图片源于：https://www.nature.com/articles/s41467-024-54846-2
OSCAR模型是一种简化复杂度的地球系统模型，旨在模拟更复杂模型的行为，从而促进对长期气候政策和碳预算的分析。
标准版的OSCAR不以网格规模运行，而是以区域和国家水平运作。
尽管如此，它保持了一定的灵活性，允许根据特定的研究需要调整规模。
其简化的复杂性减少了计算需求，因此使其成为高效的工具。
在标定方面，陆地碳循环的前工业稳态参数基于TRENDYv7模型，消除了预热的必要。
陆地生态系统对气候变化和二氧化碳浓度变化的瞬时响应则基于CMIP5的模拟进行标定。
OSCAR旨在在概率框架内使用：通过蒙特卡洛集成中的大范围参数进行模拟，随后将结果与观测数据进行约束。
OSCAR-China模型
我们将OSCAR v3.2扩展为中国的基于网格的版本，此处称为OSCAR-China。
我们修改后的版本以0.5°×0.5°的尺度运行，从而提供对局部土地使用和土地覆盖变化及其对碳循环影响的空间显式表示。
考虑到TRENDYv7模型集在提供每种植物功能类型的详细碳储量和通量方面的局限性，直接在0.5°×0.5°尺度上标定中国的稳态参数并不可行。
相反，我们采用基于文献中的方程式A45的方法。
这涉及将中国划分为七个大地理区域，并分别估计这些区域的稳态参数。
随后，将这些区域导出的参数应用于其对应区域内的所有网格点。
在本研究中，我们利用OSCAR-China模型以“离线”模式更准确地模拟中国的陆地碳动态。
在此背景下，“离线”是指模型由外部观测输入驱动，例如二氧化碳浓度和气候数据，而不是在模型内部模拟这些驱动因素。
关于实验设置的更多细节将在下一部分提供。
历史实验设置
我们在1800年启动了OSCAR-China模型，但只报告了1900到2018年的碳通量，以考虑土地使用历史对当前碳动态的遗留效应。
模拟由两种主要类型的驱动力数据驱动：环境变化（大气二氧化碳浓度、温度和降水）和土地使用变化扰动（土地覆盖变化、木材采伐和轮作）。
大气二氧化碳浓度直接取自GCB协议。
1901-2018年期间的观测基础温度和降水数据来源于CRU-TS v4.0，1901年之前的值则使用1901-1920年的平均值作为前工业基线进行估算。
对于历史土地覆盖变化，我们依赖于Yu22数据集，这是一个通过整合多种清单和观测来源纠正偏差的近期重建数据集。
该数据集将土地分为五种生物群落：森林、农田、草地、灌木和湿地。
为了使该数据集与OSCAR-China模型内生地模型化的生物群落（森林、非森林、农田、牧场和城市）对齐，我们进行分类重新调整。
具体来说，Yu22中的森林和农田直接对应于OSCAR-China，而灌木和湿地则被重新分类为非森林。
Yu22中的草地被划分为非森林和牧场，使用HYDE3.2进行分配。
在Yu22中缺失的城市类别则通过LUH2-GCB2019补充。
为了保持一致性，城市面积的任何增加都通过相应减少非森林类别来抵消，确保每个网格单元中的生物群落面积分数总和为100％。
由于缺乏1900年前的土地覆盖变化数据，我们使用LUH2-GCB2019的转移矩阵和1900年土地覆盖数据进行回溯，重建从1800年到1899年的变化。
我们方法的稳健性得到了我们1800年森林面积估算与独立数据集接近一致的支持。
关于中国生物群落面积变化的简要概述，请参见补充图6。
此外，考虑到轮作主要发生在33°N到33°S之间，我们假定中国缺乏这一因素，并将其设置为零。
木材采伐数据基于全球森林资源评估（FRA）国家级数据，并根据LUH2-GCB2019中报告的中国主要和次级森林的分布进行空间分配。
为了满足OSCAR-China的特定需求，开发土地覆盖变化的转移矩阵成为必要。
因此，我们假设一个生物群落的面积增加在相同网格单元和年份内按比例分配到经历面积减少的其他生物群落中，根据它们在总面积减少中的占比进行分配（比例分配；补充图7）。
请注意，这种构建方式仅提供净土地覆盖转换，而没有在同一网格单元和特定年份的毛增减。
未来情景设计
为了进行2019年至2100年的未来模拟，OSCAR-China需要与历史模拟相同类型的输入数据。
为本研究，我们通过整合三种气候变化情景和三种土地使用变化情景，开发未来碳动态的未来预测。
SSP1-2.6、SSP2-4.5和SSP5-8.5下的未来温度和降水时间序列直接取自CMIP6项目中使用的数据库，作为31种模型的多模型平均。
为了与历史数据结合，我们对温度数据应用加性调整因子（偏移）和对降水数据应用乘法调整因子（缩放），使用2000年至2018年的平均值作为参考。
