环境科学  2024, Vol. 45 Issue (9): 5040-5048   PDF    
引用本文
李梓赫, 周冬梅, 江晶, 马静, 朱小燕, 石鹏, 张军, DONG Qing-han. 甘肃省土地利用碳排放时空演变特征及影响因素[J]. 环境科学, 2024, 45(9): 5040-5048.
LI Zi-he, ZHOU Dong-mei, JIANG Jing, MA Jing, ZHU Xiao-yan, SHI Peng, ZHANG Jun, DONG Qing-han. Spatial and Temporal Evolution Characteristics of Carbon Emission from Land Use and Influencing Factors in Gansu Province[J]. Environmental Science, 2024, 45(9): 5040-5048.
甘肃省土地利用碳排放时空演变特征及影响因素
李梓赫1, 周冬梅1, 江晶2, 马静1, 朱小燕1, 石鹏1, 张军1,3, DONG Qing-han4     
1. 甘肃农业大学资源与环境学院, 兰州 730070;
2. 甘肃农业大学管理学院, 兰州 730070;
3. 甘肃省节水农业工程技术研究中心, 兰州 730070;
4. Flemish Institute for Technological Research（VITO）, Boeretang 200, 2400 Mol, Belgium
收稿日期: 2023-09-14; 修订日期: 2023-12-12
基金项目: 甘肃省科技厅重点研发计划项目（23YFNA0036）；甘肃省自然科学基金项目（21JR7RA811）；甘肃省林业和草原科技创新计划项目（LCKJCX202205）；国家重点研发计划项目（2022YFD1900203）；甘肃省教育厅产业支撑计划项目（2023CYZC-45）
作者简介: 李梓赫（1998~）, 男, 硕士研究生, 主要研究方向为生态系统服务与碳中和, E-mail：1505782445@qq.com
通信作者: 张军, E-mail：zhangjun@gsau.edu.cn
摘要: 陆地生态系统是世界上最大的碳汇, 而土地利用变化是导致区域碳排放变化的主要影响因素之一, 通过对2000~2020年甘肃省土地利用碳排放时空演变特征和影响因素研究, 为促进甘肃省土地低碳利用、低碳经济发展提供一定科学依据与参考. 采用土地利用数据, 结合温室气体排放系数法, 研究甘肃省市域尺度土地利用碳排放增长趋势与省域尺度时空演变特征, 并通过主成分分析研究其控制因素. 结果表明：①2000~2020年甘肃省土地利用碳排放整体为增加趋势, 由2 428.93万t升至5 773.96万t, 其中2000~2014年第一阶段为显著增加阶段, 2014~2020年第二阶段为稳定且略有降低阶段. 建设用地为主要碳源, 碳源强度仍呈增加态势. ②空间上表现为“东高西低”的特征, 河东碳排放量明显高于河西碳排放量. ③根据排放特征将甘肃省划分为缓慢增长型、较慢增长型、中速增长型、较快增长型和迅猛增长型5类碳排放类型区. ④经济发展水平、土地利用程度与能源消费是导致甘肃省土地利用碳排放不断增加的主要原因.
关键词: 土地利用      碳排放      时空特征      主成分分析      甘肃省     
Spatial and Temporal Evolution Characteristics of Carbon Emission from Land Use and Influencing Factors in Gansu Province
LI Zi-he1 , ZHOU Dong-mei1 , JIANG Jing2 , MA Jing1 , ZHU Xiao-yan1 , SHI Peng1 , ZHANG Jun1,3 , DONG Qing-han4     
1. College of Resources and Environmental Science, Gansu Agricultural University, Lanzhou 730070, China;
2. College of Management, Gansu Agricultural University, Lanzhou 730070, China;
3. Research Center for Water-saving Agriculture in Gansu Province, Lanzhou 730070, China;
4. Flemish Institute for Technological Research(VITO), Boeretang 200, 2400 Mol, Belgium
Abstract: Land ecosystems are the largest carbon sink in the world, and land use change is one of the main factors leading to regional carbon emissions. By studying the spatiotemporal evolution characteristics and influencing factors of land use carbon emissions in Gansu Province from 2000 to 2020, this research aimed to provide a scientific basis and reference for promoting low-carbon land use and low-carbon economic development in Gansu Province. Using land use data and the greenhouse gas emission coefficient method, the study analyzed the growth trend of land use carbon emissions at the city-regional scale in Gansu Province, and the spatiotemporal evolution characteristics at the provincial scale, and identified the controlling factors through principal component analysis. The results showed that: ① From 2000 to 2020, land use carbon emissions in Gansu Province showed an overall increasing trend, from 24.289 3 million tons to 57.739 6 million tons. The first stage from 2000 to 2014 was a significant increase period, whereas the second stage from 2014 to 2020 was a stable and slightly decreasing period. Construction land was the main carbon source, and the carbon intensity continued to increase. ② Spatially, there was an "east high, west low" pattern, with carbon emissions in the eastern part of the province significantly higher than those in the western part. ③ Based on emission characteristics, Gansu Province could be divided into five types of carbon emission zones: slow growth, relatively slow growth, moderate growth, relatively fast growth, and rapid growth. ④ The main reasons for the continuous increase in land use carbon emissions in Gansu Province were economic development level, degree of land use, and energy consumption.
Key words: land use      carbon emissions      spatiotemporal characteristics      principal component analysis      Gansu Province     

