Wetland changes before and after Baiyangdian ecological restoration project based on multi-source data and multi-feature combination
-
摘要:目的
白洋淀湿地是华北平原最大的淡水湿地生态系统，对改善和调节雄安新区乃至整个京津冀的气候和生态环境具有重要作用。探究白洋淀湿地生态修复前后下垫面的变化特征，旨在为后续的生态修复工程提供理论参考。
方法本研究通过选取生态修复前后（2017年和2022年）的Sentinel-1 SAR影像和Sentinel-2多光谱影像，提取光谱指数特征、SAR指数特征和纹理特征，结合随机森林方法，对白洋淀湿地进行分类；从下垫面类型、面积和景观格局指数变化，分析生态修复前后白洋淀湿地的变化情况。
结果（1）同时使用光谱指数特征、SAR指数特征和纹理特征3种特征进行分类的总体精度最高，光谱指数特征、SAR指数特征和纹理特征的重要性贡献率分别为40.713%、27.269%和32.018%。（2）2017—2022年，耕地面积明显减少，湿地面积显著增加，湿地面积的增长主要来自耕地的转换。（3）生态修复后，2022年林地和水体的破碎化程度均有减小的趋势，水体、挺水植物和林地的聚集度和连通性都有不同程度的提升，其中最明显的为林地。
结论生态修复之前白洋淀湿地景观趋于破碎化，生态修复后白洋淀湿地的水体、挺水植物以及林地各自的连通性和聚集度明显提升。淀区内的退耕还淀、生态清淤和生态补水等工程增加了白洋淀湿地面积，提升了白洋淀水体的连通性。
Abstract:ObjectiveBaiyangdian wetland is the largest wetland ecosystem in the North China Plain, and plays an important role in improving and regulating the climate and ecological environment of Xiong’an New Area and even the whole Beijing Tianjin Hebei Region. Exploring the changing characteristics of Baiyangdian wetland underlying surface before and after ecological restoration aims to provide theoretical reference for the subsequent ecological restoration project.
MethodSentinel-1 SAR images and Sentinel-2 multi-spectral images before and after ecological restoration (2017 and 2022) were selected to extract spectral index features, SAR index features and texture features. Combined with random forest method, the Baiyangdian wetland was classified, and the changes of Baiyangdian wetland before and after ecological restoration were analyzed from the changes of underlying surface type, area and landscape pattern index.
Result(1) The overall accuracy of classification using spectral index features, SAR index features and texture features was the highest. The importance contribution rates of spectral index features, SAR index features, and texture features were 40.713%, 27.269%, and 32.018%, respectively. (2) From 2017 to 2022, the area of cultivated land decreased significantly, while the area of wetland increased significantly. The increase of wetland area mainly comes from the conversion of cultivated land. (3) After ecological restoration, the fragmentation degree of forest land and water body in 2022 had a decreasing trend, and the aggregation degree and connectivity of water, emergent plants and forest had been improved to varying degrees, among which the most obvious was forest.
ConclusionThe landscape of Baiyangdian wetland tends to be fragmented before the ecological restoration, while after ecological restoration, the connectivity and aggregation of water bodies, emergent plants, and forest land have been improved, which shows that the projects of returning farmland to lake, ecological dredging and water replenishment have increased the area of Baiyangdian wetland and improved the connectivity of water body.
-
