青藏高原生境斑块划分方法对土壤有机碳预测精度影响的比较研究

本研究针对土壤有机碳（SOC）高空间异质性导致估算模型精度与稳定性降低的问题，由研究人员通过分区聚类（PAM）、土地利用类型和气候趋势划分生境斑块，结合递归特征消除（RFE）筛选变量并应用机器学习模型（RF、XGBoost、SVM）预测青藏高原SOC密度（SOCD）。结果显示气候趋势划分法略优于全局建模，生物与气候因子主导预测精度，为区域碳储量评估及碳管理提供重要参考。

　　

土壤有机碳（Soil Organic Carbon, SOC）在土壤肥力与全球碳循环中扮演关键角色，其精确估算对碳汇核算与碳增汇意义重大。由于环境因子与SOC的高空间异质性，SOC密度（SOCD）预测模型的精度与稳定性常面临挑战。为此，本研究探索了一种基于分区聚类（Partitioning Around Medoids, PAM）、土地利用类型及气候趋势的生境斑块划分策略，并采用递归特征消除（Recursive Feature Elimination, RFE）筛选最优环境变量，结合随机森林（RF）、极端梯度提升（XGBoost）与支持向量机（SVM）三种机器学习模型，对青藏高原SOCD进行预测。

结果表明：（1）青藏高原0–20?cm表层土壤平均SOCD为4.85?kg?C?m^?2，空间分布呈现西北向东南递增趋势，与既往研究一致，且高SOCD区域伴随较高不确定性；（2）RFE特征选择法有效缩减模型输入变量数量，并提升机器学习模型的预测精度，其中RF与XGBoost模型表现优于SVM；（3）基于土地利用类型与PAM聚类的生境划分效果未达预期，而气候趋势划分法的模拟精度略高于全域建模；（4）生物与气候因子对SOCD预测的影响显著高于其他变量。本研究较好刻画了SOCD的空间异质性，为区域碳储量评估与碳管理提供了科学依据。