“雙碳”背景下中國能源消費碳排放與植被固碳的時空分異

李 成,楊舒慧,吳 芳,徐 揚,崔雪鋒*

“雙碳”背景下中國能源消費碳排放與植被固碳的時空分異

李 成1,楊舒慧2,吳 芳2,徐 揚3,崔雪鋒2*

(1.揚州大學園藝與植物保護學院,江蘇 揚州 225009；2.北京師范大學系統科學學院,北京 100875；3.揚州大學農學院,江蘇 揚州 225009)

為理解中國能源消費碳排放(ERCE)與植被固碳(VCS)的演變特征及空間差異,基于氣象數據、遙感數據、土地覆蓋數據及統計資料等,分別在全國尺度、省域尺度和縣域尺度上,定量分析2000～2017年我國ERCE和VCS的動態變化與空間分異格局,并利用碳壓力指數(CPI),表征二者之間的相互關系.結果表明:(1)我國ERCE和人均ERCE在2000～2017年間表現出顯著增加趨勢(<0.01),但二者分別在2013年和2012年以后出現小幅下降;空間上,二者呈現出“北高南低、東高西低”的差異特征;(2)VCS和人均VCS均在2010年以后呈現快速增加趨勢(<0.01),幅度分別為148.09×106t/a和0.04t/(人·a),東北、西南和黃土高原等區域VCS和人均VCS的增加幅度明顯高于其他地區;(3)全國約有近1/3的省份CPI多年平均值在1以上(即ERCE高于VCS),其中上海、天津、江蘇、山東、寧夏的CPI平均值較高,且增幅也相對較大,反映出這些區域具有較大的減排壓力.研究結果可為我國不同區域碳減排政策的制定提供科學依據.

能源消費碳排放；植被固碳；時空變化；多源數據；中國

改革開放以來,我國工業化和城市化進程不斷加快,對化石燃料的需求量和使用量日益增加,并成為世界第一大溫室氣體排放國[1-3];另一方面,我國在應對全球氣候變化和開展氣候治理方面,一直扮演著重要角色,發揮了積極的作用,取得了顯著效果[4-6]. 2020年我國承諾的“碳達峰”和“碳中和”戰略(簡稱“雙碳”戰略),不僅是我國對國際社會的責任擔當,也是我國高質量發展和生態文明建設的必然選擇[7].實現全國尺度CO2凈零排放目標,需要綜合考慮“減排”與“增匯”兩大重要路徑[8].其中,能源消費產生的碳排放與植被碳吸收是這兩大路徑的重要組成部分[9-10].在此背景下,理解二者在歷史階段的演變趨勢及空間分異格局,對服務于國家“雙碳”戰略,實現人-地耦合關系協調發展,具有重要的現實意義.

合理、準確地估算植被固碳量(VCS)與能源消費碳排放量(ERCE)是國家和各省份制定“雙碳”相關政策的重要前提,但目前對二者的基礎數據、變化特征等尚未形成有效的整合[11-13],亟需開展評估工作,以便摸清家底.在VCS估算方面,目前的核算方法,如樣地調查法[14-15]和經驗系數法[16-17]主要應用于有限空間范圍內固碳能力的估算,但難以反映區域尺度VCS的真實情況[16-17];遙感反演法雖然能獲得區域尺度上VCS的變化特征,但由于“點”尺度(生物量實測值)與“柵格”尺度(植被光譜指數)數據的空間異質性問題,使其在復雜下墊面或混合單元中的估算結果[20],存在較大的不確定性;近年來,多源遙感數據的快速獲取,使一些數值模型方法得到了廣泛的應用[21-22].如CASA模型通過氣象、土地覆蓋、植被遙感等多源數據,獲得植被凈初級生產力(NPP),進而實現對VCS的估算[23-24].另一方面,在ERCE的估算中,雖然多數研究通過統計資料,開展省(市)域尺度上的估算[25-26],但在資料缺乏地區或基于不同口徑數據估算的ERCE結果往往存在較大不確定性.例如,Guan等發現基于各省份能源平衡表數據估算的ERCE結果比同期基于全國能源平衡表的結果要高近20%[27].也有一些研究通過選擇夜間燈光數據(如DMSP/OLS數據)作為能源消費量的代用指標,從而實現微觀層面的估算[28-29].然而,不同夜間燈光數據的時空分辨率存在差異,這也阻礙了ERCE的長期估算[30-31].此外,以往研究多關注于全國或省(市)域尺度的短期評估,但縣作為我國最基本的政府單位,在落實中央、省、市政府“雙碳”戰略的政策中將發揮重要作用[32].目前,圍繞多個不同尺度VCS和ERCE的長期變化研究,特別是對二者變化趨勢與空間分異格局的分析,還相對缺乏.

為此,本研究基于氣象數據、遙感數據、土地覆蓋數據及統計資料等,試圖從全國尺度、省域尺度和縣域尺度上定量分析2000～2017年間我國ERCE和VCS的動態變化及其空間分異格局,以期為不同區域“雙碳”戰略的政策制定提供支持.

