评论文章

前面。土壤科学。,11July 2022
秒。Pedometrics
卷2 - 2022 | https://doi.org/10.3389/fsoil.2022.890437

数字地图的农业土壤有机碳使用土壤形成因素:回顾当前的区域和国家尺度的努力

玉树夏 ^{1 *},

凯文在筹划 ²和

米歇尔·m .漫步 ²

¹马法尔茅斯Woodwell气候研究中心,美国
²自然资源和环境科学、伊利诺伊大学香槟分校乌尔班纳,美国

探索如何大空间尺度数字土壤制图有助于努力监测土壤有机碳(SOC)股票和变化,我们回顾了区域和国家研究量化SOC在土地由农业使用SCORPAN方法依赖于土壤(年代)、气候(C)、生物(O),救援(R)、母质(P)、年龄(一个)和空间(N代表土壤形成因素协变量)。后确定79地区(> 10000公里²)和国家研究试图评估SOC,我们评估模型表现,参照土壤采样深度、数量的预测,grid-distance和空间范围。SCORPAN反是被调查的使用频率和数据来源。最后,我们使用了67项研究包括各种各样的空间尺度上确定哪些反是最影响SOC在农业土地使用主观的排名系统。地形(在94%的情况下使用),气候(87%),和有机体协变量(86%)是最常使用SCORPAN预测,符合的因素(降水、温度、海拔、坡度、植被指数和土地利用)目前确定为模型估计最有影响力的大型空间范围。通常模型成功地估计SOC与适合用R表示²中值为0.47,但性能差异很大(R²在0.02和0.86之间)的研究。预测的成功与土壤采样深度增加显著下降(p < 0.001)和空间范围由于变异性增加(p < 0.001)。在研究广泛吸引大规模的调查和遥感数据库估计环境,缺乏土壤数据需要了解管理或时间变化的影响限制了我们对变化做出有用的推论的能力在SOC的股票规模。本文提出数字土壤制图的努力可以提高通过使用更多的数据代表土壤类型和母质和考虑的时空动态SOC发生在不同深度和土地使用或管理系统。

1介绍

兴趣的使用农业补偿作为一种缓解气候变化加速了开发国家和地区土壤有机碳(SOC)库存(1- - - - - -4),可以激励固碳和温室气体减排(5)和利益相关者等通知最终用户,专业组织和决策者(6)。这些努力往往利用数字土壤制图(DSM)和统计建模方法以及前所未有的观察和库存的土壤与环境共(7- - - - - -10)。运用DSM在协变量信息可以促进空间变异性SOC估计(11- - - - - -15协变量),因为环境的影响在SOC是著名的(16- - - - - -19)。

许多DSM在量化SOC采用提出的“SCORPAN模式”项McBratney et al。(20.)。McBratney et al。20.经验)框架,描述了土壤属性和环境不确定性关系,是建立在Dukochaev早期的工作和珍妮的土壤形成因素包括气候模式(CL)、生物(O),救援(R)、母质(P)和时间(T)(21)。推导SOC与DSM方法是直接源于土壤基础土壤概念基于土壤形成因素和更多的经验(2,22)相比,基于过程的模型,考虑不同的土壤C的动态池。在SCORPAN研究中,环境共分为七个类别为“SCORPAN预测”,其中包括:土壤(年代)、气候(C)、生物(O),救援(R)、母质(P)、年龄(一个)和空间(N),但与早期functional-factorial模型,SCORPAN方法被认为是一种混合的“CLORPT”概念和地质统计学技术(23)。

在这里我们将使用SCORPAN框架来描述DSM应用程序由于其广泛接受(23- - - - - -26),尽管“SCORPAN”项不是普遍应用,因为地区差异DSM-based框架(27- - - - - -30.)和数据驱动的方法。DSM-based方法的批评建议他们可能不充分代表土壤过程或气候变化影响SOC(或管理31日,32)。此外,SOC协变量和环境之间的关系是依赖规模(33),但定量协变量的排名导致SOC通常是缺乏在大空间尺度(34)。有信心预测基于DSM的SOC我们必须更好地理解的优点和缺点SCORPAN-type努力和探索的关键控制因素。

许多研究已经巧妙地讨论了历史,协变量和方法,挑战,和新技术用于DSM-based努力(7,23,35- - - - - -37),但并没有试图评估meta-dataset的影响。定量评价由格伦沃尔德(38)和Minasny et al。(39)和最近的检查工作没有考虑特定的空间尺度(40)或土地利用类型(41)。在本文中,我们分析了以往的研究使用SCORPAN-predictors SOC估计,确定该方法的优缺点,并确定步骤需要改进方法,数据集,最终模型的性能。我们专注于大空间范围的应用SCORPAN-type方法用来估计SOC从土地由农业(从今以后,被称为农业土地)定量识别和比较SCORPAN反是meta-analytical总结。本研究的目标是:(1)定量评估区域和国家规模SCORPAN-type有关方法,研究数据集,和模型性能和协变量(2)排名的重要性环境用来量化农业SOC。

