中国海洋碳汇能力的评估与潜力预测：一种机器学习方法

《Frontiers in Marine Science》：China’s marine carbon sink capacity assessment and potential projection: a machine learning approach

　　摘要
全球气候变化的加剧对生态系统和人类发展构成了严峻挑战。作为关键的天然气候解决方案，海洋碳汇的潜力评估和趋势预测已成为全球气候治理和政策制定的核心。作为世界上最大的碳排放国，中国迫切需要科学地识别海洋碳汇的增量潜力及监管路径，以实现其“双碳”目标。本研究利用了中国大陆11个沿海省份和直辖市（辽宁、河北、天津、山东、江苏、上海、浙江、福建、广东、广西和海南）2005-2022年的面板数据，并整合了涵盖环境条件、人类活动和政策措施的多维指标。同时，本研究还开发了一个结合机器学习与可解释性工具的预测框架。通过使用XGBoost捕捉复杂的非线性关系，该模型的预测准确率达到95.7%，并应用SHAP分析来量化关键驱动因素的边际贡献和阈值效应。主要研究结果包括：（1）自然保护区数量、海水养殖面积和总废水排放量被确定为核心驱动因素，而叶绿素-a浓度和研究人员数量则起到重要的调节作用——每种因素都表现出不同的“生态阈值”；（2）2023-2032年的多情景预测显示，绿色发展情景下的年碳汇潜力最高（400.61万吨碳），超过了“一切照旧”（321.33万吨碳）和“经济优先”（308.72万吨碳）情景；后者由于偏离生态阈值而出现初始下降13.4%；（3）观察到显著的区域异质性：北部沿海经济带以海水养殖为主，其碳汇潜力大于“一切照旧”情景；东部沿海经济带主要受城市化率驱动；南部沿海经济带则由海水养殖和海表温度双重因素驱动，其中海水养殖表现出最佳且稳定的结果。本研究提供了一种可扩展的、基于数据的方法来预测海洋碳汇动态，为中国及其他沿海地区的气候变化适应管理和基于证据的政策制定提供了 actionable 的见解。

1 引言
全球气候变化是21世纪的一个决定性挑战，使碳中和成为重要的全球目标（Carbon, 2009）。作为世界上最大的活跃碳库，海洋每年吸收约30%的人为二氧化碳排放，对调节气候系统起着关键作用（Battle et al., 2000; Bakker et al., 2016）。中国的沿海地区拥有广泛的蓝碳生态系统，包括红树林、盐沼、海草床和大规模海洋水产养殖区。这些系统提供了重要的生态系统服务，如碳封存、营养物质修复和氧气生产（Xiaonan et al., 2008; Mcleod et al., 2011; Giri et al., 2015; Zhang et al., 2017a）。此外，海藻和贝类养殖不仅提供了大量的“可移除碳汇”，还通过形成惰性溶解有机碳（RDOC）和生物分层作用实现了长期碳封存（Zhang et al., 2017b; Liu et al., 2024）。近年来，海洋碳汇研究已从机制探索转向量化和政策应用（Ren, 2021）。多项研究评估了中国不同地区和生态类型的碳封存能力。例如，福建、山东和辽宁三个省份的海洋养殖碳汇总量占中国总碳汇的95%以上（Li et al., 2026）。湛江红树林造林项目成功促成了中国的首笔蓝碳交易，证明了基于市场的生态补偿的可行性（Swangjang and Panishkan, 2021）。此外，包括浙江、海南和青岛在内的多个地区正在建立蓝碳经济示范区，探索将生态资源转化为经济优势的途径（Liu et al., 2022; Luo et al., 2023; Zhenhao et al., 2024; Wang et al., 2025）。在中国“双碳”战略的框架下，迫切需要对未来10-30年的海洋碳汇潜力进行定量预测。这将有助于科学地设定碳排放配额、制定蓝碳项目战略规划，并为参与国际合规谈判提供依据（Gao et al., 2016; Li and Liu, 2024; Wang, 2024）。缺乏高可信度的前瞻性评估可能会导致对碳汇项目的过度投资或发展不足，从而破坏区域碳预算平衡和生态补偿机制的有效性（Tang et al., 2018; Wu et al., 2020）。然而，当前研究面临诸多挑战。一方面，针对中国的系统性研究仍然不足。由于沿海蓝碳生态系统的空间基线数据不完整、时间数据覆盖不足以及缺乏来自统一来源的多年连续数据，评估往往依赖于零星的年度样本或特定地区和生态系统的碎片化数据，这阻碍了全面、连续的评估框架的建立（Gruber et al., 2019; Li et al., 2022; Zhang et al., 2022; Wang et al., 2024）。此外，海洋碳汇由于自然环境、水产养殖结构、经济政策和区域管理等多种因素的相互作用而表现出强烈的动态性（He et al., 2025; Li, 2024; Guan et al., 2022; Zhao et al., 2025）。现有模型在处理高维非线性关系方面存在局限性，影响了其在不同情景下预测碳汇潜力的能力（Wang et al., 2025）。另一方面，机器学习方法为建模复杂系统提供了新的途径（Alpaydin, 2021）。如XGBoost这样的算法在特征提取和噪声控制方面表现出色，已被应用于碳排放预测、PM2.5驱动因素分析和城市韧性评估（Guo et al., 2025; Ren et al., 2025; Zhang et al., 2025）。SHAP框架有效地解释了模型输出，识别了关键驱动因素并量化了它们的贡献（Yin et al., 2025）。这种“预测-解释”的双模块策略非常适合分析涉及多源数据和耦合机制的系统（Tang et al., 2024）。为了解决这些问题，本研究整合了2005-2022年中国沿海省份的海洋碳汇数据，构建了一个XGBoost-SHAP模型。通过结合自然环境、人类活动和政策法规三个核心变量类别，该模型系统地识别了影响海洋碳汇能力的关键因素，阐明了其背后的机制，并模拟了2023-2032年各种情景下的潜在碳汇变化。研究主要探讨了以下问题：（1）如何克服传统线性分析的局限性，捕捉海洋碳汇驱动因素之间的复杂非线性关系，并同时解决机器学习中的“黑箱”问题，以提高海洋碳汇预测的准确性；（2）在不同发展情景下，中国沿海省份和直辖市的海洋碳汇潜力将如何演变；（3）三个主要海洋经济区（北部经济圈包括辽宁、天津、河北和山东；东部经济圈包括江苏、上海和浙江；南部经济圈包括福建、广东、广西和海南）的碳封存核心驱动因素有何差异，以及它们未来的碳汇潜力趋势如何？

2 研究设计
2.1 研究区域概述
本研究聚焦于中国大陆的九个沿海省份和两个直辖市（图1）。研究区域从北部的渤海（约41°N）延伸到南部的南海詹姆斯浅滩（约4°N），涵盖了渤海、黄海、东海和南海。总面积约为473万平方公里，大陆海岸线长度超过18,000公里。该地区是陆地-海洋相互作用最活跃的区域之一，其蓝碳生态系统具有重要的研究价值。根据《中华人民共和国国民经济和社会发展第十四个五年规划纲要及2035年远景目标》的规定，研究区域正式划分为三个主要沿海经济带：北部沿海经济带（辽宁、河北、天津和山东）；东部沿海经济带（江苏、上海和浙江）；以及南部沿海经济带（福建、广东、广西和海南）。

