意大利黑麦草（Lolium multiflorum）在大豆种植条件下茎和根分解动态的多年比较

《Soil and Tillage Research》：Multi-year comparisons of shoot and root decomposition dynamics of Italian ryegrass ( Lolium multiflorum) under soybean cropping

本研究探讨了意大利 Ryegrass 茎和根残体在 IRG-大豆轮作系统中三年的分解动态与养分释放特征。结果表明，茎残体分解速率显著快于根残体，且氮释放效率更高，满足后续大豆苗期的氮需求；而根残体分解缓慢，贡献稳定的土壤碳积累，促进长期土壤肥力提升。

　　

Miri Choi | Sora Lee | Chaelin Jo | Jihyeon Lee | Nayoung Choi | Jeong-Gu Lee | Chaein Na

应用生命科学系，庆尚国立大学，晋州 52828，韩国

摘要

覆盖作物残余物（茎或根）的分解调节了轮作中的养分循环和土壤有机质。本研究考察了在意大利黑麦草（Lolium multiflorum，IRG）- 大豆（Glycine max L.）轮作系统中，三年内将IRG的茎和根残余物掺入土壤后的分解过程及养分释放情况。IRG的茎和根残余物被放入土袋中，并在140天后取出进行分析。干物质、碳（C）和氮（N）的含量变化符合渐近单指数模型；而累积的碳和氮释放量变化则符合增长至最大值的模型。初始残余物质量和天气因素对结果解释具有辅助作用。茎的生物量范围为4.43至6.92吨/公顷，大约是根的2.7至5.3倍。此外，茎中的氮浓度较高（12.8–20.1克/千克），并且碳氮比（C/N）和木质素氮比（lignin/N）也较低。IRG的茎残余物分解速度比根快2.2至2.5倍，并在40天内释放了平均60千克氮/公顷的养分，满足了后续作物的初期养分需求。相比之下，根残余物分解缓慢，释放的氮量很少，但为土壤提供了持续的碳源（129千克/公顷），表明其有助于土壤有机质的稳定。这些结果表明，茎残余物可作为后续作物的即时氮源，而根则有助于长期固定土壤中的碳。

引言

采取可持续农业实践对于缓解气候变化和集约化农业带来的各种问题至关重要，这些问题影响着全球粮食生产（Smith和Gregory，2013；Quintarelli等人，2022）。其中，轮作是维持稳定粮食生产和改善土壤质量的关键策略（Yu等人，2022；Yang等人，2024）。轮作是指在同一块土地上连续种植不同作物的做法（Liebman和Dyck，1993）。包含至少三种作物的多样化轮作通过增加土壤团聚度来改善土壤物理性质（Iheshiulo等人，2023），并促进微生物群落的多样性（Sun等人，2024），从而提高作物产量（Gaudin等人，2015）。

在主粮作物的休耕期间，可以在轮作系统中引入覆盖作物以促进土壤保护（Liebman和Dyck，1993）。在种植经济作物之前，禾本科（草本）覆盖作物可以抑制杂草生长（Baraibar等人，2018；Grint等人，2022）。先前的研究表明，当同时使用大麦和豌豆作为覆盖作物时，表层土壤中的有机碳含量在10年的实验期内有所增加（García-González等人，2018）。与休耕地相比，种植大麦可以增强作物的水分渗透能力；而包含大麦的覆盖作物混合物还能增加土壤微生物多样性（García-González等人，2018；Thapa等人，2021）。覆盖作物种类可以提供多种农业生态功能（Ardenti等人，2023）。例如，草本覆盖作物由于其高生物量生产，可以影响土壤有机质的积累（Blanco-Canqui和Jasa，2019），同时还能减少养分流失（García-González等人，2018）。覆盖作物还能提高农业系统对极端天气事件的抵抗力，并增强其可持续性（Aglasan等人，2024；Won等人，2024）。

作物残余物的分解是一个复杂的过程，涉及物理、化学和微生物相互作用，主要由破碎、淋溶以及土壤微生物的分解作用驱动（Swift等人，1979；Robertson和Paul，2000；Thapa等人，2022）。未完全分解的覆盖作物残余物会以颗粒有机物的形式存在，部分残余物在微生物作用下转化为矿物相关的有机物质，从而提升土壤的化学和物理性质（Chalise等人，2019；Dynarski等人，2020；Ma等人，2025）。通过分解和有机化合物的矿化过程释放的无机离子为后续作物（如大豆和玉米）提供了矿物质养分（Sievers和Cook，2018；Liu等人，2024）。耕作方式与土壤性质密切相关，因此会影响作物残余物的分解速率和养分释放（Lupwayi等人，2004；Singh等人，2020）。例如，传统耕作会提高土壤温度、孔隙度和微生物活性（Khan，1996；Seifert等人，2001）。研究表明，使用三叶草绿肥可以增加土壤有机碳和氮含量（Neely等人，2018）。另一项研究指出，与传统耕作结合豌豆绿肥相比，传统耕作下的玉米干物质产量更高（Astier等人，2006）。当作物残余物直接放置在土壤表面而不进行耕作时，它们更容易受到环境条件的影响，土壤与残余物之间的直接相互作用也会受到限制（Lupwayi等人，2004）。将作物残余物掺入土壤相较于不耕作具有优势，可以增加养分供应，加快分解速率，并提前释放养分，有利于基肥施用。大多数关于分解的研究都集中在表面放置的残余物上，或比较了表面和埋藏放置方式的差异（Jahanzad等人，2016；Sievers和Cook，2018；Singh等人，2020；Martín-Brull等人，2024）。虽然有些研究分别分析了茎和根的作用，但它们通常将茎放置在土壤表面。目前关于将茎残余物掺入土壤后的分解动态的详细比较仍存在研究空白。

