不同农田管理措施对土壤碳排放强度影响的Meta分析

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

李寒冰¹, 金晓斌^,¹^,²^,³, 杨绪红¹, 徐伟义¹, 周寅康¹^,²^,³1. 南京大学地理与海洋科学学院,南京 210023
2. 国土资源部海岸带开发与保护重点实验室,南京 210023
3. 江苏省土地开发整理技术工程中心,南京 210023

Meta-analysis of the effects of different farmland management measures on soil carbon intensity

LI Hanbing¹, JIN Xiaobin^,¹^,²^,³, YANG Xuhong¹, XU Weiyi¹, ZHOU Yinkang¹^,²^,³1. College of Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210023, China
2. Key Laboratory of Coastal Zone Exploitation and Protection, Ministry of Land and Resources, Nanjing 210023, China
3. Jiangsu Provincial Land Development and Consolidation Technology and Engineering Center, Nanjing 210023, China

通讯作者: 金晓斌,男,甘肃兰州人,博士,教授,博士生导师,主要从事土地利用与规划研究。E-mail: jinxb@nju.edu.cn

收稿日期:2019-04-4修回日期:2019-07-3网络出版日期:2019-09-25

基金资助:

国家自然科学基金项目.41671082

Received:2019-04-4Revised:2019-07-3Online:2019-09-25
作者简介 About authors
李寒冰,女,河南商丘人,硕士生,主要研究方向为土地利用碳排放E-mail:897921736@qq.com。

摘要
农田土壤作为碳循环系统的重要组成部分,土壤碳排放核算是当前的研究重点。为有效识别不同农田管理措施对土壤碳排放强度的影响,提高区域农田碳排放核算的可靠性,本文通过收集国内外相关文献,基于Meta分析方法定量分析施肥、免耕、秸秆还田、增施有机肥等不同农田管理措施对土壤碳排放的影响效果,并引入土壤类型、作物等变量,分区建立各影响因素对农田土壤碳排放强度影响的统计分析模型。结果表明：与不施肥、免耕相比,施化肥、增施有机肥、传统耕作将增大土壤碳排放强度,合并效应值分别为0.62、0.64和0.23;不采用秸秆还田将降低土壤碳排放强度,合并效应值为-0.17。模拟结果显示,各变量系数与Meta分析结果相一致,并通过累计概率的正态性检验。建立分区函数模型可为不同区域、不同土壤类型、不同作物和不同管理措施下针对性开展农田土壤碳排放核算提供参考。
关键词： 农田;管理措施;土壤碳排放;碳核算;Meta分析;中国

Abstract

Farmland soil is an important part of the carbon cycle, and soil carbon emission accounting is a key topic of current research. In order to effectively identify the impact of different farmland management measures on soil carbon emission intensity and improve the reliability of regional farmland carbon emission accounting, this study applied the meta-analysis method based on relevant research literature in China and internationally, and quantitatively analyzed the impact of fertilization, no-tillage, straw returning, and organic fertilizer application on soil carbon emissions. Soil types, crops, and other variables were introduced to build the statistical analysis models of the effect of various influencing factors on farmland soil carbon emission intensity for different regions. The results show that the application of chemical fertilizer, organic fertilizer application, and traditional tillage will increase soil carbon emission intensity compared with no fertilization and no-tillage, and the combined effect values are 0.62, 0.64, and 0.23, respectively. No straw returning will reduce carbon emission intensity, and the combined effect value is -0.17. The simulation results show that the coefficients of variables are consistent with the results of the meta-analysis and pass the normality test of the cumulative probability. By establishing a partition function model, it can provide references for the targeted accounting of carbon emissions of farmland in different regions, and with different soil types, different crops, and different management measures.

Keywords：farmland;management measures;soil carbon emissions;carbon accounting;meta-analysis;China

PDF (4522KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
李寒冰, 金晓斌, 杨绪红, 徐伟义, 周寅康. 不同农田管理措施对土壤碳排放强度影响的Meta分析. 资源科学[J], 2019, 41(9): 1630-1640 doi:10.18402/resci.2019.09.05
LI Hanbing. Meta-analysis of the effects of different farmland management measures on soil carbon intensity. RESOURCES SCIENCE[J], 2019, 41(9): 1630-1640 doi:10.18402/resci.2019.09.05

