科研成果 | 基于机器学习的中国农业净碳汇预测模型构建及驱动因素响应分析

本文发表于核心期刊《环境科学》，是北大核心，中文EI，CSCD和卓越期刊，本人为通讯作者，是与公众号读者合作的第一篇文章，我主要负责数据的收集和一些算法建模的指导工作，还有全文的润色，由于读者本身有优秀的科研实力，所以首次合作的十分顺畅愉快，未来也期待继续产出给更多的研究成果。摘要如下：农业净碳汇的智能化预测及驱动因素的机制研究对推进“双碳”目标下我国农业农村减排固碳政策的实施具有重要意义.基于2000～2022年中国31个省域的农业净碳汇的测算数据和面板数据，运用多种机器学习算法构建农业净碳汇预测模型；并通过SHAP值和PDP图揭示该预测模型驱动因素对农业净碳汇的响应特征.结果表明：（1）研究构建的GWO-RF模型对农业碳净汇的预测精度高且稳定性好（MSE=0.04%,MAPE=7%,R2=0.984）.（2）模型驱动因素的重要性排序为：农田有效灌溉面积>耕地面积>省域特征>化肥施用强度>地区受教育水平>城镇化水平>农业机械化水平.（3）农田有效灌溉面积、耕地面积和化肥施用强度这3个重要驱动因素两两组合对农业净碳汇交互影响的2D PDP结果显示：其一，农田有效灌溉面积与耕地面积组合的交互作用以农田有效灌溉面积1 600×10～3 hm2为界，小于该值交互作用较弱，大于该值则较强；其二，农田有效灌溉面积与化肥施用强度组合的交互作用较弱，且以农田有效灌溉面积的影响为主导；其三，耕地面积与化肥施用强度组合的交互作用以耕地面积1 600×10～3 hm2为界，小于该值交互作用较弱，大于该值则较强.（4）上述3个驱动因素组合对农业净碳汇共同影响的3D PDP结果显示：农田有效灌溉面积对农业净碳汇的影响最为显著，几乎主导农业净碳汇变化的整个进程，其深层次原因是灌溉强度和灌溉方式均可较大程度地影响作物碳吸收和土壤碳汇的潜能.研究成果将为农业净碳汇的预测提供一种新方法和新思路，也可为政府和相关管理部门制定农业碳减排增汇规划和政策提供决策参考（唐湘博,黄有为,苏涵.基于机器学习的中国农业净碳汇预测模型构建及驱动因素响应分析[J].环境科学,2026,47(6):3556-3572.DOI:10.13227/j.hjkx.202504072.）

1. 引言

在“双碳”目标背景下，准确预测农业净碳汇并分析其驱动因素的响应机制，对于制定农业农村减碳增汇政策具有重要意义。本文基于2000-2022年中国31个省级区域的农业净碳汇核算数据和面板数据，利用多种机器学习算法构建预测模型，并采用SHAP值和PDP图揭示驱动因素对农业净碳汇的响应特征。

2. 农业净碳汇核算模型

农业净碳汇（I）由农业碳吸收（C）和农业碳排放（E）两部分组成，计算公式如下：

其中，Cj为第j种作物的经济系数，rj为含水率，Yj为产量，Hj为经济产量含水率；Ti为第i种农业活动的投入量，δi为碳排放系数。

3. 驱动因素分析与建模方法

3.1 驱动因素选择

通过文献综述和ISM（解释结构模型）方法，识别出影响农业净碳汇的主要因素，包括有效灌溉面积、耕地面积、化肥施用强度、区域教育水平、城市化水平和农业机械化水平等。

3.2 ISM模型

ISM模型用于分析驱动因素之间的层次结构和相互关系。通过构建邻接矩阵 B 和可达矩阵 K，确定各因素的层级位置。具体步骤如下：

构建邻接矩阵 B：根据因素间的直接关系构建矩阵。

计算可达矩阵 K：通过布尔运算得到 K。

层级划分：根据可达矩阵确定各因素的层级。

3.3 Lasso回归

Lasso回归用于关键因素的选择，通过引入惩罚项 λ 缩小系数，实现变量选择和模型简化。公式如下：

4. 机器学习预测模型

4.1 模型选择

本文比较了多种机器学习算法，包括支持向量机（SVM）、XGBoost、随机森林（RF）、全连接神经网络（FCNN）、K近邻（KNN）和线性回归（LR）。

4.2 GWO-RF模型

灰狼优化算法（GWO）用于优化随机森林（RF）的超参数，包括n_estimators、max_features和max_depth。GWO通过模拟灰狼的狩猎行为，寻找最优解。优化后的GWO-RF模型表现出较高的预测精度和稳定性，具体指标如下：均方误差（MSE）：0.04%；平均绝对百分比误差（MAPE）：7%；决定系数（R²）：0.984。

5. 驱动因素响应分析

5.1 SHAP值分析

SHAP值用于解释各驱动因素对农业净碳汇的贡献度。SHAP值的计算公式如下：

其中，ϕi为第i个特征的SHAP值，f 为预测模型，S 为特征子集。

5.2 PDP图分析

部分依赖图（PDP）用于展示驱动因素之间的交互作用及其对农业净碳汇的影响。本文分析了有效灌溉面积、耕地面积和化肥施用强度之间的2D和3D PDP图，揭示了以下规律：

有效灌溉面积与耕地面积：当有效灌溉面积小于1600×10³ hm²时，两者交互作用较弱；大于1600×10³ hm²时，交互作用增强。

有效灌溉面积与化肥施用强度：两者交互作用较弱，有效灌溉面积占主导地位。

耕地面积与化肥施用强度：当耕地面积小于1600×10³ hm²时，两者交互作用较弱；大于1600×10³ hm²时，交互作用增强。

6. 结果与讨论

6.1 模型性能比较

GWO-RF模型在各项评估指标上均优于其他模型，表现出较高的预测精度和稳定性。具体结果如下：

6.2 驱动因素重要性排序

根据SHAP值分析，驱动因素的重要性排序如下：

有效灌溉面积 > 耕地面积 > 省级特征 > 化肥施用强度 > 区域教育水平 > 城市化水平 > 农业机械化水平

6.3 政策建议

基于研究结果，提出以下政策建议：

1.优化灌溉管理：提高灌溉效率，扩大有效灌溉面积，增强农业碳汇能力。

2.合理使用化肥：推广科学施肥技术，减少化肥过量使用，降低碳排放。

3.保护耕地资源：稳定耕地面积，防止耕地非农化，保障农业碳汇基础。

7. 结论

本文构建了基于GWO-RF的中国农业净碳汇预测模型，并通过SHAP值和PDP图分析了驱动因素的响应机制。研究结果表明，GWO-RF模型具有较高的预测精度和稳定性，有效灌溉面积是影响农业净碳汇的最重要因素。研究结果为政府制定农业减碳增汇政策提供了科学依据和决策参考。

部分原文

由于版权原因，这里展示部分原文，有需求的读者可以自行从知网下载获取原文的pdf或者caj文件

原文链接

唐湘博,黄有为,苏涵.基于机器学习的中国农业净碳汇预测模型构建及驱动因素响应分析[J].环境科学,2026,47(6):3556-3572.DOI:10.13227/j.hjkx.202504072.