江蘇省農田生態系統固碳時空分布特征與趨勢預測

摘要：為探討江蘇省農田生態系統固碳時空分布特征及未來固碳趨勢，利用固碳速率法對江蘇省2005-2020年農田固碳進行估算，重點分析2005、2010、2015年和2020年時空分布特征，并運用機器學習的方法對2021-2060年全省農田生態系統固碳進行預測。結果表明：在時間序列上，江蘇省近年農田生態系統固碳量整體呈現升高的趨勢，2020年估算量為282.55萬t·a-1（以C計，下同），在全省陸地生態系統固碳總量中占比達20.17％；在空間分布上，固碳貢獻最大的是蘇北地區，無論是施用肥料還是秸稈還田貢獻的固碳量，蘇北地區均呈現高于蘇中、蘇南地區的態勢；根據機器學習的重要性分析，秸稈還田量是最為重要的影響因素；兩種模型中，BP神經網絡相較于隨機森林具有更高的預測精度，該模型預測2021-2060年農田生態系統固碳量仍會在短期內持續升高，但隨后將進入較穩定的平臺期，其中2021-2026年間固碳量將持續升高并達峰值，為365.26萬t·a-1，而到2060年固碳量則為348.12萬t·a-1。研究表明，江蘇省農田生態系統固碳量已逐步提升，但未來增長速率將趨于減緩，有必要進一步強化固碳措施，重點是提升秸稈還田率及其固碳效率，同時現有研究方法也有待于進一步優化，未來應將有機肥施用、綠肥還田、輪作等因素考慮在內，從而實現對農田生態系統固碳更為精準、全面的估算。

關鍵詞：江蘇省；農業碳中和；土壤固碳；農田生態碳匯；機器學習預測

中圖分類號：X171.1 文獻標志碼：A 文章編號：1672-2043（2024）01-0226-11 doi：10.11654/jaes.2023-0110

在陸地生態系統中，農田生態系統具有重要的碳匯功能，是碳循環過程最活躍的碳庫。與無作物種植的土壤系統相比，農田生態系統在深層土壤中可以儲存更多的碳，具有更大的固碳潛力。研究表明，我國陸地生態系統碳匯近年已呈現上升趨勢，其中農田生態系統碳匯（以C計）為（0.043±0.010）Pg·a-1。然而，農田土壤N2O、CH4的大量排放導致目前農田生態系統仍整體表現為碳源。因此，為推進實現國家碳中和目標，積極應對和減緩全球氣候變化，農田生態系統需要充分發揮其碳匯功能。

精準評估農田固碳變化對于促進我國農業固碳減排具有積極意義。在以往的研究中，農作物經濟產量法是應用于農田生態系統碳匯估算的一類常見方法。然而需要指出的是，農田生態系統主要依靠土壤固碳，絕大部分作物碳在短期內經食物鏈等重新以CO2形式返回大氣，并不能實現長效穩定固碳。因此，該方法實際上已不適用于對當前農田生態系統碳匯的估算。現有的農田土壤固碳估算更多關注的是固碳潛力，即土壤有機碳飽和狀態下的碳密度或是相較于歷史時期的增長潛力。固碳潛力估算方法主要包括長期試驗外推、經驗公式估算和過程模型模擬三類，但由于土壤有機質形成機理和周轉過程認識、觀測數據誤差、時空分辨率及可獲取性等因素限制，這些方法均存在不確定性。農田土壤固碳速率（即一定時間內一定面積的土壤固碳量）也是估算的對象之一，目前主要通過Meta分析、土壤調查數據差減和過程模型模擬估算。前兩種方法無法分析固碳速率逐年動態變化和預測未來，而過程模型則有賴于實測數據，在數據難以獲取、參數不充分的情況下難以直接估算。固碳速率法是近年用于估算農田生態系統土壤固碳功能的方法之一，具有數據易獲取、計算方法簡便以及可分析動態變化的優勢。譚美秋等已用該方法對河南省農田生態系統碳匯進行核算，發現其結果與凈碳匯法的結果呈現出相似規律。過程模型是用于預測農田土壤固碳的主流方法，但如前所述仍具有局限性。

