为了构建β-葡萄糖苷酶、尿素酶、酸性磷酸酶和微生物生物量碳（MBC）的活性指数，在圣保罗州的皮拉西卡巴（Piracicaba）、帕拉州（Pará）的托梅-阿苏（Tomé-Açu）市、马托格罗索杜苏尔州（Mato Grosso do Sul）的班代兰特斯（Bandeirantes）市以及巴拉那州（Paraná）的贾丁奥林达（Jardim Olinda）市收集了35个样本（图1）。β-葡萄糖苷酶、酸性磷酸酶和尿素酶的酶活性测定遵循Tabatabai（1994年）和Dick等人（1996年）的方法。详细信息可见H. S. Rodríguez-Albarracín等人（2025年）的研究。MBC的量化按照Vance等人（1987年）的方法进行。此外，还对210个样本进行了物理分级，以量化颗粒有机质（POM）中的碳和与矿物组分相关的有机质（MAOM）中的碳（Cotrufo等人，2019年）。样本的选择基于MBC的预测值、β-葡萄糖苷酶、酸性磷酸酶和尿素酶的酶活性、POM中的碳（CPOM）和MAOM中的碳（CMAOM），以及真菌和放线菌的丰度。这些预测值是使用H. S. Rodríguez-Albarracín等人（2024年，2025年）提出的光谱传递方程为BSSL中的样本确定的。通过模糊聚类技术从该数据库中选择了210个样本，该技术考虑了空间位置，确保样本能够被分配到不重叠的组中，从而在不同特征空间和空间背景下进行采样。这种技术是在R语言的ClustGeo库中实现的，其中使用了自动优化的层次聚类参数（Chavent等人，2021年）。这种方法允许根据对该地区的先验知识或可用信息调整组的配置。分级方法是通过用5%的六偏磷酸钠溶液分散土壤来进行的；随后，通过53微米的筛子分离沙子和粘土/淤泥组分（Jindaluang等人，2013年）。这里，POC（颗粒有机质中的碳）指的是POM组分中的碳，而MAOC（与矿物组分相关的有机质中的碳）是指MAOM中的碳含量。
整合了一个全国性的土壤二氧化碳通量（FCO2）数据库（图1）。在四所大学的支持下，我们获得了马托格罗索州（Cuiabá、Diamantino、Juscimeira、Lucas do Rio Verde、Nobres、Nova Mutum、Rondonópolis、Rosário Oeste、Sinop、Sorriso、Vera、Costa Rica和Itiquira市）；马托格罗索杜苏尔州（Chapadão do Sul、Aquadauana和Deodápolis市）；以及伯南布哥州（Serra Talhada、Triunfo、São João和Custódia市）的特定测量数据。这些测量数据使用便携式自动化LICOR 8100和EGM-5（PP-Systems）AGA560红外二氧化碳土壤气体分析仪进行。详细的方法论描述在Della Silva等人（2025年）、Teodoro等人（2024年）、Moitinho等人（2021年）和Cicuendez等人（2020年）的研究中。此外，还使用了Bond-Lamberty和Thomson（2010年）开发的全球土壤呼吸数据库“SRDB”中的80%数据（70个观测值），该数据库已更新至Jian等人（2021年）的第五版（图1）。该数据库包含分布在巴西各地的87个观测数据，每年测量一次FCO2。SRDB数据库中的数据使用R语言的bigleaf包（Knauer，2022年）调整为µmol C m^-2 s^-1单位。鉴于FCO2的空间变化可以通过土壤的物理化学和生物特性来解释，而不是气候因素（Moitinho等人，2021年；Yang等人，2023年），我们考虑了以下解释变量来确定FCO2预测函数：MBC（微生物生物量碳）、β-葡萄糖苷酶的酶活性、酸性磷酸酶、脲酶、POC（颗粒有机碳）、MAOC（微生物可利用有机碳）、质地（沙子、粉砂和粘土）、表1中描述的与SOM（土壤有机质）化学组成相关的组别，以及Ki（土壤容重）。