基于室内试验的土壤呼吸温度敏感性影响因素整合分析

王陈里 张利杰 张仲富 崔婉哲 王好才 王 行,4

（1.西南林业大学云南省高原湿地保护修复与生态服务重点实验室，云南 昆明 650233；2.西南林业大学国家高原湿地研究中心/湿地学院，云南 昆明 650233；3.ITC 国际航天测量与地球化学学院，荷兰 恩斯赫德 7514AE；4.中国科学院城市环境研究所，福建 厦门 361021）

全球变暖是目前最受关注的环境问题之一，大气CO2浓度增加对温室效应的贡献占50%～60%[1]。CO2贯通地球系统的各个圈层，在各圈层之间不断交换、转换和循环并能在大气中存在上百年，其涉及范围之广、程度之大，是其他温室气体无法相比的[2]。近年来，全球生态系统呼吸作用增强，导致陆地生态系统从“汇”变成“源”，从而使大气中CO2的含量增加，加剧全球变暖[3]。土壤有机碳库作为陆地生态系统中最大的碳库，其微小的变化都将对碳汇或碳源的大小和分布产生显著影响[4]。土壤呼吸是陆地土壤碳库向大气释放CO2的主要途径[5]，每年由土壤呼吸释放到大气中的CO2是化石燃料燃烧释放的10 倍以上[6]。

土壤呼吸温度敏感性（Q10）是衡量土壤呼吸强度的一个重要参数，它是衡量全球变暖与土壤碳循环之间反馈强度的重要指标，广泛应用于各种碳循环估算模型中。土壤呼吸Q10在很大程度上决定着全球气候变化与碳循环之间的反馈关系[7]。因此，对土壤呼吸Q10的深刻理解不仅可以揭示陆地生态系统对气候变化的响应和适应，还有助于改进全球碳循环模型。了解土壤呼吸Q10的变化特征和主导影响因素对研究全球变暖有重要参考价值。然而，由于陆地生态系统自身的复杂性，目前有关土壤呼吸Q10的研究还存在极大的不确定性[8]。Q10在时间和空间上存在异质性，它不仅表现出明显的季相变化，还会因为环境因子的差异而发生改变。影响Q10的因子很多，包括温度因子、土壤理化因子、地理气候因子等。近年来，围绕土壤呼吸Q10开展了大量研究，结果表明，土壤呼吸Q10同时受温度、水分、季节性波动过程等环境因素的影响，且不同研究结果之间存在差异[9]。如Chen 等[10]分析了温带、亚热带、热带等多地的38 组数据，发现土壤呼吸Q10随着温度升高而降低。Wang 等[11]通过研究多个陆地生态系统的增温实验，收集了202 个土壤数据集，发现土壤呼吸Q10与温度呈正相关关系。一些研究表明，土壤水分的增加会使土壤呼吸对温度变化更加敏感[3]。然而，向元彬等[12]的研究表明，土壤水分的增加对土壤呼吸的温度敏感性有抑制作用。Hanson 等[13]在美国田纳西州研究发现土壤水分的增加并没有显著影响土壤呼吸Q10。Craine[14]对北美28 个地点的土壤呼吸Q10进行研究后发现，有机质越顽固，土壤呼吸Q10越高，而Fierer 等[15]通过培养实验发现土壤呼吸Q10和凋落物的质量具有明显负相关性。文献调查发现，目前已开展的研究工作主要集中在小尺度范围内，全球尺度上的研究比较少，且不同研究结论之间差异性较大[16−18]。在评估单因子与Q10值之间的关系时，全球尺度的反馈往往比独立个体研究更具有说服力。同时，土壤呼吸Q10受众多因子协同作用，不同因子之间存在较为复杂的交互关系，研究环境因子变化与Q10之间的关系，以及评估影响Q10的主导因子成为当前研究的难点问题。因此，亟需开展整合研究，找到环境因子与Q10之间较为普适的作用规律。

