Моделирование дыхания почвы (эмиссии углекислого газа с ее поверхности) важно для анализа и прогнозирования изменений цикла углерода в наземных экосистемах. Наряду с классическими регрессионными моделями в последнее время используют методы машинного обучения, основанные на нейросетях или ансамблях регрессионных деревьев. Однако построенные на основе этих методов модели часто применяют лишь в качестве “черного ящика”, что препятствует анализу механизмов процессов. В работе показаны возможности алгоритма Random Forest для оценки влияния разных факторов на дыхание почвы на основе измерения важности предикторов. Используя разделение дисперсий, предикторы были отнесены либо к пространственным (тип биотопа, тип почвы, характер растительности, влажность почвы), либо к временны́м (температура почвы и воздуха, NDVI, LAI, FPAR, SPEI). Модели построены на материале 5670 измерений дыхания в течение пяти вегетационных сезонов (2012–2016 гг.) на 30 пробных площадях в сосновых лесах и на лугах южной тайги, различающихся характером растительности и почв, но расположенных в пределах небольшой территории. Модели включали разные наборы предикторов (все, только временны́е, только пространственные, только температура и влажность), их точность достигала R² = 0.88 (MSE = 0.47). Показано, что дыхание сильнее всего зависело от временных факторов (76–91% важности); пространственные факторы сильнее влияли на дыхание в лесах, чем на лугах.