实现“双碳”目标对我国城市的可持续发展提出了新的要求和挑战, 特别是一些超大城市, 面临着发展与生态修复、碳汇能力保障之间的矛盾有待解决^{[1, 2]}. 结合城市区域发展, 制定以碳汇可持续供给为导向的合理碳增汇措施, 充分发挥生态系统的碳汇功能, 成为城市实现“双碳”目标的一条可行路径. 然而, 城市内部不同区域的植被类型和土地利用方式等存在差异, 区域功能与发展也各不相同. 因此, 有必要划分区域碳增汇优先等级, 提出合理管控方案, 以兼顾城市发展与碳中和目标的实现^[3].

北京是全国政治、经济和文化中心, 也是国际交往和科技创新的重要区域, 承担多项重要功能, 逐渐聚焦于城市的可持续发展, 成为我国首个减量发展超大城市. 众多学者研究发现北京市林草碳汇潜力较大, 能够在实现“双碳”目标过程中发挥重要作用^{[4, 5]}. 但由于北京市域范围内不同区域承担着差异化的城市功能, 各区域碳汇量及其演变特征差异较大. 因此, 在碳中和背景下, 有必要结合城市发展划分碳增汇区域, 有效分类并针对性地提出碳增汇策略, 提供可持续碳汇供给保障.

与本研究相关的文献可分为两类. 一是植被碳汇能力相关研究. 植被净初级生产力（NPP）和净生态系统生产力（NEP）常被选做主要指标, 用于分析不同空间尺度或生态系统碳汇能力的时空格局演变过程, 在此基础上, 驱动因子和作用机制得到进一步探讨^{[6 ~ 8]}. 随着对碳汇影响复杂性的不断重视, 近年来, 学者们开始关注各驱动因子之间的交互作用, 采用地理探测器、双变量空间自相关和系统动力学等方法来分析各地区生态系统植被碳汇的驱动因素^{[9 ~ 12]}. 二是生态功能分区相关研究. 学者针对不同区域提出分区方案^{[13 ~ 17]}, 碳增汇理念也逐渐融入生态空间管理与分区研究之中, 主要以生态位和碳收支平衡等作为理论基础^[18], 研究区域包括武汉城市圈^[19]、京津冀地区县域尺度^[20]、钱塘江流域^[21]、陕西省^[22]和福建省^[23]等. 既有研究具体通过选取植被碳储量单一指标或碳排放经济贡献系数和碳吸收生态承载系数等复合指标作为区域划分的标准, 确定碳增汇优先区或重要碳汇区^[24]. 碳增汇区划的理论及内涵不断丰富, 为不同区域碳汇提质增效提供科学参考. 但在可持续发展理念下如何构建超大城市碳增汇分区识别体系以及对于不同碳增汇等级区域如何进行差别化管理仍需探讨. 而大多数研究所选取的分区指标较为单一, 忽略了碳汇演变特征和相关驱动因子对碳增汇分区的影响, 不足以全面反映城市尺度碳增汇的复杂性. 因此, 本研究在定量估算北京市2001~2020年植被NEP, 分析其时空分布格局和演变特征的前提下, 综合考虑北京市自然、社会和经济等情况, 在以往研究仅分析驱动因子作用大小的基础上, 将驱动因子作为可持续碳增汇适宜性评价指标, 以单因子探测解释度相对贡献作为权重, 采用风险探测依据各驱动因子不同区间相对应的NEP均值大小顺序, 对驱动因子不同区间分级赋值, 并结合碳汇演变特征进行分区, 以期为北京市土地开发利用决策、林草生态工程建设和植被碳汇能力提升提供参考.

本研究中碳增汇指包括林地、草地、耕地和城市绿地等在内的植被固碳量增加及植被固碳能力提升. 目前, 我国在碳减排方面已取得积极成效, 但据估计我国在碳达峰后每年仍有25亿t的负排放缺口^[25], 因此, 仅通过碳减排来实现净零排放的目标是不现实的, 还需增加植被固碳量, 有效发挥植被固碳功能, 抵消经济社会发展中产生的碳排放. 据估算, 2010~2016年中国陆地生态系统年均可吸收同时期人为碳排放的45%^[26], 一方面得益于天然林保护工程和“三北”防护林工程等重点生态工程的实施^[27], 林地和草地等质量有所改善；另一方面, 除了森林和农田等重要碳汇, 在城市化过程中, 随着植树造林、增加城市绿地、建设社区公园等措施的执行, 建成区的植被固碳量也有所增加^{[28, 29]}. 然而, 不同的人类干扰程度、土地利用方式、地形特征和碳汇管理措施等均会影响植被固碳能力^{[30, 31]}. 因此, 依据可持续碳增汇适宜性和区域碳汇演变特征进行划分, 能够更有效地针对不同区域制定具体的碳增汇策略, 促进碳中和目标实现.

