中国草原表土有机碳储量的大小、变化及其变化趋势

《CATENA》：Size, change, and trajectory of the topsoil organic carbon stock in Chinese grasslands

土壤有机碳储量评估与气候变化影响研究。本研究通过整合1980年代和2010年代全国统一草场土壤调查数据，结合六种预测模型比较，发现中国草地表层土壤有机碳密度从3.73增至4.17 kg C/m2，增幅11.68%，总储量增长9.9%，年均固碳率37.54 Tg C/yr。研究显示气候变化，尤其是升温，对SOC影响显著，高排放情景下密度可能下降17.69%。RFOK模型在精度上表现最优，为区域管理和减排政策提供依据。

　　土壤草甸的碳（C）汇能力对于缓解全球气候变化至关重要。然而，由于数据来源和方法学差异，估算土壤有机碳（SOC）储量仍存在较高的不确定性。本研究利用机器学习（ML）方法，结合1980年代和2010年代的中国草甸表层土壤（0–20厘米）数据，评估了中国草甸SOC储量及其变化。通过定量比较六种预测方法的估算准确性，发现随机森林普通克里金模型（RFOK）在草甸SOC估算中表现最为准确，其R2值达到0.66。研究结果显示，1980年代和2010年代中国草甸表层SOC密度分别为3.73±0.19和4.17±0.18 kg C m?2，增加了11.68%。尽管草甸面积减少了约1.60%，但表层土壤仍作为碳汇发挥作用，SOC储量从1980年代的11.38±0.22 Pg C增加到2010年代的12.51±0.17 Pg C，增长了9.90%，平均碳封存速率为37.54±3.52 Tg C yr?1。气候变化对草甸表层SOC密度有显著影响，敏感性分析表明，在高碳排放情景（SSP5-8.5）下，到2100年，SOC密度可能下降约17.69%。通过优化数据来源和估算方法，本研究提高了草甸表层SOC储量和碳封存速率的估算精度。此外，区域估算结果为未来草甸管理和碳汇保护提供了参考依据。

草甸是陆地生态系统的重要组成部分，占地球陆地面积的31%–40%。草甸生态系统的碳储量估计约为525 Pg，其中约80%储存在土壤中。草甸土壤碳储量在植被碳输入和微生物分解之间动态变化。土壤碳储量的小幅变化会对大气二氧化碳浓度产生显著影响。因此，准确评估草甸土壤碳储量及其变化对于提高草甸生态系统碳汇的估算精度并指导管理者制定有效的碳管理措施至关重要。

中国草甸面积约为2.9亿公顷，占全球草甸面积的11%。这些草甸土壤中的SOC储量占全球草甸SOC储量的8.35–28.16%。中国草甸土壤碳储量的变化显著影响全球碳预算平衡。许多研究人员使用调查数据和遥感数据结合库存方法和过程模型，评估了中国草甸土壤的碳储量及其变化（Piao et al., 2022; Yang et al., 2022; Table 1）。然而，许多先前的国家尺度SOC评估依赖于不一致的数据来源，这些数据在采样时间、调查协议和草甸分类系统上存在差异。这种不一致性引入了显著的不确定性。SOC储量的估计范围从10.06到56.3 Pg C，而SOC储量变化率的估计范围从-178到13.3 Tg C yr?1。因此，为了提高中国草甸SOC储量在区域和国家尺度上的估算精度，有必要改进评估数据和方法。

