EN中文

地理学报 >

2022 , Vol. 77 >Issue 3: 589 - 602

DOI: https://doi.org/10.11821/dlxb202203007

气候变化与地表过程

1951—2010年中国土壤温度时空变化特征及其影响因素

  • 张天鹏 , 1 ,
  • 保万魁 1 ,
  • 雷秋良 , 1 ,
  • 刘笑彤 2, 3 ,
  • 杜新忠 1 ,
  • 周脚根 4 ,
  • 罗加法 5 ,
  • 刘宏斌 1
展开
  • 1.中国农业科学院农业资源与农业区划研究所 农业农村部面源污染控制重点实验室,北京 100081
  • 2.中国科学院沈阳应用生态研究所,沈阳 110016
  • 3.中国科学院大学,北京 100049
  • 4.淮阴师范学院城市与环境学院,淮安 223399
  • 5.新西兰皇家农业科学院,新西兰汉密尔顿 3240
雷秋良(1975-), 男, 河南驻马店人, 研究员, 主要从事农业面源污染模型模拟与数字土壤制图研究。E-mail:

张天鹏(1996-), 男, 吉林松原人, 硕士生, 主要从事农业面源污染研究。E-mail:

收稿日期: 2021-03-10

  要求修回日期: 2021-12-31

  网络出版日期: 2022-05-23

基金资助

国家自然科学基金项目(U20A20114)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Characteristics of spatio-temporal changes in soil temperature in China from 1951 to 2010 and its influencing factors

  • ZHANG Tianpeng , 1 ,
  • BAO Wankui 1 ,
  • LEI Qiuliang , 1 ,
  • LIU Xiaotong 2, 3 ,
  • DU Xinzhong 1 ,
  • ZHOU Jiaogen 4 ,
  • LUO Jiafa 5 ,
  • LIU Hongbin 1
Expand
  • 1. Key Laboratory of Non-point Source Pollution Control, Ministry of Agriculture and Rural Affairs, Institute of Agricultural Resources and Regional Planning, CAAS, Beijing 100081, China
  • 2. Institute of Applied Ecology, CAS, Shenyang 110016, China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China
  • 4. School of Urban and Environmental Sciences, Huaiyin Normal University, Huai'an 223300, Jiangsu, China
  • 5. Agricultural Research Ruakura, Hamilton 3240, New Zealand

Received date: 2021-03-10

  Request revised date: 2021-12-31

  Online published: 2022-05-23

Supported by

National Natural Science Foundation of China(U20A20114)

Copyright

Copyright reserved © 2022
Fold

摘要

土壤温度状况对于研究气候变迁、地球物质能量循环以及土壤性质演变具有重要意义,但目前对国家尺度上土壤温度状况的长期序列和空间变化缺少研究。因此,本文基于土壤温度内插法和地理加权回归（GWR）模型,使用1951—2010年中国880个气象站点的观测数据,研究了中国土壤温度状况时空变化特征及其影响因素。结果表明：① 中国60年来土壤温度变化整体趋势为东北地区升温,西南地区少部分地区降温;② 中国土壤温度状况可划分为冷性土壤温度状况（东北地区、青藏高原地区和内蒙古东部）、温性土壤温度状况（新疆南部、内蒙古和山西南部以及山东）和热性土壤温度状况（华中、华东、华南以及西南的云南、贵州和四川）;③ 经纬度和气温与土壤温度具有良好的响应关系,其中气温是最重要的影响因素;④ 中国60年来整体呈现温性土壤向北迁移（约46.5 km）、冷性土壤向南迁移（约43.4 km）的趋势。研究结果可为地理学、土壤学等相关领域深入研究提供一定参考,并为土壤系统分类研究提供理论依据。

关键词： 土壤温度状况; 地理分区; 地理加权回归（GWR）模型; 时空变化; 影响因素

本文引用格式

张天鹏 , 保万魁 , 雷秋良 , 刘笑彤 , 杜新忠 , 周脚根 , 罗加法 , 刘宏斌 . 1951—2010年中国土壤温度时空变化特征及其影响因素[J]. 地理学报, 2022 , 77(3) : 589 -602 . DOI: 10.11821/dlxb202203007

Abstract

The soil temperature status is of great significance to climate change, the earth's material energy cycle, and the evolution of soil properties. However, there is currently a lack of research on the long-term sequence and spatial changes of soil temperature status on a national scale. Therefore, based on the soil temperature interpolation method and Geographic Weighted Regression (GWR) model, this paper used the observation data of 880 meteorological stations in China from 1951 to 2010 to study the characteristics of the spatio-temporal changes of soil temperature in China and its influencing factors. The results showed that: (1) The overall trend of soil temperature changes in China over the past 60 years increased in the northeast and decreased in a few areas in the southwest; (2) The soil temperature in China can be divided into cold soil temperature status (Northeast China, Qinghai-Tibet Plateau and eastern Inner Mongolia), temperate soil temperature status (southern Xinjiang, Inner Mongolia, southwestern Shanxi and Shandong) and thermal soil temperature status (central China, eastern China, southern China, and Yunnan, Guizhou and Sichuan in Southwest China); (3) Longitude, latitude and air temperature had good responses to and relationships with the soil temperature, of which air temperature was the most important influencing factor; 4) Over the past 60 years, there was a trend of warm soil regime migrating to the north (approximately 46.5 km) and cold soil regime to the south (approximately 43.4 km). The research results can provide a certain reference for in-depth research in related fields such as geography and soil science, and a theoretical basis for the study of soil systematic classification.