近年來，機器學習已廣泛應用于各研究領域，但尚未在農田系統固碳估算與預測方面得到充分應用。在眾多機器學習方法中，隨機森林（Random forest）和神經網絡（Neural network）是當前比較經典的機器學習方法。隨機森林是分類和回歸樹的集合，使用預測變量的二元分割來確定結果預測的模型，與單一決策樹模型相比，隨機森林提供了更高的預測精度。而在神經網絡中，BP神經網絡作為一種被廣泛使用的網絡模型，具有較強的非線性映射能力、泛化能力和容錯能力，同時也具有較強的預測能力。鑒于此，將機器學習應用于農田生態系統固碳估算，可以極大豐富該領域的研究手段。

目前，由于農田土壤固碳量實測數據在獲取方面仍然匱乏，對區域尺度的農田生態系統固碳動態變化及預測的國內研究仍相對較少。江蘇省是農業資源約束型省份，全省耕地土壤有機質平均含量為23.81g·kg-1，中低等耕地約占68.45％，區域普遍存在各類障礙因子，地力提升與固碳減排受到嚴重制約。此前的研究表明，江蘇省農業碳排放仍處在較高水平，強化農田固碳已是刻不容緩。因此，本文以江蘇省為研究對象，采用固碳速率法主要對其2005、2010、2015、2020年農田固碳量的時空分布特征進行分析，同時基于2005-2020年估算結果，通過隨機森林和神經網絡兩種機器學習的建模方法對可能的影響因素進行重要性分析，并通過調參比較兩種模型的精度，擇優預測江蘇省2021-2060年基于當前農業發展趨勢的農田生態系統固碳量，以期為江蘇省農業固碳提供量化參考，并為農田生態系統固碳估算提供更為簡便、可行的新方法。

1材料與方法

1.1陸地生態系統固碳量估算方法

本文依據生態環境部環境規劃院、中國科學院生態環境研究中心編制的《陸地生態系統生產總值（GEP）核算技術指南》（以下簡稱《指南》），采用固碳速率法對江蘇省陸地生態系統、江蘇省13個地級市農田生態系統2005、2010、2015、2020年的固碳量進行核算。其中，陸地生態系統估算模型如下：

Qt=FCS+GSCS+WCS+CSCS （1）

式中：Qt為陸地生態系統總固碳量（以C計，下同），t·a-1；FCS為森林（及灌叢）固碳量，t·a-1；GSCS為草地固碳量，t·a-1；WCS為濕地固碳量，t·a-1；CSCS為農田固碳量，t·a-1。本文中森林、濕地和草地固碳速率法核算公式具體詳見《指南》，農田生態系統固碳估算模型如下：

CSCS=（BSS+SCSRN+PR×SCSRs）xSC （2）

式中：CSCS為農田土壤固碳量，t·a-1；BSS為無固碳措施條件下的農田土壤固碳速率，t·hm-2·a-1；SCSRN為施用化學氮肥和復合肥的農田土壤固碳速率，t·hm-2·a-1：SCSRs為秸稈全部還田的農田土壤固碳速率，t·hm-2·a-1；PR為農田秸稈還田推廣施行率，％；SC為農田面積，hm2。PR的取值具體見表1。

其中，無固碳措施條件下的農田土壤固碳速率：

BSS=NSC×BD×H×0.1 （3）

式中：NSC為無化學肥料和有機肥料施用的情況下，我國農田土壤有機碳的變化，g·kg-1·a-1；BD為土壤容重，g·cm-3；H為土壤厚度，cm。江蘇省NSC取值為-0.06，BD取值為1.253 g·cm-3，H取值為20 cm。

