使用机器学习在西印度多种气候情景下对农田土壤有机碳进行建模

我们土壤中的碳为何关系到所有人

健康的土壤不仅能产粮——还默默封存着大量碳，否则这些碳会助推全球变暖。本文探讨在本世纪气候变化背景下，西印度农田土壤中这些隐蔽碳可能发生的变化，以及更明智的农业实践如何有助于同时保护粮食生产和气候。通过卫星数据和现代计算学习技术，作者表明我们今天在能源、土地利用和农业方面的选择，将强烈影响明天农田能够储存多少碳。

聚焦西印度的田地

研究聚焦于马哈拉施特拉的卡尔维尔塔卢卡（Karvir Taluka），这是一个农业区，农民在起伏的热带地形上种植甘蔗、稻米、高粱和豆类等作物。过去四十年间，卫星影像显示农田面积逐步缩减，从约520平方公里降至440平方公里左右，反映出土地利用的变化。与此同时，气候记录显示到2019年前温度相对稳定，之后预计将持续变暖；降雨总量大体维持在历史范围内，但极端事件增多。这些局部的土地利用和气候变化，为理解土壤有机碳——由分解的动植物残体构成、赋予土壤大部分生命力的混合物——如何演变奠定了背景。

不同未来如何塑造脚下的土壤

为探索不同可能的未来，作者采用了IPCC的共享社会经济路径（SSP）情景。这些情节从以可持续发展为导向、温室气体排放较低的世界，到以化石燃料为主、排放高的未来不等。针对卡尔维尔的农田，研究小组将这些全球情景转换为局部的温度、降雨、热浪、干旱和寒潮投影，时间范围为2020到2100年。在最温和的路径下，平均气温仅略有上升，极端高温受限。相比之下，在最强烈的路径（称为SSP5-8.5）中，到2100年平均气温可能达到约34°C，暖期可能延长至全年大部时间，极大改变作物和土壤生物的生存条件。

教会计算机“读”土壤

研究者没有仅依赖缓慢且昂贵的田间采样，而是将本地土壤检测实验室的实验测量与全球土壤图、卫星影像和在Google Earth Engine及地理信息系统中处理的气候数据结合起来。他们将这些信息输入三种机器学习模型——随机森林（Random Forest）、极端梯度提升（XGB）和支持向量回归（SVR），以学习土壤碳与温度、降雨、海拔、坡度、土壤质地、植被绿度和耕作管理等因子的关系。模型在1982–2024年的历史数据上训练，并用独立的实验室分析结果进行测试。XGB表现突出，能较好地拟合测量值，并捕捉环境、管理与土壤碳之间微妙的非线性关系。

模型对未来土壤的预示

借助表现最佳的模型，团队对2040、2060、2080和2100年的农田土壤有机碳在五个SSP情景下进行了投影。在低排放情景中，中世纪（本世纪中叶）平均土壤碳保持相对较高——约在40多克/千克的中段水平——尽管到2100年仍有小幅下降。相反，在高排放的SSP5-8.5路径下，农田平均土壤碳预计在2040到2100年间下降约一半，许多地区的土壤碳会降至30克/千克以下。空间分布图显示，今天富含碳的区域随着气温上升、热浪延长和降雨更不稳定，逐步演变为贫瘠土壤，因为有机质分解加速并导致土壤退化。然而研究也指出，自2018年以来，在采用免耕、覆盖、堆肥和更好残留物管理等保护性做法的地区，土壤碳呈现回升迹象。

管理不确定性并基于已知采取行动

作者仔细审视了不确定性的来源——从不完美的气候与土壤数据到机器学习模型的局限性——但他们的总体信息清晰。即便存在这些不确定性，变化的方向是一致的：更暖、更极端的气候往往会从农田土壤中剥离碳，尤其是在高排放的未来情景下。然而结果也表明，局部的耕作管理可以显著减缓甚至逆转碳的流失，正如与保护性农业相关的近期增益所示。

这对粮食、气候与农民意味着什么

对非专业读者来说，结论既直接又紧迫：我们如何为经济供能以及如何管理田地，将决定土壤是否仍然是抗击气候变化的重要盟友。如果排放维持在很高水平，像卡尔维尔这样的地区农田很可能失去大量储存的碳，土壤变得不那么肥沃，也不再能有效缓冲洪涝、干旱和高温。在更清洁的能源路径下，并广泛采用少耕、覆盖作物和有机改良物等做法，这些土壤可以继续储碳并维持产量。本研究展示了如何将卫星、本地测量和机器学习结合起来，为气候智慧型农业和政策提供指导，保护农民生计与地球上最大的陆地碳库。

引用: Adeel, A., Hasani, M. & Jadhav, A.S. Soil organic carbon modeling in cropland under several climatic scenarios using machine learning in western India. Sci Rep 16, 5485 (2026). https://doi.org/10.1038/s41598-026-35191-4

关键词: 土壤有机碳, 气候变化情景, 保护性农业, 遥感, 机器学习