.![]()
为实现中国的“双碳”目标, 我们亟待厘清中国碳收支的历史变化和现状, 以确定高效的减排增汇路径. 通过全面收集和整理中国碳排放的多种数据集以及利用两个生态系统模型计算中国陆地碳汇, Xia等人[1]较为系统地总结和分析了1980~2021年中国和各省份的碳收支状况, 为实现“双碳”目标提供了重要的基础数据. 在省份(省、自治区和直辖市)尺度上, 综合分析碳收支状况有助于明晰中国碳平衡的现状及其不确定性. 中国地域辽阔, 工业发展水平和生态系统状况的区域差别大, 准确估算省份尺度的碳收支难度较大, 存在很大的不确定性. Xia等[1]对这些不确定性做了初步评估, 为今后的研究提供了有益参考, 但仍值得进一步的探讨.
Xia等人[1]采用了多套排放清单分析中国的碳排放, 包括全球国家尺度的GCB[2]、EDGAR7.0[3]、CEDS[4]和PRIMAP[5], 以及中国的国家温室气体清单(NGHGI)(1995, 2005, 2010, 2012, 2014)(https://unfccc.int/documents), 中国排放账户和数据集(CEAD)[6]和中国多尺度排放清单(MEIC)[7]. GCB、EDGAR7.0、CEDS、PRIMAP、CEAD和MEIC与NGHGI的平均相对差的绝对值分别是2.83%、14.06%、 7.44%、4.08%、9.71%和7.17%, 平均为7.54%. 这些清单的平均差别不是很大, 说明Xia等人[1]利用这些数据计算中国碳平衡是可行的. 但仍有以下几个方面的问题值得关注：(1) 中国的碳排放总量与各省份碳排放量的累计值仍有差异. 中国国家统计局曾在2006、2010、2015年对中国的排放清单做过三次修改[8]. 2015年修改后的中国能源使用总量比2010年修改后再延续的数据在2005-2012期间要高2%~10%, 在2012年约高10%[8]. 经过这些修改后, 中国2013年的碳排放总量与各省份碳排放量累计值的差别从原来的21.4%减少到2.5%[9]. 但2015年的修改主要是大幅度增加了原煤总量(修改后的省累积量与国家总量的差别超出原差别四倍多), 各种能源消耗的比例仍存在很大的不确定性[10]. 由于各种能源的排放因子(即单位能量消耗的碳排放量)差别很大, 并存在地域差异, 能源比例的不确定性直接导致碳排放估算的不确定性. (2) Liu等人[10]发现使用IPCC建议的各种能源的排放因子会显著高估中国的碳排放. 他们用中国排放因子的调查数据计算的中国2000-2013年碳排放比EDGAR和CDIAC(Carbon
Dioxide Information Analysis Center - Wikipedia)数据要低10%. 但有研究[11]表明, Liu等人[10]所使用的煤燃料的排放因子和能源消耗量与编制中国温室气体排放清单使用的数据有显著差异, 低估了碳排放. (3) 虽然Xia等人[1]使用了多种排放清单, 但这些清单碳排放的计算不是独立的, 比如CEDS和PRIMAP使用了EDGAR的计算方法和数据, 仅是延长了时间长度和提高了空间分辨率, 所以这些排放清单的一致性只是表面上降低了中国碳排放估算的不确定性. (4) Shan等人[6]对各种排放清单的各个分量进行了综合分析, 指出中国2015年碳排放估算结果的不确定区间为[-15.8%, +24.7%], 远大于各排放清单与NGHGI的平均差别7.75%. 此外, Friedlingstein等人[2]比较了三套碳排放清单(CarbonMonitor, UEA,
Priestley Centre)对中国2020年1~9月份的碳排放的估算值, 发现它们之间的最大差别为25%, 标准差为13%. 这些较高的不确定性应该引起高度重视.
