机器学习揭示了中国南方和北方耕地退化的不同驱动因素及迁移阈值

《Land Use Policy》:Machine learning reveals divergent drivers and migrating thresholds of cropland degradation in Southern and Northern China

【字体: 大 中 小 】 时间:2026年09月21日 来源:Land Use Policy 6.6

编辑推荐:

   构建了2000—2020年中国耕地退化多维指数。应用XGBoost–SHAP和广义可加模型(GAM)揭示了主导驱动因子及非线性阈值。社会经济压力主导中国南方耕地退化,而气候胁迫在北方占主导地位。全国退化风险在人口密度75人/km2、气温20°C、坡度8°时达到峰值。退化风险从

  

构建了2000—2020年中国耕地退化多维指数。应用XGBoost–SHAP和广义可加模型(GAM)揭示了主导驱动因子及非线性阈值。社会经济压力主导中国南方耕地退化,而气候胁迫在北方占主导地位。全国退化风险在人口密度75人/km2、气温20°C、坡度8°时达到峰值。退化风险从陡坡向中等坡度转移,从稀疏人口区域向密集人口区域转移。

1. 引言

耕地是支撑人类生存的关键生产资源,其质量直接影响全球粮食安全和可持续发展目标(SDGs)的实现(Viana et al., 2022; Zheng et al., 2023; Chen et al., 2025)。近几十年来,由于人口增长、气候变化和经济发展等多重压力的叠加,耕地退化已成为全球日益严峻的挑战(Perovi? et al., 2018; Zheng et al., 2023)。据联合国数据,全球约34%的农业用地正在遭受不同程度的退化。每年估计有1亿公顷健康肥沃的土地因土地退化而丧失,对人类社会福祉和生态安全构成严重威胁(FAO, 2021; UNCCD, 2022)。中国作为农业大国,仅以世界9%的耕地养活了世界22%的人口,高强度的土地利用使其特别容易受到退化风险的影响(Li et al., 2023; Wang and Li, 2021; Feng et al., 2025a)。农业现代化大幅提高了生产力,但部分集约化耕作方式,如过量施肥和简化轮作制度,在缺乏有效管理措施时,可能加剧土壤养分失衡、土壤板结和生态胁迫(Yang et al., 2024; Lu et al., 2024)。与此同时,快速的城市扩张不断侵占优质耕地。尽管中国实施了严格的耕地保护政策,包括占补平衡和永久基本农田保护,但城市边缘的耕地流失和现有农田内部的质量退化仍然存在(Liao et al., 2025; Molla et al., 2025)。这一问题在快速城市化的地区尤为突出,如广东省,对可持续土地资源管理构成严峻挑战(Chen et al., 2022; Yang et al., 2024)。

多年来,耕地退化研究取得了显著进展,特别是在评估方法和驱动因子识别方面。早期的的大规模评估往往依赖单一指标或有限的遥感代理变量,如作物产量或归一化植被指数(NDVI),这主要得益于其广阔的空间覆盖度和数据可用性(Bai et al., 2008)。尽管产量反映了生产结果,NDVI捕捉了植被活力,但两者单独均无法充分表征地下土壤过程或生态系统多功能性,特别是在集约化管理条件下,高产可能与土壤质量下降并存(IPCC, 2022; Sanchez Casanova et al., 2023)。随着遥感技术和数据整合的进步,近年来关于耕地退化评估的研究越来越多地采用多维框架,纳入土壤有机碳、养分平衡、侵蚀强度和水分调节能力等指标(Viana et al., 2022; Chen et al., 2025)。这种综合方法能更好地反映耕地系统健康状况和退化过程的复杂性(Pr?v?lie et al., 2021; Pr?v?lie et al., 2024),同时提高早期退化检测的时间敏感性(D'Acunto et al., 2024; Li et al., 2023)。在全球尺度上,土地退化中和(LDN)倡议进一步推动了复合指标的发展,以监测不同空间尺度上的耕地退化(Li et al., 2025a; Jiang et al., 2022; Nambiar et al., 2025)。然而,中国县级评估仍然稀缺,尤其缺乏对南北地区退化模式和机制的系统比较,这限制了区域适应性管理策略的制定。

耕地退化并非由孤立因素驱动,而日益被认识到是人类-环境耦合系统内复杂互动的结果(Geist and Lambin, 2004; Reynolds et al., 2007; AbdelRahman, 2023)。实证研究表明,社会经济压力(如人口密度、经济结构和农业投入)、气候胁迫(如温度变化和干旱)、生物物理约束(如地形和土壤条件)以及政策干预,通过动态反馈共同塑造了退化轨迹(Sang et al., 2023; Elhini et al., 2024; Molla et al., 2025)。然而,大多数现有文献隐含地假设驱动因子与退化结果之间存在线性关系,这限制了对复杂土地系统固有特征——非线性响应、阈值效应和制度转换——的检测(Molla et al., 2025)。此外,驱动因子的相对重要性在不同区域差异显著:在快速城市化地区,社会经济压力往往占主导地位;而在生态脆弱或气候敏感地区,自然约束发挥更强的控制作用(Fan et al., 2012; Wang and Li, 2021; Feng et al., 2025b)。这些对比凸显了需要能够捕捉非线性和区域特异性机制的分析框架。

