New approach for predicting nitrification and its fraction of N₂O emissions in global terrestrial ecosystems

Abstract

Abstract Nitrification is a major pathway of N 2 O production in aerobic soils. Measurements and model simulations of nitrification and associated N 2 O emission are challenging. Here we innovatively integrated data mining and machine learning to predict nitrification rate ( <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mi>R</mml:mi> <mml:mrow> <mml:mrow> <mml:mtext>nit</mml:mtext> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> ) and the fraction of nitrification as N 2 O emissions ( <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mi>f</mml:mi> <mml:mrow> <mml:mrow> <mml:msub> <mml:mrow> <mml:mtext>N</mml:mtext> </mml:mrow> <mml:mrow> <mml:mtext>2</mml:mtext> </mml:mrow> </mml:msub> </mml:mrow> <mml:mrow> <mml:msub> <mml:mrow> <mml:mtext>O</mml:mtext> </mml:mrow> <mml:mrow> <mml:mrow> <mml:mtext>Nit</mml:mtext> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> ). Using our global database on <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mi>R</mml:mi> <mml:mrow> <mml:mrow> <mml:mtext>nit</mml:mtext> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> and <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mi>f</mml:mi> <mml:mrow> <mml:mrow> <mml:msub> <mml:mrow> <mml:mtext>N</mml:mtext> </mml:mrow> <mml:mrow> <mml:mtext>2</mml:mtext> </mml:mrow> </mml:msub> </mml:mrow> <mml:mrow> <mml:msub> <mml:mrow> <mml:mtext>O</mml:mtext> </mml:mrow> <mml:mrow> <mml:mrow> <mml:mtext>Nit</mml:mtext> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> , we found that the machine-learning based stochastic gradient boosting (SGB) model outperformed three widely used process-based models in estimating <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mi>R</mml:mi> <mml:mrow> <mml:mrow> <mml:mtext>nit</mml:mtext> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> and N 2 O emission from nitrification. We then applied the SGB technique for global prediction. The potential <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mi>R</mml:mi> <mml:mrow> <mml:mrow> <mml:mtext>nit</mml:mtext> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> was driven by long-term mean annual temperature, soil C/N ratio and soil pH, whereas <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mi>f</mml:mi> <mml:mrow> <mml:mrow> <mml:msub> <mml:mrow> <mml:mtext>N</mml:mtext> </mml:mrow> <mml:mrow> <mml:mtext>2</mml:mtext> </mml:mrow> </mml:msub> </mml:mrow> <mml:mrow> <mml:msub> <mml:mrow> <mml:mtext>O</mml:mtext> </mml:mrow> <mml:mrow> <mml:mrow> <mml:mtext>Nit</mml:mtext> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> by mean annual precipitation, soil clay content, soil pH, soil total N. The global <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:mrow> <mml:msub> <mml:mi>f</mml:mi> <mml:mrow> <mml:mrow> <mml:msub> <mml:mrow>