-
土地沙化是指在干旱、半干旱及部分湿润地区，由于恶劣的自然条件或不合理的人类活动破坏生态平衡，导致地表发生土地退化的现象[1−2]。中国是世界上土地沙化最严重的国家之一，沙化土地面积基数大，分布范围广。其中，北方农牧交错带作为沙化最为严重的地区之一，是土地沙化防治的重点区域[3]。
遥感数据具有信息量大、观测范围广、时效性强等优势，被广泛用于土地荒漠化的监测与评估[4−7]。前期研究主要采用目视解译与野外调查相结合的方式进行动态监测，如魏怀东等[8]对图像进行人工屏幕解译成图，从而进行土地划分编码，并通过野外调查进行实地核对及修正。随后发展出利用地表生物物理特征与表征荒漠化的监测模型[9−10]，如赵文博等[11]以归一化植被指数(NDVI)为基础，通过像元二分法计算植被覆盖度，采用荒漠化指数(DI)对荒漠化土地进行分析。此类方法监测指标单一，结果精度较低，受人为因素干扰强。而多时空尺度、多源数据结合有利于定量分析局部范围的荒漠化趋势[12−13]，如采用Landsat数据反演地表反照率、植被覆盖度、土壤湿度等地表参数，构建荒漠化定量评价指标体系，精度可达60%~80%。由于地表植被覆盖状况与反照率存在显著相关，因此，基于地表反照率(Albedo)和NDVI特征空间的荒漠化差值指数(DDI)常被用于荒漠化动态监测评价。MA等[14]采用快鸟卫星(Quick Bird)影像对Albedo-NDVI的特征空间进行分类验证，总体精度可达84%以上。VOROVENCII[15]分别构造3种特征空间对土地荒漠化进行监测，得出Albedo-NDVI特征空间所得精度最高的结论。对比Albedo-NDVI、修改型土壤调节植被指数(MSAVI)和表土粒度指数(TGSI)特征空间模型，发现Albedo-NDVI特征空间可用于植被覆盖率较高地区提取沙漠化信息，荒漠化差值指数可反映区域植被、土壤、气候和水资源的时空变化[16−17]。基于Albedo-NDVI空间特征的荒漠化差值指数方法利用多维遥感信息，能较好反映土地地表覆被、水热组合及其变化特征，在土地荒漠化动态定量监测与分析中得到广泛应用[18]。
围场满族蒙古族自治县(简称围场县)作为河北省第一批山水林田湖草沙生态保护修复示范县，所在坝上地区为内蒙古高原与华北平原的过渡区域，土地沙化、水土流失等生态问题突出。小滦河流域是围场县经济活动影响较为强烈的区域[19]。作为京津风沙源治理工程重点区域之一，流域由于生态系统长期脆弱、受人类活动干扰强度大，土地沙化趋势未得到完全遏制[20]。开展沙化土地动态变化及其对土地利用类型的响应研究，可为围场县沙化土地治理提供依据。鉴于此，本研究以围场县小滦河流域为研究区，基于2000、2010和2020年陆地卫星(Landsat)遥感影像，通过构建Albedo-NDVI空间特征方程，获取荒漠化差值指数并进行程度划分，利用趋势分析、动态度计算、转移矩阵分析等方法，结合景观格局指数、土地利用类型和海拔等探究流域土地沙化的时空变化情况，以期为掌握该区域沙化动态发展趋势和防治提供理论依据。
-
围场县(40°35′~42°40′N，116°32′~118°14′E)隶属河北省承德市，东、西、北三面分别与内蒙古赤峰市、克什克腾旗、多伦县毗邻，西南分别与丰宁满族自治县、隆化县接壤。小滦河流域位于围场县西部，流域面积约1 655.0 km2。作为滦河上游的主要支流，流域气候类型属于季风型高原山地气候，年均气温为3.3 ℃，年均降水量为445.0 mm，地势东北高，西南低，包括坝上草原区和冀北山地区，海拔为900~2 000 m。植被资源丰富，森林多为天然次生林和人工林。土壤类型有灰色森林土、潮土、风沙土、沼泽土等。由于大量沙丘存在于地表，抗蚀力弱，极易产生侵蚀，导致该区域土地沙化严重[21−22]。自20世纪60年代开始，流域内大面积实施人工造林，生态环境有所改善。随着周边多个景点和公路的开发，小滦河流域成为围场县生态旅游观光热点区域，致使人类活动干扰强度较大，耕地、草场均存在不同程度退化等生态问题。
-
土地利用类型来源于中国科学院资源环境数据中心(
http://www.resdc.cn )；地形数据为数字高程模型(DEM)，来源于地理空间数据云(http://www.gscloud.cn )，空间分辨率均为30 m。基于研究区边界完成掩膜、拼接和裁剪，得到各期荒漠化差值指数，采取ArcGIS 10.6、R 4.1.0和Origin 2021对数据进行统计分析。Landsat数据源于谷歌地球引擎(Google Earth Engine, GEE)提供的3个时段Landsat TM5 (2000、2010年)及Landsat-8 OLI (2020年)数据集为基础，筛选云量小于10%的生长期影像，2000年共调用8景Landsat TM影像，2010年共调用15景Landsat TM影像，2020年共调用20景Landsat OLI影像，采用均值合成法计算各时期NDVI、Albedo，并构建Albedo-NDVI特征空间。
-
地表反照率是指地面反射的太阳辐射与到达地面的太阳辐射之比，与土壤颜色、土壤湿度、太阳高度角和天气状况等有关[23]。采用LIANG[24]的Landsat数据反演模型对研究区进行估算，公式为：
$$ A=0.356{\rho }_{\mathrm{T}\mathrm{M}1}+0.130{\rho }_{\mathrm{T}\mathrm{M}3}+0.373{\rho }_{\mathrm{T}\mathrm{M}4}+0.085{\rho }_{\mathrm{T}\mathrm{M}5}+0.072{\rho }_{\mathrm{T}\mathrm{M}7}-0.001\,8 。 $$ (1) 式(1)中：A为地表反照率；$ {\rho }_{\mathrm{T}\mathrm{M}1}\mathrm{、}{\rho }_{\mathrm{T}\mathrm{M}3}\mathrm{、}{\rho }_{\mathrm{T}\mathrm{M}4}{\mathrm{、}\rho }_{\mathrm{T}\mathrm{M}5}\mathrm{、}{\rho }_{\mathrm{T}\mathrm{M}7} $为不同波段的权重值。
-
采用近红外波段和红光波段两者的反射率计算NDVI，计算公式为：
$$ {N}_{\mathrm{D}\mathrm{V}\mathrm{I}}=\frac{{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}-{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}}{{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}+{\mathrm{\rho }}_{\mathrm{R}\mathrm{E}\mathrm{D}}} 。 $$ (2) 式(2)中：NDVI表示归一化植被指数；$ {\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}} $、$ {\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}} $分别表示近红外波段和红光波段所对应的反射率值。由于 NDVI与Albedo的量纲与范围不同，分别计算两者的最大值和最小值，并进行归一化处理。
-
研究表明：Albedo-NDVI特征空间分布图一般呈现梯形或者三角形[25]，可将高植被覆盖、部分覆盖和全裸露很好地区分。
$$ A=k\times {N}_{\mathrm{D}\mathrm{V}\mathrm{I}}+b \text{；} $$ (3) $$ \alpha \times k=-1 \text{；} $$ (4) $$ {D}_{\mathrm{D}\mathrm{I}}=\alpha \times {N}_{\mathrm{D}\mathrm{V}\mathrm{I}}-A\mathrm{。} $$ (5) 式(3)~(5)中：DDI为荒漠化差值指数；$ A $为地表反照率；NDVI为归一化植被指数；$ k、b $为方程拟合系数；$ \alpha $值由拟合曲线的斜率($ k $)决定。研究表明[26]：基于Jenk最优化法的分界点使各分组方差之和最小，将荒漠化差值指数(DDI)分为5个区间：极重度沙化(DDI≤1.110)、重度沙化(1.110＜DDI≤1.453)、中度沙化(1.453＜DDI≤1.942)、轻度沙化(1.942＜DDI≤2.472)和非沙化土地(DDI＞2.472)。
-
土地沙化动态度($ K $)可定量描述某区域某研究时段内各类沙化土地面积的变化速度，对沙化区域性差异及预测未来趋势有一定优势。单一沙化程度动态度公式如下[27]：
$$ K=\frac{{U}_{{\rm{b}}}-{U}_{{\rm{a}}}}{{U}_{{\rm{a}}}}\times \frac{1}{T}\times 100\%\mathrm{。} $$ (6) 式(6)中：$ K $为研究时段内某一沙化程度动态度；$ {U}_{\mathrm{a}}、{U}_{\mathrm{b}} $分别表示研究初期与末期某种沙化程度的面积；$ T $为研究时段。$ K $＜0表明该类沙化土地处于缩减状态，$ K $＞0表明该类沙化土地处于扩张状态。当$ T $定义为年时，$ K $值即区域某程度沙化土地的年变化率。
-
利用回归分析，研究小滦河流域沙化动态随时间变化的趋势[28]，计算公式如下：
$$ S=\frac{n\times \displaystyle \sum\limits_{{{i = 1}}}^{n}\left(i\times {{D}_{\mathrm{D}\mathrm{I}}}_{i}\right)-\displaystyle \sum\limits_{{{i = 1}}}^{n}i\displaystyle \sum\limits_{{{i = 1}}}^{{n}}{{D}_{\mathrm{D}\mathrm{I}}}_{i}}{n\times \displaystyle \sum\limits_{{{i = 1}}}^{{n}}{i}^{2}-{\left(\displaystyle \sum\limits_{{{i = 1}}}^{{n}}i\right)}^{2}} 。 $$ (7) 式(7)中：S为荒漠化差值指数(DDI)变化趋势的斜率；n为监测年数；DDIi为第$ i $年对应的荒漠化差值指数。根据荒漠化差值指数变化趋势划分为严重退化(S≤−0.20)、轻微退化(−0.20＜S≤−0.10)、基本不变(−0.10＜S≤0.10)、轻微改善(0.10＜S≤0.25)、明显改善(S＞0.25)。
