长江中下游甲烷浓度的时空异质性与多因子非线性响应

《Atmospheric Environment》：Spatiotemporal Heterogeneity and Multi-Factorial Nonlinear Response of Methane Concentrations in the Middle and Lower Reaches of the Yangtze River

　　

• •
  构建了混合统计-XGBoost-SHAP 框架用于 XCH₄ 归因。
• •
  通过物候 - 淹没耦合推导出了精细的水稻代理指标。
• •
  识别出 22–27°C 的热窗口是 XCH₄ 响应阈值的关键。
• •
  SHAP 比平滑模型更有效地阐释了局部浓度异常。
• •
  在像素级别量化了极端事件期间多因素的累积效应。

引言

大气甲烷（CH₄）是第二强的人为温室气体，在 20 年时间尺度上的全球变暖潜能值是 CO₂ 的 80 倍以上。自工业革命以来，CH₄ 对全球辐射强迫的贡献约为 30%（US EPA, 2016）。近年来，全球 CH₄ 浓度呈现出加速增长和显著波动的态势，这对《巴黎协定》确立的减排目标构成了严峻挑战（联合国环境规划署，2025）。作为全球主要的 CH₄ 排放国之一，中国迫切需要详细了解 CH₄ 的时空异质性和驱动机制，以支持其双碳目标并缓解气候减缓策略的影响。

先前的研究利用多源卫星数据和地面监测探讨了不同尺度上的 CH₄ 动态。在全球范围内，2007 年以来 CH₄ 的上升通常与热带湿地扩张和人为源（如化石燃料和牲畜）的协同效应有关（Turner et al., 2019）。部门研究确定煤矿开采、废物处理和农业是趋势增量中的主要贡献者（Stavert et al., 2022）。此外，在特定过程的归因方面取得了突破，例如中国东北的永久冻土退化（Zhichao et al., 2024）、亚洲季风区的水稻种植（Zhou et al., 2024a）以及上海等特大城市的城市尺度排放（Liu et al., 2019）。虽然这些研究奠定了基础，但它们通常难以捕捉大气系统中多个驱动因素之间复杂的非线性相互作用。

现有的 CH₄ 归因方法通常包括统计回归模型、化学传输模型（CTMs）和机器学习（ML）。然而，传统统计模型通常依赖于线性假设，可能会过度平滑数据，从而掩盖局部点源异常（Khosravi and Ouarda, 2026）。相反，CTMs 计算量大，因为它们需要在密集网格上求解高维平流 - 扩散和化学动力学方程（Jacob et al., 2016）。它们还对排放先验和行星边界层（PBL）动力学中的不确定性高度敏感（Kou et al., 2025）。虽然机器学习提高了 XCH₄ 的预测精度，但许多模型仍然是可解释性有限的黑箱（Linjing et al., 2025）。在长江中下游地区（MLRYR），研究仍存在空白，因为研究通常关注单一来源，如水稻田或煤矿开采（Holly et al., 2017; Li et al., 2025; Liang et al., 2024），而忽视了大气汇（如羟基自由基（?OH））和输送动力学（如行星边界层高度（BLH））的作用（Rigby et al., 2017; Zhao et al., 2019）。这可能导致在 MLRYR 的解释出现偏差，在那里水文、季风强迫和城市群相互作用。为此，本研究开发了一个统计-XGBoost-SHAP 框架。通过耦合涵盖气象强迫、人为活动和大气化学的 24 个驱动因素，本研究旨在识别阈值驱动的非线性响应关系，并提供更具可解释性的区域 XCH₄ 变异性分析（Li, 2024）。

章节摘要

数据与方法

图 1 显示了从数据集成到驱动因素归因的研究框架。该过程始于收集和标准化多源数据集，包括 XCH₄ 浓度、地表特征、气候指数和社会经济因素。初步统计分析使用了多重共线性诊断、三因素方差分析（ANOVA）、皮尔逊相关分析和地理探测器（GeoDetector）。这些步骤为统计-XGBoost-SHAP 框架的开发提供了信息。模型的

多重共线性解决与变量选择

为确保模型稳定性和清晰的归因，应用了使用方差膨胀因子（VIF）阈值为 9 的递归特征修剪程序（图 4）。该程序消除了可能干扰特征重要性分析的冗余信号。具体而言，在热变量（VIF > 40）中，保留了 2m 气温（Temp）作为产甲烷活动的主要热力学驱动因素，而排除了 LST 和 Dew_Temp 以防止过度表征（Chen et al.,

集成框架的比较优势

本研究构建了一个集成统计筛选、机器学习模拟和可解释归因的分析框架，以分析长江中下游地区（MLRYR）大气甲烷（XCH₄）的非线性驱动因素。与传统线性统计和空间统计模型（如地理和时间加权回归（GTWR）或多重线性回归（MLR））（Basheer et al., 2024; Wan et al., 2010; Zhu et al., 2025）相比，我们的

结论

本研究利用集成的统计-XGBoost-SHAP 框架分析了长江中下游地区（MLRYR）XCH₄ 的非线性时空驱动因素。主要科学发现如下：

• (1)
  主要驱动因素和特征重要性：模型实现了较高的预测精度（R² = 0.807, RMSE = 10.6 ppb），识别出气温（24.0%）、羟基自由基（OH, 12.8%）和 CO（9.1%）为最有影响力的三个驱动因素。这一排名表明

CRediT 作者贡献声明

苏新：写作 – 审稿与编辑，验证。王伦车：写作 – 审稿与编辑，监督。何雨琪：写作 – 原稿，软件，方法论，调查，正式分析，数据管理，概念化。冯岚：写作 – 审稿与编辑，验证，方法论。金世宽：写作 – 审稿与编辑，监督

数据可用性声明

本研究中使用的数据在互联网上可自由获取。

利益冲突声明

? 作者声明他们没有任何已知的竞争财务利益或个人关系，这些关系可能会影响本文中报告的工作。

致谢

这项工作得到了国家自然科学基金委员会（项目编号：42501402, No. 42375129, No. 42371031 和 No. 42371354）的支持，中国博士后科学基金会博士后资助计划（C 级）（项目编号：GZC20250165），中国博士后科学基金会（项目编号：2024M763063），以及湖北省自然科学基金（项目编号：2025AFB194）的支持。我们衷心感谢ECMWF（ERA5 和 CAMS 再分析）以及 NASA（MODIS 和

何雨琪|冯岚|金世宽|苏新|王伦车