意大利黑麦草（Lolium multiflorum，IRG），也称为一年生黑麦草，是温带地区的主要冬季牧草，常与夏季作物一起用于轮作（Klopp，2024）。在韩国，它通常作为水稻田中的冬季牧草作物种植（Kim等人，2016；Oh等人，2021）。本研究探讨了其在旱地系统的适用性，发现IRG-大豆（Glycine max L.）轮作三年内的大豆产量相当（有IRG轮作时为2.00吨/公顷，无IRG轮作时为1.80吨/公顷），这表明IRG的种植可以扩展到韩国的旱地作物系统中（Choi等人，2023）。

由于意大利黑麦草（IRG）具有较高的地上生物量和发达的根系，它可以通过分解影响土壤有机质，并作为土壤碳储存的来源（Kuo等人，1997；Pietola和Alakukku，2005；Joshi等人，2023）。尽管IRG主要用作牧草，但它也可以作为绿肥使用。先前的研究表明，在温带地区，将其与大豆轮作作为绿肥使用可以提高后续作物的产量（Choi等人，2023）。尽管它具有作为绿肥的潜力，但人们对其在旱地环境中的残余物动态仍了解不足。

作物残余物的分解和养分矿化过程可能因覆盖作物类型（如草本与豆科植物）、植物部位（茎与根）、在土壤中的位置（埋藏与表面）以及气候和土壤条件（如温度和降水量）而异（Jahanzad等人，2016；Lynch等人，2016；Meyer等人，2023；Smychkovich等人，2025）。分解速率常数（k）是预测养分释放时间的重要指标。分解速率主要受初始生物量特征的影响，包括碳氮比（C/N比）、氮含量和木质素含量（Sievers和Cook，2018；Singh等人，2020；Martín-Brull等人，2024）。碳氮比被广泛用作分解动态的可靠指标，通常较低的初始碳氮比与更快的分解和养分释放速度相关（Jahanzad等人，2016；Lynch等人，2016；Sievers和Cook，2018）。初始质量因素对于解释不同植物部位IRG残余物分解速率的差异至关重要。

关于同时作为绿肥掺入土壤的茎和根覆盖作物残余物的分解及养分释放的研究较少。因此，本研究旨在评估意大利黑麦草（IRG）茎和根的分解模式及碳和氮释放的差异，以确定作物残余物的各个组成部分对养分供应和土壤肥力的贡献。

研究地点和意大利黑麦草（IRG）的种植

为了评估随后大豆种植期间IRG茎和根的分解动态，进行了意大利黑麦草（IRG）- 大豆的轮作实验。该实验在韩国晋州的庆尚国立大学研究农场进行（35°14’ N, 128°09’ E），共进行了三个生长季节（2020–2021、2021–2022和2022–2023）。实验地点的表层土壤（0–30厘米）主要为沙壤土（沙子：68%，粉砂：30%，粘土：2%）。土壤样本...

环境条件和初始意大利黑麦草（IRG）生物量

在种植意大利黑麦草（IRG）之前，土壤呈微酸性（pH 6.5，1:5H?O），有机质含量较低（8.9克/千克）。有效P?O?浓度为219.5毫克/千克，交换性阳离子K?、Ca2?和Mg2?的含量分别为0.2、4.2和0.5厘米摩尔/千克（表2）。经过三年的IRG种植后，土壤pH值、有机质和有效P?O?含量略有下降，这可能是由于牧草作物持续吸收养分以及有机质有限所致...

结论

本研究调查了意大利黑麦草（IRG）茎和根在随后作物生长季节的分解动态，共持续三年。IRG茎在掺入土壤后的关键分解和矿化日为DAI 40。IRG茎的分解速度比根快2.2至2.5倍，这主要归因于其较高的氮含量以及较低的碳氮比和木质素氮比。来自茎的碳释放速度比来自根的碳快1.9至3.0倍...

资助

本工作得到了韩国国家研究基金会的支持 [编号：2021R1I1A3040330]

作者贡献声明

Chaelin Jo：验证、方法论。 Sora Lee：验证、方法论。 Chaein Na：写作——审稿与编辑、项目管理、资金获取、数据分析、概念化。 Jeong-Gu Lee：写作——审稿与编辑、验证、调查。 Nayoung Choi：方法论。 Jihyeon Lee：方法论。 Miri Choi：写作——初稿撰写、可视化、方法论、数据管理。

利益冲突声明

作者声明以下可能构成潜在利益冲突的财务利益/个人关系：Chaein Na表示获得了韩国国家研究基金会的财务支持。如果还有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文的研究结果。

在准备本工作时，作者使用了Chat GPT-5plus和Google等工具。