使用可解释机器学习方法揭示广东省县级农业碳排放的时空格局及潜在影响因素

《Sustainability》:Unraveling the Spatiotemporal Patterns and Potential Influencing Factors of County-Level Agricultural Carbon Emissions in Guangdong Province Using Interpretable Machine Learning

【字体: 大 中 小 】 时间:2026年07月28日 来源:Sustainability 4.1

编辑推荐:

  农业碳排放是温室气体的主要来源,在实现全球气候中和与可持续农业发展目标中扮演关键角色。在中国,农业生产系统的快速转型导致农业碳排放模式和驱动机制存在显著的空间异质性,而县级尺度的潜在过程仍未被充分理解。本研究调查了2000年至2022年中国广东省县级农业碳排放

  
农业碳排放是温室气体的主要来源,在实现全球气候中和与可持续农业发展目标中扮演关键角色。在中国,农业生产系统的快速转型导致农业碳排放模式和驱动机制存在显著的空间异质性,而县级尺度的潜在过程仍未被充分理解。本研究调查了2000年至2022年中国广东省县级农业碳排放的时空演变及潜在影响因素。首先,研究人员基于涵盖土地管理、作物种植、动物生产和秸秆燃烧的多源核算框架,采用国际公认的排放核算方法及IPCC全球变暖潜势(GWP)估算农业碳排放。然后,利用局部空间自相关分析(LISA)识别异质性排放模式的空间聚类特征。最后,结合随机森林(RF)和SHapley Additive exPlanation(SHAP)的可解释机器学习框架,量化多个社会经济和农业驱动因子的非线性效应及相对贡献。结果表明,广东省农业碳排放呈现波动但总体下降趋势,从2000年的50.89 Mt CO2-eq降至2022年的39.24 Mt CO2-eq,总体降幅为22.9%。高排放集群主要集中于粤西和粤北,而低排放区域主要位于珠江三角洲(PRD)。RF模型表现良好,不同年份空间交叉验证的R2值在0.75至0.91之间。SHAP分析表明,耕地面积、化肥和农药使用量、农业机械总动力以及第一产业GDP是农业碳排放的主要相关因子,而城市化率则始终呈现负相关。此外,这些驱动因子表现出显著的非线性响应和区域异质性,尤其在PRD与粤西、粤北之间。这些发现表明,农业碳排放受农业生产强度、机械化和社会经济转型共同影响,可为制定区域差异化的低碳农业政策及促进农业系统可持续转型提供科学依据。
**论文解读:广东省县级农业碳排放时空格局与驱动机制——基于可解释机器学习的研究**

**背景与问题**

农业碳排放是全球温室气体(GHG)的重要来源,对实现气候中和与可持续发展目标至关重要。国际气候变化专门委员会(IPCC)指出,农业是第二大人为GHG排放部门,贡献超过17%的总排放量。在中国,农业活动通过化肥施用、作物种植、畜牧生产和土地管理产生大量二氧化碳(CO2)、甲烷(CH4)和一氧化二氮(N2O)。然而,由于环境和社会经济条件的区域差异,农业碳排放及其减排潜力存在显著空间异质性。现有研究多基于国家、省或市尺度,但县级尺度作为政策实施的基本单元,其排放特征和驱动机制研究仍相对不足。传统统计方法依赖于线性假设,难以捕捉非线性关系、交互效应和阈值响应。此外,农业碳排放受多种自然与社会经济因素复杂交互影响,亟需新的分析方法。广东省作为中国经济最发达且农业集约化程度较高的地区之一,其农业生产模式、资源利用和社会经济发展存在显著空间差异,是研究县级农业碳排放动态的理想案例。

**研究目的与意义**

本研究旨在:(1)系统刻画2000—2022年广东省县级农业碳排放的时空演变,重点关注空间异质性和聚类特征;(2)量化关键社会经济和农业驱动因子的相对贡献,识别其层级重要性;(3)利用可解释机器学习框架揭示关键因子的非线性效应、交互机制和潜在阈值响应,为制定区域差异化低碳农业政策、促进农业系统可持续转型提供科学依据。论文发表在《Sustainability》。

**主要关键技术方法**

研究人员采用以下关键技术方法:(1)基于多源核算框架(涵盖土地管理、水稻种植、畜牧生产和秸秆燃烧)估算农业碳排放,排放因子来源于中国生命周期数据库(CLCD)、橡树岭国家实验室(ORNL)及IPCC指南,全球变暖潜势(GWP)依据IPCC第六次评估报告(AR6)设定CH4和N2O分别为27和273;(2)局部空间自相关分析(LISA)的Local Moran’s I统计量,采用反距离权重法构建空间权重矩阵(阈值距离116 km),通过999次随机化置换检验识别高-高(H-H)、低-低(L-L)、高-低(H-L)和低-高(L-H)聚类;(3)随机森林(RF)模型,经五折空间交叉验证优化超参数(ntree=500, mtry=3),以R2、RMSE、MAE评估性能;(4)SHapley Additive exPlanation(SHAP)方法,基于合作博弈论量化每个预测因子对模型输出的贡献,包括全局重要性、依赖图和交互分析。数据来源为2001—2023年广东农村统计年鉴,缺失值采用回归插补,所有变量经正态得分变换(NST)预处理。样本队列为广东省124个县级行政单元。

