2000—2019年中國農業塑料污染的時空變化評估

摘要：農業塑料污染產生嚴重的生態環境問題，但農業塑料的空間分布格局及其時序變化的影響因素缺乏精細化的評估與歸因。基于一種可用的指數模型，本文反演評估我國2000—2019年以塑料薄膜、化肥袋與農藥瓶為主的農業塑料污染源的時空變化特征，并篩選9種關鍵的社會-生態影響指標，結合最小二乘法、地理加權模型與隨機森林方法，對農業塑料廢棄物變化進行整體-局部尺度的歸因分析。結果發現，全國上述農業塑料數量呈現增加-平穩-下降的變化趨勢，其空間聚集性和區域差異性在研究期內逐步減弱。影響整體農業塑料污染的因子按重要性由大到小排序為：農業機械總動力、降水、糧食作物播種面積、第一產業增加值、日照時數、國內專利申請受理量和鄉村人口。局部尺度農業塑料污染的影響因子系數與整體尺度的因子空間分布特征類似，但其空間聚集特征隨時間變化明顯減弱。研究結果對實施農業塑料污染的動態監測、影響評價與防控策略等具有科學參考價值，可以提供數據支持。

關鍵詞：農業塑料污染；集成評估；空間自相關；地理加權回歸；隨機森林；影響因素

中圖分類號：X52 文獻標識碼：A 文章編號：1008-9500（2024）02-0-09

DOI：10.3969/j.issn.1008-9500.2024.02.046

Assessment on spatiotemporal changes of agricultural plastic pollution in China from 2000 to 2019

ZHOU Xinrui， ZHONG Jingwen， SUN Yuanchao， LIANG Youjia

（School of Resources and Environmental Engineering， Wuhan University of Technology， Wuhan 430070， China）

Abstract： Agricultural plastic pollution causes serious ecological and environmental problems， but the spatial distribution pattern of agricultural plastics and the influencing factors of their temporal changes lack refined evaluation and attribution. Based on an available index model， the spatiotemporal variation characteristics of agricultural plastic pollution sources in China are inverted and evaluated in this paper， mainly plastic films， fertilizer bags， and pesticide bottles， from 2000 to 2019， and nine key social-ecological impact indicators are selected， and combined with the least squares method， geographic weighted model， and random forest method， a global-local scale attribution analysis is conducted on the changes in agricultural plastic waste. The results show that the quantity of agricultural plastics mentioned above in China shows a trend of increasing-stabilizing-decreasing， with its spatial clustering and regional differences gradually weakening during the research period. The factors that affect overall agricultural plastic pollution are ranked in descending order of importance： total power of agricultural machinery， precipitation， sowing area of grain crops， added value of primary industry， sunshine hours， domestic patent application acceptance， and rural population. The impact factor coefficients of local scale agricultural plastic pollution are similar to the spatial distribution characteristics of overall scale factors， but their spatial clustering characteristics significantly weaken over time. The research results have scientific reference value for implementing dynamic monitoring， impact assessment， and prevention and control strategies of agricultural plastic pollution， and can provide data support.

Keywords： agricultural plastic pollution; integration assessment; spatial autocorrelation; geographically weighted regression; random forest; influencing factors

廣泛使用的農業塑料制品正在導致嚴峻的生態環境問題。目前，據估計，全球每年使用的農業塑料超過150萬t，其中60%～80%的消耗量來自中國[1]。隨著社會經濟迅速發展，農業塑料已成為中國現代農業生產中不可替代的原材料消耗品[2]，為作物增產增收和糧食安全做出巨大貢獻。例如，相較于露地植棉，地膜植棉可以平均增加30%～50%的產量[3]。但受塑料用量和使用年限的增加及重使用、輕回收的生產慣性影響，農業塑料廢棄物在農田生態系統中的殘留量正在逐年累積，并嚴重影響農業生產安全和生態系統健康。例如，中國農膜的回收率不足60%[4]，但殘留量一般為60～165 kg/hm2，且隨使用年限的增加而增加。精細識別農業塑料的時空格局特征已成為建立農業塑料污染有效回收機制、完善區域監測評價體系及合理布局污染物回收再加工產業的關鍵科學問題[5]。

