江雨佳, 王國英, 莫路鋒,*

1 浙江農(nóng)林大學信息工程學院, 臨安 311300 2 紹興市市政工程管理處, 紹興 312000 3 西安交通大學電子與信息工程學院, 西安 710049

?

基于濕度分布特征的小尺度土壤碳通量空間采樣策略

江雨佳1,2, 王國英1,3, 莫路鋒1,3,*

1 浙江農(nóng)林大學信息工程學院, 臨安 311300 2 紹興市市政工程管理處, 紹興 312000 3 西安交通大學電子與信息工程學院, 西安 710049

由于土壤碳通量的空間異質(zhì)性很強,傳統(tǒng)的隨機抽樣方法無法對區(qū)域土壤碳通量進行準確估算,而多點采樣需耗費大量的人力及設備成本,因此確定適當?shù)牟蓸狱c數(shù)量及分布策略對于區(qū)域土壤碳通量的測算非常重要。提出一種基于濕度空間分布特征的小尺度土壤碳通量空間采樣策略：首先利用無線傳感網(wǎng)密集測量區(qū)域的土壤濕度,根據(jù)濕度數(shù)據(jù)的空間分布特征劃分監(jiān)測區(qū)域,通過Hammond McCullagh方程計算各子區(qū)域內(nèi)的最優(yōu)采樣點數(shù)量,最終確定整個監(jiān)測區(qū)域的空間采樣點部署策略。提出的方法考慮了各子區(qū)域間土壤碳通量空間分布的差異,使得采樣點的部署位置與土壤碳通量的分布具有較好的相關性。研究結(jié)果證明:土壤碳通量部署策略能夠獲得比均勻部署策略、隨機部署策略更高的區(qū)域土壤碳通量估算準確度。

土壤呼吸；采樣策略；碳通量；土壤濕度

隨著傳感器技術與氣體動力學的發(fā)展,單點的土壤呼吸測量水平已經(jīng)達到令人基本滿意的程度,但到目前為止,區(qū)域土壤呼吸的準確估算仍是難題。區(qū)域測量通常采用實測和遙感兩類方法,現(xiàn)階段遙感和模型相結(jié)合是研究區(qū)域碳收支的重要手段[1-3]。遙感模型的推算結(jié)果與模型算法的精確性、衛(wèi)星觀測成像頻率等有關,估算碳通量的不確定性大[4]。通過直接測定土壤碳通量的方法能夠保證區(qū)域土壤碳通量估算的精確性,但植被、土壤基質(zhì)等影響土壤碳通量的因素存在空間異質(zhì)性[5],同時在具有空間異質(zhì)性的土壤溫度、濕度的共同作用下,因此土壤碳通量表現(xiàn)出極其強烈的空間異質(zhì)性[6- 8]。這種空間異質(zhì)性導致距離相近的采樣點的呼吸速率可能相差很大。為了準確估算區(qū)域的土壤碳通量,采樣點的部署策略至關重要。

目前國內(nèi)外估算區(qū)域碳通量的采樣策略存在精確度較低的缺點,主要是運用規(guī)則網(wǎng)格或隨機采樣等方法布設采樣點,通過簡單的統(tǒng)計方法,直接計算出區(qū)域碳通量[9]。劉源月等[10]在研究亞熱帶典型森林生態(tài)系統(tǒng)的土壤碳通量中,使用簡單隨機采樣方法,將測量數(shù)據(jù)的均值作為區(qū)域的土壤碳通量。該方法忽略了土壤碳通量的空間異質(zhì)性,少量采樣點的碳通量均值不能代表整個區(qū)域的土壤碳通量。通過這類方法獲得的區(qū)域土壤通量的估算結(jié)果誤差較大[11-13]。

土壤濕度作為土壤呼吸的關鍵影響因子,其空間異質(zhì)性與土壤碳通量的空間異質(zhì)性密切相關。Forti等[14]在黃土草原生態(tài)系統(tǒng)的研究中發(fā)現(xiàn)水分含量較低時,土壤呼吸的空間模型主要依賴于土壤濕度。Balogh等[15]發(fā)現(xiàn)在干旱草地環(huán)境中,土壤呼吸的非生物影響因子,如土壤濕度,對其變化起到了近80%的作用。Chen等[16]在中國北部溫帶草原生態(tài)系統(tǒng)的研究中發(fā)現(xiàn)土壤濕度等非生物因子比植物生長等生物因子對土壤呼吸空間異質(zhì)性的作用更突出。Maestre等[17]研究發(fā)現(xiàn),土壤濕度可以說明西班牙半干旱草原土壤CO2釋放小尺度上的空間變異情況。Conant等[18]發(fā)現(xiàn)影響亞利桑那州3種半干旱生態(tài)系統(tǒng)土壤碳通量最重要的因素是土壤濕度。土壤濕度一方面通過影響微生物和植物根系的生理學過程對土壤呼吸直接產(chǎn)生作用,另一方面通過影響底物和氧氣擴散間接產(chǎn)生作用[19]。土壤濕度對土壤呼吸的影響非常重要,在干旱或半干旱地區(qū),土壤濕度作為脅迫因子轉(zhuǎn)變?yōu)橥寥篮粑闹骺刈兞縖20]。土壤濕度參數(shù)過高時,土壤間隙縮小,氧氣和CO2的流通受阻,異養(yǎng)呼吸的吸收與排放受限[21],導致土壤碳通量驟減。土壤濕度參數(shù)過低時,根系呼吸與微生物呼吸受到抑制,排放的CO2減少,引起土壤碳通量銳減。在小尺度范圍內(nèi),土壤濕度相對其他土壤呼吸的影響因素,對土壤碳通量的作用尤為顯著。因此可考慮采用土壤濕度的空間異質(zhì)性來表征碳通量的空間異質(zhì)性,作為土壤碳通量空間采樣策略的依據(jù)。

本文提出一種基于濕度空間分布特征的小尺度土壤碳通量空間采樣策略(Spatial sampling strategy for fine-scale regional soil carbon flux estimation based on the moisture distribution characteristic,SMTC)。首先利用傳感網(wǎng)密集測量區(qū)域的土壤濕度,根據(jù)濕度數(shù)據(jù)的空間異質(zhì)性劃分子區(qū)域。計算各子區(qū)域土壤濕度的變異系數(shù),用變異系數(shù)表示土壤濕度的空間異質(zhì)性。利用土壤碳通量與土壤濕度之間的相關性,將土壤濕度的變異系數(shù)作為設置采樣點數(shù)量的依據(jù),通過Hammond McCullagh方程計算各子區(qū)域內(nèi)的最優(yōu)采樣點數(shù)量,確定整個研究區(qū)域的空間采樣策略。

本文的其余部分組織如下：第一節(jié)具體描述了土壤碳通量空間采樣策略的實現(xiàn)方法；第二節(jié)設計了實驗方案；第三節(jié)對實驗結(jié)果進行了分析；第四節(jié)從多個方面討論并評估了該方法的性能。

1 基于濕度分布特征的土壤碳通量空間采樣策略(SMTC)

SMTC根據(jù)土壤濕度的空間分布特征,將研究區(qū)域劃分為若干個子區(qū)域,計算各子區(qū)域內(nèi)土壤濕度的變異系數(shù)。利用土壤濕度的變異系數(shù)表征土壤碳通量的空間異質(zhì)性,應用Hammond McCullagh方程計算各子區(qū)域的最優(yōu)采樣點數(shù)量,確定研究區(qū)域的采樣策略。

土壤碳通量是一種典型的土壤性質(zhì),它是一個復雜、變化不均一的連續(xù)體[22],其空間分布一般呈現(xiàn)出區(qū)域分布的特征,表現(xiàn)為整體區(qū)域的空間異質(zhì)性較大,而其中的局部區(qū)域的異質(zhì)性卻大大降低。該局部區(qū)域土壤碳通量的異質(zhì)性較小時,說明該區(qū)域的土壤碳通量具有高度一致性,因此局部區(qū)域只需要少量的采樣點；異質(zhì)性較大時,該區(qū)域需要大量的采樣點。

