2026, Vol. 47
2. 重庆师范大学地理与旅游学院，重庆 401331;
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;
4. 湖南师范大学地理科学学院，长沙 410081
, WEI Xing-ping1,2
, PU Jun-bing1,2 , YAN Fan1,2 , CHEN Shi-die3 , LI Hui4 , HUANG Rou-man1,2 , CAI Yun-li1,2
2. College of Geography and Tourism, Chongqing Normal University, Chongqing 401331, China;
3. State Key Laboratory of Earth Surface Processes and Resource Ecology, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China;
4. School of Geographical Science, Hunan Normal University, Changsha 410081, China
陆地生态系统具有巨大的碳汇潜力[1]，在减缓全球变暖进程中发挥着关键作用. 土壤是陆地生态系统中最大且最为活跃的碳库[2]，若其发生0.1%的变化，大气圈CO₂浓度将会产生1/1 000 000的波动[3]. 其中，土壤有机碳（soil organic carbon，SOC）储量大、更新快，其动态变化对全球气候与碳循环的影响显著[4]. 同时，SOC是衡量土壤健康与肥力水平的核心指标，在维持肥力水平、提升持水能力及增强土壤稳定性方面发挥着关键作用[5，6]. 因此，立足国家“双碳”战略目标，探明SOC的时空演变规律和空间分异驱动因素，对于深化区域碳循环认知、加强生态环境治理和推动“双碳”目标的实现，兼具重要的理论价值与现实意义.
目前，国内外学者从全球[7]、国家[8，9]和流域[10]等不同空间尺度研究了SOC的时空演变特征及其驱动因素. 有研究表明1980~2010年期间，我国表层土壤有机碳密度（soil organic carbon density，SOCD）呈现显著的空间分异格局[11]. 由于我国西南地区独特的地质构造与湿润的气候条件共同作用，该区域广泛发育了典型的岩溶地貌[12]. 有研究显示西南地区岩溶地貌面积约344万km2，约占国土面积的1/3[13]. 由于强烈的岩溶作用塑造了该地区地表-地下二元水文结构和地表复杂多样的微地貌形态，造成岩溶地区石漠化频发、岩石裸露率高、成土速率缓慢、土壤易流失及土壤保水保肥能力较弱等问题[14，15]. 正因为以上独特属性，岩溶区与非岩溶区的SOCD存在显著的差异. 涂纯等[16]在文山市的研究表明，非岩溶区SOC高于岩溶区，此差异可能与石漠化过程密切相关，而石漠化的发展本质上是土地退化的直接表征. 方芳等[17]在灵川县潮田乡的研究表明，玉米地、水稻田与柑橘园这3类土地利用方式下，岩溶区SOC均高于非岩溶区. 钟聪等[18]对广西北部地区SOC的对比研究结果表明，石灰岩土的SOC含量显著高于红壤区，这可能归因于岩溶区土壤相较于红壤区具有更高的pH值、全氮含量、全磷含量、速效磷含量以及阳离子交换量.
综上所述，当前研究虽初步阐释了岩溶区与非岩溶区SOC的差异性，但多聚焦于样地等小尺度，针对省域尺度的系统研究较少. 岩溶区高度的空间异质性，致使大尺度SOCD估算模型较为缺乏. 尽管已有部分研究采用随机森林模型评估了驱动因子的重要性，然而对于变量间的非线性关系、交互效应以及阈值响应等复杂特征，尚未进行深入挖掘. 广西是我国乃至全球岩溶地貌的典型集中分布区之一，因此本文以广西岩溶区与非岩溶区为研究对象，分别构建适用于两类地质背景的机器学习估算模型，以预测SOCD的空间分布格局；进一步通过SHAP值分析，探讨了不同地质背景下SOCD时空演变特征及其驱动因素的差异；并采用偏依赖图方法探究驱动因子对SOCD的响应机制，揭示了不同驱动因子与SOCD之间的非线性响应、交互作用及阈值特征等. 本研究结果可为系统评估土壤碳汇潜力、制定土壤碳库调控措施及碳管理分区方案提供科学依据.
1 材料与方法 1.1 研究区概况广西壮族自治区，简称“桂”，介于北纬20°54′09″~26°23′19″，东经104°26′48″~112°03′24″之间（图 1）. 区内土地总面积约23.76万km2，占全国国土总面积的2.47%[19]，其中碳酸盐岩分布面积占全区面积的37.8%，是我国主要的岩溶地貌分布区域之一. 地处云贵高原东南边缘，呈西北向东南倾斜状. 广西壮族自治区属于亚热带季风气候，年平均气温为16.8~23.5℃；年降水量为1 086~2 755 mm，干湿分明，雨热同季. 年平均日照时数是1 200~2 000 h. 土壤类型多样，以红壤、赤红壤、石灰岩土、水稻土和黄壤为主[20].
|
图 1 研究区地理位置示意 Fig. 1 Geographical location of the study area |
本研究的1980年表层土壤数据来自《广西土种志》记录的276个土壤剖面（图 2）. 2010年表层土壤数据分别来源于两部分：①《中国土系志-广西卷》，共有150个土壤剖面；②国家生态科学数据中心所提供的21世纪10年代中国陆地生态系统碳密度数据集[21]，其中广西壮族自治区内共199个表层数据，共计349个表层土壤剖面. 土壤剖面中包括SOC、容重和大于2 mm砾石含量等. 两个时期的SOC均采用重铬酸钾（K2Cr2O7）氧化-滴定法测得[22]. 由于按照土壤发生层进行采样，每个剖面的发生层深度不一致，因此本研究采用深度加权法，将两期表层土壤剖面深度统一为0~20 cm.
|
图 2 广西表层土壤采样点位分布示意 Fig. 2 Distributions of sampling sites for topsoil in Guangxi |
土壤有机碳密度是指单位面积一定深度的土层中有机碳储量[23]，计算公式如下：
| (1) |
式中，SOCD为土壤有机碳密度（kg·m-2），
|
图 3 广西表层土壤经验公式 Fig. 3 Empirical formula for topsoil in Guangxi |
基于上述方法计算的土壤有机碳密度，可以通过公式（2）得到土壤有机碳储量：
| (2) |
式中，SOCS为土壤有机碳储量，SOCD为土壤有机碳密度（kg·m-2），
本研究在参考文献[26~33]的基础上，结合驱动因子的数据可获性，将SOCD的驱动因子划分为5类：气候、地形、植被、土壤属性和人类活动变量. ①年均气温（MAT）和年总降水量（MAP）分别取广西1979~1990年和2009~2020年的平均值，数据来源于国家地球系统科学数据中心（https://www.geodata.cn/aboutus.html），分辨率为1 000 m；②高程（DEM）数据来源于地理空间数据云（http://www.gscloud.cn/），坡度（slope）和坡向（aspect）数据均基于高程提取获得，分辨率为30 m；③归一化岩石指数（NDRI）和归一化植被指数（NDVI）是对影像数据进行去条带处理、辐射定标、大气校正、镶嵌，并通过波段运算得到，影像数据来源于美国地理调查局（https://glovis.usgs.gov/），分辨率为30 m；④土壤类型数据（ST）来自国家地球系统科学数据中心. 全氮（TN）、全磷（TP）、全钾（TK）、pH、土壤含水量（SMC）和粉粒含量（silt）数据来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn/），分辨率为250 m；⑤土地利用/覆被变化（LUCC）数据来自中国科学院资源环境科学与数据中心（https://www.resdc.cn/Default.aspx），分辨率为30 m. 驱动因子均采用WGS_1984_UTM_Zone_48N投影坐标系，空间分辨率统一为250 m.
