2023, Vol. 60
2. 土壤生态系统健康与调控福建省高校重点实验室, 福州 350002;
3. 闽南师范大学生物科学与技术学院, 福建漳州 363000;
4. 中国科学院空天信息创新研究院遥感科学国家重点实验室, 北京 100101
2. University Key Lab of Soil Ecosystem Health and Regulation in Fujian, Fuzhou 350002, China;
3. College of Biological Science and Technology, Minnan Normal University, Zhangzhou, Fujian 363000, China;
4. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China
气候变化是当今社会面临的重大挑战，由于人类活动和化石燃料的燃烧，自工业革命以来大气中二氧化碳（CO2）浓度不断升高，据联合国政府间气候变化专门委员会（IPCC）第六次评估报告，2019年大气中CO2浓度年平均含量高达410×10–6，是2000年的1.11倍，并且正在以每年平均0.5%的速度增加，如何通过多种途径减少CO2等温室气体排放量已成为全球关注的热点[1]。有研究表明，约5%的温室气体排放源于农业生产，而秸秆还田能使全球增温潜势（Global Warming Potential，GWP）降低17.9%~19.8%[2]。此外，秸秆还田还有利于土壤团聚体形成，改善土壤结构和提高土壤肥力[3]。因此，明确不同秸秆还田量下农田土壤的“碳汇”贡献对我国合理制定固碳减排措施和实现2060年的碳中和皆具有重要意义。
农田生态系统中碳循环的源、库、流及其反馈机制在人为干扰下会变得非常复杂，大多数因果关系是非线性的，为了描述和预测这一复杂过程，应用生物地球化学模型成为一种重要方法[4]。基于此，我国学者基于目前广泛使用的该类模型对不同秸秆还田量下的碳变化在国家尺度[5-8]和区域尺度[9-11]上做了大量研究。但从目前的研究来看，由于获取详细土壤数据及建立矢量数据库等不易，在省级等大区域尺度上的秸秆还田研究多集中于中小比例尺土壤数据库，而使用1︰5万大比例尺土壤数据库进行有机碳变化的研究较少。很多研究表明，在特定的管理条件下，土壤属性空间异质性是造成有机碳模拟不确定性主要来源，且粗糙的土壤数据可以降低有机碳模拟精度超过360%[12-13]。此外，目前农田生态系统广泛使用的生物地球化学过程模型（如DNDC），大多基于“县”为最小模拟单元，这在一定程度上会导致“县”内不同土壤类型面积权重和属性空间异质性得不到充分反映，从而增加模拟结果的误差[12-13]。因此，有必要在省域等大区域尺度建立大样本实测样点支撑的详细土壤数据库，并基于该数据库划分更精细的土壤有机碳模拟单元，以提高生物地球化学过程模型的模拟精度。我国的秸秆资源量每年大约有1.0×1012 kg，占世界秸秆产量的近25%，但秸秆还田率小于20%，是农田土壤碳库长期处于亏损状态的主要原因[14-15]。亚热带地区作为我国的重要农作物区，不仅秸秆资源种类多，而且产量大，约占全国总量的30%，明确该地区秸秆还田量与土壤“碳汇”之间定量关系是合理制定我国“碳中和”国家战略的重要基础[16]。基于此，本研究以目前农田生态系统广泛使用的DNDC（DeNitrification and DeComposition）模型为工具，选择我国典型亚热带地区—整个福建省84个县（市、区）水田作为研究对象，以2016年15 833个农业农村部耕地地力调查样点数据，1980—2016年气象资料和2016年农业管理措施为基础，采用改进的、充分体现土壤属性空间异质性的1：5万大比例尺土壤图“图斑（polygon）”为最小模拟单元，模拟2017—2053年全省水稻土在传统管理（秸秆还田15%）以及秸秆还田30%、50%和90%下的有机碳变化，系统分析整个研究区、不同行政区和水稻土亚类在各个秸秆还田量措施下的有机碳变化规律，明确秸秆还田量与土壤“碳汇”之间的定量关系，结果可为我国亚热带地区实施合理的固碳减排政策和制定有效的秸秆管理措施提供理论依据。
1 材料与方法 1.1 研究区概况福建省（23°33′-28°20′N，115°50′-120°40′E）位于我国东南沿海，东北与浙江省相连、西南与广东省交界、西北与江西省毗邻，东与台湾海峡相隔（图 1）。气候类型为亚热带海洋性季风气候，年日照时数为1 700~2 300 h，年均气温为15.8~21.7 ℃，年均降水量为1 015~1 923 mm[17]。全省耕地土壤类型以水稻土为主，占耕地总面积的82.63%，因其成土过程和水分移动形式的不同，可划分为淹育水稻土、渗育水稻土、潴育水稻土、潜育水稻土、漂洗水稻土、盐渍水稻土和咸酸水稻土7个亚类[18]。
|
图 1 福建省2016年水稻土采样点分布图 Fig. 1 Distribution map of Paddy Soil Sampling Points in Fujian Province in 2016 |
DNDC模型[19]最早由美国New Hampshire大学Li等建立，主要由气候、植物生长、有机质分解、硝化、反硝化和发酵6个子模型组成。该模型由于运用氧化还原反应和能斯特方程等生物地球化学理论来观察、分析和预测陆地生态系统碳循环，并以日或小时为步长传递信息，进行模拟真实环境条件下植物生长与土壤化学性质间的相互作用。因此，在亚洲、欧洲和美洲等地区的许多国家得到了广泛应用，并逐渐成为全球性模型[20-21]。此外，该模型也经过我国科学家的不断改进和扩充，发展了适用于中国特有农业生态系统的版本，改进后的模型针对土壤有机碳变化进行了大量验证，并在点位和区域尺度上进行了广泛应用[22]。为了更好地保证DNDC模型在福建省水田土壤有机碳研究中的可靠性，本研究以1980年第二次土壤普查1 471个水稻土剖面建立的1︰5万土壤数据库，以及1980—2016年气象资料和农业管理措施为基础，模拟全省水稻土1980—2016年的有机碳动态变化，并将2016年的模拟值与6 880个实测样点数据的均方根误差（RMSE）、平均绝对误差（MAE）、相对误差（E）和皮尔逊相关系数（r）4项统计指标进行比较。相关指标计算公式如下：
