江西省耕地碳源與碳匯時空變化特征及其驅(qū)動力分析

摘 要：溫室效應(yīng)加劇導(dǎo)致的全球氣候變化的背景下，對碳排放的研究是當(dāng)前的核心內(nèi)容之一。為此，本研究對江西省耕地碳源和碳匯時空變化特征進(jìn)行分析，探究耕地碳源和碳匯的驅(qū)動因素，從而為江西省耕地碳減排工作提供理論依據(jù)和數(shù)據(jù)支撐。

依據(jù)農(nóng)作物產(chǎn)量、農(nóng)地翻耕、化肥、農(nóng)藥等農(nóng)業(yè)統(tǒng)計數(shù)據(jù)，利用碳排放系數(shù)法和碳吸收參數(shù)估計法對2010—2022年江西省耕地碳排放量和碳吸收量進(jìn)行測算，并采用LMDI分解模型和Kaya恒等式對驅(qū)動因素進(jìn)行分解。結(jié)果顯示：研究期間，江西省耕地碳排放量呈現(xiàn)先上升后下降趨勢，而耕地碳吸收量總體呈上升趨勢。農(nóng)地翻耕和化肥是主要的碳排放源；水稻是主要的農(nóng)作物碳匯。在驅(qū)動因素分解結(jié)果中，農(nóng)業(yè)生產(chǎn)效率和農(nóng)業(yè)勞動力對碳排放表現(xiàn)為抑制作用，而農(nóng)業(yè)經(jīng)濟(jì)水平和農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)表現(xiàn)為促進(jìn)作用；碳匯系數(shù)和碳匯技術(shù)對耕地碳吸收主要表現(xiàn)為促進(jìn)作用，農(nóng)業(yè)勞動力和碳匯結(jié)構(gòu)則為抑制作用?！菊^長，一般350字左右為宜?！?/p>

關(guān)鍵詞：農(nóng)業(yè)碳源/碳匯；驅(qū)動因素；LMDI分解模型;Kaya恒等式；江西省

中圖分類號：F301

文獻(xiàn)標(biāo)識碼：A

文章編號：1008-2697（2024）05-0025-10

一、引言

進(jìn)入21世紀(jì)以來，全球經(jīng)濟(jì)發(fā)展在加快，但隨著也帶來一系列的生態(tài)環(huán)境問題，由碳排放導(dǎo)致的全球氣溫上升、北極冰川融化等溫室效應(yīng)問題嚴(yán)重影響了人類的生存。2016年，政府間氣候變化委員會（IPCC）第六次評估報告第三組氣候變化中的海洋和冰凍圈特別報告中指出，過去幾十年來，全球變暖已導(dǎo)致冰凍圈面積縮小以及相對海平面上升等問題，加劇了極端海平面事件和沿海災(zāi)害^[1]。隨著近年來可持續(xù)發(fā)展理念的推行，我國加強(qiáng)了對工業(yè)碳排放的監(jiān)管和限制。而除了固定能源、工業(yè)和運(yùn)輸部門外，農(nóng)業(yè)部門也必須采取措施減少溫室氣體^[2]。目前，農(nóng)業(yè)是我國第二大碳排放源，農(nóng)業(yè)碳排放占全國排放總量的17%，是碳排放的主要來源之一^[3]。

科學(xué)測算出農(nóng)業(yè)碳排放量和碳吸收量以及分析出其驅(qū)動因素，對當(dāng)?shù)氐母靥紲p排對策的制定具有現(xiàn)實參考意義。

農(nóng)業(yè)碳源主要是從農(nóng)業(yè)廢棄物的非正常處理、畜禽養(yǎng)殖、農(nóng)業(yè)能源利用、水稻生長等幾個方面^[4]以及在農(nóng)業(yè)生產(chǎn)過程中，化肥農(nóng)藥的使用、能源的消耗和土地翻耕灌溉等過程中直接或間接造成的溫室氣體^[5]。耕地碳排放是農(nóng)業(yè)碳排放的主要部分之一，耕地碳排放主要可分為三類：第一類是農(nóng)業(yè)化肥、農(nóng)藥等農(nóng)資投入品產(chǎn)生的碳排放，通常采用碳排放系數(shù)法進(jìn)行估算^[6]。第二類是耕地土壤呼吸的碳源，主要測算方法為田間實測法^[7]。第三類是秸稈焚燒產(chǎn)生的碳排放，主要估算方法為碳排放因子法^[8]。

在農(nóng)業(yè)碳匯方面，目前學(xué)界對耕地碳匯的研究主要分為農(nóng)作物碳匯和土壤碳匯兩大類^[9]。在耕地碳匯測算的研究中，對農(nóng)作物碳匯的估算主要采用碳吸收參數(shù)估計法^[10，25]、遙感模擬^[11]、生態(tài)過程模型等方法。碳吸收參數(shù)估計法因原理簡單，數(shù)據(jù)易獲取且能夠在大尺度進(jìn)行估算等優(yōu)點(diǎn)，在碳匯研究中應(yīng)用較廣。耕地土壤碳匯的估算主要為遙感技術(shù)估算法、生命地帶法等^[26]。在碳源和碳匯的驅(qū)動因素方面，學(xué)界對碳排放影響因素的研究主要是從人口、經(jīng)濟(jì)發(fā)展、能源結(jié)構(gòu)、技術(shù)水平、產(chǎn)業(yè)結(jié)構(gòu)等要素進(jìn)行考慮^[27]。有關(guān)研究將碳排放驅(qū)動因素分解為碳排放強(qiáng)度、能源使用強(qiáng)度、經(jīng)濟(jì)發(fā)展水平和人口規(guī)模^[12-13]。此外，也有研究將碳匯驅(qū)動因素分解為碳匯系數(shù)、碳匯結(jié)構(gòu)、碳匯技術(shù)水平、勞動力規(guī)模等因素^[14]。對碳源碳匯影響因素的分解研究中常用的方法有：STIRPAT模型^[15]、結(jié)構(gòu)分解方法SDA、LMDI分解模型^[24]、Kaya恒等式^[12]等方法。