Key words： soil temperature status; geographical zone; geographically weighted regression (GWR) model; spatio-temporal changes; influencing factor

1 引言

土壤温度影响土壤中碳、氮等物质的生物地球化学循环过程,影响种子萌发、植物生长、农作物产量等[1],同时对土壤类型的划分也十分重要,在土壤系统分类中被作为重要的土壤诊断指标[2]。其中,美国土壤系统分类（Soil Taxonomy, ST）[3]和中国土壤系统分类（Chinese Soil Taxonomy, CST）[4],都将土表下50 cm深度处或浅于50 cm的石质或准石质接触面处的土壤温度,作为土壤分类单元划分的主要依据之一。然而,根据中国气象站点监测数据,监测土壤温度的常规深度梯度为5 cm、10 cm、15 cm、20 cm、40 cm、80 cm和160 cm,缺乏50 cm深度处土壤温度监测。
土壤温度的估算可分为3类。第一类是建立监测站实地监测土壤温度,数据精准性可靠,但在区域尺度研究上需要大量资金,同时偏远地区气象站的建立和维护困难[5]。第二类是建立回归方程算法,如内插法、纽荷模型法、回归分析法等,可弥补数据和资金不足等问题,但土壤温度受到诸多环境因素（气象、地形、土壤含水量和质地等）的影响[6]。第三类是先进的人工智能方法,如卫星反演、雷达监测、随机森林、机器学习等,具有经济效益且算法强大等优势,但拟合和解释能力有待提高[7,8,9,10,11]。本文基于中国气象站点监测数据,并探索土壤温度在区域尺度上对气温的响应,因此第二类方法中的内插法采用“一点一方程”式计算方法,具有经济优势的同时,可最大限度地排除环境误差[12]。
在土壤温度研究的基础上,进一步开展土壤温度状况的研究,有助于发现并预测土体中的温度空间分布及其动态变化[13]。研究表明,永冻土壤温度状况不适合农业发展,大气温度升高导致永冻土壤温度状况的区域持续减少,农业用地土壤面积持续增加[14]。土壤温度状况是土壤系统分类重要的土壤诊断特性,也是土壤某些分类单元的划分依据。在土壤温度状况的划分上,美国制是以平均土壤温度进行划分,中国制则考虑了干冻、湿冻、矿质土壤、有机土壤、有机层等多种因素。研究表明,土壤温度状况作为诊断特性应用于土壤系统分类时,应综合考虑成土环境条件[12,13,14,15,16,17],以提供必要依据。在研究尺度上,国家尺度的土壤温度状况变化与全球性气候变化规律具有一致性,及良好的响应关系[16]。国内开展了许多关于土壤温度的国家尺度研究,包括中国土壤温度的空间插值方法比较[18]、中国土壤温度的季节性变化及其区域分异研究[19]、中国土壤温度的空间预测研究[20]等。然而,经过长期的演变,土壤温度状况会发生改变与迁移,变化方向和迁移距离可为土壤系统分类研究提供参考依据,但目前缺少相关的研究。
因此,本文以中国为研究对象,收集了1951—2010年中国880个气象站点的气象数据,在查阅相关文献有关研究方法的基础上,运用GWR模型、克里金插值、地理重心模型等方法,对1951—2010年土壤温度时空变化特征进行分析,探讨影响其变化因素,以期为地理学、土壤学等相关领域深入研究提供一定参考,并为土壤系统分类研究提供理论依据。

2 材料与方法

2.1 研究区概况

中国地貌涵盖了平原、盆地、高原、丘陵和山地,其中山地丘陵面积占总面积的2/3。母质、地形、气候、生物、土壤发育的时间在空间上分异明显,因此土壤的分布也具有明显的经度地带性、纬度地带性与垂直地带性。

2.2 数据来源

本文数据来源于中国气象站点的监测数据。选取1951—2010年中国880个气象站点的气象数据（图1）,包括站点的经度、纬度、海拔、气温和5 cm、10 cm、15 cm、20 cm、40 cm、80 cm和160 cm深度处的土壤温度数据。
图1 中国气象站点分布图

