2005—2020年淮海经济区耕地碳储量时空演变特征及碳汇区识别

林子奇，王培俊，刘 旗，杨亚丽

2005—2020年淮海经济区耕地碳储量时空演变特征及碳汇区识别

林子奇1，王培俊2※，刘 旗3，杨亚丽1

（1. 福建农林大学公共管理学院，福州 350002；2. 中国矿业大学公共管理学院（应急管理学院），徐州 221116；3. 福建农林大学资源与环境学院，福州 350002）

淮海经济区垦殖率约70%，是中国粮食主产区之一，掌握其耕地碳储量时空变化规律、识别耕地碳汇碳源区，对保护区域耕地质量和发挥耕地生态系统碳汇功能，助力“双碳”目标实现有重要意义。该研究基于淮海经济区土壤类型碳密度计算耕地土壤碳储量，再运用NEP（Net Ecosystem Productivity）模型计算耕地植被固碳量，同时借助ArcGIS空间分析和地理探测器等方法研究2005—2020年淮海经济区耕地碳储量时空演变特征、耕地“碳”属性及其驱动因子。结果表明：1）2005—2020年淮海经济区耕地土壤碳储量由于地类转移总体减少了1.393×107t，在空间上呈“东高西低”分布；耕地植被固碳量则呈现出以2015年为拐点“先增加后减少”变化趋势，NEP在空间上呈现出“东南高，西北低”分布特征；随时间推移，耕地总碳储量空间分布集聚性呈下降趋势，其“高-高”类型区数量也逐渐减少，主要向不显著区和“低-高”离散区转变；2）淮海经济区耕地碳汇区县数32个，中强度碳汇区21个主要分布于淮海经济区西部，高强度碳汇区5个集中分布于东北部；3）驱动淮海经济区耕地碳储量时空分异的因子中，主要因子是交通通达度、粮食产量、归一化植被指数（Normalized Difference Vegetation Index, NDVI）、高程、坡度和坡向，次要因子是人口。未来耕地保护过程中，耕地碳源区县可借鉴碳汇区耕地保护政策和管理措施，以减少耕地碳储量的流失、维持耕地质量，同时也让更多区县的耕地生态系统发挥碳汇作用。

土地利用；碳；耕地碳储量；碳汇区；土壤有机碳密度；净生态系统生产力；驱动因子；淮海经济区

0 引 言

陆地生态系统是地球上最大的碳库，其微小的变化会对大气碳浓度产生显著的影响[1]。耕地作为陆地生态系统组成之一，其碳储量的变化能够反映耕地的质量水平[2]以及在生态系统中扮演的角色（碳源或碳汇），而人类社会经济活动和自然条件的变化是引起耕地碳储量变化的主要因素[3]。《联合国气候变化框架公约》中，碳汇是指运用一些方法和手段吸收大气中的CO2，以减少其在大气中浓度的活动和过程[4]。在一定时期内，耕地有机碳增加表现为碳汇，有机碳减少则表现为碳源[5]：一方面耕地地表农作物的固碳释氧能力极为突出，其能够通过光合作用将空气中的二氧化碳固定在作物中[6]从而降低空气中CO2的浓度，进而增加耕地的碳储量；另一方面，对耕地农作物的处理不当如焚烧还田会向空气中释放大量的二氧化碳，造成耕地碳储量的流失。在另一个层次上，人类社会经济活动过程中，为满足人们对建设用地和工矿用地等地类的需求，耕地不可避免地卷入地类转移。由于建设用地有机碳密度明显低于耕地，在地类转移过程中势必会造成耕地碳储量的大量流失从而直接降低耕地的质量和数量，由此引发粮食生产安全等社会性问题。在中国，保护耕地早在20世纪末就成为了基本国策；在2017年的《中共中央国务院关于加强耕地保护和改进占补平衡意见》中，中国也意在保证地类转移过程中耕地的数量和质量；在2020年1月的中央一号文件同样明确提出要稳定和提高耕地粮食生产能力，保障国家粮食安全。在达成“双碳”目标和保障粮食生产安全的重大任务之下，掌握耕地碳储量时空演变规律、识别耕地碳汇和碳源区，探索其驱动因子能够使得耕地保护政策指向更为精准，为“碳达峰”“碳中和”目标的达成提供农业方面的理论依据。

随着地理学的发展和各种模型的成熟应用，研究开始结合GIS和遥感手段以获取土地利用现状数据，运用CASA[7]、Bookkeeping[8]、DNDC[9]和InVEST[10]等模型估算各地类的碳储量，这些模型对推进碳储量的研究都做出了重大贡献，但一些模型对土地利用类型和生物量碳密度值固定化从而忽略了碳密度本身的空间分布特征，并且随着时间的推移植被的固碳量也会有所变动，这就使得研究结果与实际会产生较多的偏差。当前，对碳储量的研究尺度主要包括省尺度[11-12]、市尺度[13-14]、区县尺度[15]和生态区[16]等，研究内容主要包括土地利用变化[17-18]、植被恢复[19-20]和管理措施[21]等对碳储量的影响。在许多研究中，大部分学者都对研究区碳储量变化进行总体研究，也对碳储量的空间分布做了详细的分析，但在以往的研究当中，多数学者较少对单一地类碳储量变化进行深入研究，且在研究空间分布特征时也较少考虑到碳储量分布的空间关联性，特别地，对驱动耕地碳储量时空演变因子方面的研究也相对较少。

2018年国务院批复《淮海生态经济带发展规划》，意在将淮海经济区建设成人与自然和谐共生的绿色发展带。因此，本文基于淮海经济区土壤类型碳密度和植被净初级生产力计算耕地碳储量，运用ArcGIS、GeoDa和地理探测器以及空间自相关、地类转移矩阵等方法分析淮海经济区耕地碳储量时空演变规律，识别耕地碳汇碳源区，探测其驱动因子，以期为维持淮海经济区耕地质量、保护和发挥耕地生态系统碳汇功能提供理论借鉴。

