“双碳”目标下的湘西州土地利用碳排放变化及预测研究

doi:10.6046/zrzyyg.2024185

“双碳”目标下的湘西州土地利用碳排放变化及预测研究

夏思盈^,¹, 李静芝^,¹^,², 郑玉佳¹

1.长沙理工大学建筑学院,长沙 410076

2.洞庭湖水环境治理与生态修复湖南省重点实验室,长沙 410114

Changes in land-use-related carbon emissions in Xiangxi and their prediction

XIA Siying^,¹, LI Jingzhi^,¹^,², ZHENG Yujia¹

1. College of Architecture, Changsha University of Science and Technology, Changsha 410076, China

2. Key Laboratory of Dongting Lake Aquatic Eco-Environmental Control and Restoration of Hunan Province, Changsha 410114, China

通讯作者: 李静芝(1984-),女,博士,讲师,研究方向为国土空间规划、城市生态学。Email:lijingzhi2210862@163.com。

责任编辑: 陈昊旻

收稿日期: 2024-05-27 修回日期: 2024-09-16

基金资助:

湘基金委自然科学基金面上项目“生态文明背景下湘西州社会经济-土地利用-生态系统交互耦合机制及国土空间格局优化调控研究”(2023JJ30023)

Received: 2024-05-27 Revised: 2024-09-16

作者简介 About authors

夏思盈(2002-),女,本科生,研究方向为城乡规划。Email: 19985352953@163.com。

摘要

土地利用碳排放研究对实现国家“双碳”目标具有重要意义,进行湘西州土地利用碳排放变化及预测研究对湘西州地区制定“双碳”政策、平衡发展与保护提供理论参考。该文基于2000—2020年共5期土地利用数据对湘西州土地利用情况以及历史碳排放时空演变进行分析,运用脱钩模型以及对数平均迪氏指数(logarithmic mean Divisia index,LMDI)模型对其土地利用碳排放影响因素分解,并设定自然发展、耕地保护优先和生态保护优先3种土地利用情景,对2030年土地利用情况以及碳排放情况进行预测。结果表明: ①林地是湘西州最主要的土地类型,在土地转化方面,2000—2020年20 a间建设用地面积大幅增加,占用了大量林地和耕地,水域和草地的面积减少并转换成了林地和耕地,从碳排放角度,整体上碳汇用地向碳源用地转化; ②20 a间土地利用碳排放总量持续增加,建设用地是主要的碳源土地类型,林地是主要的碳汇土地类型; ③20 a间仅有花垣县碳排放量减少,其他县市均为增加,2010年后,原本碳排放增加地区碳排放量均开始减少,而其他地区碳排放量则出现不同程度的增加,建设用地碳排放量增加是引起地区碳排放量变化的关键因素; ④湘西州整体上一直保持弱脱钩效应,各县市主要是在弱脱钩和强脱钩状态之间变化,经济产出效应和能源效率效应是影响碳排放的主要因素; ⑤3种土地利用情景中总体土地格局未发生大的变化,碳排放量上,生态保护优先情景<自然发展情景<耕地保护优先情景,在未来建设用地仍然是引起整体碳排放量变化的主导因素,林地仍然是主要的碳汇来源。

关键词： 土地利用; 碳排放; LMDI; CA-Markov; 情景预测; 湘西土家族苗族自治州

Abstract

Investigating land-use-related carbon emissions (LCE) plays a vital role in achieving goals of peak carbon dioxide emissions and carbon neutrality (also referred to as the “dual carbon” goals). Research on the changes and prediction of LCE in Xiangxi Tujia and Miao Autonomous Prefecture (also referred to as the Xiangxi Prefecture) can provide a theoretical reference for the region to develop policies on the achievement of the “dual carbon” goals and for local balanced development and protection. Based on five sets of land use data from 2000 to 2020, this study analyzed the land use conditions and the spatiotemporal evolution of historical carbon emissions in Xiangxi Prefecture. The factors influencing LCE were determined using a decoupling model and a logarithmic mean Divisia index (LMDI) model. Furthermore, three land use scenarios were established: natural development, priority of cultivated land protection, and ecological protection priority. Using these scenarios, this study predicted the land use and carbon emissions in Xiangxi Prefecture in 2030. The results indicate that forest land represents the dominant land use type in Xiangxi Prefecture. Regarding land use transition, the period from 2000 to 2020 witnessed a significant increase in construction land, which encroached into substantial areas of forest land and cultivated land. Concurrently, water bodies and grassland decreased in area, being converted into forest land and cultivated land. From the perspective of carbon emissions, land use in the region exhibited a transformation from carbon sinks to carbon sources in general. During the 20-year span, the total LCE continued to increase. Construction land was identified as the primary land type as a carbon source, while forest land was the main land type as a carbon sink. Within the 20 years, carbon emissions decreased only in Huayuan County but increased in all other counties and cities. After 2010, the original regions with elevated carbon emissions showed a decrease in carbon emissions, while other regions witnessed growing carbon emissions to varying degrees. These regional changes in carbon emissions were largely attributed to the increased carbon emissions from construction land. Xiangxi Prefecture maintained a weak decoupling effect generally, with counties and cities fluctuating between weak decoupling and strong decoupling states. The economic output effect and energy efficiency effect served as the primary factors influencing carbon emissions. The overall land pattern remained relatively stable across the three scenarios. The carbon emissions of the three scenarios increased in the order of ecological protection priority, natural development, and priority of cultivated land protection. In the future, construction land will still represent the dominant factor causing overall changes in carbon emissions, while forest land will remain as the primary carbon sink.

