河源區土壤與河流二氧化碳濃度變化特征及相關性

李家琪,姜振蛟,戴 鑫,汪 釧,武麗文,謝月清*

河源區土壤與河流二氧化碳濃度變化特征及相關性

李家琪1,2,姜振蛟3,戴 鑫1,2,汪 釧1,2,武麗文4,謝月清1,2*

(1.南京大學地球科學與工程學院,江蘇 南京 210023；2.南京大學關鍵地球物質循環前沿科學中心,江蘇 南京 210023；3.吉林大學新能源與環境學院,吉林 長春 130026；4.西交利物浦大學健康與環境科學系,江蘇 蘇州 215123)

以陜西省榆林市海流兔河流域上游區域為研究對象,通過結合河流與土壤CO2濃度高頻監測技術與頻譜分析方法,剖析河流-土壤橫斷面CO2動態模式及其影響因素與演化過程.基于研究剖面上4個監測點的CO2濃度時間序列,分離出周期為0.5與1d的強烈晝夜信號,推斷出河流內部的晝夜生物代謝過程是控制CO2濃度變化的關鍵因素.流域內降水等事件引起的水文條件變化會引起CO2逸散,對水體碳循環過程產生顯著影響.根據相關性分析,判斷河流與土壤CO2動態的主要影響因子為溫度與土壤含水量,并證實了土壤為河流CO2的主要來源,地下水是實現土壤與河流間的碳遷移過程的重要媒介.

頻譜分析；小波分析；河源區河流；相干性；碳循環；土壤；地下水；CO2

近年來,隨著全球變暖進一步加劇,氣候變化成為全球關注的焦點,與之緊密相關的碳循環問題也成為全球關心的重大科學問題.全球河流的CO2逸散量高達2.58Pg C/a,與化石能源燃燒引起的年均碳排放量處于同一量級,是陸地生態系統碳排放的重要窗口[1].其中,河源區生態系統與河流連通緊密,其碳排放量約占全球河流碳排放量的36%,是流域河流碳輸出的開端與碳排放的熱點區域[1-2].因此,研究河源區河流和陸地生態系統之間的碳交換過程及控制因素對理解區域和全球碳循環路徑意義重大.

目前有多項研究試圖探索河源區河流CO2的來源和驅動因素,并聚焦于河流與河岸土壤中碳過程的連通性.Campeau等[3]利用穩定碳同位素,研究土壤中的無機碳輸送到河流的過程,捕捉到其中的CO2逸散與碳轉化現象.Aitkenhead等[4]利用蘇格蘭東北部河流DOC濃度與土壤有機碳庫進行對比,發現土壤碳庫在不同尺度的流域中都表現為河流DOC濃度的良好預測因子,在小型流域中二者相關性尤其明顯.Hope等[5]基于英國泥炭地流域中泥炭與河岸土壤的CO2濃度數據,識別到相似的季節性變化特征,驗證了河流與土壤碳過程之間存在密切聯系.但以上研究大多基于低時間分辨率的采樣方法,對河流與土壤CO2高頻動態的關聯性分析仍不夠清晰,尤其是在缺少降水的干旱區河流河源區.

近年來許多研究利用新型傳感器技術,在湖泊[6]、水庫[7]和大河流[8],以及溪流中[9-10]高頻記錄水體CO2濃度.Bastvike等[11]與Johnson等[12]通過非分散紅外傳感法持續監測CO2時空濃度動態,實現了CO2濃度變化的高頻觀測,成為探索內陸水域CO2源匯流的新途徑,為分析水中碳的潛在來源區與河流的聯系和對生物地球化學轉化的影響提供了重要的數據基礎.Dinsmore等[13]基于加拿大東南部湖泊中高分辨率CO2濃度動態數據,發現河流夏季CO2濃度與水生動植物的生物過程密切相關.水生生態系統中的CO2動態受河流運動與集水過程的共同影響,而空間分布的高分辨率數據可用于區分不同過程對濃度與通量模式的作用.然而這些研究僅側重于分析河流的CO2濃度變化特征,CO2濃度高頻觀測技術在河流與土壤碳過程連通性的研究上仍有很大的應用潛力未被發掘.

