寧夏水土保持措施碳匯能力現(xiàn)狀評(píng)估

摘 要：為了探索準(zhǔn)確核算水土保持措施碳匯的方法并為水土保持項(xiàng)目碳匯交易等提供技術(shù)支撐，以寧夏為研究區(qū)，綜合利用文獻(xiàn)資料和遙感技術(shù)、人工智能算法、統(tǒng)計(jì)分析方法等，構(gòu)建基于多模態(tài)數(shù)據(jù)和人工智能算法的生態(tài)系統(tǒng)固碳速率及水土保持措施碳儲(chǔ)量反演方法，定量評(píng)估了２０２２ 年寧夏水土保持措施碳匯能力現(xiàn)狀。結(jié)果表明：１）在隨機(jī)森林（ＲＦ）、人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）、支持向量機(jī)（ＳＶＭ）、輕量級(jí)梯度提升（ＬＧＢ）、極端梯度提升（ＸＧＢ）、極度隨機(jī)樹回歸（ＥＸＴ）等６ 種人工智能機(jī)器學(xué)習(xí)算法中，極度隨機(jī)樹回歸算法用于反演寧夏植被碳密度與土壤有機(jī)碳密度的精度最高；２）寧夏生態(tài)系統(tǒng)固碳速率在空間上呈現(xiàn)南高北低的分異特征，全區(qū)平均值為２４．５３ ｇ／ （ ｍ２ ·ａ），水土保持林、封禁治理、經(jīng)濟(jì)林、人工草地、梯田的固碳速率分別為２６．６５、２７．２５、２７．２８、１８．８０、２２．６８ ｇ／ （ｍ２·ａ）；３）２０２２ 年寧夏全口徑水土保持措施碳匯量為２２６．９５ 萬～２３３．２６ 萬ｔ／ ａ，其中增匯量２０８．０３ 萬ｔ／ ａ、保土固碳量６３．０４ 萬ｔ／ ａ、減排量１８．９２ 萬～２５．２３ 萬ｔ／ ａ，增匯量的８０．８％分布在植物措施、保土固碳量的７９．５％分布在梯田、減排量的７９．５％分布在梯田。

關(guān)鍵詞：水土保持；碳匯；固碳速率；生態(tài)系統(tǒng)；人工智能算法；寧夏

中圖分類號(hào)：Ｓ１５７．２；Ｘ８２ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２５．０４．０１９

引用格式：張國軍，馬文濤，魏小燕，等．寧夏水土保持措施碳匯能力現(xiàn)狀評(píng)估［Ｊ］．人民黃河，２０２５，４７（４）：１２０－１２６，１４０．

０ 引言

２０２０ 年９ 月２２ 日，國家主席習(xí)近平在第七十五屆聯(lián)合國大會(huì)上宣布：中國力爭２０３０ 年前二氧化碳排放達(dá)到峰值、努力爭取２０６０ 年前實(shí)現(xiàn)碳中和目標(biāo)（即“雙碳”目標(biāo)）。２０２１ 年１０ 月中共中央、國務(wù)院發(fā)布的《關(guān)于完整準(zhǔn)確全面貫徹新發(fā)展理念做好碳達(dá)峰碳中和工作的意見》，提出了不同時(shí)段的碳減排具體目標(biāo)。２０２３ 年中共中央辦公廳、國務(wù)院辦公廳印發(fā)的《關(guān)于加強(qiáng)新時(shí)代水土保持工作的意見》指出：圍繞水土保持碳匯能力，加強(qiáng)基礎(chǔ)研究和關(guān)鍵技術(shù)攻關(guān)；研究將水土保持碳匯納入溫室氣體自愿減排交易機(jī)制，制定完善水土保持碳匯能力評(píng)價(jià)指標(biāo)和核算方法。近年來國家關(guān)于實(shí)現(xiàn)“雙碳”目標(biāo)及加強(qiáng)水土保持工作的相關(guān)政策為新時(shí)期水土保持工作指明了發(fā)展方向。

水土保持措施通過改變地表覆被、土地利用類型和陸地生態(tài)系統(tǒng)等方式，在減緩?fù)恋赝嘶退亮魇У耐瑫r(shí)，顯著影響著陸地生態(tài)系統(tǒng)碳循環(huán)過程，可有效鞏固和提升陸地生態(tài)系統(tǒng)碳匯能力［１－２］ 。開展水土保持碳匯能力評(píng)估研究，有助于針對(duì)性地提升水利行業(yè)在實(shí)現(xiàn)“雙碳”目標(biāo)過程中的作用［３］ 。寧夏地處黃河上游，長期干旱少雨，是全國水土流失嚴(yán)重的省份之一［４－５］ ，多年來按照“南部治理、中部修復(fù)、全面預(yù)防、重點(diǎn)監(jiān)督”的思路，通過坡改梯、淤地壩建設(shè)、小流域綜合治理等，大力推進(jìn)山水林田湖草沙一體化保護(hù)和系統(tǒng)治理［６］ ，實(shí)現(xiàn)了水土流失面積、強(qiáng)度“雙下降”，然而寧夏全口徑水土保持措施的碳匯能力及生態(tài)系統(tǒng)碳匯效益仍不明晰。

國內(nèi)外相關(guān)研究［７－１３］ 表明，水土保持措施在增加生態(tài)系統(tǒng)碳儲(chǔ)量、減少溫室氣體排放方面具有顯著效果。然而，目前對(duì)于省域尺度的水土保持措施碳匯能力的定量研究較少。有關(guān)研究［１４－１５］ 采用生態(tài)環(huán)境部制定的《陸地生態(tài)系統(tǒng)生產(chǎn)總值（ＧＥＰ） 核算技術(shù)指南》中不同省份的森林、灌叢、草地、濕地生態(tài)系統(tǒng)固碳速率乘以水土保持措施面積來估算省域尺度水土保持措施碳匯，雖然該方法比較簡單，但是采用固定的固碳速率估算省域內(nèi)市（縣）級(jí)行政區(qū)水土保持措施碳匯存在較大誤差。因此，亟須使固碳速率本地化，探索適合當(dāng)?shù)貤l件、準(zhǔn)確核算水土保持措施碳匯的方法。鑒于此，本研究綜合利用有關(guān)文獻(xiàn)資料和遙感技術(shù)、人工智能機(jī)器學(xué)習(xí)算法、統(tǒng)計(jì)分析手段等，反演寧夏生態(tài)系統(tǒng)植被碳密度和土壤有機(jī)碳密度，定量評(píng)估了２０２２年水土保持措施碳匯能力，以期為水土保持項(xiàng)目碳匯交易等提供技術(shù)支撐。

