农业环境科学学报JournalofAgro-EnvironmentScienceISSN1672-2043,CN12-1347/S《农业环境科学学报》网络首发论文题目：江苏省农田生态系统固碳时空分布特征与趋势预测作者：邱子健，李天玲，申卫收收稿日期：2023-02-16网络首发日期：2023-05-31引用格式：邱子健，李天玲，申卫收．江苏省农田生态系统固碳时空分布特征与趋势预测[J/OL]．农业环境科学学报.https://kns.cnki.net/kcms2/detail/12.1347.S.20230530.1445.008.html网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，只可基于编辑规范进行少量文字的修改。出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出版广电总局批准的网络连续型出版物（ISSN2096-4188，CN11-6037/Z），所以签约期刊的网络版上网络首发论文视为正式出版。1江苏省农田生态系统固碳时空分布特征与趋势预测邱子健，李天玲，申卫收（1.南京信息工程大学环境科学与工程学院/江苏省大气环境监测与污染控制高技术研究重点实验室/江苏省大气环境与装备技术协同创新中心，南京210044）摘要：为探讨江苏省农田生态系统固碳时空分布特征及未来固碳趋势，利用固碳速率法对江苏省2005—2020年农田固碳进行估算，重点分析2005、2010、2015和2020年时空分布特征，并运用机器学习的方法对2021—2060年全省农田生态系统固碳进行预测。结果表明：在时间序列上，江苏省近年农田生态系统固碳量整体呈现升高的趋势，2020年估算为282.55万t·a-1（以C计，下同），在全省陆地生态系统固碳总量中占比达20.17%；在空间分布上，固碳贡献最大的是苏北地区，无论是施用肥料还是秸秆还田贡献的固碳量均呈现高于苏中、苏南地区的态势；根据机器学习的重要性分析，秸秆还田量是最为重要的影响因素；两种模型中，BP神经网络相较于随机森林具有更高的预测精度，该模型预测2021—2060年农田生态系统固碳量仍会在短期内持续升高，但随后将进入较稳定的平台期，其中2021—2026年间固碳量将持续升高并达峰，为365.26万t·a-1，而到2060年固碳量则为348.12万t·a-1。研究表明，江苏省农田生态系统固碳量已逐步提升，但在未来增长速率将趋于减缓，有必要进一步强化固碳措施，重点是提升秸秆还田率及其固碳效率，同时现有研究方法也有待于进一步优化，未来应将有机肥施用、绿肥还田、轮作等因素考虑在内，从而实现对农田生态系统固碳更为精准、全面的估算。关键词：江苏省；农业碳中和；土壤固碳；农田生态碳汇；机器学习预测SpatiotemporaldistributioncharacteristicsandtrendpredictionofcarbonsequestrationinfarmlandecosystemsinJiangsuProvince,ChinaQIUZi-jian,LITian-ling,SHENWei-shou(1.SchoolofEnvironmentalScienceandEngineering,NanjingUniversityofInformationScienceandTechnology/KeyLaboratoryofHighTechnologyResearchonAtmosphericEnvironmentMonitoringandPollutionControlinJiangsuProvince/JiangsuAtmosphericEnvironmentandEquipmentTechnologyCollaborativeInnovationCenter,Nanjing210044，China)Abstract:ToexplorethespatiotemporaldistributioncharacteristicsandfuturecarbonsequestrationtrendsoffarmlandecosystemsinJiangsuProvince,China,thecarbonsequestrationratemethodwasusedtoestimatethecarbonsequestrationoffarmlandinJiangsuProvincefrom2005–2020,withafocusonanalyzingthespatiotemporaldistributioncharacteristicsof2005,2010,2015,and2020.Machinelearningmethodswereusedtopredictthecarbonsequestrationoffarmlandecosystemsintheprovincefrom2021–2060.Theresultsrevealedthat收稿日期：2023-02-16作者简介：邱子健(1996—)，男，浙江宁波人，博士研究生，从事环境与土壤微生物研究。E-mail：1919208781@qq.com通信作者：申卫收E-mail：wsshen@nuist.edu.cn基金项目：江苏省发展和改革委员会碳达峰策略和路径前期研究；南京信息工程大学气候与环境治理研究院开放课题（ZKKT2022A09）Projectsupported:PreliminaryStudyonStrategiesandPathsofCarbonEmissionPeakforJiangsuDevelopmentandReformCommission；OpenProjectofResearchInstituteofClimaticandEnvironmentalGovernance，NanjingUniversityofInformationScienceandTechnology（ZKKT2022A09）网络首发时间：2023-05-3111:13:16网络首发地址：https://kns.cnki.net/kcms2/detail/12.1347.S.20230530.1445.008.html2intermsoftimeseries,theoverallcarbonsequestrationoffarmlandecosystemsinJiangsuProvincehasdemonstratedanincreasingtrendinrecentyears,withanestimated282,5500tCa−1in2020,accountingfor20.17%ofthetotalcarbonsequestrationofterrestrialecosystemsintheprovince.Intermsofspatialdistribution,thelargestcontributionofcarbonsequestrationisinthenorthernregionofJiangsucomparedtothecentralandsouthernregions,owingtohighcontributionsfrombothfertilizerapplicationandstrawreturning.Accordingtotheimportanceanalysisofmachinelearning,theamountofstrawreturnedtothefieldisthemostimportantfactor.Inthetwomodels,BPneuralnetworkhasahigherpredictionaccuracythanthatofrandomforest.TheBPneuralnetworkpredictsthatfrom2021–2060,thecarbonsequestrationoffarmlandecosystemwillcontinuetoincreaseintheshorttermbutwouldthenenteramorestableplatformperiod.Thecarbonsequestrationwillcontinuetoriseandreachapeakof365,2600tCa−1from2021–2026,and348,1200tCa−1by2060.StudieshaverevealedthatthecarbonsequestrationcapacityofagriculturalecosystemsinJiangsuProvincehasgraduallyincreasedbutthegrowthratewillslowdowninthefuture.Itisnecessarytofurtherstrengthencarbonsequestrationmeasures,withafocusonimprovingthestrawreturnrateandcarbonsequestrationefficiency.Meanwhile,existingresearchmethodsneedtobefurtheroptimized.Inthefuture,factorssuchasorganicfertilizerapplication,greenmanurereturn,androtationshouldbeconsideredtoachievemoreaccurateandcomprehensivecarbonsequestrationofagriculturalecosystemsestimation.Keywords:JiangsuProvince;agriculturalcarbonneutrality;soilcarbonfixation;farmlandecologicalcarbonsink;machinelearningprediction在陆地生态系统中，农田生态系统具有重要的碳汇功能，是碳循环过程最活跃的碳库[1-3]。与无作物种植的土壤系统相比，农田生态系统在深层土壤中可以储存更多的碳，具有更大的固碳潜力[4]。研究表明，中国陆地生态系统碳汇近年已呈现上升趋势，其中农田生态系统碳汇（以C计）为（0.043±0.010）Pg·a-1[5]。然而，农田土壤N2O、CH4的大量排放导致目前农田生态系统仍整体表现为碳源[6,7]。因此，为推进实现国家碳中和目标，积极应对和减缓全球气候变化，农田生态系统需要充分发挥其碳汇功能。精准评估农田固碳变化对于促进我国农业固碳减排具有积极意义。在以往的研究中，农作物经济产量法是应用于农田生态系统碳汇估算的一类常见方法[8-13]。然而需要指出的是，农田生态系统主要依靠土壤固碳，绝大部分作物碳在短期内经食物链等重新以CO2形式返回大气，并不能实现长效稳定固碳[14]。因此，该方法实际上已不适用于对当前农田生态系统碳汇的估算。现有的农田土壤固碳估算更多关注的是固碳潜力，即土壤有机碳饱和状态下的碳密度或是相较于历史时期的增长潜力[15,16]。固碳潜力估算方法主要包括长期试验外推、经验公式估算和过程模型模拟三类，但由于土壤有机质形成机理和周转过程认识、观测数据误差、时空分辨率及可获取性等因素限制，这些方法均存在不确定性[17]。农田土壤固碳速率（即一定时间内一定面积的土壤固碳量）也是估算的对象之一，目前主要通过Meta分析、土壤调查数据差减和过程模型模拟估算[17,18]。前两种方法无法分析固碳速率逐年动态变化和预测未来，而过程模型则有赖于实测数据，在数据难以获取、参数不充分的情况下难以直3接估算[19]。固碳速率法是近年用于估算农田生态系统土壤固碳功能的方法之一，具有数据易获取、计算方法简便以及可分析动态变化的优势。谭美秋等[20]已用该方法对河南省农田生态系统碳汇进行核算，发现与净碳汇法的结果呈现出相似规律。过程模型是用于预测农田土壤固碳的主流方法，但如前所述仍具有局限性。近年来，机器学习已广泛应用于各研究领域，但尚未在农田系统固碳估算与预测方面得到充分应用。在众多机器学习方法中，随机森林（RandomForest）、神经网络（NeuralNetwork）是当前比较经典的机器学习方法。随机森林是分类和回归树的集合，使用预测变量的二元分割来确定结果预测的模型[21]，与单一决策树模型相比，随机森林提供了更高的预测精度[22]。而在神经网络中，BP神经网络作为一种被广泛使用的网络模型，具有较强的非线性映射能力、泛化能力和容错能力，同时也具有较强的预测能力[23]。鉴于此，将机器学习应用于农田生态系统固碳估算，可以极大地丰富该领域的研究手段。目前，由于农田土壤固碳量实测数据在获取方面仍然匮乏，对区域尺度的农田生态系统固碳动态变化及预测的国内研究仍相对较少。江苏省是农业资源约束型省份，全省耕地土壤有机质平均含量为23.81g·kg-1，中低等耕地约占68.45%，区域普遍存在各类障碍因子，严重制约了地力提升与固碳减排[24]。此前的研究表明，江苏省农业碳排放现仍处在较高水平[25]，强化农田固碳已是刻不容缓。因此，本文以江苏省为研究对象，采用固碳速率法主要对其2005、2010、2015、2020年农田固碳量的时空分布特征进行分析，同时基于2005—2020年估算结果，通过随机森林、神经网络两种机器学习的建模方法对可能的影响因素进行重要性分析，并通过调参比较两种模型精度，择优预测江苏省2021—2060年基于当前农业发展趋势的农田生态系统固碳量，主要目的是为江苏省农业固碳提供量化参考，并为农田生态系统固碳估算提供更为简便、可行的新方法。