2026, Vol. 47
2. 湖南师范大学地理科学学院，长沙 410081;
3. 北京师范大学地理科学学部，地表过程与资源生态国家重点实验室，北京 100875
, WEI Xing-ping1
, LINGHU Xiao-yu1 , HUANG Rou-man1 , LI Hui2 , CHEN Shi-die3 , CAI Yun-li1
2. School of Geographical Science, Hunan Normal University, Changsha 410081, China;
3. State Key Laboratory of Earth Surface Processes and Resource Ecology, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
缓解气候变化是21世纪全球最关键的问题[1]. 在全球低碳可持续发展的背景下，陆地生态系统碳封存是公认的减缓大气二氧化碳（CO2）浓度上升有限且环保的方法之一[2]. 陆地生态系统通过碳吸收、碳存储和碳释放过程参与碳循环，其碳密度的变化对区域碳循环有着重要影响. 因此，评估陆地生态系统碳密度变化及对碳循环的影响，是实现低碳可持续发展的必要组成部分. 陆地生态系统作为地球表层系统最重要的碳库，其通过光合作用等自然过程吸收和储存碳，减少大气中的温室气体含量，进而影响全球碳平衡并减缓全球气候变化，这一过程被称作是生态系统的碳汇[3~5]. 陆地生态系统碳汇通常被称为“绿碳”，主要指植被和土壤等陆地生态系统的碳汇功能[6]. 植被碳储量反映了光合作用固碳与呼吸及分解过程释碳的动态平衡，土壤有机碳储量则体现有机质输入与微生物分解导致碳损失的平衡[7，8]. 这些系统通过植被光合作用、凋落物和凋落物的自然分解与积累的方式吸收和储存大量的碳（图 1）[9，10]. 根据全球碳项目数据，2010~2019年间，全球陆地生态系统吸收了31%的因人类活动产生的CO2[11]. 中国陆地面积不到全球的7%，但其碳汇贡献却超过了全球陆地碳吸收量的20%[12]. 2004~2014年中国陆地生态系统总碳储量（以C计，下同）为（99.15±8.71）Pg，在空间上呈现出东北高、西北低、中南地区均匀的特点，其中植被碳储量为（14.60±3.24）Pg，土壤有机碳储量为（84.55±8.09）Pg[13，14]. 这为进一步研究和监测各个陆地生态系统碳库碳储量，理解碳循环的动态变化，实现缓解气候变化提供支持.
|
图 1 陆地生态系统碳循环机制 Fig. 1 Carbon cycle mechanisms in terrestrial ecosystems |
西南地区作为我国岩溶面积最大、植被覆盖度高、土壤有机碳富碳区和生态系统最薄弱的地区之一，是碳循环研究的热点区域. 喀斯特地区独特的双重空间异质性，导致了地形地貌的复杂性和多样性. 受特殊地质背景制约，该地区陆地生态系统极其特殊，如基岩裸露、土壤存量少、分布不连续，致使该地区植被立地生境严酷[15]. 但西南地区却是土壤有机碳富碳区域，是我国土壤有机碳保护的关键地带，这些特殊条件为研究碳密度的空间分布格局及其驱动因子提供了丰富的自然背景[16]. 区域内碳酸盐岩分布广泛，通过长时间的沉淀构成了巨大的土壤碳库，并且特殊的土壤类型（紫色土等）具有较强的有机碳固持力，这些特征使得该地区在生态系统碳循环研究中具有重要的代表性[17，18]. 并且不同深度的土壤，受地表水热条件、植物凋落物、根系分泌物、微生物活动和人类活动的影响，有机碳具有不同的特性[19~21]. 0~20 cm深度的土壤有机碳具有高活性和波动性，0~100 cm深度的土层有机碳分解速率慢、停留时间长，总量占比巨大[22~25]. 有学者认为，西南地区不同深度土壤有机碳密度均高于全国平均水平[26，27]. 并且西南地区以灌木和草本植物为主，这些植物根系发达，能够在较薄的土层中吸收养分与水，同时其凋落物经过分解也可以增加土壤有机碳含量[28]. 充足的降水以及较好的植被覆盖情况致使植被生产力提高，植被生物量高于其他地区[29]. 其降水模式在空间上呈现由东向西、由南向北递减的趋势；在海拔上呈现高海拔区域显著少于低海拔区域[30]. 2000~2020年云南、四川和重庆的碳密度增加跻身全国前六，碳储量增加最多的省份云南和四川也赫然在列[31].
随着科技的进步，研究者逐步从田间测量法，发展到现在利用数学模型和遥感数据等相结合的方式，开展西南地区植被与土壤碳密度大尺度研究[22，26，32]. 机器学习以高精度的空间分辨率模拟大尺度范围内的碳密度空间分部情况，模拟结果得到显著提升[33~35]. 例如，Li等[25]利用机器学习得出，20世纪80年代至21世纪10年代，中国20 cm和100 cm的土壤有机碳储量呈现增加的趋势. 同样的，这种方法也应用在区域及更小的尺度[36，37]. 例如，Xi等 [38]和高文静等[39]利用随机森林估算长江流域陆地生态系统碳密度和安徽省土壤剖面有机碳含量平均值为8.47 g·kg-1.
综上所述，现有研究多以西南典型岩溶小区域、单一生态系统类型或流域生态系统展开研究，较少使用机器学习解析大尺度陆地生态系统各碳库碳密度分布特征、主要影响因子以及与环境因子间相关关系的研究. 因此，本文基于21世纪10年代中国陆地生态系统碳密度数据集与《中国土系志（中西部卷）》土壤剖面数据. 运用随机森林模型估算中国西南地区陆地生态系统碳密度. 探索西南地区陆地生态系统植被与土壤碳库碳密度空间分布格局，明确陆地生态系统碳库的影响因素贡献度和差异性，揭示西南地区陆地生态系统碳密度的驱动机制. 本研究技术路线如图 2所示.
|
图 2 技术路线 Fig. 2 Research technology roadmap |
我国西南地区（102°~111°E，23°~32°N），涵盖云南省、贵州省、四川省、广东省、湖南省和湖北省这6省，广西壮族自治区及重庆市（图 3）. 北起秦岭山脉南麓，南至广西盆地，西至横断山脉，东抵罗霄山脉西侧[40]，总面积约为230万km2，约占中国总面积的24%. 大部地区气候类型为典型的亚热带季风气候，云南省南部、四川省西北部地区属于热带季风气候和高山高原气候[41]. 年均气温范围在4.3~24.3℃之间，年均降水量大于1 000 mm，雨季主要集中在5~8月. 西南地区是我国生物种类和生态系统最为丰富的地区之一，是重要的生态安全屏障区，生态保护意义重大. 还是世界上最大的喀斯特连续带，面积约为54万km2，约占西南地区总面积的24%，占我国暴露喀斯特面积的28.72%，具有环境容量小、抗干扰能力低、生态系统可恢复性难和区域生态环境敏感且脆弱等特点[5].
|
图 3 研究区位 Fig. 3 Study area location |
陆地生态系统碳储量（carbon storage，CS）通常被视为4个碳库（地上碳库、地下碳库、土壤碳库和死亡有机碳库）碳储量的总和[42，43].
式中，
为弥补机器学习表现出的解释性低的情况，本研究选择沙普利叠加解释（SHAP分析）评估环境变量对碳密度的前期预测的影响、重要性和变量间的相互作用[44]. SHAP分析是一种采用博弈论来解释机器学习模型输出的方法，将树集成特征归因方法与可加性特征归因方法联系起来，通过计算特征的Shapley值来展示该特征对所选特征预测的边际贡献平均值，判断目标和特征之间的关系是线性的、单调的还是更复杂的[45，46].