1.3 随机森林与模型精度评估 1.3.1 随机森林模型随机森林由多棵决策树构成，在给定自变量X的条件下，各决策树的预测结果通过投票或取平均值汇总来选择最优分类结果[34]. 每棵决策树在构建时均利用bootstrap抽样生成随机样本子集，以此构建决策树集合，并汇总其预测结果. 模型作用于回归预测时，其结果为所有决策树预测结果的均值[35].
1.3.2 模型精度评估本研究采用K折交叉验证法，其核心思想是将原始数据集随机划分为K个大小相等的互斥子集. 在每次迭代中，选取其中的K-1个子集作为训练集来构建模型，而剩余的1个子集作为验证集用于评估模型的性能[36]. 并选取决定系数（
| (3) |
| (4) |
| (5) |
式中，
本研究基于R4.4.1软件中的tidymodels包，构建RF模型从而预测SOCD的空间分布特征. 具体步骤如下.
（1）驱动因子的筛选 基于共线性检验（VIF > 5）剔除了坡向与TK；并依据区域地质特征，剔除了岩溶区的土层厚度因子与非岩溶区的NDRI因子.
（2）数据划分 根据岩溶区与非岩溶区对土壤数据进行划分，并采用分层抽样方法，分别从两区中抽取80%的样本作为训练集，剩余20%作为测试集.
（3）超参数优化 采用随机网格搜索算法进行超参数优化，该算法属于一种全局优化策略. 同时，运用K折交叉验证来评估模型性能. 交叉验证的折数通过人工调试确定，其取值范围为[5, 10]. 经调试验证，岩溶区与非岩溶区分别采用9折和8折交叉验证. 以RMSE作为模型性能评价指标，寻求超参数的最优组合. 具体参数设置见表 1.
|
表 1 随机森林超参数设置 Table 1 Hyperparameter settings for the random forest |
（4）模型验证 岩溶区在测试集上
本研究采用SHAP和部分依赖图对随机森林模型进行机制解释，以揭示各驱动因子与SOCD之间的非线性关系及阈值.
1.4.1 沙普利加和解释（SHapley Additive exPlanations，SHAP）SHAP是一种采用博弈论来解释机器学习模型输出的方法，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[37]. 假设第
| (6) |
式中，
偏依赖图可以展示特征变量与预测目标之间的依赖关系，即能够可视化一个或两个特征变量对机器学习模型预测结果的边际效应[31]. 本研究采用PDP分析来揭示各驱动因子与SOCD之间的复杂关系. 选取SHAP值排序为前5的驱动因子作为特征变量，绘制单因子PDP图，以解析各关键驱动因子对SOCD的独立影响. 在此基础上，进一步选取SHAP值排序为前3的驱动因子[41]，绘制双因子PDP图，以揭示不同驱动因子组合对SOCD预测平均值的交互效应.
2 结果与分析 2.1 岩溶区与非岩溶区SOCD时空演变特征 2.1.1 SOCD时间变化特征1980~2010年，广西表层SOCD呈增长趋势. 2010年表层SOCD均值[（3.57±0.62）kg·m-2]比1980年表层SOCD均值[（3.43±0.60）kg·m-2]增长了4.08%. 基于随机森林模型估算的1980年和2010年表层SOCD均值，与Sun等[11]、Li等[42]和陈曦等[43]在广西及西南地区相关研究中得出的结论一致. 此外，广西表层SOCS从1980年的0.80 Pg增加到2010年的0.83 Pg，增长幅度为3.75%.
1980年岩溶区表层SOCD均值为（3.57±0.54）kg·m-2，比非岩溶区均值（3.35±0.62）kg·m-2高6.57%，比同期全自治区表层SOCD均值（3.43±0.60）kg·m-2高4.08%. 2010年岩溶区表层SOCD均值为（3.68±0.63）kg·m-2，比非岩溶区均值（3.51±0.53）kg·m-2高4.84%，比同期全自治区表层SOCD均值（3.57±0.62）kg·m-2高出2.52%. 其中，岩溶区表层SOCS从1980年的0.30 Pg增加到2010年的0.32 Pg，增加了6.67%；非岩溶区表层SOCS从1980年的0.49 Pg增加到2010年的0.52 Pg，增加了6.12%.
2.1.2 SOCD空间分布及变化根据1980年和2010年广西表层SOCD空间分布可知，广西表层SOCD空间变异性较强（图 4）. 1980年表层SOCD介于1.51~8.21 kg·m-2，2010年表层SOCD介于1.83~8.66 kg·m-2. 1980年和2010年广西SOCD大小均表现为：桂北 > 桂中 > 桂南，且桂西北SOCD显著高于桂中和桂南. 桂西北表层SOCD值较高可能与该区域较高的NDVI密切相关. 相关研究表明桂西北为高植被覆盖区[44]，输入土壤的有机质较多，进而导致其SOCD较高. 而桂南主要以平原耕地为主，人类活动扰动频繁，而过度耕作和机械作业会破坏土壤结构，加速有机质分解[45]，导致其SOCD偏低.
|
图 4 1980年和2010年广西表层SOCD空间分布 Fig. 4 Spatial distribution of topsoil SOCD in Guangxi in 1980 and 2010 |
1980年和2010年岩溶区表层SOCD分别介于2.21~8.21 kg·m-2和2.05~8.66 kg·m-2，其高值区主要分布在河池市和百色市，低值区主要分布于崇左市和贵港市，其中1980年全州县与富川瑶族自治县的表层SOCD表现为高值区，至2010年该区域已转变为低值区，这种显著的变化可能是由于石漠化的扩张，地表植被退化导致外源有机碳输入锐减密切相关. 而1980年和2010年非岩溶区表层SOCD分别介于1.51~6.06 kg·m-2和1.83~5.85 kg·m-2，其高值区主要分布在百色市、河池市和桂林市. 有研究认为2010年百色市、河池市及来宾市等地的NDVI呈轻度上升趋势[44]，是因为这些区域的植被覆盖状况持续改善，进而导致SOCD升高. 低值区则主要集中分布于北海市、钦州市和玉林市. 分析表明，这些区域作为北海湾经济发展和城市扩张的核心区，大量林地和农田被转化为城镇和建设用地，这种土地利用方式的转变，导致了SOCD值较低.
基于1980年和2010年两期SOCD栅格数据，采用像元差分法逐栅格计算其年均变化速率. 广西表层SOCD年均变化速率表明（图 5），岩溶区表层SOCD年均变化率的增长区主要分布在来宾市、河池市东南部、柳江县、隆林各族自治县及龙州县，而减少区则主要集中在贵港市、全州县、桂林市市辖区、富川瑶族自治县、靖西市及扶绥县，这种变化可能与石漠化加剧和水土流失等生态问题密切相关. 非岩溶区表层SOCD年均变化率的增长区主要分布在桂南、桂东、百色市北部、横县以及邕宁区，而减少区则主要集中在桂林市、融水苗族自治县西部、靖西市、田阳区、合浦县、金秀瑶族自治县以及南宁市主城区，这一变化可能与土地利用类型的转变和人类活动等因素有关. 城市交通和工业活动排放的大气污染物会进一步抑制土壤微生物活性，从而对SOC的长期积累产生不利影响[27]，进而导致非岩溶区SOCD年均变化率呈现出下降趋势.
