江苏省县域种植业碳源/汇测算与农业园区空间相关性分析

龚 钰,陆建飞,罗云建,田 坤,李晓明,蔡 汉

(1.扬州大学农学院,江苏 扬州 225009;2.扬州大学植物保护学院,江苏 扬州 225009;3.扬州大学工程设计研究院,江苏 扬州 225012;4.扬州大学园艺园林学院,江苏 扬州 225009)

温室气体超标排放造成的全球气候变暖是当前人类面临的最大环境问题。2020年,习近平首次提出“力争2030年前实现碳达峰,2060年前实现碳中和”的“双碳”目标,彰显了中国自觉承担国际减排责任、追求绿色低碳可持续发展的大国担当。在“双碳”背景下,各行各业如何减排固碳成为当前亟待解决的关键问题[1]。研究显示,我国温室气体排放总量中约有17%来自农业活动[2]。种植业作为我国最为关键的农业生产类型,对农业碳排放具有较大贡献,是重要的碳源和碳汇[3],由传统高农药化肥消耗、高强度耕作灌溉以及不合理废弃物处理等粗放农业生产方式向低碳农业生产方式转型是种植业减排固碳的重要手段[4-5]。现代农业园区作为现代农业的试验田,通过推进农业绿色生产方式[6],对地区种植业的绿色低碳转型发展起着不可替代的重要作用[7]。然而,随着园区建设的快速推进,机械化、规模化等现代化的“高碳”生产方式也对地区种植业碳排放造成了不可忽视的负面影响[8-9]。在“双碳”背景和农业绿色转型目标紧迫要求下,统筹兼顾区域园区发展和减排固碳,探究地区园区建设与种植业碳排放的关系具有重要的现实意义。

长期以来,我国学者对于种植业碳排放与碳吸收多采用间接估计法和直接系数法进行核算,这为种植业碳源与碳汇研究夯实了基础[10-11]。在聚焦种植业碳效应的诸多研究中,学者们主要从作物吸收、生产排放等方面对种植业碳源与碳汇进行测算,并进一步分析了种植业碳源、碳汇的空间分布、演变趋势[12-13]。同时,在了解不同因素对种植业碳源、碳汇影响基础上[14-15],还着重探讨了碳排放与经济增长[16]、粮食安全[17]以及实践创新基地建设[18]等的关系特征。随着研究的日趋丰富,研究尺度也逐渐多元化,涉及国家[3]、地区[15]、省[11]、市[5]等多个尺度。综合来看,当前研究成果对全面了解种植业碳效应提供了良好的理论基础,为种植业实现“双碳”目标提供了重要的现实依据,但仍存在以下不足:(1)宏观层面下考察种植业碳源、碳汇,难以全面了解种植业的碳效应,综合考量种植业净碳汇效应,从小尺度即县域层面对种植业净碳汇效应进行更为细致的剖析,有助于衡量种植业在“双碳”目标实现过程中的作用。(2)种植业净碳汇效应与现代农业园区的相关性研究有待开展。现代农业园区是推动我国农业现代化的重要抓手[19],对种植业绿色低碳转型、实现“双碳”目标有重要作用,了解地区园区建设与种植业净碳汇效应的关系有助于更好推动园区绿色发展,为地区种植业减排固碳提供新思路与新方向。(3)现代农业园区分类方式有待完善。当前园区种类繁多,缺乏立足于园区主导产业作物类型的综合分类方式,以便对不同地区现代农业园区碳效应状况进行合理聚类和优化。

江苏省是农业大省,目前正面临着农业低碳化转型[13]。在已有研究基础上,以江苏省各县域为研究单元,在刻画种植业碳排放量、碳汇量、净碳汇量以及净碳汇强度空间分布格局的同时,对不同主导产业作物类型、种植结构的现代农业园区合理聚类并测算其碳汇强度,选择净碳汇强度与园区耕地占县域耕地面积比例即园区建设规模,作为衡量地区净碳汇效应与园区建设现状的重要指标,采用双变量空间自相关法定量揭示现代农业园区建设对地区净碳汇效应的影响及其响应规律,以期为区域现代农业园区建设实现正向生态效益、推动地区种植业低碳减排提供理论参考。

1 研究区域与数据来源

1.1 研究区概况

江苏地处东部沿海,介于北纬30°45′～35°20′,东经116°18′～121°57′之间,属东亚季风气候区,雨量适中,农业开发程度高。2020年江苏省农作物播种面积达747.84万hm2,粮食产量3 729.06万t,是全国重要的粮食生产基地。近年来,江苏省不断提升农业现代化水平,相继开展了现代农业科技园、现代农业示范区、现代农业产业园等园区建设工作。

