综述：选择适当的方法来监测农田中的土壤有机碳（SOC）：方法需与不断发展的监测、报告和验证（MRV）框架保持一致

《Carbon Management》：Choosing the appropriate methodology to monitor soil organic carbon (SOC) in croplands: aligning methods with evolving monitoring reporting verification (MRV) frameworks

　　摘要
土壤有机碳（SOC）的监测已经获得了广泛的认可，不仅在国家温室气体清单中如此，在自愿碳市场和农业环境政策中也是如此。这增加了从田间到国家级别的准确、连续且成本效益高的SOC储量监测的需求。因此，出现了各种方法论框架来满足这些多样化的需求。这些框架依赖于SOC的测量和/或建模，考虑了多种复杂性（第一层级、第二层级和第三层级），并且可以结合或不结合遥感技术。然而，针对特定情境和目的选择最合适的监测方法的实际实施指南仍然不完善。因此，本研究分析了当前的耕地SOC监测方法，并提出了一个决策树，以帮助监测、报告和验证（MRV）的利益相关者选择最适合他们情境的监测策略。研究发现，目前还没有适用于所有目的的方法，同时建议在可能的情况下，使用测量-重新测量或简约的第二层级建模方法，并结合地球观测数据同化技术。实际上，将来自遥感的生物量或替代指标同化到这些模型中，可以更好地量化生物量向土壤的回归，并以较低的成本提高模型的准确性和可扩展性。最后，我们指出了不同监测方法中可能的改进之处以及仍需克服的关键挑战。

关键词：监测框架；土壤有机碳；耕地；碳封存；建模；测量；遥感

引言
在过去的8000年农业活动中，耕作土壤损失了约116 Gt C（相当于510–550 Gt CO2）[引用1]，这对大气中的CO2和CH4浓度产生了显著影响[引用2]。然而，众所周知，更好的农业管理实践可以改变这一趋势，增加农业土壤中的碳储存[引用3, 引用4]。因此，通过改进管理实践来维持和增加耕地中的土壤有机碳（SOC）储量，在全球议程（包括气候变化缓解、土壤健康、生物多样性保护和粮食安全）以及国家和国际政策及碳信用机制中受到了越来越多的关注。监测SOC储量的变化不仅对于国家自主贡献（NDCs）至关重要，对于其他应用场景（如农业和环境政策（AEPs）和自愿碳市场（VCMs）也同样重要。由于监测情境和目的的多样性，国家和国际层面出现了不同的SOC监测协议，而IPCC提出的协议[引用5, 引用6]仍然是NDCs的参考标准。在VCMs中，项目种类繁多，形成了一个SOC认证方案和标准的“丛林”[引用7]，例如VERRA VM0042[引用8]、黄金标准[引用9]或法国的低碳标签[引用10]。这种多样性可能会导致困惑，从而降低采用率、参与度和可信度。

国际倡议，包括国际土壤碳研究联盟、4 per 1000倡议、粮农组织全球土壤伙伴关系和欧洲土壤观测站，强调了改进SOC监测框架的全球承诺。这些努力旨在协调方法论，开发开放获取的土壤数据平台，并为政策制定者提供可靠的指标，以跟踪土壤健康和碳封存成果及潜力。Batjes等人[引用11]基于广泛的回顾，提出了一个协调且模块化的多生态系统框架，用于评估SOC储量的变化，包括监测、报告和验证（MRV）所需的关键要素。监测组件似乎是开发统一、可操作的MRV系统的主要挑战。回顾表明，监测方法可以分为两大类：基于土壤测量的方法（即测量-重新测量）或建模方法。在后一类方法中，根据IPCC的定义，有三种复杂性递增的建模方法（第一层级、第二层级和第三层级）。第一层级和第二层级依赖于简单的方程式来估算SOC储量和碳通量（[引用5]中的方程式2.4和2.5），分别使用全球或区域排放因子；而第三层级则依赖于基于过程的模型，使用高度细分的数据，能够考虑由于管理实践或当地土壤气候条件导致的SOC储量的时空变化。这些方法可以基于不同来源的数据，从现场测量到遥感，采用不同的方法，从数据驱动到基于过程的模型，从而导致不同的成本-准确性、分辨率和空间范围特征。

本研究建立在Batjes等人[引用11]提出的MRV方法论框架的基础上（图1）。虽然他们的框架描述了处理多生态系统监测、报告和验证所需的整体工作流程，但我们特别关注监测方法（图1中的蓝绿色框）。我们分析了监测工作流程以及各组成部分之间的相互作用，这些方法旨在量化由管理实践引起的SOC储量变化，将分析范围限制在年度耕作系统上。因此，农林复合系统和草地不在本文讨论范围内。此外，一些管理实践（例如有机肥料施用或覆盖作物）不仅影响SOC储量[引用12]，还影响净温室气体排放[引用13–18]。然而，鉴于整体复杂性，本研究聚焦于耕地中的SOC储量变化。

图1. 耕地SOC储量监测的协调方法论框架示意图（缩写：FMIS，农场管理系统）。改编自[引用11]。

监测SOC储量变化的实际实施指南仍然不完善，尤其是对于第三层级方法，因为这些方法在输入数据（包括遥感数据）、模型类型、不确定性评估以及空间分辨率方面缺乏明确性，特别是在应用目的和当地情境方面。为了解决这一差距，本研究首先回顾了耕地SOC储量监测的不同应用情境。其次，我们分析了当前针对不同应用情境的耕地SOC监测方法，从测量-重新测量到第三层级。我们不仅评估了这些方法的科学稳健性，还考虑了它们的成本准确性、可扩展性和实施便捷性，以确保系统的可靠性和采用。此外，我们阐明了在MRV框架中使用地球观测（EO）数据和同化方案的作用、好处和局限性（图1）。通过描述监测方法，提到了基于统计方法和机器学习的数据驱动技术，因为这些技术可用于MRV框架的多个目的和组成部分。然而，我们不将数据驱动方法被视为量化耕地SOC储量变化的独立方法。为了避免混淆，这里我们使用“数据驱动”一词来指所有直接从数据估计关系而非从明确、可解释的基于过程的方程式估计关系的方法。

此外，鉴于没有一种方法适用于所有应用情境，我们提出了一个决策树，作为选择给定情境最合适方法的指导工具。我们的决策树灵感来自NDC IPCC[引用5]的决策树，并根据不同的应用情境（AEPs, VCM）进行了调整。最后，基于不同的应用情境需求和对不同方法的分析，我们确定了使监测方法与当前需求保持一致的关键标准，以及对方法本身及其评估的未来必要调整。

应用情境及其要求
自愿碳市场（VCM）：根据2023年联合国开发计划署（UNDP）[引用19]《高诚信碳市场倡议》报告，自愿市场是指基于自愿原则发行、购买和出售碳信用额，涉及企业价值链内（内置）或价值链外（抵消）的缓解行动的融资。项目的空间规模各不相同，从田间级别到数千个汇总的田块都有[引用20]。内置项目可以通过短期（年度）或多年度合同实施，企业通过合同激励农民采用特定的碳农业实践（例如覆盖作物）。抵消项目至少持续五年，但有些计划（如澳大利亚政府的SOC方法[引用21]）要求25年或100年的保证期。在这种情境下，监测需要准确捕捉管理行动在田间的影响，这正是第三层级方法所做的工作。国际和地区层面正在出现VCM监管的治理努力（例如欧盟（EU）发布了《碳去除和碳农业（CRCF）条例》[引用22]）。

农业和环境政策（AEPs）：AEPs可以通过激励碳农业实践来支持SOC封存，尽管监管和实施在世界各地很大程度上取决于当地情境。AEPs的监测可能是在田间或农场层面进行，采用短期合同，以反映农民的实际做法。在美国，政府计划[引用23]通过直接支付或成本分摊[引用24]来促进与SOC封存兼容的可持续实践。在欧洲，共同农业政策（CAP）提供了激励措施，以改善农业实践并保护环境。最近，欧洲议会通过了《欧盟土壤监测法》[引用25]，旨在保护和恢复土壤，并确保其可持续利用。

国家自主贡献（NDCs）：NDCs是《巴黎协定》[引用26]下的自我定义的国家气候承诺。要求每年提交与SOC相关数据的透明度报告（BTRs）[引用27]，以在五年一次的NDC报告中跟踪进展。实际上，各国实际SOC储量报告的频率各不相同，受到国家情况、方法选择和资源可用性的影响[引用28]。目前，NDCs的耕地SOC监测依赖于不同的方法，包括建模方法（第一层级到第三层级）和土壤监测网络[引用29]。目前，大多数发展中国家采用第一层级方法，只有26%采用更高层级的方法[引用30, 引用31]。主要挑战是缺乏关于土地管理和土壤特定数据的活动数据[引用30]，这突显了覆盖大范围国家领土的必要性。

监测方法
在以下分析中，评估了各种监测方法在其科学稳健性、成本准确性、可扩展性、实用性（例如设定基准）以及实施便捷性方面的表现，以确保它们在不同MRV应用情境中的可靠性和适用性。成本准确性是选择监测方法（测量方法或建模方法）的关键标准。可以通过评估方法输出的准确性（估计值与参考值的接近程度）相对于实施总成本（包括经济、时间和物流费用）来评估准确性。在VCM这样的操作性情境中，方法的准确性对于确保可信度至关重要；具体来说，估算的SOC储量增加量应显著不为零，同时保持实施成本较低，以最大化向土地管理者或农民提供的财务补偿。因此，在方法论准确性和经济可行性之间需要权衡，以确保系统的可靠性和采用。在本研究中，我们采用了定性方法来量化监测的准确性和成本。此外，方法的可扩展性是指能够在不影响输出准确性的情况下大规模应用该方法的能力，这在许多应用情境中都是关键因素。它还影响实施的便捷性，以及应用该方法所需的专业知识、复杂程度和收集的数据量。

为了评估管理实践引起的SOC储量变化，设定基准在任何MRV系统中都至关重要，因为它 establishes 了量化SOC储量变化的参考标准。基准是一种反事实方法，通常反映了关于管理实践或缓解行动的“一切照旧”情景。根据应用情境和选定的监测方法，使用不同的基准方法。或者，另一种基于事实的选项是监测一个管理方式反映“一切照旧”实践的对照地块。虽然这种方法不依赖于情景，但它提出了一个复杂的难题，即如何在有足够地块代表多样化条件（如土壤、气候）的同时，不负面影响可能使用这些地区进行碳农业的农民的收入[引用32]。有关VCM基准设定的更多细节可以在[引用33]中找到；对于NDCs，参见Clapp和Prag[引用34]、OECD[引用35]或[引用36]中的所有应用情境。

