下载:
-
中国西南喀斯特地区是岩溶地貌发育最典型、石漠化最严重、人地矛盾最突出、分布面积最大的喀斯特连续地带[1-2]。近20 a来，针对西南喀斯特地区的生态地质环境问题，中国采取了一系列以植被修复为主的石漠化治理措施，如封山育林、退耕还林还草、建设防护林、种植经济作物等，获得了显著的研究成果和治理成效[3-5]。大量研究证实植被修复能够有效改善土壤的理化性质，如白义鑫等[6]研究表明：土壤有机碳含量对不同土地利用方式的响应不同，其中花椒Zanthoxylum bungeanum林有机碳含量显著高于其他地类；XU等[7]研究发现：同一地区不同植被类型土壤养分含量之间差异显著；李青等[8]通过对不同植被恢复模式下土壤化学特征的测定分析发现，混交林生态恢复效果优于纯林，豆科Fabaceae植物恢复效果优于非豆科植物。然而，关于石漠化区不同植被恢复模式土壤的研究多集中于理化性质变化特征及其关系等方面，对土壤质量的系统研究相对较少。此外，西南地区丰富的矿产资源导致该地区土壤存在严重的重金属污染现象。有研究表明：岩溶地区铅锌矿开采和特殊的喀斯特环境能够导致土壤重金属超标[9]；罗绪强等[10]研究发现：喀斯特地区不同石漠化程度土壤重金属镉含量不同，其中部分镉伴随石漠化过程向周边扩散。目前，土壤贫瘠和重金属污染是西南喀斯特地区较为严重的土壤环境问题，在分析不同土地利用方式下土壤养分特征的同时，关注养分与重金属之间的关系，对改善石漠化地区土壤养分和重金属修复具有重要价值。本研究以滇东南西畴县三光石漠化综合治理示范区为例，比较不同土地利用方式土壤养分和重金属质量分数分布特征的差异，分析土壤养分与重金属之间的关系，以揭示不同土地利用方式对石漠化区生态修复的影响，为石漠化治理提供理论依据。
-
三光石漠化综合治理示范区位于云南省文山州西畴县(23°10′~23°14′N，104°34′~104°38′E)，属热带低纬季风气候，年平均气温为15.9 ℃，年均降水量为1294.0 mm，年日照时数为1 500~1 600 h。近年来，该地区实施了一系列生态工程，如对山头采取封山育林、植树造林、公益林保护等措施修复森林植被，对山腰耕作条件较差的石旮旯地进行退耕还林，大力发展核桃Juglans regia、猕猴桃Actinidia chinensis等特色经济林果，对山脚坡度小于25°，有改造条件的缓坡地和石旮旯地，实施坡改梯和炸石造地，建成了全省石漠化综合治理示范区。
-
查阅研究区相关资料并进行野外考察，根据当地土地利用方式及主要农作物和经济作物类型，并综合考虑了海拔、坡度、坡向以及植被生长状况，选取撂荒地、灌草地、人工林地、自然林地、玉米Zea mays地、核桃林地和猕猴桃地共7种利用方式(表1)。每种土地利用方式分别设置3个重复样地。样品采集于2020年8月，每个样地设置3个1 m×1 m的样方，按照S型5点采样法，共采集63份土样。采样时先除去地面凋落物，采集0~10 cm表层土壤样品，并采用四分法混匀。将土样带回实验室经自然风干、剔除植物根茎和石砾后分为2份，研磨分别过20和100目筛，用于化学分析。
表 1 研究区样地概况
Table 1. Sample overview of the study area
土地利用类型 坡向 海拔/ｍ 主要植被 撂荒地(BF) 北坡 1 474.5~1 481.7 鼠尾草Salvia japonica、扁穗草Brylkinia schmidt 灌草地(FG) 北坡 1 519.0~1 537.7 绒毛山胡椒Lindera nacusua、尖子木Oxyspora paniculata 人工林地(AF) 北坡 1 410.6~1 496.5 三尖杉Cephalotaxus fortunei、滇青冈Cyclobalanopsis glaucoides 自然林地(AG) 北坡 1 241.7~1 511.4 三尖杉、云南松Pinus yunnanensis 玉米地(CN) 北坡 1 459.7~1 472.6 玉米 核桃林地(UJ) 北坡 1 113.5~1 212.7 核桃 猕猴桃地(UA) 北坡 1 513.4~1 547.0 猕猴桃、鬼针草Bidens pilosa -
表 2 土壤理化性质及重金属元素测定方法
Table 2. Measuring methods of soil physicochemical indexes and heavy metal elements
指标 项目 测定方法 物理指标 pH 土水质量比1.0∶2.5电位法 化学指标 有机质 重铬酸钾容量法-外加热法 全氮 半微量开氏法 碱解氮 碱解扩散法 全磷 钼锑抗比色法 速效磷 NaHCO3浸提-钼锑抗比色法 速效钾 火焰光度法 重金属元素 砷、锌、铜、镍、铬、锰 三酸分步消解-电感耦合等离子体质谱法 -
本研究选取有机质、全氮、碱解氮、全磷、速效磷、速效钾及pH作为评价土壤肥力质量的基本指标。在计算土壤肥力综合指数时，采用主成分分析法确定不同用地类型土壤肥力指标的权重值(表3)，并构建评价指标的隶属度函数模型(S型和抛物线型)，根据全国第2次土壤普查标准确定土壤属性值的分级标准(表4)，最后采用模糊综合评价(Fuzzy)法计算土壤肥力指数[13]。
表 3 土壤肥力综合评价指标权重值
Table 3. Weight value of soil fertility comprehensive evaluation index
指标 pH 有机质 全氮 全磷 速效磷 碱解氮 速效钾 权重值 0.056 0.226 0.224 0.162 0.106 0.179 0.047 表 4 土壤养分及pH分级标准
Table 4. Soil nutrient and pH classification criteria
分级 pH 有机质/(g·kg−1) 全氮/(g·kg−1) 全磷/(g·kg−1) 碱解氮/(mg·kg−1) 速效磷/(mg·kg−1) 速效钾/(mg·kg−1) 评价 一级 ＞8.5 ＞40 ＞2.00 ＞1.0 ＞150 ＞40 ＞200 很高 二级 7.5~8.5 30~40 1.50~2.00 0.8~1.0 120~150 20~40 150~200 高 三级 6.5~7.5 20~30 1.00~1.50 0.6~0.8 90~120 10~20 100~150 中上 四级 5.5~6.5 10~20 0.75~1.00 0.4~0.6 60~90 5~10 50~100 中下 五级 4.5~5.5 6~10 0.50~0.75 0.2~0.4 30~60 3~5 30~50 低 六级 ≤4.5 ≤6 ≤0.50 ≤0.2 ≤30 ≤3 ≤30 很低 说明：表中连接点的值为上限排除法 土壤有机质、全氮、碱解氮、全磷、速效磷、速效钾采用S型隶属函数[14]，土壤pH采用抛物线隶属函数[14]。土壤肥力综合指数(IFI)计算公式如下：
$$ I_{{\rm{IF}}}=\sum\limits_{i=1}^{n}W_i N_i 。$$ 其中：Wi和Ni分别表示第i项指标的权重值和隶属度值，n为指标数。IFI取值范围为0~1。土壤肥力分级标准见表5。
-
潜在生态风险指数(IR)可综合反映土壤重金属污染程度及对人类和环境的潜在危害程度[15]。IR计算公式如下：Ei=Ti(Ci/Ci)，IR=
$\displaystyle\sum\limits_{i = 1}^n $ Ei。其中：Ei为元素i的潜在生态危害系数；Ti为元素i的毒性响应系数；Ci为元素i的实测质量分数(mg·kg−1)；Ci为元素i的区域背景值(mg·kg−1)[16]。分级标准见表6。表 6 土壤重金属潜在生态危害分级标准
Table 6. Soil heavy metals potential ecological hazard grading standard
Ei IR 生态危害程度 Ei IR 生态危害程度 ＜40 ＜150 轻微 160~320 ≥600 很强 40~80 150~300 中等 ≥320 极强 80~160 300~600 强 -
岩溶石漠化地区不同土地利用方式下土壤养分质量分数之间存在差异(图1)，总体表现为：自然恢复方式下土壤有机质、全氮、全磷显著高于其他利用方式(P＜0.05)。撂荒地(76.25 g·kg−1)和灌草地(78.40 g·kg−1)的土壤有机质质量分数较高，其次是人工林地(55.77 g·kg−1)、自然林地(52.20 g·kg−1)和玉米地(53.18 g·kg−1)，而核桃林地(35.91 g·kg−1)和猕猴桃地(27.96 g·kg−1)土壤有机质质量分数较低，但差异不显著(P＞0.05)。不同利用方式下土壤的全氮与有机质质量分数的变化趋势相似，不同的是撂荒地全氮质量分数最高(2.35 g·kg−1)，猕猴桃地全氮质量分数最低(1.00 g·kg−1)，且核桃林地和猕猴桃地与撂荒地土壤全氮质量分数具有显著差异(P＜0.05)。不同利用方式下土壤全磷与有机质质量分数不同的是，撂荒地土壤全磷质量分数最高(1.19 g·kg−1)，其次是玉米地(1.00 g·kg−1)，与人工林地、自然林地、核桃林地、猕猴桃地全磷质量分数的差异显著(P＜0.05)，人工林地土壤全磷质量分数最低(0.35 g·kg−1)。由此可见，撂荒地和灌草地更有益于该地区土壤养分的提升，而猕猴桃地和核桃林地因其人为扰动过强导致养分严重流失。
图 1 不同土地利用方式下土壤有机质、土壤全氮和土壤全磷的差异特征
Figure 1. Characteristics of soil organic matter contents, soil total nitrogen contents and soil total phosphorus contents under different utilization methods
-
