📄 earth_science

Global non-cropland soil organic carbon loss risk under multi-level warming scenarios

本研究采用过程-数据耦合框架揭示，在全球多级增温情景下，全球非农用土壤有机碳储量面临日益严重的净损失，其中森林生态系统和高纬度地区由于温度加速分解与碳输入之间的失衡，其降幅最为显著。

原作者： Keqiang Wang, Zipeng Zhang, Xiangyu Ge, Lijing Han, Jingzhe Wang, Jianli Ding, Lei Zhang

发布于 2026-08-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Keqiang Wang, Zipeng Zhang, Xiangyu Ge, Lijing Han, Jingzhe Wang, Jianli Ding, Lei Zhang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在我们脚下，隐藏着一个巨大的、无形的储库，它所蕴含的碳量超过了大气层和全球所有森林的总和。这就是土壤有机碳，一种由腐烂的植物物质、根系和微观生命在数千年中累积而成的复杂混合物。它是地球储存能量的方式，其稳定性对于气候至关重要。当这些碳被锁在地下时，有助于保持地球凉爽。但当它们分解并以二氧化碳的形式逃逸到空气中时，就像一层毯子，捕捉热量并加速全球变暖。科学家们早已知晓，气温上升会加速这种有机物质的分解，但关于世界不同部分将如何反应的全貌一直模糊不清。以往的大多数研究都集中在农田上——在那里，人类的手不断进行耕作和施肥；或者集中在难以扩展到整个大陆规模的小型受控实验上。而那些覆盖了地球大部分面积的广袤荒野——森林、草地和灌木丛——在这一背景下的研究则相对较少。

一个研究小组致力于绘制在变暖的世界中，这些荒野土壤的未来图景。他们想确切知道，如果地球变热，可能会损失多少碳，以及这些损失会在哪里发生得最严重。为此，他们构建了一个结合了两种强大思维方式的数字模型。首先，他们使用了一个基于过程的模型，它像是一个生物计算器，模拟土壤微生物如何根据温度和水分来摄取并分解有机物质。然后，他们将此与机器学习工具（一种能从海量现实世界数据中学习模式的计算机程序）相结合。通过向这个混合系统输入来自全球近5万个土壤采样点的数据，他们可以模拟如果温度上升不同幅度（从轻微上升到剧烈上升）时，土壤中的碳会发生什么变化。他们特意排除了农田，以专注于占据地球表面的自然、非农业景观。

结果描绘了一幅清晰且令人担忧的画面。在他们测试的所有变暖情景下，这些荒野生态系统的土壤都失去了碳。没有任何一种情景显示土壤增加的碳足以抵消热量造成的损失。随着变暖程度加剧，损失变得更深、更快。在他们模拟的最极端情景中（即温度显著升高的情况下），全球表层土壤的碳储量下降了近18皮太克（petagrams）。为了直观理解，这大约相当于人类活动在数年内释放的总碳量，只不过这一次是来自大地本身。这些损失并非均匀分布，而是集中在北半球的森林，特别是北美和欧亚大陆广袤的林区，以及像青藏高原这样的高海拔地区。这些目前储存着巨量碳的区域，似乎对升温最为敏感。

研究还表明，并非所有的景观反应都相同。森林遭受的碳损失最大，其次是草地，然后是灌木丛。从土壤机制来看，这合乎逻辑：森林拥有肥沃且深厚的有机物层，这些物质在受热时高度活跃，导致碳的快速释放。相比之下，驱动这些变化的因素被确定为植物生长量和平均温度。当植物生长更多时，它们会将更多碳投入土壤，但当空气变暖时，分解这些碳的微生物工作速度会加快，从而将碳释放回大气中。在模拟中，分解的速度超过了植物补充流失碳的能力。研究人员发现，土壤属性（例如粘土矿物保持碳的能力）发挥了一定作用，但它们无法阻止变暖世界中整体的流失趋势。

虽然模拟显示出一致的流失模式，但研究人员指出，在数据匮乏的最寒冷、最偏远的地区，其预测的不确定性更高。这表明，虽然总体趋势是明确的，但在特定高纬度地区损失的碳量可能比估计的还要大。这项研究并不声称已经解开了土壤碳的谜团，但它提供了一张更为精准的风险地图。它证明了世界荒野土壤的自然平衡是脆弱的。随着地球变暖，这些巨大的储库很可能从“碳汇”转变为“碳源”，从而创造一个反馈循环：变暖导致更多的碳释放，而碳释放反过来又导致更多的变暖。这些发现是一个严峻的提醒：全球气候的稳定性不仅取决于我们的排放量，还取决于地球自身系统对我们已经释放的热量的反应方式。

