基于ESDA-R/S的縣域農業N2O排放的空間差異及演化趨勢分析

黃昭昶，陳思明，毛艷玲*，宋星星，吳 群

（1.福建農林大學資源與環境學院，福州 350002；2.閩江學院海洋學院，福州 350108；3.福建農林大學林學院，福州 350002；4.福建農林大學自然生物資源保育利用福建高校工程研究中心，福州 350002；5.福建農林大學動物科學學院，福州 350002）

全球氣候變暖是當今國際社會公認的重要的環境問題，其主要原因在于人類的社會經濟活動導致大氣中溫室氣體濃度的不斷增加[1]。氧化亞氮（N2O）是繼CO2、CH4之后的第三大溫室氣體[2]，其對大氣的增溫效應是CO2的280～310倍。根據聯合國政府間氣候變化專門委員會（IPCC）第四次評估報告顯示，農田排放的N2O占人為源總排放的60%，預計到2030年全球農業排放的N2O將比2005年增加35%～60%[3]。2008年中國的N2O排放量達到1.79 Tg（包括臺灣、香港、澳門），已成為全球N2O排放最大的國家，其中農業排放占到70%左右[4]。因此，深入了解農業N2O排放的時空特征，對于緩解全球溫室效應具有重要意義，目前國內外學者對農業N2O排放進行了大量的研究。Pochette等[5]采用IPCC方法估算1990—2005年加拿大農業土壤N2O的直接排放量，結果表明，農業N2O排放量平均為58.1 Gg N2O-N·a-1，其中68%來自土壤的直接排放；蔣光福等[6]對比1980—2010年中國和印度小麥、玉米和水稻田的N2O排放量，結果表明中國小麥、玉米、水稻田的單位面積N2O直接排放量評價值分別為印度的1.3、2.4、2.0倍；Liang等[7]估算2007—2009年北京市畜牧業N2O總排放量為1.04 Gg N2O-N·a-1。在研究過程中，學者們逐漸關注到農業N2O排放的空間差異性，也引入空間計量方法對不同區域的農業N2O排放進行研究。張遠等[8]利用DNDC生態過程模型對水稻田溫室氣體（CO2、N2O和CH4）排放進行定量估測后，分析其排放的時空動態格局；陳蘇等[9]研究表明中國畜禽溫室氣體（CH4和N2O）排放的區域集中度較高，四川、河南、山東和云南等省排放較高。這些研究成果為農業N2O的研究提供重要借鑒，但現有的研究主要集中于較大尺度的國家、省市農業N2O排放和小尺度的農田N2O排放，對中小尺度的縣域研究卻相對較少。此外，區域是一個開放的系統，不同區域之間的相互作用會導致區域與區域之間存在相關性[10]，現有的研究也缺乏對農田N2O排放的空間鄰接性的探討。基于此，本文以1983—2014年縣域活動水平數據為依據，擬采用探索性空間分析（ESDA）和R/S分形方法，對福建省52個縣的農業N2O排放的空間差異及演化趨勢進行分析，以期為福建省縣域農業N2O減排措施的制定提供基礎數據支撐。

1 材料與方法

1.1 研究區概況

福建省地處中國的東南沿海地區，地理坐標為北緯23°33′～28°19′，東經115°50′～120°43′，氣候屬于亞熱帶海洋性季風氣候，全省70%的區域≥10℃的積溫在5000～7600℃之間，年平均氣溫17～21℃，平均降雨量1400～2000 mm，熱量豐富，雨量充沛，光照充足。截止到2014年，福建共有9個地級行政區劃單位，85個縣級行政區劃單位，總面積為12.14萬km2。福建省是一個多山的省份，全省89.3%的陸地面積為丘陵地帶，主要分布林地、草地等，而僅占總面積10%的平原和臺地集中分布耕地、園地和工礦用地等，土地利用地域差異大，省內各縣的農業發展不均衡，農業N2O排放具有明顯的區域性特征。由于研究期的時間跨度較大，在數據獲取上受到一定限制，本研究僅選取福建省52個縣作為研究區（圖1）。

