识别与优化区域空间中的碳源-碳汇模式

《Sustainable Cities and Society》：Identification and Optimization of Carbon Source–Sink Patterns in Territorial Space

　　徐丽华|陈文婷|童安琪|马秋伟
浙江农林大学景观建筑设计学院，中国浙江省杭州市311300

**摘要**
为了实现可持续发展目标，中国庄严承诺达到碳排放峰值和碳中和。作为碳循环的核心载体，领土空间在调节区域碳平衡中发挥着关键作用。从碳源-汇的角度识别领土空间可以直接揭示其碳属性，并提高空间优化的效率。以中国浙江省为例，本研究采用随机森林模型，在阈值框架下创新构建了一个基于碳视角的领土空间分类系统，识别领土空间，并结合三种空间控制线的约束进行多情景模拟，从而促进可持续发展。研究结果表明：（1）基于碳源-汇的识别能够更深层次地耦合碳过程与空间模式，为低碳优化提供更强支持；（2）在经济发展情景下，优化重点是通过产业升级和低效土地修复来改善现有空间和效率，到2060年碳排放量减少51.41%，碳储存量增加50.88%，尽管城市核心地区仍存在高碳单元；（3）在生态优先情景下，加强生态保护和碳汇扩张可以缩减碳源空间，并将碳汇从斑块状转变为网络状，到2060年碳排放量减少79.39%，碳储存量增加98.81%，为“双碳”目标提供更强支持。本研究创新了一种基于碳视角的空间识别方法，为领土空间的低碳转型提供了科学决策参考。

**引言**
在全球气候变化的背景下，中国提出了“双碳”目标，即到2030年实现碳排放峰值，到2060年实现碳中和。领土空间作为碳排放和碳封存的主要载体，在调节区域碳平衡和可持续发展中起着关键作用，其发展模式和土地利用方式显著影响碳源-汇动态（Xiong等人，2023）。先前的研究表明，通过优化土地利用结构可以有效缓解碳失衡，限制高排放土地扩张，增强生态系统碳封存，并促进低碳人类活动（Ding等人，2022；Wang等人，2022；项目综合报告编写组，2020；Xu等人，2024）。然而，现有研究大多关注由土地利用演变和宏观情景模拟驱动的碳效应，常常将相似的空间类型视为同质单元，因此忽略了由于人类活动强度或生产方式差异导致的碳预算异质性（Cui等人，2026；Du等人，2025）。最近从“双碳”目标视角对领土空间的研究通常以土地利用属性斑块作为基本分析单元来研究空间结构（Xu等人，2024；Liu等人，2023；Chen等人，2024），这有助于更合理地利用和保护领土空间。然而，仅依靠土地利用的物理属性不足以准确捕捉人类活动和经济发展对碳预算的影响。例如，支持不同生产方式的工业用地在碳排放强度上表现出显著异质性，而植被组成不同的绿地在其碳封存能力上也存在明显差异（Yi等人，2022）。因此，将碳预算核算与土地斑块分析相结合来分类领土空间（即城市、农业和生态空间），可以更好地反映静态空间属性和动态碳通量，为在碳约束下的空间优化提供新的视角。碳预算核算的精确度直接影响结果的可靠性和其在领土空间优化中的应用（Wei等人，2025）。碳排放通常使用IPCC方法在行政单元层面进行估算，然后通过模型将排放量与影响因素联系起来进行空间化（Cai等人，2021；Liu等人，2024；Deng等人，2014）。对于碳汇，森林和土壤是主要的储存空间。森林生态系统储存了大约80%的地上生物量碳和大约40%的地下碳（Duan等人，2015；Liu等人，2000），而土壤碳储量在短时间尺度上变化相对缓慢（Xiang等人，2022）。因此，森林碳储存常被用作碳汇空间的代理指标，森林清查数据可以准确估算区域生物量和碳储存量，并快速绘制碳汇分布图（Zhou等人，2006；Liu等人，2018；Huang等人，2021）。

**领土空间识别**
领土空间识别是空间优化的前提，现有研究采用了多种视角和方法（Men，2011；Chen，1986；Xiong等人，2020）。基于遥感影像的监督分类结合机器学习模型（如随机森林、支持向量机、决策树和人工神经网络）已被广泛用于捕捉不同空间类型的斑块级和光谱特征（Xie等人，2023；Zhou等人，2007）。在这些方法中，随机森林模型具有强大的集成学习能力和对高维复杂数据的适应性，能够在分类准确性、稳定性和实际应用性之间取得良好平衡（Pan等人，2024）。然而，基于碳源-汇模式识别领土空间需要明确提取不同土地利用类型的碳排放和封存阈值。但目前的研究缺乏定义这些阈值的系统方法，大多依赖于单一的宏观经验系数或简单的平均分配，没有深入探索和系统验证空间异质性（Wu等人，2024）。为了克服这一限制，本研究旨在通过文献中的参数设置建立基本锚点，使用浙江省的本地核算数据进行实证阈值估算，通过统计分析精确划定阈值边界，并最终通过与测量数据的交叉验证来确定阈值。这种方法有效克服了传统粗略值分配的局限性，确保了参数设置的科学严谨性。因此，本研究将浙江省的碳源-汇核算结果与现有文献的发现相结合，构建了一个以碳为导向的领土空间分类系统。通过定义不同土地利用斑块的碳排放和碳汇阈值范围，并应用随机森林模型进行分类（Carranza-García等人，2019；Xu等人，2014；Liu等人，2012；Zha等人，2003；Baatz，2000），这种方法为后续的领土空间划分和优化提供了坚实的基础，进一步促进了可持续发展。