1 引言

碳减排作为当前可持续发展的重要目标之一,对减缓全球变暖具有重要意义^[1]。土地利用作为碳减排的重要途径,在影响全球变暖和气候变化的人类活动中占据重要地位^[2,3,4,5]。农田生态系统作为土地利用的重要组成部分和当前重要的固碳减排体系,是学术研究的重点领域^[6,7]。CO₂作为重要的温室气体,对全球气候变暖的贡献率达60%,其中,约有5%~20%的CO₂来自土壤^[8]。农田生态系统具有复杂性和特殊性,难以被有效监测和调控,农田土壤作为由固液气3类物质组成的复杂统一体,其呼吸产生的CO₂量不仅会受内部物质种类、特性的影响,也会随人为干扰的强度而波动,不同的管理措施会直接或间接地影响土壤内部结构,扰动微生物的活动,进而影响土壤呼吸量和农田土壤的碳平衡^[9,10,11]。因此农田土壤碳排放强度成为了农田生态系统碳收支研究的重难点问题^{[12,13,14,15]}。

为剖析农田生态系统碳收支并解析其影响机制,探讨农田土壤的碳平衡,优化土地利用方式和强度,已有****对农田土壤碳排放量进行了估算^[16,17]。目前较主流的农田土壤碳核算方法主要有两种：一为试验点实测法,主要包括箱法^[18,19]、涡度相关法^[20]、红外色谱法^[21]等。其中箱法和涡度相关法较为常用。由于静态箱法的测定需在密闭容器内进行,测算结果可能存在偏差^[20];动态箱法在静态箱的基础上有所改进,但实际设计和操作较困难。涡度相关法避免了箱法存在的主要问题,但对客观条件要求较高。二为数学模型结合IPCC碳排放标准,通过不同作物的经济系数及其碳排放系数测算碳排放强度,但区域自然因素、农业条件及社会经济差异化等复杂特征为该方法的推广带来了挑战^[22]。整体而言,实测法相对较为准确,但难以进行大范围测量;数学模型法中的经济系数和碳排放系数固定,导致其计算结果的科学性和有效性受到质疑。有****对多种管理措施下的碳效应进行了评估^{[23,24,25,26]},但如何充分利用已有的实测数据,将不同管理措施综合起来形成定量参数表达,服务于大尺度综合效应研究仍面临严峻挑战。Meta分析作为定量评价各影响因素产生效应的统计方法,通过收集整合已公开发表文献,对相关研究成果进行统计分析,得到各影响因素的综合效应,目前广泛应用于医学^[27]、生态学^[28]、地理学^[29]等领域。随着Meta分析在地理学研究中的日益成熟,在大尺度区域借助Meta分析评价农田管理措施导致的土壤碳库变化成为当前研究热点：金琳等^[30]借助Meta分析方法研究中国不同农田管理措施对土壤有机碳含量的影响,估算农田土壤碳汇量;闫翠萍等^[25]和朱立群等^[31]则重点关注不同管理措施对农田温室气体排放量的影响;魏卫东等^[32]基于Meta分析系统评价了高寒草甸退化草地土壤有机碳含量的变化特征;也有****通过Meta分析研究作物产量^[33]等相关领域。已有基于Meta分析的研究在评估单一农田管理措施产生的土壤碳效应方面均作了有益尝试,但对多种管理措施对土壤碳效应的定量评估研究较少。

在中国农用地土壤类型、利用方式和利用强度多元化的情况下,为定量分析多种管理措施对土壤碳排放的影响,量化差异化农用地土壤碳排放量,为开展区域土地利用碳效应分析提供更有利的参数支持,本文基于Meta分析方法定量分析不同农田管理措施对农田土壤碳排放量的影响,并构建区域差异化的土壤碳排放量回归方程,形成定量化土壤碳排放参数表,以期为在不同区域、不同土壤条件和管理措施下的土壤碳排放强度测算提供参考。

2 数据源与研究方法

2.1 数据来源

本文通过Meta分析对已有研究成果进行整合,定量研究不同管理措施对农田碳排放强度的影响,对国内外相关文献进行检索。以“免耕”“秸秆还田”“不同措施”“农田管理”“CO₂排放”等为关键词,以CNKI、Elsevier、Wiley、Springer、SAGE为数据库,时限为2003—2018年,文献筛选标准为：①研究对象为中国区域农田土壤;②研究方法为定位试验点实测法,包括箱法、涡度相关法等,基于数学模型计算得到碳排放量的研究予以排除;③研究同时具有对照组和实验组,无对照组的研究予以排除;④耕作措施明确,施肥量及研究结果数据为具体数值。所选文献包括已发表文献和学位论文。获取到有效文献82篇,其中英文文献35篇,中文文献47篇。统计显示,有效文献数量呈逐年上升趋势（图1）,研究涉及学科包括环境学、农学、土壤学、生态学等,其中环境学及农学占比较大（图2）。所收集的文献共包含有效数据489组。样点数据来自41个试验点,覆盖19个省份,包含16种土壤类型,6种种植作物。

