張 秀，趙永存*，謝恩澤，彭雨璇，陸訪儀

（1.土壤與農業(yè)可持續(xù)發(fā)展國家重點實驗室 中國科學院南京土壤研究所，南京210008；2.中國科學院大學，北京100049）

土壤有機碳（Soil organic carbon，SOC）是土壤肥力形成、糧食生產和土壤健康的基礎，適宜的SOC 含量是土壤提供最佳的植物生長條件、養(yǎng)分循環(huán)以及有效水分滲入和存儲的重要前提條件[1]。同時，全球SOC 庫容量巨大（1395～2200 Pg[2]）并且較為活躍，SOC的微小變化就可能對大氣二氧化碳（CO2）濃度產生顯著影響，從而在全球碳平衡中扮演重要角色。然而，工業(yè)化、城市化、農業(yè)集約化等進程快速發(fā)展導致的氣候變化、土地利用方式及強度變化等已經對SOC變化產生深刻影響[3]，隨著人們對SOC 在保障糧食安全和土壤健康、發(fā)揮土壤生態(tài)系統(tǒng)服務功能以及應對氣候變化等諸多方面重要性的綜合認知逐步加深，SOC時空變化規(guī)律研究逐漸成為農業(yè)、生態(tài)、環(huán)境、全球變化科學等多學科領域的研究熱點和科學前沿[4]。

1 SOC時空變化影響因素

SOC時空變化主要受氣候、母質、地形、生物以及土地利用方式和管理措施等因素影響[4]。SOC變化的影響因子作用于不同的時空尺度，因此，SOC 時空變化模式也具有尺度效應。大尺度的SOC 時空分布模式主要受氣候因素控制，而相較氣候因素而言，土地利用及管理措施等人為因素通常在相對小的尺度上影響SOC 時空變化，但其影響強度往往超過氣候因素[4]。

氣候因素對SOC 時空變化的影響主要由溫度和降水變化導致，因為溫度和降水影響植被生物量及凋落物分解、土壤溫度及濕度，從而影響SOC 的輸入和分解過程。溫度通過影響土壤微生物活性和土壤呼吸而對SOC 含量產生影響[5]。溫度升高SOC 分解加速，但溫度升高的同時土壤中植物殘體分解速率也增加，從而提高土壤碳的歸還量，因此，特定環(huán)境條件下SOC 對增溫的響應可能是正反饋，也可能是負反饋[4-6]。降水則直接影響土壤水分狀況以及土壤固、液、氣的比例。一般而言，土壤水分含量適宜有利于SOC 積累，但當土壤水分含量偏低時，SOC 分解加速，從而降低SOC 含量[4]。此外，溫度和降水對SOC 時空變化的影響并非相互獨立，而是相互影響和相互制約的綜合過程。

土地利用及管理措施變化是影響SOC 時空變化的最重要人為因素。土地利用變化通過改變土壤理化屬性而影響植物生長發(fā)育及土壤微生物活性等，從而影響土壤碳輸入及SOC 分解[7-9]。當森林或草地轉變?yōu)楦貢r，SOC 含量下降高達30%～80%[4]，這主要是因為林地或草地轉換為耕地后土壤侵蝕加劇、土壤碳輸入降低、SOC 穩(wěn)定性變差、土壤溫度升高和通氣量增加，而當耕地轉變?yōu)榱值鼗虿莸貢r，土壤可蝕性降低，土壤結構得到改善，碳輸入增加，則在一定程度上有助于SOC 累積。傳統(tǒng)耕作方式往往導致SOC 含量降低，而少、免耕等保護性耕作對土壤擾動較少，有助于減緩SOC 分解，從而有利于SOC 積累[10-11]。有機肥施用不但可以快速提高SOC含量，而且可以改善土壤結構及作物生長環(huán)境，促進SOC 的積累，而秸稈還田有利于增加農田土壤碳輸入，促進農田土壤固碳[12]。

