解釈可能な機械学習を用いた広東省の県レベルの農業炭素排出の時空間パターンと潜在的な影響要因の解明

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a robust framework combining emission accounting and ML for identifying drivers of agricultural carbon emissions at fine spatial scale.

🏢実務担当者:Offers insights into region-specific emission patterns and drivers that can help tailor low-carbon agricultural practices and policies.

🏛政策担当者:Demonstrates the value of interpretable ML in developing targeted agricultural emission reduction strategies, applicable to subnational climate planning.

農業由来の炭素排出は温室効果ガスの主要な発生源であり、世界の気候緩和と持続可能な農業発展目標の達成において重要な役割を果たしている。中国では、農業生産システムの急速な変革により、農業炭素排出の排出パターンと駆動メカニズムに substantial な空間的不均一性が生じている一方、県スケールでの基礎的プロセスは未だ十分に理解されていない。本研究は、中国広東省における2000年から2022年までの県レベルの農業炭素排出の時空間的進化と潜在的な影響要因を調査した。まず、国際的に認められた排出算定方法とIPCCの地球温暖化係数に基づき、土地管理、作物栽培、畜産、稲わら焼却をカバーするマルチソース算定フレームワークを用いて農業炭素排出量を推定した。次に、局所的空間自己相関（LISA）を用いて空間的クラスタリング特性を分析し、不均一な排出パターンを特定した。最後に、ランダムフォレスト（RF）とSHapley Additive exPlanations（SHAP）を組み合わせた解釈可能な機械学習フレームワークを用いて、複数の社会経済的・農業的駆動要因の非線形効果と相対的貢献度を定量化した。結果は、広東省の農業炭素排出量が変動しながらも全体的には減少傾向を示し、2000年の50.89 Mt CO2-eqから2022年の39.24 Mt CO2-eqへと減少し、全体で22.9%の削減となったことを示した。高排出クラスターは主に広東西部と北部に集中し、低排出地域は主に珠江デルタ（PRD）に位置していた。RFモデルは満足のいく予測性能を示し、空間交差検証によるR2値は異なる年次で0.75から0.91の範囲であった。SHAP分析は、耕地面積、肥料・農薬使用量、農業機械動力、第一次産業GDPが農業炭素排出に関連する主要因子であることを示唆し、一方で都市化は一貫して負の関連を示した。さらに、これらの駆動要因は顕著な非線形応答と明確な地域的不均一性を示し、特にPRDと広東西部・北部の間で顕著であった。これらの知見は、農業炭素排出が農業生産強度、機械化、社会経済的移行によって共同で影響を受けていることを示唆し、地域固有の低炭素農業政策の策定と農業システムの持続可能な変革の促進のための科学的根拠を提供することができる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Agricultural carbon emissions represent a major source of greenhouse gases and play a critical role in achieving global climate mitigation and sustainable agricultural development targets. In China, the rapid transformation of agricultural production systems has led to substantial spatial heterogeneity in emission patterns and driving mechanisms of agricultural carbon emissions, while the underlying processes at the county scale remain insufficiently understood. This study investigated the spatiotemporal evolution and potential influencing factors of agricultural carbon emissions at the county level from 2000 to 2022 in Guangdong Province, China. First, agricultural carbon emissions were estimated based on a multi-source accounting framework covering land management, crop cultivation, animal production, and straw burning based on internationally recognized emission accounting methods and IPCC global warming potentials. Then, spatial clustering characteristics were analyzed using local spatial autocorrelation (LISA) to identify heterogeneous emission patterns. Finally, an interpretable machine learning framework combining Random Forest (RF) and SHapley Additive exPlanations (SHAP) was employed to quantify the nonlinear effects and relative contributions of multiple socioeconomic and agricultural drivers. The results showed that agricultural carbon emissions in Guangdong Province exhibited a fluctuating but overall decreasing trend, declining from 50.89 Mt CO2-eq in 2000 to 39.24 Mt CO2-eq in 2022, with an overall reduction of 22.9%. High-emission clusters were primarily concentrated in western and northern Guangdong, while low-emission areas were mainly located in the Pearl River Delta (PRD). The RF models demonstrated satisfactory predictive performance, with spatial cross-validated R2 values ranging from 0.75 to 0.91 across different years. SHAP analysis suggested that ploughing area, fertilizer and pesticide usage, agricultural machinery power, and primary industry GDP were the dominant factors associated with agricultural carbon emissions, whereas urbanization consistently showed a negative association. Furthermore, these drivers exhibited pronounced nonlinear responses and distinct regional heterogeneity, particularly between the PRD and the western and northern parts of Guangdong Province. These findings suggested that agricultural carbon emissions are jointly influenced by agricultural production intensity, mechanization, and socioeconomic transition and can provide a scientific basis for developing region-specific low-carbon agricultural policies and promoting the sustainable transformation of agricultural systems.

• openalex https://doi.org/10.3390/su18157612first seen 2026-07-29 05:20:34