莱索托Makhalaneng和Maletsunyane流域土地利用变化对土壤有机碳储量的时空建模研究

本研究针对莱索托Makhalaneng和Maletsunyane子流域土壤有机碳(SOC)储量动态变化问题，采用分位数回归森林(QRF)模型，结合68种环境协变量，对2017-2022年间0-20cm土层SOC储量进行时空建模。研究发现草地转为耕地导致SOC显著下降，Makhalaneng和Maletsunyane流域SOC储量分别减少5.26和15.06 Mg C ha-1，为区域土地管理和碳汇保护提供科学依据。

　　

在全球气候变化和土地退化加剧的背景下，土壤有机碳(SOC)作为陆地生态系统最大的碳库，其动态变化直接影响着土壤质量、粮食安全和气候调节。莱索托作为非洲南部重要的农业国家，正面临着严重的土壤退化问题，特别是Makhalaneng和Maletsunyane流域因土地利用变化导致的SOC流失问题日益突出。传统SOC监测方法难以满足大尺度、高精度的评估需求，亟需开发新的建模技术来量化SOC的时空变化规律。

为应对这一挑战，研究人员采用分位数回归森林(QRF)这一先进的机器学习算法，结合数字土壤制图(DSM)技术，对2017-2022年间两个流域的SOC储量变化进行系统研究。研究创新性地整合了68种环境协变量，包括气候因子(年均温、年降雨量等16个)、生物因子(34个)、地形因子(13个)和土地利用数据(5个)，构建了高精度的预测模型。

关键技术方法包括：(1)采用QRF模型预测SOC浓度、容重(BD)和粗碎屑(CF)含量；(2)利用递归特征消除(RFE)筛选最优协变量组合；(3)10折交叉验证评估模型性能；(4)基于250m分辨率网格进行空间预测；(5)应用SCORPAN模型框架整合多源数据。土壤样本来自莱索托土壤信息系统(LESIS)的161个(2017年)和320个(2022年)采样点，采样深度为0-20cm。

研究结果部分显示：
3.1节通过交叉验证表明，QRF模型在Makhalaneng流域的SOC预测R²达0.668(2017年)和0.585(2022年)，在Maletsunyane流域分别为0.633和0.570，验证了模型的可靠性。
3.3节变量重要性分析发现，3-5月地表温度标准差(lstd_030405_sd)、最暖月均温(bio5)、年均温(bio1)和高程(dtm elevation)是影响SOC分布的关键因子。
3.4节SOC储量制图显示，Makhalaneng流域SOC储量从2017年的80.56降至2022年的75.30 Mg C ha^-1，Maletsunyane流域从109.27降至94.21 Mg C ha^-1，呈现显著下降趋势。
3.5节土地利用变化影响分析表明，草地转为耕地导致Makhalaneng流域SOC减少3.36±4.96 Mg C ha^-1，而Maletsunyane流域因天然草地退化导致SOC减少高达15.24±16.26 Mg C ha^-1。

研究结论强调，土地利用变化是驱动SOC储量变化的关键因素，特别是农业扩张导致的草地转化对SOC损失影响显著。该研究为莱索托制定科学的土地管理政策提供了重要依据，提出的QRF建模框架也为类似地区的SOC动态监测提供了方法学参考。未来研究需增加土壤样本数量，纳入更多人为活动相关协变量，以进一步提高模型预测精度。这项发表在《Soil Security》的成果不仅深化了对半干旱地区SOC动态的理解，也为实现联合国可持续发展目标(SDGs)中的土地退化零增长目标提供了技术支撑。