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：江苏省农业碳排放时序特征与趋势预测作者：邱子健，靳红梅，高南，徐轩，朱津宏，李庆，王子清，徐拥军，申卫收收稿日期：2021-06-06网络首发日期：2021-10-20引用格式：邱子健，靳红梅，高南，徐轩，朱津宏，李庆，王子清，徐拥军，申卫收．江苏省农业碳排放时序特征与趋势预测[J/OL]．农业环境科学学报.https://kns.cnki.net/kcms/detail/12.1347.S.20211019.1154.003.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江苏省农业碳排放时序特征与趋势预测邱子健1，靳红梅2,3，高南4，徐轩2,3，朱津宏1，李庆1，王子清1，徐拥军5，申卫收1（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，江苏南京210044；2.江苏省农业科学院农业资源与环境研究所，江苏南京210014；3.江苏省有机固体废弃物资源化协同创新中心，江苏南京210095；4.南京工业大学生物与制药工程学院，江苏南京211816；5.江苏现代低碳技术研究院，江苏南京210003）摘要：【目的】为探讨江苏省农业碳排放时序特征及未来碳排放趋势，【方法】利用排放因子法对江苏省2000-2019年农业碳排放进行估算，并运用STIRPAT模型对2020-2030年全省农业碳排放进行趋势预测。【结果】结果表明：江苏省2000—2019年CO2-e排放量整体呈现降低-升高-降低的趋势，并已在2005年达峰，估算为8361.77万t，其中种植业、畜牧业则分别在2010年、2003年达峰，种植业排放量远高于畜牧业。农业CO2-e排放强度主要呈先升高后降低的趋势，2003年后排放强度逐年递减，到2019年已降至1.31t·万元-1；在各碳源中，水稻种植是全省农业碳排放的最大排放源，而在主要畜禽中，猪养殖过程中造成的碳排放远高于其他畜禽；预计2020—2030年，伴随城镇化发展、农业人均GDP提高和农业碳排放强度的进一步降低，全省农业CO2-e排放量仍将呈下降趋势，在减碳的同时可以兼顾农业经济高效发展。【结论】研究表明，江苏省农业已实现碳达峰，未来农业碳排放的持续降低将有利于加速全省碳中和目标的实现。关键词：江苏省；农业碳排放；种植业；畜牧业；碳达峰；碳中和TemporalcharacteristicsandtrendpredictionofagriculturalcarbonemissioninJiangsuProvince,China收稿日期：2021-06-06录用日期：2021-10-14作者简介：邱子健(1996—)，男，浙江宁波人，硕士研究生，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；国家自然科学基金面上项目(41771291)Projectsupported:PreliminaryStudyonStrategiesandPathsofCarbonEmissionPeakforJiangsuDevelopmentandReformCommission;TheNationalNaturalScienceFoundationofChina(41771291)网络首发时间：2021-10-2017:10:01网络首发地址：https://kns.cnki.net/kcms/detail/12.1347.S.20211019.1154.003.html2QIUZijian1,JINHongmei2,3,GAONan4,XUXuan2,3,ZHUJinhong1,LIQing1,WANGZiqing1,XUYongjun5,SHENWeishou1(1.SchoolofEnvironmentalScienceandEngineering,NanjingUniversityofInformationScienceandTechnology/KeyLaboratoryofHighTechnologyResearchonAtmosphericEnvironmentMonitoringandPollutionControlinJiangsuProvince/JiangsuAtmosphericEnvironmentandEquipmentTechnologyCollaborativeInnovationCenter,Nanjing210044，China;2.InstituteofAgriculturalResourcesandEnvironment,JiangsuAcademyofAgriculturalSciences,Nanjing210014,China;3.JiangsuCollaborativeInnovationCenterforSolidOrganicWasteResourceUtilization，Nanjing210095，China;4.SchoolofBiologicalandPharmaceuticalEngineering,NanjingUniversityofTechnology,Nanjing211816,China;5.JiangsuInstituteofModernLowCarbonTechnology,Nanjing210003,China)Abstract:InordertoexplorethetemporalcharacteristicsofagriculturalcarbonandfuturecarbonemissiontrendsinJiangsuProvince,theemissionfactormethodwasusedtoestimatetheagriculturalcarbonemissionsofJiangsuProvincefrom2000to2019.TheSTochasticImpactsbyRegressiononPopulation,AffluenceandTechnology(STIRPAT)modelwasusedtopredictthetrendsofagriculturalcarbonemissionintheprovincefrom2020to2030.TheresultsindicatedthattheCO2eemissionsofJiangsuProvincefrom2000to2019showedatrendofdecreasing-increasing-decreasing,andreachedapeakin2005,whichisestimatedtobe83,617,700tons,ofwhichtheplantingindustryandanimalhusbandrywerein2010and2003,respectively.In2005,theplantingindustry’semissionsweremuchhigherthanthatoftheanimalhusbandryindustry.TheintensityofagriculturalCO2-eemissionfirstlyincreasedandthendecreased.After2003,theintensityofemissionsdecreasedyearafteryear,andby2019ithadreducedto131t·millionyuan-1.Amongthevariouscarbonsources,ricecultivationisthelargestsourceofagriculturalcarbonemissionsintheprovince,andamongthemajorlivestockandpoultry,thecarbonemissionscausedbypigbreedingaremuchhigherthanforotherlivestockandpoultry.From2020to2030,withthedevelopmentofurbanization,theincreaseofagriculturalpercapitagrossdomesticproduct(GDP)andthefurtherreductionofagriculturalcarbonemissionintensity,theprovince'sagriculturalCO2-eemissionswillstillshowadownwardtrend.Low-carbonemissionreductionandefficientagriculturaleconomicdevelopmentwillalsocontributetowardthis.StudieshaveshownthatagricultureinJiangsuProvincehastakentheleadinachievingcarbonpeaks,andthecontinuedreductionofagriculturalcarbonemissionsinthefuturewillhelpacceleratetherealizationoftheprovince'scarbonneutralgoals.Keywords:JiangsuProvince;agriculturalcarbonemissions;plantingindustry;animalhusbandry;carbonemissionpeak;carbonneutral全球二氧化碳（CO2）等温室气体排放加速了气候变化进程，造成极端天气事件频发。因此，控制温室气体排放、发展低碳经济已成为国际共识。农业是国民经济的基础部门,其碳排放主要在种植、养殖、加工等过程中直接或间接产生。其中，种植业碳排放主要集中在化肥、农药、农膜、灌溉以及机械动力方面[1,2]，而畜牧业则主要包括反刍动物胃肠道发酵和畜禽粪便管理缺氧产生的甲烷（CH4）排放以及畜禽粪便收集、贮存和堆肥等过程产生的氧化亚氮（N2O）排放[3]，其在全球范围产生的CH4和N2O约占农业非CO2温室气体排放量的80%[4]。联合国粮农组织（FoodandAgricultureOrganizationoftheUnitedNations,FAO）数据显示[5]，2017年中国农业产生67846.91万tCO2当量（CO2-e）的温室气体排放，其中CH4、N2O分别排放1443.50万t、121.08万t，分别占全国排放总量的23.19%和69.38%。3当前中国农业碳排放量年均增长约为1.67%，而碳排放强度则已呈下降趋势[6,7]。为有效遏制气候变暖，农业碳排放及其减排策略已备受全球关注。国内目前的研究主要侧重于农业碳排放核算、影响因素及减排机制方面[8-11]。当前，碳排放估算方法主要包括排放因子法、质量平衡法、实测值法和模型法[12,13]。排放因子法是依照碳排放清单,对各排放源以活动水平和排放因子的乘积估算其碳排放量的方法，主要参考联合国政府间气候变化专门委员会（IntergovernmentalPanelonClimateChange,IPCC）发布《2006年国家温室气体清单编制指南报告》等获取排放因子[14,15]。质量平衡法可根据生产生活的新化学物质和设备进行计算，优势在于可反映实际碳排放量，但中间考虑过程多，数据获取困难，误差较大[16]。实测法通过排放源的现场实测基础数据计算碳排放量，因中间环节少，结果较准确，但数据获取较难，投入较大，其估算精度多取决于采样频率、样点密度等因素[13,17]。模型法主要通过数学模型等进行估算，例如国内构建的DNDC模型就可用于估算农田痕量温室气体的排放量[18]，但运行模型所需数据种类较多。本文选择排放因子法以估算碳排放，该法目前已成为国际主流方法，数据获取较易，可较准确地反映农业各排放源碳排放情况。当前，可用于预测碳排放的模型如环境库兹涅茨曲线、灰色预测模型、投入产出模型等，各有优势，但部分模型存在自身缺陷或建模较复杂，因而导致用于预测碳排放较少[19]。本文采用了基于IPAT模型的STIRPAT(StochasticImpactsbyRegressiononPAT)模型预测农业碳排放趋势，该模型可以充分考虑碳排放社会、经济和技术方面的驱动因素[20]，适用于不同情景分析预测。江苏省是农业大省，地理位置与气候条件优越。国家统计局数据显示[21]，2019年江苏省耕地面积约占全国3.39%，粮食总产量、畜禽肉类总产量分别占全国总量的5.58%、3.54%，而总产值则占全国的6.20%，位列全国第四。目前，国内有关江苏省农业碳排放的估算主要集中在种植业，对畜牧业排放仍未予以足够重视，因此对全省农业碳排放尚缺少全面、系统的评估。本研究通过排放因子法估算2000—2019年江苏省农业CO2-e排放量，分析其时序特征，并利用STIRPAT模型对2020—2030年的农业CO2-e排放量进行预测，旨在为江苏省农业碳减排提供量化参考并为低碳政策的合理安排提供科学依据。41研究方法与数据来源1.1农业碳排放估算方法借鉴IPCC《2006年国家温室气体清单指南》，运用排放因子法估算农业碳排放。本文中种植业主要包括以下碳源：（1）化肥、农药、农膜生命周期隐含碳：生产和运输过程中直接或间接导致的碳排放，不涵盖田间使用过程中由能源消费导致的碳排放[22]；（2）农业用电：农村用电导致的碳排放；（3）农用柴油：农业机械在在使用过程中消耗农用柴油导致的碳排放；（4）水稻种植：稻田甲烷排放；（5）农用地N2O排放：包括由氮肥施用引起的N2O直接排放，以及由大气氮沉降、氮淋溶径流损失分别引起的N2O间接排放。畜牧业则主要考虑以下温室气体排放源：（1）畜禽胃肠道发酵：在正常的代谢过程中，寄生在动物消化道内的微生物发酵消化道内饲料时从动物口、鼻和直肠排出体外的CH4排放；（2）畜禽粪便管理：在畜禽粪便施入到土壤之前动物粪便贮存和处理所产生的CH4、N2O排放。估算模型如下：𝐼=∑𝐼𝑖=∑𝐴𝐷𝑖∙𝐸𝐹𝑖（1）式（1）中：I为农业的CO2-e排放总量Ii为第i类温室气体排放源的CO2-e排放量ADi为第i类温室气体排放源的活动水平EFi为第i类温室气体排放源的CO2-e排放系数江苏省种植业温室气体排放源的排放系数主要来自IPCC等机构公布的推荐值或经进一步调整计算获取，畜牧业温室气体排放源的排放系数主要参考《省级温室气体清单编制指南》的推荐值。主要排放源的温室气体排放系数归纳为表1：5表1农业温室气体排放源与排放系数Table1Agriculturalgreenhousegasemissionsourcesandemissioncoefficients部门Department排放源Emissionsource排放系数Emissioncoefficient系数来源Coefficientsource种植业化肥生命周期隐含碳CO2：3.2840kg·kg-1美国橡树岭国家实验室（ORNL）农药生命周期隐含碳CO2：18.0920kg·kg-1美国橡树岭国家实验室（ORNL）农膜生命周期隐含碳CO2：18.9930kg·kg-1南京农业大学资源与生态环境研究所农业用电CO2：0.7921t·MWh-1生态环境部农用柴油CO2：3.1863kg·kg-1IPCC（2006）水稻种植CH4：215.5000kg·hm-2省级温室气体清单编制指南农用地N2O排放N2O：氮肥施用：0.0125kg·kg-1IPCC（2006）氮沉降：旱地0.1650kg·hm-2水田0.0640kg·hm-2淋溶/径流：0.0750kg·hm-2畜牧业畜禽胃肠道发酵CH4：奶牛88.1000kg·头-1·a-1非奶牛52.9000kg·头-1·a-1绵羊8.2000kg·头-1·a-1山羊8.9000kg·头-1·a-1猪1.0000kg·头-1·a-1家禽忽略不计省级温室气体清单编制指南畜禽粪便管理CH4：奶牛8.3300kg·头-1·a-1非奶牛3.3100kg·头-1·a-1绵羊0.2600kg·头-1·a-1山羊0.2800kg·头-1·a-1猪5.0800kg·头-1·a-1家禽：0.0200kg·头-1·a-1N2O：奶牛2.0650kg·头-1·a-1非奶牛0.8460kg·头-1·a-1绵羊0.1130kg·头-1·a-1山羊0.1130kg·头-1·a-1猪0.1750kg·头-1·a-1家禽：0.0070kg·头-1·a-1省级温室气体清单编制指南注：化肥、农药、农膜生命周期隐含碳的排放系数已根据C排放系数换算成CO2排放系数（CO2排放系数=C排放系数/1244）。