基于集成机器学习的祁连山草地全球变暖潜力预测

引用本文

王涵颖, 张美玲, 巩彦君, 蔡佳坊. 基于集成机器学习的祁连山草地全球变暖潜力预测[J]. 环境科学, 2026, 47(9): 6177-6187.

WANG Han-ying, ZHANG Mei-ling, GONG Yan-jun, CAI Jia-fang. Prediction of Global Warming Potential of Qilian Mountain Grassland Ecosystem Based on Ensemble Machine Learning[J]. Environmental Science, 2026, 47(9): 6177-6187.

基于集成机器学习的祁连山草地全球变暖潜力预测

王涵颖¹, 张美玲^1,2, 巩彦君¹, 蔡佳坊¹

1. 甘肃农业大学理学院，兰州 730070;
2. 甘肃农业大学数量生物学研究中心，兰州 730070

收稿日期: 2025-07-17; 修订日期: 2025-10-15

基金项目: 国家自然科学基金项目（32260353）；甘肃省重点研发计划项目（21YF5WA096）

作者简介: 王涵颖（2001~），女，硕士研究生，主要研究方向为环境与生态统计和机器学习，E-mail：494296748@qq.com

通信作者: 张美玲, E-mail: zhangml@gsau.edu.cn

摘要: 祁连山草地生态系统作为重要碳储存区，其全球变暖潜力（GWP）预测对气候适应性管理至关重要. 基于1980~2024年多源数据，融合XGBoost、LightGBM、CatBoost和随机森林，构建集成的机器学习模型，预测2025~2060年在不同气候情景下的GWP动态. 结果表明：①集成机器学习模型性能最优，决定系数（R²）为0.938，均方根误差（RMSE）显著低于单一模型，能够有效刻画草地生态系统复杂的非线性关系；②土壤黏粒与粉粒含量及放牧强度是影响GWP的关键驱动因子，其中放牧强度对GWP的影响存在阈值效应；③未来情景预测显示，在SSP5-8.5情景下，GWP呈持续上升趋势，年际波动性增强，高放牧区域风险显著提升，2060年超过42 g·（m²·a）^-1，而SSP1-2.6低排放情景下则保持平稳. 空间格局上，GWP呈“东南高和西北低”分布，在高排放情景下东南部高值区呈扩展态势. 研究结果可为典型高原草地全球变暖风险识别、生态系统管理分区与低碳路径制定提供理论依据与技术支持.

关键词: 祁连山草地生态系统全球变暖潜力（GWP）放牧强度集成机器学习气候情景

Prediction of Global Warming Potential of Qilian Mountain Grassland Ecosystem Based on Ensemble Machine Learning

WANG Han-ying¹ , ZHANG Mei-ling^1,2 , GONG Yan-jun¹ , CAI Jia-fang¹

1. College of Science, Gansu Agricultural University, Lanzhou 730070, China;
2. Center for Quantitative Biology, Gansu Agricultural University, Lanzhou 730070, China

Abstract: The Qilian Mountain grassland ecosystem serves as an important carbon reservoir, and accurate prediction of its global warming potential (GWP) is essential for climate-adaptive management. Based on multi-source data from 1980 to 2024, an ensemble machine learning model integrating XGBoost, LightGBM, CatBoost, and RF was developed to predict GWP dynamics under different climate scenarios during 2025-2060. The results indicate that: ① The ensemble machine learning model achieved the best performance, with a coefficient of determination (R²) of 0.938 and a root mean square error (RMSE) significantly lower than those of individual models, effectively capturing the complex nonlinear relationships of the grassland ecosystem. ② Soil clay and silt contents, together with grazing intensity, were identified as the key driving factors of GWP, among which grazing intensity exhibited a threshold effect. ③ Future scenario simulations suggest that under the SSP5-8.5 high-emission pathway, GWP shows a continuous upward trend with intensified interannual fluctuations, and the risk in high-grazing areas increases substantially, exceeding 42 g·(m²·a)^-1 by 2060, while under the SSP1-2.6 low-emission pathway, GWP remains relatively stable. In terms of spatial patterns, GWP demonstrates a "higher in the southeast and lower in the northwest" distribution, with the southeastern high-value areas expanding further under high-emission scenarios. These findings provide theoretical support and technical guidance for global warming risk assessment, ecosystem management zoning, and low-carbon pathway development in typical alpine grasslands.

Key words: Qilian Mountain grassland ecosystem global warming potential(GWP) grazing intensity ensemble machine learning climate scenario

全球变暖已成为21世纪人类社会面临的重大环境挑战之一. 根据IPCC第六次评估报告，自工业化以来全球平均气温已上升约1.1℃，且升温速度呈加快趋势^[1]. 二氧化碳（CO₂）、甲烷（CH₄）和氧化亚氮（N₂O）等温室气体的人为排放持续上升，是驱动气候变化的主要因素^[2~4]. 其中农业、林业与其他土地利用（AFOLU）活动贡献了全球人为温室气体排放总量的约23%^[5]，草地放牧是重要来源之一^[6，7].

草地生态系统占全球陆地面积约40%，碳储量约761 Gt，在全球碳循环与气候调节中发挥关键作用^[8，9]. 中国草地面积约4.0×10⁸ hm²，碳储量达44 Gt，占全球总量的8%^[10]. 健康草地能通过光合作用固定CO₂^[11]，但受气候变化和放牧干扰，其碳源⁃碳汇平衡面临挑战^[12]. 现有研究多聚焦单一温室气体，缺乏多气体耦合评估^[13，14]，易低估或误判管理措施效应^[15]. 本研究引入全球变暖潜力（global warming potential，GWP）：基于IPCC AR6的辐射效率与大气寿命参数（CO₂为基准值1，CH₄的GWP为28，N₂O的GWP为265），通过“各气体排放量×对应GWP值”的总和计算，将多气体转化为可比CO₂当量，为草地管理提供多气体协同减排的科学基础，旨在支撑“双碳”目标下气候适应性策略的精准制定.

传统统计方法在处理草地系统中复杂的非线性关系与时空相关性时存在明显局限^[16，17]，而机器学习方法（如SVM和RF）已在温室气体预测中显著提升精度^[18，19]. 但现有研究大多依赖单一模型，集成机器学习的应用不足^[20]；同时缺乏针对放牧强度梯度和未来气候情景的系统研究，限制了放牧管理政策的科学制定^[21].

针对上述问题，本研究在SSP1-2.6、SSP3-7.0与SSP5-8.5气候情景下，基于多种机器学习与集成策略，系统评估2025~2060年祁连山草地在不同放牧强度下的GWP变化，识别关键驱动因子及高风险区，以期为评估草地精准减排与可持续管理提供科学依据.