近年来极端天气、海平面上升及生态系统退化等生态环境问题越来越严重[1], 全球变暖已经成为了当今世界热议的话题之一, 人类切实感受到了全球变暖带来的各种危害[2, 3], 在主要的温室气体中, 二氧化碳的排放量达到了72.6%, 是导致全球变暖的重要因素之一[4]. 中国二氧化碳排放占全球二氧化碳总排放量的30%以上, 这引起了国际社会的高度关注[5, 6], 面对实现2030年碳达峰, 2060年碳中和的国际承诺, 中国政府压力巨大[7]. 目前, 中国以化石能源为主的经济发展模式短期内难以改变[8], 其产生的碳排放量巨大, 而土地利用变化所引起的碳排放量占人类活动碳排放量的1/3, 历史时期土地利用变化造成碳排放量实现增加[9], 对大气二氧化碳浓度急剧增加的影响仅次于化石燃料的燃烧[10], 陆地生态系统是最大的碳汇, 提高陆地生态系统碳汇能力被认为最经济和优化减少温室气体增加的途径之一[11], 因此, 研究土地利用碳排放及其影响因素对于促进土地低碳利用、发展低碳经济和现节能减排具有极其重要的现实意义.

近年来, 土地利用碳排放的研究受到了国内外学者们越来越多的密切关注. 有研究发现土地利用变化是控制碳积累速率的主导因子[12]. Salvia等[13]对327个欧洲城市在其当地气候计划中宣布的减排目标进行了比较分析. Poeplau等[14]对欧洲土壤碳储量展开研究, 利用不同土壤类型的监测数据, 发现土地利用类型的变化将导致土壤碳储量的变化. Sha等[15]在全球尺度上研究表明, 通过土地利用优化管理可有效增加陆地植被碳汇, 可实现净增加碳汇35亿~40亿t. 彭文甫等[16]通过构建碳排放模型、碳足迹及其压力指数模型, 对四川省土地利用的碳排放及碳足迹进行了定量分析. 土地利用碳排放在不同时空尺度单元[17, 18]、研究模型及方法[19, 20]等方面逐渐丰富, 对碳排放的时空特征认识及其控制因子也更加明晰. 但在省级层级上通过对省级和地市两级尺度的对比分析研究相对较少, 本文以甘肃省为例, 核算了2000~2020年甘肃省及其14个地（州）市土地利用碳排放总量、土地利用总碳吸收量与土地利用净碳排放量, 对已有的核算研究进行了有效的补充和完善；基于省域空间视角, 探究各类土地利用碳排放的时空演变特征；从省域尺度根据主成分分析法（PCA）剖析不同影响因素对土地利用碳排放的作用. 研究不同尺度单元上碳排放特征及其控制因素, 为制定差异化的政策提供科学依据. 因此, 本文从市域与省域两个尺度来分别探究, 对制定全面合理的低碳经济发展措施、政策具有理论与现实意义, 以期为实现甘肃省促进土地低碳利用、发展低碳经济与提出差异化碳中和建议提供一定科学依据.

1 研究区概况

甘肃省位于中国西部地区, 地处黄河中上游, 地域辽阔. 介于北纬32°11′~42°57′、东经92°13′~108°46′, 总面积42.58万km2, 大部分位于中国地势二级阶梯上. 由图 1可知, 其地势自西南向东北倾斜, 地形呈狭长状, 土地利用类型中草地、裸地面积最大. 省内各地气候类型多样, 从南向北包括了亚热带季风气候、温带季风气候、温带大陆性（干旱）气候和高原高寒气候等四大气候类型. 年平均气温0~15℃, 年降水量在36.6~734.9 mm, 大致从东南向西北递减, 陇南山区和祁连山东段降水偏多. 受经济发展水平和地势地貌条件影响, 河东与河西两大区域土地利用情况复杂, 而碳排放时空演变受到土地利用情况和社会经济条件影响较大, 因此, 本文将甘肃省作为研究区域, 探究碳排放时空演变特征及其影响因素.

图 1 研究区概况 Fig. 1 Overview of the study area

2 材料与方法 2.1 数据来源说明

本文所用甘肃省能源消费数据及测算数据均来源于《中国能源统计年鉴》（2000~2020年）及《2006年IPCC国家温室气体清单指南》；土地利用数据源于武汉大学杨杰和黄昕完成的中国土地利用数据集（The 30 m annual land cover datasets and its dynamics in China from 1985 to 2020）, 下载于 http://zenodo.org/record/8176941, 空间分辨率为30 m, 参考国标《土地利用现状分类》（GB/T 21010-2017）, 将土地利用类型归纳合并为耕地、林地、草地、水域、裸地、建设用地和湿地这7种；其他经济社会、能源和城镇化等数据, 均来源于《中国统计年鉴》（2000~2020年）、《中国城市统计年鉴》（2000~2020年）和《甘肃省发展年鉴》（2000~2020年）.

