碳密度变化和不确定性对中国森林碳减排量的影响

盛济川，周　慧，苗　壮

(1.南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏　南京　210044；2.南京信息工程大学中国制造业发展研究院，江苏　南京　210044；3.中国社会科学院城市发展与环境研究所，北京　100028；4.泰州学院经济与管理学院，江苏　泰州　225300)



碳密度变化和不确定性对中国森林碳减排量的影响

盛济川1,2，3，周慧1,2，苗壮3，4

(1.南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京210044；2.南京信息工程大学中国制造业发展研究院，江苏南京210044；3.中国社会科学院城市发展与环境研究所，北京100028；4.泰州学院经济与管理学院，江苏泰州225300)

摘要：在减少砍伐和退化所致排放量(REDD+)项目实施过程中，对于碳减排量的准确监测与度量是一个非常重要的步骤。而不确定性问题的普遍存在以及森林碳密度的变化将可能对中国森林碳减排量产生影响。本文首先建立了碳密度变化情景以及适用于碳密度增加国家的不确定性估计方法。在此基础上使用中国1990—2010年间的相关数据，采用仿真方法讨论了不同情景下，不确定性和碳密度变化对中国森林减排量的影响。研究结果表明，当估计误差超过5%时，中国的碳密度变化所致减排量将为负值。而当存在误差情况下，碳密度变化区域所占比例越大，中国的碳减排量被低估的程度就越严重。

关键词：REDD+；毁林；碳密度；不确定性；碳减排量

1引言

国际社会对毁林问题的关注已久，由砍伐和森林退化所致的温室气体排放已成为全球变暖的第二大主因，其总量已占到由人为因素温室气体碳排放总量的15%[1]。基于此，联合国气候变化框架公约(UNFCCC)提出了“减少砍伐和退化所致排放”机制(REDD)。在REDD基础上，又纳入了森林保护、森林的可持续经营以及增加森林碳汇的范畴[2]。REDD+的存在可以帮助愿意且能够减少因砍伐造成的排放的国家获得财政补偿，因而越来越多的发展中国家加入到REDD+框架中。

而在REDD+项目实施过程中，人们对于碳减排量的监测更多地关注于森林砍伐，而对森林退化关注较少。这主要是因为对于森林砍伐的监测和报告远比森林退化来得容易[3]。在碳排放监测、报告和核证体系(MRV)中，人们可以借助遥感技术监测到森林面积和树冠覆盖的变化，而很多森林退化行为并不能被遥感系统所监测到。与此同时，REDD+项目的潜在收益又很大程度上取决于误差的大小，这直接影响到各利益相关者从REDD+项目所获得的实际收益[4]。目前对于森林碳减排量进行可靠估计仍然是很困难的，森林碳储量、土地覆盖图的质量等因素都是影响不确定性的重要因素[5]。由于现有森林碳储量总量非常巨大，因此一个较小的相对估计误差也会导致碳减排量绝对量的巨大差异，这种现象的存在会使得评估REDD+项目准确的减排量变得非常困难。

基于上述问题，Plugge和Köhl对文莱、柬埔寨和巴基斯坦三国的森林退化和监测不确定性进行了分析[6]。然而该研究仅仅关注于森林碳密度(单位森林面积的碳储量)的减少，即森林退化的情况，而对于森林密度增长的情况却并未进行分析。因此，本文在Plugge和Köhl的研究基础上做进一步发展，使用中国1990—2010年间的相关数据，分析森林碳密度增加及不确定性对于中国森林碳储量的影响。

2研究方法

2.1　森林密度变化情景的建立

中国是世界上人工造林面积最多的国家，在世界森林资源持续减少的情况下，中国成为全球森林资源增长最快的国家(见表1)。根据联合国粮农组织(FAO)的《2010年森林资源评估报告》[7]，1990—2010年间中国的森林面积增加了31.64%，而与此同时森林碳储量增加了40.53%，增幅高于森林面积。这主要是由于中国的森林碳密度也明显增加，由1990年的28.09吨/公顷增加到了2010年的29.99吨/公顷。