可持续性是指一种可以长久维持的过程或状态, 以人为本的“自然-经济-社会”复合系统的持续、稳定和健康发展是可持续发展的追求^[32]. 本研究可持续碳增汇是指在可持续发展目标框架下为实现“可持续的城市和社区”和“应对气候变化”等目标, 在将各类驱动因子及碳汇演变特征共同纳入考虑范畴的前提下, 碳汇能够可持续增长的状态. 城市可持续发展与可持续碳增汇之间是相辅相成的, 城市可持续发展是指城市在经济、社会和生态等方面实现长期平衡发展的能力, 而可持续碳增汇则是指通过增加自然资本的存量及提高质量, 以实现生态系统碳汇能力的长期稳定性和持续性, 是实现城市可持续发展的重要手段之一. 城市可持续发展是实现可持续碳增汇的基础. 一个可持续发展的城市, 能够更有效地保护和管理其自然资源, 从而促进可持续碳增汇. 同时, 通过可持续碳增汇, 城市能够更好地应对气候变化挑战, 提高生态韧性, 进而促进城市可持续发展. 因此, 在城市规划中, 需要充分考虑自然生态系统的保护和恢复, 以实现可持续碳增汇.

本研究基于可持续发展理念, 以“碳汇特征明晰-碳增汇适宜性评价-碳增汇区域综合划分”的思路构建基本逻辑框架（图 1）, 即从自然、经济和社会这3个方面选择驱动因子, 探讨其对碳增汇的单因子作用及交互作用, 并将驱动因子作为可持续碳增汇适宜性评价的数据基础, 结合碳汇演变特征（趋势性、波动性和持续性）, 确定碳增汇分区方案, 并针对各区域提出相应管理措施.

图 1

Fig. 1

图 1 研究框架示意 Fig. 1 Research framework

植被生态系统NEP由植被净初级生产力（NPP）与土壤异养呼吸（R_h）差值计算得到, 如式（1）：

(1)

式中, NEP(x，t)、NPP(x，t)和R_h(x，t)分别表示在像元x处t月的植被净生态系统生产力、植被净初级生产力和土壤微生物异养呼吸（以C计）, 单位为g·m^-2. 若NEP(x，t)>0, 该区域表现为碳汇；若NEP(x，t) < 0, 该区域表现为碳源.

本研究利用改进的CASA（carnegie ames stanford approach）模型^[33], 代入归一化植被指数数据、土地利用数据和气象数据等, 估算北京市NPP, 如式（2）：

(2)

式中, SOL(x，t)表示像元x在t月的太阳总辐射量, FPAR(x，t)表示植被层对入射光合有效辐射的吸收比例, ε(x，t)表示光能利用率.

学者研究发现归一化植被指数的简单比率（SR）和FPAR之间同样也存在线性关系, 仅采取NDVI推算出的值与实测值相比偏大, 但若仅采取SR进行计算的值与实测值相比则偏小, 因此将两个结果相结合确定最终的FPAR可以将误差减小. 本研究借鉴前人经验以二者的平均值表示, 如式（3）：

(3)

实际光能利用率由植被最大光能利用率（ε_max）、水分（W_ε）、低温（T_ε1）和高温（T_ε2）胁迫因子共同决定, 如式（4）：

(4)

测算过程中所用各植被类型的最大光能利用率及NDVI最大值、最小值, 由静态参数文件进行配置, 本研究参考朱文泉等^[34]的研究成果设定静态参数.

