牛亚文, 赵先超, 胡艺觉
湖南工业大学, 城市与环境学院, 株洲 412007
收稿日期: 2021-04-02; 修回日期: 2021-06-27; 录用日期: 2021-06-27
基金项目: 国家统计局科学研究重点项目（No.2019LZ27）；湖南省自然科学基金（No.2021JJ50057）
作者简介: 牛亚文(1998-), 女, E-mail: 2268101499@qq.com
通讯作者（责任作者）: 赵先超(1983—), 男, 湖南工业大学教授, 博士, 博士生导师. E-mail: zhaoxianchao@hut.edu.cn

摘要：从县域尺度开展土地利用碳排放空间分异研究，对指导区域实现碳达峰及碳中和目标具有重要意义.基于2013—2019年NPP-VIIRS夜间灯光数据测算长株潭地区县域土地利用碳排放，并运用探索性空间数据分析和地理探测器，对长株潭地区县域土地利用碳排放空间分异特征及影响因素进行分析.结果显示：①2013—2019年，长株潭地区县域土地利用碳排放差异较为显著，基本上在波动中呈递减趋势，空间上呈现自中部地区向四周地区渐弱的态势；②2013—2019年，研究区土地利用碳排放Moran's I值呈"上升下降再上升"的趋势，由2013年的0.275841最终减少为2019年的0.270621，空间集聚特征较为显著，总体呈正相关；局部空间自相关均未出现高低、低低集聚型区域，且高高集聚型区域固定为湘潭市市辖区；③综合4年指标探测结果来看，长株潭地区县域土地利用碳排放影响因素的解释力q值为0.200~0.868.其中，单位能源消耗碳排放、第一产业产值比重、人均土地面积、土地利用程度指数、城镇化率在研究期间出现频率较高且出现时的q值均大于0.50，且任意两个影响因素交互作用后影响力表现为双因子增强和非线性增强.
关键词：夜间灯光数据土地利用碳排放空间分异影响因素长株潭地区
Spatial variation of carbon emissions from county land use in Chang-Zhu-Tan area based on NPP-VIIRS night light
NIU Yawen, ZHAO Xianchao, HU Yijue
College of Urban and Environmental Sciences, Hunan University of Technology, Zhuzhou 412007
Received 2 April 2021; received in revised from 27 June 2021; accepted 27 June 2021
Abstract: The spatial variation of carbon emissions from county land use is essential to guide the region to achieve carbon peak and carbon neutrality. Based on the NPP-VIIRS night light data during 2013—2019 years, carbon emissions from county land use in Chang-Zhu-Xiang area were calculated. Meanwhile, the spatial characteristics and key factors of carbon emissions from county land use in Chang-Zhu-Xiang area were analyzed using exploratory spatial data analysis and geographic detector. The results showed that carbon emissions from county land use in Chang-Zhu-Xiang area has basically been reduced, and presented a decreasing trend from the central region to the surrounding region from 2013 to 2019. In addition, the Moran's I value of carbon emissions from county land use presented fluctuated trend, which ranged from 0.275841 to 0.270621 during 2013—2019 years. The data analysis showed that the spatial difference of carbon emissions from land use was significant correlated with the distance. The Local Moran's I analysis showed that there were no high-low and low-low agglomeration regions in Chang-Zhu-Xiang area, and the high-high agglomeration regions mainly located in Xiangtan city. The value of key factors influencing carbon emissions from county land use in Chang-Zhu-Xiang area was in range of 0.200 to 0.868. It was found that the carbon emissions per unit of energy consumption, the proportion of the output value of primary industry, the land area per capita, the index of land use degree, and the urbanization rate were the key factors. The influence on the carbon emissions from land use from multiple factors were much greater than the single factors.
Keywords: nightlight datacarbon emissions from land usespatial variationinfluencing factorsChang-Zhu-Tan area
1 引言(Introduction)全球变暖是当前世界各国亟需解决的难题之一, 也正是由此, 近年来全球各国都在倡导低碳经济和绿色发展.为加快推进绿色低碳发展, 中国“十四五”规划提出, 要加强国土空间规划和用途管控, 提高资源利用率, 大力发展绿色经济.随后习近平总书记提出要将碳达峰、碳中和纳入生态文明建设整体布局.碳排放与人类活动密切相关, 而土地承载着几乎所有的人类活动.因此, 从土地利用视角开展碳排放研究, 分析土地利用碳排放的空间分异特征及影响因素, 既对指导区域绿色低碳发展具有一定的现实意义, 也可为区域碳中和规划提供有力的理论支撑.
当前, 国内外诸多****从不同角度对相关领域进行了大量研究.从研究尺度来看, 在全国、省级、市级、区县级等宏观、中观及微观尺度的土地利用碳排放研究均有涉及(周嘉等, 2015；冯杰等, 2019；阿如旱等, 2019).从研究内容来看, 近年来国内外****对土地利用碳排放量测算(朱巧娴等, 2015；Zhu et al., 2019)、土地利用碳排放效应及时空格局(赵先超等, 2013；文枫等, 2016)、碳排放与经济增长脱钩状态(陈芷君等, 2018；黄鑫等, 2020)、不同尺度的土地利用碳排放空间分异(杨迪等, 2018；杨国清等, 2019)、土地利用碳排放影响因素(冯杰等, 2016；Wei et al., 2019；独孤昌慧, 2020)、土地利用变化对碳排放影响(李小康等, 2018；Tang et al., 2021)、土地利用碳排放低碳优化(张苗等, 2016；周勇等, 2018)、土地利用的碳排放预测(曲鲁平等, 2019)等方面研究较多.从研究方法来看, 主要借助碳排放系数法、生命周期评估法等方法对土地利用碳排放进行测算；对于土地利用碳排放时空演变及空间分异特征分析主要运用基尼系数、动态分布分析法、变异系数、探索性空间数据分析等方法；利用因素分解法、灰色系统法、情景分析法、LMDI分解法、STIRPAT模型、地理加权回归模型、地理探测器等方法探究土地利用碳排放的影响因素(赵荣钦等, 2012；韩骥等, 2016).
综合来看, 上述研究成果对今后的土地利用碳排放研究具有重要的参考价值.NPP-VIIRS数据能够有效弥补县域尺度统计数据不全的缺陷, 已被国内外****较为广泛地用于进行能源消耗碳排放量的估算(Su et al., 2014；武娜等, 2019；于博等2020), 但基于NPP-VIIRS数据的县域土地利用碳排放测算研究较少.此外, 现有采用地理探测器模型分析土地利用碳排放影响因素的研究多是基于某一年的指标进行探测, 鲜有研究通过探测不同时间阶段各因子的解释力进行分析.本文即以此为切入点, 从县域尺度出发, 基于2013—2019年长株潭地区的土地利用、能源消耗、NPP-VIIRS数据等, 利用探索性空间数据分析和地理探测器, 对长株潭地区县域土地利用碳排放空间分异特征及其影响因素进行分析, 旨在为长株潭地区土地利用碳减排及低碳土地利用规划提供一定的理论数据参考.
2 研究区与研究方法(Research areas and methods)2.1 研究区概况与数据来源由于长株潭地区的行政区划在2013—2019年间有所调整, 为保持数据的一致性, 本文根据新的区划调整对2013—2019年的数据进行了合并处理.同时, 考虑到各市市辖区面积普遍较小, 基于研究需要, 本文将各市市辖区进行合并, 即研究对象为长沙市市辖区、宁乡市、浏阳市、长沙县、株洲市市辖区、醴陵市、茶陵县、炎陵县、攸县、湘潭市市辖区、湘乡市、韶山市、湘潭县13个区县市.
研究所用主要数据包括: ①NPP-VIIRS夜间灯光数据来源于中国研究数据服务平台(CNRDS)；②土地利用数据是参考土地利用现状分类标准(GB/T21010—2007), 运用ENVI软件对Landsat TM遥感影像进行解译, 并对分类结果精度进行检验, 最终得到2013、2015、2017、2019年长株潭地区4期土地利用分类数据(图 1), 同时将所有地类与长株潭地区13个行政区县市的边界进行融合, 得到各区县市的土地利用数据；③长株潭地区县域土地利用碳排放测算及影响因素指标所涉及到的数据主要来源于《湖南省统计年鉴》(2014—2020年).
图 1(Fig. 1)

