EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 3: 468 - 478

DOI: https://doi.org/10.12082/dqxxkx.2023.220551

Carbon Budget Accounting and Change Classification based on Fine Units

  • FENG Yajing , 1, 2 ,
  • ZHAI Liang 1, 2 ,
  • SANG Huiyong , 1, 2, * ,
  • CHENG Siyuan 1, 2, 3
Expand
  • 1. Research Center for Natural Resources Surveying and Monitoring, Chinese Academy of Surveying and Mapping, Beijing 100830, China
  • 2. Key Laboratory of Surveying and Mapping Science and Geospatial Information Technology of MNR, Beijing 100830, China
  • 3. College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China
* SANG Huiyong, E-mail:

Received date: 2022-07-27

  Revised date: 2022-09-08

  Online published: 2023-04-19

Supported by

Fundamental Research Funds for Central Public-Interest Scientific Institution(AR2112)

High-Level-Innovation Talents in Science and Technology, Ministry of Natural Resources(12110600000018003908)

Fold

Abstract

Accurate carbon budget accounting is the premise of achieving China's “dual carbon” goals. Calculating the carbon budgets of statistical units provides reliable data support for the optimization and adjustment of territorial space. Based on geographical conditions monitoring data, combined with socio-economic data, population data, and energy data, this paper proposes an accurate carbon budget accounting and change classification method using selectable resolution grids as the statistical units. In this method, the carbon sequestration and carbon emissions of various types of land use and land cover are calculated and spatialized. Then, the carbon budgets in the statistical units with the selected resolution are calculated according to the spatialization results of carbon emissions and carbon sequestration. Finally, the statistical units are divided into nine classifications according to the carbon budgets and their changes in the study period. The classification includes increasing sink area, stable sink area, worse sink area, better balance area, stable area, worse balance area, better source area, stable source area, and worse source area. Taking the data of Jiangsu province in 2015 and 2019 as an example, the carbon budgets of various types of land use and land cover were calculated and analyzed using 1-kilometer grid as the statistical unit. The results show that the carbon budgets of Jiangsu province in 2019 was 344.21×106 tons, an increase of 4.24×106 tons relative to 2015. Dry land was the main area of carbon sequestration. Industrial and mining lands contributed the largest carbon emissions. The carbon sink areas in northern and central Jiangsu were larger than those in southern Jiangsu. The areas that were carbon sources were clustered in the economically developed central urban areas. The grids covering Jiangsu province were classified into five categories. Recommendations for low-carbon development were put forward for each typical classification. Compared with traditional methods, the feasibility and superiority of this method in carbon budget accounting and carbon budget change classification are proved. This method can identify hot spots with high carbon sequestration and carbon emissions, and analyze the differentiation characteristics of carbon budgets changes. The results can provide technical support for achieving carbon equity and coordinated emission reductions.

Key words： geographical conditions monitoring; carbon sequestration; carbon emission; carbon budgets; carbon source; carbon sink; carbon budgets change classification; grid

Cite this article

FENG Yajing , ZHAI Liang , SANG Huiyong , CHENG Siyuan . Carbon Budget Accounting and Change Classification based on Fine Units[J]. Journal of Geo-information Science, 2023 , 25(3) : 468 -478 . DOI: 10.12082/dqxxkx.2023.220551

