基于縣域尺度的福建省土地利用碳排放效應分析

張圓圓，陳方媛，許 翔，謝天然，伍博煒，王 遠,5*

1. 福建師范大學，濕潤亞熱帶生態地理過程教育部重點實驗室，福建 福州 350007

2. 福建師范大學地理科學學院，碳中和未來技術學院，福建 福州 350007

3. 福建師范大學地理研究所，福建 福州 350007

4. 福建省環境保護設計院有限公司，福建 福州 350012

5. 南京大學環境學院, 污染控制與資源化研究國家重點實驗室，江蘇 南京 210023

近100年來，全球正經歷著顯著的以氣候變暖為主要特征的變化，全球變暖問題成為當今影響最為深遠的全球性環境問題之一. 全球變暖問題主要歸因于人類的化石燃料燃燒和土地利用造成的溫室氣體排放[1]，其中土地利用碳排放約占人為碳排放總量的25%～33%，成為僅次于化石燃料使用的主要碳源[2-3].并且，過快的工業化和城市化會釋放更多的碳排放，加劇全球氣候變暖，從而嚴重威脅區域生態[4]. 土地利用具有碳源和碳匯二重特征，是碳循環的重要參與環節，對區域碳收支格局有著深刻的影響[5-6]. 縣域單元是我國社會經濟發展的基本單元，能夠深刻反映省域內部的經濟發展情況[7]. 因此，深入進行土地利用視角的縣域碳排放研究，構建科學合理的縣域土地利用碳排放核算體系并進行效應分析，有助于區域低碳國土空間規劃，指導區域碳減排策略.

本研究中區域土地利用綜合碳排放定義為直接碳排放和間接碳排放之和，其中，直接碳排放包括土地利用類型轉變碳排放和土地利用保持碳排放，間接碳排放為土地上的人為源碳排放[8-9]. 目前，國內外學者對土地利用碳排放的研究聚焦于核算方法、影響因素、演變規律等方面. 其中，土地利用碳排放的核算主要通過IPCC國家清單法[10]、衛星遙感數據估算[11]和經驗參數模型計算[12]等方法開展；碳排放影響因素分析方法包括多因素分析法[13]、STIRPAT模型[14-16]、LMDI模型[17]等. 前人研究提供了豐富的理論成果，但也存在以下不足：①目前學者多采用IPCC國家清單法核算縣域尺度的土地利用碳排放[18-20]，該方法采用單一的碳排放參數核算耕地、草地和林地碳排放，未考慮地類內部細分類別的碳排放及其變化特征，難以反映縣域間自然資源、土地利用狀況及社會經濟發展等差異；②碳排放影響因素分析多使用單一方法，未進行不確定性分析或多種方法相互驗證結果的可信度；③現有縣域土地利用碳排放核算體系僅考慮不同年份靜態保持的土地利用類型所產生的碳排放，缺少核算不同年份轉變的土地利用類型帶來的土壤碳儲量變化.

福建省是全國首批生態文明示范區之一，但由于可開發的建設用地資源緊缺，近年來區域性城市發展政策推動土地覆被大面積、多類型向建設用地等轉移. 在碳達峰、碳中和(簡稱“雙碳”)目標下，應耦合城市化與生態建設，平衡用地矛盾. 因此，本研究整合最新多源時空數據，構建縣域耕地、林地和草地精細門類的多元參數碳排放及其變化的核算體系. 對于耕地、林地和草地，細分多個產品組與植被類型進行精細核算；對于建設用地，采用夜間燈光數據擬合碳排放量，避免縣域尺度能源統計信息的不足. 在核算結果基礎上，結合Moran's I指數、空間馬爾科夫鏈對碳排放時空演變格局進行探究，利用地理探測器與隨機森林算法相互驗證碳排放影響因素的重要性，以期為雙碳決策部署下的福建省綠色低碳國土空間格局構建提供科學決策依據.

1 數據與方法

1.1 研究區概況

研究區為福建省的84個區縣(金門縣數據缺乏，本研究暫不涉及). 福建省地處中國東南沿海，介于115°50'E～120°43'E、23°30'N～28°22'N之間. 2020年福建省森林覆蓋率高達66.8%. 林地約占全省土地面積的72%，而建設用地僅占7%，可見福建省可使用的建設用地資源緊張. 尤其沿海地區，經濟快速發展和人口增長與建設用地緊缺矛盾更為突出.

