基于格网和PLUS模型的大西安地区碳排放量估算与模拟

高宇, 刘欢, 鲍立佳, 石琳, 吴江

高宇, 刘欢, 鲍立佳, 石琳, 吴江. 基于格网和PLUS模型的大西安地区碳排放量估算与模拟[J]. 中国生态农业学报 (中英文), 2023, 31(10): 1553−1564. DOI: 10.12357/cjea.20230081
引用本文: 高宇, 刘欢, 鲍立佳, 石琳, 吴江. 基于格网和PLUS模型的大西安地区碳排放量估算与模拟[J]. 中国生态农业学报 (中英文), 2023, 31(10): 1553−1564. DOI: 10.12357/cjea.20230081
shu
GAO Y, LIU H, BAO L J, SHI L, WU J. Estimation and simulation of carbon emissions in Great Xi’an based on grid and patch-generated land-use simulation models[J]. Chinese Journal of Eco-Agriculture, 2023, 31(10): 1553−1564. DOI: 10.12357/cjea.20230081
Citation: GAO Y, LIU H, BAO L J, SHI L, WU J. Estimation and simulation of carbon emissions in Great Xi’an based on grid and patch-generated land-use simulation models[J]. Chinese Journal of Eco-Agriculture, 2023, 31(10): 1553−1564. DOI: 10.12357/cjea.20230081
shu
高宇, 刘欢, 鲍立佳, 石琳, 吴江. 基于格网和PLUS模型的大西安地区碳排放量估算与模拟[J]. 中国生态农业学报 (中英文), 2023, 31(10): 1553−1564. CSTR: 32371.14.cjea.20230081
引用本文: 高宇, 刘欢, 鲍立佳, 石琳, 吴江. 基于格网和PLUS模型的大西安地区碳排放量估算与模拟[J]. 中国生态农业学报 (中英文), 2023, 31(10): 1553−1564. CSTR: 32371.14.cjea.20230081
shu
GAO Y, LIU H, BAO L J, SHI L, WU J. Estimation and simulation of carbon emissions in Great Xi’an based on grid and patch-generated land-use simulation models[J]. Chinese Journal of Eco-Agriculture, 2023, 31(10): 1553−1564. CSTR: 32371.14.cjea.20230081
Citation: GAO Y, LIU H, BAO L J, SHI L, WU J. Estimation and simulation of carbon emissions in Great Xi’an based on grid and patch-generated land-use simulation models[J]. Chinese Journal of Eco-Agriculture, 2023, 31(10): 1553−1564. CSTR: 32371.14.cjea.20230081
shu

基于格网和PLUS模型的大西安地区碳排放量估算与模拟

  • 1.

    陕西地建土地勘测规划设计院有限责任公司　西安　710082

  • 2.

    咸阳师范学院地理与环境学院　咸阳　712099

基金项目: 陕西省土地工程建设集团内部科研项目(DJNY2022-13)和2022年度省级国有资本经营预算科技创新专项(高标准农田管理及现代农业示范区数字化关键技术研究)资助
详细信息
    作者简介:

    高宇, 主要从事资源环境遥感研究。E-mail: shehotgaoyu@163.com

    通讯作者:

    刘欢, 主要从事地理信息系统、土地利用等方面应用研究。E-mail: 382108315@qq.com

  • 中图分类号: TP79

Estimation and simulation of carbon emissions in Great Xi’an based on grid and patch-generated land-use simulation models

  • 1.

    Shaanxi Dijian Land Survey Planning and Design Institute Co., Ltd., Xi’an 710082, China

  • 2.

    College of Geography and Environment, Xianyang Normal University, Xianyang 712099, China

Funds: This study was supported by the Internal Scientific Research Project of Shaanxi Land Engineering Construction Group (DJNY2022-13) and the Provincial State-Owned Capital Management Budget Science and Technology Innovation Special Fund Project (Digital Key Technology Research on High Standard Farmland Management and Modern Agricultural Demonstration Area) in 2022.
More Information

摘要

    摘要
  • 摘要: 土地利用变化导致区域碳排放显著变化, 估算由土地利用变化导致的碳排量变化可以为区域“双碳”目标的实现提供重要实践参考。为摸清大西安地区1990—2020年土地利用类型时空演变规律及其碳排放效应, 基于排放因子法和PLUS (patch-generating land use simulation)模型, 从行政单元和栅格两种尺度, 探索研究区土地利用和碳排放的时空演变关系并模拟其未来分布模式。研究结果表明: 1) 1990—2020年, 耕地面积持续减少, 年均减少21.86 km2; 林地、草地和水域面积波动减少, 年均减少面积分别为0.28 km2、1.69 km2和0.08 km2; 建设用地面积持续扩张, 年均扩张面积23.88 km2; 未利用地面积波动增加, 增加面积为1.14 km2。2) 1990—2020年, 大西安地区碳排放量由280.00 t(C)∙a−1增长至2342.27 t(C)∙a−1, 年均增长68.74 t(C); 空间分布总体呈“南高北低”的格局。3) 1990—2020年, 大西安地区碳排放强度最大值由7461.94 t(C)∙km−2∙a−1增加至45 400.90 t(C)∙km−2∙a−1, 增长了5.08倍。空间上, 该地区碳排放强度始终呈现出“北高南低”的分布模式。4) 2025年和2030年, 大西安地区依旧是以耕地和林地为主要土地利用类型, 其面积之和分别占研究区总面积的63.53%和62.45%; 2020—2030年, 该区域内耕地、林地、水域和未利用地面积持续减少, 而草地和建设用地面积增加, 碳排放总量增加2.96×103万 t(C)∙a−1, 碳排放强度呈现出“东高西低”的分布格局。过去30年, 大西安地区的碳排放量和碳排放强度都在迅速增加。
    Abstract: Land use change leads to substantial changes in regional carbon emissions, and estimating changes in carbon emissions caused by land use change provides an important practical reference for promoting the regional realization of “dual carbon” goals. This study aimed to investigate the spatial and temporal evolution patterns of land use types and their carbon emission effects in the Great Xi’an area from 1990 to 2020 and to predict its future carbon emission characteristics. Therefore, in this study, carbon emissions and carbon intensity involving the study area were estimated based on the emission factor method on two scales, administrative units and grids, and carbon emission characteristics of the study area in 2025 and 2030 were simulated using a patch-generated land-use simulation model. The results showed that: 1) from 1990 to 2020, the area of cultivated land continued to decrease, with an average annual decrease of 21.86 km2; the fluctuation of forest land, grassland, and water areas decreased, with an average annual decrease of 0.28 km2, 1.69 km2 and 0.08 km2, respectively; and construction land area continued to expand, with an average annual expansion area of 23.88 km2. The area of unused land fluctuated and increased by 1.14 km2. 2) From 1990 to 2020, carbon emissions in Great Xi’an increased from 280.00 t∙a−1 to 2342.27 t∙a−1, with an average annual growth of 68.74 t. From 2005 to 2010, it had the fastest growth rate of carbon emissions with an average annual growth of 125.86 t, whereas from 1990 to 2000, these grew at the slowest rate, averaging only 10.06 t per year. Whereas spatial distribution patterns were generally high in the south and low in the north, carbon emissions of Chang’an District in the south of the study area were much higher than those of Yanliang District in the north. 3) From 1990 to 2020, the maximum carbon emission intensity in Great Xi’an increased from 7461.94 t(C)∙km−2∙a−1 to 45 400.90 t(C)∙km−2∙a−1, an increase of nearly five-fold. In terms of space, the carbon emission intensity in the region always exhibited a distribution pattern of high in the north and low in the south, the carbon emission intensity of the main city of Great Xi’an was much higher than that of other regions. 4) Between 2025 and 2030, cropland and forest land will continue to be the primary land-use types in the Great Xi’an area, with the sum of their areas accounting for 63.53% and 62.45% of the total study area, respectively. From 2020 to 2030, the areas of cropland, forest land, water, and unused land in the region will continue to decrease, whereas the areas of grassland and construction land will increase. The total carbon emission increased by 2.96×107 t(C)∙a−1, and the carbon emission intensity revealed a distribution pattern of high in the east and low in the west. Carbon emissions and their intensity in the Great Xi’an region have increased rapidly over the past 30 years.
    • HTML全文