通过对不同利用土地方式土壤肥力综合指数的计算可知，岩溶石漠化地区人为干扰较弱的利用方式下土壤较为肥沃。撂荒地、灌草地和玉米地的土壤肥力处于高水平，人工林地和自然林地土壤肥力处于较高水平，核桃林地和猕猴桃地土壤肥力处于中等水平，其中，猕猴桃地IFI最低，为0.485，灌草地IFI最高，达到0.915，是猕猴桃地的1.9倍(表7)，说明灌草模式比人为干扰较强的经济作物模式更适合石漠化地区的土壤修复。
表 7 不同利用方式土壤肥力指数
Table 7. Soil fertility index in different utilization modes
土地利用方式 IFI 土地利用方式 IFI 撂荒地 0.913 玉米地 0.837 灌草地 0.915 核桃林地 0.501 人工林地 0.779 猕猴桃地 0.485 自然林地 0.789 -
运用潜在生态危害指数法评价不同土地利用方式下土壤重金属的生态风险水平，可见 7种土地利用方式下土壤IR均小于150，在轻微风险水平范围内(表8)， IR从大到小依次为猕猴桃地、自然林地、核桃林地、撂荒地、玉米地、人工林地、灌草地。根据Ei可知：砷的风险水平最高，在自然林地和猕猴桃地表现为强生态风险水平，在撂荒地、人工林地和核桃林地生态风险水平为中等，在灌草地和玉米地生态风险水平为轻微。砷质量分数均值在自然林地中达到最大值122.27 mg·kg−1(图2)，超过国家土壤环境质量标准值3倍，在玉米地中最低，为35.55 mg·kg−1，略高于土壤质量标准值。此外，除撂荒地镍的污染水平为中等，7种利用方式下土壤中锌、铜、镍、铬和锰均表现为轻微污染。综上，研究区7种不同土地利用方式下土壤重金属污染均为轻度风险水平，猕猴桃地重金属污染风险水平最高，其中砷是造成该地区重金属污染的主要污染物。
表 8 土壤重金属潜在生态危害指数
Table 8. Soil heavy metals potential ecological hazard index
样地 Ei IR 砷 锌 铜 镍 铬 锰 撂荒地 46.42 7.87 7.35 40.29 6.83 1.25 110.01 灌草地 37.86 2.68 6.51 16.79 2.22 0.86 66.91 人工林地 70.35 1.10 6.93 10.49 2.54 1.68 93.09 自然林地 113.21 4.70 5.90 14.83 3.32 1.32 143.28 玉米地 32.91 7.45 9.80 37.90 5.87 1.52 95.44 核桃林地 69.44 2.89 9.46 27.90 4.27 1.45 115.40 猕猴桃地 103.97 4.68 16.65 37.14 4.64 2.08 169.16 
图 2 不同利用方式下土壤重金属空间分布特征
Figure 2. Spatial distribution characteristics of soil heavy metals under different utilization modes
-
对不同土地利用方式下土壤养分与重金属之间的相关性分析可知(图3)：不同土地利用方式下各重金属元素与土壤养分之间存在显著相关性(P＜0.05)。具体表现为：撂荒地中土壤有机质、全氮、全磷与铬和锰呈显著正相关(P＜0.05)；灌草地和人工林地中土壤养分与大部分重金属元素呈显著负相关(P＜0.05)；自然林地中除土壤全磷、碱解氮与铬呈显著负相关外(P＜0.05)，土壤养分与重金属元素呈显著正相关(P＜0.05)；核桃林地中土壤全磷和速效磷与砷和铜呈显著负相关(P＜0.05)；在人为干扰较强的玉米地和猕猴桃地中，土壤养分与重金属元素之间的相关性不显著(P＞0.05)。总而言之，岩溶石漠化地区土壤养分质量分数对重金属质量分数具有显著的影响，但这种影响因土地利用方式的不同而不同。
图 3 不同利用方式下土壤养分和重金属之间的相关性
Figure 3. Correlation between soil nutrients and heavy metals under different utilization methods
-
本研究发现：不同土地利用方式对土壤养分质量分数具有较为显著的影响。人为干扰是直接引起该地区土壤养分流失的重要因素，其中受人为干扰较大的猕猴桃地土壤养分流失最为严重。研究[18-21]表明：人为踩踏行为导致土壤容重增加，土壤保水持水能力退化，土壤有机质、全磷和全氮含量降低。自然属性较强的灌草地养分质量分数明显高于其他地类，是因为灌草地所受人为干扰较弱，生态系统稳定，养分不易流失，且植物种类丰富多样，根系密度较大，能够改善土壤结构，从而使得更多的养分进入土壤[22]。自然林地和人工林地多为纯林，植被群落丰富度和多样性较低，导致养分质量分数低于灌草地。长年耕作的玉米地，所受人为扰动最强，但因长期施肥的作用增加了土壤的氮磷质量分数。因此，在岩溶石漠化地区，为了能够更好地改善土壤养分状况，应因地制宜，选择合适的植被模式，并适当减少人为干预，防止养分流失。
-
不同土地利用方式下土壤重金属的分布特征具有显著差异[23]。本研究中，猕猴桃地土壤重金属污染风险水平最高。胡春华等[24]研究结果表明：农业生产活动中投入大量材料如肥料、除草剂、杀虫剂、塑料薄膜，不仅提升了土壤养分，也会导致农用地土壤重金属污染。玉米地土壤重金属污染风险水平较撂荒地低，是因为玉米的根部能够富集重金属[25]，也可能是收割作物时带走了土壤中的部分重金属。研究区灌草地重金属污染风险水平最低，其原因可能是土壤有机质质量分数高，提高了重金属的环境迁移能力，且灌草地受人为活动影响较小，进而重金属输入源较少，也有可能是因为灌草地上的植被对重金属有一定的富集作用。
-
土壤养分与重金属之间具有一定的耦合关系[26]。本研究结果表明：不同土地利用方式下土壤养分与重金属的相关性不同，其中重金属对灌草地、人工林地和自然林地养分的提升影响较为显著。土壤重金属与土壤酶活性之间的关系密不可分[27-28]，土壤重金属污染常具隐蔽性、难降解和易富集等特性。重金属以离子形态进入植物体内，从而影响土壤微生物的生态特性，在适宜浓度时可促进酶活性，浓度过低或过高时对酶活性可起到抑制作用，而养分与酶活性密切相关[29]。在本研究中，重金属污染风险最低的灌草地中土壤肥力指数最高，可能是适度的重金属污染对酶活性起到了促进作用，从而提升了土壤的肥力。然而，重金属污染对撂荒地和作物种植地土壤养分的作用并不显著，主要原因是撂荒地土壤重金属污染是由其特殊的土壤母质造成的，而玉米地、核桃林地和猕猴桃地的土壤贫瘠及重金属污染主要是由较活跃的人为活动导致的。总之，土壤养分对重金属的污染程度在不同土地利用方式下有较为显著的响应，但其响应机制仍需更深入的研究。
-
通过对云南省西畴县石漠化治理示范区不同土地利用方式下表层土壤养分和重金属质量分数特征及其关系的研究，得出以下结论：①研究区7种不同土地利用方式中，灌草地对土壤养分的改良效果最好，猕猴桃地因较强的人为干扰导致养分流失严重，而玉米地因长期施肥使得土壤养分质量分数增加。②砷是该地区主要污染物，灌草地重金属质量分数较低且生态风险水平最低，猕猴桃地生态风险水平最高。③在灌草地、人工林地和自然林地中，土壤养分质量分数对重金属质量分数的影响较为显著。
综上所述，在不同土地利用方式下，人为干扰是导致土壤养分流失的重要因素，然而，在人为干扰较弱的利用方式下，土壤养分质量分数对重金属质量分数具有显著影响。对于该地区土壤所面临的生态问题，应尽可能地降低人为干扰强度，以改善土壤的养分状况，减少土壤重金属的累积，降低生态风险水平。而土壤养分对重金属的响应机制有待更深入的研究。
Effects of different land use modes on soil fertility and heavy metal contents in karst rocky desertification area
-
摘要:
目的 探讨不同土地利用方式下土壤肥力和重金属污染的特征及土壤养分与土壤重金属之间的关系。 方法 以云南省西畴县三光石漠化综合治理示范区的撂荒地、灌草地、人工林地、自然林地、玉米Zea mays地、核桃Juglans regia林地和猕猴桃Actinidia chinensis地为研究对象，测定土壤养分和重金属质量分数并进行相关性分析。 结果 自然恢复方式下土壤有机质、全氮、全磷质量分数显著高于其他土地利用方式(P＜0.05)，灌草地土壤[土壤肥力综合指数(IFI)为0.915]和撂荒地土壤(IFI=0.913)较为肥沃，猕猴桃地土壤(IFI =0.485)和核桃林地土壤(IFI =0.501)较为贫瘠；不同土地利用方式下，灌草地重金属污染风险最低[生态风险指数(IR)为66.91]，猕猴桃地重金属污染风险最高(IR=169.16)。相关性分析发现：土壤养分质量分数对重金属质量分数的影响因土地利用方式的不同而不同，且在灌草地、人工林地和自然林地中较为显著(P＜0.05)，在撂荒地和作物种植地中并不显著(P＞0.05)。 结论 自然属性较强的地区土壤肥力水平高，且重金属污染风险低，说明人为干扰是影响石漠化地区进行植被恢复的重要因素。为了能够更好地提高土壤质量，应适当减少人为活动的干扰。