研究水體物質遷移過程規律時,通常使用時域數據分析方法.Dornblaser等[14]采用傳統時域分析方法研究北極地區河流碳含量變化特征,觀測到DIC與DOC含量的年際變化規律.然而,CO2時間序列動態特征復雜,時域分析無法準確體現CO2動態的的短期(每日)變異性.頻譜分析方法可以將問題轉化至頻域,分析時間模式并提供遷移速率的定量估計作為觀測動態固有時間尺度的函數[9,15-17].與時域分析相比,頻譜分析更適合處理高頻數據,可精準識別數據的短期時間變異性.Crawford等[9]在研究美國北部河源區河流時,基于高分辨率CO2濃度動態數據,利用頻譜分析分離了不同周期的CO2濃度波動的幅度,以此來獲得控制CO2濃度動態過程的主要時間尺度.采用頻譜分析方法可有效利用空間分布的高分辨率數據,通過對不同位置CO2動態時間序列及其影響因子的相干性分析,探究河流與土壤CO2過程關聯性,以提高對內陸水域CO2濃度變化過程的認識.

本次研究選擇陜西省榆林市的海流兔河流域,基于實測高分辨率CO2濃度動態數據,利用頻譜分析方法明晰河流與土壤CO2濃度的變化特征,通過CO2動態與影響因子的相關性研究識別控制河流與土壤CO2動態的關鍵驅動因素和過程,為深入理解陸地生態系統與水生生態系統間的碳循環過程提供理論參考.

1 材料與方法

1.1 研究區概況

本次研究區位于海流兔河流域,地處中國西北半干旱地區的陜西省榆林市.流域面積約2500km2,為陜北黃土高原與毛烏素沙漠過渡地帶的洼地小流域[18-19].區內地表水和地下水主要來源于大氣降水補給,流域內多年平均降雨量370mm,降水年際和年內變化大,降雨集中在7～9月,多年平均潛在蒸發量2000mm.海流兔河及其支流補浪河為該流域內的兩條主要河流.

海流兔河流域內主要包含兩個地下水含水巖組,在流域上均勻分布有第四系孔隙潛水含水巖組(Q3s),主要由粉細砂和黃土構成,含水量分布較均勻,地下水埋深一般為0～50m;在部分地區的梁地出露的為白堊系碎屑巖類裂隙孔隙潛水半承壓水含水巖組(K1h),主要構成為砂巖與粉砂巖,厚15～400m,且縱向變化明顯,構成了流域內主要富水層[20].

1.2 數據監測

研究區選擇陜西省榆林市西部的海流兔河流域上游一集水區,總匯水面積約2.81×105m2.目前已經在研究區野外試驗場地內布設了氣象站,在研究區安裝了多處河流和地下水動態自動監測儀,建立了自動化生態水文動態觀測網絡.

本次土壤-地下水-河流水文與CO2聯合監測選取在流域內的補浪河,建有小型氣象站1個.如圖1所示,在與河流水平距離為1.5, 3.6和7.5m的位置各布設1個土壤含水率監測點和1個CO2濃度監測點.含水率監測點與CO2濃度監測點皆布設于地面以下0.2m深度處,確保監測點位于河流水位之上.此外,還對地下水位和河水位以及水體中的CO2濃度進行動態監測,然而地下水中CO2濃度監測有著明顯的偏移現象,因此未用來分析.

圖1 野外監測點布設示意

監測獲得了榆林剖面內河流CO2濃度動態數據、河岸、中坡與上坡土壤CO2濃度動態數據,以及地下水位動態數據與土壤含水量數據,監測頻率均為每10min記錄一次數據.由于溫度顯著變化時的數據更具代表性,且考慮到部分時段的數據缺失,因此選擇數據較完整的2019-08-01—2020-01-31和2020-09-12—2021-01-11兩段時間的數據進行分析.如圖2所示,河流CO2濃度在1000′10-6～4000′10-6范圍內呈高頻小幅度波動;而土壤中的CO2濃度呈高頻大幅度波動,存在明顯峰值,中坡位置的CO2濃度明顯高于河岸與上坡CO2濃度,最高達到16000′10-6左右,最小濃度約500′10-6.2019～2020年時段內監測剖面的CO2濃度總體高于2020～2021年時段.從河流到上坡水位逐漸上升,地下水常年補給河流,水位在0.1～0.6m范圍內頻繁波動.土壤體積含水率總體較低,在0.03～0.23范圍內波動,中坡位置含水率最高.

