河源区土壤与河流二氧化碳浓度变化特征及相关性

李家琪,姜振蛟,戴 鑫,汪 钏,武丽文,谢月清*

河源区土壤与河流二氧化碳浓度变化特征及相关性

李家琪1,2,姜振蛟3,戴 鑫1,2,汪 钏1,2,武丽文4,谢月清1,2*

(1.南京大学地球科学与工程学院,江苏 南京 210023；2.南京大学关键地球物质循环前沿科学中心,江苏 南京 210023；3.吉林大学新能源与环境学院,吉林 长春 130026；4.西交利物浦大学健康与环境科学系,江苏 苏州 215123)

以陕西省榆林市海流兔河流域上游区域为研究对象,通过结合河流与土壤CO2浓度高频监测技术与频谱分析方法,剖析河流-土壤横断面CO2动态模式及其影响因素与演化过程.基于研究剖面上4个监测点的CO2浓度时间序列,分离出周期为0.5与1d的强烈昼夜信号,推断出河流内部的昼夜生物代谢过程是控制CO2浓度变化的关键因素.流域内降水等事件引起的水文条件变化会引起CO2逸散,对水体碳循环过程产生显著影响.根据相关性分析,判断河流与土壤CO2动态的主要影响因子为温度与土壤含水量,并证实了土壤为河流CO2的主要来源,地下水是实现土壤与河流间的碳迁移过程的重要媒介.

频谱分析；小波分析；河源区河流；相干性；碳循环；土壤；地下水；CO2

近年来,随着全球变暖进一步加剧,气候变化成为全球关注的焦点,与之紧密相关的碳循环问题也成为全球关心的重大科学问题.全球河流的CO2逸散量高达2.58Pg C/a,与化石能源燃烧引起的年均碳排放量处于同一量级,是陆地生态系统碳排放的重要窗口[1].其中,河源区生态系统与河流连通紧密,其碳排放量约占全球河流碳排放量的36%,是流域河流碳输出的开端与碳排放的热点区域[1-2].因此,研究河源区河流和陆地生态系统之间的碳交换过程及控制因素对理解区域和全球碳循环路径意义重大.

目前有多项研究试图探索河源区河流CO2的来源和驱动因素,并聚焦于河流与河岸土壤中碳过程的连通性.Campeau等[3]利用稳定碳同位素,研究土壤中的无机碳输送到河流的过程,捕捉到其中的CO2逸散与碳转化现象.Aitkenhead等[4]利用苏格兰东北部河流DOC浓度与土壤有机碳库进行对比,发现土壤碳库在不同尺度的流域中都表现为河流DOC浓度的良好预测因子,在小型流域中二者相关性尤其明显.Hope等[5]基于英国泥炭地流域中泥炭与河岸土壤的CO2浓度数据,识别到相似的季节性变化特征,验证了河流与土壤碳过程之间存在密切联系.但以上研究大多基于低时间分辨率的采样方法,对河流与土壤CO2高频动态的关联性分析仍不够清晰,尤其是在缺少降水的干旱区河流河源区.

近年来许多研究利用新型传感器技术,在湖泊[6]、水库[7]和大河流[8],以及溪流中[9-10]高频记录水体CO2浓度.Bastvike等[11]与Johnson等[12]通过非分散红外传感法持续监测CO2时空浓度动态,实现了CO2浓度变化的高频观测,成为探索内陆水域CO2源汇流的新途径,为分析水中碳的潜在来源区与河流的联系和对生物地球化学转化的影响提供了重要的数据基础.Dinsmore等[13]基于加拿大东南部湖泊中高分辨率CO2浓度动态数据,发现河流夏季CO2浓度与水生动植物的生物过程密切相关.水生生态系统中的CO2动态受河流运动与集水过程的共同影响,而空间分布的高分辨率数据可用于区分不同过程对浓度与通量模式的作用.然而这些研究仅侧重于分析河流的CO2浓度变化特征,CO2浓度高频观测技术在河流与土壤碳过程连通性的研究上仍有很大的应用潜力未被发掘.

