中国水稻田与旱地农田土壤有机碳和无机碳差异的观察结果取决于样本的可比性

《Soil and Tillage Research》：Observed soil organic and inorganic carbon differences between paddy and upland croplands in China depend on sample comparability

　　

•整体而言，稻田表层土壤的全碳含量高于旱地表层土壤。
•在可比空间支持范围内，这一全碳优势明显减弱。
•耕地全碳的空间模式始终具有可预测性。
•在固定状态的旱地情景下，预测的全碳含量较低。
•稻田与旱地在无机碳上的差异尚未得到解决。

1. 引言

土壤含有有机碳库和无机碳库，二者在来源、周转速率以及对环境变化的敏感性方面存在差异（Lal, 2004；Huang et al., 2024；Raza et al., 2024）。因此，以全碳为核心的核算方法在含有碳酸盐的耕地中可能并不完整，尤其是在酸化或淋溶可能改变无机碳的情况下（Raza et al., 2020；Song et al., 2022；Zamanian and Kuzyakov, 2019）。农业土地利用可能通过改变土壤水分状况、通气性、酸度以及碳输入来影响这两个碳库。然而，稻田与旱地耕地是否在两个碳库上存在一致差异，则是一个依赖于采样总体和观测可比性的实证问题。

淹水、排水、搅浆和作物选择区分了稻田与旱地耕地，并与不同的生物地球化学条件相关（K?gel-Knabner et al., 2010）。这些对比性的水分和通气环境使得稻田与旱地耕地成为检验农业土地利用如何与不同形式土壤碳相关联的有用对比对象。配对站点研究和综合研究通常报告稻田管理下的全碳含量更高，但差异幅度具有异质性（Chen et al., 2021；Liu et al., 2021）。稻田土壤全碳含量较高被归因于氧气受限、氧化还原循环以及矿物-有机相互作用。相比之下，稻田与旱地之间的无机碳差异则较为不一致，且可能强烈依赖于pH值、气候、母质和水文条件（An et al., 2019；Zamanian and Kuzyakov, 2019）。目前尚不清楚稻田土壤中通常报道的较高全碳含量是否伴随着稻田与旱地之间一致的无机碳差异。

稻田与旱地观测值在气候、地形、土壤、研究来源或采样年份上的分布各不相同。原始对比仅描述了采样分布，无法分离出管理效应。当两组数据缺乏共同支持范围，或者预测在未包含区域中失效时，模型调整也无法解决这一问题。因此，空间分块验证是必要的，它可以量化区域外预测能力，并防止空间邻近性导致过于乐观的性能估计（Roberts et al., 2017；Valavi et al., 2019；Ploton et al., 2020）。

当全碳和无机碳来自独立数据库时，可比性尤为重要。空间邻近并不能使观测值在采样时间、分析方法或管理历史上保持一致。将这些数据并排呈现是对独立结果的平行分析，而非对同一土壤样本中测量的碳库的联合分析。因此，总碳量并非通过对不匹配记录中的全碳和无机碳求和来计算。

基于上述考虑，我们提出以下问题：在考虑可比性后，稻田与旱地样本之间观测到的全碳和无机碳差异是否依然存在，以及分层解析的全碳情景模型是否能够推广到缓冲的留出区域。据此，我们检验了两个假设：（H1）现有稻田与旱地耕地的表层土壤碳库存在差异，预计稻田剖面的全碳含量更高、无机碳含量更低。（H2）将土地利用标签从稻田切换为旱地，同时保持土壤和环境条件不变，将导致预测的表层全碳含量降低。采用共同支持限制、缓冲空间验证和敏感性分析来评估可用数据是否支持这些对比。H2聚焦于固定状态土地利用情景下的表层全碳。深层土壤碳和环境关联作为次级分析进行了考察。

2. 材料与方法

2.1. 研究设计、结果指标和报告方向

分析使用了两个独立的横截面结果数据集。全碳和无机碳从未通过距离容差进行配对，从未被视为同步测量值，也从未被求和以创建总碳量。每条观测记录代表一个剖面，经过厚度加权标准化至0–30厘米或30–100厘米。0–30厘米层为主要深度，30–100厘米为次级深度。所有差异均以旱地减去稻田表示，负值表示旱地剖面的数值低于稻田剖面。本研究分为两个组成部分：现有稻田与旱地剖面的横截面对比，以及固定状态表层全碳情景——在保持所有记录的协变量不变的情况下，将观测到的稻田剖面以旱地土地利用标签进行评估。

