李 亞, 張黎明, 陳瀚閱**, 袁玉琦, 邢世和

?

基于Landsat遙感影像和1∶50 000土壤數據庫的福州市耕地有機碳動態(tài)變化研究*

李 亞1,2, 張黎明1,2, 陳瀚閱1,2**, 袁玉琦1,2, 邢世和2

(1. 福建農林大學資源與環(huán)境學院 福州 350002; 2. 土壤生態(tài)系統(tǒng)健康與調控福建省高校重點實驗室 福州 350002)

耕地土壤碳庫是全球碳庫中最為活躍的部分, 其變化對全球氣候變化產生重要影響。目前對耕地土壤有機碳估算多采用中、小系列比例尺的土壤數據庫, 較少結合遙感影像與大比例尺土壤數據庫進行估算?；诖? 本研究采用Landsat遙感影像和1∶50 000高精度土壤數據庫, 以福建省福州市為例, 基于遙感與碳循環(huán)過程模型對1987年和2016年耕地土壤有機碳動態(tài)變化進行研究。結果表明, 利用Landsat影像反演得到的耕地土壤基礎呼吸與土壤有機碳相關性強, 建立的1987年和2016年模型2分別為0.637和0.752。研究期間, 全市耕地土壤有機碳密度從東部沿海向西部內陸地區(qū)遞增, 整體發(fā)揮著“碳匯”作用, 有機碳密度和儲量分別增加0.20 kg?m-2和2.946×105t。從不同土壤類型比較得出, 黃壤、紅壤和水稻土是“碳匯”, 有機碳密度分別增加0.70 kg?m-2、0.40 kg?m-2和0.19 kg?m-2; 其他土類為“碳源”, 其中, 水稻土碳儲量最大, 兩期在全市總碳儲量中占比均超過90%。從不同行政區(qū)比較得出, 倉山區(qū)、長樂區(qū)、馬尾區(qū)和連江縣為“碳源區(qū)”, 其他地區(qū)為“碳匯區(qū)”, 其中, 倉山區(qū)碳儲量一直為全市最低, 兩期占比均不足0.5%, 而福清市則一直居于全市首位, 占比均高于20%。總體而言, 福州市耕地土壤有機碳30年間空間動態(tài)變化顯著, 在不同土類和行政區(qū)間存在差異, 今后應根據不同耕地土壤類型和行政區(qū)的有機碳情況有針對性進行耕地管理。

耕地; 土壤有機碳密度; 土壤有機碳儲量; 遙感反演; 碳循環(huán)過程模型; 土壤基礎呼吸; 福州市

土壤是陸地生態(tài)系統(tǒng)中最大的碳庫, 全球1 m厚土壤碳總量為2 500 Gt, 其中包括約1 550 Gt的土壤有機碳和950 Gt土壤無機碳[1]。耕地土壤碳庫作為陸地碳庫的重要組成部分, 不僅是全球碳庫中最為活躍的部分, 也是受人類活動影響最大且能在相對較短時間內被人為調節(jié)的碳庫[2-3]。因此, 明確耕地土壤碳儲量的動態(tài)變化對了解陸地生態(tài)系統(tǒng)碳循環(huán)具有重大意義, 也可以為調整與耕地土壤相關的人類活動提供參考依據。

目前, 國內外大量學者在不同尺度上對碳儲量展開了研究。國外學者多基于小比例尺的土壤數據庫和土壤剖面數據直接進行碳儲量的估算。如Batjes[4]基于1∶500萬土壤數據庫和4 353個土壤剖面, 估算全球1 m土壤有機碳儲量為1 462~1 502 Pg。Batjes[5]利用1∶250萬土壤數據庫和663個土壤剖面估算出中歐和東歐13個國家1 m土壤有機碳儲量為110 Pg。Ross等[6]采用1965—2009年的實測樣點數據估算出美國圣約翰河流域和佛羅里達州奧克拉瓦哈河流域5 061 km2的農田土壤0~20 cm有機碳儲量為16.4 Tg。國內學者多采用中、小系列比例尺土壤數據庫, 基于土壤類型法[7-8]對國家、區(qū)域尺度的土壤碳儲量進行估算。如解憲麗等[7]基于1∶400萬《中華人民共和國土壤圖》和全國第2次土壤普查數據, 運用土壤類型法估算出中國0~20 cm土壤有機碳儲量為27.4 Pg。周金霖等[8]基于全國第2次土壤普查數據和2007—2011年農業(yè)部“測土配方施肥”項目的數據, 采用土壤類型法估算重慶市1∶25萬比例尺下0~20 cm農田土壤有機碳儲量為2.335 4×107t。此類方法簡單直接, 且多基于有限的離散土壤數據進行估算, 空間連續(xù)性差, 不利于揭示土壤有機碳的空間動態(tài)變化?；诖? 周濤等[9]建立遙感與碳循環(huán)過程模型, 采用1982—1999年空間分辨率為8 km的月AVHRR NDVI數據集、1∶400萬中國土壤類型圖和全國第2次土壤普查數據, 對中國典型地帶性土壤有機碳儲量進行估算。此后, Zhou等[10]、李婷等[11]采用該方法對碳儲量進行了研究, 結果表明該模型具有好的適用性。但這些研究中, 采用的遙感影像空間分辨率低, 在表征區(qū)域有機碳空間異質性方面尚顯不足。相關研究表明不同比例尺土壤數據庫對碳儲量的估算產生影響, 統(tǒng)計表明我國土壤碳儲量估算結果相差達4倍[12]。

