季节性淹水湿地表层土壤有机碳含量遥感预测及空间分布特征

关键词 鄱阳湖湿地； 土壤有机碳； 遥感预测； 遥感特征因子； 碳循环； 土壤碳储量； 土壤固碳能力

中图分类号 S154.1；TP79 文献标识码 A 文章编号 1000-2421（2024）03-0111-10

湿地土壤有机碳（soil organic carbon，SOC）是湿地生态系统环境响应的重要指标和联系湿地系统内外部物质循环的重要纽带，直接影响湿地生态系统生产力，在湿地生态系统和全球碳循环中具有重要作用［1］。SOC 研究主要基于土壤剖面的直接测算和基于生态系统碳循环过程模型的间接预测［2］。SOC直接观测需要耗费大量的人力、物力和财力，观测区域及时间极为有限，利用模型上升到区域范围的研究形式可以较好地避免这一缺陷［3］。近年来，区域插值模型、回归拟合模型和机器学习等模型被较多的运用于SOC 含量及碳储量估算，并与遥感技术相结合，为SOC 研究提供了新的方法和手段。郭彦茹［4］基于Worldview-2遥感影像提取植被信息，结合神经网络方法进行土壤碳储量遥感反演模型模拟，估算出清澜港红树林湿地总碳储量为8.073 万t，土壤平均碳储量为131.4 kg/hm²，模型总体估算精度为80.84%。王燕［5］利用GF-1WFV 和MODIS 遥感数据估算了半干旱区浑善达克沙地及其周边地区SOC密度平均约为1.22×10⁴ kg/hm²，其最优预测模型精度为77.87%。利用多源遥感数据和地面实测数据结合构建相关统计模型，预测和估算土壤碳含量、碳密度及碳储量得到了广泛的应用［6］。

鄱阳湖是中国第一大淡水湖，具有丰水期和枯水期交替出现的独特水文变化规律，湿地类型多样，生态环境复杂，生物多样性丰富，使得鄱阳湖湿地碳循环研究具有显著的区域特色，但也具有不确定性［7］。鄱阳湖SOC 研究多是采用直接观测、采集土壤样品研究碳含量、碳组分及其影响因素［8-9］，并且由于鄱阳湖植被根系较浅，深层土壤物质含量变化不明显，较多研究采取0～20 cm 表层的土壤样品进行测定［7］。也有一些研究利用地统计相关模型、空间插值方法和生物地球化学模型等进行碳模拟和碳预测，如陈莎莎等［10］基于DNDC 模型模拟鄱阳湖季节性淹水湿地不同植被下表层SOC 含量动态变化，估算出土壤碳储量和CO₂年排放量。江叶枫［11］采用一种农业土地利用方式修正的径向基函数神经网络模型（RBFNN_ALU）预测出鄱阳湖典型小流域SOC含量范围为2.60～38.60 g/kg。研究表明，遥感估算方法不但能够克服直接测定方法耗时、费力、周期长的缺点，而且能快速、准确、有效地获得SOC 含量等指标［12］。然而，基于遥感方法预测鄱阳湖SOC 含量的研究鲜有报道。本研究应用Landsat8 OLT 卫星遥感数据及其他辅助数据，以鄱阳湖季节性淹水湿地表层（0～20 cm）土壤为研究对象，探讨遥感特征因子与SOC 含量的相关性，建立关联性强、可以准确表达SOC 含量的预测模型，探讨SOC 含量空间分布特征，以期为鄱阳湖湿地土壤固碳能力评估、湿地生态保护和管理提供科学依据，并为类似研究提供可靠有效的算法和参考。