进行了逐步回归分析，以根据它们的相对贡献确定最重要的变量（Xiao等人，2019年）。还测试了MRA模型，同时考虑了X和Y坐标作为解释变量，如Böhner和Bechtel（2018年）所描述的。这种分析被认为是线性空间趋势函数的扩展，如果残差的独立性假设得到满足，它可以被用作预测和空间化未知值的函数。利用得到的方程，通过地图代数生成了整个巴西的FCO2地图。地图代数有助于以易于理解的方式表示和处理数据（Pullar，2003年），它基于影响单个单元属性的点特定或局部操作（Schmitz等人，2013年）。
2.7 碳封存潜力
根据Georgiou等人（2022年）的研究，最大SOC（土壤有机碳）含量取决于矿物质的量和类型，因此开发数学模型来估计与矿物质部分相关的碳是很重要的。在这方面，对于本研究，确定了潜在的C饱和度，即细小土壤颗粒（粉砂和粘土部分<20 µm）可以稳定的理论最大SOC，使用H. Rodríguez-Albarracín等人（2023年）的方法来调整这一潜力（最初是基于粘土含量确定的），同时考虑Rosin等人（2023年）报告的赤铁矿、针铁矿、高岭石和三水铝矿的相对丰度。因此，进行了空间回归分析，以潜在的C饱和度（Sat-pot）作为因变量，使用Feller和Beare（1997年）的方程（适用于热带土壤）作为解释变量。如“4.1.1”节所述，测试了空间回归模型，并且与该节中描述的程序类似，选择了满足残差独立性假设的模型（基于MIT，X. Liu & Chen，2021年），在多个模型都满足这一假设的情况下，使用的标准是观测值和估计值之间的最高相关性（R）（Hoge等人，2018年）。随后，使用地图代数计算了潜在SOC饱和度与MAOC之间的差异，以获得碳封存潜力的空间分布。
2.8 土壤二氧化碳排放（FCO2）的空间验证
Jian等人（2021年）对FCO2地图和SRDB数据库中20%的观测数据进行了相关性分析，覆盖了巴西的领土。由于Spearman相关系数在建模线性和非线性单调关系方面的优势，因此选择了它（L. Zhang & Wang，2023年）。此外，通过选择5762个点，对FCO2地图与年降水量地图、地表温度（LST）、海拔、SOC饱和潜力（C Sat-Pot）、碳封存潜力（C Satdef）、平均总生物量、三水铝矿、赤铁矿、针铁矿、高岭石、氧化铁（Fe2O3）、氧化铝（Al2O3）和二氧化硅（SiO2）进行了相关性分析。还进行了主成分分析（PCA），以分析变量之间的隐藏结构（Moitinho等人，2021年）。不同的作者指出，FCO2的时空变化受到土壤温度（J. R. D. S. Lima等人，2023年；Moitinho等人，2021年；Teodoro等人，2024年）和降水量（Zhao等人，2016年）的驱动，因为它们调节了微生物过程（W. Liu等人，2009年）。因此，我们包括了这些变量来验证FCO2地图，以解释获得的空间分布。
2.9 土壤二氧化碳排放（FCO2）地图的应用：净生态系统生产力（NEP）
NEP的确定基于Rs（根系呼吸）与植物生产之间的相关性，因为光合产物的供应和根系呼吸之间存在联系（Bond-Lamberty等人，2004年）。根据Phillips等人（2017年）和Lv等人（2022年）的研究，生态系统的碳平衡是基于NEP来评估的，NEP被定义为生态系统的光合生产力。我们使用作者提出的以下方程： （2） 其中NPP对应于净初级生产力，单位为t C hm−2，是根据总生物量计算的，总生物量是地上和地下生物量的总和（Braswell等人，2005年；Dubey & Lal，2009年）。Rm指的是土壤中的微生物异养呼吸，由Rs确定，相当于t C hm−2的累积土壤呼吸（Bond-Lamberty等人，2004年；Phillips等人，2017年）。这种累积FCO2的计算使用了Al-Kaisi和Grote（2007年）提出的方程。