原始研究的文章

前面。生态。另一个星球。,02June 2023
秒。城市生态学
卷11 - 2023 | https://doi.org/10.3389/fevo.2023.1169427

碳排放的时空特征和封存的陆地生态系统及其驱动因素在中国大陆352县行政区划的案例研究

靖远县林,

郭先生,

Jiayan李

明邵 ^*和

彭么^*

学校的景观和建筑,北京林业大学,北京,中国

作品简介:全球气候变化,人类活动的增加,突出生态问题导致不均匀量化和空间分布的陆地生态系统的碳排放和封存。这样的不均匀分布会导致更多的负面影响自然环境和人类的生活条件。

方法:因此,基于碳中和政策,我们进行了地理加权回归(吉尼斯世界纪录)建模在这项研究中使用面板数据从352年2000年中国地方行政区划,2005年、2010年和2017年,分析和确定影响因子及其空间分布的陆地生态系统碳排放和封存。

结果:我们的研究结果表明,总人口(TP),人均国内生产总值(GDP) (PCG),第二产业产出的比例(PSIO),城市建筑面积规模(子),在城市绿地的比例(GSP),归一化植被指数(NDVI)和温度(TEM)驱动因素是碳汇和碳排放。这些驱动因素的空间分布在中国大陆是:(1)TP呈负相关,碳排放在大多数地区,虽然表现出正相关,碳封存在南部,西南,和西方的中国西北地区;然而,在其它的任何地方,与碳封存TP呈负相关;(2)PCG呈正相关,中国大部分地区的碳排放和碳封存在西南、南部,中部、东北;然而,PCG表现出负相关在其余地区碳封存;(3)PSIO和子呈现正相关碳排放和碳封存在大多数地区的负相关;(3)相反,GSP呈负相关碳排放和碳封存在大多数地区的正相关;(5)归一化植被指数呈负相关,碳排放和碳封存在大多数地区的东边“Heihe-Tengchong线”;归一化植被指数呈正相关碳排放和向这条线的西方封存;(6)TEM呈正相关,在中国的大部分地区碳排放和封存。

讨论:基于这些结果,我们进一步把中国城市分为6组:(1)组1,2,3,6地区碳排放和碳封存由自然生态和社会经济因素。碳排放和碳汇的主要驱动因素在组1 PSIO, GSP,和归一化植被指数;组2的驱动因素是子和归一化植被指数。与此同时,碳排放和封存在3组由PCG, GSP,和归一化植被指数;组6、碳排放和封存由PCG控制,接头,GSP,和归一化植被指数;(2)集团4代表地区碳排放和封存多半以PCG和子的影响,从而使社会经济因素为最主要的驱动力。组5代表地区碳排放和封存对自然环境敏感,GSP和归一化植被指数是驱动因素。考虑不均匀分布的碳封存和发射不同驱动因素在中国的不同地区,我们提供指导未来的环保政策,旨在减少碳封存和排放的不均匀分布在不同的地区实现碳中和。

1。介绍

陆地生态系统碳排放和封存的是最重要的组件在全球碳循环(马修斯和基思,2007年;郝et al ., 2015;凯勒et al ., 2018)。最近,越来越多的人类活动和能量消耗,二氧化碳(有限公司₂)产量显著增加(Ohara et al ., 2007)。有限公司₂排放会引起一些环境问题如全球变暖,冰川退缩,和海平面上升(斯特罗伊夫et al ., 2007;所罗门et al ., 2009)。虽然降低能耗证明有效地减少碳排放,陆地生态系统发挥重要作用在固定碳(黄y . et al ., 2022)。全球陆地生态系统的固碳率自1980年代以来,已显示出增加趋势和陆地生态系统抵消全球碳排放量的41% 21世纪的开始(Friedlingstein et al ., 2020)。森林固碳(至关重要方et al ., 2018;唐et al ., 2018);然而,随着经济的发展和城市化,一些森林被扰动,从而显示减少的碳汇能力。一起增加有限公司₂排放,碳污染物的分布开始变得不均匀量化和空间。减少这样的不均匀分布,碳中和政策被提升在很多国家包括中国(马et al ., 2021;鼠尾草et al ., 2021;Majava et al ., 2022)。根据世界资源研究所(WRI), 2019年中国的碳排放总量为12.06 Gt,占全球碳排放总量的24.23%。因此,在第75届联合国大会,中国政府提出,中国到2030年将碳排放达到峰值,到2060年达到碳中和平衡碳排放和碳封存(Mallapaty 2020)。因此,研究集中在碳排放的驱动因素和封存和中国城市分类迫切需要解决环境问题以及促进可持续发展的中国。

面对严重的碳平衡问题,早期治疗主要从减少有限公司²到大气中(菲格罗亚et al ., 2008;Meinshausen et al ., 2009),达到减少碳排放的目的,增加碳封存通过控制碳排放量高的行业的发展,提高绿色空间和绿色基础设施(Gartner, 2004;Niemela et al ., 2010;Artz et al ., 2018)。然而,这些治疗方法不能有效解决碳排放和碳封存的失衡,陆地植被在不同地区(张p . et al ., 2018),我们不确定其空间特征的形成的基本原因。城市相互影响(Ben-Zadok 2008)、区域融合将导致附近城市到大都市的发展,因为它们共享相同的特征(方和Yu, 2017年)。这要求我们分析碳排放的驱动因素在每个城市和陆地植被碳封存,以区分和确定每个城市的特点和类型。它允许我们提出管理策略对城市在国家层面上解决根本原因。

