秸秆转化为土壤有机碳：利用同位素示踪和机器学习进行全球定量综合研究

《Soil and Tillage Research》：Straw conversion to soil organic carbon: A global quantitative synthesis using isotopic tracers and machine learning

　　

•将13C示踪剂与机器学习相结合，量化了全球秸秆来源碳。•秸秆转化效率从第一年的17%下降到5年后的10%。•秸秆投入量、粒径和土壤容重驱动秸秆来源碳的保留。•全球秸秆还田的年最大生物物理潜力为1.7 Pg C。1. 引言土壤有机碳（SOC）是地球上最大的陆地基质碳（C）库。SOC的形成过程从大气中吸收CO2，并提高生态系统的生产力和稳定性（Angst等，2021；Lal，2004）。农田土壤总共可固存13–58 Pg C，约占陆地碳固存总量（330 Pg C）的近4%-18%（Lal等，2018）。耕地中SOC的动态变化对管理相关扰动较为敏感（Lal，2004；Mandal等，2022）。集约化耕作 practices 增加了土壤退化和SOC损失（Dang，2023；Kopittke等，2024；Kuzyakov和Zamanian，2019；Ladha等，2020；Pretty，2018）。最佳管理 practices 和基于自然的解决方案旨在全球范围内恢复SOC储量及农业生产力（UNFCCC，2015）。向土壤中输入有机质（秸秆、粪便、生物炭）是弥补SOC损失和支持生物质废弃物再利用的重要且有效的方法（Lal，2004；Omokaro等，2025）。作物秸秆还田（StrawR）是一种具有气候韧性的农业实践，能够储存土壤碳、维持土壤肥力并提高作物产量（Lin等，2024；Ma等，2023；Zhao等，2018）。秸秆碳向SOC的转化主要由微生物碳利用效率（CUE）驱动，而CUE受土壤系统内部化学计量约束的调节（Cotrufo等，2015；Liang等，2017）。由于碳底物转化为SOC的复杂性，秸秆对SOC积累的具体贡献仍不明确（Lehmann和Kleber，2015）。这一知识空白主要源于未能清晰区分秸秆碳的"表观残留"与"稳定转化"。这些相互关联的过程维度限制了人们对SOC调控的理解，从而削弱了秸秆还田策略的气候减缓作用。SOC经历着不断的转化-损失循环（Lehmann和Kleber，2015）。在秸秆还田条件下，SOC库的潜在轨迹可能因微生物残体转化为土壤"新碳"而上移（Cotrufo等，2015），也可能因原生效应引起的原生"老碳"分解和损失而下移（Blagodatskaya和Kuzyakov，2008）。为明确秸秆转化效率（SCE）的解释，我们提出了一个概念性碳流框架，将秸秆碳输入划分为（i）秸秆来源SOC的积累、（ii）分解过程中的CO2呼吸损失，同时将（iii）微生物驱动的原生效应对原生SOC的影响视为并行的间接过程。SCE代表在特定时间段内，考虑到这些损失途径后保留在SOC中的秸秆碳比例。秸秆碳残留量和SCE的变化受秸秆还田量、碳饱和容量以及土壤/气候/管理条件等因素影响（Lal，2016；Yin等，2024；Zhao等，2026）。这些因素也增加了秸秆转化定量化的难度和复杂性。秸秆中的可溶性成分（糖类、有机酸）作为微生物群落的即时代谢触发因素，介导了底物分配和功能群激活（Kuzyakov，2010；Liu等，2014）。相反，溶解性有机质也可源于通过专门分解者分泌的胞外酶级联反应对秸秆碳底物的逐步分解代谢（Lehmann和Kleber，2015）。随后，微生物群落可能从r-策略微生物（适应易分解底物的开发利用）向K-策略微生物（专用于难分解底物）转变（Kuzyakov，2010）。SOC分解因增温而加速，从而引发对全球气候变化的强正反馈循环（Davidson和Janssens，2006）。管理措施，如保护性耕作，可能通过强化土壤团聚作用驱动秸秆来源SOC稳定化并入SOC，从而为干旱耕地的土壤碳固存和稳定性做出贡献（Six等，2000）。因此，对SCE进行可靠的定量估计需要解决秸秆分解和SOC保存的管理控制问题。以往对碳固存潜力和SCE的估计已在样地、区域或全球尺度上通过样地实验、长期试验站、空间数据库和碳周转模型进行（图S1）（Lal，1997；Ogle等，2010；Smith，2004；van Wesemael等，2010；Wang等，2015）。荟萃分析显示，与无秸秆对照相比，秸秆还田在国家及全球尺度上对SOC增加的贡献为10%-15%（Berhane等，2020；Liu等，2014；Xia等，2018）。尽管以往的荟萃分析量化了秸秆还田对SOC的影响并评估了其碳固存潜力，但它们主要关注总SOC变化，未明确区分秸秆来源SOC与原生SOC。在一项早期的数据驱动建模研究中，Lal（1997）估计秸秆碳转化为SOC的全球平均SCE为15%，相当于每年增加0.2 Pg C。尽管已有这些基础性认识，但仍有三个关键知识空白亟待填补。第一，传统方法经常因无法区分秸秆来源SOC与原生SOC而受到限制，导致定量化不确定性。这一方法论局限性可能掩盖秸秆碳转化的真实效率，并导致碳固存潜力估计偏差。第二，很少有研究将同位素证据与预测建模相结合，以在全球尺度上扩展SCE模式。秸秆还田所评估的碳固存潜力的变异性源于固有的方法论和尺度局限性（Witzgall等，2021）。模型和空间数据库经常受关键生态过程简化表征的制约。第三，技术进步使得秸秆量和碳固存增加，需要当代重新评估。为应对这些局限性，本研究将全球13C同位素示踪数据与先进的机器学习算法相结合。该方法使我们能够明确区分秸秆来源碳与原生SOC，并提供更加细致、高分辨率的全球SCE重新评估，超越先前评估（Reichstein等，2019）。尽管对秸秆还田作为SOC固存策略的兴趣日益增加，但仍存在三个关键知识空白：（1）难以区分秸秆来源SOC与原生SOC；（2）缺乏基于同位素的全球SCE估计；（3）对SCE的时间动态和驱动因素理解不足。