近年来，整合分析方法发展迅速，并在全球变化生态学、入侵生态学、功能生态学等领域中表现出较高的应用价值。当前，整合分析方法在国内，尤其在土壤呼吸Q10研究中报道较少[19]。因此，本研究在前人的研究成果上全面搜集了关于土壤呼吸温度控制实验的数据，涉及亚洲、欧洲、北美洲、南美洲、南极洲、大洋洲、非洲各地开展的研究。经过严格的筛选，获取温度、土壤理化、地理气候等指标，建立土壤呼吸Q10数据库。同时，鉴于本研究的数据多维化、解释变量之间的复杂的交互作用关系，本研究采用了线性混合模型来检验不同环境因子对Q10影响的显著性；并采用预测准确率高、对异常值宽容度强的随机森林回归模型（RF）进行数据分析，并给出变量重要性评分（VIM）[20]，以此探究土壤呼吸Q10的主要驱动因子。本研究分为两部分：1）利用整合分析的方法，收集全球尺度数据下的土壤呼吸Q10及对应环境因子数据，分别讨论不同生态系统类型Q10值的差异性。2）通过线性混合模型和随机森林模型，探究各因子对Q10影响显著性和变量重要性评分，探索Q10的主导环境因子。Q10的高低会直接影响当前陆地生态系统碳排放量的估算，以及人类对未来气候变化的预测[21]。影响Q10的关键环境因子是准确模拟和预测全球碳循环过程的重要参数，而不同因子对Q10值的影响程度不一。因此，本研究旨在揭示Q10与不同环境因子之间的关系以及分析影响Q10的主导环境因子，为预测环境变化与土壤呼吸Q10之间的关系提供研究方向和理论参考。

1 材料与方法

1.1 数据来源

本研究通过Web of Science、中国知网（CNKI）数据库对前人的研究结果进行搜索整理，搜索年限为2006—2019 年。用于搜索的关键词有：增温（Warming/Temperature）、室内培养（Incubation/Lab/Experimental）、土壤呼吸（Soil respiration/Mineralization）、二氧化碳（CO2/Carbon dioxide）、土壤呼吸温度敏感性（Q10）以及这些因子的组合。

本研究共搜索得到270 篇文献，经过严格筛选后，共得到土壤呼吸Q10相关文献63 篇。筛选标准为：1）本研究的数据来源主要分为室内增温培养实验数据和野外地理气候数据。由于野外实验条件的复杂性及干扰因素的不确定性，导致研究结果高度变异，因此选取室内增温培养实验数据。然而，地理气候因子会通过长时间作用于土壤，而对土壤理化特征造成一定影响，因此也收集了野外地理气候数据。2）文献数据必须包括除Q10外的其他环境指标，如温度因子、土壤理化因子、气候地理因子等。在符合标准的文献中，选取出现频率最高的11 个环境因子数据，包括3 个温度因子数据：实验初始温度、增温幅度、增温时间；4 个土壤理化因子数据：土壤含水率、土壤氮、土壤有机质、土壤pH 值；4 个地理气候因子数据：海拔高度（ASL）、年均温（MAT）、年均降水量（MAP）、纬度（LON）。3）本研究侧重于研究Q10与环境指标之间的关系。即使多个研究位于同一地理位置，或同一室内培养研究在不同时间点获得多组时间序列，只要其Q10与环境指标数据完整，便收集该数据。

在提取文献数据过程中，若文献中研究结果以表格形式呈现时，直接记录；当研究结果以图片形式呈现时，使用软件Get Data Graph Digitizer 2.24 获取数据。本研究共收集1 309 条数据。由于随机森林模型分析要求获取完整的环境因子信息，因此用于该模型构建的数据为767 条。结合筛选出的文献和数据，建立土壤呼吸Q10数据库。为展示数据分布情况，将收集到的数据按温度因子、土壤理化因子、地理气候因子分类（表1）。

表1 变量数据范围Table 1 Variable data range

1.2 Q10 的计算和差异性分析

在进行统计分析之前，使用柯尔莫可洛夫−斯米洛夫检验（Kolmogorov-Smirnov）来评估数据的正态性，当数据不呈现正态分布时，对数据进行对数变换。

采用增温对土壤呼吸效应的反应比值Q10作为效应值[22]。Q10越大，土壤呼吸对温度的变化越敏感；Q10越小，土壤呼吸对温度变化的响应越缓慢。对于未直接给出Q10值的研究采用以下计算公式：