本研究借鉴裴志永等^[35]的研究成果估算R_h. 其研究探讨了碳排放与环境因子的关系, 并在此基础上建立了温度、降水与碳排放的回归方程, 估测土壤微生物呼吸的分布状况, 已在黄河流域^[36]等研究中得到验证, 如式（5）：

(5)

式中, T（x, t）表示像元x在第t月的平均气温, 单位为℃；R（x, t）为像元x在第t月的月降水量, 单位为mm.

（1）趋势性分析  本研究采用逐像元一元线性回归方法, 对2001~2020年北京市NEP变化趋势进行分析, 并将增减变化和显著性相结合, 分为减少且显著、减少且不显著、无明显变化、增加且显著和增加且不显著这5类.

（2）波动性分析  因所测度的NEP像元平均值存在负值, 所以用变异系数来衡量波动性失效, 本研究采用标准差反映NEP年际变化的波动程度, 该数值越小表示NEP变化越稳定. 采用分位数法将波动性分为小波动、较小波动、较大波动和大波动这4类.

（3）持续性分析  本研究利用R/S分析法计算NEP的Hurst指数, 由此来表现NEP变化趋势的持续性特征. 该指数取值范围在0~1之间, 越接近于0反持续性越强, 表示未来趋势与过去趋势呈负相关. 越接近于1持续性越强, 表示未来变化趋势与过去保持一致. 根据Hurst指数的变化定义为强反持续性（0 < H≤0.35）、弱反持续性（0.35 < H≤0.5）、弱持续性（0.5 < H≤0.65）和强持续性（0.65 < H≤1）^{[12, 37]}.

以上3类指标计算均使用MATLAB编程实现. 通过Arcgis赋值叠加共得到3类特征的77种组合, 如“显著增长-强持续性-小波动”.

地理探测器可用来探明某一地理要素空间分异的因素驱动力^[38], 本研究主要运用到因子探测、交互探测和风险探测. 地理探测器所用数据通过对栅格数据采样获得, 经过对有缺失数据的样本点删减, 最终获得16 019个样本点数据.

首先, 本研究利用因子探测来衡量驱动因子对北京市NEP空间分异的解释度, 并根据解释度相对贡献对驱动因子赋予权重, 即权重为各驱动因子解释度与所有驱动因子解释度之和的比值, 如式（6）~（8）：

(6)

(7)

(8)

式中, q表示驱动因子解释度, h=1, 2, …, L为因子分类；N和N_h分别表示区域和层h的单元数；σ_h²和σ²分别表示层h和区域NEP方差；SSW表示层内方差之和, SST表示区域总方差. q值等于0时, 表明驱动因子与北京市NEP无关；当q值介于（0, 1）时, 值越大则驱动因子对北京市NEP空间分异的解释度越高. w_k表示第k个评价指标的权重, q_k为第k个驱动因子的因子探测解释度, Q表示所有驱动因子的解释度之和.

其次, 利用交互探测来判断两个驱动因子的解释能力是增强、减弱或相互独立, 探明北京市NEP驱动因子之间的复杂作用关系, 判断依据如表 1所示.

表 1 (Table 1)

表 1 因子间的交互作用判断依据 Table 1 Basis for judging interactions between factors 判断依据 交互作用 q(X1∩X2) < min[q(X1), q(X2)] 非线性减弱 min[q(X1), q(X2)] < q(X1∩X2) < max[q(X1), q(X2)] 单因子非线性减弱 q(X1∩X2) > max[q(X1), q(X2)] 双因子增强 q(X1∩X2) = q(X1)+q(X2) 独立 q(X1∩X2) > q(X1)+q(X2) 非线性增强

表 1 因子间的交互作用判断依据 Table 1 Basis for judging interactions between factors

再次, 本研究借助风险探测, 按照不同驱动因子子区间相对应的NEP均值大小划分阈值并对驱动因子分级赋值, 按类别个数不同, 分值范围包括1~3、1~4和1~5分, 即区间范围对应的NEP值越大分值越高. 进而以各指标权重和对应数值进行地理加权总和运算, 得到可持续碳增汇适宜性评价结果, 作为碳增汇分区的一部分基础数据. 可持续碳增汇适宜性评价计算公式如式（9）：

(9)

式中, S_i表示第i个栅格的可持续碳增汇适宜性评价分数；c_k表示第k个驱动因子的分级赋值分数.

最后, 采用层次分析法对可持续碳增汇适宜性及碳汇演变特征进行赋权, 借助地理加权叠加, 得到可持续碳增汇分区.

