《South African Journal of Plant and Soil》：Model and measure: comparing soil organic carbon stocks quantification approaches at field scale in South Africa
编辑推荐：
关于量化土壤有机碳储量（土壤有机碳储量, SOCS）变化的最佳方法存在持续争论。本研究旨在评估罗萨姆斯特德碳（罗萨姆斯特德碳模型, RothC）模型模拟方法在南非田间尺度上，与实地重测的SOCS（实际）值相比的性能。预先建立了南非两个田块的基线评估（2022年
关于量化土壤有机碳储量（土壤有机碳储量, SOCS）变化的最佳方法存在持续争论。本研究旨在评估罗萨姆斯特德碳（罗萨姆斯特德碳模型, RothC）模型模拟方法在南非田间尺度上，与实地重测的SOCS（实际）值相比的性能。预先建立了南非两个田块的基线评估（2022年）。随后，在两个研究样点（Ottosdal和Vrede），使用实地重测方法和基于RothC模型的模拟方法，采集了三个深度层（0-5、5-15和15-30 cm）的50个样本，并计算了SOCS（2024年）。采样成本也根据固存的SOCS（2022-2024年）价值进行了估算，并对两种方法进行了比较。研究的主要发现表明，在基于RothC模型的模拟方法中利用更多样本，使得模拟的SOCS值更接近实际重测值，从而最终在南非田间尺度上提供了更可靠的SOCS测量结果。土壤有机碳（土壤有机碳, SOC）含量的空间变异性是影响总SOCS、固存SOCS和碳信用价值的主要因素。结果表明，与两个研究样点的实际重测值相比，使用RothC模型的模拟方法略微低估了总SOCS和固存SOCS。行业代表的“单一观测点”方法没有一致的趋势，这对两种方法都具有重大的财务影响。总体而言，在重测或模拟方法中利用更多样本都将提供更可靠的碳信用价值。研究还发现，无论后续SOCS是采用模型模拟还是实地重测，都必须在基线年（第一年）开始测量SOC含量时考虑SOC含量的空间变异性。碳固存行业必须考虑模型的局限性（例如田间尺度动态和对短期变化的敏感性），并寻找解决RothC模型在田间尺度上局限性的方法。
在全球碳循环中，土壤有机碳（土壤有机碳, SOC）扮演着至关重要的角色，全球表层一米土壤中有机碳储量估计在1500至2400 Gt之间。为缓解碳排放，碳固存近年来日益受到关注。农民和土地管理者有机会通过向政府或企业出售碳信用（碳信用）来获得收入。因此，适当的方法来模拟和监测SOC含量及土壤有机碳储量（土壤有机碳储量, SOCS）变得非常重要，尤其是在南非。关于量化SOCS变化的最佳方法一直存在争论。一些研究者认为模拟方法比直接重测更具成本效益，而另一些则认为直接测量是最准确可靠的方法。因此，有必要评估采样成本与固存SOCS价值之间的关系，并寻找成本与替代SOCS估算方法之间的权衡。模拟方法涉及使用计算机模型，如罗萨姆斯特德碳（罗萨姆斯特德碳模型, RothC）、CENTURY和DayCent模型，来模拟管理实践或土地利用的变化如何随时间影响SOCS。RothC模型被归类为2级“土壤”模型，指考虑SOC动态但不模拟其他复杂过程（如植物地上或地下生物量生长或养分动态）的过程导向模型。RothC常用于预测非水涝表土中SOCS随时间的变化，并允许纳入土壤类型、气候、水分含量和植物覆盖对周转过程的影响。RothC模型的优势包括其能够考虑不同管理实践对SOCS的影响以及模型相对简单的输入要求。然而，该模型可能不适用于所有土壤类型，并且可能需要特定场地的校准以提高其准确性。模型也存在误差空间，因为来自植物残茬和动物排泄物的SOC输入需要估算，并基于可能不易获得或不准确的科学文献。直接重测方法涉及从目标位置物理采集土壤样本，然后在实验室分析SOC含量和储量的变化。这种方法需要大量样本并依赖于合适的研究设计和方案。SOCS的计算包括在特定深度间隔测量SOC含量和干容重（ρb），并纳入粗碎屑含量（1 – Sm (体积%)）。重测方法的优势在于其在不同尺度上实际直接土壤测量的可靠性。在南非，碳信用通常依赖于验证碳标准方法或黄金标准方法作为量化SOCS的标准方法。重测方法并不常用，因为它耗时且运营成本高。因此，南非公司通常采用模拟方法，普遍使用RothC模型。重要的是，南非田间尺度SOCS采样的行业标准通常是采集靠近特定田块（1至50公顷之间）中心的一个复合样本。然而，这种低采样密度可能引入高度的空间不确定性，在验证碳固存时可能对碳信用价值产生重大财务影响和不可靠性。本研究的目标是：评估RothC模型模拟方法相对于实地重测SOCS（真实值）的性能；评估RothC模型模拟和实地重测方法在南非田间尺度的成本效益和经济可行性。
