Soil organic carbon pools and their spatial patterns

Abstract

Soil organic carbon (SOC) plays an important role in global C cycling. Until today, the spatial patterns of individual SOC fractions are, however, largely undiscovered as traditional methods for their determination are too time consuming. In consequence, also the interaction of regulating parameters governing SOC turnover on the field scale remains unresolved.<br /> The aim of my work was to elucidate the potential of mid-infrared spectroscopy (MIRS) for time- and cost-effective quantification of constitutive parameters regulating SOC turnover, and to identify effective control parameters regulating the spatial heterogeneity of SOC dynamics on the field scale. In addition to SOC quantification, I determined amounts of black carbon (BC), and particulate organic matter (POM) of three size classes in sample sets of different regional provenance. Quantitative prediction models for parameter estimation of the measured values were derived from MIR spectra. Mineral-bound SOC was calculated by difference. Further on, I identified effective control parameters regulating the spatial heterogeneity of SOC dynamics by statistical structure analyses and geo-statistical instrumentation. Employing samples of various arable and grassland soils from loess regions all across the world (n = 309), I was able to conduct quantitative and qualitative determination of SOC and BC from MIR spectra for the first time. Black carbon contents were determined by a molecular marker method (benzene polycarboxylic acids, BPCA). The MIRS-based BC characterization was validated employing individual samples of charred organic matter which represented different stages of combustion. With regard to the results of the SOC and BC predictions, I employed regionalized sample sets for the MIRS-based determination of POM of three size classes (POM1: 2000.250 μm; POM2: 250.53 μm; POM3: 53.20 μm) for 129 subsites of a 1.3 ha test site (R² = 0.77. 0.96). At this, primarily analyses of the lignin contents were used for validation of the individual prediction models.<br /> The stone content, texture of the fine earth, pedogenic oxides, hill slope, elevation above sea level, ¹³⁷Cs-activity as proxy for erosive translocation, as well as the soil moisture were considered as effective parameters regulating SOC turnover, and determined for all 129 subsites of the investigated test site. The statistical instrumentation for the identification of effective parameters for SOC turnover comprised multidimensional scaling of a fuzzy-kappa similarity matrix, principal component analysis, correlation analysis, multiple regression models, as well as analyses of semivariance.<br /> All investigated SOC fractions were successfully determined by MIRS predictions. About 99 % of total SOC variability was explained by local calibrations. The precision of BC prediction was lower (R² > 0.8), partly reflecting different BC quality. A measure of the latter is the mellitic acid-C percentage, which also correlated with MIRS patterns (R² . 0.6).<br /> Coefficients of determination for the predictions of POM of three size classes ranged between 0.77 and 0.96. The prediction model for POM1 chiefly relied on specific signals of lignin and cellulose; contents of POM2 were estimated by spectral bands assigned to degradation products as aliphatic C.H groups and aromatic moieties. Carboxylic groups essentially contributed to the prediction of POM3. There was a close spatial relation between the coarse POM1 and POM2 fractions and lignin, which largely also explained variations in bulk SOC. In contrast, POM3 exhibited a less deterministic pattern in the field, thus contributing little to spatial variation of the SOC content.<br /> With exception of POM3 (R² = 0.20), multiple regression models employing the stone content, contents of pedogenic oxides, as well as the hillslope, successfully predicted the spatial distribution of all investigated SOC fractions (R² = 0.68.0.79). The highly variable stone content (4.60 %) proved to be the dominating factor regulating SOC dynamics on the investigated test site. The spatial distribution of BC was additionally affected by erosive translocation.<br /> In summary, MIRS predictions facilitate a time- and cost-effective determination of spatial distributions of SOC, BC, and POM within landscapes. On the investigated test site, the observed variability is chiefly deterministic and can be attributed to saturation processes, caused by disproportionately high input of plant debris as amounts of fine earth are reduced by increasing stone contents. Especially in soils that comprise highly variable stone contents, the coarse texture thus necessarily needs to be considered in case effective parameters of SOC turnover are to be identified . even though only rarely considered in conventional soil analysis (soil sieved to grain sizes of 2 mm).

