北京大学GCB发文揭示从全球视角看城市化对土壤有机碳的影响

题目：

Dynamic Responses of Soil Organic Carbon to Urbanization: A Global Perspective

期刊： 

Global Change Biology

第一作者：

Fangjin Xu

第一发表单位：  

北京大学

快速的全球城市化对土壤有机碳（SOC）储量产生了复杂的影响。城市化通过直接和间接作用影响土壤的形成和发展，从而显著影响SOC储量。然而，城市化在全球范围内对SOC储量的影响程度尚不清楚。本研究采用城乡梯度方法，评估了城市化对全球和国家尺度上SOC储量的影响。首先，我们在全球范围内以1公里的尺度计算城市化强度（UI），将城市化划分为低（0 ≤ UI ≤ 25）、中（25 < UI ≤ 75）和高（75 < UI ≤ 100）三个阶段。此外，我们区分了自然因素和人类活动的贡献，并分析了八个代表性城市的土地利用变化的影响。我们发现：（1）SOC储量随着UI增加呈现出显著的趋势，但在低或高UI下，UI的增加与SOC储量的减少相关（在30厘米深度减少6.8%和5.4%；在100厘米深度减少6.4%和3.2%）；（2）人类活动变化是城市化过程中SOC储量变化的主要驱动因素，在低和中等城市化强度下，人类活动的贡献分别达到98%和89%；此外，土地利用转变与SOC储量变化密切相关，尤其是在不同气候区的城市核心附近；（3）SOC对城市化的响应在不同气候区有所不同。在水资源稀缺的干旱气候区，应关注城市化的负面影响，并采取更具针对性的措施以增强城市土壤的碳汇能力。本研究为城市化与SOC储量之间的动态相互作用提供了有价值的见解，强调了在城市环境中管理土壤碳的策略性需求。

土壤有机碳（SOC）是土壤的关键组成部分，在维持土壤物理结构、化学特性和生物肥力方面起着至关重要的作用。此外，随着大气二氧化碳（CO₂）水平的增加，增加SOC储量已成为缓解气候变化的重要策略。

快速的全球城市化对SOC储量产生了复杂的影响。城市生态系统中的人类活动对SOC储量的影响从轻微（如在绿地、娱乐设施和郊区）到显著（如道路和建筑的建设），这些影响与自然环境影响大相径庭。一方面，城市扩张往往占用了大量高生产力的土地，如森林，以及基础设施（住房、公路、工业等）的建设，这可能导致生态系统碳储量的大量损失。另一方面，城市生态系统在碳汇方面也具有显著潜力，通过来自郊区的有机物质和碳输入、城市内部的碳再分配（如通过植物生长、废物管理和大气沉降）以及土壤密封和压实等过程。此外，城市中的不透水表面会抑制微生物活动，减缓有机物的分解，从而减少碳损失。据预测，到2030年，全球城市面积将是21世纪初的三倍。因此，理解全球城乡梯度上SOC储量的变化对于了解土壤健康的更广泛影响和促进可持续城市发展至关重要。

研究人员广泛探讨了城市化对SOC储量的影响。一些研究表明，城市活动显著减少了城市地区的SOC。例如，北京市从2001年至2015年由于不透水表面的扩展，导致了7651.50吨SOC的累积损失，相当于11.6%的下降。东部中国地区的土地利用变化导致了30.7 Tg的SOC损失。相反，一些研究认为城市化可能增加SOC储量。例如，英国的城市园艺区SOC储量超过了耕地和乡村花园。此外，过去30年中国高度城市化地区的表层土壤SOC储量大幅增加，起到了有效碳汇的作用。造成这种争议的一个重要原因是，大多数研究集中于特定区域，具有有限的城市化梯度。此外，数据来源和方法的差异进一步增加了跨研究比较的复杂性。因此，有必要从全球视角重新审视城市化对SOC的影响，以丰富我们对人类活动环境影响的理解。