2.2. 全碳和无机碳来源数据

全碳来源为Chen等（2025）所述的国家剖面数据集。冻结文件包含来自7852个剖面的23,103个来源层。来源记录年份范围为2010–2023年，保留的全碳剖面采样于2014–2023年。两个独立数据集的来源、采样期、测量和来源元数据汇总于表S1。

无机碳来源为Huang等（2024）随附的数据库。我们将全球汇编数据限制为中国剖面，然后要求来源报告的耕地类别标签严格对应稻田或旱地。在6361个中国剖面中，有646个（10.2%）具有符合条件的来源报告标签（稻田67个，旱地579个），经深度和协变量筛选后保留。保留的无机碳剖面采样于1988–2020年。高程、气候和土壤质地与每个采样位置匹配并作为背景协变量使用；这些变量并非与无机碳同步测量。并非所有来源研究均提供无机碳分析方法和检测或定量限制信息，这限制了无机碳结果的解读。

因此，全碳和无机碳被分别分析而非在记录级别配对。两个数据集均被标准化为0–30厘米和30–100厘米，并以克每千克表示，差异计算为旱地减去稻田。在可获得的情况下，高程、气候、土壤质地和采样年份被纳入作为背景变量。全碳和无机碳的可比性根据各自的来源信息和共同空间分块分别进行评估。这使得可以在不假设全碳和无机碳在同一样本中或同一采样期测量的前提下，对每个碳库分别考察稻田与旱地的差异。

无机碳预测面来自Huang等（2024），全碳面源自《面向地表建模的中国土壤属性数据集》第二版（CSDLv2；Shi and Shangguan, 2024；Shi et al., 2025）。栅格数据被投影至WGS84，掩膜至中国边界，并按10倍因子通过均值进行聚合以便展示；存储的全碳值除以10以表示克每千克。这些栅格产品仅用于可视化展示，未纳入支持范围定义或模型拟合。

2.3. 稻田与旱地分类及时间对齐

对于全碳，从《中国耕地作物分布数据集》（本地保留的国家生态科学数据中心文献中涵盖2000–2019年）获取了2019年水稻、玉米和小麦的本地栅格掩膜（Luo et al., 2020；Luo and Zhang, 2022）。水稻像元被分类为稻田，玉米和小麦像元被分类为旱地。对于主要的全碳和无机碳分析，仅纳入落在单一作物类别像元内、已知采样年份且在2019年五年内采样的剖面。在敏感性分析中，我们也纳入了在1千米范围内可唯一归入稻田或旱地类别的剖面，以及2019年十年内采样的剖面。本研究使用的三个2019年作物层已与官方国家生态科学数据中心文件进行了核实。对于无机碳，稻田和旱地分类基于原始数据集报告的用途标签，未使用2019年作物图重新分类较早的无机碳剖面。

2.4. 深度标准化、数据质量规则和数据处理流程

土壤数据根据每层实际覆盖的深度被标准化为0–30厘米和30–100厘米。覆盖目标深度至少80%的剖面被纳入主要分析，50%阈值用于敏感性分析。重叠层在不重复计算的情况下进行合并，所有浓度均以克每千克表示。

对于全碳，SOC或容重值非正的记录被排除。对于无机碳，原始数据库中记录的零值被保留，但由于分析信息不完整，未被解释为真正的零值或低于检测限的值。无机碳在原始浓度尺度上进行分析。在应用土地利用、采样年份、深度覆盖和数据可用性标准后，保留了来自694个剖面的1,252条全碳记录和来自180个剖面的273条无机碳记录。

2.5. 共同支持范围定义与诊断

对于每个结果指标和深度，我们首先将比较限制在同时包含稻田和旱地剖面的来源或研究范围内，以及同时包含两种土地利用类型的100千米等面积分块中。在此子集内，基于背景协变量和来源指标，使用L2正则化逻辑回归估计倾向得分（Rosenbaum and Rubin, 1983）。稻田剖面被视为目标总体，旱地剖面使用倾向赔率进行加权，权重在每个共同分块内进行标准化。协变量平衡通过有效样本量和标准化均值差进行评估，以标准化均值差绝对值不超过0.10作为平衡标准（Austin and Stuart, 2015）。倾向得分范围的侧重叠仅用于评估可比性，未用于选择样本。