2材料和方法

2.1数据收集和筛选

2.1.1提取SCORPAN-Type从文学研究

我们使用“土壤有机碳”或“土壤有机质”和一个或多个关键字包括“SCORPAN”、“数字土壤制图”、“土壤形成因素”、“CLORPT”、“共”,“克里格”,“回归”,“机器学习”从文章和书部分提取SCORPAN-type研究发表在1999年和2019年之间。科学的搜索是使用汤森路透(Thomson Reuters)实现网络数据库(美国宾夕法尼亚州汤森路透)和谷歌学术搜索(谷歌(Google Inc .)、钙、美国),返回超过700条记录。大约四分之一的研究遇到了以下选择标准:(1)研究量化SOC浓度或股票;(2)研究回归协变量在空间上分布的土壤或环境用于SOC量化;(3)研究并没有使用基于流程的模型(例如世纪,RothC) SOC量化;(4)SOC估计数据用于模型校准是lab-measured而不是间接通过红外光谱的方法。进一步,研究时保留比例最高的土壤样本的收集研究土地管理在农业使用(耕作或放牧)。的情况下从不同土地利用类型土壤样本数量或位置是没有报告,我们假设收集土壤样本在空间均匀,所以我们包括研究农业用最大的面积比例。

2.1.2数据集1:区域和国家研究

79 SCORPAN-type研究的数据集进行了区域或国家尺度的农业用地被保留地址第一个目标(表1)。的区域范围内被定义为10000到10000000公里²根据IPCC库存(116年)。研究的程度小于10000公里²或者在空间研究程度大于一个国家被排除在分析之外。这里我们使用“规模”指空间上由大多数DSM研究一样,但应该注意的是,“规模”术语有时用来描述基于像素的空间分辨率。为了避免混淆,我们指的是一项决议在描述网格距离或像素大小。协变量SCORPAN分成年代,C,O,R,P,一个,N预测因子。其他从SCORPAN-type研究收集的信息包括预测模型类型,研究地区,误差测量、建模和关键因素(土壤采样深度、空间范围、和网格分辨率)讨论Minasny et al。(39)。

表1

表1区域和国家SCORPAN-type研究量化在农田土壤有机碳含量或股票。

2.1.3数据集2:研究报告协变量的重要性

所有SCORPAN-type研究发现,报道排名或农业土地是保留个人协变量的重要性无论空间评估第二个目标的程度。然后我们筛选的研究包括至少三个不同的SCORPAN预测,以避免产生偏见。数据集包含67项研究,其中54% (N = 36)重叠的区域或国家研究确定了第一个目标。研究不同深度报道作为单独的记录表S2。除了排名协变量的重要性,从每个研究包括研究区域中提取信息,空间范围,土壤采样深度,统计方法用于生成协变量排名。

2.2统计分析

2.2.1评估模型的性能

我们使用确定系数(R²)和均方根误差(RMSE)作为评价的标准SCORPAN-type模型的性能。如果多个误差测量报告了使用不同的建模技术、最高最佳模型(R²或最低RMSE)是用于评估。结果报道在不同深度层被视为单独的记录。斯皮尔曼等级次序的相关性模型的美好(R²)和建模因素(土壤采样深度,SCORPAN预测数量,空间范围,和grid-distance)是计算R语言(117年130条记录)(表S11)从数据集。

2.2.2协变量检查工具和建模数据源

SCORPAN预测(即的频率。年代,C,O,R,P,一个,N)和协变量使用计算区域和国家规模SCORPAN研究数据集1中编译。的情况下协变量可以分配给多个预测类别,我们采用了原文作者的转让。此外,我们研究了使用不同的频率SCORPAN预测的组合。数据源用于SCORPAN的SOC模型校准编译为每个数据集1中研究和总结常见的数据源SCORPAN反是。

2.2.3调查协变量的重要性

为研究协变量的重要性,我们建立了一个分类系统,共统计排名在前三分之一之间很有影响力和排名的三分之一和三分之二的“影响力”研究保留在数据集2。分析是基于从67年研究(120条记录表S2)。我们使用排名报告原始研究确定“很有影响力”和“影响力”共减少偏见。即使我们主观的排名系统是不完美的定量的总结协变量的协变量影响,因为组合用于构建模型和统计标准等级SCORPAN研究协变量的重要性可以不同,我们的目标是识别空间的相对影响程度和土壤采样深度协变量的协变量排名通过比较频率排名在“很有影响力”和“影响力”类别中记录分配到不同的空间范围(< 10000公里²和≥10000公里²)和采样深度(≤30厘米和> 30厘米)组。最后,协变量的频率包含在“很有影响力”和“影响力”类别加权是基于协变量的次数,被用来构建SCORPAN模型减少偏见。

