2024, Vol. 45
2. 南京大学地理与海洋科学学院, 南京 210023;
3. 兰州大学资源环境学院, 兰州 730000;
4. 江苏第二师范学院地理科学学院, 南京 211200
2. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China;
3. College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China;
4. School of Geographical Sciences, Jiangsu Second Normal University, Nanjing 211200, China
温室气体尤其是二氧化碳排放是导致全球气候变化的主要原因, 对人类健康和生态环境构成了严重威胁.减少碳排放并最终实现碳中和是未来全球面临的主要挑战.城市是人类生产生活的主要载体, 占全球陆地面积不到3%, 但却消耗了67%~76%的化石燃料, 产生了71%~76%的碳排放[1].中国城市碳排放的贡献占比约为80%~85%[2].作为最大的发展中国家, 中国正处于快速的城市化进程.随着人口和城市土地规模不断扩大, 以及高强度的工业活动, 实现“双碳”目标将面临较大压力.碳中和的实现一方面取决于碳源的排放量, 另一方面还取决于碳汇的吸收量[3].因此, 评估陆地生态系统的碳汇容量, 探究碳源/汇与城市发展之间的关系, 对于实现碳中和与城市可持续发展, 探索城市规划与管理策略具有重要意义.
碳排放的计算具有相对规范的核算体系和方法, 其中大部分涉及能源消耗.许多组织和机构提供了全球或特定区域的碳排放数据清单, 如国际能源署和中国城市温室气体工作组等.碳汇的估算方法主要包括清查法、涡度相关法、生态系统模型模拟和大气反演法[4].清查法估算结果准确性较高, 受样地数量和清查周期限制, 难以获得长时间序列区域尺度碳汇变化；涡度相关法广泛应用于站点尺度的碳通量定位观测；生态系统模型通过模拟生态系统碳循环的过程机制对碳汇进行估算, 可以区分不同因素对碳汇变化的贡献, 但模型结构和参数存在较大不确定性；大气反演法基于大气传输模型与大气CO2浓度估算碳汇, 适用于宏观尺度碳源/汇变化监测[5, 6].净生态系统生产力（net ecosystem productivity, NEP）是表征陆地生态系统与大气之间净碳交换的物理量, 是评价陆地生态系统碳汇的重要指标[7, 8].地面观测与遥感数据相结合测算NEP的方法由于高时空分辨率及数据开放获取等优势成为研究陆地生态系统碳汇的重要信息来源.如戴尔阜等[9]基于NEP探究了内蒙古草地生态系统碳源/汇的时空格局. Zhang等[10]采用NEP评估了中国陆地生态系统碳平衡及碳储存潜力.
为了应对气候变化, 许多学者对碳排放的影响因素进行了研究, 如人口规模、经济增长、能源消耗和产业结构等[11 ~ 14].城市扩张和土地利用变化对碳源/汇也会产生重要影响.土地利用变化、蓝绿空间减少以及高强度的社会经济活动不仅会导致碳排放的增加, 还会改变陆地生态系统碳汇[15]. Zhang等[16]基于数据包络分析对中国省级土地利用变化碳源/汇进行了分析.周嘉等[17]和李缘缘等[18]对土地利用变化导致的碳排放与碳吸收进行了计算. Ye等[19]揭示了2000~2020年中国建设用地扩张导致的碳汇损失.Chuai等[20]探讨了中国省级尺度碳中和差距及其对土地利用变化的响应. Zhang等[21]揭示了城市绿化和农村人口减少以及通过可持续的城市管理, 可以抵消城市扩张带来的碳汇损失.一些学者逐渐认识到城市形态, 反映了资源、基础设施和人口密度的空间组织形式, 影响城市空间功能配置与社会经济活动效率, 从而对碳排放也会产生影响[22, 23]. Shi等[24]发现城市形态的复杂性由于城市面积、人口规模的差异会对碳排放产生不同的影响.韩帅帅等[25]表明大型城市多中心的城市空间结构有助于减少碳排放.Ding等[26]研究发现城市紧凑性对碳排放的影响存在阈值效应.高度紧凑的城市形态会造成过度拥挤, 影响资源利用效率, 带来更多的环境暴露, 如空气污染和热岛效应[27].许多研究证实了城市形态主要通过影响出行需求、交通运输、建筑系统和城市热岛环境对能源消耗和碳排放产生影响[28, 29].