  • 甘蔗(Saccharum officinarum L.)作为最具潜力的高产生物能源经济作物[1-2], 是制糖的重要原料, 其生长对光照、雨热需求较高, 导致全球甘蔗种植主要分布在坡度5%~30%、纬度30°N~30°S的地区[3]。中国是仅次于巴西和印度的世界第三大甘蔗生产国, 而广西则是中国甘蔗种植和产糖量第一大省[4-5]。水分供给是高耗水甘蔗正常生长的一个主要控制因子[3-6], 但广西历年降水季节分配不均, 蔗区多石山丘陵, 坡耕地居多, 岩溶发育及土层保水能力弱, 且全区甘蔗种植仍以雨养为主, 致使甘蔗饱受干旱灾害侵袭而产量损失巨大。南宁市是广西甘蔗的三大种植产区之一, 更是广西年降雨量最少的市区之一, 区域气象干旱灾害频发, 并具有多重时间尺度、旱涝并存及交替叠加的现象, 对甘蔗生长及产量累积等造成显著影响[7]。为此, 开展南宁市甘蔗生长过程、生物量及产量累积对各种气象干旱情景的响应机制研究, 在明晰广西甘蔗旱灾响应机理, 实现甘蔗旱灾风险调控及预警、田间精准智慧管理及制定有效的防灾减灾应对措施等方面具有重要科学意义。

    近年来, 关于甘蔗干旱的研究主要是分析甘蔗干旱时空演变特征[8-9]、基于旱灾损失资料的风险评估[10-11]、水分亏缺胁迫及抗旱的生理生化性能指标响应、干旱对其形态特征的影响等方面[12-13], 而借助反映生长物理过程的作物模型开展甘蔗对各种干旱(水分亏缺胁迫)情景的响应机制研究则相对较少。作物模型基于系统科学思想, 综合气候、土壤、作物生理及田间管理等因素, 在揭示作物生长过程、生物量与产量累积对干旱的响应机制具有独特优势[14-15]。在众多作物模型中, 联合国粮农组织(FAO)于2009年推出的Aqua Crop作物生长模型[16-18]主要包括: 土壤水分平衡、作物生长模拟和大气组分等3个模块, 以水分为主控驱动因子, 适于甘蔗这种高耗水作物的生长模拟研究。Aqua Crop模型已被广泛应用于小麦(Triticum aestivum L.)、玉米(Zea mays L.)及水稻(Oryza sativa L.)等粮食作物的产量模拟及灌溉制度优化, 证实其具有良好的模拟精度和应用潜力[19-20]。此外, 针对广西气象干旱的季节性、骤发性并存及旱涝交替并发的特征[7,20-22], 文中选择只需要降水资料的标准化加权平均降水指数(standard weighted average precipitation, SWAP)[23-25]进行南宁市气象干旱事件及其发生发展过程的逐日精细化识别, 一方面可避免其他常用干旱指数因各气象要素资料不足或短缺而造成分析结果的不连续性; 另一方面, 可为结合作物模型实现甘蔗对气象干旱响应机制的业务化精确预警及旱灾风险智慧调控奠定科学与技术基础。

    综上, 本文基于对南宁市1978—2018年逐日SWAP气象干旱时空特征统计分析, 确定该区域甘蔗各生育期实际可能发生的气象干旱情景, 在本地化Aqua Crop模型参数基础上, 实现甘蔗生长、生物量及产量累积对气象干旱的强度、历时及生育期敏感性等关键要素变化响应的精细化模拟。

    1.   研究区域、数据与方法

    1.1   研究区域

    南宁市属亚热带季风湿润气候区, 有“桂中腹地” 之称, 地貌类型以盆地和山地丘陵为主, 周边区域岩溶发育(图1a), 全年气候温和, 日照充足, 能很好地满足甘蔗生长的热量和光照需求, 是广西三大甘蔗种植市区之一。全市降雨量充沛, 多年平均降水量达1304.2 mm[26-27], 但其时空分布不均, 加之下垫面为复杂地形地貌, 农业灌溉工程不足, 造成区域多年来气象干旱频发, 甘蔗干旱及旱灾损失巨大[10-11]。南宁市历年甘蔗种植面积相对稳定, 2018年为141 833 hm2, 占全区的16.0%。其空间分布呈总体分散、局部聚集的总体格局, 密集种植区主要有武鸣区、横县、宾阳县、邕宁区以及江南区等(图1b)。多年来, 南宁市甘蔗种植仍以雨养为主, 气象干旱造成的土壤水分亏缺一直是影响该区域甘蔗生长及其产量的一个主要因子。

    图  1  南宁市数字高程模型(DEM, a)、甘蔗种植分布(2018年)及China Meteorological Forces Dataset (CMFD) 197个数据格点(b)
    Figure  1.  Nanning Digital Elevation Model (DEM, a), sugarcane cultivation distribution (2018) and China Meteorological Forces Dataset (CMFD) 197 data grid points (b)
    下载: 全尺寸图片 幻灯片

    1.2   研究数据

    研究中涉及气象、土壤、作物、田间试验及管理等各类数据集。其中, 气象数据采用逐日尺度中国气象强迫数据集(China Meteorological Forces Dataset, CMFD), 是我国学者Jie等[28]开发的0.1°空间分辨率网格化数据, 包括1979—2018年逐日降雨量、最高气温、最低气温、平均气温、相对湿度、风速及太阳辐射量等; 其通过遥感产品、再分析数据集和原位站数据融合而成, 具有连续的时间覆盖和良好质量, 是目前应用最广泛的气候气象数据集之一(http://data.tpdc.ac.cn/en/data/8028b944-daaa-4511-8769-965612652c49/)。本研究中, 通过与地面气象站点数据对比分析, 发现CFMD日降雨、日气温与气象站数据相关性分别达0.80和0.98以上, 总体精度良好。文中采用的土壤数据, 主要是中国土壤数据库(http://vdb3.soil.csdb.cn/), 并以寒区旱区科学数据中心《基于世界土壤数据库的中国土壤数据集》作为参考; 具体通过Soil Water Characteristics计算获得的站点土壤水力参数; 根据Aqua Crop模型提供的作物信息库确定甘蔗生长模拟的作物参数, 并通过敏感性分析和率定参数实现本地化; 验证数据采用广西大学农学院农场的甘蔗全生育期田间试验观测数据; 田间管理数据按实际田间种植情况设置。

    1.3   研究方法

    1.3.1   标准化加权平均降雨指数(SWAP)

    为描述区域旱涝的逐日变化, Lu[29]于2009年基于降水要素, 并概化考虑下垫面水分耗散的综合累积效应, 提出加权平均降水指数(Weighted Average Precipitation, WAP), 计算公式如下:

    $$ {\rm{WAP}}=\left(\sum\nolimits _{n=0}^{N}{a}^{n}{P}_{n}\right)\bigg/\sum\nolimits _{n=0}^{N}{a}^{n} $$ (1)

    式中: n=0代表当前日; $ N $是当前日的前期影响天数; $ {P}_{n} $为前期第n日降水量; $ a $为表征前一日的降水对当前日下垫面湿润程度的贡献强度经验值参数, 论证时取0.9为适宜值, 此时$ N $取44 d。此后, Lu等[30]进一步针对WAP, 提出Gamma函数正态标准化的SWAP指数, 计算如下:

    $$ \frac{1}{\sqrt{2{\text{π} }}}{\int }_{-\infty }^{{\rm{SWAP}}}{\mathrm{e}}^{-{Z}^{2}/2}dz=\frac{1}{{\beta }^{\gamma }\Gamma \left(\gamma \right)}{\int }_{0}^{{\rm{WAP}}}{x}^{\gamma -1}{\mathrm{e}}^{-x/\,\beta }dx $$ (2)

    SWAP属于正态标准化变量, 具有与标准化降水指数(Standardized Precipitation Index, SPI)相同的强度等级划分标准, 即按正态分布曲线的数学拐点特征来划分干旱等级。但近年研究发现以出现概率(重现期)为标准来划分干旱等级更加科学合理, 并且与实际旱情更吻合。因此, 本文采用以出现概率为标准的干旱等级划分(表1)。