圖2 2019～2020年與2020～2021年河流與土壤CO2濃度曲線圖(a,b)?水位動態圖(c,d)和含水量曲線圖(e,f)

通過研究區CO2濃度的時域分析,可觀察到河流與土壤CO2動態存在不同時間尺度的濃度波動,因此本研究使用頻譜分析方法將CO2時間序列中不同周期的濃度波動分離,以研究河流與土壤CO2濃度變化特征及其影響因子,并分析不同位置CO2動態的相干性,進一步分析河流CO2主要來源與河流CO2動態的驅動因子.

1.3 研究方法

本次研究采用頻譜分析方法,將信號由時域轉化到頻域進行處理.常見的頻譜分析方法是通過傅立葉變換,將信號分解為不同相位與頻率的諧波集合,其中的主要頻率可與重要的物理或生物地球化學過程的時間尺度相關聯,用于分析變量的驅動因素.例如河流CO2濃度時間序列,利用信號的傅立葉變換()將數據由時域轉換到頻域,方程如下(式1):

式中:是信號的傅立葉表示,是時間, s;是用于定義周期= 2π/(s)的角頻率, rad/s.等式(1)表明所分析的時間序列是一組諧波函數疊加形成的結果.因此,時間序列中波動的幅度(即各個諧波函數的幅度)可根據頻率分解,并利用功率譜來進行評估:

式(3)可以看作一個非歸一化累積分布函數 (CDF),當積分上限2達到時間序列中最長的可能周期max時,該函數值接近時間序列中的總方差.因此,可對總方差進行歸一化獲得特定周期間隔的相對重要性,從而通過式(4)得出方差的CDF,即().

()的值隨著上積分的增加而增加,在2max時達到統一.

總的來說,傅立葉變換和相應的 PSD(式2)和方差的 CDF(式4)是對原始時域信號的替代表示.這兩種表示方式揭示了不同的信息,時域表示可提供給定時刻的變量信息,而頻域表示則為各種頻率分量提供了顯著周期的有關信息以及每個周期相關的方差的相對重要性.

雖然傅立葉變換可將信號分解為一組諧波函數并提供與每個周期相關的方差的信息,但無法獲取不同頻率信號的出現時間,不適合處理非平穩信號.由于現實中觀測獲得的時間序列基本都為非平穩信號,因此在處理實際問題時,為了解時間序列中方差分布的時間可變性,主要采用兩種方法:(i)加窗傅立葉變換,和(ii)小波變換.前者是將時間序列分割為若干個等寬的時間窗口,在每個窗口內分別進行傅立葉變換與PSD評估,但由于其窗口長度固定,無法權衡時間與頻率的分析精度,存在一定局限性.本次研究選擇連續小波變換進行分析,與傅立葉變換相比,它包含一個可及時移動變換的定位參數,根據信號特征調整所截取時間序列的長度.函數的連續小波變換如下:

式中:為小波的中心頻率.基于連續小波變換(式6),兩個時間序列之間的相干性可以定義為平方的交叉譜W,根據單個頻譜歸一化為:

式中:是時間和尺度上的平滑算子.實值小波相干性R提供介于0和1之間的值,并測量局部交叉相關系數作為頻率和時間的函數.

本次研究將所選時段內的河流與土壤CO2與水位動態數據進行小波分析,計算河流CO2時間序列的PSD(功率譜密度)與小波方差以獲取主要周期并分析河流與河岸帶CO2動態變化特征;在此基礎上,計算小波相干功率譜,分析CO2動態與影響因子的相關性,并進一步研究河流CO2濃度與河岸?中坡?上坡土壤CO2濃度的相關性,推斷河流CO2來源與河流CO2動態的驅動因子,進一步了解水體碳循環過程.