基于城市化强度（UI）的城乡梯度方法，为全球范围内研究SOC储量对城市化的响应提供了可行途径。此方法起源于植被空间模式的梯度分析概念，被广泛应用于城市生态学中，以研究城市化如何影响动物、植物和生态系统特征。该方法的核心在于从乡村到城市中心，天然栖息地逐渐被不透水表面替代，这是城市化的重要特征。因此，不透水表面的比例可以作为城乡梯度的量化指标。由于获取广泛地理范围的城市化动态时间数据具有挑战性，城乡梯度是评估城市化影响的宝贵时间和空间代理。此外，SoilGrids2.0数据库为研究全球SOC分布提供了坚实的数据支持。SoilGrids是一种全球性数字土壤映射系统，利用先进的机器学习技术，生成250米分辨率的全球土壤特性空间分布。

在本研究中，我们基于城乡梯度方法，评估了全球和国家尺度上城市化对SOC储量的影响。我们还区分了自然因素和人类活动的贡献，并分析了八个代表性城市的土地利用变化的影响。我们的研究目标包括：全球范围内SOC储量的模式和驱动因素是什么？这些模式和驱动因素在气候区之间是否存在差异？自然环境因素和人类活动的功能是什么？

（注：以上翻译来着ChatGPT，具体文章内容请以原文内容为准。若解读有误欢迎探讨指正。）

Fig. 1: Study area. Note: Map lines delineate study areas and do not necessarily depict accepted national boundaries.

Fig. 2: Residual trend analysis.

Fig. 3: Trends of SOC stocks along the UI gradient (0%–100%). Note: (a) Global trends of SOC stocks along the UI gradient. (b) Trends of SOC stocks along the UI gradient across different climate zones. (c) Statistics of the changes in SOC stocks. SOC30 and SOC100 in this figure refer to SOC stocks at depths of 30 cm and 100 cm, respectively. In (a) and (b), the shaded areas represent 95% confidence intervals. The solid gray line represents the global fitting result, while the colored solid lines represent segmented fitting results. The red dashed line shows the mean SOC stock. Dots indicate SOC stocks for each integer UI value from 0 to 100, with color changes reflecting the magnitude of the values. Detailed parameters of the fitted curves are provided in Table S1. In (c), color variations indicate changes in SOC stocks, and the bar chart represents the number of 1 km × 1 km grid cells per region.

Fig. 4: Patterns of SOC changes in countries with different social development indices (SDIs). Note: The base map shows the variation in the socio-demographic index (SDI) through color changes. Red triangles represent countries with increasing SOC stocks, while blue circles represent countries with decreasing SOC stocks. Darker shades indicate acceleration, and lighter shades indicate deceleration. Map lines delineate study areas and do not necessarily depict accepted national boundaries.

Fig. 5: Pearson correlation coefficients of factors influencing SOC trends along the UI gradient (0%–100%). Note: (a) Pearson correlation coefficients for drivers of SOC stocks at 30 cm depth. (b) Pearson correlation coefficients for drivers of SOC stocks at 100 cm depth. The color gradient represents the magnitude of the Pearson coefficients. Only values significant at the 95% confidence level are displayed; non-significant values are left blank.

Fig. 6:Contribution of human activities and natural factors to SOC stock trends along the urban–rural gradient. Note: (a) The contributions of human activities and natural factors at the global scale; (b), (c), (d) The contributions of human activities and natural factors across different climatic zones during three phases of urbanization intensity. Yellow bars indicate the contribution of human activities, while blue bars represent the contribution of natural factors.

Fig. 7:Comparison of SOC data from literature sources and SoilGrids. Note: (a) Comparison of SOC stocks across different climate zones between literature sources and SoilGrids data. Red bars represent literature data, while blue bars represent SoilGrids data. The solid gray line shows the relative difference. (b) Distribution of SOC stocks from literature sources and SoilGrids. Red dots represent data from the literature, with dot size and color intensity indicating the magnitude of SOC stocks. The blue base map shows data from SoilGrids, with color intensity reflecting SOC stock levels. Map lines delineate study areas and do not necessarily depict accepted national boundaries.

Fig. 7:Changes in land-use structure and SOC stocks with distance from city center. Note: Cities in each row belong to the same climate zone. Cities on the left are from developing countries; cities on the right are from developed countries. Different colors indicate the proportion of various land-use types, and the red solid line represents SOC stocks. To better illustrate urban intensity, the numbers in the figure represent the proportion of impervious surfaces.