为本研究选择的两个田块分别位于西北省的Ottosdal镇和自由州的Vrede镇附近的农场。Ottosdal农场年降水量中位数（年降水量中位数, MAP）为565毫米，主要岩性为玄武岩、安山岩和凝灰岩，土壤通常为砂质（粘土含量 < 10%）。相比之下，Vrede农场年降水量为795毫米，主要岩性为泥岩和砂岩，土壤主要为壤质砂土或砂壤土质地（粘土含量 < 10%）。两个农场都采用了非常相似的再生农业管理实践，利用玉米和大豆的轮作，实施少耕或免耕实践，并在收获后将残茬还田。重要的是，Vrede农场利用了冬季覆盖作物，而Ottosdal农场则没有。这些冬季覆盖作物包括燕麦、黑麦、野豌豆、日本萝卜、饲用油菜和大麦。Vrede农场还实施了双季作物系统，而Ottosdal农场实施了单季作物系统。鉴于Ottosdal农场仅实施单季作物系统，且位于西北省（SOC含量 = 0%-2%），其SOC固存潜力预计低于Vrede农场。据农民称，从2022年6月到2024年7月，Vrede农场每日放牧1000只羊（400只母羊和600只羔羊），总共放牧300天；而Ottosdal农场在同期有200头牛（150头母牛和50头小牛）放牧56天（收获后4周）。虽然预计Ottosdal农场整体SOC固存潜力较低，但田间的牛群放牧会通过牛粪增加SOC输入。
实地重测方法于2024年7月（收获后）使用土钻采集了所有50个观测点在三个深度层（0-5、5-15和15-30 cm；每个样点n=150）的扰动土壤样本。两个样点的扰动土样风干后通过2毫米筛，然后使用Si-Ware公司开发的NeoSpectra手持式近红外（近红外, NIR）光谱仪进行扫描。由于预算限制以及Cloete等人（2025b）为Ottosdal研究样点获得的高精度校准算法（均方根误差, RMSE = 0.05，相对分析误差, RPD = 1.87），使用该校准算法预测了2024年的SOC含量。Vrede研究样点的SOC含量则使用LECO碳氮分析仪测定。尽管LECO碳氮分析仪测量总土壤碳（有机碳和无机碳），但事先使用酸性试剂去除了采集样本中的所有土壤无机碳。两个研究样点所有50个观测点在三个深度的干容重（ρb）值，使用了Cloete等人（2025c）创建的基于随机森林（随机森林, RF）的土壤转换函数（ρb = fRF（粘土、粉砂、砂、SOC））来确定。最后，使用公式SOCS = 10 × SOCcontent × ρb × (1 – Sm) × depth计算两个研究样点所有50个观测点0-30 cm深度的SOCS。为了质量控制，对可用的校准算法进行了重复近红外扫描，同时迭代重新运行土壤转换函数以验证其准确性。还选择了一个靠近田块中心的单一观测点（称为“单一观测点”）来代表整个田块（类似于行业计算SOCS的方式），并计算了所有50个观测点的平均值（称为“复合样本”），以代表整个50公顷田块的复合样本。
对于模拟方法，使用了RothC模型，并利用SoilR包中的RothCModel函数预测2024年的SOCS。RothC模型通过将进入的植物残茬以及其他SOC输入（如粪肥）分配到四个活跃的碳库组分：可分解植物物质（可分解植物物质, DPM）、抗性植物物质（抗性植物物质, RPM）、微生物生物量（微生物生物量, BIO）和腐殖质（腐殖质, HUM）来模拟SOC随时间的动态变化。模型还包括一个惰性有机质（惰性有机质, IOM）库，该库不参与SOC含量的周转。除IOM外，每个土壤有机质库都会分解并具有特定的分解速率。每个库的分解速率受土壤水分、气温、植物覆盖和粘土含量的影响。RothC模型按月时间步长计算总有机碳（吨/公顷）。运行模型所需的最小程序数据涉及气候、土壤、土地管理、每月植被覆盖以及基于土地利用的估算DPM/RPM比率。