1.3 数据来源与处理本研究采用的陆地生态系统碳密度数据来源于Xu等[13]2018年发布于Scientific Reports的关于研究2004~2014年中国陆地生态系统碳储量的数据. 部分土壤有机碳密度数据来自《中国土系志（中西部卷）》编制中地区的土壤剖面数据. 整个数据分为4个部分，分别是植被地上碳密度（aboveground carbon density，AGCD）、植被地下碳密度（belowground carbon density，BGCD）、0~20 cm土壤有机碳密度（soil organic carbon density in the 0-20 cm，SOCD 20）和0~100 cm土壤有机碳密度（soil organic carbon density in the 0-100 cm，SOCD 100）数据. AGCD采样点410个，BGCD采样点497个，SOCD 20采样点852个，SOCD 100采样点602个，共计采样点2361个. 在原始数据中，生态系统类型主要分为森林、草地、灌丛、湿地、农田和其他，其中植被地上和植被地下生物量不区分农田生态系统类型. 为预测AGCD、BGCD、SOCD 20和SOCD 100，本研究共选择6类总计29个变量（表 1）[13，16]. 其中归一化植被指数（NDVI）和归一化岩石指数（NDRI）在ENVI 5.3中进行数据处理. 坡度和坡向数据基于高程数据进一步利用Arc Map 10.8软件中的3D分析工具模块提取.
|
表 1 筛选因子的简要信息1） Table 1 Brief information on screening factors |
高分辨率数据（高程和生态系统类型）能够提供更详细、更精确的信息，捕捉到更多的细节和变化，但缺乏更大范围内的代表性. 质量较好的低分辨率数据（气候和人类活动）虽然在细节上有所欠缺，但可能具有更好的泛化性，能适用于更广泛的区域和条件. 若不同分辨率的数据混合使用，低分辨率的不确定性将会影响整个分析过程从而降低结果的精确性. 为保证数据与研究目标的准确性及处理的一致性，将空间分辨率大于500 m的数据在Arc Map中进行掩膜提取、渔网以及克里金插值生成空间分辨率为500 m×500 m的数据集. 其他空间分辨率小于500 m的数据，利用重采样的方法将空间分辨率统一.
1.4 随机森林模型 1.4.1 模型构建随机森林（random forest，RF）模型是Breiman[47]在2001年提出的一种基于决策树的分类回归模型. 它使用自举重采样方法为每次采样构建决策树，处理高维特征的样本无需降维. 同时，每棵树的样本是独立选择的，减少了分析中对数据噪声和异常值的敏感性，并保证森林中所有树分布相同，确保模型的精确性. 本研究共分为AGCD、BGCD、SOCD 20和SOCD 100这4个模型. 通过参数调整和交叉验证确定准确的预测模型，决策树的数量（trees）和在每个节点处考虑分割的变量数量（mtry）会显著影响分析结果，节点最小样本数（min_n）表示节点进一步分裂所需样本的最小数量. 模型关键参数如表 2所示，具体步骤如下：①4个模型的候选因子进行相关性和多重共线性检验；②根据结果将4个模型按8∶2的比例随机选取样本；③设置trees的数量. RF模型中一般根据样本量和影响因子个数设置500、800或1 000为trees数量. 从图 4可以看出，当trees的数量达到500时模型误差较小且趋于稳定，因此固定trees数量，通过随机网格搜索的方式，对模型超参数mtry和min_n在合适范围内进行优化；④收集网格搜索的结果，提取不同超参数组合下的模型评估指标，选出最优的超参数组合. 超参数设置与样本数量密切相关，植被地上和地下生物量的样本个数相对较少，故其超参数的值的设置相对小于土壤两个深度模型；⑤将使用最优的超参数组合对训练集进行训练，得到最终模型.
|
|
表 2 随机森林模型参数 Table 2 Random forest model parameters |
|
图 4 随机森林棵树与误差率关系 Fig. 4 Random forest trees and error rate relationships |
通过决定系数（R2）评估预测模型的准确性，R2介于0和1之间，越接近1表示模型性能越好. 均方根误差（RMSE）表示模型误差的平均幅度，值越低表示模型效率越高. 本研究对模型进行了八折交叉验证，并将数据集分为训练集和测试集. AGCD（R2=0.48，RMSE=2.82 kg·m-2）、BGCD（R2=0.55，RMSE=0.67 kg·m-2）、SOCD 20（R2=0.47，RMSE=2.08 kg·m-2）和SOCD 100（R2=0.45，RMSE=5.08 kg·m-2）的模型测试集拟合表现良好（图 5）. 4个模型训练集的R2分别为0.90、0.92、0.90和0.85，RMSE为1.44、0.35、1.15和3.21 kg·m-2.
|
RMSE和MAE的单位为kg·m-2 图 5 随机森林模型精度 Fig. 5 Random forest model accuracy |
分段结构方程模型（piecewise structural equation modeling，pSEM）是一种灵活的结构方程建模方法，通过将复杂的全局模型拆分为多个局部回归模型（如线性回归、广义线性模型等），分别独立估计后再整合为完整的因果网络[48]. 与传统SEM依赖协方差矩阵不同，pSEM基于局部拟合策略，支持非正态数据、小样本、随机效应和交互作用分析[49]. 模型的适配程度通过Fisher C统计量、自由度（df）、经修正的Akaike信息准则（AIC）和P值这4个指标来评估. Fisher C与AIC值越小，模型拟合效果越优，理想标准为Fisher C/df < 2且P > 0.05[50].
1.6 统计计算与分析本研究的数学分析均在R Studio中完成. 包括相关性和多重共线性检验，剔除相关性低和相关系数大于0.8的变量，构建最终优化模型. 使用“fastshap”包进行SHAP分析计算特征的Shapley值，利用平均绝对SHAP值排序关键驱动因子[44]. 使用“piecewise SEM”包构建模型，以研究气候因子、地理因子、植被因子、土壤因子、岩性因子、人类活动因子和陆地生态系统碳密度之间的相互作用[51].
2 结果与分析 2.1 碳库主要影响因子图 6（a）和6（b）为植被碳密度模型，AGCD和BGCD的关键影响因子及其重要性排序存在差异. 在模型AGCD中，LAT最具影响力（平均
|
纵轴表示预测变量，对应的中文含义见表 1；白色柱子表示该因子不参与构建分段结构方程模型 图 6 随机森林模型变量重要性 Fig. 6 Random forest model variable importance |
图 6（c）和6（d）为土壤碳密度模型，TN是SOCD 20和SOCD 100中最具影响力的因素（平均
为描述西南地区陆地生态系统碳密度空间分布情况，将研究区按照温度和干湿状况划分为6个温度带，7个干湿地区和14个自然区，具体分类如表 3所示.
|
|
表 3 西南地区生态地理分区 Table 3 Eco-geographical zoning of the Southwest |
2.2.1 植被碳密度空间分布
AGCD在空间上沿纬度呈显著变化趋势，低纬地区碳密度普遍高于高纬地区. 由图 7（a）和7（b）可知，高碳密度热点主要分布在ⅦA3，碳密度（以C计，下同）在6.96~11.41 kg·m-2；而低碳密度热点集中在HⅠB1和HⅡA/B1，碳密度在0.14~1.6 kg·m-2. 此外，ⅤA4和ⅣA1因人类活动强度高，碳密度相对较低为1.61~2.57 kg·m-2. 根据图 7（b），研究区内碳密度在1.61~3.99 kg·m-2范围内的区域占比达61.63%. 同一纬度上，各个自然区（除HⅠ和HⅡ）碳密度差异不大. 同一经度上有明显的由南向北递减趋势. AGCD主要受光热与降水影响，不同地貌间差异不显著.
|
色块对应碳密度数值，单位为kg·m-2 图 7 植被碳库碳密度空间分布及面积占比情况 Fig. 7 Spatial distribution of vegetation carbon pool density and area proportion |
BGCD空间分布同AGCD一样具有南高北低的特征，但其不同地貌间的差异更为显著. 由图 7（c）和7（d）可知，碳密度1.79~2.68 kg·m-2为高碳密度热点区，主要于ⅦA3，HⅡA/B1、HⅠB1和ⅥA2零星分布. 低碳密度热点分布广泛，碳密度为0.13~0.64 kg·m-2. 根据图 7（d），研究区内碳密度在0.65~1.09 kg·m-2范围内的区域占比为62.29%. 同纬度区域碳密度较AGCD出现明显差异. 例如，ⅤA2碳密度高于ⅤA3和ⅤA5，HⅡA/B1高于ⅤA4和ⅣA1. 这可能是因为ⅤA2区域土层相对较厚，更利于植被根系发育. 而HⅡA/B1区域植被多属于高山植被、覆盖度高且人类活动少. 除高碳密度热点区域集中于ⅦA3，其余碳密度分布较为零散，这与土壤理化性质、植被初级生产力、纬度、土壤类型和年均蒸散发等因素密切相关.