江西省是全國13個糧食主產(chǎn)區(qū)之一，且自新中國成立以來從未間斷向國家提供商品糧，同時也是東南沿海地區(qū)重要的農(nóng)產(chǎn)品供應(yīng)地。但隨著農(nóng)業(yè)的快速發(fā)展和農(nóng)業(yè)現(xiàn)代化水平的提高，化肥、農(nóng)藥等農(nóng)業(yè)用品在耕地上不斷投入，導(dǎo)致大量溫室氣體排放^[28]。相關(guān)研究表明，2020年江西省農(nóng)業(yè)碳排放總量為5148萬噸，在全國處于高碳排放組^[17]?！敬似恼轮酗@示的數(shù)據(jù)為2016年，有點(diǎn)舊了，是否有新數(shù)據(jù)可以替代?！繛榇?，本文以江西省為研究區(qū)域，采用碳排放系數(shù)法和碳吸收參數(shù)估計法，分別對農(nóng)業(yè)機(jī)械、農(nóng)地翻耕、農(nóng)田灌溉、化肥、農(nóng)藥、農(nóng)膜六種碳源和農(nóng)作物碳匯進(jìn)行估算，并基于2010—2022年江西省耕地碳排放量和碳吸收量的測算結(jié)果，分別采用LMDI分解模型和Kaya恒等式對碳源與碳匯進(jìn)行驅(qū)動力研究，以期為促進(jìn)江西省農(nóng)業(yè)綠色發(fā)展以及碳減排政策的制定提供理論依據(jù)。

二、研究方法與數(shù)據(jù)來源

（一）研究方法

1.碳排放系數(shù)法

本文采取碳排放系數(shù)法來估算江西省農(nóng)業(yè)生產(chǎn)活動中產(chǎn)生的碳排放量。在耕地生態(tài)系統(tǒng)中農(nóng)業(yè)投入是碳排放的主要來源，包括化肥、農(nóng)藥、農(nóng)膜、農(nóng)業(yè)機(jī)械、農(nóng)業(yè)灌溉、農(nóng)田翻耕。其中化肥為純折量；農(nóng)藥、農(nóng)膜、農(nóng)業(yè)機(jī)械總動力為當(dāng)年實際使用量；農(nóng)業(yè)灌溉為當(dāng)年有效灌溉面積，農(nóng)田翻耕為農(nóng)作物總播種面積。本文將碳排放的估算公式定義為：

E_t=ΣE_i=ΣQ_iα_i；I=E_tG

式中：E_t為碳排放總量，t；E_i分別各碳源的碳排放量，t；Q_i為各類碳源的消耗量，t；α_i為各碳源的碳排放系數(shù)；I為單位耕地面積碳排放強(qiáng)度，t/hm²，G為耕地面積，hm²。各碳源的碳排放系數(shù)如表1所示。

2.碳吸收參數(shù)估計法

已有研究大多采用實測與模型兩種方法，主要有質(zhì)量平衡法、光合作用方程、作物初級凈生產(chǎn)力、碳吸收參數(shù)估計法，本文采用的碳吸收參數(shù)估計法，來估算江西省耕地農(nóng)作物碳吸收量^[18]。計算公式如下：

C_t=Σ_iC_d=Σ_iC_fD_w=Σ_iC_fY_w（1-W_i）/H_i

式中：C_t為區(qū)域農(nóng)作物碳吸收總量；i為農(nóng)作物種類；C_d為i類農(nóng)作物全生育階段對碳的吸收量；C_f為i類農(nóng)作物的碳吸收率；D_w為i類作物總生物量；Y_w為i類作物的經(jīng)濟(jì)產(chǎn)量；W_i是i類作物的含水率；H_i是i類作物的經(jīng)濟(jì)系數(shù)。相關(guān)數(shù)據(jù)如下表所示。

3.Kaya恒等式分解法和LMDI分解模型

Kaya恒等式是由日本教授Yoichi Kaya于1989年在聯(lián)合國政府間氣候變化專門委員會（IPCC）研討會上最先提出，常應(yīng)用于不同區(qū)域和行業(yè)的碳排放影響因素分解研究^[12]。目前Kaya恒等式分解法也被運(yùn)用于碳匯驅(qū)動力分解研究，根據(jù)Kaya恒等式將農(nóng)業(yè)碳吸收的驅(qū)動因子分解為碳匯系數(shù)、碳匯結(jié)構(gòu)、碳匯技術(shù)水平、勞動力規(guī)模4個影響因素^[21]。碳匯分解具體公式如下：

C=C_iS_i×S_iTS×TSP×P

其中：KI=C_iS_i，QI=S_iTS，UI=TSP

式中：C為農(nóng)作物碳吸收總量（萬t）；C_i為各作物的碳吸收量（萬t）；S_i為各農(nóng)作物種植面積（千hm2）；TS為農(nóng)作物總播種面積（千hm²）；P為農(nóng)業(yè)勞動力總?cè)藬?shù)（萬人）；KI為碳匯系數(shù)；QI為碳匯結(jié)構(gòu)；UI為碳匯技術(shù)水平。

ΔC=ΔKI+ΔQI+ΔUI+ΔP

ΔKI=（KI^E-KI⁰）×QI⁰×UI⁰×P⁰

ΔQI=（QI^E-QI⁰）×KI⁰×UI⁰×P⁰

ΔUI=（UI^E-UI⁰）×KI⁰×QI⁰×P⁰

ΔP=（P^E-P⁰）×KI⁰×QI⁰×UI⁰

式中：ΔC表示基期到第T期的農(nóng)業(yè)碳吸收總量變化，ΔEI、ΔCI、ΔSI、ΔP分別表示第T年與基期相比，碳匯系數(shù)、碳匯結(jié)構(gòu)、碳匯技術(shù)水平、農(nóng)業(yè)勞動力規(guī)模對農(nóng)業(yè)碳匯的影響。

在碳排放分解研究中，常用的分解模型有IPAT模型、STIRPAT模型、LMDI模型、Kaya公式等^[19]。LMDI模型是在Kaya公式基礎(chǔ)上演化而來，具有消除殘差項、加法分解和乘法分解可以建立聯(lián)系、分解結(jié)果直觀的優(yōu)勢^[18]。因此，本文選用LMDI分解模型，將江西省農(nóng)業(yè)碳排放的驅(qū)動力分解為農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)、農(nóng)業(yè)經(jīng)濟(jì)水平、農(nóng)業(yè)勞動力4個方面^{[22，23]}。碳源分解具體公式為：

E=EAV×AVAGV×AGVP×P

其中：EI=EAV，CI=AVAGV，SI=AGVP

式中：E為農(nóng)業(yè)碳排放總量；AV為種植業(yè)產(chǎn)值；AGV為農(nóng)林牧漁業(yè)總產(chǎn)值；P為農(nóng)業(yè)勞動力數(shù)量；EI為農(nóng)業(yè)生產(chǎn)效率；SI為農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)；CI為農(nóng)業(yè)經(jīng)濟(jì)水平。

