干旱区生态系统碳-水通量特征及差异化调控机制研究：基于霍林河沙地的多尺度解析

本研究针对全球干旱区生态系统碳-水循环调控机制不清的科学问题，以中国北方生态脆弱区霍林河沙地为研究对象，整合沙丘与草甸生态系统十年（2013–2023）碳-水通量观测数据，结合可解释因果机器学习框架（XGBoost–SHAP–EconML联合模型），系统揭示了半干旱区异质生态系统中碳-水通量的差异化驱动机制与环境阈值特征。研究发现草甸生态系统碳汇能力显著高于沙丘（NEE分别为?5.43和?0.29 g CO2 m-2d-1），且主导调控因子存在显著分异（如GPP主要受Ta/Rain调控）。该研究为气候变化背景下干旱区生态恢复提供了理论依据。

　　

在全球气候变化背景下，干旱区生态系统作为占陆地面积40%的关键区域，其碳-水耦合循环机制长期存在认知缺口。尽管已有研究表明干旱区可能具有独特的碳吸收功能，但关于其碳汇能力的争议持续存在——部分研究认为其碳吸收潜力有限且易受气候波动逆转。更棘手的是，传统线性模型难以解析环境因子与碳-水通量间的复杂非线性关系，而常规机器学习方法又面临"黑箱"困境。这些问题严重制约着全球碳循环模型的精度和区域生态管理策略的优化。

针对上述挑战，内蒙古农业大学等机构的研究团队选择中国北方典型的生态过渡带——霍林河沙地，通过持续11年（2013–2023）的涡度协方差观测，获取沙丘与草甸两种典型生态系统的碳-水通量数据（包括NEE、GPP、Reco、ET等），结合10种环境因子数据集，创新性地构建了融合XGBoost算法、SHAP值解释和EconML因果推断的机器学习框架。该研究不仅突破了传统方法的线性假设限制，更通过可解释AI技术揭示了驱动机制的生态学本质。论文发表于《Journal of Hydrology》。

研究采用三项核心技术：1) 基于涡度协方差技术的长期原位观测网络；2) 整合XGBoost-SHAP的因子重要性量化方法；3) EconML因果推理模型的环境阈值检测。样本来源于霍林河沙地55 km²范围内186–232 m海拔梯度的沙丘-草甸复合生态系统。

【动态特征】环境因子与碳-水通量呈现显著生态系统分异：草甸的Rn（净辐射）和VWC（土壤体积含水量）始终高于沙丘，而沙丘的Ta（气温）和Ts（土壤温度）阈值更高。碳通量方面，草甸NEE（?5.43 g CO₂ m^-2d^-1）显示其碳汇强度是沙丘（?0.29）的18.7倍。

【驱动机制】SHAP分析揭示：沙丘NEE主要受Rn驱动（贡献度42.3%），而草甸NEE则更依赖Rain（降水）；GPP在沙丘受Ta调控，在草甸却与Rain强相关；ET的主导因子在沙丘为Ta，在草甸转为Rn。特别值得注意的是，WUE（水分利用效率）的调控呈现"沙丘气孔主导"（gc贡献61%）与"草甸降水主导"（Rain贡献54%）的鲜明对比。

【阈值效应】因果模型识别出关键环境阈值：草甸Rn和VWC的拐点分别比沙丘高28%和35%，而沙丘Ta/Ts阈值反超草甸15–20%。这些阈值参数为生态恢复提供了精准管理标尺。

该研究首次系统阐明了干旱区异质生态系统的碳-水耦合调控分异规律，其创新性体现在三方面：1) 通过可解释AI破解了"非线性驱动路径"的生态黑箱；2) 建立的生态系统特异性阈值参数体系，为气候变化情景下的生态恢复提供了量化工具；3) 提出的"沙丘-草甸二元调控模型"丰富了干旱区生态水文学理论。研究结果对完善全球碳循环模型、优化中国北方生态屏障建设策略具有重要实践价值，特别是为"碳中和"目标下的干旱区碳汇管理提供了科学依据。