郑博福，梁 涵，万 炜，刘 忠，朱锦奇，吴之见

江西省县域农业碳排放时空格局及影响因素分析

郑博福1，梁 涵1，万 炜1※，刘 忠2，朱锦奇1，吴之见3

（1. 南昌大学资源与环境学院，江西生态文明研究院，南昌 330031；2. 中国农业大学土地科学与技术学院，北京 100193；3. 江西省公共资源交易集团，南昌 330046）

农业生产是碳排放的主要来源之一，在碳达峰碳中和的时代背景下，厘清区域农业碳排放现状并分析其时空变化和影响因素具有重要意义。江西省是农业大省，近几十年来农业的快速发展伴随着农业碳排放量的升高。因此基于本区域水稻种植、农资投入、土壤利用及畜禽养殖4类主要碳源，构建农业碳排放测算体系，评估2000－2020年农业碳排放量，分析县域农业碳排放空间格局及其驱动机制。结果表明：1）江西省农业碳排放量总量范围在1 098.32万～1 471.94万t；种植业碳排放强度整体呈下降趋势，范围在2.50～3.87 t/万元，畜牧业碳排放强度整体亦呈下降趋势，范围在0.76～2.03 t/万元；各碳源碳排放总量和其占农业碳排放总量的比例大小依次为：水稻种植（806.72万t，61.15%）、畜禽养殖（243.57万t，18.57%）、农资投入（237.39万t，18.02%）、农田土壤利用（29.60万t，2.26%）；2）江西省县域农业碳排放量空间特征明显，高碳排放区均集中于鄱阳湖平原地区以及吉泰盆地；农业碳排放强度空间分布由相对离散到集中在赣北地区；整体上江西省碳排放总量的重心向北移动；3）农业碳排放效率是影响农业碳排放的最重要的因素，各因素对农业碳排放减少量和其占总农业碳排放减少量的比例大小依次为：农业生产效率因素（1 828.13万t，56.57%）、地区产业结构因素（1 265.29万t，39.15%）、农业产业结构因素（86.12万t，2.66%）、农村总人口因素（52.12万t，1.62%）。整体上，各因素减少农业碳排放总量绝对值由大到小为：赣北、赣中、赣南。研究结果可为江西省乃至全国其他粮食主产区农业碳排放的测算以及农业碳减排政策的制定提供科学参考。

农业；碳排放；时空格局；县域；江西省

0 引 言

全球变暖是人类当前面临的最严重挑战之一[1]。政府间气候变化专门委员会（IPCC）第六次评估报告指出，人类活动导致的碳排放是造成全球变暖极端气候发生的主要驱动因素，对人类的生存和发展造成严重威胁[2]。为应对气候变化，中国提出2030年碳达峰、2060年碳中和的战略目标[3]，旨在调整中国产业结构和能源结构，从根本上降低温室气体排放。农业碳排放是全球温室气体排放的第二大来源，贡献了全球范围内约14%的人为温室气体排放量和58%的非人为CO2排放[4]。中国是农业大国，农业碳排放量占全国温室气体排放总量的17%，且以年均5%的速率保持增长态势[5]。“十四五”全国农业绿色发展规划中明确提出增强减排固碳能力和改善农业生态系统的具体要求[6]。因此，研究农业碳排放时空分布格局以及驱动力因素，对农业结构调整、应对气候变化、实现“双碳”目标和建设美丽中国具有重要意义。

近年来，国内农业碳排放研究主要侧重于对碳排放量指标选取及测算、驱动力因素分析等方面，驱动力因素分析的研究重点在国家[7]、省市[8]、地区[9]等尺度。Tian等[10]以农业原料投入、稻田、土壤和畜牧业等碳排放源为基础，首次计算了1995－2010年中国各省的农业碳排放量，结果表明：农业原料投入、稻田和肥料管理是主要农业碳排放源。王兴等[11]对2000－2014年西南地区农业碳排放趋势、驱动因素及主要贡献因子进行研究，结果表明：农业效率、农业结构及劳动力规模等因素促进了农业碳减排；而农业经济发展水平是农业碳增排最主要因素。周思宇等[9]估算1979－2015年东北地区耕地碳排放，探讨碳排放的影响机制，结果表明：土地生产率、科技资金配置率提高会增加碳排放；而投入产出比、人均耕地面积、科技投入强度降低会减少碳排放。

厘清区域尺度碳排放的时空格局有助于针对性地制定农业碳减排政策。现有研究主要关注于农业碳排放面板数据的统计分析，而农业碳排放空间格局、分异性特征、地理规律探究等方面的研究成果较为薄弱。受限于数据的可获取性，当前碳排放时空格局的研究多停留在省级尺度或大区域尺度，而县域碳排放时空格局的研究则相对较少。

江西省是中国13个粮食主产省之一，是具有悠久耕作历史的农业大省，农业在其经济体系中占有重要的战略地位。随着农业的快速发展和农业现代化水平的提高，化肥、农药等物资投入不断增加，导致大量温室气体排放，严重影响碳达峰目标的实现。目前，江西省农业碳排放的评价体系尚不全面，测算指标主要集中在农资投入[12]，未考虑畜牧业以及水稻种植等指标，且对农业碳排放分析过于简单，无法为农业碳减排策略的制定提供精准依据。

因此，本研究在建立江西省系统全面的农业碳排放测算指标体系基础上，分析农业碳排放时序变化；再基于县域尺度农业碳排放的空间格局分析，定量揭示农业碳排放空间自相关性；进而通过对数平均迪式指数算法（Logarithmic Mean Index Method，LMDI）分析各因素对农业碳排放的影响；最后，因地制宜地制定减排策略，为江西省乃至全国其他粮食主产区农业碳减排政策的制定提供精准依据。以期推动江西省农业低碳健康发展，进而为国家实现碳达峰、碳中和目标提供理论指导。

