Estimation and simulation of carbon emissions in Great Xi’an based on grid and patch-generated land-use simulation models
-
摘要: 土地利用变化导致区域碳排放显著变化, 估算由土地利用变化导致的碳排量变化可以为区域“双碳”目标的实现提供重要实践参考。为摸清大西安地区1990—2020年土地利用类型时空演变规律及其碳排放效应, 基于排放因子法和PLUS (patch-generating land use simulation)模型, 从行政单元和栅格两种尺度, 探索研究区土地利用和碳排放的时空演变关系并模拟其未来分布模式。研究结果表明: 1) 1990—2020年, 耕地面积持续减少, 年均减少21.86 km2; 林地、草地和水域面积波动减少, 年均减少面积分别为0.28 km2、1.69 km2和0.08 km2; 建设用地面积持续扩张, 年均扩张面积23.88 km2; 未利用地面积波动增加, 增加面积为1.14 km2。2) 1990—2020年, 大西安地区碳排放量由280.00 t(C)∙a−1增长至2342.27 t(C)∙a−1, 年均增长68.74 t(C); 空间分布总体呈“南高北低”的格局。3) 1990—2020年, 大西安地区碳排放强度最大值由7461.94 t(C)∙km−2∙a−1增加至45 400.90 t(C)∙km−2∙a−1, 增长了5.08倍。空间上, 该地区碳排放强度始终呈现出“北高南低”的分布模式。4) 2025年和2030年, 大西安地区依旧是以耕地和林地为主要土地利用类型, 其面积之和分别占研究区总面积的63.53%和62.45%; 2020—2030年, 该区域内耕地、林地、水域和未利用地面积持续减少, 而草地和建设用地面积增加, 碳排放总量增加2.96×103万 t(C)∙a−1, 碳排放强度呈现出“东高西低”的分布格局。过去30年, 大西安地区的碳排放量和碳排放强度都在迅速增加。Abstract: Land use change leads to substantial changes in regional carbon emissions, and estimating changes in carbon emissions caused by land use change provides an important practical reference for promoting the regional realization of “dual carbon” goals. This study aimed to investigate the spatial and temporal evolution patterns of land use types and their carbon emission effects in the Great Xi’an area from 1990 to 2020 and to predict its future carbon emission characteristics. Therefore, in this study, carbon emissions and carbon intensity involving the study area were estimated based on the emission factor method on two scales, administrative units and grids, and carbon emission characteristics of the study area in 2025 and 2030 were simulated using a patch-generated land-use simulation model. The results showed that: 1) from 1990 to 2020, the area of cultivated land continued to decrease, with an average annual decrease of 21.86 km2; the fluctuation of forest land, grassland, and water areas decreased, with an average annual decrease of 0.28 km2, 1.69 km2 and 0.08 km2, respectively; and construction land area continued to expand, with an average annual expansion area of 23.88 km2. The area of unused land fluctuated and increased by 1.14 km2. 2) From 1990 to 2020, carbon emissions in Great Xi’an increased from 280.00 t∙a−1 to 2342.27 t∙a−1, with an average annual growth of 68.74 t. From 2005 to 2010, it had the fastest growth rate of carbon emissions with an average annual growth of 125.86 t, whereas from 1990 to 2000, these grew at the slowest rate, averaging only 10.06 t per year. Whereas spatial distribution patterns were generally high in the south and low in the north, carbon emissions of Chang’an District in the south of the study area were much higher than those of Yanliang District in the north. 3) From 1990 to 2020, the maximum carbon emission intensity in Great Xi’an increased from 7461.94 t(C)∙km−2∙a−1 to 45 400.90 t(C)∙km−2∙a−1, an increase of nearly five-fold. In terms of space, the carbon emission intensity in the region always exhibited a distribution pattern of high in the north and low in the south, the carbon emission intensity of the main city of Great Xi’an was much higher than that of other regions. 4) Between 2025 and 2030, cropland and forest land will continue to be the primary land-use types in the Great Xi’an area, with the sum of their areas accounting for 63.53% and 62.45% of the total study area, respectively. From 2020 to 2030, the areas of cropland, forest land, water, and unused land in the region will continue to decrease, whereas the areas of grassland and construction land will increase. The total carbon emission increased by 2.96×107 t(C)∙a−1, and the carbon emission intensity revealed a distribution pattern of high in the east and low in the west. Carbon emissions and their intensity in the Great Xi’an region have increased rapidly over the past 30 years.
