中国植被碳库动态的环境阈值识别及其对未来气候变化的响应机制研究

本研究针对气候变化下中国植被地上/地下生物量碳(AGBC/BGBC)动态的环境阈值识别难题，整合4485个AGBC和3442个BGBC观测数据，运用机器学习模型(RF/XGBoost/Cubist)和阈值检测技术，首次量化了MAT(15.24°C/14.37°C)、AI(1.17/0.65)和pH(6.87/7.99)等关键环境参数的阈值效应，发现青藏高原东南部AGBC和山东北部BGBC在SSP5-8.5情景下将显著增加(可能性>66%)，为生态系统碳汇管理提供了科学依据。

　　

随着工业革命以来温室气体排放加剧，全球正面临前所未有的气候变化挑战。植被作为陆地生态系统最重要的碳汇，其地上(AGBC)和地下(BGBC)生物量碳的动态变化直接影响全球碳平衡。然而，在中国这样地域辽阔、生态系统复杂的国家，环境因素如何通过非线性阈值效应调控植被碳库分布，特别是在未来气候变化背景下哪些区域可能成为碳汇热点，这些关键科学问题尚未得到系统解答。

中国科学院的研究团队在《Global Ecology and Conservation》发表的重要研究，通过整合全国范围内4485个AGBC和3442个BGBC观测数据，结合机器学习与空间分析技术，首次绘制了中国植被碳库的环境阈值图谱。研究采用随机森林(RF)、XGBoost和Cubist三种机器学习算法构建预测模型，利用阈值检测方法识别关键环境参数的突变点，并基于SSP5-8.5气候情景预测了2100年植被碳库的空间变化格局。

主要技术方法

1. 数据整合：收集2004-2014年全国1036篇文献的植被碳密度数据；
2. 机器学习建模：采用RF、XGBoost和Cubist算法建立AGBC/BGBC预测模型；
3. 阈值检测：运用分段回归和广义加性模型(GAM)识别MAT、AI和pH阈值；
4. 空间预测：结合1km分辨率气候和土壤数据，预测2100年碳库变化。

研究结果

3.1 植被碳库分布格局与驱动因素
RF模型以最低MAE(AGBC:0.98 kg m^-2
; BGBC:0.41 kg m^-2
)和最高R²
(AGBC:0.56; BGBC:0.41)成为最优预测工具。全国植被碳库总量达14.13 Pg，其中森林占比最大(10.12 Pg)。气候因子(特别是MAT和AI)主导AGBC变异(贡献率56%)，而土壤因子(SOC、pH、STN)控制BGBC分布(贡献率41%)。

3.2 环境阈值识别
发现AGBC在MAT=15.24°C、AI=1.17、pH=6.87处存在显著阈值，BGBC对应阈值分别为14.37°C、0.65和7.99。生态系统特异性分析显示，森林在MAT≈8°C时碳分配模式发生转变，而草地BGBC在MAT≈12.35°C时达到峰值。

3.3 未来变化与敏感区
SSP5-8.5情景下，青藏高原东南部AGBC(可能性>66%)和山东北部BGBC可能显著增加。温度敏感区集中在陕北和华北平原，而干旱敏感区主要分布在长江中下游平原。

结论与意义
该研究首次系统量化了中国植被碳库的环境阈值，揭示MAT和AI的微小变化可能引发Pg级碳库波动。特别值得注意的是，青藏高原东南部作为气候变暖的"放大器"区域，其AGBC增加趋势可能对区域碳平衡产生深远影响。研究提出的阈值敏感区识别框架，为实施精准的碳汇管理策略(如退化草地恢复、森林保护优先区划定)提供了科学依据，对实现中国"双碳"目标具有重要实践价值。