西部大开发地区种植业净碳汇时空格局及驱动因素

引用本文

汤李琛, 李洁, 陈慧, 陈宓, 曾贤刚, 张仲元. 西部大开发地区种植业净碳汇时空格局及驱动因素[J]. 环境科学, 2025, 46(8): 4850-4863.

TANG Li-chen, LI Jie, CHEN Hui, CHEN Mi, ZENG Xian-gang, ZHANG Zhong-yuan. Spatial-temporal Patterns and Driving Factors of Net Carbon Sink in Planting Industry in the West China Development Area[J]. Environmental Science, 2025, 46(8): 4850-4863.

西部大开发地区种植业净碳汇时空格局及驱动因素

汤李琛¹, 李洁¹, 陈慧², 陈宓³, 曾贤刚¹, 张仲元⁴

1. 中国人民大学生态环境学院，北京 100872;
2. 湖北大学商学院，武汉 430062;
3. 中国人民大学人口与健康学院，北京 100872;
4. 中国人民大学经济学院，北京 100872

收稿日期: 2024-07-18; 修订日期: 2024-09-24

基金项目: 国家社会科学基金项目（18&ZD048）；中央高校建设一流大学（学科）和特色发展引导专项（21XNL006）

作者简介: 汤李琛（1998~），男，博士研究生，主要研究方向为农业环境与可持续发展，E-mail：tanglichen2352@163.com

通信作者: 陈宓, E-mail：m18811641259@163.com; 曾贤刚, E-mail：zengxg@ruc.edu.cn

摘要: 在测算2001~2022年西部大开发地区种植业净碳汇时空格局变化的基础上，运用GBR模型揭示其关键驱动因素及非线性响应机制. 结果表明：①考察期内，西部大开发地区种植业净碳汇量（以C计）呈现上升态势，但增速逐渐放缓，由2001年的12 564.13万t增至2022年的21 910.61万t. ②种植业净碳汇量高值地区以西南地区省份为主，处于净碳汇量高值区间的省份数量持续上升，并呈现少数集聚转为大范围集聚的扩大趋势. 种植业净碳汇强度存在明显空间集聚和非均衡特征，在考察期内所有省份净碳汇强度逐步下降. ③产业结构因素对种植业净碳汇呈现“倒U型”关系，农业生产结构、农业受灾率、城乡收入差距及城镇化率因素具有波动的抑制作用，其他因素呈现显著的促进作用. 在不同时期，农田灌溉条件及农业机械化水平因素的重要性较为突出.

关键词: 西部大开发地区种植业净碳汇时空格局驱动因素 GBR模型

Spatial-temporal Patterns and Driving Factors of Net Carbon Sink in Planting Industry in the West China Development Area

TANG Li-chen¹ , LI Jie¹ , CHEN Hui² , CHEN Mi³ , ZENG Xian-gang¹ , ZHANG Zhong-yuan⁴

1. School of Ecology & Environment, Renmin University of China, Beijing 100872, China;
2. Business School, Hubei University, Wuhan 430062, China;
3. School of Population and Health, Renmin University of China, Beijing 100872, China;
4. School of Economics, Renmin University of China, Beijing 100872, China

Abstract: On the basis of calculating the spatiotemporal pattern changes of net carbon sink in the planting industry in the West China Development Area from 2001 to 2022, the GBR model was used to reveal its key driving factors and nonlinear response mechanisms. The results showed that: ① During the inspection period, the net carbon sink of the planting industry in the West China Development Area (calculated as C) showed an upward trend, but the growth rate gradually slowed, increasing from 125.641 3 million tons in 2001 to 219.106 1 million tons in 2022. ② The high value areas of net carbon sink in the planting industry were mainly in the southwest region, and the number of provinces in the high value range of net carbon sink continued to increase, showing an expanding trend from a few clusters to large-scale clusters. The net carbon sink intensity of planting industry exhibited obvious spatial agglomeration and non-equilibrium characteristics, and the net carbon sink intensity of all provinces gradually decreased during the inspection period. ③ The industrial structure factor had an inverted U-shaped relationship with the net carbon sink of the planting industry. The agricultural production structure, agricultural disaster rate, urban-rural income gap, and urbanization rate factors had a fluctuating inhibitory effect, while other factors had a significant promoting effect. At different periods, the importance of farmland irrigation condition and agricultural mechanization level factors were prominent.

Key words: West China Development Area planting industry net carbon sink spatial-temporal patterns driving factors GBR model

在2024年新时代推动西部大开发座谈会上，党中央与时俱进地提出“进一步形成大保护、大开放、高质量发展新格局”的时代要求，指出“推进西部大开发形成新格局，需提升区域整体实力和可持续发展能力，加快推动发展方式绿色低碳转型，因地制宜发展新质生产力，积极稳妥推进碳达峰碳中和”. 与其他减排活动相比，农业兼具碳源和碳汇双重属性，不仅有助于减轻碳排放的负面影响，还可以充分利用作物的固碳功能^[1，2]，是唯一可以在短期内产生净碳汇的国民经济部门. 然而，作为中国生态安全屏障的关键区域，西部大开发地区在农业现代化方面尚处于较低水平. 而低碳绿色农业，不仅是现代农业发展的主导方向，更是推进农业高质量发展的核心要素^[3]. 因此，围绕农业低碳绿色发展、释放农业减排增汇潜力成为西部大开发地区新格局下探索生态优先、绿色发展道路的重要课题. 基于此，本文以种植业生产部门作为考察载体，考虑种植业碳吸收与碳排放的双重效应，研究种植业净碳汇的时空格局及驱动因素，以此对种植业的高质量发展和西部大开发地区“双碳”目标的早日实现具有重要意义.

在种植业净碳汇研究领域，学界围绕3个主题展开讨论：①净碳汇的测算方式，包括碳源和碳汇2类. 在碳源方面，大多包括耕地生产活动（化肥、农药、农膜、翻耕、灌溉和柴油）的碳排放、稻田种植的碳排放（甲烷排放）和农田土壤的碳排放（土壤作物固氮）^[4~6]；在此基础上，也有少数学者从生命周期角度计算种植业的碳排放，采用因子相结合的方式将秸秆焚烧纳入种植业的碳排放核算体系^[7]. 在碳汇方面，现有研究较多将农作物碳吸收作为碳汇计算的主体部分，并在上述碳排放因子的基础上测算种植业的净碳汇^[8]. ②净碳汇的时空格局，在对碳排放和碳吸收进行测算的基础上，部分学者基于国家视角将全国划分为东、中、西这3个区域来讨论净碳汇的区域异质性^[9]，或是根据《国家粮食安全中长期规划纲要（2008-2020）》，将全国划分为粮食主产区、粮食主销区和产销平衡区，对各粮食生产功能区的净碳汇进行细分考察^[10]. 随着研究的细化，也有学者聚焦于某个区域、省（区、市），如研究长江经济带^[11]、黄河流域^[12]和东北地区^[13]，或是河南省^[14]和贵州省^[15]等省份. ③净碳汇的驱动因素，常采用因子探测模型^[16]、空间计量模型^[17]、STIRPAT模型^[18]和LMDI模型^[19]等研究方法，驱动因素多从农业资源^[20]、社会经济^[21]和自然环境^[22]这3个角度进行选取，此外种植业净碳汇还受科技发展水平^[23]等的影响.

综合来看，当前研究成果为全面了解种植业净碳汇提供坚实的理论支撑，为种植业实现“双碳”目标提供重要的现实基础，但仍存在不足之处：①现有研究关于种植业碳排放测算的精度欠缺，随着国家秸秆焚烧禁令的加强，影响秸秆焚烧的各类因素都存在较大改变，利用以往研究中的因子相结合方式估算的碳排放会产生较大偏差，从而制约秸秆焚烧纳入碳排放分析框架. ②目前研究中只在国家层面进行西部大开发地区与其他区域的比较分析，缺乏对西部大开发地区的针对性研究，无法对西部大开发地区种植业净碳汇的格局变化进行科学把握，从而也无法在新格局下促成西部大开发的减排增汇目标. ③由于研究方法的局限性，目前已有的计量研究主要显示出线性响应的影响路径，考虑到种植业净碳汇与其影响因素之间的复杂性，两者之间是否具有非线性响应关系值得进一步探索和研究.

