EN中文

Economic geography >

2026 , Vol. 46 >Issue 3: 215 - 225

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.03.021

Impact of Extreme Climate on Carbon Emissions in Planting Industry at the Provincial Level Based on the XGBoost-SHAP Model

  • YANG Peitao , 1, 2 ,
  • YANG Yining , ※
Expand
  • 1 School of Economics and Management， Central South University of Forestry and Technology， Changsha 410004，Hunan， China
  • 2 Hunan Institute of Green Development， Changsha 410004，Hunan， China
  • 3 Office of Discipline Construction， Central South University of Forestry and Technology， Changsha 410004，Hunan， China

Received date: 2025-10-27

  Revised date: 2025-12-25

  Online published: 2026-04-29

Fold

Abstract

Under the background of frequent extreme climate events caused by global warming, the agricultural system is simultaneously confronted with the emission reduction pressures and the climate vulnerability challenges. This study systematically measured the spatiotemporal patterns of extreme climate and carbon emissions in planting industry in China at the provincial level from 2000 to 2023, and utilized the XGBoost-SHAP model to reveal their overall impact, individual effects, and synergistic mechanisms. The results indicate that: 1) During the study period, risk index of China's extreme climate rose from 36.35 to 44.89, reflecting a trend of intensifying extreme heat and concurrent increases in both aridity and humidity. High-risk zones concentrated around the Bohai Rim region, with a decreasing pattern observed from the northeast of China to the southwest of China. 2) China's total carbon emissions in planting industry increased from 61.6191 million tons in 2000 to 77.9764 million tons in 2023, with the spatial pattern evolving from "high in the southeast of China, low in the northwest of China" to "high in the north of China, low in the south of China". 3) Extreme weather events contribute 11.19% to carbon emissions of planting industry. Extreme heat, extreme rainfall, and extreme drought show a positive correlation with carbon emissions of planting industry, while extreme cold exhibits a significant inhibitory effect. 4) The synergistic effects of multiple extreme events are significant. Among them, the combination of high temperature and drought, as well as alternating wet and dry conditions, produces an "1+1>2" effect that increases carbon emissions. Conversely, the combinations of low temperature and drought, and low temperature and rainfall, achieve synergistic carbon emission reductions by suppressing microbial activity and decreasing irrigation requirements. Therefore, in the context of escalating extreme climate threats, deciphering the resulting growth in carbon emissions has become an urgent task for promoting the transition of agriculture towards low-carbon and high-resilience.

Key words： extreme climate; carbon emissions of planting industry; influencing effect; XGBoost model; SHAP model

Cite this article

YANG Peitao , YANG Yining . Impact of Extreme Climate on Carbon Emissions in Planting Industry at the Provincial Level Based on the XGBoost-SHAP Model[J]. Economic geography, 2026 , 46(3) : 215 -225 . DOI: 10.15957/j.cnki.jjdl.2026.03.021

IPCC报告指出，全球变暖正导致高温热浪、极端干旱、强降水与洪涝等极端气候事件的频率、强度和持续时间显著增加，对全球农业系统构成严峻挑战[1]。与此同时，农业生态系统既是重要的温室气体排放源，贡献了全球约20%~25%的人为排放，又能够通过光合作用固定碳并将其以有机质形式储存于土壤，形成巨大的潜在碳汇[2]。事实上，中国作为受气象灾害影响最严重的国家之一，近年来极端气候事件呈“暖干化、多发频发并发”态势，严重威胁农业生产与粮食安全[3]。在此背景下，农业不仅承担着实现“双碳”目标的减排责任，也因其高度依赖自然条件而成为气候脆弱性极高的领域[4]。同时，当极端气候直接冲击农业系统时还可能通过改变种植结构、增加灌溉能耗、破坏土壤碳库等方式，间接影响种植业碳排放的规模与强度[5]。因此，深入解析极端气候与种植业碳排放之间的互动机制，是实现农业减排与气候适应协同共进、推动农业向低碳韧性转型的科学基础，有助于制定兼顾减排目标与气候适应能力的农业政策。
围绕极端气候与种植业碳排放，学界已展开诸多探讨。种植业碳排放主要涵盖农业生产及关联土地利用过程中所产生的温室气体，包括CO2、CH4和N₂O等[6-7]，其量化方法主要包括排放系数法、生命周期评价法以及模型模拟法[8]。其中，排放系数法通过将不同排放源的活动水平数据与相应排放因子相乘并累加来估算农业碳排放量，以确保不同地区与时期核算结果之间的可比性[9-10]。极端气候研究则聚焦于揭示全球变暖背景下极端天气与气候事件的变化规律、形成机理及其对自然生态系统的综合影响[11-13]。通过对极端温度、降水等气候要素的系统评估，中国范围内各类复合极端事件在发生频率、持续时间和影响强度上均呈现出显著的增加趋势[14]。事实上，作为对气候最敏感的产业，农业通过其特有的生态系统反馈机制，使得极端气候风险对种植业碳排放的反向影响呈现出多重路径与不确定性[15-16]。一方面，极端高温既可能通过加速农药降解而增加施药频次，也可能通过改变种植制度延长水稻生长期从而增加甲烷排放[5,17-19]；另一方面，极端气候也可能对种植业碳排放产生抑制作用。同时，气候引发的耕地退化与播种面积缩减也可直接降低农业生产系统的总排放规模。如气温升高导致的作物生育期缩短，有助于减少农机田间作业频次与能源消耗[20]。综上所述，已有研究为探索极端气候和种植业碳排放关联关系奠定了良好基础。然而，在研究视角上，以往研究多关注渐进式气候变化或单一气候事件对农业的影响，而对突发性、极端性气候事件的影响关注不足；在研究内容上，现有研究多线性地探讨气候与农业碳循环的关系，普遍认为极端事件会增加种植业碳排放，但这种线性认知可能低估了实际情况的复杂性。已有研究表明，极端干热气候对小麦生产温室气体排放强度的影响呈非线性[21]。因此，极端事件的影响往往是高度非线性的，其作用过程存在临界阈值；且不同极端事件之间存在复合叠加效应，其影响远大于单一事件之和。可见，极端气候与种植业碳排放之间的非线性关系，以及复合极端事件对种植业碳排放的影响效应有待研究。鉴于此，本文在系统测度并分析2000—2023年中国31个省份极端气候和种植业碳排放水平及其时空分布格局的基础上，基于XGBoost-SHAP模型探究整体影响效应、子事件偏依赖特征和子事件协同作用机制。