式中：Q10是土壤呼吸温度敏感性，表示在增温下的土壤有机碳平均释放速率，表示在初始温度下的有机碳平均释放速率。表示增温后的温度值，表示初始温度值。

采用单因素方差分析（ANOVA）对不同生态系统类型的Q10值进行比较。如果差异在0.05 水平上显著，则采用塔姆黑尼T2 检验进行多重比较，上述分析均在软件IBM SPSS Statistics 25 中进行。

1.3 线性混合模型

运用线性混合模型来检验温度因子、土壤理化因子和地理气候因子对土壤呼吸Q10值的影响显著性。线性混合模型的模型方程为[23]：

式中：为反应变量测量值的矩阵向量，为固定效应参数矩阵向量，为固定效应自变量的矩阵向量，为随机效应参数矩阵向量，为随机效应自变量的矩阵向量，为随机误差设计矩阵向量。

本研究选择初始温度、增温幅度、增温时间作为固定效应，土壤含水率、土壤氮含量、土壤有机质含量、土壤pH 值、海拔、年均温、年均降水量、纬度作为随机效应，采用SPSS Statistics 25 进行模型拟合及数据分析。

1.4 随机森林回归分析

利用土壤呼吸Q10数据库建立随机森林回归模型。从Q10数据库观测值中，以75%比25%的比例分成训练样本数据集与检测样本数据集，训练样本包含575 组数据，检测样本包含192 组数据。应用Bootstrap 法重复抽取575 个训练样本集，然后根据自助样本集生成575 个回归树组成随机森林，具体过程见图1。通过皮尔逊相关系数（r）和均方误差（RMSE）来评估模型拟合的总体优度。随机森林回归模型以变量重要性评分来评价各自变量对因变量的影响程度大小。随机森林回归分析采用Python scikit-learn 进行，制图采用软件Excel 2016 绘制。

图1 随机森林流程图Fig.1 Random forest regression procedure

2 结果与分析

2.1 数据分布

本研究建立的Q10数据库中，共有63 篇文献，有的文献中包含了多个生态系统，其中研究森林生态系统（30 篇）的文献占比最大；其次是草甸生态系统（20 篇）和农田生态系统（20 篇）；研究最少的生态系统类型为湿地（7 篇）、荒漠（4 篇）、极地（3 篇）（图2a）。本研究数据库中，Q10值的范围为0.1 到8.27，平均值为1.92。最高的Q10值出现在温度较低的极地土壤中，最低的Q10值出现在含水率较高的湿地土壤中（图2b）。不同生态系统中，Q10的均值大小分别为：森林（1.70）、草甸（1.88）、农田（2.79）、湿地（1.53）、荒漠（2.18）、极地（2.02）。方差分析结果表明，不同生态系统类型之间的Q10值之间存在显著差异（P0.01），多重比较结果显示农田生态系统的Q10值与森林、湿地、极地生态系统的Q10值存在显著差异（P0.01）（图2c）。

图2 Q10 数据分布和不同生态系统类型Q10 箱型图Fig.2 Data distribution of Q10 and different ecosystem types of Q10 box-plot

Q10在不同环境因子变化下的散点图显示，初始温度、增温幅度、增温时间、土壤含水率、土壤pH 值和海拔数据分布较均匀（图3a、3b、3c、3d、3g、3h）。土壤氮含量、土壤有机质含量和年均降水量数据整体向低值区域偏移（图3e、3f、3j），而年均温和纬度数据整体向高值区域偏移（图3i、3k）。这说明全球研究的数据分布中，土壤氮含量和土壤有机质含量较高的地区研究较少，低纬度、年均温较低和年均降水量较高的地区研究较缺乏。

图3 Q10 在各环境因子变化下的分布情况Fig.3 The distribution of Q10 under the various environmental factors changing