图1 研究区域。该地区的蓝碳生态系统以红树林、盐沼和海草床为中心。红树林主要分布在热带和亚热带海岸线；盐沼则主导着温带河口地区，具有出色的碳封存能力；海草床从北部沿海地区延伸到海南。从环境角度来看，自1950年以来，海表温度每十年上升0.10-0.14°C，引发了海洋热浪和珊瑚白化现象。同时，主要河流来源的营养物质输入加剧了富营养化。这种变暖效应与营养物质的富集相结合，扩大了渤海和长江河口的季节性缺氧区和酸化现象，威胁到了底栖碳储存生物。渤海、黄海和东海受到黑潮和沿海流动的逆时针环流影响。南海的夏季上升流增强了初级生产力，而长江和黄河每年沉积超过10亿吨的沉积物，在河口形成了厚厚的有机碳埋藏层。人类活动导致长江和珠江三角洲城市群40%的沿海湿地丧失，氮和磷的排放加剧了富营养化。然而，自21世纪以来的生态恢复项目，如红树林造林，已在局部改善了近岸生态功能并缓解了富营养化趋势。

2.2 研究方法
本研究采用了一种综合研究框架，从数据驱动的建模开始，通过机制分析进而进行基于情景的预测。在这一框架内，系统地评估影响中国沿海地区海洋碳汇能力的因素，并应用机器学习方法来模拟其未来轨迹。

2.2.1 预测建模
与传统的线性回归模型或基于过程的生物地球化学模型不同，后者难以捕捉多个驱动因素之间的高维相互作用，并且对参数设定非常敏感，XGBoost算法在自动学习复杂非线性模式、稳健处理缺失数据以及通过内置的正则化和提前停止机制防止过拟合方面表现出色。这些特性使其特别适合用于模拟海洋碳汇系统，因为这些系统中的驱动因素相互作用本质上是非线性的，且数据往往不完整。

鉴于海洋碳汇系统中的复杂非线性关系和多因素相互作用，选择了XGBoost（极端梯度提升）机器学习算法。XGBoost作为核心建模工具，因其具有出色的高精度预测能力、有效处理复杂特征相互作用和非线性关联的能力，以及通过正则化和提前停止机制抵抗过拟合的稳健性。模型超参数通过网格搜索和5折交叉验证进行了优化。使用R2、RMSE和wMAPE等指标在独立测试集上严格评估了模型的性能和泛化能力。

2.2.2 SHAP值分析和特征重要性评估
为了解释XGBoost模型的“黑箱”特性，并公平量化每个影响因素对海洋碳汇潜力预测的贡献，本研究引入了SHAP（Shapley Additive Explanations）框架。该框架基于合作博弈论中的Shapley值原理，计算每个特征在所有可能特征子集中的平均边际贡献，从而客观地分配反映其对模型预测影响的权重。这种方法在处理复杂非线性模型方面具有明显优势，并提供了直观、可量化的特征影响度量，显著提高了模型的可解释性，相比传统的黑箱模型更为优越。

为了超越简单的特征排名并提供与政策相关的见解，SHAP分析沿着三个具体分析维度进行：
- **量化边际效应**：SHAP依赖图可视化了特征值的增量变化如何影响模型预测，揭示了其影响的方向（正面或负面）和幅度。
- **识别生态阈值**：SHAP值变化符号或斜率的拐点表示管理干预的关键阈值，为环境监管提供了定量目标。
- **揭示交互效应**：SHAP交互值量化了来自成对特征组合的额外贡献，揭示了在仅考虑主效应的模型中隐藏的协同或拮抗机制。

分析在全局和局部层面展开，并通过专门的可视化工具支持以提高可读性。在全球层面上，通过计算平均绝对SHAP值获得所有影响因素的重要性排名，精确识别了海洋碳汇能力的关键驱动因素。SHAP总结图直观显示了每个因素的总体影响：条形代表样本，条形长度对应特征值的幅度。特征在图中的位置及其条形长度共同反映了其对模型输出的影响——贡献较大的特征具有更长的条形。在局部层面上，通过分析关键因素的SHAP值，研究揭示了它们对碳汇能力的影响方向（促进或抑制）及其在特定情景下的生态阈值效应。这个过程通过SHAP依赖性图得到补充，该图清晰地展示了特定特征对预测的影响如何随着其值的变化而变化，从而为后续预测参数的科学设定提供了直接证据。总体而言，SHAP与XGBoost的结合显著提高了模型预测海洋碳汇潜力的可解释性。它明确了关键影响因素及其作用机制，为相关研究结论的可靠性提供了坚实的技术支持，并将机器学习从一个不透明的“黑箱”转变为决策者可以理解的“玻璃箱”。

2.2.3 基于情景的未来趋势预测
利用训练有素的高精度XGBoost模型和SHAP识别的关键驱动因素，以及对它们阈值效应的分析，采用了情景模拟方法来预测2023年至2032年中国沿海海洋碳汇能力的变化趋势。基于国家和区域发展计划、碳中和路径以及潜在挑战，建立了三种代表性发展情景：基准情景（BAU，保持当前模式）、绿色发展情景（GU，通过扩大生态水产养殖、增加研究投资和提升产业 sophistication 等措施加强生态保护和产业升级）以及经济优先情景（EU，优先考虑增长并相对放宽环境限制）。对于每种情景，为关键独立变量（例如海洋水产养殖面积、研究投资强度、产业 sophistication 指数和污染控制水平）分配了合理的定量值。这些预定义的未来变量值被输入到已建立的XGBoost模型中，以生成不同情景下每年的海洋碳汇预测值。通过比较不同情景下的预测结果，评估了各种发展路径对海洋碳汇的潜在影响以及政策干预的有效性。
为了验证预测结果的稳健性，本研究进一步进行了敏感性分析。通过单变量扰动（±20%）计算了敏感性系数（PSC）以识别高度敏感的参数；使用拉丁超立方抽样（LHS）进行多变量联合扰动（±15%）以量化预测的不确定性范围；通过比较三种情景下的参数敏感性差异，评估了情景的稳健性。

2.3 数据来源和处理
2.3.1 因变量数据：海洋碳汇能力
对于蓝碳核算，一项研究根据现有研究确定了红树林、盐沼和海草床等生态系统的碳封存系数。然后使用每个生态系统的面积数据计算2005年至2022年蓝碳生态系统的碳封存能力。该研究使用了由中国科学院航空航天工程研究所刘良云团队开发的全球30米土地覆盖和林业动态产品（GLC_FCS30D，1985–2022）。随机森林算法被用来提取红树林（WF-MF）、盐沼（WF-HF）和海草床（WF-SB）的像素，实现了30米的空间分辨率，并且与传统数据集相比具有显著更好的时间连续性。碳封存率参数基于权威文献确定：红树林为226 gC/(m2·a)（Xiang等人，2022），盐沼为218 gC/(m2·a)（Zhou等人，2016），海草床为138 gC/(m2·a)（Liu等人，2024）。海洋水产养殖碳封存计算采用了Yang等人（2022）提出的改进模型。该方法主要包括：①排除贝类中的非封存碳（软组织碳和贝壳中的20%有机碳）；②纳入新识别的贝类-藻类相互作用中的POC/DOC碳封存（Yan等人，2011），系统地解决了传统模型中24.24%的高估和50.70%的低估偏差。生产数据来源于《中国渔业统计年鉴》（2005–2022），生物参数和碳汇转换率严格符合中华人民共和国自然资源部发布的《海洋碳汇核算方法》（HY/T0349-2022）标准。

2.3.2 自变量数据
研究根据学者们对影响海洋碳汇因素的分类（Fang等人，2011；Wei等人，2021）选择了自变量，并将它们分为三大类：自然环境因素、人类活动因素和政策活动因素，如表1和表2所示。

