何海珊, 趙宇豪,2, 吳健生,2,*

1 北京大學(xué)城市規(guī)劃與設(shè)計(jì)學(xué)院,城市人居環(huán)境科學(xué)與技術(shù)重點(diǎn)實(shí)驗(yàn)室, 深圳 518055 2 北京大學(xué)城市與環(huán)境學(xué)院,地表過程與模擬教育部重點(diǎn)實(shí)驗(yàn)室, 北京 100871

氣候變化歷來是各國科學(xué)家和政府關(guān)注的全球性環(huán)境問題之一,全球氣候變化的主要表現(xiàn)為全球變暖[1]。如果不采取減排措施,到本世紀(jì)末,全球平均夏季溫度將會比工業(yè)化前高出4℃以上[2],亞洲的夏季溫度將會比工業(yè)化前增加6℃,而亞洲某些高緯度地區(qū)增溫將會高達(dá)8℃[3],并且增溫的趨勢不會減緩。全球溫度的持續(xù)升高導(dǎo)致了水資源匱乏[4]、海平面上升[5]、高溫?zé)崂薣6]和生物多樣性破壞[7]等一系列環(huán)境問題。全球變暖帶來的環(huán)境災(zāi)難,引起了國際間的強(qiáng)烈關(guān)注。1992年通過的《聯(lián)合國氣候變化框架公約》,要求通過控制溫室氣體的排放,來應(yīng)對全球氣候變暖給人類發(fā)展帶來的不利影響。為了人類免受氣候變暖的威脅,2005年正式生效的《京都議定書》,要求發(fā)達(dá)國家和發(fā)展中國家分別從2005年和2012年起開始承擔(dān)減少碳排放量的義務(wù)。2016年正式簽署的《巴黎協(xié)定》為2020年后全球應(yīng)對氣候變化行動做出安排。同時,聯(lián)合國可持續(xù)發(fā)展目標(biāo)SDGs中的SDG13氣候行動,明確表示到2030年投資2—4萬億美元,用于促進(jìn)減排措施和應(yīng)對災(zāi)害風(fēng)險。為了實(shí)現(xiàn)和完成低碳減排的目標(biāo)和任務(wù),優(yōu)化土地利用結(jié)構(gòu),使之實(shí)現(xiàn)最大化的碳儲存和最小化的碳排放,對全球碳水平降低起著舉足輕重的作用。

