滇桂黔喀斯特地区耕地碳储量时空格局变化及碳汇区识别

Spatio⁃Temporal Evolution of Cultivated Land Carbon Storage and Identification of Carbon Sink Areas in the Karst Region of Yunnan， Guangxi and Guizhou

摘要

研究基于滇桂黔喀斯特地区耕地土壤碳储量和植被净初级生产力计算耕地总碳储量，运用空间分析等方法分析滇桂黔喀斯特地区耕地碳储量时空演变规律，根据耕地总碳储量年变化速率评估滇桂黔喀斯特地区各县域耕地碳汇能力，区分碳源/汇区。结果表明：1） 2000―2020年耕地面积增加了1 950.67 km²，耕地土壤碳储量增加了3.5×10⁷ t，说明区域耕地具有固碳的潜力；在空间分布上，耕地土壤碳储量呈“东南高，西北低”分布特征。2） 2005―2020年喀斯特地区县域耕地主要呈现碳汇（NEP>0），多年耕地平均NEP为78.45 g·m^-2·a^-1。2005―2020年喀斯特地区县域耕地净生态系统生产力（NEP）呈下降趋势，NEP总量从2005年的2.46×10¹⁴ g降至2020年的1.12×10¹⁴ g。3） 西南喀斯特耕地总体呈现碳汇功能，碳汇强度分布复杂且不均匀，碳汇区221个市县，而碳源区零星分布在云南的西北部和东南部区域。

Abstract

Research is conducted on the calculation of total carbon storage in cultivated land based on soil carbon storage and vegetation net primary productivity in the karst region of Yunnan, Guangxi, and Guizhou. Spatial analysis and other methods are used to analyze the spatiotemporal evolution of cultivated land carbon storage in the karst region of Yunnan, Guangxi, and Guizhou. Based on the annual rate of change in total carbon storage, the carbon sink capacity of cultivated land in various counties in the karst region of Yunnan, Guangxi, and Guizhou is evaluated, and carbon source/sink areas are distinguished. The results show that: 1) From 2000 to 2020, the cultivated land area increased by 1 950.67 km², and the soil carbon storage of cultivated land increased by 3.5×10⁷ t, indicating that regional cultivated land has the potential for carbon sequestration; in terms of spatial distribution, soil carbon storage in cultivated land exhibits a distribution pattern of “high in the southeast and low in the northwest”. 2) From 2005 to 2020, the cultivated land in karst areas mainly exhibited carbon sequestration (NEP>0), the average NEP for multi-year cropland is 78.45 g·m^-2·a^-1. From 2005 to 2020, the net ecosystem productivity (NEP) of county-level cultivated land in karst areas showed a downward trend, and the total NEP decreased from 2.46×10¹⁴ g in 2005 to 1.12×10¹⁴ g in 2020. 3) The overall carbon sink function of southwestern karst cultivated land is complex and uneven, with 221 carbon sink areas and scattered carbon source areas in the northwest and southeast regions of Yunnan Province.

Graphical abstract

关键词

耕地 / 碳储量 / 净生态系统生产力 / 碳汇区

Key words

arable land / carbon stocks / net ecosystem productivity / carbon sink areas

0　 引 言

陆地生态系统作为地球最大的碳库，对全球的碳循环及气候变化有着重要的作用。已有研究表明，我国喀斯特生态系统综合碳汇效应显著，是全球碳循环中的重要组成部分^[1]。在全球共同追求“碳达峰”与“碳中和”目标的背景下，我国深刻认识到耕地保护的重要性，并将其作为基本国策加以实施。这一政策旨在稳定和提高耕地生产能力，从而确保粮食安全生产力的稳步提升。同时，这一政策也与碳汇区的识别研究紧密相关，因为耕地的有效保护和利用能够显著增加碳汇，进而有助于实现国家的碳减排目标。在此政策导向下，当前关于碳汇区的识别研究显得尤为重要，有学者以土地利用类型转移导致的不同碳储量变化量为分区依据，以确定林草生态建设提质增效对象区域^[2]；也有学者将不同的粮食产区作为分区依据对我国碳源/汇区进行划分^[3]；还有学者以主体功能区分区情况与碳排放经济贡献率、碳吸收生态承载系数结合将地区碳平衡分区细化，得到可以进一步反映地区主体功能与碳汇情况的分区^[4]。以往大部分学者较为关注的是研究区总体碳储量的数量变化和空间变化，对于单一土地类型碳储量变化研究较少^[5-9]。而耕地作为重要的土地利用类型之一，其碳储量变化影响着生产质量，进而影响生态系统的碳源/汇^[10-11]。

