Machine learning reveals distinct drivers of soil organic carbon across the mountain-oasis-desert system of northwest China
Y. Chen · Haiyang Xi · Meng Zhu 等 8 人
构建基于生态系统的机器学习框架，预测西北荒漠-绿洲-山地系统土壤有机碳并识别各子系统驱动因子。
XGBoost、SHAP、PLS-PM，结合遥感变量与2001-2023年多源数
遥感变量提升模型R²至0.58；山地和沙漠由辐射主导，绿洲由人类管理主导，绿洲碳储量年增0.17 t
可延伸研究绿洲农业管理措施对土壤碳的长期影响，并开发子系统自适应的碳监测与决策模型。
基于XGBoost与SHAP的干旱区SOC分异驱动研究，方法新颖、数据翔实，对区域碳管理与生态修复有参考价值。
山地-绿洲-荒漠系统（MODS）是干旱区地貌格局与水文过程相互作用形成的独特景观格局。然而，大多数土壤有机碳（SOC）制图研究将干旱区景观视为均质单元，关于MODS各子系统间SOC格局及其环境关联差异的定量证据仍然有限。作为对气候变化和人类活动高度敏感的关键生态系统，理解这些响应对于区域土壤碳管理和生态恢复至关重要。本研究在河西地区（HXR）构建了基于生态系统的建模框架，针对不同子系统分别建立SOC预测模型，旨在探究MODS中SOC储量的时空动态并识别其关键驱动因子。结果表明，引入遥感（RS）变量显著提升了模型性能，平均R²从0.51提高至0.58。在测试的模型中，XGBoost表现最佳，为干旱区SOC制图提供了有效工具。对最优XGBoost模型的SHAP（Shapley加法解释）分析识别出MODS各子系统的不同主导预测因子，其中山地和荒漠生态系统为地表短波辐射（SRAD），绿洲生态系统为差值植被指数（DVI）。此外，偏最小二乘路径模型（PLS-PM）揭示了气候变化和人类活动在各生态子系统中的差异化影响。气候因子在山地子系统中影响最强，而在绿洲子系统中，集约化人类管理成为土壤碳循环的主导驱动因素。2001年至2023年，绿洲区域SOC储量以0.17 t C ha⁻¹ year⁻¹的速率显著增加，这可能与土地利用变化和农业管理有关。约19.3%的研究区域经历了SOC储量的显著下降。通过解析子系统特定的SOC格局及其环境关联，本研究推进了干旱区生态系统感知型SOC评估，所构建的框架也为MODS差异化碳管理提供了依据。