2.2 研究方法 2.2.1 土地利用碳排放测算

参照前人研究成果[21], 结合甘肃省实际将土地利用划分为耕地、林地、草地、水域、裸地和湿地这6种类型计算土地利用碳排放, 各地类碳排放系数（t·hm-2, 以C计, 下同）分别确定为：①耕地：耕地碳排放特征比较复杂, 根据甘肃省地形及气候多样性等实际情景, 参考前人[22, 23]研究成果确定为0.422 t·hm-2；②林地：结合省内生态系统特征和碳储量, 参考方精云等[24]研究确定为-0.644 t·hm-2；③草地：草地作为巨大的固碳库, 对碳排放吸收作用明显, 根据方精云等[24]研究确定为-0.021 t·hm-2；④水域：通过讨论并结合省内水域实际情况, 根据孟庆香[25]研究的中国水域平均碳汇系数-0.257 t·hm-2和段晓男等[26]湖区碳汇系数平均值-0.248 t·hm-2, 确定为-0.253 t·hm-2；⑤裸地：省内裸地部分为碳吸收、部分为碳排放, 但均相对较少, 碳排放也较低[27], 确定为-0.005 t·hm-2；⑥湿地：根据甘肃省内河流湿地、湖泊湿地、沼泽湿地和人工湿地这4大类, 参考蓝家程等[28]与李颖等[29]研究确定为-0.41 t·hm-2. 正值代表排放, 负值代表吸收, 计算公式[30]如下所示：

式中, ei为土地利用类型所产生的碳排放量；Si为土地利用类型所对应的面积；∂i为土地利用方式的单位面积碳排放系数.

碳源与碳汇的比值用碳源强度Y表示, 比值越大表示土地利用碳排放程度越高, 反之则越低.

建设用地碳排放普遍是通过其利用过程中的各项能源消耗的碳排放系数来间接测算[31], 其标准煤折算系数及碳排放系数见表 1, 公式如下：
表 1 各类相关能源消耗碳排放系数/t·t-1 Table 1 Carbon emission factors for each type of relevant energy consumption/t·t-1

式中, eci为各类能源消耗产生的碳排放量, 万t；mi为能源i的消耗量, θi为第i能源的标准煤换算参数, μi为第i能源的碳排放系数.

2.2.2 倾向值法（SLOPE）

采用倾向值法（SLOPE）测算2000~2022年土地利用碳排放的变化趋势[32], 探究甘肃省各市（州）的土地利用碳排放量时间序列的变化, 同时, 利用最小二乘法估算线性倾向值[33], 公式如下：

式中, n为总年份数；xi为第i年；Ci为第i年的碳排放量. 当SLOPE > 0时, 碳排放量随时间推移呈上升趋势：反之, 随时间的推移而下降, SLOPE是指碳排放量上升或下降的速率, 即土地利用碳排放趋势的斜率[34]. 本文根据标准差分级法对市域尺度增长趋势进行分类, 制定等级划分标准, 见表 2, 其中C表示甘肃省各市（州）SLOPE的平均数, s表示各市（州）SLOPE的标准差.

表 2 变化趋势类型划分标准 Table 2 Criteria for classifying types of trends

2.2.3 主成分分析法（PCA）

主成分分析法将多个指标转化为少数综合指标在简化系统结构且不影响原有信息情况下, 实现高维度变量空间到低维度空间的转化, 是一种定量分析法[35]. 通过主成分分析法计算, 可得各影响因素的主成分载荷系数, 由此计算出各主成分得分值、排名和综合得分值[36], 得分和排名反映了土地利用碳排放的综合化定量描述, 得分值越高, 表明对碳排放的影响越大.

3 结果与讨论 3.1 土地利用碳排放量时间变化分析 3.1.1 省域尺度时间变化分析

通过甘肃省2000~2020年土地利用数据计算得到2000~2020年甘肃省及各地市（州）的土地利用碳排放量、总碳排放量和总碳吸收量并分析其变化情况, 如表 3所示.

表 3 2000~2020年甘肃省土地利用碳排放1, 2） Table 3 Carbon emissions from land use in Gansu Province from 2000 to 2020

由表 3可以看出, 甘肃省2000~2020年碳排放总量呈逐年递增的趋势, 碳排放总量由2 428.93万t增加到5 773.96万t, 2020年的碳排放总量是2000年的2.38倍, 年平均增长率为9.36%. 其中耕地和建设用地是两大碳源, 2000~2020年间耕地的碳排放量基本保持稳定. 建设用地碳排放量增加趋势较为明显, 由2000年的2 456.44万t增加到2 020年的5 846.08万t, 20年间增加了3 389.64万t, 年均增长率为9.36%. 建设用地碳排放占总碳排放量的比重由2000年的90.89%增加至2020年的96.17%, 可见2000~2020年间总的碳排放呈递增趋势主要以建设用地的碳排放递增为主, 建设用地的碳排放量与碳排放总量具有趋同的变化趋势, 进一步说明了建设用地作为碳源的主导地位. 由表 3可知碳吸收几乎全部来源于林地, 20 a来林地占碳吸收比重大约83%, 而草地、水域、裸地和湿地的碳吸收量在2000~2020年间变化并不明显, 处于基本稳定的状态, 相比碳源排放量的增加速度, 草地、水域、裸地和湿地的碳汇能力的增长的幅度基本维持在了平稳的水平.