测量-重新测量
“测量-重新测量”方法依赖于在MRV项目开始和结束时进行土壤采样。此外，根据MRV项目方案的不同，为了验证建模方法，可能需要进行土壤采样。在测量-重新测量的过程中，需要在给定的项目区域（例如一个田地、农场、地区或国家）中对项目开始和结束日期之间的平均土壤有机碳（SOC）储量变化进行无偏估计，并附带相应的不确定性。这些要求倾向于使用概率采样设计，因为它们能够估计无偏均值和不确定性统计量，包括置信区间[Citation37–39]。使用目的性或基于模型的采样设计则无法实现这一点，或者会困难得多。置信区间的宽度随着样本量的增加（即采集的土壤样本数量）而减小，这提供了一种计算达到所需精度所需的最小样本量的方法。最基本的概率采样设计是简单随机抽样，但也可以使用更高级的设计，如分层随机抽样和整群随机抽样（例如[Citation37]）。

在测量-重新测量中，一个重要的采样设计决策是使用静态采样设计还是同步采样设计。在静态设计中，测量阶段访问的位置会在重新测量阶段再次访问。而在同步设计中，则不会再次访问，尽管采样设计中使用的分层保持不变，从而可以无偏地估计每个分层的平均SOC储量（变化）。静态设计的优点是在相同的样本量下可以获得更准确的SOC储量变化估计，并且不需要在每次采样之间重新计算测量位置。但缺点是这种设计容易受到作弊的影响[Citation40]，因为项目所有者可能会在测量阶段被采样的位置上增加SOC储量，以期获得更高的碳信用利润。因此，对于VCM目的来说，同步设计可以提高可信度，但当SOC储量变化在空间上高度异质时，可能需要更多的土壤样本来获得准确的估计[Citation41]。对于NDCs，重新访问相同的位置是可取的，尽管这可能具有挑战性，因为随着时间的推移土地用途可能会发生变化，导致位置落入不同的（土地用途）分层中[Citation42,Citation43]。

应使用严格和透明的协议来标准化现场采样和实验室分析，包括关于物理土壤样本采集或采样协议的明确建议，例如每次短距离组合样本的数量和方式、采样深度、记录的环境变量等，以及实验室方法、质量控制、所需的实验室认证、数据存储、不确定性评估等。许多用于NDC目的的大陆（LUCAS，[Citation44,Citation45]）或国家[Citation42]土壤监测系统都有自己的采样协议和一套标准化的实验室方法。这些监测系统为不同的目的而设计，因此采样设计、协议、采样深度、实验室方法和辅助数据收集存在显著差异[Citation46–48]。需要注意的是，大多数土壤监测网络（例如LUCAS）不收集活动数据或来自生物量的碳输入数据，这意味着无法确定特定点观察到的SOC储量趋势的原因。此外，采样支持和采样深度的差异对NDC背景下的MRV来说可能具有挑战性，因为它们可能需要转换为与大陆或IPCC推荐的0–30厘米采样深度一致。目前正在进行一项工作，旨在推导出转移函数，以考虑17个欧洲国家与LUCAS之间采样和实验室协议的差异[Citation49]。目前，VCM方案通常有自己的SOC采样协议（例如VERRA042），但也可以遵循其他协议（例如IPCC、ICP Forests、LUCAS、FAO-GSP [Citation50,Citation51]）。

值得一提的是，数字土壤制图和土壤物理学提供了各种数据驱动的方法，用于推导两个时间点之间的SOC储量变化地图，以及预测某个区域的总SOC储量变化。这些方法中的许多利用了机器学习和地理统计学，并且相比其他方法有重要优势，因为它们还可以量化预测的准确性。这类分析的著名例子包括[Citation52–54]。不确定性量化很重要，因为它可以用来推导预测区间并应用统计显著性测试。通过这种方式，这些基于模型的方法也可以计算达到 desired 精度水平所需的最小SOC储量观测次数，类似于上面描述的设计基础抽样理论。

土壤样本应使用可靠且可重复的方法进行准备和分析，无论是在现场还是在实验室，都应确保量化的准确性。SOC储量是通过测量SOC浓度、细土（<2毫米）的容重、砾石含量（>2毫米）和采样厚度（例如0–30厘米或0–100厘米）来确定的。容重会随着时间变化[Citation55]，这是由于物理因素（如水分含量、冻结、降雨强度、干旱和径流）以及采用的保护性耕作方法（如覆盖作物、耕作和不耕作）。例如，在膨胀土壤中，容重从饱和状态下的1.34 Mg/m3增加到完全干燥状态下的1.52 Mg/m3[Citation56]。此外，保护性耕作、零耕作和凿耕作方法在同一类型的土壤上可能会导致不同的容重。例如在[Citation57]中，不同的耕作方法在10年后导致表土（0–10厘米）的容重有显著差异（1.39、1.37和1.30 Mg/m3），与起始容重（1.33 Mg/m3）相比。因此，除了每个采样时间的SOC浓度外，高质量的容重测量对于准确评估SOC储量变化至关重要。建议使用等效土壤质量方法[Citation58–60]。现场方法，如使用Vis-NIR的现场光谱学[Citation61,Citation62]，比实验室分析更快且成本更低，但通常准确性较低。实验室分析应由经过ISO1或GLOSOLAN2标准操作程序认证的实验室进行，以确保可比性、可信性和质量。实际上，实验室程序的变化可能是不确定性的重要来源，特别是对于长期实验而言[Citation63]。对于SOC储量变化的估计，实验室方法的不确定性和检测下限应低于预期的ΔSOC。这很难实现，因为5年内ΔSOC的名义预期变化小于2% [Citation64]。即使考虑到多种实验室分析方法、样本准备技术和操作员，Et al. [Citation65]也报告了250%的误差。

结果的准确性受到分析检测下限的限制，取决于采样成本和土壤样本数量之间的权衡。选择土壤样本数量时应考虑SOC储量的空间变化[Citation66]和实验室分析的不确定性。采样成本包括计算采样设计的成本、采集物理土壤样本的成本（旅行费用、仪器、员工薪资）以及每次样本的实验室分析成本，包括将样本运送到实验室的费用。所有提到的成本因国家和土壤性质而异。一种降低运营和实验室成本的方法是按子田块、田地、农场、分层或项目而不是NDCs中常见的短距离组合点样本来采集复合土壤样本[Citation67–69]。例如，Deluz等人[Citation70]发现，在他们的研究情境下，每个田地需要采集20个土壤子样本，以观察至少5年后田地尺度上的SOC含量（g g?1）的统计学上显著变化，最小的可检测变化为0.1%。需要注意的是，至少需要2个样本来确定与估计相关的不确定性，选择较大的空间支持可能会由于异质性（例如由于不同的土壤性质或管理方式）而抵消SOC储量的变化。子样本的数量和采样支持应根据目标区域的SOC储量（变化）的变异性来进行统计确定，这在大多数MRV协议中都是通过初步采样来完成的[Citation71]。一种结合遥感数据的采样设计也在出现，以减少样本量[Citation72,Citation73]。

最后，成本-准确性曲线描绘了成本与样本量之间的关系以及样本量与准确性之间的关系。它们可以成为确定成本和准确性之间平衡或权衡的有用工具。成本-准确性关系取决于各种地方或区域因素；因此，这取决于具体情况，应在地方或区域层面进行估计[Citation74,Citation75]。

Bradford等人[Citation76]得出结论，在使用点或短距离土壤采样的情况下，监测单个田地尺度的SOC储量变化实际上是不可行的，因为没有大量的土壤采样，由于田地内的SOC储量变化，估计结果不准确。然而，他们证明了在项目尺度（多田地级别）上可以获得准确且稳健的估计，因为在这种情况下可以采集更多的土壤样本。在他们的案例研究中，他们报告说，为了以统计学上显著的方式估计10年内管理对SOC储量变化（+3 MgC ha?1）的因果效应，至少需要为30对田地（30个对照地块和30个处理田地）采集650个样本。此外，Potash等人[Citation32]进一步证实，对于小于5000块田地的小项目，在5年内重新测量时，测量-重新测量方法在经济上不可行。这表明，对于VCM安置项目或AEPS情境（无论是短期（<5年）都需要在田地农场层面量化SOC变化，但对于包括大量田地的项目来说，随着时间的推移（约10次重新测量），这种方法在财务上更具优势，显示出空间和时间尺度的经济效益[Citation32]。

MRV方案的监测部分必须估计新管理实践导致的SOC储量变化，并将其与未实施碳农业实践时的SOC储量趋势区分开来（后者可能是由气候或空间变化效应引起的）。然而，两次SOC测量之间的差异是这些效应共同作用的结果；因此，基线设计必须考虑这个问题。目前，根据项目方案实施了两种不同类型的基线[Citation33]：静态基线或动态基线。使用静态基线方法时，可以在实践实施之前测量SOC，然后在测量-重新测量框架下进行评估，定期测量SOC储量，并根据随时间的变化发放信用。这意味着需要对碳信用进行修正，以区分常规业务趋势和新管理实践引起的变化。实际上，两次测量时间之间的SOC稳态假设通常是一个不现实的基线。例如，澳大利亚土壤碳2021方法[Citation21,Citation77]采用静态基线方法，并应用了一系列保守的折扣，包括永久性折扣、对分层内变异性的调整，以及如果仅使用了两次采样轮次（包括基线）进行报告，则暂时扣留信用。在这种静态基线方法中，没有考虑动态效应（例如气象效应或极端气候事件）对SOC储量变化的完全评估仍然存在争议[Citation78,Citation79]。