施用化學氮肥、復合肥和秸稈還田的土壤固碳速率（南方農區）：

SCSRN=1.533 9×TNF-266.7 （4）

式中：TNF為單位面積耕地化學氮肥、復合肥總施用量，kg·hm-2·a-1（以N計）：

TNF=（NF+CFx0.3）/SP （5）

式中：NF和CF為化學氮肥和復合肥施用量，t；SP為耕地面積，hm2。

秸稈還田的固碳速率（南方農區）：

SCSRs=43.548×S+375.1 （6）

式中：S為單位耕地面積秸稈還田量，t·hm-2·a-1。

1.2農田生態系統固碳量預測模型

1.2.1 Holt平滑指數法構建2021-2060年數據集

選取農作物播種面積、有效灌溉面積、化肥施用量、秸稈總量、秸稈還田量（秸稈總量和還田量采用固碳速率法計算）、糧食總產量、糧食單位面積產量7個指標作為解釋變量（輸入變量）構建機器學習預測模型，各解釋變量采用Holt平滑指數法對2021-2060年時間序列進行預測，構建預測數據集。Holt平滑指數法在簡單指數平滑系數a的基礎上增加了一個趨勢的平滑系數B，因此可以較好地預測未來變化趨勢。本研究Holt平滑指數法在Rstudio（v 2022.07.1+554）中采用R（v 4.2.2）提供的函數HoltWinters和forecast包（v 8.21）構建，具體建模步驟為：（1）讀入2005-2020年時間序列；（2）通過HoltWinters進行兩參數指數平滑擬合；（3）利用forecast包預測2021-2060年時間序列。

1.2.2隨機森林模型構建

本研究應用隨機森林算法對2005-2020年的固碳速率法估算結果（2005、2010、2015、2020年除外的其他年份用1.1節方法計算固碳量，其中秸稈還田率取2005、2010、2015、2020年相鄰年份之間的平均值，下同）進行機器學習。選取農作物播種面積、有效灌溉面積、化肥施用量、秸稈總量、秸稈還田量、糧食總產量、糧食單位面積產量7個指標作為輸入變量，以2005-2014年的變量數據作為訓練集，并以2015-2020年的變量數據作為測試集，對江蘇省2021-2060年農田生態系統的固碳趨勢進行預測。本研究中隨機森林模型在Rstudio（v 2022.07.1+554）中采用R語言randomForest包（v 4.7-1.1）構建。模型預測性能如圖1所示，決策樹的數量（ntree）在400以后的誤差已基本趨于穩定（圖la），而mtry值（節點中用于二叉樹的變量數）為2時誤差相對較低（圖1b），同時交叉驗證的結果表明，選取7個解釋變量數的誤差低于選取變量數小于7的模型（圖1c）。因此，本研究最終選擇上述7個指標并以ntree=500、mtry=2的參數構建隨機森林模型。

1.2.3 BP神經網絡模型構建

本研究應用BP神經網絡算法對2005-2020年的固碳速率法估算結果進行深度學習。同樣選取農作物播種面積、有效灌溉面積、化肥施用量、秸稈總量、秸稈還田量、糧食總產量、糧食單位面積產量7個指標作為輸入變量，以農田生態系統固碳量為輸出變量，并以2005-2014年的變量數據作為訓練集，以2015-2020年的變量數據作為測試集。該神經網絡有1個隱含層，神經元個數為13個，輸出層為1個，用訓練好的BP神經網絡模型預測江蘇省2021-2060年農田生態系統的固碳潛力。本研究中BP神經網絡模型在Rstudio（v 2022.07.1+554）中采用R語言neu-ralnet包（v 1.44.2）構建。模型設置當損失函數值小于0.001時迭代終止，輸出節點的激活函數為線性函數，采用權重回溯的rprop+算法。同時，通過repeat循環優化模型，控制模型測試的平均誤差平方和（MSE）≤20，以此進一步提高模型預測精度。

1.2.4模型精度評價

為了評價模型的擬合及預測能力，本研究根據平均誤差平方和（MSE）、平均絕對誤差（MAE）、均方根誤差（RMSE）、相關系數（COR）和相對分析誤差（RPD）5種指標做出評價。5種指標的計算公式如下：

評價指標MSE、MAE、RMSE數值越小，COR、RPD數值越大則說明模型的預測值與固碳速率法的估算值之間差異越小，模型的預測能力越強。根據表3，無論是MSE、MAE還是RMSE，BP神經網絡模型的數值均小于隨機森林模型，而BP神經網絡模型的COR值不僅高于隨機森林模型，而且更是接近于1，同時RPD值也明顯高于隨機森林模型，由此表明BP神經網絡模型具有相對更強的預測能力。

