李 成,杨舒慧,吴 芳,徐 扬,崔雪锋*

“双碳”背景下中国能源消费碳排放与植被固碳的时空分异

李 成1,杨舒慧2,吴 芳2,徐 扬3,崔雪锋2*

(1.扬州大学园艺与植物保护学院,江苏 扬州 225009；2.北京师范大学系统科学学院,北京 100875；3.扬州大学农学院,江苏 扬州 225009)

为理解中国能源消费碳排放(ERCE)与植被固碳(VCS)的演变特征及空间差异,基于气象数据、遥感数据、土地覆盖数据及统计资料等,分别在全国尺度、省域尺度和县域尺度上,定量分析2000～2017年我国ERCE和VCS的动态变化与空间分异格局,并利用碳压力指数(CPI),表征二者之间的相互关系.结果表明:(1)我国ERCE和人均ERCE在2000～2017年间表现出显著增加趋势(<0.01),但二者分别在2013年和2012年以后出现小幅下降;空间上,二者呈现出“北高南低、东高西低”的差异特征;(2)VCS和人均VCS均在2010年以后呈现快速增加趋势(<0.01),幅度分别为148.09×106t/a和0.04t/(人·a),东北、西南和黄土高原等区域VCS和人均VCS的增加幅度明显高于其他地区;(3)全国约有近1/3的省份CPI多年平均值在1以上(即ERCE高于VCS),其中上海、天津、江苏、山东、宁夏的CPI平均值较高,且增幅也相对较大,反映出这些区域具有较大的减排压力.研究结果可为我国不同区域碳减排政策的制定提供科学依据.

能源消费碳排放；植被固碳；时空变化；多源数据；中国

改革开放以来,我国工业化和城市化进程不断加快,对化石燃料的需求量和使用量日益增加,并成为世界第一大温室气体排放国[1-3];另一方面,我国在应对全球气候变化和开展气候治理方面,一直扮演着重要角色,发挥了积极的作用,取得了显著效果[4-6]. 2020年我国承诺的“碳达峰”和“碳中和”战略(简称“双碳”战略),不仅是我国对国际社会的责任担当,也是我国高质量发展和生态文明建设的必然选择[7].实现全国尺度CO2净零排放目标,需要综合考虑“减排”与“增汇”两大重要路径[8].其中,能源消费产生的碳排放与植被碳吸收是这两大路径的重要组成部分[9-10].在此背景下,理解二者在历史阶段的演变趋势及空间分异格局,对服务于国家“双碳”战略,实现人-地耦合关系协调发展,具有重要的现实意义.

合理、准确地估算植被固碳量(VCS)与能源消费碳排放量(ERCE)是国家和各省份制定“双碳”相关政策的重要前提,但目前对二者的基础数据、变化特征等尚未形成有效的整合[11-13],亟需开展评估工作,以便摸清家底.在VCS估算方面,目前的核算方法,如样地调查法[14-15]和经验系数法[16-17]主要应用于有限空间范围内固碳能力的估算,但难以反映区域尺度VCS的真实情况[16-17];遥感反演法虽然能获得区域尺度上VCS的变化特征,但由于“点”尺度(生物量实测值)与“栅格”尺度(植被光谱指数)数据的空间异质性问题,使其在复杂下垫面或混合单元中的估算结果[20],存在较大的不确定性;近年来,多源遥感数据的快速获取,使一些数值模型方法得到了广泛的应用[21-22].如CASA模型通过气象、土地覆盖、植被遥感等多源数据,获得植被净初级生产力(NPP),进而实现对VCS的估算[23-24].另一方面,在ERCE的估算中,虽然多数研究通过统计资料,开展省(市)域尺度上的估算[25-26],但在资料缺乏地区或基于不同口径数据估算的ERCE结果往往存在较大不确定性.例如,Guan等发现基于各省份能源平衡表数据估算的ERCE结果比同期基于全国能源平衡表的结果要高近20%[27].也有一些研究通过选择夜间灯光数据(如DMSP/OLS数据)作为能源消费量的代用指标,从而实现微观层面的估算[28-29].然而,不同夜间灯光数据的时空分辨率存在差异,这也阻碍了ERCE的长期估算[30-31].此外,以往研究多关注于全国或省(市)域尺度的短期评估,但县作为我国最基本的政府单位,在落实中央、省、市政府“双碳”战略的政策中将发挥重要作用[32].目前,围绕多个不同尺度VCS和ERCE的长期变化研究,特别是对二者变化趋势与空间分异格局的分析,还相对缺乏.

为此,本研究基于气象数据、遥感数据、土地覆盖数据及统计资料等,试图从全国尺度、省域尺度和县域尺度上定量分析2000～2017年间我国ERCE和VCS的动态变化及其空间分异格局,以期为不同区域“双碳”战略的政策制定提供支持.

1 材料与方法

1.1 数据来源

土地覆盖数据:来源于欧洲太空局的逐年全球土地覆盖产品,时间序列为2000～2017年,空间分辨率为300m(https://www.esa-landcover-cci.org).该数据融合了AVHRR、SPOT-VGT和PROBA-V等多源遥感卫星的时间序列数据,能够逐年描述与政府间气候变化专门委员会(IPCC)土地分类相匹配的土地覆盖变化,具有较高的精度[33-34].