１ 研究區(qū)概況

寧夏位于我國西北地區(qū)、黃河上游，總面積約６．６４萬ｋｍ２，地形復(fù)雜，海拔１ ０００～２ ０００ ｍ，屬大陸性半濕潤半干旱氣候區(qū)，干旱少雨，降水主要集中在夏季且自南向北逐漸減少，南部年降水量為３５０～６００ ｍｍ，北部年降水量僅２００ ｍｍ 左右。植被狀況受自然條件的顯著影響，北中部植被類型主要為荒漠化草原和干草原（在賀蘭山等山區(qū)分布有少量森林）［１６－１７］ ，南部山區(qū)是植被類型較為豐富的區(qū)域（適宜發(fā)展旱地農(nóng)業(yè)）［１８］ 。寧夏氣候干旱、水土流失和荒漠化問題嚴(yán)重，植被恢復(fù)與碳匯功能提升對(duì)當(dāng)?shù)厣鷳B(tài)修復(fù)與“雙碳”目標(biāo)的實(shí)現(xiàn)具有重要意義。

２ 研究方法

２．１ 研究所用數(shù)據(jù)

本研究所用數(shù)據(jù)主要有如下幾類：

１）植被與土壤碳密度數(shù)據(jù)。植被與土壤碳密度數(shù)據(jù)源自徐麗等［１９］ 發(fā)布的中國陸地生態(tài)系統(tǒng)碳密度數(shù)據(jù)集（該數(shù)據(jù)集共享了森林、草地、農(nóng)田、濕地、灌叢等主要生態(tài)系統(tǒng)包括地上和地下的總生物量及碳密度數(shù)據(jù)，深度為０～１００ ｃｍ 的土壤有機(jī)碳密度數(shù)據(jù)），本研究從該數(shù)據(jù)集中提取了寧夏所有可用樣方數(shù)據(jù)，其中植被總生物量樣方９２ 個(gè)、土壤碳密度樣方６７ 個(gè)。此外，本研究課題組于２０２３ 年１１ 月２８ 日—１２ 月４日、２０２４ 年３ 月７—１９ 日對(duì)寧夏境內(nèi)的植被和土壤有機(jī)碳密度進(jìn)行了實(shí)地調(diào)查和采樣，根據(jù)水土保持措施面積占比、調(diào)查可到達(dá)性、樣方間距為５～１０ ｋｍ、水土保持措施面積大于１０ ０００ ｍ２等原則，布設(shè)了２００ 個(gè)調(diào)查樣方（尺寸為３０ ｍ×３０ ｍ）。在每個(gè)樣方內(nèi)選取高、中、低３ 種覆蓋度小樣方（尺寸為５０ ｃｍ×５０ ｃｍ），采集小樣方內(nèi)所有草本植物地上和地下部分并送實(shí)驗(yàn)室烘干稱重后計(jì)算草本植物碳密度，使用皮尺和激光測高儀測量并記錄每株喬木和灌木胸徑、高度、冠幅，采用異速生長方程估算喬灌木地上與地下生物量，進(jìn)而用經(jīng)驗(yàn)系數(shù)法計(jì)算喬灌木植被碳密度；在每個(gè)樣方內(nèi)均勻選取３ 個(gè)點(diǎn)位，利用土壤鉆采集１００ ｃｍ 深度原狀土壤樣品，送實(shí)驗(yàn)室測量有機(jī)碳含量，進(jìn)而轉(zhuǎn)換成土壤有機(jī)碳密度。

２）地表植被等多模態(tài)數(shù)據(jù)。Ｌａｎｄｓａｔ ＳＲ 遙感影像和６ 個(gè)波段（藍(lán)光、綠光、紅光、近紅外、短波紅外１、短波紅外２）的地表反射率數(shù)據(jù)，用于計(jì)算歸一化植被指數(shù)（ＮＤＶＩ）［２０］ 、增強(qiáng)型植被指數(shù)（ＥＶＩ）［２１］ 、歸一化濕度指數(shù)（ＮＤＭＩ）［２２］ 、比值型植被指數(shù)（ＲＶＩ）［２３］ ；植被凈初級(jí)生產(chǎn)力數(shù)據(jù)，源于ＭＯＤ１７３ＡＨ 數(shù)據(jù)集（分辨率為５００ ｍ）；數(shù)字高程模型（ＤＥＭ），源于ＡＷ３Ｄ３０ 數(shù)據(jù)集，用于提取坡向、坡度、地形指數(shù)、匯流面積、土壤侵蝕坡度坡長因子等；土壤類型和屬性數(shù)據(jù)，源于ＳｏｉｌＧｒｉｄｓ（全球土壤數(shù)據(jù)集，分辨率為２５０ ｍ）；降雨數(shù)據(jù)，源于美國氣象中心（ＮＣＥＰ）發(fā)布的產(chǎn)品；溫度數(shù)據(jù)，源于歐洲中期天氣預(yù)報(bào)中心發(fā)布的ＥＲＡ５ 產(chǎn)品；土壤侵蝕模數(shù)數(shù)據(jù)（用于計(jì)算水土保持措施保土固碳量），由寧夏水土保持監(jiān)測總站提供。