表1
变量类别
变量名称
计算方法/指标
自然环境
海温（ST）
年平均值（°C）
日照时长（SD）
年累计小时数（h）
叶绿素浓度（Chl-a）
CIgreen指数（μg/cm2）
海水pH值（pH）
年平均值
海水盐度（Salinity）
表面盐度平均值（PSU）
人类活动
海洋水产养殖面积（MA）
年度省级水产养殖面积（km2）
污染物排放
总废水排放量（10,000吨）（TWD）
氨氮排放（10,000吨）（ANE）
二氧化硫排放（10,000吨）（SDE）
烟尘排放（吨）（SE）
产业结构升级指数（ISUI）
第三产业产值/第二产业产值
城市化率（UPP）
城市人口/总人口（%）
政策和法规
环境保护法规（LEPR）
省级每年新颁布的海洋环境保护法规文件数量（单位）
保护区数量（NPA）
省级海洋保护区总数（单位）
生态恢复投资（ECRI）
省级财政用于海洋环境的拨款（十亿元）
省级海洋科研人员数量（NMRP）
省级海洋科研机构就业人数（人）
输入变量
研究获得了自然环境数据，包括海表温度、日照时长、pH值、叶绿素浓度和海水盐度。海表温度数据来源于美国国家海洋和大气管理局（NOAA）提供的全球海表温度（ST）数据集。日照时长数据来源于《中国统计年鉴》。叶绿素浓度数据来自Sentinel-2（2015–2022）和MODIS MOD09A1（2005–2014）卫星遥感产品。浓度使用CIgreen指数计算，并通过经验公式（Chl = 40 × CIgreen – 10）估算，单位为μg/cm2。海水pH值基于美国国家海洋和大气管理局（NOAA）《全球海洋酸化趋势报告》和《中国海洋生态环境公报》中发布的区域变化特征，利用Aquarius和SMAP卫星的观测数据计算得出。海水盐度数据来源于NOAA CoastWatch提供的SMAP海表盐度卫星遥感产品。
人类活动数据包括海洋水产养殖面积、人为污染物排放、产业结构升级指数和城市化率。海洋水产养殖面积数据来源于《中国海洋统计年鉴》和《中国海洋经济统计年鉴》的年度版本。人类活动污染物排放数据来源于《中国统计年鉴》。产业结构升级指数使用Gan Chunhui等人（2011）（Chunhui等人，2011）提出的方法计算，该方法采用第三产业产值与第二产业产值的比率。各行业的产值来源于《中国统计年鉴》。城市化率根据《中国统计年鉴》中报告的城市人口占总人口的比例计算得出。
关于政策和法规数据，通过Python检索省级和市级当局基于关键词发布的相关法律文件，获得了环境保护法规的数量。保护区数量来源于《中国统计年鉴》，而海洋生态恢复资金和海洋研究人员数量则来源于《中国海洋经济统计年鉴》。

3 XGBoost-SHAP模型构建
如第1.2节所述，采用了XGBoost-SHAP框架。本部分提供了完整的技术实现。

3.1 模型构建
3.1.1 XGBoost模型构建
XGBoost（极端梯度提升）是一种具有强大非线性建模能力和特征重要性识别能力的梯度提升决策树算法，适用于处理中小型结构化数据集。海洋碳汇能力受到多种社会经济和自然环境因素的影响，表现出复杂的非线性关系：
(1)MCSC=f(UPP, MA, Chl-a,?, ISUI)+?
MCSC=f(UPP, MA, Chl-a,?, ISUI)+?
(1) 在方程1中，?表示系统随机误差项。XGBoost的树结构自动识别关键驱动因素，并通过增益计算量化其重要性：
(2)Gain=1/2[G2LHL+λ+G2RHR+λ?(GL+GR)2HL+HR+λ]
Gain=1/2[GL2HL+λ+GR2HR+λ?(GL+GR)2HL+HR+λ]
(2) 在方程2中，G表示梯度统计量，H表示二阶导数，λ是正则化系数。基于信息增益的特征选择机制为分析海洋碳汇的关键驱动因素提供了数学基础。

3.1.2 数据划分和预处理
研究了2005年至2022年中国11个沿海省份的海洋碳汇时空数据集的构建，采用系统的数据预处理工作流程以确保数据质量和模型适用性。在空间上，多源异构数据经过严格的空间对齐处理，遥感数据（包括NOAA海表温度和MODIS叶绿素浓度）使用双线性插值算法重采样到省级行政单位。社会经济数据直接匹配到省-年维度。在时间上，建立了综合的时间序列框架，对不连续数据使用时间线性插值：
(3)xt=xt?1+(xt+1?xt?1)?△t
Tx=xt?1+(xt+1?xt?1)·△t
(3) 在方程3中，△t=t?(t?1)，△T=(t+1)?(t?1)，确保时间连续性。
为了解决海洋监测数据中普遍存在的缺失值问题，研究采用了XGBoost内置的自适应处理机制。
为了消除特征之间的维度差异并加速模型收敛，所有连续变量都经过Z分数标准化（方程4）。转换公式基于训练集（2005–2019）的统计特性计算。标准化后的特征数据遵循均值为0、标准差为1的分布，确保在模型训练期间每个驱动因素的权重可比。
(4)z=x?μ
z=x?μ
(4) 根据预测任务和现实世界干扰情景的特点设计了一个数据集划分方案（表2）。训练集（2005–2019）包含165个样本集（15年×11个省/市），涵盖了稳定的经济发展期和完整的气候周期，用于模型参数优化。
表2
数据集
时间跨度
核心特征
科学验证目标
训练集
2005–2019
稳定经济增长期
完整气候周期
模型参数优化
特征关系学习
验证集
2020–2022
疫情影响（2020）
政策转变（2021）
热浪事件（2021）
稳健性
外推预测性能
数据集的时空划分方案及其理由
验证集（2020–2022）包含33个样本（3年×11个省），其特点是包含了三个代表性外生冲击：（1）由于COVID-19疫情导致的人为活动急剧减少（2020）；（2）中国宣布“双碳”目标后政策的突然转变（2021）；以及（3）前所未有的黄海海洋热浪，海表温度异常超过2.1°C（2021）。这种时间划分策略与预测任务的外推性质相一致，同时严格测试了模型在急性、非平稳干扰下的泛化能力——这些条件对于政策导向的预测尤为重要。通过这种方式，为省级海洋碳汇管理决策提供了稳健的科学支持。

3.1.3 敏感性分析框架
为了确保情景预测结果的可靠性，本研究建立了一个敏感性分析框架。单变量敏感性分析通过计算敏感性系数（PSC）来量化每个驱动因素±20%扰动对预测值的影响；多变量联合敏感性分析使用LHS抽样生成500组参数组合，模拟复合干扰下的预测不确定性；情景稳健性比较评估了参数在BAU、GP和EP情景下的抗干扰能力。敏感性分析和模型验证相互支持，共同确保了预测结论的方法论可靠性。

3.2 模型评估和验证框架
为了确保构建的XGBoost模型的预测准确性和泛化能力，本文基于测试集建立了一个定量评估系统。核心采用了以下三个广泛认可的回归模型评估指标：
1. 决定系数（R-squared，R2）：衡量模型解释的数据变异比例，计算公式如下：
(5)R2=1?SSres/SStot
R2=1?SSres/SStot
(5) 其中（方程6）
(6)SSres=∑ni=1(yi??yi)2
SSres=∑i=1n(yi?y^i)2
(6) 是残差平方和（方程7），
(7)SStot=∑ni=1(yi?ˉyi)2
SStot=∑i=1n(yi?yˉi)2
(7) 是总和平方，yi是真实值，ˉyi是真实值的平均值，n是样本量。R2值越接近1，模型对海洋碳汇能力的解释能力越强，拟合优度越高。
2. 均方根误差（RMSE）（方程8）：
(8)RMSE=√1/n∑ni=1(yi??yi)2
RMSE=1/n∑i=1n(yi?y^i)2
(8) 其中yi表示真实值，?yi是预测值，n表示样本量，用于计算预测值与观测值之间差异的平方平均值的平方根。
RMSE对较大误差更敏感；较小的值表示整体预测精度更高，预测值与真实值之间的平均偏差更小。
3. 平均绝对百分比误差（MAPE）：
(9)MAPE=100%n∑ni=1|∣yi??yi|/yi|
MAPE=100%n∑i=1n|yi?y^i|
(9) 在方程9中，计算每个省份的海洋碳汇量时，观察到地区间的显著差异。为了防止较小省份的误差被较大省份的误差掩盖，引入了加权平均绝对百分比误差（wMAPE）：
(10)wMAPE=∑ni=1|yi??yi|/∑ni=1yi×100%
wMAPE=∑i=1n|yi?y^i|/∑i=1nyi×100%
(10) 在方程10中，yi是真实值，?yi是预测值。wMAPE值对碳汇量绝对差异较大的省份更为公平。分母是真实值的总和，避免了传统MAPE在yi接近零时的数值不稳定问题。较小的数值表示模型预测精度更高，直接反映了总体预测误差相对于总碳汇量的比例。该框架全面客观地量化了XGBoost模型在预测中国沿海地区海洋碳汇能力方面的性能，并从两个维度对其进行评估：模型拟合优度（R2）和预测误差幅度（RMSE，wMAPE）。只有当模型在测试集上表现出高R2值以及低RMSE和wMAPE值时，才被认为具有可靠的预测能力和泛化能力，从而为后续的SHAP值分析和情景模拟提供了坚实可信的基础。

