تاريخ الاستلام: 3 يناير 2024
تم القبول: 18 يونيو 2024
نُشر على الإنترنت: 22 يونيو 2024
(T) تحقق من التحديثات

تستند استدامة الكربون العضوي في التربة (SOC) بشكل أساسي إلى الحماية المعدنية، وبالتالي فإن دورات الكربون العضوي المرتبط بالمعادن (MAOC) والكربون العضوي الجزيئي (POC) لها تأثيرات مختلفة على تعرض SOC لتغير المناخ. هنا، نقوم بإنشاء خرائط MAOC وPOC العالمية باستخدام 8341 ملاحظة، ثم نستنتج أوقات دوران MAOC وPOC من خلال نهج دمج البيانات والنماذج. تخزين MAOC وPOC العالمي هو (يعني بـ و الكمية) بينما أوقات دوران MAOC و POC العالمية المتوسطة هي و في المتر العلوي، على التوالي. إن تسارع تحلل الكربون العضوي المعدني (MAOC) والكربون العضوي الجزيئي (POC) الناتج عن الاحترار المناخي أكبر في التربة تحت السطحية مقارنة بالتربة السطحية. بشكل عام، يوفر الأطلس العالمي لتحول MAOC وPOC، جنبًا إلى جنب مع التوزيعات العالمية لمخزونات MAOC وPOC، معيارًا لنماذج نظام الأرض لتشخيص ردود الفعل بين الكربون العضوي وتغير المناخ.

الكربون العضوي في التربة (SOC) هو خاصية من خصائص النظم البيئية الأرضية بسبب تعدد وظائفه. سيحدث رد فعل إيجابي تجاه تغير المناخ إذا تم نقل الكربون العضوي السطحي إلى الغلاف الجوي نتيجة لتسريع تحلله بسبب الاحترار. تشير التقدمات الحديثة إلى أن استمرار الكربون العضوي في التربة في التحلل الميكروبي يتم التحكم فيه بشكل أساسي من خلال الوصول الفيزيائي والعزلة بدلاً من مقاومته الكيميائية الحيوية. يفصل فصل الكربون العضوي في التربة (SOC) إلى الكربون المرتبط بالمعادن (MAOC) والكربون العضوي الجزيئي (POC) مما يمكّن من توقع أكثر دقة لضعف التربة تجاه تغير المناخ. تضع معظم نماذج نظام الأرض التي تحتوي على خزانات الكربون غير القابلة للقياس من نوع Century وRothC ثقة منخفضة على كل من SOC الزماني المكاني.
التوزيع والإسقاط لتغير المناخ إن دمج أحواض MAOC وPOC القابلة للقياس والمحددة بيولوجيًا في نماذج نظام الأرض ربما يكون نهجًا مثاليًا لتتبع مصير SOC تحت التغيرات العالمية. وستكون الجيل القادم من نموذج دورة الكربون في التربة .

العوامل الحاسمة والتوزيعات العالمية لـ MAOC و POC ليست موثقة بشكل جيد، كما أن المنتج البياني المقابل بدقة عالية مفقود أيضًا لمجتمع النمذجة. على سبيل المثال، جورجيو وآخرون. لقد أنشأنا خريطة عالمية لـ MAOC ولكن مع استبعاد الكثير من المنطقة الشمالية الباردة مع مجموعة بيانات صغيرة (1144 ملاحظة تربة). من خلال تجميع 162 ملاحظة تربة، اقترحت دراسة حديثة أن التربة السطحية في

تم توزيع المناطق الباردة بشكل أساسي من قبل الأشخاص الملونين الأكثر عرضة للخطر بدلاً من تستمر MAOC مع المركبات الجزيئية البسيطة في التربة لعدة مئات من السنين، وتكون محمية بشكل أساسي بواسطة المعادن من خلال قوة فان der Waals، الروابط الهيدروجينية، الروابط التساهمية، التعقيد، جسر الكاتيون، وامتصاص المسام. بينما تستمر المواد العضوية المعقدة في التربة لعقود بالاعتماد على المقاومة البيوكيميائية وحماية الكتل. لذلك، قد تعتمد التوزيعات العالمية لـ MAOC و POC على عوامل مختلفة. يمكن أن تُعطى سعة تخزين SOC كحاصل ضرب تدفق الكربون ومدة الدوران. يمكن أن يوفر تقييم وقت دوران مركز العمليات الأمنية (SOC) نظرة على ديناميات المركز تحت التغيرات البيئية. الذي يتم تقديره من خلال عدة طرق، مثل الكربون المشع الاستشعار عن بُعد ونماذج نظام الأرض . بالإضافة إلى ذلك، التربة تحت السطح ( تحتوي على أكثر من نصف مخزونات SOC العالمية ومع ذلك، فإن عدم اليقين في استجابة الكربون العضوي في التربة للاحترار المناخي يزداد مع عمق التربة، لأن الآليات التي تتحكم في دوران الكربون العضوي في التربة الأعمق لا تزال واحدة من أكبر التحديات في دورة الكربون في التربة. على الرغم من أن دورات MAOC و POC لها تأثيرات مختلفة تمامًا على خصوبة التربة وانبعاثات الكربون لم يتم تحديد التوزيعات العالمية لأوقات دوران MAOC و POC عبر الأنماط المكانية والتربة، وارتباطاتها مع المناخ، والتضاريس، والنباتات، والعوامل التربة.

هنا، قمنا بتجميع 8341 ملاحظة للتربة التي تفصل الكربون العضوي في التربة الكلي إلى كسور MAOC و POC على مستوى العالم (الشكل التكميلي 1 و 2). تغطي مجموعات البيانات الحالية بشكل واسع على طول التدرجات المكانية والمناخية: تراوحت خطوط العرض من إلى ، كانت خطوط الطول تتراوح من إلى تراوحت درجة الحرارة السنوية المتوسطة (MAT) من إلى بينما تراوحت متوسط ​​هطول الأمطار السنوي من 58 مم إلى 3128 مم. هدفنا هو إنتاج خرائط عالمية لـ MAOC و POC من خلال نهج التعلم الآلي، وكشف التوزيعات العالمية المكانية والملف الشخصي لأوقات التبديل لـ MAOC و POC باستخدام نهج دمج البيانات.

نقوم بإنشاء خرائط MAOC وPOC حسب طبقات التربة من 0-20، ، و استخدام نموذج الغابة العشوائية بدقة عالية ( ). تخزين MAOC و POC العالمي هو (يعني بـ و النسب المئوية من إعادة التقدير 100 مرة في المتر العلوي، على التوالي. نقترح أيضًا نموذجًا ذو حوضين يتضمن MAOC وPOC القابلين للقياس لاستنتاج أوقات دورانها على طول ملف التربة. المتوسط العالمي

أوقات دوران MAOC و POC في المتر العلوي هي و سنة، على التوالي. يُعتبر MAT العامل الأكثر أهمية في دوران MAOC وPOC وتوزيعها على طول ملف التربة. إن تسارع تحلل MAOC وPOC الناتج عن الاحترار المناخي أكبر في الطبقات السفلية من التربة مقارنة بالطبقات العليا. ستوفر تقديراتنا العالمية لمخزونات وأوقات دوران MAOC وPOC معيارًا لنماذج نظام الأرض لتشخيص ردود الفعل بين SOC وتغير المناخ.