1 引言

全球气候变暖已严重威胁到人类的生存和发展，联合国政府间气候变化专门委员会（IPCC）在第六次评估报告第一工作组报告中提到，2011—2020年的平均温度比工业化前（1850—1900年）升高了1.09 ℃[1]。中国是落实《巴黎协定》的积极践行者，承诺在2030年前实现碳达峰、2060年前实现碳中和。在“十四五”时期，中国生态文明建设将进入以降碳为重点战略方向、推动减污降碳协同增效、促进经济社会发展全面绿色转型、实现生态环境质量改善由量变到质变的关键时期。多个省市依据区域内的碳收支情况制定了绿色降碳的行动方案，如何精确地核算固碳量和碳排放量，建立统一规范的碳排放统计核算体系是我国当下急需解决的问题，也是“双碳”目标实现的前提。
碳收支核算主要分为固碳量核算和碳排放量核算2个部分。固碳量的核算与生态系统紧密相关，Fang等[2]用实地调查数据估算了2000—2010年中国森林、草地和灌草丛生物量的变化，根据生物量含碳率得到了各生态系统的植被碳库情况。Xiao等[3]通过文献收集了代表中国沿海、河流、湖泊和沼泽湿地的370个站点数据，得到了各类湿地的植被碳汇、土壤碳汇、净生态系统生产力和异养呼吸情况。徐丽等[4]整合了1980—2010年中国第二次土壤普查、土种志、实地测量以及相关文献的土壤碳密度数据，对中国不同生态区类型和生态系统的土壤固碳量进行了计算。这些研究在某种生态系统固碳量核算过程中使用了大量具有代表性的实地调查数据，结果较为准确。
早期的碳排放量核算研究可以追溯至1969年，Ayres等[5]将工业、居民消费、交通等活动产生的碳排放纳入到美国物质流核算框架体系中[6]。此后一系列碳排放核算框架不断发展，WRI和WBCSD[7]在1998年提出的核算体系中包含3种核算边界：直接碳排放、外购电力产生的间接碳排放以及开采原材料、运输燃料、废弃物处理等活动产生的其他间接碳排放。IPCC在2006年编写了《2006年IPCC国家温室气体清单指南》[8]，提供了能源消耗、工业生产过程、废弃物处理、农业林业和其他土地利用中各个活动温室气体排放因子的缺省值和核算基本方程。土地是人类活动的载体，研究人员开始越来越关注土地利用与碳排放之间的关系，例如，Glaeser等[9]研究了美国土地利用水平对碳排放的影响，发现城镇化越高的地方碳排放越高。基于Landsat影像解译得到的100 m分辨率土地利用数据，Chuai等[10]基于IPCC碳排放核算体系核算了江苏省沿海地区城市用地、农村住宅用地和其他建设用地上碳排放量并分析其变化。Zhang等[11]计算了耕地和建设用地上能源的碳排放，并分析了中国各省的碳排放空间差异。目前的碳排放核算类型与核算方法大都基于国外碳排放核算体系，土地利用与覆被类型划分比较粗糙，核算类型与行业类型、土地利用与覆被类型之间的关系不明确。Cai等[12]尝试利用工业企业POI点、垃圾焚烧厂POI点、公里格网道路密度和人口密度等多源数据解决建设用地划分粗糙的问题，并建立了中国高分辨率（1 km）排放格网数据库（CHRED），使得碳排放空间分布精度得到了提升，但多源数据的收集和融合过程较为繁琐。
随后的研究考虑了固碳量核算和碳排放量核算的耦合过程。夏四友等[13]通过使用夜间灯光反演得到2000—2017年的县域碳排放和固碳量数据对京津冀碳收支时空分异和碳补偿分区进行分析。Cui等[14]根据1 km分辨率土地利用数据计算了京津冀地区的固碳量和能源消耗的碳排放量，根据建成区面积将碳排放进行了空间化。目前的碳收支量核算，对固碳量核算和碳排放量核算的各有侧重。
梳理相关文献可以发现，固碳量核算和土地利用与覆被联系比较紧密，核算结果较为准确。承载碳排放功能的土地利用与覆被类型划分比较粗糙，已有的碳排放核算体系不能准确地核算土地利用与覆被类型上的碳排放量，无法实现空间的直观表达，从而不能用于指导研究区域土地利用结构的有效调整。对碳收支变化的分析大多基于行政区划和固定分辨率的格网，无法服务于行政区内部国土空间规划。
地理国情监测数据是利用优于1 m的高分辨率卫星影像或航空影像，采用人机交互解译方法进行地表覆盖和地理要素信息解译与提取，同时参考基础地理信息数据、外业调绘资料和相关专题资料进行校核，得到10个一级类、60个二级类和146个三级类的地表覆盖数据和地理要素[15],具有精度高、数据量大、语义信息丰富的基本特征[16]。为解决土地利用与覆被类型划分粗糙和多源数据收集处理繁琐的问题，本文尝试以高精度的地理国情监测数据为基础，整合为包含19种类型的土地利用与覆被数据，利用文献收集的各类生态系统碳汇系数核算土地利用与覆被的固碳量，参考《2019年IPCC国家温室气体排放清单指南》[17]中的碳排放核算体系，结合社会经济统计数据，计算各行业和土地利用与覆被类型图斑上的碳排放量，提高碳收支空间表达精度，为建立适用于我国的统一规范的碳排放统计核算体系、完善双碳“1+N”政策提供参考，为“双碳”目标的实现提供准确的数据支持。针对碳收支及变化分析，本文提出了一种基于可选择分辨率格网的碳收支及变化分类方法，结果能够识别固碳量和碳排放量较高的热点区，分析其分异特征，服务于国土空间优化和碳补偿分区。

2 研究方法

本文的研究框架如图1所示。本文提出了一种基于可选择分辨率格网的碳收支核算及变化分类方法，该方法基于地理国情监测和社会经济统计两大类，通过固碳速率、农作物固碳量估算模型和IPCC碳排放核算体系计算土地利用与覆被固碳量和碳排放量，选择适宜分辨率的格网计算精细化格网固碳量和碳排放量，最后核算格网碳收支变化并对格网分类。格网碳收支核算和变化分类结果可应用于碳源碳汇热点区域的识别，服务于国土空间优化和碳补偿分区。
图1 技术路线

Fig. 1 Technology roadmap

2.1 格网碳收支核算

本研究先选择适合研究区及研究目标的格网分辨率，再基于地理国情监测数据图斑上固碳量与碳排放量的核算结果计算格网内图斑的碳收支，计算公式如下：
G b , i = G e z , i - G a z , i
式中： G b , i、 G e z , i和 G a z , i分别为统计单元 i内的碳收支量、碳排放量和固碳量/kg，若 G b , i大于0，即碳排放量大于固碳量，则该统计单元为碳源；若 G b , i小于0，即碳排放量小于固碳量，则该统计单元为碳汇。

