GCB BIOENERGY丨全球土壤有机碳变化与生物炭应用的经济收益

论文内容

研究背景：

为了实现《巴黎协定》将全球变暖限制在2°C以下的目标，将需要负排放技术，比如在生物炭的帮助下增加土壤碳储量。生物炭的生产始于从大气中去除的碳，并与植物材料结合，并通过热解将其转化为一种非常长寿的产品，该产品保留在土壤中，不容易被微生物分解应用于土壤时，生物炭的二氧化碳固存潜力估计为每年0.5-2亿吨二氧化碳当量。此外，生物炭具有潜在的协同效益，如提高作物产量，减少土壤养分流失，提高土壤保水能力，生物炭对土壤的改性通过改变pH、容重和水分条件影响土壤有机碳的稳定性和周转，这些影响因土壤性质、生物炭施用量、生物炭类型和热解温度而异。本研究首先通过对389个添加和未添加生物炭的配对试验数据进行meta分析，分析了土壤有机碳和其他土壤变量对生物炭施用的响应。利用土壤有机碳对添加生物炭的响应观测数据以及相应的地理、气候、生物和管理变量，我们训练了一个随机森林(RF)模型。利用训练后的RF模型对全球1 km×1 km范围内添加生物炭导致的土壤有机碳变化进行了预测。最后，我们采用LCA方法估算生物炭系统的净收益，以分析当前热解厂成本收益贡献的区域差异，并确定建设新厂净收益最大的潜在地点。

研究内容:

我们采用RF来捕捉有机碳变化与生物炭添加之间的复杂非线性关系，以及与其他解释变量的相互作用。RF是一种基于原始观测数据集构建大量树木进行预测的机器学习方法，具有鲁棒性和低偏差，已广泛应用于预测土壤碳储量、土壤呼吸、温室气体排放和作物产量。

在RF训练中，采用自然对数变换后的RR作为响应变量，解释变量包括土壤变量(CLAY、SAND、淤泥、BD、BS、pH、CEC、TN、TP和TK、SM、SOC ini)、气候变量(MAT、MAP、T min、T max)、生物变量(NPP)、生物炭相关变量(Rate BC、FS、Temp BC、Age BC)和管理变量。其中除生物炭原料类型外，其余变量均为连续变量。各变量的详细信息如表S1所示。NPP作为有机碳的输入，是控制有机碳的主要生物因子，其他生物相关因子(如微生物活性)因缺乏相关数据未纳入。变量的重要性可以直接从RF模型训练中获得，基于它们对树分割的贡献，使用Python中的sklearn包。

Fig.1 添加生物炭对农田土壤有机碳及其他土壤性质的影响圆圈和误差条表示平均值和95%置信区间(CI)

Fig.2  在训练随机森林(RF)模型中重要性≥1%的变量(a)和土壤有机碳(SOC)随生物炭添加的变化的部分依赖性(即式1中的响应比[RR])对六个最重要的变量(b)

Fig.3 不同生物炭施用量下全球农田土壤有机碳绝对变化(ACSOC)和天然有机碳绝对变化(ACSOC- native)的预测

Fig.4 当前热解装置的平均净收益，具有一系列装置规模和碳价格(a)，以及每个地区和全球范围内的碳价格阈值，超过该阈值，净收益由负变为正(b)

Fig.5 假设在每个农田网格单元中都有一个新工厂，其中植物生物质处理能力为20,000 t-1，碳价格为50 t-1 CO2的中等情景的收益图

研究结论：

在1 km×1 km分辨率下，明确估算了添加生物炭对全球农田有机碳变化的影响，并对现有热解工厂和潜在的新工厂进行了初步的LCA。长期的生物炭田间试验对提高长期效应的射频预测和了解生物炭对土壤有机碳变化的影响机制具有重要意义。它还有助于在基于过程的模型中实现生物炭效应（例如MIMICS），这些模型可以进一步耦合到陆地表面模型中，以模拟生物炭诱导的有机碳变化与未来气候变化的相互作用。对于LCA，需要更明确的空间参数来准确计算生物炭系统的成本和收益，并在全球范围内评估生物炭添加的可行性。由于原料收集和热解成本高，碳交易价格低，生物炭系统的潜在经济效益不高。在各种减缓气候变化的备选方案下(例如，利用生物质残渣捕获和储存生物能源)，农业废弃物资源的多样化利用将进一步增加原料供应的成本。因此，需要更多的研究来分析这些减缓气候变化的备选方案之间的权衡。

转自：“农科学术圈”微信公众号

如有侵权，请联系本站删除！