研究水体物质迁移过程规律时,通常使用时域数据分析方法.Dornblaser等[14]采用传统时域分析方法研究北极地区河流碳含量变化特征,观测到DIC与DOC含量的年际变化规律.然而,CO2时间序列动态特征复杂,时域分析无法准确体现CO2动态的的短期(每日)变异性.频谱分析方法可以将问题转化至频域,分析时间模式并提供迁移速率的定量估计作为观测动态固有时间尺度的函数[9,15-17].与时域分析相比,频谱分析更适合处理高频数据,可精准识别数据的短期时间变异性.Crawford等[9]在研究美国北部河源区河流时,基于高分辨率CO2浓度动态数据,利用频谱分析分离了不同周期的CO2浓度波动的幅度,以此来获得控制CO2浓度动态过程的主要时间尺度.采用频谱分析方法可有效利用空间分布的高分辨率数据,通过对不同位置CO2动态时间序列及其影响因子的相干性分析,探究河流与土壤CO2过程关联性,以提高对内陆水域CO2浓度变化过程的认识.

本次研究选择陕西省榆林市的海流兔河流域,基于实测高分辨率CO2浓度动态数据,利用频谱分析方法明晰河流与土壤CO2浓度的变化特征,通过CO2动态与影响因子的相关性研究识别控制河流与土壤CO2动态的关键驱动因素和过程,为深入理解陆地生态系统与水生生态系统间的碳循环过程提供理论参考.

1 材料与方法

1.1 研究区概况

本次研究区位于海流兔河流域,地处中国西北半干旱地区的陕西省榆林市.流域面积约2500km2,为陕北黄土高原与毛乌素沙漠过渡地带的洼地小流域[18-19].区内地表水和地下水主要来源于大气降水补给,流域内多年平均降雨量370mm,降水年际和年内变化大,降雨集中在7～9月,多年平均潜在蒸发量2000mm.海流兔河及其支流补浪河为该流域内的两条主要河流.

海流兔河流域内主要包含两个地下水含水岩组,在流域上均匀分布有第四系孔隙潜水含水岩组(Q3s),主要由粉细砂和黄土构成,含水量分布较均匀,地下水埋深一般为0～50m;在部分地区的梁地出露的为白垩系碎屑岩类裂隙孔隙潜水半承压水含水岩组(K1h),主要构成为砂岩与粉砂岩,厚15～400m,且纵向变化明显,构成了流域内主要富水层[20].

1.2 数据监测

研究区选择陕西省榆林市西部的海流兔河流域上游一集水区,总汇水面积约2.81×105m2.目前已经在研究区野外试验场地内布设了气象站,在研究区安装了多处河流和地下水动态自动监测仪,建立了自动化生态水文动态观测网络.

本次土壤-地下水-河流水文与CO2联合监测选取在流域内的补浪河,建有小型气象站1个.如图1所示,在与河流水平距离为1.5, 3.6和7.5m的位置各布设1个土壤含水率监测点和1个CO2浓度监测点.含水率监测点与CO2浓度监测点皆布设于地面以下0.2m深度处,确保监测点位于河流水位之上.此外,还对地下水位和河水位以及水体中的CO2浓度进行动态监测,然而地下水中CO2浓度监测有着明显的偏移现象,因此未用来分析.

图1 野外监测点布设示意

监测获得了榆林剖面内河流CO2浓度动态数据、河岸、中坡与上坡土壤CO2浓度动态数据,以及地下水位动态数据与土壤含水量数据,监测频率均为每10min记录一次数据.由于温度显著变化时的数据更具代表性,且考虑到部分时段的数据缺失,因此选择数据较完整的2019-08-01—2020-01-31和2020-09-12—2021-01-11两段时间的数据进行分析.如图2所示,河流CO2浓度在1000´10-6～4000´10-6范围内呈高频小幅度波动;而土壤中的CO2浓度呈高频大幅度波动,存在明显峰值,中坡位置的CO2浓度明显高于河岸与上坡CO2浓度,最高达到16000´10-6左右,最小浓度约500´10-6.2019～2020年时段内监测剖面的CO2浓度总体高于2020～2021年时段.从河流到上坡水位逐渐上升,地下水常年补给河流,水位在0.1～0.6m范围内频繁波动.土壤体积含水率总体较低,在0.03～0.23范围内波动,中坡位置含水率最高.