此外，模型使用了一些默认输入，包括1.44的DPM/RPM比率以及DPM（10）、RPM（0.3）、BIO（0.66）和HUM（0.02）的分解速率常数。关于所需的输入土壤数据，粘土含量来自Cloete等人（2025c）的质地分析，而2022年的SOCS根据公式确定。应用了基于温度的桑斯威特经验方程来估算潜在蒸散量，并用于计算每个研究样点的环境修正率。来自NASA全球能源资源预测（NASA全球能源资源预测, POWER）的1990年至2022年的月平均气温和月总降水量数据，以及来自南非气象局（南非气象局, SAWS）的2022年7月至2024年7月（25个月）的数据被收集用于模型。所有农场粪肥（农场粪肥, FYM）的碳输入计算、挥发性固体（挥发性固体, VS）排泄率以及植物残茬的计算详见补充材料。对于覆盖作物和经济作物的碳输入计算，利用了收获指数（收获指数, HI）、地上地下生物量比和产量数据，也详见补充材料。自旋启动过程涉及一个初始化过程，其中模型运行一段预定时间（本例中为1000年），以在五个库之间达到SOC平衡状态。该过程包括使用两个研究样点2017-2022年的农业土地管理和土地利用数据以及长期月平均气候数据（1990-2022年）。初始计算的SOCS（基线评估）用于计算每个观测点的IOM库。采用Falloon等人（1998）提出的基于2022年测量的SOCS的经验函数确定该库的大小：IOM = 0.049 × SOCS(2022)
1.139，其中IOM指惰性有机质（吨碳/公顷），SOCS指土壤有机碳储量（吨/公顷）。自旋启动后，由于2022年大部分测量的SOCS值与模拟的自旋启动值不匹配，因此需要对模型进行校准。校准程序在R环境中编写，动力学常数和FYM被同时校准，直到模拟的SOCS落在测量的SOCS的95%分位数范围内。校准涉及轻微增加或减少这些动力学常数和总FYM的值。动力学速率常数在RothC默认值的80%至120%之间改变，总FYM在0到1.5吨之间改变。使用了两种不同的策略校准数值：第一种是单独校准每个观测点（称为“个别校准”），第二种是校准平均SOCS（称为“平均校准”）并将其应用于所有50个观测点。
在校准完成后，使用SoilR包中的积分RothC模型函数提取了平衡碳库值。这些提取的值被用作初始库值，以预测2022年至2024年的SOCS变化。使用2022年至2024年的水文气候数据、土地管理和每月植被覆盖数据运行模型以预测SOCS。使用散点图将重测方法值和模拟方法值进行比较。使用均方根误差、林氏一致性相关系数和相对分析误差等验证统计量评估两种方法之间的关系。计算了每个方法2024年的总SOCS（2024年），并将这些值称为每个方法的“所有50个观测点”。“所有50个观测点”和“复合样本”值代表了两个研究样点的实际（真实）总SOCS。将靠近田块中心的单一观测点（“单一观测点”）和所有观测点的平均值（“复合样本”）乘以50（因为田块为50公顷），得到每个田块的总SOCS（以吨计）。使用“个别”校准策略预测2024年的总SOCS。为了计算两年期后固存的SOCS数量，从2024年计算的SOCS中减去基线SOCS（2022年）。由于碳信用价格在每吨二氧化碳当量（t CO2-equivalence）15-25美元（275-460南非兰特）之间交易，通过将SOCS乘以3.76（分子分数）计算1吨二氧化碳当量的数量，然后乘以300南非兰特作为1吨二氧化碳当量的标准碳信用价值来计算碳信用价值。为评估重测方法的采样成本与固存SOCS价值的比较，计算了SOC含量和ρb分析的成本。运营成本，包括样本采集和燃料，估计为每个样点5000南非兰特。重测方法在每个研究样点使用了50个观测点在三个深度，总共150个扰动样本用于分析SOC含量。本地土壤实验室对使用总干烧法或沃克利-布莱克湿氧化法测定的样本收费在80到120南非兰特之间。土壤样本定价为每样本100南非兰特，并计算了总成本。虽然ρb通常不重新测量，因为其随时间变化不显著，但本地实验室对ρb测量的定价为每样本70南非兰特。最后，计算了总成本并与使用模拟方法与重测方法计算的潜在碳信用收入差异进行了比较。