本研究采用遙感與碳循環(huán)過程模型[9], 以空間分辨率30 m的Landsat遙感影像作為數據源, 結合福建省第2次土壤普查樣點數據和2016年測土配方施肥數據, 對福州市1987年和2016年兩期1∶50 000比例尺土壤數據庫下的耕地有機碳密度和儲量進行估算。研究結果可為區(qū)域尺度耕地土壤有機碳估算提供參考, 為亞熱帶耕地資源可持續(xù)利用與糧食安全提供科學依據。

1 研究區(qū)概況與數據來源

1.1 研究區(qū)概況

福州市位于福建省東部, 位于25°15′~26°39′N, 118°08′~120°31′E。屬亞熱帶季風氣候, 年均日照時數1 700~1 980 h, 年均降水量900~2 100 mm, 年均氣溫20~25 ℃, 極端高溫42.3 ℃, 極端低溫-2.5 ℃。全市2016年耕地面積(不包括鼓樓區(qū)和臺江區(qū))149 309 hm2。全市耕地土壤類型以水稻土為主, 總面積139 469 hm2, 占耕地面積的93%; 其次是紅壤, 總面積8 399 hm2, 占耕地面積的5.63%; 而濱海鹽土、風砂土、潮土、赤紅壤、黃壤和紫色土面積較小, 共占耕地面積的0.97%。

1.2 數據來源

1.2.1 遙感數據及處理

本研究遙感影像均來源于美國地質調查局(USGS), 1987年為Landsat TM影像, 2016年為Landsat 8 OLI影像, 空間分辨率均為30 m, 投影坐標系均為WGS_1984_UTM_Zone_50N。用ENVI5.1對遙感影像進行圖像配準、輻射定標和大氣校正等預處理之后計算出每幅影像的歸一化植被指數(NDVI), 再根據最大值合成法(max value composite, MVC)得到月NDVI最大值。最后, 用研究區(qū)邊界矢量進行裁剪, 得到研究區(qū)1987年和2016年逐月的NDVI最大值。因為1987年缺少1月和11月的遙感影像, 所以分別用12月和2月的NDVI最大值均值、10月和12月的NDVI最大值均值來代替1月、11月NDVI最大值。

1.2.2 氣象基礎數據及處理

本研究氣象基礎數據來源于中國氣象科學數據共享服務網提供的福建省28個標準氣象站點(圖1)的月平均溫度、月降水量數據, 月總太陽輻射量采用氣象站點數據計算[13](1987年和2016年標準氣象站點數分別為21個和28個)。在ARCGIS中用克里格法對福建省氣象基礎數據進行插值, 空間分辨率和投影系統(tǒng)均與遙感影像保持一致。最后, 用研究區(qū)邊界矢量進行裁剪, 得到研究區(qū)1987年和2016年的氣象柵格數據。

圖1 福建省1987年(21個, 左)和2016年(28個, 右)標準氣象站點分布

1.2.3 調查樣點屬性數據

本研究采用的實測耕地土壤有機碳數據為福建省第2次土壤普查樣點相關土壤理化性質數據和2016年福建省測土配方施肥調查樣點地理坐標及相關土壤理化屬性分析數據(圖2), 數據均來自福建省農業(yè)廳。選取與福州市耕地底圖圖斑土類一致的樣點, 其中, 第2次土壤普查樣點共44個(1982年, 圖2)、2016年測土配方施肥調查樣點共131個(圖2), 選取80%樣點進行建模, 20%的樣點用來進行驗證。20世紀80年代, 研究區(qū)經濟發(fā)展程度低, 耕地利用變化小, 所以采用福建省第2次土壤普查樣點數據具有可適性。

1.2.4 其他數據

1∶50 000福建省土地利用現(xiàn)狀數據庫和1∶50 000福建省土壤類型分布數據庫, 數據來源于福建省國土資源廳和農業(yè)廳。運用 ARCGIS 軟件從1∶50 000福建省土地利用現(xiàn)狀數據庫中提取出耕地利用現(xiàn)狀數據庫, 再用“Intersect”命令將耕地利用現(xiàn)狀圖與土壤圖進行疊加得到福建省1∶50 000耕地利用現(xiàn)狀-土壤空間數據庫。最后, 對福州市進行提取, 作為本研究評價底圖, 其耕地利用和土壤類型分布如圖2所示。

圖2 福州市土壤類型(a)、耕地利用類型及采樣點分布(b)圖

2 研究方法

為綜合應用遙感影像和耕地土壤數據庫, 本研究采用遙感與碳循環(huán)過程模型[9]估算耕地土壤有機碳儲量。首先以Landsat遙感影像為數據源, 基于光能利用率模型(Carnegie-Ames-Stanford Approach, CASA模型)[14]得到區(qū)域耕地凈初級生產力(NPP)值, 用其驅動改進后土壤基礎呼吸模型[9]得到耕地土壤基礎呼吸的空間分布。然后, 結合福建省第2次土壤普查樣點數據和2016年測土配方施肥數據, 建立兩期耕地土壤有機碳密度與耕地土壤基礎呼吸的關系模型, 進一步估算出30 m空間分辨率下的耕地土壤有機碳密度空間分布, 實現(xiàn)對研究區(qū)耕地土壤有機碳密度和碳儲量的估算。