以往关于碳源/汇的研究多侧重于探究城市社会经济活动和土地利用等各种因素与碳排放之间的关系, 结合陆地生态系统碳汇的综合研究较少；相较于单因素影响, 城市空间扩张与社会经济因素的相互作用可能会对碳源/汇产生更大影响.鉴于此, 本研究采用NEP评估了长三角陆地生态系统碳汇, 分析长三角碳源/汇时空特征及城市实现碳中和的潜力.利用Pearson相关系数与地理探测器探究城市扩张、社会经济因素及其交互作用对碳源/汇的影响, 以期为优化城市空间布局、促进城市实现碳中和与可持续发展提供新的线索, 研究框架关系如图 1.
|
图 1 城市扩张、社会经济因素与碳源/汇的框架关系 Fig. 1 Framework relationship between urban expansion, socioeconomic factors, and carbon sources/sinks |
长三角地区包括上海、江苏、浙江和安徽省, 共41个地级市, 是中国经济发展最活跃、开放程度最高和创新能力最强的区域之一[30].长三角面积约占全国领土的3.70%, 2020年承载的人口达2.35亿人, 占全国比例为16.67%, 贡献的GDP达24.47亿万元, 占全国比例为24.17%.随着经济迅猛增长和城市不断扩张, 带来了能源和自然资源的大量消耗. 2020年长三角能源消费量达8亿t, 占全国比例为16.45%, 碳排放为18.48亿t, 占全国的比例为16.05%.长三角地区正在积极推进国家碳中和目标与城市高质量发展.作为经济发展与生态建设的先行示范区, 探究长三角碳源/汇时空特征及其与城市发展的关系, 对于其他区域低碳可持续城市建设具有引领作用.
1.2 数据来源与处理研究数据包括遥感数据、碳排放数据和社会经济数据, 时间跨度为2005~2020年.其中, 净初级生产力（NPP）数据来源于MODIS17A3产品. 降水和温度数据由中国气候研究中心（CRU）和WorldClim提供, 来源于国家地球系统科学数据中心.土壤有机碳密度（SOC）数据来源于国家青藏高原数据中心. NDVI数据来源于MOD13A3数据产品.将以上数据投影并重采样为1 km.土地利用数据空间分辨率为30 m, 来源于资源环境科学与数据中心.考虑到碳排放主要来源于工业和城市能源消费, 因此, 城市建设用地包括城市用地和工业用地, 用来计算城市空间扩张和景观指数.碳排放数据来源于中国城市温室气体工作组.人口和GDP等社会经济数据来源于2006~2021年《中国城市统计年鉴》.
1.3 研究方法 1.3.1 城市扩张采用城市扩张速度和城市扩张强度评价城市扩张.二者可以定量表征单位时间内城市规模的变化, 是评价城市扩张空间变化的重要指标[31, 32].计算公式如下：
|
(1) |
|
(2) |
式中, UR为城市扩张速度, UAn+i和UAi为n+i和i时刻的城市建设用地面积. n为n+i和i时刻的时间间隔.UI为城市扩张强度, TAi为i时刻的城市总面积.
1.3.2 碳源/汇与碳中和差距计算碳源主要是指人类生产生活中能源消耗产生的碳排放.采用中国城市温室气体工作组发布的直接碳排放数据进行计算. NEP可以量化陆地生态系统中的碳汇, 通过NPP与土壤异养呼吸（Rh）之间的差值可以计算得出. Rh通过与年土壤呼吸（Rs）之间的拟合方程确定, Rh对温度、降水和土壤有机碳（SOC）敏感, 且与Rs成正比.NEP和Rh计算公式如下[33]：
|
(3) |
|
(4) |
Yu等[34]利用土壤有机碳、温度和降水数据, 构建了区域尺度的地质统计模型模拟Rs, 适用于中国的土壤呼吸研究, 计算公式如下：
|
(5) |
|
(6) |
式中, SOC为0~20 cm土壤有机碳密度（以C计, kg·m-2）. T为月平均温度（℃）, P为月平均降水量（cm）. RSmonth和RSannual分别为月和年土壤呼吸.
实现二氧化碳“源”和“汇”之间的平衡, 通常被称为“净零”排放或“碳中和”[35].因此, 采用碳排放量与碳吸收量的差值表征区域碳中和差距（Cgap）与净碳排放（Cnet）水平[36].计算公式如下：
|
(7) |
采用Pearson相关系数来确定净碳排放与各因子之间的相关性和方向性[37]. Pearson相关系数取值范围为-1~1, 绝对值越高, 表示相关性越强.公式如下：
|
(8) |
式中, xi和yi分别为城市i的指标, x和y分别为其平均值, n为研究单元数量.
1.3.4 地理探测器地理探测器可以有效探测地理现象的空间分异性及其影响因素.地理探测器既可以探测单因子的影响程度, 同时可以探测因子交互作用的影响[38].因子的影响通常用q值度量, 表达式为：
|
(9) |
式中, N和Nh分别为研究区域整体与层h的样本量；h为变量的分层；σ2和σh2分别为研究区域整体与层h的方差. q取值范围为0~1, q值越大, 表明该因子对碳排放的影响越强.
