 cm层的50%以上。寒温带植被群系比值高达70.29%，热带雨林最低为50.63%。0—50 cm/0—100 cm的SOC密度比值，4样区均超过了80%，这可能是多数文献把森林SOC研究深度限定于100 cm的原因。

寒温带针叶林 (0—20) cm/(0—100) cm SOC密度比值为70.29%，(20—40) cm/(0—100) cm比值 (16.88%) 迅速下降，(80—100) cm/(0—100) cm下降到了3.19%；热带常绿阔叶林中 (0—20) cm/(0—100) cm比值为50.63%，(20—40) cm/(0—100) cm值迅速下降，但下降速度明显小于寒温带群系，其 (80—100) cm/(0—100) cm的比值约为寒温带群系的2倍，这说明热带常绿阔叶林受气候地理条件的影响，SOC向下层迁移速度高于寒温带针叶林，亚热带和温带生物群系SOC密度变化趋势处于二者之间。

特别地，寒温带针叶林 (100—200) cm/(0—100) cm SOC密度比值为15.37%，热带常绿阔叶林 (100—200) cm/(0—100) cm比值高达26.38%，平均为21.8%。这说明当使用0—100 cm剖面中SOC含量来推算某生物群系整个SOC密度值时，得到的结果可能偏低，在热带地区表现可能更为突出。

表2 各土壤剖面SOC密度与0—100 cm层的比值Table 2 The ratio of soil organic carbon density in soil profile layer and 0—100 cm layer

3 讨论

植被分布格局是SOC的深度分布的主要影响因素，气候和土壤质地是区域SOC总量的控制因素[11,21]。森林植被生产力、地上和地下生物量配置、土壤微生物机制等都深刻影响SOC的深度分布模式[22]，相关学者已构建类似的SOC的深度分布模型来推测区域SOC储量[4-5,8]，以上文献和本文均认为指数函数模型较适合于研究SOC的深度分布。本文在所构建的SOC深度分布模型的率定和验证上，均表现出一定的不确定性，这可能与所选取指数函数模型的自身缺陷、选样时间、SOC含量的测定方法，以及模型评定方法的选择有关[13]。因为包括本文在内的所有模型在参数率定时，均是假设调试数据真实可靠，但部分数据总存在一定的误差和错误，这也可能是模型不确定性因素之一。本文尽管选取了不同气候带内的4个样区，尽量保证各林区内生境的相似性，但还有微生物因素、微地形因素，以及采样时间的差异并没有考虑。

森林SOC调查的典型深度通常确定为100 cm[23]，这在估算SOC储量时，存在有较大的误差。Batjes[24]认为，全球0—100 cm层中SOC储量约为1500—1600 Pg，如果考虑100—200 cm土壤剖面层，SOC量会增加60%。对4类森林类型的调查结果表明，如果考虑100—200 cm的深度，SOC储量将增加20%左右，增加的比值较小，这可能与森林土壤的特性有关。SOC深度分布函数可以对更深剖面SOC含量进行外推，有利于更深层SOC的计量研究。本文利用建立的深度分布模型，测算出三峡库区秭归县九岭头林场样点区域0—100 cm土层内SOC约为10.39 kg/m2，与我国林地10.78 kg/m2的平均密度值相当[1]，但低于王鹏程等[25]采用样点法对三峡库区森林生态系统SOC密度11.77 kg/m2的估算值；如果考虑200 cm的深度，九岭头林场样点区域SOC密度约为12.87 kg/m2，高于全国林地SOC密度的平均值，也高于王鹏程等[25]三峡库区11.77 kg/m2的估算值。

热带常绿阔叶林顶层SOC密度值较低，但下层SOC密度值较高，热带森林具有比寒温带森林更深的SOC分布。热带地区SOC随深度下降较慢的原因不是深层SOC性质更稳定[4]，很可能是热带土壤由于降雨、微生物作用，具有更强烈和更深入的生物混合，SOC向下垂直运输速度较快，从而使表层SOC密度值减少，深层密度值增加，所以热带地区森林具有较深的SOC深度分布。Don等[11]认为高渗透性土壤这一现象更为明显。我们在研究中也发现，即使是同一地区的林地，如果砂粒含量越高，土壤毛细孔越大，土壤渗透性越强，垂直运输的特点就越明显，SOC随深度下降趋势就较慢。

虽然指数形式的模型可以外推更深层SOC密度，但可能高估低于100 cm深度时SOC的密度值。我们在调试时就发现模型对表层SOC含量预测结果有偏低趋势，对深层SOC含量有偏高模拟趋势，因为在实际采样中，很难确定基岩对土壤深度的限制作用。特别是现有的SOC深度分布模式是基于典型的土壤剖面数据，而没有考虑SOC向下迁移转化时，土体内部发生的物理障碍作用。一些研究认为由于土壤层的限制而夸大SOC含量误差约为7%左右。特别是在一些坡度较大、生境较为恶劣、土壤剖面较浅的林地，其影响可能更大。对深层SOC的密度分析，需要进一步考虑，特殊地段的模型估计也有待于进一步论证。

[1] 刘世荣, 王晖, 栾军伟. 中国森林土壤碳储量与土壤碳过程研究进展. 生态学报, 2011, 31(19): 5437- 5448.

