土壤有机碳（SOC）与土壤渗透性、团聚体稳定性、侵蚀性以及水分和养分保持能力密切相关。增加SOC含量可以提高耕地质量和作物产量（Lal, 2004）。特别是稻田，具有显著的碳封存潜力，有助于缓解气候变化（Clark et al., 2020）。分析稻田SOC动态的空间分布和驱动因素为改善土壤施肥和作物生产力提供了基础，同时也支持了农田碳封存策略的发展。
气候是农田中SOC最重要的自然驱动因素。它在调节植物生长（决定土壤碳输入）和微生物活动（驱动土壤碳分解）方面起着至关重要的作用（Shen et al., 2023）。许多研究报道，在气候变化背景下SOC发生了显著变化（Garcia-Franco et al., 2024, Wang et al., 2022, Yang et al., 2023）。Giannitsopoulos等人（2025）预测，在RCP4.5和RCP8.5情景下，2020年至2100年间碳损失为1.02–1.18吨碳/公顷/年。Paramesha等人（2025）发现，气候变化减少了菠萝单作中的SOC，但增加了椰子-菠萝间作中的SOC。然而，这些研究仅记录了气候变化下多种因素共同作用下的SOC变化，而没有明确量化气候变化相对于其他因素的贡献。此外，温度和降水的季节性变化导致土壤呼吸速率及其温度敏感性呈现季节性模式（Schnecker et al., 2023）。这些季节性动态也反映在SOC上，研究表明夏季（或生长季节）的SOC含量高于冬季（或非生长季节）（Chen et al., 2023, Wang et al., 2022）。鉴于这些观察到的模式，可以合理预期气候变化对SOC的影响也会随季节变化。尽管已经认识到季节性气候对SOC的影响（Hoffmann et al., 2018），但在当前研究中这些影响仍然缺乏足够的量化和理解。
植被生长通过向表层土壤（通过落叶）和地下土壤（通过根系生长、更新和分泌物）输送碳来促进SOC的封存。作为植被生长状态的关键指标，物候学捕捉了关键生长阶段的时间和持续时间，从而影响光合作用的持续时间和强度，进而影响碳交换（Cicuéndez et al., 2020）。鉴于这种关系，数字土壤制图研究人员越来越多地结合物候参数以提高SOC预测的准确性。例如，Yang等人（2024年）、He等人（2021年）和Yang等人（2021年）分别报告R2提高了36%、171%和31.29%，证实了物候学在捕捉SOC空间变异性方面的价值。由于SOC空间模式的驱动因素也影响其时间动态（Minasny et al., 2013），作物物候也可能有助于描述SOC随时间的变化（Tao et al., 2020, Venter et al., 2021）。然而，很少有研究在区域尺度上定量评估作物物候对SOC时间模式的影响。物候学调节作物对气候的响应，并影响碳循环（Paramesha et al., 2025）。生长季节开始时间和长度的变化可以通过改变地上和地下生物量生产来减轻或放大气候变化对SOC的不利影响（Zepp et al., 2023）。在某些情况下，气候变化的间接效应（通过物候学）可能超过直接效应（Tao et al., 2020）。以往的研究（Attia et al., 2021, Debnath et al., 2020, Guo et al., 2021, Jiang et al., 2022）主要关注作物物候对气候变化的响应如何影响植物碳储量（如产量和初级生产力），而忽略了它们对土壤碳库的直接影响。解决这一差距对于推进全球气候变化情景下的SOC动态研究至关重要。
数字土壤制图已成为分析景观尺度SOC动态的强大工具。由于各种机器学习算法能够模拟SOC与其影响因素之间的复杂非线性关系，因此在该领域被广泛使用（Adeniyi et al., 2024, Ugbaje et al., 2024, Yang et al., 2024）（先前研究的总结见补充表S1）。这些方法大致分为深度学习方法和集成方法。深度学习模型，包括卷积神经网络（CNN）（Mishra et al., 2025）和长短期记忆（LSTM）网络（Eid et al., 2022, He et al., 2024），在从原始数据中自动学习层次化空间和时间特征方面表现出色。然而，它们的优势被高计算需求、大量数据要求和有限的可解释性所抵消，往往使它们成为“黑箱”。相比之下，集成方法如随机森林（RF）（Ho et al., 2025）和极端梯度提升（XGBoost）（Li et al., 2025b）提供了稳健的替代方案。RF因其对抗过拟合的稳健性和提供变量重要性度量而受到重视，从而增强了模型的可解释性。XGBoost在实现顶级预测准确性和计算效率的同时，需要更细致的超参数调整来优化性能并减轻过拟合。传统的土壤制图方法通过空间外推这些关系来预测SOC，将输出限制在离散观测时间点的空间分布上。相比之下，时空数字土壤制图通过结合动态变量（如气候、土地利用和植被生长）来扩展这一框架，从而实现时间外推（Minasny et al., 2013）。这一进展使得即使在缺乏直接观测的时期也能分析长期SOC变化驱动因素（Heuvelink et al., 2021, Li et al., 2022c, Szatmári et al., 2024, Ugbaje et al., 2024）。然而，作为一种纯粹的数据驱动方法，时空数字土壤制图往往未能结合土壤学知识，导致SOC时间序列具有过大的年际波动（Zhang et al., 2023）和时间不确定性（Heuvelink et al., 2021）。整合像反硝化-分解（DNDC）这样的过程模型，可以模拟生物地球化学过程（Hendriks et al., 2020），在提高时间准确性方面显示出潜力（Xie et al., 2022, Zhang et al., 2024, Zhang et al., 2023），尽管仍需进一步验证这种混合方法。
本研究通过开发一种新的集成RF-DNDC框架，改进了现有的SOC建模工作，解决了现有研究中的关键限制。在这一方法论基础上，我们的方法引入了两个主要的科学创新：首先，它建立了一种稳健的方法来分离和量化气候变化和作物物候对SOC动态的影响；其次，它能够明确量化气候对SOC影响的季节性差异。选择中国福建省东南沿海地区作为研究区域，是因为该地区具有显著的地形异质性，为研究海拔依赖性的SOC动态提供了理想的试验场。本研究有三个主要目标：（1）通过模型集成提高SOC时空变化预测的准确性，与单独模型相比，目标是将R2的可测量增加；（2）分别量化气候变化和水稻物候响应对SOC动态的影响；（3）比较前期与中期气候因素的相对贡献，从而明确揭示气候影响的季节性差异。结果将增强对气候变化对SOC动态影响的理解，并为应对气候变暖的稻田土壤质量管理提供决策支持。
