耕地非粮化时空轨迹与分歧驱动因素：来自中国长株潭城市群的证据

《Land》：Spatiotemporal Trajectories and Divergent Drivers of Cropland Non-Grain Use: Evidence from the Changsha–Zhuzhou–Xiangtan Urban Agglomeration, China

　　

耕地非粮化已成为快速城市化农业地区粮食安全和耕地治理的重要挑战，然而其轨迹异质性以及当前空间格局与长期变化机制之间的分歧仍未得到充分理解。以中国长株潭（CZT）城市群为案例，本研究在1 km网格上量化了2000年、2010年和2020年的耕地非粮化率（Non-Grain Rate, NGR），分类了网格级转变轨迹，并开发了三个具有时间结构的极端梯度提升（eXtreme Gradient Boosting, XGBoost）模型，结合空间块交叉验证、沙普利加法解释（Shapley additive explanations, SHAP）和地理显式SHAP（GeoSHAP）局部分层归因。结果表明，低NGR和稳定网格构成了主导的区域背景，而近期NGR增加主要沿城市发展走廊和大都市边缘集中。当前NGR状态与长期NGR变化表现出不同的解释结构。当前空间格局主要与地形约束和当代城市压力相关，而长期变化则更强烈地受基线城市化和后续城市-环境变化的制约。非线性依赖分析进一步识别了与坡度、不透水面条件、水热变化和水文邻近性相关的模型导出响应区。GeoSHAP制图揭示，局部主导机制在研究区域内差异显著，表明耕地非粮化受到地形、城市化、水热背景和水文背景的空间异质性组合塑造。这些发现支持从总量状态监测转向城市群中轨迹特异性和机制差异化的耕地管理。

**研究背景**：在中国快速城市化、农村劳动力重构及农业比较效益变化的背景下，耕地非粮化（Non-Grain Use）已成为威胁国家粮食安全和耕地治理的重要挑战。与耕地直接转为非农业用途不同，非粮化是在现有耕地内部通过作物结构替代、经济作物或水产种植等方式改变土地利用功能，过程渐进、隐蔽且常被统计掩盖。现有研究多采用单时点截面数据或行政单元比较来描述其空间范围与驱动因子，但这类方法无法区分变化轨迹与持久状态，且平均化处理掩盖了局部强化走廊、部分恢复区和双向波动区的异质性过程。此外，当前非粮化水平与长期变化幅度（ΔNGR）可能受不同组合的当代条件、历史背景和变化过程影响，而大多数研究将两者混同分析，易导致干预优先级误判。因此，亟需在空间显式框架下分离当前格局与长期变化机制，并识别非线性响应与局部主导机制。

**研究内容与结论**：研究人员以中国长株潭（Changsha–Zhuzhou–Xiangtan, CZT）城市群为案例，采用1 km网格的耕地非粮化率（Non-Grain Rate, NGR）计算、2000–2020年逐阶段轨迹分类，以及三个时间结构化XGBoost模型（模型A解释2020年NGR格局，模型B包含基线城市化和变化变量解释长期ΔNGR，模型C仅含变化变量），结合空间块交叉验证、SHAP和GeoSHAP分析。得出结论：低NGR和稳定网格占主导，NGR增加集中在城市走廊和边缘；当前NGR格局主要受地形约束和当代城市压力驱动，而长期ΔNGR受基线城市化（尤其是2000年不透水面比例）强烈制约；驱动因子表现出非线性响应区、条件耦合结构及空间异质局部机制。该研究发表在《Land》期刊。

**主要关键技术方法**（不超过250字）：
研究人员基于Google Earth Engine平台，整合多源遥感数据（主要谷物层MGL、中国土地覆盖数据集CLCD）并统一至1 km网格（EPSG:32649投影），计算2000、2010、2020年NGR，并以5%耕地面积阈筛选有效网格。通过2000–2010、2010–2020及2000–2020三个时段进行轨迹分类（稳定、增加、减少、反转）。构建三个XGBoost回归模型，采用10 km空间块五折分组交叉验证避免空间数据泄露，超参数由Optuna优化。使用SHAP计算各预测因子的全局重要性、非线性依赖曲线及成对交互强度，并将SHAP值空间化（GeoSHAP）识别每个网格的局部主导驱动因子。样本队列来源为中国长株潭城市群（约28,000 km²）。