[2] 王敏, 李贵才, 仲国庆, 周才平. 区域尺度上森林生态系统碳储量的估算方法分析. 林业资源管理, 2010, 28(2): 107- 112.

[3] 黄志霖, 田耀武, 肖文发, 马德举. 三峡库区防护林土壤有机碳的累积. 南京林业大学学报: 自然科学版, 2013, 37(2): 15- 20.

[4] Mishra U, Lal R, Slater B, Calhoun F, Liu D S, Van Meirvenne M. Predicting soil organic carbon stock using profile depth distribution functions and ordinary kriging. Soil Science Society of America Journal, 2009, 73(2): 614- 621.

[5] Zinn Y L, Lal R, Resck D V S. Texture and organic carbon relations described by a profile pedotransfer function for Brazilian Cerrado soils. Geoderma, 2005, 127(1- 2): 168- 173.

[6] 田耀武, 黄志霖, 肖文发. 三峡库区典型流域退耕地植物种类及凋落物对土壤有机碳固定的影响. 生态学杂志, 2012, 31(11): 2742- 2747.

[7] 路秋玲, 王国兵, 杨平, 郑阿宝, 阮宏华. 森林生态系统不同碳库碳储量估算方法的评价. 南京林业大学学报: 自然科学版, 2012, 36(5): 155- 160.

[8] Jobbágy E G, Jackson R B. The vertical distribution of soil organic carbon and its relation to climate and vegetation. Ecological Applications, 2000, 10(2): 423- 436.

[9] 于东升, 史学正, 孙维侠, 王洪杰, 刘庆花, 赵永存. 基于1∶100万土壤数据库的中国土壤有机碳密度及储量研究. 应用生态学报, 2005, 16(12): 2279- 2283.

[10] 赵俊芳, 延晓冬, 贾根锁. 1981—2002年中国东北地区森林生态系统碳储量的模拟. 应用生态学报, 2009, 20(2): 241- 249.

[11] Don A, Schumacher J, Scherer-Lorenzen M, Scholten T, Schulze E D. Spatial and vertical variation of soil carbon at two grassland sites-implications for measuring soil carbon stocks. Geoderma, 2007, 141(3- 4): 272- 282.

[12] Fontaine S, Barot S, Barré P, Bdioui N, Mary B, Rumpel C. Stability of organic carbon in deep soil layers controlled by fresh carbon supply. Nature, 2007, 450(7167): 277- 280.

[13] Baginska B, Milne-Home W, Cornish P S. Modelling nutrient transport in Currency Creek, NSW with AnnAGNPS and PEST. Environmental Modelling and Software, 2003, 18(8- 9): 801- 808.

[14] Meersmans J, De Ridder F, Canters F, De Baets S, Van Molle M. A multiple regression approach to assess the spatial distribution of Soil Organic Carbon (SOC) at the regional scale (Flanders, Belgium). Geoderma. 2008, 143(1- 2): 1- 13.

[15] 许文强, 陈曦, 罗格平, 张清, 张豫芳, 唐飞. 基于CENTURY模型研究干旱区人工绿洲开发与管理模式变化对土壤碳动态的影响. 生态学报, 2010, 30(14): 3707- 3716.

[16] 鲁如坤. 土壤农业化学分析法. 北京: 中国农业科学出版社, 2000.

[17] Wu H B, Guo Z T, Peng C H. Land use induced changes of organic carbon storage in soils of China. Globe Change Biology, 2003, 9(3): 305- 315.

[18] Nash J E, Sutcliffe J V. River flow forecasting through conceptual models part I---A discussion of principles. Journal of Hydrology, 1970, 10(3): 282- 290.

[19] Cheng H G, Ouyang W, Hao F H, Ren X Y, Yang S T. The non-point source pollution in livestock-breeding areas of the Heihe River basin in Yellow River. Stochastic Environmental Research and Risk Assessment, 2007, 21(3): 213- 221.

[20] Chiew F H S, Stewardson M J, McMahon T A. Comparison of six rainfall-runoff modelling approaches. Journal of Hydrology, 1993, 147(1- 4): 1- 36.

