巴西南部农业土壤 CO2 和 N2O 排放的元回归分析

《Science of The Total Environment》：Meta-regression analysis of CO 2 and N 2O emissions from agricultural soils in southern Brazil

　　# 摘要• 鲁棒的数据集使可靠的模型能够预测土壤CO?和N?O排放。• 生产系统和采样深度不影响数据集中的排放。• CO? - 主要由空气填充孔隙空间预测。• N?O - 由空气填充孔隙空间和总孔隙体积预测。# 引言自前工业时代以来，二氧化碳(CO?)、甲烷(CH?)和氧化亚氮(N?O)的人为排放一直在增加，这导致了气候变化，并引起了全球环境和政治关注。这些温室气体(GHG)来自化石燃料的使用和土地利用变化，特别是在农业领域，是造成气候变化的主要原因(Chataut et al., 2023; Basheer et al., 2024)。根据世界气象组织(WMO, 2015)的数据，2015年大气中CO?、CH?和N?O浓度达到了新高，数值分别为400 ± 0.1 ppm、1845 ± 2 ppb和328 ± 0.1 ppb，分别相当于前工业化水平的144%、256%和121%。此外，大气中长寿命温室气体的辐射强迫增加了37%，其中CO?约占该增长的80%(WMO, 2015)。土壤是大气CO?排放的主要来源，因为微生物分解有机质和根系呼吸释放出大量以CO?形式存在的碳(Lal, 2001; Laganiere et al., 2010)。农业管理可以显著改变这些排放，因为耕作、残留物去除、施肥和土地利用变化等实践会改变调节CO?通量的关键土壤物理、化学和生物学特性(Panosso et al., 2011; Moitinho et al., 2021a; Gui et al., 2023; Nissan et al., 2023; Doyeni et al., 2024)。将自然植被转变为农业用地，特别是在热带和亚热带地区，通常会增加土壤扰动并减少有机质输入，导致加速分解过程从而增加CO?排放(Sartori et al., 2006; Laganiere et al., 2010)。除了CO?之外，农业土壤也是N?O的重要来源。N?O是一种强效温室气体，主要通过微生物硝化和反硝化作用产生。这些过程受土壤水分、通气、温度和无机氮可用性的强烈影响(Moitinho et al., 2024; Xiong et al., 2024; O'Neill et al., 2022)。氮素施肥、灌溉、耕作和残留物管理等管理实践可以通过增加底物可用性(NH??和NO??)并创造有利于反硝化发生的厌氧微环境，从而加剧N?O排放(Fu et al., 2025)。土地利用转化和土壤扰动也通过改变土壤结构、有机质周转和微生物活性而促进N?O通量(Doyeni et al., 2024)。这些管理引起的变化共同表明，理解生产系统如何影响甘蔗种植区的土壤CO?和N?O排放具有重要意义。量化农业温室气体排放的模型可以提供有关生产系统下土壤管理实践和温室气体减排的相关信息，当与田间进行的温室气体测量相结合时，有助于将观测到的温室气体数据外推到更广泛的条件和尺度(Vibart et al., 2021)。与其他方法相比，元回归模型具有鲁棒性、可重复性和低成本等优势，可用于量化田间温室气体排放。元回归模型还提供了一种机制性的方法来理解整合在温室气体排放中的过程。在这方面，Campbell和Paustian(2015)列出了221项使用模型模拟农业和林业系统温室气体排放的研究。然而，所有这些模型都提供了理论框架来整合、检查和测试对碳氮循环和土壤有机质动态的理解(Manzoni and Porporato, 2009)。一个全面的农业生态系统模型应该能够再现耕作实践(如土壤耕作和施肥)的影响，这些实践直接影响温室气体排放(Snyder et al., 2009)。因此，仅依赖这些模型来预测和解释巴西甘蔗生产系统中控制土壤CO?和N?O排放的复杂过程可能会导致不切实际或过度简化的结果。为了弥补这一局限，本研究旨在使用元回归模型评估巴西甘蔗种植区的土壤CO?和N?O排放，提供定量框架以识别关键驱动因素并评估环境和管理变量对这些排放的影响。# 章节摘要## 实验本研究使用了从巴西南部进行的八项实验中收集的数据(表1)。这些实验旨在评估甘蔗生产系统下土壤中的碳和氮动态。## 土壤CO?排放、土壤温度和土壤水分使用自动便携式系统LI-8100(LI-COR, 美国内布拉斯加州林肯市)测量土壤CO?排放。该系统使用红外光谱监测室内CO?浓度的变化。## 相关分析和主成分分析本研究总结了来自八项不同研究的603个观测值，关于甘蔗生产系统下土壤中的碳和氮动态。因此，全局和逐项研究的变量间关系解释对于证明数据集的鲁棒性至关重要。图1显示，土壤CO?或N?O排放与数据集其他变量之间的全局相关性在逐项研究绘制时也观察到(图2)。这表明...## 土壤特性在CO?和N?O土壤排放中的作用本研究中使用主成分分析(PCA)是讨论数据降维的良好案例研究，使其更容易解释大量、高复杂度的环境数据集(图4)。多个物理和化学土壤特性直接或间接地影响土壤CO?排放过程，主要通过调节微生物活性和土壤呼吸。例如，土壤温度是微生物呼吸的主要驱动因素之一，较高温度刺激有机...## 结论来自巴西南部不同地点的八项研究的数据集对于开发预测和理解甘蔗生产系统下土壤CO?和N?O排放的模型是鲁棒的。在该数据集内，采样深度和甘蔗生产系统未能在土壤物理化学特性的贡献之外提高模型的预测性能，这表明深度和管理对排放的影响在很大程度上是通过可测量的土壤...## CRediT作者贡献声明**Elton da Silva Bicalho:** 写作 – 审阅与编辑，写作 – 初稿，可视化，验证，方法论，调查，正式分析，数据管理，概念化。**Mara Regina Moitinho:** 写作 – 审阅与编辑，写作 – 初稿，可视化，方法论，概念化。**Daniel De Bortoli Teixeira:** 写作 – 初稿，可视化，方法论，正式分析，概念化。**Alan Rodrigo Panosso:** 写作 – 初稿，可视化，验证，...## 参与同意从研究中包含的所有个体参与者获得了知情同意。## 发表同意作者确认人类研究参与者为发表提供了知情同意。## 资金本研究部分由巴西高级专业人员协调处(CAPES)资助 – 财政代码001。## 利益冲突声明作者声明他们没有已知的竞争性财务利益或个人关系，这些可能影响本文报告的工作。---Elton da Silva Bicalho | Mara Regina Moitinho | Daniel De Bortoli Teixeira | Alan Rodrigo Panosso | Kurt Arnold Spokas | Diego Antonio Fran?a de Freitas | Newton La Scala Jr.