新疆农业源非二氧化碳温室气体排放变化趋势预测 (1).pdf

第 4 期 于爽等：新疆农业源非二氧化碳温室气体排放变化趋势预测 335 中国农业气象（Chinese Journal of Agrometeorology）2024 年doi:10.3969/j.issn.1000-6362.2024.04.002 于爽,赵直,徐晗,等.新疆农业源非二氧化碳温室气体排放变化趋势预测J.中国农业气象,2024,45(4):335-350 新疆农业源非二氧化碳温室气体排放变化趋势预测*于 爽1，赵 直2，徐 晗2*，李 健3，张雪艳4，马 欣1（1.中国农业科学院农业环境与可持续发展研究所，北京 100081；2.新疆师范大学地理科学与旅游学院，乌鲁木齐 830017；3.德勤有限公司气候变化与可持续发展研究院，北京 100026；4.中国科学院地理科学与资源研究所/中国科学院陆地表层格局与模拟院重点实验室，北京 100101）摘要：基于 20002020 年新疆农作物产量、化肥投入、稻田播种面积等统计数据，根据 IPCC 排放因子法，核算新疆农业源非 CO2温室气体（GHG）排放总量，通过对数平均迪氏指数（LMDI）模型对农业源非 CO2 GHG排放驱动因素进行分解，使用蒙特卡洛模拟结合情景分析法预测其排放趋势。结果表明，研究期内新疆农业源非 CO2 GHG 排放呈现波动上升趋势，增幅达到 34.43%，畜牧养殖是主要排放源。驱动因素研究结果表明，20002020 年，农业经济发展水平和城镇化水平的提高促进了农业源非 CO2 GHG 的排放，贡献排放量分别达4211.74104tCO2eq 和 1016.08104tCO2eq。农业非 CO2 GHG 排放强度、乡村人口以及农业结构的降低抑制了农业源非 CO2 GHG 的排放，20002020 年减排量分别为 4163.36104tCO2eq、224.84104tCO2eq 和130.64104tCO2eq。农业源非 CO2 GHG 排放在基准和规划情景下均呈上升趋势，但规划情景下的增速快于基准情景，在低碳情景下通过提高农业非 CO2 GHG 排放强度、改善生产结构有效减缓增速，可能在 2035 年实现负增长。实现农业源非 CO2 GHG 排放达峰需要强化对减排政策的落实，强制约束农业源非 CO2 GHG 排放；降低农业非 CO2 GHG 排放强度，控制因农业生产技术落后所导致的农业源非 CO2 GHG 排放；通过完善减排惩戒激励机制，鼓励技术突破引导新疆农业的低碳转型。关键词：农业源非 CO2温室气体；驱动因素；情景预测；LMDI 模型 Predicting Trend of Agricultural Non-CO2 Greenhouse Gas Emissions in Xinjiang YU Shuang1,ZHAO Zhi2,XU Han2,LI Jian3,ZHANG Xue-yan4,MA Xin1(1.Institute of Environment and Sustainable Development for Agriculture,Chinese Academy of Agricultural Sciences,Beijing 100081,China；2.School of Geography and Tourism,Xinjiang Normal University,Urumqi 830054；3.Deloitte Institute of Climate Change and Sustainable Development,Beijing 100026；4.Key Laboratory of Land Surface Pattern and Simulation,Institute of Geographic Sciences and Natura Resources Research,Chinese Academy of Sciences,Beijing 100101)Abstract:Agriculture represents a significant contributor to non-carbon dioxide(CO2)greenhouse gas(GHG)emissions in China.Effectively managing non-CO2 GHG emissions from agriculture is crucial for achieving Chinas dual-carbon targets,providing valuable insights into guiding the green transformation of agriculture and promoting sustainable development.Utilizing statistical data on crop yield,fertilizer input,and paddy sowing area in the Xinjiang