本研究数据包括NEP估算数据和驱动因子数据等, 具体数据来源及处理如表 2所示.

表 2 (Table 2)

表 2 数据来源与处理 Table 2 Data source and processing 一级指标 二级指标 数据来源及处理 自然因素 年降水量 气象站点数据来源于国家气象数据中心（http://data.cma.cn/）, 通过Arcgis克里金插值得到1~12月数据, 进而栅格加总或求平均值得到指标测度值 年平均气温 年太阳辐射 植被覆盖度 基于NDVI数据计算获得, NDVI数据来源于NASA（https://modis.gsfc.nasa.gov/）MODIS MOD13Q1产品 海拔 30 m数字高程模型（DEM）数据来源于地理空间数据云平台 坡度 基于DEM提取得到 坡向 基于DEM提取得到 社会经济因素 土地利用类型 来源于NASA（https://modis.gsfc.nasa.gov/）MODIS MCD12Q1产品中的国际地圈生物圈计划（IGBP）植被分类方案, 进一步重分类为林地、草地、水域、耕地、建设用地和未利用地等6类 人类干扰程度 通过高德地图获取2020年兴趣点（POI）, 并统计格网中的POI数量, 计算密度, 具体包括餐饮、风景名胜、公共设施、公司企业、购物服务、交通设施、金融保险、科教文化、商务住宅、生活服务、医疗保健和住宿服务等12类与人类活动密切相关的POI数据 人口密度 采用中国人口空间分布公里网格数据集, 数据来源于资源环境科学数据注册与出版系统[39] 经济活动水平 利用夜间灯光数据测算夜间灯光指数得到, 夜间灯光数据来源于国家青藏高原科学数据中心（http://data.tpdc.ac.cn） GDP 采用中国GDP空间分布公里网格数据集, 数据来源于资源环境科学数据注册与出版系统[40]

表 2 数据来源与处理 Table 2 Data source and processing

从时间演变来看, 2001~2020年北京市年均NEP（以C计, 下同）为150.35 g·m^-2, 总体上呈现波动上升趋势, 2013年之后变化较为稳定（图 2）. 从空间尺度来看, 北京市NEP在空间分布上具有差异性, 大致呈现中心辐射状, 表现为由中心向周围递增的规律, 西北地区的NEP大于东南地区（图 3）. 2020年与2001年相比, NEP范围在150~300 g·m^-2的面积占比由35.5%增加到47.6%, 大于300 g·m^-2的面积占比由8.9%增加到14.7%. 碳源区域由14.4%减少至13.3%, 变化幅度较小. 年均NPP值呈现增长趋势, 但因土壤微生物异养呼吸碳排放有所增加, 因此近几年NEP值有下降趋势. 应对气候变化过程中, 还应当重视土壤微生物异养呼吸的影响, 提升碳增汇的可持续性.

图 2

Fig. 2

图 2 2001~2020 年北京市 NPP、Rh和NEP值变化趋势 Fig. 2 Trends in NPP, Rh, and NEP values in Beijing from 2001 to 2020

图 3

Fig. 3

图 3 2001~2020年北京市NEP空间演变特征 Fig. 3 Spatial evolution characteristics of NEP in Beijing from 2001 to 2020

从趋势性来看[图 4（a）], 2001年以来大部分植被NEP呈增加趋势, 占总面积的79.6%, 其中显著增加的占36.5%（P < 0.05）, 主要分布在北京市西北部, 减少的占15.6%, 其中显著减少的占3.4%.

图 4

Fig. 4

图 4 2001~2020年北京市NEP演变趋势性、波动性和持续性特征 Fig. 4 Characteristics of trend, volatility, and continuity of NEP evolution in Beijing from 2001 to 2020

从波动性来看[图 4（b）], 47.2%的区域处于小波动等级, 碳汇区域中波动性最小的区域集中于怀柔区、延庆区和房山区. 究其原因可能是在有效的生态保护政策实施下, 维护了生态系统的稳定与健康, 另外, 这些区域植被覆盖、土壤质量和水资源等环境因素波动较小, 农业开垦和城市化进程等人类活动干扰程度也较小.