解决这些空白对于改善机制理解并实现全球尺度的秸秆碳固存稳健评估至关重要。因此，本研究利用49个13C同位素秸秆还田实验的综合数据量化SCE，并探索机器学习建模的空间变异。我们假设SCE在秸秆还田实践初期较高，因为新添加秸秆中的碳可快速融入秸秆来源SOC。主要目标为：(a) 量化秸秆来源SOC和秸秆碳残留比及其影响因素；(b) 基于长期连续秸秆还田进行外推，阐明SCE的全球变异性。最后，探讨了秸秆还田对碳固存的贡献。2. 材料与方法2.1. 数据收集文献检索在Web of Science核心合集中进行。采用布尔检索策略，结合以下关键词："crop OR farmland OR padd* OR agricultur* OR upland"与"straw carbon OR residue carbon OR soil carbon"与"isotope* OR label*"。检索范围限于2025年5月前发表的英文同行评审文章。未对地理区域设限。数据集按以下标准进行汇编：(i) 土壤样品中可获得13C-SOC测量值；(ii) 在秸秆还田前可获得13C秸秆和13C-SOC的天然丰度初始数据；(iii) 可获得秸秆还田量、种植作物和实验持续时间信息；(iv) 有实验站地理位置的详细信息。持续时间指秸秆还田与土壤采样之间的时间。基于连续农田生产，秸秆还田量对应于整个秸秆还田期间多次施加的秸秆总量。对于未报告秸秆还田量的实验，使用相应论文中提供的秸秆-土壤重量比。对于报告多年份或分次秸秆掺入处理的研究，通过将施加的秸秆碳总量除以相应实验持续时间来计算年等效秸秆投入量。这种标准化使得不同实验周期和施用频率的研究之间可以进行一致的比较。文献检索识别出607篇出版物。按上述标准筛选后，有49篇论文被用于数据提取以汇编数据库。这些研究包括658个观测值，报告了秸秆添加后13C-SOC各组分的变化，其余数据也报告了SOC组分的变化（附录S1）。汇编的实验站空间分布按大洲进行了定量总结，以评估潜在的采样偏差。在选定的49个田间研究中，站点分布不均，大部分位于东亚、北美和西欧，而非洲、南美和大洋洲的观测值相对较少。这种不均衡的地理分布在数据集构建过程中被明确记录，并在后续全球尺度外推的解释中予以考虑。各实验站的土壤类型和作物信息均已汇编。使用GetData图形数字化软件（https://sourceforge.net/projects/getdata）从图表中获取数值。图S2显示了实验站位置。对于每篇出版物，获取了采样坐标、土壤质地、年均温度（MAT）、年均降水量（MAP）、初始土壤pH、初始土壤有机碳（SOC）和全氮（TN）含量、土壤容重（BD）、阳离子交换量（CEC）、秸秆粒径和同位素方法的额外统计信息。还收集了秸秆质量数据，包括作物、δ13C-秸秆（‰）、秸秆C、秸秆氮（N）和秸秆C/N比。为确保数据质量和可比性，所有提取的观测值均经过标准化筛选程序。在异常实验条件下报告的极端或不合理值（例如不现实的SOC变化或不一致的同位素质量平衡）使用基于四分位距（IQR）的检测方法识别，并与原始出版物进行交叉核对。缺乏足够方法学细节或与同位素碳不一致的观测值被排除在最终数据集之外。缺失的气候和土壤变量分别从世界气候数据库（http://www.worldclimate.com）和SoilGrids250m 2.0（https://soilgrids.org）获取（Lin等，2024），依据各实验站的地理坐标。对于缺失的秸秆C和N含量数据，根据汇编数据集中可获得的观测值计算作物特异性平均值。我们认识到区域平均值可能因区域内秸秆化学成分的变异性而引入不确定性。为提高一致性，赋值与先前研究报告的范围进行了交叉核对（Lal，2004；Yin等，2024）。同位素方法包括δ13C天然丰度法和13C同位素标记法。13C标记示踪法和天然丰度δ13C方法均基于秸秆来源与原生SOC之间的同位素差异来估计碳来源贡献。13C标记法通常由于受控的示踪剂输入而具有较高的准确性，而天然丰度方法通常信号强度较低。2.2. 利用同位素数据计算秸秆来源SOC和秸秆碳残留比在数据库构建后，计算了秸秆来源的SOC。秸秆来源SOC的比例（f, %）和含量（SOCstraw, g kg?1）由公式1和公式2估计（De Troyer等，2011）。公式1：f(%) = (δ13Csample - δ13Ccontrol) / (δ13Cstraw - δ13Ccontrol) × 100%公式2：SOCstraw = SOCsample × f其中，δ13Csample和δ13Ccontrol分别是经过和未经作物秸秆添加处理的土壤样品中碳库的δ13C值（‰）；δ13Cstraw是施用作物秸秆的δ13C值（‰）；SOCsample是SOC含量。本研究中的秸秆碳残留比定义为相对于初始秸秆碳输入保留在SOC中的秸秆来源碳比例，基于同位素分配的分区计算。该定义侧重于土壤碳储量，未明确考虑分解过程中的气态碳损失（如CO2和CH4排放）或溶解性有机碳（DOC）淋失。因此，残留比代表土壤碳保留指标，而非完整的生态系统碳平衡。秸秆碳残留比（%）对于以秸秆与土壤质量比设计的实验使用公式3估计，对于以秸秆还田量（Mg ha?1）设计的实验使用公式4估计。公式3：StrawCresidualratio(%) = (SOCstraw × Msoil) / (Cstraw × Mstraw) × 100%公式4：StrawRamount = (Mstraw / Msoil) × BD × H × 10,000其中，Mstraw和Msoil分别是土壤质量和相应的秸秆添加量。SOCstraw和Cstraw分别是秸秆来源SOC含量和秸秆有机碳含量。BD指土壤容重（Mg m?3），H代表0.2 m土壤深度。10,000是面积转换因子（m2转为ha?1）。2.3.