下文CH4、N2O均按IPCC第五次评估报告中百年尺度CO2增温潜势的28倍、265倍换算成CO2-e估算。Notes:Emissioncoefficientsoffertilizerlifecycleembodiedcarbon,pesticidelifecycleembodiedcarbonandagriculturalfilmlifecycleembodiedcarbonhavebeenconvertedfromCemissioncoefficienttoCO2emissioncoefficient(CO2emissioncoefficient=Cemissioncoefficient/1244).ThefollowingCH4andN2OarecalculatedaccordingtotheCO2equivalentof28timesand265timesofthe100-year-scaleCO2warmingpotentialintheIPCCFifthAssessmentReport.61.2农业碳排放趋势预测模型Ehrlich和Holdren（1971）[23]指出所有环境影响因素可分解为人口规模、富裕度和技术3类，提出了IPAT模型，即𝐼=𝑃𝐴𝑇。在此基础上，本文参考相关构建方法[24]，采用基于IPAT模型改进的STIRPAT模型[25]对碳排放进行了预测。STIRPAT模型可以克服IPAT模型等在假设检验方面的局限，定量研究人文指标对碳排放的影响程度[26]。其基本模型为：𝐼=𝑎𝑃𝑏𝐴𝑐𝑇𝑑𝑒（2）由于式（2）标准STIRPAT模型是非线性多元方程，不便于计算，故将式（2）中等式两边经对数化处理后变成求和模式：ln𝐼=ln𝑎+𝑏ln𝑃+𝑐ln𝐴+𝑑ln𝑇+ln𝑒（3）式（3）中，a为常数，I为农业CO2-e排放总量（单位：万t），P为农村人口（单位：万人），A为农业人均GDP（单位：万元/万人），T为农业CO2-e排放强度（t/万元），e为误差，b、c、d分别为农村人口、农业人均GDP、农业CO2-e排放强度的弹性指数。1.3数据来源本文中2000-2019年各年份化肥、农药、农膜用量、农用柴油用量、农村用电量、水稻种植面积、牲畜年底存栏量、农作物播种面积、农村人口和农业产值等数据主要来自历年《中国统计年鉴》、《中国农村统计年鉴》和《江苏省统计年鉴》。其中，化肥施用量采用折纯量表示，农药、农膜、农用柴油采用实际使用量表示。2结果与分析2.1农业碳排放时序特征2.1.1种植业碳排放时序特征2000—2019年间，江苏省种植业CO2-e排放量总体呈“降低-升高-降低”的变化趋势（图1），并在2010年达峰，为6245.63万t。2000—2003年间，主要因水稻种植面积的减少，CO2-e排放总量持续降低，由6102.84万t降至5477.26万t，减少10.25%，此后至2010年间逐年升高，2010—2019年整体呈缓慢降低趋势，2019年已降至5892.22万t，较2010年7减少5.66%。在全省种植业中，水稻种植的CO2-e排放贡献最大，平均达59.49%，且近年占比有所提高。其次，化肥生命周期隐含碳和农用地N2O排放的贡献较大，平均贡献17.78%和12.37%，后者中以氮肥施用的直接排放居多。农用柴油、农膜生命周期隐含碳排放的占比近年略有增加，平均分别贡献4.87%和2.93%，而农药生命周期隐含碳占比与化肥生命周期隐含碳变化趋势相近，近年已呈逐年下降趋势，平均贡献2.57%。2000200120022003200420052006200720082009201020112012201320142015201620172018201901000200030004000500060007000农用地N2O排放N2Oemissionsfromagriculturalland水稻种植Riceplanting农用柴油Agriculturaldiesel农业用电Agriculturalelectricity农膜生命周期隐含碳Agriculturalfilmlifecycleembodiedcarbon农药生命周期隐含碳Pesticidelifecycleembodiedcarbon化肥生命周期隐含碳FertilizerlifecycleembodiedcarbonCO2-e排放量CO2-eemissions（104·t）年份Year图12000—2019年江苏省种植业CO2当量排放变化Figure1CO2-eemissionfromplant-productsindustryinJiangsuProvincefrom2000to20192.1.2畜牧业碳排放时序特征2000—2019年间，江苏省畜牧业CO2-e排放量总体呈“升高-降低-回升-降低”的变化趋势（图2），并在2003年达峰，为2274.20万t。2005年后排放量降幅明显，2007年已降至1344.92万t，2014年后则呈逐年下降趋势，2019年因受猪瘟等影响，排放量降至730.88万t。两类排放源中，畜禽粪便管理的平均贡献率略高，为52.01%。全省畜禽胃肠道发酵CO2-e排放量在2007年较上年大幅降低，此后有所回升，自2015年后逐年下降（图3）。2000—2019年间，所有畜禽中，山羊胃肠道发酵贡献的排放量最多，平均占比52.61%，自2007年起，占比大幅下降；绵羊贡献最少，平均占比1.22%；猪、奶牛和非奶牛则分别平均贡献18.18%、16.38%和11.60%的排放。全省畜禽粪便管理CO2-e排放量在2005—2006年呈较明显的年际差异，在2007年持续下降后有所回升，自2014年后则逐年降低，其中2019年有大幅下降（图4）。2000—2019年间，所有畜禽中，猪粪便管理是最重要的排放源，平均占比91.07%，其次是山羊、奶牛、8非奶牛、家禽和绵羊，分别贡献3.97%、2.49%、1.40%、0.98%和0.10%。所有畜禽中，猪养殖过程中的CO2-e排放量远高于其他畜禽，平均占比54.60%，其次山羊占比29.28%，为第二大排放来源，奶牛、非奶牛、绵羊及家禽则分别占8.07%、6.90%、0.65%和0.50%。因此，合理控制猪养殖规模、加强猪粪减排处理尤为关键。20002001200220032004200520062007200820092010201120122013201420152016201720182019050010001500200025003000畜禽粪便管理Livestockmanuremanagement畜禽胃肠道发酵GastrointestinalfermentationoflivestockCO2-e排放量CO2-eemissions（104·t）年份Year图22000—2019年江苏省畜牧业CO2当量排放变化Figure2CO2-eemissionfromanimalhusbandryinJiangsuProvincefrom2000to201920002001200220032004200520062007200820092010201120122013201420152016201720182019030060090012001500猪Pigs山羊Goats绵羊sheep非奶牛Othercattle奶牛CowsCO2-e排放量CO2-eemissions（104·t）年份Year图32000—2019年江苏省畜牧业畜禽胃肠道发酵CO2当量排放