1研究方法与数据来源1.1陆地生态系统固碳量估算方法本文依据生态环境部环境规划院、中国科学院生态环境研究中心编制的《陆地生态系统生产总值（GEP）核算技术指南》，采用固碳速率法对江苏省陆地生态系统、江苏省13个地级市农田生态系统2005、2010、2015、2020年的固碳量进行核算。其中，陆地生态系统估算模型如下：4𝑄𝑡=𝐹𝐶𝑆+𝐺𝑆𝐶𝑆+𝑊𝐶𝑆+𝐶𝑆𝐶𝑆（1）式中：tQ为陆地生态系统总固碳量（以C计，后同），t·a-1；FCS为森林（及灌丛）固碳量，t·a-1；GSCS为草地固碳量，t·a-1；WCS为湿地固碳量，t·a-1；CSCS为农田固碳量，t·a-1。本文中森林、湿地和草地固碳速率法核算公式具体详见上述文献，农田生态系统固碳估算模型如下：CSCS=(𝐵𝑆𝑆+𝑆𝐶𝑆𝑅𝑁+𝑃𝑅×𝑆𝐶𝑆𝑅𝑆)×𝑆𝐶（2）式中：CSCS为农田土壤固碳量，t·a-1；BSS为无固碳措施条件下的农田土壤固碳速率，t·hm-2·a-1；NSCSR为施用化学氮肥和复合肥的农田土壤固碳速率，t·hm-2·a-1；SSCSR为秸秆全部还田的农田土壤固碳速率，t·hm-2·a-1；PR为农田秸秆还田推广施行率，%；SC为农田面积，hm-2。PR的取值具体见表1。表1江苏省农田秸秆还田率Table1ThepromotionandimplementationrateofstrawreturningonfarmlandinJiangsuProvince年份Year秸秆还田率Strawreturnrate参考文献Reference2005年23.01%[26]2010年30.00%[27]2015年51.50%[28]2020年77.20%[29]其中，无固碳措施条件下的农田土壤固碳速率：𝐵𝑆𝑆=𝑁𝑆𝐶×𝐵𝐷×𝐻×0.1（3）式中：NSC为无化学肥料和有机肥料施用的情况下，我国农田土壤有机碳的变化，g·kg-1·a-1；BD为各省土壤容重，g·cm-3；H为土壤厚度，cm。江苏省NSC取值为-0.06，土壤容重BD取值为1.253g·cm-3，土壤厚度取20cm。其中，施用化学氮肥、复合肥和秸秆还田的土壤固碳速率（南方农区）：𝑆𝐶𝑆𝑅𝑁=1.5339×𝑇𝑁𝐹−266.7（4）式中：TNF为单位面积耕地化学氮肥、复合肥总施用量，kgN·hm-2·a-1；计算公式如下：𝑁𝐹𝐶=(𝑁𝐹+𝐶𝐹×0.3)/𝑆𝑃（5）式中：NF和CF为化学氮肥和复合肥施用量，t；PS为耕地面积，hm-2。秸秆还田的固碳速率（南方农区）：𝑆𝐶𝑆𝑅𝑆=43.548×𝑆+375.1（6）5式中：S为单位耕地面积秸秆还田量，t·hm-2·a-1；计算方法如下式所示：PjjnjSSGRCYS/1（7）式中：jCY为作物j在当年的产量，t；PS为耕地面积，hm-2；jSGR为作物j的草谷比。作物草谷比具体见表2。表2主要作物的草谷比Table2Grasstograinratioofmaincrops作物Crop草谷比SGRjStraw/grainratio(SGRj)水稻0.623小麦1.366玉米2.000棉花8.100油菜籽2.000甘蔗0.1001.2农田生态系统固碳量预测模型1.2.1Holt平滑指数法构建2021-2060年数据集选取农作物播种面积、有效灌溉面积、化肥施用量、秸秆总量、秸秆还田量（秸秆总量和还田量采用固碳速率法计算）、粮食总产量、粮食单位面积产量7个指标作为解释变量（输入变量）构建机器学习预测模型，各解释变量采用Holt平滑指数法对2021-2060年时间序列进行预测，构建预测数据集。Holt平滑指数法在简单指数平滑系数α的基础上增加了一个趋势的平滑系数β，因此可以较好地预测未来变化趋势。本研究Holt平滑指数法在Rstudio（v2022.07.1+554）中采用R（v4.2.2）提供的函数HoltWinters()和forecast包（v8.21）实现构建，具体建模步骤为：（1）读入2005-2020年时间序列；（2）通过HoltWinters()进行两参数指数平滑拟合；（3）利用forecast包预测2021-2060年时间序列。1.2.2随机森林模型构建本研究应用随机森林算法对2005-2020年的固碳速率法估算结果（2005、2010、2015、2020年除外的其他年份用1.1同样方法计算固碳量，其中秸秆还田率取2005、2010、2015、2020年相邻年份之间的平均值，下同）进行机器学习。选取农作物播种面积、有效灌溉面积、化肥施用量、秸秆总量、秸秆还田量、粮食总产量、粮食单位面积产量7个指标作为输6入变量，以2005-2014年的变量数据作为训练集，并以2015-2020年的变量数据作为测试集，对江苏省2021-2060年农田生态系统的固碳趋势进行预测。本研究中随机森林模型在Rstudio（v2022.07.1+554）中采用R语言randomForest包（v4.7-1.1）实现构建。模型预测性能如图1所示，决策树的数量（ntree）在400以后的误差已基本趋于稳定（图1a），而mtry值（节点中用于二叉树的变量数）为2时误差相对较低（图1b），同时交叉验证的结果表明，选取7个解释变量数的误差低于选取变量数小于7的模型（图1c）。因此，本研究最终选择上述7个指标并以ntree=500、mtry=2的参数构建随机森林模型。图1随机森林模型预测性能Figure1Predictionperformanceofrandomforestmodel1.2.3BP神经网络模型构建本研究应用BP神经网络算法对2005—2020年的固碳速率法估算结果进行深度学习。同样选取农作物播种面积、有效灌溉面积、化肥施用量、秸秆总量、秸秆还田量、粮食总产量、粮食单位面积产量7个指标作为输入变量，以农田生态系统固碳量为输出变量，并以2005—2014年的变量数据作为训练集，以2015—2020年的变量数据作为测试集。该神经网络有1个隐含层，神经元个数为13个，输出层为1个，用训练好的BP神经网络模型预测江苏省2021—2060年农田生态系统的固碳潜力。本研究中BP神经网络模型在Rstudio（v2022.07.1+554）中采用R语言neuralnet包（v1.44.2）构建。模型设置当损失函数值小于0.001时迭代终止，输出节点的激活函数为线性函数，采用权重回溯的rprop+算法。同时，通过repeat循环优化模型，控制模型测试的平均误差平方和（MSE）⩽20，以此进一步提高模型预测精度。71.2.4模型精度评价为了评价模型的拟合及预测能力，本研究根据平均误差平方和（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）、相关系数（COR）和相对分析误差（RPD）五种指标来做出评价（表3）。五种指标的计算公式如下：ny-yMSEniii12ˆ（8）ny-yMAEniii1ˆ（9）ny-yRMSEniii12ˆ（10）niiniiiniiYYXXYYXXCOR12_12__1_)()()()(（11）RMSESDRPD（12）式中：为机器学习模型的预测值，为固碳速率法的估算值，为测试集样本量，、为均值，SD为样本标准差。