3所示。结果与讨论

3.1模型的性能和影响因素对区域和全国范围内研究

超过85%的区域和国家SCORPAN-type研究中确定数据集1进行了在过去的十年里,与近年来出版物增长率迅速增加(图1)。这可能主要属性DSM技术的快速发展使容易获得均匀的SOC估算所需的协变量或标准化的环境空间尺度上。模型的美好(R²)农业SOC估计变化从0.02到0.86,平均价值的0.45和0.47的中值从选中的区域和国家研究(所有记录表S1)。斯皮尔曼等级次序关系R²和建模因素表明,模型适应降低的美好与深层土壤采样深度(枪兵R = -0.327, p < 0.001),大空间范围(枪兵R = -0.472, p < 0.001),和小grid-distance(枪兵R = 0.240, p < 0.01)。R之间的相关性²和SCORPAN预测的数量是积极但不显著(R = -0.063, p > 0.05) (表S3)。

图1

图1SCORPAN-type总数的变化区域和国家研究包括在本文从农田土壤有机C量化在20年的时间。研究基于他们是否也重新集结进行验证、独立的验证和不确定性分析。

土壤深度对SOC量化被认为是至关重要的,而且它也认识到,必须考虑两层表层和次表层的土壤有效评估(118年- - - - - -120年)。了众多作品呼吁环境协变量的使用可以预测SOC的垂直分布(121年- - - - - -123年)。尽管如此,只有48.1%的研究(N = 38)量化SOC超过30厘米。模型适合和土壤采样深度之间的负相关表明SCORPAN-type模型量化SOC在表面比地下一层(表S2)。而模型包括SOC超过60厘米深度通常比那些考虑表面深度(适合较差图2一个),一半(57.9%)的研究报告的结果不同土壤采样深度明显较大的RMSE值与深层土壤SOC估计,一些研究还获得适度的估计(R²更深的土壤层> 0.5)(表S1)。差异的研究从一个更大的数据集可能会使它无法识别共导致模型成功。使用三维参数化建模方法连续深度函数已被建议作为一种有效地预测地下SOC股票(43,53,66年,94年,124年- - - - - -126年),但这种方法并不总是提高精度,获得与传统2.5 d建模框架依赖于预定的深度增加。马et al。(127年)发现“走”深度函数工件SOC预测可能发生在深度作为协变量基于树的算法。获得更精细的分辨率深度测量克服数据缺乏问题,结合不同深度的关键土壤学司机分离层SCORPAN模型对于提高SOC估计不同深度是不可或缺的。

图2

图2SCORPAN-type模型性能从农田土壤有机C量化由确定系数(R²)分组(一)空间范围和采样深度,(B)空间范围和grid-distance表层土壤的层,(C)grid-distance和采样深度,(D)grid-distance对表层土壤和空间范围层。

更好的模型符合通常被观察到SCORPAN-type覆盖较小空间范围的研究,特别是当模型是基于表面土壤层次(< 30厘米)(图2 b;表S4)。这是一致的想法模型适合改善通过减少两个垂直和水平的变化。我们的观察模型建立与小grid-distance(< 500),或更大的抽样强度,没有更大的性能(图2 c, D;表S4)不管采样深度和不符合统计抽样的基本规则。研究的工作Minasny et al。(39)发现模型的统计力量增加人口抽样的更好的表示。这些基于地质统计学的结论,使用数据主要来自字段或局部范围研究网格间距1公里,可能并不适用于区域或国家所总结的研究我们,考虑电网从15米的距离超过100公里。尽管更精细的空间分辨率应该提供更详细的模型预测(128年),可变性的集中效应与大电网的距离可能有平滑作用,降低了复杂性,并解释为什么模型与网格规模扩张(适合没有下降129年)。同样,增加参与SCORPAN-type预测模型构建的总数没有显著影响模型性能的基础上,研究认为(表S3)。这就解释了为什么假设增加可用性的数据代表SCORPAN反是将提高模型预测可能会失败的情况下增加导致工件或model-overfitting反是不机械化解释SOC的分布(130年)。进一步验证假设,未来的工作应该测试使用不同的协变量集来确定优化的预测需要捕捉SOC可变性。