2 結果與討論

2.1 河流與土壤CO2動態變化特征

2.1.1 CO2時間序列小波方差分布 本次研究將所采集的2019～2020年及2020～2021年的CO2時間序列進行小波分析,以揭示河流與河岸、中坡、上坡位置CO2時空模式.通過小波方差圖顯示的主周期時間尺度,查明對應周期,以此獲得河流與土壤CO2濃度變化特征與控制CO2濃度動態過程的主要時間尺度.

圖3 2019～2020年CO2動態小波方差分布圖(a)與2019～2020年與2020～2021年CO2動態小波方差分布年際對比圖(b,c,d)

由不同時段的小波方差圖(圖3)可知,所有采樣位置的CO2濃度波動方差隨時間尺度增加.相較于短周期(<0.5d),中周期(0.5～3d)與中長周期段(3～20d)的方差值波動更為明顯,這種波動在河流中表現格外明顯,并在0.8d與1.6d時間尺度上波峰最為明顯(虛線標注點).根據時間尺度查詢相應的小波系數實部確認對應周期分別為0.5d與1d.由此可得:0.5d與1d為CO2濃度波動的主要周期,其中1d周期對應的波峰最為突出(圖3),這種強烈的晝夜信號說明了每日CO2動態背后驅動過程的重要性.

根據2019～2020年CO2時間序列的小波方差圖(圖3a),河流CO2濃度相比于其他位置波動更為顯著.觀察各位置的年際對比圖(圖3b～d),2019～2020年時段CO2時間序列的方差在各位置皆大于2020～2021年時段,說明2019～2020年的CO2時間序列具有更高的可變性,推測與該時段更豐富的降水與更大幅度的氣溫變化有關.同時,2020～2021年河流的方差分布圖主要周期的波峰更為突出(圖3b),而2019～ 2020年河岸方差分布圖上=0.5d對應的波峰明顯強于2020～2021年時段(圖3c).在短周期(<0.5d)上,近河流土壤CO2濃度的方差皆存在一定阻尼(波動性減弱);而在中長周期(1d<<10d)上,所有位置普遍存在阻尼.

2.1.2 CO2濃度波動的時間定位 通過小波方差分布圖僅能了解所選時段內CO2濃度波動的主要周期,無法具體定位不同周期CO2濃度在時間上的強度分布,因此對河流CO2時間序列進行連續小波變換,并繪制小波功率譜(圖4)對CO2濃度波動的周期強度進行時間定位,分析CO2動態變化特征在時間上的分布情況.

圖4 2019～2020年和2020～2021年河流CO2濃度與水位動態圖(a,b),河流CO2動態小波功率譜圖(c,d)及降水資料(e,f)

小波功率譜圖(c,d)的色帶說明周期性強度

觀察所選時段內河流CO2濃度與河水水位動態圖(圖4a,b)發現,河流CO2濃度與水位波動存在一定相關性,隨著河水位的增加,CO2呈現下降的趨勢,且每次水位波動略早于CO2含量波動,判斷二者存在因果關系.結合流域氣象條件,發現多數河流CO2波動和水位趨勢轉折點與流域內降水時間相符(圖4e,f),例如在2019年9月初流域發生降雨,同時段河流水位從0.15m驟升至0.35m左右,隨后河流CO2濃度迅速從1700′10-6降至1200′10-6左右(圖4a,e).由此推測降水是河流水位呈上升趨勢的主要原因.由于降水后河流流量增加,流速增快,使CO2的氣體交換速率增大,河流中部分CO2逸散到大氣中,同時降雨后河流水位的上升一定程度阻礙了地下水向河流的碳遷移,因此導致河流CO2濃度的下降.相反,當沒有降水時河流的流量較小,流速較慢,CO2的氣體交換率較為穩定,河流的CO2逸散量較少,且地下水對河流的CO2輸送量較穩定,使河流CO2濃度有所升高.觀察小波功率譜圖(圖4c,d)可知,2019- 08-01—2020-01-31和2020-09-12—2021-01-11兩個時段內都出現了4天至幾個月的長周期的大幅度河流CO2濃度波動.從周期強度判斷,河流CO2動態的主要周期為0.5d與1d,與方差分布圖反映的主要周期相一致,表現出強烈的晝夜信號,推測為溫度與光照條件影響下光合作用與呼吸作用共同導致的結果.另外,結合周期強度的時間分布發現,水位的波動會覆蓋河流CO2濃度的周期波動,使0.5d與1d的周期強度在功率譜圖上的對應時刻存在突變,晝夜信號明顯減弱,且突變時刻與流域內強降雨時刻相符,佐證了對于降水導致河流水位運動趨勢改變的判斷,也反映了水文條件與CO2濃度波動之間的密切聯系.