另一方面，动态基线基于反事实方法，需要监测反映常规管理实践效应的对照地块（即在没有实施碳农业实践情况下的SOC储量变化趋势）。因此，由于新管理实践而产生的碳信用是处理田地（应用了新管理实践的地方）与对照地块测量的SOC储量变化之间的差异。尽管这种方法能够区分管理实践对SOC储量变化的影响，但它可能更加昂贵，因为它依赖于两倍的测量次数，并且对照地块可能在土壤性质或微气候方面不能完全代表处理田地。正如之前所述，这涉及到在确保有足够的控制样本来代表性和对农民的经济影响之间做出权衡[Citation32]。第一级和第二级方法2006年IPCC国家温室气体清单指南[Citation5]定义了进行温室气体清单的不同方法（级别）。每个级别代表了方法复杂性的增加。根据应用的环境和输入数据的可用性/准确性，应选择适当或可行的级别[Citation11,Citation36]。第一级是基本方法，其中土壤有机质（SOC）储量的变化可以通过简单的方程计算，例如“增减”或“储量差异”方法（参见[Citation5]第2章和[Citation80]第4卷中的方程2.4和2.5），排放量使用全球可用数据和默认方程估算，这些数据针对世界上的大生态区域[Citation5,Citation6]。它需要诸如不同土地利用类型的面积、气候、土壤类型、土地利用变化（初始和最终状态）、土地管理和土壤输入的数据。IPCC提供了主要气候区的划分和土壤类别的决策树（在[Citation6]第3章和[Citation81]第4卷中）。然后，可以使用多种来源的信息，包括区域到国家的统计数据、田间数据或来自遥感的产品[Citation31]。第二级的复杂性介于两者之间，使用与第一级相同的方程。然而，它允许清单中包含特定国家的数据（例如[Citation82–85]）。因此，即使某些国家只能更好地指定第一级方法的某些组成部分，也建议尽可能使用第二级方法[Citation86]。实际上，许多国家，包括西欧的国家，仍然在其国家温室气体报告中使用第一级方法[Citation29]。然而，“2023年修订的LULUCF法规”[https://eur-lex.europa.eu/eli/reg/2023/839/oj]要求从2026年起，必须使用第二级方法进行报告，之后对于包括森林和泥炭地在内的一部分土地，将使用第三级方法（见下文[Citation88]）。后一项要求对于SOC来说尤其具有挑战性，因为许多欧盟成员国仍然对几种土地类别使用第一级方法。一些研究（例如[Citation89–91]）表明，通过引入一个简单的“稳态”建模组件，可以解决第一级默认计算方法的概念局限性。例如，对于耕地，“IPCC 2019年改进版”[Citation92]提出了一种基于过程的简化方法，该方法依赖于Century模型的C池稳态解[Citation93]。同样，Villarino等人[Citation83,Citation94]提出了一种适应的第二级方法，其中使用RothC模型[Citation95]来确定阿根廷潘帕地区的特定区域SOC变化因子和自然植被下的参考SOC水平。另外，CSIRO为澳大利亚实施了一种基于FullCAM工具的空间明确建模组件的稳态第二级方法[Citation96]。Karstens等人[Citation97]使用CENTURY模型[Citation93]进行第二级水平的计算，应用于全球耕地。尽管这种改进的第二级方法使用了基于过程的模型，但它不能被视为第三级水平，因为在这种情况下，模型的使用方式较为简单（与第二级模型的超过100个参数相比，只使用了约20个参数）。它要么用于从当前SOC储量推算未来的稳态SOC储量[Citation92]，要么用于推算特定区域的排放因子[Citation83,Citation94]，这些因子是第一级和第二级IPCC方程所必需的[Citation5,Citation6]。这种改进的第二级方法无法模拟由当地管理实践和环境随时间变化引起的SOC储量动态。

第三级方法：基于过程的建模根据IPCC[Citation92]，第三级方法使用高度细分的第二级方法或基于过程建模和/或详细测量的特定国家方法。IPCC建议在可能的情况下使用第三级方法，因为它们被认为比低级别方法更准确，尽管第三级方法在复杂性和数据要求方面要求更高。这些方法基于各种类型的建模和来自不同来源的输入数据，并可以依赖于测量进行验证。在本节中，我们首先介绍运行模型所需的一般输入，然后描述地球观测（EO）数据及其如何集成到建模方法中，最后描述和评估第三级建模方法。

输入数据集土壤属性基于过程的模型需要土壤的物理和化学属性作为输入，例如质地（粘土、沙砾和淤泥含量）、砾石含量、容重、pH值、CaCO3含量和碳氮比。虽然全球和大陆的数字土壤地图（DSMs），如SoilGrids [Citation98]、GSM [Citation99] 和 LUCAS [Citation67]，提供了相当精细分辨率的广泛覆盖范围；但它们本质上并不适用于田间规模的应用[Citation98]，因此不适合碳 farming [Citation100,Citation101]。例如，Yogo等人[Citation102]表明，将这些全球产品用于精细尺度应用会导致土壤参数（SOC、粘土、CaCO3、pH值和C/N）的较大不确定性（均方根误差=19-118%，中位数=46%），与使用田间测量相比。法国BDAT数据库[Citation103]的县级中位数可以减少这种误差（均方根误差=7-26%，中位数=18%），尽管在石灰质土壤中可能需要进行调整。最终，直接田间采样仍然是最准确的方法，分析中的土壤样本不确定性通常低于10%（例如，同一试验的SOC储量重复测量的变异系数=4.3%[Citation104]）。然而，确保这些点测量的代表性，特别是在扩展到田间或农场级别地图时，仍然是一个挑战。在这种情况下，建议操作者首先调查实施其第三级方法所需的土壤数据的可用性，首先是本地数字土壤地图，然后是区域、国家，最后是全球数据集。

气候强迫变量所有第三级建模方法都使用气候变量作为强迫变量，无论是为了调节土壤部分的矿化率（例如温度、降水、蒸发）还是通过光合作用模拟植被生长（例如入射辐射和扩散辐射）和自养呼吸。所需的空间和时间分辨率取决于所选的建模方法。虽然本地、区域或国家的气象站网络可以提供更准确的数据，但像ERA5-Land（ECMWF）这样的全球天气再分析产品提供汇总的日信息，通常用于测量和验证（MRV）应用，并且非常适合MRV应用。本地气象站通常用于田间规模的校准和验证练习，以开发建模方法，或者与天气模型结合产生无偏的时空数据[Citation106]。

活动数据准确的管理活动数据对于估算耕地中的SOC储量变化至关重要，尤其是在田间尺度。关键因素包括作物类型、覆盖作物的存在、秸秆/残茬管理和有机改良[Citation107,Citation108]。关于管理的详细程度要求因建模方法而异，将在以下相应部分讨论。收集可靠的活动数据仍然具有挑战性，特别是在大规模上[Citation109,Citation110]。即使数据来源于农场管理系统（FMIS），也必须由专家进行检查和协调。据我们所知，目前没有MRV方案或工具量化活动数据引入的不确定性，尽管这可能会影响SOC变化估计[Citation111]或其他农业环境变量[Citation112,Citation113]，特别是在碳市场等应用中，其中数据质量通常低于受控实验条件下的数据质量。因此，我们建议在可能的情况下评估活动数据的不确定性，并在计算SOC储量变化及其相关不确定性时考虑这些不确定性。

地球观测：技术、同化和局限性免费高分辨率卫星数据的可用性使得遥感成为现代农业应用的一个不可或缺的组成部分[Citation114]。遥感提供了一种可扩展的解决方案，特别是通过Sentinel-2、Sentinel-1或Landsat等任务的开放访问数据，提供成本效益高的MRV。这些数据集提供了关于田地状况、植被和影响SOC储量变化的土壤条件的频繁观测。直接解释卫星图像需要考虑大气效应、传感器噪声、复杂的相互作用以及电磁信号与物质之间的间接生物物理关系[Citation115]。

生物物理变量生物物理变量可以通过经验关系或基于机器学习的方法获得[Citation116]。另一种基于物理的方法是使用辐射传输模型（RTMs），这些模型模拟电磁辐射与土壤、植被和大气的相互作用。通过最小化RTM估计值与卫星观测值之间的差异，可以检索生物物理参数的估计值[Citation117,Citation118]。叶面积指数（LAI）和绿叶面积指数（GLAI）可以从可见光多光谱遥感或代理合成孔径雷达（SAR）数据中获得。使用可见光波段检索LAI的最流行的RTM模型是PROSAIL模型[Citation119]，或其替代的ANN模型（BVNET）。也可以应用将植被指数（如NDVI）与LAI联系起来的经验方法[Citation120]。遥感还用于根据表面反射率和生物量之间的经验关系或使用机器学习[Citation121,Citation122]检索地上生物量（AGB）。可以使用异速生长函数从AGB估计地下生物量[Citation125]。然后可以获得生物量对土壤的总碳输入，包括覆盖作物的贡献，这对于没有覆盖作物产量数据的情况至关重要。为了更好地表示植物压力和营养需求，可以使用RTM模型（如PROSPECT-D）检索叶绿素含量[Citation126,Citation127]。随着FLEX卫星的到来，预计这种方法将变得更加可靠[Citation128]。表面土壤湿度（SSM）和土壤表面粗糙度也是影响土壤碳分解的关键因素。Bruni等人[Citation129]强调，在气候变化下，改进与水相关的SOC建模约束对于提高模型可靠性至关重要。SSM最好使用长波长的被动微波观测来检索[Citation130]，但其粗糙的空间分辨率限制了其在田间规模的应用。SAR数据提供了更细的分辨率，但对植被和表面粗糙度更敏感，这往往导致有偏的估计[Citation131,Citation132]，通过与可见光数据的融合可以减少这种偏差[Citation133]。可以使用统计模型[Citation134]或通过同化[Citation135]估计更深土壤剖面（约30厘米）的土壤湿度。由于这些波段中的有机物吸收，可以使用高光谱和多光谱反射率数据（可见光（400-700纳米）和短波红外（1000-2500纳米）波段估计表层SOC含量[Citation136,Citation137]。机器学习方法，如随机森林（RF）、多元线性回归（MLR）或人工神经网络（ANN）通常用于从遥感估计表层SOC，但它们受到许多因素的限制，包括观测裸土条件的限制、高粘土土壤中的不确定性增加、土壤湿度的影响、作物残茬的影响以及耕作对表面反射的影响[Citation138-140]。此外，碳 farming实践的发展（例如结合覆盖作物或不进行或少进行耕作）将减少通过EO观测裸土以估计表层SOC含量的时间窗口。在最近对德国广泛数据集的研究中，Broeg等人[Citation141]得出结论，遥感无法估计整个土壤深度的SOC储量或SOC储量变化。实际上，遥感无法估算容重，且SOC储量随深度变化很大[Citation142]。因此，通过遥感进行表层SOC绘图在最适应最优采样的DSM方法中最为相关。此外，可以从遥感中获得各种产品来改进DSM，从土地覆盖图和与气候相关的时间序列到植被和表面属性指数。根据它们的性质，它们可以作为静态或动态协变量来增强SOC储量的空间和时间变化的估计。许多最近的土壤碳（SOC）研究将来自遥感的产制品与土壤样本数据结合起来，以生成SOC储量的时空演变及其不确定性，分辨率范围从25米到100米[Citation143–147]。虽然这些方法能够成功预测SOC的统计显著空间模式，但由于SOC变化率较低，而空间变异性较大，再加上在点级别量化这种微妙动态变化的不确定性较为困难，因此时间变化的预测更具挑战性[Citation144–146]。为了应对这些挑战，将预测结果聚合到更大的空间范围可以减少预测不确定性[Citation52]，并且需要额外的长时间序列土壤测量数据来改进时间变化的预测。尽管这些最新技术在 Variable Carbon Management (VCM) 环境和短期报告项目（如 Annual Emissions Perspectives, AEPs）中可能不适用，但它们对于 Nationally Determined Contributions (NDCs) 可能具有相关性[Citation145,Citation147]。