2.1 CASA模型

NPP是光合作用所產生的有機質總量中扣除自養(yǎng)呼吸后的剩余部分, 本研究采用朱文泉等[14]改進后的CASA模型對福州市1987年和2016年兩期的耕地NPP進行估算, 計算公式如下:

NPP=APAR′(1)

式中: NPP表示凈初級生產力[g(C)?m-2?month-1], APAR表示月吸收的光合有效輻射[g(C)?m-2?month-1],表示月實際光能利用率[g(C)?MJ-1]。

2.1.1 APAR計算

光合有效輻射(PAR)是植物光合作用的驅動力, 植被吸收的光合有效輻射取決于太陽總輻射和植物本身的特征[14], 計算公式如下:

APAR=SOL′FPAR′0.5 (2)

SOL=(a+b′/)′a(3)

式中: APAR表示月吸收的光合有效輻射[g(C)?m-2?month-1]; SOL表示太陽輻射量(MJ?m-2?month-1); FPAR表示植被層對入射光合有效輻射的吸收比例, 由NDVI和比值植被指數(SR)估算出的FPAR值取平均; 0.5為植被所能利用的太陽有效輻射占太陽總輻射的比例[14];a為大氣上界垂直入射的太陽輻射;為日照百分率; a和b為常數, 值分別為0.207和0.725[15]。

2.1.2 實際光能利用率()計算

光能利用率是植被把所吸收的光合有效輻射(PAR)轉化為有機碳的效率, 它主要受溫度和水分的影響[16], 計算公式如下:

式中:T1、T2和W分別表示低溫、高溫和水分對光能利用率的脅迫作用;max表示理想條件下的最大光能利用率[g(C)?m-2?MJ-1], 本研究采用朱文泉等[17]根據誤差最小原則, 利用中國NPP實測數據, 模擬出的不同植被類型的最大光能利用率, 其中耕地的最大光能利用率為0.542;opt為植被最適溫度(℃);為月均溫(℃);為區(qū)域實際蒸散量(mm);p為區(qū)域潛在蒸散量(mm)。

2.2 土壤基礎呼吸模型

本研究采用改進后的土壤基礎呼吸模型[9]來反演土壤基礎呼吸, 在此基礎上建立耕地土壤基礎呼吸與實測耕地土壤有機碳密度之間的關系模型。具體計算公式如下:

式中:a為土壤基礎呼吸(g·m-2·month-1),表示空間經緯度;為溫度敏感性系數, 取值0.030 6[18];H為土壤異養(yǎng)呼吸釋放的有機碳[g(C)?m-2?month-1];s為土壤溫度(℃); PPT為年降水量(mm); PET為年潛在蒸散量(mm)。

2.3 土壤有機碳密度與儲量估算

本研究采用土壤類型法對土壤有機碳密度(soil organic carbon density, SOCD)進行計算[19-21], 計算公式如下:

式中:為土層數;%為第層>2 mm礫石含量(體積百分含量);ρ為第層土壤容重(g?cm-3);C為第層土壤有機碳含量(g?kg-1), 由土壤有機質含量乘以0.58(Bemmelen轉換系數)得到;T為第層土層厚度(cm), 本研究為表土層(0~15 cm)的土壤有機碳密度。

土壤有機碳儲量(soil organic carbon storage, SOCS)[22]計算公式如下:

式中: SOCS為土壤有機碳儲量(kg), SOCD為第個土壤圖斑的有機碳密度(kg·m-2),S為第個土壤圖斑的平差面積(m2),為圖斑數。

3 結果與分析

3.1 耕地土壤有機碳建模及驗證

將1987年和2016年的耕地土壤基礎呼吸反演結果分別與福建省第2次土壤普查樣點數據和2016年測土配方施肥數據結合, 進行回歸分析。研究結果表明, 利用Landsat影像遙感反演的1987年和2016年耕地土壤基礎呼吸和實測耕地土壤有機碳密度呈線性相關, 確定系數(2)分別為0.637和0.752(圖3), 模型模擬的耕地土壤有機碳密度與實測耕地土壤有機碳密度的2分別為0.784和0.705(圖4), 均方根預測誤差(RMSE)分別為0.306和0.249, 建模和驗證結果均表明研究結果具有較好的可信度。

3.2 福州市耕地土壤有機碳密度和儲量變化

從表1可以看出, 1987年和2016年福州市149 309 hm2耕地土壤面積加權后的有機碳密度均值分別為3.12 kg·m-2和3.31 kg·m-2, 研究期間上升0.20 kg·m-2, 有機碳儲量增加2.95×105t, 表明全市耕地土壤總體起到了“碳匯”的作用。從空間分布來看(圖5), 兩期耕地土壤有機碳密度總體呈現(xiàn)從東部沿海地區(qū)向西部內陸地區(qū)增加的趨勢。1987年土壤有機碳密度低于2.5 kg·m-2的耕地主要分布在東部沿海地區(qū), 總面積8 258 hm2, 2016年則主要分布在城市建成區(qū)的倉山、馬尾和長樂區(qū)以及東部沿海地區(qū)的連江縣南部、福清市東北部, 總面積有顯著增加, 達20 798 hm2。1987年和2016年土壤有機碳密度高于3.5 kg·m-2的耕地均主要分布在西北部的閩侯、閩清和永泰3縣以及南部的福清市, 總面積增幅達40 009 hm2, 土壤類型以水稻土為主, 兩期占比均高于90%。

