黃淮海平原不同土地利用方式下土壤呼吸空間變異預測

李鍵,薛澄,2,楊揚,謝夢姣,彭正萍,2,王洋,2

(1.河北農業大學資源與環境科學學院/河北省農田生態環境重點實驗室,河北保定 071000;2.河北農業大學國土資源學院,河北保定 071000)

土壤呼吸是全球土壤碳循環的重要組成部分,其空間異質性不僅能指示土壤微生物和理化性質的變化特征,還對估算區域碳收支起到重要作用。地統計學通過空間自相關作用揭示土壤屬性變量的空間異質性,解釋空間格局對生態過程與功能的影響[1]。此外,還能減少取樣的不確定性和降低調查成本,其中普通克里金法已廣泛用于土壤屬性空間異質性研究[2],但其存在插值因子單一、不夠精確的缺點[3]。協同克里金法則根據與主變量之間的邏輯關系和相關性引入多輔助變量,尤其當輔助變量與主變量高度相關時,協同克里金法在減少誤差方面明顯優于普通克里金法[4]。Golden等[5]對鉛污染空間變異研究表明協同克里金法較普通克里金法均方根誤差提高28.97%,王漢東等[6]在三峽區間面雨量插值研究表明協同克里金法較普通克里金法平均絕對誤差提高19.28%,均方根誤差提高10.25%。土壤呼吸具有較強的時空變異性[7],但應用地統計學方法預測土壤呼吸空間變異的研究較少,利用輔助變量提高土壤呼吸空間變異預測精度和有效性的研究僅在耕地進行了有限的探索[8],草地、林地等具有強大碳捕獲潛力的土地利用類型中也亟待進一步開展更多實踐。

基于輔助變量的協同克里金法可提高土壤呼吸預測精度。在不同土地利用方式下,由于植被生長及其主導的凋落物輸入、土壤微生物種群差異造成土壤呼吸的不同,驅動耕地、草地、林地土壤呼吸空間變異的影響因子也存在差異。通常認為,土壤溫度和水分是影響各土地利用方式下土壤呼吸季節變化的主導因子[9],但在空間異質性研究中,它們并不能完全解釋土壤呼吸的空間變化。土壤有機碳可激發微生物的呼吸作用,其空間格局顯著影響土壤呼吸的空間變異特征[10]。另有研究表明,土壤p H 值增加會引起土壤微生物類群改變,影響酶的組成和來源,對土壤呼吸產生顯著改變[11]。此外,土壤N/P 變化,如磷添加措施會導致植被更易獲取土壤磷素而減少植物根系向地下擴展,引起植物根系呼吸的降低[12-13]?？傮w而言,土壤呼吸空間異質性影響因子復雜多樣,為充分解釋土壤呼吸空間變異特征,輔助變量的篩選宜包含土壤溫度、土壤水分、土壤p H 值及指示土壤養分特征的更多相關理化指標。

在本研究中,為探究不同土地利用方式下,土壤呼吸的空間格局以及確定哪些土壤環境指標能夠在一定程度上輔助于土壤呼吸空間異質性的精確預測,選取黃淮海平原北部典型耕地、草地和林地,進行優化布點,采用普通克里金法和基于輔助變量的協同克里金法做插值分析,以探究:(1)不同土地利用方式下土壤呼吸的空間變異特征;(2)與普通克里金法相比,協同克里金法是否可提高土壤呼吸空間變異的預測精度。擬為今后研究不同土地利用方式下的土壤呼吸空間變異特征及精準預測區域碳收支提供數據支撐和理論依據。

1 研究區概況

耕地、草地、林地3種土地利用類型的研究樣區均在河北省邢臺市寧晉縣賈家口鎮域(114°46′—115°15′E,37°24°—37°48′N)范圍內,位于黃淮海平原北部,太行山東麓的沖積平原上(圖1)。研究區地勢低平,屬于暖溫帶大陸性氣候區,年均氣溫約為13℃,年均降水量為450 mm。每年4 月中下旬到10 月上旬為無霜期,霜期160 d左右,研究樣區土壤類型主要為潮土。

圖1 研究區采樣點分布示意圖Fig.1 Distribution diagram of sampling points in the study area

2 材料與方法

2.1 采樣點設計

在耕地、草地和林地分別設置50 m×50 m 的樣方,基于6×6單元規則網格頂點設置規則網格樣點36個(用×表示樣點),輔以完全隨機樣點(用▲表示樣點)和短距離樣點(用+表示樣點)的優化布點方案進行采樣點設計(圖1)。