因此，本文旨在弥补现有研究的不足，通过以下2个方面进行拓展：①基于已有研究，本文使用生命周期法从农用物资、水稻种植、土壤管理和秸秆焚烧这4个方面计算西部大开发地区种植业的碳排放. 其中，秸秆焚烧方面的数据是以多源卫星监测火点融合方法为基础，并综合考虑秸秆露天焚烧排放的动态表现计算得出，分析结果更为真实可信. 考虑到西部开发办于2000年3月正式开始运作，本文选择2001~2022年为研究区间，全面考察西部大开发地区种植业净碳汇的发展状况. ②本文构造评估西部大开发地区种植业净碳汇的评价指标体系，包括经济因素、科技因素、自然因素、人口因素和生活因素共5个维度，在此基础上进行关键变量的初步筛选，进而采用梯度提升回归模型（gradient boosting regression，GBR）精准识别关键变量. 相较于其他的机器学习模型，GBR模型在捕获变量之间的复杂互动和非线性机制中表现出色，但其应用于种植业碳效应的研究几乎没有. 基于此，本文通过运用GBR模型，旨在精准识别影响西部大开发地区种植业净碳汇的关键驱动因素，以期为推动该地区种植业减排固碳和达成“双碳”目标提供科学的策略和参考.

1 材料与方法 1.1 研究方法 1.1.1 种植业碳排放量测算

种植业碳排放即为种植业直接或间接导致的温室气体排放，本文采用生命周期评价方法计算种植业的碳排放，主要涵盖农用物资、稻田种植、土壤管理和秸秆焚烧这4个方面^[24，25]，产生的温室气体主要包括CO₂、CH₄和N₂O，考虑到不同种类的温室气体，为了方便计算和分析，本文将CH₄和N₂O按照其全球增温潜势进行折算^[26]，之后统一折算成标准碳，以便进行后续的分析和比较. 种植业碳源所产生的碳排放测算过程如下.

第1类排放源是农用物资，涵盖化肥、农药、农膜、柴油和灌溉用电，计算过程如式（1）.

$ \mathrm{CE}_{\text {material }}=\sum \sum h_{i m} \delta_m $

(1)

式中， $C E_{m a t e r i a l}$ 为农用物资的碳排放量； $h_{i m}$ 为省份 $i$ 因子 $m$ 的活动数据； $δ_{m}$ 为因子 $m$ 的碳排放系数. 系数赋值参考李波等^[27]和段华平等^[28]的相关研究.

第2类排放源是稻田种植，计算过程见式（2）.

$ \mathrm{CH}_{\text {4rice }}=\sum S_i \times \alpha_i $

(2)

式中， $C H_{4 r i c e}$ 为稻田的CH₄排放量； $S_{i}$ 为省份 $i$ 的水稻种植面积； $α_{i}$ 为省份 $i$ 水稻生长周期内的CH₄排放系数，本文选用闵继胜等^[29]所测算出的各省份水稻生长周期内的CH₄排放系数.

第3类排放源是土壤管理，在进行旱地生态系统的N₂O排放测算时，需要分别考虑土壤本底N₂O排放和肥料N₂O排放^[30]，考虑到在农用物资部分已经计算化肥的碳排放，因此在农田氮氧化物排放的测算中，仅需要考虑土壤本底N₂O排放的部分，具体见式（3）.

$ \mathrm{N}_2 \mathrm{O}_{\text {crop }}=\sum \sum A_{i k} \times \beta_k $

(3)

式中， $N_{2} O_{c r o p}$ 为农作物生产的N₂O排放量； $A_{i k}$ 为省份 $i$ 第 $k$ 种农作物的播种面积； $β_{k}$ 为第 $k$ 种农作物的本底N₂O排放系数，选用相关研究所测算出的结果^[29].

第4类排放源是秸秆焚烧，所采用的方法是融合火点辐射功率（fire radiative power，FRP），数据来源于MODIS、VIIRS以及Himawari-8监测产品的信息. 在此过程中，首先，排除置信度较低的卫星火点数据. 其次，将西部大开发地区各省份各年份的火点数据、土地利用数据和行政界线叠加，得到研究区耕地上的火点数据，提取位于耕地处秸秆露天焚烧引起的火点. 接着，将这些火点在2 km×2 km的空间尺度和1h的时间尺度进行匹配. 最后，当多套卫星监测的火点重叠时，保留空间分辨率更高的火点进行逐个网格的FRP数据融合，空间分辨率由高至低的卫星依次是VIIRS、MODIS和Himawari-8. 通过整合这3种卫星数据中的火点信息，可以扩大对秸秆露天焚烧活动的监测范围，并补充单一MODIS数据未能捕捉到的火点，进而更精确地实时监控秸秆露天焚烧情况，详细融合方法如式（4）所示.

$ \mathrm{FRP}_{\text {fured }}=w_1 \times \mathrm{FRP}_{\mathrm{H}}+w_2 \times \mathrm{FRP}_{\mathrm{M}}+w_3 \times \mathrm{FRP}_{\mathrm{V}} $

(4)

式中，所述的基于网格的融合火点 $F R P_{f u s e d}$ 是通过综合 $F R P_{H}$ （Himawari-8）、 $F R P_{M}$ （MODIS）和 $F R P_{V}$ （VIIRS）卫星监测到的火点数据而得；融合过程中使用的 $w_{1}$ 、 $w_{2}$ 和 $w_{3}$ 的权重分别对应于Himawari-8、MODIS和VIIRS. 具体而言，若Himawari-8的FRP值大于0，且MODIS和VIIRS的FRP值均为0，则权重 $w_{1} = 1$ 、 $w_{2} = 0$ 和 $w_{3} = 0$ ；若MODIS的FRP值大于0且VIIRS的FRP值为0，则权重 $w_{1} = 0$ 、 $w_{2} = 1$ 和 $w_{3} = 0$ ；若VIIRS的FRP值大于0，则权重 $w_{1} = 0$ 、 $w_{2} = 0$ 和 $w_{3} = 1$ .

依据2001~2022年间多源卫星观测到的火点数据，参照Xu等^[31]的研究，通过分析生物质燃烧的周期性及FRP的变化趋势来拟合FRP的变化曲线. 该研究以秸秆露天焚烧产生的辐射能量（fire radiative energy，FRE）作为活动强度的指标，并将融合后的火点FRP数据进行积分处理，具体计算见式（5）.

$ \operatorname{FRE}_H=\int_H^{H+1} \operatorname{FRP}(t) \mathrm{d} t $

(5)

本研究构建基于长时间序列自下而上的秸秆露天焚烧排放清单，并建立秸秆露天焚烧碳排放与火点FRE之间的统计联系，通过结合融合火点FRE和区域化的秸秆露天焚烧碳排放系数实现碳排放的估算，具体方法见式（6）.

$ \mathrm{EI}_{\text {straw }}=\sum \sum \mathrm{FRE}_{\mathrm{g}} \times \mathrm{EC}_i $

(6)

式中， $E I_{s t r a w}$ 为秸秆露天焚烧的碳排放量； $F R E_{g}$ 为网格 $g$ 内融合火点辐射能； $E C_{i}$ 为省份 $i$ 秸秆露天焚烧的碳排放系数，参考刘慧琳等^[32]所测算出的结果.

1.1.2 种植业碳吸收量测算

本文采取如下测算方程估算种植业的固碳情况：

$ \mathrm{CA}=\sum \sum \mathrm{CA}_{i k}=\sum \sum c_k \times Y_{i k} \times\left(1-r_k\right) / \mathrm{HI}_k $

(7)

式中， $C A$ 为农作物碳吸收总量； $C A_{i k}$ 为省份 $i$ 农作物 $k$ 的碳吸收量； $c_{k}$ 为农作物 $k$ 通过光合作用合成单位有机质所需要吸收的碳； $Y_{i k}$ 为省份 $i$ 农作物 $k$ 的经济产量； $r_{k}$ 为农作物 $k$ 的平均含水量； $H I_{k}$ 为农作物 $k$ 的经济系数. 各类农作物的碳吸收率与经济系数主要引自文献[33~36]，详见表 1.

表 1 主要农作物经济系数与碳吸收率 Table 1 Economic coefficient and carbon absorption rate of major crops in China

1.1.3 种植业净碳汇量测算

本文选择净碳汇作为衡量种植业碳吸收与碳排放之间关系的指标. 净碳汇量是碳吸收量与碳排放量的差值，能够综合反映碳吸收量与碳排放量之间的平衡关系. 计算过程如下：

$ \mathrm{NCS}=\sum \mathrm{NCS}_i=\sum\left(\mathrm{CA}_i-\mathrm{CE}_i\right) $

(8)

式中， $N C S$ 为总的种植业净碳汇量； $N C S_{i}$ 为省份 $i$ 的种植业净碳汇量； $C A_{i}$ 为省份 $i$ 的种植业碳吸收量； $C E_{i}$ 为省份 $i$ 的种植业碳排放量. 当 $N C S_{i} > 0$ 时，代表该省份种植业为碳盈状态；当 $N C S_{i} < 0$ 时，代表该省份种植业为碳亏状态；当 $N C S_{i} = 0$ 时，代表该省份种植业碳吸收量与碳排放量相等，即碳中和.

