青藏高原东缘生态过渡带碳中和评估与预测

高 峰,律可心,乔 智,马丰魁,姜群鸥,*

1 北京林业大学水土保持学院,北京 100083 2 北京林业大学水土保持与荒漠化防治教育部重点实验室,北京 100083

温室气体排放导致的全球气候变暖已成为人类生存和发展所面临的重大气候环境问题[1]。政府间气候变化专门委员会(IPCC)评估报告表明,自前工业时代以来,全球二氧化碳浓度已经增加了40%,正在对地球生态系统平衡造成严重威胁[2—3]。随着我国经济社会迅速发展,城市化、工业化的推进致使能源消耗碳排放量也日益增长。政府提出“碳达峰”、“碳中和”目标,控制化石能源消耗、促进城市绿化,通过森林可持续管理增加碳储量,不断推进森林经营的“绿碳”规划[4—5]。实现区域整体碳收支平衡,已成为我国经济社会高质量发展的关键一环。有效评估碳排放、碳吸收时空分布格局并预测其变化趋势,将为实现碳中和目标、应对气候变化提供重要科学参考。

近年来,许多学者围绕碳中和的评估与分析开展了研究。主要体现在碳收支核算和碳平衡分区优化领域。王兆峰等人基于SBM-DEA模型对湖南省碳排放效率进行评估,揭示其演变规律[6]。李文宇等人以青藏高原高寒草地为研究区,阐明了资源添加对该区域生态系统碳吸收的影响因素[7]。邱子健等人对江苏省农业碳排放展开时序特征研究,并有效预测其变化趋势[8]。综合来看,这些研究主要聚焦在碳排放、碳汇的时空分异特征,较少探讨碳中和的现状估算与未来变化趋势。

对碳排放、吸收进行合理预测,掌握其动态变化规律可以为实现“碳中和”提供重要科学依据。目前,国内外学者尝试采用数据指标建立预测模型。张帆等人采用可拓展的随机性环境影响评估模型从宏观角度评估了人口、经济等要素对碳排放的影响,预测了我国碳排放变化趋势[9]。关敏捷等人基于STIRPAT模型对山西省碳排放进行模拟,分析了社会经济要素对碳排放的影响,预测出排放峰值出现的时间[10]。这些研究对宏观掌握未来碳交换趋势具有积极作用,但较少有对“碳中和”目标的模拟预测研究。综合看待碳排放与碳汇效率,构建碳排放与碳汇双向的预测模型,将为精准研究碳中和的演变规律具有重大意义[11—12]。

青藏高原东缘生态过渡带处于我国西部高寒区向黄土高原区的过渡地带,是我国特殊的自然地理单元。该区域高寒草甸土壤中贮存着巨大根系生物量和有机碳,是全球重要的碳库,并且影响全球陆地生态系统碳循环[7,13—14]。因其地理环境具有高海拔、温度较低等特点,各种生态环境阈值常处于临界状态,又面临气候变暖和人类活动双重压力,是全球最为敏感、脆弱的区域之一[15—16]。青藏高原东缘生态过渡带碳中和变化趋势将对我国乃至亚洲的气候变化、水源调节和碳收支平衡产生重要影响[17]。

本研究基于率定的CASA模型估算了青藏高原东缘生态过渡带2001—2019年碳汇,结合中国碳排放数据库提供的县域碳排放数据,分析了近20年碳排放与碳汇时空演变特征。然后采用灰色预测模型预测了2020—2060年碳汇,基于STIRPAT分析法建立预测模型,预测了5种不同发展情景下2020—2060年碳排放量变化,并分析未来40年该区域碳中和发展趋势。研究结果可为该区域应对气候变化、提出实现可持续发展策略等提供参考依据。

1 研究区概况

研究区域涵盖青藏高原东部和黄土高原西部地区(96°58′E—104°45′E,32°30′N—39°5′N),位于甘肃和青海省的交汇处(图1)[18],下辖果洛、海北、海南、黄南、甘南五个藏族自治州,以及临夏回族自治州、西宁、海东、兰州市,总面积7.5×104km2。大部分区域属于半干旱、半湿润气候区,其中,青海为高原大陆性气候,而甘肃为温带大陆性气候[19]。该地区年平均气温在4.63—5.66℃之间,而年平均降水量在346.2—548.8mm之间,两者均由西北向东南增加[20]。研究区海拔高度从西南方向到东北方向减小[21],主要地貌类型为高原和山脉,主要植被类型为常绿针叶林、落叶针叶林、落叶阔叶林、针叶和阔叶混交林、灌木、草地和农田[22]。该研究区由于其独特的地理条件,是全球生态环境中最敏感、脆弱的地区之一,开展该区域碳中和评估与预测对于中国乃至亚洲碳排放管理具有重要价值。

