環鄱陽湖城市群土地利用碳排放傳導效應及預測

胡宜之,余敦

(江西農業大學國土資源與環境學院,南昌 330045)

由碳排放增加引起的全球氣候變暖被視作21世紀人類面臨的最嚴峻的環境挑戰之一[1]。已有研究表明,全球土地利用碳排放約占總碳排放的1/3,其中建設用地擴張對凈碳排放的邊際貢獻高達3.99,是僅次于化石能源燃燒的第二大碳排放源[2]。近20年來中國土地利用碳排放增幅約11.91 Gt,土地利用碳排放呈逐年增長和集聚態勢,中國已成為世界上碳排放最大的國家,因此,減碳降排已成為生態文明建設的核心任務[3]。黨的二十大報告也指出,要協同推進降碳、減污、擴綠、增長,推進生態優先、節約集約、綠色低碳發展。而城市群作為推動區域板塊之間融合互動發展的著力點,在促進區域低碳化發展過程中發揮關鍵紐帶作用[4]。因此,針對城市群層面開展土地利用碳排放研究,對制定區域差異化減排政策、促進區域綠色可持續發展具有重要指導意義。

土地利用碳排放已成為社會經濟發展的重大約束,逐漸引起學界的高度關注?，F有關于土地利用碳排放的研究內容多以碳排放核算為基礎,總體上由微觀尺度上土壤碳和植被碳測算,過渡至中觀尺度上碳排放效應機理探析,進而發展到宏觀尺度上減排政策調控,主要集中在時空格局[5]、影響因素[6]、脫鉤效應[7]、碳補償價值[8]和趨勢預測等[9]方面。就研究主體而言,相關研究已從土地利用延伸至經濟發展、生態保護、產業轉型以及國土開發等領域,主要表現為探究多種因素主體對土地利用碳排放的影響或二者之間的耦合關系。如Shen等[10]基于GIS分析法闡明了土地利用碳排放增長與經濟發展的關系;李竹等[11]運用Granger因果檢驗法揭示了不同省域碳平衡能力與城鎮化的互動關系。此外,研究尺度上逐漸多樣化,由獨立的行政單元拓展至城市群、流域和經濟帶等發展戰略區域,涵蓋國家[12]、省域[13]、市域[14]和縣域等[15]尺度。其中,預測作為一種系統仿真模擬的動態過程,已成為研究熱點。針對土地利用模擬和碳排放預測的方法包括FLUS模型[16]、Markov模型[17]、SD 模型[18]和IPAT 模型[19]等。綜上所述,豐碩的成果為開展土地利用碳排放研究奠定了堅實的理論基礎,但仍存在一定的拓展空間:(1)部分研究在研討土地利用對碳排放效應作用機理時,多從整體增減角度考慮碳排放的動態變化,對地類轉化導致的系統內部碳傳導效應研究較為鮮有;(2)部分研究在預測土地利用碳排放時,多基于數理統計方法進行總量預測,對土地利用格局、能源消費結構等作用影響分析不足,預測結果的可靠性有待提升。

環鄱陽湖城市群作為典型的湖域地區具有完整的土地生態系統和活躍的能源消費機制。隨著近年來經濟快速發展,建設用地擴張擠占農用地破壞了土地生態系統的功能完整性,能源消費水平持續攀升造成了大量碳排放污染。據統計資料,2000—2020 年建設用地擴張2 039.4 km2,能源消費增加6.22×107t,但由此引致的土地利用碳傳導效應及變化趨勢尚未明晰?；诖?本研究在估算土地利用碳排放變化的基礎上,構建碳傳導效應測度模型揭示城市群內部地類轉化引起的碳傳導差異,并采用FLUS-Markov模型和GM-Markov模型分別對2025年(“十四五”規劃目標年)、2030年(碳達峰目標年)和2035年(遠景目標年)土地利用格局和能源消費結構進行模擬驗證,以實現對研究區土地利用碳排放的趨勢預測。研究結果可為環鄱陽湖城市群優化土地資源配置、降低土地減排壓力提供智力支撐,也可為中國實現碳達峰碳中和目標和綠色低碳高質量發展提供參考借鑒。