| $ {\text{RMSE}} = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{({O_i} - {P_i})}^2}} }}{n}} $ | (1) |
| $ MAE = \frac{1}{n}\sum\limits_{i = 1}^n {ABS({O_i} - {P_i})} $ | (2) |
| $ E = \frac{{100}}{n} \times \sum\limits_{i = 1}^n {\frac{{\mathop v\nolimits_{oi} - \mathop v\nolimits_{pi} }}{{\mathop v\nolimits_{oi} }}} $ | (3) |
| $ r=\frac{\sum\limits_{i=1}^n\left(O_i-\bar{O}\right)\left(P_i-\bar{P}\right)}{\left[\sum\limits_{i=1}^n\left(O_i-\bar{O}\right)^2\right]^{1 / 2}\left[\sum\limits_{i=1}^n\left(P_i-\bar{P}\right)^2\right]^{1 / 2}} $ | (4) |
式中，
本研究使用的福建省1︰5万大比例尺土壤数据库由空间数据库和属性数据库两部分构成。空间数据库是通过数字化1982年第二次土壤普查的全省84个县（市、区）1︰5万土壤图纸质资料建立的，该数据库共有水稻土图斑181 756个。属性数据库由2016年农业农村部耕地地力调查15 833个表层样点建立的（图 1），该数据库包含了DNDC模型所需的大量理化性质（如，质地、有机质含量和pH等）。空间数据和属性数据的融合采用Shi等[24]提出的“PKB（Pedological Knowledge-Based Method）”法；即利用地理信息系统平台，根据土壤类型一致与相似性、土壤成土母质相同或相近、土壤剖面点位置与分布区域一致或邻近等原则，以县（市、区）等行政单元作为基本控制区域，将土壤属性数据库中的每一个样点数据连接到空间数据库中相应的土壤类型图斑单元中。
本研究中的气象数据来自于福建省28个国家气象站，主要包括了1980—2016年逐日最高气温、最低气温和日降雨量等资料，没有气象站点的县基于“就近原则”，采用临近气象站点数据代替，模型运行时每个县所有土壤图的图斑均采用某一个气象站点数据进行模拟[10]。农业管理资料来源于2016年福建省农业统计年鉴，主要包括了肥料折纯量、耕作制度、作物产量数据、家畜数据和农业人口等数据。
容重是衡量土壤理化性质的一个重要指标，本研究中为了计算福建省2016年土壤样点中部分容重缺失的数据，对2018年1982个水田土壤实测点的容重与有机质含量进行了拟合，回归方程为
为定量化未来不同秸秆还田率下福建省水田土壤的有机碳变化，本研究以2016年农田管理措施和1980—2016年气象数据为基础，设置了1个基础管理措施和3种推荐管理措施情景。基础管理措施情景（秸秆还田15%）代表当前福建省耕地实际的秸秆还田情况，3种推荐管理措施情景包括30%、50%以及90%的秸秆还田[23]。秸秆还田率指除作物地上部分收获种子外其余残留物粉碎后回归土壤的比例，在田间管理措施执行中可根据地上部分生物量进行相应30%、50%以及90%比例进行机械粉碎还田[5，25-28]。DNDC模型运行中，在基础管理措施的基础上仅改变秸秆还田比例，然后将各种处理运行37年（2017—2053年），分析秸秆还田率大小对福建省水田土壤固碳潜力的影响。
1.5 数据统计分析不同秸秆还田率下2017—2053年福建省整个地区、不同土壤类型和行政区的面积加权年均有机碳积累速率（dSOC，kg∙hm–2∙a–1）、有机碳变化总量（TSOC，Tg）计算公式如下：
| $ APS = \sum\limits_{i = 1}^n {AP{S_i}} $ | (5) |
| $ AMSC = \sum\limits_{f = 1}^h {AS{C_f}} $ | (6) |
| $ TSOC = \sum\limits_{i = 1}^n {\left( {AP{S_i} \times AMS{C_i}} \right)} $ | (7) |
| $ {\text{dSOC = TSOC/APS/37}} $ | (8) |
式中，APS为研究区水田土壤总面积，hm2；APSi表示土壤数据库中每个图斑面积，hm2；ASCf为每一个图斑年均土壤有机碳变化量，kg∙hm–2∙a–1；AMSCi为每个图斑年均土壤有机碳从2017—2053年的总变化量，kg∙hm–2∙a–1；n代表图斑编号；h为2017—2053年的模拟年份（h=1，2，3，...，37）。
用增加率（%）来表示不同秸秆还田量对福建省水田土壤“碳汇”的贡献，计算公式如下：
| $ y = ({X_s} - {X_0})/{X_0} \times 100 $ | (9) |
式中，y表示增加率（%），Xs表示未来不同秸秆还田率下福建省土壤年均有机碳积累速率dSOC（单位：kg∙hm–2∙a–1）或有机碳变化总量TSOC（单位：Tg）；X0表示传统管理下福建省土壤年均有机碳积累速率或有机碳变化总量。
为了明确各气象和土壤属性因子对不同秸秆还田率下2017—2053年福建省水田土壤固碳速率的影响程度，本研究采用SMICA14.1软件对影响因子进行偏最小二乘回归分析，筛选出重要影响因子，并分析各因子与年均固碳速率的相关性。进一步利用多元逐步回归和偏相关分析定量化各影响因子对不同秸秆还田率下年均固碳速率变异的解释度。
2 结果与讨论 2.1 模型验证图 2为福建省1︰5万土壤数据库下2016年水稻土有机碳模拟值和6 880个采样点分布。统计表明，2016年模拟的土壤有机碳含量变化范围在4.22~29.81 g·kg–1之间，而实测值变化范围在0.35~33.23 g·kg–1之间，模拟值100%在实测值范围内，说明模拟值与实测结果基本相一致（图 2）。进一步分析得土壤有机碳含量实测值与模拟值达到了极显著相关水平（P < 0.01），相关系数为0.41，相对误差E为-8.18%（E < ±10%），说明模拟结果达到可行的标准；此外，平均绝对误差（MAE）和均方根误差（RMSE）分别为4.31 g·kg–1和5.46 g·kg–1，均相对比较小，这说明DNDC模型可以用于福建省水田土壤有机碳的动态演变模拟。