方法论的进步为应对这些挑战提供了新的机遇。传统的统计方法如回归分析和相关分析在处理高维交互和非线性响应方面存在局限(Liao et al., 2025; Wang et al., 2025)。相比之下,机器学习技术,包括随机森林、支持向量和神经网络,越来越多地应用于土地系统科学中,以发现经典模型无法触及的复杂模式(Pham et al., 2021; Chen et al., 2024)。其中,极端梯度提升(XGBoost)等集成学习方法具有较强的预测性能和建模非线性交互的灵活性(Allani, 2025; Li et al., 2024b)。同时,SHapley加性解释(SHAP)等解释工具能够实现变量贡献的透明归因,克服了机器学习模型的"黑箱"局限性(Meng et al., 2024)。与之并行,广义可加模型(GAM)已被广泛用于明确表征生态系统和土地系统中的非线性响应机制和阈值行为(Singh et al., 2024; Wellington et al., 2023)。因此,将XGBoost–SHAP与GAM结合可以提供一个互补框架,在识别主导驱动因子的同时揭示其非线性阈值和响应动态(Fan et al., 2025),从而对耕地退化提供更加基于过程的理解。然而,这种综合方法在中国县级耕地退化分析中很少被应用。

在中国全国尺度退化分析中,考虑中国显著的南北异质性至关重要(Liu and Zhou, 2021; Wang and Li, 2021)。中国跨越了多样的气候带、地形条件、农业系统和社会经济背景,这些因素共同塑造了不同的耕地退化路径(He, 2022; Wang et al., 2024b; Liao et al., 2025)。本研究采用33°N作为南北分界,这与秦岭-淮河线大致吻合,同时确保了全国县级分类的一致性(Wang et al., 2024a; Zhang et al., 2025)。中国北方以温带大陆性气候、相对平坦的地形和高机械化水平为特征,但面临水资源短缺和土壤荒漠化等持续性挑战(Li et al., 2025b)。相比之下,中国南方以湿润亚热带气候、碎片化地形和高人口密度下的集约化土地利用为特征,使得耕地更容易受到土壤酸化和侵蚀的影响(Liao et al., 2025)。忽视这种结构性差异可能会掩盖关键的区域异质性,简化对退化机制的理解,从而削弱政策的针对性(Ren et al., 2024)。

尽管耕地退化日益被认识到是人类-环境耦合问题,但仍有几个关键挑战尚未解决,特别是在中国这样幅员辽阔、异质性强的国家。第一,现有研究往往将退化评估与驱动因子分析分开处理,缺乏将多维退化结果与主导驱动因子及其非线性响应联系起来的综合框架。第二,尽管承认了区域异质性,但大多数全国尺度研究假设驱动机制是均一的,掩盖了驱动因子相对重要性和阈值响应在空间上的变化方式。这一点在中国尤为重要,因为气候、土地利用强度、资源可获得性和社会经济压力的差异以不同的方式塑造了耕地退化格局。第三,大多数研究依赖线性框架,无法检测到重要的非线性动态,如阈值效应和制度转换。这些动态对于理解土地系统演化和识别干预机会至关重要。弥补这些空白对于推动耕地退化研究从简单评估向基于过程、区域特异性的解释转变是必需的。

本研究将耕地退化概念化为人类-环境耦合系统的涌现结果,由社会经济压力、气候胁迫和土地固有脆弱性在时空上的相互作用所塑造。退化并非由孤立驱动因子产生,而是人类活动和生物物理约束共同作用下产生的非线性、区域差异化过程。这意味着主导驱动因子及其响应阈值在不同发展条件、气候带和地形环境下因区域而异,并可能随着耕地系统对变化压力的适应而随时间推移发生转变。基于这一逻辑,本研究不仅开发了耕地退化的多维评估,还将退化结果与可解释的驱动因子识别和非线性阈值分析联系起来,为中国区域耕地退化提供了更加基于机制的解释。

基于上述背景,本研究追求三个目标:(1)开发一套多维指数体系,评估2000至2020年中国县级耕地退化;(2)应用XGBoost–SHAP机器学习模型识别主导驱动因子并分类区域耕地退化类型;(3)运用GAM揭示中国南北方耕地退化对关键驱动因子的非线性响应,并追踪关键阈值随时间的迁移。这些工作旨在支持精准导向和区域适应性的耕地管理,并为可持续发展目标15.3.2中所述的土地退化中和进程提供信息参考。

2. 材料与方法

2.1. 研究区域

中国跨越近50个纬度,在气候、地形、农业系统和社会经济条件方面表现出显著的南北异质性。耕地主要分布在胡焕庸线以东,集中在东北平原、黄淮海平原、四川盆地和长江中下游平原等主要农业区(图1)。根据2021年发布的第三次全国国土调查数据,2019年中国耕地总面积为1.2786亿公顷,较2009年减少了753万公顷(Hu et al., 2025)。基于数据完整性和空间一致性,本研究分析了中国大陆2738个县级行政单元(县、区、县级市等)。为系统比较中国南北方耕地退化驱动因子和阈值动态,利用Google Earth Engine平台,根据各县的质心纬度对其进行分类。采用33°N作为分界线,该线大致与秦岭-淮河线吻合,同时避免了该线在中国西部不连续的问题(Wang et al., 2024a; Zhang et al., 2025)。这一务实的划分确保了全国尺度的覆盖、可重复性和分析一致性,以便识别各区域不同的退化机制。

图1. 研究区域及中国南北方各县分类。

2.2. 耕地退化驱动因子选择

借鉴土地系统科学和耕地退化研究中的成熟框架(Molla et al., 2025; Ren et al., 2024; Sang et al., 2023),我们从三个维度选取了八个驱动因子:社会经济压力、气候胁迫和耕地固有属性。社会经济压力变量包括人口密度、夜间灯光强度、单位土地面积GDP和老龄化指数。这些因素反映了人口集聚、经济活动和劳动力结构变化,直接或间接地影响耕地利用强度和退化动态(Appelt et al., 2022; Shi et al., 2024)。气候胁迫变量包括2米高度年平均近地面气温和干旱指数,代表气候对耕地系统水-热条件和植被生长的约束(Yan et al., 2024)。固有属性变量包括耕地斑块密度和耕地坡度,分别表征景观破碎化和地形特征,也是侵蚀风险和管理难度的关键决定因素(Yin et al., 2024)。

