EN中文

地理学报 >

2024 , Vol. 79 >Issue 3: 732 - 746

DOI: https://doi.org/10.11821/dlxb202403011

国土资源与“双碳”研究

京津冀地区退耕还林还草碳增汇潜力及贡献预估

  • 马寅秋 , 1, 2 ,
  • 李佳慧 1, 2 ,
  • 曹巍 1 ,
  • 尹川 3 ,
  • 黄麟 , 1
展开
  • 1.中国科学院地理科学与资源研究所，北京 100101
  • 2.中国科学院大学，北京 100049
  • 3.北京建筑大学，北京 100044
黄麟(1981-), 女, 四川宜宾人, 副研究员, 硕士生导师, 研究方向为土地利用变化的生态/气候效应、生态系统综合评估。E-mail:

马寅秋(1998-), 男, 辽宁本溪人, 硕士生, 研究方向为生态系统碳汇功能评估。E-mail:

收稿日期: 2022-09-15

  修回日期: 2024-02-19

  网络出版日期: 2024-04-02

基金资助

国家自然科学基金项目(41977417)

收起

Projecting the carbon sink potential and contribution of Grain for Green Program in the Beijing-Tianjin-Hebei region

  • MA Yinqiu , 1, 2 ,
  • LI Jiahui 1, 2 ,
  • CAO Wei 1 ,
  • YIN Chuan 3 ,
  • HUANG Lin , 1
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Beijing University of Civil Engineering and Architecture, Beijing 100044, China

Received date: 2022-09-15

  Revised date: 2024-02-19

  Online published: 2024-04-02

Supported by

National Natural Science Foundation of China(41977417)

Fold

摘要

退耕还林还草工程（GGP）是中国投资最大、涉及面最广、群众参与程度最高的生态修复项目，也是国土变绿和陆地碳增汇的主要驱动力，然而对其碳增汇潜力及其对碳中和目标的可能贡献仍缺少系统性评估。本文在回溯2000—2020年京津冀地区GGP碳增汇作用基础上，设置由不同气候变化、经济社会、生态规划组合而成的可持续发展、基准、区域竞争3种未来情景，预测双碳目标年（2030年和2060年）GGP的碳增汇潜力及其贡献率。结果表明：① 2000—2020年京津冀地区GGP的碳汇增量超过48.03 Tg C，其中面积占比23.9%的退耕还林碳增汇能力达123.7%。② 2030年京津冀地区GGP年碳汇增量可达5.33~6.20 Tg C a-1，与2020年相比增加95.8%~127.7%，仅能抵消全地区近0.3%的碳排放总量，但对于抵消县域尺度碳排放量的贡献率可达30%。③ 2060年GGP年碳汇增量约4.35~4.88 Tg C a-1，与2020年相比增加59.7%~79.3%，能抵消全地区5.1%~7.2%的碳排放总量，且在县域尺度上对碳排放量的抵消可达到8倍。综上所述，需要正确认识生态修复对京津冀地区双碳目标的作用，特别是西北部生态涵养区的县域可将GGP作为实现碳中和的主要路径。

关键词： 退耕还林还草; 碳增汇潜力; 双碳目标; 贡献率; 京津冀地区

本文引用格式

马寅秋 , 李佳慧 , 曹巍 , 尹川 , 黄麟 . 京津冀地区退耕还林还草碳增汇潜力及贡献预估[J]. 地理学报, 2024 , 79(3) : 732 -746 . DOI: 10.11821/dlxb202403011

Abstract

The Grain for Green Program (GGP) is the most invested, policy-oriented, wide-embracing, and public-involving ecological restoration project in China, which has become the main driver of national greening and carbon sink increases; however, the large potential of carbon sink increases and their contribution to the program's carbon neutrality goal still lacks systematic estimation. Here, based on backdating of the GGP effect on increasing carbon sinks in the Beijing-Tianjin-Hebei (BTH) region over the past 20 years, three scenarios-sustainable development, benchmark, and regional competition-are combined under different climates, socioeconomies, and eco-planning patterns to forecast the potential for increasing carbon sinks and the contribution of the GGP in the "Double Carbon Target" years (2030 and 2060). Our results showed that: (1) During 2000-2020, the increase in carbon sinks exceeded 48.03 Tg C; among them, the ability of increased carbon sinks in the region to restore croplands to forests (GGP-Forest), which accounted for 23.9% of the total area, reached 123.7%. (2) In 2030, the annual increase in carbon sinks resulting from the GGP in the BTH region will reach 5.33-6.20 Tg C a-1, up by 95.8%-127.7% compared with the year 2020. This can offset ~0.3% of the total carbon emissions from this region; however, this contribution can reach 30% at the county scale. (3) In 2060, the annual increase in carbon sinks resulting from the GGP in the BTH region will be about 4.35-4.88 Tg C a-1, up by 59.7%-79.3% compared with 2020 and can offset 5.1%-7.2% of the total carbon emissions from this region; its contribution can reach eightfold at the county scale. In summary, it is essential to correctly quantify the contribution of the Double Carbon Target in the study region resulting from the ecological restoration program, especially in the northwest counties in the ecological conservation area, where the GGP can act as the main method to achieve carbon neutrality.

Key words： Grain for Green Program; potential of carbon sink increases; Double Carbon Target; contribution rate; Beijing-Tianjin-Hebei region