1 研究区概况与数据

1.1 研究区概况

江西省位于长江中下游南岸，国土面积16.69×106hm2，辖11个地级市、100个县区，地理坐标24°29′～30°04′ N、113°34′～118°28′ E（图1）。地貌类型以丘陵和山地为主，其中山地占36%，丘陵占42%，岗地和平原占12%。本区域全年气候温暖，光照充足，雨量充沛，无霜期长，为典型的亚热带湿润气候。2020年全省平均气温为19.0 ℃，降水量为1 896.8 mm，日照为1 478.6 h。境内河流较多，主要为“五河一湖”，有丰富的水资源。现有耕地面积306.67万hm2，农业人口1 787.8万人，农林牧渔业增加值2 327.9亿元，其中农牧业增加值1 702.6亿元。整体而言，江西省自然条件优越，有利于农业发展。

1.2 数据源及其预处理

本文所需的原始数据主要来自于《中国农村统计年鉴》《中国县域统计年鉴》《江西省统计年鉴》以及江西省各地市统计年鉴，经济数据均采用2000年可比价格，将其他年份进行折算，以剔除价格因素干扰。化肥、农药及农膜均为当年用量，其中化肥为折纯量；灌溉面积为有效灌溉面积；畜禽养殖量为畜禽年平均饲养量，当畜禽饲养周期大于1 a时，采用该畜禽的年末存栏量；当畜禽饲养周期小于1 a时，需进行调整；其中，猪、羊和家禽的平均生命周期分别为200 和210、55 d[13]，按式（1）进行调整。

式中App为牧畜饲养量，头；Herds年末存栏量，Days为牧畜饲养周期，d；NAPA为年牧畜出栏量，头。

本研究的时间尺度为2000－2020年。空间上，江西省下辖100个县域单元，但考虑到市区农业碳排放水平较低，诸多数据不予统计；且市区范围存在一定的行政区划调整。因此，为保证数据的可获取性及统计口径的一致性，本文最终选择了81个农业碳排放水平相对较高的非市区类县域为研究基本单元。

2 研究方法

2.1 农业碳排放测算

本文选取3种主要农业温室气体CO2、CH4和N2O，并将其排放系数统一折算成碳排放系数加以分析，本研究所有结果均为碳排放量，依据如下：IPCC报告中指出百年尺度1 t CH4产生的温室效应相当于6.82 t C（25 t CO2）产生的温室效应，1 t N2O产生的温室效应相当于81.27 t C（298 t CO2）产生的温室效应[14]。

通过查阅2000－2020年江西省统计年鉴，计算出江西省种植业、畜牧业、渔业、林业和农业类服务业产值占农业总产值的平均比例分别为45.29%、28.59%、13.75%、8.97%以及3.40%。由此可见，种植业和畜牧业在江西省农业经济组成中比重最大，累计占比70%以上；渔业、农业服务业难以定量精准统计，林业主要表现为碳汇而非碳源，因此选取种植业和畜牧业碳源作为研究对象。本研究所考虑的碳排放来源主要如下：农业物资投入引起的CO2排放；农作物在种植过程中土壤表层受损引起微生物硝化作用和反硝化作用产生N2O排放；水稻生长过程中产生的CH4排放；畜禽养殖排放包括肠道发酵产生的CH4排放、粪便管理引发的CH4和N2O排放[10]。

采用IPCC发布的碳排放系数法[15]，结合现有的研究成果，估算模型如下：

农业碳排放强度计算式如下：

式中I为碳排放强度，t/万元；为产业增加值，万元；10–4为单位转化系数。

2.2 种植业碳排放计算

水稻种植是CH4最主要的排放源之一。水稻种植碳排放主要是指稻田在淹水条件下，土壤中的腐烂植物体等有机物，被产甲烷的细菌分解，从而产生大量甲烷；农资投入碳排放主要包括化肥、农药、农膜（生产和运输过程中直接或间接导致的碳排放，不包括田间使用过程中由能源消费导致的碳排放）、灌溉以及农业机械消耗等途径；在种植过程中对土壤表面的破坏，容易导致大量N2O流失进入大气造成温室气体的排放。目前，研究人员通过大量试验估算了主要农作物品种土壤N2O排放系数，各碳源排放系数如表1所示。

表1 种植业碳排放系数

2.3 畜禽养殖业碳排放计算

畜禽养殖中反刍动物养殖是CH4和N2O的重要来源，包括肠道发酵以及粪便管理系统引起。牛、猪、羊、家禽是温室气体的主要家畜品种。各排放系数如表2所示。

表2 畜禽养殖业碳排放系数

2.4 空间自相关分析

空间自相关是指区域内某种属性变量之间的依赖性。空间自相关常用的指标是Moran’s I，全局Moran’s I可以判断区域内是否存在集聚[28]；局部Moran’s I可通过LISA图识别出空间的异质性[29]。

全局Moran’s I指数公式如下：

局部Moran’s I指数公式如下：

2.5 重心移动模型

重心源于力学概念，区域重心是指某一要素在研究区域内受力达到平衡的点，通过重心迁移反应地理事物与要素的空间变化。本研究采用重心模型计算农业碳排放量的空间重心坐标[30]，分析江西省农业碳排放的空间变化规律，计算式为

2.6 农业碳排放影响因素及分解模型

基于LMDI模型，从农村生产效率、农业产业结构、地区产业结构、地区经济发展水平、城镇化水平等角度，构建农业碳排放驱动因素体系，分析驱动因素对农业碳排放的影响。根据Kaya恒等式基本形式并借鉴已有研究，将农业碳排放量做如下变形[31]：

在等式（9）的基础上，令：

式中1为农业生产效率，t/万元；2为农业产业结构，无量纲；3为地区产业结构，无量纲；4为地区经济发展水平，万元/人；5为城镇化水平，无量纲。

采用LMDI加法分解方式对上式进行进一步分解以量化各因素对碳排放的影响大小[32]，具体为

式中表示时期（=1,2,…,）；0表示基期；ΔF分别表示因素对农业碳排放的变化量的贡献值，万t。本研究将分为4个时段分析上述因素对江西省农业碳排放的影响。

3 结果分析

3.1 农业碳排放时空特征

3.1.1 碳排放时序特征

2000－2020年，农业碳排放总量呈现先降低达到谷值、后显著增加达到峰值、再逐渐降低的趋势，总量范围在1 098.32万～1 471.94万t，2003年为谷值，2017年为峰值（图2 a）。整体上，江西省农业碳排增加趋势明显（2=0.81），年际变化较为平稳，年平均增幅为1.00%，但2004年农业碳排放总量为1 266.60万t，较2003年，年际变化最大，环比增速达到15.32%。2005－2017年，仍呈上升趋势但增速降低，在2018年之后呈下降趋势，至2020年降至1 374.05万t，较2017年降幅为6.65%。