2.2 线性混合模型拟合结果

本研究利用线性混合模型，对Q10和环境因子数据的关系进行拟合分析。由表2 可知，固定因子中，初始温度、增温幅度、增温时间对Q10影响显著（P0.05），随机变量中，土壤含水率、土壤pH 值和年均温对Q10有显著影响。其中，初始温度=8℃时，其估算值比初始温度为35℃时的估算值大0.264 倍，22℃的估算值比35℃估算值大0.246 倍，34℃的估算值比35℃的估算值大0.252 倍，总体来说，随着初始温度的增加，Q10呈减小的趋势。增温幅度为6℃时的估计值相比36℃时的估计值小0.214 倍，说明增温幅度较小时，Q10较大，增温幅度较大时，Q10较小。相对于增温时间为400 d 的估计值来说，增温7 d的估计值大0.086 倍，增温120 d 的估计值大0.796 倍，增温360 d 的估计值小0.266 倍。说明在增温的过程中，Q10一开始随时间的增加出现升高的趋势，而超过一定时间后，Q10出现减小趋势。随机变量中，土壤含水率、土壤pH 值和年均温的估算值均大于零，说明这些因子对Q10的影响为正向影响。

表2 线性混合模型拟合结果Table 2 The result of the mixed linear model fitting

2.3 随机森林回归分析

通过线性混合模型分析发现，大多数环境因子对Q10的影响显著，但少部分因子对Q10没有显著影响，因此需要通过运用随机森林模型进一步判断各因子对Q10的贡献度大小。本研究通过随机森林模型对比实测Q10与预测Q10，从而评估模型的预测精度。结果表明，该模型整体均方根误差为0.34，皮尔逊相关系数为0.75（图4b）。随机森林给出的变量重要性结果表明，在影响Q10的因子中，初始温度对Q10影响最显著，其贡献度占比为20.6%。温度因子中，增温幅度和增温时间对Q10的贡献度分别为12.6%和2.4%。土壤理化因子中，土壤pH 值对Q10变化影响最显著（19.9%），其次是土壤含水率（11.9%）、土壤有机质含量（7.3%）、土壤氮含量（5.2%）。地理气候因子中，纬度对Q10的影响最大，相对重要性为8.4%；而海拔（6.5%），年均降水量（2.8%）和年均温（2.4%）的贡献度较小（图4a）。

图4 变量相对重要性和随机森林模型预测Fig.4 Relative importance of variables and prediction of random forest model

3 结论与讨论

通过全球大尺度数据研究，收集了6 个生态系统类型的土壤呼吸Q10数据，发现不同生态系统中的Q10存在显著差异。尽管前人的研究已经体现出了这种差异性[24−26]，但是我们所获得的数据具有更大的空间尺度和更全面的生态系统类型。本研究的Q10均值（1.92）与Raich 等[27]研究的全球尺度Q10均值（2.40）接近。不同生态系统类型的土壤呼吸Q10均值有很大的差异，如受人为干扰较大的农田生态系统的Q10均值（2.79）高于受人为干扰较小的森林（1.70）、草甸（1.88）和湿地（1.53）生态系统的Q10均值。Wang 等[28]的研究也表明，农田生态系统的Q10均值大于湿地生态系统的Q10均值，这说明人为干扰可能是影响Q10变化的因子之一，由于人类活动对土壤的扰动作用，土壤中的微生物群落可能会随之变化从而影响土壤酶活性，间接调控了土壤呼吸Q10。而荒漠、极地生态系统的Q10均值整体偏高，分别为2.18、2.02，这说明脆弱生态系统及低温地区的土壤呼吸对温度的敏感性较高。因此认为，在评估全球土壤呼吸温度敏感性对气候变化的反馈时，应着重考虑不同生态系统类型之间的差异性。