2 SOC時空變化估算方法

基于SOC 時空變化驅動因素認知以及土壤等數據的可獲取性，目前SOC時空變化主要采用過程模型模擬和數字土壤制圖（Digital soil mapping，DSM）兩類方法進行量化估算。過程模型模擬采用整合了土壤有機質（Soil organic matter, SOM）動態(tài)機理和過程的模型，以氣候、土壤、管理等模型驅動數據驅動過程模型實現(xiàn)SOC 時空演變預測。DSM 方法則通過多時段SOC 樣點數據空間預測后再差減或者在DSM 模型中整合時空替代來實現(xiàn)SOC時空變化估算。

2.1 過程模型模擬法

相對于SOC 的巨大庫容及固有變異性而言，SOC變化的數量相對較小，同時，SOC 庫的變化也比生物量及凋落物碳庫慢很多，需要長期觀測才能識別SOC變化，因此，長期定位觀測是監(jiān)測SOC 演變的理想手段[13]。然而，目前的長期定位試驗及監(jiān)測網絡由于其試驗規(guī)模、監(jiān)測點數量、持續(xù)年限及能代表的氣候、土壤及管理條件等因素限制，還難以通過直接內插或外推的方法來檢測大尺度上SOC的微小變化。因此，過程模型模擬依然是大尺度SOC 時空變化估算的推薦方法[13]。

按過程模型是否明確表達了微生物的分解作用，SOC 過程模型可大體分為經典過程模型和微生物模型兩大類。經典SOC 過程模型整合了SOM 動態(tài)機理和過程，能反映土壤、氣候、管理措施等因子空間變異性對SOC 動態(tài)變化的影響。經典SOC 過程模型（比如CENTURY、RothC）最初用來模擬長期試驗中農業(yè)管理措施對土壤碳、氮動態(tài)及養(yǎng)分循環(huán)的影響，隨后被整合到生態(tài)系統(tǒng)模型和地球系統(tǒng)模型中用于預測區(qū)域/全球尺度的SOC 時空動態(tài)[14]。經典SOC 模型將碳庫劃分為分解速率不同的概念化分庫，各分庫大都采用一級動力學方程描述SOC 的分解，并通過影響SOC 分解及穩(wěn)定性的外部環(huán)境因子（比如氣候、土壤屬性、管理措施等）對各分庫的分解速率常數進行修正[15]。經典SOC 過程模型中，微生物作為分解者的作用被隱含在不同的分解速率常數中，沒有明確表達。目前新出現(xiàn)的微生物模型，比如CON（Conventional model）、GER（German）、MEND（Microbial ENzyme-mediated Decomposition）和MIMICS（MIcrobial-MIneral Carbon Stabilization model）模型等，則直接把土壤碳周轉和微生物生物量及生理機能耦合，從而反映了微生物在SOC 分解和穩(wěn)定化中的作用[16-20]。微生物模型具有解釋爆轟效應、環(huán)境適應以及土壤呼吸對降水脈沖響應的潛力[21]。同時，微生物模型對探討全球變暖與SOC間的反饋非常有效，因為溫度直接影響酶活性和微生物生理特性[22]。然而，與經典SOC 過程模型相比，微生物模型會產生顯著不同的SOC 動態(tài)模式，比如，對擾動的振蕩響應以及對碳輸入響應的不敏感性等[23]。

2.2 DSM方法

DSM 是實現(xiàn)土壤調查數據由點到面拓展的重要技術手段。多時段SOC 樣點數據空間插值后再差減即可實現(xiàn)SOC 的時空變化估算。DSM 模型主要基于Jenny 提出的土壤形成機理clorpt 方程，即：S=f（cl, o,r,p,t），其中S 為土壤類型或屬性，cl、o、r、p、t 則分別代表氣候、生物、地形、母質和時間，該方程反映了5大成土因素對土壤形成的綜合影響。McBratney 等[24]系統(tǒng)總結了現(xiàn)代土壤信息獲取手段、土壤環(huán)境數據及空間預測方法等，在clorpt 方程的基礎上提出了數字土壤制圖的SCORPAN 模型框架，即：S=f（s,c,o,r,p,a,n），其中，S 為土壤類型或屬性，s、c、o、r、p、a 和n 則分別代表土壤相關的其他信息、氣候、生物、地形、母質、時間和空間。隨著土壤及環(huán)境信息現(xiàn)代獲取技術以及數學建模方法的快速發(fā)展，SCORPAN 模型框架在包括SOC 等關鍵土壤屬性的土壤制圖領域得到了廣泛的應用和驗證[25]。