1.2 數據來源

本研究統計數據來源于福建省各區縣2005—2020年統計年鑒. 空間數據包括2005年、2010年、2015年和2020年的土地利用數據，均來源于中國科學院；NPP-VIIRS夜間燈光數據來源于美國國家地理數據中心；《1∶1 000 000中華人民共和國植被圖》來源于中國科學院植物研究所；福建省縣域行政區數據來源于第二次全國土地調查村級面積數據.

1.3 研究方法

1.3.1 耕地碳排放計算

耕地碳排量計算公式采用Pale恒等式組[2]，將Pale恒等式拓展到糧食、蔬菜、水果、肉類、蛋類、奶類6個產品組，各產品組的系數參考福建省相關研究成果(見表1).

1.3.2 林地、草地碳排放計算

林草地碳排放核算參考賴力[23]的研究方法，將提取的林草地土地利用柵格與1∶1 000 000中國植被類型柵格疊加，提取特定氣候帶-植被類型信息；再結合對應的植被碳密度參數，匯總計算全部林草地保持的植被碳匯能力. 由于植被類型圖無法匹配較新的土地利用柵格，因此利用歐幾里得分配函數，對福建省的森林、草地等大類植被類型進行分配. 各類型植被碳密度如表2所示.

表2 福建省林地、草地植被碳密度[23]Table 2 Carbon density of forest and grassland vegetation in Fujian Province[23]

1.3.3 建設用地碳排放計算

吳健生等[24-25]研究表明，能源消費量與夜間燈光總量之間具有較強的線性相關性. 因此，本研究用2005—2020年福建省夜間燈光數據結合中國碳核算數據庫(CEADs)的縣級碳排放清單，擬合夜間燈光數據與能源消費碳排放之間的關系. 用穩定夜間燈光數據總值(SDN)表征夜間燈光數據，計算公式：

式中：SDN代表穩定夜間燈光數據總值，為各像元值與對應像元個數乘積的總和；Di代表穩定夜間燈光影像第i個像元值；Ci代表對應第i個像元值的個數.本研究先將SDN值與能源消費碳排放進行相關分析，二者相關系數為0.970，表明二者相關性強，可以進行擬合分析，擬合結果為

式中：Yc表示能源消費碳排放量，106t；SDN表示夜間燈光數據總值. 模型擬合的R2為0.945.

1.3.4 土壤碳儲量變化計算

參考Lai等[8]研究，采用土壤剖面統計方法估算土壤有機碳，計算2005—2020年土地利用類型轉換引起的土壤碳儲量變化. 各土壤類型的有機碳密度參考福建省相關研究成果(見表3).

表3 福建省土壤有機碳密度[26]Table 3 Carbon density of soil organic in Fujian Province[26]

1.3.5 全局和局部空間自相關分析

空間自相關是探索性空間數據的重要分析方法，主要有全局空間自相關(Global Moran's I)和局部空間自相關(Local Moran's I)兩種測度方法[27].

1.3.6 結合LISA聚類方法的空間馬爾科夫鏈

本研究將區域背景和最近鄰域碳排放類型分別作為空間滯后類型加入空間馬爾科夫鏈，提高對碳排放時空演變特征及機制測度的精確性. 并將碳排放進行歸一化處理，利用四分法(0.25、0.50和0.75)將碳排放量分為4種類型—低碳區、較低碳區、較高碳區和高碳區，分別賦值為1、2、3、4，相關公式參考文獻[28].

1.3.7 影響因素探究方法

王勁峰等[29]研究表明，地理探測器模型在分析地理要素格局演變和空間分異等方面發揮著有效的作用. 本研究利用地理探測器對福建省土地利用碳排放影響因素進行探究. 為驗證地理探測器結果，本研究結合隨機森林算法對各碳排放影響因素進行重要性的排序. 隨機森林算法的基礎單元是決策樹，對特征選取具有較好的魯棒性，不篩選特征也可以獲得較高的準確性[30]. 本研究利用2005—2020年336組樣本訓練，確定決策樹棵數為500，并設置構建決策樹分支的隨機抽樣數為3.

綜上，本研究構建福建省縣域土地利用碳排放核算體系并對探究其效應，整體研究路線如圖1所示.

