青藏高原東緣生態過渡帶碳中和評估與預測

高 峰,律可心,喬 智,馬豐魁,姜群鷗,*

1 北京林業大學水土保持學院,北京 100083 2 北京林業大學水土保持與荒漠化防治教育部重點實驗室,北京 100083

溫室氣體排放導致的全球氣候變暖已成為人類生存和發展所面臨的重大氣候環境問題[1]。政府間氣候變化專門委員會(IPCC)評估報告表明,自前工業時代以來,全球二氧化碳濃度已經增加了40%,正在對地球生態系統平衡造成嚴重威脅[2—3]。隨著我國經濟社會迅速發展,城市化、工業化的推進致使能源消耗碳排放量也日益增長。政府提出“碳達峰”、“碳中和”目標,控制化石能源消耗、促進城市綠化,通過森林可持續管理增加碳儲量,不斷推進森林經營的“綠碳”規劃[4—5]。實現區域整體碳收支平衡,已成為我國經濟社會高質量發展的關鍵一環。有效評估碳排放、碳吸收時空分布格局并預測其變化趨勢,將為實現碳中和目標、應對氣候變化提供重要科學參考。

近年來,許多學者圍繞碳中和的評估與分析開展了研究。主要體現在碳收支核算和碳平衡分區優化領域。王兆峰等人基于SBM-DEA模型對湖南省碳排放效率進行評估,揭示其演變規律[6]。李文宇等人以青藏高原高寒草地為研究區,闡明了資源添加對該區域生態系統碳吸收的影響因素[7]。邱子健等人對江蘇省農業碳排放展開時序特征研究,并有效預測其變化趨勢[8]。綜合來看,這些研究主要聚焦在碳排放、碳匯的時空分異特征,較少探討碳中和的現狀估算與未來變化趨勢。

對碳排放、吸收進行合理預測,掌握其動態變化規律可以為實現“碳中和”提供重要科學依據。目前,國內外學者嘗試采用數據指標建立預測模型。張帆等人采用可拓展的隨機性環境影響評估模型從宏觀角度評估了人口、經濟等要素對碳排放的影響,預測了我國碳排放變化趨勢[9]。關敏捷等人基于STIRPAT模型對山西省碳排放進行模擬,分析了社會經濟要素對碳排放的影響,預測出排放峰值出現的時間[10]。這些研究對宏觀掌握未來碳交換趨勢具有積極作用,但較少有對“碳中和”目標的模擬預測研究。綜合看待碳排放與碳匯效率,構建碳排放與碳匯雙向的預測模型,將為精準研究碳中和的演變規律具有重大意義[11—12]。

青藏高原東緣生態過渡帶處于我國西部高寒區向黃土高原區的過渡地帶,是我國特殊的自然地理單元。該區域高寒草甸土壤中貯存著巨大根系生物量和有機碳,是全球重要的碳庫,并且影響全球陸地生態系統碳循環[7,13—14]。因其地理環境具有高海拔、溫度較低等特點,各種生態環境閾值常處于臨界狀態,又面臨氣候變暖和人類活動雙重壓力,是全球最為敏感、脆弱的區域之一[15—16]。青藏高原東緣生態過渡帶碳中和變化趨勢將對我國乃至亞洲的氣候變化、水源調節和碳收支平衡產生重要影響[17]。

本研究基于率定的CASA模型估算了青藏高原東緣生態過渡帶2001—2019年碳匯,結合中國碳排放數據庫提供的縣域碳排放數據,分析了近20年碳排放與碳匯時空演變特征。然后采用灰色預測模型預測了2020—2060年碳匯,基于STIRPAT分析法建立預測模型,預測了5種不同發展情景下2020—2060年碳排放量變化,并分析未來40年該區域碳中和發展趨勢。研究結果可為該區域應對氣候變化、提出實現可持續發展策略等提供參考依據。

