青藏高原東緣生態(tài)過(guò)渡帶碳中和評(píng)估與預(yù)測(cè)

高 峰,律可心,喬 智,馬豐魁,姜群鷗,*

1 北京林業(yè)大學(xué)水土保持學(xué)院,北京 100083 2 北京林業(yè)大學(xué)水土保持與荒漠化防治教育部重點(diǎn)實(shí)驗(yàn)室,北京 100083

溫室氣體排放導(dǎo)致的全球氣候變暖已成為人類生存和發(fā)展所面臨的重大氣候環(huán)境問(wèn)題[1]。政府間氣候變化專門委員會(huì)(IPCC)評(píng)估報(bào)告表明,自前工業(yè)時(shí)代以來(lái),全球二氧化碳濃度已經(jīng)增加了40%,正在對(duì)地球生態(tài)系統(tǒng)平衡造成嚴(yán)重威脅[2—3]。隨著我國(guó)經(jīng)濟(jì)社會(huì)迅速發(fā)展,城市化、工業(yè)化的推進(jìn)致使能源消耗碳排放量也日益增長(zhǎng)。政府提出“碳達(dá)峰”、“碳中和”目標(biāo),控制化石能源消耗、促進(jìn)城市綠化,通過(guò)森林可持續(xù)管理增加碳儲(chǔ)量,不斷推進(jìn)森林經(jīng)營(yíng)的“綠碳”規(guī)劃[4—5]。實(shí)現(xiàn)區(qū)域整體碳收支平衡,已成為我國(guó)經(jīng)濟(jì)社會(huì)高質(zhì)量發(fā)展的關(guān)鍵一環(huán)。有效評(píng)估碳排放、碳吸收時(shí)空分布格局并預(yù)測(cè)其變化趨勢(shì),將為實(shí)現(xiàn)碳中和目標(biāo)、應(yīng)對(duì)氣候變化提供重要科學(xué)參考。

近年來(lái),許多學(xué)者圍繞碳中和的評(píng)估與分析開(kāi)展了研究。主要體現(xiàn)在碳收支核算和碳平衡分區(qū)優(yōu)化領(lǐng)域。王兆峰等人基于SBM-DEA模型對(duì)湖南省碳排放效率進(jìn)行評(píng)估,揭示其演變規(guī)律[6]。李文宇等人以青藏高原高寒草地為研究區(qū),闡明了資源添加對(duì)該區(qū)域生態(tài)系統(tǒng)碳吸收的影響因素[7]。邱子健等人對(duì)江蘇省農(nóng)業(yè)碳排放展開(kāi)時(shí)序特征研究,并有效預(yù)測(cè)其變化趨勢(shì)[8]。綜合來(lái)看,這些研究主要聚焦在碳排放、碳匯的時(shí)空分異特征,較少探討碳中和的現(xiàn)狀估算與未來(lái)變化趨勢(shì)。

對(duì)碳排放、吸收進(jìn)行合理預(yù)測(cè),掌握其動(dòng)態(tài)變化規(guī)律可以為實(shí)現(xiàn)“碳中和”提供重要科學(xué)依據(jù)。目前,國(guó)內(nèi)外學(xué)者嘗試采用數(shù)據(jù)指標(biāo)建立預(yù)測(cè)模型。張帆等人采用可拓展的隨機(jī)性環(huán)境影響評(píng)估模型從宏觀角度評(píng)估了人口、經(jīng)濟(jì)等要素對(duì)碳排放的影響,預(yù)測(cè)了我國(guó)碳排放變化趨勢(shì)[9]。關(guān)敏捷等人基于STIRPAT模型對(duì)山西省碳排放進(jìn)行模擬,分析了社會(huì)經(jīng)濟(jì)要素對(duì)碳排放的影響,預(yù)測(cè)出排放峰值出現(xiàn)的時(shí)間[10]。這些研究對(duì)宏觀掌握未來(lái)碳交換趨勢(shì)具有積極作用,但較少有對(duì)“碳中和”目標(biāo)的模擬預(yù)測(cè)研究。綜合看待碳排放與碳匯效率,構(gòu)建碳排放與碳匯雙向的預(yù)測(cè)模型,將為精準(zhǔn)研究碳中和的演變規(guī)律具有重大意義[11—12]。

青藏高原東緣生態(tài)過(guò)渡帶處于我國(guó)西部高寒區(qū)向黃土高原區(qū)的過(guò)渡地帶,是我國(guó)特殊的自然地理單元。該區(qū)域高寒草甸土壤中貯存著巨大根系生物量和有機(jī)碳,是全球重要的碳庫(kù),并且影響全球陸地生態(tài)系統(tǒng)碳循環(huán)[7,13—14]。因其地理環(huán)境具有高海拔、溫度較低等特點(diǎn),各種生態(tài)環(huán)境閾值常處于臨界狀態(tài),又面臨氣候變暖和人類活動(dòng)雙重壓力,是全球最為敏感、脆弱的區(qū)域之一[15—16]。青藏高原東緣生態(tài)過(guò)渡帶碳中和變化趨勢(shì)將對(duì)我國(guó)乃至亞洲的氣候變化、水源調(diào)節(jié)和碳收支平衡產(chǎn)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(tài)過(guò)渡帶2001—2019年碳匯,結(jié)合中國(guó)碳排放數(shù)據(jù)庫(kù)提供的縣域碳排放數(shù)據(jù),分析了近20年碳排放與碳匯時(shí)空演變特征。然后采用灰色預(yù)測(cè)模型預(yù)測(cè)了2020—2060年碳匯,基于STIRPAT分析法建立預(yù)測(cè)模型,預(yù)測(cè)了5種不同發(fā)展情景下2020—2060年碳排放量變化,并分析未來(lái)40年該區(qū)域碳中和發(fā)展趨勢(shì)。研究結(jié)果可為該區(qū)域應(yīng)對(duì)氣候變化、提出實(shí)現(xiàn)可持續(xù)發(fā)展策略等提供參考依據(jù)。

