2005—2020年淮海經濟區耕地碳儲量時空演變特征及碳匯區識別

林子奇，王培俊，劉 旗，楊亞麗

2005—2020年淮海經濟區耕地碳儲量時空演變特征及碳匯區識別

林子奇1，王培俊2※，劉 旗3，楊亞麗1

（1. 福建農林大學公共管理學院，福州 350002；2. 中國礦業大學公共管理學院（應急管理學院），徐州 221116；3. 福建農林大學資源與環境學院，福州 350002）

淮海經濟區墾殖率約70%，是中國糧食主產區之一，掌握其耕地碳儲量時空變化規律、識別耕地碳匯碳源區，對保護區域耕地質量和發揮耕地生態系統碳匯功能，助力“雙碳”目標實現有重要意義。該研究基于淮海經濟區土壤類型碳密度計算耕地土壤碳儲量，再運用NEP（Net Ecosystem Productivity）模型計算耕地植被固碳量，同時借助ArcGIS空間分析和地理探測器等方法研究2005—2020年淮海經濟區耕地碳儲量時空演變特征、耕地“碳”屬性及其驅動因子。結果表明：1）2005—2020年淮海經濟區耕地土壤碳儲量由于地類轉移總體減少了1.393×107t，在空間上呈“東高西低”分布；耕地植被固碳量則呈現出以2015年為拐點“先增加后減少”變化趨勢，NEP在空間上呈現出“東南高，西北低”分布特征；隨時間推移，耕地總碳儲量空間分布集聚性呈下降趨勢，其“高-高”類型區數量也逐漸減少，主要向不顯著區和“低-高”離散區轉變；2）淮海經濟區耕地碳匯區縣數32個，中強度碳匯區21個主要分布于淮海經濟區西部，高強度碳匯區5個集中分布于東北部；3）驅動淮海經濟區耕地碳儲量時空分異的因子中，主要因子是交通通達度、糧食產量、歸一化植被指數（Normalized Difference Vegetation Index, NDVI）、高程、坡度和坡向，次要因子是人口。未來耕地保護過程中，耕地碳源區縣可借鑒碳匯區耕地保護政策和管理措施，以減少耕地碳儲量的流失、維持耕地質量，同時也讓更多區縣的耕地生態系統發揮碳匯作用。

土地利用；碳；耕地碳儲量；碳匯區；土壤有機碳密度；凈生態系統生產力；驅動因子；淮海經濟區

0 引 言

陸地生態系統是地球上最大的碳庫，其微小的變化會對大氣碳濃度產生顯著的影響[1]。耕地作為陸地生態系統組成之一，其碳儲量的變化能夠反映耕地的質量水平[2]以及在生態系統中扮演的角色（碳源或碳匯），而人類社會經濟活動和自然條件的變化是引起耕地碳儲量變化的主要因素[3]。《聯合國氣候變化框架公約》中，碳匯是指運用一些方法和手段吸收大氣中的CO2，以減少其在大氣中濃度的活動和過程[4]。在一定時期內，耕地有機碳增加表現為碳匯，有機碳減少則表現為碳源[5]：一方面耕地地表農作物的固碳釋氧能力極為突出，其能夠通過光合作用將空氣中的二氧化碳固定在作物中[6]從而降低空氣中CO2的濃度，進而增加耕地的碳儲量；另一方面，對耕地農作物的處理不當如焚燒還田會向空氣中釋放大量的二氧化碳，造成耕地碳儲量的流失。在另一個層次上，人類社會經濟活動過程中，為滿足人們對建設用地和工礦用地等地類的需求，耕地不可避免地卷入地類轉移。由于建設用地有機碳密度明顯低于耕地，在地類轉移過程中勢必會造成耕地碳儲量的大量流失從而直接降低耕地的質量和數量，由此引發糧食生產安全等社會性問題。在中國，保護耕地早在20世紀末就成為了基本國策；在2017年的《中共中央國務院關于加強耕地保護和改進占補平衡意見》中，中國也意在保證地類轉移過程中耕地的數量和質量；在2020年1月的中央一號文件同樣明確提出要穩定和提高耕地糧食生產能力，保障國家糧食安全。在達成“雙碳”目標和保障糧食生產安全的重大任務之下，掌握耕地碳儲量時空演變規律、識別耕地碳匯和碳源區，探索其驅動因子能夠使得耕地保護政策指向更為精準，為“碳達峰”“碳中和”目標的達成提供農業方面的理論依據。

隨著地理學的發展和各種模型的成熟應用，研究開始結合GIS和遙感手段以獲取土地利用現狀數據，運用CASA[7]、Bookkeeping[8]、DNDC[9]和InVEST[10]等模型估算各地類的碳儲量，這些模型對推進碳儲量的研究都做出了重大貢獻，但一些模型對土地利用類型和生物量碳密度值固定化從而忽略了碳密度本身的空間分布特征，并且隨著時間的推移植被的固碳量也會有所變動，這就使得研究結果與實際會產生較多的偏差。當前，對碳儲量的研究尺度主要包括省尺度[11-12]、市尺度[13-14]、區縣尺度[15]和生態區[16]等，研究內容主要包括土地利用變化[17-18]、植被恢復[19-20]和管理措施[21]等對碳儲量的影響。在許多研究中，大部分學者都對研究區碳儲量變化進行總體研究，也對碳儲量的空間分布做了詳細的分析，但在以往的研究當中，多數學者較少對單一地類碳儲量變化進行深入研究，且在研究空間分布特征時也較少考慮到碳儲量分布的空間關聯性，特別地，對驅動耕地碳儲量時空演變因子方面的研究也相對較少。

2018年國務院批復《淮海生態經濟帶發展規劃》，意在將淮海經濟區建設成人與自然和諧共生的綠色發展帶。因此，本文基于淮海經濟區土壤類型碳密度和植被凈初級生產力計算耕地碳儲量，運用ArcGIS、GeoDa和地理探測器以及空間自相關、地類轉移矩陣等方法分析淮海經濟區耕地碳儲量時空演變規律，識別耕地碳匯碳源區，探測其驅動因子，以期為維持淮海經濟區耕地質量、保護和發揮耕地生態系統碳匯功能提供理論借鑒。