图1

新窗口打开|下载原图ZIP|生成PPT
图12003—2018年有效文献数量

Figure 1The number of valid documents, 2003-2018

图2

新窗口打开|下载原图ZIP|生成PPT
图2有效文献的学科分布

Figure 2Subject distribution of valid literature

将全国划分为华中、华北、华东、华南、西南、西北和东北7个区域,对检索文献进行统计（表1）。结果显示,数据样点集中分布在华中、华北、华东、西北、东北和西南地区,其中西南地区仅有四川省2个试验点,而华南地区无数据。41个试验样点分布较集中,且存在试验点重复现象。

Table 1
表1
表1Meta分析纳入文献
Table 1The literature included in the meta-analysis

作者	试验点		来源		作者		试验点		来源
西北区域
吕锦慧	甘肃省定西市		甘肃农业大学, 2018.		Lu, et al		陕西省咸阳市杨凌区		Plos one 13(9): 2018.
吕锦慧等	甘肃省定西市		干旱区资源与环境, 2018.		Zhang, et al		陕西省咸阳市杨凌区		Field Crops Research, 2017.
禄兴丽等	陕西省咸阳市杨凌区		西北农业学报, 2013.		Qi, et al		内蒙古锡林格勒盟		Soil & Tillage Research, 2007.
涂纯等	陕西省长武县		中国生态农业学报, 2013.		Shen, et al		陕西省长武县		Sustainability, 2017.
张鹏鹏	新疆沙湾县		石河子大学,2017.		Zhang, et al		新疆沙湾县		Journal of Arid Land , 2014.
戴万宏等	陕西省咸阳市杨凌区		西北农林科技大学学报(自然科学版), 2004.		Chen, et al		陕西省咸阳市杨凌区		Science of the Total Environment, 2016.
白雪原等	内蒙古巴彦淖尔市		灌溉排水学报, 2017.		Wang, et al		陕西省咸阳市杨凌区		Science of the Total Environment, 2019.
杨硕欢	陕西省咸阳市杨凌区		西北农林科技大学, 2017.		Hu, et al		甘肃省武威市		Soil & Tillage Research, 2017.
道力格亚	陕西省咸阳市杨凌区		西北农林科技大学, 2018.		Yu, et al		新疆沙湾县		Soil Use and Management, 2016.
郭芸	陕西省咸阳市杨凌区		西北农林科技大学, 2017.
东北区域
黄坚雄等	吉林省公主岭市		中国农业科学, 2011.		梁尧等		黑龙江省海伦市		中国生态农业学报, 2012.
贺美等	黑龙江省绥化市青冈县		土壤通报, 2016.		宋秋来等		黑龙江省哈尔滨市		江苏农业科学, 2017.
赵迅	辽宁省沈阳市		沈阳农业大学, 2016.		高洪军等		吉林省公主岭市		农业资源与环境学报, 2017.
赵泽松	黑龙江省哈尔滨市		东北农业大学, 2010.		Li, et al		黑龙江省海伦市		Communications in Soil Science & Plant Analysis, 2009.
丁洪等	黑龙江省海伦市		农业环境科学学报, 2003.		Shi, et al		吉林省德惠市		Global Biogeochemical Cycles, 2012.
吕艳杰等	吉林省吉林市		中国生态农业学报, 2016.		Tang, et al		吉林省松原市		Sustainability, 2018.
诸葛玉平等	吉林省公主岭市		土壤通报, 2005.		Yang, et al		辽宁省沈阳市		Environmental Science & Pollution Research International, 2017.
龚振平等	黑龙江省哈尔滨市		东北农业大学学报, 2015.		Ni, et al		黑龙江省哈尔滨市		Journal of Soils & Sediments, 2012.
华北区域
李琳等	河北省栾城县		应用生态学报, 2007.		邬刚等		山西省沂州市		土壤, 2013.
闫翠萍等	河北省栾城县		中国生态农业学报, 2016.		万运帆等		河北省栾城县		农业环境科学学报, 2009.
赵力莹等	河北省栾城县		中国生态农业学报, 2018.		黄斌等		北京市海淀区		农业环境科学学报, 2006.
宋利娜等	河北省栾城县		中国生态农业学报, 2013.		Shen, et al		河北省沧州市		Field Crops Research, 2018.
黄坚雄等	河北省沧州市		中国农业大学学报, 2015,.		Shen, et al		河北省沧州市		Nutrient Cycling in Agroecosystems, 2018.
王玉英等	河北省栾城县		中国生态农业学报, 2011.		Dong, et al		山西省临汾市		Geofisica Internacional, 2017.
裴淑玮等	河北省望都县		环境化学, 2012.
华中区域
李成芳等	湖北省武穴市		农业环境科学学报, 2009.		Li, et al		湖北省武穴市		Plos One, 2012.
寇志奎	湖北省武穴市		华中农业大学, 2011.		Zhang, et al		湖北省武穴市		Paddy & Water Environment, 2016.
李玮等	河南省封丘县		中国生态农业学报, 2012.		Zhang, et al		湖南省祁阳县		Journal of Environmental Management, 2016.
冯晓赟等	湖北省武汉市		农业资源与环境学报, 2016.		Zhang, et al		湖南省祁阳县		Journal of Integrative Agriculture, 2014.
夏文斌等	河南省新乡市		土壤, 2014.		Li, et al		湖北省武穴市		Atmospheric Environment, 2010.
蔡延江等	河南省封丘县		生态与农村环境学报, 2011.		Zhang, et al		湖北省武穴市		The Scientific World Journal, 2014.
梁太波等	河南省襄城县		烟草科技, 2017.		Chen, et al		湖南省长沙市		Environmental science and pollution research international, 2016.
Ding, et al	河南省封丘县		Soil Biology & Biochemistry, 2007.		Ji, et al		湖南省长沙市		Journal of the Science of Food & Agriculture, 2012.
Guo, et al	湖北省武穴市		Journal of Soil Science & Plant Nutrition, 2015.
作者		试验点		来源		作者		试验点		来源
华东区域
秦越等		山东省禹城市		农业环境科学学报, 2014.		Zhang, et al		上海市崇明岛大东村		Science of the Total Environment, 2014.
张翰林等		上海市崇明岛三星镇		中国生态农业学报, 2015.		Tu, et al		山东省禹城市		Journal of Integrative Agriculture 2017.
徐钰等		山东省泰安市		中国土壤与肥料, 2016.		Zhong, et al		浙江省杭州市		Science of the Total Environment, 2016.
盛海君等		江苏省扬州市		扬州大学学报(农业与生命科学版), 2018.		Liu, et al		江苏省南京市		Environmental Pollution, 2012.
李新华等		山东省禹城市		农业环境科学学报, 2015.		Hou, et al		山东省禹城市		Soil Science Society of America Journal, 2014.
马小婷		山东省禹城市		青岛大学, 2017.		Zhang, et al		安徽省萧县		Soil & Tillage Research, 2017.
米迎宾等		江苏省东台市		灌溉排水学报, 2017.		Han, et al		山东省济南市		Experimental Agriculture, 2017.
李燕青等		山东省禹城市		中国农业科学, 2015.
西南区域
杨娟等		四川省都江堰市		中国生态农业学报, 2015.		Wang, et al		四川省盐亭县		Journal of Mountain Science, 2018.