|
图 2 2016年福建省1︰5万土壤数据库下水田土壤有机碳实测点和模拟值空间分布 Fig. 2 Spatial distribution of verification points and simulated SOC values in the 1︰50, 000 soil database of Fujian Province in 2016 |
在目前区域尺度最详细的1︰5万土壤数据库下福建省水稻土有图斑181 756个，面积为180×104 hm2。本研究根据DNDC模型估算出2017—2053年未来37年福建省水田在秸秆还田15%（传统管理）、30%、50%和90%下的土壤固碳总量分别为11.56、20.15、31.90和55.95 Tg，年均固碳速率分别为173、302、478和838 kg·hm–2。与传统管理相比（秸秆还田15%），秸秆还田30%、50%和90%的年均固碳速率增幅分别达到74%、176%和384%（图 3），这与很多学者的“秸秆大量还田能显著提高农田土壤有机碳积累”研究结论相一致[29]。其主要原因是秸秆的大量输入一方面有利于促进黏粒和微团聚体形成土壤大团聚体，有效改善了土壤物理性状，增加了土壤有机碳储存空间[3]；另一方面秸秆也会为微生物提供可利用养分，使得微生物数量增加，微生物在矿化土壤有机质中氮的同时释放了大量的碳，从而提升土壤碳含量[30]。
|
图 3 不同秸秆还田率下2017—2053年福建省水田土壤有机碳密度年变化 Fig. 3 Changes in soil organic carbon density under different straw returning rates in Fujian Province from 2017 to 2053 |
据韩冰等[31]的研究表明我国当前秸秆还田现状下农田土壤固碳约23.89 Tg·a–1，而本研究结果表明在传统管理（秸秆还田15%）、秸秆还田30%、50%和90%下福建省水田土壤年均固碳速率分别为0.31、0.54、0.86和1.51 Tg·a–1，分别是我国当前秸秆还田率下固碳量的1.31%、2.28%、3.61%和6.33%。此外，若对福建省水田土壤实施最大程度的90%秸秆还田管理措施，固碳潜力（1.5 Tg·a–1）相当于逯非等[32]估算的我国稻田在全面推广秸秆还田固碳潜力（10.48 Tg·a–1）的14.31%，是Lal[33]估算实施推荐管理措施下中国农田土壤的固碳潜力（25~37 Tg·a–1）的4%~6%。
从面积统计来看（图 4），传统管理措施下福建省水田土壤的年均固碳速率：< 150、150~300、300~450、450~600、600~750和 > 750 kg∙hm–2的面积，分别占全省水田土壤总面积的43.04%、43.31%、12.10%、1.48%、0.059%和0.0045%。从空间分布来看，传统管理措施下年均固碳速率 < 150 kg·hm–2面积集中分布在福建省的西北地区，150~300 kg·hm–2的面积主要分布在福建省的东南部地区，其余不同固碳速率范围内的水稻土零星分布在中部和南部地区（图 5）。但是在不同秸秆还田量增加下全省水稻土的固碳速率由西北向东南呈指数增加，在秸秆还田率30%下固碳速率主要分布在150~450 kg·hm–2·a–1之间，秸秆还田率50%下固碳速率主要分布在300~600 kg·hm–2·a–1，而在秸秆还田率90%下全省70%的面积固碳速率 > 750 kg·hm–2·a–1，且均集中分布在东南部和内陆地区。
|
图 4 不同秸秆还田率下福建省水田土壤各固碳速率的面积分布 Fig. 4 Area distribution of soil carbon sequestration rates in paddy fields under different straw returning rates in Fujian Province |
|
图 5 不同秸秆还田率下2017—2053年福建省水田土壤年均固碳速率空间分布 Fig. 5 Spatial distribution of annual average carbon sequestration rate under different straw returning rates in Fujian Province from 2017 to 2053 |
总体来看，不同秸秆还田率下福建省水田土壤形成了西北内陆固碳速率低，而东南沿海固碳速率高的分布格局，这主要由于全省西北地区的水稻土黏粒含量较低，而东南沿海地区的初始有机碳含量较低造成的[34]。从图 6可以看出，初始土壤有机碳、容重和黏粒是影响福建省水田土壤年均固碳速率的重要影响因子（VIP > 1），初始土壤有机碳含量与年均固碳速率呈负相关，而容重和黏粒与年均固碳速率呈正相关。进一步通过逐步回归分析得到，不同秸秆还田率下初始有机碳和黏粒含量对土壤固碳速
|
注：1有机碳Initial SOC；2容重Bulk density；3黏粒Clay；4有机肥Manure；5降雨Precipitation；6温度Temperature；7氮肥N-fertilizer；8 pH 图 6 重要影响因子对年均土壤有机碳变化的变量投影重要性VIP（a）和相关系数（b） Fig. 6 Variable Projection Importance(VIP)(a)and Regression Coefficient(R)(b)of important influencing factors on the change of annual average soil organic carbon |
