Magnitude and sources of uncertainties in soil organic carbon (SOC) stock assessments at various scales

Authors

  • E. Goidts,

    Corresponding author
    1. aGeography Department, Université catholique de Louvain, Pl. Louis Pasteur 3, B-1348 Louvain-la-Neuve, Belgium, and bInstitute of Astronomy and Geophysics G. Lemaître, Université catholique de Louvain, Chemin du Cyclotron 2, B-1348 Louvain-la-Neuve, Belgium
    Search for more papers by this author
  • a B. Van Wesemael,

    1. aGeography Department, Université catholique de Louvain, Pl. Louis Pasteur 3, B-1348 Louvain-la-Neuve, Belgium, and bInstitute of Astronomy and Geophysics G. Lemaître, Université catholique de Louvain, Chemin du Cyclotron 2, B-1348 Louvain-la-Neuve, Belgium
    Search for more papers by this author
  • and a M. Crucifix b

    1. aGeography Department, Université catholique de Louvain, Pl. Louis Pasteur 3, B-1348 Louvain-la-Neuve, Belgium, and bInstitute of Astronomy and Geophysics G. Lemaître, Université catholique de Louvain, Chemin du Cyclotron 2, B-1348 Louvain-la-Neuve, Belgium
    Search for more papers by this author

E. Goidts. E-mail: esther.goidts@uclouvain.be

Abstract

Summary

Uncertainties in soil organic carbon (SOC) stock assessments are rarely quantified even though they are critical in determining the significance of the results. Previous studies on this topic generally focused on a single variable involved in the SOC stock calculation (SOC concentration, sampling depth, bulk density and rock fragment content) or on a single scale, rather than using an integrated approach (i.e. taking into account interactions between variables). This study aims to apply such an approach to identify and quantify the uncertainties in SOC stock assessments for different scales and spatial landscape units (LSU) under agriculture. The error propagation method (δ method) was used to quantify the relative contribution of each variable and interaction involved to the final SOC stock variability. Monte Carlo simulations were used to cross-check the results. Both methods converged (r2=0.78). As expected, the coefficient of variation of the SOC stock increased across scales (from 5 to 35%), and was higher for grassland than for cropland. Although the main source of uncertainty in the SOC stock varied according to the scale and the LSU considered, the variability of SOC concentration (due to errors from the laboratory and to the high SOC spatial variability) and of the rock fragment content were predominant. When assessing SOC stock at the landscape scale, one should focus on the precision of SOC analyses from the laboratory, the reduction of SOC spatial variability (using bulk samples, accurate re-sampling, high sampling density or stratified sampling), and the use of equivalent masses for SOC stock comparison. The regional SOC stock monitoring of agricultural soils in southern Belgium allows the detection of an average SOC stock change of 20% within 11 years if very high rates of SOC stock changes occur (1 t C ha–1 year–1).

Amplitude et sources des incertitudes liées aux estimations des stocks de carbone organique dans le sol (COS) à différentes échelles

Résumé

Les erreurs associées aux estimations du stock de carbone organique dans le sol (COS) sont rarement quantifiées bien qu’elles puissent empêcher l’obtention de résultats significatifs. Les quelques études qui le font focalisent en général sur une seule variable nécessaire au calcul du stock de COS (concentration en COS, profondeur échantillonnée, densité apparente et contenu en fragments rocheux) ou sur une échelle spatiale particulière, sans utiliser d’approche intégrée (prenant en compte les interactions entre les variables). Cette étude a pour objectif d’utiliser une telle approche pour identifier et quantifier les incertitudes liées aux estimations de stock de COS à différentes échelles spatiales et pour diverses unités spatiales de paysages (USP) agricoles. La loi de propagation des erreurs (méthode δ) permet de quantifier la contribution relative de chaque variable et interaction à la variabilité finale du stock de COS. Les simulations de Monte Carlo sont utilisées pour la vérification croisée des résultats. Les deux méthodes ont convergé (r2= 0.78). Comme prévu, le coefficient de variation du stock de COS a proportionnellement augmenté avec l’échelle spatiale considérée (de 5 à 35%), et était plus élevé pour les cultures que pour les prairies. Bien que la principale source d’erreur sur le stock de COS soit fonction de l’échelle spatiale et du type d’USP considérés, la variabilité du contenu en COS (du fait des erreurs de laboratoire et de sa grande variabilité spatiale) et du contenu en fragments rocheux étaient prédominants. Lors de l’estimation des stocks de COS à l’échelle du paysage, l’attention devrait prioritairement porter sur la précision des analyses en COS du laboratoire, la réduction de la variabilité spatiale du COS (en utilisant des échantillons composites, un ré-échantillonnage précis, une densité d’échantillonnage élevée ou un échantillonnage stratifié), et sur l’utilisation de masses équivalentes pour comparer les stocks de COS. Le réseau régional de suivi des stocks de COS des sols agricoles dans le sud de la Belgique permet la détection d’un changement de stock de COS moyen de 20% en 11 ans pour un taux très élevé de changement en stock de COS (1 t C ha–1 year–1).

Ancillary