注：基于自然资源部标准地图服务网站GS(2019)1827号的标准地图制作,底图边界无修改,后图同。

Fig. 1 Weather station distribution map in China

2.3 数据处理和分析方法

采用温度内插法进行50 cm深度土壤温度的预测,选取对土壤温度具有显著性影响的气温、经度、纬度和海拔等因子作为辅助变量,运用SPSS软件对获得的880个气象站点50 cm深处的土壤温度数据进行相关性分析和回归分析,使用地理加权回归（GWR）模型对土壤温度与影响因子的互作格局进行分析。
2.3.1 土壤温度划分标准 土壤温度是指土表下50 cm深度处或浅于50 cm深度处的石质或准石质接触面处的土壤温度[3,4]。其中,年均土温常年≤ 0 ℃的为永冻土壤温度状况;年均土温≤ 0 ℃的为寒冻土壤温度状况;年均土温> 0 ℃且< 8 ℃的为寒性土壤温度状况;年均土温< 8 ℃的且夏季平均土温高于寒性土壤夏季平均土温为冷性土壤温度状况;年均土温≥ 8 ℃且< 15 ℃的为温性土壤状况;年均土温≥ 15 ℃且< 22 ℃的为热性土壤温度状况;年均土温≥ 22 ℃的为高热性土壤温度状况[21]。
2.3.2 地理加权回归模型（GWR） 一般线性回归模型（如OLS）中的参数在研究过程中是一成不变的,事实上不同的空间单元的回归系数是不同的。考虑不同环境因子在不同地理位置对土壤温度的作用是不同的,本文采用GWR模型研究土壤温度与经纬度和海拔间互相作用的空间分布格局,研究单元的回归系数根据其相邻的数据线性回归获得,即随样本点空间区位的变化而不同[19]。GWR模型公式如下：
Y i = β i ( μ i , υ i ) + ∑ j = 1 k β j ( μ i , υ i ) x ij + ε i
式中： ( μ i , υ i )是第i个单元的地理坐标点; β i ( μ i , υ i )为方程在i点的回归常数值; β j ( μ i , υ i )为方程在j点的回归参数值;k为研究变量的个数; x ij为样本点在第i点的值; ε i表示变量独立分布而形成的随机误差,通常情况假定它符合正态分布。综合标准化残差值（StdR）被用来检测模型拟合的精准程度,回归系数（RC）被用来判断因变量和自变量的拟合准确性。
GWR模型应用于回归分析时,如果模型存在多重共线性会导致参数估计的方差增大,从而使得模型估计不准确,因此GWR模型的多重共线性诊断是准确、有效地进行回归分析的重要环节。方差膨胀因子法（VIF）被用于对GWR模型的多重共线性的诊断[22]。
VI F k , l = 1 1 - R k , l 2
R k , l = ∑ j = 1 n ( x kj - x ¯ k ) ( x lj - x ¯ l ) ( x kj - x ¯ k ) 2 ∑ j = 1 n ( x lj - x ¯ l ) 2
式中： x ¯ k、 x ¯ l表示解释变量 x k、 x l的平均值。一般认为VIFk, l>10,此时R2>0.9,相关系数在0.9以上,则说明模型中有很强的共线性存在。
本文采用ArcGIS 10.6中的GWR模型,模型设置如下：核类型（Kernel Type）选择固定（FIXED）;带宽方法（Bandwidth Method）选择修正的Akaike信息准则（AICc）;相邻要素数目（Number of Neighbors）选择30;精度大小（Output Cell Size）选择默认值0.1697;选择变量为经纬度和海拔。
2.3.3 土壤温度地形校正和准确性检验方法 基于中国880个站点进行气温栅格数据估算。采用气温垂直递减法,即根据海拔每升高100 m,气温下降0.65 ℃的规律。首先将880个气象站点的年均气温数据虚拟到海平面上[23],公式为：
T 0 = T h + 0.0065 h
式中：T0为虚拟到海平面上的年均气温数据;Th为气象站实测的年均气温数据;h为气象站点的海拔高度。
使用普通克里格法对虚拟到海平面上的年均气温数据T0进行插值估计,得到虚拟到海平面上的年均气温栅格数据,然后根据公式（4）结合DEM数据,将虚拟到海平面上的年均气温栅格数据减去因海拔升高而降低的气温值,获取实际地面的年均气温栅格数据集。最后,通过计算分别得出1951—1980年和1981—2010年年均土壤温度与气温的一元线性回归方程,在ArcGIS中通过不同的方程运用栅格计算器将实际地面的年均气温栅格数据转化为实际地面50 cm处土壤年均温度栅格数据,结合邻域分析和属性选择进行土壤温度等级划分。
普通克里格法空间预测方法准确性检验：根据目前已有研究[24],将总站点的80%用于预测,20%用于验证（图1）,应用ArcMAP在Geostatistical Analyst（地统计分析）的Subset Features（子集要素）中Size of Training Feature Subset（训练要素子集大小）填写80,达到预测数据（80%）和验证数据（20%）随机划分的目的。同时采用验证位置的预测值与实测值的平均误差（MAE）和均方根误差（RMSE）来评价精度,MAE和RMSE的值越小,预测的结果越精准,计算方法详见张慧智等[18, 20]研究,其研究证明对土壤温度的地形校正可显著提高模拟精度。
2.3.4 地理分区划分 本文采用赵济等[25]撰写的《中国自然地理（第三版）》中对中国地理区域的划分方式,划分主要依据为现代地形轮廓、气候特征、自然界发展过程、人类活动对自然界的影响和自然界地域分异的主导因素,以上因素与土壤温度显著相关。七大地理分区分别为华北（北京、天津、河北、内蒙古、山西、山东）、华东（上海、浙江、江苏、安徽）、华南（广东、福建、广西、海南）、华中（河南、湖北、湖南、江西）、西南（四川、重庆、昆明、贵州）、东北（辽宁、吉林、黑龙江）和西北（陕西、宁夏、青海、甘肃、新疆）7大分区。
2.3.5 地理重心模型 土壤温度状况迁移量采用地理重心模型计算。地理重心模型实质是将一组空间对象的几何重心坐标和其对应的某项要素数据进行加权平均而得到的一个重心坐标[26],即要素空间均值,是要素空间格局的统计描述,具体的计算公式如下:
X = ∑ 1 m P i x i ∑ 1 m P i
Y = ∑ 1 m P i y i ∑ 1 m P i
式中：Pi为某土壤温度状况i要素的总量;(xi, yi)为某土壤温度状况i几何中心坐标;(X, Y)为该要素的重心坐标。

2.4 数据的统计描述

2.4.1 土壤温度内插法准确性检验 采用气象站点中提供的不同深度的土壤温度观测数据,可以建立土层深度与土壤温度的回归方程。因此,对每个站点的土层深度和对应的年均土壤温度进行分析。因为60年的时间温度变化较大,所以将年均土壤温度每30年进行划分,划分为两个时间段进行分析,以增加估算精度。通过SPSS 18.0回归分析,得出每个站点的土层深度和年均土壤温度的回归方程,计算得出40 cm深度处年均土壤温度。
为了验证本文采用内插法估算土壤温度的准确性,采用相对误差法（PBLAS）和均方根误差法（RMSE）对土壤40 cm深度处的实测值和模拟值进行比较,公式如下：
PBLAS = ∑ 1 n ( x j - x i ) ∑ 1 n x i × 100 %
RMSE = ∑ 1 n ( X i - Xj ) 2 n
式中：xi为40 cm深度处土温原始值;xj为40 cm深度处土温计算值;n为样本数。
模拟结果如图2。PBLAS为-0.06%,RMSE为0.035。因此土壤温度内插法的准确性可靠。
图2 土壤温度内插法精度验证