在北半球陆地生态系统中，森林和耕地生态系统植被的初级生产力（GPP）和净初级生产力（NPP）明显高于草原和湿地生态系统，表明耕地生态系统在减缓气候变化方面发挥着重要作用^[11]。然而，对于特定地区如滇桂黔喀斯特区，其耕地生态系统的碳汇潜力及其空间分布特征尚需进一步探讨。滇桂黔喀斯特区作为我国面积最大的喀斯特生态功能区之一，山高坡陡，地形破碎度较高，土层浅薄不连续，地下漏失导致地表土壤储水困难，土壤肥沃但土壤总量较少，土地贫瘠^[12-15]。在不合理的人为活动和地下水流失下，该地区耕地生产力和碳储量的空间分布值得探讨，但当前鲜有学者关注到滇桂黔喀斯特区域的碳储量变化及碳汇区识别划分。

综上，本研究使用滇桂黔喀斯特地区土壤类型碳储量密度（简称碳密度）和植被净初级生产力等数据计算耕地碳储量，运用空间分析等方法分析滇桂黔喀斯特地区耕地碳储量时空演变规律，通过喀斯特地区县域耕地总碳储量年增长率大小识别划分耕地碳源/汇区，以期综合评估碳源/汇效应，保护和合理配置喀斯特地区耕地社会、生态功能，为实现双碳目标提供农业方面的理论依据。

1　 研究区概况与方法

1.1　研究区概况

滇桂黔喀斯特地区（97°21′~117°19′ E，20°13′~28°06′ N）主要分布在云南、广西、贵州三地，是国家重点生态功能区。该片区喀斯特面积约为384 343.38 km²，占三地总面积的48.32%，集中连片分布在东北-中南部^[16]（图1）。地势自西北向东南倾斜，横跨多级阶梯，地形复杂、地貌形式多样，呈现高度景观破碎。该地区属于亚热带季风气候，年平均气温16~23 ℃，年平均降水量800~1 350 mm之间，雨热同期。

1.2　数据来源与预处理

1） NPP数据：来源于MODIS提供的MOD17A3HGF产品（https://developers.google.cn/earth-engine/datasets/catalog/MODIS_006_MOD17A3H-GF），时间尺度：2003―2020年，空间分辨率：500 m。

2） 土壤类型栅格数据、行政区划矢量数据：来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn），栅格数据分辨率为1 km。

3） 耕地矢量数据和土壤类型碳密度数据：耕地矢量数据来源于武汉大学杨杰和黄昕教授团队中国逐年土地覆盖数据集（annual China Land Cover Dataset, CLCD）^[17]，该数据集将土地利用类型分为耕地、林地、灌木、草地、水域、冰雪、荒地、建设用地和湿地等九类，本研究涉及该分类结果中的耕地类型数据。土壤类型碳密度数据来源于中国科学院南京土壤所于东升等学者研究的基于1∶100万土壤数据库的我国土类土壤有机碳密度清单^[18]。

4） 气温、降雨栅格数据：来源于时空三极环境大数据平台（http://poles.tpdc.ac.cn）的我国1 km分辨率逐月平均气温数据集和逐月降水量数据集^[19-20]；该数据集是根据英国国家大气科学中心发布的全球0.5°气候数据集及World Clim发布的全球高分辨率气候数据集，通过Delta空间降尺度算法在我国生成的，并通过了独立气象观测点数据验证。

在ArcGIS中对上述栅格数据进行裁剪、乘缩放因子、像元统计处理，为保证数据分辨率的一致性，进行重采样将栅格像元大小统一至1 km等预处理，得到研究区影像。

1.3　研究方法

1.3.1　净生态系统生产力（NEP）模型

NEP能够反映一段时间内区域植被释放碳的强度，常用于评估植被生态系统碳源/汇能力。NEP（g·m^-2·a^-1）可以通过植被净初级生产力NPP与土壤异氧呼吸R_h （g·m^-2·a^-1）之间的差值计算得到。NEP>0时，植被生态系统发挥碳汇作用；反之，则为碳源作用。计算公式如下：

\mathrm{N}\mathrm{E}\mathrm{P}=\mathrm{N}\mathrm{P}\mathrm{P}-R_h(1)

R_h=\mathrm{0.6163}{R_s}^{\mathrm{0.7918}}(2)

R_s=\mathrm{1.55}{\mathrm{e}}^{\mathrm{0.031}T\times \frac{P}{P+\mathrm{0.68}}\times \frac{\mathrm{S}\mathrm{O}\mathrm{C}}{\mathrm{S}\mathrm{O}\mathrm{C}+\mathrm{2.23}}}(3)

(2)式采用了张梅等建立的模型公式^[21]，(3)式采用Chen等建立的土壤呼吸模型公式^[22]计算土壤呼吸R_s （g·m^-2·a^-1，以C计），T为年均温（℃/a)，P为年降雨量（mm/a），SOC为土壤碳密度（g·m^-2）。张梅等对相关参数及模型公式进行了模型准确性的验证，本研究使用的数据集及研究区范围均属验证范围内。