ΔEI=E^T-E⁰lnE^T-lnE⁰×（lnEI^T-lnEI⁰）

ΔCI=E^T-E⁰lnE^T-lnE⁰×（lnCI^T-lnCI⁰）

ΔSI=E^T-E⁰lnE^T-lnE⁰×（lnSI^T-lnSI⁰）

ΔP=E^T-E⁰lnE^T-lnE⁰×（lnP^T-lnP⁰）

ΔE=ΔEI+ΔCI+ΔSI+ΔP

式中：ΔE表示基期到第T期的農(nóng)業(yè)碳排放總量變化，ΔEI、ΔCI、ΔSI、ΔP分別表示第T年與基期相比，農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)、農(nóng)業(yè)經(jīng)濟(jì)水平、農(nóng)業(yè)勞動力規(guī)模對農(nóng)業(yè)碳排放的影響。

（二）數(shù)據(jù)來源

本文研究所需要的數(shù)據(jù)主要是2010至2022年江西省各市的相關(guān)統(tǒng)計數(shù)據(jù)，包括農(nóng)作物播種面積和產(chǎn)量、農(nóng)業(yè)勞動力人口、GDP、農(nóng)藥化肥使用量、農(nóng)業(yè)機(jī)械總動力等數(shù)據(jù)，這些數(shù)據(jù)主要來自于江西省各市統(tǒng)計年鑒以及《江西省統(tǒng)計年鑒》、《江西省農(nóng)村統(tǒng)計年鑒》。

三、耕地碳排放時空變化分析

（一）耕地碳排放時序變化分析

2010—2022年江西省耕地農(nóng)業(yè)活動碳排放總量如圖1所示。結(jié)果表明，2010年至2022年耕地碳排放量呈現(xiàn)先緩慢上升后迅速下降直至平穩(wěn)的趨勢，累積減少了45.16萬噸，降幅為9.75%?？傮w可分為兩個階段：2010至2015年為增長期，耕地碳排放量從2010年的463.25萬噸上升到2015年的473.71萬噸，增幅為2.26%；單位耕地面積碳排放量也從1.502t/hm²增至1.537t/hm²，碳排放量的上升主要是農(nóng)作物播種面積的增加以及化肥和農(nóng)藥的使用量增加引起。2013年江西省頒布的支持糧食增產(chǎn)農(nóng)民增收政策以及全面落實農(nóng)機(jī)具購置補(bǔ)貼等措施，在一定程度上增強(qiáng)了農(nóng)民的產(chǎn)糧積極性，相應(yīng)的農(nóng)業(yè)投入品的消耗量也得到增加。其中化肥使用量從2010年的137.5萬噸增加至2015年的143.5萬噸，農(nóng)用薄膜從2010年的45491噸增加至2015年的53977噸，增幅為18.65%。2016至2022年為下降期，耕地碳排放量從2016年的469.45萬噸下降至2022年的418.09萬噸，降幅為10.94%；單位耕地面積碳排放量從2016年的1.523t/hm²降至2018年的1.426t/hm²再升至2022年的1.541t/hm²，其中2018年的單位耕地碳排放量出現(xiàn)明顯的下降，主要是因為化肥和農(nóng)藥使用量出現(xiàn)明顯減少所致。耕地碳排放量下降的主要原因為自十八大以來，江西省深入推進(jìn)堅持綠色興農(nóng)等農(nóng)業(yè)發(fā)展策略，對農(nóng)藥化肥加強(qiáng)了監(jiān)管，并于2018年出臺了《江西省限制使用農(nóng)藥經(jīng)營布局規(guī)劃》文件，從而使得化肥和農(nóng)藥使用量大幅減少。

耕地碳排放結(jié)構(gòu)如圖2所示。研究期間，農(nóng)地翻耕產(chǎn)生的碳排放量占比最大，所占比重約為38%，年均增速為1.27%；其次為化肥（包含氮肥、鉀肥、磷肥、復(fù)合肥）產(chǎn)生的碳排放量，比重為32%左右，并以每年2.85%的速度在下降；再次為農(nóng)業(yè)灌溉，其產(chǎn)生的碳排放量占比為11%，同時以每年1%的速度在增長；而農(nóng)藥、農(nóng)膜、農(nóng)業(yè)機(jī)械總動力所占比重較小，分別為8.9%、5.9%、2.2%，其中農(nóng)藥使用引起的碳排放量在以每年2.11%的速度下降，農(nóng)膜和農(nóng)業(yè)機(jī)械總動力產(chǎn)生的碳排放量呈上升趨勢，年均增速分別為3.16%、1.51%。由此可知，農(nóng)地翻耕是江西省耕地碳排放量最主要來源，且比重呈現(xiàn)逐年增加趨勢，而隨著農(nóng)業(yè)機(jī)械化的普及以及對糧食產(chǎn)量的要求增加，其產(chǎn)生的碳排放量將會在未來持續(xù)增加。

（二）耕地碳排放空間格局

2010—2022年江西省各市耕地碳排放空間變化情況如圖3所示。從空間分布來看，各市耕地碳排放量差異較大，整體分布情況為贛南gt;贛中g(shù)t;贛北，呈現(xiàn)“南高北低”的空間格局。高碳排放區(qū)為宜春市、贛州市、吉安市、上饒，年平均耕地碳排放量在60萬噸以上，主要集中在贛撫平原、吉泰盆地是全省的糧食主產(chǎn)區(qū)，均以水稻為主要的糧食生產(chǎn)作物。2022年高碳排放區(qū)的水稻總產(chǎn)量占全省水稻總產(chǎn)量的比重的在60%左右?！尽捌洹笔侵福俊康捎谵r(nóng)業(yè)發(fā)展方式仍以傳統(tǒng)的高投入、高消耗的粗放經(jīng)營模式為主，農(nóng)業(yè)種植過程對化肥、農(nóng)藥等農(nóng)業(yè)投入品的需求量大。2022年宜春、吉安、贛州、上饒四市的農(nóng)地翻耕總面積為3516.91千公頃，化肥施用總量為594014噸，分別占全省比重的61.37%、55.15%，農(nóng)業(yè)機(jī)械和農(nóng)業(yè)化學(xué)用品的高強(qiáng)度使用，最終帶來高碳排放。