３）水土保持措施數(shù)據(jù)。寧夏２０１８—２０２２ 年水土保持措施規(guī)劃考核數(shù)據(jù)（簡稱“規(guī)劃考核數(shù)據(jù)”），其中包括每年實(shí)施的各類水土保持措施的面積、空間分布范圍及邊界等；２０２１—２０２２ 年寧夏水土流失動(dòng)態(tài)監(jiān)測數(shù)據(jù)集（簡稱“動(dòng)態(tài)監(jiān)測數(shù)據(jù)”），其中包括２０２２ 年遙感影像解譯的各類梯田面積數(shù)據(jù)及２０２１ 年、２０２２ 年的土壤侵蝕模數(shù)數(shù)據(jù)，用動(dòng)態(tài)監(jiān)測數(shù)據(jù)中的２０２２ 年梯田面積數(shù)據(jù)扣除規(guī)劃考核數(shù)據(jù)中的梯田面積數(shù)據(jù)，得到２０１８ 年之前的梯田面積數(shù)據(jù)；把２０１１ 年第一次全國水利普查數(shù)據(jù)中寧夏不同類型林草措施面積數(shù)據(jù)認(rèn)定為２０１８ 年之前實(shí)施的林草措施面積數(shù)據(jù)；２０２４ 年寧夏淤地壩淤積專項(xiàng)調(diào)查數(shù)據(jù)，其中包括寧夏境內(nèi)６８６ 座大中型淤地壩建設(shè)時(shí)間、庫容和淤積量等數(shù)據(jù)。

２．２ 植被與土壤碳密度遙感反演方法

采用隨機(jī)森林（ＲＦ）［２４］ 、人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）［２５］ 、支持向量機(jī)（ＳＶＭ）［２６］ 、輕量級(jí)梯度提升（ＬＧＢ）［２７］ 、極端梯度提升（ＸＧＢ）［２８］ 、極度隨機(jī)樹回歸（ＥＸＴ）［２９］ 等６ 種人工智能（機(jī)器學(xué)習(xí)）算法，分別反演實(shí)施水土保持措施后植被總碳密度和土壤有機(jī)碳密度。在所有樣地觀測數(shù)據(jù)集中，隨機(jī)選擇２／３ 樣方觀測數(shù)據(jù)及其對(duì)應(yīng)的多模態(tài)數(shù)據(jù)集作為訓(xùn)練樣本用于機(jī)器學(xué)習(xí)算法訓(xùn)練，把剩余的１／３ 樣方觀測數(shù)據(jù)作為驗(yàn)證樣本用于反演精度檢驗(yàn)，根據(jù)精度檢驗(yàn)結(jié)果選擇最優(yōu)機(jī)器學(xué)習(xí)算法用于植被總碳密度和土壤有機(jī)碳密度反演，并利用所有樣方數(shù)據(jù)對(duì)最終的反演結(jié)果再次進(jìn)行精度驗(yàn)證。

２．３ 水土保持措施碳匯量核算方法

１）增匯量計(jì)算方法。以行政區(qū)劃（市、縣、區(qū)）為單元的水土保持措施碳匯量計(jì)算公式為

Ｃ ＝ΔＳ＋ΔＶ （１）

ΔＳ ＝μΣＲＳ ｉ Ａｉ （２）

ΔＶ ＝μΣＲＶ ｉ Ａｉ （３）

式中：Ｃ 為以行政區(qū)為單元實(shí)施水土保持措施后植被和土壤碳庫碳儲(chǔ)量的年增加量（ｔ／ ａ），ΔＳ、ΔＶ 分別為水土保持措施實(shí)施后土壤有機(jī)碳儲(chǔ)量年增加量、植被碳儲(chǔ)量年增加量（ｔ／ ａ，因梯田農(nóng)作物被收割，故此處不計(jì)算梯田上植被碳匯量），ＲＳ ｉ 、ＲＶ ｉ 分別為第ｉ 種水土保持措施實(shí)施后土壤有機(jī)碳密度年變化率即土壤固碳速率、植被碳密度年變化率即植被固碳速率［ｔ／ （ｈｍ２?ａ）］，Ａｉ為第ｉ 種水土保持措施的面積（ｈｍ２ ），μ 為碳儲(chǔ)量轉(zhuǎn)換為二氧化碳的換算系數(shù)（二氧化碳與碳的相對(duì)分子質(zhì)量之比，即１１／３）。

２）保土固碳量計(jì)算方法。林草和梯田的保土固碳量計(jì)算公式為

ＣＣＰ ＝１０－５μＡＳＦＴ（Ｍｂｓ －ＭＳＦ）ωｂｓ （４）

淤地壩的保土固碳量計(jì)算公式為

ＣＣＰ ＝１０－３μＴＱＳＦωｂｓ （５）

式中：ＣＣＰ為某類水土保持措施的保土固碳量（ｔ），ＡＳＦ為測算年份某類水土保持措施的面積（ｈｍ２ ），Ｔ 為水土保持措施實(shí)施后的時(shí)間（即水土保持措施實(shí)施年份至測算年份的時(shí)間，ａ），Ｍｂｓ、ＭＳＦ分別為測算年份及前一年土壤侵蝕模數(shù)［ｔ／ （ｋｍ２·ａ）］，ωｂｓ為土壤有機(jī)碳含量（ｇ／ ｋｇ），ＱＳＦ為淤地壩的保土量（攔蓄泥沙量，ｔ／ ａ）。

３）水土保持措施減蝕減排量計(jì)算方法。基于有關(guān)文獻(xiàn)、資料進(jìn)行綜合分析，按水土保持措施保土固碳量乘以土壤有機(jī)碳礦化比例系數(shù)計(jì)算水土保持措施減蝕減排量。參考曹文洪等［１５］ 的研究，土壤有機(jī)碳礦化比例系數(shù)取值為０．３～０．４。

３ 結(jié)果分析

３．１ 植被和土壤碳密度反演結(jié)果精度驗(yàn)證

利用驗(yàn)證樣本對(duì)基于６ 種人工智能算法的植被總碳密度和土壤有機(jī)碳密度反演結(jié)果進(jìn)行精度檢驗(yàn)，見圖１ 和圖２（圖中虛線為反演值與實(shí)測值一致的零誤差線，紅線為二者擬合線）。由圖１、圖２（圖中ＲＭＳＥ單位為ｋｇ／ ｍ２）可以看出，在６ 種機(jī)器學(xué)習(xí)算法的反演結(jié)果中，ＥＸＴ 算法的反演效果最佳，其反演植被總碳密度的決定系數(shù)（Ｒ２ ）為０．７１、均方根誤差（ＲＭＳＥ）為０．５６ ｋｇ／ ｍ２，反演土壤有機(jī)碳密度的決定系數(shù)為０．７０、均方根誤差為１．６１ ｋｇ／ ｍ２。因此，把ＥＸＴ 算法作為反演寧夏植被總碳密度和土壤有機(jī)碳密度的機(jī)器學(xué)習(xí)算法。