1 引言

按照《巴黎协定》对2020年后全球应对气候变化行动做出的统一安排[1]，中国于2020年9月提出“双碳目标”，即2030年二氧化碳（CO2）排放量不再升高的碳达峰目标，以及2060年实现CO2排放和吸收平衡的碳中和目标[2]。陆地生态系统在全球碳循环和减缓气候变化方面发挥着关键作用，为达成“双碳目标”，其碳增汇能力起着不可或缺的作用[3-4]。Wang等[5]基于大气CO2浓度观测数据与国内主要碳排放清单数据开展的中国碳通量及碳储量估测表明，中国的碳封存能力被严重地低估。
土地利用变化通过改变植被生物量、土壤碳积累速率和周转率等对陆地碳循环产生显著影响[6⇓⇓⇓⇓⇓-12]。森林作为陆地生态系统的重要组成部分，是一个巨大的陆地碳汇[13-14]，在缓解气候变化方面起着重要的作用[3,15]。农田开垦会增加CO2排放，相反地，耕地上造林可能增加CO2的吸收能力[4,16 -17]。造林活动是陆地生态系统碳储量增加的主要原因[7,17]，被认为是缓解气候变化的有效战略[19⇓⇓⇓-23]。2000年以来，中国以造林为主要措施的生态工程增加了植被生物量碳库、土壤碳库，产生较大的碳汇效应[24⇓-26]，2001—2010年间固碳量增长约23.4%[27]，为工程区碳汇增量（132 Tg C a-1）贡献56%[3]，通过减少水土流失保持一定的土壤碳储量[28]。其中，天然林保护工程的固碳效率约0.3~5.2 t C hm-2 a-1 [25,29]，三北防护林体系工程碳汇增量约12.0 Tg C a-1 [30]，长江防护林体系建设工程碳汇增量为8.3 Tg C a-1 [26,31]，京津风沙源综合治理工程为3.38 Mg C hm-2 a-1 [32]。
退耕还林还草工程（Grain for Green Program, GGP）自1999年启动至今已经实施20多年，作为中国乃至全球投资最大、政策性最强、涉及面最广、群众参与程度最高的生态修复项目。截至2020年，中央财政累计投入5353亿元，在25个省（自治区、直辖市）的2435个县实施退耕还林还草面积达34.8万km2，占同期全国重点工程造林总面积的40%，涉及4100万农户、1.58亿农村人口，将坡度大于15°（西北地区）和大于25°（其他地区）的陡坡、退化的农田与荒地转变为林地和草地以提升生态系统水土保持功能[25]。2020年以来，国家相关部委相继印发通知（财资环[2020]22号、自然资发[2021]166号、自然资发[2022]191号、自然资发[2023]53号），表明退耕还林还草作为重要的生态保护恢复项目，将一如既往持续推行并注重提质增效。
正确认识并发挥生态修复项目的增汇作用对实现双碳目标至关重要，因此，评估GGP的碳增汇潜力具有重要的现实意义。作为GGP重点区域的黄土高原在第一轮工程实施期间累计额外吸收碳96.1 Tg C，土壤碳变化不显著但预计未来可能发生较大变化[19]，此外，其植被恢复显著减少土壤侵蚀导致的碳流失（每年约1.8 Tg C）[28]。随着GGP恢复年限增加，1 m深度土壤有机碳（SOC）储量早期（< 5 a）先减少、后期（> 5 a）增加至净碳收益[16]。Liu等[33]估算到21世纪末GGP将能实现524.36 Tg C的碳固存；Deng等[17]预测至2020年、2030年、2040年、2050年GGP的累计碳封存量分别为1697 Tg C、2635 Tg C、3438 Tg C和4115 Tg C；Peng等[34]得出云南中等退耕还林情景下将产生21.86 Tg C的碳储量。然而，现有GGP碳汇增量的估算，多为依据其面积并结合经验公式或模型等进行模拟估计，其准确度对于模型的参数及敏感性等具有较强的依赖性，已有对未来碳汇预测研究以区域尺度为主，极少探讨栅格尺度上的时空分异规律，且缺少对于不同未来情景下碳汇预测的研究，难以指导生态修复与双碳路径的精准空间规划。
京津冀地区是落实国家碳达峰碳中和目标的关键区域之一，对标碳达峰碳中和目标，需要多措并举协同推进降碳、减污、扩绿、增长，其中长期发展规划首要原则是“生态优先原则，遵循生态规律，改善生态环境，提升生态服务功能”。因此，本文将其作为协同推进生态修复与双碳达标的典型区，聚焦GGP碳增汇能力及其对区域碳中和作用的量化，结合卫星遥感反演与生态模型模拟，在回溯京津冀地区2000—2020年GGP碳汇能力的基础上，设置不同的气候变化、经济社会发展与生态修复规划的组合情景，模拟2030年和2060年公里格网净生态系统生产力（Net Ecosystem Productivity, NEP）的时空变化，利用栅格尺度上NEP与土地利用变化情景的空间耦合关系，区分GGP还林地块与还草地块，反映GGP可能的碳汇变化趋势，预测双碳目标年京津冀地区不同GGP情景下的碳增汇潜力。进而在县域尺度上结合碳排放量数据，分析GGP碳增汇潜力对于县域碳中和目标的贡献率及其空间分异特征，可为区域生态修复、碳管理、气候变化减缓提供基础数据与科学建议。

2 数据与方法

2.1 研究区概况

京津冀地区国土面积约21.6万 km2，作为“首都经济圈”，是全国经济增长速率最快的地区之一，也是全国创新驱动经济增长新引擎、生态修复环境改善示范区[35]。区域地势西北高、东南低，北部为内蒙古高原，南部为华北平原，西部为太行山丘陵，东部为渤海湾。耕地、林地、草地为该地区的主要土地利用类型。其中，耕地占整个地区的49.7%，林地占20.7%，草地占16.2%[36]。为应对沙尘暴、水土流失、生物多样性减少、大气与水体污染等生态环境问题，该地区实施了京津风沙源治理、退耕还林还草等一系列生态保护和修复工程以达到经济与生态协同发展的目标[36-37]。未来京津冀地区将持续推进造林绿化，到2035年河北省规划完成营造林3.45万km2，全省森林覆盖率提升6%、达到并稳定在40%，北京市森林覆盖率提高3.4%、不低于45%，其中平原地区森林覆盖率提高11%、达到33%，天津市实现一级管控区森林覆盖率达到30%。

2.2 数据收集与处理

2.2.1 土地覆盖及情景数据

基于GlobeLand 30（http://globeland30.org/）获得京津冀地区2000年、2020年30 m空间分辨率地表覆盖数据，该数据区分耕地、林地、草地等10个一级类型[38]。其中，2000年数据总体精度为83.5%（Kappa系数0.78），2020年达85.7%（Kappa系数0.82）。
利用GeoSOS（https://geosimulation.cn）8种不同气候变化（RCPs）与经济社会发展（SSPs）情景下1 km空间分辨率土地覆盖变化数据，提取SSP1-RCP26、SSP2-RCP45和SSP3-RCP70 3种情景下2030年、2060年京津冀地区的土地覆盖变化信息，该数据基于LUH2数据集、以5 a为时间跨度模拟林地、草地、耕地等土地覆盖变化情景[39]。