1 研究區域、數據與方法

1.1 研究區概況

淮海經濟區地處黃淮海平原邊緣（圖1），114°～120°E，35°～37°N，以徐州市為中心，由菏澤市、商丘市、淮北市、宿州市、宿遷市、連云港市、臨沂市、棗莊市、濟寧市共10個地級市組成，總面積95 481 km2。北臨京津冀，南接長三角，東連黃海，西襟中原城市群。地勢西北高東南低，高程為?19～1 126 m，全區地形以平原為主。氣候類型為溫帶季風氣候，平均氣溫為9.8～16.1 ℃，年降雨量為660～950 mm，年均無霜期200～220 d，土壤肥沃、水熱資源豐富，墾殖率約70%，是中國糧食主產區之一。

圖1 研究區位置

1.2 數據來源

1）2005—2020年數據：NPP數據來源于MOIDS提供的MOD17A3HGF產品（https://ladsweb.modaps.eosdis.nasa.gov/），分辨率為500 m；土地利用現狀數據來源于中國科學院資源環境科學與數據中心（https://www.resdc.cn/），分辨率為1 km。

2）2010—2020年數據：NDVI數據來源于MOIDS提供的MOD13Q1產品（https://ladsweb.modaps.eosdis.nasa.gov/），分辨率為1 km；高程、坡度和坡向數據來源于地理空間數據云（http://www.gscloud.cn/），分辨率為30 m；人口分布數據來源于中國科學院資源環境科學與數據中心（https://www.resdc.cn/），分辨率為1 km；道路矢量數據來源于OSM（http://download.geofabrik.de/），運用GIS估算其密度作為交通通達度；糧食產量數據來源于淮海經濟區各縣的縣域統計年鑒，運用GIS將其與相應縣域行政區劃空間連接進行柵格可視化。在ArcGIS中對上述數據重采樣統一像元大小，并進行重分類以離散化作為探測因子數據。

3）單一時期數據：土壤類型柵格數據和行政區劃矢量數據來源于中國科學院資源環境科學與數據中心（https://www.resdc.cn/），分辨率為1 km；土壤類型碳密度數據來源于中國科學院南京土壤所于東升和史學正等學者研究的基于1:100萬土壤數據庫的中國土類土壤有機碳密度清單[22]。

1.3 研究方法

1.3.1 淮海經濟區耕地土壤碳儲量計算

本研究基于中國1:100萬土壤數據庫土壤類型有機碳密度清單，對其按照淮海經濟區氣候進行修正（修正方法參考Alam等[23]研究公式），并運用ArcGIS與土壤類型柵格圖層空間連接得到土壤類型碳密度分布圖，最后以淮海經濟區耕地柵格圖層提取計算得到耕地土壤碳儲量時空分布圖。本研究所計算的耕地土壤碳儲量與解天琪等[24]學者同地區耕地土壤碳儲量研究結果相差甚少，具體對比結果如表1所示：該學者研究區為更大范圍的淮海經濟區，研究年份為2006、2011、2017年，單位面積碳儲量均為9.30×103t/km2，本文選取相近年份2005、2010、2015年耕地碳儲量，碳儲量分別為9.00×103、9.01×103、9.01×103t/km2，各年份與前人研究成果分別相差3.23%、3.12%、3.12%，說明本研究耕地土壤碳儲量計算結果與前人研究成果相差不大，數據具有可靠性。

表1 與前人研究[24]耕地土壤碳儲量對比

1.3.2 凈生態系統生產力（NEP）模型

NEP能夠能直接反映區域植被一段時間內固定或者釋放碳的強度，常用于度量植被生態系統的碳源或者碳匯能力。NEP可以由植被凈初級生產力（NPP）與土壤異氧呼吸（R）之間的差值表示[25]。NEP值為正，表示植被發揮出碳匯作用，為負則為碳源作用。NEP單位為kg/(m2·a)，以C計。計算式如下：

土壤異氧呼吸R采用張梅等[26]建立的模型計算。

土壤呼吸R（kg/(m2·a)，以C計）采用Chen等[27]建立的土壤呼吸模型計算。

式中為年均溫，℃；為年降雨量，m；SOC為土壤碳密度，kg/m2。

1.3.3 全局空間自相關

全局空間自相關能夠統計和展現某一區域地理要素整體的關聯性和分布特征。本文運用Geoda軟件構建空間權重矩陣，以4個時期耕地碳儲量作為變量計算出全局Moran’。計算如下：

式中()、VAR()分別表示Moran’的期望值和方差。當Z>1.96或Z0，說明耕地碳儲量存在正的空間自相關，耕地碳儲量高（低）的區域集聚分布；如果Moran’<0，則相反。

1.3.4 局部空間自相關

由于研究區范圍的空間單元與其鄰近單元在空間自相關水平上同樣存在差異，而全局空間自相關不能夠對其進行更好地描述和統計。因此，在全局空間自相關分析的基礎上，利用Geoda軟件制作LISA聚類圖對淮海經濟區耕地碳儲量局部空間自相關進行分析。在Z>1.96或Z0，表示相鄰單元耕地碳儲量差異小，呈現出集聚分布態勢（“高高聚類”或“低低聚類”）；如果Moran’<0，則耕地碳儲量在空間分布上差異顯著，呈現出離散特征（“高低離散”或“低高離散”）。具體計算式如下：

式中I是第個區域局部Moran’，2為空間單元耕地碳儲量的方差，式子中其他變量的含義與上述全局Moran’式子中的相同。

1.3.5 地理探測器

地理探測器是基于離散化地理要素與因變量地理要素空間分異的相似性來探測因變量空間分異驅動因素的統計學方法，其主要包含4個功能模塊：交互探測、生態探測、因素探測和風險探測[28]。由于耕地碳密度主要受到自然和社會因素的影響。為此，選擇因素探測功能探測坡度、坡向、高程、NDVI、人口、糧食產量和交通通達度共7個驅動因子對耕地碳儲量時空變化驅動力的大小。值的大小即為因子對因變量驅動力的大小，表達式如下：

