《Agricultural Systems》:Explainable machine learning decrypts the impact of compound drought and heat events on the agricultural net carbon sink: Evidences from Middle Yangtze Region, China
编辑推荐:
Tiangui Lv|Menghan Yuan|Xianzhe Huang|Gui Jin|Li Wang|Qiao Zhao•XGBoost-SHAP方法可量化复合干旱与热浪事件对农业净碳汇的非线性影响。•研究确定了平均严重程度、平均持续时间和总持续时间的关键阈值。•这种胁迫会
Tiangui Lv|Menghan Yuan|Xianzhe Huang|Gui Jin|Li Wang|Qiao Zhao
- •
XGBoost-SHAP方法可量化复合干旱与热浪事件对农业净碳汇的非线性影响。
- •
研究确定了平均严重程度、平均持续时间和总持续时间的关键阈值。
- •
这种胁迫会呈现动态的空间变化,严重程度多集中在西南部,而持续时间则向西收缩。
- •
其影响可视为一个复杂过程,涉及阈值、空间重构以及系统的恢复能力。
引言
极端气候事件的加剧——无论是从持续时间、频率还是强度来看——已成为全球环境变化的一个显著特征,给人类社会和自然生态系统带来了诸多严峻的挑战(Du等人,2025)。近年来,包括2021年的北美“热穹顶”现象以及2022年欧洲的热浪和干旱在内的极端天气事件愈发频繁地发生(Fischer和Sch?r,2010;Beobide-Arsuaga等人,2025)。据哥白尼气候变化服务组织的数据,2023年是有记录以来最热的一年,全球日均气温一度超过工业化前水平的2℃以上。农业生态系统的适应能力较弱,因此特别容易受到这些极端天气的影响,其生产力以及所提供的生态系统服务往往会出现严重 disruption(Mairura等人,2023;Ng等人,2023)。因此,迫切需要定量评估这些日益严重的复合极端天气如何具体影响重要农业系统的碳封存能力。
作为一项重要的生物地球化学过程以及关键的生态系统服务,碳循环是农业系统具备气候缓解作用的基础(He等人,2022)。然而,这一过程对气候扰动极为敏感。IPCC第六次评估报告明确指出,气候变化正在导致全球范围内极端干旱和热浪事件的频率、强度以及复合性大幅增加(Gruber等人,2021;T.M等人,2023),进而直接威胁到陆地碳汇的稳定性(Hassan等人,2024;Scholz和Lora,2024)。因此,在持续的气候变化背景下,准确量化极端干旱和热浪事件对主要农业区域净碳汇的影响,已成为维持农业系统韧性并保持气候缓解能力的紧迫科学任务。
要推进这一研究方向,就需要在具有代表性的农业区域开展针对性研究。长江中游地区是中国主要的粮食生产区(Lv等人,2024),它在保障粮食安全与推动低碳发展方面发挥着双重作用。该地区处于湿润的季风气候带,加之农业活动密集以及生态属性处于过渡状态,使其成为研究气候胁迫与农业生态系统响应之间相互关系的理想区域(Lv等人,2025)。不过,长江中游地区越来越容易遭受复合型干旱和热浪事件的侵袭。官方记录显示,2013年、2019年和2022年,该地区都经历了长时间且范围广泛的高温和干旱天气,导致农作物产量下降,农业经济遭受巨大损失。具体而言,2013年夏季,长江中下游地区气温超过35℃的天数达到了1951年以来的最高水平;在干旱最严重的时期,湖南和湖北两省的受影响耕地面积是多年平均水平的四倍,江西等其他省份也出现了严重干旱。2019年又出现了中度干旱,而2022年则整个长江流域——包括长江中游地区——遭遇了有记录以来最严重的气象和水文干旱(中国防灾减灾委员会编,2022)。
在全球变暖背景下,极端干旱和热浪事件日益频发,这进一步威胁到了净碳汇的稳定性。但目前的相关研究仍存在诸多局限,因为大多数研究都是在相对稳定的气候条件下,重点探讨农艺管理措施——如耕作制度、肥料使用、作物系统调整以及技术干预等(She等人,2017;Zhang等人,2024;Tan等人,2025),而对作为新兴且关键胁迫因素的极端干旱和热浪事件关注不足(Hassan等人,2024;Scholz和Lora,2024)。现有的研究通过采用多种方法,为农业净碳汇评估奠定了坚实基础,这些方法包括IPCC系数法、CASA模型(Lv等人,2025)、核密度估计法、地理检测器法(She等人,2017)以及障碍因子模型,用以分析时空分布规律及其驱动机制。
