天山典型天然林土壤有機碳分布特征及其影響因素

doi：10.13304/j.nykjdb.2024.0031

中圖分類號：S718.55 文獻標志碼：A 文章編號：1008-0864（2025）08-0227-12

Distribution Characteristics and Influencing Factors of Soil Organic Carbon in Typical Natural Forests in Tianshan Mountains

XIAOShuting'，YAN An2*

（1.XinjiangKeyLaboatoryofGrasslandRestorationandEnvironmentalInformation，CollgeofResourcesandEnvioment， XinjiangAgriculturalUniversity，Urumqi83o52，Chia；2.XijangKeyLaboratoryofGrassandResourcesandEcologyoge ofPrataculture，Xinjiang Agricultural University，Urumqi 83oo52，China）

Abstract：Inorder torevealthedistributionrulesand influencing factorsof forest soilorganiccarboncontent in Tianshan mountains，the soil organiccarboncontentand spatial distribution characteristics of diffrent depths in the studyarea were estimated bycombining the forestsoil measured dataand the technical toolsof geographic informationsystem.Theresultsshowed that，according to different models，theaveragevaluesoforganic carbon contentin0 to10，10 to 20，20to 30，30 to 40，40 to 50 ，50 to ⁷⁰ ，70 to 100 cm soil layers were 144.054， 147.087，122.343，122.302，72.941，61.260 and 49.527g?kg^-1 ，respectively.In the depth of 0 to 40 cm，the areas with high soil organiccarbon content were mainlylocated in the middleof the studyarea，whileonly thecentral area maintainedahighdistributionin4Oto1OOcmsoillayer.Thesoilorganiccarboncontentofnatural forestsinthe studyareashowed significant spatial diferences，inwhichthesoilorganiccarboncontent decreased withtheincrease of soildepth and increased withtheincreaseof standdevelopment stage，which was manifested inmature forests gt; overmature forests gt; near-mature forests gt; middle-aged forests gt; young forests. Soil physicochemical properties playedadecisiveroleintheaccumulationanddistributionofsoilorganiccarbon.There wasasignificantcorrelation between soil physical and chemical properties and soil organic carbon content，and therewas a significant correlation between soil organic carbon and soil pH ，total phosphorus and bulk density，among which pH and bulk density were significantlynegativelycorrelated，while totalphosphoruswassignificantlypositivelycorelated.Aboveresults providedascientific basis for assssing the potential of soil carbonsequestration in typical forest areas of the Tianshan mountains.

Keywords：Tianshan spruce；forest soil organic carbon；remote sensing estimation；spatial distribution； soil physicochemical properties

2021年國務院印發《2030年前碳達峰行動方案》，計劃在2030年前達到碳排放峰值，同時在2060年之前實現碳中和，最終在2060年實現全面碳中和1。在這一“雙碳\"政策中，陸地碳匯扮演著關鍵角色，特別是森林作為陸地生態系統的主要組成部分，是最大的碳儲存和吸收源。此外，土壤有機碳（soilorganiccarbon，SOC）也是土壤碳儲存的關鍵組成部分，反映了土壤的肥力狀況。因此，在評估森林土壤質量和土壤碳儲量時，對SOC的考量具有重要作用[2-5]。目前，國內外研究者已經從全球、不同國家、不同行政區域以及不同生態系統和不同土壤類型等方面進行了關于SOC含量的研究。對于國內森林SOC儲量和碳密度的估算主要依賴于土壤普查數據和文獻調查結果，由于缺乏完整、詳細、確鑿的野外實測數據，前期的估算結果存在一定的不可靠性，而要提高SOC含量估算模型精度也需要大量的野外實測數據，對于大面積研究區無疑耗時耗力，并且未充分考慮土壤屬性在空間分布上的連續性和變異特性。另外，當前的研究更側重森林植被，較少關注森林土壤[8-10]。

基于此，本研究探討天山云杉林的SOC含量及引起其變化的因素。研究采用了野外調查和實驗室分析方法，并利用地理信息系統（geographicinformationsystem，GIS）技術進行數據分析，以期為新疆山地森林碳儲量研究提供基礎，同時為制定科學合理的森林管理計劃、水土保持方案和森林碳儲量調查以及監測策略提供參考依據。

