Land Use Policy｜南京大学夏南团队：机器学习揭示中国南北方耕地退化的差异化驱动因子与迁移阈值

论文摘要

研究背景：在快速城市化与气候变化的双重压力下，中国耕地系统正面临不断加剧的退化风险，对国家粮食安全构成严重威胁。然而，耕地退化背后的复合驱动机制与非线性阈值效应仍未得到充分认识，在中国南、北方差异化环境背景下尤其如此。

研究目标：为此，本研究构建多维耕地退化指数，融合可解释机器学习（XGBoost‑SHAP）与广义加性模型（GAM），识别 2000‑2020 年耕地退化的主导驱动因子及非线性阈值。

研究方法：构建多维耕地退化指数；整合可解释机器学习（XGBoost‑SHAP）与广义加性模型（GAM）；开展全国、南北方、县域多尺度驱动因子、非线性阈值分析。

研究结果：结果表明，尽管中国耕地退化整体呈现波动缓解趋势，但南方退化水平（0.435）持续高于北方（0.398）。社会经济压力主导中国南方的耕地退化，而气候胁迫因子对北方的影响更大。坡度、气温、人口密度分别是全国、北方、南方尺度下耕地退化的首要驱动因子。在县域尺度上，主导驱动因子表现出显著的空间异质性，兼具经度地带性与地形依赖性特征。广义加性模型（GAM）结果进一步揭示：耕地退化对主要驱动因子存在复杂非线性响应，具备明确的敏感区间与时变阈值；南、北方的上述阈值存在明显差异。在全国尺度下，耕地退化指数在人口密度 75 人 / 平方千米、气温 20 ℃、坡度 8 ° 条件下达到峰值。与此同时，退化风险逐步由陡坡向中等坡度区域、由人口稀疏区向人口稠密区转移。

研究结论：上述研究结果为基于阈值的预警体系以及区域差异化耕地保护政策提供科学依据，进而助力实现土地退化零增长与可持续发展。

关键图表

图1.研究区以及中国南北方县域划分。

图2.本研究总体技术路线图。

图3.县域尺度耕地退化驱动类型分类示意图。

图4.2000‑2020 年中国耕地退化指数时空演变，指数数值越高代表退化程度越严重。

图5.2000‑2020 年 (a) 全国、(b) 中国北方、(c) 中国南方耕地退化驱动因子的重要性及区域差异，以及 (d) 驱动因子时间序列分析。注：POP 代表人口密度；Light 代表夜间灯光强度；GDP 代表单位面积 GDP；Aging 代表老龄化指数；Tem 代表 2 米年均近地表气温；Drought 代表干旱指数；PD 代表耕地斑块密度；Slope 代表耕地坡度；下文均使用该缩写。