中等碳排放區(qū)主要為贛北地區(qū)的撫州市、九江市、南昌市，年平均碳排放量高于40萬噸，低于55萬噸【描述有誤。是否為“高于*萬噸，低于*萬噸”，或“在*萬噸左右”。】，其中南昌和九江的經(jīng)濟(jì)發(fā)展方式以制造業(yè)為主，農(nóng)業(yè)在其經(jīng)濟(jì)結(jié)構(gòu)中的比重較小，耕地面積所占比重僅占全省比重的9%—10%，因而相應(yīng)的化肥、農(nóng)藥等投入強(qiáng)度也較小。而撫州市的農(nóng)業(yè)產(chǎn)業(yè)在其經(jīng)濟(jì)結(jié)構(gòu)中的比重相對較大，但種植業(yè)發(fā)展程度不高，農(nóng)作物播種面積較小，從而導(dǎo)致耕地碳排放相對較低。

低碳排放區(qū)分布較為分散主要為景德鎮(zhèn)市、鷹潭市、新余市、萍鄉(xiāng)市，年平均碳排放量在11萬噸左右，主要原因為全省行政區(qū)域面積靠后的地市，耕地面積不大，農(nóng)業(yè)規(guī)模較小。耕地面積均僅占全省耕地總面積的2%—3%，相應(yīng)的農(nóng)業(yè)投入品的消耗量也較低，2022年四個市的農(nóng)地翻耕總面積和化肥總量占全省的比重分別為10.42%、11.45%，因而耕地碳排放量最低。

各市耕地碳排放量變化趨勢如圖4所示。研究期間，南昌、贛州、吉安、撫州、上饒、九江、萍鄉(xiāng)、宜春總體呈現(xiàn)先增加后降低之后保持穩(wěn)定的趨勢，而景德鎮(zhèn)、新余、鷹潭呈現(xiàn)小幅度上升趨勢。從各市的碳排放結(jié)構(gòu)來看，2022年各地市均是以農(nóng)地翻耕和化肥使用為主要的碳排放源。其中農(nóng)地翻耕產(chǎn)生的碳排放量最大，約占碳排放總量的40%以上，其次為化肥（包括氮肥、磷肥、鉀肥、復(fù)合肥），所占比重范圍為24%—35%，最后農(nóng)田灌溉、農(nóng)用薄膜、農(nóng)藥、農(nóng)業(yè)機(jī)械總動力引起的碳排放量較小，所占比重分別為14%、7%、6%、2%。

四、耕地碳吸收時空變化分析

（一）耕地碳吸收時序變化

2010—2022年江西省耕地碳吸收總量整體呈先緩慢上升后下降再上升的“Z”型變化趨勢（圖5），從2010年的1899.51萬噸至2022年的2097.89萬噸，增加了198.37萬噸。單位耕地面積碳吸收量與碳吸收總量的變化趨勢較為一致，在6.16—7.8t/hm²范圍內(nèi)波動，根據(jù)全省碳吸收總量變化情況，大致可分為三個階段。

第一階段為上升階段（2010—2015年），這段時期江西省的碳吸收總量和單位耕地面積碳吸收量均呈現(xiàn)曲折上升趨勢，碳吸收總量從2010年的1899.52萬噸上升至2015年的2090.81萬噸，增幅為10.07%；單位耕地面積碳吸收量從2010年的6.157t/hm²上升至2015年的6.782t/hm²。耕地碳吸收量上升的主要原因為2010—2015年期間，江西省發(fā)布支持糧食增產(chǎn)農(nóng)民增收的政策措施，政策發(fā)布以來全省農(nóng)作物播種面積在逐年增加，耕地碳吸收水平也得到大規(guī)模提升。

第二階段為先下降后大幅度上升階段（2015—2017年），江西省的碳吸收總量在此階段的變化幅度較大，從2015年的2090.81萬噸下降至2016年的2062.47萬噸再上升至2017年的2159.60萬噸；而單位耕地面積的碳吸收量也從6.782t/hm²下降至6.692t/hm²再上升至6.9t/hm²。碳吸收總量出現(xiàn)波動的主要原因為2015—2016年期間稻谷和棉花種植面積的減少，耕地碳吸收量隨之出現(xiàn)小規(guī)模的下降趨勢。而后期江西省出臺推進(jìn)高標(biāo)準(zhǔn)農(nóng)田建設(shè)等政策，為鞏固糧食主產(chǎn)區(qū)地位，完成糧食產(chǎn)量目標(biāo)。江西省加大了糧食播種面積占農(nóng)作物總播面積的比重，2017年全省糧食產(chǎn)量實現(xiàn)較大規(guī)模增長，耕地碳匯量從而得到增長。

第三階段為穩(wěn)定平衡階段（2018—2022年），這一時期江西省農(nóng)作物碳吸收總量呈現(xiàn)穩(wěn)定的趨勢，碳吸收量總體在2100萬噸范圍內(nèi)波動，耕地面積從2018年的3078788公頃減少至2022年的2712751公頃。2018年江西省印發(fā)《江西省人民政府辦公廳關(guān)于加快推進(jìn)現(xiàn)代種業(yè)發(fā)展的實施意見》等方案，隨著農(nóng)業(yè)現(xiàn)代化的發(fā)展，政府加強(qiáng)了對綠色農(nóng)業(yè)、糧食供給的監(jiān)管以及農(nóng)業(yè)生產(chǎn)的扶持力度，此期間稻谷的播種面積和產(chǎn)量均較為穩(wěn)定，而又因稻谷的碳吸收量在農(nóng)作物碳吸收總量的貢獻(xiàn)最大，所以即使在全省耕地面積下降的情況下，依舊能夠?qū)崿F(xiàn)耕地碳匯的增長。

由圖6分析可知，2010—2022年各農(nóng)作物中，水稻在農(nóng)作物碳吸收總量中的貢獻(xiàn)率最大，所占比重大于80%，變化幅度在10%范圍內(nèi)，碳吸收量穩(wěn)定在1600萬噸以上，年均增速為0.77%；其次為油菜籽和蔬菜，二者所占比重均在5%—7%范圍內(nèi)，年均增速分別為1.8%、4%，其中蔬菜的增長幅度較大，從2010年的80.3萬噸上升至2022年的128.65萬噸；而豆類、薯類、甘蔗、花生、瓜果的碳吸收量所占的比重均在2%左右，對耕地吸收量的增長作用有限。由此可見，水稻的碳吸收量在耕地農(nóng)作物碳匯中占主導(dǎo)地位，其產(chǎn)量及種植面積的變化將會在很大程度上影響耕地農(nóng)作物碳匯。

（二）耕地碳吸收量空間格局

2010—2022年江西省各市的耕地碳吸收空間分布情況如圖7所示，從空間分布來看，不同市的耕地碳吸收量差異較明顯，總體呈現(xiàn)贛南gt;贛中g(shù)t;贛北，外圍高中間低的分布特點(diǎn)。