1 研究区域、数据与方法

1.1 研究区概况

淮海经济区地处黄淮海平原边缘（图1），114°～120°E，35°～37°N，以徐州市为中心，由菏泽市、商丘市、淮北市、宿州市、宿迁市、连云港市、临沂市、枣庄市、济宁市共10个地级市组成，总面积95 481 km2。北临京津冀，南接长三角，东连黄海，西襟中原城市群。地势西北高东南低，高程为−19～1 126 m，全区地形以平原为主。气候类型为温带季风气候，平均气温为9.8～16.1 ℃，年降雨量为660～950 mm，年均无霜期200～220 d，土壤肥沃、水热资源丰富，垦殖率约70%，是中国粮食主产区之一。

图1 研究区位置

1.2 数据来源

1）2005—2020年数据：NPP数据来源于MOIDS提供的MOD17A3HGF产品（https://ladsweb.modaps.eosdis.nasa.gov/），分辨率为500 m；土地利用现状数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/），分辨率为1 km。

2）2010—2020年数据：NDVI数据来源于MOIDS提供的MOD13Q1产品（https://ladsweb.modaps.eosdis.nasa.gov/），分辨率为1 km；高程、坡度和坡向数据来源于地理空间数据云（http://www.gscloud.cn/），分辨率为30 m；人口分布数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/），分辨率为1 km；道路矢量数据来源于OSM（http://download.geofabrik.de/），运用GIS估算其密度作为交通通达度；粮食产量数据来源于淮海经济区各县的县域统计年鉴，运用GIS将其与相应县域行政区划空间连接进行栅格可视化。在ArcGIS中对上述数据重采样统一像元大小，并进行重分类以离散化作为探测因子数据。

3）单一时期数据：土壤类型栅格数据和行政区划矢量数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/），分辨率为1 km；土壤类型碳密度数据来源于中国科学院南京土壤所于东升和史学正等学者研究的基于1:100万土壤数据库的中国土类土壤有机碳密度清单[22]。

1.3 研究方法

1.3.1 淮海经济区耕地土壤碳储量计算

本研究基于中国1:100万土壤数据库土壤类型有机碳密度清单，对其按照淮海经济区气候进行修正（修正方法参考Alam等[23]研究公式），并运用ArcGIS与土壤类型栅格图层空间连接得到土壤类型碳密度分布图，最后以淮海经济区耕地栅格图层提取计算得到耕地土壤碳储量时空分布图。本研究所计算的耕地土壤碳储量与解天琪等[24]学者同地区耕地土壤碳储量研究结果相差甚少，具体对比结果如表1所示：该学者研究区为更大范围的淮海经济区，研究年份为2006、2011、2017年，单位面积碳储量均为9.30×103t/km2，本文选取相近年份2005、2010、2015年耕地碳储量，碳储量分别为9.00×103、9.01×103、9.01×103t/km2，各年份与前人研究成果分别相差3.23%、3.12%、3.12%，说明本研究耕地土壤碳储量计算结果与前人研究成果相差不大，数据具有可靠性。

表1 与前人研究[24]耕地土壤碳储量对比

1.3.2 净生态系统生产力（NEP）模型

NEP能够能直接反映区域植被一段时间内固定或者释放碳的强度，常用于度量植被生态系统的碳源或者碳汇能力。NEP可以由植被净初级生产力（NPP）与土壤异氧呼吸（R）之间的差值表示[25]。NEP值为正，表示植被发挥出碳汇作用，为负则为碳源作用。NEP单位为kg/(m2·a)，以C计。计算式如下：

土壤异氧呼吸R采用张梅等[26]建立的模型计算。

土壤呼吸R（kg/(m2·a)，以C计）采用Chen等[27]建立的土壤呼吸模型计算。

式中为年均温，℃；为年降雨量，m；SOC为土壤碳密度，kg/m2。

1.3.3 全局空间自相关

全局空间自相关能够统计和展现某一区域地理要素整体的关联性和分布特征。本文运用Geoda软件构建空间权重矩阵，以4个时期耕地碳储量作为变量计算出全局Moran’。计算如下：

式中()、VAR()分别表示Moran’的期望值和方差。当Z>1.96或Z<−1.96（=0.05）时，说明研究区耕地碳储量有显著的空间自相关性。全局Moran’的取值范围在[-1, 1]，在=0.05水平下，如果Moran’>0，说明耕地碳储量存在正的空间自相关，耕地碳储量高（低）的区域集聚分布；如果Moran’<0，则相反。

1.3.4 局部空间自相关

由于研究区范围的空间单元与其邻近单元在空间自相关水平上同样存在差异，而全局空间自相关不能够对其进行更好地描述和统计。因此，在全局空间自相关分析的基础上，利用Geoda软件制作LISA聚类图对淮海经济区耕地碳储量局部空间自相关进行分析。在Z>1.96或Z<−1.96（=0.05）置信水平下，如果局部Moran’>0，表示相邻单元耕地碳储量差异小，呈现出集聚分布态势（“高高聚类”或“低低聚类”）；如果Moran’<0，则耕地碳储量在空间分布上差异显著，呈现出离散特征（“高低离散”或“低高离散”）。具体计算式如下：

式中I是第个区域局部Moran’，2为空间单元耕地碳储量的方差，式子中其他变量的含义与上述全局Moran’式子中的相同。

1.3.5 地理探测器

地理探测器是基于离散化地理要素与因变量地理要素空间分异的相似性来探测因变量空间分异驱动因素的统计学方法，其主要包含4个功能模块：交互探测、生态探测、因素探测和风险探测[28]。由于耕地碳密度主要受到自然和社会因素的影响。为此，选择因素探测功能探测坡度、坡向、高程、NDVI、人口、粮食产量和交通通达度共7个驱动因子对耕地碳储量时空变化驱动力的大小。值的大小即为因子对因变量驱动力的大小，表达式如下：