图2 2000－2020年江西省农业碳排放量与碳排放强度时序变化

2000－2020年，农业碳排放强度在前五年呈现平稳态势，自2006年后显著下降，2017年小幅度升高后逐渐下降的趋势，范围在3.13～1.91 t/万元，2020年为谷值，2006年为峰值（图2b）。整体上，江西省农业碳排强度下降趋势明显（2=0.84），与碳排放总量趋势相反，年际变化较为平稳，年平均降幅为2.65%，其中2007、2011、2020年的降幅较大，均在10%以上。

2000－2020年，江西省农业碳排放源排放量占比情况（图2c），各碳源碳排放总量和其占农业碳排放总量的比例大小依次为：水稻种植（806.72万t，61.15%）、畜禽养殖（243.57万t，18.57%）、农资投入（237.39万t，18.02%）、农田土壤利用（29.60万t，2.26%），其中水稻种植排放量占比超六成。2000－2016年，水稻种植的碳排放量变化相对平稳，其中2003年碳排放量最低。2017－2020年，水稻种植碳排放量增加6.51%。畜禽养殖碳排放在2017年显著降低，水稻种植的碳排放占比与畜禽养殖的碳排放占比的趋势相反，可能与农业就业劳动力限制有关。2012年之后农资投入占比整体呈下降趋势，主要是因为农业现代化发展，逐渐使用测土配方施肥，提高化肥利用率，减少化肥使用量。农田土壤利用碳排放占比较小，无明显变化。农业增长方式由传统农业转向现代农业，农业可持续发展政策取得一定成效。

相比农业碳排放量，农业碳排放强度更能客观反映一个地区碳排放水平。通过水稻种植、农资投入以及土壤翻耕的碳排放量计算出种植业总的碳排放量，结合种植业的经济数据，得到2000—2020年种植业碳排放强度（图3 a）。研究表明，种植业碳排放强度整体下降趋势明显（2=0.80），范围在2.50～3.87 t /万元，其中2016年为谷值，2005年为峰值。2003—2004年，种植业碳排放强度出现升高。2016年后种植业碳排放强度增加，环比增速为11.70%，主要是因为水稻种植结构2016年后出现大幅调整，早稻和晚稻的种植面积出现了小幅度减少，而中季稻种植面积显著增加（增幅14.73%）[33]。

通过畜禽养殖碳排放量结合畜牧业的经济数据，得到2000—2020年畜牧业碳排放强度（图3b）。研究结果表明，畜牧业碳排放强度整体下降趋势明显（2=0.64），范围在0.76～2.03 t/万元，其中2020年为谷值，2000年为峰值。2015年，畜禽养殖的碳排放强度出现明显升高，后呈持续下降趋势。

整体上，种植业碳排放强度比畜牧业碳排放强度高，主要是由于畜牧业的经济价值高于种植业。两者的碳排放强度降幅相近。2004—2014年，碳排放总量波动较小，但种植业与畜牧业的碳排放强度均在下降，这表明两者的生产效率均得到了有效提高。

图3 2000－2020年江西省种植业以及畜牧业碳排放强度的时序变化

3.1.2 碳排放空间特征

为确保不同时间尺度下各县域农业碳排放数据的标准性与可比性，参考王强等[34]的方法，按照当年全省县域农业碳排放量平均值0.5倍、1.0倍、1.5倍，把各县（市）农业碳排放量归入低碳排放区、中度排放区、较高排放区和高碳排放区4类；同样，把农业碳排放强度划分为Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级。

根据2000－2020年间5期县域农业碳排放量数据进行分析，县域尺度下江西省农业碳排放量的全局Moran’s I通过显著性检验（<0.05，>1.96），说明农业碳排放总量与强度均具有空间聚集性。江西省地势独特，东、西、南三面环山，中部丘陵河谷平原交错。农业碳排放空间格局与地势地貌有密切的关系。2000年和2020年（图4a）高碳排放区主要集中于鄱阳湖周边地区和吉泰盆地。2000年全省低碳排放区19个、中度排放区28个、较高排放区21个、高碳排放区13个。2020年则分别为18、30、18、15个，20年来大部分县（区）仍属于中度排放区。2020年碳排放量前五位为鄱阳县、丰城市、高安市、南昌县、余干县，这与鄱阳湖周边地区和吉泰盆地地势平坦、耕地面积大密切相关，同时碳排放高值有向该区域集聚的趋势。相比农业碳排放量，农业碳排放强度更能客观反映一个地区碳排放水平，便于不同地区进行横向比较。从数量上看，2000年农业碳排放强度Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级分别为1、49、24、7个，2020年分别为4、42、23、12个（图4b），全省农业碳排放强度主要为Ⅱ级水平，碳排放强度的空间分布与碳排放量比相对分散。2000年，江西省农业碳排放强度高值区主要分布在鄱阳湖平原地区。研究结果表明，水稻种植业碳排放量较高，经济效益相对较低。2020年，江西省农业碳排放强度高值区主要分布在赣北地区，赣南地区的碳排放强度均为低值区，农业碳排放强度高值分布变化较大。2000－2020年，农业碳排放强度高值布局整体向北迁移，赣南地区因地形以丘陵山地为主，脐橙种植产业较为发达，其碳排放量主要来自农资投入，经济效益高。