|
图 5 广西表层SOCD年均变化速率 Fig. 5 Annual average change rate of topsoil SOCD in Guangxi |
图 6和图 7中的SHAP值分别展示了各驱动因子在岩溶区与非岩溶区中对SOCD预测影响的贡献程度. 图 6显示，silt、TN、ST、NDVI和slope是影响岩溶区SOCD的主要驱动因子. 图 7显示，TN、slope、MAT、DEM和MAP是对非岩溶区SOCD贡献程度较高的驱动因子. 其中，TN和slope是同时影响岩溶区与非岩溶区SOCD的关键驱动因子. TN的SHAP值范围在岩溶区和非岩溶区分别为-0.71~1.00和-0.60~0.88，跨度较大，表明TN对SOCD的影响作用较为强烈，且对两区SOCD都以正向作用为主，TN越高，SOCD值往往越高. slope对SOCD的影响也呈现相同的规律：高值点主要集中在0点右侧，而绝大多数低值点则聚集中在0点左侧. 这表明slope对两区SOCD均具有显著的正向影响. slope较高的区域，地形地势崎岖，不适合人类生活生产，人类活动扰动低[46]，进而导致表层SOCD值较高.
|
silt：粉粒，TN：全氮，ST：土壤类型，SMC：土壤含水率，DEM：海拔，NDRI：归一化岩石指数，NDVI：归一化植被指数，slope：坡度，MAT：年均气温，MAP：年总降水量，TP：全磷，LUCC：土地利用/覆被变化 图 6 岩溶区基于SHAP的驱动因子重要性排序与影响效应 Fig. 6 Ranking of driving factor importance and their influence effects based on SHAP in the karst region |
|
TN：全氮，slope：坡度，MAT：年均气温，DEM：海拔，MAP：年总降水量，ST：土壤类型，TP：全磷含量，NDVI：归一化植被指数，silt：粉粒，NDRI：归一化岩石指数，thickness：土层厚度，LUCC：土地利用/覆被变化 图 7 非岩溶区基于SHAP的驱动因子重要性排序与影响效应 Fig. 7 Ranking of driving factor importance and their influence effects based on SHAP in the non-karst region |
在岩溶区，驱动因子Silt的SHAP值范围在-0.84~1.0，跨度大，表明Silt对岩溶区SOCD的影响作用最为显著，其特征值的高值点主要集中在0点右侧，特征值越大，预测值越高，表明Silt对岩溶区SOCD呈正向作用. Silt越高，岩溶区SOCD值越高. NDVI对岩溶区SOCD的正负向影响均不显著. 高特征值点主要分布于0点左侧，同时有少数高特征值点位于0点右侧. 值得注意的是，右侧个别高特征值点的SHAP值较高，平均值达3.9. 高特征值点在正负SHAP值均有分布. 在非岩溶区，MAT的高值点集中分布在0点左侧，表明MAT对非岩溶区SOCD呈负向作用. MAT的取值越低，对非岩溶区SOCD值影响贡献越大. DEM对非岩溶区SOCD的影响呈现出相反的规律，其高值点在0点右侧呈现较多的零星分布. 这表明DEM与非岩溶区SOCD呈正向作用. MAP的低值点主要分布在0点右侧，高值点集中分布在0点左侧. 特征值越大，SOCD预测值越低，这表明MAP对非岩溶区SOCD呈负向作用. 其余驱动因子的SHAP值较小，分布较随机，表明其对SOCD的影响较小.
土壤类型是影响岩溶区SOCD的重要驱动因子. 为进一步探究其影响，图 8展示了岩溶区不同土壤类型下表层SOCD的分布特征. 从中可知，在各类土壤类型中，黄壤、石灰岩土、黄棕壤和水稻土的岩溶区SOCD显著较高. 这一现象可能与广西地区黄壤和石灰岩土主要分布于桂西北和桂东北有关. 该区域以岩溶峰丛洼地地貌为主，海拔较高导致气温相对较低，从而抑制了微生物的活性，有利于SOC的积累，进而导致岩溶区SOCD值较高[18]. 红壤、粗骨土、赤红壤和红黏土的岩溶区SOCD处于中间水平. 本研究认为，尽管红壤与赤红壤区域植被生长迅速，凋落物输入量较大，但由于该地区气候温暖湿润，促进了腐殖质分解与转化的过程，使其岩溶区SOCD维持在中等程度[43，47]. 紫色土、新积土和砖红壤的SOCD显著较低. 本研究认为这可能是由于紫色土区域农业开发较早，加上植被稀疏，导致水土流失严重，进而使得岩溶区SOCD值较低[48].
|
图 8 岩溶区不同土壤类型下表层SOCD分布特征 Fig. 8 Distribution of topsoil SOCD under different soil types in the karst region |
偏依赖特征指在保持其他特征值不变的情况下，某一驱动因子的变化对模型影响的预测值，反映了该影响因素对预测结果的“纯”贡献[49]. 本研究分别选取岩溶区和非岩溶区SHAP可视化重要性排序前5的驱动因子进行深入解析，图 9和图 10分别展示了两区中关键驱动因子对SOCD的单变量偏依赖关系. 从中可知，TN和slope在岩溶区和非岩溶区均呈现出一致的变化规律. 具体而言，岩溶区ω（TN）处于1.30~1.38 g·kg-1时，SOCD值显著增加；而非岩溶区ω（TN）处于1.30~1.6 g·kg-1时，SOCD值基本保持不变. 当ω（TN） > 2.06 g·kg-1时，岩溶区SOCD产生阈值；当ω（TN） > 1.98 g·kg-1时，非岩溶区SOCD产生阈值，并趋于稳定. 本研究认为可能是因为氮元素的富集会导致土壤酸化，通过改变土壤的理化性质而抑制微生物的代谢活动，从而抑制SOC的分解[50]，导致其SOCD值基本保持不变. slope与SOCD呈先负相关后正相关的非线性关系. 在岩溶区，slope处于0°~3°时，对SOCD产生负向影响；在3°~42°转为正向影响；当slope超过42°时，对SOCD呈负向作用. 而在非岩溶区，slope处于0~5°时，对SOCD产生负向影响；在5°~34°产生正向影响；当slope超过34°时，对SOCD重新转为抑制. 因此，岩溶区和非岩溶区共同驱动因子的阈值存在着差异.
|
图 9 岩溶区关键驱动因子对SOCD的单变量偏依赖 Fig. 9 One-way partial dependence of key driving factor on SOCD in the karst region |
|
图 10 非岩溶区关键驱动因子对SOCD的单变量偏依赖 Fig. 10 One-way partial dependence of key driving factor on SOCD in the non-karst region |
在岩溶区，silt与SOCD呈非线性正相关. ω（silt）处于2%~4%时，对岩溶区SOCD的影响较弱，但仍呈增长趋势；当ω（silt）处于4.40%~4.91%时，对岩溶区SOCD呈显著的正向影响；当ω（silt） > 5%时，岩溶区SOC产生阈值，并逐渐趋于稳定. 同样地，NDVI与岩溶区SOCD也呈非线性正相关. 当NDVI < 0.84时，对岩溶区SOCD影响相对较弱；当NDVI介于0.84~0.88时，岩溶区SOCD值显著增加. 分析认为NDVI低意味着受人类活动的剧烈干扰，地表植被稀少，受干扰易造成水土流失、石漠化等生态问题[46]，且NDVI对SOCD的影响存在滞后性，进而导致岩溶区SOCD值较低. 在非岩溶区，MAT与SOCD呈现非线性负相关. MAT处于10.3~17.9℃时，对非岩溶区SOCD的影响相对较弱，呈小幅度上升；MAT处于17.9~19.7℃时，对非岩溶区SOCD产生显著的负向影响；当MAT高于21℃时，对非岩溶区SOCD的影响则逐渐降低. 相反地，DEM与非岩溶区SOCD呈现非线性正相关. DEM在0~460 m对非岩溶区SOCD产生正向影响；在460~1 074 m时产生负向影响；当DEM超过1 241 m时，对非岩溶区SOCD产生正向影响，并逐渐产生阈值. MAP与非岩溶区SOCD呈先负相关后正相关的“V”形非线性关系. MAP在1 235~1 486 mm时，其对非岩溶区SOCD产生负向影响；在1 486~1 892 mm转为正向影响；当MAP超过1 892 mm时，非岩溶区SOCD产生阈值，并逐渐趋于稳定.