Uygur Autonomous Region from 2000 to 2020,the authors applied the IPCC coefficient method to assess total agricultural non-CO2 GHG emissions.The Logarithmic Logarithmic Mean Divisia Index(LMDI)model was used to analyze the drivers of non-CO2 GHG emissions from agricultural sources.Additionally,a Monte Carlo *收稿日期：20230829 基金项目：国家重点研发计划（2021xjkk0903；2019YFA0607403）；国家自然科学基金项目（32271638；32171561）；中国科学院战略咨询项目（XDA20010302）；中国农业科学院科技创新工程（ASTIP-CAAS）*通讯作者：赵直，副教授，研究方向为环境科学与资源利用，E-mail： 第一作者联系方式：于爽，E-mail： 中 国 农 业 气 象 第 45 卷 336 simulation,coupled with scenario analysis,was conducted to predict the emission trends of agricultural non-CO2 GHG emissions in Xinjiang during the study period.The findings revealed that:(1)agricultural non-CO2 GHG emissions in Xinjiang exhibited a fluctuating upward trend,experiencing a 34.43%increase,with animal husbandry identified as the primary emission source.(2)Key contributors to agricultural non-CO2 GHG emissions were identified as the level of agricultural economic development and urbanization,contributing to emissions of 4211.74104tCO2eq and 1016.08104tCO2eq,respectively.Conversely,the efficiency of Agricultural non-CO2 GHG emission intensity,rural population,and the agricultural structure acted as inhibitors,contributing to emission reductions of 4163.36104tCO2eq,224.84104tCO2eq and 130.64104tCO2eq,respectively,during the period from 2000 to 2020.(3)Agricultural non-CO2 GHG emissions exhibited an increasing trend in both baseline and planning scenarios.However,the growth rate in the planning scenario surpassed that in the baseline scenario,and a slowdown in the growth rate is anticipated in the low-carbon scenario,with the potential for negative growth by 2035.(4)To effectively control non-CO2 GHG emissions from agriculture,there is a need to reinforce the implementation of emission reduction policies,continually enhance the efficiency of agricultural production,improve incentive mechanisms for emission reduction,and encourage technological breakthroughs.These measures are essential to guide the green transformation of Xinjiangs agriculture and foster its sustainable development.Key words:Agricultural non-CO2 GHG;Drivers;Scenario projections;LMDI model 农业源非CO2 GHG排放占全球人为温室气体排放总量的 10%12%1。