化肥过量施用、土壤侵蚀、河岸植被破坏等易使面源污染物通过地表径流和地下渗流进入河湖水体中[1−2]。全球范围内近50%的地表水资源已经受到面源污染的影响。然而，面源污染具有很大的随机性，分布面积广，时间和空间变化幅度较大，所以在监测、控制和治理上存在诸多困难和复杂性，这使得减轻农业面源污染成为一项艰巨的任务，也使面源污染治理逐渐成为水环境保护与水资源利用中的重点和难点[3]。
河岸植被缓冲带是一个由土壤、水、植被等构成的生态系统，通过植物吸收、土壤吸附等一系列物理、化学和生物过程，截留、吸收和转化污染物，阻止径流水中的污染物进入水体，被认为是面源污染防治的有效管理措施[4]。黄斌斌等[5]研究发现，森林的水质净化率最高，达91%，其次是灌丛（87.80%）和草地（82.28%）。Haukos等[6]研究发现，40 ~ 60 m宽的植被缓冲带可以显著减少地表径流中的养分、重金属和其他污染物的负荷。农业区河流失去河岸植被，可能会对河流生态系统的结构和功能产生深远的影响[3，6]。因此，恢复和重建河岸缓冲带以减少农业活动对河流的污染负荷，应受到重视并成为流域治理的重要途径。
生物炭是由生物质在低氧或无氧、高温条件下裂解产生的一种富碳物质[7−8]。由于生物炭化学性质稳定，具有碱性、多孔的结构、良好的阳离子交换能力以及大的比表面积等特点，在土壤污染修复、提高土壤肥力、增加土壤碳封存等方面都有重要意义[9]。特别是生物炭通过改善土壤物理性质，改变土壤微生物群落结构和功能，影响土壤养分循环和有机质分解，并可能减少氮的淋溶，提高氮的滞留[10]。因此，生物炭作为一种环境功能性材料在改善土壤、净化水质、物质循环、土壤固碳等方面得到了广泛的应用。但生物炭的生态效益因植被类型、生物炭性质、土壤类型和土地利用类型而异[10]。以往的研究表明[11]，河岸缓冲带的植被类型对污染物截留去除效果差异显著，但也有研究[6]表明缓冲带的植被类型对污染物去除差异不大。生物炭通过影响土壤微生物群落和土壤酶活性对土壤微生物产生影响，但生物炭对微生物群落的影响仍存在争议。一些研究认为生物炭对微生物群落有促进作用或抑制作用，而另一些研究认为生物炭对微生物群落没有影响。因此，生物炭对污染物截留去除的效果，对土壤微生物群落变化的影响尚不完全清楚，有待进一步的研究。同时，现有的研究更多关注生物炭对农田的影响，且多室内盆栽试验，野外研究相对匮乏，生物炭添加对河岸林地影响的研究相对较少。
白洋淀的生态环境是雄安新区健康发展的重要保障，而入淀河流的水质影响着白洋淀的水环境质量。近年来，白洋淀流域通过减少外源污染排入、建立人工湿地、清淤和生态补水等方式进行了综合治理，但入淀河流仍然存在热点污染区域[12]。研究发现，白洋淀流域水体和沉积物的氮污染一直处于较高水平，是影响白洋淀流域水质的主要污染因子[13]。由于白洋淀流域河岸缓冲带存在生态功能脆弱、破碎化程度高的特点，且流域农业种植面积广、化肥施用量高，农业面源污染物很容易通过地表径流进入河流生态系统，影响流域污染治理效果[14]。因此，本研究选择白洋淀流域毛白杨林地为研究对象，探究不同生物炭添加量对河岸林土壤化学因子、微生物群落组成的影响，以及生物炭添加对河岸林地氮污染的阻控机制。研究旨在通过添加生物炭，强化河岸植被缓冲带的截留去污能力，减轻农业面源污染对流域水环境的威胁，为流域面源污染阻控及生态修复技术提供依据。
1. 研究区概况与研究方法
1.1 研究区域
白洋淀流域属海河流域大清河水系（113°39′ ~ 116°11′ E，38 °12′ ~ 39 °54′ N），跨山西和河北两省以及北京市，流域面积31 200 km2。属典型的温带大陆性季风气候，夏季高温多雨，冬季寒冷干燥，雨热同期，年平均气温7 ℃，多年平均降水量564 mm，年内降水量分配不均，70% ~ 80%集中在6—8月份，且多以暴雨形式出现[15]。流域地形地貌复杂，地势西高东低，其中山区占 43%，平原占57%，山区的土地利用类型主要是林地和草地等，土壤为褐土，平原地区主要是农田、城镇用地，土壤为潮土[16]。该流域农业种植面积广、化肥施用量高，氮肥和磷肥的平均施用量分别为100 ~ 300 kg/hm2和50 ~ 150 kg/hm2[17]。2017年雄安新区成立，围绕白洋淀而建，建设定位是中国未来生态与经济协调发展的先进新区，这对白洋淀流域生态环境提出了更高要求。由于其独特的自然条件和社会因素，白洋淀流域对维护华北地区生态环境具有不可替代的作用[18]。
1.2 样地概况和样地布设
白洋淀流域平原地区的河岸林基本都为毛白杨（Populus tomentosa），因此选择毛白杨河岸林为研究对象。于2023年5月18日，在白洋淀流域府河沿岸选择毛白杨人工林布设试验（图1a）。毛白杨行距为4 m，株距为3 m，密度为840株/hm2，林地郁闭度为0.75，林下植被稀少，偶见平车前（Plantago depressa）、艾（Artemisia argyi）、藜（Chenopodium album）等草本植物。林下稀疏生长毛白杨更新幼苗。
1.3 试验设计
所用的生物炭原材料为板栗壳。管式炉（型号KJ-T1200-S80-800S，规格为80 mm × 800 mm）通入高纯氮气30 min，以排净管中的空气。当管式炉温度升到指定温度（500 ℃）时，将装有板栗壳的石英管放入管式炉中进行炭化，炭化停留时间为2 h，自然冷却获得本试验所用生物炭。其表面积15.6 m2/g，容重0.23 g/cm3，pH8.56，全碳485.30 g/kg，全氮4.56 g/kg，全磷0.82 g/kg。
设置3种处理：未添加生物炭的对照（BC0）、添加生物炭3 t/hm2（BC3）、添加生物炭6 t/hm2（BC6）。每种处理3次重复，共设置9个样地，各处理组样地条件基本一致。样地设置在河流和农田之间的林地内（图1b），起始段和末端分别距农田、河流3 ~ 5 m，呈长方形布局，面积为2 m × 10 m。样地土壤为潮土，坡度为25°，坡长28 m。9块样地平行排列，间隔5 m。
在样地内开横沟施加生物炭，横沟长2 m，宽20 cm，深20 cm。每块样地开10条沟，沟与沟之间间距1 m。生物炭沟渠与地表径流方向垂直。在每块样地起始端（靠近农田处）添加氮肥（尿素，含N量为46%），添加带长3 m，宽0.5 m。模拟农业面源氮污染（图2），氮肥按照1 t/hm2，30 m2面积添加，每块样地的总添加量为3 kg。每月添加一次，连续添加4个月（5—8月），每次添加量为0.75 kg。
1.4 样品采集及指标测定
2023年9月中旬，采用五点取样法，清除地表枯枝落叶，采集样地中部0 ~ 20 cm表层土壤，装入塑封袋后放入保温箱中带回实验室。样品分为两部分，一份置于4 ℃冰箱用于土壤化学性质和土壤酶指标的测定；一份置于−80 ℃冰箱用于土壤微生物多样性的测定。
