发布日期：2026-06-29
浏览次数：
高寒草地土壤有机碳分为颗粒有机碳（POC）与矿物结合有机碳（MAOC）两大组分，二者空间格局调控区域碳汇与气候反馈。三江源是亚洲关键生态安全屏障，区域存在完整降水梯度，是解析水分调控高寒土壤碳循环的天然试验平台。现有研究存在高寒草地 POC-MAOC 分配调控机制量化不足、植物/微生物碳源贡献无统一结论、单一机器学习模型空间预测误差大、气候-土壤-微生物协同调控路径尚不清晰。
围绕高寒草地土壤碳组分空间分异驱动机制这一核心科学问题，实验室研究人员以三江源东部沿降水梯度布设的 90 个有效样点为研究对象，整合地形、气候、植被、土壤多源栅格数据，构建CNN、DNN、随机森林、XGBoost四类机器学习模型，结合贝叶斯模型平均（BMA）实现 POC、MAOC 高精度空间预测；同时融合 SHAP、SURD、SEM、多元线性回归、贝叶斯自举多方法开展变量贡献归因，厘清降水、微生物、植被、土壤矿物对两类碳库的逐级调控关系。
研究结果表明，沿年均降水230–773mm 梯度，POC、MAOC 绝对储量随降水增加显著上升，但POC/MAOC 比值在所有降水区间无统计学差异（p>0.05），表明水分供给大幅改变土壤碳储量，但没有改变土壤内部碳组分分配比例，呈现 “储量随水分波动、组分分配恒定” 的特征。空间分布上，POC、MAOC均呈现东南高、西北低，与降水梯度高度耦合。单一机器学习模型预测误差较高，采用BMA多模型融合后，POOC预测精度提升12.99%、MAOC提升15.58%；BMA模型独立测试集R2分别达0.87（POC）、0.89（MAOC），可精准刻画高寒异质景观下土壤碳空间格局。
图1 贝叶斯模型平均集成模型预测的（a）颗粒有机碳（POC）与（b）矿物结合有机碳（MAOC）空间分布
图2 年均降水梯度（＜400、400–500、500–600、600–700、＞700 mm/ year）下颗粒有机碳（POC）、矿物结合有机碳（MAOC）及其比值（POC/MAOC）的分布特征
图3 颗粒有机碳（POC）与矿物结合有机碳（MAOC）相关因子的贝叶斯加权多模型分析
图4 降水调控颗粒有机碳（POC）与矿物结合有机碳（MAOC）形成过程的机理示意图
该成果以“Bayesian machine learning identifies precipitation as a key predictor in alpine soil carbon spatial structuring”为题发表于国际学术期刊《Soil & Tillage Research》。青海大学王钊齐副研究员为论文第一作者和通讯作者，此项研究得到青海省首席科学家项目（2024-SF-102）和国家自然科学基金（32160278、32501446、32371719）的资助。
参考文献：Wang, Z., Yu, S., Huang, X., Zhou, T., Zhang, H., Liu, Y., Wu, G., Zheng, K., Xiang, M., Ma, T., Liu, D., Lu, Y., 2026. Bayesian machine learning identifies precipitation as a key predictor in alpine soil carbon spatial structuring. Soil & Tillage Research, 264, 107304.