-
温室气体引起的全球气候变暖是全世界共同面临的一项严峻挑战。化石燃料和土地利用变化被认为是CO2排放的两大主要源头[1]。Corinne等[2]研究表明, 在2008—2017年间, 全球化石燃烧引起的CO2年均排放量达(9.4±0.5) t(C)∙a−1, 土地利用变化导致的CO2年均排放量为(1.5±0.7) t(C)∙a−1, 且由土地利用变化引起的CO2排放量将持续增长。为了改善CO2等温室气体带来的气候变暖问题, 2015年《巴黎协定》提出, 全球将尽快实现温室气体排放达峰, 在21世纪下半叶实现温室气体净零排放[3]。自改革开放以来, 我国土地利用变化剧烈, 建设用地扩张迅速, 使得我国碳排放量不断增长[4]。目前, 中国已经成为全球碳排量最大的国家[5]。为了实现《巴黎协定》的目标, 2020年9月, 我国向国际社会做出了庄严承诺——中国将力争于2030年前达到碳达峰, 2060年前实现碳中和(简称“双碳”)[6]。为了实现“双碳”目标, 我国的“十四五”规划中将“降碳”作为生态文明建设的重点战略方向[7], 因此, 精确测算区域土地利用变化引起的碳排量, 对响应国家政策、早日实现“双碳”目标具有重要意义。
自1980年开始, 国内外学者就土地利用变化引起的碳排放效应进行了大量的实证研究。例如, Lin等[8]计算了2006—2016年中国30个省份的土地利用碳排放强度和人均土地利用碳排放量; 王艳军等[9]利用夜间灯光影像与土地利用数据, 测算了珠三角城市群2000—2013年碳排放的时空差异性; Ali等[10]研究了泰国曼谷都会区土地利用变化与碳排放和碳汇之间的关系; Wu等[11]利用IPCC提出的排放因子法估算了1991—2020年中国淮南市土地利用的碳源和碳汇; 王丹等[12]基于双变量空间自相关分析方法揭示了南四湖流域土地利用变化引起的碳排放量与生态系统服务价值的时空关系。虽然土地利用变化引起的碳排放效应研究成果众多, 但有关大西安地区土地利用变化及其碳排放效应的研究中, 多基于县域等行政单元进行测算, 缺乏基于栅格尺度的研究。基于栅格尺度的研究通常能突破行政单元的限制, 更好地贴合地理对象的自然特征。此外, 人们多关注土地利用以及碳排放量的时空演变特征[13-14], 较少有针对该区域未来土地利用碳排放模式进行模拟与预测的研究。
大西安(西安市—西咸新区)是“一带一路”的核心区, 也是亚欧大陆桥经济带的心脏, 摸清该区域土地利用变化碳排量的时空演变特征对推进其高质量发展具有重要意义。基于以上研究现状, 本研究利用长时序的土地利用数据, 分析大西安地区1990—2020年的土地利用变化特征, 利用排放因子法核算大西安地区碳排放量的时空变化模式, 基于栅格尺度评估大西安地区碳排放强度, 最后利用PLUS (patch-generating land use simulation)模型模拟大西安地区2025年和2030年的土地利用格局和碳排放空间模式。该研究可为大西安地区落实贯彻“双碳”目标提供支持。
1. 材料与方法
1.1 研究区概况
2017年, 陕西省政府将西咸新区划归为西安市管理, 以形成大西安经济区。旨在提升城市聚集力、辐射力、竞争力和影响力, 促进国际化大都市的建成。大西安南依秦岭, 北接渭河平原, 地理范围在107°40′~109°49′E, 33°42′~34°45′N之间(图1), 规划面积达10 745 km2; 该区域海拔差异明显, 地势南高北低, 海拔227~3744 m。位于暖温带半湿润大陆性季风气候区, 四季分明, 年均气温13.0~13.7 ℃, 年均降水522.4~719.5 mm。2020年, 该区域人口为1315.41万人, GDP总量达10 314.58亿元, 分别占陕西省人口和经济总量的33.26%和39.40%。
1.2 数据来源及处理
1.2.1 土地利用数据
土地利用数据来源于中国科学院资源环境科学与数据中心(https://www.resdc.cn/)提供的中国多时期土地利用遥感监测数据集(CNLUCC), 该数据集基于Landsat系列影像, 通过人工目视解译得到, 空间分辨率为30 m, 时间跨度为1980—2020年, 总体精度达90%以上[15]。
1.2.2 社会经济数据
社会经济数据包括陕西省能源消耗数据、人口数据与大西安人口数据, 数据来源自陕西省统计年鉴、西安统计年鉴和咸阳统计年鉴。由于数据获取的限制, 本文中大西安地区1990—2020年的能源消耗数据基于大西安地区各区县人口总数与陕西省总人口的比重推算。
1.2.3 土地利用模拟驱动因子数据
本文所使用土地利用模拟的驱动因子数据包括高程、坡度、年均温度、年降水量、人口密度、地均GDP、距水系的距离以及距主要道路的距离(图2)。其中高程和坡度提取自数字高程模型(DEM)数据, 该数据空间分辨率为30 m, 下载自地理空间数据云(http://www.gscloud.cn/); 年均温度和年降水量数据(2015年)提取自彭守璋老师团队发布的1 km逐月平均气温数据集和降水量数据集[16], 来源于国家科技基础条件平台——国家地球系统科学数据中心(http://www.geodata.cn/); 地均GDP和人口密度数据(2015年)分别提取自中国GDP空间分布公里网格数据集[17]和中国人口空间分布公里网格数据集[18], 均下载自中国科学院资源环境科学与数据中心(https://www.resdc.cn/); 水系和道路数据源自全国地理信息资源目录服务系统提供的1∶100万全国地理信息基础数据(https://www.webmap.cn/), 通过欧式距离工具将其生成距离栅格图。
通过ArcGIS 10.2平台, 对上述数据按研究区范围进行掩膜提取, 并设置投影为WGS_1984_UTM_Zone_49N。
1.3 研究方法
1.3.1 土地利用碳排放量估算
1)直接碳排放量估算
不同土地利用类型对碳循环的作用不同。大量研究表明[19-21], 森林、草地、水域和未利用地具有明显的碳吸收能力, 而耕地和建设用地则有明显的碳排放能力。由于耕地、林地、草地、水域和未利用地等地类的变化直接影响区域碳排放量, 因此基于碳排放系数法估算以上地类的碳排放量, 具体公式如下:
$$ {C}_{\mathrm{A}}=\sum _{i=1}^{n}({A}_{i}\times {\alpha }_{i}) $$ (1) 式中: CA表示研究区直接碳排放量; Ai表示地类i的面积; αi表示地类i的碳排放系数; n表示土地利用类型的种类, 包括耕地、林地、草地、水域和未利用地。根据前人研究成果及研究区实际情况, 耕地[22]、林地[23]、草地[24]、水域[4]和未利用地[25]的碳排放系数分别为0.422 t(C)∙hm−2∙a−1、−0.644 t(C)∙hm−2∙a−1、−0.021 t(C)∙hm−2∙a−1、−0.253 t(C)∙hm−2∙a−1和−0.005 t(C)∙hm−2∙a−1, 其中负值表示碳吸收。
2)间接碳排放量估算
由于建设用地利用方式复杂多样, 适用于陆地生态系统的碳排放系数法难以确定其碳排放系数[23]。建设用地碳排放估算通常基于生产生活中使用的化石能源消耗量及其碳排放系数间接得到。根据大西安地区能源消耗数据的获取性, 选取煤品、油品、天然气和电力来估算建设用地碳排量, 具体计算公式如下:
$$ {C}_{\mathrm{B}}=\sum _{j=1}^{n}({m}_{j}\times {\beta }_{j}\times {\gamma }_{j}) $$ (2) 式中: CB代表建设用地的碳排放量; mj表示化石能源j的消耗量; βj表示化石能源j的折算标准煤系数; γj表示化石能源j的碳排放系数; n表示能源消耗的种类, 包括原煤、原油和天然气。其中, 标准煤系数和碳排放系数分别取自《中国能源统计年鉴》和联合国政府间气候变化专门委员会(IPCC)碳排放计算表。由于研究区煤品和油品能源消耗数据没有精确到具体的能源种类, 因此取原煤和原油的值为其折算标准煤系数和碳排放系数, 具体见表1。
表 1 大西安地区能源排放系数Table 1. Energy emission coefficient in Great Xi’an能源种类
Type of energy折算标准煤系数
Conversion coefficient to
standard coal
[kg(ce)∙kg−1]碳排放系数
Carbon emission coefficient