1.3數據來源

本文數據來源于國家統計局國家數據網站、歷年《中國統計年鑒》《江蘇省統計年鑒》和江蘇省13個地級市統計年鑒。

2結果與分析

2.1江蘇省農田生態系統固碳時空分布特征

2.1.1江蘇省農田生態系統在陸地生態系統固碳中的貢獻

根據固碳速率法核算結果，全省陸地生態系統固碳量近年呈現升高趨勢，由2005年的201.08萬t·a-1升至2020年的1 400.73萬t·a-1（圖2）。其中，農田生態系統的固碳量由2005年的98.42萬t·a-1增加至2020年的282.55萬t·a-1，2020年相較2005年增加了187.08％。2005年，農田生態系統固碳量明顯高于全省森林生態系統固碳量，而此后的2010、2015年和2020年的農田生態系統固碳量則遠低于森林固碳量，但增長率仍高于森林生態系統。此外，全省濕地生態系統固碳量相對較低，而草地生態系統固碳量則遠低于其他生態系統，故基本可以忽略。總體來看，到2020年，江蘇省農田生態系統固碳量在全省陸地生態系統固碳量中的占比達20.17％，固碳貢獻僅次于森林生態系統。

2.1.2江蘇省農田生態系統固碳在區域尺度上的時空分布

具體來看，在時間序列上，2005-2020年，江蘇省農田施用化肥（化學氮肥+復合肥）貢獻的固碳量總體已呈下降態勢；在空間分布上，施用化肥的固碳量大小依次為蘇北gt;蘇中gt;蘇南，而在13個地級市中，徐州市施肥固碳量最大，鹽城市、連云港市相對較大，而蘇州市最少，到2020年這4個地級市的施用化肥固碳量分別為14.78萬、12.16萬、12.78萬t·a-1和-4.51萬t·a-1（圖3a和圖4）。2005-2020年，江蘇省秸稈還田固碳量總體也呈現上升趨勢，在空間分布上依然表現為蘇北gt;蘇中gt;蘇南，其中鹽城市固碳量最大，無錫市最小，到2020年分別為63.75萬t·a-1和4.65萬t·a-1（圖3b和圖4）。整體來看，在時間序列上，江蘇省農田生態系統固碳量已經呈現出逐步提升的變化趨勢，2020年13市固碳量均較2015年有所提高（圖3c）；而在空間分布上，固碳貢獻最大的是蘇北地區，其中2020年蘇北地區固碳量為208.56萬t·a-1，分別是蘇中、蘇南地區的3.96倍和11.20倍（圖4），而在13個地級市中，2020年鹽城市固碳量最大，其次為徐州市，蘇州市最少，分別為55.03萬、53.06萬t·a-1和0.45萬t·a-1。

2.2江蘇省農田生態系統固碳量的特征變量重要性分析

由圖5可知，無論是MSE增長率或是節點純度增量，秸稈還田量均高居首位，說明其是江蘇省農田生態系統固碳量最為重要的影響因素，其MSE增長率和節點純度增量分別為7.89％和872.05。其次是糧食產量的兩個指標（糧食總產量、糧食單位面積產量）以及化肥施用量，糧食總產量、糧食單位面積產量的MSE增長率分別為7.25％、7.86％，節點純度增量分別為836.79、830.21，而化肥施用量的MSE增率為6.53％，節點純度增量為707.45。秸稈總量的重要性僅次于化肥施用量，但明顯低于秸稈還田量，這也表明了提高秸稈還田率可能是進一步提升農田固碳的關鍵。其他變量中，播種面積也較重要，而有效灌溉面積的重要性則最低，MSE增長率與節點純度增量僅為-0.79％和97.04。

在神經網絡中，廣義權重是用于測度解釋變量重要性的指標。若輸入變量在所有觀測值處的廣義權重均趨近于0，則表明該變量取值的變化對輸出變量影響較小。如圖6所示（橫軸為標準化后的變量數值），在利用neuralnet包計算的7個解釋變量廣義權重中，秸稈還田量、化肥施用量在部分觀測值處具有相對于其他變量較高的廣義權重，說明二者，特別是秸稈還田量的變化對輸出變量（即農田固碳量）的影響較大。此外，糧食總產量、糧食單位面積產量以及播種面積也被觀察到在較低或較高的觀測值處具有高于其他觀測值的廣義權重，該結果也表明這3種解釋變量對農田固碳量具有一定程度的影響。