3.2建模技术和评估对于大空间范围的研究

虽然主要是利用简单的线性回归,树型回归技术,如随机森林,决策树,和立体派回归树研究了超过一半的研究进展(53%,N = 42),这些技术被更多的应用在最近的出版物。只有22个研究(28%)插值回归残差(原因不明的变异)利用克里格空间占auto-correlated错误(表S1克里格提供的),即使空间信息是至关重要的(131年,132年)。更少的研究使用数据挖掘技术如支持向量回归和人工神经网络(10%,N = 8)。这些机器学习技术可以描述复杂的协变量和间接土壤特性和环境之间的关系(133年,134年)。虽然报道R²值有混合的结果不同的建模方法,更好的拟合优度一般从树和机器学习方法比其他技术(表S1)。超越使用单一建模技术,研究塔吉克et al。135年)报道,整体学习技术,它利用多个学习者基于一些假设,可能是在量化SOC更健壮。

尽管对SOC模型验证的必要性和不确定性分析量化是公认(136年- - - - - -140年),只有49% (N = 39)的研究我们回顾了独立验证他们的结果。这是一个轻微的改善之前的评论(38,39)。其他的研究要么使用交叉验证(37%;N = 29)或没有提供任何类型的验证(14%;N = 11)。我们还发现,只有不到一半(N = 36岁,46%)区域和国家层面的研究包括模型的不确定性分析,但更频繁地包括在最近的研究(图1)。多数情况下,不确定性是由置信区间与模型相关的模型预测,反映不确定性输入。而数据质量是一个著名的源SCORPAN模型的不确定性(38,88年),其他来源包括数据插值或重新调节(141年,142年)和空间和时间不匹配(38,143年,144年)在很大程度上没有解决。

3.3预测采用大空间建模的努力程度

79年的地区和部门研究,使用最广泛的SCORPAN预测R(93.7%的病例;N = 74),C(87.3%;N = 69)O(86.1%;N = 68),紧随其后的是年代(57.0%;N = 45)和P(46.8%;N = 37)。不太常用的预测因子包括在内N(10.1%;N = 8)和一个(5.1%;N = 4) (图3一)。超过80%的地区和全国范围内研究使用共代表3 (25%,N = 20), 4 (34%, N = 27),或5 (23%,N = 18) SCORPAN预测,SCORP,再保险公司,天哪,集团最常采用的组合(图3 b)。从两个更小的百分比的研究采用共(13%;N = 10)或超过5预测(5%,N = 4)。事实上,研究很少利用七SCORPAN预测协变量可能是因为太多会引起多重共线性问题(145年)或因为节俭考虑。这种趋势可能会改变在未来更多的最近的研究倾向于使用更多的预测由于增加了数据可用性。协变量应优先级,最能代表过程影响SOC可变性。由于这个原因,以下文本试图解释的物理含义SCORPAN反是根据他们使用的频率。

图3

图3SCORPAN的频率(一)协变量的类别和(B)结合地区和全国范围内使用的协变量的类别研究估计在农田土壤有机碳含量或股票。

我们发现救济(R)是最常用的预测(图3一土壤)同意审查发现土壤地图映射和规模大型制图尺度更依赖于地形比其他变量(146年)。的R预测是至关重要的对水的运动和物质积累(147年),从而可以间接影响预测年代,C,O。例如,R共发现影响或与土壤水分条件,温度,降水,植被模式(148年- - - - - -151年)。这里的许多研究中我们回顾了协变量使用多个“主要”和“次要”的属性R预测(表2)。主R属性通常包括海拔、坡度方面,排水区,地形曲率,而次要属性(例如,土壤水分和侵蚀指数)源于(152年- - - - - -155年)。尽管一些R则反是相对独立(例如,Soliveres et al。(156年):海拔高度和地形指数),次要的R不可能强烈相关(例如,威尔逊et al。(2000)的流动力指数和斜坡长度因素)。因此,未来的研究可以使用技术来识别和排除R重复,反是对SOC量化(157年- - - - - -159年)。

表2

表2研究使用的协变量SCORPAN (N = 79)量化土壤有机碳含量或股票在土地以农业为主。

气候(C)和生物(O协变量)广泛应用于大空间范围的研究(图3一),因为这两个因素都有可能不同程度可以显著影响农业SOC (146年)。气候的主要驱动因素是SOC大规模,因为它直接影响SOC分解和间接影响年代(即通过土壤pH值和纹理),O(即通过C输入)P协变量(即通过矿物学)(160年,161年)。超过60% (N = 42)的研究,其中包括C共只用于SOC量化降水和温度。其余的研究主要用于共包括潜在蒸散,太阳辐射、湿度、和蒸汽压(VPD) (表2)。预测O协变量包括相关的人类活动,如农业管理和植被和生产。大多数使用O则反是土地覆盖(68.4%,N = 54)和植被指数(53.2%,N = 42)。尽管农业耕作和施肥管理显著影响SOC (162年- - - - - -164年的影响),人为因素对土壤属性的垂直和水平的变化应该更好的占SCORPAN框架内(165年,166年),只有6研究提取信息肥料或施肥和2研究提取作物或旋转类型。没有我们的审查研究报告使用耕作或残留管理实践作为协变量模型。

