结果表明2009 年、2015 年和 2018 年 LUCAS 活动中观察到的土地利用和土地利用变化（即连续草地[GGG] 或农田 [CCC]、草地转变为农田（GGC 或GCC），反之亦然 [CGG 或 CCG]）是 SOC 变化的主要驱动因素之一。其中， 连续的农田是导致 ΔSOC 最大负变化的因素，影响为 - 0.04 ± 0.01 g C kg-1 year-1；而连续的草地则贡献了最高的正变化，估计部分效应为 0.49 ± 0.02（图1）。这一结果证实了退耕还草的碳固存潜力。
图2 2009-2018年qGAM 对ΔSOC进行的空间预测
qGAM建模和升尺度：不同于标准的GAM模型需要确定响应变量（本文为ΔSOC）的分布，qGAM 是非参数模型，能够拟合感兴趣的条件分位数，而无需做出任何参数假设。qGAM通过最小化带有惩罚项的分位数损失来拟合，这使它们对异常值的敏感性较小，使其更加适合于采样分析。本文中的qGAM模型是根据R包 mgcViz建立：
训练后的模型使用分辨率为 500 m 的空间显式协变量来进行整个欧盟 + 英国的 Δ SOC预测（图2）。
土地利用变化情景：研究了两种不同的土地利用变化情景：将农田转变为草地（C_to_G）和将草地转变为耕地（G_to_C）。对这两种情景得到的Δ SOC 估算值进行排名，范围从0到100，分别表示最低的负 Δ SOC 和最高的正 Δ SOC。对于每种情景（C_to_G 和 G_to_C），考虑了土地利用逐渐的变化，采用5%的增量计算了累积 Δ SOC。
土壤有机碳变化机制和动态在近些年受到了学界广泛的关注。因其无法通过遥感的手段直接观测得到，其空间模式一直都是依赖于样点或者样带结合机器学习升尺度得到。但又受限于样点数据的限制，少有大尺度的土壤有机碳长时间动态研究。在这项研究中，作者使用了统计模型通过样点尺度的训练再进行外推，并没有使用常用的机器学习的方法。在讨论部分作者使用研究的结果和其他模型进行了对比(补充文件中也有)，证明了建模的可靠性。这也给我们对统计模型和机器学习模型的选择提供了一个参考。
*第一&通讯作者：Daniele De Rosa
*第一作者单位：欧盟委员会联合研究中心（European Commission, Joint Research Centre (JRC), Ispra, Italy)。
*仅供学习交流使用，如有错误欢迎批评指正*
点击“阅读原文”查看文献
撰稿丨Geoffrey
审核丨DoraGeomon, &GeoDuo
公众号运营不易，欢迎关注、点赞、分享
