新疆焉耆盆地绿洲区农田土壤有机碳储量动态模拟

贾海霞,汪 霞,2,*,李 佳,欧延升,赵云飞,史常明

1 兰州大学资源环境学院, 兰州 730000 2 兰州大学西部环境教育部重点实验室, 兰州 730000

近年来,随着温室效应的加剧,全球变暖、冰川融化和降水增多已成为不可逆转的趋势。随着气候的变化,对陆地生态系统产生了极其深远的影响[1]。陆地生态系统碳循环是全球碳循环的重要组成部分,土壤碳库的微小变化可能导致大气CO2浓度较大的波动,从而影响全球气候变化[2]。尽管土壤碳库容量十分可观,但在全球陆地生态系统碳库中,农业土壤碳是最活跃和最重要的土壤有机碳库,一方面,农田土壤对全球土壤碳循环平衡起着重要作用,受人为强烈干扰会产生快速变化且短时间可调节；另一方面,土壤有机碳(SOC)具有协调土壤养分、水分等功能,是土壤肥力的核心,它也是农作物高产、稳定的物质基础之一,也影响着CO2的排放,与气候变化直接相关[3]。农田土壤碳固存与碳循环研究不仅关系到我国农业应对气候变化的能力建设,而且与我国未来粮食安全和整个农业体系的可持续发展有关[4]。目前,国内外许多学者在农田土壤有机碳储量方面进行了研究。张琳等应用DNDC模型和Arc GIS对垫江县未来30年的农田有机碳进行了模拟[5]。张珍明等对喀斯特小流域土壤有机碳储量及估算方法进行研究[6]。而在关于有机碳储量的估算方法上,一直存在很大争议,就目前而言,模型的应用解决未来SOC演变的模拟和预测难题。DNDC模型是描述农业生态系统中碳和氮生物地球化学过程的计算机模拟模型[7],已被广泛的应用于农业土壤肥力与温室气体排放的预测研究中。

焉耆回族自治县是干旱区典型绿洲盆地—焉耆盆地的中央城市,是一个传统的农业区,但是耕地面积只占到全县总面积的35%。作为连接丝绸之路经济带和中巴经济走廊的关键节点和重要驿站,其区位优势相当明显[8]。为充分发挥这一地缘优势,焉耆县面临着进一步拓展和完善农副产品、农业生产资料和增加农田有机碳的多重压力,以此来提升县域经济的总体水平。鉴于此,本文以焉耆回族自治县2013—2017年定位实验观测的数据为基础,通过点位模拟校验模型,利用2015年焉耆土壤类型和土地利用方式数据,并选用IPCC AR5 报告中的BCCC-CSM1.1气候模式,相应秸秆还田和化肥配施,开展2017—2047年该县农田土壤有机碳储量和有机碳密度的模拟,通过分析未来30年焉耆县农田表层土壤有机碳密度和有机碳储量的变化特征,为未来气候变化下,增加农田土壤有机碳以及农田土壤管理提供数据支持和科学依据。

1 研究区域自然概况

焉耆回族自治县地处天山南麓焉耆盆地腹心地带,经纬度在85°15′00″—86°43′57″,40°21′32″—42°16′00″之间,焉耆县总面积1780 km2,现有耕地面积532 km2。焉耆回族自治县位于北半球中纬度温带地区,为典型的中温带干旱荒漠气候,又别具盆地夏季聚热,冬季冷潮的气候特征；地势西北高,东南低；年日照时数4440.1 h,年平均降水量为74.4 mm,年均气温8.2 ℃,年平均无霜冻期176 d,适宜辣椒、番茄、玉米、小麦等作物生长。县域内土壤为农耕土壤,主要类型是潮土、灌耕土、草甸土、棕漠土、沼泽土、盐土、风沙土。研究区作为古丝绸之路的重镇以及以出口农贸产品为主要经济收入的县域,在“一带一路”规划下,是新疆绿洲经济发展的核心示范区之一[9],农耕土壤的质量直接影响着焉耆县经济的提升,因此焉耆县是研究丝绸之路经济带土壤有机碳循环的典型区域。