2 结果与分析

2.1 淮海经济区土壤碳密度空间分布

运用ArcGIS将淮海经济区土壤类型栅格图与土类有机碳密度进行空间连接并统计，结果如表2和图2所示。淮海经济区土壤类型分为石质土、风沙土、新积土、粗骨土、红黏土、碱土、盐土、潮土、黄褐土、砂姜黑土、褐土、滨海盐土、水稻土、棕壤、石灰岩土和沼泽土，其有机碳密度逐渐增大。

表2 各土类面积、碳密度及碳储量

淮海经济区土壤碳密度低值区面积最少，为10 420.09 km2，主要为石质土、风沙土、新积土、粗骨土、红黏土、碱土和水域所在地以及山地地区，有机碳密度介于0～6.61 kg/m2，碳储量为6.314×107t；土壤碳密度中值区面积最大，为62 086.81 km2，约占研究区3/4，主要分布于淮海经济区西部和东南部，其土壤类型为盐土、潮土、黄褐土和砂姜黑土，有机碳密度介于6.61～8.77 kg/m2，虽然其碳密度不是研究区的高值区，但分布广泛，碳储量高达5.112 9×108t；碳储量高值区主要分布于淮海经济区东部以及一些山地、水域周边，其土壤类型为褐土、滨海盐土、水稻土、棕壤、石灰岩土以及沼泽土，土壤有机碳密度值较高，介于8.77～61.39 kg/m2，由于其分布面积较小，为19 905.62 km2，使得其土壤碳储量为2.643 3×108t，仅次于土壤碳密度中值区碳储量。

图2 淮海经济区土壤有机碳密度空间分布

2.2 土地利用变化对耕地土壤碳储量的影响

本文将土地利用类型划分为6类（耕地、林地、草地、建设用地、水域和未利用地）。运用ArcGIS对相邻年份土地利用现状图层叠加计算得到3个时间段土地利用转移矩阵，结果如表3～5所示。在各个时间段淮海经济区耕地与建设用地之间的转变最多，其次是与草地、林地和水域之间，与未利用地之间的转变最少。

2005—2010年间，耕地转变为林地13 992.80 hm2，转变为草地18 796.00 hm2，转变为水域8 690.85 hm2，转变为建设用地的面积最多，为149 537.00 hm2，转变为未利用地的面积最少，仅为205.02 hm2。与此同时，林地、草地、水域、建设用地转变为耕地的面积分别为12 183.80、17 667.00、24 202.00和175 368.00 hm2。在这一时间段的土地利用转移过程中，耕地面积净增加了38 199.13 hm2，从而增加了2.72×106t耕地土壤碳储量。

2010—2015年间，耕地转变为林地、草地、水域、建设用地和未利用地的面积分别为12 679.80、17 685.00、28 986.90、274 452.00、198.99 hm2，而林地、草地、水域、建设用地和未利用地转变为耕地的面积分别为13 490.80、18 089.00、8 298.90、145 432.00和205.2 hm2。总体而言，在这一时间段内，耕地处于流失状态，净流失面积为148 486.79 hm2，导致耕地土壤碳储量减少了1.276×107t。

在2015—2020时间段内耕地转变为林地、草地、水域和未利用地的面积分别为94 020.00、107 923.00、128 797.00、4 907.07 hm2，转变为建设用地的面积达到了各年份最多，为1 214 830.00 hm2。与此同时，林地、草地、水域、建设用地和未利用地转变为耕地的面积分别为124 707.00、228 110.00、134 989.00、1 013 530.00 hm2和9 389.07 hm2。因此，这一时间段土地利用转移依然使得耕地处于负增长状态，净流失面积为39 752.00 hm2，直接导致了耕地3.89×106t土壤碳储量损失。

表3 2005—2010年淮海经济区土地利用转移矩阵

表4 2010—2015年淮海经济区土地利用转移矩阵

表5 2015—2020年淮海经济区土地利用转移矩阵

2.3 耕地土壤碳储量时空分布

在淮海经济区土壤类型空间分布栅格图的基础上计算出各土壤类型的碳储量，再利用耕地栅格数据对碳储量属性进行提取，最后得到淮海经济区2005—2020年耕地土壤碳储量空间分布图，结果如图3所示。

2005、2010、2015和2020年淮海经济区耕地碳储量分别为6.028 2×108、6.055 4×108、5.927 8×108和5.888 9×108t，碳储量呈现出以2010年为拐点“先增加而后减少”的变化特征。在空间分布上，耕地碳储量低值区（碳储量<6.61×103t/km2）面积极少，主要分布于商丘市、宿州市和宿迁市以北的“黄河故道”以及山地周边。耕地土壤碳储量中值区（碳储量介于6.61～8.77×103t/km2）面积广泛，主要分布于淮海经济区西部（济宁市以西、菏泽市、商丘市、淮北市）和东南部（徐州市、宿州市、宿迁市）。耕地土壤碳储量高值区（碳储量介于8.77～61.39×103t/km2）面积较少，主要分布于淮海经济区东北部（济宁市以东、枣庄市、临沂市）和东部连云港市。随着时间的推移，淮海经济区耕地土壤碳储量中高值区和低值区在空间位置上并未发生明显变化，总体上呈“东高西低”分布态势。

图3 淮海经济区耕地土壤碳储量时空分布

2.4 耕地净生态系统生产力（NEP）时空分布

运用ArcGIS地图代数栅格计算功能将2005—2020年份耕地逐年NPP栅格值减去对应年份土壤异养呼吸栅格值从而得到淮海经济区耕地净生态系统生产力时空分布图，所得结果如图4所示。

