江西省縣域農業碳排放時空格局及影響因素分析

鄭博福，梁 涵，萬 煒，劉 忠，朱錦奇，吳之見

江西省縣域農業碳排放時空格局及影響因素分析

鄭博福1，梁 涵1，萬 煒1※，劉 忠2，朱錦奇1，吳之見3

（1. 南昌大學資源與環境學院，江西生態文明研究院，南昌 330031；2. 中國農業大學土地科學與技術學院，北京 100193；3. 江西省公共資源交易集團，南昌 330046）

農業生產是碳排放的主要來源之一，在碳達峰碳中和的時代背景下，厘清區域農業碳排放現狀并分析其時空變化和影響因素具有重要意義。江西省是農業大省，近幾十年來農業的快速發展伴隨著農業碳排放量的升高。因此基于本區域水稻種植、農資投入、土壤利用及畜禽養殖4類主要碳源，構建農業碳排放測算體系，評估2000－2020年農業碳排放量，分析縣域農業碳排放空間格局及其驅動機制。結果表明：1）江西省農業碳排放量總量范圍在1 098.32萬～1 471.94萬t；種植業碳排放強度整體呈下降趨勢，范圍在2.50～3.87 t/萬元，畜牧業碳排放強度整體亦呈下降趨勢，范圍在0.76～2.03 t/萬元；各碳源碳排放總量和其占農業碳排放總量的比例大小依次為：水稻種植（806.72萬t，61.15%）、畜禽養殖（243.57萬t，18.57%）、農資投入（237.39萬t，18.02%）、農田土壤利用（29.60萬t，2.26%）；2）江西省縣域農業碳排放量空間特征明顯，高碳排放區均集中于鄱陽湖平原地區以及吉泰盆地；農業碳排放強度空間分布由相對離散到集中在贛北地區；整體上江西省碳排放總量的重心向北移動；3）農業碳排放效率是影響農業碳排放的最重要的因素，各因素對農業碳排放減少量和其占總農業碳排放減少量的比例大小依次為：農業生產效率因素（1 828.13萬t，56.57%）、地區產業結構因素（1 265.29萬t，39.15%）、農業產業結構因素（86.12萬t，2.66%）、農村總人口因素（52.12萬t，1.62%）。整體上，各因素減少農業碳排放總量絕對值由大到小為：贛北、贛中、贛南。研究結果可為江西省乃至全國其他糧食主產區農業碳排放的測算以及農業碳減排政策的制定提供科學參考。

農業；碳排放；時空格局；縣域；江西省

0 引 言

全球變暖是人類當前面臨的最嚴重挑戰之一[1]。政府間氣候變化專門委員會（IPCC）第六次評估報告指出，人類活動導致的碳排放是造成全球變暖極端氣候發生的主要驅動因素，對人類的生存和發展造成嚴重威脅[2]。為應對氣候變化，中國提出2030年碳達峰、2060年碳中和的戰略目標[3]，旨在調整中國產業結構和能源結構，從根本上降低溫室氣體排放。農業碳排放是全球溫室氣體排放的第二大來源，貢獻了全球范圍內約14%的人為溫室氣體排放量和58%的非人為CO2排放[4]。中國是農業大國，農業碳排放量占全國溫室氣體排放總量的17%，且以年均5%的速率保持增長態勢[5]?！笆奈濉比珖r業綠色發展規劃中明確提出增強減排固碳能力和改善農業生態系統的具體要求[6]。因此，研究農業碳排放時空分布格局以及驅動力因素，對農業結構調整、應對氣候變化、實現“雙碳”目標和建設美麗中國具有重要意義。

近年來，國內農業碳排放研究主要側重于對碳排放量指標選取及測算、驅動力因素分析等方面，驅動力因素分析的研究重點在國家[7]、省市[8]、地區[9]等尺度。Tian等[10]以農業原料投入、稻田、土壤和畜牧業等碳排放源為基礎，首次計算了1995－2010年中國各省的農業碳排放量，結果表明：農業原料投入、稻田和肥料管理是主要農業碳排放源。王興等[11]對2000－2014年西南地區農業碳排放趨勢、驅動因素及主要貢獻因子進行研究，結果表明：農業效率、農業結構及勞動力規模等因素促進了農業碳減排；而農業經濟發展水平是農業碳增排最主要因素。周思宇等[9]估算1979－2015年東北地區耕地碳排放，探討碳排放的影響機制，結果表明：土地生產率、科技資金配置率提高會增加碳排放；而投入產出比、人均耕地面積、科技投入強度降低會減少碳排放。

厘清區域尺度碳排放的時空格局有助于針對性地制定農業碳減排政策?，F有研究主要關注于農業碳排放面板數據的統計分析，而農業碳排放空間格局、分異性特征、地理規律探究等方面的研究成果較為薄弱。受限于數據的可獲取性，當前碳排放時空格局的研究多停留在省級尺度或大區域尺度，而縣域碳排放時空格局的研究則相對較少。

江西省是中國13個糧食主產省之一，是具有悠久耕作歷史的農業大省，農業在其經濟體系中占有重要的戰略地位。隨著農業的快速發展和農業現代化水平的提高，化肥、農藥等物資投入不斷增加，導致大量溫室氣體排放，嚴重影響碳達峰目標的實現。目前，江西省農業碳排放的評價體系尚不全面，測算指標主要集中在農資投入[12]，未考慮畜牧業以及水稻種植等指標，且對農業碳排放分析過于簡單，無法為農業碳減排策略的制定提供精準依據。

因此，本研究在建立江西省系統全面的農業碳排放測算指標體系基礎上，分析農業碳排放時序變化；再基于縣域尺度農業碳排放的空間格局分析，定量揭示農業碳排放空間自相關性；進而通過對數平均迪式指數算法（Logarithmic Mean Index Method，LMDI）分析各因素對農業碳排放的影響；最后，因地制宜地制定減排策略，為江西省乃至全國其他糧食主產區農業碳減排政策的制定提供精準依據。以期推動江西省農業低碳健康發展，進而為國家實現碳達峰、碳中和目標提供理論指導。