耕地、草地和林地采樣點總數分別為82 個、83個和79個,其中短距離樣點均為12個。短距離樣點的設置方法為隨機選取1個已布設樣點,設置在隨機方向上與該點距離為δ的點作為短距離樣點[14-15]。公式為:

式中:n為研究區采樣點個數;L為每一個采樣點與其最近采樣點的距離,本研究中δ=4 m。

采樣點密度越大、間距越小,短距離樣點增加到10%時,可提升空間預測精度,有利于預測小尺度范圍內空間異質性和可靠性[14-15]。采用S型多點混合采樣法,取土壤樣品深度為0—20 cm,將土樣充分混勻,然后用四分法從混合后的土壤中留取500 g樣品,除去礫石、根系、生物尸體等影響因素,經風干、研磨之后過篩裝袋保存以待測定。

2.2 測定方法

2.2.1 土壤呼吸 于2018年9月夏玉米成熟期,放置LI8100測量室的PVC環(長10 cm,內徑0.194 m),埋設深度為5 cm,以減少對表層土壤的擾動。測定前24 h剪除環內雜草,選取天氣晴朗的上午,于9:00—11:00采用LI8100進行土壤呼吸速率測定,同時測定5 cm,10 cm土壤溫度和5 cm土壤水分含量。

2.2.2 其他指標 土壤有效磷含量用鉬銻抗比色法測定,土壤速效鉀含量用乙酸銨浸提-火焰光度法測定,土壤全氮含量用凱氏定氮法測定,土壤p H 值用電極電位法測定,土壤有機質含量用重鉻酸鉀-外加熱法測定,土壤有機碳含量根據有土壤有機質含量計算得來。轉化公式為:

式中:SOC為土壤有機碳含量(g/kg);SOM 為土壤有機質含量(g/kg);1.724為van bemmelen因數。

2.3 半方差函數

2.3.1 普通克里金 半方差函數用于研究對象空間相關性,主要是在一維條件下,當采樣點x在一維軸x軸上變化時,區域變量y(h)在點xi和(xi+h)處的值為y(xi)與y(xi+h)差的1/2,定義為區域變量y(x)在x軸上的變異函數,記為y(x,h)。公式為:

式中:h為變程;N(h)為以距離h為間距的實測對數;Z(xi)為樣點xi處實測值。

2.3.2 協同克里金 協克里金法中使用的交叉半變異函數描述屬性的空間變異性[3],傳統的交叉半變異函數只有一個次級變量。公式為:

式中:y1為交叉半變異函數;h為變程;N為給定滯后距離區間(Xi+h)中Z1(Xi)和Z2(Xi)的個數。

基臺值(C0+C)、塊金值(C0)和變程(h)是半方差函數的參數,其中基臺值表示變量在空間上的總變異大小,塊金值表示隨機因素引起的空間變異,變程反映空間變異的范圍[16]。塊金值與基臺值的比值,即C0/(C0+C),為塊金系數。當塊金系數小于25%時,空間相關性最強;其值處于25%～75%,即為空間相關性中等;其值大于75%,則空間相關性較弱。

變異系數(CV)可反映土壤特性的空間變異程度[17]。當CV≤0.1時為弱變異,0.1＜CV＜1時為中等變異,CV≥1時為強變異。

2.4 空間插值方法

2.4.1 普通克里金法 克里金插值是一種基于變差函數理論和結構分析的有限區域內區域變量無偏最優估計方法。公式為:

式中:Z(x0)為位置x0的估計值;z(xi)為位置xi的已知值;λi為與數據相關的權重值。

2.4.2 協同克里金法 協同克里金法是普通克里金法的擴展應用,它利用了多種變量類型,將主變量的自相關和協同變量的互相關聯結合在一起進行無偏最優估計。公式為:

式中:Z1(x0)為x0點的估計值;z1(xi)為初始變量xi的真實值;z2(xi)為同位二級變量xi的真實值;λi為與z1(xi)相關的權重;μi為與z2(xi)相關的權重;n1和n2分別為z1和z2的鄰域個數。

