未来排放情景下城市植被碳汇对氮减排的响应：广州的模型研究

《Journal of Environmental Sciences》：Response of urban vegetation carbon sinks to nitrogen reduction under future emission scenarios: A model study of Guangzhou

　　

•在所有氮减排情景下，植被碳汇均得到增强，但其响应呈现非线性，并受臭氧和温度的调节。
•城市/作物生态系统的碳汇主要受臭氧调节，而森林和草本/灌木生态系统的碳汇则依赖于温度。
•协调减少 NOx 和 NH3 以及单独减少 NOx 均能增强植被碳汇，而单独减少 NH3 则抑制碳汇。

引言
自工业革命以来，全球活性氮排放急剧上升，这由化肥使用增加、畜牧业扩张和化石燃料燃烧推动。这些排放导致了多种环境问题，包括空气污染、生物多样性丧失和气候变化。为此，国际协定和国家政策实施了各种缓解措施，例如能源结构改革（如逐步淘汰化石燃料）（Cheng 等，2021）和改进农业氮管理（Liu 等，2021）。然而，最近的研究表明，人为氮排放的大幅减少——虽然有利于空气质量——可能会加剧陆地生态系统中的氮限制，从而对陆地碳汇产生负面影响（Gu 等，2018；Liu 等，2022；Shang 等，2024）。这种意想不到的后果对实现碳中和目标构成了潜在限制，在空气质量与气候目标之间造成了关键张力。

因此，了解氮如何影响植被碳汇对于协调这些目标至关重要。氮通过两条主要途径影响碳汇：直接途径是通过改变调节植物生理的沉降通量；间接途径是通过改变塑造植被生长的大气成分和气候条件。

一方面，氮沉降通过调节关键生理过程直接影响植被碳汇。沉降氮改变了叶氮含量，从而调节光合能力和气孔导度，进而影响碳同化。大量研究分析了氮沉降在不同时空尺度上对陆地碳汇的影响，采用了动态全球植被模型、化学计量分析、沉降梯度研究和施肥实验等方法（Gundale, 2022; Gurmesa 等，2022; Lu 等，2021; O'Sullivan 等，2019; Wang 等，2017b; Zhu 等，2016; Fleischer 等，2015; Gu 等，2015; De Vries 等，2014; Tian 等，2011; Zaehle 等，2010）。然而，由于氮可用性和碳 - 氮响应速率存在显著的区域和植被类型差异，关于大气氮沉降水分刺激植被碳封存的程度仍存在重大争议（Gundale, 2022; Chen 等，2015）。最近的观测证据表明，2013 年至 2022 年间，中国的大气无机氮沉降下降了 24.2%，这是由排放减少和降水变化共同驱动的（Zhang 等，2025），未来情景下预计将进一步下降 39%-47%。这种由排放驱动的沉降变化将不可避免地影响植被碳吸收。

另一方面，氮减排还通过诱导的气候响应（如温度、降水和辐射的变化）以及大气成分的改变，特别是对流层臭氧（O3），产生间接影响（Zhou 等，2024; Jiao 等，2024; Feng 等，2022; Cao 等，2020; Keenan 等，2018; Franz and Zaehle, 2021）。O3 是一种植物毒性污染物，会损害光合装置并降低气孔导度，从而抑制植被生长和碳吸收。这些间接途径尤为重要，因为虽然氮排放控制减少了沉降，但它们可以通过复杂的大气化学同时改变 O3 的形成，可能对碳汇产生抵消效应。最近的建模研究开始量化这些耦合效应，强调了大气化学与植被动态之间双向相互作用的重要性。例如，Liu 等（2021）发现，到 2050 年，农业氨排放上升及由此产生的氮沉降可使全球总初级生产力（GPP）增加 2.1 Pg C/yr，同时通过植被引起的气象变化和土壤 NOx 排放，将地表 O3 浓度改变 2-3 ppbv。同样，Jin 等（2023）将 O3 损伤参数化集成到耦合了 Noah 多参数化陆地表面模型（Noah-MP）的耦合化学的天气研究与预报模式（WRF-Chem）中，表明 O3 引起的 GPP 减少在全国范围内可达 28.8%，随后的植被反馈将地表 O3 改变多达 1.18 μg/m3。Franz 和 Zaehle（2021）进一步证明，仅模拟氮沉降的刺激作用而忽略 O3 的损害作用，会导致对碳汇的高估。