评价指标MSE、MAE、RMSE数值越小，COR、RPD数值越大则说明模型的预测值与固碳速率法的估算值之间差异越小，模型的预测能力越强。根据表3，无论是MSE、MAE还是RMSE，BP神经网络模型的数值均小于随机森林模型，而BP神经网络模型的COR值不仅高于随机森林模型，更是接近于1，且RPD值也明显高于随机森林模型，由此表明BP神经网络模型具有相对更强的预测能力。表3两种预测方法的测试集预测误差比较Table3Comparisonofpredictionerrorsbetweentwopredictionmethodsfortestdatasets.建模方法Modelingmethods平均误差平方和MSE平均绝对误差MAE均方根误差RMSE相关系数COR相对分析误差RDPiyˆiyn_X_Y8随机森林7026.47034.22183.8240.0620.008BP神经网络10.5871.3283.2540.9917.763注：5种指标根据2015-2020年测试集估算值与模型预测值计算。Note:Thefourindicatorsarecalculatedbasedontheestimatedvalueandmodelpredictionvaluefrom2005to2020.1.3数据来源本文中数据来源于国家统计局国家数据网站、历年《中国统计年鉴》《江苏省统计年鉴》和江苏省13个地级市统计年鉴。2结果与分析2.1江苏省农田生态系统固碳时空分布特征2.1.1江苏省农田生态系统在陆地生态系统固碳中的贡献根据固碳速率法核算结果，全省陆地生态系统固碳量近年呈现升高趋势，由2005年的201.08万t·a-1上调至2020年的1400.73万t·a-1（图2）。其中，农田生态系统的固碳量由2005年的98.42万t·a-1增加至2020年的282.55万t·a-1，2020年相较2005年增加了187.08%。2005年，农田生态系统固碳量明显高于全省森林生态系统固碳量，而此后的2010、2015年和2020年的农田生态系统固碳量则远低于森林固碳量，但增长率仍高于森林生态系统。此外，全省湿地生态系统固碳量相对较低，而草地生态系统固碳量则远低于其他生态系统，故基本可以忽略。总体来看，到2020年，江苏省农田生态系统固碳量在全省陆地生态系统固碳量占比达20.17%，固碳贡献仅次于森林生态系统。9图22005、2010、2015、2020年江苏省陆地生态系统固碳量Figure2CarbonsequestrationinterrestrialecosystemsinJiangsuProvincein2005,2010,2015and2020.2.1.2江苏省农田生态系统固碳在区域尺度上的时空分布具体来看，在时间序列上，2005—2020年，江苏省农田施用化肥（化学氮肥+复合肥）贡献的固碳量总体已呈下降态势；在空间分布上，施用化肥的固碳量大小依次是：苏北>苏中>苏南，而在十三个地级市中，徐州市施肥固碳量最大，盐城、连云港市相对较大，而苏州市最少，到2020年分别为14.78万、12.16万、12.78万t·a-1和-4.51万t·a-1（图3a和图4）。2005—2020年，江苏省秸秆还田固碳量总体也呈现上升趋势，在空间分布上依然表现为：苏北>苏中>苏南，其中盐城市固碳量最大，无锡市最少，到2020年分别为63.75万t·a-1、4.65万t·a-1（图3b和图4）。整体来看，在时间序列上，江苏省农田生态系统固碳量已经呈现出逐步提升的变化趋势，2020年13市固碳量均较2015年有所提高（图3c）；而在空间分布上，固碳贡献最大的是苏北地区，其中2020年苏北地区固碳量为208.56万t·a-1，分别是苏中、苏南地区的3.96倍和11.20倍，而在13个地级市中，2020年盐城市固碳量最大，其次为徐州市，苏州市最少，分别为55.03万、53.06万t·a-1和0.45万t·a-1（图4）。10图32005、2010、2015、2020年江苏省农田（a）施用化肥、（b）秸秆还田固碳量和（c）总固碳量Figure3FarmlandinJiangsuProvincein2005,2010,2015and2020(a)applicationofchemicalfertilizers,(b)carbonsequestrationbystrawreturningand(c)totalcarbonsequestration.苏南苏中苏北苏南苏中苏北苏南苏中苏北苏南苏中苏北-1000100200300202020152010固碳量Carbonsequestration/（104t·a-1）秸秆还田Strawincorporation化肥施用Fertilization无固碳措施Nomeasures2005图42005、2010、2015、2020年江苏省分地区农田土壤固碳量Figure4FarmlandsoilcarbonsequestrationinJiangsuProvincein2005,2010,2015and2020.2.2江苏省农田生态系统固碳量的特征变量重要性分析由图5可知，无论是MSE增长率（IncreaseinMeanSquaredError，%IncMSE）或是节点纯度增量（IncreaseinNodePurity，IncNodePurity），秸秆还田量均高居首位，说明其是江苏省农田生态系统固碳量最为重要的影响因素，MSE增长率和节点纯度增量分别为7.89%11和872.05。其次是粮食产量的两个指标（粮食总产量、粮食单位面积产量）以及化肥施用量，粮食总产量、粮食单位面积产量的MSE增长率分别为7.25%、7.86%，节点纯度增量分别为836.79、830.21，而化肥施用量的MSE增率为6.53%，节点纯度增量为707.45。秸秆总量的重要性仅次于化肥施用量，但明显低于秸秆还田量，这也表明了提高秸秆还田率可能是进一步提升农田固碳的关键。其他变量中，播种面积也具有较强的重要性，而有效灌溉面积的重要性则最低，MSE增率与节点纯度增量仅为-0.79%、97.04。图5基于随机森林模型的江苏省农田土壤固碳量影响因素重要性度量Figure5MeasurementoftheimportanceofinfluencingfactorsofsoilcarbonsequestrationinJiangsuProvincebasedonstochasticforestmodel在神经网络中，广义权重（GeneralizeWeight，GW）是用于测度解释变量重要性的指标。若输入变量在所有观测值处的广义权重均趋近于0，则表明该变量取值的变化对输出变量影响较小。如图6所示（横轴为标准化后的变量数值），在利用neuralnet包计算的7个解释变量广义权重中，秸秆还田量、化肥施用量在部分观测值处具有相对于其他变量较高的广义权重，说明二者、特别是秸秆还田量的变化对输出变量（即农田固碳量）的影响较大。