2005—2020年淮海经济区耕地各年份植被固碳量分别为2.706 7×108、2.727 0×108、2.882 3×108、2.802 1×108t，呈现出以2015年为拐点先增加而后减少的趋势。其中，2005—2015年间有部分耕地NEP为负值，发挥出一定的碳源作用，碳源耕地面积分别为4.42、5.03、1.01 km2，NEP分别介于−0.462～0.004、−0.397～0.046、−0.468 kg/(m2·a)，而在2020年NEP均为正值。由于碳源耕地面积极少，且碳输出强度较低，因此在各年份淮海经济区耕地植被总体上发挥出碳汇作用。

图4 淮海经济区耕地净生态系统生产力时空分布

空间分布上，2005年耕地NEP低值区（NEP介于−0.47～3.42 kg/(m2·a)）主要分布于淮海经济区中西部（枣庄市、徐州市、宿州市、淮北市、济宁市、菏泽市、商丘市）以及临沂市，而NEP中高值区（NEP介于3.42～32.77 kg/(m2·a)）主要分布于东南部；2010年NEP低值区主要分布于淮海经济区西北部（济宁市、枣庄市、菏泽市、商丘市）以及临沂市，NEP中高值区主要分布于东南部并向西南部延伸；2015和2020年NEP低值区更少，集中分布在淮海经济区北部，NEP中高值区主要分布于中南部。总体而言，2005—2020年淮海经济区NEP呈现出“东南高，西北低”的空间分布特征，随着时间的推移，中高值区向西南部延伸。

2.5 耕地碳储量时空分布

研究区碳储量不仅仅是土壤碳储量，还包括其上植被生理过程中所产生的净碳量。为此，运用ArcGIS地图代数栅格计算功能，对淮海经济区2005－2020年耕地土壤碳储量栅格图层与耕地NEP栅格图层作加法运算以获取耕地总碳储量，所得结果如图5所示。

2005－2020年淮海经济区4个时间点耕地总碳储量分别为8.734 9×108、8.782 4×108、8.810 1×108、8.691 0×108t。2005－2020年间每隔5年，碳储量先增加4.75×106、2.77×106t，而后减少1.191×107t，变化幅度分别为0.5%、0.3%、−1.4%，呈现出以2015年为拐点，碳储量先上升而后下降的趋势。由于耕地碳储量的下降幅度更大，直至2020年淮海经济区耕地碳储量减少了4.39×106t。在这一时间段，淮海经济区耕地生态系统扮演了碳源角色。

在空间分布上，2005－2010年淮海经济区耕地碳储量低值区（碳储量介于−0.030～1.156×104t/km2）主要分布于淮海经济区西部，而碳储量中高值区（碳储量介于1.156～2.114×104t/km2）集中分布于东部；2015－2020年，耕地碳储量低值区主要分布于淮海经济区西北部，而中值区（碳储量介于1.156～1.537×104t/km2）则向淮海经济区西南部延伸。总体而言，淮海经济区耕地碳储量呈现出“东高西低”的分布特征，随着时间推移碳储量中值区往西南部扩张，低值区往西北部收缩，而碳储量高值区（碳储量介于1.537～9.295×104t/km2）面积较少且分布位置较为固定，随时间变化不明显。

图5 2005—2020年淮海经济区耕地总碳储量时空分布

2.6 耕地碳储量空间分布关联性分析

运用GeoDa对淮海经济区耕地碳储量进行全局空间自相关分析，得到2005—2020年4个时间节点的全局Moran’s值（表6）。在=0.05水平上，2005、2010、2015、2020年的值均大于于检验临界值1.96，通过显著性检验。2005—2020年各年份Moran’s分别为0.19、0.19、0.16、0.14，均大于0，说明淮海经济区各年份耕地碳储量空间分布具有明显的集聚性，但随着时间的推移，Moran’s逐渐减小，说明耕地碳储量空间分布集聚性呈减弱趋势。

为更好地揭示淮海经济区耕地碳储量的局部集聚特征，对其进行局部空间自相关分析（图6）。“高-高”聚类区自身和相邻地区耕地碳储量均较高，其主要分布于宿州市泗县、灵璧县和市辖区以及徐州市睢宁县、新沂市，随着时间的推移该类型区数量逐渐减少，主要向不显著区和“低-高”离散区转变，至2020年该类型区仅分布于新沂市、灵璧县和宿州市辖区；“低-高”离散区自身耕地碳储量低但其相邻地区耕地碳储量较高，该类型区主要分布于中部（徐州市辖区、淮北市辖区）和东部（连云港市辖区、郯城县、宿迁市辖区），其数量在2005－2015年间较为稳定，在2020年主要转变成不显著区；“低-低”聚类区自身和相邻区域耕地碳储量皆低，主要分布于济宁市辖区、睢县、金乡县、汶上县和鱼台县，其数量和位置随时间推移变化不大，仅睢县转变成不显著区。

表6 淮海经济区耕地碳储量全局莫兰指数与检验

图6 淮海经济区耕地碳储量LISA聚类

2.7 耕地碳汇功能区识别

运用ArcGIS分区统计2005—2020年各区县耕地碳储量及年增长速率。根据增长性质划分耕地碳源和碳汇区：耕地碳储量增长速率为负是碳源区，为正则为碳汇区，并对正增长速率大小按照数量级划分以区别碳汇强度。结果如表7、图7所示。

综合图表来看，到2020年淮海经济区耕地生态系统碳源区31个，碳汇区32个，在数量上具有一定的平衡。其中：低强度碳汇区6个，在空间上呈零散分布；中强度碳汇区21个，集中分布于淮海经济区西部；高强度碳汇区仅5个，分别为费县、平邑县、邹城市、兰陵县和莒南县。碳源区主要分布在淮海经济区东部，总体上贯穿了耕地碳汇区。

