经济论文哪里有？笔者通过收集涉及土壤理化、地形、气象及植被等各方面的环境变量因子，进行相关性分析，以及对土壤有机碳的作用机制。采用多种变量筛选策略，及多种模型的模拟比较，根据线性模型、机器学习算法的模型比较得到最优模型，以期为黄河源区土壤有机碳含量的模拟提供更加精确的指导。
第一章 绪论
1.2 土壤有机碳的国内外研究进展
1.2.1 土壤有机碳的影响因子研究进展
土壤有机碳一定程度上反映土壤健康状况（李玉强等，2005）。土壤有机碳储量的大小是由植被产生的碳输入与土壤呼吸和微生物分解的碳损失之间的相互平衡决定的（Bai et al., 2010）。土壤有机碳储量是影响生态系统稳定性的重要控制因素，然而其大小受多种因素相互作用的控制。主要受自然如气候、植被；人为如开垦、禁牧及种植人工草地等的影响。在本文中将土壤有机碳的主要受控因子归为气候、地形、植被、土壤理化等。
1.2.1.1 气候因子
气候因子主要从输入、输出方面影响土壤有机碳储量，一方面通过制约植被类型及生产力影响土壤有机碳输入量（Sutfin et al., 2016）；另一方面，通过影响起主要驱动作用的微生物等的分解转化作用及土壤水分、土壤通气性等条件的变化影响土壤有机碳的输出量（Davidson et al., 2000）。长期以来，气候也影响植物生产力和土壤碳输入，在潮湿的气候条件下，碳的输入和碳的积累被认为是影响植物生物量的最主要因素，土壤碳储量在冷湿生物群落中最高，在热干生物群落中最低。
温度和水分影响土壤有机碳储量（周莉等，2005）。不应孤立地看待温度，例如，温度影响蒸散量，影响土壤含水量，影响土壤有机质（SOM）的分解。温度小于 10℃时，含量会相应增加（Knoepp et al., 2002；李玉强等，2005）。温度影响微生物、酶等的活性，升温增强微生物活性，进而导致土壤碳含量下降（Rustad et al., 2001）。在我国，降水的季节变化及空间异质性很明显，这将改变土壤微生物厌氧和好氧过程，使得土壤有机碳的含量产生变化（吕韶利，2018）。
第三章 影响土壤有机碳储量的环境变量
3.1 土壤有机碳和环境变量的描述性统计
3.1.1 SOC 实测值和地形因子的描述性统计
SOC 的平均值、最小、最大值分别为 73.58g/kg、2.73 g/kg、390.80 g/kg（表3-1）。地形因子中经度范围为 97.25-103.32，纬度范围为 32.35-35.88，高程范围在 2766.10m 和 4873.00m 之间。坡向最大值为 358.73，坡度最大值为 9.72。
土壤有机碳与地形因子和土壤理化因子的相关性较为微弱，与气象因子中的温度有显著的负相关关系，和降水正相关。土壤有机碳与地形因子中的高程（alti）、坡度（slop）、坡向（aspect）的相关性较为微弱，相关系数仅介于-0.04~0，与经度（long）的相关系数为 0.23，与纬度的相关系数为-0.36（表 3-5）。就土壤理化来说，SOC 和 clay1、clay2 显著正相关，相关系数分别为 0.13、0.18，和 pH 显著负相关（ -0.24 ）。与 表层砂粒粘粒比（sand1/clay1 ）、深层砂粒粘粒比（sand2/clay2）、容重（BL）有较为微弱的正相关关系，相关系数在 0.02 和 0.06之间。而与表层砂粒含量（sand1）和深层砂粒含量（sand2）有较为微弱的负相关关系，相关系数均为-0.03。在气象因子中，SOC 与积温（JW）、冬季夜间地温（LsTND）有显著的负向相关关系（P<0.01），相关系数分别为-0.29、-0.27；和年降水（NJS）显著正相关，相关系数为 0.22。
第五章 黄河源区土壤有机碳含量的空间分布格局
5.1 基于最优模型的黄河源区土壤有机碳数字制图
5.1.1 黄河源区 SOC 总体格局
2020 年黄河源区总 SOC 储量为 8.32× 1012TC，SOC 含量的平均值为58.45g/kg。SOC 含量呈现东南多、西北少，由东南向西北减少的趋势（图 5-1）。这与黄河源区气温和降水的变化趋势一致，与地形特征和植物覆盖度的变化趋势也一致。
5.1.2 黄河源区 SOC 在不同草地类型下的分布格局