气象数据:来源于中国气象局国家气象信息中心(https://data.cma.cn/),时间跨度为2000～2017年,共获得653个气象站逐日气温、降水、日照时数等资料.经过数据预处理和空间插值后,生成与土地覆盖数据分辨率相同的逐月气象栅格数据.

NDVI数据:来源于中国科学院地理科学与资源研究所提供的半月合成数据(https://www.resdc.cn/),空间分辨率为1000m.本研究通过最大值合成法和最邻近内插法获取与土地覆盖数据分辨率相同的逐月NDVI栅格数据.

统计数据:包括人口数据和ERCE数据.其中,人口数据来源于国家统计局(http://www.stats.gov.cn/)和各省(市)的统计年鉴.ERCE数据来源于中国碳核算数据库,它涵盖了2000～2017年我国2735个县的CO2排放量[32].受数据质量的影响,该数据不包括西藏自治区和港、澳、台地区的结果.

1.2 植被NPP与VCS的估算

图1 CASA模型的计算框架

NPP是绿色植物在单位时间和单位面积内,从光合作用产生的有机物中扣除自养呼吸后剩余的有机质[35-36].CASA模型估算植被NPP由植被吸收的光合有效辐射(APAR)和光能利用率()两个变量确定,其计算框架如图1所示.

NPP(,) = APAR(,) ×(,) (1)

式中:APAR(,)表示像元在月份吸收的光合有效辐射,MJ/m2;(,)表示像元在月份的实际光能利用率,g C/MJ.

APAR(,) = SOL(,) × FPAR(,) × 0.5 (2)

式中:SOL(,)表示像元在月份的太阳辐射量,MJ/m2;FPAR表示植被层对入射的光合有效辐射的吸收比例;常数0.5表示植被所能利用的太阳有效辐射占太阳总辐射的比例.

FPAR(,) = [NDVI(,) – NDVIi, min] /

[NDVIi, max– NDVIi, min] (3)

式中:NDVIi, max和NDVIi, min分别对应第种植被类型的NDVI最大值和最小值.

(,) =T1(,) ×T2(,) ×W(,) ×max(4)

式中:T1(,)和T2(,)表示温度对光能利用率的影响;W(,)表示水分条件对光能利用率的影响;max表示在理想状态下植被的最大光能利用率. 本研究中不同植被类型的max参照Zhu等[36]根据误差最小原则确定.

T1(,) = 0.8 + 0.02 ×opt() – 0.0005 × [opt()]2(5)

式中:opt()为植物生长的最适温度,为NDVI达到最大时的当月平均气温,℃;若当月平均温度小于或等于-10℃时,T1(,)取0.

T2(,) = 1.184 / {1 + exp[0.2 × (opt() – 10 –(,

))]} × 1 / {1 + exp[0.3 × (-opt() – 10 +(,))]} (6)

式中:当月平均气温(,)比opt()高10℃或低13℃时,则该月T2(,)等于(,)为opt()时T2(,)的一半.

W(,) = 0.5 + 0.5 ×(,) /p(,) (7)

式中:(,)和p(,)分别为实际蒸散量和潜在蒸散量.

由光合作用方程可知,植被每生产1kg有机物,能固定1.62kg CO2,且干物质中碳的含量约占NPP总量的45%[37].所以由CASA模型估算的植被NPP,通过转换系数(1.62/0.45),便可以计算出VCS.

1.3 碳压力指数的计算

为了更好地量化ERCE与VCS之间的关系,本研究提出碳压力指数(CPI),用于反映ERCE对VCS的压力:

>CPI = ERCE/VCS (4)

式中:CPI表示碳压力指数;ERCE表示能源消费碳排放量;VCS表示植被固碳量.

1.4 趋势分析方法

对2000～2017年ERCE、VCS和CPI的逐年数据,进行时空变化分析.采用一元线性回归法在全国尺度、省域尺度和县域尺度上,分析其在过去18a间的变化趋势,具体采用线性拟合方程的斜率表征18a间ERCE、VCS和CPI的变化趋势和幅度.如果斜率大于0,则表示ERCE(或VCS、CPI)为增长趋势;如果斜率小于0,则表示ERCE(或VCS、CPI)为减小趋势.对于全国尺度上其时间序列曲线可能出现的转折点,通过R语言的‘segmented’包进行检验,并计算转折前后的变化趋势.

2 结果与分析

2.1 CASA模型对植被NPP的模拟能力

基于多源数据获得2000～2017年间我国植被NPP平均值约为3.89Pg/a.为验证CASA模型对我国植被NPP的模拟能力,本研究通过文献整理的方式,列出了不同模型的模拟结果.如表1所示,不同模型对我国植被NPP的模拟结果在2.98～4.6Pg/a之间[38-45],而本研究的估算结果也处于该区间范围内,并与LPJ-GUESS模型的结果大体相当,反映了CASA模型对我国植被NPP的估算具有一定的合理性.

