Predicting Wetland Nitrogen Levels Through Microbial Signatures: A Taxonomy-Based Approach Validated by Machine Learning

湿地生态系统孕育着多样化的微生物群落，这些群落在调控生物地球化学循环中发挥着关键作用，然而其预测非生物土壤条件的潜力仍未得到充分探索。本研究探讨微生物群落组成能否用于推断环境条件，聚焦于五个非生物因子：pH、钙、总碳、呼吸作用和总氮。利用在QIIME2中处理的16S rRNA扩增子测序数据，总氮成为唯一与微生物α多样性和β多样性显著相关的非生物因子。低氮湿地表现出更高的微生物丰富度和均匀度，而高氮土壤则由少数特化类群主导。核心微生物组和指示物种分析鉴定出八个指示物种，它们分别与高氮或低氮条件独特关联，反映了与氮有效性相关的不同微生物特征。这些指示物种被用于训练随机森林模型，该模型以高准确率对氮水平进行分类。总体而言，微生物特征被证明是氮条件的可靠生物指示物，这种机器学习驱动的、基于分类学的框架为生态监测、精准农业和可持续土地管理提供了实际应用。