正如上面提到的,增加的碳排放和碳封存的减少由陆地植被的增加大气CO的两个重要的原因²。在社会经济方面,之前的研究表明,碳排放主要是由于增加能源消耗,加速城市化和产业结构的变化。例如,张和Da (2015)使用一个LMDI对数平均本指数显示,经济增长方式,能源强度和结构是碳排放的驱动因素。王z . et al。(2012)应用STIRPAT模型证明有限公司₂排放在北京受城市化和第三产业。此外,董et al . (2018)表明,单位国内生产总值碳排放(CEI)可以减少通过改进技术和提高城市化。在自然生态方面,一些研究已经表明,城市的扩张和气候变化倾向于削弱陆地生态系统的固碳能力,从而导致增加了大气中二氧化碳排放量以有限公司的形式₂(瓦尔德et al ., 2012)。杨y . et al。(2022)证明气候变化、土地覆盖、修复和恢复生态系统的驱动因素是中国陆地生态系统碳封存。小et al。(2013)和朴et al。(2012)发现有限公司₂空气中浓度是由温度、降水、和生长季节的长度;这是因为这些因素可以控制陆地植被及其固碳能力。尽管一些研究集中在碳排放和封存,这两个过程一直是单独研究。此外,影响碳排放的驱动因素,封存,及其空间分布不均一直被忽视(陈et al ., 2020 a)。

过去,研究碳排放和碳封存在地市级和城市层面主要集中在当地的中国(王z . et al ., 2012),而国家的研究主要集中在省级(董et al ., 2018)。因此,在这项研究中,我们提高了本研究的数据粒度在全州行政级别提高结果的准确性。此外,我们收集的数据来自中国大陆与碳排放有关,碳封存和潜在的社会经济和生态因素。通过分析数据的22个潜在的碳排放驱动因素和碳封存收集从352年地市级行政区域在中国,我们确定的因素影响碳排放和封存。此外,我们还分析了潜在的原因和封存碳排放的空间分布不均匀。最后,我们352个地区分类成不同的类别根据其碳排放的主要驱动因素和封存,同时找出背后的原因他们的空间分布不均匀。我们的研究是第一个研究碳排放的驱动因素和封存。我们相信,这项研究可以为未来政策发展提供指导来减少碳排放和加强在陆地生态系统固碳,和清晰的城市可以作为分组依据每个城市制定碳减排政策。

2。材料和方法

2.1。研究区域

研究覆盖面积352一级行政区域和一些县在省级政府在中国。然而,由于数据不能用于香港、澳门、台湾、西藏、海南和三县(Qiongzhong黎族和苗族自治县、保亭黎族和苗族自治县、岭和萨沙郡),这些地区并没有被认为是在这项研究中。每个部门所示信息图1(揣et al ., 2012)。

图1

图1。研究区位置和分区352行政单位。香港、澳门、台湾、西藏、Qiongzhong黎族和苗族自治县、保亭黎族和苗族自治县岭,萨沙郡不包括在这项研究。

2.2。变量选择和数据来源

2.2.1。变量选择和数据处理

基于先前的研究(Arneth et al ., 2017;Krausmann et al ., 2017;帅et al ., 2017;Zhang et al ., 2017;唐et al ., 2018;张x et al ., 2018;Tharammal et al ., 2019;帝国et al ., 2020;Tagesson et al ., 2020;杨y . et al ., 2022),22个指标反映经济增长、城市发展、地理特征和气象条件被选为2000,2005,2010,2017。

为了确保研究数据的完整性和一致性,每种类型的索引在这项研究中被选中的数据集合覆盖整个时期从2000年到2017年。所有数据使用spss 22.0软件标准化。但值得注意的是,在17年自2000年以来,地市级行政范围的调整导致一些数据的缺失。这些不可用数据从邻年或取而代之的是数据通过插值获得。遥控配电盘等11种栅格数据(降水),我们使用了ArcGIS10.4工具进行统一坐标平差和数据统计,参照2015年管理数据,这是与碳排放数据的统计口径一致(陈et al ., 2020 b)。

2.2.2。数据源

本研究中使用的信息包括相关数据管理、碳(包括碳排放和碳封存),和驱动因素。其中,行政数据从县级行政边界获得资源和环境科学数据中心公布的数据,2015年中国科学院。¹碳从县级公司获得的数据₂公布的排放数据集和封存碳排放帐户和数据集(CEAD)。²这个数据库中的信息与之前研究的结果是一致的(陈et al ., 2020 b)。行政和碳在地方层面获得的数据集成和处理这些数据从县级数据集。剩下的自然生态和社会经济数据得到的科学数据中心,³数据中心的资源和环境科学,中国科学院⁴中国国家统计局(National Bureau of Statistics)和省统计局的数据,⁵城市和自治州统计年鉴⁶和全球变化研究数据发布和存储库。⁷详细的信息关于所选数据所示表1。

表1

表1。总结的数据源。

2.3。研究method-geographically加权回归(吉尼斯世界纪录)

在先前的研究中,经常使用OLS模型作为参考的空间回归模型(吉尼斯世界纪录;Brunsdon et al ., 1996;王et al ., 2005;温德尔et al ., 2010;谢和Ng, 2013;Huilei et al ., 2017;Kontokosta塔尔,2017;Dadashpoor et al ., 2019;张狗et al ., 2020;朱et al ., 2020;徐et al ., 2021;徐、张,2021年;Yu et al ., 2022)。在这项研究中,除了使用OLS模型,我们还增加了偏最小二乘回归(PLSR)的比较(山地et al ., 2001;普拉萨德et al ., 2008;贾,2009;底,2010;陷阱et al ., 2013;燕et al ., 2013;Zhang et al ., 2015;刘et al ., 2020;燕et al ., 2020)。

我们曾经通过构建空间回归模型对碳排放和碳封存探索空间每个驱动因素对响应变量的机制。吉尼斯世界纪录的方程模型可以表示如下(王et al ., 2014,2021年,一个):