所有CMIP6输出都利用气候数据操作员实施的一阶保守重映射方案重新网格化至0.5°空间分辨率，适用于中国。
关于未来不同SSP下的二氧化碳浓度，我们依赖于文献提供的数据。
在开发未来土地使用变化情景时，我们的方法首先集中在构建与国家目标相吻合的森林面积变化情景。
这些情景涉及三种森林扩展轨迹和相应的空间分配策略，详细信息在其各个部分进行说明。
森林面积变化情景建立后，我们使用LUH2 v2f数据集的可持续情景SSP1-2.6补充其他生物群落面积变化和木材采伐信息。
这一情景的选择与中国的国家植树造林目标相符。
这一步骤涉及从LUH2 v2f直接获取农田和城市的数据，而牧场和非森林地区的变化则根据其在该数据集中的比例进行估算。
为了使未来的木材采伐预测与历史数据一致，并纠正LUH v2f和历史数据之间农田和城市的偏差，使用了以2018年为参考点的加性调整因子。
此外，森林面积的扩张也可能导致未来木材采伐的增加。
为了考虑这种可能性，我们还将LUH2 v2f SSP5-8.5情景中的木材采伐引入到我们的分析中，该情景预测未来木材采伐的增强。
该情景为SSP1-2.6提供了相对立场，后者的森林大部分将处于未开发状态，从而全面分析落地于中国国家造林目标的潜在结果。
森林扩展轨迹
我们开发了三种不同的森林扩展轨迹，每种轨迹基于当前国家植树造林目标、潜在森林分布和有关政策实施及雄心程度的不同假设，提供了中国森林面积扩张的多种可能未来。
为了模拟不同目标年份之间的过渡，采用线性插值法，确保森林面积随着时间的推移平稳且逐渐变化。
具体细节见补充表4。
森林化的空间分配策略
在我们的研究中，我们制定了三种不同的策略来优先和分配年度造林机会。
我们的默认方法是基于可持续潜力的策略，该方法涉及在所有地区逐步和均衡地分配造林工作。
这一策略受限于可用的潜在森林化空间，旨在推广持续的森林化，以确保生态平衡和可持续性。
除了这个方法外，我们还制定了另外两种更具针对性的策略，优先在森林生态系统碳密度低或高的地区实施造林。
这些策略旨在界定未来森林化工作中的不确定性范围。
第一个，以低碳密度优先策略（命名为“Low”），每年根据优先低碳密度地区的空间分配开展森林化。
其目标是优先在这些低密度地区进行生态修复，从而增强当前碳浓度较低地区的碳捕集能力。
相反，高碳密度优先策略（命名为“High”）首次将森林化工作集中在碳密度较高的地区，之后才考虑低密度地区。
这种方法确保森林化工作在具有最大即时碳捕集潜力的地区获得战略集中。
在我们的研究中，我们为不同的气候和土地使用变化情景采用明确的命名法，例如“SSP126-Continued”、“SSP126-Continued-Low”和“SSP126-Continued-High”。
请注意，除非在文本中明确指出，否则我们的研究默认采用基于可持续潜力的森林化策略，只有在敏感性分析中使用“High”和“Low”情景。
潜在森林分布
我们通过三种数据集识别潜在森林区域，这些数据集来自相关文献，包括随机森林模型的预测，世界资源研究所和ORCHIDEE动态全球植被模型。
我们关注在所有三种来源中始终被分类为潜在森林的区域，以确保通过选择它们的交集来提高可靠性。
在定义潜在森林区域时应用了两个关键限制：
（1）现今森林面积限制：如果网格单元的估计潜在森林面积小于2019年该单元的现有森林面积，则将潜在区域调整为与现有森林面积相等；
（2）非森林和牧场面积为硬约束。
考虑到农田和城市区域的密集使用和社会经济价值，转换这些土地为森林的潜力有限。
因此，森林面积增加的潜在机会受限于网格单元内可用的非森林和牧场面积。
如果森林面积的增加超过了可用的非森林和牧场面积总和，我们会将潜在森林面积调整为现有森林、非森林土地和牧场的总面积。
这样做确保我们的预测与实际土地使用变化的可能性对齐。
因此，我们的分析表明，中国仍有额外的980万公顷适合森林化（补充图9），与2019年的当前219万公顷相比，潜在森林面积为317万公顷。
管理森林面积变化
为了追踪中国1900年至2100年的管理森林面积变化，采取以下步骤。
首先，类似于相关文献的方法，使用一个数据集（此后称为Han&Pot），该数据集将2013年的森林分类为“完整型”或“非完整型”。
将“非完整型”视为管理森林，以确定中国管理森林与总森林面积的比例。
通过应用这一比例，我们在相应年份的土地使用变化驱动数据中识别了管理森林面积。
这一方法的选择是因为该数据集中的总森林面积被发现在其他来源中相对较低，因此需要使用该比例以更准确地代表管理森林的广度。
请注意，对于在比例图中缺失森林数据的区域，我们假设相邻可用值的管理森林比例相同。