考虑到江苏省现代农业园区存在诸多类型和规模[6],各类园区数据尚未形成统一核算口径,笔者仅选择省级及以上且种植业为主导产业的现代农业产业园为研究对象。园区信息汇总时,为消除一园多名的影响,园区以其所属最新类别为准,每个园仅统计1次。由图1可知,2020年江苏省共建成各类现代农业园区92家,其中国家级现代农业产业园9家,省级现代农业产业示范园44家,省级现代农业产业园39家。从县域尺度(图2)看,除高淳区、吴中区、洪泽县等5处以养殖业为主导产业的地区外,其余各县均建设有现代农业园区,已初步形成一县一园甚至多园的空间格局。从园区建设规模看,园区耕地总面积达36.69万hm2,其中国家级现代农业产业园平均耕地面积达1.20万hm2,省级农业园平均耕地面积达0.31万hm2,各县园区平均建设规模占比达9.90%。从园区种植业发展现状看,园区主导产业作物类型丰富多样,包含水稻、小麦、蔬菜、瓜果、茶叶、花卉、林木、果树等诸多种类,其中稻麦总种植面积达13.15万hm2,占园区总种植面积的35.85%;蔬果总种植面积达16.15万hm2,占园区总种植面积的44.01%。

图1 2020年江苏省市域现代农业园区数量分布Fig.1 The number distribution of modern agricultural parks at city level in Jiangsu in 2020

图2 2020年江苏省县域现代农业园区数量分布Fig.2 The number distribution of modern agricultural parks at county level in Jiangsu in 2020

1.2 数据来源

基于数据的可获得性,以江苏省县级行政单元为研究区域,行政区划数据来源于中国国家基础地理信息中心(http:∥ngcc.sbsm.gov.cn),考虑到行政区划的调整和数据的连续性,以《江苏省农村统计年鉴》(2021年)为基准,将各市的市辖区统一合并处理,得到江苏省县级行政单元77个;用于计算碳吸收、碳排放的各类农作物产量、播种面积、化肥使用量、农膜使用量、农业机械总动力等数据均来源于《江苏统计年鉴》《江苏省农村统计年鉴》与各县域统计年鉴(2021年);各类现代农业园区名录、位置、耕地面积、主导产业类型等数据来源于江苏省人民政府(http:∥www.jiangsu.gov.cn/)、江苏省农业农村厅(http:∥nynct.jiangsu.gov.cn/)网站。

2 研究方法

2.1 种植业碳汇量测算

种植业是我国重要的碳汇,农作物光合作用能吸收大量的二氧化碳。对于碳汇量测算,学者多通过作物产量、经济系数、含水率、碳吸收率进行估算[3,11,20-21]。同时,也有学者考虑不同作物特点,将根冠比纳入核算范围,以获得更为精确的估算结果[13,22]。为此,依据已有研究成果,立足于江苏省种植业农作物生长周期与特性,选取更为全面的碳吸收核算途径,通过农作物产量、经济系数、根冠比、碳吸收率、含水率来估算种植业碳汇量,计算公式为

(1+Ri)/Hi。

(1)

式(1)中,C为地区农作物碳吸收总量,t;Ci为第i种农作物的碳吸收量,t;n为农作物的种类数;ci为第i种农作物全生育期合成单位有机物质所吸收的碳,即碳吸收率;Qi为第i种农作物的经济产量,t;Wi为第i种农作物经济产品部分的含水率;Ri为第i种农作物的根冠比;Hi为第i种农作物的经济系数。选取江苏省10种主要农作物进行碳吸收估算,各类农作物的碳吸收率、经济系数、根冠比见表1。

表1 江苏省主要农作物的碳吸收率、含水率、经济系数、根冠比

2.2 种植业碳排放量测算

笔者主要研究狭义农业即种植业的碳排放,部分学者认为种植业碳排放主要指化肥、农药、能源消耗以及土地翻耕等农地生产活动所直接或间接引起的温室气体排放[16],也有学者则认为除农地生产活动外,种植业碳排放还应包含农作物本身的碳汇效应如稻田CH4排放等[3,23]。考虑到江苏省是水稻种植大省,在结合已有研究成果和江苏省种植业发展现状的基础上,将碳排放源界定为2类:一是农地生产活动所引起的直接或间接碳排放;二是水稻生长发育过程中的CH4排放。依据文献[24],采用碳排放系数法测算种植业碳排放总量。

