物理机制AI首次量化全球海底沉积物的溶解有机碳循环

原文：Global cycling of dissolved organic carbon between seawater and sediments quantified using physics-based artificial intelligence.
期刊：Innovation (Cambridge (Mass.))（影响因子 25.7） |  PubMed | PMC 全文（含 PDF）

研究背景：海洋里最大的"活跃碳库"从哪来？

溶解有机碳（DOC）是地球碳循环中的关键角色。海水中DOC构成了全球最大的活跃有机碳储库，其碳量可与大气中的CO₂碳含量相当，直接影响生物地球化学循环、大气成分与气候。然而，海洋沉积物与海水之间DOC的交换过程极为复杂——DOC分子种类多、寿命短，野外测量困难；已有的全球评估多基于"只考虑扩散"的模型或简单经验关系，忽略了生物扰动、埋藏、水解、矿物吸附和地质聚合等关键过程。因此，全球尺度上"海底沉积物到底向海水释放了多少DOC、又保存了多少"一直是个未解之谜。

核心发现：深海平原贡献被严重低估

发表于《Innovation》（影响因子25.7）的这项研究，首次利用"基于物理机制的人工智能（physics-based AI）"给出了全球尺度答案。研究团队发现：全球海底沉降的颗粒有机碳（POC）中，高达11%会在沉积物内经水解后以DOC形式返回海水，这一通量约相当于河流输入海洋DOC通量的一半。同时，上层一米沉积物中约50%的固相有机碳是通过DOC吸附到矿物表面而形成的（即矿物结合有机碳，MOC）。

更值得注意的是，深海平原（abyssal plain）对全球DOC外排和保存的贡献，相当于大陆边缘贡献的一半——而这一区域在以往碳循环研究中几乎被完全忽略。图1展示了沉积物中有机碳循环的概念模型：POC水解生成不同活性的DOC库，再经水解、地质聚合（形成地质聚合物质GPS）或与矿物作用被保存（图1）。

方法亮点：用AI"模拟"复杂机理模型，简单算法反而更好

研究团队先运行了一个前沿的"多组分反应传输模型（RTM）"超过1000次（蒙特卡洛方法），生成训练数据；再用四种AI技术——人工神经网络（ANN）、贝叶斯正则化ANN、随机森林（RF）和深度学习卷积神经网络（CNN）——训练"仿真器（emulator）"，学习RTM中的物理与生物地球化学机制（图2）。随后将仿真器应用到全球海底，预测9类输出通量与保存速率。

一个反直觉的结论是：结构更简单的AI算法（如ANN、随机森林）在给定输入因子下表现优于更复杂的深度学习模型。作者由此把数学建模中的"简约原则（principle of parsimony）"扩展到了物理机制AI领域——对地球与环境建模而言，并非模型越复杂越好。

应用意义：闭合全球碳预算、服务气候治理

准确量化海底DOC循环，是闭合全球碳收支、理解过去与当前气候的基础。该研究不仅为全球碳循环模型提供了此前缺失的"底栖DOC通量图"，也对CO₂移除策略评估、海洋微塑料定量等环境问题具有支撑价值。对生物医学与生命科学读者而言，这项工作也提示：在复杂系统建模中，"机理+轻量AI仿真器"的组合，能以极低计算成本处理大尺度、多参数问题，为跨尺度生物地球过程研究提供了可借鉴的方法学范式。

关键图表

本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。