率的解释度分别达到18.8%~38.3%和21.7%~30.5%之间，这主要是因为前者含量越高，土壤越接近碳饱和水平，这也会导致在后期的秸秆等外源碳加入下土壤固碳速率降低；而后者有利于形成土壤有机-无机复合体，从而有利于土壤固碳[35-37]。此外，福建省是由中、西两列大山带构成的，地形抬升使得中部和西部地区温度较低，降水量较大；而东部及东南沿海地区受副热带高压的影响，温度较高，降雨量较小[17]。根据偏相关分析可以得出，不同秸秆还田率下温度和降雨对年均固碳速率的解释介于8.4%~49%，且随着秸秆还田率的增大，温度对年均固碳速率的解释高于降雨。很多研究表明，土壤中有机碳的分解速率与年均降水量呈正比，而与年均温呈反比，与本研究的结果相一致，主要的原因是降雨量的增大会提高土壤含水量，进而降低土壤孔隙度，这会导致氧气传输受阻而影响微生物的活性，不利于有机碳的分解，而温度的升高反而会增强微生物活性使得土壤中的有机碳被快速分解[38]。
2.3 不同秸秆还田率下福建省水稻土亚类的碳汇贡献不同秸秆还田率下2017—2053年福建省水田土壤各亚类均呈现“碳汇”效应（图 7）。其中，咸酸水稻土和盐渍水稻土在4种秸秆还田处理下年均固碳速率均最高，介于220~920 kg·hm–2之间，这主要由于二者的黏粒含量均高于全省平均水平，分别达到29%和18%（表 1）。逐步回归分析表明黏粒含量对福建省盐渍水稻土年均固碳速率的解释度高达33.7%~52.8%，高的黏粒有利于形成土壤有机-无机复合体，从而增加了土壤的碳积累[39]。此外，福建省盐渍水稻土的初始有机碳含量也较低，为13.26 g·kg–1，而年均有机肥施用量却较高，达到47 kg·hm–2（以N计）。偏最小二乘回归分析表明（图 6），有机肥也是影响福建省水田土壤年均固碳速率的重要因子，很多研究表明，有机肥的施用可迅速提高土壤碳含量，且效应持久[40]。相对而言，潜育水稻土和淹育水稻土在4种秸秆还田率下的年均固碳速率较低，介于140~842 kg·hm–2之间，前者主要分布在冲积平原的低洼地区，土体经常处于水饱和状态，有机质在嫌气状态下分解速率较为缓慢，导致该亚类的初始土壤有机碳含量高于全省平均水平，这也导致未来的农业管理中易分解有机碳；后者主要分布于沿海丘陵台地，土壤的黏粒含量远低于全省平均水平，仅为9%，低的黏粒含量也不利于未来农业管理中的土壤固碳。其他土壤亚类在不同秸秆还田率下的年均固碳速率均低于全省平均水平，介于158~857 kg·hm–2之间；其中，渗育水稻土多分布在沿海台地、丘陵山区及河谷两侧，潴育水稻土多分布于平原和盆地等交通便利的地区，二者土壤熟化程度均较高，耕作历史悠久，农业投入量大，年均氮肥均超过280 kg·hm–2（以N计），导致初始有机碳含量均高于15 g·kg–1，不利于后期固碳，而漂洗水稻土的黏粒含量相对其他水稻土亚类较低，为17%，也不利于固碳[41- 42]。
|
注：1漂洗型水稻土Bleached paddy soils；2潜育型水稻土Gleyed paddy soils；3渗育型水稻土Percogenic paddy soils；4咸酸型水稻土Acid sulfate paddy soils；5淹育型水稻土Submergenic paddy soils；6盐渍型水稻土Salinized paddy soils；7潴育型水稻土Hydromorphic paddy soils 图 7 不同秸秆还田率下水稻土亚类的固碳速率和固碳总量 Fig. 7 Carbon sequestration rates(kg·hm–2·a–1)and total carbon sequestration(Tg)of paddy soil subgroups under different straw returning rates |
|
表 1 福建省整个地区、各个水稻土亚类及行政单元的初始土壤属性、气候因子和施肥量 Table 1 Distribution of initial soil properties, climate factors and fertilizer application rates for the whole region, different subgroups and administrative units |
从固碳速率变化来看（图 7），不同秸秆处理下福建省各水稻土亚类的固碳能力差异很大。其中，潜育水稻土和淹育水稻土在不同秸秆处理下的固碳速率增幅最大，分别介于94%~490%和84%~428%之间。很多研究表明，土壤中的碳积累存在一个最大饱和容量，初始有机碳含量越高，其后期固碳速率越小，该土壤更易接近碳饱和水平[43]。潜育水稻土虽然初始有机碳含量在所有亚类中基本是最高的，达到16.77 g·kg–1，理论增幅较小，但由于该亚类常年处于淹水状态，有机物质在嫌气状态下分解速率缓慢，所以在外源秸秆加入下，固碳能力更大。淹育水稻土由于初始有机碳含量低于其他亚类，为12.21 g·kg–1，故在外源秸秆加入下，固碳能力也较大。相对而言，咸酸水稻土和盐渍水稻土在不同秸秆还田处理下的固碳速率增幅最低，分别介于65%~319%和52%~262%之间，这主要由于二者的黏粒含量均较高，分别达到29%和18%。土壤的黏粒会影响外源有机物质及其转化产物的分解速率，通常情况下，土壤中有机碳的蓄积量与黏粒含量呈正比，所以高的秸秆还田量和黏粒含量双重影响下这两个亚类土壤有机碳更易接近碳饱和水平，固碳能力较小。
从福建省不同水稻土亚类的“碳汇”贡献来看（图 7），咸酸水稻土和盐渍水稻土虽然是全省固碳速率最高的两个亚类，但因两者总面积仅为8.46× 104 hm2，仅占研究区水稻土总面积的4.69%，导致这两个亚类在4种秸秆还田率下的固碳总量较小，合计约占研究区总固碳量的6%。相对而言，渗育水稻土和潴育水稻土虽然在不同秸秆还田率下固碳速率低于咸酸水稻土和盐渍水稻土，但因两者总面积高达147.33×104 hm2，占研究区总面积的81.66%，4种处理下的固碳总量合计介于9.45~45.52 Tg之间，约占研究区总固碳量的81%。此外，漂洗水稻土尽管固碳速率也较高，但因其面积仅为2.40×104 hm2，不同秸秆还田率下对全省的“碳汇”贡献率约为1.3%；而潜育水稻土和淹育水稻土不仅固碳速率较低，而且两者总面积仅为22.21×104 hm2，不同秸秆还田率下对全省的“碳汇”贡献率约为11%。总体来看，福建省水稻土的固碳总量受固碳速率和分布面积大小共同控制。因此，在今后的全省农业碳中和管理中应重点考虑渗育水稻土和潴育水稻土亚类土壤的秸秆还田措施实施，以有效增加土壤“碳汇”是非常重要的。