1 材料与方法 1.1 研究区概况

祁连山生态区（36°30′~39°30′N，94°10′~103°04′E）位于青藏高原东北缘，平均海拔为4 000 m，具有典型的高原山地气候特征，横跨甘肃和青海两省，是中国西部重要的生态安全屏障^[20，22]. 区域内退化草地面积达6.37×10⁶ hm²，占该区域天然草地总面积的74.81%^[23]. 近年来该地区面临气候变暖^[24，25]与过度放牧^[26，27]双重压力，草地退化问题日益突出，直接影响其碳汇功能及温室气体排放特征^[28，29]. 研究区域概况如图 1所示，共55个样本点.

图 1 祁连山草地生态区位置与样本点分布示意 Fig. 1 Location of Qilian Mountain grassland ecosystem and spatial distribution of sampling sites

1.2 数据来源及整合 1.2.1 GWP数据

温室气体排放数据来源于欧盟委员会发布的全球大气排放数据库（EDGAR）最新版本EDGARv8.0^[30]. 该数据集提供了按部门分类的GWP年度排放通量数据（以CO₂-eq计），单位g·（m²·a）^-1. 本研究选取“农业土壤”“肠道发酵”“间接N₂O排放”“粪便管理”4类，涵盖草地土壤碳氮循环、放牧动物肠道甲烷释放及粪便管理产生的温室气体排放^[31]. 通过双线性插值方法，将网格数据提取到样本点并整合为CSV文件.

1.2.2 放牧强度数据

放牧强度数据来源于北京大学碳中和研究院袁文平团队发布的高分辨率中国草地放牧强度数据集，基于牲畜普查与遥感植被指数构建（250 m空间分辨率，单位SU·hm⁻²）. 利用双线性插值提取样本点的年度放牧强度，并整合为CSV文件.

1.2.3 气象数据

气象数据来源于NASA/POWER项目（https://registry.opendata.aws/nasa-power），提供全球卫星观测、地面站点及再分析资料的关键气象变量（气温、降水、辐射、风速和湿度等）. 本研究获取1980~2024年的年度数据，并整合为样本点索引的CSV文件.

1.2.4 土壤数据

土壤数据来源于2023年发布的中国土壤数据库，基于联合国粮农组织（FAO）和国际应用系统分析研究所（IIASA）联合开发的世界土壤数据库（Harmonized World Soil Database，HWSD2.0）加工处理而成^[32]. 涵盖酸碱度、有机碳和砂土含量等40余项指标，空间分辨率约1 km. 样本点数据通过ArcGIS提取并整合.

1.2.5 气候情景数据

气候情景数据来源于ESGF-CEDA门户网站（https://esgf.ceda.ac.uk），采用CMIP6的BCC-CSM2-MR（beijing climate center climate system model version 2-medium resolution）模型输出数据. 本研究选取2025~2060年3种SSP情景下的近地面层变量，通过网格匹配提取样本点月值，并整合为年度平均的CSV数据集.

1.2.6 数据汇总表

根据上述所有数据将所有特征因子数据进行整合，得到表 1.

表 1 数据汇总 Table 1 Data summary

类别	具体名称以及含义
基础信息	lon（经度）、lat（纬度）和year（年份）
地形变量	aspect（坡向）、slope（坡度）和altitude（海拔）
放牧强度	bigl（大型牲畜）、cattle（牛）、goat（山羊）和sheep（绵羊）
植被变量	lai（叶面积指数）、gpp（总初级生产力）和npp（净初级生产力）
GWP变量	GWP_as（农业土壤）、GWP_ef（肠道发酵）、GWP_iN₂O（间接产生的N₂O）、GWP_mm（粪便管理）和GWP（所有分类的总和）
气候变量	allsky_sfc_lw_dwn（全天地表接收的长波向下辐照度）、allsky_sfc_sw_dwn（全天地表接收的短波向下辐照度）、cloud（天空被云覆盖的比例）、gwetroot（植物根系所在区域的土壤湿度）、gwettop（土壤表层的湿度）、t2mdew（2 m高度处的露点温度）、qv2m（2 m高度处空气中水汽与干空气质量比）、rh2m（2 m高度处实际水汽压与同温饱和水汽压的百分比）、ts（地球表面的温度）和ws2m（2 m高度处的风速）
土壤变量	pH（pH值）、sand（土壤细土部分中砂粒的质量百分比）、silt（土壤细土部分中粉粒的质量百分比）、tp（全磷含量）、bd（土壤容重）、cec（阳离子交换容量）、clay（土壤细土部分中黏粒的质量百分比）、soc（土壤细土部分中有机碳的质量含量）、tk（全钾含量）和tn（全氮含量）
情景变量（以SSP1⁃2.6为例）	clt_SSP1⁃2.6（总云量百分比）、gpp_SSP1⁃2.6（陆地生态系统总初级生产力）、hur_SSP1⁃2.6（相对湿度）、hus_SSP1⁃2.6（比湿）、lai_SSP1⁃2.6（叶面积指数）、mrsos_SSP1⁃2.6（土壤柱上部的水分含量）、mrso_SSP1⁃2.6（总土壤湿度含量）、npp_SSP1⁃2.6（陆地生态系统净初级生产力）、pr_SSP1⁃2.6（降水量）、rlds_SSP1⁃2.6（地表向下的长波辐射）、rsds_SSP1⁃2.6（地表向下的短波辐射）、sfcwind_SSP1⁃2.6（近地表风速）和ts_SSP1⁃2.6（地表温度）

表 1 数据汇总 Table 1 Data summary

1.3 数据预处理 1.3.1 缺失值填充

在数据预处理环节，针对缺失值问题，采用了多级缺失值填补策略. 第一级运用时间序列线性插值法，基于数据在时间维度上的连续性特点，对缺失数据进行初步填补；第二级借助空间邻近KNN填补法，依据地理相似性原理进一步提升填补的准确性.

时间序列线性插值基于变量时间连续性特征，通过相邻时间点的观测值估计缺失点. 对时间序列X={x₁，x₂，…，x_T}中的缺失值x_t，插值公式为：

x_{t} = x_{t_{1}} + \frac{t - t_{1}}{t_{2} - t_{1}} \cdot (x_{t_{2}} - x_{t_{1}})

(1)

式中，t₁为缺失值t之前的最近有效观测时间点；t₂为缺失值t之后的最近有效观测时间点； $x_{t_{1}}$ 和 $x_{t_{2}}$ 分别为对应时间点的观测值.