表1 不同模型对我国植被NPP的模拟结果

此外在省域尺度上,分别计算了由CASA模型和MOD17A3－NPP产品数据得到的VCS结果(分别记为CASA-VCS和MODIS-VCS).如图2所示, 其相关系数为0.93(<0.01),拟合方程的2达0.87, RMSE为136.97×106t,反映出CASA-VCS与MODIS-VCS之间具有较好的一致性.

图2 CASA-VCS与MODIS-VCS之间的散点图

2.2 全国尺度ERCE、VCS和CPI的变化特征

由图3(a)可见,2000～2017年间ERCE曲线在3155.37×106～9556.96×106t之间波动变化,多年平均值为6884.93×106t,标准差为2422.28×106t.人均ERCE变化为(5.12±1.68) t/人,其最大值和最小值分别出现在2014年(6.94t/人)和2001年(2.49t/人). ERCE和人均ERCE曲线在2000～2017年间均表现出显著的增加趋势(<0.01),变化幅度分别为438.68×106t/a和0.3t/(人·a).进一步分析可知,2000～2017年间ERCE曲线存在一个明显的转折点,即在2000～2013年间存在一个快速增加的趋势,增幅为544.9×106t/a(<0.01),但在2013年以后出现小幅下降,变化幅度为-0.05×106t/a.这主要得益于2012年以后,国家通过以经济发展的“速度变化、结构优化、动力转换”,促使我国产业和能源结构的变化,如能源密集型行业的减排、生产效率的提高和消费需求的转变等,使得ERCE在2013～2017年间有所下降[46].与ERCE变化类似,人均ERCE在2012年以后也出现小幅下降的趋势,降幅为0.04t/ (人·a).

2000～2017年VCS曲线在13305.22×106～14951.74×106t之间波动变化,多年平均值为14057.70×106t.人均VCS变化为(10.55±0.26) t/人,其最大值和最小值分别出现在2002年(11.17t/人)和2010年(9.92t/人).VCS曲线在2000～2017年间表现出显著的增加趋势(<0.01),变化幅度为69.34× 106t/a,但在2010年以后表现出快速增加的趋势(图3(b)),增幅达148.09×106t/a (<0.01),约是2000～2010间变化幅度的6.02倍.主要原因可能与我国生态工程建设的年限有关.从植被生态学的角度考虑,我国大规模植树造林种草、退耕还林还草等生态建设工程主要发生在2000年以后[8].在生态工程建设初期,植被普遍处于幼龄阶段,此时其光合作用能力相对较弱,且还需要维持自身的新陈代谢,因而短期的固碳效应并不明显[47].随着恢复年限的增加,植被NDVI和生物量也不断增大.例如,黄土高原地区退耕还林(草)10a后,新建植物群落逐渐稳定,通过枯落物、根系残体等形成的土壤有机质显著增多,并促使土壤有机碳含量及储量也随之增加[48].与VCS变化不同的是,人均VCS在2000～2010年和2010～2017年表现出相反的变化趋势,幅度分别为-0.04和0.04t/(人·a).

如图3(c)所示,过去18a间CPI在0.24～0.67之间波动变化,即VCS大于ERCE,但二者之间的差距在不断缩小,特别是2010年以后,CPI基本维持在0.62以上.与人均ERCE曲线变化相似,CPI曲线也在2000～2012年间表现出显著增加的趋势(<0.01),变化幅度达0.04/a,但它在2012～2017年期间表现出小幅下降的趋势(-0.001/a).

2.3 省域尺度ERCE、VCS和CPI的变化特征

如图4所示,2000～2017年间各省份ERCE多年平均值介于27.13×106～575.62×106t之间.其中,山东、河北、江苏、河南的ERCE平均值均在400×106t以上,广东、内蒙古、辽宁、山西的ERCE平均值也超过了300×106t,而宁夏、北京、青海、海南的ERCE平均值低于100×106t(图4(a)).人均ERCE值介于2.99～15.31t/人之间,表现出明显的“北高南低”的空间差异,特别是内蒙古、宁夏、山西的人均ERCE值超过了9t/人(图4(b)).如图4(c)所示,各省份ERCE均表现出增加趋势,山东、内蒙古、江苏、河北、河南的增幅超过了24×106t/a,而重庆、上海、青海、海南、北京的增幅则低于6×106t/a.就人均ERCE变化趋势而言(图4(d)),除北京通过产业结构升级与能源转型[49],实现了人均ERCE负增长外,其他省份均表现出增加趋势,增加幅度较高的区域主要集中在北方地区,特别是内蒙古、宁夏、新疆的人均ERCE增幅超过了0.5t/(人·a).