连续年秸秆还田下秸秆源土壤有机碳累积的建模

选择一阶指数衰减模型来描述连续秸秆还田下秸秆源土壤有机碳（SOC）的累积动力学，这是因为该模型在土壤碳分解研究中应用广泛，且能够以有限的参数要求捕捉关键的时间趋势。尽管零级和二级等替代动力学模型也可以应用，但它们通常需要额外的参数，并且在同位素时间序列数据有限的条件下可能会引入过拟合。之前研究也支持选择一阶模型，证明其在描述残体还田条件下 SOC 周转的有效性（Jing et al., 2021, Lian et al., 2015）。因此，构建了一个一阶分解动力学模型来模拟单次秸秆还田的秸秆源 SOC 含量动力学，其中降解速率常数（k）代表秸秆源 SOC 降解和稳定化过程的综合效应（公式 5）。在现实农业系统中，由于底物可用性、微生物群落组成和土壤环境条件的变化，分解速率可能会随时间而异。因此，本研究估计的 k 应被解释为整合了这些动态过程的有效（表观）系统级参数，而不是随时间不变的生物常数。这种单次事件动力学由指数衰减函数表征：
公式 5 $SOC_{straw}(t) = SOC_0 \times e^{-kt}$

随后，基于多年叠加原理，建立了秸秆源 SOC 的累积函数，以量化长期连续秸秆还田下的总秸秆源 SOC 含量（公式 6）。n 次连续秸秆还田事件后的总秸秆源 SOC 含量表示为：
公式 6 $SOC_{total}(t) = \sum_{i=1}^{n} SOC_i(t) = SOC_0 \times \sum_{i=1}^{n} e^{-k(t-(i-1))} \quad \{t \geq (i-1)\}$

其中，$SOC_{total}(t)$ 是 n 次连续秸秆还田事件下时间 t 时的总秸秆源 SOC 含量。$SOC_i(t)$ 是时间 t 时第 i 次秸秆还田事件的秸秆源 SOC 含量。$SOC_0$ 是秸秆还田后秸秆源 SOC 的初始含量。k 和 t 分别是秸秆碳的一阶残差速率常数和自第一次秸秆还田事件以来的经过时间（年）。n 是连续秸秆还田事件的总数。i 和 i-1 代表秸秆还田事件的索引（i = 1, 2, …, n）以及第 i 次秸秆还田事件与初始事件之间的时间间隔。

在本研究中，秸秆转化效率（SCE）定义为在给定时间段内累积稳定在 SOC 中的秸秆源碳占秸秆碳总投入量的比例。基于公式 7，假设连续秸秆还田的长期秸秆碳残留率近似于多年的平均 SCE，表示为：
公式 7 $SCE(%) = (\text{累积秸秆源 SOC} / \text{秸秆碳投入量}) \times 100\%$

该定义反映了时间集成的碳保留效率，而不是瞬时转化率。

2.4. 秸秆还田碳固存潜力的模型估算
获得秸秆源 SOC 含量数据后，使用公式 8 和公式 9 评估了土壤碳固存潜力（秸秆源 SOC 库容）和秸秆还田的平均碳固存潜力。
公式 8 $C_{sequestration potential} = SOC_{straw} \times BD \times H \times 10$
公式 9 $Average C_{sequestration potential} = \sum_{i=1}^{n} C_{sequestration potential} / n$
其中，n 是连续秸秆还田事件的总数。H 代表 0.2 m 土壤深度。选择 0–20 cm 土壤深度计算碳固存潜力，是因为该层是农业系统中秸秆还田、分解和微生物活动的主要区域。

2.5. 秸秆还田空间碳固存潜力的机器学习建模
使用随机森林模型（RFM）评估了驱动秸秆还田下秸秆源 SOC 含量和秸秆碳残留率的各种因素的相对重要性。在 RFM 中，平均均方误差增量（IncMSE）百分比越高，表示给定因素的重要性越高。将碳固存潜力（秸秆源 SOC 库容）和秸秆碳残留率作为因变量输入模型，将气候条件（年平均温度 MAT，年平均降水量 MAP）、土壤性质（土壤质地、pH、容重 BD、SOC、全氮 TN、阳离子交换量 CEC）和秸秆管理因素（秸秆量、持续时间、秸秆尺寸）作为自变量输入。RFM 成为主导的基于树的集成学习算法，并用于预测（图 S3）。由于一些气候和土壤变量可能存在相关性，其相对重要性应解释为 RFM 内的预测重要性。

为了开发区域尺度的稳健预测模型，将包含现有数据的选定数据集随机划分为 80% 的训练集和 20% 的测试集，以验证模型准确性。在训练数据集内进一步实施了 10 折交叉验证程序，以评估模型稳定性（Wang et al., 2025）。使用决定系数（R2）评估模型性能。最终使用完整数据集构建 RFM 模型，并应用于全球尺度预测。模拟了一个场景，即 100% 的秸秆还田均通过常规秸秆粉碎进行。秸秆粒径设置为 10 cm，与常规机械粉碎处理的秸秆典型粒径分布（0–20 cm）一致。对秸秆粒径进行了标准化，因为无法获得全球一致的特定地点秸秆管理实践信息，使得全球尺度外推需要统一假设。采用相同的操作来评估长期平均效应。

在实践中，秸秆利用受到竞争用途（如牲畜饲料和生物质能生产）以及物流和经济限制的限制，这降低了可行的采用率。为提高可解释性，碳固存潜力可以概念上分为：(i) 生物物理潜力（最大秸秆可用性），(ii) 技术潜力（在当前管理技术下可行），(iii) 经济潜力（具有成本效益的采用），(iv) 现实实施潜力（考虑社会经济约束）。本研究对应于生物物理潜力水平。

本研究对秸秆源碳固存的全球估算假设在全球耕地上实现完全秸秆还田（100% 采用率）。该假设代表了一个理论上的生物物理上限情景。表 S1 提供了所有数据的详细信息，包括空间分辨率和来源。为确保每个环境变量数据集的空间对应性，所有数据集均重采样以匹配分辨率。

将 SOC 固存潜力乘以耕地面积来计算全球碳固存。2013 年至 2023 年各大洲的平均耕地面积数据来源于联合国粮农组织（FAO）数据库（https://www.fao.org/faostat）。在全球上标程序中，耕地面积源自 FAO 土地利用统计。由于缺乏全球协调一致的详细耕地管理制度信息，当前分析中未明确区分耕地类型（如有旱地与水田系统）。同样，未明确解决种植强度和多熟制系统（如双季或三季）的差异，耕地面积被视为年均耕地。