1 研究區(qū)概況

研究區(qū)域涵蓋青藏高原東部和黃土高原西部地區(qū)(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(gè)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(qū)域?qū)儆诎敫珊?、半濕?rùn)氣候區(qū),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(qū)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(qū)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(nóng)田[22]。該研究區(qū)由于其獨(dú)特的地理?xiàng)l件,是全球生態(tài)環(huán)境中最敏感、脆弱的地區(qū)之一,開(kāi)展該區(qū)域碳中和評(píng)估與預(yù)測(cè)對(duì)于中國(guó)乃至亞洲碳排放管理具有重要價(jià)值。

圖1 研究區(qū)區(qū)位圖Fig.1 The location of study area

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)來(lái)源與處理

2.1.1 NDVI數(shù)據(jù)

本研究采用的NDVI數(shù)據(jù)為MODIS13A1數(shù)據(jù)集,下載于NASA EARTHDATA(https://search.earthdata.nasa.gov/)。MODIS13A1數(shù)據(jù)時(shí)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(duì)數(shù)據(jù)進(jìn)行拼接和裁剪,然后進(jìn)行重投影并重采樣為500m,對(duì)無(wú)效值和背景值進(jìn)行處理,并換算為真實(shí)的NDVI值。

2.1.2 氣象數(shù)據(jù)

氣象數(shù)據(jù)為中國(guó)地面氣候資料日值數(shù)據(jù)集(V3.0)和中國(guó)地面氣候資料月值數(shù)據(jù)集,包括日照時(shí)間、地表溫度、降水、氣溫、氣壓、相對(duì)濕度、風(fēng)速等氣象要素,數(shù)據(jù)下載自中國(guó)氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/),時(shí)間為2001—2019年,涵蓋研究區(qū)周邊40個(gè)站點(diǎn)。對(duì)日值數(shù)據(jù)進(jìn)行合并計(jì)算,得到與NDVI數(shù)據(jù)的時(shí)間尺度對(duì)應(yīng)的數(shù)據(jù),采用Anuspline軟件對(duì)氣象數(shù)據(jù)進(jìn)行插值,得到空間分辨率為500m的氣象要素柵格數(shù)據(jù)。

2.1.3 植被覆蓋數(shù)據(jù)

地表覆蓋數(shù)據(jù)采用的是MODIS MCD12Q1數(shù)據(jù)集,下載于NASA EARTHDATA(https://search.earthdata.nasa.gov/),基于IGBP制定的分類系統(tǒng),把全球地表覆蓋分為17類。MODIS MCD12Q1時(shí)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(duì)數(shù)據(jù)進(jìn)行拼接和裁剪,然后重投影并重采樣為500m,將土地覆蓋數(shù)據(jù)重分類為：林地、草地、農(nóng)田和其他。

2.1.4 碳排放數(shù)據(jù)

碳排放數(shù)據(jù)來(lái)自于中國(guó)碳排放數(shù)據(jù)庫(kù)CEADs(https://www.ceads.net.cn/),CEADs研究采用粒子群優(yōu)化-反向傳播(PSO-BP)算法統(tǒng)一DMSP/OLS和NPP/VIIRS衛(wèi)星圖像的規(guī)模,估算了1997—2017年中國(guó)2735個(gè)縣的CO2排放量。本研究基于上述算法繼續(xù)計(jì)算了2018與2019年的CO2排放量數(shù)據(jù)。

2.1.5 社會(huì)經(jīng)濟(jì)數(shù)據(jù)

社會(huì)經(jīng)濟(jì)數(shù)據(jù)主要來(lái)自2001—2019年的《甘肅省統(tǒng)計(jì)年鑒》、《青海省統(tǒng)計(jì)年鑒》、《中國(guó)縣域統(tǒng)計(jì)年鑒》、《中國(guó)區(qū)域經(jīng)濟(jì)統(tǒng)計(jì)年鑒》等資料,選用指標(biāo)包括：第一產(chǎn)業(yè)GDP、第二產(chǎn)業(yè)GDP、第三產(chǎn)業(yè)GDP、年末常住人口、非農(nóng)業(yè)人口、畜牧業(yè)規(guī)模等,年鑒缺失的個(gè)別數(shù)據(jù)通過(guò)其他統(tǒng)計(jì)資料補(bǔ)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(lái)估算碳匯量,而NPP是采用CASA(Carnegie-Ames-Stanford approach)模型進(jìn)行估算的[23—24]。CASA模型是一種利用遙感數(shù)據(jù)、氣象數(shù)據(jù)和植被類型數(shù)據(jù)的光量利用效率模型,其基本結(jié)構(gòu)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(jí)生產(chǎn)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(shí)間,x表示空間位置。