1.1.4 种植业净碳汇强度测算

本文对种植业净碳汇强度进行测算，具体见下式：

$ \mathrm{NCSI}_i=\mathrm{NCS}_i / \mathrm{GDP}_i $

(9)

式中， $N C S I_{i}$ 为省份 $i$ 的种植业净碳汇强度； $N C S_{i}$ 为省份 $i$ 的种植业净碳汇量； $G D P_{i}$ 为省份 $i$ 的种植业经济产值.

1.1.5 驱动因素评估方法

变量筛选. 本文初步选取的解释变量较多，首先需要对解释变量进行筛选和分析，在进行变量筛选时，考虑到种植业净碳汇与解释变量之间的关系并非都是线性关系，因此，引入Spearman等级相关系数，为后续的模型构建提供更为稳健的变量选择依据^[37]. 首先对变量间的Spearman相关系数进行显著性检验，保留通过t检验（P值小于0.1）的驱动因素，删除未通过显著性检验的解释变量. 接下来，为消除多重共线性的影响，计算各解释变量之间的方差膨胀系数（variance inflation factor，VIF），如果 $V I F > 10$ ，说明存在多重共线性的问题，剔除掉 $V I F > 10$ 所对应的解释变量^[38].

模型选择. GBR模型，即梯度提升回归模型，是一种基于集成学习技术的机器学习方法，旨在通过串行生成多个弱学习器，最终组合成一个强学习器. 每个新的弱学习器都是基于先前模型残差（即预测错误）进行训练，逐步减少误差，从而提高整体模型的准确性. 同时，GBR能够对特征的重要性进行评估，有助于理解哪些特征在模型中起到关键作用^[39]. 基于此，本文利用Python构建GBR模型，对解释变量的相对重要性进行量化评估，并精准识别影响种植业净碳汇的关键驱动因素，旨在揭示关键因素与种植业净碳汇之间的复杂相互作用机制.

1.2 变量选择 1.2.1 被解释变量

种植业净碳汇量（NCS），作为评估地区减排增汇成效的关键指标，能够综合反映碳吸收量与碳排放量之间的平衡关系.

1.2.2 解释变量

解释变量X_i 包含17个指标. 参考相关研究^[40~42]，将种植业净碳汇的驱动因素归纳为：经济因素、科技因素、自然因素、人口因素和生活因素这5个层面. 其中，经济因素反映对种植业净碳汇的外部影响，而其他4个层面则代表要素投入的内部影响.

经济因素：地区经济发展水平（RED），以人均地区生产总值衡量；农业经济发展水平（AED），以农业总产值与农村地区总人口的比值衡量；产业结构（IS），以农业生产总值占GDP的比例反映农业的贡献度；政府财政投入（GFI），以农林水事务支出与地方一般公共预算支出的比值表示.

科技因素：农业机械化水平（AM），以农业机械总动力与农作物播种面积比值测度农业机械化程度；个体技术水平（IT），以农村劳动力平均受教育年限表示；科技创新水平（TI），以国际专利分类表A01类中包括农作物生产相关的发明专利和实用新型专利的申请总量来衡量科技创新水平.

自然因素：农业生产结构（APS），以粮食播种面积占农作物总播种面积的比例表示；粮食单产（GYPH），以粮食总产量与粮食播种面积比值表示；水土治理水平（SWC），以水土治理面积衡量；农田灌溉条件（FI），以农田有效灌溉面积衡量；农业受灾率（ADR），以农业受灾面积占农作物总播种面积的比例反映农业风险水平.

人口因素：农业劳动力（AI），以第一产业从业人数反映人力资源投入量；城镇化率（UR），以城镇人口占总人口的比例表示城镇化水平.

生活因素：农村居民收入水平（RRI），以农村居民人均可支配收入表示；农村居民消费水平（RRE），以农村居民人均消费支出衡量；城乡收入差距（URIG），以城镇居民人均可支配收入与农村居民人均可支配收入的比值衡量.

1.3 数据来源

本文研究区域为西部大开发地区12个省、市以及自治区，数据的时间范围为2001~2022年. 本研究秸秆焚烧碳排放测算使用的MODIS和VIIRS火点数据来源于NASAFIRMS系统，Himawari-8火点数据来源于日本气象局（JMA）在JAXA的P-Tree数据服务网站，本文所需的其他数据均来自于研究年份的《中国统计年鉴》《中国农村统计年鉴》《中国农村统计资料》《中国科技统计年鉴》《中国人口和就业统计年鉴》.

2 结果与讨论 2.1 种植业净碳汇时空特征分析 2.1.1 种植业净碳汇的时序演化分析

根据图 1所示，在考察期内，西部大开发地区的种植业净碳汇量（以C计，下同）整体呈现上升趋势，但增速有所放缓，从2001年的12 564.13万t增加到2022年的21 910.61万t，增长74.39%，年均递增率为2.68%. 具体来看，碳排放量从2001年的2 337.29万t上升到2022年的3 477.02万t，增长48.76%，年均递增率为2.57%；碳吸收量也有所增加，从2001年的14 901.42万t增至2022年的25 387.63万t，增汇70.37%，年均递增率为1.91%；此外，碳吸收与碳排放的比值在6.30~7.30之间波动，这说明西部大开发地区通过种植业活动产生的碳汇是其碳排放的6倍以上. 在考察期内，西部大开发地区的种植业碳排放量已基本达到峰值并且趋于稳定，这主要得益于生态文明建设的推进和美丽中国建设的需要，西部大开发地区种植业向生态友好发展转型取得显著成效. 这些成果不仅有助于减缓气候变化，也为地区的可持续发展提供重要支撑.

图 1 2001~2022年种植业净碳汇总量与结构变化 Fig. 1 Total and structural changes of net carbon sink in planting industry from 2001 to 2022

根据图 2所示，2001~2022年间，西部大开发地区种植业碳排放量经历波动性变化，整体呈现出先上升后下降的趋势. 具体来看，可分为两个不同阶段：上升期（2001~2016年）以及下降期（2016~2022年）. 在第一阶段，种植业碳排放量进入逐年增长的阶段，不过增速由快变缓，且在2016年实现碳达峰的目标，峰值为3 728.70万t，增长幅度高达59.53%，该阶段内农用物资产生的碳排放占比超过80%，其变化轨迹是期间西部大开发地区种植业化学化和机械化程度不断加深的写照. 在第二阶段，由于对节能降碳概念的推广和高标准农田建设方案的制定实施，在种植业领域也表现出碳排放量下降的趋势. 尽管化肥农药减量和农机节能减排成效已有所显现，农用物资对碳排放的贡献仍位于各类碳源第一梯队. 22 a间，土壤管理和秸秆焚烧占比年际波动相对轻微，而稻田种植碳排放占比自15.12%降至7.90%，表明退耕还林的生态环境效益正逐渐显现.

图 2 2001~2022年种植业碳排放总量与结构占比 Fig. 2 Total and structural proportion of carbon emission in planting industry from 2001 to 2022

根据图 3所示，2001~2022年间，西部大开发地区种植业碳吸收量整体呈现出逐年上升的趋势，但近年来发展趋势逐渐放缓，种植业技术提升难度增加，新耕地面积有限，其生长周期内的碳汇未来增加潜力也较低. 分作物种类看，在计算的16类农作物中，农作物生长过程中碳吸收量主要来自于粮食作物，平均占比超过60%，而经济作物由于其产量低和种植面积小，碳吸收占比不超过40%. 西部大开发地区地形地势和气候土壤类型多样，在平原坝区种植小麦、水稻和玉米等主粮的同时，高原和山区适宜薯类、豆类和杂粮等作物的种植. 但受退耕还林、生态环境脆弱以及国土空间规划“三区三线”划定等因素的影响，西部大开发地区可供开发利用的耕地后备资源趋于匮乏，呈现“数量少、格局碎、布局散”的特点，因此需坚持科学规划、合理布局以及生态优先的原则，形成规模连片的耕地“储备库”，以此提高种植业碳吸收量.