土壤(年代)和母质(P协变量)是常用的不及R,O,C大空间范围研究协变量(图3一)。而格伦沃尔德(38)发现年代共使用了84%的情况下估计各种土壤属性和类、SOC被用作一个年代协变量,我们发现对SOC的效用价值量化的努力年代因素较少(< 60%)。土壤分类(25.3%,N = 20)或分类数据(24.1%,N = 19),其次是裸露的土壤反射率(6.3%,N = 5)和土壤侵蚀率(5.1%,N = 4)中更为常用年代协变量(表2)。拉斯穆森et al。(167年)提出,属性如交换Ca和Fe-oxyhydroxides更说明SOC由于他们对SOM稳定机制。然而,这些年代因素不用于大规模的模型由于缺乏数据产品。使用最广泛的P协变量(伽马射线光谱测量、岩石碎片和地质指标)了在不到四分之一的综述研究,所以他们的公用事业很难与其他协变量通常采用评估和比较。这需要选择和潜在的合并pedolologically-relevant SCORPAN反是能够真实地捕捉独特的SOC的变化信息。不像subsolum参照群体与不同风化阶段提出的Juilleret et al。(168年)的例子P协变量可以提高地下土壤的建模。此外,建立soil-geomorphic协会等简单的和复杂的系列(169年),土壤协会和其他景观尺度土壤聚合模式,可以配置为元素嵌入土壤协变量的属性。这种方法的一个例子是说明了阿特金森et al。(170年)geomorphon(地貌音标铅字)用于数字地貌制图。他们指出,geomorphon特性相关性定义景观结构和地形景观空间异质性的上下文中必须陷害或地形细节,土壤协变量的成员,民主党的像素的分辨率和用户偏好。同样,贾法里et al。171年)和地形地貌表面属性标识有效地捕捉在土壤空间模式。使用合适土壤地貌单元组件的前景对地区级的核调查,将连续变化的土壤属性是一种潜在有利可图的方法提高SOC的建模和其他大空间尺度土壤属性。

尽管SOC是空间的变化而变化,预测N明确描述位置或空间受到相对较少的关注(图2一个)。这可能是由于空间信息可以很容易地反映在等SCORPAN预测C或R协变量(145年,172年)。研究认为N协变量通常包括空间坐标或接近对象模型(表2)。使用独立的论据支持N协变量,变量是相对容易获得,可以用作其他更复杂的代理变量,并且可以占within-grid异质性,正确的空间自相关模型残差,并解释模型不确定性和空间模式不被其他环境协变量(173年- - - - - -176年)。Bjørn Møller et al。(177年)提出了使用坐标调整倾斜角度,以缓解正交工件,但这个想法尚未被测试在地区或全国范围内SCORPAN研究。

预测一个比预测更常用N在研究包含在我们的数据集(图2一个)。这是符合先前的评论发现有限使用SCORPAN反是跟踪时间趋势(20.,38,39)。我们发现大多数的研究(89.9%,N = 71)调查SOC从一个采样时间或假定SOC收集一段时间内从几年到几十年国家图书馆是常数。即使研究采样SOC多次调查SOC的变化(46,73年,79年,96年,97年,102年),每年模型分别建立了协变量而不是基于使用可能由于困难重新取样同一土壤剖面。克罗夫特的审查等。178年)表明,RS数据可能是有前途的建模时间SOC变化通过监测土壤结构变化、土壤侵蚀、农业实践时间,但这些协变量数据的准确性得到了大型空间程度需要进一步测试。

3.4数据源的SOC和协变量对地区和国家层面的研究

的大部分地区和全国范围内研究(76%)直接利用现有SOC数据库SCORPAN模型校准(表1),而小百分比的研究结合调查数据与文献值或额外的字段抽样活动(5%)。一个关键问题是,大多数数据库(表S5)只报道SOC从单一采样时间。由于土壤属性空间差异可以混淆时态变化时收集土壤在相对长的时期(例如,几十年),它将使用一个具有挑战性的,一次性抽样SOC数据库建立颞SCORPAN模型。通过协调多个土壤数据库或使用额外的措施旨在解决空间变异性(179年),提高SOC的数据集可能被纳入校准,以反映SOC动态时空建模框架(23,38,180年,181年)。然而,差异取样和测试方法所使用的数据库可以混淆比较土壤库存必须使用标准化的程序准确数量改变土壤SOC或其他动态属性。可能出现额外的机会为未来工作网络(例如,2026年土壤和数字土壤制图的主动性)建立以提供连续的预测土壤属性和相关估计的不确定性为美国(30.)。