采用交互探测分析两个影响因子共同作用对净碳排放的影响.通过叠加影响因子X1和X2, 基于式（9）计算出X1和X2相互作用的q值为q（X1∩X2）, 交互作用的解释结果见表 1.
|
表 1 因子交互作用类型 Table 1 Types of factor interactions |
1.3.5 指标选取
分别从城市扩张、社会经济发展和生态空间这3个方面对碳源/汇的影响进行探究, 指标选取如表 2所示.以净碳排放为因变量, 自变量如下.
|
|
表 2 影响因素描述 Table 2 Description of influencing factors |
（1）城市扩张 城市空间扩张的直接表现是城市化进程中建设用地的增加.其次, 在城市扩张过程中, 不同的城市形态会产生不同的经济、社会和生态效应.景观指数可以表征城市形态, 反映城市空间结构的组成和配置.因此, 选择城市建设用地总面积（TA）表示城市扩张；斑块数量（NP）表示城市碎片化程度；最大斑块指数（LPI）表示最大斑块占总建设用地面积的百分比, 它反映了城市形态是否可以以单一核空间模式存在；城市紧凑性（COH）表示城市斑块的物理连通性, 值越高表示城市形态越紧凑；景观形状指数（LSI）描述城市形态的复杂性, LSI值越高, 城市形态越复杂[39 ~ 42].通过Fragstats 4.2对城市形态指标进行计算.
（2）社会经济 以常驻人口表示城市人口规模（PZ）, 以常驻人口密度（PD）衡量人口集聚程度.人口的增加和集聚会导致能源消耗的增加, 从而导致碳排放增加[11, 43].以GDP表示经济发展水平（GDP）.经济发展会促进城市规模扩大和人口增长, 增加能源消耗导致碳排放增加[44].以第二产业占GDP的比例表示产业结构（IS）, 与第一和第三产业相比, 以制造业为基础的第二产业需要消耗更多的化石能源, 从而导致碳排放量更高[27].
（3）生态空间 采用归一化植被指数（NDVI）表示植被覆盖度.林地和草地对碳排放具有吸收作用.因此, 生态建设和绿化空间可以有效降低碳排放, 增加碳汇[24].
2 结果与分析 2.1 城市扩张速度与强度2005~2020年长三角城市扩张速度与扩张强度如图 2所示.扩张速度较快的城市主要集中在安徽省中南部和江苏省中北部, 包括池州、宣城、黄山、芜湖、铜陵和南通等城市.扩张速度较低的城市主要集中在浙江省, 包括宁波、嘉兴、温州和金华.上海市扩张强度最高, 其次扩张强度较高的城市主要集中在江苏省南部, 包括苏州、无锡、南京和常州.宣城和池州扩张强度较低.芜湖、南通和铜陵扩张速度与扩张强度均处于较高水平.总体上, 安徽省的城市扩张速度较快, 江苏省的城市扩张强度较高, 而扩张速度也处于中等水平, 浙江省则二者均比较低, 区域间城市扩张空间差异显著.
|
图 2 2005~2020年长三角城市扩张速度与强度 Fig. 2 Urban expansion rate and intensity in the Yangtze River Delta from 2005 to 2020 |
2005~2020年长三角陆地生态系统平均NEP密度（以C计, 下同）主要介于0~490 g·m-2, 年平均碳汇量为69.13 Mt·a-1[图 3（a）].空间分布上, NEP密度呈现出南高北低的地理格局.其中以林地为主的区域碳汇大于以耕地为主的区域碳汇.高碳汇区主要分布在长三角南部, 包括浙江省和安徽省南部, 区域多为低山和丘陵, 森林资源丰富, 土壤肥沃.低碳汇区主要分布在长三角中部和北部, 包括江苏省和安徽省中北部, 区域主要为耕地植被且城市扩张强度较高.
|
图 3 2005~2020年平均NEP密度及碳汇损失 Fig. 3 Average NEP density and carbon sink loss from 2005 to 2020 |
叠加不同时期土地利用数据, 识别城市扩张导致的陆地生态系统碳汇损失.如图 3（b）所示, 2005~2020年长三角中东部地区, 如上海、南京和合肥等省会城市以及苏州、无锡和常州等发达城市扩张面积较高, 导致大面积植被和土壤固碳损失.碳汇损失主要发生在城市建设用地向外围扩张占用耕地的过程中.表 3统计了城市建设用地扩张面积及碳汇损失总量.2005~2020年建设用地面积增加了9 558.84 km2, 导致的碳汇损失为1.97 Mt.耕地转换为建设用地的面积为8 484.45 km2, 导致碳汇损失1.65 Mt.林地转换为建设用地的面积为913.99 km2, 导致碳汇损失0.28 Mt.土地利用变化呈现出快速的城市化进程, 城市扩张的直接作用是导致生态用地减少, 造成植被和土壤固碳损失.