2.1.1 格网碳排放量核算

参考以地理国情监测数据为基础，将承载碳排放功能的土地利用与覆被数据划分为9类，分别为：设施农用地、工矿用地、通航河渠、港口、公路、铁路、居民用地、耕地及园地。根据社会经济数据的统计类型和土地利用与覆被类型，将碳排放核算类型划分为6类，分别为：畜牧业、工矿业、水运、陆地交通、居民生活和种植业，碳排放核算类型和土地利用与覆被的对应关系见表1。土地利用与覆被类型上的碳排放活动参考IPCC碳排放核算体系，具体的碳排放量核算方法和系数来源见表1。按照土地利用与覆被面积占比，对相应核算类型的碳排放量进行空间化，使用空间化的结果计算格网 i的碳排放量，公式如下：
G e z , i = G e f , i + G e m , i + G e r , i + G e d , i + G e t h , i + G e t r , i + G e p , i + G e c , i
式中： G e z , i为统计单元 i内的碳排放总量/kg， G e f , i、 G e m , i、 G e r , i、 G e d , i、 G e t h , i、 G e t r , i、 G e p , i和 G e c , i分别为设施农用地、工矿用地、通航河渠、码头、公路、铁路、居民用地和耕地及园地在统计单元 i内的碳排放量/kg。
表1 碳排放量核算

Tab. 1 Carbon emissions calculation

核算类型 用地类型 计算公式 公式
编号		 含义 碳排放系数
文献来源
畜牧业 设施农用地 C e , d a = Σ j n Q d j × ( k j c + k j e + k j b ) (3) C e , d a：区域 d内牲畜的总碳排放量/kg；n：牲畜的种类/种； Q d j：区域d内牲畜 j的数量（头）； k j c、 k j e和 k j b：牲畜肠道发酵、粪便和呼吸的碳排放系数。 [18]
[19]
工矿业 工矿用地 C e , d m = ∑ i n Q d i × k i + Q d s × k s + Q d c o d × k c o d × 12 16 + Q d w × P c × P m × E w (4) C e , d m：区域 d内的工矿用地碳排放总量/kg；n：为化石燃料的种类（种）； Q d i、 Q d s、 Q d c o d和 Q d w：区域d内第二产业消耗的能源实物量/kg、产品产量/kg、废水的化学需氧量/kg和垃圾焚烧量/kg； k i、 k s和 k c o d：能源、产品生产过程和废水处理的碳排放系数； P c、 P m和 E w：垃圾中的含碳量、垃圾中的矿物质碳比例和焚烧炉的燃烧效率。 [17]
水运 通航河渠 C e , d n = Q d n × k n (5) C e , d n：区域d内通航河渠的碳排放量/kg； Q d n：区域 d内水运的客货周转量/tk）； k n：水运客货单位周转量碳排放系数。 [20]
[21]
[22]
港口 C e , d p = Q d p × k p (6) C e , d p：区域d内港口的碳排放量/kg； Q d p：区域 d内港口的吞吐量/kg； k p：单位吞吐量碳排放系数。 [20]
[21]
[22]
陆地交通 公路、铁路 C e , d t = Q d t × k t (7) C e , d t：区域d内用地类型的碳排放量/kg， Q d t：区域 d内用地类型的客货周转量/tkm； k t：用地单位周转量碳排放系数。 [20]
[21]
[22]
居民生活 居民用地 C e , d r = ∑ j n Q d j × k j + Q d p × k p + Q d b × 0.167 × ( 1 - p ) × 12 / 16 (8) C e , d r：区域 d内居住用地的碳排放量/kg；n：对应的化石燃料的种类（种）； Q d j、 Q d p和 Q d b：区域d居民生活消耗的能源实物量/kg、人口数量/人和垃圾掩埋数量/kg； k j和 k p：能源和人口的碳排放系数；p：垃圾含水量。 [23]
[24]
种植业 耕地及园地 C e , d c = k F × F + k P × P + k W × W + k G × G + k A × A (9) C e , d c：区域d内用地类型的碳排放量/kg； F：化肥施用量/t； P：农药使用量/t； W：农业机械总动力/kw， G：灌溉面积/hm； A：农膜使用量/t； k F、 k P、 k W、 k G和 k A为每个过程的碳排放系数。 [25]

2.1.2 格网固碳量核算

固碳量的核算类型包括自然生态系统和种植业两类。以地理国情监测数据为基础并结合核算类型，将承载固碳功能的土地利用与覆被数据划分为12类，分别为：林地、草地、湿地、河渠、未利用地、旱地、水田、水浇地、果园、茶园、桑园和其他园地。固碳量核算类型和土地利用与覆被的对应关系以及固碳量核算公式见表2。按照土地利用与覆被面积占比对相应核算类型的固碳量进行空间化，使用空间化的结果计算格网 i的碳排放量，公式如下：
G a z , i = G a f , i + G a g , i + G a w , i + G a r , i + G a u , i + G a c d , i + G a c p , i + G a c i , i + G a g o , i + G a g t , i + G a g m , i + G a g e , i
式中： G a z , i为统计单元 i内的固碳总量（kg）； G a f , i、 G a g , i、 G a w , i、 G a r , i、 G a u , i、 G a c d , i、 G a c p , i、 G a c i , i、 G a g o , i、 G a g t , i、 G a g m , i和 G a g e , i分别为林地、草地、湿地、未通航河渠、未利用地、旱地、水田、水浇地、果园、茶园、桑园和其他园地在统计单元 i内的固碳量/kg。
表2 固碳量核算