通过图 2分析, 甘肃省2000~2020年土地利用总碳排放量具有明显的阶段性, 第一阶段2000~2014年是显著增加阶段, 碳源强度Y呈现持续地增高趋势, 从2000年的9.9%增加到2014年的20.9%, 在此阶段甘肃省经济的快速发展与城镇化水平的大幅提高, 能源消耗直线上升, 建设用地逐年递增, 因此导致碳排放总量不断增加. 2014~2020年为第二阶段, 相对稳定且略有降低阶段, Y有所下降的主要原因是能源消费总量的减少, 且节能减排措施的实施颇有成效. 作为主要碳源的建设用地碳排放量在逐年递增, 而作为碳汇的林地、草地、水域、裸地和湿地的碳吸收量基本保持在稳定状态, 因而导致Y增高. Y越高说明区域发展低碳经济和节能减排的任务就越重.

图 2 2000~2020甘肃省年碳排放变化趋势 Fig. 2 Trends in carbon emission changes in Gansu Province from 2000 to 2020

3.1.2 市域尺度时间变化分析

甘肃省各市（州）2000~2020年的土地利用碳排放量总体上与全省碳排放基本一致, 但不同城市的实际情况差异导致了不同的变化规律. 由图 3可以, 2000~2020年间, 甘肃省的各市（州）土地利用碳排放量均呈现不断增加的趋势, 其中在2000~2012年, 各市（州）碳排放均处于较快的增速, 这是因为在此期间, 经济的快速发展与城镇化进程的加快使得能源消耗量增加, 同时也导致各市（州）土地利用碳排放均大幅度增加. 2012年以来, 各市（州）土地利用碳排放的增长速率均在逐渐降低, 其中2016~2020年, 兰州、庆阳、天水和酒泉的增速相对最小, 由于2010年国家逐步转变经济发展模式, 由高速发展逐步转为高质量发展, 逐步探索中国低碳经济发展模式, 因此, 甘肃省在稳步发展经济的同时, 优化产业结构, 调整能源结构等, 使得土地利用碳排放增速减小. 兰州、庆阳、天水和酒泉的经济发展较为迅速, 城镇化进程较快, 产业发展水平较高, 且在生态建设方面更加重视, 不断提高低碳发展水平, 使得土地利用碳排放增速下降.

图 3 2000~2020年甘肃省各市（州）土地利用碳排放 Fig. 3 Carbon emission from land use in cities (prefectures) of Gansu Province from 2000 to 2022

横向对比, 兰州、庆阳、天水、酒泉、白银和定西土地利用净碳排放相对较大, 平凉、陇南、张掖、武威和临夏处于中等水平, 金昌、嘉峪关和甘南始终处于低水平. 天水和白银以电气机械、器材制造、建筑业、新材料与能源化工为支柱产业, 酒泉则利用煤炭、各类金属资源禀赋和新能源产业的发展优势, 在促进经济快速发展的同时, 碳排放量也相对较高. 兰州作为西北地区重要工业城市, 重工业比例相对较高, 经济水平也高于其他区域, 能源消耗较多, 土地利用碳排放量相对较高. 庆阳以能源和重工业为主导产业, 作为甘肃省石油天然气化工基地、长庆油田的主产区, 能源消耗较大, 导致庆阳土地利用碳排放量较大. 在城市化和工业化的双重驱动下, 以上城市的建设用地需求大, 在促进了城市快速扩张的同时, 快速的经济发展也带来了大量的人口聚集, 从而使得能源消耗增大, 相应土地利用碳排放量增多；而如临夏和甘南等地区, 经济发展相对滞后, 因此其能源消耗产生的碳排放量较小.

采用倾向值法对2000~2020年甘肃省各市（州）土地利用碳排放的SLOPE进行测算, 结果如图 4, 在市域尺度, 2000~2020年, 总体呈现迅猛增长型、较快增长型、较慢增长型和缓慢增长型这4个类型, 其中, 兰州为迅猛增长型, 变化斜率是37.36；庆阳为较快增长型, 变化斜率是27.96；定西、酒泉、天水、陇南、平凉、张掖和临夏为较慢增长型, 变化斜率分别是16.54、13.89、13.13、12.56、11.63、10.66和9.98；威武、白银、金昌、嘉峪关和甘南为缓慢增长型, 变化斜率分别是8.25、8.04、7.36、7.02和5.33. 对比发现, 河东地区土地利用碳排放的增长速率明显高于河西地区, 处于河东地区的兰州、庆阳和天水等城市经济发展速度远高于金昌、武威和张掖等河西城市. 由此说明, 甘肃省各市（州）2000~2020年间土地利用碳排放增长速率的差异与各市（州）的发展阶段紧密相关, 河东和河西土地利用碳排放的增长速率与甘肃省东西经济发展速率有着密不可分的联系.