2.4 不同秸秆还田率下福建省各行政区水稻土的碳汇贡献福建省不同地级市水稻土在各个秸秆还田率处理下的固碳速率和总量差异也很大（表 2）。其中，龙岩、泉州和莆田3个地级市在4种秸秆还田处理下年均固碳速率均较大，介于202~937 kg·hm–2之间。从表 1可以进一步看出，龙岩、泉州和莆田3个地级市的农业投入也很大，年均有机肥施用量均超过55 kg·hm–2，远高于全省平均水平（40 kg·hm–2）；此外，龙岩市由于背靠武夷山脉，年均温较低（20.9 ℃），而年均降雨量较大（1 648 mm），低温多雨的条件也有利于固碳。相对而言，南平和三明2个地级市在4种秸秆还田处理下的年均固碳速率均较小，介于110~811 kg·hm–2之间，这主要是由于二者初始有机碳含量分别达到16.71和17.30 g·kg–1，均高于全省平均水平（15.72 g·kg–1），而年均有机肥施入量分别为22和27 kg·hm–2，远低于全省平均水平（40 kg·hm–2），不利于土壤固碳。
|
|
表 2 不同秸秆还田率下各地级市水田土壤的固碳速率和固碳总量 Table 2 Carbon sequestration rates(kg∙hm–2∙a–1)and total carbon sequestration(Tg)of paddy soil in each prefecture-level city under different straw returning rates |
从表 2可以看出，福州、漳州、宁德3个地级市和厦门1个副省级市的水稻土在4种秸秆还田处理下年均固碳速率也相对较小，介于162~928 kg·hm–2之间。其中，福州市、漳州市和厦门市地处沿海地区，属于南亚热带海洋性季风气候，年均温高于全省平均温度（20.3 ℃），而年均降雨量低于全省平均水平（1 596 mm），高温少雨的气候条件加速了土壤中有机碳的矿化[44]；而宁德市对农业重视度相对较低，年均氮肥和有机肥施用量分别仅为246和25 kg·hm–2，低于全省平均水平（285和40 kg·hm–2），也不利于土壤固碳（表 1）。
从4种秸秆还田率处理下福建省不同行政区水稻土固碳速率变化来看（表 2），由于受土壤属性、气候和施肥等不同，各行政区固碳能力差异很大。其中，宁德市水稻土尽管在传统管理下的固碳速率较低，但随着秸秆还田率的增加，年均固碳速率提升很快，当秸秆还田90%时年均固碳速率在全省9个地级市中排第2，单位面积固碳能力最大，这主要是因为该市的年均降雨量很高，达到1 719 mm，而年均温度却是所有地级市中最低的，仅为17.6 ℃，较高的降雨量和较低的温度均不利于土壤有机碳的分解，使得外源有机质加入时土壤快速固碳。从4种秸秆还田处理下福建省不同行政区水稻土固碳总量变化来看（表 2），南平和三明2个地级市在各个处理下的固碳总量增幅最大，分别介于109%~578%和120%~636%，主要原因是这两市年均有机肥施入量在所有地级市中最小，分别为22 kg·hm–2和27 kg·hm–2，有利于后期秸秆还田下激发固碳效应[45]。
从表 2可以看出，不同秸秆还田率下福建省各行政区水稻土的“碳汇”贡献受面积和固碳速率共同控制。其中，龙岩、泉州和漳州3个地级市在4种秸秆还田处理下对全省水稻土的“碳汇”贡献最大，固碳总量合计约占全省的45%。龙岩、泉州2个地级市的水稻土面积合计44.75×104 hm2，占全省水稻土总面积的24.8%，固碳速率分别在202~839 kg·hm–2·a–1和246~937 kg·hm–2·a–1之间，较大的面积和较高的固碳速率导致这两个地级市的固碳总量合计介于3.73~14.76 Tg之间，约占全省水稻土固碳总量的29%。漳州市虽然年均固碳速率相对较低，但水稻土面积占全省总面积的16.45%，导致其固碳总量也相对较大，不同秸秆还田处理下介于1.96~8.60 Tg之间，约占全省水稻土固碳总量的16%。此外，南平和三明2个地级市虽然年均固碳速率较低，但其水稻土面积在全省分布也较广，二者合计占全省水稻土总面积的32%，不同秸秆还田处理下的固碳总量合计介于2.39~16.84 Tg之间，约占全省水稻土固碳总量的26%。其他行政区水稻土在不同秸秆还田处理下的固碳总量均较小，合计介于3.47~15.75 Tg之间，约占全省固碳总量的28%。
2.5 不确定性分析本研究尽管使用了目前福建省最详细的1：5万大比例尺土壤数据库和15 000多个实测样点数据对不同秸秆还田率下的水稻土固碳速率及总量进行了估算，但由于目前可获取数据的局限性，模拟结果主要存在以下3个方面的不确定性：第一，本研究虽然采用改进的、能充分体现成土过程和土壤属性空间异质性的土壤图“图斑”代替常用“县”为最小模拟单元的DNDC模型模拟，但由于逐年氮肥和有机肥施用量等农业资料均以目前区域尺度可获取、最详细的“县”为控制单元，一定程度上忽略了“县内”的空间异质性。第二，本次研究采用1980—2016年气象数据代替未来2017—2053年进行模型驱动，但由于未来气候变化的复杂性，未考虑极端气候事件等对土壤固碳的影响。第三，随着福建省经济的快速发展，2017—2053年全省土地利用方式变化势必引起水稻土面积再分布，但由于未来土地利用方式的转换存在很大不确定性，本研究未考虑其对土壤固碳的影响，也会一定程度上增加模拟结果的误差。因此，今后需注重收集多期土地利用遥感数据，对农业管理数据库进行完善，以提高模型预测的准确度。
3 结论本研究利用福建省目前详细的1︰5万大比例尺土壤数据库和农业生态广泛使用的DNDC模型，模拟了不同秸秆还田率下全省水稻土未来的有机碳动态变化。结果表明，2017—2053年传统管理（秸秆还田15%）、秸秆还田30%、50%和90%下全省水稻土的年均固碳速率分别为173、302、478和838 kg·hm–2，固碳总量分别为11.56、20.15、31.90和55.95 Tg。不同水稻土亚类中，渗育和潴育水稻土对全省水田的“碳汇”贡献最大，超过80%。从不同行政区来看，全省水稻土约45%的“碳汇”贡献来源于龙岩、泉州和漳州3个地级市。本研究结果较好地反映了土壤属性、肥料、气候因子等综合作用下的福建省各地级市和不同土壤类型固碳潜力差异性，尤其土壤有机碳含量越低而黏粒含量越高的情况下固碳速率越高；此外，本研究中秸秆还田率增加至90%下土壤固碳量仍在持续增加，这主要与该省的土壤有机质本底值相对较低有关。总体而言，秸秆还田比率提升对福建省水田土壤的“碳汇”贡献很大，但不同秸秆还田率下各个水稻土亚类和行政区受土壤属性、气候和施肥等的影响，固碳能力差异很大，今后应针对性制定不同土壤类型和行政单元的“碳中和”农业管理措施。