为了量化与非均匀空间采样相关的 Uncertainty（不确定性），并评估全球预测的稳健性，进行了基于自举法（bootstrap）的敏感性分析。重采样程序在实验站点级别进行。然后使用 1000 次随机采样通过蒙特卡洛模拟获取每个网格的区间。随后使用采样值运行 RFM 模型，预测网格级土壤秸秆源 SOC 库容和 SCE，运行 100 次自举法来运行 RFM 模型（Wang et al., 2025）。对于每个全球网格单元，平均预测值来自 100 个 RFM 预测输出，而 2.5% 和 97.5% 百分位数用于建立 95% 置信区间。随后使用公式 10 量化不确定性如下：
公式 10 $U_i = (CI_i / x_i) \times 100\%$
其中，$x_i$ 是预测的均值，$CI_i$ 是 $x_i$ 的置信区间，$U_i$ 是不确定性。

2.6. 统计分析
使用 R v.3.6.3 中的"nls"函数（R Core Team, 2020）进行非线性最小二乘拟合，以构建有机质的一阶分解动力学。使用"ggplot2"包进行绘图并基于"geom_smooth"函数进行线性拟合。使用 SPSS 23.0 中的 Kruskal-Wallis 检验比较三组样本。使用"rfPermute"包执行 RFM。使用 QGIS 3.40-LTR 软件生成空间地图。

3. 结果
3.1. 秸秆源 SOC 和秸秆碳残留率
同位素实验表明，秸秆源 SOC 占总 SOC 含量的平均比例为 12%，而秸秆源 SOC 含量的平均值为 1.3 g kg?1。秸秆源 SOC 含量随秸秆还田量的增加而增加。一阶动力学降解模型显示，秸秆源 SOC 含量和秸秆碳残留率随时间先下降后稳定（图 1）。秸秆源 SOC 含量的累积模型表明，总秸秆源 SOC 含量先持续增长后稳定。最大秸秆源 SOC 含量达到 2.1 g kg?1。曲线斜率计算显示，5 年累积增长率小于 0.05，表明基本上已达到最大残留量。秸秆转化为 SOC 的系统达到了稳定状态。通过建立模型进行数据模拟的结果显示，SCE 随时间逐渐降低。在单个站点层面，5 年和 10 年的平均 SCE 分别达到 19%（范围：7.8%-26%）和 11%（范围：4.1%-15%）。

下载：下载高分辨率图像 (511KB)
下载：下载全尺寸图像
图 1. (a) 单次施用和 (b) 多次施用秸秆源 SOC 含量和秸秆碳残留率累积模型的构建。假设连续秸秆还田的长期秸秆碳残留率近似于多年的平均秸秆转化效率。红线段表示拟合线。灰色区域表示 95% 置信区间。箱线图显示中位数（中心线）、平均值（红点）、四分位距（框）以及表示最小值和最大值的须。

3.2. 影响秸秆源 SOC 和秸秆碳残留率的因素
秸秆源 SOC 含量和秸秆碳残留率受气候、土壤性质、秸秆管理实践和秸秆质量的影响。随机森林分析确定了影响秸秆源 SOC 含量的关键因素，其中秸秆还田量、秸秆尺寸和容重解释了大部分变异，其 IncMSE 百分比分别为 42%、20% 和 19%（图 2）。低容重和高 SOC 含量等土壤性质与较高的秸秆源 SOC 含量相关（图 3）。寒冷（MAT < 15 ℃）和湿润（MAP > 600 mm）条件下的农田显示出较高的秸秆源 SOC 含量。此外，秸秆质量也影响秸秆源 SOC 含量，在秸秆尺寸较小（< 0.6 mm）和秸秆碳较高（> 400 g kg?1）的作物残体中观察到较高的秸秆源 SOC 含量。影响秸秆碳残留率的主要因素包括时间、容重和秸秆碳，其 IncMSE 百分比分别为 41%、27% 和 24%。最终，这些确定的环境驱动因素与 SCE 之间的相关性表明，秸秆碳固存的空间变异性高度可预测，为随后的全球尺度评估奠定了基础。

下载：下载高分分辨率图像 (239KB)
下载：下载全尺寸图像
图 2. 秸秆还田下秸秆源 SOC 含量和秸秆碳残留率变化的关键驱动因素。使用随机森林模型确定贡献变量。BD，土壤容重；MAT，年平均温度；MAP，年平均降水量；SOC，土壤有机碳；TN，土壤全氮；CEC，阳离子交换量；秸秆 C/N 比，秸秆碳氮比；13C-秸秆，秸秆同位素丰度。使用平均均方误差（MSE）增量指标评估预测变量的重要性。R2报告了随机森林模型令人满意的预测性能。“*”和“**”分别表示 p < 0.05 和 p < 0.01 水平的统计显著性。

下载：下载高分辨率图像 (376KB)
下载：下载全尺寸图像
图 3. 依赖于各种因素的秸秆源 SOC 含量。顶部一行图表描绘了秸秆源 SOC 含量随容重和秸秆尺寸变化的动态变化。误差棒表示不同因素下的标准误。Kruskal-Wallis 检验的 p 值表明因素对秸秆源 SOC 含量有显著影响。字母表示显著差异（p < 0.05）。黑色虚线连接每组的平均值。BD，土壤容重；MAT，年平均温度；MAP，年平均降水量；SOC，土壤有机碳；秸秆 C，秸秆碳。

3.3. 秸秆还田的全球碳固存潜力和转化效率
如图 1 所示，初始五年期间构成关键累积期，在此期间秸秆源碳迅速接近其系统平衡。为考虑年际波动，选择五年时间窗口来评估碳固存潜力（图 4）。受气候和管理实践空间差异的驱动，秸秆还田在全球碳固存方面呈现出巨大但不均匀分布的潜力。总体而言，估计 5 年后全球年平均碳固存潜力为 1130 kg C ha?1 yr?1。这些数据表明，秸秆转化为 SOC 的潜力在大洋洲最高（1241 kg C ha?1 yr?1），其次是非洲。然而，由于用于模型训练的当地同位素数据稀缺，这些区域估计存在较高的不确定性。

秸秆还田的碳封存量约为1.7 Pg C yr?1，其中亚洲最高，为0.6 Pg yr?1（占全球封存量的37%）。非洲和欧洲紧随其后，其碳封存能力分别比亚洲低87%和99%（图S4）。模型模拟表明，1年秸秆还田后，全球平均秸秆碳残留率为17±3.4%（图S5）。此外，当放大至全球尺度时，预计5年后全球平均SCE将达到10±1.1%。