图4 省域尺度ERCE、VCS和CPI平均值与趋势值的空间分布特征

(a)～(d)依次为ERCE均值、人均ERCE、ERCE趋势、人均ERCE趋势;(e)～(h)依次为VCS均值、人均VCS、VCS趋势、人均VCS趋势;(i)～(j)依次为CPI均值、CPI趋势. 该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1823号的标准地图制作,底图无修改,下同

2000～2017年间各省份VCS多年平均值介于6.94×106～1274.04×106t之间.其中,平均值超过800×106t的地区包括云南、内蒙古、黑龙江、西藏等,而重庆、江苏、海南、宁夏、北京、天津、上海的平均值则低于200×106t (图4(e)).人均VCS值为26.13t/人,表现出明显的“西高东低”的空间差异,特别是青藏高原和西南的大部分省份人均VCS值超过了60t/人(图4(f)).如图4(g)所示,除江西、上海、浙江、福建、西藏的VCS出现了下降趋势外,其他省份VCS均表现出增加趋势,增幅超过6×106t/a的区域出现在内蒙古、陕西、山西和广西等,这些地区也是2000年以来我国生态工程实施的重点区域.就人均VCS趋势值而言,约有17个省份表现出增加趋势,主要位于东北、西南和黄土高原地区(图4(h)).

2000～2017年间各省份CPI多年平均值介于0～26.92之间(图4(i)),其中,上海、天津、江苏、北京、山东的CPI值都在2.0以上,而宁夏、河北、浙江、河南、山西、辽宁等地的CPI值则介于1～2之间.相比之下,黑龙江、云南、青海的CPI值较低,都在0.2以下.对于CPI多年平均值较高的省份,其CPI增加幅度也相对较大,如上海和天津的增幅均超过了0.2/a.此外,江苏、宁夏、山东的增幅也在0.1/a以上(图4(j)).

2.4 县域尺度ERCE、VCS和CPI的变化特征

如图5所示,县域尺度ERCE、VCS和CPI的多年平均值、变化趋势均表现出更加明显的空间差异.即便是在同一个省份内,各县之间的平均值和变化趋势也存在一定的差异.

如图5(a)所示,2000～2017年间各县ERCE多年平均值介于0～44.01×106t之间.其中,约有128个县ERCE平均值超过7×106t,主要位于华东(47个县)和华北(40个县)地区.人均ERCE表现出明显的“北高南低、东高西低”的空间差异(图5(b)),其中,约有294个县人均ERCE值超过7t/人,主要位于华北(126个县)、西北(65个县)和华东(31个县)地区.如图5(c-d)所示,ERCE与人均ERCE变化趋势的空间格局分别与其平均值的分布特征相似,即ERCE平均值(或人均ERCE值)较高的地区,其增加幅度也相对较大.

2000～2017年间各县VCS多年平均值介于0～237.01×106t之间.其中,超过20×106t的共有207个县,主要位于西南(85个县)、东北(41个县)、西北(33个县)和华北(30个县)地区(图5(e)).就人均VCS而言,约有206个县人均VCS值超过90t/人,以“胡焕庸线”(黑龙江省黑河市至云南省腾冲市)为界,该线左侧地区的人均VCS值明显高于右侧地区(图5(f)).对于VCS和人均VCS而言,二者变化趋势的空间分布特征较为相似,增幅的高值区主要位于东北、华北、西北和西南等(图5(g),(h)).

图5 县域尺度ERCE、VCS和CPI平均值与趋势值的空间分布特征

a－d依次为ERCE均值、人均ERCE、ERCE趋势、人均ERCE趋势;e－h依次为VCS均值、人均VCS、VCS趋势、人均VCS趋势;i－j依次为CPI均值、CPI趋势

2000～2017年间全国约有838个县的CPI多年平均值超过了1.0,其中有299个县CPI介于1～2之间,而有539个县CPI超过了2.0.整体上这些县大多位于“胡焕庸线”的右侧地区(图5(i)),如华东(260个县)、华北(187个县)和中南(185个县).CPI变化趋势的空间分布与它多年平均值的分布特征相似,特别是CPI平均值较高的地区,往往增加幅度也相对较大(图5(j)).

3 讨论

本研究基于CASA模型与光合作用方程,实现了我国VCS的定量评估,虽然估算结果处于合理的区间范围内,但不同模型对关键变量(植被NPP)的估算仍存在一定的差异,这主要与输入数据、模型结构及其参数设置有关[50].以输入数据为例,不同变量或同一变量的不同数据源之间还难以获取在空间尺度上相匹配的所有输入数据,这使得输入数据在尺度变换过程中引入的偏差可能会影响模拟结果[51].因此,如何突破多尺度数据融合和多源异构数据集成的技术方法,将有助于提升模拟精度.另一方面,现有的植被NPP实测数据相对较少,使不同模型在参数取值或模型改进方面,缺乏客观的精度验证数据[35-37].随着测量技术的不断发展,植被NPP实测方法将会有新的突破,从而更有利于区域尺度VCS的监测、验证与变化分析.

气候变化背景下我国不同地区水热条件也发生了阶段性的变化.一些研究发现:在2010年之前的时段,气候条件(如辐射和降水减少)导致的NPP损失基本抵消了植被固碳效益[43,52];而在2010年以后,受中南、东部和西南地区辐射和降水条件改善的影响,中国植被NPP出现了加速增长的趋势[50].有研究尝试解释植被固碳的驱动机制或量化气候与植被恢复对碳汇效益的相对影响[35-37],但由于陆-气间存在复杂的反馈作用,如造林能影响局地气温和水循环过程[53],因而现有的量化研究仍有较大不确定性.未来可以通过地球系统模式[5],定量区分不同因素对VCS的影响贡献,进而有针对性地提出基于生态系统“最优”管理的增汇模式[54].