1 材料與方法

1.1 數據來源

土地覆蓋數據:來源于歐洲太空局的逐年全球土地覆蓋產品,時間序列為2000～2017年,空間分辨率為300m(https://www.esa-landcover-cci.org).該數據融合了AVHRR、SPOT-VGT和PROBA-V等多源遙感衛星的時間序列數據,能夠逐年描述與政府間氣候變化專門委員會(IPCC)土地分類相匹配的土地覆蓋變化,具有較高的精度[33-34].

氣象數據:來源于中國氣象局國家氣象信息中心(https://data.cma.cn/),時間跨度為2000～2017年,共獲得653個氣象站逐日氣溫、降水、日照時數等資料.經過數據預處理和空間插值后,生成與土地覆蓋數據分辨率相同的逐月氣象柵格數據.

NDVI數據:來源于中國科學院地理科學與資源研究所提供的半月合成數據(https://www.resdc.cn/),空間分辨率為1000m.本研究通過最大值合成法和最鄰近內插法獲取與土地覆蓋數據分辨率相同的逐月NDVI柵格數據.

統計數據:包括人口數據和ERCE數據.其中,人口數據來源于國家統計局(http://www.stats.gov.cn/)和各省(市)的統計年鑒.ERCE數據來源于中國碳核算數據庫,它涵蓋了2000～2017年我國2735個縣的CO2排放量[32].受數據質量的影響,該數據不包括西藏自治區和港、澳、臺地區的結果.

1.2 植被NPP與VCS的估算

圖1 CASA模型的計算框架

NPP是綠色植物在單位時間和單位面積內,從光合作用產生的有機物中扣除自養呼吸后剩余的有機質[35-36].CASA模型估算植被NPP由植被吸收的光合有效輻射(APAR)和光能利用率()兩個變量確定,其計算框架如圖1所示.

NPP(,) = APAR(,) ×(,) (1)

式中:APAR(,)表示像元在月份吸收的光合有效輻射,MJ/m2;(,)表示像元在月份的實際光能利用率,g C/MJ.

APAR(,) = SOL(,) × FPAR(,) × 0.5 (2)

式中:SOL(,)表示像元在月份的太陽輻射量,MJ/m2;FPAR表示植被層對入射的光合有效輻射的吸收比例;常數0.5表示植被所能利用的太陽有效輻射占太陽總輻射的比例.

FPAR(,) = [NDVI(,) – NDVIi, min] /

[NDVIi, max– NDVIi, min] (3)

式中:NDVIi, max和NDVIi, min分別對應第種植被類型的NDVI最大值和最小值.

(,) =T1(,) ×T2(,) ×W(,) ×max(4)

式中:T1(,)和T2(,)表示溫度對光能利用率的影響;W(,)表示水分條件對光能利用率的影響;max表示在理想狀態下植被的最大光能利用率. 本研究中不同植被類型的max參照Zhu等[36]根據誤差最小原則確定.

T1(,) = 0.8 + 0.02 ×opt() – 0.0005 × [opt()]2(5)

式中:opt()為植物生長的最適溫度,為NDVI達到最大時的當月平均氣溫,℃;若當月平均溫度小于或等于-10℃時,T1(,)取0.

T2(,) = 1.184 / {1 + exp[0.2 × (opt() – 10 –(,

))]} × 1 / {1 + exp[0.3 × (-opt() – 10 +(,))]} (6)

式中:當月平均氣溫(,)比opt()高10℃或低13℃時,則該月T2(,)等于(,)為opt()時T2(,)的一半.

W(,) = 0.5 + 0.5 ×(,) /p(,) (7)

式中:(,)和p(,)分別為實際蒸散量和潛在蒸散量.

由光合作用方程可知,植被每生產1kg有機物,能固定1.62kg CO2,且干物質中碳的含量約占NPP總量的45%[37].所以由CASA模型估算的植被NPP,通過轉換系數(1.62/0.45),便可以計算出VCS.

1.3 碳壓力指數的計算

為了更好地量化ERCE與VCS之間的關系,本研究提出碳壓力指數(CPI),用于反映ERCE對VCS的壓力:

>CPI = ERCE/VCS (4)

式中:CPI表示碳壓力指數;ERCE表示能源消費碳排放量;VCS表示植被固碳量.

1.4 趨勢分析方法

對2000～2017年ERCE、VCS和CPI的逐年數據,進行時空變化分析.采用一元線性回歸法在全國尺度、省域尺度和縣域尺度上,分析其在過去18a間的變化趨勢,具體采用線性擬合方程的斜率表征18a間ERCE、VCS和CPI的變化趨勢和幅度.如果斜率大于0,則表示ERCE(或VCS、CPI)為增長趨勢;如果斜率小于0,則表示ERCE(或VCS、CPI)為減小趨勢.對于全國尺度上其時間序列曲線可能出現的轉折點,通過R語言的‘segmented’包進行檢驗,并計算轉折前后的變化趨勢.

2 結果與分析

2.1 CASA模型對植被NPP的模擬能力

基于多源數據獲得2000～2017年間我國植被NPP平均值約為3.89Pg/a.為驗證CASA模型對我國植被NPP的模擬能力,本研究通過文獻整理的方式,列出了不同模型的模擬結果.如表1所示,不同模型對我國植被NPP的模擬結果在2.98～4.6Pg/a之間[38-45],而本研究的估算結果也處于該區間范圍內,并與LPJ-GUESS模型的結果大體相當,反映了CASA模型對我國植被NPP的估算具有一定的合理性.