1 研究區概況與數據

1.1 研究區概況

江西省位于長江中下游南岸，國土面積16.69×106hm2，轄11個地級市、100個縣區，地理坐標24°29′～30°04′ N、113°34′～118°28′ E（圖1）。地貌類型以丘陵和山地為主，其中山地占36%，丘陵占42%，崗地和平原占12%。本區域全年氣候溫暖，光照充足，雨量充沛，無霜期長，為典型的亞熱帶濕潤氣候。2020年全省平均氣溫為19.0 ℃，降水量為1 896.8 mm，日照為1 478.6 h。境內河流較多，主要為“五河一湖”，有豐富的水資源?，F有耕地面積306.67萬hm2，農業人口1 787.8萬人，農林牧漁業增加值2 327.9億元，其中農牧業增加值1 702.6億元。整體而言，江西省自然條件優越，有利于農業發展。

1.2 數據源及其預處理

本文所需的原始數據主要來自于《中國農村統計年鑒》《中國縣域統計年鑒》《江西省統計年鑒》以及江西省各地市統計年鑒，經濟數據均采用2000年可比價格，將其他年份進行折算，以剔除價格因素干擾。化肥、農藥及農膜均為當年用量，其中化肥為折純量；灌溉面積為有效灌溉面積；畜禽養殖量為畜禽年平均飼養量，當畜禽飼養周期大于1 a時，采用該畜禽的年末存欄量；當畜禽飼養周期小于1 a時，需進行調整；其中，豬、羊和家禽的平均生命周期分別為200 和210、55 d[13]，按式（1）進行調整。

式中App為牧畜飼養量，頭；Herds年末存欄量，Days為牧畜飼養周期，d；NAPA為年牧畜出欄量，頭。

本研究的時間尺度為2000－2020年?？臻g上，江西省下轄100個縣域單元，但考慮到市區農業碳排放水平較低，諸多數據不予統計；且市區范圍存在一定的行政區劃調整。因此，為保證數據的可獲取性及統計口徑的一致性，本文最終選擇了81個農業碳排放水平相對較高的非市區類縣域為研究基本單元。

2 研究方法

2.1 農業碳排放測算

本文選取3種主要農業溫室氣體CO2、CH4和N2O，并將其排放系數統一折算成碳排放系數加以分析，本研究所有結果均為碳排放量，依據如下：IPCC報告中指出百年尺度1 t CH4產生的溫室效應相當于6.82 t C（25 t CO2）產生的溫室效應，1 t N2O產生的溫室效應相當于81.27 t C（298 t CO2）產生的溫室效應[14]。

通過查閱2000－2020年江西省統計年鑒，計算出江西省種植業、畜牧業、漁業、林業和農業類服務業產值占農業總產值的平均比例分別為45.29%、28.59%、13.75%、8.97%以及3.40%。由此可見，種植業和畜牧業在江西省農業經濟組成中比重最大，累計占比70%以上；漁業、農業服務業難以定量精準統計，林業主要表現為碳匯而非碳源，因此選取種植業和畜牧業碳源作為研究對象。本研究所考慮的碳排放來源主要如下：農業物資投入引起的CO2排放；農作物在種植過程中土壤表層受損引起微生物硝化作用和反硝化作用產生N2O排放；水稻生長過程中產生的CH4排放；畜禽養殖排放包括腸道發酵產生的CH4排放、糞便管理引發的CH4和N2O排放[10]。

采用IPCC發布的碳排放系數法[15]，結合現有的研究成果，估算模型如下：

農業碳排放強度計算式如下：

式中I為碳排放強度，t/萬元；為產業增加值，萬元；10–4為單位轉化系數。

2.2 種植業碳排放計算

水稻種植是CH4最主要的排放源之一。水稻種植碳排放主要是指稻田在淹水條件下，土壤中的腐爛植物體等有機物，被產甲烷的細菌分解，從而產生大量甲烷；農資投入碳排放主要包括化肥、農藥、農膜（生產和運輸過程中直接或間接導致的碳排放，不包括田間使用過程中由能源消費導致的碳排放）、灌溉以及農業機械消耗等途徑；在種植過程中對土壤表面的破壞，容易導致大量N2O流失進入大氣造成溫室氣體的排放。目前，研究人員通過大量試驗估算了主要農作物品種土壤N2O排放系數，各碳源排放系數如表1所示。

表1 種植業碳排放系數

2.3 畜禽養殖業碳排放計算

畜禽養殖中反芻動物養殖是CH4和N2O的重要來源，包括腸道發酵以及糞便管理系統引起。牛、豬、羊、家禽是溫室氣體的主要家畜品種。各排放系數如表2所示。

表2 畜禽養殖業碳排放系數

2.4 空間自相關分析

空間自相關是指區域內某種屬性變量之間的依賴性?？臻g自相關常用的指標是Moran’s I，全局Moran’s I可以判斷區域內是否存在集聚[28]；局部Moran’s I可通過LISA圖識別出空間的異質性[29]。

全局Moran’s I指數公式如下：

局部Moran’s I指數公式如下：

2.5 重心移動模型

重心源于力學概念，區域重心是指某一要素在研究區域內受力達到平衡的點，通過重心遷移反應地理事物與要素的空間變化。本研究采用重心模型計算農業碳排放量的空間重心坐標[30]，分析江西省農業碳排放的空間變化規律，計算式為

2.6 農業碳排放影響因素及分解模型

基于LMDI模型，從農村生產效率、農業產業結構、地區產業結構、地區經濟發展水平、城鎮化水平等角度，構建農業碳排放驅動因素體系，分析驅動因素對農業碳排放的影響。根據Kaya恒等式基本形式并借鑒已有研究，將農業碳排放量做如下變形[31]：

在等式（9）的基礎上，令：

式中1為農業生產效率，t/萬元；2為農業產業結構，無量綱；3為地區產業結構，無量綱；4為地區經濟發展水平，萬元/人；5為城鎮化水平，無量綱。

采用LMDI加法分解方式對上式進行進一步分解以量化各因素對碳排放的影響大小[32]，具體為

式中表示時期（=1,2,…,）；0表示基期；ΔF分別表示因素對農業碳排放的變化量的貢獻值，萬t。本研究將分為4個時段分析上述因素對江西省農業碳排放的影響。

3 結果分析

3.1 農業碳排放時空特征

3.1.1 碳排放時序特征

2000－2020年，農業碳排放總量呈現先降低達到谷值、后顯著增加達到峰值、再逐漸降低的趨勢，總量范圍在1 098.32萬～1 471.94萬t，2003年為谷值，2017年為峰值（圖2 a）。整體上，江西省農業碳排增加趨勢明顯（2=0.81），年際變化較為平穩，年平均增幅為1.00%，但2004年農業碳排放總量為1 266.60萬t，較2003年，年際變化最大，環比增速達到15.32%。2005－2017年，仍呈上升趨勢但增速降低，在2018年之后呈下降趨勢，至2020年降至1 374.05萬t，較2017年降幅為6.65%。