整体而言，Ottosdal研究样点在5-15 cm和15-30 cm深度从2022年到2024年SOC含量略有增加（< 1%），并且三个深度的SOCS均有增加（0到1.5吨/公顷）。两个研究样点的ρb在两年期后保持相对相同。Vrede研究样点在2022年至2024年间仅5-15 cm深度的SOC含量增加了0.3%，SOCS增加了4.5吨/公顷。两个研究样点的SOCS在两年期后均有增加，这在Vrede研究样点（3.6吨/公顷）比Ottosdal研究样点（1.9吨/公顷）更为明显。两年期后SOCS的增加可能归因于采用的再生农业实践。对于两个研究样点，“平均”校准过度简化了数据，导致拟合效果差（高RMSE，低ρc和RPD值），而“个别”校准考虑了数据的变异性，导致拟合效果非常好（低RMSE，高ρc和RPD值）。尽管“个别”校准优于“平均”校准，但Ottosdal研究样点较小的SOCS变异性导致“平均”校准策略的性能略有改善。总体而言，两个研究样点使用两种校准策略的模拟性能均较差，具有较高的RMSE值和较低的ρc、R2、RPD值。对于两个研究样点，在模拟方法中利用更多样本使得“复合样本”观测值更接近重测或实际SOCS值。虽然“所有50个观测点”作为SOCS的参考标准，但这些观测值仍然具有来自样本采集过程和/或实验室分析的一些不确定性。从结果中可以清楚地看出，“单一观测点”在两种方法和两个研究样点中都没有显示出一致的趋势，这是令人担忧的，因为它旨在复制通常在靠近田块中心采集复合样本来代表整个区域的行业实践。“复合样本”观测值显示的总SOCS最接近重测的真实值（“所有50个观测点”）。SOC含量和SOCS的空间变异性是影响两个研究样点测量值和模拟值准确性及可靠性的主要因素。这种空间变异性也产生了财务影响。总体而言，在模拟方法中利用更多样本导致更准确和可靠的SOCS测量。SOC含量和SOCS的空间变异性是影响两个研究样点总SOCS、固存SOCS和碳信用价值的主要因素。结果表明，与两个研究样点的实际重测值相比，使用RothC模型的模拟方法略微低估了总SOCS和固存SOCS。通过整合更多样本并将机器学习与RothC模型相结合，可以带来更可靠的SOCS测量。行业代表的“单一观测点”方法没有一致的趋势，并且在不同方法下对两个研究样点都表现出高估和低估。这具有重大的财务影响，并发现SOC的空间变异必须在基线年（第一年）开始测量SOC含量时加以考虑，无论后续SOCS是采用模型模拟还是实地重测。因此，当前行业采用的采样策略可能导致碳信用价值不可靠，而通过整合额外的、能够捕捉田间尺度SOC空间变异性的样本可以得到改进。碳固存行业必须考虑模型的局限性（例如田间尺度动态和对短期变化的敏感性），并寻找方法（如改进采样设计）来解决RothC模型在田间尺度上的这些局限性。
在南非，公司通常采用基于RothC模型的模拟方法来预测SOCS随时间的变化，而不是通过使用直接测量的重测方法。本研究的主要发现表明，在RothC模型模拟方法中利用更多样本，能够在南非田间尺度上带来更准确可靠的SOCS测量。研究还发现，碳信用价值与相关最终成本之间的财务比较，在真实SOCS值与使用两种方法的值之间，在两个研究样点显示出显著差异。SOC含量和SOCS的空间变异性是影响两个研究样点总SOCS、固存SOCS和碳信用价值的主要因素。结果表明，与实际重测值相比，使用RothC模型的模拟方法略微低估了总SOCS和固存SOCS。通过整合更多样本并将机器学习与RothC模型相结合，可能会带来更可靠的SOCS测量。行业代表的“单一观测点”方法没有一致的趋势，并且在不同方法下对两个研究样点都表现出高估和低估。这具有重大的财务影响，并发现SOC的空间变异必须在基线年（第一年）开始测量SOC含量时加以考虑，无论后续SOCS是采用模型模拟还是实地重测。因此，当前行业采用的采样策略可能导致碳信用价值不可靠，而通过整合额外的、能够捕捉田间尺度SOC空间变异性的样本可以得到改进。碳固存行业必须考虑模型的局限性（例如田间尺度动态和对短期变化的敏感性），并寻找方法（如改进采样设计）来解决RothC模型在田间尺度上的这些局限性。此外，将植被指数（如归一化植被指数, NDVI）和作物产量数据整合到RothC模型中，将进一步增强RothC的预测准确性，并有助于捕捉SOC与作物生产力之间的动态关系。