图4. 5年后全球秸秆还田的平均碳封存潜力（上图）和秸秆碳向土壤有机碳（SOC）的转化效率（SCE）（下图）估计值。SCE指秸秆输入的碳转化为SOC的比例（%）。在两幅地图的颜色渐变图例中，紫色表示SOC封存潜力低且SCE低的区域，黄色表示SOC封存潜力高且SCE高的区域。同位素观测有限的区域，包括大洋洲和非洲的部分地区，可能由于训练数据稀疏而表现出更高的预测不确定性，因此应谨慎解读。地图线条划定研究区域，并不一定代表公认的国家边界。

**3.4 秸秆还田碳封存潜力与转化效率的不确定性分析**

总体而言，碳封存潜力高不确定性的区域集中在北半球的主要耕地，包括欧洲、中国东北、印度北部以及东南亚的部分地区。相比之下，低不确定性的区域主要分布在南半球温带地区，包括美洲、阿根廷和澳大利亚（图S6a）。相反，SCE高不确定性的区域主要分布在热带和亚热带地区，如印度、东南亚、撒哈拉以南非洲和南美洲的亚马逊地区，而低不确定性区域主要集中在温带耕地，包括北美大平原和欧洲（图S6b）。值得注意的是，预测SCE的不确定性范围（1.004%–7.309%）远大于碳封存潜力的不确定性范围（0.033%–0.262%）。

**4. 讨论**

**4.1 秸秆来源SOC及土壤内秸秆碳残留率的时间依赖性**

13C同位素标记实验为定量评估秸秆碳在土壤中的归宿提供了直接证据。秸秆来源SOC含量随秸秆还田量的增加而线性增长，证实碳输入是土壤碳库增加的主要驱动力（Atoloye, 2024; Lin et al., 2024; Luo et al., 2017）。随机森林分析表明，秸秆还田时间是影响秸秆来源SOC含量和秸秆碳残留率的关键因素，其IncMSE百分比分别估计为18%和41%。秸秆来源SOC含量随时间的变化揭示了秸秆转化的不同阶段。

一级动力学模型揭示，秸秆来源SOC含量和秸秆碳残留率均呈现一致的两阶段轨迹，即初始快速下降后逐渐趋于稳定。这两阶段动态反映了秸秆分解过程中生物与非生物因素的共同作用（Cotrufo et al., 2015）。秸秆来源SOC在各阶段的变异受多种相互作用的进程控制，包括分解与封存的平衡、秸秆结构特性、微生物群落演替和SOC库周转（De Troyer et al., 2011; West and Six, 2007）。SOC是一个由逐渐分解的有机化合物组成的连续体，不断经历迭代形成和周转（Lehmann and Kleber, 2015）。

秸秆的累积分解率在第一年达到57%–69%，第二年增加至77%–83%，表明相当大比例的秸秆在初始两年内在土壤中分解（Sun et al., 2025; Zhang et al., 2025; Zhao et al., 2021）。此外，71%的秸秆碳残留物在一年内被分解，碳要么转化为SOC，要么释放到大气中（Gao et al., 2016）。在激发效应阶段，大量易分解物质为土壤微食物网的能量流动提供了贡献，同时活性碳进入土壤（Liang et al., 2017）。随后，秸秆来源SOC含量进入转化减缓的阶段。这主要归因于易分解有机物（如纤维素）的快速消耗和难降解物质（如木质素）的积累（Shahbaz et al., 2017）。负责SOC分解的微生物群落从r-策略者向K-策略者微生物转变（Kuzyakov, 2010）。综合而言，这些发现强调了考虑两阶段秸秆转化动力学的重要性。

值得注意的是，应考虑SOC的储存形式和容量（Cotrufo et al., 2015）。秸秆来源的颗粒有机碳（POC）占土壤POC含量的10%，高于秸秆来源矿物结合有机碳（MAOC）的比例（5%）。然而，秸秆来源POC和MAOC的平均含量相近（分别为0.46 g kg?1和0.37 g kg?1）（图S7）。主要的秸秆来源POC由半分解的难降解组分和微生物-秸秆复合物组成（Cotrufo et al., 2015）。相比之下，易分解的秸秆化合物要么被纳入微生物生物量，要么矿化为CO?和NH??，随后转化为微生物残体并形成秸秆来源MAOC（Kuzyakov, 2010; Lehmann and Kleber, 2015）。值得注意的是，微生物可能在介导易分解POC向难降解MAOC库的长期转化中发挥关键作用（De Troyer et al., 2011; Liang et al., 2017）。POC主导了初始转化，而MAOC限制了长期储存（Liu et al., 2025）。近期研究表明，MAOC的饱和度可能最终限制SOC的进一步积累并增加碳损失的风险（Georgiou et al., 2025）。随着SOC水平的增加，额外秸秆来源碳的边缘稳定化能力可能下降，因为稳定碳库（尤其是MAOC）趋于饱和。这种饱和效应可能部分解释了SCE的时间下降和持续秸秆输入的边际效益递减。最终，长期碳封存潜力可能低于基于秸秆还田初始高效阶段得出的估计值。

基于多年叠加模型的模拟表明，连续秸秆还田条件下，秸秆来源SOC含量呈现初始快速增长后趋近稳态平衡的轨迹。我们的结果表明，秸秆来源SOC的净积累在秸秆还田约5年后趋于平缓（Liu et al., 2014），这可能反映了易分解秸秆来源碳组分的相对快速周转。这种表观稳定化应与全土碳饱和加以区分，后者可能需要数十年甚至数百年才能发展（Stewart et al., 2007; West and Six, 2007）。相反，秸秆来源碳库可能在较短时间内趋近动态平衡，此时年秸秆碳输入日益被分解损失所平衡。在特定的环境和管理条件下，土壤保持额外秸秆来源碳的边缘能力可能随时间下降。这一模式可能反映了微生物处理与土壤碳库有限稳定化能力的共同影响。因此，SCE应被视为动态而非静态参数，随着秸秆来源碳库趋近操作平衡而下降。