图 3 2001~2022年种植业碳吸收总量与结构占比 Fig. 3 Total and structural proportion of carbon absorption in planting industry from 2001 to 2022

为深入探讨各省份种植业净碳汇的变化趋势，受篇幅所限，本文列出2001年、2006年、2011年、2016年和2022年净碳汇总量和强度（表 2）. 从净碳汇总量角度分析，广西、四川、新疆、内蒙古及云南的年均净碳汇量超过2 000万t，合计约占西部大开发地区总净碳汇量的4/5. 这些省份作为国内重要的农业生产基地和主要的碳汇贡献者，通过实施现代农业示范区建设和推广低碳现代技术等，在推进农业生产现代化与高效化过程中取得显著的减排和固碳效果. 从净碳汇变化量角度分析，除西藏外，其他省份的种植业逐渐从净碳汇量低值地区向高值地区转变，其中内蒙古和新疆增长最为迅速，增幅分别约为2.26倍和1.87倍，这为西部大开发地区实现“双碳”目标奠定坚实基础. 从净碳汇强度角度分析，西部大开发地区各省份的净碳汇强度普遍呈现下降趋势. 尽管多数省份的净碳汇量有所增加，但其增速未能赶上种植业生产总值的涨幅，导致净碳汇强度降低.

表 2 2001~2022年省域种植业净碳汇总量与强度变化 Table 2 Total and intensity changes in net carbon sink of provincial planting industry from 2001 to 2022

2.1.2 种植业净碳汇的空间演化分析

根据测算结果，2001~2022年期间，各省的种植业年均净碳汇量大约为1 745.57万t，其中最大值和最小值分别为5 108.40万t和38.71万t. 借鉴薛彩霞等^[8]的研究，本文将净碳汇量不足1 000万t的省份归为低碳盈余区，1 000~2 000万t的省份归为中碳盈余区，超过2 000万t的省份归为高碳盈余区；将净碳汇强度低于1.5万t·亿元^-1、1.5~3万t·亿元^-1以及超过3万t·亿元^-1，分别对应净碳汇劣势区、净碳汇改善区以及净碳汇优势区. 基于前述分类标准，分别绘制2001年和2022年西部大开发地区种植业净碳汇总量和净碳汇强度的空间分布（图 4）.

该图基于自然资源部审图号为GS（2023）2767的标准地图制作，底图无修改图 4 2001和2022年种植业净碳汇总量和净碳汇强度空间分布 Fig. 4 Spatial distribution of net carbon sink total and net carbon sink intensity in planting industry in 2001 and 2022

在种植业净碳汇量的空间分布上，高值地区以西南地区省份为主，一方面西南地区气候条件和耕地资源相对较好，发展农地种植业相对较易；另一方面，该地区持续投入种植科技研发，积极践行可持续发展原则并将其融入农田管理实践中，推动农业生产模式实现从高投入、高消耗和高污染向低成本、低污染和高产出的绿色转型^[43]. 总体来看，处于净碳汇高值区间的省份数量持续上升，其绝对水平整体也呈现增长趋势. 具体而言，2001年[图 4（a）]，仅广西和四川2省为高碳盈余区；到2022年[图 4（b）]，内蒙古、新疆和云南加入高碳盈余区行列. 高碳盈余区呈现少数集聚转为大范围集聚的扩大趋势，表明西部大开发地区种植业净碳汇正向高碳盈余区转型. 此外，从碳排放和碳吸收总量变化情况看，在西藏，碳排放的减少幅度超过碳吸收的增长幅度，导致其减排速度未能同步增汇速度，这与该地区的产业结构有着密切联系. 因此，在对净碳汇变化进行评估时，有必要将省份的经济发展状况纳入考虑范围，以便进行全面深入地分析.

在种植业净碳汇强度的空间分布上，西部大开发地区呈现出显著的空间集聚现象和非均衡特性. 从空间分布变化来看，2001年[图 4（c）]，内蒙古、广西、四川、贵州、云南、青海、宁夏和新疆为净碳汇优势区，重庆、陕西和甘肃为净碳汇改善区，西藏为净碳汇劣势区；而到2022年[图 4（d）]，所有省份净碳汇强度逐渐下降，除内蒙古为净碳汇改善区外，其余省（区、市）均为净碳汇劣势区. 究其原因：第一，伴随工业化和城市化进程的加速，城市建设用地扩张日益显著，导致原本位于城市周边的农田逐渐被纳入城市规划范畴，这直接引起种植业净碳汇强度的显著下降. 第二，西部大开发地区的生态环境相对脆弱且敏感，更易受到外界干扰的影响. 近年来，该地区频繁遭受洪涝等自然灾害的侵袭，土地退化严重，河道与湖库的水质也受到严重污染，自然灾害和环境问题不仅降低种植业的生产效率，还破坏土壤结构，进而削弱碳汇功能.

2.2 种植业净碳汇驱动因素分析 2.2.1 驱动因素筛选

根据图 5第1列所示，初步选取的解释变量中有16个变量通过显著性检验，说明与被解释变量具有强相关性. 其中农田灌溉条件（FI）与西部大开发地区种植业净碳汇相关性最高，说明该因素对净碳汇的影响最为显著. 有1个变量未通过显著性检验，即政府财政投入（GFI），说明与被解释变量相关性不强，可能的原因是，不同于农田灌溉条件（FI）等因素，该因素与种植业净碳汇之间的关系更为复杂，无法直接反映净碳汇.

***、**和*分别表示1%、5%和10%的显著性水平图 5 各变量相关性系数及显著性 Fig. 5 Correlation coefficients and significance of variables

为了减少解释变量之间多重共线性带来的影响，需要计算解释变量之间的相关性. 当VIF值大于10时，说明该解释变量具有共线性. 通过VIF检验：地区经济发展水平（RED）、农业经济发展水平（AED）、农村居民收入水平（RRI）以及农村居民消费水平（RRC）VIF值都大于10，表明这些解释变量存在共线性问题，不利于模型的训练. 因此本文最终选定产业结构（IS）、农业机械化水平（AM）、个体创新水平（IT）、科技创新水平（TI）、农业生产结构（APS）、水土治理水平（SWC）、粮食单产（GYPH）、农田灌溉条件（FI）、农业受灾率（ADR）、农业劳动力（AI）、城镇化率（UR）以及城乡收入差距（URIG）这12个解释变量作为模型的输入变量，种植业净碳汇（NCS）作为模型的输出变量.

2.2.2 GBR模型适用性检验

本文对2001~2022年所选取的输入变量标准化，按8∶2的比例随机划分出训练集和测试集，并通过设定固定随机值保证结果可复现. 训练集用以训练机器学习模型，即通过观察训练集中的样本数据来学习特征和模式，以便模型能够反映现实并进行预测；测试集用以评估机器学习模型的预测性能与泛化能力，通过比较测试集中的预测值和实际值，用以测试模型的准确性和性能. 为对比评估各机器学习模型预测结果的准确性，本文采用决定系数（squared correlation coefficient，R²）、平均绝对误差（mean absolute error，MAE）、均方根误差（root mean square error，RMSE）和平均绝对百分比误差（mean absolute percentage error，MAPE）作为评估指标. R²用以评估预测值与实际值之间的相关程度和偏差；MAE是绝对误差的平均值；RMSE是预测值与实际值之间残差的标准差；MAPE是预测值与真实值之间的百分比误差平均值. R²越大，MAE、RMSE和MAPE越低，说明模型的误差越小，预测效果越好. 本文选用极度梯度提升树模型（extreme gradient boosting，XGboost）、轻度梯度提升树模型（light gradient boosting machine，LightGBM）、随机森林模型、支持向量机模型以及GBR模型进行对比，具体的模型评估结果如表 3所示.

表 3 模型结果比较 Table 3 Comparison of model results

根据比较结果，GBR模型在种植业净碳汇预测方面表现较好，在训练集和测试集上取得较高的R²，同时具有较低的MAE、RMSE和MAPE；随机森林模型和LightGBM模型紧随其后；XGboost模型的结果也在可接受的范围内，但相比GBR模型、随机森林模型和LightGBM模型稍逊色；而支持向量机模型在训练集和测试集上的表现均未达到预期水平. 基于此，本文选用GBR模型. 考虑到GBR模型虽然可以显示预测变量对目标变量的整体影响程度，但无法解释预测变量的具体影响方式，而基于博弈论的用于解读模型输出的工具（shapley additive explanations，SHAP）显得尤为重要. SHAP值不仅衡量各个特征变量对整体预测结果的重要性，还考虑特征之间的相互作用，从而增强GBR模型的可解释性. 鉴于此，本文引入SHAP算法对研究区16个驱动因素进行重要性排序，量化各驱动因素对净碳汇变化的贡献大小，同时绘制偏依赖图展示各驱动因素对净碳汇的变化趋势. 三者相结合，不仅可以量化各驱动因素对净碳汇的贡献，还可以分析不同驱动因素对净碳汇的变化.