1.2 研究方法

1.2.1 ESDA方法

ESDA（Exploratory spatial data analysis）是一系列空間數據分析方法和技術的集合，它以空間關聯測度為核心，通過研究對象的空間分布，發現其空間關聯模式，揭示空間相互作用機制[11]。ESDA空間分析方法主要包括全局自相關和局部自相關。全局自相關從區域整體上測度農業N2O排放量的空間集聚程度，而局部自相關可探索區域內某一單元與鄰近單位的農業N2O排放量的空間相關性[12]。

全局自相關采用Global Moran′s I指數，其公式為：

式中：n為研究區總數，Xi、Xj分別為地區 i、j的屬性值，Xˉ為屬性X的平均值，Wij為空間權重矩陣。Global Moran’s I的取值范圍在[-1，1]之間。大于0表示空間正相關，等于0表示不存在空間自相關，小于0表示空間負相關?？捎脴藴驶痁值檢驗Global Moran’s I指數的顯著性水平，其計算公式如下：

式中：E（I）為I的期望，VAR（I）為I的方差。在α=0.05的置信水平下，Zscore＞1.96或Zscore＜-1.96時，表明該區域存在顯著的空間自相關。

局部自相關采用Local Moran′s I指數，其公式為：

式中的 Xi、Xj、、Wij同式（1）。

圖1 研究區地理位置Figure 1 Geographic location of the study area

1.2.2 R/S分形方法

在空間分析，研究對象的觀測數據通常具有連續性和相關性，而空間自相關方法雖能較好地反映農業N2O排放量的空間分布特征，但無法將整個時間序列的觀測數據作為一組變量分析研究對象的整體演變趨勢。因此，研究采用R/S分析（Rescaled range analy?sis）即標度（尺度）重整分析，其是一種研究自然及社會經濟現象在時間序列上演變的非線性的科學數量分析預測方法[13]。R/S分析是由英國物理學家Hurst最先在尼羅河水文研究中提出的，后經Mandelbrot等學者從時間序列具有自相似角度上進行證明，并加以補充和完善，將之稱為Hurst現象[14]。R/S分析方法的基本原理如下：

設時間序列x（t），t=1，2，3…，n，其中τ≥1，且為整數，取任意值時：

（1）均值序列：

（2）累計離差：

（3）極差序列：

（4）標準差：

如R(τ )/s(τ)=R/S，R/S∝τH，證明時間序列x（t）存在Hurst現象，H稱為Hurst指數。根據H指數的大小，可以判斷時間序列變化趨勢是表現為完全隨機或存在趨勢性，存在趨勢性的時間序列是持續性還是反持續性[15]。若0＜H＜0.5，表示該指標的時間序列數據變化存在反持續性，過去變量與未來趨勢變化呈負相關關系，H值越接近0，負相關越強；若H=0.5，表示該指標的時間序列是相互獨立的，隨機變化；若0.5＜H＜1，表示該指標的時間序列具有持續性，過去變量與未來趨勢變化呈正相關關系，H值越接近1，持續性越強[13]。

Feder等論證旱澇時間序列的分維D值與Hurst現象存在關系為[16]：

Mandelbrot等通過R/S實證分析后，引入分維值分布式布朗運動的布朗函數 BH（t）[17]：

對于0＜H＜1，H≠0.5，分布式布朗運動模型為：

根據分維D值和指數H的關系，可以推論：如果公式（8）～（11）成立，則證明時間序列存在分布式的布朗運動現象。因此，H指數可表明時間序列分布式布朗運動的趨勢，而分維值D的大小可判斷時間序列分布式布朗運動的不規則或復雜性，D值越大，表明運動越不規則，反之則越有規律。

1.3 數據來源與處理

1.3.1 數據來源

本研究采用的農業活動水平數據主要包括農作物種植面積、禽畜數量、氮肥施用量、農田面積等數據均出自1983—2014年福建省52個縣市的農業統計年鑒。農業N2O排放系數以《2006 IPCC國家溫室氣體清單指南》為標準，同時參照福建省農業N2O排放的相關研究成果[18-22]來選取。

