《CATENA》：Divergent responses of soil organic carbon stocks in different layers to global changes on the Tibetan Plateau
编辑推荐：
青藏高原土壤有机碳密度（SOCD）的空间分布及驱动机制研究，采用372个土壤剖面数据和RFE-RF模型，揭示0-30cm、30-50cm、50-100cm土层SOCD的变异规律及气候响应。AI（干旱指数）为各土层主要驱动因素，NDVI、土壤pH（0-30cm）、PET、黏粒含量（50-100cm）起辅助作用。预测显示SSP5-8.5情景下2030-2100年TP SOCD将显著下降（p<0.01），尤其是50-100cm层，而干旱区0-30cm层存在SOC积累。研究为高原碳汇管理提供科学依据。
张欣|陈洪进|周军|张希宇|范建荣
中国科学院山地灾害与环境研究所，中国成都610041
摘要
了解青藏高原（TP）上土壤有机碳（SOC）的空间分布及其对未来气候变化的响应，对于区域碳循环和生态系统管理至关重要。本研究利用372个土壤剖面数据（包括专门的野外调查数据），采用递归特征消除-随机森林（RFE-RF）方法，对0–30厘米、30–50厘米和50–100厘米深度的SOC密度（SOCD）进行了建模。基于10折交叉验证，该模型分别解释了这些层次上SOC空间变异性的56%、48%和35%。在基准期（1990–2025年），上层1米内的总SOC储量为34.17 Pg（90%预测区间：6.29–90.25 Pg）。其中，0–30厘米、30–50厘米和50–100厘米层次分别储存了16.29 Pg（4.16–36.48 Pg）、6.85 Pg（0.84–18.75 Pg）和11.03 Pg的SOC。Shapley加性解释（SHAP）分析表明，干旱指数（AI）是最主要的驱动因素，较高的干旱程度对所有深度的SOC都有负面影响。在表土（0–30厘米）中，其他关键驱动因素还包括归一化植被指数（NDVI）、土壤pH值和年平均降水量（MAP）。在30–50厘米层次，潜在蒸散量（PET）的影响增加；而在最深层（50–100厘米）中，粉砂含量和短波红外1（SWIR1）反射率的影响更为显著。根据SSP5–8.5情景的预测，从2030年到2010年，SOC储量将显著下降（p < 0.01），尤其是在50–100厘米层次。虽然湿润至半干旱地区SOC损失严重，但干旱沙漠地区的表层SOC（0–30厘米）却有所增加。这些结果明确了TP上SOC的层次特异性驱动因素和未来脆弱性，为适应性土壤碳管理提供了有用信息。
引言
土壤有机碳（SOC）在地球碳循环中起着关键作用（Zhou等人，2020年），既是温室气体的重要来源，也是其重要汇。SOC在水平和垂直维度上均表现出高度的空间异质性（Dong等人，2021年）。青藏高原（TP）的土壤碳密度较高，对全球气候变化特别敏感（Chen等人，2022a）。由于气候变化，TP正在经历广泛的永久冻土退化，导致SOC大量分解（Schuur等人，2015年）。这些变化影响了大气中的CO2浓度，并加剧了全球变暖（Zhang等人，2023年）。然而，由于高海拔、低温和恶劣的环境条件，TP永久冻土和偏远地区的土壤碳测量数据仍然有限。尽管先前的研究提高了对SOC空间格局、时间动态和气候响应的理解，但仍存在重大知识空白（Jiang等人，2019年；Shen等人，2023b；Yang等人，2009年；Zhao等人，2013年）。因此，进一步了解TP上SOC的空间分布及其对未来气候变化的响应对于理解全球碳循环和评估气候效应非常重要。
SOC储量及其空间分布受到气候、植被、土地利用和土壤性质之间相互作用的影响（Jenny，1994年）。在这些因素中，气候（尤其是温度和降水量）在SOC矿化过程中起主导作用，是SOC对未来变化脆弱性的主要决定因素（Ghimire等人，2014年）。多项研究一致表明气候具有强烈的敏感性。在中国，Zhang等人（2023年）报告称，在两种不同情景下SOC储量均有所下降：中等缓解路径（SSP2–4.5）和化石燃料驱动路径（SSP5–8.5）。在TP，Li等人（2021年）预测东北地区的SOC将大幅减少。这种敏感性也是全球性的现象。在中欧草原，实验性的变暖和干燥增加了氮的矿化作用，加速了微生物分解，导致碳损失（Wang等人，2016年）。基于模型的研究同样预测热带地区（Eglin等人，2010年）和温带欧洲农田（Wiesmeier等人，2016年）的SOC将下降。这些发现强调了量化气候敏感和碳富集地区（如TP）未来SOC储量的必要性，以支持碳预算评估和气候缓解工作。