從碳吸收量分布來看，高碳吸收量地區(qū)主要集中在江西省西部和東部的宜春市、吉安市、上饒市，其耕地碳吸收量均高于300萬噸，2022年占全省碳吸收量的比重分別為16.5%、16.1%、14.57%。其中宜春市，吉安市地處吉泰盆地，耕地面積廣闊，農(nóng)作物播種面積保持在900千公頃以上，因此常年處于高碳匯區(qū)域。

中高碳吸收量區(qū)主要分布在江西省中部和南部的贛州市、撫州市，其碳吸收量在250萬噸以上，2022年占全省碳吸收量的比重分別為11.74%、11.25%，其中贛州是江西省行政區(qū)域面積最大的市，2022年贛州市耕地面積為365205公頃位于全省第四位。水稻種植是贛州市的傳統(tǒng)種植產(chǎn)業(yè)，其播種面積常年占糧食作物總播種面積的90%以上。穩(wěn)定的播種面積是其農(nóng)作物碳匯在全省范圍內(nèi)保持較高水平且持續(xù)穩(wěn)定的重要原因。

中等碳吸收量地區(qū)為南昌市和九江市碳吸收量在200萬噸左右，2022年占全省碳吸收量的比重分別為9.55%、7.28%；低碳吸收量地區(qū)是景德鎮(zhèn)市、萍鄉(xiāng)市、新余市、鷹潭市碳吸收量僅為50萬噸左右，2022年占全省碳吸收量的比重均在3%以下。

各市耕地碳吸收量變化趨勢如圖8所示。2010—2022年間宜春市、吉安市、上饒市、鷹潭、萍鄉(xiāng)、景德鎮(zhèn)、撫州的碳吸收量呈上升趨勢，其中增幅排名前三的地市為鷹潭市、上饒市、萍鄉(xiāng)市，分別為14.47%、8.04%、6.06%；九江、新余、南昌、贛州的碳吸收量在下降，其中九江的降幅最大，為18.58%，南昌、新余、贛州的降幅均在1%以下。各市都是以水稻為主要的農(nóng)作物碳匯，2022年水稻的碳吸收量均占各市農(nóng)作物碳吸收總量的60%以上，其次為油菜籽和蔬菜，2022年占農(nóng)作物碳吸收總量的比重均為6.2%，其余農(nóng)作物所占比重較小。

五、碳源驅(qū)動因素結(jié)果分析

利用LMDI分解模型對各市的耕地碳源的驅(qū)動因素進(jìn)行分解，結(jié)果如表3、表4所示。各市的碳源驅(qū)動因素分解結(jié)果見表3。從變化趨勢來看，2011年至2022年江西省的耕地碳減排量呈現(xiàn)先上升后下降趨勢，研究期間累計減少量為45.627萬噸。從各驅(qū)動因素分析，農(nóng)業(yè)生產(chǎn)效率和農(nóng)業(yè)勞動力對耕地碳排放表現(xiàn)為抑制作用，抑制作用從強(qiáng)到弱為：農(nóng)業(yè)生產(chǎn)效率gt;農(nóng)業(yè)勞動力。2010—2022年由農(nóng)業(yè)生產(chǎn)效率的提高導(dǎo)致的碳減排累計量為395.57萬噸，在所有驅(qū)動因素中占比27.3%，由農(nóng)業(yè)勞動力的減少導(dǎo)致的碳減排累計量為349.6萬噸，累積貢獻(xiàn)率為24.13%。農(nóng)業(yè)經(jīng)濟(jì)水平的提升對耕地碳排放表現(xiàn)為促進(jìn)作用，在耕地碳排放驅(qū)動因素中占據(jù)重要地位，研究期間由農(nóng)業(yè)經(jīng)濟(jì)水平的提升引起的碳排放增加量為701.22萬噸，合計貢獻(xiàn)率為48.46%。農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)對耕地碳排放既具有促進(jìn)和抑制雙重作用，農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整引起的累積碳排放增量和碳減排累積量分別為59.46萬噸、61.09萬噸。

各市耕地碳排放驅(qū)動因素的分解結(jié)果如表4所示。各與基期相比，各市的耕地碳排放量大體呈在下降，其中耕地碳減排量排名前三的為九江、撫州、贛州累計碳減排量分別為11.709萬噸、9.089萬噸、6.933萬噸，而景德鎮(zhèn)、新余、鷹潭的耕地碳排放量表現(xiàn)為增加趨勢，累計碳排放增加量在0.5萬噸以下。從各驅(qū)動因素來看，農(nóng)業(yè)生產(chǎn)效率對各市的耕地碳排放均表現(xiàn)為抑制作用，贛州、宜春、上饒的累計貢獻(xiàn)量大于53萬噸，而新余的累計貢獻(xiàn)量最小僅為4.3萬噸；農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)對九江、吉安、新余、撫州的耕地碳排放起抑制作用，而對其他市則為促進(jìn)作用；農(nóng)業(yè)經(jīng)濟(jì)水平對耕地碳排放具有促進(jìn)作用，其中宜春、吉安、贛州的累計貢獻(xiàn)量在108萬噸以上，而景德鎮(zhèn)、萍鄉(xiāng)、新余的累計貢獻(xiàn)量均在20萬噸以下；農(nóng)業(yè)勞動力對耕地碳排放表現(xiàn)為抑制作用，其中對宜春、吉安、贛州的抑制作用最為明顯，累計貢獻(xiàn)量均大于55萬噸，主要原因為農(nóng)業(yè)勞動力人口流失嚴(yán)重，研究期間，農(nóng)業(yè)勞動人口下降幅度在55%以上。而景德鎮(zhèn)、新余、萍鄉(xiāng)的累計貢獻(xiàn)量最小均在10萬噸以下，說明提高農(nóng)業(yè)規(guī)模化經(jīng)營水平將會在一定程度上降低耕地碳排放。

六、碳匯驅(qū)動因素結(jié)果分析

利用Kaya恒等式對各市的耕地碳匯的驅(qū)動因素進(jìn)行分解，結(jié)果如表5、表6所示。2010—2022年江西省各市的碳匯影響因素分解結(jié)果見表5。從變化趨勢來看，2010年至2022年江西省耕地碳匯呈現(xiàn)上升趨勢，累積增加量為198.37萬噸。從各驅(qū)動因素來看，碳匯系數(shù)和碳匯技術(shù)水平對耕地碳吸收表現(xiàn)為促進(jìn)作用，促進(jìn)作用從強(qiáng)到弱為碳匯技術(shù)水平gt;碳匯系數(shù)。

