城市土壤碳库空间分布预测研究综述

城市土壤碳库空间分布预测研究综述城市土壤碳库是全球陆地生态系统碳循环的重要组成部分，其空间分布特征既受自然本底条件的长期塑造，也受快速城市化过程中人类活动的强烈干预。准确预测城市土壤碳库的空间分布格局，不仅可为城市碳汇功能提升、海绵城市建设、土壤污染防控提供基础数据支撑，也对缓解全球气候变化、优化城市生态空间布局具有重要现实意义。近年来随着地理信息技术、机器学习模型及原位监测网络的发展，相关研究在数据源拓展、方法体系创新、应用场景延伸等方面取得了系列进展，同时也在多尺度耦合机制、人类活动量化表征等层面存在待突破的瓶颈。一、城市土壤碳库空间分布的核心影响因子城市土壤碳库的空间异质性是自然因子与人为因子共同作用的结果，两类因子的耦合作用机制是预测模型构建的核心基础。自然因子中，地形地貌通过影响水热条件再分配决定土壤碳的输入与分解速率，海拔、坡度、坡向的差异会直接导致地表植被覆盖度、土壤温度湿度的空间分异，研究表明坡度每升高5°，城市表层土壤有机碳含量平均降低12%-18%，阳坡土壤碳分解速率较阴坡高23%左右。成土母质作为土壤发育的物质基础，其矿物组成、质地特征深刻影响土壤碳的物理保护能力，石灰岩发育的城市土壤有机碳密度平均可达花岗岩发育土壤的1.6倍，黏粒含量每增加10%，土壤有机碳的稳定性提升约27%。气候因子中，年平均气温、年降水量的梯度变化决定区域尺度的土壤碳周转效率，在我国亚热带城市，年降水量每增加100mm，表层土壤有机碳含量平均升高0.8g/kg，而年平均气温每升高1℃，土壤有机碳分解速率提升4%-6%。人为因子是城市土壤碳库区别于自然土壤的核心驱动要素，其作用强度远高于自然因子。土地利用类型的差异直接决定土壤碳的输入来源与干扰频率，公园绿地的土壤有机碳密度平均为交通用地的2.1倍、工业用地的1.8倍，居住绿地的土壤碳含量则受建成时间、社区养护模式的显著影响，建成超过30年的老旧社区土壤有机碳含量较新建社区高35%以上。城市建设活动中的土壤扰动是碳库变化的直接诱因，土方搬运、压实、外来客土填充等行为会破坏土壤原有团聚体结构，导致表层0-20cm土壤有机碳在建设过程中损失率可达40%-60%，且扰动后的土壤碳库恢复周期通常需要15-20年。植被配置模式通过影响凋落物输入量与根系分泌物特征调控土壤碳固持能力，乔灌草复层结构的绿地土壤碳储量较单一草坪高30%-45%，乡土树种群落的土壤碳固持效率较外来树种群落平均高22%。此外，城市热岛效应、氮沉降、人为废弃物输入等也会通过改变土壤微生物群落结构、酶活性，间接影响土壤碳的分解与转化过程。二、城市土壤碳库空间分布预测的主要数据源多源数据的融合应用是提升预测精度的关键支撑，当前研究使用的数据源可分为原位监测数据、遥感观测数据、地理空间辅助数据三大类。原位监测数据是模型训练的核心真值数据，主要包括网格采样数据、长期定位监测站数据、CitizenScience公民科学数据三类。网格采样是目前获取土壤碳含量数据的主流方式，通常采用1km×1km、500m×500m等不同分辨率的网格布设采样点，重点覆盖不同土地利用类型、不同建成年代的城市区域，部分高密度城市会在核心区采用100m×100m的加密采样方案。长期定位监测站可提供时间序列的土壤碳动态数据，弥补静态采样在时间维度的不足，我国目前已在36个重点城市建立了城市土壤生态监测站，积累了最长达20年的连续观测数据。近年来兴起的公民科学数据则通过培训公众参与简易采样、上传数据，大幅拓展了采样覆盖范围，在欧洲、北美部分城市，公民科学贡献的采样点数量已占总采样量的30%以上，有效降低了数据获取成本。遥感观测数据为大范围、高频率的地表特征提取提供了可能，其中光学遥感数据应用最为广泛。Landsat系列、Sentinel-2系列数据可提供10-30m分辨率的地表覆盖、植被指数信息，归一化植被指数（NDVI）、增强型植被指数（EVI）、叶面积指数（LAI）等是与土壤碳库相关性最高的遥感特征因子，可解释土壤碳空间变异的20%-40%。高光谱遥感数据能够识别土壤有机质的特征吸收波段，直接反演表层土壤碳含量，机载高光谱数据的反演精度可达0.85以上，星载高光谱数据如珠海一号、高分五号的反演精度也可达到0.7-0.75，为大尺度快速监测提供了新路径。合成孔径雷达（SAR）数据则可穿透植被冠层获取土壤湿度、质地信息，与光学数据融合后可将土壤碳预测精度提升10%-15%。激光雷达（LiDAR）数据能够提供高精度的地形、植被垂直结构信息，对于解释城市微地形、植被三维结构对土壤碳库的影响具有不可替代的作用。地理空间辅助数据主要用于刻画人为活动强度与空间背景特征。土地利用/土地覆盖数据可从地理国情监测成果、OpenStreetMap等平台获取，包含详细的城市功能分区、绿地类型信息。POI兴趣点数据能够量化城市人类活动的空间聚集程度，餐饮、购物、交通设施等POI密度与土壤碳含量呈显著负相关，可解释人为干扰对土壤碳库影响的15%-25%。