根据各县区耕地碳储量增长速率的差异划分淮海经济区耕地碳汇碳源区。淮海经济区西部和东北部区县耕地碳汇强度更高、分布更为集聚，为主要碳汇区，这主要与其良好的耕地保护政策和管理有关。特别地，高强度碳汇区都切实实施耕地保护目标责任制、建立补偿机制以鼓励补耕等政策从而维持了耕地的数量，如费县和兰陵县对乡镇实行年度耕地保护责任目标考核、平邑县优化土地利用格局保证耕地数量和质量、莒南县和邹城市落实永久基本农田“田长制”工作责任，这些耕地保护政策都可以作为耕地碳源区维持和提高耕地碳储量的借鉴，以期在未来的发展过程中能够维持和改善耕地数量、质量，提高其碳汇能力，在保障粮食生产的同时也能在农业方面促进“双碳”目标的达成。

图7 2020年淮海经济区耕地碳汇强度空间分布

表7 2005—2020年淮海经济区各区县耕地碳储量增长速率

2.8 耕地碳储量时空演变驱动力探测

耕地碳储量主要受到自然和社会经济因素的影响。因此，本文选取并探测2010、2015、2020年人口、交通通达度、粮食产量、NDVI、高程、坡度和坡向因子对淮海经济区耕地碳储量时空分异的影响，结果如表8所示。

表8 耕地碳储量驱动因子

2010—2020年，人口对淮海经济区耕地碳储量时空分异的影响力分别为0.046、0.013和0.040，均小于0.1，是次要因子。

交通通达度、粮食产量、NDVI、高程、坡度和坡向对淮海经济区耕地碳储量时空分布的驱动力较高，除粮食产量的驱动力略有波动，其他因子驱动力随时间的变化幅度小，在2010年其影响力分别为0.192、0.270、0.352、0.211、0.202、0.190；在2015年其驱动力分别为0.214、0.104、0.383、0.217、0.204、0.196；到2020年6种因子的驱动力分别达到0.201、0.162、0.395、0.241、0.209、0.203；总体而言，6种因子的影响力在各年份基本上在0.2～0.4之间，是驱动淮海经济区耕地碳储量时空演变的主要因子。

3 讨 论

3.1 耕地碳储量时空演变特征

淮海经济区耕地土壤碳储量呈以2010年为拐点“先增后减”变化趋势，结果与解天琪等[24]研究成果相符。这是因为2005－2010年，该区主要从事农业生产，耕地面积有所增长，而在2010－2020年由于资源型产业发展迅速使得耕地面积处于流失状态，该现象也与现有研究结果[29-30]相符。在本研究中，每减少1 m2耕地，平均将会流失9.01 kg的土壤有机碳，2005－2020年地类转移过程中淮海经济区耕地净流失面积为150 039.66 hm2，导致耕地损失了1.393×107t土壤碳储量。

耕地净生态系统生产力是表征作物固碳能力的重要指标。淮海经济区温度和降雨量由东南沿海向西北延伸过程中呈递减趋势。在时间上，2010、2015、2020年年均温分别为15.06、15.13、15.15 ℃，年均降雨量分别为778.16、745.39、985.12 mm，皆呈增长趋势。淮海经济区耕地主要粮食作物熟制为一年一熟或一年两熟，而周涛等[31]研究结果表明温度和降雨量的增加会显著增加一年一熟、一年两熟以及两年三熟作物的NEP，与本研究中淮海经济区耕地NEP“东南高、西北低”的空间分布特征、2005－2015年植被固碳量逐渐增长的研究结论一致。植被固碳量在2020年减少则是由于耕地大量转为建设用地所致，但其值依旧会比2005和2010年高。

淮海经济区耕地总碳储量以2015年为拐点呈“先增后减”趋势，与植被固碳量变化趋势相同。这主要是因为在2010—2015年植被固碳量增加1.553×107t，超过了这个时间段1.276×107t土壤碳储量损失。由于淮海经济区东部耕地土壤碳储量以及净生态系统生产力都较西部高，使得耕地总碳储量呈现出“东高西低”空间分布特征。到2020年，耕地转向建设用地面积达到了各年份之最，耕地土壤碳储量流失严重、耕地作物固碳量也随之下降，因此其空间集聚性和“高-高”聚类区数量达到了最低。

3.2 研究中尚存在的不足及改进之处

本文从时间变化、空间变化和驱动因素等方面研究分析了淮海经济区耕地的地上和地下部分碳、识别了碳汇碳源区，能够为评价其他地区耕地碳源与汇提供借鉴，为中国“双碳”目标的达成提供农业方面思路。但是，本研究也存在一些需要完善的地方：本文所研究的2005－2020年耕地碳储量的时间分辨率为5 a；受数据获取的影响，仅探测了2010－2020年耕地碳储量驱动因子，但探测驱动因子着重的是其对当下和今后淮海经济区碳储量演变驱动的参考价值，从而对研究结果的借鉴意义影响较小。在下一步研究中，进一步探索长时间序列，以期能够更加全面精准探索碳储量演变规律及其成因。

4 结论与建议

4.1 结 论

1）受地类转移的影响，淮海经济区耕地土壤碳储量在2005－2020年间减少了1.393×107t，其在空间上大致呈“东高西低”分布；耕地植被固碳量呈现出以2015年为拐点先增后减的变化趋势，NEP在空间上呈现出“东南高，西北低”分布特征。

2）2005－2020年淮海经济区4个年份耕地碳储量分别为8.734 9×108、8.782 4×108、8.810 1×108、8.691 0×108t，以2015年为拐点呈“先增后减”变化趋势，在空间上呈“东高西低”分布态势，随着时间的推移其空间集聚性有所下降，“高-高”聚类区主要向不显著区和“低-高”离散区转变；到2020年，淮海经济区耕地碳汇区32个，以中强度碳汇区为主，集中分布于淮海经济区西部和东北部；耕地碳源区31个主要由各市市辖区组成，在空间上总体贯穿了耕地碳汇区。