為了進(jìn)一步驗(yàn)證ＥＸＴ 算法的準(zhǔn)確性和可靠性，從反演結(jié)果中提取了所有樣本點(diǎn)對(duì)應(yīng)的植被總碳密度和土壤有機(jī)碳密度，其與實(shí)測的碳密度進(jìn)行比較（見表１），表明采用ＥＸＴ 算法反演寧夏植被總碳密度和土壤有機(jī)碳密度具有較高的精度和可靠性。

３．２ 生態(tài)系統(tǒng)固碳速率空間分異情況

根據(jù)２０２１ 年和２０２２ 年生態(tài)系統(tǒng)植被總碳密度和土壤有機(jī)碳密度反演結(jié)果，計(jì)算２０２２ 年寧夏全區(qū)分辨率為３０ ｍ 的生態(tài)系統(tǒng)固碳速率，如圖３ 所示。由圖３可看出，２０２２ 年寧夏生態(tài)系統(tǒng)固碳速率呈現(xiàn)南高北低的空間分異。寧夏全區(qū)生態(tài)系統(tǒng)固碳速率平均值為２４．５３ ｇ／ （ｍ２·ａ），其中：六盤山水蝕區(qū)生態(tài)系統(tǒng)平均固碳速率最高，達(dá)到５６．７９ ｇ／ （ｍ２·ａ）；黃土丘陵溝壑水蝕區(qū)和黃土丘陵溝壑殘塬水蝕區(qū)次之，生態(tài)系統(tǒng)平均固碳速率分別為４５．３３、４６．９０ ｇ／ （ｍ２·ａ）；黃土丘陵溝壑水風(fēng)蝕交錯(cuò)區(qū)生態(tài)系統(tǒng)固碳速率也呈南高北低的空間分異，平均值為２５．００ ｇ／ （ｍ２·ａ）；銀川平原潛在風(fēng)蝕區(qū)生態(tài)系統(tǒng)平均固碳速率為２５．６４ ｇ／ （ｍ２ ·ａ）；賀蘭山水蝕區(qū)和丘陵臺(tái)地干旱草原風(fēng)水蝕交錯(cuò)區(qū)平均固碳速率分別為１１．９３ ｇ／ （ｍ２·ａ）和１５．８３ ｇ／ （ｍ２·ａ）。總體來說，固碳速率反演結(jié)果的空間分異規(guī)律符合寧夏植被和氣候條件空間分異規(guī)律。

寧夏不同行政區(qū)主要水土保持措施平均固碳速率見表２。從寧夏全區(qū)平均值看，水土保持林、封禁治理、經(jīng)濟(jì)林這３ 類措施的固碳速率均值接近，分別為２６．６５、２７．２５、２７．２８ ｇ／ （ｍ２·ａ）；人工草地和梯田的固碳速率均值相對(duì)較小，分別為１８．８０、２２．６８ ｇ／ （ｍ２·ａ）。值得注意的是，封禁治理區(qū)主要分布在寧夏南部山區(qū)，由于其土地生產(chǎn)力、氣候等自然條件相對(duì)較好，封禁后林草植被覆蓋較好，因此平均固碳速率與水土保持林接近。

由于固碳速率受氣候、地形、土壤和植被等多因素影響，因此各類水土保持措施在不同行政區(qū)的固碳速率存在顯著差異，如位于寧夏南部的固原市涇源縣、隆德縣、彭陽縣、原州區(qū)、西吉縣各類水土保持措施固碳速率均相對(duì)較高，其中涇源縣水土保持林固碳速率［７０．３９ ｇ／（ｍ２·ａ）］是寧夏北部大武口區(qū)［７．３５ ｇ／ （ｍ２·ａ）］的９．６倍，涇源縣各類水土保持措施固碳速率平均值［６０．１９ｇ／ （ｍ２·ａ）］是大武口區(qū)［６．２２ ｇ／ （ｍ２ ·ａ）］的９．７ 倍。其原因主要是：位于寧夏最南部的涇源縣，降雨量充足、森林植被覆蓋率高、土壤肥力高，水土保持措施固碳速率相對(duì)較高，而位于寧夏最北部的大武口區(qū)，少雨干旱、土壤貧瘠、植被生產(chǎn)力低，水土保持措施固碳速率相對(duì)較低。

３．３ 植物措施碳匯量核算結(jié)果

依據(jù)寧夏規(guī)劃考核數(shù)據(jù)中的植物措施數(shù)據(jù)及其分布空間、上述固碳速率反演結(jié)果，核算的２０１８—２０２２年寧夏水土保持植物措施增匯量和保土固碳量分別為４５８ ６５４．３ ｔ 和７ ０４５．６ ｔ，見表３。

依據(jù)各類植物措施固碳速率平均值和２０１１ 年第一次全國水利普查數(shù)據(jù)中的各類植物措施面積數(shù)據(jù)，核算２０１８ 年以前實(shí)施植物措施增匯量為１２２．２３ 萬ｔ／ ａ，其中：水土保持林增匯量為５１．０１ 萬ｔ／ ａ，封禁治理增匯量為５４．０８ 萬ｔ／ ａ，人工草地增匯量為１２．３６ 萬ｔ／ ａ，經(jīng)濟(jì)林增匯量為４．７７ 萬ｔ／ ａ。將２０１８ 年以前和２０１８—２０２２ 年實(shí)施植物措施碳匯量進(jìn)行匯總，得到２０２２ 年寧夏各類植物措施增匯總量為１６８．０９ 萬ｔ／ ａ，保土固碳量為３．０２萬ｔ／ ａ，減排量為０．９１ 萬～１．２１ 萬ｔ／ ａ，見表４。