参照鲍士旦[19]提到的方法，进行土壤化学性质和酶的测定。土壤养分指标全氮的测定采用凯氏定氮法（Kjeltec 8400）；用重铬酸钾氧化加热法测定土壤有机质。土壤pH值使用玻璃电极pH计进行测定（水土比5∶1）；铵态氮和硝态氮采用流动分析仪测定（Smartchem 200）。土壤脲酶活性采用苯酚−次氯酸钠法测定，土壤硝酸还原酶活性采用酚二磺酸比色法测定，土壤亚硝酸还原酶活性用格里试剂显色与酶促反应前后NO−2-N变化表征。
1.5 细菌群落结构分析
采用高通量测序分析土壤细菌群落结构，在北京百迈克生物科技有限公司进行测序分析。采用E.Z.N.A. ® Soil DNA Kit提取土壤总DNA，以土壤总DNA为模板，采用341F（5′-ACTCCTACGGGAGGCAGCAG-3′）和806R（5′-GGACTACHVGGGTWTCTAAT-3′）对细菌16S rRNA基因的V3-V4高变区片段进行PCR扩增，扩增后的PCR产物用2%琼脂糖凝胶回收PCR产物，使用 AxyPrep DNA Gel Extraction kit进行纯化，Tris-HCl洗脱，2%琼脂糖电泳检测。利用QuantiFluorTM-ST检测定量，然后根据测序量需求将各样品按相应比例混合，构建Miseq文库，使用Illumina MiSeq平台测序。
1.6 数据处理和分析
采用SPSS26.0进行数据处理和分析，数据由平均值 ± 标准误表示，对土壤化学性质、土壤酶活性进行单因素方差分析和相关性分析。优势菌门与环境因子之间进行相关性热图分析，确定影响土壤细菌群落的关键环境因子。使用R、Origin 2021 软件进行绘图。
2. 结果与分析
2.1 不同处理组毛白杨林地土壤化学性质和酶活性
不同生物炭添加量的毛白杨林地土壤化学性质具有显著性差异（P < 0.05）（表1），其中BC6的土壤养分含量多高于BC3。与对照相比，BC3生物炭添加组全氮（TN）、铵态氮（NH+4-N）、硝态氮（NO−3-N）、有机质（SOM）、有机碳（SOC）分别提高10.39%、46.15%、8.57%、38.03%和 51.23%。BC6生物炭添加组TN、NH+4-N、NO−3-N、SOM、SOC分别提高 26.62%、92.31%、65.00%、78.05%和135.47%。
表 1 生物炭添加量对土壤养分和酶活性的影响Table 1. Effects of biochar addition on soil nutrients and enzyme activities指标 处理 BC0 BC3 BC6 全氮/(g·kg−1) 1.54 ± 0.05c 1.70 ± 0.1b 1.95 ± 0.02a 铵态氮/(mg·kg−1) 0.13 ± 0.04b 0.19 ± 0.03a 0.25 ± 0.07a 硝态氮/(mg·kg−1) 1.40 ± 0.21b 1.52 ± 0.23b 2.31 ± 0.60a 有机质/(g·kg−1) 8.02 ± 0.66c 11.07 ± 1.23b 14.28 ± 1.11a 有机碳/(g·kg−1) 4.06 ± 0.30c 6.14 ± 0.46b 9.56 ± 0.43a pH值 6.63 ± 0.21a 6.61 ± 0.29a 6.72 ± 0.19a 脲酶/(mg·g−1) 0.60 ± 0.03b 0.81 ± 0.06a 0.98 ± 0.07a 硝酸还原酶/(μg·g−1) 2.55 ± 0.64c 4.32 ± 1.01b 5.21 ± 1.35a 亚硝酸还原酶/(mg·g−1) 0.77 ± 0.15b 1.43 ± 0.19a 1.37 ± 0.25a 注：不同处理BC0、BC3、BC6的生物炭添加量分别为0、3、6 t/hm2。不同小写字母表示同一指标不同处理间差异显著（P<0.05）。下同。 不同生物炭添加量的毛白杨林地土壤酶活性具有显著性差异（P < 0.05），BC6生物炭添加组土壤酶活性高于BC3。同对照相比，BC3生物炭添加组脲酶（S-UE）、硝酸还原酶（S-NR）、亚硝酸还原酶（S-NIR）活性分别提高35.00%、69.41%和85.71%。BC6生物炭添加组S-UE、S-NR、S-NIR活性分别提高63.33%、104.31%和77.92%（表1）。
2.2 土壤酶活性与理化因子的相关性分析
表2显示：NO−3-N与NH+4-N、SOC、SOM之间呈现出极其显著正相关（P < 0.001）。TN与NO−3-N、SOC、SOM之间呈现极显著或显著正相关（P < 0.01或P < 0.05）。S-NR与S-NIR呈极其显著正相关（P < 0.001）。S-UE与pH呈极其显著正相关（P < 0.001）。S-NR、S-NIR分别与NH+4-N、NO−3-N、SOC、SOM呈极显著正相关（P < 0.01）。
表 2 土壤酶活性与养分因子相关分析Table 2. Correlation analysis of soil enzyme activity and nutrient factors指标 TN NO−3-N NH+4-N SOC SOM S-NR S-NIR S-UE pH TN 1 0.65** 0.21 0.55* 0.55* 0.41 0.41 0.42 0.42 NO−3-N 1 0.78*** 0.72*** 0.72*** 0.69** 0.69** 0.18 0.18 NH+4-N 1 0.37 0.37 0.60** 0.60** −0.10 −0.10 SOC 1 1.00*** 0.64** 0.64** −0.06 −0.06 SOM 1 0.64** 0.64** −0.06 −0.06 S-NR 1 1.00*** −0.21 −0.21 S-NIR 1 −0.21 −0.21 S-UE 1 1.00*** pH 1 注：*表示相关性在0.05水平显著，**表示相关性在0.01水平极显著，***表示相关性在0.001水平极其显著。TN.全氮；NO−3-N.硝态氮；NH+4-N.氨态氮；SOC.有机碳；SOM.有机质；S-NR.硝酸还原酶；S-NIR.亚硝酸还原酶；S-UE.脲酶。下同。 2.3 生物炭对毛白杨林地土壤细菌群落结构的影响
2.3.1 土壤细菌OTU数量分析
对不同处理组细菌操作性分类单元（operational taxonomic unit，OTU）进行韦恩分析。3个处理9个样品得到812 706个细菌有效序列，对土壤样品序列通过拆分、去冗余后，在97%相似度下进行OTU聚类共得到36 720个细菌OTU，不同处理土壤样品中共有的细菌OTU总数有1 023个。其中BC0处理14 923个OTU，BC3处理12 469个 OTU，BC6处理13 344个 OTU。BC0、BC3、BC6所特有的 OTU 数目分别为12 616、10 130、10 981个，占比分别为 34.36%、27.59%、29.91%。与BC0相比较，2种生物炭添加量都降低了土壤细菌中的OTU数量。