圖2 2000－2020年江西省農業碳排放量與碳排放強度時序變化

2000－2020年，農業碳排放強度在前五年呈現平穩態勢，自2006年后顯著下降，2017年小幅度升高后逐漸下降的趨勢，范圍在3.13～1.91 t/萬元，2020年為谷值，2006年為峰值（圖2b）。整體上，江西省農業碳排強度下降趨勢明顯（2=0.84），與碳排放總量趨勢相反，年際變化較為平穩，年平均降幅為2.65%，其中2007、2011、2020年的降幅較大，均在10%以上。

2000－2020年，江西省農業碳排放源排放量占比情況（圖2c），各碳源碳排放總量和其占農業碳排放總量的比例大小依次為：水稻種植（806.72萬t，61.15%）、畜禽養殖（243.57萬t，18.57%）、農資投入（237.39萬t，18.02%）、農田土壤利用（29.60萬t，2.26%），其中水稻種植排放量占比超六成。2000－2016年，水稻種植的碳排放量變化相對平穩，其中2003年碳排放量最低。2017－2020年，水稻種植碳排放量增加6.51%。畜禽養殖碳排放在2017年顯著降低，水稻種植的碳排放占比與畜禽養殖的碳排放占比的趨勢相反，可能與農業就業勞動力限制有關。2012年之后農資投入占比整體呈下降趨勢，主要是因為農業現代化發展，逐漸使用測土配方施肥，提高化肥利用率，減少化肥使用量。農田土壤利用碳排放占比較小，無明顯變化。農業增長方式由傳統農業轉向現代農業，農業可持續發展政策取得一定成效。

相比農業碳排放量，農業碳排放強度更能客觀反映一個地區碳排放水平。通過水稻種植、農資投入以及土壤翻耕的碳排放量計算出種植業總的碳排放量，結合種植業的經濟數據，得到2000—2020年種植業碳排放強度（圖3 a）。研究表明，種植業碳排放強度整體下降趨勢明顯（2=0.80），范圍在2.50～3.87 t /萬元，其中2016年為谷值，2005年為峰值。2003—2004年，種植業碳排放強度出現升高。2016年后種植業碳排放強度增加，環比增速為11.70%，主要是因為水稻種植結構2016年后出現大幅調整，早稻和晚稻的種植面積出現了小幅度減少，而中季稻種植面積顯著增加（增幅14.73%）[33]。

通過畜禽養殖碳排放量結合畜牧業的經濟數據，得到2000—2020年畜牧業碳排放強度（圖3b）。研究結果表明，畜牧業碳排放強度整體下降趨勢明顯（2=0.64），范圍在0.76～2.03 t/萬元，其中2020年為谷值，2000年為峰值。2015年，畜禽養殖的碳排放強度出現明顯升高，后呈持續下降趨勢。

整體上，種植業碳排放強度比畜牧業碳排放強度高，主要是由于畜牧業的經濟價值高于種植業。兩者的碳排放強度降幅相近。2004—2014年，碳排放總量波動較小，但種植業與畜牧業的碳排放強度均在下降，這表明兩者的生產效率均得到了有效提高。

圖3 2000－2020年江西省種植業以及畜牧業碳排放強度的時序變化

3.1.2 碳排放空間特征

為確保不同時間尺度下各縣域農業碳排放數據的標準性與可比性，參考王強等[34]的方法，按照當年全省縣域農業碳排放量平均值0.5倍、1.0倍、1.5倍，把各縣（市）農業碳排放量歸入低碳排放區、中度排放區、較高排放區和高碳排放區4類；同樣，把農業碳排放強度劃分為Ⅰ級、Ⅱ級、Ⅲ級和Ⅳ級。

根據2000－2020年間5期縣域農業碳排放量數據進行分析，縣域尺度下江西省農業碳排放量的全局Moran’s I通過顯著性檢驗（<0.05，>1.96），說明農業碳排放總量與強度均具有空間聚集性。江西省地勢獨特，東、西、南三面環山，中部丘陵河谷平原交錯。農業碳排放空間格局與地勢地貌有密切的關系。2000年和2020年（圖4a）高碳排放區主要集中于鄱陽湖周邊地區和吉泰盆地。2000年全省低碳排放區19個、中度排放區28個、較高排放區21個、高碳排放區13個。2020年則分別為18、30、18、15個，20年來大部分縣（區）仍屬于中度排放區。2020年碳排放量前五位為鄱陽縣、豐城市、高安市、南昌縣、余干縣，這與鄱陽湖周邊地區和吉泰盆地地勢平坦、耕地面積大密切相關，同時碳排放高值有向該區域集聚的趨勢。相比農業碳排放量，農業碳排放強度更能客觀反映一個地區碳排放水平，便于不同地區進行橫向比較。從數量上看，2000年農業碳排放強度Ⅰ級、Ⅱ級、Ⅲ級、Ⅳ級分別為1、49、24、7個，2020年分別為4、42、23、12個（圖4b），全省農業碳排放強度主要為Ⅱ級水平，碳排放強度的空間分布與碳排放量比相對分散。2000年，江西省農業碳排放強度高值區主要分布在鄱陽湖平原地區。研究結果表明，水稻種植業碳排放量較高，經濟效益相對較低。2020年，江西省農業碳排放強度高值區主要分布在贛北地區，贛南地區的碳排放強度均為低值區，農業碳排放強度高值分布變化較大。2000－2020年，農業碳排放強度高值布局整體向北遷移，贛南地區因地形以丘陵山地為主，臍橙種植產業較為發達，其碳排放量主要來自農資投入，經濟效益高。