在中国非 CO2 GHG 排放中，农业占 48%，农业活动的 CH4和 N2O 排放占比分别高达 40.2%和 59.5%2，农业源非 CO2 GHG 排放呈现增长趋势。研究显示，到 2030 年，农业源非 CO2 GHG 排放量将由 2010 年的 7.02 亿 tCO2当量增至8.05 亿 tCO2当量3。但是目前国家碳排放自主贡献目标和碳强度约束性指标主要是针对 CO2排放制定的，如果不对非 CO2 GHG 排放加以控制，将会抵消CO2减排效果4。然而，当前有关研究大多集中于对能源56、建筑7及交通8等领域的碳排放研究，缺乏对农业领域非 CO2 GHG 排放的关注。因此，研究农业源非CO2 GHG排放的驱动因素和变化趋势对实现“双碳”目标具有重大意义。碳排放驱动因素和未来变化趋势是当前的研究热点，相关研究方法可概括为两种。一是根据经验模型分解碳排放的驱动因素，根据驱动因素的潜在变化预测未来碳排放趋势。常用分解驱动因素的方法包括 LMDI914、STIRPAT7,1516和 Kaya恒等式1718等，LMDI 分解方法因具有分解无残差、适用性强、易于使用和解释等优点，已得到广泛使用1921，与 Kaya 恒等式结合，能够增强模型的解释性。二是直接建立计量模型来预测总量。通过将预测模型与情景分析法相结合来提高预测精度，常用的预测方法包括环境库兹涅兹曲线22、BP 神经网络7等。然而当前的预测方法仍然存在驱动因素的参数估计上不统一，缺乏对因素不确定性的考虑等问题，容易导致研究结果出现较大误差，而碳排放受到多重政策和环境条件的影响，其驱动因素的变化存在较大不确定性，蒙特卡洛模拟方法可以考虑不确定性情景下各驱动因素的历史变化对变量趋势的影响，更加客观地预测不确定性情景下的变量趋势。新疆维吾尔族自治区农林牧业可直接利用面积占全国农林牧宜用面积的 10%以上，草地面积 0.52 亿hm2（含兵团），是全国五大牧区之一23，是重要的种植业和畜牧业基地，也产生了巨大的农业源非 CO2 GHG 排放，给环境带来了巨大的压力24，同时新疆属典型的大陆性干旱气候25，生态环境脆弱26。研究新疆农业源非 CO2 GHG排放的驱动因素及未来变化趋势，可以为环境保护和低碳农业经济发展提供重要的理论启示，目前针对这一地区的农业源非 CO2 GHG 排放还有待深入研究，亟需厘清新疆农业源非 CO2 GHG 排放的驱动因素以及未来排放趋势。本研究根据新疆统计年鉴的数据，构建 LMDI与 Kaya 恒等式模型，量化驱动因素对新疆农业源非 CO2 GHG 的影响，结合蒙特卡洛模拟不确定性分析，考虑了驱动因素的动态变化范围，建立动态情景来模拟新疆农业源非 CO2 GHG 排放的趋势，弥补传统预测模型中设置固定驱动因素变化率的不第 4 期 于爽等：新疆农业源非二氧化碳温室气体排放变化趋势预测 337足，有助于探索新疆农业源非 CO2 GHG 排放减排策略，以期为新疆农业的绿色转型和高质量发展提供支撑。1 材料与方法 1.1 数据及处理 将新疆维吾尔自治区作为研究对象，测算新疆农业源非 CO2 GHG 所涉及的活动水平数据，包括稻田面积和稻谷、小麦、玉米、大麦、大豆、薯类、棉花、油菜籽、胡麻籽、葵花籽、花生、甜菜、蔬菜、芝麻、麻类、高粱、烟叶年产量；绵羊、山羊、猪、马、驴、骡、骆驼和牛年末存栏量；氮肥、复合肥历年投入量，历年乡村人口，以及总人口、农业、林、牧、渔生产总值，数据均来自 20002021年新疆统计年鉴（http:/ 2019 年温室气体清单报告。新疆秸秆系数参考王晓玉等27研究。新疆施用氮肥的直接排放因子和间接排放因子参考 Li 等28的研究。养殖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29。1.2 历史排放核算方法及其驱动因素分析 1.2.1 排放量估算 参考 省级温室气体清单编制指南（试行）29，基于 IPCC 排放因子法估算 20002021 年农业源非CO2 GHG 排放。农业源非 CO2 GHG 排放计算分两类，一类为种植业排放，包括稻田甲烷（CH4）排放和农用地氧化亚氮（N2O）排放；另一类为养殖业排放，包括动物肠道发酵 CH4排放和粪便管理 CH4和N2O 排放。构建农业源非 CO2 GHG 排放核算具体计算模型为 iiiCCAD EFGWP（1）式中，C为农业源非CO2 GHG排放总量，以CO2当量计（104tCO2eq）；Ci为第i类温室气体排放源的非CO2 GHG排放总量；i表示CH4和N2O；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CO2eq排放系数。GWP表示N2O和CH4的全球增温潜势（GWP100）换算因子，与 中华人民共和国气候变化第三次国家信息通报中使用的GWP100值一致，4CHGWP值为21，2N OGWP值为310。