C E_{我} = β_{0} (u_{我}, v_{我}) + \sum_{t = 1}^{T} x_{t} (u_{我}, v_{我}) β_{t} (u_{我}, v_{我}) + ε_{我} (T = 1, \dots, 9)

C {年代}_{我} = γ_{0} (u_{我}, v_{我}) + \sum_{k = 1}^{K} x_{k} (u_{我}, v_{我}) γ_{k} (u_{我}, v_{我}) + ε_{我} (K = 1, \dots, 10)

在哪里 $我$ 代表了352个行政单位, $(u_{我}, v_{我})$ 表明行政单位的位置, $C E_{我}$ 是单位面积上的碳排放, $C {年代}_{我}$ 代表陆地植被的单位面积上的碳封存, $T$ 和 $K$ 预测变量的数量, $β_{0} (u_{我}, v_{我})$ 和 $γ_{0} (u_{我}, v_{我})$ 是常数, $β_{t} (u_{我}, v_{我})$ 和 $γ_{k} (u_{我}, v_{我})$ 回归系数, $x_{t} (u_{我}, v_{我}) (t = 1, \dots, 9)$ 是碳排放的预测变量, $x_{k} (u_{我}, v_{我}) (k = 1, \dots, 10)$ 的预测变量是由陆地植被碳封存,然后呢 $ε_{我}$ 是随机误差。在这项研究中,使用高斯加权函数来确定样本的回归系数 $我 (u_{我}, v_{我})$ 的方程可以表示如下(王et al ., 2021 a):

β_{t} (u_{我}, v_{我}) = {(X^{T} W_{我} X)}^{- 1} X^{T} W_{我} Y

β_{k} (u_{我}, v_{我}) = {(X^{T} W_{我} X)}^{- 1} X^{T} W_{我} Y

在哪里 $X^{T}$ 转置矩阵和吗 $W_{我}$ 是距离权重矩阵 $我 (u_{我}, v_{我})$ 代表点之间的空间权重 $我$ 和观察点的模型。计算使用ArcGIS10.4进行。

3所示。结果

3.1。碳排放的时空特征的单位面积和单位面积碳封存陆地植被

从2000年到2017年,碳排放单位面积(CE)的地市级城市在中国大陆显示显著的上升趋势总体上和CE的地市级城市增加从352127.4吨/公里²到2000年的1016977.5吨/公里²在2017年。的空间分布,提出了分布特征的“东部的高和低在西方,”和它的高价值的地市级城市主要集中在中国的北部地区,中国东部地区和南部地区中国图1)。此外,CE提供一个重要的空间聚合特性在整个范围。在北方,CE逐渐减少从京津冀地区为中心向周边地区,而在南方,主要的高价值的中心主要是长江三角洲和珠江三角洲等地区随着时间的推移逐渐增加。

在研究期间,单位面积上的碳封存的陆地植被(CS)显示一个稳步上升的趋势。它增加了611123.5吨/公里²到2000年的709379.8吨/公里²在2017年。整体的空间分布特性是在东低西高,北高南低。高价值的地市级城市主要集中在中国的东北地区,中国的东部地区,中国南部地区和中国西南地区(图1)。

在此基础上,我们使用全局莫兰我指数进行空间自相关分析的碳排放和碳封存。表2报道全球莫兰我PM2.5指数从2005年到2018年。全年指标是积极的和重要的在1%的水平。碳排放和碳封存的分布显示积极的空间相关性(吴et al ., 2020)。

表2

表2。全球莫兰的我的碳排放和碳封存。

3.2。OLS分析全球的司机

在这项研究中,我们使用了OLS(普通最小二乘法)模型构建回归模型对碳排放和封存2000年,2005年,2010年和2017年。此外,我们验证了鲁棒性概率(强大的公关)和共线性(VIF)每个预测变量强大的公关< 0.05和VIF < 7.5为标准。的意思是R²四个碳排放模型为0.769318,平均调整R²是0.753893;AICc值平均为341.988046 (表3)。的意思是R²四个碳封存模型为0.532214,平均调整R²是0.500932;AICc值平均为778.761457 (表3)。根据OLS测试的结果,我们得出的结论是,尽管发表的碳排放和碳封存之间各种驱动因素,有一个缺乏鲁棒性的变量以及它们之间的共线性也极高(表4)。

表3

表3。OLS所有碳因素分析结果。

表4

表4。OLS所有驱动因素的分析结果。

3.3。模型结构确定的单位面积上的碳排放和碳封存陆地植被

解决问题的足够的鲁棒性和高的变量共线性OLS模型,我们使用探索性回归(ER)分析进行初步筛选的驱动因素(王z . et al ., 2012;冯et al ., 2015;王旭和刘刚,2017年;李et al ., 2019;Ning et al ., 2021)。ER分析结合以前的研究结果和经验帮助我们删除13个变量在碳排放模型和12个变量在固碳模型中,有足够的鲁棒性和高共线性。因此,开发一个更稳定的回归模型,最后一个变量(驱动因素)所示的模型表5。

表5

表5。驱动因素的碳排放单位面积和单位面积碳封存的陆地植被。

随后,分析使用PLSR(部分最小二乘回归)模型和优化OLS模型。我们发现R²Y和问²PLSR模型(分别为0.4272和0.3345)比OLS模型的低得多。然而,尽管事实证明OLS上级对我们的研究的目的,一些面板数据仍然失败概率鲁棒性测试(强大的公关< 0.05;表6,7)。结果表明,还有其他因素影响分析结果的准确性,如空间异质性的变量(歌et al ., 2014)。接下来,我们使用了吉尼斯世界纪录模型进行比较分析用于OLS和PLSR使用相同的变量。结果证实,空间异质性起着至关重要的作用在碳排放和碳封存过程(表8)。