1.3.2 數據處理

本研究以2006年IPCC溫室氣體排放清單核算指南給出的農業N2O排放的計算方法為標準，并根據福建省各縣農業發展現狀、農業生產活動和排放因子等數據的可獲得性，修訂IPCC2006年農業N2O排放量計算方法。此方法將農業N2O排放的來源分為4個方面。即農田N2O直接排放（N2ODirect）、農田N2O間接排放（N2OIndirect）、動物糞便管理系統N2O排放（N2OAnimal-waste）和秸稈燃燒N2O排放（N2Ostraw）。

（1）農田N2ODirect排放量

農田N2ODirect排放量主要是農田化肥、有機物質和作物秸稈N的投入量，其計算公式如下：

式中：Ni、Nj、Nk分別為農田化肥 N、有機物質N、作物秸稈N的投入量；EF1為旱地的排放因子時，取值為0.023 1[18]；EF1為水田的排放因子時，取值為0.006 7[18]；44/28為N2O轉換系數。

（2）農田N2OIndirect排放量

農田N2OIndirect排放主要是大氣沉降、淋溶與徑流引起的N2O排放，其計算公式下：

式中：N2O（1）、N2O（2）分別為大氣沉降，淋溶與徑流引起的N2O排放總量；Ni為各類農田施入的氮肥量，Nj為各類農田施入的動物糞肥量；P1為以NH3和NOx形式揮發氮肥的比例，采用IPCC推薦值0.10；P2為以NH3和NOx形式揮發糞肥的比例，采用IPCC推薦值0.20；EF3為土壤揮發氮沉降的N2O排放因子，取值為0.01[19]；P3為通過淋溶與徑流產生N排放的比例，采用IPCC推薦值0.30；EF4為淋溶和徑流的N2O排放因子，取值為0.007 5[20]。

（3）N2OAnimal-waste排放量

N2OAnimal-waste排放主要源自動物糞便中所含氮素發生的硝化和反硝化作用，排放量大小主要取決于糞便中的氮素含量、儲存時間以及管理方法。福建省糞便管理方式與IPCC中闡述的動物糞便管理方式相適應，因此可以采用IPCC提供的計算方法。

式中：Ai為i類型動物的數量；NEXi為i類型動物糞便排泄系數；MSi為i類型動物糞便氮排放含量；AWMSi為i類型動物不同糞便管理方式排泄物處理的比例；EF5為不同糞便管理方式下N2O排放因子[21]。

（4）N2Ostraw排放量

田間秸稈燃燒是農田N2O排放重要的排放源，其計算公式如下：

式中：Nfire為田間燃燒秸稈的含氮量，主要通過區域內收割的秸稈總氮量和秸稈田間直接焚燒率計算得出，秸稈田間直接焚燒率取值0.166[18]；EF6為田間秸稈燃燒的N2O排放因子，取值為0.007[22]。

2 結果與分析

2.1 縣域農業N2O排放的空間差異分析

2.1.1 全局空間自相關分析

在Geoda軟件下對1983—2014年福建省52個縣域的農業N2O總排放量進行全局自相關分析，得到歷年的Global Moran′s I指數，并進行標準化Z值檢驗，見圖2。由圖2可以看出，1983—2014年52個縣域農業N2O總排放的Global Moran′s I指數均大于0，模型的擬合優度較高，整體通過置信水平（α=0.05）的顯著性檢驗，這表明1983—2014年福建省52個縣域的農業N2O排放具有顯著的空間正相關，呈現出聚集分布狀態。

圖2 1983—2014年農業N2O排放量的全局Moran′sI指數與檢驗Figure 2 Global Moran′s I and tests for agricultural N2O emissions from 1983 to 2014

2.1.2 局部空間自相關分析

利用Geoda軟件對1983—2014年52個縣的農業N2O排放進行局部自相關分析，得到局部自相關的LISA聚集圖見圖3。由圖3可以看出1983—2014年52個縣的農業N2O排放呈現出明顯的空間差異性，具體如下：