**4.2 影响秸秆来源SOC的管理与环境条件**

本研究的一个显著发现是，秸秆来源SOC含量与秸秆碳残留率的驱动力排序存在明显差异。秸秆碳残留率本质上是一个动力学参数，主要受时间影响。相比之下，秸秆来源SOC含量受气候条件和土壤性质强烈调节（图3）。土壤容重（BD）被确定为秸秆来源SOC封存的重要预测因子。BD对微生物过程的影响可能因土壤质地和结构特性而异。虽然较高的BD可能通过降低孔隙连通性和团粒包被作用来增强有机碳的物理保护，但它也可能限制氧气扩散和微生物对新鲜基质的获取，从而减缓SOC的分解和转化过程（Lin et al., 2024）。我们的结果表明，BD增加与秸秆来源SOC积累降低相关，可能归因于土壤孔隙减少、氧气可用性受限以及微生物对新添加秸秆碳处理的约束（Liang et al., 2017）。虽然初始SOC含量较低的土壤中SOC更容易积累，但这并不等同于高量的新秸秆来源SOC（Xia et al., 2018; Zhao et al., 2019）。初始SOC含量较高的土壤中秸秆来源SOC积累较多，可能源于微生物介导转化与增强的物理保护机制的耦合作用（Bastida et al., 2021）。一方面，高SOC土壤增强了微生物生物量和碳利用效率（CUE），促进秸秆来源基质向微生物残体转化，并进一步形成稳定的SOC（Cotrufo et al., 2015）。另一方面，高SOC通常与改善的团粒稳定性相关，这已被证明能增强SOC的物理保护，从而减少碳损失（Six et al., 2000）。这两种机制共同调节秸秆来源碳在土壤中的稳定化效率。以寒冷（年均温<7.5℃）和多湿（年降水量>600 mm）为特征的区域，秸秆来源SOC含量较高。微生物活性和SOC易受气候条件影响而改变，从而改变秸秆来源SOC含量（Liang et al., 2017）。低温和高土壤湿度降低了秸秆分解和转化的效率，优先促进碳稳定化而非矿化（Davidson and Janssens, 2006）。特别是，低温黑土中的微生物碳泵经历渐进式转化，保留了更大比例的秸秆来源SOC（Liang et al., 2017）。不同于低温地区优化的秸秆碳转化（"源头扩展"策略），高温地区应优先抑制过度的微生物活性并降低矿化强度，以实现减损（"节流"策略）（Davidson and Janssens, 2006）。值得注意的是，制定秸秆还田管理策略需要综合考虑区域气候特征和固有土壤性质。实施因地制宜的秸秆碳向SOC转化优化对于最大化耕地碳封存潜力至关重要。在高温和潜在水分亏缺加速矿化的温暖地区，建议采用免耕覆盖秸秆来缓冲土壤温度并减少蒸发失水，从而抑制过度的微生物活性（Bastida et al., 2021）。对于初始SOC含量较高的土壤，可优先采用直接秸秆还田方式，配合适当的切碎和还田作业。而对于初始SOC含量较低的土壤，秸秆还田应与充足施肥相结合，以建立有利的微生物群落（Xia et al., 2018; Zhao et al., 2019）。

秸秆来源SOC含量从高碳含量的秸秆中更为有效地积累。相反，豆科作物秸秆的高生物化学品质可能不会导致更高的秸秆来源SOC含量，这归因于其天然较低的碳和木质素含量（Zhou et al., 2025）。微生物对豆科秸秆的快速分解引发正激发效应，降低了SOC封存（Blagodatskaya and Kuzyakov, 2008）。此外，碳氮比（C/N）较低的作物残茬因氮可用性更高，更容易被微生物同化。微生物利用秸秆碳生产生物量影响秸秆来源SOC的形成（Yin et al., 2024）。将高质量残茬（如豆科秸秆）与低质量残茬（如玉米秸秆）结合使用，或实施C?-C?作物轮作体系，可以改善秸秆来源SOC和SOC封存（Zhou et al., 2025）。

秸秆还田量通过降低土壤容重和增强微生物活性来提高秸秆来源SOC含量（Lin et al., 2024）。秸秆还田还有利于大团聚体的形成，提供抵抗分解的物理保护屏障（Six et al., 2000）。相反，持续的残茬输入通过驱动微生物残体碳的逐步积累来巩固长期SOC的储存和稳定性。随机森林分析表明，秸秆粒径影响秸秆来源SOC含量，IncMSE百分比估计为20%。缩小秸秆粒径为微生物定殖提供了位点并加速秸秆分解，这一点已由培养实验证实（Ji et al., 2024）。然而，更细的秸秆粒径需要更多的粉碎能量并导致粉碎效率降低。为优化特定区域秸秆来源SOC含量，需要在秸秆粉碎细度、效率和能耗之间取得平衡。

**4.3 全球秸秆还田碳封存潜力与转化效率的比较**

本研究进行了全面综述，总结已发表文献中报告的秸秆还田全球碳封存潜力，重点整合了各种评估方法的研究结果。以往的评估通过长期定位实验、基于空间数据库的估算以及碳周转模型进行。

总体而言，本研究估算出5年后平均碳固存潜力为1130 kg C ha?1 yr?1。这些估算值与此前研究中的结果相似（表1）（Lal, 2004; Smith, 2004）。