APAR參數(shù)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(yáng)總輻射量;FPAR(x,t)表示植被層對(duì)入射光合有效輻射(PAR)的吸收比例;常數(shù)項(xiàng)0.5表示植被所能利用的太陽(yáng)有效輻射(波長(zhǎng)為0.38—0.71μm)占太陽(yáng)總輻射的比例。在一定范圍內(nèi)FPAR與NDVI存在線性關(guān)系,所以可根據(jù)NDVI得到對(duì)應(yīng)的FPAR[25]。

碳匯量由以下式計(jì)算得到[26]：

NPP′=(NPP/0.5)×1.62#

(3)

每克干物質(zhì)可以固定1.62gCO2,干物質(zhì)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(yù)測(cè)模型——灰色預(yù)測(cè)GM(1,1)模型

灰色預(yù)測(cè)模型是通過(guò)少量、不完全的信息,建立數(shù)學(xué)模型并做出預(yù)測(cè)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(guān),例如太陽(yáng)輻射、降水、溫度以及植被類型和植被生長(zhǎng)狀況等,這些自然因素多具有難以預(yù)測(cè)的隨機(jī)性與偶發(fā)性。但隨著全球氣候變暖,導(dǎo)致低溫且日照充足地區(qū)植被生長(zhǎng)期延長(zhǎng)[27],研究區(qū)碳匯量多年變化呈現(xiàn)單調(diào)遞增態(tài)勢(shì)。GM(1,1)模型通過(guò)擬合累加數(shù)列弱化碳匯序列年度波動(dòng)性和氣候隨機(jī)性,預(yù)測(cè)碳匯量在氣候變暖條件下穩(wěn)定趨勢(shì)變化。假設(shè)變量x(0)={x(0)(i),i=1,2,…n}為一非負(fù)單調(diào)序列,以此來(lái)建立灰色預(yù)測(cè)模型如下所示：

最終得到X(0)的灰色預(yù)測(cè)值如式(4)：

(4)

2.2.3 碳排放量預(yù)測(cè)經(jīng)驗(yàn)?zāi)Ｐ蚐TIRPAT與情景設(shè)計(jì)

可拓展的隨機(jī)性的環(huán)境影響評(píng)估模型 (STIRPAT, Stochastic Impacts by Regression on Population, Affluence, and Technology)通過(guò)對(duì)人口、財(cái)產(chǎn)、技術(shù)三個(gè)自變量和因變量之間關(guān)系進(jìn)行評(píng)估。其基礎(chǔ)形式為：

I=aPbAcTdε

(5)

其中,I、P、A、T分別表示環(huán)境狀況、人口、經(jīng)濟(jì)發(fā)展和技術(shù)創(chuàng)新。a為模型常數(shù)項(xiàng),b、c、d分別為三個(gè)自變量的彈性系數(shù),即若P變量每改變1%,因變量I將改變b%,ε為隨機(jī)誤差[28—30]。該模型是一個(gè)多變量非線性模型,分別對(duì)其兩端對(duì)數(shù)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(huán)境問(wèn)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(jié)構(gòu)、能源強(qiáng)度等[31]。一些研究還引入城鎮(zhèn)化率研究其與能源利用和碳排放量的關(guān)系[32]。本研究考慮到青藏高原東緣生態(tài)過(guò)渡帶碳排放量主要來(lái)源于第二產(chǎn)業(yè),其比重普遍高于第一產(chǎn)業(yè),研究區(qū)內(nèi)涵蓋了兩個(gè)省會(huì)城市,第三產(chǎn)業(yè)比重較大,此外該區(qū)域?yàn)橹饕羺^(qū),因此,將第二產(chǎn)業(yè)、第三產(chǎn)業(yè)和畜牧業(yè)納入模型,對(duì)STIRPAT模型進(jìn)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(qū)的碳排放量(Mt),P為代表人口數(shù)(萬(wàn)人);A為富裕度,以人均GDP表示(元/人);U為城鎮(zhèn)化率,以非農(nóng)業(yè)人口占總?cè)丝诒戎乇硎?S為第二產(chǎn)業(yè)產(chǎn)值;F為畜牧業(yè),以大牲畜數(shù)量、羊存欄和豬存欄總量表示(萬(wàn)頭);TI為第三產(chǎn)業(yè)占比,表示為第三產(chǎn)業(yè)產(chǎn)值占總GDP的比重。