-
转移矩阵可对一定时期单元内不同沙化程度的转移状态做定量分析，反映其变化的方向和特征[29]，更好地揭示沙化土地的时空演化过程。数学表达形式为：
$$ {S}_{hj}=\left[\begin{array}{ccc}{S}_{11}& \cdots & {S}_{1m}\\ \vdots& \ddots & \vdots\\ {S}_{m1}& \cdots & {S}_{mm}\end{array}\right] 。 $$ (8) 式(8)中：${S}_{hj}$表示初期对应h类沙化土地转变为末期$ j $类沙化土地的面积；$ m $表示沙化土地相应程度的数目。
-
景观格局指数以斑块作为基本单元用以分析各景观类别的结构组成及空间特征[30]，根据景观生态学理论，结合小滦河流域实际情况，选取面积周长维数、蔓延度指数、凝聚度指数、分离度指数、香农多样性指数、香农均匀度指数、聚集度指数等7类景观格局指数，运用Fragstats 4.2软件对小滦河流域3期土地沙化景观格局特征进行分析。
-
研究表明[25]：高反照率线(AC)与沙化过程在Albedo-NDVI特征空间中的轨迹较为接近，选取垂直于高反照率线的直线将不同沙化土地进行区分，荒漠化差值指数中斜率$ \alpha =-1/k $，即荒漠化差值指数表现为Albedo-NDVI特征空间垂直于高反照率线的各分割直线位置，代表不同沙化土地在特征空间中的地表水热组合及动态变化差异(图1)。基于3期数据构建Albedo-NDVI特征方程，衍生出荒漠化差值指数，可用于土地沙化程度分级[31]。基于ArcGIS和RStudio，随机选取研究区内1 256个样本点进行回归分析(以2000年为例)。从图2可见：Albedo与NDVI具有明显的线性负相关，R2为0.515 1。
图 1 Albedo-NDVI特征空间
Figure 1. Albedo-NDVI feature space
图 2 Albedo-NDVI特征空间散点图及线性方程
Figure 2. Albedo-NDVI feature space scatter plot and linear equation
基于Google Earth Pro历史影像数据，随机选取300个样本点对3期沙化土地进行精度验证，结合2021年8月野外调查数据进行目视解译，以此判断验证点沙化程度类别，生成2000、2010和2020年沙化土地分类精度评价混淆矩阵(表1)。由表1可见：总体精度为79.33%~84.67%，表明基于Albedo-NDVI特征空间方法在沙化程度区分中结果良好，分类精度满足实验要求。
表 1 小滦河流域沙化土地分类精度评价混淆矩阵
Table 1. Confusion matrix of sandy land classification accuracy evaluation in Xiaoluanhe River Basin
年份 实际值 预测值 样本点
总数非沙化 轻度
沙化中度
沙化重度
沙化极重度
沙化2000 非沙化 29 3 1 0 0 33 轻度 2 75 4 2 1 84 中度 1 6 39 11 2 59 重度 1 4 7 53 5 70 极重度 0 1 2 5 46 54 总体精度/% 80.67 Kappa系数 0.753 2010 非沙化 22 5 4 2 0 33 轻度 2 78 3 1 0 84 中度 2 3 43 9 2 59 重度 1 1 4 58 6 70 极重度 0 0 1 1 52 54 总体精度/% 84.33 Kappa系数 0.800 2020 非沙化 27 4 1 1 0 33 轻度 2 71 6 5 1 85 中度 3 4 47 2 3 59 重度 1 4 2 54 9 70 极重度 1 2 4 7 39 53 总体精度/% 79.33 Kappa系数 0.737 -
由图3可知：小滦河流域极重度、重度沙化土地集中分布在御道口镇、御道口牧场等。中度沙化土地分布范围较广，涉及中、上游大部分地区。而下游以轻度沙化和非沙化为主，包括老窝铺乡、西龙头乡、南山嘴乡；小滦河流域中、下游沙化情况持续好转，而上游地区在2010年后沙化土地有所增加。
图 3 基于荒漠化差值指数的小滦河流域土地沙化时空分布示意图
Figure 3. Spatial and temporal distribution map of land desertification in Xiaoluanhe River Basin based on desertification difference index
从表2可以看出：2000—2010年小滦河流域沙化土地面积变化幅度明显，极重度沙化土地面积减少了165.31 km2，重度沙化土地面积减少了171.21 km2，动态度分别为−6.88%、−4.18%；轻度沙化、非沙化土地面积分别增加了186.47、219.18 km2，其中非沙化土地动态度达6.98%。从空间分布看出，下游地区大范围沙化土地转变为非沙化土地，中游地区由极重度和重度沙化连片分布转变为斑块状零散分布(图3)。2010—2020年，小滦河流域极重度、重度沙化土地面积进一步减小，其中极重度、重度沙化土地变化速率相对较大，动态度分别为−3.40%、−2.44%，不同沙化程度土地动态度均有缩减。极重度、重度沙化土地面积持续缩小，轻度沙化土地面积持续增加，但变化幅度较2000—2010年均有所减少。表明小滦河流域沙化状况整体有所好转，极重度、重度沙化面积和占比有明显减少，上游地区的沙化趋势不容忽视。
表 2 2000—2020年小滦河流域沙化土地动态变化特征
Table 2. Characteristics of land desertification dynamic change in the Xiaoluan River Basin from 2000 to 2020
土地沙化程度 2000年 2010年 2020年 面积/km2 占比/% 面积/km2 占比/% 2000—2010动态度/% 面积/km2 占比/% 2010—2020动态度/% 极重度 240.28 14.51 74.97 4.53 −6.88 49.45 2.99 −3.40 重度 409.62 24.74 238.41 14.40 −4.18 180.28 10.89 −2.44 中度 413.35 24.96 344.22 20.79 −1.67 348.70 21.06 0.13 轻度 278.64 16.83 465.11 28.09 6.69 553.22 33.41 1.89 非沙化土地 313.86 18.96 533.04 32.19 6.98 524.10 31.65 −0.17 总计 1 655.75 100.00 1655.75 100.00 1655.75 100.00 -
2000—2020年，小滦河流域土地沙化总体得到改善，不同程度沙化土地的变化趋势和幅度各不相同。如图4A所示：在2000—2010年，极重度转为重度沙化土地面积为95.36 km2，占极重度沙化土地面积的39.69%，重度转为中度沙化土地面积为164.59 km2，占重度沙化土地面积的40.18%，中度转为轻度沙化土地面积为201.08 km2，占中度沙化土地面积的48.65%，轻度转为非沙化土地面积为129.10 km2，占轻度沙化土地面积的46.33%，表明前期小滦河流域沙化土地改善幅度较大，以相邻土地沙化发生转移。如图4B所示：2010—2020年，小滦河流域中度沙化转为轻度沙化面积达137.82 km2，轻度转为非沙化土地面积103.88 km2，重度转中度沙化土地面积为100.80 km2，但存在非沙化转向轻度沙化，轻度转向中度沙化土地的现象，转移面积分别为118.06 、81.14 km2。相较2010年前，小滦河流域改善面积有所缩减，且293.81 km2的非沙化、轻度沙化等土地向沙化程度严重的类型转变，流域部分区域的沙化状况恶化加剧。
图 4 小滦河流域沙化土地变化矩阵弦图
Figure 4. Matrix of desertification land change of the Xiaoluanhe River Basin
如图5所示：2000—2020年，流域呈明显改善和轻度改善状态的土地面积分别占总面积的17.18%和24.28%，呈严重退化和轻度退化的土地面积之和不足10%。表明20 a间小滦河流域的沙化状况总体有明显改善，主要分布于北部塞罕坝林场及小滦河流域下游，而以轻度退化为主的土地沙化加剧状况分别集中在御道口牧场、御道口镇等区域及周边。
图 5 2000—2020年研究区土地沙化时空格局变化示意图
Figure 5. Changes in the spatial and temporal pattern of land desertification of the Xiaoluanhe River Basin from 2000 to 2020
-
如表3所示：20 a间小滦河流域凝聚度指数呈先减后增趋势，总体为增加趋势，说明不同沙化景观程度间同类斑块的自然连通度提高。蔓延度指数、聚集度指数均为连年上升，前者增加了8.215，聚集度指数增加了3.589，且2010年前增幅超过后期，说明小滦河流域沙化景观集聚程度逐渐提升，流域景观中小斑块数量减少，在空间分布上趋向于集中，流域景观破碎化程度持续降低。面积周长维数持续减小，流域沙化景观的几何形状复杂程度及分布情况趋于简单。同时，分离度指数呈微弱的减少趋势，景观沙化土地分散程度减小，香农多样性和均匀度指数均有降低，分别降低了0.182、0.113，在2000—2010年下降趋势较为明显，表明小滦河流域沙化景观的多样性和异质性有所减缓，破碎化程度随景观类型复杂程度的减少而变小。
表 3 2000—2020年小滦河流域土地沙化景观水平的景观格局指数变化