    表  1  标准化的加权平均降水指数(SWAP)干旱强度等级表
    Table  1.  Drought intensity gradation according to Standard Weighted Average Precipitation (SWAP)
    SWAP阈值范围 SWAP threshold range
    (−0.84, −0.52](−1.28, −0.84](−1.65, −1.28](−∞, −1.65]
    干旱等级
    Drought grade    		轻旱
    Light drought    		中旱
    Moderate drought    		重旱
    Severe drought    		特旱
    Extreme drought
    出现概率
    Probability of occurrence    		(0.2, 0.3](0.1, 0.2](0.05, 0.1](0, 0.05]
    下载: 导出CSV 
    | 显示表格

    基于上述等级划分阈值, 采用游程理论[25,31]识别并统计分析研究区的气象干旱事件特征(结果详见2.1节)。具体设定3个截断水平X0=−0.84、X1=−0.52和X2=0 (X表示SWAP干旱指数值), 识别步骤如下: 1)当一定时间尺度下(5 d及以上天数) SWAP指数值小于X1 (−0.52)时, 则初步判定该时间段发生干旱; 2)对于历时为1个时间段(5 d)的干旱, 若其干旱指数值大于X0, 则认为该时间段未发生干旱; 3)对于时间间隔仅为1 d的相邻2次干旱过程, 若间隔期的干旱指数小于X2, 则这2次干旱被视为从属干旱, 将其合并为1次干旱事件, 否则视为2次独立干旱过程。

    1.3.2   Aqua Crop模型原理

    根据FAO灌溉与排水第33号文件所述的作物产量和水分响应的转换关系如下[32]:

    $$ \frac{{Y}_{x}-{Y}_{0}}{{Y}_{x}}={k}_{y}\times \frac{{{\rm{ET}}}_{x}-{{\rm{ET}}}_{0}}{{{\rm{ET}}}_{x}} $$ (3)

    式中: ${Y}_{x}\mathrm{和}{Y}_{0}$分别为作物的潜在产量和实际产量, kg∙m−2; $ \mathrm{E}{\mathrm{T}}_{x}\mathrm{和}\mathrm{E}{\mathrm{T}}_{0} $分别为作物潜在蒸散量和实际蒸散量, mm; $ {k}_{y} $为产量对水分响应的系数。

    Aqua Crop模型对上述方程进行了改进, 将蒸散量进一步分为土壤蒸发量和作物蒸腾量两部分, 从而避免了非生产性用水(土壤蒸发)与生产性用水(作物蒸腾)效应的混淆; 最终的产量以生物量和收获指数来表示, 用以突出水分胁迫对二者各自的影响。改进后的公式如下:

    $$ Y=B\times \mathrm{H}\mathrm{I} $$ (4)
    $$ B=\mathrm{W}\mathrm{P}\times \sum {T}_{\mathrm{r}} $$ (5)
    $$ Y={f}_{\mathrm{H}\mathrm{I}}\times \mathrm{H}{\mathrm{I}}_{0}\times B $$ (6)

    式中: Y为最终作物产量(t∙hm−2); B为生物量(t∙hm−2); HI为收获指数; WP为生物量水分生产效率(kg∙m−2∙mm−1); $ {T}_{{\rm{r}}} $为作物蒸腾量(mm); $ \mathrm{H}{\mathrm{I}}_{0} $是参考收获指数; $ {f}_{\mathrm{H}\mathrm{I}} $是调整系数, 用来反映各种胁迫(水分胁迫、温度胁迫等)对作物产量的影响。

    此外, 文中涉及甘蔗各要素受旱的减小量描述, 分别采用产量减少率、生物量减少率、作物总蒸腾减少率来表达, 公式如下:

    $$ {Y}_{{\rm{w}}}=\frac{{Y}_{\mathrm{i}}-{Y}_{\mathrm{c}\mathrm{k}}}{{Y}_{\mathrm{c}\mathrm{k}}}\times 100{\text{%}} $$ (7)
    $$ {B}_{{\rm{w}}}=\frac{{B}_{\mathrm{i}}-{B}_{\mathrm{c}\mathrm{k}}}{{B}_{{\rm{ck}}}}\times 100{\text{%}} $$ (8)
    $$ {T}_{{\rm{rw}}}=\frac{{T}_{\mathrm{ri}}-{T}_{\mathrm{rc}\mathrm{k}}}{{T}_{\mathrm{rc}\mathrm{k}}}\times 100{\text{%}} $$ (9)

    式中, $ {Y}_{\mathrm{w}} $、$ {B}_{\mathrm{w}} $、${T}_{\mathrm{rw}}$分别表示甘蔗因干旱水分胁迫的减产率、生物量减少率、总蒸腾减少率, ${Y}_{{\rm{i}}}$、${B}_{{\rm{i}}}$、${T}_{{\rm{ri}}}$分别表示干旱情景下的产量、生物量、作物总蒸腾量, ${Y}_{{\rm{ck}}}$、${B}_{{\rm{ck}}}$、${T}_{{\rm{rck}}}$表示对照组2017年的对应要素。

    1.3.3   甘蔗干旱过程模拟数据库构建

    Aqua Crop模型输入参数主要包括研究区的气象、土壤、作物生长及管理措施等4类信息。气象数据库包括降水量(P)、参考蒸散发量(ET0)、日最高/最低气温(Tmax/Tmin)和CO2浓度4类, ET0可通过FAO发布的ET0 Calculator求出。土壤数据库包括土层剖面水分和地下水两个模块, 土层剖面水分参数主要有田间持水量、永久凋萎点、饱和导水率及饱和渗透系数等, 地下水参数主要有地下水位和盐度等; 具体采用模型中的Soil Water Characteristics工具计算土层剖面水分参数, 地下水参数影响较小, 按默认值处理。作物数据库包括植物冠层、植物根系、植物蒸腾、产量、水分、盐分、肥力及温度胁迫等模块, 且每个模块均包括多个参数。本研究针对甘蔗作物生长特征, 综合参考Bahmani等[33]、Zu等[34]、阮红燕[35]学者对不同地区甘蔗作物对水分亏缺响应、潜在生产力及气候变化影响研究中所采用的作物参数值, 形成本文中的甘蔗作物参数库, 进而通过广西大学农学院农场开展的甘蔗田间试验观测数据(表2)进行作物参数敏感性分析及率定验证, 实现Aqua Crop模型模拟参数的本地化。管理数据库包括灌溉管理和田间管理两个模块, 灌溉管理有灌溉方式、灌溉时间及灌溉量等, 田间管理有施肥水平、覆盖程度及田间地表措施等。具体按表2中的田间试验的管理措施进行设置。

    表  2  率定Aqua Crop模型所用试验数据来源
    Table  2.  Sources of experimental data for calibration of Aqua Crop model
    序号
    Serial number    		试验地点
    Experimental site    		播种时间(年-月-日)
    Sowing time (year-month-day)    		收获日期(年-月-日)
    Harvest date (year-month-day)    		作用
    Effect    		来源
    Source
    1 南宁, 广西大学农学院农场
    Farm, College of Agriculture, Guangxi University, Nanning    		 2015-03-02 2015-12-28 率定
    Calibration    		 [35]
    2 南宁, 广西大学农学院农场
    Farm, College of Agriculture, Guangxi University, Nanning    		 2016-03-08 2017-01-06 验证
    Verification    		 [35]
    下载: 导出CSV 
    | 显示表格

    本研究主要输出南宁市甘蔗生长过程中的冠层覆盖度(canopy cover, CC)、作物蒸腾(crop transpiration, Tr)、生物量(biomass production, B)及甘蔗产量(cane yield, Y)等4个要素。