本研究通过CPI衡量ERCE与VCS之间的关系.不同地区CPI表现出明显的空间差异(图4和图5),西南地区(如云南、四川、广西等)CPI表现最佳,这一方面得益于它们拥有发展水力发电、光伏发电及风力发电等较好的自然条件,并在可再生能源方面取得显著成果[55];同时也与该区域在过去10余年气候与生态恢复工程协同提高的VCS密不可分[50].然而在华东地区(如上海、江苏、浙江、山东等)CPI的平均值和增加幅度仍相对较高,这些地区经济发达,物产资源丰富,工业门类齐全,且拥有丰富的技术资源,但经济发达的背后意味着高占比的能源消耗[56],在“减排”与“增汇”方面的表现仍有待于进一步提高.对于像宁夏等经济发展高度依赖能源生产与其他碳密集产业的地区,由于排放水平高,能源效率低,使其综合表现较为一般.

自我国“双碳”发展战略提出以来,国家制定了相关政策和行动指南,并且各省市也陆续提出了相应的发展目标,制定了更加具体的实施方案.但是,由不同社会经济和地理条件形成的区域ERCE、VCS和CPI表现出明显空间异质性,且不同区域的人口、财政和自然资源特征差异很大,实施政策的能力也存在较大差异[57].因此,如何从政策的角度,落实省域和县域的“减排”、“增汇”责任至关重要,这不仅需要因地制宜地制定相应的政策,还需要探索政策实施的绩效评价,从而更好地落实国家“双碳”发展目标.

目前,受限于数据可获得性问题,本研究仅围绕“减排”与“增汇”路径中的重要组成部分,定量分析了2000～2017年全国尺度、省域尺度和县域尺度ERCE、VCS和CPI的动态变化及空间分异格局.下一阶段将遵循IPCC的排放核算方法,完善与能源相关的排放(47个部门的17 种化石燃料)以及与过程相关的排放(水泥生产)估算.同时,结合多种生态系统过程模型的评估结果,量化植被碳吸收的稳定性和持续性,并利用人口、经济、土地利用等多源数据,建立我国不同区域碳减排的责任分配.

4 结论

4.1 2000～2017年我国ERCE与人均ERCE均表现出显著增加趋势(<0.01),变幅分别为438.68×106t/a和0.3t/(人·a).空间上,二者呈现出“北高南低、东高西低”的变化差异.

4.2 我国VCS与人均VCS在2010年以后表现出快速增加趋势,增幅分别为148.09×106t/a (<0.01)和0.04t/(人·a).特别是,内蒙古、陕西、山西、广西等生态工程重点实施区的VCS与人均VCS增幅明显高于其他地区.

4.3 CPI与人均ERCE的变化特征基本相似,全国约有近1/3的省份CPI多年平均值在1以上,并且CPI平均值较高的地区,其增加幅度也相对较大,表明未来我国实施“减排”与“增汇”的任务任重而道远.

[1] Lo A. Carbon emissions trading in China [J]. Nature Climate Change, 2012,2:765-766.

[2] Zheng X Q, Lu Y L, Yuan J J, et al. Drivers of change in China’s energy-related CO2emissions [J]. Proceedings of the National Academy of Sciences, 2020,117(1):29-36.

[3] 刘纪远,宁 佳,匡文慧,等.2010～2015年中国土地利用变化的时空格局与新特征[J]. 地理学报, 2018,73(5):789-802.

Liu J Y, Ning J, Kuang W H, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010～2015 [J]. Acta Geographica Sinica, 2018,73(5):789-802.

[4] Liu Z, Guan D B, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China [J]. Nature, 2015,524(7565):335-338.

[5] 蔡兆男,成里京,李婷婷,等.碳中和目标下的若干地球系统科学和技术问题分析[J]. 中国科学院院刊, 2021,36(5):602-613.

Cai Z N Cheng L J, Li T T, et al. Key scientific and technical issues in earth system science towards achieving carbon neutrality in China [J]. Bulletin of the Chinese Academy of Sciences, 2021,36(5):602-613.

[6] 李 勇,高 岚.中国“碳中和”目标的实现路径与模式选择[J]. 华南农业大学学报(社会科学版), 2021,20(5):77-93.

Li Y, Gao L. Implementation path and mode selection of China’s carbon neutralization goal [J]. Journal of South China Agricultural University (Social Science Edition), 2021,20(5):77-93.

[7] Fu B J, Liu Y X, Li Y, et al. The research priorities of Resources and Environmental Sciences [J]. Geography and Sustainability, 2021, 2(2):87-94.

[8] Fang J Y, Yu G R, Liu L L, et al. Climate change, human impacts, and carbon sequestration in China [J]. Proceedings of the National Academy of Sciences, 2018,115(16):4015-4020.