2.2.2 土壤碳密度空间分布由图 8（a）和8（b）可知，SOCD 20高值区主要分布在HⅠB1和HⅡA/B1，碳密度（以C计，下同）范围为8.95~14.16 kg·m-2. 低碳密度（碳密度为1.71~3.57 kg·m-2）热点集中在ⅤA4、ⅣA1、ⅥA2南部、ⅦA2北部和ⅤA5中部. 根据图 8（b），研究区65.75%的地区碳密度在3.58~5.86 kg·m-2. 在不同地形地貌条件下SOCD 20表现出较强的异质性. 低碳密度热点区域（ⅤA4、ⅣA1、ⅥA2、ⅦA2和ⅤA5）多属于盆地和平原，地势平坦，人类活动强度显著影响表层有机碳的累积. 而高值区域更集中于高原与山地，如HⅠB1、HⅡA/B1、ⅤA5和ⅤA2的高海拔区域，这些区域植被类型多属于高山植物与林地，植被生长茂盛土壤肥沃. 且土壤有机碳与土壤TN、PET等因素密切相关，所以其空间分布与土壤TN含量和水热条件的空间分布情况相似.
|
色块对应碳密度数值，单位为kg·m-2 图 8 土壤碳库碳密度空间分布及面积占比情况 Fig. 8 Spatial distribution of soil carbon pool density and area proportion |
由图 8（c）和8（d）可知，SOCD 100高碳密度热点区域与SOCD 20分布相同，碳密度值为22.61~30.76 kg·m-2. ⅤA1、ⅤA2、ⅤA4和ⅣA1为低碳密度区域（密度值为5.39~9.77 kg·m-2）. 根据图 8（d），研究区内71.32%的地区碳密度值在5.39~12.95 kg·m-2范围内. 相较与SOCD 20其低值区域范围更大，但其碳密度低值却高于SOCD 20. SOCD 20与SOCD 100的空间分布格局相似，但SOCD 100低碳密度热点区的范围更大，包括了ⅤA1和ⅤA2. 可以明显看出，更深深度的土壤碳密度值越高，且主要受人类活动、地形和植被分布等因素影响.
2.2.3 西南陆地生态系统碳密度空间分布图 9显示，西南地区陆地生态系统碳密度空间分布既有植被碳库南高北低的特征又有土壤碳库西高东低的特征. 碳密度（以C计，下同）为8.69~32.31 kg·m-2（变异系数为18.7%）. 高碳密度热点（碳密度为24.44~32.31 kg·m-2）主要分布在HⅠB1、HⅡC1以及ⅦA3区域. ⅤA4、ⅣA1、ⅤA1和ⅤA2大部为低碳密度区域（碳密度为8.69~12.95 kg·m-2）. 碳密度在16.39~17.95 kg·m-2的区域在各个自然区均有分布，占研究区面积的22.81%. 研究区内66.78%的地区碳密度在12.96~17.95 kg·m-2范围内，属于中偏下水平.
|
色块对应碳密度数值，单位为kg·m-2 图 9 陆地生态系统碳密度分布及面积占比情况 Fig. 9 Distribution of carbon density and area proportion in terrestrial ecosystems |
同一纬度，具有明显的西高（ⅦA3、ⅤA5、HⅡA/B1和HⅠB1）东低（ⅥA2、ⅤA2、ⅤA4和ⅣA1）的特征. 同一经度，西部高原地区南北高（HⅠB1、HⅡA/B1、HⅡC1、ⅦA2和ⅦA3）中间低（ⅤA5）. 其他地区南高（ⅦA2、ⅥA2和ⅤA3）北低（ⅤA2、ⅤA1、ⅣA1和ⅤA4）. 但ⅤA3却高于同一纬度的ⅤA2，与低于其纬度的ⅥA2相似. 这是因为ⅤA3位于贵州高原，海拔高光照条件充足，ⅥA2位于闽粤桂丘陵平原，纬度低雨热条件好. 而ⅤA2属于江南与南陵山地，海拔低光照条件与雨热条件低于两地.
西南地区陆地生态系统碳密度的空间分布受植被覆盖、生态系统类型、地形气候、人类活动和土壤特性等多因素综合影响. 高碳密度热点多见于植被覆盖高、生态系统为森林的高海拔湿润区域，这些地方土壤肥力高、微生物活性强；而低碳密度区域则集中在人类活动频繁、生态系统为农田和城市的低海拔干燥区域，土壤肥力低、微生物活性弱.
综上所述，21世纪10年代西南地区碳库碳密度（以C计，下同）由高到低分别为SOCD 100[（12.1±3.0）kg·m-2]、SOCD 20[（5.09±1.33）kg·m-2]、AGCD[（3.41±1.25）kg·m-2]和BGCD[（0.91±0.27）kg·m-2]. 陆地生态系统碳密度为[（16.42±3.07）kg·m-2]，碳储量（以C计，下同）为31.58 Pg，且土壤碳库是主要贡献者，占总碳储量的73.69%（23.27 Pg），BGCD贡献最小为5.54%（1.75 Pg）. 空间上碳密度具有显著异质性，各碳库碳密度的空间分布格局与其影响因子贡献力密切相关.
2.3 分段结构方程模型分析基于SHAP分析的因子重要性排行（图 6），选择贡献率达到87.2%~89.9%的因子建立pSEM模型，以此探讨主要影响因子如何通过不同路径影响植被生物量碳密度和土壤有机碳密度，及其碳密度和影响因子之间的相关关系. 根据图 6可以看出，植被碳库的2个模型以及土壤碳库的2个模型，贡献率高的因子仅在顺序上存在差异. 因此构建植被和土壤两个pSEM模型，便于对4个模型进行对比分析. 模型结果均达到Fisher C/df < 2，P > 0.05的理想状态.
2.3.1 植被生物量与影响因子之间的关系模型结果表明（图 10），在模型AGCD中LAT、PET、pH、CF和VG对植被地上碳密度有直接负向影响，LAT的相关性最强（-0.25，P < 0.01），其次是PET（-0.20，P < 0.05）；SPP、ST、ASP和EVI对碳密度有直接正向影响，SPP对碳密度的影响最显著（0.40，P < 0.01），ST（0.22，P < 0.01）和ASP（0.13，P < 0.01）次之. 在模型BGCD，LAT、pH、CF和PET对植被地下碳密度有直接负向影响，LAT的显著性最强（-0.34，P < 0.01），其次是CF（-0.27，P < 0.05）；ASP、ST、VG、EVI和SPP对碳密度有直接正向影响. ASP对碳密度的影响最显著（0.22，P < 0.01），之后是ST（0.20，P < 0.01）和VG（0.13，P < 0.01）.
|
*表示P < 0.05，**表示P < 0.01，***表示P < 0.001；箭头附近的数字表示标准化路径系数，箭头的宽度表示关系的强度，箭头的粗细与系数的强度成正比；与响应变量关联的R2值表示解释的方差比例；CF包含PRE和TMP；SPP包含C、M、TN、TP和TK 图 10 AGCD与BGCD分段结构方程模型示意 Fig. 10 Schematic of the piecewise structural equation modeling for AGCD and BGCD |
在植被生物量碳密度分布的影响因素中，各因子的相互作用起着关键作用. 在AGCD，CF对PET的正向影响最为关键，LAT对CF的负向作用次之. 水热条件受纬度制约，对植被生长及土壤酸碱度影响显著，还通过土壤质地和肥力间接影响植被. CF对SPP的正向作用也是关键环节. 在BGCD，因子间的相互作用路径与AGCD模型大致相似，但pH对其他因子的负向影响更为突出. CF和ASP在BGCD模型中对植被地下生物量碳密度的影响更强，而SPP对地下生物量碳密度的影响较弱，土壤条件相关因子在地下模型中展现出较强的影响力.