1 材料与方法

1.1 研究区概况

研究区为江西鄱阳湖国家级自然保护区内的蚌湖、常湖池和泗洲头（28°22′N～29°45′N，115°47′E～116°45′E）。该研究区属于亚热带湿润季风气候，夏季潮热，冬季干冷，1 月平均气温最低为5.6 ℃，7 月平均气温最高为29.7 ℃，年均气温17 ℃左右，雨量充沛，年均降水量1 350～2 150 mm，多集中在4—8月［13］。该区内典型的植物群落为南荻（Triarrhenalutarioriparia）、水蓼（Polygonum hydropiper）、芦苇（Phragmites communiss）、苔草（Carex cinerascens）等，各植物群落通常呈块状或条带状分布［8］。蚌湖和常湖池同属碟形湖泊，在枯水期水位受人为影响控制。蚌湖属于半人工控制湖泊，面积为6 432.69hm²，枯水期水位随鄱阳湖水位变化而变化；常湖池为人工控制湖泊，丰水期与鄱阳湖主体相连，面积为396.71 hm²；泗洲头是鄱阳湖开放水域的洲滩前缘，水位变化不受人为控制，是鄱阳湖的聚水区域，也是受鄱阳湖水位影响最大的区域之一，年内水位变化幅度超过10 m，洲滩面积约3 076.71 hm²［14］，泗洲头土壤类型主要为草甸土、沼泽土、湿潮土等，成土母质主要为第四纪沉积物母质［15］（图1）。

1.2 研究方法

1）土壤样品采集与处理。2021 年1 月17—19 日前往研究区进行实地调查观测和样品采集，研究区按照地形（水位梯度）从岸边到湖心适当选择3～5 个样带，每个样带间隔150 m 以上，进行GPS 定位，并立桩固定。在每条样带上设置5 个样地，每个样点设定30 m×30 m 样方5 个，作为重复。选择具有代表性的土壤样方，利用五点采样法采集表层（0～20 cm）土壤样品，除去土壤表层的石块、凋谢物、根系等异物后混合成1 个样品，同时用GPS 记录经纬度信息。本次调查共选取了48个样方地进行采样（蚌湖16个、常湖池12 个、泗洲头20 个）（图1）。将采集的土壤样品用密封袋密封，带回实验室进行风干。风干后的土壤样品过孔径为150 μm 的筛网，采用重铬酸钾氧化-外加热法测定样品的SOC 含量。

2）遥感数据与预处理。遥感数据为来自地理空间数据云（http：//www. gscloud. cn/）的Landsat8OLT 卫星数字影像，行列号为122/40，成像时间与现场采样时间同步，影像对研究区域覆盖率为100%，影像清晰，分辨率为30 m，目标区域无云量，数据良好。对获取的影像进行预处理，利用ENVI5.3依次进行辐射定标、大气校正、几何精校正，最后按研究区的边界将影像进行裁剪，得到研究区的遥感影像（图1）。

3）遥感特征因子提取。在预处理完的影像上提取遥感特征因子，主要包括：7 个单波段反射率值（b₁～b₇）；4 个植被指数：归一化植被指数（NDVI）、比值植被指数（SR）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）；主成分特征第一个分量（PCA1）和7 个单波段纹理特征因子的均值（MEAN）、熵（ENT）、相关性（COR）。主要的植被指数计算公式如表1 所示。

4）回归建模。利用SPSS 软件进行相关性分析和回归模型构建。选取80% 样本的SOC 含量与影像提取的遥感特征因子进行相关分析，筛选相关性较强的遥感特征因子参与模型构建。在相关性分析的基础上，以相关性较强的遥感特征因子为自变量，以SOC 含量作为因变量，分别建立一元线性、一元曲线和多元逐步线性回归模型，其中一元曲线模型类型有二次型、三次型、幂型、增长型和指数型。

2.3 模型精度检验

采用预留的验证样本数据对构建的3 种回归模型进行精度检验，分别计算其平均相对误差（MRE）和均方根误差（RMSE），对比3 种模型的检验因子（表5）。结果表明，3种模型的决定系数R2在0.617～0.772，说明模型拟合度均达到良好，多元逐步线性回归模型R2 最大；MRE 介于38.11%～64.38%，3 种模型的平均相对误差均较大，一元曲线模型的MRE最小；RMSE 介于2.417～4.430，多元逐步线性模型的RMSE 最小，相较于其他2种模型，预测精度最高。结合3种模型散点图（图2）发现，多元逐步线性模型整体拟合效果最好，因此将多元逐步线性回归模型Y=42.708-2.817X_b3MEAN-4.887X_b5COR＋0.667X_b7MEAN（R²=0.772，Plt;0.01）确定为SOC含量最优预测模型。利用预留的样本数据对确定的最优模型进行验证，实测值与预测值呈显著线性相关关系（R²=0.869，Plt;0.01）（图3），表明所确定的最优多元逐步线性回归预测模型能够较好地预测SOC含量。

