高 峰,律可心,喬 智,馬豐魁,姜群鷗,*

1 北京林業(yè)大學水土保持學院,北京 100083 2 北京林業(yè)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(fā)展所面臨的重大氣候環(huán)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(yè)時代以來,全球二氧化碳濃度已經(jīng)增加了40%,正在對地球生態(tài)系統(tǒng)平衡造成嚴重威脅[2—3]。隨著我國經(jīng)濟社會迅速發(fā)展,城市化、工業(yè)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(xù)管理增加碳儲量,不斷推進森林經(jīng)營的“綠碳”規(guī)劃[4—5]。實現(xiàn)區(qū)域整體碳收支平衡,已成為我國經(jīng)濟社會高質(zhì)量發(fā)展的關鍵一環(huán)。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(xiàn)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(xiàn)在碳收支核算和碳平衡分區(qū)優(yōu)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(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]。邱子健等人對江蘇省農(nóng)業(yè)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(xiàn)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(tài)變化規(guī)律可以為實現(xiàn)“碳中和”提供重要科學依據(jù)。目前,國內(nèi)外學者嘗試采用數(shù)據(jù)指標建立預測模型。張帆等人采用可拓展的隨機性環(huán)境影響評估模型從宏觀角度評估了人口、經(jīng)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(jīng)濟要素對碳排放的影響,預測出排放峰值出現(xiàn)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(guī)律具有重大意義[11—12]。

青藏高原東緣生態(tài)過渡帶處于我國西部高寒區(qū)向黃土高原區(qū)的過渡地帶,是我國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碳,是全球重要的碳庫,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,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(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)過渡帶2001—2019年碳匯,結(jié)合中國碳排放數(shù)據(jù)庫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(fā)展情景下2020—2060年碳排放量變化,并分析未來40年該區(qū)域碳中和發(fā)展趨勢。研究結(jié)果可為該區(qū)域應對氣候變化、提出實現(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?、半濕潤氣候區(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)由于其獨特的地理條件,是全球生態(tài)環(huán)境中最敏感、脆弱的地區(qū)之一,開展該區(qū)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(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(shù)據(jù)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(shù)據(jù)

氣象數(shù)據(jù)為中國地面氣候資料日值數(shù)據(jù)集(V3.0)和中國地面氣候資料月值數(shù)據(jù)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(shù)據(jù)下載自中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/),時間為2001—2019年,涵蓋研究區(qū)周邊40個站點。對日值數(shù)據(jù)進行合并計算,得到與NDVI數(shù)據(jù)的時間尺度對應的數(shù)據(jù),采用Anuspline軟件對氣象數(shù)據(jù)進行插值,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(shù)據(jù)進行拼接和裁剪,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)來自于中國碳排放數(shù)據(jù)庫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2735個縣的CO2排放量。本研究基于上述算法繼續(xù)計算了2018與2019年的CO2排放量數(shù)據(jù)。

2.1.5 社會經(jīng)濟數(shù)據(jù)

社會經(jīng)濟數(shù)據(jù)主要來自2001—2019年的《甘肅省統(tǒng)計年鑒》、《青海省統(tǒng)計年鑒》、《中國縣域統(tǒng)計年鑒》、《中國區(qū)域經(jīng)濟統(tǒng)計年鑒》等資料,選用指標包括：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,年鑒缺失的個別數(shù)據(jù)通過其他統(tǒng)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(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(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(shù)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(nèi)FPAR與NDVI存在線性關系,所以可根據(jù)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(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(shù)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(fā)性。但隨著全球氣候變暖,導致低溫且日照充足地區(qū)植被生長期延長[27],研究區(qū)碳匯量多年變化呈現(xiàn)單調(diào)遞增態(tài)勢。GM(1,1)模型通過擬合累加數(shù)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(wěn)定趨勢變化。假設變量x(0)={x(0)(i),i=1,2,…n}為一非負單調(diào)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(jīng)驗模型STIRPAT與情景設計

可拓展的隨機性的環(huán)境影響評估模型 (STIRPAT, Stochastic Impacts by Regression on Population, Affluence, and Technology)通過對人口、財產(chǎn)、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(huán)境狀況、人口、經(jīng)濟發(fā)展和技術創(chuàng)新。a為模型常數(shù)項,b、c、d分別為三個自變量的彈性系數(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(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、能源強度等[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系[32]。本研究考慮到青藏高原東緣生態(tài)過渡帶碳排放量主要來源于第二產(chǎn)業(yè),其比重普遍高于第一產(chǎn)業(yè),研究區(qū)內(nèi)涵蓋了兩個省會城市,第三產(chǎn)業(yè)比重較大,此外該區(qū)域為主要牧區(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(qū)的碳排放量(Mt),P為代表人口數(shù)(萬人);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。