2.2.3 驱动因素响应分析

本文通过SHAP值评估解释变量的重要性，如图 6所示，从上到下的顺序表示解释变量对种植业净碳汇的重要程度排名，排序依次为：农田灌溉条件、农业机械化水平、个体创新水平、粮食单产、农业劳动力、水土治理水平、农业生产结构、农业受灾率、城乡收入差距、科技创新水平、城镇化率和产业结构. 为分析选取的驱动因素对净碳汇的作用方式，本文使用偏依赖图展现净碳汇与驱动因素之间的依赖关系. 从图 7中可以观察到，净碳汇与部分驱动因素之间存在明显的非线性关系.

图 6 净碳汇的关键驱动因素重要性排序 Fig. 6 Ranking of the importance of key driving factors on net carbon sink

图 7 关键驱动因素对种植业净碳汇的影响程度 Fig. 7 Impact of key driving factors on net carbon sink

农田灌溉条件：随着农田灌溉设施的进步，种植业的净碳汇贡献呈现出“升高-稳定”的动态演变[图 7（a）]. 根据刘天奇等^[44]的研究，微喷灌和滴灌相较于传统的大水漫灌，能显著降低水资源消耗和减少农田碳足迹. 因此，提升灌溉效率有利于直接提升西部大开发地区种植业净碳汇的整体效益.

农业机械化水平：随着农业机械化水平的提高，种植业净碳汇经历“升高-持续稳定”的变化走势[图 7（b）]. 西部大开发地区多地以农业机械化作为实施乡村振兴战略的重要支撑，以此转变种植业发展方式和提高农村生产力，实现农业农村现代化. 农业机械化可以改善农田的土壤透气性，增加土壤的通气孔隙和活动空间，从而提高土壤的通气性和透水性，有利于根系的吸收和发育. 此外，通过农机深耕和深松作业，能够改善土壤的营养条件，增加土壤的有机质含量和持水保肥能力，在保证作物生长所需的养分供给的同时，提高土壤质量和农田生态环境，使得种植业产出能力和固碳增汇能力得到提升^[45].

个体技术水平：个体技术水平对种植业净碳汇的影响呈“稳定-升高”的趋势[图 7（c）]. 随着西部大开发规划战略的提出，以工促农和以城带乡的长效机制逐步建立，形成一批新型农业经营大户，在一定程度上弥补西部大开发地区个体技术水平较低的缺陷，有效促进种植业生产方式的优化，有助于推广环保型种植实践，如有机耕作、精准农业和生态农业等，减少种植活动对环境的负面影响，实现可持续发展.

粮食单产：随着粮食单产提升，种植业净碳汇呈现“上升-稳定”的走向[图 7（d）]. 近年来，西部大开发地区四川和陕西等省份将提高粮食单产作为提高粮食生产安全的突破口，而粮食单产提高通常伴随着种植业生产效率的提升，包括更精确的水肥管理和病虫害防治，这些措施有助于减少化肥和农药的使用，同时可以避免因开垦新土地而释放土壤碳库存，共同推动西部大开发地区农作物生产过程中实现“减碳增产”的目标^[46].

农业劳动力：农业劳动力对种植业净碳汇呈稳定的正向影响效应[图 7（e）]. 随着土地流转机制的不断完善，西部大开发地区各类生产主体通过“小田并大田”方式来优化土地资源配置，以此实现规模经营，提高土地利用率. 同时，西部大开发地区还积极引导农业劳动力推行有机农业和农林复合系统等可持续的农业实践，提高土地利用效率和生态系统服务. 在上述背景下，西部大开发地区的种植业规模经营得到有效推进，为农业的可持续发展打下坚实的基础^[47].

水土治理水平：水土治理水平对种植业净碳汇的影响整体呈促进作用[图 7（f）]. 西部大开发地区通过实施一系列的生态保护工程，如“三北”工程，有效防止沙化和水土流失，由此促进土壤有机质的积累，改善土壤结构，提高土壤肥力. 这有利于作物生长，进而增加农田生态系统的碳吸收和储存. 需要注意的是，尽管水土治理水平的提升有利于增加碳吸收和存储，但由于各种内外因素的影响，净碳汇的增减并非单一方向变化的结果. 因此，为实现有效的净碳汇增加，需要综合考虑水土保持措施的设计、实施与监管，不断优化管理策略^[48].

农业生产结构：农业生产结构对种植业净碳汇呈现“稳定-下降-持续稳定”的趋向[图 7（g）]. 西部大开发地区不属于粮食作物的主要种植区，该地区自然气候条件不适宜粮食作物生长，但为保证粮食安全，导致在粮食生产过程中加大农用物资投入以此提高产量，造成该地区种植业较高的碳排放强度.

农业受灾率：随着农业受灾率的提高，种植业净碳汇呈现“下降-持续稳定”的变化趋势[图 7（h）]. 西部大开发地区地形复杂，气候多变，容易发生高温热潮、暴雨和旱灾等自然灾害. 这些灾害直接影响农作物的生长，从而降低农作物固碳的能力. 同时，受灾后的植被恢复是缓慢的过程，特别是在生态环境脆弱的西部大开发地区，在这期间碳汇能力难以得到有效提升.

城乡收入差距：城乡收入差距对种植业净碳汇呈现波动的下降趋势[图 7（i）]. 作为地区不均衡发展状态表征，城乡居民收入差距作用于地区资源错配，影响经济发展效率与区域环境质量. 西部大开发地区城乡收入差距与中部和东部地区相比存在差距，考察期内，城乡收入差距在西部大开发地区约为东部地区的1.34倍和中部地区的1.23倍，城乡收入差距问题在西部更为明显. 由于城乡居民环境保护的“成本-收益”存在不对等，“以环境换发展”模式在扩大资源错配中带来种植业碳排放强度增加^[49].

科技创新水平：科技创新水平对种植业净碳汇呈现“升高-稳定”的趋势[图 7（j）]. 依据科技推动资源合理分配理论，科技创新能够推动资源的节约使用和提升资源的使用效率，并拓宽可替代资源的范围^[50]. 首先，由于农业资源具有高度的不可移动性，通过智能化的监测和管理系统，科技能够更加有效地促进节约型的施肥、灌溉和农药使用，以及秸秆综合利用和机械翻压优化等方面；其次，科技能够引导绿肥种植和过腹还田等耕地的培肥和保护技术，最大程度地发挥土壤肥力，实现减排增汇的目的.

城镇化率：城镇化率对种植业净碳汇的影响呈“稳定-下降-持续稳定”的作用[图 7（k）]. 西部大开发地区农业劳动力流失较为严重，缺乏能够负担农业生产的劳动能力，因此，强度低和见效快的“化学农业”被大量引进到农业生产中，导致农业生产的碳排放总量增加. 另外，转入土地的纯农户，由于支付土地租金，需要更大的产量才能弥补成本的増加，所以会施用更多的化肥农药以增加边际产出，产生更多的碳排放^[51].

产业结构：产业结构对种植业净碳汇的影响呈“促进-抑制”的非线性趋势[图 7（l）]. 第一产业比例较低时，增加一产比例会采用更先进的种植技术和管理方法提升种植业生产效率，从而提高作物产量和固碳能力. 随着第一产业比例的增加，导致耕地面积的扩张，开垦新土地伴随着土壤中有机碳的氧化和排放，从而降低整体的碳汇能力^[52].

2.2.4 驱动因素演进分析

为深入分析关键驱动因素的演进规律，分别构建2001~2005年（“十五”）、2006~2010年（“十一五”）、2011~2015年（“十二五”）、2016~2020年（“十三五”）以及2021~2022年（“十四五”）这5个时间段的分样本进行重要性分析. 将所选取的驱动因素按照上述时间段进行划分并进行标准化处理，对每一时间段以8∶2的比例随机划分出训练集和测试集，并通过设定固定随机值保证结果可复现. 图 8结果表明，在不同时期，农田灌溉条件和农业机械化水平是影响西部大开发地区种植业净碳汇的关键因素，现代化的集成灌溉系统和农业机械设备可以实时监测农田环境和作物生长状况，为农户提供科学决策支持，优化农业生产过程，进一步减少资源浪费和环境污染并提升净碳汇.

