基于不同气候情景的青藏高原草地与农田土壤有机碳储量模拟及固碳潜力评估

《CATENA》：Modeling of soil organic carbon stock and sequestration potential in grassland and cropland in Qinghai-Tibet Plateau: prediction and carbon management strategies based on different climate scenarios

　　本文开发了结合随机森林（RF）算法的RF-AMG模型，模拟了RCP4.5和RCP8.5情景下青海省草地与农田土壤有机碳储量（SOCS）的未来时空动态。研究发现，RF-AMG模型在捕捉空间异质性方面优于改进的AMG（I-AMG）模型，并通过四象限诊断框架评估了区域碳汇能力，为高寒农牧系统气候适应性碳管理提供了见解。

　　

Highlight

模型性能评估

图3展示了通过对比2020年SOCS模拟结果与观测数据得到的I-AMG和RF-AMG模型的性能结果。I-AMG模型在预测草地SOCS方面取得了中等程度的拟合度，尽管在空间异质性高的区域观察到某些偏差。总体而言，它有效地捕捉了草地SOCS的趋势变化，表明I-AMG模型在处理草地SOCS变化方面具有基本准确性（R² = 0.55），并且适用于初步评估。相比之下，RF-AMG模型在模拟草地SOCS方面表现出显著更高的准确性（R² = 0.72），特别是在捕捉局部变化和空间异质性方面。对于农田，I-AMG模型也表现出合理的性能（R² = 0.58），但RF-AMG模型再次显示出优越性（R² = 0.75），更准确地反映了管理实践和土壤性质对SOCS的影响。这些结果表明，将随机森林算法与过程模型集成可以显著提高SOCS预测的可靠性，尤其是在处理复杂的环境梯度时。

I-AMG模型与RF-AMG集成模型的有效性

在本研究中，我们通过将改进的基于过程的I-AMG模型与数据驱动的随机森林（RF）算法相集成，开发了RF-AMG模型，以提高土壤有机碳储量（SOCS）预测的准确性。与I-AMG模型相比，RF-AMG方法能更好地捕捉空间异质性，并解释环境驱动因子之间复杂的非线性相互作用。RF-AMG模型有效地整合了多种因素，包括温度、降水、植被动态和土壤特性，从而更全面地表示了SOC动态。模型性能评估证实，RF-AMG在模拟草地和农田SOCS方面均优于I-AMG，具有更高的决定系数（R²）和更低的误差指标。这种改进在空间异质性高的地区尤其明显，在这些地区，仅靠过程模型难以充分捕捉局部变化。RF-AMG模型还确定了初始SOCS、净初级生产力（NPP）和气候变量是两种土地利用类型SOC动态的主要驱动因素，这与先前强调气候和植被生产力在调节碳输入和分解中作用的研究一致。RF-AMG模型的一个关键优势是其处理高分辨率空间数据的能力，使其适用于区域尺度的SOC测绘和预测。通过结合过程理解和机器学习的数据适应性，RF-AMG为在数据有限的高海拔地区（如青藏高原）进行可靠的SOC预测提供了一个强大的框架。

结论

我们通过（1）使用净初级生产力（NPP）代替收获指数作为输入，将基于过程的SOC模型（AMG）应用于草地，并（2）集成机器学习算法（随机森林），开发了集成的RF-AMG模型。我们的目标是提高大尺度下以及农田和草地在不同气候变化情景下的SOCS预测准确性。RF-AMG模型（包括步骤1和2）的表现优于单独的改进AMG（I-AMG，仅包括步骤1）模型，特别是在捕捉空间异质性和多因子相互作用方面。初始SOCS、NPP和气候变量被确定为两种土地利用类型的主要驱动因素。两种模型的SOCS预测均一致显示农田高于草地。在RCP4.5情景下，草地和农田的SOCS预计将稳步增加，反映了适度减排的潜在益处。RCP8.5情景表明某些区域，特别是碳饱和区域，积累速度较慢或可能出现下降。四象限分析揭示了RCP4.5情景下固碳潜力类型的更大异质性，东南部地区表现出更强的碳汇恢复力。在RCP8.5情景下，更多区域预计将经历SOC饱和或损失。这项研究为高寒农牧系统的气候适应性碳管理提供了稳健的建模方法和实用的见解，支持长期的土壤保护和全球碳中和目标。