1.3.2　空间自相关

空间自相关分析按照研究对象分可分为全局自相关分析和局部自相关分析。全局自相关可以展现区域地理要素整体的关联性和分布特征；局部自相关在全局自相关分析的基础上，弥补研究区域空间单位与临近单位之间存在的空间自相关上的差异。本文运用ArcsGIS的空间自相关分析4个时期的耕地碳储量，计算得到全局莫兰指数Moran’I。计算公式如下：

\mathrm{M}\mathrm{o}\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{’}\mathrm{I}=\frac{n{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}(x_i-\overline{x})(x_j-\overline{x})}{\left({\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}\right){\displaystyle \sum _{i=\mathrm{1}}^n}{\left(x_i-\overline{x}\right)}^{\mathrm{2}}}(4)

式中，n是研究区域的数目，x_i、x_j 是区域i和j的耕地总碳储量（10⁶ t），\overline{x}是总耕地碳储量平均值（10⁶ t），w_ij 是i、j的空间权重矩阵元素。标准化值Z值通常检验全局指数的显著性水平，计算公式如下：

Z_{\mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}}=\frac{I-E\left(I\right)}{\sqrt[]{\mathrm{V}\mathrm{A}\mathrm{R}\left(I\right)}}(5)

式中，E(I)、VAR(I)值分别是Moran’I的期望和方差。

本文运用ArcGIS的聚类/异常值分析，当\left|Z_{\mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}}\right|>\mathrm{1.96}且显著性水平P<0.05时，说明耕地总碳储量存在显著空间自相关性。此时，如果Moran’I > 0，说明耕地总碳储量存在正空间自相关，总碳储量高（低）区域存在集聚分布（“高-高”聚类、“低-低”聚类）；如果Moran’I < 0，则相反,相邻区域耕地总碳储量差异显著，呈现离散分布。

2　 结果与分析

2.1　滇桂黔喀斯特地区土壤碳密度空间分布

运用ArcGIS将喀斯特地区土壤类型栅格图与土壤类型碳密度进行空间连接并统计，得到喀斯特地区不同土壤类型（南方水稻土、砖红壤、赤红壤、红壤、燥红土、黄壤、黄棕壤、棕壤、褐土、暗棕壤、石灰（岩）土、紫色土、山地草甸土和黑毡土（亚高山草甸土））的碳密度和碳储量，如表1所示。后文各年份的碳储量数据均基于表1的碳储量结果。

喀斯特地区土壤碳密度高（在18.76×10³~26.91×10³ g·m^-2之间）的区域面积较少，共计634.19 km²，主要为暗棕壤、山地草甸土和黑毡土(亚高山草甸土)，碳储量共计13.96×10⁶ t，主要分布在云南的西北部的高寒山地区域（图2）。喀斯特地区土壤碳密度主要集中在8.25×10³~13.24×10³ g·m^-2之间，为南方水稻土、砖红壤、赤红壤、红壤、燥红土、黄壤、黄棕壤、棕壤、褐土和石灰（岩）土，面积共计约2.63×10⁵ km²，约占滇黔桂喀斯特总面积的90%，碳储量总计2 882.87×10⁶ t。

2.2　喀斯特耕地土壤碳储量时空分布

运用ArcGIS计算喀斯特地区各类型土壤碳储量，根据2000―2020年喀斯特地区的耕地矢量数据对2.1得到的碳储量数据进行裁剪，得到喀斯特地区耕地土壤碳储量空间分布图（图3）。

根据土地类型面积统计发现，2000―2020年喀斯特地区每隔5年的耕地面积依次为：84 748.49、88 963.46、88 256.58、88 716.65、86 699.16 km²。耕地面积为波动变化，从2005年到2010年碳储量存在下跌，随后多年为增加趋势，又在2015年出现拐点变为下降，但从2000年至2020年喀斯特地区耕地面积总体增加了1 950.67 km²。根据土壤碳储量计算结果可知，2000―2020年喀斯特地区耕地土壤碳储量分别为3.93×10⁸、3.37×10⁸、4.4×10⁸、4.44×10⁸和4.28×10⁸ t。从时间上看，耕地土壤碳储量为波动变化，从2000年到2005年碳储量存在下跌，随后多年为增加趋势，又在2015年出现拐点变为下降，但总体土壤碳储量增加了3.5×10⁷ t。滇桂黔石漠化片区作为我国生态脆弱最严重的地区之一，对其耕地进行生态修护治理可有效加强碳汇，而2015年后碳储量下跌则可能同样与在2015年出现拐点的耕地面积大幅减少有关。据研究，当前人类活动和自然条件变化是影响耕地碳储量变化的主要因素，一方面耕地农作物通过光合作用进行固碳释氧作用使得空气中的二氧化碳浓度降低，从而增加耕地碳储量；另一方面，不合理的焚烧还田会向空气释放大量CO₂，从而降低耕地碳储量^[23-26]。在空间分布上，2000―2020年土壤碳储量的空间分布未出现明显变化，碳密度的高值区主要集中在贵州的北部地区，碳密度在15×10³~26.91×10³ t·km^-2之间；而低值区出现在贵州西部与云南接壤地带，碳密度在0~6×10³ t·km^-2。碳密度中值区在喀斯特区域分布广泛，碳密度介于9×10³~12×10³ t·km^-2之间。