Table 3. Changes of landscape pattern index of land desertification landscape level in Xiaoluanhe River Basin from 2000 to 2020
年份 面积周长维数 蔓延度指数 凝聚度指数 分离度指数 香农多样性指数 香农均匀度指数 聚集度指数 2000 1.514 26.145 98.323 0.989 1.587 0.986 72.953 2010 1.512 31.776 97.879 0.991 1.467 0.912 75.228 2020 1.494 34.360 98.357 0.988 1.405 0.873 76.542 -
人为因素驱动下的土地利用类型对区域土地沙化有着改善或者恶化的作用，从而引起土地沙化并发生改变。由表4可见：2000—2010年，耕地的极重度和重度沙化面积共减少了76.33 km2，占同期沙化土地改善面积的15.86%，林地的极重度、重度和中度沙化面积减幅最大，达225.52 km2，未利用土地的沙化面积减少82.08 km2。10 a内草地面积增加最多，达83.25 km2，草地的沙化土地改善面积占草地总面积的20.06%。在2010—2020年，草地为小滦河流域沙化改善的主要地类。其中，耕地的极重度、重度和中度沙化土地面积持续减少，林地非沙化土地面积减少62.26 km2，总面积未有明显改变，而重度、中度和轻度沙化面积均有所增加。这一时期未利用土地面积变化较小，且各类沙化土地均有好转。后10 a间草地面积变幅较小，但其土地沙化好转面积最为突出，其中极重度、重度和中度沙化土地面积减少63.90 km2，占同期沙化土地改善面积的57.70%。
表 4 2000—2020年不同沙化程度下土地利用面积
Table 4. Areas of land use types under different degrees of desertification from 2000 to 2020
土地沙化程度 年份 土地利用面积/km2 耕地 林地 草地 水域 建设用地 未利用土地 极重度沙化 2000 66.06 28.02 101.26 1.20 0.89 42.85 2010 14.66 7.42 46.66 0.71 1.49 4.04 2020 8.59 5.54 28.70 0.56 2.05 4.01 重度沙化 2000 70.36 112.06 182.51 0.93 0.98 42.78 2010 45.43 34.45 140.62 0.69 1.68 15.54 2020 27.19 38.69 100.96 0.67 1.67 11.09 中度沙化 2000 30.01 216.76 126.89 0.56 0.40 38.74 2010 58.97 89.45 170.82 0.84 1.44 22.71 2020 43.02 113.95 164.53 0.94 1.38 24.89 轻度沙化 2000 15.76 177.08 56.77 0.20 0.14 28.69 2010 57.13 219.68 149.25 1.38 1.37 36.30 2020 67.80 250.24 190.02 1.44 1.67 42.04 非沙化 2000 10.57 273.28 26.69 0.02 0.02 3.28 2010 22.54 419.31 70.03 0.36 0.42 20.39 2020 48.69 357.05 94.63 0.78 1.16 21.79 小滦河流域海拔为910~1 868 m，结合沙化土地分布，以200 m为单位划分5个等级，对不同海拔的沙化土地面积进行分析。如图6所示：20 a间小滦河流域各类沙化土地主要分布于海拔1 300~1 500 m。前期土地沙化在海拔1 300~1 500、1 500~1 700和1 100~1 300 m缩减最为明显，其中，海拔1 100~1 300 m以极重度沙化土地减轻为主，1 300~1 500 m以重度沙化减轻为主，1 500~1 700 m以中度沙化面积减少为主，其余海拔范围的沙化好转面积较小。2010—2020年，不同海拔之间极重度、重度沙化土地面积有轻微减少，在海拔1 300~1 500 m，非沙化、轻度沙化土地面积增幅最大。海拔1 500~1 700 m非沙化土地面积减少了57.64 km2，而轻度沙化土地面积增加了30.55 km2，中度沙化土地面积增加了21.49 km2；且分布在海拔1 100~1 300、1 500~1 700 m的土地沙化逆转趋势有所加重，今后需加强治理。
图 6 2000—2020年小滦河流域沙化土地面积分布图
Figure 6. Distribution of different desertified land areas in Xiaoluanhe River Basin from 2000 to 2020
2000—2020年，小滦河流域各土地利用的土地沙化均有不同程度改善。前期(2000—2010年)，土地利用类型的变化面积从大到小依次为草地、未利用土地、林地、耕地。沙化土地改善面积从大到小依次为林地、草地、未利用土地、耕地，林地最为突出。不同海拔范围的沙化改善程度有所不同。后期(2000—2010年)，流域土地利用间的转变幅度较小，主要为耕地、林地转为未利用土地。不同地类的沙化改善速率有所降低，从大到小依次为草地、耕地、未利用土地、林地，以草地、林地作为土地沙化逆向转变的主要地类，沙化逆转趋势加重。
-
本研究表明：小滦河流域土地沙化状况总体向改善的方向发展，主要以轻度、非沙化土地为主，部分土地存在退化趋势，该结论与贾双竹[20]的研究结果相符。从海拔来看，周智勇[32]指出：中高海拔山地、高原的植被覆盖度高，沙化程度改善明显，以轻度和非沙化土地为主。沙化严重区集中在中低海拔区，对应区域植被覆盖较低，是今后需重点关注及治理的区域。此外，依据围场县多年植被景观格局变化特征，对流域沙化景观格局指数进行分析发现：随着流域土地沙化状况的明显改善，景观中小斑块数量减少，连通性有所提高，景观破碎化程度有所减缓。
联系围场县实际情况可知：自20世纪90年代开始实施农业生态工程，退化牧草地、未利用土地被用于林业建设，使林地成为该区域的主要用地类型。从1998年开始，“三北”防护林工程、京津风沙源治理、坝上生态农业建设项目等相继启动，使围场县作为重点治理区域的沙化情况有所好转[33]。适应当地立地条件的林地，对沙化土地的改善具有促进作用，森林根系发达、自身储存水份等特点使该区域土壤中水分较为充足，林冠、枝干可有效减缓风速，通过截留降水进行雨水再分配，凋落物层进一步减轻对土壤的冲刷和侵蚀。研究区通过人工、固沙造林和稀疏林地补植等措施，使沙化有明显改善，表明森林在土地沙化、水土流失等方面作用突出。草地作为小滦河流域沙化改善的主要用地类型，应建设草地保护与修复项目示范区，同时在退化草地区域人工补种优质牧草[34]。这主要因为草地多为连片分布，根系在土壤密集交错，可使沙化程度降低。
后期(2010—2020年)，小滦河流域土地沙化恶化趋势加剧，御道口镇东北部的草地沙化程度存在加重趋势，且中上游存在着林地被转为耕地、牧场南部的林地转变为草地等现象，均导致流域非沙化、轻度沙化等地块恶化。再者，近年来，由于沙化土地改善与当地经济发展并存，尤其是旅游业的发展使流域受人为因素干扰较大，分布于中低海拔区的建设用地、水域面积有轻微增加，进而对流域沙化动态变化有所影响。同时，草场超载放牧、土地退化、土层浅薄导致水土流失，流域局部地区沙化趋势有所加重。今后需结合小滦河流域实际，加强以草地为重点的沙化改善措施，坚持实施退耕还林还草，以中低海拔区作为今后林草建设的重点区域，优化耕地空间格局及治理，将区域生态旅游发展与居民受益紧密联系，同时对农村环境进行综合改善与整治，实现小滦河流域的可持续发展。
-
2000—2020年，小滦河流域土地沙化总体呈好转趋势。其中，极重度、重度沙化土地面积分别减少约80%和56%，集中分布于御道口镇及牧场周边，轻度沙化和非沙化分布于下游地区，后期沙化土地恶化趋势加重。流域沙化斑块在空间分布上趋向于集中，景观破碎化程度持续降低。不同地类的土地沙化均有改善，林地为前期土地沙化改善的主要地类，后期以草地、耕地为主，耕地的沙化状况持续好转，林地出现逆向沙化现象。低海拔区以极重度沙化土地减轻为主，中海拔区以重度沙化减轻为主，高海拔区以中度沙化减少为主。
Temporal and spatial dynamic monitoring of land desertification and landscape pattern evolution characteristics in the Xiaoluan River Basin
-
摘要:
目的 河北省围场满族蒙古族自治县(简称围场县)的小滦河流域位于中国北方典型的农牧交错带，土地沙化问题严重。探究小滦河流域土地沙化变化过程，了解土地利用变化和海拔对土地沙化的影响，为流域土地沙化的防治和山水林田湖草沙综合治理提供理论依据。 方法 基于谷歌地球引擎(Google Earth Engine)和ArcGIS平台分析2000、2010、2020年Landsat系列遥感数据，通过构造归一化植被指数(NDVI)和地表反照率(Albedo)特征空间，建立荒漠化差值指数(DDI)模型，对沙化土地进行程度划分，分析区域土地沙化的时空变化特征。 结果 20 a间小滦河流域土地沙化总体呈好转趋势，极重度、重度沙化土地面积分别减少近80%和56%，流域以轻度沙化、非沙化土地为主，约占流域面积的65%。沙化土地改善速率在后期有所降低，集中分布在塞罕坝林场及小滦河下游。流域沙化景观趋向于集中，景观破碎化程度持续降低。林地、草地的沙化状况改善作用明显，土地沙化程度随海拔升高呈降低趋势。 结论 2000年来小滦河流域土地沙化状况整体有所好转，而御道口镇及牧场等区域存在土地沙化恶化趋势。今后需加强对流域沙化的改善措施，开展精准治沙，进而实现小滦河流域的可持续发展。图6表4参34 -
关键词:
- 土地沙化 /
- 荒漠化差值指数 /
- NDVI-Albedo特征空间 /
- 小滦河流域
