EN中文

自然资源学报 >

2025 , Vol. 40 >Issue 5: 1294 - 1311

DOI: https://doi.org/10.31497/zrzyxb.20250510

其他研究论文

成渝城市群国土空间碳收支精细核算与驱动因子监测研究

  • 魏中胤 ,
  • 涂建军 ,
  • 肖林 ,
  • 杨洋 ,
  • 李玥
展开
  • 西南大学经济管理学院，重庆 400715
涂建军（1973-），男，四川金堂人，博士，教授，博士生导师，研究方向为城市与区域发展。E-mail:

魏中胤（1996-），男，山东枣庄人，博士研究生，研究方向为区域创新与协调发展。E-mail:

收稿日期: 2024-04-01

  修回日期: 2024-10-31

  网络出版日期: 2025-04-16

基金资助

国家社会科学基金重大项目(20&ZD156)

收起

Detailed accounting of territorial carbon budgets and monitoring of driving factors in the Chengdu-Chongqing Urban Agglomeration

  • WEI Zhong-yin ,
  • TU Jian-jun ,
  • XIAO Lin ,
  • YANG Yang ,
  • LI Yue
Expand
  • College of Economics and Management, Southwest University, Chongqing 400715, China

Received date: 2024-04-01

  Revised date: 2024-10-31

  Online published: 2025-04-16

Fold

摘要

土地是国土空间的核心载体，也是碳排放和碳吸收的重要主体，优化土地利用方式是调控国土空间碳收支的重要手段。基于复合碳系数法构建30 m×30 m栅格尺度的碳收支指数，精细核算2000—2020年成渝城市群因土地利用变化导致的碳收支变化，并结合兴趣点（POI）数据识别影响碳收支的驱动因子，在此基础上构建碳收支监测预警指数并进行风险分区。研究表明：（1）研究期内，成渝城市群发生变化的土地面积共2.27万km2，占土地总面积的12.32%，带来净碳排放量增加1843.58万t，主要由耕地与建设用地间的相互转化导致。（2）耕地转为建设用地成为超强型增碳空间，集中在成都和重庆主城区这两个核心城市；建设用地转为耕地是超强型降碳空间，布局于“双核”及周边区县的农村地区。（3）工业空间、交通空间是驱动超强型增碳空间增加净碳排放量的主导因子，对国土空间碳收支的调控关键是要增加降碳空间或减少增碳空间。（4）基于主导因子划定的碳收支风险区表明，成都和重庆主城区与泸州、绵阳等地为极高风险区域。

关键词： 国土空间; 土地利用变化; 碳收支; 精细核算; 成渝城市群

本文引用格式

魏中胤 , 涂建军 , 肖林 , 杨洋 , 李玥 . 成渝城市群国土空间碳收支精细核算与驱动因子监测研究[J]. 自然资源学报, 2025 , 40(5) : 1294 -1311 . DOI: 10.31497/zrzyxb.20250510

Abstract

Land serves as the core carrier of territorial space and is also a significant entity for carbon emissions and carbon sequestration. Optimizing land use patterns is a crucial means of regulating territorial space carbon emissions. Using the composite carbon coefficient method, a 30 m×30 m grid-scale carbon budget index was constructed to precisely evaluate the carbon budget changes due to land-use variations in the Chengdu-Chongqing Urban Agglomeration (CCUA) from 2000 to 2020. This study also identified driving factors influencing carbon budget changes using POI data, and on this basis, constructed a carbon budget monitoring and early warning index, followed by risk zoning. Some conclusions can be drawn as follows: (1) During the study period, the total land-use area in the CCUA changed by 22700 km2, accounting for 12.32% of the total land area. This change resulted in an increase of 18.44 million tons in net carbon emissions, primarily due to the mutual conversion between cultivated land and construction land. (2) Cultivated land-to-construction land conversion represented a "super-enhanced" source of increased net carbon emissions in Chengdu and Chongqing's main urban areas, whereas conversion from construction land to cultivated land served as a "super-enhanced" source of reduced net carbon emissions in the rural areas adjacent to these "dual-core" cities. (3) Industrial space and transportation space were the dominant factors driving the increase in "super-enhanced" net carbon emissions. The key to regulating the carbon functionality of territorial space lied in expanding the scope for reducing net carbon emissions or narrowing the scope for increasing net carbon emissions. (4) The carbon budget risk zones identified based on the dominant factors indicate that Chengdu, the main urban areas of Chongqing, Luzhou, Mianyang, and other locations were classified as extremely high-risk areas.

Key words： territorial space; land use change; carbon budget; detailed accounting; Chengdu-Chongqing Urban Agglomeration

碳收支是指一定地域空间在一定时间内（通常为一年）吸收的碳和排放的碳之间的收支平衡关系，碳吸收大于碳排放的空间为碳汇空间，碳排放大于碳吸收的空间为碳源空间，“收支平衡”是碳中和的核心概念[1]。国土空间是承载碳源和碳汇的基本场所[2]，土地作为国土空间的核心载体，其利用方式直接影响国土空间碳收支。因此，通过国土空间用途管制来指导土地利用并调控碳收支，成为推动碳中和目标实现的重要途径[3,4]。城市群地区是土地利用/土地覆被变化（Land Use and Land Cover Change，LUCC）最为激烈和复杂的国土空间[5]，是研究LUCC与碳收支关系的关键地带。碳收支的核算方法直接决定着核算结果的准确性，进而对国土空间用途管制产生重要影响。然而，目前碳收支的核算方法尚不能满足城市群地区构建低碳排放的土地利用系统、进而实现碳中和精细化管理的需要，亟需采用更精细的碳收支核算方法并建立影响碳收支主导因子的监测体系，以精准对接上述双重需求，为碳中和战略的深入实施提供决策依据。
核算碳收支的方法有间接法和直接法两大类。间接碳核算方法是将不同能源的碳排放系数与对应的能源消耗量相乘得到碳排放量，该方法计算简便，但能源消耗统计数据主要基于行政区统计，因此主要应用于某行政单元的碳排放总量核算[6]，无法精确到行政区的某个具体空间。直接碳核算方法包括清查法、模型估计法和遥感影像碳密度法等。其中清查法是通过比较不同时期清查资料来估算陆地生态系统的碳储量变化，可以精确到样点尺度[7,8]，但存在清查周期长、区域尺度估算偏差大等局限；模型估计法是根据生态系统碳循环过程来构建相应模型核算碳排放和碳吸收，代表模型有Bookkeeping、BIOME-BGC、CENTURY、TEM等，其优势在于可以预测碳源和碳汇的未来变化，但应用场景通常局限于生态用地[8]；遥感影像碳密度法是通过遥感影像采集土地利用信息，结合不同土地利用类型的碳密度差异来核算碳排放和碳吸收，然后通过汇总不同土地利用类型的净碳排放量或净碳吸收量得到碳收支总量结果[9]。当前千米级至米级精度的遥感影像已可较好地满足碳收支相对精细核算的需求[3,10]，但仍存在以下缺陷：一是无法建立核算的数量结果与具体地块的空间关联关系，难以精准地反映碳收支的时空变化特征；二是难以反映LUCC碳收支的内在机理，无法解释同时段同地区等量的净碳排放量增加是因为碳汇减少还是碳源增加，抑或是碳汇向碳源转换；三是将土地的碳密度视为均质的，无法表达不同土地利用类型的碳收支特征。
综上，目前核算碳收支的方法在核算精度、核算数量的空间表达、碳收支驱动因子识别等方面仍有改进空间。精细核算碳收支并识别其驱动因子，可以为监测碳收支提供参考依据。鉴于此，本文以成渝城市群为研究对象，通过对经典的遥感影像碳密度法进行修正得到复合碳系数，并计算栅格尺度（对应遥感影像上为1个像元）的碳收支指数，精细刻画成渝城市群2000—2020年LUCC引致的碳收支时空变化特征，最后结合兴趣点（Point of Interest，POI）数据识别建设用地变化驱动碳收支变化的主导因子及碳风险区域，构建碳收支监测体系。

