青藏高原土壤无机碳和有机碳的空间分布差异、碳储量及其对气候阈值的响应

《Soil and Tillage Research》：Divergent spatial distributions, carbon stocks, and climatic threshold responses of soil inorganic and organic carbon in the Tibet Plateau

基于多源数据与六种机器学习模型，系统评估了西藏高原0-20cm和0-100cm土层无机碳（SIC）和有机碳（SOC）的空间分布与储量，揭示非线性气候响应阈值（SIC峰值于331mm年降水，SOC于691mm），并指出SIC在西北干旱区富集、SOC在东南湿润区主导的分布格局，为区域碳循环评估提供新方法。

　　

王晓娴|王霞|张秀霞|周涛|王宇|段文辉|赵云飞|程卓云|刘亚东|刘钊

兰州大学地球与环境科学学院，中国兰州730000

摘要

青藏高原对气候变化非常敏感，然而土壤无机碳（SIC）与土壤有机碳（SOC）的空间分布、储量及气候阈值仍缺乏准确的量化研究。本研究整合了2016–2024年的野外调查数据、ISRIC数据库（1980–2012年）的资料以及已发表的文献，并结合多传感器遥感数据，利用六种机器学习模型绘制了青藏高原的SIC和SOC分布图。建模基于865个0–20厘米深度的SOC样本和329个0–100厘米深度的SOC样本，以及140个0–20厘米深度的SIC样本和136个0–100厘米深度的SIC样本。为确保评估的可靠性，我们采用了80%/20%的训练集-测试集划分，并在训练集内进行了10折交叉验证以调整超参数并选择最佳模型，分别针对0–20厘米和0–100厘米深度进行了验证。研究结果表明：（1）随机森林（RF）算法在0–20厘米深度对SOC和SIC的预测准确性最高；而提升回归树（Boosted Regression Trees）在0–100厘米深度对SIC的预测效果最佳（R2 = 0.79）。（2）估算的总土壤碳储量为0–20厘米深度为20.61 Pg，0–100厘米深度为82.32 Pg。从空间上看，SIC在干旱的西北部及深层土壤中更为丰富，而SOC则主要分布在湿润的东南部高原和表层土壤中，这与它们的形成机制相符。（3）通过使用SHAP的广义加性模型（Generalized Additive Models），我们发现了具有不同阈值的气候控制因素：SIC在降水量为331毫米时达到峰值，而SOC在降水量为691毫米时达到峰值，且SOC对温度的敏感性更强。本研究得到的SOC估算结果与SoilGrids和GSOCmap的结果大体一致（R2高达0.78），而我们基于高原特征并采用深度特定模型选择的框架为青藏高原提供了具有深度一致性的SIC和SOC分布图。这些结果突显了SIC和SOC在气候敏感性上的差异，有助于改进青藏高原的区域碳预算评估。

引言

土壤是陆地生态系统中最大的碳库，包含土壤无机碳（SIC）和土壤有机碳（SOC）（Post等人，1982年）。土壤碳库的变化对全球碳循环和气候变化具有重要影响，因为土壤碳库的增减会导致大气中CO?浓度的变化（Stevenson等人，2024年）。然而，目前的研究主要集中在SOC上，而SIC由于周转速率较慢而受到较少关注。更重要的是，SIC和SOC在形成机制和气候敏感性方面存在显著差异：SIC主要受地质化学过程控制，而SOC则受生物过程控制。因此，比较它们的不同响应对于准确评估生态系统净碳预算至关重要，但这种比较在大空间尺度上仍较为有限。青藏高原具有广泛的永久冻土覆盖和加剧的气候变暖现象，为研究气候变化下的土壤碳动态提供了自然实验室（Jia等人，2022年）。在此背景下，阐明SIC和SOC在碳储量、空间分布以及对气候变量的响应阈值上的差异对于提高我们对区域碳循环的理解至关重要。

青藏高原被誉为“世界之屋”，平均海拔超过4000米，拥有中低纬度地区最大的永久冻土面积（Yi等人，2025年）。随着气候变暖的持续，冰川退缩和永久冻土退化正在加速，导致土壤碳排放增加（Wu等人，2022年）。然而，与SOC相比，由于SIC观测数据稀缺，对SIC及其与SOC对比的评估在高原尺度上受到限制，这限制了在大时空尺度上的可靠评估（Lin等人，2024年；Liu等人，2025年；Wang等人，2022年）。同时，广泛使用的全球SOC产品（如SoilGrids和GSOCmap）提供了重要的参考依据，但其区域估算结果可能存在较大差异，特别是在高纬度/永久冻土和山区系统（Lin等人，2022年）。因此，开发一个结合实地观测和遥感数据的高原专用映射框架对于改进青藏高原的SOC和SIC估算及区域碳预算评估至关重要。