تمت قيادة التوزيعات الجغرافية لـ MAOC و POC بواسطة عوامل مناخية ومتعلقة بالتضاريس والنباتات والتربة متعددة (الأشكال 1 و 2؛ الشكل التكميلي 3). كانت درجة الحرارة المتوسطة السنوية، ومتوسط هطول الأمطار السنوي، والإنتاجية الأولية الصافية، والارتفاع، ودرجة الحموضة، ومحتوى الطين بالإضافة إلى السلت، وعمق العينة هي أفضل المؤشرات لـ MAOC، والتي فسرت التباين (الشكل 1). كان تغطية الأرض أيضًا مهمة للتباين المكاني لـ POC، جنبًا إلى جنب مع العوامل المذكورة أعلاه لـ MAOC، التي فسرت التباين في POC (الشكل 1). كما هو متوقع، فإن التربة التي تحتوي على مدخلات كربونية أكبر (إنتاجية أولية صافية أعلى) ومعدل تحلل أقل (درجة حرارة متوسطة سنوية أقل) لديها MAOC و POC أكبر (الشكل 2). هناك جدل حول ما إذا كان MAOC مشبعًا. اقترح المعارضون لمفهوم تشبع MAOC أن المادة العضوية يمكن أن ترتبط بمادة عضوية أخرى مرتبطة بالمعادن، في هياكل غير محدودة تشبه ناطحات السحاب. . هنا، أظهر مخطط الاعتماد الجزئي أن هناك علاقة تشبع بين MAOC والإنتاجية الأولية الصافية (مدخلات الكربون) مع الأخذ في الاعتبار المتغيرات المشتركة المتعددة (الشكل 2). لذلك، دعمت مجموعة البيانات العالمية لدينا مفهوم تشبع المادة العضوية المرتبطة بالمعادن.

كانت كل من MAOC و POC أعلى في التربة الحمضية (الشكل 2) لأن الأنشطة الميكروبية عادة ما تكون مثبطة بسبب انخفاض بالإضافة إلى ذلك، كان الرقم الهيدروجيني للتربة هو المتنبئ الثاني المهم للتباين المكاني لمحتوى الكربون العضوي في التربة، لأن الرقم الهيدروجيني للتربة يتوسط العديد من العمليات الجيوكيميائية. خصوصًا، فإن امتصاص الكربون على معادن التربة يعتمد على درجة الحموضة، وتصبح أسطح المعادن أقل إيجابية وتصبح الرابطة العضوية أكثر سلبية عند ارتفاع درجة الحموضة، مما يقلل من امتصاص الكربون على أسطح المعادن. تتحول آليات استقرار SOC مع ارتفاع pH من التكوين المعقد بشكل أساسي مع المعادن العضوية،

الشكل 2 | الاعتماديات الجزئية التي تظهر تأثيرات المتنبئات على الكربون العضوي المرتبط بالمعادن والجسيمات. أ الاعتماديات الجزئية لدرجة الحرارة السنوية المتوسطة (MAT). ب الاعتماديات الجزئية لهطول الأمطار السنوي المتوسط (MAP). ج الاعتماديات الجزئية للإنتاجية الأولية الصافية (NPP). د الاعتماديات الجزئية لعمق العينة العلوي. هـ الاعتماديات الجزئية لعمق العينة السفلي.
العمق. الاعتماد الجزئي لمحتوى الطين بالإضافة إلى السلت (طين + سلت). الاعتماد الجزئي لـ الاعتماد الجزئي للارتفاع. الاعتماد الجزئي لتغطية الأرض. F الغابات، GS المراعي والأراضي الشجرية. يتم توفير بيانات المصدر كملف بيانات مصدر.
للاشتراك مع مراحل الطلب القصير المدى، إلى تعقيد الكالسيوم وجسور الكاتيون مع الفيلوسليكات، فإن زيادة pH التربة تقلل بالتالي من تراكم MAOC . توفر معادن الطين والسلت في التربة الهياكل والموائل لـ MAOC، مع وجود محتوى عالٍ من الطين والسلت على التحلل الميكروبي بآليات أخرى، كان للطين والسلت تأثير إيجابي على MAOC (الشكل 2). بالإضافة إلى ذلك، يمكن أن تحمي معادن التربة POC من التحلل الميكروبي ، وقد قدمت دراسة حديثة الدليل المرئي على أن انسداد المادة العضوية في الكتل وتشكيل الجمعيات العضوية المعدنية يحدثان في وقت واحد على . كانت تغطية الأرض مهمة لـ POC ولكن ليس لـ MAOC (الشكل 2 والشكل التكميلي 3)، مما يعني أن جودة الأوراق قد يكون لها تأثير ضعيف على تشكيل MAOC على نطاق عالمي. بالإضافة إلى ذلك، قد يكون POC أكثر حساسية لتحويل أنواع تغطية الأرض الطبيعية إلى أراضي زراعية مقارنة بـ MAOC.

أخيرًا، أظهرت التحقق من صحة 10 أضعاف أن الغابة العشوائية كانت لها أداء جيد في التنبؤ بالتوزيعات العالمية لـ MAOC و

POC، مع من 0.92 و 0.93، على التوالي (الشكل التكميلي 4). قمنا بإنشاء خرائط MAOC وPOC بواسطة طبقات التربة من 0-20، 20-40، ، و ، على التوالي (الشكل 3؛ الأشكال التكملية 5 و 6). أظهر POC توزيعًا أقل عمقًا من MAOC لأن POC كان أكثر اعتمادًا على مدخلات الكربون من خصائص التربة (الأشكال 1 و 3). استنتجنا تخزين MAOC العالمي من Pg C وتخزين POC من في المتر العلوي (الشكل 3). إجمالاً، فإن تخزين SOC العالمي هو ، وهو متسق جيدًا مع التقديرات السابقة من الملاحظات (تتراوح من 504 Pg C إلى 1849 Pg C) وطرق النمذجة (تتراوح من 510 Pg C إلى 3040 Pg C) .

باستخدام نموذج حوضين مقترح ونهج دمج البيانات (انظر الطرق)، تم تقدير متوسط أوقات دوران MAOC وPOC العالمية في المتر العلوي من التربة على أنها و ، على التوالي (الشكل 4). MAT هو العامل الأكثر أهمية لـ MAOC وPOC

الشكل 3 | التقديرات العالمية لتخزين الكربون العضوي المرتبط بالمعادن والجزيئات. خريطة عالمية لتخزين الكربون العضوي المرتبط بالمعادن (MAOC) ( ). خريطة عالمية لتخزين الكربون العضوي الجزيئي (POC) ( ). ج تخزين الكربون العضوي في التربة (SOC) من تقديراتنا (الأعمدة) و
التقديرات السابقة من الملاحظات (مخطط الصندوق الأزرق) وطرق النمذجة (مخطط الصندوق الأسود). أشرطة الخطأ هي و النسب المئوية من 100 مرة من إعادة التقدير. الخط المركزي، الوسيط. حدود الصندوق، الربع العلوي والسفلي. الشعيرات، 1.5 مرة من نطاق الربع. يتم توفير بيانات المصدر كملف بيانات مصدر.
الدورات (الأشكال التكملية 7 و 8)، تدعم وجهة نظر سابقة أن درجة الحرارة تهيمن على دوران SOC . كانت المناطق شبه الجافة، الجافة شبه الرطبة، والرطبة لها علاقات دوران-MAT مشابهة، لكنها تختلف عن العلاقة في المناطق الجافة (الشكل التكميلي 8). لذلك، يمكن أن تهيمن الرطوبة على الدوران في الأماكن التي تعاني من نقص كبير في المياه، مثل أوقات الدوران الطويلة لـ MAOC وPOC في المناطق الصحراوية (الشكل 4).