2.3.2 微生物群落α多样性分析
表3显示：土壤样本的覆盖率均在99%以上，且无显著差异（P > 0.05），这表明各组测得的数据都具有代表性，测序结果能够准确反应供试土样真实情况。各处理间Ace、Chao指数、Shannon多样性指数和Simpson多样性指数均无显著性差异（P > 0.05），生物炭添加对土壤细菌的α多样性影响较小。
表 3 不同处理生物覆盖度和多样性指数Table 3. Biological coverage and diversity indices under different treatments处理 Ace Chao指数 Shannon多样性指数 Simpson多样性指数 覆盖度/% BC0 2 802.2 ± 45.62 2 796.4 ± 45.58 10.12 ± 0.04 0.99 ± 0.00 99.96 ± 0.00 BC3 2 093.6 ± 125.69 2 089.1 ± 123.69 9.76 ± 0.39 0.99 ± 0.00 99.97 ± 0.00 BC6 2 587.6 ± 228.70 2 581.2 ± 226.47 10.14 ± 0.02 0.99 ± 0.00 99.96 ± 0.00 注：数值为均值 ± 标准误差。 2.3.3 土壤微生物门水平群落结构组成
在相似性水平97%的条件下，对OTU的代表序列做分类分析，共得到42个门，105纲，314个目，624个科，
1105 个属，1343 个种的土壤细菌（图3）。不同处理下土壤中主要的细菌群落组成相似，但相对丰度却有差异。在门分类水平上，相对丰度前10的细菌门包括变形杆菌门（Proteobacteria）、酸杆菌门（Acidobacteriota）、放线菌门（Actinobacteriota）、未分类菌门、绿弯菌门（Chloroflexi）、拟杆菌门（Bacteroidota）、芽单胞菌门（Gemmatimonadota）、黏球菌门（Myxococcota）、甲基微菌门（Methylomirabilota）、疣微菌门（Verrucomicrobiota）。![]()
图 3 土壤细菌门水平群落结构组成Figure 3. Composition of community structure of soil bacterial phylum level前六大优势菌门的相对丰度占总群落的比重接近80%，各处理变形杆菌门的相对丰度分别为BC6（27.86%） > BC3（27.52%） > BC0（26.76%）；酸杆菌门：BC3（23.84%） > BC0（22.28%） > BC6（21.37%）；放线菌门为BC0（13.09%） > BC3（9.61%） > BC6（8.12%）；未分类菌门为BC6（9.15%） > BC0（6.64%） > BC3（4.86%）；绿弯菌门为BC0（7.06%） > BC3（6.29%） > BC6（5.22%）；拟杆菌门为BC6（7.19%） > BC3（4.84%） > BC0（4.36%）。
总体来看，生物炭添加提高了变形杆菌门、未分类菌门和拟杆菌门的相对丰度；降低了酸杆菌门的相对丰度。变形杆菌门在生物炭添加组的相对丰度占比较高，其中含有大量的反硝化细菌，是影响反硝化效果的重要因素。反硝化作用是土壤中氮素转化与去除的主要方式之一。因此，生物炭添加通过影响土壤主要细菌门的相对丰度（如变形杆菌门），进而影响土壤中氮素的转化与去除。
2.4 环境因子与微生物群落结构相关性
土壤化学性质、酶活性与相对丰度前10的细菌门的相关性分析如图4所示。NO−3-N、NH+4-N、SOC、SOM、S-NR、S-NIR分别与变形杆菌门、拟杆菌门、疣微菌门正相关，其中SOC、SOM、S-NR、S-NIR分别与变形杆菌门、拟杆菌门、疣微菌门显著正相关（P < 0.05），NO−3-N、NH+4-N与变形杆菌门显著正相关（P < 0.05）。
![]()
图 4 土壤细菌群落结构和土壤化学性质相关性分析Figure 4. Correlation analysis of soil bacterial community structure and soil chemical propertiesNO−3-N、NH+4-N、SOC、SOM、S-NR、S-NIR分别与芽单胞菌门、酸杆菌门、绿弯菌门负相关，其中SOC、SOM、S-NR、S-NIR分别与芽单胞菌门、酸杆菌门、绿弯菌门显著负相关（P < 0.05），NO−3-N、NH+4-N与芽单胞菌门显著负相关（P < 0.05），SOC、SOM还与放线菌门显著负相关（P < 0.05）。
可见，SOC、SOM、S-NR、S-NIR是影响土壤微生物群落门水平的主要因子。
3. 讨 论
3.1 生物炭添加对毛白杨林地土壤养分和酶活性的影响
河流和河岸林地联系密切，通过物质循环、能量流动、动植物栖息、洪水和光照等相互作用高度交织在一起[3]。根据流域治理中的“源头减排−过程阻断−末端治理”模式，通过对污染物迁移、转化、扩散过程的拦截和阻断，能够有效减少污染物进入河湖水体[20]。研究[21−22]表明，生物炭对土壤水分和营养元素有较强吸持能力，能提高土壤保水能力，改良土壤质量，减少土壤养分淋失。本研究发现，6 t/hm2（BC6）处理组对氮素的截持能力更强，这可能是因为生物炭能够通过改善土壤结构来增强土壤的持水能力和吸附点位[23]。生物炭富含碳元素，能够提升土壤中的无机碳含量，从而增强土壤的养分保持能力和水分保持能力。此外，它还可以促进林地表面及土壤内部木质素的分解[24]。张晗芝[25]研究发现，生物炭施于土壤中能显著提高土壤碳含量。与对照组相比，6 t/hm2（BC6）处理组林地SOC、SOM分别提高了78.05%、135.47%。生物炭不仅增加了林地土壤有机质含量，还有助于降低土壤压实和侵蚀、增强土壤持水能力，并维持立地生产力[26]。同时，乔木叶片木质素含量高，分解有限[27]，导致微生物可利用碳源不足，生物炭添加使林地土壤碳含量提高，为微生物提供充足的碳源。
微生物群落及其产生的胞外酶在有机质分解和养分循环等过程中扮演着重要的调节角色，能够反映生物炭等土壤添加剂对土壤养分循环的潜在长期影响[28]。与赵蕊蕊等[24]研究结果一致，本研究中生物炭处理组林地土壤酶活性显著高于对照（P < 0.05）。土壤硝酸还原酶能够将硝酸还原成亚硝酸，而亚硝酸还原酶能将亚硝酸还原成氮气，进而影响土壤中氮素的转化与去除。因此，随生物炭添加量增加，毛白杨林地土壤氮循环相关酶活性也随之提高，有助于土壤中氮素被还原成氮气并从土壤中去除。
3.2 生物炭添加对毛白杨林地土壤细菌群落结构的影响
