黄河源区土壤有机碳影响因子作用机制及模拟模型探讨

论文价格:150元/篇 论文用途:硕士毕业论文 Master Thesis 编辑:vicky 点击次数:
论文字数:37885 论文编号:sb2021083010185237126 日期:2021-09-06 来源:硕博论文网
本文主要结论如下: (1)将环境变量划分为地形、土壤理化、气象、植被和 MODIS 遥感指标等因子。其中,SOC 实测值的平均、最小、最大值分别为 73.58g/kg、2.73 g/kg、390.80 g/kg。 (2)土壤有机碳与地形因子和土壤理化因子的相关性较为微弱,与气象因子中的温度有显著的负相关关系,和降水正相关。具体来说,在地形因子中,SOC与经度正相关(0.23),与纬度负相关(-0.36)。就土壤理化因子来说,SOC 和表层粘粒含量(clay1)、深层黏粒含量(clay2)显著正相关,相关系数分别为 0.13、0.18,和 pH 值显著负相关(-0.24)。

第一章   绪论

1.1  研究背景
黄河源区是我国主要的产流和水源涵养区(陈建军等,2019)。具有水资源供给、碳固定、水土保持、气候调节等重要的功能,其生态环境的变化严重影响着源区生态及人民生活的可持续。这里也是青藏高原的主要草原区,高寒草地占比最高(曾永年等,2009)。但近年来由于人类活动及气候的变化,高寒草地退化现象严重,这也就影响着黄河源区生态经济的可持续发展及稳定。
土壤有机碳在土壤质量评价和土地资源利用管理中作用重大。土壤作为生态系统的重要组成部分,对于未来的粮食安全和生物多样性的保护都至关重要,具有其他重要的生态系统服务功能,如碳固存、保水能力。并且土壤是 SOC 的净源或净汇,对全球气候具有重要影响力(Polyakovet al., 2004)。草地生态系统的固碳能力强大(李凌浩,1998)。根据上个世纪八十年代初期的草地普查资料显示,我国天然草地面积在世界上居世界第二位。就全球陆地生态系统来说,草地面积最大,高寒草地作为草地系统中占比面积最大的系统,其生物多样性和遗传基因也最丰富(董世魁等,2017)。高寒草地土壤有机碳具有强大的生态功能,但随着经济社会发展,自然条件恶化、人为因素影响加剧,导致高寒草地生态恶化,影响碳储存功能的发挥,不利于未来大气二氧化碳储量的估算、及对未来气候变化的预测。黄河源区有大面积的高寒草地,因此土壤有机碳储量的多少引起了许多学者的关注。有研究小尺度的(王翀,2018;孙飞达等,2016)、也有针对大尺度范围的有机碳含量研究(吕韶利,2018),但基于多年系统取样数据构建模型进行土壤有机碳含量研究的文献较少。鉴于土壤的空间异质性较强,区域尺度土壤有机碳的估算可以为更大范围的估算提供精度支持,并且为区域尺度内更有利于生态经济发展等相关政策的制定和可持续发展提出借鉴。因此,本研究基于多年野外土壤样本实测数据,收集多方面的环境变量,在变量优选的基础上构建多种土壤有机碳模拟模型,运用精度评价的方式寻找模拟黄河源区土壤有机碳含量的现有模型下的最优模型,以此来探究黄河源区土壤有机碳的空间变异性,同时也要分析环境变量对土壤有机碳的影响和作用机制,以期为黄河源区碳循环对气候变化、生态保护和人类生计的可持续发展提供科学依据。
...........................

