2026, Vol. 47
2. 中国矿业大学环境与测绘学院，徐州 221116;
3. 中国矿业大学煤炭精细勘探与智能开发全国重点实验室，徐州 221116
2. School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China;
3. State Key Laboratory for Fine Exploration and Intelligent Development of Coal Resources, China University of Mining and Technology, Xuzhou 221116, China
随着全球工业化和快速城镇化进程加剧，全球气候变化问题日趋严峻，严重威胁着人类的生存与发展[1]. 减少温室气体排放、实现碳达峰和碳中和已成为国际社会的共同目标. 为应对气候变化和实现可持续发展，2015年11月，在法国巴黎举行的联合国气候变化框架协议大会上，一致通过了《巴黎协定》，指出要到本世纪中叶达到全世界温室气体净零排放的目标[2]. 2020年9月，中国政府在第75届联合国大会上提出以新发展理念为引领，推动在高质量发展中绿色转型，力争在2030年前实现“碳达峰”、努力争取2060年前实现“碳中和”的战略目标，并将“双碳”目标纳入生态文明建设整体布局[3]. 为此，如何减少碳排放、提高生态系统碳汇能力已成为实现“碳中和”目标、减缓全球气候变化研究的重要课题.
人类活动引发CO2浓度升高是全球变暖的主要驱动因素之一[4，5]，城市是碳排放的“主战场”. 据统计，全球超过70%的能源消耗发生在城市，约有85%的碳排放量在城市产生[6，7]. 城市也是重要的“碳汇者”. 有研究表明，城市绿色空间在降碳增汇方面具有重要作用，可抵消约28%~37%的城市CO2排放量[8]. 因此，科学构筑城市绿色空间、加快城市空间生态修复建设对于增加碳汇潜力、缓解气候变化影响及实现“双碳”目标具有极其重要的意义. 资源枯竭型城市是指矿产资源开发走向枯竭状态的资源型城市[9]，受长周期和高强度的资源开采产生的地层破裂、变形和地表沉降等，严重破坏矿区的土地资源，导致植被退化、耕地质量下降和生态环境破坏等一系列问题[10~12]. 在生态文明建设背景下，改善生态环境、实现绿色发展方式的转型是资源枯竭型城市振兴的一种新路径[13，14]. 生态修复治理为资源枯竭型城市增加了大量城市森林、公园绿地和湿地水体等蓝绿空间，不仅为城市提供多样性的生态系统服务，改善城市微气候，提升居民生活质量等，也增加城市空间中的碳汇途径. 通过系统推进能源转型、修复并优化生态受损空间，资源枯竭转型城市有望在中国碳中和进程中贡献关键范式.
目前区域陆地生态系统碳汇能力估算的方法是通过大气CO2浓度观测数据，集合大气传输模型和反演技术，估算陆地生态系统碳汇的方法，如大气反演模型[15]、碳同化反演模型[16]和卫星遥感数据反演方法[17]等，具有近实时评估陆地碳汇及其在全球范围内对气候变化的响应的优势. 对城市生态系统碳汇研究主要聚焦城市公园、绿地等局部区域，利用样地调查、气象观测和碳通量数据，结合模型模拟结果进行估算，典型方法包括清单法[18]、涡度相关法[19]和生态系统过程建模方法[20]等，该类方法可实现精细时间尺度连续观测，数据可靠，但观测范围有限，难以覆盖大尺度区域，且过程模型简化了复杂的生态过程，区域尺度上模拟碳汇的可靠性具有争议[21]. 有学者利用InVEST碳储量模型对城市森林和公园绿地等生态空间的碳储量和植被碳汇潜力进行评估[22]，也有研究将深度学习方法用于生态系统碳汇模拟评估中[23]. 城市碳汇受人类活动的影响显著，由于城市生态系统的复杂性与多样性、基于过程模型的不确定性及尺度的局限性等，现有研究多集中在单一类型和单一尺度的碳汇效能评估，忽视了城市不同生态空间之间的相互作用以及合理规划与生态修复协调增汇潜力的评估与量化，缺少对城市碳汇受人类活动因素的综合评估与调控机制的研究.
净生态系统生产力（net ecosystem productivity，NEP）是生态系统光合作用固定的碳总量减去生态系统呼吸损失的碳之后的净累积量[24]，可用植被净初级生产力（net primary productivity，NPP）与土壤异养呼吸（heterotrophic respiration，Rh）的差值计算，是衡量生态系统碳源/汇功能强度的重要指标，近年来被广泛用于陆地生态系统碳源/汇的评估[25]. 利用遥感数据与碳循环模型计算NEP具有时效性强，数据易获取等优势，能较好地反映生态系统长期碳储存能力. 例如，刘宜浩等[26]利用CASA模型和经验评估模型评估了黄河流域2001~2020年NEP变化趋势，并分析人类活动、气候和植被等对NEP的影响机制. 赵旭琴等[27]利用改进的CASA模型、土壤呼吸模型和地理探测器等方法，分析了2000~2020年中国西北干旱半干旱区植被NEP时空变化特征及其关键影响因子. 有研究开展植被NEP估算的区域尺度多为大区域尺度，包括黄河流域、长江三角洲地区、青藏高原和三江源等地[28~31]，但针对城市尺度的植被NEP的评估相对较少；此外，评估NEP的数据多采用MODIS等中低分辨率数据，对评估城市尺度的生态系统碳汇能力精细度不够[32]. 因此，基于高分辨率遥感数据开展植被NEP精细评估对于理解城市碳源/汇动态具有重要意义.
当前针对资源枯竭转型城市碳汇评估研究相对较少，主要侧重于讨论生态修复固碳增汇能力与潜力的定量评价，对其影响因素的考虑较为单一. 在生态文明建设和“双碳”背景下，资源城市绿色转型发展迫在眉睫，亟需研究城市生态系统碳汇变化特征、驱动机制及其未来发展趋势，用以指导生态修复工程实施和碳汇效能优化提升. 基于此，本文以典型资源枯竭转型城市徐州市为例，利用2000~2022年的高时空分辨率遥感数据，借助CASA模型、土壤呼吸模型、回归分析、偏相关分析和参数最优地理探测器等方法，精细评估徐州市在资源转型发展过程中固碳能力的时空变化特征，进一步揭示多种环境因子及人类活动对NEP演变的影响机制，以期为指导资源枯竭型城市生态空间修复与优化布局提供科学依据，同时为城市绿色转型发展，实现“双碳”目标提供理论支撑.