圖1 研究框架Fig.1 Research framework diagram

2 結果與討論

2.1 福建省土地利用碳排放總體分析及空間格局特征

核算結果表明，2005—2020年福建省土地利用碳排放總量逐漸增大，從6 587.20×104t增至12 008.03×104t，增速在2005—2010年最快，而后逐漸放緩，與周萍等[31]研究結果一致，說明研究時段福建省協調國土資源開發利用與生態建設工作穩步推進，減排工作成效趨勢穩中向好. 從碳排放結構來看，2005—2020年福建省建設用地碳排放量占土地利用碳排放總量的比例較大，且該比例逐漸增大，從72.64%增至98.23%，這與城鎮化、工業化過程中建設用地的擴張密切相關. 其中，2005—2010年建設用地增幅呈現先增后降的趨勢，從2005—2010年的19.16%降至2015—2020年的0.21%，這是由于“十一五”期間福建省加快工業化和城市化步伐，建設用地規模大幅擴張；而“十三五”期間，福建省嚴控新增建設用地規模，加強土地資源集約水平，建設用地碳排放量增速顯著放緩. 對于耕地碳排放，其排放總量從2005年的598.66×104t增至2020年的632.52×104t，但其所占總碳排放量的比例卻呈下降趨勢，從9.01%降至5.27%，與魏燕茹等[12]研究結果一致. 在碳匯方面，林地碳匯占主要部分且逐年增長，2005—2020年從307.49×104t增至432.10×104t.

碳排放空間分布結果(見圖2)顯示，福建省土地利用碳排放總體呈現閩東南向西北遞減的分布特征，因為閩東南沿海地區建設用地面積比例較高，碳排放量相對較高；閩西北、閩東北地區森林覆蓋率較高，碳排放量則相對較低. 空間格局變化方面，2005年古田縣碳排放量最高，其次是閩東南三角洲地區；而2010—2020年逐步形成以福州都市圈和廈漳泉都市圈為兩極，并向周圍地區輻射的碳排放空間分布格局. 對于閩西和閩北地區，2005—2020年碳排放量增幅微弱，一方面是因為該地區林地資源豐富，生態系統固碳能力強；另一方面，該區域地處山區，發展受限，城市化和工業化程度均相對較低，建設用地規模碳排放量較少. 對于核算體系，本研究尚未考慮水域等其他用地的碳排放，且未考慮林地和草地的碳源特征和耕地的碳匯特征；另外，遙感數據的精度以及部分統計數據的缺失也會影響本研究的核算精確度.

圖2 2005-2020年福建省縣域土地利用碳排放空間分布情況Fig.2 Spatial distribution of county-level carbon emissions from land use in Fujian Province from 2005 to 2020

2.2 福建省土地利用碳排放時空演變特征及機制分析

Moran's I指數結果(見表4)表明，福建省土地利用碳排放呈明顯的空間集聚特征，表明福建省縣域碳排放之間具有空間正相關關系. 但2005—2020年Moran's I指數值呈減小趨勢，即空間集聚效應正在逐漸減弱. 這可能由于福建省積極優化生產力空間布局，帶動了閩西部經濟發展，從而使得碳排放集聚程度有所下降.

表4 Moran's I指數結果Table 4 Moran's I index results

LISA聚類結果(見圖3)表明，福建省土地利用碳排放存在空間異質性. 高高集聚區(指本區域單元的碳排放量高，鄰近區域的碳排放量也相應較高)主要集中于廈漳泉地區，該區域城鎮化與工業化水平均較高，且產業結構以第二產業為主，建設用地耗能多，碳排放量大. 低高集聚區(即本身碳排放量較低，鄰近區域的碳排放量較高)主要位于廈漳泉城市群周圍地區，其城鎮化水平較鄰近的廈漳泉城市群低，經濟發展程度相對較弱. 低低集聚區(指本區域單元的碳排放量低，鄰近區域的碳排放量也相應較低)主要分布于閩北(福建省三明市泰寧縣、南平市政和縣以及寧德市福安市、屏南縣、古田縣)地區和閩西(三明市明溪縣、泰寧縣、將樂縣)地區，由于該區域林地占比高，碳匯作用顯著，且地形以山地丘陵為主，經濟發展程度、城鎮化與工業化水平均相對較低，因此建設用地產生的碳排放量少. 研究時段內高低集聚區(即本身碳排放量較高，鄰近區域的碳排放量較低)現象并不典型. 綜上，2005—2020年福建省土地利用碳排放存在空間依賴特征，即極高值和極低值碳排放集聚區分布較為穩定，這與福建省經濟發展空間格局穩定性密切關聯，閩東南沿海由于優越的經濟發展環境和較深厚的產業基礎，工業化水平較高. 而閩西和閩北地區由于地形限制和交通不便，產業發展基礎較薄弱，短時間內難以突破碳排放的路徑依賴.