圖3 1987年(a)和2016年(b)福州市耕地土壤有機碳密度與土壤基礎呼吸的關系模型

圖4 1987年(a)和2016年(b)福州市耕地土壤有機碳密度模擬值與觀測值的比較

表1 1987年和2016年福州市耕地土壤有機碳密度統(tǒng)計

圖5 1987年(a)和2016年(b)福州市土壤有機碳密度(SOCD)空間分布

3.3 不同耕地土壤類型有機碳密度和碳儲量變化

從表2可以看出, 福州市不同耕地土壤類型有機碳密度和碳儲量差異明顯。1987年和2016年, 水稻土始終處在前列; 風砂土則一直低于平均水平(3.12 kg·m-2、3.31 kg·m-2), 兩期差值分別為0.38 kg·m-2、0.69 kg·m-2。兩期對比發(fā)現(xiàn), 紅壤、黃壤和水稻土的有機碳密度呈上升趨勢, 以黃壤最為明顯, 上漲幅度為19%, 紅壤和水稻土則分別為12%和6%。其余耕地土壤的有機碳密度均呈下降趨勢, 下降幅度最大的是潮土, 為13%。其次為赤紅壤、紫色土, 下降均超過9%, 風砂土和濱海鹽土也略有下降。從不同耕地土壤有機碳儲量來看(表2), 1987年和2016年均是水稻土最高, 在全市總碳儲量中占比均超過90%。紫色土、赤紅壤和黃壤兩期有機碳儲量一直較低, 1987年和2016年3種土類碳儲量共計占比不足0.1%?？傮w來看, 水稻土、紅壤和黃壤在研究期間表現(xiàn)為“碳匯”, 其他土類則表現(xiàn)為“碳源”。

表2 1987年和2016年福州市不同土類耕地土壤有機碳密度和儲量

3.4 不同行政區(qū)耕地土壤有機碳密度和碳儲量變化

從表3可見, 福州市不同行政區(qū)耕地土壤有機碳密度和碳儲量有明顯差異。閩清縣的耕地土壤有機碳密度最高, 1987年為3.23 kg·m-2, 2016年為3.63 kg·m-2, 此外, 永泰縣和閩侯縣兩期有機碳密度也均高于全市水平(3.12 kg·m-2、3.31 kg·m-2)。倉山區(qū)的耕地土壤有機碳密度最低, 1987年為2.79 kg·m-2, 2016年為1.95 kg·m-2。從變化情況來看(表3), 閩侯縣有機碳密度增幅最大, 為0.43 kg·m-2, 而倉山區(qū)降幅最大, 為0.84 kg·m-2, 其他行政區(qū), 福清市、晉安區(qū)、永泰縣和羅源縣均呈現(xiàn)增長趨勢, 長樂區(qū)、馬尾區(qū)和連江縣則呈現(xiàn)降低趨勢。從不同行政區(qū)耕地土壤有機碳儲量來看, 倉山區(qū)一直為全市最低, 兩期占比均不足0.5%, 而福清市則一直居于全市首位, 兩期占比均高于20%。兩期對比發(fā)現(xiàn), 福清市有機碳儲量增幅最大, 閩侯縣次之, 而長樂區(qū)則下降最多。總體來看, 研究期間, 福州市“碳源區(qū)”分布在沿海地區(qū)和城市建成區(qū), “碳匯區(qū)”分布在內陸地區(qū)。

表3 1987年和2016年福州市不同行政區(qū)耕地土壤有機碳密度和儲量

4 討論與結論

4.1 討論

研究結果表明, 福州市耕地土壤在1987—2016年30年間發(fā)揮著“碳匯”的作用, 與大多數學者的研究一致, 如龍軍等[23]研究表明, 1982—2008年間福建省耕地土壤起到了弱“碳匯”的作用, 劉書田[24]的研究表明我國緯度低于40°的地區(qū), 測土配方施肥的土壤有機碳含量數據整體高于第2次土壤普查數據, 表明30年來這一地區(qū)土壤起到了“碳匯”作用。兩期耕地土壤有機碳密度空間分布與張楠[25]的研究結果一致?？偟膩砜? “碳源區(qū)”均處于東部沿海地區(qū)。一方面, 東部沿海地區(qū)降水量相對較少而溫度則相對較高的氣候環(huán)境加速了土壤呼吸的速率, 另一方面, 濱海鹽土、赤紅壤和風砂土等有機碳密度下降的土類主要分布在這些地區(qū)。1987年有機碳密度低于2.5 kg·m-2的耕地主要分布在東部沿海地區(qū), 2016年則主要分布在城市建成區(qū)的倉山、馬尾和長樂區(qū)以及東部沿海地區(qū)的連江縣南部、福清市東北部, 可能因為這些地區(qū)城市化速度較其他地區(qū)快, 城市化產生熱島效應, 其年均溫(圖6)在1987年和2016年分別高于其他地區(qū)0.30 ℃和0.51 ℃, 溫差值呈現(xiàn)增長趨勢。與此同時, 其兩期年降水量(圖6)分別低于其他地區(qū)153 mm和85 mm, 研究表明高溫少雨的自然環(huán)境會加快耕地土壤有機碳的分解速率, 不利于土壤有機碳的積累[3]。此外, 全市有機碳密度低的土類, 如赤紅壤和風砂土全部分布在這些區(qū)域, 濱海鹽土所占比重也高于95%。1987年和2016年土壤有機碳密度高于3.5 kg·m-2的耕地均主要分布在西北部的閩侯、閩清和永泰3縣以及南部的福清市, 原因在于其土壤類型以水稻土為主, 在水耕熟化的過程中, 因人為的灌溉和施肥, 有機碳密度增加是普遍趨勢[23]。兩期變化來看, 閩侯縣增幅最大, 因為其土類主要為有機碳密度上升的水稻土、紅壤和黃壤, 面積占比高達99.98%。倉山區(qū)因溫度高降水量少(圖6)的環(huán)境加快其有機質的分解速度, 因而耕地土壤有機碳密度降幅最大。由此可見, 溫度、降水和土類是不同行政區(qū)耕地土壤有機碳密度的重要影響因子。針對耕地土壤有機碳儲量, 兩期最大值均出現(xiàn)在福清市。影響土壤有機碳儲量的因素主要是碳密度和面積[26-27]: 一方面, 福清市主要的耕地土壤類型為水稻土, 占全縣耕地面積的99.55%; 另一方面, 全縣耕地總面積為35 105 hm2, 居全市第一。倉山區(qū)有機碳儲量一直為全市最低, 因為該區(qū)耕地面積小且有機碳密度也為全市最低。兩期對比發(fā)現(xiàn), 福清市有機碳儲量增幅最大, 閩侯縣次之, 原因在于兩縣的有機碳密度居于全市前列且耕地面積大。長樂區(qū)有機碳儲量下降最多, 原因在于有機碳密度下降的土壤類型, 比如赤紅壤全部分布在長樂區(qū), 風砂土占比也高于85%。

