长江三角洲土壤有机碳密度三维数据集构建：基于深度函数与校正方法的创新研究

本研究针对土壤有机碳密度(SOCD)数据在深度连续性预测中的局限性，创新性地结合深度函数与校正方法，构建了长江三角洲地区0-1.0米高分辨率(90米)三维SOCD数据集。研究人员通过对比幂函数(PF)、指数衰减函数(EDF)、对数函数(LF)和反函数(IF)的拟合效果，优选PF和LF模型，并采用随机森林(RF)映射参数空间分布。进一步通过系数缩放、数据融合和残差校正三种方法显著提升预测精度，最终形成可生成任意深度间隔SOCD图谱的数据库。该成果为精准评估陆地碳通量和全球气候变化提供了重要数据支撑，发表于《Environmental Modelling》。

　　

土壤碳库的"立体密码"如何破解？
在全球碳循环中，土壤有机碳(SOC)如同埋藏在地下的"黑色黄金"，其储量是大气碳库的两倍。然而传统土壤数据库如HWSD和NSIGC仅提供固定深度间隔的SOC数据，就像用"分层切片"代替"连续CT扫描"，难以满足碳储量精准评估的需求。更关键的是，表层以下50%的SOC对气候变化极为敏感，但现有机器学习预测方法缺乏解释性，且不同深度预测误差波动显著——这成为制约碳中和研究的"卡脖子"难题。

中国科学院南京地理与湖泊研究所的研究团队选择中国经济最活跃的长江三角洲为研究区，基于593个土壤样本，开展了一场土壤碳数据的"三维重建革命"。他们创新性地将深度函数与机器学习相结合，构建出空间分辨率达90米、深度连续至1米的SOC密度(SOCD)数据集，相关成果发表于《Environmental Modelling》。

技术路线精要
研究采用"函数优选-参数映射-误差校正"三步法：首先对比四种深度函数对累积SOCD的拟合效果，优选幂函数(PF)和对数函数(LF)；随后利用随机森林(RF)算法，结合环境变量预测函数参数的空间分布；最终通过系数缩放、数据融合（整合不同函数预测结果）和残差校正三重手段优化预测值。所有样本按7:3分为训练集与验证集，数据来源于国家地球系统科学数据中心土壤分中心。

深度函数的"选美大赛"
通过比较幂函数(PF)、指数衰减函数(EDF)、对数函数(LF)和反函数(IF)的均方根误差(RMSE)，PF以0.28的绝对优势夺冠，LF(0.45)紧随其后。有趣的是，传统认为最优的EDF表现失常(RMSE达2.80)，这与SOCD随深度"减速递减"的特性有关——PF的凹型曲线更契合这种非线性变化规律。

校正方法的"降噪实验"
在验证集中，系数缩放法展现出"四两拨千斤"的妙用：仅通过调整函数参数的比例因子，就使10-20cm深度的预测R²
从0.41跃升至0.68。数据融合法则像"博采众长的智者"，整合PF和LF预测结果后，整体RMSE降低19%。而残差校正犹如"精准补刀"，针对30cm以下深层土壤的预测误差实现定向修正。

三维碳图的"诞生记"
最终生成的SOCD数据集突破传统"分层蛋糕"式存储，可通过调整校正系数动态输出任意深度间隔（如0-5cm或20-50cm）的碳密度图。在长三角区域尺度验证显示，0-100cm整体SOCD预测R²
达0.73，较未校正前提升35%，尤其在耕作层(0-30cm)精度提升更为显著。

讨论与展望
该研究首次实现中国东部经济发达区高精度三维SOCD建模，其创新点在于：① 建立深度函数参数与环境变量的定量关系，使"黑箱"预测具象化；② 提出分层校正策略，解决深度函数"顾此失彼"的精度失衡问题。正如通讯作者Qing ZHU指出，这套方法论可推广至重金属迁移、水分运移等三维土壤属性研究。随着专利(2024104400327)的申请，这项技术或将重塑全球土壤碳库评估的精度标准，为《巴黎协定》实施提供更可靠的本底数据。