本研究將空間異質(zhì)性納入采樣的考慮范圍,提出基于濕度分布特征的土壤碳通量采樣策略,將整個區(qū)域劃分為若干個異質(zhì)性小的子區(qū)域,大幅減少冗余采樣,降低采樣的成本。首先獲取研究區(qū)域的土壤濕度分布數(shù)據(jù),繪制土壤濕度空間分布圖,利用土壤濕度的變異系數(shù)表征碳通量的空間異質(zhì)性。將研究空間劃分為若干子區(qū)域,計算子區(qū)域所需的最優(yōu)采樣點數(shù)量,確定研究區(qū)域的土壤碳通量空間采樣部署策略。該方法的工作流程如圖1所示,下文依次介紹圖中的幾個重要環(huán)節(jié)：(1)土壤濕度變異性分布；(2)劃分子區(qū)域；(3)確定土壤碳通量采樣部署策略。

圖1 土壤碳通量空間采樣策略的流程示意圖Fig.1 Flow diagram of soil carbon flux spatial sampling strategy. N stands for number of samples

1.1 土壤濕度的空間分布

目前土壤濕度數(shù)據(jù)可通過快速反應的傳感器獲取。本文將土壤濕度數(shù)據(jù)進行處理,發(fā)現(xiàn)土壤濕度在空間分布上具有連續(xù)性和異質(zhì)性特征,并且具有較大的斑塊,格局明顯。

1.2 子區(qū)域的劃分

整體區(qū)域的劃分采用結(jié)合空間位置的K均值聚類算法(K-means算法)。該算法的核心思想是找出k個聚類中心c1,c2,...,ck,使每一個數(shù)據(jù)點xi與其最近的聚類中心cv的平方距離和最小化(該平方距離和稱為偏差D)。具體步驟如下：

(1) 初始化：隨機指定k個聚類中心；

(2) 分配xi：找到距離每一個樣本最近的聚類中心cv,并將其分配到cv所標明的類；

(3) 修正cw：將每一個cw移動到相對應的類的中心；

(4) 計算偏差：當前聚類狀態(tài)的偏差按公式(1)進行計算,

(1)

式中,xi為土壤濕度采樣點；cr為第r個聚類中心；min：取最小值函數(shù)；d為采樣點到聚類中心的距離。

(5) 檢驗收斂性：如果D值收斂,則返回(c1,c2,...,ck),終止算法,完成劃分。否則返回第(2)步。

1.3 土壤碳通量空間采樣策略

完成分區(qū)后,設置每一個子區(qū)域的采樣點數(shù)量和采樣部署策略。引用Hammond等[23]的方法計算子區(qū)域內(nèi)土壤碳通量的采樣點數(shù)量,即Hammond McCullagh方程(公式(2))。假設整個區(qū)域為Δ,子區(qū)域為Δi(i=1,2,3,…,n),計算各子區(qū)域土壤濕度的變異系數(shù)CVi,優(yōu)化的采樣點數(shù)量Ni的計算公式如下：

(2)

式中,tα為t檢驗對應置信水平的值；D為置信區(qū)間；CVi為第i個子區(qū)域的變異系數(shù)。

置信區(qū)間取0.9時,將Ni作為采樣點數(shù)量,真值落在該區(qū)間的可能性為90%,也可根據(jù)所需的精確度計算相應的Ni。整個研究區(qū)域所需的采樣點數(shù)量等于子區(qū)域優(yōu)化采樣點數(shù)量之和。

2 材料與方法

2.1 研究區(qū)概況

選取浙江省臨安市浙江農(nóng)林大學的森林生態(tài)監(jiān)測智能空間實驗基地(119°43′15″—119°43′21″E,30°15′24″—30°15′33″N)作為研究區(qū)域。該區(qū)域氣候特征為中亞熱帶季風氣候,年平均降水量達1613.9 mm,平均氣溫為16.4℃,年日照達1847.3 h,森林覆蓋率達76.5%,其中分布最廣的為紅壤土。

2.2 實驗設計

通常土壤碳通量的自相關距離為3 m左右,以此為依據(jù)確定研究區(qū)域的分辨率為5 m×5 m。采用網(wǎng)格法在研究區(qū)域中以5 m×5 m的間隔確定64(8×8)個采樣點。利用8臺設備同時測量,單個樣點測量時間為5 min(預熱與準備2 min,實測3 min),整個測量耗時約1 h,基本滿足同時測量的要求。連續(xù)測量樣地3d,測量時間為中午12:00,土壤呼吸的峰值一般出現(xiàn)在10:00到14:00之間[25],選擇12:00作為測量時間相對具有代表性,取3次測量數(shù)據(jù)的平均值。