2 材料与方法

2.1 试验设计

2.1.1定位试验设计

点位定点实验设置在焉耆回族自治县,包括包尔海乡、查汗采开乡、北大渠乡三个乡,初始土壤质地为粉砂质壤土、壤土、砂质壤土,土壤类型为湿潮土。试验开始于2013年,共有9个处理(如表1所示),每块试验田的面积为2500 m2(50 m × 50 m),其中选取的农作物均为当地的主要经济作物。

表1 试验处理描述

FF，粉砂质壤土下种植番茄；FL，粉砂质壤土下种植辣椒；FY，粉砂质壤土下种植玉米；RF，壤土下种植番茄；RL，壤土下种植辣椒；RY，壤土下种植玉米；SF，砂质壤土下种植番茄；SL，砂质壤土下种植辣椒；SY，砂质壤土下种植玉米

2.1.2样品采集

点位样品采集：在2013—2017年每年7月和12月,按照“S”型采样法,在每个处理中采集耕层(0—20 cm)土壤样品,按照0—10和10—20 cm分层取样,每个取样点采取15个样品混匀；混合土壤采用四分法,取1 kg 左右的土样放入样品袋。每个采样点需记录本底信息,并测定含水率、容重、土壤机械组成、全盐量、有机质、pH值等指标。

图1 焉耆县2017年农田土壤采样点分布及土地利用空间分布图Fig.1 Distribution of soil sampling points in Yanqi county in 2017

区域样品采集：2017年在每个乡(镇)按照面积比例在农田土壤上均匀布点,采集方法同定点试验样品采集方法,累积采取样品800个(图1)。

2.2 样品处理及测定分析

野外采集的土壤样品经风干处理后研磨,制备试验测定所需样品。土壤有机碳用重铬酸钾-硫酸氧化法测定[10]。利用遥感数据验证和现场追踪对各类土壤分布面积进行统计分析；采用环刀法自上而下分层测定土壤容重；利用电位测定法测定土壤pH；土壤粒度由激光粒度仪测定[11]。

2.3 数据获取

①气象数据：2013—2017年气象数据包括每日最低气温、每日最高气温、降水量(来源于国家气象数据共享网(http://data.cma.cn))；2018—2047年的逐日气象数据采用第五次耦合模式比较计划(CMIP5)里面的BCCC-CSM1.1气候模式,然后整理成模型所输入文件的格式,即日最高气温、日最低气温和日平均降水量。

②土壤数据

点位土壤数据：2013—2017年土壤数据包括容重、质地、土壤有机质及酸碱度等数据,来自于定位实验实测。作物及田间管理数据来自于5年以来的田间管理措施记载,主要有犁地方式、施肥、灌溉、秸秆还田比例和除草。

区域土壤数据：2017年采集土壤样品的800个土壤数据,占总数据的50%,其余数据来源于焉耆县2017年统计年鉴,土壤按土属分类,全县农田土壤共有7种土类。

③作物数据：来源于焉耆县统计年鉴数据,点位定点数据。

④遥感数据：中国土壤类型空间分布数据(1 km分辨率),2015年土地利用方式(30 m分辨率),来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)。

2.4 DNDC模型参数设置

DNDC(脱氮分解)模型是由美国New Hampshire大学李长生教授于1992年建立,以模拟农业生态系统中碳氮循环为目的的生物地球化学模型[12]。该模型在很多地方都本地化验证,但是土壤碳、氮循环过程比较复杂,具有较强的时空差异性,又因为新疆属于干旱区,具有迥异的气候特点,依靠DNDC模型进行相关模拟时,参数调整成为必然。本文基于点位模拟,实测值为依据校准模型参数(如表2),对模型的已有作物的默认参数进行修改,如粘土比例、孔隙度、萎焉点、田间持水量、表土之下SOC含量降低速率等。首先设置模型中土壤和作物生理参数,然后将所需气象、土壤及田间管理等参数输入模型,并运行比较模型模拟的各种点位下的SOC动态变化与定点监测测定结果的拟合度,并且还需多次调整DNDC模型中的部分参数,以使模型模拟结果与田间实测值拟合程度达到最佳。