具体估算方法及排放因子如下。（1）稻田CH4排放估算 4444CHCHCHCHCADEFGWP（2）其中，4CHC为稻田CH4排放总量（tCO2eq）；4CHAD为水稻播种面积（103hm2）；4CHEF为稻田CH4排放因子（kghm2），西北地区水稻为单季稻，排放因子参考Li等28的研究，取105 kghm2。（2）农用地N2O排放估算 222N ON ON OCCC直接间接（3）式中，2N OC表示农用地N2O排放，包括直接排放和间接排放两个部分，2N OC直接表示直接排放，其中氮来源于化肥施用、秸秆和粪肥还田，2N OC间接表示间接排放，包括大气氮沉降和淋溶径流损失两个过程。2N OC(NNN)EF直接化肥秸秆粪肥直接（4）式中，2N OC直接表示农用地N2O直接排放量；N化肥表示化肥（包括氮肥和复合肥）中的折纯氮投入量；N 秸秆表示秸秆还田投入氮量（包括地上秸秆还田氮和地下根氮）；N 粪肥表示粪肥氮投入量，EF 直接表示农用地N2O直接排放因子，采用省级温室气体清单编制指南（试行）中新疆地区的推荐值0.0056kg N2O-Nkg N1。其中非蔬菜类秸秆还田氮量采用式（5）估算，蔬菜类秸秆还田氮采用式（6）计算，粪肥输入氮量采用式（7）估算。njjjjjjjjj 1N R TM TM K 非蔬菜秸秆（5）jjjjjjjjjMMN RM KNN蔬菜秸秆（6）hNAP V粪肥（7）式中，N非蔬菜秸秆和N蔬菜秸秆表示秸秆还田氮，j表示第j类农作物；Mj表示作物籽粒产量；Tj表示秸秆系数；Rj表示秸秆还田率(%)；j表示秸秆含氮量；Kj表示根冠比；Nj表示蔬菜经济系数参考省级温室气体清单编制指南（试行）中推荐值为0.83，其他参数具体见表1；hAP表示第h种动物的数量（头），V表示动物泄氮量（kghead1a1）。中 国 农 业 气 象 第45卷 338 表 1 主要农作物参数2728 Table 1 Parameters of main crops2728 农作物种类 Crop type 秸秆含氮率 Nitrogen content of straw（%）秸秆系数 Straw coefficient 根冠比 Root-crown ratio 秸秆还田率 Straw return rate（%）稻谷 Rice 0.753 0.740 0.125 92 小麦 Wheat 0.516 1.360 0.166 50 玉米 Maize 0.580 1.150 0.170 30 大麦 Barley 0.560 2.320 0.166 100 大豆 Soybean 1.810 1.330 0.130 100 薯类 Potatoe 1.100 0.620 0.050 100 棉花 Cotton 0.548 2.850 0.200 95 油菜籽 Rapeseed 0.548 2.570 0.150 100 胡麻籽 Linseed 0.548 2.570 0.150 100 葵花籽 Polly seed 0.548 2.570 0.150 100 花生 Peanut 1.820 0.860 0.200 100 甜菜 Beet 0.507 0.180 0.050 100 蔬菜 Vegetables 0.800 0.250 100 芝麻 Sesame 1.440 1.780 0.200 100 麻类 Hemp 0.548 2.850 0.200 100 高粱 Sorghum 0.580 2.320 0.185 100 烟叶 Tobacco leaf 1.440 0.710 0.200 100 222N ON ON OCCC沉降淋溶径流间接（8）式中，2N OC间接表示农业用地的N2O间接排放，2N OC沉降表示大气氮沉降引起的N2O间接排放，主要来自畜禽粪便和施肥土壤等氮输入产生的氨（NH3）和氮氧化物（NOx）挥发；2N OC淋溶径流表示由农田氮淋溶和径流引起的N2O间接排放。大气氮沉降引起的N2O间接排放采用式（9）（10）计算，农田氮淋溶和径流引起的N2O间接排放采用式（11）计算。NNN输入化肥秸秆（9）2N OC0.01(0.2N0.1N)沉降粪肥输入（10）式中，N粪肥表示畜禽粪便的氮输入量，N输入包括化肥和秸秆的氮输入量，参考省级温室气体清单编制指南（试行），N粪肥和N输入的挥发率推荐值分别为20%和10%，排放因子为0.01。2N OC0.2 0.0075N淋溶径流输入（11）式中，根据省级温室气体清单编制指南（试行）推荐，氮淋溶和径流损失的氮量按照氮输入量的20%估算，排放因子为0.0075。（3）动物肠道发酵CH4估算 4447CH,enteric,hCH,enteric,hhCHCEFAP GWP10（12）式中，4CH,enteric,hC表示第h种动物CH4排放量(104tCO2-eqa1)；4CH,enteric,hEF表示第h种动物的CH4排放因子(kghead1a1)；hAP为第h种动物的数量（头）。具体参数见表2。