1 理论分析框架

农业生态系统是陆地生态系统的重要组成部分，其碳循环过程与气候条件紧密关联。尤其是作为其核心子系统的种植业，其生产活动直接受气候水文条件的影响，同时也通过碳排放与碳固定过程对气候变化产生反馈[22]。极端气候事件通过改变温度、降水、湿度等物理环境[13]，影响作物生长、微生物活动及养分循环等生物过程，从而直接或间接调控种植业碳排放水平（图1）。基于农业碳循环中碳固定与碳释放的动态平衡机制，极端气候作为关键外生胁迫因素，一方面通过直接生物地球化学效应，例如极端高温加速土壤有机质分解、极端干旱抑制光合固碳能力、极端降水加剧土壤侵蚀与碳流失强度等[17]，从而改变土壤碳库的动态平衡；另一方面通过直接能源与物质流效应，迫使农业系统为维持正常生产而增加灌溉、温控等气候适应性投入，进而提升与化石能源消耗相关的碳排放[5]。
图1 极端天气对种植业碳循环影响的理论分析框架

Fig.1 Theoretical analysis framework for the impact of extreme climate on the carbon cycle of planting industry

极端气候对种植业碳排放的影响方向和强度并非恒定，而是随其强度变化而动态转换，存在明显的临界阈值。例如，轻度低温可能因增加保温需求而推高碳排放，但深度低温则通过全面抑制生物活性和农业生产活动，转而降低系统碳排放，展现出“促进—抑制”的非线性转变[18]。此外，复合事件的协同效应尤为关键，多种极端气候事件常以并发或序列化的组合形式出现，其综合影响远非各独立事件的简单叠加，可能产生“1+1>2”的协同放大效应[23]。例如，极端高温事件加剧了蒸散作用，与干旱条件协同作用，不仅显著提升了农业灌溉的刚性需求，也加剧了土壤有机碳的矿化流失，共同导致碳排放的放大效应。与之相对，不同极端气候事件之间也可能存在相互制约的抵消机制，如在干旱背景下发生的极端低温事件，可通过抑制土壤微生物活性，减缓有机质分解速率，从而在一定程度上抵消干旱单独作用可能引发的碳排放增加。因此，准确识别与量化极端事件及其协同对种植业碳排放的非线性影响及其阈值，是全面评估农业系统气候风险、制定针对性适应策略的科学基础。

2 研究方法与数据

2.1 数据来源

本研究使用了中国31个省份（不包括港澳台）2000—2023年的面板数据。全球观测技术进步为识别极端气候和核算种植业碳排放提供了可靠数据基础，且极端气候事件的显著增强为揭示其与碳排放的关联提供了样本。同时，该阶段覆盖了从《京都议定书》到碳中和目标的关键气候治理进程，使研究结果能够为评估农业减排政策和优化气候治理路径提供科学依据。气象数据来源于美国国家海洋和大气管理局（https://www.noaa.gov）。其他数据来源于1999—2024年《中国统计年鉴》《中国农村统计年鉴》以及相关研究报告。对于少量缺失数据采用插值法补齐。

2.2 变量选取

2.2.1 被解释变量：种植业碳排放

种植业碳排放测算基于碳足迹理论与生命周期评价方法构建多源测度框架。该框架涵盖农用化肥、柴油、农药和塑料薄膜的使用量，以及农作物播种面积和有效灌溉面积6个指标。其中，化肥对应生产能耗与施用中氧化亚氮排放，柴油直接体现机械作业的化石燃料燃烧，农药和塑料薄膜衡量全生命周期隐含碳排放，播种面积作为强度计算基础，有效灌溉面积则关联灌溉能耗的间接排放。本文通过将各指标实物消耗量与其对应排放系数相乘并加总，系统量化了农业生产过程中由能源消耗、生产资料投入及土地利用所产生的直接与间接碳排放总量。排放系数见相关文献[5,24]。

