江苏省农田生态系统固碳时空分布特征与趋势预测

资源描述：

农业环境科学学报 Journal of Agro-Environment Science ISSN 1672-2043,CN 12-1347/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（ISSN 2096-4188，CN 11-6037/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 Spatiotemporal distribution characteristics and trend prediction of carbon sequestration in farmland ecosystems in Jiangsu Province, China QIU Zi-jian, LI Tian-ling, SHEN Wei-shou* 1. School of Environmental Science and Engineering, Nanjing University of Information Science and Technology / Key Laboratory of High Technology Research on Atmospheric Environment Monitoring and Pollution Control in Jiangsu Province / Jiangsu Atmospheric Environment and Equipment Technology Collaborative Innovation Center, Nanjing 210044， China Abstract To explore the spatiotemporal distribution characteristics and future carbon sequestration trends of farmland ecosystems in Jiangsu Province, China, the carbon sequestration rate method was used to estimate the carbon sequestration of farmland in Jiangsu Province from 2005–2020, with a focus on analyzing the spatiotemporal distribution characteristics of 2005, 2010, 2015, and 2020. Machine learning methods were used to predict the carbon sequestration of farmland ecosystems in the province from 2021–2060. The results revealed that 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 1919208781qq.com *通信作者申卫收 E-mail wsshennuist.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） Project supported Preliminary Study on Strategies and Paths of Carbon Emission Peak for Jiangsu Development and Reform Commission； Open Project of Research Institute of Climatic and Environmental Governance， Nanjing University of Information Science and Technology（ ZKKT2022A09）网络首发时间2023-05-31 111316 网络首发地址https//kns.cnki.net/kcms2/detail/12.1347.S.20230530.1445.008.html 2 in terms of time series, the overall carbon sequestration of farmland ecosystems in Jiangsu Province has demonstrated an increasing trend in recent years, with an estimated 282,5500 t C a−1 in 2020, accounting for 20.17 of the total carbon sequestration of terrestrial ecosystems in the province. In terms of spatial distribution, the largest contribution of carbon sequestration is in the northern region of Jiangsu compared to the central and southern regions, owing to high contributions from both fertilizer application and straw returning. According to the importance analysis of machine learning, the amount of straw returned to the field is the most important factor. In the two models, BP neural network has a higher prediction accuracy than that of random forest. The BP neural network predicts that from 2021–2060, the carbon sequestration of farmland ecosystem will continue to increase in the short term but would then enter a more stable platform period. The carbon sequestration will continue to rise and reach a peak of 365,2600 t C a−1 from 2021–2026, and 348,1200 t C a−1 by 2060. Studies have revealed that the carbon sequestration capacity of agricultural ecosystems in Jiangsu Province has gradually increased but the growth rate will slow down in the future. It is necessary to further strengthen carbon sequestration measures, with a focus on improving the straw return rate and carbon sequestration efficiency. Meanwhile, existing research methods need to be further optimized. In the future, factors such as organic fertilizer application, green manure return, and rotation should be considered to achieve more accurate and comprehensive carbon sequestration of agricultural ecosystems estimation. Keywords Jiangsu Province; agricultural carbon neutrality; soil carbon fixation; farmland ecological carbon sink; machine learning prediction 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（ Random Forest）、神经网络（ Neural Network）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 23.81 g·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 4 𝑄𝑡 𝐹𝐶𝑆 𝐺𝑆𝐶𝑆𝑊𝐶𝑆 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 CSCS𝐵𝑆𝑆𝑆𝐶𝑆𝑅𝑁 𝑃𝑅 𝑆𝐶𝑆𝑅𝑆𝑆𝐶 （ 2）式中 CSCS 为农田土壤固碳量， t·a-1； BS 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 Table 1 The promotion and implementation rate of straw returning on farmland in Jiangsu Province 年份 Year 秸秆还田率 Straw return rate 参考文献 Reference 2005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 1.253 g·cm-3，土壤厚度取 20 cm。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 1.5339𝑇𝑁𝐹 −266.7 （ 4）式中 TNF 为单位面积耕地化学氮肥、复合肥总施用量， kg N·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 43.548𝑆 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    Pjjnj SS G RCYS /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 Table 2 Grass to grain ratio of main crops 作物 Crop 草谷比 SGRj Straw/grain ratio SGRj 水稻 0.623 小麦 1.366 玉米 2.000 棉花 8.100 油菜籽 2.000 甘蔗 0.100 1.2 农田生态系统固碳量预测模型 1.2.1 Holt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 （ v 2022.07.1554）中采用 R（ v 4.2.2）提供的函数 HoltWinters和 forecast包（ v 8.21）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 （ v 2022.07.1554）中采用 R语言 randomForest包（ v 4.7-1.1）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 Figure 1 Prediction performance of random forest model 1.2.3 BP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（ v 2022.07.1554）中采用 R语言 neuralnet包（ v 1.44.2）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。 7 1.2.4 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  n y-yM S E n i ii 1 2ˆ （ 8） n y-yMAE n i ii 1 ˆ （ 9）  n y-yR M SE n i ii 1 2ˆ （ 10）       n i i n i i i n i i YYXX YYXXC O R 1 2_ 1 2_ _ 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 Table 3 Comparison of prediction errors between two prediction methods for test datasets. 建模方法 Modeling methods 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 RDP iyˆ iy n _X _Y 8 随机森林 7026.470 34.221 83.824 0.062 0.008 BP神经网络 10.587 1.328 3.254 0.991 7.763 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 The four indicators are calculated based on the estimated value and model prediction value from 2005 to 2020. 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 1 400.73万 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 2 2005、 2010、 2015、 2020年江苏省陆地生态系统固碳量 Figure 2 Carbon sequestration in terrestrial ecosystems in Jiangsu Province in 2005, 2010, 2015 and 2020. 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 3 2005、 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 Figure 3 Farmland in Jiangsu Province in 2005, 2010, 2015 and 2020 a application of chemical fertilizers, b carbon sequestration by straw returning and c total carbon sequestration. 苏南苏中苏北苏南苏中苏北苏南苏中苏北苏南苏中苏北 -100 0 100 200 300 20202015 2010 固碳量 Carbon se qu es trati on / （ 10 4 t· a -1 ）秸秆还田 Straw in co rporat io n 化肥施用 Fe rtiliza tio n 无固碳措施 No mea su res 2005 图 4 2005、 2010、 2015、 2020年江苏省分地区农田土壤固碳量 Figure 4 Farmland soil carbon sequestration in Jiangsu Province in 2005, 2010, 2015 and 2020. 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（ Increase in Mean Squared Error， IncMSE）或是节点纯度增量（ Increase in Node Purity， 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 Figure 5 Measurement of the importance of influencing factors of soil carbon sequestration in Jiangsu Province based on stochastic forest model 在神经网络中，广义权重（ Generalize Weight， 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 6 BP神经网络模型的特征变量广义权重 Figure 6 Generalized Weights of Feature Variables in BP Neural Network Model 2.3 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 Figure 7 Prediction of carbon sequestration potential of farmland ecosystem in Jiangsu Province from 2021-2060 3 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