2.2 河流CO2動態與影響因子相干性分析

為認識環境對河流CO2濃度的影響機理,進一步了解影響河流碳過程的驅動因子,使用小波相干譜對河流CO2動態和各影響因子進行相干性分析,量化時頻平面上時間序列對之間的互相關性,研究時間模式的相似性[21].篩選出河流水位?氣溫?水溫與太陽輻射作為河流CO2動態的影響因子,選擇2019-08-01—2020-01-31時段的數據進行相干性研究(圖5).

圖5 2019～2020時段河流CO2動態與水位(a),氣溫(b),水溫(c),太陽輻射(d)小波相干譜

小波相干譜的色帶說明相干性強弱,箭頭表示時間序列之間的相位差,→= 0,↑=/4,←=±/2,↓= -/4

通過相干性分析,觀察到河流CO2動態與溫度因子存在較為連續的高相干,主要集中在0.5～1d的晝夜尺度上(圖5b,c).由于溫度本身具有晝夜變化的周期性規律,因此推測溫度很大程度上影響著河流碳過程.溫度與CO2濃度變化呈明顯的正相關性(相位差接近0),這可能反映了溫度升高導致水生動植物呼吸作用與微生物分解作用加劇[22],造成CO2濃度升高.觀察高相干的時間分布發現,秋冬季節的相干性明顯高于夏季(圖5b,c),推測是由于夏季溫度高且波動較小,缺少長期的變化趨勢,因此相干性主要集中在晝夜尺度;秋季開始出現持續性降溫,河流內碳過程持續受到降溫影響,因此在較大范圍的時間尺度上存在高相干性.

另外,太陽輻射與河流CO2濃度的相干性表現與溫度相似,但總體相干性較溫度因素有所減弱,呈較弱的正相關性(圖5d).由于太陽輻射同時影響河流內呼吸作用與光合作用,輻射強度與CO2的正相關性反映了太陽輻射引起溫度上升對呼吸作用的促進作用大于其對光合作用的促進作用.

與溫度和太陽輻射因素相比,河流水位與CO2濃度的相干性較低,主要表現為負相關(圖5a),推測是由于水位升高時流速增大導致河流向大氣逸散更多CO2,從而造成CO2濃度下降.雖然當水位條件顯著變化時會擾動河流自身代謝規律造成CO2濃度波動,但在水文條件相對穩定時,相干性分析表明水位的小幅波動并未對河流CO2動態起到決定性作用.綜上分析,溫度是河流CO2動態的主要驅動因子.

2.3 土壤CO2動態與影響因子相干性分析

除河流CO2濃度外,進一步對土壤CO2動態的影響因子進行相干性研究,以研究河流-土壤橫斷面CO2動態情況.針對土壤CO2動態,選擇了水位、溫度、土壤含水量與太陽輻射作為可能的影響因子進行相干性分析(圖6).在各土壤監測點中,中坡位置的CO2濃度最高,動態特征較為明顯,因此選擇中坡的數據進行分析研究.

