气候介导土地利用与湖内驱动因子对热带浅水湖泊悬浮颗粒物C:P化学计量的层级影响：巴西东北部95个湖泊大尺度评估

《Aquatic Ecology》：Climate mediates land-use and within-lake drivers of seston stoichiometry: a large-scale assessment across tropical shallow lakes

　　

悬浮颗粒物（seston）化学计量（stoichiometry）将养分有效性与水生食物网的结构和功能联系起来，但在热带系统中，湖内条件如何与更广泛的气候、地貌和土地利用驱动因子相互作用以塑造悬浮颗粒物碳磷比（C:P）仍知之甚少。研究人员使用回归树分析（Regression Tree Analysis, RTA）评估湖内、湖泊-流域和气候变量在解释95个浅水湖泊和水库中悬浮颗粒物C:P变异中的相对重要性，这些水体跨越巴西东北部半干旱至湿润的气候梯度。RTA解释了悬浮颗粒物C:P近一半的方差（49.6%），并揭示预测因子之间的层级结构。采样前两年的累积降水是主要分割，在882 mm处分离所采样梯度的较低和较高降水部分。在较高降水分支中，总溶解磷（total dissolved phosphorus, TDP）是唯一附加预测因子，最高C:P比出现在TDP也高的地方。在较低降水分支中，二氧化碳分压（partial pressure of CO₂, pCO₂）和土地利用进一步划分C:P变异。补充随机森林（Random Forest）分析也将降水列为最强全局预测因子，尽管整体袋外（out-of-bag）预测性能较低。由于总悬浮颗粒物整合了藻类和非藻类颗粒，这些关联不能归因于单一生理机制。相反，结果表明，前期水文背景改变了哪些局地和流域变量与悬浮颗粒物化学计量相关，突显了在预测气候和土地利用变化下淡水元素平衡时整合气候、景观和湖内条件的重要性。

研究背景：悬浮颗粒物（seston）化学计量（stoichiometry）尤其碳磷比（C:P）连接养分有效性与水生食物网结构、功能和营养质量。相关理论多源于海洋浮游植物，而seston是复合库，包含浮游植物、异养微生物、碎屑和无机颗粒，因此C:P可反映浮游植物生理可塑性、群落组成以及非藻颗粒相对贡献。现有研究多关注单一驱动因子，较少在区域尺度联合评估湖内近因、湖泊-流域结构属性和气候/土地利用远因。热带季节性干旱与半干旱区中，降水控制水文连通性，土地利用和地貌调节养分、有机质和沉积物输入，但湖内条件如何与气候、地貌和土地利用共同塑造seston C:P尚不清楚。巴西东北部具有半干旱至湿润降水梯度及土地利用、地貌和营养状态差异，适合开展此类研究。

研究开展与结论意义：研究人员在巴西Rio Grande do Norte州95个浅水湖泊和水库中评估湖内、湖泊-流域和气候变量对seston C:P的相对重要性。结论是前期累积降水构成首要环境模板，采样前两年累积降水在882 mm处首次分割；高降水分支中总溶解磷（total dissolved phosphorus, TDP）是唯一附加预测因子，且TDP≥0.1 mg L^?1时C:P最高；低降水分支中二氧化碳分压（partial pressure of CO₂, pCO₂）和土地利用继续划分C:P。随机森林（Random Forest）也显示降水为最强全局预测因子，但袋外预测性能低。意义在于，前期水文背景改变哪些局地和流域变量与seston化学计量相关，预测淡水元素平衡需整合气候、景观和湖内条件。

关键技术方法：研究样本队列为巴西东北部Rio Grande do Norte州95个浅水湖泊和水库，2012年9月旱季在湖心区采集水样。核心方法包括：用回归树分析（Regression Tree Analysis, RTA）递归划分seston C:P变异；先用主成分分析（Principal Component Analysis, PCA）分别概括地貌变量（PCAgeo）和土地利用变量（PCAlu）以减少冗余；用留一交叉验证（leave-one-out cross-validation, LOOCV）和复杂度参数搜索调优树模型；另用随机森林评估全局预测因子重要性；降水为采样前两年累积月降水，经逆距离加权插值。seston C:P由颗粒碳与颗粒磷摩尔比计算。