通过指数或遥感反演模型 (RTMs) 也可以从地球观测 (EO) 数据中获取关键的农业活动信息。最成熟的应用是“土地覆盖和土地利用”映射，用于作物和覆盖作物[Citation148,Citation149]。覆盖作物映射不仅因为它是耕地碳封存的重要手段[Citation15,Citation150]，而且其生物量发展在田间内部和田间之间都表现出高度的时空异质性[Citation124,Citation151,Citation152]。这种变异性是因为这些作物相比主作物受到的管理关注较少，再加上它们的生长周期较短和种子种类混合，这也使得它们的映射变得具有挑战性。利用多光谱或高光谱数据衍生的指数还可以检测到耕作和犁地活动[Citation153,Citation154]，以及保守的耕作方式和残渣覆盖比例[Citation155]。然而，使用遥感监测两种对SOC建模和整体碳预算评估至关重要的管理实践仍然具有挑战性：(1) 秸秆管理，具体来说就是残渣是留在土壤上还是被移除，以及移除的比例[Citation156,Citation157]；(2) 有机添加物质的类型和数量，尽管检测添加物质的存在（“是”或“否”）似乎是可行的[Citation158,Citation159]。

如图1所示，第三级建模方法根据其吸收EO数据的能力进行分类。数据同化包括将观测数据整合到基于过程的模型中，以提高模拟的准确性，同时考虑观测和模型预测的不确定性[Citation160,Citation161]。同化方案可能整合来自RTM反演的输出地球物理变量，或者将RTM模型作为观测模块纳入[Citation162]。在土壤和作物建模中应用了四种主要的数据同化方法，这些方法经常以混合形式使用：序列方法如集合卡尔曼滤波器(Ensemble Kalman Filter)[Citation120,Citation163,Citation164]、变分方法如4DVAR[Citation165,Citation166]、校准方法如单纯形算法(sq simplex algorithm)[Citation167–169]，以及概率方法如贝叶斯推断[Bayesian inference][Citation170,Citation171]。EO数据最常用的应用是在作物或生态系统模型中利用LAI（叶面积指数）时间序列进行同化[Citation160,Citation168]。使用高时间和空间分辨率的LAI序列可以使模型估计生物量生产的空间异质性及其对土壤的碳输入[Citation172]。这隐含地考虑了一系列难以在作物模型中参数化的因素和事件，如水分胁迫、氮胁迫、害虫和病害的存在[Citation173]、极端气候事件以及自然再生的影响、杂草和覆盖作物的影响[Citation168,Citation174,Citation175]。

### 地球观测数据及其同化的局限性和建议

地球观测数据并非普遍适用，因为这取决于卫星传感器与观测领域或实践特征的兼容性。这带来了局限性，突显了特定情境下监测的必要性，并强调了整合多传感器数据的重要性。另一个关键问题是免费EO任务的连续性，这些任务目前依赖于欧盟的Copernicus计划和NASA的卫星舰队等机构项目。每种EO技术都有其自身的局限性：
- (i) 光学传感器对云层覆盖、云影和山区地形效应敏感。它们还容易受到反射率饱和的影响，并且可能受到田边和植被结构（如树篱）的影响。
- (ii) SAR传感器受到射频干扰(RFI)的影响，强烈的降雨、复杂的地形，以及在异质环境中解释信号的挑战。
- (iii) 被动微波传感器主要受到粗空间分辨率的限制，并且容易受到RFI的影响。
- (iv) 热敏传感器面临与观测频率、水蒸气影响以及热带地区限制相关的挑战。

同化算法也面临挑战。在SOC监测的背景下，需要考虑长时间窗口内的作物周期以量化作物生物量和对土壤的碳输入，系统还受到点事件（如害虫存在、极端事件）的影响，因此应用变分方法[Citation165,Citation166]存在挑战。序列同化（如集合卡尔曼滤波器[EnKF] [Citation176]）在灌溉和肥料需求的实时应用中具有优势[Citation120,Citation163,Citation164]，但随着时间的推移，预测的模型集合可能会偏离实际情况。迭代校准或概率方法[Citation167–170,177]效率很高，但在大规模应用时计算成本非常高。因此，非迭代概率方法如贝叶斯推断[Bayesian inference][Citation172]作为一种结合长时间尺度预测和不确定性估计的非常有前景的框架出现了。然而，建议使用同化算法与简约模型结合使用，这类模型旨在用最简单的结构和最少的参数来复现观测到的系统行为，确保参数可识别性、模型透明度和鲁棒性[Citation178]。例如，Dumont等人[Citation170]强调了在依赖大量参数的模型中参数可识别性的挑战，例如STICS模型（超过200个参数），即使在优化过程中大幅减少到9个参数后，参数之间仍然存在中等到强的相关性，导致参数补偿。这些相互依赖性表明，同化的观测数据可能不足以准确估计所有选定的参数。相比之下，使用更简约的作物模型，如SAFYE-CO2（约44个参数），Wijmer等人[Citation172]通过贝叶斯方法优化7个独立参数，改进了大范围内田间内部的碳通量和生物量估计。使用简约模型结合他们的同化方法可以减少计算时间，并吸收更多数据，如高分辨率（时间和空间）的EO数据，从而提高参数估计的准确性。最后，EO数据的不均匀空间和时间分布带来了公平性挑战，因为随着观测数量的增加，同化的不确定性会降低。这在不同地区造成了差异，可能对EO覆盖较少的地区的农民产生不利影响。

### 第三级建模方法的描述和评估

有各种基于过程的建模方法可用于估计SOC储量的变化，每种方法都有其独特的特征。在这篇综述中，我们根据三个关键标准对这些建模方法进行了分类：(i) 它们模拟的组成部分，无论是以土壤为中心的模型还是完整生态系统模型；(ii) 在生态系统模型内部，土壤和植被过程之间的耦合程度；(iii) 通过数据同化技术整合EO数据（图2和图3）。

图2. 以土壤为中心的建模方法的示意图。输入数据源根据其准确性进行分类，红色代表最低精度，绿色代表最高精度。此外，成本箭头表示收集这些数据的成本，红色代表最高成本，绿色代表最低成本。

图3. 有或没有EO同化的生态系统建模方法的示意图（虚线表示），分别使用土壤和植被之间耦合较弱的高效模型（紫色）或耦合较强的“现成”模型（橙色）。输入数据源根据其准确性进行分类，红色代表最低精度，绿色代表最高精度。此外，成本箭头表示收集这些数据的成本，红色代表最高成本，绿色代表最低成本。

所有这些方法都生成了基准情景，以便在项目实施缓解活动之前考虑SOC储量的持续变化趋势。

在基于过程的模型中，可以识别出两种表示SOC动态的主要策略。第一种方法将SOC划分为几个概念性的碳池，根据不同的周转时间进行分类，其动态遵循一级衰减率（例如AMG [Citation104]、RothC [Citation179]、ICBM [Citation180]、Century [Citation181]、DayCent [Citation182]、Yasso7 [Citation183]）。由于这些池是概念性的且不可测量的，这些模型需要初始化方法，这些方法将在下一节中介绍。第二种SOC建模策略基于可测量的池（通常是颗粒状和矿物质相关的有机物：POM和MAOM），并包含一个明确的微生物碳池，通过生物学、化学和物理机制来确定SOM（土壤有机质）的动态。例如MIMICS [Citation184]、Millennial [Citation185] 和 MEMS2 [Citation186]。这些过程丰富的模型成本较高，涉及每日时间步长的众多方程和参数校准[Citation187]。观测数据的有限可用性是校准和进一步发展的关键限制[Citation186,Citation188,Citation189]，也是初始化的一个问题，通常通过执行C池初始化来解决[Citation184,186–189]。此外，Shi等人[Citation190]表明，复杂模型结构（如CLM4.5、MIMICS）与传统的初级衰减模型（如Century）相比，可能会放大SOC预测的不确定性。尽管这些方法对于从研究角度理解土壤过程至关重要，但它们尚未经过与SOC演变的历时测量的验证[Citation184–186,189,191,192]。由于数据需求高、验证过程复杂以及预测相关的不确定性高，这些方法在操作性mitterve monitoring (MRV) 利益相关项目中似乎难以实施，因为它们过于复杂和昂贵（例如微生物和SOC成分的初始化、高维系统中的不确定性评估等）。因此，在推荐SOC监测的建模方法时，我们只考虑基于一级衰减率的概念性C池模型。

### 初始化SOC储量和C池

初始化SOC储量和池分布是所有具有概念性C池的第三级模型的关键步骤，影响其准确性。根据模型的结构（例如池的数量和性质），可以应用各种方法，这些方法在成本和准确性之间有不同的权衡。Spin-up方法被广泛使用，因为它不需要额外的土壤观测[Citation193,Citation194]。然而，它依赖于不确定的输入数据（气候、土地利用和碳输入），并且假设在动态系统中（如碳农业或最近转换的田地）存在不现实的稳态条件[Citation195,Citation196]。在某些模型中，如AMG [Citation104,Citation197]，可以使用默认值根据田地的长期历史（耕地或草地）来初始化池分布，但在近期土地利用变化较大的动态环境中，其准确性有限。更先进的方法将测量的SOC成分与概念模型池对齐，如土壤模型RothC [Citation198–200]或生态系统模型DAYCENT [Citation201]所示，尽管提高准确性通常需要修改SOC动力学池的分解率[Citation199,Citation202]。另一方面，结合RockEval?热稳定性分析结果和使用LTE数据校准的学习模型（PARTYsoc; [Citation195,Citation203,Citation204]）可以在不修改模型的情况下初始化AMG中的C池，并在模拟中反复显示出更好的准确性。虽然增加了MRV的成本，但这些方法可以提高模型准确性，并可以在土壤监测网络中实施，以探索更复杂模型使用前的潜力，正如Kanari等人[Citation195]所建议的。在估计绝对SOC储量时，尤其是在动态系统中，应优先使用高精度方法，如RockEval? [Citation205]或SOC分级方法。相反，当目标是评估不同情景之间的SOC储量变化（ΔSOCs）（例如基线情景与碳农业情景）时，这类一级动力学土壤模型通常对初始池分布不太敏感，只要所有情景使用相同的初始条件[Citation102,Citation206]，对于更复杂的模型如Ecosys [Citation207]也是如此。还必须考虑验证方案的要求，因为除非使用具有基准情景的对照地块作为参考，否则无法通过土壤测量直接评估管理情景之间的ΔSOCs。对于大规模应用，例如净排放量（NDC）报告，使用近感技术进行土壤有机碳（SOC）池初始化的成本效益方法，如澳大利亚FullCAM框架中所展示的[Citation96,Citation208,Citation209]，可以为区域和国家层面的农作物MRV（测量、报告和验证）中的SOC储量变化提供可扩展的解决方案。以土壤为中心的建模方法是最简单的第三级方法（见图2），它基于一个土壤模型，该模型考虑了气候、土壤类型和碳输入（例如作物残余物、覆盖作物、有机改良剂）对SOC储量变化的影响（例如AMG [Citation104]、RothC [Citation179]、ICBM [Citation180]、Century [Citation181]、Yasso7 [Citation183,Citation210]）。土壤模型的时间步长通常从月度到年度不等。运行此模型需要天气数据、土壤性质数据、一些活动数据（主要是关于有机改良剂和秸秆管理的数据），以及从生物质、作物种类、产量和覆盖作物生物质估计中计算碳输入的数据。根据模型的复杂性，它还可以考虑除直接影响土壤碳输入之外的其他管理措施的影响（例如耕作、矿物肥料），从而需要额外的活动数据。