表6

表6。OLS模型的分析结果,为筛选后碳封存。

表7

表7。OLS模型的分析结果,对筛选后的碳排放。

表8

表8。比较的PLSR、OLS和吉尼斯世界纪录的模型。

3.4。单位面积上的碳排放的驱动因素的基础上,通过测定分析

图2,3表明碳排放表现出负的空间相关性和GSP和归一化植被指数在中国的大部分地区,GSP和归一化植被指数是强大的驱动力。相比之下,TEM在大多数与碳排放领域表现出正相关,而作为一个相对较弱的驱动力。归一化植被指数和碳排放之间的关系从正到负从西北地区东南部地区的沿海地区(图2 h)。最终,地区之间表现出负相关性归一化植被指数和碳排放逐渐增加;到2017年,这些地区占86.36%的地市级行政区域(图2艾滋病毒)。GSP呈负相关与全国碳排放开始,回归系数较低的被观察到周边地区的北部和西北部地区。然而,区域显示积极的GSP之间的空间相关性和碳排放逐渐出现主要在东部的中国西北和华北西部(图2 e)。同时,TEM和碳排放表现出积极的空间相关性,和回归系数高的地区主要集中在东部的中北部地区。在西北地区的一些地方,TEM和碳排放表现出负的空间相关性(图2我)。

图2

图2。回归系数的空间分布与碳排放有关(ⅰ)驱动因素(我)2000年,(2)2005年,(3)2010年和(IV)2017年吉尼斯世界纪录模型在中国352个地市级行政区域。

图3

图3。总结情节的回归系数与不同的碳排放驱动因素有关(一)2000年,(B)2005年,(C)2010年,(D)2017年。

在所有的社会经济驱动因素,PCG PSIO, PTIO,小狗,和子显示积极的空间相关性与碳排放在中国的大部分地区。相比之下,TP与碳排放呈负相关。同时,PCG PSIO,子是最强大的驱动力。渐渐地,TP和碳排放之间的负相关显示全国削弱的趋势。低回归系数主要是在东北地区的东部,南部地区和中部和西南地区;同时,高回归系数观察在东部中部地区和东部地区(图2一个)。尽管PCG碳排放呈正相关,其驱动功率下降。高回归系数观察PCG与碳排放主要在东北和东南部地区,而西北地区和西北地区东部呈负相关(图2 b)。PSIO PTIO显示非常相似的积极与碳排放空间关联模式,随着时间的推移和相关展示一个加强的趋势。回归系数显著增加从2000年到2010年在北部和东北地区和西北地区东部的逐渐发达的地区最高的回归系数在中国从2010年到2017年。与此同时,地区之间表现出负相关性PSIO / PTIO和碳排放开始出现。PSIO和碳排放比率呈显著负相关关系在南方和西南地区,而PTIO之间的负相关和碳排放在南部和西部地区的西南地区(图2 c,D)。小狗和碳排放之间的正相关关系模式改变随着时间的推移,和回归系数高的领域逐步从南方和西南地区转向西北地区东部和北部地区。小狗在本地和碳排放是负相关在几个领域,如东北地区和西北地区的西部(图2 e)。子和碳排放之间的正相关关系模式发生了重大的变化随着时间的推移,和该地区高回归系数从东南沿海转向西北和东北地区在2000年。

3.5。单位面积上的碳封存的结果基于吉尼斯世界纪录的陆地植被空间回归模型

基于长期的结果所示图4,5分,GSP, TEM显示,与碳封存正相关性(图4 d- - - - - -H),而宠物与碳封存呈负相关(图4我)。归一化植被指数和碳封存显示区分正面和负相关地区之间的差异,和归一化植被指数的驱动力和GSP碳封存逐渐增加时间(图4 g)。然而,首选的驱动力和分向碳封存急剧减少随时间(图4 b,D)。

图4

图4。回归系数的空间分布与碳封存有关(j)驱动因素(我)2000年,(2)2005年,(3)2010年和(IV)2017年吉尼斯世界纪录模型在中国352个地市级行政区域。

图5

图5。总结情节相关的回归系数与不同的碳封存的驱动因素(一)2000年,(B)2005年,(C)2010年,(D)2017年。

存在明显的空间差异对驱动因素之间的相关性和碳封存。总的来说,空间格局在西北地区呈负相关和正相关在东南地区。TP, PPG、GSP和TEM与碳封存呈正相关,在这个国家的大部分地区(数字4,D,E,H),PPG、GSP和TEM表现出较高的回归系数在东部地区的沿海地区和辽宁南部普罗维登斯;与此同时,较低的回归系数都集中在西北地区(图4 d,E,H)。分地区和GSP显示高回归系数倾向于收缩,然后扩大(图4 dii三世,E)。然而,TEM地区表现出较高的回归系数在东部,中部,随着时间的推移和西南地区(图4 hii,三世)。回归系数最高TP展出的西北地区西部和南部蔓延到南部的地区,而低回归系数集中在东部沿海地区的区域(图4一)。