图 1 2013—2019年长株潭地区土地利用分类图 Fig. 1Land use classification map in Chang-Zhu-Tan area from 2013 to 2019

2.2 研究方法2.2.1 土地利用碳排放估算方法土地利用碳排放估算方法可分为直接碳排放量测算和间接碳排放量估算, 前者为耕地、林地、草地、水域、未利用地的碳排放测算, 后者为建设用地的碳排放估算.其中, 建设用地碳排放主要是指人类社会活动在建设用地上所消耗的能源产生的碳排放, 借助建设用地面积数据对碳排放进行估算, 不能真实地反映其碳排放量, 故研究中运用基于碳排放模拟模型拟合的能源消耗碳排放进行代替.其中, 不同能源的折标煤系数和碳排放系数参考于博等(2020)的研究成果；耕地、林地、水域碳排放系数是参考苑韶峰等(2019)在不同****研究基础上按经纬度及地理状况得到的湖南地区土地利用碳排放系数, 取值分别为0.4970、-0.6440、-0.0230 t·hm^-2·a^-1；草地碳排放系数是参考相关研究成果(孙赫等, 2015；苑韶峰等, 2019), 取其平均值得到, 取值为-0.0205 t·hm^-2·a^-1；由于未利用地的碳排放和碳吸收能力都较弱, 依据相关研究将其碳排放系数取为-0.0050 t·hm^-2·a^-1(石洪昕等, 2012).直接碳排放量具体计算公式如下:

(1)