时间序列线性插值法并未能完全填补所有变量的缺失值，特别是对于时间序列边界点缺失、连续缺失区间或完全缺失变量等情况. 因此，本研究进一步采用空间邻近KNN填补法，基于地理相似性原理优化数据完整性. 该方法基于地理位置相似性原理，利用邻近采样点的观测值估计缺失数据. 对于空间位置p在时间t的缺失值，通过计算空间距离筛选K个最近邻点，其估计公式为：

{\hat{y}}_{p, t} = \frac{\sum_{i = 1}^{K} (w_{i} \cdot y_{i, t})}{\sum_{i = 1}^{K} w_{i}}

(2)

式中，K为选定的邻近点数量；y_i，t为第i个邻近点在时间t的观测值；w_i为基于空间距离d_p，i计算的权重，定义为：

w_{i} = \frac{1}{d_{p, i}^{2}}; d_{p, i} = \sqrt[]{(l o n_{p} - l o n_{i})^{2} + (l a t_{p} - l a t_{i})^{2}}

(3)

1.3.2 标准化

在进行了缺失值填充后，本研究采用Z-score标准化方法，对所有变量进行中心化和尺度化处理，以消除量纲影响，使不同尺度的环境变量具有可比性. 标准化过程遵循以下公式：

Z_{i} = \frac{X_{i} - μ}{σ}

(4)

式中，Z_i为标准化后的变量值，X_i为原始变量值，μ为变量X的均值，σ为变量X的标准差. 该处理确保了所有变量均值为0，标准差为1，使模型训练过程中不同变量对GWP的影响权重不受原始量纲的干扰.

1.3.3 Bootstrap + Lasso重要性得分

为了解决特征选择过程的稳定性问题并识别对GWP预测真正重要的变量，本研究设计了Bootstrap与Lasso结合的双重特征筛选框架. 该方法克服了单一特征选择方法的局限性，提高了选择结果的稳健性和可靠性.

Bootstrap重采样原理是从原始数据集D中有放回地抽取n个样本，生成新的数据集D'，模拟多次独立采样过程，其数学表达为：

D_{b} = ({x_{i}}^{b}, {y_{i}}^{b}), i = 1, 2, \dots, m; b = 1, 2, \dots, B

(5)

式中，B为Bootstrap重采样次数（本研究设为100），m为每次抽样的样本数量（原始样本的75%）. 对每个Bootstrap样本，分别应用随机森林和Lasso回归进行特征评估，随机森林特征重要性基于节点不纯度减少量（Gini重要性），定义为：

I m p_{R F} (X_{j}) = \sum_{t \in T} p (t) Δ i (X_{j}, t)

(6)

式中，p（t）为样本落入节点t的比例，Δi（X_j，t）为特征X_j在节点t处的不纯度减少量.

Lasso回归通过加入L1正则化项控制模型复杂度，其目标函数为：

L (β) = \frac{1}{N} {\sum_{i = 1}^{N} (y_{i} - β_{0} - \sum_{j = 1}^{p} x_{i j} β_{j})}^{2} + λ \sum_{j = 1}^{p} |β_{j}|

(7)

式中，λ为正则化参数，通过交叉验证确定. Lasso的特性使许多特征系数变为零，实现自动变量选择. 本研究结合两种方法的结果，定义特征X_j的综合重要性得分为：

S (X_{j}) = 0.7 \times \frac{I m p_{R F} (X_{j})}{\sum_{k} I m p_{R F} (X_{k})} + 0.3 \times \frac{|β_{j}|}{\sum_{k} |β_{k}|}

(8)

对每个Bootstrap样本，选择重要性排名前30%的特征，最终计算每个特征被选中的频率作为其稳定性分数：

S t a b i l i t y (X_{j}) = \frac{1}{B} \sum_{b = 1}^{B} I (X_{j}, D_{b})

(9)

式中，I（）为示性函数. 最终，稳定性分数超过阈值0.6的特征为稳定重要的，纳入候选特征集. 这种方法保证了所选特征在数据扰动下的稳健性，减少了模型对特定数据分布的依赖，增强了预测模型的泛化能力.

1.3.4 特征选择

在通过Bootstrap+Lasso联合变量筛选确定了稳定重要的候选特征集后，为进一步提高模型的解释性和预测精度，本研究针对候选特征集实施了多重共线性检测与分组选择策略. 首先，根据生态学原理将特征分为五大类：放牧强度类、地形特征类、气候特征类、植被特征类和土壤特征类，对每个特征组，计算皮尔逊相关系数矩阵R，其中元素r_ij为特征i和j的相关程度：

r_{i j} = \frac{C o v (X_{i}, X_{j})}{σ_{X_{i}} \cdot σ_{X_{j}}}

(10)

当两个特征 $|r_{i j}|$ 超过阈值0.7，会触发共线性控制机制. 算法优先保留具有更高稳定性分数和重要性得分的特征，排除其高度相关的“竞争者”. 本研究初始收集了30个原始特征，涵盖放牧强度（4个）、地形特征（3个）、气候特征（10个）、植被特征（3个）和土壤特征（10个）变量，最终筛选得到20个关键特征. 最终选择的变量及其相关性如图 2所示.

横纵坐标对应的含义见表 1 图 2 相关性热力图 Fig. 2 Correlation heat map

1.3.5 数据集划分与模型评估

在模型构建过程中，数据集按照时间顺序与空间独立性原则进行划分. 首先，将1980~2024年的历史观测数据作为训练样本集，用于模型拟合与性能评估；而2025~2060年的不同时期与情景数据则作为模型未来预测的目标区域，不参与模型训练过程. 为提升模型在地理空间上的泛化能力并有效控制空间泄漏，本研究在训练阶段引入location_id字段构建空间分组标识，并采用GroupKFold空间交叉验证方法进行模型性能评估. 具体地，将训练集样本按区域编号划分为5个空间独立的子集，使用其中4折作为训练集，剩余1折作为验证集，确保每次训练与验证数据在空间上互不重叠. 模型评估采用决定系数（R²）作为主要性能指标，其计算公式为：

R^{2} = 1 - \frac{\sum_{i = 1}^{n} (y_{i} - {\hat{y}}_{i})^{2}}{\sum_{i = 1}^{n} (y_{i} {- \bar{y})}^{2}}

(11)

式中， $y_{i}$ 为观测值， ${\hat{y}}_{i}$ 为模型预测值， $\bar{y}$ 为验证集GWP均值. 每个模型在五折交叉验证中分别计算验证集上的R²得分，并取其平均值作为模型整体性能评估指标：

R_{a v g}^{2} = \frac{1}{k} \sum_{j = 1}^{k} R_{j}^{2}

(12)

本研究采用该R_avg²值衡量XGBoost、LightGBM、CatBoost和随机森林等模型在空间独立样本上的泛化能力，同时也作为后续集成学习权重分配的依据.

1.4 研究方法 1.4.1 模型选择及原理

为实现对GWP的高精度预测，本研究选取4种具代表性的集成学习回归模型作为基学习器：XGBoost、LightGBM、CatBoost和随机森林（RF）. 模型均具备处理高维非线性数据和捕捉复杂变量交互关系的能力，适用于本研究中多源异质生态数据的建模需求.

