一种基于场景的框架，将生物物理土壤碳模型与具有说明性的经济信号联系起来

《Agricultural Systems》：A scenario-based framework linking biophysical soil carbon modeling to illustrative economic signals

　　阿约米昆·大卫·阿贾伊|薇 Yao·巴纳基纳乌|田代忠夫|长谷川秀夫
新潟大学科学技术研究生院，日本新潟市西区池胁2之町8050，950-2181

**摘要**
土壤有机碳（SOC）的固存为农业提供了减缓气候变化的潜力，然而将土壤碳的生物物理动态与政策相关的解释联系起来仍然具有挑战性。本研究开发并展示了一个透明、基于情景的框架，用于探讨不同的碳政策信号如何在温带农业系统中转化为相对的、具有说明性的经济响应：一项地块规模案例研究。在新潟县一个温带的安土土壤区域，模拟了20年（2025-2045年）内保护性农业（CA）、传统耕作（CT）和有机农业（OF）的SOC动态，基于两种CMIP6气候路径（SSP2-4.5和SSP5-8.5）。使用三种碳定价工具——碳税、补贴和碳排放交易——将模拟的SOC变化转化为具有说明性的经济信号，并通过净现值（NPV）框架及折现率敏感性分析进行了评估。在中等气候强迫下（SSP2-4.5），CA、CT和OF分别固存了0.09、0.08和0.06吨碳/公顷/年。在中高排放的SSP5-8.5情景下，模型预测了不同系统之间的差异响应。这些不同的响应直接与校准后的惰性有机物比例有关，而不是根据经验验证的气候脆弱性差异。

**提出的框架**
该框架提供了一种透明且可复现的方法，用于探讨在明确的生物物理和气候假设下，土壤碳动态如何与不同的政策工具设计相互作用。研究结果旨在作为比较政策分析的示例性情景输出，而不是对采纳激励或市场行为的预测。

**1. 引言**
气候变化和减少温室气体（GHG）排放的需求已成为全球农业和土地利用政策的核心挑战。气候变化对粮食安全和环境可持续性的影响日益加剧，推动了国际上对排放量进行量化、监管和定价的共同努力（Xu等人，2020）。在这一背景下，许多国家建立了碳市场和政策工具来规范排放水平并激励缓解行动（Pang等人，2023）。碳核算侧重于量化排放量和固存潜力（Ascui，2014），而碳定价则试图为这些指标赋予货币价值以促进可持续实践（Best和Zhang，2020）。过去十年间，人们对基于价格的方法促进气候友好型土地利用的兴趣显著增加（Zomer等人，2016）。现有研究涵盖了企业、政府和供应链视角，应用范围从欧盟碳边境调整机制（Boute，2024）到化石燃料供应链（Karstensen和Peters，2018）。在能源和工业部门，碳排放交易系统、碳税和排放交易计划（ETS）在减少点源排放方面显示出有效性（Flues和Van Dender，2020），并在欧盟和中国得到广泛实施（欧盟委员会，2021）。然而，这些方法主要针对相对容易监控和监管的排放源，如发电厂和制造设施（Schaltegger和Csutora，2012）。

农业系统在碳核算方面面临独特挑战：土壤碳动态受到复杂的生物过程和管理决策的影响，而这些通常未能被传统框架充分反映（K?lk??，2023）。土壤碳储量受作物类型、土壤性质、气候条件以及耕作、残余物管理、灌溉和施肥等管理措施的影响。农业土壤作为碳汇具有明确的潜力（Lal等人，2015）；然而，传统方法往往难以捕捉诸如保护性农业（CA）、传统耕作（CT）和有机农业（OF）等不同系统的异质性和时间动态（Bretscher等人，2025；Y. Li等人，2023）。

为应对这些挑战，Rothamsted Carbon（RothC-26.3）模型被广泛用于模拟不同气候和管理条件下的SOC周转（Coleman和Jenkinson，1996）。RothC已被广泛应用于评估土地利用变化、残余物管理和耕作方式对土壤碳储量的影响。尽管该模型在表示长期SOC动态方面有效，但其应用依赖于关于碳输入和管理参数的假设，这突显了在将模拟结果与政策背景联系起来时需要透明的情景设计和谨慎解释的必要性（Barancikova等人，2010；Maas和Lal，2023）。

现有的方法分为三类，每种方法都有其局限性。基于过程的生物物理研究（包括在多种农业生态背景下的RothC应用，Geremew等人，2024；Barancikova等人，2010；Maas和Lal，2023）虽然能够生成可靠的SOC轨迹估计，但很少将其转化为特定于工具的经济信号。农业碳定价的经济分析（Flues和Van Dender，2020；Ohlendorf等人，2021；Finley等人，2024）通常假定固定的固存量，而没有生物学基础。机器学习方法用于碳价格预测（Xu等人，2020；Pang等人，2023）可以模拟市场价格动态，但与决定固存潜力的土壤过程脱节。本研究通过将碳价格视为外生情景参数而不是预测目标，并将其明确与非校准的、本地验证的RothC输出联系起来，从而弥合了这些方法的差距。这种设计允许在保持对生物物理和经济假设完全透明的同时，结构化地比较不同的政策机制。因此，本研究开发并展示了一个可复现的、基于情景的框架，用于评估不同农业系统下的SOC动态如何转化为碳政策信号，而不预测真实的市场行为。本研究旨在：
• 评估CA、CT和OF系统下的SOC动态
• 探索模拟的碳核算输出与碳定价工具之间的基于情景的关系
• 评估不同农业实践在不同政策情景下对SOC轨迹及相关经济响应的影响。

**2. 方法论**
**2.1. 概念框架概述**
该方法论框架包括三个连续阶段，如图1所示。第1阶段包括RothC模型的初始化、基于观测到的SOC数据（2022-2024年）的校准以及独立验证（2025年），模型接受度通过均方根误差（RMSE）和决定系数（R2）标准来评判（方程（6）、（7））。第2阶段应用校准后的模型，在SSP2-4.5和SSP5-8.5气候强迫下，模拟20年（2025-2045年）内CA、CT和OF的SOC轨迹，使用衰减函数和环境修正方程（方程（1）、（2）、（3）、（4））。第3阶段使用NPV框架（方程（8）、（9）、（10）、（11）、（12）、（13）将模拟的SOC变化转化为碳税、补贴和碳排放交易三种碳定价工具的说明性经济信号，并评估r ∈ {0–7%}范围内的折现率敏感性。该算法的详细伪代码表示在补充材料中提供（算法1）。

**2.2. 使用RothC模拟碳池**
SOC周转的模拟使用RothC模型进行，这是一种广泛用于表示农业土壤中长期SOC动态的过程基础模型（补充材料S1）。RothC将SOC划分为五个概念池：可分解植物物质（DPM）、抗性植物物质（RPM）、微生物生物质（BIO）、腐殖化有机物质（HUM）和惰性有机物质（IOM）（Coleman和Jenkinson，1996）。总SOC的计算公式如下：
(1) SOC = DPM + RPM + BIO + HUM + IOM