Tab. 2 Carbon sequestration calculation

核算类型 用地类型 计算公式 公式编号 含义 固碳系数
文献来源
自然生态系统 林地、草地、湿地、未通航河渠、未利用地 C a c , d b = S d i × k d i b
C a c , d s = S d i × k d i s		 (10)
(11)		 C a c , d b和 C a c , d s：区域 d内用地类型的植被和土壤固碳量， S d i：区域 d内用地类型 i的面积/ m2； k d i b和 k d i s：用地类型 i的植被碳汇系数和土壤或水域的碳汇系数/（kg C/m2/a） [2]
[3]
[4]
[26]
[27]
[28]
种植业 旱地、水田、水浇地 C a , d j z = c a j × 1 - P w j × Y j H j (12) C a , d j z和 C a , d c s：在对应用地类型上耕作的作物 j在区域 d内的固碳量和用地类型土壤固碳量 /kg； c a j：作物 j光合作用合成单位有机质所需要吸收的碳； P w j：作物 j经济产品部分的含水量/%； Y j：作物 j的经济产量/kg； H j：作物 j的经济系数； k d c s：用地类型土壤固碳系数； S d c：区域 d内耕地的面积/m2 [29]
[30]
[31]
C a , d c s = k d c s × S d c (13)
果园、茶园、桑园、其他园地 C a , d g z = c a g × 1 - P w g × Y g H g (14) C a , d g z、 C a , d g s和 C a c , d g b：用地类型上园地作物、土壤和植被的固碳量/kg； c a g：作物 g光合作用合成单位有机质所需要吸收的碳； P w g：作物 g经济产品部分的含水量/%； Y g：作物 g的经济产量/kg； H g：作物 g的经济系数； k d c s和 k d f b：区域 d土壤和植被固碳系数； S d g：区域 d内用地类型的面积/m2 [29]
[30]
[31]
C a , d g s = k d c s × S d g (15)
C a c , d g b = S d g × k d f b (16)

2.2 格网碳收支变化及分类

碳收支的变化即为后一期和前一期碳收支的差值，具体见公式：
Δ G b = G b 2 - G b 1
式中： Δ G b为碳收支变化/kg， G b 1和 G b 2分别为前一期和后一期的碳收支/kg。若 G b大于0，该统计单元发生消极变化；若 G b小于0，该统计单元发生积极变化。
为了更清晰的表示区域的碳收支及其变化，本文建立反映碳收支变化的函数 f G b 1 , Δ G b对区域进行分类以便于空间统计分析，具体公式如下：
f G b 1 , Δ G b = k 1 S I G N ( Δ G b ) + k 2 S I G N ( G b 1 )
式中： S I G N( )为符号函数； k 1和 k 2为满足0<2 k 2< k 1的常数。
为方便表达，本文取 k 1=3， k 2=1来展示碳收支变化函数的9种分类结果，见表3，具体公式如下：
f G b 1 , Δ G b = 3 S I G N ( Δ G b ) + S I G N ( G b 1 )
式中：用 S I G N( )为符号函数。
表3 碳收支变化分类

Tab. 3 Classification of changes in carbon budgets

f G b 1 , Δ G b
（属性）		 G b 1 < 0
（碳汇）		 G b 1 = 0
（碳收支平衡）		 G b 1 > 0
（碳源）
Δ G b < 0
（碳收支积极变化）		 -4
（汇提高区）		 -3
（平衡向好区）		 -2
（源好转区）
Δ G b = 0
（碳收支不变）		 -1
（汇稳定区）		 0
（稳定区）		 1
（源稳定区）
Δ G b > 0
（碳收支消极变化）		 2
（汇恶化区）		 3
（平衡向差区）		 4
（源加剧区）

3 实验与结果分析

3.1 实验区概况与数据来源

江苏省位于我国东部沿海地区中心地带，下辖13个地级市。地形以平原、水面为主，两者占全省总面积的82.38%[32]。江苏省社会经济发达，城镇化率位居全国前列，但建设用地的扩张和能源的大量消耗使得碳排放量高居不下。如何高效利用有限的土地并平衡碳收支是高质量发展的关键。
根据第一套地理国情监测数据的形成时间和社会经济统计数据的可获取性，选择2015年和2019年对江苏省进行案例分析。江苏省的土地利用与覆被和行政区划来自地理国情监测数据。牲畜养殖种类及数量、工矿业能源消耗及产品产量、交通客货周转量、人口数量、垃圾清运量、农业产量及生产消耗等数据来自2016年和2020年的《江苏统计年鉴》[33-34] 及各地级市统计年鉴，部分缺失能源消耗数据用2016年和2020年《中国能源统计年鉴》[35-36]补充。

3.2 江苏省碳收支核算结果分析

根据计算结果可知，江苏省的2015年碳排放总量为381.70× 10 6 t，工矿用地的碳排放最大，为323.43× 10 6 t，如图2(a)所示。江苏省2019年的碳排放总量为386.29× 10 6 t，与2015年的碳排放总量相比变化不大略有增长，工矿用地依旧占据主导地位，碳排放量增长了2.08%。公路铁路是碳排放量增长最大的类型，碳排放量增长了20.99%，是仅次于工矿业的第二大排放源。畜牧业碳排放量下降了49.07%，原因是牲畜养殖数量的减少。居民生活由于常住人口增加导致人口呼吸的碳排放增加，但整体呈下降趋势，原因是垃圾无害化处理和清洁能源使用的比例升高。
图2 2015年和2019年江苏省土地利用与覆被的碳排放量和固碳量