图3表8参29 Abstract:Objective This study aims to explore the characteristics of soil fertility and heavy metal pollution under different land use modes and the relationship between soil nutrients and heavy metals. Method Abandoned land, shrub land, artificial forest land, natural woodland, Zea mays field, Juglans regia woodland, and Actinidia chinensis land in Sanguang Rocky Desertification Comprehensive Control Demonstration Area in Xichou County of Yunnan Province were taken as the research objects, and the mass fractions of soil nutrients and heavy metals were measured and analyzed. Result The mass fractions of soil organic matter, total nitrogen and total phosphorus under natural restoration mode were significantly higher than those under other land use modes (P＜0.05). The soil of shrub land (IFI=0.915) and abandoned land (IFI=0.913) was more fertile, while the soil of A. chinensis land (IFI=0.485) and J. regia land (IFI=0.501) was poor. Under different land use modes, the risk of heavy metal pollution was the lowest (IR=66.91) in shrub land, and the highest (IR=169.16) in A. chinensis land. Correlation analysis showed that the effect of soil nutrient content on heavy metal content was different with different land use modes, and was more significant in shrub and grass field, artificial forest and natural forest land (P＜0.05), but insignificant in abandoned land and crop planting land (P＞0.05). Conclusion Areas with strong natural attributes have high soil fertility and low risk of heavy metal pollution, indicating that human disturbance is an important factor affecting vegetation restoration in rocky desertification areas. Human disturbance should be appropriately reduced to better improve soil nutrients. [Ch, 3 fig. 8 tab. 29 ref.] -
Key words:
- rocky desertification /
- different land use modes /
- soil nutrients /
- heavy metals
-
气候变化是人类面临的全球性问题。到2050年，为了将全球升温控制在1.5 ℃以内，必须增加约1亿 hm2森林[1]。森林生态系统是全球陆地生态系统中最大的碳库[2]。森林碳密度是衡量森林生态系统固碳能力的重要指标，其影响机制越来越受到重视，已围绕树种组成[3]、气候驱动变化[4]、森林管护水平[5]、道路网络[6]和城市扩张[7]等自然与人为因素开展了富有成效的研究。
实际上，景观格局反映了自然与人为因素在不同时空尺度上作用的最终结果，并能够体现各生态过程在不同时空尺度上的相互作用关系[8]。森林景观格局反映了森林景观的组成、空间分布、数量、结构和功能等信息[9]，森林景观规模异质性的增加，改变了森林的结构、功能和过程[10]，关注森林景观异质性能更好地衡量碳循环等森林生态功能[11]。森林景观如何影响森林储量受到越来越多关注[12]，关于森林景观格局对森林碳储量的影响机制也进行了研究。森林景观格局优化可以促进森林碳储量提高[13]，扩大斑块面积从而提高森林景观连通性，促进次生林碳储量提升[14]，而森林破碎化则会减少森林边缘的碳储量[15]。张丹[16]研究了不同尺度城市森林景观格局与碳储量的相关性，并指出增加森林斑块面积和连结度，减小斑块的平均邻近距离与周长面积比均可增加城市森林碳储量。宋洁[17]分析了祁连山森林景观格局对森林碳储量的相关性，认为增加森林景观面积、景观形状复杂度、景观聚集度和连通性能够提升森林碳储量。吕海亮[18]研究了城市森林碳密度与景观格局关系，认为平均斑块面积与碳密度呈显著正相关，而景观形状指数则与其呈显著负相关。也有学者聚焦森林景观格局对森林碳密度的影响研究，通过耦合协调度模型探究碳密度与森林景观不同组成、分布等特征的关系[19]。然而，量化森林景观格局对森林碳密度影响的研究还不多，且以上研究虽然解析了森林景观格局对森林碳密度的相关性，但很少从空间上解释森林景观对森林碳密度的影响规律。实际上森林碳密度具有空间自相关性[20-21]，忽略地理因素的空间非平稳性，易导致结果有偏差或估计效率低下。
目前，地理加权回归模型(GWR)、空间计量模型、地理探测器等方法已被用于分析研究对象与各类驱动因素之间的空间关联性。其中，GWR解释模型方差比其他模型更有效，且相比于普通最小二乘模型(OLS)，能较好地揭示解释变量的空间异质性，但GWR模型是基于恒定带宽，忽略了解释变量尺度作用差异。为此，FOTHERINGHAM等[22]提出了多尺度地理加权(MGWR)模型，解决了不同解释变量在不同尺度同一带宽的问题，即允许在多个空间尺度上建立自变量和因变量的关系模型。MGWR模型已成功应用于生境质量[23]、生态效率[24]、森林火灾[25]等的驱动因素分析，但在森林景观研究中的应用仍处于探索阶段。
本研究选取了浙江省丽水市为研究区域，采用MGWR模型探究亚热带森林景观格局对森林碳密度的影响机制和空间非平稳性，为研究区域森林碳密度时空特征提供框架，以期为制定国土绿化、森林质量提升政策，因地制宜开展森林保护与管理提供依据。
1. 研究方法
1.1 研究区概况
丽水市位于浙江省西南部，27°25′~28°57′N和118°41′~120°26′E，地貌以丘陵、中山为主，市域面积为1.73万km2。丽水市属中亚热带季风气候，温暖湿润，雨量充沛，具有典型的山地气候。作为南方亚热带重要的集体林区，及浙江省森林资源最为丰富的设区市，截至2019年，丽水市森林面积为142.14万hm2，森林覆盖率为82.27%，森林蓄积量为0.96亿m3，居浙江省前列。近年来，随着快速的城市化和社会发展，该地区土地利用发生了相当大的变化，这对森林提供生态系统服务能力产生了重要影响[26]。同时该地区国家公园和自然保护地建设，以及森林管理活动也对森林碳循环产生了重大影响[27]，增强了森林景观格局和森林碳密度的空间异质性。
1.2 数据来源
①土地利用矢量数据来源于浙江省森林资源年度变更成果。将研究区的土地利用分为乔木林地、竹林地、灌木林地、未成林造林地、苗圃地、迹地、宜林地和非林地等8种类型。为更细致刻画森林景观特征，进一步把乔木林地细分为针叶林、阔叶林、针阔混交林等3种类型。地类和树种分类按照DB33/T 640—2017《森林资源规划设计调查规程》[28]执行。②样地数据来源于丽水市716个森林资源连续清查样地(以下简称连清样地)的现场调查，全市以公里格网4 km×6 km间距布设样地，单个样地面积为0.08 hm2，形状为正方形。③数字高程模型来源于地理空间数据云(
http://www.gscloud.cn/ )，分辨率为30 m。④年降水量和年平均气温数据根据资源环境科学与数据中心下载的中国756个气象站观测数据，通过普通Kriging法进行空间插值形成栅格数据，分辨率为30 m。以上数据均取2012和2019年的数据。1.3 测算森林碳密度
①利用2012和2019年连清样地实测的样木数据，将每株样木树种归类至表1所列的树种类型。②使用树高-胸径曲线模型计算单株树(竹)高；③使用冠长模型计算单株树(竹)冠长；④使用单株立木(竹)生物量模型计算各样地内的单株活立木(竹)的地上和地下部分生物量，再通过与含碳率的乘积测算单株活立木(竹)的碳储量；⑤将样地内各株活立木(竹)的碳储量累加形成样地林分水平的碳储量，然后除以样地面积得到森林碳密度。⑥利用ArcMap 10.8的球面半变异函数模型的普通Kriging法，形成丽水市森林碳密度空间分布图。树高-胸径曲线模型、冠长模型、生物量模型见表1，含碳率见表2。
表 1 树高-胸径曲线模型、冠长模型和生物量模型Table 1 Height-diameter curves model, crown length model and biomass model树种类型 树高-胸径曲线模型 冠长模型 生物量模型 松类 $H = 78.711\,0 + \dfrac{ { - 10\,051.620\,0} }{ {0.984\,8 \; D_{\rm{BH}} + 129.719\,5} }$ $L = 0.908\,2 \; {H^{0.741\,3} }$ ${B_{松类 } } = {B_1} + {B_2} + {B_3}$
${B_1} = 0.060\,0 \; {H^{0.793\,4} } \; {D_{\rm{BH} }^{1.800\,5} }$
