NEW PHYTOLOGIST|法国国家科学研究中心生态功能与环境实验室编制了一个关于土壤藻类的广泛数据集并通过机器学习建模来预测它们在全球范围内的生产力。
土壤是全球碳(C)循环的关键组成部分，对减缓气候变化有至关重要作用，是陆地上最大的有机质储存库。土壤有机碳库的大小很大程度上取决于微生物，许多土壤微生物能够固定二氧化碳，其中通过光合作用固定大气CO2的土壤光自养微生物通常被称为土壤藻类，而其他微生物则通过几种代谢途径和反应利用化学自养或异养来固定CO2。
土壤藻类只占土壤微生物群生物量的一小部分，通常被认为对土壤碳吸收无关紧要， 但我们对土壤藻类在广泛空间尺度上的生态偏好性理解仍然很有限。土壤藻类出现在一系列表层土壤中，包含非常多的原核生物和微真核生物，其中蓝藻和绿藻是土壤藻类多样性调查中最常被报道的门类。
土壤藻类在旱地得到了广泛的研究，光自养生物结壳通常是土壤系统中碳的主要来源，然而，很少有研究考虑到微观藻类在其他生态系统中对土壤碳输入的重要性。因此，在全球范围内，从对土壤碳吸收的贡献到土壤碳的稳定和封存角度，生成关于土壤藻类分布和生产力的定量、空间明确信息对于理解微生物对土壤碳动态的控制至关重要。
本文中，作者整理了涵盖主要陆地生物群系203个地理参考地点的土壤藻类丰度和净初级生产力（NPP）数据, 进行了生物群系水平的分析，揭示了土壤藻类丰度和NPP的主要模式。其次，通过使用55个全球气候、土壤和植被特征层的叠加，确定了生物群系中土壤藻类丰度和NPP的主要驱动因素。最后，利用地理空间机器学习(ML)技术生成了全球1公里分辨率的土壤藻类净碳固定图，并估算它们对陆地NPP的全球贡献。
1、土壤藻类密度和净初级生产力的生物群系水平格局
图1 样地和丰度、年净初级生产力(NPP)和对总NPP的贡献。(a) 从文献和未发表的数据中收集了203个地理参考数据点，并按生物群系分类；(b)整体上；(c) 生物群落类别上
土壤藻类丰度(每克干土103个细胞)在湿地(中位数= 1036)、草地(中位数= 410)、阔叶常绿森林(中位数= 202)和农田(中位数= 161)中最高，而在旱地(中位数= 85)、阔叶和混交林(中位数= 59)、高山和极地土地(中位数= 20)中密度最低(图1c)。平均来说，每克表层土壤中有106个藻类，土壤藻类对年NPP的贡献为30（gCm2）, 土壤藻类NPP占陆地NPP的10.3%，而土壤藻类丰度和生产力随着环境有利度的增加而同时增加。
图2 控制土壤藻类丰度和净初级生产力的环境因子。Boruta算法评估不同环境预测因子对(a)土壤藻类丰度的影响和(b) NPP的相关性。
作者发现气候(即温度和降水)是土壤中总藻类密度全球分布的主要驱动因素。然而，植物覆盖和土壤特征（即土壤水分、土壤有机碳含量和pH值）与气候同样重要，特别是年平均气温和降水、植被覆盖和土壤湿度，具有强烈的积极影响，而pH值的增加对土壤总藻类丰度有负面影响。因此在酸性、潮湿和植被地区，土壤藻类广泛存在，绝对数量更丰富，在这些地区，土壤藻类对陆地生产力的贡献尤为重要。
2、土壤藻类净初级生产力的全球生物地理学
图3 30弧秒像素的元尺度下全球土壤藻类净初级生产力(NPP)
(a)表层土壤土壤藻类的NPP；(b) 变异系数作为衡量土壤藻类初级生产力预测精度的指标
作者使用空间无偏随机森林(RF)模型(空间CV方法)来提高全球观测到的土壤藻类NPP，并绘制土壤藻类NPP的全球分布(图3)。由图3a可知，土壤藻固碳率在2.3±0.3到84±32.4 Cm-2 yr-1之间，土壤藻类NPP的四个热点地区包括北美洲东北部 、南美洲东南部、中欧和西欧以及东亚，这四个热点地区以农田和森林为主，这与经验观测结果(图1c)吻合。
图4 (a)土壤藻类净初级生产力(NPP)热点地区的优势土地利用；(b) 土壤藻类NPP总量
从全球综合来看，土壤藻类NPP为每年3.6 Pg C，略高于苔藓和地衣。与以往研究不同的是，评估范围包括了整个地面，不仅包括旱地，而且包括许多湿润地区，如农田、雨林和湿地，这些地区的藻类NPP值比旱地高2至8倍。此外，以前的评估对象主要包括蓝藻的NPP，许多蓝藻是兼性异养菌，当它们从植物那里获得C时，它们经常将自己的光合作用下调到其最大速率的近10%。
综上所述，作者的综合研究对土壤藻类的分布和微生物光合作用在土壤碳吸收中的全球重要性进行了最全面的评估。结果表明，微生物光合作用不仅是水生生态系统的主要组成部分，而且在大多数陆地生物群系中也是如此。土壤藻类每年增加3.6 Pg，陆地碳净吸收量的1倍，相当于全球人为碳排放的31%。土壤藻类与非光养微生物一起固定二氧化碳，是全球土壤C平衡的主要参与者。
文章来源：Contribution of soil algae to the global carbon cycle.
New Phytologist (2022) 234: 64–76. doi: 10.1111/nph.17950