| [1] |
IPCC. Climate change 2021-The physical science basis[J]. Chemistry International, 2021, 43(4): 22-23. DOI:10.1515/ci-2021-0407
(  0) |
| [2] |
Ma L J, Kong F X, Lü X B, et al. Responses of greenhouse gas emissions to different straw management methods with the same amount of carbon input in cotton field[J]. Soil and Tillage Research, 2021, 213: 105126. DOI:10.1016/j.still.2021.105126
( 0) |
| [3] |
Dong J X, Cong P, Liu N, et al. Effects of deep straw incorporation on subsoil physical properties and aggregate distribution in black soil (In Chinese)[J]. Acta Pedologica Sinica, 2021, 58(4): 921-934. [董建新, 丛萍, 刘娜, 等. 秸秆深还对黑土亚耕层土壤物理性状及团聚体分布特征的影响[J]. 土壤学报, 2021, 58(4): 921-934.]
( 0) |
| [4] |
Long J, Mao Y L, Zhang L M, et al. Advances of soil organic carbon model in farmland ecosystem (In Chinese)[J]. Chinese Agricultural Science Bulletin, 2012, 28(5): 232-239. [龙军, 毛艳玲, 张黎明, 等. 农田土壤有机碳演变模型的研究进展[J]. 中国农学通报, 2012, 28(5): 232-239.]
( 0) |
| [5] |
Tang H J, Qiu J J, van Ranst E, et al. Estimations of soil organic carbon storage in cropland of China based on DNDC model[J]. Geoderma, 2006, 134(1/2): 200-206.
( 0) |
| [6] |
Zhang F, Wang Z, Glidden S, et al. Changes in the soil organic carbon balance on China's cropland during the last two decades of the 20th century[J]. Scientific Reports, 2017, 7: 7144. DOI:10.1038/s41598-017-07237-1
( 0) |
| [7] |
Chen J H, Wang S Q, Florian K, et al. Spatial analysis of the soil carbon sequestration potential of crop-residue return in China based on model simulation[J]. Journal of Resources and Ecology, 2019, 10(2): 184. DOI:10.5814/j.issn.1674-764x.2019.02.009
( 0) |
| [8] |
Deng X Z, Han J Z, Wang X B, et al. Effect of no-tillage and crop residue return on soil organic carbon dynamics of cropland in China (In Chinese)[J]. Soil and Fertilizer Sciences in China, 2010(6): 22-28. [邓祥征, 韩健智, 王小彬, 等. 免耕与秸秆还田对中国农田土壤有机碳贮量变化的影响[J]. 中国土壤与肥料, 2010(6): 22-28.]
( 0) |
| [9] |
Liu Q, Sun B, Xie X L, et al. The spatial-temporal dynamic change and simulation of County-scale paddy soil organic carbon in red soil hilly region (In Chinese)[J]. Acta Pedologica Sinica, 2009, 46(6): 1059-1067. [刘清, 孙波, 解宪丽, 等. 县域尺度红壤丘陵区水稻土有机碳模拟[J]. 土壤学报, 2009, 46(6): 1059-1067.]
( 0) |
| [10] |
Xu S X, Shi X Z, Zhao Y C, et al. Simulation of carbon sequestration potential from paddy fields in Jiangsu Province under different tillage practices (In Chinese)[J]. Soils, 2012, 44(2): 253-259. DOI:10.13758/j.cnki.tr.2012.02.010 [徐胜祥, 史学正, 赵永存, 等. 不同耕作措施下江苏省稻田土壤固碳潜力的模拟研究[J]. 土壤, 2012, 44(2): 253-259.]