XGBoost以CART决策树作为基本分类器，通过迭代方式不断拟合前一轮残差实现加法建模. 本研究基于XGBoost构建GWP预测模型，输入特征包括特征选择后的20个变量以及经纬度和年份变量. 给定样本集为：

D = {(x_{1}, y_{1}), (x_{2}, y_{2}), \dots, (x_{i}, y_{i})}

(13)

式中x_i∈ R为第i个样本的特征向量，y_i为其对应的GWP观测值. XGBoost以加法模型组合多个函数f_k∈ℱ：

{\hat{y}}_{i} = φ (x_{i}) = \sum_{k = 1}^{K} f_{k} (x_{i})

(14)

在第k+1次迭代时，第i个样本的预测值更新为：

{\hat{y}}_{i}^{(k + 1)} = {\hat{y}}_{i}^{(k)} + f_{k + 1} (x_{i})

(15)

目标为通过最小化损失函数L（φ）来优化模型性能. XGBoost在传统损失函数基础上增加正则项以控制模型复杂度：

\begin{matrix} L (φ) = \sum_{i = 1}^{n} l (y_{i}, {\hat{y}}_{i}) + \sum_{k = 1}^{K} Ω (f_{k}), \\ Ω (f_{k}) = γ T + \frac{1}{2} λ \sum_{j = 1}^{T} w_{j}^{2} \end{matrix}

(16)

式中，T为第k棵树的叶节点数，w_j为每个叶子的得分. 为高效优化目标函数，XGBoost引入二阶泰勒展开将损失函数近似表达为：

$ \begin{gathered} L^{(t)} \approx \sum_{i=1}^n\left[g_i f_t\left(x_i\right)+\frac{1}{2} h_i f_t^2\left(x_i\right)\right]+\mathit{Ω}\left(f_t\right) \\ g_i=\partial_{\hat{y}^{(t-1)}} l\left(y_i, \hat{y}_i\right), \quad h_i=\partial_{\hat{y}^{(t-1)}}^2 l\left(y_i, \hat{y}_i\right) \end{gathered} $

(17)

XGBoost最终通过逐步构建弱学习器，不断优化式（15）所定义的目标函数，以实现残差的逐轮拟合与模型更新. 本研究使用DMatrix对象高效处理训练数据，并输出各特征的SHAP值进行重要性分析和生态解释.

LightGBM为基于梯度提升框架的高效回归算法，与XGBoost同属GBDT系列. 它通过直方图分裂算法与叶子优先生长策略，显著提升了在大数据场景下的训练效率，尤其适用于高分辨率生态数据建模. LightGBM采用与XGBoost相同的加法模型形式和损失函数，与XGBoost不同，LightGBM通过将连续特征离散为整数直方图并在叶子节点优先方向生长，从而降低分裂计算复杂度. 其分裂增益函数如下：

G a i n = \frac{1}{2} (\frac{G_{L}^{2}}{H_{L} + λ} + \frac{G_{R}^{2}}{H_{R} + λ} - \frac{(G_{L} + G_{R})^{2}}{H_{L} + H_{R} + λ}) - γ

(18)

式中，G与H分别为一阶与二阶梯度和，L和R分别表示左子节点和右子节点，λ和γ为正则化项，用于控制模型复杂度.

CatBoost为一种优化类别特征处理方式的梯度提升模型，它在基本GBDT框架上引入有序Boosting（ordered boosting）避免目标泄漏和无偏类别特征编码（ordered target statistics）两项关键技术. CatBoost的模型预测形式为：

{\hat{y}}_{i} = \sum_{t = 1}^{T} η \cdot f_{t} (x_{i})

(19)

每一轮构建一棵决策树f_t（x），通过最小化损失函数 $L = \sum l (y_{i}, {\hat{y}}_{i})$ ，并引入梯度近似项进行迭代更新：

{\hat{y}}_{i}^{(t + 1)} = {\hat{y}}_{i}^{(t)} - η \cdot \frac{\partial l (y_{i}, {\hat{y}}_{i})}{\partial {\hat{y}}_{i}}

(20)

不同于传统Boosting中使用完整数据统计类别编码，CatBoost在训练时按时间顺序构造训练样本，使用“历史信息”进行目标编码，避免编码偏差.

随机森林（random forest，RF）为基于Bagging策略构建的集成学习方法，核心思想为将多棵决策树的输出结果进行平均，从而降低模型方差并提升泛化能力. RF的预测输出为：

{\hat{y}}_{i} = \frac{1}{T} \sum_{t = 1}^{T} f_{t} (x_{i})

(21)

每棵树的训练过程基于自助采样（bootstrap sampling），并在每次分裂中从特征子集中随机选取特征，以构造最优分裂. 单棵树的节点分裂目标为最小化平方误差：

L_{s p l i t} = \sum_{i \in R_{L}} (y_{i} - {\bar{y}}_{L})^{2} + \sum_{i \in R_{R}} (y_{i} - {\bar{y}}_{R})^{2}

(22)

式中，L和R分别表示左子节点和右子节点，R_L和R_R为分裂后左和右子集， $\bar{y_{L}}$ 和 $\bar{y_{R}}$ 为各子集样本GWP均值.

1.4.2 优化建模策略

为进一步提升模型对GWP非线性分布与区域异质性的适应能力，本研究围绕分区建模、区域特征增强和空间交叉验证方面开展建模策略优化. 首先，针对GWP的分布特性，构建分区间建模框架. 将训练数据按目标变量y的分位数划分为3段：低值区（y < -0.3）、中值区（-0.3≤y < 0.0）和高值区（y≥0.0），并分别使用LightGBM、XGBoost和CatBoost训练子模型. 每个子模型f_j（x）只拟合其对应区域的样本，以提高模型对不同数据结构的拟合能力. 该策略的整体预测形式为：

\hat{y} (x) = \sum_{j = 1}^{3} 1_{x \in D_{j}} \cdot f_{j} (x)

(23)

然后，为增强模型对不同GWP区域生态机制的感知能力，引入区域特征增强机制. 具体地，对每个输入特征x_k，构造其在3个区域下的加权交互项：

x_{k}^{(r e g i o n)} = \{\begin{matrix} x_{k}, & x \in D_{r e g i o n}, \\ 0, & 其它 . \end{matrix}

(24)

区域增强后的样本输入向量维度为x_i∈R₃_p（p表示在该高值区中第p个空间分组），使得同一变量在不同GWP区段中学习独立权重，有助于建模非线性转折与特征交互的异质性响应.

最后，在模型训练过程中采用GroupKFold空间分组交叉验证，根据经纬度合并构造location_id，对样本进行空间分区，确保训练集与测试集在空间上相互独立，从而有效抑制空间泄漏. 空间泛化方案为，每个g_i为地理分组：

G = \{g_{1}, g_{2}, \dots, g_{s}\}; g_{t r a i n} ⋂ g_{v a l} = ϕ

(25)

1.4.3 集成学习策略

在完成各基学习器的训练基础上，为进一步提升预测鲁棒性和跨区间泛化性能，本研究构建了两类集成策略：Voting（加权平均）与Stacking（元学习融合）.