|
|
表 3 2005~2020城市建设用地扩张面积及碳汇损失总量 Table 3 Area of urban built-up land expansion and total carbon sink loss from 2005 to 2020 |
2.3 碳源/汇与碳中和差距的时空特征
碳源与碳汇的整体变化趋势如图 4所示. 2005~2020年长三角碳排放量总体呈现逐渐上升的趋势, 2005年碳排放为1 078.04 Mt, 2020年增加至1 848.11 Mt.江苏省碳排放贡献最高, 其次为浙江, 安徽在2015~2020年碳排放逐渐超过浙江成为第二贡献源.碳源的排放量远远大于碳汇的吸收量, 受碳排放增加的影响, 碳汇抵消的碳排放由2005年的6.15%下降至2020年的3.99%.碳汇在研究期间呈现出先减少后增加的趋势, 由2005年的67.46 Mt减少至2010年的66.54 Mt, 随着长三角地区积极推进生态城市建设, 到2020年碳汇增加至73.87 Mt.浙江省碳汇贡献最高, 占比达到40%, 其次为安徽省在35%左右.浙江省与安徽省南部丰富的森林使其成为该地区主要的碳汇.
|
图 4 2005~2020年长三角碳源/汇变化 Fig. 4 Changes in carbon sources/sinks in the Yangtze River Delta from 2005 to 2020 |
城市尺度上, 高碳源区主要分布在长三角中东部, 高碳汇区主要分布在浙江省和安徽省南部, 碳源与碳汇的变化与城市发展和土地利用空间格局基本一致（图 5）. 2005~2010年碳排放较高的区域主要分布在上海、苏州、南京和宁波等东部发达城市. 2015年高碳排放区域范围不断扩大, 由上海分别向合肥、铜陵、淮南和南通等城市扩展. 2020年高碳排放区从上海、苏州到其他中心城市聚集性分布.研究期间, 碳汇的空间分布相对稳定.高碳汇区主要分布在丽水、温州、黄山和杭州等植被资源富集的城市.对于碳排放较高的长三角中东部地区, 城市扩张强度高, 碳汇低, 这些地区需要均衡城市发展与碳汇用地保护之间的关系.同时, 碳汇的吸收量远远小于碳排放量, 因此, 碳减排在增加碳汇的基础上, 需要减少煤炭和石油等化石能源消耗, 从减源和增汇共同促进碳中和.
|
图 5 长三角碳源/汇空间分布 Fig. 5 Spatial distribution of carbon sources/sinks in the Yangtze River Delta |
通过计算2020年碳排放与碳汇的差距得到城市碳中和差距.如图 6（a）所示, 黄山、丽水和安徽省北部的城市（六安、亳州和阜阳等）碳排放与碳汇差距最小（0.27~17.32 Mt）, 最有潜力实现碳中和.其次, 浙江省南部、安徽省南部以及江苏省北部的城市碳中和差距较小（17.32~37.85 Mt）, 如金华、台州、宣城和淮安等.上海、无锡、南京和苏州等发达城市碳中和差距最大（> 61.12 Mt）.徐州、淮南、铜陵和马鞍山等工业或能源资源型城市碳排放与碳汇也具有较大落差（> 37.85 Mt）, 这些城市实现中和面临较大压力.由于城市间人口规模和发展水平差异较大[图6（b）和6（c）], 人均和单位GDP碳中和差距与总体水平不同.铜陵、马鞍山、淮南和淮北等能源资源型城市人均和单位GDP碳中和差距最高（> 12.34 t·人-1, > 1.04 t·亿元-1）.相比而言, 苏州、无锡、南京和上海等发达城市人均和单位GDP碳中和差距则位于中高水平（5.66~12.34 t·人-1, 0.62~1.04 t·亿元-1）.由此表明实现碳中和可以根据碳源与碳汇的差距以及城市发展状况, 合理分配碳减排配额.
|
图 6 2020年长三角城市碳中和差距 Fig. 6 Carbon neutrality gap among Yangtze River Delta cities in 2020 |
采用Pearson相关系数分析2005年与2020年城市扩张、社会经济因素与净碳排放之间的相关关系, 确定促进或抑制碳排放的主要因子[图7（a）和7（b）].将显著性大于5%的因子排序, 各因子对碳排放的作用强度依次为：GDP > PD > PZ > LPI > COH > NDVI > IS > TA > NP（2005年）；GDP > PD > PZ > LPI > COH > TA > NDVI > IS > NP（2020年）.结果表明经济发展、人口密度和人口规模显著促进了城市碳排放, 其次作用较强的为城市紧凑性、产业结构与城市扩张. 2005~2020年城市形态（TA、LPI、COH和NP）对碳排放的影响低于社会经济因素, 但城市形态对碳排放的影响逐渐增强.NDVI表现为负向效应, 表明城市植被覆盖可以有效降低碳排放.城市复杂性则没有表现出显著性.在城镇化进程中, 城市建设用地扩张, 人口不断向城市迁移, 经济发展迅速, 城市紧凑性增加, 几者之间具有高度的正相关性.城市扩张和社会经济因素与生态建设表现出负相关.