Abstract:Objective This study, with an investigation of the process of land desertification changes in the Xiaoluanhe River Basin in Weichang Manchu and Mongolian Autonomous County (Weichang County) of Hebei Province, a typical agricultural-pastoral interlacing zone suffering from a serious problem of land desertification, is aimed to understand the influence of land use changes and elevation on land desertification so as to provide a theoretical basis for the prevention and control of land desertification in the basin and the comprehensive management of mountains, water, forests, lakes, grasses and sands. Method First, Google Earth Engine and ArcGIS platform was utilized to analyse the Landsat series remote sensing data in 2000, 2010 and 2020. Then, the normalized difference vegetation index (NDVI) and surface albedo feature space were constructed to establish the desertification difference index (DDI) model and classify the sandy land in the degree of desertification. Result The past 20 years has witnessed an overall improvement trend in the land of Xiaoluanhe River Basin with the land area of extremely severe and severe desertification decreased by nearly 80% and 56% respectively and light desertification and non-desertification land accounting for about 65% of the basin area. The improvement rate of desertification land decreased in the later stage, and the improved area was concentrated in Saihanba Forest Farm and the lower reaches of Xiaoluanhe River. The desertification landscape in the river basin tended to be concentrated with the degree of landscape fragmentation continuing to decrease. There was an obvious improvement on the desertification for woodland and grassland and the desertification tended to decrease with the increase of altitude. Conclusion Since 2000, the land in the Xiaoluanhe River Basin has improved as a whole in terms of desertification whereas there is a trend of deterioration of land in areas such as the town of Yudaokou and the pastures. Therefore, it is necessary to strengthen measures in the conduct of precision sand control so as to deal with the desertification in the river basin and eventually realize the sustainable development of the Xiaoluanhe River Basin. [Ch, 6 fig. 4 tab. 34 ref.] -
全球气候变化是人类目前面临的最为严峻的挑战，威胁着人类的生存和发展。自工业化时期以来，由于人口大幅增加和经济快速增长，造成了大量人为温室气体排放，成为全球气候变暖的主要诱因。世界气象组织(WMO)最新数据显示，2020年大气二氧化碳(CO2)质量分数高达410 mg·kg−1，比工业革命前增长60%。联合国政府间气候变化专门委员会(IPCC)第6次评估报告指出：从未来20 a的平均气温变化来看，全球升温预计将达1.5 ℃。目前，应对气候变化已成为全球共识，减少温室气体排放是缓解全球气候变暖的有效途径[1]。在此背景下，中国政府在2020年第75届联合国大会上向世界承诺，力争于2030年前实现CO2排放达到峰值，努力争取2060年前实现碳中和。碳达峰碳中和(“双碳”)是一场广泛而深刻的经济社会系统性变革，碳达峰碳中和目标纳入中国生态文明建设整体布局，上升为国家战略。种植业是实现碳达峰碳中和目标的重要领域之一。与其他行业不同，种植业既是重要的温室气体排放源，又有着巨大的固碳增汇潜力，推进种植业领域减排增汇将在实现碳达峰碳中和目标进程中发挥举足轻重的作用[2−3]。本研究针对种植业碳达峰碳中和目标的实现途径进行梳理总结，并提出进一步的见解，从而为种植业助力国家实现碳达峰碳中和目标提供理论支撑和科学建议。
1. 种植业碳源、碳汇特征
种植业生态系统不仅是碳源同时也是碳汇。一方面，种植业生产活动会导致包括CO2、氧化亚氮(N2O)和甲烷(CH4)在内的温室气体排放，这部分温室气体约占全球碳排放总量的25%[4−5]。另一方面，种植业中的农田、森林和草地等生态系统通过光合作用进行生物固碳，每年固碳量能抵消全球30%的人为碳排放量[6−7]。可见种植业减排增汇是应对全球气候变暖，实现碳达峰碳中和目标不可或缺的重要组成部分。
1.1 种植业是重要的温室气体排放源
种植业是非二氧化碳温室气体(N2O和CH4)的主要排放源，在100 a时间尺度上，N2O和CH4的全球增温潜势分别是CO2的298和34倍[8]。全球人为温室气体排放量在过去几十年显著增加，其中种植业N2O排放占全球人为N2O排放总量的60%以上[9]，种植业CH4排放贡献了全球人为CH4排放量的10%左右[10]。
N2O是硝化和反硝化作用的主要产物。硝化作用是指还原态氮[铵离子(NH4 +)、氨气(NH3)和有机氮(RNH2)]在微生物作用下变为氧化态氮[硝酸根(NO3 −)和亚硝酸根(NO2 −)]的过程。N2O是还原态氮在硝化微生物作用下被氧化为氧化态氮过程中产生的副产物。通常情况下，反硝化作用是指在厌氧条件下，NO3 −或NO2 −被硝化微生物还原为一氧化氮(NO)和N2O，然后进一步被还原为氮气(N2)的过程。反硝化过程是将自然界的活性氮转变为惰性氮的过程，因此反硝化过程对维持大气氮素平衡具有很重要的意义。农田土壤是最大的N2O排放源。过量施用氮肥造成土壤N2O排放增加，是导致大气N2O质量分数上升的主要因素。由于过量施用氮肥导致的土壤N2O排放量约为3.3 Tg·a−1，占全球人为N2O排放总量的65%[8]。同时，土壤N2O排放受土壤水分状况的影响，淹水稻田在中期烤田期会强烈刺激N2O的排放。近年来，随着全球水资源短缺以及节水灌溉措施的快速发展，节水灌溉稻田成为农业N2O新的排放源[11−12]。此外，农作物秸秆不完全焚烧也会产生N2O，但数量极少。
CH4主要在厌氧环境条件下产生，它的种植业排放源主要包括：一是长期处于淹水条件下的稻田，土壤中的产甲烷菌利用有机物料(如根系分泌物、动植物残体以及有机肥等)产生CH4，进而排放到大气中[13−14]。稻田CH4排放量受到土壤水肥管理措施以及土壤有机质的影响。在一定范围内，稻田淹水高度越大，土壤中有机质越多，CH4排放量越大。二是作物秸秆不完全焚烧也会产生CH4。
除了上述直接排放，种植业生产过程中还会有大量的间接碳排放。农作物种植过程中使用的农机、农药、化肥和农膜等农业投入品在制造过程中也会排放大量温室气体[15−16]。有研究报道：农用柴油、农药、化肥和农膜等农业生产资料引起的间接排放占中国农业温室气体排放总量的34%[17]。根据《中国农村统计年鉴》，1990年以来，中国农用柴油、农药、化肥和农膜等的投入量分别上升了115%、131%、137%和440%，由此导致农业间接温室气体排放量以年均2%的速度增长[18]。
1.2 种植业具有巨大的碳汇潜力
种植业碳汇主要指农田土壤碳汇。土壤碳库是地球陆地生态系统中最大的碳库，其碳储量约为陆地植被碳库或大气碳库的2~4倍[19]。土壤具体是如何固碳的呢？土壤固定的碳最初都来源于大气。首先，植物通过光合作用将大气中CO2转化为有机物质，然后有机物质内的碳通过根系分泌物、死亡的根系以及枝叶凋落物进入土壤，并在土壤微生物的作用下，转化为土壤有机质储存于土壤中，形成土壤碳库。简单来说，土壤可以通过植物来吸收、转化、储存大气中的CO2。《第二次气候变化国家评估报告》指出：中国土壤碳库碳储量约为103 Pg。土壤碳库的微弱变化都有可能引起大气CO2浓度的巨大变化，从而影响全球气候变化。目前，中国农业发展水平较低，农田土壤固碳增汇潜力巨大。中国总耕地面积大约为1.3 亿hm2，土壤碳库尤其是主要农业区表层土壤有机碳质量分数较低。根据《2019年全国耕地质量等级情况公报》，全国耕地质量平均等级为4.76等，中低等级耕地占2/3以上，耕作层变浅、土壤退化以及耕地质量普遍较低是中国农业耕地的现状。全国耕地平均有机碳质量分数低于世界平均值30%以上，低于欧美等发达国家和地区50%以上[20]。美国著名土壤学家LAL[21]研究发现：美国土壤每年固碳潜力为7.5~20.8 Gg，中国农田土壤固碳潜力为22.0~37.0 Tg。在所有的碳中和负碳技术中，土壤固碳被公认为是成本最低、最具有潜力、最易实现和操作的，能有效冲抵能源、交通、工业等领域的碳排放。因此，只要技术合理，农田土壤固碳增汇潜力巨大，是实现中国碳达峰碳中和目标的重要支撑。