Keywords： land use; carbon emission; logarithmic mean Divisia index (LMDI); CA-Markov; scenario forecasting; Xiangxi Tujia and Miao Autonomous Prefecture

PDF (2854KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

夏思盈, 李静芝, 郑玉佳. “双碳”目标下的湘西州土地利用碳排放变化及预测研究[J]. 自然资源遥感, 2025, 37(4): 220-231 doi:10.6046/zrzyyg.2024185

XIA Siying, LI Jingzhi, ZHENG Yujia. Changes in land-use-related carbon emissions in Xiangxi and their prediction[J]. Remote Sensing for Land & Resources, 2025, 37(4): 220-231 doi:10.6046/zrzyyg.2024185

0 引言

2030年前实现碳达峰、2060年前实现碳中和是我国各个领域向更高质量发展的重要目标要求,然而我国目前的碳排放情况距离“双碳”目标仍有较大差距^[1]。已有研究表明,土地利用产生的碳排放占总体碳排放的1/3,是区域减排增汇过程的关键一环^[2-3]。目前基于土地利用碳排放的研究方向包括碳时空分异^[4-5]、碳收支^[6]、碳排放效应^[7]和未来碳排放预测^[8]等,研究尺度以流域^[9]、城市群^[10-11]、省域^[12-13]和县域^[14-15]层面为主,同时也有部分研究聚焦于农村的碳排放研究^[16-17],多方向、多层次的土地利用碳排放研究可为各地区制定“双碳”政策提供参考。然而目前的研究大多集中在土地开发活动剧烈的地区,对土地开发较弱的生态地区研究较少,这类地区往往有巨大的碳汇空间^[18],是实现区域之间碳收支平衡的重要组成部分^[19]。

湘西州作为重要的生态功能区,其大部分地区受人类开发活动影响较弱,碳汇空间大,在实现自身“双碳”目标的基础上也有机会获得碳排显著地区的碳生态补偿效益^[20]。同时有关湘西州的研究大多集中在生态系统服务价值^[21-22]、景观空间格局^[23]和土地旅游资源开发^[24]等领域,关于土地利用碳排放方面的研究较少。因此本文以湘西州为例,研究湘西州2000—2020年土地利用碳排放的变化特征以及未来发展趋势,为湘西州以及更大范围区域制定减排增汇政策提供理论依据。

1 研究区概况与数据源

1.1 研究区概况

湘西州(109°10'~110°23'E,27°44'~29°38'N)地处湖南省西北部(图1),位于湘鄂渝黔4省市交界处,行政区域总面积约1.547万km²。现辖7县、1市和1个经济开发区,有115个乡镇(街道)。截至2020年底,全年生产总值725.11亿元,总人口294.2万人,常住人口248.4万人。全州气候为亚热带季风气候,降水量充沛,地形以山地和丘陵为主。湘西州现有林业用地面积约11.9万hm²,森林资源丰富,森林覆盖率稳定在60%以上,是国家重点生态功能区、国家森林城市,是长江经济带重要生态屏障。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区位置及范围示意图

Fig.1 Schematic diagram of the location and scope of the study area

1.2 数据源及预处理

本文中使用的数据包括湘西州土地覆盖数据,通过人机交互式解译Landsat得到湘西州2000年、2005年、2010年、2015年和2020年5期的土地覆盖数据。将湘西州土地分为耕地、林地、草地、水域、建设用地和未利用地6大类型。数字高程数据(digital elevation model,DEM)来源于地理空间数据云(http://www.gscloud.cn)。坡度数据由ArcGIS软件提取DEM数据获得。公路、铁路和高速路数据由OpenStreetMap网站获取。社会经济数据、能源数据来源于《2020年湘西统计年鉴》^[25]。

2 研究方法

本文对湘西州2000—2020年间土地利用变化特征进行分析,通过直接系数计算法和间接计算法对6类土地利用碳排放进行计算,并分析碳排放的时空分异特征。首先采用脱钩模型^[26-27]和对数平均迪氏指数(logarithmic mean Divisia index,LMDI)模型解析土地利用碳排放影响因素; 其次通过灰色预测模型预测未来能源消耗,用于计算建设用地碳排放量; 最后以元胞自动机-马尔可夫(cellular automata-Markov,CA-Markov)模型作为土地利用预测方法,设置3种发展情景,预测未来湘西州土地利用及碳排放的可能趋势。

2.1 土地利用动态度

土地利用动态度是用于研究一定时期某区域内土地资源利用的变化速率、数量、质量以及差异性情况的方法,可以直观反映人类活动对土地资源利用的影响。本文采用单一土地利用动态度^[28-29]探究湘西州各土地利用类型的变化情况,其表达式为:

(1)

K = \frac{U_{b} - U_{a}}{U_{a}} \times \frac{1}{T} \times 100 %

式中: K为单一土地利用动态度; U_a和U_b分别为初、末年份某类型土地的面积; T为研究时段。

2.2 碳收支核算方法

本研究中5种土地利用类型的碳排放采用直接碳排放系数法,碳收支表达式为:

(2)

C_{i} = S_{i} \times Q_{i}

式中: C_i为碳排放总量; S_i为某一土地利用类型的面积; Q_i为碳排放系数; i为某一土地利用类型。

根据前人相关研究成果^[30-32],结合湘西州实际情况,得出湘西州土地碳排放系数,如表1所示。

表1 土地利用碳排放系数

Tab.1 Carbon emission coefficient of land use

土地利用类型	碳排放系数	碳效应
耕地	0.497 0	碳源
林地	-0.581 0	碳汇
草地	-0.020 5	碳汇
水域	-0.025 3	碳汇
未利用地	-0.000 5	碳汇

新窗口打开| 下载CSV

建设用地的碳排放采用间接碳排放计算方法,计算公式为:

(3)

E_{c} = \overset{3}{\sum_{i = 1}} E_{i} \times f_{i}

式中: E_c为建设用地碳排放总量; E_i为各类能源的消耗量; f_i为各种能源的碳排放系数; i为能源类型。根据国际IPCC碳排放计算指南以及前人研究成果得出能源碳排放系数^[33],详见表2。

表2 能源碳排放系数

Tab.2 Carbon emission coefficient of energy

能源类型	碳排放系数(t/t-1标准煤)
煤炭	0.748
石油	0.583
天然气	0.444

新窗口打开| 下载CSV

湘西州地区碳排放总量计算公式为:

(4)

E = E_{c} + C

式中: E为地区内碳排放总量; C为其他5类土地利用类型碳排放总量。

2.3 碳排放影响因素分析

2.3.1 脱钩效应

脱钩效应可用于描述经济发展与区域环境的协调关系^[34],利用脱钩模型计算脱钩指数,可直观反映湘西州经济发展与碳排放之间的关系。脱钩类型分为8类,详见表3,具体计算公式为:

(5)

T_{t + 1} = \frac{M_{C}}{M_{G}} = \frac{(C_{t + 1} - C_{t}) / C_{t}}{(G_{t + 1} - G_{t}) / G_{t}}

式中: $T_{t + 1}$ 为脱钩指数; $M_{C}$ 为区域碳排放状态; $M_{G}$ 为经济发展状态; t和t+1分别为基期及末期时间; G为地区国内生产总值。

表3 脱钩类型分类

Tab.3 Classification of decoupling types

脱钩状态	脱钩类型	$M_{C}$	$M_{G}$	$T$
脱钩	强脱钩	<0	>0	<0
	弱脱钩	>0	>0	[0,0.8)
	衰退脱钩	<0	<0	>1.2
负脱钩	强负脱钩	>0	<0	T<0
	弱负脱钩	<0	<0	[0,0.8)
	扩张负脱钩	>0	>0	>1.2
连接	扩张连接	>0	>0	[0.8,1.2)
连接	衰退连接	<0	<0	[0.8,1.2)

新窗口打开| 下载CSV

2.3.2 LMDI模型

LMDI模型是当前认可程度高的土地碳排放因素分解方法,具有避免残差和零值问题的优势^[35-37]。根据已有研究^[38]并结合湘西州碳排放特征,本文选取能源结构强度(a)、能源效率(b)、经济产出(c)、土地利用(d)和建设用地规模(e)5个因素,分析湘西州2000—2020年土地利用碳排放影响因素,相关公式为:

(6)

C = a \times b \times c \times d \times e

(7)

\{\begin{array}{l} a = C / E_{n} \\ b = E / G \\ c = G / P \\ d = P / S \\ e = S \end{array}

式中: E_n为区域能源消耗量; 为地区生产总值; P为地区人口总数; S为建设用地规模。通过LMDI模型的加法分解^[39]得到各项影响因子的贡献大小,公式为:

(8)

\begin{array}{l} Δ C = C^{t} - C^{0} = \\ Δ C_{a} + Δ C_{b} + Δ C_{c} + Δ C_{d} + Δ C_{e} \end{array}

(9)

Δ C_{a} = \frac{C_{a}^{t} - C_{a}^{0}}{l n C_{a}^{t} - l n C_{a}^{0}} l n \frac{a^{t}}{a^{0}}

(10)

Δ C_{b} = \frac{C_{b}^{t} - C_{b}^{0}}{l n C_{b}^{t} - l n C_{b}^{0}} l n \frac{b^{t}}{b^{0}}

(11)

Δ C_{c} = \frac{C_{c}^{t} - C_{c}^{0}}{l n C_{c}^{t} - l n C_{c}^{0}} l n \frac{c^{t}}{c^{0}}

(12)

Δ C_{d} = \frac{C_{d}^{t} - C_{d}^{0}}{l n C_{d}^{t} - l n C_{d}^{0}} l n \frac{d^{t}}{d^{0}}