圖4 2000－2020年江西省農業碳排放量及農業碳排放強度的空間格局

通過借助LISA圖表示縣域屬性的相互關系，更清晰地反映農業碳排放量及碳排放強度的空間格局演變。2000年和2020年，農業碳排放總量同質縣域（高高聚類與低低聚類）總數分別為8和9個，無異質縣域（高低聚類與低高聚類）（圖5a）；2000年和2020年，農業碳排放強度同質縣域總數分別為3和7個，異質縣域分別為2和1個（圖5b）。結果表明，研究時段內農業碳排放量空間聚類主要在鄱陽湖平原地區，農業碳排放總量受地理因素影響較大；2000年碳排放強度高值聚類主要在鄱陽湖地區，其中彭澤縣和萬年縣為低高聚類為異常值。彭澤縣經濟發展以工業為主，其農業排放強度不大，而周邊鄱陽縣為農業大縣，農業碳排放強度較高；萬年縣其周邊為鄱陽縣、余干縣等農業碳排放強度較高，萬年縣糧食種植面積相對較少，其農業碳排放強度較低。2020年農業碳排放強度高值聚類主要在宜春市（銅鼓縣、萬載縣、奉新縣）和撫州市（崇仁縣），農業碳排放強度低值聚類主要贛州市（信豐縣、龍南縣、全南縣）。贛州市地形以丘陵山地為主，臍橙為該地區的特色產業，農業增加值相對江西省其他地區較高，因此碳排放強度較低。南城縣為高低聚類異常值，主要因為南城縣的碳排放總量較低，但其農業增加值亦低，農業生產效率較低，造成農業碳排放強度較高。

圖5 2000－2020年江西省農業碳排放量和農業碳排放強度的LISA聚集圖

通過ArcGIS軟件的Mean Center工具計算的從2000－2020年江西省縣域碳排放重心位置見圖6。

圖6 2000－2020年江西省農業碳排放量的重心遷移軌跡

從2000、2005、2010、2015、2020年5個時間截面的重心進行分析，縣域碳排放總量的重心主要位于豐城市。2000年到2005年縣域碳排總量的重心從新干縣遷移到豐城市，2015年之后重心集中在豐城市南部。整體上，江西省縣域碳排放總量的重心向北移動，說明近20年來，贛北地區的縣域碳排放量高于贛南的縣域碳排放總量，同時也說明鄱陽湖平原地區更適合農業的發展。

3.2 農業碳排放影響因素分析

為探究各因素對江西省農業碳排放量變化的影響程度，根據不同類型地區，將江西?。ò?1的縣）劃分為贛北鄱陽湖平原地區（萍鄉市、新余市、宜春市、南昌市、鷹潭市、九江市、景德鎮市、上饒市）、贛中丘陵區（吉安市、撫州市）、贛南山區（贛州市）3個地區，并以前文分析的農業碳排放量重心轉移的4階段變化特征，對江西省農業碳排放量進行分解，分析2000—2020年間3個分區、4個階段、6種影響因素對江西省農業碳排放量的影響（表3）。

結果表明：近20年來，江西省農業碳排放量增加161.41萬t，其中農業生產效率因素（1）、農業結構調整因素（2）、地區產業結構因素（3）、農村總人口因素（6）對農業碳排放起負向驅動作用。各因素對農業碳排放減少量和其占總農業碳排放減少量的比例大小依次為：1（1 828.13萬t，56.57%）、3（1 265.29萬t，39.15%）、農業產業結構因素（86.12萬t，2.66%）、6（52.1萬t，1.62%）。由此可見，提高農業生產效率是減少農業碳排放最有效的途徑。

1對比分析2、3、6（45始終為正，不具可比性）可知，2000－2020年期間，由于農業生產效率提高，減少農業碳排放1 828.13萬t，明顯高于其他影響因素。1對江西省3個分區的農業碳排放量變化均為負向驅動效應。對比其他影響因素發現，1為抑制各地區農業碳排放的最大影響因素。按1減少農業碳排放總量絕對值由大到小排序：贛北、贛中、贛南。研究結果表明，江西省推進農業生產向優勢地區集中，不斷提高農業優勢產區規模化生產，有利于提高農資投入效率，有效減少農業生產優勢區的農業碳排放。贛南地區因其地形為典型的丘陵山地，其農業生產規模化水平較低，因此1對贛南地區農業碳排放量的抑制作用有限。2對農業碳排放量的影響因素主要為負向驅動，但其抑制作用有限，通過農業結構調整減少農業碳排放量86.12萬t。江西省農牧業在農林牧漁業比例不斷降低，由2000年的76.03%下降至2010年的69.72%[33]。因2003年江西省實施退耕還林政策，且漁業的生產收益明顯高于種植業，且贛北漁業相對發達，因此按2減少農業碳排放總量絕對值由大到小排序：贛北、贛中、贛南。3對農業碳排放同為抑制作用，其抑制作用僅次于1。2000—2020年期間，由于地區產業結構調整，農業碳排放減少1 265.29萬t，3對江西省3個分區的農業碳排放量的變化均為負向驅動效應，按3減少農業碳排放總量絕對值由大到小排序：贛北、贛中、贛南。贛北地區地勢平坦，在發展農業的同時經濟也相對發達，對贛北的抑制作用最為顯著。

地區經濟發展水平因素（4）以及城鎮化水平因素（5）對農業碳排放起促進作用。地區經濟發展水平因素使農業碳排放量增加3 177.98萬t，是導致農業碳排放增加的主要影響因素。由此可見，為防止限制碳排放影響經濟增長，應盡快實現碳排放量與經濟的脫鉤。對于江西省3個區域的農業碳排放4均為促進作用，但其促進作用整體上均減弱，表明農業碳排放與經濟在逐步脫鉤。

表3 江西省農業碳排放總量變化的影響因素分解

注：1～6依次為農業生產效率、農業產業結構、地區產業結構、地區經濟發展水平、城鎮化水平、農村總人口等因素。為農業碳排放變化量。

Note:1-6stand for agricultural production efficiency, agricultural structure, regional industry structure, regional economic development level, urbanization rate and rural population respectively.stands for agricultural carbon emission variation.