1 材料与方法 1.1 研究区概况徐州市（116°22′~118°40′E、33°43′~34°58′N）位于江苏省西北部，苏鲁豫皖四省交界，是淮海经济区中心城市，属暖温带季风气候，地形以平原为主，少数丘陵山地. 本研究选取泉山区、云龙区、鼓楼区、贾汪区和铜山区为研究区域（图 1），总面积约2 988.94 km2. 作为百年煤城，由于煤炭资源过度开采，导致地表沉降、水体污染和植被损毁等水土结构发生改变，生态环境遭到严重破坏. 2011年，贾汪区被确定为全国第三批资源枯竭型城市. 近年来，随着振兴老工业基地和资源枯竭型城市转型发展，徐州市大力开展老城改造、采煤沉陷区复垦与生态修复治理等，化“城市伤疤”为青山绿水，取得了显著成效，实现了生态环境的逆转.
|
图 1 研究区地理位置及土地利用 Fig. 1 Location and land use of the study area |
本研究数据包括：①徐州市城区2000~2022年9月Landsat 5/8/9 TM/OLI影像来源于美国地质勘探局（https://earthexplorer.usgs.gov/），空间分辨率为30 m，共18期（剔除质量较差的影像，包含2001年、2004年、2007年、2012年和2021年），基于GEE平台对其进行去云处理和波段计算，得到研究区2000~2022年9月NDVI数据. ②土地利用数据来源于武汉大学Yang[33]发布的土地覆被产品（CLCD），时间为2000~2022年，空间分辨率为30 m，该数据是通过构建时空特征，采用随机森林、时空滤波和逻辑推理等方法提取，在此基础上，本文利用对应Landsat影像进行目视解译和校正，最终分为耕地、林地、草地、水域、建设用地和未利用地这6种类型. ③太阳辐射量和蒸散数据来源于欧洲中期天气预报中心ERA5-Land数据集（https://cds.climate.copernicus.eu/），时间跨度为2000~2022年，时空分辨率分别为1 d和9 km. ④月降水量和月均气温数据来自国家地球系统科学数据中心（https://www.geodata.cn/），时间为2000~2022年，空间分辨率1 km. ⑤DEM数据为NASA的SRTM高程数据，空间分辨率为30 m. ⑥人口密度数据源于LandScanGlobal数据集（https://landscan.ornl.gov/），时间为2000~2022年，空间分辨率1 km. ⑦夜间灯光数据来自Earth Observation Group的VIIRS_vcmslcfg夜光遥感数据集（https://eogdata.mines.edu/），年份为2022年，空间分辨率15弧秒. ⑧生态修复工程数据来源于中国矿业大学环境与测绘学院，该数据为徐州市生态修复区域的矢量数据，通过渔网分割和计算占比对其进行量化. 所有数据统一转换为Albers_Conic_Equal_Area坐标系，并重采样为30 m的栅格数据.
1.3 研究方法 1.3.1 碳汇估算模型NEP是NPP与土壤呼吸作用的差值[26]，表示生态系统碳循环的净吸收量或净储存量，是衡量生态系统固碳能力的重要指标，公式如下：
| (1) |
式中，NEP表示净生态系统生产力[以C计，g·（m2·a）-1]；NPP表示植被净初级生产力[以C计，g·（m2·a）-1]；Rh表示土壤异养呼吸[以C计，g·（m2·a）-1]. 当NEP大于0表示为碳汇，NEP小于0表示为碳源.
NPP采用改进的CASA模型[34]进行计算，由光合有效辐射和光能利用率两个驱动因子确定，该模型克服了采用世界植被最大光能利用率作为定义值的缺点，更适合进行区域植被NPP的估算，公式如式（2）~（5）所示：
| (2) |
| (3) |
| (4) |
| (5) |
式中，APAR为吸收的光合有效辐射；ε为实际光能利用率；x和t为区域影像指定像元和月份. SR为太阳总辐射量（MJ·m-2）；FPAR代表有效辐射吸收比例；0.5表示植被所利用的有效辐射与总辐射的比例；FPARndvi和FPARsrvi分别是通过归一化植被指数和简单比值植被指数计算出来的植被层对光合有效辐射的吸收比例；T1和T2为最高温度和最低温度对实际光能利用率的胁迫系数；W为水分胁迫系数，取常值0.7；εmax为理想状态下的最大光能利用率.
温度和降水是影响土壤异养呼吸的两大重要因素. Pei等[35]建立了温度、降水量与土壤呼吸的回归方程以估测区域土壤微生物呼吸的分布状况，此模型已在我国不同类型的生态系统中得到论证，公式如下：
| (6) |
式中，P为月降水量（mm）；T为月平均温度（℃）.
1.3.2 碳汇时空变化分析方法slope趋势分析是以像元作为基本研究单位，采用一元线性回归和最小二乘法，对一定时间序列的像元进行线性拟合得到每个像元的斜率，同时对其进行显著性检验，用以分析生态指标的变化趋势[36]. 本文通过计算NEP的斜率并进行显著性检验，分析徐州市2000~2022年NEP的变化趋势，公式如下：
| (7) |
式中，i表示年份，xi表示第i年的NEP值，n表示总年数，slope表示NEP的逐像元变化斜率. slope > 0表明NEP呈增加趋势，slope < 0表明NEP呈减少趋势，且P < 0.01表示为极显著，0.01≤P < 0.05为显著，P≥0.05则为不显著.
Hurst指数被广泛用于预测时间序列的未来变化趋势. 本研究利用重标极差分析法（rescaled range analysis，R/S）计算NEP的Hurst指数，反映NEP变化趋势的可持续性特征. Hurst指数值（H）在0~1之间，其中当0≤H < 0.5时，表示变化趋势具有一定程度的反持续性，将来的变化趋势与过去的相反；当0.5 < H≤1时，表示变化趋势具有持续性，未来的变化趋势与过去的一致；当H＝0.5时，表示变化时间序列为随机序列，未来的变化趋势不受过去影响[37]. 本文将Hurst指数分类结果与通过95%显著性检验的slope趋势分析结果相结合，用于分析徐州市NEP未来变化趋势.
1.3.3 碳汇影响机制分析方法偏相关分析是一种可以控制或消除其他变量的影响，测量两变量之间的线性相关性的统计方法[38]. 本文通过对2000~2022年徐州市NEP进行偏相关分析，探究不同的驱动因素（如气温、降水和太阳辐射量等）与NEP的定量关系，公式如下：
| (8) |
式中，rx，yz表示固定变量x，求y和z的偏相关系数，rxy、rxz和ryz分别为变量x、y和z两两间的相关系数，取值范围为[-1, 1]，rx，yz > 0表示NEP与因子呈现偏正相关关系，rx，yz < 0则表示NEP与因子呈现偏负相关关系.