表1　中国的森林面积和碳储量(1990—2010)

森林面积的增加固然会使得森林碳储量增加，但却未必会导致森林碳密度的增加。这种森林碳密度增加有可能是由于人工造林或森林退化减缓所致[8]，由于森林碳储量变化的确切原因尚无法通过现有数据得到证实，因此我们将通过仿真的方法分析这一过程。由于森林碳密度的变化不会在一国所有森林同时发生，或者同时对全部森林产生影响，因而是部分森林的碳密度变化最终导致总碳储量发生变化。为分析森林碳密度增加对中国森林碳储量的影响，我们建立三种森林碳密度增加情景，即森林碳密度变化的比例θ分别为全部森林面积的10%、20%和50%。这里我们假设只有比例为θ的森林发生了森林碳密度变化，剩余1-θ的森林的碳密度保持不变，即保持在1990年的碳密度水平。为了评估REDD+机制对于中国的影响，我们假设中国在1990—2010年间采取措施使得中国的森林碳储量得到增加，我们将这一时期分为参考期(1990—2000年)和评估期(2000—2010年)两个时期以便进行比较。由此，我们可以分别得到两个时期的森林面积增量ΔAi和碳储量增量ΔCi：

ΔAi=Ai-Ai-1

(1)

ΔCi=Ci-Ci-1

(2)

其中Ai，Ci(i=1,2)分别为中国的森林面积的森林碳储量。由此我们可以得到由森林面积变化所致的森林碳储量变化量ΔCai(i=1,2)：

ΔCai=ΔAi×D0

(3)

其中D0为1990年中国的森林碳密度，这是基于前面碳密度不变的假设基础上所得到的。而由森林碳密度变化所致的森林碳储量变化量ΔCdi(i=1,2)为：

ΔCdi=ΔCi-ΔCai

(4)

由式(1)-(4)，我们可以得到1990—2010年间中国的森林碳储量变化情况(见表2)。

表2　中国的森林碳储量变化(1990—2010年)

由于假设只有比例为θ的森林发生了碳密度变化，而其余森林的碳密度不变。为了简化分析，我们假设森林面积变化只发生在森林碳密度不变的区域，而森林碳密度变化区域面积在参考期和评估期不发生变化。因此森林碳密度变化区域的面积为Ad：

Ad=A1×θ

(5)

其中A1为2000年中国的森林面积，θ∈{0.1，0.2，0.5}为碳密度变化区域比例。而碳密度不变区域的初始碳储量为Cb：

Cb=A1×(1-θ)×D0

(6)

由此我们可以得到参考期和评估期森林碳密度变化区域的碳储量Cdi(i=1,2)：

Cdi=Ci-Cb

(7)

同样由碳密度变化所致碳储量变化量ΔCdi和碳密度变化区域面积Ad，我们也可以得到参考期和评估期的碳密度变化量ΔDi：

ΔDi=ΔCdi/Ad

(8)

根据式(5)-(7)，我们可以得到在三种碳密度变化情景(θ∈{0.1，0.2，0.5})下该区域的碳储量和碳密度(见表3)。其中碳密度变化率分别为参考期和评估期的碳密度变化量ΔDi与初始碳密度Di-1的比值，而碳减排率为2010年的森林碳储量C2相比于1990年碳储量C0的变化率，与碳密度变化面积Ad无关。在这里我们假设了森林面积变化只发生在碳密度不变区域，因此碳密度变化区域在参考期和评估期均为常数Ad。

2.2　不确定性的计量

目前我们所做的分析都是建立在不存在不确定性的基础上分析由森林碳密度变化所致的碳储量变化，然而在REDD+项目中量化碳储量变化往往存在较大的不确定性。IPCC(2003)提出在评估土壤碳量变化时采用可靠最小估计(RME)，即计算参考期误差区间下限和评估期误差区间上限之差用于测量REDD+的碳量变化[9]。但这里的RME方法主要是针对碳储量减少的国家而言的，而对于碳储量增加的国家而言在计算碳储量变化时根据保守原则应是计算评估期的区间下限与参考期的区间上限。