表1 不同模型對我國植被NPP的模擬結果

此外在省域尺度上,分別計算了由CASA模型和MOD17A3－NPP產品數據得到的VCS結果(分別記為CASA-VCS和MODIS-VCS).如圖2所示, 其相關系數為0.93(<0.01),擬合方程的2達0.87, RMSE為136.97×106t,反映出CASA-VCS與MODIS-VCS之間具有較好的一致性.

圖2 CASA-VCS與MODIS-VCS之間的散點圖

2.2 全國尺度ERCE、VCS和CPI的變化特征

由圖3(a)可見,2000～2017年間ERCE曲線在3155.37×106～9556.96×106t之間波動變化,多年平均值為6884.93×106t,標準差為2422.28×106t.人均ERCE變化為(5.12±1.68) t/人,其最大值和最小值分別出現在2014年(6.94t/人)和2001年(2.49t/人). ERCE和人均ERCE曲線在2000～2017年間均表現出顯著的增加趨勢(<0.01),變化幅度分別為438.68×106t/a和0.3t/(人·a).進一步分析可知,2000～2017年間ERCE曲線存在一個明顯的轉折點,即在2000～2013年間存在一個快速增加的趨勢,增幅為544.9×106t/a(<0.01),但在2013年以后出現小幅下降,變化幅度為-0.05×106t/a.這主要得益于2012年以后,國家通過以經濟發展的“速度變化、結構優化、動力轉換”,促使我國產業和能源結構的變化,如能源密集型行業的減排、生產效率的提高和消費需求的轉變等,使得ERCE在2013～2017年間有所下降[46].與ERCE變化類似,人均ERCE在2012年以后也出現小幅下降的趨勢,降幅為0.04t/ (人·a).

2000～2017年VCS曲線在13305.22×106～14951.74×106t之間波動變化,多年平均值為14057.70×106t.人均VCS變化為(10.55±0.26) t/人,其最大值和最小值分別出現在2002年(11.17t/人)和2010年(9.92t/人).VCS曲線在2000～2017年間表現出顯著的增加趨勢(<0.01),變化幅度為69.34× 106t/a,但在2010年以后表現出快速增加的趨勢(圖3(b)),增幅達148.09×106t/a (<0.01),約是2000～2010間變化幅度的6.02倍.主要原因可能與我國生態工程建設的年限有關.從植被生態學的角度考慮,我國大規模植樹造林種草、退耕還林還草等生態建設工程主要發生在2000年以后[8].在生態工程建設初期,植被普遍處于幼齡階段,此時其光合作用能力相對較弱,且還需要維持自身的新陳代謝,因而短期的固碳效應并不明顯[47].隨著恢復年限的增加,植被NDVI和生物量也不斷增大.例如,黃土高原地區退耕還林(草)10a后,新建植物群落逐漸穩定,通過枯落物、根系殘體等形成的土壤有機質顯著增多,并促使土壤有機碳含量及儲量也隨之增加[48].與VCS變化不同的是,人均VCS在2000～2010年和2010～2017年表現出相反的變化趨勢,幅度分別為-0.04和0.04t/(人·a).

如圖3(c)所示,過去18a間CPI在0.24～0.67之間波動變化,即VCS大于ERCE,但二者之間的差距在不斷縮小,特別是2010年以后,CPI基本維持在0.62以上.與人均ERCE曲線變化相似,CPI曲線也在2000～2012年間表現出顯著增加的趨勢(<0.01),變化幅度達0.04/a,但它在2012～2017年期間表現出小幅下降的趨勢(-0.001/a).

2.3 省域尺度ERCE、VCS和CPI的變化特征

如圖4所示,2000～2017年間各省份ERCE多年平均值介于27.13×106～575.62×106t之間.其中,山東、河北、江蘇、河南的ERCE平均值均在400×106t以上,廣東、內蒙古、遼寧、山西的ERCE平均值也超過了300×106t,而寧夏、北京、青海、海南的ERCE平均值低于100×106t(圖4(a)).人均ERCE值介于2.99～15.31t/人之間,表現出明顯的“北高南低”的空間差異,特別是內蒙古、寧夏、山西的人均ERCE值超過了9t/人(圖4(b)).如圖4(c)所示,各省份ERCE均表現出增加趨勢,山東、內蒙古、江蘇、河北、河南的增幅超過了24×106t/a,而重慶、上海、青海、海南、北京的增幅則低于6×106t/a.就人均ERCE變化趨勢而言(圖4(d)),除北京通過產業結構升級與能源轉型[49],實現了人均ERCE負增長外,其他省份均表現出增加趨勢,增加幅度較高的區域主要集中在北方地區,特別是內蒙古、寧夏、新疆的人均ERCE增幅超過了0.5t/(人·a).