本文獲取的是0—5 cm表層土壤的土壤濕度,通過數(shù)字溫濕度傳感器SLHT5- 1采集土壤濕度數(shù)據(jù),傳感器數(shù)據(jù)均經(jīng)過線性模型校準。將傳感器插入土壤中,待測量數(shù)據(jù)穩(wěn)定后,連續(xù)測量30 s,每1 s獲取一個數(shù)據(jù),30 s內(nèi)采集的數(shù)據(jù)的平均值為采樣點的土壤濕度。遇到石塊等障礙無法測量時,在鄰近范圍內(nèi)選取替代點。

圖2 土壤濕度的空間分布圖Fig.2 Spatial distribution of soil moisture

土壤碳通量的測量方法為開路式的通量測定。本研究采用徐林等[26]研制的土壤碳通量監(jiān)測儀Lr100GE- 6400,相對誤差小于5%。在相同位置同時采集土壤碳通量數(shù)據(jù)和土壤濕度數(shù)據(jù)。測量時調(diào)整草地表面、落葉層等防止氣室泄漏,每次采樣前1.5 h剪掉表面的綠色植物,以排除植物呼吸對土壤呼吸產(chǎn)生的影響[14,27-28]。

3 結(jié)果與分析

3.1 實測數(shù)據(jù)

本文以matlab 2010為平臺,分析土壤濕度的原始數(shù)據(jù)。利用Excel建立采樣點基本屬性數(shù)據(jù)庫,導入數(shù)據(jù)后銜接各采樣點的空間數(shù)據(jù)與屬性數(shù)據(jù),得到土壤濕度的空間分布圖。圖2為實測的土壤濕度的空間分布圖,表1為土壤濕度與碳通量的統(tǒng)計特征表。

表1 土壤濕度與碳通量的統(tǒng)計特征

3.2 SMTC采樣實驗結(jié)果

根據(jù)本文的SMTC方法,將研究區(qū)域分成5個子區(qū)域,計算各子區(qū)域的采樣點數(shù)量,設置采樣點的位置。采樣部署的劃分區(qū)域和樣點部署位置如圖3所示。對各子區(qū)域進行統(tǒng)計分析,各子區(qū)域內(nèi)的統(tǒng)計信息見表2。

圖3 基于SMTC的區(qū)域碳通量的采樣部署圖Fig.3 Sampling deployment diagram of regional carbon flux monitoring

子區(qū)域Sub-area實際的采樣數(shù)量Actualsamplenumber面積比/%Arearatio平均值/(m3/m3)Averagevalue極值/(m3/m3)Extremum標準差Standarddeviation變異系數(shù)Coefficientofvariation優(yōu)化的采樣數(shù)量Optimizedsamplenumber11625.0033.5626.694.8814.55721726.5637.4438.144.1811.1743812.5031.7923.304.7014.80841218.7533.6633.361.845.47151117.1935.5735.942.948.263

由表1可以看出,研究區(qū)域的平均土壤濕度為34.73 m3/m3,整體區(qū)域內(nèi)部濕度變化較大,變異系數(shù)高達12.31%,具有較強的空間異質(zhì)性。根據(jù)異質(zhì)性劃分各子區(qū)域,利用基于空間分布的聚類方法,展現(xiàn)子區(qū)域的變化特征,將內(nèi)部差異性小的子區(qū)域與差異性大的子區(qū)域劃分開來。如表2所示5個子區(qū)域的變異系數(shù)分別為14.55%,11.17%,14.80%,5.47%,8.26%,分別計算得到優(yōu)化的采樣點數(shù)量為7,4,8,1,3。由實驗結(jié)果可知,變異系數(shù)越小,優(yōu)化的采樣點數(shù)量越少。

利用克里格插值方法,分別將儀器測量的實測土壤碳通量、SMTC部署采樣模擬實驗獲得的土壤碳通量,擬合得到研究區(qū)域的土壤碳通量,比較兩種方法的土壤碳通量結(jié)果。對比結(jié)果如圖4所示,大幅減少采樣點數(shù)量的情況下,SMTC部署采樣模擬實驗獲得的土壤碳通量與實測土壤碳通量的趨勢一致。