用DNDC模型实施点位和区域模拟,须事先获取区域所有格点所需输入数据,将其存储于特定GIS和通用数据库中[13]。GIS数据包括7个文件,主要是地理位置、气象数据、土壤特性、作物种类、农田管理。气象数据库包含焉耆县气象站的日最高、日最低气温和日降雨；作物数据库包括各类作物的生理及物候学参数,DNDC从区域数据库中读取所有的信息。为了保证模型运转得到的数据的精确性,可以把一个区域划分为许多个格点,本文以2015年土地利用方式数据库,此数据库是目前我国精度较高的土地利用遥感监测数据产品,它是以Landsat TM/ETM/OLI遥感影像为主要数据源,经过影像融合、几何校正、图像增强与拼接等处理后,通过人机交互目视解译的方法,将全国土地利用类型划分为6个一级类、25个二级类、以及部分三级分类的土地利用数据产品。运用Arc GIS划分出焉耆县的农田土壤图斑[14]。然后利用焉耆县乡镇边界数据,将农田图斑和乡镇边界叠加,以一个乡镇里面的一种土壤类型为模拟单元,如果土壤类型不连续则为另一个模拟单元,总共划分出40个模拟单元。然后利用克立金插值提取每一个格点中的各属性值的均值,以此来代表这个格点的数值,然后进行各格点的区域模拟。

表2 DNDC模型本地化参数值

2.5 DNDC模型验证

采用均方根误差(RMSE)、平均绝对误差(MAE)和模型效率(ME)来评价此模型的精度,其公式如下：

(1)

式中,Oi是观测值,Pi是预测值,n是观测值的总数,i是当前观测值。

均方根误差(RMSE)是用来衡量模拟值同实测值之间的一致性,一般参考为：RMSE<10%,表明模拟值与实测值一致性非常好；10%—20%为较好；20%—30%表明模拟效果一般；>30%则表明模拟值与实测值偏差较大,模拟效果较差。平均绝对误差(MAE)能更好的反映预测值误差的实际情况。模型效率(ME)将绝对误差的平方和与观测值之间的差值的平方和及其平均值进行比较,ME为0—1时,值越大,模拟值与实测值之间的关联度越大；当ME<0时,模拟值与实测值之间极度不相关[15]。

2.6 数据处理与方法

2.6.1土壤有机碳储量计算

本文的模拟单元共有40个,即格点数。其中0—10 cm,10—20 cm的SOC含量在DNDC区域模拟结果中得到。

(2)

式中,Ss为土壤有机碳储量(kg)；Si为第i个格点的种植系统面积(hm2)；n为总格点数；Ci为第i个格点0—10 cm土壤SOC含量(kg C/hm2);Di为第i个格点10—20 cm土壤SOC含量(kg C/hm2)。

2.6.2土壤有机碳密度计算

土壤有机碳密度通常是指单位面积单位深度土体中土壤有机碳储量,是表征土壤质量及陆地生态系统对全球变化贡献大小和衡量土壤中有机碳储量的重要指标[19]。

(3)

式中,Sd为土壤有机碳密度(kg C/hm2)；Si为第i个格点的种植系统面积(hm2)；n为总格点数；Ci为第i个格点0—10 cm土壤SOC含量(kg C/hm2)；Di为第i个格点10—20 cm土壤SOC含量(kg C/hm2)。

2.6.3数据统计与空间分析

本文运用Arc GIS 10.2软件对数据进行空间处理与分析,包括图斑叠加、掩膜提取、面积统计、制图。数据分析在SPSS 19.0中进行,相关图表的制作在Microsoft Excel 2013、Origin 8.0中完成。