图 8 分阶段驱动因素演变 Fig. 8 Evolution of phased driving factors

“十五”期间[图 8（a）]，农田灌溉条件是影响净碳汇的最重要因素，农业劳动力、科技创新水平和农业生产结构等因素的重要性排名也位居前列. 在这一阶段，为了支持西部大开发的策略，农业部提出一系列农作物生产结构调整措施，如规模化、产业化、生态化和现代化，并逐渐推进农村税费的改革，旨在加速西部大开发地区农业和农村的经济增长.

“十一五”期间[图 8（b）]，农田灌溉条件是影响净碳汇的核心因素，农业机械化水平、农业劳动力和粮食单产等因素的重要性排名也位居前列. 在这一时期，通过全面实施耕地保护和农田改造等重点生态工程，西部大开发地区种植业净碳汇成效显著. 西北地区发展旱作节水农业，初步建立一批节水农业示范区；西南丘陵山区因地制宜调整种植结构，实施山地高效立体农业工程，扶持木本粮油料发展. 在这一时期，粮食价格持续上涨，粮食生产的积极性也相应提高，从而使得西部大开发地区的种植业碳汇经济迅速崛起.

“十二五”期间[图 8（c）]，农田灌溉条件仍然是影响净碳汇的最关键因素，农业机械化水平、个体技术水平和粮食单产等因素在净碳汇的影响力位居前列. 该时期，西部大开发地区多地颁布农业机械化技术推广方案，精量播种、节水灌溉、保护性耕作和残膜回收等一大批先进适用的新机具新技术得到推广应用，农机装备科技含量明显提升. 此外，随着新型农机服务组织规模壮大，农机作业服务更加高效便捷，促进作业效率提升以及能源消耗降低，为种植业减排增汇提供技术保障.

“十三五”期间[图 8（d）]，农田灌溉条件、农业机械化水平和粮食单产等因素继续排名靠前，而城乡收入差距等因素的重要性逐渐攀升. 在该时段内，《西部大开发“十三五”规划》的颁布促进西部大开发地区农业现代化发展加速，但城乡居民收入差距逐渐拉大，且中东部“虹吸效应”导致高素质劳动力外流明显和人力资本存量相对较低. 为弥补农业劳动力流失带来的生产效率损失，西部大开发部分地区倾向于将低成本的化肥和农药引进到农业生产中. 因此，需要优化城乡收入差距带来的资源要素错配，引导城乡协同探索绿色低碳生产方式.

“十四五”期间[图 8（e）]，农田灌溉条件、城乡收入差距和农业机械化水平等因素名列前茅，个体技术水平等因素在净碳汇的影响力正逐步提升. 该阶段，随着劳动力素质的提高，农户更容易掌握和应用精准农业技术，如精准施肥器和节水灌溉系统，这些技术能够减少化肥和农药的过量使用，降低农业生产中的碳排放，增加土壤的固碳能力，实现正的碳收支. 同时还保障并提升城乡之间的生态稳定性，使得西部大开发地区集约化、规模化以及生态友好型种植业发展模式收效较为显著.

3 建议

（1）鉴于西部大开发地区净碳汇量上升但净碳汇强度下降的趋势，建议探索农作物碳汇交易试点，有序扩大碳市场交易范围，通过在西部大开发地区试行农业碳汇交易机制以挖掘种植业碳汇价值，全面激发西部大开发地区发展碳汇经济的内生动力.

（2）针对种植业减碳增汇中存在的空间非均衡性，西部大开发地区需要加强省际间的合作交流. 通过区域联动、资源共享、优势互补和市场共建，加强西部大开发地区省（区、市）的横向联合与整体协调，引导生产要素跨地区合理流动，形成共同推动西部大开发地区减碳增汇的新格局.

（3）将提升农田灌溉条件和提高农业机械化水平作为提高种植业净碳汇的重点措施. 根据不同地区水资源利用状况，形成设施先进、技术精准、管理高效和生态友好的农田灌溉系统；加快推进农机宜机化改造，推进农业机械由粗放化向精细化转变. 通过上述方式实现正的碳收支，进而不断增强农田生态系统的固碳效应，为实现“双碳”目标助力.

4 结论

（1）2001~2022年，西部大开发地区的种植业净碳汇量（以C计）逐渐上升，但增速逐渐放缓，在考察期内从12 564.13万t增至21 910.61万t. 种植业碳排放量经历“上升-下降”两阶段变化，已基本达到峰值且较为稳定，种植业碳吸收量呈现出逐年上升但增速放缓的趋势.

（2）种植业净碳汇量高值地区以西南地区省份为主，处于净碳汇量高值区间的省份数量持续上升，其绝对水平整体也呈现增长趋势，高碳盈余区呈现少数集聚转为大范围集聚的扩大趋势. 种植业净碳汇强度存在明显空间集聚和非均衡特征，在考察期内所有省份净碳汇强度逐步下降，2022年除内蒙古为净碳汇改善区外，其余省（区、市）均为净碳汇劣势区.

（3）影响西部大开发地区种植业净碳汇的前12个驱动因素，分别为：农田灌溉条件、农业机械化水平、个体创新水平、粮食单产、农业劳动力、水土治理水平、农业生产结构、农业受灾率、城乡收入差距、科技创新水平、城镇化率和产业结构. 其中产业结构因素对种植业净碳汇呈现“倒U型”关系，农业生产结构、农业受灾率、城乡收入差距及城镇化率因素具有波动的抑制作用，其他因素对种植业净碳汇呈现显著的促进作用. 在不同时期，农田灌溉条件及农业机械化水平因素的重要性较为突出.