（1）“高-高”類型區呈現出不斷聚集和擴散的變化趨勢。1983年“高-高”類型區主要集中在福建東南沿海的南安市、晉江市、同安區和長泰縣等市縣，之后不斷向福建省的南部聚集和擴散，到2003年“高-高”類型區已覆蓋福建省南部的大部分縣市區，如安溪縣、南安市、南靖縣、長泰縣、武平縣等市縣?！案?高”類型區向南部區域擴散，這與區位條件、自然條件、農業發展基礎等因素有關。福建省南部縣域的區位條件較好，且地處漳州平原，地勢平坦，土壤肥沃，原有農業發展程度也較高。

（2）“低-低”類型區呈現出不斷縮減的變化趨勢。1983年“低-低”類型區主要集中于福建省中部和北部的將樂縣、明溪縣、壽寧縣、周寧縣等縣，之后不斷向福建省西部和東北部縮進，到2014年“低-低”類型區主要分布在福建省西部和東北部的部分縣域，如三元區、明溪縣、蕉城區、壽寧縣、柘榮縣等區縣。這表明32年間福建省中部和北部地區的農業不斷發展，中部和西北部縣域的農業N2O排放量不斷增加，而福建省西部和東北部的清流縣、寧化縣、柘榮縣、霞浦縣等縣，原有的農業基礎較差，改革開放以來雖然農業得到大力發展，但受到區位條件、自然條件等因素影響，農業發展較慢，農業N2O排放量也相對較少。

（3）“低-高”類型區呈現先聚集后縮減的變化趨勢。1983—2003年“低-高”類型區不斷向福建省的南部聚集，主要分布于漳平市、新羅區和華安縣。2003年之后“低-高”類型區不斷縮減，到2014年該類型區僅分布在福建東南沿海的晉江市，成為新的空間異質性的“熱點”區域。空間異質性“熱點”區域的出現與福建省各縣域農業N2O排放量的差異有關。1983—2003年“高-高”類型區不斷向南部擴散，但南部各縣域的農業N2O排放量不同，導致“低-高”類型區的出現，并不斷向福建省南部聚集。2003年之后南部各縣域的農業N2O排放量差距逐漸縮小，使得“低-高”類型區不斷縮減。

（4）“高-低”類型區呈現出先聚集后縮減的變化趨勢。1983—1991年“高-低”類型區不斷向福建省的北部和西部聚集，主要分布于建甌市、建陽市和順昌縣。1991年之后“高-低”類型區不斷縮減，到2014年已無該類型區的出現?？臻g異質性“冷點”區域的出現與福建省各縣域農業N2O排放量的差異有關。

2.2 縣域農業N2O排放的演變趨勢分析

圖3 1983—2014年縣域農業N2O排放量的LISA聚集圖Figure 3 LISA cluster map of agricultural N2O emissions at country level from 1983 to 2014

通過空間自相關分析表明52個縣的農業N2O排放存在顯著的空間自相關，但空間自相關分析缺乏整個時間序列的理論解釋力，且空間權重矩陣對全局和局部自相關分析影響較大。因此，本研究融入R/S分形法對1983—2014年各縣域農業N2O排放的演變趨勢進行分析，通過聚類方法對計算結果的H指數值進行聚類，可將結果分為5類[23]（圖4）。第一類，H指數值小于0.5，主要分布在福建省東部沿海的柘榮縣、閩侯縣、長樂市、平潭縣、福清市、永泰縣、德化縣、晉江市等市縣，表明這些縣域的農業N2O排放的過去增量與未來趨勢呈負相關，增長趨勢具有反持續性；第二類，H指數值在0.5～0.6之間，主要分布在福建西部和東北部的將樂縣、三元區、明溪縣、壽寧縣、周寧縣、福安市等縣市區，這些縣域的農業N2O排放的過去增量與未來趨勢呈正相關，但增長趨勢具有較弱持續性；第三類，H指數值在0.6～0.7之間，主要分布在福建中部和東北部的尤溪縣、順昌縣、光澤縣、屏南縣等縣，表明這些縣的農業N2O排放的過去增量與未來趨勢呈正相關，但增長趨勢具有中等持續性；第四類，H指數值大于0.7～0.85之間，主要分布在福建省西北部和西南部邵武市、建陽市、建甌市、漳平市、連城縣、長汀縣等市縣，表明這些縣的農業N2O排放的過去增量與未來趨勢呈正相關，增長趨勢具有較強的持續性；第五類，H指數值大于0.85～1.0之間，主要分布在福建省南部的安溪縣、南靖縣、長泰縣、華安縣、武平縣等縣，表明這些縣的農業N2O排放的過去增量與未來趨勢呈正相關，增長趨勢具有很強的持續性。由圖4進一步分析可知，農業N2O排放量增長趨勢具有較強的持續性的縣（H＞0.7以上）主要分布在福建省的南部以及西北，所占比例為40.38%，而增長趨勢具有反持續性的縣（H＜0.5）主要分布在福建省的東部沿海，比例為25%。這表明未來一段時間內，福建省的農業N2O排放處于較強的持續性，農業N2O減排工作壓力較大。