3）驱动淮海经济区耕地碳储量空间分异的因子中，交通通达度、粮食产量、NDVI、高程、坡度和坡向为主要因子，影响力总体介于0.2～0.4；人口是次要因子，影响力在各年份均小于0.1。

4.2 建 议

综合考虑淮海经济区耕地碳储量时空演变规律及其驱动因子，在未来发展过程中可以参考如下建议：

1）淮海经济区耕地土壤碳密度较高，土壤碳储量大。在未来发展过程中应当严格控制耕地流出，耕地碳源区县可按照现实情况借鉴碳汇区县耕地保护政策和管理措施，如可将耕地保护纳入对各级政府政绩的考量以落实耕地保护主体责任，从而在耕地“占补平衡”过程中能够真正地做到“量”和“质”的平衡。

2）淮海经济区主要作物为小麦、玉米和大豆等，秸秆资源产量丰富，收获后可对秸秆全量粉碎覆盖/翻埋还田。一方面可最大限度减少耕地碳流失以维持耕地肥力，另一方面可减少化肥施用量以保持土壤微生物活性、促进土壤碳氮良性循环从而改善耕作环境以提高耕地NEP。

3）在地形不良好区域可结合经济效益种植土地适宜性作物，或者建设农用设施，如改善田间道路、在高程、坡度较大或蒸发量较大的阳坡面修建蓄水池-给排水灌溉设施等以弥补自然条件缺陷，从而利于耕种、管理、减少抛荒现象。

[1] Stockmann U, Adams M A, Crawford J W, et al. The knowns, known unknowns and unknowns of sequestration of soil organic carbon[J]. Agriculture Ecosystems & Environment, 2013, 164: 80-99.

[2] Johannes A, Matter A, Schulin R, et al. Optimal organic carbon values for soil structure quality of arable soils. Does clay content matter? [J]. Geoderma, 2017, 302: 14-21.

[3] 孔祥斌，胡莹洁，李月，等. 北京市耕地表层土壤有机碳分布及其影响因素[J]. 资源科学，2019，41(12)：2307-2315.

Kong Xiangbin, Hu Yingjie, Li Yue, et al. Distribution and influencing factors of soil organic carbon of cultivated land topsoil in Beijing[J]. Resources Science, 2019, 41(12): 2307-2315. (in Chinese with English abstract)

[4] 王天福，龚直文，邓元杰. 基于土地利用变化的陕西省植被碳汇提质增效优先区识别[J]. 自然资源学报，2022，37(5)：1214-1232.

Wang Tianfu, Gong Zhiwen, Deng Yuanjie. Identification of priority areas for improving quality and efficiency of vegetation carbon sinks in Shaanxi province based on land use change[J]. Journal of Natural Resources, 2022, 37(5): 1214-1232. (in Chinese with English abstract)

[5] 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)

[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 Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 239-249. (in Chinese with English abstract)

[7] 吴国伟，赵艳玲，付艳华，等. 复垦矿区土地利用类型变化对植被碳储量的影响[J]. 中国生态农业学报，2015，23(11)：1437-1444.

Wu Guowei, Zhao Yanling, Fu Yanhua, et al. Impact of reclamation-driven land use change on vegetation carbon store in mining areas[J]. Chinese Journal of Eco-Agriculture, 2015, 23(11): 1437-1444. (in Chinese with English abstract)

[8] 王渊刚，罗格平，冯异星，等. 近50a玛纳斯河流域土地利用/覆被变化对碳储量的影响[J]. 自然资源学报，2013，28(6)：994-1006.

Wang Yuangang, Luo Geping, Feng Yixing, et al. Effects of land use/land cover change on carbon storage in Manas river watershed over the past 50 Years[J]. Journal of Natural Resources, 2013, 28(6): 994-1006. (in Chinese with English abstract)

[9] 邱建军，唐华俊. 北方农牧交错带耕地土壤有机碳储量变化模拟研究：以内蒙古自治区为例[J]. 中国生态农业学报，2003(4)：91-93.

Qiu Jianjun, Tang Huajun. Study on the situation of soil organic carbon storage in ecotone between agriculture and animal husbandry: A case study from Inner Mongolia[J]. Chinese Journal of Eco-Agriculture, 2003(4): 91-93. (in Chinese with English abstract)

[10] 张平平，李艳红，殷浩然，等. 中国南北过渡带生态系统碳储量时空变化及动态模拟[J]. 自然资源学报，2022，37(5)：1183-1197.

Zhang Pingping, Li Yanhong, Yin Haoran, et al. Spatio-temporal variation and dynamic simulation of ecosystem carbon storage in the north-south transitional zone of China[J]. Journal of Natural Resources, 2022, 37(5): 1183-1197. (in Chinese with English abstract)

[11] 陈美景，王庆日，白中科，等. 碳中和愿景下“三生空间”转型及其碳储量效应：以贵州省为例[J]. 中国土地科学，2021，35(11)：101-111.

Chen Meijing, Wang Qingri, Bai Zhongke, et al. Transition of “Production-Living-Ecological” space and its carbon storage effect under the vision of carbon neutralization: A case study of Guizhou Province[J]. China Land Science, 2021, 35(11): 101-111. (in Chinese with English abstract)

[12] 吴佩君，刘小平，黎夏，等. 基于InVEST模型和元胞自动机的城市扩张对陆地生态系统碳储量影响评估：以广东省为例[J]. 地理与地理信息科学，2016，32(5)：22-28，36，2.