3.3 敏感性分析
为了验证2023-2032年多情景碳汇潜力预测的稳健性，并评估关键参数的不确定性对预测值的影响程度，本研究采用了一种结合单因素敏感性分析和多因素扰动分析的方法来量化输入变量变化对预测结果的影响。基于本文建立的三个情景（详见第3.4节），选择了八个核心驱动因素（|SHAP| ≥ 1）进行敏感性测试。预测结果的敏感性系数（PSC）定义如下（公式11）：
(11) PSCi, s = Δ?Ys / ?Ys,0 ΔXi, s / Xi, s,0

4 结果分析
4.1 海洋碳汇能力演变分析
2005年至2022年间，中国沿海海洋碳汇能力（MCSC）呈现波动上升趋势，从2005年的217.37万吨增加到2022年的370.52万吨，累计增长了70.46%。根据方程拟合结果（R2 = 0.91），年均复合增长率为3.19%。如图2所示，碳汇曲线呈现出“阶梯式增长”模式，可分为三个明显阶段：2005年至2010年的缓慢增长期、2011年至2015年的加速增长期以及2016年至2022年的波动增长期。
图2 海洋碳汇能力趋势图。2011年至2015年期间增长加速，碳封存能力从250.01万吨迅速增加到306.91万吨，总增长率为22.7%，年均增长率为5.2%。这一阶段可能受益于自国家“十二五”规划时期以来启动的大规模沿海生态恢复和生态修复项目的协同效应，这些项目显著提升了碳封存能力。2016年至2022年，碳封存量虽然有所波动但仍持续增加，从320.48万吨增加到370.52万吨，总增长率为15.6%，年均增长率为2.4%。2018年，受近海富营养化影响，碳封存量下降至318.24万吨（同比下降3.8%）。2019年通过政策干预后，碳封存量恢复至342.46万吨（增长7.61%），显示出生态系统对管理措施的快速响应。
2005年至2010年间，海洋碳汇能力从217.37万吨增加到239.74万吨，总增长率为10.3%，年均增长率为1.96%。这一阶段增长缓慢，可能受到不完善的政策框架、落后的生态监测技术和过度人类活动的限制。值得注意的是，2007年出现了8.78%的显著下降（降至212.67万吨），这可能与当年拉尼娜事件引发的频繁台风直接相关。

4.2 关键影响因素识别和阈值确定
4.2.1 全局特征重要性排序
基于SHAP解释器输出的均值绝对SHAP值（|SHAP| mean），研究评估了16个输入变量在预测海洋碳汇能力（MCSC）中的全局重要性（图3）。结果显示变量重要性的典型“长尾”分布：前八个变量共同解释了模型约94%的变异，可以根据|SHAP|值分为三个层级（图4）。
图3 全局SHAP特征重要性排序和蜂窝图。
图4 层次图。(1) 核心驱动层（|SHAP| ≥ 2）。保护区数量（NPA）排名第一，SHAP值约为10，表明保护区扩张通过“减少人为干扰 – 保持生态系统完整性 – 增强蓝色碳储量”的连锁路径对MCSC有极大的正面贡献。海洋水产养殖面积（MA，|SHAP| ≈ 8）紧随其后，直接反映了大型藻类和贝类养殖的显著碳封存效果。总废水排放量（TWD，|SHAP| ≈ 4）在蜂窝图中表现出明显的非线性阈值特征，显示“低浓度促进和高浓度抑制”。这表明控制排放可以通过补充氮和磷营养物质间接增强碳封存。(2) 关键监管层（1 ≤ |SHAP| < 2）。高叶绿素a（Chl-a，SHAP ≈ 1.8）值（红色）与正SHAP值相关，表明较高的浮游植物丰度与更大的碳封存潜力相关。同样，高日照时长（SD，SHAP ≈ 1.5）值也呈现红色簇，反映了充足阳光对光合作用碳封存的促进作用，但在低浓度下会出现抑制。二氧化硫排放（SDE，SHAP ≈ 1.2）主要在低至中等浓度范围内呈现红色点云，表明适度的空气沉降可以补充营养物质。然而，过高浓度会导致抑制作用，对海洋碳封存产生显著的环境背景调节。海洋研究人员数量（NMRP，SHAP ≈ 1.2）：高研究投资点的红色点与正SHAP相关，表明研究人员通过监测优化和技术赋能间接提升了碳汇管理效率。海洋环境保护法规数量（LEPR，SHAP ≈ 1.1）：红色严格监管点与正SHAP相关，表明政策约束对碳汇保护的积极监管效果。(3) 次要干扰层（|SHAP| < 1）。这包括八个变量：UPP、PH、ST、ANE、ISUI、SE、ECRI和盐度。它们的平均绝对SHAP值均低于1，累计解释份额仅约为6%。这些变量在蜂窝图中分布稀疏，红色和蓝色点交替出现在零轴附近。它们的独立变化对MCSC的影响可以忽略不计；因此，在后续情景模拟中将被视为固定背景变量，不进行动态调整。

4.2.2 国家关键驱动因素的阈值效应
通过SHAP分析，研究确定了“核心驱动层”和“重要监管层”中八个驱动变量的阈值范围，这些变量影响海洋碳汇能力。结果表明这些因素与碳汇能力之间存在显著的非线性关系，为精确调节海洋碳汇提供了校准尺度（图5A–H）。
图5 核心变量的阈值区间。(A) 表明保护区的阈值约为83。当保护区数量低于80个时，碳封存效率通常较低，SHAP值大多在-10左右，反映了生态系统完整性的不足。一旦超过80个，保护区开始表现出规模和连通性效应，SHAP值显著上升至+28.6。每增加10个保护区，每年海洋碳汇量大约增加12,000–20,000吨。然而，超过90个保护区后，边际效益逐渐趋近于零，表明应更加重视提高现有保护区的质量，而不是继续扩大其数量。(B) 表明海洋水产养殖面积（MA）的阈值约为138,000亩。当规模低于130,000亩时，主要以传统粗放养殖为主，未食用的饲料和人为干扰导致SHAP值为-8.3。在140,000–550,000亩范围内，规模化养殖推动了技术和管理的改进，使SHAP值上升至+20.5。超过550,000亩后，边际回报减少，需要采取生态补偿等环境缓解措施。(C) 表明总废水排放量（TWD）处于“营养汇窗口”内的210,000至250,000吨之间。低于210,000吨时，相对营养不足限制了浮游植物的生长，SHAP值约为-2.8。在210,000至250,000吨之间，SHAP值变为正数，峰值达到+7.5。超过250,000吨后，富营养化风险增加，海洋碳汇效益下降。(D) 表明叶绿素a（Chl-a）浓度阈值约为34.5毫克/立方米。低于此值时，浮游植物生物量不足限制了初级生产力。高于此阈值时，光合作用碳封存能力显著增加，每增加1毫克/立方米的浓度可使年碳封存量增加0.25万吨。然而，超过45毫克/立方米时，系统接近生态饱和，需要警惕富营养化。(E) 浮游植物光合作用在每日日照时长（SD）1500–1900小时的范围内最为有利，SHAP值最高为+1.8。超过1900小时后，由于水温升高和溶解氧减少，光抑制效应可能出现，导致SHAP值下降至-2.3。(F) 二氧化硫排放（SDE）表现出三阶段响应：在0–2.6毫克/立方米范围内，由于微量施肥作用产生弱正面效应；2.6–150毫克/立方米范围内：酸化抑制占主导，SHAP值降至-2.2；超过150毫克/立方米后：尽管由于耐酸藻类的增加可能会略微增加碳汇，但酸沉降和重金属污染的风险仍然显著。(G) 海洋研究人员数量（NMRP）的阈值约为2,494人。低于此规模时，整体研究支持能力不足，SHAP值在-0.2至0之间。超过阈值后，研究规模经济效应显现，SHAP值上升至0.92，每增加100人可使SHAP值增加0.16。超过2,571人后，增长放缓；建议将重点转向提高资源分配效率。(H) 海洋环境保护法规数量（LEPR）的阈值约为364项。低于此水平时，监管框架不完善，SHAP值约为-0.27。超过阈值后，法规之间的协同效应增强，SHAP值上升至0.86，每增加20项法规可使SHAP值增加0.24。超过375项法规后，边际效益显著下降，表明应更加重视法规的实施和执行效率。