**研究结果**（保留每个小标题）：
- **3.1 耕地非粮化时空格局与NGR轨迹**：通过三年截面统计和轨迹分类发现，低NGR（<10%）网格始终占约50%以上，NGR<20%网格合计超75%；稳定轨迹占70.63%，NGR增加轨迹（7.40%）主要沿城市走廊和边缘分布，减少（16.31%）和反转（5.66%）轨迹分散在外围农业区，表明区域以稳定低NGR为背景，变化具局部性。
- **3.2 三个XGBoost模型预测性能**：空间块交叉验证显示，模型A（2020年NGR）的留出集R²为0.433，模型B（ΔNGR含基线变量）R²为0.259，模型C（ΔNGR不含基线变量）R²为0.208；模型B性能优于模型C，证明基线城市化变量贡献额外解释力。
- **3.3 NGR格局与变化的全局驱动因子**：基于平均绝对值SHAP重要性，模型A中坡度（29.34%）和2020年不透水面比例（23.66%）主导；模型B中2000年不透水面比例（33.39%）和太阳辐射趋势（18.74%）主导；模型C中不透水面变化（22.47%）和坡度（21.86%）主导。类别层面，当前格局以地形/土壤和当代城市压力为主，长期变化以基线城市化、城市变化及气候/水热变化为主。
- **3.4 主导驱动因子的非线性依赖**：依赖图显示坡度在5.88°（模型A）和4.68°（模型C）附近出现正向转变；不透水面在极低值时贡献正，之后转为负（条件于保留耕地复合效应）；温度、降水、太阳辐射趋势、到河流距离等均存在近似响应转变区，表明模型导出阈值而非固定因果断点。
- **3.5 NGR驱动因子的交互网络**：交互网络显示模型A中坡度与2020年不透水面耦合最强；模型B以2000年不透水面为中心，与太阳辐射趋势、不透水面变化、坡度、到河流距离强交互；模型C中太阳辐射趋势与坡度、不透水面变化与地形/水文间表现出强交互，表明不同模型反映不同的解释结构耦合。
- **3.6 局部主导驱动因子的空间异质性**：GeoSHAP制图显示，模型A中54.0%的网格以坡度为主导，34.1%以2020年不透水面为主；模型B中62.6%网格以2000年不透水面为主；模型C中48.4%以太阳辐射趋势为主，27.5%以坡度为主。局部主导机制随模型目标差异显著，证实不存在单一解释机制。

**讨论总结**：研究人员指出，低NGR稳定背景与局部强化轨迹并存，表明应区分稳定农业腹地、高风险转变区、地形约束区及水热诊断区分别管理；当前格局与长期变化的驱动分歧强调了基线城市化条件（如2000年不透水面）的关键历史烙印作用；非线性响应区和局部分异机制支持从总量监测转向轨迹特异性和机制差异化管理。同时指出局限性：NGR无法区分具体非粮化类型（如园艺、水产、休耕），十年截面无法捕捉短期波动，1 km网格及XGBoost-SHAP框架提供模型关联而非因果效应，未来需结合更高频作物图、农户调查、土地流转记录和跨区域比较验证因果路径。

**研究结论**（翻译自原文第5节）：以CZT城市群为案例，本研究整合了网格级轨迹分类、时间结构化XGBoost建模、空间块交叉验证、SHAP解释和GeoSHAP局部分层归因，以区分当前耕地非粮化与长期NGR变化。该框架不仅识别了非粮化集中的区域，还揭示了转变路径和局部主导解释机制在城市化农业景观中的差异。CZT城市群的耕地非粮化并非区域范围的持续强化，稳定和低NGR网格构成主导背景，而显著的NGR增加主要沿城市发展走廊和大都市边缘集中。当前NGR状态与长期NGR变化关联不同的解释结构：2020年NGR格局主要与地形约束和当代城市压力相关，而长期ΔNGR更强烈地受基线城市化（尤其是早期不透水面存在）制约。主导驱动因子表现出非线性、条件耦合和局部异质效应；GeoSHAP制图显示研究区不同部分由不同解释机制主导，支持从总量状态监测转向轨迹和机制差异化的耕地管理。若干局限仍存：NGR指标无法区分具体非粮化类型，十年观测无法捕捉短期波动，网格尺度估算不应视为地块级种植记录；XGBoost-SHAP框架识别模型关联而非因果效应。未来研究可结合更高频作物图、农户调查、土地流转记录、地方规划数据和跨区域比较以验证因果路径并测试所提议框架的可迁移性。