矿物学、气候和土地利用之间的相互作用通过机器学习方法揭示了干旱地区的有机碳储量情况

《CATENA》：The interplay of mineralogy, climate and land use governs dryland organic carbon stocks revealed by machine learning

本研究基于新疆南部14,222份表层土壤样本，结合气候、地形和植被数据，运用极端梯度提升树（XGBoost）揭示土壤有机碳（SOC）动态及驱动机制。结果表明：SOC含量、密度及储量分别为5.95 g·kg?1、1.70 kg·C·m?2、96.85 Tg；稻田和湿地SOC含量最高（10.32和16.73 g·kg?1）；气候、土壤矿物和植被共同解释47.2%的SOC变异，其中Fe?O?占比最高；近40年SOC储量下降20%，凸显干地区域碳库脆弱性，需纳入全球碳管理框架。

　　

袁瑶|赵宇|余光辉|杨忠芳|张静|马红红|陈振宇|梁楠|赵汉森|苏静

中国地质调查局西安中心，中国西安710119

摘要

干旱地区蕴藏着关键的土壤有机碳（SOC）库，这些碳库对气候变化和人为干扰非常敏感。然而，干旱地区SOC的时空动态及其背后的调控机制仍知之甚少。因此，了解干旱地区SOC的驱动因素对于预测全球碳-气候反馈和制定有效的土地管理策略至关重要。在这里，我们通过分析来自中国新疆南部（一个典型的干旱地区）的14,222个表层土壤样本（0–20厘米）以及关键环境变量（气候、地形和植被），来填补这一知识空白。利用基于极端梯度提升（XGBoost）的先进机器学习方法，我们确定了SOC变化的主要驱动因素，并量化了过去四十年SOC储量的变化。研究结果显示，该地区的SOC含量为5.95克/千克，SOC密度为1.70千克·碳/平方米，SOC储量为96.85太克。值得注意的是，稻田（10.32克/千克）和湿地（16.73克/千克）的SOC含量最高，这突显了土地利用方式对SOC动态的影响。气候、土壤矿物和植被共同解释了SOC变化的47.2%。在控制SOC变化方面，土壤矿物比其他变量更为重要，其中Fe₂O₃（作为Fe氧化物的代理指标）被认为是最重要的驱动因素。令人担忧的是，自20世纪80年代以来，该地区的SOC储量下降了20%，这表明这些碳库在全球变化压力下非常脆弱。我们的发现强调了将干旱地区纳入全球碳管理框架的迫切必要性，并为缓解气候变化和土地退化的政策提供依据。

引言

土壤是生物圈中最大的有机碳库，含有约2047拍克（Pg）的有机碳（Ren等人，2024年）。土壤有机碳（SOC）的动态与全球生物地球化学循环、土壤健康和气候变化密切相关（Batjes，1996年）。即使SOC库发生微小扰动，也可能显著改变大气中的碳浓度，从而引发重大的气候影响（Marin-Spiotta等人，2009年；Zhou等人，2021年；Ao等人，2021年）。干旱地区约占地球陆地表面的47.2%，是全球碳循环的重要组成部分（Lal，2004年）。这些地区储存了约241拍克的土壤有机碳（SOC），这一数量几乎是20世纪90年代每年人为碳排放量的40倍（Lal，2004年）。然而，由于这些地区生态环境脆弱，容易受到各种退化过程的影响，包括荒漠化、风蚀和过度放牧（Wang等人，2014b年）。再加上持续的气候变化加剧了全球干旱模式（Gu等人，2018年；Huang等人，2016年；Wang等人，2014a年；Melillo等人，2017年），导致干旱面积扩大，加剧了土地退化和荒漠化的风险（Fischlin等人，2007年）。这些相互关联的因素凸显了全面了解干旱生态系统中的SOC动态及其调控机制的迫切需求，这对于制定有效的碳资源管理和气候变化缓解策略至关重要。

SOC动态受环境驱动因素（如气候、地形、土壤母质）和人为干预之间的复杂相互作用的影响，这些因素通过直接和间接途径共同调节碳的输入-输出平衡（Khan和Chiti，2022年；Ma等人，2024年；Wang和Huang，2023年）。在干旱生态系统中，这种相互作用尤为明显，因为SOC库对气候极端条件和土地利用变化特别敏感。气候参数对SOC的稳定起着主要作用，较低的温度和较高的降水量通常有利于碳的封存，因为它们可以降低分解速率并增加生物量生产（Bian等人，2020年；Hobley等人，2015年）。地形异质性通过控制水文过程（例如径流分配、土壤水分再分配）和微气候条件，进一步调节SOC的空间分布，从而影响侵蚀损失和有机物的保存（Martin等人，2014年；Wang等人，2001年）。土地利用变化，特别是将自然生态系统（如森林、草地）转化为耕地，通常会通过多种机制导致SOC的大量流失：有机输入减少、耕作引起的通气加速矿物化以及侵蚀敏感性增强（DeGryze等人，2004年；Khan和Chiti，2022年；Don等人，2011年）。元分析显示，森林砍伐后SOC损失为30–42%，草地转为耕地后损失为24–59%（Guo和Gifford，2002年；Van Wesemael等人，2010年；Wang等人，2011年）。相反，再生农业实践——包括保护性耕作、有机改良和残渣保留——通过增加碳输入和促进土壤团聚体中的物理保护，显示出逆转SOC下降的潜力（Khan和Chiti，2022年；Zhuo等人，2022年）。尽管取得了这些进展，但在SOC驱动因素之间的尺度依赖性相互作用方面仍存在关键的知识空白，特别是在干旱地区，其中对环境强迫的非线性响应可能主导碳循环过程。