    2.   南宁气象干旱特征及甘蔗生育期干旱情景设置

    2.1   南宁市气象干旱统计特征

    基于南宁市甘蔗生育期时段划分(3月10日—12月25日, 共291 d, 详见表3), 采用游程理论[25,31]识别并统计了该市1980—2018年(197个格点)逐日SWAP序列表达的气象干旱; 然后根据Matlab程序计算出干旱事件的干旱强度、干旱次数和干旱频次。甘蔗全生育期时段内干旱累积历时、平均强度和平均频次空间分布如图2a-c所示, 甘蔗各生育期的历年干旱累积历时和强度变化特征如图2d-e所示。图2a表明, 南宁市干旱历时空间分布不均匀, 但总体主要在90 d∙a−1以上, 尤其在市区北部及横县区域达105~120 d∙a−1, 即南宁市平均每年约有近1/3的时段为干旱天数。图2b显示, 南宁市所发生的气象干旱事件强度总体呈中部高南北局部低的空间分布格局, 大部分区域的干旱强度等级为中旱和重旱。由图2c可知, 南宁市气象干旱事件发生的频次呈中北部及横县区域高(2~3 次∙a−1), 其他局部区域相对较低(1~2 次∙a−1, 如市区南部、宾阳县局部等)的分布格局。综上可知, 南宁市基本每年都有气象干旱事件发生, 且强度以中旱和重旱为主, 年度累计干旱历时天数常在90 d以上。由图2d、e可知, 近40年来, 南宁市气象干旱发生在甘蔗各生育期的历时和强度差异显著, 总体上, 成熟期>茎伸长期>萌芽期>分蘖期。其中, 萌芽期历年发生的气象干旱历时变化范围主要为5~40 d、强度变化范围为0~−70; 茎伸长期分别为5~40 d、0~−80; 成熟期分别为5~50 d、0~−70; 而分蘖期时段短(40 d)且为历年雨季, 基本不发生气象干旱。南宁市甘蔗全生育期历年发生的气象干旱总历时与累积强度范围分别为10~120 d和0~−152, 大部分年份干旱天数超过60 d; 但目前关于气象干旱对南宁市以雨养为主的甘蔗生长造成的定量影响研究成果相对不足, 因此, 要制定有效的甘蔗旱灾综合防范方案, 对应的甘蔗生长过程响应机制的定量解决亟待澄清。

    表  3  甘蔗各生育期历时和干旱模拟情景设置
    Table  3.  Duration and scenario setting of different drought grades of different sugarcane growth stages
    生育期
    Growth stage    		日期时段
    Date period    		历期
    Duration (d)    		干旱历时 Drought duration (d)
    轻旱
    Light drought    		中旱
    Moderate drought    		重旱
    Severe drought    		特旱
    Extreme drought
    萌芽期
    Sprouting    		03-10—05-09615~4015~45——
    分蘖期
    Tilling    		05-10—06-1840————
    茎伸长期
    Stem elongation     		06-19—11-05140 5~4015~4530~50—
    成熟期
    Maturity    		11-06—12-25505~4015~4530~50—
    下载: 导出CSV 
    | 显示表格
    图  2  1980—2018年南宁市气象干旱历时(a)、强度(b)和频次(c)的空间分布及历时(d)和强度(e)的年际变化
    Figure  2.  Spatial distribution of meteorological drought duration (a), intensity (b) and frequency (c), and intrannual variations of meteorological drought duration (d) and intensity (e) in Nanning from 1980 to 2018
    下载: 全尺寸图片 幻灯片

    2.2   甘蔗生育期气象干旱情景设置

    根据南宁甘蔗种植及生长成熟实际情况, 将3月10日—12月25日(共291 d)确定为全生育期时段, 各生育期按表3的时间进行划分。为了更好地揭示不同历时和强度气象干旱情景下, 南宁市甘蔗的长势、生物量及产量累积响应机制, 结合2.1节的分析结果, 将历年甘蔗气象干旱的可能情景设置如表3所示, 干旱历时变化步长设定为5 d, 历年没有发生的气象干旱情景则不进行模拟分析。

    3.   Aqua Crop模型参数化及南宁市甘蔗的历史干旱响应模拟

    3.1   Aqua Crop模型参数敏感性分析

    以南宁市甘蔗种植的主要品种‘新台糖16号’进行模型主要敏感参数的分析及本地化率定。采用扩展傅里叶幅度检验法(EFAST)对Aqua Crop模型的13个主要参数(表4)进行全局敏感性分析[32-36], 以便实现模型参数的快速本地化。分析中, 各参数的变化范围设置为参考值的上下限加减30%, 参数采样方法为蒙特卡罗法, 采样次数3965次。模拟分析了南宁广西大学农场试验站(表2) 2015年甘蔗的生物量与产量响应各参数的敏感性。最终得到各参数的一阶敏感性指数(sensitivity index, Si)和全局敏感性指数(total order sensitivity index, STi) (图3), 前者表示参数对模型输出的直接影响, 后者则表示参数对模型输出直接和间接影响的加和。参考Dejonge等[37]对全球农业生态系统的敏感性阈值, 将Si>0.05、STi>0.1的参数视为较敏感参数。上述分析过程主要通过Simlab (V2.2)和Python工具实现。

    表  4  Aqua Crop模型进行敏感性分析的参数及其取值范围
    Table  4.  Parameters and ranges of Aqua Crop model involved in sensitivity analysis
    项目
    Item    		限制冠层扩张的
    土壤水分消耗上限
    Upper limit of soil
    water consumption limiting canopy expansion    		限制冠层扩张的
    土壤水分消耗下限
    Lower limit of soil water consumption limiting canopy expansion    		限制气孔导度的
    土壤水分消耗上限
    Upper limit of soil water consumption limiting stomatal conductance    		引起冠层早衰的
    土壤水分消耗上限
    Upper limit of soil water consumption causing premature
    canopy senescence    		冠层完整即将衰
    老时的作物系数
    Crop coefficient
    when canopy is
    intact and about
    to senesce    		最大有效根深
    Maximum effective root depth (m)    		冠层增长系数
    Canopy growth coefficient
    序号
    Number    		1234567
    上限
    Upper limit    		0.1560.8450.4680.5721.430.390.056
    下限
    Lower limit    		0.0840.4550.2520.3080.770.210.030
    项目
    Item
    		最大冠层覆盖度
    Maximum canopy
    coverage (%)    		从播种到最大根深的时长
    Time from sowing to maximum root depth (d)    		作物衰老的时间
    Time from sowing to senescence (d)    		冠层衰减系数
    Canopy attenuation
    coefficient    		ET0和CO2为标准规范化
    的水分生产效率
    Standardized water productivity with ET0 and CO2 (g∙m−2)    		参考收获指数
    Reference harvest index (%)
    序号
    Number    		8910111213
    上限
    Upper limit    		1.248215.8345.80.070390239.2
    下限
    Lower limit    		0.672116.2186.20.03521128.8
    下载: 导出CSV 
    | 显示表格
    图  3  Aqua Crop模型主要参数对甘蔗产量和生物量的敏感性判别
    各参数具体见表4。Si: 一阶敏感性指数; STi: 全局敏感性指数。
    Figure  3.  Parameters sensitivities to sugarcane yield and biomass by Aqua Crop model
    The name of each parameter is shown in the table 4. Si: sensitivity index; STi: total order sensitivity index.
    下载: 全尺寸图片 幻灯片

    由图3可知, Aqua Crop模型中的1~4、6、7、9及11号(表4)参数敏感性均较弱, 其数值变化对甘蔗产量和生物量没有显著影响。而5、10及12号参数的Si和STi值均显著高于敏感性指数判别阈值, 其数值变化对甘蔗产量和生物量均具有较显著的影响。8号参数Si值略高于一阶敏感性判别阈值, 但低于全局敏感性判别阈值, 总体敏感性有限。而13号参数的Si和STi值显示, 其变化对甘蔗产量有显著影响, 而对甘蔗生物量没有影响。

    3.2   Aqua Crop模型参数本地化

    基于参数的敏感性分析结果, 重点对Aqua Crop模型的敏感性参数及作物生长控制参数等进行多次调整, 最终率定得到了Aqua Crop模型模拟南宁甘蔗生长的本地化参数取值(表5)。进而对比Aqua Crop模型模拟与试验站17个田块实测的甘蔗产量可知 (图4), 二者拟合R2和精确度(Pre)分别为0.92和0.89, 模拟产量的均方根误差(RMSE)及其误差百分率分别为4.05 t∙hm−2和3.84%, 总体模拟效果优良。由此表明, 本研究中采用Aqua Crop模型及其本地化参数开展南宁甘蔗生长过程模拟具有较高的模拟精度和应用价值。