数据来源于文献[20-22]。花生、薯类的经济产量为块茎,因此其数据为冠根比;蔬菜、瓜果类作物种类复杂,不考虑其根冠比[13]。

2.2.1农地生产碳排放量测算

通常认为农地生产活动所引起的碳排放主要来源于化肥、农药、农膜、农用机械用电、农业机械使用柴油、农业灌溉以及农田翻耕。基于确定的碳源,构建种植业农地生产活动碳排放量估算公式:

Ea=Ef+Ep+Em+Ee+Ei+Es+Eg=

∑Tk×δk。

(2)

式(2)中,Ea为地区种植业农地生产活动碳排放总量,t;Ef、Ep、Em分别为化肥、农药、农膜使用在农地生产活动中所引起的碳排放量,t;Ee、Es分别为农业机械用电、柴油所引起的碳排放量,t;Ei、Eg分别为农业灌溉、农田翻耕所引起的碳排放量,t;k为农地生产活动类型;Tk为k类农地生产活动要素投入量,t;δk为k类农地生产活动要素碳排放系数,各碳源的碳排放系数详见表2。

表2 农地生产活动主要碳源的碳排放系数

2.2.2稻田碳排放量测算

江苏省地域广阔,南北地区气候、温度存在较大差异,因此不同地区水稻品种(早稻、中稻、晚稻)的CH4排放率也不尽相同。考虑到各地区水稻不同品种种植面积数据获取难度较大,选择以江苏省早稻、中稻、晚稻CH4排放率的均值作为CH4排放系数[23],取值为32.41 g·m-2。稻田碳排放计算公式为

Eb=Wm×α×f。

(3)

式(3)中,Eb为地区稻田碳排放量,t;Wm为m县水稻播种面积,hm2;α为水稻生长周期CH4排放系数,g·m-2;f为CH4置换成标准碳的转化系数,1 t CH4引发的温室效应相当于6.82 t碳所产生的温室效应[25]。

1)农业机械用电碳排放考虑农作物种植面积与农业机械总动力2项要素投入。

2.3 园区类型划分与碳汇强度测算

江苏省现代农业园区主导产业作物类型通常以稻麦、茶叶、花木、果树、蔬菜、瓜果等为主,通过园区作物类型及其实际种植结构将园区划分为以下7类:粮油作物主导型、花果作物主导型、蔬菜作物主导型、粮油-花果作物主导型、粮油-蔬菜作物主导型、蔬菜-花果作物主导型与多类作物主导型,划分标准详见表3。

表3 2020年江苏省现代农业园区类型划分

考虑到江苏省现代农业园区主导产业作物类型除常见农作物以外,还包含茶叶、果树、花木等特色作物,因此粮食、蔬果等常见农作物碳汇量测算与上述方法相同,而特色作物碳汇量测算、园区碳汇强度、地区净碳汇量与净碳汇强度计算公式[30]分别为

CP=Cc+Cs,

(4)

Cs=Si×Gi,

(5)

Cq,y=CP/SP,

(6)

(7)

Cz=C-Ea-Eb,

(8)

Cq=Cz/S。

(9)

式(4)～(9)中,CP为园区作物碳汇量,t;Cs为园区特色作物碳汇量,t;Cc为园区常见作物净碳汇量,t;Gi为i类作物单位面积固碳量,t·hm-2;Si为i类作物种植面积,hm2;SP为园区作物总种植面积,hm2;Cq,y为园区碳汇强度,t·hm-2;Cq,r为第r类作物园区的碳汇强度,t·hm-2;y为某类作物主导型园区数量;Cz为地区净碳汇量,t;Cq为地区净碳汇强度,t·hm-2;S为地区农作物种植面积,hm2。茶叶、林果、花木的单位面积固碳量分别为9.41、4.94、8.18 t·hm-2[31-32]。

2.4 空间自相关理论

空间自相关分析是用来确定变量在空间位置上有无相关性及相关程度的分析方法,全局空间自相关能测算变量在空间内的整体分布状况,局部空间自相关能用于识别聚集区的具体地理分布[33],而双变量空间自相关可以探索多个变量之间的空间关联性,是用所有相邻位置的加权平均值评估一个位置变量值与其他变量的相关程度[34]。因此,选择双变量空间自相关分析园区建设与地区净碳汇强度的空间关联, Moran′sI取值范围为[-1,1],指数大于0表示存在空间正自相关关系,越接近于1,空间依赖性越强;指数小于0表示存在空间负自相关关系,越接近于-1,空间异质性越强;指数等于0表明该属性值是随机分布的,不存在空间相关性。