2.3. 数据来源

本研究收集了2000、2005、2010、2015和2020年中国耕地退化及其驱动因子的相关数据。耕地退化评估基于五个关键指标:净初级生产力(NPP)、NDVI、土壤有机碳(SOC)、土壤保持能力和氮肥施用强度。为确保多源数据集之间的空间一致性和可比性,所有指标均在统一的耕地分布范围内进行预处理,随后聚合到县级。首先,从土地利用数据中提取耕地分布并重采样,构建每个研究年份的全国耕地掩膜。

所有栅格数据集随后被重投影并重采样至统一的空间框架。接下来,所有变量均使用耕地掩膜进行裁剪,以去除非农业用地的影响。最后,栅格数据被空间聚合至县级行政单元。数据源和所有指标的详细说明见表1。

表1. 数据源和说明。

内容 | 维度 | 指标 | 数据源 | 说明

耕地退化 | 生产 | NPP | https://lpdaac.usgs.gov/products/mod17a3hgfv006/ | 500 m;单位:kg C m?2 yr?1

| | NDVI | https://www.ncei.noaa.gov/products/climate-data-records/ | 0.05°;单位:无量纲

| | 生态 | 土壤有机碳 | https://doi.org/10.6084/m9.figshare.27290310.v1 | 1 km;深度100 cm;单位:kg C m?2

| | 土壤保持能力 | https://cstr.cn/31253.11.sciencedb.07135 | 1 km;单位:t·ha?1·yr?1;数值越大表示土壤保持能力越强

| | 社会经济 | 单位面积氮肥投入量 | https://www.nesdc.org.cn/ | 5 km;单位:g N m?2 yr?1

驱动因素 | 社会经济压力 | 人口密度 | http://www.resdc.cn | 1 km;单位:人/km2

| | 夜间灯光强度 | https://doi.org/10.7910/DVN/GIYGJU | 1 km;单位:nW·cm?2·sr?1

| | 单位面积GDP | http://www.resdc.cn | 1 km;单位:10? CNY/km2

| | 老龄化指数 | https://dx.doi.org/10.5258/SOTON/WP006461 | 100 m;根据人口年龄结构计算65岁以上人口比例

| 气候胁迫 | 年均2 m近地面气温 | http://www.ncdc.ac.cn | 0.01°;单位:℃

| | 干旱指数 | http://www.ncdc.ac.cn | 0.01°;单位:无量纲(降水/潜在蒸散量);数值越大表示条件越湿润,数值越小表示条件越干旱

| 耕地固有属性 | 耕地斑块密度 | https://zenodo.org/records/81769413 | 30 m;单位:斑块/km2;县级耕地斑块密度由30 m土地利用数据推导。数值越大表示耕地破碎化程度越高

| | 耕地坡度 | https://earthexplorer.usgs.gov/ | 1 km,单位:°;在GEE中处理30 m分辨率DEM以生成1 km耕地坡度栅格

2.4. 方法

本研究首先利用多源遥感数据集,基于标准间相关重要性(CRITIC)方法进行客观赋权,构建多维耕地退化指数(Liang et al., 2024)。随后,我们应用XGBoost-SHAP机器学习模型识别全国、区域(中国南方和北方)及县级尺度的主要驱动因素及其空间异质性。基于主要驱动因素,各县被进一步划分为不同的退化类型。最后,我们采用广义可加模型(GAM)揭示各地区耕地退化的非线性响应和阈值效应,并追踪临界阈值的迁移。研究的整体技术路线如图2所示。

下载:下载高分辨率图片(1MB)下载:下载全尺寸图片

图2. 本研究的技术路线。

2.4.1. 耕地退化评估

遵循IPCC、IPBES、UNCCD和FAO等国际机构提出的多维土地退化评估框架(FAO, 2021, Chen et al., 2021),并考虑数据可得性,我们从生产、生态和社会经济三个视角选取了五个指标来表示中国县级尺度的耕地退化。NPP和NDVI反映地表光合生产力,对耕地生态系统的生产退化敏感。SOC直接指示土壤肥力和碳固存潜力,二者均为耕地健康的关键组成部分。土壤保持能力通过植被覆盖和保持措施量化耕地减少土壤侵蚀的能力,通过固土和缓解侵蚀损失。单位耕地氮肥施用量作为养分压力和退化风险的代理指标。过量施肥与土壤酸化和非点源污染相关。所有五个选定变量首先使用极值归一化标准化至[0, 1]区间。对于NDVI、NPP、SOC和土壤保持能力,较高的原始值表示耕地状况较好,因此对这些变量进行了反向变换,使较高的标准化值一致反映更大的退化程度。单位耕地氮肥施用量直接作为正向指标进行标准化。

为确保指标权重的客观确定,我们采用了CRITIC方法,该方法同时考虑指标的变异性和相互依赖性。该方法能够实现指标对退化指数贡献的更稳健区分(Liang et al., 2024)。所用公式如下:

(1) wj = Cj / ΣCj(求和从1到m)

(2) Cj = σj × (1 - (1/(m-1)) × Σrjk(求和k≠j))

(3) Di = Σ(wj × Zij)(求和从j=1到m)

其中wj表示指标j的权重;m为指标总数(m = 5);σj为标准差;rjk表示指标j和k之间的皮尔逊相关系数;Di为县i的耕地退化指数;Zij为县i的指标j的标准化值。

2.4.2. XGBoost算法和SHAP值分析

近年来,机器学习因其建模复杂非线性关系的能力,已被广泛应用于土地系统研究。在本研究中,我们采用XGBoost算法来量化八个驱动因素与耕地退化之间的关系。XGBoost将决策树与正则化相结合,使其特别适合处理中国耕地系统所特有的高维度和空间异质性数据(Li et al., 2024b)。模型通过最小化正则化目标函数进行训练,该函数平衡了耕地退化的预测精度与模型结构的复杂性((4), (5))。