式中, E_x为直接碳排放量(t)；A_i为第i种土地利用类型碳排放量(t)；S_i为第i种土地利用类型面积(hm²)；T_i为第i种土地利用类型碳排放系数(t·hm^-2·a^-1).
能源消耗碳排放测算方法采用《国家温室气体排放清单指南》中提供的能源消耗碳排放计算(王雅晴等, 2020).考虑到夜间灯光数据与碳排放量具有相关性, 本文选取4种方程对2013—2019年长株潭地区三市的NPP-VIIRS夜间灯光数据总亮度值(TDN值)与各市相应年份的能源消耗碳排放量进行拟合, 获得长株潭地区能源消耗碳排放量的拟合方程(表 1).结果显示, 夜间灯光数据与能源碳排放有较强的相关性, 可用于开展长株潭地区县域尺度的土地利用碳排放量测算.比较分析, 株洲市和湘潭市拟合度最高的拟合方程为线性回归方程, 长沙市拟合度最高的拟合方程为对数方程.综合考虑, 为保证研究一致性, 采用线性回归方程进行拟合, 其拟合度R²均在0.8500以上.值得说明的是, 本文基于2013—2019年长株潭地区市域能源消耗碳排放总量, 运用各区县市的NPP-VIIRS夜间灯光数据亮度值(DN值)与市域TDN值的比值来测算长株潭地区各区县市的能源消耗碳排放量, 得到间接碳排放量E_y值, 单位为10⁴ t.
表 1(Table 1)

表 1 长株潭地区能源消耗碳排放量的拟合方程 Table 1 Fitting equation of carbon emission from energy consumption in Chang-Zhu-Tan area

表 1 长株潭地区能源消耗碳排放量的拟合方程 Table 1 Fitting equation of carbon emission from energy consumption in Chang-Zhu-Tan area 地区 拟合方程 R2 长沙 y=-90.33lnx+328.16 0.9747 y=378.1e-0.162x 0.9671 y=331.89x-0.346 0.9559 y=-41.578x+360.34 0.9524 株洲 y=-9.5657x+544.82 0.9991 y=-234.7lnx+1058.2 0.9961 y=664.89e-0.031x 0.9961 y=3575.3x-0.77 0.991 湘潭 y=-108.03x+724.03 0.8775 y=826.61e-0.258x 0.8451 y=-227.1lnx+634.41 0.8411 y=658.59x-0.526 0.7615 注: y代表拟合的能源消耗碳排放量, x代表市域TDN值.

2.2.2 探索性空间数据分析探索性空间数据分析(Exploratory Spatial Data Analysis, ESDA)是一种空间统计分析方法, 主要有全局空间自相关(Moran′s I)和局部空间自相关(Local Moran′s I)两种测度方法(杨迪等, 2018), 公式如下:

(2)

(3)

式中, I为Moran′s I指数；I_i为Local Moran′s I指数；n为区县市单元数；w_ij为空间权重矩阵；x_i和x_j为第i和j个区县市的土地利用碳排放量；x为土地利用碳排放均值.
2.2.3 地理探测器地理探测器通常用于探测各影响因素对研究对象空间分异及各影响因素相互作用后的影响力大小, 本文重点借助因子探测器和交互探测器进行探测(柳冬青等, 2018).

(4)

式中, q为土地利用碳排放影响因素的影响力大小；N和σ²分别为整个研究区域的样本量和方差；N_i和σ_i²分别为i(i=1, 2, …, k)层样本量和方差.
3 结果分析(Results and analysis)3.1 土地利用碳排放空间分异分析3.1.1 土地利用碳排放的时空演变特征为更好地分析研究期内长株潭地区县域土地利用碳排放变化程度, 将测算结果进行统计, 结果如图 2所示.可以看出, 长株潭地区县域土地利用碳排放量差异较为显著, 可能是由于长株潭地区各区县市经济发展水平的差异性, 导致其土地利用结构不同.从时间上来看, 2013—2019年长株潭地区县域土地利用碳排放基本上在波动中呈递减趋势, 这与长株潭地区政府针对中国提出的碳减排目标, 严格落实所指定的科学发展规划有着密切的关系.其中, 长沙市市辖区、株洲市市辖区、湘潭市市辖区的土地利用碳排放变化最大, 分别从303.29×10⁴、307.01×10⁴、483.41×10⁴ t降低到178.77×10⁴、220.06×10⁴、209.18×10⁴ t；而浏阳市、攸县、茶陵县、炎陵县2013—2019年的土地利用碳排放量出现负值, 究其原因可能是因为林地在这些地区范围内的大量分布.
图 2(Fig. 2)

图 2 2013—2019年长株潭地区县域土地利用碳排放量统计结果 Fig. 2Statistics of carbon emissions from county land use in Chang-Zhu-Xiang area from 2013 to 2019