生物炭添加在改变土壤化学性质的同时，也可影响土壤微生物群落结构和多样性[29]。有研究[30]表明，随着稻壳生物炭添加浓度的增加，樟子松（Pinus sylvestris var. mongolica）的细菌群落总数和丰度出现了下降。本研究发现，生物炭添加不同处理的Ace、Chao指数、Shannon多样性指数和Simpson多样性指数均无显著性差异（P > 0.05），生物炭添加对毛白杨林地土壤细菌群落α多样性的影响小。这可能与生物炭添加时间较短有关，有待进一步长期观测研究。本研究中随着生物炭添加浓度的增高，毛白杨林地土壤细菌OTU总数有所下降，且微生物群落结构发生了明显变化。优势门水平上，生物炭添加提高了变形菌门、拟杆菌门的相对丰度；降低了放线菌门的相对丰度。
河岸植被缓冲带的土壤干湿交替频繁，有利于土壤中微生物的生长，也有利于好氧硝化作用和厌氧反硝化作用的进行。在微生物作用下，铵态氮被氧化成亚硝态氮和硝态氮，然后再被反硝化细菌还原成N2或N2O等气体排入空气中，反硝化作用被认为是清除土壤里氮素的最佳途径[31]。变形菌门在反硝化过程中起着主导作用，其相对丰度的多少是影响反硝化效果的重要因素。本研究中，变形菌门在生物炭添加组的相对丰度占比较高。Zhang等[8]研究也发现生物炭的的添加能显著提高系统中的变形杆菌门的比例，强化系统脱氮性能，并通过优化生物炭的添加量，使系统中全氮的最终去除率达67%。与此同时，BC6和BC3的拟杆菌门的相对丰度较高，这是由于该菌门是一种典型的兼性厌氧菌，能适应交替的好氧缺氧环境，将亚硝酸盐还原为NO，有利于高效脱氮[32]。
生物炭比表面积大于土壤，为微生物提供附着表面和栖息环境，从而影响土壤微生物活性和群落结构，进而影响胞外酶的活性[33−34]。本研究中生物炭添加对毛白杨林地土壤养分提高和土壤酶活性增加也具有显著的促进作用，这可能与相关土壤微生物的活性增大和生物量增加有关。相关性分析表明，SOC、SOM、S-NR、S-NIR是影响土壤微生物群落门水平的主要因子，SOC、SOM与S-NR、S-NIR极显著正相关（P < 0.01），这与土壤微生物多为异养有关，生物炭添加会为微生物提供碳源和能量，从而提高了土壤氮循环相关酶活性[34]。
4. 结 论
（1）生物炭添加能够显著提升毛白杨林地土壤对氮素的截留能力以及氮循环相关酶活性。生物炭处理组土壤养分均高于对照，其中6 t/hm2处理效果更好。
（2）高通量测序结果表明，随着生物炭添加量的增大，毛白杨林地土壤细菌OTU总数有所下降，但对土壤细菌多样性影响较小。生物炭添加影响了毛白杨林地土壤优势细菌门的相对丰度，促进了河岸林地氮素的转化与去除。
（3）相关性分析表明，土壤化学性质（SOC、SOM）以及酶活性（S-NR、S-NIR）是影响土壤微生物群落门水平结构的主要因素。
-
![]()
图 1 白洋淀湿地地理位置和样本点分布
Figure 1. Geographic location and sample point distribution of Baiyangdian wetland
表 1 白洋淀湿地下垫面分类体系
Table 1 Classification system of Baiyangdian wetland underlying surface
一级分类 二级分类 三级分类 描述 解译标志 湿地 纯水体 沟渠、湖泊和鱼塘中被植被覆盖的水体 
水生植物 浮水植物 荷花、芡实等 
挺水植物 主要为芦苇和香蒲 
非湿地 耕地 主要种植冬小麦和夏玉米 
建设用地 居民地、道路等人为建筑 
林地 零散分布的树林 
下载: 导出CSV
表 2 用于分类的光谱指数特征、SAR指数特征和纹理特征
Table 2 Spectral index features, SAR index features and texture features for classification
特征变量 名称 缩写 光谱指数特征 归一化植被指数 NDVI 归一化水体指数 NDWI 裸土指数 BSI 地表水体指数 LSWI 绿度叶绿素植被指数 GCVI 增强型植被指数 EVI 植被衰减指数 PSRI SAR指数特征 后向散射强度差 Diff 后向散射强度和 Sum 频率差异指数 RFDI 散射比率 Ratio 平方比 Ratpow 散射总功率 Span 纹理特征 角二阶矩/能量 ASM 对比度 CONTRAST 相关性 CORR 方差 VAR 反差分矩阵 IDM 熵 ENT 集群凸显性 PROM
下载: 导出CSV
表 3 分类方案
Table 3 Classification schemes
方案编号 分类特征 方案1 光谱指数特征 方案2 SAR指数特征 方案3 纹理特征 方案4 光谱指数特征和SAR指数特征 方案5 光谱指数特征和纹理特征 方案6 SAR指数特征和纹理特征 方案7 光谱指数特征、SAR指数特征和纹理特征
下载: 导出CSV
表 4 2017年7种方案分类精度
Table 4 Classification accuracy of 7 schemes in 2017
方案 评价指标 建设用地 耕地 纯水体 浮水植物 挺水植物 林地 总体精度 Kappa系数 方案1 生产者精度 0.955 9 0.926 6 0.988 5 0.886 1 0.963 5 0.777 8 0.946 8 0.932 8 用户精度 0.970 1 0.921 3 0.988 5 0.958 9 0.885 9 1.000 0 方案2 生产者精度 0.951 0 0.898 3 0.994 3 0.860 6 0.839 4 0.666 7 0.913 8 0.891 0 用户精度 0.910 8 0.878 5 0.971 9 0.871 8 0.905 5 1.000 0 方案3 生产者精度 0.955 9 0.824 9 0.913 8 0.772 2 0.795 6 0.777 8 0.867 0 0.831 7 用户精度 0.874 4 0.858 8 0.908 6 0.824 3 0.825 8 0.933 3 方案4 生产者精度 0.980 4 0.966 1 0.994 3 0.974 7 0.956 2 0.777 8 0.970 8 0.963 3 用户精度 0.990 0 0.955 3 0.994 3 0.939 0 0.963 2 0.875 0 方案5 生产者精度 0.995 1 0.932 2 0.994 3 0.924 1 0.956 2 0.722 2 0.960 7 0.950 5 用户精度 0.980 7 0.970 6 0.994 3 0.924 1 0.909 7 0.866 7 方案6 生产者精度 0.980 4 0.920 9 0.988 5 0.924 1 0.934 3 0.722 2 0.949 3 0.936 0 用户精度 0.956 9 0.958 8 0.971 8 0.869 0 0.941 2 1.000 0 方案7 生产者精度 0.990 2 0.966 1 0.988 5 0.962 0 0.992 7 0.777 8 0.977 2 0.971 2 用户精度 0.990 2 0.977 1 0.994 2 0.950 0 0.951 0 1.000 0
