《Agronomy》：Machine Learning-Driven Assessment of Soil Carbon Sequestration and Emission Reduction Potential in Tea Plantations
Tinghao Wang,
Yiming Si,
Xiang Shen,
Ming Cao,
Wenxin Cheng,
Huiming Zeng,
Tong Li and
Kun Cheng
编辑推荐：
为解决茶园温室气体（GHG）净收支量化不足、缺乏全国尺度和数据驱动评估的问题，本研究利用机器学习（ML）框架，整合了全国观测数据，开发了预测N2O排放和土壤有机碳（SOC）变化的模型。研究发现，与常规线性回归相比，随机森林（RF）模型预测精度更高，揭示了驱动因子的非线性控制。全国模拟表明，中国茶园总体上是一个净温室气体汇。情景分析显示，优化施肥（特别是增施有机肥）可大幅提升净碳汇潜力。该研究为量化茶生态系统GHG平衡、制定农业碳中和策略提供了科学依据。
在全球应对气候变化的紧迫背景下，农业系统扮演着“双刃剑”的角色：它既是重要的温室气体排放源，也蕴藏着通过土壤固碳来抵消排放的巨大潜力。其中，氧化亚氮（N2O）是一种强效温室气体，其全球增温潜势是二氧化碳（CO2）的273倍，而农业活动，特别是氮肥施用，是其最主要的人为排放源。另一方面，土壤有机碳（SOC）的固持可以将大气中的CO2长期封存于地下，形成宝贵的碳汇。如何在一个统一的框架下，同时精准量化一个生态系统的“排放”与“吸收”，计算其净温室气体（GHG）平衡，是制定科学管理策略、实现农业碳中和的关键。
中国的茶园正是这样一个需要被深入审视的典型生态系统。作为全球最大的茶叶生产国，中国茶园面积广阔，且管理上普遍存在氮肥投入高、土壤偏酸的特点。一方面，这可能导致极高的N2O排放风险；另一方面，茶树作为多年生作物，其持续凋落物和根系分泌物输入又可能促进SOC的积累。然而，现有研究大多孤立地关注SOC储量或N2O排放，鲜有将二者结合进行全国尺度的净GHG评估。传统的基于固定排放因子的估算方法，也难以捕捉气候、土壤和管理措施之间复杂的非线性相互作用，导致评估结果存在较大不确定性。为了填补这些知识空白，一项题为“机器学习驱动下的茶园土壤固碳与减排潜力评估”的研究在《Agronomy》上发表，旨在利用先进的数据驱动模型，更全面、精准地描绘中国茶园的“碳足迹”。
为了开展这项研究，研究人员系统性地搜集并整合了已发表的田间观测数据，构建了一个包含全国多个茶园点位的数据库，其中N2O排放观测79条，SOC变化观测94条。基于此，他们对比了传统多元线性回归（MLR）与三种机器学习算法——随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）——在模拟N2O排放和SOC变化上的性能。模型输入变量涵盖了施肥量（无机氮、有机氮）、土壤性质（SOC、pH、粘土含量）、茶园年龄、气候（年均温MAT、年降水量MAP）等关键因子。利用训练好的最优模型，结合全国高分辨率的空间化数据集（施肥、土壤、气候），研究人员模拟了2020年中国茶园的N2O排放和SOC变化的时空格局，并计算了其净GHG平衡。此外，他们还设定了两种优化施肥情景，评估了减少无机氮肥和增施有机肥的减排增汇潜力。
3.1. 模型性能与变量重要性
机器学习模型，特别是随机森林（RF）模型，在预测N2O排放和SOC变化方面显著优于传统的多元线性回归模型。RF模型对N2O排放和SOC变化的预测R2值分别达到0.68和0.67，且没有显著的预测偏差。变量重要性分析揭示了强烈的非线性控制关系。