    表  5  南宁市甘蔗生长模拟的Aqua Crop模型本地化参数取值
    Table  5.  Sugarcane crop localized parameters of sugarcane crop of Aqua Crop model in Nanning
    参数
    Parameter    		作物参数
    Crop parameter    		单位
    Unit    		取值
    Value    		参数
    Parameter    		作物参数
    Crop parameter    		单位
    Unit    		取值
    Value
    作物
    生长
    Crop
    growth    		 初始冠层覆盖度
    Initial canopy cover    		 % 1.0 作物蒸腾
    Crop transpiration    		 冠层完整且即将衰老时的作物系数
    Crop coefficient when canopy is intact and about
    to senesce    		 — 1.10
    冠层增长系数
    Canopy growth coefficient    		 % 4.5 生物量及
    产量形成
    Biomass and
    yield formation    		 以ET0和CO2为标准规范化水分生产率
    Standardized water productivity with ET0
    and CO2    		 g·m−2 31
    冠层衰减系数
    Canopy attenuation coefficient    		 % 4.2 参考收获指数
    Reference harvest index    		 % 165
    最大冠层覆盖度
    Maximum canopy cover    		 % 95 收获指数允许的最大增长率
    Maximum growth rate allowed by harvest index    		 % 10
    作物开始到露头的时间
    Time from start to emergence     		d 7 土壤水分胁迫
    Soil water stress    		 限制冠层扩展的土壤水分消耗上限
    Upper limit of soil water comsumption to limit
    canopy expansion    		 — 0.12
    达到冠层最大覆盖度的时间
    Time to reach maximum canopy cover    		 d 140 限制冠层扩展的土壤水分消耗下限
    Lower limit of soil water comsumption to limit
    canopy expansion    		 — 0.65
    作物开始到衰老的时间
    Time from crop initiation to senescence    		 d 220 引起冠层早衰的土壤水分消耗上限
    Upper limit of soil water comsumption causing premature canopy failure    		 — 0.44
    作物开始到成熟的时间
    Time from crop initiation to maturity    		 d 291 限制气孔导度的土壤水分消耗上限
    Upper limit of soil water comsumption limiting stomatal conductance    		 — 0.36
    作物产生经济计量的时间
    Time to produce econometric measures for the crop    		 d 110 限制通风条件下, 低于饱和厌氧点
    Restricted ventilation conditions, below saturation
    anaerobic point    		 Vol % 5
    作物建立收获指数的时间
    Time for crop establishment of harvest index    		 d 130 气温胁迫
    Air temperature
    stress    		 基础温度
    Base temperature    		 ℃ 5
    播种到最大根深时长
    Time from seeding to maximum root depth    		 d 130 上限温度
    Upper limit temperature    		 ℃ 32
    根系
    Root system    		 根取膨胀形状因子
    Root taking expansion shape
    factor    		 / 1.5 根系
    Root system    		 最小/大有效根深
    Minimum/maximum effective root depth    		 m 0.1/1.8
    下载: 导出CSV 
    | 显示表格
    图  4  Aqua Crop模型模拟甘蔗产量结果验证
    Figure  4.  Verification of sugarcane yield simulation by Aqua Crop Model
    下载: 全尺寸图片 幻灯片

    3.3   南宁市历史典型年气象干旱的甘蔗响应模拟

    为厘清南宁市历史SWAP气象干旱情景下甘蔗长势、生物量及产量累积响应特征, 在1978—2018年时段内依次选择典型无旱年2017年(作为参考对照年份, CK)、典型轻旱年2016年、典型中旱年2009年、典型重旱年1992年, 分别对甘蔗的蒸腾量(Tr)、冠层覆盖度(CC)、生物量(B)及产量(Y)等要素进行模拟, 结果如图5所示。

    图  5  南宁市历时典型年甘蔗干旱响应模拟
    SWAP是校准降水指数, CC是冠层覆盖度, Tr是作物蒸腾量, B为生物量, Y为产量。
    Figure  5.  Simulation of sugarcane drought response in typical years in Nanning City
    SWAP is the calibrated precipitation index, CC is canopy cover, Tr is crop transpiration, B is biomass, and Y is yield.
    下载: 全尺寸图片 幻灯片

    从图5可知, 南宁市甘蔗Tr在分蘖期和伸长期对不同气象干旱情景具有敏感的波动响应变化特征, 如该生育期时段内各典型年SWAP与Tr序列的相关系数分别为0.38 (2017年)、0.66 (2016年)、0.69 (2009年)及0.70 (1992年), 均通过显著检验; Tr在伸长期中后时段受气象干旱影响呈显著下降变化, 尤其在中旱(2009年)和重旱(1992年)年份显著小于2017年无旱年份数值。而在萌芽期和成熟期, 甘蔗Tr总体均很小(接近0值), 与气象干旱SWAP序列无明显响应关系。

    由图5可知, 甘蔗CC在全生育期的变化主要受生理生长过程控制, 即自萌芽期中后时段开始快速增大到分蘖期末的最大值90%~100%, 并在伸长期能维持在最大值状态(如2017年全时段及其他典型年的无旱时段); 气象干旱对甘蔗CC能产生一定影响, 但需要水分亏缺累积到一定量值才能导致甘蔗CC的显著减小(如1992年重旱), 轻旱和中旱的影响相对较小(如2016年和2009年); 而成熟期甘蔗CC快速减小至0主要是生理现象, 基本不受气象干旱的影响。

    图5显示, 各典型年甘蔗B均从分蘖期初时段的0值快速增加到伸长期末时段的最大值(如2017年为66.535 t∙hm−2), 成熟期的增量最大约为10%; 表明气象干旱能一定程度上影响甘蔗B累积的最终数量(如2016年、2009年、1992年分别为58 t∙hm−2、53 t∙hm−2、45 t∙hm−2, 相对2017年分别减小13%、20%、33%), 而不能影响其全生育期单调增加的总体规律。

    图5表明, 甘蔗茎产量主要在伸长期中期(约8月中旬)开始迅速累积至成熟期末达最大值, 在无旱的2017年产量达116 t∙hm−2, 而轻、中、重旱年分别为97 t∙hm−2 (2016年)、87 t∙hm−2 (2009年)及70 t∙hm−2 (1992年), 对应减产率分别为16%、25%及40%。由此可知, 不同强度等级的气象干旱均对甘蔗产量具有显著的影响。

    4.   基于气象干旱情景的甘蔗响应机制模拟

    3.3节的模拟结果表明气象干旱对南宁市甘蔗的生长、生物量及产量累积等均具有显著影响, 本节基于2节中气象干旱及其在甘蔗生育期的实际可能发生情景, 进一步解析各强度及历时的气象干旱发生在不同生育期对甘蔗蒸腾量(Tr)、生物量(B)及产量(Y)累积的影响机制。

    4.1   不同生育期同气象干旱情景的甘蔗响应机制模拟

    本节主要分析了不同生育期发生同气象干旱(强度和历时)对南宁甘蔗各生长要素的影响机制。由图6a-c可知, 甘蔗各生育期发生轻旱时, 在萌芽期, 甘蔗的Tr基本不受各历时轻旱的影响; 甘蔗的B和Y则在轻旱历时为5~15 d时基本不受影响, 而在轻旱历时为20~40 d情景下呈逐步减小变化, Y最终减少到110 t∙hm−2 (相对2017年, 减产率5%); 在伸长期, 甘蔗Tr、B和Y均受10 d及以上历时的轻旱影响而显著减小, 各要素最终减小到815 mm、54 t∙hm−2和88 t∙hm−2 (减产率24%); 而在成熟期, 甘蔗各要素基本没有显著变化。

    图  6  不同生育期发生同一干旱强度的甘蔗产量响应情景模拟
    Tr为作物蒸腾量, B为生物量, Y为产量。
    Figure  6.  Scenario simulation of sugarcane yield response to the same drought intensity in different growth stages
    Tr is crop transpiration, B is biomass, and Y is yield.
    下载: 全尺寸图片 幻灯片