图2 2019～2020年与2020～2021年河流与土壤CO2浓度曲线图(a,b)､水位动态图(c,d)和含水量曲线图(e,f)

通过研究区CO2浓度的时域分析,可观察到河流与土壤CO2动态存在不同时间尺度的浓度波动,因此本研究使用频谱分析方法将CO2时间序列中不同周期的浓度波动分离,以研究河流与土壤CO2浓度变化特征及其影响因子,并分析不同位置CO2动态的相干性,进一步分析河流CO2主要来源与河流CO2动态的驱动因子.

1.3 研究方法

本次研究采用频谱分析方法,将信号由时域转化到频域进行处理.常见的频谱分析方法是通过傅立叶变换,将信号分解为不同相位与频率的谐波集合,其中的主要频率可与重要的物理或生物地球化学过程的时间尺度相关联,用于分析变量的驱动因素.例如河流CO2浓度时间序列,利用信号的傅立叶变换()将数据由时域转换到频域,方程如下(式1):

式中:是信号的傅立叶表示,是时间, s;是用于定义周期= 2π/(s)的角频率, rad/s.等式(1)表明所分析的时间序列是一组谐波函数叠加形成的结果.因此,时间序列中波动的幅度(即各个谐波函数的幅度)可根据频率分解,并利用功率谱来进行评估:

式(3)可以看作一个非归一化累积分布函数 (CDF),当积分上限2达到时间序列中最长的可能周期max时,该函数值接近时间序列中的总方差.因此,可对总方差进行归一化获得特定周期间隔的相对重要性,从而通过式(4)得出方差的CDF,即().

()的值随着上积分的增加而增加,在2max时达到统一.

总的来说,傅立叶变换和相应的 PSD(式2)和方差的 CDF(式4)是对原始时域信号的替代表示.这两种表示方式揭示了不同的信息,时域表示可提供给定时刻的变量信息,而频域表示则为各种频率分量提供了显著周期的有关信息以及每个周期相关的方差的相对重要性.

虽然傅立叶变换可将信号分解为一组谐波函数并提供与每个周期相关的方差的信息,但无法获取不同频率信号的出现时间,不适合处理非平稳信号.由于现实中观测获得的时间序列基本都为非平稳信号,因此在处理实际问题时,为了解时间序列中方差分布的时间可变性,主要采用两种方法:(i)加窗傅立叶变换,和(ii)小波变换.前者是将时间序列分割为若干个等宽的时间窗口,在每个窗口内分别进行傅立叶变换与PSD评估,但由于其窗口长度固定,无法权衡时间与频率的分析精度,存在一定局限性.本次研究选择连续小波变换进行分析,与傅立叶变换相比,它包含一个可及时移动变换的定位参数,根据信号特征调整所截取时间序列的长度.函数的连续小波变换如下:

式中:为小波的中心频率.基于连续小波变换(式6),两个时间序列之间的相干性可以定义为平方的交叉谱W,根据单个频谱归一化为:

式中:是时间和尺度上的平滑算子.实值小波相干性R提供介于0和1之间的值,并测量局部交叉相关系数作为频率和时间的函数.

本次研究将所选时段内的河流与土壤CO2与水位动态数据进行小波分析,计算河流CO2时间序列的PSD(功率谱密度)与小波方差以获取主要周期并分析河流与河岸带CO2动态变化特征;在此基础上,计算小波相干功率谱,分析CO2动态与影响因子的相关性,并进一步研究河流CO2浓度与河岸､中坡､上坡土壤CO2浓度的相关性,推断河流CO2来源与河流CO2动态的驱动因子,进一步了解水体碳循环过程.