Wu Peijun, Liu Xiaoping, Li Xia, et al. Impact of urban expansion on carbon storage in terrestrial ecosystems based on InVEST Model and CA: A case study of Guangdong Province, China[J]. Geography and Geo-Information Science, 2016, 32(5): 22-28, 36, 2. (in Chinese with English abstract)

[13] 王晓，于兵，李继红. 土地利用和土地覆被变化对土壤有机碳密度及碳储量变化的影响：以黑龙江省大庆市为例[J]. 东北林业大学学报，2021，49(11)：76-83.

Wang Xiao, Yu Bing, Li Jihong. Effects of land use and land cover change on soil organic carbon density and carbon storage: A case study of Daqing, Heilongjiang Province[J]. Journal of Northeast Forestry University, 2021, 49(11): 76-83. (in Chinese with English abstract)

[14] 张志国，班高晗. 土地利用变化驱动下洛阳市生态系统碳储量时空变异[J]. 江苏农业科学，2021，49(14)：226-230.

Zhang Zhiguo, Ban Gaohan. Temporal and spatial variation of ecosystem carbon storage based on land use change in Luoyang City[J]. Jiangsu Agricultural Sciences, 2021, 49(14): 226-230. (in Chinese with English abstract)

[15] 李义平，蔡宏，田鹏举，等. 贵州省黎平县地表覆被变化引起的生态系统碳储量变化[J]. 水土保持通报，2020，40(2)：92-99, 325.

Li Yiping, Cai Hong, Tian Pengju, et al. Changes in ecosystem carbon stock caused by land cover conversion in liping county of Guizhou Province[J]. Bulletin of Soil and Water Conservation, 2020, 40(2): 92-99, 325. (in Chinese with English abstract)

[16] Wu B, Zhang W Z, Tian Y C, et al. Characteristics and carbon storage of a typical mangrove island ecosystem in Beibu Gulf, South China Sea[J]. Journal of Resources and Ecology, 2022, 13(3): 458-465.

[17] 向书江，张骞，王丹，等. 近20年重庆市主城区碳储量对土地利用/覆被变化的响应及脆弱性分析[J]. 自然资源学报，2022，37(5)：1198-1213.

Xiang Shujiang, zhang Qian, Wang Dan, et al. Response and vulnerability analysis of carbon storage to LUCC in the main urban area of Chongqing during 2000-2020[J]. Journal of Natural Resources, 2022, 37(5): 1198-1213. (in Chinese with English abstract)

[18] 李姣，汪杰，李朗，等. 洞庭湖生态经济区土地利用变化对碳储量的影响[J]. 生态学杂志，2022，41(6)：1156-1165.

Li Jiao, Wang Jie, Li Lang, et al. Impact of land use change on carbon storage in the Dongting Lake Economic Zone[J]. Chinese Journal of Ecology, 2022, 41(6): 1156-1165. (in Chinese with English abstract)

[19] 于贵瑞，朱剑兴，徐丽，等. 中国生态系统碳汇功能提升的技术途径：基于自然解决方案[J]. 中国科学院院刊，2022，37(4)：490-501.

Yu Guirui, Zhu Jianxing, Xu Li, et al. Technological approaches to enhance ecosystem carbon sink in China: Nature-based Solutions[J]. Bulletin of Chinese Academy of Sciences, 2022, 37(4): 490-501. (in Chinese with English abstract)

[20] 许小明，田起隆，孙景梅，等. 子午岭地区植被演替的土壤碳汇效应[J]. 水土保持学报，2022，36(3)：159-165，180.

Xu Xiaoming, Tian Qilong, Sun Jingmei, et al. Effects on soil carbon sink of vegetation succession in the Ziwuling Area[J]. Journal of Soil and Water Conservation, 2022, 36(3): 159-165, 180. (in Chinese with English abstract)

[21] 胡正江，康晓晗，薛旭杰，等. 集约农田管理措施对桓台县域土壤有机碳储量的影响[J]. 中国生态农业学报（中英文），2022，30(8)：1258-1268.

Hu Zhengjiang, Kang Xiaohan, Xue Xujie, et al. Effect of intensive farming practice on soil organic carbon stock in Huantai County[J]. Chinese Journal of Eco-Agriculture: 2022，30(8)：1258-1268. (in Chinese with English abstract)

[22] 于东升，史学正，孙维侠，等. 基于1∶100万土壤数据库的中国土壤有机碳密度及储量研究[J]. 应用生态学报，2005，16(12)：2279-2283.

Yu Dongsheng, Shi Xuezheng, Sun Weixia, et al. Estimation of China soil organic carbon storage and density based on 1: 1000000 soil database[J]. Chinese Journal of Applied Ecology, 2005, 16(12): 2279-2283. (in Chinese with English abstract)

[23] Alam S A, Starr M, Clark B J F. Tree biomass and soil organic carbon densities across the Sudanese woodland savannah: A regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89: 67-76.

[24] 解天琪，李龙，陈鑫，等. 基于土地利用的淮海经济区碳储量估算与预测[J]. 中国农业大学学报，2021，26(1)：131-142.

Xie Tianqi, Li Long, Chen Xin, et al. Estimation and prediction of carbon storage based on land use in the Huaihai Economic Zone[J]. Journal of China Agricultural University, 2021, 26(1): 131-142. (in Chinese with English abstract)

[25] 方精云，柯金虎，唐志尧，等. 生物生产力的“4P”概念、估算及其相互关系[J]. 植物生态学报，2001(4)：414-419.

Fang Jingyun, Ke Jinhu, Tang Zhiyao, et al. Implications and estimations of four terrestrial productivity parameters[J]. Chinese Journal of Plant Ecology, 2001(4): 414-419. (in Chinese with English abstract)

[26] 张梅，黄贤金，揣小伟，等. 中国净生态系统生产力空间分布及变化趋势研究[J]. 地理与地理信息科学，2020，36(2)：69-74.