圖4 1983—2014年福建省52個縣的農業N2O排放演變趨勢的H指數分布圖Figure 4 The spatial distribution of Hurst index of Agricultural N2O emissions in 52 countries of Fujian Province from 1983 to 2014

3 討論

本研究利用探索性空間分析方法，分析縣域尺度下的農業N2O排放量的空間差異，結果顯示，1983—2014年福建省52個縣的農業N2O的排放量存在顯著的空間正相關，空間聚集分布狀態呈現出南高北低的分異格局。該研究結果與李艷春等[20]研究得出的1991—2010年福建省農業生態系統N2O排放的區域分布結論較為一致。但李艷春的研究主要以地級市的尺度進行分析，而本研究則對中小尺度的縣域進行探討，其研究結果更能反映福建省農業N2O排放的空間差異。但是空間自相關模型模擬的結果受到空間權重矩陣影響較多，存在一定的不確定性和誤差。另外，受到實驗手段、實驗場地等客觀因素限制，未能實地觀測各縣域農田N2O排放通量，使研究結果會存在一定的誤差。因此，選取更適宜的排放因子和空間權重矩陣，更準確地反映福建省農業N2O排放演變趨勢和空間格局，有待于今后深入研究。

農業N2O排放的演化趨勢反映出其在自然資源、區位條件、經濟發展及農業基礎等多種因素綜合作用下的結果。本研究通過R/S分形方法研究福建省縣域農業N2O排放的演變趨勢，探索更為全面的特征表征方法。該研究結果與已有研究[21，24]相比，較為直觀地反映了整個時間系列的縣域農業N2O排放的演變趨勢，同時將農業N2O排放的空間特征加入分析中，較全面地分析農業N2O排放趨勢，避免在分析過程中過于主觀性與隨意性。該方法的操作簡單，研究結果的可信度較大，可為縣域尺度下農業N2O排放的演變分析提供一種思路。

本研究整合ESDA和R/S分析方法的優勢，對1984—2014年福建省52個縣農業N2O排放空間差異和演變趨勢進行分析，直觀表現出縣域尺度下農業N2O排放的時空格局。即“高-高”或“低-低”空間聚集分布的區域，其增長趨勢呈現出較強的持續性或反持續性。根據研究結果表明，福建省農業N2O高排放聚集區主要位于福建省南部，呈持續增長趨勢，所占比例達40.38%。這表明未來一段時間內，福建省農業N2O排放仍處于持續增長趨勢。因此，在滿足農業生產需要的前提下，嚴格控制福建省南部縣域的農業N2O排放，采用測土配方施肥，氮肥混施、深施等措施，減少農田N2O排放。此外，動物糞便也是福建省農業N2O的重要排放源，在不影響福建省西南部養殖業發展的前提下，適當調整養殖結構，依據自然條件選取適宜的糞便管理方式，從而達到減排的目的。

4 結論

（1）1983—2014年福建省農業N2O高排放區主要聚集在南部縣域，其增長趨勢呈現出較強的持續性，而低排放區主要分布在西部和東部縣域，其增長趨勢呈現出較低的持續性或反持續性。

（2）ESDA和R/S分析方法能更全面反映縣域尺度下農業N2O排放的時空特征，但農業N2O排放是自然條件、社會發展、國家政策等多種因素綜合作用下的結果，要做到精細化和定量化仍是本研究今后需要進一步探討的方向。