2.2.3 多因子响应分析本研究参考文献[41]选取SHAP值排序前3的驱动因子，即Silt、TN和NDVI作为岩溶区多因素响应分析的驱动因子，其2D PDP结果如图 11所示. 从silt和TN两驱动因子的交互作用中可知，silt对岩溶区SOCD影响显著，而TN对岩溶区SOCD影响相对较小. 在ω（silt） < 4.4%且ω（TN） < 1.28 g·kg-1时，该区域驱动因子的交互作用较弱；在ω（silt） > 4.4%且ω（TN） > 1.28 g·kg-1时，该区域驱动因子的正向作用逐渐增强；在ω（silt） > 4.9%且ω（TN） > 2.06 g·kg-1时，正向效应最强. 从TN和NDVI两驱动因子的交互作用中可知，当ω（TN） < 1.28 g·kg-1时，两驱动因子的交互作用较弱. 当NDVI < 0.84，岩溶区SOCD值相对较低；当NDVI > 0.84时，岩溶区SOCD显著提升，从3.5 kg·m-2增至6.4 kg·m-2，增幅达82.9%. 当ω（TN） > 2.06 g·kg-1时，若NDVI < 0.84，岩溶区SOCD值仍相对较低；而当NDVI > 0.84时，岩溶区SOCD由5.0 kg·m-2显著提升到7.1 kg·m-2，增幅达42%. 结果表明，TN与NDVI对岩溶区SOCD具有显著的协同促进效应. 当TN含量较高和NDVI > 0.84时，可以显著提升SOCD. 从silt和NDVI两驱动因子的交互作用中可知，当ω（silt） < 4.4%且0.25 < NDVI < 0.84时，说明驱动因子的正向交互作用较弱，且SOCD主要受到silt的影响；当ω（silt） > 4.4%且NDVI > 0.84时，两因子间呈现最强的正向交互作用，SOCD主要受到NDVI调控，其值从4.9 kg·m-2显著提升到7.5 kg·m-2，增幅为53.1%. 结果表明，silt与NDVI在较高水平下对岩溶区SOCD具有显著的协同促进效应.
|
图 11 岩溶区关键驱动因子对SOCD的双变量偏依赖 Fig. 11 Two-way partial dependence of key driving factors on SOCD in the karst region |
选取SHAP值排序前3的驱动因子，即TN、slope和MAT作为非岩溶区多因素响应分析的驱动因子，其2D PDP结果如图 12所示. 从TN和slope两驱动因子的交互作用中可知，当ω（TN） < 1.61 g·kg-1且slope < 18.2°时，两驱动因子的交互作用较弱，非岩溶区SOCD值最低；当1.61 g·kg-1 < ω（TN） < 1.98 g·kg-1且18.2° < slope < 28.56°时，驱动因子的交互作用逐渐增强；在ω（TN） > 1.98 g·kg-1且slope > 28.56°时，驱动因子的交互效应最强，非岩溶区SOCD增至4.2 kg·m-2. 从TN和MAT两驱动因子的交互作用中可知，两驱动因子的交互作用较弱，但总体仍然对非岩溶区SOCD存在影响. 当MAT < 19.34℃时，非岩溶区SOCD主要受到TN的影响；在ω（TN） > 1.98 g·kg-1时，非岩溶区SOCD值较大. 当MAT > 19.34℃且ω（TN） < 1.61 g·kg-1时，驱动因子的负向交互效应最强，非岩溶区SOCD值最低. 但发现当MAT达到23℃且ω（TN）超过1.61 g·kg-1时，正向交互作用增强，非岩溶区SOCD显著提升. 从slope和MAT两驱动因子的交互作用中可知，两驱动因子的交互作用较弱，但总体仍对非岩溶区SOCD存在影响，且非岩溶区SOCD主要受到MAT的影响. 在slope < 28.56°时，若MAT < 19.34℃，非岩溶区SOCD处于中等水平；而当MAT > 19.34℃时，两驱动因子的负向交互效应最强，SOCD逐渐降低至阈值. 在slope > 28.56°时，随着MAT的上升，非岩溶区SOCD呈现下降趋势；在slope > 28.56°且MAT > 19.34℃时，两驱动因子的正向交互效应最强，非岩溶区SOCD增至到3.9 kg·m-2.
|
图 12 非岩溶区关键驱动因子对SOCD的双变量偏依赖 Fig. 12 Two-way partial dependence of key driving factors on SOCD in the non-karst region |
随着计算机科学，遥感、数据挖掘算法的快速发展，数字土壤制图（digital soil mapping，DSM）成为一种新兴的、高效表达土壤空间分布的技术方法[51]. 目前，常见的DSM包括地统计学、回归分析法、机器学习和混合模型等[52]. 相比其他方法，机器学习方法具有输入数据无要求、计算效率高以及处理大数据能力强等优势，得到了广泛应用. 随机森林作为一种以数据驱动的机器学习方法[53]，具有训练效率高、对多元线性不敏感、能够有效处理缺失数据等优点，并且能够避免模型的过度拟合[54]. 同时，随机森林模型能有效处理土壤属性与环境变量间复杂的非线性关系，对缺失值和异常值有较好的鲁棒性[55]. 因此在土壤属性空间预测领域应用广泛，尤其常用于SOC、SOCD和pH等关键属性的估算与制图. Sun等[11]、唐湘博等[41]、Wang等[56]和Li等[57]运用机器学习模型进行空间分布预测，结果均显示随机森林模型为最优模型. 本研究分别在岩溶区与非岩溶区采用RF、极端梯度提升（XGBoost）和支持向量机（SVM）构建SOCD估算模型. 结果表明，在岩溶区，3个模型整体均表现出较好的预测性能（图 13），其中RF在测试集上
|
横坐标表示岩溶区SOCD实测值，纵坐标表示岩溶区SOCD预测值，黑色虚线表示拟合线 图 13 岩溶区测试集下不同机器学习模型下SOCD实测值与预测值拟合散点图 Fig. 13 Scatter plot of SOCD measured and predicted values under different machine learning models in the karst test set |
|
|
表 2 各模型的评估结果 Table 2 Evaluation results of each model |
|
横坐标表示非岩溶区SOCD实测值，纵坐标表示非岩溶区SOCD预测值，黑色虚线表示拟合线 图 14 非岩溶区测试集下不同机器学习模型下SOCD实测值与预测值拟合散点图 Fig. 14 Scatter plot of SOCD measured and predicted values under different machine learning models in the non-karst test set |
岩溶区表层SOCD在1980年[（3.57±0.54）kg·m-2]和2010年[（3.68±0.63）kg·m-2]均高于同期非岩溶区，增幅分别为6.57%和4.84%. 这与西南地区已有研究结论一致：比如方芳等[17]和钟聪等[18]研究认为广西岩溶区表层ω（SOC）为17.23~42.52 g·kg-1，高于非岩溶区13.88~25.99 g·kg-1. 岩溶区石灰土是在热带、亚热带地区经溶蚀风化形成的，该区域基岩以碳酸盐岩类为主，其主要化学成分为CaCO3和MgCO3等可溶性盐类[58]. 岩溶区土壤因其富钙、偏碱的特性，在理化性质上与非岩溶区土壤形成显著分异. 在钙质丰富的土壤环境中，释放的钙、镁离子易与土壤有机质结合形成结构稳定、难分解的腐植酸钙，进而对SOC的维持和稳定起到一定的促进作用[58，59]. 同时，钙离子是促进土壤团聚体形成的主要胶结物质和作用力之一，通过促进有机质与矿物表面间的钙离子桥作用增强团聚体稳定性，进而抑制SOC的矿化分解[60]. 因此，与非岩溶区相比，岩溶区表现出更高的SOCD.
