【文献研读】监测黄河三角洲土地利用碳排放的时空特征及其驱动机制:基于格网分析

以下文章来源于区域经济 ，作者任亮 研读

监测黄河三角洲土地利用碳排放的时空特征及其驱动机制:基于格网分析

摘要：全面、准确地把握土地利用碳排放（LCE）水平及其驱动机制是中国追求低碳发展成功的关键，也是制定和实施区域碳排放战略的科学依据。本文基于化石燃料碳排放栅格数据（由人为二氧化碳开放数据清单（ODIAC）平台发布）和土地利用数据，选择黄河三角洲为研究区域，采用改进的LCE测量模型、探索性空间数据分析、多尺度地理加权回归（MGWR）等模型，在网格层面探索LCE的时空异质性和驱动机制。结果显示如下：2000-2019年，研究区LCE总量持续增加，增长率有所下降，但尚未达到LCE的峰值。研究区的LCE呈现出明显的全局自相关。H-H聚集区呈现出相对稳定的空间分布范围；L-L聚集区呈现出覆盖整个研究区的广泛分布特征；而H-L和L-H的聚集区，尚未达到规模。在全域维度上，2000-2019年LCE与驱动因子（净初级生产力（NPP）、夜间光照（NTL）、人口密度（PD））的平均相关系数为0.11、0.28、0.12；在局部维度上，各因子对LCE的影响强度（从强到弱）为PD、NTL、NPP（2000）和NTL、PD、NPP（2019）。研究结果为制定、实施区域碳排放战略提供了科学依据和基本保障。

一、引言

随着城市化和工业化的快速发展，二氧化碳等温室气体造成的气候变暖问题逐渐显现，严重制约了社会、经济、生态的协调和可持续发展，甚至直接威胁到人类的生存。然而，作为碳排放的第二大来源，土地利用在实现碳达峰和碳中和目标方面发挥着重要作用。黄河三角洲是中国的一个重要经济区，也是黄河河口的一个重要生态屏障。因此，有必要对LCE进行精确的估计，以便进一步研究，特别是在黄河三角洲地区。为了科学地探讨LCE的演变特征及其驱动机制，有必要澄清两个方面，“如何准确测量LCE的水平”和“如何科学地理解影响LCE的驱动机制”。这两方面的具体研究现状如下图所示：

二、数据来源与方法

（一）研究区

黄河三角洲是中国重要的生态屏障和经济区，其主体是中国山东省东营市境内的一个扇形三角区。本文选择黄河三角洲的东营市作为研究区域（36◦55′～38◦10′N，118◦07′～119◦10′E）、包括河口区、垦利区、东营区、利津县和广饶县五个县区，面积约为7674.01平方公里。2018年，黄河流域八省的能源消费达到13.88亿t，占全国能源消费总量的29.92%。它是中国主要的能源供应和消费地区，因此也是中国能源消费和碳排放的重点地区。

（二）数据来源

（1）夜间灯光（NTL）数据。来自NOAA网站NGDC数据中心（http s://www.ngdc.noaa.gov/eog/download.html）。2000年至2013年基于DMSP/OLS的NTL数据，像素灰度值范围为0-63，空间分辨率为30′′；2012年至2019年基于NPP/VIIRS的NTL数据，空间分辨率为15′′。

（2）NPP数据。来自NASA最新的MODIS（中分辨率成像光谱仪）的MOD17A3产品（http://reverb.echo.nasa.gov ），其空间分辨率为1公里，时间分辨率为1年。

（3）土地利用数据。来自中国科学院资源环境科学与数据中心，分辨率为30米(http://www.Resdc.cn/data.aspx)。

（4）人口密度数据（tiff格式，精度为1公里×1公里）来自世界人口网（https:// www.worldpop.org/project/list ）；单位定义为每平方公里人口。

（5）碳排放数据（基于化石燃料数据）。主要来自ODIAC发布的2000-2019年全球碳排放栅格数据(http://db. cger.nies.go.jp/dataset/ODIAC/data_policy.html）。

（三）研究方法

（1）土地利用碳排放的测度

LCE估算方法可分为直接碳排放估算和间接碳排放估算。其中，直接碳排放是指耕地、林地、草地、水面、未利用地等产生的碳排放；间接碳排放是指社会经济发展活动在碳源地类型（建设用地和耕地）上所消耗的能源的碳排放。

1.直接碳排放的计算

Ex 是直接碳排放 (t), Ai 第i种土地利用类型的碳排放 (t), Si 是第i种土地利用类型的面积 (hm2), Ti第i类型土地利用的碳排放系数(t⋅hm -2⋅a -1).

