《Geoderma》:Simulation of decadal variations in soil organic carbon stocks in French forests
编辑推荐:
摘要:森林土壤在全球碳循环中发挥着关键作用,然而由于缺乏经长期观测验证的模型,预测其对环境变化的响应仍受限制。本研究检验了最初为农田开发的简易土壤有机碳(SOC, Soil Organic Carbon)模型AMG能否模拟温带森林SOC储量的动态变化。研究人员
摘要:森林土壤在全球碳循环中发挥着关键作用,然而由于缺乏经长期观测验证的模型,预测其对环境变化的响应仍受限制。本研究检验了最初为农田开发的简易土壤有机碳(SOC, Soil Organic Carbon)模型AMG能否模拟温带森林SOC储量的动态变化。研究人员对原始AMG模型进行森林适应性改造,创建了AMG-Forest模型:在原有两个碳库(活性碳池QCa、稳定碳池QCs)基础上新增表征地表凋落物层动态的凋落物碳库(QL, Litter Pool);并利用Rock-Eval?热分析及PARTYsoc机器学习模型初始化土壤碳库,以区分较稳定与较活跃的土壤碳形态。研究人员基于法国长期森林监测网络RENECOFOR中97个样地在两次调查(平均间隔15.5年)获得的SOC数据对AMG-Forest模型进行校准与评估。结果表明,AMG-Forest模型再现了RENECOFOR森林土壤SOC总体呈累积的平均趋势,但其样点水平预测能力较差,不优于均值模型基线;模型亦未能捕捉样点间变异性,且系统性高估固碳速率——这很可能是因为仅按阔叶与针叶林分别校准无法补偿缺失的样点特异性控制因子(如地下碳输入量、凋落物质量和微气候对分解作用的调节)。补充的随机森林(Random Forest)分析使用标准土壤—气候描述变量同样仅能解释少量SOC变化趋势的方差。尽管部分未解释方差可能源于测量不确定性和缺失驱动因子,但观察到的凋落物碳储量与矿质土壤碳储量变化的解耦是稳健的,表明凋落物累积并未一致地转化为矿质SOC的增加。研究结果表明,将农田土壤碳模型移植至森林生态系统不仅需要简单的结构改动和重新参数化。减少森林土壤碳核算的不确定性,需更好地约束森林特有的候选控制因子(如微气候和地下碳输入)及用于模型校准评估的观测数据。
论文解读:法国森林土壤有机碳储量的年代际变化模拟——AMG农田模型向森林生态系统的移植评估
《Geoderma》刊发的此研究针对当前土壤有机碳(SOC, Soil Organic Carbon)过程模型在森林生态系统中缺乏长期观测验证、跨土地利用类型模型移植适用性不明的问题,选取原用于农田系统的AMG(Active-Mineral-Guérif)模型,通过添加凋落物库及Rock-Eval?热分析初始化碳库,构建AMG-Forest模型,利用法国RENECOFOR(REseau National de suivi à long terme des ECOsystèmes FORestiers)永久样地97个样点的两期(平均间隔15.5年)SOC实测数据开展校准与验证,并与随机森林(Random Forest)统计模型对比,探讨农田起源SOC模型在温带森林中的可移植性及森林SOC动态模拟的关键限制因素。
主要技术方法概述:
研究人员选用法国RENECOFOR网络的97个成熟森林永久样地(剔除5个受1999年Lothar风暴严重干扰样地),涵盖针叶林(coniferous/gymnosperms)与阔叶林(broadleaf/angiosperms)。AMG-Forest模型在原AMG模型活性碳池QCa(Active SOC Pool)与稳定碳池QCs(Stable SOC Pool)基础上增加地表凋落物碳库QL(Litter Pool),凋落物分解系数kL,i、潜在矿质化速率k0,i及腐殖化系数hi按森林类型分组校准。初始碳库利用首次采样campaign的Rock-Eval?热分析结果输入PARTYsoc v2.0EU模型获得活性/稳定SOC分配比例并加权各土层碳储量初始化;地上凋落物输入AL(Aboveground Litterfall)采用各样地实测年均凋落物量,地下碳输入BL(Belowground Litter Input)按文献比值(阔叶r=0.882,针叶r=0.964)由AL估算。气候驱动数据源自SAFRAN再分析数据集(1992–2012),温度与水分平衡调制函数沿用Clivot et al.(2019)农田版AMG形式。模型经50次随机70%校准/30%验证拆分,贝叶斯优化最小化含量级与方向性权重的复合代价函数,性能以建模效率ME(Modeling Efficiency, Nash-Sutcliffe Efficiency)和RMSE评估。并行构建Random Forest回归模型预测ΔQL、ΔQC(矿质SOC变化)、ΔSOC,预测变量含气候(MAT、PET、Precip)、土壤属性(黏粒、pH、CaCO3、C/N)、初值碳库(Init QL、Init QC)、林龄及森林类型。
3. Results and discussions(结果与讨论)
3.1. Performance of the AMG-forest model: assessing its applicability to forest ecosystems