4.2.3 地域特征重要性排序
鉴于中国广阔的海岸线以及从南到北气候、经济发展水平和发展优先事项的区域差异，识别不同海域碳汇能力的关键因素对于制定有针对性的政策至关重要。利用XGBoost-SHAP耦合框架，研究分析了2005年至2022年间三个主要海洋经济区的面板数据：北部（辽宁、河北、天津和山东）、中部（江苏、上海和浙江）和南部（福建、广东、广西和海南）。根据均值绝对SHAP值（|SHAP| mean）对特征进行排序，揭示了各地区碳汇驱动机制的空间异质性（图6–8）。
图6 北部经济区的排序和蜂窝图。
图7 东部经济区的特征排序和蜂窝图。在东部经济区（江苏、上海、浙江），城市化率（UPP）作为主要驱动因素，其|SHAP|值为6.02，远超其他变量。这反映了高城市化和密集土地利用对沿海碳封存能力的关键影响。海洋水产养殖面积（MA）（|SHAP| = 1.13）的重要性仍然存在，但明显低于北部地区，表明由于其水域空间和水产养殖结构的限制，其碳汇贡献相对减弱。产业结构升级指数（ISUI）和二氧化硫排放（SDE）等因素也对碳汇产生了显著影响，表明该地区的碳封存更多受到宏观城市发展过程的调节，而非传统工业或环境排放因素。总体而言，中部地区的碳汇机制具有“城市主导，水产养殖作为补充因素”的典型特征。
图8 南部经济区的特征排序和蜂窝图。在东部经济区（江苏、上海、浙江），城市化率（UPP）作为主要驱动因素，其|SHAP|值为6.02，远超其他变量。这反映了高城市化和密集土地利用对沿海碳封存能力的关键影响。海洋水产养殖面积（MA）（|SHAP| = 1.13）的重要性仍然存在，但明显低于北部地区，表明由于其水域空间和水产养殖结构的限制，其碳汇贡献相对减弱。产业结构升级指数（ISUI）和二氧化硫排放（SDE）等因素也对碳汇产生了显著影响，表明该地区的碳封存更多受到宏观城市发展过程的调节，而非传统工业或环境排放因素。总体而言，中部地区的碳汇机制表现出“城市主导，水产养殖作为补充因素”的典型特征。在南部经济区（福建、广东、广西、海南），海洋水产养殖面积（MA）保持其核心地位（|SHAP| = 15.09），而海水温度（ST，|SHAP| = 5.14）成为第二大影响因素。这反映了水温在调节热带-亚热带海洋环境中的藻类生长和代谢过程中的重要调节作用。城市化压力（UPP）、海洋研究人员数量（NMRP）和产业结构升级指数（ISUI）也具有相当大的影响，表明经济发展、科学支持和产业升级共同塑造了碳封存。废水排放（TWD）和二氧化硫排放（SDE）的影响较弱，可能与南部海域强大的水动力交换和自我净化能力有关。该地区的碳汇系统表现出由水产养殖和水温这两个核心驱动的复合特征，并受到城市化和科学管理协同效应的影响。南部经济圈中废水排放（TWD）和二氧化硫排放（SDE）影响的减弱可以合理归因于该地区强大的水动力系统。南海的特点是水流强劲、季风驱动的垂直混合以及与开阔海洋的频繁水交换，这些因素共同增强了该地区的自我净化能力。因此，污染物输入被迅速稀释和分散，相对于水循环受限的地区（例如渤海），它们对碳汇能力的边际影响较小。因此，中国三大沿海经济区的海洋碳汇驱动机制表现出明显的空间差异，反映了它们独特的自然禀赋和人类活动模式。北部经济区遵循“政策指导-生态水产养殖”的路径，其特征是海洋水产养殖面积和保护区数量这两个核心驱动因素。同时，废水排放的阈值效应突显了精细环境管理的必要性。东部经济区的发展特征受高城市化影响，城市化压力成为主导因素，远超其他变量。这反映了土地利用变化对碳汇系统的深远影响。南部经济区体现了典型的热带海洋特征，海水温度和水产养殖活动共同构成了核心驱动因素，展示了自然条件与人类管理之间的协同作用。尽管水产养殖在北部和南部地区都占主导地位，但在中部地区的相对重要性显著降低。城市化压力在中部地区最为明显，在南部仍然显著，在北部则相对减弱。研究投资和政策调控在北部和南部地区都起到了支持作用。

4.3 场景设计
4.3.1 全球场景框架
基于单变量阈值的明确化，并结合相关的国家和地方政策文件、研究结果和历史监测数据，使用2022年11个沿海省份和城市的实际碳汇容量作为基准，构建了2023-2032年的三个全球场景。三个场景的关键参数见表3。

表3
因素 | 场景 | 基线场景（BAU） | 绿色发展场景（GP） | 经济优先场景（EP）
--- | --- | --- | --- |
自然保护区（NPA） | +1.2% | +2.5% | -1.5% |
海洋水产养殖面积（MA） | +1.8% | -3.0% | +3.5% |
总废水排放（TWD） | +0.8% | -1.2% | +2.6% |
叶绿素a（chl-a） | +0.5% | +1.4% | -0.8% |
日照时长（SD） | +0.1% | +0.1% | -0.3% |
二氧化硫排放（SDE） | +0.5% | -4.0% | +2.8% |
海洋研究人员数量（NMRP） | +1.3% | +3.2% | -1.0% |
环境保护法规（LEPR） | +1.0% | +2.8% | -1.8% |

