原名
：
Coupling of microbial-explicit model and machine learning improves the prediction and turnover process simulation of soil organic carbon
译名
：
微生物显式模型与机器学习耦合改善了土壤有机碳的预测及其周转过程模拟
期刊
：
Climate Smart Agriculture
第一作者
：
徐雪斌
通讯作者
：
葛体达，王先挺
DOI
：
https://doi.org/10.1016/j.csag.2024.100001
开展土壤有机碳（
SOC
）模拟有助于探明
SOC
的时空分布及其循环过程，从而指导实施有效的固碳措施、提高土地生产力。具有高可解释性和外推能力的
SOC
过程模拟和具有高灵活性的机器学习模拟是研究
SOC
分布和周转的两种常用方法。
为了发挥各自模拟方法的优势，本研究开发了一个混合模型，将双碳库微生物模型和机器学习相结合，用于
SOC
建模。
评估了混合
模型对宁波地区
SOC
周转过程的预测能力、映射能力和可解释性。
结果表明，密度依赖
(β = 2)
的微生物模型
并纳入
微生物生物量碳模拟能更好地模拟微生物碳循环的参数，如微生物碳利用效率
(CUE)
、微生物死亡率和同化率。
将微生物模型与随机森林
模型相结合
构建耦合模型
，
相较于传统的随机森林模型，
SOC
的预测精度
得到提升
，
预测的
R
2
从
0.74
提高到
0.84
，残差预测偏差从
1.97
提高到
2.50
，均方根误差从
4.65
降低到
3.67 g kg
−1
。
由耦合模型预测的
SOC
分布具有更高的空间变异性和丰富的细节。微生物
CUE
和潜在碳输入
（
净初级生产力
）
是影响宁波市
SOC
分布的主要直接因素。
未来气候
情景
（
CMIP6 SSP2-4.5
）
下
SOC
动态模拟结果
表明，高
SOC
含量地区的碳损失主要是由气候变化导致微生物
CUE
减少和碳输入减少所致。这些发现表明，将微生物显式模型与机器学习相结合，可以提高
SOC
预测的准确性，并
加深
了
SOC
周转对
气候变化反馈
过程的理解
。
Modeling soil organic carbon (SOC) is helpful for understanding its distribution and turnover processes, which can guide the implementation of effective measures for carbon (C) sequestration and enhance land productivity. Process-based simulation with high interpretability and extrapolation, and machine learning modeling with high flexibility are two common methods for investigating SOC distribution and turnover. To take advantage of both methods, we developed a hybrid model
by
coupling
of a two-carbon pool
microbial
model and machine learning for SOC modeling. Here, we assessed the SOC model's predictive, mapping, and interpretability capabilities for the SOC turnover process on Ningbo region. The results indicate that the microbial model with density-dependence (β = 2) and microbial biomass carbon simulation performed better in modeling the parameters of the microbial-based C cycle, such as microbial carbon use efficiency (CUE), microbial mortality rate, and assimilation rate. By integrating this optimal microbial model and random forest (RF) model, the hybrid model improved the prediction accuracy of SOC, with an increased
R
2
from 0.74 to 0.84, residual prediction deviation increased from 1.97 to 2.50, and reduced the root-mean-square error from 4.65 to 3.67 g kg
−1
compared to the conventional RF model. As a result, the predicted SOC distribution exhibited high spatial variation and provided abundant details. Microbial CUE and potential C input, represented by net primary productivity, emerged as the primary factors driving SOC distribution in Ningbo region. Projections of SOC under the CMIP6 SSP2-4.5 scenario revealed that regional C loss in high SOC areas was mainly caused by decreased microbial CUE and C input, induced by climate change.
Our
findings
highlight
the potential of combining the microbial-explicit model and machine learning to improve SOC prediction accuracy and understand SOC feedback in a changing climate.
图
1
基于微生物模型和机器学习耦合的
SOC
模拟框架
在传统的机器学习模拟中，采集土壤样品并测定
SOC
含量，搜集与
SOC
相关的环境协变量，构建并优化机器学习模型，从而预测研究范围的
SOC
分布趋势。在耦合模型中，采用马尔可夫链蒙特卡罗方法（
MCMC
）结合
SOC
和微生物生物量碳（
MBC
）对双碳库微生物模型的过程参数进行模拟，构建并优化微生物模型过程参数与环境协变量的机器学习模型，获得微生物模型过程参数的空间分布，实现
SOC
分布趋势及其周转过程控制参数的预测。
图
2
传统机器学习模型与耦合模型对
SOC
预测效果的比较
在传统机器学习模型中，随机森林模型对
SOC
预测效果要优于其他模型（
a
）。密度依赖（
β = 2
）
的微生物模型
（
B2noMBC
、
B2MBC
）与随机森林模型耦合后显著提升了
SOC
的预测效果（
b
）。
图
3
随机森林模型以及耦合模型对
SOC
分布趋势的预测效果比较
相较于传统的随机森林模型，耦合模型
预测
SOC
空
间分布
较高和较低的区域过度
更平滑
（
a
）
。