根据Piao等人[12]的综述, 中国生态系统碳汇的计算存在很大的不确定性, 最小的估计值为生态系统模型模拟的1980~2010年的0.118±0.079 PgC/a[13], 最大的估计值为通过大气反演获得的2010~2016年的1.11±0.38
PgC/a[14], 最大和最小估计值的差别有10倍之多. 导致这个大差别的一个重要原因是时段不同, 更主要的原因是不同方法的误差和内涵差异. 相对于碳排放, 陆地碳汇估算的不确定性明显高出许多倍. 如果不对现有各种方法得到的中国陆地碳汇估计值进行深入分析, 很容易产生现有碳汇估算完全不可靠的错觉. Xia等人[1]使用了两个在国际上广泛使用的生态系统模型IBIS[15]和ORCHIDEE[16]计算中国生态系统碳汇, 估算的1980~2021年中国碳汇分别为0.245±0.17和0.314±0.21 Pg C/a, 两者相差仅为35%, 增强了我们对中国碳汇估算值的信心.
在Piao等人[12]和Zeng等人[17]的研究基础上, 我们归纳总结了已发表的采用地面调查、生态系统模型模拟和大气反演三种方法估算的中国陆地生态系统碳汇的结果(图1), 各种方法所得到的结果的确差别很大, 但从以下几个方面对这些结果进行分析, 可大幅降低我们对碳汇估算结果不确定性的评估.
目前, 基于地面调查数据的全国碳汇结果有三套, 它们的时间段分别为1980~1999年[18]、2001~2010年[19]和2000~2009年[20]. 后两套数据的时间范围类似, 但碳汇估计值差近1倍, 这是由于它们所用的资料不同、模拟土壤碳库变化的模型不同. 所以, 地面调查数据存在代表性、全面性以及土壤碳库计算误差等问题, 难以用于验证其他方法的结果. 地面调查数据的收集和整理费时费力, 难以及时更新.
生态系统模型模拟的结果之间有显著差别. 模拟方法、参数取值和和驱动数据的可靠性是引起这些差别的主要原因. 精确的模拟方法需要准确描述影响碳吸收(植物生长)和碳释放(异养和自养呼吸)的全过程以及模型参数的合理率定. 有些研究用经验模型[21~24], 而有些研究采用机理模型[25~27]描述这些过程. 在区域和全国尺度, 经验模型常缺乏足够的观测数据确定可靠的模型系数. 机理模型对观测数据的依赖性较低, 但仍需要足够的数据确定模型参数, 而参数取值的偏差也会带来结果的很大误差, 同时对生物物理过程描述的完整性的缺失也会带来误差. 机理模型又可分为动态植被模型[28~30]和诊断模型[25,31,32]. 动态植被模型可用气候和土壤数据模拟植被的动态变化, 能够模拟生态系统碳汇的历史变化并预估其未来趋势, 但在模拟植被结构参数方面常存在很大误差且模型的参数率定方案较为简单；而诊断模型依赖卫星遥感获得的植被生物物理参数, 结合气象和土壤资料模拟生态系统碳汇, 可较可靠地模拟生态系统碳汇的历史变化和现状, 但无法预估未来碳汇. 虽然机理模型的结果受模型参数和驱动数据的影响很大, 但可在全球尺度得到可靠的验证, 同时, 利用数据同化方法将能够有效降低陆地碳汇模拟结果的不确定性[33]. 比如BEPS模型[26]在全球尺度用陆地碳汇(人为源碳排放-火灾碳排放-海洋碳汇)进行验证, 所得到的中国区域碳汇的误差可控制在30%以下(包括人为源碳排放、火灾碳排放、海洋碳汇、植被参数和气象数据等误差).
目前, 大气反演结果的差别最大也最不可靠. 中国地区的大气反演所面临的一个重要问题是可靠的近地表CO2浓度观测点太少, 由于中国地形复杂, 少数观测点的代表性有限, 难以准确体现各地区的碳收支情况. 近十几年来, 卫星CO2柱浓度资料在很大程度上缓解了中国地区地表CO2浓度资料短缺的问题, 但这些柱浓度资料的精度只在1~4 ppm之间, 远低于地表资料0.1
ppm的精度, 同时卫星柱浓度的最敏感高度在对流层的中上部(6~10
km), 对地表碳源汇的变化敏感性较低. 根据Piao等人[12]的分析, Wang等人[14]的大气反演结果严重高估了中国陆地碳汇, 其主要原因是在中国仅使用了空间代表性较差的香格里拉观象台的CO2浓度观测. 在大气CO2观测不足或可靠性较差的情况下, 大气反演需要用高质量的先验通量进行约束才能得到可靠的反演结果. 例如, 全球碳同化系统(GCAS)使用生态系统模型BEPS模拟的碳通量作为先验通量, 同时使用地表和卫星CO2浓度观测作为约束, 其反演结果与BEPS输出的先验通量具有较高的相似性. GCAS系统的开发和实践表明, 将自下而上的生态系统模型与自上而下的大气反演系统结合, 并利用多源观测数据进行陆-气过程参数与变量的联合优化是提高中国区域陆地碳汇的有效手段.
