基于表土样本估算深层土壤有机碳储量的多方法比较研究

推荐：为解决深层土壤有机碳(SOC)监测数据不足的问题，研究人员通过对比参数化与非参数化方法（包括贝叶斯回归、分位数回归森林和广义加性模型），评估了利用表土样本（固定或可变深度）预测0-30 cm和0-60 cm深度SOC储量的可行性。结果表明，广义加性模型（GAM）在可变深度框架下预测效果最佳（0-30 cm RMSE=14.29 Mg·ha?1，MEC=0.72），为补充国家SOC数据库提供了新思路。

　　

土壤作为全球最大的陆地碳库，其有机碳（SOC）储量的微小变化可能显著影响大气CO₂浓度。然而，深层土壤SOC监测数据稀缺，而表土样本（通常为0-15 cm）的获取更为便捷。如何利用表土数据估算深层SOC储量，成为提升国家碳清单精度的关键挑战。新西兰作为气候行动先锋，自1996年启动土壤碳监测系统（Soil CMS），但现有数据多局限于0-30 cm层，且不同深度样本的整合存在技术瓶颈。

新西兰国家水与大气研究所（NIWA）等机构的研究人员开展了一项创新研究，系统比较了参数化与非参数化方法在SOC储量预测中的表现。研究团队收集了覆盖新西兰主要农业和森林区域的11,692份土壤样本（0-60 cm），涵盖5种土地利用类型和10种土壤类型。通过固定深度（0-10 cm标准化）和可变深度两种建模框架，测试了广义加性模型（GAM）、分位数回归森林（QRF）和贝叶斯回归（BRMS）的预测效能。

关键技术包括：1）质量保持样条法（mpspline2包）实现深度标准化；2）GAM与QRF模型采用10折交叉验证优化参数；3）BRMS基于Stan语言构建垂直积分方程；4）使用RMSE、MEC和CCC等指标评估模型性能。

3.1 土壤碳数据特征
数据显示，火山灰衍生的Allophanic土壤SOC储量最高（0-60 cm均值达150 Mg·ha^?1），而Pumice和Recent土壤储量最低。表层（0-10 cm）SOC变异性显著低于深层，验证了深度预测的挑战性。

3.2 固定深度模型
QRF在0-30 cm预测中表现最优（RMSE=17.14 Mg·ha^?1，CCC=0.75），但GAM的预测区间覆盖更准确（PICP=91.95%）。至60 cm深度时，两模型性能均下降约30%，反映深层SOC的异质性。

3.3 可变深度模型
GAM以显著优势领先：0-30 cm预测的RMSE（14.29 Mg·ha^?1）较固定深度模型降低16.5%，且PICP达94%。BRMS因过度简化垂直积分方程导致系统性低估（偏差-10.12 Mg·ha^?1）。

4.3 方法学对比
可变深度模型避免了样本强制标准化造成的数据损失，尤其适合单层样本占主导的数据库。GAM通过纳入采样深度作为协变量，成功捕捉SOC随深度的非线性衰减规律，而QRF对极端值预测存在局限。

这项发表于《Geoderma》的研究证实，表土样本可有效扩展SOC数据库覆盖范围。GAM框架下0-30 cm预测误差（14.29 Mg·ha^?1）虽仍显著，但已接近国际碳计量要求（Tier 2级精度）。未来需融合土壤发生过程（如硬磐层形成、冲积碳输入）以提升深层预测能力，而贝叶斯方法的参数优化仍是重要方向。该成果为全球土壤碳监测提供了可复用的方法论框架，尤其对数据异构性高的地区具有普适价值。