可解释机器学习揭示全球土壤呼吸的阈值响应与空间分布规律

推荐：本研究针对全球土壤呼吸(Rs)预测模型可解释性不足的问题，结合可解释人工智能(XAI)技术构建了IMPGRs模型，揭示了土壤温度(TS)20.9°C的"热适应"阈值及叶面积指数(LAI)的纬度分异规律，预测全球Rs达688.43 g C m?2 year?1 ，为陆地碳循环评估提供了新范式。

　　

土壤呼吸作为陆地生态系统向大气释放CO₂
的最大通量，其微小变化即可显著影响大气CO₂
浓度。然而传统统计模型难以捕捉环境因子与土壤呼吸间的复杂非线性关系，且机器学习模型长期被视为"黑箱"，严重制约了驱动机制解析的深度。针对这一科学难题，中国研究人员在《Ecological Indicators》发表创新成果，通过融合可解释人工智能(XAI)技术，首次构建了可解释机器学习全球土壤呼吸预测框架(IMPGRs)。

研究团队采用随机森林(RF)、梯度提升树(GBT)、XGBoost和LightGBM四种树集成算法，基于包含12,711条记录的全球土壤呼吸数据库(MGR_S
D)，结合23种环境变量进行建模。关键技术包括：1) 使用TreeSHAP算法量化特征贡献；2) 通过分层随机抽样划分训练/测试集(7:3)；3) 采用0.5°×0.5°空间分辨率进行全球预测；4) 基于气候带和生态系统分类进行面积加权计算。

【模型构建与评估】比较发现LightGBM模型表现最优(adjR²
=0.70)，其捕捉到TS、LAI等关键因子的非线性响应。

【阈值响应规律】首次明确20.9°C为全球Rs的"热适应"阈值，该阈值随降水增加而升高，且在热带(A)、干旱(B)、温带(C)气候区呈现显著差异(阈值顺序：B<><>

【LAI分异特征】突破性地发现LAI与Rs的关系在南北回归线内外呈现相反模式：热带区内低LAI(<3)影响更显著，而温带区高LAI促进作用明显。

【空间分布预测】估算2019年全球Rs总量为87.31-93.72 Pg C，其中森林贡献45.7%(42.84 Pg C)，亚马逊流域、东南亚等热带区域释放强度最高。

该研究通过可解释机器学习破解了传统模型的"黑箱"困境，揭示的环境因子阈值响应为改进碳循环模型提供了关键参数。发现的LAI纬度分异规律颠覆了"简单正相关"认知，为区域差异化调控提供了理论依据。研究同时指出，不同分类体系(气候带vs生态系统)导致的6.41 Pg C估算差异，相当于全球化石燃料年排放量的67%，这一发现对提升全球碳预算评估精度具有重要警示意义。成果为理解陆地碳循环对气候变化的响应机制开辟了新视角，对实现"双碳"目标具有重要科学价值。