1 研究區概況

研究區域涵蓋青藏高原東部和黃土高原西部地區(96°58′E—104°45′E,32°30′N—39°5′N),位于甘肅和青海省的交匯處(圖1)[18],下轄果洛、海北、海南、黃南、甘南五個藏族自治州,以及臨夏回族自治州、西寧、海東、蘭州市,總面積7.5×104km2。大部分區域屬于半干旱、半濕潤氣候區,其中,青海為高原大陸性氣候,而甘肅為溫帶大陸性氣候[19]。該地區年平均氣溫在4.63—5.66℃之間,而年平均降水量在346.2—548.8mm之間,兩者均由西北向東南增加[20]。研究區海拔高度從西南方向到東北方向減小[21],主要地貌類型為高原和山脈,主要植被類型為常綠針葉林、落葉針葉林、落葉闊葉林、針葉和闊葉混交林、灌木、草地和農田[22]。該研究區由于其獨特的地理條件,是全球生態環境中最敏感、脆弱的地區之一,開展該區域碳中和評估與預測對于中國乃至亞洲碳排放管理具有重要價值。

圖1 研究區區位圖Fig.1 The location of study area

2 數據與方法

2.1 數據來源與處理

2.1.1 NDVI數據

本研究采用的NDVI數據為MODIS13A1數據集,下載于NASA EARTHDATA(https://search.earthdata.nasa.gov/)。MODIS13A1數據時間分辨率為16d,空間分辨率為500m,包括2001—2019年共19期。使用MRT工具對數據進行拼接和裁剪,然后進行重投影并重采樣為500m,對無效值和背景值進行處理,并換算為真實的NDVI值。

2.1.2 氣象數據

氣象數據為中國地面氣候資料日值數據集(V3.0)和中國地面氣候資料月值數據集,包括日照時間、地表溫度、降水、氣溫、氣壓、相對濕度、風速等氣象要素,數據下載自中國氣象數據網(http://data.cma.cn/),時間為2001—2019年,涵蓋研究區周邊40個站點。對日值數據進行合并計算,得到與NDVI數據的時間尺度對應的數據,采用Anuspline軟件對氣象數據進行插值,得到空間分辨率為500m的氣象要素柵格數據。

2.1.3 植被覆蓋數據

地表覆蓋數據采用的是MODIS MCD12Q1數據集,下載于NASA EARTHDATA(https://search.earthdata.nasa.gov/),基于IGBP制定的分類系統,把全球地表覆蓋分為17類。MODIS MCD12Q1時間分辨率為1a,空間分辨率為500m,包括2001—2019年共19期。采用MRT工具對數據進行拼接和裁剪,然后重投影并重采樣為500m,將土地覆蓋數據重分類為：林地、草地、農田和其他。

2.1.4 碳排放數據

碳排放數據來自于中國碳排放數據庫CEADs(https://www.ceads.net.cn/),CEADs研究采用粒子群優化-反向傳播(PSO-BP)算法統一DMSP/OLS和NPP/VIIRS衛星圖像的規模,估算了1997—2017年中國2735個縣的CO2排放量。本研究基于上述算法繼續計算了2018與2019年的CO2排放量數據。

2.1.5 社會經濟數據

社會經濟數據主要來自2001—2019年的《甘肅省統計年鑒》、《青海省統計年鑒》、《中國縣域統計年鑒》、《中國區域經濟統計年鑒》等資料,選用指標包括：第一產業GDP、第二產業GDP、第三產業GDP、年末常住人口、非農業人口、畜牧業規模等,年鑒缺失的個別數據通過其他統計資料補齊。

2.2 研究方法

2.2.1 碳匯量估算——CASA模型

本研究基于NPP來估算碳匯量,而NPP是采用CASA(Carnegie-Ames-Stanford approach)模型進行估算的[23—24]。CASA模型是一種利用遙感數據、氣象數據和植被類型數據的光量利用效率模型,其基本結構如下：

NPP(x,t)=APAR(x,t)×ε(x,t)

