南京大学发文!解码中国耕地碳排放驱动因子的时空动态——基于机器学习的分析

• SCI期刊： Journal of Cleaner Production

• 英文题目： Decoding the spatiotemporal dynamics of cropland carbon emission drivers in China: A machine learning-based analysis

• 中文题目： 解码中国耕地碳排放驱动因子的时空动态——基于机器学习的分析

• 发表时间： 2025年9月22日

• 文章链接： https://doi.org/10.1016/j.jclepro.2025.146675

🌍 研究背景

农业活动贡献全球14%的温室气体排放，其中非二氧化碳温室气体占58%。作为农业生产的主要载体，耕地是影响农业碳排放的核心。中国耕地碳排放占全国总排放的17%，远高于全球平均的11%。随着人口增长和饮食结构变化，农业碳排放压力持续加大。然而，现有研究对耕地碳排放的时空格局及其驱动因子的动态变化认识不足，制约了精准减排政策的制定。

🎯 研究意义

本研究首次构建了涵盖农资投入、稻田、秸秆燃烧、土壤排放四大来源的耕地碳排放核算框架，基于2852个县域2001–2020年的多源数据，运用机器学习方法系统揭示了碳排放驱动因子的时空动态。研究成果为区域差异化减排策略提供了科学依据，也为全球农业低碳转型贡献了中国案例。

📌 研究目的

1. 构建中国县域尺度耕地碳排放核算框架，揭示2001–2020年时空演变规律；

2. 识别全国尺度耕地碳排放的关键驱动因子及其时间演化特征；

3. 揭示九大农业区驱动因子的区域异质性；

4. 提出基于区域特征的差异化减排政策建议。

📋 研究内容

研究基于中国2852个县域2001–2020年数据，从农资投入（化肥、农药、农膜、柴油、灌溉）、稻田甲烷排放、秸秆燃烧、土壤N₂O排放四大来源核算耕地碳排放总量。采用广义线性模型和决策树分析，识别三类驱动因子（耕地利用、自然条件、社会经济）对碳排放的影响强度及其时空变化，并基于九大农业区划提出差异化减排策略。

🗺️ 研究区概况

覆盖中国大陆2852个县级行政单元，依据农业资源条件划分为九大农业区：

• MLYP：长江中下游平原

• HP：黄淮海平原

• YGP：云贵高原

• SC：华南地区

• SBSR：四川盆地及周边

• NCP：东北平原

• NASR：北方干旱半干旱区

• LP：黄土高原

• QTP：青藏高原

📊 数据概况

• 农资投入数据：中国农村统计年鉴（农药、农膜、柴油）、5km分辨率氮肥施用量、1km分辨率磷肥施用量

• 稻田数据：水稻种植面积、秸秆还田率、灌溉方式

• 秸秆燃烧数据：MODIS主动火灾数据（500m）、作物产量、草谷比、燃烧效率

• 土壤排放数据：基于氮盈余模型的N₂O排放估算

• 驱动因子数据：

• 耕地利用：面积、占比、复种指数、机械化率、化肥强度

• 自然条件：年均温、日照时数、高程、净生态系统生产力

• 社会经济：人均GDP、城市化率、人口密度

⚙️ 研究方法

1. 碳排放核算：

• 农资投入：IPCC系数法 + 生命周期排放（公式2）；

• 稻田：基于区域差异的CH₄排放模型（公式3）；

• 秸秆燃烧：结合火灾辐射功率（MaxFRP）和火点数据修正的排放模型（公式4）；

• 土壤：基于氮盈余的N₂O排放模型（公式5）。

2. 驱动因子分析：

• 广义线性模型（GLM）识别因子贡献；

• 决策树分析揭示因子重要性及阈值效应；

• 分时期（2001–2020）和分区（九大农业区）对比分析。

📈 研究结果

1. 碳排放时空格局：

• 总量从2001年813.85 Tg增至2014年峰值1070.54 Tg，后降至2020年890.87 Tg；

• 农资投入占比从56.29%升至66.24%，稻田占比从35.66%降至26.61%；

• 排放重心向西北移动1.05°N、0.21°W，秸秆燃烧重心北移6.41°N。

2. 县域减排趋势：

• 2016–2020年，1785个县域实现碳减排（占62.6%），主要集中在东部沿海和南方；

• 2011–2015年仅37个县域减排，表明减排效果近期才显现。

3. 全国尺度驱动因子：

• 耕地面积（CC1）始终主导，系数0.20–0.39；复种指数（CI3）持续正效应（>0.34）；

• 机械化率（CI1）2016年后由正转负，表明机械化的减排效应滞后；

• 高程（NG1）影响从0.34降至0.06，地形约束减弱；

• 人均GDP（SE1）2016年后由正转负，经济发展与排放脱钩。

4. 区域异质性：

• 南方：耕地扩张驱动增强（华南系数从0.44升至0.90）；

• 黄土高原：耕地扩张效应弱，进一步扩大规模可能减排；

• 青藏高原：城市化影响波动大；

• 四川盆地：部分县域秸秆燃烧成主源，而非稻田；

• 北方干旱区：年均温呈负效应，气候变暖缓解生产限制。

💬 主要讨论

• 多源融合的必要性：结合统计、遥感、火灾数据，弥补单一来源偏差，提升估算精度。

• 南北分异：北方以农资投入为主，南方稻田主导，四川盆地秸秆燃烧突出。

• 驱动因子动态性：高程影响减弱、机械化减排滞后、经济脱钩等，反映技术进步和政策效果。

• 政策启示：

• 长江中下游：推广智慧农业、精准施肥；

• 黄淮海：节水灌溉、秸秆还田；

• 云贵高原：耐逆品种、保护性耕作；

• 华南：循环农业、生物质能源；

• 北方干旱区：生态保护与技术创新协同。

✨ 创新点

1. 框架创新：首次整合农资、稻田、秸秆、土壤四大来源，构建县域尺度耕地碳排放核算体系。

2. 方法创新：

• MaxFRP和火点数据修正秸秆燃烧系数，提高估算精度；

• GLM+决策树识别因子贡献及阈值；

• 九大农业区分区对比，揭示区域异质性。

3. 数据创新：融合统计年鉴、遥感、火灾等多源数据，覆盖2852个县域20年时间序列。

4. 实践创新：识别不同区域主导排放源和关键驱动因子，提出差异化减排路径。

⚠️ 不足与展望

• 人地系统复杂性导致部分潜在因子未纳入；

• 主要分析线性关系，未充分捕捉非线性交互；

• 未来可引入深度学习模型，耦合多因子非线性效应；

• 需结合农户行为、土地流转等微观数据深化机制理解。

✅ 总结

本研究构建了多源数据融合的县域耕地碳排放核算框架，揭示了2001–2020年中国2852个县域碳排放的时空动态。主要发现：总量于2014年达峰后下降，2016–2020年1785个县域实现减排；农资投入占比升至66.24%，稻田占比降至26.61%；耕地面积始终主导，高程影响减弱，机械化2016年后呈减排效应。九大农业区驱动因子差异显著，南方耕地扩张效应增强，黄土高原扩张效应弱，青藏高原城市化影响波动。研究为区域差异化减排政策提供了科学依据，也为全球农业低碳转型贡献了中国方案。