圖4 省域尺度ERCE、VCS和CPI平均值與趨勢值的空間分布特征

(a)～(d)依次為ERCE均值、人均ERCE、ERCE趨勢、人均ERCE趨勢;(e)～(h)依次為VCS均值、人均VCS、VCS趨勢、人均VCS趨勢;(i)～(j)依次為CPI均值、CPI趨勢. 該圖基于自然資源部標準地圖服務網站下載的審圖號為GS(2019)1823號的標準地圖制作,底圖無修改,下同

2000～2017年間各省份VCS多年平均值介于6.94×106～1274.04×106t之間.其中,平均值超過800×106t的地區包括云南、內蒙古、黑龍江、西藏等,而重慶、江蘇、海南、寧夏、北京、天津、上海的平均值則低于200×106t (圖4(e)).人均VCS值為26.13t/人,表現出明顯的“西高東低”的空間差異,特別是青藏高原和西南的大部分省份人均VCS值超過了60t/人(圖4(f)).如圖4(g)所示,除江西、上海、浙江、福建、西藏的VCS出現了下降趨勢外,其他省份VCS均表現出增加趨勢,增幅超過6×106t/a的區域出現在內蒙古、陜西、山西和廣西等,這些地區也是2000年以來我國生態工程實施的重點區域.就人均VCS趨勢值而言,約有17個省份表現出增加趨勢,主要位于東北、西南和黃土高原地區(圖4(h)).

2000～2017年間各省份CPI多年平均值介于0～26.92之間(圖4(i)),其中,上海、天津、江蘇、北京、山東的CPI值都在2.0以上,而寧夏、河北、浙江、河南、山西、遼寧等地的CPI值則介于1～2之間.相比之下,黑龍江、云南、青海的CPI值較低,都在0.2以下.對于CPI多年平均值較高的省份,其CPI增加幅度也相對較大,如上海和天津的增幅均超過了0.2/a.此外,江蘇、寧夏、山東的增幅也在0.1/a以上(圖4(j)).

2.4 縣域尺度ERCE、VCS和CPI的變化特征

如圖5所示,縣域尺度ERCE、VCS和CPI的多年平均值、變化趨勢均表現出更加明顯的空間差異.即便是在同一個省份內,各縣之間的平均值和變化趨勢也存在一定的差異.

如圖5(a)所示,2000～2017年間各縣ERCE多年平均值介于0～44.01×106t之間.其中,約有128個縣ERCE平均值超過7×106t,主要位于華東(47個縣)和華北(40個縣)地區.人均ERCE表現出明顯的“北高南低、東高西低”的空間差異(圖5(b)),其中,約有294個縣人均ERCE值超過7t/人,主要位于華北(126個縣)、西北(65個縣)和華東(31個縣)地區.如圖5(c-d)所示,ERCE與人均ERCE變化趨勢的空間格局分別與其平均值的分布特征相似,即ERCE平均值(或人均ERCE值)較高的地區,其增加幅度也相對較大.

2000～2017年間各縣VCS多年平均值介于0～237.01×106t之間.其中,超過20×106t的共有207個縣,主要位于西南(85個縣)、東北(41個縣)、西北(33個縣)和華北(30個縣)地區(圖5(e)).就人均VCS而言,約有206個縣人均VCS值超過90t/人,以“胡煥庸線”(黑龍江省黑河市至云南省騰沖市)為界,該線左側地區的人均VCS值明顯高于右側地區(圖5(f)).對于VCS和人均VCS而言,二者變化趨勢的空間分布特征較為相似,增幅的高值區主要位于東北、華北、西北和西南等(圖5(g),(h)).

圖5 縣域尺度ERCE、VCS和CPI平均值與趨勢值的空間分布特征

a－d依次為ERCE均值、人均ERCE、ERCE趨勢、人均ERCE趨勢;e－h依次為VCS均值、人均VCS、VCS趨勢、人均VCS趨勢;i－j依次為CPI均值、CPI趨勢

2000～2017年間全國約有838個縣的CPI多年平均值超過了1.0,其中有299個縣CPI介于1～2之間,而有539個縣CPI超過了2.0.整體上這些縣大多位于“胡煥庸線”的右側地區(圖5(i)),如華東(260個縣)、華北(187個縣)和中南(185個縣).CPI變化趨勢的空間分布與它多年平均值的分布特征相似,特別是CPI平均值較高的地區,往往增加幅度也相對較大(圖5(j)).

3 討論

本研究基于CASA模型與光合作用方程,實現了我國VCS的定量評估,雖然估算結果處于合理的區間范圍內,但不同模型對關鍵變量(植被NPP)的估算仍存在一定的差異,這主要與輸入數據、模型結構及其參數設置有關[50].以輸入數據為例,不同變量或同一變量的不同數據源之間還難以獲取在空間尺度上相匹配的所有輸入數據,這使得輸入數據在尺度變換過程中引入的偏差可能會影響模擬結果[51].因此,如何突破多尺度數據融合和多源異構數據集成的技術方法,將有助于提升模擬精度.另一方面,現有的植被NPP實測數據相對較少,使不同模型在參數取值或模型改進方面,缺乏客觀的精度驗證數據[35-37].隨著測量技術的不斷發展,植被NPP實測方法將會有新的突破,從而更有利于區域尺度VCS的監測、驗證與變化分析.