2.3.2 土壤有机碳与影响因子之间的关系模型结果表明（图 11），在SOCD 20模型中，VG对土壤有机碳密度有直接负向影响但不显著（-0.03，P > 0.05）；而ST、CF、PET、GDP、TN、Lit和GO与土壤有机碳密度有直接正向影响，其中TN有最显著的正向影响（0.37，P < 0.01），之后依次为Lit（0.17，P < 0.01）、GO（0.16，P < 0.01）、ST（0.13，P < 0.01）、GDP（0.13，P < 0.01）和PET（0.10，P < 0.05）. 在SOCD 100模型中，CF和ST对土壤有机碳密度有直接负向影响，CF的负向影响显著（-0.25，P < 0.05），而ST表现为不显著（-0.03，P > 0.05）；TN、GO、VF、Lit、LUC和PET与土壤有机碳密度有直接正向影响，TN的正向影响最显著（0.33，P < 0.01），而后是GO（0.25，P < 0.01）、Lit（0.14，P < 0.01）和VF（0.14，P < 0.01）.
|
*表示P < 0.05，**表示P < 0.01，***表示P < 0.001；箭头及圆圈附近的数字表示标准化路径系数；箭头与圆圈的宽度表示关系的强度，箭头与圆圈的粗细与系数的强度成正比；与响应变量关联的R2值表示解释的方差比例；蓝色圆圈（实线与虚线）表示气候因子（CF）与该因子的关系，绿色圆圈（实线与虚线）表示地理因子（GO）与该因子的关系，黄色圆圈（实线与虚线）表示岩性（Lit）与该因子的关系；CF包含PET和PRE；VF包含TETs和VG；GO包含DEM、LON、LAT和ASP 图 11 SOCD 20与SOCD 100分段结构方程模型示意 Fig. 11 Schematic of the piecewise structural equation modeling for SOCD 20 and SOCD100 |
除直接影响外，各类型因子之间还通过相互作用进一步对土壤有机碳的分布产生影响. 在模型SOCD 20中，CF对PET的负向影响最为关键，其次为CF对TN的正向影响. 高温且水分充足时，植物会减少水分流失，植被覆盖度和土壤保水量随之提升，降低了土壤水分蒸发，促进了氮素循环，增加有机碳输入，进而促进土壤表层有机碳累积. 同时，TN对GDP的负向作用也很重要，土壤氮过多易引致农业面源污染，增加治理成本，从而对农业经济绩效产生负面影响. 在模型SOCD 100中，CF对PET的负向影响依然是最关键路径，CF对VF的正向影响次之. 适宜的气候促进植被生长、加深根系、引发降水对有机碳的淋溶作用、改变深层土壤微生物群落以及土壤结构，共同推动深层土壤有机碳的积累. 植被覆盖度增加与植被类型多样能减少水土流失，提升土壤肥力，改善生态环境，从而对土地利用方式产生积极影响.
3 讨论 3.1 碳密度估算结果验证近年来，利用机器学习技术对陆地生态系统碳密度进行预测和空间分布绘制的研究取得了显著进展. Khanal[52]和Li等[25]通过机器学习方法预测并绘制21世纪10年代中国西南地区陆地生态系统碳密度图. 当前，越来越多的学者通过采用多种方式估算生态系统碳储量. 其中，Tang等[6]和Wang等[53]采用野外调查和WRF-Chem模型估算出中国陆地生态系统碳储量（以C计，下同）约为89.3 Pg. Li等[25]采用机器学习估算出21世纪10年代中国1 m深度的土壤有机碳储量为（80.68±3.49）Pg. Hu等[54]指出当前中国森林的平均生物量碳密度（以C计，下同）为4.13 kg·m-2. 在区域尺度上，刘立斌等[55]采用皆伐法，精确估算了我国贵州省中部喀斯特区森林的地上生物量为122.81 t·hm-2. Xi等[38]采用RF模型得出2021年长江流域地上和地下植被碳密度分别为0~7.57 kg·m-2和0.1~2.16 kg·m-2. 研究区各省（区）在植被覆盖、土壤属性及水热分布上存在显著的异质性，从而导致生态系统碳密度存在明显空间分异. 从长期动态看，2000年中国西南八省土壤碳储量为23.34 Pg，碳密度为12.04 kg·m-2；到2020年碳储量增至23.65 Pg，碳密度升至12.19 kg·m-2[31]. 以上研究与本研究具有一致性.
3.2 西南地区碳储量与碳密度与其他地区的比较有研究表明[26，29]，西南地区陆地生态系统碳密度与碳储量均为全国前列. 王少剑等[14]认为中国碳密度高值区主要集中在东北和西南地区，西南与西北两地的碳储量也占全国50%. 表 4可以看出，本研究的植被地上/地下碳库、土壤碳库和陆地生态系统碳密度与碳储量大部分高于中国其他地区. 与以上地区相比，西南地区城市化水平较低、气候温暖湿润、降水充沛、拥有较高的植被覆盖度和良好的土壤条件. 而且西南地区多山地，森林覆盖度较好，利于植被生长. 丰富的植被类型与生态系统结构还有良好的土壤条件，使植被地下生物量碳与土壤有机碳也要高于其他地区.
|
|
表 4 研究区与其他地区碳储量与碳密度比较1） Table 4 Comparison of carbon stocks and carbon density in the study area and other regions |
3.3 碳库影响因素分析 3.3.1 植被碳库影响因素分析
（1）高程与纬度 本研究发现，在西南地区陆地生态系统各碳库中，高程与碳密度呈正相关，而纬度与碳密度呈负相关，AGCD和BGCD均呈现明显纬度分布格局. 低纬地区优越的气候条件（高温、充足降水和长日照）是形成这种空间分布格局的主要原因之一[13]. 此外，纬度通过与温度、降水、太阳辐射强度、地表径流和土壤特性等因素的间接作用，进一步影响碳密度高低[65]. 同时，高程对碳密度的影响与植被类型和人为干扰程度密切相关. 例如，森林地区土壤碳库与纬度呈正相关，与年均温呈负相关[66]. 在天然林中，海拔越高人为干扰越少，越利于植被长期生长和生物量积累；而在次生林或受人类活动影响较小的区域，地上生物量随着高程的增加而减少，进而导致碳密度降低[67，68].
（2）气温、降水与蒸散发 本研究中，植被碳库的总降水量、气温和蒸散发均与碳密度呈正相关，表明以上气候因子对植被生长和生物量碳的累积具有促进作用. 例如植物生物量通常因CO₂浓度升高[69]、氮沉降增加[66]、气候变暖[70]和降水增加而增加[71]，而干旱则会降低植物生物量[72]. 土壤生物群落的复杂结构使土壤微生物对全球气候变化的响应依赖于生态系统类型和土壤pH值等环境条件[73]. 此外，降水增加促进了土壤生物的物种多样性，而气候变暖可能会加速土壤碳的分解[74]. pSEM模型还表明，气候因子与其他环境因子的间接作用对碳密度的影响更为显著. 植被碳库中气候条件对蒸散发、土壤理化性质和植被类型的正向影响，以及对土壤酸碱度的负向影响，都显著强于其对碳密度的直接影响. 综上所述，气候变化通过水热条件、土壤理化性质以及植物群落的组成和结构间接影响碳密度[75].
（3）土壤酸碱度 土壤酸碱度在两个植被模型中的重要性均位列前二（在植被地下模型中位居第一），其贡献度分别为9.8%（AGCD）和9.6%（BGCD）. 虽然BGCD结构方程模型中对碳密度的直接影响不及纬度、气候因子、土壤肥力和质地，但相较于AGCD，其对土壤和植被类型以及增强植被指数的负向影响更强且更显著.
在空间分布方面，BGCD的碳密度空间分布并非仅受单一因子影响，而是呈现出复杂性和综合性. 其分布格局既反映了土壤酸碱度和纬度的空间分布特征，又与净生态系统生产力的分布密切相关. 土壤酸碱度通过影响养分有效性、土壤物理性质、土壤微生物活性、植物根系生长和土壤有机碳密度等多个方面，间接影响植被地下生物量碳密度[76，77].
3.3.2 土壤碳库影响因素分析（1）土壤全氮 ①氮是植物生长的重要营养元素，全氮含量高的土壤通常能够支持更高的植物生产力，增加凋落物的产生量，而凋落物的分解又可以释放更多的氮，提高土壤总有机碳含量，增强土壤保水能力和全氮含量，进一步促进植物生长[78]. ②氮肥可增加土壤微生物量氮，微生物分解有机碳时释放的氮素可供植物吸收利用，形成正反馈循环，进一步促进土壤有机碳积累[79，80]. 而氮含量过量却会引发土壤酸化，抑制微生物活性，进而影响有机碳分解[81]. 故此，可以使用氮磷比（N/P）来评估土壤肥力[82]. N/P小于14则植物生长受氮含量的影响；大于16则受磷含量的影响较大. 本研究中的N/P均值为2.74，可以得出植物主要受到氮含量影响，而且全氮也成为了土壤碳库主要影响因子. ③不同深度的土壤全氮与有机碳密度空间分布格局相似. 无论是SOCD 20还是SOCD 100，土壤全氮含量均随土壤有机碳含量的增加而降低，并且这种规律在SOCD 20中表现更为显著，这与相关研究结论一致[83]. ④大气氮沉降会导致土壤氮含量增加. 大气氮沉降主要通过增强植物光合作用影响生物量[84，85]. 在氮限制的温带森林和草地，氮沉降显著增加地上生物量；而在富氮的亚热带森林，氮添加则显著增加根生物量[86~88]. 同时，细根生物量对土壤有机碳积累的贡献可能大于地上部分的碳输入[25]. 但也有学者认为根系生长虽不如地上生物量增加显著，却同样可以促进植物碳固存[31].