1: 福清市; 2: 長樂區(qū); 3: 倉山區(qū); 4: 馬尾區(qū); 5: 晉安區(qū); 6: 連江縣; 7: 永泰縣; 8: 閩侯縣; 9: 閩清縣; 10: 羅源縣。1: Fuqing City; 2: Changle District; 3: Cangshan District; 4: Mawei District; 5: Jin’an District; 6: Lianjiang County; 7: Yongtai County; 8: Minhou County; 9: Minqing County; 10: Luoyuan County.

從不同土類有機碳密度來看, 研究期間, 水稻土始終處在前列, 這與大多數學者的研究一致。如龍軍等[23]的研究表明福建省水稻土有機碳密度一直處在前列, 陳曦[28]對廣西土壤有機碳儲量估算的研究中水稻土有機碳密度僅次于黃壤。風砂土主要分布在福州市的東部沿海地區(qū), 海拔在13~147 m, 年降水量低于全省平均水平, 年均溫反之, 不利于有機質積累, 因而其有機碳密度一直較低, 這與張楠[25]的研究一致。總體來看, 紅壤、黃壤和水稻土的有機碳密度呈上升趨勢, 黃壤上漲幅度最大, 為19%。全市黃壤主要分布在閩侯縣和閩清縣的中山地帶, 海拔高度在750~950 m, 溫度較低, 不利于有機質的分解, 因而有機質積累多, 這與前人研究一致[26,28-29]。潮土、赤紅壤、紫色土、風沙土和濱海鹽土有機碳密度均呈下降趨勢, 其中潮土因受生物、氣候和土壤水分狀況的限制, 生物積累較少, 有機質含量不高, 肥力較低[30], 導致其下降幅度最大。保肥能力差, 多年的耕作和土壤侵蝕, 土層逐漸變薄, 土壤養(yǎng)分減少、肥力下降, 這些原因綜合導致赤紅壤、紫色土、風沙土和濱海鹽土有機碳密度下降。從不同土類有機碳儲量來看, 研究期間, 最大值土類均是水稻土。研究期間水稻土有機碳密度始終居于前列, 且面積占比遠高于其他土類, 因此有機碳儲量始終最高。紫色土、赤紅壤和黃壤兩期有機碳儲量一直較低, 面積小是主要原因, 與此同時, 赤紅壤有機碳密度一直低于全省水平也是導致其有機碳儲量低的重要原因。兩期對比來看, 水稻土有機碳儲量增長最多, 是碳密度升高和面積占比大共同作用所致。潮土有機碳儲量下降幅度最大是因為碳密度下降最大, 其因受生物、氣候和土壤水分狀況的限制, 生物積累較少[30]。風砂土和濱海鹽土有機碳儲量下降高于赤紅壤和紫色土, 主要原因是其面積遠高于這兩種土類: 風砂土是赤紅壤的9倍, 紫色土的35倍, 而濱海鹽土則分別為13倍和48倍。

在耕地土壤有機碳估算中, 采用1∶50 000高精度土壤數據庫, 能更精確地估算出耕地土壤有機碳密度與儲量[12], 但因為受基礎資料的限制, 研究結果仍存在一定的不確定性。首先, 采用1987年Landsat影像和福建省第2次土壤普查樣點數據建立關系模型, 年際之間耕地土壤有機碳差異會影響模型精度; 其次, 研究采用Landsat影像計算耕地NPP相對于MODIS產品擁有高空間分辨率, 但時間分辨率低, 受氣象條件影響的概率增大, 從而影響耕地土壤基礎呼吸的計算結果; 此外, 氣溫、降水量、太陽輻射量等氣象因子是遙感與碳循環(huán)過程模型的重要修正參數, 因研究區(qū)氣象站點少, 采用克里格插值提取區(qū)域氣象因子空間分布存在一定的局限性。針對上述問題, 今后將展開相關研究以提高反演精度, 如: 采用MODIS與Landsat融合后的產品估算耕地NPP, 提高時間分辨率的同時保證空間分辨率[31], 同時, 通過ANUSPLIN軟件, 以經緯度為自變量, 高程為協(xié)變量對氣象因子進行插值[32]。