1 研究方法与数据来源

1.1 研究区概况

成渝城市群是西部地区唯一的优化提升型城市群。根据《成渝城市群发展规划》和《成渝地区双城经济圈规划纲要》（以下分别简称“《规划》”和“《纲要》”），成渝城市群土地总面积18.5万km2，包括重庆市29个区县和四川省15个市 ① 。2000—2020年，成渝城市群常住人口由9486.25万增至9853.65万，20年间增加367.40万人，城镇人口增加3284.32万，相应城镇化率由30.87%提高到63.05%；同期经济总量由0.50万亿元增至6.64万亿元，增长了12倍多。20年间，成渝城市群人口规模、经济规模占西部地区的比例分别由27.39%、30.27%提高到27.72%、31.12%，是西部地区人口集聚和经济活动的重要承载空间。在快速城镇化推动下，2000—2020年，成渝城市群建设用地增加0.43万km2，耕地减少0.38万km2，也是西部地区LUCC最为复杂和激烈的区域。2020年1月，中央作出“推动成渝地区双城经济圈建设”的决策部署；2024年7月，党的“二十届三中全会”也提出“推动成渝地区双城经济圈建设走深走实”。未来，成渝地区的发展空间和潜力巨大。通过科学调控土地利用方式，精准管控碳排放和碳吸收，从而努力做到碳收支平衡，是成渝地区实现绿色低碳发展的关键。2023年12月，重庆市被中华人民共和国自然资源部确定为16个全国国土空间规划实施监测网络（China Spatial Planning Observation Network，CSPON）建设省级试点之一。因此，开展成渝城市群碳收支核算与驱动因子监测具有典型意义。

1.2 原理与方法

1.2.1 碳收支核算原理

碳收支（CB）由碳排放量减去碳吸收量得到。从静态角度看，对于同一国土空间，若CB>0，为净碳排放，对应碳源空间；若CB<0，为净碳吸收，对应碳汇空间；若CB=0，即认为碳收支平衡。当土地利用类型发生转换时，通过权衡期末（p2）和期初（p1）两种地类的碳系数（αk）就可以得到碳收支变化。因此，对于同一国土空间，当碳收支为净碳排放时，可能存在两种情景（图1）：情景 ①（αp1<αp2），期末净碳排放量大于期初净碳排放量，为增碳空间；情景 ②（αp1>αp2），期末净碳排放量小于期初净碳排放量，为降碳空间。当碳收支为净碳吸收时，也存在两种情景：情景 ③（αp1<αp2），期末净碳吸收量小于期初净碳吸收量，导致期末的碳储量大于期初，此时为增碳空间；情景 ④（αp1>αp2），期末净碳吸收量大于期初净碳吸收量，造成期末的碳储量小于期初，所以为降碳空间。由此可见，碳源或碳汇空间既可能是增碳空间，也可能是降碳空间。通过调控土地利用方式，可以实现对国土空间碳收支的调控，只要向着降碳空间方向努力，就可以达成碳中和目标的第一步。
图1 碳收支与LUCC的关系

Fig. 1 Relationship between carbon budget and LUCC

在同一国土空间上造成不同的碳收支结果，根本原因是同一国土空间上土地利用类型的变化，而不同的土地利用类型具有不同的碳排放或碳吸收强度（即碳系数）（表1）。由此，某一时段内国土空间在栅格尺度发生地类转换，导致的净碳排放量和净碳吸收量的变化可以通过碳系数的变化来反映，即可以直接使用转换后地类的碳系数与转换前地类的碳系数的差值（即复合碳系数）来核算各栅格地块的净碳排放或净碳吸收的变化量，然后按栅格汇总，得到区域净碳排放或净碳吸收的总变化量。可见，采用复合碳系数对遥感影像碳密度法修正后，其核算结果不仅可以关联到栅格空间，也可以解释地类间的转换对同一时段同一国土空间等量的净碳排放量或净碳吸收量变化的驱动机理。
表1 不同土地类型的碳系数

Table 1 Carbon coefficients for different land types

土地类型 耕地（CUL） 林地（FL） 草地（GL） 水域（WA） 建设用地（COL） 未利用地（UL）
碳系数/[kg∙(m2∙a)-1] 0.0422 -0.0578 -0.0021 -0.0253 4.297 -0.0005
文献来源 [6,11-13] [6,12] [6,11-13] [6,12-14] [6,12,15] [6,11-14]

1.2.2 碳收支核算方法

为能在栅格尺度精细核算LUCC引致的碳收支，本文首先对所有地类采用经典的遥感影像碳密度法核算净碳排放量或净碳吸收量，计算公式为[5]：
C B i = ∑ k ,   i = 1 n L k i × α k i
式中： C B i表示i区域的碳收支（kg）； L k i为i区域第k种土地利用类型的面积（m2）； α k i为i区域对应地类k的碳系数（表1）。
然后采用复合碳系数法对经典遥感影像碳密度法进行修正，计算公式为：
C B i = ∑ i ,   j = 1 m S i j × Δ α p j = ∑ i ,   j = 1 m S i j α p 2 ,   j - α p 1 ,   j
式中：m为i区域发生地类变化的地块总数（个）； S i j为i区域j地块发生地类变化的面积（m2）； Δ α p j即 α p 2 ,   j - α p 1 ,   j，为期末（p2）与期初（p1）j地块发生地类变化的复合碳系数。

1.2.3 碳收支分类方法

核算LUCC引起的碳收支变化，一方面要体现土地转换方向导致的碳收支变化的方向（DCCB），另一方面也应考虑碳收支变化的速率（RCCB）[12]。基于这一原理，构建碳收支指数（CBI），通过对CBI分级，评估碳收支水平，计算公式为：
C B I = D C C B × R C C B D C C B = S i g n α p 2 - α p 1 R C C B = α p 1 ' α p 2 ' , α p 1 ' α p 2 '   或   α p 2 ' α p 1 ' , α p 1 ' ≤ α p 2 '
式中：Sign为符号函数，当 α p 1 α p 2时，表现为增碳空间，DCCB取值1；当 α p 1 = α p 2时，表示LUCC未导致碳收支发生变化，DCCB取值0；当 α p 1 α p 2时，表现为降碳空间，DCCB取值-1。 α '是使用功效系数极差标准化法对α进行标准化后的形式。采用等间隔分类法将CBI指数分为降碳空间、无变化、增碳空间3类9级（表2）。
表2 CBI分级阈值