    图6d-f表明, 甘蔗各生育期发生中旱时, 在萌芽期和伸长期, 甘蔗Tr、B和Y均随中旱历时的增加而呈显著减小的变化特征, 其中, 萌芽期三要素最小值分别为902 mm、52 t∙hm−2和87 t∙hm−2 (减产率25%), 伸长期三要素最小值分别为734 mm、47 t∙hm−2和73 t∙hm−2 (减产率37%)。而在成熟期, 各要素基本不受中旱的影响。图6g-h显示, 甘蔗各生育期发生重旱时, 在伸长期, 甘蔗Tr、B和Y均随重旱历时增加而显著减小至715 mm、45 t∙hm−2和70 t∙hm−2 (减产率40%), 而在成熟期则无显著变化。

    4.2   同生育期不同气象干旱情景的甘蔗响应机制模拟

    本节进一步定量化了同生育期内发生不同强度及历时气象干旱对甘蔗各生长要素的影响。由图7a-b可知, 萌芽期发生轻旱时, 在干旱历时为5~15 d时, 甘蔗Yw、Bw、Trw的减少量约为0且维持不变, 随干旱历时逐渐增加至15~40 d时, 三要素减少量快速减少, 各自减产率最终分别达到5.9%、5.1%、6.5%; 而萌芽期发生中旱时, 随干旱历时的增加(15~35 d), 甘蔗的Yw和Bw分别从4.0%、3.0%分别快速减少至26.8%和21.9%, Trw则总体减少量不显著。图7c-e表明, 伸长期发生轻、中、重旱时, 随气象干旱历时的增加, 甘蔗Yw、Bw、Trw的减少量均呈显著增加的变化特征。其中, 各强度气象干旱造成Yw、Bw、Trw的减少量变化范围分别为0~24%、0~18.5%及0~15.9% (轻旱历时5~35 d), 25%~37%、20%~29.3%及8%~24.4% (中旱历时15~45 d), 33.5%~40%、26.2%~31.7%及18.9%~25.7% (重旱历时35~50 d)。

    图  7  同一生育期不同强度干旱的甘蔗产量、生物量及作物总蒸腾的变化率
    Figure  7.  Changes of sugarcane yield, biomass and crop transpiration under different drought intensities in a growth period
    下载: 全尺寸图片 幻灯片

    5.   结论

    本文通过分析南宁市1980—2018年逐日SWAP气象干旱特征及在甘蔗生育期的发生情景, 本地化Aqua Crop作物模型参数, 实现了该区域甘蔗生长、生物量及产量累积过程对各强度及历时气象干旱的响应机制模拟。论文研究得出以下主要结论:

    1)南宁市气象干旱历时、强度及频次空间分布不均匀, 年干旱历时主要在90 d以上, 强度以中旱及重旱为主, 发生频次以2~3次∙a−1居多, 且主要发生在甘蔗的萌芽期、伸长期和成熟期, 存在长(月以上)、短(月内)历时干旱交替及并存叠加现象。

    2)通过EFAST敏感性分析及参数本地化率定, Aqua Crop模型模拟甘蔗产量拟合精度R2达到0.92、产量均方根误差百分率为3.84%。Aqua Crop模型应用于南宁甘蔗对气象干旱的响应机制模拟能得到良好的模拟精度。

    3)历时典型干旱年的甘蔗响应模拟揭示了甘蔗蒸腾量、冠层盖度、生物量及产量等对气象干旱的响应存在滞后和累积效应, 伴随干旱强度增大, 南宁甘蔗最终累积的生物量及产量减少率分别为12.7% (2016年轻旱)、20.1% (2009年中旱)、32.7% (1992年重旱)和16.6% (轻旱)、24.8% (中旱)及40.1% (重旱)。

    4)各气象干旱强度及历时遍历甘蔗各生育期的情景模拟, 明晰了南宁甘蔗生长过程、生物量及产量累积对气象干旱的响应机制。萌芽期发生轻、中旱历时达到15 d及以上时对甘蔗各生长要素开始产生显著响应, 最终减产率分别达6%和27%; 伸长期发生轻、中和重旱历时为5 d及以上时甘蔗各要素即开始显著响应, 最终减产率分别达24%、37%和40%, 南宁甘蔗分蘖期基本不发生气象干旱, 而成熟期各要素受气象干旱的影响总体微弱。

  • 图  1   研究区位置图

    Figure  1.   Location of study area

    下载: 全尺寸图片 幻灯片

    图  2   土地利用变化模拟驱动因子

    Figure  2.   Driving factors of land use change simulation

    下载: 全尺寸图片 幻灯片

    图  3   1990—2020年大西安地区土地利用空间分布格局

    Figure  3.   Spatial distribution pattern of land use in Great Xi’an from 1990 to 2020

    下载: 全尺寸图片 幻灯片

    图  4   1990—2020年大西安地区碳排放量等级分区空间分布

    Figure  4.   Spatial distribution of carbon emission grades in Great Xi’an from 1990 to 2020

    下载: 全尺寸图片 幻灯片

    图  5   1990—2020年大西安地区碳排放强度等级空间分布

    Figure  5.   Spatial distribution of carbon emission intensity grades in Great Xi’an from 1990 to 2020

    下载: 全尺寸图片 幻灯片

    图  6   2020年大西安地区土地利用模拟值与真实值的空间分布特征(左)及其比较(右)

    Figure  6.   Spatial distribution of simulated and actual land use (left) and their comparison (right) in Great Xi’an in 2020

    下载: 全尺寸图片 幻灯片

    图  7   2025年和2030年大西安地区土地利用类型(a、b、e)、碳排放(c、d、f)模拟

    Figure  7.   Simulation of land use types (a, b, e) and carbon emissions (c, d, f) in Great Xi’an in 2025 and 2030

    下载: 全尺寸图片 幻灯片

    表  1   大西安地区能源排放系数

    Table  1   Energy emission coefficient in Great Xi’an

    能源种类
    Type of energy    		折算标准煤系数
    Conversion coefficient to
    standard coal
    [kg(ce)∙kg−1]    		碳排放系数
    Carbon emission coefficient
    [t(C)·t−1(standard coal)]
    原煤
    Raw coal    		0.71430.7559
    原油
    Crude oil    		1.42860.5857
    天然气
    Natural gas    		1.33000.4483
    下载: 导出CSV

    表  2   不同地类之间的转移规则

    Table  2   Transfer rules between different land types

    耕地
    Cropland    		林地
    Forest land    		草地
    Grassland    		水域
    Water    		建设用地
    Construction land    		未利用地
    Unused land
    耕地 Cropland111111
    林地 Forest land111111
    草地 Grassland111111
    水体 Water111111
    建设用地 Construction land000010
    裸地 Unused land111111
    　　表中0表示地类之间不可以转移, 1表示地类之间可以转移。“0” means that land use types cannot be transferred between them, and “1” means that land use types can be transferred between them.
    下载: 导出CSV

    表  3   1990—2020年大西安不同土地利用类型面积及其比例

    Table  3   Areas and proportions of different land use types in Great Xi’an from 1990 to 2020

    年份
    Year    		项目
    Item    		耕地
    Cropland    		林地
    Forest land    		草地
    Grassland    		水域
    Water    		建设用地
    Construction land    		未利用地
    Unused land
    1990面积 Area (km2)4599.383026.432164.93156.10794.383.79
    比例 Proportion (%)42.8028.1720.151.457.390.04
    2000面积 Area (km2)4518.303018.382163.49144.05897.003.79
    比例 Proportion (%)42.0528.0920.131.348.350.04
    2005面积 Area (km2)4365.883018.482172.37177.361007.113.78
    比例 Proportion (%)40.6328.0920.221.659.370.04
    2010面积 Area (km2)4239.343066.212037.18161.141237.493.64
    比例 Proportion (%)39.4528.5418.961.5011.520.03
    2015面积 Area (km2)4054.563060.442035.26168.221422.134.38
    比例 Proportion (%)37.7328.4818.941.5713.240.04
    2020面积 Area (km2)3943.503017.922114.18153.721510.764.93
    比例 Proportion (%)36.7128.0919.681.4314.060.05
    下载: 导出CSV

    表  4   1990—2020年大西安地区各区县碳排放量

    Table  4   Carbon emissions of all districts and counties in Great Xi’an from 1990 to 2020 ×104 t(C)　