的年代协变量可以从大量的网格或访问点数据库(表S5),最常见的包括土壤秩序和系列,和措施或pedo-transfer基于函数估计土壤质地、容重、pH值,可用水资源的能力,和阳离子交换能力,其次是地平线深度,总N,排水类,和水分。网格土壤数据空间分辨率从大约30米到10多公里,与细分辨率数据库主要是插值(例如,gSSURGO (182年从粗分辨率产品或估计与遥感(RS)技术(例如,北极星(183年))。大多数土壤数据库报告实地观察而不是插值结果,所以常常被SCORPAN研究新匹配映射单元和解决其他协变量。

的C协变量包括降水、温度、潜在蒸散,太阳辐射,VPD覆盖了大量的数据库(表S6),不同的空间和时间分辨率从1到130公里,分别从设置到每月。通常有两种不同类型的数据库C从站,反是一种类型使用直接测量数据如阿佛洛狄忒(184年)和USHCN (185年)数据库;其他类型的数据集C协变量是基于测量和RS-derived数据插值和SCORPAN-type所使用的更广泛的研究。例如,棱镜数据集由美国研究采用常用的高程数据插值(148年)和美国国家航空航天局AIRS数据集依赖于地球表面释放的红外能量的检测得出温度和水蒸气的措施。的C通常在粗报道反是空间但美好的时间分辨率O或R协变量(表S6)。不幸的是,C协变量通常是平均的时间作为输入SCORPAN模型尤其是颞SOC的变化并没有考虑。理想情况下,相关研究也可以使用方差C协变量作为模型输入几个空间SOC估计与时间的司机。

的O协变量包括归一化植被指数(NDVI)、土地使用或/植被(LULC)和净初级生产力(NPP)可以很容易地提取RS-derived数据集(表S6)。在地区和全国范围内努力通常处理遥感数据,得出LULC产品以及更详细的作物类型(例如,CDL的数据集(186年)每年或每隔几年,归一化植被指数和其他植被指数可以估计的时间分辨率更加精细。即使只有10% (N = 8)回顾了研究利用NPP的SCORPAN协变量(表2)、et al。(187年)预测,NPP估算可以报告尽量在未来气象产品。相比之下,目前的大规模数据集的处理O不能准确确定组件反是实践(例如,化肥和粪肥应用程序(188年);耕作和残留管理(189年)应用在农业景观。未来SCOPRAN-type SOC建模应该利用更多的努力在管理提供数据集之间存在着密切联系SOC股票和管理实践的变化(190年,191年)。

的R不可以提取数字高程模型(民主党)(192年),都是建立在大空间尺度上(表S6)。SCORPAN研究我们回顾了最常见的提取民主党从航天飞机雷达地形测绘任务(SRTM) (193年),产生了广泛的数据库较精细的空间分辨率(30米)。最近的努力已经应用光探测和测距(激光雷达)技术来进一步提高数据质量和解决R通过捕获反是好地形特征从复杂的生态系统(194年,195年)。例如,美国LiDAR-derived民主党、英国,一个ustralia, and Denmark have the finest resolutions among all theR数据源(表S6)。

虽然P协变量是不经常使用的研究,一些P如土壤母质,反是岩性、基岩深度,伽马射线光谱措施包括在全球或全国数据集(表S6)。同样的,N距离因素以坐标的形式或指定的对象不是广泛采用,而是应该从GPS相对容易提取或遗留的地图。相比之下,反是;通常是缺乏信息,特别是对于遗留数据支撑大部分土壤调查。获得N因素可能需要依靠成因类型(黄土,河流、风成干旱、冰川和冰缘地貌)或地形代理(196年)。

RS的进步已经解决数据缺乏问题通过提供大量的SOC和SCORPAN协变量数据集(表S5 S6)。然而,并不是只有时空保险和分辨率的数据集,还他们的数据质量重大关切土壤为构建实证模型(61年,197年,198年)。这需要未来SCORPAN-type努力深入比较和之前检查的一致性RS数据集选择适当的来源SCORPAN反是。将时间RS数据作为协变量模型(如植被和类型、气候因素)可能降低经验估计的不确定性大空间尺度土壤属性(199年,200年)。未来的研究也可以考虑使用时间SOC措施提高RS图像(例如,土壤反射率(201年,202年);LULC (203年)改善SCORPAN-type模型。调查如果RS措施是至关重要的基于光谱分析可以与SOC和其他有意义的相关年代因素,或适当的代表O因素,表明生物活性或生态系统类型建模中的像素。未来的工作应该探索如果结合使用机械的功能和RS-derived SCORPAN协变量可以减少不确定性通过时间(与模拟土壤相关流程38,180年,204年)。