地理探测器是一种用于探究空间异质性并揭示其驱动机制的统计方法，通过定量分析变量与驱动因素的关系，评估对其空间分布差异的解释力[39]. 连续性输入变量的空间离散化是确定数据最佳尺度的关键环节，各个连续性变量的最优离散化方法存在差异，但是传统地理探测器对于连续性变量的离散方法比较单一. 因此，本文采用参数最优地理探测器模型（OPGD）[40]，通过比较不同的分类方法（相等间距、自然断点、分位数、几何间距和标准差）和不同分层数（2~8类）筛选q值最高的参数组合作为最优尺度，利用地理探测器的因子探测方法，分析驱动因素对NEP的空间异质性的解释力，公式如下：
| (9) |
式中，q为驱动因素对变量的解释力，取值范围为[0, 1]，q值越大，表示驱动因素的解释力越强，N和Nh分别为研究区的单元数和第h层的单元数，σ2和σh2分别为研究区和第h层的因变量方差，SSW和SST分别为层内方差总和及研究区总方差.
交互作用检测是探究不同驱动因素对因变量的交互作用，即两驱动因素共同作用时对因变量的解释力增强还是减弱，或者两驱动因素之间相互独立. 本文通过交互作用检测，探究不同驱动因素对徐州市NEP的交互作用，深入分析不同驱动因素对徐州市NEP的协同影响，交互作用判断依据如表 1所示.
|
表 1 影响因素间交互作用类型及判别依据 Table 1 Types and discrimination basis of interaction between the factors |
2 结果与分析 2.1 徐州市NEP时空特征分析 2.1.1 空间分布特征
根据温度、降雨、Landsat影像、太阳辐射和土地利用数据等，利用改进的CASA模型和土壤异养呼吸模型计算得到2000~2022年徐州市逐年NEP空间分布（图 2）. 其中2018年9月NPP和NEP（以C计，下同）估算结果[图 2（a）和2（b）]分别为0~60.79 g·（m2·月）-1和-34.64~27.51 g·（m2·月）-1. 根据耿笛等[41]基于徐州市2018年9月的Landsat 8 OLI，利用改进CASA模型估算NPP结果为0~59 g·（m2·月）-1，二者NPP评估结果基本一致，本研究考虑了土壤异养呼吸量，范围约为32~35 g·（m2·月）-1，表明本研究NEP估算结果具有一定可靠性. 由图 2可知，徐州市NEP总体分布特征为“中间低，四周高”，城市建成区NEP值最低，为碳源区，城市周围的区域碳汇能力较低，高碳汇区域主要是林地、耕地和草地，多分布于远离城市的山区和农田. 2000年徐州市NEP均值为-5.37 g·（m2·月）-1，其中，碳源面积约占59.92%，碳汇面积约占40.08%；2022年NEP均值为6.83 g·（m2·月）-1，其中，碳源面积约占38.68%，碳汇面积约占61.32%，碳汇面积增加了21.24%，总体表现为碳汇状态. 由图 2（c）和图 2（d）可知，徐州市西部的NEP好转，而东部部分区域出现降低，主要原因是这两个区域均以耕地为主，土地轮作方式的改变导致NEP发生变化.
|
图 2 徐州市典型年份NPP与NEP空间分布 Fig. 2 Spatial distribution of NPP and NEP in typical years of Xuzhou City |
对2000~2022年徐州市及分区NEP均值变化统计结果如图 3所示. 从中可知，2000年以来，徐州市NEP整体呈波动上升趋势，在2005年达到最低值-10.86 g·（m2·月）-1，最高值出现在2020年，为11.40 g·（m2·月）-1. 受到煤矿开采和城市扩张等因素影响，2000~2011年NEP均值呈波动下降趋势，总体处于碳源状态，2011年后徐州市加大生态修复和城市增绿的力度，呈现出逐渐上升趋势，2020年NEP涨幅最显著，达到了11.98 g·（m2·月）-1. 从分区统计可知，铜山区的NEP均值远高于徐州市的其他区域，且变化规律与整体保持一致. 贾汪区NEP在2000~2011年的变化较为剧烈，总体呈下降趋势，2013年大幅提升后，逐渐呈现上升趋势，主要是因为是随着贾汪煤矿的逐步关闭，矿区复垦与生态修复治理效果显著. 泉山区、云龙区和鼓楼区NEP的变化规律较为相似，在2000~2006期间大幅下降，随后逐渐转变为波动上升趋势. 各行政区NEP变化存在差异，主要是因为铜山区和贾汪区主要为农田生态系统，同时存在大量煤炭开采活动，而泉山区、云龙区和鼓楼区主要为城市生态系统，以经济建设为主. 总体上看，铜山区和贾汪区已经完成由碳源变成碳汇的转变，处于碳汇状态，而泉山区、鼓楼区和云龙区的碳汇能力也在逐渐提升.
|
图 3 2000~2022年徐州市及各区NEP均值统计 Fig. 3 Statistics on the average NEP of Xuzhou City and its districts from 2000 to 2022 |
基于slope趋势分析法计算得到2000~2022年、2000~2011年和2011~2022年徐州市NEP时空变化趋势（图 4和表 2）. 由图 4（a）可知，2000~2022年徐州市NEP总体呈现显著增加趋势，其中极显著增加和显著增加趋势占比分别为23.54%和13.87%，集中在研究区北部和东部，该区域植被茂盛、水源充足，并且是徐州市生态修复重点区域，生态环境逐步改善，NEP逐步增加. NEP呈极显著减少和显著减少趋势占比分别为4.30%和3.36%，主要分布在主城区（鼓楼区、云龙区和泉山区）边缘以及贾汪区东部. 由图 4（b）和图 4（c）可知，两个时段内徐州市NEP变化趋势存在显著差异. 其中，2000~2011年NEP总体呈不显著变化，面积约占92.43%，显著和极显著减少区域约为4.48%，主要分布于主城区的周边区域. 2011~2022年NEP变化主要表现为显著增加趋势，极显著增加趋势的面积约占12.82%，显著增加趋势的面积约占18.48%. 其中，铜山区和贾汪区显著和极显著增加的面积最多，比2000~2011年分别增加了29.62%和26.61%，主要分布于铜山区和贾汪区北部的生态修复重点区域，以及地势平坦、土壤肥沃的东部等地. 除铜山和贾汪区外，鼓楼区、泉山区和云龙区的显著和极显著增加的区域比2000~2011年分别增加了26.68%、21.33%和22.76%，主要分布于主城区各公园、绿地及城市绿化用地等. 通过对比两时期NEP趋势变化可知，2000~2011年不显著变化区域中，有29.11%转变为显著和极显著增加趋势，仅有2.07%转变为显著和极显著减少趋势.
