文章题目：Reducing the uncertainty in estimating soil microbial-derived carbon storage
影响因子：9.4
发表时间：2024
关键词：方法论；微生物衍生碳；土壤碳循环
参考文献：Hua, H., Qian, C., Xue, K., Jörgensene, R. G., Keiluweit, M., Liang, C., ... & Liang, Y. (2024). Reducing the uncertainty in estimating soil microbial-derived carbon storage. Proceedings of the National Academy of Sciences, 121(35), e2401916121. https://doi.org/10.1073/pnas.2401916121
1.研究背景
土壤有机碳（SOC）：作为陆地生态系统中最大的碳储存形式，SOC对于缓解气候变化和提高土壤生产力具有关键作用。
微生物衍生碳（MDC）：作为SOC中持久性组分的主要部分，MDC由微生物代谢过程中形成的难降解碳组成，对土壤碳的长期稳定起到重要作用。
现有估算方法的局限性：传统的MDC估算方法由于样本量限制和未考虑细菌群落组成变化等因素，导致估算结果存在较大不确定性。
研究的必要性：为了更准确地理解和预测土壤碳储存及其在全球碳循环中的作用，需要改进MDC的估算方法。
机器学习的应用：研究采用机器学习方法，结合全球数据集，旨在提高MDC估算的准确性，减少不确定性。
研究目标：通过提出新的估算公式，研究旨在为土壤-大气碳模型的参数化提供更准确的数据，以更好地预测和理解土壤碳动态及其对气候变化的响应。
2.研究目的
l改进MDC估算公式：通过使用更全面的全球数据集和机器学习方法，解决现有估算方法的局限性，提高估算的准确性。
l减少估算不确定性：通过考虑样本大小和细菌群落组成的变化，减少全球MDC估算中的不确定性。
l提供全球MDC估算：基于改进的估算公式，提供全球范围内MDC的分布、贡献和储量的估算。
l支持土壤-大气碳模型：为下一代土壤-大气碳模型的参数化提供准确的数据，以更好地预测土壤碳储存和碳循环。
l推动土壤碳研究：通过更新MDC估算公式，促进对土壤碳形成和稳定机制的深入理解，为应对气候变化提供科学依据。
3.科学问题
l如何减少土壤微生物衍生碳（MDC）估算中的不确定性？
研究旨在通过改进现有的估算方法，减少由于样本量限制和忽视细菌群落组成变化等因素导致的不确定性。
l如何利用机器学习和全球数据集提高MDC储量估算的准确性？
研究探讨了如何结合机器学习技术和广泛的全球数据集来精细化估算MDC对土壤有机碳（SOC）的贡献，以及如何更准确地评估全球MDC的储量。
l改进后的MDC估算方法对土壤-大气碳模型的参数化和预测有何影响？
研究评估了新提出的MDC估算公式对于提高土壤-大气碳模型预测陆地碳储存和碳循环动态的准确性和可靠性的潜在贡献。
4.实验材料与方法
1.实验材料：
全球数据集的构建：通过文献检索和数据整合，收集了关于土壤微生物衍生碳（MDC）相关的全球数据，包括不同细菌和真菌菌株的MurA和GlcN浓度，以及土壤样本中的相应浓度。
2.实验方法：
机器学习模型的应用：利用机器学习技术对全球土壤中的关键参数（如Firmicutes:GN比率、MurA和GlcN浓度）进行预测和映射，以减少由于细菌群落组成变化带来的估算不确定性。
细菌和真菌转化因子的计算：基于细菌菌株的MurA浓度和真菌菌株的GlcN浓度，计算细菌和真菌的转化因子，这些因子用于将土壤中的MurA和GlcN浓度转换为碳储量。
最优细菌群落比例的确定：通过机器学习预测和滑动窗口分析，确定一个最优的细菌群落组成比例，以最小化全球变化对BDC估算的影响。
全球MDC储量的估算：结合土壤碳浓度、土壤层厚度、土壤容重和砂土体积分数等参数，估算全球MDC的储量。
统计分析：使用统计方法来处理数据，包括异常值的识别和处理，以及模型性能的评估。
3.数据分析：
数据预处理：包括处理分类变量（如使用独热编码）、数据分割（训练集和测试集的划分）、异常值处理等，以准备数据进行机器学习分析。
模型池构建：构建了一个包含多种代表性机器学习模型的池，包括随机森林、XGBoost、LightGBM、CatBoost、Deep Forest、Auto-Sklearn等树集成方法，以及CNN、ResNet和FT-Transformer等深度学习模型。
超参数优化：使用贝叶斯优化算法对机器学习模型的超参数进行调优，以找到最佳的模型配置。
模型训练和选择：通过重复训练和统计显著性测试来选择每个预测任务的最佳模型。使用Kernel SHAP等方法进行模型解释性分析，以帮助最终模型的选择。
滑动窗口分析：用于确定最优的细菌群落比例，以最小化全球细菌群落组成变化对细菌衍生碳（BDC）估算的影响。
5.结果与讨论
MDC在表层土壤（0-30 cm）中的平均浓度为11.3 g kg^-1，占土壤有机碳（SOC）的43.3%；在次表层土壤（30-100 cm）中，MDC的平均浓度为5.5 g kg^-1，占SOC的57.6%。在表层土壤中，细菌和真菌分别贡献了MDC的12.5%和30.9%；在次表层土壤中，细菌和真菌的贡献分别增加到24.5%和33.1%。全球MDC的分布受到气候和生态系统类型的显著影响。在热带和寒冷气候中，MDC对SOC的贡献相似，分别为55.2%和54.2%。然而，由于高纬度地区的SOC库较大，大部分MDC储量集中在这些区域。研究提出了新的MDC估算公式，这些公式考虑了细菌群落组成的变化，减少了估算中的不确定性，并且通过机器学习技术提高了估算的准确性。研究指出，由于全球变暖，特别是在高纬度地区，储存的MDC可能会受到分解作用的影响，这可能会对大气中的碳库产生显著影响。研究强调了准确估算MDC对于改进土壤-大气碳模型的参数化至关重要，这有助于更好地理解和预测土壤碳动态及其对气候变化的响应。
图1。确定细菌和真菌衍生碳的公式。(A)确定最佳的厚壁菌门：放线菌门：GN比例，以最小化细菌群组成的总体变化对估计细菌来源碳的影响。在x-、y-和z-轴上的数据是非线性分布。更多详细信息，请参见“材料和方法”部分。(B)估算细菌和真菌衍生碳的公式。MurA和GlcN分别表示土壤中的MurA和GlcN浓度。
图2。微生物源碳（MDC）的浓度（A）、贡献（B）和储量（C）的全球分布。直方图中的数据表示为气候（红色）和生态系统（蓝色）的平均值± SE。紫色虚线表示全局平均值。在图B中，括号内的数字表示加权平均贡献，而括号外的数字表示算术平均贡献。在图C中，各栏中的数字表示全球MDC总库存的百分比（单位为百分比）。所有地图的空间分辨率均为5弧分（~10 km）。
