基于土地利用变化的县域碳收支空间格局预测

冯 源，朱建华*，刘华妍，肖文发

（1.中国林业科学研究院森林生态环境与保护研究所/国家林业和草原局森林生态环境重点实验室，北京 100091；2.南京林业大学南方现代林业协同创新中心，江苏南京 210037）

【研究意义】土地是人类活动的基本载体[1-2]，不同土地利用类型的碳排放具有明显差异[3-4]。在以大气CO2浓度升高为标志的全球变化背景下，人类活动造成的土地利用/覆被变化是导致全球碳排放的主要原因之一[5-6]。因此量化土地利用变化下区域碳收支动态不仅是国内外研究热点，也是推动区域低碳经济发展及社会的可持续发展的关键。【前人研究进展】我国现阶段关于土地利用变化及区域碳排放已有大量研究[7-9]，张梅等[3]利用遥感影像评估了全国各区域土地利用类型转变的碳排放强度；周璟茹等[7]探究了关中城市群土地集约利用与碳排放的关系及二者演化特征；杨皓然等[8]构建了基于碳排放量的江苏省土地利用转型生态效率的评估指标体系；崔盼盼等[9]运用LMDI-I 加法数量分解模型核算了中国30 个省的隐含碳排放的驱动机制及空间分异特征。【本研究切入点】由于目前多数研究关注省级以上的区域尺度碳排放[7-9]，对研究区内部的碳排放时空动态研究不足[4]、缺少精细空间尺度的碳排放研究；而且受研究方法所限，已有研究多关注历史时段碳排放评估[10]，对未来精细尺度上（如县域）碳排放的时空动态仍不清楚。土地利用格局是评估碳排放的重要途径[4]，因此通过对未来县域尺度下土地利用变化格局的预测即可获得精细尺度的碳排放时空动态，对区域碳减排目标及政策的制定具有重要意义。CLUE-S（the conversion of land use and its effects at small regional extent）模型由荷兰瓦格宁根大学开发，可将数据模拟与多种自然、社会经济驱动因素耦合，是发展较为完善的空间格局预测模型。该模型适宜在高分辨率条件下预估土地利用类型变化数量及空间位置[11]，已被广泛应用于城市[12-13]、流域[14]等多种精细尺度的土地利用变化模拟中。【拟解决的关键问题】重庆市作为我国中西部唯一的直辖市，在过去10 余年间快速发展。位于重庆市主城北大门的渝北区，城镇化率由2005年的59.0%增长为2019 年的84.22%，始终高于全市平均水平，是重庆市经济体量最大、区位优势最明显的地区，也是土地利用变化最具代表性的区县。本文基于2005—2020 年渝北区土地利用现状及土地利用驱动因素，应用CLUE-S 模型预测2025—2030 年渝北区土地利用变化在此基础上预测该区碳吸收和碳排放动态，旨在理解精细尺度（县域）碳收支时空动态变化规律，对未来区域减排目标分配和低碳优化提供科学依据。

1 研究区概况与研究方法

1.1 研究区概况

渝北位于重庆市主城北部（106°27'30"～106°57'58" E、29°34'45"～30°07'22" N）；东邻重庆市长寿区，南毗江北区，西傍北碚区、合川区，北抵四川省广安市和华蓥市，面积为1 452.03 km2，下辖11 镇19 街道，城镇化率高达84.22%，2019 年常住人口为166.17 万人。渝北区地处巴渝平行岭谷地带，地势从西北向东南倾斜，喀斯特地貌分布较广；地势起伏大，海拔范围为155～1 460 m（图1）。渝北区属亚热带湿润气候，年平均气温为17.3 ℃，年均降水量1 100 mm，平均日照1 340 h，具有冬暖春早、秋短夏长、云雾多、日照少的气候特点。

图1 渝北区地理位置及乡镇边界Fig.1 Geographic location of Yubei District and the towns’border

1.2 数据来源

以2005年、2010年、2015年和2020年连续4 期渝北区土地利用/覆被数据及多种自然、社会驱动因素（海拔、坡度、坡向、距道路距离、距城镇点距离）作为CLUE-S模型所需数据，并从重庆市统计年鉴中获得渝北区常住人口、能源消费等社会经济数据，用以估算渝北区碳收支（表1）。渝北区土地利用数据来源于美国地质勘查局USGS/EROS 的Landsat TM/ETM+/OLI卫星遥感影像，空间分辨率为30 m，已通过校正、裁剪等预处理并由人机交互目视解译，采取交叉检验方式检验解译结果，使分类总体精度＞85%，满足研究需求。根据IGBP、FAO等全球土地变化研究的分类体系，将渝北区划分为水域、建设用地、未利用地、耕地和林地5种土地利用类型。