1材料與方法

1.1 研究區概況

本研究前期數據在新疆農業大學實習林場獲取（圖1）。該林場位于新疆北天山支脈喀拉烏成北麓的中部山區，烏魯木齊縣西南 （43^°16^′-43^°26^′N， 87^°46^′-87^°00^′E） 。南北長 38km ，東西寬 17km 略呈長三角形。該林場地勢呈南高北低的特點，坡度在 10^° 至 40^° 之間，海拔 1700～2800m 。森林多在研究區北、東北和西北坡分布，以草類和蘚類以及雪嶺云杉（Piceaschrenkiana）純林為主。林區土壤為普通灰褐色森林土，林下代表性植物種類豐富，包括高山羊角芹（Agegopodiumalpestre）珠芽蓼（Polygonumviviparum）葶藶（Drabanemorosa）林地早熟禾（Poanemoralis）、白花三葉草（Trifoliumrepens）天山羽衣草（Alchemilatianschanica）等。

圖1研究區遙感影像

Fig.1 Remote sensing map of the research area

1.2數據來源及處理

1.2.1樣地布設本研究采用隨機抽樣法，在研究區內布設 30m×30m 的樣地，共設置樣地25個，其分布如圖1所示。每個樣地均通過全球定位系統（global positioning system，GPS）定位，同時記錄海拔、坡向（aspect）、坡度（slope）、坡位等地形因子。野外調查時獲取郁閉度、林齡等林分相關因素。在每個樣地分別采集0—10、10—20、20—30、30—40、40—50、50—70、70—100cm土層的王壤樣品，將采集的土壤樣品進行室內自然風干、過篩，用以測定土壤理化指標；同時，將采集的環刀土樣在 105^°C 下烘干，以測定土壤含水量和容重。土壤有機碳（SOC）含量測定采用重鉻酸鉀容量法[;全氮（totalnitrogen，TN）含量測定采用奈氏分光光度法2];全磷（totalphosphorus，TP）含量測定采用鉬銻抗分光光度法3；全鉀（totalpotassium，TK）含量測定采用火焰光度計法[4；土壤pH采用酸度計測定法5；土壤電導率（electricalconductance，EC）采用電導率儀測定[;土壤含水量采用標準烘干法測定；土壤容重采用環刀法測定[18]。

1.2.2數據來源該研究所用數據包括2015年新疆農業大學實習林場森林資源二類調查、遙感影像資料。遙感影像數據選用美國陸地衛星計劃的第8顆衛星，即Landsat-8OLI。該衛星搭載了增強型主題成像儀（enhanced thematic mapper，ETM+ ）和陸地成像儀（operationallandimager，OLI）傳感器，具有時間分辨率為16d和空間分辨率為 30m 的特點。下載的陸地數據產品為一級產品（collection1level-1），這些數據需要進行輻射定標、大氣校正等預處理，均在ENVI軟件中完成。選取2022年7月覆蓋研究區全境的、云量覆蓋 lt;10% 的遙感影像。

1.3 研究方法

1.3.1統計分析采用SPSS25.0軟件對SOC和土壤各理化性質進行系統分析;采用 0rigin2021 軟件對SOC與理化性質進行person相關性和灰色關聯度分析；利用 ArcGISv10.7 軟件提取建模因子，利用Python軟件結合各因子進行建模。

1.3.2變量選取選取代表土壤形成的12個變量，均來自 30M 數字高程模型（digitalelevationmodel，DEM）和 30M 分辨率的Landsat8衛星圖像。本研究使用的數字圖像均來自美國地質調查局（United States Geological Survey，USGS，https：//www.usgs.gov/）。利用ArcGISv10.7軟件從DEM數據中得出了7個地形變量，即坡度、坡向、坡向變率（slopeofaspect，SOA）、地形位置指數（topographicposition index，TPI）、地形濕度指數（topographicwetnessindex，TWI）、地形起伏（topographicundulation，QFD）、地面粗糙度（groundroughness，DEM_CCD）。利用ENVIv5.3的波段計算提取歸一化植被指數（normalizeddifferencevegetationindex，NDVI）、增強型植被指數（enhancedvegetation index，EVI）、差值植被指數（differencevegetation index，DVI）、比植被指數（ratiovegetationindex，RVI）、重歸一化植被指數（re-normalized difference vegetation index，RDVI）。這些植被指數是檢測植被生長狀況和植被覆蓋程度的有效指標，還能消除輻射誤差。計算公式如下。