目前土地碳排放計(jì)算方法可總結(jié)為3種,分別是實(shí)驗(yàn)法、能源法和生命周期法。實(shí)驗(yàn)法是用整體或抽樣的方法實(shí)地測算特定區(qū)域內(nèi)二氧化碳排放源的污染濃度和排放流量,這兩者的乘積即為二氧化碳排放量[8- 15]。能源法是指基于溫室氣體清單計(jì)算的碳排放,其主要的標(biāo)準(zhǔn)和協(xié)議分別是政府間氣候變化專門委員會 (IPCC) 的技術(shù)報告和方法指南以及世界資源研究所(WRI)和世界可持續(xù)發(fā)展工商理事會(WBCSD)的溫室氣體議定書(GHG Protocol)[16- 18]。盡管全球城市都存在一些報告、登記和交易排放量的計(jì)劃,但它們主要基于IPCC指南和溫室氣體協(xié)議的標(biāo)準(zhǔn)和協(xié)議。生命周期法不僅考慮生產(chǎn)鏈中的直接消耗,還考慮廢品循環(huán)利用的碳能源儲存與轉(zhuǎn)換,從產(chǎn)品的最初生產(chǎn)到最終消費(fèi)的整個生命周期過程中所產(chǎn)生的碳消耗量、損失量、積累量、轉(zhuǎn)換量都需納入計(jì)算內(nèi)[19- 20]。如ICLEI(倡導(dǎo)地區(qū)可持續(xù)發(fā)展國際理事會)、UN/WB(聯(lián)合國環(huán)境署、聯(lián)合國人居署和世界銀行)、EC-CoM(與歐盟委員會市長公約)等均將基礎(chǔ)設(shè)施、燃料和車輛碳循環(huán)過程納入生命周期法計(jì)算中。本研究基于IPCC框架采用能源法計(jì)算深圳市建設(shè)用地碳排放,基于實(shí)驗(yàn)法借鑒深圳市或其附近地區(qū)的碳排放系數(shù)研究文獻(xiàn)獲取耕地、園地、林地、草地、水域和未利用地的碳排放。而土地利用變化結(jié)構(gòu)模擬的研究主要集中在兩個方面。第一個方面是對土地利用的數(shù)量結(jié)構(gòu)進(jìn)行模擬預(yù)測。如裴亮等[21]基于馬爾可夫模型預(yù)測了大凌河流域未來近10年的土地利用情況,并對其變化趨勢進(jìn)行了分析。趙小汎等[22]運(yùn)用灰色預(yù)測模型探究了江西省新建縣各個土地利用類型在數(shù)量上的變化趨勢。付玲等[23]采用BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建城市增長邊界模型(UGBM),預(yù)測了北京市2020年的城市增長邊界。許月卿等[24]構(gòu)建基于Logistic回歸模型的土地利用變化空間驅(qū)動力模型,分析了張家口市土地利用變化的時空特征,并對未來建設(shè)用地空間格局進(jìn)行模擬和預(yù)測。Han等[25]基于多目標(biāo)線性模型,預(yù)測了不同優(yōu)化情況下2020年和2025年的深圳市土地利用數(shù)量結(jié)構(gòu)。第二個方面是對土地利用的空間結(jié)構(gòu)進(jìn)行模擬。如陳寶芬等[26]利用CA和多智能體(ABM)分析了福州市為2000年、2005年、2010年、2015年城市用地擴(kuò)張?jiān)谖⒂^格局上的變化。馬冰瀅等[27]基于CLUE-S模型,模擬了2025年京津冀城市群在“生態(tài)保護(hù)”、“統(tǒng)籌兼顧”、“糧食安全”和“經(jīng)濟(jì)發(fā)展”4種土地利用情景下的土地利用空間配置格局。Mohammady等[28]基于CLUE-S模型預(yù)測了伊朗巴格薩里亞流域2030年的土地利用結(jié)構(gòu)。此外,還有些學(xué)者基于GEOMOD模型[29]、AGENT模型[30]等對各類土地進(jìn)行空間結(jié)構(gòu)模擬。

然而,上述的大部分研究在運(yùn)用模型時,往往將各土地利用類型的轉(zhuǎn)換概率單獨(dú)進(jìn)行訓(xùn)練和估算,忽略了土地利用類型與多種驅(qū)動因子之間的模糊和不確定關(guān)系,從而導(dǎo)致在計(jì)算土地利用類型的轉(zhuǎn)換概率時往往會產(chǎn)生一部分不可避免的誤差。而Liang等[31]提出的FLUS(Future Land-Use Simulation)模型可以較好的解決上述問題。FLUS模型是在系統(tǒng)動力學(xué)模型和元胞自動機(jī)模型的基礎(chǔ)上整合人工神經(jīng)網(wǎng)絡(luò)選擇機(jī)制建立的,人工神經(jīng)網(wǎng)絡(luò)是一種用來繪制歷史土地利用與土地利用之間的復(fù)雜非線性關(guān)系的有效方法,比傳統(tǒng)的Logistics回歸[32- 33]等方法更加能夠展現(xiàn)出各個驅(qū)動因子與各個土地利用類型的關(guān)系,能夠有效地處理各種土地利用類型相互轉(zhuǎn)換的不確定性和復(fù)雜性。FLUS模型不僅能夠處理復(fù)雜的土地利用變化[34],還能夠明確模擬各類土地利用增長的長期空間軌跡[31],因此近期在土地利用模擬方面受到了廣泛關(guān)注。如Li等[35]使用FLUS模型得出的全國土地利用變化數(shù)據(jù),評估氣候極端事件對蒙古高原植被的影響。Feng等[36]利用該模型模擬了寧波地區(qū)海平面上升的情景,并評價了該地區(qū)未來的區(qū)域環(huán)境風(fēng)險。Liang等[31]和吳欣昕等[37]則耦合了UGN模型與FLUS模型,分別評價了珠江三角洲不同發(fā)展情景下城市邊界的變化,為城市規(guī)劃提供了建議。

