九江市農地利用碳排放時空演變、影響因素及趨勢預測

趙琪琛, 余 敦, 王檢萍

(江西農業大學 國土資源與環境學院, 南昌 330045)

近年來,隨著社會經濟的快速發展,以二氧化碳(CO2)為代表的溫室氣體排放量急劇增加,加速了全球氣候變化進程,導致了冰川融化、海平面上升等一系列氣候問題,嚴重威脅人類的生存與發展[1-2]。農業是國民經濟的基礎,同時也是溫室氣體排放的重要來源[3]。據統計,我國農業溫室氣體排放量約占全國排放總量的17%,其中農業排放的甲烷(CH4)和氧化亞氮(N2O)分別占全國排放總量的50%和92%[4],因此緩解農業碳排放勢在必行。農地是農業活動的載體,從農地利用的角度開展碳排放研究對農業綠色、低碳、可持續發展以及實現“雙碳”目標具有重要意義。

農地利用碳排放研究也逐漸成為學術界熱點。目前,學者們從全球[5]、國家[6-7]、地區[8-9]、省域[10-12]、市縣等[13]不同尺度進行了大量研究,研究內容主要涵蓋以下4個方面:一是碳排放測算,主要方法有排放因子法、質量平衡法、實測法等[14];二是碳排放影響因素,主要方法有LMDI模型[10]、STIRPAT模型[15]、空間計量模型等[16];三是碳排放與糧食生產和農業經濟發展之間的關系,如吳昊玥等[17]依托Tapio脫鉤理論分析了我國糧食主產區耕地利用碳排放與糧食生產的脫鉤效應,Wang等[18]利用環境庫茲涅茨曲線(EKC)和脫鉤模型對河南省農地利用碳排放與農業經濟的關系進行驗證;四是碳排放趨勢預測,主要方法有灰色預測模型[11]、蒙特卡洛模擬等[19]。已有研究成果對農地綠色利用具有重要參考意義,但還存在以下拓展空間:(1) 研究尺度多聚焦于國家、省域等中宏觀尺度,對市、縣等微觀尺度開展深入探討的研究則較少;(2) 測算范圍多考慮化肥、農藥等農業物資投入方面,而忽略了農田土壤利用、稻田種植等產生的碳排放;(3) 差分自回歸移動平均(ARIMA)模型具有預測誤差較小、精度較高的優點[20],而將其用于農地利用碳排放的研究鮮有。

九江市地處鄱陽湖平原,作為“贛北糧倉”,其農業基礎條件良好,是傳統糧食主產區和重要商品糧基地。隨著農業的快速發展,其農業經濟取得了巨大成就,但與此同時,化肥、農藥等大量投入也使得農地高面源污染、高碳排放的特征趨勢增強[21]。鑒于此,本文基于農業物資投入、稻田種植、農田土壤利用、畜禽腸道發酵和畜禽糞便管理5類碳源測算九江市2006—2020年的農地利用碳排放量并分析其時空演變特征,運用Kaya恒等式和LMDI模型探究影響因素,利用ARIMA模型預測2021—2025年的變化趨勢,以期為促進九江市農地低碳利用、農業綠色發展提供理論依據,也為其他類似地區實現農業高質量發展提供決策參考。

1 研究區概況

九江市位于江西省北部,地理位置為113°57′—116°53′E,28°47′—30°06′N,總面積19 085 km2,占江西省面積的11.43%。屬于亞熱帶季風氣候,年平均溫度16～17℃,年平均降水量1 300～1 600 mm。屬于南方低山丘陵區,山地面積占16.4%,丘陵面積占44.5%。第三次全國國土調查顯示,九江市耕地面積為26.29萬hm2,占江西省耕地面積的9.66%。2020年九江市農林牧漁業產值為241.34億元,占江西省農林牧漁業產值的10.37%。主要農作物有水稻、玉米、豆類、薯類等,主要畜禽有豬、牛、羊、兔、家禽等。