(13)

Δ C_{e} = \frac{C_{e}^{t} - C_{e}^{0}}{l n C_{e}^{t} - l n C_{e}^{0}} l n \frac{e^{t}}{e^{0}}

式中: ΔC为0(基期)到t时期的碳排放综合效应; C⁰为基期碳排放量; C^t为t时期的区域碳排放量; ΔC_a为能源结构强度效应; ΔC_b为能源效率效应; ΔC_c为经济产出效应; ΔC_d为土地利用效应; ΔC_e为建设用地规模效应; $C_{a}^{t}$ 和 $C_{a}^{0}$ 分别为t时刻和基期时刻因能源结构产生的碳排放量;a^t和a⁰分别为t时刻和基期时刻的能源结构强度; $C_{b}^{t}$ 和 $C_{b}^{0}$ 分别为t时刻和基期时刻因能源效率产生的碳排放量;b^t和b⁰分别为t时刻和基期时刻的能源效率; $C_{c}^{t}$ 和 $C_{c}^{0}$ 分别为t时刻和基期时刻因经济生产产生的碳排放量;c^t和c⁰分别为t时刻和基期时刻的经济产出; $C_{d}^{t}$ 和 $C_{d}^{0}$ 分别为t时刻和基期时刻因土地利用产生的碳排放量;d^t和d⁰分别为t时刻和基期时刻的建设用地平均承载人口; $C_{e}^{t}$ 和 $C_{e}^{0}$ 分别为t时刻和基期时刻因建设用地规模产生的碳排放量;e^t和e⁰分别为t时刻和基期时刻的建设用地规模。

2.4 土地利用预测方法

目前,对土地利用的研究已从趋势变化分析发展为时空演变的模拟预测,很多学者应用未来土地利用模拟(future land use simulation,FLUS)^[40]、斑块生成土地利用模拟与生态系统服务评估(patch-generating land use simulation-integrated valuation of ecosystem services and tradeoffs,PLUS-InVEST)^[41]、Markov-FLUS^[42]和CA-Markov等模型在不同研究区开展了土地利用变化的模拟预测。其中,CA-Markov模型凭借其复杂的空间变化模拟和长序列预测优势在土地利用变化研究中得到较为广泛的应用。

2.4.1 CA-Markov模型

Markov模型是一种利用概率论相关知识对事物状态变化进行长期预测的方法,重点强调数量上的变化^[43-44]。元胞自动机(cellular automata,CA)模型是一种时间和空间状态均离散的动力学模型,通过元胞之间的相互作用对复杂空间变化进行计算模拟。CA-Markov模型则是结合两者优势,基于既有年份的土地利用图像,对未来年份的土地利用图像进行时间和空间上的双重模拟^[45-46]。

2.4.2 MCE模型

多准则评估(multi-criteria evaluation,MCE)模型可综合分析影响土地利用变化的多种自然和经济因素,通过设置限制性因子,控制土地利用类型转化的数量与方向,生成的适宜性图集可以补充CA模型转换规则上的不足,提高模型精度^[47]。

2.5 灰色预测模型

灰色预测模型是一种通过简单数据预测目标时间数据的模型,能弥补数据部分缺失带来的误差,减少外部因素对数据的影响^[48-49]。

3 结果与分析

3.1 2000—2020年土地利用变化分析

2000—2020年间湘西州土地利用类型面积大致为: 林地>耕地>草地>水域>建设用地>未利用地,但2010年建设用地面积超过水域面积,并持续增加。林地占比保持在70%以上,是湘西州最主要的土地类型,耕地占比在19%上下浮动(图2)。从土地利用动态度上看(表4): 建设用地>未利用地>水域>耕地>草地>林地。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2000—2020年湘西州土地利用图

Fig.2 Land use map of Xiangxi Prefecture from 2000 to 2020

表4 2000—2020年土地利用动态度

Tab.4 Land use dynamics from 2000 to 2020

土地利用类型	2000—2010年		2010—2020年		2000—2020年
土地利用类型	净转出面积/ km²	动态度/%	净转出面积/ km²	动态度/%	净转出面积/ km²	动态度/%
草地	-1.55	-0.01	9.35	0.07	7.81	0.03
耕地	21.23	0.07	30.74	0.10	51.97	0.09
建设用地	-50.79	-6.30	-60.38	-4.59	-111.17	-6.89
林地	27.83	0.03	21.45	0.02	49.28	0.02
水域	4.14	0.36	-1.43	-0.13	2.71	0.12
未利用地	-0.86	-12.06	0.27	1.72	-0.59	-4.14