2. 种植业减排增汇途径
2.1 种植业减排途径与措施
2.1.1 农田土壤N2O减排
农田土壤N2O减排可采用减少氮肥施用、优化施肥模式、使用新型肥料(如全元生物有机肥、生物质炭基肥)和抑制剂(如缓控释肥、硝化抑制剂)、提高水肥耦合等措施，在增加作物产量的同时，有效减少N2O排放，提高氮肥利用效率，降低肥料投入成本，实现增产与减排协同。李玥等[22]指出：合理施氮是农田土壤N2O减排的关键，并提出“4R”的施肥理念，即正确的施肥量、正确的肥料类型与配比、正确的施肥时间和正确的施肥方法。尽管有机肥施用存在增加土壤N2O排放的风险[23]，但在合理施氮情况下利用有机肥部分替代化学氮肥既可以提高土壤肥力，改善土壤性状，又可以通过减少土壤氮底物有效性而降低农田土壤N2O排放[24−25]。生物质炭基肥是将生物质炭与氮磷钾肥按照特定比例混合后造粒包膜制成，可以替代普通化肥施用，同时增施了有机质。大田试验研究表明：生物质炭基肥替代化学肥料可有效减少农田N2O排放17%~64%[26]，部分试验结果还显示可减少稻田CH4排放[27−28]。硝化抑制剂可以通过降低硝化速率实现农田土壤N2O减排。目前市面上常见的硝化抑制剂有3,4-二甲基磷酸盐(DMPP)、双氰胺(DCD)和四氮本啶(nitrapyin)等。施用硝化抑制剂可降低38%的农田土壤N2O排放，但不同地区土壤和硝化抑制剂种类的减排效果存在显著差异[29]。研究表明：施用硝化抑制剂可分别降低旱作农田和稻田N2O排放46%和32%[30−31]。为了农田N2O减排，在考虑肥料施用的同时也要关注土壤水分状况，不同水分条件对土壤N2O排放影响较大。李金秋等[32]通过田间试验发现：施肥和水分管理均显著影响双季稻田N2O排放，常规灌溉和尿素施用增加稻田N2O排放，而常规灌溉管理和有机肥配施化肥模式，既能保证水稻产量，又能实现减氮和减排效果，是当地值得参考的水肥管理模式。因此，今后的农田N2O减排也要综合考虑多方面因素，制定和开展减排措施。
2.1.2 稻田CH4减排
稻田CH4减排可采用中期排水烤田、控制灌溉以及湿润灌溉等节水灌溉水分管理措施来实现[33−35]。节水灌溉在减少稻田CH4排放的同时，可能会刺激土壤N2O排放。作物秸秆还田和有机肥施用可减少土壤N2O排放，但外源有机物质的添加会加剧CH4排放。因此，只有将优化施肥模式与节水灌溉措施相结合，才有可能减少稻田综合温室气体排放。就水旱轮作农田生态系统而言，如水稻Oryza sativa-小麦Triticum aestivum轮作、水稻-油菜Brassica napus轮作，可采取在旱作生长季施用有机肥或秸秆还田，既可以提高土壤碳库储量，又可以避免有机物质的添加造成的稻田CH4排放[36]。有研究表明：施用CH4抑制剂、生物质炭或生物质炭基肥等新型肥料，可作为降低稻田CH4排放的有效手段，是种植业固碳减排协同技术的发展新方向[37−38]。同时，还可利用先进的作物遗传育种手段，选育推广高产、优质、低碳水稻品种，降低水稻单产CH4排放强度。
2.1.3 种植业间接碳排放减排
针对种植业生产造成的间接碳排放，实施化石能源消耗减量措施，主要包括对种植业生产中机械设备进行更新改造，加快老旧农机报废更新力度，推广先进适用的低碳节能农机装备，推广新能源技术，优化农机装备结构，加快绿色、智能、复式、高效农机化技术装备普及应用，降低化石能源消耗和CO2排放[39−40]。以粮食和重要农产品生产所需农机为重点，推进节能减排。实施更为严格的农机排放标准，减少废气排放。因地制宜发展复式、高效农机装备和电动农机装备，培育壮大新型农机服务组织，提供高效便捷的农机作业服务，减少种子、化肥、农药、水资源用量，提升作业效率，降低能源消耗。加快侧深施肥、精准施药、节水灌溉、高性能免耕播种等机械装备推广应用，大力示范推广节种、节水、节能、节肥、节药的农机化技术。实施农机报废更新补贴政策，加大能耗高、排放高、损失大、安全性能低的老旧农机淘汰力度。
2.2 种植业固碳增汇途径与措施
2.2.1 有机肥施用和秸秆还田
一方面，施用有机肥可以促进作物根系发育，在微生物的作用下能固定更多的CO2，且土壤团聚体稳定性显著增强，可以减少土壤中碳的损失。另一方面，有机肥施用可以提高土壤有机质质量分数。土壤有机质既有易被微生物利用的不稳定态，又包括与土壤健康密切相关的稳定态的可以长期储存碳的腐殖质。有机肥的类型、用量、配施等都会影响土壤固碳效果[41]。研究表明：长期施用有机肥可显著提高双季稻田碳汇效应与经济效益，绿肥紫云英Astragalus sinicus与猪粪和秸秆配施，稻田生态系统碳汇效益与经济效益较单施绿肥紫云英优势更明显。有机肥和无机肥配施可以增加土壤有机碳的积累。有机农业生态系统土壤有机碳比常规生态系统高20%，在前15 a土壤碳存储速率最高。秸秆还田是通过秸秆粉碎抛撒、机械还田，配套应用调氮促腐技术，将碳保留在土壤中，增加土壤有机质，减少化肥施用量，具有减肥增产、固碳、降污多重效果[42]。
2.2.2 大力推广保护性耕作
保护性耕作是对农田采用少耕、免耕或地表微型改造，结合覆盖、轮作、农药病虫害防除等措施，确保耕地可持续利用的综合性土壤管理技术体系。保护性耕作可以减少对土壤的扰动，降低土壤侵蚀，促进蓄水保墒，提高表层土壤有机碳质量分数，增强土壤固碳增汇能力[43]。相比自然植被，农业种植导致土壤有机碳显著降低，农田表层土壤的有机碳储量较草地和林地土壤分别降低45%和52%，这是由于农业耕作显著加速了不稳定颗粒有机质的周转，减少了稳定有机碳组分的形成，从而导致土壤有机碳库储量明显下降[44]。另外，土壤翻耕会破坏土壤团聚体结构、加速有机质分解，风和水的侵蚀增强，导致暴露和侵蚀的土壤中的碳以温室气体的形式排放到大气中。犁耕的碳排放量是免耕的14倍，即使采用保护性耕作机具，碳损失量也达到免耕的4倍[45]。因此，从常规深耕转向少耕或免耕可改善土壤结构、减少碳排放，增加土壤有机碳储量。在秸秆还田的基础上，免耕可显著提高表层土壤有机碳质量分数。
2.2.3 种植业废弃物热解炭化还田
中国种植业废弃物资源化利用仍处于起步阶段，农作物秸秆资源化利用是种植业废弃物资源化工作的重大挑战。目前，中国种植业废弃物常见的利用方式主要包括农作物秸秆还田和好氧堆肥还田。这些利用方式虽然可以小幅度增加土壤碳库，但是其生产或应用环节同样会造成大量温室气体排放[46]。因此，种植业废弃物的利用应基于种植业增汇和减排双重考虑。与秸秆直接还田和好氧堆肥等方式相比，废弃物热解炭化既充分保留了废弃物中的有机质和各种养分，又实现废弃物的多元、清洁和安全利用。热解炭化的主要产物生物炭质是一种富含稳定有机质和矿质养分的多组分固体炭质，具有稳定、疏松多孔且环境友好的特点[47]。利用不同性质的种植业废弃物热解炭化，可充分挖掘其养分、炭质和结构的优势，创造清洁高效、安全卫生和功能丰富的炭基产品。种植业废弃物热解炭化后还田，可以将作物光合作用固定的碳返还并长期保存于土壤，补充土壤有机碳和养分的同时能有效改善土壤结构，平衡土壤酸碱度，提升土壤缓冲性和保肥蓄水能力，为土壤固碳增汇和种植业绿色发展提供了新路径[37]。2017年，秸秆炭化还田被列入国家十大秸秆处理模式之一。2020—2021年，秸秆炭化还田入围农业农村部重大引领性技术榜单。
3. 碳标签与碳交易
实现种植业碳中和不仅需要上述传统的技术创新途径，还需要依靠新兴的经济金融手段——碳标签与碳交易。在全球绿色低碳发展的环境和经济背景下，世界农业也已进入可持续发展的低碳农业经济时代，碳标签、碳足迹和碳交易这些新兴概念应运而生。碳足迹是产品在整个生命周期内的温室气体排放总量，一般用CO2当量形式表达[48]。将碳足迹展现于产品标签之上，即碳标签。碳标签既是碳足迹的延伸也是碳足迹的载体。碳标签的主要作用是呈现产品或服务对全球变化影响的信息，把产品或服务从生产到消耗整个生命周期过程中的碳足迹在产品标签上用量化的数值标示出来。消费者可通过产品碳标签了解产品整个生命周期中的碳排放信息，引导消费者选购更加低碳绿色的产品和服务，促使企业采用各种减排措施减少碳排放，从而促进低碳社会的发展[49]。碳标签制度将自下而上地推动中国碳减排工作由强制到自愿的转变。这一新工具的产生运作必然推动中国向低碳经济发展。产品碳足迹计算是农产品碳标签制度推行的关键，作为企业应适应国际规则，积极发展低碳经济；作为消费者应培养低碳意识，养成环境友好型消费习惯；作为政府应积极扶持，助力企业产品向低碳化和标签化发展。目前应结合国家碳中和战略目标，加快推进特色农产品碳标签制度进程，促进低碳种植业的发展，助推种植业碳中和。
碳交易以可持续发展为核心，以配额交易及核证自愿减排量(CCER)交易为主要内容，充分利用市场经济对绿色发展所发挥的重要作用，不同类型企业根据自身碳排放情况对规定的碳排放配额进行配置，或用于自身发展需要，或用于市场交易，最终形成宏观和微观相结合的有重点、多层次碳排放交易格局。现阶段，中国碳交易机制具有全国交易系统与试点地区交易所相结合、行业要求与排量要求相结合、排放配额与自愿减排量相结合等特点。中国碳交易市场已有长足发展，但目前种植业碳交易特别是农田土壤碳汇交易尚处于起步阶段。在实现种植业碳中和战略目标的过程中，碳交易是不可或缺的一部分。应积极推动形成政府主导、社会参与、市场化运作的种植业碳交易体系，在保障国家粮食安全与重要农产品有效供给的同时，降低碳排放、增加碳汇，并使农民在碳排放交易中的得到更多红利，最终形成与资源环境承载力相匹配，与生产生活生态相协调的种植业低碳发展新格局。
4. 政策建议
实施种植业碳达峰碳中和要以全面推进乡村振兴、加快农业农村现代化为引领，以绿色低碳科技创新为支撑，以降低温室气体排放强度、提高农田土壤固碳增汇能力、实施农业废弃物资源化利用为抓手，全面提升农业综合生产能力，建立完善监测评估体系，完善政策保障机制，加快形成资源节约型和环境友好型的农业产业结构、生产方式和空间格局。