為了測(cè)試研究區(qū)的環(huán)境庫(kù)茲涅茲曲線假說(shuō)(Environment Kuznets Curve hypothesis, EKC),一般引入人均GDP的平方項(xiàng)研究富裕度和碳排放量的關(guān)系。此外,還有研究人口變量倒U型EKC效應(yīng)[33]。因此,本研究加入另外兩個(gè)線性模型,分別探究富裕程度與城鎮(zhèn)人口在青藏高原東緣生態(tài)過(guò)渡帶的EKC效應(yīng)。兩個(gè)模型分別對(duì)人均GDP對(duì)數(shù)與城鎮(zhèn)化率對(duì)數(shù)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(shè)置了5種碳排放預(yù)測(cè)情景,包括基準(zhǔn)情景(BL)、粗放情景(ETS)、綠色發(fā)展情景(GD)、節(jié)能情景(ES)和可持續(xù)發(fā)展情景(ST)。五種情景基于已有數(shù)據(jù)變化率、數(shù)據(jù)參數(shù)和政策文件設(shè)置,不同情景具有不同發(fā)展側(cè)重點(diǎn)。碳排放預(yù)測(cè)以1997年到2019年數(shù)據(jù)為基線,預(yù)測(cè)2020至2060年碳排放量、不同情景下可能達(dá)峰年份以及真實(shí)碳中和年份。具體情景設(shè)置見(jiàn)表1。

表1 預(yù)測(cè)情景

3 結(jié)果與分析

3.1 青藏高原東緣生態(tài)過(guò)渡帶2001—2019年碳匯量時(shí)空演變特征

本研究基于CASA模型估算得到研究區(qū)2001—2019年?yáng)鸥癯叨萅PP,進(jìn)而估算碳匯量,統(tǒng)計(jì)獲得研究區(qū)年碳匯總量(圖2)。結(jié)果表明,2001—2019年研究區(qū)碳匯總量整體呈波動(dòng)上升趨勢(shì),累計(jì)增長(zhǎng)12.7%,年均碳匯增長(zhǎng)量為1.68Mt。近20年青藏高原東緣生態(tài)過(guò)渡帶碳匯總量最低值出現(xiàn)在2002年,為243Mt,最高值出現(xiàn)在2019年,為284Mt。其中,2001—2011年碳匯總量呈緩慢增長(zhǎng)趨勢(shì),而2012—2014年碳匯總量持續(xù)減少。2017年后又再次出現(xiàn)增長(zhǎng)態(tài)勢(shì),并于2019年達(dá)到最高值,這表明近年生態(tài)環(huán)境條件顯著改善,植被固碳能力增強(qiáng)。

圖2 2001—2019年青藏高原東緣生態(tài)過(guò)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(biāo)準(zhǔn)分為5個(gè)等級(jí)。研究區(qū)2001、2005、2010、2015和2019年碳匯量等級(jí)空間分布格局如圖3所示。整體來(lái)看,2001—2019年,研究區(qū)碳匯等級(jí)持續(xù)提升,碳匯量不斷增加,中部、東部和北部增長(zhǎng)明顯。研究區(qū)東南部碳匯能力最強(qiáng),西部高海拔地區(qū)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(qiáng)的關(guān)聯(lián)性,研究區(qū)東北部多為建筑用地與農(nóng)業(yè)用地,西部、西南部多為高寒草地,故該區(qū)域碳匯等級(jí)較低。而研究區(qū)中部與東南部生態(tài)環(huán)境良好,植被恢復(fù)程度較高,因此,其碳匯能力較強(qiáng)。

圖3 2001—2019年青藏高原東緣生態(tài)過(guò)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(tǒng)計(jì)的縣域碳匯量分析,2019年縣域碳匯量超過(guò)10Mt的有達(dá)日縣、瑪曲縣等11個(gè)縣,主要位于研究區(qū)西南部,縣域面積較大,這些縣碳匯量占研究區(qū)總量45.8%。其中,碳匯最高是達(dá)日縣,達(dá)16Mt。碳匯量低于1Mt的縣市有安寧區(qū)、城中區(qū)等12個(gè)縣市,主要為城市密集區(qū)。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(hù)區(qū),縣域人類活動(dòng)較少,生態(tài)環(huán)境持續(xù)恢復(fù)。碳匯量增長(zhǎng)比率最大的是東鄉(xiāng)族自治縣,達(dá)到93.6%。該地區(qū)自然環(huán)境惡劣,不適宜人類居住,當(dāng)?shù)卣畬?duì)該區(qū)域居民進(jìn)行了易地扶貧搬遷,全力推進(jìn)生態(tài)環(huán)境建設(shè),生境質(zhì)量得到改善。而對(duì)于迭部縣和碌曲縣,近年來(lái)牲畜存欄量有所增加,牧草地負(fù)擔(dān)加重,導(dǎo)致植被恢復(fù)減緩,碳匯量增速減緩。