2 結果與分析

2.1 淮海經濟區土壤碳密度空間分布

運用ArcGIS將淮海經濟區土壤類型柵格圖與土類有機碳密度進行空間連接并統計，結果如表2和圖2所示。淮海經濟區土壤類型分為石質土、風沙土、新積土、粗骨土、紅黏土、堿土、鹽土、潮土、黃褐土、砂姜黑土、褐土、濱海鹽土、水稻土、棕壤、石灰巖土和沼澤土，其有機碳密度逐漸增大。

表2 各土類面積、碳密度及碳儲量

淮海經濟區土壤碳密度低值區面積最少，為10 420.09 km2，主要為石質土、風沙土、新積土、粗骨土、紅黏土、堿土和水域所在地以及山地地區，有機碳密度介于0～6.61 kg/m2，碳儲量為6.314×107t；土壤碳密度中值區面積最大，為62 086.81 km2，約占研究區3/4，主要分布于淮海經濟區西部和東南部，其土壤類型為鹽土、潮土、黃褐土和砂姜黑土，有機碳密度介于6.61～8.77 kg/m2，雖然其碳密度不是研究區的高值區，但分布廣泛，碳儲量高達5.112 9×108t；碳儲量高值區主要分布于淮海經濟區東部以及一些山地、水域周邊，其土壤類型為褐土、濱海鹽土、水稻土、棕壤、石灰巖土以及沼澤土，土壤有機碳密度值較高，介于8.77～61.39 kg/m2，由于其分布面積較小，為19 905.62 km2，使得其土壤碳儲量為2.643 3×108t，僅次于土壤碳密度中值區碳儲量。

圖2 淮海經濟區土壤有機碳密度空間分布

2.2 土地利用變化對耕地土壤碳儲量的影響

本文將土地利用類型劃分為6類（耕地、林地、草地、建設用地、水域和未利用地）。運用ArcGIS對相鄰年份土地利用現狀圖層疊加計算得到3個時間段土地利用轉移矩陣，結果如表3～5所示。在各個時間段淮海經濟區耕地與建設用地之間的轉變最多，其次是與草地、林地和水域之間，與未利用地之間的轉變最少。

2005—2010年間，耕地轉變為林地13 992.80 hm2，轉變為草地18 796.00 hm2，轉變為水域8 690.85 hm2，轉變為建設用地的面積最多，為149 537.00 hm2，轉變為未利用地的面積最少，僅為205.02 hm2。與此同時，林地、草地、水域、建設用地轉變為耕地的面積分別為12 183.80、17 667.00、24 202.00和175 368.00 hm2。在這一時間段的土地利用轉移過程中，耕地面積凈增加了38 199.13 hm2，從而增加了2.72×106t耕地土壤碳儲量。

2010—2015年間，耕地轉變為林地、草地、水域、建設用地和未利用地的面積分別為12 679.80、17 685.00、28 986.90、274 452.00、198.99 hm2，而林地、草地、水域、建設用地和未利用地轉變為耕地的面積分別為13 490.80、18 089.00、8 298.90、145 432.00和205.2 hm2。總體而言，在這一時間段內，耕地處于流失狀態，凈流失面積為148 486.79 hm2，導致耕地土壤碳儲量減少了1.276×107t。

在2015—2020時間段內耕地轉變為林地、草地、水域和未利用地的面積分別為94 020.00、107 923.00、128 797.00、4 907.07 hm2，轉變為建設用地的面積達到了各年份最多，為1 214 830.00 hm2。與此同時，林地、草地、水域、建設用地和未利用地轉變為耕地的面積分別為124 707.00、228 110.00、134 989.00、1 013 530.00 hm2和9 389.07 hm2。因此，這一時間段土地利用轉移依然使得耕地處于負增長狀態，凈流失面積為39 752.00 hm2，直接導致了耕地3.89×106t土壤碳儲量損失。

表3 2005—2010年淮海經濟區土地利用轉移矩陣

表4 2010—2015年淮海經濟區土地利用轉移矩陣

表5 2015—2020年淮海經濟區土地利用轉移矩陣

2.3 耕地土壤碳儲量時空分布

在淮海經濟區土壤類型空間分布柵格圖的基礎上計算出各土壤類型的碳儲量，再利用耕地柵格數據對碳儲量屬性進行提取，最后得到淮海經濟區2005—2020年耕地土壤碳儲量空間分布圖，結果如圖3所示。

2005、2010、2015和2020年淮海經濟區耕地碳儲量分別為6.028 2×108、6.055 4×108、5.927 8×108和5.888 9×108t，碳儲量呈現出以2010年為拐點“先增加而后減少”的變化特征。在空間分布上，耕地碳儲量低值區（碳儲量<6.61×103t/km2）面積極少，主要分布于商丘市、宿州市和宿遷市以北的“黃河故道”以及山地周邊。耕地土壤碳儲量中值區（碳儲量介于6.61～8.77×103t/km2）面積廣泛，主要分布于淮海經濟區西部（濟寧市以西、菏澤市、商丘市、淮北市）和東南部（徐州市、宿州市、宿遷市）。耕地土壤碳儲量高值區（碳儲量介于8.77～61.39×103t/km2）面積較少，主要分布于淮海經濟區東北部（濟寧市以東、棗莊市、臨沂市）和東部連云港市。隨著時間的推移，淮海經濟區耕地土壤碳儲量中高值區和低值區在空間位置上并未發生明顯變化，總體上呈“東高西低”分布態勢。

圖3 淮海經濟區耕地土壤碳儲量時空分布

2.4 耕地凈生態系統生產力（NEP）時空分布

運用ArcGIS地圖代數柵格計算功能將2005—2020年份耕地逐年NPP柵格值減去對應年份土壤異養呼吸柵格值從而得到淮海經濟區耕地凈生態系統生產力時空分布圖，所得結果如圖4所示。