深圳市是我國改革開放的先行區(qū)域,也是粵港澳大灣區(qū)的核心引擎和中國特色社會主義先行示范區(qū)。2018年末,深圳市GDP 達(dá)到24221.98萬億,超越香港,在粵港澳大灣區(qū)中排名第一。但是,隨著城市化的飛速發(fā)展和經(jīng)濟(jì)的迅猛提高,深圳市的碳排放量迅猛增長[38],不利于深圳市的可持續(xù)發(fā)展。故而,深圳市亟需找到土地利用結(jié)構(gòu)與低碳排放之間的合理平衡點(diǎn)并相應(yīng)增大其生態(tài)效應(yīng),同時,以深圳市為例,不僅可以為深圳的可持續(xù)發(fā)展和低碳城市試點(diǎn)工作提供依據(jù),對其余地區(qū)也有著引領(lǐng)和示范作用。因此,本文基于土地利用政策及2020年土地利用現(xiàn)狀估算出深圳市2020年碳匯最大化情景和碳排放量最小化情景下各個土地利用類型的數(shù)量結(jié)構(gòu),其次運(yùn)用FLUS模型對土地利用結(jié)構(gòu)進(jìn)行空間上的模擬研究,并對比它們之間的土地覆被差異,以期為深圳的低碳發(fā)展提供規(guī)劃建議,同時給其他區(qū)域的低碳規(guī)劃提供參考意見。

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域

深圳市是我國第一個經(jīng)濟(jì)特區(qū),是中國改革開放的窗口。在中國的制度創(chuàng)新、擴(kuò)大開放等方面肩負(fù)著試驗(yàn)和示范的重要使命。其位于廣東省的南部沿海地區(qū)(113°46′—114°37′E,22°27′—22°52′N),總面積1997.47 km2,下轄福田區(qū)、羅湖區(qū)、南山區(qū)、鹽田區(qū)、寶安區(qū)、龍崗區(qū)、坪山區(qū)、龍華區(qū)、光明區(qū)和大鵬新區(qū)(圖1)。屬南亞熱帶海洋性季風(fēng)氣候,年均溫約23.1 ℃,多年平均降雨量1935.5 mm。

1.2 數(shù)據(jù)來源

1.2.1土地利用結(jié)構(gòu)因子

根據(jù)相關(guān)研究結(jié)果[39- 40],尋找影響土地利用變化的因子應(yīng)符合以下幾個原則:(1)數(shù)據(jù)的可獲得性；(2)數(shù)據(jù)的可定量化；(3)在深圳市內(nèi)存在空間異質(zhì)性,即尋找的驅(qū)動因子不應(yīng)該在研究區(qū)內(nèi)存在空間一致性；(4)與深圳市土地利用變化結(jié)構(gòu)具有較大的關(guān)聯(lián)性；(5)自然因子和社會經(jīng)濟(jì)因子要同時考慮。本文選取了13個驅(qū)動因子,分別是深圳市的高程、坡度、坡向、與河流的距離、與海岸線距離、與區(qū)中心的距離、與城市中心的距離、與高速公路的距離、與國道的距離、與省道的距離、與鐵路的距離、常住人口密度、GDP密度,其具體的數(shù)據(jù)來源和說明如表1所示。

表1 數(shù)據(jù)來源

1.2.2碳密度與碳排放

(1)各土地利用類型的碳密度

各土地利用類型的碳密度均來源于四大基本碳庫,分別為地上生物量、地下生物量、土壤和死亡有機(jī)質(zhì)碳庫[41- 42]。計(jì)算公式為:

Ctotal=Cabove+Cbelow+Csoil+Cdead

(1)