此外，粮食总产量、粮食单位面积产量以及播种面积也被观察到在较低或较高的观测值处具有高于其他观测值的广义权重，该结果也表明这3种解释变量对农田固碳量具有一定程度的影响。12图6BP神经网络模型的特征变量广义权重Figure6GeneralizedWeightsofFeatureVariablesinBPNeuralNetworkModel2.3江苏省农田生态系统固碳量预测根据前文1.2.4的结果，选择预测精度相对更高的BP神经网络模型对2021—2060年江苏省农田生态系统固碳量进行预测。结果表明，按照当前江苏省农业发展趋势，预计2021—2060年期间，江苏省农田生态系统固碳量将表现为“快速升高-缓慢下降-缓慢回升”的变化趋势，其中2021—2026年固碳量持续升高，在2026年达到峰值，预测为365.26万t·a-1，此后呈现一定程度的下调，2047年以后逐步回升，到2060年全省农田生态系统固碳量预计为348.12万t·a-1（图7）。就整体而言，2026年以前为快速增长期，2026年以后基本处在稳定平台期。在具体的年份上，2026年江苏省农田土壤固碳量分别相较2005年、2020年估算值提高271.12%、29.27%，而2060年则分别较2005年、2020年估算值提高253.71%、23.21%。13图7江苏省2021-2060年农田生态系统固碳潜力预测Figure7PredictionofcarbonsequestrationpotentialoffarmlandecosysteminJiangsuProvincefrom2021-20603讨论本文的估算结果显示，到2020年，江苏省农田生态系统土壤全年的固碳量已较2005、2010、2015年有明显提高，分别是2005、2010、2015年的2.87、2.11、1.39倍，表明江苏省农田土壤固碳近年来总体上已呈现出逐步提升的态势，这与近年以来江苏省作物产量、秸秆还田率的提高密切相关。过去已有研究指出，农田土壤固碳与农田作物产量密切相关[30]。罗玉叶等[31]则利用DNDC模型模拟了不同秸秆还田率下福建省水稻土未来的有机碳动态变化，发现秸秆还田率越高，土壤年均固碳速率、固碳总量越高。此外，基于此前对江苏省种植业碳排放的估算结果[25]，笔者发现尽管目前江苏省农田整体上仍然表现为碳源，但也已有向碳汇转变的趋势。以往江苏省农田碳汇估算研究更多关注的是作物固碳，而忽视土壤固碳，但也得出了类似的结果。例如，许萍萍等[32]在仅估算作物固碳的基础上，发现2001-2016年江苏省农田生态系统的碳吸收量总体呈现增加趋势。在本研究中，江苏省苏北、苏中、苏南农田生态系统固碳量近年均呈现升高趋势，而苏北的农田生态系统固碳量明显高于苏中、苏南地区，与苏北地区耕地面积相对大于苏中、苏南地区有关。总体上，江苏省近年以来实施化肥减施增效战略已见成效，化肥贡献的碳排放已逐步减少，虽然使得化肥施用增加的固碳也相应减少，但秸秆还田等措施的推行则更多地提升了农田土壤的固碳量，保障全省农田固碳量不断升高。14本研究基于机器学习构建的两种模型中，秸秆还田量均对农田土壤固碳具有重要影响。研究表明，秸秆还田可以显著提高我国农田SOC含量，使SOC含量平均提高了13.97%，不过秸秆还田的持续时间也不宜太长，过长可能导致SOC含量减少[33]。在本文构建的随机森林模型中，秸秆还田对江苏省农田土壤固碳量的贡献明显大于化肥施用，而BP神经网络的重要性分析结果则表明，化肥施用量对农田土壤固碳同样具有不亚于秸秆还田的重要作用。两种模型存在一定的差异，这与选择的特征变量以及样本量的大小有关。但不可否认的是，化肥施用对于农田土壤固碳确有积极作用。已有研究表明，施用化肥比仅施有机肥的土壤固碳效率更高[34]。Han等[35]采用Meta分析的方法发现全球表层SOC在化肥不平衡施用和化肥平衡施用的条件下分别增加了0.9g·kg-1和1.7g·kg-1。事实上，化肥对农田土壤固碳发挥出的重要作用很可能在将其与秸秆或是有机肥等结合时更为充分地表现出来。例如，Zhang等[36]将作物秸秆与化学施肥相结合，发现可以提高淮河流域黑土土壤活性有机质含量、有机质品质，是实现可持续生产的有用途径；Yang等[37]发现耕地施用有机肥显著提高了土壤碳氮积累率，但与化肥配施时影响更大，每年可累积C2.01t·hm-2。由于大量的实测数据难以获取，本文基于有限的估算值构建模型，可能对农田固碳量存在一定程度的低估。因为除本研究预测模型所输入的7个特征变量以外，仍存在诸多对农田土壤固碳具有重要影响的因素，这些均可能导致模型存在不确定性。例如，已有研究表明，施用有机肥[34]、耕作措施如免耕[38]、深耕[39]，以及土壤类型中如土壤高初始碳含量的土壤[40]等对土壤固碳具有积极作用。此外，农田土壤固碳还明显受到自然因素如气候、土壤属性以及人为因素如轮作制度等因素的影响[30]。其中，气候影响SOC的积累和分解过程，土壤质地、pH值、通气性和土壤结构等理化性质则是影响SOC库容量的重要因素，施肥、耕作、秸秆管理等农业措施则影响土壤碳输入和输出[17]。这些变量的影响需要在积累大量实测数据的基础上，在以后的模型中应予以充分考虑。本文选择的两种机器学习预测模型中，尽管随机森林可以减少获得预测所需的变量数量，以减轻数据收集负担并提高效率[22]，但其并没有表现出较好的预测精度，这可能与训练集样本量较少有关，也可能于选择的特征变量重要性不足有关。因此，可以认为在样本量相对较少的情况下，相较于随机森林模型，采用BP神经网络模型对农田生态系统土壤固碳进行预测可能会具有更大的优势。本文基于BP神经网络模型的预测结果表明，在2021—2060的40年间，江苏省农田年固碳量在短期内将持续快速升高，但此后增长减缓进入平台期，这与耕地面积、作物产量、秸秆还田量等将在未来达到饱和有密切关系。由此可知，在未来如何从农田固碳技术层面上进一步实现突破，将会是推进农业减排增汇乃至最终达成碳中和目标的关键所在。154结论与建议4.1结论（1）在时间序列上，江苏省近年农田生态系统固碳量整体呈现升高的趋势，到2020年，估算为282.55万t·a-1，在陆地生态系统固碳总量中占比达20.17%；（2）在空间分布上，固碳贡献最大的是苏北地区，无论是施用化肥还是秸秆还田贡献的固碳量均呈现高于苏中、苏南地区的态势；（3）重要性分析结果表明，秸秆还田量对农田固碳量的影响最大。在随机森林模型中，粮食产量、化肥施用量的重要性仅次秸秆还田量，重要性相对高于其他变量；而在BP神经网络模型中，化肥施用量对农田固碳量也具有较大的影响；（4）BP神经网络模型相较于随机森林模型具有更高的预测精度。