氣候變化背景下我國不同地區水熱條件也發生了階段性的變化.一些研究發現:在2010年之前的時段,氣候條件(如輻射和降水減少)導致的NPP損失基本抵消了植被固碳效益[43,52];而在2010年以后,受中南、東部和西南地區輻射和降水條件改善的影響,中國植被NPP出現了加速增長的趨勢[50].有研究嘗試解釋植被固碳的驅動機制或量化氣候與植被恢復對碳匯效益的相對影響[35-37],但由于陸-氣間存在復雜的反饋作用,如造林能影響局地氣溫和水循環過程[53],因而現有的量化研究仍有較大不確定性.未來可以通過地球系統模式[5],定量區分不同因素對VCS的影響貢獻,進而有針對性地提出基于生態系統“最優”管理的增匯模式[54].

本研究通過CPI衡量ERCE與VCS之間的關系.不同地區CPI表現出明顯的空間差異(圖4和圖5),西南地區(如云南、四川、廣西等)CPI表現最佳,這一方面得益于它們擁有發展水力發電、光伏發電及風力發電等較好的自然條件,并在可再生能源方面取得顯著成果[55];同時也與該區域在過去10余年氣候與生態恢復工程協同提高的VCS密不可分[50].然而在華東地區(如上海、江蘇、浙江、山東等)CPI的平均值和增加幅度仍相對較高,這些地區經濟發達,物產資源豐富,工業門類齊全,且擁有豐富的技術資源,但經濟發達的背后意味著高占比的能源消耗[56],在“減排”與“增匯”方面的表現仍有待于進一步提高.對于像寧夏等經濟發展高度依賴能源生產與其他碳密集產業的地區,由于排放水平高,能源效率低,使其綜合表現較為一般.

自我國“雙碳”發展戰略提出以來,國家制定了相關政策和行動指南,并且各省市也陸續提出了相應的發展目標,制定了更加具體的實施方案.但是,由不同社會經濟和地理條件形成的區域ERCE、VCS和CPI表現出明顯空間異質性,且不同區域的人口、財政和自然資源特征差異很大,實施政策的能力也存在較大差異[57].因此,如何從政策的角度,落實省域和縣域的“減排”、“增匯”責任至關重要,這不僅需要因地制宜地制定相應的政策,還需要探索政策實施的績效評價,從而更好地落實國家“雙碳”發展目標.

目前,受限于數據可獲得性問題,本研究僅圍繞“減排”與“增匯”路徑中的重要組成部分,定量分析了2000～2017年全國尺度、省域尺度和縣域尺度ERCE、VCS和CPI的動態變化及空間分異格局.下一階段將遵循IPCC的排放核算方法,完善與能源相關的排放(47個部門的17 種化石燃料)以及與過程相關的排放(水泥生產)估算.同時,結合多種生態系統過程模型的評估結果,量化植被碳吸收的穩定性和持續性,并利用人口、經濟、土地利用等多源數據,建立我國不同區域碳減排的責任分配.

4 結論

4.1 2000～2017年我國ERCE與人均ERCE均表現出顯著增加趨勢(<0.01),變幅分別為438.68×106t/a和0.3t/(人·a).空間上,二者呈現出“北高南低、東高西低”的變化差異.

4.2 我國VCS與人均VCS在2010年以后表現出快速增加趨勢,增幅分別為148.09×106t/a (<0.01)和0.04t/(人·a).特別是,內蒙古、陜西、山西、廣西等生態工程重點實施區的VCS與人均VCS增幅明顯高于其他地區.

4.3 CPI與人均ERCE的變化特征基本相似,全國約有近1/3的省份CPI多年平均值在1以上,并且CPI平均值較高的地區,其增加幅度也相對較大,表明未來我國實施“減排”與“增匯”的任務任重而道遠.

[1] Lo A. Carbon emissions trading in China [J]. Nature Climate Change, 2012,2:765-766.

[2] Zheng X Q, Lu Y L, Yuan J J, et al. Drivers of change in China’s energy-related CO2emissions [J]. Proceedings of the National Academy of Sciences, 2020,117(1):29-36.

[3] 劉紀遠,寧 佳,匡文慧,等.2010～2015年中國土地利用變化的時空格局與新特征[J]. 地理學報, 2018,73(5):789-802.

Liu J Y, Ning J, Kuang W H, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010～2015 [J]. Acta Geographica Sinica, 2018,73(5):789-802.

[4] Liu Z, Guan D B, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China [J]. Nature, 2015,524(7565):335-338.

[5] 蔡兆男,成里京,李婷婷,等.碳中和目標下的若干地球系統科學和技術問題分析[J]. 中國科學院院刊, 2021,36(5):602-613.

Cai Z N Cheng L J, Li T T, et al. Key scientific and technical issues in earth system science towards achieving carbon neutrality in China [J]. Bulletin of the Chinese Academy of Sciences, 2021,36(5):602-613.

[6] 李 勇,高 嵐.中國“碳中和”目標的實現路徑與模式選擇[J]. 華南農業大學學報(社會科學版), 2021,20(5):77-93.

Li Y, Gao L. Implementation path and mode selection of China’s carbon neutralization goal [J]. Journal of South China Agricultural University (Social Science Edition), 2021,20(5):77-93.