3.3 同其他方法對比

本實驗分別運用SMTC方法、隨機采樣策略和均勻采樣策略設置測量點,插值擬合監(jiān)測區(qū)域的碳通量。根據(jù)SMTC方法的部署方案,各子區(qū)域合計需要23個采樣點。在相同的實驗條件下,隨機采樣取23個采樣點,均勻采樣取25(5×5)個采樣點,通過分析采樣點的碳通量數(shù)據(jù),擬合研究區(qū)域的土壤碳通量(圖5),比較3種方法的實驗結(jié)果。與實測土壤碳通量(圖4)相比,SMTC部署采樣模擬實驗獲得的土壤碳通量與實測土壤碳通量的趨勢一致性最好。

圖5 3種采樣方法的土壤碳通量估算結(jié)果Fig.5 Carbon flux estimate results of three sampling methods

本文將實測土壤碳通量數(shù)據(jù)的擬合結(jié)果(圖4)作為基準值,得到SMTC布局與隨機布局、均勻布局這三種布局策略的估算誤差分布圖,比較3種采樣方法的估算準確度。從圖6可以看出,在研究區(qū)域中,與另外兩種部署方法的估算誤差相比,SMTC方法的誤差最小。同時計算實驗數(shù)據(jù)得出SMTC、隨機采樣策略和均勻采樣策略的誤差均方差分別為8.78%,13.32%,11.56%,SMTC方法的誤差均方差最小。因此,SMTC布局與隨機布局、均勻布局這3種布局策略中,SMTC布局的估算準確度最高。

圖6 3種采樣方法的估算誤差分布Fig.6 Estimation error distribution of three sampling methods

通過分析以上實驗結(jié)果,可以得到以下結(jié)論：

(1)采樣點數(shù)量相同時,隨機布局策略、均勻布局策略的誤差和誤差均方差均比SMTC布局策略的大。SMTC布局策略明顯優(yōu)于隨機布局策略和均勻布局策略。

(2)區(qū)域內(nèi)部差異性較大時,尤其是存在多個極值點的情況下,隨機布局策略和均勻布局策略估算的區(qū)域土壤碳通量的精確度較低。SMTC布局策略考慮子區(qū)域的異質(zhì)性,提高了估算土壤碳通量的精確度。

4 討論

4.1 不同k值對結(jié)果的影響

k值決定了整個區(qū)域的子區(qū)域數(shù)量,通過實驗探討k值對SMTC布局策略的影響。分別設置k值為2,3,4,5,6,7,計算子區(qū)域的變異系數(shù),優(yōu)化采樣點數(shù)量,實驗結(jié)果如表3所示。子區(qū)域數(shù)量小于6個時,隨著子區(qū)域數(shù)量的增大,整個區(qū)域的采樣點數(shù)量呈現(xiàn)增大的趨勢；子區(qū)域數(shù)量大于6個時,整個區(qū)域的采樣點數(shù)量無增大趨勢。

子區(qū)域數(shù)量增加時,子區(qū)域內(nèi)部的變異系數(shù)減小,空間異質(zhì)性降低,因此采樣點數(shù)量總和不會大幅增加。在實際測量過程中,子區(qū)域數(shù)量增大會增加工作量,采樣點數(shù)量總和受設備成本的限制；子區(qū)域數(shù)量過少,計算得到的土壤碳通量異質(zhì)性較大,不能代表整個區(qū)域的土壤碳通量。綜合以上因素,本文設置子區(qū)域數(shù)量為5個是合理的。

表3 k值對實驗結(jié)果的影響

4.2 小尺度土壤碳通量的影響因子

土壤呼吸包括3個生物學過程[29](植物根系呼吸,微生物呼吸和異養(yǎng)土壤動物呼吸)和1個非生物學過程(土壤有機物氧化生成CO2)。土壤碳通量除受到土壤濕度的影響外,也受到其他多種因素的交互影響。自然和人為的干擾經(jīng)常造成多個影響因素同時改變,對土壤呼吸產(chǎn)生復雜的作用[19]。土壤溫度、近地面大氣壓、群落生物量、土壤有機碳含量和CO2濃度等環(huán)境因子對土壤呼吸速率產(chǎn)生明顯的影響[30-32]。研究這些因素對土壤呼吸的影響時,一般通過不同區(qū)域的樣地間的差異來實現(xiàn)。但是在小尺度范圍內(nèi),在影響土壤呼吸的各因素中,與土壤濕度相比,溫度、近地面大氣壓等其他因素的作用不顯著。因此,小尺度范圍內(nèi)土壤濕度的空間異質(zhì)性,對土壤碳通量的空間異質(zhì)性產(chǎn)生決定性的作用。