数字土壤制图（DSM）通过建立基于野外观测和环境变量的土壤-环境关系来量化土壤性质的异质性（McBratney等人，2003年；Jafari等人，2014年）。由于这些关系往往是非线性的，并受多种相互作用因素的影响，机器学习方法在DSM中得到广泛应用；其中，基于树的模型在复杂地形中表现出较强的预测能力（Bou Kheir等人，2010年；Yang等人，2016年；Zhou等人，2020年）。在青藏高原，遥感技术对于捕捉气候-植被-地形耦合梯度至关重要；然而，高海拔地区的持续云层覆盖会大幅降低光学图像的可用性和质量。将光学观测与合成孔径雷达（SAR）相结合，可以利用被动和主动传感的互补性，为区域制图提供关于地表结构和水文物理条件的额外约束（Li等人，2022年；Zeng等人，2019年；Zhou等人，2020年）。尽管近年来在高原尺度上的SOC制图取得了快速进展（Sun等人，2025年；Zhou等人，2021年），但在类似的空间范围和深度范围内对SIC的量化相对较少，直接的SOC-SIC比较也较为有限。与主要受生物过程影响的SOC不同，SIC在干旱至半干旱地区及深层土壤中可占土壤总碳的较大比例，其动态主要受碳酸盐沉淀-溶解平衡和水文驱动的溶质传输与再分配控制。越来越多的证据表明SIC并非静态储库（Song等人，2022年），对高山流域中溶解无机碳（DIC）来源和循环的研究也表明，无机碳可以通过水文-地球化学过程参与区域碳循环（Wang等人，2023年）。然而，关于青藏高原的SIC研究主要基于局部剖面和过程导向的研究（Ma等人，2024年），这限制了在统一深度区间内进行SIC和SOC的比较。鉴于SOC和SIC的控制因素具有明显的深度依赖性（Pan等人，2022年），我们分别对0–20厘米和0–100厘米深度的层次进行模型评估，并结合光学和SAR数据来绘制整个高原的SOC和SIC分布图。这些分层产品为后续分析气候驱动因素对SOC和SIC的非线性响应及其阈值效应提供了统一的基础。

基于青藏高原的野外调查数据，本研究评估了六种机器学习方法，并利用多源遥感数据构建了特定土壤层次的SIC和SOC分布图。随后，应用SHAP和GAM方法研究了SIC和SOC对气候因素的差异响应（图1）。本研究的主要目标是：（1）确定评估SIC和SOC空间分布及储量差异的最佳模型；（2）定量分析SIC、SOC与环境驱动因素之间的阈值效应，并揭示关键驱动因素影响SIC和SOC的机制。

研究区域

青藏高原位于北半球中低纬度地区（26°–39°N，73°–104°E），总面积约为2.57×10?平方公里（图2）。该地区平均海拔超过4000米，具有明显的气候垂直梯度。这些高海拔条件以及独特的气候环境导致了多样的土壤和植被类型，为研究土壤碳循环提供了丰富的采样资源（Yao等人，2022年）。

SIC和SOC的统计分析

表2展示了不同土壤深度下SIC和SOC的描述性统计信息。在0–20厘米深度层，SIC和SOC的平均含量分别为11.27±11.61克/千克和36.43±36.50克/千克。在0–100厘米深度层，相应的平均值分别为13.11±11.89克/千克和20.24±25.22克/千克。这两个变量在所有深度范围内都呈现正偏态分布。

不同模型的预测性能评估

本研究采用了六种机器学习算法——RF、BRT、LightGBM、SVM、XGB和Cubist——来进行建模

基于多源遥感数据的分层分析

本研究整合了Sentinel-1、Landsat、MODIS、气候和地形数据来开发分层预测模型。结果表明，机器学习算法的选择、环境变量的组合以及按土壤深度分层建模的策略都对SIC和SOC的预测性能有显著影响。在测试的模型中，随机森林（RF）算法在SIC和SOC的预测性能上表现最佳

结论

本研究通过利用多种遥感数据，系统评估了青藏高原上SOC和SIC的空间分布模式和储量差异，并评估了六种代表性的机器学习方法。此外，还应用了结合SHAP的GAM方法来阐明SOC、SIC与关键环境因素之间的非线性关系，并识别可能的阈值效应。主要研究结果如下：

（1）在六种机器学习算法中

CRediT作者贡献声明

王晓娴：概念提出、方法论设计、软件开发、数据分析、初稿撰写。 王霞：指导、审稿编辑、资金申请。 张秀霞：方法论设计、资源协调、审稿编辑、资金申请。 周涛：方法论设计。 王宇：数据可视化。 段文辉：指导、研究实施。 赵云飞：数据管理、数据分析、资金申请。 程卓云：研究实施。 刘亚东：资源协调、验证工作、数据可视化。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究得到了国家自然科学基金（NSFC 42271079；42301069）、中央地方科技发展引导基金（25ZYJA021）和甘肃省自然科学基金（24JRRA521）的支持。