水库近岸湿地(消落带)土壤N2O释放和反硝化作用是消落带氮的生物地球化学过程的重要组成部分.以三峡水库支流澎溪河高阳平湖库湾消落带为研究对象,于2013年落干初期,采用C2H2抑制-原状土柱培养法研究该处自然植被恢复区、农耕区和对照组等不同土地类型土壤的N2O释放速率和反硝化速率,并测定了土壤p H值、氧化还原电位、温度、有机质、总氮、铵态氮、硝态氮和土壤孔隙含水量等环境指标.结果表明,自然植被恢复区土壤N2O释放速率为9.88±6.49 g N/(hm2·d),反硝化速率为58.94±52.84 g N/(hm2·d);农耕区土壤N2O释放速率和反硝化速率分别为7.71±4.44和30.70±25.68 g N/(hm2·d).不同土地类型间N2O释放速率差异显著,落干初期土壤氧含量、含水量及氮含量对不同土地类型N2O释放和反硝化作用影响明显.土壤氧含量的升高促进了自然植被恢复区的N2O释放,并在一定程度上抑制了该区域反硝化作用.农耕区土壤含水量高于自然植被恢复区,可能致使N2O释放速率低于自然植被恢复区,而反硝化速率高于自然植被恢复区.消落带土壤氮含量降低同反硝化速率降低有一定联系.
【背景】随着新型台站和测序方法的迅猛发展,微生物生态学数据已经呈现出爆炸式的增长,为理解微生物在全球生态系统中的功能提供了坚实的基础。然而,这些庞大的数据集的处理和分析对传统方法来说是一个挑战,机器学习因其在处理大数据方面的优势而成为解决这一问题的关键技术。【目的】基于文献计量学,本文全面探索机器学习在微生物生态学研究中的应用,包括其发展趋势、现状及热点,为未来机器学习和微生物生态研究的结合指明方向。【方法】获取并分析Web of Science(WOS)核心合集数据库中1991–2023年间发表的相关文献,运用可视化软件CiteSpace探究发文量演变特征、国际合作情况及学科交叉现状,利用Carrot2对文本数据进行挖掘,构建可视化知识图谱。【结果】机器学习在微生物生态学研究中应用的数量以2018年为界经历了稳定增长和暴发增长两个时期,相关应用正逐渐成为各国研究的热点,研究成果持续增长,相关学科之间的交叉融合越来越紧密,特别是微生物生态学与化学、物理、环境、计算机等学科之间的合作,为科学研究的进展提供了新的视角。机器学习在微生物生态学中的应用广泛。在早期,研究主要集中在序列识别和物种分类上。自2018年以来,随着深度学习和计算机视觉技术的发展,研究焦点转向复杂系统的预测。这两个时期关键词的对比展示了机器学习技术在微生物生态学中的应用从基础的数据处理和分析逐渐转向更加复杂、高级的预测模型。【结论】基于文献计量分析结果,结合机器学习在微生物生态中应用的数据缺乏、模型选择困难和可解释性差等挑战,后续研究应更加重视国际合作和数据共享,加强学科交流,推动可解释机器学习的发展。