2.2.2 解释变量：极端气候

极端气候是指某一地区在特定时段内出现显著偏离其历史平均状态并达到该变量概率分布尾部的罕见气候事件，对农业生态系统构成系统性风险[25]。Guo等构建了全面的数据集以高精度评估极端气候风险[26]。首先，以1973—1992年为基期，确定极端气候阈值。其中，极端低温（LTD）为日平均温度低于历史第10百分位，极端高温（HTD）为日平均温度高于历史第90百分位，极端降雨（ERD）为日降雨量超过历史第95百分位，极端干旱（EDD）为日湿度低于历史第5百分位。其次，对每个气象站点逐年统计四类极端气候事件发生天数，并通过算术平均聚合到省级层面，得到区域年度极端天数。最后，为消除各变量量纲和数值范围差异的影响，对各项极端气候子指数进行标准化处理。采用最小—最大标准化方法将各子指数统一转换至0~100范围，并通过等权重加权合成极端气候风险指数（CPRI）。

2.2.3 控制变量选取

控制变量选取如下[27-29]：①城镇化水平（UR）通过劳动力转移和土地利用变化影响农业生产集约度；②经济发展水平（PGDP）以人均地区生产总值表征，其直接决定农业投入能力和技术选择空间；③农机动力规模（AM）以人均农业机械总动力衡量，反映农业机械化带来的能源消耗强度；④支农力度（IFSA）以农林水事务支出占财政支出比例衡量，体现政府对农业的扶持政策导向；⑤农业产业结构（AIS）则表征种植业的相对地位，以种植业总产值与农林牧渔业总产值之比体现。

2.3 模型设计

2.3.1 XGBoost模型

XGBoost模型能有效处理高维协变量，并以其卓越的预测能力捕捉极端气候与种植业碳排放间非线性的相互作用，从而克服传统线性方法的局限性[30]。本文利用模型内嵌的特征重要性评估机制，实现对关键极端气候驱动因子的定量识别，推动研究从定性分析向定量归因的深化。此研究框架不仅为理解气候和农业系统间关系提供了数据驱动的新见解，其精准归因结果也为减排政策的制定奠定了科学基础。其目标函数如下[31]：
$L\left(\mathrm{\varnothing }\right)=\sum l\left({y}_{i},{\widehat{y}}_{i}\right)+\sum \mathrm{\Omega }\left({f}_{k}\right)$
式中：L(∅)代表目标函数； $\sum l\left({y}_{i},{\widehat{y}}_{i}\right)$代表误差项，以此计算种植业碳排放系数预测值与实际值的差距；∑Ω(fk)代表正则化惩罚项，用以限制各回归树的复杂度。

2.3.2 SHAP模型

为解析极端气候对种植业碳排放的作用机制，本文引入SHAP值作为核心解释工具[32]。该模型通过计算极端气候等特征变量的平均边际贡献，能够精准量化其对预测结果的影响强度。其表达式为[33]：
$\begin{array}{l}{\mathrm{\varnothing }}_{i}\left(v\right)=\sum s\subseteq N/\left\{i\right\}\frac{\left|S\right|!\left(\left|N\right|-\left|S\right|-1\right)!}{\left|N\right|!}\bullet \\ \left[v\left(S\bigcup \left\{i\right\}\right)-v\left(S\right)\right]\end{array}$
式中：∅i(v)代表特征i的SHAP值；N代表所有特征的集合；S代表不包含特征i的特征子集；v(S)的函数值代表当特征集合S存在时模型的预测输出。SHAP值的正负性决定特征向量对预测目标影响的方向，其绝对值大小反映该特征对预测目标影响的强度。

3 极端气候和种植业碳排放时空分布特征分析

3.1 极端气候演变特征

3.1.1 时序演变

整体上，研究区极端气候风险指数呈现显著的波动上升趋势[34]，从2000年的36.35增长至2023年的44.89，经历了多个“上升—回落”周期（图2a）。该演变态势揭示了区域气候系统不稳定性持续加剧的总体特征。值得注意的是，2011年极端气候风险指数攀升至52.84的峰值。在拉尼娜事件衰减的背景下，全年极端天气呈高频次、高强度集中爆发，典型事件包括长江中下游地区的旱涝急转、华北与西南地区的罕见秋汛、南方的低温雨雪冰冻以及夏季的强对流天气。
图2 省域极端气候变化

注：图2b~图2f基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图无修改。图3同。

Fig.2 Spatial distribution evolution of extreme climate in China at the provincial level

