综述：干旱区土壤有机碳预测的混合机器学习 - 基于过程模型：系统综述

《Agricultural Systems》：Hybrid machine learning-process-based models for soil organic carbon prediction in drylands: A systematic review

　　

•混合AI-过程模型提高了干旱区土壤有机碳（SOC）预测的精度。
•脉冲式降雨和光降解强烈控制干旱区SOC动态。
•物理信息神经网络（PINNs）和集成机器学习增强了SOC模拟和可扩展性。
•地球观测数据支持大规模SOC监测和碳核算。

引言

干旱区定义为干旱指数低于0.65、且持续存在水分亏缺（潜在蒸散发超过降水）的区域，其面积约占地球陆地面积（不含南极洲）的40.6%，过去三十年间已扩展约430万平方公里（Vicente-Serrano等，2024）。截至2024年，约有27亿人居住在干旱区，随着温室气体排放加剧导致干旱区扩张，该人口预计将大幅增长（UNCCD，2025）。干旱区土壤在表层1米范围内储存约470±7 Pg土壤有机碳，至2米深度则为646±9 Pg，后者约占全球SOC库的32%（Plaza等，2018）。这一庞大的地下碳库并非静态系统，而是一个在长期休眠期与降雨后短暂活动爆发之间交替的动态系统（Garcia-Pichel和Sala，2022；Kut和Garcia-Pichel，2024）。水分和温度条件的微小变化可显著改变干旱区土壤中的微生物呼吸和SOC周转，从而影响区域碳平衡和生态系统稳定性（Schimel，2018；H. Wang等，2026a）。

干旱区土壤碳的脆弱性已成为科学界和政策制定者关注的焦点。在高排放情景下，预计到2100年全球干旱区将在现有湿润区域基础上再增长3%，同时亚热带地区干旱的频率和强度均将增加（Cook等，2018）。导致此类系统土壤碳损失的机制是多重的、相互作用的。温暖条件下的高分解率进一步被光降解所加剧，光降解是有机质受紫外线和可见光直接分解的现象，在高辐射、低冠层覆盖的干旱生境中，对凋落物类物质的质量损失贡献显著（Moorhead等，2025）。近期实验研究证实，紫外线辐射使干旱系统的凋落物分解率平均提高43%，其交互效应取决于降水量和凋落物化学性质（Xing等，2024）。与此同时，土壤无机碳——超干旱和干旱土壤中碳的最常见形态——本身也对增温敏感：干旱条件增加了无机碳溶解的温度敏感性，进一步放大了此类系统中整体碳损失的趋势（J. Li等，2024b）。人类土地利用胁迫因素，如过度放牧和农业侵入，加速了这一动态过程，它们破坏了物理保护SOC免受矿化作用的团聚体结构（Delgado-Baquerizo等，2021；Scharlemann等，2014）。

预测干旱区SOC动态仍是重大科学挑战，因为基于过程的动力学生物地球化学模型，如CENTURY、RothC、DayCent和DNDC，往往难以捕捉这些生态系统强烈的空间异质性和非线性时间行为。基于过程的动力学生物地球化学模型通过微分方程组来表示分解途径、养分循环和土壤-气候反馈，编码了基本的机理认知（Campbell和Paustian，2015）。其基于生物地球化学第一性原理的基础赋予了在包括校准期后数十年在内的新气候条件下进行情景外推的真实能力。但它们在全球干旱区异质景观上的空间应用严重受限于数据需求。精确参数化需要高密度的现场测量，包括土壤质地、容重、pH、有机碳组分和本地气候变量，而这些数据在非洲大部、中亚及澳大利亚内陆的干旱区仍大面积缺失（Viscarra Rossel等，2014）。基于过程的SOC模型的区域应用仍受限于高质量SOC观测值的稀疏且不均匀分布、容重和砾石含量信息有限以及土地管理记录不完整。此外，许多建模框架的空间单元为1平方公里或更大，这可能不足以表征土壤特性和碳库的细尺度变异（Viscarra Rossel等，2014；Ding等，2025）。这些数据和分辨率限制，加上大规模模拟的计算需求，制约了模型在异质干旱景观上的校准和验证。

过去十年地球观测平台和机器学习（ML）算法的快速增长为这些空间尺度化限制提供了部分解决方案。随机森林、梯度提升树和深度卷积神经网络已显示出利用Landsat-8和Sentinel-2光谱反射率指数、合成孔径雷达后向散射和地形衍变量在SOC制图中的显著预测能力（Padarian等，2019）。一项对279项利用遥感预测SOC研究的荟萃分析发现，卫星影像在86%的案例中被应用，因其具有在采样不足区域覆盖空间变异的无与伦比的能力（Ding等，2025）。然而，纯数据驱动模型存在固有的认知限制：这些模型仅在其训练分布内的气候状态下具有可靠的预测能力（Meyer和Pebesma，2021；Shen等，2023）。这一限制在干旱生态系统尤为重要。微生物脉冲-储备过程通过降雨后种群的快速复苏及随后迅速回归休眠来控制碳循环。这些过程产生了瞬态且高度非线性的碳通量模式，挑战了传统机器学习框架中常隐含的平稳性假设（Garcia-Pichel和Sala，2022）。因此，一个基于历史降水与SOC协变关系拟合的模型可能在交叉验证标准上表现良好，但在+2°C变暖情景下预测的改造后气候脉冲制度中表现较差（Kut和Garcia-Pichel，2024）。