2.2.2 气候及情景数据

2000—2020年京津冀地区的气温、降水数据来源于中国气象科学数据共享服务网（http://data.cma.cn/）提供的地面气象资料数据集，采用AUSPLIN空间插值获得1 km空间分辨率的气温、降水空间分布数据，时间分辨率为月。
未来气候情景数据源于CMIP6（https://esgf-node.llnl.gov/search/cmip6/）提供CNRM-CM6-1-HR气候模式中SSP1-RCP26、SSP2-RCP45和SSP3-RCP70 3种情景下的气温、降水、太阳总辐射数据以及太阳净辐射数据，空间分辨率为5 km，时间分辨率为月。

2.2.3 县域碳排放及其情景设置

1997—2017年京津冀地区的县域尺度碳排放量数据来源于中国碳核算数据库CEADs（https://www.ceads.net/），该数据使用夜间灯光数据并采用粒子群优化—反向传播（PSO-BP）算法获得[40]。本文先依据该数据趋势线性拟合获得2020年和2030年碳排放数据，参考双碳目标愿景下2060年中国单位GDP的CO2排放仅为2020年的2%左右[41]，结合姜彤等[42]预测不同情景下2060年的GDP，推测2060年县域尺度碳排放量，其公式为：
E m i s s i o n 2060 = E m i s s i o n 2020 × G D P 2060 G D P 2020 × 2 %
式中：Emission2060和Emission2020分别为2060年和2020年县域碳排放量；GDP2060和GDP2020分别为2060年和2020年GDP预测值。

2.2.4 模型输入参数设置

生产力模型的输入参数除气象数据和土地覆盖数据，还需要归一化植被指数（NDVI），NDVI来源于NASA（https://earthdata.nasa.gov/）的数据产品MOD13A1，空间分辨率为1 km，时间分辨率为16 d。对于2030年、2060年的NDVI值，基于现有及未来的气温、降水量以及太阳辐射数据进行线性拟合获得[18]，其计算公式为：
N D V I = a × t a s + b × P + c × S O L + d + e
式中：tas为栅格上该月的气温；P为栅格上该月的降水量；SOL为栅格该月接收的太阳辐射；a、b、c、d为拟合系数；e表示误差项。

2.3 研究方法

2.3.1 退耕还林还草情景设置

基于2000年和2020年GlobeLand 30地表覆盖数据，提取2000—2020年耕地转换为林地、耕地转换为草地的栅格，作为过去20年GGP地块。基于GeoSOS的SSP1-RCP26、SSP2-RCP45和SSP3-RCP70 3种土地覆盖情景数据，提取2020—2030年、2020—2060年耕地转换为林地、耕地转换为草地的栅格，同时考虑京津冀地区省级国土绿化规划并叠加坡度大于15°~25°的陡坡耕地，假设2030年前在25°以上坡耕地实施GGP，2060年前在15°以上坡耕地实施GGP，获得2030年和2060年可持续发展情景、基准情景以及区域竞争3种组合情景下的GGP分布情景。

2.3.2 净初级生产力情景模拟

本文采用CASA模型模拟2000—2020年、2030年、2060年京津冀地区不同情景下的净初级生产力（NPP）。模拟过程如下[44]：
N P P = A P A R × ε
A P A R = S O L × F P A R × 0.5
F P A R = m i n S R S R m a x - S R m i n - S R m i n S R m a x - S R m i n ,   0.95
式中：APAR为光合有效辐射量（MJ m-2）；ε为光能利用率（g C MJ-1）；SOL为太阳总辐射量（MJ m-2）；FPAR为植被对入射光辐射的吸收比例；SR为比值植被指数；SRmin为无植被地区的比值植被指数，取值为1.08；SRmax表示所有向下的太阳辐射被截获量，并对冠层结构和残余云污染的影响进行校正后的数值。
S R = 1 + N D V I 1 - N D V I
对于ε，Potter等[43]认为主要受高温、低温和水分的影响，计算公式为：
ε = T ε 1 × T ε 2 × W ε × ε M
式中：Wε为水分胁迫系数；εM为最大光能利用率，采用全球植被月最大光能利用率，取值0.389 g C MJ-1；Tε1表示低温所造成的光能利用率的胁迫作用；Tε2表示高温所造成的光能利用率的胁迫作用，这两个参数的估算参考Potter等[43]的方法，计算公式为：
T ε 1 = 0.8 + 0.02 × T o p t - 0.0005 × T o p t 2
T ε 2 = 1.1814 1 + e 0.2 T o p t - 10 - T 1 + e 0.3 - T o p t - 10 + T
式中：Topt表示NDVI年内最大值所在月份的平均气温；T表示月平均气温。
W ε = 0.5 + 0.5 × E / E p
式中：E为实际月蒸散量；Ep为潜在月蒸散量，分别参考周广胜等[45]的区域实际蒸散模型、Boucher[45]的互补关系进行计算：
E = P × R n × P 2 + R n 2 + P × R n / P + R n × P 2 + R n 2
E p = E + E p O / 2
式中：P为月降雨量；Rn为月太阳净辐射量；EpO为局地潜在蒸散量，由Thornthwaite等方法[46]计算得到：
E p O = 2037.98 - 18.8308 L A T - 4.5801 L O N G - 0.157861 A L T
式中：LAT、LONG和ALT分别表示维度、经度和海拔。

2.3.3 净生态系统生产力情景模拟

NEP是排除自然及人为因素干扰的前提下，NPP扣除异养生物呼吸后剩余的有机物量，可以直接用于度量区域内碳汇总量[44]，计算公式为：
N E P = N P P - R h
l n R h = 0.22 + 0.87 × l n R s
R s = f × e b T a × [ P / ( k + P ) ]
式中：Rh为土壤异养呼吸对有机组分的消耗速率；Rs为月平均土壤呼吸速率；b表示温度敏感性系数，b = lnQ10/10；Ta表示月平均气温；P表示月降水量；f和k为常数，其中f = 1.250、k = 4.259。