2005—2020年淮海經濟區耕地各年份植被固碳量分別為2.706 7×108、2.727 0×108、2.882 3×108、2.802 1×108t，呈現出以2015年為拐點先增加而后減少的趨勢。其中，2005—2015年間有部分耕地NEP為負值，發揮出一定的碳源作用，碳源耕地面積分別為4.42、5.03、1.01 km2，NEP分別介于?0.462～0.004、?0.397～0.046、?0.468 kg/(m2·a)，而在2020年NEP均為正值。由于碳源耕地面積極少，且碳輸出強度較低，因此在各年份淮海經濟區耕地植被總體上發揮出碳匯作用。

圖4 淮海經濟區耕地凈生態系統生產力時空分布

空間分布上，2005年耕地NEP低值區（NEP介于?0.47～3.42 kg/(m2·a)）主要分布于淮海經濟區中西部（棗莊市、徐州市、宿州市、淮北市、濟寧市、菏澤市、商丘市）以及臨沂市，而NEP中高值區（NEP介于3.42～32.77 kg/(m2·a)）主要分布于東南部；2010年NEP低值區主要分布于淮海經濟區西北部（濟寧市、棗莊市、菏澤市、商丘市）以及臨沂市，NEP中高值區主要分布于東南部并向西南部延伸；2015和2020年NEP低值區更少，集中分布在淮海經濟區北部，NEP中高值區主要分布于中南部。總體而言，2005—2020年淮海經濟區NEP呈現出“東南高，西北低”的空間分布特征，隨著時間的推移，中高值區向西南部延伸。

2.5 耕地碳儲量時空分布

研究區碳儲量不僅僅是土壤碳儲量，還包括其上植被生理過程中所產生的凈碳量。為此，運用ArcGIS地圖代數柵格計算功能，對淮海經濟區2005－2020年耕地土壤碳儲量柵格圖層與耕地NEP柵格圖層作加法運算以獲取耕地總碳儲量，所得結果如圖5所示。

2005－2020年淮海經濟區4個時間點耕地總碳儲量分別為8.734 9×108、8.782 4×108、8.810 1×108、8.691 0×108t。2005－2020年間每隔5年，碳儲量先增加4.75×106、2.77×106t，而后減少1.191×107t，變化幅度分別為0.5%、0.3%、?1.4%，呈現出以2015年為拐點，碳儲量先上升而后下降的趨勢。由于耕地碳儲量的下降幅度更大，直至2020年淮海經濟區耕地碳儲量減少了4.39×106t。在這一時間段，淮海經濟區耕地生態系統扮演了碳源角色。

在空間分布上，2005－2010年淮海經濟區耕地碳儲量低值區（碳儲量介于?0.030～1.156×104t/km2）主要分布于淮海經濟區西部，而碳儲量中高值區（碳儲量介于1.156～2.114×104t/km2）集中分布于東部；2015－2020年，耕地碳儲量低值區主要分布于淮海經濟區西北部，而中值區（碳儲量介于1.156～1.537×104t/km2）則向淮海經濟區西南部延伸。總體而言，淮海經濟區耕地碳儲量呈現出“東高西低”的分布特征，隨著時間推移碳儲量中值區往西南部擴張，低值區往西北部收縮，而碳儲量高值區（碳儲量介于1.537～9.295×104t/km2）面積較少且分布位置較為固定，隨時間變化不明顯。

圖5 2005—2020年淮海經濟區耕地總碳儲量時空分布

2.6 耕地碳儲量空間分布關聯性分析

運用GeoDa對淮海經濟區耕地碳儲量進行全局空間自相關分析，得到2005—2020年4個時間節點的全局Moran’s值（表6）。在=0.05水平上，2005、2010、2015、2020年的值均大于于檢驗臨界值1.96，通過顯著性檢驗。2005—2020年各年份Moran’s分別為0.19、0.19、0.16、0.14，均大于0，說明淮海經濟區各年份耕地碳儲量空間分布具有明顯的集聚性，但隨著時間的推移，Moran’s逐漸減小，說明耕地碳儲量空間分布集聚性呈減弱趨勢。

為更好地揭示淮海經濟區耕地碳儲量的局部集聚特征，對其進行局部空間自相關分析（圖6）。“高-高”聚類區自身和相鄰地區耕地碳儲量均較高，其主要分布于宿州市泗縣、靈璧縣和市轄區以及徐州市睢寧縣、新沂市，隨著時間的推移該類型區數量逐漸減少，主要向不顯著區和“低-高”離散區轉變，至2020年該類型區僅分布于新沂市、靈璧縣和宿州市轄區；“低-高”離散區自身耕地碳儲量低但其相鄰地區耕地碳儲量較高，該類型區主要分布于中部（徐州市轄區、淮北市轄區）和東部（連云港市轄區、郯城縣、宿遷市轄區），其數量在2005－2015年間較為穩定，在2020年主要轉變成不顯著區；“低-低”聚類區自身和相鄰區域耕地碳儲量皆低，主要分布于濟寧市轄區、睢縣、金鄉縣、汶上縣和魚臺縣，其數量和位置隨時間推移變化不大，僅睢縣轉變成不顯著區。

表6 淮海經濟區耕地碳儲量全局莫蘭指數與檢驗

圖6 淮海經濟區耕地碳儲量LISA聚類

2.7 耕地碳匯功能區識別

運用ArcGIS分區統計2005—2020年各區縣耕地碳儲量及年增長速率。根據增長性質劃分耕地碳源和碳匯區：耕地碳儲量增長速率為負是碳源區，為正則為碳匯區，并對正增長速率大小按照數量級劃分以區別碳匯強度。結果如表7、圖7所示。

綜合圖表來看，到2020年淮海經濟區耕地生態系統碳源區31個，碳匯區32個，在數量上具有一定的平衡。其中：低強度碳匯區6個，在空間上呈零散分布；中強度碳匯區21個，集中分布于淮海經濟區西部；高強度碳匯區僅5個，分別為費縣、平邑縣、鄒城市、蘭陵縣和莒南縣。碳源區主要分布在淮海經濟區東部，總體上貫穿了耕地碳匯區。