2.6. 观测描述性对比

观测分布分别针对全样本和共同支持子集进行汇总。旱地与稻田剖面之间的差异以旱地减去稻田表示，使用平均差异、中位差异和Cliff's delta进行描述。1.5倍四分位距规则仅作为敏感性分析使用（表S3）。

不确定性通过10,000次百分位自助抽样进行量化，以100千米等面积分块为重抽样单位。在每次抽样中，空间分块以有放回方式重新采样，所选分块内所有剖面均被保留。我们报告估计差异的95%百分位自助抽样区间。

2.7. 耕地内探索性关联分析

分别针对稻田和旱地表层土壤进行探索性分析，以考察全碳或无机碳与环境变量之间的关联。对气候、地形、植被、土壤质地、pH值和容重计算了Spearman相关系数，95%区间通过2,000次自助抽样估计，以100千米空间分块为重抽样单位。

作为多变量一致性检查，仅对至少包含50个剖面和20个空间分块的组评估了岭回归模型。五个外层空间分块折估计折外性能，四个内层空间分块折从固定网格中选择岭回归惩罚系数。缺失预测变量值在每个训练折内进行中位数插补，结果变量在对数1p变换后进行建模，并评估了原始单位下的R2、均方根误差和平均绝对误差。包含15个剖面的稻田无机碳组未进行多变量拟合。

2.8. 分层解析的受控全碳情景与空间验证

空间验证使用共同支持子集中的0–30厘米全碳数据。外部测试包含相同的192个共同子集剖面（稻田97个，旱地95个），而候选训练剖面从包含681个剖面的全表层全碳数据集中提取。模型在拟合前未将来源层合并，而是保留了每个与0–30厘米相交的有效原始层，拟合层全碳值，并利用注册的重叠厚度将层预测积分至剖面级0–30厘米全碳。精确重复边界和非相同重叠采用与结果标准化相同的平均和不相交段规则进行处理。

S-learner包含纬度、经度、采样年份、层深度和厚度、容重、NDVI、年均温度和降水、潜在蒸散量、干旱指数、pH值、土壤质地、数据来源、地区和土地利用。对于每个观测到的稻田剖面，所有变量保持不变，仅将土地利用标签从稻田切换为旱地。由此得到的旱地减去稻田差异代表在相同观测土壤和环境条件下的预测全碳差异。

模型性能通过基于100千米分块的5折空间交叉验证进行评估。对于每一折，测试分块中的训练剖面或距测试剖面100千米以内的剖面被排除，同一剖面的所有层保持在同一折中。Extra Trees和随机森林超参数通过4折内部交叉验证以剖面级均方根误差进行选择。模型性能通过R2、均方根误差和平均绝对误差进行评估，既包括总体评估，也包括分别针对稻田和旱地剖面的评估。稳健性通过十种替代空间划分、10,000次划分与分块重抽样、限制在共同支持子集内进行训练，以及替代的剖面级T-learner/AIPW分析进行评价（表S4；图S2）。

对于图6e，每个目标剖面的旱地减去稻田对比在十个空间划分间取平均值，并通过Spearman相关系数与气候、土壤和植被变量相关联。联合95%区间通过2,000次两阶段重抽样获得，首先选择一个空间划分，然后重抽样其100千米分块。

关联被认为稳定的条件是：区间排除零，FDR校正后的q值小于0.10，且在不同空间分区和留一区块法分析中方向一致。对于图6f，我们评估了预测SOC对比对不同预测变量集的敏感性。M-full包含所有观测变量，而M-base排除了容重、pH值、NDVI及其衍生项，但保留了位置、气候、采样年份、土层信息、土壤质地、来源、区域和土地利用。M-BD、M-pH和M-NDVI分别在M-base基础上单独添加了容重、pH值和NDVI。仅当敏感性模型保持了可接受的空间预测性能时才对其进行解读；详细评估标准见表S4。

2.9 干燥度指数（AI）分层
为了检查空间异质性且避免根据结果来定义区域，我们在经验证的2019年水稻、玉米和小麦耕地上采样了全球干燥度指数v3.1年度栅格数据（30角秒分辨率；1970–2000年气候态）（Zomer et al., 2022）。有效作物像元根据干燥度指数（AI = 0.5587 和 0.9716）划分为结果盲测的等频率三分位数；较高的AI表示较湿润的条件。97个正式支持的稻田目标剖面使用其坐标被分配到这些固定的空间分层中。