为更加直观地展示2013—2019年长株潭地区县域土地利用碳排放的差异性及空间分布特征, 本文采用ArcGIS软件中的自然间断点法将长株潭地区县域土地利用碳排放划分为4个等级, 如图 3所示.总体来看, 2013—2019年, 研究区县域土地利用碳排放具有显著的地域分布差异规律, 即呈自中部地区向四周地区渐弱的态势, 具体呈现以下3点特征: ①高度碳排放地区分布较为稳定, 主要集中在中部地区, 即3个市辖区, 研究期间没有任何变化.究其原因, 可能是由于市辖区的城镇化水平和经济发展水平较高, 基础设施较为完善, 同时人口密度较高, 能源的消耗力度较大, 进而导致其土地利用碳排放总量较高.
图 3(Fig. 3)

图 3 2013—2019年长株潭县域土地利用碳排放等级划分 Fig. 3Grade division of carbon emissions from county land use in Chang-Zhu-Xiang area from 2013 to 2019

② 中度和低度碳排放地区分布逐渐减少, 由2013年的7个减少为2019年5个, 主要集中于各市辖区周边.期间, 韶山市于2015年转变为低度碳排放, 湘乡市于2019年转变为低度碳排放.这可能由于这些区域经济发展状况相对较低, 城镇化进程相对缓慢, 因此, 能源消耗量需求较少, 又因其地理位置优越, 受到市辖区的带动作用, 在一定程度上影响其成为长株潭地区土地利用碳排放的中度和低度碳排放区.
③ 负碳排放地区整体呈现逐渐增多态势, 且低度碳排放地区有向负碳排放地区转化的倾向.负碳排放地区比例由2013年的23%上升为2019年的38%, 其中, 浏阳市、攸县、茶陵县在研究期间一直为负碳排放地区, 这与这些地区近年来大力发展旅游服务业有着密切的关系, 同时其土地利用多以林地、草地为主, 从而降低了土地利用碳排放量.
3.1.2 土地利用碳排放探索性空间数据分析通过借助ArcGIS软件中的Global Moran′s I分析工具, 得到2013—2019年长株潭地区县域土地利用碳排放Moran′s I指数(表 2).可以看出, 2013—2019年, 长株潭地区县域土地利用碳排放Moran′s I值波动较大, 经历了“上升下降再上升”的“N”型波动过程, 由2013年的0.275841最终减小为2019年的0.270621.同时, 每年的Moran′s I指数均大于0, 且都通过了p值小于0.1, Z的绝对值大于1.65的显著性水平检验.表明长株潭地区县域土地利用碳排放之间呈现显著的正相关关系, 在空间上呈较为显著的集聚分布特征, 即若某一地区土地利用碳排放较高(低), 则其周边地区的土地利用碳排放也较高(低).
表 2(Table 2)

表 2 2013—2019年长株潭地区县域土地利用碳排放Moran′s I指数 Table 2 Moran′s I index of carbon emissions from county land use in Chang-Zhu-Xiang area from 2013 to 2019

表 2 2013—2019年长株潭地区县域土地利用碳排放Moran′s I指数 Table 2 Moran′s I index of carbon emissions from county land use in Chang-Zhu-Xiang area from 2013 to 2019 年份 Moran′s I指数 Z-score p-value 2013年 0.275841 1.791293 0.073246 2015年 0.285791 1.882023 0.059833 2017年 0.267197 1.772987 0.076231 2019年 0.270621 1.709118 0.087429

为进一步探索长株潭地区县域土地利用碳排放在内部空间位置上的相互关联情况, 对其进行局部空间自相关分析.结果表明, 2013—2019年, 长株潭地区县域土地利用碳排放内部空间格局基本保持稳定, 大部分地区在空间上表示为非显著型.从空间上来看, 高高、低高集聚型区主要分布在长株潭地区的西北部, 其中, 2013年湘潭市市辖区形成相对独立的高高集聚型区域, 低高集聚型区主要分布在宁乡市和湘潭县；2015年长株潭地区土地利用碳排放的高高集聚型区仍分布在湘潭市市辖区, 但低高集聚型区仅分布在宁乡市；2017年和2019年, 高高集聚型区仍为湘潭市市辖区, 其他地区均为非显著型.总体来看, 2013—2019年, 长株潭地区均未出现高低、低低集聚型区域, 且高高集聚型区域固定为湘潭市市辖区.究其原因, 可能是由于湘潭市市辖区的第二产业相较其他产业发达, 加上城市化进程的加快致使该地区成为高能耗地区.
3.2 土地利用碳排放影响因素分析3.2.1 影响因素选择与处理根据上文分析, 长株潭地区县域土地利用碳排放存在显著的空间分异特征, 其受到能源、经济、产业等多方面因素的影响, 现有研究多侧重于其影响因素分解后的机理分析, 缺乏影响因素的空间分异状况及因素间相互作用的度量.故此, 本文从空间层次分异性的角度出发, 将土地利用碳排放影响因素引入地理探测器进行解释, 参考相关成果(冯杰等, 2016；Wei et al., 2019；冯杰等, 2019), 并综合考虑研究区实际情况, 在各区域数据可获取基础上, 遴选了10项指标作为解释因子即自变量(表 3), 并选择研究区县域土地利用碳排放总量作为因变量.为更好地表征影响因素的空间分布格局, 借助ArcGIS软件对2013—2019年10个指标的平均值进行空间插值分析(图 4).此外, 为提高地理探测器的显著性, 将该地区累积4年的影响因子与土地利用碳排放总量进行探测分析, 本文借助ArcGIS软件中的自然间断法将影响因素指标数据分为5类, 离散为类型量.
表 3(Table 3)