RothC需要月度气候输入（平均气温、降水量和潜在蒸散量）、土壤性质（粘土含量、容重、初始SOC）以及特定于土地利用的碳输入。本研究应用RothC比较了三种不同的农业系统：保护性农业（CA）、传统耕作（CT）和有机农业（OF）（Geremew等人，2024）。

**2.2.1. 气候强迫和蒸散量**
历史气候强迫数据（1950-2021年）来自使用Google Earth Engine处理的日本新潟县ERA5-Land再分析数据。月平均温度和总降水量被汇总以驱动RothC模型。对于未来预测（2025-2045年），应用了ACCESS-CM2模型的降尺度CMIP6气候预测，基于两种共享的社会经济路径：
• SSP2-4.5（中等排放，到2100年辐射强迫稳定在4.5 W m?2）
• SSP5-8.5（高排放，到2100年辐射强迫达到8.5 W m?2）
潜在蒸散量（PET）使用Thornthwaite方法估算（Anggraini和Slamet，2021）。

**2.2.2. 碳输入估算和模型参数化**
RothC模型针对日本新潟安土土壤上的温带玉米-大豆间作系统进行了参数化。碳输入基于区域管理实践设定：CA为减少耕作并保留覆盖物，CT为完全耕作并使用化学肥料，OF为完全耕作并使用有机肥料。起始年植物产生的碳输入分别为：CA为2.0吨碳/公顷/年，CT为0.5吨碳/公顷/年，OF为1.0吨碳/公顷/年，同时均匀施用0.1吨/公顷/年的农家肥料（FYM）。输入在夏季（5月）和秋季（8月）分配，各占60%和40%。这些初步值随后通过使用2022年至2024年的实际SOC数据进行模型校准进行了细化（第3.1.1节）。

RPM/DPM的比例设定为1.44，符合RothC对农业系统的默认值。分解率根据月温度（fTfT）和湿度（fwfW）函数进行调整：温度修正因子fTfT的计算公式如下：
(2) fT = 47.91 × e^(-10^6 × Tmean + 18.3 × (-1))
其中Tmean是月平均温度（°C），47.91是归一化常数，-10^6是温度系数（°C），18.3是参考温度偏移（°C）。该函数表示分解率随温度的指数增长。

水分修正因子fw的计算公式如下：
(3) fw = min(PET × 1 - (fT × fT))
其中P是月降水量，PET是潜在蒸散量。粘土含量基于土壤分析固定为5%。

碳在各个池之间的流动由一阶衰减常数和环境修正因子通过以下公式确定：
(4) Cflux = Cpool × kpool × fT × fw
其中Cflux是特定池中的碳流量，Cpool是分解前的碳池含量，kpool代表特定池的分解率（DPM：10年^-1，RPM：0.30年^-1，BIO：0.66年^-1，HUM：0.02年^-1）。

IOM池的估算使用如下公式（Falloon等人，1998）：
(5) IOM = 0.049 × SOCinit^1.139
其中SOCinit是模型初始化前的初始SOC储量（吨碳/公顷），0.049是经验系数，1.139是经验指数。

这种校准方法符合IPCC关于报告土地利用系统中SOC储量的良好实践指南，确保模拟的碳动态反映了每种管理下的实际田间条件（日本环境部，2024）。

**2.2.3. 初始化、校准和验证**
为了建立平衡的SOC条件，使用恒定的气候和管理输入进行了71年的初始化，直到SOC池的变化小于0.01%每年。模型校准使用2022年至2024年的SOC观测数据，而独立验证使用了2025年的实地测量数据。模型性能通过RMSE和R2进行评估，使用方程（6）、（7）分别计算RMSE和R2：
(6) RMSE = ∑(i=1^n) (SOCsimulated - SOCobserved) / n
(7) R2 = 1 - ∑(i=1^n) [(SOCobserved - SOCsimulated) / (2 × SOCobserved - SOCˉsimulated)]

模型验证针对2025年生长季节的独立SOC测量数据进行了评估。共采样了24个实验地块（每种处理8个地块）。首先对每个处理的地块级SOC测量数据（n = 8个处理）进行平均，得到CA、CT和OF的单一处理均值（n = 3个独立观测值用于验证）。然后将每个处理的模拟SOC值与其对应的观测均值进行比较。因此，报告的验证指标基于n = 3次独立处理级别的比较。这种方法测试了模型复制平均处理响应的能力，但不验证其针对地块级空间变异性的性能。CO?通量数据（方程16）仅用于分解动态的定性一致性检查，不用于校准或验证指标。

**2.3. 基于情景的碳定价分析**
碳定价使用代表三种政策工具的简化情景进行评估：碳税、补贴和碳排放交易。这三个假设的碳定价情景基于国际碳市场记录的费率（OECD，2021；Ohlendorf等人，2021；Finley等人，2024）。这些情景具有说明性和探索性，旨在考察对SOC变化的相对经济响应，而不是预测实际市场价格。每种处理的经济结果计算为来自碳定价机制的净收入或成本（Rnet）。