**表1. 基于不同研究方法的全球碳固存潜力比较**

| | SOC增加量 | SCE | 碳固存潜力（kg C ha?1 yr?1） | 碳固存（Pg C yr?1） | 研究方法 | 参考文献 |
|---|---|---|---|---|---|---|
| 保护性耕作 | 100–1000 | 0.4–0.8 | — | — | 数据驱动建模 | (Lal, 2004) |
| 作物秸秆 | 15% | — | 0.2 | — | 数据驱动建模 | (Lal, 1997) |
| 作物秸秆 | 11% | — | — | — | 元分析 | (Yin et al., 2024) |
| 作物秸秆 | 12% | 5%–21% | — | 457 | 元分析 | (Zhao et al., 2019) |
| 作物秸秆 | 13% | 16% | — | — | 元分析 | (Liu et al., 2014) |
| 作物秸秆 | 15% | 17–33% | — | — | 元分析 | (Xia et al., 2018) |
| 作物秸秆 | 13–16% | — | — | — | 元分析 | (Berhane et al., 2020) |
| 作物秸秆 | 10% | 8–12% | — | — | 长期试验数据 | (Wang et al., 2015) |
| 作物秸秆 | 19% | — | 564 | — | 长期试验数据 | (Lu et al., 2009) |
| 作物秸秆 | 16% | — | 140 | — | 多地点采样 | (Zhao et al., 2018) |
| 作物秸秆 | — | — | 690 | — | 文献综合与分析 | (Smith, 2004) |
| 作物秸秆 | — | — | 64–634 | — | 过程模型模拟 | (Lu et al., 2010) |
| 最佳管理措施（BMPs） | — | — | 100–746 | — | 长期试验数据+模型模拟 | (Qin et al., 2013) |
| 最佳管理措施（BMPs） | — | — | 560–1150 | 0.9–1.85 | 数据分析 | (Zomer et al., 2017) |
| 作物秸秆平均值 | 13%±1% | 16% | 460 | — | 元分析 | — |
| — | 10% | 15% | 560 | — | 长期试验数据 | — |
| — | 13%±1% | 16%±2% | 440±110 | 0.2 | 所有文献 | — |
| **本研究** | **10%** | — | **1130** | **1.7** | **同位素试验数据+数据驱动建模** | — |

SCE：秸秆转化效率；BMPs：最佳管理措施。

本文提出的全球土壤有机碳固存潜力约为1.7 Pg C yr?1，高于Lal（1997）报告的0.2 Pg yr?1。这一较高估算值的主要原因在于秸秆还田量的增加以及所采用的耕地面积。方法框架和系统边界的差异也可能导致估算值之间的差异。早期研究通常基于总土壤有机碳的变化，并未明确区分秸秆来源碳与原生土壤有机碳，而我们的估算则受到13C同位素分馏的约束，专门量化了5年期间秸秆来源土壤有机碳的积累。此外，我们的结果代表了在秸秆全量还田条件下的理论上限。然而，我们承认实际限制条件（例如，秸秆被移出用于饲料或能源）可能将可实现潜力降低到一个更为温和的范围。因此，所估算的1.7 Pg C yr?1应被理解为在特定时间和管理假设下、受同位素约束的秸秆来源碳固存潜力。尽管如此，该结果与采用最佳管理措施后获得的值（0.9–1.9 Pg yr?1）处于相似水平（Zomer et al., 2017）。

秸秆还田的时间跨度是影响碳固存潜力评估的关键因素。以往的研究大多基于更长的时间尺度，而本研究则聚焦于碳转化速率最快、固存潜力最高的初始阶段。这为重新评估秸秆还田的短期全球碳固存潜力提供了依据。其他农业管理措施的优化可能会对结果产生干扰，值得进一步研究。模型结构、碳核算边界以及碳稳定化效率假设的差异，可能进一步导致已发表估算值之间的变化。

此外，本研究还估算了秸秆还田引起的碳固存潜力对减排的贡献。根据粮农组织（FAO）数据库的计算，1990–2007年期间全球农业二氧化碳排放量为3.3 Pg C yr?1（12 Pg CO?e yr?1）（Bennetzen et al., 2016）。《2024年全球碳预算》报告指出，2014至2023年人类活动二氧化碳总排放量平均为10.8 Pg C yr?1（39.6 Pg CO?e yr?1）（Friedlingstein et al., 2025）。秸秆还田的持续实施可固存相当于全球农业碳排放量52%和人类活动碳总排放量16%的碳。这些发现突显了秸秆还田作为全球气候减缓的关键自然解决方案，有潜力通过碳固存推进碳中和目标。秸秆还田在5年短期内的碳固存潜力是可观的。

这引发了一个重要的问题：秸秆还田的碳固存能否在长期内保持有效？这对碳核算方案以及农业气候减缓策略现实期望的设定具有直接影响。在短期内，秸秆底物质量和微生物群落的响应性决定了初始转化速率（Bastida et al., 2021; Shahbaz et al., 2017）。在中长期，土壤基质的理化饱和容量成为主要限制因素（Georgiou et al., 2025）。然而，由于环境异质性、数据获取的时效性以及统计数据质量的变异性，这些评估可能受到不确定性的影响。总体而言，已有研究估算的平均秸秆转化效率为16%，范围从5%到33%，但它们主要反映的是平均效应（表1）。由于土壤碳固存长期容量的有限性，时间维度上的秸秆转化效率至关重要，但往往被忽视（West and Six, 2007）。本研究基于同位素数据构建的动态模型克服了静态方法的局限性，显示5年后全球平均秸秆转化效率约为10%。随着秸秆碳持续输入土壤，土壤有机碳储量逐渐趋近其饱和容量。秸秆转化效率因碳固存能力的递减而逐步下降——随着土壤碳饱和度接近其极限，这种能力不断减弱，最终达到动态平衡（West and Six, 2007）。相反，更多的碳通过呼吸矿化作用损失，或暂时以易分解的活性土壤有机碳形式储存（Kuzyakov, 2010）。因此，管理措施不仅应旨在最大化初始秸秆转化效率，还应优先考虑长期稳定化途径，使碳进入矿物相关有机碳库。实现高效碳固存不仅依赖于高水平的碳输入，还需要持续稳定的秸秆转化效率和碳稳定化过程。

**4.4 同位素研究预测秸秆转化效率的局限性与优势**

秸秆还田因固存土壤碳和维持土壤肥力而得到广泛认可。本研究是首次利用13C同位素研究对秸秆向土壤有机碳转化进行全球评估。同位素示踪剂为秸秆向土壤有机碳的转化提供了最直接的定量证据。然而，同位素研究的主要瓶颈包括高成本、技术设备的精度限制、短期实验中的偏差以及实验规模的约束。更重要的是，大多数研究的监测期约为1至5年，这不足以反映秸秆来源碳在稳定土壤有机碳库（周转时间跨越数十年）中的命运。我们用于全球预测的"5年快照"仍然是一个短中期的估算。未来的研究应优先考虑长期动态监测，并通过结合实验室培养实验、长期田间观测和模型外推开展多尺度综合研究。

