中国西北部干旱地区土壤和植被碳的十年变化及其驱动因素

《Case Studies in Chemical and Environmental Engineering》：Decadal changes and drivers of soil and vegetation carbon in the dryland ecosystems of Northwestern China

中国西北干旱区生态系统碳储量时空格局及驱动机制研究。基于2304个样本点，运用随机森林等机器学习模型预测了地上（AGBC）、地下（BGBC）和土壤（SOC）有机碳储量，发现机器学习模型显著优于多元线性回归。土地利用（LU）对AGBC贡献率达34%，年均最高温（TMX）和海拔（ELE）分别主导BGBC和SOC。2000-2020年该区年均碳汇速率32.87±8.33 Tg C·yr?1，山区贡献突出，沙漠区SOC损失显著。揭示了碳三池异质驱动机制及非线性响应关系。

　　

陈玉清|席海阳|朱萌|王斌|程文竹|尹新伟|郝玉莲|曲林波|王哲辉

中国科学院西北生态环境资源研究院干旱地区生态安全与可持续发展重点实验室，中国兰州730000

摘要

干旱生态系统在全球碳循环中发挥着重要作用，但其碳动态仍不甚明了，尤其是在气候变化背景下。大多数关于干旱生态系统的研究集中在土壤有机碳（SOC）储量上，而对地上生物量碳（AGBC）和地下生物量碳（BGBC）的关注较少。本文对中国西北地区的干旱生态系统进行了全面的碳储量评估。通过整合2000年至2020年的2304个采样点数据，我们利用机器学习（ML）技术分别建立了AGBC、BGBC和SOC的预测模型。研究结果表明，ML模型的预测性能显著优于多元线性回归（MLR）模型。将气候变量（CL）、二氧化碳浓度（CC）和土地利用类型（LU）作为环境协变量纳入随机森林（RF）模型后，预测精度进一步提高。利用Shapley加性解释（SHAP）方法分析发现，土地利用类型是影响AGBC的最重要因素，解释了34%的变异；年平均最高温度（TMX）和海拔（ELE）则是影响BGBC和SOC的主要驱动因素。这些关键因素与三大碳库之间存在非线性关系。结构方程模型（SEM）进一步揭示，TMX通过影响土壤性质对BGBC产生直接和间接的负面影响，而ELE则通过影响植被对SOC产生显著的正向影响。2000年至2020年间，中国西北地区的干旱生态系统表现为净碳汇，生态系统碳总量（AGBC+BGBC+SOC）以每年32.87 ± 8.33 Tg C的速度增加。这一增长主要来自山区，而沙漠生态系统的SOC则占据了碳损失的大部分。这些结果突显了AGBC、BGBC和SOC在时空上的异质性以及关键驱动因素的差异。我们的工作为评估干旱生态系统的碳动态提供了有价值的见解和方法论框架。

引言

陆地生态系统是气候反馈系统的重要组成部分，储存了约4500 Gt的有机碳，其中近45%储存在土壤和植被中（Friedlingstein等，2025年）。通过光合作用，植物吸收二氧化碳（CO₂），将其部分储存在生物量中，并通过落叶和根系分泌物转移到土壤中，从而实现长期碳封存。这一过程在抵消人为碳排放方面发挥着重要作用（He等，2022年；Krause等，2022年）。据估计，陆地生态系统贡献了全球年碳汇的50%以上（Friedlingstein等，2025年）。作为陆地生态系统的主要组成部分，干旱地区覆盖了地球陆地表面的大约41%，并包含了全球有机碳总量的三分之一（Plaza等，2018年；Dong等，2022年）。由于其较高的生物周转率，干旱生态系统贡献了全球陆地净初级生产的约40%，在驱动陆地碳汇变化中起主导作用（Piao等，2011年；Poulter等，2014年；Yao等，2020年）。因此，了解干旱生态系统中的有机碳动态对于阐明其在气候变化中的作用至关重要。

陆地生态系统碳库主要由三部分组成：地上生物量碳（AGBC）、地下生物量碳（BGBC）和土壤有机碳（SOC）。这些成分通过物质循环和能量流动中的相互反馈调节生态系统过程和功能（Wardle等，2004年）。植被被认为是有机碳积累的最活跃贡献者（Yao等，2020年）。它通过植物落叶和根系分泌物向土壤提供有机物质（Rossi等，2020年；Shabtai等，2024年），并通过根系生长直接影响SOC，从而改变土壤质地和其他物理性质（Shabtai等，2024年）。反过来，作为土壤肥力的关键决定因素，SOC通过影响植被的初级生产力和碳封存能力来反作用于植被（Jiang & Wang，2017年）。尽管近年来对陆地碳储量的变化进行了广泛研究（Gomes等，2019年；Cheng等，2024年），但在干旱生态系统中的相关研究仍然有限。由于水资源稀缺和生产力低下，这些生态系统中的碳动态量化工作落后于湿润地区的农田和森林（Dong等，2022年）。现有的干旱地区研究主要集中在草原（Chen等，2022年；Han等，2025年），而沙漠中AGBC、BGBC和SOC的贡献量尚未得到充分量化且存在较大不确定性。Li等（2015年）报告称，中亚0–100厘米土层中储存了31.34–34.16 Pg的有机碳，占全球沙漠和干燥灌木丛碳储量的18–24%；Ng等（2025年）指出，澳大利亚干旱和半干旱地区0–100厘米土层中储存了37.75 Pg的有机碳。Yang等（2020年）发现沙漠通过非生物过程吸收CO₂，表明它们在全球碳循环中起着关键但常被忽视的作用。因此，沙漠生态系统可能是全球碳平衡估算中的一个重要不确定性来源。在干旱地区，有机碳变化的大小和方向受外部环境因素的强烈控制。年平均温度（MAT）和年平均降水量（MAP）被认为是影响有机碳动态的主要因素（Krause等，2022年；Chen等，2025年）。此外，土地利用方式和植被变化会改变有机碳在地上、地下和土壤库之间的分配（Li等，2021年）。然而，将生态系统碳视为一个统一的整体往往掩盖了影响AGBC、BGBC和SOC的不同驱动因素。因此，全面评估干旱生态系统中的碳储存及其对关键环境因素的响应对于理解全球碳循环至关重要。