碳税（Ctax）代表对温室气体排放的直接成本（方程（8）、（9））。对于情景A（基于绩效），税额根据相对于基线的碳固存缺口征收。对于方案B（基于实践的），税收是根据固定的耕作排放系数（EFtill）来计算的。(8)Ctax,At=Pt×max0?Cbase??Cobst(9)Ctax,Bt=Pt×EFtill其中Ctax,At是第t年的基于绩效的碳税责任（美元/公顷·年），Pt是第t年的碳价格（美元/吨二氧化碳），?Cbase是基准碳封存率（吨碳/公顷·年）；定义为在现行管理系统下的区域平均封存率，?Cobst是第t年的模型预测碳封存率（吨碳/公顷·年），Ctax,Bt是第t年的基于实践的碳税责任（美元/公顷·年），EFtill是与耕作相关的碳排放系数（吨碳/公顷·年）；对于CT和OF，根据标准排放清单设定为0.2吨碳/公顷·年。在总量控制与交易系统（方程10）中，净收入（Rcat）由观测到的碳封存率（?Cobs?iCobs）与基准分配限额（?Ccap?iCcap）之间的差值决定。正值表示出售信用额的收入，而负值表示购买所需信用额以弥补差额的成本。(10)Rcatt=Pt×?Cobst??Ccap其中Rcatt是第t年的净总量控制与交易收入（正值）或成本（负值），?Ccap是区域基准封存分配（吨碳/公顷·年）；在方案中设定为0.07吨碳/公顷·年。补贴作为生态系统服务的支付（方程（11），（12），（13））。固定费率模型对总封存量适用统一价格。增量模型仅补偿超出基准平衡的封存量（?Cbase?iCbase）。分层模型对特定封存量部分（sk）适用递进边际率（rk），以激励更高的绩效水平。(11)Rflatt=Pt×?Cobst(12)Raddt=Pt×max0?Cobst??Cbase(13)Rtieredt=∑j=1mrjt×Sjt其中Rflatt是第t年的固定费率补贴支付（美元/公顷·年）；奖励总封存量。Raddt是第t年的增量补贴（美元/公顷·年）；仅奖励超出基准平衡的封存量。Rtieredt是第t年的分层补贴收入（美元/公顷·年）。rjt是第j层的边际率，Sjt是第j层的封存量，m是层数，j是层索引。2.4. 净现值和敏感性分析为了评估不同农业管理系统下土壤碳封存的时间经济意义，应用了净现值（NPV）框架来分析基于情景的碳收入流，这些收入流来自模型化的SOC变化（Oshiro等人，2020年；Frank等人，2022年）。此处使用NPV分析作为折现的碳估值指数，旨在便于跨情景进行比较评估。碳相关收益的NPV计算如下：(14)NPV=∑t=1TRt1+rt其中Rt代表第t年的年碳收入，r是实际折现率，求和是在T = 20年的评估期限内进行的。采用社会折现率r = 3%作为基准，这与公共部门对长期环境和气候缓解项目的评估实践一致（Schoenmaker和Schramade，2023年）。年碳收入估算如下：(15)Rt=S×Pt×3.67其中S是年土壤碳封存率（吨碳/公顷·年），相当于?Cobst，Pt是第t年的碳价格（美元/吨二氧化碳），3.67是从碳到二氧化碳的分子转换系数。碳定价趋势遵循基于情景的碳定价分析（第2.2节）中建立的典型模式。这种公式捕捉了不同管理系统下SOC积累的总体经济信号。故意排除了与实践采用、监测、报告、验证（MRV）、交易费用、产量效应和行为反应相关的成本，以保持跨情景的方法一致性，并避免引入未经实证数据支持的推测性假设。2.5. 敏感性分析为了评估NPV估计值对时间偏好假设的稳健性，使用了从0%（无折现）到7%（高私人折现率）（Yu等人，2020年；Chen，2025年）的折现率范围进行了敏感性分析。这些范围反映了环境经济学中常用的社会与私人估值视角。敏感性结果以NPV幅度和排名的相对变化报告，而不是绝对财务结果。这种方法允许评估关于CA、CT和OF的比较结论在替代折现假设下是否保持稳定。2.6. 用于模型评估的现场测量2024-2025年生长季节（5月至9月）使用痕量气体分析仪LI-7810（LI-COR，Biosciences, Inc.，美国）和静态室测量了土壤CO2通量。通量以10分钟间隔每周记录一次，用于支持模型评估。辅助测量包括土壤温度、土壤湿度和气象变量。CO2排放量使用方程（16）计算：(16)CO2emissions=?CO2?t×VA×ρ其中CO2排放量（毫克CO2/平方米·小时）是在时间?t内排放的CO2，?CO2是头部空间中的CO2浓度变化，V是室体积（立方米），A是室表面积（平方米），ρ是在测量条件下的空气摩尔密度（摩尔/立方米）；根据理想气体定律得出。2.7. 统计分析所有计算和统计程序在R（v4.3）和Python（v3.11）中实现。R用于准备RothC的月度气候和管理输入文件；Python执行所有碳定价、NPV和敏感性计算。模型性能使用RMSE（方程6）和R2（方程7）进行评估，分别应用于校准（2022-2024年）和验证（2025年）窗口；结果值在3.1.1历史启动和参数校准，3.1.2独立验证中报告。第3.2节的20年SOC预测是通过迭代执行方程4产生的，通过温度（方程2）和湿度（方程3）函数进行调节，总SOC通过方程1求和，IOM池通过方程5固定。该算法的年封存率输入到方程（8）、（9）、（10）、（11）、（12）、（13）中，以计算特定于仪器的碳收入，然后使用方程14进行折现，以计算3.3碳定价经济分析，3.4碳定价机制比较中的NPV结果。折现率敏感性（第3.3.4节）重新评估方程14在r ∈ {0–7%}范围内的情况。通过方程16处理的现场CO2通量数据仅用于定性一致性检查，不贡献于3.1.2中报告的RMSE或R2。2.8. 数据收集本研究使用的数据来自在日本新潟进行的一项实验，位于本州西北部，坐标为37° 30′N，138° 47′E。该地区属于温带气候，年平均降雨量约为1800毫米。降雪发生在12月至2月。土壤类型为沙质，有机质含量为2%（Weather Spark，2025年）。评估了CA、CT和OF处理对CO2通量和土壤碳封存的影响。共建立了24个CA、CT和OF地块，每个地块面积为10平方米。地块按照随机完全区组设计（RCBD）排列。在处理实施之前进行了基线数据收集，以确定初始土壤条件。根据标准协议，在0-20厘米深度处从复合样本（每个地块3个样本，每种处理8个地块）中确定了土壤质地、容重、有机质含量和pH值。地块级别的测量结果平均后得到用于模型的处理均值。粘土含量（5%）是通过复合样本的比重计分析得出的；初始SOC是根据测量的有机质含量使用0.58的转换因子计算得出的（van Bemmelen因子）。测量的CO2通量数据仅用于模型评估，不用于参数化碳输入，因为通量测量反映了短期呼吸损失而不是年度净碳平衡。气候参数（空气温度、降水量和相对湿度）在距离研究地点500米内的气象站记录，并在2022-2025年校准期间用于补充ERA5-Land再分析输入。2.9. 关键假设和边界条件a)生物物理模型假设：所有模拟假设在20年预测期间（2025-2045年）土地利用保持不变，管理实践也保持不变。碳输入率、DPM/RPM比率和分解率常数保持在校准值，并且不会根据模拟的温度或降雨变化进行调整。IOM被视为对温度不受影响，这与RothC模型结构一致（Coleman和Jenkinson，1996年）。这些假设倾向于低估系统中高比例易分解碳引起的气候损失。b)气候强迫假设：未来的气候输入来自SSP2–4.5和SSP5–8.5下的单一GCM（ACCESS-CM2）。没有考虑GCM之间的集合差异，这低估了结构上的气候不确定性。假设月度温度和降水量模式遵循降维后的预测，没有超出CMIP6输出中的年际变化。c)经济和政策假设：碳价格轨迹完全是外生的，仅用于说明；它们不代表任何特定碳市场的预测。采用实际的社会折现率3%作为基准（Schoenmaker和Schramade，2023年），并在0-7%范围内进行敏感性测试。所有NPV计算仅表示总碳收入；有意排除实践采用成本、产量效应和交易费用，以保持系统间的可比性（表1）。表1. 关键经济情景参数和假设。参数类别/值/情景 定义/来源碳价格轨迹保守$20至$75吨二氧化碳/年（6.3%每年）基于经合组织（2021年）的指示性下限适度（基础）$30至$110吨二氧化碳/年（6.5%每年）与日本2050年碳中和目标对齐的指示性中间范围激进$40至$160吨二氧化碳/年（6.8%每年）用于敏感性分析的指示性上限政策工具基准配额（总量控制与交易）0.07吨碳/公顷·年情景假设；设定为大约的区域平均封存率耕作排放系数（税收情景B）0.2吨碳/公顷·年基于标准排放清单的标准化系数基准平衡（增量）ΔC_base来自方程（8）作为参考管理下的模型预测封存率折现基准社会折现率3%与公共部门环境项目评估一致（Schoenmaker和Schramade，2023年）敏感性范围0%至7%包括社会（低）至私人（高）的比率结构说明所有NPV值仅表示总碳收入排除实践采用成本、产量效应、MRV和交易费用，以确保跨情景的可比性d)空间和时间范围：结果来自单一地点（日本新潟）的样地规模（10平方米）实验，不进行空间外推。3年的校准窗口（2022-2025年）不足以独立约束IOM比例；因此，处理之间的气候脆弱性排名存在显著的参数不确定性，不应超出本研究的情景范围进行推广。3. 结果3.1. 模型校准和验证3.1.1. 历史启动和参数校准使用初始文献得出的参数进行的历史启动（1950-2022年）低估了2022年的观测基线SOC，CA：16.93 vs 26.98吨碳/公顷；CT：5.28 vs 26.93吨碳/公顷；OF：10.35 vs 26.94吨碳/公顷），这促使进行了参数优化。使用2022-2024年的观测数据进行了参数优化，优化了每种处理的碳输入率和IOM池。最终校准的参数为：CA（碳输入：2.93吨碳/公顷·年，IOM：12.47吨碳/公顷），CT（碳输入：1.03吨碳/公顷·年，IOM：24.03吨碳/公顷），OF（碳输入：1.76吨碳/公顷·年，IOM：19.14吨碳/公顷）。校准后的RMSE为0.04吨碳/公顷，CA和OF的误差接近零（<0.001吨碳/公顷），CT在2022年的误差为-0.15吨碳/公顷，在2024年的误差为+0.08吨碳/公顷。3.1.2. 独立验证针对2025年的保留数据进行的验证展示了出色的模型性能（图2）。预测的SOC值为CA 26.81吨碳/公顷（观测值27.01，误差-0.74%），CT 27.18（观测值26.90，误差+1.05%），OF 27.02（观测值26.98，误差+0.15%）。验证RMSE为0.20吨碳/公顷，R2为0.98。所有预测误差均<1.1%，符合成功标准（<5%）。该模型准确地捕捉了所有处理在2024-2025年间观察到的SOC下降，CT的最大绝对误差为0.28吨碳/公顷。下载：下载高分辨率图像（266KB）下载：下载全尺寸图像图2. 三种农业管理系统的模型校准和验证性能。(a) 2022年至2025年观测到的（圆圈，实线）与模拟的（方形，虚线）SOC的时间序列。紫色阴影表示校准期（2022-2024年）；绿色阴影表示独立验证期（2025年）。(b) 2025年保留验证数据的观测SOC与预测SOC的散点图，显示了极好的一致性（R2 = 0.98，RMSE = 0.20吨碳/公顷）。虚线表示1:1的关系。(c) 2025年验证的预测误差，所有都在±5%的阈值内（红色虚线）。(a)中的误差条代表观测的标准误差。CA = 保护性农业，CT = 传统耕作，OF = 有机农业。（关于图例中颜色的解释，请参阅本文的网页版本。）3.1.3. 校准参数的解释优化的IOM比例是基于标准RothC指南的初始估计值的4.2-8.0倍（表2）。CT显示出最高的IOM（24.03吨碳/公顷，占总SOC的89％），其次是OF（19.14，71％）和CA（12.47，46％）。碳输入率反映了管理强度：CA由于残留物保留和减少耕作具有最高的输入（2.93吨碳/公顷·年），CT由于残留物去除和氧化损失具有最低的输入（1.03吨碳/公顷），OF介于两者之间（1.76吨碳/公顷）。表2。为保护性农业、传统耕作和有机农业系统校准了RothC参数。