早期的DSM 方法估算SOC 時空變化主要以簡單的多元線性回歸（Multiple linear regression，MLR）和地統(tǒng)計學普通Kriging 兩類方法為主，隨后，整合這兩類方法建立SOC 空間分布預測混合模型以提高SOC空間表達精度的方法得到廣泛應用，其中最為典型的就是回歸Kriging（Regression Kriging，RK）和帶有外部趨勢的Kriging（Kriging with external drift，KED）[26-27]。近年來，隨著現(xiàn)代土壤調查以及遙感、無人機、近感等非侵入式調查技術的快速發(fā)展，土壤信息的獲取逐漸呈現(xiàn)多手段、多來源、多尺度、多維度、多類型、大信息量等新特點，使得隨機森林（Random forest，RF）、神經網絡（Neural network，NN）等大數據機器學習方法在SOC 等關鍵土壤屬性的時空變化預測中得到了廣泛的應用[25]。同時，以SCORPAN 模型框架為基礎，除了可以通過DSM 方法對不同時段土壤采樣點SOC 實測數據插值后再差減實現(xiàn)SOC時空變化估算外，還可結合時空替代（Space-for-time substitution）[28]來實現(xiàn)SOC時空演變系列重建及未來變化趨勢預測?！癉SM-時空替代”的基本思想是，在建立的SCORPAN 模型的基礎上，假定土壤類型、母質、地形等“靜態(tài)”的模型輸入變量不隨時間變化，進而通過將模型中“動態(tài)”的輸入變量（比如土地利用、土壤碳輸入、溫度、降雨量等）替換為待估算年份的對應變量值，以實現(xiàn)SOC 時空變化的預測。

3 研究進展

準確地量化SOC時空變化是土壤功能、土壤健康及土壤安全評估和碳循環(huán)及氣候變化研究等的重要基礎。國內外學者針對不同利用方式及不同生態(tài)系統(tǒng)下SOC的時空變化開展了大量研究工作，取得了一系列的重要進展。由于大尺度SOC 時空變化研究對于土壤資源管理戰(zhàn)略決策以及應對氣候變化等的重要性，本文重點介紹大尺度SOC時空變化的研究進展。

3.1 整合SOC經典過程模型的時空變化研究進展

Todd-Brown 等[29]基于溫度和濕度敏感性簡化的11 個ESM（Earth system model）模型分析了全球SOC時空變化及氣候的影響，結果表明，在RCP8.5情景模式下21世紀末全球SOC庫變化范圍是-72～253 Pg C，其中高緯度地區(qū)SOC 庫變幅最大，為-37～146 Pg C。Ren 等[30]采 用DLEM（Dynamic land ecosystem Model）過程模型模擬了1901—2010 年間全球農田SOC 時空演變，發(fā)現(xiàn)最近10 a全球農田SOC儲量及密度分別比20 世紀早期增加了125%和48.8%，其中農田面積擴張及氮肥用量增長是SOC增加的主要原因，而氣候變化僅導致約3%的SOC 儲量損失。Wang 等[31]利用RothC 模型及全球0.1°（經緯度）土壤屬性數據模擬了1961—2014 年間不同碳輸入情況下全球農田表層（0～30 cm）SOC 的動態(tài)變化，分析了管理措施變化對SOC 時空變化的影響，結果發(fā)現(xiàn)，當秸稈還田比例分別設定為30%、60%、90%時，全球農田平均SOC 密度增幅分別為0.22、0.45 mg C·hm-2和0.69 mg C·hm-2，其中，美國中部、西歐和中國北部地區(qū)SOC增加顯著，南北半球的高緯度地區(qū)SOC含量也有一定升高，但赤道地區(qū)SOC 含量明顯減少。Smith 等[32]采用CENTURY模型模擬了加拿大農田1970—2010 年的SOC 時空變化，發(fā)現(xiàn)當前加拿大農田SOC 接近平衡狀態(tài)，其中，1970、1990 年 和2010 年 的SOC 變 化 速 率 分 別為-67、-39 kg C·hm-2和11 kg C·hm-2，2000 年起由碳源轉為碳匯與免耕面積比例的穩(wěn)定增長密切相關。Ogle 等[33]則采用CENTURY 模型模擬了美國農田1990—2000 年SOC 變化，并基于MC 方法評估了SOC模擬的不確定性，結果表明，1990—1995 年及1995—2000 年2 個時段內，美國農田SOC 增加速率分別為14.6 和17.5 Tg C·a-1，其不確定性分別為±22%和±16%，SOC 的增加與美國實施的休耕保護計劃（Conservation Reserve Program）密切相關。Xu 等[34]基于DNDC 模型和1:100 萬土壤數據庫，模擬了1980—2008年中國水稻土表層（0 ～30 cm）SOC時空演變，結果表明，1980—2008 年中國水稻土的平均固碳速率為5.0 Tg C·a-1，28 a 間83.3%的水稻土表現(xiàn)為固碳，16.1%的水稻土丟碳，而0.6%的水稻土表層SOC 保持平衡狀態(tài)。Yu等[35]則基于Agro-C 模型模擬了中國農田的SOC 時空演變，結果表明，1980—2009 年間中國農田表層（0～30 cm）SOC 平均固碳速率為24.3（11.0～36.5）Tg C·a-1?？傮w來看，經濟和政策驅動的土壤碳輸入增強是中國農田土壤總體固碳的主要原因[12]。