2 研究方法與數據來源

2.1 研究方法

2.1.1 農地利用碳排放測算 農地利用碳排放是指農民在從事農業生產活動中作用于農地而引發的碳排放[22]。按照國家標準GB/T21010—2017《土地利用現狀分類》,農地包括耕地、園地、林地、草地(除其他草地)、農村道路、水庫水面、坑塘水面、溝渠、設施農用地以及田坎。因此本文界定的農地利用碳排放測算范圍主要包括以耕地、園地等利用為主的種植業和以牧草地、設施農用地利用為主的畜牧業產生的碳排放,參考相關文獻[17,23-24]并歸納總結,具體測算農業物資投入、稻田種植、農田土壤利用、畜禽腸道發酵、畜禽糞便管理5類農地利用活動排放的CO2,CH4和N2O。

參照《IPCC國家溫室氣體清單指南》和《省級溫室氣體編制指南》,測算方法采用排放因子法,具體方法以及碳排放系數參考相關文獻[11,23,25-28]。測算結果均以標準碳當量(C)顯示,1 t CH4所引發的溫室效應相當于排放28 t CO2(7.64 t C),1 t N2O所引發的溫室效應相當于排放265 t CO2(72.27 t C)[2]。

(1)農業物資投入。農業物資投入主要包括化肥、農藥、農膜等農業物資在生產、使用過程中產生的碳排放;農業機械、灌溉消耗電力、柴油等而產生的碳排放;農地翻耕造成土壤有機碳流失引起的碳排放。測算方法參考文獻[27—28]。

(2)稻田種植。由于稻田中隔水層的存在,使土壤與大氣隔離,形成有利于甲烷產生的厭氧環境。測算方法參考文獻[25]。

(3)農田土壤利用。農作物種植對土壤表層的破壞使得土壤中的溫室氣體流失到大氣中,其中以氧化亞氮為主要氣體。測算方法參考文獻[23],測算對象選取九江市種植面積相對較大的主要農作物,主要包括水稻、玉米、豆類、薯類等。

(4)畜禽腸道發酵。畜禽腸道發酵主要是指畜禽在正常代謝過程中,寄生在其消化道內的微生物發酵飼料時產生的甲烷,測算方法參考文獻[11],[25]。

(5)畜禽糞便管理。畜禽糞便管理主要是指畜禽糞便施入到土壤之前貯存和處理所產生的甲烷和氧化亞氮排放,測算方法參考文獻[25—26]。

2.1.2 Kernel密度估計 Kernel密度估計是一種可以在不進行任何參數模型假設的情況下,用連續的概率密度曲線描述隨機變量分布形態和特征的非參數估計方法,常用來描述研究對象空間分布的非均衡性[29]。本文采用Kernel密度估計分析九江市農地利用碳排放的動態演進特征,公式如下:

(1)

2.1.3 Kaya恒等式和LMDI分解模型 把握不同因素對農地利用碳排放的影響效應,是制定碳減排對策的重要依據[10]。借鑒前人研究成果[30],基于Kaya恒等式將農地利用碳排放的影響因素分解為農業生產效率、農業產業結構、農業經濟水平和農業勞動規模4個方面,具體如下:

(2)

(3)

(4)

(5)

式中:C為農地利用碳排放總量(kg);GDPT為種植業和畜牧業生產總值(元);GDPA為農林牧漁業生產總值(元);P為農業勞動規模,用農業從業人口數量(人)表示;E為農業生產效率(kg/元);S為農業產業結構;L為農業經濟水平(元/人),則有:

C=E×S×L×P

(6)

LMDI模型具有消除殘差項、乘法分解與加法分解結果相一致、結果容易解釋等優點,在溫室氣體排放研究領域應用廣泛[31]。采用LMDI的加法分解形式對公式(6)進行取對數、加和分解,具體如下:

(7)

(8)

(9)

(10)

ΔC=ΔE+ΔS+ΔL+ΔP

(11)

式中:ΔE,ΔS,ΔL,ΔP分別為農業生產效率、產業結構、經濟水平和勞動規模對農地利用碳排放的貢獻量(kg);ΔC為所有影響因素對農地利用碳排放的貢獻總量(kg);t為目標年(t=1,2,3,…,n),0為基準年。