岩溶区表层SOCD的年均变化率持续攀升，这一趋势可能与我国所实施的系列大型生态恢复工程密切相关，如天然林保护工程、退耕还林工程和石漠化综合治理工程等[11]，生态恢复工程的实施通过提高植被覆盖度和减少人为干扰，从而促进SOCD的增加. 而岩溶区表层SOCD年均变化率减少区主要集中在贵港市、全州县、桂林市市辖区、富川瑶族自治县、靖西市及扶绥县. 韩昭庆等[61]研究表明2000年广西有30个县呈现石漠化扩张态势，且集中分布于桂东北. 此空间格局与该区域SOCD的减少趋势呈现出显著的空间一致性. 此前阶段性石漠化加剧是SOCD下降的主要原因，一方面，地表植被退化导致外源有机碳输入锐减；另一方面，侵蚀强度增加引发表层土壤有机质及养分流失，导致表层SOCD降低. 未来应加强生态工程建设和工业化规划.
3.3 岩溶区与非岩溶区SOCD驱动因子分析在本研究中，岩溶区和非岩溶区的驱动因子存在着差异. 其中，TN和slope均为影响两区域SOCD的关键驱动因子. silt、ST和NDVI对岩溶区SOCD有显著影响，而MAT、DEM和MAP则对非岩溶区SOCD产生重要影响. 土壤性质对于SOCD有着重要影响，TN是影响SOCD的主导因子. 在岩溶地区和非岩溶地区，TN均对SOCD呈现出显著的正相关. 随着TN的增加，通过解除N限制而促进植物叶片增大，增加叶片有机碳，进而促进凋落物的分解和生物量的增加[23，62]. 同时，土壤中氮元素的富集还可以通过影响SOC矿化速率等途径，致使SOC积累增加[63]. 土壤颗粒组成显著调控有机碳蓄积，其中silt与岩溶区SOCD存在非线性正相关，此规律与大多数研究所得结论相符，主要原因在于粉粒对土壤水分有效性以及植被生长均具有较强的正效应[64]. NDVI与岩溶区SOCD呈非线性正相关，这与谷欣逾等[29]和南富森等[24]所得的结论一致. 较高的NDVI值意味着更高的植被覆盖度，高植被覆盖能够提供更多的地表凋落物和更发达的根系[24]，共同增加了SOC向土壤的输入量，从而促进了SOC的积累. 此外，枯枝落叶的物理特性有助于土壤水分的保持，从而减少径流，降低侵蚀风险以及相关的养分流失[65]，进而使得SOCD较高. 通过开展退耕还林和植树造林等活动以提升NDVI，可以有效优化土地利用与管理方式，进而显著提升陆地生态系统的碳固存效能[11].
DEM对非岩溶区SOCD存在非线性正相关，DEM的升高会促使SOCD增加，这与Huang等[32]所得的结论基本一致. 海拔高度能够调节区域气候条件，而这反过来又会影响土壤有机质的积累和分解[28]. 随着海拔升高，MAT降低导致微生物的活性减弱，植被生产力增加，进而减低了SOC的分解速率，有利于SOC的积累[66~68]. 这也从侧面证实了非岩溶区SOCD随着MAT的降低而增加. 这与钟聪等[18]和谷欣逾等[29]研究结果一致. 在高温环境下，土壤微生物种群的增长速率和生命活动增强，进而加速了SOC的分解速率[69]，导致土壤碳库的损失增加[70，71]. MAP与SOCD具有双重效应. 一方面，高土壤湿度与高淋滤强度增强了土壤风化和发育，有助于SOC累积[72]；另一方面，过量降水可通过增强分解者活性与加剧土壤侵蚀，导致SOC流失[31]. 本研究发现MAP与非岩溶区SOCD呈显著负相关，表明由分解与侵蚀引起的碳损失超过了土壤风化和发育增强所带来的碳积累增益. 随着slope的逐渐增加，SOCD呈先下降后上升的变化趋势. 程金等[73]的研究结果也显示SOCD会随着坡度的增加出现先下降后上升的情况. 这一规律与广西山地丘陵广布的地貌特征及人为土地管理措施的实施密切相关[28]. 缓坡区耕地占比高，频繁的耕作活动加速SOC流失，导致SOCD处于相对较低水平；陡坡高海拔区域以林地为主，受封山育林工程影响，植被覆盖度显著提升，土壤侵蚀强度显著减弱，进而维持较高的SOCD.
4 结论（1）1980~2010年，广西表层SOCD呈增长趋势. 2010年表层SOCD均值[（3.57±0.62）kg·m-2]比1980年表层SOCD均值[（3.43±0.60）kg·m-2]增长了4.08%. 岩溶区表层SOCD在1980年[（3.57±0.54）kg·m-2]与2010年[（3.68±0.63）kg·m-2]均高于同期非岩溶区，增幅分别为6.57%与4.84%.
（2）1980年和2010年广西表层SOCD大小均表现为：桂北 > 桂中 > 桂南，其中桂西北SOCD显著高于桂中和桂南. 岩溶区表层SOCD年均变化率减少区主要集中在贵港市、全州县、桂林市市辖区、富川瑶族自治县、靖西市及扶绥县，与同期石漠化扩张区在空间上呈现出高度一致性.
（3）SHAP值分析表明，TN和slope均为影响两区域SOCD的关键驱动因子. silt、ST和NDVI对岩溶区SOCD有显著影响，而MAT、DEM和MAP则对非岩溶区SOCD产生重要影响. 偏依赖图分析显示，SOCD与各驱动因子之间呈多样化特征. SOCD与TN、silt、NDVI和DEM呈非线性正相关，与MAT和MAP呈非线性负相关，而与slope呈先负相关后正相关的非线性关系，且各类关系中均存在明显阈值.