3.2 基于微生物模型的SOC時空變化研究進展

微生物模型有助于探討氣候變化與SOC 間的反饋作用[20]，運用微生物模型分析全球SOC 時空變化已經成為大尺度SOC 時空變化研究的新趨勢[19-22]。Wieder 等[19]通 過CLM4.5（Community Land Model4.5）過程模型和MIMICS 微生物模型模擬全球SOC 時空變化的分析發(fā)現(xiàn)，無論是CLM4.5模型還是MIMICS模型，高緯度地區(qū)都表現(xiàn)為明顯的丟碳，但與CLM4.5模型相比，MIMICS 模型模擬的全球尺度SOC 含量與HWSD（Harmonized World Soil Database）數據庫SOC觀測值更為接近。Wang 等[36]采用整合了MEND 微生物模型的TRIPLEX-MICROBE 模型預估了21 世紀全球SOC 及微生物量碳（Microbial carbon,MBC）時空變化，結果發(fā)現(xiàn)，RCP2.6、RCP4.5 和RCP8.5 3 種情景模式下，全球SOC 庫由2013 年的1099 Pg C 分別降低到2100 年的1032、996 Pg 和924 Pg，分別降低了6.1%、9.4%和15.9%，但MBC庫則由2013年的20.89 Pg C分別增加到2100 年的23.78、25.13 Pg 和29.16 Pg，分別增加了13.8%、20.3%和39.6%，因此，盡管SOC 降低主要發(fā)生在北極等高緯度地區(qū)，但隨著赤道至中緯度地區(qū)的氣候逐漸變暖，北半球變成更大的碳匯，有助于補償高緯度地區(qū)的碳損失。與經典SOC 過程模型的應用相比，基于微生物模型的SOC時空變化研究不僅著重分析了SOC 對溫度變化的響應，更加關注了SOC 對微生物碳利用效率（Microbial carbon use efficiency，CUE）變化的響應。比如，Allison 等[16]應用AWB 和CON 模型模擬了SOC 對全球氣溫平均升高5 ℃的響應，結果發(fā)現(xiàn)，微生物生物量和降解酶的下降可以解釋觀測到的土壤碳排放隨增溫衰減現(xiàn)象，同時CUE 的降低限制了微生物分解者的生物量，減少了土壤碳的損失。然而，微生物的適應或微生物群落的變化也可能導致CUE 向上調整，抵消微生物生物量下降，從而加速土壤碳損失，因此，Allison 等[16]認為SOC 對氣候變暖的響應主要取決于CUE。Li 等[37]則通過比較4 個微生物分解模型，闡述了一階分解模型和其余3 個不同復雜程度的微生物分解模型在土壤碳分解中的作用，以及預測短期到長期的土壤碳的時空動態(tài)變化中的重要性。此外，微生物模型擴展至全球尺度時，模型結構評估和CUE 等關鍵參數優(yōu)化的重要性也基本形成了共識[36]。

