低碳導向下土地覆被演變模擬
——以深圳市為例

何海珊, 趙宇豪,2, 吳健生,2,*

1 北京大學城市規劃與設計學院,城市人居環境科學與技術重點實驗室, 深圳 518055 2 北京大學城市與環境學院,地表過程與模擬教育部重點實驗室, 北京 100871

氣候變化歷來是各國科學家和政府關注的全球性環境問題之一,全球氣候變化的主要表現為全球變暖[1]。如果不采取減排措施,到本世紀末,全球平均夏季溫度將會比工業化前高出4℃以上[2],亞洲的夏季溫度將會比工業化前增加6℃,而亞洲某些高緯度地區增溫將會高達8℃[3],并且增溫的趨勢不會減緩。全球溫度的持續升高導致了水資源匱乏[4]、海平面上升[5]、高溫熱浪[6]和生物多樣性破壞[7]等一系列環境問題。全球變暖帶來的環境災難,引起了國際間的強烈關注。1992年通過的《聯合國氣候變化框架公約》,要求通過控制溫室氣體的排放,來應對全球氣候變暖給人類發展帶來的不利影響。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》,要求發達國家和發展中國家分別從2005年和2012年起開始承擔減少碳排放量的義務。2016年正式簽署的《巴黎協定》為2020年后全球應對氣候變化行動做出安排。同時,聯合國可持續發展目標SDGs中的SDG13氣候行動,明確表示到2030年投資2—4萬億美元,用于促進減排措施和應對災害風險。為了實現和完成低碳減排的目標和任務,優化土地利用結構,使之實現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。

目前土地碳排放計算方法可總結為3種,分別是實驗法、能源法和生命周期法。實驗法是用整體或抽樣的方法實地測算特定區域內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算的碳排放,其主要的標準和協議分別是政府間氣候變化專門委員會 (IPCC) 的技術報告和方法指南以及世界資源研究所(WRI)和世界可持續發展工商理事會(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劃,但它們主要基于IPCC指南和溫室氣體協議的標準和協議。生命周期法不僅考慮生產鏈中的直接消耗,還考慮廢品循環利用的碳能源儲存與轉換,從產品的最初生產到最終消費的整個生命周期過程中所產生的碳消耗量、損失量、積累量、轉換量都需納入計算內[19- 20]。如ICLEI(倡導地區可持續發展國際理事會)、UN/WB(聯合國環境署、聯合國人居署和世界銀行)、EC-CoM(與歐盟委員會市長公約)等均將基礎設施、燃料和車輛碳循環過程納入生命周期法計算中。本研究基于IPCC框架采用能源法計算深圳市建設用地碳排放,基于實驗法借鑒深圳市或其附近地區的碳排放系數研究文獻獲取耕地、園地、林地、草地、水域和未利用地的碳排放。而土地利用變化結構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量結構進行模擬預測。如裴亮等[21]基于馬爾可夫模型預測了大凌河流域未來近10年的土地利用情況,并對其變化趨勢進行了分析。趙小汎等[22]運用灰色預測模型探究了江西省新建縣各個土地利用類型在數量上的變化趨勢。付玲等[23]采用BP人工神經網絡構建城市增長邊界模型(UGBM),預測了北京市2020年的城市增長邊界。許月卿等[24]構建基于Logistic回歸模型的土地利用變化空間驅動力模型,分析了張家口市土地利用變化的時空特征,并對未來建設用地空間格局進行模擬和預測。Han等[25]基于多目標線性模型,預測了不同優化情況下2020年和2025年的深圳市土地利用數量結構。第二個方面是對土地利用的空間結構進行模擬。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年城市用地擴張在微觀格局上的變化。馬冰瀅等[27]基于CLUE-S模型,模擬了2025年京津冀城市群在“生態保護”、“統籌兼顧”、“糧食安全”和“經濟發展”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模型預測了伊朗巴格薩里亞流域2030年的土地利用結構。此外,還有些學者基于GEOMOD模型[29]、AGENT模型[30]等對各類土地進行空間結構模擬。