BP神经网络模型预测2021—2060年江苏省农田生态系统固碳量将表现为“快速升高-缓慢下降-缓慢回升”的趋势，2021—2026年间固碳量持续升高并达到峰值（365.26万t·a-1），到2060年固碳量为348.12万t·a-1。因此，预计未来全省农田生态系统固碳量仍会在短期内持续升高，但随后将进入相对稳定的平台期。4.2建议（1）鉴于秸秆还田对农田生态系统固碳的重要贡献，建议进一步提高秸秆还田率及其固碳效率，推广秸秆炭化还田等技术，并通过积极开展不同秸秆还田方式的田间试验，构建新型秸秆还田技术，在实现秸秆还田长效稳定固碳的同时，持续提升农田生态系统的固碳潜力；（2）建议进一步广泛开展有机肥施用、绿肥种植还田、轮作等土壤固碳措施条件下农田土壤固碳速率的观测工作，同时将相应措施的活动水平数据纳入统计范围内，未来可以基于大量实测数据，校正、完善现有的估算方法，提高估算方法的时空分辨率，同时还可以进一步用于构建并优化基于机器学习的预测模型，尤其是在农田固碳影响因素的解析和模型解释变量的筛选方面进行更深入系统地探索，从而实现对农田生态系统固碳变化趋势更为精准、全面的估算。16参考文献[1]张旭博,孙楠,徐明岗,等.全球气候变化下中国农田土壤碳库未来变化[J].中国农业科学,2014,47(23):4648-4657.ZHANGXB,SUNN,XUMG,etal.FuturechangesoffarmlandsoilcarbonpoolinChinaunderglobalclimatechange[J].ScientiaAgriculturaSinica,2014,47(23):4648-4657.[2]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.ZHAOMY,LIUYX,ZHANGXY.Areviewofresearchadvancesoncarbonsinksinfarmlandecosystems[J].ActaEcologicaSinica,2022,42(23):9405-9416.[3]郑聚锋,程琨,潘根兴,等.关于中国土壤碳库及固碳潜力研究的若干问题[J].科学通报,2011,56(26):2162-2173.ZHENGJF,CHENGK,PANGX,etal.PerspectivesonstudiesonsoilcarbonstocksandthecarbonsequestrationpotentialofChina[J].ChineseSciBull,2011,56(26):2162-2173.[4]NAIRPKR,NAIRV,GAMA-RODRIGUESE,etal.Soilcarboninagroforestrysystems:anunexploredtreasure?[J].NaturePrecedings,2009.[5]赵宁，周蕾，庄杰，等.中国陆地生态系统碳源/汇整合分析[J].生态学报,2021,41(19):7648-7658.ZHAON,ZHOUL,ZHUANGJ,etal.Integrationanalysisofthecarbonsourcesandsinksinterrestrialecosystems,China[J].ActaEcologicaSinica,2021,41(19):7648-7658.[6]GAOB,HUANGT,JUX,etal.Chinesecroppingsystemsareanetsourceofgreenhousegasesdespitesoilcarbonsequestration[J].GlobalChangeBiology,2018,24(12):5590-5606.[7]WANGY,TAOF,YINL,etal.SpatiotemporalchangesingreenhousegasemissionsandsoilorganiccarbonsequestrationformajorcroppingsystemsacrossChinaandtheirdriversoverthepasttwodecades[J].ScienceoftheTotalEnvironment,2022,833:155087.[8]葛瑞阳,王双双,孙中学,等.长三角地区农业碳源汇核算及特征研究[J].农业与技术,2022,42(16):85-90.GERY,WANGSS,SUNZX,etal.StudyontheaccountingandcharacteristicsofagriculturalcarbonsourcesandsinksintheYangtzeRiverDelta[J].AgricultureandTechnology,2022,42(16):85-90.[9]李明琦,刘世梁,武雪,等.云南省农田生态系统碳足迹时空变化及其影响因素[J].生态学报,2018,38(24):8822-8834.LIMQ,LIUSL,WUX,etal.TemporalandspatialdynamicsinthecarbonfootprintanditsinfluencingfactorsoffarmlandecosystemsinYunnanProvince[J].ActaEcologicaSinica,2018,38(24):8822-8834.[10]王梁,赵杰,陈守越.山东省农田生态系统碳源、碳汇及其碳足迹变化分析[J].中国农业大学学报,2016,21(7):133-141.WANGL,ZHAOJ,CHENSY.Analysisofecosystemcarbonsources/sinksandcarbonfootprintinfarmlandecosystemofShandongProvince[J].JournalofChinaAgriculturalUniversity,2016,21(7):133-141.[11]翁翎燕,朱振宇,韩许高,等.江苏省农田植被净碳汇时空格局分析[J].农业工程学报,2018,34(6):233-241.WENGLY,ZHUZY,HANXG,etal.Spatial-temporalpatternofnetcarbonsinkoffarmlandvegetationinJiangsuProvince[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2018,34(6):233-241.[12]张鹏岩,何坚坚,庞博,等.农田生态系统碳足迹时空变化——以河南省为例[J].应用生态学报,2017,28(9):3050-3060.17ZHANGPY,HEJJ,PANGB,etal.Temporalandspatialdifferencesincarbonfootprintinfarmlandecosystem:acasestudyofHenanProvince,China[J].ChineseJournalofAppliedEcology,2017,28(9):3050-3060[13]张婷,蔡海生,张学玲.