青藏高原種植業碳排放量測度
——以青海省青稞種植業為例

丁亞男，丁生喜

（青海大學財經學院，青海 810016）

經濟的飛速發展伴隨著環境惡化的問題，尤其是全球變暖致使一系列自然災害發生，因此控制溫室氣體排放成為世界各國廣泛關注的事情。根據中國碳核算數據庫的統計，2020 年中國碳排放量達99億t，約占全球碳排放的30.9%，位居全球第一，2021年中國碳排放量為101.5 億t，同比增長2.5%。為了積極應對氣候變化，“雙碳”目標已被列為中央統籌大局的國家戰略決策，即力爭2030 年前實現“碳達峰”，2060年前實現“碳中和”。十九大報告中更是把生態文明建設當作全面協調可持續發展的重要一環。

農業作為中國的基礎產業和經濟社會發展的重要組成部分，是溫室氣體排放的重要來源之一。過量使用化肥和農藥、畜禽糞污亂排亂放、農業生產性廢棄物不合理處置等都使碳排放增加而造成農業環境污染、生態退化加重［1］。為了響應保護生態環境的號召，推動低碳農業的發展成為必要途徑。青海省積極探索農業的低碳發展，踐行生態綠色發展道路，規避傳統農業高耗能、高排放、高污染的不良影響。青稞（Hordeum vulgareL.var.nudumHook.f.）為青海省的特色作物，以此為研究對象來探究青海省的低碳種植業發展極具代表性，也具有十分重要的現實意義。

1 文獻綜述與研究價值

現有對于低碳農業的研究集中于相對發達的地區，內容以農業低碳化發展水平和碳排放與經濟增長的關系為主。杜建國［2］深入研究了山西省大同市低碳農業發展的情況，發現化肥是該地區農業碳排放的主要來源，且用協整檢驗說明了大同市仍處于傳統的高耗能低效率型農業發展模式。錢曉雍［3］以上海市為研究對象，測算了農田生態系統中碳的吸收量和排放量，分析了影響碳匯的影響因素，并給出了對策建議。張杰等［4］以陜西省米脂縣為研究對象，從農戶農業角度切入探究了碳排放效率差異及影響因素，為農業農村推行低碳政策提供了理論支持。對于具體作物的碳排放研究，容忠緒［5］以棉花種植為例，探究新疆維吾爾自治區低碳農業的發展情況以此來推進低碳農業發展的可持續路徑。楊青林等［6］從糧食安全的視角分析四川省縣域內的碳排放效率，認為碳排放效率與糧食安全之間的耦合協調度呈正向發展趨勢。王海娜［7］構建了碳排放模型并估算中國玉米生產碳排放量，并對其時空特征進行了分析，為中國玉米生產碳排放效率的測度提供了數據支撐。本研究參考了該論文中中國玉米生產碳排量的測算方式，以此方法來對青海省2015—2020 年的青稞碳排放量進行測算。

對于青稞，賈娟琪等［8］、王賓娥等［9］、吳昆侖等［10］都認為青稞是青海省重要的糧食作物，研究其綠色健康可持續發展意義重大。此外，趙增躍［11］認為在農業產業結構不斷調整的過程中，青海省的青稞種植面積正在逐步擴大，對青稞的市場需求旺盛，因此需加強青稞產業在科技、推廣、政策、企業等方面的投入，以此來推動青稞的綠色發展。吳昆侖［12］對西藏自治區、青海省、四川省、甘肅省、云南省等地的藏區展開研究，認為青稞產量總體仍存在約12萬t的缺口，青稞市場仍存在很大的空白。由此可知，青海省青稞產業在各方面都還存在很大的研究空間。

目前青海省在低碳農業領域的研究甚少，本研究以青稞的碳排放測算為切入點，初步建立起青稞碳排放的測算指標體系，對青海省農作物的碳排放測量具有一定的借鑒意義。此外，本研究創新之處在于將青稞種植業與碳排放有機結合，探究出影響青稞碳排放的主要因素，從而有針對性地對青稞的種植過程進行調整，達到青稞低碳種植目的。

2 青海省碳排放情況

2.1 當前青海省碳排放現狀

圖1 為1997—2019 年青海省碳排放總量，圖2為1997—2019 年青海省在農、林、牧、漁、水利方面的碳排放量，可以看出自1997 年起青海省的碳排放在總量和農業方面的排放都呈持續增長的態勢，直至2015 年，青海省為響應黨中央的號召，召開了降低二氧化碳排放工作會議，并就確保完成國務院下達青海省“十二五”降碳目標任務提出了要求，于是2016 年青海省碳排放量達到頂峰后有輕微下降的趨勢。