新窗口打开| 下载CSV

由图3和表4可知,20 a间建设用地面积不断增加,尤其在2005—2010年间增幅最大,共增加了103.83 km²,占增加总量的93%,表明2005—2010年间湘西州进入快速城镇化阶段,此期间建设用地的主要转入地类为林地和耕地,说明这阶段的城镇化侵占大量农田,牺牲了生态效益。耕地在2000—2005年间有增加,在后续15 a间则不断减少,尤其在2005—2015年的10 a间减幅较大。林地面积整体呈不断减少的趋势。草地面积小范围浮动,主要转出为林地,其次是耕地。水域面积变化主要呈减少趋势,主要转出为耕地和林地。未利用地面积保持小幅的增长。土地转化方面表现为: 建设用地面积大幅增加,占用了大量林地和耕地,水域和草地的面积减少并转换为林地和耕地。从碳排放角度看: 整体上碳汇用地向碳源用地转化。综上可以看出,湘西州城镇化发展过程中,经济发展的需求推动着建设用地扩张,影响着土地空间格局,未来平衡好经济发展与粮食安全、生态保护的关系是湘西州发展的关键。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 土地利用类型转移图

Fig.3 Land use type transfer

3.2 湘西州2000—2020年间碳排放情况

3.2.1 土地利用碳排放

土地利用碳排放情况见表5。2000—2020年20 a间土地利用碳排放总量持续增加,碳排放量从118.59万t增加到145.54万t,增加26.95万t、净碳排放量增加最快的区间为2005—2010年,增加了10.69万t,占20 a总共增加量的39.65%,主要原因为建设用地碳排放量大幅增加; 净碳排放量增加最少的区间为2015—2020年,增加了1.96万t,说明在这5 a间湘西州逐渐重视集约用地、能源改革等发展策略。20 a间碳源总量持续增加,建设用地是主要的碳源土地类型,20 a间其碳排放量增长了16%,占碳源总量的90%以上; 耕地的碳排放量稳定在15万t左右,对碳源贡献较小,碳源总量保持平稳; 林地是主要的碳汇土地类型,占碳汇总量的99%以上; 其他3类碳汇土地类型的碳汇量基本不变。因此,控制建设用地碳排放、保护林地的碳汇能力对湘西州实现“双碳”目标至关重要。

表5 2000—2020年土地利用碳排放量

Tab.5 Carbon emissions of various land use types from 2000 to 2020(万t)

碳排放类型	2000年	2005年	2010年	2015年	2020年
耕地碳排放	15.12	15.16	15.02	14.91	14.87
林地碳排放	-63.82	-63.73	-63.71	-63.70	-63.55
草地碳排放	-0.26	-0.26	-0.26	-0.26	-0.25
水域碳排放	-0.03	-0.03	-0.03	-0.03	-0.03
未利用地碳排放	**^①	**	**	**	**
建设用地碳排放	167.57	173.52	184.33	192.65	194.50
碳源总量	182.69	188.68	199.35	207.56	209.37
碳汇总量	-64.11	-64.02	-64.00	-63.99	-63.83
净排放量	118.59	124.66	135.35	143.57	145.54

①**表示碳排放数值小于0.01。

新窗口打开| 下载CSV

3.2.2 碳排放空间分布

由表6和图4可知,20 a间仅有花垣县碳排放量减少了0.58万t,其他县市均为增加,增加最多的是龙山县,增加了7.10万t。2010年后,原本碳排放增加的吉首市、泸溪县和花垣县3个地区碳排放量均开始减少,以花垣县减少最为显著,而其他5个地区碳排放量则出现不同程度的增加,以古丈县和龙山县最为显著,这可能与湘西州产业转型和产业布局调整有关。2000—2010年间湘西州碳排放最高的地区是花垣县,其次是吉首市和龙山县,最少的是古丈县。碳排放量增加的地区集中在湘西州中部,增加最多的是花垣县,增加了8.27万t; 碳排放量减少的县市集中在湘西州北部和凤凰县,减少最多的是凤凰县,减少了1.54万t。2010—2020年间碳排放最高的地区是龙山县,其次是吉首市,最少的是古丈县。碳排放量增加的地区主要在湘西州北部以及南部的凤凰县,增加最多的是龙山县,增加了8.57万t,古丈县增加了7.12万t; 碳排放量减少的县市集中在湘西州中部,减少最多的是花垣县,减少了8.85万t。从土地利用类型碳排放量来看,各地区的耕地、林地、草地、水域和未利用地的碳排放量20 a基本不变,引起地区碳排放量变化的关键因素是建设用地的碳排放量增加。

表6 8个县市碳排放量

Tab.6 Carbon emissions of eight counties and cities

地区	2000年/ 万t	2005年/ 万t	2010年/ 万t	2015年/ 万t	2020年/ 万t	20 a增幅/%
吉首市	18.06	17.12	24.90	24.19	23.93	33
泸溪县	16.42	15.76	23.28	19.97	17.21	5
凤凰县	14.16	15.30	12.62	15.57	16.97	20
花垣县	22.36	23.02	30.63	19.23	21.78	-3
保靖县	11.76	12.89	11.75	12.20	12.83	9
古丈县	3.37	2.52	2.36	10.45	9.48	18
永顺县	13.64	15.33	12.18	17.39	17.15	26
龙山县	19.17	20.98	17.70	24.57	26.27	37
湘西州	118.94	122.82	135.42	143.57	145.62	22