**研究结果**

**3.1 广东省农业碳排放总体特征**:通过时间序列分析,2000—2022年农业碳排放呈波动下降趋势,总排放从50.89 Mt CO2-eq降至39.24 Mt CO2-eq,降幅22.9%。水稻生产和土地管理是最主要排放源,合计约占70%。区域差异显著,粤西和粤北排放高于珠三角(PRD)和粤东,变异系数(CV)从82.99%增至101.6%,表明区域差异随时间加剧。

**3.2 农业碳排放时空分布格局**:利用自然断点法分类制图,高排放县集中于粤西和粤北(如开平、台山、英德、怀集、五华),低排放县主要分布于珠三角及粤北、粤东部分县(如连南、武江、源城、梅江及沿海县)。86个县(69.4%)排放下降,主要位于珠三角;38个县(30.6%)排放上升,集中于粤西和粤北。

**3.3 农业碳排放时空聚类格局**:Local Moran’s I分析表明全局Moran’s I从2000年的0.290增至2022年的0.592,空间依赖性增强。H-H集群主要分布于粤西和粤东北部,数量从11个增至20个;L-L集群集中于珠三角,数量减少但分布稳定;H-L异常值在珠三角周边增加(从7个增至10个),反映农业活动向外迁移。人均碳排放的空间聚类更强(全局Moran’s I从0.394增至0.676),H-H集群向粤北和西北迁移,L-L集群在珠三角和粤东扩张。

**3.4 农业碳排放潜在影响因素选择**:初始考虑11个候选变量,经Boruta特征选择确定7个必要预测因子(第一产业GDP(PGDP)、化肥和农药使用量(FPU)、农业机械总动力(AMP)、耕地面积(PA)、行政面积(AREA)、城市化率(UR)、人均第一产业GDP(PCPG))及1个可选因子(人口规模(POP)),方差膨胀因子(VIF)均小于10,无多重共线性。

**3.5 基于可解释机器学习的驱动机制分析**:RF模型在四个代表年份的R2为0.75—0.91,RMSE为9.72×104—11.56×104 t CO2-eq,残差空间自相关弱(0.07—0.18,p>0.1),模型稳健。SHAP总结图显示PA始终为最重要预测因子,FPU次之;PA呈单调正相关,FPU和AMP具有非线性效应,UR始终负相关。随时间推移,AMP的正贡献增强,FPU的边际效应减弱。

**3.6 关键因子非线性响应的区域差异**:SHAP依赖图显示PA在所有区域呈单调正相关,粤西和粤北县PA值高、SHAP值高,珠三角PA低。FPU存在阈值效应(超过3—4×104 t后排放快速增加),粤西县处于高值端,珠三角县处于低值端。AMP的正贡献随时间增强,2022年高机械化县SHAP值高,粤西县机械化水平高,珠三角县低。UR始终负相关,珠三角UR最高、负SHAP值最强,粤西和粤北UR低、正贡献大,且存在饱和效应。

**3.7 不确定性分析与局限性**:排放估算存在排放因子不确定性,县级统计数据的准确性有限;RF-SHAP揭示的是统计关联而非因果效应;部分农业活动变量与排放核算框架存在重叠;研究仅在广东省进行,结论可迁移性需进一步验证。

**结论与讨论**

本研究通过集成空间分析和可解释机器学习框架,揭示了2000—2022年广东省县级农业碳排放的时空演变及驱动机制。主要结论如下:(1)农业碳排放呈波动下降趋势,总排放减少22.9%,水稻生产和土地管理为最主要排放源,空间格局为粤西>粤北>珠三角>粤东。(2)空间聚类随时间增强,高排放集群集中于粤西和粤北,低排放集群保持珠三角中心,H-H集群扩张及H-L异常值外移表明区域分化和空间依赖增强;人均碳排放空间聚类更强,突显人口差异的重要性。(3)耕地面积、化肥和农药使用量、农业机械总动力、第一产业GDP和城市化率为主要相关因子。PA始终为正贡献最强,FPU和AMP呈非线性响应,UR稳定负贡献。不同区域因子效应差异显著,需制定差异化低碳农业政策。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号