图1 研究区区位图Fig.1 The location of study area

2 数据与方法

2.1 数据来源与处理

2.1.1 NDVI数据

本研究采用的NDVI数据为MODIS13A1数据集,下载于NASA EARTHDATA(https://search.earthdata.nasa.gov/)。MODIS13A1数据时间分辨率为16d,空间分辨率为500m,包括2001—2019年共19期。使用MRT工具对数据进行拼接和裁剪,然后进行重投影并重采样为500m,对无效值和背景值进行处理,并换算为真实的NDVI值。

2.1.2 气象数据

气象数据为中国地面气候资料日值数据集(V3.0)和中国地面气候资料月值数据集,包括日照时间、地表温度、降水、气温、气压、相对湿度、风速等气象要素,数据下载自中国气象数据网(http://data.cma.cn/),时间为2001—2019年,涵盖研究区周边40个站点。对日值数据进行合并计算,得到与NDVI数据的时间尺度对应的数据,采用Anuspline软件对气象数据进行插值,得到空间分辨率为500m的气象要素栅格数据。

2.1.3 植被覆盖数据

地表覆盖数据采用的是MODIS MCD12Q1数据集,下载于NASA EARTHDATA(https://search.earthdata.nasa.gov/),基于IGBP制定的分类系统,把全球地表覆盖分为17类。MODIS MCD12Q1时间分辨率为1a,空间分辨率为500m,包括2001—2019年共19期。采用MRT工具对数据进行拼接和裁剪,然后重投影并重采样为500m,将土地覆盖数据重分类为：林地、草地、农田和其他。

2.1.4 碳排放数据

碳排放数据来自于中国碳排放数据库CEADs(https://www.ceads.net.cn/),CEADs研究采用粒子群优化-反向传播(PSO-BP)算法统一DMSP/OLS和NPP/VIIRS卫星图像的规模,估算了1997—2017年中国2735个县的CO2排放量。本研究基于上述算法继续计算了2018与2019年的CO2排放量数据。

2.1.5 社会经济数据

社会经济数据主要来自2001—2019年的《甘肃省统计年鉴》、《青海省统计年鉴》、《中国县域统计年鉴》、《中国区域经济统计年鉴》等资料,选用指标包括：第一产业GDP、第二产业GDP、第三产业GDP、年末常住人口、非农业人口、畜牧业规模等,年鉴缺失的个别数据通过其他统计资料补齐。

2.2 研究方法

2.2.1 碳汇量估算——CASA模型

本研究基于NPP来估算碳汇量,而NPP是采用CASA(Carnegie-Ames-Stanford approach)模型进行估算的[23—24]。CASA模型是一种利用遥感数据、气象数据和植被类型数据的光量利用效率模型,其基本结构如下：

NPP(x,t)=APAR(x,t)×ε(x,t)

(1)

其中,NPP(x,t)表示单位像元x在t月份的植被净初级生产力(gC/m2);APAR(x,t)表示植物所吸收的光合有效辐射(MJ/m2);ε表示光能利用效率,t表示时间,x表示空间位置。

APAR参数由下式求得:

APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5

(2)

其中,SOL(x,t)表示像元x在t月份的太阳总辐射量;FPAR(x,t)表示植被层对入射光合有效辐射(PAR)的吸收比例;常数项0.5表示植被所能利用的太阳有效辐射(波长为0.38—0.71μm)占太阳总辐射的比例。在一定范围内FPAR与NDVI存在线性关系,所以可根据NDVI得到对应的FPAR[25]。

碳汇量由以下式计算得到[26]：

NPP′=(NPP/0.5)×1.62#

(3)