| 处理方法 | 管理措施 | C 输入 (t Cha?1 yr?1) | IOM (t Cha?1) | IOM（SOC的百分比） | 校准RMSE (tCha?1) |
|---------|-------------|-------------|-------------|-------------------|
| 保护性农业（减少耕作 + 覆盖物） | 2.93 | 12.47 | 46 | <0.001 |
| 传统耕作（全耕作 + 化学肥料） | 1.03 | 24.03 | 89 | 0.121 |
| 有机农业（全耕作 + 有机肥料） | 1.76 | 19.14 | 71 | <0.001 |

3. 土壤有机碳动态
在SSP2–4.5气候强迫下，所有三种管理方式在20年的预测期内都表现出净碳封存（图3a）。池级通量受到一级衰减函数（方程4）的调控，并受月度温度（方程2）和湿度（方程3）修正因素的影响。保护性农业的有机碳（CA）从29.25吨/公顷增加到31.06吨/公顷（增加了1.80吨/公顷），传统耕作（CT）从28.28吨/公顷增加到30.04吨/公顷（增加了1.76吨/公顷），有机农业（OF）从28.45吨/公顷增加到29.79吨/公顷（增加了1.34吨/公顷）。保护性农业的碳封存率最高，为0.09吨/公顷/年，其次是传统耕作（0.08吨/公顷/年），有机农业为0.06吨/公顷/年。活性碳池（DPM + RPM + BIO）在所有处理方式中均持续增加（图3b），其中保护性农业的增加最为显著，从2.88吨/公顷增加到3.06吨/公顷。腐殖质池（HUM）在保护性农业中从26.37吨/公顷增加到28.00吨/公顷，是总SOC增加的主要驱动力（图3c）。所有处理方式的累计碳封存量在第10年后加速，到2045年时，保护性农业达到了+1.80吨/公顷（图3d）。

**下载：**
- 下载高分辨率图片（349KB）
- 下载全尺寸图片

**图3. 在SSP2–4.5气候情景下，2025–2045年的土壤有机碳动态**
- (a) 随时间变化的总SOC储量
- (b) 活性碳池动态（DPM + RPM + BIO）
- (c) 腐殖质池变化
- (d) 相对于2022年基线的累计SOC变化

