全球化发展背景下，气候变化已经成为全球可持续发展的重大挑战，威胁着人类的粮食安全和健康福祉^[1]. 联合国政府间气候变化专门委员会(IPCC)评估报告指出，全球温度持续升高更多的是受人类活动的影响，以二氧化碳为主的温室气体排放严重超标，导致大气温度显著上升^[2，3]. 习近平总书记于2020年向世界承诺力争于在2030年前“碳达峰”和努力争取2060年前“碳中和”的目标. 这意味着我国发展模式由化石能源支撑向非化石能源支撑转变，经济增长要实现绿色低碳转型，并逐渐与二氧化碳排放和化石能源、矿产资源脱钩^[4，5]. 2021年，国务院印发了《2030年前碳达峰行动方案的通知》，明确提出实现“双碳”目标，对于城市高质量发展提出新的要求^[6]. 2022年，《“十四五”节能减排综合工作方案》明确了全面推动低碳城市、韧性城市、海绵城市、“无废城市”建设的重点工作^[7]. 转变发展方式、优化经济结构和转换增长动力，推进城市高质量发展是下一阶段我国城市发展的主要思路.

城市作为社会经济和工业活动的中心，也是化石燃料人为燃烧的主要来源，城市土地产生了大量的碳排放. 据统计，全球70%以上的碳排放来源于城市^[8]. 作为承担我国经济社会发展所需要的90%以上的煤炭和石油，70%以上的天然气和重要矿产资源的资源型城市，伴随自然资源的持续消耗，产业结构失衡、生态环境破坏等矛盾和问题更为严峻^[7，9]. 对能源的强依赖和退出的高成本是资源型城市实现“双碳”目标的最大阻碍，加大了资源型城市维持自身发展的难度和实现“双碳”目标的挑战^[10，11].

对于以工业活动为主的矿业资源型城市，在整个城市发展过程中消耗大量能源，这些过程高度依赖于土地利用，这将不可避免地对该地区的土地变化和气候产生影响^[12~14]. 为了进一步促进矿业资源型城市的碳减排，需要对矿业资源型城市的碳排放情况进行精细化研究，从而明晰碳排放规律，为有效地决策提供合理的解决方案. 当前有研究表明土地利用差异造成了碳排放的变化，主要是由于土地利用类型的划分决定了土地上所对应的人类活动的差异^[15，16]. 关于土地利用与碳排放的研究大多从微观角度测量了土壤和植被的碳通量，测算土地利用的碳排放机制，并从宏观角度提出了相应的碳减排政策^[17，18]. 就研究区域而言，众多学者从国家、城市群、城镇等不同尺度分析了碳排放与城市用地之间的关系^[19~21]. 然而，许多学者忽视了特定城市背景下，具有不同主导产业结构的城市的碳源和碳汇的不同，形成的碳排放源和数量也不同^[9，22]. 当前对于工业碳排放和土地利用碳排放研究较多，但是特定城市融合多源数据背景下城市不同功能区碳排放差异的精细化研究较少^[23~25]. 分析矿业资源型城市不同功能区用地变化特征以及其与碳排放之间的数值和空间相关性，进而识别矿业资源型城市碳排放的主要影响因素，有助于确定相应的低碳战略，实现矿业资源型城市的低碳可持续发展.

本文以典型矿业资源型城市武安市为例，考虑城市人文属性，引入兴趣点(POI)等多源数据来弥补传统数据的不足，在微观尺度上更深入地了解识别城市不同功能区的空间分布^[26~28]. 运用空间插值分析、核密度分析及随机森林(random forest，RF)模型等方法，研究城市不同功能区用地强度对碳排放的影响，并且通过遥感影像解译和实地调研相结合的方法，从微观视角明确碳排放影响因素，以期为低碳城市建设和“双碳”背景下的城市科学规划、区域高质量发展提供决策参考. 将实现以下研究目标：①确定武安市建设用地不同功能区用地强度；②测算武安市碳排放空间分布和变化趋势；③探究碳排放分布格局与不同功能区之间的时空相关性，④识别造成大量碳排放的城市功能区内部的主要影响因素，并提出优化建议.