Fig. 2 Carbon emissions and sequestration from land use and land cover in Jiangsu Province in 2015 and 2019

江苏省2015年的固碳总量为41.74× 10 6 t，固碳量最大的土地利用与覆被类型为旱地，达到了23.54× 10 6 t，如图2(b)所示。江苏省2019年的固碳总量42.07× 10 6 t，与2015年相比有略微的增长。其中林地的固碳量下降比例为17.3%最大,原因主要是林地面积的减少，有921.78 km2的林地变为了旱地。固碳量增加比例和固碳量增加值最大的分别为湿地和旱地，分别增加了13.61%和0.29× 10 6 t。湿地固碳量增加比例较大的原因是湿地面积的增加，有1131.71 km2的水田变为了湿地。旱地固碳量增加的原因是作物产量的提高，旱地的耕作面积下降了0.66%，但由于农田生态系统改良使得高产田的比例增加。
对研究区域面积和数据量的大小进行综合考虑，以1 km格网为单元统计江苏省碳收支，发现2019年碳收支为碳汇的格网数占比为44.60%，如图3(b)所示，与2015年相比减少了7.29%，如图3(a)所示。苏北和苏中碳收支为碳汇的区域占比为51.58%，远大于苏南的碳汇区域占比26.06%。2015年和2019年碳收支为碳汇的区域高于375.66 t的格网数量占碳收支为碳汇数量的70.30%和92.53%，高碳汇量的格网主要分布在连云港市的东海县、灌云县、灌南县，宿迁市，淮安市，扬州市和泰州市的姜堰区、泰兴市、靖江市。
图3 2015年和2019年江苏省碳汇1 km格网分布

Fig. 3 Carbon sink distribution of 1 km grid in Jiangsu Province in 2015 and 2019

2019年碳收支为碳源的格网数占比为55.40%，如图4(b)所示，与2015年相比上升了7.29%，如图4(a)所示。格网在苏南地区密集分布，在苏中和苏北分布较为零散。2015年和2019年碳收支为碳源的区域低于4957.10 t的格网数量占比分别为68.12%和74.22%。碳收支为碳源的格网在经济比较发达的中心城区呈现聚集分布，碳源量随着距离中心城区距离的增多而减少。
图4 2015年和2019年江苏省碳源1 km格网分布

Fig. 4 Carbon source distribution of 1 km grid in Jiangsu Province in 2015 and 2019

江苏省2019年固碳量最高的地级市为盐城市，为9.89× 10 6 t，碳排放量最高的地级市为南京市，为86.74× 10 6 t，如表4所示。相较于2015年，固碳量增长比例最大的地级市为徐州市和宿迁市，均增长了18.15%，固碳量减少比例最大的地级市为苏州市，减少了44.53%，固碳量变化大的主要原因是粮食产量的变化。碳排放量增长比例最大的地级市为宿迁市，增长了33.58%，碳排放量减少比例最大的地级市为南通市，减少了37.53%，碳排放量变化快的主要原因是工矿用地和公路铁路的能源消耗的变化。
表4 江苏省分地级市碳收支统计

Tab. 4 Carbon budgets statistics of Jiangsu Province by prefecture-levvel cities

地级市 固碳量/×106 t 碳排放量/×106 t 碳收支/×106 t
2015年 2019年 变化率/% 2015年 2019年 变化率/% 2015年 2019年 变化率/%
南京市 1.32 1.25 -4.93 76.84 86.74 12.88 75.52 85.48 13.20
无锡市 0.80 0.78 -2.45 33.10 37.94 14.63 32.30 37.16 15.05
徐州市 5.20 6.15 18.15 49.92 32.23 -35.44 44.72 26.08 -41.68
常州市 1.11 0.86 -22.79 18.55 19.61 5.70 17.44 18.75 7.51
苏州市 2.05 1.14 -44.53 72.06 83.82 16.32 70.01 82.69 18.10
南通市 3.99 4.21 5.65 28.49 17.80 -37.53 24.51 13.59 -44.56
连云港市 3.77 3.35 -11.04 13.56 15.83 16.70 9.80 12.48 27.36
淮安市 4.15 4.15 -0.17 15.21 14.33 -5.82 11.06 10.18 -7.94
盐城市 9.52 9.89 3.97 21.61 20.77 -3.87 12.09 10.88 -10.03
扬州市 2.60 2.63 1.00 11.08 13.04 17.65 8.48 10.41 22.76
镇江市 1.22 0.97 -20.25 18.90 19.80 4.77 17.68 18.83 6.49
泰州市 2.52 2.57 2.03 15.84 15.66 -1.18 13.32 13.09 -1.78
宿迁市 3.50 4.14 18.15 6.54 8.73 33.58 3.03 4.59 51.40
总计 41.74 42.08 0.82 381.70 386.29 1.2 339.96 344.21 1.25

3.3 江苏省碳收支核算变化及分类结果分析

将2019年的格网碳收支与2015年的格网碳收支相减，得到格网在研究时期内的碳收支变化情况，如图5所示。对格网进行统计，有60.31%的区域发生消极的变化，34.65%的区域发生积极变化。苏北和苏中发生积极变化和消极变化的区域聚集性比较明显，边界相对清晰，而苏南地区分布比较杂乱。碳收支在研究期间没有发生变化的区域主要是由湖泊和不通航的河渠组成。
图5 2015—2019年江苏省碳收支变化1 km格网分布