主要的冻结SOC模型未按干燥度指数（AI）三分位数重新拟合。我们在每个三分位数内总结了重复分区的旱地减稻田预测值，比较了所有三个三分位数对，并拟合了每增加1个栅格AI标准差的连续线性关联。联合95%重抽样区间由10,000次抽取获得，抽取过程先选择十个空间分区中的一个，然后重抽样100公里的区块；三个成对概率使用Benjamini-Hochberg程序进行了校正。对仅共享子集训练敏感性也重复了相同的总结。低AI层仅包含四个区块中的10个目标剖面。

3. 结果
3.1. 全国空间格局与样本支持
描述性栅格产品显示，旱地上壤SIC浓度通常在北部和东北部最高。中国西南部及南部水稻种植区部分区域也出现了中高水稻土SIC，且在30–100厘米深度仍能观察到广泛的SIC。SOC通常随深度增加而下降。旱地SOC热点主要出现在中国东北部和西南部部分地区（图1）。这些栅格产品仅用于描述全国空间格局，且独立于后续分析中使用的剖面数据集。

下载：下载高分辨率图片（1MB）
下载：下载全尺寸图片
图1. 中国稻田和旱地农田中土壤无机碳（SIC；a-d）和土壤有机碳（SOC；e-h）的空间分布。面板展示了0–30和30–100厘米土层。色标显示浓度，单位为g kg?1。

完整的表土SOC数据集包含334个稻田和347个旱地剖面，分别代表324个和341个1公里站点，分布在41个共享的100公里区块中（图2）。表土SIC数据集包含15个稻田和165个旱地剖面，代表五个共享区块中的8个和72个1公里站点。

下载：下载高分辨率图片（340KB）
下载：下载全尺寸图片
图2. 完整数据集和共同支持子集中稻田和旱地剖面在0–30及30–100厘米处的观测SOC和SIC。箱体显示中位数和四分位距；三角形表示超出绘图范围的值。显著性标签基于旱地减稻田均值差的95%空间区块自助法区间（*，区间排除零；ns，区间包含零）。

完整全国数据集中，针对两个结果的共同支持诊断均不充分。限制在共享来源和共享100公里区块内，在40个区块中保留了97个稻田和95个旱地表土SOC剖面。在图3所示的协变量中，经过正式限制和处理组平均处理效应（ATT）加权后，最大绝对标准化均数差从表土SOC的1.548降至0.076，从表土SIC的2.585降至0.054。保留剖面之间的倾向得分重叠和最近相反类别距离见图4。表土SIC仅保留了五个区块中的9个稻田和7个旱地剖面，未满足调整后分析预定所需的信息要求。深层SOC和SIC未进入确证性推断。

下载：下载高分辨率图片（406KB）
下载：下载全尺寸图片
图3. 完整合格数据集与共享来源及空间区块子集的协变量平衡。在0–30和30–100厘米的SOC和SIC中，显示了加权前和经过处理组平均处理效应（ATT）加权后的标准化均数差（SMD；稻田减旱地）。虚线标记|SMD| = 0.10作为诊断参考。

下载：下载高分辨率图片（308KB）
下载：下载全尺寸图片
图4. 稻田和旱地土壤剖面的共同支持诊断。a–d显示倾向得分密度，其中倾向得分是稻田土地利用的估计概率。短刻度表示单个剖面，灰色阴影标记两类土地利用共享的经验得分范围。每个面板内的密度高度按比例缩放。e–h显示在同一100公里区块内到最近相反土地利用类别剖面距离的累积分布。

3.2. 在共同支持内表土SOC对比减弱
在完整的合格表土数据集中，稻田剖面SOC中位数为11.686 g kg?1，旱地剖面为9.570 g kg?1，相应的旱地减稻田中位数差为?2.116 g kg?1（95% CI，?3.665 至 ?1.133）。在共同支持子集内，稻田剖面SOC中位数为11.016 g kg?1，旱地剖面为10.670 g kg?1，旱地减稻田中位数差减小至?0.346 g kg?1（95% CI，?1.743 至 1.555）。因此，在共同支持范围内，完整数据集中观察到的SOC差异大幅减少（图2；表S3）。

针对各组特定的1.5 × IQR敏感性分析移除了334个稻田剖面中的12个和347个旱地剖面中的28个。移除后，完整数据集的均值差为?2.680 g kg?1（?3.672 至 ?1.696）。在正式支持范围内，移除4个稻田和5个旱地剖面后得出均值差为?0.664 g kg?1（?2.113 至 0.812），仍不确定。深层SOC结果报告在表S3-S4和图S1中。