碳匯系數(shù)是促進(jìn)耕地碳吸收的關(guān)鍵因素。碳匯系數(shù)引起的耕地碳匯累計增量為178.72萬噸【與上表數(shù)據(jù)不符?！浚傮w呈曲折下降的趨勢。主要原因是各市的農(nóng)作物種植結(jié)構(gòu)均有所變動，水稻等糧食作物的碳匯系數(shù)的下降速度遠(yuǎn)大于蔬菜等經(jīng)濟(jì)作物碳匯系數(shù)的增加速度，導(dǎo)致全省的碳匯系數(shù)呈現(xiàn)下降趨勢?？傮w來說，碳匯系數(shù)的貢獻(xiàn)量雖在下降，但對耕地碳匯的促進(jìn)作用依舊較為關(guān)鍵。增加農(nóng)作物的產(chǎn)量提供碳匯系數(shù)是未來江西省增加耕地碳匯的重要方向。

碳匯結(jié)構(gòu)是抑制耕地碳匯的關(guān)鍵因素。由碳匯結(jié)構(gòu)引起的耕地碳匯累計減少量為146.646萬噸，年平均碳匯量為-12.22萬噸，總體呈現(xiàn)曲折下降的趨勢。其中水稻、油菜籽、蔬菜這三種碳匯量較大的農(nóng)作物共占比89%，但仍出現(xiàn)碳匯負(fù)增長趨勢。主要原因為近年來江西省的農(nóng)作物播種面積逐年減少，各農(nóng)作物的碳匯結(jié)構(gòu)出現(xiàn)明顯波動。碳匯結(jié)構(gòu)的貢獻(xiàn)量雖呈下降趨勢，但對碳匯的抑制依舊較為明顯。因此合理調(diào)整各農(nóng)作物的種植結(jié)構(gòu)，將在一定程度上降低碳匯結(jié)構(gòu)對耕地碳吸收的抑制作用。

碳匯技術(shù)是促進(jìn)耕地碳匯的最主要因素。碳匯技術(shù)引起的累計耕地碳匯增加量為1743.93萬噸【與上表數(shù)據(jù)不符。】，年平均耕地碳匯增加量為145.33萬噸，總體呈現(xiàn)曲折上升的趨勢。主要原因為近年來江西省農(nóng)業(yè)機(jī)械化和智能化水平的提升，使得農(nóng)業(yè)生產(chǎn)效率提高，農(nóng)業(yè)就業(yè)人員人均播種面積得到增長，從2010年的0.642hm²/人上升到2022年的1.422hm²/人。碳匯技術(shù)對耕地碳匯增長的起主要作用。因此，提升碳匯技術(shù)是未來江西省耕地碳匯增量的主要方向。

農(nóng)業(yè)勞動力是抑制耕地碳吸收的最主要因素。農(nóng)業(yè)勞動力減少引起的耕地碳匯總量為-1586.51萬噸【與上表數(shù)據(jù)不符?！?，年平均碳匯減少量為132.21萬噸，呈現(xiàn)逐年上升趨勢。全省農(nóng)業(yè)勞動人口從2010年的850.1萬下降到2022年的403萬，降幅為52.6%，農(nóng)業(yè)勞動人口的大量減少在較大程度上降低了耕地碳吸收量。

各市耕地碳匯驅(qū)動因素的貢獻(xiàn)量如表6所示。耕地碳吸收增量排名前三的為宜春、上饒、吉安，累計碳吸收增量分別為41.82萬噸、36.97萬噸、35.47萬噸，而南昌、九江、新余的累計耕地碳吸收增量最少均在5萬噸以下。從驅(qū)動因素來看，碳匯系數(shù)對各市的耕地碳匯均表現(xiàn)為促進(jìn)作用，對吉安、宜春、上饒的累計貢獻(xiàn)量在40萬噸以上，對景德鎮(zhèn)、九江、新余的累計貢獻(xiàn)量最小在5萬噸以下；碳匯結(jié)構(gòu)對南昌、九江、新余、萍鄉(xiāng)的耕地匯起促進(jìn)作用，而對其他市則為抑制作用，對宜春市的抑制作用最為明顯，超過60萬噸；碳匯技術(shù)水平對耕地匯具有促進(jìn)作用，其中對宜春、吉安的促進(jìn)作用最大，累計貢獻(xiàn)量均超過350萬噸，而對萍鄉(xiāng)、新余的促進(jìn)作用較為有限，累計貢獻(xiàn)量均在40萬噸以下；農(nóng)業(yè)勞動力對耕地碳匯表現(xiàn)為抑制作用，其中對宜春、吉安的抑制作用最為明顯，累計貢獻(xiàn)量均大于330萬噸，而對新余、萍鄉(xiāng)的累計貢獻(xiàn)量最小。

七、結(jié)論與討論【結(jié)論后應(yīng)有政策建議部分，可以簡寫但不可缺少?！?/p>

（一）結(jié)論

（1）研究期間，江西省耕地碳排放總量呈現(xiàn)下降趨勢，從2010年的463.25萬噸降低到2022年的418.09萬噸，減少了45.16萬噸【計算錯誤？】。在碳源結(jié)構(gòu)中，農(nóng)地翻耕和化肥占主要部分，其余依次為農(nóng)業(yè)灌溉、農(nóng)藥、農(nóng)膜、農(nóng)業(yè)機(jī)械總動力。碳排放的空間格局總體呈現(xiàn)南高北低的分布特征，其中高碳排放區(qū)為宜春、吉安、贛州、上饒；中等碳排放區(qū)為撫州、九江、南昌；低碳排放區(qū)為景德鎮(zhèn)、鷹潭、萍鄉(xiāng)、新余。對碳排放驅(qū)動因素分析，農(nóng)業(yè)生產(chǎn)效率和農(nóng)業(yè)勞動力對耕地碳排放表現(xiàn)為抑制作用，抑制效應(yīng)由強(qiáng)到弱為：農(nóng)業(yè)生產(chǎn)效率gt;農(nóng)業(yè)勞動力，農(nóng)業(yè)經(jīng)濟(jì)水平是促進(jìn)碳排放的主要因素，而農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)對耕地碳排放的影響既有促進(jìn)作用又有抑制作用。