3.5协变量影响SCORPAN受到土壤深度和研究范围

协变量的使用,降水(56%的病例)和高程(40%)最常见的标识为“很有影响力”(图4一从土壤表面)量化农业SOC估计层(<区域性或更广泛的规模(30厘米)表S2)。最常见的协变量标识包括降水(73%)、温度(62%)、高程(60%)、斜率(58%)、归一化植被指数或其他植被指数(44%),和土地利用/覆盖(38%)、地形湿度指数(33%)、方面(23%)、多分辨率山谷底部平坦(19%)的团体“很有影响力”和“影响力”都考虑。这些协变量影响主要组成的C,R,O预测因子。关键年代协变量,包括土壤类型和质地,一般不认定为“非常有影响力”或“影响力”,但与其他类似weighted-rankings反是。这是因为年代反是较少选择SCORPAN模型建立(表2)。未来的大空间尺度应该整合工作年代不经常为了比较与其他SCORPAN预测他们的工具。

图4

图4协变量的频率确定为重要的量化基础上从农田土壤有机碳(一)大型空间范围研究(> 10000公里²),表层土壤的层(≤30厘米),(B)大型空间范围研究(> 10000公里²)底土层(> 30厘米),(C)小空间研究范围(< 10000公里²),表层土壤的层(≤30厘米),(D)小空间研究范围(< 10000公里²地下一层)(> 30厘米)。反是排名在前三分之一的每条记录被贴上“非常有影响力”,和排名的三分之一和三分之二的人贴上“影响力”。扩展频率显示区域和全国范围内研究计算协变量确定的频率除以次他们用来构建SCORPAN模型。

据研究进行了量化农业从地下土壤SOC层(> 30厘米)在地区或更广泛的规模(表S2)、温度(48%)、高程(41%)、斜率(41%),和降水(37%)最常见的标识为“很有影响力”(图4 b)。通过结合“很有影响力”和“影响力”组织在一起,我们确定了协变量具有良好的实用工具,包括边坡(78%)、降水(63%)、地形湿度指数(59%)、温度(59%)、高程(59%)、方面(37%)、谷深(37%),和植被指数(37%)。协变量的相对排名加权的频率被用于SCORPAN模型强调的重要性R共涉及谷深,mid-slope位置,多分辨率脊顶部平坦,和希尔阴凉处。尽管农业区域通常是位于平坦区域的影响R反是很可能减少,似乎难以捕捉的空间动力学地下SOC与协变量或措施(如从RS),专注于表面的异质性。米勒et al。(205年)指出,土壤SOC水平地下一层在很大程度上受到水文因素的影响而不是O因素,这是符合我们发现的一些关键C和R协变量,可以极大地影响水文过程被确认为“非常有影响力”,而植被指数和土地利用/覆盖更普遍认定为“影响力”,而不是“很有影响力”这一类。

从土壤表面量化农业SOC估计层(< 30厘米)字段或局部范围(表S2),海拔(65%)和植被指数(42%)更频繁的“最具影响力”比其他协变量(图4 c)。“最具影响力”和“影响力”组确定高程(77%)、地形湿度指数(50%)、植被指数(46%)、斜率(42%),和多分辨率山谷底部平坦(31%)具有良好的实用模型。结果不同于确定的区域和国家规模研究,只在那R和O协变量似乎是最重要的在这个空间的规模。典型的C协变量如温度和降水并不经常在这些研究确定为有影响力。气候条件的一阶控制有更多主要影响SOC在更广泛的空间尺度,而二阶控制,如microtopographic反是更擅长描述侵蚀和水流小的区域,因此更有影响力的SOC分布在当地的规模(206年,207年)。

在研究量化农业从地下土壤SOC估计层(> 30厘米)字段或局部范围(表S2),海拔(47%)和斜率(33%)最常见的标识为“最具影响力”(图4 d协变量),确定为“影响力”或“非常有影响力”通常包括斜率(80%)、高程(73%)、地形湿度指数(47%)、计划曲率(47%),和剖面曲率(40%)。应该注意的是,这一类的数据集太小所以我们的结果可能是偏向研究比其他人更多的记录。然而,观察我们回顾了在这里显示更强的效用R比其他协变量。这是符合我们的区域和全国范围内的结果O共显示较弱的效用在量化农业从地下比表层土壤SOC层相比R协变量。应该指出的是,比较之间的重要性O和R不可能不同地区和全国范围内研究涉及更多的异构和植被生态系统类型。