Fig. 2 Accuracy verification of soil temperature interpolation method

2.4.2 普通克里格法准确性检验 本文的验证数据样本数为228个。对土壤温度数据进行半方差分析,通过多次对比选择,选取决定系数最大、残差最小的模型,最后确定土壤温度半方差拟合模型最优为球状模型（表1）。在土壤温度半方差函数中,块金值为0.025,基台值为0.262,块金值较小,说明在小范围内空间变异很小,且决定系数R2为0.998,离差平方和RSS为0.0908。同时由年均土壤温度的预测数据和验证数据的描述统计结果（表2）可以看出,年均土壤温度数据预测数据的偏度和峰度值均较小,可以近似视为正态分布,适合于地统计分析。年均土壤温度的验证数据各项参数与预测数据的相应参数接近,两组数据的分布基本相同,MAE和RMSE值分别为0.52和0.73,说明普通克里格法准确性可靠。
表1 土壤温度克里格插值拟合空间变异参数

Tab. 1 Kriging interpolation of soil temperature to fit spatial variability parameters

参数 理论模型 块金值 基台值 块金值/基台值 步长(m) 决定系数R2 离差平方和RSS
土壤温度 球状 0.025 0.262 0.096 55510 0.998 0.0908
表2 中国年均土壤温度的描述性统计

Tab. 2 Descriptive statistics of the average annual soil temperature in China

项目 平均值(℃) 中值(℃) 标准差(℃) 变异系数
(%)		 偏度 峰度
模拟值 13.7 13.8 6.7 43 0.12 -0.81
预测值 13.9 13.4 6.2 40 0.21 -0.96

3 结果分析

3.1 不同地理分区土壤温度的变化特征

按照地理分区进行土壤温度空间预测（表3）发现,西南、西北、华中、华东和华北地区1981—2010年的50 cm土壤年均温度较1951—1980年50 cm土壤年均温度小幅度上升,其中上升幅度较大的区域为华北地区和西北地区,分别为0.6686 ℃和0.5477 ℃。西南地区、华中地区和华东地区有小幅度上涨,分别为0.1692 ℃、0.0935 ℃和0.1620 ℃。然而,华南地区和东北地区50 cm土壤年均温度1981—2010年较1951—1980年有极小幅度的下降,分别下降为0.0179 ℃和0.0112 ℃。
表3 分区预测50 cm土壤年均温度(℃)

Tab. 3 Regional prediction of annual average soil temperature at a depth of 50 cm (℃)

时段 西南 西北 华中 华南 华东 华北 东北
1951—1980年 14.3237 9.3726 17.7987 22.7879 17.6857 9.3937 7.7567
1981—2010年 14.4929 9.9203 17.8922 22.7700 17.8477 10.0623 7.7455
温度增减值 0.1692 0.5477 0.0935 -0.0179 0.1620 0.6686 -0.0112
为了更加直观地了解各区域1951—2010年土壤温度的变化特征,本文将7个分区中站点50 cm年均土壤温度按照年份计算平均值,得到各个区域50 cm年均土壤温度的变化曲线（图3）。各分区50 cm年均土壤温度的变化特征大致分为以下两类：① 持续升温型,如华南、华东、华中、华北、西北和东北区域;② 总体下降型,如西南地区。第一类的6个地区中,华南、华东、华中50 cm年均土壤温度波动幅度最为显著,20世纪90年代后期土壤温度上升幅度较大。第二类西南降温区,50 cm年均土壤温度在20世纪80年代中期之前下降明显,在20世纪80年代中期之后呈极小幅度上升趋势。这与陆晓波等研究结论一致[27],表明西南地区的土壤温度下降可能是对该地区气温的变化的一个响应。
图3 1951—2010年七大分区50 cm土壤温度变化趋势

Fig. 3 Trends in soil temperature at a depth of 50 cm in 7 sub-regions from 1951 to 2010

3.2 土壤温度变化的驱动因素与预测精度分析

根据GWR模型测算,土壤温度对不同的环境协变量的响应关系不同,且差异性很大,但都有很强的规律性（图4）。回归系数空间分布表明：① 土壤温度与经度的回归系数,随中国东西两端向中部（中央经线105°E）趋近,数值由负数到正数,且东部的负相关关系大于西部（图4a）;② 土壤温度与纬度的回归系数,随中国东部到西部不断升高,但数值皆为负值,所以土壤温度与纬度呈负的相关关系（图4b）;③ 土壤温度与海拔的回归系数,与纬度相似,但数值仅为0.003~0.005,虽有规律,但不足以说明其显著性（图4c）;④ 土壤温度与气温的回归系数,与纬度呈现相反规律,且皆呈正相关,从中国西部到中国东部不断升高（图4e）;⑤ 从GWR模型对纬度和海拔的综合性预测标准化残差值上看,西部的预测精度较差,东部和中部预测精准较高（图4d）;且VIF为4.146,R2为0.759,因此土壤温度与纬度和海拔的GWR模拟的多重共线性不足以影响本文结果;⑥ 气温对土壤温度预测标准化残差值的绝对值都在1.1以下,说明气温对土壤温度的预测是可靠的（图4f）。
图4 土壤温度与环境协变量互作格局和标准化残差值

Fig. 4 Soil temperature and environment covariable interaction patterns and standardized residual values

3.3 土壤温度状况空间变化特征

按照高级分类的土壤温度状况划分标准,中国土壤温度状况的分布呈纬向带状分布,中国土壤温度状况的分布以冷性土壤温度状况、温性土壤温度状况和热性土壤温度状况为主（图5）。土壤温度最高区集中在华南,可达22 ℃以上。50 cm处年均土壤温度的特点是,土壤温度从北向南依次升高,东北地区和内蒙古东北部土壤温度均小于8 ℃,华东、华南大部分地区土壤温度均高于15 ℃,随着纬度和海拔的增加,土壤温度逐渐降低。这种分布特点与气温的分布有着较好的对应关系。
图5 1951—1980年、1981—2010年50 cm深度土壤温度及两时段差值