图 4 2000~2020年甘肃省土地利用碳排放空间特征 Fig. 4 Spatial characteristics of carbon emissions from land use in Gansu Province from 2000 to 2020

3.2 土地利用碳排放空间演变特征

从空间分布上来看（图 5）, 2000~2020年甘肃省土地利用碳排放区主要聚集于河东地区, 呈现出河东地区整体较高而河西地区整体较低的空间分布状况, 兰州土地利用碳排放最为显著, 其次为河东地区的庆阳、天水、白银和定西等城市, 河西地区仅酒泉有明显变化趋势. 通过时间变化趋势来看, 2000~2020年土地利用碳排放在高值区将其面积逐渐增大, 其中, 2000~2002年高值区基本没有变化, 而2004~2012年间土地利用碳排放高值区面积的增大趋势较为明显, 2012~2020年土地利用碳排放时空分布基本相似, 土地利用碳排放速率减缓. 这表明早期城市化与工业化的快速发展消耗了较多能源导致土地利用碳排放压力增加, 21世纪20年代以来国家和甘肃省地方对生态建设与自然环境保护的日渐高度重视下, 低碳发展理念的贯彻和发展逐步减缓了碳排放增长态势.

图 5 2000~2020年甘肃省土地利用碳排放时空分布 Fig. 5 Spatial and temporal distribution of carbon emissions from land use in Gansu Province from 2000 to 2020

3.3 土地利用碳排放影响因素分析

利用主成分分析法对土地利用碳排放影响因素进行定量分析, 综合甘肃省区域差异明显的特征选取了以下9个指标. ①经济发展水平：使用人均GDP与产业结构（第二和第三产业与国内生产总值的占比）来表征[37]. 经济规模增长会致使碳排放量增加, 在城镇化进程中, 经济增长与碳排放之间存在着密切联系[38]. ②土地利用程度：使用城镇化率、建成区土地面积与林地占比来表征[39, 40]. 城镇建设用地增加会使城镇经济发展和效率发生变化, 从而导致碳排放量增加[41, 42]. ③人均社会消费品零售总额：使用人均消费生活商品和公共商品数量来表征. 物质生活水平提高会刺激人们对于产品的消费, 从而促使产品制造导致碳排放增加[43, 44]. ④能源消费：使用人均能源消费量与能源消费弹性系数（能源消费增长系数）来表征[45]. 人均能源消费量是一个国家或地区每人每年平均消耗的一次商品能源的数量, 能源消费弹性系数是反映能源与国民经济发展关系的技术经济指标, 人类生产生活离不开能源, 因此能源消费是导致碳排放量增加的重要指标[46, 47].

首先对数据进行标准化处理, 通过KMO和Bartlett检验（表 4）, 说明原始数据适宜进行主成分分析, 因此本研究是适合用主成分分析来进行土地利用碳排放的影响因素分析的.

表 4 KMO和Bartlett球形度检验 Table 4 KMO and Bartlett's test of sphericity

由表 5得特征值λ > 1时有两个主成分：λ1 = 7.639, λ2 = 1.029且累计方差贡献率为96.307%, 换言之通过选取两个主成分, 就可以表达原始指标绝大部分的信息, 此时也能进一步得到第一主成分的影响最大, 方差贡献率为84.877%, 所以确定应选取两个主成分.

表 5 主成分方差与方差贡献 Table 5 Principal component variance and variance contribution

由主成分载荷矩阵可知（表 6）, 人均GDP、城镇化率、人均社会消费品零售总额、建成区土地面积在第一主成分载荷较大, 能源消费弹性系数在第二主成分载荷较大, 说明第一、第二主成分基本反映了这些指标的信息.

表 6 主成分载荷矩阵 Table 6 Principal component load matrix

由表 7可知, 2020年得分最高, 碳排放量最大, 其次是2018年. 2014~2020年的第一主成分得分值远高于其他年份, 说明近年来碳排放量受人均GDP、城镇化率、人均社会消费品零售总额、建成区土地面积影响较大；第二主成分得分值在各年份中相差并不大, 表明土地利用碳排放受到能源消费弹性系数的影响.

表 7 甘肃省各年主成分综合得分值 Table 7 Composite score of principal components for each year in Gansu Province

综上分析, 经济发展水平的快速增长会形成人口与产业的集聚, 使得生产与生活资料的消耗不断增加, 这也意味着人类在土地方面投入的劳动力和资本增多, 在带动城市化与工业化的同时, 促使了土地利用碳排放的增加；在经济社会发展和城市扩张中, 土地利用格局变化, 特别是建设用地快速增加, 导致了土地利用碳排放的大幅增长.

