土壤有机碳监测、报告与核查（MRV）的数字土壤制图方法

《npj Sustainable Agriculture》：A digital soil mapping approach to soil carbon monitoring, reporting and verification (MRV)

　　

土壤能够固存碳并有助于减缓气候变化，但可信的土壤碳抵消市场需要稳健的监测、报告和核查（Monitoring, Reporting, and Verification, MRV）方案。当前方法依赖于结合土壤采样的模型或重复概率采样。研究人员提出了一种数字土壤制图（Digital Soil Mapping, DSM）框架来估算土壤有机碳（Soil Organic Carbon, SOC）储量变化及其不确定性。利用来自美国两个州七个田块的假设项目的物理样本，研究人员校准、预测、验证并空间聚合SOC估算值。研究人员评估了校准样本量对田块和项目水平均值与方差的影响，并将该框架扩展至变化量量化。平均SOC储量的估算不确定性<1 Mg ha^?1，采用超越概率法时，一个为期5年、430英亩的项目可获得12%的不确定性扣减。假设固碳速率为储量规模的0.6%，模拟表明大多数>5年的项目扣减<10%，而大型（>50,000英亩）、长期项目的扣减<5%。该DSM方法为现有方法提供了一种经济有效且可扩展的替代方案。

研究背景与问题

土壤是最大的有机碳库之一，全球约2500 Pg碳储存在地表1米以内，其中1500 Pg为有机碳。大量研究表明，土壤在管理和气候变化影响下可能成为大量CO₂排放源，同时也能够通过自然基础解决方案捕获大气CO₂。Sanderman等人估计，12000年人类农业土地利用已导致133 Pg碳损失。然而，通过改进土地管理实践（如覆盖作物、保护性耕作、有机肥施用或轮牧），土壤仍具有巨大的碳封存潜力。在此背景下，土壤碳封存作为气候变化减缓手段的潜力日益受到认可。"千分之四倡议"于2015年巴黎气候变化大会（COP 21）启动，提议每年增加全球土壤有机碳储量0.4%以补偿人为温室气体排放。欧盟委员会近期也提出了碳移除认证法规，激励碳农业并规范欧洲碳移除认证。这些举措呼应了全球多个自愿性土壤碳抵消市场的实施，农民可通过采用促进土壤碳封存的农场实践获得自愿碳信用额。

参与自愿碳市场的先决条件是具备监测土地管理实践转变导致的土壤有机碳（SOC）变化的工具和技术，这些努力通常置于监测、报告和核查（MRV）方案框架内。MRV指南旨在量化并验证土壤碳储量变化，同时考虑经济因素、支付系统和市场类型与项目规模的关系。当前，许多MRV框架和已批准的方法论要求通过基线采样测量SOC储量，并在严格验证后对净移除活动进行信用认定。

现有监测SOC储量变化的方法主要依赖土壤生物地球化学模型模拟结合适应性基线和土壤采样。尽管这些方法已被自愿碳市场采用（133个项目中的100个使用其中一种方法论），但生物地球化学模型在土壤碳信用认定方面存在显著问题：这些模型通常进行预测，即未来SOC变化是基于模型正确表征相关过程的假设下的投影；此外，还存在模型本身的局限性（如边界条件、空间表征、巨大不确定性）以及大项目土壤采样的高成本和劳动密集性。因此，迄今很少有可持续农业项目发放信用额，土壤碳项目仅占自愿碳市场研究项目的很小比例。

概率采样是直接测量SOC储量变化的另一种选择，通过设计推断可估计总体参数。然而，农业土壤碳项目是动态的（即项目生命周期中会新增田块），且达到可接受不确定性水平所需的采样工作量可能很大。当生物地球化学模型或基于设计的方法不实用时，可采用基于模型的算法解决方案（如机器学习）或（地理）统计模型。数字土壤制图领域已发展出多种成熟技术，可用于估算多空间尺度的SOC储量。在DSM中，通过拟合采样测量与环境协变量之间的经验模型预测目标属性，并能够稳健估计预测SOC储量的不确定性，验证预测及其不确定性。

研究目的与方法

本研究展示了使用ATLAS-SOC的端到端DSM框架，用于土壤碳MRV。ATLAS-SOC是用于量化美国大陆非树行作物表层30 cm土壤有机碳含量的DSM框架。该方法可扩展至多种协变量和统计模型，应用于估算SOC储量或其时间变化。研究人员展示了假设项目基线采样后 symptomatic 的模型校准、预测、验证以及预测和不确定性的空间聚合，检验了不同项目样本量对不确定性和验证指标的影响，并讨论了该框架在量化SOC储量变化及其不确定性方面的可能扩展。该端到端DSM方法在现有VCS方法论和其他需要多空间尺度（田块、项目、区域等）SOC储量空间显式估算及不确定性的倡议框架内开发，并测试了VM0042对不确定性扣减的要求。

本研究所用的公开数据集来自Potash等人，包含美国中西部两个州七个田块的1,019个地理参考SOC和容重测量值。土壤样本采用三种采样设计（网格、子地块内网格和基于模型的设计），平均采样密度为每公顷7个样本。样本从5至30 cm不同深度获取完整岩芯，容重通过土壤干重除以其体积获得，总碳浓度通过去除无机碳后的干燃烧法测定（pH>7.2的土壤）。所有样本通过简单加权平均深度对齐至0–30 cm统一深度区间。研究人员收集了79个环境变量作为模型协变量，涵盖土壤、气候、生物或地形因素，所有协变量重采样至10 m×10 m空间分辨率，投影至WGS84 UTM zone 16N坐标系。

