机器学习驱动下的中国茶园土壤固碳与温室气体减排潜力评估 中文标题

为解决茶园温室气体（GHG）净收支量化不足、缺乏全国尺度和数据驱动评估的问题，本研究利用机器学习（ML）框架，整合了全国观测数据，开发了预测N2O排放和土壤有机碳（SOC）变化的模型。研究发现，与常规线性回归相比，随机森林（RF）模型预测精度更高，揭示了驱动因子的非线性控制。全国模拟表明，中国茶园总体上是一个净温室气体汇。情景分析显示，优化施肥（特别是增施有机肥）可大幅提升净碳汇潜力。该研究为量化茶生态系统GHG平衡、制定农业碳中和策略提供了科学依据。

在全球应对气候变化的紧迫背景下，农业系统扮演着“双刃剑”的角色：它既是重要的温室气体排放源，也蕴藏着通过土壤固碳来抵消排放的巨大潜力。其中，氧化亚氮（N₂O）是一种强效温室气体，其全球增温潜势是二氧化碳（CO₂）的273倍，而农业活动，特别是氮肥施用，是其最主要的人为排放源。另一方面，土壤有机碳（SOC）的固持可以将大气中的CO₂长期封存于地下，形成宝贵的碳汇。如何在一个统一的框架下，同时精准量化一个生态系统的“排放”与“吸收”，计算其净温室气体（GHG）平衡，是制定科学管理策略、实现农业碳中和的关键。

中国的茶园正是这样一个需要被深入审视的典型生态系统。作为全球最大的茶叶生产国，中国茶园面积广阔，且管理上普遍存在氮肥投入高、土壤偏酸的特点。一方面，这可能导致极高的N₂O排放风险；另一方面，茶树作为多年生作物，其持续凋落物和根系分泌物输入又可能促进SOC的积累。然而，现有研究大多孤立地关注SOC储量或N₂O排放，鲜有将二者结合进行全国尺度的净GHG评估。传统的基于固定排放因子的估算方法，也难以捕捉气候、土壤和管理措施之间复杂的非线性相互作用，导致评估结果存在较大不确定性。为了填补这些知识空白，一项题为“机器学习驱动下的茶园土壤固碳与减排潜力评估”的研究在《Agronomy》上发表，旨在利用先进的数据驱动模型，更全面、精准地描绘中国茶园的“碳足迹”。

为了开展这项研究，研究人员系统性地搜集并整合了已发表的田间观测数据，构建了一个包含全国多个茶园点位的数据库，其中N₂O排放观测79条，SOC变化观测94条。基于此，他们对比了传统多元线性回归（MLR）与三种机器学习算法——随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）——在模拟N₂O排放和SOC变化上的性能。模型输入变量涵盖了施肥量（无机氮、有机氮）、土壤性质（SOC、pH、粘土含量）、茶园年龄、气候（年均温MAT、年降水量MAP）等关键因子。利用训练好的最优模型，结合全国高分辨率的空间化数据集（施肥、土壤、气候），研究人员模拟了2020年中国茶园的N₂O排放和SOC变化的时空格局，并计算了其净GHG平衡。此外，他们还设定了两种优化施肥情景，评估了减少无机氮肥和增施有机肥的减排增汇潜力。

3.1. 模型性能与变量重要性

机器学习模型，特别是随机森林（RF）模型，在预测N₂O排放和SOC变化方面显著优于传统的多元线性回归模型。RF模型对N₂O排放和SOC变化的预测R²值分别达到0.68和0.67，且没有显著的预测偏差。变量重要性分析揭示了强烈的非线性控制关系。

对于N₂O排放，无机氮肥输入是最主要的驱动因子，其次是有机氮输入、土壤粘土含量和SOC含量。边际效应分析显示，N₂O排放对氮肥输入存在明显的阈值效应：当有机氮输入超过250 kg N ha^-1，无机氮输入超过300 kg N ha^-1时，排放量会急剧上升。土壤粘土含量与N₂O排放呈先负后正的非线性关系。茶园年龄在初期（0-15年）与排放呈负相关。

