未来气候与土地利用协同作用对东北黑土有机碳储量的影响评估及机器学习预测模型构建

本研究综合土壤观测数据与机器学习模型，揭示东北地区土壤有机碳（SOC）在历史时期（1985–2020）下降5.51 Mg C ha?1，未来高排放情景（SSP585）下将进一步减少14.19 Mg C ha?1。森林与草原因碳储量丰富更易受气候影响，耕地主导碳损失而森林促进碳汇转化。研究为区域碳循环平衡与土地管理提供科学依据。

　　

Section snippets

Study area

研究区域位于中国东北部，地理坐标介于115°05′–135°02′E和38°40′–53°34′N之间，主要包括黑龙江省、吉林省、辽宁省以及内蒙古东四盟市（图1）。东北地区拥有松辽流域和三江平原，是全球四大黑土区之一，耕地面积约4.17×10⁵ km²，占全国耕地的六分之一。

Descriptive statistics

东北地区表层土壤有机碳（SOC）密度范围为1.02至237.46 Mg C ha^?1，平均密度为46.21 Mg C ha^?1（中位数41.16 Mg C ha^?1）。SOC数据分布高度偏斜；偏度和峰度系数分别为1.76和5.50 Mg C ha^?1，标准差（SD）为28.65 Mg C ha^?1。SOC数据变异性强且呈显著右偏分布，最大值远高于均值和中位数，表明存在少量高值异常点。

ML model performance comparison and the impact of climate change on the spatial distribution of SOC

本研究应用数字土壤制图（DSM）中的机器学习（ML）技术，预测未来气候和土地利用情景下东北地区SOC储量变化。模型结果表明，尽管多数ML算法呈现饱和收敛趋势，但其变化轨迹存在显著差异。系统线性建模（MLR）方法虽能捕捉驱动变量的整体趋势，但未能考虑生物气候差异，无法识别区域SOC分布的关键非线性特征。随机森林（RF）和梯度提升机（GBM）模型在捕捉复杂环境交互作用方面表现优异，尤其对温度、降水和潜在蒸散量（PET）的响应灵敏度更高。温度被确定为影响SOC时空动态的核心因子，其升高显著加速SOC分解，尤其在东南部高碳储量区域。未来高排放情景（SSP585）下，SOC损失加剧且碳源区向东北扩张，凸显气候变暖对土壤碳库的胁迫效应。

Conclusion

通过机器学习模型和时空统计（STS）方法，分析了不同气候变化情景下东北地区SOC的历史与未来变化。结果表明，大规模土壤样本建模显著提升模型预测精度，温度是影响SOC时空动态的关键因子。

过去35年间，SOC呈现碳排放效应，平均SOC密度下降5.51 Mg C ha^?1。SOC变化具有显著空间异质性，东南部为碳源区而中部部分区域呈现碳汇特征。未来高排放情景（SSP585）下SOC将持续流失（1.8 Pg），而低排放（SSP119）和中排放（SSP245）情景则呈现碳源-碳汇多次转化的动态平衡。森林和草地等高碳储量生态系统对气候变化更敏感，耕地主导碳损失过程而森林驱动碳汇恢复。本研究为东北地区应对气候变化、优化土地管理和维持碳循环平衡提供了关键科学依据。