與河流相比,土壤CO2動態與溫度的高相干并不明顯集中在晝夜尺度上(圖6b),在0.25～2d的范圍內均分布有明顯高相干.CO2濃度與溫度信號存在一定相位差,總體呈正相關,推測相位差是由于土壤碳過程對溫度響應的滯后性造成的,溫度對土壤CO2濃度的影響機理與河流相似,即溫度升高促進了土壤內呼吸作用與微生物分解作用,使CO2濃度升高.除此之外,土壤CO2動態與太陽輻射和地下水位因子的相干性也與河流的表現相似,太陽輻射與CO2濃度在晝夜尺度上高相干,而地下水位與土壤CO2濃度呈負相關且相干性有所減弱(圖6a,d).

圖6 2019～2020時段中坡CO2動態與水位(a),溫度(b),土壤含水量(c),太陽輻射(d)小波相干譜

在土壤環境中,含水量也對CO2濃度有所影響,雖然相干性弱于溫度與太陽輻射因子,但其影響機理依據環境特征具有更為復雜的表現.研究區土壤采樣位置的土壤含水量均較低,選擇中坡處CO2濃度與含水量進行分析,發現強烈的正相關性(圖6c),即土壤含水量增加,CO2濃度隨之升高.由此推測在含水量不高的環境中,含水量的升高促進了土壤呼吸,導致了CO2濃度升高;但當含水量過高抑制土壤中的有氧呼吸時,可能造成CO2濃度的降低.對于土壤CO2動態,除溫度因子之外還要將土壤含水量作為主要影響因子考慮在內.

圖7 2019～2020年河流與河岸(a,b),河流與中坡(c,d),河岸與中坡(e,f),中坡與上坡(g,h)之間的CO2時間序列及小波相干譜

2.4 河流-土壤橫斷面CO2時間模式相干性分析

基于對河流與土壤CO2動態的變化特征分析,認為二者存在一定相關性,對河流與土壤多個監測點的CO2動態分別進行相干性分析.由圖7a,b可以看出,河流與河岸土壤層中CO2動態的相干性主要集中在晝夜尺度上,表現為正相關性.土壤內部各位置的CO2動態相干性明顯升高,且在較大范圍的時間尺度內(幾個小時至幾個月)都分布有高相干(圖7f,h),說明CO2在河流附近的土壤環境中具有相似的長期動態過程.土壤CO2動態的這種同步性表明有共同的碳過程(土壤呼吸作用)塑造了地下水中的CO2動態,而高濃度的CO2隨著河流與土壤間的滲流過程(土壤水與淺層地下水)釋放到河流中.這些結果強調了流域內土壤是河流CO2的重要來源,對河流碳循環過程有重要作用.

與先前分析一致的是,河流與土壤的CO2動態都在晝夜尺度上存在高相干,即二者都受溫度與太陽輻射影響,具有晝夜周期的濃度波動.值得注意的是,高相干性的周期波動并不連續,在研究時段上存在中斷;而在同時段河流-河岸?河岸-中坡小波相干譜中(圖7b,d),中斷發生的時間相一致.對比流域內降水資料(圖4e)可以發現,許多中斷時刻與降水時間相符,推測CO2時間模式的不連續性與流域降水等條件的隨機變化有關,反映了流域內水文條件變化對CO2濃度周期波動的影響.

3 結論

3.1 CO2動態具有高度時間變異性,各監測位置上CO2濃度波動存在強烈晝夜周期性變化特征,且該特征在河流CO2濃度變化中尤為顯著.這反映了河流內部光合作用與呼吸作用在溫度與光照條件影響下控制著CO2動態.

3.2 流域內降水過程對土壤與河流間碳遷移過程存在顯著影響.降水造成流量增加,河流流速增快,CO2氣體交換率增大,河流CO2逸散量增大,同時河流水位抬升使地下水向河流的CO2輸送量減少,由此導致河流CO2濃度降低,這進一步證實了土壤中貯存的CO2為河流的主要碳源.

3.3 河流內呼吸作用強度與溫度密切相關,溫度為河流CO2主要驅動因子;對土壤CO2而言,除溫度外土壤含水量也是影響其濃度的主要驅動因子.

3.4 通過河流與土壤CO2動態間的相干性分析,識別到河流-土壤橫斷面中CO2長期動態過程的相似性與短期晝夜信號的一致性,展現了河流與土壤間緊密與穩定的水力連通性,強調了地下水在土壤與河流碳遷移過程中起到了關鍵的運輸作用.