每克干物质可以固定1.62gCO2,干物质含量约占NPP含量的45%—55%,本研究选取平均值50%。

2.2.2 碳汇量预测模型——灰色预测GM(1,1)模型

灰色预测模型是通过少量、不完全的信息,建立数学模型并做出预测的一种方法。地表植被作为最主要碳汇源,其碳汇量与多种自然因素有关,例如太阳辐射、降水、温度以及植被类型和植被生长状况等,这些自然因素多具有难以预测的随机性与偶发性。但随着全球气候变暖,导致低温且日照充足地区植被生长期延长[27],研究区碳汇量多年变化呈现单调递增态势。GM(1,1)模型通过拟合累加数列弱化碳汇序列年度波动性和气候随机性,预测碳汇量在气候变暖条件下稳定趋势变化。假设变量x(0)={x(0)(i),i=1,2,…n}为一非负单调序列,以此来建立灰色预测模型如下所示：

最终得到X(0)的灰色预测值如式(4)：

(4)

2.2.3 碳排放量预测经验模型STIRPAT与情景设计

可拓展的随机性的环境影响评估模型 (STIRPAT, Stochastic Impacts by Regression on Population, Affluence, and Technology)通过对人口、财产、技术三个自变量和因变量之间关系进行评估。其基础形式为：

I=aPbAcTdε

(5)

其中,I、P、A、T分别表示环境状况、人口、经济发展和技术创新。a为模型常数项,b、c、d分别为三个自变量的弹性系数,即若P变量每改变1%,因变量I将改变b%,ε为随机误差[28—30]。该模型是一个多变量非线性模型,分别对其两端对数化处理可以得到以下多元线性模型：

lnI=lna+blnP+clnA+dlnT+lnε

(6)

在STIRPAT模型中,因变量I一般用于表示某种环境问题,P、A和T可以分解为多种变量,例如：T可以分解为能源结构、能源强度等[31]。一些研究还引入城镇化率研究其与能源利用和碳排放量的关系[32]。本研究考虑到青藏高原东缘生态过渡带碳排放量主要来源于第二产业,其比重普遍高于第一产业,研究区内涵盖了两个省会城市,第三产业比重较大,此外该区域为主要牧区,因此,将第二产业、第三产业和畜牧业纳入模型,对STIRPAT模型进行拓展后的形式为：

lnCE=lna+blnP+clnA+dlnU+elnS+flnF+glnTI+lnε

(7)

其中,CE是研究区的碳排放量(Mt),P为代表人口数(万人);A为富裕度,以人均GDP表示(元/人);U为城镇化率,以非农业人口占总人口比重表示;S为第二产业产值;F为畜牧业,以大牲畜数量、羊存栏和猪存栏总量表示(万头);TI为第三产业占比,表示为第三产业产值占总GDP的比重。

为了测试研究区的环境库兹涅兹曲线假说(Environment Kuznets Curve hypothesis, EKC),一般引入人均GDP的平方项研究富裕度和碳排放量的关系。此外,还有研究人口变量倒U型EKC效应[33]。因此,本研究加入另外两个线性模型,分别探究富裕程度与城镇人口在青藏高原东缘生态过渡带的EKC效应。两个模型分别对人均GDP对数与城镇化率对数取平方,其式如下：

lnCE=lna+blnP+clnA+m(lnA)2+dlnU+elnS+flnF+glnTI+lnε#

(8)

lnCE=lna+blnP+clnA+dlnU+n(lnU)2+elnS+flnF+glnTI+lnε#

(9)

本研究设置了5种碳排放预测情景,包括基准情景(BL)、粗放情景(ETS)、绿色发展情景(GD)、节能情景(ES)和可持续发展情景(ST)。五种情景基于已有数据变化率、数据参数和政策文件设置,不同情景具有不同发展侧重点。碳排放预测以1997年到2019年数据为基线,预测2020至2060年碳排放量、不同情景下可能达峰年份以及真实碳中和年份。具体情景设置见表1。

表1 预测情景

3 结果与分析

3.1 青藏高原东缘生态过渡带2001—2019年碳汇量时空演变特征

本研究基于CASA模型估算得到研究区2001—2019年栅格尺度NPP,进而估算碳汇量,统计获得研究区年碳汇总量(图2)。结果表明,2001—2019年研究区碳汇总量整体呈波动上升趋势,累计增长12.7%,年均碳汇增长量为1.68Mt。近20年青藏高原东缘生态过渡带碳汇总量最低值出现在2002年,为243Mt,最高值出现在2019年,为284Mt。其中,2001—2011年碳汇总量呈缓慢增长趋势,而2012—2014年碳汇总量持续减少。2017年后又再次出现增长态势,并于2019年达到最高值,这表明近年生态环境条件显著改善,植被固碳能力增强。