３．４ 梯田碳匯量核算

依據(jù)寧夏規(guī)劃考核數(shù)據(jù)和動(dòng)態(tài)監(jiān)測數(shù)據(jù)中的梯田面積及其分布范圍、土壤侵蝕模數(shù)數(shù)據(jù)集和上述固碳速率反演結(jié)果，核算寧夏現(xiàn)存梯田的增匯量和保土固碳量分別為３９．９４ 萬、５０．１１ 萬ｔ／ ａ ，見表５。

３．５ 淤地壩碳匯量核算

根據(jù)黃土高原地區(qū)２６ 座淤地壩沉積剖面共１ ０８３個(gè)沉積層的整合數(shù)據(jù)，取淤地壩沉積泥沙容重為１．４６ ｔ／ ｍ３、沉積泥沙有機(jī)碳含量為２．７２ ｇ／ ｋｇ。依據(jù)２０２４ 年寧夏淤地壩淤積專項(xiàng)調(diào)查數(shù)據(jù)中的６８６ 座大中型淤地壩建設(shè)時(shí)間、泥沙淤積量等數(shù)據(jù)，結(jié)合有關(guān)研究成果，構(gòu)建寧夏淤地壩攔沙量與淤積庫容之間的定量關(guān)系和攔沙量動(dòng)態(tài)演變模型（攔沙效率隨累計(jì)淤積量增加而遞減，攔沙年限設(shè)定為４０ ａ），據(jù)此核算２０２２ 年寧夏淤地壩碳匯量（即攔沙固碳量）為９．９１ 萬ｔ／ ａ、減排量為２．９７ 萬～３．９６ 萬ｔ／ ａ。

３．６ 全口徑水土保持措施碳匯量匯總

２０２２ 年寧夏全口徑水土保持措施碳匯量匯總（見表６）：水土保持措施碳匯總量為２２６．９５ 萬～２３３．２６ 萬ｔ／ａ，其中增匯量２０８．０３ 萬ｔ／ ａ、保土固碳量６３．０４ 萬ｔ／ ａ、減排量１８．９２ 萬～２５．２３ 萬ｔ／ ａ，增匯量的８０．８％分布在植物措施、保土固碳量的７９．５％分布在梯田、減排量的７９．５％分布在梯田。

３．７ 討論

Ｆｅｎｇ 等［３０］ 采用ＣＥＮＴＵＲＹ 模型估算的２０００—２００８ 年黃土高原地區(qū)生態(tài)系統(tǒng)固碳速率為３３ ｇ／ （ｍ２·ａ），Ｒａｎ 等［２９］ 采用凈初級(jí)生產(chǎn)力模型和土壤呼吸模型相結(jié)合的方法估算的２０１０—２０２０ 年黃土高原陸地生態(tài)系統(tǒng)固碳速率為（４３．２±２２．２６）ｇ／ （ｍ２ ·ａ），Ｌｉ 等［３１］ 依據(jù)有關(guān)文獻(xiàn)中的５４９ 個(gè)樣點(diǎn)的土壤有機(jī)碳實(shí)測數(shù)據(jù)計(jì)算的１９８２—２０１７ 年黃土高原土壤固碳速率為１７．７１ ｇ／ （ｍ２·ａ），林楓等［３２］ 依據(jù)有關(guān)文獻(xiàn)中的９３５個(gè)樣本數(shù)據(jù)計(jì)算的２０００—２０２０ 年黃土高原土壤有機(jī)碳固存平均速率為２１ ｇ／ （ｍ２·ａ），楊猛［３３］ 采用ＣＡＳＡ光能利用率模型和土壤呼吸模型估算的寧夏２０１９ 年生態(tài)系統(tǒng)固碳速率為２７．３９ ｇ／ （ｍ２ ·ａ）。據(jù)報(bào)道［３４］ ，寧夏首單水土保持碳匯交易項(xiàng)目所在的李岔小流域２００２—２０２３ 年水土保持碳匯總量為９．３ 萬ｔ，該小流域面積為２８．８６ ｋｍ２，據(jù)此推算的水土保持固碳速率約為４１．８ ｇ／ （ｍ２·ａ）。按照本文上述核算方法計(jì)算的李岔小流域水土保持固碳速率為４７．００ ｇ／ （ｍ２·ａ）、寧夏全域水土保持固碳速率為２５．５４ ｇ／ （ｍ２ ·ａ） ，與有關(guān)學(xué)者估算結(jié)果和碳匯交易的核算值均較為接近，表明本研究所得寧夏水土保持措施固碳速率反演結(jié)果是合理、可信的。

本研究提出的基于多模態(tài)數(shù)據(jù)和人工智能算法的生態(tài)系統(tǒng)固碳速率和水土保持措施碳儲(chǔ)量反演方法，綜合利用了所有可利用的相關(guān)數(shù)據(jù)集，可實(shí)現(xiàn)較大區(qū)域范圍的生態(tài)系統(tǒng)碳匯快速計(jì)算，所用數(shù)據(jù)的類型、精度等均會(huì)對(duì)反演結(jié)果產(chǎn)生影響，如因氣象、土壤、地形等共享產(chǎn)品數(shù)據(jù)集均存在較大誤差而影響反演結(jié)果的精度。此外，地面實(shí)測樣方數(shù)據(jù)的空間分布及其代表性對(duì)反演模型的適用性和可推廣性有非常重要的影響，基于局部實(shí)測數(shù)據(jù)構(gòu)建的反演模型可能僅適用于當(dāng)?shù)氐奶純?chǔ)量和固碳速率反演。人工智能算法的選擇也是準(zhǔn)確反演碳儲(chǔ)量和固碳速率的關(guān)鍵因素，采用不同算法構(gòu)建的反演模型會(huì)產(chǎn)生不同結(jié)果，未來可利用高分辨率觀測數(shù)據(jù)和深度學(xué)習(xí)人工智能算法進(jìn)一步提高生態(tài)系統(tǒng)碳匯核算精度。

４ 結(jié)論

１）在隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、輕量級(jí)梯度提升、極端梯度提升、極度隨機(jī)樹回歸等６ 種人工智能機(jī)器學(xué)習(xí)算法中，極度隨機(jī)樹回歸算法用于反演寧夏植被碳密度與土壤有機(jī)碳密度的精度最高。