此外，不同极端气候事件的发生频率也呈现显著的时序差异。其中，极端高温指数由2000年的51.32增长至2023年的73.45，表明极端热事件正日趋频繁和强烈；而极端低温指数则在研究期内呈下降趋势，进一步印证了气候增暖的总体特征。从降水事件看，极端降雨指数和极端干旱指数均呈现波动增长态势，但变化幅度略有不同。其中2018年极端降雨指数达到峰值50.20，由台风“温比亚”造成的华东破历史极值降水、华南前汛期持续性暴雨及华北—东北强对流天气共同驱动。极端干旱指数则在2013—2017年呈现短暂下降，随后提升，这主要归因于区域大气环流调整，并叠加了后期降水偏少与蒸发增加的影响，最终表现为极端干旱事件频率与强度的同步波动。

3.1.2 空间演变格局

本文采用自然断点法分别将CPRA、LTD、HTD、RED、EED 5个指标结果划分为五级，并采用柱状图显示其2000、2011和2023年的时序演变特征（图2b~图2f）。整体上，极端气候风险指数较高值区集聚于环渤海地区，呈现由“东北向西南”递减的梯度发展格局。黑龙江和河南虽同属极端气候风险高值区，但主导风险迥异。黑龙江主要受强降水与低温冻害的威胁，河南则频遭极端高温、干旱与突发暴雨影响。从时序演变看，多数省份极端气候风险指数呈“先升后降”的波动模式，但整体仍保持上升趋势，表明极端气候风险并非线性增长，其演变过程充满复杂性与阶段性波动。
进一步分析发现，不同极端事件的空间分布格局存在显著差异。其中，极端低温指数呈现由北向南梯度递减的纬向格局，归因于地气系统能量收支的纬度差异。北方地区太阳辐射弱、冬季冷却效应强，且更易受强冷平流影响。受独特的地理地形与大气环流配置影响，西南地区和华北平原在气候变暖背景下对极端高温表现出高度敏感性，表明其发生频率较高且持续增长。与此同时，“山西—广东”高极端降雨风险纵带形成是由于夏季风水汽输送在此受到地形强迫抬升，极易触发极端降雨。该纵带极端降雨风险的时序变化呈现出递减、增长与波动共存的复杂特征，这反映了在全球变暖导致极端降雨总体增强的长期趋势下，叠加了厄尔尼诺等年际和年代际自然气候波动的复杂调制作用。中国极端干旱风险呈现“中部高、四周低”的环状分布结构，且总体强度持续增强。

3.2 种植业碳排放时空演变特征

3.2.1 时序演变规律

整体上，中国种植业碳排放总量由2000年的6161.91万t增长至2023年的7797.64万t，年均增长率为0.98%，呈现显著的阶段性特征（图3a、图3b）。其中，2000—2015年为稳定上升阶段，种植业碳排放总量持续增长并于2015年达到峰值9372.16万t。而2016—2023年，种植业碳排放总量以年均-18.66%的变化幅度持续下降，显示出强劲的减排趋势。其转折主要得益于同期实施的“化肥农药零增长”和“减肥减药”等关键政策，这些措施直接作用于农业生产环节，有效遏制了因化肥、农药过量投入所产生的碳排放。
图3 2000—2023年省域种植业碳排放演变趋势

Fig.3 Evolution of carbon emissions of planting industry in China at the provincial level from 2000 to 2023

省际层面上，种植业碳排放年均值在区域演变路径上存在显著的差异性。其中，山东的排放水平处于全国首位，年均值为760.86万t。相比之下，西藏则居于末位，年均值为7.41万t，仅占全国总量的0.09%。该绝对差距反映了我国种植业碳排放在地理分布上的不均衡态势。2000—2023年，北京、上海、天津、浙江、江苏、山东和福建等省（市）均实现了种植业碳排放下降，降幅介于8.98万~88.18万t。与此同时，甘肃、内蒙古、广西、黑龙江、新疆和河南的排放总量呈增长态势，增加量均超过了100万t。究其缘由，该区域在研究期内畜禽养殖、水稻种植、化肥使用及农机耗能等农业生产活动规模扩大或强度提升所致。

3.2.2 空间演变格局

本文采用自然断点法将2000、2011和2023年的种植业碳排放量及其时序阶段水平差距划分为五级（图3c~图3e）。研究期间，种植业碳排放的空间分布格局由2000年“自东南向西北逐步递减”的梯度特征，演变为2023年“自北向南逐步递减”的空间态势。种植业碳排放高值区聚集于环渤海地区，其省份数量从2000年的5个降至2个。而山东与河南受路径依赖影响，农业生产结构转型相对滞后，始终处于高值区。值得注意的是，黑龙江、内蒙古和新疆逐渐转变为中高值区，表明以大规模机械化、资源高投入为特征的现代化农业模式，在提升产量的同时，也带来了显著的碳排放压力。
黑龙江、内蒙古与新疆的种植业碳排放的时序变化幅度尤为突出，这些省份应作为减排的重点关注区域。尽管山东的种植业碳排放总量上居全国之首，其减排力度与成效也同时占据了榜首，这揭示了其作为农业大省在绿色转型上的率先探索与巨大投入。一方面，高强度的农业生产是碳排放的基础来源；另一方面，这也为精准施肥、粪污资源化等关键技术提供了规模化应用场景，从而在保障粮食安全的同时，大幅降低了单位产出的碳排放。此外，种植业碳排放增长量处于0~184.83万t的省份数量为17个，占比54.84%。