然而,上述的大部分研究在運用模型時,往往將各土地利用類型的轉換概率單獨進行訓練和估算,忽略了土地利用類型與多種驅動因子之間的模糊和不確定關系,從而導致在計算土地利用類型的轉換概率時往往會產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模型是在系統動力學模型和元胞自動機模型的基礎上整合人工神經網絡選擇機制建立的,人工神經網絡是一種用來繪制歷史土地利用與土地利用之間的復雜非線性關系的有效方法,比傳統的Logistics回歸[32- 33]等方法更加能夠展現出各個驅動因子與各個土地利用類型的關系,能夠有效地處理各種土地利用類型相互轉換的不確定性和復雜性。FLUS模型不僅能夠處理復雜的土地利用變化[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注。如Li等[35]使用FLUS模型得出的全國土地利用變化數據,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海平面上升的情景,并評價了該地區未來的區域環境風險。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展情景下城市邊界的變化,為城市規劃提供了建議。

深圳市是我國改革開放的先行區域,也是粵港澳大灣區的核心引擎和中國特色社會主義先行示范區。2018年末,深圳市GDP 達到24221.98萬億,超越香港,在粵港澳大灣區中排名第一。但是,隨著城市化的飛速發展和經濟的迅猛提高,深圳市的碳排放量迅猛增長[38],不利于深圳市的可持續發展。故而,深圳市亟需找到土地利用結構與低碳排放之間的合理平衡點并相應增大其生態效應,同時,以深圳市為例,不僅可以為深圳的可持續發展和低碳城市試點工作提供依據,對其余地區也有著引領和示范作用。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量結構,其次運用FLUS模型對土地利用結構進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展提供規劃建議,同時給其他區域的低碳規劃提供參考意見。

1 研究區域與數據來源

1.1 研究區域

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

1.2 數據來源

1.2.1土地利用結構因子

根據相關研究結果[39- 40],尋找影響土地利用變化的因子應符合以下幾個原則:(1)數據的可獲得性；(2)數據的可定量化；(3)在深圳市內存在空間異質性,即尋找的驅動因子不應該在研究區內存在空間一致性；(4)與深圳市土地利用變化結構具有較大的關聯性；(5)自然因子和社會經濟因子要同時考慮。本文選取了13個驅動因子,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,其具體的數據來源和說明如表1所示。

表1 數據來源

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、土壤和死亡有機質碳庫[41- 42]。計算公式為:

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為死亡有機碳存儲量。

四大碳庫碳密度數據主要來源于已有研究。地上部分碳密度數據主要參考方精云等[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碳密度,通過國內外文獻中相關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)密度比例系數以及生物量-碳轉換系數[43,46- 47]換算得到的。土壤碳密度主要參考劉紀元等[48]、譚一凡等[44]、Li等[45]和IPCC[1]的研究成果。需要說明的是,雖然城市建設用地并非完全沒有碳存儲,但Golubiewski[49]指出高度城市化區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置為0。另外,根據陶瑩慧等[50]的計算方式,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

碳排放系數來源于深圳市及其周邊地區的研究結果,對上述結果取算數平均數可以減少單一誤差給研究結果帶來的負面影響。具體的數據及其文獻來源如表3所示。

表3 各土地利用類型的碳排放系數及其文獻來源

建設用地碳排放系數的計算是基于間接估算法[53- 54],其碳排放主要來源于九種生產生活所需的能源,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],各種化石能源標準煤轉化系數和對應的碳排放系數分別參考《中國能源統計年鑒》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《深圳市統計年鑒》,最終計算出深圳市建設用地的碳排放系數為159.38 t/hm2。