AMG-Forest能再现RENECOFOR样地SOC总体呈累积的平均趋势(针叶林观测均值ΔSOC=+0.41 tC ha?1yr?1,模拟均值=+1.13 tC ha?1yr?1;阔叶林观测=+0.15,模拟=+0.27),但在样点水平预测能力差——总SOC变化ΔSOC的ME阔叶为?0.23、针叶为?1.86(均不优于均值模型),系统性高估碳累积尤见于针叶林。凋落物变化ΔQL(阔叶ME=?3.42,针叶ME=?1.32)与矿质SOC变化ΔQC(阔叶ME=?0.70,针叶ME=?1.04)亦无样点级预测力。校准偏差主要源于沿用农田土的环境调制函数低估森林土壤实际矿化率,且单一固定kL,i未受温湿及凋落物质量调制,无法反映林下凋落物分解的空间变异。
3.2. Diagnosing the model's structural limitations
50次校准所得参数中kL,i散布于整个[0,1]搜索区间,显示凋落物分解速率受数据弱约束具参数等终性(equifinality);k0,i与hi分布较窄。模型局限归结为三点:(1)地下碳输入靠固定比值估算且忽略年间变异;(2)农田版分解函数未做森林特异性重校准,kL,i不随温湿/pH/C/N调制;(3)缺失冠层覆盖、土壤深度等微气候代理变量。单参数集跨生境转移性差。
3.3. Random forest analysis reveals limited explanatory power of available site descriptors
3.3.1. Litter carbon dynamics (ΔQL):RF全局ME=0.07,RMSE=0.35 tC ha?1yr?1,最重要预测因子为土壤C/N比、pH、林龄及初值Init QL,说明静态土壤—气候描述子对ΔQL解释力极低。
3.3.2. Soil organic carbon dynamics (ΔQC):ΔQC预测ME=?0.17(差于均值模型),重要预测因子为litfall、Init QC及林龄,litfall与森林类型强相关,更多作为阔叶/针叶生态系统综合差异的代理而非直接碳输入量。
3.3.3. Total ecosystem soil organic carbon dynamics (ΔSOC):ΔSOC预测ME=?0.14,重要预测因子同ΔQC与ΔSOC初值Init SOC及林龄。标准静态描述变量不足以解释十年尺度SOC变化。
3.4. Synthesis: the limits of prediction with static variables
即便灵活的非线性RF亦无法较好预测SOC变化,表明关键动态与生物驱动因子(土壤微气候、细根周转、菌根真菌群落、胞外酶活性、凋落物生化质量)缺位,静态时间不变预测变量信息量不足。冠层覆盖率是森林土壤微气候(降温保水)的重要代理,应在未来模型中纳入。
3.5. Nonlinear and threshold responses and their implications for AMG-Forest
偏依赖分析显示ΔQL在C/N>25及pH<4.5时上升(微生物分解受化学计量抑制),ΔQC随初值活性碳增加而下降并在黏粒≈200 g kg?1处最大(矿物保护有限),ΔSOC随初值SOC呈单峰(≈75 tC ha?1)并随林龄下降(成熟与饱和效应)。AMG-Forest因kL,i恒定且无环境调制无法复现上述阈值行为,仅靠森林类型级参数校准不能吸收缺失过程。
3.6. Model performance and sources of uncertainty
主要不确定源包括:(1)地下碳输入(细根 turnover、粗根死亡、根际沉积)未直接测定;(2)地上/地下输入共用同一腐殖化系数hi简化二者转化效率差异;(3)RENECOFOR五副样方空间异质性致矿质SOC变化观测不确定度约±4.7 tC ha?1,部分参数弥散来自观测噪声;(4)PARTYsoc基于农田土标定用于森林土SOC分池存不确定性,未来可结合固态13C NMR或热解-GC/MS的木质素/芳香度指标改进。QL库虽未提升ΔQL预测,但对正确表征森林表土碳延迟分解、再现总SOC平均趋势具结构必要性,未来应加入kL,i温湿响应函数。
3.7. Evidence from field data and interpretation
RENECOFOR数据揭示ΔQL与ΔQC变化方向四组合均存在,即凋落物积累与矿质SOC增益解耦(decoupling),非同步非线性,非采样协议所致,反映真实生态滞后与多年周转动态。RF低预测力再次佐证需时变数据及细根生物量、凋落物生化组成等遗漏驱动因子。
3.8. Toward integrated modeling approaches
建议从观测碳平衡反算表观样点活性SOC周转率ksite= [īactive,site? (ΔQCasite/Δt)] / QCasite(假定QCs恒定),关联环境驱动识别AMG-Forest缺失的森林SOC周转控制,辅以机器学习探索空间外推。
3.9. Data infrastructure and outlook
建议补充涡度协方差NEE、土壤CO2通量、温湿连续监测、植被生产力遥感、探地雷达及标准化分解试验以约束SOC变化驱动过程。
4. Conclusions(结论部分翻译):
本研究表明,将农田SOC模型移植至森林生态系统不仅需要简单的结构修改和重新参数化,更需更好地约束碳输入(特别是地下组分)、修正原农田标定的分解函数,并纳入捕获森林生态系统特征(尤其是水分平衡与微气候)的驱动变量。利用Rock-Eval?热分析初始化活性与稳定碳库是积极步骤,但仍需进一步改进。减少森林土壤碳核算的不确定性要求同时改善候选森林特异性控制因子(如微气候与地下碳输入)及用于模型校准与评估的观测数据。