图2 2001—2019年青藏高原东缘生态过渡带碳汇量变化 Fig.2 Changes in carbon sink in the Eastern Margin Ecotone of Qinghai-Tibet Plateau from 2001 to 2019

本研究将碳汇量按<500、500—1000、1000—1500、1500—2000、>2000 t/km2的标准分为5个等级。研究区2001、2005、2010、2015和2019年碳汇量等级空间分布格局如图3所示。整体来看,2001—2019年,研究区碳汇等级持续提升,碳汇量不断增加,中部、东部和北部增长明显。研究区东南部碳汇能力最强,西部高海拔地区碳汇能力较弱。碳汇量空间分布与植被覆盖状况和土地利用情况有极强的关联性,研究区东北部多为建筑用地与农业用地,西部、西南部多为高寒草地,故该区域碳汇等级较低。而研究区中部与东南部生态环境良好,植被恢复程度较高,因此,其碳汇能力较强。

图3 2001—2019年青藏高原东缘生态过渡带碳汇量空间分布图Fig.3 Spatial distribution of carbon sink in the Eastern Margin Ecotone of Qinghai-Tibet Plateau from 2001 to 2019

从统计的县域碳汇量分析,2019年县域碳汇量超过10Mt的有达日县、玛曲县等11个县,主要位于研究区西南部,县域面积较大,这些县碳汇量占研究区总量45.8%。其中,碳汇最高是达日县,达16Mt。碳汇量低于1Mt的县市有安宁区、城中区等12个县市,主要为城市密集区。2001—2019年,碳汇量增加幅度最大的是祁连县,为2.8Mt,这主要是由于该县处于祁连山自然保护区,县域人类活动较少,生态环境持续恢复。碳汇量增长比率最大的是东乡族自治县,达到93.6%。该地区自然环境恶劣,不适宜人类居住,当地政府对该区域居民进行了易地扶贫搬迁,全力推进生态环境建设,生境质量得到改善。而对于迭部县和碌曲县,近年来牲畜存栏量有所增加,牧草地负担加重,导致植被恢复减缓,碳汇量增速减缓。

3.2 青藏高原东缘生态过渡带2001—2019年碳排放量时空演变特征

图4 2001—2019年青藏高原东缘生态过渡带碳排放量变化 Fig.4 Changes in CO2 emissions in the Eastern Margin Ecotone of Qinghai-Tibet Plateau from 2001 to 2019

基于获取的碳排放数据,统计分析显示青藏高原东缘生态过渡带2001—2019年碳排放量呈持续增长态势,由2001年35Mt增长到2019年108Mt,累计增长207.04%,年均增长3.82Mt,碳汇量大于碳排放量。碳排放量变化呈前期快速增长、中期增长速度放缓、后期呈增长速率上升趋势(图4)。具体来看,2001—2011年为快速增长阶段,年均增长速率12.3%,而2012—2019年为缓慢增长阶段,年均增长速率仅为3.86%。这可能是因为2000—2012年研究区经济快速发展,能源消耗量持续快速增加,导致碳排放量升高。2012年之后青藏高原东缘生态过渡带经济增速放缓,伴随着经济结构转型和能源结构调整,碳排放量增长速率减缓,但是近年来碳排放量出现持续上升态势,需要引起重视。

本研究将县域水平碳排放量按<0.1、0.1-0.5、0.5—1、1—2、>2 Mt)标准分为低、较低、中等、中高、高等级(图5)。碳排放总量空间分布差异明显,呈东北部高、西南部低的特点。西北部为城市密集区,人口数量多,二产发达,导致区域碳排放量较高;而西南部为高寒地区,且位于三江源生态保护区,生态环境良好,碳排放量也相应较少。2001—2019年,研究区碳排放总量均呈上升态势。其中,碳排放量增长幅度最大的是城关区,达9.66Mt,碳排放量增长比率最大的是久治县,为48.28%。2019年碳排放总量超过5Mt/a的县有榆中县、城关区、红古区、湟中县、永登县。其中,城关区最高,达11.3Mt。碳排放量小于1万t的县市为达日县、班玛县、久治县,其中,班玛县最低,仅为3.36万t。这表明东北部城市密集区是主要碳排放源,特别是以城关区为代表的兰州地区,而西南部班玛县、久治县等虽然排放量少,但是增长速率却很高,需要重视该区域农牧业可持续发展。