表 3 土地利用碳排放影响因素指标选取 Table 3 Index selection of influencing factors of carbon emissions from county land use

表 3 土地利用碳排放影响因素指标选取 Table 3 Index selection of influencing factors of carbon emissions from county land use 目标层 要素层 指标层 土地利用碳排放影响因素 能源碳排放强度 X1: 单位能源消耗碳排放 能源强度 X2: 单位GDP能源消费量(t·万元-1) 经济发展水平 X3: 人均GDP(元) 产业结构水平 X4: 第一产业产值比重 X5: 第二产业产值比重 区域投资水平 X6: 固定资产投资(万元) 土地规模 X7: 人均土地面积(hm2) 土地利用程度 X8: 土地利用程度指数 人口规模 X9: 人口数量(万人) 城镇发展水平 X10: 城镇化率 注: 土地利用程度指数的计算公式为: , 其中, Ld为土地利用程度指数, Mi为第i级土地利用面积(hm2), Ci为第i级土地利用程度分级指数, Hj为各区县市的土地总面积(hm2).

图 4(Fig. 4)

图 4 长株潭地区县域土地利用碳排放影响因素空间分布 Fig. 4Spatial distribution of influencing factors of carbon emissions from county land use in Chang-Zhu-Xiang area

3.2.2 影响因素的显著性研究因子探测器是用于定量探测不同影响因素对土地利用碳排放的影响力大小.运行结果表明, 各影响因素对于长株潭地区县域土地利用碳排放的影响力表现出特定的一致性和差异性(表 4).从时间上来看, 大部分影响因素在研究期间对土地利用碳排放的解释力波动较为稳定, 但单位能源消耗碳排放(X₁)、人均GDP(X₃)、第二产业产值比重(X₅)在研究期间波动较大.其中, 单位能源消耗碳排放(X₁)在2019年解释力骤减, 据统计结果可知, 2019年研究区大部分区县市的单位能源消耗碳排放比其他年份较高, 而在这一年研究区县域土地利用碳排放量相比其他年份较小, 因此, X₁在这一年的解释力不高, 但其仍是长株潭地区县域土地利用碳排放空间分异的基本决定因素.人均GDP(X₃)在2019年解释力骤增, q值为0.983, 可能与这一年长株潭地区政府积极依托自身优势产业、优化经济结构、推进经济一体化有密切关系.第二产业产值比重(X₅)在2017年解释力为最小值, 说明这一年X₅对长株潭地区县域土地利用碳排放影响最小.从累积4年指标的探测结果来看, q值为0.200~0.868.其中, 城镇化率、第一产业产值比重、人均土地面积、土地利用程度指数、单位能源消耗碳排放对长株潭地区县域土地利用碳排放的影响最为重要；其次为单位GDP能源消费量、人均GDP；人口数量的影响程度稍低于上述2项指标；固定资产投资、第二产业产值比重对长株潭县域土地利用碳排放的影响力较小.
表 4(Table 4)

表 4 影响因素对长株潭地区县域土地利用碳排放的解释力 Table 4 The values of influencing factors of carbon emissions from county land use in Chang-Zhu-Tan area

表 4 影响因素对长株潭地区县域土地利用碳排放的解释力 Table 4 The values of influencing factors of carbon emissions from county land use in Chang-Zhu-Tan area 探测指标 解释力 2013年 2015年 2017年 2019年 综合 单位能源消的碳排放(X1) 0.686* 0.520 0.639 0.339 0.479*** 单位GDP能源消费量(X2) 0.391 0.589 0.475 0.455 0.349*** 人均GDP(X3) 0.282 0.272 0.397 0.983*** 0.322*** 第一产业产值比重(X4) 0.918*** 0.888*** 0.739 0.741* 0.781*** 第二产业产值比重(X5) 0.471 0.461 0.159 0.461 0.200* 固定资产投资(X6) 0.497 0.471 0.399 0.379 0.214 人均土地面积(X7) 0.798* 0.947*** 0.783* 0.745* 0.767*** 土地利用程度指数(X8) 0.738 0.827** 0.730 0.653 0.694*** 人口数量(X9) 0.263 0.323 0.254 0.311 0.263* 城镇化率(X10) 0.930*** 0.893*** 0.910*** 0.981*** 0.868*** 注: ***、**、*分别表示在0.01、0.05、0.1的置信度上统计显著.