|
（a）2005年Pearson相关系数, （b）2020年Pearson相关系数, （c）2005年因子交互作用, （d）2020年因子交互作用 图 7 Pearson相关系数与因子交互作用结果 Fig. 7 Pearson correlation coefficient and interaction results of influencing factors |
采用地理探测器识别因子交互作用对碳排放产生的影响.对角线的值表示单因子对碳排放的影响, 因子的影响程度与Pearson相关系数结果的整体趋势基本一致[图7（c）和7（d）].各因子交互作用对碳排放的影响均高于单因子, 表现为非线性增强和双因子增强.2005年和2020年交互作用q值最高的均为GDP ∩ TA（0.95, 0.92）, PD ∩ TA（0.92, 0.89）, 表现为非线性增强, 即q（X1 ∩ X2） > q（X1）+ q（X2）, 表明长三角城市扩张与社会经济发展可以相互耦合, 并对碳排放产生显著的协同效应.城市扩张导致耕地、林地等生态用地转变为建设用地, 造成植被固碳损失.同时, 城市扩张、经济发展和人口增加导致城市对于资源、能源和基础设施的需求增加, 从而碳排放随之增加.如上海市2020年常驻人口达到2400万, 城市扩张强度高, 人口高度集聚, 2020年城镇生活碳排放达到67.34 Mt, 超过了合肥、杭州等城市的总排放量（图 8）. IS ∩ TA对碳排放的影响q值为0.83.高度集聚的制造业是长三角地区的核心经济支柱.工业的快速发展会产生大量碳排放. 苏州和上海工业碳排放超过了130 Mt, 南京、徐州、宁波和无锡等城市工业也比较发达, 工业碳排放超过了70 Mt.淮南、淮北、铜陵和马鞍山等资源型城市, 能源工业占据主导地位, 工业碳排放占比达到95%.产业结构与城市扩张的相互协同对碳排放的增长产生了增强作用.
|
图 8 碳排放结构 Fig. 8 Carbon emission structure |
其次交互作用q值较高的主要为城市形态因素, q值分别为2005年：TA ∩ COH（0.88, BE）, TA ∩ LPI（0.86, NE）, 2020年：TA ∩ LPI（0.87, NE）, NP∩LPI（0.84, NE）.城市最大斑块（城市核心部分）面积较大, 容易导致交通距离增加, 交通拥堵, 造成能源消耗和碳排放增加.城市斑块过于集中紧凑, 容易造成过度拥挤, 影响公共服务和资源利用效率.上海和江苏省南部的城市斑块面积较大, 城市斑块密集紧凑, 其次, 安徽省中部和浙江省北部地区, 如合肥、宁波等土地城市化发展迅速.城市用地承载了密集的人口和经济活动, 基础设施和建筑用地增多, 能源资源需求增加, 导致碳排放较高.浙江省是“两山”理论的发源地, 植被资源富集, 各市实施严格的生态保护政策, 城市扩张和土地开发受到限制, 区域碳汇能力较高. 城市碎片化程度的增加也会导致碳排放增加. NP∩LPI对碳排放的影响q值达到0.84.城市高度的碎片化会分割生态用地, 造成碳汇损失, 同时, 影响交通的可达性, 电力和天然气输送的复杂性, 导致更多的能源和燃料损耗, 碳排放随之增加.
3 讨论NEP表示大气二氧化碳进入生态系统的净光合产量, 采用NEP可以评估长三角陆地生态系统的碳汇能力.但由于土壤呼吸是一个复杂的生态学过程, 很难准确估算.受野外观测周期和数量限制, 目前仍旧缺乏全国或区域尺度年度土壤呼吸数据.这些限制导致NEP的估算结果也存在一定的不确定性.此外, NEP表征了不考虑生态系统干扰时的陆地生态系统碳汇[45].各类自然和人为干扰如火灾、病虫害和森林间伐等非生物呼吸也会消耗一部分光合产物, 由非生物因素驱动的碳汇估算相比于NEP估算具有更大的不确定性[8].考虑生态系统干扰并减少碳汇估算的不确定性也是今后研究的重要课题.
大规模快速的城市扩张导致了碳排放增加及碳汇损失.在城市化进程中, 需合理控制城市扩张强度, 协调建设用地和生态用地的空间布局, 修复提升碳汇生态系统.城市内部, 合理控制人口密度, 优化城市空间结构, 促进人口与公共服务资源合理分布. 通过土地集约利用和增加城市的蓝绿空间来增强碳汇.减少化石能源消耗仍是减排的重要措施. 开发清洁能源, 针对徐州、淮南和马鞍山等工业或资源型城市, 促进能源密集型产业向工业高技术和高附加值领域转移, 从减源和增汇共同着手促进碳中和.