武安市地处晋冀鲁豫经济区的腹地，是河北省南部隶属于邯郸市的县级市(图 1). 土地总面积1 819 km²，坐标为东经113°45′~114°22′，北纬36°28′~37°01′. “西山、中丘、东平原”地形特征及中部矿产资源丰富的分布特征相契合，体现自然型与资源型城镇并存格局. 武安城区位于市域中东部，建制镇与乡地域分布呈现中部密集，东部和西北部较少特征. 武安市作为典型的资源型城市，有丰富的矿产资源，是河北重要的能源基地，为全国58个重点产煤县(市)和全国四大富铁矿基地之一. 以采矿、金属制造和石油煤炭染料加工等为代表的重工业企业占规上企业总量的95.28%，资源依赖性严重，转型升级压力大，导致空气污染严重，大气环境质量堪忧^[29，30].

图 1

Fig. 1

图 1 研究区域 Fig. 1 Study area

考虑到研究内容、数据精度以及数据可获得性，本文数据类型主要包括栅格数据、矢量数据和实地调研数据. 栅格数据包括2019Landsat遥感影像数据，选取8月，云少且无风，影像质量良好的影像(https://www.gscloud.cn/). 研究中所采用的2019年碳排放数据来自于人为二氧化碳开源数据库(https://db.cger.nies.go.jp/dataset/ODIAC/)，根据各个国家不同年度化石燃料燃烧二氧化碳排放计算量、夜间灯光数据、全球发电站点源分布数据对人为碳排放进行估算，确定化石燃料燃烧、水泥生产和天然气燃烧产生的CO₂排放水平，分辨率为1 km×1 km. 考虑到研究区域的实际规模，本文通过反距离插值将碳排放量精度优化至30 m×30 m，并且本团队曾在2019年8月到河北省武安市进行实地调研，选取300个随机点测算二氧化碳浓度，用来对比碳排放数据精度，两者Pearson相关性系数为0.619(P < 0.001)，说明其可基本代表武安市碳排放的空间分布情况，可确保研究数据的可靠性. 同时，对工矿企业数据进行实地调研，为目视解译提供参考及验证. 2019年POI兴趣点数据(https://ditu.amap.com/)和OSM路网数据(https://www.openstreetmap.org/)均用于城市功能区的识别，包含经纬度等基本空间信息. 根据《城市用地分类与规划建设用地标准》(GB 50137-2011)参考武安市实际，将POI点分为居住用地、商业用地、工矿用地、公共管理与公共服务用地和交通设施用地共5类. 2019年武安市行政边界矢量图来自国家基础地理信息中心(http://www.ngcc.cn/ngcc/)，其主要用于研究区域边界的裁剪.

为了精细化确定城市不同分区，通过POI数据和路网数据识别城市功能区，以区块为分析单元，结合土地覆盖图和POI数据绘制城市功能区地图^[31]. 首先，利用从OSM道路数据中提取的由高速公路、一级、二级、三级和住宅区道路组成的路网，并分别生成不同距离的缓冲区，建立道路空间后，划分城市最小用地单元，将研究区域划分为1 578个区块. 其次，剔除了无用信息的POI数据，采用核密度估计算法对武安市中心城区进行功能区识别，对比了不同带宽下对功能区识别结果的影响，基于研究区街区单位平均面积设定POI设施的平均影响范围，确定最适合的带宽. 之后，计算土地利用单元内各类POI点的频率密度，作为功能区划分的主要依据. 由于城市功能结构复杂多样，会存在多种功能混合的研究区. 因此，本文参考已有研究，比较功能区单元内POI的频率密度，确定单一和综合功能区^[31，32].

空间插值分析能够将离散数据转换为连续数据. 二维平面地理空间内，样本的平面坐标代表离散数据的坐标；三维空间内，第三维数据代表离散点属性或高程^[26，33]. 本文基于Matlab 2023a平台，通过调用griddata函数来实现三维空间曲面插值，用以分析三维视角下武安市碳排放水平的空间演变特征. 其公式调用如下：

式中，Z为X、Y的构造插值函数，此时存在响应数据点(X₁，Y₁)，该处函数值为Z₁=g(X₁，Y₁). Matlab 2023a平台中的method可选用线性插值(linear)、随机数据点插值(cubic)、最近邻插值(nearest)、大型数据集的内插方法(v4)以及自然邻域插值方法(natural)等^[34]. 这些方法中的选择取决于数据集和插值需求，经比较，随机数据点插值(cubic)所产生的三维曲面效果最好^[26]，因此采用Matlab 2023a平台的随机数据点插值(cubic)作为研究方法.