1 研究區概況與數據來源

1.1 研究區概況

環鄱陽湖城市群位于江西省中北部(26°57′—30°04′N,113°34′—118°28′E),地勢平緩、水網稠密且多為湖濱平原,林地占比超過50%,總面積9.23×104km2,包括南昌市、景德鎮市等10個地級市(圖1)。2020年末地區生產總值19 459.89億元,約占全省的75.74%,人口總數3 109.97萬人,城鎮化率達61.67%。該區域作為中國重要的生態功能保護區,自然資源豐富,區位優勢顯著,在長江流域生態安全格局維護和綠色低碳發展中發揮重要樣板作用。隨著中部崛起、長江中游城市群等區域發展戰略的實施與推進,環鄱陽湖城市群現代化進程也在不斷加快,建設用地持續擴張,能源消費強度增大,由此引致的土地利用碳排放日益增長成為區域高質量發展中亟待解決的核心議題。

圖1 環鄱陽湖城市群區位Fig.1 Location of urban agglomeration around Poyang Lake

1.2 數據來源

本研究以2000 年、2005 年、2010 年、2015 年、2020年為時間節點,涉及的基礎數據包括土地數據、地形數據、氣象數據、水文數據、交通數據以及統計數據。具體信息見表1。

表1 數據類型、預處理及來源Table 1 Data type,preprocessing and source

2 研究方法

2.1 土地利用碳排放估算

土地利用碳排放估算主要從碳源和碳匯兩個方面考慮?；凇锻恋乩矛F狀分類》(GB/T21010—2017)說明,并結合環鄱陽湖城市群地域特點及發展導向,將研究區土地利用類型重分類為耕地、林地、草地、水域、未利用地和建設用地。林地、草地、水域和未利用地因具有碳吸收功能視為碳匯,而耕地在農業生產活動時表現為碳源,在作物生長期間表現為碳匯,考慮已有研究和研究區實際,耕地利用碳變化主要表現為凈碳排放。因此,采用直接系數估算法對上述5類土地的碳排放(碳吸收)進行估算,碳排放(碳吸收)系數見表2,其中正值表示碳排放,負值表示碳吸收(下同)。計算公式如下:

表2 地類碳排放(碳吸收)系數Table 2 Carbon emission(Carbon absorption)coefficient of various land type

式中:EL為直接土地利用碳排放(104t);m為地類,包括耕地、林地、草地、水域和未利用地;Sm為地類m的面積(km2);δm為地類m的碳排放(碳吸收)系數〔kg/(m2·a)〕。

建設用地具有碳排放功能可視為碳源,其承載的碳排放主要來源于各種能源消費,采用IPCC 核算框架對間接土地利用碳排放進行估算,能源折標準煤系數及碳排放系數見表3。計算公式如下:

表3 能源折標準煤系數及碳排放系數Table 3 Conversion coefficient of energy into standard coal and carbon emission coefficient

式中:EC為建設用地碳排放(104t);j為能源種類,包括原煤、洗精煤、其他洗煤、焦炭、原油、汽油、煤油、柴油和燃料油;Tj為能源j折算為標準煤后的消耗量(104t);θj為能源j的碳排放系數(104t/104t標準煤)。

鑒于區縣層面的能源消費數據難以獲取,故基于上述方法測算江西省間接土地利用碳排放,同時借鑒王勇等[25]的研究成果,選取人口、GDP、歷史碳排放(公平性原則)、碳排強度(效率性原則)和第三產業比重(可行性原則)等指標構建區域碳排放權分配體系,將省域碳排放科學合理地分配至環鄱陽湖城市群。

2.2 土地利用碳傳導效應測度

土地利用碳傳導效應是指土地利用過程中由地類面積增減引起的內部碳轉移,包括碳轉出和碳轉入兩個過程[17]。碳傳導效應由地類轉化前后碳排放(碳吸收)能力的差異以及轉化的面積決定。其中,碳排放(碳吸收)能力由對應系數表征,轉化面積由土地利用轉移矩陣確定。計算公式如下:

式中:N為地類數目;Smn為地類m轉化至地類n的面積。除建設用地以外,地類互相轉化引起的碳傳導量ET由轉化面積與碳排放(碳吸收)能力確定。計算公式如下:

假設環鄱陽湖城市群內部的建設用地在空間上具有同質性,則在時段T1—T2內,由建設用地轉化為其他地類引起的轉出碳為EO,由其他地類轉化為建設用地引起的轉入碳為EI。計算公式如下:

式中:Scm和Smc分別為建設用地與地類m互轉的面積(km2);SC1和SC2分別為T1和T2時期建設用地的面積(km2);δT1和δT2分別為T1和T2時期建設用地單位面積上產生的碳排放〔kg/(m2·a)〕;δm為其他地類的碳排放系數(δm1)或碳吸收系數(δm2)〔kg/(m2·a)〕;EC1和EC2分別為在T1和T2時期建設用地產生的碳排放(104t);。

2.3 土地利用碳排放趨勢預測

2.3.1 FLUS-Markov模型 FLUS-Markov模型是Liu等[26]在GeoSOS軟件上拓展衍生出的一種土地利用模擬模型,該模型主要通過交互耦合FLUS 模型處理土地系統空間變化的能力和Markov模型預測土地類型數量特征的特點來實現未來土地利用格局模擬。由于土地利用是一種受復合因素驅動的動態變化過程,故參照相關研究,現從自然因素(高程、坡度、降水量和氣溫)、社會經濟因素(GDP和人口密度)、鄰域因素(距高速距離、距鐵路距離和距河流距離)方面選取9個驅動因子用于構建適宜性圖集。模擬過程主要包括適宜性概率估計和元胞自動機空間模擬兩部分,相關公式在此不再贅述。

傳統土地利用模擬多采用總體精度(overall accuracy,OA)和Kappa系數等指標進行精度驗證,驗證結果具有一定的局限性。本研究在此基礎上引入Pontius等[27]提出的Fo M 系數來評估模擬的準確性,Fo M 系數在較小范圍內越大表明模擬效果越好,該范圍可取0～0.3。計算公式如下:

式中:A為實際變化而預測不變的誤差區域;B為實際和預測變化一致的正確區域;C為實際變化與預測變化不一致的誤差區域;D為實際不變而預測變化的誤差區域。

2.3.2 GM-Markov 模型 GM-Markov 模型是在GM(1,1)模型對時間序列進行宏觀走勢預測的基礎上,引入Markov鏈進行相對誤差微觀修正的改進模型,可用于中長期數據預測[28]。預測過程如下:

構建原始灰色序列并作一次累加生成新數列,對每個新數列的變量建立白化微分方程以求解發展系數和灰色作用量,最后運用最小二乘估計法及微分方程理論構建GM(1,1)預測模型,進行累減還原即可得到原始灰色序列的預測值。為了檢驗模型的可信度,本研究對GM(1,1)預測結果進行后驗差檢驗和殘差檢驗,若有一項不合格,則需對模型進行改進。精度檢驗標準見表4。

表4 模型精度檢驗等級Table 4 Model accuracy inspection level

若GM(1,1)模型預測的結果與實際情況存在過大誤差,則需要劃分狀態區間并引入Markov鏈進行誤差修正。計算公式如下:

3 結果與分析

3.1 土地利用碳排放變化分析

借助土地利用轉移矩陣得到2000—2020年環鄱陽城市群土地利用變化情況(表5)。從轉化方向看,研究期內環鄱陽湖城市群內部地類轉化主要為耕地和林地間的相互轉化以及耕地轉為建設用地,部分水域和耕地也存在互轉情況,而草地和未利用地由于面積較小,轉化情況并不明顯。從轉化規?？?研究期內環鄱陽湖城市群共有1.01×104km2土地發生轉化,其中建設用地利用動態度最高,為16.83%,其余依次為未利用地、草地、水域、林地,耕地利用動態度則最低,僅為0.34?？赡艿脑蚴墙陙碓凇案丶t線”“藏糧于地”等政策約束下,環鄱陽湖城市群持續推進高標準農田建設,嚴格管控耕地“非糧化”和“非農化”,積極落實耕地占補平衡,區域耕地保護工作取得積極成效。從轉化速度看,研究期內建設用地轉出速度為19.01 km2/a,轉入速度為426.89 km2/a,凈轉入面積為2 039.40 km2,耕地轉出速度為871.82 km2/a,轉入速度為986.35 km2/a,凈轉入面積為572.66 km2,而林地作為面積占比最大的地類,轉出速度約為轉入速度的兩倍,凈轉出面積高達2 068.13 km2。究其原因,近年來流域經濟快速發展促使城市邊界持續擴張,部分農用地轉化為居住、工業用地等,而湖泊、河流周圍的林地因具有良好的水源涵養能力和土壤滲透特性,在國土綜合整治與生態修復等調節作用下逐漸轉化為耕地和草地,從而保證耕地數量始終維持在動態平衡區間。