2.1.4 ARIMA模型 ARIMA(p,d,q)模型中的p,d,q分別為模型的自回歸項階數(AR模型階數)、差分階數和移動平均項階數(MA模型階數),其實質是在自回歸移動平均模型的基礎上針對非平穩序列進行d階差分,以提高其預測精度,適用于非平穩時間序列的短期預測[32-33]。基本步驟為:(1) 對原始序列進行平穩性檢驗,對非平穩序列進行d階差分,轉化為平穩序列;(2) 根據原始序列或差分后序列的自相關系數和偏相關系數確定p和q的取值范圍;(3) 通過R2,AIC等指標選取最佳模型并進行殘差檢驗判斷模型的合理性;(4) 篩選出最優模型進行趨勢預測。ARIMA模型的一般表達式為:

yt=c+φ1yt-1+…+φpyt-p+θ1εt-1+…+θqεt-q+εt

(12)

式中:yt為t階差分序列;c為常數項;φp為p階AR模型擬合參數;θq為q階MA模型擬合參數;εt為t階噪聲序列。

2.2 數據來源與處理

本文數據主要涉及化肥、農藥、農膜、農業機械總動力等農資投入量,水稻、玉米、豆類、薯類等農作物播種面積和產量,豬、牛、羊、兔、家禽等畜禽養殖量,以及農林牧漁生產總值、農業從業人口數量等,均來源于《九江市統計年鑒》(2007—2021年)、《江西省統計年鑒》(2007—2021年)。其中,化肥為折純量;灌溉為有效灌溉面積;翻耕為農作物實際播種面積;農藥、農膜、農業機械總動力以當年實際使用量為準;農作物播種面積和產量以當年實際情況為準;畜禽年平均飼養量根據出欄率進行調整,豬、兔、家禽等出欄率大于1的畜禽根據(當年出欄量×平均生命周期)/365調整,牛、羊等出欄率小于1的畜禽采用本年末存欄量和上年末存欄量的平均值調整[26]。九江市行政邊界源自1∶25萬全國基礎地理數據庫(https:∥www.webmap.cn),考慮到市區(濂溪區、潯陽區和柴桑區)農用地較少,對其進行合并處理,最終得到11個縣(市、區)。

3 結果與分析

3.1 農地利用碳排放時序特征

2006—2020年九江市農地利用碳排放總量及結構如圖1所示。研究期間,九江市農地利用碳排放總量呈先波動上升后持續下降的變化趨勢,總體增加了10.06萬t,增長率為9.2%。具體分為兩個階段:2006—2018年碳排放量波動上升,由2006年的109.43萬t增加至2018年的130.51萬t,增長率為19.26%,隨著農業的發展,農作物種植規模的擴大以及農藥、化肥、農機等高碳排放農資投入的增加是引起碳排放量上升的主要原因;2019年和2020年碳排放量持續下降,2020年降低至119.49萬t,相比2018年下降了8.44%,這與近年來農業節能減排、綠色發展等相關政策的出臺,導致化肥、農藥等投入量大幅降低,同時畜禽養殖規模有所減小密切相關。除2018年農地利用碳排放強度上升外,其余年份均逐年下降,由2006年的1 558.67 kg/萬元降至2020年的498.62 kg/萬元,降低率為68.01%,這主要得益于對農業綠色發展的重視以及農業科技水平的提升,農業生產效率逐漸提高,農地利用方式向高效低碳化轉變。

圖1 2006-2020年九江市農地利用碳排放總量及結構Fig. 1 Total and structure of carbon emissions from agricultural land use in Jiujiang City from 2006 to 2020