总体而言, 不能简单地使用不可靠的大气反演结果进行区域碳汇估算的不确定性分析. 如果排除一套极高的大气反演结果[14]和早期的地面调查数据, 将所有模型2009年以后的结果进行集成分析, 可得到中国2009年以后的碳汇是0.38±0.08 Pg C/a, 其不确定性为22%, 仅略高于碳排放的不确定性(13%-25%)[2, 6].
Xia等人[1]的研究综合分析了中国和省份尺度1980~2021年的碳收支状况, 为实现中国的“双碳”目标提供了重要的基础数据. 在此基础上, 本文对中国碳收支估算的不确定性进行了进一步评估. 我们认为: (1) 中国碳排放估算的不确定性很有可能高于现有多种排放清单的平均差别, 其主要原因在于各种能源的总量和省份空间分布的不确定性以及能源排放因子的不确定性; (2) 在系统分析不同模型的特点和局限性后, 中国生态系统碳汇估算的不确定性可大幅降低. 在2009年后(主要在2010~2015时段), 中国的碳汇为0.38±0.08 Pg C/a, 其不确定性为22%, 仅略高于碳排放估算的不确定性(13%~25%).
![]()
[1] Xia
X, Ren P, Wang X, et al. The carbon budget of China: 1980-2021. Sci Bull, 2024,
69: 114-124.[2]
Friedlingstein P, Jones M W, O’Sullivan M, et al. Global carbon budget 2021.
Earth Syst Sci Data, 2022, 14: 1917-2005.[3]
Crippa M, Guizzardi D, Banja M, et al. CO2 emissions of all world
countries. JRC/IEA/PBL 2022 Report. Luxembourg: Publications Office of the
European Union, 2022.[4]
Hoesly R M, Smith S J, Feng L, et al. Historical (1950-2014) anthropogenic
emissions of reative gases and aerosols from the Community Emissions Data
System (CEDS). Geosci Model Dev, 2018, 11: 369-408.[5]
Gutschow J, Jeffery M L, Gieseke R, et al. The PRIMAP-hist national historical
emissions time series. Earth Syst Sci Data, 2016, 8: 571-603.[6]
Shan Y, Guan D, Zheng H, et al. China CO2 emission accounts 1997-2015. Sci
Data, 2018, 5: 170201.[7] Zheng
B, Tong D, Li M, et al. Trends in China’s anthropogenic emissions since 2010 as
the consequence of clean air actions. Atmos Chem Phys, 2018, 18: 14095-111.[8] Ma
B, Zheng X. Biased data revisions: unintended consequences of China’s
energy-saving mandates. China Econ Rev, 2018, 48: 102-113.[9] Ma
B, Liu M. Improved statistical consistency: the effect of data revisions on the
energy use gap between China and its provinces. China Econ Rev, 2022, 73:
101781.[10]
Liu Z, Guan D, Wei W, et al. Reduced carbon emission estimates from fossil fuel
combustion and cement production in China. Nature, 2015, 524: 335-338.[11]滕飞, 朱松丽. 谁的估计更准确？评论Nature发表的中国CO2排放重估的论文. 科技导报, 2015, 33：112-116[12]
Piao S L, He Y, Wang X, et al. Estimation of China’s terrestrial ecosystem
carbon sink: methods, progress and prospects. Sci China Earth Sci, 2022, 65:
641-651.[13] He
H L, Wang S Q, Zhang L, et al. Altered trends in carbon uptake in China’s
terrestrial ecosystems under the enhanced summer monsoon and warming hiatus.