為了測試研究區(qū)的環(huán)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(zhèn)人口在青藏高原東緣生態(tài)過渡帶的EKC效應。兩個模型分別對人均GDP對數(shù)與城鎮(zhèn)化率對數(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(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)和政策文件設置,不同情景具有不同發(fā)展側(cè)重點。碳排放預測以1997年到2019年數(shù)據(jù)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(jié)果與分析

3.1 青藏高原東緣生態(tài)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(qū)2001—2019年柵格尺度NPP,進而估算碳匯量,統(tǒng)計獲得研究區(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(tài)過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趨勢,而2012—2014年碳匯總量持續(xù)減少。2017年后又再次出現(xiàn)增長態(tài)勢,并于2019年達到最高值,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。

圖2 2001—2019年青藏高原東緣生態(tài)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(qū)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(qū)碳匯等級持續(xù)提升,碳匯量不斷增加,中部、東部和北部增長明顯。研究區(qū)東南部碳匯能力最強,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的關聯(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(tài)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(tǒng)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(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,碳匯最高是達日縣,達16Mt。碳匯量低于1Mt的縣市有安寧區(qū)、城中區(qū)等12個縣市,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區(qū),縣域人類活動較少,生態(tài)環(huán)境持續(xù)恢復。碳匯量增長比率最大的是東鄉(xiāng)族自治縣,達到93.6%。該地區(qū)自然環(huán)境惡劣,不適宜人類居住,當?shù)卣畬υ搮^(qū)域居民進行了易地扶貧搬遷,全力推進生態(tài)環(huán)境建設,生境質(zhì)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(tài)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(tài)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(shù)據(jù),統(tǒng)計分析顯示青藏高原東緣生態(tài)過渡帶2001—2019年碳排放量呈持續(xù)增長態(tài)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(qū)經(jīng)濟快速發(fā)展,能源消耗量持續(xù)快速增加,導致碳排放量升高。2012年之后青藏高原東緣生態(tài)過渡帶經(jīng)濟增速放緩,伴隨著經(jīng)濟結(jié)構轉(zhuǎn)型和能源結(jié)構調(diào)整,碳排放量增長速率減緩,但是近年來碳排放量出現(xiàn)持續(xù)上升態(tài)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(qū),人口數(shù)量多,二產(chǎn)發(fā)達,導致區(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)保護區(qū),生態(tài)環(huán)境良好,碳排放量也相應較少。2001—2019年,研究區(qū)碳排放總量均呈上升態(tài)勢。其中,碳排放量增長幅度最大的是城關區(qū),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(qū)、紅古區(qū)、湟中縣、永登縣。其中,城關區(qū)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(qū)是主要碳排放源,特別是以城關區(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(fā)展情景下碳排放與碳匯量預測分析

3.3.1 未來不同發(fā)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(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),通過引入懲罰系數(shù)K,以損失部分信息和準確度為代價獲取更可靠的系數(shù)回歸值。在各自變量系數(shù)相對穩(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系數(shù)約為+0.054,而U-EKC模型城鎮(zhèn)化率平方項系數(shù)約為-0.201(表2)。因此,對于青藏高原東緣生態(tài)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(zhèn)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(jié)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(shù)據(jù)(圖7);當懲罰系數(shù)K從0增高至1的過程中,其判別系數(shù)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(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)值對數(shù)(lnS)、人口對數(shù)(lnP)、富裕度對數(shù)(lnA)、城鎮(zhèn)化率對數(shù)(lnU)、畜牧業(yè)對數(shù)(lnF)、第三產(chǎn)業(yè)占比對數(shù)(lnTI)、城鎮(zhèn)化率EKC項的嶺回歸系數(shù)

圖7 STIRPAT模型碳排放預測結(jié)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(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(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,在預測情景中,本研究綜合考慮不同因子回歸系數(shù)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(chǎn)業(yè)產(chǎn)值、總?cè)丝凇DP、非農(nóng)業(yè)人口與畜牧業(yè)進行預測。將2020至2060年分為4個發(fā)展階段,時間節(jié)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(fā)展階段逐漸降低,具體賦值如表3所示。