[7] Fu B J, Liu Y X, Li Y, et al. The research priorities of Resources and Environmental Sciences [J]. Geography and Sustainability, 2021, 2(2):87-94.

[8] Fang J Y, Yu G R, Liu L L, et al. Climate change, human impacts, and carbon sequestration in China [J]. Proceedings of the National Academy of Sciences, 2018,115(16):4015-4020.

[9] Wang M, Feng C. Decomposition of energy-related CO2emissions in China: an empirical analysis based on provincial panel data of three sectors [J]. Applied energy, 2017,190:772-787.

[10] Lan X, Liu Z Y, Chen X H, et al. Trade-off between carbon sequestration and water loss for vegetation greening in China [J]. Agriculture, Ecosystems & Environment, 2021,319:107522.

[11] Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data [J]. Nature, 2020, 586(7831):720-723.

[12] Chen J D, Li Z W, Dong Y Z, et al. Coupling coordination between carbon emissions and the eco-environment in China [J]. Journal of Cleaner Production, 2020,276:123848.

[13] Ding S, Xu N, Ye J, et al. Estimating Chinese energy-related CO2emissions by employing a novel discrete grey prediction model [J]. Journal of Cleaner Production, 2020,259:120793.

[14] Tang X L, Zhao X, Bai Y F, et al. Carbon pools in China’s terrestrial ecosystems: New estimates based on an intensive field survey [J]. Proceedings of the National Academy of Sciences, 2018,115(16): 4021-4026.

[15] 于貴瑞,張雷明,張揚建,等.大尺度陸地生態系統狀態變化及其資源環境效應的立體化協同聯網觀測[J]. 應用生態學報, 2021, 32(6):1903-1918.

Yu G R, Zhang L M, Zhang Y J, et al. A coordinated three- dimensional network for observing large-scale terrestrial ecosystem status changes and the consequences on resources and environment [J]. Chinese Journal of Applied Ecology, 2021,32(6):1903-1918.

[16] Lai L, Huang X J, Yang H, et al. Carbon emissions from land-use change and management in China between 1990 and 2010 [J]. Science Advances, 2016,2(11):1601063.

[17] 唐洪松,馬惠蘭,蘇 洋,等.新疆不同土地利用類型的碳排放與碳吸收[J]. 干旱區研究, 2016,33(3):486-492.

Tang H S, Ma H L, Su Y, et al. Carbon emissions and carbon absorptions of different land use types in Xinjiang [J]. Arid Zone Research, 2016,33(3):486-492.

[18] 張殿岱,王雪梅,昝 梅.基于Landsat 8OLI影像的渭-庫綠洲植被地上生物量估算[J]. 草業學報, 2021,30(11):1-12.

Zhang D D, Wang X M, Zan M. Estimation of vegetation aboveground biomass in the Wei-Ku oasis based on Landsat 8OLI images [J]. Acta Prataculturae Sinica, 2021,30(11):1-12.

[19] Liu S L, Cheng F Y, Dong S K, et al. Spatiotemporal dynamics of grassland aboveground biomass on the Qinghai-Tibet Plateau based on validated MODIS NDVI [J]. Scientific Reports, 2017,7:4182.

[20] Fern R R, Foxley E A, Bruno A, et al. Suitability of NDVI and OSAVI as estimators of green biomass and coverage in a semi-arid rangeland [J]. Ecological Indicators, 2018,94:16-21.

[21] Yu Y Y, Li J, Zhou Z X, et al. Estimation of the value of ecosystem carbon sequestration services under different scenarios in the central China (the Qinling-Daba mountain area) [J]. Sustainability, 2020,12 (1):337.

[22] Yang H F, Zhong X N, Deng S Q, et al. Assessment of the impact of LUCC on NPP and its influencing factors in the Yangtze River basin, China [J]. CATENA, 2021,206:105542.

[23] Li X Y, Guo J M, Qi S Z. Forestland landscape change induced spatiotemporal dynamics of subtropical urban forest ecosystem services value in forested region of China: A case of Hangzhou city [J]. Environmental Research, 2021,193:110618.

[24] Chen J D, Fan W, Li D, et al. Driving factors of global carbon footprint pressure: Based on vegetation carbon sequestration [J]. Applied Energy, 2020,267:114914.

[25] Jiang J J, Ye B, Xie D J, et al. Provincial-level carbon emission drivers and emission reduction strategies in China: Combining multi-layer LMDI decomposition with hierarchical clustering [J]. Journal of Cleaner Production, 2017,169:178-190.

[26] Wang S, Gao S, Huang Y, et al. Spatiotemporal evolution of urban carbon emission performance in China and prediction of future trends [J]. Journal of Geographical Sciences, 2020,30(5):757-774.

[27] Guan D B, Liu Z, Geng Y, et al. The gigatonne gap in China’s carbon dioxide inventories [J]. Nature Climate Change, 2012,2:672-675.

[28] Shi K F, Chen Y, Yu B L, et al. Modeling spatiotemporal CO2(carbon dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis [J]. Applied Energy, 2016, 168:523-533.

[29] 張永年,潘竟虎.基于DMSP/OLS數據的中國碳排放時空模擬與分異格局[J]. 中國環境科學, 2019,39(4):1436-1446.