根據各縣區耕地碳儲量增長速率的差異劃分淮海經濟區耕地碳匯碳源區。淮海經濟區西部和東北部區縣耕地碳匯強度更高、分布更為集聚，為主要碳匯區，這主要與其良好的耕地保護政策和管理有關。特別地，高強度碳匯區都切實實施耕地保護目標責任制、建立補償機制以鼓勵補耕等政策從而維持了耕地的數量，如費縣和蘭陵縣對鄉鎮實行年度耕地保護責任目標考核、平邑縣優化土地利用格局保證耕地數量和質量、莒南縣和鄒城市落實永久基本農田“田長制”工作責任，這些耕地保護政策都可以作為耕地碳源區維持和提高耕地碳儲量的借鑒，以期在未來的發展過程中能夠維持和改善耕地數量、質量，提高其碳匯能力，在保障糧食生產的同時也能在農業方面促進“雙碳”目標的達成。

圖7 2020年淮海經濟區耕地碳匯強度空間分布

表7 2005—2020年淮海經濟區各區縣耕地碳儲量增長速率

2.8 耕地碳儲量時空演變驅動力探測

耕地碳儲量主要受到自然和社會經濟因素的影響。因此，本文選取并探測2010、2015、2020年人口、交通通達度、糧食產量、NDVI、高程、坡度和坡向因子對淮海經濟區耕地碳儲量時空分異的影響，結果如表8所示。

表8 耕地碳儲量驅動因子

2010—2020年，人口對淮海經濟區耕地碳儲量時空分異的影響力分別為0.046、0.013和0.040，均小于0.1，是次要因子。

交通通達度、糧食產量、NDVI、高程、坡度和坡向對淮海經濟區耕地碳儲量時空分布的驅動力較高，除糧食產量的驅動力略有波動，其他因子驅動力隨時間的變化幅度小，在2010年其影響力分別為0.192、0.270、0.352、0.211、0.202、0.190；在2015年其驅動力分別為0.214、0.104、0.383、0.217、0.204、0.196；到2020年6種因子的驅動力分別達到0.201、0.162、0.395、0.241、0.209、0.203；總體而言，6種因子的影響力在各年份基本上在0.2～0.4之間，是驅動淮海經濟區耕地碳儲量時空演變的主要因子。

3 討 論

3.1 耕地碳儲量時空演變特征

淮海經濟區耕地土壤碳儲量呈以2010年為拐點“先增后減”變化趨勢，結果與解天琪等[24]研究成果相符。這是因為2005－2010年，該區主要從事農業生產，耕地面積有所增長，而在2010－2020年由于資源型產業發展迅速使得耕地面積處于流失狀態，該現象也與現有研究結果[29-30]相符。在本研究中，每減少1 m2耕地，平均將會流失9.01 kg的土壤有機碳，2005－2020年地類轉移過程中淮海經濟區耕地凈流失面積為150 039.66 hm2，導致耕地損失了1.393×107t土壤碳儲量。

耕地凈生態系統生產力是表征作物固碳能力的重要指標。淮海經濟區溫度和降雨量由東南沿海向西北延伸過程中呈遞減趨勢。在時間上，2010、2015、2020年年均溫分別為15.06、15.13、15.15 ℃，年均降雨量分別為778.16、745.39、985.12 mm，皆呈增長趨勢。淮海經濟區耕地主要糧食作物熟制為一年一熟或一年兩熟，而周濤等[31]研究結果表明溫度和降雨量的增加會顯著增加一年一熟、一年兩熟以及兩年三熟作物的NEP，與本研究中淮海經濟區耕地NEP“東南高、西北低”的空間分布特征、2005－2015年植被固碳量逐漸增長的研究結論一致。植被固碳量在2020年減少則是由于耕地大量轉為建設用地所致，但其值依舊會比2005和2010年高。

淮海經濟區耕地總碳儲量以2015年為拐點呈“先增后減”趨勢，與植被固碳量變化趨勢相同。這主要是因為在2010—2015年植被固碳量增加1.553×107t，超過了這個時間段1.276×107t土壤碳儲量損失。由于淮海經濟區東部耕地土壤碳儲量以及凈生態系統生產力都較西部高，使得耕地總碳儲量呈現出“東高西低”空間分布特征。到2020年，耕地轉向建設用地面積達到了各年份之最，耕地土壤碳儲量流失嚴重、耕地作物固碳量也隨之下降，因此其空間集聚性和“高-高”聚類區數量達到了最低。

3.2 研究中尚存在的不足及改進之處

本文從時間變化、空間變化和驅動因素等方面研究分析了淮海經濟區耕地的地上和地下部分碳、識別了碳匯碳源區，能夠為評價其他地區耕地碳源與匯提供借鑒，為中國“雙碳”目標的達成提供農業方面思路。但是，本研究也存在一些需要完善的地方：本文所研究的2005－2020年耕地碳儲量的時間分辨率為5 a；受數據獲取的影響，僅探測了2010－2020年耕地碳儲量驅動因子，但探測驅動因子著重的是其對當下和今后淮海經濟區碳儲量演變驅動的參考價值，從而對研究結果的借鑒意義影響較小。在下一步研究中，進一步探索長時間序列，以期能夠更加全面精準探索碳儲量演變規律及其成因。

4 結論與建議

4.1 結 論

1）受地類轉移的影響，淮海經濟區耕地土壤碳儲量在2005－2020年間減少了1.393×107t，其在空間上大致呈“東高西低”分布；耕地植被固碳量呈現出以2015年為拐點先增后減的變化趨勢，NEP在空間上呈現出“東南高，西北低”分布特征。

2）2005－2020年淮海經濟區4個年份耕地碳儲量分別為8.734 9×108、8.782 4×108、8.810 1×108、8.691 0×108t，以2015年為拐點呈“先增后減”變化趨勢，在空間上呈“東高西低”分布態勢，隨著時間的推移其空間集聚性有所下降，“高-高”聚類區主要向不顯著區和“低-高”離散區轉變；到2020年，淮海經濟區耕地碳匯區32個，以中強度碳匯區為主，集中分布于淮海經濟區西部和東北部；耕地碳源區31個主要由各市市轄區組成，在空間上總體貫穿了耕地碳匯區。

