编辑推荐：
【编辑推荐】为明晰有机肥对全球农业生态系统土壤有机碳（SOC）动态的影响，研究人员利用随机森林（RF）、梯度提升回归（GBR）和极端梯度提升（XGB）模型展开分析。发现 GBR 模型性能最优，明确施肥量等是关键因素，为土壤碳管理提供了新路径。
土壤是地球关键带的核心组成部分，其有机碳（Soil Organic Carbon, SOC）储量的动态变化不仅关乎土壤肥力与农业可持续性，更是全球碳循环和气候变化的重要风向标。然而，有机肥作为传统化肥的环境友好型替代品，其对全球农业生态系统中 SOC 储量的影响始终笼罩在 “区域差异迷雾” 中 —— 不同气候带、土壤类型和农作制度下，有机肥的固碳效应宛如变幻莫测的 “魔方”，现有研究多局限于局部田间试验或区域 Meta 分析，难以捕捉全球尺度下复杂变量的非线性交互作用。传统统计模型和机理模型的 “线性思维” 与 “参数依赖” 缺陷，更让 SOC 动态预测陷入 “以偏概全” 的困境。在此背景下，一场借助机器学习（Machine Learning, ML）破解 SOC 固碳密码的全球研究应运而生。
来自国外研究机构的科研团队在《Earth Critical Zone》发表论文，针对全球农业生态系统中有机肥影响 SOC 储量的科学谜题，展开了一项跨尺度、多维度的创新性研究。研究团队构建涵盖气候因子、土壤属性、施肥管理等多变量的全球数据集，运用三种树基 ML 算法 —— 随机森林（Random Forest, RF）、梯度提升回归（Gradient Boosting Regressor, GBR）和极端梯度提升（eXtreme Gradient Boosting, XGB），构建 SOC 储量预测模型，旨在揭示有机肥效应的主控因子及其交互机制。
关键技术方法
研究首先通过文献检索从 132 篇同行评议论文中提取 943 个数据点，涵盖全球不同农业生态系统。数据预处理环节采用 K 近邻（KNN）算法填充缺失值，通过独热编码（One-Hot Encoding）处理分类变量，并利用 Z-Score 法对数据进行标准化。模型开发阶段将数据集按 4:1 比例划分为训练集与测试集，运用 5 折交叉验证优化 RF、GBR、XGB 和人工神经网络（ANN）的超参数，最终以决定系数（R2）和均方根误差（RMSE）为指标评估模型性能。
研究结果
3.1 机器学习模型性能
三种树基模型中，GBR 展现出 “碾压级” 预测能力：训练集 R2 达 0.96，测试集 R2 为 0.73，均方根误差（RMSE）分别为 2.1 和 2.23，显著优于 RF（0.86/0.62, 更高 RMSE）、XGB（0.95/0.69）和 ANN（0.69/0.41）。这表明 GBR 在捕捉复杂变量交互关系上更具优势，为后续因子分析奠定基础。
3.2 影响 SOC 储量的关键因子
GBR 模型揭示了有机肥效应的 “核心驱动链”：有机肥施用量（F_dose）和累计施肥量（F_cumu）稳居影响因子前两位，与 SOC 储量呈显著正相关，印证了 “碳输入量是固碳基础” 的科学假设。土壤容重（Bulk_d）位列第三，与 SOC 呈负相关，既反映其在 SOC 储量计算中的数学属性，也揭示了土壤结构对碳固存的物理限制 —— 低容重土壤更利于碳积累。气候因子中，年均降水量（MAP）和年均温（MAT）分别居第四、六位，呈现 “双阈值效应”：MAP 在 500-1500 mm、MAT 在 6-15℃时促进 SOC 积累，超出范围则因微生物分解加速或极端气候扰动导致碳流失。实验持续时间和初始 SOC 含量的正向效应表明，长期施肥对低本底碳土壤的固碳潜力更大，但需警惕 “碳饱和” 现象。
3.3 因子相对贡献与农业实践启示
从分类变量看，实验条件（施肥量、累计投入、NPK 使用）以 46% 的相对重要性拔得头筹，土壤属性（27%）紧随其后，凸显 “管理可控因子” 的决定性作用。作物类型中，多年生作物（如苹果、竹子）因根系系统发达，固碳能力显著优于一年生作物；有机肥类型里，动物 manure 的 SOC 提升效果最佳，而生物炭（Biochar）虽短期效应稍逊，但其稳定碳库和减排潜力不容忽视。值得注意的是，单作系统（无轮作）的 SOC 储量高于轮作系统，这与传统认知中轮作促进碳积累的结论相悖，暗示作物多样性效应可能受耕作方式等其他因子调制。
3.4 环境启示与未来方向
研究证实有机肥是提升土壤碳汇、缓解气候变暖的有效策略，但其环境效益需以 “精准管理” 为前提 —— 过量施肥可能引发养分淋失等负面效应。当前模型仍面临数据异质性、长期动态缺失等局限，未来需融合机理模型与可解释 AI（如 SHAP、LIME），并通过标准化长期监测网络提升预测普适性。跨学科协作构建 “数据 - 模型 - 政策” 闭环，将为全球农业碳中和路径提供关键科技支撑。
结论与讨论
这项研究突破了传统模型的局限性，首次在全球尺度上量化了有机肥 - 气候 - 土壤 - 管理的多维交互对 SOC 的影响，证明 GBR 等 ML 工具是解析复杂生态系统动态的强大引擎。其科学价值不仅在于识别出施肥量、土壤容重和气候阈值等核心参数，更在于揭示了 “固碳效益 = 管理输入 × 环境禀赋” 的动态平衡法则。对于农业决策者而言，该研究为 “区域定制化施肥方案” 提供了数据锚点 —— 在温带湿润区可通过适度增施有机肥提升碳汇，而热带高温区需兼顾碳输入与分解速率的动态平衡。展望未来，随着 ML 与传感器技术、卫星遥感的深度融合，“实时精准碳管理” 或将成为现实，推动全球农业向低碳、高效转型。这项成果不仅深化了对土壤碳循环的科学认知，更以 “数据驱动” 范式为可持续土壤管理开辟了新赛道，堪称地球关键带研究领域的重要里程碑。