通过对显著性水平和影响力较低的影响因素进行筛选, 得到2013—2019年长株潭地区县域土地利用碳排放的主导影响因素(图 5).由图 5可知, 单位能源消耗碳排放(X₁)、第一产业产值比重(X₄)、人均土地面积(X₇)、土地利用程度指数(X₈)、城镇化率(X₁₀)出现频率较高且出现时的q值均大于0.50.具体分析如下:
图 5(Fig. 5)

图 5 2013—2019年长株潭地区县域土地利用碳排放的主导影响因素 Fig. 5Key factors of carbon emissions from county land use in Chang-Zhu-Tan area from 2013 to 2019

① 从能源碳排放强度来看, 2013—2019年, X₁的影响力呈先减后增再减的趋势, 在2019年的q值为0.339.由此来看, 长株潭地区政府应进一步引进先进技术并大力发展清洁能源, 提高资源利用效率, 进而可以有效减少能源消耗所产生的碳排放.
② 从产业结构水平来看, 2013—2019年, X₄对长株潭地区县域土地利用碳排放的影响程度呈先减后增的趋势, 且均大于0.730, 表明X₄对长株潭地区县域土地利用碳排放影响较大.因此, 未来长株潭地区实现碳达峰和碳中和目标, 关键在于优化产业结构, 加强产业融合, 将低碳理念融入产业化进程.
③ 从土地规模来看, X₇在研究期间对长株潭地区县域土地利用碳排放的影响较为稳定, 呈现先增后减的波动趋势, 从2013年的0.798波动减小为2019年的0.745, 且在研究期间对长株潭地区县域土地利用碳排放的影响力均为显著.由此可以看出, X₇对长株潭地区县域土地利用碳排放的影响较为重要, 其作用仍不可忽视.
④ 从土地利用程度来看, X₈在不同时间对长株潭地区县域土地利用碳排放的影响程度不同. 2013、2015、2017、2019年影响力分别为0.738、0.827、0.730、0.653, 整体呈现先增后减的趋势.由此可见, 适当调整土地利用结构相对来说对土地利用碳排放总量会有所控制, 可通过优化土地利用结构, 增加固碳能力强的土地利用类型面积, 提升土地利用效率, 以推进长株潭地区碳中和目标的实现.
⑤ 从城镇发展水平来看, 2013—2019年, X₁₀对长株潭地区县域土地利用碳排放影响程度呈先减后增趋势, q值从2013年的0.930波动上升为2019年的0.981, 解释力增高.相比较其它影响因素, X₁₀在研究期间对长株潭地区县域土地利用碳排放的影响力均在0.01的置信度上显著, 说明城镇发展水平对土地利用碳排放具有显著影响.城镇的飞速发展必然会导致土地利用碳排放的急剧增加, 因此, 在未来的碳减排工作中应当关注城镇发展水平, 合理控制城镇化进程, 采用针对性的手段保证城镇的健康、可持续发展.
3.2.3 影响因素交互作用研究交互探测器结果显示, 10个指标两两交互均比单个指标对长株潭地区县域土地利用碳排放的影响作用要明显, 其影响力主要表现为双因子增强与非线性增强(表 5).其中, 2013年X₆∩X₁、X₆∩X₇、X₆∩X₈、X₇∩X₂、X₇∩X₃、X₇∩X₅、X₉∩X₁、X₉∩X₂交互值最大, 均达到1.000；2015年仅X₆∩X₈交互值为1.000；2017年X₁∩X₆、X₆∩X₉、X₉∩X₁₀交互影响力也达到1.000；2019年X₂∩X₄、X₂∩X₇、X₅∩X₈、X₉∩X₄、X₉∩X₁₀交互值最大, 为1.000.整体来看, 2013—2019年人口数量与城镇化率交互影响力均较大, 而人口数量因素在研究期间影响力较小, 可见每一个影响因素对长株潭地区县域土地利用碳排放的重要性, 其作用不可忽视.
表 5(Table 5)

表 5 2013年、2015年、2017年和2019年的交互探测结果 Table 5 Interaction detection results in 2013, 2015, 2017 and 2019