从持续性来看[图 4（c）], 由于存在增长和减少两种类型的变化, 因此仅分析持续性均值不具有实际意义, 本研究将增长或减少趋势与持续性相结合来分析. 由结果可知, 25%的区域处于增长趋势且具有持续性, 8.8%的区域处于减少趋势且具有反持续性, 具有可持续性增长或由减少反转的区域范围仍然较小, NEP的可持续增长还有待进一步提高. 这可能是因为虽然北京市采取了一系列措施加强生态保护和修复, 提高生态系统的质量和稳定性, 但是仍然面临如城市化进程对自然生态系统的破坏、土地利用变化对碳汇能力的影响等挑战, 因此如何可持续地提升NEP增长是实践中需要重点考虑的方向, 有必要结合驱动因子分析NEP空间分异特征, 通过分区有针对性地制定管理措施.

由以上结果可知, 北京市NEP呈现空间分异特征, 本研究选取年平均气温、年降水量、年太阳辐射、海拔、坡度、坡向和植被覆盖度等7个自然因子以及土地利用类型、GDP、人口密度、经济活动水平和人类干扰程度等5个社会经济因子, 以2020年为例, 对北京市NEP空间分异的驱动因素进行定量分析, 通过q值大小判断因子对NEP的解释力.

从单因子作用来看, 植被覆盖度是影响NEP空间分异的主要因子, 对NEP解释力最强, q值为0.676. 其次分别为土地利用类型（0.555）、海拔（0.398）、人类干扰程度（0.383）、坡度（0.366）、经济活动水平（0.313）、人口密度（0.294）、GDP（0.290）和年平均气温（0.278）, 年降水量、坡向和年太阳辐射的q值均小于0.1, 对NEP的解释力较小. 因此可见, 对于北京市这类以经济活动为主的城市来说, 社会经济因素对NEP的影响是不可忽视的.

从交互作用结果来看（图 5）, 北京市NEP驱动因子的双因子交互作用q值均大于单因子q值, 表现为双因子增强或非线性增强效应, 不存在相互独立或减弱的关系, 即任意两个因子的交互作用对北京市NEP的影响都大于单个因子, 北京市NEP空间分异特征受到多个驱动因子的共同作用. q值越高, 表明其对应的两个因子之间的交互作用对于北京市NEP的影响程度越大. 其中, 植被覆盖度∩土地利用类型的q值最高, 为0.77, 植被覆盖度∩海拔次之, q值为0.75. 一方面, 植被覆盖度和土地利用类型之间存在紧密的交互作用, 这种交互作用使得植被覆盖度和土地利用类型对NEP的影响更为复杂, 可能产生协同或拮抗效应, 从而影响NEP的大小和分布. 另一方面, 海拔高度的变化会导致生态环境的显著差异. 不同海拔地区的温度、降水和光照等气候条件会有所不同, 进而影响植被的生长和分布. 本研究还发现, 人类干扰程度与植被覆盖度的交互作用大于人类干扰程度与土地利用类型的交互作用. 究其原因可能是人类开发和利用等行为会直接影响植被的数量和质量, 进而影响NEP, 这种影响是直接的. 而对土地利用类型的改变, 如从林地变为耕地或建设用地, 虽然也对NEP产生影响, 但这种影响更多的是间接的. 土地利用类型的改变会影响植被覆盖度, 但这个过程需要较长的时间, 因此其对NEP的影响是间接且缓慢的. 另外, 人类活动对土地利用类型的改变往往具有长期性和不可逆性, 这使得土地利用类型对NEP的影响在一定程度上被固定化, 减少了其与人类干扰程度的交互作用.

图 5

Fig. 5

1.年太阳辐射, 2.植被覆盖度, 3.人类干扰程度, 4.GDP, 5.人口密度, 6.经济活动水平, 7.年降水量, 8.年平均气温, 9.海拔, 10.坡向, 11.坡度, 12.土地利用类型 图 5 北京市NEP空间分异驱动因子交互探测 Fig. 5 Interaction detection of spatial differentiation drivers of NEP in Beijing

根据以上单因子探测和交互探测结果可知, 驱动因子对北京市NEP驱动作用大小不同, 且其交互作用均表现为增强效果, 因此, 碳增汇分区从多重驱动因子角度考虑是有必要的.