從不同碳源來看,碳排放量依次為稻田種植>農業物資投入>農田土壤利用>畜禽糞便管理>畜禽腸道發酵,年平均碳排放量分別為75.86,21.26,11.06,8.57,4.33萬t,分別占總量的62.65%,17.56%,9.13%,7.08%,3.58%。所有碳源中,稻田種植的貢獻度最大,且近年來比重仍在提高,2017—2018年碳排放量顯著上升,從77.86萬t增至86.41萬t,且在2019年和2020年保持穩定,原因在于九江市中稻再生稻種植技術的全面推廣,使得中季稻播種面積增加;其次是農業物資投入,2006—2018年碳排放量呈先上升后下降的趨勢,變化相對穩定,在2013年達到峰值(23.65萬t),但2018年后明顯下降,從2018年的21.22萬t降低到2020年的15.16萬t,降低率為28.54%,主要原因是九江市化肥農藥減量增效工作的推進,導致化肥、農藥的投入大幅減少,2020年化肥、農藥施用量與2018年相比分別降低了24.32%,54.12%;農田土壤利用碳排放量在2006—2007年上升幅度較大,由9.14萬t增加到11.81萬t,增長率為28.97%,在2010年達到峰值(11.98萬t),此后則呈波動下降趨勢, 2020年降低至8.7萬t;畜禽腸道發酵和糞便管理碳排放量處于較低水平,且研究期間波動下降,2020年分別為3.30萬t,6.43萬t,與2006年相比分別降低了44.19%,18.64%,原因在于畜牧業結構的調整,減少了牛、羊等碳排放量較高的牲畜數量。

3.2 農地利用碳排放區域特征

2006—2020年九江市各縣(市、區)農地利用碳排放量及強度如圖2所示。受地區自然資源條件和社會經濟水平影響,不同地區的農地利用碳排放量差異顯著。高值區主要集中在九江市西部和南部的修水縣、永修縣和都昌縣,均高于15萬t,修水縣作為九江市國土面積最大的縣,其耕地資源豐富,農業規模較大,稻田種植碳排放量較高,同時畜牧業發達,生豬和山羊養殖數量多,使得畜禽腸道發酵和糞便管理碳排放量也較高;永修縣和都昌縣地處鄱陽湖畔,地勢平坦、水源充沛,水稻播種面積廣,因此稻田種植碳排放量較高,同時化肥農藥施用量以及農業機械化水平也較高,因此農業物資投入碳排放量也位于全市前列。廬山市、共青城市受自然資源稟賦限制,種植業和畜牧業發展程度不高,農作物播種面積以及畜禽養殖量較少,因此碳排放量較低。2006—2020年,各縣(市、區)農地利用碳排放量呈“六升五降”的變化特征,武寧縣、修水縣、永修縣、德安縣、彭澤縣和共青城市的碳排放量上升,其中彭澤縣、德安縣升幅最大,分別為61.16%,58.82%;市區、都昌縣、湖口縣、瑞昌市和廬山市的碳排放量下降,其中湖口縣降幅最大,為17.13%。

九江市農地利用碳排放強度“南高北低”的空間特征明顯。2020年排名前3位的依次是永修縣(706.73 kg/萬元)、修水縣(595.12 kg/萬元)和武寧縣(583.70 kg/萬元),究其原因,在于這些地區是糧食生產核心區域,水稻等糧食作物種植面積較大,同時牛、羊等高碳排牲畜養殖較多,在帶來高農產品產出的同時也伴隨著高碳排放;排名后3位的依次是市區(291.03 kg/萬元)、瑞昌市(326.38 kg/萬元)和湖口縣(409.76 kg/萬元),主要因為這些地區農業發展水平較低,農作物種植面積較小,且蔬菜、油料、藥材等經濟作物種植比例較大。2006—2020年,各縣(市、區)農地利用碳排放強度均大幅下降,降幅均高于50%,說明其農地資源低碳化利用水平得以提升。其中瑞昌市由2006年1 360.57 kg/萬元的降低到2020年的326.38 kg/萬元,降幅最大,為76.01%;武寧縣由2006年的1 252.98 kg/萬元降低到2020年的583.70 kg/萬元,降幅最小,為53.42%。

