近二十年长江干流碳浓度与通量动态的人为与自然综合调控

《Environmental Research》：Integrated human and natural regulation of carbon concentrations and fluxes dynamics in the Yangtze River mainstream over the past two decades

　　

- 在长江干流上量化了20年间溶解性有机碳（DOC）、颗粒性有机碳（POC）和溶解性无机碳（DIC）的通量。
- 从源头到河口，三种通量均随降水驱动径流而增加。
- 下游DOC浓度随径流来源的化学需氧量（CODMn）增加，而POC和DIC浓度下降。
- 时间上，DOC和DIC通量随径流量变化；POC通量随浓度变化。
- 梯级水库和气候变暖促进了DOC浓度，但降低了POC和DIC浓度。

引言

在河流输运过程中，碳通过沉降储存、通过分解和扩散以CO?形式释放至大气，并最终输送至河口——这些过程共同重塑了全球碳循环（Battin等，2009；Galy等，2015）。全球范围内，河流每年将约2.95 Pg C从陆地输送至内陆水体，约占陆地生态系统碳固定量的72%，并进一步向河口输送约0.95 Pg C（Regnier等，2022）。主要的河流碳形态为溶解性有机碳（DOC）、颗粒性有机碳（POC）和溶解性无机碳（DIC），而颗粒性无机碳（PIC）通常可忽略不计（Liu等，2024a）。由于其高生物可利用性和快速周转，DOC是水生微生物的关键碳源，并通过分解和矿化作CO?排放的主要来源（Liu等，2022a；Maavara等，2020）。DIC积极参与光合作用、有机物分解、方解石沉淀与溶解，且与CO?逃逸密切相关，因为河流中CO?常处于过饱和状态（Tank等，2018）。由于其相对较高的物理化学稳定性，POC比DOC或DIC更容易沉积和埋藏，使其成为河流系统中长期碳封存的重要途径（Chen等，2025；Shakil等，2022）。从源头到河口的河流碳输运不可逆地记录了集水区内自然过程和人类活动的综合信号（Maavara等，2017；Yu等，2025）。此外，近几十年来快速的环境和社会经济变化深刻改变了陆地生态系统和河流碳动力学，尤其在中国，这对碳管理和气候减缓具有直接影响（Wang等，2025；Wang等，2026）。因此，系统考察河流碳浓度和通量的长期时空格局及其驱动机制，对于准确评估河流碳输运在区域和全球碳循环中的作用至关重要。

由于缺乏连续观测数据且变异性显著，从源头到河口河流碳浓度和通量的长期时空变化仍存在高度不确定性。现场测量提供精确数据，但其空间和时间覆盖范围固有地受限，阻碍了对整个河流连续体碳输运动力学的全面理解（Wang等，2025；Yu等，2025）。现有的模拟方法包括经验统计模型（Ludwig等，1996；McClelland等，2016；Fabre等，2020）、过程基于的模型（Nakayama，2017，2022；Nakhavali等，2018；Zhang等，2022）和机器学习模型（Qin等，2026；Yu等，2025）。经验模型将浓度与少数水文、水质或沉积物变量相关联，如DOC与高锰酸盐指数（CODMn）、POC与悬浮泥沙或浊度、DIC与CO?SYS计算（Liu等，2023；Wang等，2026）。过程基于的模型现已捕捉陆海连续体的碳转移，包括生态水文与生物地球化学耦合（Nakayama，2017，2022）、陆面方案中的DOC模块（Nakhavali等，2018）以及通过河网的侧向输运（Zhang等，2022）。然而，这些模型很少同时解析DOC、POC和DIC，且需要大量参数，在大规模上增加了不确定性（Nakhavali等，2018）。

河流碳浓度由多种因素之间的复杂非线性相互作用决定，并表现出强烈的空间异质性（Wang等，2026）。在几十年时间尺度上，气候变化和叠加的人为扰动（如水坝建设和大规模生态修复）进一步放大了时空不确定性（Liu和Wang，2025；Yan等，2023）。因此，传统线性或参数模型往往无法捕捉这种由多因素驱动的动态行为（Le等，2018）。机器学习模型提供了一种有前景的替代方案，因为它们能适应复杂相互作用并提供高鲁棒性和准确性（Tian等，2025）。此外，现有的长期评估主要关注有机碳，很大程度上忽视了碳形态间的转化，限制了沿河流连续体完整碳收支的机制理解及其对环境压力的响应。

河流碳通量由浓度和径流量共同控制（Bauer等，2013；Battin等，2009）。全球尺度分析表明，在大多数流域中，降水是径流变化的主要驱动力（Ji等，2025）。内陆水体接收大量陆地碳输入（Drake等，2017），并非仅是被动管道，而是活跃的化学反应器，对碳进行矿化、封存和排放（Cole等，2007）；因此，河流碳输出既整合了供给和河道内加工过程。碳浓度受气候、植被、土壤、水文和水质等因素塑造，它们共同控制碳的产生、转化和输运（Regnier等，2013）。人类活动通过改变这些相同的环境因素间接调节碳浓度（Nakayama，2022；Tank等，2018）。