新窗口打开|下载CSV

2.2 Meta分析

Meta分析是对同一研究课题的多项同性质独立研究成果进行定量综合分析的统计学方法,即通过全面搜集研究成果并进行评价和分析,运用统计学方法处理得到综合结论的过程^[34]。Meta分析作为一种系统评价方法,可对某一个或多个影响因素的综合效应进行定量分析,并根据效应值的大小得到各影响因素的显著性,通过对大量同类研究的不同结果进行加权整合,简洁直观地表示出规律结果^[35,36]。由于样点实测数据存在差异性,本文以标准化均数差为效应量,计算各效应量估计值和95%置信区间。

将施肥、秸秆还田、免耕、施有机肥4种管理措施划分实验组和对照组,利用各组碳排放量的平均值和标准差计算效应量。本研究选取响应比作为效应量

\ln R

。

（1）

\ln R = \ln (\frac{E_{e}}{E_{c}})

式中：R为响应比;

E_{e}

为实验组的土壤碳排放量（kg/hm²）,

E_{c}

为对照组土壤碳排放量（kg/hm²）。

为更简明地表达各自变量对土壤碳排放的影响程度,将效应值转化为各影响因素对土壤碳排放量的贡献率

C_{e}

。

（2）

C_{e} = (\exp (\ln R) - 1) \times 100 %

C_{e}

的95%置信区间若全部大于0,说明此变量对土壤CO₂排放具有显著正效应;若全部小于0,说明此变量对土壤CO₂排放具有负效应;若包含0,则无显著影响。

固定效应模型和随机效应模型的选择依赖于异质性检验,若单个研究结果之间异质性较弱,选取固定效应模型;反之,选择随机效应模型。本文应用P值及I ²统计量检测异质性存在与否和异质性程度。