(1)

其中,NPP(x,t)表示單位像元x在t月份的植被凈初級生產力(gC/m2);APAR(x,t)表示植物所吸收的光合有效輻射(MJ/m2);ε表示光能利用效率,t表示時間,x表示空間位置。

APAR參數由下式求得:

APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5

(2)

其中,SOL(x,t)表示像元x在t月份的太陽總輻射量;FPAR(x,t)表示植被層對入射光合有效輻射(PAR)的吸收比例;常數項0.5表示植被所能利用的太陽有效輻射(波長為0.38—0.71μm)占太陽總輻射的比例。在一定范圍內FPAR與NDVI存在線性關系,所以可根據NDVI得到對應的FPAR[25]。

碳匯量由以下式計算得到[26]：

NPP′=(NPP/0.5)×1.62#

(3)

每克干物質可以固定1.62gCO2,干物質含量約占NPP含量的45%—55%,本研究選取平均值50%。

2.2.2 碳匯量預測模型——灰色預測GM(1,1)模型

灰色預測模型是通過少量、不完全的信息,建立數學模型并做出預測的一種方法。地表植被作為最主要碳匯源,其碳匯量與多種自然因素有關,例如太陽輻射、降水、溫度以及植被類型和植被生長狀況等,這些自然因素多具有難以預測的隨機性與偶發性。但隨著全球氣候變暖,導致低溫且日照充足地區植被生長期延長[27],研究區碳匯量多年變化呈現單調遞增態勢。GM(1,1)模型通過擬合累加數列弱化碳匯序列年度波動性和氣候隨機性,預測碳匯量在氣候變暖條件下穩定趨勢變化。假設變量x(0)={x(0)(i),i=1,2,…n}為一非負單調序列,以此來建立灰色預測模型如下所示：

最終得到X(0)的灰色預測值如式(4)：

(4)

2.2.3 碳排放量預測經驗模型STIRPAT與情景設計

可拓展的隨機性的環境影響評估模型 (STIRPAT, Stochastic Impacts by Regression on Population, Affluence, and Technology)通過對人口、財產、技術三個自變量和因變量之間關系進行評估。其基礎形式為：

I=aPbAcTdε

(5)

其中,I、P、A、T分別表示環境狀況、人口、經濟發展和技術創新。a為模型常數項,b、c、d分別為三個自變量的彈性系數,即若P變量每改變1%,因變量I將改變b%,ε為隨機誤差[28—30]。該模型是一個多變量非線性模型,分別對其兩端對數化處理可以得到以下多元線性模型：

lnI=lna+blnP+clnA+dlnT+lnε

(6)

在STIRPAT模型中,因變量I一般用于表示某種環境問題,P、A和T可以分解為多種變量,例如：T可以分解為能源結構、能源強度等[31]。一些研究還引入城鎮化率研究其與能源利用和碳排放量的關系[32]。本研究考慮到青藏高原東緣生態過渡帶碳排放量主要來源于第二產業,其比重普遍高于第一產業,研究區內涵蓋了兩個省會城市,第三產業比重較大,此外該區域為主要牧區,因此,將第二產業、第三產業和畜牧業納入模型,對STIRPAT模型進行拓展后的形式為：

lnCE=lna+blnP+clnA+dlnU+elnS+flnF+glnTI+lnε

(7)

其中,CE是研究區的碳排放量(Mt),P為代表人口數(萬人);A為富裕度,以人均GDP表示(元/人);U為城鎮化率,以非農業人口占總人口比重表示;S為第二產業產值;F為畜牧業,以大牲畜數量、羊存欄和豬存欄總量表示(萬頭);TI為第三產業占比,表示為第三產業產值占總GDP的比重。