4 极端气候对种植业碳排放的影响效应分析

4.1 模型精度比较

为科学评估模型在时序数据上的预测性能并规避潜在的信息泄露问题，本文通过对比预测值与实际值之间的差异来评价模型表现（表1）。结果表明，XGBoost模型的预测效果最佳，其RMSE和MAE值均为最小，且在训练集和测试集上的R²均保持较高水平。因此，本文选取XGBoost作为最优预测模型，并结合SHAP模型，进一步分析极端气候对种植业碳排放的贡献程度与作用方向。
表1 模型精度比较

Tab.1 Model accuracy comparison

模型 样本 RMSE MAE R2
XGboost 训练集 0.029 0.019 0.985
测试集 0.149 0.111 0.535
支持向量机 训练集 0.193 0.150 0.342
测试集 0.182 0.146 0.298
神经网络 训练集 0.191 0.153 0.348
测试集 0.190 0.154 0.269
随机森林 训练集 0.057 0.040 0.942
测试集 0.138 0.106 0.552

4.2 极端气候影响效应分析

图4a揭示了影响中国种植业碳排放的关键影响因素，结果显示分别为农业生产技术（7.10）、财政支农力度（3.72）、城镇化水平（2.94）、经济发展水平（2.81）、极端气候风险（2.27）、农业产业结构（1.44）。在种植业碳排放的影响机制中，极端气候作为关键扰动项，其风险贡献率已达11.19%，并对系统产生显著的非线性影响。从控制指标来看，农业生产技术、财政支农力度和种植业总产值占农林牧渔业总产值水平越高，对种植业碳排放的正向影响越显著。农业机械化的推进依赖化石能源消耗。而财政支农补贴则通过降低化肥农药使用成本，间接刺激高碳生产资料过量投入，加剧N2O等非CO2温室气体排放。相反，经济发展与城镇化进程对种植业碳排放增长产生显著的抑制效应。劳动力转移与生产资源重构，倒逼农业经营模式向规模化、专业化演进，从根本上提升了农业能源与资源利用效率，通过碳生产力提升路径实现了减污降碳目标。
图4 SHAP值结果

Fig.4 Results of SHAP value

图4b进一步揭示了不同极端气候事件对种植业碳排放的异质性影响。子事件的影响效应由大到小分别为极端低温（2.69）、极端高温（2.61）、极端降雨（1.27）和极端干旱（1.15）。其中，极端高温、极端降雨与极端干旱日数的增加，通过改变农业生产环境并迫使要素投入结构调整，从而共同驱动了种植业碳排放的提升。具体而言，极端高温加速土壤有机质分解并增加灌溉能耗；极端降雨导致养分流失，迫使增施化肥[35]；极端干旱则直接降低生产力，需强化灌溉维持农业产出，将促进能源与化学品投入。值得注意的是，极端低温对种植业碳排放呈现抑制效应。一方面，低温抑制土壤微生物活性，减缓有机质分解，降低直接碳排放；另一方面，低温减缓作物代谢，减少化肥、灌溉等能源密集型投入，降低间接碳排放。

4.3 极端气候子事件偏依赖特征分析

种植业碳排放的整体影响分析仅能确认统计关联，而偏依赖分析则能揭示不同极端气候事件与碳排放之间的独立非线性作用机制。这有助于明确各类极端气候的作用路径与影响优先级，为制定精准的差异化适应策略、优化资源配置及应对复合型气候事件提供科学依据。总体而言，各类极端气候事件与种植业碳排放均存在显著的非线性关联（图5）。
图5 子事件的偏依赖特征水平