圖1 青海省碳排放總量

圖2 青海省農、林、牧、漁、水利碳排放量

2.2 青海省農業碳排放趨勢預測

2.2.1 線性次回歸神經網絡預測模型的建立 神經網絡有靜態和動態兩類，二者區別在于靜態神經網絡沒有記憶和反饋。它所做的每一步預測都是基于預測值之前的樣本數據所訓練出來的非線性規律，通過這個規律可以做到無限逼近，而且每當預測數據之前的系統樣本數據產生變化規律時即可有所輸出，可以理解為是一種變量的延續性訓練推演。動態神經網絡又包括PID 神經網絡和回歸神經網絡。

本研究使用動態神經網絡中的非線性次回歸神經網絡，這種預測神經網絡主要由輸入層、輸出層、遲滯、隱藏層構成。圖3a 為初始建立的第一步開環網絡；圖3b 為搭建的循環神經網絡，它是由開環網絡所轉換而成的閉環網絡，通過閉環網絡將數據轉化為待訓練數據，從而得到閉環網絡的輸入值，這一步主要用來實現多步預測值功能；圖3c 為實現預測目的所搭建的神經網絡。

圖3 神經網絡預測模型

圖3a 隱藏層前的y(t)為輸入的樣本數據，輸出層后的y(t)為輸出數據；5∶1 為搭建網絡的時滯，也可稱其為輸入與輸出的延時階數；非線性次回歸神經網絡的數學模型可表示為：

式中，f(·)為非線性函數，k為滯后階數。

在此需要引入兩個概念，分別為單步預測和多步預測。單步預測是每一步預測都使用樣本數據中的真實值；多部預測是第一步用樣本數據的真實值，下一步預測使用的數據是將上一次的預測值拿來做當前步所需的真實值。因為有時滯，所以需消除延遲，圖4 為模型流程圖，首先將樣本數據導入，再來確定遲滯階數，進行隱藏層等參數設置，然后在圖3a 所示的開環模式進行訓練，誤差滿足條件時將圖3a 訓練好的神經網絡轉為圖3b 閉環模式，經過圖3c的預測，得到預測結果。

圖4 神經網絡預測模型流程

2.2.2 青海省農業碳排放線性次回歸神經網絡預測 基于上述建立的非線性次回歸神經網絡，本研究通過搜集1997—2019 年青海省農業碳排放數據，在Matlab 軟件中使用GUI 工具箱中的神經網絡時序（ntstool）工具進行模型參數訓練和參數設定。

以1997—2019 年數據為樣本數據建立非線性次神經網絡，將隱含層個數設置為5，網絡訓練數據、驗證數據的權重和閾值以默認值為準；對于階數的確定，若階數過大會受原始畸形數據的影響而產生偏頗，若階數太小則會對歷史數據應用不充分，經過試驗，確定遲滯階數為15 時預測效果最佳。為避免在訓練過程中發生過擬合現象，將80%的樣本數據進行網絡訓練，用20%的數據進行網絡性能測試。通過訓練和預測后，結果如圖5 所示，其中2020—2026 年數據為青海省農業碳排放的預測值。由圖5 可知，2020—2026 年碳排放仍在高位呈一個小幅上升的趨勢并隨著年限的增加而趨近平穩，因此，對農業碳排放進行合理控制非常必要。此次訓練的非線性次回歸神經網絡預測模型擬合效果如圖6 所示。當R越趨近于1，證明該模型的擬合效果越好，從圖6 可以看出，擬合效果良好，預測結果具有可靠性和可參考性。

圖6 模型擬合效果

3 青海省青稞種植業碳排放量的估算

3.1 青海省青稞種植業現狀

青海省是青稞的主要產區之一，2018 年以前青稞產量處于平穩狀態，在2018 年以后隨著對青稞產品認知程度提高以及青稞功效研發，青稞的需求量迅速增加，因而其產量也有了大幅增長。2020 年青稞的產量約為20 萬t，占到青海省糧食產量的25%，僅次于小麥和薯類，且漲勢十分顯著（圖7）。以青稞為代表來探究其碳排放的情況，一方面能推動青稞的綠色低碳種植，另一方面也能有效反映青海省低碳農業的發展情況。

圖7 2015—2020 年主要農作物產品產量

3.2 青海省青稞種植業碳排放估算

3.2.1 青稞種植業碳排放估算模型 由于中國尚且沒有測算青稞碳排放量的有效機制，所以青稞碳排放量的數據資料沒有任何官方統計，當前對于碳排放量的研究皆是各學者通過相應的測算方法估算而來。因此，本研究在總結和借鑒相關研究的基礎上［7］，結合青稞碳排放的影響因子進行估算，主要采用IPCC 清單估算法。與現有條件相比，IPCC 清單估算法的優點是其認可度更高、更實用、限制性更小，因此其可以用于測量不同應用環境下的碳排放量。

1）碳排放評價指標的確立。一是在使用農業機械進行耕地、播種和收獲等農業生產環節中，柴油消耗產生的碳排放以及作物的種植和生長過程中對化肥、農藥、農膜的使用中所導致的碳排放；二是農民田間耕種勞動所產生的碳排放；三是由于氮肥的使用引起土壤中氧化亞氮排放。針對青海省青稞種植業的碳排放建立以下的評估模型。