${B_2} = 0.137\,7 \; {L^{0.405\,2} } \; {D_{\rm{BH} }^{1.487\,3} } $
${B_3} = 0.041\,7 \; {H^{ - 0.078\,0} } \; {D_{\rm{BH} }^{2.261\,8} }$杉类 $H = 119.583\,9 + \dfrac{ { - 24\,448.214\,0} }{ {0.988\,4 \; D_{\rm{BH}} + 205.692\,4} }$ $L = 0.487\,0 \; {D_{\rm{BH}}^{0.170\,7} } \; {H^{0.897\,1} }$ ${B_{ 杉类 } } = {B_1} + {B_2} + {B_3}$
${B_1} = 0.064\,7 \; {H^{0.895\,9} } \; {D_{\rm{BH} }^{1.488\,0} }$
${B_2} = 0.097\,1 \; {L^{0.034\,6} } \; {D_{\rm{BH} }^{1.781\,4} }$
${B_3} = 0.061\,7 \; {H^{ - 0.103\,7} } \; {D_{\rm{BH} }^{2.115\,3} }$硬阔类Ⅰ $H = 58.208\,2 + \dfrac{ { - 6\,994.739\,0} }{ {0.984\,8 \; D_{\rm{BH}} + 127.719\,5} }$ $L = 0.631\,6 \; {H^{1.180\,1} } \; {{\rm{e}}^{ - 0.051\,1 \; H} }$ ${B_{ 硬阔类{\text{Ⅰ}} } } = {B_1} + {B_2} + {B_3}$
${B_1} = 0.056\,0 \; {H^{0.809\,9} } \; {D_{\rm{BH} }^{1.814\,0} }$
${B_2} = 0.098\,0 \; {L^{0.461\,0} } \; {D_{\rm{BH} }^{1.648\,1} }$
${B_3} = 0.054\,9 \; {H^{0.106\,8} } \; {D_{\rm{BH} }^{2.095\,3} }$硬阔类Ⅱ ${B_{ 硬阔类{\text{Ⅱ}}} } = {B_1} + {B_2} + {B_3}$
${B_1} = 0.080\,3 \; {H^{0.781\,5} } \; {D_{\rm{BH} }^{1.805\,6} }$
${B_2} = 0.286\,0 \; {L^{0.945\,0} } \; {D_{\rm{BH} }^{1.096\,8} }$
${B_3} = 0.247\,0 \; {H^{0.174\,5} } \; {D_{\rm{BH} }^{1.795\,4} }$软阔类 $L = 0.441\,3 \; {H^{1.377\,0} } \; {{\rm{e}}^{ - 0.060\,3 \; H} }$ ${B_{ 软阔类 } } = {B_1} + {B_2} + {B_3}$
${B_1} = 0.044\,4 \; {H^{0.719\,7} } \; {D_{\rm{BH} }^{1.709\;5} }$
${B_2} = 0.085\,6 \; {L^{0.397\,0} } \; {D_{\rm{BH} }^{1.226\;6} }$
${B_3} = 0.045\,9 \; {H^{0.106\,7} } \; {D_{\rm{BH} }^{2.024\,7} }$乔木经济
树种类$L = 0.618\,9 \; {H^{1.204\,8} } \; {{\rm{e}}^{ - 0.038\,2 \; H} }$ 使用硬阔类Ⅰ的公式 竹类 $H = 24.557\,0 + \dfrac{ { - 233.809\,9} }{ {D_{\rm{BH}} + 8.434\,3} }$ $L = 0.705\,6 \; {H^{1.174\,8} } \; {{\rm{e}}^{ - 0.060\,1 \; H} }$ ${B_{ 竹类 } } = {B_1} + {B_2} + {B_3}$
${B_1} = 0.039\,8 \; {H^{0.577\,8} } \; {D_{\rm{BH} }^{1.854\,0} }$
${B_2} = 0.280\,0 \; {L^{0.274\,0} } \; {D_{\rm{BH} }^{0.835\,7} }$
${B_3} = 0.371\,0 \; {H^{0.135\,7} } \; {D_{\rm{BH} }^{0.981\,7} }$说明：H是树高(m)，DBH是胸径(cm)，L是冠长(m)，B1、B2和B3分别是单株立木(竹)的树干生物量(kg)、树冠生物量(kg)和树根生物量(kg)。松类包括马尾松Pinus massoniana、湿地松P. elliottii、黄山松P. taiwanensis等树种；杉类包括杉木Cunninghamia lanceolata、水杉Metasequoia glyptostroboides、池杉Taxodiun distichum var. imbricatum等树种；硬阔类Ⅰ包括木荷Schima superba、红楠Machilus thunbergii、樟Camphora officinarum等树干木材密度小于0.7 g·cm−3的树种；硬阔类Ⅱ包括青冈Quercus glauca、苦槠Castanopsis sclerophylla、栎类Quercus等树干木材密度大于0.7 g·cm−3的树种；软阔类包括桤木Alnus cremastogyne、槭树Acer miyabei、檫木Sassafras tzumu等树种；乔木经济树种类包括栗Castanea mollissima、枇杷Eriobotrya japonica、香榧Torreya grandis ‘Merrillii’等树种；竹类包括刚竹Phyllostachys sulphurea、毛竹Ph. edulis、早竹Ph. violascens等。 表 2 树种含碳率Table 2 Carbon contents of species树种 含碳率 树种 含碳率 树种 含碳率 冷杉Abies fabri 0.499 9 柳杉Cryptomeria japonica var. sinensis 0.523 5 杨树Populus 0.495 6 云杉Picea asperata 0.520 8 水杉Metasequoia glyptostroboides 0.501 3 硬阔类 0.483 4 铁杉Tsuga chinensis 0.502 2 樟树Cinnamomum camphora 0.491 6 软阔类 0.495 6 柏木Cupressus funebris 0.503 4 楠木Phoebe zhennan 0.503 0 针叶混交林 0.510 1 黑松Pinus thunbergii 0.514 6 栎类Quercus 0.500 4 阔叶混交林 0.490 0 华山松Pinus armandii 0.522 5 桦木类Betula 0.491 4 针阔混交林 0.497 8 油杉Keteleeria fortunei 0.499 7 椴树Tilia tuan 0.439 2 竹类 0.504 2 马尾松Pinus massoniana 0.459 6 檫木Sassafras tzumu 0.484 8 乔木经济树种 0.483 4 高山松Pinus densata 0.500 9 桉树Eucalyptus 0.525 3 其他树种 0.500 0 杉木Cunninghamia lanceolata 0.520 1 木麻黄Casuarina equisetifolia 0.498 0 为验证碳密度空间分布结果精度可靠性，基于已有数据，先将空间分布结果由栅格转为矢量面要素的格网，并裁切提取出丽水市行政范围内的格网；再将每个格网的面积与其碳密度相乘并汇总加和得到丽水市森林碳储量；然后按照文献[29]所述的系统抽样统计方法，基于连清样地计算丽水市森林碳储量的估计中值、估计精度和估计区间；最后根据文献[30]，基于空间分布结果计算的森林碳储量如落入估计区间，则说明该结果是有精度保证的，森林碳储量是碳密度乘以丽水市面积得到，也可说明森林碳密度空间分布结果是有精度保证的。
1.4 量化森林景观格局指数
选择5个常用且相关性较低的景观指标：香农多样性指数(SHDI)、最大斑块指数(LPI)、斑块密度(PD)、蔓延度指数(CONTAG)、景观形状指数(LSI)。各指标的含义和计算公式见文献[31]。另外，本研究选择了年平均降水量(PREP)、年平均气温(TEMP)、海拔(ELEV)作为控制变量。气温和降水量是影响森林固碳能力最常见的气候要素，其影响是双向的。气温会影响植被光合作用和净初级生产力，从而影响森林生长[32]，但高温引起的呼吸增加可能使碳储量随着温度升高而减少[33]。一定范围内的水资源会促进森林的生长，水分过多则会抑制土壤呼吸，影响植物生长[34]。使用Fragstats 4.2软件，参照已有对市级尺度的景观研究[35-36]，选取5 km×5 km为窗口大小，采用移动窗口法生成各景观指标栅格图，基于ArcMap 10.8生成4 km×4 km的格网(研究区共计1 204个网格)，对每个格网的景观格局指标数值和控制变量数值分区统计。
1.5 空间自相关分析
地理学第一定律表明，在涉及具有地理空间的数据时，事物之间距离越近关联性越大[37]。采用Global Moran’ s I和Local Moran’ s I来描述森林碳密度的全域和局部聚类特征。计算公式可见文献[38]。Moran’ s I介于−1到1之间，＞0表示存在正相关性，＜0表示存在负相关性， 0表明不存在空间自相关。使用GeoDa 1.12绘制LISA (local indicators of spatial association)图，反映森林碳密度的空间格局，LISA图包括4个类别，“高—高”和“低—低”表示空间正相关，“高—低”和“低—高”表示空间负相关。Global Moran’ s I也将用于量化MGWR模型的残差空间自相关，如果残差存在显著的空间自相关，则表明模型中缺失了关键解释变量。
