90厘米深度以内以CO2形式流失的土壤有机碳：小麦-玉米轮作系统中δ13C同位素剖面的启示

《CATENA》：Soil organic carbon loss as CO2 at depths up to 90 cm: Insights from δ13C isotopic profiles in a wheat–maize rotation

　　

王玉英|胡春生|董文旭|李晓欣|张玉明|吴鹏飞|罗佳发

• •
  研究了0–300厘米土层中CO₂库的深度依赖性来源。
• •
  在0–300厘米深度范围内测量了土壤中的CO₂浓度、通量以及δ¹³C分布。
• •
  0–90厘米深的土壤是土壤与大气之间CO?交换的主要来源。
• •
  在小麦-玉米轮作系统中，30–90厘米深的土壤有机碳可能转化为CO₂库。
• •
  0–30厘米深的根系呼吸以及30–90厘米深的土壤有机碳呼吸都可能对0–300厘米土层中的CO?库产生影响。

引言

目前估计，无冰陆地表面的全球土壤有机碳储量约为2300 Pg（1 Pg等于1×10¹⁵克），这些碳储存在土壤表层3米内，这一数值是大气中CO₂所含碳量的两倍多（约770 Pg）（Lorenz和Lal，2018）。同时，土壤空气和溶液中所储存的CO₂量，是通过土壤呼吸作用在土壤与大气界面发生的CO?通量大小的几倍到数百倍（Davidson等人，2004；Maier等人，2010；Wang等人，2013、2018；Wordell-Dietrich等人，2020；Qin等人，2023）。因此，即使土壤表层3米内的土壤有机碳或CO?储量发生微小变化，也可能对大气中的CO?浓度产生显著影响（Qin等人，2023）。不过，尤其是土壤深层，影响土壤CO?与土壤有机碳储量之间关系的整体规模、持续时间和驱动因素仍不甚清楚。在人类活动频繁干扰土壤过程的集约化管理农田中，这种不确定性更为明显（Wang等人，2021；Córdova等人，2025）。稳定的碳同位素比值（δ¹³C，以δ符号表示¹³C与¹²C的比值）是了解碳库变化的有效工具（Balesdent等人，2018）。因此，沿土壤深度变化的δ¹³C值可作为判断土壤有机质周转情况的有用指标（Philben等人，2022）。然而，目前对于δ¹³C值的变化是否以及如何反映土壤深层的碳库动态，我们还知之甚少。

有一些研究指出，在森林（Davidson等人，2004；Maier等人，2010；Wang等人，2019；Wordell-Dietrich等人，2020）和农业生态系统（Wang等人，2013、2018；Wiaux等人，2015；Qin等人，2023；Button等人，2023）中，土壤剖面内的CO?梯度随深度增加而显著上升（从0.5米到12米）。其中一些研究认为，土壤CO?剖面的变化会显著影响土壤与大气界面处的土壤呼吸作用（Maier等人，2010；Wiaux等人，2015；Wang等人，2018）。例如，Maier等人（2010）发现，在观测期的25%时间内，土壤中储存的CO?量变化占到了1米深、通气良好的土壤中土壤与CO?交换量的15%以上。同样，Wiaux等人（2015）观察到，大约90–95%的土壤与大气界面处的CO?通量来自土壤剖面的顶部10厘米。此外，Wang等人（2018）结合静态试验箱法和浓度梯度法，同时测量了以玉米为主的高地种植系统中土壤与大气界面以及土壤深层的CO?通量。他们的研究结果表明，0–5厘米和5–15厘米深的土壤层分别贡献了总表面呼吸量的70.9%和27.3%。简而言之，15厘米以下的深层土壤中所储存的CO?可能相对稳定，这主要是由于上层土壤的缓冲作用（Wiaux等人，2015；Wang等人，2018；Wang等人，2019）。相比之下，Wang等人（2019）发现，在亚热带森林土壤柱中，即便土壤深层（高达60厘米）的CO?浓度显著上升，土壤与大气界面处的CO?通量依然保持相对稳定。出现这些差异很可能是由于不同地点的特定特征（如气候因素和人为管理方式）或实验方法（如原位研究与模拟培养研究）的不同所致。显然，不同地区和不同管理方式下，土壤深层的碳库变化仍存在较大不确定性（Wordell-Dietrich等人，2020），这也意味着土壤有机质的减少、其分解过程以及二者之间的相互作用是如何调控土壤深层的CO?动态的，目前尚不清楚。

δ¹³C值在活植物和新鲜残体中最低，且随着土壤深度的增加而逐渐升高（Balesdent等人，1993；Bird等人，2004；Billings和Richter，2006；Brunn等人，2014；Balesdent等人，2018）。以往的研究表明，土壤有机碳的δ¹³C值与土壤有机碳浓度的对数之间存在较强的相关性（Bird等人，2004；Billings和Richter，2006），这说明¹³C的富集与碳的矿化过程有关（Philben等人，2022）。在缺氧的深层环境中，碳的矿化与CO?的产生密切相关（Zheng等人，2007）。例如，Blaser和Conrad在2016年指出，厌氧条件下的土壤有机质降解涉及聚合物底物水解和发酵，生成短链脂肪酸、醇类、CO?和H?，其中CO?是稳定的最终产物之一。这表明，土壤有机碳和CO?的δ¹³C值随深度的变化，可作为一种反映土壤深层碳库动态的有效指标。有学者提出几种假说，认为呼吸作用产生的碳同位素特征主要由呼吸底物的同位素特征决定（Blaser和Conrad，2016；Wang等人，2021），也就是说，呼吸产生的CO?的δ¹³C值与土壤有机碳的δ¹³C值相似。基于此，我们认为，同时原位测量土壤剖面中土壤有机碳和CO?的δ¹³C值，有助于弄清土壤深层CO?库的深度依赖性来源。不过，目前关于深层土壤CO?的δ¹³C数据仍然较少，尤其是原位研究的数据。