表1 渝北区数据来源Tab.1 Data source of Yubei District

1.3 CLUE-S模型介绍

CLUE-S模型基于区域适宜性的实证分析来模拟土地利用空间变化，同时考虑了不同土地利用类型之间的动态竞争和相互作用，已在多个国家得以应用[11,15]。CLUE-S 可分为非空间模块和空间分配模块两部分，前者需输入未来研究区所有土地利用类型的面积需求，后者则根据土地利用与驱动因子的经验关系以及土地利用转换规则进行需求分配。本文运用马尔科夫链模型计算非空间模块所需的未来各种土地利用的面积需求。马尔科夫链模型是将时间序列作为离散的随机过程、根据事件现有状态预测其未来发生概率的方法[16]，已广泛应用于景观动态的模拟研究中。渝北区面积转移矩阵体现了渝北区各种土地利用类型的面积转移方向及程度（表2）。将渝北区2005—2020年各地类面积及面积转移矩阵代入表3公式（1），预测未来10年各种土地利用类型面积。将马尔科夫预测的2020年各地类面积与渝北区2020年真实土地利用格局进行比较，通过卡方检验后方可应用于CLUE-S模型。

表2 2015—2020年渝北区土地利用面积转移矩阵Tab.2 Land-use area transfer matrix of Yubei District from 2015 to 2020

表3 本文公式Tab.3 Equations of this study

CLUE-S 空间分配模块的输入参数包括3部分：（1）土地利用转移矩阵，定义了土地利用类型间转换能否发生；本研究将矩阵中元素均赋值为1，即所有地类之间均可相互转化；（2）转换弹性系数，表征土地利用类型间转换的难易程度，并根据相关文献分别将渝北区水域、建设用地、未利用地、耕地和林地的转移弹性系数赋值为0.58、0.83、0.30、0.40、0.77[17]；该值越接近0表明转换越容易发生，越接近于1则表明转换难发生；（3）土地利用类型与自然、经济社会等多种驱动因子的Logistic 回归系数，代表了某种地类在某个位置上发生的概率，见表3公式（2）。CLUE-S 模型基于渝北区土地利用现状、未来土地利用需求及上述参数，通过表3公式（3）进行迭代计算，将土地利用需求分配到空间上。

使用二元Logistic 分析对上述土地利用变化驱动因素做逐步回归，结果表明地形和距城镇距离与各种土地利用类型空间分布关系最为密切（表4），而且地形因子中坡度是影响所有土地利用类型分布最重要的驱动因子。通过ROC（relative operating characteristics）曲线下面积大小判定Logistic 回归拟合的优劣，由表4 可知，除耕地ROC曲线下面积低于0.7 外，其它土地利用类型的ROC值均高于0.7，建设用的ROC值高达0.867 9，说明所选的驱动因子对各地类发生概率的解释能力较好。

表4 Logistic回归分析及ROC检验Tab.4 Regression of logistic analysis and relative operating characteristic（ROC）test

1.4 人为活动对土地利用变化的影响

为描述人为活动及城镇化对渝北区土地利用变化的影响，本文运用建设用地扩张强度[18]和人类活动影响指数（human activity index，HAI）[19-20]来评价2005—2030年渝北区土地利用变化状况及其城市化发展趋势。根据已有研究结果[19-20]得到渝北区各种土地利用人类活动影响强度系数分别为：水域0.12、建设用地0.94、未利用地0.08、耕地0.61和林地0.12。建设用地扩张强度与人类活动指数计算公式见表3（4、5）。