式中：NIR為近紅外波段的反射率；RED為紅波段的反射率；BLUE為藍波段的反射率。

1.3.3SOC模型構建基于遙感影像的天然林SOC反演模型是通過影像中提取的因子與樣地實測SOC之間建立關系，具有確定數學關系的線性模型[19-21]。本研究運行用嶺回歸模型[22、最小二乘法模型[23]、隨機森林模型[24]、CatBoost模型[25]、BP-神經網絡模型[2等構建地上生物量模型，將樣本分為2部分，其中 80% 用于模型構建， 20% 用于模型檢驗。

1.3.4模型精度驗證為了更好地評估模型的性能和準確性，本研究采用決定系數（determinationcoefficient， R² ）、均方根誤差（root mean squareerror，RMSE）和平均絕對誤差（meanabsoluteerror，MAE）3種評價指標來比較不同模型的預測精度差異，計算公式如下。為了更好地展示實測值與預測值之間的誤差，制作出二者的1：1線圖。

式中： Y_i 為土壤有機碳樣本實測值; 為模型預測值； y_i 為樣本實測土壤有機碳平均值； n 為樣本數；RMSE、MAE值越小，模型擬合精度越好； R² 越接近1，模型擬合程度越好。

2 結果與分析

2.1地面實測有機碳數據統計分析

由表1可知，該實習林場區域內SOC和全氮含量非常豐富。當變異系數（variationcoefficient，CV） ?0.1 時，為弱變異性。

表1不同深度土層土壤的理化性質

Table1Physicochemical property in soil layers at different depths

2.2 相關性分析

為減少光譜數據冗余，挑選特征波段或敏感因子進行建模非常必要。利用影像中提取出的各種植被指數和地形因子等指數與實測SOC含量進行相關性分析，由圖2可知， 0-10cm 土層中與SOC相關性較高的因子是EVI、NDVI、RDVI、RVI，這些因子主要反映植被的生長狀況和健康程度，表明在該層土壤中，植被覆蓋和生長狀況對SOC含量有顯著影響。 10-20cm 土層中與SOC相關性較高的因子是EVI、TPI、Slope、DEM_CCD，在該土層中地形特征開始對SOC含量產生影響。 20-30cm 土層中，與SOC相關性較高的因子是NDVI、RDVI、RVI、DVI、DEM_CCD，表明植被多樣性和地形復雜性在該土層中對SOC含量有重要影響。 30-40cm 王層中，與SOC相關性較高的因子是NDVI、RDVI、Slope、DEM_CCD，地形因子對SOC含量的影響變得更加顯著，表明深層SOC含量受地形特征的影響逐漸增強。 40-50cm 土層中，與SOC相關性較高的因子是RDVI、Slope、DEM_CCD，表明深層SOC含量更多地受地形和土壤物理特性的影響。50—70cm 土層中，與SOC相關性較高的因子是NDVI、RDVI、RVI、SOA;70—10Ocm土層中，與SOC相關性較高的因子是NDVI、RDVI、RVI、DVI、TPI。以上表明，在表層土壤中植被覆蓋和生長因素更能影響SOC含量，在深層土壤中地形特征更能影響SOC含量。

圖2不同土層中有機碳含量與各變量的Person相關分析

Fig.2Person correlationanalysis of organic carbon content with each variableindifferent soil layers

注：*表示在 水平相關性顯著。 Note：*indicates significantly correlation at Plt;0.05 level.

2.3土壤有機碳模型建立與精度評估

2.3.1嶺回歸模型利用嶺回歸模型[22模擬的森林SOC模型基本結果見表2，該模型在不同土層深度范圍內表現良好， R² 都高于0.5，但隨著土層深度的增加而逐漸下降，在 10-20cm 處的 R² 最高，為0.794。

表2嶺回歸模型結果

2.3.2 最小二乘法模型 利用最小二乘法[23模擬的森林SOC模型評價結果見表3，該模型在不同土層深度范圍內表現良好， R² 均高于0.5，隨著土層深度的增加大體呈下降趨勢，在10一20和20—30cm 土層處的 R² 都在0.7以上。