若

I^{2} < 50

且

P > 0.1

,说明异质性较弱,忽略异质性,选择固定效应模型;若

I^{2} \geq 50

或

P < 0.1

,说明异质性较强,合并异质性,选择随机效应模型。

为直观表述Meta分析结果,本文借助Revman5.0软件,采用森林图作为结果表达形式。森林图以一条垂直的无效线为中心,以水平的多条线段描述被纳入研究的各效应量及置信区间,各线段上点的大小代表样本量及所占权重,用一个菱形直观描述合并效应量,即各影响因素对土壤碳排放量的贡献率

C_{e}

,以合并后的结果和无效线判定合并效应量有无统计学意义^[25],同时定量显示异质性检验结果,包括卡方检验（Chi²）结果、自由度（df）、合并效应量及其95%置信区间、合并效应量的检验值（Z）等。该方法可通过各独立研究成果的加权平均值估计不同措施的干预效果。

3 研究结果

3.1 Meta分析结果

为对施肥（CF）农田土壤的碳排放量进行效应值计算,以不施肥（NF）土壤作为对照组,结果表明,异质性检验具有统计学意义（I ²=0,P=1.00）,表明各研究间异质性较弱,选用固定效应模型。Meta分析显示,单个研究的效应量集中在无效线右侧,合并效应量为0.62,即贡献率

C_{e}

为0.62。95%置信区间为[0.23,1.00],合并效应量大于0,表明与不施肥组对照,施肥可显著增加土壤碳排放量。

为对秸秆不还田（RM）农田土壤的碳排放量进行效应值计算,以秸秆还田（RT）土壤作为对照组,异质性检验结果表明各研究间异质性较弱（I ²=0,P=0.93）,选用固定效应模型。Meta分析显示（图3）,单个研究的效应量集中在无效线左侧,合并效应量为-0.17,即贡献率

C_{e}

为-0.17。95%置信区间为[-0.47,0.13],合并效应量小于0,森林图中菱形完全在无效线左侧,表明与秸秆还田对照,秸秆不还田可减低土壤碳排放量,即秸秆还田可在一定程度上增大土壤碳排放。

图3

新窗口打开|下载原图ZIP|生成PPT
图3不同农田管理措施对土壤碳排放的影响程度

Figure 3Impact of different farmland management measures on soil carbon emissions

为对传统耕作（包括翻耕、旋耕和深耕）（CT）土壤的碳排放量进行效应值计算,以免耕（NT）土壤作为对照组,异质性检验具有统计学意义（I ²=14%,P=0.27）,表明各研究间异质性较弱,选用固定效应模型。Meta分析显示（图3）,单个研究的效应量多数分布在无效线右侧,合并效应量为0.23,即贡献率

C_{e}

为0.23。95%置信区间为[-0.18,0.64],合并效应量大于0,森林图中菱形大部分在无效线右侧,表明与免耕组对照,传统耕作能促进农田土壤碳排放,免耕可显著降低碳排放量。

为对增施有机肥（OM）土壤碳排放量进行效应值计算,以不施有机肥（CF）土壤作为对照组,异质性检验具有统计学意义（I ²=0,P=0.94）,表明各研究间异质性较弱,选用固定效应模型。Meta分析显示（图3）,单个研究的效应量集中在无效线右侧,合并效应量为0.64,即贡献率

C_{e}

为0.64。95%置信区间为[0.20,1.09],合并效应量大于0,森林图中菱形完全在无效线右侧,表明与不施有机肥组对照,增施有机肥可显著增加土壤碳排放量。

3.2 差异化土壤碳排放强度分析

3.2.1 函数模型构建

为验证Meta分析结果并进一步分析区域差异化的土壤碳排放,在施肥、免耕、秸秆还田等变量的基础上,引入土壤类型、作物种类作为虚拟变量,拟合各自变量与碳排放量的函数关系。西南地区因数据过少而予以剔除。

模型构建中,以土壤CO₂排放量为因变量（y）,以氮肥（N）、磷肥（P）、钾肥（K）、有机肥、秸秆还田、免耕、土壤、作物作为自变量（

x_{i}

）,其中N、P、K为连续变量。由于试验点施用有机肥种类不同且有机质含量不一,不易标准化,故将有机肥、秸秆还田、免耕、土壤和作物分类作为哑元变量,有机肥、秸秆还田、免耕作为二分类变量,土壤和作物分类参考均值赋原变量编码值后参与拟合。

在方程拟合前对不同区域、土壤类别、作物种类的碳排放量进行分析。均值统计表明,华中地区排放量均值最大,东北地区次之,华北地区最小;作物种植方面,豌豆排放量最大,其次为玉米,再者是小麦,最小为大豆;在土壤类型上,黄壤最大,次之为红壤,最小为盐碱化土。将氮肥使用量（kg/hm²）、磷肥使用量（kg/hm²）、钾肥使用量（kg/hm²）、是否施用有机肥、是否进行秸秆还田、是否免耕、土壤类型和作物分类等7个影响因素作为拟合变量,将有机肥、秸秆还田、免耕、土壤和作物作为哑元变量,不考虑各变量间的相关关系,经多次尝试,得到拟合度最佳的函数模型：