新窗口打开| 下载CSV

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 碳排放时空分布图

Fig.4 Spatiotemporal distribution of carbon emissions

3.3 土地利用碳排放因素分析

3.3.1 土地利用碳排放脱钩分析

整体上湘西州20 a间土地利用与碳排放之间一直保持弱脱钩效应,如表7所示。从表中可知,20 a间随着湘西州经济发展与社会建设,碳排放量也在增加,但碳排放增长速度低于经济增长速度,碳排放与经济增长之间的关联性弱,但各县市土地利用碳排放脱钩状态差异很大。

表7 湘西州脱钩系数

Tab.7 Decoupling coefficient of Xiangxi Prefecture

影响因素	2000— 2005年	2005— 2010年	2010— 2015年	2015— 2020年
$M_{C}$	0.033	0.102	0.053	0.014
$M_{G}$	0.829	1.470	0.647	0.401
$T$	0.040	0.069	0.082	0.036
脱钩类型	弱脱钩	弱脱钩	弱脱钩	弱脱钩

新窗口打开| 下载CSV

各县市主要是在弱脱钩和强脱钩状态之间变化,如表8所示。2种类型的数量占比基本持平,与前文提到的2010年后各县市碳排放增加、减少的趋势发生转折有关。古丈县在2010—2015年间的脱钩系数明显大于其他地区,表现为扩张负脱钩状态,原因是这5 a间古丈县工业规模快速扩大,矿产开采活动剧烈,碳排量大幅增加8.07万t,但对经济增长的促进作用不够。

表8 各县市土地利用碳排放脱钩指数

Tab.8 Decoupling index of land use carbon emissions in counties and cities

地区	2000—2005年		2005—2010年		2010—2015年		2010—2015年
地区	$T$	状态	$T$	状态	$T$	状态	$T$	状态
吉首市	-0.071	强脱钩	0.341	弱脱钩	-0.037	强脱钩	-0.021	强脱钩
泸溪县	-0.116	强脱钩	0.168	弱脱钩	-0.314	强脱钩	-0.469	强脱钩
凤凰县	-0.052	强脱钩	-0.104	强脱钩	0.269	弱脱钩	0.262	弱脱钩
花垣县	-0.007	强脱钩	0.297	弱脱钩	-1.591	强脱钩	0.598	弱脱钩
保靖县	0.100	弱脱钩	-0.047	强脱钩	0.082	弱脱钩	0.113	弱脱钩
古丈县	-0.191	强脱钩	-0.096	强脱钩	3.044	扩张负脱钩	-0.265	强脱钩
永顺县	0.217	弱脱钩	-0.158	强脱钩	0.412	弱脱钩	-0.039	强脱钩
龙山县	0.230	弱脱钩	-0.111	强脱钩	0.565	弱脱钩	0.139	弱脱钩

新窗口打开| 下载CSV

3.3.2 LMDI模型因素分解

通过LMDI模型对能源结构强度、能源效率、经济产出、土地利用和建设用地规模5个因素分解,研究5种因素对区域碳排放效应的影响效果,具体见表9。起正向促进作用的是能源结构强度效应、经济产出效应、建设用地规模效应,负面抑制作用的是能源效率效应、土地利用效应。促进作用最强的因素是经济产出效应,其次是建设用地规模效应,抑制作用最强的是能源效率效应,其次是土地利用效应,表明在20 a间,引起湘西州碳排放增加的主要因素是经济发展需求以及建设用地规模增加。在2015—2020年间,5项因素的贡献或抑制效率均减少,表明湘西州经济增速放缓,经济正在向高质量发展转型,对建设用地采取更严格的管控措施。而能源效率效应抑制作用先增强再降低,不利于碳减排,因此湘西州需要在经济发展的同时也要坚持能源绿色节约。综上,湘西州作为国家森林城市,正在构建全国绿色低碳发展样板区,提高能源利用效率、优化城镇空间结构、提升产业发展质量有利于实现其发展目标。

表9 土地利用碳排放LMDI因素分解

Tab.9 Decomposition of LMDI factors of land use carbon emissions(万t)

效应类型	2000— 2005年	2005— 2010年	2010— 2015年	2015— 2020年
能源结构强度效应	1.84	2.83	2.07	0.57
能源效率效应	-73.45	-109.19	-66.74	-48.92
经济产出效应	74.23	109.21	70.21	48.51
土地利用效应	-7.15	-44.35	-25.55	-23.51
建设用地规模效应	10.60	52.18	28.23	25.31
综合效应	6.07	10.68	8.22	1.96

新窗口打开| 下载CSV

3.4 未来碳排放预测

3.4.1 情景设置

以2000年与2010年为基期土地利用图像,预测2020年土地利用情况,Kappa系数为0.93,精度较高^[50],说明利用该模型进行湘西州土地利用预测可信度高。因此以2020年土地利用图像为基期图像,对2030年湘西州土地利用情况进行预测。

本研究通过设置不同土地发展情景,反映不同发展导向下未来湘西州土地发展情况以及碳排放趋势。以《湘西州国民经济和社会发展第十四个五年规划和二○三五年远景目标纲要》^[51]、《湘西土家族苗族自治州国土空间总体规划(2020—2035年)》^[52]、《湘西自治州“十四五”自然资源发展规划》^[53]和《湘西自治州碳达峰实施方案》^[54]为依据,设置自然发展、耕地保护优先和生态保护优先3类情景,具体情景转换原则如表10所示。