表5 2000-2020年環鄱陽湖城市群土地利用變化Table 5 Land use change of urban agglomeration around Poyang Lake from 2000 to 2020

基于土地利用轉移矩陣和碳排放系數得到2000—2020年環鄱陽湖城市群土地利用碳排放變化(圖2)。如圖2所示,研究期內環鄱陽湖城市群土地利用凈碳排放逐年遞增,由8.79×106t增至3.63×107t,年均增幅1.38×106t。其原因可能在于城鎮化和工業化的快速發展刺激更多的生產建設活動,各類土地承載的能源消費產生了大量碳排放。而人口規模膨脹促使就業、居住、休閑等生活需求增加,進而帶動二三產業的發展,由此引致的城市建設用地持續擴張也對碳排放增長起到促進作用。此外,碳源的碳排放量總體增加2.74×107t,碳匯的碳吸收量則呈現略微減少態勢,但由于林地面積始終在減小,建設用地面積持續增加,研究區的碳匯能力始終遠低于碳源能力,導致碳源/碳匯比值由2000年的3.56持續上升至2020年的12.09。值得關注的是,2010年以后碳源/碳匯比值增長率有所減緩,表明近10年來環鄱陽湖城市群在減碳降排上采取了積極舉措,但城市群發展仍面臨較大減排壓力,此發展趨勢也與環鄱陽湖生態城市群“生態優先、綠色低碳”的近期規劃目標相一致。

圖2 2000-2020年環鄱陽湖城市群土地利用碳排放變化Fig.2 Change of carbon emissions from land use in urban agglomeration around Poyang Lake from 2000 to 2020

就單一地類而言(圖3),建設用地碳排放呈持續增加趨勢,由1.08×107t逐年遞增至3.82×107t,年均增長率6.51%,說明城市群進入高質量發展時期后提高了工業生產和能源消費力度,由此產生更多的碳排放。耕地碳排放則在1.40×106t上下浮動,原因在于盡管研究期間較多耕地轉化為其他地類,但在耕地占補平衡和耕地保護紅線等政策引導下,轉出面積由林地、水域等地類進行補充。在碳匯地類中,面積占比最大的林地年均碳吸收量最高,約為3.24×106t,草地和未利用地年碳吸收量呈逐漸降低趨勢,主要是因為研究期內草地和未利用地面積在持續減少。而水域主要集中在鄱陽湖國家級自然保護區及周邊地區,受到《鄱陽湖生態經濟區環境保護條例》等政策規則的約束,研究期間利用動態度較低,但由于地類占比僅為5.34%,年碳吸收量基本維持在1.30×105t左右。

圖3 2000-2020年環鄱陽湖城市群單一地類碳排放變化Fig.3 Change of carbon emissions in a single area of urban agglomeration around Poyang Lake from 2000 to 2020

3.2 土地利用碳傳導效應分析

基于碳傳導效應測度模型得出2000—2020年環鄱陽湖城市群土地利用碳傳導效應變化情況(表6)。為方便說明碳傳導效應情況,分別將2000—2005年、2005—2010 年、2010—2015 年、2015—2020 年和2000—2020年記作Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期和Ⅴ期(下同)。由表6可知,各時期由地類轉化引致的碳傳導效應均表現為碳排放,且呈先增后減態勢,即由Ⅰ期(4.90×106t)增長至Ⅲ期(1.30×107t)后降低至Ⅳ期(1.05×107t),總體增幅114.21%。從整個研究時段看,2000—2020年環鄱陽湖城市群土地利用碳傳導效應共產生4.05×107t碳排放,其中建設用地產生1.87×107t碳排放,耕地產生1.41×107t碳排放,林地和草地分別產生3.23×106t和3.21×106t碳排放,水域和未利用地由于面積不大且利用動態度較低,二者轉化引起的碳傳導效應分別為1.23×106t和4.91×104t碳排放。這表明建設用地和耕地產生的碳傳導效應在土地利用碳排放增長過程中起主導作用,主要是由耕地和林地轉為建設用地所致。林地轉出面積較大但碳傳導效應較低可能是因為該地類本身碳吸收能力較強,未轉化的林地產生的碳吸收會中和部分碳排放。