表3最小二乘模型結果 Table3Result of least squares model

Table 2Result of ridge regression model

2.3.3隨機森林模型隨機森林模型[24在不同土層深度范圍內的評價結果見表4，隨機森林模型在0-50cm 范圍表現較好， R² 均大于0.5，在50—100cm 范圍表現不佳。該差異源于數據特征、模型參數的選擇或模型本身的特性。

2.3.4CatBoost模型CatBoost模型[25能夠自處理缺失值，對現實世界中不完整或包含缺失值的數據集更具適應性，對于高維度數據具有較好的魯棒性，它通過采用基于梯度提升的算法，結合了隨機森林的集成思想，從而獲得了較強的泛化能力。由表5可知，該模型在 0-40cm 范圍內表現良好， R² 均大于0.5，在 40-100cm 范圍內擬合效果較差。

表4隨機森林模型結果 Table4Resultof random forest model

表5CatBoost模型結果

Table5Result ofCatBoostmodel

2.3.5BP神經網絡模型BP-神經網絡的性能受到許多因素的影響，包括網絡結構、學習率、迭代次數等2，該模型在不同土層深度的評價結果見表6，在 10-20cm 范圍內擬合效果最好， R² 為0.610。對于神經網絡模型，還需要注意過擬合的問題，可能需要采用正則化等方法來控制模型的復雜性。

2.4 SOC估算模型對比分析

針對不同土層建立最優模型進行SOC含量擬合，由圖3可知，最小二乘法模型整體表現良好，在10—20、40—50和 70-100cm 使用了不同模型，分別是嶺回歸、隨機森林和BP-神經網絡。在 0-10cm 王層，相比于其他模型表現最好的是最小二乘法模型，其 R² 為0.731，RMSE為6.34，MAE為33.27；在 10-20cm 土層，相比于其他模型表現最好的是嶺回歸模型，其 R² 為0.794，RMSE為6.09，MAE為38.88；在 20-30cm 土層，相比于其他模型表現最好的是最小二乘法模型，其 R² 為0.726，RMSE為8.04，MAE為26.76。在30— 40cm 土層，相比其他模型表現最好的依舊是最小二乘法模型，其 R² 為0.698，RMSE為6.21，MAE為27.96 。在 40-50cm 土層，相比于其他模型表現最好的是隨機森林模型，其 R² 為0.641，RMSE為26.09，MAE為18.27。在 50-70cm 土層，相比于其他模型表現最好的是最小二乘法模型，其 R² 為0.514，RMSE為5.28，MAE為 10.51 。在70— 100cm 土層，相比于其他模型表現最好的是BP-神經網絡模型，其 R² 為0.553，RMSE為13.48，MAE為11.08。總體而言，嶺回歸和最小二乘法模型在淺層土壤中表現較好，而BP神經網絡在某些特定深度范圍內具有更好的預測能力，隨機森林則更適合處理復雜和高維度的數據。

表6BP-神經網路模型結果 Table6Result of BP-neural network model

2.5 研究區森林SOC分布特征

研究區7個土層的S0C均值分別為144.054、147.087、122.343、122.302、72.941、61.260、49.527g kg，森林SOC含量隨著土層深度的增加而降低。如圖4所示，在0—10、10—20、20—30、30—40cm土層，SOC含量整體較高，其高值主要分布在研究區中部地區，而在研究區北部、東部地區隨著深度的增加，S0C含量逐漸下降；在40—50、50—70、70-100cm 土層，SOC含量在研究區內整體下降，同時與 0-40cm 土層SOC表現相同，在研究區中部地區有高值分布。根據新疆農業大學實習林場森林資源二類調查資料分析，研究區中部地區多為成熟林、過熟林和近熟林，研究區邊緣地區主要多為幼林齡和中林齡。總體而言，在垂直剖面上SOC含量隨著深度的增加呈下降趨勢，而在不同發育階段上，SOC含量隨著林分生長階段的增長呈逐漸增長趨勢，表現為成熟林gt;過熟林gt;近熟林gt;中齡林 gt; 幼齡林。

2.6土壤理化性質對森林SOC的影響因素分析

由表7可知，SOC與pH、TP、容重具有較高的相關性，其中，SOC與pH、容重呈極顯著負相關，與TP呈極顯著正相關。SOC與TN在 10-20cm 土層、與TK在 0-10cm 土層、與含水量在50—70cm 王層中呈現較高的相關性，達到顯著或極顯著水平，與其余均未達到顯著水平。