式中,Ctotal為總碳存儲量；Cabove為地上部分碳存儲量；Cbelow為地下部分碳存儲量；Csoil為土壤碳存儲量；Cdead為死亡有機(jī)碳存儲量。

四大碳庫碳密度數(shù)據(jù)主要來源于已有研究。地上部分碳密度數(shù)據(jù)主要參考方精云等[43]、譚一凡等[44]和Li等[45]的研究成果。地下部分碳密度和死亡有機(jī)碳密度,通過國內(nèi)外文獻(xiàn)中相關(guān)土地覆被類型地上部分生物量(碳)密度與地下部分生物量(碳)密度、死亡生物量(碳)密度比例系數(shù)以及生物量-碳轉(zhuǎn)換系數(shù)[43,46- 47]換算得到的。土壤碳密度主要參考劉紀(jì)元等[48]、譚一凡等[44]、Li等[45]和IPCC[1]的研究成果。需要說明的是,雖然城市建設(shè)用地并非完全沒有碳存儲,但Golubiewski[49]指出高度城市化區(qū)域碳儲量幾乎可以忽略,因此在模型中將其各碳庫碳密度設(shè)置為0。另外,根據(jù)陶瑩慧等[50]的計(jì)算方式,得出園地的碳密度。各土地利用覆被類型的碳密度,結(jié)果如表2所示。

表2 深圳市各個土地利用類型的碳密度

(2)各土地利用類型的碳排放系數(shù)

碳排放系數(shù)來源于深圳市及其周邊地區(qū)的研究結(jié)果,對上述結(jié)果取算數(shù)平均數(shù)可以減少單一誤差給研究結(jié)果帶來的負(fù)面影響。具體的數(shù)據(jù)及其文獻(xiàn)來源如表3所示。

表3 各土地利用類型的碳排放系數(shù)及其文獻(xiàn)來源

建設(shè)用地碳排放系數(shù)的計(jì)算是基于間接估算法[53- 54],其碳排放主要來源于九種生產(chǎn)生活所需的能源,包括原油、原煤、汽油、柴油、燃料油、煤油、天然氣、液化石油氣和電力[55],各種化石能源標(biāo)準(zhǔn)煤轉(zhuǎn)化系數(shù)和對應(yīng)的碳排放系數(shù)分別參考《中國能源統(tǒng)計(jì)年鑒》和IPCC《國家溫室氣體排放清單指南》,2005—2010年深圳市每年的能源消耗總量參照《深圳市統(tǒng)計(jì)年鑒》,最終計(jì)算出深圳市建設(shè)用地的碳排放系數(shù)為159.38 t/hm2。

2 研究方法

2.1 情景設(shè)置

基于深圳市各土地利用類型的碳密度和碳排放系數(shù),分別構(gòu)建碳匯最大化和碳排放最小化情景下的土地利用結(jié)構(gòu)模型。按照《深圳市土地利用總體規(guī)劃(2006—2020年)》、《深圳市國民經(jīng)濟(jì)和社會發(fā)展第十三個五年規(guī)劃綱要》、《深圳市統(tǒng)計(jì)年鑒》和《廣東省統(tǒng)計(jì)年鑒》等關(guān)于深圳市用地規(guī)模的發(fā)展限制,對其設(shè)置了相應(yīng)的約束條件。利用LINGO軟件對模型進(jìn)行求解,最后得到兩種情景下的耕地(X1)、園地(X2)、林地(X3)、草地(X4)、水域(X5)、建設(shè)用地(X6)和未利用地(X7)7種土地利用類型的面積。為了能夠計(jì)算出碳匯最大化和碳排放量最小化情景下的各土地利用類型的面積,設(shè)置以下約束條件:(1)總面積約束。深圳市面積為199769公頃,各土地利用類型的總和保持不變；(2)各種土地利用類型的面積約束。根據(jù)各土地利用類型在2020年的存量以及《深圳市土地利用總體規(guī)劃(2006—2020年)》中規(guī)劃2020年的各土地利用類型的規(guī)劃面積對其進(jìn)行約束。按照表2可以構(gòu)建出基于碳匯最大化和碳排放量最小化情景下的目標(biāo)函數(shù)。其中,碳匯最大化的目標(biāo)函數(shù)和碳排放量最小化的目標(biāo)函數(shù)分別為式(2)和式(3):

Max(Z)=26.3X1+16.41X2+0×X3+0×X4+0×X5+17.97X6+137.26X7

(2)

Min(Z)=-7.44X1+2.7X2-0.15X3+159.38X4-0.005X5-0.165X6-25.9X7

(3)