（2）岩性因素 本研究发现，岩性条件对土壤有机碳的正向积极影响显著，尽管其对土壤有机碳密度的重要性并不突出. 岩性因子在重要性排序中位居第六，但pSEM模型结果表明，岩性在SOCD 20中对有机碳的正向影响位列第二，仅次于土壤全氮含量；在SOCD 100的正向影响位列第三，仅次于全氮和地理因素.
土壤碳库作为一个复杂的综合体，受经纬度和高程等地理因素、年均温和降水量等气候因素，以及土壤属性的综合影响，较于地表岩性单一条件，对碳密度的影响更大且更直接[15，89~91]. 土壤有机碳的空间分布显著受土壤总氮和高程等因子驱动. 这些关键因子在西南地区的岩溶区与非岩溶区普遍存在. 尽管岩性差异塑造了截然不同的生境背景，但上述核心驱动因子对土壤有机碳的影响却表现出相对一致性[19，92]. 值得注意的是，岩溶区广泛分布的石漠化现象显著降低了土壤有机碳含量，导致石漠化区域的土壤有机碳水平远低于非石漠化区域[93]. 这种显著的土壤有机碳差异主要直接归因于石漠化过程中的植被严重退化和剧烈土壤侵蚀，而非岩性本身的差异. 岩性背景增加了生态系统对石漠化的敏感性，但并非土壤有机碳低值的主导因素. 造成不同岩性界面土壤有机碳含量存在较大的差异的主要原因是成土母质，泥灰岩和石灰岩作为岩溶区广泛分布的岩性，其在成土母质背景下土壤有机碳含量普遍高于其他成土母质岩性[19]. 这也是岩溶区土壤有机碳密度高于非岩溶区的原因之一.
3.4 不足与展望RF模型能有效预测碳密度空间分布，但该模型在大尺度碳储量估算中的适用性仍受其不确定性限制. 碳储量与碳密度的变化受到多种自然和社会因素综合影响，但选择模拟的影响因素受到因子类型选择、采样时间和分辨率等客观条件制约，一定程度上影响预测精度. 不同来源的数据间出现分辨率差异，这会影响结果的精确性和泛化性，尤其对低分辨率数据进行插值处理时，这种影响更为复杂. 首先，对于低分辨率数据的插值，虽然可以提高数据的分辨率，但也会引入误差和不确定性. 不同的插值算法有不同的假设和适用条件，而且插值过程本身也会增加数据的不确定性. 若插值方法不适用于数据自身特征，会导致插值结果与真实情况存在偏差. 因此在插值过程中需要谨慎选择插值方法，并对插值结果进行严格的验证. 其次，插值后的数据可能会改变数据的统计特性. 假设插值改变了植被分布数据的聚集性特征，则会对植被与环境因子之间的分析过程产生错误的影响. 因此在后续研究中，应合理选取影响因子、考虑数据特征和合适的插值方法，降低主客观因素对模型的影响，提升模型运算精度.
4 结论（1）21世纪10年代西南地区陆地生态系统碳储量（以C计，下同）为31.58 Pg，碳密度为（16.42±3.07）kg·m-2. 土壤碳库碳储量为23.27 Pg，植被地上碳库为6.56 Pg，植被地下碳库为1.75 Pg.
（2）空间上，AGCD和BGCD在空间分布上大体呈纬度分布特征，而SOCD 20和SOCD 100的空间分布与土壤全氮含量分布相似.
（3）SHAP分析表明，纬度是影响AGCD的关键因子，土壤酸碱度是影响BGCD的关键因子，土壤全氮含量是SOCD 20和SOCD 100最重要的影响因子.
（4）pSEM模型结果显示，植被碳密度模型中，纬度是AGCD和BGCD的主要负向影响因子，而土壤理化性质和坡向分别是AGCD和BGCD的主要正向影响因子. 土壤碳密度模型中，全氮含量是SOCD 20和SOCD 100的主要正向影响因子，而生态系统类型和气候因子分别是SOCD 20和SOCD 100的主要负向影响因子.
| [1] | Scrase I, Wang T, MacKerron G, et al. Introduction: climate policy is energy policy[A]. In: Scrase I, MacKerron G (Eds. ). Energy for the Future: A New Agenda[M]. London: Palgrave Macmillan, 2009. 3-19. |
| [2] |
方精云, 于贵瑞, 任小波, 等. 中国陆地生态系统固碳效应——中国科学院战略性先导科技专项"应对气候变化的碳收支认证及相关问题"之生态系统固碳任务群研究进展[J]. 中国科学院院刊, 2015, 30(6): 848-857. Fang J Y, Yu G R, Ren X B, et al. Carbon sequestration in China's terrestrial ecosystems under climate change——Progress on ecosystem carbon sequestration from the CAS Strategic Priority Research Program[J]. Bulletin of Chinese Academy of Sciences, 2015, 30(6): 848-857. |
| [3] | Cox P M, Betts R A, Jones C D, et al. Acceleration of global warming due to carbon-cycle feedbacks in a coupled climate model[J]. Nature, 2000, 408(6809): 184-187. DOI:10.1038/35041539 |
| [4] | Davidson E A, Janssens I A. Temperature sensitivity of soil carbon decomposition and feedbacks to climate change[J]. Nature, 2006, 440(7081): 165-173. DOI:10.1038/nature04514 |
| [5] | Cao M K, Woodward F I. Dynamic responses of terrestrial ecosystem carbon cycling to global climate change[J]. Nature, 1998, 393(6682): 249-252. DOI:10.1038/30460 |
| [6] | Tang X L, Zhao X, Bai Y F, et al. Carbon pools in China's terrestrial ecosystems: new estimates based on an intensive field survey[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4021-4026. |
| [7] | Tanner E V J, Kapos V, Franco W. Nitorgen and phosphorus fertilization effects on venezuelan montane forest trunk growth and litterfall[J]. Ecology, 1992, 73(1): 78-86. DOI:10.2307/1938722 |
| [8] | Post W M, Emanuel W R, Zinke P J, et al. Soil carbon pools and world life zones[J]. Nature, 1982, 298(5870): 156-159. DOI:10.1038/298156a0 |
| [9] | Zhang Q, Zhang G S, Zhang X, et al. Future of carbon storage in the Yangtze River Basin, China under alternative climate and land-use pathways[J]. Ecosystem Health and Sustainability, 2023, 9. DOI:10.34133/ehs.0085 |
| [10] |
徐丽, 何念鹏, 于贵瑞, 等. 基于地面观测的陆地生态系统碳储量多源数据整合方法[J]. 生态学报, 2023, 43(11): 4359-4368. Xu L, He N P, Yu G R, et al. The integrative method of multi-source data on terrestrial ecosystem carbon storage from field observation[J]. Acta Ecologica Sinica, 2023, 43(11): 4359-4368. |
| [11] | Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. DOI:10.1007/s11430-021-9892-6 |
| [12] |
周广胜, 周梦子, 周莉, 等. 中国陆地生态系统增汇潜力研究展望[J]. 科学通报, 2022, 67(31): 3625-3632. Zhou G S, Zhou M Z, Zhou L, et al. Advances in the carbon sink potential of terrestrial ecosystems in China[J]. Chinese Science Bulletin, 2022, 67(31): 3625-3632. |
| [13] | Xu L, Yu G R, He N P, et al. Carbon storage in China's terrestrial ecosystems: a synthesis[J]. Scientific Reports, 2018, 8(1). DOI:10.1038/s41598-018-20764-9 |
| [14] |
王少剑, 周诗洁, 方创琳. 1980~2020年中国陆地生态系统碳储量时空格局与演进规律[J]. 中国科学: 地球科学, 2024, 67(10): 3323-3339. Wang S J, Zhou S J, Fang C L. Spatial-temporal patterns and evolution of carbon storage in China's terrestrial ecosystems from 1980 to 2020[J]. Science China Earth Sciences, 2024, 67(10): 3270-3287. |
| [15] |
曹建华, 袁道先, 潘根兴. 岩溶生态系统中的土壤[J]. 地球科学进展, 2003, 18(1): 37-44. Cao J H, Yuan D X, Pan G X. Some soil features in karst ecosystem[J]. Advances in Earth Science, 2003, 18(1): 37-44. |
| [16] |
孙怡. 基于可解释机器学习的中国表层土壤有机碳时空异质性研究[D]. 北京: 中国环境科学研究院, 2024. Sun Y. Spatiotemporal heterogeneity of surface soil organic carbon in China based on interpretable machine learning[D]. Beijing: Chinese Research Academy of Environmental Sciences, 2024. |
| [17] |
赵虎. 39a不同施肥措施对紫色土作物产量及土壤综合肥力的影响[D]. 雅安: 四川农业大学, 2023. Zhao H. Effects of different fertilization measures on crop yield and soil comprehensive fertility in purple soil during 39 years[D]. Ya'an: Sichuan Agricultural University, 2023. |
| [18] |
白晓永, 张思蕊, Smith P, 等. 解决围绕碳酸盐岩风化碳汇的争议[J]. 中国科学: 地球科学, 2024, 67(9): 2747-2761. Bai X Y, Zhang S R, Smith P, et al. Resolving controversies surrounding carbon sinks from carbonate weathering[J]. Science China Earth Sciences, 2024, 67(9): 2705-2717. |
| [19] | Rial M, Cortizas A M, Rodríguez-Lado L. Understanding the spatial distribution of factors controlling topsoil organic carbon content in European soils[J]. Science of the Total Environment, 2017, 609: 1411-1422. DOI:10.1016/j.scitotenv.2017.08.012 |
| [20] | Cen Y F, Lou Y C, Gao Z L, et al. Vegetation carbon input moderates the effects of climate change on topsoil organic carbon in China[J]. CATENA, 2023, 228. DOI:10.1016/j.catena.2023.107188 |