為了測試研究區的環境庫茲涅茲曲線假說(Environment Kuznets Curve hypothesis, EKC),一般引入人均GDP的平方項研究富裕度和碳排放量的關系。此外,還有研究人口變量倒U型EKC效應[33]。因此,本研究加入另外兩個線性模型,分別探究富裕程度與城鎮人口在青藏高原東緣生態過渡帶的EKC效應。兩個模型分別對人均GDP對數與城鎮化率對數取平方,其式如下：

lnCE=lna+blnP+clnA+m(lnA)2+dlnU+elnS+flnF+glnTI+lnε#

(8)

lnCE=lna+blnP+clnA+dlnU+n(lnU)2+elnS+flnF+glnTI+lnε#

(9)

本研究設置了5種碳排放預測情景,包括基準情景(BL)、粗放情景(ETS)、綠色發展情景(GD)、節能情景(ES)和可持續發展情景(ST)。五種情景基于已有數據變化率、數據參數和政策文件設置,不同情景具有不同發展側重點。碳排放預測以1997年到2019年數據為基線,預測2020至2060年碳排放量、不同情景下可能達峰年份以及真實碳中和年份。具體情景設置見表1。

表1 預測情景

3 結果與分析

3.1 青藏高原東緣生態過渡帶2001—2019年碳匯量時空演變特征

本研究基于CASA模型估算得到研究區2001—2019年柵格尺度NPP,進而估算碳匯量,統計獲得研究區年碳匯總量(圖2)。結果表明,2001—2019年研究區碳匯總量整體呈波動上升趨勢,累計增長12.7%,年均碳匯增長量為1.68Mt。近20年青藏高原東緣生態過渡帶碳匯總量最低值出現在2002年,為243Mt,最高值出現在2019年,為284Mt。其中,2001—2011年碳匯總量呈緩慢增長趨勢,而2012—2014年碳匯總量持續減少。2017年后又再次出現增長態勢,并于2019年達到最高值,這表明近年生態環境條件顯著改善,植被固碳能力增強。

圖2 2001—2019年青藏高原東緣生態過渡帶碳匯量變化 Fig.2 Changes in carbon sink in the Eastern Margin Ecotone of Qinghai-Tibet Plateau from 2001 to 2019

本研究將碳匯量按<500、500—1000、1000—1500、1500—2000、>2000 t/km2的標準分為5個等級。研究區2001、2005、2010、2015和2019年碳匯量等級空間分布格局如圖3所示。整體來看,2001—2019年,研究區碳匯等級持續提升,碳匯量不斷增加,中部、東部和北部增長明顯。研究區東南部碳匯能力最強,西部高海拔地區碳匯能力較弱。碳匯量空間分布與植被覆蓋狀況和土地利用情況有極強的關聯性,研究區東北部多為建筑用地與農業用地,西部、西南部多為高寒草地,故該區域碳匯等級較低。而研究區中部與東南部生態環境良好,植被恢復程度較高,因此,其碳匯能力較強。

圖3 2001—2019年青藏高原東緣生態過渡帶碳匯量空間分布圖Fig.3 Spatial distribution of carbon sink in the Eastern Margin Ecotone of Qinghai-Tibet Plateau from 2001 to 2019

從統計的縣域碳匯量分析,2019年縣域碳匯量超過10Mt的有達日縣、瑪曲縣等11個縣,主要位于研究區西南部,縣域面積較大,這些縣碳匯量占研究區總量45.8%。其中,碳匯最高是達日縣,達16Mt。碳匯量低于1Mt的縣市有安寧區、城中區等12個縣市,主要為城市密集區。2001—2019年,碳匯量增加幅度最大的是祁連縣,為2.8Mt,這主要是由于該縣處于祁連山自然保護區,縣域人類活動較少,生態環境持續恢復。碳匯量增長比率最大的是東鄉族自治縣,達到93.6%。該地區自然環境惡劣,不適宜人類居住,當地政府對該區域居民進行了易地扶貧搬遷,全力推進生態環境建設,生境質量得到改善。而對于迭部縣和碌曲縣,近年來牲畜存欄量有所增加,牧草地負擔加重,導致植被恢復減緩,碳匯量增速減緩。