زادت أوقات دوران MAOC وPOC مع زيادة عمق التربة (الشكل 4). بالإشارة إلى نموذج الأرض المجتمعية (CLM) ، تم تنظيم معدل التحلل المنخفض مع عمق التربة في نموذج الحوضين لدينا بواسطة عمق e-folding لدوران الكربون. تمثل قيمة أكبر من عمق e-folding لدوران الكربون انخفاضًا أبطأ في معدلات التحلل مع زيادة عمق التربة، بينما تمثل قيمة أصغر من عمق e-folding لدوران الكربون انخفاضًا أسرع (انظر الطرق). تتحكم MAT بشكل رئيسي في تباينات أعماق e-folding لدورات MAOC وPOC (الشكل 5). أولاً، كانت تغطية الأرض الباردة (التندرا والغابات البورالية) لها توزيع جذور أقل عمقًا من تلك الدافئة (مثل الغابات والمراعي (شبه) الاستوائية) . يُقترح أن غياب الكربون الجديد هو آلية حاسمة تمنع التحلل في طبقات التربة العميقة لأن النشاط الميكروبي كان محدودًا بمصدر أساسي للطاقة . ثانيًا، قد ينتج التحلل البطيء لـ SOC في التربة السفلية عن نقص الأكسجين. من الناحية الفيزيائية، سيعزز المناخ الدافئ النفاذية الغازية بين التربة السفلية والغلاف الجوي ، وبالتالي كانت التربة السفلية في المناطق (شبه) الاستوائية تعاني من قيود أكسجين أقل من تلك الموجودة في المناطق الباردة. وجدنا أيضًا أن عمق e-folding لدوران الكربون لـ POC كان حوالي 1.7 مرة أكبر من ذلك لـ MAOC، مما يشير إلى أن زيادة عمق التربة كان لها تأثير أقوى على تثبيط تحلل MAOC مقارنة بـ POC. تعتبر المساحة المعدنية الإجمالية واحدة من أكثر العوامل المحدودة التي تؤثر على SOC المرتبط بالمعادن في التربة. مقارنة بالتربة السطحية، كانت التربة السفلية تعاني من عجز أكبر في تشبع الكربون، بينما لا يزيد عجز أكبر في تشبع الكربون فقط من استقرار MAOC ولكن أيضًا يزيد من كفاءة النقل من POC إلى MAOC .

هناك العديد من القيود وعدم اليقين في الدراسة الحالية. أولاً، مثل القيود على جميع التركيبات العالمية، تم أخذ عينات التربة بطرق مختلفة، ووقت، ومرحلة تعاقب، وقابلية التكرار، وما إلى ذلك، مما قد يؤدي إلى عدم اليقين. ثانيًا، تم اقتراح افتراض الاستقرار لتحسين قابلية تشغيل دمج البيانات . على الرغم من أن SOC في النظم البيئية التي تعاني من اضطراب بشري، مثل النظم البيئية المتدهورة والمستعادة، قد لا تكون في حالة مستقرة، فقد أظهرت الدراسات السابقة أن مثل هذا المكون غير المتوازن هو جزء صغير من برك SOC بالنظر إلى وقت دورانه الطويل . ومع ذلك، فإن مثل هذا الافتراض لحالة مستقرة يقدم بالفعل عدم اليقين. ثالثًا، كانت نقاط البيانات في روسيا وكندا وأفريقيا صغيرة نسبيًا، مما قد يحد من دقة تقديراتنا لـ MAOC وPOC في هذه المناطق، خاصة بالنسبة للتربة المتجمدة في روسيا وكندا، التي غنية بـ SOC.

على الرغم من القيود المذكورة أعلاه، نعرض، حسب علمنا، أول أطلس عالمي لأوقات دوران MAOC وPOC باستخدام مجموعة بيانات كبيرة من 8341 ملاحظة للتربة، مع التوزيعات العالمية لمخزونات MAOC وPOC، مما يوفر معيارًا لنماذج نظام الأرض. تدعم نتائجنا أن درجة الحرارة تتحكم بشكل رئيسي في كل من التخزين وأوقات الدوران لـ MAOC وPOC. بالإضافة إلى ذلك، فإن التأثيرات الإيجابية لـ MAT على أعماق e-folding لكل من دورات MAOC وPOC تشير إلى أن الزيادة الناتجة عن الاحترار المناخي في التحلل كانت أكبر في التربة السفلية مقارنة بالتربة السطحية. لذلك، قد يكون لفقدان MAOC وPOC في التربة العميقة تأثير إيجابي على تغير المناخ، من الضروري منع فقدان SOC من التربة العميقة.

تم إجراء مسح أدبي شامل من خلال قواعد بيانات Google Scholar والبنية التحتية الوطنية للمعرفة في الصين حتى عام 2024 باستخدام كلمات مفتاحية “التربة” “مرتبطة بالمعادن” و”الكربون”.

الشكل 4 | الأنماط المكانية والملف الزمني لأوقات دوران الكربون العضوي المرتبط بالمعادن والجزيئات. أ وقت دوران الكربون العضوي المرتبط بالمعادن (MAOC) ( ). وقت دوران الكربون العضوي الجزيئي (POC)
( ). ج أنماط الملف الزمني لأوقات دوران MAOC وPOC. أشرطة الخطأ هي و النسب المئوية من 100 مرة من إعادة التقدير. يتم توفير بيانات المصدر كملف بيانات مصدر.

يختلف عن تركيبة عالمية حديثة جمعت MAOC التي مرت عبر منخل (1144 إدخال) ، لكن حجم المنخل اختلف بشكل كبير عبر جميع الإدخالات، حيث حجم المنخل له أكبر نسبة (60.1%)، يليه حجم المنخل ( ) و حجم المنخل ( ). لتقليل تأثيرات حجم المنخل من إدخالات مختلفة، سجلت مجموعات البيانات لدينا فقط MAOC التي مرت عبر منخل. قمنا بتضمين الدراسات التي أبلغت عن SOC وPOC وMAOC بشكل متزامن فقط. أخيرًا، تضمنت مجموعات البيانات لدينا 8341 إدخالًا تمتد من 1990 إلى 2022 (الأشكال التكملية 1 و 2).

لتحديد العوامل التي تؤثر على التوزيعات العالمية للمواد العضوية المعلقة (POC) والمواد العضوية المعلقة في الأعماق (MAOC)، نأخذ في الاعتبار تأثيرات المناخ (متوسط درجة الحرارة السنوية ومتوسط هطول الأمطار السنوي)، والتضاريس (الارتفاع والانحدار)، والنباتات (الإنتاجية الأولية الصافية وأنواع تغطية الأرض)، وخصائص التربة (أنواع التربة، الرقم الهيدروجيني، محتوى الطين مع السلت، تشبع القاعدة، وسعة تبادل الكاتيونات)، وترسيب النيتروجين، وعمق ومدة أخذ العينات. تم تسجيل هذه المتغيرات إما من الدراسات الأصلية أو تم الحصول عليها من مجموعات بيانات عالمية (الجدول التكميلي 1). تم تصنيف تغطية الأرض إلى التندرا، والغابات الشمالية، والغابات الصنوبرية المعتدلة، والغابات العريضة الأوراق/المختلطة المعتدلة، والغابات الرطبة (الاستوائية) و(شبه الاستوائية)، والغابات الجافة (الاستوائية) و(شبه الاستوائية)، والمراعي/الأراضي الشجرية الجبلية، والمراعي/الأراضي الشجرية المعتدلة، والمراعي/الأراضي الشجرية (شبه الاستوائية)، والمتوسطية، والصحاري، والأراضي الرطبة، والأراضي الزراعية وفقًا لمناطق النظم البيئية الأرضية في العالم ومنتج تغطية الأرض MODIS. كانت معظم إدخالات البيانات من 2000-2021 (الشكل التكميلي 2)، ومع نطاق زمنية إنتاجية MODIS الأولية الصافية، قمنا بحساب متوسط درجة الحرارة السنوية، والهطول، والإنتاجية الأولية الصافية من 2001 إلى 2021. لذلك، حافظنا على الأوقات المتسقة للمناخ، والإنتاجية الأولية الصافية، وMAOC، وPOC.