变化Figure3CO2-eemissionfromgastrointestinalfermentationoflivestockinJiangsuProvincefrom2000to2019920002001200220032004200520062007200820092010201120122013201420152016201720182019030060090012001500家禽Poultry猪Pigs山羊Goats绵羊Sheep非奶牛Othercattle奶牛CowsCO2-e排放量CO2-eemissions（104·t）年份Year图42000—2019年江苏省畜牧业畜禽粪便管理CO2当量排放变化Figure4CO2-eemissionfromlivestockmanuremanagementinJiangsuProvincefrom2000to20192.1.3农业碳排放时序特征2000—2019年江苏省农业CO2-e排放量总体呈现“降低-回升-降低”的变化趋势，根据增长率可知，当前全省农业整体已呈降低趋势，特别是在2007年（-6.58%）、2019年（-8.77%）有大幅减少，CO2-e排放量于2005年达峰，为8361.77万t，到2019年已降至3035.71万t（图5）。从时间变化上，农业CO2-e排放强度相比农业CO2-e排放量更能真实反映排放程度。伴随江苏省农业产业转型优化，2000—2019年间全省农业CO2-e排放强度主要呈“降低-回升-降低”的趋势（图6）。2000—2003年间，CO2-e排放强度呈先降低后升高的趋势，2003年为峰值，达5.38t·万元-1，此后逐年递减，2019年已降至1.31t·万元-1。在2007年，负增长率最高，相较上年，排放强度降低了18.37%。10200020012002200320042005200620072008200920102011201220132014201520162017201820190200040006000800010000年份YearCO2-e排放量CO2-eemissions（104·t）-30-20-1001020CO2-e排放量CO2-eemissions增长率Thegrowthrate增长率（%）图52000—2019年江苏省农业CO2当量排放变化Figure5AgriculturalCO2-eemissionsinJiangsuProvincefrom2000to2019200020012002200320042005200620072008200920102011201220132014201520162017201820190123456CO2-e排放强度CO2-eemissionintensity增长率Thegrowthrate年份YearCO2-e排放强度CO2-eemissionintensity（t·万元-1）-20-1001020增长率（%）图62000—2019年江苏省农业CO2当量排放强度变化Figure6AgriculturalCO2-eemissionintensityinJiangsuProvincefrom2000to20192000—2019年间，江苏省农业各排放源中，水稻种植（CH4）对农业碳排放总量贡献最大，平均贡献47.04%的CO2-e排放，其次是化肥生命周期隐含碳、畜禽粪便管理和畜禽胃肠道发酵，分别贡献了14.01%、10.73%和10.26%，此外，农用地N2O排放、农用柴油、农膜和农药生命周期隐含碳则分别贡献9.73%、3.87%、2.34%和2.02%（表2）。在能源消费中，农业用电由于其碳排放量远低于其他排放源，贡献极低。总体来看，种植业碳排放量远高于畜牧业，分别平均占比79.01%、20.99%，其中畜牧业的比重整体呈现下降趋势。当前，种植业碳排放贡献率由2000年的74.48%已提高至2019年的88.96%。农业资源投入中，农用柴油、农膜生命周期隐含碳排放的贡献率分别从2000年的2.95%、1.51%提高至2019年11的5.24%、3.27%。畜禽胃肠道发酵对农业碳排放的贡献率于2007年出现明显降低，此后基本维持较低的比重，而畜禽粪便管理碳排放在农业碳排放总量中的贡献率整体变化较小，仅在2019年呈明显降低。表22000—2019年江苏省农业碳排放源排放结构变化Table2ThestructuralchangeofagriculturalcarbonemissionsourcesinJiangsuProvincefrom2000to2019年份Year种植业Plantingindustry（%）畜牧业Animalhusbandry（%）化肥生命周期隐含碳农药生命周期隐含碳农膜生命周期隐含碳农用柴油水稻种植农用地N2O排放畜禽胃肠道发酵畜禽粪便管理FertilizerlifecycleembodiedcarbonPesticidelifecycleembodiedcarbonAgriculturalfilmlifecycleembodiedcarbonAgriculturaldieselRiceplantingN2OemissionsfromagriculturallandGastrointestinalfermentationoflivestockLivestockmanuremanagement2000年13.442.021.512.9544.629.9313.5911.932001年13.972.091.583.0141.9910.1514.7312.472002年13.941.961.643.0441.3710.0615.5312.462003年14.182.051.713.1439.4110.1816.6112.732004年13.532.041.643.0242.909.6315.6111.632005年13.382.241.643.0043.849.4015.0611.442006年13.962.221.773.2245.729.6813.819.622007年14.952.332.033.4249.0510.327.7310.172008年14.762.242.143.5248.6310.177.8910.652009年14.712.172.333.8148.0510.108.0310.802010年14.582.122.484.0448.0510.028.0610.642011年14.432.042.634.1548.189.808.0210.742012年14.211.982.794.2948.359.657.8210.922013年14.051.922.904.4548.429.517.7510.982014年13.881.882.974.4748.479.427.8611.042015年13.751.852.814.5348.859.387.8810.952016年13.591.822.864.5949.569.317.7310.542017年13.451.792.954.6850.059.157.5610.382018年13.231.733.044.8050.629.077.4610.052019年14.191.843.275.2454.739.696.564.48平均值14.012.022.343.8747.049.7310.2610.73注：农业用电产生的碳排放量占农业碳排放总量比例极低，因此忽略不计。Notes:Theproportionofcarbonemissionsfromagriculturalelectricityintotalagriculturalcarbonemissionsisverylow,soitcanbeignored.122.2农业碳排放趋势预测2.2.1偏相关分析本文采用STIRPAT模型预测江苏省碳排放趋势，先将2000—2019年全省农业CO2-e排放量（I）、农村人口（P）、农业人均GDP（A）、农业CO2-e排放强度（T）按时间序列数据进行偏相关分析，P、A、T与I偏相关系数分别为0.749、-0.751、0.724。