4 建议

根据本文研究, 提出以下建议：①各地政府应根据各地实际发展情况制定差异化减排政策；②建设用地是甘肃省最主要的土地利用碳源, 应避免盲目扩张建设用地而导致粗放的土地利用方式, 推动土地集约化利用, 避免不集约助长建成区的低密度扩张；③在开发土地时注重对生态环境的影响和保护, 最大限度地规避土地开发带来的负外部性影响；④进一步调整全省能源结构, 降低建设用地碳排放量, 大力发展新能源基础与资源, 如风能、太阳能、核能、天然气等清洁能源的使用, 促进生产、生活低碳化发展, 以期实现碳减排并为中国“双碳”目标如期实现贡献甘肃方案.

5 结论

（1）甘肃省2000~2020年土地利用碳排放整体呈现增加趋势, 由2 428.93万t增加到5 773.96万t. 其中2000~2014年第一阶段为显著增加阶段, 年平均增长率是13.34%, 2014~2020年第二阶段为稳定且略有降低阶段, 年平均增长率是1.18%；20年来建设用地是甘肃最主要的土地利用碳源.

（2）甘肃省2000~2020年土地利用碳排放空间上存在差异, 呈河东高、河西低的空间分布特征.

（3）甘肃省土地利用碳排放增长型分为迅猛增长型、较快增长型、中速增长型、较慢增长型和缓慢增长型.

（4）经济发展水平、土地利用程度与能源消费是导致甘肃省土地利用碳排放增加的主要原因.