表 2 动物肠道发酵 CH4排放因子(kg头1a1)Table 2 CH4 emission factor from animal intestinal fermentation(kghead1y1)动物种类 Animal category 规模化饲养 Large scale rearing 农户散养 Free range 放牧饲养 Herd 奶牛 Dairy cattle 88.1 89.3 99.3 非奶牛 Cattle 52.9 67.9 85.3 绵羊 Sheep 8.2 8.7 7.5 山羊 Goat 8.9 9.4 6.7 猪 Pig 1.0 1.0 1.0 马 Horse 18.0 18.0 18.0 驴 Donkey 10.0 10.0 10.0 骆驼 Camel 46.0 46.0 46.0（4）粪便管理CH4和N2O估算 7i,hi,hhiCEF AP GWP10（13）式中，i,hC表示动物粪便管理温室气体排放量（104tCO2eqa1），i,hEF表示为第h类动物粪便管理第i类温室气体排放因子，具体排放因子见表3。第4期 于爽等：新疆农业源非二氧化碳温室气体排放变化趋势预测 339表 3 动物粪便管理温室气体排放因子(kg头1a1)29 Table 3 Greenhouse gases emission factors from animal manure management(kghead1y1)29 动物种类 Animal category CH4排放因子 CH4 emission factor N2O 排放因子 N2O emission factor 氮排泄量 Nitrogen excretion rate 奶牛 Dairy cattle 5.93 1.447 60 非奶牛 Cattle 1.86 0.545 40 山羊 Goat 0.32 0.074 12 绵羊 Sheep 0.28 0.074 12 猪 Pig 1.38 0.195 16 马 Horse 1.09 0.330 40 驴 Donkey 0.60 0.188 40 骆驼 Camel 1.28 0.330 40 家禽 Poultry 0.01 0.007 40 1.2.2 驱动因素分解 日本教授Kaya于1989年首次将经济、政策和人口等因素与人类活动产生的CO2产生联系，提出了Kaya恒等式30。用于分析经济等驱动因素对CO2排放的影响，但无法消除残差项，与LMDI模型结合可弥补这一缺点，并提高模型解释性20，量化驱动因素的影响效应。研究农业温室气体排放驱动因素时，可对kaya恒等式进行拓展变形。选取农业非CO2 GHG排放强度3134、农业产业结构效应3234、农业经济发展水平3336、乡村人口31,33,36和城镇化水平37395个因素作为农业源非CO2 GHG排放的驱动因素。其表达式为 AgrAgrCAGRI APLF PCPQSGUHAGRI APLFPP（14）式中，C表示新疆农业源非CO2 GHG年排放量（tCO2-eq）。AGRI表示农业生产总值与牧业生产总值之和（万元），C/AGRI 表示农业非CO2 GHG排放强度，用Q表示（tCO2eq万元1），指标越小说明单位AGRI所产生农业源非CO2 GHG排放量越低、农业非CO2 GHG排放强度越低；APLF表示农、林、牧、渔业四部分的生产总值（万元），AGRI/APLF表示农业产业结构效应，用S表示（%），即农牧业在农、林、牧、渔业中所占比例，比重越大，农业源非CO2 GHG排放量越高；P表示人口总量（万人），APLF/P表示农业经济发展水平，用G表示（元人1），该指标越大表示人均农业生产总值越高，农业经济发展水平越高；PAgr表示乡村人口，用H表示（万人），该指标越大表示农业劳动力规模越大；P/PAgr表示城镇化水平，用U表示（%），该值越大表示城镇化水平越高。1.2.3 驱动因素贡献值 根据LMDI模型的分解结果，可将农业源非CO2 GHG排放总量在基准年“0”到“T”年间的变化totC分解为5个部分，即农业非CO2 GHG排放强度、农业产业结构效应、农业经济发展水平、城镇化水平和乡村人口，分别用QEC、SEC、GEC、UEC和AEC表示（单位：104tCO2eq）。对式(14)取对数并进行加和分解处理，得到各分解因素贡献值，表达式分别为 T0TQET00CCQClnlnClnCQ（15）T0TSET00CCSClnlnClnCS（16）T0TGET00CCGClnlnClnCG（17）T0TUET00CCUClnlnClnCU（18）T0THET00CCHClnlnClnCH（19）则总效应totC与各驱动因素之间的关系可表示为 T0totQESEGEUEHECCCCC CCC （20）1.3 未来排放变化率预测 1.3.1 预测模型 按照农业源非CO2 GHG排放驱动因素分解模型，假设、和分别代表驱动因素农业非CO2 GHG排放强度、农业产业结构效应、农业经济发展水平、城镇化水平和乡村人口的年变化率，则t+1年农业源非CO2 GHG排放各驱动因素可表示为 t 1t(QQ)1（21）t 1t(SS)1（22）t 1t(GG)1（23）t 1t(UU)1（24）t 1t(HH)1（25）根据式（1），t+1年相应的碳排放量可表示为 中 国 农 业 气 象 第45卷 340 t 1t 1t 1t 1t 1 t 1ttttt()CQ()(SGUPQ 1 S 1 G 1)(U 1)()H 1（26）基于此，与第t年相比，t+1年新疆农业源非CO2 GHG排放的变化率可表示为(1)(1)(1)(1)(1)1（27）根据对未来某个时段5个驱动因素量值及其变化率的预测值即可推算出未来新疆农业源非CO2 GHG排放量。