基于碳足迹的江西省农田生态系统碳源/汇时空差异[J].长江流域资源与环境,2014,23(6):767-773.ZHANGT,CAIHS,ZHANGXL,etal.Spatial-temporaldynamicsoffarmlandecosystemcarbonsource/sinkbasedoncarbonfootprintinJiangxiProvince[J].ResourcesandEnvironmentintheYangtzeBasin,2014,23(6):767-773.[14]YUH,ZHANGG,MAJ,etal.ElevatedatmosphericCO2reducesCH4andN2OemissionsundertwocontrastingricecultivarsfromasubtropicalpaddyfieldinChina[J].Pedosphere,2022,32(5):707-717.[15]姜蓝齐,臧淑英,张丽娟,等.松嫩平原农田土壤有机碳变化及固碳潜力估算[J].生态学报,2017,37(21):7068-7081.JIANGLQ,ZANGSY,ZHANGLJ,etal.TemporalandspatialvariationsoforganiccarbonandevaluationofcarbonsequestrationpotentialintheagriculturaltopsoiloftheSongnenPlain[J].ActaEcologicaSinica,2017,37(21):7068-7081.[16]宋丹,李双异,汪景宽.下辽河平原区农田土壤固碳潜力估算[J].土壤通报,2014,45(4):847-850.SONGD,LISY,WANGJK.EvaluationofcarbonsequestrationpotentialincroplandsoilinthelowerLiaoheRiverPlain[J].ChineseJournalofSoilScience,2014,45(4):847-850.[17]赵永存,徐胜祥,王美艳,等.中国农田土壤固碳潜力与速率:认识、挑战与研究建议[J].中国科学院院刊,2018,33(2):191-197.ZHAOYC,XUSX,WANGMY,etal.CarbonsequestrationpotentialinChinesecroplandsoils:review,challenge,andresearchsuggestions[J].BulletinoftheChineseAcademyofSciences,2018,33(2):191-197.[18]赵占辉,张丛志,刘昌华,等.河南封丘县域农田土壤固碳速率空间变异特征及其影响因素[J].应用生态学报,2016,27(5):1479-1488.ZHAOZH,ZHANGCZ,LIUCH,etal.SpatialvariabilityofsoilorganiccarbonsequestrationrateanditsinfluencingfactorsinFengqiuCounty,Henan,China[J].ChineseJoumalofAppliedEcology,2016,27(5):1479-1488.[19]覃章才,黄耀.基于模型的农田土壤固碳潜力估算[J].中国科学:生命科学,2010,40(7):658-676.QINZC,HUANGY.Quantificationofsoilorganiccarbonsequestrationpotentialincropland:amodelapproach[J].SciChinaLifeSci,2010,40(7):658-676.[20]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.TANMQ,CUIYP,MAXZ,etal.StudyoncarbonsinkestimationofcroplandecosysteminHenanProvince[J].JournalofEcologyandＲuralEnvironment,2022,38(9):1129-1137.[21]BREIMANL.Randomforests[J].MachineLearning,2001,45(1):5-32.[22]SPEISERJL,MILLERME,TOOZEJ,etal.Acomparisonofrandomforestvariableselectionmethodsforclassificationpredictionmodeling[J].ExpertSystemswithApplication,2019,134:93-101.[23]LIJ,DONGX,RUANS,etal.AparallelintegratedlearningtechniqueofimprovedparticleswarmoptimizationandBPneuralnetworkanditsapplication[J].ScientificReports,2022,12(1):19325.[24]郁洁,高晖,李文西,等.基于GIS的江苏省耕地质量等级评价[J].中国土壤与肥料,2022(3):222-230.YUJ,GAOH,LIWX,etal.EvaluationofcultivatedlandqualityinJiangsuprovincebasedonGIS[J].SoilandFertilizerSciencesinChina,2022(3):222-230.18[25]邱子健，靳红梅，高南，等.江苏省农业碳排放时序特征与趋势预测[J].农业环境科学学报,2022,41(3):658-669.QIUZJ,JINHM,GAON,etal.TemporalcharacteristicsandtrendpredictionofagriculturalcarbonemissioninJiangsuProvince,China[J].JournalofAgro-EnvironmentScience,2022,41(3):658-669.[26]张金城,刘松.江苏省秸秆还田及秸秆综合利用的发展现状与思考[J].农业装备技术,2006,(3):13-14.ZHANGJINCHENG,LIUSONG.ThedevelopmentstatusandthinkingofstrawreturningandstrawcomprehensiveutilizationinJiangsuProvince[J].AgriculturalEquipment&Technology,2006,(3):13-14.[27]张燕.