3.3 基于DSM-時空替代的SOC時空變化研究進展

Stockmann 等[38]基于具有明確采樣時間的63 503個樣點SOC 數據、氣象數據、DEM 計算的地形因子及MODIS 土地覆蓋數據，采用SCORPAN 模型框架的回歸Kriging 方法建立全球SOC 空間預測模型，通過土地覆蓋數據時空替代預測的2001年和2009年全球表層（0～10 cm）SOC 含 量 分 別 為3.94%±0.03% 和3.76%±0.03%。采用類似的方法，Yigini 等[39]基于歐盟LUCAS 表層土壤數據庫的22 300 個樣點土壤數據和氣象數據、DEM 及土地利用數據建立SOC 的回歸Kriging 空間預測模型，通過時空替代方法分析了未來氣候及土地覆蓋變化對SOC時空變化的影響，結果發(fā)現(xiàn)，RCP 2.6、RCP 4.5、RCP 6.0 和RCP 8.5 4 種氣候情景以及LUMP（Land Use Modelling Platform）生成的當前（2010 年）和未來（到2050 年林地和半自然土地增加3.08%，農用地減少4.16%，牧草地減少5.18%，濕地減少0.31%）兩種土地覆蓋情景下，未來40 a 歐洲表層（0～20 cm）SOC 儲量總體呈增加趨勢，不同情景預估的SOC 庫增幅為7～13 Pg，其中僅歐洲南部部分地區(qū)SOC 微降。Sanderman 等[40]基于全球標準化土壤剖面數據庫WoSIS（World Soil Information Service）以及全球氣象、地形、巖性數據和全球環(huán)境歷史數據庫HYDE（History Database of the Global Environment），采用RF 算法建立全球SOC 時空預測模型，通過HYDE 土地利用數據的時空替代分析了土壤的農業(yè)利用對全球SOC損失的影響，結果表明，過去1.2萬a 以來農業(yè)利用導致全球SOC（0～200 cm）損失133 Pg，其中最近200 a內SOC損失速率增加最為顯著；放牧地和農田的擴張對SOC損失量的貢獻大體相等，同時，丟碳熱點區(qū)與一些主要的農田區(qū)及半干旱放牧區(qū)的空間分布相一致。Adhikari等[41]基于威斯康星州的280 個土壤采樣點數據以及氣候、母質、地形和土地利用等17 個環(huán)境變量數據建立SOC 預測的回歸樹模型，通過氣象及土地利用數據的時空替代預估了IPCC SRES A1B 情景下表層（0～30 cm）SOC 的時空變化，結果表明，到2050 年，該區(qū)SOC 總體增幅為20 Mg C·hm-2，而SOC 降低的區(qū)域主要分布在北部的湖區(qū)及森林生態(tài)區(qū)。Chen等[42]基于2017年湖北省1872個農田樣點表層（0～20 cm）SOM 實測數據以及氣象、DEM 和MODIS 遙感影像等輔助數據，采用GBRT（Gradient boosting regression tree）算法建立SOM 空間預測制圖模型，進而通過對氣候因子、植被因子及土地利用的時空替代分析了2000—2017年農田SOM 的時空變化，結果發(fā)現(xiàn)，2000—2017 年SOM 平均含量總體呈增加趨勢，凈增幅為0.26 g·kg-1，但SOM 時空變化具有明顯的空間差異性，其中南部地區(qū)SOM 增加，而中北部地區(qū)SOM降低。