Table 2 CBI grading thresholds

变化等级 弱（IV） 中等（III） 强（II） 超强（I）
降碳空间 [-1.1, 0) [-2.2, -1.1) [-3.3, -2.2) < -3.3
无变化 0
增碳空间 (0, 1.1] (1.1, 2.2] (2.2, 3.3] >3.3

1.2.4 碳收支重点监测因子识别及警情分析方法

（1）碳收支驱动因子识别
要明确碳收支重点监测因子，首先应搞清楚引起碳收支变化的驱动因子。研究期内，成渝地区建设用地变化（转出和转入）贡献了94.45%的碳收支变化量，因此，仅识别建设用地碳收支驱动因子基本可掌握其全貌。首先，使用普通最小二乘法（Ordinary Least Squares，OLS）识别不同驱动因子与建设用地增加导致的净碳排放量间的关系；接着，使用分位数回归（Quantile Regression，QR）分析各驱动因子在不同分位点上与建设用地增加的净碳排放量的相关性。
POI数据在建设用地碳排放核算、建成区空间监测、土地利用混合度监测等方面已得到广泛应用[3]，其与建设用地内具体的空间实体一一对应，可以改进基于遥感影像识别建设用地仅涉及光谱、纹理和地物结构等物理属性的不足[16]。由于POI难以表达相应地理实体的用地规模，因此基于成渝地区实际及指标可得性，参考既有相关成果[17,18]，根据各类POI所代表地理实体的平均占地面积，按0~100区间进行权重赋值（表3），各类POI数量与权重的乘积即为相应类型POI的影响力。本文参照《国土空间调查、规划、用途管制用地用海分类指南（试行）》《城市用地分类与规划建设用地标准（GB 50137-2011）》与既有研究成果[17⇓-19]，按照商务住宅、餐饮服务、购物服务等12个POI大类进行数据清理，并重分类为居住、商服、工业、交通、公共、休闲6类空间（表3），作为识别碳收支的驱动因子。据此，建立POI影响力与建设用地增加的净碳排放量间的回归方程，计算公式为：
Q Y i j θ k S i t = α i + ∑ j , i = 1 n β j θ S i t + ε i
式中： Q Y i j θ k S i t表示θ分位数上的因变量Yi； S i t为地块i在t年的外生变量向量； θ k为第k分位数，选取5th、25th、50th、75th、95th为分位点； β j θ为估计系数向量；i代表研究的地块；j代表自变量类型；t代表研究年份； α i为未观测到的个体效应； ε i为误差项。
表3 POI数据与建设用地空间类型对照

Table 3 Comparison of POI data with spatial types of construction land use

空间分类
一级类		 一级类用地特征描述 空间分类
二级类		 POI大类 POI小类 权重
居住空间
（LIS）		 低、中、高层住宅用地，连片分布 居住用地 商务住宅 住宅区 50
商服空间
（CS）		 低层建筑里密集分布餐馆、服饰、小商品等，高层建筑主要为综合性办公场地 商业设施用地 餐饮服务 中外餐厅 10
住宿服务 宾馆酒店 10
购物服务 商场、超市、家具建材市场、特色商业街等 15
商务设施用地 金融保险服务 银行、保险、证券及相关服务机构 30
科教文化服务 传媒机构 30
工业空间
（IS）		 工矿企业的生产车间、仓库及配套设施，占地广，边界明显 工业用地 商务住宅 产业园区 70
公司企业 工厂、公司、企业 30
交通空间
（TS）		 客货运输站等场所用地，形状明显 交通设施用地 交通服务设施 港口码头、机场、各类车站、服务区等 15
公共空间
（PS）		 教科研、文体、医疗、行政等场所，占地广 行政办公用地 政府机构及社会团体 机关单位、外国机构、社会团体等 30
文化设施用地 科教文化服务 博物馆、科技馆、展览馆、美术馆、图书馆等科教文化场所 30
教育科研用地 科教文化服务 学校、科研机构、培训机构等 30
医疗卫生用地 医疗保健服务 医院、疾病预防机构等 20
体育休闲用地 体育休闲服务 运动场馆、度假疗养场所、影剧院、娱乐场所 10
休闲空间
（LES）		 公园、绿地、广场、景区等用地 绿地与广场用地 风景名胜 公园广场、风景名胜 95
（2）碳收支监测预警指数构建
基于碳收支驱动因子构建碳收支监测预警指数是识别碳排放变化的常用方法，计算公式为[20⇓⇓-23]：
I T Q = ∑ i = 1 n W i Q I i Q
式中： I T Q为对应分位点Q的监测预警指数，值越高则表明建设用地增加的净碳排放量越多，风险越高； W i Q为Q分位点i类一级空间类型的权重，以OLS和QR模型系数确定； I i Q为Q分位点i类POI影响力的标准化值。
（3）监测预警警度分级
确定警度阈值主要有比较法、波动法、参数法和误差理论法[23]。比较法和波动法一般通过确定单一阈值，将警度划分为有警或无警两种类型。参数法通过选取与监测指标密切相关且阈值特征明显的参数设定阈值。误差理论法基于正态分布原理，根据监测指标偏离中心值的距离划定阈值，通常将大于1倍标准差的区间划定为数据异常区间。实际应用中，应逐一计算各类方法的有警准确率，根据有警准确率择优选择划分警度阈值的方法。本文通过统计监测预警指数有警区域与建设用地碳排放有警区域的重合率，作为判断各类方法的有警准确率（表4）。
表4 警度阈值划分方法与准确率测度

Table 4 Early warning threshold classification methods and accuracy measurement

方法 划分原则 操作过程 成渝城市群准确率/%
比较法 中位数原则 大于中位数即有警 73.35
平均数原则 大于平均数即有警 87.06
波动法 波动原则 PW=min+（max-min）×0.75 （6） 78.68
参数法 参数原则 以自然断裂点法将建设用地碳排放分为5等级，以各级格网量为阈值，对应划分IT为无、低、中、高、极高5类风险区 72.84
误差理论法 正态分布原则 以均值与不同倍数标准差的差距将IT划分无、低、中、高、极高5类风险区 90.43

注：PW为无警与有警分界阈值，min、max分别代表IT的最小值、最大值。比较法和波动法的准确率为有警的准确率，参数法和误差理论法的准确率为高风险区和极高风险区的准确率。

1.3 数据来源与处理

本文采用的2000年、2010年和2020年三期土地利用数据来源于中国科学院资源环境科学数据中心的中国多期土地利用遥感监测数据集（https://www.resdc.cn/），该数据集基于Landsat遥感影像解译，精度达90%以上，分辨率为30 m×30 m。根据底图 [审图号为GS(2023)2762号] 绘制成渝城市群矢量地图，对二级用地类型进行合并，提取成渝城市群土地利用数据。采用细碎图斑清除技术对土地利用数据进行清理，以减少相邻年份土地利用的伪变化，最终获得耕地、林地、草地、水域、建设用地、未利用地6种土地利用类型。POI数据来源于高德地图（https://lbs.amap.com/），由于2000年国内POI数据集建设尚不成熟，本文所用到的POI数据仅涉及2010年和2020年，剔除异常数据后，获得成渝城市群POI数据共3468327条，地理校准后建库。