    区县 District (county)199020002005201020152020
    秦都区 Qindu12.6318.6840.2170.4389.0888.06
    渭城区 Weicheng12.0717.1535.4861.2977.2254.83
    泾阳县 Jingyang17.1221.7844.0867.8886.1843.62
    兴平市 Xingping18.7024.5649.3174.9795.1482.83
    新城区 Xincheng16.1220.5942.9081.39103.98110.21
    碑林区 Beilin17.8126.7663.0684.99108.39135.18
    莲湖区 Lianhu18.9825.2153.2596.36122.76181.73
    灞桥区 Baqiao15.2519.4241.8882.65106.24182.45
    未央区 Weiyang12.3616.9836.96111.52143.27277.48
    雁塔区 Yanta13.9424.6964.70162.82208.52365.44
    阎良区 Yanliang8.3511.2422.2339.2250.4454.77
    临潼区 Lintong24.3031.9460.5292.81118.79122.79
    长安区 Chang’an29.8438.5080.76148.45191.45281.55
    高陵区 Gaoling8.8311.1722.3446.8260.6279.50
    鄠邑区 Huyi18.5023.8849.2375.8997.38101.93
    蓝田县 Lantian21.1527.3654.1870.5590.1287.38
    周至县 Zhouzhi14.0620.6548.3070.6993.1492.51
    总排放量 Total emissions280.00380.58809.391438.721842.732342.27
    下载: 导出CSV

    表  5   碳排放量等级分区划分范围

    Table  5   Classification standard of carbon emission levels ×104 t(C)　

    低排放
    Low emission    		较低排放
    Slightly lower emission    		中等排放
    Medium emission    		较高排放
    Slightly higher emission    		高排放
    High emission
    分级标准
    Grading standard    		<34.1134.11~56.2456.24~68.5968.59~73.32>73.32
    下载: 导出CSV

    表  6   碳排放强度等级分区划分范围

    Table  6   Classification standard of carbon emission intensity levels t(C)∙km−2∙a−1　

    低强度
    Low strength    		较低强度
    Slightly low strength    		中等强度
    Medium strength    		较高强度
    Slightly high strength    		高强度
    High strength
    分级标准 Grading standard<287.61287.61~600.60600.60~1598.781598.78~6566.03>6566.03
    下载: 导出CSV
    • 参考文献(37)
  • [1] 刘纪远, 邵全琴, 延晓冬, 等. 土地利用变化对全球气候影响的研究进展与方法初探[J]. 地球科学进展, 2011, 26(10): 1015−1022

    LIU J Y, SHAO Q Q, YAN X D, et al. An overview of the progress and research framework on the effects of land use change upon global climate[J]. Advances in Earth Sciences, 2011, 26(10): 1015−1022
    [2]

    CORINNE L Q, ROBBIE M A, PIERRE F, et al. Global carbon budget 2018[J]. Earth System Science Data, 2018, 10(4): 2141−2194 doi: 10.5194/essd-10-2141-2018
    [3] 巴黎气候变化大会通过新协定将全球平均气温升高控制在2℃之内[J]. 中国环境科学, 2016, 36(1): 49

    The Paris Climate Change Conference adopted a new agreement to control the global average temperature rise within 2℃[J]. China Environmental Science, 2016, 36(1): 49
    [4] 李缘缘, 魏伟, 周俊菊, 等. 中国土地利用碳排放变化及协调分区[J]. 环境科学, 2023, 44(3): 1267−1276

    LI Y Y, WEI W, ZHOU J J, et al. Changes in land use carbon emissions and coordinated zoning in China[J]. Environmental Science, 2023, 44(3): 1267−1276
    [5]

    LIU L W, CHEN C X, ZHAO Y F, et al. China’s carbon-emissions trading: Overview, challenges and future[J]. Renewable and Sustainable Energy Reviews, 2015, 49: 254−266 doi: 10.1016/j.rser.2015.04.076
    [6] 吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974−2982

    WU J S, JIN X R, WANG H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974−2982
    [7] 夏四友, 杨宇. 基于主体功能区的京津冀城市群碳收支时空分异与碳补偿分区[J]. 地理学报, 2022, 77(3): 679−696

    XIA S Y, YANG Y. Spatio-temporal differentiation of carbon budget and carbon compensation zoning in Beijing-Tianjin-Hebei Urban Agglomeration based on the Plan for Major Function-oriented Zones[J]. Acta Geographica Sinica, 2022, 77(3): 679−696
    [8]

    LIN Q W, ZHANG L, QIU B K, et al. Spatiotemporal analysis of land use patterns on carbon emissions in China[J]. Land, 2021, 10(2): 141 doi: 10.3390/land10020141
    [9] 王艳军, 王孟杰, 柳林, 等. DMSP/OLS夜光数据的珠三角碳排放时空差异性分析[J]. 遥感学报, 2022, 26(9): 1824−1837

    WANG Y J, WANG M J, LIU L, et al. Analyzing the spatiotemporal differences of carbon emission in the Pearl River Delta using DMSP/OLS nighttime light images[J]. Journal of Remote Sensing, 2022, 26(9): 1824−1837
    [10]

    ALI G, PUMIJUMNONG N, CUI S H. Valuation and validation of carbon sources and sinks through land cover/use change analysis: The case of Bangkok metropolitan area[J]. Land Use Policy, 2018, 70: 471−478 doi: 10.1016/j.landusepol.2017.11.003
    [11]

    WU H J, DENG K L, DONG Z F, et al. Comprehensive assessment of land use carbon emissions of a coal resource-based city, China[J]. Journal of Cleaner Production, 2022, 379: 134706 doi: 10.1016/j.jclepro.2022.134706
    [12] 王丹, 荆延德, 韩善梅, 等. 基于格网的南四湖流域土地利用碳排放与其生态系统服务价值时空关系分析[J]. 生态学报, 2022, 42(23): 9604−9614

    WANG D, JING Y D, HAN S M, et al. Spatio-temporal relationship of land-use carbon emission and ecosystem service value in Nansi Lake Basin based upon a grid square[J]. Acta Ecologica Sinica, 2022, 42(23): 9604−9614
    [13] 王萍, 刘康, 李婷. 2000—2010年西安市土地利用/土地覆被变化及其建成区扩张研究[J]. 中国人口·资源与环境, 2015, 25(S1): 109−112

    WANG P, LIU K, LI T. Land use/cover change and built-up area expansion in Xi’an City during the year of 2000–2010[J]. China Population, Resources and Environment, 2015, 25(S1): 109−112
    [14] 周勇, 赵伟. 西安市土地利用结构碳排放核算及低碳优化研究[J]. 生态经济, 2018, 34(5): 21−25

    ZHOU Y, ZHAO W. Study on carbon emission accounting and low-carbon optimization of land use structure in Xi’an[J]. Ecological Economy, 2018, 34(5): 21−25
    [15] 徐新良, 刘纪远, 张树文, 等. 中国多时期土地利用土地覆被遥感监测数据集(CNLUCC)[DB/OL]. 资源环境科学与数据中心. [2018]. https://www.resdc.cn/DOI/doi.aspx?DOIid=54. DOI: 10.12078/2018070201

    XU X L, LIU J Y, ZHANG S W, et al. China multi-period land use and land cover remote sensing monitoring data set (CNLUCC)[DB/OL]. Resource and Environment Science Data Center. [2018]. https://www.resdc.cn/DOI/doi.aspx?DOIid=54. DOI: 10.12078/2018070201
    [16]

    PENG S Z, DING Y X, LIU W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931−1946 doi: 10.5194/essd-11-1931-2019
    [17] 徐新良. 中国GDP空间分布公里网格数据集[DB/OL]. 资源环境科学数据注册与出版系统. [2017]. https://www.resdc.cn/DOI/DOI.aspx?DOIID=33. DOI: 10.12078/2017121102

    XU X L. China’s GDP spatial distribution kilometer grid data set[DB/OL]. Resource and Environment Science Data Center. [2017]. https://www.resdc.cn/DOI/DOI.aspx?DOIID=33. DOI: 10.12078/2017121102
    [18] 徐新良. 中国人口空间分布公里网格数据集[DB/OL]. 资源环境科学数据注册与出版系统. [2017]. https://www.resdc.cn/DOI/DOI.aspx?DOIID=32. DOI: 10.12078/2017121101