2.2 FLUS模型

元胞自動機(jī)(CA)被定義為一個離散的動力學(xué)模型,由個體之間局部的行為演化出時間與空間上全局的變化模式[56],CA模型被廣泛的應(yīng)用于土地利用變化的預(yù)測和模擬,而FLUS模型(http://www.geosimulation.cn/flus.html)是基于改進(jìn)后的CA模型。由Liu等[57]聯(lián)合制作出來的能夠預(yù)測土地利用結(jié)構(gòu)在空間上分布狀況的預(yù)測模型。FLUS中CA的分配方法分兩步實(shí)施:首先,使用人工神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練和估計(jì)特定網(wǎng)格單元上城市土地的發(fā)生概率表面；其次,設(shè)計(jì)的自適應(yīng)慣性和競爭機(jī)制地址各個土地利用類型之間的競爭和相互作用[31,37,57]。

2.3.1FLUS模型尺度選擇

研究尺度是地理學(xué)研究的核心問題之一,因此選擇合適的研究尺度十分關(guān)鍵。首先,分別基于100 m、200 m、300 m、400 m、500 m、600 m、700 m、800 m、900 m和1000 m的柵格尺度下,利用FLUS模型中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊分別生成7種土地利用類型與驅(qū)動因子之間的發(fā)生概率。其次,用SPSS中的ROC Curve工具分別計(jì)算不同精度下各土地利用類型的AUC(Area Under Curve)值。從結(jié)果可知,100 m精度下土地利用類型的AUC平均值(0.82)最大,說明該分辨率下所選驅(qū)動因子對各土地利用類型都具有良好的解釋能力。因此,將土地利用變化驅(qū)動因子和深圳市土地利用變化的柵格圖層設(shè)置成100 m×100 m的分辨率。

2.3.2FLUS模型精度驗(yàn)證

以2010年深圳市土地利用現(xiàn)狀為初始圖層,模擬2015年深圳市土地利用情況,并以深圳市實(shí)際土地利用情況為標(biāo)準(zhǔn),用Kappa系數(shù)對預(yù)測結(jié)果進(jìn)行檢驗(yàn),結(jié)果見圖2。最終Kappa系數(shù)為0.90,總體精度為93%,說明基于FLUS模型對深圳市2015年土地利用結(jié)構(gòu)的模擬結(jié)果理想,可用于模擬未來土地利用變化的研究。

圖2 2010、2015年土地利用現(xiàn)狀圖和2015年土地利用模擬圖Fig.2 Land-use map of 2010 and 2015 with the simulation result of 2015

3 結(jié)果與分析

3.1 不同情景下的面積數(shù)量結(jié)構(gòu)分析

表4為碳匯最大化情景、碳排放最小化情景和2020年現(xiàn)狀的土地利用數(shù)量結(jié)構(gòu)。由表4可知,碳匯最大化情景和碳排放最小化情景的土地利用總碳盈余均比2020年少,且碳匯最大化情景的土地利用總碳盈余最大。具體分析如下,與2020年相比,碳匯最大化情景下耕地、園地和林地面積的增加來源于水域和建設(shè)用地的減少,其碳存儲增加了1.34×105t,碳排放量則減少了1.23×105t,總碳盈余少了2.57×105t。而碳匯最大化情景下園地和林地面積增加來源于草地、水域和建設(shè)用地的減少,其碳存儲增加了1.05×105t,碳排放量則減少了1.25×105t,總碳盈余少了2.29×105t。兩種情景相比,碳匯最大化情景下耕地和草地面積增加,水域有所減少,其碳存儲與碳排放最小化情景相比增加了2.97×104t,碳排放量也增加了2.07×103t,而總碳盈余少了2.57×105t。綜合可知碳匯最大化情景的土地利用結(jié)構(gòu)效果更佳。

表4 基于碳匯最大化和碳排放最小化情景的深圳市土地利用結(jié)構(gòu)

3.2 低碳情景下的土地利用空間模擬

圖3 低碳情景下的2020年土地利用結(jié)構(gòu)模擬Fig.3 Land use structure simulation in 2020 under low carbon scenario