農業塑料廢棄物變化評估正成為跨學科研究的重要領域。Hiskakis等[6]首次提出針對塑料薄膜、灌溉管道與化肥袋等類型的農業塑料廢棄物評估。Briassoulis等[2]總結歐洲農業塑料污染的主要類型與估算方法，并對歐洲農業塑料高產出地區進行案例評估，但成果的可視化程度較低。Blanco等[7]使用正形攝影分析和遙感調查方法研究意大利普利亞區農業塑料分布，盡管提出集成土地利用與地理信息系統（Geographic Information System，GIS）的農業塑料廢棄物分布反演方法，但研究時限短，且模型不具備預測功能。針對中國復雜多樣的地理環境和農業發展差異性，農用塑料廢棄物研究近年來受到重視，科研投入和成果轉化呈現出同步加強的趨勢[8]。例如，土壤微塑料污染分布調查[9]與土壤微塑料含量與地膜覆蓋的關聯機制[10]等方面都取得明顯進展。但上述研究多集中在微塑料領域，缺少對農業塑料廢棄物污染的溯源，且很少開展跨時空尺度的農業廢棄物污染分布與變化過程評估。

針對農業塑料污染的時空特征不明確的評估問題，本研究以2000—2019年中國主要農業塑料廢棄物數據集為基礎，利用農業塑料廢棄物（Agricultural Plastic Waste，APW）模型、空間制圖和機器學習算法確定農業塑料廢棄物的時空格局變化，并使用最小二乘回歸、隨機森林回歸模型與地理加權回歸方法對農業塑料廢棄物污染進行整體-局部尺度的雙重歸因分析。研究結果可為農業塑料廢棄物監測、回收與處理提供數據支持及決策參考。

1 數據與方法

1.1 數據

本研究收集中國2000—2019年主要農業塑料污染數據，并使用ArcGIS軟件開展數據可視化處理，數據涉及的省級行政單位不包括香港特別行政區、澳門特別行政區和臺灣省。其中，APW模型的數據包括塑料薄膜、農藥塑料包裝（農藥瓶）和化肥塑料包裝（化肥袋），因為這3類是我國農業塑料污染的主要類型[11]。除塑料薄膜使用量以外，其余兩種需要利用轉換因子對農藥與化肥使用量進行轉化，本研究采用塑料包裝平均容積與平均自重之比來計算農藥和化肥的轉換因子。化肥實際使用量利用化肥折純后的施用量除以平均折純率獲取，平均折純率來源于中國農業農村部化肥折純率參考計算方法。

農業塑料污染的自然影響因素指標包括受災情況（受災面積）、氣候因素（年平均日照時數、年平均累計降水）、作物種植結構（糧食作物播種面積），會直接影響不同省級行政單位的農業塑料使用需求；農村經濟活動與地域發展等社會經濟因素會影響農業塑料使用，包括農業收入水平（農、林、牧、漁業城鎮單位就業人員平均工資）、人口規模（鄉村總人口）、農業現代化水平（農業機械總動力）、科技水平（國內專利申請受理量）和農業發展水平（第一產業增加值）。其中，氣候因素來自中國氣象數據網（http：//data.cma.cn/）的中國地面氣候資料日值數據集（V3.0），經過反距離權重法插值得到；其余數據來自2000—2019年《中國統計年鑒》，部分缺失數值參考《中國農村統計年鑒》或利用趨勢外推法補充。建模前對因子進行Z分數標準化，以消除量綱影響。

1.2 APW評估模型

采用APW模型量化評估不同作物中不同塑料類型的農用塑料污染指數[7]。不同塑料應用類型的使用量采用式（1）進行集總計算，其中，農藥瓶使用量采用式（2）進行計算，化肥袋使用量采用式（3）進行計算。

