机器学习算法揭示中国喀斯特高异质性区域土壤有机碳浓度的垂直分异规律及其驱动机制

来自中国西南地区的研究人员针对喀斯特高异质性区域土壤有机碳浓度(SOCc)预测模型优化难题，通过8265份土壤样本构建随机森林(RF)、广义提升回归树(GBRT)等机器学习模型。研究发现RF(0.462<0.55)和GBRT表现最优，揭示土壤深度、容重和砾石含量等因子通过物理-生物地球化学过程调控SOCc垂直分异，为喀斯特生态恢复提供新见解。

　　

在应对全球变暖的背景下，土壤碳库的动态变化成为关键科学问题。中国西南喀斯特流域的独特地质条件造就了高度异质性的土壤环境，使得传统方法难以准确预测土壤有机碳浓度(SOCc)。研究团队采集8265份分层土壤样本(0-20cm、20-50cm、50-100cm)，运用随机森林(RF)、支持向量回归(SVR)、人工神经网络(ANN)等五种算法构建预测模型。

结果显示，机器学习显著优于传统多元线性回归(MLR)，其中RF模型(R²介于0.46-0.55)和广义提升回归树(GBRT)表现最佳。有趣的是，环境驱动因子呈现明显的垂直梯度效应：表层SOCc与容重呈负相关，而深层土壤却呈现相反趋势，这可能与压实作用抑制微生物周转有关。更令人惊讶的是，长期被忽视的砾石含量竟通过维持微生物微生境和调节水分，成为SOCc的重要正相关因子。

这项研究不仅证实机器学习在复杂地貌碳循环研究中的优越性，更揭示了喀斯特土壤碳库的垂直分异机制——生物与非生物因素的互作塑造了独特的碳分布模式。这些发现为脆弱喀斯特生态系统的碳管理提供了理论依据，对实现"双碳"目标具有重要实践价值。