3.3 農地利用碳排放動態演進

為進一步揭示2006—2020年九江市農地利用碳排放的變化特征,采用Kernel密度估計刻畫農地利用碳排放總量以及各類碳源排放量的動態演進趨勢(圖3)。結果顯示:(1) 碳排放總量核密度曲線呈“一主一次”的雙峰格局,說明地區存在一定的極化效應。主峰范圍為(5～10)萬t,意味著大多縣(市、區)的碳排放量位于該區間;次峰在20萬t左右,其形成原因主要是修水縣、都昌縣和永修縣的碳排放量較高,擴大了與其他縣(市、區)的差異。研究期內核密度曲線向右偏移,次峰逐漸不明顯,表明碳排放總量上升,地區之間的差異逐漸縮小。(2) 農業物資投入核密度曲線右側的次峰逐漸消失,由雙峰轉為單峰,且峰值有所升高,原因在于化肥農藥減量增效工作的開展,導致碳排放高值區轉為低值區,呈低值聚集的特征。(3) 稻田種植核密度曲線始終維持“一主一次”的雙峰特征,大多數縣(市、區)碳排放量在5萬t左右。研究期內曲線整體向右移動,說明碳排放量有所上升,這與水稻種植面積增加以及中季稻種植比例提升有關。(4) 農田土壤利用核密度曲線呈單峰格局且范圍較廣,表明地區之間碳排放量雖然差異較大但并不存在極化現象。研究期內峰值先降低后升高,意味著地區之間碳排放量的差異先擴大后縮小,曲線向右偏移,說明碳排放量增加,這主要與農作物種植面積及產量增加有關。(5) 畜禽腸道發酵和畜禽糞便管理核密度曲線特征相似,均呈現“一主一次”的雙峰格局,并且主峰與次峰的位置相隔較遠,原因主要是修水縣畜禽養殖規模遠高于其他地區,使得碳排放量也高于其他地區。研究期內主峰均逐漸陡峭,由“矮寬峰”轉向“高尖峰”,原因在于除修水縣之外,其他縣(市、區)畜禽養殖規模逐漸減小,碳排放量也呈現低值聚集的特征。

圖3 2006-2020年九江市農地利用碳排放量的演進趨勢Fig. 3 Evolutionary trend of carbon emissions from agricultural land use in Jiujiang City from 2006 to 2020

3.4 農地利用碳排放影響因素分析

基于LMDI模型分解九江市農地利用碳排放的影響因素,結果見表1。與2006年相比,2007—2020年九江市農地利用碳排放量累計增加了174.65萬t。總體上看,農業經濟水平對農地利用碳排放具有促進作用;農業生產效率、產業結構和勞動規模具有抑制作用,貢獻量大小依次為農業生產效率>農業勞動規模>農業產業結構。

表1 九江市農地利用碳排放影響因素的貢獻量Table 1 Contribution of factors influencing carbon emissions from agricultural land use in Jiujiang City 萬t

農業生產效率提升是農地利用碳排放減少的最主要因素。研究期間農業生產效率對碳減排的累計貢獻量為957.26萬t,年均貢獻量為68.38萬t,除2018年有所降低之外,其余年份均持續增加,說明隨著農業科技的進步以及人們環保意識的轉變,農業生產效率不斷提高,抑制了農地利用碳排放。因此進一步提升農業生產效率仍是九江市未來實現綠色低碳農業的突破口。

農業產業結構調整也是農地利用碳排放減少的影響因素之一。研究期間農業產業結構對碳減排的累計貢獻量為68.89萬t,年均貢獻量為4.92萬t,且呈波動性變化趨勢,對碳減排的影響程度也呈先下降后上升再下降的倒“N”形趨勢,在2010—2012年表現為碳增排效應。未來應在保障糧食安全的前提下繼續優化調整農業產業結構,積極探索農業發展新模式,將農業“碳源”轉變為“碳匯”。

農業經濟水平提高是農地利用碳排放增加的最主要因素。研究期間農業經濟水平對碳增排的累計貢獻量為1 366.11萬t,年均貢獻量為97.58萬t,且呈逐年增加趨勢,表明農業經濟水平對農地利用碳排放的推動作用持續增強。農業作為關乎國計民生的基礎產業,其經濟發展將長期處于較高水平,通過限制發展以降低碳排放的做法顯然行不通。因此,應從農業生產效率、產業結構和勞動規模等碳減排因素尋求著力點。

農業勞動規模減小是農地利用碳排放減少的關鍵因素。研究期間農業勞動規模對碳減排的累計貢獻量為165.31萬t,年均貢獻量為11.81萬t,且呈波動增加趨勢,說明隨著農業現代化進程的推進,農業勞動規模在波動減小。九江市農業從業人口由2006年的98.54萬人降低到2020年的81.44萬人,降低了17.35%,表明農業生產對勞動力的依賴程度降低,農業發展的規模化、集約化有利于實現碳減排。

