基于过程模型的中国未来气候变暖对土壤有机碳影响研究

《Climate Smart Agriculture》：Impact of future climate warming on soil organic carbon in China based on process-based models

本研究针对气候变暖对土壤有机碳（SOC）动态影响机制不明确的问题，通过构建六种变暖情景（0-3°C，0.5°C步长），结合RothC模型和随机森林（RF）模型，系统模拟了中国SOC时空分布格局。研究发现随着温度升高，中国SOC呈现"北增南减"的空间分异特征，总体储量平均减少约99.6 Tg，并揭示植被因子（NPP、NDVI）对SOC动态具有最高解释力。该研究为改进SOC模型和认识气候变暖下陆地碳循环过程提供了量化依据。

　　

在全球气候变暖持续加剧的背景下，土壤作为陆地生态系统中最大的有机碳库，其微小的波动都可能对全球气候变化产生显著影响。土壤有机碳（SOC）不仅是陆地碳库的重要组成部分，更在气候反馈中扮演着关键角色。然而，气候变暖如何影响SOC的动态变化，其空间分布格局将发生怎样的改变，以及影响SOC变化的主导因素是什么，这些问题至今尚未得到系统解答。

传统的过程模型（如RothC）虽然能够机理性地描述SOC的形成和分解过程，但在区域尺度上难以全面反映SOC的空间异质性。而机器学习模型（如随机森林）虽然擅长捕捉复杂的非线性关系，却又缺乏明确的生态过程约束。这种两难境地使得准确预测气候变暖对SOC的影响面临巨大挑战。

为了解决这一科学难题，周志然等研究人员在《Climate Smart Agriculture》上发表了一项创新性研究，他们巧妙地将过程模型与机器学习模型相结合，构建了一个多变暖情景模拟框架，系统评估了未来气候变暖对中国SOC储量的影响。

研究团队采用了多项关键技术方法：首先基于2010年代中国陆地生态系统碳密度数据集，获取了2392个土壤采样点的SOC数据；然后运用RothC模型模拟六种变暖情景（0.5°C至3°C，0.5°C步长）下的SOC动态变化；接着结合随机森林（RF）模型和23种环境协变量进行空间模拟预测；最后通过SHAP（Shapley Additive Explanations）值和边际效应分析方法量化各因素对SOC含量的影响机制。

模型验证结果表明预测精度受温度影响

通过十折交叉验证方法对模型性能进行系统评估发现，在轻度变暖情景（温度升高0.5°C、1°C和1.5°C）下，模型具有较高的预测精度，R²达到0.46-0.60。然而在高温情景（温度升高2°C、2.5°C和3°C）下，不确定性显著增加，RMSE（均方根误差）上升至25.2 g C m^-2。这一现象表明，模型在模拟极端气候条件下的复杂碳动力学方面能力有限，预测准确性随着温度升高而下降。

不同温度情景下土壤有机碳变化呈现规律性分布

对六种变暖情景下0-20 cm土层SOC平均预测值的空间分析揭示了有趣的地理分布规律。在北部地区（如东北和西北），低温情景下大部分区域处于低值范围，SOC库呈下降趋势；而在高温情景下，部分区域出现高值范围，SOC库显著增加，特别是在东北地区表现明显。南部地区（如华南和中南地区）在所有变暖情景下SOC库持续下降，而华东地区则呈现轻微增加。中部地区（如华北）的颜色模式更为复杂，低温情景下以低值为主，SOC下降趋势明显；高温情景下部分区域颜色变浅，但SOC增加的幅度和范围均不及北部地区显著。

土壤有机碳储量呈现非线性波动下降趋势

通过对SOC空间分布图的计算分析，研究人员发现中国SOC储量随温度变化总体呈现下降趋势，平均减少99.6 Tg。具体而言，从T0.5到T1.5，碳储量持续下降，从-58.3 Tg降至-136.7 Tg，在T1.5时达到最低点，表明此阶段温度升高对碳储量产生了显著的抑制作用。从T1.5到T2，碳储量减少95.2 Tg，暗示在此温度范围内其他因素可能部分抵消了温度对碳储量的负面影响。从T2到T2.5，碳储量减少109.8 Tg，表明温度的负面影响再次占据主导地位。从T2.5到T3，碳储量减少89.6 Tg，虽略低于前一阶段，但整体趋势继续保持波动下行。

植被因子对土壤有机碳动态具有主导作用

通过SHAP方法对23种环境协变量相对重要性的计算分析发现，净初级生产力（NPP）、土壤类型（ST）、降水（Pre）和归一化植被指数（NDVI）在所有六种变暖情景中均占主导地位。特别值得注意的是，植被相关因子对SOC变化的贡献最大，约占50%，其次是气候和土壤因子，各占约20%。虽然地形因子与土壤和气候因子相比对SOC的影响不那么突出，但在SOC动态中仍发挥着重要的支撑作用。

边际效应分析进一步表明，SOC含量随着NPP、Pre、NDVI、PS（降水斜率）和VD（谷深）等相关变量值的增加而减少。其中NPP和Pre对SOC的影响更为显著，而高温可能会抑制它们的积极效应。NDVI和PS对SOC的影响相对稳定，而VD对SOC的影响随着温度升高而增加。

研究结论与讨论

本研究通过整合过程模型和机器学习解释方法，系统探讨了气候变暖下SOC库演变的驱动机制。研究发现，气候变暖通过调控植被生产力和土壤微生物活性，改变了碳输入与分解之间的平衡，从而驱动了SOC的时空重构。中国SOC储量随温度升高呈现"北增南减"的空间分异特征，整体表现为非线性波动下降趋势，平均减少99.6 Tg。

这一发现与全球实证证据和理论预期相符，进一步表明气候变暖对土壤碳储量具有普遍的负面影响。在北部寒冷地区，适度变暖（低于1.5°C）可通过延长生长季节来提高NPP，从而促进SOC积累；而在南部高温地区，持续变暖会加剧水分胁迫，减缓甚至降低NPP的生长速率，使得碳输入难以抵消微生物分解损失。

研究的创新之处在于将过程模型与机器学习模型相结合，充分发挥了机理模型的过程约束性和数据驱动模型的拟合优势。然而，研究也存在一些局限性，如假设土壤碳输入与NPP成比例关系可能无法完全反映气候变暖下可能的非线性变化；RothC模型参数主要基于温带地区的长期实验数据，在极端气候条件下仍存在不确定性。

该研究为改进土壤碳模型、完善碳循环反馈过程以及优化碳管理策略提供了坚实的理论基础。研究结果不仅对农业碳管理、区域生态安全具有重要指导意义，也为碳达峰碳中和目标的实现提供了科学依据。未来研究可通过改进碳输入动态、引入植被-土壤反馈模块和优化模型参数化过程，进一步提升模型的通用性和预测能力。

这项研究的重要意义在于，它首次在全国尺度上系统量化了不同变暖情景下中国SOC的响应规律，揭示了植被因子在调控SOC动态中的核心作用，为区域碳循环调控和土壤碳管理提供了精准的量化工具。在全球气候变暖背景下，这一研究成果对于理解陆地碳循环过程、预测未来气候变化趋势以及制定科学有效的碳管理策略都具有重要的理论和实践价值。