| [21] | Zhang K, Dang H, Tan S, et al. Change in soil organic carbon following the 'Grain-for-Green' programme in China[J]. Land Degradation & Development, 2010, 21(1): 13-23. |
| [22] |
王兴富, 黄先飞, 胡继伟, 等. 喀斯特石漠化过程中小生境及岩性的演替对土壤有机碳的影响[J]. 水土保持学报, 2020, 34(4): 295-303. Wang X F, Huang X F, Hu J W, et al. Relationship among soil organic carbon and small environment and lithology in the rocky desertification process in different karst landforms[J]. Journal of Soil and Water Conservation, 2020, 34(4): 295-303. |
| [23] |
肖伟, 苏以荣, 梁士楚, 等. 广西典型喀斯特地区深层土壤有机碳矿化及其影响因素[J]. 生态学杂志, 2012, 31(4): 981-986. Xiao W, Su Y R, Liang S C, et al. Organic carbon mineralization in deep soil layers in typical karst region of Guangxi, South China and related affecting factors[J]. Chinese Journal of Ecology, 2012, 31(4): 981-986. |
| [24] |
覃智莲, 杨孝民, 宋照亮, 等. 成土母质和土地利用方式对土壤有机碳化学组成的影响[J]. 土壤通报, 2020, 51(3): 621-629. Qin Z L, Yang X M, Song Z L, et al. Effects of parent materials and land uses on soil organic carbon fractions[J]. Chinese Journal of Soil Science, 2020, 51(3): 621-629. |
| [25] | Li H W, Wu Y P, Liu S G, et al. Decipher soil organic carbon dynamics and driving forces across China using machine learning[J]. Global Change Biology, 2022, 28(10): 3394-3410. DOI:10.1111/gcb.16154 |
| [26] |
顾峰雪, 庞瑞, 张远东, 等. 1954—2010年西南高山地区土壤碳储量时空动态及对气候变化的响应[J]. 自然资源学报, 2014, 29(11): 1930-1943. Gu F X, Pang R, Zhang Y D, et al. Temporal-spatial variations of soil organic carbon and their responses to climate change in alpine area of Southwest China during 1954-2010[J]. Journal of Natural Resources, 2014, 29(11): 1930-1943. |
| [27] |
张勇, 史学正, 赵永存, 等. 滇黔桂地区土壤有机碳储量与影响因素研究[J]. 环境科学, 2008, 29(8): 2314-2319. Zhang Y, Shi X Z, Zhao Y C, et al. Estimates and affecting factors of soil organic carbon storages in Yunnan-Guizhou-Guangxi Region of China[J]. Environmental Science, 2008, 29(8): 2314-2319. DOI:10.3321/j.issn:0250-3301.2008.08.039 |
| [28] |
杨正兰, 冯雨实, 张廷斌, 等. 近20年中国西南地区植被碳利用率时空变化特征及驱动因素[J]. 气候与环境研究, 2024, 29(3): 267-280. Yang Z L, Feng Y S, Zhang T B, et al. Spatiotemporal variation characteristics of vegetation carbon use efficiency and its driving factors in Southwest China over the past 20 years[J]. Climatic and Environmental Research, 2024, 29(3): 267-280. |
| [29] |
徐勇, 黄海艳, 戴强玉, 等. 西南地区陆地植被生态系统NPP时空演变及驱动力分析[J]. 环境科学, 2023, 44(5): 2704-2714. Xu Y, Huang H Y, Dai Q Y, et al. Spatial-temporal variation in Net Primary Productivity in terrestrial vegetation ecosystems and its driving forces in Southwest China[J]. Environmental Science, 2023, 44(5): 2704-2714. DOI:10.13227/j.hjkx.202207068 |
| [30] |
沈恒, 毛文书, 彭育华, 等. 西南雨季降水时空变化特征[J]. 自然科学, 2024, 12(5): 1104-1115. Shen H, Mao W S, Peng Y H, et al. Temporal and spatial variation characteristics of rainy season precipitation in Southwest China[J]. Open Journal of Natural Science, 2024, 12(5): 1104-1115. |
| [31] |
童荣鑫, 梁迅, 关庆锋, 等. 2000—2020年中国陆地土壤碳储量及土地管理碳汇核算[J]. 地理学报, 2023, 78(9): 2209-2222. Tong R X, Liang X, Guan Q F, et al. Estimation of soil carbon storage change from land use and management at a high spatial resolution in China during 2000-2020[J]. Acta Geographica Sinica, 2023, 78(9): 2209-2222. |
| [32] | Kong R, Zhang Z X, Zhang F Y, et al. Increasing carbon storage in subtropical forests over the Yangtze River basin and its relations to the major ecological projects[J]. Science of the Total Environment, 2020, 709. DOI:10.1016/j.scitotenv.2019.136163 |
| [33] | Hengl T, Heuvelink G B M, Kempen B, et al. Mapping soil properties of Africa at 250 m resolution: random forests significantly improve current predictions[J]. PLoS One, 2015, 10(6). DOI:10.1371/journal.pone.0125814 |
| [34] | Were K, Bui D T, Dick Ø B, et al. A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape[J]. Ecological Indicators, 2015, 52: 394-403. DOI:10.1016/j.ecolind.2014.12.028 |
| [35] | Hengl T, Mendes de Jesus J, Heuvelink G B M, et al. SoilGrids250m: global gridded soil information based on machine learning[J]. PLoS One, 2017, 12(2). DOI:10.1371/journal.pone.0169748 |
| [36] | Gomes L C, Faria R M, De Souza E, et al. Modelling and mapping soil organic carbon stocks in Brazil[J]. Geoderma, 2019, 340: 337-350. DOI:10.1016/j.geoderma.2019.01.007 |
| [37] | Emadi M, Taghizadeh-Mehrjardi R, Cherati A, et al. Predicting and mapping of soil organic carbon using machine learning algorithms in Northern Iran[J]. Remote Sensing, 2020, 12(14). DOI:10.3390/rs12142234 |
| [38] | Xi H J, Li T H. Unveiling the spatiotemporal dynamics and influencing factors of carbon stocks in the Yangtze River Basin over the past two decades[J]. Science of the Total Environment, 2024, 954. DOI:10.1016/j.scitotenv.2024.176261 |
| [39] |
高文静, 夏冰, 芦园园, 等. 基于土壤剖面发生层和环境变量的安徽省土壤有机碳空间分布特征[J]. 土壤学报, 2025, 62(3): 677-691. Gao W J, Xia B, Lu Y Y, et al. Characteristics of spatial distribution of soil organic carbon in Anhui Province based on soil profile occurrence layer and environmental variables[J]. Acta Pedologica Sinica, 2025, 62(3): 677-691. |
| [40] |
陈洪松, 岳跃民, 王克林. 西南喀斯特地区石漠化综合治理: 成效、问题与对策[J]. 中国岩溶, 2018, 37(1): 37-42. Chen H S, Yue Y M, Wang K L. Comprehensive control on rocky desertification in karst regions of southwestern China: achievements, problems, and countermeasures[J]. Carsologica Sinica, 2018, 37(1): 37-42. |
| [41] |
田秀玲, 倪健. 西南喀斯特山区石漠化治理的原则、途径与问题[J]. 干旱区地理, 2010, 33(4): 532-539. Tian X L, Ni J. Comprehensive treatment of rocky desertification in karst mountainous areas, Southwestern China: fundamental, approach and issues[J]. Arid Land Geography, 2010, 33(4): 532-539. |
| [42] | Paustian K, Ravindranath N H, Amstel A V. 2006 IPCC Guidelines for National Greenhouse Gas Inventories[J]. International Panel on Climate Change, 2006. DOI:10.1016/S1462-9011(99)00023-4 |
| [43] | Chen X, Yu L, Hou S, et al. Unraveling carbon stock dynamics and their determinants in China's Loess Plateau over the past 40 years[J]. Ecological Indicators, 2024, 159. DOI:10.1016/j.ecolind.2024.111760 |