2.4 SOC含量空间分布特征

基于构建的SOC含量最优预测模型，利用GIS空间分析功能计算并反演研究区表层SOC 含量及其空间分布特征显示（图4），SOC 含量范围在0～43 g/kg，主要集中在0～20 g/kg，少部分区域在20 g/kg 以上，SOC 含量平均值约为10.75 g/kg。就分布形态而言，0～10 g/kg 和10～20 g/kg 的SOC 含量主要交错分布在区域内，其中靠近水域边缘地区SOC 含量多以0～10 g/kg 为主；20～30 g/kg SOC 含量多以小斑块状零散分布在离水域较远的洲滩上；30 g/kg 以上SOC 含量分布极少，多呈零星点状分布在区域边缘（图4）。

3 讨论

3.1 遥感特征因子与SOC含量的关系

遥感数据通过波段反射率和植被指数以及一些土壤指数等，可以提供与植被生长和土壤状况有关的生物物理特性［16］。本研究中，提取的遥感特征因子与SOC 含量多数存在显著的相关性（表3）。可见光波段1～4 反射率值（b₁、b₂、b₃、b₄）和SOC 含量存在较强的负相关性，这与前人研究SOC 含量与原始光谱反射率表现呈负相关性的结果相一致［17］。基于可见光部分的光谱指数与SOC 含量具有很好的相关关系，估算SOC 含量，可见光光谱区域比近红外光谱区域更有效［18］。与此类似，本研究的相关性结果表明可见光波段反射率值的相关系数要比近红外波段的高（表3）。另外，研究表明植被指数与SOC 存在正相关关系［19］，本研究也发现NDVI、SAVI、EVI 和SR与SOC 含量均存在显著正相关性（表3），这是由于植被指数是反映植被长势和营养信息的重要指标。本研究中，提取的4 种植被指数值均大于0（表2），说明地表有植被覆盖。植被指数如NDVI 越大，表明植被覆盖度越高，植被的生长状况越好［20］。植被是土壤中有机碳重要来源之一，植被长势优良有利于土壤中有机碳的输入和有机碳的积累［21］。纹理特征可以反映土壤表面光谱的详细变化，作为重要的非光谱特征，对于遥感影像反演精度的提升具有重要的作用［22］。本研究最优估算模型方程的输入参数表明，提取的纹理特征因子b_3MEAN、b_5COR 和b_7MEAN 与SOC 含量具有较强的相关性，说明纹理特征是研究区SOC 含量反演的重要遥感特征因子。

3.2 空间尺度异质性对SOC估算的影响

影响SOC 的因素众多，对于不同植被群落、水文节律、地形地貌以及土壤理化因子与有机碳之间的复杂关系以及这些关系在不同空间尺度上的异质性都是导致不同区域SOC 含量差异显著的重要因素［23］。本研究中，空间分布特征反演显示表层SOC含量平均约为10.75 g/kg，主要集中在0～20 g/kg，这与谢冬明等［24］研究中鄱阳湖湿地内蚌湖洲滩、常湖池洲滩和泗洲头洲滩的表层（0～10、10～20 cm）SOC含量变化范围为0.96～23.32 g/kg 的结果大致相符。本研究也发现，沿湿地湖泊水域边缘地区的SOC 含量相比离水域较远地区的更低一些（图4），这是因为蚌湖、常湖池和泗洲头是鄱阳湖内的季节性淹水湿地，其水位伴随着鄱阳湖季节性水位变化而变化，靠近湖区地带土壤随着水文节律的急剧变化，长期处于干湿交替的环境中，而干湿交替的环境有利于有机碳的淋溶和破碎化，加速SOC 的流失［10］，从而导致SOC 含量较低。