[t(C)·t−1(standard coal)]原煤
Raw coal0.7143 0.7559 原油
Crude oil1.4286 0.5857 天然气
Natural gas1.3300 0.4483 3)区域碳排放量计算
直接碳排放估算结果与间接碳排放估算结果相加即可得到区域整体的碳排量。
1.3.2 基于网格的碳排放强度估算
利用ArcMap渔网工具生成研究区1 km×1 km渔网格, 共11 215个。碳排放强度由直接和间接碳排放量强度组成, 直接碳排放量强度计算方式见公式(3), 间接碳排放量强度等于某一区县内建设用地碳排放量除以该区县的面积。
$$ {C}_{\mathrm{R}\mathrm{I}}=\sum _{i=1}^{n}\frac{{S}_{i}\times {\alpha }_{i}}{S} $$ (3) 式中: CRI为直接碳排放强度, Si为格网内第i类土地利用类型的面积, αi为第i类土地利用类型的碳排放系数, S为格网的总面积, 其中i包含耕地、林地、草地、水域和未利用地。
1.3.3 PLUS模型
PLUS模型是Liang等[26]最新提出的可以更好地模拟多类土地利用类型斑块级别变化的土地利用模拟模型, 它由一种新的用地扩张分析策略(LEAS)和基于多类型随机斑块种子(CARS)的元胞自动机(CA)模型两大部分组成。目前, 已有多名学者[27-28]应用该模型模拟了不同地区的土地利用格局, 并取得良好的模拟效果。
本文首先根据2010年和2015年两期土地利用数据通过Markov链预测出2020年大西安地区不同土地利用类型的数量; 利用PLUS模型提取2010—2015年土地利用扩张数据; 根据高程、坡度等土地利用变化驱动因子和土地利用扩张数据, 利用随机森林模型计算出各类土地利用类型的适宜性概率; 最后基于Markov链得到的2020年各种土地利用类型的数量和设置好的领域权重和转换规则, 利用CARS的CA模型获取2020年大西安地区土地利用模拟结果。参考前人研究[29-30], 经过多次试验, 耕地、林地、草地、水域、建设用地和未利用地的邻域权重分别设置为0.4、0.1、0.1、0.1、0.3和0.1, 不同地类之间的转移规则如表2所示。
表 2 不同地类之间的转移规则Table 2. Transfer rules between different land types耕地
Cropland林地
Forest land草地
Grassland水域
Water建设用地
Construction land未利用地
Unused land耕地 Cropland 1 1 1 1 1 1 林地 Forest land 1 1 1 1 1 1 草地 Grassland 1 1 1 1 1 1 水体 Water 1 1 1 1 1 1 建设用地 Construction land 0 0 0 0 1 0 裸地 Unused land 1 1 1 1 1 1 表中0表示地类之间不可以转移, 1表示地类之间可以转移。“0” means that land use types cannot be transferred between them, and “1” means that land use types can be transferred between them. 2. 结果与分析
2.1 大西安地区土地利用时空演变分析
1990—2020年, 耕地和林地一直是大西安地区主要的土地利用类型, 两者面积比例占研究区总面积的60%以上, 而未利用地占地面积最小(<1%) (表3)。近30年来, 大西安耕地面积不断减少, 其年均减少约21.86 km2; 林地面积在3017.92~3066.21 km2浮动, 总体呈现波动减少的态势; 草地面积总体表现为波动减少, 其年均缩减量为1.69 km2; 水域面积变化波动较大, 呈现出“减少—增加—减少—增加—减少”的规律, 其面积总体减少2.38 km2; 建设用地持续扩张, 年均扩张面积约23.88 km2; 未利用地前期(1990—2005年)面积稳定不变, 后期(2005—2020年)其面积波动上升, 增长面积约为1.15 km2。
表 3 1990—2020年大西安不同土地利用类型面积及其比例Table 3. Areas and proportions of different land use types in Great Xi’an from 1990 to 2020年份
Year项目
Item耕地
Cropland林地
Forest land草地
Grassland水域
Water建设用地
Construction land未利用地
Unused land1990 面积 Area (km2) 4599.38 3026.43 2164.93 156.10 794.38 3.79 比例 Proportion (%) 42.80 28.17 20.15 1.45 7.39 0.04 2000 面积 Area (km2) 4518.30 3018.38 2163.49 144.05 897.00 3.79 比例 Proportion (%) 42.05 28.09 20.13 1.34 8.35 0.04 2005 面积 Area (km2) 4365.88 3018.48 2172.37 177.36 1007.11 3.78 比例 Proportion (%) 40.63 28.09 20.22 1.65 9.37 0.04 2010 面积 Area (km2) 4239.34 3066.21 2037.18 161.14 1237.49 3.64 比例 Proportion (%) 39.45 28.54 18.96 1.50 11.52 0.03 2015 面积 Area (km2) 4054.56 3060.44 2035.26 168.22 1422.13 4.38 比例 Proportion (%) 37.73 28.48 18.94 1.57 13.24 0.04 2020 面积 Area (km2) 3943.50 3017.92 2114.18 153.72 1510.76 4.93 比例 Proportion (%) 36.71 28.09 19.68 1.43 14.06 0.05 1990—2020年, 大西安地区土地利用类型的空间分布格局变化不大(图3)。其中, 耕地和水域主要分布在大西安地区北部; 林地主要分布在大西安地区南部, 包括周至县中部至南部、鄠邑区南部、长安区西南部以及蓝田县东部; 草地集中分布在长安区东南部和蓝田县西北部; 建设用地集中分布在大西安地区中部, 包括雁塔区、莲湖区、未央区和灞桥区; 未利用地零散分布在草地周围。
![]()
图 3 1990—2020年大西安地区土地利用空间分布格局Figure 3. Spatial distribution pattern of land use in Great Xi’an from 1990 to 20202.2 大西安地区各区县碳排放量时空演变分析
1990—2020年, 大西安地区碳排量由280.00×104 t(C)·a−1增长至2342.27×104 t(C)·a−1, 其年均增长量约为68.74×104 t(C), 不同区县之间排放量差异巨大(表4)。1990—2005年, 长安区碳排放量最大, 其平均碳排放量占全域总排放量的10%以上。这是由于该时段, 长安区能源消耗量最高, 其年均原油、原煤和天然气消耗量分别为35 716.40×104 t·a−1、176 891.71×104 t·a−1和5303.45×104 t·a−1, 高能源消耗导致该区域碳排量最高。2010—2020年, 雁塔区成为碳排放量最大的区, 其碳排放量占全域总排放量的11%以上。一方面, 雁塔区靠近西安市中心3城区(新城区、莲湖区和碑林区)。当中心3城区国土资源难以满足日益增多的人口需求时, 大量人口向雁塔区聚集。另一方面, 雁塔区是西安市重要的高教和商业中心, 因此也吸引了大量人口流入。人口的迅速增长导致该区域对能源的需求量和消耗量增大, 从而导致其碳排放量最高。1990年、2005年、2010年和2015年, 阎良区是所有区县中碳排放量最低的区, 而在2000年和2020年碳排放量最低的区县分别是高陵区和泾阳县, 因为上述3个区域位于大西安地区的郊区, 为了谋生, 大量人口向市中心流入, 导致该区域人口减少, 化石能源消耗量不高, 碳排量较低。