２）寧夏生態(tài)系統(tǒng)固碳速率在空間上呈現(xiàn)南高北低的分異特征，全區(qū)平均值為２４．５３ ｇ／ （ｍ２·ａ）， 水土保持林、封禁治理、經(jīng)濟(jì)林、人工草地、梯田的固碳速率分別為２６．６５、２７．２５、２７．２８、１８．８０、２２．６８ ｇ／ （ｍ２·ａ）。

３）２０２２ 年寧夏全口徑水土保持措施碳匯量為２２６．９５ 萬～２３３．２６ 萬ｔ／ ａ，其中增匯量２０８．０３ 萬ｔ／ ａ、保土固碳量６３．０４ 萬ｔ／ ａ、減排量１８．９２ 萬～２５．２３ 萬ｔ／ ａ，增匯量的８０． ８％ 分布在植物措施、保土固碳量的７９．５％分布在梯田、減排量的７９．５％分布在梯田。

參考文獻(xiàn)：

［１］ 余新曉，賈國棟，鄭鵬飛．碳中和的水土保持實(shí)現(xiàn)途徑和對(duì)策［Ｊ］．中國水土保持科學(xué)（中英文），２０２１，１９（６）：１３８－１４４．

［２］ 黃明，王宇露．黃河流域水土保持碳匯質(zhì)量評(píng)價(jià)指標(biāo)體系構(gòu)建［Ｊ］．人民黃河，２０２４，４６（１０）：１０９－１１５．

［３］ 付玉杰，田地，侯正陽，等．全球森林碳匯功能評(píng)估研究進(jìn)展［Ｊ］．北京林業(yè)大學(xué)學(xué)報(bào)，２０２２，４４（１０）：１－１０．

［４］ 馬明德，李俊杰，薛晨皓．寧夏區(qū)域發(fā)展對(duì)環(huán)境脅迫的時(shí)空演變及驅(qū)動(dòng)機(jī)制分析［Ｊ］．干旱區(qū)地理，２０２４，４７（６）：１０６１－１０７２．

［５］ 王禮先，劉霞．生態(tài)環(huán)境建設(shè)的區(qū)域配置［Ｊ］．水土保持學(xué)報(bào)，２００２，１６（５）：１－５．

［６］ 張楚漢，王光謙．關(guān)于黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展的思考［Ｊ］．人民黃河，２０２４，４６（９）：１－７．

［７］ ＬＡＬ Ｒ．Ｓｏｉｌ Ｃｏｎｓｅｒｖａｔｉｏｎ ａｎｄ Ｅｃｏｓｙｓｔｅｍ Ｓｅｒｖｉｃｅｓ［Ｊ］．Ｉｎｔｅｒ?ｎａｔｉｏｎａｌ Ｓｏｉｌ ａｎｄ Ｗａｔｅｒ Ｃｏｎｓｅｒｖａｔｉｏｎ Ｒｅｓｅａｒｃｈ，２０１４，２（３）：３６－４７．

［８］ ＡＤＯＭＢＩＲＥ Ｊ Ａ，ＩＭＯＲＯ Ａ Ｗ Ｍ，ＥＳＳＥＬ Ｅ，ｅｔ ａｌ．ＳｙｎｅｒｇｉｓｔｉｃＩｎｔｅｒａｃｔｉｏｎｓ ｏｆ Ｓｏｉｌ ａｎｄ Ｖｅｇｅｔａｔｉｏｎ ｉｎ Ａｇｒｏｆｏｒｅｓｔｒｙ Ｓｙｓｔｅｍｓ ｉｎＭｉｔｉｇａｔｉｎｇ Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ ｉｎ Ｕｐｐｅｒ Ｅａｓｔ Ｒｅｇｉｏｎ，Ｇｈａｎａ［Ｊ］．Ａｍｅｒｉｃａｎ Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ，２０２４，１３（２）：１４０－１６２．

［９］ ＬＡＬ Ｒ．Ｏｆｆｓｅｔｔｉｎｇ Ｃｈｉｎａ’ｓ ＣＯ２ Ｅｍｉｓｓｉｏｎｓ ｂｙ Ｓｏｉｌ Ｃａｒｂｏｎ Ｓｅ?ｑｕｅｓｔｒａｔｉｏｎ［Ｊ］．Ｃｌｉｍａｔｉｃ Ｃｈａｎｇｅ，２００４，６５（３）：２６３－２７５．

［１０］ 蒲朝勇．深入推進(jìn)水土保持碳匯工作提升水土保持生態(tài)產(chǎn)品供給能力［Ｊ］．水利發(fā)展研究，２０２４，２４（３）：５３－５７．

［１１］ 王凱，王聰，馮曉明，等．生物多樣性與生態(tài)系統(tǒng)多功能性的關(guān)系研究進(jìn)展［Ｊ］．生態(tài)學(xué)報(bào)，２０２２，４２（１）：１１－２３．

［１２］ 王翠，周忠發(fā)，李永柳，等．喀斯特流域水土流失對(duì)水庫碳匯效應(yīng)的影響［Ｊ］．水土保持通報(bào)，２０２１，４１（６）：１－７．

［１３］ 姚文藝，劉國彬．新時(shí)期黃河流域水土保持戰(zhàn)略目標(biāo)的轉(zhuǎn)變與發(fā)展對(duì)策［Ｊ］．水土保持通報(bào)，２０２０，４０（５）：３３３－３４０．

［１４］ 李智廣，王海燕，王雋雄．碳達(dá)峰與碳中和目標(biāo)下水土保持碳匯的機(jī)理、途徑及特征［Ｊ］．水土保持通報(bào)，２０２２，４２（３）：３１２－３１７，３８０．

［１５］ 曹文洪，張曉明，張永娥．水土保持碳匯若干關(guān)鍵問題研究［Ｊ］．中國水利，２０２４（４）：１－６．

［１６］ 呂曉芳，張鐿鋰，申元村．寧夏中部生態(tài)脆弱區(qū)土地資源利用現(xiàn)狀及經(jīng)濟(jì)效益分析：以鹽池縣為例［Ｊ］．干旱地區(qū)農(nóng)業(yè)研究，２００４，２２（３）：１３２－１３８．

