《ACS Environmental Au》：Spatiotemporal Heterogeneity of Surface Soil Organic Carbon in China: Novel Insights from Interpretable Machine Learning Coupled with Google Earth Engine
编辑推荐：
本文综述了利用可解释机器学习（XGBoost）结合Google Earth Engine平台，系统研究1986–2023年中国表层土壤有机碳（SOC）的时空异质性。研究通过整合多源卫星数据与实地观测，构建了高精度（R2= 0.71）的1公里分辨率SOC动态图谱，并利用SHAP（Shapley Additive Explanation）和分段结构方程模型（piecewiseSEM）揭示了关键驱动因子（如全氮TN、温度Temp、土壤有机质SOM）及其因果路径。研究强调了中国SOC分布的显著区域差异（划分为四个碳区），并提出差异化碳管理策略，为“双碳”目标下的土壤固碳提供科学依据。
研究背景与意义
土壤有机碳（SOC）在全球碳循环和气候变化缓解中扮演关键角色，约82.9%的陆地生态系统碳储存在土壤碳库中。中国作为地理环境复杂的国家，其SOC时空格局及驱动机制尚不明确。传统模型（如过程模型CENTURY）受数据与计算限制，难以实现大尺度动态模拟。本研究通过融合多源环境数据与遥感技术，构建了可解释的机器学习框架，旨在揭示中国SOC的长期变化规律及区域特异性。
材料与方法
研究基于4263个表层（0–20 cm）土壤样本（2000–2023年），结合61个环境变量（包括土壤属性、气候、地形、人类活动等），利用XGBoost算法进行建模。变量选择遵循SCORPAN方程（土壤属性、气候、生物、地形、母质、年龄与空间位置），并通过Google Earth Engine提取遥感指数（如NDVI、LST、WET、NDBSI）。模型采用5折交叉验证优化超参数，最终以R2= 0.71、RMSE = 1.73 kg C m–2的精度完成SOC制图。时空分析采用Theil-Sen斜率和Mann-Kendall检验，驱动机制解析结合SHAP（量化变量边际贡献）与piecewiseSEM（揭示因果路径）。
结果与讨论
1. 空间分布与区域异质性
中国SOC密度（SOCD）平均值为3.57 kg C m–2，碳储量（SOCS）达35.37 Pg C，呈现显著空间异质性。通过K-means聚类将全国划分为四个碳区：
- •
区域I（富碳区）：SOCD最高（5.29 kg C m–2），集中于东北黑土区与西南山地，占全国SOCS的17.52%。
- •
区域II（高碳区）：SOCD为4.48 kg C m–2，形成东西向带状分布，贡献最大SOCS（39.46%）。
- •
区域III（中碳区）与区域IV（低碳区）：SOCD分别为2.89 kg C m–2和2.37 kg C m–2，面积占比高但碳储量较低。
区域I与II合计以43.24%的土地面积储存56.90%的全国SOCS，凸显核心保护区价值。
2. 时空动态特征
1986–2023年间，全国SOCS以0.015 Pg C yr–1的速率缓慢增加，但区域趋势分化：
- •
区域I因冻土退化与升温驱动的矿化作用，成为净碳源（趋势下降）；
- •
区域II作为主要碳汇，受益于温暖湿润气候与农业管理措施（如施肥）；
- •
区域III（含青藏高原）受植被扩张与升温共同作用，呈微弱增加；
- •
区域IV受干旱化限制，碳储量下降但被生态工程部分抵消。
像素级分析进一步揭示区域内部的细微变化，如西南部局部碳损失。
3. 驱动机制解析
- •
全国尺度：土壤属性（直接效应0.42）和气候（总效应最强）为主导因子。全氮（TN）、温度（Temp）与土壤有机质（SOM）为前三关键变量：TN与SOM促进SOC积累，而升温（Temp）加速分解。
- •
区域特异性：
- •
区域I：由NDBSI（干湿指数）、纬度（Lat）与近红外波段（B4）主导，强调水分与植被覆盖的调控作用；
- •
区域II：纬度（Lat）、温度（Temp）与pH为核心，中纬度冷湿环境利于碳保存；
- •
区域III：经度（Lon）、SOM与pH受农业活动影响显著，东西部需差异化管理；
- •
区域IV：GDP、长波辐射（Lrad）与海拔（DEM）共同作用，经济适度发展可促进碳汇。
piecewiseSEM进一步揭示人类活动通过气候与遥感变量间接影响SOC，而地形通过调控水热条件间接作用。
研究启示与局限
本研究首次在全国尺度耦合可解释机器学习与因果推断，明确了SOC管理的优先区（如保护富碳区）及区域策略（如东北黑土保育、南方酸化土壤改良）。局限性包括未涵盖微生物指标、历史遗留效应未显式建模等。未来可融合过程模型与机器学习，提升机制透明性与预测能力。