为了解决这一挑战，本研究基于统一的数据集，包括一致的草甸地图和1980年代及2010年代的全国性实地调查数据。这种标准化方法避免了数据来源的不一致性，为评估多十年的SOC变化提供了可靠的基础，从而更准确地评估中国草甸的碳储量演变。通常，实地调查数据能够准确反映某一时期SOC储量的状态，这对于估算碳储量及其变化至关重要。因此，获取多时期和大规模的地面调查数据可以有效提高草甸土壤碳汇的评估精度。此外，优化上规模方法可以在一定程度上减少评估的不确定性（Liu et al., 2023; Wang et al., 2023b）。传统的储量评估方法，如分类统计（如生态系统类型和土壤类型）和空间插值（如克里金法、距离倒数加权、经验贝叶斯法）容易受到数据量和采样点空间分布的影响（Ma et al., 2016）。然而，这些方法往往忽略了草甸生态系统的空间异质性（Yang et al., 2010）。机器学习方法的快速发展，如随机森林（RF）、提升回归树（BRT）和支持向量机（SVM），为区域和全球尺度的碳储量评估提供了优势（Li et al., 2024）。这些方法将高精度的地面库存数据与地理和环境数据相结合，建立了SOC密度的空间投影模型，从而准确确定草甸SOC储量（Nabiollahi et al., 2019; Zhang et al., 2023; Zhang et al., 2025b）。在此基础上，最近开发的RFOK模型通过结合RF预测与残差克里金插值，提高了SOC密度预测的准确性，充分考虑了环境驱动因素和空间自相关性（Wu et al., 2024）。尽管机器学习算法如RF在中国已有应用，但以往的研究通常仅使用单一模型，缺乏系统比较。本研究评估了六种空间预测方法，并引入了混合RFOK框架，该框架将基于机器学习的环境预测与地统计残差克里金法相结合。

了解草甸SOC储量的分布和变化以及影响这些变化的因素，对于制定适当的草甸恢复和保护策略至关重要。大量研究表明，气候因素是草甸SOC储量的关键驱动因素（Chang et al., 2021; Hewins et al., 2018）。温度升高会促进土壤有机质的分解，减少碳储量（Liu et al., 2023）。降水增加会提高植物生产力，增强SOC输入，促进SOC积累（Zhang et al., 2020a; Zhang et al., 2020b）。气候因素导致SOC储量和碳封存出现区域差异（Zhang et al., 2025a）。此外，草甸面积的变化也是影响草甸SOC储量的重要因素（Li et al., 2022）。过度放牧或农田转草甸等土地利用变化会直接影响草甸覆盖（Dlamini et al., 2016; Ostle et al., 2009）。此外，土壤性质、地形、母质和植被也会影响草甸SOC储量的分布（Bai and Cotrufo, 2022; Wiesmeier et al., 2019）。然而，目前中国草甸在这些因素交互作用下的SOC储量现状及未来趋势仍不明确。

草甸表层土壤（0–20厘米）占0–100厘米深度总SOC储量的30%–40%（Balasubramanian et al., 2020; Ward et al., 2016）。它位于土壤系统最上层，直接暴露于其他界面，受到气候变化和人类活动的强烈影响（Jacobs et al., 2011; Yue et al., 2015; Zuo et al., 2021）。为了减少不确定性并加强长期SOC趋势检测，本研究整合了标准化的多时期全国实地调查数据集与经过系统比较选择的RFOK模型。该模型用于模拟SOC密度的时空动态，并预测不同气候情景下的未来响应。通过整合统一的全国实地调查数据集、系统模型评估和气候驱动的SOC预测，本研究为中国的草甸SOC动态提供了稳健且基于实证的理解。本研究的主要目标是（1）评估草甸表层SOC储量，并计算1980年代至2010年代的SOC封存率；（2）研究未来气候变化对草甸表层SOC密度的影响。

在数据和方法部分，研究采用了统一的数据集，包括1980年代和2010年代的草甸SOC密度数据。这些数据来源于“第二次全国土壤调查”（1979–1985）和“碳预算战略优先项目”（2010–2015）。这些调查采用了统一的实地采样、实验室测试和分析标准，数据质量得到了保证。获得的调查数据空间分布相对均匀，涵盖了中国主要的草甸类型。调查数据包括地理坐标（纬度和经度）、土壤厚度、土壤质地、SOC含量、容重和氮磷含量。1980年代和2010年代分别获得了1371和3719个草甸土壤样本。草甸土壤采样点的空间分布和描述性统计分别展示在图1和表S1中。