1.6 MGWR模型
采用MGWR模型探究森林景观格局对森林碳密度的多尺度影响。MGWR模型通过不断寻找各解释变量的最优带宽并不断更新参数估计值，直至系数迭代收敛，从而形成最终回归结果[39]。该模型如下：
$$ {y_i} = \sum\limits_{j = 1}^m {{\beta _{{bw}j}}\left( {{u_i},{v_i}} \right)} {x_{ij}} + {\varepsilon _i} 。 $$ 其中，yi是格网i的被解释变量；xij是格网i的第j个解释变量；$ {\beta _{{bw}j}}\left( {{u_i},{v_i}} \right) $为格网i的第j个解释变量的局部回归系数，(ui, vi)为格网i的空间位置，bwj为第j个解释变量回归系数所使用的带宽bw；m为解释变量的个数；εi为误差项。本研究采用MGWR 2.2进行模型构建，MGWR形式选择Gaussian，空间Kernel类型选择Adaptive Bisquare函数，带宽搜寻方法采用Golden Section，模型最优化准则采用AICc准则。
2. 结果与分析
2.1 森林碳密度空间格局
2012—2019年，研究区森林碳密度平均值从23.19 t·hm−2提高到31.96 t·hm−2，年均增量为1.25 t·hm−2。根据研究区森林资源连续清查结果，森林面积和森林蓄积量分别从2012年的132.81万hm2和0.65亿m3增加到142.14万hm2和0.96亿m3，年均分别增加1.33万hm2和0.04亿m3，森林面积和森林蓄积量逐年上升促进了森林碳密度增加。森林碳密度空间分布格局存在显著差异，低森林碳密度主要在研究区的北部、西部和西南部的森林碳密度较高(图1)。2012和2019年研究区的Global Moran’ I分别为0.889和0.891 (P＜0.01)，表明森林碳密度较高或较低区域趋于聚集。由图2发现：①“高—高”区域主要分布在西南部和中南部地区。西南部是瓯江源头，拥有钱江源-百山祖国家公园百山祖园区等多处自然保护地，得益于较少的人为干扰、公益林保护和森林生态保护修复，森林质量高。②“低—低”区域主要分布在北部，北部地区包含松谷平原和碧湖平原，这些地区耕地、建筑用地较多，受人类活动影响频繁。③“低—高”区域分布极少，说明出现周围森林碳密度高而本地森林碳密度低的空间结构概率较低。
图 1 丽水市森林碳密度空间分布图Figure 1 Spatial distribution map of forest carbon density in Lishui City
图 2 丽水市森林碳密度LISA分布特征图Figure 2 Spatiotemporal characteristics of LISA map of forest carbon density in Lishui City基于丽水市连清样地，系统抽样统计结果(表3)表明：2012年全市森林碳储量估计中值为4 023.48万t，估计区间为(3 729.05~4 317.90)万t，估计精度为92.68% (P＜0.05)。2019年全市森林碳储量估计中值为5 541.19万t，估计区间为(5 192.46~5 889.91)万t，估计精度93.71%为(P＜0.05)。2012和2019年基于空间分布结果计算的森林碳储量分别为4 023.08万t和5 543.42万t，均位于相应年份的估计区间内，说明森林碳密度空间分布结果是有精度保证的。
表 3 分别基于连清样地、森林碳密度空间分布结果计算的丽水市森林碳储量Table 3 Forest carbon storage in Lishui City based on the continuous forest inventory and spatial distribution of forest carbon density, respectively年份 基于空间分布结果的
计算值/万t样地森林碳储量
均值/t基于连清样地的
计算值/万t基于连清样地计算值的
估计区间/万t估计精度/% 2012 4 023.08 1.86 4 023.48 (3 729.05, 4 317.90) 92.68 2019 5 543.42 2.57 5 541.19 (5 192.46, 5 889.91) 93.71 2.2 基于MGWR模型的空间非平稳性分析
2.2.1 变量尺度效应
由表4可见：2012和2019年的MGWR模型的Adj-R2分别达0.898和0.892。模型的带宽包含44、79、992和1 204，由于研究区被划分为1 204个网格，因此从行政边界角度看，带宽992和1204的空间尺度可定义为市级，44和79可定义为县级。LSI带宽为44，作用尺度较小，表明景观形状复杂度对森林碳密度的影响在空间上存在较大差异。CONTAG、LPI和SHDI的带宽都较大，说明森林景观连通性、面积优势度和景观多样性对森林碳密度影响的空间差异相对较小，也表明上述3个影响因素回归系数空间异质性较不明显。PD带宽从79升至1 204，作用尺度在扩大，意味着景观破碎化程度对森林碳密度影响的空间差异在变小。
表 4 MGWR模型性能和回归参数描述性统计Table 4 MGWR model performance and descriptive statistics for regression parameters年份 变量 带宽 均值 标准差 最小值 中位数 最大值 正值/% 负值/% 2012 CONTAG 992 −0.107 0.001 −0.108 −0.107 −0.106 0 100 PD 79 −0.045 0.129 −0.322 −0.077 0.493 23.84 76.16 LPI 1 204 −0.016 0.067 −0.212 −0.021 0.206 38.04 61.96 LSI 44 −0.019 0.054 −0.198 −0.017 0.139 27.74 72.26 SHDI 1 204 −0.069 0.001 −0.071 −0.069 −0.068 0 100 PREP 44 −0.013 0.573 −1.661 −0.010 1.793 48.59 51.41 TEMP 44 −0.619 1.335 −7.906 −0.704 1.557 37.54 62.46 ELEV 44 0.150 0.133 −0.126 0.132 0.554 90.28 9.72 常数项 44 0.683 0.393 −0.063 0.629 1.990 99.58 0.42 局部R2 0.916 0.774 0.116 0.178 0.792 0.959 Adj-R2 0.898 AICc 968.668 残差平方和 101.026 有效参数数量 218.323 残差Global Moran’ I 0.019 3 (P = 0.092) 2019 CONTAG 1 204 −0.047 0.001 −0.049 −0.047 −0.045 0 100 PD 1 204 −0.092 0.099 −0.465 −0.095 0.135 16.69 83.31 LPI 1 204 −0.004 0.082 −0.190 −0.013 0.309 43.02 56.98 LSI 44 0.041 0.023 0.007 0.041 0.079 100 0 SHDI 1 204 −0.055 0.006 −0.066 −0.055 −0.045 0 100 PREP 44 0.113 0.618 −1.400 0.011 1.376 51.41 48.59 TEMP 44 0.196 0.550 −1.636 0.210 2.421 65.95 34.05 ELEV 44 0.152 0.129 −0.162 0.154 0.517 86.88 13.12 常数项 44 −0.256 0.444 −1.122 −0.196 0.692 34.88 65.12 局部R2 0.911 0.783 0.116 0.221 0.810 0.966 Adj-R2 0.892 AICc 1 018.145 残差平方和 107.759 有效参数数量 208.759 残差Global Moran’ I 0.048 8 (P= 0.002) 说明：SHDI为香农多样性指数；LPI为最大斑块指数；PD为斑块密度；CONTAG为蔓延度指数；LSI为景观形状指数；PREP为年平均降水量；TEMP为年平均气温；ELEV为海拔。 2.2.2 回归结果
由表4可见：从景观格局指标的回归参数2期均值的绝对值看， CONTAG对森林碳密度影响最大，其次是SHDI和PD，LPI和LSI相对影响较小。从图2的局部R2看，研究区大部分区域拟合优度较高，模型可以揭示研究区2012年森林碳密度总变化的17.8%~95.9%和2019年的22.1%~96.6%。从各影响因素beta系数的正负值占比看，除CONTAG和SHDI外，其余景观格局的参数估计值正负情况都存在，即对森林碳密度表现不同效应影响，说明MGWR模型能将系数的局部特征呈现出来。
2.2.3 回归结果的空间非平稳性