Fig.5 Partial dependency feature level of sub-events

①极端低温对种植业碳排放的影响呈现显著的“先促进后抑制”非线性特征。当极端低温日数较少时，农作物与土壤微生物遭受胁迫，为维持生存与生理活动而产生额外的保温、抗寒等能源消耗，导致种植业碳排放短期上升。然而，当低温强度与持续时间超过生态阈值后，作物生长与微生物活动被深度抑制，其对水肥、灌溉等外部能源投入的需求大幅降低，系统新陈代谢趋于停滞，反而引致种植业碳排放的持续性下降。
②极端高温对种植业碳排放影响以正向促进为主。高温环境直接加速土壤有机质分解并增强微生物呼吸强度，导致碳排放增加[5]。同时，作物在热胁迫下蒸腾作用加剧，迫使农业生产系统增加灌溉等适应性管理措施，进而提升化石能源消耗相关的间接排放。值得注意的是，仅当其处于较低区间时，才会对种植业碳排放产生抑制效应。此时，适度增加的高温日数在未突破生态阈值时，可通过提升光合作用效率、促进作物生长发育来增强系统固碳能力。
③极端降雨与种植业碳排放之间呈现“先抑制—后促进—再抑制”的三阶段非线性关系。在初始阶段，适度降雨通过增强土壤水分有效性促进植被固碳，同时降低灌溉需求形成碳减排效应。当极端降雨日数持续增加，则通过引发土壤侵蚀、养分淋溶等途径迫使化肥增施，并诱发农机抢收等应急作业，导致碳排放显著上升。进入高强度降雨阶段后，持续的农田淹水条件反而抑制了好氧土壤微生物活性，同时通过损害作物根系发育降低其对水肥资源的利用效率，最终形成对农业生态系统的生产力约束与碳排放抑制。
④极端干旱对种植业碳排放的影响呈现显著正向促进效应。一方面，干旱胁迫通过抑制作物光合作用、降低植被覆盖度，直接削弱农田生态系统碳汇功能。另一方面，为维持农业生产能力而采取的强化灌溉、人工增雨等抗旱措施将大幅增加农业能源消耗，同时干旱引起的土壤氮素转化效率下降会促使化肥施用量增加，进而推高N2O等温室气体排放。事实上，因环境胁迫导致的生态系统功能衰退与人为干预强度提升所形成的正反馈循环，持续强化了极端干旱对种植业碳排放的驱动作用。

4.4 极端气候子事件协同作用机制分析

本文开展极端气候子事件两两协同作用机制分析（图6），揭示种植业碳排放的复合驱动机制。事实上，极端气候常以高温—干旱和干旱—降雨等组合形式出现，其协同效应往往产生“1+1>2”的非线性放大作用，显著改变单一事件作用下的种植业碳排放路径。通过解析典型气候组合的交互机制与影响强度，既可识别高风险气候耦合模式，也能为构建精准的复合灾害防控体系、优化资源配置提供依据，从而全面提升农业系统应对气候变化的整体韧性。
图6 两两事件协同影响种植业碳排放预测值的变化趋势

Fig.6 Changing trend of the predicted values of carbon emissions of planting industry influencing by pairwise events

结果表明，当极端高温与极端干旱同时处于高值区间时，二者通过协同作用对种植业碳排放产生显著的复合增强效应。具体而言，极端高温加速土壤有机质分解并加剧作物蒸腾，而干旱则制约水分供给并削弱植被固碳能力，二者耦合不仅直接引发土壤碳库排放通量上升，还通过激发大规模灌溉等适应性措施大幅增加能源消耗。此外，当极端低温与极端干旱或极端降水同时处于高值区间时，其协同效应能有效抑制种植业碳排放。在极端低温—极端干旱复合情境中，低温对微生物活性的抑制与干旱引发的生理停滞产生叠加效应，同时干旱条件基本消除了灌溉需求，实现从生物代谢到能源消耗的双重减排。而在极端低温—极端降水复合模式下，持续低温与土壤水分饱和共同营造厌氧环境，不仅抑制了好氧性土壤呼吸，还通过延缓作物发育降低系统资源消耗强度，最终形成多路径种植业碳排放约束体系。
与此同时，极端降雨与极端干旱在中等强度下集聚，对种植业碳排放形成显著的协同促进作用：①干湿交替的自然过程直接激发土壤微生物活性，加速土壤有机质分解，从而释放大量CO2。②该气候压力会触发高碳型的补偿性农事管理，如为弥补损失而增加的灌溉、施肥及翻耕等，往往伴随高能源消耗与温室气体排放。相反，极端低温—极端高温与极端高温—极端降雨两类复合情境未形成显著的空间集聚，其协同效应呈离散化分布。这主要源于低温—高温组合受限于固有的季节与地域气候模式而难以持续共存，而高温—降雨组合则因其气象驱动因素的时空异质性导致协同边界模糊。

5 结论与建议

5.1 主要结论

本文测度了2000—2023年长时间序列极端气候风险指数及种植业碳排放水平，揭示了其时空分布格局，进而采用XGBoost-SHAP模型揭示极端气候对中国种植业碳排放的影响效应、偏依赖特征及协同作用机制。主要结论如下：
①中国极端气候风险指数从2000年的36.35提升至2023年的44.89，于2011年达峰值52.84。从子事件类型来看，中国正呈现“极端高温加剧、极端干湿双增”的总体态势，反映出气候增暖背景下极端事件频发、强度提升的显著特征。空间上，高值区集聚于环渤海地区，整体呈现由“东北向西南”递减的梯度格局。
②2000—2023年中国种植业碳排放总量从6161.91万t增至7797.64万t，年均增长0.98%。其中2000—2015年持续增长，随后稳步下降。其空间分布格局已从2000年的“东南高、西北低”演变为2023年的“北部高、南部低”。其中，黑龙江、内蒙古和新疆是排放增长最快的区域。而山东的排放总量和减排成效均居首位。
③在种植业碳排放的影响机制中，极端气候作为关键扰动项，其风险贡献率已达11.19%。极端低温在子事件中影响效应值最高，其对种植业碳排放产生显著抑制作用。然而，极端高温、极端降雨与极端干旱日数增加是提升种植业碳排放的主要极端气候驱动力。
④极端气候与种植业碳排放间存在复杂的非线性关系，其影响路径与效应因事件类型而异。极端低温整体表现为“先促后抑”的非线性特征；极端高温和极端干旱会产生正向驱动；而极端降雨的影响呈现“抑制—促进—抑制”的三阶段波动特征。协同作用机制结果表明，极端高温—极端干旱及极端干湿交替事件对种植业碳排放产生了“1+1>2”的增强效应。而极端低温—极端干旱与极端低温—极端降雨复合情境则通过抑制微生物活性与灌溉需求形成协同减排。