|
图 4 2000~2022年徐州市NEP变化趋势及未来持续性 Fig. 4 Variation trend and future sustained trend of NEP in Xuzhou City from 2000 to 2022 |
|
|
表 2 2000~2022年徐州市NEP时空变化趋势统计/% Table 2 Statistics on the spatio-temporal variation trends of NEP in Xuzhou City from 2000 to 2022/% |
利用R/S分析法计算NEP的Hurst指数，与通过95%显著性检验的slope趋势分析结果叠加分析，得到未来徐州市NEP的5类变化趋势[图 4（d）]，即增加变为减少（0 < H < 0.5，slope > 0）、持续增加（0.5 < H < 1，slope > 0）、稳定（H=0.5）、减少变为增加（0 < H < 0.5，slope < 0）和持续减少（0.5 < H < 1，slope < 0）. 由图 4（d）和图 4（e）可知，徐州市NEP未来变化具有较强的持续性，其中持续增加面积达到31.60%，持续减少面积仅为6.49%，表明徐州市碳汇能力持续增强. 铜山区和贾汪区的NEP持续增加最高，分别为33.42%和30.26%，但这两个区的由增加转为减少的区域也高于其他区，分别为5.97%和6.55%. 鼓楼区、泉山区和云龙区NEP持续减少占比较高，分别为12.68%、10.05%和11.52%，主要分布于主城区周边区域. 贾汪区东部约有8.73%持续减少，主要原因是该区域不断发展以草莓与大蒜为主的现代农业产业园，9月为大蒜种植时期，导致土地轮作方式改变，造成NEP不断下降.
2.2 NEP时空演变驱动因素分析碳汇能力的主要影响因素有两类：一类是自然因素，主要包括太阳辐射、温度、降水和地形等条件，另一类是人类活动，主要指人类对土地覆被的改变及土地利用管理与生态环境修复技术等. 本文基于徐州市生态本底情况及区域自然和人文条件选取自然条件（气温、降水和地形等）、社会经济条件（人口密度等）、土地利用结构（植被占比和建设用地占比等）因子及生态修复工程等来探究徐州市NEP的影响机制（表 3）.
|
|
表 3 驱动因素及参数 Table 3 Driving factors and parameters |
2.2.1 NEP时间变化影响分析
已有研究表明气候因素和人为活动是影响NEP变化的关键因素[38，42]，根据徐州市气候条件、社会特征及数据可获取性，选择太阳辐射量（SSRD）、降水（PRE）、气温（TEMP）、蒸散（ET）和人口密度（POP）作为驱动因素，以像元为基本单元，采用偏相关分析方法，探讨各因素对2000~2022年徐州市NEP时间变化的影响（图 5）. 从中可知，SSRD与NEP呈正相关的地区占比为75.33%，其中显著（P < 0.05）和极显著正相关（P < 0.01）分别占12.46%和9.19%，主要分布在城市东部和西北部高植被区域，表明SSRD增加会促进植物的生长和光合作用速率，并对植被碳汇有显著的促进作用. 降水与NEP总体呈现负相关关系，其中呈显著和极显著负相关区域占9.14%，主要分布于徐州市主城区以及北部，因为该地区植被稀疏，但是降水量增加会促进土壤呼吸，导致NEP降低；呈现为正相关的区域约占6.31%，主要分布在徐州市东部和西部的部分区域. 气温在时间尺度上对NEP的解释力不高，超过93%的区域为不显著相关. 蒸散与NEP总体呈现正相关相关，其中显著（P < 0.05）和极显著正相关（P < 0.01）占7.72%，主要分布在植被茂密的北部，这主要因为蒸散增加会促进植物光合作用的进行，从而植被碳汇能力提升. POP对NEP的时间变化影响较为复杂，总体呈负相关关系，显著和极显著负相关约占12.55%，主要分布在主城区和研究区边缘，显著和极显著正相关约占10.02%，主要处在主城区与研究区边缘的中间地带，这主要是由于不同人类活动会对植被产生不同的影响.
|
图 5 徐州市NEP与各驱动因素的偏相关分析 Fig. 5 Partial correlation analysis between NEP and various driving factors in Xuzhou City |
利用OPGD模型，通过不同离散化方法确定每个驱动因子最佳的离散方法及分层数，进行因子探测和交互探测，得到10种驱动因子对NEP的空间异质性的影响程度（图 6）. 由图 6（a）可知，各因子对徐州市NEP空间异质性的解释力有所差异，其中解释力最大的分别是植被占比（q=0.49）和建设用地占比（q=0.47），这表明人类活动引起的土地利用类型变化是影响徐州市固碳能力空间分异的关键因子. 社会经济数据对徐州市NEP空间变化也具有一定的解释力，其中人口密度和夜间灯光数据的q值分别为0.43和0.39，表明城市建设和经济发展对生态环境的影响也需重点关注. 太阳辐射量对NEP空间变化的解释力为0.32，表明自然因素对于NEP的空间异质性影响也至关重要. 高程、降水、气温和蒸散对NEP的解释力均未超过0.2，说明这些因子对徐州市NEP空间异质性的影响较小. 生态修复工程对徐州市NEP的解释力达到了0.11，表明生态修复工程对于徐州市NEP具有一定影响，由于生态修复区域占总面积的比例不高，因此未表现出较高的解释力.
|
（a）单因素解释力，（b）各驱动因素间交互作用解释力；+和++表示每两个驱动因素交互作用后的解释力的变化，分别表示双因子增强和非线性增强; X1~X10的含义见表 3 图 6 驱动因素对徐州市NEP空间异质性的解释力 Fig. 6 Explanatory power of driving factors and the interactions among different factors on the spatial heterogeneity of NEP in Xuzhou City |
由图 6（b）可以看出，交互作用后的因素影响强度显著上升，各因子的交互作用均呈现双因子增强或非线性增强作用. 植被占比和建设用地占比与其他因子的交互作用对徐州市NEP解释力均大于0.5，进一步表明植被占比和建设用地占比是影响徐州市NEP的主导影响因素. 人口密度和夜间灯光与其他因素交互的解释力相较于单因素也有所提高. 降水作为单因素对于NEP空间分异性的影响并不大（q=0.15），但是与植被占比的共同作用的解释力最高，达到了q=0.66. 同时，降水与太阳辐射量（q=0.32）和DEM（q=0.04）作为单因素的解释力均不高，但降水与二者交互作用均为非线性增强作用，解释力分别高达0.57和0.36，表明二者对于其他因素相互作用协同性较高. 生态修复工程作为单因子的解释力并不高，但是与其他因素交互对徐州市NEP的影响均有所提升，其中与植被占比交互作用的解释力最高，达到了0.51.