2.3.4 碳增汇潜力与贡献率计算

对于GGP产生的碳汇增量，因GGP地块多为陡坡耕地、生产力较低、耕作模式不可持续，参考IPCC耕地碳汇计量方法，假设原有耕地的碳汇量为0[47]，因而GGP地块产生的碳汇量即为GGP的碳汇增量。首先，核算2000—2020年京津冀地区GGP地块（同时区分退耕还林和退耕还草）的NEP及时空变化趋势，回溯过去20年GGP的碳增汇能力。然后，分析2030年、2060年GGP地块的NEP及时空变化趋势，预测不同情景下GGP的碳增汇潜力。最后，统计县域尺度GGP地块的NEP总量，厘定GGP对于县域碳达峰、碳中和目标实现的贡献率。
预测的碳汇增长率计算公式为：
r i = S i n k t - S i n k 2020 t S i n k 2020 t
S i n k t = ∑ i = 1 t N E P i × S
式中：Sink2020t为2020年县域的碳汇增量；Sinkt为县域未来的碳汇增量；NEPi为GGP i地块的NEP；S为地块面积；t表示县域GGP地块总数。
贡献率即县域尺度GGP碳汇增量与其碳排放总量的比值，计算公式为：
r c = S i n k t E m i s s i o n t × 100 %
式中：rc为碳增汇贡献率；Emissiont为县域碳排放总量。

3 结果与分析

3.1 京津冀地区GGP碳增汇能力

3.1.1 GGP时空分异特征

2000—2020年京津冀地区耕地面积减少1.98万km2，占2000年耕地面积的10.24%；林地面积增加720.10 km2，占2000年林地面积的1.02%；草地面积增加280.70 km2，占2000年草地面积的0.44%。其中，耕地转换为林地约1887.77 km2，耕地转换为草地约5999.64 km2。GGP地块中，退耕还林主要集中在北京市、河北省东部，退耕还草集中在河北省西北部（图1）。
图1 2000—2020年京津冀地区退耕还林和退耕还草地块空间分布

Fig. 1 Spatial distribution of GGP-forests and the GGP-grasslands in the Beijing-Tianjin-Hebei region

3.1.2 GGP碳汇增量变化

2000—2020年京津冀地区多年平均年碳汇量约97.52 Tg C a-1，介于66.46~117.12 Tg C a-1之间，20年间整体呈现波动中上升的增加趋势，增速约1.98 Tg C a-1 （R2 = 0.64）。从单位面积上看，多年平均NEP约0.27 kg C m-2（值域范围0.18~0.32 kg C m-2），增幅为5.48 g C m-2 a-1（R2 = 0.64）（图2）。
图2 2000—2020年京津冀地区单位面积NEP与碳汇总量

Fig. 2 The mean unit value and total amount of NEP in the Beijing-Tianjin-Hebei region during 2000-2020

退耕还林、退耕还草地块与京津冀地区的NEP趋势相同。20年间退耕还林地块多年平均碳汇增量约为0.58 Tg C a-1，介于0.37~0.71 Tg C a-1之间，增速约0.01 Tg C a-1 （R2 = 0.66）。其多年平均单位面积NEP约0.31 kg C m-2，范围为0.20~0.37 kg C m-2，增幅为6.74 g C m-2 a-1（R2 = 0.66），其碳增汇能力达123.7%。退耕还草地块多年平均碳汇增量约为1.71 Tg C a-1，介于1.19~2.07 Tg C a-1之间，增幅为0.037 Tg C a-1（R2 = 0.74）。其多年平均单位面积NEP约0.28 kg C m-2，阈值范围0.20~0.34 kg C m-2，增幅为6.17 g C m-2 a-1（R2 = 0.74），其碳增汇能力为96.4%。
京津冀地区非GGP地块多年平均NEP约0.27 kg C m-2，范围为0.18~0.32 kg C m-2，增幅5.46 g C m-2 a-1 （R2 = 0.64）。对比来看，退耕还林地块的NEP及其变化趋势均高于退耕还草地块，且皆显著（P < 0.05）高于非GGP地块，反映了GGP碳增汇的积极作用。

3.2 GGP的碳增汇潜力

3.2.1 2030年和2060年GGP时空变化情景

在可持续发展、基准、区域竞争3种情景下，京津冀地区2030年GGP面积分别可达到5.05万km2、4.75万km2、4.86万km2，分别占地区总面积的23.36%、22.01%、22.52%。其中，退耕还林面积分别为2480.77 km2、2816.77 km2、2829.77 km2，分别占比1.15%、1.30%、1.31%，主要分布在区域东北部和西南角（图3）；退耕还草面积分别为4.80万km2、4.47万km2、4.58万km2，分别占22.21%、20.71%、21.21%，以西北部为主（图4）。
图3 2030年和2060年京津冀地区退耕还林情景空间分布

Fig. 3 GGP spatial distribution scenarios of forests in the Beijing-Tianjin-Hebei region in 2030 and 2060

图4 2030年和2060年京津冀地区退耕还草情景空间分布

Fig. 4 GGP spatial distribution scenarios of grasslands in the Beijing-Tianjin-Hebei region in 2030 and 2060

在可持续发展、基准以及区域竞争3种情景下，2060年GGP面积分别可达5.06 km2、4.80 km2、5.26 km2，分别占地区总面积的23.44%、22.24%、24.36%。其中，退耕还林面积分别为3445.77 km2、3444.77 km2、3341.77 km2（分别占比1.60%、1.59%、1.55%）（图3），退耕还草面积分别达4.72 km2、4.46 km2、4.93 km2（分别占比21.84%、20.64%、22.82%）（图4）。