1.5 渝北区碳收支计算

人类对土地资源的不同利用方式造成了区域碳排放及碳吸收；其中碳排放量主要来源于能源消费和人类自身呼吸，而碳吸收则由陆地植被的固碳功能提供[21-24]。水域、未利用地、耕地及林地发挥着大气碳汇作用，碳排放量为负值（表5）。将重庆市已有研究中生态系统的净生态系统生产力（net ecosystem production，NEP）作为相应土地利用类型的碳吸收值。与大多数使用净初级生产力（net primary produc⁃tion，NPP）作为碳吸收的已有研究相比，NEP是扣除了生态系统异养呼吸之后的净碳固存量[24]，能够更准确地评估不同地类的真实碳吸收。城市建设用地发生的能源消费则是碳排放的主要来源，可根据3类主要的化石能源（煤炭、石油和天然气）的消费量进行估算，见表3公式（6）。将各种能源消费量与其碳排放倍数（与标准煤相比）相乘可得到渝北区建设用地排放总量。在缺乏未来能源消费数据的情况下，为方便预测未来碳排放时空动态，将建设用地排放总量除以其总面积，得到建设用地的地均碳排放量[21]。由于2020年能源消费数据尚不能从统计年鉴中获得，因此假设2020—2030年渝北区建设用地均碳排放量与2015年保持相同。由重庆市统计年鉴可知2005年至今渝北区常住人口由86.16万人增长为166.17万人，人类呼吸碳排放计算见表3公式（7）。

表5 渝北区地均（或人均）碳排放系数Tab.5 Carbon emission coefficient of per hectare（or per capita）in Yubei District

2 结果与分析

2.1 CLUE-S模型结果检验

在应用CLUE-S模拟结果之前，需要先使用卡方检验评估马尔科夫链模型对未来各类土地面积的模拟结果，并使用Kappa 检验来验证CLUE-S 模型对各地类空间格局的模拟能力，见表3 公式（8、9）。根据渝北区2015 年、2020 年土地利用格局、土地利用面积转移矩阵、各地类与对应驱动因子的经验方程，分别使用马尔科夫链和CLUE-S 模型预测2020 年各地类面积及其空间分布格局，并将模拟结果与渝北区2020年真实土地利用格局进行比较（图2）。将马尔科夫链预测结果与2020年渝北区各地类真实面积计算得到卡方值为0.006，小于χ20.95(4)=9.49，说明预测结果与2020 年真实面积之间差异不显著，马尔科夫模型能够较精确预测未来各种土地利用类型面积。将CLUE-S模拟所得的2020年结果与渝北区真实的土地利用格局进行比较（图2），计算得到Kappa 系数为0.923 8，说明CLUE-S 的模拟精度超过了92%，该模型可以准确地预测渝北区未来土地利用的时空动态，结果合理可信。

图2 CLUE-S预测结果及渝北区真实土地利用格局对比Fig.2 Comparison of CLUE-S predicted result with the real land-use pattern of Yubei District

2.2 2005—2030年渝北区土地利用变化分析

时间序列土地利用类型面积变化揭示了渝北区土地利用结构动态（图3）。2005—2030 年渝北区耕地面积减少4.57×104hm2，所占全区面积的比重由71.86%减小到40.37%，减少幅度最大；而林地面积则呈现增加、减少、再增加和再减少的反复趋势，2030年林地面积相比于2005年增加2 293.8 hm2；水域及未利用地面积略有增加，二者面积所占比重分别增加3.46%和3.53%。各地类中建设用地面积增加最多，由2005 年的5 775.0 hm2增加到2030 年的3.90×104hm2，面积增长了3.32×104hm2，占渝北区面积比重随之增加22.91%（图4）。建设用地扩张强度呈现“增加—降低—增加—降低”的波动变化过程，在2015—2020年间最低（0.60%），而在2020—2025年最高（1.43%），随后又略有降低，2005—2030年整体扩张强度为0.92%。研究期间表征人为活动对土地利用结构影响的人类活动影响指数（HAI）呈现先降低后增长的趋势，其值在2020 年最低（0.49），而此后呈迅速增长趋势并在2030 年达到最大值（0.54），反映出未来人为干扰对渝北区土地利用变化的影响将持续增强。

图3 2005—2030年渝北区土地利用变化Fig.3 Land use change of Yubei District during 2005 to 2030

图4 2005—2030年渝北区建设用地面积变化及人类活动影响指数Fig.4 Area variations of construction land and HAI of Yubei District from 2005 to 2030