| [44] | Lundberg S M, Lee S I. A unified approach to interpreting model predictions[A]. In: von Luxburg U, Guyon I, Bengio S, et al. Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. Long Beach: Curran Associates Inc., 2017. 4768-4777. |
| [45] | Ribeiro M T, Singh S, Guestrin C. "Why should I trust you?": explaining the predictions of any classifier[A]. Krishnapuram B, Shah M, Smola A J, et al. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. San Francisco: ACM, 2016. 1135-1144. |
| [46] | Wadoux A M J C, Saby N P A, Martin M P. Shapley values reveal the drivers of soil organic carbon stock prediction[J]. Soil, 2023, 9(1): 21-38. DOI:10.5194/soil-9-21-2023 |
| [47] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324 |
| [48] | Dai L J, Ge J S, Wang L Q, et al. Influence of soil properties, topography, and land cover on soil organic carbon and total nitrogen concentration: a case study in Qinghai-Tibet Plateau based on random forest regression and structural equation modeling[J]. Science of the Total Environment, 2022, 821. DOI:10.1016/j.scitotenv.2022.153440 |
| [49] | Lefcheck J S. piecewiseSEM: piecewise structural equation modelling in r for ecology, evolution, and systematics[J]. Methods in Ecology and Evolution, 2016, 7(5): 573-579. DOI:10.1111/2041-210X.12512 |
| [50] | Tao F, Huang Y Y, Hungate B A, et al. Microbial carbon use efficiency promotes global soil carbon storage[J]. Nature, 2023, 618(7967): 981-985. DOI:10.1038/s41586-023-06042-3 |
| [51] | Spohn M, Bagchi S, Biederman L A, et al. The positive effect of plant diversity on soil carbon depends on climate[J]. Nature Communications, 2023, 14(1). DOI:10.1038/s41467-023-42340-0 |
| [52] | Khanal S, Nolan R H, Medlyn B E, et al. Mapping soil organic carbon stocks in Nepal's forests[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-34247-z |
| [53] | Wang Y L, Wang X H, Wang K, et al. The size of the land carbon sink in China[J]. Nature, 2022, 603(7901): E7-E9. DOI:10.1038/s41586-021-04255-y |
| [54] | Hu H F, Wang S P, Guo Z D, et al. The stage-classified matrix models project a significant increase in biomass carbon stocks in China's forests between 2005 and 2050[J]. Scientific Reports, 2015, 5. DOI:10.1038/srep11203 |
| [55] |
刘立斌, 周运超, 程安云, 等. 利用皆伐法估算黔中喀斯特森林地上生物量[J]. 生态学报, 2020, 40(13): 4455-4461. Liu L B, Zhou Y C, Chen A Y, et al. Aboveground biomass estimate of a karst forest in central Guizhou Province, southwestern China based on direct harvest method[J]. Acta Ecologica Sinica, 2020, 40(13): 4455-4461. |
| [56] |
肖晓悦, 林松, 支裕优, 等. 浙江省常绿阔叶林碳密度空间变异特征及其驱动因子[J]. 生态学报, 2025, 45(19): 9673-9685. Xiao X Y, Lin S, Zhi Y Y, et al. Space variation characteristics and driving factors of carbon density of evergreen broad-leaved forests in Zhejiang Province[J]. Acta Ecologica Sinica, 2025, 45(19): 9673-9685. |
| [57] |
杨杰, 黄国贤, 田立新, 等. 江西铜鼓县森林植被碳储量及碳密度研究[J]. 温带林业研究, 2023, 6(2): 17-23. Yang J, Huang G X, Tian L X, et al. Study on carbon storage and carbon density of forest vegetation in Tonggu County, Jiangxi Province[J]. Journal of Temperate Forestry Research, 2023, 6(2): 17-23. |
| [58] |
石宝金, 赵义义, 吴乐英, 等. 黄河流域(河南段)碳储量时空动态预测及其作用因素分析[J]. 环境科学, 2026, 47(4): 2520-2533. Shi B J, Zhao Y Y, Wu L Y, et al. Spatiotemporal dynamic prediction of carbon storage in the Yellow River Basin (Henan Section) and analysis of its driving factors[J]. Environmental Science, 2026, 47(4): 2520-2533. DOI:10.13227/j.hjkx.202502108 |
| [59] |
吴楠, 程鹏, 刘桂建, 等. 2030年和2060年气候和土地覆被情景下安徽省陆地生态系统碳储量变化[J]. 环境科学, 2025, 46(12): 7736-7746. Wu N, Cheng P, Liu G J, et al. Changes in carbon storage of terrestrial ecosystems in Anhui Province under climate and land cover scenarios in 2030 and 2060[J]. Environmental Science, 2025, 46(12): 7736-7746. DOI:10.13227/j.hjkx.202411036 |
| [60] |
种方方, 杜加强, 朱晓倩, 等. 京津冀陆地生态系统碳储量估算与空间格局分析[J]. 环境科学研究, 2023, 36(11): 2065-2073. Chong F F, Du J Q, Zhu X Q, et al. Carbon storage estimation and spatial pattern analysis of terrestrial ecosystems in the Beijing-Tianjin-Hebei Region[J]. Research of Environmental Sciences, 2023, 36(11): 2065-2073. |
| [61] |
王绪高, 吕晓涛, 郗凤明, 等. 东北陆地生态系统碳汇现状与研究展望[J]. 应用生态学报, 2024, 35(9): 2322-2337. Wang X G, Lyu X T, Xi F M, et al. Current status and research prospects of terrestrial ecosystem carbon sink in Northeast China[J]. Chinese Journal of Applied Ecology, 2024, 35(9): 2322-2337. |
| [62] |
张凤. 基于GIS的东北旱地土壤有机碳动态模拟研究[D]. 淮南: 安徽理工大学, 2020. Zhang F. Dynamic simulation of soil organic carbon in dry land of Northeast China based on GIS[D]. Huainan: Anhui University of Science and Technology, 2020. |
| [63] |
徐丽, 于贵瑞, 何念鹏. 1980s-2010s中国陆地生态系统土壤碳储量的变化[J]. 地理学报, 2018, 73(11): 2150-2167. Xu L, Yu G R, He N P. Changes of soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s[J]. Acta Geographica Sinica, 2018, 73(11): 2150-2167. |
| [64] |
王嘉瑞. 中国陆地生态系统碳储量时空演变特征及影响因素分析[D]. 兰州: 西北师范大学, 2024. Wang J R. Spatio-Temporal variations and causes of carbon stocks in terrestrial ecosystems in China[D]. Lanzhou: Northwest Normal University, 2024. |
| [65] | Zhang X M, Brandt M, Yue Y M, et al. The carbon sink potential of southern China after two decades of afforestation[J]. Earth's Future, 2022, 10(12). DOI:10.1029/2022EF002674 |
| [66] | Lu M, Zhou X H, Luo Y Q, et al. Minor stimulation of soil carbon storage by nitrogen addition: a meta-analysis[J]. Agriculture, 2011, 140(1-2): 234-244. |
| [67] | Chen S Y, Lu N, Fu B J, et al. Current and future carbon stocks of natural forests in China[J]. Forest Ecology and Management, 2022, 511. DOI:10.1016/j.foreco.2022.120137 |
| [68] | Liang B Y, Wang J, Zhang Z Y, et al. Planted forest is catching up with natural forest in China in terms of carbon density and carbon storage[J]. Fundamental Research, 2022, 2(5): 688-696. DOI:10.1016/j.fmre.2022.04.008 |
| [69] | Luo Y Q, Hui D F, Zhang D Q. Elevated CO2 stimulates net accumulations of carbon and nitrogen in land ecosystems: a meta-analysis[J]. Ecology, 2006, 87(1): 53-63. DOI:10.1890/04-1724 |