表6 2000-2020年環鄱陽湖城市群土地利用碳傳導效應Table 6 Carbon transmission effect of land use in urban agglomeration around Poyang Lake from 2000 to 2020 104 t

從碳源/匯地向碳匯/源地轉化看,主要是耕地、林地和水域向建設用地轉化。其中耕地轉向建設用地的碳傳導量呈逐期遞增趨勢,Ⅰ期耕地轉出為建設用地的過程中共釋放1.87×106t二氧化碳,Ⅱ期和Ⅲ期碳排放逐漸增加至4.37×106t和4.88×106t,而在Ⅳ期轉出的碳排放則降低至4.26×106t。雖然碳傳導效應趨勢上有所減緩,但由耕地轉為建設用地的土地利用強度處于較高水平,仍存在一定的減排空間。林地和水域向建設用地轉化引起的碳傳導量也呈先增后減變化,由Ⅰ期(2.13×105t和2.10×105t)增加至Ⅲ期(7.44×105t和3.14×105t)后降低至Ⅳ期(4.10×105t和2.73×105t),這可能與近5年來環鄱陽湖城市群嚴格管控建設用地擴張有關。草地和未利用地由于本身面積較少,同時自身碳匯能力較弱,因此在地類轉化的碳傳導效應中并未呈現明顯變化。此外,受退耕還林政策的影響,各時期耕地和林地之間轉化引起的碳傳導量(碳吸收)基本維持在1.60×104t以上,盡管林地具有較強的碳匯能力,但其碳吸收速度遠不及建設用地和耕地的碳排放速度,由此導致環鄱陽湖城市群土地利用碳排放持續增長。

3.3 土地利用碳排放預測

3.3.1 直接土地利用碳排放預測 直接土地利用碳排放主要受到土地面積變化的影響,在預測碳排放前應先對土地利用面積進行時空模擬。因此,選取高程、坡度等驅動因子在FLUS-Markov模型中構建適宜性圖集,結合輪盤賭選擇的自適應慣性競爭機制在元胞自動機中進行土地利用變化模擬。為確定合適的預測基準年份,現分別用各時期來預測2010 年、2015年、2020年土地利用類型面積,預測結果與精度檢驗見表7。

表7 環鄱陽湖城市群土地利用類型實際面積與預測面積對比Table 7 Comparison between actual area and predicted area of land use types in urban agglomeration around Poyang Lake km2

由表7可知,采用FLUS-Markov模型對環鄱陽湖城市群土地利用變化進行模擬總體精度較高,Kappa系數均大于0.81,OA 系數均大于0.85,FoM 系數均小于0.3。從預測結果看,采用多年期土地數據對同一目標年的地類面積進行模擬,精度檢驗結果表明距目標年近的數據更適合作為預測的原始數據,Kappa系數、OA 系數均有所提升,可降低數據時間滯后性帶來的誤差。以2020年為例,Ⅰ期、Ⅱ期、Ⅲ期預測精度逐漸遞增,Kappa系數依次為0.864,0.924,0.943,OA 系數依次為0.896,0.924,0.957,FoM 系數依次為0.064,0.149,0.215。其中,利用Ⅲ期數據預測2020年土地利用變化結果與實際情況見圖4。

由表7 和圖4 可知,本研究選擇2015 年、2020年作為預測基準年,以5 a期為間隔依次對2025年、2030年和2035年環鄱陽湖城市群土地利用變化進行預測(表8),結果表明除建設用地面積增加以外,其他地類面積均出現小幅度減少。

表8 2025年、2030年、2035年環鄱陽湖城市群土地利用面積預測結果Table 8 Prediction results of land use area of urban agglomeration around Poyang Lake in 2025,2030 and 2035 km2