参考文献

[1]	赵明月, 刘源鑫, 张雪艳. 农田生态系统碳汇研究进展[J]. 生态学报, 2022, 42(23): 9405-9416. Zhao M Y, Liu Y X, Zhang X Y. A review of research advances on carbon sinks in farmland ecosystems[J]. Acta Ecologica Sinica, 2022, 42(23): 9405-9416.
[2]	罗怀良. 国内农业碳源/汇效应研究: 视角、进展与改进[J]. 生态学报, 2022, 42(9): 3832-3841. Luo H L. Research on domestic agricultural carbon source/sink effect: Perspectives, advances and improvements[J]. Acta Ecologica Sinica, 2022, 42(9): 3832-3841.
[3]	徐清华, 张广胜. 农业机械化对农业碳排放强度影响的空间溢出效应——基于282个城市面板数据的实证[J]. 中国人口·资源与环境, 2022, 32(4): 23-33. Xu Q H, Zhang G S. Spatial spillover effect of agricultural mechanization on agricultural carbon emission intensity: An empirical analysis of panel data from 282 cities[J]. China Population, Resources and Environment, 2022, 32(4): 23-33.
[4]	韩冬, 钟钰. 农业科技创新对粮食生产碳排放的影响——以中国三大粮食功能区为例[J]. 科技导报, 2023, 41(16): 32-42. Han D, Zhong Y. Research on the impact of agricultural science and technology innovation on carbon emission of grain production: a case study of China's three grain functional areas[J]. Science & Technology Review, 2023, 41(16): 32-42.
[5]	杨思存, 霍琳, 王成宝, 等. 基于STIRPAT模型的甘肃省农业碳排放特征分析[J]. 干旱区地理, 2023, 46(9): 1493-1502. Yang S C, Huo L, Wang C B, et al. Characteristics of agricultural carbon emissions in Gansu Province based on STIRPAT model[J]. Arid Land Geography, 2023, 46(9): 1493-1502.
[6]	于卓卉, 毛世平. 中国农业净碳排放与经济增长的脱钩分析[J]. 中国人口·资源与环境, 2022, 32(11): 30-42. Yu Z H, Mao S P. Analysis of the decoupling of China's agricultural net carbon emissions from its economic growth[J]. China Population, Resources and Environment, 2022, 32(11): 30-42.
[7]	吴昊玥, 黄瀚蛟, 陈文宽. 中国粮食主产区耕地利用碳排放与粮食生产脱钩效应研究[J]. 地理与地理信息科学, 2021, 37(6): 85-91. Wu H Y, Huang H J, Chen W K. Decoupling effects between carbon emissions from cropland use and grain production in the major grain-producing areas in China[J]. Geography and Geo-Information Science, 2021, 37(6): 85-91.
[8]	薛彩霞, 李园园, 胡超, 等. 中国保护性耕作净碳汇的时空格局[J]. 自然资源学报, 2022, 37(5): 1164-1182. Xue C X, Li Y Y, Hu C, et al. Study on spatio-temporal pattern of conservation tillage on net carbon sink in China[J]. Journal of Natural Resources, 2022, 37(5): 1164-1182.
[9]	李园园, 薛彩霞, 柴朝卿, 等. 中国保护性耕作净碳汇的时空分异特征及其驱动力[J]. 中国人口·资源与环境, 2022, 32(10): 15-23. Li Y Y, Xue C X, Chai C Q, et al. Spatio-temporal variation and driving forces of net carbon sink of conservation tillage in China[J]. China Population, Resources and Environment, 2022, 32(10): 15-23.
[10]	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 Q, Gao W, Wei J F, et al. Spatio-temporal evolution and comprehensive zoning of net carbon sink in cultivated land use in China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(11): 239-249.
[11]	曹俊文, 谢雨欣. 长江经济带种植业碳源/汇空间特征及公平性研究[J]. 生态经济, 2023, 39(9): 108-113. Cao J W, Xie Y X. Study on spatial characteristics and equity of carbon sources/sinks of plantation industry in Yangtze River Economic Zone[J]. Ecological Economy, 2023, 39(9): 108-113.
[12]	王宝英, 齐爱云, 王子莎. 黄河流域与长江经济带种植业碳足迹供需平衡对比研究[J]. 湖北农业科学, 2022, 61(3): 53-59. Wang B Y, Qi A Y, Wang Z S. A comparative study on the supply and demand balance of the planting industry carbon footprint between the Yellow River Basin and the Yangtze River Economic Belt[J]. Hubei Agricultural Sciences, 2022, 61(3): 53-59.
[13]	宁静, 王震, 杜国明, 等. 东北地区农业碳排放特征与农业经济的脱钩状态分析[J]. 经济地理, 2023, 43(11): 173-180. Ning J, Wang Z, Du G M, et al. Characteristics of agricultural carbon emissions in northeast China and its decoupling state with agricultural economy[J]. Economic Geography, 2023, 43(11): 173-180.
[14]	谭美秋, 崔耀平, 马晓哲, 等. 河南省农田生态系统碳汇核算研究[J]. 生态与农村环境学报, 2022, 38(9): 1129-1137. Tan M Q, Cui Y P, Ma X Z, et al. Study on carbon sink estimation of cropland ecosystem in Henan province[J]. Journal of Ecology and Rural Environment, 2022, 38(9): 1129-1137.
[15]	李晓龙, 袁帅强, 王伟. 基于净碳汇的农业生态效率测度、时空演进及收敛性研究——以贵州78个县域为例[J]. 农业现代化研究, 2023, 44(4): 680-691. Li X L, Yuan S Q, Wang W. Measurement, spatial-temporal evolution, and convergence of agricultural eco-efficiency based on net carbon sink: a case study of 78 counties in Guizhou[J]. Research of Agricultural Modernization, 2023, 44(4): 680-691.
[16]	郭海红, 盖凌云. 中国农业碳效应时空分异及驱动机理研究[J]. 宁夏社会科学, 2021(5): 74-84. Guo H H, Gai L Y. Research on the spatio-temporal differentiation and driving mechanism of agricultural carbon effect in China[J]. Ningxia Social Sciences, 2021(5): 74-84.
[17]	李波, 王春妤, 张俊飚. 中国农业净碳汇效率动态演进与空间溢出效应[J]. 中国人口·资源与环境, 2019, 29(12): 68-76. Li B, Wang C Y, Zhang J B. Dynamic evolution and spatial spillover of China's agricultural net carbon sink[J]. China Population, Resources and Environment, 2019, 29(12): 68-76.
[18]	Cui Y, Khan S U, Sauer J, et al. Exploring the spatiotemporal heterogeneity and influencing factors of agricultural carbon footprint and carbon footprint intensity: embodying carbon sink effect[J]. Science of the Total Environment, 2022, 846: 157507.
[19]	王莉, 刘莹莹, 张亚慧, 等. 河南省农田生态系统碳源/汇时空分布及影响因素分解[J]. 环境科学学报, 2022, 42(12): 410-422. Wang L, Liu Y Y, Zhang Y H, et al. Spatial and temporal distribution of carbon source/sink and decomposition of influencing factors in farmland ecosystem in Henan province[J]. Acta Scientiae Circumstantiae, 2022, 42(12): 410-422.
[20]	王学婷, 张俊飚. 双碳战略目标下农业绿色低碳发展的基本路径与制度构建[J]. 中国生态农业学报(中英文), 2022, 30(4): 516-526. Wang X T, Zhang J B. Basic path and system construction of agricultural green and low-carbon development with respect to the strategic target of carbon peak and carbon neutrality[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 516-526.
[21]	王诗逸, 李艳, 杨佳钰, 等. 杭州都市圈碳收支的土地利用变化驱动和优化[J]. 环境科学, 2024, 45(8): 4670-4682. Wang S Y, Li Y, Yang J Y, et al. Land use change driving and optimization of carbon budget in Hangzhou Metropolitan Area[J]. Environmental Science, 2024, 45(8): 4670-4682.
[22]	李建豹, 陈红梅, 张彩莉, 等. 长三角地区碳源碳汇时空演化特征及碳平衡分区[J]. 环境科学, 2024, 45(7): 4090-4100. Li J B, Chen H M, Zhang C L, et al. Spatiotemporal evolution characteristics of carbon sources and carbon sinks and carbon balance zoning in the Yangtze River Delta Region[J]. Environmental Science, 2024, 45(7): 4090-4100.
[23]	曹执令, 黄飞, 伍赛君. 中国农业生产碳汇效应与生产绩效的时空特征[J]. 经济地理, 2022, 42(9): 166-175. Cao Z L, Huang F, Wu S J. Carbon sink measurement and spatio-temporal evolution of agriculture production in China[J]. Economic Geography, 2022, 42(9): 166-175.
[24]	杨帆, 韩玉花, 隗潇, 等. "双碳"背景下北京市农业温室气体排放评估及"十四五"时期减排潜力预测[J]. 环境科学, 2023, 44(10): 5456-5463. Yang F, Han Y H, Wei X, et al. Estimation of agricultural greenhouse gas emissions and emission reduction potential of Beijing during the 14th Five-Year Plan period under the background of "carbon peak and neutrality"[J]. Environmental Science, 2023, 44(10): 5456-5463.
[25]	张帆, 宣鑫, 金贵, 等. 农业源非二氧化碳温室气体排放及情景模拟[J]. 地理学报, 2023, 78(1): 35-53. Zhang F, Xuan X, Jin G, et al. Agricultural non-CO₂ greenhouse gases emissions and scenario simulation analysis[J]. Acta Geographica Sinica, 2023, 78(1): 35-53.
[26]	梁涛, 赵敬坤, 李红梅, 等. 重庆化肥投入驱动因素、减量潜力及环境效应分析[J]. 环境科学, 2024, 45(1): 364-375. Liang T, Zhao J K, Li H M, et al. Analysis on driving factors, reduction potential, and environmental effect of inorganic fertilizer input in Chongqing[J]. Environmental Science, 2024, 45(1): 364-375.
