法国表层土壤细粒有机碳含量的简易预测模型构建及其生态意义

推荐：本研究针对土壤有机碳(SOC)物理分馏中细粒有机碳(OCfine)的实验室测定耗时问题，通过整合法国土壤质量监测网络(RMQS)和文献数据，开发了基于随机森林算法和多项式回归的OCfine预测模型。研究发现OCfine与SOC呈非线性关系且受土地利用类型显著影响，模型交叉验证RMSE为2.2 g kg?1。该成果为土壤碳模型初始化提供了简便工具，证实提升SOC水平可同步增加稳定碳库储量。

　　

土壤有机碳(SOC)是维系土壤功能的核心组分，其物理分馏形成的细粒有机碳(OC_fine, <50 μm)和粗粒有机碳(OC_coarse)具有不同的周转周期和稳定性。尽管OC_fine的测定对理解碳循环至关重要，但传统物理分馏方法操作繁琐，限制了大规模应用。当前学术界对SOC与OC_fine的关系存在争议：部分研究认为存在50 g kg^?1的拐点，暗示矿物表面碳饱和；而另一些研究则主张线性关系。这种认知分歧阻碍了土壤碳模型的精准参数化。

为破解这一难题，法国国家农业研究院等机构的研究团队在《Geoderma》发表重要成果。研究人员整合法国土壤质量监测网络(RMQS)的706个观测数据和文献中的245个数据点，通过随机森林算法解析关键驱动因子，最终构建了仅需SOC含量和土地利用类型即可预测OC_fine的简易模型。该模型采用二次多项式形式，在SOC≤90 g kg^?1范围内表现出优异预测性能，交叉验证RMSE为2.2 g kg^?1，独立验证RMSE为2.0 g kg^?1。

研究采用三大关键技术：1) 基于RMQS网络的空间分层随机采样策略，获取代表法国全境的表层土壤(0-30 cm)样本；2) 标准化物理分馏流程，使用5 g L^?1六偏磷酸钠(Na-HMP)溶液充分分散土壤后，通过50 μm筛网分离OC_fine；3) 机器学习与经典统计结合的分析框架，先通过随机森林识别关键变量，再构建可解释的多项式回归模型。

3.1 土地利用类型与碳氮比的调控作用
数据分析显示OC_fine/SOC比例随土地利用类型显著变化：耕地与永久作物最高(78%)，草地次之(69%)，自然草地(66%)和森林(63-67%)较低。这种差异与植被凋落物碳氮比(C/N)密切相关——森林土壤较高的C/N(12.7-14.3)导致微生物碳利用效率降低，减少了OC_fine的形成。Kruskal-Wallis检验证实不同土地利用类型的OC_fine/SOC比例具有统计学差异(p<0.0001)。

3.2 机器学习揭示的非线性关系
随机森林分析显示SOC含量对OC_fine的预测贡献度达100%，显著高于其他变量。部分依赖图呈现显著非线性特征：当SOC>90 g kg^?1时OC_fine增长趋缓，这与微团聚体(50-200 μm)对有机碳的截留增强有关。值得注意的是，Davies检验在草地土壤中检测到显著拐点(p<0.001)，支持了碳稳定机制随SOC浓度变化的假说。

3.3 简易模型的卓越性能
最终选定的二次多项式模型(OC_fine = β₁×SOC + β₂×SOC²)表现出与复杂机器学习相当的精度。模型系数呈现明显的地类特异性：耕地的β₁系数最高(0.865)，而自然草地最低(0.685)。这种差异印证了管理强度通过影响碳输入质量调控OC_fine形成的假说。

讨论部分强调了三重科学价值：首先，模型证实提升SOC水平能同步增加稳定碳库储量，为"4 per 1000"土壤增碳倡议提供了机制支撑；其次，揭示了微团聚体保护与矿物吸附对OC_fine形成的协同作用；最后，明确了Na-HMP分散法与水分散法测得数据的不可比性，为后续研究规范了方法标准。该成果的局限性在于对SOC>90 g kg^?1土壤和深层土层的适用性有待验证，这为未来研究指明了方向。

这项研究通过巧妙结合国家监测网络数据和机器学习技术，将复杂的土壤碳分馏问题简化为可操作的预测方程。其核心突破在于证实：在常规农业土壤SOC范围内(≤90 g kg^?1)，提升总碳储量仍能有效增加稳定碳库，这对全球土壤碳汇管理具有重要指导意义。