Voting回归器为一种基于加权平均法的集成学习策略，通过对多个基学习器的预测结果进行线性组合，从而提升整体预测的稳健性与泛化能力. 该方法假设各基模型在不同特征空间或区域条件下具有互补优势，其整体预测值为：

{\hat{y}}_{i} = \sum_{m = 1}^{M} w_{m} \cdot f_{m} (x_{i}), \sum_{m = 1}^{M} w_{m} = 1

(26)

式中，f_m（x_i）为第m个基模型对样本x_i的预测结果，w_m为其对应的加权系数，依据各模型在验证集中的性能自适应设定. 该方法在预测阶段，将每个输入样本x_i并行输入至所有基学习器，分别获得预测结果后进行加权融合，最终输出 ${\hat{y}}_{i}$ .

Stacking回归器为一种分层式的集成学习方法，通过在第一层构建多个基学习器提取初步预测信号，并在第二层训练元学习器对预测信号进行再学习，从而提升整体预测性能. 具体而言，设第i个样本的第一层预测向量为：

z_{i} = [f_{1} (x_{i}), f_{2} (x_{i}), \dots, f_{M} (x_{i})] \in R^{M}

(27)

将z_i输入至元学习器g（）中进行拟合，得到最终预测值：

{\hat{y}}_{i} = g (z_{i}) = z_{i}^{T} β = \sum_{m = 1}^{M} β_{m} f_{m} (x_{i})

(28)

本研究选用岭回归（ridge regression）作为元学习器，其优化目标为最小化带正则项的平方损失函数：

L (β) = \sum_{i = 1}^{n} (y_{i} - z_{i}^{T} {β)}^{2} + λ ‖ β ‖^{2}

(29)

为确保元学习阶段的训练样本预测结果来自“未见数据”，第一层基学习器使用空间分组交叉验证（GroupKFold）对训练样本进行预测构建z_i，防止空间信息泄漏.

1.4.4 SHAP方法

为提高模型的可解释性，本研究采用SHAP方法对集成模型的预测结果进行后验解释. SHAP为一种基于博弈论的特征归因方法，其核心思想为将模型预测视作合作博弈中的总收益，通过计算每个特征对模型输出的边际贡献来量化变量的重要性. 设有一个预测函数f（x），特征集合为F={x₁，x₂，...，x_p}，则SHAP值ϕ_j为特征x_j对最终预测的边际贡献，其定义为：

ϕ_{j} = \sum_{S \subseteq F ∖ {x_{j}}} \frac{|S|! (|F| - |S| - 1)!}{|F|!} [f_{S \cup {x_{j}}} (x) - f_{S} (x)]

(30)

式中，S为不包含x_j的特征子集；f_S（x）为仅在子集S上训练的模型输出；系数部分为Shapley权重，确保分配的公平性. SHAP方法满足局部加性模型假设，即：

f (x) = ϕ_{0} + \sum_{j = 1}^{p} ϕ_{j}

(31)

式中ϕ₀为模型输出的基准值（如训练集均值），ϕ_j为每个特征的归因值. 通过对所有样本的SHAP值进行聚合，可以得到变量在整体样本上的平均重要性排序.

1.4.5 气候情景模拟

通过堆叠集成学习构建具有强泛化能力的GWP预测模型后，本研究对不同SSP气候情景（SSP1-2.6、SSP3-7.0和SSP5-8.5）进行了预测. 首先建立特征映射，将气候情景变量与训练模型特征名对应，并整合静态地形与土壤变量. 放牧强度采用历史近5 a（2020~2024年）均值，并按四分位数划分为低（低于25%分位数）、中低（25%~50%分位数）、中高（50%~75%分位数）和高（高于75%分位数）这4类，以评估不同放牧管理策略对GWP的影响. 在预测过程中，依年份和情景提取数据，构建多层次特征：动态气候特征直接取自情景数据，静态地形、土壤特征和放牧强度按历史数据整合. 特征标准化后输入训练好的堆叠模型，生成各位置和各年份的GWP预测值，并保存为CSV文件，包含年份、经纬度、GWP值、情景类型及放牧强度，为后续时空分析和可视化提供数据基础.

2 结果与分析 2.1 模型评估与性能分析

从图 3可以看出，所有模型在优化后R²均有明显提升，Stacking集成模型优化后R²最高，达到0.938，表现最优. XGBoost、LightGBM、CatBoost和RF等单模型优化后R²均超过0.90，说明优化措施显著提升了模型的拟合能力. 此外，所有模型优化后RMSE均有不同程度下降，Stacking模型RMSE最低，仅为0.079，进一步验证了其优越的预测精度. Voting集成和其他单模型的RMSE也均低于0.1，整体预测误差较小.

图 3 模型R²和RMSE对比 Fig. 3 Comparison between model R² and RMSE

2.2 GWP主要驱动因子的识别

图 4展示了各输入变量在样本间对GWP的贡献模式. 结果表明，clay高值区域在所有变量中重要性最高，其SHAP值在高排放区集中于正向区间，高黏粒含量土壤可能形成湿润且低氧的微环境，增强厌氧产甲烷和反硝化过程，导致CH₄与N₂O排放增加^[33]. silt亦表现出较高贡献，粉粒含量可能通过调控水分保持性、根系分布与通气性间接作用于气体通量过程. 值得注意的是，cattle放牧强度排名第6，其SHAP值从-10~15不等：在低强度样本中作用趋于中性甚至略具缓和效应，而在高强度样本中则显著正向增强GWP，表明存在放牧强度的门槛效应^[34]. 当超过生态承载阈值时，植被破坏、土壤扰动与微生物群落变化共同促进温室气体释放，这与既有研究提出的“重牧促进温室气体排放”的非线性规律一致^[35].

横坐标为特征的SHAP值，用于衡量单个特征对模型预测结果的边际贡献大小及方向；正值表明该特征对预测结果具有正向促进作用，负值则表明其产生负向抑制作用；SHAP值的绝对值越大，说明该特征在该样本中的影响越显著图 4 GWP驱动因子的SHAP值分布与影响方向 Fig. 4 SHAP value distribution and influence direction of GWP driving factors

2.3 未来气候情景预测与空间分析结果 2.3.1 情景设定与模拟结果

图 5显示了不同放牧强度（低、中低、中高和高）下，未来35a的GWP在SSP1-2.6、SSP3-7.0和SSP5-8.5情景下的年际变化. 总体来看，GWP在高放牧强度和高排放情景下显著上升，尤其在SSP5-8.5下，高强度放牧2060年GWP超过42 g·（m²·a）^-1；而SSP1-2.6情景下各强度变化平稳，增长幅度较小. 其背后机制主要体现为放牧强度与气候胁迫的协同作用：高放牧导致土壤扰动增加、植被覆盖下降和粪便排放增加^[36]；在SSP3-7.0和SSP5-8.5情景下，气温升高、干旱频发及微生物活动增强进一步增强温室气体释放. 值得注意的是，与高强度放牧下的快速上升不同，中低强度放牧表现为较缓慢但持续累积的增长，揭示了气候变化对草地温室气体释放的非线性和长期响应特征.