رسم خرائط الكربون العضوي المرتبط بالمعادن والجسيمات على مستوى العالم. أولاً، قمنا بمقارنة أداء ستة نماذج آلة نموذجية.
خوارزميات التعلم، بما في ذلك الغابة العشوائية، وتعزيز التدرج المتطرف، وآلات الدعم الناقل، والتقسيم التكراري وأشجار الانحدار، والشبكات العصبية، والانحدار الخطي متعدد المتغيرات. وجدنا أن الغابة العشوائية كانت لديها أقل خطأ جذر متوسط المربعات (الجدول التكميلي 2)، لذلك تم استخدام الغابة العشوائية لتوليد الخرائط العالمية لـ MAOC و POC.

ثانياً، تم حساب نصف التباين أولاً لاستكشاف درجة الارتباط الذاتي المكاني لمحتويات MAOC و POC، بينما لم تُظهر مخططات نصف التباين ارتباطاً ذاتياً مكانياً قوياً (الشكل التوضيحي 9). بالإضافة إلى ذلك، تم استخدام مؤشر موران لاختبار دلالة الارتباط الذاتي المكاني في نماذج الغابات العشوائية. يشير مؤشر موران الإيجابي الكبير بشكل ملحوظ إلى وجود ارتباط ذاتي مكاني لمتغير معين عند عتبة مسافة محددة. هنا، لم نجد ارتباطاً ذاتياً مكانياً ملحوظاً لتركيزات MAOC و POC في نماذج الغابات العشوائية (الشكل التوضيحي 9).

ثالثًا، طريقة “اللف” تم استخدامه لاختيار المتغيرات المشتركة بين المناخ (متوسط درجة الحرارة السنوية ومتوسط هطول الأمطار السنوي)، والتضاريس (الارتفاع والانحدار)، والنباتات (الإنتاجية الأولية الصافية وأنواع تغطية الأرض)، وخصائص التربة (أنواع التربة، الرقم الهيدروجيني، محتوى الطين بالإضافة إلى السلت، التشبع بالقاعدية، وسعة تبادل الكاتيونات)، وترسيب النيتروجين، وعمق ووقت العينة. على وجه التحديد، من خلال إعادة معايرة نموذج الغابة العشوائية عدة مرات، مع إزالة أقل المتغيرات أهمية في كل مرة، يمكن توقع تقليل العدد الإجمالي للمتغيرات بشكل كبير مع القليل أو بدون انخفاض في دقة توقعات النموذج. استخدمنا طرق النقاء والتبديل في دالة “ranger” من حزمة “ranger” لتحديد أهمية المتنبئين، ثم قمنا بتطبيع نوعي الأهمية إلى نطاق وفقًا لقيمها القصوى والدنيا. تم استخدام متوسط الأهمية المعيارية. شمل النموذج النهائي للغابة العشوائية لـ MAOC MAT، ومتوسط هطول الأمطار السنوي، والإنتاجية الأولية الصافية،

الشكل 5 | العوامل المؤثرة في انخفاض معدل التحلل مع عمق التربة. و أهمية المتنبئات لعمق التكرار (e-folding depths) لدورات الكربون المرتبطة بالمعادن (MAOC) والكربون العضوي الجزيئي (POC)، على التوالي. تمثل قيمة أكبر لعمق التكرار لدورة الكربون معدل تحلل أبطأ مع زيادة عمق التربة، بينما تمثل قيمة أصغر لعمق التكرار لدورة الكربون معدل تحلل أسرع. تم تطبيع نوعين من الأهمية (النجاسة والتبديل) أولاً إلى نطاق [0،

1] وفقًا لقيمها القصوى والدنيا. ثم تم حساب متوسط الأهمية المعيارية. ج عمق الطي الأسي لتحولات MAOC مقابل POC (المتوسط مع و الكمية) مع المقترنة -اختبار. و الاعتماد الجزئي الذي يظهر تأثير متوسط درجة الحرارة السنوية (MAT) على أعماق التآكل e-folding لكل من MAOC وPOC. MAP متوسط هطول الأمطار السنوي. NPP الإنتاجية الأولية الصافية. CEC سعة تبادل الكاتيونات. Bast تشبع القاعدة.
تُقدم بيانات المصدر كملف بيانات مصدر.
ارتفاع، درجة الحموضة، محتوى الطين بالإضافة إلى السلت، وعمق العينة، بينما شمل النموذج النهائي للغابة العشوائية لـ POC متوسط درجة الحرارة السنوية، ومتوسط هطول الأمطار السنوي، والإنتاجية الأولية الصافية، واستخدام الأراضي، والارتفاع، ودرجة الحموضة، ومحتوى الطين بالإضافة إلى السلت، وعمق العينة (الشكل 1 والشكل التكميلي 3).

علاوة على ذلك، التصديق المتقاطع -fold (مع ) تم استخدامه للتحقق من صحة نماذج الغابة العشوائية، وأظهرت نموذج الغابة العشوائية لدينا أداءً جيدًا (الشكل التوضيحي 4). لتوليد الخرائط الكمية والمكانية المحددة لمحتويات MAOC و POC، تم تجميع أو إعادة عينة المتنبئات العالمية بدقة بواسطة طبقات التربة ( ، و
تم استخدام طريقة إعادة التقدير 100 مرة لتوليد عدم اليقين في الخرائط العالمية (لكل عملية إعادة تقدير، تم أخذ عينة عشوائية من 90% من البيانات).

نموذج اليأس. تم اقتراح نموذج ذو حوضين لـ MAOC و POC وفقًا لإطار العمل Century (الشكل التوضيحي التكميلي 10):

أين هو عمق التربة، في إشارة إلى ، و على التوالي. هو تخصيص الإنتاجية الأولية الصافية إلى عمق التربة، الذي يشير إلى دراسة عالمية حديثة قامت بتحديد تخصيص الإنتاجية الأولية الصافية في تحت الأرض حسب نفس عمق التربة. . لذلك، حصلنا أولاً على متوسط الإنتاجية الأولية الصافية من MODIS من 2001 إلى 2023. ثم قمنا بحساب تخصيص الإنتاجية الأولية الصافية إلى ، و على التوالي. و هل MAOC و POC مجموعات من عمق التربة. و معدلات التحلل (العكس لزمن الدوران) لـ MAOC و POC، على التوالي. هو تحول SOC من MAOC إلى POC، بينما هو تحول SOC من POC إلى MAOC. و تمثل الانتشار والتدفق، على التوالي.

بالإشارة إلى نموذج الأراضي المجتمعية (CLM) تم استخدام انخفاض أسي في التحلل لأخذ تنظيم عمق التربة في الاعتبار على التحلل:

أين و هي أعماق الطي الأسي لدورات الكربون للـ MAOC و POC، على التوالي. هو عمق التربة الطبقة.