4 结论（1）2005~2020年长三角碳汇贡献为69.13 Mt·a-1.城市扩张导致建设用地面积增加9 558.84 km2, 碳汇损失1.97 Mt.受碳排放增加的影响, 碳汇抵消的碳排放由2005年的6.15%下降至2020年的3.99%.
（2）高碳源区主要分布在长三角中东部, 以上海和苏州为中心呈现聚集性分布, 高碳汇区则稳定地分布在浙江省和安徽省南部.森林资源富集的黄山市与丽水市碳排放与碳汇差距较小, 最有潜力实现碳中和.徐州、淮南和马鞍山等工业或资源型城市以及上海、苏州等发达城市实现碳中和则面临较大压力.
（3）碳汇主要受城市扩张影响显著, 碳排放受城市扩张与社会经济因素等多种因素综合作用.城市不断扩张, 经济产业集聚, 人口高密度分布, 城市形态紧凑是导致长三角碳排放与碳汇差距扩大的关键因素.植被覆盖可以有效降低碳排放.城市扩张与社会经济发展可以相互耦合并对碳排放产生显著的协同效应.因此, 加强城市空间布局与社会经济发展的综合管控对于区域实现碳中和与可持续发展至关重要.
| [1] | Romero‐Lankao P, Gurney K R, Seto K C, et al. A critical knowledge pathway to low-carbon, sustainable futures: Integrated understanding of urbanization, urban areas, and carbon[J]. Earth's Future, 2014, 2(10): 515-532. DOI:10.1002/2014EF000258 |
| [2] | Fang C L, Wang S J, Li G D. Changing urban forms and carbon dioxide emissions in China: A case study of 30 provincial capital cities[J]. Applied Energy, 2015, 158: 519-531. DOI:10.1016/j.apenergy.2015.08.095 |
| [3] | 丁仲礼, 张涛. 碳中和: 逻辑体系与技术要求[M]. 北京: 科学出版社, 2022. |
| [4] |
朴世龙, 何悦, 王旭辉, 等. 中国陆地生态系统碳汇估算: 方法、进展、展望[J]. 中国科学: 地球科学, 2022, 52(6): 1010-1020. Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: Methods, progress and prospects[J]. Scientia Sinica Terrae, 2022, 52(6): 1010-1020. |
| [5] |
刘坤, 张慧, 孔令辉, 等. 陆地生态系统碳汇评估方法研究进展[J]. 生态学报, 2023, 43(10): 4294-4307. Liu K, Zhang H, Kong L H, et al. An overview of terrestrial ecosystem carbon sink assessment methods towards achieving carbon neutrality in China[J]. Acta Ecologica Sinica, 2023, 43(10): 4294-4307. |
| [6] |
汪涛, 朴世龙. 青藏高原陆地生态系统碳汇估算: 进展、挑战与展望[J]. 第四纪研究, 2023, 43(2): 313-323. Wang T, Piao S L. Estimate of terrestrial carbon balance over the Tibetan Plateau: progresses, challenges and perspectives[J]. Quaternary Sciences, 2023, 43(2): 313-323. |
| [7] | Wang Q F, Zheng H, Zhu X J, et al. Primary estimation of Chinese terrestrial carbon sequestration during 2001-2010[J]. Science Bulletin, 2015, 60(6): 577-590. DOI:10.1007/s11434-015-0736-9 |
| [8] |
方精云, 柯金虎, 唐志尧, 等. 生物生产力的"4P"概念、估算及其相互关系[J]. 植物生态学报, 2001, 25(4): 414-419. Fang J Y, Ke J H, Tang Z Y, et al. Implications and estimations of four terrestrial productivity parameters[J]. Acta Phytoecologica Sinica, 2001, 25(4): 414-419. |
| [9] |
戴尔阜, 黄宇, 吴卓, 等. 内蒙古草地生态系统碳源/汇时空格局及其与气候因子的关系[J]. 地理学报, 2016, 71(1): 21-34. Dai E F, Huang Y, Wu Z, et al. Spatial-temporal features of carbon source-sink and its relationship with climate factors in Inner Mongolia grassland ecosystem[J]. Acta Geographica Sinica, 2016, 71(1): 21-34. |
| [10] | Zhang D N, Zhao Y H, Wu J S. Assessment of carbon balance attribution and carbon storage potential in China's terrestrial ecosystem[J]. Resources, Conservation and Recycling, 2023, 189. DOI:10.1016/j.resconrec.2022.106748 |
| [11] |
王少剑, 苏泳娴, 赵亚博. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 2018, 73(3): 414-428. Wang S J, Su Y X, Zhao Y B. Regional inequality, spatial spillover effects and influencing factors of China's city-level energy-related carbon emissions[J]. Acta Geographica Sinica, 2018, 73(3): 414-428. |
| [12] |
韦彦汀, 李思佳, 张华. 成渝城市群碳排放时空特征及其影响因素[J]. 中国环境科学, 2022, 42(10): 4807-4816. Wei Y T, Li S J, Zhang H. Temporal-spatial evolution of carbon emission and driving factors in the Chengdu-Chongqing urban agglomeration[J]. China Environmental Science, 2022, 42(10): 4807-4816. |
| [13] |
王正, 樊杰. 能源消费碳排放的影响因素特征及研究展望[J]. 地理研究, 2022, 41(10): 2587-2599. Wang Z, Fan J. The characteristics and prospect of influencing factors of energy-related carbon emissions: Based on literature review[J]. Geographical Research, 2022, 41(10): 2587-2599. |
| [14] |
吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [15] | Pan H Z, Pang J, Zhang L, et al. Understanding interactions between urban development policies and GHG emissions: A case study in Stockholm Region[J]. Ambio, 2020, 49(7): 1313-1327. DOI:10.1007/s13280-019-01290-y |
| [16] | Zhang P Y, He J J, Hong X, et al. Carbon sources/sinks analysis of land use changes in China based on data envelopment analysis[J]. Journal of Cleaner Production, 2018, 204: 702-711. DOI:10.1016/j.jclepro.2018.08.341 |
| [17] |
周嘉, 王钰萱, 刘学荣, 等. 基于土地利用变化的中国省域碳排放时空差异及碳补偿研究[J]. 地理科学, 2019, 39(12): 1955-1961. Zhou J, Wang Y X, Liu X R, et al. Spatial temporal differences of carbon emissions and carbon compensation in China based on land use change[J]. Scientia Geographica Sinica, 2019, 39(12): 1955-1961. |
| [18] |
李缘缘, 魏伟, 周俊菊, 等. 中国土地利用碳排放变化及协调分区[J]. 环境科学, 2023, 44(3): 1267-1276. Li Y Y, Wei W, Zhou J J, et al. Changes in land use carbon emissions and coordinated zoning in China[J]. Environmental Science, 2023, 44(3): 1267-1276. |
| [19] | Ye X, Chuai X W. Carbon sinks/sources' spatiotemporal evolution in China and its response to built-up land expansion[J]. Journal of Environmental Management, 2022, 321. DOI:10.1016/j.jenvman.2022.115863 |
| [20] | Chuai X W, Xia M Y, Ye X, et al. Carbon neutrality check in spatial and the response to land use analysis in China[J]. Environmental Impact Assessment Review, 2022, 97. DOI:10.1016/j.eiar.2022.106893 |
| [21] | Zhang X X, Brandt M, Tong X W, et al. A large but transient carbon sink from urbanization and rural depopulation in China[J]. Nature Sustainability, 2022, 5(4): 321-328. DOI:10.1038/s41893-021-00843-y |
| [22] | Hong S F, Hui E C M, Lin Y Y. Relationship between urban spatial structure and carbon emissions: A literature review[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109456 |
| [23] | Burgalassi D, Luzzati T. Urban spatial structure and environmental emissions: A survey of the literature and some empirical evidence for Italian NUTS 3 regions[J]. Cities, 2015, 49: 134-148. DOI:10.1016/j.cities.2015.07.008 |
| [24] | Shi K F, Xu T, Li Y Q, et al. Effects of urban forms on CO2 emissions in China from a multi-perspective analysis[J]. Journal of Environmental Management, 2020, 262. DOI:10.1016/j.jenvman.2020.110300 |
| [25] |
韩帅帅, 苗长虹, 李奕灿. 黄河流域城市多中心空间结构对碳排放的影响研究[J]. 地理研究, 2023, 42(4): 936-954. Han S S, Miao C H, Li Y C. Effects of urban polycentric spatial structure on carbon emissions in the Yellow River Basin[J]. Geographical Research, 2023, 42(4): 936-954. |
| [26] | Ding G Q, Guo J, Pueppke S G, et al. The influence of urban form compactness on CO2 emissions and its threshold effect: Evidence from cities in China[J]. Journal of Environmental Management, 2022, 322. DOI:10.1016/j.jenvman.2022.116032 |
| [27] | Li Z, Wang F, Kang T T, et al. Exploring differentiated impacts of socioeconomic factors and urban forms on city-level CO2 emissions in China: Spatial heterogeneity and varying importance levels[J]. Sustainable Cities and Society, 2022, 84. DOI:10.1016/j.scs.2022.104028 |
| [28] |
宫文康. 基于夜间灯光数据的中国地级市尺度城市形态与二氧化碳排放关系研究[D]. 上海: 华东师范大学, 2020. Gong W K. Evaluate relationship between urban forms and carbon emission in China at the prefecture-level city scale based on nighttime light data[D]. Shanghai: East China Normal University, 2020. |
| [29] | Chen X, Zhang S, Ruan S M. Polycentric structure and carbon dioxide emissions: Empirical analysis from provincial data in China[J]. Journal of Cleaner Production, 2021, 278. DOI:10.1016/j.jclepro.2020.123411 |
| [30] | 中华人民共和国国务院. 中共中央国务院印发《长江三角洲区域一体化发展规划纲要》[EB/OL]. https://www.gov.cn/gongbao/content/2019/content_5462503.htm, 2019-12-20. |