2 研究方法

2.1 情景設置

基于深圳市各土地利用類型的碳密度和碳排放系數,分別構建碳匯最大化和碳排放最小化情景下的土地利用結構模型。按照《深圳市土地利用總體規劃(2006—2020年)》、《深圳市國民經濟和社會發展第十三個五年規劃綱要》、《深圳市統計年鑒》和《廣東省統計年鑒》等關于深圳市用地規模的發展限制,對其設置了相應的約束條件。利用LINGO軟件對模型進行求解,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劃(2006—2020年)》中規劃2020年的各土地利用類型的規劃面積對其進行約束。按照表2可以構建出基于碳匯最大化和碳排放量最小化情景下的目標函數。其中,碳匯最大化的目標函數和碳排放量最小化的目標函數分別為式(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(CA)被定義為一個離散的動力學模型,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模型被廣泛的應用于土地利用變化的預測和模擬,而FLUS模型(http://www.geosimulation.cn/flus.html)是基于改進后的CA模型。由Liu等[57]聯合制作出來的能夠預測土地利用結構在空間上分布狀況的預測模型。FLUS中CA的分配方法分兩步實施:首先,使用人工神經網絡用于訓練和估計特定網格單元上城市土地的發生概率表面；其次,設計的自適應慣性和競爭機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

研究尺度是地理學研究的核心問題之一,因此選擇合適的研究尺度十分關鍵。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模型中的神經網絡訓練模塊分別生成7種土地利用類型與驅動因子之間的發生概率。其次,用SPSS中的ROC Curve工具分別計算不同精度下各土地利用類型的AUC(Area Under Curve)值。從結果可知,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,將土地利用變化驅動因子和深圳市土地利用變化的柵格圖層設置成100 m×100 m的分辨率。

2.3.2FLUS模型精度驗證

以2010年深圳市土地利用現狀為初始圖層,模擬2015年深圳市土地利用情況,并以深圳市實際土地利用情況為標準,用Kappa系數對預測結果進行檢驗,結果見圖2。最終Kappa系數為0.90,總體精度為93%,說明基于FLUS模型對深圳市2015年土地利用結構的模擬結果理想,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 結果與分析

3.1 不同情景下的面積數量結構分析

表4為碳匯最大化情景、碳排放最小化情景和2020年現狀的土地利用數量結構。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構效果更佳。

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構

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年土地利用結構模擬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果如圖3所示。總體來看兩種情景與2020年現狀結構同中有異。與2020年相比,相同點是兩種情景下建設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成兩種低碳情景下的耕地,而其他農用地并未轉為耕地,這跟深圳市的生態保護線、耕地保有量政策和退耕還林政策有一定的關系。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、草地和水域轉變為兩種情景下的園地,中部也有少許的建設用地轉為園地。對于林地來說,主要是零散的園地轉為林地,還有少許的耕地、草地、水域和未利用地轉為林地。從水域的空間分布上來看,沒有其他用地轉為水域,其在2020年的空間分布基礎上有少許的縮減。從建設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為建設用地。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為草地,而在深圳市東部則有少量的園地轉為草地。

3.3 各情景之間的土地利用結構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年現狀互相之間的差異部分在數量上存在顯著差別,而兩種情景間的土地利用結構差異部分在數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年現狀相互之間的土地利用結構差異部分的碳密度和碳排放量及其對應的土地利用結構占比。由下圖可知,碳匯最大化和碳排放最小化情景相比于2020年其碳密度不變區域、增加區域和減少區域面積均近乎為8∶1∶1,而碳排放量不變區域、增加區域和減少區域面積近乎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和碳排放量減少區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和碳排放量不變區面積分別均占82%和79%,碳密度增加區和碳密度減少區分別均占10%和占8%,碳排放量增加區域占8%,減少區域則分別占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域均占2%,碳排放減少區域比碳密度增加區域多1%。