3 讨论 3.1 城市碳汇估算精度与不确定性分析城市碳汇是应对气候变化、实现“双碳”目标的关键环节. 目前关于城市或小区域尺度碳汇评估取得了一定成果，但主要集中于中低分辨率遥感数据[43，44]，缺少更精细尺度的评估[45]. 利用高空间分辨率数据，可有效减少混合像元引起的误差，提高城市的植被等生态空间分布信息的准确性，可在较精细尺度上对城市碳汇动态变化进行精确模拟. 耿笛等[41]基于改进的CASA模型，利用Landsat 8 OLI遥感数据估算的2018年9月徐州城区NPP，结果为0~59 g·（m2·月）-1. 许庆等[46]通过涡度相关法和卫星遥感两种方式分析了徐州市总初级生产力（GPP），研究发现2005~2011年徐州市固碳能力持续减弱，2011~2020年固碳能力显著提高并趋于稳定. 本研究利用长周期高空间分辨率的遥感数据，采用改进的CASA模型和土壤呼吸回归方程等对徐州市的NPP和NEP进行估算，其中2018年9月NPP估算结果为0~60.79 g·（m2·月）-1，2000~2011年呈波动下降趋势，处于碳源状态，2011~2022年呈现出逐渐上升趋势，总体呈碳汇状态，2020年NEP涨幅最显著，达到了11.98 g·（m2·月）-1，总体呈“中间低，四周高”的分布特征. 本文研究结果与前者结果基本一致，比同时期耿笛等[41]估算的徐州市NPP结果略高1.79 g·（m2·月）-1，主要原因是本研究区包含植被密度和范围更大的铜山区和贾汪区，进一步表明本文的研究结果准确性较高. 虽然利用Pei等[35]土壤呼吸回归方程经验模型具有较高的可信性，但时空差异导致的偏差依然存在，且采用的降水和气温等数据均为1 km插值数据，对城市碳汇评估结果的精度也存在一定影响.
3.2 资源城市转型与NEP时空变化关系分析资源枯竭转型城市普遍面临着矿产开采导致的一系列生态环境问题，严重制约着城市的可持续性[47]. 已有资料表明，徐州市煤炭资源开采的同时，累计形成了采煤塌陷地28.22万hm2和采石宕口400余处，陆地生态系统受到破坏，严重制约资源型城市转型、区域中心城市建设和群众生活质量改善. 随着煤炭资源逐渐枯竭，徐州市从2008年逐步实施振兴徐州老工业基地战略，2011年徐州市贾汪区被列为全国资源枯竭性城市，2013年纳入《全国资源型城市可持续发展规划（2013—2020年）》，政府出台一系列关于采煤沉陷区治理及生态修复政策及规划，科学引导城市生态治理与转型，绿色转型发展成为引导资源型城市实现健康、可持续发展的重要途径. 本文精细评估了徐州城市在资源转型发展过程中固碳能力的时空变化特征，本研究发现，2000~2022年逐步实现了由碳源向碳汇的转变，贾汪区和铜山区作为生态修复的重点区域，其碳汇能力显著增强，这表明其生态修复和采煤沉陷区治理工作呈现一定成效，同时，鼓楼区、云龙区和泉山区的NEP也有一定增强，表明徐州市不断开展“增绿行动”，在城市绿化、公园绿地建设等方面取得较好成效. 截至2023年末，徐州建成区绿地率达42.16%、绿化覆盖率为43.26%，生态绿色已成为徐州城市发展的“主色调”. 由持续性分析可知，徐州市NEP未来有31.60%的区域持续增加，主要分布于铜山与贾汪的生态修复重点区域，6.49%的区域为持续减少，主要分布在城市建设区及贾汪的农业园区. 需要关注的是贾汪区和铜山区均有部分区域将从增加变为减少，因此在资源枯竭型城市在绿色转型中，不仅要关注重点生态工程和经济建设，同时要关注自身生态基础的稳固，确保区域生态的持续性和稳定性.
3.3 资源枯竭转型城市NEP影响因素分析及建议城市生态系统碳汇由自然碳汇系统与人工碳汇系统构成，受自然条件和人为干预的强烈影响[48]. 在时间尺度上，太阳辐射量、蒸散与NEP呈正相关关系，这一结果分别与孙春健等[49]探究城市绿地净生态系统CO2交换量与太阳辐射量关系和曹云等[50]探究西南地区NEP与蒸散作用关系的结论一致. 气温与NEP呈现显著负相关区域多分布于植被稀疏的城市建成区，主要原因是徐州市高温期长，地表温度过高，一方面会导致植被为减少蒸腾作用而关闭气孔降低光合作用，另一方面，会提高土壤微生物的活性和改变土壤微生物群落结构等方式加速土壤异养呼吸[51]. 降水与NEP总体呈负相关，主要原因是徐州市周边植被以农作物为主，根系较短，且9月份已接近成熟季节，对降水变化较为敏感，并且降水量的增加会促进土壤呼吸. 人口密度与NEP的偏相关关系具有双面性，呈现正相关的区域可能因为人口减少导致植被缺少管理，呈现负相关的区域可能是因为人口密集使城市化更加严重，导致植被覆盖度减少.