[1] Marx A, Dusek J, Jankovec J, et al. A review of CO2and associated carbon dynamics in headwater streams: A global perspective [J]. Reviews of Geophysics, 2017,55:560–585.

[2] Raymond P A, Hartmann J, Lauerwald R, et al. Global carbon dioxide emissions from inland waters [J]. Nature, 2013,503(7476):355–359.

[3] Campeau A, Bishop K, Nilsson M B, et al. Stable carbonisotopes reveal soil-stream DIC linkagesin contrasting headwater catchments [J]. Journal of Geophysical Research: Biogeosciences, 2018,123:149–167.

[4] Aitkenhead J A, Hope D, Billett MF. The relationship between dissolved organic carbon in stream water and soil organic carbon pools at different spatial scales [J]. Hydrological Processes, 1999,13:1289–1302.

[5] Hope D, Billett M F, Milne R. Brown TAW Exports of organic carbon in British rivers [J]. Hydrological Processes, 1997,11:325–344.

[6] Denfeld B A, Wallin M B, Sahlée E, et al. Temporal and spatial carbon dioxide concentration patterns in a small boreal lake in relation to ice-cover dynamics [J]. Boreal Environmental Research, 2015,20: 679–692.

[7] Morales-Pineda M, Cózar A, Laiz I, et al. Daily, biweekly, and seasonal temporal scales of pCO2variability in two stratified Mediterranean reservoirs [J]. Journal of Geophysical Research: Biogeosciences, 2014,119:509–520.

[8] Lynch J K, Beatty C M, Seidel M P, et al. Controls of riverine CO2over an annual cycle determined using direct, high temporal resolutionCO2measurements [J]. Journal of Geophysical Research, 2010,115: G03016.

[9] Crawford J T, Stanley E H, Dornblaser M M, et al. CO2time series patterns in contrasting headwater streams of North America [J]. Aquatic Sciences, 2017,79(3):473–486.

[10] Leith, F I, Dinsmore K J, Wallin M B, et al. Carbon dioxide transport across the hillslope–riparian–stream continuum in a boreal headwater catchment [J]. Biogeosciences, 2015,12:1881–1892.

[11] Bastviken D, Sundgren I, Natchimuthu S, et al. Technical note: Cost-efficient approaches to measure carbon dioxide (CO2) fluxes and concentrations in terrestrial and aquatic environments using mini loggers [J]. Biogeosciences, 2015,12(12):3849–3859.

[12] Johnson M S, Billett M F, Dinsmore K J, et al. Direct and continuous measurement of dissolved carbon dioxide in freshwater aquatic systems—Method and applications [J]. Ecohydrology, 2010,3(1):68-78.

[13] Dinsmore K J, Billett M F, Moore R T. Transfer of carbon dioxide and methane through the soil–water–atmosphere system at Mer Bleue peatland [J]. Canada. Hydrological Processes, 2009,23:330–341.

[14] Dornblaser M, Striegl R. Switching predominance oforganic versus inorganic carbonexports from an intermediate-sizesubarctic watershed [J]. Geophysical Research Letters, 2015,42:386–394.

[15] Kirchner J W, Neal C. Universal fractal scaling in stream chemistry and its implications for solute transport and water quality trend detection [J]. Proceedings of the National Academy of Sciences, 2013, 110(30),12:213–12, 218.

[16] Schmidt S R, Lischeid G, Hintze T, et al. Disentangling limnological processes in the time-frequency domain [J]. Limnology and Oceanography, 2018,64(2):423–440.

[17] Godsey S E, Aas W, Clair T A, et al. Generality of fractal 1/f scaling in catchment tracer time series, and its implications for catchment travel time distributions [J]. Hydrological Processes, 2010,24(12):1660–1671.

[18] 周生輝,劉廷璽,段利民,等.毛烏素沙地海流兔河流域水文地質特征[J]. 中國沙漠, 2021,41(5):103-110.