3.2.2 2030年和2060年GGP的碳增汇潜力

可持续发展、基准和区域竞争3种情景下，2030年京津冀地区GGP的平均NEP分别约0.15 kg C m-2、0.15 kg C m-2、0.13 kg C m-2，年碳汇增量分别为6.20 Tg Ca-1、5.77 Tg C a-1、5.33 Tg C a-1，高值区主要分布在北部与西南边缘。其中退耕还林地块NEP分别为0.19 kg C m-2、0.19 kg C m-2、0.17 kg C m-2，年碳汇增量分别为0.11 Tg C a-1、0.18 Tg C a-1、0.16 Tg C a-1；退耕还草地块NEP分别为0.15 kg C m-2、0.14 kg C m-2和0.13 kg C m-2，年碳汇增量分别为6.09 Tg C a-1、5.60 Tg C a-1和5.17 Tg C a-1。
可持续发展、基准和区域竞争3种情景下，2060年京津冀地区GGP的平均NEP分别为0.10 kg C m-2、0.12 kg C m-2、0.11 kg C m-2，年碳汇增量分别为4.35 Tg C a-1、4.88 Tg C a-1、4.88 Tg C a-1；其中退耕还林地块NEP分别为0.13 kg C m-2、0.13 kg C m-2、0.11 kg C m-2，年碳汇增量分别为0.20 Tg C a-1、0.20 Tg C a-1、0.16 Tg C a-1；退耕还草地块NEP分别为0.10 kg C m-2、0.12 kg C m-2、0.11 kg C m-2，年碳汇增量分别为4.14 Tg C a-1、4.68 Tg C a-1、4.72 Tg C a-1（图5）。
图5 2030年和2060年京津冀地区GGP的NEP贡献空间分布

Fig. 5 Spatial distribution of the GGP NEP under different scenarios in the Beijing-Tianjin-Hebei region in 2030 and 2060

3.3 GGP对双碳目标的贡献

3.3.1 县域尺度的碳排放与GGP碳增汇潜力

2030年京津冀地区碳排放总量为1419.03 Tg C a-1，县域碳排放量均值约7.06 Tg C a-1，介于0~50.87 Tg C a-1之间，高值在天津市东南部，低值为河北省北部和西部。地区碳排放总通量为3.90 kg C m-2，县域碳排放通量均值约9.56 kg C m-2，介于0.13~195.92 kg C m-2之间（图6）。在可持续发展、基准和区域竞争3种情景下，县域尺度GGP的年碳汇增量均值分别为0.02 Tg C a-1（-0.02~0.50 Tg C a-1）、0.02 Tg C a-1（-0.02~0.48 Tg C a-1）和0.02 Tg C a-1（-0.01~0.40 Tg C a-1）。
图6 2030年和2060年京津冀地区县域尺度碳排放量

Fig. 6 Spatial distribution of carbon emissions at the county scale in the Beijing-Tianjin-Hebei region in 2030 and 2060

2060年京津冀地区碳排放总量远低于2030年，在可持续发展、基准和区域竞争3种情景下分别为55.10 Tg C a-1、52.55 Tg C a-1和41.30 Tg C a-1，县域碳排放量0.27 Tg C a-1（< 1.97 Tg C a-1）、0.26 Tg C a-1（< 1.88 Tg C a-1）、0.21 Tg C a-1（< 1.48 Tg C a-1），高值区在天津市东南部，低值为河北省北部和西部。3种情景下，地区碳排放总通量分别为0.15 kg C m-2、0.14 kg C m-2和0.11 kg C m-2，县域碳排放通量分别为0.38 kg C m-2（< 7.49 kg C m-2）、0.36 kg C m-2（< 7.14 kg C m-2）、0.28 kg C m-2（< 5.61 kg C m-2）（图6）。县域尺度GGP的年碳汇增量分别为0.01 Tg C a-1（-0.07~0.39 Tg C a-1）、0.02 Tg C a-1（-0.06~0.49 Tg C a-1）和0.02 Tg C a-1（-0.05~0.38 Tg C a-1）（图7）。
图7 2030年和2060年京津冀地区县域尺度GGP碳汇增量

Fig. 7 Total amount of GGP carbon sinks at the county scale in the Beijing-Tianjin-Hebei region in 2030 and 2060

3.3.2 GGP对县域碳达峰与碳中和的贡献率

2000—2020年GGP的碳汇增量在整个京津冀地区的贡献率可达2.20%~2.52%。其中，退耕还林的碳汇贡献率约0.56%~0.62%，退耕还草约1.61%~1.94%。在可持续发展、基准和区域竞争3种情景下，2030年GGP分别可以抵消该地区碳排放总量的0.28%、0.26%、0.23%。2060年GGP分别可以抵消该地区碳排放总量的5.1%、6.0%、7.2%。与2020年相比，2030年GGP碳汇增量分别增加127.70%、111.97、95.84%，2060年分别增加59.65%、79.22%、79.33%。
县域尺度来看，可持续发展、基准和区域竞争3种情景下，2030年GGP对县域碳达峰的碳汇贡献率分别介于-0.62%~29.44%、-0.59%~28.39%、-0.41%~23.29%之间，碳汇贡献率高值位于河北省北部、低值在该省西南部。2060年GGP对县域碳中和的碳汇贡献率分别介于-78.36%~563.55%、-61.10%~823.48%、-65.94%~767.97%。2060年GGP对于县域尺度碳排放的抵消作用明显强于2030年，特别是沽源县、丰宁满族自治县和张北县，其GGP贡献率在2030年达到10%以上，2060年贡献率皆超过200%，主要原因在于这些县域碳排量较低，并且GGP面积较大（图8）。
图8 2030年和2060年京津冀地区县域尺度GGP的碳汇贡献率

Fig. 8 GGP carbon sink contribution ratios at the county scale in the Beijing-Tianjin-Hebei region in 2030 and 2060