2.3　喀斯特耕地碳源/汇区识别

运用ArcGIS栅格计算得到NEP。由于NPP数据时间范围为2003―2020年，因此得到的NEP时空分布图时间范围为2005―2020年（图4）。根据处理所得结果可知，2005―2020年喀斯特地区耕地生态系统主要呈现碳汇（NEP>0）,多年耕地平均NEP为78.45 g·m^-2·a^-1，该生态系统在这段时间内二氧化碳吸收量大于排放量。从NEP随时间变化的趋势上看，耕地年NEP总量（年NEP总量=NEP×总面积）在逐渐减少，其值分别为2.46×10¹⁴、1.39×10¹⁴、1.17×10¹⁴、和1.12×10¹⁴ g。NEP减少可能是因为西南地区极端天气事件频发对陆地生态系统碳循环造成了影响^[27]，耕地植物相较于植物生态系统而言，植物生理结构相对简单，容易受到极端天气的影响，极端气候事件通常胁迫植被生长，从而削弱区域碳汇固碳能力^[28]。从空间分布上看，广西喀斯特区域总体发挥碳汇作用，大部分地区的NEP值处于高值区（NEP介于80~100 g·m^-2·a^-1）；NEP中值区（NEP介于65~80 g·m^-2·a^-1）则主要分布在贵州和云南东北部；云南NEP空间分布复杂，其东北部区域NEP呈现低值，NEP介于40~50 g·m^-2·a^-1)，其东部区域则以NEP中高值区域为主。总体而言，2005―2020年喀斯特地区耕地生态系统NEP呈现出“东南高，西北低”的空间分布特征，NEP中高值区并未随着时间的推移有所明显空间迁移，这种分布出现的原因可能是植被NEP受海拔、气温和降水等自然因素的影响。有研究指出高温、充足的降雨和地处东亚季风区有利于植被生长并增加植被NEP^[21]，从图4中可以看到NEP低值区所在的西北地区主要是研究区内海拔较高的地区，气温低、降雨少，植被受垂直地带性气候影响较大；而中高值区主要是海拔较低的地区，受季风性气候影响大。

土壤碳储量并不能完全反映耕地碳储量的实际变化，耕地土地类型上进行的植被生态过程活动将消耗部分耕地碳储量，将耕地生态系统净生产力图层与耕地土壤碳储量图层进行栅格叠加，获得耕地总碳储量，其时空分布图如图5所示。根据计算，2005―2020年喀斯特地区耕地总碳储量分别为5.81×10⁸、5.79×10⁸、5.61×10⁸和5.44×10⁸ t，总体呈减少趋势，2020年喀斯特地区耕地总碳储量相较于2005年减少了0.37×10⁸ t，这是由于2015―2020年间耕地面积大幅下降。但2005―2020年耕地总碳储量的空间分布并未出现明显的变化，其碳密度高值区主要集中在贵州的北部地区、广西北部与东北部和云南的东部零星区域，在10×10³~17.78×10³ t·km^-2之间；而碳密度低值区出现在云南与贵州接壤地带和广西的中部地区，在1.12×10³~5×10³ t·km^-2之间；碳密度中值区在喀斯特区域分布广泛，介于8×10³~10×10³ t·km^-2之间。总体而言，耕地总碳储量随着时间的推移并未出现较大的变化，空间分布呈现“东南高，西北低”的特征，与NEP空间分布结果相似。