**土壤模型的碳输入估算**
土壤模型不模拟植被生长；因此，必须从其他地方估算来自生物质的碳输入。碳输入估算方法对SOC估算的不确定性有显著影响[Citation211,Citation212]，即使土壤模型的选择也有更大的影响[Citation212]。因此，选择适合当地土壤气候条件和管理实践的适当土壤模型（即在这些条件下经过适当验证的[Citation191,Citation192]）以及准确的生物质和碳输入到土壤的方法至关重要。在植被覆盖管理（VCM）和农业环境绩效（AEPs）的MRV背景下，需要特定于田地的生物质输入来反映农民管理实践（例如施肥、灌溉）和环境（例如土壤性质、田地微气候）引起的变化，而在净排放量报告（NDC）背景下可以使用区域统计数据。当然，如果收集特定于田地的数据来估算碳输入比使用区域统计数据更准确，那么成本也会更高，如图2所示，除非使用基于地球观测（EO）的方法来估算作物或覆盖作物生物质。

通常，这种方法会将产量数据与异速生长系数（例如[Citation125]）结合起来估算碳输入，正如法国低碳标签方法中所做的那样。然而，产量信息往往依赖于平均田地或农场规模的产量，忽略了空间变异性，而配备传感器的收割机的产量地图也存在不确定性[Citation213,Citation214]。此外，基于产量的碳输入估算取决于收获指数（HI），该指数因物种、品种和管理方式而异，从而导致显著的不确定性[Citation215]。

可以考虑替代方法，例如原位生物质采样或植物/生态系统模型来估算生物质生产或产量（例如SIMPLE [Citation216]、SAFY(E-CO2) [Citation168,Citation174,Citation175,Citation217] 和 STICS [Citation218]）。然而，由于成本高昂且如果没有适当的采样策略（例如基于植被指数的分层采样），原位破坏性生物质测量不具备可扩展性。此外，植物模型需要大量的关于管理实践的数据，其复杂性很高，除非受到观测数据（例如EO）的约束，否则无法提供可靠的估算（见第2.3.3.2节：生态系统建模方法）。

如前一节所解释的，作物的地上生物质和覆盖作物的地上生物质可以通过高分辨率的遥感观测获得，这使得能够考虑生物质生产以及随后碳输入到土壤的空间变异性，这在总体碳封存量化策略中至关重要。实际上，覆盖作物的生物量在田间和田间的异质性通常大于主要作物[Citation124,Citation151,Citation152]，这在平均区域统计中并没有得到很好的体现。例如，法国农业合作社Agrod'Oc测量了法国西南部（覆盖约150平方公里）覆盖作物的干地上生物量，范围从0.9到超过9吨/公顷（平均为3.98吨/公顷）（个人通讯）。值得注意的是，基于EO的生物质估算可以在大范围内同时进行，从而实现高成本-准确性比率（见图2）。

监测的成本主要取决于数据收集的成本。这种成本通常随着数据来源的不同而增加，后者提供了更高的准确性，除了通过遥感估算的覆盖作物地上生物质（见图2中表示数据和准确性的箭头）。

**以土壤为中心的方法及其不确定性的验证**
只有通过原位测量SOC储量变化、SOC组分变化或土壤呼吸作用测量（例如使用自动或便携式土壤呼吸室）才能验证以土壤为中心的方法，因为其他碳预算组成部分（例如生物质、CO2通量）并未在模型中模拟。不确定性评估不是土壤模型的一部分，需要通过分析方法[Citation219]或数值方法（如蒙特卡洛[Citation220,Citation221]）进行外部分析。然而，将系统性不确定性评估纳入方法是提高MRV监测工具可信度的关键。

**生态系统建模方法**
生态系统建模方法依赖于过程导向的模型，这些模型以机械方式模拟植物和土壤过程以及与气候的相互作用，并具有不同的复杂性水平。此外，在不同 compartments 和循环的建模中考虑了气候、土壤和管理实践的影响。估算了碳预算的关键组成部分，如生物质生产，对于某些模型还包括CO2通量，这使得能够用各种独立数据集（例如通量塔站的CO2通量、年度碳预算、生物质、产量等[Citation168]）来评估模型，而不仅仅是每约5年重复一次的SOC储量变化测量。Guan等人[Citation222]强调，不同空间和时间尺度的田间碳预算组成部分的概览可以克服土壤样本在空间和时间上的代表性问题。

观察到两种SOC监测的建模策略（见图3）：(i) 第一种依赖于现有的、成熟的“现成”生态系统模型，这些模型通过植被和土壤之间的强耦合和反馈机制来模拟碳动态（例如EPIC [Citation223]、DAYCENT [Citation182,Citation224,Citation225]、DNDC [Citation226]、STICS [Citation218,Citation227]、DAISY [Citation228]、DSSAT [Citation229]、SALUS [Citation230]）。我们将这些模型称为“现成”模型，因为它们最初是为农业环境研究开发的，而不是为MRV目的设计的。尽管如此，由于它们能够估算碳预算或SOC储量变化，现在它们已成为MRV背景下监测SOC储量变化的可行选项。(ii) 第二种方法依赖于简约的植物和土壤模型的组合，通常会同化EO数据，实现土壤和植被之间的轻度耦合策略，最小化相互反馈并减少参数数量（例如植物模型向土壤模型提供生物质输入）。这种类型的方法仍在开发中，并且非常适合MRV目的。

**无需EO同化的“现成”生态系统模型**
“现成”的农田生态系统模型提供了一种全面的植物-土壤相互作用和生物地球化学循环的方法，对决策制定非常有价值。它们模拟了各种作物和做法以及一系列农业环境变量，能够评估管理变化和气候对生产和SOC储量变化的影响[Citation231–238]。无需EO同化的生态系统模型的空间分辨率通常在最好的情况下为田地尺度。因此，这些模型能够在田地层面模拟碳动态，并可能展示田间的异质性。然而，它们在MRV背景下的空间分辨率通常不足以识别田内的模式和捕捉田内的空间异质性，例如在生物质发展方面。这些模型需要相当高的专业知识水平，并且通常在统一、监测良好的田间试验中开发、校准和评估，在这些试验中收集了详细准确的管理实践、土壤和天气数据（STICS [Citation227]、EPIC [Citation239]、CERES [Citation240]、DayCent [Citation225]、DAISY [Citation241]）。因此，尽管这些模型在预测不同土壤气候条件下的SOC储量变化以及在各种实践中的表现得到了验证[Citation231–238,242]，但这些受控条件可能无法反映农场实际遇到的异质性，当这些模型在VCM背景下应用于农场时可能会导致显著的不确定性，正如Popkin [Citation243]所指出的，即使它们在其有效范围内也是如此。此外，这些模型没有模拟害虫、疾病和极端气候事件对作物发展及其对SOC储量变化的影响[Citation244]。

所需的输入数据量很大（例如播种密度、日期和深度、灌溉日期和量、矿物肥料的剂量和施用日期），以及校准它们所需的参数数量也很多，这使得在大范围内应用生态系统模型既昂贵又耗时（即使通过FMIS收集活动数据，也需要先检查其一致性和准确性等），同时增加了模型输出不确定性的风险。特别是在数据可能缺失或不确定的情况下，确保模型输出的可靠性变得更加困难[Citation111–113]，并且需要专业知识来处理假设和不确定性。与土壤模型一样，许多生态系统模型也没有包括输出变量的不确定性评估，特别是由活动数据引起的不确定性。

使用Ogle等人[Citation221]中的“现成”建模方法，SOC储量变化估算的不确定性可能强烈依赖于尺度（成反比）。在那项研究中，使用Century模型[Citation181,Citation245]，在站点级别的不确定性达到了739%–674%，而在区域级别降低到118–114%。因此，如果在碳农业项目尺度上量化SOC储量变化的不确定性以提高对碳信用的信任度，这种方法可能会导致对农民的不公平，因为其在农场尺度上的准确性可能较差。此外，Palosuo等人[Citation244]表明，在数据资源有限和校准最少（每日天气、基本土壤性质、作物和土壤管理）的情况下，复现大规模应用时，八个比较模型之间的 Biomass 和 LAI 估算值有很大差异。没有一个模型能够在不进一步校准的情况下准确预测田地尺度的小麦产量，尽管其他参数是基于之前在地理和生理上可比的研究应用设定的。R?tter等人[Citation246]使用相同的方法对春 barley 也得出了类似的结论。这表明，即使在它们的有效范围内（即与多个模型校准使用独立数据集的条件相当），“现成”生态系统模型也会导致MRV项目在田地尺度上的操作条件估算不准确。由于这些模型已经在农业环境研究之外使用，特别是在NDC报告中[Citation91,Citation92]，了解模型输出之间的差异非常重要。为了回答这个问题，Brilli等人[Citation247]比较了九个模型并分析了它们在准确表示SOC和温室气体动态方面的优缺点。他们发现，这些模型的性能最容易受到定义不清的土壤气候条件的影响，其次是管理实践效果的错误表示，以及不适当的尺度应用（时间和空间上）。

这种方法在输入数据方面要求最高，特别是活动数据，为了准确估算SOC储量变化，这增加了监测成本。数据越准确，成本越高。然而，这种方法对于NDC背景可能是相关的，因为它可以使用已有的区域/国家活动统计数据。此外，其中一些模型已经用于国家清单编制，这意味着保持这种方法可以与之前的国家报告保持一致。

**结合EO同化的“现成”生态系统模型**
由于大多数生态系统模型无法捕捉田间植物和土壤过程的空间变异性，一种选择是同化来自EO时间序列的高分辨率植被指数或植物生物物理属性（例如LAI）来约束模拟的植被动态[Citation160,Citation164]。虽然EO同化提高了植被动态模拟的准确性，但在输入数据可用性（土壤和详细管理实践）和可扩展性（许多参数）方面仍存在挑战，特别是对于景观或区域应用来说。将EO数据同化到生态系统模型中的一个主要限制是进行模拟所需的计算和后勤需求，这些需求涉及到对成千上万或数百万个元素（像素或区域）的参数调整，这通常会导致空间分辨率和覆盖范围之间的权衡。最近的研究说明了这一困境，当在生态系统模型中使用光学遥感数据同化时，要么选择大范围应用[参考文献248]，但其粗糙的分辨率与VCM或AEPs情境中通常需要的田间尺度评估不兼容；要么选择高分辨率以捕捉田间内部的变异性[参考文献249–251]，但其应用范围限于小区域。尽管空间和时间尺度存在差异，当前应用EO数据的生态系统模型仍然仅限于几千到几万个元素（例如，与法国的约300万个区域相比）。此外，模型对详细输入数据和众多参数的依赖性引发了关于参数优化中等终态（equifinality）的重要问题，因为仅通过同化LAI（叶面积指数）无法分离所有被模拟的过程，这降低了捕捉田间空间变异性的灵活性。这些限制凸显了需要提出一种方法，能够在高分辨率下实现大范围诊断，并且使用较少的参数，同时最小化对详细管理数据的依赖，并为模拟变量纳入不确定性指标[参考文献252–254]。