同时,PSIO和宠物显示负相关性碳封存的十字路口东北、西南,中心区域(图4 e,我)。PSIO和宠物最初表现出较低的东部地区的回归系数;然而,最终,PSIO和宠物表现出回归系数在西南和东部低,分别。此外,高,都表现出回归系数PSIO和宠物在西北地区;这些地区倾向于扩大向东北地区。此外,PSIO也表现出很高的回归系数在南方地区的强度随着时间的增加,而宠物显示高回归系数在西南地区的西南角落(图4我)。的空间分布地区积极PCG和归一化植被指数和碳封存非常甚至负相关。PCG和归一化植被指数表现出正相关性的西南部,南、西北、东北地区,减少朝东南方向。同时,PCG和归一化植被指数负相关,碳封存在东部地区,和回归系数最低的NDVI逐渐移向南方的南部地区(图3 g)。回归系数最低的PCG观察在东部地区,中部和西南地区(图4 bii,三世)。子之间的区域显示的比例负相关和碳封存从73.68%下降(图4 fi)在2017年到2000年的40.63% (图4 fiv)。子之间的回归系数高的地区,碳封存的运动经历了两个阶段:在第一阶段,这些地区从东部沿海到中部地区(图3 fi-iii);在第二个阶段,这些领域在2017年搬回东(图4 fiv)。同样,地区表现出低子之间的回归系数和碳封存也两次;最初,这些地区从西南和西北地区东部南部和东部地区(图4 fi-iii),之后,他们逐渐向西北地区(图4 fiv)。SSR和碳封存的相关性显示明显的南北差异。它在南方是积极的和消极的北部,和回归系数从南到北呈下降趋势(图4 j)。

3.6。比较碳排放驱动因素之间的单位面积和单位面积碳封存陆地植被

根据我们的结果,我们发现双方的共同驱动因素碳排放和碳封存TP, PCG, PSIO,子,GSP,归一化植被指数和TEM。

随着社会和经济的发展,社会经济因素除了TP了积极推动对碳排放的影响。2000年,首选的驱动力是明显高于比碳排放碳封存。然而,PCG逐渐减少的影响,特别是在碳封存。到2017年,PCG只是稍高的驱动力相比碳封存碳排放。此外,PCG和碳封存呈正相关,在一些地区,而在其他领域被负相关。相比之下,潜艇的驱动力是高碳排放比碳封存;它与碳排放有强烈的正相关,负相关,碳封存。虽然子对碳排放的动力一直很高,它与碳封存逐渐减少。同时,PSIO的驱动力是高碳排放比碳封存;从2000年到2017年,其积极影响碳排放逐渐增加,而其对固碳的影响保持不变空间差异。 The driving force of TP was similar for both carbon emission and carbon sequestration, while being accompanied by strong spatial differences. In most areas of China, TP was negatively correlated to carbon emission, except in the North and east regions. Carbon sequestration was positively correlated to TP in the Western part of the northwest region, South region, and the Southern part of the Southwest Region.

GSP和归一化植被指数是减少碳排放的主要自然生态因素,随着时间的推移和驱动功率增加。自2005年以来,归一化植被指数和碳排放之间的负相关关系显著增加在东南地区的沿海地区。虽然之间的负相关也观察到的归一化植被指数和碳封存,它有一个更少对固碳比碳排放产生深远的影响。GSP一直是一个重要的驱动因素增加碳封存和减少碳排放;其积极影响碳封存强于其对碳排放产生负面影响。然而,碳封存的GSP的积极推动力量显著下降,而在某些情况下产生了负面的影响。尽管TEM积极的影响全国碳排放和碳封存,它有一个强大的影响碳封存并没有显示出明显的变化及其驱动力加班。

4所示。讨论

为了实现碳中和,通过封存碳排放需要平衡,利用率和存储的碳(Rogelj et al ., 2015;杨y . et al ., 2022)。总体而言,全球陆地生态系统碳汇的占57% (Friedlingstein et al ., 2020)。因此,在这项研究中,我们调查了潜在的碳排放驱动因素和封存的陆地植被,同时考虑驱动因素影响这两个过程。根据不同类型的碳排放的驱动因素和封存,我们整理中国地区分成不同的类别。

4.1。社会经济因素对碳排放的影响单位面积和单位面积上的碳封存的植被

尽管许多先前的研究已经表明,TP与碳排放(有正相关Al-Mulali Ozturk, 2016;黄c . et al ., 2022;杨s . et al ., 2022;赵任,2022),我们的研究结果对比。在中国的大部分地区,TP减少碳排放的增加。这也许是因为TP对碳排放的影响有一个阈值。TP到达这个阈值之前,TP能减缓碳排放的增加,因为人口增长可以促进城市产业结构的优化和提高能源利用效率,可以抵消碳排放的增加造成的一个更大的人口;这也结束了他et al。(2017)。然而,精炼后的粒度研究县级行政区域,我们发现并不是所有地区的TP和碳排放之间呈负相关。例如,在中国东部和中部东部,更高的经济发展水平和城市化使城市和生态环境面临更大的压力;因此,TP不再是有效减轻所产生的碳排放本身,这意味着一旦TP跨越门槛,TP可能显示一个积极的推动与碳排放的关系。同时,随着TP的增加,其正面和负面的相关性与碳排放均呈增长趋势在研究期间两个极端。这表明,TP已经越过阈值在中国东部和中部,而在其他地区,它仍然处于阈值。此外,TP和碳封存呈负相关在这个国家的大部分地区,这可能是由于增长的人口带来的环境压力,超出了公差的生态系统(杨et al ., 2016)。然而,有区域显示TP和碳封存之间的正相关关系。基于的研究阴et al。(2022)和阴y . et al。(2022)我们证实,TP和碳封存之间正相关的关系主要是在西南地区,西北地区,南部和西部的部分。

在此基础上,我们使用了面板阈值模型(PTR)提出的汉森(1999),林和李(2015),Tatoğlu和Polat (2021),发现和验证我们上面讨论的门槛效应。结果表明,模型具有显著的双阈值效应当TP作为阈值变量(表9)。阈值分别是476100年和8763500年,(表10;图6)。工业发展和城市扩张带来的增加的TP阈值效应的主要原因。表11报告阈值效应模型的回归结果。回归系数的估计结果表明,随着人口的增长,第一产业产出的贡献比例(PPIO)和规模的城市建设区域(子)碳排放逐渐降低。然而,第二产业产出的比例的贡献(PSIO)碳排放快速增长。TP超过476100时,驾驶PSIO对碳排放的影响变化负相关和正相关,但是产业结构的优化还可以抵消碳排放的增加带来的文娱。PSIO TP超过8763500时,会导致更大数量的碳排放,那么产业结构优化的作用就变得微不足道。