运用ArcGIS进行分区统计，依据喀斯特地区县域耕地总碳储量年增长率大小划分识别喀斯特地区耕地碳源/汇区及强度（图6）。总体上看，喀斯特地区耕地呈现碳汇功能，碳汇区有221个县市，而碳源区仅零星分布在云南西北部的永胜县和东南部的河口瑶族自治县。从碳储量年增长率差异划分碳汇区强度，得到26个高强度碳汇区、112个中强度碳汇区和16个低强度碳汇区。高强度碳汇区主要位于云南和贵州，集中分布在两地交界处的喀斯特地区中部。广西喀斯特地区中强度碳汇区占比较大；贵州喀斯特地区的低强度碳汇区主要集中在东北部，绝大部分县区则主要呈中强度碳汇；云南喀斯特地区县域呈现高强度碳汇区的数量比贵州和广西多，碳汇强度分布复杂且不均匀，常呈现高强度碳汇区与碳源区、低强度碳汇区连片分布。这些结果与NEP总体的空间分布结果较为相似，滇桂黔喀斯特地区整体以碳汇区为主可能与该地区多年来生态修护治理工程的实施有关。自19世纪70年代后期开始，我国实行对脆弱生态区的生态修护治理项目，研究表明生态修护工程对脆弱生态区耕地进行的修护治理有效加强了生态系统所发挥的碳汇作用^[29]。其中，云南碳源区的出现可能与其复杂的气候和地势有关。永胜县属北亚热带山地季风气候，在不同的海拔区域有高寒、冷凉、低热、金沙江亚热带等多种气候类型，植被受垂直性气候影响大，碳汇功能被抑制；而河口瑶族自治县虽属热带季风雨林气候，全年高温多雨，但高温使得土壤的呼吸作用增强，消耗大量有机碳，降低了植被的固碳能力^[30]。

基于此，根据不同区县生态系统碳汇年均增长率的差异，可以划分滇桂黔生态保护修复政策的优先区域。在没有充足人力物力的情况下，可将镇康县、沧源佤族自治县、耿马傣族佤族自治县、威宁彝族自治县、中甸县、乐业县等增长速度快、有潜力的高强度碳汇区划分为生态保护修复政策的优先区域，中、低强度碳汇区则次之，旨在未来发展中确保耕地数量稳定与质量优化，并增强其碳汇效能，从而在保障粮食安全的基础上，推动农业领域对“碳达峰、碳中和”目标的积极贡献。永胜县和河口瑶族自治县两个碳源区县则需要考虑当前使用的耕地保护政策是否适用该地区，因为退耕还林（草）、天然林保护等生态保护修复政策在维持大气二氧化碳固定、碳汇功能提升方面存在空间异质性，要改变年均碳储量下降的现状需要重视该地区气候对该地区植被的抑制与促进作用影响，进而调整相关保护政策。

2.4　喀斯特耕地碳储量空间相关性

运用ArcGIS软件对喀斯特耕地碳储量进行空间自相关分析，得到2005―2020年县域范围的碳储量全局Moran’I值（表2）。在显著性水平P<0.05，2005―2020年标准化值（Z值）均超过检验临界值1.96时，通过显著性检验。2005―2020年全局Moran’I值均大于0，分别是0.237、0.243、0.239、0.238，说明喀斯特耕地碳储量空间分布具有明显集聚性，但Moran’I值年际变化不大，集聚效应未出现增强趋势。在此基础上，运用ArcGIS软件进一步分析喀斯特耕地碳储量空间聚类状态（图7）。“高-高”集聚区说明自身和相邻县域的耕地碳储量较高，主要分布在云南东部与贵州、广西接壤的地带宣威、曲靖等10个县域、贵州中部的4个县域和广西中南部6个县域，随着时间的推移，“高-高”集聚的地区在减少，向“高-低”“低-低”类型集聚区转变，在贵州北部台江县“低-低”集聚向不显著区转化和云南北部威宁自治县由不显著区转变为“高-低”集聚区。在空间变化上看，广西耕地碳储量“高-高”集聚状态不够稳定，主要表现在：2005、2010年的位于柳江、忻城、来宾地区的“高-高”集聚区于2015年减少至柳江，2020年“高-高”集聚区转为不显著区，2020年大新县、隆安县新出现“高-高”集聚区。

3　 结论与讨论

3.1　结 论

研究基于滇桂黔喀斯特地区土壤类型碳密度和植被净初级生产力等数据计算耕地碳储量，运用空间分析等方法得到2000―2020年滇桂黔喀斯特地区耕地碳储量时空演变规律。同时，通过2005―2020年喀斯特地区县域耕地总碳储量年增长率大小识别划分耕地碳源/汇区。主要结论如下：

1） 2000―2020年滇桂黔喀斯特地区耕地碳储量存在波动变化，但总体呈增加趋势。在此期间喀斯特区域土地利用类型转化频繁，2000―2020年耕地面积增加了1 950.67 km²，耕地土壤碳储量增加了3.5×10⁷ t；在空间分布上，耕地土壤碳储量总体呈“东南高，西北低”的分布特征。

2） 2005―2020年滇桂黔喀斯特地区耕地NEP总体呈下降趋势，从2005年的2.46×10¹⁴ g降至了2020年的1.12×10¹⁴ g；但整个地区的NEP仍呈现为碳汇（NEP>0）,多年耕地平均NEP为78.45 g·m^-2·a^-1。