2 结果分析

2.1 土地利用变化类型与碳收支变化

2000—2020年，成渝城市群共有12.32%的国土空间发生了土地利用类型变化，涉及土地2.27万km2，其中地类变化的主要方向为林地→耕地 ② （0.52万km2，占比22.91%）、耕地→林地（0.51万km2，22.47%）、耕地→建设用地（0.45万km2，19.82%）。同期增碳空间的净碳排放量增加2170.92万t，降碳空间的净碳排放量减少327.34万t，致使净碳排放量整体增加1843.58万t。虽然林地与耕地间的相互转化是面积变化最大的转化类型，但耕地与建设用地之间的相互转化却是导致净碳排放量变化最大的转化类型。其中，耕地→建设用地增加的净碳排放量为1908.89万t，占增碳空间的87.93%；建设用地→耕地减少的净碳排放量为205.71万t，占降碳空间的62.84%。前者是后者的9.28倍，这表明，随着成渝城市群城镇化进程加快，大量耕地转为建设用地，增碳空间增加的净碳排放量远大于降碳空间减少的净碳排放量，从而使成渝城市群净碳排放量整体增加。
相比2000—2010年，2010—2020年成渝城市群土地利用发生变化的面积由0.84万km2增加到1.65万km2，推动净碳排放增加量由855.44万t增至988.14万t。同期增碳空间增加的净碳排放量由940.01万t提高至1390.15万t，主要由建设用地净增加（由0.20 万km2增至0.43万km2）和草地净减少（净减少量由0.15万km2增至0.22万km2）所致；降碳空间减少的净碳排放量由84.57万t增加至402.01万t，主要由林地净增加（由0.09 万km2增至0.12万km2）、水域净增加（由0.02万km2增至0.05万km2）、耕地净减少（净减少量由0.18万km2增至0.38万km2）所致（表5）。后一个十年相较前一个十年，林地、水域、耕地面积的变化推动降碳空间的净碳排放量显著减少，但远不能抵消由建设用地急剧扩张推动增碳空间增加的净碳排放量，导致成渝城市群整体净碳排放量提高。
表5 成渝城市群主要地类间转换面积及碳收支变化

Table 5 Area of net conversion between major land categories, and changes in net carbon emissions and net carbon sequestration in Chengdu-Chongqing Urban Agglomeration

主要转换类型 净转换面积/km2 净碳排放量和净碳吸收量变化/万t
2000—2010年 2010—2020年 2000—2020年 2000—2010年 2010—2020年 2000—2020年
CUL-COL 1905.77 2144.28 4002.96 810.87 912.35 1703.18
CUL-WA 155.06 169.82 328.11 -1.05 -1.15 -2.21
FL-COL 82.96 137.75 248.94 36.13 59.99 108.41
FL-CUL 84.98 69.87 64.42 32.44 81.56 0.64
FL-WA 24.89 52.95 78.36 0.08 0.17 0.25
GL-COL 31.04 32.15 70.58 13.34 13.82 30.34
GL-CUL 216.53 220.39 483.42 0.96 0.98 2.14
GL-FL 1187.12 511.49 1635.84 -6.61 -2.85 -9.11
GL-WA 24.60 18.85 49.34 -0.06 -0.04 -0.11
UL-COL 0.05 1.01 1.21 0.02 0.43 0.52
UL-WA 6.60 5.25 13.16 -0.02 -0.01 -0.03
WA-COL 1.27 8.71 21.12 0.55 3.77 9.13

注：CUL-COL表示耕地与建设用地相互转换后，整体表现为耕地→建设用地，其他代码意思相同。转换面积即两地类相互转换后的净面积。使用式（2）计算得到净碳排放量和净碳吸收量。

2.2 土地利用变化方向与碳收支变化

2.2.1 CBI级别划分及其对应地类转换方向

采用式（3）计算CBI，并进行级别划分（图2）。建设用地与其他五类用地之间的转换形成超强型增碳空间或降碳空间，强型对应林地与耕地、草地、未利用地之间的转换，弱型对应草地与未利用地间的转换，中等型包含了除上述地类转换类型之外的其他所有类型。
图2 CBI级别与地类转换类型对照表

Fig. 2 Comparison between CBI levels and land conversion type

2.2.2 不同CBI级别的碳收支变化特征

基于CBI分级结果核算2000—2020年地类转化以及净碳排放量变化情况（表6）。数据分析后发现以下三个特征：
表6 成渝城市群不同CBI级别的面积及净碳排放变化

Table 6 Changes in area and net carbon emissions of different CBI classes in Chengdu-Chongqing Urban Agglomeration

CBI类型 CBI级别 面积/km2 净碳排放量变化/万t
2000—2010年 2010—2020年 2000—2020年 2000—2010年 2010—2020年 2000—2020年
降碳空间 超强 134.61 817.50 595.07 -57.75 -348.71 -254.04
强 3092.54 5015.40 7458.15 -24.22 -45.85 -64.21
中等 491.65 1437.79 1755.6 -2.53 -7.45 -9.09
弱 1.01 4.00 2.83 0 0 0
无变化 无变化 175731.80 167679.99 161534.39 0 0 0
增碳空间 弱 7.74 3.56 11.38 0 0 0
中等 542.22 1515.44 1920.65 2.43 7.39 9.10
强 2070.54 4574.37 5966.92 18.92 43.70 56.20
超强 2155.69 3141.40 4939.88 918.66 1339.06 2105.62
第一，超强型地块是净碳排放量变化的主要贡献源。超强型地块的复合碳系数绝对值介于4.25~4.35，远超其他类型地块的复合碳系数，这使得研究期内超强型降碳空间仅占总面积的6.06%，但减少的净碳排放量却占到总量的77.61%；而超强型增碳空间占总面积的38.48%，增加的净碳排放量占比高达96.99%。这表明建设用地每增加（或减少）1个单位，将导致净碳排放量增加2.52个（或减少12.81个）单位。
第二，除超强型地块外，其他类型地块的净碳排放量均呈现不变或减少的特征。研究期内，在增碳空间和降碳空间中，弱型和中等型地块的净碳排放量变化非常微弱。强型地块的净碳排放量变化了-8.01万t，相较超强型地块增加的净碳排放量1851.58万t显得微不足道。这一结论说明，超强型地块对于调控净碳排放量具有举足轻重的作用。
第三，降碳空间对碳收支平衡的贡献越来越大。2000—2010年，降碳空间减少的净碳排放量抵消了8.99%的增碳空间增加的净碳排放量，到2010—2020年，这一比例提升至28.92%。由此可见，随着耕地转为林地、草地、水域，以及草地转为林地的比例大幅提升，降碳空间减少的净碳排放量也大幅提高。

2.2.3 栅格尺度CBI时空演变特征

CBI空间分布与成渝城市群“一轴两带、双核三区”的城镇化格局以及“四屏六廊”的生态景观格局密切相关（图3）。
图3 成渝城市群CBI空间分布与生态景观格局

注：“四屏六廊”生态景观格局中，“四屏”指的是西部、东南部、东北部、东部生态屏障；“六廊”指的是长江、嘉陵江、乌江、岷江、涪江、沱江生态廊道。

Fig. 3 Spatial distribution of CBI and ecological landscape patterns in Chengdu-Chongqing Urban Agglomeration