其中：

式中，QHQKEmissions為青稞種植的碳排放量；PJX、PRG、PHF、PNY、PNM、PZZ、PN2O分別為青稞種植中農用機械動力柴油生產碳排放、種植期間人力產生的碳排放、化肥產生的碳排放、農藥產生的碳排放、農膜產生的碳排放、種子產生的碳排放以及土壤中排放的氧化亞氮的量，其中氧化亞氮的排放量與青稞種植時氮肥施用量有關；C表示青稞種植相關碳源的使用量；S表示碳排放系數。

式中，QK強度為青稞碳排放強度；QKC成本為碳成本；QK產量為青稞總產量；A為青稞播種面積。

3.2.2 數據準備 青稞種植碳源中的原始數據處理如表1 所示，測算前先通過《青海統計年鑒2021》中的青稞種植面積占農作總播種面積的比例算出青稞物資消耗分配比例。

表1 青稞種植面積占農作物總播種面積的比例

表2 所示數據來源于《青海統計年鑒2021》，為青海省農業物資消耗總量，化肥、農膜、農藥、農用柴油測算參照《青海統計年鑒》中的青稞種植面積占農作物總播種面積的比例算出分配系數，結合全年化肥施用情況，相乘得出全年青稞化肥施用量。

表2 青海省農業物資消耗總量

N2O 是全球第三大溫室氣體，農業N2O 是人為排放的重要來源，排放量占全球排放的30%［13］。在青稞N2O 的測算中參照《省級溫室氣體清單編制指南》中的計算公式。

式中，Q產生為青稞氮產生量；PFLN2O為N2O 排放總量；SN2O為N2O 排放因子。各地區N2O 排放因子參考表3［13］。

表3 地區N2O 排放因子

結合氮肥消耗總量（表2）與青海省N2O 排放因子（表3），測算出了青海省青稞產業2015—2020 年N2O 排放量（表4）。

表4 2015—2020 年青稞N2O 排放總量

表5 為青稞農業物資消耗量，數據基于表1 和表2 數據匯總而成，表4、表5 所測各項指標數值將用于青稞碳排放測算。

表5 青稞種植業主要碳源使用量

3.2.3 青稞種植業碳排放的測算 青稞種植生產過程中的化肥、農藥、農膜、機械柴油、人工、種子和氮肥都計入碳排放的估算指標，然后構建青海省青稞生產碳排放測算模型。碳排放系數如表6 所示。

表6 青稞種植業主要碳源及其碳排放系數

表5 為搜集數據所得的青稞種植生產過程中的碳源使用量，以此為基礎數據，用以與表6 碳排放系數相乘來估算每項碳源的排放量。在這些影響碳排放的因素中，柴油在農業機械化的普及下使用量逐年遞增；為了土壤保溫、保濕，增加青稞的產量，農膜的使用量也整體遞增；化肥、農藥的用量都有波動，整體呈一個穩定的狀態，總體來看變化趨勢并不明顯（表5）；另外由于氮肥價格上漲，其用量也有小幅減少（表4）。

通過公式（2）可測得2015—2020 年青稞種植業碳排放總量，通過公式（9）可測得2015—2020 年青稞種植業碳排放強度，通過公式（10）可測得2015—2020 年青稞種植業碳成本，結果如表7 所示。從表7可以看出，隨著時間的推移青海省青稞種植過程中碳排放總量總體維持在同一個水平，碳排放強度在逐年降低，碳成本的減幅整體較大，這與近年來青海省大力推行農業生態保護、低碳種植的號召密不可分，農民的環保意識不斷增強、實行測土施肥配方等政策措施都使青稞種植過程中的碳排放大大減少。

表7 2015—2020 年青稞種植業碳排放的測算結果

4 小結

根據研究可知，青海省近年來一直在為減少碳排放工作做出努力，這也是碳排放總量自2016 年起有所好轉的一大原因。同樣，農業碳排放也在生態環保的大力推行下，采用低污染、低耗能、低排放的種植模式而使碳排放量有所減少。以青稞為例測定農業種植過程中的碳排放量后，發現碳排放量與農藥、化肥、農用機械使用情況、農膜、人工以及施肥過程中的含氮量密切相關，并參照碳排放因子法計算出青稞在2015—2020 年的碳排放量，得知碳排放量有明顯的下降趨勢。

據此，要想持續推進青海省低碳農業的健康發展，需繼續對化肥、農藥、農膜、農用柴油等的用量進行合理控制。一方面可以加大對有機肥的研發和投入，既能保持土壤田間持水量，還能減少碳的排放；另一方面可以加大農膜的回收力度，改善土壤的環境質量；此外，還應加強農民的低碳種植意識，從源頭上減少化肥、農膜、柴油的使用頻次。