3） 西南喀斯特地区耕地总体呈现碳汇功能，碳汇强度分布复杂且不均匀。除零星分布在云南西北部和东南部的两个总碳储量年增长率为负值的碳源区，其余区县均为碳汇区。

4） 2005―2020年滇桂黔喀斯特耕地碳储量空间分布具有明显集聚性，但集聚效应未出现增强趋势。

3.2　讨 论

滇桂黔喀斯特地区耕地面积变化土壤碳储量也随之变化，说明区域耕地具有巨大的固碳能力，这与Lal^[31]的研究一致；而耕地对于生态系统碳固碳能力作用明显，也进一步验证了研究的可靠性。耕地NEP是表征植物固碳能力的重要指标，但本研究发现滇桂黔喀斯特地区耕地NEP呈下降趋势，从2005年的2.46×10¹⁴ g降至了2020年的1.12×10¹⁴ g，推测可能是耕地植物相较于植物生态系统而言植物生理结构相对简单，容易受到极端天气的影响。因此，未来需要重点关注极端气候事件的长期生态系统效应以提高该地区生态系统碳储量。而依据不同区县生态系统总碳储量年均增长率差异识别划分的喀斯特地区耕地碳源/汇区，可以为喀斯特地区耕地差别化优化管理提供理论依据。优先保护增长速度快、有潜力的高强度碳汇区，可以在保障粮食安全的基础上推动农业领域对“碳达峰、碳中和”目标的积极贡献；同时建议永胜县和河口瑶族自治县关注该地区气候对地区植被的抑制与促进作用影响，进而调整相关保护政策以促进碳汇。

本研究从时空尺度对滇桂黔喀斯特耕地土壤碳储量的演变规律进行了总结，运用耕地总碳储量年均增长率对碳汇区进行了识别划分，但存在不确定性：研究时间分辨率为5 a；默认土壤碳储量在研究时间段内是固定不变的。在后续的研究中将进行长时间序列的研究以进一步完善演变规律，同时采用实地测量对土壤碳密度数据和地类变化数据进行动态监测，对比研究结果以提升碳储量估算的精度。

参考文献

[1] SONG X W， GAO Y， WEN X F， et al. Carbon sequestration potential and its eco-service function in the karst area， China［J］. Journal of Geographical Sciences， 2017， 27（8）： 967-980. DOI： 10.1007/s11442-017-1415-3 .

[2] 王天福，龚直文，邓元杰.基于土地利用变化的陕西省植被碳汇提质增效优先区识别［J］.自然资源学报， 2022， 37（5）：1214-1232. DOI： 10.31497/zrzyxb.20220508 .

[3] WANG T F， GONG Z W， DENG Y J. Identification of priority areas for improving quality and efficiency of vegetation carbon sinks in Shaanxi province based on land use change［J］. Journal of Natural Resources， 2022， 37（5）：1214-1232. DOI： 10.31497/zrzyxb.20220508（Ch ）.

[4] 李强，高威，魏建飞，等.中国耕地利用净碳汇时空演进及综合分区［J］.农业工程学报， 2022， 38（11）：239-249. DOI： 10.11975/j.issn.1002-6819.2022.11.027 .

[5] LI Q， GAO W， WEI J F， et al. Spatiotemporal evolution and comprehensive zoning of net carbon sink in cultivated land use in China［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（11）：239-249. DOI： 10.11975/j.issn.1002-6819.2022.11.027（Ch ）.

[6] 庞娇，黄雪寒，单婧，等. 京津冀县域碳收支格局及碳平衡分区优化［J/OL］. 环境科学， 1-18［2024-09-18］.

[7] PANG J， HUANG X H， SHAN J， et al. Beijing-Tianjin-Hebei county carbon balance pattern and carbon equilibrium partitioning optimization［J/OL］. Environmental science， 1-18［2024-09-18］.

[8] 刘国华，傅伯杰，方精云.中国森林碳动态及其对全球碳平衡的贡献［J］.生态学报， 2000， 20（5）： 733-740. DOI： 10.3321/j.issn： 1000-0933.2000.05.004 .

[9] LIU G H， FU B J， FANG J Y. Carbon dynamics of Chinese forests and its contribution to global carbon balance［J］. Acta Ecologica Sinica， 2000， 20（5）： 733-740. DOI： 10.3321/j.issn： 1000-0933.2000.05.004（Ch ）.

[10] 胡忠宇，苏建兰.森林植被碳储量研究综述与展望［J］. 农业与技术， 2022， 42（12）： 58-62. DOI： 10.19754/j.nyyjs.20220630014 .

[11] HU Z Y， SU J L. Review and prospect of forest vegetation carbon storage research［J］. Agriculture and Technology， 2022， 42（12）： 58-62. DOI： 10.19754/j.nyyjs.20220630014（Ch ）.

[12] 吴国伟，赵艳玲，付艳华，等. 复垦矿区土地利用类型变化对植被碳储量的影响［J］. 中国生态农业学报， 2015， 23（11）： 1437-1444. DOI： 10.13930/j.cnki.cjea.150516 .