3.3. SIC对比仅为描述性，不符合调整条件
在完整的表土SIC数据集中，稻田剖面SIC中位数为1.643 g kg?1，旱地剖面为9.880 g kg?1。旱地减稻田均值差为+5.881 g kg?1（95% CI，0.193–9.702），中位数差为+8.237 g kg?1（1.322–10.644），Cliff's delta为+0.577（0.073–0.871）。

在正式共同支持范围内，均值差减小至+1.382 g kg?1（?0.186–2.989），中位数差减小至+0.523 g kg?1（?1.189–3.858），Cliff's delta减小至+0.333（?0.333–0.833）。所有区间均包含零（图2；表S3）。

由于正式支持子集仅包含9个稻田和7个旱地剖面，未拟合调整后的SIC模型。1.5 × IQR敏感性分析移除了15个稻田剖面中的3个和165个旱地剖面中的2个，但并未改变SIC不符合调整后分析条件的分类。深层SIC结果仅报告在表S3-S4和图S1中。

3.4. 表土中特定的土地利用环境关联
在完整的合格表土数据集中，探索性的土地利用内分析表明，稻田SOC与容重（Spearman rho = ?0.414；95%区块自助法区间，?0.520 至 ?0.307）和沙含量（rho = ?0.241；?0.376 至 ?0.109）呈负相关。与干燥度指数（rho = +0.210；+0.058 至 +0.337）、年降水量（rho = +0.163；+0.019 至 +0.297）和海拔（rho = +0.155；+0.027 至 +0.288）的弱正相关也有观察（图5a）。

下载：下载高分辨率图片（263KB）
下载：下载全尺寸图片
图5. 稻田和旱地农田内与表土SOC和SIC的环境关联。面板显示稻田SOC（a）、旱地SOC（b）、稻田SIC（c）和旱地SIC（d）的Spearman相关系数及95%空间区块自助法区间。填充点表示区间排除零。

在旱地表土中，SOC与潜在蒸散（rho = ?0.524；?0.621 至 ?0.394）、pH值（rho = ?0.379；?0.490 至 ?0.248）、容重（rho = ?0.355；?0.471 至 ?0.235）和年平均温度（rho = ?0.336；?0.482 至 ?0.173）呈负相关（图5b）。

旱地SIC与pH值（rho = +0.655；+0.432 至 +0.780）、海拔（rho = +0.458；+0.200 至 +0.609）和容重（rho = +0.440；+0.054 至 +0.706）呈正相关，与年降水量（rho = ?0.526；?0.735 至 ?0.211）和年平均温度（rho = ?0.418；?0.624 至 ?0.138）呈负相关。稻田SIC与年降水量呈负相关（rho = ?0.692；?0.874 至 ?0.161），尽管该分析仅包括八个区块中的15个剖面（图5c,d）。

探索性的嵌套空间岭回归模型为稻田SOC（0.286）、旱地SOC（0.211）和旱地SIC（0.130）产生了正的折外R2值。由于样本支持不足，未对稻田SIC进行多元拟合（表S5）。

3.5. 表土SOC的空间验证及预测的稻田-旱地差异
极端随机树在嵌套验证的所有五个外层折中均被选中。在192个正式支持剖面中，分层解析模型实现了0.722的汇总折外R2值，RMSE为8.356 g kg?1，MAE为4.019 g kg?1。分类特定的R2值对稻田剖面为0.321，对旱地剖面为0.834。在排除最高1%的观测SOC值后，总体R2仍保持正数，为0.508（图6a）。

下载：下载高分辨率图片（472KB）
下载：下载全尺寸图片
图6. 受控表土SOC情景的空间验证与敏感性。面板显示折外预测与重复空间验证（a,b）、97个稻田目标的旱地减稻田对比（c,d）、与观测背景的关联（e）以及条件集敏感性（f）。

在十个替代空间分区中，主要模型的总体R2平均为0.725，范围为0.672至0.791。稻田和旱地剖面的平均R2值分别为0.384和0.819，排除最高1%观测后的平均R2为0.518（图6b）。当候选训练限制在192个共享子集剖面时，平均总体R2降至0.519，平均稻田R2降至?0.009，平均旱地R2降至0.665；平均RMSE和MAE分别从8.298和3.944增加到10.606和4.854 g kg?1（表S4e）。