根据风险探测结果, 各指标范围内NEP值越高, 越适宜碳增汇, 则对应分值越高. 本研究发现, 就北京而言, 部分驱动因子与NEP之间并非线性的增加或减少关系（表 3）, 如斜坡（15°~25°）更适宜. 阴坡的NEP均值在几类坡向最大, 可能是因为阴坡可减少水分蒸发, 在北方更能满足植被生长条件, 但阴坡可能会产生更多的土壤异养呼吸量, 从而减少NEP, 但由结果分析可知, 北京阴坡的NPP大于土壤异养呼吸量. 社会经济因素中的GDP对NEP也呈现非线性影响关系, 经济发展好的地区人类活动对自然生态系统的干扰和破坏可能增加, 导致生态系统碳汇能力下降, 但经济发展也是生态修复的基础, 因此, 将GDP由低到高分为4类, 处于第2类别的GDP所对应的NEP均值最大, 分值最高.

表 3 (Table 3)

表 3 可持续碳增汇适宜性评价指标分级赋值与权重 Table 3 Grading and weighting of suitability evaluation indicators for sustainable carbon sequestration 一级指标 二级指标 指标权重 分值及对应区间 1 2 3 4 5 自然因素 年降水量/mm 0.019 465.84~512.62 512.62~551.76 551.76~588.04 588.04~630.99 630.99~710.22 年平均气温/℃ 0.076 12.37~13.84 11.17~12.37 6.15~8.25 9.75~11.17 8.25~9.75 年太阳辐射/MJ·m-2 0.002 4 319.06~4 370.67 4 416.21~4 531.58 4 252.27~4 319.06 4 370.67~4 416.21 4 142.97~4 252.27 植被覆盖度/% 0.184 < 10 10~30 30~50 50~70 ≥70 海拔/m 0.108 0~200 200~500 ≥500 — — 坡度/（°） 0.100 0~5 35~45 5~15 25~35 15~25 坡向 0.012 平地 阳坡 半阴坡 半阳坡 阴坡 社会经济因素 土地利用类型 0.151 建设用地 水域 耕地 草地 林地 人类干扰程度 0.104 28.28~1 769.76 4.64~28.28 1.12~4.64 0.12~1.12 0~0.12 人口密度/人·km-2 0.080 7 746~30 676 4 129~7 746 2 281~4 129 855~2 281 34~855 经济活动水平 0.085 0.83~1 0.63~0.83 0.42~0.63 0.21~0.42 0.02~0.21 GDP/万元·km-2 0.079 ≥10 736 2 779~10 736 102~1 571 1 571~2 779 —

表 3 可持续碳增汇适宜性评价指标分级赋值与权重 Table 3 Grading and weighting of suitability evaluation indicators for sustainable carbon sequestration

本研究利用相等间隔法得到可持续碳增汇适宜性评价等级, 分为低碳增汇适宜性、较低碳增汇适宜性、一般碳增汇适宜性、较高碳增汇适宜性和高碳增汇适宜性这5类, 分别占6.36%、24.84%、16.03%、25.15%和27.62%. 从行政区划来看（图 6）, 东城区、西城区、朝阳区、海淀区、丰台区、石景山区、顺义区、昌平区、大兴区和通州区主要为低或较低碳增汇适宜性区域, 平谷区、顺义区、通州区和密云区部分区域为一般碳增汇适宜性区域, 延庆区、密云区、怀柔区、房山区和门头沟区主要为较高或高碳增汇适宜性区域. 从分区结果可以看出各区域在可持续碳增汇适宜性上的差异. 具体而言, 可持续碳增汇适宜性较高区域拥有良好的自然条件, 人类干扰程度小, 经济活动水平低. 可持续碳增汇适宜性较低区域具有城市化程度较高和土地利用类型以建设用地为主等特征, 难以开展大规模碳增汇项目.