2.3 2005—2030年渝北区碳收支时空动态

植被固碳是区域碳吸收的主要途径，2005—2030 年耕地和林地碳吸收值分别占全区碳吸收总量的69.52%～81.72%和18.02%～29.23%，二者之和几乎与全区碳吸收值相等，而水域和未利用地碳吸收分别仅占全区碳吸收总量的0.25%～1.23%和0.00%～0.02%（表6）。渝北区碳吸收值在2005 年最高（2.17×105t），之后随着耕地面积减少而逐渐降低，在2030 年碳吸收值降低为1.43×105t，每年平均降低幅度为1.36%。而与此同时渝北区碳排放却由2.07×105t 逐渐增加到1.02×106t，其中建设用地碳排放量增加7.44×106t，所占比重由62.63%增加到85.44%，是碳排放的主要来源，而相应的人类呼吸碳排放所占比重范围为14.56%～37.37%。在碳吸收与碳排放的双重作用下，渝北区在2005 年表现为碳汇，净碳吸收值为1.01×104t，此后随着能源消耗增多、碳排放加剧而转变为碳源，净碳排放量由2010 年的1.39×105t 逐渐增加至2030 年的8.79×105t；相应地渝北区地均净碳排放量由2005 年的-0.07 t/hm2增长到6.07 t/hm2。

表6 2005—2030年渝北区碳收支Tab.6 Carbon budget of Yubei District from 2005 to 2030

由于不同土地利用类型的碳排放能力各异，随着土地利用变化，渝北区碳排放的空间分布具有一定变化趋势（图5）。渝北区北部平行岭谷中丘陵地带（玉峰山镇、古路镇和大湾镇东侧、统景镇西侧、大盛镇、石船镇和龙兴镇西侧）由于耕地的集中分布表现为高强度碳吸收；而且在华蓥—龙王洞山、铜锣山和明月山这3 条山脉的海拔较高地区由于林地集中而具有较高的碳吸收。渝北区西南部较为平坦的丘陵地带（覆盖最南部的龙山、龙溪和龙塔街道向北至双凤桥街道一带，共14 个街道）则由于建设用地密集而表现出强烈的碳排放，并且碳排放较高地区将随着建设用地的增大向北沿平行岭谷扩张，导致渝北区西部的木耳镇、兴隆镇、茨竹镇、大湾镇北部以及渝北区中部的大盛镇、统景镇、石船镇、龙兴镇以及渝北区最东侧洛碛镇的碳排放强度将增大。渝北区水域零星分布于建设用地周围及山脉附近，而未利用地往往出现于建设用地周围，由于这2种土地利用类型碳吸收能力较弱，对渝北区碳平衡空间分布格局的变化趋势未能造成明显影响。

图5 2005—2030年渝北区碳收支空间分布格局Fig.5 Spatial distribution pattern of carbon budget of Yubei District from 2005 to 2030

3 讨论

本文基于近期土地利用转移矩阵及马尔科夫链模型预测未来渝北区土地利用需求。马尔科夫链适用于随机波动较大的数据序列预测，计算简便而且预测结果通过了卡方检验，准确性较高。基于未来土地利用需求CLUE-S 进一步模拟出未来10 年土地利用类型的空间分布格局，通过Kappa检验可知，预测结果与真实的土地利用格局非常接近，即CLUE-S模型可准确地预测未来土地利用格局的时空动态变化。

2005年以来渝北区在社会经济快速发展、工业化及城镇化全面推进过程中所展现出最明显的土地利用变化趋势为耕地面积大幅下降而建设用地面积显著增加，而且这一变化趋势将在未来10 年内得以延续。2019年重庆市渝北区人民政府工作报告指出该区城镇化率已高达84.22%，而且进行了大规模的国土绿化、退耕还林1 333.33 hm2，验证了该区土地利用变化的趋势。2005—2030年渝北区耕地年均减少1 826.00 hm2，而建设用地始终保持着较高面积增长（年均增长1 328.75 hm2）与扩张强度（0.92%），说明建设用地面积增长挤压了耕地空间。城市发展与农业用地之间的矛盾将是未来10余年渝北区土地利用格局的主要特征，而且这与渝北区作为重庆市都市功能拓展区，在未来十几年将以经济体量快速增长的发展定位相吻合。2020—2030 年渝北区建设用地和耕地面积范围分别是2.21×104～3.90×104hm2和5.85×104～7.15×104hm2，符合现阶段《渝北区及双龙湖等21 镇（街道）土地利用总体规划（2006—2020 年）调整方案》对建设用地（4.67×104hm2）和农用地（除去林地外为5.39×104hm2）的面积控制，满足基本农田保护红线的要求。