3.2 青藏高原東緣生態過渡帶2001—2019年碳排放量時空演變特征

圖4 2001—2019年青藏高原東緣生態過渡帶碳排放量變化 Fig.4 Changes in CO2 emissions in the Eastern Margin Ecotone of Qinghai-Tibet Plateau from 2001 to 2019

基于獲取的碳排放數據,統計分析顯示青藏高原東緣生態過渡帶2001—2019年碳排放量呈持續增長態勢,由2001年35Mt增長到2019年108Mt,累計增長207.04%,年均增長3.82Mt,碳匯量大于碳排放量。碳排放量變化呈前期快速增長、中期增長速度放緩、后期呈增長速率上升趨勢(圖4)。具體來看,2001—2011年為快速增長階段,年均增長速率12.3%,而2012—2019年為緩慢增長階段,年均增長速率僅為3.86%。這可能是因為2000—2012年研究區經濟快速發展,能源消耗量持續快速增加,導致碳排放量升高。2012年之后青藏高原東緣生態過渡帶經濟增速放緩,伴隨著經濟結構轉型和能源結構調整,碳排放量增長速率減緩,但是近年來碳排放量出現持續上升態勢,需要引起重視。

本研究將縣域水平碳排放量按<0.1、0.1-0.5、0.5—1、1—2、>2 Mt)標準分為低、較低、中等、中高、高等級(圖5)。碳排放總量空間分布差異明顯,呈東北部高、西南部低的特點。西北部為城市密集區,人口數量多,二產發達,導致區域碳排放量較高;而西南部為高寒地區,且位于三江源生態保護區,生態環境良好,碳排放量也相應較少。2001—2019年,研究區碳排放總量均呈上升態勢。其中,碳排放量增長幅度最大的是城關區,達9.66Mt,碳排放量增長比率最大的是久治縣,為48.28%。2019年碳排放總量超過5Mt/a的縣有榆中縣、城關區、紅古區、湟中縣、永登縣。其中,城關區最高,達11.3Mt。碳排放量小于1萬t的縣市為達日縣、班瑪縣、久治縣,其中,班瑪縣最低,僅為3.36萬t。這表明東北部城市密集區是主要碳排放源,特別是以城關區為代表的蘭州地區,而西南部班瑪縣、久治縣等雖然排放量少,但是增長速率卻很高,需要重視該區域農牧業可持續發展。

圖5 2001—2019年青藏高原東緣生態過渡帶縣域碳排放量空間分布Fig.5 Spatial distribution of CO2 emissions in the Eastern Margin Ecotone of Qinghai-Tibet Plateau from 2001 to 2019

3.3 未來不同發展情景下碳排放與碳匯量預測分析

3.3.1 未來不同發展情景下碳排放預測模型構建

本研究基于STIRPAT模型建立了3種多元線性模型,包括基本模型、富裕度EKC模型(A-EKC)和城鎮化率EKC模型(U-EKC)。基于1997—2019年研究區總碳排放量與年鑒獲取的自變量面板數據,采用嶺回歸(Ridge Regression),通過引入懲罰系數K,以損失部分信息和準確度為代價獲取更可靠的系數回歸值。在各自變量系數相對穩定情況下,懲罰系數K取值均為0.2(圖6),得到A-EKC模型的富裕度平方項系數約為+0.054,而U-EKC模型城鎮化率平方項系數約為-0.201(表2)。因此,對于青藏高原東緣生態過渡帶,富裕度的碳排放庫茲涅茲曲線假說并不存在,而城鎮化率存在庫茲涅茲曲線效應。故本研究將A-EKC模型剔除,僅分析對比基本模型與U-EKC模型及其預測結果。對兩模型的嶺回歸分析得出,二者均較準確地擬合了1997—2019年碳排放數據(圖7);當懲罰系數K從0增高至1的過程中,其判別系數均呈下降趨勢;K=0.2時,U-EKC模型具有比基本模型略高的擬合優度,R2=0.9892,而基本模型R2=0.9891(圖6)。