表 5 2013年、2015年、2017年和2019年的交互探测结果 Table 5 Interaction detection results in 2013, 2015, 2017 and 2019 年份 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 2013 X1 0.686 X2 0.715 0.391 X3 0.954 0.996 0.282 X4 0.937 0.997 0.947 0.918 X5 0.954 0.995 0.949 0.951 0.471 X6 1.000 0.995 0.993 0.994 0.661 0.497 X7 0.952 1.000 1.000 0.948 1.000 1.000 0.798 X8 0.952 0.900 0.860 0.947 0.997 1.000 0.814 0.738 X9 1.000 1.000 0.802 0.997 0.666 0.660 0.998 0.855 0.263 X10 0.937 0.999 0.953 0.936 0.953 0.999 0.951 0.951 1.000 0.930 2015 X1 0.520 X2 0.624 0.589 X3 0.910 0.999 0.272 X4 0.906 0.999 0.908 0.888 X5 0.675 0.672 0.903 0.908 0.461 X6 0.998 0.997 0.998 0.992 0.992 0.471 X7 0.956 0.999 0.995 0.957 0.999 0.998 0.947 X8 0.908 0.948 0.909 0.958 0.998 1.000 0.951 0.827 X9 0.723 0.999 0.864 0.996 0.998 0.644 0.994 0.905 0.323 X10 0.906 0.999 0.908 0.904 0.907 0.995 0.957 0.959 0.999 0.893 2017 X1 0.639 X2 0.668 0.475 X3 0.812 0.877 0.397 X4 0.812 0.874 0.811 0.739 X5 0.673 0.555 0.999 0.999 0.159 X6 1.000 0.999 0.799 0.865 0.998 0.399 X7 0.934 0.999 0.933 0.803 0.999 0.869 0.783 X8 0.934 0.999 0.794 0.802 0.999 0.818 0.802 0.730 X9 1.000 0.999 0.459 0.998 0.706 0.464 0.999 0.858 0.254 X10 0.922 0.946 0.933 0.931 0.998 0.998 0.933 0.934 1.000 0.910 2019 X1 0.339 X2 0.861 0.455 X3 0.995 0.998 0.983 X4 0.769 1.000 0.991 0.741 X5 0.806 0.836 0.998 0.996 0.461 X6 0.773 0.997 0.996 0.773 0.997 0.379 X7 0.769 1.000 0.994 0.766 0.999 0.773 0.745 X8 0.769 0.999 0.994 0.769 1.000 0.687 0.768 0.653 X9 0.828 0.998 0.997 1.000 0.999 0.456 0.999 0.757 0.311 X10 0.995 0.994 0.987 0.990 0.995 0.997 0.995 0.995 1.000 0.981 注：单下划线数据为非线性增强，加粗黑体数据为双因子增强.

4 讨论(Discussion)本文主要基于2013—2019年长株潭地区的土地利用、能源消耗、NPP-VIIRS数据及人口、GDP等社会经济数据, 从县域尺度出发, 初步探讨了长株潭地区县域土地利用碳排放空间分异特征及其影响因素.研究结果不仅可以为长株潭地区碳达峰、碳中和规划提供一定的数据参考, 也对长株潭区域低碳土地利用规划具有一定的现实意义.从研究视角来看, 本文运用NPP-VIIRS数据模拟能源消耗碳排放, 进而间接估算长株潭地区县域建设用地的碳排放量, 为其他地区土地利用碳排放测算提供了一个新思路.从研究方法来看, 本文运用地理探测器模型探测2013—2019年4年的影响因素, 与单一地使用一年数据探测相比, 更加具有显著性和准确性, 这将对其他城市的土地利用碳排放影响因素研究有一定的借鉴意义.
需要注意的是, 文中对研究区能源消耗碳排放与夜间灯光值进行了拟合, 因部分县域层面的数据获取受限, 一定程度上会影响模拟结果的准确性, 在以后仍需深入进行研究补充.此外, 本文对长株潭地区能源碳排放强度、能源强度、经济发展水平、产业结构水平、区域投资水平、土地规模、土地利用程度、人口规模、城镇发展水平等各个方面进行了探测, 但对土地利用碳排放与影响因素的具体相关关系还有待运用其他模型来充分探讨.
5 结论(Conclusions)2013—2019年, 长株潭地区县域土地利用碳排放量差异较为显著, 基本上在波动中呈递减趋势.空间上, 呈现自中部地区向四周地区渐弱的态势.此外, 长株潭地区县域土地利用碳排放全局空间自相关Moran′s I值在研究期间经历了“上升下降再上升”的“N”型波动过程, 空间上呈较为显著空间集聚特征, 总体呈正相关；在局部空间自相关中, 4个时期长株潭地区均未出现高低、低低集聚型区域, 且高高集聚型区域固定为湘潭市市辖区.长株潭地区土地利用碳排放主导影响因素中单位能源消耗碳排放、第一产业产值比重、人均土地面积、土地利用程度指数、城镇化率在研究期间出现频率较高且出现时的q值均大于0.50, 且任意两个影响因素交互作用后的影响力均表现为不同程度的双因子增强和非线性增强.

参考文献

阿如旱, 牡丹, 苏德苏日古格, 等. 2019. 内蒙古多伦县土地利用碳排放及其影响因素分析[J]. 干旱区资源与环境, 33(4): 17-22.

陈芷君, 刘毅华, 林华荣. 2018. 广东省土地利用碳排放与经济增长之间的脱钩分析[J]. 生态经济, 34(5): 26-32.

独孤昌慧. 2020. 中国农地利用碳排放及影响因素研究: 1990-2016年[J]. 生态经济, 36(5): 19-23.

冯杰, 王涛. 2016. 中国土地利用碳排放演变与影响因素分析[J]. 软科学, 30(5): 87-90.

冯杰, 张胜, 王涛. 2019. 中国省际土地利用碳排放及其影响因素分析[J]. 统计与决策, 35(5): 141-145.

韩骥, 周翔, 象伟宁. 2016. 土地利用碳排放效应及其低碳管理研究进展[J]. 生态学报, 36(4): 1152-1161.