1.3.2 预测情景设置 根据新疆社会发展趋势、减排政策和具体实际情况，设定3个农业源非CO2 GHG排放情景，即基准情景、规划情景和低碳情景，情景的相关参数设定参考变量的历史演变趋势和现有政策规划。考虑到中国发展规划每5a调整一次的周期性特征，将规划和低碳情景的预测时段分为3个区间，分别是20212025年、20262030年和20312035年。参考前人对基准情景的定义4042，即在基准情景下，所有变量都基于历史趋势演变，技术环境状况维持当前水平不变，新疆农业继续维持当前农业结构不变、农业生产总值持续上升、乡村人口缓慢下降的特点；规划情景下，依照政府规划对农业和温室气体减排方面的要求，同时结合文献调研，假设该情景将大力提高农业非CO2 GHG排放强度、城镇化率，农业规模保持稳定扩张阶段；低碳情景下，假设乡村人口、城镇化率依照规划情景，政府通过强制措施提高农业非CO2 GHG排放强度、改善农业结构，同时投入一定的经济成本以达到减排效果的情景。1.3.3 预测方法 蒙特卡洛模拟是一种基于随机抽样方法的计算方法，通过模拟大量的随机抽样，可以考虑不确定性情景下各个驱动因素变化区间，赋予驱动因素不同的概率和函数分布，可以得到温室气体排放量的概率分布。已知变量最可能出现的结果及取值区间但不清楚概率分布形状，应当选择三角分布函数41。首先确定各个驱动因素最可能出现的变化率，即中间值，不同情景的中间值取值方法不同，在基准情景中，中间值即为驱动因素历史变化率的中间值，而规划情景中的驱动因素变化率中间值则根据政府规划指标计算得到，低碳情景参考基准情景和规划情景进行设置。然后结合三角分布关系，建立最大值、最小值和中间值的概率分布关系，即、和的取值区间。在基准情景中，最大值和最小值按照驱动因素历史变化率的浮动比例确定，规划情景中的最大值和最小值主要根据参考文献设定上下浮动百分比得到，低碳情景设定参考基准情景中驱动因素的浮动比例，以及规划情景中位数结合前人研究所得。根据式（26）构建的驱动因素变化率与温室气体排放年变化率的关系，使用Python3.6编写代码，对基准情景、规划情景与低碳情景中的温室气体排放年变化率分别进行50万次模拟，得到最终的农业源非CO2 GHG排放变化率的概率分布。1.4 数据处理 采用Microsoft Excel 2010对排放数据和驱动因素变化率进行统计分析并作图，通过Python3.6对基准、规划和低碳情景进行蒙特卡洛模拟并作图。2 结果与分析 2.1 历史农业源非 CO2 GHG 排放趋势及驱动因素年变化率分析 2.1.1 排放趋势 根据式（1）式（13）计算20002020年新疆农业源非CO2 GHG排放量，排放趋势如图1所示。由图可见，新疆农业源非CO2 GHG排放呈现波动上升趋势，总量由2000年的2059.33104tCO2eq增至2020年的2768.30104tCO2eq，增幅达到34.43%。从排放结构上看，新疆农业源非CO2 GHG的主要排放来源是畜牧行业，研究期内排放量呈现上升趋势，但占总排放量比例有所下降，由2000年的78.62%降 图1 20002020年新疆农业源非CO2 GHG历年排放量变化 Fig.1 Change of agricultural non-CO2 GHG emissions in Xinjiang from 2000 to 2020 第4期 于爽等：新疆农业源非二氧化碳温室气体排放变化趋势预测 341至2020年的71.83%；种植业的排放量和占总排放量比例均呈上升趋势，所占比例由2000年的21.38%增至2020年的28.17%。从排放源来看，肠道发酵是主要排放源，研究期内呈波动上升趋势，排放量占总排放量比例超过50%；其次是农用地N2O排放，研究期内呈波动上升趋势，占总排放量的13%；粪便管理产生排放量呈现波动上升趋势，占总量的13%左右；稻田CH4排放量最小且在研究期内呈下降趋势，贡献量占总量比例不到1%。2.1.2 驱动因素年变化率 将新疆农业源非CO2 GHG排放量分解为5个因素即农业非CO2 GHG排放强度、农业产业结构、农业经济发展水平、城镇化水平和乡村人口，用、和分别代表各驱动因素的年变化率。研究期内的变化趋势如图2所示。