2.间接碳排放的计算

在ODIAC平台发布的数据帮助下，通过月度数据获得了2000年至2019年的碳排放数据（侧重于化石燃料的碳排放）。

Ei间接碳排放量(t), Mi月度碳排放数据.也就是说，获得了研究区域内化石燃料燃烧的碳排放栅格数据的空间分布结果

（2）时空分析模型

探索性空间数据分析是一种数据驱动的分析方法，旨在利用地理要素的空间分布模式、趋势和空间关联来阐明地理分布的空间过程。该方法分为趋势分析、全局空间自相关分析和局部空间自相关分析。

1.趋势分析

趋势分析是时空动态分析中常用的一种方法，用于研究年际变化的特点。其公式如下：

其中Value是t年中某个时间点的LCE; T是周期（本文中为2000年至2019年的20年）和T年序列（本文中的1-20年）。

2. Mann-Kendall检验

Mann-Kendall检验通常与趋势分析相结合，以检验长期变化趋势的重要性。它已被广泛用于气象学、水文学、植被等研究，并取得了良好的效果。其中LCE的值根据时间序列定义为V1、V2....、Vn，第i个累积样本量S的计算公式为：

Z检验统计量的计算公式是:

Var(S) 是方差, and S 是正太分布.根据正态分布表，本文选择了|Z|>1.96时的95%显著性检验。

3. 空间自相关分析

全局空间自相关是用来衡量空间特征的属性值在整个地区的聚集或分散程度的。本文采用GlobalMoran's I来测量全局空间自相关。

n 是空间单元的数量, Zi and Zj 表示空间单元i和j的属性值,  Wij 是空间权重系数矩阵，表示每个空间单元的相邻关系。

局部空间自相关（Local Moran's I）可以可以测量各种集聚值以及集聚的空间分布情况。

n 是空间单元的数量, Xi and Xj 表示空间单元i和j的属性值, Wij 是空间权重系数矩阵

（3）驱动机制模型

1. 相关分析

为了从全局维度把握各驱动因素与LCE的相关性，本文使用MATLAB确定相关系数。

其中Rxy是x变量和y变量之间的相关系数，xi是驱动因素，x是2000年至2019年相应驱动因素的平均值，yi是第i年的LCE，y是2000年到2019年LCE的平均数，i是年份，n是总年份。

2. 多尺度地理加权回归

多尺度地理加权回归（MGWR）模型可以表示为：

其中 (ui, vi)是位置i处的中心坐标; yi是i处的属性值; bwj表示第j个变量回归系数所使用的带宽; βbwj(ui, vi)是第j个变量在i处的回归系数;  β0(ui, vi) and εi分别是模型在i处的截距和误差项

三、结果分析

（一）LCE时空特征分析

（1）LCE时间序列的特点

从2000年到2019年，研究区的LCE总量持续增加，但增长率下降，整体上呈现出收敛的趋势，但还没有达到碳峰值,如下图所示。2010年至2019年的增长率呈明显下降趋势，其中LCE总量的年均增长率为0.71%，LCE平均值的年均增长率为0.61%。

本文按照自然断点法将LCE分为土地利用负碳排放、土地利用低碳排放、土地利用中碳排放和土地利用高碳排放。土地利用负碳排放等级的覆盖面积约占总量的20%，呈小幅增长；土地利用低碳排放等级的覆盖面积约占总量的70%，呈一定下降趋势；中度土地利用碳排放等级的覆盖面积约占总量的12%，呈上升趋势；高土地利用碳排放等级的覆盖面积约占总量的3%，呈上升趋势。

研究区LCE的变化趋势和显著性检验显示，2000年到2019年，研究区58.81%的LCE呈现上升趋势。显著增加的面积占总面积的48.67%，稍微显著增加的面积占总面积的10.14%。研究区非明显变化的面积占总面积的28.94%，主要分布在垦利区和河口区，呈平面状；明显增加的面积也呈分散分布。此外，LCE呈下降趋势的地区占总面积的10.25%。显著减少的区域仅占总面积的5.69%，主要分布在研究区的北部（河口区、垦利区和利津县）；略微显著减少的区域占总面积的4.56%，广泛分布在显著减少区域的周围。         