(4) L = Σ((yi - ?i)2)(求和从i=1到n) + ΣΩf(k)(求和从k=1到K)

(5) Ωf = γT + (1/2)λω2

其中L表示要最小化的目标函数;n为样本总数;yi表示县i的观测耕地退化指数;?i为模型根据输入驱动因素生成的预测耕地退化指数;K为决策树数量;Ωf为第k棵树的正则化项;T为树中的叶节点数;γ和λ为正则化参数;ω2为叶权重的L2范数平方。

我们引入SHAP来解释XGBoost模型的"黑箱"特性。SHAP将每个县的预测退化指数分解为各驱动因素xj的边际贡献φj之和,其中较大的SHAP值表明变量在预测任务中重要性更高(公式6)。

(6) f(x) = φ0 + Σφj(求和从j=1到M)

其中xj表示多维输入特征向量x中的一个驱动因素;f(x)表示XGBoost对给定县的预测值;φ0为模型的基础值;M为特征总数;φj为表示特征xj对该县边际贡献的SHAP值。

2.4.3. 耕地退化类型分类

鉴于耕地退化具有较高的空间异质性和情境依赖性,聚合尺度上的结果往往无法捕捉局部响应机制。因此,有必要进一步将分析细化至县级,以识别特定地点的主要驱动因素及驱动因素组合。具体流程如下。首先,使用完整的县级样本集训练XGBoost回归模型,并使用R2值评估模型性能。然后,使用R中的shapviz包提取每县各年八个变量的SHAP值,并按重要性对变量进行排序,为每个县生成"驱动因素图谱"。接着,按照驱动因素分为三个维度的概念分组——即社会经济压力、气候胁迫和耕地固有属性——将各县分为四种耕地退化类型:社会经济压力型、气候胁迫型、固有脆弱型和复合驱动型。前三类对应耕地退化由单一驱动因素维度主导的情况,而复合驱动型代表没有单一维度占绝对主导、多个驱动因素影响相当相当的县。分类规则如下(图3):如果排名第一的因素的SHAP值≥排名第二因素的1.2倍,该县被划分为排名第一因素所属的类别。如果排名前两位的因素属于同一类别,该县被划分为该类别。如果排名前三的因素属于不同类别且SHAP值相近(<1.2倍),该县被划分为复合驱动型。选择"1.2"阈值旨在确保主要因素表现出充分的区分度(即至少具有20%的优势),同时减少由边际差异引起的分类不稳定性(Cohen, 1988)。这也反映了在县级异质性条件下区分实质性主导与近乎持平的SHAP贡献的需要,从而提高退化类型分类的可解释性和稳定性。最后,将县级SHAP值聚合至全国和区域层面,并计算各变量在所有县中的平均绝对SHAP值以代表其整体重要性。

下载:下载高分分辨率图片(273KB)下载:下载全尺寸图片

图3. 县级耕地退化驱动类型分类示意图。

2.4.4. 广义可加模型

尽管XGBoost在识别变量重要性方面非常有效,但对局部非线性响应机制的洞察有限。为进一步探索耕地退化如何响应不同驱动因素,我们应用GAM来捕捉耕地退化指数与各驱动因素之间的非线性关系。GAM是一种半参数回归技术,通过将线性项替换为预测变量的平滑函数来扩展传统线性模型。这种方法在保留可解释性的同时允许复杂且非平稳的关系,特别适用于建模如耕地退化等地域异质性生态过程(Makori et al., 2022)。GAM的基本形式如下:

(7) Y = β0 + s(X) + ε

其中Y为响应变量(此处指县级耕地退化指数);β0为截距;X代表单一解释变量;s(X)为非参数平滑函数;ε为随机误差项。

模型拟合使用R中的mgcv包实现。为减少离群值的影响,所有预测变量均使用log(1+x)进行变换。然后我们绘制平滑响应曲线及对应的峰值点,以揭示耕地退化沿不同驱动因素梯度的阈值行为和敏感区间。

3. 结果

3.1. 耕地退化的时空变化与阶段动态

2000年至2020年间,中国县级耕地退化指数总体呈"波动下降"趋势,南北差异显著且阶段转换明显(图4)。中国南方耕地退化持续比北方更为严重。2000年,高退化值集中在西南山区、东北黑土区和南方部分地区。到2005年,耕地退化明显缓解,低退化区域在黄淮海平原和长江中下游地区明显扩展,表明恢复明显。然而,西南地区的高退化值在2010年持续存在甚至扩大,表明该地区在复合压力下的恢复能力有限。2015年,全国耕地退化指数出现反弹,特别是在东北、中部和西南地区。到2020年,全国退化值降至最低点,南方改善尤为明显。尽管如此,北方部分地区(特别是黑龙江中北部)的持续耕地退化反映了治理效果的差异。

下载:下载高分辨率图片(771KB)下载:下载全尺寸图片

图4. 2000–2020年中国耕地退化指数的时空演化,其中较高指数值表示退化更严重。

年际动态进一步揭示了全国一致的总体趋势与明显的区域分化(图4f)。全国耕地退化值从2000年的0.458降至2005年的0.425,2015年反弹至0.452,2020年再次下降至0.415,形成"下降–反弹–下降"格局。北方的退化水平低于全国和南方平均水平,但波动更大。南方的退化水平持续偏高,2005年降至0.422,2015年升至0.460,随后2020年略有缓解至0.435。值得注意的是,2005年和2015年均代表三个区域退化轨迹的关键转折点。