3 结果与分析

3.1 江苏省种植业净碳汇效应的区域比较

基于上述研究方法与数据,测算了2020年江苏省种植业的碳排放量、碳汇量,并在此基础上计算净碳汇量与净碳汇强度,结果见表4。

表4 2020年江苏省种植业碳汇量、碳排量、净碳汇量及净碳汇强度情况

3.1.1种植业碳排放量的空间分布格局

由表4可知,2020年江苏省种植业碳排放量达1 021.00 万t,其中农地生产活动与稻田CH4碳排放量分别占52.33%与47.67%,农地生产活动是江苏省种植业主要碳排放源。从县域尺度(图3)看,2020年江苏省77个县域种植业碳排放量差异显著,碳排放量最高的沭阳县(38.06万t)是最低的南通市市辖区(1.00万t)的38.06倍,空间分布总体呈现出苏北(129.98万t)>苏中(78.33万t)>苏南(27.22万t)的格局。

图3 2020年江苏省县域种植业碳排放量、碳汇量、净碳汇量及净碳汇强度分布Fig.3 Distribution of carbon sink, carbon emission, net carbon sink and net carbon sink intensity of planting industry of counties in Jiangsu in 2020

3.1.2种植业碳汇量、净碳汇量与净碳汇强度的空间分布格局

由表4可知,2020年江苏省种植业碳汇量达5 646.31万t,其中粮食作物碳汇量是最主要的碳汇来源,占碳汇总量的89.45%,园艺作物与经济作物碳汇量分别占7.77%与2.78%,种植业净碳汇量达4 625.31万t,表明江苏省种植业具有较强的碳汇功能。从县域尺度(图3)看,碳汇量与净碳汇量也存在着较大的地区差异,碳汇量最高的沭阳县(194.47万t)是最低的吴中区(3.48万t)的55.88倍,净碳汇量最高的沭阳县(156.41万t)是最低的无锡市市辖区(1.38万t)的113.34倍,高碳汇量、净碳汇量县域主要分布在苏北、苏中地区,低碳汇量、净碳汇量县域主要分布在苏南地区,总体上也呈现出苏北>苏中>苏南的分布格局。结合碳排放量来看,江苏省各县域基本保持着高碳排放、高碳汇与高净碳汇相统一,低碳排放、低碳汇与低净碳汇相统一的一致性特征。

在净碳汇强度(图3)方面,净碳汇强度最高的金湖县(8.02 t·hm-2)是最低的无锡市市辖区(1.06 t·hm-2)的7.86倍,各县域之间差异依旧明显,整体上依然呈现苏北(6.54 t·hm-2)>苏中(6.35 t·hm-2)>苏南(4.99 t·hm-2)的分布格局。值得关注的是,相较于净碳汇量,3个区域净碳汇强度之间的差距明显缩小,且净碳汇强度高值区有向南移动的趋势,当前高净碳汇强度的县域主要分布在苏北与苏中地区的交界处。此外,高净碳汇强度的县域还表现出明显的集聚特征(金湖县、淮安区、宝应县、洪泽县、高邮市),说明地区净碳汇强度存在着辐射扩散的溢出态势。

3.2 江苏省现代农业园区碳汇强度测算比较

由表5可知,在92家农业园区中,粮油-蔬菜作物主导型园区数量最多(27家),占总园区数量的29%;多类作物主导型园区数量最少,仅有2家。园区农作物种植面积上,蔬菜作物主导型园区平均种植面积最大,达0.45万hm2,粮油-花果作物主导型、蔬菜-花果作物主导型与多类作物主导型园区平均种植面积较小,均为0.33万hm2。从园区农作物碳汇量来看,粮油作物主导型园区的平均碳汇量最大,为3.86万t;蔬菜作物主导型园区平均碳汇量最小,为1.21万t。