2 结果与讨论

2.1 河流与土壤CO2动态变化特征

2.1.1 CO2时间序列小波方差分布 本次研究将所采集的2019～2020年及2020～2021年的CO2时间序列进行小波分析,以揭示河流与河岸、中坡、上坡位置CO2时空模式.通过小波方差图显示的主周期时间尺度,查明对应周期,以此获得河流与土壤CO2浓度变化特征与控制CO2浓度动态过程的主要时间尺度.

图3 2019～2020年CO2动态小波方差分布图(a)与2019～2020年与2020～2021年CO2动态小波方差分布年际对比图(b,c,d)

由不同时段的小波方差图(图3)可知,所有采样位置的CO2浓度波动方差随时间尺度增加.相较于短周期(<0.5d),中周期(0.5～3d)与中长周期段(3～20d)的方差值波动更为明显,这种波动在河流中表现格外明显,并在0.8d与1.6d时间尺度上波峰最为明显(虚线标注点).根据时间尺度查询相应的小波系数实部确认对应周期分别为0.5d与1d.由此可得:0.5d与1d为CO2浓度波动的主要周期,其中1d周期对应的波峰最为突出(图3),这种强烈的昼夜信号说明了每日CO2动态背后驱动过程的重要性.

根据2019～2020年CO2时间序列的小波方差图(图3a),河流CO2浓度相比于其他位置波动更为显著.观察各位置的年际对比图(图3b～d),2019～2020年时段CO2时间序列的方差在各位置皆大于2020～2021年时段,说明2019～2020年的CO2时间序列具有更高的可变性,推测与该时段更丰富的降水与更大幅度的气温变化有关.同时,2020～2021年河流的方差分布图主要周期的波峰更为突出(图3b),而2019～ 2020年河岸方差分布图上=0.5d对应的波峰明显强于2020～2021年时段(图3c).在短周期(<0.5d)上,近河流土壤CO2浓度的方差皆存在一定阻尼(波动性减弱);而在中长周期(1d<<10d)上,所有位置普遍存在阻尼.

2.1.2 CO2浓度波动的时间定位 通过小波方差分布图仅能了解所选时段内CO2浓度波动的主要周期,无法具体定位不同周期CO2浓度在时间上的强度分布,因此对河流CO2时间序列进行连续小波变换,并绘制小波功率谱(图4)对CO2浓度波动的周期强度进行时间定位,分析CO2动态变化特征在时间上的分布情况.

图4 2019～2020年和2020～2021年河流CO2浓度与水位动态图(a,b),河流CO2动态小波功率谱图(c,d)及降水资料(e,f)

小波功率谱图(c,d)的色带说明周期性强度

观察所选时段内河流CO2浓度与河水水位动态图(图4a,b)发现,河流CO2浓度与水位波动存在一定相关性,随着河水位的增加,CO2呈现下降的趋势,且每次水位波动略早于CO2含量波动,判断二者存在因果关系.结合流域气象条件,发现多数河流CO2波动和水位趋势转折点与流域内降水时间相符(图4e,f),例如在2019年9月初流域发生降雨,同时段河流水位从0.15m骤升至0.35m左右,随后河流CO2浓度迅速从1700´10-6降至1200´10-6左右(图4a,e).由此推测降水是河流水位呈上升趋势的主要原因.由于降水后河流流量增加,流速增快,使CO2的气体交换速率增大,河流中部分CO2逸散到大气中,同时降雨后河流水位的上升一定程度阻碍了地下水向河流的碳迁移,因此导致河流CO2浓度的下降.相反,当没有降水时河流的流量较小,流速较慢,CO2的气体交换率较为稳定,河流的CO2逸散量较少,且地下水对河流的CO2输送量较稳定,使河流CO2浓度有所升高.观察小波功率谱图(图4c,d)可知,2019- 08-01—2020-01-31和2020-09-12—2021-01-11两个时段内都出现了4天至几个月的长周期的大幅度河流CO2浓度波动.从周期强度判断,河流CO2动态的主要周期为0.5d与1d,与方差分布图反映的主要周期相一致,表现出强烈的昼夜信号,推测为温度与光照条件影响下光合作用与呼吸作用共同导致的结果.另外,结合周期强度的时间分布发现,水位的波动会覆盖河流CO2浓度的周期波动,使0.5d与1d的周期强度在功率谱图上的对应时刻存在突变,昼夜信号明显减弱,且突变时刻与流域内强降雨时刻相符,佐证了对于降水导致河流水位运动趋势改变的判断,也反映了水文条件与CO2浓度波动之间的密切联系.