Zhou S H, Liu T X, Duan L M, et al. Hydrogeological characteristics of Hailiutu River basin in Maowusu desert [J]. Journal of Desert Research, 2021,41(5):103-110.

[19] 趙安周,劉憲鋒,朱秀芳,等.2000～2014年黃土高原植被覆蓋時空變化特征及其歸因[J]. 中國環境科學, 2016,36(5):1568-1578.

Zhao A Z, Liu X F, Zhu X F, et al. Characteristics and attribution of spatiotemporal changes in vegetation cover on the Loess Plateau from 2000 to 2014 [J]. China Environmental Science, 2016,36(5):1568-1578.

[20] Wang C, Xie Y, Liu S, et al. Effects of diffuse groundwater discharge, internal metabolism and carbonate buffering on headwater stream CO2evasion [J]. Science of the Total Environment, 2021,777(1):146230.

[21] Riml J, Campeau A, Bishop K, et al. Spectral decomposition reveals new perspectives on CO2concentration patterns and soil‐stream linkages [J]. Journal of Geophysical Research: Biogeosciences, 2019, 124(10).

[22] 朱怡帆,田澤斌,王麗婧,等.東洞庭湖漲水期水域碳匯特征及其影響因素[J]. 中國環境科學, 2023,43(2):843-853.

Zhu Y F, Tian Z B, Wang L J, et al. Characteristics and influencing factors of carbon sink in East Dongting Lake during flood period [J]. China Environmental Science, 2023,43(2):843-853.

Variation characteristics and correlation of soil and stream carbon dioxide concentrations in a headwater catchment.

LI Jia-qi1,2, JIANG Zhen-jiao3, DAI Xin1,2, WANG Chuan1,2, WU Li-wen4, XIE Yue-qing1,2*

(1.School of Earth Sciences and Engineering, Nanjing University, Nanjing 210023, China；2.Frontiers Science Center for Critical Earth Material Cycling, Nanjing University, Nanjing 210023, China；3.College of New Energy and Environment, Jilin University, Changchun 130026, China；4.The Department of Health and Environmental Sciences, Xi’an Jiaotong-Liverpool University, Suzhou 215123, China)., 2023,43(12)：6667～6676

With the objective to characterize CO2dynamics from soil to streams, and to identify relevant influential factors along with temporal evolution patterns, this study established a high-frequency CO2concentration monitoring transect with four measuring points in a stream and adjacent soil located in the upper reach of the Hailiutu River Basin in Yulin city, Shannxi province. With the spectrum and wavelet analysis, strong diurnal signals with periods of 0.5 and 1d frequencies are identified based on the CO2concentration time series, indicating that the diurnal stream metabolism plays a key role in regulating in-stream CO2dynamics. Additionally, variations in hydrological events, i.e. precipitation in the catchment, may lead to prominent changes in CO2evasion, which has a significant impact on the carbon cycling between stream and soil. Bivariate wavelet coherence analysis reveals that temperature and soil water content directly control stream and soil CO2dynamics, and confirms that soil-stored CO2is the main source of the stream CO2evasion. Further, the results indicate that groundwater is an important pathway for carbon transport from soil to streams.

spectrum analysis；wavelet analysis；headwater streams；coherence；carbon cycle；soil；groundwater；carbon dioxide

X16

A

1000-6923(2023)12-6667-10

李家琪,姜振蛟,戴 鑫,等.河源區土壤與河流二氧化碳濃度變化特征及相關性 [J]. 中國環境科學, 2023,43(12):6667-6676.

Li J Q, Jiang Z J, Dai X, et al. Variation characteristics and correlation of soil and stream carbon dioxide concentrations in a headwater catchment [J]. China Environmental Science, 2023,43(12):6667-6676.

2023-05-15

國家自然科學基金資助項目(41972246,41807185),關鍵地球物質循環前沿科學中心“科技人才團隊”項目,中央高校基本科研業務費專項資金(020614380135)

* 責任作者, 教授, yxie@nju.edu.cn

李家琪(2000-),女,浙江寧波人,南京大學碩士研究生,主要從事水文與水資源方向研究.lijiaqi@smail.nju.edu.cn.