Fig. 5 Soil temperature at a depth of 50 cm for 1951 to 1980, 1981 to 2010, and the difference between of them

总体上看,中国冷性土壤和温性土壤在1981—2010年较1951—1980的面积在扩大（图5、图6）。新疆地区土壤温度状况类型较多,有寒冻、寒性和温性土壤3类。其中,新疆省北部寒性土壤1981—2010年较1951—1980年向北迁移76 km;中部地区温性土壤1981—2010年较1951—1980年向北迁移21 km;东南部温性土壤1981—2010年较1951—1980年向北迁移44 km;南部寒冻土壤1981—2010年较1951—1980年向南迁移51 km。西北区青海甘肃等地分布着大量寒冻土壤和寒性土壤。其中,甘肃省寒性土壤1981—2010年较1951—1980年向南迁移93 km;青海省寒性土壤1981—2010年较1951—1980年向南迁移19 km。西藏自治区50 cm土壤温度变化平稳,这与张文纲等[28]研究结果一致,且青藏高原40 cm以下土壤温度年际变化存在3.25年的周期,但寒性土壤1981—2010年较1951—1980年向南迁移46 km。四川省主要分布冷性土壤和温性土壤,寒性土壤1981—2010年较1951—1980年向南迁移19 km。内蒙古自治区分布着大量的寒性土壤和冷性土壤。其中内蒙古东部,和辽宁省接壤的地方分布着少量的温性土壤,1981—2010年较1951—1980年向北迁移40 km。中国大部分的热性土壤分布在华中、西南区的东部等地区,1981—2010年热性土壤面积较1951—2010年向南迁移45 km。高热土壤集中分布在华南区的南部,1981—2010年高热土壤面积较1951—1980年向北迁移36 km。从总体上看,中国各个地区的50 cm年均土壤温度的变化趋势不同,概括为东北方向升温、西南方向少部分地区降温。但大多数地区的气温变化趋势与50 cm年均土壤温度的变化趋势极为相似。综合计算,中国1951—2010年间温性土壤向北迁移46.5 km,冷性土壤向南迁移43.4 km。
图6 1951—1980年、1981—2010年50 cm深度土壤温度线全国和区域变化

Fig. 6 National variation and regional variation of soil temperature profiles from 1951 to 1980 and from 1981 to 2010

4 讨论

4.1 全球气候变暖对土壤温度的影响

政府间气候变化专业委员会（IPCC）公布由于全球气候变暖,20世纪全球大气平均温度约升高0.6 ℃,本文计算1951—2010年50 cm深度土壤温度增加约为0.4045 ℃,符合全球变暖的趋势和温度增加量[29]。19世纪中期开始记录温度后,温度最高的年份为1997年、1998年、2001年、2002年、2003年[30],华南、华东、华中、华北、西北和东北区域在这些年份的土壤温度均有不同程度的增加（图3）,所以中国大部分地区的土壤温度变化,受到全球气候变暖的影响,同时大气温度显著影响土壤温度（P < 0.01）[31],这与大部分研究者得出的结论一致[17]。但中国有少部分地区呈现降温趋势（图6）[32],这与全球变暖并不矛盾,全球变暖是全球尺度下的总体趋势,不同地区因自然条件的不同导致对大气温度的反馈程度不同,并且海洋环流的区域变化能够在某些特定的地区增强这种变化[33]。IPCC指出全球气温每升高0.5 ℃,海平面将上升11 cm以上,大气温度对海洋温度具有“滞后效应”,海洋对大气温度的上升响应滞后,同理,土壤对大气温度的改变也会有一定的“滞后效应”,但其滞后时间和气温改变对土壤温度换算系数还有待研究,不同区域的自然条件不同,滞后时间和换算系数也会有所不同[17],可根据对大气温度的预测和对土壤温度“滞后效应”,对自然灾害进行预测,有助于农业的发展。