APW=mfilm+mpb+mfb（1）

mfb=mp×CFpb（2）

mfb=mf×FC-1×CFfb（3）

式中：APW為農業塑料污染指數；mfilm為農業塑料薄膜使用量，kg；mpb為農藥瓶使用量，kg；mfb為化肥袋使用量，kg；mp為農藥施用量，kg；CFfb為單位質量農藥對應的農藥瓶消耗轉換因子，取0.094；mf為化肥施用量，kg；FC為化肥平均折純率；CFfb為單位質量化肥對應的化肥袋消耗轉換因子，取0.001 9。

1.3 空間自相關分析

空間自相關分析是利用空間統計學方法判斷數據分布是否具有空間依賴性的技術[12]，可分為全局空間自相關和局部空間自相關，前者常用于研究區域整體的空間分布和差異分析，后者則用于判斷并識別局部區域內的空間異質性，分析方法為空間聯系的局部指標（Local Indicators of Spatial Association，LISA）[13]。分別采用全局莫蘭指數I和局部莫蘭指數I'來描述農業塑料污染數據的全局空間自相關和局部空間自相關變化特征。全局莫蘭指數采用式（4）進行計算，局部莫蘭指數采用式（5）進行計算，其中，要素i的標準差采用式（6）進行計算。

（4）

（5）

（6）

式中：n是要素數，取31；S0是所有空間權重的聚合；ωi， j是要素i和j之間的空間權重；zi是要素i的屬性與其平均值xi-X的偏差；zj是要素j的屬性與其平均值xj-X的偏差；xi是要素i的屬性；X是對應屬性的平均值；Si為要素i的標準差；xj是要素j的屬性。

利用LISA計算結果進一步將APW區分為4種相關類型，其中，正相關類型有2種，即高值聚類（HH）和低值聚類（LL），負相關類型也有2種，即高低聚類（HL）和低高聚類（LH）。空間自相關分析使用GeoDa軟件計算，同時采用蒙特卡羅法（Monte Carlo）對數據集進行999次隨機重復的概率P值計算，以測試全局莫蘭指數I的顯著性[14]。

1.4 歸因分析

采用最小二乘法（Ordinary Least Square，OLS）對APW與其影響因子進行回歸分析，OLS假定解釋變量和因變量之間有空間平穩性，即假設影響因子的參數估計值恒定，得到適用于全局的回歸結果[15]。因變量在第i個位置的觀測值采用式（7）計算。回歸方程的顯著性使用t檢驗，并通過修正的決定系數R2評價模型的擬合優度。

（7）

式中：y（i）是因變量在第i個位置的觀測值；β0是估計截距；βk是第k個參數的估計值；Xk（i）為第k個解釋變量在第i個位置的觀測值；ε（i）是i={1，2，3，…，n}

的隨機誤差項。

隨機森林（Random Forest，RF）回歸模型是一種基于決策樹原理的機器學習算法，一般采用不放回抽樣方法抽取多個樣本，并對每個樣本決策樹建模，然后將這些決策樹組合起來，通過投票得分規則獲得最終結果[16]。該模型可以使用平均純度增加指數來評估特征重要度。RF回歸模型使用Python sklearn包實現。根據OLS和RF僅能得到適用于全局的回歸結果，但很多因子對APW的影響往往隨地理位置變化，因此，進一步引入地理加權回歸，該方法在OLS基礎上將空間權重矩陣應用于線性回歸模型，使參數估計值隨地理位置變化[17]。因變量在第i個位置的觀測值采用式（8）計算。

（8）

式中：y（i）是因變量在第i個位置的觀測值；β0是估計截距；βk（i）是第k個解釋變量在第i個位置的估計值；Xk（i）為第k個解釋變量在第i個位置的觀測

值；ε（i）是i={1，2，3，…，n}的隨機誤差項。

使用矩陣估計校準地理加權回歸，獲得對應位置的參數估計值[18]。參數估計的m×1矢量形式可以采用式（9）表示。

β（i）=[X'W（i）X]-1X'W（i）y（9）

式中：β（i）是參數估計的m×1矢量形式；X是所選解釋變量的n×m矩陣；W（i）是n×n空間權重矩陣；y是因變量的m×1矢量形式。

計算加權矩陣W（i）需要指定核函數和帶寬。地理加權回歸的檢驗采用F檢驗，通過修正的R2評價模型擬合優度。本研究選取各省級行政單位地理坐標，使用自適應高斯核函數（Adaptive Gaussian）作為核函數，以AICC赤池信息準則確定帶寬，利用GWR4軟件完成模型計算。