对于SOC动态，有机碳输入是最关键的影响因子，其次是茶园年龄、气候变量和土壤pH。SOC固持率随有机碳输入增加先快速上升后趋于平缓。茶园年龄在最初10年内与SOC固持率显著正相关。年均温（MAT）低于13°C时对SOC有正效应，高于此阈值则转为负效应。年降水量（MAP）的影响呈U型曲线。此外，无机氮输入与SOC固持率呈抛物线关系，转折点约在200 kg N ha^-1。

3.2. 中国茶园净温室气体排放：现状

全国尺度模拟结果显示，当前中国茶园平均N₂O排放强度为9.03 kg N₂O ha^-1，年排放总量为29.62 Gg N₂O。其中，西南（SW）和长江中下游（YR）区贡献了总排放量的绝大部分（82.7%）。平均SOC固持率为0.88 t C ha^-1yr^-1，年固碳总量为2894.01 Gg C，同样以SW和YR区为主。

利用全球增温潜势（GWP）进行综合评估发现，SOC固持足以抵消N₂O排放，使得中国茶园整体上成为一个净GHG汇，年净吸收量为-2525.18 Gg CO₂-eq。黄土高原（LP）区的净碳汇强度最高，而YR区最低。

3.3. 中国茶园净温室气体排放：减排潜力

情景分析评估了两种优化管理措施的减排增汇潜力。

情景A（减少无机氮肥）：在实施各省特定的无机氮减量方案后，SOC固持率比基线增加15.9%，但N₂O排放仅减少1.2%。净GHG吸收量增加了1803.66 Gg CO₂-eq。

情景B（有机肥替代）：在减氮基础上，额外用有机肥替代20%的氮输入。该情景显示了显著的协同效益，SOC固持率大幅提升44.3%，N₂O排放强度降低16.1%。净GHG吸收量增加了5961.30 Gg CO₂-eq，减排潜力远大于单纯减氮方案。SW和YR区是实现这一潜力的关键区域。

研究结论与讨论

本研究证实，随机森林模型能够高精度地模拟中国茶园土壤N₂O排放和SOC动态，其性能显著优于传统线性模型。驱动因子分析表明，氮管理是控制N₂O排放的核心，而有机物料输入和园龄是调控SOC动态的关键，且所有关系都表现出复杂的非线性特征。全国评估揭示，尽管中国茶园是显著的N₂O排放源，但其更强的SOC固持能力使其整体上发挥了净碳汇的功能。这凸显了茶园在农业碳中和战略中的重要地位。

研究的深刻意义在于，它首次在一个统一的机器学习框架下，整合了SOC固持和N₂O排放，实现了对中国茶园GHG净收支的数据驱动、全国尺度量化。这克服了以往研究孤立看待碳氮过程、依赖静态排放因子、难以捕捉空间异质性的局限。更为重要的是，情景分析为制定差异化的茶园低碳管理路径提供了直接的科学依据：研究表明，单纯减少无机氮肥对抑制N₂O排放的短期效果有限，但能有效促进固碳；而“有机肥替代”策略则能实现减排与增汇的“双赢”，应作为优先推广的 mitigation（缓解）途径。特别是在西南和长江中下游等主要茶区，推行此类优化施肥管理，将对实现全国农业减排目标产生重大影响。

当然，研究也存在一定局限，如观测数据的时间和空间覆盖不均、未考虑修剪还田等管理措施的定量影响、以及机器学习模型固有的“黑箱”特性对机制解释的挑战。未来的研究可通过纳入更长期、更均匀的观测数据，探索与过程模型结合的混合建模方法，以进一步提升预测的准确性和机理的明晰度。尽管如此，这项研究无疑为科学评估茶园生态系统在气候变化减缓中的作用，推动茶叶产业的绿色可持续发展，提供了坚实而新颖的量化工具与决策支持。