5.2 对策建议

极端气候事件频发且强度加剧的背景下，其对农业系统的冲击已从单一扰动演变为系统性威胁。其不仅加剧了农业生态系统的脆弱性，更使维持产量与控制排放之间的矛盾日益尖锐。因此，提出科学精准的农业碳减排建议，破解极端气候胁迫引致的碳排放增长问题，对于推动农业向低碳高韧性转型具有重要的现实意义。
①构建差异化与精准化的极端气候适应体系，关键在于依据不同极端气候事件的异质性影响制定针对性策略。一是对于显著推高种植业碳排放的极端高温与极端干旱事件，应重点推广节水灌溉、耐旱作物及覆盖保墒技术，以降低灌溉能耗、减少土壤碳损失。二是应对极端降雨，需在中等强度时加强农田排水与养分管理，防止土壤侵蚀，而在高强度时转向生态修复与适应性种植，以减轻淹水造成的生态抑制。三是对于极端低温，则在低强度阶段采用节能保温措施以避免不必要的能源消耗，在高强度阶段则利用其自然抑制效应，合理调整农事活动以减少人为投入。
②优化农业生产要素投入结构，推动农业低碳技术转型。一方面，需着力减少对化石能源与高碳生产资料的依赖，促进农业向知识密集型与资源高效型农业转变。财政支农补贴应引导有机肥替代、精准施肥及沼气工程等低碳技术，避免补贴政策刺激化肥农药的过量投入。另一方面，需推动农业机械化发展，大力推广新能源农机与智能灌溉系统，有效降低农业机械的化石能源消耗。同时调整农业产业结构，适度控制畜牧业规模并加强畜禽粪污资源化利用。
③强化复合型气候事件的协同防控与系统韧性建设，需重点识别极端高温—极端干旱等高风险气候组合模式。针对具有协同增强效应的复合事件，构建跨区域水资源调度与干旱预警系统，统筹安排灌溉资源，避免应急性能源密集型投入。同时，科学利用极端低温—极端干旱、极端低温—极端降雨等组合的碳排放抑制效应，在生态脆弱区调整种植制度与耕作时序，发挥自然减排潜力。并通过加强农业气象监测与大数据平台建设，为极端气候的早期识别、动态评估与适应性管理提供决策支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Chen Z, Li X, Zhang X, et al. Global drought-flood abrupt alternation:Spatio-temporal patterns,drivers,and projections[J]. The Innovation Geoscience, 2025, 3(1):100113-1 - 100113-12.

[2]
吕添贵, 邱蓉, 李泽英, 等. 长江中游粮食主产区耕地碳源汇时空演化特征及驱动因素分析[J]. 农业工程学报, 2024, 40(18):251-261.

[3]
Liu Z, Jiao L, Lian X. Impacts of increasing compound hot-dry events on vegetation under the warming-wetting trend in Northwest China[J]. Geography and Sustainability, 2025, 6(2):100222.

DOI

[4]
Li Y, Gao G, Wen J, et al. The measurement of agricultural disaster vulnerability in China and implications for land-supported agricultural resilience building[J]. Land Use Policy, 2025, 148:107400.

DOI

[5]
王韶华, 吴海霞, 肖琴, 等. 极端高温对农业碳排放的影响[J]. 中国人口·资源与环境, 2025, 35(2):68-77.

[6]
温涛, 孙鹏翔, 张林. 中国农业碳排放的动态演进与区域格局[J]. 经济地理, 2024, 44(10):165-175.

DOI

[7]
沈玉洁, 裴小涵, 赵敏娟. 互联网使用对农业碳排放效率的影响——来自豫湘黑三省粮食种植户的实证检验[J]. 资源科学, 2024, 46(7):1314-1329.

DOI

[8]
童伟伟, 李玉霖, 张董敏. 农业服务化水平提升对中国农业碳排放强度的影响研究[J]. 中国农业资源与区划, 2024, 45(6):23-36.

[9]
Xie T, Huang Z, Tan T, et al. Forecasting China's agricultural carbon emissions:A comparative study based on deep learning models[J]. Ecological Informatics, 2024, 82:102661.

DOI

[10]
宁静, 王震, 杜国明, 等. 东北地区农业碳排放特征与农业经济的脱钩状态分析[J]. 经济地理, 2023, 43(11):173-180.