| [1] | Georgiou K, Jackson R B, Vindušková O, et al. Global stocks and capacity of mineral-associated soil organic carbon[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-31540-9 |
| [2] | Liu Z P, Shao M A, Wang Y Q. Large-scale spatial variability and distribution of soil organic carbon across the entire Loess Plateau, China[J]. Soil Research, 2012, 50(2): 114-124. DOI:10.1071/SR11183 |
| [3] |
黄雪夏, 倪九派, 高明, 等. 重庆市土壤有机碳库的估算及其空间分布特征[J]. 水土保持学报, 2005, 19(1): 54-58. Huang X X, Ni J P, Gao M, et al. Stimating soil organic carbon pool of Chongqing area and its spatial distribution[J]. Journal of Soil and Water Conservation, 2005, 19(1): 54-58. |
| [4] |
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. |
| [5] |
崔东, 肖治国, 赵玉, 等. 不同土地利用类型对伊犁地区土壤活性有机碳库和碳库管理指数的影响[J]. 水土保持研究, 2017, 24(1): 61-67. Cui D, Xiao Z G, Zhao Y, et al. Effects of different land use patterns on soil active organic carbon pool and carbon pool management index in Yili area, Xinjiang uygur autonomous region[J]. Research of Soil and Water Conservation, 2017, 24(1): 61-67. |
| [6] |
张维理, Kolbe H, 张认连. 土壤有机碳作用及转化机制研究进展[J]. 中国农业科学, 2020, 53(2): 317-331. Zhang W L, Kolbe H, Zhang R L. Research progress of SOC functions and transformation mechanisms[J]. Scientia Agricultura Sinica, 2020, 53(2): 317-331. |
| [7] | Todd-Brown K E O, Randerson J T, Hopkins F, et al. Changes in soil organic carbon storage predicted by earth system models during the 21st century[J]. Biogeosciences, 2014, 11(8): 2341-2356. DOI:10.5194/bg-11-2341-2014 |
| [8] | Zhang Z M, Zhou Y C, Wang S J, et al. Soil organic carbon density spatial distribution and influencing factors in a karst mountainous basin[J]. Polish Journal of Environmental Studies, 2017, 26(5): 2363-2374. DOI:10.15244/pjoes/69283 |
| [9] | Xu S X, Shi X Z, Zhao Y C, et al. Spatially explicit simulation of soil organic carbon dynamics in China's paddy soils[J]. CATENA, 2012, 92: 113-121. DOI:10.1016/j.catena.2011.12.005 |
| [10] |
宁一泓, 王海燕, 侯文宁, 等. 重庆笋溪河流域土壤有机碳特征及影响因素[J]. 森林与环境学报, 2022, 42(5): 552-560. Ning Y H, Wang H Y, Hou W N, et al. Characteristics and influencing factors of soil organic carbon in the Sunxi River Basin, Chongqing[J]. Journal of Forest and Environment, 2022, 42(5): 552-560. |
| [11] | Sun Y, Ma J, Zhao W H, et al. Digital mapping of soil organic carbon density in China using an ensemble model[J]. Environmental Research, 2023, 231. DOI:10.1016/j.envres.2023.116131 |
| [12] |
贺红早, 周运超, 张春来. 土壤与植物根系特征及碳积累探究[J]. 中国岩溶, 2017, 36(4): 463-469. He H Z, Zhou Y C, Zhang C L. Root characteristics and carbon accumulation in relation to soils[J]. Carsologica Sinica, 2017, 36(4): 463-469. |
| [13] | Song X W, Gao Y, Green S M, et al. Nitrogen loss from karst area in China in recent 50 years: an in‐situ simulated rainfall experiment's assessment[J]. Ecology and Evolution, 2017, 7(23): 10131-10142. DOI:10.1002/ece3.3502 |
| [14] | Huang Q H, Cai Y L, Xing X S. Rocky desertification, antidesertification, and sustainable development in the karst mountain region of Southwest China[J]. AMBIO: A Journal of the Human Environment, 2008, 37(5): 390-392. DOI:10.1579/08-S-493.1 |
| [15] |
陈飞. 喀斯特区域土壤有机碳的空间分布特征及其影响因素[D]. 贵阳: 贵州大学, 2022. Chen F. Spatial distribution characteristics and influencing factors of soil organic carbon in Karst Area[D]. Guiyang: Guizhou University, 2022. |
| [16] |
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 |
| [17] |
方芳, 靳振江, 李强, 等. 岩溶区与非岩溶区土壤有机碳、养分及特征元素对比[J]. 桂林理工大学学报, 2016, 36(3): 550-556. Fang F, Jin Z J, Li Q, et al. Comparison of soil organic carbon nutrients and characteristic elements between karst and non-karst area[J]. Journal of Guilin University of Technology, 2016, 36(3): 550-556. |
| [18] |
钟聪, 李小洁, 何园燕, 等. 广西土壤有机质空间变异特征及其影响因素研究[J]. 地理科学, 2020, 40(3): 478-485. Zhong C, Li X J, He Y Y, et al. Spatial variation of soil organic matter and its influencing factors in Guangxi, China[J]. Scientia Geographica Sinica, 2020, 40(3): 478-485. |
| [19] | 傅文华, 康永辉. 广西社会经济干旱特征及抗旱效益与对策[J]. 人民长江, 2016, 47(S1): 1-8. |
| [20] | 喻国忠. 漫谈广西主要土壤[J]. 南方国土资源, 2007(3): 39-40. |
| [21] |
徐丽, 何念鹏, 于贵瑞. 2010s中国陆地生态系统碳密度数据集[DB/OL]. Science Data Bank. https://doi.org/10.11922/sciencedb.603, 2025-11-01. Xu L, He N P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s)[DB/OL]. Science Data Bank. https://doi.org/10.11922/sciencedb.603, 2025-11-01. |
| [22] |
张甘霖, 龚子同. 土壤调查实验室分析方法[M]. 北京: 科学出版社, 2012. Zhang G L, Gong Z T. Soil survey laboratory methods[M]. Beijing: Science Press, 2012. |
| [23] |
李成, 王让会, 李兆哲, 等. 中国典型农田土壤有机碳密度的空间分异及影响因素[J]. 环境科学, 2021, 42(5): 2432-2439. Li C, Wang R H, Li Z Z, et al. Spatial differentiation of soil organic carbon density and influencing factors in typical croplands of China[J]. Environmental Science, 2021, 42(5): 2432-2439. DOI:10.13227/j.hjkx.202010029 |
| [24] |
南富森, 李宗省, 张小平, 等. 基于MGWR的黄河流域土壤有机碳密度和影响因素分析[J]. 环境科学, 2023, 44(2): 912-923. Nan F S, Li Z S, Zhang X P, et al. Spatial distribution characteristics and influencing factors of soil organic carbon density in Yellow River Basin based on MGWR model[J]. Environmental Science, 2023, 44(2): 912-923. DOI:10.13227/j.hjkx.202203091 |
| [25] |
沈佳丽, 陈颂超, 胡碧峰, 等. 基于机器学习的江汉平原土壤有机碳预测及制图[J]. 农业资源与环境学报, 2023, 40(3): 644-650. Shen J L, Chen S C, Hu B F, et al. Prediction and mapping soil organic carbon in Jianghan Plain by machine learning[J]. Journal of Agricultural Resources and Environment, 2023, 40(3): 644-650. |
| [26] | Huang Y Y, Song X D, Wang Y P, et al. Size, distribution, and vulnerability of the global soil inorganic carbon[J]. Science, 2024, 384(6692): 233-239. DOI:10.1126/science.adi7918 |
| [27] | Xu F J, Zhao S Q, Li S C. Dynamic responses of soil organic carbon to urbanization: a global perspective[J]. Global Change Biology, 2024, 30(11). DOI:10.1111/gcb.17573 |