3 结果与分析

3.1 DNDC模型验证

点位模拟中主要选择土壤有机碳含量为验证指标。对9个处理进行长期稳定观测和土壤理化性质分析。DNDC模拟运行得到的SOC与实际观测值对比分析来验证DNDC模型在本地的准确性。如图2所示,根据实际观测的数据,在耕作措施施加50%的秸秆还田和配施化肥后,土壤有机碳含量都得到了提高。利用统计学方法对各个处理的有机碳含量的模拟值与观测值进行了分析,结果如表3所示,在9个处理中,FL处理的相关系数最高,达到了0.9950,RMSE达到了0.38%,模型效率为0.98,模拟效果最好。RF处理的相关性达到了0.969,模型效率为0.83,模拟效果最差。总体而言,9个处理相关系数都接近于1,RMSE都在10%以下,模型效率都接近于1,由此说明DNDC模型在焉耆县适用性很好,可以进行点位DNDC的模拟,同时区域模拟所应用的气象数据和点位模拟的气象数据相同,农田管理、施肥、灌溉、土地利用类型等大致相同,所以从长期试验站的点位模拟对DNDC模型校验,拓展到区域农田进行相关模拟预测是可行的。

图2 土壤有机碳实测值与模拟值的相关性Fig.2 Correlation between measured values of soil organic carbon and simulated values

类别Category处理 TreatmentRFRLFYFFSLRYSFFLSYRMSE0.04650.00760.03130.04120.00480.02720.04220.00380.0385MAE0.10560.02440.13080.07320.01480.07320.09000.02000.1208r0.9690.9750.9850.9760.9800.9870.9760.9950.969ME0.90310.92430.96450.83750.93420.93450.88160.98090.9197

3.2 秸秆还田和化肥施用对土壤有机碳的影响

本研究从点位到区域模拟都施加了50%的秸秆还田措施,配施当前的化肥用量。每种处理土壤有机碳含量都增加了一定的比例。在农田尺度上,实地监测的9个处理,有机碳含量均呈现逐年增加,5年后的土壤有机碳含量比原来增长102%—106%。在县域尺度上,模型中施加50%的秸秆还田,在特定气候模式下,30年后,农田土壤碳储量增加109%—148%,这说明50%的秸秆还田可以促进土壤有机碳含量的增长。

3.3 不同土壤质地的有机碳含量差异

点位定点实验中,如图3所示,为3种不同农作物在3种不同土壤质地下,2013年的土壤碳含量及2017年相比2013年增加的百分比。从图中可以明显看出,每一种处理有机碳含量都得到了提升,其中在不同作物之间,碳含量的提升均表现为：粉砂质壤土>壤土>砂质壤土；其中粉砂质壤土和玉米的组合有机碳含量增加的最多,相比初始的碳含量增加了106%,砂质壤土和辣椒的组合碳含量增加最少,增加了102%。然后比较这三种土壤质地的粘土含量,根据实测结果,粘土含量表现为：粉砂质壤土>壤土>砂质壤土；这是因为它们的粘土含量不一致,粘土含量越高,碳分解速率越慢,越有利于有机碳的积累。粘土含量越低,碳分解速率越快,土壤有机碳积累的越慢。

图3 不同作物在三种土壤质地下有机碳变化Fig.3 Changes of underground organic carbon in three soils of different crops 柱状图为2013年各处理下的初始土壤有机碳含量,折线图为2017年各处理下有机碳含量相比2013年增加的百分比

3.4 农田土壤有机碳密度和碳储量及其分布特征

土壤有机碳的周转过程非常缓慢,选取2017年的气象数据,未来29年的气象数据选取IPCC AR5 报告中的BCCC-CSM1.1模式下的气温和降水的未来预测结果,其中大气二氧化碳浓度每年进行调整,选取目前正常增加速率1.9 ppm/a[20],秸秆还田比例选取点位模拟中的比例0.5,化肥用量和点位模拟中的相同,选取当前耕作下的化肥用量,其它每年相同。图4为2017—2047年焉耆县农田表层土壤有机碳储量和土壤有机碳密度的空间变化分布图,可以看出2017—2047年焉耆回族自治县农田0—20 cm土层SOC密度和储量呈现显著的增加趋势。其中30年后的土壤碳储量相比2017年增加了109%—148%,新增加的固碳量是3.708×108t—1.978×109t；有机碳密度2047年相比2017年增长了23%—53%,有机碳密度变化为1025—11440 kg C/hm2。

在空间分布上,有机碳密度和有机碳储量也呈现明显的差异。如图4,2017—2047年,SOC密度变化范围为8200—12000 kg C/hm2的面积最大,集中分布在焉耆东北部和焉耆中部且自东北向西北依次减小；其次,SOC密度变化范围为15000—25000 kg C/hm2的占比最小,集中分布在焉耆南部,且自南向西北方向依次减小。