图4 2000－2020年江西省农业碳排放量及农业碳排放强度的空间格局

通过借助LISA图表示县域属性的相互关系，更清晰地反映农业碳排放量及碳排放强度的空间格局演变。2000年和2020年，农业碳排放总量同质县域（高高聚类与低低聚类）总数分别为8和9个，无异质县域（高低聚类与低高聚类）（图5a）；2000年和2020年，农业碳排放强度同质县域总数分别为3和7个，异质县域分别为2和1个（图5b）。结果表明，研究时段内农业碳排放量空间聚类主要在鄱阳湖平原地区，农业碳排放总量受地理因素影响较大；2000年碳排放强度高值聚类主要在鄱阳湖地区，其中彭泽县和万年县为低高聚类为异常值。彭泽县经济发展以工业为主，其农业排放强度不大，而周边鄱阳县为农业大县，农业碳排放强度较高；万年县其周边为鄱阳县、余干县等农业碳排放强度较高，万年县粮食种植面积相对较少，其农业碳排放强度较低。2020年农业碳排放强度高值聚类主要在宜春市（铜鼓县、万载县、奉新县）和抚州市（崇仁县），农业碳排放强度低值聚类主要赣州市（信丰县、龙南县、全南县）。赣州市地形以丘陵山地为主，脐橙为该地区的特色产业，农业增加值相对江西省其他地区较高，因此碳排放强度较低。南城县为高低聚类异常值，主要因为南城县的碳排放总量较低，但其农业增加值亦低，农业生产效率较低，造成农业碳排放强度较高。

图5 2000－2020年江西省农业碳排放量和农业碳排放强度的LISA聚集图

通过ArcGIS软件的Mean Center工具计算的从2000－2020年江西省县域碳排放重心位置见图6。

图6 2000－2020年江西省农业碳排放量的重心迁移轨迹

从2000、2005、2010、2015、2020年5个时间截面的重心进行分析，县域碳排放总量的重心主要位于丰城市。2000年到2005年县域碳排总量的重心从新干县迁移到丰城市，2015年之后重心集中在丰城市南部。整体上，江西省县域碳排放总量的重心向北移动，说明近20年来，赣北地区的县域碳排放量高于赣南的县域碳排放总量，同时也说明鄱阳湖平原地区更适合农业的发展。

3.2 农业碳排放影响因素分析

为探究各因素对江西省农业碳排放量变化的影响程度，根据不同类型地区，将江西省（包含81的县）划分为赣北鄱阳湖平原地区（萍乡市、新余市、宜春市、南昌市、鹰潭市、九江市、景德镇市、上饶市）、赣中丘陵区（吉安市、抚州市）、赣南山区（赣州市）3个地区，并以前文分析的农业碳排放量重心转移的4阶段变化特征，对江西省农业碳排放量进行分解，分析2000—2020年间3个分区、4个阶段、6种影响因素对江西省农业碳排放量的影响（表3）。

结果表明：近20年来，江西省农业碳排放量增加161.41万t，其中农业生产效率因素（1）、农业结构调整因素（2）、地区产业结构因素（3）、农村总人口因素（6）对农业碳排放起负向驱动作用。各因素对农业碳排放减少量和其占总农业碳排放减少量的比例大小依次为：1（1 828.13万t，56.57%）、3（1 265.29万t，39.15%）、农业产业结构因素（86.12万t，2.66%）、6（52.1万t，1.62%）。由此可见，提高农业生产效率是减少农业碳排放最有效的途径。

1对比分析2、3、6（45始终为正，不具可比性）可知，2000－2020年期间，由于农业生产效率提高，减少农业碳排放1 828.13万t，明显高于其他影响因素。1对江西省3个分区的农业碳排放量变化均为负向驱动效应。对比其他影响因素发现，1为抑制各地区农业碳排放的最大影响因素。按1减少农业碳排放总量绝对值由大到小排序：赣北、赣中、赣南。研究结果表明，江西省推进农业生产向优势地区集中，不断提高农业优势产区规模化生产，有利于提高农资投入效率，有效减少农业生产优势区的农业碳排放。赣南地区因其地形为典型的丘陵山地，其农业生产规模化水平较低，因此1对赣南地区农业碳排放量的抑制作用有限。2对农业碳排放量的影响因素主要为负向驱动，但其抑制作用有限，通过农业结构调整减少农业碳排放量86.12万t。江西省农牧业在农林牧渔业比例不断降低，由2000年的76.03%下降至2010年的69.72%[33]。因2003年江西省实施退耕还林政策，且渔业的生产收益明显高于种植业，且赣北渔业相对发达，因此按2减少农业碳排放总量绝对值由大到小排序：赣北、赣中、赣南。3对农业碳排放同为抑制作用，其抑制作用仅次于1。2000—2020年期间，由于地区产业结构调整，农业碳排放减少1 265.29万t，3对江西省3个分区的农业碳排放量的变化均为负向驱动效应，按3减少农业碳排放总量绝对值由大到小排序：赣北、赣中、赣南。赣北地区地势平坦，在发展农业的同时经济也相对发达，对赣北的抑制作用最为显著。

地区经济发展水平因素（4）以及城镇化水平因素（5）对农业碳排放起促进作用。地区经济发展水平因素使农业碳排放量增加3 177.98万t，是导致农业碳排放增加的主要影响因素。由此可见，为防止限制碳排放影响经济增长，应尽快实现碳排放量与经济的脱钩。对于江西省3个区域的农业碳排放4均为促进作用，但其促进作用整体上均减弱，表明农业碳排放与经济在逐步脱钩。

表3 江西省农业碳排放总量变化的影响因素分解

注：1～6依次为农业生产效率、农业产业结构、地区产业结构、地区经济发展水平、城镇化水平、农村总人口等因素。为农业碳排放变化量。

Note:1-6stand for agricultural production efficiency, agricultural structure, regional industry structure, regional economic development level, urbanization rate and rural population respectively.stands for agricultural carbon emission variation.