江苏省秸秆还田机械发展战略研究[J].农机化研究,2012,34(12):240-243.ZHANGY.TheresearchondevelopmentstrategyofJiangsuProvincecropresiduerecyclingmachine[J].JournalofAgriculturalMechanizationResearch,2012,34(12):240-243.[28]常志州,靳红梅,黄红英,等.“十三五”江苏省秸秆综合利用策略与秸秆产业发展的思考[J].江苏农业学报,2016,32(3):534-541.CHANGZZ,JINHM,HUANGHY,etal.NewthinkingregardingintegratedutilizationstrategyandindustrialdevelopmentofcropstrawsinJiangsuProvinceforthe13thFiveYearPlan[J].JiangsuJournalofAgriculturalSciences,2016,32(3):534-541.[29]郭德杰,罗佳,马艳.江苏省秸秆综合利用途径现状及发展策略[J].江苏农业科学,2022,50(3):248-252.GUODJ,LUOJ,MAY.CurrentsituationanddevelopmentstrategyofstrawcomprehensiveutilizationinJiangsuProvince[J].JiangsuAgriculturalScience,2022,50(3):248-252.[30]徐明岗,张旭博,孙楠,等.农田土壤固碳与增产协同效应研究进展[J].植物营养与肥料学报,2017,23(6):1441-1449.XUMG,ZHANGXB,SUNN,etal.Advanceinresearchofsynergisticeffectsofsoilcarbonsequestrationoncropyieldsimprovementincroplands[J].JournalofPlantNutritionandFertilizers,2017,23(6):1441-1449.[31]罗玉叶,邱龙霞,龙军,等.不同秸秆还田率情境下亚热带水田土壤的“碳汇”贡献模拟研究[J/OL].土壤学报:1-18[2023-01-16].http://kns.cnki.net/kcms/detail/32.1119.p.20220916.1340.002.html.LUOYY,QIULX,LONGJ,etal.Researchonthecarbonsinkcontributionofsubtropicalpaddyfieldsoilunderdifferentstrawreturnrates[J].ActaPedologicaSinica:1-18[2023-01-16].http://kns.cnki.net/kcms/detail/32.1119.p.20220916.1340.002.html.[32]许萍萍，赵言文，陈颢明，等.江苏省农田生态系统碳源/汇、碳足迹动态变化[J].水土保持通报,2018,38(5):238-243.XUPP,ZHAOYW,CHENHM,etal.Dynamicchangeofcarbonsource/sinkandcarbonfootprintoffarmlandecosysteminJiangsuProvince[J].BulletinofSoilandWaterConservation,2018,38(5):238-243.[33]WANGY,WUP,MEIF,etal.DoescontinuousstrawreturningkeepChinafarmlandsoilorganiccarboncontinuedincrease?Ameta-analysis[J].JEnvironManage,2021,288:112391.[34]HUANGX,JIAZ,JIAOX,etal.Long-termmanureapplicationstoincreasecarbonsequestrationandmacroaggregate-stabilizedcarbon[J].SoilBiologyandBiochemistry,2022,174:108827.[35]HANP,ZHANGW,WANGG,etal.Changesinsoilorganiccarbonincroplandssubjectedtofertilizermanagement:aglobalmeta-analysis[J].Scientificreports,2016,6:27199.[36]ZHANGL,CHENX,XUY,etal.Soillabileorganiccarbonfractionsandsoilenzymeactivitiesafter10yearsofcontinuousfertilizationandwheatresidueincorporation[J].ScientificReports,2020,10(1):1911318.[37]YANGR,SUYZ,WANGT,etal.Effectofchemicalandorganicfertilizationonsoilcarbonandnitrogenaccumulationinanewlycultivatedfarmland[J].JournalofIntegrativeAgriculture,2016,15(3):658-666.[38]魏燕华,赵鑫,翟云龙,等.耕作方式对华北农田土壤固碳效应的影响[J].农业工程学报,2013,29(17):87-95.WEIYH,ZHAOX,ZHAIYL,etal.EffectsoftillagesonsoilorganiccarbonsequestrationinNorthChinaPlain[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2013,29(17):87-95.[39]HAOM,HUH,LIUZ,etal.Shiftsinmicrobialcommunityandcarbonsequestrationinfarmlandsoilunderlong-termconservationtillageandstrawreturning[J].AppliedSoilEcology,2019,136:43-54.[40]NIH,LIUC,SUNB,etal.Responseofglobalfarmlandsoilorganiccarbontonitrogenapplicationovertimedependsonsoiltype[J].Geoderma,2022,406:115542.
VIP