[27]	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 B, Zhang J B, Li H P. 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.
[28]	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 H P, Zhang Y, Zhao J B, et al. Carbon footprint analysis of farmland ecosystem in China[J]. Journal of Soil and Water Conservation, 2011, 25(5): 203-208.
[29]	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 J S, Hu H. Calculation of greenhouse gases emission from agricultural production in China[J]. China Population, Resources and Environment, 2012, 22(7): 21-27.
[30]	孙立博, 王晓玲, 王旭敏, 等. 淮北平原典型农田土壤N₂O产生途径及相关功能基因丰度研究[J]. 环境科学学报, 2022, 42(10): 441-451. Sun L B, Wang X L, Wang X M, et al. N₂O production pathways and related functional gene abundance in typical agricultural soils of the Huaibei Plain[J]. Acta Scientiae Circumstantiae, 2022, 42(10): 441-451.
[31]	Xu Y Q, Huang Z J, Ou J M, et al. Near-real-time estimation of hourly open biomass burning emissions in China using multiple satellite retrievals[J]. Science of the Total Environment, 2022, 817. DOI:10.1016/j.scitotenv.2021.152777
[32]	刘慧琳, 汪子博, 涂智鹏, 等. 基于多源卫星表征的中国秸秆露天燃烧CO₂排放特征及驱动因子分析[J]. 环境科学学报, 2024, 44(2): 261-272. Liu H L, Wang Z B, Tu Z P, et al. CO₂ emission characteristics and driving factors of open crop straw burning in China based on multi-source satellite observation[J]. Acta Scientiae Circumstantiae, 2024, 44(2): 261-272.
[33]	王修兰. 全球农作物对大气CO₂及其倍增的吸收量估算[J]. 气象学报, 1996, 54(4): 466-473. Wang X L. The estimation on crop absorbing CO₂ under current and double CO₂ conditions in the world[J]. Acta Meteorologica Sinica, 1996, 54(4): 466-473.
[34]	韩召迎, 孟亚利, 徐娇, 等. 区域农田生态系统碳足迹时空差异分析——以江苏省为案例[J]. 农业环境科学学报, 2012, 31(5): 1034-1041. Han Z Y, Meng Y L, Xu J, et al. Temporal and spatial difference in carbon footprint of regional farmland ecosystem--taking Jiangsu province as a case[J]. Journal of Agro-Environment Science, 2012, 31(5): 1034-1041.
[35]	田云, 张俊飚, 吴贤荣, 等. 中国种植业碳汇盈余动态变化及地区差异分析——基于31个省(市、区)2000—2012年的面板数据[J]. 自然资源学报, 2015, 30(11): 1885-1895. Tian Y, Zhang J B, Wu X R, et al. Research on dynamic change and regional differences of China's planting industry carbon sink surplus[J]. Journal of Natural Resources, 2015, 30(11): 1885-1895.
[36]	陈罗烨, 薛领, 雪燕. 中国农业净碳汇时空演化特征分析[J]. 自然资源学报, 2016, 31(4): 596-607. Chen L Y, Xue L, Xue Y. Spatial-temporal characteristics of China's agricultural net carbon sink[J]. Journal of Natural Resources, 2016, 31(4): 596-607.
[37]	崔海洋, 卓雯君, 虞虎, 等. 基于三阶段DEA模型的农业生产效率及其时空特征研究——以长江经济带为例[J]. 中国生态农业学报(中英文), 2021, 29(7): 1243-1252. Cui H Y, Zhuo W J, Yu H, et al. Calculation of agricultural production efficiency based on a three-stage data envelopment analysis model and analysis of the spatial-temporal characteristics: an example from the Yangtze River Economic Belt[J]. Chinese Journal of Eco-Agriculture, 2021, 29(7): 1243-1252.
[38]	徐勇, 戴强玉, 黄雯婷, 等. 2000~2020年西南地区植被NDVI时空变化及驱动机制探究[J]. 环境科学, 2023, 44(1): 323-335. Xu Y, Dai Q Y, Huang W T, et al. Spatio-temporal variation in vegetation cover and its driving mechanism exploration in southwest China from 2000 to 2020[J]. Environmental Science, 2023, 44(1): 323-335.
[39]	唐欢, 叶剑, 高振翔, 等. 我国典型生态系统净CO₂交换量与蒸散量的多机器学习模型对比分析[J]. 干旱区资源与环境, 2022, 36(8): 92-100. Tang H, Ye J, Gao Z X, et al. Comparative analysis of net CO₂ exchange and evapotranspiration in typical ecosystems of China using multi-machine learning models[J]. Journal of Arid Land Resources and Environment, 2022, 36(8): 92-100.
[40]	尹忞昊, 田云, 卢奕亨. 中国农业碳排放区域差异及其空间分异机理[J]. 改革, 2023(10): 130-145. Yin M H, Tian Y, Lu Y H. Regional differences and spatial divergence mechanisms of agricultural carbon emissions in China[J]. Reform, 2023(10): 130-145.
[41]	吉雪强, 刘慧敏, 张跃松. 中国省际土地利用碳排放空间关联网络结构演化及驱动因素[J]. 经济地理, 2023, 43(2): 190-200. Ji X Q, Liu H M, Zhang Y S. Spatiotemporal evolution and driving factors of spatial correlation network structure of China's land-use carbon emission[J]. Economic Geography, 2023, 43(2): 190-200.
[42]	信猛, 陈菁泉, 彭雪鹏, 等. 农业碳排放驱动因素——区域间贸易碳排放转移网络视角[J]. 中国环境科学, 2023, 43(3): 1460-1472. Xin M, Chen J Q, Peng X P, et al. Driving factors of agricultural carbon emission: from the perspective of interregional trade carbon emission transfer network[J]. China Environmental Science, 2023, 43(3): 1460-1472.
[43]	杨传喜, 王修梅. 农业科技资源错配与全要素生产率研究[J]. 科技管理研究, 2020, 40(11): 74-81. Yang C X, Wang X M. Study of agricultural science and technology resources mismatch and total factor productivity[J]. Science and Technology Management Research, 2020, 40(11): 74-81.
[44]	刘天奇, 胡权义, 汤计超, 等. 长江中下游水稻生产固碳减排关键影响因素及技术体系[J]. 中国生态农业学报(中英文), 2022, 30(4): 603-615. Liu T Q, Hu Q Y, Tang J C, et al. Key influencing factors and technical system of carbon sequestration and emission reduction in rice production in the middle and lower reaches of the Yangtze River[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 603-615.
[45]	陈银娥, 陈薇. 农业机械化、产业升级与农业碳排放关系研究——基于动态面板数据模型的经验分析[J]. 农业技术经济, 2018(5): 122-133. Chen Y E, Chen W. A study on the relationship among agricultural mechanization, industrial upgrading and agricultural carbon emission——The empirical research based on dynamic panel data model[J]. Journal of Agrotechnical Economics, 2018(5): 122-133.
[46]	吕火明, 赵颖文, 刘宗敏, 等. 四川省粮食生产时空演变特征及其影响因素——基于90个粮食生产重点县视角[J]. 西南农业学报, 2022, 35(9): 2220-2228. Lv H M, Zhao Y W, Liu Z M, et al. Spatial and temporal evolution characteristics of food production in Sichuan province and its influencing factors: From the perspective of 90 key food production counties[J]. Southwest China Journal of Agricultural Sciences, 2022, 35(9): 2220-2228.
[47]	冷鹏, 盛邦跃, 武舜臣. 工业化农业与生态农业的国际比较及其对中国的启示[J]. 农业现代化研究, 2022, 43(1): 48-58. Leng P, Sheng B Y, Wu S C. International comparison between industrialized agriculture and eco-agriculture and its implications to China[J]. Research of Agricultural Modernization, 2022, 43(1): 48-58.
[48]	舜臣. 工业化农业与生态农业的国际比较及其对中国的启示[J]. 农业现代化研究, 2022, 43(1): 48-58. Shun C. International comparison between industrialized agriculture and eco-agriculture and its implications to China[J]. Research of Agricultural Modernization, 2022, 43(1): 48-58.
[49]	杨曼莉. 收入差距是否影响环境质量?——国内外研究综述[J]. 中国人口·资源与环境, 2020, 30(4): 116-124. Yang M L. Does income inequality affect environmental quality?——A review of domestic and foreign studies[J]. China Population, Resources and Environment, 2020, 30(4): 116-124.
[50]	张颂心, 王辉, 徐如浓. 科技进步、绿色全要素生产率与农业碳排放关系分析——基于泛长三角26个城市面板数据[J]. 科技管理研究, 2021, 41(2): 211-218. Zhang S X, Wang H, Xu R N. Analysis on the relationship between science and technology progress, green total factor productivity and agricultural carbon emission: Based on pan Yangtze River Delta 26 City panel data[J]. Science and Technology Management Research, 2021, 41(2): 211-218.
[51]	张茹倩, 李鹏辉, 徐丽萍. 城镇化对新疆土地利用碳排放的影响及其耦合关系[J]. 生态学报, 2022, 42(13): 5226-5242. Zhang R Q, Li P H, Xu L P. Effects of urbanization on carbon emission from land use in Xinjiang and their coupling relationship[J]. Acta Ecologica Sinica, 2022, 42(13): 5226-5242.
[52]	陈帝伯, 魏伟, 周俊菊, 等. 中国省域碳源/碳汇强度及碳盈亏的空间演变[J]. 经济地理, 2023, 43(1): 159-168. Chen D B, Wei W, Zhou J J, et al. Spatial evolution of China's provincial carbon source/sink intensity and carbon surplus and deficit[J]. Economic Geography, 2023, 43(1): 159-168.


环境科学 2025, Vol. 46 Issue (8): 4850-4863	PDF