端到端DSM方法包括三个主要步骤：（1）模型校准——将空间显式协变量与SOC储量点位估计叠加，拟合模型并通过交叉验证获取预测误差；（2）预测评估——通过三项测试（R²>0、平均误差与0无显著差异、90%预测区间覆盖率≥90%）；（3）空间聚合——对均值和方差进行空间聚合，可在每个时间步重复以估算变化方差和不确定性扣减。

模型采用分位数回归森林（Quantile Regression Forests, QRF），基于决策树集成，结合bootstrap聚合和随机扰动，通过条件累积概率分布估计不确定性。QRF模型优化了三个超参数：Mtry=7，ntree=750，最小节点大小=7。空间聚合采用Wadoux和Heuvelink的方法，通过拟合标准化预测误差的变异函数获取相关函数，再利用蒙特卡洛积分求解双积分得到空间平均方差。

样本量效应实验采用分层抽样程序从现有数据中进行二次抽样，每田块通过k-means聚类获得3个紧凑地理分层，测试每分层1至10个样本（即每田块3至30个样本），重复100次以获得平均估计。不确定性扣减计算采用超越概率法，以33.3分位数作为可信用碳信用额，测试了3年、5年和10年监测期，以及0.6%（中等水平）、0.1%–0.4%的固碳速率情景，并通过bootstrap将七个田块扩展至100,000英亩以模拟更大规模项目。

研究结果

端到端DSM方法：QRF模型交叉验证预测的平均误差（ME）为0.01 Mg ha^?1，均方根误差（RMSE）为10.56 Mg ha^?1，决定系数（R²）为0.61，预测区间覆盖率（PICP）为91%，成功通过全部三项评估标准（R²>0，偏差与0无显著差异，PICP≥90%）。预测值范围为19–76 Mg ha^?1，不同田块在空间变异幅度和空间格局上差异显著。项目水平平均SOC储量不确定性<1 Mg ha^?1。

变异函数与空间聚合：七个田块的标准化预测误差变异函数显示，Macon和Villa-Grove在短距离具有强空间相关性（变程分别为88 m和43 m，块金值接近0）；Brighton、Hammond和Arcola呈中等空间相关性（变程分别为108 m、77 m和68 m）；Pesotum和Tolono空间相关性弱。项目水平平均SOC储量为23.41（Brighton）至64.13 Mg ha^?1（Tolono），标准差0.56–1.69 Mg ha^?1。

样本量效应：样本量从每分层1个增至30个时，项目水平平均SOC储量保持稳定（约60 Mg ha^?1），但Arcola略增、Brighton略降。项目水平标准差随样本量增加从2.5降至1 Mg ha^?1（全部样本时为0.51 Mg ha^?1），Pesotum、Tolono和Villa Grove呈现类似趋势，其余田块受样本量影响较小。

不确定性扣减：430英亩项目3年、5年和10年的SOC储量变化估算值分别为4.01、6.73和13.67 t CO₂，33分位数信用值对应的不确定性扣减分别为20.39%、11.51%和5.47%。模拟显示，项目规模增至50,000英亩以上或监测期超过5年时，不确定性扣减通常<5%；100,000英亩3年项目扣减约5%。误差相关性较大时，给定规模和持续时间的扣减更小。

讨论与结论

研究人员开发的端到端DSM框架使用ATLAS-SOC实现了田块和项目水平SOC储量的现实估算。点水平标准差为2.60–21.41 Mg ha^?1，但项目水平空间聚合均值的标准差仅0.51 Mg ha^?1，平均效应显著降低不确定性。与瑞士森林研究中报告的1.5–2.4 Mg ha^?1标准误差相比，本研究农业田块的估算较为精确。

样本量对项目水平平均SOC储量影响甚微，但标准差随样本量增加略有降低，表明存在采样密度与可接受不确定性水平之间的平衡。不确定性扣减对大型项目（>50,000英亩）和较长监测间隔（>5年）相对适度，这源于大面积空间平均降低总体不确定性，但该效应在当前文献和MRV方法中未得到充分重视。

变异函数拟合对结果敏感，尤其需要关注短距离相关性和块金参数估计。当采样点不足以拟合变异函数时，可采用平均变异函数或专家知识。该框架具有可扩展性，适用于项目集合、土地区域甚至国家尺度，对新兴国家和区域土壤碳监测系统尤为重要。

本研究呈现了DSM方法在SOC储量MRV中的应用，证明其生成具有可量化不确定性的空间显式SOC估算的能力。项目水平不确定性<1 Mg ha^?1（如60.48±0.51 Mg ha^?1），增加训练样本量仅略微降低不确定性但对均值估算影响甚微。空间聚合对变异函数拟合敏感，需谨慎参数估计。5年430英亩项目不确定性扣减12%，10年降至约5%，>50,000英亩或>5年项目通常<5%。这些发现突显了框架的可扩展性，空间平均降低不确定性并提高SOC储量变化的可检测性。该方法可广泛应用于具备相关协变量和采样的区域，高分辨率遥感数据的日益丰富进一步增强了其在多种区域的适用潜力。