为了测量不确定性对于中国碳储量变化的可能相关影响，我们采用根据RME法计算两种方法下的中国碳减排量：①负相关法，即计算评估期的区间下限与参考期的区间上限之差，以此作为碳减排量的估计值；②正相关法，即计算评估期的区间上限与参考期的区间上限之差，以此作为碳减排量的估计值。负相关法采用保守原则同时考虑了参考期和评估期的不确定性，而正相关法更多关注于对评估期期不确定性的测量。

表3　森林碳密度变化区域的碳储量和碳密度

为了评估中国的森林碳减排量，需要根据参考期的历史排放水平设定参考水平，之前大部分的研究多关注于森林面积变化，而我们将更多关于碳密度变化。由于森林资源清查的真是误差范围通常在1%到10%之间[10]，因此令误差水平εi∈{0.00，0.01，0.02，0.05，0.10}，其中i=1,2分别为参考期和评估期的误差水平，而εi=0意味着不存在误差的理想值。根据负相关法和正相关法的定义，我们可以分别得到两种方法的估计值。其中负相关法的碳密度变化所致减排量ΔCdA为：

ΔCdA=Cd2·(1-ε2)-Cd1·(1+ε1)

(9)

同理，我们也可以得到正相关法下的碳密度变化所致减排量ΔCdB：

ΔCdB=Cd2·(1+ε2)-Cd1·(1+ε1)

(10)

其中，ΔCdA和ΔCdB为正值表示森林碳储量增加，负值森林碳储量表示减少。为了评估中国REDD+机制的实施效果，下面将采用仿真的方法比较在上述两种方法下不确定性以及碳密度变化对于中国森林碳减排量的影响。

3不确定性对中国碳减排量的影响

由于存在有总体不确定性，包括了抽样误差和其他误差在内的，如预测误差、测量误差、分类误差等误差[11]，因而我们在参考期和评估期选择了不同的误差水平εi∈{0.00，0.01，0.02，0.05，0.10}，以此反映误差水平与碳减排量的相关性。我们分别采用负相关法和正相关法分析在森林碳密度变化区域比例θ为10%的情景下不确定性与中国碳密度变化所致减排量之间的相关关系，具体结果如图1和图2所示。

图1　负相关法下不确定性对碳密度变化所致减排量的影响

从图1我们可以看出，参考期误差水平ε1与碳密度变化所致减排量ΔCdA呈现出显著的负相关关系。随着参考期误差水平ε1的变大，中国的碳密度变化所致减排量ΔCdA显著下降。这表明对碳密度变化区域参考期碳储量估计的误差越大，碳减排量越小。再比较评估期误差水平ε2与碳减排量ΔCdA，我们可以发现两者同样呈现出负相关关系，即随着评估期误差水平的增大，碳减排将随之减小。图中的正值表明存在有正的减排量，相反负值则表明不仅没有减排，而且评估期中国的森林碳排放量相比于参考期出现了上升。同时我们可以发现，当ε1=10%或者ε2=10%时，中国的碳密度变化所致减排量均为负值。除此之外，当ε1=5%并且ε2=5%时，减排量也为负值。而其余误差水平下的碳减排量均为正值。由此表明，无论是参考期还是评估期，误差越小则减排量越大，因此这会对中国减小监测误差提供激励。

图2　正相关法下不确定性对碳密度变化所致减排量的影响

而图2表明参考期误差水平ε1与碳密度变化所致减排量ΔCdB呈现出显著的正相关关系，减排量会随着参考期误差水平的增大而增大。而相反，评估期误差水平ε2与碳密度变化所致减排量ΔCdB呈现出负相关关系，即减排量会随着评估期误差水平的增大而减小。除了ε1=0%且ε2=5%以及ε1=0%且ε2=10%之外，其余各个误差水平下碳密度变化所致减排量都大于零。然而正相关法的结果表明为使减排量尽可能多，中国应该尽可能减小评估期误差与增加参考期误差，而这与建立一个可靠的MRV系统目标是相违背的，会增加提高参考期误差的激励，因此在后面的研究中，我们将不考虑采用正相关法。