图5 2001—2019年青藏高原东缘生态过渡带县域碳排放量空间分布Fig.5 Spatial distribution of CO2 emissions in the Eastern Margin Ecotone of Qinghai-Tibet Plateau from 2001 to 2019

3.3 未来不同发展情景下碳排放与碳汇量预测分析

3.3.1 未来不同发展情景下碳排放预测模型构建

本研究基于STIRPAT模型建立了3种多元线性模型,包括基本模型、富裕度EKC模型(A-EKC)和城镇化率EKC模型(U-EKC)。基于1997—2019年研究区总碳排放量与年鉴获取的自变量面板数据,采用岭回归(Ridge Regression),通过引入惩罚系数K,以损失部分信息和准确度为代价获取更可靠的系数回归值。在各自变量系数相对稳定情况下,惩罚系数K取值均为0.2(图6),得到A-EKC模型的富裕度平方项系数约为+0.054,而U-EKC模型城镇化率平方项系数约为-0.201(表2)。因此,对于青藏高原东缘生态过渡带,富裕度的碳排放库兹涅兹曲线假说并不存在,而城镇化率存在库兹涅兹曲线效应。故本研究将A-EKC模型剔除,仅分析对比基本模型与U-EKC模型及其预测结果。对两模型的岭回归分析得出,二者均较准确地拟合了1997—2019年碳排放数据(图7);当惩罚系数K从0增高至1的过程中,其判别系数均呈下降趋势;K=0.2时,U-EKC模型具有比基本模型略高的拟合优度,R2=0.9892,而基本模型R2=0.9891(图6)。

表2 三种模型岭回归系数

图6 岭迹图和矫正后判别系数Fig.6 Ridge trace and Adjusted R2x1、x2、x3、x4、x5、x7、x9分别表示第二产业产值对数(lnS)、人口对数(lnP)、富裕度对数(lnA)、城镇化率对数(lnU)、畜牧业对数(lnF)、第三产业占比对数(lnTI)、城镇化率EKC项的岭回归系数

图7 STIRPAT模型碳排放预测结果对比 Fig.7 Comparation of CO2 emission prediction results by STIRPAT modelSTIRPAT: Stochastic Impacts by Regression on Population, Affluence, and Technology

研究区碳排放影响因子分析结果显示(表2),在城镇化率EKC模型中,人口因子回归系数最大,约为1.03,即每增加1%的人口,碳排放量将增加1.03%左右,而富裕度影响碳排放量最小,回归系数约为0.09,即每增加1%的富裕度,碳排放量仅增加0.09%左右。在所有因子中,人口因子对碳排放变化影响最大,其次为畜牧业、城镇化率、第三产业占比、第二产业产值和富裕度。因此,在预测情景中,本研究综合考虑不同因子回归系数绝对值大小、近5年与近10年影响因子变化率和1997年后各变量变化率曲线进行变化率预测赋值。由于部分变量之间存在运算关系,本研究仅对于第二、三产业产值、总人口、GDP、非农业人口与畜牧业进行预测。将2020至2060年分为4个发展阶段,时间节点分别为2030年、2040年和2050年,每个因子变化率分为低、中、高3个等级且随发展阶段逐渐降低,具体赋值如表3所示。

3.3.2 未来不同发展情景下碳汇量与碳排放量预测分析

基于GM(1,1)模型预测得到青藏高原东缘生态过渡带碳汇量(图8),结果显示2020—2060年其碳汇量呈逐年递增趋势,于2060年碳汇量达到357.47Mt。基于STIRPAT、岭回归与情景设计,获得基本模型与U-EKC模型5种发展情景2020—2060年青藏高原东缘生态过渡带碳排放量预测值(图8)。结果显示2001—2060年其碳汇量基本高于此区域碳排放量,仅在粗放情景(ETS)下,基本模型与U-EKC模型均出现碳排放量大于碳汇量的情况,碳排放量呈持续增长态势,且到2060年仍未实现碳达峰。两种模型预测碳排放变化趋势基本相同,其中,可持续发展情景(ST)、基准情景(BL)、节能情景(ES)和绿色发展情景(GD)均呈先增加后减少的趋势,分别在2050年、2050年、2040年、2040年实现碳达峰,且碳达峰时间随着能耗减少逐渐提前。U-EKC模型预测未来情景下碳排放量均小于基本模型预测结果,这表明城镇化率库兹涅兹曲线效应抑制了碳排放产生,当城镇人口增加,科技发展水平相应提升,促使当地产业逐渐从资源驱动转变为技术驱动。