2.3江蘇省農田生態系統固碳量預測

根據1.2.4的結果，選擇預測精度相對更高的BP神經網絡模型對2021-2060年江蘇省農田生態系統固碳量進行預測。結果表明（圖7），按照當前江蘇省農業發展趨勢，預計2021-2060年期間，江蘇省農田生態系統固碳量將表現為“快速升高一緩慢下降一緩慢回升”的變化趨勢，其中2021-2026年固碳量持續升高，在2026年達到峰值，預測為365.26萬t·a-1，此后呈現一定程度的下調，2047年以后逐步回升，到2060年全省農田生態系統固碳量預計為348.12萬t·a-1。就整體而言，2026年以前為快速增長期，2026年以后基本處在穩定平臺期。在具體的年份上，2026年江蘇省農田土壤固碳量分別相較2005、2020年估算值分別提高2 71.12％、29.27％，而2060年則分別較2005、2020年估算值提高253.71％、23.21％。

3討論

本文的估算結果顯示，到2020年，江蘇省農田生態系統土壤全年的固碳量已較2005、2010、2015年有明顯提高，分別是2005、2010、2015年的2.87、2.11、1.39倍，表明江蘇省農田土壤固碳近年來總體上已呈現出逐步提升的態勢，這與近年來江蘇省作物產量、秸稈還田率的提高密切相關。已有研究指出，農田土壤固碳與農田作物產量密切相關。羅玉葉等利用DNDC模型模擬了不同秸稈還田率下福建省水稻土未來的有機碳動態變化，發現秸稈還田率越高，土壤年均固碳速率和固碳總量越高。此外，基于此前對江蘇省種植業碳排放的估算結果，筆者發現盡管目前江蘇省農田整體上仍然表現為碳源，但也已有向碳匯轉變的趨勢。以往江蘇省農田碳匯估算研究更多關注的是作物固碳，而忽視了土壤固碳，但也得到了類似的結果。例如，許萍萍等在僅估算作物固碳的基礎上，發現2001-2016年江蘇省農田生態系統的碳吸收量總體呈現增加趨勢。在本研究中，江蘇省蘇北、蘇中、蘇南農田生態系統固碳量近年均呈現升高趨勢，而蘇北的農田生態系統固碳量明顯高于蘇中、蘇南地區，這與蘇北地區耕地面積相對大于蘇中、蘇南地區有關。總體上，江蘇省近年來實施化肥減施增效戰略已見成效，化肥貢獻的碳排放已逐步減少，雖然化肥施用增加的固碳也相應減少，但秸稈還田等措施的推行則更多地提升了農田土壤的固碳量，保障了全省農田固碳量不斷升高。

本研究基于機器學習構建的兩種模型中，秸稈還田量均對農田土壤固碳具有重要影響。研究表明，秸稈還田可以顯著提高我國農田土壤有機碳含量，使土壤有機碳含量平均提高了13.97％，但秸稈還田的持續時間也不宜太長，過長時間可能導致土壤有機碳含量減少。在本文構建的隨機森林模型中，秸稈還田對江蘇省農田土壤固碳量的貢獻明顯大于化肥施用，而BP神經網絡的重要性分析結果則表明，化肥施用量對農田土壤固碳同樣具有不亞于秸稈還田的重要作用。兩種模型存在一定的差異，這與選擇的特征變量以及樣本量的大小有關。但不可否認的是，化肥施用對于農田土壤固碳確有積極作用。已有研究表明，施用化肥比僅施有機肥的土壤固碳效率更高。Han等采用Meta分析的方法發現全球表層土壤有機碳在化肥不平衡施用和化肥平衡施用的條件下分別增加了0.9 g·kg-1和1.7 g·kg-1。事實上，化肥對農田土壤固碳發揮出的重要作用很可能在將其與秸稈或是有機肥等結合時更為充分地表現出來。例如：Zhang等發現將作物秸稈與施化肥相結合可以提高淮河流域黑土土壤活性有機質含量、有機質品質，是實現可持續生產的有效途徑；Yang等發現耕地施用有機肥顯著提高了土壤碳氮積累率，但有機肥與化肥配施時影響更大，每年可累積碳2.01 t·hm-2。