常数0.865是基于Kuzyakov（2002年）的研究定义的，该研究分析了分离实际根系呼吸和Rh的四种方法。Raich和Schlesinger（1992年）指出，根系呼吸对Rs的贡献为30%。Hanson等人（2000年）报告称，在森林植被和非森林植被下，根系呼吸的贡献分别为45.8%和60.4%。Xu和Shang（2016年）指出，根系对Rs的贡献在不同生态系统之间差异很大，报告的范围从2%到90%不等。我们考虑使用Lv等人（2022年）提出的方程作为分析巴西领土上NEP分布的方法论方法；然而，需要注意的是，对于详细分析，必须根据植被情况调整方程。另一方面，NPP是从中等分辨率成像光谱辐射计（MODIS）MOD17A3HGF产品中得出的，它对应于年净光合作用的总和减去永久性木质组织中活细胞的生长和维护成本，单位为kg C m−2（Running & Zhao，2019年）。需要注意的是，MOD17算法使用的方法区分了总生产和自养呼吸的过程。后者包括活木质组织的维护呼吸以及叶子和细根的维护呼吸。从2003年1月1日到2023年12月31日的图像序列中计算了年平均值，考虑了SRDB数据库观测的时间窗口。由于这些时期的数据布局错误，没有考虑MODIS系列的2000-2002年（Running & Zhao，2019年）。这个年平均值被转换为t C hm−2。在大规模上，Rs和植物生产是相关的过程（Bond-Lamberty等人，2004年），生物和非生物因素干扰FCO2（Cicuendez等人，2020年；Yang等人，2023年）和生物量生产，这也影响了土壤微生物群落和FCO2（Giles等人，2023年）。总体而言，NEP整合了与呼吸和光合作用相关的多个过程，涉及土壤和植物（Phillips等人，2017年）。因此，我们使用RF机器学习方法来识别气候和土壤因素之间的不同关系及其对生物群落水平NEP的影响，因为这些因素的影响在生态系统和生物群落之间有很大的差异（Bond-Lamberty & Thomson，2010年；Teodoro等人，2024年）。我们决定使用这种RF方法，因为它不受预测变量之间线性依赖性的影响（Breiman，2001年）。我们使用了R包“Caret”和“train”函数，该函数允许通过重采样来评估模型调整参数对性能的影响（D. Kuhn，2019年）。RF模型允许我们对每个变量的重要性进行排名，并探索其对分析变量（NEP）的个别影响（Georgiou等人，2022年），使用部分依赖图（Friedman，2001年）。
值得注意的是，方程式（1）和（2）分别对应于MAOC和POC预测模型，包含了26个光谱带。其中一些光谱带与最稳定的碳形式相关，这些碳形式会与矿物表面相互作用，例如氧化铁（Stenberg等人，2010年；Zornoza等人，2008年）。POC光谱带与微生物优先利用的易分解功能团相关，如多糖、甲基、脂肪族CH和酚类OH（Cozzolino & Morón，2003年；Fidêncio等人，2002年；Stenberg等人，2010年；Viscarra-Rossel & Behrens，2010年）。这些光谱带与H. S. Rodríguez-Albarracín等人（2024年，2025年）报告的总碳、磷酸酶和脲酶活性、POC以及MAOC的光谱带一致。SOM通常由多种化学化合物组成，包括碳水化合物、木质素和纤维素（Obeng等人，2023年），每种化合物都具有与其组成功能团相关的独特吸收特性；这解释了为什么选择这些光谱带（Stenberg等人，2010年）。然而，由于Vis-NIR-SWIR光谱包含2151个光谱带，我们的选择方法仅保留了原始特征的1.2%，这与Carnero等人（2024年）的报告相似。
4.2 土壤CO2通量的定量和回归分析