（3）

y = α + \overset{n}{\sum_{i = 1}} β_{i} x_{i} + ε (n = 7)

不同区域函数拟合结果中的各变量系数表明（表2）：氮、磷、钾肥对土壤碳排放整体具有正效应,增施会显著促进土壤碳排放,这与Meta分析结果相同;有机肥增施在华东、华中和东北地区具有正效应,在华北和西北地区具有负效应,这进一步细化了Meta整合分析结果;秸秆还田整体呈正反馈效应,即秸秆还田会增加土壤碳排放量,而在华东地区呈微小负反馈状态,这与Meta分析结果基本一致;免耕与土壤CO₂排放量具有正相关关系,但在东北地区出现相反的情况。

Table 2
表2
表2不同区域函数拟合变量表
Table 2Function table of different regions

区域	华东	华中	华北	西北	东北
常量	-3230.96	-1597.73	-9710.11	1625.56	-1938.88
N	-4.2	-1.42	18.74	-378.18	318.19
P	-24.64	-1.74	-20.64	1009.34	1402.77
K	35.97	6.92	22.22	-8.21	1.85
有机肥	2532.68	2888.01	-5626.05	5.76	12.25
还田	-443.86	5032.94	576.97	9.3	2.97
免耕	-4728.53	-1600.2	-3700.03	-1512.61	12.15
土壤类型	582.98	201.93	1569.77	801.59	1147.33
作物分类	1409.8	847.35	1063.93	-1793.30	2516.93
残差	5117.38	2832.42	3478.53	2655	3681.56
R²	0.44	0.51	0.44	0.73	0.58
调整后R²	0.36	0.46	0.36	0.72	0.53
F	5.6	10.18	5.45	41.68	11.51

新窗口打开|下载CSV

3.2.2 回归方程检验

P-P图是根据变量的累积概率对应于所指定的理论分布累积概率绘制的散点图,用于直观地检测样本数据是否符合某一概率分布^[37,38]。如果被检验的数据符合所指定的分布,则代表样本数据的点应当分布于代表理论分布的对角线周围。结果显示（图4）,各样点数据预测累计概率均匀分布在参考线周边,数据符合正态分布,方程模型有效。

图4

新窗口打开|下载原图ZIP|生成PPT
图4土壤呼吸CO₂释放量的分区函数模型正态P-P图

Figure 4Normal P-P diagram of functional models in different regions

4 结论与讨论

4.1 与已有成果的对比分析

本文运用Meta分析整合国内外对中国区域农田土壤碳排放的研究,分析不同农田管理措施对土壤碳排放的影响得到：与不施肥相比,施肥和有机肥增施会增加土壤碳排放量（合并效应量分别为0.62和0.64）;与免耕相比,传统耕作会增加土壤CO₂排放（合并效应量为0.23）;秸秆不还田会降低土壤CO₂排放量（合并效应量为-0.17）,即秸秆还田会增大土壤碳排放量。贺美等^[16]****的研究表示,与不施肥相比,施用氮、磷、钾的土壤碳排放量显著提高37.36%,原因可归结为施肥会影响土壤呼吸底物的浓度,其通过改变土壤酶的活性和有机质含量,进而提高土壤呼吸速率,增加碳排放量;杨娟等^[39]认为有机肥增施可显著增加稻田碳排放对温室效应的贡献率,原因为有机肥增施可提高土壤微生物多样性和活跃度,进而促进土壤CO₂排放;李柘锦等^[40]评价了不同有机物料还田对土壤碳排放的影响,结果显示,与无机肥相比,有机肥的土壤增温潜势具有67.23%的增幅;张宇等^[41]的研究表明,在整个作物生育期,传统耕作土壤碳排放量大于免耕,原因可归结为传统耕作措施（包括翻耕、旋耕和深耕）增加了土壤与空气的接触面积,增加土壤通气度和微生物活性,而免耕减弱了对土壤的扰动,使其处于郁闭状态,降低土壤呼吸速率,进一步减少了土壤CO₂排放量^[42],Reicosky等^[43]认为免耕作为保护性耕作可增加地表覆盖,提高土壤固碳能力,降低CO₂排放量;蔡太义等^[26]认为秸秆还田能在一定程度上提升土壤微生物量碳和酶的活性,进而增加土壤微生物活动,促进土壤碳排放。综合以上对比分析,本文结果与前人研究总体一致,施肥和秸秆还田对农田土壤碳排放具有显著正效应,免耕会显著降低土壤碳排放。

