《Global and Planetary Change》：Climate change intensifies carbon emissions from the Earth's Third Pole: Projected trajectories of soil and ecosystem respiration
编辑推荐：
青藏高原土壤呼吸（Rs）和生态系统呼吸（Re）时空异质性及气候变化响应研究。通过构建知识引导多任务深度神经网络模型（KG-MTDNN），整合生态约束与数据驱动方法，系统评估当前及未来气候情景下Rs和Re的空间分布特征、季节动态及耦合响应。结果表明：Re中Rs占比达70%，未来高辐射强迫情景下Re增强将抵消约70%的TP碳汇功能；Rs呈现东南向西北递减空间格局，季节上生长季排放占比超60%；非永久冻土区贡献总排放量主体。本研究为高寒地区碳循环机制解析与全球变暖影响评估提供新方法与数据支撑。
沈同庆|余中博|朱勤|金俊良|王国庆|刘彦莉|胡春明|刘世轩|林辉|司新荣|樊燕
中国河海大学国家水灾防治重点实验室，南京210024
摘要
青藏高原（TP）是地球上对气候变化最敏感的地区之一，土壤呼吸（Rs）和生态系统呼吸（Re）预计会强烈响应气候变化。然而，由于观测数据稀少以及生态过程复杂，高原上呼吸通量的空间特征及其对未来气候变化的响应仍不甚明了。在这项研究中，我们开发了一种基于知识的多任务深度神经网络（KG-MTDNN）模型，该模型利用先前的生态信息和共享表示来提高数据稀缺条件下的生态合理性和模型性能。基于该模型，我们对TP上Rs和Re的当前状况及未来趋势进行了全面评估。研究结果表明，呼吸通量的空间分布呈现出从东南向西北递减的趋势，并且在未来的气候情景下呈现出持续增加的趋势。从季节上看，大部分碳排放发生在生长季节；从空间上看，非永久冻土地区贡献了总排放量的大部分。在Re的组成部分中，Rs占主导地位（约70%），并且在持续的气候变化下这种主导地位预计会进一步增强。值得注意的是，根据我们的估计，在高辐射强迫情景下，气候引起的Re增强将抵消TP当前约70%的碳汇作用。我们的研究突显了未来气候变化下地球第三极地区碳排放显著增加的潜在风险，并加深了对寒冷地区生态系统中的气候-碳循环反馈机制的理解。
引言
土壤呼吸（Rs）主要指土壤中微生物分解和根系呼吸释放的二氧化碳（CO2），而生态系统呼吸（Re）包括土壤呼吸以及地上植物组织和其他生态系统组分释放的CO2（Bond-Lamberty和Thomson，2010；Mahecha等，2010；Piao等，2009；Wei等，2021）。Rs和Re都是全球碳循环的重要组成部分，并且对温度变化非常敏感（Johnston等，2021；Melillo等，2017；Tang等，2020）。全球温度的升高将显著增强Rs和Re的强度（Chen等，2024；Hicks Pries等，2017；Huang等，2020），这反过来又会通过正的气候反馈加剧全球变暖（Bradford等，2016；MacDougall等，2012；Melillo等，2002）。因此，准确评估Rs和Re的时空动态对于理解陆地碳平衡和气候-碳循环相互作用机制至关重要。
高海拔地区由于海拔依赖性的升温，温度上升速度远快于其他地区（Pepin等，2015）。自20世纪70年代以来，青藏高原（TP）的升温速率为每十年0.4°C——大约是全球平均水平的两倍（Chen等，2022a；Cheng等，2019；Ju等，2025；Kuang和Jiao，2016）。这种极端的升温导致TP上的Rs和Re进一步增强（Yang等，2014）。TP的高海拔环境使得大量有机碳储存在土壤中（Shen等，2023a；Shen等，2024b；Wang等，2020b），其生态系统一直发挥着重要的碳汇功能（Wang等，2023）。随着升温的持续，Rs和Re的增强将增加TP上土壤有机碳释放的风险，甚至可能使其从碳汇转变为碳源（Liu等，2022；Ma等，2021；Wang等，2020b）。然而，评估这种潜在转变和评估土壤碳释放风险的关键在于了解TP上Rs和Re的未来动态。