下载: 导出CSV
表 6 方案7特征变量重要性排序
Table 6 Importance ranking of feature variables of scheme 7
特征变量 重要性/% 特征变量 重要性/% 植被衰减指数 7.695 地表水体指数 5.318 对比度 6.398 集群凸显性 4.716 裸土指数 6.397 熵 4.667 反差分矩阵 6.201 增强型植被指数 4.044 归一化植被指数 6.029 平方比 3.641 后向散射强度和 5.902 散射比率 3.542 归一化水体指数 5.780 相关性 3.441 散射总功率 5.571 角二阶矩 3.420 绿度叶绿素植被指数 5.450 后向散射强度差 3.249 频率差异指数 5.364 方差 3.175
下载: 导出CSV
表 5 2022年7种方案分类精度
Table 5 Classification accuracy of 7 schemes in 2022
方案 评价指标 建设用地 耕地 纯水体 浮水植物 挺水植物 林地 总体精度 Kappa系数 方案1 生产者精度 0.982 6 0.972 2 0.991 5 0.959 3 0.986 4 0.866 7 0.951 4 0.940 2 用户精度 0.965 8 0.990 6 0.991 5 0.983 3 0.941 9 1.000 0 方案2 生产者精度 0.921 7 0.848 0 0.991 5 0.918 7 0.891 9 0.566 7 0.896 8 0.872 8 用户精度 0.861 8 0.898 3 0.983 2 0.904 0 0.840 8 1.000 0 方案3 生产者精度 0.973 9 0.984 0 0.991 5 0.878 0 0.837 8 0.566 7 0.912 0 0.891 6 用户精度 0.903 2 0.931 8 0.915 0 0.830 8 0.898 6 1.000 0 方案4 生产者精度 0.991 3 0.944 4 0.991 5 0.975 6 0.986 5 0.900 0 0.974 3 0.968 9 用户精度 0.974 4 1.000 0 0.991 5 0.975 6 0.941 9 1.000 0 方案5 生产者精度 1.000 0 0.976 0 0.991 5 0.975 6 0.959 5 0.666 7 0.965 1 0.957 0 用户精度 0.974 6 0.983 9 1.000 0 0.937 5 0.934 2 1.000 0 方案6 生产者精度 1.000 0 0.992 0 0.991 5 0.918 7 0.945 9 0.600 0 0.951 4 0.940 2 用户精度 0.905 5 0.946 6 0.991 5 0.982 6 0.933 3 1.000 0 方案7 生产者精度 1.000 0 0.972 2 0.991 5 0.967 5 0.986 5 0.900 0 0.978 9 0.974 3 用户精度 0.974 5 0.990 6 0.991 5 0.991 6 0.954 2 0.964 3
下载: 导出CSV
表 7 白洋淀湿地下垫面各地类面积及占比
Table 7 Area and proportion of various types of underground surface in Baiyangdian wetland
地类 2017年 2022年 面积/km2 占比/% 面积/km2 占比/% 建设用地 20.58 5.92 18.44 5.30 耕地 158.92 45.71 82.19 23.64 纯水体 65.15 18.74 29.35 8.44 浮水植物 21.05 6.05 66.15 19.03 挺水植物 70.55 20.29 131.05 37.70 林地 11.42 3.29 20.47 5.89 湿地 156.74 45.08 226.56 65.17
下载: 导出CSV
表 8 白洋淀湿地土地利用转移矩阵
Table 8 Land use transfer matrix of Baiyangdian wetland
km2 年份 项目 2022年 建设用地 耕地 纯水体 浮水植物 挺水植物 林地 2017年 建设用地 13.062 0 1.181 8 0.011 4 0.124 0 5.073 4 1.122 1 耕地 3.596 1 73.670 7 3.752 1 15.987 0 51.415 9 10.534 5 纯水体 0.120 2 0.934 3 22.730 1 36.296 6 4.830 7 0.245 9 浮水植物 0.053 6 1.904 1 1.955 7 9.962 7 6.713 9 0.459 8 挺水植物 1.110 9 3.534 1 0.853 1 3.463 1 56.984 9 4.617 0 林地 0.493 5 0.984 8 0.056 4 0.330 6 6.065 1 3.495 1
下载: 导出CSV
表 9 2017年、2022年白洋淀景观格局指数
Table 9 Landscape pattern indices of Baiyangdian in 2017 and 2022
地类 斑块数目 平均斑块面积 连通性 凝聚度 聚集指数 2017年 2022年 2017年 2022年 2017年 2022年 2017年 2022年 2017年 2022年 建设用地 4 256 6 812 0.483 4 0.270 6 0.032 3 0.026 8 97.064 5 95.608 0 87.053 3 82.622 9 耕地 16 890 16 884 0.940 5 0.486 7 0.017 1 0.011 0 99.557 5 99.341 2 89.436 8 89.642 3 水体 6 194 4 161 1.390 9 2.294 0 0.032 1 0.042 8 99.428 7 99.322 4 91.844 6 94.113 4 挺水植物 13 236 11 495 0.532 6 1.139 5 0.016 1 0.023 4 98.101 1 99.781 8 86.129 0 88.514 6 林地 13 664 12 649 0.083 6 0.161 6 0.012 5 0.014 5 81.414 0 93.071 4 59.743 2 71.749 6