3）驅動淮海經濟區耕地碳儲量空間分異的因子中，交通通達度、糧食產量、NDVI、高程、坡度和坡向為主要因子，影響力總體介于0.2～0.4；人口是次要因子，影響力在各年份均小于0.1。

4.2 建 議

綜合考慮淮海經濟區耕地碳儲量時空演變規律及其驅動因子，在未來發展過程中可以參考如下建議：

1）淮海經濟區耕地土壤碳密度較高，土壤碳儲量大。在未來發展過程中應當嚴格控制耕地流出，耕地碳源區縣可按照現實情況借鑒碳匯區縣耕地保護政策和管理措施，如可將耕地保護納入對各級政府政績的考量以落實耕地保護主體責任，從而在耕地“占補平衡”過程中能夠真正地做到“量”和“質”的平衡。

2）淮海經濟區主要作物為小麥、玉米和大豆等，秸稈資源產量豐富，收獲后可對秸稈全量粉碎覆蓋/翻埋還田。一方面可最大限度減少耕地碳流失以維持耕地肥力，另一方面可減少化肥施用量以保持土壤微生物活性、促進土壤碳氮良性循環從而改善耕作環境以提高耕地NEP。

3）在地形不良好區域可結合經濟效益種植土地適宜性作物，或者建設農用設施，如改善田間道路、在高程、坡度較大或蒸發量較大的陽坡面修建蓄水池-給排水灌溉設施等以彌補自然條件缺陷，從而利于耕種、管理、減少拋荒現象。

[1] Stockmann U, Adams M A, Crawford J W, et al. The knowns, known unknowns and unknowns of sequestration of soil organic carbon[J]. Agriculture Ecosystems & Environment, 2013, 164: 80-99.

[2] Johannes A, Matter A, Schulin R, et al. Optimal organic carbon values for soil structure quality of arable soils. Does clay content matter? [J]. Geoderma, 2017, 302: 14-21.

[3] 孔祥斌，胡瑩潔，李月，等. 北京市耕地表層土壤有機碳分布及其影響因素[J]. 資源科學，2019，41(12)：2307-2315.

Kong Xiangbin, Hu Yingjie, Li Yue, et al. Distribution and influencing factors of soil organic carbon of cultivated land topsoil in Beijing[J]. Resources Science, 2019, 41(12): 2307-2315. (in Chinese with English abstract)

[4] 王天福，龔直文，鄧元杰. 基于土地利用變化的陜西省植被碳匯提質增效優先區識別[J]. 自然資源學報，2022，37(5)：1214-1232.

Wang Tianfu, Gong Zhiwen, Deng Yuanjie. Identification of priority areas for improving quality and efficiency of vegetation carbon sinks in Shaanxi province based on land use change[J]. Journal of Natural Resources, 2022, 37(5): 1214-1232. (in Chinese with English abstract)

[5] 張玥，代亞強，陳媛媛，等. 中國耕地低碳利用效率時空演變及其驅動因素[J]. 農業工程學報，2022，38(8)：234-243.

Zhang Yue, Dai Yaqiang, Chen Yuanyuan, et al. Spatial-temporal evolution and driving factors of low-carbon use efficiency of cultivated land in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(8): 234-243. (in Chinese with English abstract)

[6] 李強，高威，魏建飛，等. 中國耕地利用凈碳匯時空演進及綜合分區[J]. 農業工程學報，2022，38(11)：239-249.

Li Qiang, Gao Wei, Wei Jianfei, et al. Spatiotemporal evolution and comprehensive zoning of net carbon sink in cultivated land use in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 239-249. (in Chinese with English abstract)

[7] 吳國偉，趙艷玲，付艷華，等. 復墾礦區土地利用類型變化對植被碳儲量的影響[J]. 中國生態農業學報，2015，23(11)：1437-1444.

Wu Guowei, Zhao Yanling, Fu Yanhua, et al. Impact of reclamation-driven land use change on vegetation carbon store in mining areas[J]. Chinese Journal of Eco-Agriculture, 2015, 23(11): 1437-1444. (in Chinese with English abstract)

[8] 王淵剛，羅格平，馮異星，等. 近50a瑪納斯河流域土地利用/覆被變化對碳儲量的影響[J]. 自然資源學報，2013，28(6)：994-1006.

Wang Yuangang, Luo Geping, Feng Yixing, et al. Effects of land use/land cover change on carbon storage in Manas river watershed over the past 50 Years[J]. Journal of Natural Resources, 2013, 28(6): 994-1006. (in Chinese with English abstract)

[9] 邱建軍，唐華俊. 北方農牧交錯帶耕地土壤有機碳儲量變化模擬研究：以內蒙古自治區為例[J]. 中國生態農業學報，2003(4)：91-93.

Qiu Jianjun, Tang Huajun. Study on the situation of soil organic carbon storage in ecotone between agriculture and animal husbandry: A case study from Inner Mongolia[J]. Chinese Journal of Eco-Agriculture, 2003(4): 91-93. (in Chinese with English abstract)

[10] 張平平，李艷紅，殷浩然，等. 中國南北過渡帶生態系統碳儲量時空變化及動態模擬[J]. 自然資源學報，2022，37(5)：1183-1197.

Zhang Pingping, Li Yanhong, Yin Haoran, et al. Spatio-temporal variation and dynamic simulation of ecosystem carbon storage in the north-south transitional zone of China[J]. Journal of Natural Resources, 2022, 37(5): 1183-1197. (in Chinese with English abstract)

[11] 陳美景，王慶日，白中科，等. 碳中和愿景下“三生空間”轉型及其碳儲量效應：以貴州省為例[J]. 中國土地科學，2021，35(11)：101-111.