建设用地与耕地间相互转换构成超强型地块，其中超强型增碳空间集中在成都和重庆主城区这个两个核心城市，超强型降碳空间主要分布在“双核”及周边区县的农村地区。首先，从增碳空间看，两时段中，超强型增碳空间分别有91.69%、90.81%由耕地转换为建设用地构成，随着中心城区建设趋于饱和，城市空间逐渐由“双核”地区向周边扩张，导致超强型增碳空间也相应变化，其中重庆的超强型增碳空间由主城区向南川、长寿、合川、铜梁、大足、永川等区域呈跳跃式拓展，而成都则沿成德绵乐城市带呈簇状延伸。进一步拉近空间尺度发现，相较2000—2010年，2010—2020年增碳空间由“双核”的中心城区向城市新区的“分流”特征更加明显，成都由原集中于锦江、青羊、金牛、武侯、成华等5个老城区转移至新都、双流、金堂、简阳等城市扩展新区，重庆由渝中、江北、九龙坡等传统老城区转移到北碚、渝北、巴南等新兴城区。其次，两时段建设用地转换为耕地的面积占整个超强型降碳空间的比例分别为52.67%、86.67%，其中建设用地中的农村居民点转换为耕地的比例由59.03%提高至67.39%。在空间上，重庆市的超强型降碳空间主要分布在南川区西北部，而成都市的超强型降碳空间散布在新都、双流、龙泉驿、郫都、崇州、大邑、邛崃等地。说明上述地区废旧宅基地复垦工作成效显著，促进以农村居民点为主的建设用地向耕地转换，有效降低了净碳排放量。
林地与耕地间相互转换主导着强型地块变化，强型增碳空间和降碳空间均沿《纲要》规划的“生态屏障”“生态廊道”集中分布。其中，强型增碳空间分布于西部生态屏障的岷山、邛崃山、大凉山，东南部生态屏障的大娄山，以及东北部生态屏障的大巴山；通过分析地类转换结果发现，这些强型增碳空间主要由耕地扩张侵占具有较强碳汇功能的林地所致，两个时段分别有77.88%、79.75%的强型增碳空间由林地转化为耕地构成。而强型降碳空间主要沿西部生态屏障岷山、邛崃山、大凉山呈条带状分布，此外还分布于东南部生态屏障的大娄山，岷江生态廊道的眉山市和乐山市段，长江生态廊道的重庆市丰都、涪陵段，以及达州市境内州河流域等地区。上述强型降碳空间主要由耕地转为林地构成，两个时段分别占比85.83%、83.04%。耕地与草地间相互转换是中等型地块变化的主体。两时段中，中等型增碳空间分别有91.26%、70.89%属于由草地转为耕地，2000—2010年集中于雅安市汉源县，峨眉山市与峨边彝族自治县交界处，以及达州市达川区、通川区、宣汉县交界处；2010—2020年集中在重庆市涪陵区、达州市宣汉县和开江县等地区。而中等型降碳空间分别有51.99%、56.78%由耕地转换为草地构成，另有38.30%、36.59%由耕地转换为水域构成，主要沿西部生态屏障和长江生态廊道散点分布，仅相对集中于达州市内的州河流域。弱型地块占比接近0，净碳排放量变化微弱，故不再赘述。

2.3 增碳空间驱动因子识别与监测

2.3.1 驱动因子识别

研究期内，超强型增碳空间（即由其他地类转为建设用地的地块）增加的净碳排放量占增碳空间增加的净碳排放量的九成以上，因此，识别和调控因建设用地增加导致净碳排放量增加的驱动因子是降低整体净碳排放量的关键。本文将成渝城市群建设用地增加的空间划分成4428个5 km×5 km的格网，以“超强”型增碳空间增加的净碳排放量作为因变量，以居住、商服、工业、交通、公共、休闲6类空间的POI影响力作为自变量，构建OLS和QR模型探讨2010—2020年自变量对因变量的驱动关系。经检验，6类空间的VIF均小于7.5，均值为4.9（低于10的警戒值），说明自变量与因变量的共线性在合理范围内，可以使用分位数回归。基于式（4）测度不同分位数上自变量与因变量间的关系（图4），随着分位数的降低，超强型增碳空间地块呈现出由“双核”向四周递减的整体特征。
图4 2010—2020年不同分位数超强型增碳空间的格网分布

Fig. 4 Grid distribution of super-enhanced carbon emission increase space in different quintiles from 2010 to 2020

OLS和QR结果表明，6类空间均与净碳排放量增加具有显著且密切的关系（表7）。OLS结果显示出，每1个单位工业空间增加可引致0.60单位的建设用地净碳排放量增加，正相关性最强，交通空间其次，正相关系数为0.37。研究期内，成渝城市群90.81%的超强型增碳空间是由耕地转为建设用地构成，其中耕地主要转换为建设用地中的工业用地和交通用地（合计占55.81%），分别对应POI空间分类中的工业空间和交通空间，位居耕地转为建设用地的第一序列。休闲空间的净碳排放量增加较少，相关系数仅为0.05。居住、商服、公共空间填充于工业和交通空间之外，处于耕地转化为建设用地的后位序列，其空间性质逐渐转变较成熟的城市生活空间，此时，各类土地开发活动稳定，土地利用变化导致的碳收支变化也随之趋于稳定，超强型增碳空间由“双核”中的中心地区向城市新区的“分流”特征也印证了这一结论。因此，居住、商服、公共空间扩张与建设用地增加的净碳排放量具有负相关关系。
表7 OLS与QR回归结果

Table 7 OLS and QR regression results

驱动因子 OLS QR
5th 25th 50th 75th 95th
lnΔLIS -0.05** -0.18 -0.26 -0.11 0.03 -0.08
lnΔCS -0.13*** -0.61* -0.46*** -0.04 -0.09 0.18
lnΔIS 0.60*** 2.67*** 2.39*** 2.34*** 2.24*** 1.64***
lnΔTS 0.37*** 0.01 0.68*** 0.71*** 0.84*** 0.88***
lnΔPS -0.23*** -0.47 -1.72*** -2.35*** -2.69*** -2.41***
lnΔLES 0.05*** -0.39* 0.21* 0.32*** 0.36*** 0.34**
Obs./个 4428 4428 4428 4428 4428 4428

注：***、**、*分别表示P<0.01、P<0.05、P<0.1。

从QR结果看，工业空间的系数在95th（1.64）低于5th（2.67），表明随着工业类POI密度的增加，工业空间促进净碳排放量增加的影响力在降低，因此，应注重引导工业空间对应的工业实体POI合理集聚。休闲空间包括绿地与广场，其系数在5th为负，表明休闲空间对净碳排放量的降低效应仅在休闲类POI密度较低时显现。交通和休闲空间的正相关系数均随分位点增高而升高，为此应合理控制交通和休闲类POI实体密度。随着分位点增高，商服空间的负相关性有所减弱，但公共空间的负相关性整体呈增强趋势，商服空间、公共空间分别为25th之前、50th之后显著的负相关驱动因子。分位点增高意味着商服空间内的商业活动和服务需求密度随之增加，会产生更多的碳排放量，导致商服空间与净碳排放量增加的负相关性减弱。相较之下，公共空间碳排放水平较低，且具有较好的城市绿化，随着分位点增高与净碳排放量增加的负相关性增强。