[21] 支俊俊, 荆长伟, 张操, 吴嘉平, 倪治华, 陈红金, 徐进. 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. 应用生态学报, 2013, 24(3): 683- 689.

[22] Yu D S, Shi X Z, Wang H J, Sun W X, Chen J M, Liu Q H, Zhao Y C. Regional patterns of soil organic carbon stocks in China. Journal of Environmental Management, 2007, 85(3): 680- 689.

[23] Baisden W T, Parfit R L. Bomb14C enrichment indicates decadal C pool in deep soil?. Biochemistry, 2007, 85(1): 59- 68.

[24] Batjes N H. Total carbon and nitrogen in the soils of the world. European Journal of Soil Science, 1996, 47(2): 151- 163.

[25] 王鹏程, 邢乐杰, 肖文发, 黄志霖, 潘磊, 曾立雄. 三峡库区森林生态系统有机碳密度及碳储量. 生态学报, 2009, 29(1): 97- 107.

Construction and application of a depth distribution model for soil organic carbon in forest areas

TIAN Yaowu1,2，ZENG Lixiong2,*，HUANG Zhilin2，XIAO Wenfa2，XIANG Yong3

1CollegeofForestry,HenanUniversityofScienceandTechnology,Luoyang471003,China2StateForestryAdministrationKeyLaboratoryofForestEcologyandEnvironment,ResearchInstituteofForestEcology,EnvironmentandProtection,ChineseAcademyofForestry,Beijing100091,China3ForestryBureauofZiguiCounty,Zigui443600,China

The pool of soil organic carbon (SOC) in a forest forms an important component in the global carbon (C) cycle. SOC plays an important role in enhancing forest productivity and mitigating the net rate of global greenhouse gas emissions. The risk of global warming has caught the attention of the scientific community as it relates to SOC stocks in forest ecosystems. The precise measurement of SOC stocks and verification of the amount of C sequestered in the soil are critical factors for the implementation of C trading programs. SOC in mineral soils generally decreases with depth; however, this decrease is non-linear and has been frequently modeled as an exponential function. We selected four forest types (boreal forest, temperate deciduous forest, subtropical mixed forest, and tropical evergreen broadleaved forest) and analyzed the exponential function for SOC mass density. We established an SOC database for layers of the soil profile by measuring the SOC in typical areas in the four forest biomes. The depth distribution models for the mass density of SOC were established by a typical sampling method. The model was calibrated using 60% of the data of the profiles, and 40% of the data was used for validation purposes. The entire evaluation for the results of model simulation consisted of determining the coefficient of determination (R2), Nash-Sutcliffe coefficient of efficiency (E), and the percentage error (PE). Next, the depth distribution models evaluated here were used to simulate the distribution of SOC deeper into the soil profile. The results showed that the simulation values for the depth distribution models of the four forest biomes and the observed values were relatively consistent. The average values ofR2,E, and absolutePEwere 0.88, 0.74, and 6.95%, respectively. The model simulations had a relatively high capacity (E> 0.6), and thePEof the model was simulated within a range with acceptable accuracy (PE< ±15%). The model could be used to simulate the depth distribution of forest soil organic carbon. Second, the boreal coniferous forest had a much higher density of SOC in the 0—20 cm layer than those of the tropical deciduous forest and the two other forest types. In contrast, the SOC densities in other layers of boreal coniferous forest were lower, while those of the tropical deciduous forest were higher. The regional SOC densities were lower when SOC densities in the 0—100 cm soil layers were used to characterize the regional SOC density. When compared with the SOC densities in the range of 0—200 cm in the soil profile, the SOC densities in the 0—100 cm soil layer were about 21.8% lower than the overall density. Any error in this calculation may be greater and more prominent in regions with high temperatures and precipitation rates. For rainfall events of a small magnitude, the model generally over-estimated mass density at the bottom of the soil profile, while the opposite was true; that is, for regions with large amounts of rainfall, the model generally under-estimated the surface SOC density. In general, the model performs well at simulating the depth distribution of SOC, and it can be used as a forest SOC management tool to simulate the depth distribution of SOC in some regions.

forest; soil organic carbon (SOC); depth distribution; model

中央级公益性科研院所基本科研业务费专项资金(CAFRIFEEP201101)

2014- 03- 25;

日期:2015- 04- 20

10.5846/stxb201403250556

*通讯作者Corresponding author.E-mail: zenglx@caf.ac.cn

田耀武，曾立雄,黄志霖，肖文发，向勇.森林土壤有机碳深度分布模型的构建与应用.生态学报,2015,35(22):7503- 7510.

Tian Y W，Zeng L X，Huang Z L，Xiao W F，Xiang Y.Construction and application of a depth distribution model for soil organic carbon in forest areas.Acta Ecologica Sinica,2015,35(22):7503- 7510.