由于大量的實測數據難以獲取，本文基于有限的估算值構建模型，可能對農田固碳量存在一定程度的低估。因為除本研究預測模型所輸入的7個特征變量以外，仍存在諸多對農田土壤固碳具有重要影響的因素，這些因素均可能導致模型存在不確定性。例如，已有研究表明，施用有機肥，耕作措施如免耕、深耕，以及土壤類型中如高初始碳含量的土壤等均對土壤固碳具有積極作用。此外，農田土壤固碳還明顯受到自然因素（如氣候）、土壤屬性以及人為因素（如輪作制度）等因素的影響。其中，氣候影響土壤有機碳的積累和分解過程，土壤質地、pH值、通氣性和土壤結構等理化性質則是影響土壤有機碳庫容量的重要因素，施肥、耕作、秸稈管理等農業措施則影響土壤碳輸入和輸出。這些變量的影響需要在積累大量實測數據的基礎上使用，在以后的模型中應予以充分考慮。在本文選擇的兩種機器學習預測模型中，盡管隨機森林可以減少獲得預測所需的變量數量，以減輕數據收集負擔并提高效率，但其并沒有表現出較好的預測精度，這可能與訓練集樣本量較少有關，也可能與選擇的特征變量重要性不足有關。因此，可以認為在樣本量相對較少的情況下，相較于隨機森林模型，采用BP神經網絡模型對農田生態系統土壤固碳進行預測可能會具有更大的優勢。本文基于BP神經網絡模型的預測結果表明，在2021-2060年的40年間，江蘇省農田年固碳量在短期內將持續快速升高，但此后會增長減緩進入平臺期，這與耕地面積、作物產量、秸稈還田量等將在未來達到飽和有密切關系。由此可知，在未來如何從農田固碳技術層面上進一步實現突破，將會是推進農業減排增匯乃至最終達成碳中和目標的關鍵所在。

4結論與建議

4.1結論

（1）在時間序列上，江蘇省近年農田生態系統固碳量整體呈現升高的趨勢，到2020年，估算量為282.55萬t·a-1，在陸地生態系統固碳總量中占比達20.17％。

（2）在空間分布上，固碳貢獻最大的是蘇北地區，無論是施用化肥還是秸稈還田貢獻的固碳量均呈現蘇北高于蘇中、蘇南地區的態勢。

（3）重要性分析結果表明，秸稈還田量對農田固碳量的影響最大。在隨機森林模型中，糧食產量、化肥施用量的重要性僅次于秸稈還田量，重要性相對高于其他變量；而在BP神經網絡模型中，化肥施用量對農田固碳量也具有較大的影響。

（4）BP神經網絡模型相較于隨機森林模型具有更高的預測精度。BP神經網絡模型預測2021-2060年江蘇省農田生態系統固碳量將表現為“快速升高-緩慢下降-緩慢回升”的趨勢，2021-2026年間固碳量持續升高并達到峰值（365.26萬t·a-1），到2060年固碳量為348.12萬t·a-1。因此，預計未來江蘇省農田生態系統固碳量仍會在短期內持續升高，但隨后將進入相對穩定的平臺期。

4.2建議

（1）鑒于秸稈還田對農田生態系統固碳的重要貢獻，建議進一步提高秸稈還田率及其固碳效率，推廣秸稈炭化還田等技術，并通過積極開展不同秸稈還田方式的田間試驗，構建新型秸稈還田技術，在實現秸稈還田長效穩定固碳的同時，持續提升農田生態系統的固碳潛力。

（2）建議進一步廣泛開展有機肥施用、綠肥種植還田、輪作等土壤固碳措施條件下農田土壤固碳速率的觀測工作，同時將相應措施的活動水平數據納入統計范圍內，未來可以基于大量實測數據，校正、完善現有的估算方法，提高估算方法的時空分辨率，同時還可以進一步用于構建并優化基于機器學習的預測模型，尤其是在農田固碳影響因素的解析和模型解釋變量的篩選方面進行更深入系統地探索，從而實現對農田生態系統固碳變化趨勢更為精準、全面的估算。