对于97个稻田剖面，仅将土地利用指标从稻田更改为旱地，同时固定所有观测的土壤和环境变量，在十个空间分区中得出的主要平均预测SOC对比为?0.578 g kg?1。分区特定的均值范围为?0.709至?0.484 g kg?1，联合分区与区块的95%区间为?1.022至?0.151 g kg?1。在跨分区平均预测后，78.4%的剖面呈现负对比，剖面级中位数为?0.510 g kg?1（图6c,d）。仅共享子集训练产生了一个相似的平均对比?0.610 g kg?1（?1.002 至 ?0.259），其中84.5%的目标为负值；其与主要对比的配对变化为?0.032 g kg?1（?0.375 至 0.286）。在限制训练域后，估计的方向和幅度变化不大，但受限模型未保留正的稻田类别平均预测技能（表S4e）。

剖面级对比与年降水量（rho = ?0.582；联合95%区间，?0.709 至 ?0.244）、干燥度指数（rho = ?0.523；?0.667 至 ?0.175）、NDVI（rho = ?0.437；?0.607 至 ?0.112）和年平均温度（rho = ?0.332；?0.540 至 ?0.054）呈负相关（图6e）。在条件集敏感性分析中，M-full、M-BD和M-pH符合预测标准，而M-base和M-NDVI不符合（图6f）。

在主要的完整合格训练分析中，模型推断的对比在高AI层为负（?1.082 g kg?1；?1.623 至 ?0.559），高减中差异为?1.297 g kg?1（?2.092 至 ?0.604；Benjamini-Hochberg (BH)校正后q = 0.0006），且每增加1个AI标准差（1-SD）的连续关联为?0.682 g kg?1（?1.109 至 ?0.307）。在仅共享子集训练下，高AI层仍为负（?0.856 g kg?1；?1.449 至 ?0.372），但高减中差异减弱至?0.483 g kg?1（?1.263 至 0.195），连续关联减弱至?0.338 g kg?1（?0.751 至 0.019）（图7；表S4e）。低AI层仅有四个区块中的10个剖面。替代的剖面汇总全流程重新拟合分析平均也保持负值，但产生了跨越零的更宽区间（表S4f）。

下载：下载高分辨率图片（261KB）
下载：下载全尺寸图片
图7. 模型推断表土SOC对比的探索性干燥度指数（AI）三分位数敏感性。（a）干燥度指数（AI）三分位数及目标剖面。（b）旱地减稻田对比；点显示均值，条形显示联合95%区间，星号表示区间排除零。F，完整合格训练；S，仅共享来源/区块训练。探索性，非转换证据。

4. 讨论
4.1. 观测到的稻田-旱地差异取决于样本组成
完整的保留样本显示，根据中位数和基于秩的总结，稻田的表土SOC高于旱地剖面，SIC低于旱地剖面。这种稻田土壤中较高的SOC浓度与以往成对地点比较及全球综合研究相符，后者报告了与旱地土壤相比，稻田中更大的SOC储量或封存量（Chen et al., 2021; Liu et al., 2021）。然而，这些对比在不同分析域之间并不稳定。将比较限制在共同支持范围内也会改变所比较的总体，从而减少了在稻田和旱地剖面协变量重叠很少的地方对外推的依赖（Crump et al., 2009）。