图 6

Fig. 6

图 6 北京市可持续碳增汇适宜性分区 Fig. 6 Sustainable carbon sequestration suitability zoning in Beijing

但仅考虑可持续碳增汇适宜性进行碳增汇分区是片面的, 还需要结合包括趋势性、波动性和持续性在内的碳汇演变特征. 由于重分类结果是分类型数据, 所以本研究采用层次分析法确定可持续碳增汇适宜性和碳汇演变特征的权重, 通过专家打分、构造判断矩阵和一致性检验等, 分别赋予可持续碳增汇适宜性和碳汇演变特征0.8和0.2的权重进行地理加权叠加, 得到可持续碳增汇分区结果. 该权重与张赫等^[20]以碳汇总量作为指标得到的权重接近. 最终结果利用乡镇、街道单元作为划分依据进行统计, 将北京市市域范围划分为碳增汇核心区、碳增汇重点区、碳增汇优先区、碳增汇潜力区和碳增汇补充区（图 7）, 有利于空间精细化管理. 本研究进一步针对各区域提出差异化的优化策略, 促进实现碳汇提质增效.

图 7

Fig. 7

图 7 北京市可持续碳增汇分区 Fig. 7 Sustainable carbon sequestration zoning in Beijing

碳增汇核心区包括怀柔区、延庆区、门头沟区、房山区西部和密云区北部等区域, 占市域总面积的47.5%. 该类区域生态本底优良, 土地利用类型以林地为主, 城市化程度较低, 依托资源禀赋, 具有较高的碳汇能力, 能够吸收、固定本区域的碳, 是北京市重要的碳汇来源. 在今后发展过程中应提高林草生态质量, 加强森林抚育及修复成效监管, 持续促进碳汇供给. 严格控制林地、草地转为建设用地, 在不影响主导功能地位的前提下, 依据林草生态特色, 推行生态文化旅游产品, 带动相关旅游产业发展, 同时为公众科普碳达峰、碳中和知识内容, 实现全民维护碳汇增量. 建立完善的生态监测系统, 实时监测碳增汇核心区的生态健康状况, 为生态保护与修复政策制定提供科学数据支持.

碳增汇重点区包括平谷区、延庆区中部、房山区中部和昌平区北部等区域, 占市域总面积的17.7%. 该类区域碳汇资源丰富, 生态碳汇能力较强, 碳增汇核心区对其可产生一定的促进效应, 其对周围碳增汇优先区也可发挥带动作用. 该区域的管理措施可与碳增汇核心区对标, 提高生态系统完整性及不同类型植被间的连通度. 通过政策激励, 鼓励相关企业加大碳增汇资金、技术和人才的投入. 周围为碳增汇优先区的部分地区可依据植被类型、建设条件和资源禀赋等设立适应性的碳增汇项目试点工程, 以示范效应辐射碳增汇优先区.

碳增汇优先区包括顺义区北部、通州区东南部、大兴区南部和房山区东部等区域, 占市域总面积的15.4%. 该类区域应该考虑当地的自然环境、社会经济条件和未来发展潜力等因素, 确保碳增汇的可持续性和长期效益. 加强生态保护, 防止生态破坏和环境污染, 通过保护生态系统, 促进自然生态系统的恢复和重建, 提高生态系统的碳汇能力.

碳增汇潜力区包括顺义区西南部、通州区西部、大兴区中部和海淀区中部等区域, 占市域总面积的11.4%. 该类区域植被类型主要为耕地和城市绿地, 管理措施应考虑适当引入现代农业科学技术, 培育并优化农作物品种, 提升农作物固碳能力. 在城市规划中将碳汇纳入因素范畴, 扩大绿色生态空间, 形成城市生态网络. 另外, 该类区域人类干扰、经济活动水平相对较高, 还需要重视加强大型公园的碳汇管理.

碳增汇补充区包括西城区、东城区、朝阳区、丰台区和石景山区等市辖区的大部分区域, 占市域总面积的8.0%. 该类区域城市化程度高, 固碳来源主要为城市绿地, 主要受社会经济因素的影响. 在今后的发展中可加快城市绿地生态系统建设, 拓展建设“口袋”公园和庭院绿地等, 并且选择合适植物种类推进城市空间立体绿化建设, 同时要尽可能降低建设周期的碳排放, 科学推进城市绿地发挥碳汇功能. 重视各类空间与土地要素相匹配, 确保绿地布局和规模与碳增汇补充区的整体发展相协调.