Zhang Y N, Pan J H. Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data [J]. China Environment Science, 2019,39(4):1436-1446.

[30] Chen H X, Zhang X L, Wu R W, et al. Revisiting the environmental Kuznets curve for city-level CO2emissions: based on corrected NPP-VIIRS nighttime light data in China [J]. Journal of Cleaner Production, 2020,268:121575.

[31] Lv Q, Liu H B, Wang J T, et al. Multiscale analysis on spatiotemporal dynamics of energy consumption CO2emissions in China: Utilizing the integrated of DMSP-OLS and NPP-VIIRS nighttime light datasets [J]. Science of The Total Environment, 2020,703:134394.

[32] Chen J D, Gao M, Cheng S L, et al. County-level CO2emissions and sequestration in China during 1997～2017 [J]. Scientific data, 2020, 7:391.

[33] Mousivand A, Arsanjani J J. Insights on the historical and emerging global land cover changes: The case of ESA-CCI-LC datasets [J]. Applied Geography, 2019,106:82-92.

[34] Hu X P, N?ss J S, Iordan C M, et al. Recent global land cover dynamics and implications for soil erosion and carbon losses from deforestation [J]. Anthropocene, 2021,34:100291.

[35] 周 偉,牟鳳云,剛成誠,等.1982～2010年中國草地凈初級生產力時空動態及其與氣候因子的關系[J]. 生態學報, 2017,37(13):4335- 4345.

Zhou W, Mu F Y, Gang C C, et al. Spatio-temporal dynamics of grassland net primary productivity and their relationship with climatic factors from 1982 to 2010 in China [J]. Acta Ecologica Sinica, 2017,37(13):4335-4345.

[36] Zhu W Q, Pan Y Z, Yang X Q, et al. Comprehensive analysis of the impact of climatic changes on Chinese terrestrial net primary productivity [J]. Chinese Science Bulletin, 2007,52(23):3253-3260.

[37] Yan Y C, Liu X P, Wen Y Y, et al. Quantitative analysis of the contributions of climatic and human factors to grassland productivity in northern China [J]. Ecological Indicators, 2019,103:542-553.

[38] Yuan Q Z, Wu S H, Zhao D S, et al. Modeling net primary productivity of the terrestrial ecosystem in China from 1961 to 2005 [J]. Acta Geographica Sinica, 2014,24(1):3-17.

[39] 高志強,劉紀遠.中國植被凈生產力的比較研究[J]. 科學通報, 2008,53(3):317-326.

Gao Z Q, Liu J Y. Comparative analysis for net primary productivity of Chinese terrestrial vegetation [J]. Chinese Science Bulletin, 2008, 53(3):317-326.

[40] 黃 玫.中國陸地生態系統水、熱通量和碳循環模擬研究[D]. 北京:中國科學院地理科學與資源研究所, 2006.

Huang M. Modeling the water energy and CO2exchanges in China’s terrestrial ecosystems [D]. Beijing: Institute of Geographic Sciences and Natural Resources of Chinese Academy of Sciences, 2006.

[41] 王 磊,丁晶晶,季永華,等.1981～2000年中國陸地生態系統NPP時空變化特征分析[J]. 江蘇林業科技, 2009,36(6):1-5.

Wang L, Ding J J, Ji Y H, et al. Spatiotemporal pattern of NPP in terrestrial ecosystem of China from 1981 to 2000 [J]. Journal of Jiangsu Forestry Science & Technology, 2009,36(6):1-5.

[42] 陳 斌,王紹強,劉榮高,等.中國陸地生態系統NPP模擬及空間格局分析[J]. 資源科學, 2007,29(6):45-53.

Chen B, Wang S Q, Liu R G, et al. Study on modeling and spatial pattern of net primary production in China's terrestrial ecosystem [J]. Resource Research, 2007,29(6):45-53.

[43] Wang J, Dong J, Yi Y, et al. Decreasing net primary production due to drought and slight decreases in solar radiation in China from 2000 to 2012 [J]. Journal of Geophysical Research: Biogeosciences, 2017,122 (1):261-278.

[44] 高彥華.基于MODIS的中國陸地生態系統碳格局研究[D]. 北京:中國科學院地理科學與資源研究所, 2010.

Gao Y H. Research on the carbon structure of China's terrestrial ecosystem based on MODIS [D]. Beijing: Institute of Geographic Sciences and Natural Resources of Chinese Academy of Sciences, 2010.

[45] 趙苗苗,劉 熠,楊吉林,等.基于HASM的中國植被NPP時空變化特征及其與氣候的關系[J]. 生態環境學報, 2019,28(2):215-225.

Zhao M M, Liu Y, Yang J L, et al. Spatio-temporal patterns of NPP and its relations to climate in China based on HASM [J]. Ecology and Environmental Sciences, 2019,28(2):215-225.

[46] Mi Z F, Sun X L. Provinces with transitions in industrial structure and energy mix performed best in climate change mitigation in China [J]. Communications Earth & Environment, 2021,2:182.

[47] Zhu J J, Song L N. A review of ecological mechanisms for management practices of protective forests [J]. Journal of Forestry Research. 2021,32:435-448.