4 討 論

4.1 其他因素對農業碳排的影響

江西省農業碳排放量變化趨勢可能與極端氣候、農業政策等緊密相關。在水稻種植方面：近20年以來，2003年水稻種植的農業碳排量最低，這可能與江西省受特大干旱氣候影響，造成水稻大規模減產有關[35]。2017—2020年，水稻種植的碳排量升高，從數據結果來看，主要是因為水稻產業結構的出現調整，中稻的種植面積增加，早稻和晚稻的種植面積減小。產業結構調整主要驅動因素包括兩點：1）雙季稻勞動力成本較高，農村青壯年勞動力越來越少，農村種田主力軍已步入老齡化，故中稻種植越來越多。2）總體效益方面。受糧食價格影響，種糧效益低下，故在滿足糧食供給的基礎上，傾向于發展瓜果蔬菜等經濟作物，總體效益更高。在畜禽養殖方面：從本文研究結果來看，2015年，畜禽養殖農業碳排放出現升高，可能與江西省出臺《生豬（牛羊）調出大縣獎勵資金管理辦法》政策相關，通過實施獎勵政策，大大提高了畜禽養殖的積極性，刺激豬牛羊的養殖數量增加。2017年，畜禽養殖碳排放量顯著降低，主要是因為江西省開展畜禽養殖污染綜合整治，拆遷養殖場（戶）2.8萬多家，畜禽養殖逐漸規模化、集約化。2018年，受豬瘟影響，豬肉價格出現上漲，畜牧業增加值增加，其碳排放強度減少。

4.2 研究結果的不確定性

目前研究的農業碳排放核算主要從農資投入方面進行研究，曹俊文等[12]則認為農資投入中的化肥是江西省農業碳排放的主要碳源，這是因為其水稻種植碳排放測算指標中，未計算水稻因灌溉淹水而在厭氧環境中產生大量的CH4。伍國勇等[36]計算中國種植業排放生產率主要考慮的碳源為農資消耗，亦未考慮水稻生長環境的特殊性，造成溫室氣體的排放。這些研究可能會導致農業碳排放量偏低。鑒于江西省為水稻種植大省，本研究充分考慮了水稻種植以及畜禽養殖所產生的溫室氣體，計算結果可能更加準確。

當前碳排放時空格局研究多停留在省級尺度或大區域尺度[37]，縣域碳排放時空格局的研究則相對較少。本研究對少部分缺失的縣域種植面積數據，以江西省不同年份土地利用類型作為補充數據源，并通過利用ArcGIS軟件計算水田和旱地的種植面積。因絕大部分數據來自江西省各市統計年鑒，整體上保持數據源一致，但可能因少量數據源不同造成微小偏差。

4.3 研究方法的適用性

就碳排放核算方法而言，本文采用碳排放系數計算農業碳排放量[15]，該系數選取主要來自于其他學者的研究成果，但上述研究區域均為江西省及其鄰近區域，其中水稻種植指數參考江西省水稻生長周期內CH4排放系數[17]；農資投入以及土壤翻耕產生的溫室排放的差異受地理環境的影響不大，因此采用通用系數；江西省畜牧業排放系數參考現有相近地區的研究成果[27]。因此本研究的相關參數可信度較高。

就研究方法而言，本研究計算了農業碳排放的空間相關性，這在現有文獻中很少被討論?；谵r業碳排放Moran’s I的研究結果表明農業碳排放的相關性和依賴性，并利用LISA對各地區農業碳排放量之間的聚類模型進行了可視化分析。此外，從贛南、贛中、贛北3個區域采用LMDI模型將影響因素量化，進行影響因素分析，為農業碳減排政策的制定提供科學參考。

限于數據難獲取，導致排放源未考慮秸稈還田、有機肥還田、農業能源消耗等溫室氣體排放，但本研究已囊括了農業碳排放源的主要部分，并充分考慮到江西省種植水稻產生的CH4。本研究主要考慮農業碳排的宏觀影響因素，難以全面覆蓋其他微觀影響因素，今后學者可從宏觀和微觀因素相結合的角度開展進一步的深入探究。

4.4 江西省農業碳減排技術與管理措施

江西省農業碳排放量總體增加趨勢明顯，為有效控制農業碳排放總量，結合研究結果提出相關碳減排管理措施，以進一步降低江西省農業排放強度。

1）發展低碳農業技術，實施科學的管理方式。前文分析表明，水稻種植和畜禽養殖是江西省農業碳排放主要來源。在保證糧食產量的前提下，應強化稻田水分管理，因地制宜地實施稻田灌溉技術，以減少水稻生長過程中細菌因厭氧呼吸所產生的CH4。各地市可依照市場情況合理調整畜牧業結構，優化牲畜品種，采用科學方法精準飼喂；改進畜禽糞污處理設施裝備，實施畜禽糞污養分平衡管理，提高畜禽糞污處理水平，以減少畜禽養殖過程中所產生的CH4和N2O。

2）針對高碳排放區的發展特征，實施低碳轉型策略。鑒于碳排放量高的地區主要在鄱陽湖平原，為江西省糧食主產區。因此在農業高碳排放地區，應采取測土配方施肥等管理措施，提高化肥吸收效率，降低農業碳排放；此外，應制定相關減排政策，加大政策推行力度，并定期開展高效農業低碳種植的培訓活動，以增強農民的技術水平，提高農業生產效率，進而降低農業碳排放。

3）提高農業生產效率，優化產業結構。研究結果表明，提升農業生產效率、優化農業產業結構和地區產業結構將有助于農業碳減排。因此，江西省應進一步調整農業生產結構，提倡規模化農業生產，通過合理改變種植業內部結構，在保證基本糧食需求前提下增加經濟作物種植面積，提高農業綜合生產能力，并通過優選作物種類、提高種植技術以提高耕地生產力和農田固碳能力。

5 結 論

本文通過測算江西省農業碳排放及分析其時空變化，定量分析了江西省農業碳排放量，并闡明了影響農業碳排放變化的因素，為江西省農業發展及碳減排路徑提供重要的理論依據。

1）江西省農業碳排量呈增加趨勢，而其農業碳排強度下降趨勢明顯；種植業碳排放強度整體呈下降趨勢，范圍在2.50～3.87 t/萬元，畜牧業碳排放強度整體亦呈下降趨勢，范圍在0.76～2.03 t/萬元；各碳源碳排放總量和其占農業碳排放總量的比例大小依次為：水稻種植（806.72萬t，61.15%）、畜禽養殖（243.57萬t，18.57%）、農資投入（237.39萬t，18.02%）、農田土壤利用（29.60萬t，2.26%）。鑒于農業碳排放總量增速減緩，且農業碳排放強度減小，因此江西省農業生產效率逐漸提高。同時種植業碳排放強度比畜牧業碳排放強度高，故在保證糧食供給的情況下，應適當加大集約化、規模化畜禽養殖產業。