4森林碳密度变化对中国碳减排量的影响

由于在前面的研究中我们证实了只有负相关法与REDD+机制建立可靠MRV系统的目标相一致，因此在下面的分析中也将只考虑负相关法，而将正相关法剔除掉。具体结果如图3所示。

图3　碳密度变化、不确定性对碳密度变化所致减排量的影响

从图3我们可以发现在当中国有10%的森林碳密度发生变化的情况下，无论是ε1或ε2为10%时都无法实现正的减排量。而当碳密度变化区域比例为20%的时候，当ε1为5%或10%的时候减排量均为负值，而ε2为5%或10%时除了ε1无误差情况外碳减排量也都为负值。至于碳密度变化区域比例为50%的时候情况就更糟糕了，只有当ε1≤2%且ε2≤1%的时候，中国的碳减排量才有可能为正值。该结果表明，随着碳密度变化区域比例的增加，碳密度变化所致减排量将不断减少。这主要是由于1990年、2000年以及2010年的数据是相互独立的，这使得总误差的影响也被放大。因而根据保守原则所得到的总误差效应也随着碳密度变化区域比例θ的增加而增大。最终导致中国的碳减排量在同样误差水平下由于碳密度变化区域比例的增大而被严重低估。这表明即使中国能够在REDD+项目中取得好的绩效，也有可能由于采用IPCC所要求的保守原则计算误差而被严重低估。这种现象不仅会在森林面积变化的情况下发生，也会同样出现在森林碳密度变化的情况下。同时值得注意的是，森林碳密度变化区域的规模对于碳减排量的影响甚至超过了保守原则下误差与对碳减排量的影响。

5结论

研究结果表明：①由于不确定性会对中国的森林碳减排量产生显著的影响，因此中国在设计MRV系统时应该考虑到不确定性这一重要因素。参考期和评估期的不确定性都会对中国的碳减排量计量以及收益产生显著地影响，我们的研究表明当参考期和评估期的误差超过5%时，碳密度变化所致减排量均为负值。同时在设计REDD+的时候应避免采用正相关法，这会对增加误差产生激烈，从而背离了REDD+的目标。②碳密度变化所致减排量是REDD+中的一个重要组成部分。本文的研究结果也表明由碳密度变化所致的减排量会受到误差水平的影响，当存在误差的时候，碳密度变化区域所占比例越大，中国的碳减排量被低估的程度就越严重，因而需要采用合适的遥感技术并结合地面评估加以解决。

本文的政策启示：①更全面地将森林转变的驱动力和关键活动以及MRV系统的能力建设纳入到中国国家REDD+战略和政策中，重视REDD+中知识整合的管理能力[12]；②制定中国国家MRV系统的技术路线图，确定各阶段的主要目标，以尽可能降低误差水平；③识别出中国部分碳密度变化的重点地区，对这些区域加强MRV系统的建设。

参考文献：

[1]Van der Werf G R，Morton D C，DeFries R S，Olivier J G J，Kasibhatla P S，Jackson R B，Collatz G J，Randerson J T.CO2Emissions from Forest Loss[J]Nature Geoscience，2009，2(11)：737-738.

[2]Forest Carbon Partnership Facility.Annual Report 2011.Demonstrating Activities that Reduce Emissions from Deforestation and Forest degradation[R].Forest Carbon Partnership Facility，2011.

[3]DeFries R，Achard F，Brown S，Herold M，Murdiyarso D，Schlamadinger B，de Souza C.Reducing Greenhouse Gas Emissions from Deforestation in Developing Countries：Considerations for Monitoring and Measuring[R].Report of the Global Terrestrial Observing System(GTOS)，Rome，No.46.GOFC-GOLD Rep.26.GOFC-GOLD Rep.26，2006.