4.2 影响土壤温度变化的主要影响因素

大量的研究者对中国土壤温度的变化进行了研究和讨论,大多认为年均土壤温度呈上升趋势,并经历了“冷—暖”的演变过程[34],这与全球变暖和本文研究结果一致。造成20世纪90年代以后土壤温度上升的原因有很多,有研究者利用1951—1995的气象站点的实测数据,对中国近几十年来气候的变化作出较全面的分析,总结出对土壤温度最主要的影响因素为气候的变化[35]。气温变化曲线表明,东北地区和华北地气温的增幅最为明显,其中东北地区在1985年以后明显升温,西南地区在20世纪50年代以后急剧降温后又逐渐升温,这种变化趋势与土壤温度的变化有较好的拟合（P < 0.01）[35],符合本文对土壤温度研究的变化趋势（图3）和拟合效果（图4e、4f）。在对0 cm地温变化特征与气温变化关系的研究中也得出：气温的上升引起土壤温度的上升,这是土壤温度对全球气候变暖的一个直接的响应[36]。
从空间上看,在本文中纬度越低的地方温度就越高;反之,离赤道越远温度就越低（图4）。但是温度还与大气环流和地形有关,在特定的地形下会改变这些规律。如海拔越高温度越低或在20°N~30°N的地区,如果7—8月份受到副高气压的影响,温度也会高于赤道地区[15]。张慧智等[20]研究发现,经纬度和海拔与土壤温度显著相关,海拔随着时间变化变得比较缓慢,经纬度不会随着时间的变化而改变,所以采用三者对土壤温度进行预测,结果具有长期的有效性。不稳定因子纳入GWR模型,会增加模型的多重共线性和不稳定性[37],但在小尺度短期的研究可增加降雨量、日照时数、总云量、距海距离、土壤含水量、土地利用类型等容易随时间改变的数据,增加研究结果的时效性,但会缩短结果的有效性。
从时间上看,除本文研究的不易随时间变化的因素外,土壤温度变化主要驱动力有以下3个方面：① 年均降水量的变化。一般情况下50 cm深度处年均土壤温度与年均降水量也有着较好的相关性（P < 0.05）[38]。华北地区降水量自1951年一直在减少,东北地区1985年以后降水量有所增加,华南地区和西北地区降水量持续增加。本文中华北地区土壤温度从1951年开始下降,东北地区从1985年开始上升,华南地区和西北地区也符合此研究趋势。利用月际变温来预测下个月的降水量的研究中,证明了地温与降水量间存在一定关系[39]。而年均降水量对土壤温度的这种变化趋势是否有极显著影响有待于进一步讨论;② 日照时数的变化。近几十年中日照时数最高的是1965年,而后持续下降。35°N以北为日照时数增加区,以南为日照时数减少区。对比气温的变化区域可以发现,日照时数增加区则为气温升高区,反之日照时数降低区为气温下降区。因此,有研究者认为西南区气温尤其是四川地区气温呈显著下降趋势,则是因为最高气温的减少并且日照时数也在减少[40];③ 年均总云量的变化。云量对50 cm深度处年均土壤温度也有一定的影响。在云量对土壤影响的研究中证明,总云量的变化对土壤温度的变化具有一定的影响作用,且年均低云量与各不同深度的土壤温度均呈极显著正相关性,说明土壤温度的变化有可能受低云量变化的影响[41]。除了气候以外,地下水位、辐射因子和土壤含水量与土壤温度也存在一定的联系。但地下水位对土壤温度的影响存在临界值,当地下水的埋深超过某一临界值则对地温不再具有影响[41]。至于临界值的确定以及地下水埋深的临界值是否对50 cm深度处的土壤温度有影响,则有待继续研究。

4.3 土壤温度状况变化

全国范围内土壤温度状况迁移方向不具有一致性,一个省份内同时存在“不同土壤温度状况沿多方向迁移”的情况,但全国整体呈现温性土壤向北迁移（约46.5 km）、冷性土壤向南迁移（约43.4 km）的趋势。温性土壤向北迁移的主要原因是地球地气系统吸收与发射的能量不平衡,能量不断在地气系统累积,从而导致土壤温度上升[42];冷性土壤向南迁移的主要原因为：华南和西南少部分地区处于湿度较大的寒冷气流和海洋环流中,吸收土壤中的温度[43],导致土壤温度下降。中国气候变化蓝皮书指出,中国气候系统变暖趋势进一步持续,极端低温事件显著减少,极端高温事件在20世纪90年代中期以来增多[44]。空间上看,极端低温事件减少主要发生在东北区域,极端高温事件增多发生在华南和西南（图5）,符合本文土壤温度状况迁移的研究结果。国内大部分的热性土壤分布在华中、西南区的东部等地区,原因是该地区属于亚热带季风气候,太阳高度角大于北方,因此南方的太阳辐射强度大于北方,正午太阳高度大,白昼长,获得的太阳光热多,气温高,导致热性土壤分布范围大于北方[45]。

5 结论

（1）从时间尺度上看,1951—2010年中国土壤温度变化特征与全球气候变暖趋势具有显著相关性,整体趋势为东北方向升温,西南方向少部分地区降温。
（2）从空间尺度上看,中国50 cm深度处年均土壤温度的分布可大致划分为3个区,分别为冷性土壤温度状况（东北地区、青藏高原地区和内蒙古东部）,温性土壤温度状况（新疆南部、内蒙古和山西南部以及山东）,热性土壤温度状况（华中、华东、华南以及西南的云南、贵州和四川）。
（3）从影响因素上看,经纬度和气温与土壤温度具有良好的响应关系,其中气温是最重要的影响因素,经度是次要影响因素。
（4）从土壤温度状况上看,1951—2010年整体呈现温性土壤向北迁移（约46.5 km）、冷性土壤向南迁移（约43.4 km）的趋势。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wang Y Z, Huang X, Cai L P, et al. Effects of soil particle composition on seed germination and seedling growth of Paspalum wettsteinii under different temperatures. Acta Prataculturae Sinica, 2018, 27(9): 45-55.

[2]
Havaee S, Kamali A Toomanian, N. Appraisal of the World Reference Base for soils (WRB) and US soil taxonomy for classification of developed soils of Zayandeh-rud River's upper Terrace. Journal of Water and Soil, 2019, 33(1): 181-189.

[3]
Agronomy Department Cornell University. Keysto Soil Taxonomy. Soil Management Support Services, 1985.

[4]
Gong Zitong, et al. Soil Taxonomy in China: Theory, Method and Practice. Beijing: Science Press, 1999.

[龚子同, 等. 中国土壤系统分类: 理论—方法—实践. 北京: 科学出版社, 1999.]

[5]
Hendriks C M J, Stoorvogel J J, Claessens L. Exploring the challenges with soil data in regional land use analysis. Agricultural Systems. 2016, 144: 9-21.

DOI

[6]
Yang Y, Wu Z F, He H S, et al. Differences of the changes in soil temperature of cold and mid-temperate zones, Northeast China. Theoretical and Applied Climatology, 2018, 134(1/2): 633-643.

DOI

[7]
Entezari M, Esmaeily A, Niazmardi S. Estimation of soil moisture and earth's surface temperature using landsat-8 satellite data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2019. DOI: 10.5194/isprs-archives-XLII-4-W18-327-2019.