土壤性质与环境因素之间的关系往往复杂且非线性。机器学习（ML）的最新进展通过利用大规模地理空间数据集，彻底改变了SOC动态与其环境驱动因素之间复杂相互作用的量化（Guo等人，2024年；Wang和Huang，2023年）。多种ML方法已在土壤科学中得到成功应用，包括用于土壤形成过程建模的人工神经网络（ANN）（Gholami等人，2021年；Ao等人，2021年）、用于数字土壤制图的支持向量机（SVM）（Were等人，2015年）、用于景观尺度碳封存建模的极端梯度提升（XGBoost）（Mahmoudzadeh等人，2020年），以及用于识别SOC周转驱动因素的随机森林（RF）（Guo等人，2024年）。在这些方法中，基于树的集成方法（RF和XGBoost）在SOC研究中具有特别的优势，因为它们具有抗过拟合的能力、对噪声环境协变量的鲁棒性以及通过递归分割检测非线性关系的能力（Breiman，2001年；Fan等人，2018年）。这些特性使得它们能够有效捕捉复杂的土壤-气候相互作用，鉴于SOC动态中的多变量阈值响应和空间变异性，这一点尤为重要。因此，最近的方法学综合研究表明，基于树的ML在SOC驱动因素识别研究中的优势日益突出，应用范围从地块尺度的生物地球化学过程分析（Ma等人，2024年）到大陆尺度的碳储量评估（Mahmoudzadeh等人，2020年）。

最近的研究提高了我们对全球干旱地区土壤有机碳（SOC）动态的理解（Ren等人，2024年；Wang等人，2023年）。然而，在极端气候条件和地球化学背景共同调节碳持续性的干旱生态系统中，仍存在关键的知识空白。中国西北部的内陆盆地——包括世界上第二大流动沙沙漠塔克拉玛干沙漠——提供了一个独特的自然实验室来研究这些相互作用。该地区的高蒸发需求和不断扩展的绿洲农业创造了通过风成过程、矿物化和土地利用变化导致碳损失的竞争途径——所有这些都被气候变暖趋势所加剧。我们的目标是：（1）研究新疆南部的SOC空间变异性；（2）确定这种空间变异性的主要驱动因素及其对SOC稳定机制的贡献；（3）估计过去近40年来SOC储量变化对实现IPCC SSP情景下土地退化中和目标的影响。

研究区域

研究区域

该地区位于中国新疆维吾尔自治区南部，包括库尔勒、阿克苏、喀什和和田等关键区域，总面积约为57,000平方公里。研究区域的中心部分是塔克拉玛干沙漠，这是世界上第二大流动沙沙漠，采样点主要位于绿洲地区。该地区以复杂的河流网络为特征，分为七个主要河流流域，包括凯都河等。

SOC的描述性统计和分布模式

在整个研究区域内，SOC含量范围为0.20至94.00克/千克，平均值为5.95克/千克。变异系数（CV）用于描述SOC含量的变化程度（低，< 15%；中等，15% -35%；高，> 35%）（表3）。结果表明，SOC含量在整个研究区域内具有较高的变化程度，CV值证实了这一点。土壤有机碳密度（SOCD）范围为0.93至7.89千克·碳/平方米，平均值为3.45千克·碳/平方米。

干旱地区的SOC动态和脆弱性

干旱地区的土壤有机碳引起了极大的关注，因为大量的碳对气候变化非常敏感（Lal，2004年；Ren等人，2024年）。全球范围内干旱程度不断加剧，大多数典型的干旱地区在过去几十年中SOC储量持续下降。与此趋势一致，研究区域的平均SOC浓度从20世纪80年代的7.44克/千克下降到2016年的5.95克/千克。

结论

我们对新疆南部14,222个土壤样本的大规模分析显示，过去四十年干旱地区的SOC储量下降了约20%，这突显了干旱环境中碳库的极端脆弱性。我们发现，土壤矿物学——特别是Fe氧化物——对SOC的控制作用比气候或植被更强，强调了与矿物相关的稳定作用在碳持续性中的核心作用。相比之下，钠的富集是一个主要的压力因素，它抑制了SOC的积累。

CRediT作者贡献声明

袁瑶：撰写——原始草稿，调查。赵宇：撰写——审阅与编辑，资源管理，数据整理。余光辉：概念构思。杨忠芳：正式分析，概念构思。张静：软件应用。马红红：软件应用，方法学研究。陈振宇：正式分析。梁楠：软件应用。赵汉森：验证。苏静：撰写——审阅与编辑，方法学研究。

资金信息

中国科学技术部的第三次新疆科学考察计划，资助/奖励编号：2022xjkk0300。中国地质调查局，资助/奖励编号：DD20230556。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了中国科学技术部的第三次新疆科学考察计划（资助/奖励编号：2022xjkk0300）和中国地质调查局（资助/奖励编号：DD20230556）的支持。