表5 2020年江苏省7类现代农业园区碳汇状况

基于上述园区碳汇及种植面积测算各类园区碳汇强度,发现碳汇强度由大到小依次为粮油作物主导型园区>粮油-花果作物主导型园区>粮油-蔬菜作物主导型园区>花果作物主导型园区>多类作物主导型园区>蔬菜-花果作物主导型园区>蔬菜作物主导型园区,其中碳汇强度最高的粮油作物主导型园区是最低的蔬菜作物主导型园区的3.71倍。当园区主导产业作物类型在2类及以上时,粮油作物的种植面积是影响园区碳汇强度的重要因素,通常以粮油作物作为主导产业的园区粮油种植面积占比较大,进而导致此类园区碳汇强度较大。

3.3 江苏省园区建设规模与种植业净碳汇强度的空间自相关分析

3.3.1全局空间自相关分析

为了探究现代农业园区建设与地区净碳汇效应之间的空间相关性,利用GeoDa 1.18空间分析软件计算2020年江苏省园区建设规模与地区净碳汇强度的全局空间自相关指数Moran′sI值。结果表明,2020年江苏省园区建设规模与地区净碳汇强度双变量全局Moran′sI值为-0.228,Z值为-3.70,且P<0.01,说明园区建设规模与地区净碳汇强度呈显著空间负相关关系,当前园区建设规模的提升会造成地区净碳汇强度的降低。

3.3.2局部空间自相关分析

在Z检验的基础上绘制双变量局部空间自相关LISA聚集图(图4),分析县域尺度下园区建设规模与其邻域净碳汇强度的空间关联模式。

图4 园区建设规模与地区净碳汇强度的双变量LISA聚集图Fig.4 Bivariate LISA aggregation diagram of agricultural parks construction scale and regional net carbon sink intensity

园区建设规模与地区净碳汇强度的局部空间格局总体上呈现低-高集聚连片分布,低-低、高-高和高-低集聚分散分布的特征。具体局部空间格局分为以下4类:(1)低-高集聚区位于泗洪县、洪泽县、金湖县等9个地区。该类地区分布在苏北与苏中,均为农业发展优势区域,自身净碳汇能力强,平均净碳汇强度达7.15 t·hm-2,园区建设规模较小,平均建设规模占比仅2.71%。(2)高-低集聚区位于南京市江宁区、丹阳市、常熟市等5个地区。该类地区主要分布在苏南,受限于自然资源条件,农业生产对各项农业要素投入依赖较大,净碳汇能力有限,平均净碳汇强度仅4.32 t·hm-2,而园区建设在引领农业生产方式转变的同时,也带来了高产量与高收益,因此园区建设规模大,平均建设规模占比达16.73%。(3)低-低集聚区位于南京市六合区与溧阳市。该类地区园区净碳汇能力相对较弱,平均净碳汇强度为6.06 t·hm-2,园区建设规模相对较小,平均建设规模占比为3.72%。(4)高-高集聚区位于盱眙县、宝应县与泗阳县。该类地区净碳汇能力强,平均净碳汇强度达7.22 t·hm-2,园区建设规模大,平均建设规模占比达11.45%。值得关注的是,三地均建设有国家级农业园,国家级农业园是园区建设发展的高阶形态,相较于常规园区,其建设水平较高、规模较大,对园区农业绿色发展也有着更高的要求。

4 讨论

2020年江苏省各县域种植业净碳汇量为正值,呈现出碳生态盈余状态,能补充部分工业和其他行业的碳生态赤字,这与翁翎燕等[13]、许萍萍等[33]的研究结果较为一致。在碳排放方面,农地生产活动依旧是江苏省种植业的主要碳排放源,但随着江苏省化肥减量增效行动、节水灌溉等一系列减排措施的推广应用,其比重正在逐年下降。此外,江苏省碳排放量大的县多为农业大县,多位于苏北平原且农作物种植面积广,说明碳排放大小与与地形条件关系密切,这与朱永彬等[35]的研究较为相符。在碳汇方面,受限于耕地面积减少、产业结构调整,苏南地区碳汇与净碳汇量显著低于苏中与苏北地区[21]。但近年来受农作物单产提升的影响,苏南地区净碳汇强度与苏中、苏北地区相比差距均明显缩小,2000—2020年苏南地区粮食作物单产由5 368.78 kg·hm-2提高到7 362.74 kg·hm-2[13]。目前,净碳汇强度高值区主要集中在苏北和苏中交界处且有南移趋势,可能是由于国家对粮食安全问题的重视,以及苏中地区自身经济、科技发展的辐射带动,当地农业生产水平不断提升,逐步成为江苏省重要的粮食产地,而苏北地区相对粗放的农业生产管理模式以及较低的农业科技投入限制了其净碳汇强度的进一步提升。综合而言,当前江苏省种植业碳排放量、碳汇量、净碳汇量与净碳汇强度均呈现出苏北>苏中>苏南的空间格局,并且不同县域之间差异显著。因此,为更好地实现种植业绿色低碳转型,要依据各地区实际状况,因地制宜地调整农业生产方式,提升农业生态价值。