SOC密度（kg C m?2）在0–20厘米土壤层中，每个采样点通过公式（1）计算得出。公式（1）中，SOC_i、BD_i、D_i和δ_i分别表示土壤层i中的SOC含量（%）、容重（g cm?3）、土壤深度（cm）和大于2毫米的体积百分比（%），n为总土壤层数。本研究中的环境数据包括气候变量、土壤性质变量、地形变量、母质变量和植被变量。气候变量包括1980年代和2010年代的年平均温度和降水，主要来源于中国科学院资源与环境科学数据共享中心。土壤性质变量包括黏土、粉砂和砂的含量以及总氮和磷含量。地形变量主要包括坡度、坡向、平面曲率、剖面曲率和地形湿润指数。母质变量来源于https://soil.geodata.cn，空间分辨率为0.5°×0.5°。植被变量主要包括1982–1985年和2010–2015年的年均净初级生产力（NPP）和归一化植被指数（NDVI）。这些数据分别来源于https://www.glass.umd.edu和https://www.resdc.cn，空间分辨率为1 km×1 km和8 km×8 km。连续变量和分类变量分别使用双线性插值和最近邻法进行处理。每个采样点的栅格属性值被提取并作为模型的输入变量。

在方法部分，研究的主要步骤包括：首先，整理1980年代和2010年代的地面测量碳属性数据，并通过基本公式计算草甸样本点的SOC密度，总共获得了5070个样本点。其次，结合SOC密度与环境数据建立多个模型，并根据准确性指标选择最佳模型。最后，使用选定模型模拟不同时间段和未来情景下的草甸SOC密度和储量，并通过10折交叉验证评估模型的不确定性。模型拟合过程中使用了R语言中的“randomForest”、“gstat”、“lightgbm”、“e1071”、“gbm”和“caret”包。不同时间段内同一区域的差异显著性通过独立样本T检验（“stats”包）进行评估。变量重要性通过建立最佳模型并进行群体和单因素排列重要性分析（“dplyr”包）在国家和区域尺度上进行评估。未来气候情景下草甸表层有机碳的变化通过独立样本T检验（“stats”包）进行测试。采样点、SOC密度和储量的空间分布图使用ArcGIS（版本10.8.1）制作，其他图表使用Adobe Illustrator 2023进行绘制和拼接。所有统计分析均使用R语言进行，显著性水平定义为*p* < 0.05、**p** < 0.01和***p*** < 0.001。

研究结果表明，RFOK模型在估算草甸SOC密度时表现最佳，具有最高的R2值（0.66）和最低的RMSE（0.64 kg C m?2），MAE为0.46 kg C m?2（图3a–f）。与RF模型相比，RFOK模型的R2值提高了20%。这些结果展示了最高的模拟精度（图S2）。因此，RFOK方法被选为估算中国草甸SOC储量及其不确定性的工具（图4）。与以往依赖分类统计（Ni, 2002; Wang et al., 2004）、基于空间自相关的插值（Ma et al., 2016）或单一ML模型如RF（Zhang et al., 2023）的研究相比，混合RFOK方法同时考虑了SOC密度的空间异质性和样本之间的空间自相关性，从而显著提高了预测准确性（Wu et al., 2024）。然而，本研究也存在一些局限性。首先，西部地区的采样点分布不均。其次，一些用于模型的国家环境数据空间分辨率较粗（8 km×8 km），这可能会影响SOC储量的估算结果。此外，本研究主要关注表层土壤。未来的研究应加强对西部草甸土壤的调查和采样，以提高采样点的空间分布均匀性。同时，应使用更精确的环境数据集及相关数据产品进一步优化评估模型，同时更加关注深层土壤有机碳的变化。