Fig. 5 Carbon budgets change distribution of 1 km grid in Jiangsu Province from 2015 to 2019

根据碳收支变化的分类方法对覆盖江苏省的公里格网进行划分，如图6所示。
图6 2015—2019年江苏省碳收支变化1 km格网分类

Fig. 6 Carbon budgets change classification of 1 km grid in Jiangsu Province from 2015 to 2019

第1类是汇提高区，占比为8.23%，在淮安市的洪泽区、盐城市的东台市有较为密集且大量的存在，在宿迁市的泗洪县、淮安市金湖县、盐城市的滨海县、阜宁县、射阳县、大丰区有较为零散但大量的存在，说明生态环境稳中向好，生态保护效果显著。
第2类是源好转区，占比为26.42%，在徐州市的丰县、贾汪区，盐城市阜宁县、建湖县、盐都区、大丰区，南通市海安市、市区，苏州市市区、张家港市，无锡市市区，常州市市区，南京市六合区有较为密集且大量的存在。证明“十三五”期间新能源的发展较好，对沿海地区污染综合治理，对湿地河流整治修复的效果较好。今后要推进林地、绿地、湿地系统保护与修复，提升生态系统质量和稳定性。
第3类是汇稳定区，占比为5.03%，主要由湖泊和不通航的河渠组成，碳收支的核算结果为碳汇。这一类应巩固和提升的生态系统的碳汇能力，有效发挥这类用地的固碳作用。
第4类是汇恶化区，占比为38.63%，在徐州市的沛县、铜山区、睢宁县、新沂市，连云港市的赣榆区、东海县、灌云县、灌南县，淮安市涟水县、盱眙县，扬州市宝应县、高邮市、江都区、仪征市，常州市的溧阳市，苏州市的吴江区，南通市的如东县、通州区、海门市和启东市有较为密集且大量的存在。这一类主要分布在县或者县级市等经济较差地区，在发展同时要注意生态环境的保护，不要走先发展再治理的老路。
第5类是源加剧区，占比为21.69%，在宿迁市的沐阳县，连云港市区，盐城市区，泰州市的兴化市，南通市的如皋市、启东市，南京市市区，无锡市市区、苏州市的常熟市、昆山市、吴江市，通航河渠等区域有较为密集且大量的存在。这些区域主要分布在市中心和苏南高度城市化、经济发达的地方。这一类地区要结合自身的发展定位，调整能源结构降低能耗以及提高土地的利用效率从而推动重点行业企业碳减排、降低单位GDP碳排放和促进经济发展方式转型升级，也需要加强森林公园和城市绿地的建设。

4 结论与讨论

4.1 结论

本文基于高精度地理国情监测数据和社会经济统计数据核算了不同土地利用与覆被类型上的固碳量和不同行业类型碳排放量，建立了产生碳排放的行业类型与土地利用与覆被类型的对应关系，提出了碳收支变化分类方法。该方法可以实现以格网为统计单元的碳收支空间精确表达及类别划分，能够用于识别亟待关注改善的源加剧区和汇恶化区、需要加强保护的汇提高区和源好转区。本文以江苏省为研究区进行碳收支核算与分析，主要结论如下：
（1）江苏省2019年的碳排放总量为386.29× 10 6 t，与2015年的碳排放总量相比增长了1.2%，工矿用地的碳排放量占总排放量的80%以上。江苏省2019年的固碳总量42.07× 10 6 t，与2015年相比增长了0.79%，其中固碳量最大的土地利用与覆被类型为旱地。
（2）高碳源量的格网在苏南地区密集分布而在苏中和苏北分布较为零散，在经济比较发达的中心城区呈现聚集分布且随着距离中心城区距离的增多而减少。苏北和苏中碳收支为碳汇的格网占比为51.58%，远大于苏南的碳汇格网占比26.06%。
（3）江苏省2019年固碳量最高的地级市为盐城市，为9.89× 10 6 t，碳排放量最高的地级市为南京市，为86.74× 10 6 t。相较于2015年，固碳量增长比例最大的地级市为徐州市和宿迁市，均增长了18.15%，固碳量减少比例最大的地级市为苏州市，减少了44.53%。碳排放量增长比例最大的地级市为宿迁市，增长了33.58%，碳排放量减少比例最大的地级市为南通市，减少了37.53%。
（4）依据本文提出的碳收支及变化分类方法对江苏省2015—2019年格网进行分类，共划分为汇提高区、源好转区、汇稳定区、汇恶化区和源加剧区5类，提出了增碳减排的空间优化方案。

4.2 讨论

本文提出了基于可选择分辨率格网的碳收支精确核算及变化分类方法，未来还有以下问题待研究：
（1）由于缺少土地利用与覆被的具体属性和划分更为详细的社会经济统计数据，本文未针对更具体的行业和重点领域进行碳收支核算及分析。未来应加强对重点领域和行业的绿色减排成果的分析从而进一步完善双碳“1+N”政策。
（2）本文基于分辨率合理的格网空间统计结果能够应用于识别固碳量和碳排放量较高的热点区域从而服务于城市内部国土空间规划。但对基于行政区划碳收支的结果分析未考虑到区域间的碳补偿，这对于促进碳公平和协同减排的实现尤为重要。
（3）本文在对碳收支及变化进行分类分析时未考虑功能定位问题，未来可结合主体功能区划分析区划内部和不同区划间的碳收支变化分异特征，以实现经济发展和生态保护的双重目标。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
IPCC. Climate change 2021: The physical science basis: Working Group I contribution to the sixth assessment report of the Intergovernmental Panel on climate change[M]. Cambridge: Cambridge University Press, 2021.