4.3 結(jié)論

在小尺度范圍內(nèi),針對區(qū)域土壤碳通量估算的采樣點布局問題,本文提出了一種基于土壤濕度空間布局的采樣策略(SMTC)。按照SMTC策略布局采樣點,驗證了SMTC布局策略比均勻布局策略和隨機布局策略的估算精確度高。測量區(qū)域土壤碳通量時,由于空間異質(zhì)性的存在,隨機采樣與均勻采樣方法顯得十分粗糙。SMTC方法更準確的擬合了區(qū)域碳通量的分布。綜合比較3種布局方法,SMTC對整個區(qū)域中子區(qū)域的采樣點數(shù)量進行了合理的分配,減小了整個研究區(qū)域的誤差。根據(jù)SMTC策略,在土壤碳通量異質(zhì)性較大的區(qū)域中布置較多數(shù)量的采樣點,能夠合理地擬合出該區(qū)域的土壤碳通量,較大程度的降低誤差；在土壤碳通量異質(zhì)性較小的區(qū)域中布置較少數(shù)量的采樣點,對土壤碳通量的估算精確度幾乎無影響。由實驗結(jié)果可知,設置較少數(shù)量的采樣點,SMTC策略可以保證土壤碳通量的估算精確度,降低區(qū)域土壤碳通量測算的設備及人力成本。

[1] 張娜, 于貴瑞, 趙士洞, 于振良. 基于遙感和地面數(shù)據(jù)的景觀尺度生態(tài)系統(tǒng)生產(chǎn)力的模擬. 應用生態(tài)學報, 2003, 14(5): 643- 652.

[2] 林文鵬, 王臣立, 趙敏, 黃敬峰, 施潤和, 柳云龍, 高峻. 基于森林清查和遙感的城市森林凈初級生產(chǎn)力估算. 生態(tài)環(huán)境, 2008, 17(2): 766- 770.

[3] 王臣立, 牛錚, 郭治興, 叢丕福. 基于植被指數(shù)和神經(jīng)網(wǎng)絡的熱帶人工林地上蓄積量遙感估測. 生態(tài)環(huán)境學報, 2009, 18(5): 1830- 1834.

[4] 鮑芳, 周廣勝. 中國草原土壤呼吸作用研究進展. 植物生態(tài)學報, 2010, 34(6): 713- 726.

[5] 劉世榮, 王暉, 欒軍偉. 中國森林土壤碳儲量與土壤碳過程研究進展. 生態(tài)學報, 2011, 31(19): 5437- 5448.

[6] Buchmann N. Biotic and abiotic factors controlling soil respiration rates inPiceaabiesstands. Soil Biology and Biochemistry, 2000, 32(11- 12): 1625- 1635.

[7] Tan W, Sun L, Hu H, Chen X. Effect of fire disturbances on soil respiration ofLarixgmeliniiRupr. forest in the Da Xing′an Mountain during growing season. African Journal of Biotechnology, 2014, 11(21): 4833- 4840.

[8] Tang J W, Baldocchi D D. Spatial-temporal variation in soil respiration in an oak-grass savanna ecosystem in California and its partitioning into autotrophic and heterotrophic components. Biogeochemistry, 2005, 73(1): 183- 207.

[9] Loescher H, Ayres E, Duffy P, Luo H Y, Brunke M. Spatial variation in soil properties among North American ecosystems and guidelines for sampling designs. PLoS One, 2014, 9(1): e83216.

[10] 劉源月, 江洪, 邱忠平, 原煥英, 李雅紅. 亞熱帶典型森林生態(tài)系統(tǒng)土壤呼吸. 西南交通大學學報, 2009, 44(4): 590- 594.

[11] Fang C, Moncrieff J B, Gholz H L, Clark K L. Soil CO2efflux and its spatial variation in a Florida slash pine plantation. Plant and Soil, 1998, 205(2): 135- 146.

[12] Johnson D W, Edwards N T. The effects of stem girdling on biogeochemical cycles within a mixed deciduous forest in eastern Tennessee. Oecologia, 1979, 40(3): 259- 271.

