滨海湿地微地形尺度土壤水分的时空变异特征及升尺度转换研究

《Earth Critical Zone》：Spatiotemporal variability and upscaling of soil moisture fields at microtopographic scales in a coastal wetland

本研究针对滨海湿地土壤水分时空动态机制不清的问题，通过高分辨率微地形测绘与多参数监测，揭示了微地形、植被和土壤性质对水分变化的交互控制作用。研究发现土壤水分变异性在中度湿润条件下最大，并基于TSA（Temporal Stability Analysis）成功筛选出代表性采样点（R2>0.92），为湿地水文模型优化和生态管理提供了新方案。

　　

在地球关键带（Earth Critical Zone）研究中，滨海湿地作为水陆交错带的典型代表，其土壤水分的时空动态直接调控着养分循环、温室气体通量和生态系统韧性。然而，湿地内部微地形起伏（如潮汐冲刷形成的垄沟系统）与植被斑块（如耐盐的碱蓬Suaeda salsa和喜湿的芦苇Phragmites australis）交织形成的微环境异质性，使得米级尺度的土壤水分分布规律难以捉摸。早期研究虽认识到微地形对水分再分配的影响，但关于洼地究竟是增强还是减弱土壤持水性的结论相互矛盾，这种分歧可能源于植被覆盖和土壤质地的耦合干扰。更棘手的是，现有时间稳定性分析（Temporal Stability Analysis, TSA）在筛选代表性监测点时，往往忽略微地形背景，导致升尺度转换时存在偏差。因此，阐明微地形尺度下土壤水分的控制机制，并建立可靠的升尺度方法，成为湿地水文研究的关键难点。

为破解这一难题，天津大学地球系统科学学院的研究团队在《Earth Critical Zone》上发表论文，以天津北大港湿地自然保护区（Beidagang Wetland Natural Reserve）为研究对象，沿碱蓬和芦苇两条典型植被样带布设高密度监测网络。通过整合RTK GPS（Real Time Kinematic Global Positioning System）微地形测绘、土壤水分传感器（WET150探头和TDR时域反射仪）、地下水压力计及土壤理化性质分析，系统追踪了2024年生长季内土壤水分的时空演变。研究重点量化了均值-标准差关系、时间稳定性指标（如相对差异RD、标准偏差SDRD和稳定性指数ITS），并采用双因素方差分析（two-way ANOVA）解析植被类型与土壤深度的独立效应。

3.1. 土壤水分格局概览

监测数据显示，土壤水分动态与降水事件和地下水波动紧密耦合。5-7月干旱期水分持续下降，8月极端降水（约100 mm）导致数据缺失，但10月后地下水抬升驱动水分回升。芦苇样带各层水分均高于碱蓬样带，归因于芦苇深根系的促渗作用和冠层遮阴效应；而碱蓬浅根区水分波动更剧烈，凸显植被生理差异的调控作用。

3.2. 均值与变异性的关系

土壤水分空间均值（θ）与其标准差（σ_θ）呈二次函数关系（凸形曲线），变异性在中等湿度条件（约30%）下达到峰值。芦苇样带在20 cm和40 cm深度的σ_θ更高，反映其根系异质性强化了水分再分配；而碱蓬样带表层变异性更显著，说明浅根植物对表土水分响应敏感。

3.3. 土壤水分的时间稳定性

Spearman秩相关系数（r_s）显示，碱蓬样带深层土壤（20 cm和40 cm）时间稳定性更强（r_s均值0.83和0.79），与浅层地下水缓冲作用有关；芦苇样带则随深度增加稳定性减弱（40 cm层r_s仅0.24），与其深根引发的水分动态重组有关。相对差异均值（MRD）和标准偏差（SDRD）分析进一步证实，深层土壤的MRD范围更小，SDRD随深度递减，体现水分动态的垂向分异。

3.4. 影响因子解析

相关性分析表明，碱蓬样带中电导率（EC）和pH显著影响MRD（r_s分别为0.785和-0.675），而芦苇样带有机质（OM）和饱和导水率（K_s）与MRD负相关（r_s达-0.818和-0.709）。双因素ANOVA验证植被类型（F=14.8, p<0.01）和土壤深度（F=12.4, p<0.01）的独立效应显著，但交互作用不显著。微地形分析明确，高程与土壤水分负相关，洼地通过汇聚径流和调节潜水面增强持水性。

3.5. 升尺度应用

基于最小SDRD和ITS筛选代表性点位（如碱蓬样带20 cm深度6号点），其估算全场均值的确定系数（R²）超过0.92。SDRD法整体优于ITS法，尤其在芦苇样带深层表现更稳健（R²达0.988），证实该方法可显著优化监测网络效率。

本研究首次在滨海湿地微地形尺度上揭示了土壤水分变异的峰值现象及其植被-深度耦合机制，并验证了TSA升尺度框架的适用性。成果不仅深化了对地球关键带水循环过程的理解，还为湿地修复中的水分管理提供了点位布设准则。例如，在碱蓬区应优先监控表层洼地以捕捉水分极端值，而芦苇区需关注深根层的水分动态。未来研究可结合机器学习模型，进一步解析微地形参数与水分响应的非线性关系，推动湿地智慧管理的发展。