图 5 不同放牧强度下各情景GWP的时序变化 Fig. 5 Temporal changes of GWP in different grazing intensities for each scenario

2.3.2 GWP空间分布情景对比

图 6展示了不同SSP情景下祁连山草地GWP的空间分布及其差异，整体来看，东南部区域在各情景中均保持较高GWP值（红色），且从SSP1-2.6至SSP5-8.5，高排放区域显著扩展，图 6（d）清晰体现了高低排放情景间的空间差异. 该格局主要受自然环境与人为活动的交互驱动：东南部海拔较低以及降水充足，容易形成厌氧环境并提供丰富有机碳，促进CH₄生成及N₂O反硝化（SHAP分析中clay高值区域的高重要性体现了这一点）^[37]. 在高排放情景下，气温升高进一步加快微生物活性和有机质分解，增强温室气体排放^[38]. 此外，放牧强度的空间分布和管理实践亦在区域差异中发挥关键作用，高密度放牧通过直接排放、土壤压实和植被破坏等途径增加GWP，其复杂影响模式在SHAP结果中得到体现^[39].

图 6 2060年不同SSP情景下GWP空间分布及情景差异 Fig. 6 Spatial distribution and scenario differences of GWP under different SSP scenarios in 2060

3 讨论

本研究基于集成机器学习方法对祁连山草地GWP进行预测，结果显示Stacking集成模型表现最优，R²达0.938，均方根误差显著低于其他模型，体现了其在高维非线性生态数据建模中的优势^[40]. 时间尺度上，GWP随时间整体升高，高排放情景（SSP5-8.5）下高放牧强度区GWP显著增加且年际波动加剧；低排放情景（SSP1-2.6）下GWP水平较低，各放牧强度差异缩小. 空间分布上，GWP呈“东南高和西北低”格局：东南部地势低气温高，放牧强度大，人类活动频繁，是温室气体排放高值区^[41，42]；西北部地势高植被良好，放牧干扰小，GWP低^[43]. 高排放情景下东南部高值区进一步扩大，反映该区域对气候与人为干扰敏感.

本研究在数据整合与模型构建方面仍存在部分局限：变量选择主要侧重自然属性，缺乏社会经济与管理因素；气候变量采用年平均值，难以刻画极端事件影响^[44]；纯数据驱动模型预测能力强但机制解释力有限，未来可与生态过程模型（如CENTURY和DayCent）耦合，构建“数据-机制”混合框架，以提升GWP预测解释性和管理应用价值^[45].

4 结论

（1）1980~2024年祁连山草地GWP预测表明，集成学习模型性能最优，Stacking集成模型R²达0.938，RMSE降至0.079，显著优于各单模型，验证了多模型融合在复杂生态数据预测中的优势.

（2）SHAP分析表明，土壤黏粒含量对GWP贡献最大，粉砂含量亦具有较高影响. 放牧强度表现出门槛效应：低强度作用略缓和，高强度显著增强GWP.

（3）2025~2060年间，不同气候情景下祁连山草地生态系统GWP变化明显，其中SSP5-8.5上升最快，SSP3-7.0次之，SSP1-2.6最低且波动较小；同时，GWP随放牧强度增加而整体升高，在SSP5-8.5下，高强度放牧2060年GWP超过42 g·（m²·a）^-1. 未来气候高排放情景与放牧管理叠加将显著推动草地GWP的增加，气候变化和管理措施对其有重要调控作用. 此外，GWP空间格局呈“东南高和西北低”. 到2060年，SSP5-8.5情景下高值区面积较SSP1-2.6扩大，空间异质性增强，反映区域对气候与人为干扰的响应差异.