[9] Wang M, Feng C. Decomposition of energy-related CO2emissions in China: an empirical analysis based on provincial panel data of three sectors [J]. Applied energy, 2017,190:772-787.

[10] Lan X, Liu Z Y, Chen X H, et al. Trade-off between carbon sequestration and water loss for vegetation greening in China [J]. Agriculture, Ecosystems & Environment, 2021,319:107522.

[11] Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data [J]. Nature, 2020, 586(7831):720-723.

[12] Chen J D, Li Z W, Dong Y Z, et al. Coupling coordination between carbon emissions and the eco-environment in China [J]. Journal of Cleaner Production, 2020,276:123848.

[13] Ding S, Xu N, Ye J, et al. Estimating Chinese energy-related CO2emissions by employing a novel discrete grey prediction model [J]. Journal of Cleaner Production, 2020,259:120793.

[14] Tang X L, Zhao X, Bai Y F, et al. Carbon pools in China’s terrestrial ecosystems: New estimates based on an intensive field survey [J]. Proceedings of the National Academy of Sciences, 2018,115(16): 4021-4026.

[15] 于贵瑞,张雷明,张扬建,等.大尺度陆地生态系统状态变化及其资源环境效应的立体化协同联网观测[J]. 应用生态学报, 2021, 32(6):1903-1918.

Yu G R, Zhang L M, Zhang Y J, et al. A coordinated three- dimensional network for observing large-scale terrestrial ecosystem status changes and the consequences on resources and environment [J]. Chinese Journal of Applied Ecology, 2021,32(6):1903-1918.

[16] Lai L, Huang X J, Yang H, et al. Carbon emissions from land-use change and management in China between 1990 and 2010 [J]. Science Advances, 2016,2(11):1601063.

[17] 唐洪松,马惠兰,苏 洋,等.新疆不同土地利用类型的碳排放与碳吸收[J]. 干旱区研究, 2016,33(3):486-492.

Tang H S, Ma H L, Su Y, et al. Carbon emissions and carbon absorptions of different land use types in Xinjiang [J]. Arid Zone Research, 2016,33(3):486-492.

[18] 张殿岱,王雪梅,昝 梅.基于Landsat 8OLI影像的渭-库绿洲植被地上生物量估算[J]. 草业学报, 2021,30(11):1-12.

Zhang D D, Wang X M, Zan M. Estimation of vegetation aboveground biomass in the Wei-Ku oasis based on Landsat 8OLI images [J]. Acta Prataculturae Sinica, 2021,30(11):1-12.

[19] Liu S L, Cheng F Y, Dong S K, et al. Spatiotemporal dynamics of grassland aboveground biomass on the Qinghai-Tibet Plateau based on validated MODIS NDVI [J]. Scientific Reports, 2017,7:4182.

[20] Fern R R, Foxley E A, Bruno A, et al. Suitability of NDVI and OSAVI as estimators of green biomass and coverage in a semi-arid rangeland [J]. Ecological Indicators, 2018,94:16-21.

[21] Yu Y Y, Li J, Zhou Z X, et al. Estimation of the value of ecosystem carbon sequestration services under different scenarios in the central China (the Qinling-Daba mountain area) [J]. Sustainability, 2020,12 (1):337.

[22] Yang H F, Zhong X N, Deng S Q, et al. Assessment of the impact of LUCC on NPP and its influencing factors in the Yangtze River basin, China [J]. CATENA, 2021,206:105542.

[23] Li X Y, Guo J M, Qi S Z. Forestland landscape change induced spatiotemporal dynamics of subtropical urban forest ecosystem services value in forested region of China: A case of Hangzhou city [J]. Environmental Research, 2021,193:110618.

[24] Chen J D, Fan W, Li D, et al. Driving factors of global carbon footprint pressure: Based on vegetation carbon sequestration [J]. Applied Energy, 2020,267:114914.

[25] Jiang J J, Ye B, Xie D J, et al. Provincial-level carbon emission drivers and emission reduction strategies in China: Combining multi-layer LMDI decomposition with hierarchical clustering [J]. Journal of Cleaner Production, 2017,169:178-190.

[26] Wang S, Gao S, Huang Y, et al. Spatiotemporal evolution of urban carbon emission performance in China and prediction of future trends [J]. Journal of Geographical Sciences, 2020,30(5):757-774.

[27] Guan D B, Liu Z, Geng Y, et al. The gigatonne gap in China’s carbon dioxide inventories [J]. Nature Climate Change, 2012,2:672-675.

[28] Shi K F, Chen Y, Yu B L, et al. Modeling spatiotemporal CO2(carbon dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis [J]. Applied Energy, 2016, 168:523-533.

[29] 张永年,潘竟虎.基于DMSP/OLS数据的中国碳排放时空模拟与分异格局[J]. 中国环境科学, 2019,39(4):1436-1446.

Zhang Y N, Pan J H. Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data [J]. China Environment Science, 2019,39(4):1436-1446.