在不同的土壤类型之间有机碳密度与储量呈现明显的差异。表4为2017年焉耆县各土壤类型下的有机碳密度和有机碳储量,可以看出,2017年潮土的面积最大,占耕地面积的60%,受人为扰动较多,其碳储量在所有土类中最多,2017年农田土壤中潮土SOC储量为831092 t,占2017年总碳储量的64%,平均有机碳密度为24516 kg C/hm2；表5所示为2047年焉耆县各土壤类型下的有机碳密度和有机碳储量,2047年潮土有机碳密度相比2017年增长121%—142%；单位面积有机碳含量比原来增长130%—156%,是所有土类中增幅最大的。其中2017年SOC密度最高的是沼泽土,平均有机碳密度为25424 kg C/hm2,2047年沼泽土有机碳密度增幅为45%。这是因为沼泽土壤是一种低洼土壤,长期积水并长出高湿植物,它的表面层积聚了大量有机物,分解程度低[22]。单位面积碳增量最少的是盐土,增幅为9.9%。有机碳密度依次增幅由大到小为：沼泽土、潮土、草甸土、灌漠土、棕漠土、盐土,依次上升了45%、40%、30%、25%、10%、9.9%。

表4 焉耆县2017年不同土类的有机碳储量(0—20 cm)

CT,潮土Fluvo-aquic siols；CDT,草甸土Meadow soils；GMT,灌漠土Irrigated desert soil；YT,盐土Solonchaks；ZMT,棕漠土Gray desert soil；ZZT,沼泽土Bog soils；SZT,石质土Litho soils

表5 焉耆县2047年不同土类的有机碳储量(0—20 cm)

3.5 农田土壤有机碳密度与环境关系

山地-绿洲-荒漠生态系统土壤发育和植被生长及其分布格局主要受到水热条件的影响[23]。图5为焉耆县采样点土壤湿度与土壤有机碳密度的关系。图6为焉耆县采样点年平均气温与土壤有机碳密度的关系。表明土壤湿度与土壤有机碳密度呈正相关的对数函数关系(P<0.01),年平均温度与土壤有机碳密度呈现负相关的线性函数关系(P<0.01)。这种特征与我国西部干旱区热量、水分分布特征是一致的[25]。

4 讨论

土壤有机碳的变化是一个复杂而又漫长的过程,影响有机碳转变的因子很多,包括气温、降雨、CO2浓度、土壤pH、土壤质地等。在IPCC AR5 报告中的BCCC-CSM1.1气候模式下,相应的农田管理措施下,焉耆县农田土壤有机碳储量和有机碳密度呈现显著增加趋势,2017年0—20 cm土壤平均有机碳密度为20527 kg C/hm2,这低于西部区域平均值[25],30年后的表层(0—20 cm)有机碳密度为31967 kg C/hm2,接近于西部区域平均值,这说明耕作管理措施对焉耆县有机碳含量影响显著。焉耆县属于绿洲干旱区,气候、生态类型多样；

图4 2017—2047年农田土壤有机碳(SOC)密度和储量绝对变化值的空间分布格局Fig.4 Spatial patterns of absolute change of soil organic carbon (SOC) density and storage in 2017 and 2047

图5 土壤采样点土壤湿度与土壤有机碳密度的关系Fig.5 Relationship between soil moisture and soil organic

图6 土壤采样点年平均温度与土壤有机碳密度的关系 Fig.6 Relationship between average temperature and soil carbon density at soil sampling points

地势西北高,东南低；土壤种类较多,导致了不同土壤类型下土壤有机碳密度差异较大。潮土的面积最大,占耕地面积的60%,受人为扰动较多,其碳储量在所有土类中最多,2047年潮土有机碳密度相比2017年增长121%—142%；单位面积有机碳含量比原来增长130%—156%,是所有土类中增幅最大的。这与潮土是我国主要的农业土壤类型,分布于主要的粮食和蔬菜生产区有关。2017年SOC密度最高的是沼泽土,平均有机碳密度为25424 kg C/hm2,2047年沼泽土有机碳密度增幅为4%—59%。这是因为沼泽土壤是一种低洼土壤,长期积水并长出高湿植物,它的表面层积聚了大量有机物,分解程度低[22]。单位面积碳增量最少的是盐土,增幅为-7%—10%,这与这种土壤类型它本身含水溶性盐类较多有关。