协变量重要性的识别是建立有效的关键SCORPAN模型大空间范围,因为使用的协变量冗余会导致额外的计算成本,引入不确定性的来源。然而,这是不现实的协变量生成一组通用的重要,因为不确定特征的影响研究(如网站特点,空间范围和分辨率,土壤深度、建模方法、数据来源和协变量之间的交互)。例如,R反是被说明为SOC估计相比,更具影响力年代或P因素在高海拔地区温度青睐有机碳稳定性的效率较低,而相反的被发现在低海拔地区(208年)。Viscarra Rossel et al。(209年)也报道的意义大空间范围和区域控制SOC映射的重要性考虑之间的交互C和年代,R,P协变量。这些发现呼吁区域或局部校准SCORPAN模型(例如,单独校准样品和协变量选择为每个预测点或一组预测),而据我们所知,没有注册的区域和国家尺度建模方案,但应合理的未来高性能计算平台的发展。此外,即使我们的工作指向使用C,R,O预测是普遍有效的协变量SCORPAN估算农业SOC的大空间范围,需要更多的努力来证实的作用年代或P因素对他们是否导致额外的预测能力,无法实现与协变量经常使用。它可能是这样年代或P因素可以有效地用于描述具有代表性的景观(210年),在该地区或全国范围内C,R,O预测可以应用到构建健壮SCORPAN SOC估计模型。

4总结和未来工作

我们荟萃分析研究研究农业SOC估计股票在区域和国家尺度。协变量虽然评估方法和选择的环境变化研究中,我们发现了一些缺点,差距和机会,可以为未来的改进提供指导。我们统计的总结当前国家和地区SCORPAN-type研究表明:(1)SCORPAN的性能模型与空间程度降低,增加grid-distance,没有明显的相关性,预测使用的数量;(2)而不是追求更好的分辨率网格和与许多预测模型,细化应该关注模型性能及其支撑结构,和质量的数据来源;(3)有一个普遍缺乏调查使用SCORPAN方法建模两个SOC在时间和空间由于难以获得temporally-resolved校准数据集的大空间范围;(4)需要更多的工作来评估SOC的建模使用协变量SCORPAN从更深的深度层;(5)此外,未来的工作应该严格执行独立的验证和检查相关的模型不确定性估计不仅个人数据源,而且所有的误差来源。

到目前为止,SCORPAN-type农业SOC估计主要依赖于地形(R)、气候(C)、生物(O协变量),可以很容易地从国家获得数据库和RS-derived产品。更少的研究被认为是土壤(年代)和母质(P协变量)在SCORPAN模型无论对土壤的影响过程。的频率SCORPAN协变量的使用通常与我们的定量分析协变量重要性的发现,降水、温度、海拔、坡度、植被指数、土地利用/覆盖和地形湿度是最一致的预测对于大空间范围SOC估计。特别是,R因素包括高程和坡度是最具影响力的协变量对SCORPAN-type SOC估计无论土壤深度和空间范围。的O因素,如植被指数和土地利用/覆盖,影响了表面SOC估计更少有效的建模SOC在地下深处。然而,不同的数据质量和可用性和建模方法可能占一些排名的变化。国际米兰和内部区域soil-landscape变化加上土地使用和管理类型的影响也可能导致协变量排名差异值得探索,它要求更明确的调查年代和P因素在模型建立地理的完整性和实用性。

SOC在时间和空间的动态特性(包括水平和垂直)是一个重要的挑战对推动SOC估计的效用和相关性。然而,时间(一个)和空间(N在当前研究中)则反是只有稀疏表示。时空建模框架的实现与时空上更多的使用解决了SOC数据库以及改善环境协变量数据集需要提高SOC估计。此外,管理数据集来自遥感和大规模的调查可以提供宝贵的机会提高SOC估计的动态。地区和全国SCORPAN研究预测能力都相对匮乏更深的土壤深处。努力改善整个土壤剖面的SOC估计需要测量不同土壤深度SCORPAN模型校准和优化连续深度函数加上协变量与深度有关的环境。下一步,数字土壤制图:(1)利用不断变化的数据集在本地选择校准数据集评估能够更好地反映SOC动态空间;(2)评估SCORPAN的效用模型估算SOC协调调查数据集在时间的变化在大空间范围;(3)执行模型之间的性能比较SCORPAN模型(如不同的机器学习模型,不同分辨率的输入)和SCORPAN之间基于流程模型;(4)选择和比较SCORPAN模型性能与协变量的选择;和协变量(5)探索需要更好地解释SOC动态在更深的土壤深处。

作者的贡献

y:概念、方法、软件验证,正式的分析、调查、资源、数据管理、写初稿,可视化。公里:概念、方法验证、资源writing-review和编辑、监督。兆瓦:验证、资源writing-review和编辑,监督资金收购。所有作者的文章和批准提交的版本。

资金

这项研究是由研究所农业部NIFA孵化项目。illu格兰特数字:illu - 600 - 122 - 875 - 000, illu - 875 - 986。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/fsoil.2022.890437/full补充材料

引用

1。德拉·J,范-库腾GC, Moeltner K,约翰逊DW。创建通过免耕种植农业碳补偿:一个荟萃分析的成本和碳效益。这一改变(2005)68 (2):41 - 65。doi: 10.1007 / s10584 - 005 - 6010 - 4