<strong>Fraktionen von Bodenkohlenstoff und deren räumliche Muster – schnelle Erfassung durch Mittlere Infrarot-Spektroskopie</strong><br /> Organischer Bodenkohlenstoff (SOC) spielt eine wesentliche Rolle in globalen C-Kreisläufen, doch die räumlichen Muster unterschiedlicher SOC-Fraktionen sind bislang kaum erforscht – zu aufwändig sind die klassischen Analysemethoden. Wenig bekannt ist daher auch der Einfluss effektiver Steuergrößen auf die Verfügbarkeit der einzelnen SOC-Fraktionen auf der Feldskala.<br /> Ziel meiner Arbeit war es, das Potenzial Mittlerer Infrarot-Spektroskopie (MIRS) zur schnellen und kostengünstigen Quantifizierung wesentlicher Kenngrößen des SOC-Haushaltes zu evaluieren. Des Weiteren sollten effektive Steuergrößen der räumlichen Heterogenität des C-Umsatzes auf der Feldskala identifiziert werden.<br /> Neben der quantitativen Bestimmung von SOC habe ich hierzu black carbon (BC), drei Fraktionen partikulärer organischer Substanz (POM) sowie mineralisch gebundenen Kohlenstoff als Differenz in Probensätzen unterschiedlicher Herkunft bestimmt und mit Hilfe qualitativer spektraler Informationen Vorhersagemodelle zur Parameterschätzung erstellt. Effektive Steuergrößen räumlicher Variabilität der einzelnen SOC-Fraktionen habe ich mit Hilfe statistischer Strukturanalyse und Geostatistik identifiziert.<br /> Zur erstmaligen quantitativen und qualitativen Bestimmung von SOC und BC mittels MIRS verwendete ich Grünland- und Ackerböden aus diversen Lössregionen der Welt (n = 309). Die BCReferenzwerte wurden mit Hilfe einer Biomarker-Methode (Benzolpolycarbonsäuren, BPCA) bestimmt, die spektroskopiegestützte BC-Charakterisierung habe ich anhand unterschiedlich carbonisierter organischer Substanz, welche individuelle Stadien der Verkohlung repräsentierte, validiert. Ebenso habe ich basierend auf den Ergebnissen der SOC- und BC-Bestimmungen regionalisierte Probensätze für die MIRS-gestützte Bestimmung von POM dreier Größenklassen (POM1: 2000–250 μm; POM2: 250–53 μm; POM3: 53–20 μm) für 129 Rasterpunkte eines 1,3 ha großen Testfeldes verwendet. Die Validierung dieser Vorhersagemodelle erfolgte unter anderem durch Ligninanalysen der untersuchten Proben. Als potenzielle Steuergrößen des C-Umsatzes habe ich den Steingehalt, die Textur der Feinerde, den Gehalt von pedogenen Eisenoxiden, Hangneigung und Höhe über normal Null, die ¹³⁷Cs-Aktivität zur Abschätzung von erosiver Verlagerung sowie die Bodenfeuchte an allen 129 Rasterpunkten bestimmt. Die statistischen Methoden zur Identifikation effektiver Steuergrößen des C-Umsatzes umfassten Multidimensionale Skalierung einer Fuzzy-Kappa-Ähnlichkeitsmatrix, Hauptkomponentenanalyse, Korrelationsanalysen, multiple Regressionsmodelle sowie Semivarianzanalysen.<br /> Durch die Anwendung von MIRS konnten alle SOC-Fraktionen verlässlich abgeschätzt werden. Lokale Kalibrationen erklärten ca. 99 % der absoluten Variabilität des SOC. Die Qualität der BC-Vorhersage war etwas geringer (R²; > 0,8), was teilweise auf unterschiedliche BC-Qualitäten zurückzuführen war. Diese sind durch den Anteil an Mellitsäure im BPCA-Spektrum charakterisiert, welcher ebenfalls mit den spektralen Signalen korrelierte (R²≥ 0,6). Die erreichten Bestimmtheitsmaße zur Vorhersage von POM lagen zwischen 0,77 und 0,96. Das Vorhersagemodell für POM1 basierte dabei hauptsächlich auf Absorptionsbanden von Cellulose und Lignin, die Gehalte von POM2 wurden durch spezifische Spektralbanden von Abbauprodukten organischer Materialien wie CH-Gruppen und aromatischen Strukturen charakterisiert. Absorptionen von Carboxylgruppen trugen wesentlich zur Vorhersage von POM3-Gehalten bei. Enge räumliche Beziehungen konnten zwischen POM1, POM2 und Lignin festgestellt werden, welche auch zu großen Teilen die Variabilität von SOC im Gelände erklärten. Im Gegensatz dazu zeigten die Gehalte an POM3 eine weniger deterministische räumliche Struktur und trugen nur wenig zur Heterogenität des SOC bei.<br /> Mit Ausnahme von POM3 (R² = 0,20) konnte die Variabilität aller SOC-Fraktionen unter Verwendung des Steingehaltes, der Gehalte an pedogenen Oxiden und der Hangneigung in multiplen linearen Regressionsmodellen erklärt werden (R² = 0,68–0,79). Der stark variierende Steingehalt (4–60 %) erwies sich hierbei als dominierender Faktor der C-Dynamik auf der untersuchten Testfläche. Die räumliche Verteilung von BC war zusätzlich durch Bodenerosion bestimmt.<br /> Zusammenfassend gilt, dass sich mittels MIRS schnell und kostengünstig räumliche Muster von SOC, BC und POM im Gelände ermitteln lassen. Die identifizierten räumlichen Muster zeigen hohe Anteile deterministischer Variabilität und lassen sich überwiegend mit Sättigungsprozessen erklären, welche aus relativ erhöhten Einträgen von Pflanzenstreu in durch zunehmende Steingehalte reduzierte Feinerdeanteile resultieren. Daher ist es gerade in Böden mit stark variierenden Steingehalten essentiell, dass Bodenskelett zu berücksichtigen, um effektive Kenngrößen des SOC-Haushaltes auf der Feldskala ermitteln zu können– ein Faktor also, welcher in konventionellen Bodenanalysen (auf 2 mm gesiebte Feinerde) bislang wenig Beachtung findet.