这些互补性限制的组合激发了对混合建模框架的日益增长的兴趣，这类框架能够将基于过程模型的理论严谨性与机器学习的 数据同化能力相结合。这些架构具有多种结构形式：被训练以复制计算密集型过程模拟器输出的ML代理模型；在其中控制碳循环方程约束网络损失函数和参数空间的生物地球化学信息神经网络；以及ML算法学习模拟计算密集型过程模拟器输出的集成融合方法（Xu等，2025）。例如，生物地球化学信息神经网络（BINN）将Community Land Model第5版的 过程表示集成到神经网络架构中，实现对控制土壤碳循环的六大主要过程的高效计算模拟。利用过程引导的ML进行SOC时空制图 的实验报告称，与独立ML模型相比，均方根误差改善约19%，在数据稀疏地区的改善最大（Zhang等，2024）。尽管已取得这些进展，但在同行评审文献中，针对干旱生态系统——数据稀疏性、空间非平稳性和过程非线性同时最为突出的生态系统——的混合架构的系统性扩展仍处于不成熟和综合不足的阶段（Reichstein等，2019；Yang等，2019）。

尽管混合建模的单项研究快速积累，但尚无系统综述评估过专门设计或应用于干旱区SOC预测的混合ML与过程模型方法格局。最近最全面的综合研究Ding等（2025）深入回顾了SOC预测技术、人工智能、基于过程和混合建模方法，但这是在全球、非生物群系特异性的尺度上进行的；它未涉及干旱生态系统，也未涉及使干旱区SOC预测具有特异性的机制，如光降解、脉冲式降雨（Birch效应）动态、微生物休眠和侵蚀驱动的侧向碳通量。而且作为叙述性综述而非系统综述，它没有提出混合架构的分类法。其他近期综述更一般地处理了混合和AI辅助建模在土壤学及地球系统背景下的应用，或在不关注建模架构的情况下处理干旱区碳动态（Moorhead等，2025；Reichstein等，2019）。这一空白具有重大影响：在缺乏结构化综合的情况下，从业者将不知道在典型干旱约束条件下应使用哪些混合配置、遥感数据流如何与过程知识耦合以及验证的关键缺陷在哪里。表1比较了本研究中评估的近期综述的范围和方法学特征。尽管这些综述分别涉及SOC预测和机器学习、混合或物理信息建模以及干旱区碳动态，但没有一项综述将干旱特异性关注与混合ML-过程架构的明确分类法以及PRISMA指导的系统综述方法相结合。本综述填补了这一空白。它将突出干旱特异性过程及其施加的建模需求，并通过PPMO框架和三种混合架构类型（ML模拟型、过程约束型和集成/数据融合型）来组织该领域。利用PRISMA指导的文献筛选策略，本综述旨在：(i) 考察控制干旱区SOC动态的主要生物地球物理因子；(ii) 比较传统基于过程、机器学习和混合建模方法；(iii) 建立混合SOC建模架构的结构化分类法；(iv) 评估地球观测技术在混合SOC预测流程中的作用；以及(v) 识别主要方法学局限，包括不确定性传播、稀疏观测、可扩展性和模型可解释性。通过综合土壤科学、地球观测和环境AI的最新进展，本综述为未来干旱区碳建模和气候减缓研究提供了整合框架。

节段摘要

综述设计与报告框架

本综述以PRISMA指导的系统证据综合方式开展（Page等，2021）。其目标是评估2015年1月至2026年3月间发表的关于利用基于过程、机器学习或过程集成混合方法预测干旱区SOC的文献。由于证据在方法学上具有异质性，既包括SOC直接应用也包括可迁移的方法论来源，结果通过结构化叙述综合进行整合。

土壤碳固存的全局紧迫性

土壤碳固存已成为减缓气候变化和维持生态系统生产力的关键概念。最大的陆地碳库是土壤，其储存的碳超过大气和植被的总和。土壤有机碳储量的微小增加就能大幅抵消人为温室气体排放（Lal，2004；Smith等，2008）。因此，维持和增加SOC储量不仅对……

干旱区SOC动态的背景

SOC对于维持土壤肥力至关重要，尤其是在水资源有限的干旱和半干旱地区。它在农业生产和防止土壤侵蚀方面发挥着重要作用（Srinivasarao等，2021）。然而，集约化农业实践导致了土壤有机质（SOM）的显著损失，降低了土壤质量和养分含量。SOC作为SOM的主要组分，存在于活性库（由微生物组成）和被动库（更稳定）中。