由于缺乏历史数据，我们假设1900至2100年的所有森林面积增加均在管理森林中。
对于森林的损失，我们的模型将其划分为两个阶段：1980年前的损失被假设为来自未管理森林，反映了当时较少的森林管理。
1980年后，损失被归因于管理森林，这与上世纪80年代重大森林恢复项目的开始相吻合。
这使我们能够根据2013年的数据向后推算至1900年，向前推算至2100年，计算管理森林的变化。
补充图10展示了总森林面积和管理森林面积的变化情况。
受限制的蒙特卡洛集成
我们运行一个历史实验和各种未来情景的组合，每个实验依赖于1000个生物地球化学参数化的蒙特卡洛集成。
这些参数化随机均匀选自一组潜在参数集。
为了约束我们的模拟结果，我们利用两个特定于中国的基于观测的基准。
第一个是2000至2019年期间的净陆地碳汇（F NET），在最新的区域碳循环评估和过程报告中报告的值为−0.30 ± 0.037 Gt C yr−1。
需要注意的是，未被OSCAR-China模型捕获的侧向通量被排除在F NET基准之外。
第二个基准是2014至2018年期间的森林植被碳储量（cVeg），根据第9次国家森林调查报告，自然范围为8.98 Gt C。
国家森林调查的调查精度超过90％，这意味着固有的不确定性约为10％。
为了采取保守态度，我们将这一数字扩大到20％，导致森林cVeg的标准偏差为1.80 Gt C。
对于集成的每次模拟（N = 1000），我们根据与F NET基准的符合程度分配权重
w1，以及根据与森林cVeg基准的符合程度分配权重
w2。
这些权重的计算使用高斯函数，如方程（1）和（2）所示。
相应地，每个蒙特卡洛模拟还分配一个最终权重
w3，通过正则化其生成的每次模拟中的
w1和
w2的乘积，具体呈现如方程(3)：
这一正则化确保所有模拟的
w3加权和为1，使其可用作计算模拟输出的加权平均值和标准偏差。
所有提供的结果均为后续的约束加权平均值和加权标准偏差。
补充图11展示了OSCAR-China模型中关键变量（E LUC、F NET、S LAND）的蒙特卡洛分布，无论是在施加约束之前和之后均有呈现。
额外汇能力损失的计算
我们的模型能够计算“额外汇能力损失”（LASC），定义为随着土地覆盖变化，实际的土地汇与若干前工业土地覆盖下假设存在的土地汇之间的差异。
这一术语在动态全球植被模型中固有地包含在E LUC计算中，但由于其反事实特性而在簿记模型和清单中缺失，并且在土地使用、土地变化及林业活动结束后仍然存在。
在中国，自1900年以来LASC一直是一个小但持续的排放来源，主要是由于自前工业时期以来的森林砍伐。
随后，预计由于增加的森林化活动，它将充当碳汇，详细数据见补充图12。
NGHGI LULUCF数据库
由各方提交给联合国气候变化框架公约（UNFCCC）的NGHGI提供了温室气体排放和去除的数据，其中LULUCF部门是与F NET(man)定义高度一致的关键组成部分。
在中国，作为非附属一国，各种NGHGI数据通过国家通讯和双年更新报告间歇性地进行报道。
在我们的研究中收录的中国NGHGI LULUCF数据包括1994年、2005年、2010年、2012年、2014年、2017年和2018年（补充表5）。
为了填补报告中的缺口，我们应用线性插值法来估算缺失值，生成1994年至2018年的连续数据集。
随后使用此数据集计算多年度平均值，如图1b所示。
FAOSTAT LULUCF数据库
FAOSTAT LULUCF数据库由联合国粮农组织（FAO）管理，提供全球标准化的LULUCF数据。
其估算基于各国报告森林资源数据，包括来自FRA的生物量储量和森林面积的输入。
与NGHGI不同，FAOSTAT在各国间使用一致的方法论，提供对LULUCF排放和去除的独立视角。
综合评估模型
在本研究中，我们展示了来自IIASA AR6情景数据库的IAM模型的结果。
IAM生成的E LUC估算受到数据库的农业、林业和其他土地使用（AFOLU）变量的启发。
由于该数据库的构建中，农业的二氧化碳排放为零，因此，这一AFOLU变量对应于我们研究中的E LUC。
此外，我们从1685个针对中国的情景中聚合可用模型数据，推导出我们的IAM均值，覆盖的时间范围为2005年至2100年。
评估全球碳预算的簿记模型
在我们的研究中，我们结合了使用于GCB2023的三种主要簿记模型的结果：H&C22，BLUE20和OSCAR-GCB。
这些模型在碳循环研究领域得到广泛采用，并提供有关陆地碳排放的全面、科学严谨的见解。
所有三种模型的数据均从GCB2023中提供的补充信息中检索，涉及中国的泥炭地火灾的具体数据则直接来自于BLUE团队。