土地利用变化对区域碳排放具有重要影响[3]。在渝北区碳收支评估过程中分别使用了前人研究中重庆地区农田及森林生态系统NEP作为耕地和林地的净碳吸收值[23-24]，低于已有研究中以NPP表征的这两种地类的碳汇值[22]。这是由于农田和森林生态系统不仅通过植被光合作用固定大气CO2，还将通过异养呼吸过程向大气释放CO2，而且由于异养呼吸占NPP 的比例高达47.5%～98.9%[25]，因此在计算区域净碳吸收时需要去除耕地和林地所对应的生态系统中异养呼吸碳释放，避免高估这2种主要地类的净碳吸收量，对县域尺度碳平衡的估算更为科学合理。2005 年碳收支结果表明渝北净碳吸收值为0.07 t/hm2，而在2010—2030年渝北区净碳排放量由0.96 t/hm2增加到6.07 t/hm2，低于赵荣钦等[26]年估算江苏省地均碳排放量（8.24～15.53 t/hm2）。这与研究区能源消费所占整体碳平衡的比例有关，渝北区能源消费量较低导致地均碳排放量低于江苏省平均值。但本文仅设置了1种未来土地利用情景，鉴于吴萌等[27]报道不同的未来土地利用情景将导致武汉市碳排放量相差10%～11%，下一步研究中需要设置多种土地利用情景对研究未来碳排放时空动态进行分析，以减少单种情景模拟的不确定性。

由于研究方法及数据可获得性的限制，本文在以下6个方面存在不足：（1）各种土地利用类型的碳吸收或碳排放系数均来自文献，未能根据研究区通量观测数据进行参数校正；（2）未考虑每种土地利用类型内部碳排放能力的异质性，如林地二级分类中针叶林、阔叶林、灌木林的碳吸收能力不同[28]；（3）CLUE-S中各地类转移弹性系数来自文献参数，忽略了土地利用变化对驱动因素的反馈作用；（4）缺乏重庆市早期各区县能源消费统计数据，因此不能通过数值模拟的方法推算未来能源消费变化趋势，仅能通过假设未来单位面积建设用地碳排放与2015 年值相等来估算，可能高估了未来建设用地碳排放量；（5）没有考虑未来渝北区人口变化，可能低估了未来人类呼吸释放量；（6）重庆市及渝北区在2007 年、2010年及2013年进行了若干次行政区划调整，本研究统一使用2015年行政边界，与渝北区2005年和2010年实际边界略有出入。本文局限性均由数据可获得性及目前人类对土地系统复杂程度认识不足引起的，在无法获得更详细辅助数据的情况下，本文对建设用地单位面积碳排放和行政边界不变的假设是一种简单且有效的方法。

基于马尔科夫链模型及既有的土地利用变化模式所预测的未来各地类面积符合区域整体发展趋势，Kappa 检验表明CLUE-S 所模拟的未来土地利用格局具有较高的精度，基于该结果可进一步获得未来碳收支时空格局。该方法对于对加强精细尺度土地利用空间布局低碳优化、完成区域减排任务及气候变化管理措施的制定具有重要的现实意义。但使用马尔科夫链模型的未来各地类面积预测结果依赖于转移矩阵的稳定性，随着社会经济发展及土地利用政策的变动，预测结果与现实情况有一定误差，因此下一步需要纳入更多的社会经济及政策类驱动因素对土地利用变化进行深入研究。考虑到渝北区人口和区位特征，未来可从以下两方面合理制定节能减排措施以适应低碳经济发展要求。一方面在现有产业结构条件下，调整土地利用结构、节约土地资源、提高土地资源利用效率，通过增大森林和城市绿地面积、提高森林覆盖率及质量促进碳吸收；另一方面通过升级产业结构、加大科技投入、优化能源结构持续提高减排效果，以完成重庆市碳排放目标的分配任务并兼顾区县间的联合减排。

4 结论

基于CLUE-S模型可预测重庆市渝北区未来10年土地利用变化趋势并进一步得到该区碳收支时空格局。经过Kappa检验可知CLUE-S对土地利用格局模拟精度高、预测效果理想。结果表明基于CLUES模型对土地利用变化的预测而获得县域尺度未来碳收支空间格局的方法是可行的，在现有产业结构下调整土地利用结构是保证县域低碳发展的重要途径。