一种结合简朴模型和EO数据同化的生态系统建模方法，用于大规模评估土壤有机碳（SOC）存量变化，并考虑生态系统过程中的田间内部空间变性，该方法包括在结合了简朴土壤和植物模型的生态系统建模框架中同化高分辨率EO数据。目标是在模拟碳预算的关键组成部分以准确估计SOC存量变化的同时，确保方法的简单性和可扩展性，以便于大规模应用，这与Paustian等人[参考文献255]和Smith等人[参考文献29]的建议一致。尽管植被和土壤组分之间存在明确的相互作用（例如没有控制植物生长的土壤水分或氮素胁迫功能），但EO数据的同化通过优化和校准植被模型参数，能够实现对植物生长的准确和客观模拟。此外，这种方法还允许自动检测和考虑杂草、自然再生和覆盖作物对SOC存量变化的影响（例如[参考文献174]）。只有基于EO的方法才能做到这一点。因此，与传统生态系统模型相比，这种方法大大减少了对大量活动数据的依赖，同时隐含地考虑了许多实践（如矿物施肥）、胁迫效应（如水分、氮素、温度）、害虫、疾病和极端气候事件（如冰雹、洪水）对植物生长的影响。然而，一些管理数据（如秸秆管理、有机改良剂）仍然是模拟SOC存量变化所必需的。大规模应用还需要整合土地利用图。

这种方法能够一次性在大范围内应用，且所需输入数据最少，从而大大降低了实施成本，同时由于考虑了空间变异性，潜在的准确性很高。它提供了低成本-高准确性的比率，这使得该方法在衡量、报告和验证（MRV）应用中成为一种变革性的技术。

适用于这种方法的一些简朴作物模型包括GRAMI[参考文献256]和SAFY模型系列（SAFY[参考文献217]和[参考文献167]；SAFY-WB[参考文献257]和[参考文献258]；SAFY-CO2[参考文献168]；SAFY-ECO2[参考文献174]），这些模型专门用于通过同化高分辨率EO数据得到的LAI时间序列来放大作物模拟。这些模型的生物量输出可以作为输入数据用于土壤模型，以估计SOC存量变化。对于操作性的MRV应用，简朴的土壤模型可能是更好的选择，因为它们需要更少的参数和输入数据，从而减少了不确定性传播的风险以及大规模应用的计算时间。如前所述，关于土壤模型设计策略的研究表明，Shi等人[参考文献190]基于一项比较研究表明，在模型中添加更多参数和显式（如微生物或垂直）动态可能会导致预测中的不确定性增加，而且这种不确定性会随着时间和气候变化而加剧。因此，像RothC[参考文献179]或AMG[参考文献104]这样经过稳健验证的模型可能是很好的选择，它们在准确性、简单性和可扩展性之间提供了良好的折中。

然而，一个高效的同化方法至关重要，它能够在大数量元素（像素或区域）上进行快速模拟，通过所有模拟步骤追踪不确定性，并能够通过多种潜在解决方案（如贝叶斯校准）表示不确定性[参考文献172]。这在环境建模中非常重要，因为不同的参数组合可以产生相似的输出，即使它们代表了非常不同的潜在过程（即参数的等终态）。需要注意的是，除了更好地评估生物量生产和衍生碳输入外，高分辨率模拟还允许直接比较模型输出与在像素尺度（例如10×10米）收集的原位测量结果（如生物量、产量和SOC存量变化），从而提高模型验证的空间代表性和准确性。

然而，将这种方法完全应用于MRV情境仍存在一些限制，特别是目前的校准和验证方法仅适用于有限的作物类型，而传统的“现成”生态系统模型已经经过数十年的发展，适用于多种管理实践和土壤气候条件。此外，对光学遥感数据的依赖限制了其在持续多云条件下的应用，这个问题可以通过多传感器融合策略来缓解，下文将对此进行讨论。因此，通过进一步的工作来覆盖更多作物类型，并建立稳健的输入数据收集框架，特别是对于管理实践和土壤属性，这种结合EO数据同化的简朴建模方法提供了一个灵活且可扩展的解决方案。它可以支持从国家尺度的NDC报告到VCM（无论是“嵌入”还是“抵消”）或AEPs的田间或像素尺度评估的一系列MRV应用。

这种建模方法遵循CIRCASA项目的建议[参考文献259]，使用模块化结构来推导网格化的SOC存量变化估计及其相关的不确定性，并与Guan等人[参考文献222]提出的“系统-of-systems”方法一致，该方法强调需要整合多种传感器、原位数据和模型。当前的原型倾向于采用这种策略，例如Retina Project[参考文献260]；Remote-C[参考文献261]；AgriCarbon-EO[参考文献172,262]；以及FiON[参考文献249]。然而，Soussana等人[参考文献259]也提倡使用经过校准的模型集合，而不是单一模型方法。

图S1–S4总结了不同第三级建模方法的优缺点，补充材料中也提供了表S1，其中包含了它们的定性评估。我们区分了是否使用EO数据同化的方法，以突出EO数据同化带来的好处或限制。这些标准主要与空间分辨率、数据需求、复杂性、可扩展性和稳健性有关。所有这些方法都可以模拟田间尺度，但EO数据同化提高了空间分辨率，并允许更好地估计生物量返回土壤的情况及其田间内部变异性。EO数据的同化使方法复杂化（例如额外的数据和算法），但其准确性提升和可扩展性的增加得到了平衡，尤其是在与简朴的土壤或生态系统模型结合使用时。以土壤为中心的方法（无论是否使用EO数据）是最简单的实现方式，所需的输入数据较少，但其评估的稳健性相对于生态系统模型有限，后者可以在碳预算的几个关键组成部分上进行评估。“现成”的生态系统模型通常能够表示广泛的管理实践和作物类型，但需要更多多样化和详细的输入数据，这增加了监测的成本和计算时间。使用结合EO数据同化的简朴模型的生态系统建模方法在复杂性、可扩展性和稳健性之间提供了一个良好的折中。

由于在田间尺度上检测显著的SOC存量变化具有挑战性且成本高昂[参考文献76,263]，依赖于原位测量的验证方案通常仅限于项目规模的验证，以认证碳农业项目的碳信用。虽然这种验证方法提高了估计的准确性，但它可能在农民之间的支付分配上造成不公平，因为所有农民无论他们的努力和影响如何都获得相同的碳信用。然而，使用EO数据同化的方法允许通过年度高空间分辨率模拟来识别田间内部和之间的碳存量变化模式（见[参考文献152,172]）。因此，拥有这些高时空尺度的碳存量变化图及其全部变异范围（田间内和田间间）可能会改进验证的抽样策略设计，并可以替代传统的初步抽样方案，因为大多数协议都需要根据SOC的变异性调整复合样本的数量[参考文献71]。此外，高分辨率（例如10米分辨率）提高了土壤样本与模拟空间单位之间的空间一致性，这可以在使用有限数量的样本的情况下，在田间或农场尺度上验证模型的估计，而无需重现田块的平均SOC存量变化值（见图37[参考文献36]）。这种方法可以显著降低验证成本，并可能允许涉及大量田块的除VCM抵消之外的项目通过土壤样本进行验证。然而，使用原位土壤测量来验证短期项目（即不到五年的项目）将具有挑战性且成本高昂，即使基于高分辨率建模方法构建土壤抽样方案也可能不可行。

最后，大多数方法缺乏系统的不确定性评估是一个限制。

本节旨在指导MRV操作者选择最适合他们目的和当地环境的监测方法（即测量/重新测量，第一级到第三级）。如前所述，没有一种适用于所有MRV情境的“通用”监测方法。即使在单一应用情境（VCM、AEPs、NDCs）内，选择也可能因地区（例如土壤类型、气候、田间特征、实践）、监管条件（例如监测期限、所需精度、CF计划的规模）和资源可用性（例如数据可用性和质量、现有的SOC监测网络、本地校准的模型）而有所不同。

为了便于决策，我们基于IPCC[参考文献5]的通用决策树构建了一个决策树，用于识别适合NDC情境的SOC存量变化估计层级。我们扩展并调整了该树，以适应其他SOC监测情境（AEPs、抵消、嵌入）。最初版本和构建标准由来自不同领域的180位专家（例如科学家、非政府组织、私营公司）在EU Horizon ORCaSa和MARVIC项目的框架下共同组织的两个在线研讨会上进行了讨论。

图4. 根据MRV应用情境和当地环境设计的决策树，用于选择SOC存量变化监测方法。

决策树根据以下六个标准进行了微调：1-应用情境，2-ΔSOC的原位测量的可行性，3-建模方法的适用性，4-成本-精度权衡，5-当地环境与是否使用EO数据的兼容性，6-活动数据（例如生物量、管理实践）的可用性。然而，具体模型之间的最终选择不能一概而论，因为它在很大程度上取决于特定的当地条件和项目及验证方案。

应用情境（NDCs、AEPs或VCM，无论是抵消还是嵌入）是首先要考虑的标准，因为它决定了可以考虑的方法的准确性/复杂性、空间尺度（从田间到国家级别），以及监测项目的持续时间和频率（从一年到多年项目）。对于VCM，区分了抵消和嵌入项目，因为抵消项目至少持续五年，而嵌入项目可以持续一年或更长时间。

第二个选择标准是考虑ΔSOC存量的原位测量（测量-重新测量方法）是否可行，这取决于项目持续时间、报告时间和采样工作量（需要收集的样本数量以代表研究区域）以及项目可接受的成本精度。对于短期项目（少于五年），检测显著SOC存量变化所需的大量样本往往使这种方法过于昂贵[参考文献32,264]。然而，如果测量-重新测量在可接受的成本精度下是可行的，则优先选择这种方法。在Potash等人的一项研究[Citation32]中，对于涉及5000多个地块且每个地块至少有5年重新测量时间的项目，通过“测量-重新测量”方法在经济上是可行的，因为这些项目可以在项目层面估算土壤有机质(SOC)储量的变化。否则，就需要考虑使用建模方法。

### 建模方法的适用性（ Tier 1至Tier 3）
首先，需要调查是否有一种适用于当地土壤气候条件和管理实践的Tier 3模型，即该模型应在这些条件下经过评估并显示出良好的性能。需要注意的是，无论采用哪种Tier 3建模方法，都需要进行实地数据收集，例如用于初始化模型的土壤信息或关键活动数据（如有机改良物、出口的生物质：谷物/块茎、秸秆等）。因此，在决策过程的这一阶段，会考虑所有Tier 3方法，从以土壤为中心的方法到生态系统方法。对于国家自主贡献(NDCs)来说，所采用的方法必须符合IPCC的建议。对于其他情境（VCMs、AEPs），有些项目可能只涉及农场中的一个地块；因此，在这种情况下，该方法的空间分辨率至少应达到地块级别。