由图3可见：2012和2019年，CONTAG对森林碳密度的负向影响均从研究区的西北向东南下降，但对森林碳密度的负向驱动力在研究期间逐渐减弱。这可能是因为西北部包含了松古平原，同时遂昌县境内分布有若干小盆地，斜坡平缓，茶叶等经济林种植面积广，应当通过加强农田林网建设和平原绿化增加片状森林面积，降低经济树种的景观连通度，提高区域森林碳密度。PD系数在研究区范围内以负值为主，并且负值区域在逐渐增多，说明降低森林破碎化程度一定程度上可减少对森林碳密度的负向影响。LPI系数以负值为主，意味着大部分区域需要减少人为干扰，维持植被自然生长状态。从2012年到 2019年，LPI系数正值区域有所增加，在西北部和中西部等区域与森林碳密度呈正相关关系，说明这些地方通过适当增加森林抚育、补植造林等措施，能够对提高森林碳密度产生积极影响。从2012年到2019年，LSI对森林碳密度的驱动力逐渐增强。说明在一定程度上，随着斑块形状的复杂度增加，森林碳密度也会随之增加。2019年，LSI对森林碳密度的正向影响由西向东下降，这表明相对于研究区东部，西部森林斑块复杂程度的增加对森林碳密度的正向影响更大。这可能是因为森林景观斑块形状复杂，能够促进斑块边缘的植被形成高效率的能量共生网络[40]，增强森林的边缘效应，而斑块边缘通常具有较高的初级生产力[41]。从2012年至2019年，SHDI对森林碳密度的负向驱动力逐渐减弱，形成负向影响由西向东增加的格局，说明研究区的林分种类分布比较均匀。年平均降水量系数总体上呈现由东部大于西部转变为西部大于东部的趋势，但2期正向与负向影响区域的数量差异较小。年平均气温对森林碳密度的正向影响区域逐渐增多，而海拔系数空间分布差异不大。2019年，年平均降水量主要在西部和西南部与森林碳密度呈正相关关系，其余区域主要呈负相关关系。年平均气温系数空间分布与年平均降水量有一定相似，主要在西南部和西北部与森林碳密度呈正相关关系。研究区的绝大部分区域的海拔与森林碳密度呈正相关关系，并且中部区域的正相关关系更强。年平均降水量、年平均气温系数正值分布区域包含了钱江源-百山祖国家公园百山祖园区、九龙山国家级自然保护区、括苍山省级森林公园，充分利用丰富的水热资源，加强自然保护地内森林生态系统保护修复，有助于提高森林碳密度。
3. 讨论
3.1 MGWR模型能反映森林碳密度对森林景观格局响应的空间分异
本研究发现：森林碳密度具有显著的空间自相关性，考虑影响因素的空间尺度对模型的结果会产生重大影响。MGWR模型拟合结果表明，斑块密度、最大斑块指数、年平均降水量、年平均气温和海拔等变量在不同区域的回归系数既有正值也有负值，因MGWR模型使用自适应带宽，可以更精确地探索驱动因素对森林碳密度的作用机制和空间异质性影响，并明确各驱动因素的具体影响尺度。
3.2 森林景观格局驱动森林碳密度对森林管理的建议
森林景观格局对森林碳密度影响表现出不同大小的驱动力和多尺度空间特征，不同尺度需要关注的影响因素是不同的，因此林业管理者可以根据这些特征制定宏观与微观的政策。在市级层面，林业管理者需要加强农田林网和生态廊道建设，降低纯林的景观连通度，同时对生态保护修复进行全区域尺度的管理，将森林恢复和减少森林破碎化战略纳入空间规划中，减少山区森林生态系统中人为干扰和森林破碎化，以提高森林碳密度的整体水平。在县级尺度上，通过合理配置森林景观组成可以有效增强森林固碳量[42]，并发挥森林组成成分间相互作用效能，发挥森林边缘效应优势。
3.3 局限性和未来研究方向
区域森林碳密度计算是一项复杂的研究任务且有多种计算方法，如采用CASA模型计算植被净初级生产力(NPP)，再将其转换为固碳量，或采用InVEST模型计算固碳量。森林碳密度受各种因素的影响，本研究是在系统布设的固定样地计算结果基础上，采用空间插值形成区域森林碳密度，计算方法在某些方面可能仍需改进。由于缺少灌木林实测数据，本研究未测算样地内的灌木林碳储量。随着尺度增加，森林碳密度的影响因素也愈加复杂，由于景观格局具有尺度依赖性，MGWR模型作为线性回归模型，对愈加复杂的影响因素解释能力需进一步探讨。此外，本研究使用边长4 km正方形的网格尺度来创建景观格局指标，并探究其与森林碳密度的关系，这个尺度可能更适用于建模，对实际森林管理会有不便。在未来研究中可以以乡镇、村级行政单位为建模单元，进一步增强模型结果的实际应用性。鉴于森林碳密度的空间自相关性，可以考虑使用空间计量模型进一步探究森林碳密度对森林经营管理和经济社会发展的响应机制。
4. 结论
本研究以浙江省丽水市为研究区，使用MGWR模型探讨了森林景观格局对森林碳密度的影响。 2012和2019年，森林碳密度的空间自相关度分别为0.889和0.891，呈显著的空间自相关性。森林景观格局对森林碳密度的影响在空间上存在非平稳性，CONTAG和SHDI存在负向影响，PD、LPI、LSI在空间上正向和负向影响并存。森林景观格局也表现出不同尺度效应，CONTAG、LPI、SHDI的作用尺度较大，LSI作用尺度较小。基于研究结果，建议进一步重视森林经营管理的空间决策支持，因地制宜实施自然演替和人工干预相结合的森林生态系统保护修复措施，促进森林生态系统碳汇功能提升。
-
图 1 不同土地利用方式下土壤有机质、土壤全氮和土壤全磷的差异特征
Figure 1 Characteristics of soil organic matter contents, soil total nitrogen contents and soil total phosphorus contents under different utilization methods
图 2 不同利用方式下土壤重金属空间分布特征
Figure 2 Spatial distribution characteristics of soil heavy metals under different utilization modes
图 3 不同利用方式下土壤养分和重金属之间的相关性
Figure 3 Correlation between soil nutrients and heavy metals under different utilization methods
表 1 研究区样地概况
Table 1. Sample overview of the study area
土地利用类型 坡向 海拔/ｍ 主要植被 撂荒地(BF) 北坡 1 474.5~1 481.7 鼠尾草Salvia japonica、扁穗草Brylkinia schmidt 灌草地(FG) 北坡 1 519.0~1 537.7 绒毛山胡椒Lindera nacusua、尖子木Oxyspora paniculata 人工林地(AF) 北坡 1 410.6~1 496.5 三尖杉Cephalotaxus fortunei、滇青冈Cyclobalanopsis glaucoides 自然林地(AG) 北坡 1 241.7~1 511.4 三尖杉、云南松Pinus yunnanensis 玉米地(CN) 北坡 1 459.7~1 472.6 玉米 核桃林地(UJ) 北坡 1 113.5~1 212.7 核桃 猕猴桃地(UA) 北坡 1 513.4~1 547.0 猕猴桃、鬼针草Bidens pilosa 
下载: 导出CSV
表 2 土壤理化性质及重金属元素测定方法
Table 2. Measuring methods of soil physicochemical indexes and heavy metal elements
指标 项目 测定方法 物理指标 pH 土水质量比1.0∶2.5电位法 化学指标 有机质 重铬酸钾容量法-外加热法 全氮 半微量开氏法 碱解氮 碱解扩散法 全磷 钼锑抗比色法 速效磷 NaHCO3浸提-钼锑抗比色法 速效钾 火焰光度法 重金属元素 砷、锌、铜、镍、铬、锰 三酸分步消解-电感耦合等离子体质谱法
下载: 导出CSV
表 3 土壤肥力综合评价指标权重值
Table 3. Weight value of soil fertility comprehensive evaluation index
指标 pH 有机质 全氮 全磷 速效磷 碱解氮 速效钾 权重值 0.056 0.226 0.224 0.162 0.106 0.179 0.047
下载: 导出CSV
表 4 土壤养分及pH分级标准
Table 4. Soil nutrient and pH classification criteria
分级 pH 有机质/(g·kg−1) 全氮/(g·kg−1) 全磷/(g·kg−1) 碱解氮/(mg·kg−1) 速效磷/(mg·kg−1) 速效钾/(mg·kg−1) 评价 一级 ＞8.5 ＞40 ＞2.00 ＞1.0 ＞150 ＞40 ＞200 很高 二级 7.5~8.5 30~40 1.50~2.00 0.8~1.0 120~150 20~40 150~200 高 三级 6.5~7.5 20~30 1.00~1.50 0.6~0.8 90~120 10~20 100~150 中上 四级 5.5~6.5 10~20 0.75~1.00 0.4~0.6 60~90 5~10 50~100 中下 五级 4.5~5.5 6~10 0.50~0.75 0.2~0.4 30~60 3~5 30~50 低 六级 ≤4.5 ≤6 ≤0.50 ≤0.2 ≤30 ≤3 ≤30 很低 说明：表中连接点的值为上限排除法
下载: 导出CSV
指标范围 肥力水平 指标范围 肥力水平 IFI≥0.8 高 0.2≤IFI＜0.4 较低 0.6≤IFI＜0.8 较高 IFI＜0.2 低 0.4≤IFI＜0.6 中等
下载: 导出CSV
表 6 土壤重金属潜在生态危害分级标准
Table 6. Soil heavy metals potential ecological hazard grading standard
Ei IR 生态危害程度 Ei IR 生态危害程度 ＜40 ＜150 轻微 160~320 ≥600 很强 40~80 150~300 中等 ≥320 极强 80~160 300~600 强
下载: 导出CSV
表 7 不同利用方式土壤肥力指数
Table 7. Soil fertility index in different utilization modes