（2）LCE空间分布特征

从2000年到2019年，研究区LCE的Moran's I均在0.8左右，且为正值，且呈上升趋势，具有明显的空间正相关关系。

2000-2019年LCE的局部空间自相关聚类结果显示如下（下图所示），聚区总体上呈现出“聚集、大分散”空间尺度分布格局，空间分布范围相对稳定，主要集中在东营区、广饶县和河口区。②L-L集聚区总体上几乎覆盖了整个研究区域。③2000-2009年，H-L集聚区占研究总面积的比例不足1%，2010年后几乎降为零，说明中心城区出现“价值LCE周边、高价值LCE”空间结构的概率较低。④2000-2019年，L-H集聚区约占总研究单元的3.3%，这种类型的LCE水平的相邻单位之间的空间差异很大。

（二）影响LCE变化的驱动因素分析

（1）影响全域LCE变化的驱动因素分析

如下图所示，研究区LCE与驱动因子的平均相关系数分别为0.11、0.28和0.12。首先，研究区LCE和NPP呈现正负相关的面积比例比较接近，分别占总面积的44.70%和32.82%。其次，LCE与NTL正相关和负相关的地区面积比例差异较大，分别占总面积的69.51%和7.21%。第三，研究区LCE和PD呈现正相关和负相关的面积比例比较接近，分别占总面积的43.10%和34.25%。研究区内LCE与这三个因子的相关性具有明显的空间异质性，这可能与这些地区的LCE对因子变化的反应程度不同有关。

（2）影响局部LCE变化的驱动因素分析

因素的行动规模分析。基于GWR和MGWR模型的估计结果，使用AICc准则方法对模型进行测试，发现MGWR模型的拟合度和解释力显著提高。结果表明，2000年，NPP、NTL和PD的作用量表分别为46、48和44；2019年，NPP、NTL和PD的行动量表分别为51、54和53。这两个周期的结果都小于GWR的最佳带宽，并且它们对LCE变化的影响具有很大的空间异质性。

影响因素强度分析。进一步描述了MGWR模型计算的每个回归系数的空间分布特征，并对MGWR模型的各个回归系数（显著性水平为0.05）进行了统计描述。其中，NPP的平均回归系数为−0.136（2000）和−0.139（2019）；NTL的平均回归系数分别为0.456（2000年）和0.703（2019年）；PD的平均回归系数为0.696（2000年）和0.346（2019年）。因此，各驱动因素的综合冲击强度顺序为NPP     （2000）< span>和NPP       （2019）。此外，MGWR模型计算的回归系数的大小可以决定影响LCE的最重要因素。每个因素的回归系数的绝对值（高值区域）越大，LCE的影响就越大。< span>       （2019）。此外，MGWR模型计算的回归系数的大小可以决定影响LCE的最重要因素。每个因素的回归系数的绝对值（高值区域）越大，LCE的影响就越大。<>     （2000）<>

（3）驱动因素的空间异质性

对于NPP变量，在整个研究过程中，系数估计值显著为负值（如下图所示），表明LCE随着植被覆盖率（NPP）的增加而降低。根据2000年和2019年基于系数估计的空间分布结果，高值区域主要分布在研究区的东北部、外围和南部；低值区主要分布在研究区的北部和中部。NPP对LCE有抑制作用；NPP越高，覆盖区的土地利用类型越有可能成为“碳汇”。

对于NTL指数变量，系数估计在整个研究中是显著的，表明LCE随着NTL指数的增加而增加。NTL指数可以在一定程度上解释城市化水平和能源消费水平。根据2000年和2019年基于系数估计的空间分布结果，系数估计的高值区域主要分布在研究区的北部、核心区和南部；系数估计的低值区域分布在研究区域的大部分区域。NTL指数对LCE具有正向驱动作用，NTL指数较高，覆盖区域的土地利用类型为“碳源”。

对于PD指数变量，系数估计是整个研究区域的显著极化空间模式。根据2000年和2019年基于系数估计的空间分布结果，其高价值区域的分布状态与NTL指数的分布状态相似。与2000年相比，2019年因子估计的总体水平有所下降，高价值区域分布区减少。

四、讨论

（一）LCE估算结果的科学性

掌握研究区域的土地利用概况是准确评估LCE水平的关键。我们发现，在测量LCE时，所有土地使用类型都在20a内转移。其中，从2000年到2019年，研究区域的建成区土地增加了近637.87平方公里，同时增加了约1744.7万吨的低碳当量。也就是说，建成区土地是LCE的主要来源，也显著影响了研究区域的LCE水平。我们还发现，无论是草地、水还是未使用的土地，其LCE水平都表示为负的土地使用碳排放。

（二）LCE与因素的关系

用于驱动因素的选择和识别驱动因素的方法。考虑到数据的可用性和规模（网格规模），本文选择了三个因素，PD、NTL指数和NPP。其中，关注影响碳汇水平的NPP和关注城市化发展的NTL指数水平。其次，本文选择的MGWR模型可以更科学地识别驱动机制。