参考文献

[1]	IPCC. Climate change 2021: the physical science basis. Summary for policymakers[R]. Geneva: Intergovernmental Panel on Climate Change, 2021.
[2]	苏萌, 夏琳琳. 中国农业温室气体排放时空异质性的影响机制解析[J]. 环境科学, 2024, 45(11): 6775-6782. Su M, Xia L L. Analysis of the influencing mechanism of space-time heterogeneity of greenhouse gas emissions from agriculture in China[J]. Environmental Science, 2024, 45(11): 6775-6782. DOI:10.13227/j.hjkx.202312088
[3]	刘舒乐, 严薇, 高庆先, 等. 双视角下中国畜牧业甲烷排放的温室效应[J]. 环境科学, 2023, 44(12): 6692-6699. Liu S L, Yan W, Gao Q X, et al. Dual-perspective analysis of the warming effect of the methane emissions from animal husbandry in China[J]. Environmental Science, 2023, 44(12): 6692-6699. DOI:10.13227/j.hjkx.202212226
[4]	NOAA. Global greenhouse gas reference network: trends in CO₂[R]. Boulder, CO: National Oceanic and Atmospheric Administration, 2025.
[5]	IPCC. Agriculture, forestry and other land use (AFOLU)[A]. In: Shukla P R, Skea J, Slade R, et al. Climate Change 2022: Mitigation of Climate Change. Contribution of Working Group Ⅲ to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Geneva: Intergovernmental Panel on Climate Change, 2022.
[6]	申颜, 孙建平, 罗玉坤, 等. 短期放牧对半干旱草地生态系统CO₂和N₂O排放的影响[J]. 环境科学, 2018, 39(11): 5237-5245. Shen Y, Sun J P, Luo Y K, et al. Short-term effects of different grazing intensities on greenhouse gas fluxes in semi-arid grassland[J]. Environmental Science, 2018, 39(11): 5237-5245.
[7]	李晋波, 姚楠, 李秀, 等. 内蒙古典型草原季节性冻土区土壤剖面CO₂、N₂O特征[J]. 环境科学, 2018, 39(5): 2330-2338. Li J B, Yao N, Li X, et al. Dynamics of CO₂ and N₂O in seasonal frozen soil profiles for a typical steppe in Inner Mongolia[J]. Environmental Science, 2018, 39(5): 2330-2338. DOI:10.13227/j.hjkx.201709189
[8]	Bai Y F, Cotrufo M F. Grassland soil carbon sequestration: current understanding, challenges, and solutions[J]. Science, 2022, 377(6606): 603-608. DOI:10.1126/science.abo2380
[9]	王军邦, 欧阳熙煌, 赵新全. 高寒放牧草地碳循环研究进展[J]. 生态学报, 2024, 44(22): 10119-10132. Wang J B, Ouyang X H, Zhao X Q. Review of grazing effect on carbon cycling in alpine grasslands[J]. Acta Ecologica Sinica, 2024, 44(22): 10119-10132.
[10]	李志丽, 王红梅, 赵亚楠, 等. 宁夏东部荒漠草原不同密度灌丛引入过程细菌群落结构和功能特征[J]. 环境科学, 2025, 46(5): 3287-3295. Li Z L, Wang H M, Zhao Y N, et al. Community structure and functional groups of soil bacteria during shrub introduction at different densities in the eastern desert steppe of Ningxia[J]. Environmental Science, 2025, 46(5): 3287-3295. DOI:10.13227/j.hjkx.202404153
[11]	常宗强, 冯起, 司建华, 等. 祁连山高山草甸土壤CO₂通量的时空变化及其影响分析[J]. 环境科学, 2007, 28(10): 2389-2395. Chang Z Q, Feng Q, Si J H, et al. Analysis of the spatial and temporal changes in soil CO₂ efflux and its related factors from alpine meadow in Qilian Mountains[J]. Environmental Science, 2007, 28(10): 2389-2395.
[12]	蒲春玲, 余慧容. 新疆低碳与环境友好型土地利用模式探讨[J]. 干旱区资源与环境, 2011, 25(6): 36-42. Pu C L, Yu H R. Low-carbon and environment-friendly land-use patterns in Xinjiang, China[J]. Journal of Arid Land Resources and Environment, 2011, 25(6): 36-42.
[13]	郑乐平, 欧阳自远, 张晓岚, 等. 黔中岩溶地区草地土壤CO₂的稳定碳同位素组成[J]. 环境科学, 2000, 21(5): 38-41. Zheng L P, Ouyang Z Y, Zhang X L, et al. The stable carbon isotopic composition of soil CO₂ in the karst meadow, the middle parts of Guizhou Province[J]. Environmental Science, 2000, 21(5): 38-41.
[14]	刘月, 念慧文, 侯扶江. 施粪对典型草原温室气体排放的影响[J]. 草业科学, 2020, 37(6): 1017-1024. Liu Y, Nian H W, Hou F J. Effects of excrement application on greenhouse gas emissions in a typical steppe[J]. Pratacultural Science, 2020, 37(6): 1017-1024.
[15]	吴越强, 马文红, 李智勇, 等. 放牧强度对典型草原温室气体排放的影响[J]. 环境科学, 2025, 46(2): 1255-1264. Wu Y Q, Ma W H, Li Z Y, et al. Effects of grazing intensity on greenhouse gas emissions in a typical grassland[J]. Environmental Science, 2025, 46(2): 1255-1264. DOI:10.13227/j.hjkx.202401058
[16]	马如意, 肖海峰, 高博, 等. 草地流转"差序格局"与牧户超载过牧——来自内蒙古牧区的微观证据[J]. 农业技术经济, 2025(4): 71-85. Ma R Y, Xiao H F, Gao B, et al. Grassland transfer "orderly-diversity pattern" and herdsman overgrazing: micro evidence from pastoral areas in Inner Mongolia[J]. Journal of Agrotechnical Economics, 2025(4): 71-85.
[17]	李文雄, 靳瑰丽, 刘文昊, 等. 基于无人机遥感的荒漠草地地上生物量反演研究[J]. 草地学报, 2025, 33(4): 1258-1266. Li W X, Jin G L, Liu W H, et al. Research on aboveground biomass inversion of desert grassland based on UAV remote sensing[J]. Acta Agrestia Sinica, 2025, 33(4): 1258-1266.
[18]	欧阳常悦, 秦宇, 刘臻, 等. 基于机器学习的水-气界面CO₂、CH₄扩散通量预测及影响因素分析——以三峡水库为例[J]. 湖泊科学, 2023, 35(2): 449-459. Ouyang C Y, Qin Y, Liu Z, et al. Prediction of CO₂, CH₄ diffusion fluxes at the water-air interface and analysis on its influencing factors using machine learning algorithms in the three gorges reservoir[J]. Journal of Lake Sciences, 2023, 35(2): 449-459.
[19]	杨文丽, 燕振刚. 基于RBF神经网络算法的农田土壤CO₂排放评估[J]. 软件导刊, 2022, 21(11): 7-11. Yang W L, Yan Z G. Farmland soil CO₂ emission assessment based on RBF neural network[J]. Software Guide, 2022, 21(11): 7-11.
[20]	梁贺君, 韩冠荣, 许竞翔, 等. 水产养殖中温室气体排放的核算方法及其影响因素[J]. 水产学报, 2025, 49(6). Liang H J, Han G R, Xu J X, et al. Accounting methods and influencing factors of greenhouse gas emissions in aquaculture[J]. Journal of Fisheries of China, 2025, 49(6). DOI:10.11964/jfc.20240114350
[21]	周芳成, 刘少军, 田光辉, 等. 基于随机森林模型的南海大气CO₂柱浓度估算模型构建及其检验与应用[J]. 气象, 2024, 50(12): 1542-1550. Zhou F C, Liu S J, Tian G H, et al. Construction, test and application of atmospheric CO₂ column concentration estimation model over the South China Sea based on Random Forest Model[J]. Meteorological Monthly, 2024, 50(12): 1542-1550.
[22]	张倩, 曹广超, 张乐乐, 等. 基于GEE的祁连山南坡生态环境质量动态评价图谱及驱动力分析[J]. 环境科学, 2025, 46(7): 4534-4544. Zhang Q, Cao G C, Zhang L L, et al. Dynamic evaluation map and driving force analysis of ecological environment quality on the southern slope of Qilian Mountains based on GEE[J]. Environmental Science, 2025, 46(7): 4534-4544. DOI:10.13227/j.hjkx.202406195
[23]	李世雄, 王彦龙, 赵文, 等. 祁连山区黑土滩生态修复草地管理模式[J]. 草业科学, 2026, 43(1): 29-42. Li S X, Wang Y L, Zhao W, et al. Study on management modes of bare-land ecological restoration grassland in Qilian Mountain Area[J]. Pratacultural Science, 2026, 43(1): 29-42.