各縣(市、區)農地利用碳排放影響因素的分解結果如表2所示。與基期相比,各縣(市、區)農地利用碳排放量均呈增加態勢,其中累計增加量超過40萬t的有彭澤縣和永修縣,意味著這兩個縣的碳排放量亟待控制,具有較大的碳減排潛力;而廬山市、瑞昌市累計增加量均低于5萬t,碳減排潛力較小。從影響因素來看,農業生產效率對各縣(市、區)農地利用碳排放均表現為抑制作用,對修水縣、永修縣和都昌縣的累計貢獻量高于150萬t,對共青城市的貢獻量最小,僅為11.97萬t;農業產業結構對德安縣、彭澤縣農地利用碳排放起促進作用,說明這些地區農業產業結構有待優化,對其他縣(市、區)則為抑制作用;農業經濟水平對各縣(市、區)農地利用碳排放均為促進作用,對修水縣、永修縣和都昌縣的累計貢獻量超過150萬t,而對共青城市、德安縣、廬山市的累計貢獻量低于55萬t;農業勞動規模對武寧縣、共青城市農地利用碳排放表現為促進作用,原因是農業綜合開發的大力推進以及農業生產效益的提升,使得該地區農業從業人口規模擴大(分別由2006年的8.89,1萬人增加到2020年的9.4,1.72萬人),對市區、都昌縣、湖口縣、彭澤縣和瑞昌市的抑制作用較為明顯,均超過20萬t。總體上看,不同縣(市、區)農地利用碳排放的影響因素存在差異,未來碳減排應考慮地區差異精準施策。

表2 九江市各縣(市、區)農地利用碳排放影響因素的貢獻量Table 2 Contribution of factors influencing carbon emissions from agricultural land use by counties (cities and districts) in Jiujiang City 萬t

3.5 農地利用碳排放趨勢預測及達峰分析

基于2006—2020年農地利用碳排放測算數據,借助Stata 17軟件,經過多次計算和驗證篩選出九江市以及各縣(市、區)的最優ARIMA模型,對2021—2025年碳排放趨勢進行預測,并根據預測結果進行碳達峰分析,結果見圖4。九江市農地利用碳排放在2018年達峰,2020年后呈下降態勢,預計2025年降低到111.61萬t,比2020年降低6.59%。大部分地區農地利用碳排放呈現良性發展態勢,市區、武寧縣、永修縣等8個縣(市、區)碳排放量在2020年后呈下降趨勢,其中市區碳達峰年份(2008年)最早,都昌縣和湖口縣2010年碳達峰,瑞昌市和廬山市2013年碳達峰,武寧縣、永修縣、彭澤縣2018年碳達峰。按照歷史發展規律,在現有政策和技術等外界因素不變的前提下,修水縣、德安縣和共青城市2020年后碳排放仍呈上升趨勢,意味著如果不采取碳減排措施,這3個縣(市、區)可能不會在2030年之前實現碳達峰的目標。因此,各縣(市、區)應該根據自身農地利用特點制定碳減排政策,以確保在2030年之前均實現碳達峰,進而實現碳中和的目標。

4 討論與結論

4.1 討 論

本文以九江市為例,精細刻畫市縣尺度下農地利用碳排放的演變特征、影響因素和未來趨勢,以期為促進區域低碳協調發展、因地制宜制定可操作性強的減排控碳措施提供路徑選擇[34-35]。測算方法上,排放因子法是由IPCC提出的一種碳排放測算方法,其基本思路是依照碳排放清單列表,將各類碳源數據與排放系數的乘積作為碳排放量[14],該方法簡單明確、易于理解,應用較為廣泛。測算結果上,本文測算結果與前人研究[36]相比偏高,原因在于前人研究僅測算了農業物資投入產生的碳排放,而本文在此基礎上還將稻田種植、農田土壤利用、畜禽腸道發酵以及畜禽糞便管理作為碳排放源,其中農業物資投入碳排放量與前人研究相似。