各区域间并非独立, 具有关联特征. 探索城市内部区域间的碳补偿机制, 可为碳增汇核心区、碳增汇重点区带来以碳汇为生态产品的新的经济收益点, 促进区域内生态、经济和社会可持续发展, 更进一步激励这些区域更加积极地开展碳增汇行动. 同时, 碳增汇潜力区与碳增汇补充区作为主要受益方, 是城市碳循环系统中的重要区域, 虽然其可持续碳增汇能力相对较弱, 但在碳补偿机制的推动下, 可以通过碳汇交易和碳税等经济手段, 为碳增汇核心区和重点区提供必要的经济补偿, 进而形成“生态保护”激励, 使得相关部门、企业和居民意识到自身在碳循环中的位置和责任, 推进城市碳循环更加公平和稳定.

本研究将参与计算的NPP估算值与现有数据及研究成果进行了对比. 一是利用ArcGIS随机采样100个样本点, 对2005年、2010年、2015年和2020年NPP估算值与NASA发布的MOD17A3产品进行相关性分析, 相关性分别为0.839、0.741、0.762和0.774, 且均显著, 验证了估算结果的可靠性. 二是与文献进行对比, 如宋国宝等^[41]利用分辨率为10 m的空间数据集得出2007年北京市NPP总量（以C计）为7.62×10⁶ t, 本文估算结果为7.69×10⁶ t, 估值接近. 进一步分析造成结果差异的原因, 可能是遥感影像、空间数据等处理方式、数据分辨率和参数设定等不同.

既往文献主要集中于大尺度的城市群或省域, 以市域为划分单元^{[42 ~ 44]}, 部分对市域的研究也是以行政区划为研究尺度^[45], 忽略了区域内部自然资源禀赋和发展情况等现状差异, 不利于市域内部区域的划分. 就划分方法而言, 目前生态学和地理学领域划分方法多结合自然科学理论, 选取NDVI、热量类、水分类和地形类等相关指标^{[46 ~ 49]}, 进行生态地理分区, 缺乏区域发展和管理理念的融入；而社会学和管理学等学科则常以生态系统经济价值和碳吸收生态承载系数等指标作为划分依据^{[50, 51]}, 忽视了自然资源禀赋空间特征, 较少基于空间角度进行分析的成果也局限于以某一指标进行划分, 并未考虑多种驱动因子之间的关联.不同学科和领域侧重不同, 还需进一步探索学科间的融合. 本文对碳增汇区域划分时, 在已有研究成果基础上, 细化空间尺度, 从区域内部划分角度判断碳增汇等级, 加入空间特征及区域发展的考虑, 丰富了碳增汇区域精细化管理研究内容, 为相关管理部门制定碳增汇政策提供区域类型方面的参考.

造成北京市NEP时空特征的主要原因包括：一是北京市自然资源禀赋空间分布不同. 北京市西北部相比于东南部拥有更多大型山体, 森林资源丰富, 具有良好的生态本底条件, 并且随着森林质量的提升, 能够供给优质生态产品. 另外, 研究划分的碳增汇核心区大多为经济发展活力较低区域, 较少的人为介入与开发使用促使森林等植被更好地发挥碳汇作用. 二是北京市区域生态定位不同, 政府依据现有生态资源条件实施差异化生态建设方案. 三是地形地貌、海拔高度和气象变化等自然因素以及人类干扰和经济水平等社会因素均是影响北京市碳增汇分区的原因. 另外产业结构、人口流动和园林管理等也会影响碳增汇分区, 但本研究中并未涉及, 将在后续研究中加以探讨, 为科学布局“三生”空间及协调生态发展与城市发展之间的关系提供更多的理论支撑.

（1）2001~2020年, 北京市植被NEP的总体变化为波动上升, 整体呈现由中心发散性扩大趋势. 但植被NEP整体的可持续性较低, 意味着有必要进一步提高北京市植被NEP增长的可持续能力.

（2）北京市植被NEP空间分异驱动因子解释度存在大小差异性, 从大到小排序为植被覆盖度、土地利用类型、海拔、人类干扰程度、坡度、经济活动水平、人口密度、GDP和年平均气温, 且驱动因子交互作用为双因子增强或非线性增强, 意味着提升北京市植被NEP需要关注社会经济驱动因子的影响以及多个驱动因子的共同作用.

（3）根据可持续碳增汇适宜性评价及碳汇演变特征, 可将北京市市域范围划分为碳增汇核心区、碳增汇重点区、碳增汇优先区、碳增汇潜力区和碳增汇补充区这5类, 各区域采取差异化的管理策略.