3.2.1. 气候情景下的未来SOC预测
3.2.1.1. SSP2–4.5中等排放情景
在中等气候强迫下（2025–2045年），所有处理方式均表现出碳封存（图4a）。保护性农业的有机碳从29.25吨/公顷增加到31.06吨/公顷（总计增加了1.80吨/公顷，相当于每年增加0.09吨碳或每公顷每年增加0.33吨二氧化碳），传统耕作从28.28吨/公顷增加到30.04吨/公顷（增加了1.76吨/公顷，相当于每年增加0.08吨碳），有机农业从28.45吨/公顷增加到29.79吨/公顷（增加了1.34吨/公顷，相当于每年增加0.06吨碳）。保护性农业和传统耕作的封存率没有显著差异（p = 0.89），但两者都高于有机农业（p < 0.05）。20年内，保护性农业和传统耕作分别封存了6.61吨和6.46吨二氧化碳，而有机农业封存了4.91吨二氧化碳。

**下载：**
- 下载高分辨率图片（308KB）
- 下载全尺寸图片

**图4. 两种气候情景下，2025–2045年的二十年土壤有机碳预测。**
- (a) SSP2–4.5中等排放情景下所有处理方式的正向封存趋势。
- (b) SSP5–8.5高排放情景下封存能力下降，尤其是保护性农业。阴影带代表±0.5吨碳/公顷的不确定性。
- (c) 不同处理方式和气候情景下的年封存率。实线条表示SSP2–4.5情景；虚线条表示SSP5–8.5情景。条形上方的数值表示年封存率（吨碳/公顷）。
“注：不同的气候响应反映了校准的碳池结构（表2）和关于温度敏感性的模型假设。有关解释说明，请参阅第4.1节的讨论部分。”

3.2.1.2. SSP5–8.5高排放情景
高排放气候强迫下，所有处理方式的封存能力均下降（图4b）。保护性农业的有机碳总量增加了0.96吨/公顷（增加了3.3%，相当于每年增加0.04吨碳），比SSP2–4.5情景下降了47%。传统耕作的有机碳增加了0.96吨/公顷（增加了1.49吨，相当于每年增加0.07吨碳），比SSP2–4.5情景下降了15%。有机农业的有机碳增加了0.86吨/公顷（增加了0.86吨，相当于每年增加0.04吨碳），下降了36%。与保护性农业（47%）和有机农业（36%）相比，传统耕作的封存率下降幅度较小。在高排放条件下，传统耕作的模型封存率为0.07吨/公顷/年，而保护性农业为0.04吨/公顷/年（p < 0.05）。然而，这种表面上的稳定性直接与校准的IOM比例（SOC的89%）有关，应谨慎解读（见第4.1节）。

3.2.2. 气候情景比较
在SSP5–8.5情景下，保护性农业的封存能力下降了47%（从0.09吨/公顷/年减少到0.04吨/公顷/年）。传统耕作下降了15%（从0.08吨/公顷/年减少到0.07吨/公顷/年），而有机农业下降了36%（从0.06吨/公顷/年减少到0.04吨/公顷/年）（图4c）。处理方式与气候的交互作用显著（p < 0.01），表明对变暖的反应存在差异。然而，这些差异反应受到校准的碳池分布的强烈影响，特别是传统耕作的IOM比例较高（SOC的89%，表2），在RothC框架中被视为对温度不敏感的。在中等气候（SSP2–4.5）下，保护性农业和传统耕作的封存率相似；而在高 warming（SSP5–8.5）下，模型预测的封存率有显著差异。这些差异反应的机制基础需要通过长期数据集进行验证。

3.3. 碳定价经济分析
3.3.1. 变动的价格轨迹
评估了三种碳价格情景下的20年情况：保守型（$20至$75吨二氧化碳/吨，年增长6.3%），中等型（$30至$110吨二氧化碳/吨，年增长6.5%），以及激进型（$40至$160吨二氧化碳/吨，年增长6.8%）。中等型情景作为基准情景，与日本的2050年碳中和目标和国际碳市场趋势一致。价格分为四个5年阶段：第1阶段（2025–2029年），第2阶段（2030–2034年），第3阶段（2035–2039年），第4阶段（2040–2045年），反映政策的逐步收紧。

3.3.2. 中等情景下的净现值
在3%的折现率下，中等情景下所有处理方式的净现值（NPV）均为正向（表3）。保护性农业在20年内产生的NPV为286美元/公顷，传统耕作为280美元/公顷，有机农业为214美元/公顷。折现后，NPV比未折现的收入减少了38%（保护性农业：未折现为462美元，折现后为286美元）。平均年NPV加权收入分别为保护性农业14.30美元/公顷，传统耕作14.00美元/公顷，有机农业10.70美元/公顷。保守型情景使NPV减少了35%（保护性农业：186美元/公顷），而激进型情景使NPV增加了50%（保护性农业：429美元/公顷）。

**表3. 中等价格情景下碳收入的净现值（NPV）**
| 处理方式 | 保守型NPV（美元/公顷） | 中等型NPV（美元/公顷） | 激进型NPV（美元/公顷） | 未折现收入（美元/公顷） | NPV减少百分比 |
|---------|-------------|-------------|-------------|-------------|-------------------|
| 保护性农业 | 186 | 286 | 429 | 462 | ?38% |
| 传统耕作 | 182 | 280 | 420 | 452 | ?38% |
| 有机农业 | 139 | 214 | 136 | 452 | ?38% |

3.3.3. 气候情景对经济回报的影响
在SSP5–8.5高排放情景下，NPV排名发生了变化：传统耕作的NPV为238美元/公顷，而保护性农业为152美元/公顷，有机农业为136美元/公顷。然而，这种极端气候下的经济排名直接取决于模型预测的封存率，而这些封存率又取决于校准的碳池结构（第3.1.3节）。鉴于第4.1节中讨论的参数不确定性，这些基于气候的排名应被视为示例性结果，而非预测性评估。

3.3.4. 折现率敏感性
NPV对折现率假设非常敏感（图5a）。在0%（无折现）的情况下，保护性农业产生的NPV为462美元/公顷。在1.5%的社会折现率下，NPV为377美元/公顷（比基准情景高32%）。在5%的私人部门折现率下，NPV降至219美元/公顷（降低了23%）。在7%的高折现率下，NPV降至172美元/公顷（降低了40%）。折现率的变异系数为30%，表明折现假设具有中等不确定性。较低的社会折现率（1.5–3%）更适合长期环境服务，而较高的私人部门折现率（5–7%）则不适用。

**图5. 在不同价格情景和折现率下，碳封存收入的净现值（NPV）分析。**
- (a) 在SSP2–4.5气候情景下，按价格轨迹划分的NPV。保守型= $20至$75吨二氧化碳/吨（蓝色），中等型= $30至$110吨二氧化碳/吨（绿色），激进型= $40至$160吨二氧化碳/吨（红色）。条形上方的数值表示NPV（美元/公顷）。
- (b) 在中等价格下的气候情景比较。实线条= SSP2–4.5；虚线条= SSP5–8.5。百分比数值表示气候引起的NPV减少幅度。
- (c) 在中等价格下，保护性农业处理的折现率敏感性。金色星星标记基准的3%社会折现率。当应用私人部门折现率（7%）时，NPV下降了40%。所有计算使用20年的时间框架（2025–2045年）。