**中国土地资源开发与利用的治理**
中国采用自上而下的治理方式，并于2023年正式提出了“三条空间控制线”，即永久基本农田、生态保护红线和城市发展边界。这些线作为长期的空间控制工具和底线约束，基于碳源-汇核算的领土空间优化必须遵守这些约束。在“双碳”目标下，碳排放减少路径主要包括优化经济和产业结构以及调整高碳空间配置（Sun等人，2025），而碳封存增强则侧重于改善碳汇空间的结构、数量和质量（Liang等人，2021；Zhang等人，2025；Kamusoko等人，2009；Zheng等人，2025）。为应对未来发展的不确定性，通常采用多情景模拟来评估不同发展路径下的碳预算结果（Yi等人，2022；Lin等人，2022）。领土空间模拟不可避免地受到各种约束。与中国国家规划背景相一致，可以在空间维度引入空间转换规则，同时考虑“三条空间控制线”的约束，以充分考虑土地利用的“锁定效应”（Luo等人，2023）。在时间维度上，未来情景模拟参数必须严格受制于刚性政策目标和历史发展趋势的双重约束（Chen等人，2025）。因此，本研究旨在通过设置多个约束并结合未来发展情景来进行模拟。现有情景通常包括自然发展情景、经济优先情景和生态保护情景（Chang等人，2023；Li等人，2024；Wang等人，2025；Kuang等人，2024）。比较模拟结果为在严格空间限制下实现“双碳”目标的领土空间规划提供了科学证据和决策支持。

**优化方法**
在优化方法方面，一组模型依赖于目标函数和约束，包括线性规划（Pei等人，2000）、多目标规划（Yuan等人，2021）、遗传算法（Hakli等人，2017）和马尔可夫模型（Sankarrao等人，2021）。另一组强调基于规则的空间扩展或土地转换规则，如FLUS（Wang等人，2024）、PLUS（Zhang等人，2022）、CLUE-S、Markov–CA（Zheng等人，2018）和GeoSOS-FLUS（Fan等人，2023）。本研究结合了基于碳预算趋势的情景模拟和优化。基于规则的算法特别适合，因为它们允许逐年调整参数，与中国的发展背景相符，并便于直观的空间优化结果。

**总结**
为了解决“双碳”目标下的领土空间优化需求，本研究以浙江省为例。首先，分析了碳源和碳汇的空间分布特征，划定了不同土地利用斑块的阈值范围，并构建了领土空间识别的方法框架。然后设计了多个未来发展情景来模拟和优化低碳领土空间模式，为国家可持续发展提供低碳领土空间规划方案。具体而言，本研究旨在回答以下问题：
（1）如何构建基于碳源和碳汇的领土空间分类系统，不同类型土地利用的碳源和碳汇阈值范围是什么？
（2）在“双碳”目标下，应如何设计领土空间优化情景，不同情景下的碳源-汇空间模式有何差异？
（3）在最佳情景下，何时可以实现碳排放峰值和碳中和，2060年的碳排放和碳封存水平是多少？

**研究区域**
浙江省位于中国南部沿海（图3），地形多样，以“七山一水二田”为特征。该省城市化率为71%，社会经济发展水平较高，城市和农村建设用地大幅扩展。这一过程导致了碳源和碳汇的复杂空间交织，给实现碳中和带来了挑战。2020年，浙江省的...

**基于碳源/汇的领土空间分析**
本研究的样本点通过实地调查和遥感图像解释获得，用于训练随机森林（RF）模型。根据2020年浙江省碳源和碳汇的空间分布，RF模型识别了空间分布。使用混淆矩阵进行验证，总体准确率约为72%（图5，表S3）。此外，还应用了NP、PD、ED和Connect指数来分析结构特征...

**方法创新与比较分析**
本研究旨在实现“双碳”目标，基于测量的碳源和碳汇构建了一个领土空间识别框架，以分析领土空间的空间分布特征。通过在不同情景下发展领土空间模式，比较了不同情景下的碳源和碳汇特征。比较这些情景下的碳排放和碳储量，为实现“双碳”目标提供了重要参考。

**结论**
本研究旨在通过领土空间优化促进碳中和，以浙江省为例，构建了一个基于碳源和碳汇的领土空间识别框架。它提出了以碳中和为导向的空间优化布局和策略，为推进碳中和提供了空间基础。主要结论如下：（1）通过构建一个基于碳源和碳汇的地域空间分类系统……（参考文献列表：Baatz和Sch?pe，2000年；Fan和Ma，2023年；Hakli和Harun，2017年；Huang和Fan，2018年；Li和Bai，2024年；Li和Lan，2024年；Lin和Zhao，2022年；Liu和Yan，2015年；Liu和Zhang，2024年；Pan和Zhao，2018年；Pei和Zhao，2000年；Tang和Zhao，2023年；Tian，2024年；Wang和Gao，2024年；Wang和Yue，2024年；Xu，2024年；Yu和Wu，2011年；Zha等人，2021年；Zhang和Yang，2020年；Zhang和Wang，2009年；Zhang和Li，2022年；Zheng和Hu，2018年）

CRediT作者贡献声明：
徐丽华：撰写——审稿与编辑；撰写——初稿；监督；资源管理；项目协调；方法论研究；数据采集；概念构建。
陈文婷：撰写——初稿；数据可视化；资源管理；方法论研究；数据分析；数据采集；概念构建。
童安琪：撰写——审稿与编辑；撰写——初稿；数据可视化；资源管理；方法论研究；数据分析；概念构建。

利益冲突声明：
作者声明他们没有已知的财务利益冲突或个人关系，这些关系可能影响本文的研究结果。