表9

表9。门槛效应测试。

表10

表10。双阈值模型的估计结果。

图6

图6。双阈值的置信区间测试碳排放和增加人口。

表11

表11。双阈值面板回归的结果。

PSIO,此外,我们的研究表明,PCG和子是促进碳排放的主要因素,这一般是与先前的研究一致(周et al ., 2019;刘et al ., 2021;Zhang et al ., 2021)。然而,首选的影响,PSIO,子固碳是不同于在其他研究中观察到。

首先,PCG显示积极的和消极的相关性与碳封存在不同地区由于不同的气候条件,工业转变,林业政策。七弦琴et al。(2016)显示国内生产总值人均对森林的减少有着积极的影响。因为这种积极效应的机制和原因没有讨论,我们发现使用我们的结果解释它。图3 b表明PCG显示强阳性空间相关性与碳封存在西南地区,南部,中部和东北部地区。这些地区代表中国最初的地方开始实施林业政策和产业转型刘et al ., 2008;楚et al ., 2019;朴,2023)。这些结果表明,合适的气候条件,良好的植被,合理的经济和工业发展政策可以有效地缓解碳排放增加的问题由经济发展引起的。然而,PCG仍然影响碳封存等几个方面的负面东部,中部、北部和西部地区的西北部地区。尽管中国政府实施了一系列林业政策(吴et al ., 2013;刘et al ., 2014;李et al ., 2018;姚明et al ., 2019;胡锦涛等人。,2020年;王et al ., 2022),他们已经不足以抵消碳排放。这些结果表明,森林种植园和其他相关生态环境政策仍迫切需要在这些地区。

第二,PSIO呈现负面影响碳汇在这个国家的大部分地区。尽管PSIO可以减少对陆地生态系统的压力在一定程度上通过提高产业的规模,技术,和能源结构,陆地生态系统的破坏,由于工业发展有一个更大的对固碳的影响(魏和阳,2010年)。在研究期间,PSIO表现出与碳封存一个倒u形的关系,这是符合的结果小et al。(2018),周et al。(2018),徐et al。(2021)。然而,我们也看到一个弱PSIO之间的正相关和碳封存在西南,东北西北的部分地区,西部和南部(图3 c)。这在以前的研究观察从来没有报道。

最后,增加子造成的负面影响全国碳封存。然而,自然植被的生长可以在某种程度上缓解这种现象在本地(de Groot et al ., 2012;王l . et al ., 2012;Zhang et al ., 2012;田和乔,2014)。在研究期间,负空间子之间的相关性和碳封存显示增加然后减少的趋势,因此表现出一个倒u形的特点。这表明植被生长可以在一定程度上抵消了减少植被造成的土地改变城市扩张发生时(吴et al ., 2018)。这一结论也可以解释子之间的正相关和碳封存在东部地区,东北、西北西南北部和西部地区。

4.2。自然生态因素对碳排放的影响单位面积和单位面积上的碳封存的植被

在所有的自然生态因素,GSP和归一化植被指数影响最强的碳排放和碳封存。GSP发挥了irreplicable作用减少碳排放,而拥有一个积极的空间影响碳封存。这主要是因为森林地区的扩张可以有效地减少碳排放,提高固碳作用(方et al ., 2001;赖et al ., 2016)。然而,GSP的积极作用明显弱在西北的西部地区。这是由于草原植被的特点,以及这些地区的严重退化草地(王et al ., 2017;Chang et al ., 2022)。

地区位于朝东的“Heihe-Tengchong行”背后的主要原因和归一化植被指数之间的负相关碳排放是温暖和潮湿的气候,适宜植物生长条件,长期增长的森林树木,植被良好,结构良好的森林地区;这些因素显著增加碳封存,有效减少碳排放,如图所示王et al。(2020)。然而,归一化植被指数对碳封存有负面影响。这是因为的东边的区域“Heihe-Tengchong线”是中国最发达的地区,和生态系统的固碳能力明显减弱,甚至完全失去了几个土地城市化。王et al。(2019)还表明,归一化植被指数在城市复合体对减少碳排放的影响非常有限。这意味着建立一个远离城市的连续陆地植被生态系统关键实现碳中和。在该地区向西部的“Heihe-Tengchong线,”归一化植被指数显示积极的空间相关性与碳排放和碳封存;然而,碳封存的驱动力是疲软主要是由于恶劣的气候条件和低植被覆盖在这个地区。中国西北干旱和半干旱地区,降水是有限的,植被生长期短,植被很低(他et al ., 2021年)。所有这些因素导致了该地区植被固碳能力低。因此,通过植被固碳是不足以消除碳排放。这是作为一个增长缓慢的原因归一化植被指数之间的正相关和碳封存在这一地区(邱et al ., 2020)。此外,驱动力之间的差距的归一化植被指数的碳排放和碳封存增加加班,和脆弱的生态系统固碳无法满足需求。因此,我们认为,碳平衡不能通过自然过程,和适合人类的干预措施和政策是必需的。