气候变化是中国草甸表层SOC储量的主要驱动因素。尽管全国草甸面积减少了约4.88×10? km2，但表层SOC储量增加了9.90%，平均碳封存速率为37.54±3.52 Tg C yr?1。这一增长主要归因于表层SOC密度的11.68%增加（图4f）。我们的分析表明，气候因素，特别是温度，是影响中国草甸SOC密度空间分布的主要驱动因素（图S4a；Spohn et al., 2023；Zhou et al., 2019）。主要原因在于温度和降水表现出不同的分布模式，并影响草甸土壤中的各种生物化学过程，如植被碳输入和微生物分解（Liu et al., 2022）。变暖可能促进植被碳输入和微生物残留输入，超过微生物分解，特别是在高山草甸中（Ding et al., 2019）。降水增加则促进植被生长，增加土壤碳输入，共同提高中国草甸表层SOC密度（Nie et al., 2013；Tan et al., 2010）。在不同的气候条件下，植被生产力和微生物分解导致草甸土壤SOC积累和固定速率的不同（Nie et al., 2013；Tan et al., 2010）。

在区域层面，从1980年代到2010年代，中国大部分地区的草甸表层SOC储量增加，唯独内蒙古地区（IMZ）有所减少（图5；图5a–c）。不同区域的碳汇机制存在显著差异（图S4）。我们的研究指出，在同一纬度带内，NWZ和IMZ分别主要受降水和温度的影响。在新疆的天山和阿尔泰山地区，气候变化（降水和温度）以及积极的人类活动政策，如禁牧和“退耕还草”项目，提高了净初级生产力（Bi et al., 2018；Wang et al., 2022a；Yue et al., 2024）。这增强了土壤碳输入，促进了SOC积累。同时，低温限制了微生物活性，减缓了SOC分解（Buford Price, 2011）。然而，内蒙古高原地区作为碳源，其温度和降水相对较高。这与Li et al. (2019)和Zhang et al. (2020a)的研究结果一致。变暖加剧了局部干旱，导致植被生物量减少和土壤植被输入减少。同时，它提高了土壤微生物群落的基质利用效率，增加了碳输出，最终导致SOC损失（Liu et al., 2018）。在QTPZ，NDVI是SOC密度的主要驱动因素（图S4d）。这可能是因为这里的冻土碳动态主要受植被生长和分解的影响（Zhang et al., 2025c）。在NNZ，模型的较低可解释性（R2 = 0.18）可能是由于其他因素如密集的本地农业管理掩盖了环境因素的相对影响（Zhou et al., 2019）。

未来气候情景下的草甸表层SOC储量变化趋势在不同地区有所不同（图S5）。此外，草甸SOC储量的驱动机制也因地区而异（图S4）。这凸显了制定针对性管理政策的必要性。因此，政府应通过科学监测和管理，全面分析不同气候条件下的区域碳汇状况，并据此制定相应的碳汇保护政策。具体而言，在碳源区（IMZ），SOC储量主要受温度影响，并在未来的碳排放情景下表现出下降趋势。因此，严格管理人类活动，如禁牧和农田转草甸或森林，对于减少碳损失至关重要（Jiang et al., 2023）。在碳汇区（如QTPZ），未来SOC储量也显示出下降趋势。为了缓解这一趋势并增强碳汇能力，可以实施针对性措施。努力应集中在生态脆弱地区如本地草种人工播种的植被恢复（Song et al., 2025；Sun et al., 2024）。总体而言，针对性和前瞻性的草甸恢复和保护政策对于应对未来气候变化的挑战至关重要（Wang et al., 2022b）。

本研究通过整合广泛的基础调查数据，开发了一个最优的RFOK模型，以模拟1980年代和2010年代中国草甸表层SOC储量的现状及其变化。尽管在这两个时期草甸面积减少了约4.88×10? km2，但草甸表层SOC储量增加了9.90%，这主要归因于平均SOC密度的11.68%增长。从1980年代到2010年代，中国草甸表层土壤发挥了碳汇作用，平均封存速率为37.54±3.52 Tg C yr?1。东部青藏高原成为主要的碳汇区，而内蒙古则是主要的碳源区。气候因素，尤其是温度，主导了中国大多数草甸地区的SOC密度。在SSP5-8.5未来气候情景下，预计草甸表层SOC密度和储量将显著下降。本研究通过改进数据来源和方法，提高了草甸土壤碳储量和封存率的估算精度。研究结果为制定有效的碳汇管理策略提供了基础，适用于多样化的草甸生态系统。