3.2. XGBoost-SHAP揭示的耕地退化驱动因素的区域分化

模型评估证实了本研究方法的稳健性:全国XGBoost回归模型R2达到0.84,中国北方和南方模型分别达到0.91和0.90。此外,2000至2020年间所有年度模型的R2值均超过0.80,表明在空间和时间维度上均具有很强的解释力。平均绝对SHAP值揭示了退化驱动因素的显著差异。全国范围(图5a),坡度为首要驱动因素,其次是温度和夜间灯光,这表明地形、气候和经济压力共同塑造了退化结果。在中国北方(图5b),气候胁迫为主导驱动因素,温度的平均SHAP值最高(0.0239),远超其他变量。结合干旱指数和夜间灯光,证实了北方以气候驱动为主的模式。相比之下,中国南方主要受社会经济压力主导(图5c)。人口密度平均SHAP值最高(0.0267),其次是老龄化指数和单位面积GDP,突显了人为活动的主导作用。

下载:下载高分辨率图片(548KB)下载:下载全尺寸图片

图5. 2000–2020年耕地退化驱动因素的重要性及区域差异:(a)中国,(b)中国北方,(c)中国南方,以及(d)其时间序列分析。

注:人口密度(POP),夜间灯光强度(Light),单位面积GDP(GDP),老龄化指数(Aging),年均2 m近地面气温(Tem),干旱指数(Drought),耕地斑块密度(PD),耕地坡度(Slope)。

以下内容沿用相同的缩写。

时间分析揭示了驱动因素重要性动态变化(图5d)。尽管坡度始终是主要的全国驱动力,但其相对影响力随时间推移有所减弱。相反,人口密度和温度的重要性在2015年后显著上升,反映了城市化与气候变化带来的压力不断加剧。区域层面,南部地区人口密度始终排名第一,且在2015年后重要性急剧上升。在北部地区,温度在整个研究期间保持了主导地位,凸显了变暖的累积效应。尽管单位面积GDP和老龄化指数的贡献相对较小,但它们在两个区域的影响力均逐渐增强,表明社会经济约束正日益凸显。

**3.3 县级驱动因素识别与退化类型分类**

县级分析揭示了由经度地带性和地形依赖性所定义的耕地退化驱动因素的独特空间格局(图6a)。社会经济压力因素主导了华北平原和东南沿海地区。值得注意的是,夜间灯光的高贡献度沿京广铁路和东部沿海地区形成了垂直的"辐射带",反映了城市化对耕地系统的虹吸效应。气候驱动力在东北和西北地区形成了双极格局,主要受控于变暖和干旱胁迫。地形约束同样显著:坡度是大部分南部县和南北分界线的主导驱动因素。相比之下,以耕地斑块密度为主导的县较为稀疏且分散在南部地区,反映了局部碎片化问题。老龄化指数在四川和重庆丘陵地区呈现出明显的"岛状"分布,暗示了由农村劳动力短缺和耕地撂荒驱动的退化路径。

下载:下载高分辨率图片(582KB) 下载:下载全尺寸图片

图6. 主要县级驱动因素识别(a)和耕地退化类型分类(b)。

主要类型空间分布进一步凸显了多样化的人地相互作用(图6b)。内在脆弱性类型分布最广,集中在东南丘陵和云贵高原,表明地形约束仍是这些地区耕地利用的根本限制。复合驱动类型沿京广铁路形成带状分布,并聚集于华北平原和四川盆地,表明了多重压力的协同效应。气候胁迫类型局限于干旱的西北和寒冷的东北地区,与400毫米降水等值线高度吻合,凸显了水分可利用性的关键作用。社会经济压力类型主要出现在长三角、东南沿海、成渝地区和北方部分城市群,这些地区人口密度高和经济扩张对耕地系统施加了持续压力。

**3.4 耕地退化对驱动因素的非线性响应**

广义可加模型(GAM)的结果揭示了耕地退化对各种驱动因素存在显著的非线性响应,其特征为明显的敏感性区间和阈值效应。在全国尺度上,社会经济变量与耕地退化普遍呈倒U型关系(图7)。人口密度在75.02人/km2处达到峰值,对应退化指数为0.48。这表明高密度地区的集约化土地管理可能缓解耕地退化。夜间灯光强度和单位面积GDP分别在0.33和520,800元/km2处达到退化峰值,呈现出与环境库兹涅茨曲线(EKC)一致的模式。相反,退化风险随老龄化指数单调增加,在0.17处达到峰值,暗示了农田维护中劳动力短缺的潜在威胁。气候胁迫因素呈现出不同的响应模式。温度呈单峰模式,在20.08°C处退化达到峰值,与热适性限制和极端天气影响相吻合。干旱指数驱动退化风险持续上升,在3.51处达到峰值,表明累积胁迫效应。在内在脆弱性因素中,耕地斑块密度在8.74处达到最大退化值,揭示了景观格局的关键阈值。坡度在7.84°处表现出峰值效应,表明地形引起的土壤侵蚀和养分流失存在非线性累积。

下载:下载高分辨率图片(1MB) 下载:下载全尺寸图片

图7. 不同驱动因素对中国耕地退化的非线性效应。log1p表示自然对数变换log(1+x);"p"表示平滑项的统计显著性;解释偏度代表广义可加模型所解释的响应变量总变化比例;绿色文字表示峰值处的变量值;POP:人口密度;Light:夜间灯光强度;GDP:单位面积GDP;Aging:老龄化指数;Tem:2米高度年平均近地表气温;Drought:干旱指数;PD:耕地斑块密度;Slope:耕地坡度。以下内容沿用相同的缩写。