土地利用方式 IFI 土地利用方式 IFI 撂荒地 0.913 玉米地 0.837 灌草地 0.915 核桃林地 0.501 人工林地 0.779 猕猴桃地 0.485 自然林地 0.789
下载: 导出CSV
表 8 土壤重金属潜在生态危害指数
Table 8. Soil heavy metals potential ecological hazard index
样地 Ei IR 砷 锌 铜 镍 铬 锰 撂荒地 46.42 7.87 7.35 40.29 6.83 1.25 110.01 灌草地 37.86 2.68 6.51 16.79 2.22 0.86 66.91 人工林地 70.35 1.10 6.93 10.49 2.54 1.68 93.09 自然林地 113.21 4.70 5.90 14.83 3.32 1.32 143.28 玉米地 32.91 7.45 9.80 37.90 5.87 1.52 95.44 核桃林地 69.44 2.89 9.46 27.90 4.27 1.45 115.40 猕猴桃地 103.97 4.68 16.65 37.14 4.64 2.08 169.16
下载: 导出CSV
-
[1] 熊康宁, 陈永毕, 陈浒. 点石成金: 贵州石漠化治理技术与模式[M]. 贵阳: 贵州科技出版社, 2011: 125 − 139. XIONG Kangning, CHEN Yongbi, CHEN Hu. Midas Touch: Technology and Model of Rocky Desertification Control in Guizhou[M]. Guiyang: Guizhou Science and Technology Press, 2011: 125 − 139. [2] 刘丛强. 生物地球化学过程与地表物质循环——西南喀斯特流域侵蚀与生源要素循环[M]. 北京: 科学出版社, 2007. LIU Congqiang. Biogeochemical Processes and Surface Material Cycling: Erosion and Biogenic Elements Cycling in Karst Basins of Southwest China[M]. Beijing: Science Press, 2007. [3] 何霄嘉, 王磊, 柯兵, 等. 中国喀斯特生态保护与修复研究进展[J]. 生态学报, 2019, 39(18): 6577 − 6585. HE Xiaojia, WANG Lei, KE Bing, et al. Progress on ecological conservation and restoration for China karst [J]. Acta Ecol Sin, 2019, 39(18): 6577 − 6585. [4] 肖华, 熊康宁, 张浩, 等. 喀斯特石漠化治理模式研究进展[J]. 中国人口·资源与环境, 2014, 24(3): 330 − 334. XIAO Hua, XIONG Kangning, ZHANG Hao, et al. Research progress for karst rocky desertification control models [J]. China Popul Resour Environ, 2014, 24(3): 330 − 334. [5] 王小利, 郭胜利, 马玉红, 等. 黄土丘陵区小流域土地利用对土壤有机碳和全氮的影响[J]. 应用生态学报, 2007, 18(6): 1281 − 1285. WANG Xiaoli, GUO Shengli, MA Yuhong, et al. Effects of land use type on soil organic C and N in a small watershed in Loess Hilly Gully Region [J]. Chin J Appl Ecol, 2007, 18(6): 1281 − 1285. [6] 白义鑫, 盛茂银, 胡琪娟, 等. 西南喀斯特石漠化环境下土地利用变化对土壤有机碳及其组分的影响[J]. 应用生态学报, 2020, 31(5): 1607 − 1616. BAI Yixin, SHENG Maoyin, HU Qijuan, et al, Effects of land use change on soil organic carbon and its components in karst rocky desertification of southwest China[J]. Chin J Appl Ecol, 2020, 31(5): 1607 − 1616. [7] XU Miaoping, ZHONG Zekun, SUN Ziyan, et al. Soil available phosphorus and moisture drive nutrient resorption patterns in plantations on the Loess Plateau[J/OL]. For Ecol Manage, 2020, 461: 117910[2021-06-15]. doi: 10.1016/j.foreco.2020.117910. [8] 李青, 狄晓艳. 晋北丘陵风沙区不同植被恢复模式的土壤化学特征与生态恢复效应[J]. 水土保持研究, 2017, 24(5): 88 − 92. LI Qing, DI Xiaoyan. Soil Chemical characteristics and ecological restoration effects of different revegetation patterns in the hilly sandy of north Shanxi Province [J]. Soil Water Conserv Res, 2017, 24(5): 88 − 92. [9] 覃朝科, 易鹞, 刘静静, 等. 广西某铅锌矿区废水汇集洼地土壤重金属污染调查与评价[J]. 中国岩溶, 2013, 32(3): 318 − 324. QIN Chaoke, YI Yao, LIU Jingjing, et al. Investigation and evaluation on heavy metal pollution in the water collecting depression in a lead-zinc mine of karst area [J]. Carsol Sin, 2013, 32(3): 318 − 324. [10] 罗绪强, 王世杰, 刘秀明, 等. 喀斯特石漠化过程中土壤重金属镉的地球化学特征[J]. 生态环境学报, 2009, 18(1): 160 − 166. LUO Xuqiang, WANG Shijie, LIU Xiuming, et al. Geochemical characteristics of the cadmium in the process of karst rocky desertification [J]. Ecol Environ Sci, 2009, 18(1): 160 − 166. [11] 鲍士旦. 土壤农化分析[M]. 3版. 北京: 中国农业出版社, 2000. BAO Shidan. Soil Agrochemical Analysis[M]. 3rd ed. Beijing: China Agricultural Press, 2000. [12] 刘向磊, 孙文军, 文田耀, 等. 三酸分步消解-电感耦合等离子体质谱法测定土壤详查样品中23种金属元素[J]. 岩矿测试, 2020, 39(5): 793 − 800. LIU Xianglei, SUN Wenjun, WEN Tianyao, et al. Determination of 23 metal elements in detailed soil survey samples by inductively coupled plasma-mass spectrometry with three acid stepwise digestion [J]. Rock Mineral Anal, 2020, 39(5): 793 − 800. [13] 郑立臣, 宇万太, 马强, 等. 农田土壤肥力综合评价研究进展[J]. 生态学杂志, 2004, 23(5): 156 − 161. ZHENG Lichen, YU Wantai, MA Qiang, et al. Advances in the integrated valuation of farmland fertility [J]. Chin J Ecol, 2004, 23(5): 156 − 161. [14] 叶回春, 张世文, 黄元仿, 等. 北京延庆盆地农田表层土壤肥力评价及其空间变异[J]. 中国农业科学, 2013, 46(15): 3151 − 3160. YE Huichun, ZHANG Shiwen, HUANG Yuanfang, et al. Assessment of surface soil fertility and its spatial variability in Yanqing Basin, Beijing, China [J]. Sci Agric Sin, 2013, 46(15): 3151 − 3160. [15] HAKANSON L. An ecological risk index for aquatic pollution control: a sedimentological approach [J]. Water Res, 1980, 14(8): 975 − 1001. [16] 魏复盛, 陈静生, 吴燕玉, 等. 