2 結果分析

2.1 中國農業塑料廢棄物的時空分布特征

2000—2019年，不同省級行政單位的APW變化差異較為明顯。研究期內，全國APW增加1 144 838.4 kg，

年均增長2.80%；全國APW基本呈現先增加后逐漸平穩直至下降的趨勢，2008年和2012年絕大部分省級行政單位的增長或下降趨勢均不明顯，2015年是APW變化的拐點。2015年之前，APW總體以增長趨勢為主，天津市、海南省、寧夏回族自治區、青海省和西藏自治區個別年份增長率突破30%；2016—2019年，

各省APW增長率普遍下降，大多數省級行政單位出現負增長的現象，其中，天津市、上海市、北京市負增長情況較為明顯。

2000—2019年，APW呈現出明顯的區域差異性和區域聚集性，如圖1所示。傳統旱作農業省級行政單位長期存在比較嚴重的污染問題，如山東省，其APW常年高于30萬kg。西部省級行政單位塑料污染情況則在2007年后逐漸凸顯，如新疆維吾爾自治區、甘肅省，其APW最大值分別突破28萬kg和20萬kg。

2000年、2005年、2010年、2015年、2019年APW的全局莫蘭指數I值分別為0.171、0.159、0.113、0.036、0.019，P值分別為0.038、0.036、0.163、0.540、0.643，表明2000—2005年全國各省級行政單位APW呈現聚集分布特征，而之后幾年全局自相關性逐漸減弱。按95%置信度探索局部空間相關性，2000年全國APW存在一個由河北省、山東省、河南省、安徽省、江蘇省組成的高值聚類區，同時存在一個低值聚類區（廣東省）；2005年高值聚類區與2000年相同，但沒有低值聚類區；2010年以后，高值聚類區也逐漸縮小。

綜合APW的時空格局，結果發現，2000—2016年

全國各省級行政單位農用塑料污染以山東省和新疆維吾爾自治區為增長極，呈現出明顯的擴張趨勢，并隨著塑料污染的擴張，其空間聚集性和區域差異性逐步減弱。其中，西部地區APW年均增長率要顯著高于其他地區；東部三個直轄市的APW均以負增長狀態為主。2016年后，APW的擴張得到遏制，同時大部分省級行政單位轉入負增長。

2.2 農業塑料污染的影響因素分析

2.2.1 影響因素整體特征

OLS分析表明，共有8個因子指標對APW有重要影響（調整的R2為0.682），其影響由大到小的排序為：第一產業增加值、農業機械總動力、鄉村人口、糧食作物播種面積、平均累計日照、國內專利申請受理量、平均累計降水、受災面積，其中，糧食作物播種面積、平均累計日照、國內專利申請受理量和平均累計降水顯著為負，其余4個顯著性指標表現為正向作用。

仍以上述因素作為輸入因子，對2000—2019年全國APW進行RF回歸，并基于平均純度增加指數判斷影響因子的重要程度。結果發現，根據影響因子的重要性，其由大到小的排序是：農業機械總動力、平均累計降水、糧食作物播種面積、第一產業增加值、平均累計日照、國內專利申請受理量、鄉村人口、農業單位平均工資、受災面積，其中，農業機械總動力平均純度增加指數顯著偏高。RF回歸的調整R2為0.930，較OLS提升較大。值得注意的是，農業單位平均工資和受災面積在OLS與RF中都表現出較低的影響力，農業機械總動力則在二者中都較為重要。