表2 三種模型嶺回歸系數

圖6 嶺跡圖和矯正后判別系數Fig.6 Ridge trace and Adjusted R2x1、x2、x3、x4、x5、x7、x9分別表示第二產業產值對數(lnS)、人口對數(lnP)、富裕度對數(lnA)、城鎮化率對數(lnU)、畜牧業對數(lnF)、第三產業占比對數(lnTI)、城鎮化率EKC項的嶺回歸系數

圖7 STIRPAT模型碳排放預測結果對比 Fig.7 Comparation of CO2 emission prediction results by STIRPAT modelSTIRPAT: Stochastic Impacts by Regression on Population, Affluence, and Technology

研究區碳排放影響因子分析結果顯示(表2),在城鎮化率EKC模型中,人口因子回歸系數最大,約為1.03,即每增加1%的人口,碳排放量將增加1.03%左右,而富裕度影響碳排放量最小,回歸系數約為0.09,即每增加1%的富裕度,碳排放量僅增加0.09%左右。在所有因子中,人口因子對碳排放變化影響最大,其次為畜牧業、城鎮化率、第三產業占比、第二產業產值和富裕度。因此,在預測情景中,本研究綜合考慮不同因子回歸系數絕對值大小、近5年與近10年影響因子變化率和1997年后各變量變化率曲線進行變化率預測賦值。由于部分變量之間存在運算關系,本研究僅對于第二、三產業產值、總人口、GDP、非農業人口與畜牧業進行預測。將2020至2060年分為4個發展階段,時間節點分別為2030年、2040年和2050年,每個因子變化率分為低、中、高3個等級且隨發展階段逐漸降低,具體賦值如表3所示。

3.3.2 未來不同發展情景下碳匯量與碳排放量預測分析

基于GM(1,1)模型預測得到青藏高原東緣生態過渡帶碳匯量(圖8),結果顯示2020—2060年其碳匯量呈逐年遞增趨勢,于2060年碳匯量達到357.47Mt。基于STIRPAT、嶺回歸與情景設計,獲得基本模型與U-EKC模型5種發展情景2020—2060年青藏高原東緣生態過渡帶碳排放量預測值(圖8)。結果顯示2001—2060年其碳匯量基本高于此區域碳排放量,僅在粗放情景(ETS)下,基本模型與U-EKC模型均出現碳排放量大于碳匯量的情況,碳排放量呈持續增長態勢,且到2060年仍未實現碳達峰。兩種模型預測碳排放變化趨勢基本相同,其中,可持續發展情景(ST)、基準情景(BL)、節能情景(ES)和綠色發展情景(GD)均呈先增加后減少的趨勢,分別在2050年、2050年、2040年、2040年實現碳達峰,且碳達峰時間隨著能耗減少逐漸提前。U-EKC模型預測未來情景下碳排放量均小于基本模型預測結果,這表明城鎮化率庫茲涅茲曲線效應抑制了碳排放產生,當城鎮人口增加,科技發展水平相應提升,促使當地產業逐漸從資源驅動轉變為技術驅動。

表3 各因素變化率設置/%

圖8 5種情景碳排放量預測和碳匯量預測結果Fig.8 CS prediction and five scenarios CO2 emission prediction resultsBL：基準情景 Baseline;ES：節能情景 Energy-Saving;ETS：粗放情景 Extensive;ST：可持續發展情景 Sustainable;GD：綠色發展情景 Green Development;CS：碳匯量 Carbon Sink