下载: 导出CSV
-
[1] 张素珍, 田建文, 李贵宝. 白洋淀湿地面临的生态问题及生态恢复措施[J]. 水土保持通报, 2007(3): 146−150. doi: 10.3969/j.issn.1000-288X.2007.03.032 Zhang S Z, Tian J W, Li G B. Ecological problems and restoration measures of Baiyangdian wetland[J]. Bulletin of Soil and Water Conservation, 2007(3): 146−150. doi: 10.3969/j.issn.1000-288X.2007.03.032
[2] 新华社. 中共中央、国务院决定设立河北雄安新区[J]. 河北水利, 2017(4): 5. Xinhua News Agency. The Central Committee of the Communist Party of China and the State Council have decided to establish Xiong'an New Area in Hebei Province[J]. Hebei Water Resources, 2017(4): 5.
[3] 张腾扬. 白洋淀生态修复记[N]. 人民日报, 2022−05−27(13). Zhang T Y. Ecological restoration of Baiyangdian Lake[N]. People's Daily, 2022−05−27(13).
[4] 沈占锋, 李均力, 于新菊. 基于协同计算的白洋淀湿地时序水体信息提取[J]. 地球信息科学学报, 2016, 18(5): 690−698. Shen Z F, Li J L, Yu X J. Water information extraction of Baiyangdian wetland based on the collaborative computing method[J]. Journal of Geo-information Science, 2016, 18(5): 690−698.
[5] 尹德超, 王旭清, 王雨山, 等. 近60年来白洋淀流域河川径流演变及湿地生态响应[J]. 湖泊科学, 2022, 34(6): 2122−2133. doi: 10.18307/2022.0624 Yin D C, Wang X Q, Wang Y S, et al. Runoff evolution and wetland ecological response in Lake Baiyangdian Basin in recent 60 years[J]. Journal of Lake Sciences, 2022, 34(6): 2122−2133. doi: 10.18307/2022.0624
[6] 朱金峰, 周艺, 王世新, 等. 1975年—2018年白洋淀湿地变化分析[J]. 遥感学报, 2019, 23(5): 971−986. doi: 10.11834/jrs.20198379 Zhu J F, Zhou Y, Wang S X, et al. Analysis of changes of Baiyangdian wetland from 1975 to 2018 based on remote sensing[J]. National Remote Sensing Bulletin, 2019, 23(5): 971−986. doi: 10.11834/jrs.20198379
[7] 吕婷婷, 李林森, 朱世峰, 等. 近30 a来白洋淀土地利用变化规律及驱动力分析[J]. 水利水电技术, 2020, 51(3): 37−44. Lü T T, Li L S, Zhu S F, et al. Analysis on land use variation law and its driving force of Baiyangdian Lake since recent 30 years[J]. Water Resources and Hydropower Engineering, 2020, 51(3): 37−44.
[8] 白军红, 房静思, 黄来斌, 等. 白洋淀湖沼湿地系统景观格局演变及驱动力分析[J]. 地理研究, 2013, 32(9): 1634−1644. Bai J H, Fang J S, Huang L B, et al. Landscape pattern evolution and its driving factors of Baiyangdian lake-marsh wetland system[J]. Geographical Research, 2013, 32(9): 1634−1644.
[9] 张敏, 宫兆宁, 赵文吉, 等. 近30年来白洋淀湿地景观格局变化及其驱动机制[J]. 生态学报, 2016, 36(15): 4780−4791. Zhang M, Gong Z N, Zhao W J, et al. Landscape pattern change and the driving forces in Baiyangdian wetland from 1984 to 2014[J]. Acta Ecologica Sinica, 2016, 36(15): 4780−4791.
[10] 梁爽, 宫兆宁, 赵文吉, 等. 基于多季相Sentinel-2影像的白洋淀湿地信息提取[J]. 遥感技术与应用, 2021, 36(4): 777−790. Liang S, Gong Z N, Zhao W J, et al. Information extraction of Baiyangdian wetland based on multi-season Sentinel-2 images[J]. Remote Sensing Technology and Application, 2021, 36(4): 777−790.
[11] Mahdianpari M, Salehi B, Mohammadimanesh F, et al. The first wetland inventory map of Newfoundland at a spatial resolution of 10 m using Sentinel-1 and Sentinel-2 data on the google earth engine cloud computing platform[J]. Remote Sensing, 2019, 11(1): 43.