2.2.2 影響因素局部特征

分階段回歸參數檢驗表明，相較于OLS，地理加權回歸展示出更好的擬合優度。如表1所示，根據2000—2009年回歸因子指標，研究初期的農業機械總動力呈現顯著的正向影響，影響較大的區域集中在華東區域，內蒙古自治區、山西省、河北省等地（95%置信度）不顯著；受災面積影響顯著的區域集中在北方地區且為正向影響，但影響幅度相對較小，顯著區域內的影響力差異不明顯；鄉村人口對APW的影響地域性較明顯，對華北與內蒙古自治區的影響高于其他地區；平均累計降水的影響在東側與西側分別呈現正向與負向影響；平均累計日照的回歸結果與鄉村人口類似；第一產業增加值在大部分省級行政單位都顯著呈現正向影響，且北方影響幅度大于南方，華北影響幅度大于其他北方省級行政單位；國內專利申請受理量對APW的影響在大部分省級行政單位不顯著，僅在寧夏回族自治區與內蒙古自治區呈現正向影響；糧食作物播種面積在大部分省級行政單位的回歸系數為負值，在貴州省與廣西壯族自治區呈現負向影響；農、林、牧、漁業城鎮單位人員平均工資僅在華北與內蒙古自治區呈現顯著正向影響。

如表2所示，與2000—2009年回歸因子指標相比，2010—2019年各影響因子系數的空間分布特征大體相同，但空間聚集特征明顯減弱。農業機械總動力、鄉村人口、第一產業增加值對APW的影響幅度呈現出較為明顯的空間聚集性，但區域內影響因子都是同向的；受災面積對APW的影響幅度全局性明顯；糧食作物播種面積存在空間聚集性，區域內影響因子對APW的影響效果也出現差異；國內專利申請受理量的回歸結果僅在少數地區顯著；平均累計降水的回歸結果變化較大，正向影響全部消失，僅西部地區呈現負向影響；平均累計日照和農、林、牧、漁業城鎮單位就業人員平均工資的顯著影響范圍有所擴大，分別在全國區域和西南、西部地區出現顯著正向影響。

3 討論

APW變化評估可為規劃農業塑料污染的重點防控區域提供依據。華北各省級行政單位雖然近年來農業塑料污染有減弱趨勢，但作為傳統農業塑料污染嚴重區域，往往存在農業塑料管控難、回收難的困境[19]，仍然需要重點推廣相關政策。新疆等西部省級行政單位APW增加顯著，應在保證農業穩步發展的基礎上建立、健全農業塑料回收體系，以有效降低農業塑料污染程度[20]。本研究的綜合評價結果可用于分析農業塑料污染影響因素的潛在特征，并為防治農業塑料廢棄物污染提供歸因與決策參考。

從全國尺度看，農業現代化水平、農業發展水平、日照水平、人口規模、農業收入水平和受災面積因素都呈現正向影響，且整體影響力排序由大到小。因子水平較高的區域往往是農業塑料污染防治的重點地區，這與已有研究認識一致[19]。農業現代化水平、人口規模和農業發展水平的地理加權回歸結果仍呈現出明顯的空間異質性。對農業現代化水平而言，該區域農業現代化對于農業塑料污染的影響程度遠大于其他區域。就人口規模而言，研究前期（見表1）華北各省級行政單位的回歸系數較高；而研究后期（見表2）其高值區從華北平原轉移至寧夏回族自治區，這表示可能同時存在兩種影響：一是整體上農村人口對農業塑料污染有直接正向影響；二是農村人口減少可以促進破碎化耕地的優化，使農業塑料大規模應用成為可能[21]。此外，華北各省級行政單位在研究初期的農業發展水平回歸系數（見表1）明顯高于其他省級行政單位，后期（見表2）高顯著性區域大幅減少，但新疆維吾爾自治區等西部地區的回歸系數出現明顯增長，這也說明其農業塑料污染的大幅增加與近年來針對西部省級行政單位農業發展的政策密切相關。