دمج البيانات. لدينا تقديرات عالمية أكثر قوة للإنتاجية مقارنة بالتنفس غير الذاتي. لذلك، إذا افترضنا أن التربة في حالة توازن تقريبًا، يمكننا حساب أحجام خزانات الحالة الثابتة لـ MAOC و POC بشكل تحليلي من خلال جعل المعادلات (1،2) تساوي صفرًا، أي حل شبه تحليلي لتسريع الدوران. تم استخدام الانعكاس الاحتمالي البايزي لمعايرة المعلمات في نموذج الحوضين. في نظرية بايز، دوال كثافة الاحتمال اللاحقة معلمات النموذج يمكن الحصول عليها من دوال كثافة الاحتمال السابقة للمعلمات ودالة الاحتمالية :

ال تم حسابه على افتراض أن الأخطاء بين أحواض الكربون المرصودة والنموذجية كانت مستقلة عن بعضها البعض وتبعت توزيع غاوسي متعدد المتغيرات بمتوسط صفر:

أين و هي خزانات الكربون الملاحظة والمودلة لطبقات التربة ، و بينما هو الانحراف المعياري للملاحظة.

لتوليد التوزيعات الخلفية لبارامترات النموذج، قمنا أولاً بتحديد نطاقات الأوليات لبارامترات النموذج في الجدول التكميلي 3 استنادًا إلى الأدبيات، والتخمين المدروس، واختبار الفرضيات. . على وجه التحديد، اقترحت دراسة سابقة للرأي أن POC و MAOC لديهما أوقات دوران غير واضحة من سنوات إلى عقود وعقود إلى قرون، على التوالي. هنا، تم تحديد نطاقات واسعة من أوقات الدوران (الجدول التكميلي 3). تم تحديد أعماق الطي الأسي على أنها 50 سم في CLM بالإشارة إلى دراسة واحدة من الملفات الشخصية لذلك، قمنا بتحديد مجموعة من النماذج الحالية ذات الدقة الرأسية، مثل CLM وأوركيد سُم محاكاة التحول العمودي لـ

نموذج SOC باستخدام عمليتي الانتشار والتدفق. ومع ذلك، لم يتم تحديد هذين التدفقين بشكل جيد في المجالات ذات الظروف المتنوعة. اقترحنا نطاقًا واسعًا نسبيًا لهذين العمليتين بالإشارة إلى وأوركيد سُم أخيرًا، وفقًا للتوزيعات العالمية للانتشار والتدفق التي تم تحسينها من خلال العمليات التالية، كانت مجموعتنا الأصلية مقبولة للانتشار والتدفق (غير متجمعة عند الحد الأعلى؛ الشكل التكميلي 11).

بمجرد أن حددنا نطاقات المعلمات، تم إجراء الانعكاس الاحتمالي باستخدام خوارزمية ميتروبوليس-هاستينغز، وهي تقنية سلسلة ماركوف مونت كارلو، لبناء باختصار، يتضمن خوارزمية ميتروبوليس-هاستينغز خطوة اقتراح وخطوة انتقال. في خطوة الاقتراح، يتم تعيين مجموعة جديدة من المعلمات يتم اقتراحه بناءً على مجموعة المعلمات المقبولة سابقًا وتوزيع الاقتراح:

أين و هي القيم القصوى والدنيا للمعلمات، هي متغير عشوائي بين -0.5 و 0.5، وD تُستخدم للتحكم في حجم الخطوة المقترح وتم تعيينها إلى في الخطوة المتحركة، تم اختبارها ضد معيار متروبوليس لفحص ما إذا كان يجب قبول مجموعة المعلمات الجديدة أو رفضها. تم التخلص من النصف الأول من العينات المقبولة واستخدام الباقي فقط للتوليد أي، كانت هذه المعلمات المحسّنة هي الأكثر دقة في التنبؤ بديناميات MAOC وPOC (الشكل التوضيحي التكميلي 10).

أوقات دوران MAOC ( ) و POC ( ) في الطبقات هي معكوس الثوابت الزمنية المعنية:

تم تنفيذ نموذج البركتين بمعدل دقة مكانية من أي، قمنا بتحسين معلمات النموذج لكل شبكة من خلال ملاحظة توزيعات الملف الشخصي لـ MAOC و POC. زمن الدوران للملف الشخصي بالكامل يمكن حسابه كمتوسط مرجح لزمن الدوران حسب أحجام المسابح لطبقات التربة المختلفة. كما استخدمنا الغابات العشوائية لاستكشاف تنظيم المناخ، والتضاريس، والنباتات، وخصائص التربة، وترسيب النيتروجين على أوقات الدوران وعمق التدهور الذاتي.

تم إجراء جميع التحليلات الإحصائية باستخدام R 4.2.2 (فريق R 2022).

الكود الذي يدعم نتائج هذه الدراسة متاح علنًا في figshare علىhttps://figshare.com/account/articles/25962769تم توفير بيانات المصدر مع هذه الورقة.

الكود الذي يدعم نتائج هذه الدراسة متاح علنًا في figshare علىhttps://figshare.com/account/articles/25962721.

نشكر تشنغ شي ويوانيون هوانغ على اقتراحاتهما بشأن هذه الدراسة. نشكر جميع الباحثين الذين تم استخدام بياناتهم في هذا التجميع العالمي. تم دعم هذا العمل ماليًا من قبل البرنامج الوطني الرئيسي للبحث والتطوير في الصين (2021YFD2200401)، ومؤسسة العلوم الطبيعية الوطنية في الصين (42377345)، وصناديق البحث الأساسية للجامعات المركزية (2572021CG07).

قام كل من C.R. وZ.Z. وG.W. بتصميم المشروع؛ جمع كل من C.R. وS. J. وA. C. وY. Y. وF. Z. البيانات؛ وأجرى كل من Z.Z. وB. Z. وM. D. وC.R.
تحليلات البيانات بمساعدة من Y.L. و Z.D. و G.Y. و C.W. و Z.K.; اقترح Z.Z. النموذج الجديد ذو الحوضين; كتب Z.Z. و C.R. المخطوطة; ساهم جميع المؤلفين في مناقشة النتائج وكتابة وتحرير الورقة.

يعلن المؤلفون عدم وجود مصالح متنافسة.

معلومات إضافية النسخة الإلكترونية تحتوي على مواد إضافية متاحة علىhttps://doi.org/10.1038/s41467-024-49743-7.

يجب توجيه المراسلات والطلبات للحصول على المواد إلى تشينغجي رين أو جيهونغ وي.

معلومات مراجعة الأقران تشكر مجلة Nature Communications المراجعين المجهولين على مساهمتهم في مراجعة هذا العمل. يتوفر ملف مراجعة الأقران.

معلومات إعادة الطباعة والتصاريح متاحة علىhttp://www.nature.com/reprints

ملاحظة الناشر: تظل شركة سبرينغر ناتشر محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.