在中国北方,气候因素主导了退化动态,社会经济和内在约束起到补充作用(图8)。气候变量表现出特别强烈的响应。退化在温度为11.43°C时达到峰值,表明对频繁冻融循环和热量积累不足所导致的低温胁迫尤为脆弱。干旱指数在1.97处达到峰值,远低于全国平均水平,表明即使是轻微的干旱条件也可能引发退化。北方地区社会经济因素遵循比全国趋势更陡峭的倒U型曲线。退化在人口密度为42.81人/km2时达到峰值,暗示了较低的生态承载力。夜间灯光和单位面积GDP的峰值分别在0.60和953,800元/km2处出现,表明北方需要更高的经济发展水平才能缓解退化。老龄化的效应在0.19处达到峰值后转为负值,这可能归因于高度农业机械化降低了对劳动力的依赖。耕地内在属性揭示了北方独特的适应模式。斑块密度在16.64处达到峰值,显著高于全国水平,表明大规模农业景观对碎片化具有更高的耐受性。坡度效应在8.8°处达到峰值,在更陡的地形中观察到再次上升。

下载:下载高分辨率图片(1MB) 下载:下载全尺寸图片

图8. 不同驱动因素对中国北方耕地退化的非线性效应。

在中国南方,非线性动力学存在显著差异,反映了亚热带条件下强烈的人地相互作用。社会经济因素显示出更陡峭的梯度和更高的退化强度(图9)。人口密度在59.17人/km2处达到峰值,退化指数达到0.55,显著高于北方地区,凸显了人口压力与耕地稀缺之间的激烈冲突。夜间灯光显示出接近零的退化峰值,表明即使在城市化程度最低的地区,复杂地形和生态脆弱性仍可能引发退化。单位面积GDP在187,300元/km2处达到峰值,低于北方地区,表明即使在经济发展的早期阶段也可能出现退化压力。老龄化指数在0.05的低水平处达到峰值后趋于平稳,这可能反映了集约化农业对熟练劳动力的依赖。温度在11.64°C处达到峰值,干旱指数在3.51处达到峰值,与全国模式一致,但响应曲线更为平缓。内在脆弱性因素表现出强烈的区域特异性:斑块密度在3.54处达到峰值后下降,表明南方的精细农业对轻微碎片化具有较强韧性。坡度效应在7.84°处达到峰值,在较低坡度处出现更陡峭的上升,凸显了丘陵地区坡耕地的土壤侵蚀风险。

下载:下载高分辨率图片(1MB) 下载:下载全尺寸图片

图9. 不同驱动因素对中国南方耕地退化的非线性效应。

**3.5 主导驱动因素非线性响应的时空演变**

为探究退化机制,我们分析了各区域主导驱动因素的年度非线性响应。在全国尺度上,耕地坡度始终是核心驱动因素,与耕地退化指数呈现出显著的正向阈值非线性关系(图10)。拟合曲线逐年上移,表明在所有坡度梯度下退化均加剧,且较窄的置信区间确认了模型的稳健性。散点图显示出轻微右移,表明高坡度区域有所扩展。退化风险随坡度增加而后趋于平稳,揭示了中等坡度是主要退化区域。值得注意的是,坡度阈值从2000年的7.98°变为2010年的9.22°,然后急剧下降至2020年的4.11°。这一阈值下降意味着退化风险已从陡坡转移至低坡度区域,反映了集约开发平原地区日益增长的生态脆弱性以及需要引起紧急关注的隐性退化现象。

下载:下载高分分辨率图片(679KB) 下载:下载全尺寸图片

图10. 2000—2020年中国坡度对耕地退化非线性效应的演变,其中log1p为原始值的对数变换log(1+x)。

在中国北方,温度被确定为主导驱动因素。从2000—2020年,退化指数与温度之间呈现出稳定的倒U型关系(图11),但峰值温度和影响强度随时间发生了显著变化。2000年,退化峰值出现在7.17°C。然而,持续变暖似乎降低了退化水平。2005年和2015年的峰值分别出现在7.85°C和11.86°C,表明适度升温加剧了退化,而较高温度可能改善植被生长并抵消风险。2010年,曲线趋于平坦,峰值左移至3.90°C,这可能是由于气候异常或政策干预所致。到2020年,峰值右移至15.12°C,非线性模式再次变得显著,表明对温度的敏感性阈值显著增加。2015年和2020年高温段退化风险的下降暗示了耕地系统对变暖条件的适应有所改善。

下载:下载高分辨率图片(546KB) 下载:下载全尺寸图片

图11. 2000—2020年中国北方温度对耕地退化非线性效应的演变,其中log1p为原始值的对数变换log(1+x)。

在中国南方,人口密度是主要社会经济驱动因素(图12)。从2000—2015年,退化指数呈现出阶段性趋势。拐点相对稳定,在55至66人/km2之间波动。这表明中等人口密度地区的耕地退化最为严重,而低密度和高密度地区均与较低的退化水平相关。然而,到2020年,这种关系发生了转变。拐点移至约88.4人/km2,曲线变得更为平坦。这表明耕地退化对人口压力的敏感性有所下降。这一转变可能与长期的政策努力有关,包括土地整理、生态农业以及城乡一体化。这些措施可能提高了土地利用效率并降低了人口密集地区的退化风险。拐点变化还暗示该地区的生态承载力有所提高。