[30] Chen H X, Zhang X L, Wu R W, et al. Revisiting the environmental Kuznets curve for city-level CO2emissions: based on corrected NPP-VIIRS nighttime light data in China [J]. Journal of Cleaner Production, 2020,268:121575.

[31] Lv Q, Liu H B, Wang J T, et al. Multiscale analysis on spatiotemporal dynamics of energy consumption CO2emissions in China: Utilizing the integrated of DMSP-OLS and NPP-VIIRS nighttime light datasets [J]. Science of The Total Environment, 2020,703:134394.

[32] Chen J D, Gao M, Cheng S L, et al. County-level CO2emissions and sequestration in China during 1997～2017 [J]. Scientific data, 2020, 7:391.

[33] Mousivand A, Arsanjani J J. Insights on the historical and emerging global land cover changes: The case of ESA-CCI-LC datasets [J]. Applied Geography, 2019,106:82-92.

[34] Hu X P, Næss J S, Iordan C M, et al. Recent global land cover dynamics and implications for soil erosion and carbon losses from deforestation [J]. Anthropocene, 2021,34:100291.

[35] 周 伟,牟凤云,刚成诚,等.1982～2010年中国草地净初级生产力时空动态及其与气候因子的关系[J]. 生态学报, 2017,37(13):4335- 4345.

Zhou W, Mu F Y, Gang C C, et al. Spatio-temporal dynamics of grassland net primary productivity and their relationship with climatic factors from 1982 to 2010 in China [J]. Acta Ecologica Sinica, 2017,37(13):4335-4345.

[36] Zhu W Q, Pan Y Z, Yang X Q, et al. Comprehensive analysis of the impact of climatic changes on Chinese terrestrial net primary productivity [J]. Chinese Science Bulletin, 2007,52(23):3253-3260.

[37] Yan Y C, Liu X P, Wen Y Y, et al. Quantitative analysis of the contributions of climatic and human factors to grassland productivity in northern China [J]. Ecological Indicators, 2019,103:542-553.

[38] Yuan Q Z, Wu S H, Zhao D S, et al. Modeling net primary productivity of the terrestrial ecosystem in China from 1961 to 2005 [J]. Acta Geographica Sinica, 2014,24(1):3-17.

[39] 高志强,刘纪远.中国植被净生产力的比较研究[J]. 科学通报, 2008,53(3):317-326.

Gao Z Q, Liu J Y. Comparative analysis for net primary productivity of Chinese terrestrial vegetation [J]. Chinese Science Bulletin, 2008, 53(3):317-326.

[40] 黄 玫.中国陆地生态系统水、热通量和碳循环模拟研究[D]. 北京:中国科学院地理科学与资源研究所, 2006.

Huang M. Modeling the water energy and CO2exchanges in China’s terrestrial ecosystems [D]. Beijing: Institute of Geographic Sciences and Natural Resources of Chinese Academy of Sciences, 2006.

[41] 王 磊,丁晶晶,季永华,等.1981～2000年中国陆地生态系统NPP时空变化特征分析[J]. 江苏林业科技, 2009,36(6):1-5.

Wang L, Ding J J, Ji Y H, et al. Spatiotemporal pattern of NPP in terrestrial ecosystem of China from 1981 to 2000 [J]. Journal of Jiangsu Forestry Science & Technology, 2009,36(6):1-5.

[42] 陈 斌,王绍强,刘荣高,等.中国陆地生态系统NPP模拟及空间格局分析[J]. 资源科学, 2007,29(6):45-53.

Chen B, Wang S Q, Liu R G, et al. Study on modeling and spatial pattern of net primary production in China's terrestrial ecosystem [J]. Resource Research, 2007,29(6):45-53.

[43] Wang J, Dong J, Yi Y, et al. Decreasing net primary production due to drought and slight decreases in solar radiation in China from 2000 to 2012 [J]. Journal of Geophysical Research: Biogeosciences, 2017,122 (1):261-278.

[44] 高彦华.基于MODIS的中国陆地生态系统碳格局研究[D]. 北京:中国科学院地理科学与资源研究所, 2010.

Gao Y H. Research on the carbon structure of China's terrestrial ecosystem based on MODIS [D]. Beijing: Institute of Geographic Sciences and Natural Resources of Chinese Academy of Sciences, 2010.

[45] 赵苗苗,刘 熠,杨吉林,等.基于HASM的中国植被NPP时空变化特征及其与气候的关系[J]. 生态环境学报, 2019,28(2):215-225.

Zhao M M, Liu Y, Yang J L, et al. Spatio-temporal patterns of NPP and its relations to climate in China based on HASM [J]. Ecology and Environmental Sciences, 2019,28(2):215-225.

[46] Mi Z F, Sun X L. Provinces with transitions in industrial structure and energy mix performed best in climate change mitigation in China [J]. Communications Earth & Environment, 2021,2:182.

[47] Zhu J J, Song L N. A review of ecological mechanisms for management practices of protective forests [J]. Journal of Forestry Research. 2021,32:435-448.

[48] 黎 鹏,张 勇,李夏浩祺,等.黄土丘陵区不同退耕还林措施的土壤碳汇效应[J]. 水土保持研究, 2021,28(4):29-33.