由图可见，农业非CO2 GHG排放强度的年变化率在20002011年波动幅度较大，20122020年变化趋势较为稳定，其中20142020年呈现小幅波动下降的趋势，表明农业非CO2 GHG排放强度逐年提高；农业产业结构年变化率则相对稳定，表明新疆农牧业在农、林、牧、图2 20002020年新疆农业源非CO2 GHG排放驱动因素变化率的年际变化 Fig.2 The interannual variation of change rate of drivers of agricultural non-CO2 GHG emissions in Xinjiang from 2000 to 2020 注：、和 分别代表驱动因素农业非 CO2 GHG 排放强度、农业产业结构效应、农业经济发展水平、城镇化水平和乡村人口的年变化率。Noted:,and respectively represent the annual change rates of driving factors for agricultural low-carbon production efficiency,agricultural industry structural effects,agricultural economic development level,urbanization level and rural population.渔产业中所占比例稳定；农业经济发展水平年变化率在20002012年波动较大，20122020年呈现波动上升的趋势，表明新疆农业经济发展水平逐年稳定并实现稳步提升；城镇化水平年变化率在研究期内均大于0，呈现波动上升的趋势，表明新疆城镇化水平在不断提高，并有增速不断提高的趋势；乡村人口变化率 在20002009年呈现波动增长的趋势，20112020年呈逐年下降的趋势，且在20142020年出现了负增长，表明新疆农业劳动力规模在逐渐缩小。2.1.3 驱动因素贡献 根据式（13）式（17）计算各驱动因素对新疆农业碳排放的影响程度。农业非CO2 GHG排放强度、农业产业结构、农业经济发展水平、城镇化水平和乡 村 人 口 的 驱 动 效 应 分 别 为4163.36104、130.64104、4211.74104、1016.08104和224.84 104tCO2eq，驱动因素贡献率大小分别为587.25%、18.43%、594.07%、143.32%和31.71%。各驱动因素对新疆农业源非CO2 GHG排放的驱动效应大小可排序为农业经济发展城镇化水平农业结构乡村人口农业非CO2 GHG排放强度。由图3可见，新疆农业源非CO2 GHG排放量呈现波动上升趋势，增量达到646.59104tCO2eq。农业非CO2 GHG排放强度是抑制新疆农业源非CO2 GHG排放增长的主要驱动因素，仅2015年农业非CO2 GHG排放强度降低，出现了促进农业源非CO2 GHG排放正效应，研究期内其余年份农业非CO2 GHG排放强度提高均对新疆农业源非CO2 GHG排放产生抑制效应。农业产业结构对新疆农业源非CO2 GHG排放的抑制效应并不明显。农业产业结构在研究期内基本保持稳定，仅有小幅下降，因此产生了抑制效应。由图3可见，农业产业结构仅在2002年、2010年和2020年对新疆农业源非CO2 GHG排放有促进效应，其余年份均为抑制效应。农业经济发展水平是推动农业源非CO2 GHG排放增长的主要驱动因素。由图3可见，农业经济发展水平对新疆农业源非CO2 GHG排放的驱动效应以2012年为界限，呈现出先增后减的趋势，说明新疆农业生产与非CO2 GHG排放的矛盾得到了缓解。城镇化水平是推动新疆农业源非CO2 GHG排放增长的次要驱动因素。由图3可见，除2001年城镇化水平下降对新疆农业源非CO2 GHG排放产生负效应外，其余年份，城镇化水平的提升均对排放量起 中 国 农 业 气 象 第 45 卷 342 图 3 20002020 年新疆农业源非 CO2 GHG 排放趋势及驱动因素贡献比例 Fig.3 Trends of agricultural non-CO2 GHG emissions and contribution ratio of drivers in Xinjiang from 2000 to 2020 注：图中虚线箭头上的数据表示第二年与前一年排放量的差值，单位为 104tCO2eq。Note:The data on the dashed arrows in the figure represent the change in emissions between the previous years emissions and the second years emissions,unit is 104tCO2eq.到促进作用。乡村人口下降是抑制新疆农业源非CO2 GHG排放增长的次要驱动因素，在 2013 年以前，乡村人口对农业源非 CO2 GHG 排放产生促进作用，到 2013年之后，乡村人口对农业源非 CO2 GHG 排放表现为抑制作用。2.2 未来不同情景农业源非 CO2 GHG 排放驱动因素的变化率 2.2.1 基准情景 基准情景根据新疆农业的现状来设定每个因素的潜在变化率。农业非 CO2 GHG 排放强度将保持快速上升的趋势，与当前中国农业非 CO2 GHG 排放强度发展情况一致；新疆受到气候因素的