2.3.2 风险识别与等级划分

基于驱动因子识别结果，对建设用地增加的净碳排放量进行风险分类和等级划分，以便更有针对性地进行风险管理。分别使用比较法、波动法、参数法、误差理论法确定警度阈值，划分有警区域，结果表明，误差理论法的准确率为90.43%，相较其他方法更优（表4）。基于误差理论法确定监测预警指数的警度阈值（表8），划分净碳排放量增加的风险区域（图5）。不同等级风险区的格网分布具有明显的聚类特征（图5a），使用核密度聚类的方法将风险区内的格网处理为空间连续的风险片区（图5b）。各分位区间的高风险和极高风险区是提升至下一分位区间最有风险的地区，也是在各分位区间最需要关注和管理的区域（图5c、图5d）。
表8 碳收支监测预警指数阈值分类

Table 8 Carbon budget monitoring and early warning index threshold classification

阈值区间 无风险 低风险 中风险 高风险 极高风险
(-∞, μ-σ) [μ-σ, μ-0.5σ) [μ-0.5σ, μ+0.5σ) [μ+0.5σ, μ+σ) [μ+σ, +∞)
IT (-∞, 0.2622) [0.2622, 0.2877) [0.2877, 0.3386) [0.3386, 0.3641) [0.3641, +∞)
ITQ，Q=0.05 (-∞, 0.2754) [0.2754, 0.2829) [0.2829, 0.298) [0.298, 0.3056) [0.3056, +∞)
ITQ，Q=0.25 (-∞, 0.2758) [0.2758, 0.2826) [0.2826, 0.2962) [0.2962, 0.3029) [0.3029, +∞)
ITQ，Q=0.5 (-∞, 0.2708) [0.2708, 0.2808) [0.2808, 0.3009) [0.3009, 0.311) [0.311, +∞)
ITQ，Q=0.75 (-∞, 0.2728) [0.2728, 0.2867) [0.2867, 0.3146) [0.3146, 0.3286) [0.3286, +∞)
ITQ，Q=0.95 (-∞, 0.2964) [0.2964, 0.3275) [0.3275, 0.3899) [0.3899, 0.4211) [0.4211, +∞)

注：μ为均值，σ为标准差。

图5 成渝城市群建设用地增加的净碳排放量风险分区

Fig. 5 Risk partitioning of net carbon emissions added by construction land in Chengdu-Chongqing Urban Agglomeration

风险等级和分位区间在空间上呈现出由核心地区（成都和重庆主城区）向边缘地区（西部生态屏障、东北部生态屏障、东部生态屏障、东南部生态屏障）递减的“核心—边缘”特征。因此，风险管理在不同区域和分位区间应有所侧重：
（1）极高风险区包括成都市12个市辖区及都江堰市、彭州市部分地区，重庆市9个中心城区，以及绵阳市涪城区、游仙区，泸州市江阳区等地区。这些地区是成渝城市群经济和人口分布的核心区，城市建设活动密集，是净碳排放量增加的主要来源区域之一，应进行紧凑型城市规划，推动城市功能的集约化布局，严格控制新增建设用地，推广绿色建筑和低碳社区建设，加强工业用地管理。
（2）高风险区围绕极高风险区圈层式分布于“双核”外围地区，以及南充市顺庆区、高坪区、嘉陵区，广安市广安区，自贡市贡井区、自流井区，泸州市江阳区、龙马潭区、泸县，乐山市市中区等。高风险区紧邻核心区，承接了部分产业和人口转移，建设和发展速度较快，碳减排压力较大，因此既要合理规划高耗能产业布局，推动高耗地、高污染的传统工业逐步退出，改造升级产业用地，也要控制边缘地带的低密度开发，保护生态绿地。
（3）中风险区广泛分布于高风险区外围，以及岷江和沱江生态廊道之间、嘉陵江生态廊道两侧的城市地区。这些地区的城镇化和工业化水平较高，生态环境较好，但面临较大的发展压力，碳排放逐渐增加，应严控生态敏感区内的开发活动，划定永久基本农田、湿地、林地等保护区，发展生态农业和林业，提高农用地的碳汇功能，控制新城镇开发密度。
（4）低风险区分布于中风险区外围靠近成渝城市群边界的广大地区，城镇化和工业化程度较低，生态环境良好，碳排放增加量较小，应严格控制区域内的林地、草地、水域等用地被开发和破坏，维持区域的生态平衡和碳汇功能，鼓励发展生态农业、乡村旅游等绿色低碳产业，提高土地利用的附加值和生态效益。
（5）无风险区沿成渝城市群最外围的四条生态屏障分布，具有重要的生态功能，应严格划定生态保护区，确保生态系统的健康和稳定，注重开展生态修复，监测生态环境变化并采取措施应对潜在威胁。
（6）0.5th以上较高分位区间的风险区主要集中于“双核”地区，以及泸州市江阳区、龙马潭区、泸县，自贡市大安区，内江市市中区，绵阳市涪城区、游仙区、安州区，德阳市罗江区等地区，相较整体风险分区，高风险和极高风险区更加集聚，这些区域应成为管控净碳排放量增加风险的重中之重。

2.3.3 碳收支监测体系构建

遵照“风险识别→风险监测和评估→风险处置”的逻辑进路构建成渝城市群国土空间碳收支监测体系（图6）。如前述，成渝城市群增加的净碳排放量几乎全都来自于建设用地扩张，因此，在风险识别环节应重点监测建设用地增加的净碳排放量，而净碳排放量增加的风险根源为其他土地类型转化为建设用地的土地利用行为。
图6 成渝城市群国土空间碳收支监测体系

Fig. 6 Carbon budget monitoring system for territorial space in Chengdu-Chongqing Urban Agglomeration