2.2 河流CO2动态与影响因子相干性分析

为认识环境对河流CO2浓度的影响机理,进一步了解影响河流碳过程的驱动因子,使用小波相干谱对河流CO2动态和各影响因子进行相干性分析,量化时频平面上时间序列对之间的互相关性,研究时间模式的相似性[21].筛选出河流水位､气温､水温与太阳辐射作为河流CO2动态的影响因子,选择2019-08-01—2020-01-31时段的数据进行相干性研究(图5).

图5 2019～2020时段河流CO2动态与水位(a),气温(b),水温(c),太阳辐射(d)小波相干谱

小波相干谱的色带说明相干性强弱,箭头表示时间序列之间的相位差,→= 0,↑=/4,←=±/2,↓= -/4

通过相干性分析,观察到河流CO2动态与温度因子存在较为连续的高相干,主要集中在0.5～1d的昼夜尺度上(图5b,c).由于温度本身具有昼夜变化的周期性规律,因此推测温度很大程度上影响着河流碳过程.温度与CO2浓度变化呈明显的正相关性(相位差接近0),这可能反映了温度升高导致水生动植物呼吸作用与微生物分解作用加剧[22],造成CO2浓度升高.观察高相干的时间分布发现,秋冬季节的相干性明显高于夏季(图5b,c),推测是由于夏季温度高且波动较小,缺少长期的变化趋势,因此相干性主要集中在昼夜尺度;秋季开始出现持续性降温,河流内碳过程持续受到降温影响,因此在较大范围的时间尺度上存在高相干性.

另外,太阳辐射与河流CO2浓度的相干性表现与温度相似,但总体相干性较温度因素有所减弱,呈较弱的正相关性(图5d).由于太阳辐射同时影响河流内呼吸作用与光合作用,辐射强度与CO2的正相关性反映了太阳辐射引起温度上升对呼吸作用的促进作用大于其对光合作用的促进作用.

与温度和太阳辐射因素相比,河流水位与CO2浓度的相干性较低,主要表现为负相关(图5a),推测是由于水位升高时流速增大导致河流向大气逸散更多CO2,从而造成CO2浓度下降.虽然当水位条件显著变化时会扰动河流自身代谢规律造成CO2浓度波动,但在水文条件相对稳定时,相干性分析表明水位的小幅波动并未对河流CO2动态起到决定性作用.综上分析,温度是河流CO2动态的主要驱动因子.

2.3 土壤CO2动态与影响因子相干性分析

除河流CO2浓度外,进一步对土壤CO2动态的影响因子进行相干性研究,以研究河流-土壤横断面CO2动态情况.针对土壤CO2动态,选择了水位、温度、土壤含水量与太阳辐射作为可能的影响因子进行相干性分析(图6).在各土壤监测点中,中坡位置的CO2浓度最高,动态特征较为明显,因此选择中坡的数据进行分析研究.

与河流相比,土壤CO2动态与温度的高相干并不明显集中在昼夜尺度上(图6b),在0.25～2d的范围内均分布有明显高相干.CO2浓度与温度信号存在一定相位差,总体呈正相关,推测相位差是由于土壤碳过程对温度响应的滞后性造成的,温度对土壤CO2浓度的影响机理与河流相似,即温度升高促进了土壤内呼吸作用与微生物分解作用,使CO2浓度升高.除此之外,土壤CO2动态与太阳辐射和地下水位因子的相干性也与河流的表现相似,太阳辐射与CO2浓度在昼夜尺度上高相干,而地下水位与土壤CO2浓度呈负相关且相干性有所减弱(图6a,d).