Natl Sci Rev, 2019, 6: 505-514.[14]
Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated
from atmospheric carbon dioxide data. Nature, 2020, 586: 720-723.[15]
Foley J A, Prentice I C, Ramankutty N, et al. An integrated biosphere model of
land surface processes, terrestrial carbon balance, and vegetation dynamics.
Glob Biogeochem Cycle, 1996, 10: 603-28.[16]
Guimberteau M, Zhu D, Maignan F, et al. ORCHIDEE-MICT (v8.4.1), a land surface
model for the high latitudes: model description and validation. Geosci Model
Dev, 2018, 11: 121-63.[17]
Zeng J, Zhou T, Wang Q, et al. Spatial patterns of China’s carbon sinks
estimated from the fusion of remote sensing and field-observed net primary
productivity and heterotrophic respiration. Ecol Inform, 2023, 76:102152.[18]
Piao S L, Fang J Y, Ciais P, et al. The carbon balance of terrestrial
ecosystems in China. Nature, 2009, 458: 1009-1013.[19]
Fang J Y, Chen A P, Peng C H, et al. Climate change, humand impacts and carbon
sequestration in China. Proc Natl Acad Sci USA, 2018, 115: 4015-4020.[20]
Jiang F, Chen J M, Zhou L X, et al. A comprehensive estimate of recent carbon
sinks in China using both top-down and bottom-up approaches. Sci Rep, 2016, 6:
22130.[21]
Lieth H. Modeling the primary productivity of the world. In: Primary Productivity
of the Biosphere, 1975. 237-263.[22]
Lieth H, Whittaker R H. Primary Productivity of the Biosphere. Berlin,
Heidelberg: Springer, 2012[23]
Uchijima Z, Seino H. Agroclimatic evaluation of net primary productivity of
natural vegetations (1) Chikugo model for evaluating net primary productivity.
J Agric Meteorol, 1985, 40: 343-52.[24]
Stocker B D, Wang H, Smith N G, et al. P-model v1. 0: An optimality-based light
use efficiency model for simulating ecosystem gross primary production. Geosci
Model Dev, 2020, 13: 1545-1581.[25] Chen J M, Ju M, Ciais P, et al. Vegetation structural
change since 1981 significantly enhanced the terrestrial carbon sink. Nat
Communi, 2019, 10: 4259. |[26]
Sitch S, Smith B, Prentice I C, et al. Evaluation of ecosystem dynamics, plant
geography and terrestrial carbon cycling in the LPJ dynamic global vegetation
model. Glob Chang Biol, 2003, 9: 161-85.[27]
Parton W J. The CENTURY model. In: Evaluation of Soil Organic Matter Models:
Using Existing Long-term Datasets. Berlin, Heidelberg: Springer, 1996. 283-291[28]
Smith B, Wårlind D, Arneth A, et al. Implications of incorporating N cycling
and N limitations on primary production in an individual-based dynamic
vegetation model. Biogeosciences. 2014, 11: 2027-54.[29]
Krinner G, Viovy N, de Noblet‐Ducoudré N, et al. A dynamic global vegetation
model for studies of the coupled atmosphere‐biosphere system. Glob Biogeochem
Cycles, 2005, 19: GB1015.[30]
Foley J A, Levis S, Prentice I C, et al. Coupling dynamic models of climate and
vegetation. Glob Chang Biol, 1998, 4: 561-79.[31]
Martínez B, Gilabert M A, Sánchez-Ruiz S, et al. Evaluation of the LSA-SAF
gross primary production product derived from SEVIRI/MSG data (MGPP). ISPRS J
Photogramm Remote Sens, 2020, 159: 220-36.[32]
Ruimy A, Dedieu G, Saugier B. TURC: A diagnostic model of continental gross
primary productivity and net primary productivity. Glob Biogeochem Cycles,
1996, 10: 269-85.[33]
Rayner P J, Scholze M, Knorr W, et al. Two decades of terrestrial carbon fluxes