显著性（双侧）检验概率均在1%以下，说明剔除其他变量影响，农村人口、农业CO2-e排放强度分别与农业CO2-e排放量间呈显著正相关，而农业人均GDP与农业CO2-e排放量间呈显著负相关。2.2.2模型构建将原始时间序列数据做自然对数处理后，运用SPSS19.0进行标准化处理以消除量纲影响（表3），分别以ZI、ZP、ZA、ZT表示处理后的变量。进一步降维处理ZP、ZA、ZT时间序列数据，提取2个主成分，分别以F1、F2表示，可解释原变量的99.947%（表4），而Sig.值均远小于0.01，表明拟合效果好。根据表5，F1、F2与原变量间的关系为：F1=-3.617ZP-1.445ZA+2.883ZT（4）F2=4.276ZP+1.029ZA-2.538ZT（5）由上式构建F1、F2时间序列数据，将ZI作被解释变量，F1、F2作解释变量，采用两阶最小二乘法进行回归分析。方差分析结果的F值为11.617，同时t检验的Sig.值小于0.01，表明模型拟合较好（表6）。根据模型回归系数（表7）可得综合变量与因变量ZI的方程如式（6）所示，剔除Sig.值为1常数项，将式（4）、（5）代入式（6）可得式（7）。ZI=0.452F1+0.611F2（6）ZI=0.9778ZP-0.0244ZA-0.2476ZT（7）根据标准化公式及表3标准化描述量，可将（7）式（样本量n=20）转换为：ln𝐼=6.9890+0.2474ln𝑃−0.0018ln𝐴−0.0242ln𝑇+𝑒（8）据此可知，江苏省农业CO2-e排放量的驱动因子模型为：I=e6.9890P0.2474A-0.0018T-0.0242（9）将模型拟合得到的结果与估算值比较（图7），忽略其中部分年份实际生产活动中偶然因素影响，拟合值与估算值变化趋势总体近似，可以较好地反映未来碳排放趋势。而由（9）13式可知，P、A、T对碳排放的弹性系数分别为0.2474、-0.0018和-0.0242，表明在三者共同影响下，农村人口是江苏省碳排放主要的驱动因素，与CO2-e排放量呈现较强的正相关性。因此，加快城镇化进程，提高能源、资源利用率和集约化水平，促进农业经济高质量发展，是农业实现减碳的重要途径。表3标准化处理描述统计量Table3Statisticsdescribedbythenormalization参数样本数N极小值极大值均值标准差ZI208.809.038.94750.04962ZP207.778.368.08000.19615ZA208.189.969.10350.66422ZT200.271.680.97250.50817表4主成分分析解释的总方差Table4Principalcomponentanalysisofthetotalexplainedvariance成分初始特征值提取平方和载入旋转平方和载入特征值方差贡献率（%）累积贡献率（%）特征值方差贡献率（%）累积贡献率（%）特征值方差贡献率（%）累积贡献率（%）12.97899.26699.2662.97899.26699.2661.56952.31252.31220.0200.68199.9470.0200.68199.9471.42947.63599.94730.0020.053100.000表5主成分分析得分系数曲线Table5Principalcomponentanalysisofsub-coefficientmatrix参数得分系数成分1成分2ZP-3.6174.276ZA-1.4451.029ZT2.883-2.538表6方差分析结果Table6TheresultsofANOVA来源平方和df均方FSig.回归10.97225.48611.617.001残差8.02817.472总计19.00019表7模型系数14Table7Modelcoefficients参数未标准化系数标准化系数Betat检验Sig.非标准化系数B标准误差常数项.000.154.0001.000F1.452.158.4522.865.011F2.611.158.6113.875.0012000200520102015202006000650070007500800085009000CO2-e排放量CO2-eemissions（104·t）年份Year估算值Theestimatedvalue拟合值Thefittedvalue图72000—2019年模型拟合江苏省农业CO2当量排放量Figure72000-2019modelfittingofagriculturalCO2-eemissionsinJiangsuProvince2.2.32020—2030年农业碳排放预测根据当前江苏省农业发展情况，设置三种2020—2030年的情景模式（表8）。基准情景是根据江苏省2000—2019年农业CO2-e排放情况，结合全省未来社会发展状况，将农村人口、人均农业GDP、农业CO2-e排放强度的年均增长率进行设定得到的结果；两种低碳情景是在基准情景设定基础上对各影响因素做出的进一步调整，以期能够全面分析可能出现的情况。根据设置的基准情景和低碳情景模式，运用STIRPAT模型对江苏省农业CO2-e排放进行拟合，得出三种情景下农业CO2-e排放趋势（图8）。结果表明：基准情景中，江苏省农业CO2-e排放量呈持续下降趋势，在2030年，CO2-e排放量预测为6784.80万t，较2000年减少17.20%、但因受猪瘟等影响2019年出现非常态的大幅降低，该情景下2030年的排放量仍比2019年高2.44%；低碳情景1中，全省农业CO2-e排放呈现较基准情景更明显的下降趋势，该情景下维持了与基准情景的人均农业GDP增速水平，CO2-e排放量预测到2030年为6440.40万t，分别较2000年和2019年减少21.40%和2.76%，而相比基准情景下203015年农业碳排放量，低碳情景1下降了344.40万t，降幅为5.08%；低碳情景2中，人均农业GDP增速较前两种情景降低，而农村人口、农业CO2-e排放强度的降低速率则均有提高，预计到2030年，CO2-e排放量为6387.17万t，分别较2000年和2019年减少22.05%和3.56%，而相比基准情景和低碳情景1的2030年农业碳排放，低碳情景2分别下降了397.63万t、53.23万t，降幅分别为5.86%和0.83%。由此表明，在低碳情景发展模式下，全省农业碳减排的潜力巨大，且在实现农业减碳的同时，也能兼顾农业经济的发展。表8不同情景模式下各参数增长率设定Table8Parametergrowthratesettingunderdifferentscenarios情景Scene年份Year增长率设定Growthratesetting（%）农村人口人均农业GDP农业碳排放强度RuralpopulationAgriculturalGDPpercapitaAgriculturalcarbonemissionintensity基准情景2020—2025年-3.005.50-4.842026—2030年-2.504.50-4.50低碳情景12020—2025年-5.005.50-6.502026—2030年-4.504.50-6.00低碳情景22020—2025年-5.504.00-8.502026—2030年-5.003.00-8.00注：人均农业GDP增长率依据《江苏省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》中居民人均可支配收入年均增长率5.5%左右的目标设定；农业碳排放强度增长率设定参照国家“十四五”规划中的规定，到2025年单位生产总值CO2排放累计降低18%，年均下降4.84%。