大区域尺度上湿地SOC 含量的变异受气候、植被覆盖状况、成土母质和水文条件等影响较大，不同湿地生态系统SOC 积累情况差异显著［25］。本研究预测的湿地SOC 含量范围为0～43 g/kg，该结果与我国其他地区湿地类型土壤碳含量相比具有显著性差异，主要表现为：高于西北干旱区的敦煌阳关湿地（3.56～25.89 g/kg）［26］、艾比湖湿地（1.08～11.49g/kg）［27］和内蒙古乌梁素海湿地（0.28～6.96 g/kg）［28］；较高于华东滨海区的天津滨海湿地（1.88～8.51g/kg）［29］和胶州湾滨海湿地（6.33～13.03 g/kg）［30］；高于华北地区的白洋淀湿地（8.53～17.70 g/kg）［31］；远低于川西高寒区的若尔盖湿地（5.93～438.3g/kg）［3 2］、川西高原泥炭沼泽湿地（186.01～330.03 g/kg）［3 3］和纳帕海湿地（4.29～352.06g/kg）［3 4］，以及华北三江平原沼泽湿地（60.00～295.00 g/kg）［3 5］。干旱区湿地因其干旱的气候条件使区域内植被稀少，导致植被生物量较低，SOC 的输入较少。加上干旱区中地势较低的低洼地区土壤易发生盐碱化，而土壤盐分也是影响干旱区湿地SOC 的主要指标。有研究表明敦煌阳关湿地土壤剖面盐分含量与有机碳含量显著负相关，表明土壤盐分含量较高会影响植被的长势，进而限制土壤中植物残体的输入和转化，致使有机碳含量降低［26］。滨海湿地SOC 含量较低，原因是滨海湿地土壤盐渍化较严重，植物生物量小，有机碳的补充和累积有限，再加上靠近海洋，过水频繁，每年的调水调沙将大量动植物分解残体冲入大海而致使土壤中有机碳含量相对偏低［30］。同为湖泊湿地，鄱阳湖季节性淹水湿地比白洋淀湿地SOC 含量较高，原因可能为鄱阳湖位于亚热带湿润区，温暖、湿润的气候有利于湿地植被的生长，从而增加了土壤碳源的输入。其次，白洋淀湿地位于暖温带半干旱气候区，年降水量较低，加上受上游水库给水影响较大，水位降低导致湿地面积缩减，进而造成植被群落退化，间接致使进入土壤的植物残体及根系分泌物减少，导致SOC 含量较低［36］。在高寒湿地区，低温高湿状态下土壤微生物活动微弱，减缓对有机物的分解，从而降低SOC 的矿化速率，有利于有机碳含量的积累。高原湿地沼泽面积分布广泛，泥碳贮量丰富，致使高寒湿地SOC 储量非常丰富，其SOC 含量较其他类型湿地类型高出许多［26］。沼泽湿地如三江平原，地势平坦，水的流速慢，土壤中的有机碳不容易被冲刷带走，且沼泽内又富含大量的泥炭和腐殖质，加上常年较低温和积水的环境下，植物残体不易分解，致使SOC 大量积累，含量远高于其他湿地类型。另外，有研究表明与常年水分处于高度饱和的湿地区域相比，季节性积水的地区，在非积水季节时水分因子限制作用明显减弱，并且干湿交替时期植物残体的分解常数比连续渍水或干旱的条件下大得多，有机碳含量相对较低［35］，这与本研究的鄱阳湖典型季节性淹水湿地SOC 含量远低于高寒湿地和沼泽湿地SOC 含量的结果相符。

综上，本研究提取了影像中7 个波段的反射率值（b1～b7）、4 个植被指数（NDVI、SR、SAVI、EVI）、第一主成分特征（PCA1）、单波段纹理特征的均值（MEAN）、熵（ENT）和相关性（COR）共33 个遥感特征因子。多元逐步线性回归方程Y=42.708－2.817X_b3MEAN－4.887X_b5COR＋0.667X_b7MEAN （R²=0.772，Plt;0.01）作为拟合SOC 含量的最优预测模型，MRE=45.53%，RMSE=2.417，纹理特征是研究区SOC 含量预测的重要遥感特征因子。研究区空间分布特征反演显示，SOC 含量主要集中在0～20g/kg，靠近水域边缘地区SOC 含量多以0～10 g/kg为主，20 g/kg 以上的分布较少，鄱阳湖所选季节性淹水湿地表层SOC 含量平均约为10.75 g/kg。

（责任编辑：陆文昌）