الوصول المفتوح هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي النسب 4.0 الدولية، التي تسمح بالاستخدام والمشاركة والتكيف والتوزيع وإعادة الإنتاج بأي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح إذا ما تم إجراء تغييرات. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي الخاصة بالمقالة، ما لم يُشار إلى خلاف ذلك في سطر الائتمان للمواد. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي الخاصة بالمقالة وكان استخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، فسيتعين عليك الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارةhttp://creativecommons.org/رخصة/بواسطة/4.0/.
(ج) المؤلف(ون) 2024

Received: 3 January 2024
Accepted: 18 June 2024
Published online: 22 June 2024
(T) Check for updates

Soil organic carbon (SOC) persistence is predominantly governed by mineral protection, consequently, soil mineral-associated (MAOC) and particulate organic carbon (POC) turnovers have different impacts on the vulnerability of SOC to climate change. Here, we generate the global MAOC and POC maps using 8341 observations and then infer the turnover times of MAOC and POC by a data-model integration approach. Global MAOC and POC storages are (mean with and quantiles) and , while global mean MAOC and POC turnover times are and in the top meter, respectively. Climate warming-induced acceleration of MAOC and POC decomposition is greater in subsoil than that in topsoil. Overall, the global atlas of MAOC and POC turnover, together with the global distributions of MAOC and POC stocks, provide a benchmark for Earth system models to diagnose SOC-climate change feedback.

Soil organic carbon (SOC) is the property of terrestrial ecosystems due to its multi-functionality . Positive feedback to climate change would occur if SOC is transferred to the atmosphere by a warming-induced acceleration of its decomposition . Recent advances attest that the persistence of SOC to microbial decomposition is predominantly controlled by physical accessibility and isolation rather than its biochemical recalcitrance . Separating SOC into mineral-associated (MAOC) and particulate organic carbon (POC) consequently enables a more accurate prediction of soil vulnerability to climate change . Most Earth system models with unmeasurable Century and RothC carbon pools place low confidence on both spatial-temporal SOC
distribution and projection to climate change . Incorporating the measurable and biophysically defined MAOC and POC pools into Earth system models probably is an optimal approach to trace the fate of SOC under global change and would be the next generation of soil carbon cycling model .

The critical drivers and global distributions of MAOC and POC are not well quantified, and the corresponding data product with high accuracy is also lacking for modeling community. For example, Georgiou et al. have created a global map of MAOC but excluding much of the boreal region with a small dataset (1144 soil observations). Synthesizing 162 soil observations, a recent study suggested that topsoil in

cold regions was distributed predominantly by more vulnerable POC rather than by . MAOC with simple molecular compounds persists in soils over hundreds of years and is predominantly protected by minerals via van der Waals force, hydrogen bond, covalent bond, complexation, cation bridging, and pore sorption ; while POC with complex molecular compounds persists in soils up to decades relying on biochemical recalcitrance and aggregate protection . Therefore, the global distributions of MAOC and POC may be dependent on different factors. SOC storage capacity can be given as the product of carbon influx and turnover time . Assessing SOC turnover time can offer an insight into the SOC dynamics under environmental changes , which is estimated via multiple approaches, such as radiocarbon , remote sensing , and Earth-system models . In addition, subsoils ( ) contain more than half of global SOC stocks . However, the uncertainty of the response of SOC to climate warming increases with soil depth because the mechanisms that control deeper SOC’s turnover are still one of the largest challenges for soil carbon cycling . Although MAOC and POC turnovers have very different impacts on soil fertility and carbon emission , the global distributions of MAOC and POC turnover times across spatial and soil profiles, and their covariations with climate, topography, vegetation, and edaphic factors have not been quantified.

Here, we synthesized 8341 soil observations that separate the bulk SOC into MAOC and POC fractions globally (Supplementary Fig. 1 and 2). The current datasets spanned broadly along spatial and climatic gradients: latitude ranged from to , longitude ranged from to , mean annual temperature (MAT) ranged from to , while mean annual precipitation ranged from 58 mm to 3128 mm . We aimed to produce global maps of MAOC and POC by a machine learning approach, and to reveal the global spatial and profile distributions of turnover times of MAOC and POC using a data-assimilation approach.

We generate the MAOC and POC maps by soil layers of 0-20, , and using random forest model with high accuracy ( ). Global MAOC and POC storages are (mean with and quantiles from 100 -times bootstrapping) and in the top meter, respectively. We also propose a two-pool model including the measurable MAOC and POC to infer their turnover times along the soil profile. The global mean

MAOC and POC turnover times in the top meter are and yr, respectively. MAT is the most important factor for MAOC and POC turnovers and their distribution along the soil profile. Climate warming-induced acceleration of MAOC and POC decomposition is greater in subsoil than that in topsoil. Our global estimations of the stocks and turnover times of MAOC and POC would provide a benchmark for Earth system models to diagnose SOC-climate change feedback.

Geographical distributions of MAOC and POC were driven by multiple climate, topography, vegetation, and edaphic factors (Figs. 1 and 2; Supplementary Fig. 3). MAT, mean annual precipitation, net primary productivity, elevation, pH , clay plus silt content, and sampling depth were the best predictors of MAOC, which explained variance (Fig. 1). Land cover was also important for the spatial variation of POC, together with the above factors for MAOC, which explained variance for POC (Fig. 1). As expected, soils with greater carbon inputs (higher net primary productivity) and lower decomposition rate (lower MAT) have greater MAOC and POC (Fig. 2). There is controversy over whether MAOC is saturated . The objectors of the concept of MAOC saturation suggested that organic matter can bind to other organic matter bonded to minerals, in unlimited “skyscraper-like” structures . Here, the partial dependence plot showed that there was a saturation relationship between MAOC and net primary productivity (carbon inputs) considering the multiple covariates (Fig. 2). Therefore, our global dataset supported the concept of mineral-associated organic matter saturation.

Both MAOC and POC were higher in acidic soils (Fig. 2) because microbial activities are generally inhibited by low . In addition, soil pH was the second important predictor for the spatial variation of MAOC, because soil pH mediates many geochemical processes . Especially, carbon sorption onto soil minerals is pH -dependent, and mineral surfaces become less positive and organic ligands become more negative at higher pH , which would minimize the carbon sorption to mineral surfaces . The mechanisms of SOC stabilization shift with rising pH from predominantly organo-metal complexation,

Fig. 2 | Partial dependences showing the effects of predictors on mineralassociated and particulate organic carbon. a Partial dependences for mean annual temperature (MAT). b Partial dependences for mean annual precipitation (MAP). c Partial dependences for net primary productivity (NPP). d Partial dependences for upper sampling depth. e Partial dependences for bottom sampling
depth. Partial dependences for clay plus silt content (clay+silt). g Partial dependences for Partial dependences for elevation. i Partial dependences for land cover. F forests, GS grasslands and shrublands. Source data are provided as a Source Data file.
to association with short-range-order phases, to Ca complexation and cation bridging with phyllosilicates, increasing soil pH consequently decreases the accumulation of MAOC . Soil clay- and silt-size minerals provide the scaffolds and habitats for MAOC, together with the inhabitation of high clay plus silt content on microbial decomposition by other mechanisms, soil clay plus silt had positive effect on MAOC (Fig. 2). In addition, soil minerals can protect POC from microbial decomposition , and a recent study had provided the visible evidence that occlusion of organic matter into aggregates and formation of organo-mineral associations occur concurrently on . Land cover was important for POC but not for MAOC (Fig. 2 and Supplementary Fig. 3), implying that the quality of litter may have a weak influence on the formation of MAOC at a global scale. In addition, POC may be more sensitive to the conversion of natural land cover types to croplands than MAOC.