[24]	洪静萱, 徐姝瑶, 刘彦彤, 等. 国土空间规划视角下国家公园三生空间格局演变及优化路径研究——以祁连山国家公园为例[J]. 资源开发与市场, 2025, 41(5): 692-707. Hong J X, Xu S Y, Liu Y T, et al. Research on the evolution and optimization path of the "production-living-ecological" spatial pattern of national parks from the perspective of national spatial planning——Taking Qilian Mountain National Park as an example[J]. Resource Development & Market, 2025, 41(5): 692-707.
[25]	李朝纲, 段克勤, 石培宏, 等. 21世纪祁连山季风与西风区典型冰川变化模拟与预估[J]. 冰川冻土, 2025, 47(2): 330-341. Li C G, Duan K Q, Shi P H, et al. Simulation and projection of typical glacier changes in monsoon and westerly regions of Qilian Mountains in the 21st century[J]. Journal of Glaciology and Geocryology, 2025, 47(2): 330-341.
[26]	刘玒玒, 刘书芳, 李新一. 祁连山地区水资源-人口-经济-生态环境系统协调发展的时空演变及预测[J]. 地域研究与开发, 2024, 43(5): 26-32. Liu H H, Liu S F, Li X Y. Spatio-temporal evolution and prediction of the coordinated development of water resources, population, economy, and ecological environment system in the Qilian Mountains Region[J]. Areal Research and Development, 2024, 43(5): 26-32.
[27]	高铭君, 李育, 张占森, 等. 祁连山周边内流区湖泊沉积物与人类活动研究[J]. 地理学报, 2023, 78(5): 1192-1212. Gao M J, Li Y, Zhang Z S, et al. Study on lake sediments and human activities in closed basins around the Qilian Mountains[J]. Acta Geographica Sinica, 2023, 78(5): 1192-1212.
[28]	田丹, 白晓, 秦坤. 基于Landsat 8 OLI的2013—2020年祁连山区草地退化时空分布特征[J]. 测绘通报, 2025(4): 152-157. Tian D, Bai X, Qin K. Spatio-temporal distribution of grassland degradation in the Qilian Mountain area from 2013 to 2020 based on Landsat 8 OLI data[J]. Bulletin of Surveying and Mapping, 2025(4): 152-157.
[29]	金鑫, 周学丽, 郑开福, 等. 祁连山高寒草甸与高寒草原的土壤细菌群落构建的差异[J]. 草地学报, 2025, 33(3): 789-797. Jin X, Zhou X L, Zheng K F, et al. Differences in soil bacterial community assembly between alpine meadows and alpine steppes in the Qilian Mountains[J]. Acta Agrestia Sinica, 2025, 33(3): 789-797.
[30]	Gavurova B, Rigelsky M, Ivankova V. Greenhouse gas emissions and health in the countries of the European Union[J]. Frontiers in Public Health, 2021, 9. DOI:10.3389/fpubh.2021.756652
[31]	王大菊, 彭琼艳, 李向前, 等. 1980-2024年中国草地放牧强度数据集[EB/OL]. 国家生态科学数据中心. https://nesdc.org.cn/sdo/detail?id=672aea607e28174998e63234, 2024-09-05.
[32]	FAO. Harmonized world soil database version 2.0[R]. Rome: FAO, 2023.
[33]	邵晓辉, 汤水荣, 孟磊, 等. 不同施肥措施对热带地区稻菜轮作体系土壤CH₄和N₂O排放的影响[J]. 环境科学, 2022, 43(11): 5149-5158. Shao X H, Tang S R, Meng L, et al. Effect of different fertilization treatments on methane and nitrous oxide emissions from rice-vegetable rotation in a tropical region, China[J]. Environmental Science, 2022, 43(11): 5149-5158. DOI:10.13227/j.hjkx.202112213
[34]	张雨欣, 杜宜霖, 刘小茜, 等. 放牧活动对内蒙古草地生态系统的影响[J]. 生态学报, 2025, 45(10): 4963-4974. Zhang Y X, Du Y L, Liu X Q, et al. Impact of grazing activities on grassland ecosystems in Inner Mongolia[J]. Acta Ecologica Sinica, 2025, 45(10): 4963-4974.
[35]	王跃思, 纪宝明, 黄耀, 等. 农垦与放牧对内蒙古草原N₂O、CO₂排放和CH₄吸收的影响[J]. 环境科学, 2001, 22(6): 7-13. Wang Y S, Ji B M, Huang Y, et al. Effects of grazing and cultivating on emission of nitrous oxide, carbon dioxide and uptake of methane from grasslands[J]. Environmental Science, 2001, 22(6): 7-13.
[36]	何川黔, 高波, 张杏锋, 等. 外源物质对杂交狼尾草和油葵植物修复重金属污染土壤及温室气体排放的影响[J]. 环境科学, 2024, 45(11): 6689-6703. He C Q, Gao B, Zhang X F, et al. Effects of exogenous substances on the remediation of soil contaminated by heavy metals and greenhouse gas emissions by Pennisetum americanum × Pennisetum purpureum and Helianthus annuus[J]. Environmental Science, 2024, 45(11): 6689-6703. DOI:10.13227/j.hjkx.202311263
[37]	武岩, 红梅, 林立龙, 等. 3种土壤改良剂对河套灌区玉米田温室气体排放的影响[J]. 环境科学, 2018, 39(1): 310-320. Wu Y, Hong M, Lin L L, et al. Effects of three soil amendments on greenhouse gas emissions from corn fields in the Hetao irrigation district[J]. Environmental Science, 2018, 39(1): 310-320. DOI:10.13227/j.hjkx.201706110
[38]	许鑫王豪, 邹欣庆, 刘晶茹. 苏北潮滩温室气体排放的时空变化及影响因素[J]. 环境科学, 2016, 37(6): 2383-2392. Xu X W H, Zou X Q, Liu J R. Temporal and spatial dynamics of greenhouse gas emissions and its controlling factors in a coastal saline wetland in North Jiangsu[J]. Environmental Science, 2016, 37(6): 2383-2392. DOI:10.13227/j.hjkx.2016.06.049
[39]	李平, 郎漫, 徐向华, 等. 不同开垦年限黑土温室气体排放规律研究[J]. 环境科学, 2014, 35(11): 4321-4328. Li P, Lang M, Xu X H, et al. Study on regularity of greenhouse gas emissions from black soil with different reclamation years[J]. Environmental Science, 2014, 35(11): 4321-4328. DOI:10.13227/j.hjkx.2014.11.039
[40]	于奇林. 气候变化下农田水土系统中碳排放模拟及其优化管理方法研究[D]. 扬州: 扬州大学, 2024. Yu Q L. Study on carbon emission simulation and optimization management practices in agricultural water and soil systems under climate change[D]. Yangzhou: Yangzhou University, 2024.
[41]	Li Z H, Zhu K W, Zhang Y, et al. Spatiotemporal evolution and attribution analysis of ecological quality in the alpine meadow region of Shangri-La based on natural-social dimensions[J]. Scientific Reports, 2025, 15(1). DOI:10.1038/s41598-024-83591-1
[42]	孙建飞, 程琨. 农田土壤固碳与温室气体排放计量研究进展[J]. 中国农业科学, 2025, 58(11): 2190-2205. Sun J F, Cheng K. A review of soil carbon sequestration and greenhouse gas emissions quantification in cropland[J]. Scientia Agricultura Sinica, 2025, 58(11): 2190-2205.
[43]	韦俊卿, 贾丽奇. 祁连山国家公园及周边区域气候因素与人口变化对植被覆盖演化的时空分异特征研究[J]. 中国园林, 2024, 40(12): 43-49. Wei J Q, Jia L Q. A study on the spatiotemporal differentiation characteristics of population changes and vegetation cover evolution in Qilian Mountain National Park and related areas under the context of climate change[J]. Chinese Landscape Architecture, 2024, 40(12): 43-49.
[44]	Zhang Y Y, Chen R X, Yao L R, et al. Extreme climate weakens the effect of biochar in increasing yield and reducing N₂O emissions[J]. Field Crops Research, 2025, 322. DOI:10.1016/j.fcr.2025.109765
[45]	朱求安, 吴晓丽, 于冬雪, 等. 黄河兰州以上区域草地覆盖变化对水源涵养的定量影响分析[J]. 水科学进展, 2024, 35(4): 543-555. Zhu Q A, Wu X L, Yu D X, et al. Quantitative impact of grassland cover change on water conservation in the Yellow River above Lanzhou[J]. Advances in Water Science, 2024, 35(4): 543-555.


环境科学 2026, Vol. 47 Issue (9): 6177-6187	PDF