[13] WU G W， ZHAO Y L， FU Y H， et al. Impact of reclamation-driven land use change on vegetation carbon store in mining areas［J］. Chinese Journal of Eco‑Agriculture， 2015， 23（11）： 1437-1444. DOI： 10.13930/j.cnki.cjea.150516（Ch ）.

[14] 邱建军，唐华俊. 北方农牧交错带耕地土壤有机碳储量变化模拟研究——以内蒙古自治区为例［J］. 中国生态农业学报， 2003， 11（4）： 86-88.

[15] QIU J J， TANG H J. Study on the situation of soil organic carbon storage in ecotone between agriculture and animal husbandry： A case study from Inner Mongolia［J］. Chinese Journal of Eco‑Agriculture， 2003， 11（4）： 86-88 （Ch）.

[16] 张平平，李艳红，殷浩然，等. 中国南北过渡带生态系统碳储量时空变化及动态模拟［J］. 自然资源学报， 2022， 37（5）： 1183-1197. DOI： 10.31497/zrzyxb.20220506 .

[17] ZHANG P P， LI Y H， YIN H R， et al. Spatio-temporal variation and dynamic simulation of ecosystem carbon storage in the north-south transitional zone of China［J］. Journal of Natural Resources， 2022， 37（5）： 1183-1197. DOI： 10.31497/zrzyxb.20220506（Ch ）.

[18] SMITH P， MARTINO D， CAI Z C， et al. Greenhouse gas mitigation in agriculture［J］. Philosophical Transactions of the Royal Society of London. Series B， Biological Sciences， 2008， 363（1492）： 789-813. DOI： 10.1098/rstb.2007.2184 .

[19] SMITH K R， WARING B G. Broad-scale patterns of soil carbon （C） pools and fluxes across semiarid ecosystems are linked to climate and soil texture［J］. Ecosystems， 2019， 22（4）： 742-753. DOI： 10.1007/s10021-018-0299-0 .

[20] 陈洪松， 王克林. 西南喀斯特山区土壤水分研究［J］. 农业现代化研究， 2008， 29（6）： 734-738. DOI： 10.3969/j.issn.1000-0275.2008.06.023 .

[21] CHEN H S， WANG K L. Soil water research in karst mountain areas of southwest China［J］. Research of Agricultural Modernization， 2008， 29（6）： 734-738. DOI： 10.3969/j.issn.1000-0275.2008.06.023（Ch ）.

[22] 龙健，吴求生，李娟，等. 贵州茂兰喀斯特森林不同小生境类型对岩石溶蚀的影响［J］. 土壤学报， 2021， 58（1）： 151-161. DOI： 10.11766/trxb201911040354 .

[23] LONG J， WU Q S， LI J， et al. Effects of different microhabitat types on rock dissolution in Maolan karst forest， Southwest China［J］. Acta Pedologica Sinica， 2021， 58（1）： 151-161. DOI： 10.11766/trxb201911040354（Ch ）.

[24] 张信宝，王世杰，曹建华，等. 西南喀斯特山地水土流失特点及有关石漠化的几个科学问题［J］. 中国岩溶， 2010， 29（3）： 274-279. DOI： 10.3969/j.issn.1001-4810.2010.03.009 .

[25] ZHANG X B， WANG S J， CAO J H， et al. Characteristics of water loss and soil erosion and some scientific problems on karst rocky desertification in Southwest China karst area［J］. Carsologica Sinica， 2010， 29（3）： 274-279. DOI： 10.3969/j.issn.1001-4810.2010.03.009（Ch ）.

[26] 赵龙山，樊春华，李开凤. 乡村聚落土壤侵蚀环境与水土流失研究综述［J］. 中国水土保持科学， 2019， 17（6）： 140-147. DOI： 10.16843/j.sswc.2019.06.018 .

[27] ZHAO L S， FAN C H， LI K F. A review of soil erosion environment and soil and water loss for rural settlement［J］. Science of Soil and Water Conservation， 2019， 17（6）： 140-147. DOI： 10.16843/j.sswc.2019.06.018（Ch ）.

[28] LIU H Y， ZHANG M Y， LIN Z S， et al. Spatial heterogeneity of the relationship between vegetation dynamics and climate change and their driving forces at multiple time scales in Southwest China［J］. Agricultural and Forest Meteorology， 2018， 256： 10-21. DOI： 10.1016/j.agrformet.2018.02.015 .

[29] YANG J， HUANG X. The 30 m annual land cover datasets and its dynamics in China from 1985 to 2023［DB/OL］. ［2023-07-22］.

[30] 于东升，史学正，孙维侠，等. 基于1∶100万土壤数据库的中国土壤有机碳密度及储量研究［J］. 应用生态学报， 2005， 16（12）： 2279-2283.