华北平原是亚洲面积最大、生产力最高的农业区域之一，该地区以冬季种植小麦、夏季种植玉米的双季轮作制度为特点，且管理较为集约（Wang等人，2021）。作为中国的粮仓，华北平原提供了全国23%的粮食产量，其中小麦占比51%，玉米占比35%（中国国家统计局，2019），同时还要养活大约22%的人口（Wang等人，2013）。小麦（Triticum aestivum L.，C?植物，δ¹³C约为?27‰）和玉米（Zea mays L.，C?植物，δ¹³C约为?13‰）由于光合作用途径的不同，其碳同位素组成也存在显著差异（Farquhar等人，1989；Kohn，2010）。当这些具有不同同位素特征的残体被纳入土壤后，会在微生物的作用下发生分解，进而逐步改变整个土壤的δ¹³C–土壤有机碳特征值（Wang等人，2021）。此外，集约化的农业管理方式，由于增加了化学氮肥的施用量和灌溉量，使得该地区的碳排放量高于全球平均水平（Wang等人，2013、2021；Córdova等人，2025）。在这样的背景下，弄清该地区的双季轮作制度是如何影响土壤深层的碳库动态的，尤其是通过土地表面状况变化所引发的生物物理反馈机制，就显得愈发重要。

在本研究中，我们在2019年至2022年期间，针对华北平原上的冬小麦-夏玉米轮作田，同时对0–300厘米土壤剖面内的土壤CO?浓度和通量梯度，以及CO?和土壤有机碳的δ¹³C值进行了测定。我们的研究目的在于：（1）阐明土壤CO?库在整个土壤剖面内的垂直分布特征；（2）建立CO?和土壤有机碳的稳定碳同位素深度剖面，探讨在该剖面内CO?产生与土壤有机碳分解之间的深度依赖性关联；（3）分析环境因素对该剖面内CO?库及其碳同位素特征的影响。

章节摘要

研究地点描述

本研究在中国科学院滦城农业生态系统试验站进行，该试验站位于华北平原（北纬37°53′，东经114°67′，海拔50.1米）。该试验站属于温暖温带季风气候，年均气温为12.5℃，年均降水量为480毫米（数据来源于1997年至2022年）。该地的土壤被归类为粉壤土Haplic Cambisol（FAO-WRB，1998）。土壤的各项特性详见表1。

环境因素的时间变化特征

每日气温（T_air）、土壤温度（T_soil）、降水量以及土壤水分势均呈现出明显的季节性变化规律（见图1）。2019年、2020年、2021年和2022年，小麦生长季的日均气温分别为10.7℃、9.04℃、11.9℃和8.43℃；玉米生长季的日均气温则分别为26.8℃、25.6℃、25.6℃和25.9℃（见图1a）。2019年至2022年，小麦生长季时10厘米、30厘米、60厘米、90厘米、150厘米、210厘米和300厘米深度处的土壤平均温度分别为11.1℃、12.4℃、13.7℃、14.2℃、14.0℃、14.6℃和15.4℃，

深度依赖性的CO?浓度与通量剖面特征

本研究中观察到的CO?浓度呈凸形深度剖面特征，这一结果与我们之前的研究（Wang等人，2013、2018）以及半干旱农业区（Button等人，2023）和热带森林系统中的研究结果一致（Davidson等人，2004）。首先，这种一致性反映了土壤CO?浓度典型的双峰季节性变化规律，这种变化与小麦和玉米的生长周期以及相关的农事管理措施，如灌溉和施肥等密切相关（

结论

本研究为了解冬小麦-夏玉米双季轮作制度下0–300厘米土壤剖面内的土壤CO?库特征提供了重要见解。

• 1.
  不同种植季节土壤CO?的动态变化：土壤剖面内的CO?浓度、通量、δ¹³C–CO?值以及δ¹³C–CO?特征值均呈现出典型的双峰变化规律，玉米生长季的数值高于小麦生长季。CO?浓度随土壤深度的增加而显著上升，而CO?通量则

CRediT作者贡献说明

王玉英：写作——审稿与编辑，写作——初稿撰写，可视化分析，数据采集，资金获取，正式分析，数据整理，概念构思。 胡春生：项目监督，资源提供。 董文旭：项目行政管理工作。 李晓欣：结果验证，软件应用，方法设计。 张玉明：结果验证，软件应用，方法设计。 吴鹏飞：结果验证，软件应用，方法设计。 罗佳发：写作——审稿与编辑。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了西南民族大学的人才引进科研启动项目（编号：RQD2022042）、四川省科技计划项目（编号：2023NSFSC0194和24NSFSC0107）以及中国国家自然科学基金（编号：41875180和41530859）的支持。