2.5 精度評價

評價指標:平均絕對誤差(MAE)、平均相對誤差(MRE)、均方根誤差(RMSE)和平均標準誤差(MSE)。平均絕對誤差確切地表示偏離真值的實際大小,平均相對誤差反映模擬的可信程度,均方根誤差反映模擬值的靈敏度和極值效應,平均標準誤差表示樣本均值與總體均值的離散程度。誤差越小,效果越好。計算公式如下:

式中:zoi與zpi分別為土壤呼吸的實測值與預測值;n為樣本數量。

2.6 數據處理

應用Microsoft Excel 2010計算均值、標準差,最大(小)值。SPSS 24.0做描述統計,K-S正態分布檢驗。Origin 2021制作相關性圖。GS+(9.0)軟件完成半方差函數模型擬合。ArcGIS 10.7 軟件做空間插值、誤差驗證。

3 結果與分析

3.1 土壤指標統計特征

統計分析表明,耕地、草地和林地土壤呼吸速率的變化范圍依次是1.08～3.54,1.75～6.35,0.50～3.77 μmol/(m3·s)(表1)。耕地、草地和林地土壤呼吸速率均呈現中等程度變異,變異系數依次為33%,24%,31%。

表1 土壤基本指標統計Table 1 Soil basic index statistics

土壤全氮、有效磷和速效鉀含量在耕地,平均值分別為2.18 g/kg,39.59 mg/kg,319.94 mg/kg(表1)。大氣溫度、5 cm 和10 cm 土壤溫度及土壤水分也表現為耕地最高,平均值依次為16.71℃,19.33℃,16.92℃,14%。土壤有機碳含量、p H 值、C/N 值在草地最高,平均值依次為10.99 g/kg,8.21,19.39。N/P和C/P在林地最高,平均值依次為0.09,1.55。3種土地利用方式下,大氣溫度、5 cm 和10 cm 土壤溫度及土壤p H 值均表現為弱變異(僅耕地ST10和林地TEMP除外)。土壤水分、土壤有機碳、土壤養分及其相關化學計量學指標在耕地、草地和林地均呈現中等程度變異,其中變異最大的指標均為N/P,變異系數依次為50%,60%,67%。

3.2 土壤呼吸半方差和交叉變異函數

基于普通克里金法的半方差函數,在耕地和草地中為球面模型,林地中為指數模型(圖2)。耕地和草地土壤呼吸均呈現強空間相關性,塊金系數均小于3%,而林地土壤呼吸則呈現中等程度的空間相關性,塊金系數為40%。土壤呼吸空間相關距離由遠及近依次為林地(15.12 m)、耕地(3.83 m)和草地(2.47 m),這表明在區域范圍內,林地土壤呼吸具有更遠距離的空間相關性。

圖2 土壤呼吸與協同變量的交叉變異函數Fig.2 Cross variogram of soil respiration and covariance variables

基于協同克里金法的研究表明耕地和草地土壤呼吸均為穩定模型,林地則是球狀模型(表2)。土壤呼吸與輔助變量的交叉變異分析表示耕地、草地和林地的土壤呼吸與輔助變量之間都具有強空間相關性。僅耕地土壤中p H 值與土壤呼吸的空間相關性較弱(圖3)。

表2 土壤呼吸插值模型誤差Table 2 Error of soil respiration interpolation model

圖3 土壤呼吸與因子相關性分析Fig.3 Correlation analysis of soil respiration and factors

3.3 土壤呼吸空間分布格局

基于普通克里金與協同克里金插值法預測的土壤呼吸空間分布格局大體保持一致,與普通克里金法相比,協同克里金法插值結果所表達的土壤呼吸空間格局在細節上更加準確、豐富,土壤呼吸高低峰值空間分布更加清晰(圖4)。耕地土壤呼吸均呈現條帶狀,空間格局表現為四周高中部低。草地土壤呼吸空間分布均呈現不規則斑狀,空間格局是以東北—西南為軸的對稱分布。林地土壤呼吸空間分布均呈現明顯的嵌套狀,格局是自西向東逐漸增大。

圖4 土壤呼吸速率空間插值Fig.4 Spatial interpolation of soil respiration rate

3.4 土壤呼吸空間預測精度評估

評估結果表明應用協同克里金法預測土壤呼吸空間變異的精度優于普通克里金法,其在耕地、草地和林地依次平均提升了3.27%,9.98%,7.86%(表2)?；贛AE,MRE,RMSE和MSE的預測精度評估表明,與普通克里金法相比,協同克里金法的土壤呼吸空間變異預測精度在耕地提高1.15%～6.34%,在草地提高9.10%～10.87%,在林地提高4.78%～12.09%(表2)。