数字土壤制图（DSM）为量化土壤性质的空间格局提供了有用的框架。DSM利用数据挖掘技术分析土壤与环境协变量之间的关系，生成空间明确的土壤地图（McBratney等人，2003年）。对于SOC预测，机器学习（ML）模型能够有效捕捉非线性关系。随机森林（RF）算法因其预测准确性、对噪声的鲁棒性以及处理高维协变量的能力而在SOC制图中得到广泛应用（Chen等人，2022b；van der Westhuizen等人，2023年）。Yang等人（2022年）使用RF绘制了TP的地表SOC图，展示了光谱数据在捕捉空间变化方面的价值。RF还与时空替代方法结合使用（Blois等人，2013年），用于预测未来的SOC储量，例如在中国干旱地区（Zhang等人，2025年）和美国（Adhikari等人，2019年）的研究中。这些应用突显了RF在量化SOC空间和时间动态方面的优势。
然而，仅靠预测无法阐明SOC格局的驱动因素。为了提高解释性，越来越多地将Shapley加性解释（SHAP）方法纳入DSM，以量化各个协变量的作用（Padarian等人，2020年；Wadoux等人，2023a）。将RF与SHAP结合使用，可以实现准确的预测和对模型行为的透明解释。因此，在本研究中，我们应用了一个基于RF的框架，结合时空替代和SHAP分析，来绘制和解释TP上SOC密度（SOCD）与环境变量之间的时空关系。
TP是SOC研究的关键区域，因为其广泛的永久冻土储存了大量碳，这些碳对升温非常敏感。通过解冻相关过程释放的碳对全球气候变化具有显著的正面反馈作用（Shen等人，2024年；Wang等人，2020年）。然而，目前对TP各生态地理区域中SOC的空间和垂直格局及其未来趋势的理解仍然不完整。这种缺乏层次特异性和区域特定性的知识阻碍了准确的碳预算评估和SOC脆弱性预测。为解决这一差距，本研究采用ML和DSM方法来量化0–30厘米、30–50厘米和50–100厘米深度的SOC。本研究探讨了两个科学问题：（1）TP不同土壤层中SOCD的空间格局和关键环境驱动因素是什么？（2）在SSP2–4.5和SSP5–8.5情景下，气候变化将如何影响这些层次中SOC储量的稳定性和规模？
研究区域
中国西南部的TP（26°00′N–39°47′N，73°19′E–104°47′E）面积约为250万平方公里，平均海拔超过4000米（图1）。该地区以广阔的冰川和永久冻土而闻名，常被称为“地球的第三极”和“亚洲的水塔”。从地理上看，高原由六个区域组成：长塘高原、南藏河流域、柴达木盆地、祁连山脉、青海南部高原和川藏高山峡谷（图1）。
模型性能
最终RF模型对三个土壤层SOC预测的性能总结见表3。总体而言，该模型解释SOC空间变异性的能力适中，但随着深度的增加，性能有所下降。基于10折交叉验证结果，模型在0–30厘米、30–50厘米和50–100厘米层次的R2值分别为0.56、0.48和0.35。相应的RMSE值分别为4.24、1.47和4.89 kg C m?2。
TP上SOC的空间格局和不确定性
SOCD的空间格局为
TP不同层次SOC变化驱动因素的差异
在所有调查的深度（0–30厘米、30–50厘米和50–100厘米）中，AI被认为是影响SOC的最重要因素，在相对重要性中排名第一（图4）。SHAP分析揭示了一个清晰且生态上一致的模式：较低的AI值代表更湿润的条件，对SOC有正面贡献；而较高的AI值与干旱相关，产生负的SHAP值。这种关系与AI定义的水文气候框架一致
结论
本研究整合了多源土壤剖面数据与机器学习框架，量化了基准期（1990–2025年）TP上SOC储量的空间分布，并预测了其潜在的未来变化。上层1米内的总SOC储量为34.17 Pg（90%置信区间：6.29–90.25 Pg）。AI被确定为所有土壤层的主要驱动因素，表层（0–30厘米）还受到植被（NDVI）和土壤pH值以及潜在蒸散量（PET）和粉砂含量的影响
CRediT作者贡献声明
张欣：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法论，概念化。陈洪进：撰写 – 审稿与编辑，可视化，验证。周军：撰写 – 审稿与编辑，验证，监督。张希宇：可视化，验证，监督。范建荣：撰写 – 审稿与编辑，监督，资金获取，概念化。
利益冲突声明
作者声明他们没有可能影响本文工作的竞争性财务利益或个人关系。
致谢
本研究得到了中国西藏自治区科学技术项目（项目编号：XZ202501ZY0091和XZ202402ZY0026）的支持。我们感谢匿名审稿人的仔细阅读和宝贵意见，这些意见有助于改进手稿。我们还要感谢Zhao等人（2018年）提供的有关青藏高原土壤碳的数据，并感谢世界土壤信息服务（WoSIS）提供的标准化土壤剖面数据。