表 4 1990—2020年大西安地区各区县碳排放量Table 4. Carbon emissions of all districts and counties in Great Xi’an from 1990 to 2020×104 t(C) 区县 District (county) 1990 2000 2005 2010 2015 2020 秦都区 Qindu 12.63 18.68 40.21 70.43 89.08 88.06 渭城区 Weicheng 12.07 17.15 35.48 61.29 77.22 54.83 泾阳县 Jingyang 17.12 21.78 44.08 67.88 86.18 43.62 兴平市 Xingping 18.70 24.56 49.31 74.97 95.14 82.83 新城区 Xincheng 16.12 20.59 42.90 81.39 103.98 110.21 碑林区 Beilin 17.81 26.76 63.06 84.99 108.39 135.18 莲湖区 Lianhu 18.98 25.21 53.25 96.36 122.76 181.73 灞桥区 Baqiao 15.25 19.42 41.88 82.65 106.24 182.45 未央区 Weiyang 12.36 16.98 36.96 111.52 143.27 277.48 雁塔区 Yanta 13.94 24.69 64.70 162.82 208.52 365.44 阎良区 Yanliang 8.35 11.24 22.23 39.22 50.44 54.77 临潼区 Lintong 24.30 31.94 60.52 92.81 118.79 122.79 长安区 Chang’an 29.84 38.50 80.76 148.45 191.45 281.55 高陵区 Gaoling 8.83 11.17 22.34 46.82 60.62 79.50 鄠邑区 Huyi 18.50 23.88 49.23 75.89 97.38 101.93 蓝田县 Lantian 21.15 27.36 54.18 70.55 90.12 87.38 周至县 Zhouzhi 14.06 20.65 48.30 70.69 93.14 92.51 总排放量 Total emissions 280.00 380.58 809.39 1438.72 1842.73 2342.27 1990—2020年, 新城区、碑林区、莲湖区、灞桥区、未央区、雁塔区、阎良区、临潼区、长安区、高陵区和鄠邑区的碳排量表现为持续增长, 其年均增长分别为3.14×104 t(C)、3.91×104 t(C)、5.42×104 t(C)、5.57×104 t(C)、8.84×104 t(C)、11.72×104 t(C)、1.55×104 t(C)、3.28×104 t(C)、8.39×104 t(C)、2.36×104 t(C)和2.78×104 t(C)。因为在该时段内, 上述区域人口均不断增加, 导致其能源消耗量增加、碳排量增长。秦都区、渭城区、泾阳县、兴平市、蓝田县和周至县的碳排量则呈现出先增后降的趋势。1990—2015年, 上述区县碳排放量年均增加量分别为3.06×104 t(C)、2.61×104 t(C)、2.76×104 t(C)、3.06×104 t(C)、2.76×104 t(C)和3.16×104 t(C); 相较于2015年, 2020年碳排放量分别减少1.03×104 t(C)、22.39×104 t(C)、42.55×104 t(C)、12.31×104 t(C)、2.74×104 t(C)和0.63×104 t(C)。一方面, 由于上述区域距离西安市中心较远, 2015—2020年, 随着高铁等交通工具的开通, 西安市中心对该区域的吸附力增强, 造成大量人口流出; 另一方面, 由于居民生育观念发生了明显改变, 使得新出生的人口减少。人口的减少使得上述区域的能源消耗量减少, 碳排放量出现先增后降的趋势。
基于各区县的碳排放量结果, 运用自然断点法将大西安地区碳排放量结果划分为低排放、较低排放、中等排放、较高排放和高排放5个等级(表5)。1990—2020年, 大西安地区碳排放量空间分布格局总体呈现“南高北低”的规律(图4), 这是因为南部地区人口多于北部地区, 化石能源消耗量高于北部地区。1990年, 大西安地区完全处于低排放区; 2000年长安区成为了较低排放区, 但其他区县依旧属于低排放区; 2005年, 大西安地区以碳较低排放区为主, 其面积占比约为70.17%; 2010年大西安地区以较高排放区为主, 其面积占比约为47.40%; 2015—2020年大西安地区则以高排放区为主, 其面积占比分别为95.06%和93.53%。
表 5 碳排放量等级分区划分范围Table 5. Classification standard of carbon emission levels×104 t(C) 低排放
Low emission较低排放
Slightly lower emission中等排放
Medium emission较高排放
Slightly higher emission高排放
High emission分级标准
Grading standard<34.11 34.11~56.24 56.24~68.59 68.59~73.32 >73.32 ![]()
图 4 1990—2020年大西安地区碳排放量等级分区空间分布Figure 4. Spatial distribution of carbon emission grades in Great Xi’an from 1990 to 20202.3 基于格网的大西安地区碳排放强度时空演变分析
基于网格计算大西安地区的碳排放强度, 运用自然断点法将其划分为低强度、较低强度、中等强度、较高强度和高强度5个等级, 具体见表6。1990—2020年间, 大西安地区碳排放强度时空分异明显(图5)。时间上, 碳排放强度最大值由1990年的7461.94 t(C)∙km−2∙a−1增加至2020年的45 400.90 t(C)∙km−2∙a−1, 增长了5.08倍。空间上, 该地区碳排放强度始终呈现出“北高南低”的分布模式。这是因为, 虽然大西安地区南部的人口众多、化石能源消耗量大、碳排量总量高, 但南部地区各县区的占地面积远大于北部, 从而使得其碳排放强度低于北部。碑林区的碳排放强度一直属于高强度; 莲湖区、新城区和兴平市的碳排放强度则由中等强度区间变化至高强度区间; 长安区碳强度则由低强度不断增长至中等强度。总体来说, 大西安地区碳排放强度高的地区主要集中在人类活动比较频繁的中心城区。
表 6 碳排放强度等级分区划分范围Table 6. Classification standard of carbon emission intensity levelst(C)∙km−2∙a−1 低强度
Low strength较低强度
Slightly low strength中等强度
Medium strength较高强度
Slightly high strength高强度
High strength分级标准 Grading standard <287.61 287.61~600.60 600.60~1598.78 1598.78~6566.03 >6566.03 ![]()
图 5 1990—2020年大西安地区碳排放强度等级空间分布Figure 5. Spatial distribution of carbon emission intensity grades in Great Xi’an from 1990 to 20202.4 基于PLUS模型的大西安地区碳排放模拟
本文利用大西安地区2010年和2015年的土地利用数据模拟得到2020年的土地利用数据, 并使用2020年土地利用数据统计值与该模拟值进行比较, 结果表明两者在数量上和空间上的一致性都较强(图6)。对其空间一致性进一步验证的结果表明, 其Kappa系数为0.8869, 总体精度为91.75%, 即模拟效果较好。因此, 可利用2015年和2020年土地利用数据来模拟大西安地区2025年和2030年的土地利用状况。
![]()
图 6 2020年大西安地区土地利用模拟值与真实值的空间分布特征(左)及其比较(右)Figure 6. Spatial distribution of simulated and actual land use (left) and their comparison (right) in Great Xi’an in 20202025年和2030年, 大西安地区土地利用的空间分布模式没有发生显著变化, 耕地和林地依旧是主要的土地利用类型(图7), 这两种土地利用类型的面积之和占比分别为63.53%和62.45%。2020—2030年, 大西安地区的耕地、林地、水域和未利用地的面积在不断减少, 其减少面积分别为182.79 km2、68.07 km2、16.80km2和0.40 km2; 由于城市发展, 草地和建设用地面积快速扩张, 扩张面积分别为131.28 km2和136.77 km2。