然而,极端干旱和热浪事件带来的突发性和复合性影响仍然很少被纳入考量。方法论上的局限性进一步加剧了这一困境:目前常用的方法——如地理检测器法、线性回归以及其他传统统计模型(Li等人,2022;Song等人,2024)——往往无法准确捕捉极端干旱和热浪事件与碳封存之间的复杂非线性关系。此外,现有研究还存在明显的地域偏向,大多集中在非亚洲地区或单一气候带环境中(He等人,2022;Tan等人,2025),而对于那些农业活动密集、气候季节性明显且生态过渡特征突出的地区,如长江中游地区,相关研究则相对匮乏。XGBoost-SHAP框架通过无需假设线性关系就能有效捕捉非线性阈值和交互效应,并能够量化各影响因素的作用方向和强度,从而解决了上述问题(Somala等人,2024)。为了弥补这些相互关联的缺陷,本研究构建了一个全新的分析框架,整合了三个维度:极端干旱和热浪事件带来的胁迫、可解释的机器学习方法,以及典型农业系统的功能特征。这一方法不仅有助于深入理解湿润季风农业环境中的碳汇脆弱性,还为在类似全球背景下识别驱动因素、解析作用机制以及评估空间响应提供了可借鉴的方法。
本研究的一个核心创新点在于,它明确关注极端干旱和热浪事件对农业净碳汇的非线性阈值效应,而这在以往的研究中几乎未被重视。具体而言,本研究要解答三个主要科学问题:(1)极端干旱和热浪事件的三个维度——严重程度、平均持续时间以及总持续时间——是如何以非线性方式影响农业净碳汇的?其关键阈值又是多少?(2)极端干旱和热浪事件对农业净碳汇的影响存在怎样的空间异质性特征以及动态演变规律?(3)农业管理措施如何才能减轻极端干旱和热浪事件的负面影响?解答这些问题将为基于关键阈值建立早期预警系统,以及制定差异化的适应性策略提供科学依据。为了克服以往研究在研究重点、方法论以及地域范围方面的局限性,本研究首先基于碳循环原理对农业净碳汇的时空变化情况进行了分析。随后,通过对比多种机器学习模型,选择了预测精度更高的XGBoost算法,并将其与SHAP框架相结合,从而全面量化极端干旱和热浪事件对农业净碳汇的非线性影响、作用机制以及空间异质性特征(见图1)。
章节要点
研究区域
长江中游地区位于中国中部,涵盖湖北、湖南和江西三省(见图2)。该地区属于亚热带季风气候区,光照、热量和水资源条件十分优越(Lv等人,2025)。作为重要的粮食生产基地和农产品供应地,该地区拥有约113,000平方公里的耕地,农业集约化程度很高(Lv等人,2023a)。同时,该地区还承担着
农业碳排放量的测算
在本研究中,分别计算了农业生物质排放、水稻甲烷排放以及土壤一氧化二氮排放所带来的碳源,以此确定研究区域的碳排放量。二氧化碳排放量被作为参考值,而甲烷和一氧化二氮排放量则根据各自的全球变暖潜力系数换算成二氧化碳当量,以便后续分析(Li等人,2022;Lv等人,2025)。
农业净碳汇的时间特征
总体来看,2005年至2023年间,长江中游地区的农业净碳汇水平呈波动上升趋势。其数值从2005年的2674.087千吨上升至2023年的3761.083千吨,年均增长率为1.920%(见图4a)。其中,2005年至2015年期间,农业净碳汇水平上升趋势较为明显,年均增长率为3.128%,增长幅度较大;而2016年至2023年期间,其增长速度则有所放缓,年均增长率
极端干旱和热浪风险与农业净碳汇水平的动态相关性分析
目前关于极端干旱和热浪事件与农业净碳汇的研究,大多侧重于相关政策所带来的生态效应。但从微观层面来看,两者之间的动态相关性仍缺乏系统研究。为填补这一空白,我们为研究区域制作了ASev、ADur、TDur与农业净碳汇水平的叠加分析图(见图10)。农业净碳汇水平是采用自然断点法进行分类的,而ASev、ADur和TDur的高风险区域则是根据前文确定的非线性阈值来划定的
结论
- (1)
从时间维度来看,2005年至2023年间,长江中游地区的农业净碳汇水平呈现波动上升趋势,数值从2674.087千吨上升至3761.083千吨,年均增长率为1.920%。从空间特征来看,该地区的农业净碳汇呈现高值区域聚集、低值区域带状分布的特点。高值区域主要集中在研究区域的西部和东南部,而低值区域则多集中在中部
CRediT作者贡献说明
Tiangui Lv:论文撰写——审阅与编辑,论文撰写——初稿撰写,结果验证,研究监督,项目管理,资金获取,概念构思。 Menghan Yuan:论文撰写——初稿撰写,可视化处理,结果验证,软件应用,方法设计,定量分析,数据整理,概念构思。 Xianzhe Huang:可视化处理,结果验证,定量分析,数据整理。 Gui Jin:论文撰写——审阅与编辑,论文撰写——初稿撰写,项目管理,资金获取,概念构思。 Li
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
本研究得到了国家自然科学基金(项目编号:42261049、72473130)、江西省自然科学基金(项目编号:20232BAB203061)以及江西省社会科学基金(项目编号:25GL12)的支持。