選取SOC含量做為對照數列，pH、EC、TN、TP、TK、容重、含水量為比對數列，計算SOC含量與不同土層土壤理化性質的關聯度，如表8所示。pH、TP與SOC的關聯系數均超過0.800，呈現顯著的高關聯；其余關聯系數均介于0.600～0.850，屬于較高關聯。其中，TP與SOC關聯最密切，EC、含水量與SOC關聯最不密切。總體上看，SOC含量與不同土壤理化性質的關聯度都處于高關聯以上。

3討論

3.1基于遙感反演的森林SOC含量可靠性分析

本研究利用5種算法對研究區天然林SOC含量進行了模擬，結果顯示，這些模型的表現優于大多數已經發表的較大空間尺度的SOC含量模型[29-31]。在這些模型中，最小二乘法、嶺回歸和隨機森林在各個土層中表現相對穩定，尤其是最小二乘法的結果最優越，適用于構建研究區天然林SOC含量模型以及揭示主要影響因子。

在選擇模型時需要綜合考慮模型的計算能力和表現的穩定性，以選擇最符合研究目標的技術算法。除了本研究使用的模型外，還存在其他可能適用的模型技術，需要進行更深入的研究。與已有研究相比，本研究的模型同樣面臨不確定性問題，包括數據缺乏、數據分布以及模型自身因素導致的不確定性[32]。各模型的敏感性和模型解釋量還有待提高，反映了土壤受到地表環境和氣候快速變化的顯著影響[33]。此外，其他影響SOC含量的重要因素仍需深人研究。土壤調查數據的不足也是模擬結果欠佳和不確定性的主要原因，通過增加土壤調查樣地數據，可以從基礎數據層面提升可用數據量，提高模型解釋能力。

圖3不同土層土壤有機碳含量的實測值與預測值對比散點圖

Fig.3Scatter plots comparing the measured and predicted values of SOC content in different soil layers

圖4不同土層土壤有機碳空間分布

Fig.4Spatial distributionof SOC indifferentsoillayers

表7不同土層有機碳與土壤理化性質相關分析

Table7Correlation analysis between SOC and soil physicochemical properties at different soil layers

注：*、**和***分別表示在 Plt;0.05 （204號 、Plt;0.01 和 Plt;0.001 水平相關性顯著。 Note：*，** and *** indicate significant correlations at Plt;0.05，Plt;0.01 and Plt;0.001 levels，respectively.

表8不同土層土壤理化性質與土壤有機碳的關聯度

Table 8Correlation coefficients between soil physicochemical properties and SOC at different soil layers

3.2土壤理化性質對森林SOC含量的影響分析

不同土層的SOC含量與土壤理化性質密切相關。森林SOC含量隨著土層深度的增加而降低，隨著林分生長階段的增長呈逐漸增長趨勢，具體表現為成熟林gt;過熟林 gt; 近熟林 gt; 中齡林 gt; 幼齡林，與已有的研究結果相似。值得注意的是，土壤pH與SOC儲量呈負相關。土壤pH通過影響植物養分吸收和生物量生產，以及通過影響微生物種群分解有機質來影響SOC含量[34。當SOC分解時，它會釋放有機酸，進而影響土壤 pH^[35-36] 號本研究中，SOC與土壤TN呈極顯著正相關，這與其他地區的研究結果一致[37-38]。由于碳和氮之間存在耦合關系，高土壤氮含量會降低土壤微生物的活性，從而影響SOC含量3]。SOC與土壤TP也呈極顯著正相關，而土壤中的磷通過增加有機質輸入和土壤微生物的活性影響SOC的含量[40]。綜上，SOC受到土壤理化性質等因素的影響，土壤理化性質的改善有利于改善土壤性狀，提高土壤肥力，從而增加土壤中碳的輸入，促進SOC的積累[41]。

參考文獻

[1]國務院關于印發2030年前碳達峰行動方案的通知：國發 [2021]23號[EB/OL].（2021-10-24）[2023-12-12].https：// www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm.

[2]張凱迪，蘇建蘭.中國防護林碳儲量動態及潛力分析[J].山 東林業科技，2023，53（4）：19-24，6. ZHANG K D，SU JL. Carbon storage dynamics and potential analysis ofshelterbelt in China [J].J.Shandong For.Sci. Technol.，2023，53（4）： 19-24，6.