作为土壤最基本的物理性质之一,土壤质地对包括通透性、养分含量在内的各种土壤性状均有重要影响[26]。土壤质地是影响有机质分解矿化的重要土壤物理性质之一[27]。土壤黏粒可抑制有机质被微生物分解,减少微生物细胞代谢死亡,保持土壤有机质和微生物量的稳定。稳定的有机黏粒复合体在黏粒含量高的土壤中是形成稳定有机质的主要原因[28]。李忠佩等认为,有机质与黏粒结合可增强其物理稳定性和抵抗微生物分解的能力,黏粒含量高的土壤,其孔隙度较小,通气状况不良,导致有机质分解速率较低[29]。此外,土壤黏粒也可通过黏粒胶体吸附及形成土壤有机无机复合体实现对有机碳的物理保护,质地越黏重,其有机碳的分解速率就越小[30]。本文在点位下探究土壤质地对该县主要农作物下土壤有机碳的影响,得出不同土壤质地下有机碳5年来的积累趋势是粘土含量越高,有机碳累积的越多的结论,这和李忠佩的研究结果一致。

其次探究了年平均气温、土壤湿度和土壤有机碳密度的关系,表明土壤湿度与土壤有机碳密度呈对数函数函数关系(P<0.01),年平均温度与土壤有机碳密度呈线性函数关系(P<0.01)。这种特征与我国西部干旱区热量、水分分布特征是一致的；在提高土壤有机碳含量方面,王立刚已经得出实行秸秆还田或提高作物生物产量还田及免耕等耕作措施将有效提高SOC含量,提高土壤的可持续利用率[31]。张凡等得出将作物秸秆还田率从目前的15%提高到50%或90%会使陕西农田土壤从大气CO2源转变为汇,每年分别增加土壤有机碳库储量0.7 Tg C或2.1 Tg C[32],在本文中也得出50%的秸秆还田可以有效提高SOC含量,使其增长为原来的2%—49%。由于焉耆县年降雨量低于陕西省年均降雨量,年平均温度低于陕西省,气候方面存在差别,所以农田土壤有机碳含量增加幅度低于陕西省。由此说明,秸秆还田在当前的化肥施用下,随着时间的推移会使得焉耆的农田土壤有机碳含量得到提升。

到目前为止,土壤有机碳库也存在较大的争议[2]。土壤碳库空间分布异质性强烈,土壤实测调查在取样时,存在着诸多差异[33]。本文通过多年的定点试验率定模型的参数,使得DNDC模型本地化,又将模拟的最小单元划分为乡(镇)里面的同一土类,这在一定程度上减小了空间异质性。但是人工绿洲在不断地扩张,未来的耕地面积会随着变化；再加之有可能出现的极端天气现象等,会使得农田土壤有机碳储量发生变化。除此,本文仅对焉耆县在未来气候模式下,相应农田管理措施下的农田表层土壤有机碳密度和储量变化进行了研究,还需进一步引入多模式耦合气候模式,因此,在往后的研究中,有待进一步深入研究。

5 结论

本文模拟研究得出,在相应农业措施实施下,在IPCC AR5 报告中的BCCC-CSM1.1气候模式下,焉耆县农田0—20 cm土层SOC密度和储量呈现显著的增加趋势,呈现出“碳汇”趋势。土壤有机碳储量从2017年的0.44 Tg C增加到2047年的0.61 Tg C,单位面积碳增量是2550 kg C/hm2,这说明完善农田统一管理对未来SOC的固定具有重要影响。

焉耆回族自治县土壤类型众多,研究结果表明不同土壤类型之间的土壤有机碳密度差异较大,最大土壤有机碳密度与最小有机碳密度之间的差距是10365 kg C/hm2,这说明土壤类型的转变对SOC的影响深刻,未来应该加强不同土壤类型的管理。