Chen Meijing, Wang Qingri, Bai Zhongke, et al. Transition of “Production-Living-Ecological” space and its carbon storage effect under the vision of carbon neutralization: A case study of Guizhou Province[J]. China Land Science, 2021, 35(11): 101-111. (in Chinese with English abstract)

[12] 吳佩君，劉小平，黎夏，等. 基于InVEST模型和元胞自動機的城市擴張對陸地生態系統碳儲量影響評估：以廣東省為例[J]. 地理與地理信息科學，2016，32(5)：22-28，36，2.

Wu Peijun, Liu Xiaoping, Li Xia, et al. Impact of urban expansion on carbon storage in terrestrial ecosystems based on InVEST Model and CA: A case study of Guangdong Province, China[J]. Geography and Geo-Information Science, 2016, 32(5): 22-28, 36, 2. (in Chinese with English abstract)

[13] 王曉，于兵，李繼紅. 土地利用和土地覆被變化對土壤有機碳密度及碳儲量變化的影響：以黑龍江省大慶市為例[J]. 東北林業大學學報，2021，49(11)：76-83.

Wang Xiao, Yu Bing, Li Jihong. Effects of land use and land cover change on soil organic carbon density and carbon storage: A case study of Daqing, Heilongjiang Province[J]. Journal of Northeast Forestry University, 2021, 49(11): 76-83. (in Chinese with English abstract)

[14] 張志國，班高晗. 土地利用變化驅動下洛陽市生態系統碳儲量時空變異[J]. 江蘇農業科學，2021，49(14)：226-230.

Zhang Zhiguo, Ban Gaohan. Temporal and spatial variation of ecosystem carbon storage based on land use change in Luoyang City[J]. Jiangsu Agricultural Sciences, 2021, 49(14): 226-230. (in Chinese with English abstract)

[15] 李義平，蔡宏，田鵬舉，等. 貴州省黎平縣地表覆被變化引起的生態系統碳儲量變化[J]. 水土保持通報，2020，40(2)：92-99, 325.

Li Yiping, Cai Hong, Tian Pengju, et al. Changes in ecosystem carbon stock caused by land cover conversion in liping county of Guizhou Province[J]. Bulletin of Soil and Water Conservation, 2020, 40(2): 92-99, 325. (in Chinese with English abstract)

[16] Wu B, Zhang W Z, Tian Y C, et al. Characteristics and carbon storage of a typical mangrove island ecosystem in Beibu Gulf, South China Sea[J]. Journal of Resources and Ecology, 2022, 13(3): 458-465.

[17] 向書江，張騫，王丹，等. 近20年重慶市主城區碳儲量對土地利用/覆被變化的響應及脆弱性分析[J]. 自然資源學報，2022，37(5)：1198-1213.

Xiang Shujiang, zhang Qian, Wang Dan, et al. Response and vulnerability analysis of carbon storage to LUCC in the main urban area of Chongqing during 2000-2020[J]. Journal of Natural Resources, 2022, 37(5): 1198-1213. (in Chinese with English abstract)

[18] 李姣，汪杰，李朗，等. 洞庭湖生態經濟區土地利用變化對碳儲量的影響[J]. 生態學雜志，2022，41(6)：1156-1165.

Li Jiao, Wang Jie, Li Lang, et al. Impact of land use change on carbon storage in the Dongting Lake Economic Zone[J]. Chinese Journal of Ecology, 2022, 41(6): 1156-1165. (in Chinese with English abstract)

[19] 于貴瑞，朱劍興，徐麗，等. 中國生態系統碳匯功能提升的技術途徑：基于自然解決方案[J]. 中國科學院院刊，2022，37(4)：490-501.

Yu Guirui, Zhu Jianxing, Xu Li, et al. Technological approaches to enhance ecosystem carbon sink in China: Nature-based Solutions[J]. Bulletin of Chinese Academy of Sciences, 2022, 37(4): 490-501. (in Chinese with English abstract)

[20] 許小明，田起隆，孫景梅，等. 子午嶺地區植被演替的土壤碳匯效應[J]. 水土保持學報，2022，36(3)：159-165，180.

Xu Xiaoming, Tian Qilong, Sun Jingmei, et al. Effects on soil carbon sink of vegetation succession in the Ziwuling Area[J]. Journal of Soil and Water Conservation, 2022, 36(3): 159-165, 180. (in Chinese with English abstract)

[21] 胡正江，康曉晗，薛旭杰，等. 集約農田管理措施對桓臺縣域土壤有機碳儲量的影響[J]. 中國生態農業學報（中英文），2022，30(8)：1258-1268.

Hu Zhengjiang, Kang Xiaohan, Xue Xujie, et al. Effect of intensive farming practice on soil organic carbon stock in Huantai County[J]. Chinese Journal of Eco-Agriculture: 2022，30(8)：1258-1268. (in Chinese with English abstract)

[22] 于東升，史學正，孫維俠，等. 基于1∶100萬土壤數據庫的中國土壤有機碳密度及儲量研究[J]. 應用生態學報，2005，16(12)：2279-2283.

Yu Dongsheng, Shi Xuezheng, Sun Weixia, et al. Estimation of China soil organic carbon storage and density based on 1: 1000000 soil database[J]. Chinese Journal of Applied Ecology, 2005, 16(12): 2279-2283. (in Chinese with English abstract)

[23] Alam S A, Starr M, Clark B J F. Tree biomass and soil organic carbon densities across the Sudanese woodland savannah: A regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89: 67-76.

[24] 解天琪，李龍，陳鑫，等. 基于土地利用的淮海經濟區碳儲量估算與預測[J]. 中國農業大學學報，2021，26(1)：131-142.

Xie Tianqi, Li Long, Chen Xin, et al. Estimation and prediction of carbon storage based on land use in the Huaihai Economic Zone[J]. Journal of China Agricultural University, 2021, 26(1): 131-142. (in Chinese with English abstract)

[25] 方精云，柯金虎，唐志堯，等. 生物生產力的“4P”概念、估算及其相互關系[J]. 植物生態學報，2001(4)：414-419.