建设用地与其他地类间转化的复合碳系数是确定的，故可通过建立POI与建设用地变化的对应关系，实现对建设用地增加及其净碳排放量的风险监测。将POI对应到工业、交通、商服、公共等6类空间，建立与建设用地变化的对应关系。工业空间通常以产业园区、工业区等形式存在，占地面积较广，利用10~30 m分辨率遥感影像监测产业园区、工业区的面积变化，结合POI密度和分类标签识别工业类功能区，监测工业空间变化。交通空间呈现线性和节点化分布，连接性强，使用1~5 m精度的交通流数据实时监测线路和节点变化，通过10~30 m分辨率的遥感影像辅助识别主干道和线路布局整体变化。商服空间人流密集、商业活动集聚，POI聚集度具有较高精度（5~10 m），适合捕捉餐饮、住宿、金融等高人流区域，夜间灯光数据（500 m分辨率）可辅助进行宏观分布监测。公共空间分布在城市中心区和新区，用地扩张以公共基础设施为主，利用POI信息中的政府机构及社会团体类标签，结合GIS（10~30 m分辨率）监测公共空间的分布变化。
净碳排放量增加的风险评估思路是基于监测指标与监测对象的关系构建监测预警指数 [式（5）]，根据有警准确率选择划分警度阈值的方法（表4），确定监测预警指数的阈值，进行监测预警分类，进而划分出不同区域的风险等级。为确保风险监测和评估的准确性和时效性，应注意以下问题：（1）细化POI小类与建设用地变化间的关系，获得更精准的分项监测指标，做到更高频率的动态监测。（2）在极高风险区的核心区域布设高密度碳排放监测站点，实现精细化监测，针对极高风险区和高风险区的重点行业，如制造业、交通运输业等，进行专项监测。（3）强化区域联动监测，在高风险区建立区域联动的监测网络，与极高风险区和中风险区的监测数据进行联动分析，评估区域间的碳排放传导效应。（4）评估不同风险区的环境容量，结合生态保护要求制定合理的碳收支控制措施，重点监测和保障低风险区和无风险区的生态屏障功能。
在风险处置环节，首先进行警情分析：第一，进行时空分析，将指标的风险等级与指标的时空属性建立联系，对风险进行空间分区和时间分段管控；第二，进行影响因素分析，分析相关因素对监测指标变化的影响程度，为追溯警源和实施针对性措施提供支持；第三，进行预测分析，利用数据挖掘、机器学习等技术预测未来监测指标的变化趋势，提前识别和防范潜在的风险。根据警情分析的结果发布预警信息，相关部门追溯警源并实施调控，及时收集反馈意见，对各监测环节进行优化调整。

3 结论与讨论

3.1 结论

使用复合碳系数修正遥感影像碳密度法，碳核算结果可以关联到栅格空间，反映出地类间转换对净碳排放量和净碳吸收量的驱动机理。基于复合碳系数法分析2000—2020年成渝城市群30 m×30 m栅格尺度LUCC引致的净碳排放量变化，通过识别建设用地增加的净碳排放量的驱动因子，识别风险区域，构建碳收支监测体系。主要结论如下：
（1）通过调控土地利用方式，可以实现对国土空间碳功能的调控，但调控目标未必是碳源空间或是碳汇空间，关键是要增加降碳空间或是减少增碳空间。
（2）2000—2020年，成渝城市群土地利用变化引致的净碳排放量整体增加1843.58万t，主要由耕地转为建设用地所致。后十年相较前十年，建设用地加速扩张推动净碳排放量增加由855.44万t提升至988.14万t；同期林地、水域等面积增加，引致降碳空间减少的净碳排放量抵消增碳空间增加的净碳排放量的比例由8.99%提高到28.92%，降碳空间对碳收支平衡的贡献增强。
（3）成渝城市群增碳空间和降碳空间的格局与成渝城市群“一轴两带、双核三区”城镇化格局以及“四屏六廊”生态景观格局密切相关。增碳空间主要集中在成渝“双核”地区，而降碳空间则分布在“双核”城市及周边区县的农村地区，以及“屏”“廊”地区。
（4）建设用地增加是驱动净碳排放量增加的主要原因（占96.99%）。工业和交通空间显著促进建设用地增加的净碳排放量，相关系数分别为0.60、0.37；而商服和公共空间与建设用地增加的净碳排放量呈负相关关系，相关系数分别为-0.13、-0.23。
（5）基于驱动因子，构建了“识别风险→监测和评估风险→处理风险”的碳收支监测体系，划定了成都和重庆主城区“双核”与泸州、绵阳等重点监测区域，准确率达到90.43%，为区域碳收支监测因子识别及警情分析提供了方法支持。

3.2 讨论

成渝城市群的快速城镇化导致碳源空间与碳汇空间呈现出复杂的变化关系，亟需精确核算碳收支，构建碳收支监测体系来支撑科学决策。为此：
（1）巩固和完善碳收支监测体系。使用复合碳系数法可以直接在栅格尺度核算碳收支，结合POI数据识别不同类型建设用地增加的净碳排放量，一定程度上解决了经典遥感影像碳密度法存在的核算结果缺失点位空间信息、不易辨别LUCC碳收支的内在机理和不同利用水平建设用地的碳收支特征等问题，因此建议推广复合碳系数法在碳收支精细核算和支撑监测中的应用。此外，应建立综合监测平台，借助大数据、云计算、人工智能等技术优化模型的参数和算法，丰富分情景监测预测信息，根据反馈机制不断完善碳收支监测系统。适时将综合监测平台接入国土空间规划“一张图”实施监督信息系统。
（2）优化建设用地开发。推进成渝城市群“一轴两带、双核三区”地区紧凑型和多功能型城市建设，增加城市垂直空间和绿色空间，提高土地利用效率，减少城市扩展对净碳排放量增加的影响。规划引导工业企业以产业集群的形式集中布局，减缓工业空间扩张对净碳排放量增加的影响。在高风险区和极高风险区推行混合用地模式，降低交通碳排放。
（3）加强耕地保护和生态修复。严控中等及以上级别风险区内的耕地转为建设用地，推进城市边缘区拆旧复垦和“合村并居”，推行耕地保护补偿机制。推动低、中风险区内生态脆弱区和重要生态廊道的生态修复，发展生态农业和生态旅游，实现可持续发展。
（4）强化区域协同治理。基于精细核算碳收支的结果，结合城市的减排能力和减排潜力，制定区域协同治理框架，明确各城市的责任，推动跨区域资源和技术共享，建立区域碳补偿机制，协同解决城镇密集区及城乡交界处等关键区域的碳排放问题。
由于土地类型的多样性和异质性，即使参考了全国、南方、西部、成渝等地区的研究成果，碳系数的确定仍可能与实际情况存在偏差。因此，未来需依托多学科协同合作，通过实地调查和实时监测，对成渝地区各类土地的碳系数进行修正。此外，还需基于高分辨率遥感数据，结合机器学习和人工智能等技术，进一步优化模型参数和算法，以提高碳收支核算精度。建立健全国土空间碳补偿机制，以应对不同土地利用方式对碳收支的复杂影响，也有待进一步探讨。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
XIA X S, REN P Y, WANG X H, et al. The carbon budget of China: 1980-2021. Science Bulletin, 2024, 69(1): 114-124.

[2]
黄贤金, 张秀英, 卢学鹤, 等. 面向碳中和的中国低碳国土开发利用. 自然资源学报, 2021, 36(12): 2995-3006.

DOI

[HUANG X J, ZHANG X Y, LU X H, et al. Land development and utilization for carbon neutralization. Journal of Natural Resources, 2021, 36(12): 2995-3006.]

[3]
张振龙, 侯琰珍, 孙鸿鹄. 市域国土空间碳排放测算及低碳化发展效率差异. 自然资源学报, 2023, 38(6): 1464-1481.

DOI

[ZHANG Z L, HOU Y Z, SUN H H. Calculation of carbon emissions and the difference of low-carbon development efficiency on city territorial space. Journal of Natural Resources, 2023, 38(6): 1464-1481.]

[4]
甄峰, 张姗琪, 秦萧, 等. 从信息化赋能到综合赋能: 智慧国土空间规划思路探索. 自然资源学报, 2019, 34(10): 2060-2072.