[13] Wiseman P E, Seiler J R. Soil CO2efflux across four age classes of plantation loblolly pine (PinustaedaL.) on the Virginia Piedmont. Forest Ecology and Management, 2004, 192(2/3): 297- 311.

[14] Fóti S, Balogh J, Nagy Z, Herbst M, Pintér K, Péli E, Koncz P, Bartha S. Soil moisture induced changes on fine-scale spatial pattern of soil respiration in a semi-arid sandy grassland. Geoderma, 2014, 213: 245- 254.

[15] Balogh J, Pintér K, Fóti S, Cserhalmi D, Papp M, Nagy Z. Dependence of soil respiration on soil moisture, clay content, soil organic matter, and CO2uptake in dry grasslands. Soil Biology and Biochemistry, 2011, 43(5): 1006- 1013.

[16] Chen Q S, Wang Q B, Han X G, Wan S Q, Li L H. Temporal and spatial variability and controls of soil respiration in a temperate steppe in northern China. Global Biogeochemical Cycles, 2010, 24(2), doi: 10.1029/2009GB003538.

[17] Maestre F T, Cortina J. Small-scale spatial variation in soil CO2efflux in a Mediterranean semiarid steppe. Applied Soil Ecology, 2003, 23(3): 199- 209.

[18] Conant R T, Klopatek J M, Klopatek C C. Environmental factors controlling soil respiration in three semiarid ecosystems. Soil Science Society of America Journal, 2000, 64(1): 383- 390.

[19] 張滕, 饒良懿, 呂坤瓏, 李會杰. 土壤呼吸影響因素研究進展. 廣東農(nóng)業(yè)科學, 2012, 39(8): 64- 67.

[20] Wang Y S, Hu Y Q, Ji B M, Liu G R, Xue M. An investigation on the relationship between emission/uptake of greenhouse gases and environmental factors in serniarid grassland. Advances in Atmospheric Sciences, 2003, 20(1): 119- 127.

[21] 張東秋, 石培禮, 張憲洲. 土壤呼吸主要影響因素的研究進展. 地球科學進展, 2005, 20(7): 778- 785.

[22] 高東, 魯紹偉, 饒良懿, 李佳, 張滕, 靳阿亮. 淮北平原四種土地利用類型非生長季土壤呼吸速率. 農(nóng)業(yè)工程學報, 2011, 27(4): 94- 99.

[23] Hammond R, McCullagh P S. Quantitative Techniques in Geography: An Introduction. 2nd ed. Oxford: Clarendon Press, 1978.

[24] 侯建花, 周國模, 王國英, 莫路鋒. 面向區(qū)域土壤碳通量估算的多向插值空間采樣策略. 生態(tài)學報, 2015, (18). http://dx.doi.org/10.5846/stxb201401290209.

[25] 龔斌, 王風玉, 張繼平, 沃笑, 劉偉玲, 齊月. 中亞熱帶森林土壤呼吸日變化及其與土壤溫濕度的關系. 生態(tài)環(huán)境學報, 2013, 22(8): 1275- 1281.

[26] 徐林, 莫路鋒, 宣子蔚, 徐小軍, 王圣輝, 周國模. 基于WSN的土壤碳通量測量系統(tǒng). 林業(yè)科學, 2013, 49(2): 122- 126.

[27] Fóti S, Balogh J, Nagy Z, ürm?s Z, Bartha S, Tuba Z. Temporal and spatial variability and pattern of soil respiration in loess grassland. Community Ecology, 2008, 9(Supplement 1): 57- 64.

[28] Fóti S, Nagy Z, Balogh J, Bartha S, Acosta M, Czóbel S, Péli E R, Marek M, Tuba Z. Small scale spatial variability and pattern of soil respiration and water content in wet and a dry temperate grasslands and bare soil. Ekologia, 2009, 28(4): 389- 398.

[29] 王兵, 姜艷, 郭浩, 趙廣東, 白秀蘭. 土壤呼吸及其三個生物學過程研究. 土壤通報, 2011, 42(2): 483- 490.

[30] 馮朝陽, 呂世海, 高吉喜, 劉尚華, 林棟. 華北山地不同植被類型土壤呼吸特征研究. 北京林業(yè)大學學報, 2008, 30(2): 20- 26.