( 0) |
| [11] |
Lin F Y, Wu Y J, Wang S Q, et al. Simulation and prediction of straw return on soil carbon sequestration potential of cropland in Jiangxi Province (In Chinese)[J]. Journal of Natural Resources, 2013, 28(6): 981-993. [林飞燕, 吴宜进, 王绍强, 等. 秸秆还田对江西农田土壤固碳影响的模拟分析[J]. 自然资源学报, 2013, 28(6): 981-993.]
( 0) |
| [12] |
Zhang L M, Yu D S, Shi X Z, et al. Effects of soil data and simulation unit resolution on quantifying changes of soil organic carbon at regional scale with a biogeochemical process model[J]. PLoS One, 2014, 9(2): e88622. DOI:10.1371/journal.pone.0088622
( 0) |
| [13] |
Zhang L M, Yu D S, Shi X Z, et al. Simulation of methane emissions from rice fields in the Taihu Lake region, China by using different unit of soil database with the DNDC model (In Chinese)[J]. Environmental Science, 2009, 30(8): 2185-2192. DOI:10.3321/j.issn:0250-3301.2009.08.001 [张黎明, 于东升, 史学正, 等. 基于不同土壤数据单元法的DNDC模型对太湖地区水稻土CH4排放模拟研究[J]. 环境科学, 2009, 30(8): 2185-2192.]
( 0) |
| [14] |
Chen Y F, Xia X G, Yang L, et al. Straw return is the realistic way of straw resource utilization (In Chinese)[J]. Soil and Fertilizer Sciences in China, 2020(6): 299-307. [陈云峰, 夏贤格, 杨利, 等. 秸秆还田是秸秆资源化利用的现实途径[J]. 中国土壤与肥料, 2020(6): 299-307.]
( 0) |
| [15] |
Li C S. Loss of soil carbon threatens Chinese agriculture: A comparison on agroecosystem carbon pool in China and the US (In Chinese)[J]. Quaternary Sciences, 2000, 20(4): 345-350. [李长生. 土壤碳储量减少: 中国农业之隐患──中美农业生态系统碳循环对比研究[J]. 第四纪研究, 2000, 20(4): 345-350.]
( 0) |
| [16] |
Huang G Q, Li W H. Environmental pollution of agriculture in mid-subtropical regions in China (In Chinese)[J]. Acta Agriculturae Jiangxi, 2006, 18(5): 145-150. [黄国勤, 李文华. 中国中亚热带地区的农业环境污染[J]. 江西农业学报, 2006, 18(5): 145-150.]
( 0) |
| [17] |
Jiao S S, Zhang L M, Jiang W, et al. Analysis of dynamics of deposit of total nitrogen in farmland of Fujian Province based on 1∶50 000 soil database (In Chinese)[J]. Acta Pedologica Sinica, 2016, 53(5): 1107-1119. [焦闪闪, 张黎明, 蒋威, 等. 基于1∶5万土壤数据库的福建省耕地全氮储量动态变化研究[J]. 土壤学报, 2016, 53(5): 1107-1119.]
( 0) |
| [18] |
Long J, Zhang L M, Mao Y L, et al. Study on the difference of contributions made by various cropland soil and land use types to carbon source/sink in Fujian Province, China (In Chinese)[J]. Acta Pedologica Sinica, 2013, 50(4): 664-674. [龙军, 张黎明, 毛艳玲, 等. 福建省不同耕地土壤和土地利用类型对"碳源/汇"的贡献差异研究[J]. 土壤学报, 2013, 50(4): 664-674.]
( 0) |
| [19] |
Li C S. Modeling terrestrial ecosystems (In Chinese)[J]. Complex Systems and Complexity Science, 2004, 1(1): 49-57. [李长生. 陆地生态系统的模型模拟[J]. 复杂系统与复杂性科学, 2004, 1(1): 49-57.]
( 0) |
| [20] |
Hastings A F, Wattenbach M, Eugster W, et al. Uncertainty propagation in soil greenhouse gas emission models: An experiment using the DNDC model and at the Oensingen cropland site[J]. Agriculture, Ecosystems & Environment, 2010, 136(1/2): 97-110.
( 0) |
| [21] |
Syp A, Faber A, Walker M B. Simulation of soil organic carbon in long-term experiments in Poland using the DNDC model[J]. Journal of Food, Agriculture and Environment, 2012, 10(3/4): 1224-1229.
( 0) |
| [22] |
Xie H K, Jiang Y Q, Li H, et al. Modification and application of the DNDC model in China (In Chinese)[J]. Chinese Journal of Applied Ecology, 2017, 28(8): 2760-2770. [谢海宽, 江雨倩, 李虎, 等. DNDC模型在中国的改进及其应用进展[J]. 应用生态学报, 2017, 28(8): 2760-2770.]
( 0) |
| [23] |
Zhang L M, Zheng Q F, Liu Y L, et al. Combined effects of temperature and precipitation on soil organic carbon changes in the uplands of Eastern China[J]. Geoderma, 2019, 337: 1105-1115.
( 0) |
| [24] |
Shi X Z, Yu D S, Warner E D, et al. Cross-reference system for translating between genetic soil classification of China and soil taxonomy[J]. Soil Science Society of America Journal, 2006, 70(1): 78-83.
( 0) |
| [25] |
Xu S X, Shi X Z, Zhao Y C, et al. Carbon sequestration potential of recommended management practices for paddy soils of China, 1980-2050[J]. Geoderma, 2011, 166(1): 206-213.
( 0) |
| [26] |
Zhang L M, Wang G X, Zheng Q F, et al. Quantifying the impacts of agricultural management and climate change on soil organic carbon changes in the uplands of Eastern China[J]. Soil and Tillage Research, 2017, 174: 81-91.
( 0) |
| [27] |
Chen Z, Wang J, Deng N R, et al. Modeling the effects of farming management practices on soil organic carbon stock at a County-regional scale[J]. Catena, 2018, 160: 76-89.
( 0) |
| [28] |
Zhang Y J, Niu H S. The development of the DNDC plant growth sub-model and the application of DNDC in agriculture: A review[J]. Agriculture, Ecosystems & Environment, 2016, 230: 271-282.