参考文献
[1] Houghton R A, Hobbie J E, Melillo J M, et al. Changes in the carbon content of terrestrial biota and soils between 1860 and 1980: a net release of CO2 to the atmosphere[J]. Ecological Monographs, 1983, 53(3): 235-262. DOI:10.2307/1942531
[2] Meehl G A, Teng H Y, Arblaster J M. Climate model simulations of the observed early-2000s hiatus of global warming[J]. Nature Climate Change, 2014, 4(10): 898-902. DOI:10.1038/nclimate2357
[3] Mallapaty S. How China could be carbon neutral by mid-century[J]. Nature, 2020, 586(7830): 482-483. DOI:10.1038/d41586-020-02927-9
[4] Olivier J G J, Peters J A H W. Trends in global CO2 and total greenhouse gas emissions: 2020 report[R]. The Hague: PBL Netherlands Environmental Assessment Agency, 2020.
[5] 原嫄, 周洁. 中国省域尺度下产业结构多维度特征及演化对碳排放的影响[J]. 自然资源学报, 2021, 36(12): 3186-3202.
Yuan Y, Zhou J. Influence of multi-dimensional characteristics and evolution of industrial structure on carbon emissions at provincial scale in China[J]. Journal of Natural Resources, 2021, 36(12): 3186-3202.
[6] 林伯强, 刘希颖. 中国城市化阶段的碳排放: 影响因素和减排策略[J]. 经济研究, 2010, 45(8): 66-78.
Lin B Q, Liu X Y. China's carbon dioxide emissions under the urbanization process: influence factors and abatement policies[J]. Economic Research Journal, 2010, 45(8): 66-78.
[7] 王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素[J]. 地理学报, 2021, 76(12): 3103-3118.
Wang S J, Xie Z H, Wang Z H. The spatiotemporal pattern evolution and influencing factors of CO2 emissions at the county level of China[J]. Acta Geographica Sinica, 2021, 76(12): 3103-3118. DOI:10.11821/dlxb202112016
[8] 王深, 吕连宏, 张保留, 等. 基于多目标模型的中国低成本碳达峰、碳中和路径[J]. 环境科学研究, 2021, 34(9): 2044-2055.
Wang S, Lü L H, Zhang B L, et al. Multi objective programming model of low-cost path for China's peaking carbon dioxide emissions and carbon neutrality[J]. Research of Environmental Sciences, 2021, 34(9): 2044-2055.
[9] Yang F, He F N, Li S C, et al. A new estimation of carbon emissions from land use and land cover change in China over the past 300 years[J]. Science of the Total Environment, 2023, 863. DOI:10.1016/j.scitotenv.2022.160963
[10] Watson R T, Noble I R, Bolin B, et al. Land use, Land-use change, and forestry: a special report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2000.
[11] Liu J X, Wang Z, Duan Y F, et al. Effects of land use patterns on the interannual variations of carbon sinks of terrestrial ecosystems in China[J]. Ecological Indicators, 2023, 146. DOI:10.1016/j.ecolind.2023.109914
[12] Canadell J G. Land use effects on terrestrial carbon sources and sinks[J]. Science in China. Series C, 2002, 45(S1): 1-9.
[13] Salvia M, Reckien D, Pietrapertosa F, et al. Will climate mitigation ambitions lead to carbon neutrality? An analysis of the local-level plans of 327 cities in the EU[J]. Renewable and Sustainable Energy Reviews, 2021, 135. DOI:10.1016/j.rser.2020.110253
[14] Poeplau C, Marstorp H, Thored K, et al. Effect of grassland cutting frequency on soil carbon storage–a case study on public lawns in three Swedish cities[J]. Soil, 2016, 2(2): 175-184. DOI:10.5194/soil-2-175-2016
[15] Sha Z Y, Bai Y F, Li R R, et al. The global carbon sink potential of terrestrial vegetation can be increased substantially by optimal land management[J]. Communications Earth & Environment, 2022, 3(1): 8.
[16] 彭文甫, 周介铭, 徐新良, 等. 基于土地利用变化的四川省碳排放与碳足迹效应及时空格局[J]. 生态学报, 2016, 36(22): 7244-7259.
Peng W P, Zhou J M, Xu X L, et al. Effect of land use changes on the temporal and spatial patterns of carbon emissions and carbon footprints in the Sichuan Province of Western China, from 1990 to 2010[J]. Acta Ecologica Sinica, 2016, 36(22): 7244-7259.
[17] Wang Q, Yang C H, Wang M L, et al. Decoupling analysis to assess the impact of land use patterns on carbon emissions: a case study in the Yellow River Delta efficient eco-economic zone, China[J]. Journal of Cleaner Production, 2023, 412. DOI:10.1016/j.jclepro.2023.137415
[18] 李缘缘, 魏伟, 周俊菊, 等. 中国土地利用碳排放变化及协调分区[J]. 环境科学, 2023, 44(3): 1267-1276.
Li Y Y, Wei W, Zhou J J, et al. Changes in land use carbon emissions and coordinated zoning in China[J]. Environmental Science, 2023, 44(3): 1267-1276. DOI:10.3969/j.issn.1000-6923.2023.03.028
[19] He J, Yang J. Spatial–temporal characteristics and influencing factors of land-use carbon emissions: an empirical analysis based on the GTWR model[J]. Land, 2023, 12(8). DOI:10.3390/land12081506
[20] Yu Z Q, Chen L Q, Tong H X, et al. Spatial correlations of land-use carbon emissions in the Yangtze River Delta region: a perspective from social network analysis[J]. Ecological Indicators, 2022, 142. DOI:10.1016/j.ecolind.2022.109147
[21] Hawkins J, Yesuf G, Zijlstra M, et al. Feeding efficiency gains can increase the greenhouse gas mitigation potential of the Tanzanian dairy sector[J]. Scientific Reports, 2021, 11(1). DOI:10.1038/s41598-021-83475-8
[22] Cai Z C, Kang G D, Tsuruta H, et al. Estimate of CH4 emissions from Year-round flooded rice fields during rice growing season in China[J]. Pedosphere, 2005, 15(1): 66-71.
[23] 孙贤斌. 安徽省会经济圈土地利用变化的碳排放效益[J]. 自然资源学报, 2012, 27(3): 394-401.
Sun X B. Effects of carbon emission by land use patterns Hefei's economic circle of Anhui Province[J]. Journal of Natural Resources, 2012, 27(3): 394-401.