DOI

[8]
Fan J L, Yue W J, Wu L F, et al. Evaluation of SVM, ELM and four tree-based ensemble models for predicting daily reference evapotranspiration using limited meteorological data in different climates of China. Agricultural and Forest Meteorology, 2018, 263: 225-241.

DOI

[9]
Mehdizadeh S, Ahmadi F, Sales A K. Modelling daily soil temperature at different depths via the classical and hybrid models. Meteorological Applications, 2020, 27(4): e1941. DOI: 10.1002/met.1941.

DOI

[10]
Feng Y, Cui N B, Hao W P, et al. Estimation of soil temperature from meteorological data using different machine learning models. Geoderma, 2019, 338: 67-77.

DOI

[11]
Sanikhani H, Deo R C, Yaseen Z M, et al. Non-tuned data intelligent model for soil temperature estimation: A new approach. Geoderma, 2018, 330: 52-64.

DOI

[12]
Liu Jiaojiao, Qi Yanbing, Chen Yang, et al. Assessment of soil moisture and temperature regime classes in Shaanxi province. Chinese Journal of Soil Science, 2017, 48(2): 335-342.

[刘姣姣, 齐雁冰, 陈洋, 等. 陕西省土壤温度和水分状况估算. 土壤通报, 2017, 48(2): 335-342.]

[13]
Ning L X, Cheng C X, Shen S. Spatial-temporal variability of the fluctuation of soil temperature in the Babao River Basin, Northwest China. Journal of Geographical Sciences, 2019, 29(9): 1475-1490.

DOI

[14]
Liu G M, Wu T H, Hu G J, et al. Permafrost existence is closely associated with soil organic matter preservation: Evidence from relationships among environmental factors and soil carbon in a permafrost boundary area. CATENA, 2021: 104894. DOI: 10.1016/j.catena.2020.104894.

DOI

[15]
Xu Yongbing, Lei Qiuliang, Zhou Jiaogen, et al. Study on the change characteristics of extreme climate indices from 1960 to 2015 in Yunnan province, China. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(11): 15-27.

[徐用兵, 雷秋良, 周脚根, 等. 1960—2015年云南省极端气候指数变化特征研究. 中国农业资源与区划, 2020, 41(11): 15-27.]

[16]
Lu Xiaohui, Dong Yubo, Tu Chenglong. Soil temperature regime in Guizhou province relative to assessment method. Acta Pedologica Sinica, 2016, 53(2): 401-410.

[陆晓辉, 董宇博, 涂成龙. 基于不同估算方法的贵州省土壤温度状况. 土壤学报, 2016, 53(2): 401-410.]

[17]
Cao Xianghui, Lei Qiuliang, Long Huaiyu, et al. Spatio-temporal variation of soil temperature and soil moisture regime in Hebei province. Acta Pedologica Sinica, 2015, 52(3): 528-537.

[曹祥会, 雷秋良, 龙怀玉, 等. 河北省土壤温度与干湿状况的时空变化特征. 土壤学报, 2015, 52(3): 528-537.]

[18]
Zhang Huizhi, Shi Xuezheng, Yu Dongsheng, et al. Spatial prediction of soil temperatures in China using different methods. Geographical Rresearch, 2008, 27(6): 1299-1307.

[张慧智, 史学正, 于东升, 等. 中国土壤温度的空间插值方法比较. 地理研究, 2008, 27(6): 1299-1307.]

[19]
Zhang Huizhi, Shi Xuezheng, Yu Dongsheng, et al. Seasonal and regional variations of soil temperature in China. Acta Pedologica Sinica, 2009, 46(2): 227-234.

[张慧智, 史学正, 于东升, 等. 中国土壤温度的季节性变化及其区域分异研究. 土壤学报, 2009, 46(2): 227-234.]

[20]
Zhang Huizhi, Shi Xuezheng, Yu Dongsheng, et al. Spatial prediction of soil temperature in China. Acta Pedologica Sinica, 2009, 46(1): 1-8.

[张慧智, 史学正, 于东升, 等. 中国土壤温度的空间预测研究. 土壤学报, 2009, 46(1): 1-8.]

[21]
Gong Zitong, Zhang Ganlin, Chen Zhicheng, et al. Pedogenesis and Soil Taxonomy. Beijing: Science Press, 2007.

[龚子同, 张甘霖, 陈志诚, 等. 土壤发生与系统分类. 北京: 科学出版社, 2007.]

[22]
Zhang Fenglian. Discussion on the solution of multiple linear problems in multiple linear regression[D]. Guangzhou: South China University of Technology, 2010.

[张凤莲. 多元线性回归中多重线性问题的解决办法探讨[D]. 广州: 华南理工大学, 2010.]

[23]
Sospedra-Alfonso R, Melton J R, Merryfield W J. Effects of temperature and precipitation on snowpack variability in the Central Rocky Mountains as a function of elevation. Geophysical Research Letters, 2015, 42(11): 4429-4438.

DOI

[24]
Nie Lei, Shu Hong, Liu Yan. Interpolation of monthly average temperature by using (mixed) geographically weighted regression Kriging in the complex terrain region. Geomatics and Information Science of Wuhan University, 2018, 43(10): 1553-1559.

[聂磊, 舒红, 刘艳. 复杂地形地区月平均气温(混合)地理加权回归克里格插值. 武汉大学学报: 信息科学版, 2018, 43(10): 1553-1559.]

[25]
Zhao Ji, Chen Yongwen, Han Yuanfeng, et al. Physical Geography of China (Third Edition). Beijing: Higher Education Press, 1995.

[赵济, 陈永文, 韩渊丰, 等. 中国自然地理(第三版). 北京: 高等教育出版社, 1995.]

[26]
Fan L L, Liang S F, Chen H, et al. Spatio-temporal analysis of the geographical centroids for three major crops in China from 1949 to 2014. Journal of Geographical Sciences, 2018, 28(11): 1672-1684.