在空间尺度上，土地利用类型是影响NEP的主要驱动因素. 植被占比和建设用地占比对NEP空间分异性均有较高的解释力（q为0.49和0.47），但是两者的交互作用解释力并不显著，由图 7可知，近22 a，耕地比例在60%以上，但持续减少，主要转化为建设用地和林地，因此需要重视城市发展对生态的约束. 在城市尺度上，气象和地形等单因素对NEP的解释力不大，但降水与植被占比、太阳辐射量及DEM等的交互作用显著增强，因此将自然-人为因子交互作用纳入城市生态系统管理，针对性实施城市绿化、生态修复工程，加强植被保护和营造局地小气候等“有效降雨”举措，以增强城市生态系统碳汇能力. 此外，无论是单因素还是交互作用探测，社会因素和生态修复因子对徐州市碳汇的空间异质性均有一定的影响，因此需重点防范城市空间无序扩张导致的生态碳汇能力衰减风险[8]，建立包含人口密度、经济强度、生态修复与碳汇效能的四维动态模型，构建城市绿色转型与碳汇效能提升的协同机制.
|
图 7 2000~2022年徐州市土地利用类型转移桑基图 Fig. 7 Sankey diagram of land use type transitions in Xuzhou City from 2000 to 2022 |
（1）近22 a来徐州市NEP呈波动上升趋势，其中2000~2011年总体处于碳源状态且NEP均值呈波动下降趋势；2011年后NEP均值逐步上升，2020年后总体实现碳汇的转变. 空间上呈“中间低，四周高”的分布特征，铜山区和贾汪区已实现碳汇转变，泉山区、鼓楼区和云龙区仍处于碳源状态，但是碳汇能力也在逐渐提升.
（2）变化趋势上，2000~2011年徐州市NEP总体呈不显著变化；2011~2022年NEP变化以显著增加趋势为主，其中显著增加趋势（P < 0.05）面积占比增加了28.21%. 未来NEP变化具有较强的持续性，持续增加面积达到31.60%，持续减少面积仅为6.49%，表明徐州市碳汇能力将持续增强.
（3）不同驱动因子对徐州市NEP的影响存在一定的差异. 徐州市NEP时间变化上主要受太阳辐射量（SSRD）和蒸散（ET）正向影响，降水和人口密度具有双向作用；NEP空间异质性的解释因子之间的差异同样显著，植被占比（q=0.49）和建设用地占比（q=0.47）对NEP空间异质性的解释力最大，虽然生态修复区域占比不高，但对NEP具有较大影响（q=0.11），此外，多因子交互作用强度显著上升，多呈双因子增强或非线性增强作用.
（4）由于煤矿区复垦与生态修复治理及城市绿化、公园绿地建设等方面取得较好成效，徐州市陆地生态系统固碳能力不断提升，总体呈现碳汇状态，但也存在部分碳汇能力下降的区域. 因此，未来应将自然-人为因子交互作用纳入城市生态系统管理，加强生态修复治理与碳汇效能提升的协同机制建设，同时，重视生态环境的可持续性，防范城市空间无序扩张导致的生态碳汇能力衰减风险.
| [1] |
邹才能, 何东博, 贾成业, 等. 世界能源转型内涵、路径及其对碳中和的意义[J]. 石油学报, 2021, 42(2): 233-247. Zou C N, He D B, Jia C Y, et al. Connotation and pathway of world energy transition and its significance for carbon neutral[J]. Acta Petrolei Sinica, 2021, 42(2): 233-247. |
| [2] | Rogelj J, den Elzen M, Höhne N, et al. Paris Agreement climate proposals need a boost to keep warming well below 2 ℃[J]. Nature, 2016, 534(7609): 631-639. DOI:10.1038/nature18307 |
| [3] |
王宗超, 闫丰, 田朋飞, 等. 2002~2020年京津冀植被固碳能力时空分异及其影响因素[J]. 环境科学, 2025, 46(6): 3784-3796. Wang Z C, Yan F, Tian P F, et al. Spatial and temporal variability of carbon sequestration capacity of vegetation in Beijing-Tianjin-Hebei and its influencing factors from 2002 to 2020[J]. Environmental Science, 2025, 46(6): 3784-3796. DOI:10.13227/j.hjkx.202405284 |
| [4] | Liu M Z, Yang X T, Wen J X, et al. Drivers of China's carbon dioxide emissions: based on the combination model of structural decomposition analysis and input-output subsystem method[J]. Environmental Impact Assessment Review, 2023, 100. DOI:10.1016/j.eiar.2023.107043 |
| [5] | Li S S, Wang Y Y, Xu X. Can low-carbon city pilot policy improve urban energy-environmental efficiency? Evidence from China[J]. Energy Reports, 2025, 13: 2933-2945. DOI:10.1016/j.egyr.2025.02.020 |
| [6] | Zhu B, Wei C. Strategic interactions for carbon emissions in Chinese cities are influenced by mayors[J]. Nature Cities, 2024, 1(5): 370-377. DOI:10.1038/s44284-024-00059-z |
| [7] | Du X Y, Shen L Y, Wong S W, et al. MBO based indicator-setting method for promoting low carbon city practice[J]. Ecological Indicators, 2021, 128. DOI:10.1016/j.ecolind.2021.107828 |
| [8] |
刘亦文, 李桢枭, 颜建军. 长株潭城市群蓝绿空间碳汇时空演化与组态提升路径[J]. 生态学报, 2025, 45(15): 7349-7361. Liu Y W, Li Z X, Yan J J. The spatiotemporal evolution and configuration improvement path of blue-green carbon sinks in the Changsha Zhuzhou Xiangtan urban agglomeration[J]. Acta Ecologica Sinica, 2025, 45(15): 7349-7361. |
| [9] |
谢和平, 高明忠, 刘见中, 等. 煤矿地下空间容量估算及开发利用研究[J]. 煤炭学报, 2018, 43(6): 1487-1503. Xie H P, Gao M Z, Liu J Z, et al. Research on exploitation and volume estimation of underground space in coal mines[J]. Journal of China Coal Society, 2018, 43(6): 1487-1503. |
| [10] |
张晓平, 胡紫红, 张璐. 生态退化风险视角下的资源枯竭型城市国土空间生态保护修复——以大余县为例[J]. 测绘通报, 2023(5): 148-152, 169. Zhang X P, Hu Z H, Zhang L. Ecological protection and restoration of resource-exhausted cities territorial space from ecological degradation risk perspective: taking Dayu county as an example[J]. Bulletin of Surveying and Mapping, 2023(5): 148-152, 169. |
| [11] |
王回茴, 李汉廷, 谢苗苗, 等. 资源型城市工矿用地系统修复的生态安全格局构建[J]. 自然资源学报, 2020, 35(1): 162-173. Wang H H, Li H T, Xie M M, et al. Construction of ecological security pattern for systematic restoration of industrial and mining land in resource-based cities[J]. Journal of Natural Resources, 2020, 35(1): 162-173. |
| [12] | Qiu S, Yu Q, Niu T, et al. Study on the landscape space of typical mining areas in Xuzhou city from 2000 to 2020 and optimization strategies for carbon sink enhancement[J]. Remote Sensing, 2022, 14(17). DOI:10.3390/rs14174185 |
| [13] |
郑文含. 绿色发展: 资源枯竭型城市转型路径探索——基于徐州市贾汪区的实证[J]. 现代城市研究, 2019(4): 100-105. Zheng W H. Green development: a new exploration of resource exhausted city's transformation——a case study of Jiawang district, Xuzhou city[J]. Modern Urban Research, 2019(4): 100-105. |
