陆地生态系统的碳 (C) 和氮 (N) 循环在全球气候变化和生态系统可持续发展中起着关键作用。近几十年来，气候变化已经威胁到了干旱区生态系统的营养物质平衡。然而，对中国干旱区土壤有机碳 (SOC) 和土壤总氮 (STN) 的影响尚不清楚。沙坡头站科研团队采用结构方程模型 (SEM) 揭示了降水、温度等环境变量与SOC和STN内在联系。通过自适应增强回归模型 (Adaptive Boosting Regressor)，梯度增强回归模型 (Gradient Boosting Regression)，极端梯度增强回归模型 (Extreme gradient boosting Regression) 和随机森林回归模型 (Random Forest Regression) 构建了水热变化条件下SOC和STN的预测模型。研究表明随机森林模型在预测中国北方干旱区土壤SOC和STN的变化上明显优于其他三种预测模型。气候因素是影响中国北方旱地SOC和STN变化的关键因子。以中国北方阿拉善荒漠为研究对象，2000至2019年期间生长季的降水量以每10年12.9 mm的速度增加，而年日照时间则每10年显著减少66 hour；随着年际间水热条件的变化，干旱区土壤SOC以每10年0.04g/kg的速度波动上升，而STN则以每10年0.003g/kg的速率波动下降。因此，在全球气候变化加剧的背景下，干旱区可被当作碳固存的潜在场所，同时需关注由于STN损失而可能造成的土壤肥力下降的问题。

图1. 环境变量与SOC (A) 和STN (B) 的关系. SSD : 年日照持续时间; PREGS : 生长季节降水; SILT : 粉砂粒含量; RA : 地形起伏度; RU : 粗糙度; SLO : 坡度; RHU : 秋季和春季平均相对湿度主成分分析的第一主成分值; EVI : 增强植被指数; ATEMWI : 冬季积温; SOC : 土壤有机碳含量; STN : 土壤总氮含量.

 

图2. SOC真实值和预测值的变化. A : 自适应增强回归; B : 梯度增强回归; C : 极端梯度增强回归; D : 随机森林回归; E : 随机森林中不同变量的重要值.

图3. STN真实值和预测值的变化. A : 自适应增强回归; B : 梯度增强回归; C : 极端梯度增强回归; D : 随机森林回归; E : 随机森林中不同变量的重要值.

      以上研究以“Dynamics of soil organic carbon and nitrogen and their relations to hydrothermal variability in dryland”为题在环境科学领域TOP期刊Journal of Environmental Management上发表。何明珠研究员和硕士研究生唐亮为论文共同第一作者和通讯作者。该研究得到了中国科学院先导专项( XDA 2003010301)，国家自然科学基金项目 (41671103) 和宁夏回族自治区交通厅项目(WMKY1)的资助。

全文链接：

http://doi.org/10.1016/j.jenvman.2022.115751