Notes:ThegrowthrateofpercapitaagriculturalGDPisbasedontheaverageannualaveragedisposableincomeofresidentsinthe"FourteenthFive-YearPlanforNationalEconomicandSocialDevelopmentofJiangsuProvinceandtheOutlineofthe2035Long-TermGoals"Thetargetofagrowthrateofabout5.5%isset;thegrowthrateofagriculturalcarbonemissionintensityissetinaccordancewiththenational"14thFive-YearPlan".By2025,CO2emissionsperunitofGDPwillbereducedby18%,anaverageannualdropof4.84%.1620202021202220232024202520262027202820292030--060006500700075008000基准情景Thebaselinesenario低碳情景1Thelowcarbonsenario1低碳情景2Thelowcarbonsenario2CO2-e排放量CO2-eemissions（104·t）年份Year图8不同情景模式下2020—2030年江苏省农业CO2当量排放预测Figure8PredictionofagriculturalCO2-eemissionsinJiangsuProvincefrom2020to2030underdifferentscenarios3讨论3.1江苏省农业碳排放变化趋势与现状本文以江苏省农业碳排放作为研究对象，较为系统地将全省种植业与畜牧业部门的碳排放数据进行整合，从而对全省农业碳排放做出较客观的评估。本文发现当前江苏省农业CO2-e排放量和CO2-e排放强度总体已呈现降低的变化趋势，其中排放量已于2005年达峰。目前，国内其他学者的研究结果也已证实江苏省近年农业碳排放趋于减少，例如何艳秋等[27]研究表明，江苏省已由中等排放向中低等排放等级转变。本文估算发现，2000-2019年间，全省农业CO2-e排放量分别在2007年、2019年出现明显降低。根据碳排放出现大幅降低前后年份的相关统计报道，推测其应与牲畜疫病如猪瘟等影响有关。受疫情影响，2007年江苏省主要牲畜山羊和2019年生猪年末存栏量出现明显减少，进而造成市场需求萎缩，直接导致了畜牧业碳排放量大幅降低，最终使农业碳排放量整体下降。本文发现对江苏省农业碳排放贡献最大的排放源为水稻种植，其次是化肥生命周期隐含碳、畜禽粪便管理和畜禽胃肠道发酵。而已有的研究却表明，在我国种植业中，化肥施用是最主要的碳排放源，其碳排放量高低对农业碳排放的地区差异贡献最大[28]。事实上，除化肥在生命周期特别是田间施用后贡献大量温室气体排放以外，水稻种植过程尤其是伴随灌溉淹水造成的厌氧环境导致的CH4排放大多被国内以往的研究所低估或是忽略，这一类非CO217温室气体排放也应当被充分考虑在农业碳排放的估算当中。随着规模化水平提高，畜禽养殖场粪便管理方式改变则已成为导致畜牧业粪便管理过程温室气体排放增加的主要原因[29]，而这同样也是江苏省畜禽粪便管理温室气体排放近年来仍居高不下的一个可能解释。本文重点关注了农业碳排放的时序特征，就空间分布而言，当前全省农业排放量空间集聚特征已越发明显，高排放量主要集中于苏北地区，排放强度则由全省普遍较高逐步变化为仅苏北、苏中部分地区较高[30]，高排放区域总体已逐渐减少。3.2江苏省农业实现碳减排的路径措施本文模型预测江苏省2020—2030年农业碳排放量仍将实现稳步降低。在低碳情景中，全省农业碳排放量降低趋势更为明显，因此需要利用新技术、新生产方式加强对农业中种植业、畜牧业的主要温室气体排放源排放量的削减，从而有效控制农业温室气体的总体排放，实现减源增汇。黄冰冰等[31]指出，低碳种植技术的减碳效应取决于对应碳排放源占种植业碳排放的比重和其应用程度。因此，稻田优化灌溉、化肥减施增效均是控制并减少种植业乃至农业总体碳排放的重要举措之一。尽管化肥及农药在生产、施用等环节易造成环境负效应，但农户使用习惯仍需要很长时间转变，在缺乏优质环保的替代品的前提下，发展精准农业可以在提高单产的同时减少化肥、农药用量，大大提高农业资源的利用效率和有效性。事实上，除需重点推进化肥减施增效外，优化间歇灌溉、推广秸秆还田也可以更好地减少作物碳排放，增加碳汇[32]。McCarl等[32]则认为可以通过直接减排、扩大陆地碳汇或是生产排放密集型产品的替代品减少碳排放。总之，江苏省发展低碳农业，实现经济高质量发展，必然伴随碳排放强度的持续降低，而排放强度与农业农户年龄、务农年限、年均农业收入比例、耕地面积、土地质量等因素关系密切[34]，因此，除研发和推广农业低碳技术外，尚需加强农村建设、耕地保育和农民培训工作。此外，畜牧业牲畜养殖规模的变化对江苏省农业碳排放可能具有重要影响。目前，一个普遍观点是对于需求侧，适当减少畜牧产品的消费，可以有效减少非CO2温室气体的排放[35]。未来随着集约化、规模化养殖程度提高，配套的畜禽粪便管理措施如不灵活改进，粪便管理过程仍会伴有大量温室气体的排放。与此同时，如不能积极采取饲料改良加工、动物育种和瘤胃微生物调节等措施，在维持反刍动物较大的养殖规模情况下，也会造成瘤胃发酵产生的甲烷排放长期居高不下[36]。因此，需要注意的是，如养殖规模增加，未来全省农业碳排放量可能会在一段时期内呈升高趋势。事实上，除畜牧业相关碳排放存在增加的潜在可能性外，18农业机械动力能源用量的持续增长也有增加未来农业碳排放总量的可能，也需要加强绿色能源的使用比重。4结论与建议4.1结论以江苏省为调查范围，对全区2000—2019年的农业CO2-e排放进行排放因子法估算，结合STIRPAT模型预测了2020—2030年的全区农业CO2-e排放量，得到如下结论：（1）江苏省2000—2019年农业CO2-e排放总量整体呈现降低-回升-降低的趋势，并且在2005年达峰，为8361.77万t。全省农业CO2-e排放强度呈先升高后降低的趋势，2003年起已逐年降至2019年的1.31t·万元-1，农业碳排放与经济增长已渐趋脱钩；（2）江苏省种植业碳排放量比重明显高于畜牧业。主要碳排放源中，水稻种植碳排放贡献最大，其次是化肥生命周期隐含碳、畜禽粪便管理和畜禽胃肠道发酵。主要畜禽中，猪养殖过程中造成的碳排放远高于其他畜禽，而非能源消费造成的碳排放远高于能源消费，因此加快推广低碳技术尤为必要；（3）2020—2030年，伴随城镇化发展、农业人均GDP提高以及农业碳排放强度的进一步降低，江苏省农业CO2-e排放量仍将有持续下降的变化趋势，而在低碳情景下，全省农业CO2-e排放量下降将更为明显，并能实现农业经济与低碳减排兼顾的高效发展。4.2建议根据本文研究结果，为在兼顾农业高产优质、养分高效利用和农业经济效益的前提下，实现江苏省农业固碳减排和绿色发展，从科学认识、技术方法和政策管理角度提出以下建议：（1）开展农业领域“双碳”专题培训，促进全省农业企业、农户等稳固树立低碳发展理念，并深入了解自身生产活动中碳排放分布结构，从而更具针对性地采取相应的减碳策略；（2）重点加强全省水稻种植、化肥生命周期隐含碳及畜禽养殖、特别是猪养殖过程等当前主要温室气体排放源的减排力度，具体可通过科学调整水稻田灌溉模式、加速新型绿色肥料生产应用以替代传统化肥、推进饲料改良、改进畜舍设计、优化畜禽圈舍尾气、粪便管理以及强化农牧废弃物资源化利用（如有机无机配施、种养结合生产模式）等技术途径实现；（3）针对近年全省农业来源于柴油的碳排放略呈升高的趋势，政府需加强农机购置补19贴政策的引导和倾斜，提高高效节能的新型农机使用比例及太阳能、风能等在农机能源中的比重。此外，政府可在科学征收碳税的基础上，逐步扩大征税对象，倒逼农业产业转型，同时科学规划未来种植业种植结构和畜牧业养殖结构，对温室气体排放量高的作物种植和畜禽养殖的规模加以合理控制，以此加快实现全省农业碳中和目标并保障农业高质量发展。