| [14] | Li X, Zhuang X Y. Eco-city problems: industry-city-ecology, urbanization development assessment in resource-exhausted cities[J]. Sustainability, 2022, 15(1). DOI:10.3390/su15010166 |
| [15] | Bousquet P, Peylin P, Ciais P, et al. Regional changes in carbon dioxide fluxes of land and oceans Since 1980[J]. Science, 2000, 290(5495): 1342-1346. DOI:10.1126/science.290.5495.1342 |
| [16] | Jiang F, Chen J M, Zhou L X, et al. A comprehensive estimate of recent carbon sinks in China using both top-down and bottom-up approaches[J]. Scientific Reports, 2016, 6. DOI:10.1038/srep22130 |
| [17] | Liang X L, Kukko A, Hyyppä J, et al. In-situ measurements from mobile platforms: an emerging approach to address the old challenges associated with forest inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 143: 97-107. DOI:10.1016/j.isprsjprs.2018.04.019 |
| [18] | Naipal V, Lauerwald R, Ciais P, et al. CE-DYNAM (v1): a spatially explicit process-based carbon erosion scheme for use in earth system models[J]. Geoscientific Model Development, 2020, 13(3): 1201-1222. DOI:10.5194/gmd-13-1201-2020 |
| [19] | Wei D, Tao J, Wang Z Z, et al. Elevation-dependent pattern of net CO2 uptake across China[J]. Nature Communications, 2024, 15(1). DOI:10.1038/s41467-024-46930-4 |
| [20] | Friedlingstein P, O'Sullivan M, Jones M W, et al. Global carbon budget 2023[J]. Earth System Science Data, 2023, 15(12): 5301-5369. DOI:10.5194/essd-15-5301-2023 |
| [21] | Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. DOI:10.1007/s11430-021-9892-6 |
| [22] |
丁岳, 王柳柱, 桂峰, 等. 基于InVEST模型和PLUS模型的环杭州湾生态系统碳储量[J]. 环境科学, 2023, 44(6): 3343-3352. Ding Y, Wang L Z, Gui F, et al. Ecosystem carbon storage in Hangzhou bay area based on InVEST and PLUS models[J]. Environmental Science, 2023, 44(6): 3343-3352. DOI:10.13227/j.hjkx.202204080 |
| [23] |
周咏杰, 江昊, 陈星, 等. 尺度知识引导的深度学习生态系统碳汇模拟[J]. 科学通报, 2025, 70(17): 2791-2804. Zhou Y J, Jiang H, Chen X, et al. Scale knowledge guided deep learning for simulating ecosystem carbon fluxes[J]. Chinese Science Bulletin, 2025, 70(17): 2791-2804. |
| [24] |
管亚兵, 王军, 覃莉, 等. 黄土高原植被碳源/汇估算及其对土地利用变化的响应: 以延河流域为例[J]. 环境科学, 2025, 46(3): 1657-1665. Guan Y B, Wang J, Tan L, et al. Estimation of vegetation carbon source/sink and its response to land use change in the Loess Plateau, a case study of Yanhe River Basin[J]. Environmental Science, 2025, 46(3): 1657-1665. DOI:10.13227/j.hjkx.202312169 |
| [25] | Zhang H, He Z H, Zhang L W, et al. Spatial–Temporal changes and driving factor analysis of net ecosystem productivity in Heilongjiang province from 2010 to 2020[J]. Land, 2024, 13(8). DOI:10.3390/land13081316 |
| [26] |
刘宜浩, 赵健赟, 蒋玉祥, 等. 黄河流域(青海段)碳汇时空格局及影响机制[J]. 环境科学, 2026, 47(4): 2318-2328. Liu Y H, Zhao J Y, Jiang Y X, et al. Spatio-temporal pattern and influencing mechanism of carbon sinks in the Yellow River Basin (Qinghai Section)[J]. Environmental Science, 2026, 47(4): 2318-2328. DOI:10.13227/j.hjkx.202504043 |
| [27] |
赵旭琴, 罗敏, 孟凡浩, 等. 中国西北干旱半干旱区植被生态系统碳源/汇时空演变特征及其驱动因素[J]. 生态学报, 2025, 45(15): 7415-7427. Zhao X Q, Luo M, Meng F H, et al. Spatiotemporal evolution characteristics and driving factors of vegetation carbon sources/sinks in arid and semi-arid regions of Northwest China[J]. Acta Ecologica Sinica, 2025, 45(15): 7415-7427. |
| [28] | Shi X L, Wang L, Ding H, et al. Assessment the impact of drought on vegetation carbon source/sink at a spatial scale and identify the dominant factors in the Middle Reaches of the Yellow River Basin, China[J]. Human and Ecological Risk Assessment: An International Journal, 2024, 30(5-6): 546-569. DOI:10.1080/10807039.2024.2387056 |
| [29] | Zhao H X, Fan J D, Gu B J, et al. Carbon sink response of terrestrial vegetation ecosystems in the Yangtze River Delta and its driving mechanism[J]. Journal of Geographical Sciences, 2024, 34(1): 112-130. DOI:10.1007/s11442-024-2197-z |
| [30] | Song C L, Wang G X, Hu Z Y, et al. Net ecosystem carbon budget of a grassland ecosystem in central Qinghai-Tibet Plateau: integrating terrestrial and aquatic carbon fluxes at catchment scale[J]. Agricultural and Forest Meteorology, 2020, 290. DOI:10.1016/j.agrformet.2020.108021 |
| [31] |
张祯祺, 蔡惠文, 张平平, 等. 基于GEE遥感云平台的三江源植被碳源/汇时空变化研究[J]. 自然资源遥感, 2023, 35(1): 231-242. Zhang Z Q, Cai H W, Zhang P P, et al. A GEE-based study on the temporal and spatial variations in the carbon source/sink function of vegetation in the Three-River Headwaters region[J]. Remote Sensing for Natural Resources, 2023, 35(1): 231-242. |
| [32] | Dong L L, Wang Y Q, Ai L J, et al. A review of research methods for accounting urban green space carbon sinks and exploration of new approaches[J]. Frontiers in Environmental Science, 2024, 12. DOI:10.3389/fenvs.2024.1350185 |