    XU X L. China’s population spatial distribution kilometer grid data set[DB/OL]. Resource and Environment Science Data Center. [2017]. https://www.resdc.cn/DOI/DOI.aspx?DOIID=32. DOI: 10.12078/2017121101
    [19]

    HENDRIKS I E, ESCOLANO-MOLTÓ A, FLECHA S, et al. Mediterranean seagrasses as carbon sinks: methodological and regional differences[J]. Biogeosciences, 2022, 19(18): 4619−4637 doi: 10.5194/bg-19-4619-2022
    [20]

    HE X A, CHEN L Y, HUANG Y. A study of forest carbon sink increment from the perspective of efficiency evaluation based on an inverse DEA model[J]. Forests, 2022, 13(10): 1563 doi: 10.3390/f13101563
    [21] 杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学(生命科学), 2022, 52(4): 534−574

    YANG Y H, SHI Y, SUN W J, et al. Characteristics of carbon sources and sinks in China and global terrestrial ecosystems and their contribution to carbon neutralization[J]. Scientia Sinica (Vitae), 2022, 52(4): 534−574
    [22] 张余, 姜博, 赵映慧, 等. 东北三省土地利用碳排放时空格局及影响因素研究[J]. 地域研究与开发, 2022, 41(4): 150−156

    ZHANG Y, JIANG B, ZHAO Y H, et al. Temporal and spatial pattern changes and influencing factors of land use carbon emissions in the three provinces of Northeast China[J]. Areal Research and Development, 2022, 41(4): 150−156
    [23] 赵伟. 低碳经济视角下西安市土地利用结构的优化研究[D]. 西安: 西安建筑科技大学, 2018

    ZHAO W. Study on the optimization of land use structure in Xi’an from the perspective of low-carbon economy[D]. Xi’an: Xi’an University of Architecture and Technology, 2018
    [24] 徐影, 郭楠, 茹凯丽, 等. 碳中和视角下福建省国土空间分区特征与优化策略[J]. 应用生态学报, 2022, 33(2): 500−508

    XU Y, GUO N, RU K L, et al. Characteristics and optimization strategies of territorial space zone in Fujian Province, China based on carbon neutrality[J]. Chinese Journal of Applied Ecology, 2022, 33(2): 500−508
    [25] 赖力, 黄贤金, 刘伟良, 等. 基于投入产出技术的区域生态足迹调整分析−以2002年江苏省经济为例[J]. 生态学报, 2006, 26(4): 1285−1292

    LAI L, HUANG X J, LIU W L, et al. Adjustment for regional ecological footprint based on input-output technique: a case study of Jiangsu Province in 2002[J]. Acta Ecologica Sinica, 2006, 26(4): 1285−1292
    [26]

    LIANG X, GUAN Q F, CLARKE K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85: 101569 doi: 10.1016/j.compenvurbsys.2020.101569
    [27] 杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟−以汉中市为例[J]. 干旱区资源与环境, 2022, 36(10): 86−95

    YANG S, SU H, ZHAO G P. Multi-scenario simulation of urban ecosystem service value based on PLUS model: A case study of Hanzhong City[J]. Journal of Arid Land Resources and Environment, 2022, 36(10): 86−95
    [28] 胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125−1136

    HU F, ZHANG Y, GUO Y, et al. Spatial and temporal changes in land use and habitat quality in the Weihe River Basin based on the PLUS and InVEST models and predictions[J]. Arid Land Geography, 2022, 45(4): 1125−1136
    [29] 陈鸿基, 杨庆媛, 彭立娴, 等. 三峡库区县域“三生空间”时空演变特征与情景模拟[J]. 农业工程学报, 2022, 38(13): 285−294

    CHEN H J, YANG Q Y, PENG L X, et al. Spatiotemporal evolution characteristics and scenario simulation of production-living-ecological space at county level in Three Gorges Reservoir areas[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(13): 285−294
    [30] 张经度, 梅志雄, 吕佳慧, 等. 纳入空间自相关的FLUS模型在土地利用变化多情景模拟中的应用[J]. 地球信息科学学报, 2020, 22(3): 531−542

    ZHANG J D, MEI Z X, LYU J H, et al. Simulating multiple land use scenarios based on the FLUS model considering spatial autocorrelation[J]. Journal of Geo-Information Science, 2020, 22(3): 531−542
    [31] 李玉玲, 李世平, 祁静静. 陕西省土地利用碳排放影响因素及脱钩效应分析[J]. 水土保持研究, 2018, 25(1): 382−390

    LI Y L, LI S P, QI J J. Influencing factors on carbon emissions of land uses and analysis of their decoupling effects in Shaanxi Province[J]. Research of Soil and Water Conservation, 2018, 25(1): 382−390
    [32] 张余, 姜博, 赵映慧, 等. 东北地区城市土地利用碳排放效应研究[J]. 环境科学与技术, 2022, 45(7): 209−217

    ZHANG Y, JIANG B, ZHAO Y H, et al. Temporal and spatial pattern changes and influencing factors of land use carbon emissions in the three provinces of northeast China[J]. Environmental Science and Technology, 2022, 45(7): 209−217
    [33] 马磊. 西安市低碳经济发展研究[D]. 西安: 西安工业大学, 2012

    MA L. Research on development of low-carbon economy of Xi’an[D]. Xi’an: Xi’an Technological University, 2012
    [34] 刘欢. 西安市土地利用变化的碳排放量研究[J]. 价值工程, 2019, 38(32): 233−235

    LIU H. Study on carbon emission of land use change in Xi’an City[J]. Value Engineering, 2019, 38(32): 233−235
    [35] 任志杰. 陕西省CO2排放计算及减排潜力分析[D]. 西安: 西安建筑科技大学, 2020

    REN Z J. Calculation of CO2 emissions and analysis of potential emission reduction in Shaanxi Province[D]. Xi’an: Xi’an University of Architecture and Technology, 2020
    [36] 康铭敏. 西安市碳排放峰值预测及控制策略研究[D]. 西安: 西安建筑科技大学, 2020

    KANG M M. Research on Xi’an carbon emission peak forecast and control strategy[D]. Xi’an: Xi’an University of Architecture and Technology, 2020
    [37] 黄仁全, 曾倩. 西安市碳排放动态演变及等级评估研究[J]. 环境科学导刊, 2023, 42(2): 1−8

    HUANG R Q, ZENG Q. Research on the dynamic evolution and grade assessment of carbon emissions in Xi’an[J]. Environmental Science Survey, 2023, 42(2): 1−8
    • 相关文章
    • 施引文献
    • 资源附件(0)
图(7)  /  表(6)
计量
  • 文章访问数:  356
  • HTML全文浏览量:  137
  • PDF下载量:  69
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-02-16
  • 录用日期:  2023-05-18
  • 网络出版日期:  2023-07-06
  • 刊出日期:  2023-10-15

目录

摘要
HTML全文

  • 1.   研究区域、数据与方法

  • 1.1   研究区域

  • 1.2   研究数据

  • 1.3   研究方法

  • 1.3.1   标准化加权平均降雨指数(SWAP)
  • 1.3.2   Aqua Crop模型原理
  • 1.3.3   甘蔗干旱过程模拟数据库构建

  • 2.   南宁气象干旱特征及甘蔗生育期干旱情景设置

  • 2.1   南宁市气象干旱统计特征

  • 2.2   甘蔗生育期气象干旱情景设置

  • 3.   Aqua Crop模型参数化及南宁市甘蔗的历史干旱响应模拟

  • 3.1   Aqua Crop模型参数敏感性分析

  • 3.2   Aqua Crop模型参数本地化

  • 3.3   南宁市历史典型年气象干旱的甘蔗响应模拟

  • 4.   基于气象干旱情景的甘蔗响应机制模拟

  • 4.1   不同生育期同气象干旱情景的甘蔗响应机制模拟

  • 4.2   同生育期不同气象干旱情景的甘蔗响应机制模拟

  • 5.   结论

参考文献(37)
相关文章
施引文献
资源附件(0)

/

返回文章
返回

冀ICP备05003362号-2

地址：河北省石家庄市裕华区槐中路286号 050022

电话：0311-85818007E-mail：editor@sjziam.ac.cn

本系统由 北京仁和汇智信息技术有限公司 开发  百度统计