[31] 馮文婷, 鄒曉明, 沙麗清, 陳建會, 馮志立, 李檢舟. 哀牢山中山濕性常綠闊葉林土壤呼吸季節(jié)和晝夜變化特征及影響因子比較. 植物生態(tài)學報, 2008, 32(1): 31- 39.

[32] Kowalenko C G, Ivarson K C, Cameron D R. Effect of moisture content, temperature and nitrogen fertilization on carbon dioxide evolution from field soils. Soil Biology and Biochemistry, 1978, 10(5): 417- 423.

A sampling strategy for fine-scale regional soil carbon flux estimation based on spatial distribution of soil moisture

JIANG Yujia1,2, WANG Guoying1,3, MO Lufeng1,3,*

1SchoolofInformationEngineering,ZhejiangAgricultureandForestryUniversity,Lin′an311300,China2ShaoxingMunicipalEngineeringAdministrationDepartment,Shaoxing312000,China3SchoolofElectronicandInformationEngineering,Xi′anJiaotongUniversity,Xi′an710049,China

Soil respiration is a key ecological process during which CO2is emitted from the soil and released into the atmosphere. It includes processes such as soil microbial respiration, root respiration, and respiration of heterotrophic animals. The regional soil carbon flux cannot be accurately estimated using traditional random sampling methods, because of its strong spatial heterogeneity. Because multi-point sampling involves massive manpower and equipment costs, it is crucial to determine the appropriate number and the distribution of sampling positions to include in studies estimating regional soil carbon flux. As a complex ecological process, soil respiration is not only affected by environmental factors such as soil temperature and humidity but also by biological factors such as vegetation, microorganisms, and land usage. Because of the correlation between soil respiration and soil moisture, we propose a spatial sampling strategy based on soil moisture distribution characteristic (SMTC) for use in the estimation of fine-scale regional soil carbon flux. Regional soil moisture data are collected using densely deployed sensors nodes, and the monitored area is divided into several sub-regions according to the spatial distribution of the soil moisture data. Then, the optimal number of sampling positions in each sub-region is calculated using the Hammond McCullagh method. As a result, the optimal sampling strategy of the whole monitoring area is determined. We simultaneously applied the SMTC method, random sampling strategy, and uniform sampling strategy to estimate the regional soil carbon flux. In the experiment, we determined that 23 sampling points would be required to measure soil carbon flux in the monitored area, according to the SMTC method. In the same experimental environment, 23 sampling points were selected using a random sampling strategy, and 25 sampling points arranged in a 5 m × 5 m grid pattern were selected using a uniform sampling strategy. Regional soil carbon flux is determined via interpolation using the Kriging method based on the measurements taken at all sampling points by using each strategy described above. The experimental results show that SMTC performs better than the other two sampling strategies. The mean squared errors of SMTC, random sampling strategy, and uniform sampling strategy were 8.78%, 13.32%, and 11.56%, respectively. Furthermore, the SMTC method also produced the smallest mean squared error among these three strategies. The SMTC strategy takes the variation of the soil carbon flux among various sub-regions into account, which leads to a better correlation between sampling positions and the distribution of soil carbon flux. Using the SMTC strategy, more sampling points are selected in regions where the soil carbon flux is strongly heterogeneous, allowing the heterogeneity to be captured more fully, and allowing the estimation error to be reduced. In addition, it allows for the use of fewer sampling points in regions of weak heterogeneity. Thus, the SMTC sampling strategy can be used for fine-scale regional soil carbon flux estimation, needing comparatively fewer sampling points because of its strategy of setting each sampling point in a more optimal position than traditional methods.

soil respiration; sampling strategy; carbon flux; soil moisture

國家林業(yè)局948項目(2013- 4- 71)；國家自然科學基金項目(61303236)；浙江省科技計劃項目重大科技專項(2012C13011- 1)；浙江省新苗人才計劃項目(2013R412052)

2015- 01- 06;

日期:2016- 01- 15

10.5846/stxb201501060044

*通訊作者Corresponding author.E-mail: molufeng@gmail.com

江雨佳, 王國英, 莫路鋒.基于濕度分布特征的小尺度土壤碳通量空間采樣策略.生態(tài)學報,2016,36(19):6246- 6255.

Jiang Y J, Wang G Y, Mo L F.A sampling strategy for fine-scale regional soil carbon flux estimation based on spatial distribution of soil moisture.Acta Ecologica Sinica,2016,36(19):6246- 6255.