技术摘要：多级增温情景下全球非农耕地土壤有机碳损失风险

问题陈述
土壤有机碳（SOC）构成了最大的陆地碳库，然而由于气候、生态系统与土壤属性之间复杂的相互作用，其对全球变暖的响应仍未得到充分理解。虽然以往的研究利用了野外实验和过程模型，但这些方法在空间外推和可扩展性方面面临局限性，特别是对于占据陆地表面的主要部分——非农耕地生态系统（森林、草地、灌丛）。现有研究通常侧重于静态的 SOC 制图或特定的农业背景，导致在理解全球非农耕地 SOC 储量如何响应不同强度增温（针对不同土地覆盖类型和气候带）方面存在空白。因此，需要一个能够将机制过程理解与空间预测能力相结合的框架，以评估不同增温梯度情景下的 SOC 动态。

研究方法
本研究开发了一种耦合“过程-数据集成”的框架，将 RothC 过程模型与随机森林（RF）机器学习算法相结合。研究流程如下：

数据收集与预处理： 研究利用了来自世界土壤信息服务（WoSIS）的 49,244 个全球土壤样本点。通过等面积样条函数将数据标准化为 0–20 cm 深度区间。研究区域限定为全球陆地非农耕地，明确排除了农田、湿地、裸地和水体，以将温度驱动的响应与管理或水文干扰因素隔离开来。
情景设计与过程模拟： 建立了七个温度情景：一个基准情景（0% 增温）和六个增温情景（T5–T30）。增温幅度计算为月最高温与平均温之差的 5% 至 30% 增量。在每个采样点运行 RothC 模型进行一年周期的模拟，以模拟 SOC 周转。模型在 1,000 年内被初始化为稳态，随后利用历史气候数据（1981–2014 年）并在施加温度扰动的情况下进行前向运行。碳输入根据净初级生产力（NPP）数据进行调整。
空间建模： 计算了每个增温情景与基准情景之间的 SOC 差异（ $\Delta$ SOC）。为了处理重尾分布和异常值，对目标变量进行了分位数截断。随后，使用训练好的随机森林模型，利用 15 个环境协变量（气候、土壤、地形和植被因子）来预测全球 $\Delta$ SOC 的空间分布。
分析与不确定性： 使用 $R^2$ 、RMSE 和 MAE 评估模型性能。采用 SHAP（Shapley 加性解释）分析来解释特征重要性和边际效应。通过分位数回归森林（QRF）进行不确定性评估，以生成预测区间。

核心贡献

过程-数据融合框架： 本研究建立了一种将 RothC 过程模型与随机森林耦合的新型框架，平衡了碳循环的机制约束与机器学习的空间外推能力。
多梯度增温评估： 不同于二元或单一情景研究，本工作全面捕捉了全球非农业土地在连续增温强度（温度范围的 5% 至 30%）下的 SOC 响应。
空间显性的非农耕地关注： 研究专门针对常被忽视的非农耕地陆地生态系统，为森林、草地和灌丛提供了细粒度的 SOC 损失风险评估。

关键结果

全球净损失： 在所有增温情景下，全球 0–20 cm 层的陆地非农耕地 SOC 均表现出净损失。随着增温强度从 T5 增加到 T30，全球 SOC 储量减少了 7.58 至 17.60 Pg，平均 $\Delta$ SOC 值在 −40.23 至 −92.73 g C m⁻² 之间。
土地覆盖敏感性： 森林生态系统的绝对损失最大（在 T30 情景下高达 11.88 Pg），其次是草地和灌丛。与其它土地覆盖类型相比，森林对增温扰动的敏感性更高。
空间异质性： 负向 SOC 响应集中在中高纬度和高海拔地区，包括北美北部、欧亚北部和青藏高原。大陆性气候带表现出最严重的损失。
驱动因素： SHAP 分析确定了净初级生产力（NPP）和年平均气温（AMT）是主要的预测因子。这表明 SOC 响应受生态系统碳输入（NPP）与温度驱动的分解过程之间平衡的调节。与碳稳定相关的土壤属性（如 CEC）也发挥了重要作用。
模型性能： 随机森林模型在不同情景下表现出稳定的预测能力， $R^2$ 值在 0.50 至 0.54 之间。结果显示，与孤立增温实验中观察到的变异性相比，其呈现出更平滑、更连续的温度响应曲线。

意义与主张
作者声称，本研究证明了增温诱导的 SOC 响应受碳输入、分解损失和土壤碳稳定过程之间动态平衡的调节。该耦合框架被视为一种方法论上的进步，它改进了机制约束与空间预测的整合，为全球 SOC 对气候变暖的响应提供了新见解。

研究结论认为，所提出的框架通过揭示强增温情景下加速的 SOC 损失趋势，支持了气候变化背景下的区域碳管理。研究强调，随着增温加剧，构成陆地表面大部分面积的非农耕地生态系统在面临碳损失方面具有脆弱性，特别是在高纬度和大陆性地区。作者将此项工作定位为从静态 SOC 制图向基于情景的响应评估转变的一步，为未来关于 SOC-气候反馈的研究提供了参考。

类似论文