第一，追求种植业碳达峰碳中和战略目标必须以保障粮食安全为前提。中国是人口大国，粮食安全具有重大意义，所以必须充分认识到种植业减排增汇必须以保障国家粮食安全和重要农产品有效供给为前提，科学确定减排增汇途径，合理设定碳排放峰值。种植业领域的特殊性要求不能舍弃粮食产量去偏面追求种植业减排增汇。在稳步推进田间减排的同时，要努力挖掘种植业生产过程中节能减排的潜力，大力推广先进环保节能新农具，通过提高种植业生产环节的智能化、精准化水平，降低农业投入品的使用量，从而降低能源消耗。
第二，重点围绕农作物秸秆资源化利用，加快推进种植业废弃物热解炭化还田。全球气候变化背景下中国种植业面临耕地质量与农产品安全的巨大挑战，数十亿吨的种植业废弃物处置与资源化利用任务艰巨。在应对气候变化挑战时，应充分挖掘种植业废弃物资源，政府提供技术和资金扶持，发展以热解炭化为基础的生物质技术与产业，满足国家绿色可持续农业发展与种植业减排增汇需求。未来需要积极开发创新热解炭化装备、炭基肥料、炭基材料等技术方法，推动炭基集成技术与产业模式的大规模推广，提高种植业生产者的参与积极性，不断释放种植业助力碳中和的潜力。
第三，加快技术创新，加强创新能力保障。在国家碳达峰碳中和的战略目标背景下，需要更大力度的技术创新。支持部分基础条件好、特色鲜明的综合性高校和行业高校，先行建设一批碳达峰碳中和领域新学院、新学科和新专业，鼓励自然科学与社会科学的交叉融合研究，培养碳达峰碳中和战略复合型人才。推动高校参与或组建碳达峰碳中和相关的国家重点实验室和国家技术创新中心，引导高等学校建设一批高水平国家科研平台。鼓励高校实施碳中和交叉学科人才培养专项计划，大力支持跨学院、跨学科组建科研和人才培养团队，以大团队、大项目支撑高质量本科生和研究生多层次培养。鼓励高校加强碳达峰碳中和领域高素质师资队伍建设。加大碳达峰碳中和领域课程、教材等教学资源建设力度。同时出台针对农业碳达峰碳中和的法律法规，制定相应的技术标准，组织和建立研究机构和研究平台，投入资金和科研力量，加快技术创新，研发颠覆性技术，探索区域化的整体解决方案。
第四，充分发挥政策驱动作用，加快建设种植业碳交易市场，充分挖掘种植业减排增汇的经济价值，着力提升市场内生动力。目前，种植业碳金融市场建设缓慢，与工业行业日趋成熟的碳排放核算方法相比，低碳种植业领域仍缺乏具有权威性、一致性、可操作性的碳排放核算方法。通过构建完善种植业碳标签评估标准和种植业碳排放核算方法，强化种植业碳补贴等方式，加强对种植业碳减排的政策引导，推动数字科技在金融支持种植业碳减排领域中的创新应用。在推进种植业碳交易市场扩大的过程中，政府应做好统一碳市场的顶层设计，以防止不良竞争，保证政策的可执行性及有效性；构建种植业低碳发展政策体系，制定低碳种植业发展的正负面清单，探索种植业生态产品价值实现机制，优化、创设包括法律法规、规范标准、生态补偿、监测预警、财政税收、金融信贷等多种类型政策工具，为中国种植业低碳发展提供长效规制、约束与激励。
-
图 2 Albedo-NDVI特征空间散点图及线性方程
Figure 2 Albedo-NDVI feature space scatter plot and linear equation
图 3 基于荒漠化差值指数的小滦河流域土地沙化时空分布示意图
Figure 3 Spatial and temporal distribution map of land desertification in Xiaoluanhe River Basin based on desertification difference index
图 4 小滦河流域沙化土地变化矩阵弦图
Figure 4 Matrix of desertification land change of the Xiaoluanhe River Basin
图 5 2000—2020年研究区土地沙化时空格局变化示意图
Figure 5 Changes in the spatial and temporal pattern of land desertification of the Xiaoluanhe River Basin from 2000 to 2020
图 6 2000—2020年小滦河流域沙化土地面积分布图
Figure 6 Distribution of different desertified land areas in Xiaoluanhe River Basin from 2000 to 2020
表 1 小滦河流域沙化土地分类精度评价混淆矩阵
Table 1. Confusion matrix of sandy land classification accuracy evaluation in Xiaoluanhe River Basin
年份 实际值 预测值 样本点
总数非沙化 轻度
沙化中度
沙化重度
沙化极重度
沙化2000 非沙化 29 3 1 0 0 33 轻度 2 75 4 2 1 84 中度 1 6 39 11 2 59 重度 1 4 7 53 5 70 极重度 0 1 2 5 46 54 总体精度/% 80.67 Kappa系数 0.753 2010 非沙化 22 5 4 2 0 33 轻度 2 78 3 1 0 84 中度 2 3 43 9 2 59 重度 1 1 4 58 6 70 极重度 0 0 1 1 52 54 总体精度/% 84.33 Kappa系数 0.800 2020 非沙化 27 4 1 1 0 33 轻度 2 71 6 5 1 85 中度 3 4 47 2 3 59 重度 1 4 2 54 9 70 极重度 1 2 4 7 39 53 总体精度/% 79.33 Kappa系数 0.737 
下载: 导出CSV
表 2 2000—2020年小滦河流域沙化土地动态变化特征
Table 2. Characteristics of land desertification dynamic change in the Xiaoluan River Basin from 2000 to 2020
土地沙化程度 2000年 2010年 2020年 面积/km2 占比/% 面积/km2 占比/% 2000—2010动态度/% 面积/km2 占比/% 2010—2020动态度/% 极重度 240.28 14.51 74.97 4.53 −6.88 49.45 2.99 −3.40 重度 409.62 24.74 238.41 14.40 −4.18 180.28 10.89 −2.44 中度 413.35 24.96 344.22 20.79 −1.67 348.70 21.06 0.13 轻度 278.64 16.83 465.11 28.09 6.69 553.22 33.41 1.89 非沙化土地 313.86 18.96 533.04 32.19 6.98 524.10 31.65 −0.17 总计 1 655.75 100.00 1655.75 100.00 1655.75 100.00
下载: 导出CSV
表 3 2000—2020年小滦河流域土地沙化景观水平的景观格局指数变化
Table 3. Changes of landscape pattern index of land desertification landscape level in Xiaoluanhe River Basin from 2000 to 2020
年份 面积周长维数 蔓延度指数 凝聚度指数 分离度指数 香农多样性指数 香农均匀度指数 聚集度指数 2000 1.514 26.145 98.323 0.989 1.587 0.986 72.953 2010 1.512 31.776 97.879 0.991 1.467 0.912 75.228 2020 1.494 34.360 98.357 0.988 1.405 0.873 76.542
下载: 导出CSV
表 4 2000—2020年不同沙化程度下土地利用面积
Table 4. Areas of land use types under different degrees of desertification from 2000 to 2020
土地沙化程度 年份 土地利用面积/km2 耕地 林地 草地 水域 建设用地 未利用土地 极重度沙化 2000 66.06 28.02 101.26 1.20 0.89 42.85 2010 14.66 7.42 46.66 0.71 1.49 4.04 2020 8.59 5.54 28.70 0.56 2.05 4.01 重度沙化 2000 70.36 112.06 182.51 0.93 0.98 42.78 2010 45.43 34.45 140.62 0.69 1.68 15.54 2020 27.19 38.69 100.96 0.67 1.67 11.09 中度沙化 2000 30.01 216.76 126.89 0.56 0.40 38.74 2010 58.97 89.45 170.82 0.84 1.44 22.71 2020 43.02 113.95 164.53 0.94 1.38 24.89 轻度沙化 2000 15.76 177.08 56.77 0.20 0.14 28.69 2010 57.13 219.68 149.25 1.38 1.37 36.30 2020 67.80 250.24 190.02 1.44 1.67 42.04 非沙化 2000 10.57 273.28 26.69 0.02 0.02 3.28 2010 22.54 419.31 70.03 0.36 0.42 20.39 2020 48.69 357.05 94.63 0.78 1.16 21.79
下载: 导出CSV
-