Della Silva等人（2025年）基于土壤湿度以及PlanetScope和MODIS的蓝光、绿光、红光和近红外光谱带以及LST数据，构建了预测巴西南部亚马逊地区和马托格罗索州北部FCO2的方程式，并使用偏最小二乘回归方法，其中三个模型的R2值为0.58。我们的FCO2预测模型在整个巴西地区的R2值为0.35（图2），该模型考虑了微生物酶活性、沙含量、Ki值、MAOC以及与对称和不对称CH2、CH醛和CH2指数相关的SOM化学性质。Tavanti等人（2023年）发现CH和对称CH3之间存在高但负的相关性，而与POM、对称CH2、不对称CH2和CH2指数之间存在正相关性。我们的模型证实了CH2指数以及对称和不对称CH2在预测FCO2中的重要性（图2）。此外，该模型还考虑了β-葡萄糖苷酶、酸性磷酸酶和脲酶的酶活性以及沙含量的影响。Yang等人（2023年）也强调了SOM化学性质和微生物组成在预测土壤呼吸作用中的重要性，但与我们的研究（图2）不同，他们认为纹理的贡献较低。这些与SOM化学性质之间的强相关性是因为这些化合物的分子量较低，更容易被微生物分解（Tavanti等人，2023年），因为它们是微生物的主要能量来源（Cotrufo等人，2015年）。Yang等人（2023年）还发现沙含量与FCO2之间存在强正相关，而在国家北部地区，降水量也与FCO2呈正相关，这些地区的生物量生产也较高。此外，Al2O3与FCO2之间存在负相关（R = −0.29），其中氧化物含量较高的地区与Ki值较低以及高岭石和吉布石含量较高相吻合（Rosas等人，2025年），同时MAOC含量也较高（图3和图5）。
4.2 土壤CO2通量的定量和回归分析
Della Silva等人（2025年）基于土壤湿度以及PlanetScope和MODIS的蓝光、绿光、红光和近红外光谱带以及LST数据，构建了预测巴西南部亚马逊地区和马托格罗索州北部FCO2的方程式，并使用偏最小二乘回归方法，其中三个模型的R2值为0.58。我们的FCO2预测模型在整个巴西地区的R2值为0.35（图2），该模型考虑了微生物酶活性、沙含量、Ki值、MAOC以及与对称和不对称CH2、CH醛和CH2指数相关的SOM化学性质。Tavanti等人（2023年）发现CH和对称CH3之间存在高但负的相关性，而与POM、对称CH2、不对称CH2和CH2指数之间存在正相关性。我们的模型证实了CH2指数以及对称和不对称CH2在预测FCO2中的重要性（图2）。然而，该模型还考虑了醛类CH的作用，并强调了β-葡萄糖苷酶、酸性磷酸酶和脲酶的酶活性以及沙含量的影响。Yang等人（2023年）也强调了SOM化学性质和微生物组成在预测土壤呼吸作用中的重要性，但与我们的研究不同，他们认为纹理的贡献较低。这些与SOM化学性质之间的强相关性是因为这些化合物的分子量较低，更容易被微生物分解（Tavanti等人，2023年），因为它们是微生物的主要能量来源（Cotrufo等人，2015年）。Yang等人（2023年）还发现沙含量与FCO2之间存在强正相关，而在国家北部地区，降水量也与FCO2呈正相关，这些地区的生物量生产也较高。此外，Al2O3与FCO2之间存在负相关（R = −0.29），其中氧化物含量较高的地区与Ki值较低以及高岭石和吉布石含量较高相吻合（Rosas等人，2025年），同时MAOC含量也较高（图3和图5）。
4.1 酶活性、MBC以及SOM的质量和化学组成的空间预测
4.1.1 光谱传输函数
需要注意的是，方程式（1）和（2）分别对应于MAOC和POC预测模型，包含了26个光谱带。其中一些光谱带与最稳定的碳形式相关，这些碳形式会与矿物表面相互作用，例如氧化铁（Stenberg等人，2010年；Zornoza等人，2008年）。POC光谱带与微生物优先利用的易分解功能团相关，如多糖、甲基、脂肪族CH和酚类OH（Cozzolino & Morón，2003年；Fidêncio等人，2002年；Stenberg等人，2010年；Viscarra-Rossel & Behrens，2010年）。这些光谱带与H. S. Rodríguez-Albarracín等人（2024年，2025年）报告的总碳、磷酸酶和脲酶活性、POC以及MAOC的光谱带一致。SOM通常由多种化学化合物组成，包括碳水化合物、木质素和纤维素（Obeng等人，2023年），每种化合物都具有与其组成功能团相关的独特吸收特性；这解释了为什么选择这些光谱带（Stenberg等人，2010年）。然而，由于Vis-NIR-SWIR光谱包含2151个光谱带，我们的选择方法仅保留了原始特征的1.2%，这与Carnero等人（2024年）的报告相似。