全球场景参数设置：
- 照常营业（BAU）场景：维持当前的政策强度和增长率——自然保护区每年增加1.2%（自然资源部，2021年），根据自然资源部的调查公告，海洋水产养殖面积每年扩大1.8%（自然资源部，2023年），总废水排放量每年增加0.8%；叶绿素a（chl-a）随着废水的增加而逐年增加0.5%（Jinsong等人，2017年）；日照时长（SD）由于自然气候波动变化很小，根据黄忠东等人的研究，每年增加0.1%（Huang等人，2019年）；二氧化硫排放（SDE）根据过去十年的平均趋势每年增加0.5%；海洋研究人员数量（NMRP）在过去五年中平均每年增加1.3%；
- 绿色发展场景（GP）：严格执行阈值管理和生态保护政策——自然保护区每年增加2.5%（Li等人，2025年）；根据张燕等人的预测，海洋水产养殖面积每年减少3.0%（Zhang等人，2018年）；根据生态环境部的环境规划研究所的情景研究报告，总废水排放量每年减少1.2%（国家发展和改革委员会，2022年）；通过人工藻床等生态恢复措施，叶绿素a每年增加1.4%（Jinsong等人，2017年）；日照时长（SD）的增长率与基线场景相同，为每年0.1%；根据国务院的空气质量改善计划，二氧化硫排放（SDE）每年减少4%（国务院，2023年）；根据郭建科等人的估计，“人才优先”政策下，海洋研究人员数量预计每年增加3.2%（Guo等人，2024年）；根据吴玉婷等人的研究结果，环境保护法规（LEPR）预计每年增加2.8%，随着制度框架的加强；
- 经济优先场景（EP）：以产业扩张为中心——自然保护区每年减少1.5%（Li等人，2025年），根据生态环境部的环境规划研究所的情景研究报告，海洋水产养殖面积每年增加3.5%（Zhang等人，2018年），总废水排放量每年增加2.6%（国家发展和改革委员会，2022年）；由于周围海洋污染，叶绿素a每年减少0.8%（Jinsong等人，2017年）；根据IPCC的CMIP6 SSP5-8.5高排放情景预测，日照时长（SD）预计每年减少0.3%（IPCC，2022年）；根据魏叶翔等人的研究，随着重工业产出的增加，二氧化硫排放（SDE）预计每年增加2.8%（Wei等人，2023年）；由于研究资金减少，海洋研究人员数量（NMRP）每年减少1%（Guo等人，2024年）；根据“简政放权”政策，环境保护法规（LEPR）预计每年减少1.8%（Wu和Bai，2022年）。

4.3.2 地方场景配置
根据第3.2.3节中的地方特征重要性排名结果以及相关区域文献和政策，为每个经济区的核心驱动因素和关键调节因素设置了场景参数，以便更好地研究和预测区域碳汇的变异性。每个场景中选定的参数代表核心驱动因素（|SHAP| ≥ 2）或重要修饰因素（1 ≤ |SHAP| < 2），通过SHAP分析确定，确保模拟集中在关键因素上。具体的预测参数设置如下（表4）。

表4
地区 | 核心因素 | 基线场景（BAU） | 绿色发展场景（GP） | 经济优先场景（EP）
--- | --- | --- | --- |
北部经济区 | MA | +1.8% | -2.0% | +4.0% | NPA | +1.2% | +3.0% | -1.5% | NMRP | +1.3% | +3.5% | -1.0% | TWD | +0.8% | -1.5% | +2.6% |
东部经济区 | UPP | +1.5% | -0.8% | +3.2% | MA | +1.8% | -4.0% | +2.0% | SDE | +0.5% | -5.0% | +2.8% | ISUI | +1.1% | +4.0% | -1.5% |
南部经济区 | MA | +1.8% | -1.5% | +4.5% | ST | +0.5% | +0.5% | 0.5% | UPP | +1.0% | +0.5% | +3.5% | NMRP | +0.1% | +0.1% | 0.3% | ISUI | +1.0% | +1.0% | 2.8% |

在基线场景中，所有因素参数都根据该地区前几年的平均年变化率设置。每个经济区内的海洋水产养殖面积（MA）的参数主要基于张灿等人的研究成果和计算方法（Zhang等人，2018；Zhang等人，2021；Gao等人，2026；Zhang等人，2026）。自然保护区（NPA）的参数来自相关研究，而海洋研究人员数量（NMRP）参考了郭建科等人的研究结果（Guo等人，2024）。总废水排放（TWD）根据秦雄河等人的方法设置（Qin等人，2014）。城市化率（UPP）的参数基于肖金城等人的预测数据（Xiao和Hong，2021）。二氧化硫排放（SDE）根据国务院的空气质量改善计划（国务院，2023）和魏叶翔等人的研究结果计算。产业结构升级指数（ISUI）基于杨勇华等人的工作（Yang，2023；Yan和Zhou，2025）。

4.4 场景预测
4.4.1 模型评估
为了系统评估XGBoost-SHAP模型的稳健性和泛化能力，研究采用了5折交叉验证（内部验证）和独立的离时间测试集（外部验证）方法。这些方法从不同角度量化了模型对中国沿海地区海洋碳汇容量（MCSC）的预测性能。结果总结在表5中。

表5
验证方法 | 样本范围 | R2 | RMSE（吨碳） | wMAPE |
--- | --- | --- | --- |
5折交叉验证 | 训练集内（2005-2019） | 0.9573 | 47,561 | 11.39% |
独立测试集 | 离时间样本（2020-2022） | 0.9072 | 96,760 | 18.99% |

5折交叉验证的平均R2达到0.9573，RMSE仅为47,561吨碳，wMAPE控制在11.39%，表明模型在训练数据中表现出稳健的拟合稳定性。它有效地捕捉了MCSC与各种驱动因素之间的非线性关系，而没有过拟合。在完全孤立的2020-2022年测试集上，模型保持了R2 = 0.9072，RMSE = 96,760吨碳，wMAPE = 18.99%。与交叉验证相比，误差的增加主要是由于疫情和极端气候事件引起的环境干扰，这改变了测试集相对于训练集的分布。尽管如此，所有指标仍满足政策场景模拟的准确性阈值（wMAPE < 25%），验证了模型的外部可靠性。该模型在验证框架内表现出色，为后续的因素分析和未来场景预测提供了可信的技术支持。

4.4.2 全球场景预测结果分析
基于训练有素的XGBoost-SHAP模型和三个场景的参数设置，绘制了未来十年各国海洋碳汇潜力的预测变化（表6）。

表6
MCSC | 年份 | BAU（万吨碳） | GP（万吨碳） | EP（万吨碳）
--- | --- | --- | --- |
2023 | 342.11 | 157.24 | 195.58 |
2024 | 333 | 67.47 | 96.38 |
2025 | 316.47 | 107.40 | 77.01 |
2026 | 324.71 | 42.85 | 96.30 |
2027 | 324.55 | 80.44 | 73.28 |
2028 | 334.95 | 514.41 | 58.72 |
2029 | 315.85 | 68.72 |
2030 | 324.55 | 80.44 | 73.28 |
2031 | 334.95 | 514.41 | 58.72 |
2032 | 312.44 | 363.41 | 236.30 |
2033 | 312.42 | 236.30 | 97.82 |
2034 | 312.44 | 363.41 | 236.30 |

三个场景下2023-2032年的国家海洋碳汇潜力预测变化显示了显著的层次差异，总体表现为GP > BAU > EP，如表6所示。从10年平均来看，GP以400.61万吨碳领先，比BAU（321.33万吨碳）高出24.7%，比EP（308.72万吨碳）高出29.8%，是唯一一个持续超过400万吨碳的场景。BAU表现出中等波动，主要反映了沿海生态系统的固有未管理碳封存潜力；EP不仅平均值最低，而且波动性最大（444,700吨碳），长期处于“低水平振荡”状态。从时间角度来看，三个场景表现出不同的演变轨迹。GP通过“峰值-下降-中期稳定”的模式显示出韧性：从2023-2024年的峰值419.56万吨碳下降到389.07万吨碳（减少了7.2%）。从2024年到2028年，它反弹到415.78万吨碳（增加了6.9%）。从2028年到2032年，略有下降到390.94万吨碳，但仍保持较高且稳定的水平。BAU没有明显趋势。EP场景遵循“下降-然后稳定”的轨迹：从2023年到2028年，持续下降到286.31万吨碳（减少了13.4%）。从2028年到2032年，略有反弹到313.08万吨碳（增加了9.4%）。场景之间的“碳汇差距”的演变进一步强调了干预策略的关键作用。2023年GP和EP之间的差距达到887,800吨碳，标志着十年的最大差异。EP-BAU差距从2028年的峰值486,500吨碳缩小到2032年的136,300吨碳。然而，即使在GP的最低预测值2032年（390.94万吨碳），它仍然比BAU（326.71万吨碳）高出19.7%，比EP（313.08万吨碳）高出24.9%，强调了强干预在确保稳定高碳汇水平方面的核心作用。