糧食種植面積僅在我國北方地區對農業塑料污染情況存在正向影響，原因可能是使用地膜覆蓋可以提高水分利用效率[22]，但這種影響在水資源豐沛的南方地區不明顯。因此，北方地區可以通過合理配置作物種植結構、調節作物總需水量來遏制農業塑料污染。西部省級行政單位較高的降水和科技水平往往與較低的農業塑料污染相對應，但二者的顯著性關系尚未被充分解釋，需要進一步進行實證研究。

不同回歸方法比較發現，一些因子在全局與局部模型中的顯著性表現差異較大，如平均累計降水和受災面積。這可能是由于空間異質性干擾OLS與RF的回歸結果[23]。此外，RF與地理加權回歸對于一些因子的重要性評估也出現不同，這可能是由于地理加權回歸并不能完全規避局部多重共線性[24]或RF出現過擬合[25]。未來可以使用地理RF回歸[23]方法，以在避免局部多重共線性的前提下兼顧空間異質性，同時通過調整算法的超參數避免RF的過擬合現象。本研究的數據可得性受限，在地理加權回歸過程中，為了保持樣本充足，分別開展2000—2009年、2010—2019年的兩階段回歸分析，這會對回歸結果的精度有一定影響。未來可以通過多尺度分析進一步細化各影響因子隨空間位置變化所產生的差異，從而更加因地制宜地總結出適合區域實際的綠色農業發展之路。

4 結論

本文基于3種主要農業塑料廢棄物，對2000—2019年APW時空變化特征展開評估，并從自然與社會經濟兩方面選取9個指標，綜合采用OSL、RF與地理加權等3種回歸模型，從整體、局部兩個尺度對農業塑料廢棄物變化進行歸因分析。2000—2015年，全國各省級行政單位農業塑料污染以山東省和新疆維吾爾自治區為增長極，呈現明顯擴張趨勢，隨著塑料污染的擴張，其空間聚集性和區域差異性逐步減弱。2015年后，農業塑料污染的擴張得到遏制，大部分省級行政單位轉入負增長。

OLS模型能揭示農業塑料污染影響因子的總體平均特征，RF回歸可以較好避免多重共線性的干擾，地理加權回歸模型在避免空間關系的非平穩性對回歸結果造成干擾的同時展現回歸系數的局部特征。地理加權回歸和RF的擬合精度都高于OLS，證明農業塑料污染與影響因素同時存在空間不穩定性與多重共線性的干擾。根據APW影響因子的重要性，其由大到小的排序是農業機械總動力、平均累計降水、糧食作物播種面積、第一產業增加值、平均累計日照、國內專利申請受理量、鄉村人口、農業單位平均工資、受災面積。農業單位平均工資和受災面積在OLS與RF中都展現出較低的影響力，農業機械總動力則在二者中都較為重要。APW各影響因子系數的時空分布特征大體相同，但空間聚集特征明顯減弱。大部分影響因子以正向影響為主，農業機械總動力影響較大的區域集中在華東區域；受災面積在顯著區域內的影響力差異并不明顯；鄉村人口在華北與內蒙古自治區的影響顯著高于其他地區；第一產業增加值在北方的影響幅度大于南方，華北影響幅度大于其他北方省級行政單位；平均累計降水的回歸結果變化較大，研究初期僅在西部地區呈現負向影響；平均累計日照和農、林、牧、漁業城鎮單位就業人員平均工資的顯著影響范圍有所擴大，分別在全國和西南、西部地區出現顯著的正向影響。國內專利申請受理量的回歸結果僅在少數地區顯著；糧食作物播種面積存在空間聚集性，區域內影響因子對APW的影響效果也出現

差異。

參考文獻

1 ESPI E，SALMERON A，FONTECHA A，et al.

PLastic films for agricultural applications[J].Journal of Plastic Film amp; Sheeting，2006（2）：85-102.

2 BRIASSOULIS D，BABOU E，HISKAKIS M，et al.

Review，mapping and analysis of the agricultural plastic waste generation and consolidation in Europe[J].Waste Management amp; Research，2013（31）：

1262-1278.