分区函数模型通过与已有碳排放估算方法相比较,对不同区域、土壤类型、作物种类的农田管理形成了更为具体的参数表达,相较于全国统一的估算标准,采取缺省参数将带来较大的误差。函数模型各变量系数显示,均一化碳排放估算方法将导致华北和华东地区的测算结果偏大,而造成华中和东北地区偏小。例如,免耕对东北地区土壤碳排放呈现正效应,与在其他地区呈现降低土壤碳排放的情况相反,东北地区土壤多为黑土,保护性耕作模式将减缓土壤呼吸速率进而降低土壤碳排放。吕贻忠^[44]以东北典型黑土区为研究对象测算土壤有机碳含量和密度,结果显示保护性耕作模式对土壤有机碳密度的影响具有不确定性,可能会影响土壤有机碳含量以及土壤碳排放量。

在Meta分析中,异质性是天然存在的,各研究结果虽然在气候环境、实际测量等方面存在差异,但异质性较弱,说明各研究在不同农田管理措施试验组和对照组碳排放量测算时差异较小,存在一致性和统一性。为了对土壤碳排放影响因素进行定量参数表示,在Meta分析基础上引入土壤类型和种植作物种类2个虚拟变量,在施肥、免耕、秸秆还田方面,函数模型结果与Meta整合分析结果一致,通过引入土壤、作物等不均质因素的分区模型构建,为差异性土壤碳核算提供参数支持,并可为大尺度农田土地利用综合碳排放效应提供参考。

4.2 不确定性分析

Meta分析虽能整合多组研究结果并定量分析各影响因素,但受气候、环境、仪器等客观条件影响,试验点实测数据质量也存在不一致性。数据样点分布较为集中,多集于农业类高校或中国科学院试验点,华南和西南地区的研究较少。

通过函数模型构建了农田管理方式、土壤类型、种植作物等因素对农田碳排放强度影响的参数表达,但函数拟合的显著性不高,可能的原因包括：①各实测点客观条件的差异性（未考虑种植制度、气候环境等其他因素）及数据质量的不一致性,土壤作为复杂的开放系统,与外部客观环境的多重联系会影响土壤机能及内部物质的相互作用;②未考虑变量间的多重共线性。多种变量之间可能存在相关关系,例如施肥会增加秸秆根茬还田量,但两者相关性不易表达且存在不确定性。③函数拟合过程中对土壤类型、作物分类等变量进行原变量编码值的分等级赋值时较为粗略,对免耕、施有机肥、秸秆还田与否等进行二分类赋值时也存在一定的主观性。

农田土壤同时具有碳汇和碳源性质,在分析其碳排放强度时也不应忽视其固碳能力。某些耕作措施在增大土壤CO₂排放量的同时也可能增加其固碳能力,例如施肥在增加土壤碳排放的同时也会增大土壤碳库存,秸秆还田在增排的同时也会促进土壤的碳汇能力,但也有研究表明秸秆还田会减弱土壤的固碳能力^[45],不同农田管理措施对土壤碳库的影响机理仍不够明晰,土壤碳收支的不确定性有待进一步研究。在碳核算精度方面,如何进一步提高不同农田管理措施下土壤碳排放量核算的精确性和科学性,如何在降低土壤碳排放的基础上增加土壤固碳能力,促进土壤碳收支平衡,将成为下一步的研究重点。此外,农田管理的目标应是在考虑碳排放和吸收的同时如何促进生产力提升,因此土壤碳排放应与耕地产能、生产能耗等因素一同考虑,在开展更大尺度研究的同时注重区域差异性,在降低农田增温潜势的基础上,其相关性及不稳定性值得继续深入研究。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

秦大河, Stocker

. IPCC第五次评估报告第一工作组报告的亮点结论
[J]. 气候变化研究进展, 2014,10(1):1-6.

DOI:10.3969/j.issn.1673-1719.2014.01.001 URL Magsci [本文引用: 1]

IPCC第五次评估报告（AR5）第一工作组（WGI）报告的亮点结论，是过去7年全世界气候变化科学研究成果凝练出来的精华。20世纪50年代以来全球气候变暖的一半以上是人类活动造成的。1971年以来人为排放温室气体产生热量的93%进入了海洋，海洋还吸收了大约30%人为排放的CO2，导致海表水pH值下降了0.1，等等。采用全球耦合模式比较计划第五阶段（CMIP5）的模式，预估未来全球气候变暖仍将持续，21世纪末全球平均地表温度在1986—2005年的基础上将升高0.3～4.8℃。限制气候变化需要大幅度持续减少温室气体排放。如果将1861—1880年以来人为CO2累积排放控制在1000 GtC，那么人类有超过66%的可能性把未来升温幅度控制在2℃以内（相对1861—1880年）。

[ Qin D

, Stocker

. Highlights of the IPCC working group I fifth assessment report
[J]. Climate Change Research, 2014,10(1):1-6.]