4 討論

4.1 不同土地利用方式下土壤呼吸異同

本研究發現,草地土壤呼吸速率較耕地和林地更高,這與前人的研究結果相一致[18-19]。Raich等[20]研究認為草地土壤呼吸速率大于耕地和林地,其指出土壤呼吸速率與不同土地利用方式下植被的差異密切相關,植被能通過影響土壤微生物、土壤有機質、土壤結構和根呼吸來影響土壤呼吸總量。有機物提供異養分解的基質[21],土壤有機碳含量作為環境背景值的重要參數,在一定程度上起到調節土壤呼吸作用。土壤有機碳儲量越大的生態系統,土壤呼吸速率相對越高,因此研究樣區中草地土壤呼吸速率比耕地和林地都更高。

4.2 輔助變量選取

選取輔助變量主要根據相關性和協同克里金模擬效果,輔助變量與土壤呼吸的相關性越大,預測效果越優[7]。耕地、草地和林地土壤呼吸速率均與溫度(ST5,ST10,TEMP)和土壤水分呈現一定相關性(圖3),即土壤呼吸速率隨著溫度或水分的升高而變大,這與前人研究結果相一致[17]。

草地和林地土壤呼吸的輔助變量除共有的土壤水分和5 cm 土壤溫度外,林地的輔助變量還有氣溫,其與林地土壤呼吸呈顯著正相關關系(p＜0.01)。耕地土壤呼吸的最優輔助變量中并未出現土壤溫度和土壤水分指標,而是C/P,N/P和土壤p H 值,這可能與耕地長期施用有機肥、氮磷肥等措施有關,致使磷成為耕地土壤呼吸主導因子。孫寶玉等[13]研究表明施磷改變土壤N/P,土壤p H 值等理化指標,土壤中氮未受限制時,適量磷添加使植被更容易獲取土壤磷素,相應地減少植物根系向地下的擴展,因此施磷引起的土壤N/P降低限制了植物根系呼吸。此外,施磷后凋落物碎屑、根系分泌物等有機碳輸入數量和質量的變化,從而導致C/P 改變,進而影響土壤呼吸[22]。耕地中土壤p H 值提升,通過改變土壤酶空間構象來影響酶催化活性,顯著影響土壤酶對碳底物的分解,來調控土壤呼吸[23]。因此,在耕地中,N/P,C/P和土壤p H 值為土壤呼吸空間變異的輔助變量。

4.3 預測精度評估

基于協同克里金法插值表達的土壤呼吸空間變異優于普通克里金法,可能歸結于輔助變量對土壤呼吸空間變異的解釋作用。與普通克里金法相比,協同克里金法的土壤呼吸預測在草地和林地中的MRE分別提升9.82%,12.09%,這與陽寬達等[24]研究結果相一致。胡丹桂等[25]采用RMSE 作為評價指標,在空氣濕度空間插值研究表明協同克里金法預測精度提升7.66%～20.58%。本研究中,RMSE 提升4.19%～9.10%,與前人研究結果較為一致[25-26]。有研究表明,當主輔變量間的相關性超過0.45時,協同克里金法的預測精度明顯優于普通克里金法[5],能夠表達更為豐富的空間信息。而本研究中沒有指標與土壤呼吸相關系數超過0.45,這可能是沒有前人研究中精度提升那么高的重要原因,這值得進一步探究。

5 結論

(1)不同土地利用方式下土壤呼吸均呈現中等程度變異,平均速率由大到小依次為草地3.96μmol/(m3·s)、林地2.01μmol/(m3·s)和耕地1.97 μmol/(m3·s)。在空間自相關方面,空間相關距離呈現林地＞耕地＞草地,分別為15.12,3.83,2.47 m。

(2)本研究應用協同克里金法模擬土壤呼吸空間變異的最優輔助變量在耕地為C/P,N/P,p H 值,在草地為SM,p H 值,ST5,在林地為TEMP,SM,ST5。與普通克里金法預測相比,引入輔助變量的協同克里金法插值對耕地、草地、林地土壤呼吸空間變異預測精度的提升可達9.98%。因此,以土壤呼吸的影響因子作為輔助變量的協同克里金法可以更準確地預測區域土壤呼吸的空間變異特征。