Li P, Zhang Y, Li X, et al. Effect of soil carbon sink in the hilly region of the Loess Plateau under Grain for Green Project [J]. Research of Soil and Water Conservation, 2021,28(4):29-33.

[49] Zheng J L, Mi Z F, Coffman D M, et al. Regional development and carbon emissions in China [J]. Energy Economics, 2019,81:25-36.

[50] Chen Y Z, Feng X M, Tian H Q, et al. Accelerated increase in vegetation carbon sequestration in China after 2010: A turning point resulting from climate and human interaction [J]. Global Change Biology, 2021,27:5848-5864.

[51] 吴炳方,曾 源,闫娜娜,等.生态系统遥感:内涵与挑战[J]. 遥感学报, 2020,24(6):609-617.

Wu B F, Zeng Y, Yan N N, et al. Remote sensing for ecosystem: Definition and prospects [J]. National Remote Sensing Bulletin, 2020,24(6):609-617.

[52] Ji Y H, Zhou G S, Luo T X, et al. Variation of net primary productivity and its drivers in China’s forests during 2000～2018 [J]. Forest Ecosystems, 2020,7:15.

[53] Li Y, Piao S L, Chen A P, et al. Local and teleconnected temperature effects of afforestation and vegetation greening in China [J]. National Science Review, 2020,7(5):897-912.

[54] 方精云.碳中和的生态学透视[J]. 植物生态学报, 2021,45(11): 1173-1176.

Fang J Y. Ecological perspectives of carbon neutrality [J]. Chinese Journal of Plant Ecology, 2021,45(11):1173-1176.

[55] Hu Y L, Huang W B, Wang J, et al. Current status, challenges, and perspectives of Sichuan’s renewable energy development in Southwest China [J]. Renewable and Sustainable Energy Reviews, 2016,57: 1373-1385.

[56] You Z W, Zhao T, Song C, et al. Analyzing China’s coal-related carbon emissions from economic growth perspective: Through decoupling and decomposition model [J]. Environmental Science and Pollution Research, 2020,28:3703-3718.

[57] 宋 鹏,张慧敏,毛显强.面向碳达峰目标的重庆市碳减排路径研究 [J]. 中国环境科学, 2021,DOI:10.19674/j.cnki.issn1000-6923. 20210923.0060923.006.

Song P, Zhang H M, Mao X Q. Research on Chongqing’s carbon emission reduction path towards the goal of carbon peak [J]. China Environment Science, 2021.DOI:10.19674/j.cnki.issn1000-6923. 20210923.006 0923.006.

Spatio-temporal patterns of CO2emissions from energy consumption and vegetation carbon sequestration in China under the emission peak and carbon neutrality.

LI Cheng1, YANG Shu-hui2, WU Fang2, XU Yang3, CUI Xue-feng2*

(1.School of Horticulture and Plant Protection, Yangzhou University, Yangzhou 225009, China；2.School of System Science, Beijing Normal University, Beijing 100875, China；3.Agricultural College, Yangzhou University, Yangzhou 225009, China)., 2022,42(4)：1945～1953

In order to understand the variation characteristics of CO2emissions from energy consumption (ERCE) and vegetation carbon sequestration (VCS) in China, dynamic changes and spatial patterns of the ERCE and VCS were quantitatively analyzed from 2000 to 2017 based on multi-source data, including meteorological, satellite, land cover, and statistical data, at the national, provincial, and county scales. Moreover, a carbon pressure index (CPI) was proposed to characterize the relationship between the ERCE and VCS. The ERCE and ERCE per capita had a significant increasing trend between 2000 and 2017 (<0.01), but both displayed a slight downward trend after 2013 and 2012, respectively. As for spatial patterns, higher increasing trends were found in the northern and eastern China. Both VCS and VCS per capita had a rapidly increasing trend after the year of 2010 (<0.01), with a trend value of 148.09×106t/a and 0.04t/(person·a), respectively. Particularly, the VCS and VCS per capita displayed larger increasing trends in the northeast region, southwest region, and the Loess Plateau. Nearly 1/3 of all provinces of China had a higher mean value of CPI exceeding 1in China, which meant that the ERCE was higher than VCS. Among them, the relative higher CPI values were found in Shanghai, Tianjin, Jiangsu, Shandong, and Ningxia, and higher increasing trends of CPI were also found in these regions, which indicated that these regions had greater pressure to reduce carbon emissions. The findings can provide an important reference for developing low-carbon policies in different regions of China.

CO2emissions from energy consumption；vegetation carbon sequestration；spatio-temporal dynamics；multi-source data；China

X321

A

1000-6923(2022)04-1945-09

李 成(1988-),男,江苏南京人,讲师,博士,研究方向为全球变化的区域响应.发表论文20余篇.

2021-10-09

国家自然科学基金资助项目(41801013);江苏省自然科学基金资助项目(BK20180939);中国气象局沈阳大气环境研究所联合开放基金资助项目(2021SYIAEKFMS27)

*责任作者, 教授, xuefeng.cui@bnu.edu.cn