4 讨论

本文仍存在几个方面的不确定性：① 基于遥感解译提取的GGP地块信息与中国林业统计年鉴以及中国环境统计年鉴的GGP面积数据不一致，2002—2019年退耕还林统计总面积为9135.74 km2，与本文结果存在一定差距，造成差异的主要原因在于统计年鉴的GGP统计面积包括耕地造林、种草以及宜林荒山荒地造林和封山育林的面积，而本文主要考虑了耕地造林、种草。此外，受遥感数据源及精度限制难以获得精准的退耕还林、退耕还草信息，现有土地利用数据精度约83.5%~85.7%，并且由于遥感数据分辨率不足以识别所有GGP地块，特别是GGP早期，农作物和幼龄林的光谱信息差异较小。② NEP模型模拟的精准性，特别是土壤呼吸估算的不确定性，本文所采用的Bond-Lamberty等[48]使用1000多组样本所建立的土壤呼吸作用模型，但这些数据多为按照生长季节土壤呼吸量外推的方法获取年数据，限制了土壤呼吸量的准确估计，导致NEP估算结果存在一定的不确定性[27,48]。③ 当前使用的数据空间分辨率为1 km，在多源数据不断丰富、大数据技术发展背景下，时空分辨率有待提升。④ 分阶段逐年实施的GGP时间跨度超过20 a，使用2000年和2020年的土地覆盖类型得到的GGP地块难以确定实施的具体年份，也会产生不确定性。⑤ 除GGP外，农户撂荒的耕地[49]也可能识别为退耕还草地块，成为GGP偏高的一个原因。
由此引出“退林还耕”的争议，即当前部分地区开展“种树改种粮”，实际上是对违规占用耕地种树造林的土地恢复种粮，即“违规占用耕地整改复耕”，并非将已经实施退耕还林还草的地块实施“退林还耕”。按照国家相关部委最新规定，区分耕地上造林情形，实行差别化管理，第三次全国国土调查（简称“三调”）为林地，实际属于在第二次全国土地调查及后续年度土地变更调查成果中的耕地上，实施国家退耕还林或按照国家政策和标准建设的防护林和绿色通道等，经地方各级自然资源主管部门与林草主管部门共同确认到图斑后，按照林地管理。国土“三调”为林地，不属于上述情形而属于在农户依法承包经营的耕地上种树的，经地方各级自然资源主管部门与林草主管部门共同确认，在尊重农户意愿的前提下，逐步恢复为耕地。为保护生态环境，国家投入巨额资金组织实施25°以上坡耕地的“退耕还林”，应禁止所谓的“退林还耕”。当前中国耕地保护利用的主要问题并非数量减少而是质量偏低，不存在耕地过度转化为林地和草地。按照京津冀国土空间规划，该地区半数以上国土为生态涵养区，耕地保有量和基本农田保护面积将双减少。未来，京津冀地区将持续推进完善退耕还林的后续政策，因此，其GGP仍具有较高的碳汇潜力。
本文研究表明，退耕还林的单位面积碳增汇作用明显，而退耕还草的碳汇增量使其存在较高的碳增汇潜力，可以成为碳中和及应对气候变化的一个有力手段。在京津冀北部存在较大面积的GGP地块，且在这些区域县域碳排量较低，GGP将在这些县域抵消较大比重的碳排放量。京津冀地区东南部仍存在大面积具备GGP潜力的耕地。GGP实施的初衷是将水土流失严重、沙化盐碱化石漠化严重以及粮食产量低而不稳的耕地，通过造林、种草或封育恢复植被，通过巩固期与新一轮工程的实施，进一步将具备条件的坡耕地、部分陡坡基本农田、重要水源地15°~25°坡耕地、严重沙化和污染耕地等用于扩大GGP规模[50]。因此，GGP的重要生态功能偏重土壤保持、水源涵养、防风固沙等，当然从生态系统服务权衡与协同的角度，学者也提出通过GGP可以实现更多生物多样性益处和其他生态系统服务[51]。故而，本文探讨了GGP的碳汇功能及其碳增汇潜力，分析其对于县域碳减排与碳中和的贡献，结果反映需要正确认识GGP的碳汇作用，不应忽视也不可高估陆地生态系统的碳汇潜力。下一步需要深入实践生态保护、修复及生态系统管理中可能的固碳增汇技术措施，以及如何精细量化碳汇量等核算研究。

5 结论

本文回溯2000—2020年京津冀地区GGP的碳增汇能力，进而预测2030年和2060年不同GGP情景下的碳增汇潜力，厘定GGP对于县域尺度碳达峰、碳中和双碳目标的贡献率，得到主要结论为：① 2000—2020年京津冀地区GGP面积达7887.41 km2，其中退耕还林面积占24%，集中于地区中部及东部，退耕还草面积占76%，集中于西北部。期间，GGP共产生了48.03 Tg C碳汇增量，其中25.27%来自于退耕还林，74.73%来自于退耕还草。② 在可持续发展、基准、区域竞争3种情景下，2030年该地区GGP面积将分别达到5.05万km2、4.75万km2和4.86万km2，2060年分别新增5.06万km2、4.80万km2和5.26万km2，主要集中于张承地区。③ 2030年GGP县域碳汇量为-0.002~0.500 Tg C a-1，县域碳排贡献率为-0.62%~29.44%。2060年GGP县域碳汇增量阈值为-0.07~0.49 Tg C a-1，县域碳排的贡献率为-78.36%~823.48%，可持续发展情景下GGP对碳达峰年贡献率最多，区域竞争情境下GGP对碳中和贡献率最多。
本文对于2000—2020年及未来碳达峰及碳中和年份的京津冀地区GGP的碳增汇效应以及其对碳排放的贡献率进行核定，研究结果有助于对于管理者对于生态修复工程的碳增汇效应进行把控和分析，同时有望对中国“双碳”目标的达成提供数据支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
UNFCCC. The Paris agreement. Paris:The 21st United Nations Climate Change Conference, 2015.

[2]
The State Council of the People's Republic of China. Opinions of the State Council of the People's Republic of China on Fully, Accurately and Comprehensively Implementing the New Development Concept to Achieve Carbon Peak and Carbon Neutral Work. 2021.

[ 中华人民共和国中央人民政府. 中共中央、国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见. 2021.]

[3]
Felipe-Lucia M R, Soliveres S, Penone C, et al. Multiple forest attributes underpin the supply of multiple ecosystem services. Nature Communications, 2018, 9: 4839. DOI: 10.1038/s41467-018-07082-4.

PMID

[4]
Pan Y D, Birdsey R A, Fang J Y, et al. A large and persistent carbon sink in the world's forests. Science, 2011, 333(6045): 988-993.

DOI PMID

[5]
Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data. Nature, 2020, 586(7831): 720-723.