［１７］ 洪樂樂，沈艷，馬紅彬，等．２０００—２０１９ 年寧夏植被凈初級(jí)生產(chǎn)力時(shí)空變化及其驅(qū)動(dòng)因素［Ｊ］．應(yīng)用生態(tài)學(xué)報(bào)，２０２２，３３（１０）：２７６９－２７７６．

［１８］ 方勇．“一帶一路”建設(shè)中的寧夏發(fā)展戰(zhàn)略研究［Ｍ］．北京：社會(huì)科學(xué)文獻(xiàn)出版社，２０１７：７８－８３．

［１９］ 徐麗，何念鵬，于貴瑞．２０１０ｓ 中國陸地生態(tài)系統(tǒng)碳密度數(shù)據(jù)集［Ｊ］．中國科學(xué)數(shù)據(jù)（中英文網(wǎng)絡(luò)版），２０１９，４（１）：９０－９６．

［２０］ ＢＩＬＡＬ Ｍ，ＮＡＺＥＥＲ Ｍ，ＮＩＣＨＯＬ Ｊ Ｅ，ｅｔ ａｌ．Ａ Ｓｉｍｐｌｉｆｉｅｄ ａｎｄＲｏｂｕｓｔ Ｓｕｒｆａｃｅ Ｒｅｆｌｅｃｔａｎｃｅ Ｅｓｔｉｍａｔｉｏｎ Ｍｅｔｈｏｄ （ＳＲＥＭ） ｆｏｒＵｓｅ ｏｖｅｒ Ｄｉｖｅｒｓｅ Ｌａｎｄ Ｓｕｒｆａｃｅｓ Ｕｓｉｎｇ Ｍｕｌｔｉ?Ｓｅｎｓｏｒ Ｄａｔａ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１９，１１（１１）：１３４４．

［２１］ ＭＯＵＲＡＤ Ｒ，ＪＡＡＦＡＲ Ｈ，ＡＮＤＥＲＳＯＮ Ｍ，ｅｔ ａｌ．Ａｓｓｅｓｓｍｅｎｔｏｆ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ Ｍｏｄｅｌｓ Ｕｓｉｎｇ Ｈａｒｍｏｎｉｚｅｄ Ｌａｎｄｓａｔ ａｎｄＳｅｎｔｉｎｅｌ－２ Ｓｕｒｆａｃｅ Ｒｅｆｌｅｃｔａｎｃｅ Ｄａｔａ ｏｖｅｒ ａ Ｓｅｍｉ?Ａｒｉｄ Ｉｒｒｉ?ｇａｔｅｄ Ｌａｎｄｓｃａｐｅ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２０，１２（１９）：３１２１．

［２２］ ＴＡＬＯＯＲ Ａ Ｋ，ＣＨＡＮＤＲＡ Ｋ Ｇ．Ｒｅｔｒｉｅｖａｌ ｏｆ Ｌａｎｄ ＳｕｒｆａｃｅＴｅｍｐｅｒａｔｕｒｅ，Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｍｏｉｓｔｕｒｅ Ｉｎｄｅｘ， Ｎｏｒ?ｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｗａｔｅｒ Ｉｎｄｅｘ ｏｆ ｔｈｅ Ｒａｖｉ Ｂａｓｉｎ ＵｓｉｎｇＬａｎｄｓａｔ Ｄａｔａ ［ Ｊ］． Ａｐｐｌｉｅｄ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｇｅｏｓｃｉｅｎｃｅｓ，２０２１，９：１０００５１．

［２３］ ＬＩＵ Ｊ Ｌ，ＦＡＮ Ｊ Ｒ，ＹＡＮＧ Ｃ，ｅｔ ａｌ．Ｎｏｖｅｌ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｉｃｅｓ ｆｏｒＥｓｔｉｍａｔｉｎｇ Ｐｈｏｔｏｓｙｎｔｈｅｔｉｃ ａｎｄ Ｎｏｎ?Ｐｈｏｔｏｓｙｎｔｈｅｔｉｃ ＦｒａｃｔｉｏｎａｌＶｅｇｅｔａｔｉｏｎ Ｃｏｖｅｒ ｆｒｏｍ ＳＥＮＴＩＮＥＬ Ｄａｔａ ［ Ｊ］． ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｇｅｏｉｎｆｏｒｍａｔｉｏｎ，２０２２，１０９：１０２７９３．

［２４］ ＢＥＬＧＩＵ Ｍ，ＤＲＡＧＵＴ Ｌ．Ｒａｎｄｏｍ Ｆｏｒｅｓｔ ｉｎ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ：ＡＲｅｖｉｅｗ ｏｆ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｆｕｔｕｒｅ Ｄｉｒｅｃｔｉｏｎｓ［Ｊ］． ＩＳＰＲＳＪｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１６，１１４：２４－３１．

［２５］ ＴＲＩＣＨＡＫＩＳ Ｃ Ｉ，ＮＩＫＯＬＯＳ Ｋ Ｉ，ＫＡＲＡＴＺＡＳ Ｇ Ｐ．ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ （ ＡＮＮ ） Ｂａｓｅｄ Ｍｏｄｅｌｉｎｇ ｆｏｒ ＫａｒｓｔｉｃＧｒｏｕｎｄｗａｔｅｒ Ｌｅｖｅｌ Ｓｉｍｕｌａｔｉｏｎ［Ｊ］． Ｗａｔｅｒ Ｒｅｓｏｕｒｃｅｓ Ｍａｎ?ａｇｅｍｅｎｔ，２０１１，２５（４）：１１４３－１１５２．

［２６］ ＰＩＳＮＥＲ Ｄ Ａ，ＳＣＨＮＹＥＲ Ｄ Ｍ． Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ［Ｊ］．Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ，２０２０，２８２（４１９）：１０１－１２１．

