土壤微生物群落在土壤有机碳的形成、保持和流失过程中发挥着关键作用(Crowther等人,2019;Tao等人,2023)。在土壤微生物群落的诸多特征中,包括丰度、多样性和组成等,土壤微生物生物量碳指的是单位干土中细菌和真菌细胞所含的碳元素。这一指标被视作衡量微生物群落规模的重要参数(de Vries等人,2018)。据估算,0–100厘米土壤层中全球范围内的微生物生物量碳储存量为23.2 Pg C,约相当于全球土壤有机碳储存量的1%(Xu等人,2013)。然而,由于不同生物群落的特性和结构发生变化,这一敏感的碳储存库正面临威胁。Patoine等人(2022)估计,1992年至2013年间全球土壤微生物生物量碳减少了3.4%。集约化土地利用导致的土壤有机碳含量下降,可能会引发微生物多样性与其生物量之间的显著变化,进而影响重要的生态系统过程(Bastida等人,2021)。
自20世纪70年代以来,人们通过熏蒸法、底物诱导呼吸法以及磷脂脂肪酸分析法,在自然生态系统和人工管理生态系统中测定土壤微生物生物量碳,这类研究已形成了广泛的时空覆盖范围(Xu等人,2013)。森林土壤中的土壤微生物生物量碳浓度介于1毫米摩尔碳/千克以下到1400毫米摩尔碳/千克之间,而农田土壤的这一数值则在1毫米摩尔碳/千克到469毫米摩尔碳/千克之间(Xu等人,2013)。尽管同一生物群落内的土壤微生物生物量存在较大差异,但不同生物群落间的平均微生物生物量也存在明显区别(Fierer等人,2009)。虽然传统上人们常用水分供应等环境因素来模拟土壤微生物生物量碳的含量(Serna-Chavez等人,2013),但土壤有机碳和土壤pH值或许才是预测微生物生物量碳的更直接因素(Lauber等人,2009;Fierer等人,2009)。尽管我们对影响土壤微生物多样性和生物量的因素已有更多了解,但对于不同生物群落中微生物生物量的变化规律,以及调控这些大规模关联的因素,我们仍然缺乏清晰的认识(Serna-Chavez等人,2013;Bastida等人,2021)。
为了解释控制全球碳循环的各类过程,我们必须从机制层面理解不同尺度下的效应,但目前人们对生物圈到生物群落尺度上的土壤有机碳相关过程仍了解不足(O'Rourke等人,2015)。根据Brown等人(2004)提出的代谢理论,碳化合物可作为合成构成生物结构和功能所需化学物质的底物。这类关联规律可以用幂律形式表示为:y=ax^b,其中y代表某种生物特征或反应速率,a是标准化常数,x代表另一特征或反应速率,b则为尺度指数。对于幂律关系,可以通过对方程进行对数变换,即log(y)=log(a)+b log(x)来进行拟合。在这个方程中,斜率b就是幂律的尺度指数。虽然回归分析因其简单易行而备受青睐,但它也存在明显局限性:它需要预先选定特定的模型形式,而且假设变量之间存在均匀的关联关系,而这种关联在数据集的不同部分可能并不成立(Van Looy等人,2017)。正因如此,这类尺度定律在研究植物和动物时表现较好,但将其应用于预测全球范围内的微生物多样性、常见度和稀有度时,往往效果不佳,甚至无法给出准确预测(Locey和Lennon,2016)。
作为预测工具,机器学习在生态学领域越来越受到重视。相比传统统计模型,机器学习算法凭借其灵活性以及能够随着数据复杂度提升而自动优化的能力,通常具有更高的性能。不过,由于这类模型更注重预测精度而非解释机制,其推断因果关系的可靠性仍存在争议(Pichler和Hartig,2023)。在现代数字农业领域,这种矛盾表现得尤为突出,因为人们常常使用复杂的架构来处理局部任务。例如,循环神经网络与物联网传感器相结合,可用于为局部土壤质量管理提供反事实建议(Selvanarayanan等人,2024);而图神经网络则可用于追踪局部地区的植物病害传播路径(Maruthai等人,2025)。与此同时,诸如阿尔-比鲁尼地球半径优化法这样的先进元启发式算法,也被用于分析遥感图像中的复杂环境特征(Sivasubramanian等人,2025)。虽然这些复杂算法在特定区域内进行高精度目标预测时表现优异,但它们往往如同无序的黑箱,掩盖了基本的宏观生态学原理。土壤传递函数可以用来预测大多数土壤物理性质,但用于预测土壤生物性质的尝试则相对有限(Sadeghi等人,2023)。如果将土壤传递函数应用于验证已有的土壤微生物生物量与土壤参数之间的关联关系,或许有助于我们更好地理解并在环境条件变化的情况下更精准地预测养分矿化过程。
开展这项研究的根本动力,源于土壤生物地球化学领域的一个重要争论:微生物生物量碳的积累是随土壤有机碳含量呈线性增长,还是会达到一定的饱和阈值(Sinsabaugh等人,2013;Craig等人,2021;Georgiou等人,2025)。为了解决这一不确定性,本研究在全球范围内对多种陆地生物群落进行了分析,涵盖了底物可用性和土壤pH值等不同的宏观生态梯度。本研究使用了Xu等人(2014)整合自20世纪70年代末至2012年期间315篇文献中的数据集。该数据集包含了表层土壤的微生物生物量碳浓度,以及土壤有机碳、土壤pH值、采样深度、坐标和生物群落类型等相关信息。本研究的核心目标是确定是否存在一种通用的热力学尺度定律来支配全球范围内土壤有机碳与微生物生物量碳之间的关联。具体而言,研究有两个目标:第一,运用代谢尺度理论数学上确定全球尺度指数β,以此检验是否存在一致的、非线性的剂量-响应阈值;第二,系统评估基于理论构建的对数线性框架,与基于数据的无序随机森林机器学习模型相比,能否提供更具针对性的结构分析视角。借助这个覆盖0–30厘米土壤深度的全球综合数据集,本研究旨在量化支配这两种物质相互作用的数学幂律关系,并检测其中的非线性效应。
此外,本研究还希望通过空间交叉验证方法,比较传统的对数线性回归模型与机器学习算法,尤其是随机森林模型,从而评估不同建模方法的预测可靠性。最终,本研究期望能够构建出一个明确的土壤传递函数,作为全球范围内预测微生物生物量碳的可靠工具。生态尺度理论认为,由于生理效率、底物可获取性以及代谢限制会随着环境条件的变化而改变,生物对资源可用性的响应往往呈现非线性特征(Brown等人,2004)。基于代谢尺度理论以及对微生物碳动态已知的影响因素,本研究提出以下假设:
(1) 由于底物稳定性、生理限制,以及在高土壤有机碳含量条件下碳利用效率下降,全球不同生物群落中的微生物生物量碳与土壤有机碳呈亚线性关联。
(2) 随机森林模型相比简单的对数线性模型只能带来有限的改进,因为经过对数变换后,土壤有机碳与微生物生物量碳之间的关系仍大致保持线性;
(3) 由于温度、湿度、植被输入以及矿物稳定化过程存在差异,不同生物群落中的土壤有机碳尺度指数也会有所不同。