许多研究关注了TP上的Rs和Re（Chen等，2016；Chen等，2022b；Du等，2022；Huang等，2022；Ma等，2023；Wang等，2022a；Wang等，2020a；Wang等，2021；Zhao等，2022），但大多数研究仍局限于站点级别的自然观测或现场操控实验。一些研究尝试使用基于过程的模型将呼吸通量放大到TP尺度（Liu等，2022；Wu等，2022）。然而，由于计算复杂性和生态过程表示不完整，这些模型通常具有粗糙的空间分辨率和有限的预测准确性。机器学习和深度学习等数据驱动方法的出现为大规模区域的高分辨率通量估计提供了新的机会。这些方法通过有效学习观测到的呼吸通量与环境驱动因素之间的复杂关系，实现了对呼吸通量空间模式和时间趋势的灵活和稳健估计。一些全球范围的研究采用了基于观测的数据驱动模型来估计Rs或Re的空间分布，明确包括了TP（Huang等，2020；Jung等，2020；Laffitte等，2025；Warner等，2019）。然而，TP上数据有限导致这些评估存在较大的不确定性，限制了对其呼吸模式和气候敏感性的准确描述。Li等（2022b）的一项代表性研究利用基于实地观测的机器学习方法估计了TP上的Rs，并预测了其在气候变化情景下的未来动态。尽管取得了这一进展，但他们的工作仅关注Rs，且数据稀少带来的挑战尚未得到解决。此外，大多数现有的数据驱动研究分别量化Rs或Re，缺乏同时结合这两个组分的统一建模框架来探索它们之间的内在联系。作为Re的一个组成部分，Rs通过共享的生物过程和环境驱动因素与其内在相关。在统一的建模框架内利用这些内在联系，可以利用一个组分的 información 来改进另一个组分的预测。这种协同作用对于在数据有限的地区（如TP）最大化观测数据的利用价值尤为重要。此外，联合建模Rs和Re可以更全面地理解它们在寒冷地区生态系统中的相互关系和对气候变化的差异响应。然而，针对TP的结合Rs和Re并评估其在未来气候情景下的耦合响应的观测驱动框架仍然缺乏。
基于上述知识空白，本研究全面检索了TP上的Rs和Re数据，并开发了一种基于知识的多任务深度神经网络（KG-MTDNN），适用于数据稀少的Rs和Re数据集，以模拟其空间分布和未来动态。该方法利用生态约束和共享表示来提高数据稀缺条件下的生态合理性和模型性能。据我们所知，本研究提供了TP上Rs和Re动态的首次全面预测，为了解它们在气候变化下的未来轨迹和关系提供了新的见解。
部分摘录
TP上Rs和Re的汇编数据库
本研究全面检索了有关TP上Rs和Re的已发表数据，并编制了相应的数据库。首先，我们在Web of Science和中国国家知识基础设施上使用关键词“土壤呼吸”或“生态系统呼吸”或“土壤二氧化碳通量”或“温室气体”和“西藏”或“藏族”或“青海”或“西藏”或“高原”或“高山”搜索了相关研究。其次，我们还整合了一个汇编数据库（Wang
模型评估
在这里，我们从结构设计和数值性能两个方面对KG-MTDNN模型进行了全面评估。首先，该模型使用了仅限于正值的输出激活函数，从而确保所有预测的呼吸通量都是非负的，消除了物理上不现实的负输出。这一设计选择提高了通量估计的合理性和可靠性。其次，模型嵌入了内在的生态不等式，以反映两个关键因素
结论
在这项研究中，我们开发了KG-MTDNN模型，用于联合模拟TP上Rs和Re的空间模式并预测其在各种未来气候情景下的动态。通过整合生态约束和共享表示，该模型在数据稀少条件下实现了高预测准确性和生态可靠性。我们的结果表明，Rs和Re存在显著的空间异质性，且生长季节占主导地位，非永久冻土地区对
CRediT作者贡献声明
沈同庆：撰写 – 审稿与编辑，撰写 – 原始草案，可视化，验证，软件，方法论，调查，正式分析，数据管理，概念化。余中博：监督，资源提供，项目管理，资金获取。朱勤：监督，资源提供，项目管理，资金获取。金俊良：监督，资源提供，项目管理，资金获取。王国庆：监督，资源提供。刘彦莉：监督，资源提供。
致谢
本研究得到了国家重点研发计划（项目编号：2021YFC3201104）、国家自然科学基金（项目编号：U2240217、U2340213）以及国家水灾防治重点实验室的资金支持（项目编号：5240152N2、524015252、5240152M2）。第一作者（沈同庆）还感谢中国留学基金委（项目编号：202406710130）的支持。