( 0) |
| [29] |
Gao H J, Peng C, Zhang X Z, et al. Effects of corn straw returning amounts on carbon sequestration efficiency and organic carbon change of soil and aggregate in the black soil area (In Chinese)[J]. Scientia Agricultura Sinica, 2020, 53(22): 4613-4622. [高洪军, 彭畅, 张秀芝, 等. 秸秆还田量对黑土区土壤及团聚体有机碳变化特征和固碳效率的影响[J]. 中国农业科学, 2020, 53(22): 4613-4622.]
( 0) |
| [30] |
Zhang Y Y, Mo F, Han J, et al. Research progress on the native soil carbon priming after straw addition (In Chinese)[J]. Acta Pedologica Sinica, 2021, 58(6): 1381-1392. [张叶叶, 莫非, 韩娟, 等. 秸秆还田下土壤有机质激发效应研究进展[J]. 土壤学报, 2021, 58(6): 1381-1392.]
( 0) |
| [31] |
Han B, Wang X K, Lu F, et al. Soil carbon sequestration and its potential by cropland ecosystems in China (In Chinese)[J]. Acta Ecologica Sinica, 2008, 28(2): 612-619. [韩冰, 王效科, 逯非, 等. 中国农田土壤生态系统固碳现状和潜力[J]. 生态学报, 2008, 28(2): 612-619.]
( 0) |
| [32] |
Lu F, Wang X K, Han B, et al. Straw return to rice paddy: Soil carbon sequestration and increased methane emission (In Chinese)[J]. Chinese Journal of Applied Ecology, 2010, 21(1): 99-108. [逯非, 王效科, 韩冰, 等. 稻田秸秆还田: 土壤固碳与甲烷增排[J]. 应用生态学报, 2010, 21(1): 99-108.]
( 0) |
| [33] |
Lal R. Offsetting China's CO2Emissions by soil carbon sequestration[J]. Climatic Change, 2004, 65(3): 263-275.
( 0) |
| [34] |
Wang W J. Reserve estimation, spatiotemporal distribution and its influencing factors of soil organic carbon in Fujian Province, China (In Chinese)[J]. Geoscience, 2019, 33(6): 1295-1305. [王文俊. 福建省土壤有机碳储量估算、时空分布特征及其影响因素[J]. 现代地质, 2019, 33(6): 1295-1305.]
( 0) |
| [35] |
Wang G C, Li T T, Zhang W, et al. Impacts of agricultural management and climate change on future soil organic carbon dynamics in North China plain[J]. PLoS One, 2014, 9(4): e94827.
( 0) |
| [36] |
Wang G X, Zhang L M, Zhuang Q L, et al. Quantification of the soil organic carbon balance in the Tai-Lake paddy soils of China[J]. Soil and Tillage Research, 2016, 155: 95-106.
( 0) |
| [37] |
McConkey B G, Liang B C, Campbell C A, et al. Crop rotation and tillage impact on carbon sequestration in Canadian prairie soils[J]. Soil and Tillage Research, 2003, 74(1): 81-90.
( 0) |
| [38] |
Mondini C, Coleman K, Whitmore A P. Spatially explicit modelling of changes in soil organic C in agricultural soils in Italy, 2001-2100: Potential for compost amendment[J]. Agriculture, Ecosystems & Environment, 2012, 153: 24-32.
( 0) |
| [39] |
Wu S R, Wei J, Qiu L X, et al. Study of soil organic carbon sequestration rate and potential of farmland soil in Fujian Province based on the large scale soil database (In Chinese)[J]. Acta Pedologica Sinica, 2022, 59(5). DOI:10.11766/trxb202012040671 [吴世蓉, 位佳, 邱龙霞, 等. 基于大比例尺数据库的福建省耕地土壤固碳速率和潜力研究[J]. 土壤学报, 2022, 59(5).]
( 0) |
| [40] |
Jiang Y, Zhuang Q L, Liang W J. Soil organic carbon pool and its affecting factors in farmland ecosystem (In Chinese)[J]. Chinese Journal of Ecology, 2007, 26(2): 278-285. [姜勇, 庄秋丽, 梁文举. 农田生态系统土壤有机碳库及其影响因子[J]. 生态学杂志, 2007, 26(2): 278-285.]
( 0) |
| [41] |
Zhao G, Bryan B A, King D, et al. Impact of agricultural management practices on soil organic carbon: Simulation of Australian wheat systems[J]. Global Change Biology, 2013, 19(5): 1585-1597.
( 0) |
| [42] |
Wang G X, Zhang L M, Li X D, et al. Study of soil organic carbon sequestration rate and potential of upland in northern Jiangsu Province based on high-resolution soil database (In Chinese)[J]. Ecology and Environmental Sciences, 2016, 25(3): 422-431. [王光翔, 张黎明, 李晓迪, 等. 基于高精度土壤数据库的苏北旱地固碳速率和潜力研究[J]. 生态环境学报, 2016, 25(3): 422-431.]
( 0) |
| [43] |
Qin X B, Wang H, Li Y E, et al. A long-term sensitivity analysis of the denitrification and decomposition model[J]. Environmental Modelling & Software, 2013, 43: 26-36.
( 0) |
| [44] |
Zhang L M, Zhuang Q L, Li X D, et al. Carbon sequestration in the uplands of Eastern China: An analysis with high-resolution model simulations[J]. Soil and Tillage Research, 2016, 158: 165-176.
( 0) |
| [45] |
Wang L G, Li H, Qiu J J, et al. Modelling soil organic carbon dynamics in the major agricultural regions of China (In Chinese)[J]. Soil and Fertilizer Sciences in China, 2010(6): 29-37. [王立刚, 李虎, 邱建军, 等. 田间管理措施对土壤有机碳含量影响的模拟研究[J]. 中国土壤与肥料, 2010(6): 29-37.]
( 0) |