2）2000年和2020年高碳排放區主要集中于鄱陽湖周邊地區以及吉泰盆地；2000年江西省農業碳排放強度Ⅲ級、Ⅳ級分布相對離散，2020年農業碳排放強度Ⅲ級、Ⅳ級主要集中在贛北地區；江西省縣域碳排放總量的重心向北移動。江西省農業碳排放空間格局與地勢地貌密切相關，鑒于鄱陽湖地勢平坦、面積廣闊，因此更適合水稻種植業的發展；贛南地區應結合地形特征，在農業可持續發展的前提下，加大臍橙產業發展力度，打造標志性區域品牌。

3）2000－2020年，江西省農業碳排放量增加161.41萬t。各因素對農業碳排放減少量和其占總農業碳排放減少量的比例大小依次為：農業生產效率因素（1 828.13萬t，56.57%）、地區產業結構因素（1 265.29萬t，39.15%）、農業產業結構因素（86.12萬t，2.66%）、農村總人口因素（52.12萬t，1.62%）。整體上，各因素減少農業碳排放總量絕對值由大到小排序為：贛北、贛中、贛南。經濟發展促進農業碳排放的升高，但升高幅度均有所減少。鑒于贛北地區的農業碳排放量對各因素的響應較為明顯，故應優先提升贛北地區的農業生產效率。地區經濟發展水平因素是增加農業碳排放的主要影響因素，但贛北、贛中、贛南地區的農業碳排放增長量逐年減少，因此江西省農業碳排放與經濟在逐步脫鉤。

[1] 吳普特，趙西寧. 氣候變化對中國農業用水和糧食生產的影響[J]. 農業工程學報，2010，26(2)：1-6.

Wu Pute, Zhao Xining. Impact of climate change on agricultural water use and grain production in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 1-6. (in Chinese with English abstract)

[2] IPCC. Climate change 2021: The physical science basis available[R]. https://www.ipcc.ch/report/ar6/wg1/.

[3] 張玥，代亞強，陳媛媛，等. 中國耕地低碳利用效率時空演變及其驅動因素[J]. 農業工程學報，2022，38(8)：234-243.

Zhang Yue, Dai Yaqiang, Chen Yuanyuan, et al. Spatial-temporal evolution and driving factors of low-carbon use efficiency of cultivated land in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(8): 234-243. (in Chinese with English abstract)

[4] 郝小雨. 黑龍江省30年來農田生態系統碳源/匯強度及碳足跡變化[J]. 黑龍江農業科學，2021(8)：97-104.

Hao Xiaoyu. Changes of carbon source/sink intensity and carbon footprint of farmland ecosystem in Heilongjiang Province in recent 30 years[J]. Heilongjiang Agricultural Sciences, 2021(8): 97-104. (in Chinese with English abstract)

[5] 王興，薛建福，王鈺喬. 我國西部地區種植業碳收支分析[J]. 中國農業科技導報，2016，18(3)：104-111.

Wang Xing, Xue Jianfu, Wang Yuqiao. Evaluation on carbon balance of crop production in Western China[J]. Journal of Agricultural Science and Technology, 2016, 18(3): 104-111. (in Chinese with English abstract)

[6] 李強，高威，魏建飛，等. 中國耕地利用凈碳匯時空演進及綜合分區[J]. 農業工程學報，2022，38(11)：239-249.

Li Qiang, Gao Wei, Wei Jianfei, et al. Spatiotemporal evolution and comprehensive zoning of net carbon sink in cultivated land use in China[J]. Transactions of the Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 239-249. (in Chinese with English abstract)

[7] 匡兵，盧新海，韓璟，等. 考慮碳排放的糧食主產區耕地利用效率區域差異與變化[J]. 農業工程學報，2018，34(11)：1-8.

Kuang Bing, Lu Xinhai, Han Jing, et al. Regional differences and dynamic evolution of cultivated land use efficiency in major grain producing areas in low carbon perspective[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(11): 1-8. (in Chinese with English abstract)

[8] 孫英彪，蘇雄志，許皞. 河北省耕地集約利用水平與碳排放效率的相關性[J]. 農業工程學報，2016，32(19)：258-267.

Sun Yingbiao, Su Xiongzhi, Xu Hao. Correlation between levels of cultivated land intensive use and carbon emission efficiency in Hebei Province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(19): 258-267. (in Chinese with English abstract)

[9] 周思宇，郗鳳明，尹巖. 東北地區耕地利用碳排放核算及驅動因素[J]. 應用生態學報，2021，32(11)：3865-3871.

Zhou Siyu, Xi Fengming, Yin Yan. Accounting and drivers of carbon emission from cultivated land utilization in Northeast China[J]. Chinese Journal of Applied Ecology, 2021, 32(11): 3865-3871. (in Chinese with English abstract)

[10] Tian Y, Zhang J B, He Yaya. Research on spatial-temporal characteristics and driving factor of agricultural carbon emissions in China[J]. Journal of Integrative Agriculture, 2014, 13(6): 1393-1403.

[11] 王興，馬守田，濮超，等. 西南地區農業碳排放趨勢及影響因素研究[J]. 中國人口·資源與環境，2017，27(S2)：231-234.

Wang Xing, Ma Shoutian, Pu Chao, et al. Trends and influencing factors of agricultural carbon emissions in the Southwest China[J]. China Population, Resources and Environment, 2017, 27(S2): 231-234. (in Chinese with English abstract)

[12] 曹俊文，曹玲娟. 江西省農業碳排放測算及其影響因素分析[J]. 生態經濟，2016，32(7)：66-68，167.

Cao Junwen, Cao Lingjuan. Research on measurement and effecting factors of agricultural carbon emission in Jiangxi Province[J]. Ecological Economy, 2016, 32(7): 66-68, 167. (in Chinese with English abstract)

[13] 胡向東，王濟民. 中國畜禽溫室氣體排放量估算[J]. 農業工程學報，2010，26(10)：247-252.

Hu Xiangdong, Wang Jimin. Estimation of livestock greenhouse gases discharge in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 247-252. (in Chinese with English abstract)

[14] IPCC. Climate Change 2007: Changes in Atmospheric Constituents and in Radiative Forcing[R/OL]. http://www.ipcc. ch/pdfassessment. report/ar4/wgV/ar4-wgl- chapter2 pdf, 2007-11-17.

[15] 閆豐，王洋，杜哲，等. 基于IPCC排放因子法估算碳足跡的京津冀生態補償量化[J]. 農業工程學報，2018，34(4)：15-20.