圖3 2005—2020年福建省土地利用碳排放集聚特征Fig.3 Agglomeration status of county-level carbon emissions from land use in Fujian Province from 2005 to 2020

傳統馬爾科夫鏈分析結果(見表5)所示：2005—2020年，福建省縣域碳排放量類型馬爾科夫轉移概率矩陣非對角線的概率小于兩邊概率，這表明福建省土地利用碳排放類型轉移較為活躍，區域碳排放類型穩定性較差. 其中，較高碳區和高碳區保持相同碳排放類型的概率較小，分別為17.24%、21.05%；而高碳區向上轉移(即向更低水平的類型轉移)的概率最高，為78.96%，這表明土地利用碳排放“極化效應”不顯著. 究其原因為福建省土地利用調整較為積極，一方面低碳排放區由于城鎮化推進，建設用地擴大，間接碳排放增加；另一方面高碳排放區更加注重推進低效用地整治與控制新增建設占用耕地，碳排放降低趨勢明顯.

表5 2005—2020年福建省縣域碳排放類型馬爾科夫轉移概率矩陣Table 5 Markov transition probability matrix of carbon emission types from land use at county level in Fujian Province from 2005 to 2020

空間馬爾科夫鏈結果(見表6)顯示，不同區域背景下的區域碳排放類型轉移情況差異較大，表明碳排放變化趨勢會受到周圍區域碳排放水平的影響. 由表6可見：相較于傳統馬爾科夫鏈，碳排放同化效應加強，主要表現為總體碳排放類型穩定概率有所提升. 如在高高集聚背景下，P22(P為事件概率，1、2、3、4分別表示低碳區、較低碳區、較高碳區、高碳區，22表示碳排放類型保持為較低碳區的情況，以此類推)為57.14%，超過傳統馬爾科夫鏈中該類型保持的概率(26.15%). 碳排放類型的演進存在碳排放類型跨級轉移的現象，特別是在低低集聚背景下，可能由于該類區域碳排放量增長空間大，在城鎮化、工業化的進一步推進過程中人為源碳排放會大幅增加，使其在不同時長下向高碳轉移的概率增大. 在低低集聚背景下，低碳區向下轉移的概率為47.06%，遠大于保持穩定的概率；而在高高集聚背景下，較低碳區保持穩定的概率則為57.15%，超過向上轉移概率(28.57%). 這表明碳排放轉移呈現出高碳溢出效應強于低碳鎖定效應的現象. 不顯著區域背景下，低碳區和高碳區保持不變的概率分別為38.71%和42.86%，均大于傳統馬爾科夫鏈所計算的概率，表明在非顯著集聚情況下低碳區和高碳區均有內部趨同的趨勢.

表6 不同區域背景與鄰域類型影響下2005-2020年福建省縣域碳排放量類型轉移概率矩陣Table 6 Transition matrix for carbon emission types from land use at county level in Fujian Province under the influence of regional background and nearest neighbor from 2005 to 2020

加入鄰域類型后，不同類型的鄰域對區域類型轉移的影響不同. 由表6可見，相鄰縣域碳排放水平越高時，高碳區的穩定性會更高. 在低碳鄰域下高碳區保持穩定的概率為0%，而當鄰域類型為較低碳區時為42.86%. 低碳鄰域背景對碳排放轉移有一定正向作用，而高碳鄰域背景增加了碳排放類型向下轉移的概率. 低碳背景下P21=40.00%，高于較高碳背景下的P21(0.00%). 而較高碳背景下P34=51.61%，高于較低碳區的P34(30.00%).

綜上，區域背景下碳排放類型存在空間溢出效應. 在自由度為36、α=0.05的置信水平下，以區域背景為滯后條件時，S=46.62＞χ2(36)=23.27(S為卡方統計量)；以鄰域類型為滯后條件時，S=70.23＞χ2(36)=23.27.因此，拒絕接受土地利用碳排放類型轉移在空間上是相互獨立的假設. 空間馬爾科夫鏈在傳統馬爾科夫鏈轉移基礎上引入空間滯后概念，能夠更好地反映區域碳排放的空間溢出效應[32].