兩種低碳情景與2020年現狀相比,建設用地和林地基數大是導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域占比多的主要原因,同時其略微的擴張和縮減又是引起碳密度變化和碳排放量變化的關鍵原因。而園地和草地的縮減和擴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域中均為建設用地最多,其次是林地；碳密度最大化情景下碳密度增加區和碳排放最小化情景下碳排放量減少區中均為林地占地面積最大,相反,碳密度最大化情景減少區域和碳排放最大化情景增加區域均為建設用地面積占比最多。兩種低碳情景相比,碳密度和碳排放不變區域均為未利用地占地面積最多,碳密度增加區域和碳排放減少區域均為草地占比最多,碳密度減少區域和碳排放量增加區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構及其相應土地利用結構Fig.4 The carbon density and carbon emission structure of the land use and the corresponding land use structure

圖5呈現了兩種低碳情景和2020年現狀相互之間碳密度和碳排放差異結構。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域,而中部是碳密度減少和碳排放增加的區域。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域和碳排放減少區域主要位于東部和西部,而碳密度減少區域和碳排放增加區域主要位于中部。對于兩種低碳情景來說,碳密度增加區域和碳排放減少區域主要位于西南部,而碳密度減少區域和碳排放增加區域主要位于中部。

圖5 土地利用差異部分的空間結構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增加,其原因在于碳源的增加速度遠大于碳匯的增加速度。林地、草地和園地作為生態系統中的碳匯主力軍,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,也為整個生態系統增加了少量的碳存儲空間[58]。從碳源的角度來看,建設用地[59]和耕地[60]作為生態系統中的碳源重大貢獻者,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動因子,相關研究表明坡度[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構也有一定的影響,因為水資源對于工業、農業布局有重要影響[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；社會經濟因素中的人均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體現區域經濟水平, 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構還受到距海岸線距離、距深港帶距離有關,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、三產業有重大影響, 間接影響土地利用[61]。同時,對于深圳市的政府性區域規劃難以用數據量化將其納入影響土地利用變化的驅動型因素,預測出的土地利用結構難免與現實有些許差別。因此如何完善驅動因子來提高預測的精度是本文需要進一步探索的地方。在本研究中,各因子對土地利用結構的轉換概率如圖6所示。高程和坡度是影響耕地、園地和林地擴張或縮減的主要原因,且高程和坡度越小,耕地擴張的概率越大,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張或縮減的關鍵因子,與市中心距離越大、與海岸線距離越小,草地擴張的概率就越大；對于水域,本文涉及的因子均對其擴張概率產生負向影響,其中坡度對其影響最大；GDP和人口密度對建設用地和未利用的擴張均有積極作用,與海岸線的距離也對未利用地的擴張有積極作用。因此在未來土地利用規劃中為了低碳情景,需要時刻關注生態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,籃圈為負向影響,面積越大則表示其轉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算碳排放量和碳儲量,其與實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突出土地的生態功能,重點在于對比各土地利用類型或各情景下土地的碳量差異,以提出對應建議。同時,本文將2010—2015年的土地利用數據和驅動因子作為預測2020年碳匯最大化和碳排放最小化情景下的土地利用結構,但是由于數據可獲得性的制約和限制,不能預測出更遠的、甚至更加長久的深圳市不同情景下的土地利用變化結構。因此如何利用已有的數據或者獲取更多有用的數據來分析和反演更加長久的深圳市土地利用變化結構是本文下一步需要突破的關鍵點。其次,文章給出的兩種假設情景實際上為比較理想的情景假設,面向更加復雜的現實發展,如何在中和與發展之間求取平衡,即碳匯和碳排放達到合理配置的狀態,營造更多的中間情景,是下一步需要重點關注的方向。

5 結論

(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、水域和建設用地的減少,這兩種低碳情景的碳匯能力增強而碳排放量減少。

(2)碳匯最大化與碳排放最小化情景與2020年現狀差異部分在數量上存在顯著差別,而兩種低碳情景下土地利用結構差異部分在數量上存在的差別較小。前者的差異部分主要是林地和建設用地,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域和中部零星分布的區域。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域,而中部是碳密度減少和碳排放增加的區域。因此對中部區域進行重點調控,有利于深圳市碳中和和碳達峰的實現。