4.2 結論

本研究采用Landsat遙感影像和1∶50 000高精度土壤數據庫, 結合遙感與碳循環(huán)過程模型對福州市1987年和2016年的耕地土壤有機碳密度和儲量進行估算, 結論如下: 福州市耕地土壤有機碳密度存在明顯的空間分布規(guī)律, 整體表現(xiàn)為從東部沿海地區(qū)向西部內陸地區(qū)遞增。在不同土壤類型中, 溫度、降水、地形和人類活動是耕地土壤有機碳密度的重要影響因子, 黃壤、紅壤和水稻土為“碳匯”, 其中, 黃壤有機碳密度增加最多, 紅壤次之, 水稻土有機碳密度則始終位于前列, 其他土類為“碳源”。在不同行政區(qū)中, 溫度、降水和土類構成是耕地土壤有機碳密度的重要影響因子, “碳源區(qū)”分布在沿海地區(qū)和城市建成區(qū), “碳匯區(qū)”則主要分布在內陸地區(qū)?？傮w來看, 全市耕地土壤30年間整體表現(xiàn)為“碳匯”, 但在不同土壤類型和行政區(qū)間存在差異。因此, 在今后的耕地資源利用與管理中, 針對不同的土壤類型和行政區(qū), 需要實施不同的政策, 如對不同行政區(qū)因其發(fā)展階段不一致可以建立碳交易市場等。

[1] LAL R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677): 1623–1627

[2] 張旭博, 孫楠, 徐明崗, 等. 全球氣候變化下中國農田土壤碳庫未來變化[J]. 中國農業(yè)科學, 2014, 47(23): 4648–4657 ZHANG X B, SUN N, XU M G, et al. Soil organic carbon in agricultural soils in China under global climate change[J]. Scientia Agricultura Sinica, 2014, 47(23): 4648–4657

[3] 姜藍齊, 臧淑英, 張麗娟, 等. 松嫩平原農田土壤有機碳變化及固碳潛力估算[J]. 生態(tài)學報, 2017, 37(21): 7068–7081 JIANG L Q, ZANG S Y, ZHANG L J, et al. Temporal and spatial variations of organic carbon and evaluation of carbon sequestration potential in the agricultural topsoil of Songnen Plain[J]. Acta Ecological Sinica, 2017, 37(21): 7068–7081

[4] BATJES N H. Total carbon and nitrogen in the soils of the world[J]. European Journal of Soil Science, 1996, 47(2): 151–163

[5] BATJES N H. Carbon and nitrogen stocks in the soils of Central and Eastern Europe[J]. Soil Use and Management, 2002, 18(4): 324–329

[6] ROSS C W, GRUNWALD S, MYERS D B, et al. Land use, land use change and soil carbon sequestration in the St. Johns River Basin, Florida, USA[J]. Geoderma Regional, 2016, 7(1): 19–28

[7] 解憲麗, 孫波, 周慧珍, 等. 中國土壤有機碳密度和儲量的估算與空間分布分析[J]. 土壤學報, 2004, 41(1): 35–43 XIE X L, SUN B, ZHOU H Z, et al. Organic carbon density and storage in soils of China and spatial analysis[J]. Acta Pedologica Sinica, 2004, 41(1): 35–43

[8] 周金霖, 黃陽, 陳佳婧, 等. 重慶市農田土壤有機碳時空變化與固碳潛力分析[J]. 環(huán)境科學學報, 2015, 35(11): 3647–3654 ZHOU J L, HUANG Y, CHEN J J, et al. Analysis on temporal and spatial variations of organic carbon and carbon sequestration potential in farmland soil in Chongqing[J]. Acta Scientiae Circumstantiae, 2015, 35(11): 3647–3654

[9] 周濤, 史培軍, 羅巾英, 等. 基于遙感與碳循環(huán)過程模型估算土壤有機碳儲量[J]. 遙感學報, 2007, 11(1): 127–136 ZHOU T, SHI P J, LUO J Y, et al. Estimation of soil organic carbon based on remote sensing and process model[J]. Journal of Remote Sensing, 2007, 11(1): 127–136

[10] ZHOU T, SHI P J, JIA G S, et al. Nonsteady state carbon sequestration in forest ecosystems of China estimated by data assimilation[J]. Journal of Geophysical Research-Biogeosciences, 2013, 118(4): 1369–1384

[11] 李婷, 李晶, 楊歡. 基于遙感和碳循環(huán)過程模型的土壤固碳價值估算——以關中-天水經濟區(qū)為例[J]. 干旱區(qū)地理, 2016, 39(2): 451–459LI T, LI J, YANG H. Estimate value of soil organic carbon based on remote sensing and process model in Guanzhong-Tianshui Economic Region[J]. Arid Land Geography, 2016, 39(2): 451–459

[12] 陳中星, 張楠, 張黎明, 等. 福建省土壤有機碳儲量估算的尺度效應研究[J]. 土壤學報, 2018, 55(3): 606–619 CHEN Z X, ZHANG N, ZHANG L M, et al. Scale effects of estimation of soil organic carbon storage in Fujian Province, China[J]. Acta Pedologica Sinica, 2018, 55(3): 606–619