1.2  土壤有机碳的国内外研究进展
1.2.1  土壤有机碳的影响因子研究进展
土壤有机碳一定程度上反映土壤健康状况(李玉强等,2005)。土壤有机碳储量的大小是由植被产生的碳输入与土壤呼吸和微生物分解的碳损失之间的相互平衡决定的(Bai et al., 2010)。土壤有机碳储量是影响生态系统稳定性的重要控制因素,然而其大小受多种因素相互作用的控制。主要受自然如气候、植被;人为如开垦、禁牧及种植人工草地等的影响。在本文中将土壤有机碳的主要受控因子归为气候、地形、植被、土壤理化等。
1.2.1.1  气候因子
气候因子主要从输入、输出方面影响土壤有机碳储量,一方面通过制约植被类型及生产力影响土壤有机碳输入量(Sutfin et al., 2016);另一方面,通过影响起主要驱动作用的微生物等的分解转化作用及土壤水分、土壤通气性等条件的变化影响土壤有机碳的输出量(Davidson et al., 2000)。长期以来,气候也影响植物生产力和土壤碳输入,在潮湿的气候条件下,碳的输入和碳的积累被认为是影响植物生物量的最主要因素,土壤碳储量在冷湿生物群落中最高,在热干生物群落中最低。
温度和水分影响土壤有机碳储量(周莉等,2005)。不应孤立地看待温度,例如,温度影响蒸散量,影响土壤含水量,影响土壤有机质(SOM)的分解。温度小于 10℃时,含量会相应增加(Knoepp et al., 2002;李玉强等,2005)。温度影响微生物、酶等的活性,升温增强微生物活性,进而导致土壤碳含量下降(Rustad et al., 2001)。在我国,降水的季节变化及空间异质性很明显,这将改变土壤微生物厌氧和好氧过程,使得土壤有机碳的含量产生变化(吕韶利,2018)。
........................

第二章   研究区概况和研究方法

2.1  研究区概况
黄河源区位于 95.83°- 103.50°E、32.75°- 36.85°N 之间,总面积约为 1.32105 km2。地势西高东低,海拔高度为 2499-6295m。气候类型为高原亚寒带半湿润气候,其高原大陆性气候特性比较明显(韩思淇等,2019)。日照强烈、光照充足,全年日照数在 2000-3000h,降水多在 6-9 月,年降水量在 320-750mm 之间。源区气候干旱、高寒,沙化和缺氧现象严重。随着人类活动的加剧,源区生态已遭严重破坏,恢复生态成为当下最为紧要的工作。
黄河源区有草甸土、风沙土等土壤类型(韩思淇等,2019)。源区内分布着中国最大的高原淡水湖-泊扎陵湖和鄂陵湖。研究区经济以草地畜牧业为主,人口密度低,仅为 0.35 人/km2。基于任继周(2008)提出的草地综合顺序分类法(the Comprehensive and Sequential Classification System , CSCS),黄河源区主要的土地利用类型是草甸类草地(图 2-1)。
图 2-1   基于综合顺序分类法(CSCS)的黄河源区草地类型
图 2-1   基于综合顺序分类法(CSCS)的黄河源区草地类型 
.................................

2.2  系统取样及取样设计
草地土壤有机碳实测数据集是由兰州大学草业系统分析与社会发展研究所的同学们进行野外采样获得(图 2-2),野外调查集中在 2014-2015、2018-2020年的 5-10 月份,选择随机监测样地和条件拉丁超立方体的采样方法(conditional Latin Hypercube Sampling, cLHS; Minasny et al., 2006)。cLHS 是在 LHS(超拉丁方 Latin Hypercube Sampling,LHS; McKay et al., 1979)的基础上提出的,将一个个辅助变量作为一个个纬度,那么具备多个属性特征的点就位于这个多维空间中,在实验设计时相当于在这个多维空间中选取样本点。cLHS 可以将连续或者类型变量都作为辅助变量参与采样点设计,采样点属于非参数分布,在需要的时候可将空间信息纳入辅助信息中,使得样点布设更加合理。布设样点在 R 软件中的 clhs 数据包中实现,在布设样本点时的限制变量包括地形因子、气象因子、土壤理化因子、植被因子和遥感指标,并制作“成本图层”对样点位置及分布情况进行约束,可在实现充分采样的条件下降低采样成本。
将采样区设置在具有空间代表性的区域,实际收集到样点 619 个,每个样点用土钻重复收集 3 个样本,采样深度为 20cm,将 3 个重复样本放入样本袋中组成一个样本。在实验室的干燥通风处将采集的土样自然风干,并拣出大石子、敲碎大土块,然后将土样过筛和研磨。利用 0.25mm 的筛子筛取用于测量土壤有机碳的样本。利用重铬酸钾外加热法进行土壤有机碳测量(鲍士旦,2000;王梅,2019;王翀,2018)。根据氧化前后重铬酸钾硫酸溶液的消耗量的变化来计算有机碳含量。
...............................