根據式(1)和式(2)可得環鄱陽湖城市群直接土地利用碳排放預測結果(表9)。

表9 2025年、2030年、2035年環鄱陽湖城市群直接土地利用碳排放預測結果Table 9 Prediction results of direct land use carbon emissions(carbon absorption)of urban agglomeration around Poyang Lake in 2025,2030 and 2035 104 t

3.3.2 間接土地利用碳排放預測 間接土地利用碳排放主要由能源消費量決定,以2011—2020年江西省實際能源消費量構建原始序列,分別用GM(1,1)模型和GM-Markov模型對能源消費量進行預測(圖5),結果顯示GM-Markov模型的擬合效果顯著優于GM(1,1)模型,GM(1,1)模型雖然能夠基本反映能源消費量的變化趨勢,但對于個別趨勢以外的數據并未能準確預測,而GM-Markov模型可通過修正誤差項有效降低數據波動性的干擾。

圖5 江西省能源消費結構實際情況與預測結果對比Fig.5 Comparison between the actual situation and forecast results of energy consumption structure in Jiangxi Province

進一步對比驗證兩種模型的預測精度(表10),可以發現,對于預測相同能源類型而言,GM-Markov模型的均方差比值都明顯高于GM(1,1)模型,GMMarkov模型的小概率誤差均為1.000,而GM(1,1)模型預測汽油消費量的小概率誤差則為0.600,總體精度級別上GM-Markov模型除在預測汽油外均為優秀,而GM(1,1)模型預測汽油時的精度級別則為不合格,表明GM-Markov模型在預測能源消費量上具有相對誤差小和總體精度高的優點。

表10 江西省能源消費結構預測精度驗證結果Table 10 Verification results of prediction accuracy of energy consumption structure in Jiangxi Province

采用GM-Markov模型對2025年、2030年、2035年江西省能源消費結構進行預測(表11),結果顯示,原煤、其他洗煤、焦炭和原油消費量呈遞增趨勢,洗煤、汽油、煤油、柴油和燃料油消費量呈減少趨勢,2025年、2030年、2035年江西省能源消費總量依次為9.98×107t,1.11×108t,1.24×108t。

表11 2025年、2030年、2035年江西省能源消費結構預測結果Table 11 Forecast results of energy consumption structure of Jiangxi Province in 2025,2030 and 2035 104 t

根據公式(2)和表3 可得出2025 年、2030 年、2035年江西省間接土地利用碳排放,同時基于已構建的區域碳排放權分配體系,將省域碳排放科學合理地分配至環鄱陽湖城市群(表12)。結果顯示,2025年、2030年、2035年環鄱陽湖城市群土地利用碳排放預計可達到4.13×107t,4.69×107t和5.39×107t,未來城市群土地利用碳排放仍呈增長態勢。

表12 2025年、2030年、2035年環鄱陽湖城市群土地利用碳排放預測結果Table 12 Prediction results of carbon emissions from land use in urban agglomeration around Poyang Lake in 2025,2030 and 2035 104 t

4 討論與結論

4.1 討論

圍繞“雙碳”戰略部署和“十四五”規劃目標開展碳減排、碳增匯系列舉措對我國實現綠色低碳可持續發展目標具有重要促進意義。土地利用/覆被變化作為引起碳排放的主要動因,在低碳國土空間開發任務中發揮關鍵作用。已有關于土地利用碳排放的研究多圍繞總量展開分析,研究結果存在一定的滯后性,本研究則在此基礎上深度剖析地類轉化引起的土地內部碳傳導效應,揭示了具體地類間由于面積增減導致的碳排放(碳吸收)變化情況,結果表明建設用地和耕地在碳傳導過程中起主導作用,未來環鄱陽湖城市群減碳降排的工作應依附這些地類開展。但研究結果仍存在細化空間,各地類的碳排放系數均借鑒已有成果得出,考慮到不同地區海拔高度、土壤屬性、季節氣候、植被覆蓋度等差異因素對碳排放系數的影響,仍需對相關系數的適宜性和精確性進行優化。