表3 各因素变化率设置/%

图8 5种情景碳排放量预测和碳汇量预测结果Fig.8 CS prediction and five scenarios CO2 emission prediction resultsBL：基准情景 Baseline;ES：节能情景 Energy-Saving;ETS：粗放情景 Extensive;ST：可持续发展情景 Sustainable;GD：绿色发展情景 Green Development;CS：碳汇量 Carbon Sink

3.4 2001—2060年研究区碳中和状况分析

本研究估算了区域净碳汇量,即区域总碳汇量减去区域总碳排放量。区域净碳汇量统计结果显示(图9),研究区内净碳汇量多为正值,且维持在较高水平。对比不同发展情景,除基本模型ETC情景外,净碳汇量均呈先减少后增加趋势;其中,可持续发展情景(ST)净碳汇量谷底值出现在2050年、而基准情景(BL)和节能情景(ES)下净碳汇量谷底值均出现在2040年;对于绿色发展情景(GD),其净碳汇量已于2017年出现谷底值。在粗放情景(ETS)下,由于城镇化率库兹涅兹曲线效应,U-EKC模型净碳汇量将于2050年出现谷底值,而基本模型并未出现谷底值;由于未来不加管制的高人口、高经济的粗放发展模式,两模型ETS情景下净碳汇量约于2040年左右由正值转为负值,这表明研究区碳汇量已无法抵消自身发展所产生的碳排放量。

图9 净碳汇量预测Fig.9 Net carbon sink prediction

本研究认为区域碳中和不能脱离碳达峰这一前提。目前全国大部分区域碳排放量仍呈逐渐增长趋势,在其碳排放量未达峰之前,即使其碳汇量大于碳排放量,但不能成为真正意义上的碳中和。在本研究中将真正意义的碳中和定义为：在碳汇量稳定的前提下,当区域碳排放量稳定不增长之后,出现净碳汇量大于等于0的时间节点,即为实现碳中和。而将假性碳中和则定义为区域净碳汇量为正,但碳排放量仍呈快速增长状态,这可能将导致在未来某时刻再次出现碳排放量大于碳汇量的情况。显然,假性碳中和与区域未来发展规划有直接的联系,提出假性碳中和的目的是要求区域实现碳中和必须要先实现碳达峰前提,即要在区域发展的同时推进碳减排。

由于研究区自然条件良好,过去20年间该区域碳汇量高于碳排放量,但其碳排放增长速率较碳汇更快,仍未实现碳达峰。因此,研究区在2001年至未来一段时间均为假性碳中和。本研究基本模型和U-EKC模型预测结果显示(图10, 可持续发展情景(ST)与基准情景(BL)、节能情景(ES)与绿色发展情景(GD)分别在2050、2040年前为假性碳中和,在其后实现碳中和目标;粗放情景(ETS)下,研究区将无法实现碳中和目标,并且研究区整体从CO2吸收状态转变为CO2排放状态,U-EKC模型预测其时间节点为2042年,较基准情景滞后3年。

图10 不同情景预测碳中和状态时间序列图Fig.10 Time table of Carbon Neutrality status in different scenarios同情景中,深色为基准模型,浅色为城镇化率库兹涅兹曲线模型

4 讨论与结论

4.1 讨论

青藏高原东缘生态过渡带是全球生态环境最为敏感、脆弱的地区之一,也是全球重要的碳库。长期以来,受原始粗放的生产发展方式影响,对森林、草原造成一定程度的破坏。近年来,随着青藏高原生态安全屏障保护与建设工程的实施,高原生态系统退化的情况得到了一定程度的遏制。但随着地区产业转型和经济发展,碳排放量的增长速度逐渐加快,并有反超碳汇量的态势。若生态环境进一步恶化,昔日的碳库在未来可能变成最主要的碳排放源,而生态过渡带对环境恶化十分敏感。因此研究青藏高原东缘生态过渡带碳中和情况、碳排放量主要影响因素至关重要,对该地区乃至整个亚洲的碳排放管理具有警示和借鉴意义。