Yan Feng, Wang Yang, Du Zhe. Quantification of ecological compensation in Beiing-Tianjin-Hebei based on carbon footprint calculated using emission factor method proposed by IPCC[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 15-20. (in Chinese with English abstract)

[16] 趙榮欽，秦明周. 中國沿海地區農田生態系統部分碳源/匯時空差異[J]. 生態與農村環境學報，2007，23(2)：1-6，11.

Zhao Rongqin, Qin Mingzhou. Temporospatial variation of partial carbon source/sink of farmland ecosystem in coastal China[J]. Journal of Ecology and Rural Environment, 2007, 23(2): 1-6, 11. (in Chinese with English abstract)

[17] 閔繼勝，胡浩. 中國農業生產溫室氣體排放量的測算[J]. 中國人口·資源與環境，2012，22(7)：21-27.

Min Jisheng, Hu hao. Calculation of greenhouse gases emission from agricultural production in China[J]. China Population, Resources and Environment, 2012, 22(7): 21-27. (in Chinese with English abstract)

[18] West T O, Marland G. A synthesis of carbon sequestration, carbon emissions, and net carbon flux in agriculture: Comparing tillage practices in the United States[J]. Agriculture, Ecosystems & Environment, 2002, 91(1/2/3): 217-232.

[19] 李波，張俊飚，李海鵬. 中國農業碳排放時空特征及影響因素分解[J]. 中國人口·資源與環境，2011，21(8)：80-86.

Li Bo, Zhang Junbiao, Li Haipeng, Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China[J]. China Population, Resources and Environment, 2011, 21(8): 80-86. (in Chinese with English abstract)

[20] 智靜，高吉喜. 中國城鄉居民食品消費碳排放對比分析[J]. 地理科學進展，2009，28(3)：429-434.

Zhi Jing, Gao Jixi. Analysis of carbon emission caused by food consumption in urban and rural inhabitants in China[J] Progress in Geography, 2009, 28(3): 429-434. (in Chinese with English abstract)

[21] 段華平，張悅，趙建波，等. 中國農田生態系統的碳足跡分析[J]. 水土保持學報，2011，25(5)：203-208.

Duan Huaping, Zhang Yue, Zhao Jianbo, et al. Carbon footprint analysis of farmland ecosystem in China[J]. Journal of Soil and Water Conservation, 2011, 25(5): 203-208. (in Chinese with English abstract)

[22] 王智平. 中國農田N2O排放量的估算[J]. 農村生態環境，1997，13(2)：52-56.

Wang Zhiping. Estimation of nitrous oxide emission of farmland in China[J]. Journal of Ecology and Rural Environment, 1997, 13(2): 52-56. (in Chinese with English abstract)

[23] 于克偉，陳冠雄，楊思河，等. 幾種旱地農作物在農田N2O釋放中的作用及環境因素的影響[J]. 應用生態學報，1995，6(4)：387-391.

Yu Kewei, Chen Guanxiong, Yang Sihe, et al. Role of several upland crops in N2O emlsslon from farmland and its response to environmental factors[J]. Chinese Journal of Applied Ecology, 1995, 6(4): 387-391. (in Chinese with English abstract)

[24] 熊正琴，邢光熹，鶴田治雄，等. 種植夏季豆科作物對旱地氧化亞氮排放貢獻的研究[J]. 中國農業科學，2002，35(9)：1104-1108.

Xiong Zhengqin, Xing Guangxi, HeTsuruta, et al. The effects of summer legume crop cultivation on nitrous oxide emissions from upland farmland[J]. Scientia Agricultura Sinica, 2002, 35(9): 1104-1108. (in Chinese with English abstract)

[25] 王少彬，蘇維瀚. 中國地區氧化亞氮排放量及其變化的估算[J]. 環境科學，1993，14(3)：42-46，92-93.

Wang Shaobin, Su Weihan. Estimation of nitrous oxide emission and its future change in China[J]. Environmental Science, 1993, 14(3): 42-46, 92-93. (in Chinese with English abstract)

[26] 邱煒紅，劉金山，胡承孝，等. 種植蔬菜地與裸地氧化亞氮排放差異比較研究[J]. 生態環境學報，2010，19(12)：2982-2985.

Qiu Weihong, Liu Jinshan, Hu Chengxiao, et al. Comparison of nitrous oxide emission from bare soil and planted vegetable soil[J]. Ecology and Environmental Sciences, 2010, 19(12): 2982-2985. (in Chinese with English abstract)

[27] 邱子健，靳紅梅，高南，等. 江蘇省農業碳排放時序特征與趨勢預測[J]. 農業環境科學學報，2022，41(3)：658-669.

Qiu Zijian, Jin Hongmei, Gao Nan, et al. Temporal characteristics and trend prediction of agricultural carbon emission in Jiangsu Province, China[J]. Journal of Agro-Environment Science, 2022: 41(3): 658-669. (in Chinese with English abstract)

[28] 李武艷，朱從謀，王華，等. 浙江省耕地質量多尺度空間自相關分析[J]. 農業工程學報，2016，32(23)：239-245，315.

Li Wuyan, Zhu Congmou, Wang Hua, et al. Multi-scale spatial autocorrelation analysis of cultivated land quality in Zhejiang province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 239-245, 315. (in Chinese with English abstract)

[29] 朱慶瑩，陳銀蓉，胡偉艷，等. 中國土地集約利用與區域生態效率耦合協調度時空格局[J]. 農業工程學報，2020，36(4)：243-243.

Zhu Qingying, Chen Yinrong, Hu Weiyan, et al. Spatiotemporal pattern of coupling coordination degree between land intensive use and regional ecological efficiency in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 243-243. (in Chinese with English abstract)

[30] 翁翎燕，朱振宇，韓許高，等. 江蘇省農田植被凈碳匯時空格局分析[J]. 農業工程學報，2018，34(6)：233-241.

Weng Lingyan, Zhu Zhenyu, Han Xugao, et al. Spatial-temporal pattern of net carbon sink of farmland vegetation in Jiangsu Province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(6): 233-241. (in Chinese with English abstract)

[31] 郭朝先. 中國碳排放因素分解:基于LMDI分解技術[J]. 中國人口·資源與環境，2010，20(12)：4-9.