![]()
图 7 2025年和2030年大西安地区土地利用类型(a、b、e)、碳排放(c、d、f)模拟Figure 7. Simulation of land use types (a, b, e) and carbon emissions (c, d, f) in Great Xi’an in 2025 and 20302020—2030年, 除泾阳县外, 大西安地区各区县碳排放量都在不断增长(图7)。2025年和2030年, 大西安地区碳排放量相较2020年分别增加了1294.02×104 t(C)和2958.69×104 t(C)。在所有区县中, 雁塔区碳排量最高, 2025年和2030年其碳排放高达601.94×104 t(C)和956.75×104 t(C), 比2020年分别增长236.50×104 t(C)和591.30×104 t(C); 泾阳县碳排放量最低, 且呈现出波动减少的趋势。2025年和2030年, 大西安地区碳排放强度呈现出“东高西低”的分布格局, 碳排放强度等级以较高强度和高强度等级为主, 与2020年相比, 碳排放强度等级为高强度的区域由莲湖区等中心不断向外扩张。
3. 讨论与结论
3.1 讨论
土地利用变化是影响碳排放量的重要原因, 土地利用过程的复杂性导致其碳排放和变化规律具有很大不确定性。因此, 研究区域土地利用所产生的碳排放量及其变化, 不仅对“双碳”目标的实现具有重大现实意义, 而且对理解全球碳循环也具有重大现实意义。本研究通过中国科学院提供的分辨率为30 m的中国多时期土地利用遥感监测数据集(CNLUCC)和排放因子法, 从行政区和栅格两种尺度分别计算了大西安地区1990—2020年的碳排放量和碳排放强度。从数据源上看, 本研究使用的土地利用数据精度达90%以上[15], 从数据阶段就极大地保证了研究结果的可信度; 从研究方法上看, 排放因子法在相关研究中被广泛使用[31-32], 其计算方式简单成熟, 研究结果具有较强的可靠性。
本研究结果与马磊[33]、刘欢[34]、任志杰[35]、康铭敏[36]和黄仁全等[37]的研究结果相一致, 但本研究更好地刻画了大西安地区碳排放量和碳排放强度的空间格局特征, 并实现了该区域2025年和2030年碳排放空间模式的模拟。虽然本研究较好地测算了大西安地区的碳排放量, 但是不同地类的碳排放系数主要参考临近区域的研究来制定。未来研究中可根据研究区的实际情况, 制定更准确的碳排放系数, 以更精确地估算区域碳排放量。
3.2 结论
本研究基于大西安1990—2020年土地利用数据分析了其时空演变特征, 并基于排放因子法, 从行政单元尺度估算了大西安地区不同区县碳排放量的时空特征, 从栅格尺度估算了大西安地区碳排放强度的演变规律, 最后基于PLUS模型模拟了大西安地区2025年土地利用空间分布格局和碳排放。主要结论如下:
1) 1990—2020年, 耕地和林地一直是大西安地区主要的土地利用类型, 两者面积占研究区总面积的60%以上, 二者的分布分别以大西安地区北部和南部为主。耕地面积持续减少, 其年均减少量为21.86 km2; 林地、草地和水域面积波动减少, 建设用地持续扩张, 年均扩张面积23.88 km2, 未利用地波动上升。
2) 1990—2020年, 大西安地区碳排放量由280.00×104 t(C)∙a−1增长至2342.27×104 t(C)∙a−1, 年均增长68.74×104 t(C); 空间分布格局总体呈现“南高北低”的规律。新城区、碑林区、莲湖区、灞桥区、未央区、雁塔区、阎良区、临潼区、长安区、高陵区和鄠邑区的碳排放量表现为持续增长。秦都区、渭城区、泾阳县、兴平市、蓝田县和周至县的碳排放量则呈现出先增后降的趋势。
3) 1990—2020年, 大西安地区碳排放强度最大值由7461.94 t(C)∙km−2∙a−1增加至45 400.90 t(C)∙km−2∙a−1, 增长了5.08倍。空间上, 该地区碳排放强度始终呈现出“北高南低”的分布模式。莲湖区、新城区以及碑林区等区域人类活动频繁, 因此其碳排放强度远高于其他地区。
4) 2025年和2030年, 大西安地区土地利用空间分布模式没有发生明显变化, 耕地和林地依旧是主要的土地利用类型, 但耕地、林地、水域和未利用地面积减少, 草地和建设用地面积增加。相较2020年, 2025年和2030年大西安地区碳排放量分别增加了1294.02×104 t(C)和2958.69×104 t(C), 其碳排放强度呈现出“东高西低”的规律, 且碳排放强度等级以较高强度和高强度等级为主。
-
![]()
图 3 1990—2020年大西安地区土地利用空间分布格局
Figure 3. Spatial distribution pattern of land use in Great Xi’an from 1990 to 2020
![]()
图 4 1990—2020年大西安地区碳排放量等级分区空间分布
Figure 4. Spatial distribution of carbon emission grades in Great Xi’an from 1990 to 2020
![]()
图 5 1990—2020年大西安地区碳排放强度等级空间分布
Figure 5. Spatial distribution of carbon emission intensity grades in Great Xi’an from 1990 to 2020
![]()
图 6 2020年大西安地区土地利用模拟值与真实值的空间分布特征(左)及其比较(右)
Figure 6. Spatial distribution of simulated and actual land use (left) and their comparison (right) in Great Xi’an in 2020
![]()
图 7 2025年和2030年大西安地区土地利用类型(a、b、e)、碳排放(c、d、f)模拟
Figure 7. Simulation of land use types (a, b, e) and carbon emissions (c, d, f) in Great Xi’an in 2025 and 2030
表 1 大西安地区能源排放系数
Table 1 Energy emission coefficient in Great Xi’an
能源种类
Type of energy折算标准煤系数
Conversion coefficient to
standard coal
[kg(ce)∙kg−1]碳排放系数
Carbon emission coefficient
[t(C)·t−1(standard coal)]原煤
Raw coal0.7143 0.7559 原油
Crude oil1.4286 0.5857 天然气
Natural gas1.3300 0.4483 
下载: 导出CSV
表 2 不同地类之间的转移规则
Table 2 Transfer rules between different land types
耕地
Cropland林地
Forest land草地
Grassland水域
Water建设用地
Construction land未利用地
Unused land耕地 Cropland 1 1 1 1 1 1 林地 Forest land 1 1 1 1 1 1 草地 Grassland 1 1 1 1 1 1 水体 Water 1 1 1 1 1 1 建设用地 Construction land 0 0 0 0 1 0 裸地 Unused land 1 1 1 1 1 1 表中0表示地类之间不可以转移, 1表示地类之间可以转移。“0” means that land use types cannot be transferred between them, and “1” means that land use types can be transferred between them.
下载: 导出CSV
表 3 1990—2020年大西安不同土地利用类型面积及其比例
Table 3 Areas and proportions of different land use types in Great Xi’an from 1990 to 2020
年份
Year项目
Item耕地
Cropland林地
Forest land草地
Grassland水域
Water建设用地