中国土壤元素背景值[M]. 北京: 中国环境科学出版社, 1990: 330 − 493. WEI Fusheng, CHEN Jingsheng, WU Yanyu, et al. Soil Element Background Value in China [M]. Beijing: China Environmental Science Press, 1990: 330 − 493. [17] 黎妍妍, 许自成, 肖汉乾, 等. 湖南省主要植烟区土壤肥力状况综合评价[J]. 西北农林科技大学学报(自然科学版), 2006, 34(11): 179 − 183. LI Yanyan, XU Zicheng, XIAO Hanqian, et al. The comprehensive evaluation of soil fertility status for tobacco-growing areas in Hu’nan Province [J]. J Northwest Sci-Tech Univ Agric For Nat Sci Ed, 2006, 34(11): 179 − 183. [18] 李胜平, 王克林. 人为干扰对桂西北喀斯特山地植被多样性及土壤养分分布的影响[J]. 水土保持研究, 2016, 23(5): 20 − 27. LI Shengping, WANG Kelin. Effect of human disturbance on soil nutrients and plant diversity of grassland in karst mountain [J]. Res Soil Water Conserv, 2016, 23(5): 20 − 27. [19] 王媚臻, 齐锦秋, 魏丽萍, 等. 人为干扰对栲树次生林群落物种多样性和土壤理化性质的影响[J]. 热带亚热带植物学报, 2018, 26(4): 355 − 362. WANG Meizhen, QI Jinqiu, WEI Liping, et al. Effect of human disturbance on species diversity and soil physiochemical properties of Castanopsis fargesii secondary forest [J]. J Trop Subtrop Bot, 2018, 26(4): 355 − 362. [20] 吴海勇, 彭晚霞, 宋同清, 等. 桂西北喀斯特人为干扰区植被自然恢复与土壤养分变化[J]. 水土保持学报, 2008, 22(4): 143 − 147. WU Haiyong, PENG Wanxia, SONG Tongqing et al. Changes of soil nutrients in process of natural vegetation restoration in karst disturbed area in Northwest Guangxi [J]. J Soil Water Conserv, 2008, 22(4): 143 − 147. [21] 巩劼, 陆林, 晋秀龙, 等. 黄山风景区旅游干扰对植物群落及其土壤性质的影响[J]. 生态学报, 2009, 29(5): 2239 − 2251. GONG Jie, LU Lin, JIN Xiulong, et al. Impacts of tourist disturbance on plant communities and soil properties in Huangshan Mountain scenic area [J]. Acta Ecol Sin, 2009, 29(5): 2239 − 2251. [22] 李菲, 李娟, 龙健, 等. 典型喀斯特山区植被类型对土壤有机碳、氮的影响[J]. 生态学杂志, 2015, 34(12): 3374 − 3381. LI Fei, LI Juan, LONG Jian, et al. Effect of vegetation types on soil organic carbon and nitrogen in typical karst mountainous area [J]. Chin J Ecol, 2015, 34(12): 3374 − 3381. [23] 武天云, SCHOENAU J J, 李凤民, 等. 耕作对黄土高原和北美大草原3种典型农业土壤有机碳的影响[J]. 应用生态学报, 2003, 14(12): 2213 − 2218. WU Tianyun, SCHOENAU J J, LI Fengmin, et al. Influence of cultivation on organic carbon in three typical soils of China Loess Plateau and Canada Prairies [J]. Chin J Appl Ecol, 2003, 14(12): 2213 − 2218. [24] 胡春华, 蒋建华, 周文斌. 环鄱阳湖区农家菜地土壤重金属风险评价及来源分析[J]. 地理科学, 2012, 32(6): 771 − 776. HU Chunhua, JIANG Jianhua, ZHOU Wenbin. Risk evaluation and sources analysis of heavy metals in vegetable field soil of rural area around Poyang Lake [J]. Sci Geogr Sin, 2012, 32(6): 771 − 776. [25] 代文雯. 重金属对玉米生长发育及生理生化特性的影响[D]. 兰州: 甘肃农业大学, 2017. DAI Wenwen. Effects of Heavy Metals on Growth and Physiological and Biochemical Characteristics of Maize[D]. Langzhou: Gansu Agricultural University, 2017. [26] 杨艳芳, 邵婷, 吕梦宇, 等. 龙窝湖湿地不同土地利用方式土壤养分和重金属污染特征[J]. 生态学杂志, 2014, 33(5): 1312 − 1318. YANG Yanfang, SHAO Ting, LÜ Mengyu, et al. Characteristics of soil nutrients and heavy metal pollution in wetlands under different land use patterns in Longwo Lake of Wuhu City, Anhui Province, China [J]. Chin J Ecol, 2014, 33(5): 1312 − 1318. [27] 郑永红, 张治国, 姚多喜, 等. 煤矿复垦区土壤重金属含量时空分布及富集特征研究[J]. 煤炭学报, 2013, 38(8): 1476 − 1483. ZHENG Yonghong, ZHANG Zhiguo, YAO Duoxi, et al. Characteristics of temporal-spatial distribution and enrichment of heavy metals in coal mine reclaimed soil [J]. J China Coal Soc, 2013, 38(8): 1476 − 1483. [28] 李梦红, 张晓君, 卢杰. 模糊综合评价在农田重金属污染评价中的应用[J]. 西南农业学报, 2010, 23(5): 1581 − 1585. LI Menghong, ZHANG Xiaojun, LU Jie. Application of fuzzy comprehensive assessment in pollution assessment of heavy mental in farmland soil [J]. Southwest China J Agric Sci, 2010, 23(5): 1581 − 1585. [29] 周会程, 周恒, 肖海龙, 等. 三江源区不同退化梯度高寒草原土壤重金属含量及其与养分和酶活性的变化特征[J]. 草地学报, 2020, 28(3): 784 − 792. ZHOU Huicheng, ZHOU Heng, XIAO Hailong, et al. The variation characteristics of heavy metal content, nutrient and enzyme activity in soil of alpine steppe with different degradation gradient in the three river-headwaters region [J]. Acta Agrestia Sin, 2020, 28(3): 784 − 792. 期刊类型引用(1)
1. 童红卫，吴文娟，吕胤凯，王伟，吴初平，刘子琪，焦洁洁. 亚热带3种阔叶林造林模式植被层碳储量及其分配特征. 浙江林业科技. 2025(01): 8-15 . 
百度学术其他类型引用(1)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210437
点击查看大图
计量
- 文章访问数: 653
- HTML全文浏览量: 199
- PDF下载量: 27
- 被引次数: 2