4 讨 论

4.1 其他因素对农业碳排的影响

江西省农业碳排放量变化趋势可能与极端气候、农业政策等紧密相关。在水稻种植方面：近20年以来，2003年水稻种植的农业碳排量最低，这可能与江西省受特大干旱气候影响，造成水稻大规模减产有关[35]。2017—2020年，水稻种植的碳排量升高，从数据结果来看，主要是因为水稻产业结构的出现调整，中稻的种植面积增加，早稻和晚稻的种植面积减小。产业结构调整主要驱动因素包括两点：1）双季稻劳动力成本较高，农村青壮年劳动力越来越少，农村种田主力军已步入老龄化，故中稻种植越来越多。2）总体效益方面。受粮食价格影响，种粮效益低下，故在满足粮食供给的基础上，倾向于发展瓜果蔬菜等经济作物，总体效益更高。在畜禽养殖方面：从本文研究结果来看，2015年，畜禽养殖农业碳排放出现升高，可能与江西省出台《生猪（牛羊）调出大县奖励资金管理办法》政策相关，通过实施奖励政策，大大提高了畜禽养殖的积极性，刺激猪牛羊的养殖数量增加。2017年，畜禽养殖碳排放量显著降低，主要是因为江西省开展畜禽养殖污染综合整治，拆迁养殖场（户）2.8万多家，畜禽养殖逐渐规模化、集约化。2018年，受猪瘟影响，猪肉价格出现上涨，畜牧业增加值增加，其碳排放强度减少。

4.2 研究结果的不确定性

目前研究的农业碳排放核算主要从农资投入方面进行研究，曹俊文等[12]则认为农资投入中的化肥是江西省农业碳排放的主要碳源，这是因为其水稻种植碳排放测算指标中，未计算水稻因灌溉淹水而在厌氧环境中产生大量的CH4。伍国勇等[36]计算中国种植业排放生产率主要考虑的碳源为农资消耗，亦未考虑水稻生长环境的特殊性，造成温室气体的排放。这些研究可能会导致农业碳排放量偏低。鉴于江西省为水稻种植大省，本研究充分考虑了水稻种植以及畜禽养殖所产生的温室气体，计算结果可能更加准确。

当前碳排放时空格局研究多停留在省级尺度或大区域尺度[37]，县域碳排放时空格局的研究则相对较少。本研究对少部分缺失的县域种植面积数据，以江西省不同年份土地利用类型作为补充数据源，并通过利用ArcGIS软件计算水田和旱地的种植面积。因绝大部分数据来自江西省各市统计年鉴，整体上保持数据源一致，但可能因少量数据源不同造成微小偏差。

4.3 研究方法的适用性

就碳排放核算方法而言，本文采用碳排放系数计算农业碳排放量[15]，该系数选取主要来自于其他学者的研究成果，但上述研究区域均为江西省及其邻近区域，其中水稻种植指数参考江西省水稻生长周期内CH4排放系数[17]；农资投入以及土壤翻耕产生的温室排放的差异受地理环境的影响不大，因此采用通用系数；江西省畜牧业排放系数参考现有相近地区的研究成果[27]。因此本研究的相关参数可信度较高。

就研究方法而言，本研究计算了农业碳排放的空间相关性，这在现有文献中很少被讨论。基于农业碳排放Moran’s I的研究结果表明农业碳排放的相关性和依赖性，并利用LISA对各地区农业碳排放量之间的聚类模型进行了可视化分析。此外，从赣南、赣中、赣北3个区域采用LMDI模型将影响因素量化，进行影响因素分析，为农业碳减排政策的制定提供科学参考。

限于数据难获取，导致排放源未考虑秸秆还田、有机肥还田、农业能源消耗等温室气体排放，但本研究已囊括了农业碳排放源的主要部分，并充分考虑到江西省种植水稻产生的CH4。本研究主要考虑农业碳排的宏观影响因素，难以全面覆盖其他微观影响因素，今后学者可从宏观和微观因素相结合的角度开展进一步的深入探究。

4.4 江西省农业碳减排技术与管理措施

江西省农业碳排放量总体增加趋势明显，为有效控制农业碳排放总量，结合研究结果提出相关碳减排管理措施，以进一步降低江西省农业排放强度。

1）发展低碳农业技术，实施科学的管理方式。前文分析表明，水稻种植和畜禽养殖是江西省农业碳排放主要来源。在保证粮食产量的前提下，应强化稻田水分管理，因地制宜地实施稻田灌溉技术，以减少水稻生长过程中细菌因厌氧呼吸所产生的CH4。各地市可依照市场情况合理调整畜牧业结构，优化牲畜品种，采用科学方法精准饲喂；改进畜禽粪污处理设施装备，实施畜禽粪污养分平衡管理，提高畜禽粪污处理水平，以减少畜禽养殖过程中所产生的CH4和N2O。

2）针对高碳排放区的发展特征，实施低碳转型策略。鉴于碳排放量高的地区主要在鄱阳湖平原，为江西省粮食主产区。因此在农业高碳排放地区，应采取测土配方施肥等管理措施，提高化肥吸收效率，降低农业碳排放；此外，应制定相关减排政策，加大政策推行力度，并定期开展高效农业低碳种植的培训活动，以增强农民的技术水平，提高农业生产效率，进而降低农业碳排放。

3）提高农业生产效率，优化产业结构。研究结果表明，提升农业生产效率、优化农业产业结构和地区产业结构将有助于农业碳减排。因此，江西省应进一步调整农业生产结构，提倡规模化农业生产，通过合理改变种植业内部结构，在保证基本粮食需求前提下增加经济作物种植面积，提高农业综合生产能力，并通过优选作物种类、提高种植技术以提高耕地生产力和农田固碳能力。

5 结 论

本文通过测算江西省农业碳排放及分析其时空变化，定量分析了江西省农业碳排放量，并阐明了影响农业碳排放变化的因素，为江西省农业发展及碳减排路径提供重要的理论依据。

1）江西省农业碳排量呈增加趋势，而其农业碳排强度下降趋势明显；种植业碳排放强度整体呈下降趋势，范围在2.50～3.87 t/万元，畜牧业碳排放强度整体亦呈下降趋势，范围在0.76～2.03 t/万元；各碳源碳排放总量和其占农业碳排放总量的比例大小依次为：水稻种植（806.72万t，61.15%）、畜禽养殖（243.57万t，18.57%）、农资投入（237.39万t，18.02%）、农田土壤利用（29.60万t，2.26%）。鉴于农业碳排放总量增速减缓，且农业碳排放强度减小，因此江西省农业生产效率逐渐提高。同时种植业碳排放强度比畜牧业碳排放强度高，故在保证粮食供给的情况下，应适当加大集约化、规模化畜禽养殖产业。