from a carbon cycle data assimilation system (CCDAS). Glob Biogeochem Cycles,
2005, 19: GB2026.[34]
Sitch S, Friedlingstein P, Gruber N, et al. Recent trends and drivers of regional
sources and sinks of carbon dioxide. Biogeosciences, 2015, 12: 653–679.[35]Yu Z, Ciais P, Piao S L, et al. Forest expansion dominates China’s land
carbon sink since 1980. Nat Commun, 2022, 13: 5374.[36]Zhang H F, Chen B Z, van der Laan-Luijk I T, et al. Estimating Asian
terrestrial carbon fluxes from CONTRAIL aircraft and surface CO2 observations
for the period 2006–2010. Atmos Chem Phys, 2014, 14: 5807–5824. [37]
Thompson R L, Patra P K, Chevallier F, et al. Top-down assessment of the Asian
carbon budget since the mid 1990s. Nat Commun, 2016, 7: 1–10.[38]
Chen B Z, Zhang H F, Wang T, et al. An atmospheric perspective on the carbon
budgets of terrestrial ecosystems in China: Progress and challenges. Sci Bull,
2021, 66: 1713–1718[39]
Peters W, Jacobson A R, Sweeney C, et al. An atmospheric perspective on north
American carbon dioxide exchange: CarbonTracker. Proc Natl Acad Sci USA, 2007,
104: 18925–18930.[40]
Peters W, Krol M C, Van Der Werf G R, et al. Seven years of recent European net
terrestrial cabon dioxide exchange constrained by atmospheric observations.
Glob Chang Biol, 2010, 16: 1317-1337.[41]
Chevallier F, Ciais P, Conway T J, et al. CO2 surface fluxes at grid
point scale estimated from a global 21 year reanalysis of atmospheric measurements.
J Geophys Res, 2010, 115: D21307.[42]Rödenbeck C, Zaehle S, Keeling R, et al. How does the terrestrial carbon
exchange respond to inter-annual climatic variations? A quantification based on
atmospheric CO2 data. Biogeosciences, 2018, 15: 2481–2498.[43]
Patra P K, Hajima T, Saito R, et al. Evaluation of earth system model and
atmospheric inversion using total column CO2 observations from GOSAT
and OCO-2. Prog Earth Planet Sci, 2021, 8: 25.[44]
Scholze M, Kaminski T, Knorr W, et al. Mean European carbon sink over 2010–2015
estimated by simultaneous assimilation of atmospheric CO2, soil
moisture, and vegetation optical depth. Geophys Res Lett, 2019, 46:
13796–13803.[45]
Byrne B, Liu J J, Lee M, et al. Improved constraints on northern extratropical
CO2 fluxes obtained by combining surface-based and space-based
atmospheric CO2 measurements. J Geophys Res Atmos, 2020, 125:
e2019JD032029.[46] Wu
M S, Scholze M, Kaminski T, et al. Using SMOS soil moisture data combining CO2flask samples to constrain carbon fluxes during 2010–2015 within a Carbon Cycle
Data Assimilation System (CCDAS). Remote Sens Environ, 2020, 240: 111719.[47]
Liu J J, Baskaran L, Bowman K, et al. Carbon monitoring system flux net
biosphere exchange 2020 (CMS-Flux NBE 2020). Earth Syst Sci Data, 2021, 13:
299–330.[48] He
W, Jiang F, Wu M S, et al. China’s Terrestrial Carbon Sink over 2010–2015
Constrained by Satellite Observations of Atmospheric CO2 and Land
Surface Variables, J Geophys Res-Biogeosci, 2022, 127: e2021JG006644.[49]
Wang Y, Wang X H, Wang K, et al. The size of the land carbon sink in China.
Nature, 2022, 603: E7–E9[50] He
W, Jiang F, Ju W M, et al. Improved constraints on the recent
terrestrial carbon sink over China by assimilating OCO-2 XCO2 retrievals. J
Geophys Res Atmos, 2023, 128: e2022JD037773.陈镜明*, 缪国芳, 居为民, 江飞, 吴谋松, 张永光. 中国碳收支估算的不确定性. 科学通报, 2024, 69(19): 2710-2714, https://doi.org/10.1360/TB-2024-0234