第三章  影响土壤有机碳储量的环境变量 .................... 24
3.1 土壤有机碳和环境变量的描述性统计 ........................... 24
3.1.1 SOC 实测值和地形因子的描述性统计 ........................ 24
3.1.2 气象因子的描述性统计 ................................... 24
第四章 土壤有机碳模拟模型比较及最优模型的确定 ........... 37
4.1 构建变量集 ........................ 37
4.2 模型比较 ......................... 38
第五章 黄河源区土壤有机碳含量的空间分布格局 ............. 47
5.1 基于最优模型的黄河源区土壤有机碳数字制图 ................... 47
5.1.1 黄河源区 SOC 总体格局 .................................... 47
5.1.2 黄河源区 SOC 在不同草地类型下的分布格局 .................. 48

第五章  黄河源区土壤有机碳含量的空间分布格局

5.1  基于最优模型的黄河源区土壤有机碳数字制图
5.1.1 黄河源区 SOC 总体格局
图 5-1   基于最优模型的黄河源区 2020 年土壤有机碳空间分布图
图 5-1   基于最优模型的黄河源区 2020 年土壤有机碳空间分布图
2020 年黄河源区总 SOC 储量为 8.32× 1012TC,SOC 含量的平均值为58.45g/kg。SOC 含量呈现东南多、西北少,由东南向西北减少的趋势(图 5-1)。这与黄河源区气温和降水的变化趋势一致,与地形特征和植物覆盖度的变化趋势也一致。
............................

第六章  结论和展望

6.1  主要结论
了解不同环境变量对于黄河源区土壤有机碳的作用机制,从而通过模型模拟的方法准确估测出 SOC 含量,对草地资源的可持续利用及土壤资源的有效管理都具有非常重要的作用。通过收集涉及土壤理化、地形、气象及植被等各方面的环境变量因子,进行相关性分析,以及对土壤有机碳的作用机制。采用多种变量筛选策略,及多种模型的模拟比较,根据线性模型、机器学习算法的模型比较得到最优模型,以期为黄河源区土壤有机碳含量的模拟提供更加精确的指导。主要结论如下:
(1)将环境变量划分为地形、土壤理化、气象、植被和 MODIS 遥感指标等因子。其中,SOC 实测值的平均、最小、最大值分别为 73.58g/kg、2.73 g/kg、390.80 g/kg。
(2)土壤有机碳与地形因子和土壤理化因子的相关性较为微弱,与气象因子中的温度有显著的负相关关系,和降水正相关。具体来说,在地形因子中,SOC与经度正相关(0.23),与纬度负相关(-0.36)。就土壤理化因子来说,SOC 和表层粘粒含量(clay1)、深层黏粒含量(clay2)显著正相关,相关系数分别为 0.13、0.18,和 pH 值显著负相关(-0.24)。在气象因子中,SOC 与积温(JW)、冬季夜间地温(LsTND)有显著的负向相关关系(P<0.01),相关系数分别为-0.29、-0.27;与年降水(NJS)显著正相关,相关系数为 0.22。土壤有机碳和植被因子中的 26个因子均有显著的相关性(P<0.05),和遥感指标中的 24 个因子有显著的相关关系(P<0.05)。
(3)变量筛选中,变量纬度(lati)、高程(slop)、积温(JW)、年降水(NJS)、pH 值、冬季的波段 7(b7D)在三种变量筛选中均入选,对土壤有机碳含量有显著影响。使用逐步回归模型、岭回归模型以及 LASSO 回归模型分析环境变量对土壤有机碳的影响,在逐步回归分析中一共保留了纬度(lati)、坡度(slop)、≥0℃积温(JW)、年降水(NJS)等 13 个变量;在岭回归分析中保留了 lati、slop、clay1、clay2、sand2、pH、EVID 等在内的 30 个变量;在 LASSO 回归分析中保留了 lati、slop、JW、NJS、clay2、pH、BD、ED、DD、b6D、b7D、Ls TDX 12个变量。
参考文献(略)

上一篇:税收政策对兵团“走出去”涉农企业经营绩效的影响思考范文——以第一师阿拉尔市为例
下一篇:没有了