3.3.2 未來不同發(fā)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(tài)過渡帶碳匯量(圖8),結(jié)果顯示2020—2060年其碳匯量呈逐年遞增趨勢,于2060年碳匯量達到357.47Mt?；赟TIRPAT、嶺回歸與情景設計,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)過渡帶碳排放量預測值(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)增長態(tài)勢,且到2060年仍未實現(xiàn)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(xù)發(fā)展情景(ST)、基準情景(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,分別在2050年、2050年、2040年、2040年實現(xiàn)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(jié)果,這表明城鎮(zhèn)化率庫茲涅茲曲線效應抑制了碳排放產(chǎn)生,當城鎮(zhèn)人口增加,科技發(fā)展水平相應提升,促使當?shù)禺a(chǎn)業(yè)逐漸從資源驅(qū)動轉(zhuǎn)變?yōu)榧夹g驅(qū)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(jié)果Fig.8 CS prediction and five scenarios CO2 emission prediction resultsBL：基準情景 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;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)化率庫茲涅茲曲線效應,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;由于未來不加管制的高人口、高經(jīng)濟的粗放發(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)為負值,這表明研究區(qū)碳匯量已無法抵消自身發(fā)展所產(chǎn)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(qū)域碳中和不能脫離碳達峰這一前提。目前全國大部分區(qū)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(wěn)定的前提下,當區(qū)域碳排放量穩(wěn)定不增長之后,出現(xiàn)凈碳匯量大于等于0的時間節(jié)點,即為實現(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狀態(tài),這可能將導致在未來某時刻再次出現(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)碳中和必須要先實現(xiàn)碳達峰前提,即要在區(qū)域發(fā)展的同時推進碳減排。

由于研究區(qū)自然條件良好,過去20年間該區(qū)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(xiàn)碳達峰。因此,研究區(qū)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(jié)果顯示(圖10, 可持續(xù)發(fā)展情景(ST)與基準情景(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,在其后實現(xiàn)碳中和目標;粗放情景(ETS)下,研究區(qū)將無法實現(xiàn)碳中和目標,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模型預測其時間節(jié)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(tài)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(zhèn)化率庫茲涅茲曲線模型

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。長期以來,受原始粗放的生產(chǎn)發(fā)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(tài)安全屏障保護與建設工程的實施,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)濟發(fā)展,碳排放量的增長速度逐漸加快,并有反超碳匯量的態(tài)勢。若生態(tài)環(huán)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(tài)過渡帶對環(huán)境惡化十分敏感。因此研究青藏高原東緣生態(tài)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(qū)乃至整個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(qū)凈初級生產(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,說明本研究基于改進的CASA模型模擬碳匯量結(jié)果可靠,可滿足區(qū)域碳中和研究。本研究認為,對于研究區(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(qū)目前的狀態(tài)進行描述,并且指出區(qū)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(shù),使碳中和預測結(jié)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(tài)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(qū)自然條件良好,其凈碳匯量為正,根據(jù)本研究對碳中和的定義,這4種情景碳達峰年份即為實現(xiàn)真正碳中和的年份,說明研究區(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(BL：基準情景),隨著技術革新和產(chǎn)業(yè)升級,研究區(qū)在未來不會出現(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)展動力(GDP、非農(nóng)業(yè)人口和第三產(chǎn)業(yè)產(chǎn)值高增長)和碳排放量,配合合理的碳減排政策引導低碳經(jīng)濟發(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,與基準情景共同在2050年達到碳中和。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,維持碳庫穩(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)過渡帶凈初級生產(chǎn)力(NPP),并通過NPP計算碳匯量,分析了研究區(qū)碳匯量和碳排放時空演變特征。結(jié)果表明,2001—2019年研究區(qū)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(qū)碳排放量呈持續(xù)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?？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。

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)的彈性關系,并設計5種經(jīng)濟發(fā)展情景預測了研究區(qū)2020—2060年碳排放變化特征,結(jié)合GM(1,1)模型預測了研究區(qū)2020—2060年碳匯量,基于上述研究結(jié)果對研究區(qū)碳中和進行了預測和評估。結(jié)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(qū)內(nèi)存在城鎮(zhèn)化率環(huán)境庫茲涅茲曲線(EKC)效應,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,而對于富裕度無顯著EKC效應。

在預測的五種發(fā)展情景中,碳達峰時間隨著能耗的減少逐漸提前,可持續(xù)發(fā)展情景(ST)與基準情景(BL)在2050年實現(xiàn)碳達峰,節(jié)能情景(ES)與綠色發(fā)展情景(GD)分別在2040年實現(xiàn)碳達峰。而粗放情景(ETS)到2060年仍未實現(xiàn)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(huán)境庫茲涅茲曲線模型和基本模型的對比顯示,環(huán)境庫茲涅茲曲線效應的存在使同時期同發(fā)展條件下碳排放量更少。因此,青藏高原東緣生態(tài)過渡帶具有較強的碳匯能力,但是隨著經(jīng)濟社會的發(fā)展,碳匯量與碳排放的差距正在不斷縮小,在經(jīng)濟社會發(fā)展中重點關注人口和畜牧業(yè)等因素。