DOI

[6]
DeGryze S, Six J, Paustian K, et al. Soil organic carbon pool changes following land-use conversions. Global Change Biology, 2004, 10(7): 1120-1132.

DOI

[7]
Fang J Y, Chen A P, Peng C H, et al. Changes in forest biomass carbon storage in China between 1949 and 1998. Science, 2001, 292(5525): 2320-2322.

DOI

[8]
Laganiere J, Angers D A, Pare D. Carbon accumulation in agricultural soils after afforestation: A meta-analysis. Global Change Biology, 2010, 16(1): 439-453.

DOI

[9]
Lal R. Soil carbon sequestration in China through agricultural intensification, and restoration of degraded and desertified ecosystems. Land Degradation & Development, 2002, 13(6): 469-478.

DOI

[10]
Li D J, Niu S L, Luo Y Q. Global patterns of the dynamics of soil carbon and nitrogen stocks following afforestation: A meta-analysis. New Phytologist, 2012, 195(1): 172-181.

DOI PMID

[11]
Post W M, Kwon K C. Soil carbon sequestration and land-use change: Processes and potential. Global Change Biology, 2000, 6(3): 317-327.

DOI

[12]
Fan Zemeng. Simulation of land cover change in Beijing-Tianjin-Hebei region under different SSP-RCP scenarios. Acta Geographica Sinica, 2022, 77(1): 228-244.

DOI

[ 范泽孟. 基于SSP-RCP不同情景的京津冀地区土地覆被变化模拟. 地理学报, 2022, 77(1): 228-244.]

DOI

[13]
Griscom B W, Adams J, Ellis P W, et al. Natural climate solutions. PNAS, 2017, 114(44): 11645-11650.

DOI PMID

[14]
Huang Lin. A review on the climatic regulation effects of afforestation and its impact mechanisms. Acta Ecologica Sinica, 2021, 41(2): 469-478.

[ 黄麟. 造林气候调节效应及其影响机理研究进展. 生态学报, 2021, 41(2): 469-478.]

[15]
Huang Lin. Research progress on the ecological effects of forest management. Acta Ecologica Sinica, 2021, 41(10): 4226-4239.

[ 黄麟. 森林管理的生态效应研究进展. 生态学报, 2021, 41(10): 4226-4239.]

[16]
Deng L, Liu G B, Shangguan Z P. Land-use conversion and changing soil carbon stocks in China's 'Grain-for-Green' Program: A synthesis. Global Change Biology, 2014, 20(11): 3544-3556.

DOI PMID

[17]
Deng L, Liu S G, Kim D G, et al. Past and future carbon sequestration benefits of China's grain for green program. Global Environmental Change: Human and Policy Dimensions, 2017, 47: 13-20.

DOI

[18]
Wu D H, Zhao X, Zhao W Q, et al. Response of vegetation to temperature, precipitation and solar radiation time-scales: A case study over mainland Australia. Quebec: IEEE Joint International Geoscience and Remote Sensing Symposium (IGARSS): 35th Canadian Symposium on Remote Sensing, 2014.

[19]
Gamfeldt L, Snall T, Bagchi R, et al. Higher levels of multiple ecosystem services are found in forests with more tree species. Nature Communications, 2013, 4: 1340. DOI: 10.1038/ncomms2328.

PMID

[20]
Heimann M, Reichstein M. Terrestrial ecosystem carbon dynamics and climate feedbacks. Nature, 2008, 451(7176): 289-292.

DOI

[21]
Pachauri R K, Reisinger A. Climate Change 2007:Synthesis Report. Geneva: IPCC, 2007.

[22]
Runting R K, Ruslandi, Griscom B W, et al. Larger gains from improved management over sparing-sharing for tropical forests. Nature Sustainability, 2019, 2(1): 53-61.

DOI

[23]
UNFCCC. Kyoto protocol. Kyoto:The 11st United Nations Climate Change Conference, 1997.

[24]
Bonan G B. Forests and climate change: Forcings, feedbacks, and the climate benefits of forests. Science, 2008, 320(5882): 1444-1449.

DOI PMID

[25]
Liu J G, Li S X, Ouyang Z Y, et al. Ecological and socioeconomic effects of China's policies for ecosystem services. PNAS, 2008, 105(28): 9477-9482.

DOI PMID

[26]
Lu F, Hu H F, Sun W J, et al. Effects of national ecological restoration projects on carbon sequestration in China from 2001 to 2010. PNAS, 2018, 115(16): 4039-4044.

DOI PMID

[27]
Ouyang Z Y, Zheng H, Xiao Y, et al. Improvements in ecosystem services from investments in natural capital. Science, 2016, 352(6292): 1455-1459.

DOI PMID

[28]
Deng L, Kim D G, Li M Y, et al. Land-use changes driven by 'Grain for Green' program reduced carbon loss induced by soil erosion on the Loess Plateau of China. Global and Planetary Change, 2019, 177: 101-115.

DOI

[29]
Liu Bojie, Lu Fei, Wang Xiaoke, et al. Greenhouse gas emissions, carbon leakage and net carbon sequestration from afforestation and forest management: A review. Chinese Journal of Applied Ecology, 2017, 28(2): 673-688.

[ 刘博杰, 逯非, 王效科, 等. 森林经营与管理下的温室气体排放、碳泄漏和净固碳量研究进展. 应用生态学报, 2017, 28(2): 673-688.]

[30]
Zheng Qianhui, Wei Haihang, Chen Jian, et al. Study on carbon sink value evaluation of Three-north Shelterbelt Program in the past 40 years. Forestry Economics, 2019, 41(2): 67-73, 112.

[ 郑芊卉, 韦海航, 陈健, 等. 三北工程四十年碳汇价值评价研究. 林业经济, 2019, 41(2): 67-73, 112.]

[31]
Tian Yuxin, Li Xiquan, Jiang Lijuan, et al. Estimate of carbon sink and evaluation of ecological economics on the Stage I of Yangtze River Protection Forests Project in Hunan. Research of Soil and Water Conservation, 2004, 11(1): 33-36, 49.