4.4.3 地方场景预测结果分析
第3.4.2节之前完成了2023-2032年国家规模（全球）的碳汇潜力场景预测，揭示了绿色优先场景（GP）、照常营业场景（BAU）和经济优先场景（EP）下碳汇的总体演变模式。为了进一步探索区域异质性并制定差异化的碳汇增强政策，本节重点分析了北部、中部和南部三个主要经济区的本地化场景预测，基于表7（北部）、表8（中部）和表9（南部）的数据。所有数据均通过XGBoost-SHAP模型训练生成，预测准确性通过5折交叉验证进行验证，符合分析可靠性要求。表7显示了2023至2029年北部经济圈的海洋碳汇潜力预测结果。

表8和表9分别展示了2023至2032年东部和南部经济圈的海洋碳汇潜力预测结果。从这些数据可以看出，北部经济圈的碳汇模式与全球的“GP > BAU > EP”层次结构明显不同，呈现出“EP ≈ BAU > GP”的独特配置。总体而言，三种情景下的波动幅度都很小，表明区域碳汇系统具有高度稳定性。这一反直觉的结果可以归因于三个相互作用的决定因素：

1. **产业结构刚性**：北部地区（辽宁、河北、天津、山东）是中国传统的重工业基地，具有较高的路径依赖性。在EP和BAU情景下，工业产出的维持或扩张可能会通过冷却系统排放热量导致海表温度升高，从而延长某些大型藻类的生长季节，部分抵消污染的负面影响。
2. **生态基线和承载能力**：渤海是一个半封闭的水域，水动力交换有限，已经接近富营养化阈值。GP情景要求的快速污染减排虽然长期有利，但可能会暂时破坏已经适应高营养输入的现有生态系统，导致初级生产力和碳封存能力暂时下降。
3. **政策实施滞后**：GP情景假设绿色转型可以立即且无成本地实现，从而高估了工业转型的可行性速度。实际上，与污染控制相关的高财务成本和技术障碍意味着绿色政策的碳汇效益需要相当长的时间才能显现。