对于驱动机制方面。实证分析结果表明，NPP、NTL和PD因素对LCE的影响在空间区域之间是异质的。就NTL而言，其对建成区土地的LCE影响最强。这可能是由于产业集聚和城市规模扩张驱动的能源消耗，这将不可避免地导致LCE的急剧上升，并改善NTL指数对LCE的解释。就NPP而言，其对生态土地区域LCE的影响逐渐减弱。这可能是由于2000年至2019年在研究区河口实施了生态修复试点项目，改善了生态环境和固碳能力，最终影响了NPP对研究区LCE的解释。就PD而言，其对研究区域内LCE的影响具有双向效应。这可能是由于人口更加集中在城市发展的核心区域，这增加了对电力和交通的需求，改变了居民的生产和消费，导致基于人口集中的区域化石能源消费增加，并促使低成本经济呈现出增加的趋势。

（三）对土地利用规划和碳减排管理的影响

本文的研究结果表明，经济规模的增长和城市化（NTL指数）仍然是研究地区LCE增长的主要原因。该地区碳减排政策的实施需要从流域发展的角度出发，在保持经济平稳增长的前提下实现流域低碳绿色发展。同时，结合区域资源环境承载力和国土空间规划，合理控制人口规模和城市发展力度，优化城市空间发展结构。首先，对于紧迫的区域和国家需求，可以采取区域化和精细化管理。经济较发达的中心城区应保持其中心优势；最大限度地利用清洁能源，提高绿色建筑的比例；并保持高水平的集约土地利用，以降低LCE的强度，同时允许其总量适当增加。此外，新的发展空间需要加强碳源地和碳汇地的结构调整，共同建设绿地和水网，实现区域层面的生态保护和碳中和。第二，应根据研究区域的生态修复指南和标准，制定相应的措施，根据自然修复的原则，补充初级和人工修复区域，并根据碳储存能力，最大限度地进行综合修复，逐步恢复沿海生态系统的健康。

（四）不足和前景

本研究以间接碳排放测量为重点，将ODIAC平台发布的基于化石燃料的碳排放栅格数据与直接碳排放计算结果叠加，获得研究区域2000-2019年LCE的测量结果。其次，利用相关系数和MGWR模型，从全局和局部维度探讨了LCE与研究区域内各种因素之间的关系。然而，这项研究仍有一些局限性。首先，应考虑LCE的评估模型。尽管已经制定了LCE核算方法，但每种土地利用类型的碳排放系数主要基于其他专家学者的结果。同时，不同地区存在差异，因此黄河三角洲LCE的计算存在一定的误差。第二个限制是LCE的驱动机制。在本文中，分析了PD、NPP和NTL因素与LCE之间的关系，但这些关系不够全面。因此，在未来的研究中，考虑到该研究区域的因素，应修正土地利用的碳排放系数，提高LCE的评估精度。

五、结论

以黄河三角洲东营市为例，本文结合了土地利用数据和碳排放栅格数据，以探索其空间和时间变化，并分析LCE与因素（NPP、NTL和PD）之间的驱动机制。主要结论如下：

（1） 2000年至2019年，研究区域的LCE总量呈上升趋势，但其增长率有所下降。显著增加的面积占48.67%，显著减少的面积占5.69%。在两大碳源中，建成区用地的碳排放量最大；在碳汇中，水和草地占主导地位。

（2） 研究区域的全球空间自相关总体上更稳定，Moran’s I值约为0.8，聚集状态显著。研究区域的局部空间自相关主要表现为H–H和L-L聚集带。其中，H–H聚集区主要集中在东营区、广饶县和河口区；L-L聚集区几乎覆盖了整个研究区域。

（3） 在全域维度上，研究区内NPP和LCE的相关空间分布存在显著差异，其相关性的平均值为-0.11；各因子（NTL指数、PD）和LCE在研究区的相关空间分布存在显著差异，其相关性的平均值分别为0.28和0.12。在局部维度上，NPP、NTL和PD的空间作用尺度分别为46、48、44（2000）和51、54、53（2019）。NPP和LCE具有显著的负效应，而NTL、PD和LCE则具有显著的正效应。

我们的研究提供了一个如何量化LCE水平并探索影响LCE的驱动机制的例子。本研究为研究区和黄河流域其他地区实施碳减排提供了有针对性的措施，这将有助于实现可持续发展目标13和高质量发展。

研读人：河南大学2022级土地资源管理专业硕士研究生 任亮

转自：“经管学术联盟”微信公众号

如有侵权，请联系本站删除！