2）2000年和2020年高碳排放区主要集中于鄱阳湖周边地区以及吉泰盆地；2000年江西省农业碳排放强度Ⅲ级、Ⅳ级分布相对离散，2020年农业碳排放强度Ⅲ级、Ⅳ级主要集中在赣北地区；江西省县域碳排放总量的重心向北移动。江西省农业碳排放空间格局与地势地貌密切相关，鉴于鄱阳湖地势平坦、面积广阔，因此更适合水稻种植业的发展；赣南地区应结合地形特征，在农业可持续发展的前提下，加大脐橙产业发展力度，打造标志性区域品牌。

3）2000－2020年，江西省农业碳排放量增加161.41万t。各因素对农业碳排放减少量和其占总农业碳排放减少量的比例大小依次为：农业生产效率因素（1 828.13万t，56.57%）、地区产业结构因素（1 265.29万t，39.15%）、农业产业结构因素（86.12万t，2.66%）、农村总人口因素（52.12万t，1.62%）。整体上，各因素减少农业碳排放总量绝对值由大到小排序为：赣北、赣中、赣南。经济发展促进农业碳排放的升高，但升高幅度均有所减少。鉴于赣北地区的农业碳排放量对各因素的响应较为明显，故应优先提升赣北地区的农业生产效率。地区经济发展水平因素是增加农业碳排放的主要影响因素，但赣北、赣中、赣南地区的农业碳排放增长量逐年减少，因此江西省农业碳排放与经济在逐步脱钩。

[1] 吴普特，赵西宁. 气候变化对中国农业用水和粮食生产的影响[J]. 农业工程学报，2010，26(2)：1-6.

Wu Pute, Zhao Xining. Impact of climate change on agricultural water use and grain production in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 1-6. (in Chinese with English abstract)

[2] IPCC. Climate change 2021: The physical science basis available[R]. https://www.ipcc.ch/report/ar6/wg1/.

[3] 张玥，代亚强，陈媛媛，等. 中国耕地低碳利用效率时空演变及其驱动因素[J]. 农业工程学报，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)

[4] 郝小雨. 黑龙江省30年来农田生态系统碳源/汇强度及碳足迹变化[J]. 黑龙江农业科学，2021(8)：97-104.

Hao Xiaoyu. Changes of carbon source/sink intensity and carbon footprint of farmland ecosystem in Heilongjiang Province in recent 30 years[J]. Heilongjiang Agricultural Sciences, 2021(8): 97-104. (in Chinese with English abstract)

[5] 王兴，薛建福，王钰乔. 我国西部地区种植业碳收支分析[J]. 中国农业科技导报，2016，18(3)：104-111.

Wang Xing, Xue Jianfu, Wang Yuqiao. Evaluation on carbon balance of crop production in Western China[J]. Journal of Agricultural Science and Technology, 2016, 18(3): 104-111. (in Chinese with English abstract)

[6] 李强，高威，魏建飞，等. 中国耕地利用净碳汇时空演进及综合分区[J]. 农业工程学报，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 Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 239-249. (in Chinese with English abstract)

[7] 匡兵，卢新海，韩璟，等. 考虑碳排放的粮食主产区耕地利用效率区域差异与变化[J]. 农业工程学报，2018，34(11)：1-8.

Kuang Bing, Lu Xinhai, Han Jing, et al. Regional differences and dynamic evolution of cultivated land use efficiency in major grain producing areas in low carbon perspective[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(11): 1-8. (in Chinese with English abstract)

[8] 孙英彪，苏雄志，许皞. 河北省耕地集约利用水平与碳排放效率的相关性[J]. 农业工程学报，2016，32(19)：258-267.

Sun Yingbiao, Su Xiongzhi, Xu Hao. Correlation between levels of cultivated land intensive use and carbon emission efficiency in Hebei Province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(19): 258-267. (in Chinese with English abstract)

[9] 周思宇，郗凤明，尹岩. 东北地区耕地利用碳排放核算及驱动因素[J]. 应用生态学报，2021，32(11)：3865-3871.

Zhou Siyu, Xi Fengming, Yin Yan. Accounting and drivers of carbon emission from cultivated land utilization in Northeast China[J]. Chinese Journal of Applied Ecology, 2021, 32(11): 3865-3871. (in Chinese with English abstract)

[10] Tian Y, Zhang J B, He Yaya. Research on spatial-temporal characteristics and driving factor of agricultural carbon emissions in China[J]. Journal of Integrative Agriculture, 2014, 13(6): 1393-1403.

[11] 王兴，马守田，濮超，等. 西南地区农业碳排放趋势及影响因素研究[J]. 中国人口·资源与环境，2017，27(S2)：231-234.

Wang Xing, Ma Shoutian, Pu Chao, et al. Trends and influencing factors of agricultural carbon emissions in the Southwest China[J]. China Population, Resources and Environment, 2017, 27(S2): 231-234. (in Chinese with English abstract)

[12] 曹俊文，曹玲娟. 江西省农业碳排放测算及其影响因素分析[J]. 生态经济，2016，32(7)：66-68，167.

Cao Junwen, Cao Lingjuan. Research on measurement and effecting factors of agricultural carbon emission in Jiangxi Province[J]. Ecological Economy, 2016, 32(7): 66-68, 167. (in Chinese with English abstract)

[13] 胡向东，王济民. 中国畜禽温室气体排放量估算[J]. 农业工程学报，2010，26(10)：247-252.

Hu Xiangdong, Wang Jimin. Estimation of livestock greenhouse gases discharge in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 247-252. (in Chinese with English abstract)

[14] IPCC. Climate Change 2007: Changes in Atmospheric Constituents and in Radiative Forcing[R/OL]. http://www.ipcc. ch/pdfassessment. report/ar4/wgV/ar4-wgl- chapter2 pdf, 2007-11-17.

[15] 闫丰，王洋，杜哲，等. 基于IPCC排放因子法估算碳足迹的京津冀生态补偿量化[J]. 农业工程学报，2018，34(4)：15-20.

Yan Feng, Wang Yang, Du Zhe. Quantification of ecological compensation in Beiing-Tianjin-Hebei based on carbon footprint calculated using emission factor method proposed by IPCC[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 15-20. (in Chinese with English abstract)

[16] 赵荣钦，秦明周. 中国沿海地区农田生态系统部分碳源/汇时空差异[J]. 生态与农村环境学报，2007，23(2)：1-6，11.