3.3.5. 部分稳健性评估
为了评估关键结论对参数不确定性的敏感性，我们共同改变了三个有影响力的假设：(i) 传统耕作的IOM限制（SOC的70–95%），(ii) 碳价格轨迹（保守型到激进型），以及(iii) 总量控制与交易基准分配（0.05–0.09吨二氧化碳/公顷/年）。在SSP2–4.5情景下，平坦补贴下CA ≥ CT > OF的总体NPV顺序在测试组合中基本保持一致，反映了在中等气候强迫下的模型预测封存率。CA相对于CT的优势从可以忽略不计（<10美元/公顷）到适度（约30美元/公顷）不等，主要取决于价格轨迹和折现假设，这与更广泛的敏感性分析一致。在SSP5–8.5情景下，当CT的IOM比例超过大约80%时，NPV排名中CT明显超过CA，但当施加更严格的IOM限制（≤65–70%）时，这种优势减弱或逆转。这表明在高 warming条件下，CT与CA的比较强烈依赖于参数，不应作为管理和政策建议的坚实基础。

总体而言，这些稳健性检查支持了一个更结构化的结论：在此框架内，有机农业产生的总碳收入信号低于传统耕作和传统耕作，同时确认特定处理方式的气候脆弱性排名仍然取决于参数假设。这属于部分敏感性分析，而不是全面的不确定性传播；未来工作需要全面考虑气候、参数和经济维度。

3.4. 碳定价机制比较
在中等价格轨迹（$30–$110吨二氧化碳/吨）下，评估了三种碳定价机制：补贴、总量控制与交易和碳税，并将补贴+税收的混合机制作为第四种工具；两种气候情景下的完整NPV结果见表5。封存补贴为所有系统产生了正向现金流，并成为最具激励兼容性的机制。虽然碳税（特别是在对耕作排放征税的情况下，情景B）给传统耕作和有机农业带来了较大的财务负担，但混合政策创造了最大的差异，使得保护性农业在SSP2–4.5情景下相比传统耕作有217美元/公顷的优势。总量控制与交易的结果对气候情景非常敏感：在中等升温（SSP2–4.5）下，保护性农业和传统耕作都持有净信用头寸；但在高升温（SSP5–8.5）下，保护性农业转为净买家立场，这突显了市场基础工具下波动的封存率对农民的财务影响。

**表5. 在SSP2–4.5和SSP5–8.5气候情景下，20年期限内的碳定价机制净现值（NPV，美元/公顷）。**
- 中等价格轨迹（$30–$110吨二氧化碳/吨）：
- 机制 | 净现值（美元/公顷）
- 支持 | （保护性农业） | （传统耕作） | （有机农业） |
- 补贴（封存付费） | +286 | +280 | +214 | +152 | +238 |
- 增加性（仅高于平衡） | +150 | +148 | +80 | +78 | +122 |
- 总量控制与交易（基准：0.07吨二氧化碳/公顷/年） | +73 | +66 | ?11 | ?25 | +73 |
- 仅传统耕作（SSP2–4.5） | +73 | +66 | ?$11 | ?$25 |
- 仅传统耕作（SSP5–8.5） | +$73 | +$14 | ?$73 | ?$150 | ?$73 |
- 混合政策（补贴 + 税收，情景B） | +$234 | ($286补贴 ? $52税收) | +$17 | ($280补贴 ? $263税收) | ?$49 |

**表4. 气候情景对SOC封存和NPV的影响（2025–2045年）。**
| 处理方式 | SSP2–4.5下的封存（吨二氧化碳/公顷/年） | SSP5–8.5下的封存（吨二氧化碳/公顷/年） | 气候影响（百分比减少） | 20年总SSP2–4.5（吨二氧化碳/公顷） | NPV SSP2–4.5（美元/公顷） | NPV SSP5–8.5（美元/公顷） |
|---------|-----------------|-----------------|-----------------|-----------------|--------------|
| 保护性农业 | 0.09 | 0.04 | ?47 | 6.61 | 286 | 152 |
| 传统耕作 | 0.08 | 0.07 | ?15 | 6.46 | 280 | 238 |
| 有机农业 | 0.06 | 0.04 | ?36 | 4.91 | 214 | 136 |

**注：**气候脆弱性估计取决于模型，并反映了校准的碳池分布。有关解释说明，请参阅第4.1节的讨论部分。

3.4. 讨论
4.1. 在情景框架内解读关键发现研究发现，尽管其他研究表明耕作会导致土壤有机碳（SOC）的损失（Ye等人，2020年；Hermle等人，2008年），但CT模拟结果显示碳封存效果为正，这突显了准确碳输入率和土壤有机质（IOM）池优化的重要性。在不同处理下，该IOM池占总SOC的46-89%（表2）。因此，模型结果对初始参数设置非常敏感，这强调了在基于情景的分析中明确揭示假设的重要性。引入第二个高排放气候情景（SSP5-8.5）后，各系统的模型响应存在差异：连续耕作（CA）的碳封存能力降低了47%（从0.09吨碳/公顷/年降至0.04吨碳/公顷/年），而保护性耕作（CT）降低了15%（从0.08吨碳/公顷/年降至0.07吨碳/公顷/年），有机耕作（OF）降低了36%。

关键解释局限性：CT的较低气候敏感性必须谨慎解读，因为它直接与校准后的IOM比例相关（占总SOC的89%，表2）。在RothC模型结构中，IOM被视为对温度无响应的，这意味着具有较高IOM比例的系统无论实际土壤脆弱性如何，都会在模型上显示出较低的气候敏感性。这些参数限制对碳政策设计有直接影响。如果碳信用或配额交易系统中的基线分配是基于反映IOM驱动稳定性的模型预测而不是经过实证验证的长期封存数据进行的，那么可能会过度认可CT系统，而对转向CA的激励不足。因此，在用更长时间（>10年）的观测数据和独立的池分馏测量结果验证之前，政策制定者应将模型得出的气候脆弱性排名视为定性排序信号，而非定量基准。此外，当折现率从3%上升到7%时，净现值（NPV）下降40%（图4c）对面向农民的支付设计有直接影响：基于社会折现率（1.5-3%）校准的指标将系统性地高估在高私人折现率下农民的感知经济效益，可能会抑制实际采纳率超过模型预测。