4 研究展望

4.1 加強SOC 周轉機理研究是提升SOC 時空變化估算精度的關鍵

經典過程模型能夠有效揭示不同尺度管理措施和土地利用變化對SOC時空變化的影響，但沒有明確表達微生物的分解作用，因此，在模擬SOC 對溫度變化響應的敏感性方面仍存在問題，特別是在難分解/惰性碳庫對溫度變化響應的敏感性方面還有很大的爭議。MIMICS、MEND 和GER 等微生物模型則明確表達了微生物作為分解者的作用，這對于探討SOC對氣候變化的響應方面具有重要意義，但微生物模型沒有像經典過程模型那樣考慮管理措施對SOC 時空變異的影響，此外，微生物模型還存在振蕩效應及對碳輸入響應的不敏感性等問題。而近年來在大尺度SOC時空變化估算中應用的“DSM-時空替代”方法盡管取得了一系列的重要進展，但由于環(huán)境因子及管理措施對SOC 變化的影響是一個累積、漸進的過程，加之環(huán)境因子影響的“滯后效應”，直接將模型中“動態(tài)”的輸入變量替換為待估算年份的對應變量值的替代方法，往往導致SOC估算結果在較短的時段內就呈現(xiàn)出強烈的波動性。因此，進一步加強SOC周轉機理研究，以便在估算方法中更好地體現(xiàn)SOC周轉機理和過程的新認知，是未來進一步改進現(xiàn)有SOC時空演變預測模型結構以提升SOC時空變化估算精度的關鍵。

4.2 建立統(tǒng)一時空基準的高分辨率模型驅動數據是實現(xiàn)SOC時空變化精細模擬的基礎

氣象、土壤屬性及管理措施等基礎數據是驅動模型以實現(xiàn)SOC時空變化估算的基礎，模型驅動數據的質量直接關系到估算結果的可信度[43]。然而，目前可用的模型驅動數據，特別是大空間范圍內的土壤和管理措施數據的分辨率依然偏低。比如，目前全球土壤剖面數據收集最為詳細的全球標準化土壤剖面數據庫WoSIS（World Soil Information Service）中有SOC 測定值的剖面點也僅有82 643個，僅占該數據庫收集剖面點數量的約40%。而中國第二次全國土壤普查的土壤剖面點有10 萬多個，但目前用于繪制國家土壤性質圖的剖面數據卻不超過9000 個，其中能公開免費獲取的數據則更少。此外，盡管目前全球尺度上有多個土壤數據庫可用于驅動SOC 模型，比如，HWSD、GSDE（Global Soil Dataset for Earth System Model）、Soilgrids、WISE（World Inventory of Soil Emission Potentials Database）等，但由于土壤性質在水平和垂直方向上都具有很大的空間異質性，加之不同土壤數據庫中土壤屬性測定時間存在顯著的差異性，導致統(tǒng)一時空基準的全球初始土壤條件數據仍然缺乏。比如，就土壤黏粒含量及其空間分布而言，IGBP-DIS（Data and Information System of International Geosphere-Biosphere Programme）與GSDE數據庫之間存在顯著的差異性[44]；而WoSIS 數據庫中SOC 測定年份明確的僅有69 840個剖面，且測定時間從1900年至2015年不等。因此，建立高分辨率、統(tǒng)一時空基準的模型關鍵驅動數據，比如初始土壤條件等，是未來實現(xiàn)大尺度、高空間分辨率SOC動態(tài)模擬研究的重要基礎。

4.3 完善不確定性信息是提升SOC 時空變化估算結果科學性的保障

由于當前陸地生態(tài)系統(tǒng)碳循環(huán)認識、土地利用變化判別、人為活動影響、深層SOC 變化以及估算模型的有效性、尺度轉換和輸入數據誤差、空間分辨率及可獲取性等因素限制，導致SOC時空變化估算依然存在很大的不確定性。然而，目前大尺度長時間系列SOC 時空演變估算中所提供的不確定性定量信息依然偏少，而綜合考慮模型結構、內部參數、輸入數據及三者之間相互作用的不確定性評估則更少。在很大程度上制約了相關研究成果在不同尺度土壤碳分區(qū)管理決策中的實際應用效果。此外，土壤數據作為影響SOC 時空變化估算結果不確定性的最重要驅動數據之一，關于土壤數據聚合（Soil data aggregation）對SOC 時空演變估算影響的不確定性及尺度效應還缺乏足夠的重視。比如，土壤數據聚合影響初始SOC含量的局部空間變異表達細節(jié)及空間變異表達的不確定性，將會對SOC 時空演變模擬結果產生深刻影響。然而，現(xiàn)有基于土壤圖的SOC 時空變化研究中，均假定土壤制圖單元的初始SOC 含量均值估算沒有不確定性，從而難以全面反映土壤屬性信息缺失對SOC時空演變模擬影響的不確定性，進而制約了SOC時空演變的尺度效應研究。因此，完善SOC時空變化估算的不確定性信息是未來研究的一個重要方向。