Zhao Rongqin, Qin Mingzhou. Temporospatial variation of partial carbon source/sink of farmland ecosystem in coastal China[J]. Journal of Ecology and Rural Environment, 2007, 23(2): 1-6, 11. (in Chinese with English abstract)

[17] 闵继胜，胡浩. 中国农业生产温室气体排放量的测算[J]. 中国人口·资源与环境，2012，22(7)：21-27.

Min Jisheng, Hu hao. Calculation of greenhouse gases emission from agricultural production in China[J]. China Population, Resources and Environment, 2012, 22(7): 21-27. (in Chinese with English abstract)

[18] West T O, Marland G. A synthesis of carbon sequestration, carbon emissions, and net carbon flux in agriculture: Comparing tillage practices in the United States[J]. Agriculture, Ecosystems & Environment, 2002, 91(1/2/3): 217-232.

[19] 李波，张俊飚，李海鹏. 中国农业碳排放时空特征及影响因素分解[J]. 中国人口·资源与环境，2011，21(8)：80-86.

Li Bo, Zhang Junbiao, Li Haipeng, Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China[J]. China Population, Resources and Environment, 2011, 21(8): 80-86. (in Chinese with English abstract)

[20] 智静，高吉喜. 中国城乡居民食品消费碳排放对比分析[J]. 地理科学进展，2009，28(3)：429-434.

Zhi Jing, Gao Jixi. Analysis of carbon emission caused by food consumption in urban and rural inhabitants in China[J] Progress in Geography, 2009, 28(3): 429-434. (in Chinese with English abstract)

[21] 段华平，张悦，赵建波，等. 中国农田生态系统的碳足迹分析[J]. 水土保持学报，2011，25(5)：203-208.

Duan Huaping, Zhang Yue, Zhao Jianbo, et al. Carbon footprint analysis of farmland ecosystem in China[J]. Journal of Soil and Water Conservation, 2011, 25(5): 203-208. (in Chinese with English abstract)

[22] 王智平. 中国农田N2O排放量的估算[J]. 农村生态环境，1997，13(2)：52-56.

Wang Zhiping. Estimation of nitrous oxide emission of farmland in China[J]. Journal of Ecology and Rural Environment, 1997, 13(2): 52-56. (in Chinese with English abstract)

[23] 于克伟，陈冠雄，杨思河，等. 几种旱地农作物在农田N2O释放中的作用及环境因素的影响[J]. 应用生态学报，1995，6(4)：387-391.

Yu Kewei, Chen Guanxiong, Yang Sihe, et al. Role of several upland crops in N2O emlsslon from farmland and its response to environmental factors[J]. Chinese Journal of Applied Ecology, 1995, 6(4): 387-391. (in Chinese with English abstract)

[24] 熊正琴，邢光熹，鹤田治雄，等. 种植夏季豆科作物对旱地氧化亚氮排放贡献的研究[J]. 中国农业科学，2002，35(9)：1104-1108.

Xiong Zhengqin, Xing Guangxi, HeTsuruta, et al. The effects of summer legume crop cultivation on nitrous oxide emissions from upland farmland[J]. Scientia Agricultura Sinica, 2002, 35(9): 1104-1108. (in Chinese with English abstract)

[25] 王少彬，苏维瀚. 中国地区氧化亚氮排放量及其变化的估算[J]. 环境科学，1993，14(3)：42-46，92-93.

Wang Shaobin, Su Weihan. Estimation of nitrous oxide emission and its future change in China[J]. Environmental Science, 1993, 14(3): 42-46, 92-93. (in Chinese with English abstract)

[26] 邱炜红，刘金山，胡承孝，等. 种植蔬菜地与裸地氧化亚氮排放差异比较研究[J]. 生态环境学报，2010，19(12)：2982-2985.

Qiu Weihong, Liu Jinshan, Hu Chengxiao, et al. Comparison of nitrous oxide emission from bare soil and planted vegetable soil[J]. Ecology and Environmental Sciences, 2010, 19(12): 2982-2985. (in Chinese with English abstract)

[27] 邱子健，靳红梅，高南，等. 江苏省农业碳排放时序特征与趋势预测[J]. 农业环境科学学报，2022，41(3)：658-669.

Qiu Zijian, Jin Hongmei, Gao Nan, et al. Temporal characteristics and trend prediction of agricultural carbon emission in Jiangsu Province, China[J]. Journal of Agro-Environment Science, 2022: 41(3): 658-669. (in Chinese with English abstract)

[28] 李武艳，朱从谋，王华，等. 浙江省耕地质量多尺度空间自相关分析[J]. 农业工程学报，2016，32(23)：239-245，315.

Li Wuyan, Zhu Congmou, Wang Hua, et al. Multi-scale spatial autocorrelation analysis of cultivated land quality in Zhejiang province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 239-245, 315. (in Chinese with English abstract)

[29] 朱庆莹，陈银蓉，胡伟艳，等. 中国土地集约利用与区域生态效率耦合协调度时空格局[J]. 农业工程学报，2020，36(4)：243-243.

Zhu Qingying, Chen Yinrong, Hu Weiyan, et al. Spatiotemporal pattern of coupling coordination degree between land intensive use and regional ecological efficiency in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 243-243. (in Chinese with English abstract)

[30] 翁翎燕，朱振宇，韩许高，等. 江苏省农田植被净碳汇时空格局分析[J]. 农业工程学报，2018，34(6)：233-241.

Weng Lingyan, Zhu Zhenyu, Han Xugao, et al. Spatial-temporal pattern of net carbon sink of farmland vegetation in Jiangsu Province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(6): 233-241. (in Chinese with English abstract)

[31] 郭朝先. 中国碳排放因素分解:基于LMDI分解技术[J]. 中国人口·资源与环境，2010，20(12)：4-9.

Guo Chaoxian. Decomposition of China's carbon emissions: Based on LMDI method[J]. China Population, Resources and Environment, 2010, 20(12): 4-9. (in Chinese with English abstract)

[32] 姚成胜，钱双双，毛跃华，等. 中国畜牧业碳排放量变化的影响因素分解及空间分异[J]. 农业工程学报，2017，33(12)：10-19.