[13] 吳艷艷. 城市化過程廣州土地覆蓋變化對凈初級生產力格局的影響[D]. 廣州: 中山大學, 2016 WU Y Y. The effects of land cover change on patterns of net primary productivity in the process of urbanization of Guangzhou[D]. Guangzhou: Sun Yat-Sen University, 2016

[14] 朱文泉, 潘耀忠, 張錦水. 中國陸地植被凈初級生產力遙感估算[J]. 植物生態(tài)學報, 2007, 31(3): 413–424 ZHU W Q, PAN Y Z, ZHANG J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413–424

[15] 侯光良, 李繼由, 張誼光. 中國農業(yè)氣候資源[M]. 北京: 中國人民大學出版社, 1993 HOU G L, LI J Y, ZHANG Y G. China Agricultural Climate Resources[M]. Beijing: China Renmin University Press, 1993

[16] 周偉, 牟鳳云, 剛成誠, 等. 1982—2010年中國草地凈初級生產力時空動態(tài)及其與氣候因子的關系[J]. 生態(tài)學報, 2017, 37(13): 4335–4345 ZHOU W, MU F Y, GANG C C, et al. Spatio-temporal dynamics of grassland net primary productivity and their relationship with climatic factors from 1982 to 2010 in China[J]. Acta Ecological Sinica, 2017, 37(13): 4335–4345

[17] 朱文泉, 潘耀忠, 何浩, 等. 中國典型植被最大光利用率模擬[J].科學通報, 2006, 51(6): 700–706 ZHU W Q, PAN Y Z, HE H, et al. Simulation of maximum light use efficiency for some typical vegetation types in China[J]. Chinese Science Bulletin, 2006, 51(6): 700–706

[18] RAICH J W, POTTER C S. Global patterns of carbon dioxide emissions from soils[J]. Global Biogeochemical Cycles, 1995, 9(1): 23–36

[19] PAN G X, LI L Q, ZHANG Q, et al. Organic carbon stock in topsoil of Jiangsu Province, China, and the recent trend of carbon sequestration[J]. Journal of Environmental Sciences, 2005, 17(1): 1–7

[20] 袁芳, 趙小敏, 樂麗紅, 等. 江西省表層土壤有機碳庫儲量估算與空間分布特征[J]. 生態(tài)環(huán)境, 2008, 17(1): 268–272 YUAN F, ZHAO X M, LE L H, et al. Organic carbon reserves of topsoil and spatial distribution in Jiangxi Province[J]. Ecology and Environment, 2008, 17(1): 268–272

[21] SONG G H, PAN G X, ZHANG Q. Topsoil organic carbon storage of China and its loss by cultivation[J]. Biogeochemistry, 2005, 74(1): 47–62

[22] WANG S Q, TIAN H Q, LIU J Y, et al. Pattern and change of soil organic carbon storage in China: 1960s-1980s[J]. Tellus B: Chemical and Physical Meteorology, 2003, 55(2): 416–427

[23] 龍軍, 張黎明, 毛艷玲, 等. 福建省不同耕地土壤和土地利用類型對“碳源/匯”的貢獻差異研究[J]. 土壤學報, 2013, 50(4): 664–674 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[J]. Acta Pedologica Sinica, 2013, 50(4): 664–674

[24] 劉書田. 中國農田土壤有機碳時空分布規(guī)律及影響因素研究[D]. 長春: 吉林農業(yè)大學, 2016 LIU S T. The rule of temporal and spatial distribution of soil organic carbon of cropland and its influencing factors in China[D]. Changchun: Jilin Agricultural University, 2016

[25] 張楠. 基于高精度數據庫和3D模型的福建省土壤有機碳儲量估算研究[D]. 福州: 福建農林大學, 2017 ZHANG N. Study on high precision database and 3D model of soil organic carbon stocks estimation of Fujian Province[D]. Fuzhou: Fujian Agriculture and Forestry University, 2017

[26] 高巖紅. 普定縣農田土壤有機碳庫演變特征及影響因素研究[D]. 重慶: 西南大學, 2014 GAO Y H. Study on evolution characteristic and affecting factors of soil organic carbon in cropland in Puding County[D]. Chongqing: Southwest University, 2014

[27] 鐘聰, 楊忠芳, 夏學齊, 等. 青海省土壤有機碳儲量估算及其源匯因素分析[J]. 現(xiàn)代地質, 2012, 26(5): 896–909 ZHONG C, YANG Z F, XIA X Q, et al. Estimation of soil organic carbon storage and analysis of soil carbon source / sink factors in Qinghai Province[J]. Geoscience, 2012, 26(5): 896–909

[28] 陳曦. 廣西土壤有機碳儲量估算及與全國部分省區(qū)的比較研究[J]. 地理科學, 2014, 34(10): 1247–1253 CHEN X. Estimation of soil organic carbon reserves in Guangxi and comparison study with some provinces in China[J]. Scientia Geographica Sinica, 2014, 34(10): 1247–1253

[29] 支俊俊, 荊長偉, 張操, 等. 利用1∶5萬土壤數據庫估算浙江省土壤有機碳密度及儲量[J]. 應用生態(tài)學報, 2013, 24(3): 683–689 ZHI J J, JING C W, ZHANG C, et al. Estimation of soil organic carbon density and storage in Zhejiang Province of East China by using 1∶50000 soil database[J]. Chinese Journal of Applied Ecology, 2013, 24(3): 683–689