4.2 土壤CO2通量的定量和回归分析
Della Silva等人（2025年）基于土壤湿度以及PlanetScope和MODIS的蓝光、绿光、红光和近红外光谱带以及LST数据，构建了预测巴西南部亚马逊地区和马托格罗索州北部FCO2的方程式，并使用偏最小二乘回归方法，其中三个模型的R2值为0.58。我们的FCO2预测模型的R2值为0.35（图2），该模型考虑了微生物酶活性、沙含量、Ki值、MAOC以及与对称和不对称CH2、CH醛和CH2指数相关的SOM化学性质。Tavanti等人（2023年）发现CH和对称CH3之间存在高但负的相关性，而与POM、对称CH2、不对称CH2和CH2指数之间存在正相关性。我们的模型证实了CH2指数以及对称和不对称CH2在预测FCO2中的重要性（图2）。然而，该模型还考虑了醛类CH的作用，并强调了β-葡萄糖苷酶、酸性磷酸酶和脲酶的酶活性以及沙含量的影响。Yang等人（2023年）也强调了SOM化学性质和微生物组成在预测土壤呼吸作用中的重要性，但与我们的研究不同，他们认为纹理的贡献较低。这些与SOM化学性质之间的强相关性是因为这些化合物的分子量较低，更容易被微生物分解（Tavanti等人，2023年），因为它们是微生物的主要能量来源（Cotrufo等人，2015年）。Yang等人（2023年）还发现沙含量与FCO2之间存在强正相关，而在国家北部地区，降水量也与FCO2呈正相关，这些地区的生物量生产也较高。此外，Al2O3与FCO2之间存在负相关（R = −0.29），其中氧化物含量较高的地区与Ki值较低以及高岭石和吉布石含量较高相吻合（Rosas等人，2025年），同时MAOC含量也较高（图3和图5）。
4.2 土壤CO2通量的定量和回归分析
Della Silva等人（2025年）基于土壤湿度以及PlanetScope和MODIS的蓝光、绿光、红光和近红外光谱带以及LST数据，构建了预测巴西南部亚马逊地区和马托格罗索州北部FCO2的方程式，并使用偏最小二乘回归方法，其中三个模型的R2值为0.58。我们的FCO2预测模型的R2值为0.35（图2），该模型考虑了微生物酶活性、沙含量、Ki值、MAOC以及与对称和不对称CH2、CH醛和CH2指数相关的SOM化学性质。Tavanti等人（2023）发现CH和对称CH3之间存在高但负的相关性，而与POM、对称CH2、不对称CH2和CH2指数之间存在正相关性。我们的模型证实了CH2指数以及对称和不对称CH2在预测FCO2中的重要性（图2）。然而，该模型还考虑了醛类CH的作用，并强调了β-葡萄糖苷酶、酸性磷酸酶和脲酶的酶活性以及沙含量的影响。Yang等人（2023年）也强调了SOM化学性质和微生物组成在预测土壤呼吸作用中的重要性，但与我们的研究不同，他们认为纹理的贡献较低。这些与SOM化学性质之间的强相关性是因为这些化合物的分子量较低，更容易被微生物分解（Tavanti等人，2023年），因为它们是微生物的主要能量来源（Cotrufo等人，2015年）。Yang等人（2023年）还发现沙含量与FCO2之间存在强正相关，而在国家北部地区，降水量也与FCO2呈正相关，这些地区的生物量生产也较高。此外，Al2O3与FCO2之间存在负相关（R = −0.29），其中氧化物含量较高的地区与Ki值较低以及高岭石和吉布石含量较高相吻合（Rosas等人，2025年），同时MAOC含量也较高（图3和图5）。