| [28] | Wang L X, Li Z W, Nie X D, et al. Three-dimensional spatiotemporal variation of soil organic carbon and its influencing factors at the basin scale[J]. International Soil and Water Conservation Research, 2024, 12(4): 885-895. DOI:10.1016/j.iswcr.2024.05.001 |
| [29] |
谷欣逾, 赵明松, 王世航, 等. 近40年安徽省土壤有机碳密度时空变化及驱动力分析[J]. 环境科学, 2025, 46(12): 7705-7714. Gu X Y, Zhao M S, Wang S H, et al. Temporal and spatial changes and driving forces of soil organic carbon density in Anhui Province in recent 40 years[J]. Environmental Science, 2025, 46(12): 7705-7714. DOI:10.13227/j.hjkx.202410131 |
| [30] | Zhang Z P, Ding J L, Zhu C M, et al. Historical and future variation of soil organic carbon in China[J]. Geoderma, 2023, 436. DOI:10.1016/j.geoderma.2023.116557 |
| [31] | Zhang W C, Zhang X, Wu W, et al. The spatial variability of temporal changes in soil organic carbon and its drivers in a mountainous agricultural region of China[J]. CATENA, 2024, 246. DOI:10.1016/j.catena.2024.108402 |
| [32] | Huang K W, Ma Z, Xia P H, et al. Spatial pattern and controlling factors of soil organic carbon density in a typical karst province, China[J]. Soil and Tillage Research, 2024, 242. DOI:10.1016/j.still.2024.106160 |
| [33] | Hu B F, Xie M D, Zhou Y, et al. A high-resolution map of soil organic carbon in cropland of Southern China[J]. CATENA, 2024, 237. DOI:10.1016/j.catena.2024.107813 |
| [34] |
张雯, 刘爱利, 齐威, 等. 基于随机森林的月貌面向对象分类[J]. 遥感信息, 2018, 33(1): 93-98. Zhang W, Liu A L, Qi W, et al. Lunar terrain object-oriented classification based on random forest[J]. Remote Sensing Information, 2018, 33(1): 93-98. |
| [35] | Scornet E. Random forests and kernel methods[J]. IEEE Transactions on Information Theory, 2016, 62(3): 1485-1500. DOI:10.1109/TIT.2016.2514489 |
| [36] |
仉文岗, 唐理斌, 陈福勇, 等. 基于4种超参数优化算法及随机森林模型预测TBM掘进速度[J]. 应用基础与工程科学学报, 2021, 29(5): 1186-1200. Zhang W G, Tang L B, Chen F Y, et al. Prediction for TBM penetration rate using four hyperparameter optimization methods and random forest model[J]. Journal of Basic Science and Engineering, 2021, 29(5): 1186-1200. |
| [37] | Lundberg S M, Lee S I. A unified approach to interpreting model predictions[A]. In: Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. Long Beach: Curran Associates Inc., 2017. 4768-4777. |
| [38] | Wang S, Peng H, Hu Q, et al. Analysis of runoff generation driving factors based on hydrological model and interpretable machine learning method[J]. Journal of Hydrology: Regional Studies, 2022, 42. DOI:10.1016/j.ejrh.2022.101139 |
| [39] |
刘慧文, 刘欢, 胡鹏, 等. 基于可解释机器学习的青藏高原草地物候变化多因素影响分析[J]. 环境科学, 2024, 45(6): 3375-3388. Liu H W, Liu H, Hu P, et al. Multi-factor impact analysis of grassland phenology changes on the Qinghai-Xizang Plateau based on interpretable machine learning[J]. Environmental Science, 2024, 45(6): 3375-3388. DOI:10.13227/j.hjkx.202306185 |
| [40] |
李建付, 黄志霖, 和成忠, 等. 滇东喀斯特断陷盆地土壤有机碳空间分布特征及其关键影响因子[J]. 生态环境学报, 2024, 33(9): 1339-1352. Li J F, Huang Z L, He C Z, et al. Spatial distribution and key factors affecting soil organic carbon within the karst fault basin in eastern Yunnan, China[J]. Ecology and Environmental Sciences, 2024, 33(9): 1339-1352. |
| [41] |
唐湘博, 黄有为, 苏涵. 基于机器学习的中国农业净碳汇预测模型构建及驱动因素响应分析[J]. 环境科学, 2026, 47(6): 3556-3572. Tang X B, Huang Y W, Su H. Construction and driving factors analysis of a machine learning-based prediction model for net carbon sink in Chinese agriculture[J]. Environmental Science, 2026, 47(6): 3556-3572. DOI:10.13227/j.hjkx.202504072 |
| [42] | Li J, Ke X Y, Wang X Y, et al. Analysis of soil organic carbon composition characteristics and causes in Wuming region karst landforms, Nanning, Guangxi Province, China[J]. Environmental Earth Sciences, 2024, 83(11). DOI:10.1007/s12665-024-11660-9 |
| [43] |
陈曦. 广西土壤有机碳储量估算及与全国部分省区的比较研究[J]. 地理科学, 2014, 34(10): 1247-1253. Chen X. estimation of soil organic carbon reserves in Guangxi and comparion study with some provinces in China[J]. Scientia Geographica Sinica, 2014, 34(10): 1247-1253. |
| [44] |
廖春贵, 胡宝清, 熊小菊, 等. 广西植被时空变化及其对气候响应[J]. 森林与环境学报, 2018, 38(2): 178-184. Liao C G, Hu B Q, Xiong X J, et al. Spatial-temporal variation of vegetation and relations with climate change in Guangxi[J]. Journal of Forest and Environment, 2018, 38(2): 178-184. |
| [45] | Shaheb M R, Venkatesh R, Shearer S A. A review on the effect of soil compaction and its management for sustainable crop production[J]. Journal of Biosystems Engineering, 2021, 46(4): 417-439. DOI:10.1007/s42853-021-00117-7 |
| [46] |
邱大鹅, 张军以, 齐渴路, 等. 基于SHAP可解释性机器学习的四川生境质量时空演变特征及关键驱动因子阈值分析[J]. 生态学报, 2025, 45(24): 12306-12323. Qiu D E, Zhang J Y, Qi K L, et al. Spatiotemporal evolution characteristics and critical driving factor threshold analysis of habitat quality in Sichuan Province based on SHAP-interpretable machine learning[J]. Acta Ecologica Sinica, 2025, 45(24): 12306-12323. |
| [47] |
谢贤胜, 康吉利, 冯鑫鑫, 等. 近30年广西土壤有机质演变特征[J]. 农业资源与环境学报, 2022, 39(5): 1014-1024. Xie X S, Kang J L, Feng X X, et al. The evolutionary characteristics of soil organic matter in Guangxi over the past 30 years[J]. Journal of Agricultural Resources and Environment, 2022, 39(5): 1014-1024. |
| [48] |
李颖, 刘秀明, 周德全. 中国南方喀斯特地区SOC空间异质性及其对碳储量估算的指示意义[J]. 江苏农业科学, 2019, 47(8): 256-264. Li Y, Liu X M, Zhou D Q, et al. SOC spatial heterogeneity and its implications for carbon storage estimation in karst area of Southern China[J]. Jiangsu Agricultural Sciences, 2019, 47(8): 256-264. |
| [49] |
汪立, 樊后宝, 张晏维, 等. 基于可解释集成机器学习的土壤表层pH值空间分布预测及影响因素[J]. 环境科学, 2026, 47(3): 1941-1953. Wang L, Fan H B, Zhang Y W, et al. Spatial distribution prediction and influencing factors of soil surface pH based on interpretable ensemble machine learning[J]. Environmental Science, 2026, 47(3): 1941-1953. |
| [50] |