3.4 2001—2060年研究區碳中和狀況分析

本研究估算了區域凈碳匯量,即區域總碳匯量減去區域總碳排放量。區域凈碳匯量統計結果顯示(圖9),研究區內凈碳匯量多為正值,且維持在較高水平。對比不同發展情景,除基本模型ETC情景外,凈碳匯量均呈先減少后增加趨勢;其中,可持續發展情景(ST)凈碳匯量谷底值出現在2050年、而基準情景(BL)和節能情景(ES)下凈碳匯量谷底值均出現在2040年;對于綠色發展情景(GD),其凈碳匯量已于2017年出現谷底值。在粗放情景(ETS)下,由于城鎮化率庫茲涅茲曲線效應,U-EKC模型凈碳匯量將于2050年出現谷底值,而基本模型并未出現谷底值;由于未來不加管制的高人口、高經濟的粗放發展模式,兩模型ETS情景下凈碳匯量約于2040年左右由正值轉為負值,這表明研究區碳匯量已無法抵消自身發展所產生的碳排放量。

圖9 凈碳匯量預測Fig.9 Net carbon sink prediction

本研究認為區域碳中和不能脫離碳達峰這一前提。目前全國大部分區域碳排放量仍呈逐漸增長趨勢,在其碳排放量未達峰之前,即使其碳匯量大于碳排放量,但不能成為真正意義上的碳中和。在本研究中將真正意義的碳中和定義為：在碳匯量穩定的前提下,當區域碳排放量穩定不增長之后,出現凈碳匯量大于等于0的時間節點,即為實現碳中和。而將假性碳中和則定義為區域凈碳匯量為正,但碳排放量仍呈快速增長狀態,這可能將導致在未來某時刻再次出現碳排放量大于碳匯量的情況。顯然,假性碳中和與區域未來發展規劃有直接的聯系,提出假性碳中和的目的是要求區域實現碳中和必須要先實現碳達峰前提,即要在區域發展的同時推進碳減排。

由于研究區自然條件良好,過去20年間該區域碳匯量高于碳排放量,但其碳排放增長速率較碳匯更快,仍未實現碳達峰。因此,研究區在2001年至未來一段時間均為假性碳中和。本研究基本模型和U-EKC模型預測結果顯示(圖10, 可持續發展情景(ST)與基準情景(BL)、節能情景(ES)與綠色發展情景(GD)分別在2050、2040年前為假性碳中和,在其后實現碳中和目標;粗放情景(ETS)下,研究區將無法實現碳中和目標,并且研究區整體從CO2吸收狀態轉變為CO2排放狀態,U-EKC模型預測其時間節點為2042年,較基準情景滯后3年。

圖10 不同情景預測碳中和狀態時間序列圖Fig.10 Time table of Carbon Neutrality status in different scenarios同情景中,深色為基準模型,淺色為城鎮化率庫茲涅茲曲線模型

4 討論與結論

4.1 討論

青藏高原東緣生態過渡帶是全球生態環境最為敏感、脆弱的地區之一,也是全球重要的碳庫。長期以來,受原始粗放的生產發展方式影響,對森林、草原造成一定程度的破壞。近年來,隨著青藏高原生態安全屏障保護與建設工程的實施,高原生態系統退化的情況得到了一定程度的遏制。但隨著地區產業轉型和經濟發展,碳排放量的增長速度逐漸加快,并有反超碳匯量的態勢。若生態環境進一步惡化,昔日的碳庫在未來可能變成最主要的碳排放源,而生態過渡帶對環境惡化十分敏感。因此研究青藏高原東緣生態過渡帶碳中和情況、碳排放量主要影響因素至關重要,對該地區乃至整個亞洲的碳排放管理具有警示和借鑒意義。