4.3 酶活性、MBC以及SOM的质量和化学组成的空间预测
4.1.1 光谱传输函数
需要注意的是，方程式（1）和（2）分别对应于MAOC和POC预测模型，包含了26个光谱带。其中一些光谱带与最稳定的碳形式相关，这些碳形式会与矿物表面相互作用，例如氧化铁（Stenberg等人，2010年；Zornoza等人，2008年）。POC光谱带与微生物优先利用的易分解功能团相关，如多糖、甲基、脂肪族CH和酚类OH（Cozzolino & Morón，2003年；Fidêncio等人，2002年；Stenberg等人，2010年；Viscarra-Rossel & Behrens，2010年）。这些光谱带与H. S. Rodríguez-Albarracín等人（2024年，2025年）报告的总碳、磷酸酶和脲酶活性、POC以及MAOC的光谱带一致。SOM通常由多种化学化合物组成，包括碳水化合物、木质素和纤维素（Obeng等人，2023年），每种化合物都具有与其组成功能团相关的独特吸收特性；这解释了为什么选择这些光谱带（Stenberg等人，2010年）。然而，由于Vis-NIR-SWIR光谱包含2151个光谱带，我们的选择方法仅保留了原始特征的1.2%，这与Carnero等人（2024年）的报告相似。
4.2 土壤CO2通量的定量和回归分析
Della Silva等人（2025年）基于土壤湿度以及PlanetScope和MODIS的蓝光、绿光、红光和近红外光谱带以及LST数据，构建了预测巴西南部亚马逊地区和马托格罗索州北部FCO2的方程式，并使用偏最小二乘回归方法，其中三个模型的R2值为0.58。我们的FCO2预测模型的R2值为0.35（图2），该模型考虑了微生物酶活性、沙含量、Ki值、MAOC以及与对称和不对称CH2、CH醛和CH2指数相关的SOM化学性质。Tavanti等人（2023）发现CH和对称CH3之间存在高但负的相关性，而与POM、对称CH2、不对称CH2和CH2指数之间存在正相关性。我们的模型证实了CH2指数以及对称和不对称CH2在预测FCO2中的重要性（图2）。然而，该模型还考虑了醛类CH的作用，并强调了β-葡萄糖苷酶、酸性磷酸酶和脲酶的酶活性以及沙含量的影响。Yang等人（2023）也强调了SOM化学性质和微生物组成在预测土壤呼吸作用中的重要性，但与我们的研究不同，他们认为纹理的贡献较低。这些与SOM化学性质之间的强相关性是因为这些化合物的分子量较低，更容易被微生物分解（Tavanti等人，2023年），因为它们是微生物的主要能量来源（Cotrufo等人，2015年）。Yang等人（2023）还发现沙含量与FCO2之间存在强正相关，而在国家北部地区，降水量也与FCO2呈正相关，这些地区的生物量生产也较高。此外，Al2O3与FCO2之间存在负相关（R = −0.29），其中氧化物含量较高的地区与Ki值较低以及高岭石和吉布石含量较高相吻合（Rosas等人，2025年），同时MAOC含量也较高（图3和图5）。图3显示，这些Ki值低于2的区域含有更多的高岭石和三水铝矿（Rosin等人，2023年），这些区域具有更高的β-葡萄糖苷酶和酸性磷酸酶活性，更高的MAOC含量，以及更低的FCO2值。该国北部和中部地区的较高排放量是由于土壤有机质的化学性质，特别是对称和非对称CH2、CH醛的含量较低，MAOC含量为中等到低水平，酸性磷酸酶活性为中等到高水平，β-葡萄糖苷酶活性也为中等水平（图3）。根据Marchiori和Melo（1999年）的研究，β-葡萄糖苷酶活性的增加可能表明易分解碳（labile C）的增加，从而导致分解过程的加剧，这会转化为更高的FCO2值（Lv等人，2022年）。易分解碳最初会刺激微生物活动，但这种活动会导致难分解碳（MAOC）浓度的增加（Simões等人，2023年），而难分解碳对微生物分解的抵抗力更强（Six等人，2002年）。对于Lv等人（2022年）的研究，可利用磷（available P）含量和微生物生物量碳（MBC）是FCO2的关键因素。在我们的模型中，酸性磷酸酶与FCO2呈正相关，这种酶与微生物丰度有关（Banerjee等人，2012年），并且通常与与金属氧化物表面相互作用的磷酸基团有关（Omoike & Chorover，2006年；Parikh等人，2014年），并且被认为是无机磷（P）可用性的指标（Piotrowska-Dlugosz & Charzynski，2015年）。