祝元丽, 冯向阳, 闫庆武, 等. 基于GBDT的望奎县农田土壤有机碳主控因子研究[J]. 中国环境科学, 2024, 44(3): 1407-1417. Zhu Y L, Feng X Y, Yan Q W, et al. Spatial distribution and main controlling factors of soil organic carbon under cultivated land based on GBDT model in black soil region of Northeast China[J]. China Environmental Science, 2024, 44(3): 1407-1417. |
| [51] |
孟可, 黄魏, 傅佩红, 等. 平原-丘陵区域数字土壤制图方法比较[J]. 土壤学报, 2025, 62(4): 958-969. Meng K, Huang W, Fu P H, et al. Comparison of digital soil mapping methods in plain and hill mixed regions[J]. Acta Pedologica Sinica, 2025, 62(4): 958-969. |
| [52] |
王奇, 王世航, 陶勤, 等. 典型黑土区农场尺度土壤属性数字制图方法对比研究[J]. 土壤, 2025, 57(2): 430-444. Wang Q, Wang S H, Tao Q, et al. A comparative study of farm-scale digital mapping methods for soil attributes in the typical black soil region[J]. Soils, 2025, 57(2): 430-444. |
| [53] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324 |
| [54] |
焦扬庆, 张世文, 颜芳, 等. 基于特征筛选与随机森林的土壤有机质空间预测[J]. 农业环境科学学报, 2025, 44(11): 2864-2874. Jiao Y Q, Zhang S W, Yan F, et al. Spatial prediction of soil organic matter based on feature screening and random forests[J]. Journal of Agro-Environment Science, 2025, 44(11): 2864-2874. |
| [55] |
吴喜芳, 韩德锦, 谷玲霄, 等. 基于SHAP特征优选和GA-RF的冬小麦早期种植分布精准提取[J]. 农业工程学报, 2025, 41(18): 163-174. Wu X F, Han D J, Gu L X, et al. Accurate early-season extraction of winter wheat distribution based on SHAP feature selection and GA-RF[J]. Transactions of the Chinese Society of Agricultural Engineering, 2025, 41(18): 163-174. |
| [56] | Wang B, Waters C, Orgill S, et al. Estimating soil organic carbon stocks using different modelling techniques in the semi-arid rangelands of eastern Australia[J]. Ecological Indicators, 2018, 88: 425-438. DOI:10.1016/j.ecolind.2018.01.049 |
| [57] | 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 |
| [58] |
杨慧, 梁影, 徐觉明, 等. 岩溶区钙与土壤有机碳关系的研究进展[J]. 广西科学, 2018, 25(5): 505-514. Yang H, Liang Y, Xu J M, et al. Research progress of the relationship between soil calcium and soil organic carbon in karst area[J]. Guangxi Sciences, 2018, 25(5): 505-514. |
| [59] | Zhang Z M, Zhou Y C, Wang S J, et al. Patterns and influencing factors of spatio-temporal variability of soil organic carbon in karst catchment[J]. International Journal of Global Warming, 2019, 17(1): 89-107. DOI:10.1504/IJGW.2019.096764 |
| [60] |
黎俊, 杜馨如, 莫小亮, 等. 喀斯特不同土地利用方式土壤有机碳矿化特征及其影响因素[J]. 生态学报, 2025, 45(2): 730-742. Li J, Du X R, Mo X L, et al. Characteristics of soil organic carbon mineralization and its influencing factors under different land use types in karst areas[J]. Acta Ecologica Sinica, 2025, 45(2): 730-742. |
| [61] |
韩昭庆, 冉有华, 刘俊秀, 等. 1930s-2000年广西地区石漠化分布的变迁[J]. 地理学报, 2016, 71(3): 390-399. Han Z Q, Ran Y H, Liu J X, et al. The changing distribution of rocky desertification in the Guangxi Region, 1930s to 2000[J]. Acta Geographica Sinica, 2016, 71(3): 390-399. |
| [62] | Lawrence B A, Zedler J B. Carbon storage by Carex stricta tussocks: a restorable ecosystem service?[J]. Wetlands, 2013, 33(3): 483-493. DOI:10.1007/s13157-013-0405-1 |
| [63] | Wang X J, Wang J P, Xu M G, et al. Carbon accumulation in arid croplands of northwest China: pedogenic carbonate exceeding organic carbon[J]. Scientific Reports, 2015, 5. DOI:10.1038/srep11439 |
| [64] |
马渝欣, 李徐生, 李德成, 等. 皖北平原蒙城县农田土壤有机碳空间变异及影响因素[J]. 土壤学报, 2014, 51(5): 1153-1159. Ma Y X, Li X S, Li D C, et al. Spatial variation of soil organic carbon content in farmland and its influencing factors in Mengcheng County, northern Anhui Plain[J]. Acta Pedologica Sinica, 2014, 51(5): 1153-1159. |
| [65] |
慕明. 安徽省土壤有机碳库关键属性时空变化及影响因素分析研究[D]. 淮南: 安徽理工大学, 2023. Mu M. Analysis of spatial and temporal changes and influencing factors of key attributes of soil organic carbon pool in Anhui Province[D]. Huainan: Anhui University of Science and Technology, 2023. |
| [66] | Hein C J, Usman M, Eglinton T I, et al. Millennial-scale hydroclimate control of tropical soil carbon storage[J]. Nature, 2020, 581(7806): 63-66. DOI:10.1038/s41586-020-2233-9 |
| [67] | Wang S F, Wang X K, Ouyang Z Y. Effects of land use, climate, topography and soil properties on regional soil organic carbon and total nitrogen in the upstream watershed of Miyun Reservoir, North China[J]. Journal of Environmental Sciences, 2012, 24(3): 387-395. DOI:10.1016/S1001-0742(11)60789-4 |
| [68] | Chen D Y, Xue M Y, Duan X W, et al. Changes in topsoil organic carbon from 1986 to 2010 in a mountainous plateau region in Southwest China[J]. Land Degradation & Development, 2020, 31(6): 734-747. |
| [69] |
魏志远. 海南岛土壤有机碳的时空演变特征与驱动因子解析[D]. 武汉: 华中农业大学, 2021. Wei Z Y. Temporal-spatial evolution and driving factor analysis of soil organic carbon in Hainan Island[D]. Wuhan: Huazhong Agricultural University, 2021. |
| [70] | Lal R, Smith P, Jungkunst H F, et al. The carbon sequestration potential of terrestrial ecosystems[J]. Journal of Soil and Water Conservation, 2018, 73(6): 145A-152A. |
| [71] | Zhou Y, Hartemink A E, Shi Z, et al. Land use and climate change effects on soil organic carbon in north and Northeast China[J]. Science of the Total Environment, 2019, 647: 1230-1238. DOI:10.1016/j.scitotenv.2018.08.016 |
| [72] |
冯晓琳, 闫雨阳, 张欣然, 等. 近30 a陕西土壤有机碳的时空变化特征及影响因素[J]. 环境科学, 2024, 45(10): 5994-6001. Feng X L, Yan Y Y, Zhang X R, et al. Temporal and spatial variations of soil organic carbon and the influencing factors in Shaanxi Province in recent 30 years[J]. Environmental Science, 2024, 45(10): 5994-6001. DOI:10.13227/j.hjkx.202311169 |
| [73] |
程金, 黄文卿, 张世昌, 等. 福建省表层土壤有机碳密度空间分布及影响因素分析[J]. 农业资源与环境学报, 2023, 40(4): 805-816. Cheng J, Huang W Q, Zhang S C, et al. Spatial distribution and influencing factors of topsoil organic carbon density in Fujian Province, China[J]. Journal of Agricultural Resources and Environment, 2023, 40(4): 805-816. |