尽管耕作通常会降低碳稳定性，但CT仍具有最高的IOM比例，这可能反映了将模型拟合到2022-2025年安多斯土（Andosols）短期观测数据（Hermle等人，2008年）的局限性，所有处理都从相似的基线SOC水平（约27吨碳/公顷）开始。高IOM比例可能代表了一种综合参数，反映了火山灰土壤特有的多种稳定机制（强铝/铁-有机质关联），而不仅仅是真正的惰性碳。然而，这些与矿物质相关的形式在持续变暖下的稳定性尚不确定（Hartley等人，2021年；Davidson和Janssens，2006年；Parihar等人，2019年）。因此，CT比CA更具气候抗性这一发现不应被解释为传统耕作在气候上更优的证据。相反，它说明了将基于池的模型（如RothC）应用于短期实验的基本局限性：模型可能通过将碳分配给IOM来达到校准吻合，但这并不反映在变化条件下的长期稳定性。需要使用更长期（>10年）的数据集、同位素示踪剂或物理/化学分馏进行独立验证，以确定这种表面上的抗性是否反映了土壤实际情况或校准偏差。

尽管存在这种参数不确定性，但在两种气候情景和所有定价机制下，相对经济排名仍然稳定，这支持了该框架在比较政策评估中的实用性。

4.1.1 校准限制和IOM解释
有几个因素可能导致这种校准结果：
- 短 observation period：2022-2025年的校准窗口不足以检测到通常在几十年时间尺度上才会出现的耕作引起的SOC损耗（Hermle等人，2008年；Ye等人，2020年）。所有处理都从相似的SOC基线（约27吨碳/公顷）开始，反映了实验前土地利用留下的碳。
- Andosol 特性：在火山灰土壤中，铝和铁氧化物形成了异常强的有机矿物复合物，即使在受到干扰的系统中也可能起到“有效IOM”的作用（Torn等人，1997年；Parfitt等人，2002年）。这些关联可能在短期内持续存在，尽管它们在气候变化下的长期稳定性仍不确定。
- 模型结构限制：RothC的概念性池结构可能无法充分代表安多斯土中碳稳定性的连续性（Basile-Doelsch等人，2020年；Sulman等人，2018年）。校准算法在面对耕作土壤中高观测SOC和有限的活性碳输入时，通过夸大IOM池来进行补偿，这是一种数学上有效但在物理上可能不可行的解决方案。
- 参数等效性：多种参数组合可以实现类似的观测结果。我们的校准优先考虑最小化总SOC的均方根误差（RMSE），但其他方法（例如基于土壤分馏数据的IOM约束）会产生具有不同气候预测的参数集（Stewart等人，2008年；Zimmermann等人，2007年）。

鉴于这些限制，CT在SSP5-8.5情景下的明显气候抗性（15%的损失）反映了校准后的模型结构，不应作为气候变化下的作物管理建议的依据。该框架的价值在于跨政策设计的比较经济分析，其中CA始终显示出优势，而不是在绝对的气候脆弱性预测上。未来的应用应使用独立测量（如酸水解残渣、Rock-Eval热解；Zimmermann等人，2007年；Plante等人，2009年）来约束IOM，或纳入更长期的验证数据集。

4.2 在不同政策情景下的经济信号
净现值（NPV）分析将这些生物物理趋势转化为三种碳价格轨迹下的经济信号：保守型、中等型和激进型。在中等情景下，与日本2050年碳中和路线图中的中等碳价格水平一致，CA产生的NPV最高（286美元/公顷），尽管与CT（280美元/公顷）的差异很小。这种微小差异表明不应过度解读管理系统之间的基线NPV差异。从政策机制的比较中可以得出更有意义的见解：对封存的补贴为所有系统带来了正现金流，在框架内产生了积极的经济信号，而对耕作排放的碳税则为CT和OF创造了显著的财务抑制（-734美元/公顷）。最值得注意的是，混合政策（补贴+税收）产生了明显有利于CA的经济信号（+217美元/公顷的差异），表明政策设计可能会对模型经济信号产生比模拟封存结果差异更大的影响。这一结果反映了环境经济学中的一个核心原则：无论补贴、税收还是配额交易等工具的设计，都可以像潜在的生物物理缓解潜力一样强大地塑造采纳激励（Stavins，2020年），该框架直接支持这种比较分析。例如，发现在高排放未来（SSP5-8.5）下，当排放超过假设的配额基准时，CT可以从净信用卖家转变为净信用买家，这突显了在波动的碳市场中农民可能面临的潜在财务风险，这一点在纯粹的生物物理研究中常常被忽视（Shi等人，2025年）。同时，这些经济差异的幅度取决于具有重大参数不确定性的模拟封存率（第4.1.1节），因此应谨慎解读。

一个在所有测试参数化中保持一致的结构发现是，在奖励总封存的定价工具（固定率补贴或高于基线的配额交易）下，CA和CT通常产生的总碳收入信号略高于OF，因为OF在所有测试的价格轨迹和两种气候情景下的模拟封存率都较低。这种排序对0-7%范围内的折现率不敏感，表明排名本身比回报的绝对幅度更为稳健。

相比之下，一些发现是基于参数假设的，应被视为情景依赖的而非普遍适用的。CA相对于CT的适度NPV优势（在SSP2-4.5，中等轨迹下为+6美元/公顷）很小，并且对假设的封存率敏感。同样，混合政策下CA的更大优势（+217美元/公顷）取决于假设的耕作排放因素（0.2吨碳/公顷/年），而这在敏感性分析中没有变化。同样，在SSP5-8.5下CT在NPV上超过CA的情况仅在特定的校准IOM池参数化下出现，并且可能在其他池假设下发生变化。这种区别很重要：虽然特定处理的经济排名可能随着不确定的模型参数而变化，但政策工具能够产生的激励强度显然比单纯的生物物理差异更稳健。

4.3 方法论贡献与现有方法的比较
将基于过程的土壤碳建模与基于情景的经济政策分析相结合，代表了一种不同于以往方法的方法论贡献。虽然RothC已被广泛用于预测SOC变化（Coleman和Jenkinson，1996年；Germemew等人，2024年），经济研究也评估了农业中的碳定价（Flues和Van Dender，2020年；Ohlendorf等人，2021年），但很少有人将它们整合到一个灵活的、基于情景的框架中，并保持对假设的透明度。我们的方法与基于机器学习的“碳价格预测”研究（Xu等人，2020年；Pang等人，2023年）不同，我们将碳价格视为外生情景参数，而不是预测目标，重点关注不同政策设计下SOC变化的相对经济影响。

针对独立实地数据（2024-2025年）的明确校准和验证增强了生物物理基础的可信度，这是在纯理论政策练习中经常省略的步骤。然而，高优化的IOM值（高达总SOC的89%）表明，默认的RothC参数可能不直接适用于安多斯土或类似的风化土壤，这呼应了Barancikova等人（2010年）和Maas和Lal（2023年）提出的警告。这强化了该框架作为一个需要根据当地土壤、气候和管理数据重新校准的方法论模板的作用。