[3]LIYY，ZHANGZ G，ZHAOZY，et al.. Zoning prediction and mapping of three-dimensional forest soil organic carbon：a casestudy of subtropical forests in southern China [J/OL]. Forests，2023，14（6）：1197[2023-12-12]. https：//doi.org/10. 3390/f14061197.

[4]木衣那恰·吐斯甫漢，武紅旗，侯艷娜，等.新疆北疆不同 土壤類型有機碳含量變化特征及其影響因素分析[J].新疆 農業科學，2022，59（6）：1513-1521. MuyinaqiaTusifuhan，WUHQ，HOUYN，etal..Changesin organic carbon content of different soil types in northern Xinjiangand analysis of theircharacteristics and influencing factors[J].XinjiangAgric.Sci.，2022，59（6）：1513-1521.

[5]張中瑞，趙志明，鄧智文，等.梅州市林地土壤有機碳儲量 及空間分布特征[J].林業與環境科學，2022，38（2）：153-158. ZHANG Z R， ZHAO Z M， DENG Z W，et al. Soil organic carbon stocks and spatial distribution characteristics of forest land inMeizhou city [J].For.Environ. Sci.，2022，38（2）： 153-158.

[6]官惠玲，樊江文，李愈哲，等.海南島天然草地有機碳分布格 局及碳儲量估算[J].生態環境學報，2019，28（6）：1092-1099. GUANHL，FAN JW，LIY Z，etal..Estimation of carbon distribution andstorage of natural grassland in Hainan island[J]. Ecol. Environ.Sci.，2019，28（6）： 1092-1099.

[7] 任繼周，林慧龍.草地土壤有機碳儲量模擬技術研究[J].草 業學報，2013，22（6）：280-294. REN J Z，LIN H L. Study on the simulation methods of grassland soil organic carbon：a review [J]. Acta Pratac. Sin.， 2013，22（6）： 280-294.

[8] ANGELOPOULOU T， TZIOLAS N， BALAFOUTIS A， et al.. Remote sensing techniques for soil organic carbon estimation： a review [J/OL]. Remote Sens.，2019，11（6）：676 [2023-12-12]. https：//doi.org/10.3390/rs11060676.

[9]夏曉瑩，李思瑤，王杰，等.地形因子對天山北坡天山云 杉林土壤有機碳的影響[J].新疆農業科學，2023，60（4）： 965-973. XIAXY，LISGJ，etaltsofogac on soil organic carbon in Picea schrenkiana forest on the northern slope of Tianshan mountain [J]. Xinjiang Agric.Sci.， 2023， 60（4）： 965-973.

[10］黃從德，張健，楊萬勤，等.四川森林土壤有機碳儲量的空 間分布特征[J].生態學報，2009，29（3）：1217-1225. HUANGCD，ZHANG J，YANG WQ，et al.Spatial distribution characteristicsof forest soil organic carbon stock in Sichuan province[J].Acta Ecol. Sin.，2009，29（3）： 1217-1225.

[11]李振，夏彬涵，韓敏，等.重鉻酸鉀容量法測定地質樣品中 的有機碳[J].中國無機分析化學，2024，14（3）：330-336. LI Z，XIABH，HANM， et al.Determination oforganic carbon ingeological samples by potassium dichromate volumetric method[J].Chin.J.Inorganic Analyt. Chem.，2024，14（3）：330-336.

[12]AHMAD M， MASOUND N， SAEED Y. Comparison of sampling and spectrophotometric determination of ammonia using nesserization with standard ion chromatography in air monitoring of workplaces [J]. Int. J. Environ. Anal. Chem.， 2023，103（8）： 1724-1732.

[13］郭晨輝，李和祥，方芳，等.鉬銻抗分光光度法對黃河表層 沉積物中磷的形態分布及其吸附-解吸特征研究[J].光譜學 與光譜分析，2018，38（1）：218-223. GUO CH，LI HX，FANG F，et al..Study on distribution of phosphorus fractions and adsorption-desorption characteristics in surface sediments of the Yellow Riverby molybdenum antimony spectrophotometry [J]. Spectroscopy Spectral Analy.， 2018，38（1）： 218-223.