[1] 王涛. 中国沙漠与沙漠化[M]. 石家庄: 河北科学技术出版社, 2003: 13 − 16. WANG Tao. Deserts and Aeolian Desertification in China [M]. Shijiazhuang: Hebei Science & Technology Press, 2003: 13 − 16. [2] 徐玲玲, 延昊, 钱拴. 基于MODIS-NDVI的2000—2018年中国北方土地沙化敏感性时空变化[J]. 自然资源学报, 2020, 35(4): 925 − 936. XU Lingling, YAN Hao, QIAN Shuan. Spatio-temporal change of land desertification sensitivity in northern China from 2000 to 2018 based on MODIS-NDVI [J]. Journal of Natural Resources, 2020, 35(4): 925 − 936. [3] 屠志方, 李梦先, 孙涛. 第五次全国荒漠化和沙化监测结果及分析[J]. 林业资源管理, 2016(1): 1 − 5, 13. TU Zhifang, LI Mengxian, SUN Tao. The status and trend analysis of desertification and sandification [J]. Forest Resources Management, 2016(1): 1 − 5, 13. [4] 王旭, 刁兆岩, 郑志荣, 等. 中蒙毗邻草原区荒漠化时空动态研究[J]. 环境科学研究, 2021, 34(12): 2935 − 2944. WANG Xu, DIAO Zhaoyan, ZHENG Zhirong, et al. Temporal and spatial dynamics of desertification in adjacent steppe of China and Mongolia [J]. Research of Environmental Sciences, 2021, 34(12): 2935 − 2944. [5] 吴盈盈, 王振亭. 疏勒河中下游土地荒漠化敏感性评估[J]. 中国沙漠, 2022, 42(4): 163 − 171. WU Yingying, WANG Zhenting. Desertification sensitivity assessment in the middle and lower reaches of the Shule River Basin [J]. Journal of Desert Research, 2022, 42(4): 163 − 171. [6] 王云霞, 张红. 基于改进沙丘活动指数的晋北地区土地沙化风险动态分析[J]. 干旱区资源与环境, 2019, 33(5): 95 − 100. WANG Yunxia, ZHANG Hong. Analysis on the dynamics of desertification risk based on improved dune mobility index in north Shanxi Province [J]. Journal of Arid Land Resources and Environment, 2019, 33(5): 95 − 100. [7] MENG Xiaoyu, GAO Xin, LI Sen, et al. Monitoring desertification in Mongolia based on landsat images and Google Earth Engine from 1990 to 2020 [J]. Ecological Indicators, 2021, 129(1): 107 − 908. [8] 魏怀东, 高志海, 丁峰. 甘肃省民勤县土地荒漠化动态监测研究[J]. 水土保持学报, 2004, 18(2): 32 − 36. WEI Huaidong, GAO Zhihai, DING Feng. Research on desertification dynamic monitor in Minqin County [J]. Journal of Soil and Water Conservation, 2004, 18(2): 32 − 36. [9] 徐梦珍, 李艳富, 李志威, 等. 三江源风沙活动区沙漠化风险与风动沙含量关系[J]. 清华大学学报(自然科学版), 2017, 57(4): 337 − 344. XU Mengzhen, LI Yanfu, LI Zhiwei, et al. Relationship between the desertification risk index and blowing sand content of typical aeolian erosion in Sanjiangyuan [J]. Journal Tsinghua University (Science and Technology), 2017, 57(4): 337 − 344. [10] KUANG Qian, YUAN Quanzhi, HAN Jichong, et al. A remote sensing monitoring method for alpine grasslands desertification in the eastern Qinghai-Tibetan plateau [J]. Journal of Mountain Science, 2020, 17(6): 1423 − 1437. [11] 赵文博, 冯莉莉, 赵安周, 等. 河北省2000—2017年荒漠化的时空演变及其气候驱动因子[J]. 水土保持通报, 2020, 41(4): 252 − 259. ZHAO Wenbo, FENG Lili, ZHAO Anzhou, et al. Spatial and temporal evolution of desertification and its driving factors of climate in Hebei Province [J]. Bulletin of Soil and Water Conservation, 2020, 41(4): 252 − 259. [12] 拉巴, 扎西欧珠, 白玛央宗, 等. 基于MODIS数据的西藏荒漠化遥感监测研究[J]. 气象与环境科学, 2019, 42(4): 39 − 46. La Ba, Zhaxi Ouzhu, Baima Yangzong, et al. Study on remote sensing monitoring of desertification in Tibet based on MODIS data [J]. Meteorological and Environmental Sciences, 2019, 42(4): 39 − 46. [13] 潘竟虎, 秦晓娟. 基于植被指数-反照率特征空间的沙漠化信息遥感提取——以张掖绿洲及其附近区域为例[J]. 测绘科学, 2010, 35(3): 93 − 95. PAN Jinghu, QIN Xiaojuan. Extracting desertification from landsat imagey using a feature space composed of vegetation index and albedo: a case study of Zhangye oasis and its adjacent areas [J]. Science of Surveying and Mapping, 2010, 35(3): 93 − 95. [14] MA Zongyi, XIE Yaowen, JIAO Jizong, et al. The construction and application of an Aledo-NDVI based desertification monitoring model [J]. Procedia Environmental Sciences, 2011, 10: 2029 − 2035. [15] VOROVENCII I. Applying the change vector analysis technique to assess the desertification risk in the south-west of Romania in the period 1984−2011 [J/OL]. Environmental Monitoring & Assessment, 2017, 189(10): 524[2022-11-01]. doi:10.1007/s10661-017-6234-6. [16] WEI Haishuo, WANG Juanle, CHENG Kai, et al. Desertification information extraction based on feature space combinations on the Mongolian plateau [J/OL]. Remote Sensing, 2018, 10(10): 1614[2022-11-01]. doi: 10.3390/rs10101614. [17] GOU Fen, LIANG Wei, SUN Shaobo, et al. Analysis of the desertification dynamics of sandy lands in northern China over the period 2000−2017 [J]. Geocarto International, 2020, 36: 1938 − 1959. [18] 刘晓茜, 解云虎, 海春兴. 基于荒漠化差值指数的荒漠绿洲过渡带土地沙化研究[J]. 内蒙古师范大学学报(自然科学汉文版), 2020, 49(1): 59 − 67. LIU Xiaoxi, XIE Yunhu, HAI Chunxing. Study on land desertification in desert-oasis ecotone based on desertification difference Index [J]. Journal of Inner Mongolia Normal University (Natural Science Edition), 2020, 49(1): 59 − 67. [19] 张笑千, 王波, 王夏晖. 基于“山水林田湖草”系统治理理念的牧区生态保护与修复——以御道口牧场管理区为例[J]. 