Construction land未利用地
Unused land1990 面积 Area (km2) 4599.38 3026.43 2164.93 156.10 794.38 3.79 比例 Proportion (%) 42.80 28.17 20.15 1.45 7.39 0.04 2000 面积 Area (km2) 4518.30 3018.38 2163.49 144.05 897.00 3.79 比例 Proportion (%) 42.05 28.09 20.13 1.34 8.35 0.04 2005 面积 Area (km2) 4365.88 3018.48 2172.37 177.36 1007.11 3.78 比例 Proportion (%) 40.63 28.09 20.22 1.65 9.37 0.04 2010 面积 Area (km2) 4239.34 3066.21 2037.18 161.14 1237.49 3.64 比例 Proportion (%) 39.45 28.54 18.96 1.50 11.52 0.03 2015 面积 Area (km2) 4054.56 3060.44 2035.26 168.22 1422.13 4.38 比例 Proportion (%) 37.73 28.48 18.94 1.57 13.24 0.04 2020 面积 Area (km2) 3943.50 3017.92 2114.18 153.72 1510.76 4.93 比例 Proportion (%) 36.71 28.09 19.68 1.43 14.06 0.05
下载: 导出CSV
表 4 1990—2020年大西安地区各区县碳排放量
Table 4 Carbon emissions of all districts and counties in Great Xi’an from 1990 to 2020
×104 t(C) 区县 District (county) 1990 2000 2005 2010 2015 2020 秦都区 Qindu 12.63 18.68 40.21 70.43 89.08 88.06 渭城区 Weicheng 12.07 17.15 35.48 61.29 77.22 54.83 泾阳县 Jingyang 17.12 21.78 44.08 67.88 86.18 43.62 兴平市 Xingping 18.70 24.56 49.31 74.97 95.14 82.83 新城区 Xincheng 16.12 20.59 42.90 81.39 103.98 110.21 碑林区 Beilin 17.81 26.76 63.06 84.99 108.39 135.18 莲湖区 Lianhu 18.98 25.21 53.25 96.36 122.76 181.73 灞桥区 Baqiao 15.25 19.42 41.88 82.65 106.24 182.45 未央区 Weiyang 12.36 16.98 36.96 111.52 143.27 277.48 雁塔区 Yanta 13.94 24.69 64.70 162.82 208.52 365.44 阎良区 Yanliang 8.35 11.24 22.23 39.22 50.44 54.77 临潼区 Lintong 24.30 31.94 60.52 92.81 118.79 122.79 长安区 Chang’an 29.84 38.50 80.76 148.45 191.45 281.55 高陵区 Gaoling 8.83 11.17 22.34 46.82 60.62 79.50 鄠邑区 Huyi 18.50 23.88 49.23 75.89 97.38 101.93 蓝田县 Lantian 21.15 27.36 54.18 70.55 90.12 87.38 周至县 Zhouzhi 14.06 20.65 48.30 70.69 93.14 92.51 总排放量 Total emissions 280.00 380.58 809.39 1438.72 1842.73 2342.27
下载: 导出CSV
表 5 碳排放量等级分区划分范围
Table 5 Classification standard of carbon emission levels
×104 t(C) 低排放
Low emission较低排放
Slightly lower emission中等排放
Medium emission较高排放
Slightly higher emission高排放
High emission分级标准
Grading standard<34.11 34.11~56.24 56.24~68.59 68.59~73.32 >73.32
下载: 导出CSV
表 6 碳排放强度等级分区划分范围
Table 6 Classification standard of carbon emission intensity levels
t(C)∙km−2∙a−1 低强度
Low strength较低强度
Slightly low strength中等强度
Medium strength较高强度
Slightly high strength高强度
High strength分级标准 Grading standard <287.61 287.61~600.60 600.60~1598.78 1598.78~6566.03 >6566.03
下载: 导出CSV
-
[1] 刘纪远, 邵全琴, 延晓冬, 等. 土地利用变化对全球气候影响的研究进展与方法初探[J]. 地球科学进展, 2011, 26(10): 1015−1022 LIU J Y, SHAO Q Q, YAN X D, et al. An overview of the progress and research framework on the effects of land use change upon global climate[J]. Advances in Earth Sciences, 2011, 26(10): 1015−1022
[2] CORINNE L Q, ROBBIE M A, PIERRE F, et al. Global carbon budget 2018[J]. Earth System Science Data, 2018, 10(4): 2141−2194 doi: 10.5194/essd-10-2141-2018
[3] 巴黎气候变化大会通过新协定将全球平均气温升高控制在2℃之内[J]. 中国环境科学, 2016, 36(1): 49 The Paris Climate Change Conference adopted a new agreement to control the global average temperature rise within 2℃[J]. China Environmental Science, 2016, 36(1): 49
[4] 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
[5] LIU L W, CHEN C X, ZHAO Y F, et al. China’s carbon-emissions trading: Overview, challenges and future[J]. Renewable and Sustainable Energy Reviews, 2015, 49: 254−266 doi: 10.1016/j.rser.2015.04.076
[6] 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
[7] 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[J]. 地理学报, 2022, 77(3): 679−696 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[J]. Acta Geographica Sinica, 2022, 77(3): 679−696
[8] LIN Q W, ZHANG L, QIU B K, et al. Spatiotemporal analysis of land use patterns on carbon emissions in China[J]. Land, 2021, 10(2): 141 doi: 10.3390/land10020141