结果的可靠性一直是碳评估的一个重要方面,本研究基于率定的CASA模型估算所得2001—2019年研究区净初级生产力(NPP)结果与刘旻霞等[34]、Yu[35]和裴志永等[36]在青藏高原地区研究结果一致,单位面积碳汇量结果也与李文华等[37]研究结果具有一致性,说明本研究基于改进的CASA模型模拟碳汇量结果可靠,可满足区域碳中和研究。本研究认为,对于研究区内目前碳汇量大于碳排放量且二者差距逐渐减少的情况,定义为已经达到碳中和是不合适的。因此,本研究提出假性碳中和概念,对研究区目前的状态进行描述,并且指出区域碳中和要以碳达峰为前提。目前,由于全球气候变化对植被生长乃至碳汇量的影响在学界尚有争论,本研究采用灰度预测模型预测碳汇量,未考虑全球变化背景,具有一定的局限性,未来研究可以将气候等影响因素作为碳汇量预测模型参数,使碳中和预测结果更为精准。

本研究通过情景假设方法预测了青藏高原东缘生态过渡带到2060年的碳中和状况,可知在5种预测情景中,除粗放情景(ETS)外其他情景均在2040或2050年达到碳达峰。由于研究区自然条件良好,其净碳汇量为正,根据本研究对碳中和的定义,这4种情景碳达峰年份即为实现真正碳中和的年份,说明研究区有极大的发展空间和碳排放空间。维持目前的发展态势(BL：基准情景),随着技术革新和产业升级,研究区在未来不会出现碳排放大于碳汇量的情况。相比之下,可持续发展情景(ST)具有更多的发展动力(GDP、非农业人口和第三产业产值高增长)和碳排放量,配合合理的碳减排政策引导低碳经济发展,防止粗放发展(ETS：粗放情景),研究区也可避免出现碳排大于碳汇的情况,与基准情景共同在2050年达到碳中和。若推行节能情景(ES)和绿色发展情景(GD)模式,研究区将可持续地为周边地区提供碳汇服务,维持碳库稳定。

4.2 结论

本研究基于率定的CASA模型估算了2001—2019年青藏高原东缘生态过渡带净初级生产力(NPP),并通过NPP计算碳汇量,分析了研究区碳汇量和碳排放时空演变特征。结果表明,2001—2019年研究区碳汇量呈波动缓慢上升趋势,具有东南高、西北低的空间分布特征;2001—2019年研究区碳排放量呈持续快速上升趋势,2012年后增长速率变缓,碳排放总量在2019年达到110Mt左右,呈东北高、西南低的空间分布特征。总体而言,研究区碳汇量大于碳排放量,但二者差距呈逐渐减少趋势。

基于STIRPAT模型和岭回归建立碳排放与人口、第二三产业、富裕度、城镇化率和畜牧业的弹性关系,并设计5种经济发展情景预测了研究区2020—2060年碳排放变化特征,结合GM(1,1)模型预测了研究区2020—2060年碳汇量,基于上述研究结果对研究区碳中和进行了预测和评估。结果表明,人口变量对碳排放的影响是显著的,每增加1%的人口,碳排放将增加1.03%左右;此外研究区内存在城镇化率环境库兹涅兹曲线(EKC)效应,随着城镇化率的提升,区域碳排放呈先增加后减少的趋势,而对于富裕度无显著EKC效应。

在预测的五种发展情景中,碳达峰时间随着能耗的减少逐渐提前,可持续发展情景(ST)与基准情景(BL)在2050年实现碳达峰,节能情景(ES)与绿色发展情景(GD)分别在2040年实现碳达峰。而粗放情景(ETS)到2060年仍未实现碳达峰,其碳排放量将于2040年左右超过碳汇量,净碳汇量为负;而其余四种情景在2020—2060年碳汇量始终大于碳排放量,且净碳汇均呈先减少后增加的趋势。对于环境库兹涅兹曲线模型和基本模型的对比显示,环境库兹涅兹曲线效应的存在使同时期同发展条件下碳排放量更少。因此,青藏高原东缘生态过渡带具有较强的碳汇能力,但是随着经济社会的发展,碳汇量与碳排放的差距正在不断缩小,在经济社会发展中重点关注人口和畜牧业等因素。