上述研究表明，不考虑植被 - 大气反馈会导致在评估碳汇潜力和空气质量结果时出现重大偏差。现有的政策导向评估通常依赖于忽略耦合建模研究中确定的协同效应的简化假设。利用碳汇对氮沉降的线性假设，Liu 等（2022）估计，30% 的氮减排将使中国的陆地碳封存减少 7%-21%。Shang 等（2024）预测，在 SSP1-RCP1.9 情景下，氮沉降将下降 44%-57%，导致净生态系统生产力减少 11%-20%。虽然这些研究很有价值，但它们仅关注氮沉降，未考虑氮减排对 O3 形成及随后植被反馈的间接影响。因此，忽略 O3 介导影响的评估可能会显著偏误氮减排对碳汇影响的预测。此外，城市生态系统表现出独特的碳循环特征。高密度的人类活动导致碳排放集中，而空间上破碎化的植被创造了独特的碳汇模式（Zhang and Shao, 2021a; Venter 等，2020）。这种“高排放、弱碳汇”悖论对城市碳预算平衡构成了严峻挑战，导致对城市植被碳汇的建模存在重大不确定性。因此，迫切需要建立一个能够整合多种环境因素协同效应的评估框架，以更好地了解气候变化和清洁空气政策引起的氮排放变化对城市碳循环的影响。第三，各种植被类型对氮和 O3 的差异化响应仍缺乏约束。虽然研究表明各种植被类型对氮沉降和 O3 暴露表现出不同的敏感性（Gurmesa 等，2022），但很少有评估明确考虑这些差异化响应如何塑造氮减排政策在异质城市环境中对景观尺度碳汇的净影响。

作为中国国家级低碳试点地区，广州在中国的碳管理和城市气候韧性方面发挥着关键作用（Shen 等，2023; Seto 等，2012; Zhang 等，2022）。为了解决已确定的差距，本研究采用耦合的 WRF-Chem 和 Noah-MP 建模框架，明确表示大气化学与植被动态之间的双向相互作用。由中国排放动态预测模型 1.2 版（DPECv1.2）的未来排放情景驱动，我们模拟了广州不同土地覆盖类型下多种氮（NOx 和 NH3）减排路径。通过整合氮的直接或间接影响并区分植被特异性响应，本研究综合评估了未来的氮管理可能如何影响城市碳汇，从而支持空气质量与气候政策的整合。

方法片段
方法
本研究的整体方法论框架（图 1）如下。首先，我们基于气候和清洁空气政策构建了未来的氮减排情景。然后，使用这些情景驱动耦合了 Noah-MP 陆地表面模型的 WRF-Chem 模型，从而能够整合模拟气象场、大气化学（特别是 O3 和氮沉降）和陆地表面过程。最后，通过比较不同...

陆地植被碳通量
在本研究中，植被碳汇使用 GPP、NPP、NEP 进行量化。GPP 代表植被通过光合作用固定的总碳量。NPP 定义为 GPP 减去自养呼吸（Ra），表示用于植物生长和储存的保留碳；NEP 反映生态系统与大气之间的净 CO2 交换，正值表示净吸收。模拟的碳通量（GPP、NPP 和 NEP）显示，广州的大部分地区作为碳汇发挥作用，

讨论
我们的结果表明，植被碳汇对氮减排的响应与减排幅度不成线性比例。相反，它从根本上受多种环境驱动因素之间协同的——有时是抵消的——效应塑造，包括氮沉降（Ndep）、臭氧浓度和干沉降（O3ddep）以及 2 米温度（T2）的变化。这些环境驱动数据是从 S2 到 S6 情景中提取的...

结论
本研究量化了广州植被碳汇对不同氮减排情景的响应，并考虑了氮减排通过改变城市环境中的环境因素对碳封存的间接影响。2020 年广州的植被作为净碳汇，其中作物和森林是主要贡献者。

未来的氮减排通常能增强植被碳汇，但表现出显著的非线性响应

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能被认为影响了本论文报告的工作。

数据可用性声明
本工作中使用的模拟数据在发表后可通过以下 DOI 获取：[10.5281/zenodo.17072769]。NCEP 1°×1°FNL 数据获取自网站 (https://rda.ucar.edu/datasets/ds083.2/) (NCEP 等，2000) [数据集]。MEICv1.4 和 DPECv1.2 排放清单分别可在 http://meicmodel.org.cn/?page_id=560 和 http://meicmodel.org.cn/?page_id=1917 获取（Cheng 等，2023; Geng 等，2024; Li 等，2017; Tong 等，2020）[数据集]。初始场 未引用参考文献 Emery and Tai, 2001, EPA 2007, Feng 等，2015, Keenan and Williams, 2018, Liu and Lai, 2019, Liu 等，2019

CRediT 作者贡献声明
Jie Qin：写作 - 初稿，可视化，方法论。Fenghua Yan：验证，形式分析。Xinyuan Kang：软件，数据整理。Tianci Guo：资源。Chang Liu：写作 - 审查与编辑。Weiwen Wang：监督。Ming Chang：写作 - 审查与编辑，监督，概念化。Xuemei Wang：项目管理。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能被认为影响了本论文报告的工作。

致谢
本工作得到了广东省海洋经济发展专项资金（编号：GDNRC[2024]36）、广州市基础与应用基础研究（编号：2023A04J0251）、国家重点研发计划（编号：2023YFC3706202）、国家自然科学基金（编号：42121004 和 42275107）、广东省普通高等学校创新团队项目（自然科学）（编号：2024KCXTD004）以及高水平特别支持计划 Jie Qin|Fenghua Yan|Xinyuan Kang|Tianci Guo|Chang Liu|Weiwen Wang|Ming Chang|Xuemei Wang