結果的可靠性一直是碳評估的一個重要方面,本研究基于率定的CASA模型估算所得2001—2019年研究區凈初級生產力(NPP)結果與劉旻霞等[34]、Yu[35]和裴志永等[36]在青藏高原地區研究結果一致,單位面積碳匯量結果也與李文華等[37]研究結果具有一致性,說明本研究基于改進的CASA模型模擬碳匯量結果可靠,可滿足區域碳中和研究。本研究認為,對于研究區內目前碳匯量大于碳排放量且二者差距逐漸減少的情況,定義為已經達到碳中和是不合適的。因此,本研究提出假性碳中和概念,對研究區目前的狀態進行描述,并且指出區域碳中和要以碳達峰為前提。目前,由于全球氣候變化對植被生長乃至碳匯量的影響在學界尚有爭論,本研究采用灰度預測模型預測碳匯量,未考慮全球變化背景,具有一定的局限性,未來研究可以將氣候等影響因素作為碳匯量預測模型參數,使碳中和預測結果更為精準。

本研究通過情景假設方法預測了青藏高原東緣生態過渡帶到2060年的碳中和狀況,可知在5種預測情景中,除粗放情景(ETS)外其他情景均在2040或2050年達到碳達峰。由于研究區自然條件良好,其凈碳匯量為正,根據本研究對碳中和的定義,這4種情景碳達峰年份即為實現真正碳中和的年份,說明研究區有極大的發展空間和碳排放空間。維持目前的發展態勢(BL：基準情景),隨著技術革新和產業升級,研究區在未來不會出現碳排放大于碳匯量的情況。相比之下,可持續發展情景(ST)具有更多的發展動力(GDP、非農業人口和第三產業產值高增長)和碳排放量,配合合理的碳減排政策引導低碳經濟發展,防止粗放發展(ETS：粗放情景),研究區也可避免出現碳排大于碳匯的情況,與基準情景共同在2050年達到碳中和。若推行節能情景(ES)和綠色發展情景(GD)模式,研究區將可持續地為周邊地區提供碳匯服務,維持碳庫穩定。

4.2 結論

本研究基于率定的CASA模型估算了2001—2019年青藏高原東緣生態過渡帶凈初級生產力(NPP),并通過NPP計算碳匯量,分析了研究區碳匯量和碳排放時空演變特征。結果表明,2001—2019年研究區碳匯量呈波動緩慢上升趨勢,具有東南高、西北低的空間分布特征;2001—2019年研究區碳排放量呈持續快速上升趨勢,2012年后增長速率變緩,碳排放總量在2019年達到110Mt左右,呈東北高、西南低的空間分布特征。總體而言,研究區碳匯量大于碳排放量,但二者差距呈逐漸減少趨勢。

基于STIRPAT模型和嶺回歸建立碳排放與人口、第二三產業、富裕度、城鎮化率和畜牧業的彈性關系,并設計5種經濟發展情景預測了研究區2020—2060年碳排放變化特征,結合GM(1,1)模型預測了研究區2020—2060年碳匯量,基于上述研究結果對研究區碳中和進行了預測和評估。結果表明,人口變量對碳排放的影響是顯著的,每增加1%的人口,碳排放將增加1.03%左右;此外研究區內存在城鎮化率環境庫茲涅茲曲線(EKC)效應,隨著城鎮化率的提升,區域碳排放呈先增加后減少的趨勢,而對于富裕度無顯著EKC效應。

在預測的五種發展情景中,碳達峰時間隨著能耗的減少逐漸提前,可持續發展情景(ST)與基準情景(BL)在2050年實現碳達峰,節能情景(ES)與綠色發展情景(GD)分別在2040年實現碳達峰。而粗放情景(ETS)到2060年仍未實現碳達峰,其碳排放量將于2040年左右超過碳匯量,凈碳匯量為負;而其余四種情景在2020—2060年碳匯量始終大于碳排放量,且凈碳匯均呈先減少后增加的趨勢。對于環境庫茲涅茲曲線模型和基本模型的對比顯示,環境庫茲涅茲曲線效應的存在使同時期同發展條件下碳排放量更少。因此,青藏高原東緣生態過渡帶具有較強的碳匯能力,但是隨著經濟社會的發展,碳匯量與碳排放的差距正在不斷縮小,在經濟社會發展中重點關注人口和畜牧業等因素。