对于SOC，将分析范围从681个完整数据集剖面缩小至192个正式支持剖面后，均值对比跨越了零点，中位数和Cliff's delta也向零靠近。对于SIC，正式领域仅包含16个表层土壤剖面，且所有效应量区间均跨越零。因此结果表明，地理和来源组成是原始水田-旱地对比的组成部分（图8）。可比领域内的衰减并不一定与配对站点文献矛盾，因为配对比较能更直接地控制局部环境差异，而不均匀的全国性汇编仍对样本的地理和数据来源组成敏感（Ploton等，2020）。下载：下载高清图像（449KB）下载：下载全尺寸图像图8. 水田和旱地农田SOC和SIC差异总结。SOC，土壤有机碳；SIC，土壤无机碳；U?P，旱地减去水田；OOF，袋外；R2，决定系数；BD，容重；PET，潜在蒸散发；MAT，年平均温度；MAP，年平均降水；AI，干旱指数；NDVI，归一化植被差异指数。4.2. 控制的SOC代表条件差异若干过程可能有利于水田土壤中SOC的保持。淹水期限制氧气扩散，可能减缓氧化分解，而淹水与排水条件的交替产生反复的干湿循环和红ox循环，改变微生物碳加工和矿物-有机相互作用，包括涉及活性Fe相的那些（Chen等，2021，K?gel-Knabner等，2010）。然而，这些过程在更广泛的农业系统背景下运作。作物序列、残茬和根系输入、施肥、绿肥以及土壤扰动调节进入土壤的碳的数量和质量及其后续稳定化。最近的田间研究说明了这种管理依赖性。将基于水稻的系统与豆类作物多样化，SOC增加了约5–7%，与传统水稻系统相比（Mohapatra等，2025）。在一项五年的水田-旱地轮作实验中，作物轮作和秸秆还田均增加了SOC储量，在相同施肥制度下，油菜-水稻轮作比小麦-水稻轮作的SOC储量高7.7–14.3%（Zhang等，2024）。一项八年实验进一步表明，作物轮作改变了SOC积累和颗粒态与矿物结合态中植物和微生物来源碳的分布（Yu等，2025）。类似地，绿肥施用结合调整的淹水管理表明，有机输入和水文制度可相互作用以决定土壤碳储量和水稻系统的环境表现（Zhou等，2025）。因此，水田土壤更大的SOC保持更可能与干湿和红ox循环、有机碳输入、矿物保护和长期耕作实践的综合效应相关，而不是仅与淹水相关。然而，模型化差异的幅度仍然取决于情景定义。容重、pH、NDVI和其他观测到的土壤和环境状态被固定，尽管这些变量中的一些可能在实际土地利用转变后发生变化。因此，该估计不包括通过这些土壤状态的后续变化中介的SOC响应。将训练限制在共享子集上保留了类似的均值对比，但将水田类的均值R2降至?0.009，而替代的剖面聚合全管线分析产生了更宽的跨越零的95%区间。高AI农田中的更强负面对比在候选训练受限于共享子集时也减弱了。总体而言，现有证据支持适度的固定状态条件SOC差异方向，而其精确幅度、区域变化和潜在过程需要通过配对或纵向土地利用转变研究进一步评估。4.3. SIC推断和深层土壤解释的局限性SIC全数据集对比很大，但它是受高度不平衡样本驱动的，水田站点很少且共享地理有限。它在正式支持范围内的减少，连同未知来源特定分析方法和检测限或定量限（LOD/LOQ），阻止了实际或区域碳核算解释。以前的研究表明，农田SIC受酸化、碳酸盐溶解、淋溶、气候和区域母质强烈影响，使得不平衡的水田-旱地比较对环境组成特别敏感。以前的比较还表明，水田-旱地SIC差异在不同区域不一致。在中下游黄河三角洲，旱地农田的SIC储量高于水田土壤（Guo等，2021），而中国东部新开垦沿海土壤的研究发现，尽管水田中SOC更高，但水田和旱地土壤的无机碳浓度相当（Zhang等，2019）。在更广尺度上，农业对SIC的影响也随区域、土壤酸化、水平衡和母质而变化（Wu等，2009）。这些对比观察与我们在将比较限制在更具可比性的样本后，明显的水田-旱地SIC差异大幅减少的发现一致。SOC和SIC在不同库和采样期间测得，因此它们的方向不能解释为同一土壤中补偿性池变化。因此总碳未包含。深层SOC缺乏模型支持，深层SIC缺乏足够的水田信息。这些结果不支持深度相关机制或全剖面碳平衡。已知深层碳强烈依赖于母质、遗留输入和长滞留时间（Rumpel和K?gel-Knabner，2011，Hicks Pries等，2023），但那些过程未被当前数据解析。4.4. 水田和旱地土壤内的环境关联水田SOC最明显地与容重和砂粒相关，而旱地SOC与潜在蒸散发、pH、容重和温度相关。容重和pH本身可能对管理或SOC作出反应，因此不能被当作外生原因。