图 土壤微生物源碳评估新公式

　　在国家自然科学基金项目（批准号：42377121）等资助下，中国科学院南京土壤研究所梁玉婷研究员团队联合中国科学院沈阳应用生态研究所梁超研究员团队、南京大学周志华教授团队等与海外合作者在土壤微生物源碳估算研究方面取得进展。相关研究成果以“降低估算土壤微生物源碳的不确定性（Reducing the uncertainty in estimating soil microbial derived carbon storage）”为题，于2024年8月22日在《美国科学院院刊》（Proceedings of the National Academy of Sciences of the United States of America, PNAS）上发表。论文链接：https://doi.org/10.1073/pnas.2401916121。

　　土壤有机碳（Soil organic carbon，SOC）是陆地生态系统中最大的碳库，对减缓气候变化和增强土壤肥力具有至关重要的作用。微生物源碳（Microbial derived carbon，MDC）是构成稳定的SOC库的主要部分。氨基糖分析法是目前计算土壤中MDC含量最普遍和最广泛接受的方法，但受测量细菌和真菌菌株细胞壁氨基糖浓度的可用样本数量限制，且未充分考虑细菌群落组成的全球差异对MDC估计值的影响，使用氨基糖分析法估算MDC存在显著的不确定性。

　　研究团队建立了包含358株细菌菌株和700株真菌菌株的细胞壁氨基糖数据库，基于全球土壤微生物群落组成特征，重新建立了基于氨基糖浓度计算MDC的新公式，将传统的MDC计算公式中关于微生物细胞壁氨基糖浓度关键参数的相对标准误差平均减少71%，同时建立了不同气候带下不同生态系统类型的MDC转化系数清单，以更精准地描述MDC的区域性特征。基于新公式，研究团队在全球范围内收集了4000组野外测量的土壤氨基糖浓度和细菌群落组成数据，利用人工智能技术表征了全球土壤氨基糖浓度与细菌群落组成的地图。将细菌群落组成的全球差异纳入公式的考虑范围之内，使预测细菌残体碳的全球平均误差下降40%，对细菌残体碳的预测精度达到97.6%。由此估算全球MDC储量约为758Pg，约占总SOC储量的40%。

　　该研究在提高MDC计算公式准确性的同时，保留了公式的简便性与实用性，使下一代微生物模型的参数化更加精确，有助于深化对土壤-大气碳循环的理论理解，展示了人工智能在提升认知土壤生态系统方面的适用性和在土壤科学领域的应用潜力。