本研究发现，初始温度是调控土壤呼吸温度敏感性的重要因子，基于室内培养增温实验数据，土壤呼吸Q10随初始温度的升高而下降（P0.05），这与前人研究的结果一致[29−30]。增温会导致微生物活性下降，从而限制土壤微生物矿化过程，降低土壤呼吸的温度敏感性[31−32]。然而，初始温度的选取没有明确的选择标准，从0～30℃范围不等[33−36]，初始温度大小的设定对精确估计土壤呼吸Q10值的影响机制尚不清楚，今后应重点关注该项指标的研究。Wang 等[28]研究表明，随着培养时间的增加，Q10值出现明显升高的趋势，我们的研究也验证了这个规律。分解活化能越高的土壤有机碳越难降解，这会导致土壤呼吸Q10值越高。随着增温时间的增加，不稳定的土壤有机碳对温度的敏感性较低，其分解完后顽固土壤有机碳开始分解，因此土壤呼吸Q10值增加，此结果也支持了CQT 假说（C qualitytemperature hypothesis）。

土壤理化因子中，土壤pH 值的增加会导致Q10值的上升，随机森林回归分析中，其变量重要性最高（19.9%）。土壤酸碱度的改变对土壤底物有干预作用，外源碳氮等底物受pH 影响间接调控了土壤呼吸Q10值[37]。土壤pH 值通过调节土壤微环境，影响了土壤微生物的发育，有研究发现土壤酸碱度的改变会通过影响土壤微生物发育从而影响土壤酶活性来调控土壤呼吸Q10[38]。土壤含水率对Q10的变化影响显著，且相对重要性为11.9%。Qi 等[39]和Yang[40]的研究结果发现Q10值随土壤含水率的升高而线性降低，这与本研究结果不同。在个体研究中，土壤含水率取值范围不同可能导致Q10与土壤含水率的关系发生变化。在本研究中，整合分析获取的土壤含水率范围（3%～100%）较为广泛，从而使Q10随土壤含水率的升高而升高。水分通过影响土壤中的基质扩散来影响Q10值，土壤呼吸需要一定的氧含量，当土壤水分值过高或过低时，Q10都会受到影响。当含水量低时，胞外酶和底物移动性降低，从而降低微生物与底物接触的机会，影响了土壤呼吸对温度的响应[41−42]。随机森林结果中土壤有机质含量（7.3%）和氮含量（5.2%）对Q10变化的贡献度相近。土壤氮元素作为陆地生态系统土壤有机碳分解的主要控制因子之一，可能与土壤有机质相互作用影响土壤呼吸温度敏感性[43]。土壤氮主要以有机态形式存在，供植物吸收利用的氮素在适宜条件下通过土壤微生物矿化作用转化为无机氮才被植物吸收[44]。因此，土壤氮含量对土壤呼吸的影响与土壤有机碳含量密切相关，导致两者对Q10变化的贡献度相近。然而，其交互作用影响机制尚不清楚，有待进一步研究和探索。

在地理气候因子中，纬度的变量重要性最高（8.4%），但纬度因子对Q10的影响并不显著。通常，随着纬度的升高，气温越低，这与初始温度对Q10的影响结果相一致；但相同纬度的生态系统差异性较高，使得线性混合模型中纬度对Q10的影响不显著。年均温对Q10的影响显著。年均温的不同会导致土壤微生物含量和土壤pH 值差异，从而间接影响土壤呼吸[45]。随着年均温的变化，植被组成、土壤微生物和酶的含量等多种因素会发生变化，从而影响土壤呼吸对温度变化的响应[46]。本研究收集的数据均为室内实验数据，因此在一定程度上不能真实反映地理气候因子对结果的影响，然而地理因子（如气候，地势等）通过长期作用于土壤本身，间接调控了Q10的变化。

整合分析研究对于Q10的估计存在一定程度的不确定性，这种不确定性可能来自不同研究培养方法的差异，如土壤温度的和湿度的设定，因此在未来的研究中，应充分考虑实验操作方面的干扰因素。另外，结合前人的研究结果发现，土壤微生物量也是Q10的主要驱动力之一[47−48]，但本研究收集的文献中关于土壤微生物量的报道较少，后续关于土壤呼吸温度敏感性的研究中需着重收集此类生物学数据指标，从而更全面的探索Q10的复杂影响机制。