如果没有适合当地情况的Tier 3模型（经过校准/验证），则可能的选择取决于应用情境：
- **对于NDCs**，可以根据IPCC指南考虑使用Tier 2方法，并且该方法必须适应当地的土壤气候条件和管理实践。如果沒有Tier 2的变化数据，并且根据IPCC标准，农田中的SOC储量变化不是关键评估指标，则可以考虑Tier 1的变化数据。否则，需要实施更准确和可靠的方法（如“测量-重新测量”方法、Tier 2或Tier 3方法）。因此，需要权衡成本与准确性，以确定是投资于国家SOC储量监测网络更可取，还是收集数据来开发Tier 2方法，或是开发针对当地情况的Tier 3方法。
- **对于AEPs的MRV情境**，根据既定规则，可以考虑使用Tier 2方法。例如，H2020 NIVA欧盟项目为CAP提出了一个Tier 2方法。如果沒有Tier 2的数据，那么“测量-重新测量”ΔSOC储量的总成本和成本准确性应与收集开发Tier 2方法所需的数据或开发/验证Tier 3方法所需的成本进行比较。
- **对于VCMs中的抵消和嵌入情境**，不考虑使用Tier 3方法；因此，当没有Tier 3方法可用时，就需要考虑进行“测量-重新测量”ΔSOC储量的成本及其准确性以及收集数据以开发/验证Tier 3方法的成本。如前所述，抵消项目至少持续五年，而嵌入项目可能仅持续一年。在这种情况下，如果没有Tier 3方法可用，那么“测量-重新测量”ΔSOC储量的成本及其准确性可能会高于根据当地情况校准和验证现有的Tier 3方法的成本。

### 成本-准确性权衡
关于投资开发某种方法相对于另一种方法的盈利能力，以及这些方法是否能被重用于其他应用和项目的问题，凸显了需要可扩展、简洁且可转移的方法，这些方法应尽量减少超参数化，并避免过度依赖高度本地化的数据。

### 与地球观测（EO）数据的兼容性
当 Tier 3方法被确定为最佳选择时，下一个标准是当地情境与EO数据使用的兼容性。使用EO数据的可能性首先取决于地块的大小（无人机监测不适用）：被监测的地块应足够大，以匹配卫星的数据分辨率（考虑到需要在地块轮廓周围设置一到两个像素的缓冲区）；地块的地形不应过于复杂（以避免投影或表面反射率校正的误差）；同时，没有物理元素（如树木、电塔或其阴影）干扰卫星对地块的观测。这也取决于观测表面的能力和频率；例如，对于光学卫星，在植被生长期间云层覆盖不应过长。最后，应能获取地块的地理空间轮廓，尤其是在进行地块或农场级别监测的情境中（如AEP、抵消和嵌入项目）。满足所有这些条件后，建议结合EO数据使用Tier 3建模方法，例如利用遥感产品得出的生物质数据进行土壤中心化的方法，或者更易于整合EO数据的简洁生态系统建模方法，因为它们在可扩展性和时间效率方面具有优势。

如果无法使用EO数据，仍然可以考虑Tier 3方法，然后Tier 3方法的选择将取决于可用数据。

### 活动数据的可用性
- **对于NDCs**，与其他MRV情境相比，对特定地块活动数据的准确性和需求较低，因此可以使用区域统计数据作为Tier 3方法的输入，例如生物质生产和管理实践的数据。这减轻了收集特定活动数据的需要。因此，可以使用基于区域统计数据和简化假设的“现成”生态系统模型的土壤中心化方法。不过，我们可以假设某些地区可能适合使用基于EO的数据的方法，这就引发了关于所使用方法的空间一致性的问题。
- **对于AEPs**，可以预期农民提供农场级别的可靠详细活动数据（例如产量数据，并由农业顾问验证），因为他们可能之前已经申报了这些数据以获得补贴。在这种情况下，可以使用基于“现成”生态系统模型的土壤中心化方法和生态系统建模方法。如果这一假设不成立（例如，没有产量数据或详细活动数据），则可能需要考虑是否可以使用Tier 2方法。如果答案是否定的（例如，因为支付机构不要求提供这些数据），则需要考虑获取新数据的问题（用于“测量-重新测量”或开发新的Tier 2或Tier 3方法）。
- **对于VCM中的抵消和嵌入情境**，如果无法使用EO数据，方法的选择将取决于生物质数据和详细活动数据的可用性。如果有生物质数据（例如，实地测量或农民申报的产量数据），则可能更倾向于使用土壤中心化方法，因为其实施更为简便。如果没有实地生物质数据但有详细活动数据，那么可以使用能够表示植被生长的“现成”生态系统模型的生态系统建模方法。

### 未来的关键改进
我们对不同SOC储量变化监测方法的分析强调了在多个应用和评估领域进行改进的必要性。这些改进是确保这些方法在MRV情境和操作条件下的科学可靠性和成功实施所必需的。

### 改进监测方法
改进措施根据其主要目标进行分类：提高方法的准确性和可靠性，并促进其在各种MRV框架下的操作化实施。值得注意的是，许多改进措施同时服务于多个目标。

#### 提高准确性和可靠性
专注于可扩展且成本效益高的土壤测量创新
传统的土壤采样和实验室分析方法可能成本较高，这可能会阻碍“测量-重新测量”方法的应用[ CITation265 ]或模型的正确初始化[ CITation265 ]。虽然监测方法应在可能的情况下整合现有的土壤数据源，但实验室、现场或远程平台（手持设备、移动设备、无人机、飞机、卫星）提供的替代土壤传感方法可能是成本效益更高的选择[ CITation266 ]。这些方法可以通过提供SOC含量变化的模式来优化采样位置分配策略[ CITation267 ]，或以更低的成本进行更多次测量[ CITation268 ]。尽管任何传感方法的校准仍需要传统的土壤采样/测量，但可以减少样本数量，同时保持整体准确性并增加土壤属性的空间观测次数。近距传感可以在成本和准确性之间找到良好的平衡[ CITation269 ]。

利用可见光、近红外和中红外光谱（Vis-NIR、NIR、MIR）的技术可以估算总SOC含量、SOC组分、土壤质地及其他土壤属性[ CITation62,Citation270–272 ]。构建区域或全球范围内的土壤光谱校准库及相关估算方法的倡议[ CITation272–274 ]（如Soils4Africa项目[ CITation272 ]）、创建大型校准数据集（USDA-KSSL[ CITation275 ]、LUCAS4[ CITation275 ]），以及用于土壤属性光谱估算的创新算法（CIFOR-ICRAF[ CITation275 ]、Eurofins[ CITation276 ]）为更经济的土壤属性测量提供了有前景的解决方案。

目前，使用地表光谱仪（Vis-NIR或MIR）进行的现场测量通常不足以精确检测SOC变化或在小空间或时间尺度上绘制差异图[ CITation276 ]，尽管2021年的澳大利亚土壤C方法[ CITation21,Citation77 ]允许使用这些技术估算SOC浓度。这可能是目前唯一支持该技术的方法。澳大利亚许多从事MRV项目的公司严重依赖IR光谱学。

对于大规模监测计划，MIR和Vis-NIR估算都被认为是测量SOC浓度的合适方法，例如在美国的快速碳排放评估项目[ CITation277 ]、澳大利亚碳农业倡议[ CITation77,Citation278 ]以及当前的欧盟LUCAS表层土壤采样轮次[ CITation279,Citation280 ]中。

近场伽马射线光谱技术（被动或主动）最近成为操作化测量土壤属性的有前景的技术。被动伽马射线光谱能够定量分析土壤质地模式、大面积土壤有机质差异以及随时间变化的土壤湿度差异。如果经过校准，被动伽马射线光谱是土壤质地分数的良好定量预测工具。由于伽马射线会被物质衰减，95%的信号通常来自0–30厘米的表层土壤[ CITation281,Citation282 ]。

另一方面，主动伽马射线光谱可用于土壤容重测量、土壤质地、容重和盐度测量[ CITation283 ]，在某些情况下，还可用穿透阻力作为密度差异或根系生长潜力的替代指标。主动伽马射线光谱主要应用于从土壤中提取的样品[ CITation284 ]或插入土壤中的探针（约1米深度）[ CITation285 ]，以测量土壤的容重（单位：克/立方厘米），包括测量时的含水量。这种测量既快速又在现场进行，可以沿土壤剖面以5厘米的间隔进行，其准确性与传统方法（如Kopecky环法）相比略低。为了获得干容重，需要校正土壤含水量，这可以通过土壤湿度传感器或VNIR测量来完成[ CITation285 ]。

### 决策支持工具和文献综述
目前正在开发用于近距传感（包括光谱学和伽马射线技术）的决策支持工具和文献综述，以帮助选择适合不同用途的技术[ CITation286–288 ]。

### 系统性不确定性评估
当前MRV方法的主要局限性之一是缺乏标准化的不确定性量化程序[ CITation289 ]。最初针对作物和生态系统建模提出的这些建议应扩展到整个MRV情境中的SOC监测过程。这意味着需要努力标准化不确定性量化并将其系统地纳入监测过程，确保最终用户能够根据IPCC建议评估监测方法的可靠性和适用性。它还强调应考虑整体的不确定性传播，包括与基线设计相关的不确定性，以正确评估与土壤有机碳（SOC）储量变化估计相关的不确定性。在重复测量的情况下，不确定性评估的整体方法应考虑样本采集、样本制备、实验室或现场分析，以及用于产生空间代表性量化结果的辅助数据和算法的不确定性。在建模方法的情况下，应考虑整个建模工作流程，从输入数据（包括活动数据、土壤数据和强迫数据）到模型不确定性。如前所述，数据同化的概率方法为不确定性量化提供了一个稳健的框架，因为它可以估计变量和参数的概率分布。使用集合建模也是考虑模型结构中不确定性的一个选项。多模型集合方法可以是减少结构不确定性的有效策略。Palosuo等人[Citation244]对广泛使用的八种模型进行的比较表明，在数据有限的条件下，单个模型在没有校准的情况下难以准确预测产量，但多模型的平均预测与观测结果吻合得很好。这一点也通过碳通量的集合模拟[Citation290]和SOC的集合模拟[Citation129,Citation212,Citation291,Citation292]得到了验证。