Fang Jingyun, Ke Jinhu, Tang Zhiyao, et al. Implications and estimations of four terrestrial productivity parameters[J]. Chinese Journal of Plant Ecology, 2001(4): 414-419. (in Chinese with English abstract)

[26] 張梅，黃賢金，揣小偉，等. 中國凈生態系統生產力空間分布及變化趨勢研究[J]. 地理與地理信息科學，2020，36(2)：69-74.

Zhang Mei, Huang Xianjin, Chuai Xiaowei, et al. Spatial distribution and changing trends of net ecosystem productivity in China[J]. Geography and Geo-Information Science, 2020, 36(2): 69-74. (in Chinese with English abstract)

[27] Chen S, Huang Y, Zou J, et al. Interannual variability in soil respiration from terrestrial ecosystems in China and its response to climate change[J]. Science China (Earth Sciences), 2012, 55(12): 2091-2098.

[28] 王勁峰，徐成東. 地理探測器：原理與展望[J]. 地理學報，2017，72(1)：116-134.

Wang Jingfeng, Xu Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. (in Chinese with English abstract)

[29] 沈正平，安宇，顧曉波. 都市圈與經濟區整合及協調發展研究：以邊緣性的徐州都市圈與淮海經濟區為例[J]. 中國軟科學，2003(11)：128-133，144.

Shen Zhengping, An Yu, Gu Xiaobo. On the integration and harmonious development between metropolitan area and economic region: A case study of the marginal Xuzhou metropolitan area and Huaihai economic region[J]. China Soft Science, 2003(11): 128-133, 144. (in Chinese with English abstract)

[30] 陳敬霄. 淮海經濟區城鎮化時空格局及驅動力分析[J]. 中國農業資源與區劃，2018，39(6)：110-115.

Chen Jingxiao. The spatial-temporal pattern and driving mechanisms of the development of urbanization in Huaihai economic zone[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(6): 110-115. (in Chinese with English abstract)

[31] 周濤，史培軍，孫睿，等. 氣候變化對凈生態系統生產力的影響[J]. 地理學報，2004，59(3)：357-365.

Zhou Tao, Shi Peijun, Sun Rui, et al. The impacts of climate change on net ecosystem production in China[J]. Acta Geographica Sinica, 2004, 59(3): 357-365. (in Chinese with English abstract)

Spatio-temporal evolution characteristics of cultivated land carbon storage and identification of carbon sink areas in Huaihai Economic Zone from 2005 to 2020

Lin Ziqi1, Wang Peijun2※, Liu Qi3, Yang Yali1

(1.,,350002,;2.,,221116,; 3.,,350002,)

Huaihai Economic Zone with a reclamation rate of about 70% is one of the main grain-producing areas in China. It is very necessary to grasp the spatiotemporal variation of the carbon storage for the carbon sink source areas of cultivated land. The driving factors can be used to ensure national food security for agricultural guidance in the achievement of China’s “Dual carbon” goals. In this study, the carbon storage of cultivated land soil was calculated using the soil type carbon density of the Huaihai Economic Zone. The net ecosystem productivity (NEP) model was also established to calculate the carbon sequestration of cultivated land vegetation. At the same time, the ArcGIS and Geo-Detector software were selected to study the spatiotemporal evolution characteristics of cultivated land carbon storage, the “carbon” attribute of cultivated land and the driving factors in Huaihai Economic Zone from 2005 to 2020. The results showed that: 1) The soil carbon storage values of cultivated land were 6.028 2×108, 6.055 4×108, 5.927 8×108, and 5.888 9×108t in the four years from 2005 to 2020, respectively. The land type transfer decreased by 1.393×107t, indicating a spatial distribution of “high in the east and low in the west”. 2) The carbon sequestration of cultivated land vegetation in the four years from 2005 to 2020 was 2.706 7×108, 2.727 0×108, 2.882 3×108, and 2.802 1×108t, indicating changing trend of “first increasing and then decreasing” with 2015 as the inflection point. The NEP showed a spatial distribution feature of “high in the southeast, low in the northwest”. The middle high-value area was extended to the southwest with time. 3) The overall Moran's I of the total carbon storage in the cultivated land were 0.19, 0.19, 0.16, and 0.14 from 2005 to 2020, respectively. There was a downward trend in the spatial distribution and concentration. Specifically, the number of “high-high” type areas also gradually decreased, mainly shifting to the insignificant and “low-high” outlier areas. 4) There were 32 carbon sink areas of cultivated land in the study area, where 21 medium-strength carbon sink areas were mainly distributed in the west, and five high-strength carbon sink areas were concentrated in the northeast. 5) The main factors were traffic accessibility, grain production, NDVI, elevation, slope, and aspect. The secondary factor was population, among the factors driving the spatiotemporal differentiation of cultivated land carbon storage. Therefore, the carbon source counties of cultivated land can take farmland protection and management measures in the carbon sink area, in order to reduce the loss of carbon storage of cultivated land. As such, the quality of cultivated land can be maintained for the carbon sink in the cultivated land ecosystem in the process of farmland protection in the future.

land use; carbon; carbon storage of cultivated land; carbon sink area; soil organic carbon density; net ecosystem productivity; driving factors; Huaihai economic zone

10.11975/j.issn.1002-6819.2022.19.028

F301.2

A

1002-6819(2022)-19-0259-10

林子奇，王培俊，劉旗，等. 2005—2020年淮海經濟區耕地碳儲量時空演變特征及碳匯區識別[J]. 農業工程學報，2022，38(19)：259-268.doi：10.11975/j.issn.1002-6819.2022.19.028 http://www.tcsae.org

Lin Ziqi, Wang Peijun, Liu Qi, et al. Spatio-temporal evolution characteristics of cultivated land carbon storage and identification of carbon sink areas in Huaihai Economic Zone from 2005 to 2020[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(19): 259-268. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.19.028 http://www.tcsae.org

2022-07-23

2022-09-28

福建省自然科學基金項目（2019J01397）

林子奇，研究方向為土地資源可持續利用。Email：596859939@qq.com

王培俊，博士，副教授，碩士生導師，研究方向為土地復墾與持續利用。Email：wangpeijun1227@163.com