下载:下载高分辨率图片(542KB) 下载:下载全尺寸图片

图12. 2000—2020年中国南方人口密度对耕地退化非线性效应的演变,其中log1p为原始值的对数变换log(1+x)。

**4. 讨论**

**4.1 中国耕地退化表面缓解背后的潜在脆弱性与结构性失衡**

从2000—2020年,中国耕地退化指数呈倒N型轨迹。尽管这表明仅存在表面层面的缓解,但它掩盖了耕地系统的潜在敏感性和非线性脆弱性。区域差异也十分明显,南方持续维持较高退化水平且波动有限,而北方平均退化水平较低但波动性更大。这种对比反映了区域耕地系统在应对自然和人为压力方面响应的差异。耕地退化不均衡的时空动态主要受多因素交互作用塑造。在南方,破碎的地形、高人口密度和集约化耕作在持续压力下导致退化持续高位(Li et al., 2023)。相比之下,北方主要由平坦平原组成,该地区耕地对气候变化高度敏感。温度异常和干旱可能迅速引发土壤功能下降,导致较高的退化风险(Chen et al., 2024)。复合驱动因素也困扰着特定区域。在西南山区,高比例的坡耕地加上土地扩张往往超出生态承载阈值(Yin et al., 2024)。与此同时,东北黑土区因气候胁迫和农业强度增加而面临结构性土壤退化和功能衰退的双重暴露(Chen et al., 2024)。这些地区通常表现出"高退化低恢复"的模式,薄弱的生态韧性和低效的传统政策工具构成了严峻的治理挑战(Molla et al., 2025)。

时空差异还反映了政策反馈滞后和系统响应延迟(Pr?v?lie et al., 2024)。值得注意的是,2005年和2015年左右的拐点可能与重大政策转变有关。2004年全国取消农业税可能改变了该时期边际土地的利用和耕地使用强度(Chen, 2014)。

2015年启动的农业供给侧结构改革,通过优化种植结构和改善土壤质量,可能有助于后续退化趋势的缓解(Guo and Zhang, 2025; Reynolds et al., 2007)。简言之,中国耕地退化治理已从资源型挑战演变为复杂的结构性问题。农业体系当前受多因素交互作用、制度响应滞后以及适应能力错配等因素塑造(Huo and Chen, 2024)。未来战略必须超越减缓层面,向重构退化机制迈进。这包括认识中国南方与北方之间差异化的区域风险结构,并应对弱势制度框架下系统对急性冲击的脆弱性(Liao et al., 2025; Liu et al., 2023)。

**4.2 从地形依赖到人类主导:耕地退化驱动因素的时空转变**

本研究运用XGBoost–SHAP模型,揭示了中国耕地退化动态从受自然禀赋约束的被动演化,向受人文与气候压力驱动的主动重构阶段的转变。这一转变反映了土地系统脆弱性的变化机制。地形相关因素,尤其是坡度,历史上对土壤侵蚀风险、土壤深度和机械化可行性具有强控制作用,导致退化过程很大程度上是被动发生的(Li et al., 2024a)。然而,快速城镇化和农业集约化通过重新配置劳动力、资本和投入要素,逐步削弱了这些自然约束,使人为主体的压力得以超越土地固有适宜性(Feng et al., 2025a)。人口密度和经济活动的上升通过增加投入品使用、碎片化管理以及农业与非农业用地之间的竞争,加剧了土地-use压力,这在人口稠密的平原地区和城市扩张廊道尤为突出(Zheng et al., 2024)。与此同时,气候变暖通过改变作物生长条件、加剧干旱胁迫而放大退化风险,这在气候敏感区的北方和过渡带地区尤为明显(Yan et al., 2024)。这些交互作用过程解释了为何在许多地区温度和人口密度已逐渐超越坡度成为主导驱动因素。由此产生的退化驱动因素空间分异反映的是不同的底层机制,而非简单的区域对比。在低地和经济发达地区,退化日益由社会经济压力驱动,使土地-use绩效与自然约束脱耦。相比之下,在高纬度生态过渡区,气候胁迫与相对脆弱的土地系统相互作用,使退化结果对温度和水分变化高度敏感。山区仍受地形约束,限制适应能力并维持以坡度为主导的退化路径。复合驱动型区域是多种机制非线性交互的地带,通常位于快速土地-use变化、生态脆弱性和制度碎片化的交汇处(Appelt et al., 2022)。在这些区域,单一因素的干预是不够的,退化风险日益向管理能力薄弱的低地和高密度人口地区转移(Chen et al., 2022)。这一趋势凸显了需要超越对单个驱动因素的静态控制,转向对耦合的人–环境退化路径进行综合调控。

**4.3 非线性响应与阈值转移:识别耕地退化的拐点**

传统模型通常假设耕地退化与其驱动因素之间存在线性关系。与之不同,本研究通过GAM识别出显著的非线性响应模式。耕地退化往往在特定阈值区间内急剧上升,随后趋于稳定甚至下降。这种倒"U形"或平台式响应表明农业系统中存在敏感性阈值和适应极限(Singh et al., 2024; Wellington et al., 2023)。人口密度、温度和坡度是三个主要驱动因素,每个因素对耕地退化均表现出独特的非线性响应。在南方,当人口密度达到约59人/km2时退化达到峰值,随后缓慢下降。该模式与环境库兹涅茨曲线一致,表明早期城镇化增加了生态压力,但后期阶段可能通过集约化管理和科技进步带来修复(Anthony, 2023)。在北方,当2米近地面年均气温达到约11.43°C(本研究使用的标准化范围)时,退化风险达到峰值。超过该阈值后进一步升温与退化风险轻微下降相关,这可能与热量累积增强有利于作物生长有关。综合来看,这些结果表明耕地退化与其驱动因素之间存在区域特异且不断演变的阈值(Feng et al., 2025b; Feng et al., 2025a)。

重要的是,退化阈值并非固定不变,而是随时间推移发生转移。例如,与高度退化相关的坡度阈值从2010年的9.22°下降到2020年的4.11°,表明风险从更陡的地形向更平坦的地貌迁移。退化的坡度非线性响应源于中等坡度耕地被集约化耕作,同时又遭受土壤侵蚀,导致高度退化。相比之下,非常平缓的坡度径流和土壤流失较少,而非常陡峭的坡度通常撂荒或进行低强度耕作,导致退化值稳定甚至降低。随时间推移,机械化耕作扩张和城镇化等集约化人类活动将压力延伸至此前安全的平坦区域,削弱了自然缓冲,形成潜在的退化区域(Meng et al., 2024)。因此,静态风险指标不足以进行及时诊断。为此,亟需建立基于时间序列非线性模型的动态风险识别系统。这些系统应将阈值监测、治理响应和适应能力整合到统一的监管框架中。实时检测、分级预警和目标干预可以闭合退化管理的循环。识别系统薄弱环节和过渡区对增强韧性和在不确定条件下支持自我恢复至关重要。