对于第三级（Tier 3）建模方法来说，提高生物量估计的准确性和可靠性至关重要，因为它在确定土壤碳输入方面起着关键作用。使用AMG土壤模型[Citation102]进行的敏感性分析发现，覆盖作物生物量的不确定性是估计两种管理情景下SOC储量差异的主要误差来源之一。准确评估生物量生产需要考虑光合作用能力的空间和时间变异性[Citation222]，因为忽略这一点可能导致显著误差，据Luo等人[Citation293]称，这种误差可能高达21%。此外，还需要考虑压力因素（如水分或养分）对植被动态的影响、病虫害对生物量生产的影响、极端气候事件（如龙卷风、洪水）以及自然再生和杂草[Citation168,Citation174,Citation175]对土壤碳输入的影响。高分辨率的地球观测（EO）数据，特别是来自Sentinel-2（10-20米分辨率）和Landsat-8等星座的数据，可以有效地考虑这些因素，并以低成本捕捉田间生物量的空间变异性。例如，Wijmer等人[Citation172]显示，使用高分辨率的GLAI数据而不是平均场水平的GLAI数据可以将偏差降低5%，并将冬季小麦生物量估计中的不确定性低估程度减少37%。当现有模型不适用于某些条件（如作物类型或土壤气候条件）时，基于实地生物量数据集训练和测试的EO数据驱动方法可以是一个成本效益高的选择，因为其校准仅依赖于实地生物量[Citation123,Citation124]。然而，在将这些方法转移到训练数据集未覆盖的区域和条件下时，应谨慎考虑。

如EO部分（第2.3.2节）所述，每种遥感技术都有机会更好地为测量、报告和验证（MRV）方案提供信息，但同时也存在自身的局限性。融合多传感器数据以增强生物地球物理变量的反演，以及作物建模中多变量同化的新兴解决方案，为最大化EO信息并减少缺点提供了巨大机会。例如，为了解决基于EO方法的第三级建模对无云光学图像的限制，可以采用多种光谱域和技术，例如将光学多光谱卫星数据（Sentinel-2）与SAR数据（Sentinel-1）结合使用。后者对云层覆盖稍微敏感（尽管会受到极端降雨事件的影响），这意味着它可以用来填补植被指数时间序列中的空白[Citation294,Citation295]或为多变量同化生产代理生物量[Citation296–298]。这可以提高基于光学EO数据的第三级建模方法在多云地区的适用性。

关于EO数据的可靠性，结合遥感反演（RTM）的物理稳健性和机器学习技术的数据驱动能力的混合方法的发展，在提高参数反演精度和减少生物地球物理产品（如GLAI）的不确定性方面显示出巨大潜力[Citation299]。

为了便于利益相关者的参与，简化生物量储量的量化方法是一个重要方面。虽然农民实施这些做法是最重要的元素，但SOC监测在时间和资金方面的投入也是一个特别值得关注的问题，这成为实施碳补偿（CF）项目的障碍[Citation300]。因此，需要考虑监测方法是否易于并且快速地由执行MRV的人实施。这里的实施应包括整个过程，包括通过培训和文档理解方法、安装或配置它，以及操作上运行它。需要注意的是，如果提供了设计良好的用户体验（UX）和相关工具（例如图形界面），即使是一种工程上复杂但准确的方法，如深度学习模型或带有同化的生态系统模型，也可能变得易于实施[Citation301]。在实施方法时，流程的自动化程度也是定义其易用性和实用性的一个好标准（例如通过API进行自动化数据收集）。

活动数据的收集是一个关键因素，它决定了基于第三级方法的监测方法的实施难易程度：需要“手动”收集的活动数据越多（例如通过农民调查），成本和时间消耗就越大。即使努力减少对详细活动数据的依赖，例如使用带有EO同化的简化建模，仍然需要一组最小的关键管理信息。因此，基于第三级的监测方法应利用区域当局已经收集的现有数据源、CAP报告或农民收集的数据（如土壤数据）。此外，整合新的可自动获取的数据流（如FMIS）提供了一种有前景的方式，如果在质量和一致性得到检查的情况下，可以减少人工工作。更一般地说，降低数据获取成本（例如土壤数据、活动数据），包括相关的时间和物流成本，对于监测的经济可行性至关重要，尤其是在大规模应用中。在这方面，开源EO数据（例如Sentinel-1和Sentinel-2）为降低管理数据获取成本提供了强大的解决方案，因为如前所述，可以检索关键的农业实践信息（例如土地利用、覆盖作物[Citation148,Citation149]、耕作[Citation153]、残留物比例[Citation157]等），同时在大范围内提供高时间和空间分辨率。尽管这些数据目前主要应用于植被监测，但最近的研究强调了它们在未来的应用前景，包括有机改良剂的检测[Citation158,Citation159]或地表SOC含量的估计[Citation141]，如前一节所讨论的。

该方法的技术可扩展性也是决定性标准之一，它与MRV背景下（如CAP、NDCs（当依赖第三级方法时）或一些大型CF项目）的筹资方案和政策框架的可扩展性并行。技术可扩展性指的是能够在高分辨率下覆盖大区域的同时保持可管理的计算需求和不确定性传播[Citation29,Citation172]。数据同化方案的优化、模型的参数化以及输入需求的最小化是实现这一平衡的关键。未来的建模工作应仔细考虑数学公式的尺度依赖性，特别是当它们应用于广泛的尺度范围时[Citation302]，并解决与现场观测的持续验证问题[Citation191]。随着数据驱动方法的发展，如机器学习与基于过程的建模或替代模型的结合，预计也将发挥越来越大的作用。虽然这些方法引发了关于透明度和可解释性的重要问题，但它们在气候科学界已经发展迅速[Citation303]。

最后，开发可以在不同MRV背景下应用的监测工具对于确保不同背景下进行的SOC储量变化评估之间的一致性至关重要，这可能有助于建立一个一致且独特的田间级碳登记系统（如欧盟CRCF所预见的）。这样的协调监测工具将增强监测方法的认可度和可信度，并通过减少为每个政策或项目开发和管理单独系统的需要来增加农民的参与度。这样做将允许创建一种混合方案，其中农民可以根据增加SOC储量的行动获得部分支付，也可以根据结果获得支付[Citation304]。在这种混合方案中，农民和政策机构共同承担无法交付的风险（即土壤中没有碳储存），这可能更有效，正如Raina等人[Citation300]所建议的。

在运行环境（operational context）中评估模型是一个关键优先事项。大多数用于SOC监测的模型（土壤、作物或生态系统模型）都是基于长期实验（例如Rothamsted试验；[Citation95]）开发的、校准和验证的，有时还包括SOC监测网络（例如欧洲的LUCAS；见[Citation67]）或通量塔网络（例如Fluxnet；[Citation110]）。然而，当前的评估显示，在代表农场条件、全面评估碳循环组成部分和确保大规模应用的稳健性能方面存在重大局限性。到目前为止，很少有模型评估纳入了对碳循环组成部分（生物量、CO?通量等；例如[Citation168]）的全面评估，以及由此产生的SOC储量变化，而在运行监测条件下的评估更少[Citation172,Citation243,Citation249]。结合农场土壤和植被采样的区域观测站、带有涡度协方差通量塔的通量测量以及关于农场管理的调查（如Regional Space Observatory7和Field Observatory Network8）非常有价值。然而，这些数据集在反映农场实践、土壤类型和气候条件的多样性方面代表性有限。此外，高度仪器化的站点的输入数据准确性必然优于运行环境中的数据。因此，根据模型的敏感性，实验环境下表现最好的模型可能并不适合运行环境。

除了少数配备通量塔的田地（例如欧洲的ICOS网络）外，目前还没有区域或全球观测基础设施能够同时收集监测SOC储量变化的数据以及生物量和管理数据，从而让我们能够解释SOC储量的变化。甚至像LUCAS[Citation67]这样的土壤监测网络也缺乏关于农场管理和土壤生物量输入的关键信息，无法完全解释观察到的SOC趋势。因此，它们用于开发、训练或评估模型的能力有限，或者需要做出强有力的假设。这就需要部署一个国际网络来监测SOC、生物量和管理实践，包括在农场，以便能够在MRV的运行环境中评估基于建模的监测方法。理想情况下，该网络将整合现有的通量和土壤监测网络（如LUCAS）或EO监测网络（如JECAM9 [Citation306]）。

除了需要更具代表性的观测数据外，还有迫切需要评估和比较不同建模方法的性能（例如使用相同的数据集），特别是为了测试和完善决策树背后的假设。例如，在数据稀缺的环境中，尚不清楚依赖需要较少输入的简单模型是否比应用更复杂的模型（使用默认值或简化输入来补偿缺失数据）更为准确和稳健[Citation307]。因此，从已经实施的土壤碳储量（MSV）项目和MSV工具中收集的数据以及反馈信息，对于改进监测方法及其从操作角度的评估来说，具有极高的价值。此外，多模型集成评估对于评估这些方法在不同环境和数据条件下的表现至关重要，尤其是在没有合适的单一模型可用的情况下，这样的集成方法可以作为一种解决方案。这种比较分析对于指导模型选择和提高对多样化的操作环境下的土壤碳储量变化估计的信心非常重要。

结论：本研究与当前的努力一致，旨在确定适当的方法来监测欧洲碳去除和碳农业法规框架下的耕地土壤碳储量变化，同时也考虑了国家层面的倡议（如低碳标签）。准确监测耕地土壤碳储量变化是一项面临诸多挑战的任务。市场上对成本效益高、大规模且持续性的土壤碳储量监测方法的需求正在增长，这需要超越传统的测量-再测量和建模技术。我们的研究表明，遥感技术，特别是在植被监测方面，已经提供了成熟的工具，可以帮助量化土壤中生物量的恢复情况，从而用于建模。此外，新兴的遥感方法在更详细地绘制土壤性质变化图谱以及验证推荐的碳农业实践的采纳和持久性方面展现出巨大潜力，从而支持开发出经济高效且可扩展的土壤碳储量监测策略。

本文探讨了可用于监测耕地土壤碳储量变化的不同方法，并分析了这些方法的优点和局限性。通过根据应用情境评估这些方法，我们利用决策树提供了选择最适宜方法的建议。我们确定了关键标准，以确保监测方法符合当前需求并适应未来发展。将决策树应用于实际的操作平台仍是一项重大挑战。本研究证实，目前还没有一种适用于所有情况的通用方法来监测和验证耕地土壤碳储量变化，同时建议在可能的情况下使用结合地球观测数据的测量-再测量和简约的第三级建模方法。然而，它也指出了测量-再测量方法在短期项目（<5年）中的不足之处，因为这种方法依赖于田间或农场层面的监测，而这排除了大部分VCM（Carbon Capture and Storage）和AEP（Achieved Emissions Reductions）倡议中的内设项目。

基于本研究以及Batjes等人[引用11]的工作，下一步的重要步骤将是评估其他生态系统（如草地和森林）的土壤碳储量监测方法，目标是开发出一个适用于多种生态系统的模块化决策树。

致谢：本研究是在欧盟OrCaSa项目（https://irc-orcasa.eu）的框架下完成的。我们感谢两个国际利益相关者研讨会的参与者们所提供的宝贵贡献。

补充材料：本文的补充材料可下载（MS Word格式，921.3 KB）。

数据可用性声明：作者确认，支持本研究结果的数据可以在文章及其补充材料中找到。更多补充数据可访问：https://doi.org/10.1080/17583004.2026.2638317。