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

来源：环境科学杂志2026年第1期北京时间：

作者：唐湘博,黄有为,苏涵

单位：湖南工商大学前沿交叉学院, 长沙 410205,湘江实验室, 长沙 410205,湖南工商大学前沿交叉学院, 长沙 410205,中央财经大学管理科学与工程学院, 北京 100081

摘要：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1 600×103 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1 600×103 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.

关键词：农业净碳汇,预测模型,灰狼优化-随机森林算法（GWO-RF）,ISM算法,Lasso回归,