[ 田育新, 李锡泉, 蒋丽娟, 等. 湖南一期长防林碳汇量及生态经济价值评价研究. 水土保持研究, 2004, 11(1): 33-36, 49.

[32]
Liu X P, Zhang W J, Cao J S, et al. Carbon sequestration of plantation in Beijing-Tianjins and source areas. Journal of Mountain Science, 2018, 15(10): 2148-2158.

DOI

[33]
Liu D, Chen Y, Cai W W, et al. The contribution of China's Grain to Green Program to carbon sequestration. Landscape Ecology, 2014, 29(10): 1675-1688.

DOI

[34]
Peng J, Hu X X, Wang X Y, et al. Simulating the impact of Grain-for-Green Programme on ecosystem services trade-offs in Northwestern Yunnan, China. Ecosystem Services, 2019, 39: 100998. DOI: 10.1016/j.ecoser.2019.100998.

[35]
Fan Jie, Lian Yanan, Zhao Hao. Review of the research progress in Beijing-Tianjin-Hebei region since 1980. Acta Geographica Sinica, 2022, 77(6): 1299-1319.

DOI

[ 樊杰, 廉亚楠, 赵浩. 1980年以来京津冀区域研究进展评论. 地理学报, 2022, 77(6): 1299-1319.]

DOI

[36]
Pan Mei, Chen Tianwei, Huang Lin, et al. Spatial and temporal variations in ecosystem services and its driving factors analysis in Jing-Jin-Ji region. Acta Ecologica Sinica, 2020, 40(15): 5151-5167.

[ 潘梅, 陈天伟, 黄麟, 等. 京津冀地区生态系统服务时空变化及驱动因素. 生态学报, 2020, 40(15): 5151-5167.]

[37]
Wang Shaojian, Fang Chuanglin, Wang Yang. Quantitative investigation of the interactive coupling relationship between urbanization and eco-environment. Acta Ecologica Sinica, 2015, 35(7): 2244-2254.

[ 王少剑, 方创琳, 王洋. 京津冀地区城市化与生态环境交互耦合关系定量测度. 生态学报, 2015, 35(7): 2244-2254.]

[38]
Jun C, Ban Y F, Li S N. Open access to Earth land-cover map. Nature, 2014, 514(7523): 434.

[39]
Liao W L, Liu X P, Xu X Y, et al. Projections of land use changes under the plant functional type classification in different SSP-RCP scenarios in China. Science Bulletin, 2020, 65(22): 1935-1947.

DOI PMID

[40]
Chen J D, Gao M, Cheng S L, et al. County-level CO2 emissions and sequestration in China during 1997-2017. Scientific Data, 2020, 7(1): 391. DOI: 10.1038/s41597-020-00736-3.

[41]
Chen B Z, Chen F H, Ciais P, et al. Challenges to achieve carbon neutrality of China by 2060: Status and perspectives. Science Bulletin, 2022, 67(20): 2030-2035.

DOI PMID

[42]
Jiang Tong, Wang Yanjun, Yuan Jiashuang, et al. 1989—2014年毛乌素沙地湖泊面积. Climate Change Research, 2018, 14(2): 155-164.

[ 姜彤, 王艳君, 袁佳双, 等. Projection of population and economy in the Belt and Road countries (2020-2060). 气候变化研究进展, 2018, 14(2): 155-164.]

[43]
Potter C S, Randerson J T, Field C B, et al. Terrestrial ecosystem production: A process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

DOI

[44]
Zhang Renping, Guo Jing, Zhang Yunling. Spatial distribution pattern of NPP of Xinjiang grassland and its response to climatic changes. Acta Ecologica Sinica, 2020, 40(15): 5318-5326.

[ 张仁平, 郭靖, 张云玲. 新疆草地净初级生产力(NPP)空间分布格局及其对气候变化的响应. 生态学报, 2020, 40(15): 5318-5326.]

[45]
Zhou Guangsheng, Zhang Xinshi. Study on climate-vegetation classification for global change in China. Acta Bontanica Sinica, 1996, 38(1): 8-17.

[ 周广胜, 张新时. 全球变化的中国气候—植被分类研究. 植物学报, 1996, 38(1): 8-17.]

[46]
Zhang Xinshi. The Potential evapotranspiration (PE) index for vegetation and vegetation-climatic classification (2): An introduction of main methods and PEP program. Acta Phytoecologica et Geobotanica Sinica, 1989, 13(3): 197-201.

[ 张新时. 植被的可能蒸散指标与植被—气候分类(二): 几种主要方法与PEP程序介绍. 植物生态学与地植物学学报, 1989, 13(3): 197-201.]

[47]
Persson M, Moberg J, Ostwald M, et al. The Chinese Grain for Green Programme: Assessing the carbon sequestered via land reform. Journal of Environmental Management, 2013, 126: 142-146.

DOI PMID

[48]
Bond-Lamberty B, Wang C K, Gower S T. A global relationship between the heterotrophic and autotrophic components of soil respiration? Global Change Biology, 2004, 10(10): 1756-1766.

DOI

[49]
Zhang Xuezhen, Zhao Caishan, Dong Jinwei, et al. Spatio-temporal pattern of cropland abandonment in China from 1992 to 2017: A meta-analysis. Acta Geographica Sinica, 2019, 74(3): 411-420.

DOI

[ 张学珍, 赵彩杉, 董金玮, 等. 1992—2017年基于荟萃分析的中国耕地撂荒时空特征. 地理学报, 2019, 74(3): 411-420.]

DOI

[50]
Liu Wenchao, Liu Jiyuan, Kuang Wenhui. Spatiotemporal patterns of soil protection effect of the Grain for Green Project in northern Shaanxi. Acta Geographica Sinica, 2019, 74(9): 1835-1852.

DOI

[ 刘文超, 刘纪远, 匡文慧. 陕北地区退耕还林还草工程土壤保护效应的时空特征. 地理学报, 2019, 74(9): 1835-1852.]

DOI

[51]
Hua F Y, Bruijnzeel L A, Meli P, et al. The biodiversity and ecosystem service contributions and trade-offs of forest restoration approaches. Science, 2022, 376(6595): 839-844.

DOI

Options
文章导航

/

〈 〉