[9] 王艳军, 王孟杰, 柳林, 等. DMSP/OLS夜光数据的珠三角碳排放时空差异性分析[J]. 遥感学报, 2022, 26(9): 1824−1837 WANG Y J, WANG M J, LIU L, et al. Analyzing the spatiotemporal differences of carbon emission in the Pearl River Delta using DMSP/OLS nighttime light images[J]. Journal of Remote Sensing, 2022, 26(9): 1824−1837
[10] ALI G, PUMIJUMNONG N, CUI S H. Valuation and validation of carbon sources and sinks through land cover/use change analysis: The case of Bangkok metropolitan area[J]. Land Use Policy, 2018, 70: 471−478 doi: 10.1016/j.landusepol.2017.11.003
[11] WU H J, DENG K L, DONG Z F, et al. Comprehensive assessment of land use carbon emissions of a coal resource-based city, China[J]. Journal of Cleaner Production, 2022, 379: 134706 doi: 10.1016/j.jclepro.2022.134706
[12] 王丹, 荆延德, 韩善梅, 等. 基于格网的南四湖流域土地利用碳排放与其生态系统服务价值时空关系分析[J]. 生态学报, 2022, 42(23): 9604−9614 WANG D, JING Y D, HAN S M, et al. Spatio-temporal relationship of land-use carbon emission and ecosystem service value in Nansi Lake Basin based upon a grid square[J]. Acta Ecologica Sinica, 2022, 42(23): 9604−9614
[13] 王萍, 刘康, 李婷. 2000—2010年西安市土地利用/土地覆被变化及其建成区扩张研究[J]. 中国人口·资源与环境, 2015, 25(S1): 109−112 WANG P, LIU K, LI T. Land use/cover change and built-up area expansion in Xi’an City during the year of 2000–2010[J]. China Population, Resources and Environment, 2015, 25(S1): 109−112
[14] 周勇, 赵伟. 西安市土地利用结构碳排放核算及低碳优化研究[J]. 生态经济, 2018, 34(5): 21−25 ZHOU Y, ZHAO W. Study on carbon emission accounting and low-carbon optimization of land use structure in Xi’an[J]. Ecological Economy, 2018, 34(5): 21−25
[15] 徐新良, 刘纪远, 张树文, 等. 中国多时期土地利用土地覆被遥感监测数据集(CNLUCC)[DB/OL]. 资源环境科学与数据中心. [2018]. https://www.resdc.cn/DOI/doi.aspx?DOIid=54. DOI: 10.12078/2018070201 XU X L, LIU J Y, ZHANG S W, et al. China multi-period land use and land cover remote sensing monitoring data set (CNLUCC)[DB/OL]. Resource and Environment Science Data Center. [2018]. https://www.resdc.cn/DOI/doi.aspx?DOIid=54. DOI: 10.12078/2018070201
[16] PENG S Z, DING Y X, LIU W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931−1946 doi: 10.5194/essd-11-1931-2019
[17] 徐新良. 中国GDP空间分布公里网格数据集[DB/OL]. 资源环境科学数据注册与出版系统. [2017]. https://www.resdc.cn/DOI/DOI.aspx?DOIID=33. DOI: 10.12078/2017121102 XU X L. China’s GDP spatial distribution kilometer grid data set[DB/OL]. Resource and Environment Science Data Center. [2017]. https://www.resdc.cn/DOI/DOI.aspx?DOIID=33. DOI: 10.12078/2017121102
[18] 徐新良. 中国人口空间分布公里网格数据集[DB/OL]. 资源环境科学数据注册与出版系统. [2017]. https://www.resdc.cn/DOI/DOI.aspx?DOIID=32. DOI: 10.12078/2017121101 XU X L. China’s population spatial distribution kilometer grid data set[DB/OL]. Resource and Environment Science Data Center. [2017]. https://www.resdc.cn/DOI/DOI.aspx?DOIID=32. DOI: 10.12078/2017121101
[19] HENDRIKS I E, ESCOLANO-MOLTÓ A, FLECHA S, et al. Mediterranean seagrasses as carbon sinks: methodological and regional differences[J]. Biogeosciences, 2022, 19(18): 4619−4637 doi: 10.5194/bg-19-4619-2022
[20] HE X A, CHEN L Y, HUANG Y. A study of forest carbon sink increment from the perspective of efficiency evaluation based on an inverse DEA model[J]. Forests, 2022, 13(10): 1563 doi: 10.3390/f13101563
[21] 杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学(生命科学), 2022, 52(4): 534−574 YANG Y H, SHI Y, SUN W J, et al. Characteristics of carbon sources and sinks in China and global terrestrial ecosystems and their contribution to carbon neutralization[J]. Scientia Sinica (Vitae), 2022, 52(4): 534−574
[22] 张余, 姜博, 赵映慧, 等. 东北三省土地利用碳排放时空格局及影响因素研究[J]. 地域研究与开发, 2022, 41(4): 150−156 ZHANG Y, JIANG B, ZHAO Y H, et al. Temporal and spatial pattern changes and influencing factors of land use carbon emissions in the three provinces of Northeast China[J]. Areal Research and Development, 2022, 41(4): 150−156