多光谱卫星成像技术的进步及其日益普及使得基于遥感的映射成为量化陆地生态系统有机碳的有效方法（Dong等，2022年；Hu等，2025a）。与需要大量观测数据的过程模型不同，这种方法利用了地表特征的生理和物理特性之间的潜在关系（Guo等，2021年）。已应用了多种统计方法和ML算法，包括多元线性回归（MLR）、随机森林（RF）和支持向量机（Chen等，2025年；Yao等，2025年）。这些技术实现了生态系统碳的精确时空分布估算。然而，AGBC、BGBC和SOC的空间异质性使得确定最佳环境协变量成为一个持续挑战（Xiao等，2024年）。尽管许多协变量已被纳入遥感映射中，但不同地区和数据集之间的预测性能差异显著，目前尚未达成共识。在干旱地区，这种挑战尤为突出，因为独特的生态系统结构对模型的适用性和稳健性提出了疑问。因此，分别评估干旱生态系统中的AGBC、BGBC和SOC的空间分布，系统比较不同ML模型的预测性能，并评估多种环境因素的相对贡献，对于提高生态系统碳估算的准确性和可解释性至关重要。

我们选择中国西北干旱地区作为研究区域，该地区是一个具有代表性的干旱生态系统。我们收集了过去20年的2304个有机碳观测数据以及42个环境协变量，分别建立了针对AGBC、BGBC和SOC的三个多源遥感映射模型。本研究的目标是：1）开发用于预测中国西北干旱地区AGBC、BGBC和SOC的遥感ML模型；2）评估和量化AGBC、BGBC和SOC对关键环境因素的响应差异；3）研究2000年至2020年间AGBC、BGBC和SOC的时空变化模式。本研究旨在为理解干旱生态系统中的有机碳动态及识别驱动陆地碳循环的关键因素提供有价值的见解和实证证据。

研究区域

研究区域

中国西北干旱地区位于欧亚大陆中部，纬度范围为35°–50°N，经度范围为73°–107°E，总面积约为2.35 × 10⁶平方公里（图1a）。该地区具有典型的温带大陆性气候，以干旱条件和高蒸发率为特征。年平均降水量约为150毫米，而在极端干旱的沙漠地区，降水量低于50毫米。

统计分析

在干旱生态系统中，三种碳库存在显著差异。土壤有机碳（SOC）数据集包含1132个样本，其范围从0.001到63.34 kg C m^?2，平均值为10.89 kg C m^?2，标准差为11.80，表明分布高度分散。相比之下，地上生物量碳（AGBC）和地下生物量碳（BGBC）的平均值较低，分别为0.58 kg C m^?2和0.93 kg C m^?2。具体而言，AGBC的范围为0.002到15.15 kg C m^?2，BGBC的范围为0.01到2.84 kg C m^?2。

MLR与ML模型的比较

本研究基于2304个数据样本，比较了ML模型和MLR在模拟生态系统碳方面的性能，并进一步研究了气候变量（CL）、二氧化碳浓度（CC）和土地利用类型（LU）对模型结果的影响。结果表明，ML模型的预测性能显著优于MLR模型。与MLR相比，ML模型将测试集上生态系统碳预测的R²和LCCC分别提高了7–28%和5–21%，同时将平均绝对误差（MAE）和均方根误差（RMSE）分别降低了0.04–0.46 kg C m^?2和0.05–1.14 kg C m^?2。

结论

本研究结合遥感数据和ML技术，识别了AGBC、BGBC和SOC的关键驱动因素，并研究了这些因素之间的相互作用。我们还量化了2000年至2020年间AGBC、BGBC和SOC的时空动态。主要结论如下：

1）随机森林（RF）模型在模拟生态系统碳方面的性能优于XGBoost和MRL模型。当将气候变量（CL）、土地利用类型（LU）和二氧化碳浓度（CC）作为环境协变量时，RF模型的预测效果最佳。

作者贡献声明

陈玉清：撰写 – 审稿与编辑，撰写 – 初稿，数据可视化，研究设计，数据管理，概念构思。席海阳：撰写 – 审稿与编辑，指导，资金筹集。朱萌：撰写 – 审稿与编辑，指导，资金筹集，数据管理。王斌：撰写 – 审稿与编辑，指导，概念构思。程文竹：撰写 – 审稿与编辑。尹新伟：撰写 – 审稿与编辑，数据管理。郝玉莲：数据管理。曲林波：数据

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究得到了国家自然科学基金 [52379031和[42201133]、甘肃省科技规划项目 [23ZDFA018、甘肃省知识产权计划 [23ZSCQD001以及国家草业技术创新中心（筹备）关键创新平台建设项目 [CCPTZX2024GJ04的支持。