3.2 青藏高原東緣生態(tài)過(guò)渡帶2001—2019年碳排放量時(shí)空演變特征

圖4 2001—2019年青藏高原東緣生態(tài)過(guò)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(shù)據(jù),統(tǒng)計(jì)分析顯示青藏高原東緣生態(tài)過(guò)渡帶2001—2019年碳排放量呈持續(xù)增長(zhǎng)態(tài)勢(shì),由2001年35Mt增長(zhǎng)到2019年108Mt,累計(jì)增長(zhǎng)207.04%,年均增長(zhǎng)3.82Mt,碳匯量大于碳排放量。碳排放量變化呈前期快速增長(zhǎng)、中期增長(zhǎng)速度放緩、后期呈增長(zhǎng)速率上升趨勢(shì)(圖4)。具體來(lái)看,2001—2011年為快速增長(zhǎng)階段,年均增長(zhǎng)速率12.3%,而2012—2019年為緩慢增長(zhǎng)階段,年均增長(zhǎng)速率僅為3.86%。這可能是因?yàn)?000—2012年研究區(qū)經(jīng)濟(jì)快速發(fā)展,能源消耗量持續(xù)快速增加,導(dǎo)致碳排放量升高。2012年之后青藏高原東緣生態(tài)過(guò)渡帶經(jīng)濟(jì)增速放緩,伴隨著經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)型和能源結(jié)構(gòu)調(diào)整,碳排放量增長(zhǎng)速率減緩,但是近年來(lái)碳排放量出現(xiàn)持續(xù)上升態(tài)勢(shì),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(biāo)準(zhǔn)分為低、較低、中等、中高、高等級(jí)(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(diǎn)。西北部為城市密集區(qū),人口數(shù)量多,二產(chǎn)發(fā)達(dá),導(dǎo)致區(qū)域碳排放量較高;而西南部為高寒地區(qū),且位于三江源生態(tài)保護(hù)區(qū),生態(tài)環(huán)境良好,碳排放量也相應(yīng)較少。2001—2019年,研究區(qū)碳排放總量均呈上升態(tài)勢(shì)。其中,碳排放量增長(zhǎng)幅度最大的是城關(guān)區(qū),達(dá)9.66Mt,碳排放量增長(zhǎng)比率最大的是久治縣,為48.28%。2019年碳排放總量超過(guò)5Mt/a的縣有榆中縣、城關(guān)區(qū)、紅古區(qū)、湟中縣、永登縣。其中,城關(guān)區(qū)最高,達(dá)11.3Mt。碳排放量小于1萬(wàn)t的縣市為達(dá)日縣、班瑪縣、久治縣,其中,班瑪縣最低,僅為3.36萬(wàn)t。這表明東北部城市密集區(qū)是主要碳排放源,特別是以城關(guān)區(qū)為代表的蘭州地區(qū),而西南部班瑪縣、久治縣等雖然排放量少,但是增長(zhǎng)速率卻很高,需要重視該區(qū)域農(nóng)牧業(yè)可持續(xù)發(fā)展。

圖5 2001—2019年青藏高原東緣生態(tài)過(guò)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(lái)不同發(fā)展情景下碳排放與碳匯量預(yù)測(cè)分析

3.3.1 未來(lái)不同發(fā)展情景下碳排放預(yù)測(cè)模型構(gòu)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(zhèn)化率EKC模型(U-EKC)?；?997—2019年研究區(qū)總碳排放量與年鑒獲取的自變量面板數(shù)據(jù),采用嶺回歸(Ridge Regression),通過(guò)引入懲罰系數(shù)K,以損失部分信息和準(zhǔn)確度為代價(jià)獲取更可靠的系數(shù)回歸值。在各自變量系數(shù)相對(duì)穩(wěn)定情況下,懲罰系數(shù)K取值均為0.2(圖6),得到A-EKC模型的富裕度平方項(xiàng)系數(shù)約為+0.054,而U-EKC模型城鎮(zhèn)化率平方項(xiàng)系數(shù)約為-0.201(表2)。因此,對(duì)于青藏高原東緣生態(tài)過(guò)渡帶,富裕度的碳排放庫(kù)茲涅茲曲線假說(shuō)并不存在,而城鎮(zhèn)化率存在庫(kù)茲涅茲曲線效應(yīng)。故本研究將A-EKC模型剔除,僅分析對(duì)比基本模型與U-EKC模型及其預(yù)測(cè)結(jié)果。對(duì)兩模型的嶺回歸分析得出,二者均較準(zhǔn)確地?cái)M合了1997—2019年碳排放數(shù)據(jù)(圖7);當(dāng)懲罰系數(shù)K從0增高至1的過(guò)程中,其判別系數(shù)均呈下降趨勢(shì);K=0.2時(shí),U-EKC模型具有比基本模型略高的擬合優(yōu)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(shù)

圖6 嶺跡圖和矯正后判別系數(shù)Fig.6 Ridge trace and Adjusted R2x1、x2、x3、x4、x5、x7、x9分別表示第二產(chǎn)業(yè)產(chǎn)值對(duì)數(shù)(lnS)、人口對(duì)數(shù)(lnP)、富裕度對(duì)數(shù)(lnA)、城鎮(zhèn)化率對(duì)數(shù)(lnU)、畜牧業(yè)對(duì)數(shù)(lnF)、第三產(chǎn)業(yè)占比對(duì)數(shù)(lnTI)、城鎮(zhèn)化率EKC項(xiàng)的嶺回歸系數(shù)

圖7 STIRPAT模型碳排放預(yù)測(cè)結(jié)果對(duì)比 Fig.7 Comparation of CO2 emission prediction results by STIRPAT modelSTIRPAT: Stochastic Impacts by Regression on Population, Affluence, and Technology