此外，三种情景下的碳汇预测结果存在明显差异：GP情景的碳汇量始终低于BAU情景，而EP情景的碳汇量在某些年份甚至低于GP情景。这种长期趋同趋势表明，不同情景下的碳汇能力存在显著差异。因此，XGBoost-SHAP模型方法被证明是可靠的。5 讨论 5.1 与现有研究的比较 为了将本研究的贡献置于更广泛的背景下，将结果与先前的研究进行了比较，重点关注两个方面：预测性能和情景结果。预测性能比较。最近的一些研究应用了机器学习和集成模型来进行生态和碳相关的预测。Yan等人（2026年）使用聚类算法和可解释的机器学习方法开发了生态安全模式（Yan等人，2026年）。Zhao等人（2025年）基于机器学习方法研究了喀斯特地貌的生态敏感性（Zhao等人，2025年）。Yan等人（2025年）使用集成模型量化了渤海的碳储量动态（Yan等人，2025年）。Sospedra-Alfonso等人（2025年）通过深度学习调整了十年期的海洋碳汇预测（Sospedra-Alfonso等人，2025年）。相比之下，本研究中使用的XGBoost-SHAP模型在海洋碳汇预测方面的决定系数（R2）达到了0.907。这一结果表明，结合SHAP解释的梯度提升框架提供了一种捕捉海洋碳汇系统中复杂非线性关系的稳健方法，补充了上述研究所代表的方法论谱系。情景结果比较。现有的基于情景的分析从不同角度探讨了海洋碳汇和相关排放。Wei等人（2025年）提供了关于海洋碳汇科学进展和未来趋势的跨学科综述（Wei等人，2025年）。Chen等人（2022年）预测了福建省的中长期碳排放和碳中和情景（Chen等人，2022年）。Ye（2024年）分析了在不同发展情景下中国海洋渔业能源消耗对碳排放的影响因素（Ye，2024年）。本研究通过从回顾性或特定行业的分析扩展到基于三种政策情景（绿色发展、照常营业和经济优先）的2023-2032年海洋碳汇预测。此外，结果揭示了政策效果的地域差异：北部地区呈现“EP ≈ BAU > GP”的模式，东部地区显示“GP领先，EP下降”，南部地区则呈现“GP最优”的模式。这些发现表明需要制定区域差异化的政策设计，这是上述基于情景的研究中未明确涉及的方面。5.2 局限性 尽管研究结果具有稳健性，但仍需承认几个局限性。碳汇核算的不确定性。红树林、盐沼、海草床和海水养殖生物的碳封存系数来源于文献和国家标准，但存在显著的空间和时间变异性。使用固定系数可能会引入系统偏差。遗漏的变量。由于缺乏省级年度数据，未能包括潜在的重要因素，如海洋酸化率、极端天气事件（例如台风、海洋热浪）的频率、底栖生物干扰和微塑料污染，这可能会影响所包含变量的估计效果。情景参数的主观性。尽管情景假设基于政策文件和IPCC SSPs，但具体的年增长率仍然是专家判断。敏感性分析表明对中等程度的扰动具有稳健性，但与研究假设的极端偏差可能会改变结论。SHAP关联与因果关系。SHAP值反映了特征对模型预测的平均边际贡献，代表的是统计关联而非因果效应。未来的研究应采用因果推断方法（例如工具变量、差异法或do-calculus）来确定因果关系。省级空间尺度。在省级层面进行的分析可能会掩盖省内的显著异质性。例如，在广东省，珠江口与东部沿海水域有显著差异。需要更高分辨率的空间分析（例如沿海网格单元或县级）来为地方管理提供信息。6 结论和政策建议 6.1 结论 1. 本研究通过改进分析框架实现了方法论上的突破：将XGBoost机器学习模型与SHAP解释工具相结合，克服了传统线性分析的局限性。这种方法捕捉了控制海洋碳汇驱动因素的复杂非线性关系，同时通过量化每个因素的贡献解决了机器学习的“黑箱”问题。它为精确解读海洋碳汇驱动因素建立了新的范式，从而丰富了评估海洋碳汇潜力的理论和方法论体系。2. 确定了提高海洋碳汇潜力预测准确性的核心驱动因素：研究精确指出了自然保护区数量（NPA）、海洋水产养殖面积（MA）和总废水排放量（TWD）作为海洋碳汇的核心驱动因素。基于每个因素的生态阈值以及相关政策文件和实际案例研究的情景模拟，揭示了中国沿海海洋碳汇潜力在未来十年的发展轨迹，为有针对性的政策干预提供了科学依据。3. 2023-2032年的多情景模拟表明了一个分层的碳汇模式：GP > BAU > EP。GP表现出“初期下降后中期稳定”的趋势，而EP在恢复前减少了13.4%。区域差异明显：北部经济区呈现“EP≈BAU>GP”（以海洋水产养殖为主），东部经济区显示“GP领先，EP下降”（以城市化率为主），南部经济区则呈现“GP最优”模式。这些发现表明需要制定区域差异化的政策设计，这是前述基于情景的研究中未明确涉及的方面。5.2 局限性 尽管研究结果具有稳健性，但仍需承认几个局限性。碳汇核算的不确定性。红树林、盐沼、海草床和海水养殖生物的碳封存系数来源于文献和国家标准，但存在显著的空间和时间变异性。使用固定系数可能会引入系统偏差。遗漏的变量。由于缺乏省级年度数据，未能包括潜在的重要因素，如海洋酸化率、极端天气事件（例如台风、海洋热浪）的频率、底栖生物干扰和微塑料污染，这可能会影响所包含变量的估计效果。情景参数的主观性。尽管情景假设基于政策文件和IPCC SSPs，但具体的年增长率仍然是专家判断。敏感性分析表明对中等程度的扰动具有稳健性，但与研究假设的极端偏差可能会改变结论。SHAP关联与因果关系。SHAP值反映了特征对模型预测的平均边际贡献，代表的是统计关联而非因果效应。未来的研究应采用因果推断方法（例如工具变量、差异法或do-calculus）来确定因果关系。省级空间尺度。在省级层面进行的分析可能会掩盖省内的显著异质性。例如，在广东省，珠江口与东部沿海水域有显著差异。需要更高分辨率的空间分析（例如沿海网格单元或县级）来为地方管理提供信息。6 结论和政策建议 6.1 结论 1. 本研究通过改进分析框架实现了方法论上的突破：将XGBoost机器学习模型与SHAP解释工具相结合，克服了传统线性分析的局限性。这种方法捕捉了控制海洋碳汇驱动因素的复杂非线性关系，同时通过量化每个因素的贡献解决了机器学习的“黑箱”问题。它为精确解读海洋碳汇驱动因素建立了新的范式，从而丰富了评估海洋碳汇潜力的理论和方法论体系。2. 确定了提高海洋碳汇潜力预测准确性的核心驱动因素：研究精确指出了自然保护区数量（NPA）、海洋水产养殖面积（MA）和总废水排放量（TWD）作为海洋碳汇的核心驱动因素。基于每个因素的生态阈值以及相关政策文件和实际案例研究的情景模拟，揭示了中国沿海海洋碳汇潜力在未来十年的发展轨迹，为有针对性的政策干预提供了科学依据。3. 2023-2032年的多情景模拟表明了一个分层的碳汇模式：GP > BAU > EP。GP表现出“初期下降后中期稳定”的趋势，而EP在恢复前减少了13.4%。区域差异明显：北部经济区呈现“EP≈BAU>GP”（以海洋水产养殖为主），东部经济区显示“GP领先，EP下降”（以城市化率为主），南部经济区则呈现“GP最优且稳定”（由海洋水产养殖和水温双重驱动，GP年均碳汇量为202.1万吨）。这些发现可能为中国沿海地区（包括渤海、黄海、东海和南海，总面积473万平方公里）的碳汇管理提供指导，同时该方法论也可作为全球沿海国家的参考。6.2 政策建议 6.2.1 实施协调一致、区域差异化的治理框架，并优先考虑高敏感度参数 敏感性分析（表10）确定海洋水产养殖面积（MA）和保护区数量（NPA）为高敏感度参数（|PSC| > 1），表明这些变量的小幅相对变化会对海洋碳汇能力产生不成比例的较大影响。因此，其监管应优先考虑监测准确性和政策可控性。具体而言，MA应保持在经验得出的14万至55万亩的阈值范围内（图5B），NPA应至少扩展到每个省份83个保护区。同时，总废水排放量（TWD）接近“碳汇促进窗口”的下限（21万至25万吨），这意味着盲目的减排可能会反而抑制碳封存；因此，应采用基于区间的灵活管理方式，而不是统一减排目标。北部经济圈。鉴于重工业的主导地位，绿色干预措施必须避免与现有工业结构直接冲突。将MA保持在上述阈值范围内，可以保留藻类和贝类养殖的碳封存效益，同时减轻大规模水产养殖造成的环境干扰。同时，应优先控制工业污染，以防止因二氧化硫浓度过高导致的碳汇抑制（SDE必须低于2.6毫克/立方米）。此外，优化科学人员配置和加强技术监测可以提高碳汇管理效率。东部经济圈。城市化率是碳汇波动的主要驱动因素。严格控制城市对沿海湿地的侵占对于保护核心蓝色碳库（如盐沼）至关重要，这些湿地贡献了三大蓝色碳系统中超过76%的年碳封存量。将产业结构升级（ISUI）与废水控制（TWD ≤ 25万吨）相结合，可以防止在产业升级过程中忽视污染控制，从而缓解经济优先情景下观察到的持续碳汇下降。南部经济圈。利用热带-亚热带的热液优势，该地区支持藻类的旺盛生长和代谢。将MA稳定在阈值范围内，并提高叶绿素-a浓度（>34.5毫克/立方米），可以增强浮游植物的光合作用碳封存，从而加强碳汇。将碳汇潜力纳入经济评估可以推动当地从“生态水产养殖”向“蓝色碳经济”的转型，促进生态与经济之间的良性循环。总之，建议沿海省份建立高频、高精度的MA和NPA监测网络，并将这些指标纳入年度碳汇绩效评估中。这些措施结合区域特定的干预措施，形成了一个协调一致的治理框架，将经验阈值转化为可操作的政策杠杆。6.2.2 使政策与生态阈值保持一致，并实施基于区间的灵活管理 SHAP分析表明，海洋碳汇对人为干扰有明显的非线性响应，关键变量阈值为例：当海洋水产养殖面积（MA）保持在≥14万亩（9,333公顷）且总废水排放量（TWD）保持在“碳汇促进窗口”21万至25万吨范围内时，碳汇会增加。在经济优先（EP）情景的初期阶段，碳汇减少了13.4%，这正是由于变量偏离这些阈值范围（例如，过度扩张的水产养殖牺牲了生态效率）所致。基于这些发现，未来的海洋环境管理应优先考虑两个战略转变：首先，建立基于生态效应的阈值控制系统。将模型确定的临界值转化为操作管理红线，并辅以分区和分类的进入和退出机制。这意味着从传统的“浓度控制”转向“效应控制”，探索以生态响应为中心的精确调控策略。例如，在营养管理方面，虽然严格减少有毒污染物排放，但可以根据不同的海洋生态特征（例如寡营养水体与富营养水体）实施差异化的控制，从而实现协调的污染控制和碳汇增强。其次，对TWD实施基于区间的灵活管理。鉴于存在“碳汇促进窗口”（21万至25万吨），一刀切的减排政策并不理想。提出差异化策略：在寡营养、水流良好的水域（例如南海的离岸区域），当TWD低于21万吨时，通过控制深水水产养殖的养分排放可以增强碳封存。管理重点应放在“保持在窗口范围内”，而不是最小化排放量。在富营养、水流不畅的水域（例如渤海湾、长江口），当TWD超过25万吨时，必须严格控制总负荷并减少排放，以避免碳汇抑制和生态风险，如缺氧和有害藻类爆发。总体而言，这些措施将经验得出的生态阈值转化为可操作的政策杠杆，实现从基于浓度的刚性目标向基于效应的灵活管理的转变。6.2.3 在政策设计中承认系统滞后性和韧性 在GP情景下，碳汇潜力呈现出“初期下降后中期稳定”的趋势，表明即使采取强有力的干预措施，也需要1-2年的时间才能产生生态效应。相反，在EP情景的后期阶段（2028-2032年），碳汇的适度恢复表明系统在政策参数及时调整后具有自我恢复的韧性（例如，控制水产养殖面积和废水排放量在阈值范围内）。因此，有必要：（1）避免在政策评估中采取短期主义，给予重大生态项目至少3-5年的观察期；（2）建立动态调整机制，通过定期监测（例如，每年评估核心变量和阈值的偏差）及时修订政策参数，从而防止不可逆的系统损害。6.2.4 推进海洋碳汇市场化和价值实现 在GP情景下，碳汇潜力远超过BAU和EP，但其生态效益目前缺乏市场化的奖励机制。建议包括：（1）加速海洋碳汇方法论和试点交易方案的发展，将核心模型变量（例如海洋水产养殖）纳入碳汇核算系统（如CCER），以促进沿海海洋碳汇的发展；（2）促进海洋碳汇金融产品的创新，例如发行基于预测碳汇收入的蓝色债券，以支持海洋生态恢复和低碳水产养殖升级。