| [31] | Xiao R, Yu X, Xiang T Y, et al. Exploring the coordination between physical space expansion and social space growth of China's urban agglomerations based on hierarchical analysis[J]. Land Use Policy, 2021, 109. DOI:10.1016/j.landusepol.2021.105700 |
| [32] |
金丹, 戴林琳. 京津冀交界地区建设用地扩张时空特征与驱动因素研究[J]. 地理与地理信息科学, 2023, 39(3): 48-57. Jin D, Dai L L. Spatial and temporal characteristics and driving factors of construction land expansion in the inter-provincial border areas of Beijing-Tianjin-Hebei[J]. Geography and Geo-Information Science, 2023, 39(3): 48-57. |
| [33] | Chuai X W, Qi X X, Zhang X Y, et al. Land degradation monitoring using terrestrial ecosystem carbon sinks/sources and their response to climate change in China[J]. Land Degradation & Development, 2018, 29(10): 3489-3502. |
| [34] | Yu G R, Zheng Z M, Wang Q F, et al. Spatiotemporal pattern of soil respiration of terrestrial ecosystems in China: the development of a geostatistical model and its simulation[J]. Environmental Science & Technology, 2010, 44(16): 6074-6080. |
| [35] | Intergovernmental Panel on Climate Change. IPCC Special report: global warming of 1.5 ºC[EB/OL]. https://www.ipcc.ch/reports/, 2018-10-08. |
| [36] | Wang C, Zhan J Y, Zhang F, et al. Analysis of urban carbon balance based on land use dynamics in the Beijing-Tianjin-Hebei region, China[J]. Journal of Cleaner Production, 2021, 281. DOI:10.1016/j.jclepro.2020.125138 |
| [37] |
乔旭宁, 石漪澜, 郭静, 等. 郑州都市圈不同等级城镇扩张对生态系统服务的影响研究[J]. 地理研究, 2022, 41(7): 1913-1931. Qiao X N, Shi Y L, Guo J, et al. Impacts of urban expansion on ecosystem services in different size cities of Zhengzhou metropolitan area[J]. Geographical Research, 2022, 41(7): 1913-1931. |
| [38] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [39] |
佘倩楠, 贾文晓, 潘晨, 等. 长三角地区城市形态对区域碳排放影响的时空分异研究[J]. 中国人口·资源与环境, 2015, 25(11): 44-51. She Q N, Jia W X, Pan C, et al. Spatial and temporal variation characteristics of urban forms' impact on regional carbon emissions in the Yangtze River Delta[J]. China Population, Resources and Environment, 2015, 25(11): 44-51. |
| [40] | Shi F C, Liao X, Shen L Y, et al. Exploring the spatiotemporal impacts of urban form on CO2 emissions: Evidence and implications from 256 Chinese cities[J]. Environmental Impact Assessment Review, 2022, 96. DOI:10.1016/j.eiar.2022.106850 |
| [41] |
刘贤赵, 李阳. 县域尺度下长株潭地区城市化与碳排放的关系[J]. 环境科学, 2023, 44(12): 6664-6679. Liu X Z, Li Y. Relationship between urbanization and carbon emissions in the Chang-Zhu-Tan region at the County level[J]. Environmental Science, 2023, 44(12): 6664-6679. |
| [42] | Meng X, Li X, Hu G H, et al. Toward integrated governance of urban CO2 emissions in China: Connecting the "codes" of global drivers, local causes, and indirect influences from a multi-perspective analysis[J]. Cities, 2023, 134. DOI:10.1016/j.cities.2022.104181 |
| [43] |
刘玉珂, 金声甜. 中部六省能源消费碳排放时空演变特征及影响因素[J]. 经济地理, 2019, 39(1): 182-191. Liu Y K, Jin S T. Temporal and spatial evolution characteristics and influencing factors of energy consumption carbon emissions in six provinces of central China[J]. Economic Geography, 2019, 39(1): 182-191. |
| [44] | Yang X, Liu X Z. Path analysis and mediating effects of influencing factors of land use carbon emissions in Chang-Zhu-Tan urban agglomeration[J]. Technological Forecasting & Social Change, 2023, 188. DOI:10.1016/j.techfore.2022.122268 |
| [45] |
朴世龙, 岳超, 丁金枝, 等. 试论陆地生态系统碳汇在"碳中和"目标中的作用[J]. 中国科学: 地球科学, 2022, 52(7): 1419-1426. Piao S L, Yue C, Ding J Z, et al. Perspectives on the role of terrestrial ecosystems in the 'carbon neutrality' strategy[J]. Scientia Sinica Terrae, 2022, 52(7): 1419-1426. |