研究區(qū)碳排放影響因子分析結(jié)果顯示(表2),在城鎮(zhèn)化率EKC模型中,人口因子回歸系數(shù)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(shù)約為0.09,即每增加1%的富裕度,碳排放量?jī)H增加0.09%左右。在所有因子中,人口因子對(duì)碳排放變化影響最大,其次為畜牧業(yè)、城鎮(zhèn)化率、第三產(chǎn)業(yè)占比、第二產(chǎn)業(yè)產(chǎn)值和富裕度。因此,在預(yù)測(cè)情景中,本研究綜合考慮不同因子回歸系數(shù)絕對(duì)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(jìn)行變化率預(yù)測(cè)賦值。由于部分變量之間存在運(yùn)算關(guān)系,本研究?jī)H對(duì)于第二、三產(chǎn)業(yè)產(chǎn)值、總?cè)丝?、GDP、非農(nóng)業(yè)人口與畜牧業(yè)進(jìn)行預(yù)測(cè)。將2020至2060年分為4個(gè)發(fā)展階段,時(shí)間節(jié)點(diǎn)分別為2030年、2040年和2050年,每個(gè)因子變化率分為低、中、高3個(gè)等級(jí)且隨發(fā)展階段逐漸降低,具體賦值如表3所示。

3.3.2 未來(lái)不同發(fā)展情景下碳匯量與碳排放量預(yù)測(cè)分析

基于GM(1,1)模型預(yù)測(cè)得到青藏高原東緣生態(tài)過(guò)渡帶碳匯量(圖8),結(jié)果顯示2020—2060年其碳匯量呈逐年遞增趨勢(shì),于2060年碳匯量達(dá)到357.47Mt。基于STIRPAT、嶺回歸與情景設(shè)計(jì),獲得基本模型與U-EKC模型5種發(fā)展情景2020—2060年青藏高原東緣生態(tài)過(guò)渡帶碳排放量預(yù)測(cè)值(圖8)。結(jié)果顯示2001—2060年其碳匯量基本高于此區(qū)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(xiàn)碳排放量大于碳匯量的情況,碳排放量呈持續(xù)增長(zhǎng)態(tài)勢(shì),且到2060年仍未實(shí)現(xiàn)碳達(dá)峰。兩種模型預(yù)測(cè)碳排放變化趨勢(shì)基本相同,其中,可持續(xù)發(fā)展情景(ST)、基準(zhǔn)情景(BL)、節(jié)能情景(ES)和綠色發(fā)展情景(GD)均呈先增加后減少的趨勢(shì),分別在2050年、2050年、2040年、2040年實(shí)現(xiàn)碳達(dá)峰,且碳達(dá)峰時(shí)間隨著能耗減少逐漸提前。U-EKC模型預(yù)測(cè)未來(lái)情景下碳排放量均小于基本模型預(yù)測(cè)結(jié)果,這表明城鎮(zhèn)化率庫(kù)茲涅茲曲線效應(yīng)抑制了碳排放產(chǎn)生,當(dāng)城鎮(zhèn)人口增加,科技發(fā)展水平相應(yīng)提升,促使當(dāng)?shù)禺a(chǎn)業(yè)逐漸從資源驅(qū)動(dòng)轉(zhuǎn)變?yōu)榧夹g(shù)驅(qū)動(dòng)。

表3 各因素變化率設(shè)置/%

圖8 5種情景碳排放量預(yù)測(cè)和碳匯量預(yù)測(cè)結(jié)果Fig.8 CS prediction and five scenarios CO2 emission prediction resultsBL：基準(zhǔn)情景 Baseline;ES：節(jié)能情景 Energy-Saving;ETS：粗放情景 Extensive;ST：可持續(xù)發(fā)展情景 Sustainable;GD：綠色發(fā)展情景 Green Development;CS：碳匯量 Carbon Sink

3.4 2001—2060年研究區(qū)碳中和狀況分析

本研究估算了區(qū)域凈碳匯量,即區(qū)域總碳匯量減去區(qū)域總碳排放量。區(qū)域凈碳匯量統(tǒng)計(jì)結(jié)果顯示(圖9),研究區(qū)內(nèi)凈碳匯量多為正值,且維持在較高水平。對(duì)比不同發(fā)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(shì);其中,可持續(xù)發(fā)展情景(ST)凈碳匯量谷底值出現(xiàn)在2050年、而基準(zhǔn)情景(BL)和節(jié)能情景(ES)下凈碳匯量谷底值均出現(xiàn)在2040年;對(duì)于綠色發(fā)展情景(GD),其凈碳匯量已于2017年出現(xiàn)谷底值。在粗放情景(ETS)下,由于城鎮(zhèn)化率庫(kù)茲涅茲曲線效應(yīng),U-EKC模型凈碳匯量將于2050年出現(xiàn)谷底值,而基本模型并未出現(xiàn)谷底值;由于未來(lái)不加管制的高人口、高經(jīng)濟(jì)的粗放發(fā)展模式,兩模型ETS情景下凈碳匯量約于2040年左右由正值轉(zhuǎn)為負(fù)值,這表明研究區(qū)碳匯量已無(wú)法抵消自身發(fā)展所產(chǎn)生的碳排放量。