| [33] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [34] |
朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413-424. Zhu W Q, Pan Y Z, Zhang J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Chinese Journal of Plant Ecology, 2007, 31(3): 413-424. |
| [35] | Pei Z Y, Ouyang H, Zhou C P, et al. Carbon balance in an alpine steppe in the Qinghai-Tibet Plateau[J]. Journal of Integrative Plant Biology, 2009, 51(5): 521-526. DOI:10.1111/j.1744-7909.2009.00813.x |
| [36] |
马云飞, 高枞亭, 吴玉洁, 等. 2000—2020年吉林省植被NPP时空演变及其与气温、降水的关系分析[J]. 气象与环境科学, 2024, 47(6): 65-74. Ma Y F, Gao Z T, Wu Y J, et al. Spatial and temporal evolution of NPP and its relationship with temperature and precipitation in Jilin province from 2000 to 2020[J]. Meteorological and Environmental Sciences, 2024, 47(6): 65-74. |
| [37] |
罗瑞, 于欢, 张旺, 等. 四川省植被净初级生产力时空格局演变及驱动力分析[J]. 环境科学, 2026, 47(4): 2329-2342. Luo R, Yu H, Zhang W, et al. Temporal and spatial pattern changes of vegetation net primary productivity in Sichuan province and the analysis of its driving factors[J]. Environmental Science, 2026, 47(4): 2329-2342. DOI:10.13227/j.hjkx.202503165 |
| [38] |
白天豪, 贡恩军, 周娜芳, 等. 2001~2022年秦巴山区生态碳汇时空格局及驱动力分析[J]. 环境科学, 2025, 46(1): 356-366. Bai T H, Gong E J, Zhou N F, et al. Spatiotemporal patterns and driving forces analysis of ecological carbon sink from 2001 to 2022 in Qinling-Daba mountains, China[J]. Environmental Science, 2025, 46(1): 356-366. DOI:10.13227/j.hjkx.202401064 |
| [39] |
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. |
| [40] | Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593-610. |
| [41] |
耿笛, 梁亮, 黄婷, 等. 利用改进的CASA模型估算城市尺度NPP——以徐州城区为例[J]. 测绘通报, 2021(1): 78-83, 89. Geng D, Liang L, Huang T, et al. Estimation of urban scale NPP by using improved CASA model: taking Xuzhou city as an example[J]. Bulletin of Surveying and Mapping, 2021(1): 78-83, 89. |
| [42] |
田朋飞, 闫丰, 王宗超, 等. 太行山-燕山碳源/碳汇时空变化及驱动因素分析[J]. 环境科学, 2025, 46(7): 4403-4415. Tian P F, Yan F, Wang Z C, et al. Analysis of driving factors for spatiotemporal changes in carbon sources/sinks in Taihang and Yanshan mountains[J]. Environmental Science, 2025, 46(7): 4403-4415. DOI:10.13227/j.hjkx.202406227 |
| [43] |
李慧, 魏兴萍. 重庆功能区碳源/汇时空演变及其影响因素[J]. 环境科学, 2026, 47(4): 2343-2358. Li H, Wei X P. Spatial-temporal evolution of carbon source/sink and its influencing factors in Chongqing functional area[J]. Environmental Science, 2026, 47(4): 2343-2358. DOI:10.13227/j.hjkx.202501232 |
| [44] | Yang H F, Chen W. Spatio-temporal pattern of urban vegetation carbon sink and driving mechanisms of human activities in Huaibei, China[J]. Environmental Science and Pollution Research, 2022, 29(21): 31957-31971. DOI:10.1007/s11356-022-18512-8 |
| [45] |
孙佳慧, 周凯, 郑曦. 基于局地气候区的城市碳汇时空变化及其影响因素分析——以北京市中心城区为例[J]. 生态学报, 2025, 45(15): 7257-7276. Sun J H, Zhou K, Zheng X. Analysis on spatiotemporal variation of urban carbon sinks and its influencing factors based on local climate zones: a case study of the central urban area of Beijing[J]. Acta Ecologica Sinica, 2025, 45(15): 7257-7276. |
| [46] |
许庆, 秦凯, 鹿凡, 等. 煤炭资源枯竭转型城市植被碳汇变化观测: 以徐州为例[J]. 煤炭学报, 2023, 48(7): 2916-2924. Xu Q, Qin K, Lu F, et al. Observational study on the change of vegetation carbon sink in cities with depleted coal resources in transition: Xuzhou as an example[J]. Journal of China Coal Society, 2023, 48(7): 2916-2924. |
| [47] | Wang F Y, Tong S, Chu Y, et al. Spatio-Temporal evolution of key areas of territorial ecological restoration in resource-exhausted cities: a case study of Jiawang district, China[J]. Land, 2023, 12(9). DOI:10.3390/land12091733 |
| [48] |
石铁矛, 王迪, 汤煜, 等. 城市生态系统碳汇固碳能力计算方法与影响因素研究进展[J]. 应用生态学报, 2023, 34(2): 555-565. Shi T M, Wang D, Tang Y, et al. Research progress on calculation method and impact factors of carbon sequestration capacity in urban eco-systems[J]. Chinese Journal of Applied Ecology, 2023, 34(2): 555-565. |
| [49] |
孙春健, 王春林, 申双和, 等. 珠三角城市绿地CO2通量的季节特征[J]. 生态学报, 2012, 32(4): 1273-1282. Sun C J, Wang C L, Shen S H, et al. Seasonal characteristics of CO2 fluxes above urban green space in the Pearl River Delta, China[J]. Acta Ecologica Sinica, 2012, 32(4): 1273-1282. |
| [50] |
曹云, 陈紫璇, 莫建飞, 等. 西南地区森林NEP时空演变特征及其驱动因素[J]. 生态学报, 2025, 45(7): 3252-3266. Cao Y, Chen Z X, Mo J F, et al. Study on the spatial-temporal evolution characteristics and driving factors of forest NEP in Southwest China[J]. Acta Ecologica Sinica, 2025, 45(7): 3252-3266. |
| [51] | Lu X J, Chen Y, Sun Y Y, et al. Spatial and temporal variations of net ecosystem productivity in Xinjiang Autonomous Region, China based on remote sensing[J]. Frontiers in Plant Science, 2023, 14. DOI:10.3389/fpls.2023.1146388 |