| [70] | Lu M, Zhou X H, Yang Q, et al. Responses of ecosystem carbon cycle to experimental warming: a meta-analysis[J]. Ecology, 2013, 94(3): 726-738. DOI:10.1890/12-0279.1 |
| [71] | Zhou X H, Zhou L Y, Nie Y Y, et al. Similar responses of soil carbon storage to drought and irrigation in terrestrial ecosystems but with contrasting mechanisms: a meta-analysis[J]. Agriculture, 2016, 228: 70-81. |
| [72] | Zhou L Y, Hong Y, Li C H, et al. Responses of biomass allocation to multi-factor global change: a global synthesis[J]. Agriculture, 2020, 304. DOI:10.1016/j.agee.2020.107115 |
| [73] | Zhou Z H, Wang C K, Luo Y Q. Meta-analysis of the impacts of global change factors on soil microbial diversity and functionality[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-16881-7 |
| [74] | Blankinship J C, Niklaus P A, Hungate B A. A meta-analysis of responses of soil biota to global change[J]. Oecologia, 2011, 165(3): 553-565. DOI:10.1007/s00442-011-1909-0 |
| [75] | Franklin J, Serra-Diaz J M, Syphard A D, et al. Global change and terrestrial plant community dynamics[J]. Proceedings of the National Academy of Sciences of the United States of America, 2016, 113(14): 3725-3734. |
| [76] |
徐章倩, 周卫军, 崔浩杰, 等. 湖南省柑橘园土壤pH值空间变异特征、成因及养分有效性[J]. 植物营养与肥料学报, 2024, 30(4): 717-730. Xu Z Q, Zhou W J, Cui H J, et al. Spatial variation characteristics and influence factors of soil pH and nutrient availability in citrus orchards of Hunan Province[J]. Journal of Plant Nutrition and Fertilizers, 2024, 30(4): 717-730. |
| [77] | Yang J Y, Wei H, Zhang J E, et al. Land use and soil type exert strongly interactive impacts on the pH buffering capacity of acidic soils in South China[J]. Sustainability, 2022, 14(19). DOI:10.3390/su141912891 |
| [78] |
陈坚淇, 贾亚男, 贺秋芳, 等. 不同土地利用方式对岩溶区土壤有机碳组分稳定性的影响[J]. 环境科学, 2024, 45(1): 335-342. Chen J Q, Jia Y N, He Q F, et al. Effect of land use on the stability of soil organic carbon in a karst region[J]. Environmental Science, 2024, 45(1): 335-342. DOI:10.13227/j.hjkx.202302142 |
| [79] | Boot C M, Hall E K, Denef K, et al. Long-term reactive nitrogen loading alters soil carbon and microbial community properties in a subalpine forest ecosystem[J]. Soil Biology and Biochemistry, 2016, 92: 211-220. DOI:10.1016/j.soilbio.2015.10.002 |
| [80] | Treseder K K. Nitrogen additions and microbial biomass: a meta-analysis of ecosystem studies[J]. Ecology Letters, 2008, 11(10): 1111-1120. DOI:10.1111/j.1461-0248.2008.01230.x |
| [81] |
郭洁芸, 王雅歆, 李建龙. 氮添加对中国陆地生态系统植物-土壤碳动态的影响[J]. 生态学报, 2022, 42(12): 4823-4833. Guo J Y, Wang Y X, Li J L. Effects of nitrogen addition on plant-soil carbon dynamics in terrestrial ecosystems of China[J]. Acta Ecologica Sinica, 2022, 42(12): 4823-4833. |
| [82] |
任书杰, 于贵瑞, 姜春明, 等. 中国东部南北样带森林生态系统102个优势种叶片碳氮磷化学计量学统计特征[J]. 应用生态学报, 2012, 23(3): 581-586. Ren S J, Yu G R, Jiang C M, et al. Stoichiometric characteristics of leaf carbon, nitrogen, and phosphorus of 102 dominant species in forest ecosystems along the North-South Transect of East China[J]. Chinese Journal of Applied Ecology, 2012, 23(3): 581-586. |
| [83] |
李嵘, 常瑞英. 土壤有机碳对外源氮添加的响应及其机制[J]. 植物生态学报, 2015, 39(10): 1012-1020. Li R, Chang R Y. Effects of external nitrogen additions on soil organic carbon dynamics and the mechanism[J]. Chinese Journal of Plant Ecology, 2015, 39(10): 1012-1020. |
| [84] | Magnani F, Mencuccini M, Borghetti M, et al. The human footprint in the carbon cycle of temperate and boreal forests[J]. Nature, 2007, 447(7146): 849-851. DOI:10.1038/nature05847 |
| [85] | Bala G, Devaraju N, Chaturvedi R K, et al. Nitrogen deposition: how important is it for global terrestrial carbon uptake?[J]. Biogeosciences, 2013, 10(11): 7147-7160. DOI:10.5194/bg-10-7147-2013 |
| [86] |
陆啸飞, 郭洁芸, 王斌, 等. 氮添加对中国陆地植被地上-地下生物量分配的影响[J]. 生态学报, 2024, 44(4): 1313-1323. Lu X F, Guo J Y, Wang B, et al. Effects of nitrogen addition on plant above-and below-ground biomass allocation in terrestrial ecosystems in China[J]. Acta Ecologica Sinica, 2024, 44(4): 1313-1323. |
| [87] | Schulte-Uebbing L, de Vries W. Global-scale impacts of nitrogen deposition on tree carbon sequestration in tropical, temperate, and boreal forests: a meta-analysis[J]. Global Change Biology, 2018, 24(2): e416-e431. |
| [88] | Song J, Wan S Q, Piao S L, et al. A meta-analysis of 1, 119 manipulative experiments on terrestrial carbon-cycling responses to global change[J]. Nature Ecology & Evolution, 2019, 3(9): 1309-1320. |
| [89] |
方培结, 张超兰, 曹建华, 等. 生物炭对岩溶区玉米生长、土壤CO2及岩溶作用的影响[J]. 热带地理, 2014, 34(4): 511-517. Fang P J, Zhang C L, Cao J H, et al. Effect of biochar on maize growth, soil CO2 and karstification in karst area[J]. Tropical Geography, 2014, 34(4): 511-517. |
| [90] |
刘淑娟, 张伟, 王克林, 等. 桂西北典型喀斯特峰丛洼地退耕还林还草的固碳效益评价[J]. 生态学报, 2016, 36(17): 5528-5536. Liu S J, Zhang W, Wang K L, et al. Evaluation of carbon sequestration after conversion of cropland to forest and grassland projection in karst peak-cluster depression area of Northwest Guangxi, China[J]. Acta Ecologica Sinica, 2016, 36(17): 5528-5536. |
| [91] | Wang M M, Chen H S, Zhang W, et al. Influencing factors on soil nutrients at different scales in a karst area[J]. CATENA, 2019, 175: 411-420,. DOI:10.1016/j.catena.2018.12.040 |
| [92] |
涂纯, 覃星铭, 李发东, 等. 典型岩溶县域土壤有机碳的空间分异及主控因素[J]. 水土保持学报, 2025, 39(1): 178-188. Tu C, Qin X M, Li F D, et al. Study on the spatial variation of soil organic carbon and its control factors in a typical karst county[J]. Journal of Soil and Water Conservation, 2025, 39(1): 178-188. |
| [93] |
涂纯, 毛诗画, 孔祥胜, 等. 滇东南岩溶与非岩溶区土壤有机碳空间分异及其影响因素[J]. 环境科学, 2025, 46(6): 3846-3855. Tu C, Mao S H, Kong X S, et al. Spatial partitioning and influencing factors of soil organic carbon in karst and non-karst regions of Southeast Yunnan Province[J]. Environmental Science, 2025, 46(6): 3846-3855. DOI:10.13227/j.hjkx.202405239 |