Yao Chengsheng, Qian Shuangshuang, Mao Yuehua, Decomposition of impacting factors of animal husbandry carbon emissions change and its spatial differences in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 10-19. (in Chinese with English abstract)

[33] 徐宇林. 江西统计年鉴—2021[M]. 北京：中国统计出版社，2021.

[34] 王强，伍世代，李婷婷. 中国工业经济转型过程中能源消费与碳排放时空特征研究[J]. 地理科学，2011，31(1)：36-41.

Wang Qiang, Wu Shidai, Li Tingting. Spatio-temporal characteristics of energy consumption and carbon emissions in industry sector during the period of economic transition in China[J]. Scientia Geographica Sinica, 2011, 31(1): 36-41.

[35] 尹洁，张超美，张传江. 江西2003年特大干旱气候分析[J]. 江西气象科技，2005，28(2)：19-22.

Yin Jie, Zhang Chaomei, Zhang Chuanjiang. Climatic feature analysis about extraordinary drought in Jiangxi in 2003[J]. Meteorology and Disaster Reduction Research, 2005, 28(2): 19-22. (in Chinese with English abstract)

[36] 伍国勇，孙小钧，于福波，等. 中国种植业碳生产率空间关联格局及影响因素分析[J]. 中国人口·资源与环境，2020，30(5)：46-57.

Wu Guoyong, Sun Xiaojun, Yu Fubo, et al. Spatial correlation pattern and influencing factors of China’s crop production carbon productivity[J]. China Population, Resources and Environment, 2020, 30(5): 46-57. (in Chinese with English abstract)

[37] 范紫月，宋春玉，齐晓波，等. 中国农业系统近40年温室气体排放核算[J]. 生态学报，2022，42(23)：1-13.

Fan Ziyue, Song Chunyu, Qi Xiaobo, et al. Accounting of greenhouse gas emissions in the Chinese agricultural system from 1980 to 2020[J]. Acta Ecologica Sinica, 2022, 42(23): 1-13. (in Chinese with English abstract)

Spatial-temporal pattern and influencing factors of agricultural carbon emissions at the county level in Jiangxi Province of China

Zheng Bofu1, Liang Han1, Wan Wei1※, Liu Zhong2, Zhu Jinqi1, Wu Zhijian3

(1.,,,, 330031,; 2.,,100193,;3,330046,)

Agricultural carbon emission has been one of the major sources of carbon emission in the era of peak carbon and carbon neutrality. Therefore, it is of great significance to clarify the status quo of agricultural carbon emission in recent years, particularly for the spatial-temporal changes and influencing factors. Taking Jiangxi Province of China as the typical study area, the measurement system of agricultural carbon emission was established to calculate the agricultural carbon emission in 81 counties from 2000 to 2020. Four major carbon sources were selected as the paddy field planting, agricultural investment inputs, soil plowing, as well as livestock and poultry farming. The spatial pattern of agricultural carbon emission was analyzed by the spatial autocorrelation and center of gravity transfer at county level. The relevant influence factors were then determined by logarithmic mean Divisia index (LMDI). The results were summarized as follows: 1) The agricultural carbon emission in the study area was ranged from 10.98 to 14.72 million tons. An outstanding increasing trend was found in the agricultural carbon emission on the whole, whereas the carbon emission intensity was in an overall decreasing trend. The carbon emission intensity of planting industry showed a decreasing trend, ranging from 2.50 to 3.87 tons per ten thousand Yuan. Similarly, the carbon emission intensity of animal husbandry also showed a decreasing trend, ranging from 0.76 to 2.03 tons per ten thousand Yuan. Particularly, the total carbon emissions of each carbon source and the proportion in total agricultural carbon emissions were ranked in the descending order of: the paddy field planting (8.07 million tons, 61.15%), livestock and poultry (2.43 million tons, 18.57%), agricultural investment inputs (2.37 million tons, 18.02%), soil plowing (0.27 million tons, 2.26%); 2) There was the apparent spatial characteristic of agricultural carbon emissions. For example, the high carbon emission areas were concentrated in the Poyang Plain and the Jitai Basin. Furthermore, the spatial distribution of agricultural carbon emission intensity was from the relative dispersion to concentration in the Northern, whereas, the carbon emission intensity in The Southern was relatively low. The center of gravity of total carbon emissions shifted northward, where the carbon emission in The Northern was higher than that in The Southern Jiangxi Province. 3) Agricultural production efficiency improvement was the most important factor to restrain the sustained growth of the agricultural carbon emissions. The factors were ranked on the agricultural carbon emission reduction and the proportion in the total agricultural carbon emission reduction: the agricultural production efficiency (18.28 million tons, 56.57%), regional industrial structure (12.65 million tons, 39.15%), rural population size (0.86 million tons, 2.66%), agricultural industrial structure (0.52 million tons, 1.62%). Overall, the area order was given in the absolute value of agricultural carbon emission reduction by each factor from large to small: the North, the Middle, the South. The finding can provide the scientific strategy to estimate agricultural carbon emissions in Jiangxi Province, even the major grain producing areas.

agriculture; carbon emissions; spatial-temporal pattern; county territory; Jiangxi Province

10.11975/j.issn.1002-6819.2022.23.008

S17; K90

A

1002-6819(2022)-23-0070-11

郑博福，梁涵，万炜，等. 江西省县域农业碳排放时空格局及影响因素分析[J]. 农业工程学报，2022，38(23)：70-80.doi：10.11975/j.issn.1002-6819.2022.23.008 http://www.tcsae.org

Zheng Bofu, Liang Han, Wan Wei, et al. Spatial-temporal pattern and influencing factors of agricultural carbon emissions at the county level in Jiangxi Province of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(23): 70-80. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.23.008 http://www.tcsae.org

2022-10-24

2022-11-17

江西省重点研发计划项目（20223BBG74S01；20223BBG71013）；国家重点研发计划项目（2017YFC0505601）

郑博福，博士，教授，博士生导师，研究方向环境规划与管理。Email：bfzhen@ncu.edu.cn

万炜，博士，讲师，研究方向资源环境遥感及农业资源与环境。Email：wanwei@ncu.edu.cn