［２７］ ＦＡＮ Ｊ Ｌ，ＭＡ Ｘ，ＷＵ Ｌ Ｆ，ｅｔ ａｌ．Ｌｉｇｈｔ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｍａ?ｃｈｉｎｅ：Ａｎ Ｅｆｆｉｃｉｅｎｔ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ Ｍｏｄｅｌ ｆｏｒ ＥｓｔｉｍａｔｉｎｇＤａｉｌｙ Ｒｅｆｅｒｅｎｃｅ Ｅｖａｐｏｔｒａｎｓｐｉｒａｔｉｏｎ ｗｉｔｈ Ｌｏｃａｌ ａｎｄ ＥｘｔｅｒｎａｌＭｅｔｅｏｒｏｌｏｇｉｃａｌ Ｄａｔａ［Ｊ］． Ａｇｒｉｃｕｌｔｕｒａｌ Ｗａｔｅｒ Ｍａｎａｇｅｍｅｎｔ，２０１９，２２５：１０５７５８．

［２８］ ＴＲＩＺＯＧＬＯＵ Ｐ，ＬＩＵ Ｘ Ｌ，ＬＩＮ Ｚ．Ｆａｕｌｔ Ｄｅｔｅｃｔｉｏｎ ｂｙ ａｎ Ｅｎｓｅｍ?ｂｌｅ Ｆｒａｍｅｗｏｒｋ ｏｆ Ｅｘｔｒｅｍｅ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ （ＸＧＢｏｏｓｔ） ｉｎｔｈｅ Ｏｐｅｒａｔｉｏｎ ｏｆ Ｏｆｆｓｈｏｒｅ Ｗｉｎｄ Ｔｕｒｂｉｎｅｓ［Ｊ］． ＲｅｎｅｗａｂｌｅＥｎｅｒｇｙ，２０２１，１７９：９４５－９６２．

［２９］ ＲＡＮ Ｌ，ＦＡＮＧ Ｎ，ＷＡＮＧ Ｘ，ｅｔ ａｌ．Ｓｕｂｓｔａｎｔｉａｌｌｙ ＥｎｈａｎｃｅｄＬａｎｄｓｃａｐｅ Ｃａｒｂｏｎ Ｓｉｎｋ Ｄｕｅ ｔｏ Ｒｅｄｕｃｅｄ Ｔｅｒｒｅｓｔｒｉａｌ?ＡｑｕａｔｉｃＣａｒｂｏｎ Ｔｒａｎｓｆｅｒ Ｔｈｒｏｕｇｈ Ｓｏｉｌ Ｃｏｎｓｅｒｖａｔｉｏｎ ｉｎ ｔｈｅ ＣｈｉｎｅｓｅＬｏｅｓｓ Ｐｌａｔｅａｕ［Ｊ］．Ｅａｒｔｈ’ｓ Ｆｕｔｕｒｅ，２０２３，１１（７）：００３６０２．

［３０］ ＦＥＮＧ Ｘｉａｏｍｉｎｇ，ＦＵ Ｂｏｊｉｅ，ＬＵ ｎａｎ，ｅｔ ａｌ．Ｈｏｗ Ｅｃｏｌｏｇｉｃａｌ Ｒｅｓ?ｔｏｒａｔｉｏｎ Ａｌｔｅｒｓ Ｅｃｏｓｙｓｔｅｍ Ｓｅｒｖｉｃｅｓ：Ａｎ Ａｎａｌｙｓｉｓ ｏｆ Ｃａｒｂｏｎ Ｓｅ?ｑｕｅｓｔｒａｔｉｏｎ ｉｎ Ｃｈｉｎａ’ｓ Ｌｏｅｓｓ Ｐｌａｔｅａｕ［Ｊ］．Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，２０１３，３（１）：２８４６．

［３１］ ＬＩ Ｈｕｉｗｅｎ，ＷＵ Ｙｉｐｉｎｇ，ＬＩＵ Ｓｈｕｇｕａｎｇ，ｅｔ ａｌ．Ｔｈｅ Ｇｒａｉｎ?ｆｏｒ?Ｇｒｅｅｎ Ｐｒｏｊｅｃｔ Ｏｆｆｓｅｔｓ Ｗａｒｍｉｎｇ?Ｉｎｄｕｃｅｄ Ｓｏｉｌ ＯｒｇａｎｉｃＣａｒｂｏｎ Ｌｏｓｓ ａｎｄ Ｉｎｃｒｅａｓｅｓ Ｓｏｉｌ Ｃａｒｂｏｎ Ｓｔｏｃｋ ｉｎ ＣｈｉｎｅｓｅＬｏｅｓｓ Ｐｌａｔｅａｕ［Ｊ］．Ｓｃｉｅｎｃｅ ｏｆ ｔｈｅ Ｔｏｔａｌ Ｅｎｖｉｒｏｎｍｅｎｔ，２０２２，８３７：１５５４６９．

［３２］ 林楓，王麗芳，文琦．黃土高原土壤有機(jī)碳固存對(duì)植被恢復(fù)的動(dòng)態(tài)響應(yīng)及其碳匯價(jià)值［Ｊ］．水土保持研究，２０２１，２８（３）：５３－５８．

［３３］ 楊猛．２０００—２０１９ 年寧夏植被碳匯時(shí)空演變及影響因素研究［Ｄ］．徐州：中國礦業(yè)大學(xué)，２０２３：１－８９．

［３４］ 寧夏回族自治區(qū)水利廳．寧夏完成水土保持項(xiàng)目碳匯交易黃河流域“第一單”［ＥＢ／ ＯＬ］．（ ２０２４－０９－１２）［２０２４－１０－１５］．ｈｔｔｐｓ：／／ ｓｌｔ．ｎｘ．ｇｏｖ．ｃｎ／ ｓｌｘｃ／ ｚｗｘｘ／ ｎｘｓｌｘｘ／２０２４０９／ｔ２０２４０９１８＿４６６２４１２．ｈｔｍｌ．

【責(zé)任編輯 張智民】

基金項(xiàng)目：河南省自然科學(xué)基金面上項(xiàng)目（２４２３００４２１２５４）；黃河水利委員會(huì)優(yōu)秀青年科技項(xiàng)目（ＨＱＫ－２０２３０７）