图6 2019～2020时段中坡CO2动态与水位(a),温度(b),土壤含水量(c),太阳辐射(d)小波相干谱

在土壤环境中,含水量也对CO2浓度有所影响,虽然相干性弱于温度与太阳辐射因子,但其影响机理依据环境特征具有更为复杂的表现.研究区土壤采样位置的土壤含水量均较低,选择中坡处CO2浓度与含水量进行分析,发现强烈的正相关性(图6c),即土壤含水量增加,CO2浓度随之升高.由此推测在含水量不高的环境中,含水量的升高促进了土壤呼吸,导致了CO2浓度升高;但当含水量过高抑制土壤中的有氧呼吸时,可能造成CO2浓度的降低.对于土壤CO2动态,除温度因子之外还要将土壤含水量作为主要影响因子考虑在内.

图7 2019～2020年河流与河岸(a,b),河流与中坡(c,d),河岸与中坡(e,f),中坡与上坡(g,h)之间的CO2时间序列及小波相干谱

2.4 河流-土壤横断面CO2时间模式相干性分析

基于对河流与土壤CO2动态的变化特征分析,认为二者存在一定相关性,对河流与土壤多个监测点的CO2动态分别进行相干性分析.由图7a,b可以看出,河流与河岸土壤层中CO2动态的相干性主要集中在昼夜尺度上,表现为正相关性.土壤内部各位置的CO2动态相干性明显升高,且在较大范围的时间尺度内(几个小时至几个月)都分布有高相干(图7f,h),说明CO2在河流附近的土壤环境中具有相似的长期动态过程.土壤CO2动态的这种同步性表明有共同的碳过程(土壤呼吸作用)塑造了地下水中的CO2动态,而高浓度的CO2随着河流与土壤间的渗流过程(土壤水与浅层地下水)释放到河流中.这些结果强调了流域内土壤是河流CO2的重要来源,对河流碳循环过程有重要作用.

与先前分析一致的是,河流与土壤的CO2动态都在昼夜尺度上存在高相干,即二者都受温度与太阳辐射影响,具有昼夜周期的浓度波动.值得注意的是,高相干性的周期波动并不连续,在研究时段上存在中断;而在同时段河流-河岸､河岸-中坡小波相干谱中(图7b,d),中断发生的时间相一致.对比流域内降水资料(图4e)可以发现,许多中断时刻与降水时间相符,推测CO2时间模式的不连续性与流域降水等条件的随机变化有关,反映了流域内水文条件变化对CO2浓度周期波动的影响.

3 结论

3.1 CO2动态具有高度时间变异性,各监测位置上CO2浓度波动存在强烈昼夜周期性变化特征,且该特征在河流CO2浓度变化中尤为显著.这反映了河流内部光合作用与呼吸作用在温度与光照条件影响下控制着CO2动态.

3.2 流域内降水过程对土壤与河流间碳迁移过程存在显著影响.降水造成流量增加,河流流速增快,CO2气体交换率增大,河流CO2逸散量增大,同时河流水位抬升使地下水向河流的CO2输送量减少,由此导致河流CO2浓度降低,这进一步证实了土壤中贮存的CO2为河流的主要碳源.

3.3 河流内呼吸作用强度与温度密切相关,温度为河流CO2主要驱动因子;对土壤CO2而言,除温度外土壤含水量也是影响其浓度的主要驱动因子.

3.4 通过河流与土壤CO2动态间的相干性分析,识别到河流-土壤横断面中CO2长期动态过程的相似性与短期昼夜信号的一致性,展现了河流与土壤间紧密与稳定的水力连通性,强调了地下水在土壤与河流碳迁移过程中起到了关键的运输作用.