干旱区SOC动态与建模挑战

干旱区土壤有机碳（SOC）动态表现出显著的时间和空间变异性，使其对传统预测模型构成特殊挑战。干旱区碳通量的驱动因子与湿润环境不同，后者的分解主要受水分限制；而在干旱区，碳通量受脉冲式水文或快速复湿事件控制，导致代谢活性和CO2呼吸的"微生物爆发"（Xu等，2026）。这些脉冲迅速……

混合架构的分类法

土壤健康以及农业、生态系统和气候的生产力取决于SOC。SOC传统测量方法准确，但昂贵且不适合大范围应用。为此，开发了集成AI、机器学习、深度学习、遥感和地统计学的混合模型，以增强SOC预测和制图。这些混合架构集成了各种计算技术，如CNNs、RNNs、Transformer和……

地球观测技术的整合

地球观测（EO）技术已从根本上改变了土壤有机碳（SOC）的估算，尤其是在缺乏数据的干旱区。基于现场的方法通常受空间约束且耗时。相反，EO提供可重复、大范围和连续的监测，能够更准确地跨时间监测土壤特性。将EO与混合建模系统相结合大大提高了SOC预测的精度。多时相数据集

干旱区基于EO的SOC预测定量综合

表7以比较方式总结了EO技术在不同干旱及相关环境中的性能。报告值的 结果表明，预测精度取决于传感器类型、样本量、输入变量和建模方法。在主要利用光学遥感的 研究中，如由Landsat生成的NDVI和裸土指数，模型性能中等。以Landsat数据回归估算SOC为例，其……

关键挑战与验证缺口

新兴的SOC预测混合建模方法带来了精度和可扩展性的大幅提升。

然而，这些进展也面临着严重的方法论问题，降低了其可信度和适用性，尤其是在干旱生态系统中。其中最突出的包括等效终局性、稀疏数据环境下的过拟合以及长期验证的缺失。由于巨大的空间异质性，这些问题在干旱地区尤为复杂。

**创新与未来研究方向**

土壤有机碳（SOC）混合建模的最新进展越来越多地将数据驱动方法与基于过程的机理知识相结合。这些研究发展的目的在于克服数据缺乏、尺度不匹配和不确定性等主要限制，特别是在干旱生态系统中。一些方法已在局部和区域尺度上显示出前景，但在大规模应用方面仍存在问题。

**全球政策意义**

干旱生态系统日益被承认为全球碳循环的关键组成部分，因为它们占据了地球陆地表面近一半（40.6%）的面积，并储存了全球SOC储量中相当大比例的部分（Vicente-Serrano等，2024；Delgado-Baquerizo等，2021；UNCCD，2025）。这些系统极易受到气候变化、土地退化和荒漠化过程的影响，使得干旱区SOC管理成为一项重要的环境优先事项和政策议题（Maestre等。

**结论**

干旱生态系统是全球碳循环中极为脆弱的组成部分，其SOC动态受水文脉冲、微生物活动、光降解、侵蚀和气候胁迫之间复杂交互作用的控制。本综述表明，仅依靠传统的SOC模型不足以充分捕捉干旱碳系统的非线性和异质性行为，特别是在未来变暖和干旱化情景下。基于过程的模型提供了必要的……

**AI披露声明**

在稿件准备过程中使用了人工智能工具。Grammarly被用于辅助语法和语言润色，Paperbanana被用于创建插图。生成式人工智能未参与研究内容的构思、分析或解读。作者根据需要审阅和编辑了输出内容，并对已发表文章的内容承担全部责任。

**CRediT作者贡献声明**

Sundararaj Kaviya Sri：写作——审阅与编辑、写作——原稿撰写、可视化、软件、方法论、调查研究、概念构思。

Basheer Ahmed Bhakiyathu Saliha：写作——审阅与编辑、可视化、验证、监督、调查研究。

Kaliappan Sathiya Bama：写作——审阅与编辑、验证、监督、方法论。

Kovilpillai Boomiraj：写作——审阅与编辑、可视化、调查研究、概念构思。

C S Sumathi：写作——审阅与编辑……

**患者同意声明**

不适用。

**临床试验注册**

不适用。

**伦理审批声明**

本文不包含任何作者涉及人类参与者或动物的研究。

**复制其他来源材料的许可**

本手稿中未复制任何需要许可的其他来源的受版权保护材料。在必要时已提供适当的引用。

**资助**

本研究未获得公共、商业或非营利部门资助机构的具体拨款。

**利益冲突声明**

作者无相关财务或非财务利益需要披露。

**致谢**

作者衷心感谢印度泰米尔纳德邦农业大学（TNAU），哥印拜陀的土壤科学与农业化学系，其提供的学术支持及科学资源获取权限为本综述提供了便利。作者还感谢考维尔帕蒂农业研究站（ARS）持续提供的技术指导及机构支持。

Sundararaj Kaviya Sri | Basheer Ahmed Bhakiyathu Saliha | Kaliappan Sathiya Bama | Kovilpillai Boomiraj | C.S. Sumathi | G. Guru | Viswanathan Sanjivkumar | Muthiah Manikandan | J.V.N.S. Prasad | V.K. Singh | Priya Pandurang Gurav