[31] YU D S， SHI X Z， SUN W X， et al. Estimation of China soil organic carbon storage and density based on 1∶1000000 soil database［J］. Chinese Journal of Applied Ecology， 2005， 16（12）： 2279-2283 （Ch）.

[32] 彭守璋.中国1km分辨率逐月平均气温数据集（1901―2021）［EB/OL］. ［2023-07-22］.

[33] PENG S Z.1-km monthly mean temperature dataset for china （1901―2021）［EB/OL］.［2023-07-22］.

[34] 彭守璋. 中国1km分辨率逐月降水量数据集（1901-2021）［EB/OL］. ［2022-10-08］. DOI: 10.5194/essd-2019-145 .

[35] PENG S Z.1-km monthly precipitation dataset for China （1901-2021）. ［EB/OL］. ［2022-10-08］. DOI: 10.5194/essd-2019-145 .

[36] 张梅，黄贤金，揣小伟，等. 中国净生态系统生产力空间分布及变化趋势研究［J］. 地理与地理信息科学， 2020， 36（2）： 69-74. DOI： 10.3969/j.issn.1672-0504.2020.02.011 .

[37] ZHANG M， HUANG X J， CHUAI X W， et al. Spatial distribution and changing trends of net ecosystem productivity in China［J］. Geography and Geo-Information Science， 2020， 36（2）： 69-74. DOI： 10.3969/j.issn.1672-0504.2020.02.011（Ch ）.

[38] CHEN S T， HUANG Y， ZOU J W， et al. Interannual variability in soil respiration from terrestrial ecosystems in China and its response to climate change［J］. Science China Earth Sciences， 2012， 55（12）： 2091-2098. DOI： 10.1007/s11430-012-4464-6 .

[39] LU F， HU H F， SUN W J， et al. Effects of national ecological restoration projects on carbon sequestration in China from 2001 to 2010［J］. Proceedings of the National Academy of Sciences of the United States of America， 2018， 115（16）： 4039-4044. DOI： 10.1073/pnas.1700294115 .

[40] HE C Y， LIU Z F， XU M， et al. Urban expansion brought stress to food security in China： Evidence from decreased cropland net primary productivity［J］. Science of the Total Environment， 2017， 576： 660-670. DOI： 10.1016/j.scitotenv.2016.10.107 .

[41] KE X L， VAN VLIET J， ZHOU T， et al. Direct and indirect loss of natural habitat due to built-up area expansion： A model-based analysis for the city of Wuhan， China［J］. Land Use Policy， 2018， 74： 231-239. DOI： 10.1016/j.landusepol.2017.12.048 .

[42] 邓喆，丁文广，蒲晓婷，等. 基于InVEST模型的祁连山国家公园碳储量时空分布研究［J］. 水土保持通报， 2022， 42（3）： 324-334. DOI： 10.13961/j.cnki.stbctb.20220524.001 .

[43] DENG Z， DING W G， PU X T， et al. Spatial-temporal distribution of carbon storage in Qilian Mountain National Park based on InVEST model［J］. Bulletin of Soil and Water Conservation， 2022， 42（3）： 324-334. DOI： 10.13961/j.cnki.stbctb.20220524.001（Ch ）.

[44] CAO M K， TAO B， LI K R， et al. Interannual variation in terrestrial ecosystem carbon fluxes in China from 1981 to 1998［J］. Acta Botanica Sinica， 2003， 45（5）： 552-560.

[45] 朴世龙， 张新平， 陈安平， 等. 极端气候事件对陆地生态系统碳循环的影响［J］. 中国科学： 地球科学， 2019， 49（9）： 1321-1334.

[46] PIAO S L， ZHANG X P， CHEN A P， et al. Effects of extreme climate events on carbon cycle of terrestrial ecosystem［J］. Scientia Sinica （Terrae）， 2019， 49（9）： 1321-1334 （Ch）.

[47] XU L， YU G R， HE N P. Increased soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s［J］. Journal of Geographical Sciences， 2019， 29（1）： 49-66. DOI： 10.1007/s11442-019-1583-4 .

[48] SHI P J， SUN S， WANG M， et al. Climate change regionalization in China（1961―2010）［J］. Science China Earth Sciences， 2014， 57（11）： 2676-2689. DOI： 10.1007/s11430-014-4889-1 .

[49] LAL R. Offsetting China’s CO₂ emissions by soil carbon sequestration［J］. Climatic Change， 2004， 65（3）： 263-275. DOI： 10.1023/B： CLIM.0000038203.81854.7c .

基金资助

国家自然科学基金(42061063)

广西重点研发计划(2023AB06010)

石家庄学院博士科研启动基金(20B029)

河北省高等学校科学技术研究项目(Z2019034)