高寒草地土壤有机碳影响因子与模拟模型的研究

发布时间：2020-05-09 19:09

【摘要】：土壤有机碳(SOC)既是气候变化的敏感指示物,又是草地生态系统健康的重要评价指标,其含量显著影响草地生态系统的生产力。高寒草地生态系统的高碳密度和对于气候变化的潜在响应吸引了广泛关注。了解影响高寒草地SOC的主要环境因子及其作用机制,从而准确模拟高寒草地SOC的空间分布及储量对于高寒高海拔地区草地资源的可持续化管理和利用,乃至研究高寒草地对于全球气候变化的响应都具有重要意义。青海省玛多县地处青藏高原腹地、三江源国家自然保护区范围内、华夏母亲河“黄河”的源头,对气候变化敏感并且生态环境脆弱。高寒草地不仅是该地区主要的土地覆盖类型,更是当地牧民赖以生存的根本。然而由于数据匮乏和SOC巨大的空间异质性,对于高海拔地区高寒草地SOC的理解尚不充分,对于影响SOC储量和分布的环境因子在也缺乏了解。为了理解环境因子对研究区高海拔地区高寒草地SOC的作用机理,了解SOC的空间分布情况,并在数据缺乏地区高效、准确地模拟SOC,本研究使用多种变量分析方法研究了环境因子与SOC的关联关系和作用机制,又使用了Boruta全部相关策略和向前贪心(Greedy Forward,GF)、向后贪心(Greedy Backward,GB)、爬山算法(Hill Climbing,HC)、模拟退火算法(Simulated Annealing,SA)和遗传算法(Genetic Algorithm,GA)5种方法,构建了基于不同数据源的全部相关变量集和最小优化变量集,在此基础之上,使用偏最小二乘回归(PLSR)、支持向量机(SVM)、Cubist和随机森林(RF)的机器学习方法构建了精简的SOC模拟模型。基于以上研究内容,本研究得到以下主要结论:(1)本研究以环境-土壤-景观模型中的STEP-AWBH概念模型为指导,构建了综合遥感、土壤光谱和地面实测数据等星地多源数据的研究区全要素环境变量数据库,收集的环境变量共涉及STEP-AWBH模型中的土壤理化因子(S)、地形因子(T)、气象因子(A)和生物因子(B)4类。就环境变量对于SOC的影响途径而言,气象因子主要通过影响地表植被从而间接影响SOC,而植被生物量和土壤理化因子则主要表现为直接影响SOC;就环境因子对于SOC的影响效果而言,夏季地温、盖度和地上生物量会抑制SOC的积累,而其他变量则表现为促进作用;就环境变量与SOC的相关性而言,在土壤理化因子中,SOC与土壤含水率的相关性最强(r=0.889),在生物因子中,SOC与地下生物量的相关性最强(r=0.808);就环境变量对于SOC的影响程度而言,在高寒草甸样本中土壤含水率的总体效应值最高(效应值为0.788),而在高寒草地样本中则为全氮(效应值为0.703),总体而言土壤含水率的总体效应值最高(效应值为0.683),全氮次之(效应值为0.275)。(2)Boruta变量筛选策略剔除了全部的地形因子和气象因子,有效缩减了变量的数目。区分变量数据源来看,在基于遥感数据的变量中使用冬季Landsat 8数据计算的比值植被指数(LsRVI_w)的Boruta因子重要性最高,在可见光-近红外光谱(VNIR)数据中为540-700nm波段。在5个最小优化变量集中,土壤理化因子中的土壤粒径(黏粒、粉粒和砂粒含量)、pH、含水率、全氮以及VNIR中的560-640nm被选取的频数较高,而单独使用遥感数据和VNIR数据时构建精简模型的关键变量分别是使用夏季Landsat 8数据计算的归一化土壤指数(LsNDSI_8)和560-660nm。(3)在基于筛选变量的模拟结果中,使用全部环境变量构建的GF变量集与Cubist模型组合的模拟结果最佳(R_v~2=0.97,RMSE_v=4.72,RPIQ_v=4.52,RPD_v=6.17)。在本研究中使用变量筛选策略不仅大大缩短了模型运行的时间,同时提高了模型的预测精度。首先就使用基于遥感数据的变量来看,当使用未筛选变量时,PLSR的模拟效果最好(R_v~2=0.51,RMSE_v=21.76,RPIQ_v=0.98,RPD_v=1.34),而在使用最小优化变量集的模拟结果中,GB策略与Cubist模型结合的效果最好(R_v~2=0.54,RMSE_v=19.2,RPIQ_v=1.08,RPD_v=1.48);其次就使用VNIR数据的模拟效果而言,当使用全波段VNIR时,PLSR的模拟效果最好(R_v~2=0.92,RMSE_v=8.62,RPIQ_v=2.71,RPD_v=3.42),而使用最小优化变量集的筛选波段时,HC策略和PLSR模型组合的模拟效果最好(R_v~2=0.92,RMSE_v=8.63,RPIQ_v=2.71,RPD_v=3.42)。基于以上结果也可以看出,虽然单独使用VNIR数据已经能够得到较高的模拟精度,但是如果能加入其它土壤理化因子,将进一步提升模型的模拟效果。(4)使用研究得到的最优模型和普通克里金方法结合的研究区高寒草地空间分布情况与使用回归克里金的结果存在差异,但在空间分布上都呈现出从东南向西北降低的趋势。就研究区高寒草地SOC的空间分布情况而言,使用OLS与Cubist结合普通克里金方法得到的研究区高寒草地表层SOC含量平均值分别为20.07 g/kg和36.9 g/kg,其中高寒草甸类SOC含量分别为26.49 g/kg和46.92g/kg,高寒草原类则分别为12.28 g/kg和22 g/kg;SOC密度的平均值分别为2.48kgC/m~2和4.05 kgC/m~2,其中高寒草甸类型的SOC密度平均值分别为3.1 kgC/m~2和4.67 kgC/m~2,高寒草原类型的SOC密度平均值分别为1.89 kgC/m~2和3.12kgC/m~2。基于两种方法,研究区高寒草地表层SOC储量分别为1.13×10~7 TC和1.76×10~7 TC,其中高寒草甸的SOC储量分别为7.92×10~6 TC和1.21×10~7 TC,高寒草原的SOC储量分别为3.33×10~6 TC和5.55×10~6 TC。本研究以STEP-AWBH模型为基础,构建了基于星地多源数据的研究区全要素环境变量数据库,有助于全面描绘研究区环境,这些变量也是数据缺乏地区预测土壤属性的重要指标。另外,研究通过使用多种变量分析方法,多方面、多角度的理解环境变量对于SOC的主要作用过程,并在此基础上采用了策略性的变量筛选方法,降低了变量冗余,简化了模型的结构,提高了模型的可读性。本研究为数据缺乏地区和高寒高海拔地区土壤属性的定量模拟和数字制图提供参考,对于高寒草地土壤属性的动态监测以及高寒草地的科学管理等方面具有重要意义。
【图文】：