[30] 福建省土壤普查辦公室. 福建土壤[M]. 福州: 福建科學技術出版社, 1991 Soil Survey Office in Fujian Province. Soils of Fujian[M]. Fuzhou: Fujian Science and Technology Publishing House, 1991

[31] GEVAERT C M, GARCíA-HARO F J. A comparison of STARFM and an unmixing-based algorithm for Landsat and MODIS data fusion[J]. Remote Sensing of Environment, 2015, 156: 34–44

[32] 趙芬. 基于CASA模型的錫林郭勒盟草地凈初級生產力遙感估算與驗證[D]. 北京: 中國農業(yè)科學院, 2015ZHAO F. Remote sensing estimation and validation of net primary production in the Xilingol grassland based on CASA model[D]. Beijing: Chinese Academy of Agricultural Sciences, 2015

Estimation of changes in soil organic carbon in farmlands in Fuzhou City using Landsat vegetation data and 1∶50 000 soil database*

LI Ya1,2, ZHANG Liming1,2, CHEN Hanyue1,2**, YUAN Yuqi1,2, XING Shihe2

(1. College of Resources and Environment, Fujian Agriculture and Forestry University, Fuzhou 350002, China; 2. University Key Lab of Soil Ecosystem Health and Regulation in Fujian, Fuzhou 350002, China)

Carbon pools in farmlands are critical drivers of change in global carbon stock and a small change in these pools could have a huge influence on CO2concentration in the atmosphere, causing global greenhouse condition. Though medium and small scale soil databases have often been used in estimating soil organic carbon (SOC) in farmlands, remote sensing image and large-scale soil database have rarely been used. In this study, we combined remote sensing and carbon cycle model to estimate SOC in farmland of Fuzhou City (in subtropical China) using Landsat TM and Landsat 8 OLI remote sensing images plus 1∶50 000 high-resolution soil database. In the study area, SOC in farmlands was calculated for 1987 and 2016. The purpose of the study was to determine whether the study area was source or sink of SOC and the dynamics of SOC pool in the region. The results showed that: 1) there was a strong linear relationship between soil basal respiration and soil organic carbon density (SOCD) in farmlands in Fuzhou City. The determinant coefficient2was 0.637 for 1987 and 0.752 for 2016. 2) For the study period, SOCD in farmlands increased from eastern coastal area to western inland area. In general, SOCD and soil organic carbon storage (SOCS) increased by 0.20 kg·m-2in the eastern coastal area and 2.946×105kg·m-2in western inland area, indicating that farmlands in Fuzhou City served as a weak “carbon sink” in the past 30 years. 3) In terms of soil type, yellow earth, red earth and paddy soil contributed the largest to “carbon sink” across the soil groups, with respective SOCD increases of 0.70 kg·m-2, 0.40 kg·m-2and 0.19 kg·m-2. Fluvo-aquic soil, latosolic red soil, aeolian soil, coastal solonchak and purplish soil were the biggest contributors to “carbon source” across the soil group. Comparison of SOCS of different soil types in 1987 with those in 2016 showed that SOCS was highest in paddy soil, accounting for over 90% of the total carbon storage in Fuzhou City. 4) In terms of administrative region, Cangshan District, Changle District, Mawei District and Lianjiang County were “carbon source” areas. Then Minhou County, Minqing County, Fuqing City, Jin’an District, Yongtai County and Luoyuan County were “carbon sink” areas. The lowest SOCS was in Cangshan District in Fuzhou City, with less than 0.5% of total SOCS. Fuqing City always ranked the highest in Fuzhou City, accounting for over 20.0% of the total SOCS. In general, the spatial dynamics of SOCD in farmlands in Fuzhou City during the 30-year period were significant. Additionally, there were differences in different soil types and administrative regions in terms of SOCD. In future, it was beneficial to conduct farmland management based on soil type in different farmlands and SOC in the administrative regions.

Farmland; Soil organic carbon density; Soil organic carbon storage; Remote sensing inversion; Carbon process-based model; Soil basal respiration; Fuzhou City

, E-mail: chenhanyue.420@163.com

Sep. 8, 2018;

Nov. 30, 2018

10.13930/j.cnki.cjea.180753

S15

A

2096-6237(2019)04-0581-10

陳瀚閱, 研究方向為農業(yè)遙感。E-mail: chenhanyue.420@163.com

李亞, 研究方向為土地資源可持續(xù)利用。E-mail: liya95519@163.com

2018-09-08

2018-11-30

* This work was supported by the Fund for Outstanding Youth Scholars of Fujian Agriculture and Forestry University (xjq201508), the National Natural Science Foundation of China (41401399), and the Special Fund for S&T Innovation of Fujian Agriculture and Forestry University (KFA17616A).

* 福建農林大學校杰出青年科研人才計劃項目(xjq201508)、國家自然科學基金青年項目(41401399)和福建農林大學科技創(chuàng)新專項基金項目(KFA17616A)資助

李亞, 張黎明, 陳瀚閱, 袁玉琦, 邢世和. 基于Landsat遙感影像和1∶50 000土壤數據庫的福州市耕地有機碳動態(tài)變化研究[J]. 中國生態(tài)農業(yè)學報(中英文), 2019, 27(4): 581-590

LI Y, ZHANG L M, CHEN H Y, YUAN Y Q, XING S H. Estimation of changes in soil organic carbon in farmlands in Fuzhou City using Landsat vegetation data and 1∶50 000 soil database[J]. Chinese Journal of Eco-Agriculture, 2019, 27(4): 581-590