[2]
Fang J Y, Yu G R, Liu L L, et al. Climate change, human impacts, and carbon sequestration in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16):4015-4020. DOI:10.1073/pnas.1700304115

DOI PMID

[3]
Xiao D R, Deng L, Kim D G, et al. Carbon budgets of wetland ecosystems in China[J]. Global Change Biology, 2019, 25(6):2061-2076. DOI:10.1111/gcb.14621

DOI PMID

[4]
徐丽, 于贵瑞, 何念鹏. 1980s-2010s中国陆地生态系统土壤碳储量的变化[J]. 地理学报, 2018, 73(11):2150-2167.

DOI

[Xu L, Yu G R, He N P. Changes of soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s[J]. Acta Geographica Sinica, 2018, 73(11):2150-2167.]

DOI

[5]
Ayres R U, Kneese A V. Production, consumption, and externalities[J]. American Economic Review, 1969, 59(3):282-297. DOI:10.1007/978-3-642-27922-5_24

DOI

[6]
夏琳琳, 张妍, 李名镜. 城市碳代谢过程研究进展[J]. 生态学报, 2017, 37(12):4268-4277.

[Xia L L, Zhang Y, Li M J. A review of urban carbon metabolism[J]. Acta Ecologica Sinica, 2017, 37(12):4268-4277.]

[7]
WRI/WBCSD. Greenhouse Gas Protocol. 1998. http://www.ghgprotocol.org/about-ghgp/about-wri-and-wbesd.

[8]
IPCC. IPCC Guidelines for National Greenhouse Gas Inventories[R]. Paris: Intergovernmental Panel on Climate Change, 2006.

[9]
Glaeser E L, Kahn M E. The greenness of cities: Carbon dioxide emissions and urban development[J]. Journal of Urban Economics, 2010, 67(3):404-418. DOI:10.1016/j.jue.2009.11.006

DOI

[10]
Chuai X W, Huang X J, Wang W J, et al. Land use, total carbon emissions change and low carbon land management in Coastal Jiangsu, China[J]. Journal of Cleaner Production, 2015, 103:77-86. DOI:10.1016/j.jclepro.2014.03.046

DOI

[11]
Zhang P Y, He J J, Hong X, et al. Carbon sources/sinks analysis of land use changes in China based on data envelopment analysis[J]. Journal of Cleaner Production, 2018, 204:702-711. DOI:10.1016/j.jclepro.2018.08.341

DOI

[12]
Cai B F, Cui C, Zhang D, et al. China City-level greenhouse gas emissions inventory in 2015 and uncertainty analysis[J]. Applied Energy, 2019, 253:113579. DOI:10.1016/j.apenergy.2019.113579

DOI

[13]
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.

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[J]. Acta Geographica Sinica, 2022, 77(3):679-696.]

DOI

[14]
Cui X L, Wei X Q, Liu W, et al. Spatial and temporal analysis of carbon sources and sinks through land use/cover changes in the Beijing-Tianjin-Hebei urban agglomeration region[J]. Physics and Chemistry of the Earth, 2019, 110:61-70. DOI:10.1016/j.pce.2018.10.001

DOI

[15]
桑会勇, 李爽, 魏英策, 等. 京津冀地区PM2.5/PM10浓度时空分布监测与分析[J]. 测绘科学, 2019, 44(6):317-323.

[Sang H Y, Li S, Wei Y C, et al. Monitoring and analysis of PM2.5/PM10 concentration in Beijing-Tianjin-Hebei region[J]. Science of Surveying and Mapping, 2019, 44(6):317-323.] DOI:10.16251/j.cnki.1009-2307.2019.06.047

DOI

[16]
殷红梅. 空间尺度与语义尺度联合控制下的地理国情地图综合[J]. 测绘学报, 2021, 50(3):426.

[Yin H M. A generalization of geographic conditions maps constrained by both spatial and semantic scales[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(3):426.]

[17]
IPCC. 2019 Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventory[R]. Kyoto: Intergovernmental Panel on Climate Change, 2019.

[18]
陶在朴. 生态包袱与生态足迹:可持续发展的重量及面积观念[M]. 北京: 经济科学出版社, 2003.

[Tao Z P. Eco-rucksack and eco-footprint-the concept of weight and proportion of sustainable development[M]. Beijing: Economic Science Press, 2003.]

[19]
田云, 张俊飚. 中国农业生产净碳效应分异研究[J]. 自然资源学报, 2013, 28(8):1298-1309.

DOI

[Tian Y, Zhang J B. Regional differentiation research on net carbon effect of agricultural production in China[J]. Journal of Natural Resources, 2013, 28(8):1298-1309.] DOI:10.11849/zrzyx b.2013.08.003

DOI

[20]
蔡博峰, 曹东, 刘兰翠, 等. 中国交通二氧化碳排放研究[J]. 气候变化研究进展, 2011, 7(3):197-203.