路线图,路线图,土壤属性,环境变量

16图 1-1 本研究的技术路线图3.3 研究意义与目前国内外的相关研究比较，本研究的研究意义在于：首先，关于青藏高草地土壤有机碳（SOC）影响因子的已有研究中，变量收集的过程往往受到研者主观因素（教育背景、专业知识等）或数据获取难易程度等方面的影响，从无法比对其他土壤属性、生物因子、地形因子等环境变量对于目标土壤属性的响。当选取的环境变量不能定量模拟目标土壤属性时，由于无法判断可能缺乏环境变量，为了提高模拟效果多从使用其他模拟模型的方面入手，因此无法有改善变量本身对于模拟结果的影响。本研究以 STEP-AWBH 模型为指导，以C 含量为目标属性收集环境变量，尽可能的减小了主观因素对于变量收集的响，并且能够清楚地了解收集的变量在 STEP-AWBH 模型中的从属类型，，了解类型因子与 SOC 之间的关系并从机理上解释 SOC 的作用机制。其次，研究区然条件恶劣，野外数据获取困难，为了降低采样“成本”，在进行采样点设计时

示意图,示意图,玛多县,扎陵湖

县内绝大多数的地貌类型是由于断陷作用所形成的山间宽谷和河湖盆地，山间多湖泊、平坦地、沼泽地（图2-1，图 2-2）。因为玛多县是黄河发源之后流经的第一个县，所以常被称为“万里黄河第一县”。县内河流纵横，沼泽众多，湖泊更是星罗棋布，曾因坐拥 5050 个大小湖泊而具有“千湖之县”的美誉，其中包括于 2005 年被联合国《湿地公约》列为国际重要湿地的扎陵湖和鄂陵湖。玛多县是极其重要的黄河水源补给区，该县每年为黄河下游提供 42.9 亿 m3水量(李惠梅等, 2014)。玛多县有草场面积16349 平方公里，占全县总面积的 64.7%，其中可利用草地面积占全县草地面积的 79% (果洛州政府网站, 2007)。玛多县现辖玛查理镇、花石峡镇和黄河乡、扎陵湖乡两个乡、两个镇和 32个牧委会，其中居委会 2 个。根据《2015 年玛多县国民经济和社会发展统计公报》显示
【学位授予单位】：兰州大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：S812.2

【参考文献】