表10 情景类型及转换原则

Tab.10 Scenario types and transition principles

情景类型	转换原则
自然发展	依照湘西州2000—2020年间土地变化规律和发展趋势,不改变各地类转化概率和转化方向,不考虑政策因子在土地利用变化中的影响,预测2030年各类土地利用情况
耕地保护优先	充分考虑湘西州耕地保有量底线要求,在自然发展情景的基础上,基于布尔运算的MCE模块制作各地类适宜性图集,最大限度限制耕地向其他用地转化,除建设用地外,适当增加其他用地向耕地转化的概率; 在制作耕地适宜性图集时,通过设置对耕地分布影响较大的高程和坡度因子,引导耕地向更高质量区域发展
生态保护优先	考虑湘西州生态保护、提升碳汇能力要求,在自然发展情景的基础上,基于布尔运算的MCE模块制作各地类适宜性图集,限制重要生态区内林地、草地被占用情况,降低林地、草地向建设用地、耕地转化的概率,约束水域向其他地类转化,保护湘西州蓝绿空间,未利用地不做其他设置

新窗口打开| 下载CSV

3.4.2 不同情景预测下的土地利用情况

通过过往5期土地利用数据预测2030年不同发展情景下的土地利用情况,如图5和表11所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2030年情景预测土地利用占比

Fig.5 Projected land use proportions under different scenarios in 2030

表11 2030年情景预测土地利用情况

Tab.11 Land use projections under different scenario in 2030(km²)

土地利用类型	土地利用面积
土地利用类型	自然发展	耕地保护优先	生态保护优先
耕地	3 757.95	3 822.45	2 647.48
林地	9 796.03	9 738.91	11 054.44
草地	1 301.60	1 295.88	1 259.20
水域	144.76	149.97	157.36
建设用地	477.43	469.80	357.86
未利用地	1.04	1.81	1.72

新窗口打开| 下载CSV

在3类情景中,土地利用类型面积占比均为林地>耕地>草地>建设用地>水域>未利用地,与2010—2020年的情况相同,总体土地格局未发生大的变化。在自然情景中,相比2020年林地和未利用地面积分别减少了1 141.62 km²和2.6 km²,建设用地和耕地分别增加了277.94 km²和766.96 km²,说明林地主要改变为耕地和建设用地,草地和水域分别增加58.39 km²和31.16 km²,与其他地类相比增加较少,表明放任土地自然发展而不进行有效的宏观调控会导致林地大面积减少,建设用地面积大幅增加,对生态环境造成不可逆转的破坏。耕地保护优先情景下,相比2020年只有林地面积减少,林地面积减少了1 198.74 km²,其他用地中,耕地和建设用地面积分别增加831.46 km²和277.94 km²,草地、水域和未利用地分别增加52.67 km²,36.37 km²和0.51 km²,可以看出林地的大面积减少是被耕地、建设用地和草地占用,在这个情景中虽然耕地资源得到了最大的保护,却忽视了对生态资源的保护。生态保护优先情景下,只有耕地面积减少了343.51 km²,其他用地均为增加。建设用地增加了166 km²,林地、草地、水域和未利用地分别增加了116.79 km²,15.99 km²,43.76 km²和0.42 km²,说明这段时间耕地被非农化占用,主要转化为建设用地和林地,这种转化保证了湘西州的生态底线要求,相比其他2种情景有效控制了建设用地的扩张速度,但粮食安全作为国家安全的重要一环,其耕地资源的减少也应当严格控制。

3.4.3 未来碳排放量预测

根据《湘西统计年鉴》以及数据可获得性,选取原煤、焦炭、汽油、柴油和电力5种能源数据转换为标准煤量,通过灰色预测模型进行未来能源消耗预测,并对不同能源消耗预测结果进行预测精度检验。由表12可知,后验差比值均小于0.35,表明该预测结果拟合精度较高,后验差比值检验达标,平均相对误差均小于20%,说明能源消耗数据预测过程拟合较好,可以用于建设用地碳排放预测,根据预测得到的能源消耗数据计算建设用地碳排放量。

表12 能源消耗预测检验

Tab.12 Energy consumption forecast inspection

能源种类	后验差比值	平均相对误差/%
原煤	0.128	3.376
焦炭	0.047	0.040
汽油	0.039	0.645
柴油	0.080	1.803
电力	0.073	7.088