[4]Lusiana B，van Noordwijk M，Johana F，Galudra G，Suyanto S，Cadisch G.Implications of Uncertainty and Scale in Carbon Emission Estimates on Locally Appropriate Designs to Reduce Emissions from Deforestation and Degradation(REDD+)[J].Mitigation and Adaptation Strategies for Global Change，2014，19(6)：757-772.

[5]Pelletier J，Ramankutty N，Potvin C.Diagnosing the Uncertainty and Detectability of Emission Reductions for REDD + under Current Capabilities：an Example for Panama.Environmental Research Letters，2011，6：024005.

[6]Plugge D，Köhl M.Estimating Carbon Emissions from Forest Degradation：Implications of Uncertainties and Area Sizes for a REDD+ MRV System[J].Canadian Journal of Forest Research，2012，42(11)：1996-2010.

[7]FAO.Key Findings of Global Forest Resources Assessment 2010.Forest Resources Assessment，Rome，Italy，2010.

[8]徐新良，曹明奎，李克让.中国森林生态系统植被碳储量时空动态变化研究[J].地理科学进展，2007，26(6)：1-10.

[9]IPCC.Good Practice Guidance for Land Use，Land-use Change and Forestry[R].IPCC National Greenhouse Gas Inventories Programme.Hayama，2003.

[10]Scott C T,Köhl M.Sampling with Partial Replacement and Stratification[J].Forest Science，1994，40(1)：30-46.

[11]Köhl M，Baldauf T，Plugge D，Krug J.Reduced Emissions from Deforestation and Forest Degradation(REDD)：a Climate Change Mitigation Strategy on a Critical Track[J].Carbon Balance Management，2009，4：10.

[12]单海燕，王文平.跨组织知识整合下的创新网络结构分析[J].中国管理科学，2012，20(6)：176-184.

(责任编辑谭果林)

The Effects of Carbon Density and Uncertainty on Forest Carbon Reduction of China in REDD+Programs

Sheng Jizhou1,2,3,Zhou Hui1,2,Miao Zhuang3,4

(1.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters，School of Economics and

Management，Nanjing University of Information Science & Technology，Nanjing 210044,China;

2.China Institute of Manufacturing Development，Nanjing University of Information Science & Technology，Nanjing 210044，China;

3.Institute for Urban and Environmental Studies，Chinese Academy of Social Science，Beijing 100028，China;

4.School of Economics and Management,Taizhou University，Taizhou 225300，China)

Abstract：The accurate monitoring and measurement for reductions in carbon emissions are very important steps in the implementation of REDD+ programs.However，the universal existence of uncertainty and the changes in forest carbon density will be likely to affect the forest carbon reduction of China.The change scenarios of carbon density and estimation methods for uncertainty in the countries with an increase of carbon density are firstly proposed in this paper.Using the data from 1990—2010 in China，the simulation technique is used to analyze the influence of uncertainty and changes in forest carbon density on forest carbon reduction of China in different scenarios.The results show that the carbon reduction caused by changes in carbon density will be negative if the estimation errors are more than 5%.When the errors existing，the greater the area proportion of change in carbon density is，the more serious the underestimation of carbon reduction of China is.

Key words:REDD+；Deforestation；Carbon density；Uncertainty；Carbon reduction

中图分类号:S7-9

文献标识码:A

作者简介：盛济川(1984-)，男，江苏南京人，南京信息工程大学经济管理学院讲师，管理学博士;研究方向：环境管理。

收稿日期：2014-12-25

基金项目：江苏高校优势学科建设工程、国家自然科学基金(71303123、71403132、71403120),国家社科基金(13CGL094),教育部人文社科基金(13YJCZH148、13YJC790225),中国制造业发展研究院开放课题(20140090-2)，教育部哲学社会科学发展报告项目“中国制造业发展研究报告”(13JBG004)。