[1] Marx A, Dusek J, Jankovec J, et al. A review of CO2and associated carbon dynamics in headwater streams: A global perspective [J]. Reviews of Geophysics, 2017,55:560–585.

[2] Raymond P A, Hartmann J, Lauerwald R, et al. Global carbon dioxide emissions from inland waters [J]. Nature, 2013,503(7476):355–359.

[3] Campeau A, Bishop K, Nilsson M B, et al. Stable carbonisotopes reveal soil-stream DIC linkagesin contrasting headwater catchments [J]. Journal of Geophysical Research: Biogeosciences, 2018,123:149–167.

[4] Aitkenhead J A, Hope D, Billett MF. The relationship between dissolved organic carbon in stream water and soil organic carbon pools at different spatial scales [J]. Hydrological Processes, 1999,13:1289–1302.

[5] Hope D, Billett M F, Milne R. Brown TAW Exports of organic carbon in British rivers [J]. Hydrological Processes, 1997,11:325–344.

[6] Denfeld B A, Wallin M B, Sahlée E, et al. Temporal and spatial carbon dioxide concentration patterns in a small boreal lake in relation to ice-cover dynamics [J]. Boreal Environmental Research, 2015,20: 679–692.

[7] Morales-Pineda M, Cózar A, Laiz I, et al. Daily, biweekly, and seasonal temporal scales of pCO2variability in two stratified Mediterranean reservoirs [J]. Journal of Geophysical Research: Biogeosciences, 2014,119:509–520.

[8] Lynch J K, Beatty C M, Seidel M P, et al. Controls of riverine CO2over an annual cycle determined using direct, high temporal resolutionCO2measurements [J]. Journal of Geophysical Research, 2010,115: G03016.

[9] Crawford J T, Stanley E H, Dornblaser M M, et al. CO2time series patterns in contrasting headwater streams of North America [J]. Aquatic Sciences, 2017,79(3):473–486.

[10] Leith, F I, Dinsmore K J, Wallin M B, et al. Carbon dioxide transport across the hillslope–riparian–stream continuum in a boreal headwater catchment [J]. Biogeosciences, 2015,12:1881–1892.

[11] Bastviken D, Sundgren I, Natchimuthu S, et al. Technical note: Cost-efficient approaches to measure carbon dioxide (CO2) fluxes and concentrations in terrestrial and aquatic environments using mini loggers [J]. Biogeosciences, 2015,12(12):3849–3859.

[12] Johnson M S, Billett M F, Dinsmore K J, et al. Direct and continuous measurement of dissolved carbon dioxide in freshwater aquatic systems—Method and applications [J]. Ecohydrology, 2010,3(1):68-78.

[13] Dinsmore K J, Billett M F, Moore R T. Transfer of carbon dioxide and methane through the soil–water–atmosphere system at Mer Bleue peatland [J]. Canada. Hydrological Processes, 2009,23:330–341.

[14] Dornblaser M, Striegl R. Switching predominance oforganic versus inorganic carbonexports from an intermediate-sizesubarctic watershed [J]. Geophysical Research Letters, 2015,42:386–394.

[15] Kirchner J W, Neal C. Universal fractal scaling in stream chemistry and its implications for solute transport and water quality trend detection [J]. Proceedings of the National Academy of Sciences, 2013, 110(30),12:213–12, 218.

[16] Schmidt S R, Lischeid G, Hintze T, et al. Disentangling limnological processes in the time-frequency domain [J]. Limnology and Oceanography, 2018,64(2):423–440.

[17] Godsey S E, Aas W, Clair T A, et al. Generality of fractal 1/f scaling in catchment tracer time series, and its implications for catchment travel time distributions [J]. Hydrological Processes, 2010,24(12):1660–1671.

[18] 周生辉,刘廷玺,段利民,等.毛乌素沙地海流兔河流域水文地质特征[J]. 中国沙漠, 2021,41(5):103-110.

Zhou S H, Liu T X, Duan L M, et al. Hydrogeological characteristics of Hailiutu River basin in Maowusu desert [J]. Journal of Desert Research, 2021,41(5):103-110.

