科创中国

本发明一种基于深度学习的土壤微生物残体碳预测方法及训练方法，该训练方法包括：获取不同土壤位点分别对应的归一化后的多类环境参数数据，每个土壤位点对应具有归一化后的土壤微生物残体碳含量；针对每个土壤位点，将归一化后的多类环境参数数据输入到自编码器以进行逐层无监督预训练，提取环境变量高层特征；将环境变量高层特征输入到回归器，输出土壤微生物残体碳预测数据，其中回归器和预训练后的自编码器构成栈式自编码网络；根据土壤微生物残体碳含量和土壤微生物残体碳预测数据，对栈式自编码网络的网络参数进行调节，得到训练后的土壤微生物残体碳预测模型。本发明在气候变化条件下简便、精确地对土壤微生物残体碳含量进行预测。

本发明针对获取的不同土壤位点的多类环境参数数据和土壤MNC含量建立训练样本，对构建的土壤MNC预测模型进行训练后，最后得到土壤MNC预测模型，可对待预测数据样本对应的土壤MNC进行预测。由于训练后得到的模型中提取了能影响土壤MNC变化的多类环境参数的高层特征，可覆盖较广区域内不同位点的多类环境参数，而不局限于小规模的野外定点区域，也无需长期野外实验，可较为精确地对土壤MNC进行预测，为预测未来气候变化条件下土壤MNC的全球性变化提供了便捷的方法。

MNC作为土壤碳库的惰性组分，在气候变化下的波动可以表征土壤碳的封存能力。因此，估算未来气候变化条件下MNC的区域性或全球性变化，可以帮助人们探究未来土壤固碳能力和碳储量的变化。现有研究多局限于对MNC的环境驱动因素进行定性探索，而缺乏区域范围内的大规模定量研究。本发明一种基于深度学习的土壤微生物残体碳预测方法及训练方法，可在短时间内模拟未来气候变化对于土壤持久性碳库碳储量的影响，应用前景广阔。

实验室固定研究人员26人，其中研究员6人（国家杰出青年基金获得者1人，优秀青年基金获得者1人），副研究员8人，助理研究员12人。博士后8人，博士研究生33人，硕士研究生24人，客座学生9人。

本成果在气候变化条件下可简便、精确地对土壤微生物残体碳含量进行预测，表征土壤碳的封存能力，对于增加土壤有机质，从而减少碳排放并提高土壤质量具有积极意义，有利于推动增加农作物生产力，实现农业可持续发展。

本科技成果支持技术转让，服务等多种方式，有针对性进行指导转化