（2）2010—2022年江西省耕地碳吸收量呈現(xiàn)上升趨勢，從2010年的1899.51萬噸至2022年的2097.89萬噸，共增加了198.37萬噸【？】，增幅為10.44%。在碳匯結(jié)構(gòu)中，水稻為主要的農(nóng)作物碳匯，占全省碳匯量的80%以上且產(chǎn)量較為穩(wěn)定，其余依次為蔬菜、油菜籽、瓜果類、花生、豆類、甘蔗等。碳吸收的空間格局表現(xiàn)為贛南gt;贛中g(shù)t;贛北，外圍高中間低的分布特點(diǎn)，和碳排放的分布較為相似。高碳吸收區(qū)為宜春、吉安、上饒；中碳吸收區(qū)為贛州、撫州、九江、南昌；低碳吸收區(qū)為景德鎮(zhèn)、鷹潭、萍鄉(xiāng)、新余。從各碳匯驅(qū)動因素來看，碳匯系數(shù)和碳匯技術(shù)對耕地碳匯表現(xiàn)為促進(jìn)作用，促進(jìn)的強(qiáng)弱為：碳匯技術(shù)gt;碳匯系數(shù)；農(nóng)業(yè)勞動力和碳匯結(jié)構(gòu)則表現(xiàn)為抑制作用，抑制效應(yīng)強(qiáng)弱排序為：農(nóng)業(yè)勞動力gt;碳匯結(jié)構(gòu)。

（二）政策建議【請補(bǔ)充?！?/p>

根據(jù)對江西省耕地碳排放量和碳吸收量的測定及驅(qū)動因素的分解，主要提出以下的碳減排增匯政策。

（1）進(jìn)行農(nóng)業(yè)低碳生產(chǎn)。在化肥使用方面，通過測定各市耕地的土壤養(yǎng)分，實行配方施肥。此外，還可利用廚余垃圾及人畜糞便制作綠色高效有機(jī)肥料替代傳統(tǒng)化肥。在農(nóng)藥使用方面，研發(fā)農(nóng)藥減量增效技術(shù)并配合生物防治方法，減少農(nóng)業(yè)種植過程中對農(nóng)藥的依賴。對農(nóng)用薄膜實行循環(huán)利用，并考慮研發(fā)低成本的可降解農(nóng)膜。

（2）提高農(nóng)業(yè)生產(chǎn)效率。推廣使用綠色節(jié)能的農(nóng)業(yè)機(jī)械，促進(jìn)農(nóng)業(yè)規(guī)?；陌l(fā)展。而由于江西省地貌多為丘陵山地，故應(yīng)研發(fā)適合在平原和丘陵山地使用的大、中、小型農(nóng)業(yè)機(jī)械。此外，對農(nóng)業(yè)就業(yè)人口進(jìn)行農(nóng)業(yè)低碳化種植技術(shù)培訓(xùn)，鼓勵并吸引農(nóng)業(yè)高技術(shù)人才從事農(nóng)業(yè)生產(chǎn)經(jīng)營工作，提高農(nóng)業(yè)經(jīng)營效率。

（3）增加農(nóng)作物碳匯。加大育種培育力度，研發(fā)高產(chǎn)水稻，并適當(dāng)增加單位耕地面積碳吸收量高的農(nóng)作物的播種面積，調(diào)整種植業(yè)結(jié)構(gòu)。

（三）本文不足與未來研究方向

首先，關(guān)于研究區(qū)域的選擇，空間尺度單位主要為省、市、縣、鄉(xiāng)鎮(zhèn)、村等，所選擇的空間尺度越小越能夠準(zhǔn)確的反映當(dāng)?shù)貙嶋H情況，從而更好的提供針對性的對策建議。而由于數(shù)據(jù)收集的現(xiàn)實性，難以收集縣、鄉(xiāng)鎮(zhèn)等市級以下的研究數(shù)據(jù)，因此本文以市為空間尺度單元進(jìn)行研究。其次，關(guān)于耕地碳源和碳匯的測算，本文僅對農(nóng)業(yè)投入品和農(nóng)業(yè)化石能源的消耗產(chǎn)生的碳排放量進(jìn)行了測算，并未考慮畜禽腸道發(fā)酵、稻田種植、農(nóng)業(yè)廢棄物、秸稈焚燒等方面。在測算方法上，排放系數(shù)法和碳吸收參數(shù)估計法中各碳源的碳排放系數(shù)和農(nóng)作物碳吸收率均采用統(tǒng)一系數(shù)，未考慮各地區(qū)農(nóng)作物差異，估算結(jié)果可能存在誤差【建議刪除，否則直接暴露本文不足?！?。最后，關(guān)于碳源和碳匯的驅(qū)動因素方面，耕地碳源和碳匯的驅(qū)動因素均只分為了四種，并不能完全解釋碳排放和碳吸收變化的原因。此外，導(dǎo)致耕地碳源和碳匯變化的因素還可能為城鎮(zhèn)化水平、農(nóng)業(yè)技術(shù)人才、消費(fèi)增長等。

參考文獻(xiàn)：

［1］IPCC. Special Report on the Ocean and Cryosphere in a Changing Climate[R]. 2016.【是否為報告？[R]】

[2]Sejian V， Prasadh RS， Lees AM， et al. Assessment of the Carbon Footprint of Four Commercial Dairy Production Systems in Australia Using an Integrated Farm System Model[J].Carbon Manag，2018，9：57-70.

[3]高鳴，宋洪遠(yuǎn).中國農(nóng)業(yè)碳排放績效的空間收斂與分異——基于Malmquist-luenberger指數(shù)與空間計量的實證分析[J].經(jīng)濟(jì)地理，2015，35（04）：142-148+185.

[4]Johnson J M F， Franzluebbers A J， Weyers S L， et al. Agricultural opportunities to mitigate greenhouse gas emissions[J]. Environmental pollution， 2007， 150（01）： 107-124.【作者應(yīng)為多人?！?/p>

[5]李波，張俊飚，李海鵬.中國農(nóng)業(yè)碳排放時空特征及影響因素分解[J].中國人口·資源與環(huán)境，2011，21（08）：80-86.

[6]李彥旻，沈育生，王世航.基于土地利用變化的安徽省陸地碳排放時空特征及效應(yīng)[J].水土保持學(xué)報，2022，36（01）：182-188.

[7]張丹，張衛(wèi)峰.低碳農(nóng)業(yè)與農(nóng)作物碳足跡核算研究述評[J].資源科學(xué)，2016，38（07）：1395-1405.

[8]趙建寧，張貴龍，楊殿林.中國糧食作物秸稈焚燒碳釋放量的估算[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報，2011，30（04）：812-816.