圖9 凈碳匯量預(yù)測(cè)Fig.9 Net carbon sink prediction

本研究認(rèn)為區(qū)域碳中和不能脫離碳達(dá)峰這一前提。目前全國(guó)大部分區(qū)域碳排放量仍呈逐漸增長(zhǎng)趨勢(shì),在其碳排放量未達(dá)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(wěn)定的前提下,當(dāng)區(qū)域碳排放量穩(wěn)定不增長(zhǎng)之后,出現(xiàn)凈碳匯量大于等于0的時(shí)間節(jié)點(diǎn),即為實(shí)現(xiàn)碳中和。而將假性碳中和則定義為區(qū)域凈碳匯量為正,但碳排放量仍呈快速增長(zhǎng)狀態(tài),這可能將導(dǎo)致在未來(lái)某時(shí)刻再次出現(xiàn)碳排放量大于碳匯量的情況。顯然,假性碳中和與區(qū)域未來(lái)發(fā)展規(guī)劃有直接的聯(lián)系,提出假性碳中和的目的是要求區(qū)域?qū)崿F(xiàn)碳中和必須要先實(shí)現(xiàn)碳達(dá)峰前提,即要在區(qū)域發(fā)展的同時(shí)推進(jìn)碳減排。

由于研究區(qū)自然條件良好,過(guò)去20年間該區(qū)域碳匯量高于碳排放量,但其碳排放增長(zhǎng)速率較碳匯更快,仍未實(shí)現(xiàn)碳達(dá)峰。因此,研究區(qū)在2001年至未來(lái)一段時(shí)間均為假性碳中和。本研究基本模型和U-EKC模型預(yù)測(cè)結(jié)果顯示(圖10, 可持續(xù)發(fā)展情景(ST)與基準(zhǔn)情景(BL)、節(jié)能情景(ES)與綠色發(fā)展情景(GD)分別在2050、2040年前為假性碳中和,在其后實(shí)現(xiàn)碳中和目標(biāo);粗放情景(ETS)下,研究區(qū)將無(wú)法實(shí)現(xiàn)碳中和目標(biāo),并且研究區(qū)整體從CO2吸收狀態(tài)轉(zhuǎn)變?yōu)镃O2排放狀態(tài),U-EKC模型預(yù)測(cè)其時(shí)間節(jié)點(diǎn)為2042年,較基準(zhǔn)情景滯后3年。

圖10 不同情景預(yù)測(cè)碳中和狀態(tài)時(shí)間序列圖Fig.10 Time table of Carbon Neutrality status in different scenarios同情景中,深色為基準(zhǔn)模型,淺色為城鎮(zhèn)化率庫(kù)茲涅茲曲線模型

4 討論與結(jié)論

4.1 討論

青藏高原東緣生態(tài)過(guò)渡帶是全球生態(tài)環(huán)境最為敏感、脆弱的地區(qū)之一,也是全球重要的碳庫(kù)。長(zhǎng)期以來(lái),受原始粗放的生產(chǎn)發(fā)展方式影響,對(duì)森林、草原造成一定程度的破壞。近年來(lái),隨著青藏高原生態(tài)安全屏障保護(hù)與建設(shè)工程的實(shí)施,高原生態(tài)系統(tǒng)退化的情況得到了一定程度的遏制。但隨著地區(qū)產(chǎn)業(yè)轉(zhuǎn)型和經(jīng)濟(jì)發(fā)展,碳排放量的增長(zhǎng)速度逐漸加快,并有反超碳匯量的態(tài)勢(shì)。若生態(tài)環(huán)境進(jìn)一步惡化,昔日的碳庫(kù)在未來(lái)可能變成最主要的碳排放源,而生態(tài)過(guò)渡帶對(duì)環(huán)境惡化十分敏感。因此研究青藏高原東緣生態(tài)過(guò)渡帶碳中和情況、碳排放量主要影響因素至關(guān)重要,對(duì)該地區(qū)乃至整個(gè)亞洲的碳排放管理具有警示和借鑒意義。

結(jié)果的可靠性一直是碳評(píng)估的一個(gè)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(qū)凈初級(jí)生產(chǎn)力(NPP)結(jié)果與劉旻霞等[34]、Yu[35]和裴志永等[36]在青藏高原地區(qū)研究結(jié)果一致,單位面積碳匯量結(jié)果也與李文華等[37]研究結(jié)果具有一致性,說(shuō)明本研究基于改進(jìn)的CASA模型模擬碳匯量結(jié)果可靠,可滿足區(qū)域碳中和研究。本研究認(rèn)為,對(duì)于研究區(qū)內(nèi)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(jīng)達(dá)到碳中和是不合適的。因此,本研究提出假性碳中和概念,對(duì)研究區(qū)目前的狀態(tài)進(jìn)行描述,并且指出區(qū)域碳中和要以碳達(dá)峰為前提。目前,由于全球氣候變化對(duì)植被生長(zhǎng)乃至碳匯量的影響在學(xué)界尚有爭(zhēng)論,本研究采用灰度預(yù)測(cè)模型預(yù)測(cè)碳匯量,未考慮全球變化背景,具有一定的局限性,未來(lái)研究可以將氣候等影響因素作為碳匯量預(yù)測(cè)模型參數(shù),使碳中和預(yù)測(cè)結(jié)果更為精準(zhǔn)。