黄鑫, 邢秀为, 程文仕. 2020. 土地利用碳排放与GDP含金量的脱钩关系及驱动因素[J]. 地域研究与开发, 39(3): 156-161. DOI:10.3969/j.issn.1003-2363.2020.03.028

柳冬青, 张金茜, 李红瑛, 等. 2018. 基于地理探测器的流域土壤磷流失影响因素分析[J]. 环境科学学报, 38(12): 4814-4822.

李小康, 王晓鸣, 华虹. 2018. 土地利用结构变化对碳排放的影响关系及机理研究[J]. 生态经济, 34(1): 14-19.

曲鲁平, 翟腾腾, 张全景. 2019. 基于灰色理论模型的山东省土地利用碳排放研究[J]. 山东农业大学学报(自然科学版), 50(2): 290-296. DOI:10.3969/j.issn.1000-2324.2019.02.026

石洪昕, 穆兴民, 张应龙, 等. 2012. 四川省广元市不同土地利用类型的碳排放效应研究[J]. 水土保持通, 32(3): 101-106.

孙赫, 梁红梅, 常学礼, 等. 2015. 中国土地利用碳排放及其空间关联[J]. 经济地理, 35(3): 154-162.

Su Y X, Chen X Z, Li Y, et al. 2014. China's 19-year city-level carbon emissions of energy consumptions, driving forces and regionalized mitigation guidelines[J]. Renewable & Sustainable Energy Reviews, 35(C): 231-243.

Tang X J, Woodcock C E, Olofsson P, et al. 2021. Spatiotemporal assessment of land use/land cover change and associated carbon emissions and uptake in the Mekong River Basin[J]. Remote Sensing of Environment, 256: 112336. DOI:10.1016/j.rse.2021.112336

王雅晴, 谭德明, 张佳田, 等. 2020. 我国城市发展与能源碳排放关系的面板数据分析[J]. 生态学报, 40(21): 7897-7907.

文枫, 鲁春阳. 2016. 重庆市土地利用碳排放效应时空格局分异[J]. 水土保持研究, 23(4): 257-262+268.

Wei C, Xiao Y. 2019. Region-county characteristic of spatial-temporal evolution and influencing factor on land use-related CO2 emissions in Chongqing of China, 1997-2015[J]. Journal of Cleaner Production, 231: 619-632. DOI:10.1016/j.jclepro.2019.05.248

武娜, 沈镭, 钟帅. 2019. 基于夜间灯光数据的晋陕蒙能源消费碳排放时空格局[J]. 地球信息科学学报, 21(7): 1040-1050.

杨迪, 杨旭, 吴相利, 等. 2018. 东北地区能源消费碳排放时空演变特征及其驱动机制[J]. 环境科学学报, 38(11): 4554-4565.

杨国清, 朱文锐, 文雅, 等. 2019. 20年来广东省土地利用碳排放强度与效率空间分异研究[J]. 生态环境学报, 28(2): 332-340.

于博, 杨旭, 吴相利. 2020. 哈长城市群县域碳排放空间溢出效应及影响因素研究-基于NPP-VIIRS夜间灯光数据的实证[J]. 环境科学学报, 40(2): 697-706.

苑韶峰, 唐奕钰. 2019. 低碳视角下长江经济带土地利用碳排放的空间分异[J]. 经济地理, 39(2): 190-198.

张苗, 甘臣林, 陈银蓉. 2016. 基于SBM模型的土地集约利用碳排放效率分析与低碳优化[J]. 中国土地科学, 30(3): 37-45.

赵荣钦, 陈志刚, 黄贤金, 等. 2012. 南京大学土地利用碳排放研究进展[J]. 地理科学, 32(12): 1473-1480.

赵荣钦, 黄贤金, 钟太洋. 2013. 区域土地利用结构的碳效应评估及低碳优化[J]. 农业工程学报, 29(17): 220-229. DOI:10.3969/j.issn.1002-6819.2013.17.029

赵先超, 朱翔, 周跃云. 2013. 湖南省不同土地利用方式的碳排放效应及时空格局分析[J]. 环境科学学报, 33(3): 941-949.

周嘉, 杨琳, 董美娜, 等. 2015. 基于土地利用的哈尔滨市2004-2012年碳排放强度变化分析[J]. 地理科学, 35(3): 322-327.

周勇, 赵伟. 2018. 西安市土地利用结构碳排放核算及低碳优化研究[J]. 生态经济, 34(5): 21-25.

Zhu E Y, Deng J S, Zhou M M, et al. 2019. Carbon emissions induced by land-use and land-cover change from 1970 to 2010 in Zhejiang, China[J]. Science of the Total Environment, 646: 930-939. DOI:10.1016/j.scitotenv.2018.07.317

朱巧娴, 梅昀, 陈银蓉, 等. 2015. 基于碳排放测算的湖北省土地利用结构效率的DEA模型分析与空间分异研究[J]. 经济地理, 35(12): 176-184.