参考文献：[1]TIANY,ZHANGJ,HEYY.ResearchonSpatial-TemporalCharacteristicsandDrivingFactorofAgriculturalCarbonEmissionsinChina.JournalofIntegrativeAgriculture.2014,13(6):1393-1403.[2]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.Dynamicchangesofcarbonsource/sinkandcarbonfootprintoffarmlandecosysteminJiangsuProvince[J].BulletinofSoilandWaterConservation,2018,38(5):238-243.[3]胡向东,王济民.中国畜禽温室气体排放量估算[J].农业工程学报,2010,26(10):247-252.HUXD,WANGJM.EstimationofgreenhousegasemissionsfromlivestockandpoultryinChina[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2010,26(10):247-252.[4]HAVLIKP,VALINH,HERREROM,etal.Climatechangemitigationthroughlivestocksystemtransitions[J].ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica,2014,111(10):3709-3714.[5]FAO.FAOSTAT[DB/OL].[2021-06-01].http://www.fao.org/faostat/zh/#data/EM.[6]HUANGXQ,XUXC,WANGQQ,etal.AssessmentofAgriculturalCarbonEmissionsandTheirSpatiotemporalChangesinChina,1997–2016[J].InternationalJournalofEnvironmentalResearchandPublicHealth,2019,16(17):3105.[7]WANGGF,LIAOM,JIANGJ.ResearchonAgriculturalCarbonEmissionsandRegionalCarbonEmissionsReductionStrategiesinChina[J].Sustainability,2020,12(7):2627.[8]LUOYS,LONGXL,WUC,etal.DecouplingCO2emissionsfromeconomicgrowthinagriculturalsectoracross30Chineseprovincesfrom1997to2014[J].JournalofCleanerProduction,2017,159:220-228.[9]XIONGCH,CHENS,XULT.DrivingfactorsanalysisofagriculturalcarbonemissionsbasedonextendedSTIRPATmodelofJiangsuProvince,China[J].GrowthandChange,2020,51(3):1401-1416.[10]黄燕,周买春,陈瑛.中国与巴西农业碳排放动态变化及影响因素分析[J].世界农业,2018,0(6):116-121.HUANGY,ZHOUMC,CHENY.AnalysisofDynamicChangesandInfluencingFactorsofAgriculturalCarbonEmissionsinChinaandBrazil[J].WorldAgriculture,2018,0(6):116-121.[11]赵宇.江苏省农业碳排放动态变化影响因素分析及趋势预测[J].中国农业资源与区划,2018,39(5):97-102.ZHAOY.AnalysisandtrendpredictionoffactorsaffectingthedynamicchangesofagriculturalcarbonemissionsinJiangsuProvince[J].ChinaAgriculturalResourcesandRegionalPlanning,2018,39(5):97-102.[12]LIUYH,WANGLX,BAOSM,etal.EffectsofdifferentvegetationzonesonCH4andN2Oemissionsincoastalwetlands:amodelcasestudy[J].TheScientificWorldJournal,2014,2014:412183.20[13]刘明达,蒙吉军,刘碧寒.国内外碳排放核算方法研究进展[J].热带地理,2014,34(2):248-258.LIUMD,MENGJJ,LIUBH.Researchprogressofcarbonemissionaccountingmethodsathomeandabroad[J].TropicalGeography,2014,34(2):248-258.[14]ALIYUG,LUOJ,DIH,etal.NitrousoxideemissionsfromChina'scroplandsbasedonregionalandcrop-specificemissionfactorsdeviatefromIPCC2006estimates[J].ScienceoftheTotalEnvironment,2019,669:547-558.[15]SOOKJE,HakYS,BackCS,etal.Applicationof2006IPCCGuidelinetoImproveGreenhouseGasEmissionEstimationforLivestockAgriculture[J].JournalofAnimalEnvironmentalScience,2012,18(2):75-84.[16]ALINAF,KOSTINEKJ,ECKLM,etal.EstimatingCH4,CO2andCOemissionsfromcoalminingandindustrialactivitiesintheUpperSilesianCoalBasinusinganaircraft-basedmassbalanceapproach[J].AtmosphericChemistryandPhysics,2020,20(21):12675-12695.[17]刘学之,孙鑫,朱乾坤,等.中国二氧化碳排放量相关计量方法研究综述[J].生态经济,2017,33(11):21-27.LIUXZ,SUNX,ZHUQK,etal.ResearchreviewofrelatedmeasurementmethodsofcarbondioxideemissionsinChina[J].EcologicalEconomy,2017,33(11):21-27.[18]ZHANGY,LICS,ZHOUXJ,etal.Asimulationmodellinkingcropgrowthandsoilbiogeochemistryforsustainableagriculture[J].EcologicalModelling,2002,151(1):75-108.[19]张军莉,刘丽萍.国内区域碳排放预测模型应用综述[J].环境科学导刊,2019,38(4):15-21.ZHANGJL,LIULP.Reviewoftheapplicationofdomesticregionalcarbonemissionpredictionmodels[J].GuideJournalofEnvironmentalScience,2019,38(4):15-21.