TEM了积极的空间相关性与碳排放和封存。然而,其对碳排放的影响和封存略有不同,因为极端温度降低人类和植被的活动。此外,中国局部地区的夏季气温高可以减少碳封存(王et al ., 2021 b)。尽管高温已开始影响碳封存,他们不显著影响总体碳封存由于罕见的温度。此外,目前的研究表明积极的空间相关性TEM和在大多数地区的碳排放。之前有研究表明,增加TEM影响人类经济活动显著正面和负面(Schlenker罗伯茨,2009;Sequeira et al ., 2018;元et al ., 2022)。本研究的结果证明了这个国家的大部分地区年平均气温是有利于社会维持其经济活力。然而,它有抑制的影响社会经济活力和生产活动在西北地区的西部,这表现出倾向于逐渐扩散到其他地区。这是由于该地区的地理条件,这表明全球气温上升的负面影响人类的栖息地。

4.3。中国城市分类基于驱动力由陆地植被碳排放和碳封存

在这项研究中,我们使用了基于最小生成树的原则分组分析在中国352个地市级行政区域进行分类。在某些情况下,类似的因素中观察到遥远的地区;然而,这些结果背后的原因有很大的不同。为了避免这种情况,我们确保每组的地市级行政区划是尽可能接近对方。此外,我们选择再邻居的空间约束的空间元素值K = 8。测量相邻元素之间的距离,我们使用曼哈顿距离的方法。最终的分类结果(图7)和中国城市所示的驱动因素表12。

(1)集团1-Xinjiang省。从2000年到2017年这一领域进行了研究。这个地区的碳排放和碳封存是由社会经济和自然生态因素。PCG除外,其他驱动因素增加的碳排放和碳封存在研究期间,和PSIO的驱动功率,GSP,和归一化植被指数特别强。

图7

图7。司机的碳排放和封存在中国不同的行政区域(一)2000年,(B)2005年,(C)2010年,(D)2017年。

表12

表12。碳排放的驱动因素和封存在每组。

碳排放的变化和封存4年来显示,脆弱的生态环境使新疆容易受到社会经济因素。社会经济因素经常增加碳排放和减少由陆地植被碳封存。此外,PSIO增加所造成的生态问题和子碳排放增加的主要原因。因此,为了减少这个地区的碳排放量高,未来的社会经济政策应该(1)增加投资,扩大能源使用效率,(2)减少碳排放的工业发展和城市的扩张,坚持低碳发展在城市地区。此外,对比该地区的自然生态因子归一化植被指数和GSP等,我们可以得出结论,加强城市建设领域外的生态环境是解决碳排放问题的关键在新疆省。

(2)组这组主要由中国南方的城市。碳排放和封存在这方面是由社会经济和自然生态因素。在研究期间,TP的驱动力,PSIO, GSP, TEM保持稳定;然而,PCG显示下降趋势的推动力量,而子和归一化植被指数增加。到2017年,子和归一化植被指数成为碳排放的主要驱动因素和封存在这个地区。

总之,组2城市高度发达,表现出非凡的气候,开放经济体系和商业通信网络。这些特点促进碳排放之间的平衡和封存。虽然社会和经济的发展不可避免地导致更高的碳排放,陆地植被碳封存的提高更显著。子的增加、GSP对碳封存和归一化植被指数有显著不同的影响。这些结果表明自然环境的入侵城市扩张背后的主要原因是降低碳封存。因此,可持续发展的的关键地区组2是改善环境protectionand法规更多地投资于技术创新。

(3)集团本集团包括中国东部的大部分地区。城市在这个区域是位于东南海岸附近,表现出高度发达经济体和优越的气候。在研究期间,除了你们,所有社会经济因素的推动力量显示增加然后减少的趋势。GSP和归一化植被指数呈逐渐增加趋势,而TEM保持稳定。研究的第一阶段主要是社会经济因素,首选是最具影响力的因素。第二个时期是由自然生态因素,与归一化植被指数和GSP是主要影响因素。

类似于组2,城市的高城市化水平和优秀的自然条件在这一组可以帮助改善和规范碳排放和封存的平衡。通过比较两组的驱动因素,我们发现行业发挥更重要作用在城市的经济增长在3组,和早期的增长的城市有更严重的对环境的影响。逐渐削弱社会经济因素的影响和加强城市自然生态因素的影响从3组表示,节能减排和生态环境政策近年来得到有效的实施。然而,这些因素还不足以弥补之前的损失。因此,持续加强上述政策是促进集团3中的碳平衡的关键。

(4)组这组包括在中国中部和西部地区经济发展碳排放和封存在哪里敏感(图7;表12)。在研究期间,碳排放和碳封存在4组都主要是由社会经济因素主导,PCG和子是最具影响力的因素。与此同时,社会经济因素表现出倾向于降低随着时间的推移,而自然生态因素增加。其中,PCG和子促进碳排放的主要因素,而归一化植被指数、TP, GSP抑制碳排放的主要因素。此外,促进碳封存的因素逐渐从PCG, GSP, TEM首选和归一化植被指数。

的负面环境影响这些地区的经济发展和城市扩张的补偿在研究期间的开始。这是因为尽管这些发展侵占和干扰生态环境在某种程度上,工业发展和技术进步也提高了能源利用效率。完成产业转型和城市化进程的放缓,PCG和子下降的影响;但是,这些仍在推动碳排放的主要因素。此外,人口的限制因素之一在中国西北和北部;中国西南部和中部的优点是良好的植被和合适的气候对植被的生长。考虑不同地区在4组内部的差异,我们建议这组达到碳平衡的关键是促进经济发展、环境保护和生态修复策略根据每个地区的特征。

(5)组5个组包括中国中部和东部城市碳排放和封存在哪里敏感的自然环境(图7;表12)。在这个地区,除了TEM,所有其他自然生态因素与碳排放呈负相关,与碳封存的正相关。此外,这些因素一直在增加的驱动功率。尽管社会经济因素与碳排放呈正相关,相比他们的影响力较弱的生态因素。