新窗口打开| 下载CSV

除建设用地外的5种土地利用类型仍然通过直接系数法计算碳排放量。由于建设用地的碳排放量是通过能源消耗量计算,因此本文设定建设用地的碳排放量在3种情景预测中保持一致,不同情景下的湘西州土地碳排放量见表13。在3类情景碳排放上,生态保护优先情景<自然发展情景<耕地保护优先情景,净碳排放量分别为294.52万t,307.34万t和308.00万t。净碳排放量最低的为生态保护优先情景,原因是其林地面积高于其他2种情景,导致碳汇量高于其他2种情景,碳排放总量最低。耕地保护优先情景的净碳排放量最高,原因是该情景对耕地进行保护,控制耕地占用情况,增加了耕地碳源量,导致碳排放总量最高。由于耕地的碳排放系数小,对碳排放量影响不及建设用地和林地,因此在耕地保护情景下,虽然耕地面积在比自然发展情景多64.5 km²,但碳排放量只略高于自然发展情景。同时在3个情境中,建设用地的碳排放量在耕地和建设用地2大碳源总量中占比分别为94.9%,94.8%和96.3%,表明在未来建设用地仍然是引起碳排放量变化的主导因素,通过能源改革、产业绿色转型以及严格控制建设用地无序扩张有利于土地减排增汇。碳汇土地类型中,林地仍然是主要的碳汇来源,守住林地碳汇底线是实现湘西州“双碳”目标的基础。3类情景中草地、水域和未利用地的碳排放量基本相同。

表13 2030年情景预测土地利用碳排放情况

Tab.13 Projected carbon emissions from land use under different scenario in 2030(万t)

土地利用类型	碳排放量
土地利用类型	自然发展	耕地保护优先	生态保护优先
耕地	18.68	19.00	13.16
林地	-56.91	-56.58	-64.23
草地	-0.27	-0.27	-0.26
水域	-0.04	-0.04	-0.04
建设用地	345.89	345.89	345.89
未利用地	**^①	**	**
净碳排放量	307.34	308.00	294.52

①**表示碳排放量小于0.01。

新窗口打开| 下载CSV

4 结论与讨论

基于2000—2020年共5期土地利用数据对湘西州土地利用情况以及历史碳排放时空演变进行分析,运用脱钩模型以及LMDI模型对其土地利用碳排放影响因素分解。设定自然发展、耕地保护优先和生态保护优先3种土地利用情景,对2030年土地利用情况以及碳排放情况进行预测,研究得出以下结论:

1)林地占比保持在70%以上,是湘西州最主要的土地类型; 从土地利用动态度上,建设用地>未利用地>水域>耕地>草地>林地; 土地转化方面,建设用地面积大幅增加,占用了大量林地和耕地,水域和草地的面积减少并转换成了林地和耕地; 从碳排放角度,整体上碳汇用地向碳源用地转化。未来平衡好经济发展与粮食安全、生态保护的关系是湘西州发展的关键。

2)2000—2020年20 a间土地利用碳排放总量持续增加; 碳源总量持续增加,建设用地是主要的碳源土地类型,耕地对碳源贡献较小; 碳汇总量保持平稳,林地是主要的碳汇土地类型,其他3类碳汇土地类型碳汇量基本不变。控制建设用地碳排放、保护林地的碳汇能力对湘西州实现“双碳”目标至关重要。

3)碳排放空间分布上,20 a间仅有花垣县碳排放量减少,其他县市均为增加; 2010年后,原本碳排放增加地区碳排放量均开始减少,其他地区碳排放量则出现不同程度的增加,与湘西州产业转型、产业布局调整有关。从土地利用类型碳排放量来看,各地区的耕地、林地、草地、水域和未利用地的碳排放量20 a间基本不变,引起地区碳排放量变化的关键因素是建设用地的碳排放量增加。

4)脱钩效应中,整体上一直保持弱脱钩效应,各县市土地利用碳排放脱钩状态差异很大; 各县市主要是在弱脱钩和强脱钩状态之间变化。起正向促进作用的是能源结构强度效应、经济产出效应、建设用地规模效应,负面抑制作用的是能源效率效应、土地利用效应,其中促进作用最强的因素是经济产出效应,抑制作用最强的是能源效率效应因素。提高能源利用效率、优化城镇空间结构、提升产业发展质量有利于实现其发展目标。

5)3类情景中,土地利用类型面积占比均为林地>耕地>草地>建设用地>水域>未利用地,总体土地格局未发生大的变化。碳排放上,生态保护优先情景<自然发展情景<耕地保护优先情景。在未来建设用地仍然是引起整体碳排放量变化的主导因素,林地仍然是主要的碳汇来源。

本文以湘西州为研究对象,补充当前土地利用碳排放领域中缺少的生态地区的研究。经研究发现,湘西州碳汇基础量巨大,但仍然表现为正向碳排放区域,这也侧面反映当前全国的碳减排压力巨大,通过对湘西州的研究,可以为湘西州外部的大区域提供“双碳”策略。本文在对建设用地碳排放的预测过程中,由于数据的可获得性有限,只选取了5种能源数据参与预测,导致最终的建设用地碳排放预测不够准确。同时未能充分考虑当前武夷山区产业转移政策影响,未来将进一步深化研究,提高研究的科学性。本文从3种情景预测土地利用及碳排放情况,未来还可从旅游发展、统筹发展等情景,提供更全面的理论成果。同时还将深入研究其旅游产业中的碳排放变化情况,为其旅游产业高质量发展提供政策制定策略。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

周嘉, 王钰萱, 刘学荣,

等.

基于土地利用变化的中国省域碳排放时空差异及碳补偿研究

[J]. 地理科学, 2019, 39(12):1955-1961.