[19] 赵安周,刘宪锋,朱秀芳,等.2000～2014年黄土高原植被覆盖时空变化特征及其归因[J]. 中国环境科学, 2016,36(5):1568-1578.

Zhao A Z, Liu X F, Zhu X F, et al. Characteristics and attribution of spatiotemporal changes in vegetation cover on the Loess Plateau from 2000 to 2014 [J]. China Environmental Science, 2016,36(5):1568-1578.

[20] Wang C, Xie Y, Liu S, et al. Effects of diffuse groundwater discharge, internal metabolism and carbonate buffering on headwater stream CO2evasion [J]. Science of the Total Environment, 2021,777(1):146230.

[21] Riml J, Campeau A, Bishop K, et al. Spectral decomposition reveals new perspectives on CO2concentration patterns and soil‐stream linkages [J]. Journal of Geophysical Research: Biogeosciences, 2019, 124(10).

[22] 朱怡帆,田泽斌,王丽婧,等.东洞庭湖涨水期水域碳汇特征及其影响因素[J]. 中国环境科学, 2023,43(2):843-853.

Zhu Y F, Tian Z B, Wang L J, et al. Characteristics and influencing factors of carbon sink in East Dongting Lake during flood period [J]. China Environmental Science, 2023,43(2):843-853.

Variation characteristics and correlation of soil and stream carbon dioxide concentrations in a headwater catchment.

LI Jia-qi1,2, JIANG Zhen-jiao3, DAI Xin1,2, WANG Chuan1,2, WU Li-wen4, XIE Yue-qing1,2*

(1.School of Earth Sciences and Engineering, Nanjing University, Nanjing 210023, China；2.Frontiers Science Center for Critical Earth Material Cycling, Nanjing University, Nanjing 210023, China；3.College of New Energy and Environment, Jilin University, Changchun 130026, China；4.The Department of Health and Environmental Sciences, Xi’an Jiaotong-Liverpool University, Suzhou 215123, China)., 2023,43(12)：6667～6676

With the objective to characterize CO2dynamics from soil to streams, and to identify relevant influential factors along with temporal evolution patterns, this study established a high-frequency CO2concentration monitoring transect with four measuring points in a stream and adjacent soil located in the upper reach of the Hailiutu River Basin in Yulin city, Shannxi province. With the spectrum and wavelet analysis, strong diurnal signals with periods of 0.5 and 1d frequencies are identified based on the CO2concentration time series, indicating that the diurnal stream metabolism plays a key role in regulating in-stream CO2dynamics. Additionally, variations in hydrological events, i.e. precipitation in the catchment, may lead to prominent changes in CO2evasion, which has a significant impact on the carbon cycling between stream and soil. Bivariate wavelet coherence analysis reveals that temperature and soil water content directly control stream and soil CO2dynamics, and confirms that soil-stored CO2is the main source of the stream CO2evasion. Further, the results indicate that groundwater is an important pathway for carbon transport from soil to streams.

spectrum analysis；wavelet analysis；headwater streams；coherence；carbon cycle；soil；groundwater；carbon dioxide

X16

A

1000-6923(2023)12-6667-10

李家琪,姜振蛟,戴 鑫,等.河源区土壤与河流二氧化碳浓度变化特征及相关性 [J]. 中国环境科学, 2023,43(12):6667-6676.

Li J Q, Jiang Z J, Dai X, et al. Variation characteristics and correlation of soil and stream carbon dioxide concentrations in a headwater catchment [J]. China Environmental Science, 2023,43(12):6667-6676.

2023-05-15

国家自然科学基金资助项目(41972246,41807185),关键地球物质循环前沿科学中心“科技人才团队”项目,中央高校基本科研业务费专项资金(020614380135)

* 责任作者, 教授, yxie@nju.edu.cn

李家琪(2000-),女,浙江宁波人,南京大学硕士研究生,主要从事水文与水资源方向研究.lijiaqi@smail.nju.edu.cn.