Finally, the 10 -fold validation showed that the random forest had good performance in predicting the global distributions of MAOC and

POC, with of 0.92 and 0.93 , respectively (Supplementary Fig. 4). We generated the MAOC and POC maps by soil layers of 0-20, 20-40, , and , respectively (Fig. 3; Supplementary Figs. 5 and 6). POC showed a shallower distribution than MAOC because POC was more dependent upon carbon inputs than soil properties (Figs. 1 and 3). We derived a global MAOC storage of Pg C and POC storage of in the top meter (Fig. 3). Totally, the global SOC storage is , which is well consistent with previous estimations from observations (ranged from 504 Pg C to 1849 Pg C) and modeled methods (ranged from 510 Pg C to 3040 Pg C) .

Using a proposed two-pool model and a data assimilation approach (see methods), the global mean MAOC and POC turnover times in the top meter of soils were estimated as and , respectively (Fig. 4). MAT is the most important factor for MAOC and POC

Fig. 3 | Global estimations of mineral-associated and particulate organic carbon storages. a Global map of mineral-associated organic carbon (MAOC) storage ( ). Global map of particulate organic carbon (POC) storage ( ). c Global soil organic carbon (SOC) storages from our estimation (bars) and
previous estimations from observations (blue boxplot) and modeled methods (black boxplot). The error bars are and quantiles from 100 -times bootstrapping. Center line, median. Box limits, upper and lower quartiles. Whiskers, 1.5 times interquartile range. Source data are provided as a Source Data file.
turnovers (Supplementary Figs. 7 and 8), supporting a previous viewpoint that temperature dominates the SOC turnover . Semi-arid, dry sub-humid, and humid regions had similar turnover-MAT relationships, but differed from the relationship in arid regions (Supplementary Fig. 8). Therefore, moisture can dominate the turnover in places that are highly water-limited, such as the long-term turnover times of MAOC and POC in desert regions (Fig. 4).

The turnover times of MAOC and POC were increased as increased soil depth (Fig. 4). Referring to the Community Land Model (CLM) , the reduced rate of decomposition rate with soil depth in our two-pool model was regulated by an e-folding depth for carbon turnover. A greater value of e-folding depth for carbon turnover represents a slower decrease in decomposition rates with increased soil depth, while a smaller value of e-folding depth for carbon turnover represents a more rapid one (see methods). MAT predominately controls the variations of e-folding depths for MAOC and POC turnovers (Fig. 5). First, cold land cover (tundra and boral forest) had shallower root distribution than warm ones (such as (sub)tropical forests and grasslands) . The absence of fresh carbon is suggested to be a critical mechanism that prevents the decomposition in deep soil layers because microbial activity was limited by an essential source of energy . Second, the slow SOC decomposition at subsoil could result from a lack of oxygen. Physically, warm climate would enhance the gaseous diffusivity between subsoil and atmosphere , subsoils in (sub)tropical regions consequently had lower oxygen limitation than that in cold regions. We also found that the e-folding depth for carbon turnover for POC was about 1.7 times as large as that of MAOC, indicating that an increase in soil depth had stronger inhibition on MAOC decomposition than that on POC. The total mineral surface is one of the most limiting factors influencing SOC bound to soil minerals. Compared with topsoil, subsoils had a greater carbon saturation deficit, while a greater carbon saturation deficit not only increases the stabilization of MAOC but also increases the transfer efficiency from POC to MAOC .

There are several limitations and uncertainties in the current study. First, like the limitation for all global synthesis, the soils were sampled by different methods, time, successional stage, repeatability, and so on, which would result in uncertainties. Second, the assumption of steady was suggested to improve the operability of data assimilation . Although SOC in ecosystems with anthropogenic disturbance, such as degraded and restored ecosystems, may not be at a steady state, previous studies have shown that such a disequilibrium component is minor for SOC pools considering its long turnover time . However, such an assumption of a steady state indeed introduces uncertainties. Third, the data points in Russia, Canada, and Africa are relatively small, which may limit the accuracy of our estimates of MAOC and POC in these regions, especially for permafrost in Russia and Canada, which are rich in SOC.

Despite the above limitations, to our knowledge, we presented the first global atlas of MAOC and POC turnover times using a big dataset of 8341 soil observations, together with the global distributions of MAOC and POC stocks, which provided a benchmark for Earth system models. Our findings supported that temperature dominantly controls both storage and turnover times of MAOC and POC. In addition, the positive effects of MAT on e-folding depths for both MAOC and POC turnovers imply that climate warming-induced increase in decomposition was greater in subsoil than that in topsoil. Therefore, the loss of MAOC and POC in deep soils may have positive feedback to climate change, it is urgent to prevent the SOC loss from deep soils.

An extensive literature survey was conducted through the Google Scholar and China National Knowledge Infrastructure databases until 2024 using keywords of “soil” “mineral-associated” and “carbon”.

Fig. 4 | Spatial and profile patterns of turnover times of mineral-associated and particulate organic carbon. a mineral-associated organic carbon (MAOC) turnover time ( ). particulate organic carbon (POC) turnover time
( ). c Profile patterns of turnover times of MAOC and POC. The error bars are and quantiles from 100 -times bootstrapping. Source data are provided as a Source Data file.

Differing from a recent global synthesis that collected MAOC passed through sieve (1144 entries) , but the sieve size varied greatly across all the entries, where sieve size has the largest proportion (60.1%), followed by sieve size ( ) and sieve size ( ). To reduce the sieve size impacts from different entries, our datasets just recorded the MAOC passed through sieve. We only included studies of synchronous reporting SOC, POC, and MAOC. Finally, our datasets included 8341 entries spanning from 1990 to 2022 (Supplementary Figs. 1 and 2).

To quantify the drivers of global distributions of POC and MAOC, we consider the effects of climate (MAT and mean annual precipitation), topography (elevation and slope), vegetation (net primary productivity and land cover types), soil properties (soil types, pH, clay plus silt content, base saturation, and cation exchange capacity), nitrogen deposition, sampling depth and time. These covariates were either recorded from the original studies or obtained from global datasets (Supplementary Table 1). The land cover was classified into tundra, boreal forest, temperate conifer forest, temperate broadleaf/mixed forest, (sub)tropical moist forest, (sub)tropical dry forest, montane grassland/shrubland, temperate grassland/shrubland, (sub)tropical grassland/shrubland, Mediterranean, desert, wetland, and cropland according to the Terrestrial Ecoregions of the World and the MODIS Land Cover product. Most of the data entries were from 2000-2021 (Supplementary Fig. 2), together with the time range of MODIS net primary productivity, we calculated the average annual temperature, precipitation, and net primary productivity from 2001 to 2021. Therefore, we kept the consistent times for climates, net primary productivity, MAOC, and POC.

Mapping global mineral-associated and particulate organic carbon. First, we compared the performances of six typical machine
learning algorithms, including random forest, extreme gradient boosting, support vector machines, recursive partitioning and regression trees, neural networks, and multivariable linear regression. We found that the random forest had the least root mean square error (Supplementary Table 2), therefore, random forest was used to general the global maps of MAOC and POC.

Second, semivariance was first calculated to explore the degree of spatial auto-correlation of MAOC and POC contents, while the semivariograms did not show strong spatial auto-correlation (Supplementary Fig. 9). In addition, Moran’s index was also used to test the significance of spatial autocorrelation in random forest models. A greater significantly positive Moran’s index indicates that there is spatial autocorrelation for a given variable at a specific distance threshold. Here, we did not find a significant spatial autocorrelation for MAOC and POC concentrations in random forest models (Supplementary Fig. 9).