3 陳奇恩.中國塑料薄膜覆蓋農業[J].中國工程科學，2002（4）：12-15.

4 STEVENS E S.Green plastics：an introduction to the new science of biodegradable plastics[M].Princeton：Princeton University Press，2002：35-36.

5 梁榮慶，陳學庚，張炳成，等.新疆棉田殘膜回收方式及資源化再利用現狀問題與對策[J].農業工程學報，2019（16）：1-13.

6 HISKAKIS M，BRIASSOULIS D，BABOU E，et al.

Agricultural plastic waste mapping in greece[J].Acta Horticulturae，2008，801：351-358.

7 BLANCO I，LOISI R V，SICA C，et al.Agricultural plastic waste mapping using GIS：a case study in italy[J].Resources，Conservation and Recycling，2018（10）：229-242.

8 焦 翔.我國農業綠色發展現狀、問題及對策[J].農業經濟，2019（7）：3-5.

9 ZHOU B Y，WANG J Q，ZHANG H B，et al.

Microplastics in agricultural soils on the coastal plain of Hangzhou Bay，east China：multiple sources other than plastic mulching film[J].Journal of Hazardous Materials，2020，388：121814.

10 HUANG Y，LIU Q，JIA W Q，et al.Agricultural plastic mulching as a source of microplastics in the terrestrial environment[J].Environmental Pollution，2020（5）：1-6.

11 PENG G，ZHU B，YANG D，et al.Microplastics in sediments of the Changjiang Estuary，China[J].Environmental Pollution，2017，225：283-290.

12 DAI W，HUANG H，HUANG W，et al.Features of spatiotemporal differentiation of landscape ecological security in island ecologically fragile zones in Haitan Island[J].Ecological Science，2017（36）：

152-159.

13 ANSELIN L.Local indicators of spatial association：LISA[J].Geographical Analysis，1995（2）：

93-115.

14 BESAG J，DIGGLE P J.Simple monte carlo tests for spatial pattern[J].Journal of the Royal Statistical Society Series C（Applied Statistics），1977（3）：327-333.

15 BRUNSDON C，FOTHERINGHAM A S，CHARLTON M E.Geographically weighted regression：a method for exploring spatial nonstationarity[J].Geographical Analysis，1996（4）：281-298.

16 BREIMAN L.Random forests[J].Machine Learning，2001（1）：5-32.

17 FOTHERINGHAM A S，BRUNSDON C，CHARLTON M.Geographically weighted regression：the analysis of spatially varying relationships[M].New York：John Wiley amp; Sons，2003：18-19.

18 FOTHERINGHAM A S，OSHAN T M.Geographically weighted regression and multicollinearity：dispelling the myth[J].Journal of Geographical Systems，2016（18）：303-329.

19 嚴昌榮，劉恩科，舒 帆，等.我國地膜覆蓋和殘留污染特點與防控技術[J].農業資源與環境學報，2014（2）：95-102.

20 LIU E，HE W，YAN C.White revolution to white pollution：agricultural plastic film mulch in China[J].Environmental Research Letters，2014（9）：91001.

21 WU Y，XI X，TANG X，et al.Policy distortions，farm size，and the overuse of agricultural chemicals in China[J].Proceedings of the National Academy of Sciences，2018（27）：7010-7015.

22 GAO H，YAN C，LIU Q，et al.Effects of plastic mulching and plastic residue on agricultural production：a meta-analysis[J].Science of the Total Environment，2019，651：484-492.

23 GEORGANOS S，GRIPPA T，GADIAGA A N，et al.

Geographical random forests：a spatial extension of the random forest algorithm to address spatial heterogeneity in remote sensing and population modelling[J].Geocarto International，2021（2）：121-136.

24 OSHAN T M，SMITH J P，FOTHERINGHAM A S.Targeting the spatial context of obesity determinants via multiscale geographically weighted regression[J].International Journal of Health Geographics，2020（1）：1-17.

25 SEGAL M R.Machine learning benchmarks and random forest regression[J].Center for Bioinformatics amp; Molecular，2004（4）：1-14.