Guo Chaoxian. Decomposition of China's carbon emissions: Based on LMDI method[J]. China Population, Resources and Environment, 2010, 20(12): 4-9. (in Chinese with English abstract)

[32] 姚成勝，錢雙雙，毛躍華，等. 中國畜牧業碳排放量變化的影響因素分解及空間分異[J]. 農業工程學報，2017，33(12)：10-19.

Yao Chengsheng, Qian Shuangshuang, Mao Yuehua, Decomposition of impacting factors of animal husbandry carbon emissions change and its spatial differences in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 10-19. (in Chinese with English abstract)

[33] 徐宇林. 江西統計年鑒—2021[M]. 北京：中國統計出版社，2021.

[34] 王強，伍世代，李婷婷. 中國工業經濟轉型過程中能源消費與碳排放時空特征研究[J]. 地理科學，2011，31(1)：36-41.

Wang Qiang, Wu Shidai, Li Tingting. Spatio-temporal characteristics of energy consumption and carbon emissions in industry sector during the period of economic transition in China[J]. Scientia Geographica Sinica, 2011, 31(1): 36-41.

[35] 尹潔，張超美，張傳江. 江西2003年特大干旱氣候分析[J]. 江西氣象科技，2005，28(2)：19-22.

Yin Jie, Zhang Chaomei, Zhang Chuanjiang. Climatic feature analysis about extraordinary drought in Jiangxi in 2003[J]. Meteorology and Disaster Reduction Research, 2005, 28(2): 19-22. (in Chinese with English abstract)

[36] 伍國勇，孫小鈞，于福波，等. 中國種植業碳生產率空間關聯格局及影響因素分析[J]. 中國人口·資源與環境，2020，30(5)：46-57.

Wu Guoyong, Sun Xiaojun, Yu Fubo, et al. Spatial correlation pattern and influencing factors of China’s crop production carbon productivity[J]. China Population, Resources and Environment, 2020, 30(5): 46-57. (in Chinese with English abstract)

[37] 范紫月，宋春玉，齊曉波，等. 中國農業系統近40年溫室氣體排放核算[J]. 生態學報，2022，42(23)：1-13.

Fan Ziyue, Song Chunyu, Qi Xiaobo, et al. Accounting of greenhouse gas emissions in the Chinese agricultural system from 1980 to 2020[J]. Acta Ecologica Sinica, 2022, 42(23): 1-13. (in Chinese with English abstract)

Spatial-temporal pattern and influencing factors of agricultural carbon emissions at the county level in Jiangxi Province of China

Zheng Bofu1, Liang Han1, Wan Wei1※, Liu Zhong2, Zhu Jinqi1, Wu Zhijian3

(1.,,,, 330031,; 2.,,100193,;3,330046,)

Agricultural carbon emission has been one of the major sources of carbon emission in the era of peak carbon and carbon neutrality. Therefore, it is of great significance to clarify the status quo of agricultural carbon emission in recent years, particularly for the spatial-temporal changes and influencing factors. Taking Jiangxi Province of China as the typical study area, the measurement system of agricultural carbon emission was established to calculate the agricultural carbon emission in 81 counties from 2000 to 2020. Four major carbon sources were selected as the paddy field planting, agricultural investment inputs, soil plowing, as well as livestock and poultry farming. The spatial pattern of agricultural carbon emission was analyzed by the spatial autocorrelation and center of gravity transfer at county level. The relevant influence factors were then determined by logarithmic mean Divisia index (LMDI). The results were summarized as follows: 1) The agricultural carbon emission in the study area was ranged from 10.98 to 14.72 million tons. An outstanding increasing trend was found in the agricultural carbon emission on the whole, whereas the carbon emission intensity was in an overall decreasing trend. The carbon emission intensity of planting industry showed a decreasing trend, ranging from 2.50 to 3.87 tons per ten thousand Yuan. Similarly, the carbon emission intensity of animal husbandry also showed a decreasing trend, ranging from 0.76 to 2.03 tons per ten thousand Yuan. Particularly, the total carbon emissions of each carbon source and the proportion in total agricultural carbon emissions were ranked in the descending order of: the paddy field planting (8.07 million tons, 61.15%), livestock and poultry (2.43 million tons, 18.57%), agricultural investment inputs (2.37 million tons, 18.02%), soil plowing (0.27 million tons, 2.26%); 2) There was the apparent spatial characteristic of agricultural carbon emissions. For example, the high carbon emission areas were concentrated in the Poyang Plain and the Jitai Basin. Furthermore, the spatial distribution of agricultural carbon emission intensity was from the relative dispersion to concentration in the Northern, whereas, the carbon emission intensity in The Southern was relatively low. The center of gravity of total carbon emissions shifted northward, where the carbon emission in The Northern was higher than that in The Southern Jiangxi Province. 3) Agricultural production efficiency improvement was the most important factor to restrain the sustained growth of the agricultural carbon emissions. The factors were ranked on the agricultural carbon emission reduction and the proportion in the total agricultural carbon emission reduction: the agricultural production efficiency (18.28 million tons, 56.57%), regional industrial structure (12.65 million tons, 39.15%), rural population size (0.86 million tons, 2.66%), agricultural industrial structure (0.52 million tons, 1.62%). Overall, the area order was given in the absolute value of agricultural carbon emission reduction by each factor from large to small: the North, the Middle, the South. The finding can provide the scientific strategy to estimate agricultural carbon emissions in Jiangxi Province, even the major grain producing areas.

agriculture; carbon emissions; spatial-temporal pattern; county territory; Jiangxi Province

10.11975/j.issn.1002-6819.2022.23.008

S17; K90

A

1002-6819(2022)-23-0070-11

鄭博福，梁涵，萬煒，等. 江西省縣域農業碳排放時空格局及影響因素分析[J]. 農業工程學報，2022，38(23)：70-80.doi：10.11975/j.issn.1002-6819.2022.23.008 http://www.tcsae.org

Zheng Bofu, Liang Han, Wan Wei, et al. Spatial-temporal pattern and influencing factors of agricultural carbon emissions at the county level in Jiangxi Province of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(23): 70-80. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.23.008 http://www.tcsae.org

2022-10-24

2022-11-17

江西省重點研發計劃項目（20223BBG74S01；20223BBG71013）；國家重點研發計劃項目（2017YFC0505601）

鄭博福，博士，教授，博士生導師，研究方向環境規劃與管理。Email：bfzhen@ncu.edu.cn

萬煒，博士，講師，研究方向資源環境遙感及農業資源與環境。Email：wanwei@ncu.edu.cn