草地类型不同，其生产效率不同，加之面积不同，导致了不同草地类型间总SOC 的巨大差异。其中高山草甸类的总 SOC 储量最大，微温潮湿针叶阔叶混交林类最小（表 5-1）。就 SOC 总量来说，高山草甸类的 SOC 总量最大，为 505.69×1010TC，其次是寒温潮湿寒温性针叶林类达到 308.01× 1010TC，微温潮湿针叶阔叶混交林类的 SOC 总量最小，仅为 0.0097× 1010TC。不同草地类型的 SOC 均值有很大的差异。
5.2 讨论
为大尺度范围下数字土壤制图提供模型借鉴。青藏高原平均海拔超过 4400m，土壤发育程度较低，天然草地面积占总面积的比重高，致其生态环境脆弱。近年来随着全球变暖和人类活动的影响，青藏高原土壤退化严重，影响土壤有机质含量，为了更好的进行草地土壤资源的合理利用和管理，需要有土壤空间分布等信息来进行有力支撑（庞龙辉等，2019）。而土壤数字制图可以更加精确的预测土壤有机质空间分布特征。传统的土壤制图方法有统计方法（Moore et al., 1993）、地统计方法（Minasny et al., 2012）、专家系统方法（朱阿兴，2009），适用于小范围内土壤有机质空间分布的研究，而由于在大尺度环境中土壤特性与环境因素和样本密度之间存在非线性关系，使得传统方法不够精确（周银，2018）。近年来随着数据挖掘技术在大区域数字土壤制图中的应用，随机森林土壤数字制图法（庞龙辉等，2019）、支持向量机土壤数字制图法（Ding et al., 2016）、决策树土壤数字制图法（Viscarra Rossel et al., 2014）等多种方法涌现，有效的提高了土壤数字制图的精度，为大尺度有机质分布的研究提供可能。大尺度范围下土壤有机碳和环境变量的复杂关系难以通过单一的模型表达清楚，本研究采用 LGBM 数据挖掘方法，在土壤有机碳实测数据支持的前提下，得到的最优模拟模型精度大大提高。为未来复杂地形和更大尺度范围内的数字土壤制图提供新的借鉴。
第六章 结论和展望
6.1 主要结论
了解不同环境变量对于黄河源区土壤有机碳的作用机制，从而通过模型模拟的方法准确估测出 SOC 含量，对草地资源的可持续利用及土壤资源的有效管理都具有非常重要的作用。通过收集涉及土壤理化、地形、气象及植被等各方面的环境变量因子，进行相关性分析，以及对土壤有机碳的作用机制。采用多种变量筛选策略，及多种模型的模拟比较，根据线性模型、机器学习算法的模型比较得到最优模型，以期为黄河源区土壤有机碳含量的模拟提供更加精确的指导。主要结论如下：
（1）将环境变量划分为地形、土壤理化、气象、植被和 MODIS 遥感指标等因子。其中，SOC 实测值的平均、最小、最大值分别为 73.58g/kg、2.73 g/kg、390.80 g/kg。
（2）土壤有机碳与地形因子和土壤理化因子的相关性较为微弱，与气象因子中的温度有显著的负相关关系，和降水正相关。具体来说，在地形因子中，SOC与经度正相关（0.23），与纬度负相关（-0.36）。就土壤理化因子来说，SOC 和表层粘粒含量（clay1）、深层黏粒含量（clay2）显著正相关，相关系数分别为 0.13、0.18，和 pH 值显著负相关（-0.24）。在气象因子中，SOC 与积温（JW）、冬季夜间地温（LsTND）有显著的负向相关关系（P<0.01），相关系数分别为-0.29、-0.27；与年降水（NJS）显著正相关，相关系数为 0.22。土壤有机碳和植被因子中的 26个因子均有显著的相关性（P<0.05），和遥感指标中的 24 个因子有显著的相关关系（P<0.05）。
（3）变量筛选中，变量纬度（lati）、高程（slop）、积温（JW）、年降水（NJS）、pH 值、冬季的波段 7（b7D）在三种变量筛选中均入选，对土壤有机碳含量有显著影响。使用逐步回归模型、岭回归模型以及 LASSO 回归模型分析环境变量对土壤有机碳的影响，在逐步回归分析中一共保留了纬度（lati）、坡度（slop）、≥0℃积温（JW）、年降水（NJS）等 13 个变量；在岭回归分析中保留了 lati、slop、clay1、clay2、sand2、pH、EVID 等在内的 30 个变量；在 LASSO 回归分析中保留了 lati、slop、JW、NJS、clay2、pH、BD、ED、DD、b6D、b7D、Ls TDX 12个变量。
参考文献（略）