DOI

[ZHEN F, ZHANG S Q, QIN X, et al. From informational empowerment to comprehensive empowerment: Exploring the ideas of smart territorial spatial planning. Journal of Natural Resources, 2019, 34(10): 2060-2072.]

DOI

[5]
郭安宁, 牛陆, 刘霈珈, 等. 黄河流域城市群土地利用的碳排放效应. 经济地理, 2023, 43(9): 172-178, 240.

DOI

[GUO A N, NIU L, LIU P J, et al. Carbon emission from land use in urban agglomeration of the Yellow River Basin. Economic Geography, 2023, 43(9): 172-178, 240.]

DOI

[6]
孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联. 经济地理, 2015, 35(3): 154-162.

[SUN H, LIANG H M, CHANG X L, et al. Land use patterns on carbon emission and spatial association in China. Economic Geography, 2015, 35(3): 154-162.]

[7]
BROWN S, LUGO A E. Biomass of tropical forests: A new estimate based on forest volumes. Science, 1984, 223(4642): 1290-1293.

DOI PMID

[8]
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. 中国科学: 地球科学, 2022, 52(6): 1010-1020.

[PIAO S L, HE Y, WANG X H, et al. Carbon sequestration estimation of terrestrial ecosystem in China: Method, progress and prospect. Scientia Sinica: Terrae, 2022, 52(6): 1010-1020.]

[9]
刘良云, 陈良富, 刘毅, 等. 全球碳盘点卫星遥感监测方法、进展与挑战. 遥感学报, 2022, 26(2): 243-267.

[LIU L Y, CHEN L F, LIU Y, et al. Satellite remote sensing for global stocktaking: Methods, progress and perspectives. National Remote Sensing Bulletin, 2022, 26(2): 243-267.]

[10]
夏四友, 杨宇. 基于主体功能区的京津冀城市群碳收支时空分异与碳补偿分区. 地理学报, 2022, 77(3): 679-696.

DOI

[XIA S Y, YANG Y. Spatio-temporal differentiation of carbon budget and carbon compensation zoning in Beijing-Tianjin-Hebei Urban Agglomeration based on the plan for major function-oriented zones. Acta Geographica Sinica, 2022, 77(3): 679-696.]

DOI

[11]
张玥, 代亚强, 陈媛媛, 等. 土地利用隐性转型与土地利用碳排放空间关联研究. 中国土地科学, 2022, 36(6): 100-112.

[ZHANG Y, DAI Y Q, CHEN Y Y, et al. The study on spatial correlation of recessive land use transformation and land use carbon emission. China Land Science, 2022, 36(6): 100-112.]

[12]
汪权方, 晋雨涵, 孙佩, 等. 区域土地利用变化碳效应的精细监测方法及其应用. 环境科学, 2024, 45(9): 5060-5068.

[WANG Q F, JIN Y H, SUN P, et al. A method for fine mapping of carbon emissions from regional land use change and its application. Environmental Science, 2024, 45(9): 5060-5068.]

[13]
张茹倩, 李鹏辉, 徐丽萍. 城镇化对新疆土地利用碳排放的影响及其耦合关系. 生态学报, 2022, 42(13): 5226-5242.

[ZHANG R Q, LI P H, XU L P. Effects of urbanization on carbon emission from land use in Xinjiang and their coupling relationship. Acta Ecologica Sinica, 2022, 42(13): 5226-5242.]

[14]
单玉红, 程秋月, 柯新利, 等. 流空间视角下湖北省县域土地利用碳排放关联态势及其影响因素研究. 中国土地科学, 2024, 38(3): 48-59.

[SHAN Y H, CHENG Q Y, KE X L, et al. Research on the correlation pattern and trend of land use carbon emissions and its influencing factors in counties of Hubei province from the perspective of flow space. China Land Science, 2024, 38(3): 48-59.]

[15]
石洪昕, 穆兴民, 张应龙, 等. 四川省广元市不同土地利用类型的碳排放效应研究. 水土保持通报, 2012, 32(3): 101-106.

[SHI H X, MU X M, ZHANG Y L, et al. Effects of different land use patterns on carbon emission in Guangyuan city of Sichuan province. Bulletin of Soil and Water Conservation, 2012, 32(3): 101-106.]

[16]
钱静, 毛利伟, 杨续超, 等. 基于POI和多源遥感数据估算中国人为热排放. 中国环境科学, 2023, 43(6): 3183-3193.

[QIAN J, MAO L W, YANG X C, et al. Estimation of anthropogenic heat in China using points-of-interest and multisource remote sensing data. China Environmental Science, 2023, 43(6): 3183-3193.]

[17]
曹根榕, 顾朝林, 张乔扬. 基于POI数据的中心城区“三生空间” 识别及格局分析: 以上海市中心城区为例. 城市规划学刊, 2019, (2): 44-53.

[CAO G R, GU C L, ZHANG Q Y. Recognition of "ecological space, living space, and production space" in the urban central area based on POI data: The case of Shanghai. Urban Planning Forum, 2019, (2): 44-53.]

[18]
王开家, 徐伟铭, 李楚瑜, 等. 空间治理视角下的城市建成区土地混合利用功能与结构. 自然资源学报, 2023, 38(6): 1496-1516.

DOI

[WANG K J, XU W M, LI C Y, et al. A study on the function and structure of mixed land use in urban built-up areas from the perspective of spatial governance. Journal of Natural Resources, 2023, 38(6): 1496-1516.]

[19]
吴佳楠, 储君, 孙裔煜, 等. SOFM网络下的深圳市城市用地功能识别分析. 北京大学学报: 自然科学版, 2022, 58(4): 664-672.

[WU J N, CHU J, SUN Y Y, et al. Analysis of urban land use function identification in Shenzhen based on SOFM network. Acta Scientiarum Naturalium Universitatis Pekinensis, 2022, 58(4): 664-672.]

[20]
HUISINGH D, ZHANG Z H, MOORE J C, et al. Recent advances in carbon emissions reduction: Policies, technologies, monitoring, assessment and modeling. Journal of Cleaner Production, 2015, 103: 1-12.

[21]
丛日杰, 韩洁平. 基于人工神经网络的我国火电厂碳排放预警评价研究: 以吉林省某火电厂为例. 生态经济, 2019, 35(10): 37-41.

[CONG R J, HAN J P. Research on carbon emission early warning and evaluation of thermal power plants in China based on artificial neural network: Taking a thermal power plant in Jilin province as an example. Ecological Economy, 2019, 35(10): 37-41.]

[22]
赵桂芹. 中国出口贸易碳排放的测度与预警研究. 生态经济, 2018, 34(9): 19-24.

[ZHAO G Q. Study on measurement and early warning of carbon emission for China's export trade. Ecological Economy, 2018, 34(9): 19-24.]

[23]
韩少秀, 朱美峰, 刘慧洁, 等. 碳排放监测预警体系研究: 基于中国省级相关数据的分析. 生态经济, 2022, 38(7): 21-27.

[HAN S X, ZHU M F, LIU H J, et al. Research on carbon emissions monitoring and early warning system: Analysis based on the provincial panel data of China. Ecological Economy, 2022, 38(7): 21-27.]

Options
文章导航

/

〈 〉