夜间灯光数据、人口密度栅格数据则可从宏观层面表征城市化强度，在市域尺度的预测模型中，夜间灯光指数的解释力可达30%左右。此外，城市规划文本、土壤普查历史数据、气象站点观测数据等也常作为辅助变量纳入预测模型，进一步丰富模型的输入特征维度。三、城市土壤碳库空间分布预测的主流方法模型当前城市土壤碳库空间分布预测方法可分为传统地统计方法、机器学习方法、过程机理模型三类，三类方法各有其适用场景与局限性。传统地统计方法是早期研究的主流技术，以克里金插值为核心代表，包括普通克里金、协同克里金、回归克里金等分支。普通克里金基于采样点的空间自相关性进行插值，适用于采样点密度高、空间分布均匀的区域，当采样点密度达到每平方公里1个以上时，预测精度可达到0.7以上，但当采样点稀疏或空间异质性极强时，误差会显著升高。协同克里金通过引入与土壤碳相关的辅助变量（如植被指数、地形因子）提升插值精度，较普通克里金精度平均提升10%-15%。回归克里金将回归分析与克里金插值结合，先通过线性回归拟合土壤碳与影响因子的关系，再对残差进行克里金插值，是传统地统计方法中应用最广泛的类型，目前仍是中小尺度城市土壤碳预测的常用技术。机器学习方法是近年来快速发展的主流预测技术，能够有效捕捉多因子间的非线性关系，在复杂异质性的城市区域表现出显著优势。随机森林模型是目前应用最广泛的机器学习模型，其通过多棵决策树的集成学习降低过拟合风险，能够输出各影响因子的重要性排序，便于解释驱动机制，在多数研究中其预测精度可达0.75-0.85，较回归克里金高15%-20%。梯度提升树（GBDT）、极端梯度提升（XGBoost）等模型通过迭代优化残差，进一步提升了预测精度，在高密度城市的预测中表现优于随机森林，精度最高可达0.9左右。人工神经网络、深度学习模型则在处理高维特征数据时具有优势，当输入特征包含高光谱、多时相遥感等数十上百个变量时，深度学习模型的表现优于传统机器学习模型，部分研究采用卷积神经网络结合遥感影像直接反演土壤碳含量，端到端的预测精度可达0.8以上。此外，地理加权回归（GWR）、多尺度地理加权回归（MGWR）等模型考虑了变量的空间非平稳性，能够揭示不同区域驱动因子的作用强度差异，常与机器学习模型结合使用，进一步提升模型的解释性与精度。过程机理模型则基于土壤碳循环的生物地球化学过程进行模拟，代表性模型包括CENTURY模型、DNDC模型、ROTHC模型等。这类模型通过输入气候、土壤质地、植被类型、管理措施等参数，模拟土壤碳的输入、分解、转化等过程，能够预测未来气候变化、土地利用变化场景下的土壤碳库动态，是碳库长期趋势预测的核心工具。但传统机理模型多是基于自然生态系统开发，在城市区域应用时需要调整参数，如添加城市土壤扰动、人为碳输入、热岛效应等模块，改进后的城市版机理模型模拟精度可达0.65-0.75，虽然精度低于机器学习模型，但在情景预测、机制阐释方面具有不可替代的价值。近年来，越来越多的研究尝试将机理模型与机器学习模型耦合，利用机理模型生成虚拟样本扩充训练数据集，利用机器学习提升模拟精度，实现了过程解释性与预测精度的平衡。四、当前研究面临的主要挑战与未来发展方向尽管城市土壤碳库空间分布预测研究已取得显著进展，但仍面临多方面的挑战。首先是多尺度耦合机制不清晰，当前研究多集中在单一城市或单一尺度，缺乏“市域-社区-点位”多尺度的耦合研究，不同尺度驱动因子的作用强度、交互效应尚不明晰，导致大尺度预测结果向下尺度落地时误差较大。其次是人为活动的量化表征不足，现有研究多采用土地利用类型、POI密度等间接指标表征人为影响，缺乏对土壤扰动历史、养护管理措施、废弃物输入等直接人为因子的精准量化，尤其是城市地下空间开发、土壤改良等工程活动对碳库的影响尚未纳入预测体系。第三是数据共享与标准化程度低，不同城市的采样规范、分析方法存在差异，采样数据多分散在不同研究团队，缺乏统一的城市土壤碳数据库，限制了大尺度、跨城市的对比研究与模型泛化能力。第四是预测结果的应用场景有限，现有预测结果多以碳储量分布图的形式呈现，与城市规划、生态修复等实际业务的结合不足，缺乏面向具体应用场景的产品化输出。未来研究的核心发展方向主要包括五个方面。一是构建多源数据融合的标准化监测体系，整合原位监测、遥感反演、物联网传感等数据，建立国家尺度的城市土壤碳监测网络与共享数据库，统一采样规范、分析方法与数据格式，为大尺度预测提供数据基础。二是发展多尺度耦合的预测模型，融合地统计、机器学习与机理模型的优势，构建考虑空间非平稳性、多因子交互效应的跨尺度预测模型，重点突破人为活动因子的量化表征技术，将城市建设历史、土壤管理措施等因子纳入模型输入。三是深化极端情景下的碳库动态预测，结合气候变化、城市扩张等不同情景，预测未来30-50年城市土壤碳库的变化趋势，为城市碳达峰、碳中和目标的制定提供科学支撑。四是推动预测结果的业务化应用，开发面向城市规划、园林管理、生态修复的定制化预测产品，如不同绿地配置模式下的碳汇提升潜力分布图、城市更新过程中的土壤碳损失风险分布图等，直接支撑管理决策。