[14］盧麗娟，李金玉，陳嵐，等.連續流動分析儀-火焰光度計聯 用快速測定土壤、植物中的鈉含量[J].中國土壤與肥料， 2022（10）： 247-252. LUL J，LI JY，CHEN L， et al..Rapid determination of sodium content in soil and plant by continuous flow analyzer-flame photometer[J].Soil Fert.Sci.China，2022（10）： 247-252.

[15］郭敏亮，高煜珠，王忠.用酸度計測定植物碳酸酐酶活性[J]. 植物生理學通訊，1988（6）： 59-61. GUO M L， GAO Y Z， WANG Z. Determination of plant carbonicanhydraseactivitywith pH-meter[J].PlantPhysiol.J.， 1988（6）： 59-61.

[16］余瑞寶，顧強龍，王巧梅.電導率儀測量用校準溶液制備方 法：JB/T8277—1999[S].北京：中國標準出版社，1999.

[17］成林，楊光仙，陳海波，等.烘干稱重法測定土壤水分取樣 誤差分析[J].氣象與環境科學，2009，32（2）：33-36. CHENG L，YANG G X，CHEN HB，et al..Analysis of sampling error for soil water measured by drying and weighing method[J]. Meteorol.Environ.Sci.，2009，32（2）： 33-36.

[18］張強，謝君毅，牛蕓，等.不同施肥處理對杉木林土壤水源 涵養功能的影響[J].中南林業科技大學學報，2021，41（2）： 112-122. ZHANGQ，XIE JY，NIU Y，et al. Effects of different fertilization treatments on soil's water conservation function of Chinese fir plantation [J].J. Cent. South Univ.For.Technol.， 2021，41（2）： 112-122.

[19]WANG M J， ZHANG WF，JI Y J，et al..Aboveground biomass retrieval in tropical and boreal forests using L-band airborne polarimetric observations [J/OL].Forests，2023，14（5）： 887 [2023-12-12]. htps：//oi.org/10.3390/f14050887.

[20］周蓉，趙天忠，吳發云.基于Landsat8遙感影像的地上生物 量模型反演研究[J].西北林學院學報，2022，37（2）：186-192. ZHOU R， ZHAO T Z， WU F Y. Aboveground biomass model based onlandsat8 remote sensing images[J].J.Northwest For. Univ.，2022，37（2）： 186-192.

[21]許振宇，李盈昌，李明陽，等.基于Sentinel-1A和Landsat 8 數據的區域森林生物量反演[J].中南林業科技大學學報， 2020，40（11）： 147-155. XUZY，LIYC，LIMY，etal..Forestbiomassretrieval based on Sentinel-1A and Landsat 8 image [J].J. Cent.South Univ. For. Technol.，2020，40（11）：147-155.

[22］王啟元，趙艷玲，房鑠東，等.基于多光譜遙感的裸土土壤 含水量反演研究[J].礦業科學學報，2020，5（6）：608-615. WANGQY， ZHAO Y L，FANG SD， et al. Inversion of soil moisture in bare soil based on multi-spectral remote sensing [J]. J. Min.Sci. Technol.，2020，5（6）： 608-615.

[23] SALANI M G，LISSONI M， BIANCHINI G， et al. Soil organic carbon estimation in Ferrara （Northern Italy） combining in situ geochemical analyses and hyperspectral remote sensing [J/OL]. Environments，2023，10（10）：173 [2023-12-12]. https：//doi.org/ 10.3390/environments10100173.

[24]CHENG X K，ZHOU T，LIU SH， et al.. Effects of climate on variation of soil organic carbon andalkali-hydrolyzed nitrogen insubtropical forests：a case study of Zhejiang province， China [J/OL].Forests，2023，14 （5）：914 [2023-12-12]. https：// doi.org/10.3390/f14050914.

[25]CAO L J， HE X B， CHEN S， et al.Asssing forest quality through forest growth potential，an index based on improved CatBoostmachine learning[J/OL].Sustainability，2O23，15（11）： 8888 [2023-12-12]. htps：/doi.org/10.3390/su15118888.

[26]ZHU WD， QIAN CY，HE NY，et al..Research on chlorophylla concentration retrieval based on BP neural network model— casestudyof Dianshan lake，China[J].Sustainability，2022， 14 （14）： 8894-8894.