起初,地区碳排放和封存多半以自然生态因素的影响主要存在于中部和南部地区的中国(图7)。在这些地区,经济的发展和扩张的城市碳排放的增加;然而,由于他们合适的气候对植被的生长和良好的植被,碳排放和封存在这些领域仍然可以平衡。然而,西北地区东部地区和西部地区的北部地区遭受明显由于土壤侵蚀和植被退化。因此,这些生态系统变得非常脆弱,他们的碳排放量不能平衡碳封存。自2005年以来,这些地区自然生态因素的影响是增加;因此,这些因素的驱动力是最高的在这些地区。最终,碳排放和碳封存的敏感性自然生态因素北部边境地区的稳定,东部和中部(图7 c,D)。归一化植被指数和GSP是这个地区的主要影响因素,由于前破坏陆地植被生态系统造成的工业经济发展(PSIO PCG)。生态系统恢复技术,如植树造林,关键是实现碳排放和碳封存在这些领域之间的平衡。

(6)组这组包括北、东北地区及其周边地区。虽然面积组6大大改变随着时间的推移,它主要存在于东北,西北地区的北部和东部地区。PCG和子的主导因素促进碳排放在这个群体,虽然GSP和TEM是主要因素增加碳封存。这个组的驱动因素及其驱动力研究期间非常稳定。

总的来说,集团6包括典型的资源型城市,是两个主要的重工业基地辽宁省中南部和京津冀地区。由于大规模的工业发展和早期的生态破坏,无法抵消碳排放的增加资源和环境效率的增加引起的产业转型和技术进步。此外,GSP和碳排放之间的关系显示缓慢增加的趋势,由于重新造林计划如天然林保护工程。同时,碳封存显示弱应对每一个驱动因素,由于该国北部的气候条件。总的说来,industrial-based经济发展模式实现在这个地区是其碳平衡的最大威胁。因此,努力加强产业结构调整,特别是输入和第三产业的发展,是促进区域碳平衡的关键组6。

5。结论

与温室气体的排放和全球变暖的加剧,一些国家的目标是实现碳中和。实现碳排放和碳封存的平衡已成为世界各国关注的焦点。了解驱动机制,共同推动碳排放和碳封存可以指导决策者制定城市发展战略和环境保护政策与碳中立为目标。本研究探讨了潜在的司机对碳排放和碳封存352年地市级行政单位在中国使用多个数据源。分析和讨论的结果导致了以下结论:

1。总体而言,碳中和的最有效途径是改善自然环境。图7 d和表12显示,socioeconomical因素对碳排放的影响和碳封存从2000年到2017年不断下降;然而,自然生态因素的影响正变得越来越强大。自然生态等因素归一化植被指数和GSP已经成为实现的主要驱动力之间的平衡碳排放和碳封存,尤其在东南沿海地区。也就是说,我们应该更加注意由陆地植被固碳,这是更敏感的自然生态因素,而不是碳排放。

2。关于碳封存,有必要关注生态环境的质量和规模地区以外的城市。根据归一化植被指数和GSP分析的结果,GSP比归一化植被指数更有效的提高促进陆地植被的固碳(图7;表12)。同时,子是主要因素,减少碳封存,强调城市绿地对城市生态系统的固碳的影响有限的影响下城市总体环境。这表明自然生态空间以外的城市是非常重要的碳中和,因为他们可以有效地提高陆地植被的固碳能力。

3所示。在碳排放方面,促进工业和环保技术的创新以及低碳环保产业的发展可以有效地减少工业发展对环境造成的损害,帮助实现碳中和。根据这项研究的结果,PCG PSIO,子是增加碳排放的主要因素(表12)。在大多数地区,特别是在东南沿海,工业经济发展和城市扩张放缓;然而,他们仍然扮演一个重要角色在增加排放和减少碳封存。这表明我们并没有采取足够的措施来减少碳排放的经济和社会活动。

4所示。在这项研究中,我们根据中国分类成几个区域碳排放的驱动因素,在每个地区的封存。结果表明,在中国的大部分地区,碳排放和封存由socioeconomical和自然生态因素。这些驱动因素相互制约和平衡的碳排放和封存。因此我们还提出,为了实现碳中和,地理特征、气候条件、经济增长和城市化必须考虑在每一个地区。

本研究也有一定的局限性:

1。由于限制可用性的数据,本研究无法分析碳排放的驱动因素和封存的地区香港,澳门,台湾,西藏,海南中部和3县(Qiongzhong黎族和苗族自治县、保亭黎族和苗族自治县、岭和萨沙县)。

2。本研究只分析了碳排放的驱动因素和封存根据限定的时间范围内获得的数据(从2000年到2017年)。

数据可用性声明

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。

作者的贡献

JLin:概念、方法、形式分析、数据管理、调查、写初稿,可视化、资源、软件和数据管理。YG JLi:调查和可视化。莱托:资源。PY和女士:项目管理、writing-review和编辑、监督、验证和软件。所有作者的文章和批准提交的版本。

资金

这项工作是由北京市自然科学基金项目(批准号8222022),热点跟踪项目的北京林业大学(批准号2022 blrd08),“优秀青年人才”培养计划北京林业大学(批准号2019 jq03010),和北京林业大学的科技创新项目(批准号BLX202111)。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

脚注

1。^www.resdc.cn

2。^www.ceads.net.cn

3所示。^www.geodata.cn

4所示。^www.resdc.cn

5。^www.stats.gov.cn

6。^https://navi.cnki.net/knavi/

7所示。^www.geodoi.ac.cn

引用

底,h (2010)。偏最小二乘回归和预测潜在的结构回归(PLS回归)。威利Interdiscip。启第一版。统计。2,97 - 106。doi: 10.1002 / wics.51