2.3 福建省土地利用碳排放影響因素分析

目前，對土地利用碳排放影響因素的研究[33-34]多從人口規模、社會經濟發展水平、產業結構、能源等方面考慮，本研究在此基礎上考慮土地利用方式對碳排放的影響，選取人均建設用地面積和土地利用程度指數分別表示建設用地面積集約程度以及土地開發程度，分別利用地理探測器和隨機森林算法計算8個影響因素重要程度(見圖4和表7). 地理探測器結果(見表7)顯示，各因素對土地利用碳排放影響的程度呈現差異性，但從時序變化來看大部分因素的q值呈波動下降的趨勢. 人口規模、土地利用程度指數、第二產值占GDP比重是促進土地利用碳排放的主導因素（見圖4和表7）. 其中，人口規模是促進土地利用碳排放的最大因素，q值在0.6左右，本質上由于人口聚集促使建設用地擴張，以及農地的非農化、林地的非林化，既導致建設用地碳排放增加，也使土地的碳匯功能減弱，從而進一步促進碳排放，這與張苗等[33]的研究結果相似. 土地利用程度的q值在0.3左右，其反映了人類活動對土地系統的影響程度越大，土地系統承載的人類活動產生的碳排放越多，這與牛亞文等[34]研究結果相似. 時序變化方面，2005—2020年第二產業占GDP比重對土地利用碳排放的影響程度呈顯著下降趨勢，表明該區域土地節約和集約利用成效顯著，并且該區域嚴格控制工業用地規模，從而減少了第二產業建設用地規模擴張帶來的間接碳排放. 因此，區域減排的重要途徑之一就是實現產業結構的轉型升級，調整第二產業和第三產業的用地比例，其余因素對福建省土地利用碳排放影響程度保持在較低水平.

圖4 基于隨機森林的影響因素分析Fig.4 Analysis of influencing factors using random forest approach

表7 基于地理探測器的福建省土地利用碳排放影響因素分析Table 7 Analysis of influencing factors using geographic detector approach for carbon emissions from land use in Fujian Province from 2005 to 2020

用隨機森林算法(見圖4)與地理探測器結果相互驗證，結果發現二者結果具有一致性，同時驗證了人口規模和土地利用程度指數為促進碳排放的主導因素，進一步表明人為因素是土地利用碳排放的主導因素. 其原因一方面是不同利用類型的土地承載的人類生產生活帶來的碳排放，另一方面是建設用地擴張和土地開發等土地利用類型轉變帶來的碳排放增加.兩種方法也同時驗證了貿易開放度、城鎮化率、人均GDP、能源強度和產業結構為土地利用碳排放的弱影響因素. 不同的是，隨機森林算法結果顯示人均建設用地面積為主導因素，但在地理探測器中其為弱關聯的因素，表明該影響因素對土地利用碳排放的影響程度穩定性較差，其影響力有待進一步驗證. 從影響程度時序變化看，兩種方法均顯示各因素的影響力排序格局具有穩定性.

3 結論

a) 2005—2020年福建省土地利用碳排放總量逐漸增大，從6 587.20×104t增至12 008.03×104t，但增速逐年放緩. 建設用地碳排放占比逐漸增大，林地碳匯量逐年增長.

b) 福建省土地利用碳排放總體呈從閩東南向西北遞減的分布特征，高高集聚區主要位于廈漳泉城市群，低低集聚區主要分布于閩西北、閩東北.

c) 碳排放的空間集聚存在路徑依賴和空間鎖定特征. 碳排放存在空間溢出效應，碳排放類型轉移有跨級現象，特別是在低低集聚背景下碳排放躍遷現象最為活躍. 人口和土地利用程度指數是影響區域土地利用碳排放量最大的因素，其余因素影響力較弱.

d) 福建省作為生態文明先行示范區，應充分發揮生態本底優勢，發揮林草地的固碳作用，合理控制建設用地規模，將碳達峰、碳中和融入國土空間格局.對于建設用地與農業生產、生活空間重疊度較高的沿海地區，要轉變片面依賴建設用地擴張帶動經濟發展的模式，建立高效集約的土地利用模式. 而對于承擔經濟發展和生態保護雙重任務的閩西北地區，需積極探索生態產品價值轉化機制，健全綠色發展制度.