研究结果：
环境梯度：95个湖泊的溶解有机碳（dissolved organic carbon, DOC）为3.4–822.5 mg L^?1，pCO₂为6.4–47,256.3 μatm，叶绿素-a（chlorophyll-a, Chl-a）为0.3–628.3 μg L^?1，TDP为0.02–1.04 mg L^?1，Secchi深度为0.01–2.75 m，累积降水为58.4–1239.6 mm，CARel为0–100%，环境梯度宽。
PCAgeo：前两轴解释70.97%方差；轴1解释52.38%，与湖岸周长、岸线发育、流域面积、湖泊面积和平均流域坡度负相关；轴2解释18.59%，与LA:CA正相关、LP:LA负相关，代表湖泊相对大小和形状。
PCAlu：前两轴解释79.35%；轴1解释52.28%，与CAA:LP、CAA:LA和CAA正相关；轴2解释27.07%，与CARel正相关，代表人类土地利用比例。
RTA：解释seston C:P 49.61%方差；首次分割为采样前两年累积降水，阈值882 mm；保留TDP、pCO₂和PCAlu轴2为分裂变量；PCAgeo轴、PCAlu轴1、DOC、Chl-a和Secchi未保留。
较高降水分支：TDP是唯一附加分裂；TDP<0.1 mg L^?1的终端节点C:P为1252.08±286（n=7）；TDP≥0.1 mg L^?1的终端节点C:P最高，为8355.35±327（n=5）。
较低降水分支：pCO₂≥32,031.5 μatm的终端节点C:P为1459.94±238（n=5）；pCO₂<32,031.5 μatm后由PCAlu轴2分割，PCAlu轴2≥1.2时C:P为1103.96±769（n=5）；PCAlu轴2<1.2后再由pCO₂ 14,467.1 μatm分割，低于阈值时C:P为414.39±29（n=59），高于阈值时C:P为767.33±98（n=14）。
随机森林：袋外预测性能低，解释方差?15.61%，MSE为7.05×10⁶；置换重要性中累积降水最大，其次为Chl-a和Secchi，pCO₂全局重要性低。结论是降水在全数据集尺度突出，条件性分裂变量与全局重要性不同。

讨论部分总结：第一预测得到强支持，累积降水首次分割且为随机森林最强预测因子。第二预测得到条件支持：TDP在高降水分支，pCO₂在低降水分支两次分割；DOC、Chl-a、Secchi未定义RTA分裂，但Chl-a和Secchi在随机森林排名高。第三预测部分支持：PCAlu轴2在低降水分支划分，PCAgeo未保留。随机森林袋外负方差提示不能将其作为高精度预测模型。882 mm是数据集特定阈值，反映2012年严重干旱下前期水文背景，不是长期气候边界或单次降雨事件响应。高降水分支TDP≥0.1 mg L^?1时C:P最高，其方向不同于简单磷限制预期，但观测数据不能区分浮游植物生产、外源碳质碎屑或矿物颗粒等机制。seston是复合池，颗粒碳与Chl-a正相关（r=0.74），支持藻类贡献但不能排除非藻颗粒。低降水分支中pCO₂条件性重要，但pCO₂受光合、呼吸、气体交换和水文影响，RTA不能建立直接生理路径；随机森林中pCO₂全局重要性低，说明方法互补。Chl-a、Secchi、DOC未分裂不等于不重要。土地利用仅在低降水特定条件重要，PCAlu轴2与CARel相关；地貌轴未保留，说明该数据集地貌对C:P划分弱于降水与土地利用。与其他热带系统比较提示磷重要，但seston C:P不能作为普遍、直接的浮游植物磷限制指标，水文和seston来源组成会改变该比值的大小和意义。局限包括RTA解释49.61%、随机森林袋外负方差、小终端节点n=5–14、单次旱季采样，以及未量化浮游植物分类/功能组成、藻/非藻比例和浮游动物、鱼类等下行控制。气候变化下，干旱扩张可能改变降水和水文连通性，但其效应不是简单单调，可能重组最有信息的局地与流域驱动因子。

研究结论翻译：总体而言，本研究识别了一个跨尺度框架，其中前期水文背景、湖内资源和流域土地利用共同构建悬浮颗粒物化学计量，同时也界定了观测调查中基于总悬浮颗粒物进行机制推断的局限。