DOI:10.3969/j.issn.1673-1719.2014.01.001 URL Magsci [本文引用: 1]

Houghton R

, Hackler J

. Emissions of carbon from forestry and land-use change in tropical Asia
[J]. Global Change Biology, 2010,5(4):481-492.

[本文引用: 1]

[3]

韩骥, 周翔, 象伟宁 . 土地利用碳排放效应及其低碳管理研究进展
[J]. 生态学报, 2016,36(4):1152-1161.

DOI:10.5846/stxb201406271334 Magsci [本文引用: 1]

土地利用是造成全球温室气体排放量迅猛增长的重要因素,但由于土地利用的碳排放在时间和空间上受社会经济活动与自然过程的共同作用,相对自然生态系统碳排放的过程和机制更加复杂,因此,其研究也越来越多地受到包括****、政府决策者、企业、非政府组织等利益相关者的关注,并被诸多能源与生态环境领域的国内外重大科学研究计划列为核心内容。通过对土地利用的直接和间接碳排放效应及其低碳管理的国内外研究进展进行综述,较全面地对上述研究中已取得的成果以及尚存在的不足与挑战进行了总结,并对未来研究应如何完善现有研究的不足提出了几点展望,以期为科学编制低碳目标导向的土地利用规划提供理论基础和实践管理经验,从而全面引导城市的低碳发展。

[ Han

, Zhou

, Xiang W

. Progress in research on land use effects on carbon emissions and low carbon management
[J]. Acta Ecologica Sinica, 2016,36(4):1152-1161.]

DOI:10.5846/stxb201406271334 Magsci [本文引用: 1]

杨绪红, 金晓斌, 项晓敏 , 等. 近300年中国耕地开垦导致的碳排放估算
[J]. 中国科学: 地球科学, 2019,49(3):554-568.

[本文引用: 1]

[ Yang X

, Jin X

, Xiang X

, et al. Carbon emissions induced by farmland expansion in China during the past 300 years
[J]. Scientia Sinica (Terrae), 2019,49(3):554-568.]

[本文引用: 1]

[5]

张庶, 金晓斌, 杨绪红 , 等. 农用地整治项目的碳效应分析与核算研究
[J]. 资源科学, 2016,38(1):93-101.

DOI:10.18402/resci.2016.01.10 Magsci [本文引用: 1]

农用地整治项目作为一项采取工程技术措施对土地利用的结构、方式等进行改造的实践活动,在显著改变土地利用活动的同时,也对区域碳平衡产生重要影响。本文从工程实施碳效应、土地结构碳效应、土地利用方式碳效应三方面对农用地整治的碳效应进行了分析,并以江苏宜兴市农用地整治项目为例进行了测算。主要结论如下：①项目整治后,土地结构变化碳储量增加3 718t,工程建设净碳排放量约为6 830t,土地利用方式变化年碳汇量增加5 459t;②项目区耕地碳储量增加11 071t,耕地面积增加是主要原因;③灌溉排水工程是影响碳排放量的最重要的工程类型,水泥、钢材和柴油等工程建设物资投入是促使碳排放量增加的主要来源;④区域年净碳汇量增长显著,增幅为23.64%,主要源于耕地种植面积的增加和农业灌溉条件的改善。

[ Zhang

, Jin X

, Yang X

, et al. Determining and estimating impacts of farmland consolidation projects on the regional carbon effects
[J]. Resources Science, 2016,38(1):93-101.]

DOI:10.18402/resci.2016.01.10 Magsci [本文引用: 1]

Stone

. Climate change 1995: The science of climate change. Contribution of working group I to the second assessment report of the intergovernmental panel on climate change
[J]. Global Environmental Change, 1997,7(2):186-187.

[本文引用: 1]

[7]

, Wang X

, Han

, et al. Soil carbon sequestrations by nitrogen fertilizer application, straw return and no-tillage in China’s cropland
[J]. Global Change Biology, 2009,15(2):281-305.

[本文引用: 1]

[8]

张玉铭, 胡春胜, 张佳宝 , 等. 农田土壤主要温室气体(CO₂、CH₄、N₂O)的源汇强度及其温室效应研究进展
[J]. 中国生态农业学报, 2011,19(4):966-975.