Zhang Mei, Huang Xianjin, Chuai Xiaowei, et al. Spatial distribution and changing trends of net ecosystem productivity in China[J]. Geography and Geo-Information Science, 2020, 36(2): 69-74. (in Chinese with English abstract)

[27] Chen S, Huang Y, Zou J, et al. Interannual variability in soil respiration from terrestrial ecosystems in China and its response to climate change[J]. Science China (Earth Sciences), 2012, 55(12): 2091-2098.

[28] 王劲峰，徐成东. 地理探测器：原理与展望[J]. 地理学报，2017，72(1)：116-134.

Wang Jingfeng, Xu Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. (in Chinese with English abstract)

[29] 沈正平，安宇，顾晓波. 都市圈与经济区整合及协调发展研究：以边缘性的徐州都市圈与淮海经济区为例[J]. 中国软科学，2003(11)：128-133，144.

Shen Zhengping, An Yu, Gu Xiaobo. On the integration and harmonious development between metropolitan area and economic region: A case study of the marginal Xuzhou metropolitan area and Huaihai economic region[J]. China Soft Science, 2003(11): 128-133, 144. (in Chinese with English abstract)

[30] 陈敬霄. 淮海经济区城镇化时空格局及驱动力分析[J]. 中国农业资源与区划，2018，39(6)：110-115.

Chen Jingxiao. The spatial-temporal pattern and driving mechanisms of the development of urbanization in Huaihai economic zone[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(6): 110-115. (in Chinese with English abstract)

[31] 周涛，史培军，孙睿，等. 气候变化对净生态系统生产力的影响[J]. 地理学报，2004，59(3)：357-365.

Zhou Tao, Shi Peijun, Sun Rui, et al. The impacts of climate change on net ecosystem production in China[J]. Acta Geographica Sinica, 2004, 59(3): 357-365. (in Chinese with English abstract)

Spatio-temporal evolution characteristics of cultivated land carbon storage and identification of carbon sink areas in Huaihai Economic Zone from 2005 to 2020

Lin Ziqi1, Wang Peijun2※, Liu Qi3, Yang Yali1

(1.,,350002,;2.,,221116,; 3.,,350002,)

Huaihai Economic Zone with a reclamation rate of about 70% is one of the main grain-producing areas in China. It is very necessary to grasp the spatiotemporal variation of the carbon storage for the carbon sink source areas of cultivated land. The driving factors can be used to ensure national food security for agricultural guidance in the achievement of China’s “Dual carbon” goals. In this study, the carbon storage of cultivated land soil was calculated using the soil type carbon density of the Huaihai Economic Zone. The net ecosystem productivity (NEP) model was also established to calculate the carbon sequestration of cultivated land vegetation. At the same time, the ArcGIS and Geo-Detector software were selected to study the spatiotemporal evolution characteristics of cultivated land carbon storage, the “carbon” attribute of cultivated land and the driving factors in Huaihai Economic Zone from 2005 to 2020. The results showed that: 1) The soil carbon storage values of cultivated land were 6.028 2×108, 6.055 4×108, 5.927 8×108, and 5.888 9×108t in the four years from 2005 to 2020, respectively. The land type transfer decreased by 1.393×107t, indicating a spatial distribution of “high in the east and low in the west”. 2) The carbon sequestration of cultivated land vegetation in the four years from 2005 to 2020 was 2.706 7×108, 2.727 0×108, 2.882 3×108, and 2.802 1×108t, indicating changing trend of “first increasing and then decreasing” with 2015 as the inflection point. The NEP showed a spatial distribution feature of “high in the southeast, low in the northwest”. The middle high-value area was extended to the southwest with time. 3) The overall Moran's I of the total carbon storage in the cultivated land were 0.19, 0.19, 0.16, and 0.14 from 2005 to 2020, respectively. There was a downward trend in the spatial distribution and concentration. Specifically, the number of “high-high” type areas also gradually decreased, mainly shifting to the insignificant and “low-high” outlier areas. 4) There were 32 carbon sink areas of cultivated land in the study area, where 21 medium-strength carbon sink areas were mainly distributed in the west, and five high-strength carbon sink areas were concentrated in the northeast. 5) The main factors were traffic accessibility, grain production, NDVI, elevation, slope, and aspect. The secondary factor was population, among the factors driving the spatiotemporal differentiation of cultivated land carbon storage. Therefore, the carbon source counties of cultivated land can take farmland protection and management measures in the carbon sink area, in order to reduce the loss of carbon storage of cultivated land. As such, the quality of cultivated land can be maintained for the carbon sink in the cultivated land ecosystem in the process of farmland protection in the future.

land use; carbon; carbon storage of cultivated land; carbon sink area; soil organic carbon density; net ecosystem productivity; driving factors; Huaihai economic zone

10.11975/j.issn.1002-6819.2022.19.028

F301.2

A

1002-6819(2022)-19-0259-10

林子奇，王培俊，刘旗，等. 2005—2020年淮海经济区耕地碳储量时空演变特征及碳汇区识别[J]. 农业工程学报，2022，38(19)：259-268.doi：10.11975/j.issn.1002-6819.2022.19.028 http://www.tcsae.org

Lin Ziqi, Wang Peijun, Liu Qi, et al. Spatio-temporal evolution characteristics of cultivated land carbon storage and identification of carbon sink areas in Huaihai Economic Zone from 2005 to 2020[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(19): 259-268. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.19.028 http://www.tcsae.org

2022-07-23

2022-09-28

福建省自然科学基金项目（2019J01397）

林子奇，研究方向为土地资源可持续利用。Email：596859939@qq.com

王培俊，博士，副教授，硕士生导师，研究方向为土地复垦与持续利用。Email：wangpeijun1227@163.com