碳匯最大化和碳排放最小化情景的土地利用空間模擬結(jié)果如圖3所示?？傮w來看兩種情景與2020年現(xiàn)狀結(jié)構(gòu)同中有異。與2020年相比,相同點(diǎn)是兩種情景下建設(shè)用地均主要位于深圳市的西部、中部和東北部,園地、林地和草地主要位于東南部和中部。區(qū)別主要有以下幾個方面:從耕地的空間分布上來看,2020年深圳市東南部有少許的水域和零散的未利用地轉(zhuǎn)成兩種低碳情景下的耕地,而其他農(nóng)用地并未轉(zhuǎn)為耕地,這跟深圳市的生態(tài)保護(hù)線、耕地保有量政策和退耕還林政策有一定的關(guān)系。從園地的空間分布上來看,2020年西北部和東南部有少許的耕地、林地、草地和水域轉(zhuǎn)變?yōu)閮煞N情景下的園地,中部也有少許的建設(shè)用地轉(zhuǎn)為園地。對于林地來說,主要是零散的園地轉(zhuǎn)為林地,還有少許的耕地、草地、水域和未利用地轉(zhuǎn)為林地。從水域的空間分布上來看,沒有其他用地轉(zhuǎn)為水域,其在2020年的空間分布基礎(chǔ)上有少許的縮減。從建設(shè)用地的空間分布上看,其所占的面積百分比依舊最大,深圳市中部的其他6種土地利用類型或多或少轉(zhuǎn)為建設(shè)用地。從未利用地的空間分布上來看,2020年僅有少許的水域轉(zhuǎn)為兩種情景下的未利用地。在深圳市西部有少量的水域和耕地轉(zhuǎn)為草地,而在深圳市東部則有少量的園地轉(zhuǎn)為草地。

3.3 各情景之間的土地利用結(jié)構(gòu)及其碳密度和碳排放之間的差異分析

碳匯最大化情景、碳排放最小化情景、2020年現(xiàn)狀互相之間的差異部分在數(shù)量上存在顯著差別,而兩種情景間的土地利用結(jié)構(gòu)差異部分在數(shù)量上不存在顯著差別。兩種低碳情景與2020年的差異部分主要是林地和建設(shè)用地,兩種低碳情景的差異部分主要是園地和草地。

圖4為兩種低碳情景和2020年現(xiàn)狀相互之間的土地利用結(jié)構(gòu)差異部分的碳密度和碳排放量及其對應(yīng)的土地利用結(jié)構(gòu)占比。由下圖可知,碳匯最大化和碳排放最小化情景相比于2020年其碳密度不變區(qū)域、增加區(qū)域和減少區(qū)域面積均近乎為8∶1∶1,而碳排放量不變區(qū)域、增加區(qū)域和減少區(qū)域面積近乎10∶1∶1,但這兩種低碳情景相比,碳匯最大化情景下碳密度不變區(qū)和碳排放量減少區(qū)面積均比碳排放量最小化情景多1%。具體分析如下,與2020年相比,碳匯最大化和碳排放最小化情景下碳密度不變區(qū)和碳排放量不變區(qū)面積分別均占82%和79%,碳密度增加區(qū)和碳密度減少區(qū)分別均占10%和占8%,碳排放量增加區(qū)域占8%,減少區(qū)域則分別占12%和13%。兩種低碳情景相比,碳匯最大化情景下碳密度和碳排放不變區(qū)域分別比碳排放最小化情景多和少1%,碳密度和碳排放增加區(qū)域均占2%,碳排放減少區(qū)域比碳密度增加區(qū)域多1%。

兩種低碳情景與2020年現(xiàn)狀相比,建設(shè)用地和林地基數(shù)大是導(dǎo)致碳匯最大化和碳排放最小化情景下碳密度和碳排放量不變區(qū)域占比多的主要原因,同時其略微的擴(kuò)張和縮減又是引起碳密度變化和碳排放量變化的關(guān)鍵原因。而園地和草地的縮減和擴(kuò)張是引起兩種低碳情景碳密度和碳排放量有差異的主要原因。具體分析如下,與2020年相比,碳密度最大化和碳排放最小化情景中碳密度和碳排放量不變區(qū)域中均為建設(shè)用地最多,其次是林地；碳密度最大化情景下碳密度增加區(qū)和碳排放最小化情景下碳排放量減少區(qū)中均為林地占地面積最大,相反,碳密度最大化情景減少區(qū)域和碳排放最大化情景增加區(qū)域均為建設(shè)用地面積占比最多。兩種低碳情景相比,碳密度和碳排放不變區(qū)域均為未利用地占地面積最多,碳密度增加區(qū)域和碳排放減少區(qū)域均為草地占比最多,碳密度減少區(qū)域和碳排放量增加區(qū)域均為園地面積占比最大。