环境保护, 2018, 46(8): 56 − 59. ZHANG Xiaoqian, WANG Bo, WANG Xiahui. The realizing route of ecological safety in pastoral areas based on mountains, rivers, forest, farmland, lakes, and grassland systemic treatment: take Yudaokou pasture as an example [J]. Environmental Protection, 2018, 46(8): 56 − 59. [20] 贾双竹. 基于3S的承德典型区域沙化土地格局变化及驱动力分析[D]. 保定: 河北农业大学, 2018. JIA Shuangzhu. 3S-Based Analysis on Patterns and Driving Forces of Desertification Land in Typical Areas of Chengde [D]. Baoding: Hebei Agricultural University, 2018. [21] 王占亮, 卫晓锋, 魏浩, 等. 河北坝上小滦河流域不同沉积单元粒度特征及其荒漠化的影响[J]. 矿产勘查, 2021, 12(4): 1000 − 1007. WANG Zhanliang, WEI Xiaofeng, WEI Hao, et al. The grain size characteristics of different sedimentary units and the effects of desertification in the Xiaoluan River basin in Bashang, Hebei [J]. Mineral Exploration, 2021, 12(4): 1000 − 1007. [22] 郭米山. 河北省围场县小滦河流域生态规划与典型设计[D]. 北京: 北京林业大学, 2016. GUO Mishan. Ecological Planning and Typical Project Design of Xiaoluanhe River in Weichang County, Hebei Province [D]. Beijing: Beijing Forestry University, 2016. [23] MENG Chunlei. Surface Albedo assimilation and its impact on surface radiation budget in Beijing [J]. Advances in Meteorology, 2020, 8: 312 − 451. [24] LIANG Shunlin. Narrowband to broadband conversions of land surface Albedo I Algorithms [J]. Remote Sensing of Environment, 2001, 76(2): 213 − 238. [25] 曾永年, 向南平, 冯兆东, 等. Albedo-NDVI特征空间及沙漠化遥感监测指数研究[J]. 地理科学, 2006, 26(1): 75 − 81. ZENG Yongnian, XIANG Nanping, FENG Zhaodong, et al. Albedo-NDVI space and remote sensing synthesis index models for desertification monitoring [J]. Scientia Geographica Sinica, 2006, 26(1): 75 − 81. [26] 马雄德, 范立民, 张晓团, 等. 基于遥感的矿区土地荒漠化动态及驱动机制[J]. 煤炭学报, 2016, 41(8): 2063 − 2070. MA Xiongde, FAN Limin, ZHANG Xiaotuan, et al. Dynamic change of land desertification and its driving mechanism in Yushenfu mining area based on remote sensing [J]. Journal of China Coal Society, 2016, 41(8): 2063 − 2070. [27] 李金亚. 科尔沁沙地草原沙化时空变化特征遥感监测及驱动力分析[D]. 北京: 中国农业科学院, 2014. Li Jinya. Spatio-temporal Variations and its Driving Factors of the Grassland Sandy Desertification in the Horqin Sand Land Based on Remote Sensing [D]. Beijing: Chinese Academy of Agricultural Sciences, 2014. [28] WANG Fang, GE Quangsheng, WANG Shaowu, et al. A new estimation of urbanization's contribution to the warming trend in China [J]. Journal of Climate, 2015, 28(22): 8923 − 8938. [29] 林国敏, 蔡宏, 康文华, 等. 赤水河中上游坡景观特征动态变化研究[J]. 生态科学, 2019, 38(5): 151 − 159. LIN Guomin, CAI Hong, KANG Wenhua, et al. The study on dynamic change of the hillsides landscape feature in the middle and upper reaches of Chishui River [J]. Ecological Science, 2019, 38(5): 151 − 159. [30] 邬建国. 景观生态学——格局、过程、尺度与等级[M]. 北京: 高等教育出版社, 2000. WU Jianguo. Landscape Ecology Pattern, Process, Scale and Hierarchy [M]. Beijing: Higher Education Press, 2000. [31] HAN Lanying, ZHANG Zhengcai, ZHANG Qiang, et al. Desertification assessments in the Hexi corridor of northern China’s Gansu Province by remote sensing [J]. Natural Hazards, 2015, 75(3): 2715 − 2731. [32] 周智勇. 基于Landsat遥感影像的围场县植被覆盖时空格局变化[J]. 水文地质工程地质, 2020, 47(6): 81 − 90. ZHOU Zhiyong. Change in temporal-spatial pattern of vegetation coverage in Weichang County based on landsat remote sensing image [J]. Hydrogeology & Engineering Geology, 2020, 47(6): 81 − 90. [33] 彭博. 河北坝上沙化区土地利用格局对沙化程度影响研究[D]. 保定: 河北农业大学, 2019. PENG Bo. Study on the Influence of Land Use Pattern on Desertification Degree in the Desertification Area of Bashang, Hebei Province [D]. Baoding: Hebei Agricultural University, 2019. [34] 王波, 王夏晖. 推动山水林田湖生态保护修复示范工程落地出成效——以河北围场县为例[J]. 环境与可持续发展, 2017, 42(4): 11 − 14. WANG Bo, WANG Xiahui. Promote the demonstration project of ecological protection and restoration of mountains, rivers, forests, farmland and lakes implementation and improve its effectiveness, based on Weichang County, Hebei Province [J]. Environment and Sustainable Development, 2017, 42(4): 11 − 14. 期刊类型引用(5)
1. 杨聪，李燕琼. 四川省水稻碳排放量测算及减排对策. 农村经济与科技. 2024(13): 12-15 . 
百度学术2. 黄炜，张虹影，肖相泽，林朗，王诚. 当前农产品碳标识实施困境及推广路径探讨. 浙江农林大学学报. 2024(05): 909-918 . 本站查看3. 李文寒，柳飞扬，张梦，顾蕾，周国模. 浙江省种植业碳排放时空演变规律及驱动因素分析. 浙江农林大学学报. 2024(05): 898-908 . 本站查看4. 谈昕，汪祥忠，陈颖，吴萱，罗京，张琴，李艳宾，盛烨泉. 低共熔溶剂分离木质纤维组分的研究进展. 应用化工. 2024(10): 2468-2471 . 百度学术5. 林旭，漆雁斌，谢纬. 四川种植业绿色发展趋势与影响因素. 中国农业气象. 2024(11): 1265-1275 . 百度学术其他类型引用(3)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20220731
点击查看大图
计量
- 文章访问数: 534
- HTML全文浏览量: 136
- PDF下载量: 37
- 被引次数: 8