[27]劉靖朝，熊黑鋼，何旦旦，等.基于不同人為干擾的土壤全 量氮磷鉀空間變異性研究[J].干旱地區農業研究，2019， 37（1）： 116-122，159. LIUJC，XIONG HG，HEDD，et al.. Spatial variability of total nitrogen，phosphorus，and potassiumin soil under different human disturbances [J].Agric.Res.Arid Areas，2019，37（1）： 116-122， 159.

[28］喬娟峰.新疆阜康荒地土壤有機質空間變異性及其光譜估 算研究[D].烏魯木齊：新疆大學，2018.2018. QIAOJF.Spatial variability and spectral inversion of soil organic matter in Fukang wasteland，Xinjiang [D].Urumqi： Xinjiang University，2018.

[29]WEI SG，DAIYJ，LIUBY，etal..AChina data set of soil properties for land surface modeling [J].J.Adv.Model.Earth Syst.，2013，5（2）：212-224.

[30]HENGL T， MENDES DE JESUS J， HEUVELINK G B， et al. SoilGrids25Om：global gridded soil information based on machine learning [J/OL].PLoS One，2017，12（2）：e0169748 [2023-12-12].https：//doi.org/10.1371/journal.pone.0169748.

[31]LIUF，WUHY， ZHAOYG，et al..Mapping high resolution national soil information grids of China [J].Sci.Bull.，2022， 67（3）： 328-340.

[32]WANG TL，WANG G Y， INNES L J， et al. ClimateAP： an application for dynamic local downscaling of historical and future climate data in Asia Pacific [J].Front.Agric.Sci.Eng.， 2017，4（4）： 448-458.

[33］沈琛琛，肖文發，朱建華，等.基于機器學習算法的華中天 然林土壤有機碳特征與關鍵影響因子[J].林業科學，2024， 60（3）： 65-77. SHENGCC，XIAOWF，ZHUJH，et al..Characterization of soil organic carbon and key influencing factors of natural forests in central China based on machine learning algorithms [J]. Sci. Silvae Sin.，2024，60（3）： 65-77.

[34]LIU ZP，SHAO MG，WANGYQ.Estimating soil organic carbon across a large-scale region：a state-space modeling approach [J]. Soil Sci.，2012，177（10）： 607-618.

[35]EVRENDILEKF，CELIKI， KILIC S. Changes in soil organic carbon and other physical soil properties along adjacent Mediterranean forest，grassland，and cropland ecosystems in Turkey [J].J.Arid Environ.，2004，59（4）：743-752.

[36]ZHANGQY，YAO YF， JIAXX，et al..Estimation of soil organic carbon under different vegetation types on ahillslope of China’s northern Loess Plateau using state-space approach [J]. CanadianJ.Soil Sci.，2017，97（4）：667-677.

[37］張玲，張東來，毛子軍.中國溫帶闊葉紅松林不同演替系列土 壤有機碳礦化特征[J].生態學報，2017，37（19）：6370-6378. ZHANG L，ZHANGD L，MAO ZJ.Characteristic mineralization of soil organic carbon in different successional seriesof broadleaved Korean pine forests in the temperate zone inChina[J].ActaEcol. Sin.，2017，37（19）：6370-6378.

[38]ZHANG X，LI X，JIX D，et al.. Elevation and total nitrogen are the critical factors that control the spatial distribution of soil organic carbon content in the shrubland on the Bashang Plateau，China [J/OL].Catena，2021，204：105415[2023-12- 12].https：//doi.org/10.1016/j.catena.2021.105415.

[39]LUXK，MAO QG，WANG ZH，et al..Long-term nitrogen addition decreases soil carbon mineralization in an N-rich primary tropical forest[J].Forests，2021，12（6）： 734-734.

[40]方華軍，耿靜，程淑蘭，等.氮磷富集對森林土壤碳截存的 影響研究進展[J].土壤學報，2019，56（1）：1-11. FANG H J，GENG J，CHENG SL，et al. Effects of nitrogen and phosphorus enrichment on carbon sequestration in forest soils： areview[J].Acta Pedol. Sin.，2019，56（1）：1-11.

[41］郭亮娜，李江榮，張波，等.森林土壤有機碳的影響因子及 其研究進展[J].湖南生態科學學報，2023，10（3）：85-91. GUOL N，LIJR， ZHANG B，et al.. Influencing factors of forest soil organic carbon and its research progess [J].J.Hunan Ecol. Sci.，2023，10（3）： 85-91.