**4.4 局限性与未来研究展望**

尽管本研究开发的耕地退化指数较为全面,但由于数据限制,可能无法完全捕捉地下过程或某些生物地球化学过程。此外,虽然XGBoost–SHAP–GAM框架具有较强的解释力,但因果推断仍受观测数据本质的制约。政策干预也未被直接纳入为显式驱动因素,因为在长时间尺度上难以进行一致量化。尽管识别出的阈值较为稳健,但未来研究可提高时间分辨率,以更精确地检测年内变化和可能的滞后效应。进一步研究还应将过程导向模型与多源土壤和生态观测相结合,以验证推断机制并深化耕地退化的表征。此外,分层或跨尺度建模将有助于阐明在不同空间水平上运行的驱动因素之间的相互作用。最后,将退化动态与作物产量和粮食安全结果更直接地联系起来,将进一步增强该研究方向的政策相关性。

**5 结论与政策启示**

**5.1 结论**

本研究建立了多维度耕地退化评估框架,并通过整合XGBoost、SHAP和GAM,系统揭示了2000–2020年间中国南方和北方耕地退化的驱动机制、非线性响应模式和动态阈值转移。尽管全国尺度耕地退化总体呈现波动减缓趋势,但区域差异依然显著。气候胁迫主要驱动中国北方退化,而社会经济压力在南方占主导。在全国尺度上,坡度仍是最有影响力的驱动因素,但气候变化和社会经济转型日益增大的压力已逐渐重塑了这一格局。在县级尺度上,主导驱动因素表现出显著的空间异质性,由纬度地带性和地形依赖性共同塑造。主导驱动类型也呈现明显的空间集聚:固有脆弱型在东南地区广泛分布,复合驱动型集中在华中地区,气候胁迫型主要分布于西北地区,社会经济压力型在大城市群尤为突出。耕地退化对多个驱动因素表现出显著的非线性响应,敏感性区域和阈值值在不同地区差异很大。在全国尺度上,峰值退化出现在人口密度约75.02人/km2、温度20.08°C和坡度7.84°时。在北方,退化以气候为主导,可在相对较低的温度和干旱阈值下被触发,表明生态承载力相对较低。在南方,社会经济因素即使在相对较低的水平上也施加了强烈的退化压力,而地形复杂性强化了高度敏感的人–环境耦合系统。非线性响应的时间分析进一步表明,全国坡度阈值随时间下降,表明退化风险从陡坡向更平缓的地形转移。在北方,温度敏感性阈值发生显著变化,反映了耕地系统在气候变化下的适应性重构。在南方,人口密度阈值向右移动,表明退化风险从较低密度区域向较高密度区域迁移。

**5.2 政策启示**

本研究识别出的差异化区域驱动因素和转移阈值表明,静态且统一的耕地保护政策越来越与退化的非线性和空间异质机制不相匹配。基于GAM的结果揭示,退化响应在不同地区差异显著且动态演化,使一刀切的监管标准失效。因此,耕地治理应转向适应性和精准导向的框架,在国家和区域规划体系中嵌入差异化管理策略,并根据区域特异性驱动因素和敏感性阈值进行校准。在气候敏感的北方地区,退化主要受热量和水分条件约束,政策重点应聚焦于增强气候韧性,例如补贴高效灌溉技术和推广耐旱耐热作物品种。相比之下,社会经济压力主导的南方地区需要更严格的土地-use强度监管。执行生态红线和永久基本农田保护以遏制城市侵占优质耕地,结合绿色集约化技术投入(如测土配方施肥),将有助于缓解超出已识别人口密度阈值区域的非线性退化风险。

除了区域差异化之外,退化风险从陡坡向平坦且集约化耕种平原迁移的观察,凸显了主要关注地形脆弱区域的静态监测方案的不足。这一转变凸显了建立阈值触发预警机制的必要性,以识别低地农业系统中的"隐性退化"。将实时监测与本研究中识别的非线性拐点相结合,可以实现在不可逆功能丧失发生前的目标干预,例如休耕要求或生态补偿。这种机制还将使干预强度能够随时间动态校准,而非依赖固定的保护标准。同时,县级主导退化驱动因素的识别为地方政策实施提供了可操作支持。鉴于阈值和驱动机制在空间异质性上表现强烈,县级应作为适应性耕地治理的核心运作单元。通过将差异化和基于阈值的策略嵌入高标准农田建设计划和土地利用管理框架等现有举措中,中国可以更好实现对退化机制的资源配置。这种适应性和机制导向的治理路径不仅将增强耕地系统在加速的气候和社会经济变化下的韧性,还将加强中国对实现土地退化中性目标的贡献。

**CRediT作者贡献声明**

Jiale Liang:原创草稿撰写、可视化、软件、资源、方法论、形式分析、数据整理、概念化。Jér?me Chenal:审阅与编辑、监督、资源。Nan Xia:审阅与编辑、监督、资源、资助获取。Sipei Pan:软件、数据整理。Jean-Claude Baraka Munyaka:软件、数据整理。Wanxu Chen:软件、数据整理。Manchun Li:监督、资助获取。

Jiale Liang | Jér?me Chenal | Nan Xia | Sipei Pan | Jean-Claude Baraka Munyaka | Wanxu Chen | Manchun Li
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