圖4 土地利用差異部分的碳密度和碳排放結(jié)構(gòu)及其相應(yīng)土地利用結(jié)構(gòu)Fig.4 The carbon density and carbon emission structure of the land use and the corresponding land use structure

圖5呈現(xiàn)了兩種低碳情景和2020年現(xiàn)狀相互之間碳密度和碳排放差異結(jié)構(gòu)。由圖5可知,碳匯最大化和碳排放最小化情景下,深圳市西部和東南部主要是碳密度增加和碳排放減少的區(qū)域,而中部是碳密度減少和碳排放增加的區(qū)域。具體分析如下,與2020年相比,碳匯最大化情景和碳排放最小化情景的明顯差別在于碳密度增加區(qū)域和碳排放減少區(qū)域主要位于東部和西部,而碳密度減少區(qū)域和碳排放增加區(qū)域主要位于中部。對于兩種低碳情景來說,碳密度增加區(qū)域和碳排放減少區(qū)域主要位于西南部,而碳密度減少區(qū)域和碳排放增加區(qū)域主要位于中部。

圖5 土地利用差異部分的空間結(jié)構(gòu)Fig.5 Spatial structure of land use difference

4 討論

深圳市在2010—2020年的土地總碳盈余持續(xù)增加,其原因在于碳源的增加速度遠(yuǎn)大于碳匯的增加速度。林地、草地和園地作為生態(tài)系統(tǒng)中的碳匯主力軍,其碳匯能力并沒有在這五年間有所增加。相反,耕地的面積有所增加,也為整個生態(tài)系統(tǒng)增加了少量的碳存儲空間[58]。從碳源的角度來看,建設(shè)用地[59]和耕地[60]作為生態(tài)系統(tǒng)中的碳源重大貢獻(xiàn)者,在這五年間其面積都有所增加,碳排放量也不斷增加。

在選擇深圳市的土地利用驅(qū)動因子,相關(guān)研究表明坡度[39,61- 62]、坡向[61]、高程[39,62]對土地利用有限制性作用；距河流的距離對深圳市的土地利用結(jié)構(gòu)也有一定的影響,因?yàn)樗Y源對于工業(yè)、農(nóng)業(yè)布局有重要影響[61- 63]；鐵路[62]、高速公路[62]、一級道路和二級道路[63]等交通分布情況同樣對深圳市的土地利用有影響；社會經(jīng)濟(jì)因素中的人均GDP和人口密度對深圳市的土地利用情況也有舉足輕重的作用,其中人口密度對土地利用方式有直接的影響[39,61,63],而人均GDP體現(xiàn)區(qū)域經(jīng)濟(jì)水平, 間接影響土地利用狀況[39,61]。張津等表示深圳市的土地利用結(jié)構(gòu)還受到距海岸線距離、距深港帶距離有關(guān),深圳是沿海港口城市, 海洋影響土地的用途,而香港作為國際大都市, 對深圳有影響, 特別是對深圳的二、三產(chǎn)業(yè)有重大影響, 間接影響土地利用[61]。同時,對于深圳市的政府性區(qū)域規(guī)劃難以用數(shù)據(jù)量化將其納入影響土地利用變化的驅(qū)動型因素,預(yù)測出的土地利用結(jié)構(gòu)難免與現(xiàn)實(shí)有些許差別。因此如何完善驅(qū)動因子來提高預(yù)測的精度是本文需要進(jìn)一步探索的地方。在本研究中,各因子對土地利用結(jié)構(gòu)的轉(zhuǎn)換概率如圖6所示。高程和坡度是影響耕地、園地和林地擴(kuò)張或縮減的主要原因,且高程和坡度越小,耕地擴(kuò)張的概率越大,而園地和林地縮減的概率越大。與市中心、海岸線的距離是影響草擴(kuò)張或縮減的關(guān)鍵因子,與市中心距離越大、與海岸線距離越小,草地擴(kuò)張的概率就越大；對于水域,本文涉及的因子均對其擴(kuò)張概率產(chǎn)生負(fù)向影響,其中坡度對其影響最大；GDP和人口密度對建設(shè)用地和未利用的擴(kuò)張均有積極作用,與海岸線的距離也對未利用地的擴(kuò)張有積極作用。因此在未來土地利用規(guī)劃中為了低碳情景,需要時刻關(guān)注生態(tài)用地和城市用地的平衡化,就要注重人口密度和GDP、自然因子合理分布的意義。