[24] 方精云, 郭兆迪, 朴世龙, 等. 1981~2000年中国陆地植被碳汇的估算[J]. 中国科学(D辑: 地球科学), 2007, 50(6): 804-812.
Fang J Y, Guo Z D, Piao S L, et al. Terrestrial vegetation carbon sinks in China, 1981-2000[J]. Science in China Series D: Earth Sciences, 2007, 50(9): 1341-1350.
[25] 孟庆香, 刘祺, 李保路, 等. 2000—2020年河南省土地利用强度与碳排放脱钩关系[J]. 水土保持通报, 2023, 43(3): 421-429.
Meng Q X, Liu Q, Li B L, et al. Decoupling relationship between land use intensity and carbon emissions in Henan province during 2000—2020[J]. Bulletin of Soil and Water Conservation, 2023, 43(3): 421-429.
[26] 段晓男, 王效科, 逯非, 等. 中国湿地生态系统固碳现状和潜力[J]. 生态学报, 2008, 28(2): 463-469.
Duan X N, Wang X K, Lu F, et al. Carbon sequestration and its potential by wetland ecosystems in China[J]. Acta Ecologica Sinica, 2008, 28(2): 463-469.
[27] 孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联[J]. 经济地理, 2015, 35(3): 154-162.
Sun H, Liang H M, Chang X L, et al. Land use patterns on carbon emission and spatial association in China[J]. Economic Geography, 2015, 35(3): 154-162.
[28] 蓝家程, 傅瓦利, 袁波, 等. 重庆市不同土地利用碳排放及碳足迹分析[J]. 水土保持学报, 2012, 26(1): 146-150, 155.
Lan J C, Fu W L, Yuan B, et al. Analysis of land use patterns on carbon emission and carbon footprint in Chongqing City[J]. Journal of Soil and Water Conservation, 2012, 26(1): 146-150, 155.
[29] 李颖, 黄贤金, 甄峰. 江苏省区域不同土地利用方式的碳排放效应分析[J]. 农业工程学报, 2008, 24(S2): 102-107.
Li Y, Huang X J, Zhen F. Effects of land use patterns on carbon emission in Jiangsu Province[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(S2): 102-107.
[30] Han L D, Mu C C, Jiang N, et al. Responses of seven wetlands carbon sources and sinks to permafrost degradation in Northeast China[J]. Journal of Soils and Sediments, 2023, 23(1): 15-31.
[31] Ting K L, Vallyutham K, Phoon C H, et al. Prospect of CO2 sequestration in Malaysia cement industry[J]. IOP Conference Series: Earth and Environmental Science, 2023, 1135(1): 012049.
[32] 卢麾, 施建成. 基于遥感观测的21世纪初中国区域地表土壤水及其变化趋势分析[J]. 科学通报, 2012, 57(16): 1412-1422.
Lu H, Shi J C. Reconstruction and analysis of temporal and spatial variations in surface soil moisture in China using remote sensing[J]. Chinese Science Bulletin, 2012, 57(22): 2824-2834.
[33] Petrut T, Geay T, Gervaise C, et al. Passive acoustic measurement of bedload grain size distribution using self-generated noise[J]. Hydrology and Earth System Sciences, 2018, 22(1): 767-787.
[34] Al-Zoubi M S. Consolidation analysis by the modified SLOPE method[J]. Geotechnical Testing Journal, 2014, 37(3): 540-547.
[35] 孙玲玲, 刘彬, 石宝红, 等. 基于贝叶斯理论和主成分分析法耦合的水质评价[J]. 水电能源科学, 2017, 35(11): 36-39.
Sun L L, Liu B, Shi B H, et al. Water quality evaluation based on coupling of bayesian and PCA[J]. Water Resources and Power, 2017, 35(11): 36-39.
[36] Kurek K A, Heijman W, van Ophem J, et al. Geothermal spas as a local development factor, the case of Poland[J]. Geothermics, 2020, 85. DOI:10.1016/j.geothermics.2019.101777
[37] Chai J, Wang Y B, Hu Y, et al. The coupling relationships and influence mechanisms of green credit and energy-environment-economy under China's goal of carbon neutrality[J]. Journal of Systems Science and Complexity, 2023, 36(1): 360-374.
[38] 李彦旻, 沈育生, 王世航. 基于土地利用变化的安徽省陆地碳排放时空特征及效应[J]. 水土保持学报, 2022, 36(1): 182-188.
Li Y M, Shen Y S, Wang S H. Spatio-temporal characteristics and effects of terrestrial carbon emissions based on land use change in Anhui Province[J]. Journal of Soil and Water Conservation, 2022, 36(1): 182-188.
[39] Jande J A, Ido G O, Ikyaagba E T. Extent of urbanization impact on forest resources in OJU local government area, Benue State, Nigeria[J]. Journal of Global Ecology and Environment, 2022, 14(2): 39-50.
[40] 张赫, 彭千芮, 王睿, 等. 中国县域碳汇时空格局及影响因素[J]. 生态学报, 2020, 40(24): 8988-8998.
Zhang H, Peng Q R, Wang R, et al. Spatiotemporal patterns and factors influencing county carbon sinks in China[J]. Acta Ecologica Sinica, 2020, 40(24): 8988-8998.
[41] Lin S F, Zhao D T, Marinova D. Analysis of the environmental impact of China based on STIRPAT model[J]. Environmental Impact Assessment Review, 2009, 29(6): 341-347.
[42] Liu Y B. Exploring the relationship between urbanization and energy consumption in China using ARDL (autoregressive distributed lag) and FDM (factor decomposition model)[J]. Energy, 2009, 34(11): 1846-1854.
[43] 王雪松, 任胜钢, 袁宝龙, 等. 城镇化、城乡消费比例和结构对居民消费间接CO2排放的影响[J]. 经济理论与经济管理, 2016(8): 79-88.
Wang X S, Ren S G, Yuan B L, et al. The effect of urbanization, consumption ratio and consumption structure on residential indirect CO2 emissions[J]. Economic Theory and Business Management, 2016(8): 79-88.
[44] Pachauri S, Spreng D. Direct and indirect energy requirements of households in India[J]. Energy Policy, 2002, 30(6): 511-523.
[45] Sharma R, Shahbaz M, Kautish P, et al. Does energy consumption reinforce environmental pollution? Evidence from emerging Asian economies[J]. Journal of Environmental Management, 2021, 297. DOI:10.1016/j.jenvman.2021.113272
[46] Gao Q, Zeng H Y, Sun G L, et al. Extreme risk spillover from uncertainty to carbon markets in China and the EU—a time varying copula approach[J]. Journal of Environmental Management, 2023, 326. DOI:10.1016/j.jenvman.2022.116634
[47] Ebohon O J, Ikeme A J. Decomposition analysis of CO2 emission intensity between oil-producing and non-oil-producing sub-Saharan African countries[J]. Energy Policy, 2006, 34(18): 3599-3611.