DOI

[11]
张晶, 王姝心, 吴兆飞, 等. 极端气候事件对中国温带森林秋季物候的影响[J]. 地理学报, 2025, 80(7):1786-1800.

DOI

[12]
史军, 崔林丽. 上海城市生态特征及其极端天气气候年差异对比[J]. 长江流域资源与环境, 2025, 34(3):600-609.

[13]
王莹, 陈卫洪. 极端气候、农机作业服务市场与粮食产量——基于13个粮食主产区面板数据的实证分析[J]. 农业技术经济, 2024(10):70-90.

[14]
Liu Z, Jiao L, Lian X. Changes in compound extreme events and their impacts on cropland productivity in China,1985-2019[J]. Earth's Future, 2025, 13(3):e2024EF005038.

[15]
You N, Till J, Lobell D B, et al. Climate-driven global cropland changes and consequent feedbacks[J]. Nature Geoscience, 2025, 18(7):639-645.

DOI

[16]
Lai Y, Du R, He J, et al. Vicious cycle or virtuous feedback?Revisiting the impact of climate risk on agricultural carbon emissions in China[J]. Climate Smart Agriculture,2025:100065.

[17]
高雁鹏, 陈文俊. 1984—2020年辽宁省极端气温时空变化及粮食产量响应研究[J]. 地理科学, 2021, 41(11):2052-2062.

DOI

[18]
覃朝晖, 潘昱辰, 丁志国. 极端气温对长江经济带农业碳排放的影响研究:抑制还是促进?[J]. 华中农业大学学报(社会科学版), 2023(6):70-82.

[19]
Paudyal S. Using rumination time to manage health and reproduction in dairy cattle:A review[J]. Veterinary Quarterly, 2021, 41(1):292-300.

DOI

[20]
Minoli S, Jägermeyr J, Asseng S, et al. Global crop yields can be lifted by timely adaptation of growing periods to climate change[J]. Nature Communications, 2022, 13(1):7079.

DOI PMID

[21]
Shi Y, Pan S F, You Y F, et al. Extreme dry-heat climate impacts on greenhouse gas emission intensity in wheat production:Insights and mitigation strategies[J]. Global Change Biology, 2025, 31(7):e70349.

DOI

[22]
刘彦随, 赵雨, 李裕瑞. 气候变化对农业地域系统的影响及其应对[J]. 科学通报, 2025, 17(36):6123-6136.

[23]
Fang P, Wang T, Yang D, et al. Substantial increases in compound climate extremes and associated socio-economic exposure across China under future climate change[J]. NPJ Climate and Atmospheric Science, 2025, 8(1):17.

DOI

[24]
吴强, 陈金兰. 农业机械化对农业碳排放的影响及其空间溢出效应[J]. 统计与决策, 2025, 41(12):60-65.

[25]
张晟博, 吴作航, 党皓飞, 等. 近20年武夷山地区不同遥感指标对极端气候事件的响应及差异[J]. 生态环境学报, 2025, 34(8):1240-1254.

DOI

[26]
Guo K, Ji Q, Zhang D. A dataset to measure global climate physical risk[J]. Data in Brief, 2024, 54:110502.

DOI

[27]
付舒斐, 吕添贵, 朱丽萌, 等. 农业绿色发展对耕地利用碳排放强度的影响机制和空间效应[J]. 中国农业大学学报, 2025, 30(4):286-299.

[28]
苏培添, 王磊. 数字普惠金融对中国农业碳排放强度影响的空间效应与机制[J]. 资源科学, 2023, 45(3):593-608.

DOI

[29]
吉雪强, 刘慧敏, 张跃松. 中国农地流转对农业碳排放强度的影响及作用机制研究[J]. 中国土地科学, 2023, 37(2):51-61.

[30]
郭岚瑄, 王贺封, 沈石凯, 等. 京津冀地区kNDVI时空变化及对气候因子的响应[J]. 西南农业学报, 2024, 37(8):1837-1849.

[31]
Zhang G, Li X, Zhang L, et al. Dynamics and causes of cropland non-agriculturalization in typical regions of China:An explanation Based on interpretable machine learning[J]. Ecological Indicators, 2024, 166:112348.

DOI

[32]
王火根, 胡梦婷, 刘小春. 基于机器学习和SHAP算法的我国粮食安全水平测度重构及可解释性分析[J]. 中国农业大学学报, 2025, 30 (7):264-274.

[33]
Li Q, Chen H, Long R, et al. The impact of climate change on China's food security considering artificial intelligence level:Based on XGBoost and RIME-CNN-LSTM-ATT models[J]. Resources,Conservation and Recycling, 2026, 224:108539.

DOI

[34]
Feng L, Wang Y, Fensholt R, et al. Globally increased cropland soil exposure to climate extremes in recent decades[J]. Nature Communications, 2025, 16(1):4354.

DOI

[35]
Chen Z, Zhang N, Li Y, et al. Extreme rainfall amplified the stimulatory effects of soil carbon availability on N2O emissions[J]. Global Change Biology, 2025, 31(4):e70164.

DOI

Options
Outlines

/

〈 〉