[23] 赵伟. 低碳经济视角下西安市土地利用结构的优化研究[D]. 西安: 西安建筑科技大学, 2018 ZHAO W. Study on the optimization of land use structure in Xi’an from the perspective of low-carbon economy[D]. Xi’an: Xi’an University of Architecture and Technology, 2018
[24] 徐影, 郭楠, 茹凯丽, 等. 碳中和视角下福建省国土空间分区特征与优化策略[J]. 应用生态学报, 2022, 33(2): 500−508 XU Y, GUO N, RU K L, et al. Characteristics and optimization strategies of territorial space zone in Fujian Province, China based on carbon neutrality[J]. Chinese Journal of Applied Ecology, 2022, 33(2): 500−508
[25] 赖力, 黄贤金, 刘伟良, 等. 基于投入产出技术的区域生态足迹调整分析−以2002年江苏省经济为例[J]. 生态学报, 2006, 26(4): 1285−1292 LAI L, HUANG X J, LIU W L, et al. Adjustment for regional ecological footprint based on input-output technique: a case study of Jiangsu Province in 2002[J]. Acta Ecologica Sinica, 2006, 26(4): 1285−1292
[26] LIANG X, GUAN Q F, CLARKE K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85: 101569 doi: 10.1016/j.compenvurbsys.2020.101569
[27] 杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟−以汉中市为例[J]. 干旱区资源与环境, 2022, 36(10): 86−95 YANG S, SU H, ZHAO G P. Multi-scenario simulation of urban ecosystem service value based on PLUS model: A case study of Hanzhong City[J]. Journal of Arid Land Resources and Environment, 2022, 36(10): 86−95
[28] 胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125−1136 HU F, ZHANG Y, GUO Y, et al. Spatial and temporal changes in land use and habitat quality in the Weihe River Basin based on the PLUS and InVEST models and predictions[J]. Arid Land Geography, 2022, 45(4): 1125−1136
[29] 陈鸿基, 杨庆媛, 彭立娴, 等. 三峡库区县域“三生空间”时空演变特征与情景模拟[J]. 农业工程学报, 2022, 38(13): 285−294 CHEN H J, YANG Q Y, PENG L X, et al. Spatiotemporal evolution characteristics and scenario simulation of production-living-ecological space at county level in Three Gorges Reservoir areas[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(13): 285−294
[30] 张经度, 梅志雄, 吕佳慧, 等. 纳入空间自相关的FLUS模型在土地利用变化多情景模拟中的应用[J]. 地球信息科学学报, 2020, 22(3): 531−542 ZHANG J D, MEI Z X, LYU J H, et al. Simulating multiple land use scenarios based on the FLUS model considering spatial autocorrelation[J]. Journal of Geo-Information Science, 2020, 22(3): 531−542
[31] 李玉玲, 李世平, 祁静静. 陕西省土地利用碳排放影响因素及脱钩效应分析[J]. 水土保持研究, 2018, 25(1): 382−390 LI Y L, LI S P, QI J J. Influencing factors on carbon emissions of land uses and analysis of their decoupling effects in Shaanxi Province[J]. Research of Soil and Water Conservation, 2018, 25(1): 382−390
[32] 张余, 姜博, 赵映慧, 等. 东北地区城市土地利用碳排放效应研究[J]. 环境科学与技术, 2022, 45(7): 209−217 ZHANG Y, JIANG B, ZHAO Y H, et al. Temporal and spatial pattern changes and influencing factors of land use carbon emissions in the three provinces of northeast China[J]. Environmental Science and Technology, 2022, 45(7): 209−217
[33] 马磊. 西安市低碳经济发展研究[D]. 西安: 西安工业大学, 2012 MA L. Research on development of low-carbon economy of Xi’an[D]. Xi’an: Xi’an Technological University, 2012
[34] 刘欢. 西安市土地利用变化的碳排放量研究[J]. 价值工程, 2019, 38(32): 233−235 LIU H. Study on carbon emission of land use change in Xi’an City[J]. Value Engineering, 2019, 38(32): 233−235
[35] 任志杰. 陕西省CO2排放计算及减排潜力分析[D]. 西安: 西安建筑科技大学, 2020 REN Z J. Calculation of CO2 emissions and analysis of potential emission reduction in Shaanxi Province[D]. Xi’an: Xi’an University of Architecture and Technology, 2020
[36] 康铭敏. 西安市碳排放峰值预测及控制策略研究[D]. 西安: 西安建筑科技大学, 2020 KANG M M. Research on Xi’an carbon emission peak forecast and control strategy[D]. Xi’an: Xi’an University of Architecture and Technology, 2020
[37] 黄仁全, 曾倩. 西安市碳排放动态演变及等级评估研究[J]. 环境科学导刊, 2023, 42(2): 1−8 HUANG R Q, ZENG Q. Research on the dynamic evolution and grade assessment of carbon emissions in Xi’an[J]. Environmental Science Survey, 2023, 42(2): 1−8
计量
- 文章访问数: 358
- HTML全文浏览量: 138
- PDF下载量: 69