在中国河流中，短期研究确定降水和营养盐是碳浓度空间变异的主要控制因素，降水冲刷DOC和POC同时稀释DIC（Wang等，2026）。在过去40年中，气候变暖和土壤干燥通过加速分解和限制产生使DOC浓度降低了（Yu等，2025）。同时变暖和大规模生态修复提高了植被生产力和土壤碳储存，导致POC浓度增加（Qin等，2026）。在2004–2018年间，水污染控制策略降低了DOC，而水坝建设和重新绿化在中国许多河流中降低了POC（Liu等，2022a）。DOC和DIC的长期变化也与气候驱动的水质变化相关联（Wang等，2025）。在中国快速变暖和广泛绿化背景下（Cao等，2023），这些交织的非平稳变化凸显了需要解析多种因素如何共同驱动河流碳浓度和通量的长期时空动态。

长江，全球第三长河、中国最大的河流（Zhao等，2025），每年向海洋输送约19 Tg DIC、1.84 Tg DOC和1.51 Tg POC，占中国河流碳通量总和的38%，在区域和全球碳循环中发挥关键作用（Liu等，2018）。流域跨越180万km2，从西部源头到东部河口，涵盖了独特的气候、植被、土壤和水文梯度（Li等，2024）。同时，密集的人类活动——梯级水库蓄水、土地利用变化和污染物排放——深刻改变了碳浓度和通量（Zhao等，2023）。例如，三峡工程截留约4.9±1.9 Tg C yr?1的POC（Li等，2015）。土地利用变化表现为耕地缩小、森林恢复和建成区扩展（He等，2024），而水质在过去二十年中稳步改善（Liu等，2024b）。尽管重要性突出，但干流碳浓度和通量的长期时空格局及其潜在机制仍存在高度不确定性，现有评估要么依赖全国尺度数据集而模糊了区域细节，要么未能同时考虑所有三种碳形态（Qin等，2026）。本研究的目标是：(1) 通过编译大量现场观测数据集并应用机器学习模型，预测因子涵盖气候、土壤、植被、水文、水质、地形和人类活动，结合浓度和径流量，量化过去20年间长江干流碳浓度和通量的时空变化；(2) 阐明驱动这些时空变化的主要机制。

分节摘要

研究区域

长江位于中国中部（图1，90°33'–122°33'E，24°30'–35°45'N），全长约6,300 km，传统上分为上、中、下游（Liu等，2024b）。基于该划分，沿干流选取了10个同时具有径流量和泥沙记录的站点：支磨头（ZMD）、石棉（SG）、攀枝花（PZH）、向家坝（XJB）、珠沱（ZT）、寸滩（CT）、宜昌（YC）、沙市（SS）、汉口（HK）和大通（DT）。ZMD控制……

河流碳浓度估计评估

我们评估了三种机器学习算法（随机森林RF、支持向量机SVM和极端梯度提升XGBoost）用于估计DOC、POC和DIC浓度。XGBoost对DOC表现最佳，而RF对POC和DIC更优（图2）。对于DOC，XGBoost在三种算法中取得了最佳结果，R2为0.66，NSE为0.65，RMSE为0.55 mg L?1（图2a–c）。这一性能超过了基于化学需氧量的经验模型，与其他机器学习研究相当，尽管R2……

从源头到河口空间变化的驱动因素

沿长江干流下游FDOC、FPOC和FDIC的增加（图5）与径流量的纵向增长密切吻合，后者本身遵循降水梯度和主要支流汇入模式（图6，S7和S8；Wang等，2026）。增幅最大的河段位于向家坝–珠沱–寸滩河段，此处岷江、沱江和嘉陵江汇集了经大量耕作和城市化改造的四川盆地径流，在大通附近经汉江汇入后进一步上升。

结论

本研究应用机器学习算法，系统重建了2000–2022年间长江干流从源头到河口的DOC、POC和DIC的月浓度和通量。从源头到河口，三种通量均增加，由受降水梯度控制的径流量纵向增长驱动。然而，浓度表现出不同的格局：DOC通过增强的陆地有机质……

CRediT作者贡献声明

Wen Xuefa：撰写–审阅与编辑，监督，概念构思。Li Wei：撰写–初稿，方法论，调查，数据管理。Lyu Sidan：撰写–审阅与编辑，撰写–初稿，数据管理，概念构思。Gao Yang：撰写–审阅与编辑，监督，概念构思。

未引用参考文献

Chen和Guestrin，2016；Liu等，2020a；Liu等，2020b；Panwar和Yang，2022。

利益冲突声明

? 作者声明不存在可能影响本文工作的已知竞争经济利益或个人关系。

致谢

本研究受中国科学院青年科学家基础研究项目（YSBR-037）和国家自然科学基金（42171035）资助。

Li Wei | Wen Xuefa | Gao Yang | Lyu Sidan