不同生物群落中土壤微生物生物量碳与土壤有机碳的全球次线性变化关系

《Applied Soil Ecology》:Global sublinear scaling between soil microbial biomass carbon and soil organic carbon across biomes

【字体: 大 中 小 】 时间:2026年06月25日 来源:Applied Soil Ecology 5.6

编辑推荐:

  Amitava Chatterjee美国农业部农业与环境国家实验室,土壤、水与空气资源研究组,艾姆斯,爱荷华州摘要土壤微生物生物量碳在预测土壤健康状况中起着核心作用,但目前尚未充分量化不同生物群落中微生物生物量碳与土壤有机碳之间的全球性关联。本研究利用全球表层(0–30厘米深度)

  
Amitava Chatterjee
美国农业部农业与环境国家实验室,土壤、水与空气资源研究组,艾姆斯,爱荷华州

摘要

土壤微生物生物量碳在预测土壤健康状况中起着核心作用,但目前尚未充分量化不同生物群落中微生物生物量碳与土壤有机碳之间的全球性关联。本研究利用全球表层(0–30厘米深度)土壤数据集(样本数n=2008),通过土壤传递函数、代谢尺度理论以及机器学习方法,分析了微生物生物量碳与土壤有机碳及土壤pH值的关联规律。在对数-对数坐标系中,微生物生物量碳与土壤有机碳呈稳定的亚线性关系(β=0.75),表明随着土壤有机碳含量的增加,微生物生物量碳的积累速度逐渐降低。在排除土壤pH值的影响后,这一比例系数依然保持稳定(β=0.69),且自助重采样分析也证实了该结果的统计可靠性(95%置信区间:0.68–0.77)。一个简洁的对数线性模型就能解释全球范围内微生物生物量碳变化的61.7%,其表现与基于空间交叉验证的随机森林模型相当(R2=0.54),这说明经过对数变换后,土壤有机碳与微生物生物量碳之间的关系本质上是线性的。针对不同生物群落设计的交互作用模型虽能略微提升模型拟合度(R2=0.68),但整体仍保持全球范围内的统一规律,同时反映出生态系统会对这种关联强度产生调节作用。方差分解结果显示,土壤有机碳是导致微生物生物量碳空间变化的主要因素。这些研究结果揭示了微生物生物量碳与土壤有机碳之间存在一种全球范围内都存在的亚线性关联,即在高土壤有机碳含量条件下,微生物生物量碳的积累效率会下降。将这类经验总结出的关联规律纳入地球系统模型,有助于更准确地预测微生物对土壤有机碳动态的影响。

引言

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。

章节节选

数据来源与预处理

全球土壤微生物生物量碳(单位:毫米摩尔碳/千克)的空间数据(样本数n=3422)来自NASA Earthdata网站(https://www.earthdata.nasa.gov/data/catalog/ornl-cloud-global-microbial-biomass-c-n-p-1264-1)。不同变量的缺失值百分比详见附表1。本研究共采用了七种测量微生物生物量碳的方法,详细内容可参考Xu等人(2013)的研究。这些数据来自0–30厘米深度采集的土壤样本,同时还包含了采样点的纬度和经度信息。

微生物生物量碳、土壤有机碳和土壤pH值的全球分布

不同生物群落中微生物生物量碳、土壤有机碳和土壤pH值的分布存在很大差异(见表1、图1)。数据集中的大部分观测数据来自农田。在几乎所有生物群落中,这三个指标的最大值都远高于中位数,说明这三种指标的分布均存在偏态。例如,在北方森林中,微生物生物量碳的最大值几乎是中位数的15倍。微生物生物量碳的中位数最高出现在苔原和湿地地区,而最低的中位数则出现在其他区域。

微生物生物量碳、土壤有机碳和土壤pH值分布的纬度趋势

全球土壤微生物生物量碳的分布存在纬度趋势,高纬度的苔原、北方森林和温带地区微生物生物量碳含量最高(见图1)。不少研究者(Xu等人,2013;Crowther等人,2019;Wang等人,2022)也观察到了全球范围内微生物生物量碳分布的显著纬度趋势。温度-生物地球化学假说以及纬度/温度补偿假说或许可以解释这些趋势——在低温环境下,土壤中的生物地球化学反应速度会变慢。

结论

本研究的主要发现包括:第一,全球不同生物群落中表层土壤微生物生物量碳与土壤有机碳的分布存在一致的亚线性关联规律;第二,通过空间交叉验证可知,复杂的随机森林模型相比简单的对数线性模型,并没有带来显著的优势;第三,不同生物群落中这种关联强度存在一定程度的差异。这种跨生物群落都存在的亚线性关联现象,表明土壤中微生物生物量碳的积累存在根本性的限制。土壤有机碳方面……

CRediT作者贡献说明

Amitava Chatterjee:负责原文撰写——包括初稿编写、方法设计、实验实施、数据分析、概念构建等工作。

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号