從土地利用碳排放預測方法看,分別采用FLUS-Markov模型和GM-Markov模型來預測直接和間接土地利用碳排放能夠有效減小“信息孤島”對預測結果的誤差。FLUS-Markov模型從時空變換角度考慮不同柵格的土地利用類型轉化概率,并疊加多重影響因子完成高精度土地利用空間變化的模擬過程,預測精度較高,這一優點已在吳淑芳等[16]的研究中予以論證。而能源消費數據在時間序列上具有較大波動性,采用傳統GM(1,1)模型易產生灰色偏差,因此引入Markov鏈將模型改進為GM-Markov 模型。該模型的修正過程主要通過殘差與實際值的比值計算相對殘差序列,由于相對殘差序列具有非平穩隨機性,需對其進行狀態區間劃分,然后基于Markov鏈構建狀態轉移概率矩陣來確定對象轉移狀態,以此計算出誤差修正后的預測值。值得注意的是,預測結果是基于環鄱陽湖城市群自然發展情景得出,未來城市群可能面臨更加多樣的發展情景,如生態保護、節能減排、產業轉型等,后續研究可繼續深入探討多情景下土地利用碳排放的預測機制。

當前,環鄱陽湖城市群土地利用碳排放仍呈增長趨勢,低碳國土空間開發利用面臨嚴峻減排挑戰。為此,提出如下對策建議:一是嚴格管控建設用地擴張,增強耕地林地碳匯能力。加強用地審批力度促進建設用地減量化,同時也可通過提高建筑密度和容積率來提升建設用地利用效率,對于碳匯地類,可改進耕作方式、施肥方案等降低作物生長過程中的碳排放,并通過樹種選擇、輪伐期確定等措施提高森林碳儲量。二是改進技術優化能源結構,創新戰略發展清潔能源。環鄱陽湖城市群應逐步整改或淘汰能耗高、污染重、產能低的落后產業,增加資金或政策扶持鼓勵企業利用地理及技術優勢開發新能源,以清潔能源替代化石能源,實現能源消費結構優化升級。三是建立有效的碳補償機制,科學監督碳源碳匯平衡。建立分區碳排放數據庫,綜合考量地區碳排放經濟貢獻能力、生態承載能力等差異,由高碳排區直接向碳匯功能區支付一定的碳補償資金,助力地區碳源碳匯平衡。四是探索低碳土地利用模式,統籌提高區域減排潛力。合理評估區域土地利用活動(土地開發、整理與復墾)全周期碳排強度,減少單位土地面積的資源要素投入,推動土地利用方式向低碳集約方向轉變。

4.2 結論

(1)2000—2020年環鄱陽湖城市群共有1.01×104km2土地進行相互轉化,主要表現為耕地與林地間的相互轉化以及耕地轉為建設用地,其中建設用地利用動態度最高,耕地利用動態度則最低。

(2)2000—2020年環鄱陽湖城市群土地利用凈碳排放由8.79×106t增加至3.63×107t,碳源/碳匯比值由3.56上升至12.09。其中,作為主要碳源地的建設用地碳排放由1.08×107t逐年增至3.82×107t,耕地碳排放量穩定在1.40×106t上下,地類占比最大的林地年均碳吸收量最高,約為3.24×106t,草地和未利用地年碳吸收量呈逐漸降低趨勢,水域年碳吸收量則基本維持在1.30×105t左右。

(3)2000—2020年環鄱陽湖城市群土地利用碳傳導效應共產生4.052 16×107t碳排放,建設用地和耕地產生的碳傳導效應在土地利用碳排放增長過程中起主導作用。不同時期由地類轉化引致的碳傳導效應均表現為碳排放,且呈現先增后減態勢。從碳源/匯地向碳匯/源地轉化看,主要是耕地、林地和水域向建設用地轉化,耕地轉向建設用地的碳傳導量呈逐期增加趨勢,林地和水域向建設用地轉化導致的碳傳導量呈先增后減的趨勢。

(4)基于FLUS-Markov模型和GM-Markov模型預測出2025年、2030年、2035年環鄱陽湖城市群土地利用碳排放依次為4.13×107t,4.69×107t和5.39×107t,表明在當前發展條件下,城市群發展將面臨更加嚴峻的減排壓力。