[48] 黎 鵬,張 勇,李夏浩祺,等.黃土丘陵區不同退耕還林措施的土壤碳匯效應[J]. 水土保持研究, 2021,28(4):29-33.

Li P, Zhang Y, Li X, et al. Effect of soil carbon sink in the hilly region of the Loess Plateau under Grain for Green Project [J]. Research of Soil and Water Conservation, 2021,28(4):29-33.

[49] Zheng J L, Mi Z F, Coffman D M, et al. Regional development and carbon emissions in China [J]. Energy Economics, 2019,81:25-36.

[50] Chen Y Z, Feng X M, Tian H Q, et al. Accelerated increase in vegetation carbon sequestration in China after 2010: A turning point resulting from climate and human interaction [J]. Global Change Biology, 2021,27:5848-5864.

[51] 吳炳方,曾 源,閆娜娜,等.生態系統遙感:內涵與挑戰[J]. 遙感學報, 2020,24(6):609-617.

Wu B F, Zeng Y, Yan N N, et al. Remote sensing for ecosystem: Definition and prospects [J]. National Remote Sensing Bulletin, 2020,24(6):609-617.

[52] Ji Y H, Zhou G S, Luo T X, et al. Variation of net primary productivity and its drivers in China’s forests during 2000～2018 [J]. Forest Ecosystems, 2020,7:15.

[53] Li Y, Piao S L, Chen A P, et al. Local and teleconnected temperature effects of afforestation and vegetation greening in China [J]. National Science Review, 2020,7(5):897-912.

[54] 方精云.碳中和的生態學透視[J]. 植物生態學報, 2021,45(11): 1173-1176.

Fang J Y. Ecological perspectives of carbon neutrality [J]. Chinese Journal of Plant Ecology, 2021,45(11):1173-1176.

[55] Hu Y L, Huang W B, Wang J, et al. Current status, challenges, and perspectives of Sichuan’s renewable energy development in Southwest China [J]. Renewable and Sustainable Energy Reviews, 2016,57: 1373-1385.

[56] You Z W, Zhao T, Song C, et al. Analyzing China’s coal-related carbon emissions from economic growth perspective: Through decoupling and decomposition model [J]. Environmental Science and Pollution Research, 2020,28:3703-3718.

[57] 宋 鵬,張慧敏,毛顯強.面向碳達峰目標的重慶市碳減排路徑研究 [J]. 中國環境科學, 2021,DOI:10.19674/j.cnki.issn1000-6923. 20210923.0060923.006.

Song P, Zhang H M, Mao X Q. Research on Chongqing’s carbon emission reduction path towards the goal of carbon peak [J]. China Environment Science, 2021.DOI:10.19674/j.cnki.issn1000-6923. 20210923.006 0923.006.

Spatio-temporal patterns of CO2emissions from energy consumption and vegetation carbon sequestration in China under the emission peak and carbon neutrality.

LI Cheng1, YANG Shu-hui2, WU Fang2, XU Yang3, CUI Xue-feng2*

(1.School of Horticulture and Plant Protection, Yangzhou University, Yangzhou 225009, China；2.School of System Science, Beijing Normal University, Beijing 100875, China；3.Agricultural College, Yangzhou University, Yangzhou 225009, China)., 2022,42(4)：1945～1953

In order to understand the variation characteristics of CO2emissions from energy consumption (ERCE) and vegetation carbon sequestration (VCS) in China, dynamic changes and spatial patterns of the ERCE and VCS were quantitatively analyzed from 2000 to 2017 based on multi-source data, including meteorological, satellite, land cover, and statistical data, at the national, provincial, and county scales. Moreover, a carbon pressure index (CPI) was proposed to characterize the relationship between the ERCE and VCS. The ERCE and ERCE per capita had a significant increasing trend between 2000 and 2017 (<0.01), but both displayed a slight downward trend after 2013 and 2012, respectively. As for spatial patterns, higher increasing trends were found in the northern and eastern China. Both VCS and VCS per capita had a rapidly increasing trend after the year of 2010 (<0.01), with a trend value of 148.09×106t/a and 0.04t/(person·a), respectively. Particularly, the VCS and VCS per capita displayed larger increasing trends in the northeast region, southwest region, and the Loess Plateau. Nearly 1/3 of all provinces of China had a higher mean value of CPI exceeding 1in China, which meant that the ERCE was higher than VCS. Among them, the relative higher CPI values were found in Shanghai, Tianjin, Jiangsu, Shandong, and Ningxia, and higher increasing trends of CPI were also found in these regions, which indicated that these regions had greater pressure to reduce carbon emissions. The findings can provide an important reference for developing low-carbon policies in different regions of China.

CO2emissions from energy consumption；vegetation carbon sequestration；spatio-temporal dynamics；multi-source data；China

X321

A

1000-6923(2022)04-1945-09

李 成(1988-),男,江蘇南京人,講師,博士,研究方向為全球變化的區域響應.發表論文20余篇.

2021-10-09

國家自然科學基金資助項目(41801013);江蘇省自然科學基金資助項目(BK20180939);中國氣象局沈陽大氣環境研究所聯合開放基金資助項目(2021SYIAEKFMS27)

*責任作者, 教授, xuefeng.cui@bnu.edu.cn