编辑推荐：
为解决传统农业生态系统模型计算和数据需求高、扩展性受限的问题，研究人员结合机器学习（ML）与 Daily Century（DAYCENT）模型，分析 3 种生物能源作物在 SSP5 8.5 情景下的生物量和土壤有机碳（SOC）变化。发现芒草和高粱适应性更强，研究为开发易用工具提供可能。
在全球气候变化与能源转型的大背景下，农业生态系统如何平衡生物质生产与碳循环成为重要议题。传统的农业生态系统模型，如 Daily Century（DAYCENT），虽能模拟生物量产量和土壤有机碳（SOC）动态，但面临高计算成本、数据需求复杂等挑战，尤其在多情景、长时序的大规模预测中难以高效应用。与此同时，生物能源作物作为实现碳中和的关键路径之一，其在不同气候条件下的适应性和碳固存能力尚不明确。例如，芒草（Miscanthus）、高粱（sorghum）和柳枝稷（switchgrass）等 C4 作物虽被广泛研究，但未来气候变化下的产量波动与 SOC 响应机制仍需深入解析。在此背景下，开展基于高效模型的多作物适应性预测研究，对优化生物能源布局和土壤碳管理具有重要意义。
为攻克上述难题，国外研究机构的研究人员开展了一项创新研究，相关成果发表在《Carbon Capture Science》。该研究将机器学习（ML）与 DAYCENT 模型结合，构建降阶模型，预测美国农业用地中三种生物能源作物在基准期（2009-2018）和未来（2021-2100）的生物量产量及 SOC 变化，旨在评估其在高排放情景（SSP5 8.5）下的适应性与碳固存潜力。
研究主要采用以下关键技术方法：首先利用 DAYCENT 模型在 4 km 分辨率下模拟三种作物的基准期动态，输入数据包括气候（降水、温度）、土壤（质地、pH 等）和管理数据，并通过 4000 年预历史模拟实现土壤养分池稳态。随后，基于 CMIP6 的三种地球系统模型（ESMs）获取 SSP5 8.5 情景下的降尺度气候数据（降水、温度），并结合 7.1 万条 DAYCENT 模拟数据训练三种 ML 模型（梯度提升机 GBM、随机森林 RF、极端梯度提升 XGB）。通过 10 折交叉验证优化模型参数，以 R2 和均方根误差（RMSE）评估性能。最后，基于经济可行阈值（芒草 / 高粱≥10 吨 / 公顷，柳枝稷≥7.5 吨 / 公顷）分析作物适生区变化。
3.1 环境因子对产量和 SOC 变化的驱动作用
通过变量重要性分析发现，不同作物的产量和 SOC 驱动因子差异显著。柳枝稷和芒草的生物量产量主要受降水影响（分别占 68.7% 和 83.6%），而高粱更依赖温度（季节最低温占 46.7%）。SOC 变化方面，芒草受降水和砂土含量主导，柳枝稷依赖砂土含量和经度，高粱则与纬度、温度和土壤物理性质相关。ML 模型在验证集上表现优异，生物量预测 R2 为 0.96-0.97，SOC 预测 R2 为 0.92-0.98，显著优于传统模型。
3.2 未来产量与 SOC 变化趋势
在 SSP5 8.5 情景下，美国东部地区因生长季缩短和降水减少，芒草和柳枝稷产量下降，而西部因降水增加产量上升。高粱则因高纬度地区温度升高，产量显著增加，尤其在西部干旱区表现出更强耐旱性。SOC 变化与产量趋势一致，东部固碳能力下降，西部提升，但柳枝稷整体 SOC 固存能力弱于芒草和高粱。
3.3 经济可行区的时空演变
基准期内，芒草、柳枝稷和高粱的经济可行区占比分别为 85%、68% 和 45%。至 2100 年，芒草和高粱可行区分别扩大 10% 和 29%，高粱在高纬度地区增幅显著，而柳枝稷减少 11%。这表明高粱和芒草对未来气候适应性更强，尤其适合边际土地开发。
结论与讨论
本研究构建的 ML-DAYCENT 降阶模型为农业生态系统预测提供了高效框架，揭示了三种生物能源作物在 SSP5 8.5 情景下的差异化响应。研究发现，芒草和高粱在生物量产量、SOC 固存和适生区扩展方面表现更优，而柳枝稷对气候变化更敏感。这一结果为作物育种（如深根性、耐旱性）和区域布局提供了科学依据，助力碳捕获与生物能源可持续发展。未来研究需进一步整合作物轮作、灌溉管理等因素，以完善模型的实际应用价值。研究首次通过多模型集成，系统解析了生物能源作物的气候适应性，为政策制定者设计碳汇激励机制（如土壤碳税收抵免）提供了关键数据支撑，对实现《巴黎协定》温控目标具有重要意义。