Third, the “wrapper” method was used to select the covariates among climate (MAT and MAP), topography (elevation and slope), vegetation (net primary productivity and land cover types), soil properties (soil types, pH, clay plus silt content, base saturation, and cation exchange capacity), nitrogen deposition, sampling depth and time. Specifically, by re-calibrating a random forest model several times, each time removing the least important covariate, one may expect to considerably reduce the overall number of covariates with little or no decrease in model prediction accuracy. We used methods of impurity and permutation in the ranger function of the “ranger” package to quantify the importance of predictors, we then normalized the two types of importance to the interval of according to their maximum and minimum values. The mean of the normalized importance was used. The final random forest model for MAOC included MAT, mean annual precipitation, net primary productivity,

Fig. 5 | Factors influencing the reduced rate of decomposition rate with soil depth. and Importance of predictors for e-folding depths for mineralassociated (MAOC) and particulate organic carbon (POC) turnovers, respectively. A greater value of e-folding depth for carbon turnover represents a slower reduced rate of decomposition rate with increased soil depth, while a smaller value of e-folding depth for carbon turnover represents a more rapid one. Two types of importance (impurity and permutation) were first normalized to the interval of [ 0 ,

1] according to their maximum and minimum values. The mean of the normalized importance was then calculated. c The e-folding depths for MAOC vs. POC turnovers (mean with and quantiles) with paired -test. and Partial dependence showing the effect of mean annual temperature (MAT) on e-folding depths for MAOC and POC turnovers, respectively. MAP mean annual precipitation. NPP net primary productivity. CEC cation exchange capacity. Bast base saturation.
Source data are provided as a Source Data file.
elevation, pH, clay plus silt content, and sampling depth, while the final random forest model for POC included MAT, mean annual precipitation, net primary productivity, land cover, elevation, pH , clay plus silt content, and sampling depth (Fig. 1 and Supplementary Fig. 3).

Furthermore, -fold cross-validation (with ) was used to validate the random forest models, and our random forest model showed good performance (Supplementary Fig. 4). To generate the spatially-explicit and quantitative maps of MAOC and POC contents, the global predictors were aggregated or resampled at a resolution of by soil layers ( , and
). The 100 -time bootstrapping was used to generate the uncertainties of global maps (for each bootstrapping, 90% of the data were randomly sampled).

Model desperation. A two-pool model of MAOC and POC was proposed following the framework Century (Supplementary Fig. 10):

where is th soil depth, referring to , and , respectively. is net primary productivity allocation into th soil depth, which refers to a recent global study that has quantified the allocation of net primary productivity into belowground by the same soil depth . Therefore, we firstly obtained the averaged MODIS net primary productivity from 2001 to 2023. We then calculated the net primary productivity allocation into , and , respectively. and are MAOC and POC pools of th soil depth. and are the decomposition rates (inverse of turnover time) of MAOC and POC, respectively. is SOC transformation from MAOC to POC, while is SOC transformation from POC to MAOC. and represent the diffusion and advection, respectively.

Referring to Community Land Model (CLM) , an exponential decrease in decomposition was used to account for the regulation of soil depth on decomposition:

where and are the e-folding depths for carbon turnovers for MAOC and POC, respectively. is the soil depth of th layer.

Data assimilation. We have more robust global estimates of productivity than of heterotrophic respiration. Therefore, if we assume that soils are approximately at a steady state, we can analytically calculate the steady-state pool sizes of MAOC and POC by letting Eqs. ( 1,2 ) equal zero, i.e., a semi-analytical solution to accelerate spin . Bayesian probabilistic inversion was used to calibrate the parameters in the two-pools model . In Bayes’ theorem, the posterior probability density functions of model parameters can be obtained from prior probability density functions of the parameters and the likelihood function :

The was calculated with the assumption that errors between observed and modeled C pools were independent of each other and followed a multivariate Gaussian distribution with a zero mean:

where and are the observed and modeled carbon pools of soil layers of , and , while is the standard deviation of observation.

To generate the posterior distributions of model parameters, we first specified the prior ranges of the model parameters in Supplementary Table 3 based on the literature, educated guess, and hypothesis testing . Specifically, a previous opinion study proposed that POC and MAOC have vague turnover times of years to decades and decades to centuries, respectively. Here, the wide ranges of turnover times were set (Supplementary Table 3). The e-folding depths were set as 50 cm in CLM referring to one study of profiles , therefore, we set a range of . The current vertically resolved models, such as CLM and ORCHIDEE-SOM , simulate the vertical transformation of

SOC using two processes of diffusion and advection. However, these two fluxes were not well quantified in fields with diverse conditions. We proposed a relatively wide of range for these two processes by referring to and ORCHIDEE-SOM . Finally, according to the global distributions of diffusion and advection optimized by the following processes, our original set was acceptable for diffusion and advection (not clustered to the upper limit; Supplementary Fig. 11).

Once we specified the parameter ranges, the probabilistic inversion was carried on using the Metropolise-Hastings algorithm, a Markov Chain Monte Carlo technique, to construct the . Briefly, the Metropolise-Hastings algorithm includes a proposing step and a moving step. In the proposing step, a new parameter set is proposed based on the previously accepted parameter set and a proposal distribution:

where and are the maximum and minimum values of parameters, is a random variable between -0.5 and 0.5 , and D is used to control the proposed step size and was set to . In the moving step, was tested against the Metropolis criterion to examine if the new parameter set should be accepted or rejected. The first half of the accepted samples were discarded and only the rest were used to generate , i.e., these optimized parameters had the greatest accuracy in predicting the MAOC and POC dynamics (Supplementary Fig. 10).

The turnover times of MAOC ( ) and POC ( ) in th layers are the reciprocal of corresponding decay constants:

The two-pool model was conducted with a spatial resolution of , i.e., we optimized model parameters for each grid by observing profile distributions of MAOC and POC. The turnover time of the whole profile can be calculated as the weighted mean of turnover time by pool sizes of different soil layers. We also used random forests to explore the regulation of climate, topography, vegetation, soil properties, and nitrogen deposition on turnover times and the e-folding depth of intrinsic decomposition rates.

All the statistical analyses were performed in R 4.2.2 (R Core Team 2022).

The code that supports the findings of this study are openly available in figshare at https://figshare.com/account/articles/25962769. Source data are provided with this paper.

The code that supports the findings of this study are openly available in figshare at https://figshare.com/account/articles/25962721.

We thank Zheng Shi and Yuanyuan Huang for their suggestions on this study. We thank all the researchers whose data were used in this global synthesis. This work was financially supported by the National Key Research and Development Program of China (2021YFD2200401), the National Natural Science Foundation of China (42377345), and the Fundamental Research Funds for the Central Universities (2572021CG07).

C.R., Z.Z. and G.W. conceived and designed the project; C.R., S. J., A. C., Y. Y. and F. Z. collected the data; Z.Z., B. Z., M. D. and C.R. conducted the
data analyses with help from Y.L., Z. D., G.Y., C.W. and Z.K.; Z.Z. proposed the new two-pool model; Z.Z. and C.R. wrote the manuscript; All authors contributed to discussing the results, writing, and editing the paper.

The authors declare no competing interests.

Supplementary information The online version contains supplementary material available at https://doi.org/10.1038/s41467-024-49743-7.

Correspondence and requests for materials should be addressed to Chengjie Ren or Gehong Wei.

Peer review information Nature Communications thanks the anonymous reviewers for their contribution to the peer review of this work. A peer review file is available.

Reprints and permissions information is available at http://www.nature.com/reprints

Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/ licenses/by/4.0/.
(c) The Author(s) 2024