中国农业大学苏伟教授课题组ESSD发布中国1985-2020年1km分辨率土壤有机碳密度数据集

一、研究成果简介

二、主要信息

文章标题：A 1 km soil organic carbon density dataset with depth of 20 and 100 cm from 1985 to 2020 in China

第一作者：董镱（东华理工大学）、王新婷（中国农业大学）

通讯作者：苏伟 教授 中国农业大学

发表日期：2026年2月

期刊：《Earth System Science Data》

期刊分区及影响因子：中科院1区top（11.6）

原文链接：https://doi.org/10.5194/essd-18-759-2026

三、研究亮点

构建长时序、高分辨率的国家级SOCD数据集

采用“气候分区”随机森林建模策略

     突破了大尺度环境异质性对预测精度的限制，显著提升了模型性能。针对中国地域辽阔、环境复杂的特点，研究团队并未采用单一的全局模型，而是开发了基于气候分区（湿润、半湿润、半干旱、干旱区）的随机森林（RF）方法 。验证结果表明，相比于全局模型，引入气候分区策略后，0-20 cm深度的预测精度从0.46提升至0.63，RMSE显著降低，有效解决了单一模型在不同气候带下“水土不服”的问题 。

多源独立验证证实数据精度优于全球主流产品

    通过了严格的“独立数据集+全球产品对比”双重检验，数据质量可靠。研究利用黑河流域实测数据和他人研究论文中的独立数据集进行了交叉验证，结果显示具有极高的一致性。此外，在与HWSD v2.0、GSOCmap等全球主流数据集对比中，本数据集展现出更优的精度，尤其是与SoilGrids250m的一致性最高，证明其更适合中国本土的土壤碳库评估 。

四、主要图文

图1 采样点空间分布。研究团队收集整理了累计 11743 个土壤剖面的实测数据，构建了庞大的样本库，图中展示了采样点在不同气候带中的分布，涵盖了多种生态系统。直观展示了采样点的地理位置。可以看出，采样点在东北平原、西南地区及东南沿海分布较为密集，为模型在这些关键区域的精准预测提供了坚实的数据支撑；同时也尽最大可能覆盖了西北干旱区等数据稀缺区域。蓝色点代表1980s，红色点代表2000s，米色点代表2010s，体现了长时序数据的连续性

图2 “分区” vs “全局”模型精度对比。 散点图直观展示了模型改进的效果：相比于传统的全局模型（左侧 a/c），采用气候分区建模（右侧 b/d）后，无论是0-20 cm还是0-100 cm深度，预测值与实测值的拟合度均显著提升，均方根误差（RMSE）大幅下降。

图3 与全球SOCD产品对比。通过与SoilGrids250m、GSOCmap和HWSD v2.0三大全球数据集的交叉验证，本研究生成的SOCD数据与SoilGrids250m展现出最高的一致性，证明了该数据集在中国区域具有较高的可靠性，能更精细地刻画本土土壤特征 。

图4 中国土壤有机碳密度（SOCD）空间分布图（0-20 cm）。 红色代表高值区，清晰地展示了东北平原、西南高原及东南部山区的富碳特征；蓝色代表低值区，主要分布在西北干旱荒漠。该图不仅展示了“东高西低”的空间格局，也反映了长达35年（1985-2020）的时空动态演变。

五、相关推荐

• Dong Y, Xuan F, Huang X, et al. A 30-m annual corn residue coverage dataset from 2013 to 2021 in Northeast China[J]. Scientific Data, 2024, 11(1): 216.

• Dong Y, Wang X, Wang S, et al. Enhancing soil organic carbon prediction by unraveling the role of crop residue coverage using interpretable machine learning[J]. Geoderma, 2025, 455: 117225.

• Dong Y, Wang X, Su W. A 1 km soil organic carbon density dataset with depth of 20 and 100 cm from 1985 to 2020 in China[J]. Earth System Science Data, 2026, 18(2): 759-777.

• Shi G, Sun W, Shangguan W, et al. A China dataset of soil properties for land surface modelling (version 2, CSDLv2)[J]. Earth System Science Data, 2025, 17(2): 517-543.

• Li H, Wu Y, Liu S, et al. Decipher soil organic carbon dynamics and driving forces across China using machine learning[J]. Global Change Biology, 2022, 28(10): 3394-3410.

• Chen Z, Chen L, Lu R, et al. A national soil organic carbon density dataset (2010–2024) in China[J]. Scientific Data, 2025, 12(1): 1480.