本研究通過(guò)情景假設(shè)方法預(yù)測(cè)了青藏高原東緣生態(tài)過(guò)渡帶到2060年的碳中和狀況,可知在5種預(yù)測(cè)情景中,除粗放情景(ETS)外其他情景均在2040或2050年達(dá)到碳達(dá)峰。由于研究區(qū)自然條件良好,其凈碳匯量為正,根據(jù)本研究對(duì)碳中和的定義,這4種情景碳達(dá)峰年份即為實(shí)現(xiàn)真正碳中和的年份,說(shuō)明研究區(qū)有極大的發(fā)展空間和碳排放空間。維持目前的發(fā)展態(tài)勢(shì)(BL：基準(zhǔn)情景),隨著技術(shù)革新和產(chǎn)業(yè)升級(jí),研究區(qū)在未來(lái)不會(huì)出現(xiàn)碳排放大于碳匯量的情況。相比之下,可持續(xù)發(fā)展情景(ST)具有更多的發(fā)展動(dòng)力(GDP、非農(nóng)業(yè)人口和第三產(chǎn)業(yè)產(chǎn)值高增長(zhǎng))和碳排放量,配合合理的碳減排政策引導(dǎo)低碳經(jīng)濟(jì)發(fā)展,防止粗放發(fā)展(ETS：粗放情景),研究區(qū)也可避免出現(xiàn)碳排大于碳匯的情況,與基準(zhǔn)情景共同在2050年達(dá)到碳中和。若推行節(jié)能情景(ES)和綠色發(fā)展情景(GD)模式,研究區(qū)將可持續(xù)地為周邊地區(qū)提供碳匯服務(wù),維持碳庫(kù)穩(wěn)定。

4.2 結(jié)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(tài)過(guò)渡帶凈初級(jí)生產(chǎn)力(NPP),并通過(guò)NPP計(jì)算碳匯量,分析了研究區(qū)碳匯量和碳排放時(shí)空演變特征。結(jié)果表明,2001—2019年研究區(qū)碳匯量呈波動(dòng)緩慢上升趨勢(shì),具有東南高、西北低的空間分布特征;2001—2019年研究區(qū)碳排放量呈持續(xù)快速上升趨勢(shì),2012年后增長(zhǎng)速率變緩,碳排放總量在2019年達(dá)到110Mt左右,呈東北高、西南低的空間分布特征?？傮w而言,研究區(qū)碳匯量大于碳排放量,但二者差距呈逐漸減少趨勢(shì)。

基于STIRPAT模型和嶺回歸建立碳排放與人口、第二三產(chǎn)業(yè)、富裕度、城鎮(zhèn)化率和畜牧業(yè)的彈性關(guān)系,并設(shè)計(jì)5種經(jīng)濟(jì)發(fā)展情景預(yù)測(cè)了研究區(qū)2020—2060年碳排放變化特征,結(jié)合GM(1,1)模型預(yù)測(cè)了研究區(qū)2020—2060年碳匯量,基于上述研究結(jié)果對(duì)研究區(qū)碳中和進(jìn)行了預(yù)測(cè)和評(píng)估。結(jié)果表明,人口變量對(duì)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(qū)內(nèi)存在城鎮(zhèn)化率環(huán)境庫(kù)茲涅茲曲線(EKC)效應(yīng),隨著城鎮(zhèn)化率的提升,區(qū)域碳排放呈先增加后減少的趨勢(shì),而對(duì)于富裕度無(wú)顯著EKC效應(yīng)。

在預(yù)測(cè)的五種發(fā)展情景中,碳達(dá)峰時(shí)間隨著能耗的減少逐漸提前,可持續(xù)發(fā)展情景(ST)與基準(zhǔn)情景(BL)在2050年實(shí)現(xiàn)碳達(dá)峰,節(jié)能情景(ES)與綠色發(fā)展情景(GD)分別在2040年實(shí)現(xiàn)碳達(dá)峰。而粗放情景(ETS)到2060年仍未實(shí)現(xiàn)碳達(dá)峰,其碳排放量將于2040年左右超過(guò)碳匯量,凈碳匯量為負(fù);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(shì)。對(duì)于環(huán)境庫(kù)茲涅茲曲線模型和基本模型的對(duì)比顯示,環(huán)境庫(kù)茲涅茲曲線效應(yīng)的存在使同時(shí)期同發(fā)展條件下碳排放量更少。因此,青藏高原東緣生態(tài)過(guò)渡帶具有較強(qiáng)的碳匯能力,但是隨著經(jīng)濟(jì)社會(huì)的發(fā)展,碳匯量與碳排放的差距正在不斷縮小,在經(jīng)濟(jì)社會(huì)發(fā)展中重點(diǎn)關(guān)注人口和畜牧業(yè)等因素。