对于N2O排放，无机氮肥输入是最主要的驱动因子，其次是有机氮输入、土壤粘土含量和SOC含量。边际效应分析显示，N2O排放对氮肥输入存在明显的阈值效应：当有机氮输入超过250 kg N ha-1，无机氮输入超过300 kg N ha-1时，排放量会急剧上升。土壤粘土含量与N2O排放呈先负后正的非线性关系。茶园年龄在初期（0-15年）与排放呈负相关。
对于SOC动态，有机碳输入是最关键的影响因子，其次是茶园年龄、气候变量和土壤pH。SOC固持率随有机碳输入增加先快速上升后趋于平缓。茶园年龄在最初10年内与SOC固持率显著正相关。年均温（MAT）低于13°C时对SOC有正效应，高于此阈值则转为负效应。年降水量（MAP）的影响呈U型曲线。此外，无机氮输入与SOC固持率呈抛物线关系，转折点约在200 kg N ha-1。
3.2. 中国茶园净温室气体排放：现状
全国尺度模拟结果显示，当前中国茶园平均N2O排放强度为9.03 kg N2O ha-1，年排放总量为29.62 Gg N2O。其中，西南（SW）和长江中下游（YR）区贡献了总排放量的绝大部分（82.7%）。平均SOC固持率为0.88 t C ha-1yr-1，年固碳总量为2894.01 Gg C，同样以SW和YR区为主。
利用全球增温潜势（GWP）进行综合评估发现，SOC固持足以抵消N2O排放，使得中国茶园整体上成为一个净GHG汇，年净吸收量为-2525.18 Gg CO2-eq。黄土高原（LP）区的净碳汇强度最高，而YR区最低。
3.3. 中国茶园净温室气体排放：减排潜力
情景分析评估了两种优化管理措施的减排增汇潜力。
情景A（减少无机氮肥）：在实施各省特定的无机氮减量方案后，SOC固持率比基线增加15.9%，但N2O排放仅减少1.2%。净GHG吸收量增加了1803.66 Gg CO2-eq。
情景B（有机肥替代）：在减氮基础上，额外用有机肥替代20%的氮输入。该情景显示了显著的协同效益，SOC固持率大幅提升44.3%，N2O排放强度降低16.1%。净GHG吸收量增加了5961.30 Gg CO2-eq，减排潜力远大于单纯减氮方案。SW和YR区是实现这一潜力的关键区域。
研究结论与讨论
本研究证实，随机森林模型能够高精度地模拟中国茶园土壤N2O排放和SOC动态，其性能显著优于传统线性模型。驱动因子分析表明，氮管理是控制N2O排放的核心，而有机物料输入和园龄是调控SOC动态的关键，且所有关系都表现出复杂的非线性特征。全国评估揭示，尽管中国茶园是显著的N2O排放源，但其更强的SOC固持能力使其整体上发挥了净碳汇的功能。这凸显了茶园在农业碳中和战略中的重要地位。
研究的深刻意义在于，它首次在一个统一的机器学习框架下，整合了SOC固持和N2O排放，实现了对中国茶园GHG净收支的数据驱动、全国尺度量化。这克服了以往研究孤立看待碳氮过程、依赖静态排放因子、难以捕捉空间异质性的局限。更为重要的是，情景分析为制定差异化的茶园低碳管理路径提供了直接的科学依据：研究表明，单纯减少无机氮肥对抑制N2O排放的短期效果有限，但能有效促进固碳；而“有机肥替代”策略则能实现减排与增汇的“双赢”，应作为优先推广的 mitigation（缓解）途径。特别是在西南和长江中下游等主要茶区，推行此类优化施肥管理，将对实现全国农业减排目标产生重大影响。
当然，研究也存在一定局限，如观测数据的时间和空间覆盖不均、未考虑修剪还田等管理措施的定量影响、以及机器学习模型固有的“黑箱”特性对机制解释的挑战。未来的研究可通过纳入更长期、更均匀的观测数据，探索与过程模型结合的混合建模方法，以进一步提升预测的准确性和机理的明晰度。尽管如此，这项研究无疑为科学评估茶园生态系统在气候变化减缓中的作用，推动茶叶产业的绿色可持续发展，提供了坚实而新颖的量化工具与决策支持。