從碳排放結構來看,種植業碳排放占總量的90%左右,具有較大的減排潛力,而畜牧業僅占10%左右,減排潛力較小。稻田種植是最大的農業碳源,約占碳排放總量的60%,是今后農業碳減排的關鍵;農業物資投入是第二大碳源,近年來排放量有所下降,這與化肥農藥減量增效工作的大力推進關系密切,但據統計數據,九江市近年來農作物單產也有所降低,因而九江市今后農業生產仍應以“增量提質”為首要目標,在保障糧食安全和經濟發展的前提下,逐步實現碳減排。影響因素分析表明,農業經濟水平提高對農地利用碳排放增加有較強的促進作用,這與李波等[4]研究結果一致,且這種促進作用逐年增強,說明九江市農地利用碳排放仍處于“EKC曲線”拐點的左側,未來農業經濟水平提高仍是碳排放增加的主要推動力,從這個意義上講,農地利用碳減排應當從農業生產效率、產業結構和勞動規模等方面尋找解決路徑。

基于上述分析,提出以下農地利用碳減排對策:(1) 加強農業科技創新,提升農業生產效率。根據各地區重點產業的不同,因地制宜加強農業科技創新,如永修縣、都昌縣應側重“綠色高效”化肥、農藥、農膜等新型生產要素以及“高產低排”新品種農作物的研發或引進,修水縣需側重探索低碳化畜禽養殖技術,優化畜牧品種、改良畜禽飼料,并通過加強地區間交流互動、聯動協作,實現科技成果共享;同時在全市范圍內推廣測土配方施肥技術,實現土壤養分平衡,提高農資利用效率,確保在糧食穩產、增產的前提下,穩步推進減量增效工作。(2) 優化農業產業結構,轉變農業發展模式。彭澤縣、德安縣農業產業結構表現為碳增排效應,須進一步優化,合理優化早、中、晚稻種植結構以及增加固碳農作物種植比例,適當調整農林牧漁產業結構,保持或增加林地等生態用地面積,提高農業系統的“碳匯”能力;修水縣、武寧縣等應科學處理畜禽糞便,通過有機肥生產、沼氣資源開發等途徑,提升糞便資源化利用水平,形成種養結合循環的農業新模式。(3) 提高農民綜合素質,促進農業規模生產。開展農業先進技術培訓、宣傳綠色生產理念,培育新型農民主體;科學調控修水縣、武寧縣、共青城市等地區的農業勞動規模,通過加大政策、資金扶持力度,加強農機購置補貼、推廣高效節能農機等渠道,促進農業機械化、規模化發展,降低農業對勞動力的依賴程度。

需要說明的是,農地利用碳排放受“雙碳”等政策實施的影響較大,不同政策情境下的碳排放量有一定區別,但由于數據獲取的限制,本文在趨勢預測部分僅選取了簡單易操作的模型,基于歷史數據開展趨勢分析,沒有考慮政策的影響設定未來不同的發展情景,后續研究需要在這些方面做進一步的分析和探討。

4.2 結 論

(1) 2006—2020年九江市農地利用碳排放量呈先波動上升后持續下降的變化趨勢,總體增加了10.06萬t,增長率為9.2%,2020年達到119.49萬t。農地利用碳排放強度除2018年上升之外,其余年份均逐年下降,總體降低了68.01%。稻田種植和農業物資投入是主要碳排放源,二者之和占碳排放總量的80%左右。

(2) 不同縣(市、區)農地利用碳排放水平差異顯著,修水縣、永修縣和都昌縣的碳排放量高于15萬t,廬山市、共青城市的碳排放量低于5萬t。研究期間,碳排放量呈“六升五降”的變化態勢,其中彭澤縣升幅最大,湖口縣降幅最大。各縣(市、區)農地利用碳排放強度均大幅下降,降低率高于50%。縣(市、區)之間碳排放總量的極化效應有所減弱,不同碳源的核密度曲線特征有所差異。

(3) 與基期相比,2007—2020年農地利用碳排放累計增加174.65萬t,農業生產效率、產業結構和勞動規模對碳排放具有抑制作用,農業經濟水平對碳排放具有促進作用。趨勢預測結果顯示,九江市農地利用碳排放在2018年達到峰值,有8個縣(市、區)在2020年之前達到峰值,修水縣、德安縣和共青城市在2020年之后呈上升趨勢,未來應進一步加強碳減排措施。