DOI

[27]
Lu Xiaobo, Xu Haiming, Sun Chenghu, et al. Characteristics of soil temperature variations in china in recent 50 years. Journal of Nanjing Institute of Meteorology, 2006, 29(5): 706-712.

[陆晓波, 徐海明, 孙丞虎, 等. 中国近50 a地温的变化特征. 南京气象学院学报, 2006, 29(5): 706-712.]

[28]
Zhang Wengang, Li Shuxun, Pang Qiangqiang. Variation characteristics of soil temperature over Qinghai-Xizang plateau in the past 45 years. Acta Geographica Sinica, 2008, 63(11): 1151-1159.

[张文纲, 李述训, 庞强强. 近45年青藏高原土壤温度的变化特征分析. 地理学报, 2008, 63(11): 1151-1159.]

[29]
Papalexiou S M, AghaKouchak A, Trenberth K E, et al. Global, regional, and megacity trends in the highest temperature of the year: Diagnostics and evidence for accelerating trends. Earth Future, 2018, 6(1): 71-79.

DOI

[30]
Center for Climate Change, CMA. Blue Paper on Climate Change in China. Beijing: Science Press, 2020.

[中国气象局气候变化中心. 中国气候变化蓝皮书. 北京: 科学出版社, 2020.]

[31]
Barman D, Kundu D K, Pal S, et al. Soil temperature prediction from air temperature for alluvial soils in lower Indo-Gangetic plain. International Agrophysics, 2017, 31(1): 9-22.

DOI

[32]
Maier E, Zhang X, Abelmann A, et al. North Pacific freshwater events linked to changes in glacial ocean circulation. Nature, 2018, 559(7713): 241-245.

DOI

[33]
Zhan M J, Xia L J, Zhan L F, et al. Recognition of changes in air and soil temperatures at a station typical of China's subtropical monsoon region (1961-2018). Advances in Meteorology, 2019(10): 1-9.

[34]
Harris S A. Global Warming. Rijeka: InTech, 2010.

[35]
Chen Longxun, Zhu Wenqin, Wang Wen, et al. Studies on climate change in China in recent 45 years. Acta Meteorologica Sinica, 1998, 56(3): 257-271.

[陈隆勋, 朱文琴, 王文, 等. 中国近45年来气候变化的研究. 气象学报, 1998, 56(3): 257-271.]

[36]
Wang Jialin, Pan Zhihua, Han Guolin, et al. Variation in ground temperature at a depth of 0 cm and the relationship with air temperature in China from 1961 to 2010. Resources Science, 2016, 38(9): 1733-1741.

[王佳琳, 潘志华, 韩国琳, 等. 1961—2010年中国0 cm地温变化特征及其与气温变化的关系. 资源科学, 2016, 38(9): 1733-1741.]

[37]
Yang Yi. Study on geographically weighted regression method considering spatiotemporal nonstationarity[D]. Wuhan:Wuhan University, 2016.

[杨毅. 顾及时空非平稳性的地理加权回归方法研究[D]. 武汉: 武汉大学, 2016.]

[38]
Kwon M, Kwon H H, Han D W. A spatial downscaling of soil moisture from rainfall, temperature, and AMSR2 using a Gaussian-mixture nonstationary hidden Markov model. Journal of Hydrology, 2018, 564: 1194-1207.

DOI

[39]
Tang Maocang, Cheng Qingyan, Zhang Dongfang, et al. Summary of applying soil temperature to forecast monthly precipitation. Plateau Meteorology, 2008, 27(5): 1054-1059.

[汤懋苍, 成青燕, 张东方, 等. 地气图预测全国月降水的实践总结. 高原气象, 2008, 27(5): 1054-1059.]

[40]
Qi Shumei, Qi Caihong, Zhang Haichun, et al. Analysis of variation characteristics of deep geotemperature in Hainan area, Qinghai. Chinese Agricultural Science Bulletin, 2015, 31(22): 230-235.

[祁淑梅, 祁彩虹, 张海春, 等. 青海海南地区深层地温的变化特征分析. 中国农学通报, 2015, 31(22): 230-235.]

[41]
Wakhid N, Nurzakiah S, Nurita N, et al. Ground water level and soil temperature variation on tropical peatland in Elniño year. Agric, 2019, 30(2): 103-110.

DOI

[42]
Zhang Yan, Tang Shihao, Qiu Hong, et al. Earth radiation budget satellite observation and climate applications. Satellite Application, 2018(11): 50-54.

[张艳, 唐世浩, 邱红, 等. 地球辐射收支卫星观测和气候应用. 卫星应用, 2018(11): 50-54.]

[43]
Hu Shijian, Lu Xi, Li Shihan, et al. Multidecadal variation trends of the tropical Pacific western boundary current from historical hydrological observations. Scientia Sinica Terrae, 2021, 51(4): 598-609.

DOI

[胡石建, 卢锡, 李诗翰, 等. 历史水文观测数据反演的热带太平洋西边界流多年代变化趋势. 中国科学: 地球科学, 2021, 51(4): 598-609.]

[44]
Center for Climate Change, CMA. Blue Paper on Climate Change in China. Beijing: Science Press, 2017.

[中国气象局气候变化中心. 中国气候变化蓝皮书. 北京: 科学出版社, 2017.]

[45]
Liu Yuanyuan, Hu Qi, He Huayun, et al. Estimation of total surface solar radiation at different time scales in China. Climate Change Research, 2021, 17(2): 175-183.

[刘媛媛, 胡琦, 和骅芸, 等. 中国不同时间尺度地表太阳总辐射估算研究. 气候变化研究进展, 2021, 17(2): 175-183.]

Options
文章导航

/

〈 〉