[20]LIUD,XIAOB.CanChinaachieveitscarbonemissionpeaking?AscenarioanalysisbasedonSTIRPATandsystemdynamicsmodel[J].EcologicalIndicators,2018,93(2018):647-657.[21]中华人民共和国国家统计局.国家数据[DB/OL].[2021-06-01].https://data.stats.gov.cn/easyquery.htm?cn=E0103.NationalBureauofStatisticsofthePeople'sRepublicofChina.NationalData[DB/OL].[2021-06-01].https://data.stats.gov.cn/easyquery.htm?cn=E0103.[22]WESTTO,MARLANDG.Asynthesisofcarbonsequestration，carbonemission，andnetcarbonfluxinagriculture:comparingtillagepracticesintheUnitedStates[J].Agriculture，EcosystemsandEnvironment,2002,91(1-3):217-232.[23]EHRLICHP.R.,HOLDRENJP.ImpactofPopulationGrowth:Complacencyconcerningthiscomponentofman'spredicamentisunjustifiedandcounterproductive.[J].Science,1971,171(3977):1212-1217.[24]张乐勤,陈素平,王文琴,等.安徽省近15年建设用地变化对碳排放效应测度及趋势预测——基于STIRPAT模型[J].环境科学学报,2013,33(3):950-958.ZHANGLQ,CHENSP,WANGWQ,etal.MeasurementandtrendanalysisofcarbonemissionsfromconstructionlandchangesinAnhuiintherecent15years——BasedonSTIRPATmodel［J］.ActaScientiaeCircumstantiae,2013,33(3):950-958.[25]YORKR,ROSAEA,DIETZT.STIRPAT,IPATandImPACT:analytictoolsforunpackingthedrivingforcesofenvironmentalimpacts[J].Ecologicaleconomics,2003,46(3):351-365.[26]黎孔清,陈俭军,马豆豆.基于STIRPAT和GM(1,1)模型的湖南省农地投入碳排放增长机理及趋势预测[J].长江流域资源与环境,2018,27(2):345-352.LIKQ,CHENJJ,MADD.GrowthmechanismandtrendpredictionofcarbonemissionsfromfarmlandinputinHunanProvincebasedonSTIRPATandGM(1,1)models[J].Resourcesand21EnvironmentintheYangtzeBasin,2018,27(2):345-352.[27]何艳秋,陈柔,吴昊玥,等.中国农业碳排放空间格局及影响因素动态研究[J].中国生态农业学报,2018,26(9):1269-1282.HEYQ,CHENR,WUHY,etal.ResearchonthespatialpatternandinfluencingfactorsofagriculturalcarbonemissionsinChina[J].ChineseJournalofEco-Agriculture,2018,26(9):1269-1282.[28]胡婉玲,张金鑫,王红玲.中国种植业碳排放时空分异研究[J].统计与决策,2020,36(15):92-95.HUWL,ZHANGJX,WANGHL.ResearchontheSpatialandTemporalVariationofCarbonEmissionsofChina'sPlantingIndustry[J].StatisticsandDecision,2020,36(15):92-95.[29]朱志平,董红敏,魏莎,等.中国畜禽粪便管理变化对温室气体排放的影响[J].农业环境科学学报,2020,39(4):743-748.ZHUZP,DONGHM,WEIS,etal.TheimpactofChina'slivestockmanuremanagementchangesongreenhousegasemissions[J].JournalofAgro-EnvironmentalSciences,2020,39(4):743-748.[30]陈慧,付光辉,刘友兆.江苏省县域农业温室气体排放:时空差异与趋势演进[J].资源科学,2018,40(5):1084-1094.CHENH,FUGH,LIUYZ.AgriculturalGreenhouseGasEmissionsatCountyLevelinJiangsuProvince:TemporalandSpatialDifferencesandTrendEvolution[J].ResourcesScience,2018,40(5):1084-1094.[31]黄冰冰,张小有,张继钦.低碳种植技术的减碳效应和应用驱动因素研究[J].生态与农村环境学报,2018,34(12):1082-1090.HUANGBB,ZHANGXY,ZHANGJQ.Carbonreductioneffectandapplicationdrivingfactorsoflow-carbonplantingtechnology[J].JournalofEcologyandRuralEnvironment,2018,34(12):1082-1090.[32]ZHANGD,SHENJ,ZHANGF,etal.CarbonfootprintofgrainproductioninChina[J].ScientificReports,2017,7(1):4126.[33]MCCARLBA,SCHNEIDERUA.GreenhouseGasMitigationinU.S.AgricultureandForestry[J].Science,2001,294(5551):2481.[34]王秀兰,孟焱鑫,单玉红,等.农户农业生产的碳排放及其影响因素——以湖北省部分地区为例[J].水土保持通报,2020,40(6):160-167.WANGXL,MENGYX,SHANYH,etal.Carbonemissionsandinfluencingfactorsoffarmers’agriculturalproduction——TakingsomeareasofHubeiProvinceasanexample[J].BulletinofSoilandWaterConservation,2020,40(6):160-167.[35]FRANKS,HAVLIKP,STEHFESTE,etal.Agriculturalnon-CO2emissionreductionpotentialinthecontextofthe1.5°Ctarget[J].NatureClimateChange,2019,9(1):66-72.[36]曾泽,张华琦,桂干北,等.反刍动物甲烷排放的测量及其调控研究进展[J].家畜生态学报,2020,41(5):1-7.ZENGZ,ZHANGHQ,GUIQB,etal.Researchprogressonthemeasurementandregulationofmethaneemissionsfromruminants[J].ChineseJournalofLivestockEcology,2020,41(5):1-7.
VIP