[12] Slagter B, Tsendbazar N, Vollrath A, et al. Mapping wetland characteristics using temporally dense Sentinel-1 and Sentinel-2 data: a case study in the St. Lucia wetlands, South Africa[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 86: 102009. doi: 10.1016/j.jag.2019.102009
[13] 常文涛, 王浩, 宁晓刚, 等. 融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取[J]. 湿地科学, 2020, 18(1): 10−19. Chang W T , Wang H, Ning X G, et al. Extraction of Zhalong wetland information based on images of Sentinel-2 red-edge bands and Sentinel-1 radar bands[J]. Wetland Science, 2020, 18(1): 10−19.
[14] 李英华, 崔保山, 杨志峰. 白洋淀水文特征变化对湿地生态环境的影响[J]. 自然资源学报, 2004, 19(1): 62. doi: 10.11849/zrzyxb.2004.01.008 Li Y H, Cui B S, Yang Z F. Influence of hydrological characteristic change of Baiyangdian on the ecological environment in wetland[J]. Journal of Natural Resources, 2004, 19(1): 62. doi: 10.11849/zrzyxb.2004.01.008
[15] 王凯霖, 赵凯, 李海涛, 等. 基于综合识别方法的河北白洋淀湿地提取研究[J]. 现代地质, 2017, 31(6): 1294−1300. Wang K L, Zhao K , Li H T, et al. Study on wetland extraction based on the synthetic identification method in the Baiyangdian wetland[J]. Hebei Province Geoscience, 2017, 31(6): 1294−1300.
[16] Xiang K, Yuan W, Wang L, et al. An LSWI-based method for mapping irrigated areas in China using moderate-resolution satellite data[J]. Remote Sensing, 2020, 12(24): 4181. doi: 10.3390/rs12244181
[17] Ren S, Chen X, An S. Assessing plant senescence reflectance index-retrieved vegetation phenology and its spatiotemporal response to climate change in the Inner Mongolian Grassland[J]. International Journal of Biometeorology, 2017, 61(4): 601−612. doi: 10.1007/s00484-016-1236-6
[18] 刘丽, 匡纲要. 图像纹理特征提取方法综述[J]. 中国图象图形学报, 2009, 14(4): 622−635. Liu L, Kuang G Y. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics, 2009, 14(4): 622−635.
[19] 胡玉福, 邓良基, 匡先辉, 等. 基于纹理特征的高分辨率遥感图像土地利用分类研究[J]. 地理与地理信息科学, 2011, 27(5): 42−45. Hu Y F, Deng L J, Kuang X H, et al. Study on land use classification of high resolution remote sensing image based on texture feature[J]. Geography and Geo-Information Science, 2011, 27(5): 42−45.
[20] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5−32. doi: 10.1023/A:1010933404324
[21] 刘瑞, 朱道林. 基于转移矩阵的土地利用变化信息挖掘方法探讨[J]. 资源科学, 2010, 32(8): 1544−1550. Liu R, Zhu D L. Methods for detecting land use changes based on the land use transition matrix[J]. Rescources Science, 2010, 32(8): 1544−1550.
[22] 张磊, 宫兆宁, 王启为, 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019, 23(2): 313−326. doi: 10.11834/jrs.20198083 Zhang L, Gong Z N, Wang Q W, et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. National Remote Sensing Bulletin, 2019, 23(2): 313−326. doi: 10.11834/jrs.20198083
[23] Zhang L, Hou G, Li F. Dynamics of landscape pattern and connectivity of wetlands in western Jilin Province, China[J]. Environment, Development and Sustainability, 2020, 22(3): 2517−2528. doi: 10.1007/s10668-018-00306-z
[24] 杨苗, 龚家国, 赵勇, 等. 白洋淀区域景观格局动态变化及趋势分析[J]. 生态学报, 2020, 40(20): 7165−7174. Yang M, Gong J G, Zhao Y, et al. Analysis of dynamic changes and trends in the landscape pattern of the Baiyangdian Region[J]. Acta Ecologica Sinica, 2020, 40(20): 7165−7174.
[25] 崔小芳, 刘正军. 基于随机森林分类方法和多源遥感数据的湿地植被精细分类[J]. 测绘与空间地理信息, 2018, 41(8): 113−116. Cui X F, Liu Z J. Wetland vegetation classification based on object-based classification method and multi-source remote sensing images[J]. Geomatics & Spatial Information Technology, 2018, 41(8): 113−116.
[26] 宗影, 李玉凤, 刘红玉. 基于面向对象随机森林方法的滨海湿地植被分类研究[J]. 南京师范大学学报(工程技术版), 2021, 21(4): 47−55. Zong Y, Li Y F, Liu H Y. A study of coastal wetland vegetation classification based on object-oriented random forest method[J]. Journal of Nanjing Normal University (Engineering and Technology Edition), 2021, 21(4): 47−55.
[27] 姚杰鹏, 杨磊库, 陈探, 等. 基于Sentinel-1, 2和Landsat 8时序影像的鄱阳湖湿地连续变化监测研究[J]. 遥感技术与应用, 2021, 36(4): 760−776. Yao J P, Yang L K, Chen T, et al. Consecutive monitoring of the Poyang Lake wetland by integrating Sentinel-2 with Sentinel-1 and Landsat 8 data[J]. Remote Sensing Technology and Application, 2021, 36(4): 760−776.
[28] Zhang M, Lin H. Wetland classification using parcel-level ensemble algorithm based on Gaofen-6 multispectral imagery and Sentinel-1 dataset[J]. Journal of Hydrology, 2022, 606: 127462. doi: 10.1016/j.jhydrol.2022.127462
[29] 李凤双, 张涛, 白明山, 等. “华北之肾”修复记——白洋淀生态文明实践进行时[J]. 决策探索(上), 2021(12): 58−60. Li F S, Zhang T, Bai M S, et al. Restoration of the “Kidney of North China” : practice of ecological civilization in Baiyangdian[J]. Policy Research & Exploration, 2021(12): 58−60.
计量
- 文章访问数: 71
- HTML全文浏览量: 8
- PDF下载量: 15