[Cai B F, Cao D, Liu L C, et al. China transport CO2 emission study[J]. Advances in Climate Change Research, 2011, 7(3):197-203.] DOI:10.3969/j.issn.1673-1719.2011.03.007

DOI

[21]
解天荣, 王静. 交通运输业碳排放量比较研究[J]. 综合运输, 2011, 33(8):20-24.

[Xie T R, Wang J. Comparative study on carbon emissions of transportation industry[J]. Comprehensive Transportation, 2011, 33(8):20-24.]

[22]
彭传圣. 港口生产能耗和排放计算问题研究[J]. 港口装卸, 2011(6):25-30.

[Peng C S. Study on calculation of port handling energy consumption and air exhaust[J]. Port Operation, 2011(6):25-30.] DOI:10.3963/j.issn:1000-8969.2011.06.012

DOI

[23]
环境保护部. 中国人群暴露参数手册(成人卷)[M]. 北京: 中国环境出版社, 2013.

[Ministry of Environmental Protection. Exposure factors handbook of Chinese population(Adults)[M]. Beijing: China Environmental Science Press, 2013.]

[24]
郭运功. 特大城市温室气体排放量测算与排放特征分析——以上海为例[D]. 上海: 华东师范大学, 2009.

[Guo Y G. The analysis on calculation and characteristics of greenhouse gas emission in mega-cities: A case study of Shanghai[D]. Shanghai: East China Normal University, 2009.]

[25]
West T O, Marland G. A synthesis of carbon sequestration, carbon emissions, and net carbon flux in agriculture: Comparing tillage practices in the United States[J]. Agriculture Ecosystems & Environment. 2002, 91(1/2/3):217-232. DOI:10.1016/S0167-8809(01)00233-X

DOI

[26]
段晓男, 王效科, 逯非, 等. 中国湿地生态系统固碳现状和潜力[J]. 生态学报, 2008, 28(2):463-469.

[Duan X N, Wang X K, Lu F, et al. Carbon sequestration and its potential by wetland ecosystems in China[J]. Acta Ecologica Sinica, 2008, 28(2):463-469.] DOI:10.3321/j.issn:1000-0933.2008.02.002

DOI

[27]
Walsh J J. Importance of continental margins in the marine biogeochemical cycling of carbon and nitrogen[J]. Nature, 1991, 350(6313):53-55. DOI:10.1038/350053a0

DOI

[28]
赖力. 中国土地利用的碳排放效应研究[D]. 南京: 南京大学, 2010.

[Lai L. Carbon emission effect of land use in China[D]. Nanjing: Nanjing University, 2010.]

[29]
王修兰. 二氧化碳、气候变化与农业[M]. 北京: 气象出版社, 1996.

[Wang X L. CO2, climate change and agriculture[M]. Beijing: China Meteorological Press, 1996.]

[30]
韩召迎, 孟亚利, 徐娇, 等. 区域农田生态系统碳足迹时空差异分析——以江苏省为案例[J]. 农业环境科学学报, 2012, 31(5):1034-1041.

[Han Z Y, Meng Y L, Xu J, et al. Temporal and spatial difference in carbon footprint of regional farmland ecosystem: Taking Jiangsu Province as a case[J]. Journal of Agro-Environment Science, 2012, 31(5):1034-1041.]

[31]
陈泮勤, 王效科, 王礼茂, 等. 中国陆地生态系统碳收支与增汇对策[M]. 北京: 科学出版社, 2008.

[Chen P Q, Wang X K, Wang L M, et al. Carbon budget and its sink promotion of terrestrial ecosystem in China[M]. Beijing: Science Press, 2008.]

[32]
吕立刚, 周生路, 周兵兵, 等. 区域发展过程中土地利用转型及其生态环境响应研究——以江苏省为例[J]. 地理科学, 2013, 33(12):1442-1449.

DOI

[Lu L G, Zhou S L, Zhou B B, et al. Land use transformation and its eco-environmental response in process of the regional development: A case study of Jiangsu Province[J]. Scientia Geographica Sinica, 2013, 33(12):1442-1449.] DOI:10.13249/j.cnki.sgs.2013.12.028

DOI

[33]
江苏省统计局. 江苏统计年鉴[M]. 北京: 中国统计出版社, 2016.

[Jiangsu Provincial Bureau of Statistics. Jiangsu Statistical Yearbook[M]. Beijing: China Statistics Press, 2016.]

[34]
江苏省统计局. 江苏统计年鉴[M]. 北京: 中国统计出版社, 2020.

[Jiangsu Provincial Bureau of Statistics. Jiangsu Statistical Yearbook[M]. Beijing: China Statistics Press, 2020.]

[35]
国家统计局. 中国能源统计年鉴[M]. 北京: 中国统计出版社, 2016.

[National Bureau of statistics. China Energy Statistical Yearbook[M]. Beijing: China Statistics Press, 2016.]

[36]
国家统计局. 中国能源统计年鉴[M]. 北京: 中国统计出版社, 2020.

[National Bureau of statistics. China Energy Statistical Yearbook[M]. Beijing: China Statistics Press, 2020.]

Options
Outlines

/

〈 〉