4.4 局限性和未来研究方向
几个限制限制了我们结果的直接适用性，并指出了未来研究的富有成效的方向：
- 地区特定校准：该框架是为温带日本安多斯土参数化的。热带、干旱或沼泽土壤的SOC动态、气候敏感性和碳输入效率可能显著不同。未来的应用应在不同的农生态区测试该框架，纳入关于SOC饱和度、启动效应和粘土-有机质相互作用的区域特定数据（Sulman等人，2018年；Wieder等人，2015年）。
- 空间规模和放大不确定性：所有模拟都是在地块尺度（10平方米地块，单一点，新潟县）参数化的，结果不应在没有考虑土壤性质、地形和管理空间异质性的情况下外推到田地或景观尺度。放大将需要空间明确的土壤调查和RothC输入的地质统计插值；在区域尺度应用的碳政策工具应将这些不确定性纳入基线设计。
- 忽略了社会经济因素：分析仅关注碳收入，排除了实践变化的成本，如新设备、学习曲线、产量影响和采纳行为障碍。通过基于代理的模型或农场家庭调查纳入这些因素将增强经济信号的真实性（Streletskaya等人，2020年）。
- 静态管理假设：一个关键边界条件是假设20年内的静态管理。实际上，农民会通过增加覆盖作物、调整残渣保留等方式适应气候压力（Toth等人，2025年；Parihar等人，2019年）。这一假设极大地影响了气候情景结果的解释。像CA这样的系统在静态假设下看起来对变暖更为脆弱（封存减少47%），但实际上由于其内在的土壤健康效益可能更具适应性。相反，CT的“抗性”部分是其高IOM比例和静态管理的结果。因此，我们的气候脆弱性排名不应被解释为在适应性管理下的长期系统表现预测。未来的框架应用应纳入动态的、适应性的管理情景。本研究依赖于定期收集的地块级现场测量数据，这限制了空间分辨率和时间连续性。新兴的智能农业技术，包括用于连续环境监测的基于物联网的传感器网络（Morchid等人，2024年；Morchid等人，2026年）和用于实时农艺控制的云集成数据平台（Morchid等人，2024年），为高频、田间级别的数据流提供了潜在途径。将这些系统与基于过程的生物物理模型相结合，可以显著改进碳输入的参数化，减少对静态管理假设的依赖，并最终支持更稳健的MRV协议用于农业碳市场。

- 碳价格情景具有说明性：虽然基于国际基准，但价格轨迹是假设的。将该框架与日本J-Credit计划或自愿碳市场的实际市场数据联系起来将是下一步宝贵的工作。
- 不确定性传播：分析通过敏感性分析承认参数不确定性，但没有完全将气候预测、模型参数和价格情景的不确定性传播到经济输出。未来的工作可以采用蒙特卡洛或随机建模来量化结果分布。
- 短期校准和IOM不确定性：3年的校准窗口（2022-2025年）不足以稳健地划分SOC池，如4.1.1节所讨论的。因此，对气候脆弱性排名的解读应谨慎进行，它们并不适用于管理建议。未来的应用应通过土壤分馏（a）、长期验证（b）或集合建模（c）来限制IOM（土壤有机质）。4.4.1 研究前景短期内（1-3年），重点是将校准数据集扩展并通过土壤分馏（酸性水解残留物、Rock-Eval热解）获得独立的IOM约束。在中期（3-10年），该框架应结合动态管理情景，并在不同的农业生态区内进行测试，同时整合基于代理的采纳模型以提高经济真实感。在长期（>10年）内，该架构非常适合与国家MRV（监测、报告和核查）系统（如日本的J-Credit计划）集成，通过蒙特卡洛模拟在整个GCM（全球气候模型）、参数和价格维度上进行完整的不确定性传播将是一个自然的扩展。4.5 对政策和实践的影响这一情景框架提出了几个假设，关于在不同假设下替代碳政策设计与模拟的SOC（土壤有机质）动态之间的相互作用。这些应该被视为探索性的见解，而不是政策建议，特别是因为实践采纳成本、产量效应、交易成本和行为反应超出了本分析的范围。在框架内，基于补贴的工具在各个管理系统中产生了相对稳定的正碳收入信号。这表明基于绩效的激励措施可能提供了一种冲突较少的政策结构，值得在更全面的经济和实证研究中进一步评估。结合激励和惩罚的混合政策结构在所选参数化下放大了各管理系统之间的差异，尤其是在保护性农业（CA）和传统耕作（CT）之间。这产生了这样的假设：混合政策设计可能对基准定义和实施规则敏感，因此值得进一步探索，而不是直接进行政策推断。分析还强调，政策解读对生物物理不确定性和静态管理假设很敏感。这表明，适应性政策架构（如定期重新校准或对变化的气候条件作出响应的机制）可能比固定的长期激励结构更值得研究。总的来说，这些结果应被视为由比较框架生成的假设，而不是现实世界采纳激励或全面政策性能的证据。5. 结论本研究开发并展示了一个透明的、基于情景的框架，用于评估在不同农业管理系统下土壤有机碳（SOC）动态如何转化为在说明性碳政策设计下的差异化经济信号。当前分析支持的结果包括以下几点。首先，该框架提供了一种可复制的工作流程，将基于过程的SOC建模与风格化经济政策情景联系起来，将碳价格视为外生的情景参数。其次，在新潟安土岭系统的选定参数化下，保护性农业显示出更高的模拟SOC积累量（在SSP2-4.5情景下为0.090吨碳/公顷/年），并且通常比有机农业产生更强的碳收入信号，而往往与传统耕作相当或略有超出。第三，分析表明，政策工具的结构（补贴、税收或总量控制）对不同情景下的经济信号的方向和大小有显著影响。其他发现仍有条件性，解读时需要谨慎。在SSP5-8.5情景下，保护性农业、传统耕作和有机农业之间的气候脆弱性差异明显受到校准的惰性有机质（IOM）比例的影响，而这些比例并未独立约束，因此应解释为模型依赖的情景结果，而不是稳健的系统排名。同样，经济排名对碳价格轨迹、贴现率和基准定义的假设非常敏感，而关于混合政策激励的结论仍然是假设性的，因为采纳成本、产量效应和行为反应被排除了。总的来说，这个框架最好被理解为一个比较性和假设生成的工具，而不是一个预测性或规定性政策的模型。未来的工作应加强对SOC池动态的实证约束，纳入适应性管理和采纳行为，并扩展不确定性传播，以提高其在不同农业背景下的适用性。CRediT作者贡献声明：Ayomikun David Ajayi：写作——评审与编辑，写作——初稿，可视化，验证，软件，方法论，形式分析，数据管理，概念化。Wiyao Banakinaou：写作——评审与编辑，写作——初稿，可视化，验证，软件，方法论，形式分析，数据管理。Tadao Aoda：写作——评审与编辑，验证，监督，资源，调查。Hideo Hasegawa：写作——评审与编辑，可视化，监督，资源，项目管理，调查，概念化。