关于空间数据偏差，本研究的一个主要局限在于同位素数据集的地理分布不均匀。49个试验站点主要集中在东亚、北美和西欧，导致一些地区（尤其是非洲和南美洲）的直接观测数据有限。然而，所建立的随机森林框架能够通过整合当地可用的土壤和气候特征，在数据稀疏区域估算秸秆转化效率，将预测扩展到没有直接同位素观测的地区。不确定性分析还表明，在不同数据重采样情景下，全球预测格局保持稳定，支持了外推框架的稳健性。尽管如此，在缺乏同位素观测区域的预测仍应谨慎解读，因为当前数据集中未完全代表的独特土壤矿物学特征、作物制度或管理措施可能引入额外不确定性。

已有研究表明，亚表层土壤有机碳占耕地土壤有机碳总储量的相当比例，亚表层（20–100 cm）可能额外贡献15–30%的土壤有机碳固存（Han et al., 2025; Wang et al., 2025）。然而，大部分秸秆来源碳的输入和转化发生在表层土壤中，此处基于同位素的测量最为可靠。因此我们聚焦于该深度，以确保方法学的一致性并减少由异质性深层土壤采样方案引入的不确定性。排除亚表层过程不会影响在表层土壤范围内观测到的时间动态或各站点间秸秆转化效率的相对格局，这些结果在表层土壤域内仍然稳健。此外，我们承认，排除气态碳排放和溶解性有机碳淋溶可能导致秸秆分解过程中总碳损失路径表征不完整。因此，此处估算的秸秆碳残留比例应被视为基于土壤的保留量，而非完整的生态系统碳平衡。尽管本研究能够实现在各研究之间的一致性比较，但在淋溶过程强烈的环境中仍可能出现额外不确定性。

鉴于同位素数据集的聚合性质，该模型旨在捕捉一般时间趋势，而非精细的微生物或生化变化。因此，秸秆转化效率代表一个综合性的经验效率指标，描述净碳保留随时间的变化，而非瞬时转化速率。本研究缺乏直接的微生物测序或酶活性数据来确认这些演替转变。为避免过度解读，秸秆转化效率的下降代表一种现象学趋势，而其潜在的微生物和物理机制仍有待进一步探索。关于管理阈值，我们的发现暗示了存在生物物理阈值，这些阈值决定了秸秆还田的效率。例如，低土壤容重与秸秆转化效率之间的正相关表明，土壤压实可能作为一个物理瓶颈，限制了氧气扩散和秸秆对分解者的可及性，从而显著降低转化效率。同样，当前数据集不足以计算针对特定土壤类型的精确"最佳还田阈值"（Cheng et al., 2025; Shi et al., 2025）。未来研究应从简单的"越多越好"逻辑转向识别特定地点的秸秆负荷能力，以在最大化碳固存的同时避免养分固定。

所计算的碳固存潜力作为优化秸秆输入条件下的最大容量基准。这一较高估算反映了全球规模实施下的累积影响，但未考虑社会经济实现差距。例如，在秸秆作为动物垫料或生物能源至关重要的地区，净气候效益必须与替代资源排放进行权衡。未来研究应将社会技术过渡模型与我们的生物物理估算相结合，以识别不同社会经济背景下可实现的固存潜力。

未区分旱地和水稻系统以及作物复种指数差异的遗漏，可能给区域秸秆来源碳输入和秸秆转化效率的估算带来不确定性。水稻系统和旱地系统在水土还原条件、管理措施和碳稳定化途径方面存在差异，而不同作物复种指数会改变年度秸秆碳输入量。因此，这些因素可能导致区域秸秆来源碳固存潜力的低估或高估。此外，本研究未探索其他农业管理措施的影响。例如，施肥通过诱导微生物-植物间的养分竞争来改变秸秆转化效率（Lin et al., 2024）。尽管本研究主要关注耕作层碳动态，但通过溶解性有机碳淋溶和根系分泌物实现的亚表层土壤有机碳迁移值得未来研究探讨。未来研究可以进一步探索互补措施的协同效应（如有机肥与生物炭的联合施用），以优化土壤有机碳积累（Chen et al., 2024; Cao et al., 2026）。同位素标记在多种因素、特定地点管理措施中的应用，有助于阐明土壤有机碳循环和固存过程的内在机制。

**5. 结论**

本研究的发现证实了以下假设：秸秆碳在土壤中的命运呈现出阶段性差异和递减趋势。随机森林模型显示，秸秆还田量、秸秆粒径和土壤容重是影响秸秆来源土壤有机碳含量的关键因素。值得注意的是，秸秆来源土壤有机碳含量随时间推移而减少。此外，秸秆碳的动态转化涉及难分解物质的积累、微生物群落演替以及稳定土壤有机碳的形成。累积秸秆来源土壤有机碳含量先持续增长后趋于稳定，表明秸秆碳保留系统在新碳形成与旧碳损失之间趋于平衡。在低温低湿条件下具有高原生土壤有机碳含量的土壤，其秸秆来源土壤有机碳含量更高。认识到这种时间依赖性对于从简单的平均固存系数转向能够准确预测秸秆管理对气候智慧型农业贡献的过程导向模型至关重要。我们的发现还突显了秸秆还田作为碳减缓策略的显著理论上限。虽然生物物理潜力可观，但可实现的固存量本质上受到当地农业基础设施和经济权衡的制约。因此，应将秸秆还田视为多样化气候减缓组合中的重要组成部分，而非单独的解决方案。未来研究应优先考虑长期同位素示踪，以刻画秸秆来源土壤有机碳的动态轨迹，特别是量化在不同土壤气候梯度下活性碳与难分解碳组分的分布模式。

**CRediT作者贡献声明**

Yakov Kuzyakov：撰写—审阅与编辑、获取资金。Yash Pal Dang：撰写—审阅与编辑。Cong He：可视化、形式分析。Bai-Jian Lin：可视化、方法论。Xin Zhao：撰写—审阅与编辑、获取资金、形式分析、概念设计。Rattan Lal：撰写—审阅与编辑。Pete Smith：撰写—审阅与编辑。En-Ze Hu：调查、数据管理。Zhi-Heng Qin：调查、数据管理。Wen-Sheng Liu：撰写—原稿、数据管理、概念设计。

张海林：撰写 – 审阅与编辑、指导监督、项目管理、概念构思。刘文生 | 秦智恒 | 胡恩泽 | 林白坚 | 何聪 | Yash Pal Dang | Yakov Kuzyakov | Pete Smith | Rattan Lal | 赵鑫 | 张海林