现代农业园区对区域农业生产方式转型有重要的示范、带动和辐射作用。从园区建设类型来看,不同类型园区碳汇强度差异较大,究其原因主要是受到了作物种类及其碳吸收能力、单产以及园区种植结构的影响,其中园区粮油作物种植比重的增加能显著提升园区碳汇强度,说明优化作物种植结构,在满足自身粮食需求前提下增加高效益、高碳汇作物种植规模,是实现园区乃至地区种植业减排固碳的有效手段[10,34]。

相较于传统的农业生产方式,园区生产通常以机械化、规模化为主[19],但随着农业机械的大规模使用,柴油、石油等化石燃料消耗加剧,碳排放增加[10]。园区主导产业作物类型复杂多样,实际来看,园区通常有着较高的非粮作物占比,而相较于粮食作物,非粮作物的碳吸收能力更弱,进而带来园区碳汇的降低。综合而言,园区内现代化的农业生产方式极大改善了农业生产效率,提高了产量,园区特色作物的种植带来了可观的经济收益[6],但化石燃料的加剧消耗以及园区作物碳吸收能力弱等带来的高碳排放、低碳汇也是不可规避的现实问题。与此同时,良好的园区建设水平能促进地区净碳汇强度的正向提升,高建设水平园区能通过自身高建设要求、高科技水平、高管理模式等实现对地区农业绿色低碳发展的示范推动[6]。

该研究尝试性剖析了现代农业园区建设对地区净碳汇强度的影响及其响应规律,为未来江苏省现代农业园区绿色发展以及地区种植业减排固碳提供了可行的研究思路与路径。在参照IPCC和众多学者研究成果的基础上,测算了县域尺度下江苏省种植业碳排放量、碳汇量,但区域作物品种、生长状况以及碳排放源等存在差异,未来研究需进一步确定不同地区碳排放、碳吸收系数以精确核算区域碳排放量、碳汇量。此外,受限于现代农业园区统计资料的可获得性,笔者仅计算了园区内作物的碳汇量,并未对园区碳排放量进行核算,未来研究需扎根到具体园区,从更为精确的视角细致地剖析园区建设对地区碳排放的影响。

5 结论与建议

2020年,江苏省种植业表现出较强的碳汇功能。碳排放量、碳汇量、净碳汇量与净碳汇强度虽呈现苏北>苏中>苏南的特征,但不同县域之间差异较大,因此为实现地区种植业绿色低碳转型,需因地制宜地调整农业生产方式。受粮油作物影响,江苏省现代农业园区碳汇强度表现为粮油作物主导型园区>粮油-花果作物主导型园区>粮油-蔬菜作物主导型园区>花果作物主导型园区>多类作物主导型园区>蔬菜-花果作物主导型园区>蔬菜作物主导型园区,说明优化作物种植结构能够作为园区乃至地区种植业减排固碳的有效手段。园区建设规模与地区净碳汇强度在局部空间格局上呈现低-高集聚连片分布,低-低、高-高和高-低集聚分散分布的特征;在全局空间格局上呈现显著的空间负相关关系,表明园区建设规模的提升会造成地区净碳汇强度的降低;但与此同时,建设高水平园区也能实现园区建设对地区净碳汇强度的正向推动。

从现代农业园区对地区农业示范带动的角度出发,根据江苏省种植业碳源、汇与现代农业园区建设现状,提出如下建议:(1)坚持现代农业园区农业绿色发展路径,建设高标准农田,引用节水灌溉、水肥一体化等高效灌溉技术,推动园区生产低碳化与绿色化。(2)优化现代农业园区作物种植结构,选育环境友好的优良作物品种,构建作物种植碳补偿机制,对选育高碳汇作物品种的主体给予补偿与奖励。(3)提升现代农业园区建设质量,以国家级农业园为建设标准,提高园区科技、管理、制度等建设水平,示范带动区域农业绿色低碳发展。(4)建立完善的现代农业园区碳排放监督体系,将园区碳排放作为考核与验收标准,加强对园区碳排放的跟踪监测与评价。