圖6 各因子對各土地利用類型的影響概率及其正負(fù)方向Fig.6 The probability of impact of impact factors on land use types and its positive and negative directions紅圈為正向影響,籃圈為負(fù)向影響,面積越大則表示其轉(zhuǎn)為其他土地利用類型的概率越大

需要指出的是,本研究僅使用土地利用類型計(jì)算碳排放量和碳儲量,其與實(shí)際值可能具有一定的差距,僅具有相對意義,但本文的主要目的是以土地碳匯、碳排放量和總碳盈余為指標(biāo)突出土地的生態(tài)功能,重點(diǎn)在于對比各土地利用類型或各情景下土地的碳量差異,以提出對應(yīng)建議。同時,本文將2010—2015年的土地利用數(shù)據(jù)和驅(qū)動因子作為預(yù)測2020年碳匯最大化和碳排放最小化情景下的土地利用結(jié)構(gòu),但是由于數(shù)據(jù)可獲得性的制約和限制,不能預(yù)測出更遠(yuǎn)的、甚至更加長久的深圳市不同情景下的土地利用變化結(jié)構(gòu)。因此如何利用已有的數(shù)據(jù)或者獲取更多有用的數(shù)據(jù)來分析和反演更加長久的深圳市土地利用變化結(jié)構(gòu)是本文下一步需要突破的關(guān)鍵點(diǎn)。其次,文章給出的兩種假設(shè)情景實(shí)際上為比較理想的情景假設(shè),面向更加復(fù)雜的現(xiàn)實(shí)發(fā)展,如何在中和與發(fā)展之間求取平衡,即碳匯和碳排放達(dá)到合理配置的狀態(tài),營造更多的中間情景,是下一步需要重點(diǎn)關(guān)注的方向。

5 結(jié)論

(1)碳匯最大化和碳排放最小化情景下土地利用總碳盈余均比2020年少,且碳匯最大化情景下土地利用總碳盈余最小。兩種低碳情景下建設(shè)用地均主要位于深圳市的西部、中部和東北部,園地、林地和草地主要位于東南部和中部。碳匯最大化情景下耕地、園地和林地面積增加而水域和建設(shè)用地減少,碳排放最小化情景下園地和林地面積增加來源于草地、水域和建設(shè)用地的減少,這兩種低碳情景的碳匯能力增強(qiáng)而碳排放量減少。

(2)碳匯最大化與碳排放最小化情景與2020年現(xiàn)狀差異部分在數(shù)量上存在顯著差別,而兩種低碳情景下土地利用結(jié)構(gòu)差異部分在數(shù)量上存在的差別較小。前者的差異部分主要是林地和建設(shè)用地,后者的差異部分主要是園地和草地。與2020年相比,這兩種情景的主要碳源(建設(shè)用地)在空間上的分布都沒有增加,最明顯的變化是林地增加,且多位于深圳市東南邊緣區(qū)域和中部零星分布的區(qū)域。對比這兩種情景,碳排放最小化情景下土地利用總碳盈余比碳匯最大化情景大,它們的差異部分在于后者在東西方向多分布的是草地和園地。碳匯最大化和碳排放最小化情景下,西部和東南部主要是碳密度增加和碳排放減少的區(qū)域,而中部是碳密度減少和碳排放增加的區(qū)域。因此對中部區(qū)域進(jìn)行重點(diǎn)調(diào)控,有利于深圳市碳中和和碳達(dá)峰的實(shí)現(xiàn)。