总体而言，发现FCO2与陆地表面温度（LST）之间存在负相关（图5）。不同作者指出，在温暖的气候条件下，温度升高会导致微生物种群减少和土壤有机质（SOM）分解强度降低（Correia等人，2015年；Ferreira等人，2018年；Holanda等人，2015年；Souto等人，2005年）。然而，在热带地区的沙质土壤中，在降水量增加和温度升高的时期，微生物活动会受到刺激，加速SOM的矿化过程，从而导致更高的CO2排放（Dos Santos等人，2025年）。一般来说，这些土壤由于温度升高而更容易失去碳（Hartley等人，2021年）。然而，由于热带地区的温度变化较小，这可能对FCO2的影响较小（Maia等人，2019年），相反，降水量成为关键因素（Zhang等人，2015年），特别是在干旱和半干旱生态系统中（Bond-Lamberty & Thomson，2010年；J. R. S. Lima等人，2020年；Zhao等人，2016年）。J. R. S. Lima等人（2022年）和J. R. D. S. Lima等人（2023年）报告了Caatinga生物群落中降水量与FCO2之间的正相关关系，以及与温度的负相关关系，这与我们的结果一致（图3和图5）。根据Ferreira等人（2018年）的研究，在温暖的气候条件下，较高的温度会减少微生物种群和SOM分解强度。相反，de Campos等人（2022年）报告了FCO2与降水量之间的负相关关系，以及与LST的正相关关系。根据作者的说法，温度升高会促进光合作用和CO2捕获能力；然而，这也会增加根系和微生物的活动，从而增加土壤中的FCO2。对于Bond-Lamberty等人（2004年）的研究，根系和微生物的呼吸作用对温度变化的反应可能不同。此外，还有研究表明，微生物代谢能量的增加会导致FCO2的增加（Moitinho等人，2021年）。这与该国北部观察到的降水量与FCO2之间的正相关关系一致（图5），该地区的生物量生产较高。此外，这些地区降水量增加，可以刺激微生物呼吸作用，通过增强细胞外酶活性（Zhao等人，2016年）。另一方面，总土壤FCO2对应于根系和土壤生物释放的CO2总和（Gao等人，2018年）。
Heidy Soledad Rodríguez-Albarracín：概念化；形式分析；方法论；软件；可视化；初稿撰写；审稿与编辑。 José A. M. Demattê：概念化；资金获取；资源协调；监督；验证；审稿与编辑。 Miguel Palacio Pelaez Carvalho Neto：方法论；软件；审稿与编辑。 Nícolas Augusto Rosin：方法论；软件；审稿与编辑。 Carlos Eduardo Pellegrino Cerri：资金获取；资源协调；审稿与编辑。 Carlos A. da Silva Junior：审稿与编辑。 José R. de Sousa Lima：审稿与编辑。 Eduardo S. de Souza：审稿与编辑。 Mara Regina Moitinho：审稿与编辑。 Aquiles Enrique Darghan Contreras：方法论；审稿与编辑。 Paulo Eduardo Teodoro：审稿与编辑。 Rafael Felippe Ratke：审稿与编辑。 Uemeson José dos Santos：审稿与编辑。 Denizard Oresca：审稿与编辑。