[9]趙明月，劉源鑫，張雪艷.農(nóng)田生態(tài)系統(tǒng)碳匯研究進(jìn)展[J].生態(tài)學(xué)報，2022，42（23）：9405-9416.

[10]楊果，陳瑤.中國農(nóng)業(yè)源碳匯估算及其與農(nóng)業(yè)經(jīng)濟(jì)發(fā)展的耦合分析[J].中國人口·資源與環(huán)境，2016，26（12）：171-176.

[11]姜群鷗，鄧祥征，戰(zhàn)金艷，等.黃淮海平原耕地轉(zhuǎn)移對植被碳儲量的影響[J].地理研究，2008（04）：839-846+975.

[12]Kaya Y. Impact of carbon dioxide emission on GNP growth： interpretation of proposed scenarios[R]. Paris： IPCC Energy and Industry Subgroup， 1989.【卷號，頁碼？】

[13]何艷秋，戴小文.中國農(nóng)業(yè)碳排放驅(qū)動因素的時空特征研究[J].資源科學(xué)，2016，38（09）：1780-1790.

[14]李波，王春妤，張俊飚.中國農(nóng)業(yè)凈碳匯效率動態(tài)演進(jìn)與空間溢出效應(yīng)[J].中國人口資源與環(huán)境，2019，29（12）：68-76.

[15]York R， Rosa E A， Dietz T. STIRPAT， IPAT and ImPACT：Analytic Tools for Unpacking the Driving Forces of Environmental Impacts[J]. Ecological Economics， 2003，46（03）：351-365.

[16]王麗萍，劉明浩.基于投入產(chǎn)出法的中國物流業(yè)碳排放測算及影響因素研究[J].資源科學(xué)，2018，40（01）：195-206.

[17]尹忞昊，田云，盧奕亨.中國農(nóng)業(yè)碳排放區(qū)域差異及其空間分異機(jī)理[J].改革，2023，（10）：130-145.

[18]段華平，張悅，趙建波，等.中國農(nóng)田生態(tài)系統(tǒng)的碳足跡分析[J].水土保持學(xué)報，2011，25（05）：203-208.

[19]張志高，袁征，李貝歌，等.基于投入視角的河南省農(nóng)業(yè)碳排放時空演化特征與影響因素分解[J].中國農(nóng)業(yè)資源與區(qū)劃，2017，38（10）：152-161.

[20]West T O， Marland G A. A Synthesis of Carbon Sequestration， Carbon Emissions， and Net Carbon Flux in Agriculture： Comparing Tillage Practices in the United States[J]. Agriculture， Ecosystems and Environment，2002，91（1/2/3）：217-232.

[21]戴小文，何艷秋，鐘秋波.基于擴(kuò)展的Kaya恒等式的中國農(nóng)業(yè)碳排放驅(qū)動因素分析[J].中國科學(xué)院大學(xué)學(xué)報，2015，32（06）：751-759.

[22]孟軍，范婷婷，黑龍江省農(nóng)業(yè)碳排放動態(tài)變化影響因素分析[J].生態(tài)經(jīng)濟(jì)，2020，36（12）：34-39.

[23]鄧吉祥，劉曉，王錚.中國碳排放的區(qū)域差異及演變特征分析與因素分解[J].自然資源學(xué)報，2014，29（02）：189-200.

[24]郭朝先.中國碳排放因素分解：基于LMDI分解技術(shù)[J].中國人口·資源與環(huán)境，2010，20（ 12）：4-9.

[25]貫君，張少鵬，任月，等.中國農(nóng)業(yè)凈碳匯時空分異與影響因素演進(jìn)分析[J].中國環(huán)境科學(xué)， 2024，44（02）：1158-1170.

[26]李靜泰，閆丹丹，么秀穎，等.中國濱海濕地碳儲量估算[J].土壤學(xué)報，2023，60（03）：800-814.

[27]陳慧靈，高子恒，王振波.省級尺度工業(yè)碳排放影響因素及碳轉(zhuǎn)移格局[J].生態(tài)學(xué)報，2023，43（14）：5816-5828.

[28]鄭博福，梁涵，萬煒，等.江西省縣域農(nóng)業(yè)碳排放時空格局及影響因素分析[J].農(nóng)業(yè)工程學(xué)報，2022，38（23）：70-80.【英文刊名，頁碼？】

[29]伍芬琳，李琳，張海林，等.保護(hù)性耕作對農(nóng)田生態(tài)系統(tǒng)凈碳釋放量的影響[J].生態(tài)學(xué)雜志，2007，26（12）：2035-2039.

[30]陳舜，逯非，王效科.中國氮磷鉀肥制造溫室氣體排放系數(shù)的估算[J].生態(tài)學(xué)報，2015，35（19）：6371-6383.

（責(zé)任編輯：李韻婷）

Analysis of Spatiotemporal Changes and Driving Forces of Carbon Sources and Sinks in Cultivated Land in Jiangxi Province

LIU Yan-fen， SUN Chuan-zhen

（School of Public Administration， South China Agricultural University， Guangzhou 510642）

Abstract：Against the backdrop of global climate change caused by the intensification of greenhouse effect， research on carbon emissions is currently one of the core contents. Therefore， this study analyzes the spatiotemporal characteristics of carbon sources and sinks in cultivated land in Jiangxi Province， explores the driving factors of cultivated land carbon sources and sinks， and provides theoretical basis and data support for the reduction of cultivated land carbon emissions in Jiangxi Province. Based on agricultural statistical data such as crop yield， farmland tillage， fertilizers， pesticides， etc.， the carbon emission coefficient method and carbon absorption parameter estimation method were used to calculate the carbon emissions and carbon absorption of cultivated land in Jiangxi Province from 2010 to 2022. The LMDI decomposition model and Kaya identity were used to decompose the driving factors. Main conclusion： During the research period， the carbon emissions from cultivated land in Jiangxi Province showed a trend of first increasing and then decreasing， while the overall carbon absorption from cultivated land showed an upward trend. Farmland plowing and chemical fertilizers are the main sources of carbon emissions; Rice is the main crop carbon sink. In the decomposition results of driving factors， agricultural production efficiency and agricultural labor force have a inhibitory effect on carbon emissions， while agricultural economic level and agricultural industrial structure have a promoting effect; The carbon sink coefficient and carbon sink technology mainly promote the carbon absorption of arable land， while agricultural labor and carbon sink structure have inhibitory effects.

Key words：Agricultural carbon source/sink; Driving factors; LMDI decomposition model；Kaya identity; Jiangxi Province