水田和旱地关联结构的对比与以前的证据一致，即SOC积累和稳定化在淹水水田和需氧旱地土壤之间不同，并受不同土壤和环境控制的影向（Chen等，2021）。农场规模研究进一步表明，土壤碳随站点条件、土壤质地、肥料来源以及有机和无机输入频率变化，表明管理背景可与固有土壤性质相互作用以塑造SOC模式（Onyuka等，2025）。对于旱地SIC，pH正相关以及降水和温度负相关与较弱淋溶、更碱性条件下碳酸盐持久性一致，而海拔和容重正相关可能部分反映区域母质和土壤发育梯度（An等，2019，Zamanian和Kuzyakov，2019）。这种解释不能转移至水田SIC：水田样本仅包含15个剖面，且明显的降水信号无法支持多变量控制层级。总体而言，全样本比较显示水田土壤表层SOC更高，旱地土壤SIC更高，但两者差异在共同支持子集内明显减少。空间验证模型中保留的适度负面对SOC对比与田间研究一致，这些研究表明水田转旱地后SOC损失，且水田中SOC积累大于相邻旱地土壤（Wang等，2022；Wissing等，2014）。然而，共同支持内观测到的SOC差异小得多表明，水田-旱地对比的幅度强烈依赖于环境和地理背景。SIC因共同支持子集太小无法进行调整后分析而未解决。未来研究应在实际水田-旱地转变前后，结合记录的水田转旱地管理历史与配对或纵向采样。SOC和SIC应在同一核心中以协调方法和检测限测量，伴随容重、砾石、pH、溶解无机碳输出、土壤溶液化学、铁矿物相、微生物产物和同位素示踪剂。这种设计可区分时间变化、储量变化和机制与空间样本组成。4.5. 优势与局限我们的结果表明，水田-旱地土壤碳差异强烈依赖于被比较样本的环境和地理背景。观测到的SOC和SIC差异在共同支持子集内明显减少表明，基于异构样本的比较可能夸大土地利用差异，特别是当空间和环境结构未得到充分考虑时（Roberts等，2017）。同时，空间验证的SOC模型一致预测旱地土壤下表层SOC略低。此方向与以前的配对水田-旱地证据一致（Chen等，2021）。该差异在湿润农田中更明显，尽管其区域变化在敏感性分析中不太稳定。仍存在若干局限。SOC和SIC来自独立横截面数据集而非相同土壤剖面，且水田SIC观测数量少阻止了调整后的SIC比较。SOC情景固定了观测到的土壤和环境条件，尽管一些土壤性质可能随土地利用变化。当训练受限于共同支持子集时，模型性能对水田剖面较弱，替代的剖面级分析显示出更大的不确定性。深层土壤结果也不足以支持确定解释，与深层土壤碳响应更大的复杂性和有限观测证据一致（Hicks Pries等，2023）。5. 结论全样本比较表明水田样品的表层SOC高于旱地样品，旱地样品的SIC高于水田样品，但这些明显对比受环境和来源不平衡强烈塑造。在将比较限制在共享来源和共享100公里区块后，表层SOC差距变得小而不确定，而SIC因剩余水田剖面太少无法调整。固定状态情景模型提供了主要正向结果：当水田剖面作为旱地评估且所有记录的土壤和环境变量固定时，平均旱地减水田SOC差异为?0.578 g kg?1（95%区间，?1.022至?0.151），且78.4%的剖面显示出较低预测SOC。此预测下降在高干旱指数（高AI）农田的主要分层分析中最大（高减低差异，?1.297 g kg?1；?2.092至?0.604），尽管异质性在训练限于共享子集时减弱。总体而言，模型预测当可比水田剖面以旱地评估时，表层SOC出现适度下降。调整后的SIC、深层响应和可全国泛化的时间转换效应仍未获支持。CRediT作者贡献声明Jian-Ying Qi：写作-审阅与编辑，写作-原稿，正式分析，概念化。Jie-Yu-Xin Kang：写作-原稿，数据编纂。Yu-Xuan Che：写作-原稿，正式分析，数据编纂。Jia-Jun Lin：写作-原稿，数据编纂。Xing Wang：正式分析，概念化。Rattan Lal：写作-审阅与编辑，概念化。Yash Pal Dang：写作-审阅与编辑，概念化。Pete Smith：写作-原稿，概念化。Xin Zhao：写作-审阅与编辑，概念化。Cong He：写作-审阅与编辑，概念化。Hai-Lin Zhang：写作-审阅与编辑，监督，项目管理，概念化。Jian-Ying Qi|Jie-Yu-Xin Kang|Yu-Xuan Che|Jia-Jun Lin|Xing Wang|Rattan Lal|Yash Pal Dang|Pete Smith|Xin Zhao|Cong He|Hai-Lin Zhang