随机森林模型是基于决策树的集成式机器学习算法，结构清晰易于解释，并且具有较高的准确性和稳定性^[35，36]. 其结果不易出现过度拟合的现象，常用来分析非线性相关关系的因子重要性的评估^[37，38]. 本文基于R语言对不同土地利用类型对碳排放的影响进行随机森林回归分析，经过调试选定用于测试的特征数目(mtry)为2，生成的决策树的数量(ntree)为800，其余参数选定为默认值. 通过随机选取样本点总量的90%作为训练建模，剩下10%的样本点作为测试机计算模型精度，共随机生成600个测试机的均方根误差(RMSE)、平均绝对误差(MAE)的均值作为本研究模型精度的评价指标，RMSE与MAE值越低则表明模型的精度越高，模型的误差越小^[39~41].

Kruskal-Wallis检验是一种典型的非参数检验方法，不需要对总体分布形态做任何假定，用于多个连续型独立样本的比较，所得Kruskal-Wallis值用于检验多个不同类型样本的分布之间是否存在显著差异^[42]. Mann-Whitney U检验同样也是一种非参数检验，主要用于检验两两比较不同样本之间是否存在显著性差异^[4]. Mann-Whitney U检验时，得到两个统计量，Mann-Whitney U值代表了两组样本在进行Mann-Whitney U检验时计算得到的U值，反映了两组样本在总体中位数上的差异，Wilcoxon W值是对U统计量的一种标准化计算，通常用于比较小样本量情况下的U值^[43]. 本文使用SPSS 26.0进行不同指标的Kruskal-Wallis检验和Mann-Whitney U检验，识别碳排放主要影响因素.

通过建设用地兴趣点(POI)数据和路网(OSM)数据选取最合适的带宽，识别出武安市城市功能区，将面积占比较小的区域进行合并，结果如图 2所示. 就各类用地数量分布来看，面积占比较多的分别是交通设施用地、公共管理与公共服务用地，商业-居住混合用地，工矿用地和商业用地，分别占比为35.3%、24.57%、20.46%、9.13%和7.92%. 作为典型的资源型城市，交通运输对其发展具有重要作用，分层分类完善的交通网络，是资源得以充分利用的体现，并且武安市交通设施用地主要分布在城市外围不断向外扩散以及工矿用地附近，也能证明这一观点. 就各类用地空间分布来看，武安市中心城区位于武安镇周围，分布着居住类、商业类和工业类用地和三者两两混合用地且多集中连片分布，其中商业-居住混合用地分布最为广泛，占武安镇总面积的37.02%. 城市外围集中分布着居住用地、商业用地的混合区域和交通设施用地，区块面积较大. 对于工矿用地，主要呈现大片集中在中东部集中地“带状”分布的趋势.

图 2

Fig. 2

图 2 城市功能区识别结果 Fig. 2 Identification of urban functional areas

运用三维空间曲面插值法，对武安碳排放值进行空间可视化，得到如图 3所示变化趋势. 以x轴为经度，y轴为纬度，等值线落在xy面，z轴代表不同区域的碳排放量. 如图所示，碳排放空间趋势整体呈“山峰状”，体现中东部远高于其他区域，西北部相对较低的空间格局，并且在西南部的部分零散分布的工矿区，也呈现了连绵不断的较高值区域. 在中东部的工矿用地集中区外围，碳排放量也相对较高，且不断向外扩散.

图 3

Fig. 3

图 3 碳排放空间分布趋势 Fig. 3 Spatial distribution trend of carbon emissions

为验证不同功能区土地利用与碳排放之间存在的相关性，本文采用Pearson相关性分析来体现各类功能区对碳排放的相关性程度. 考虑到用地混合区的特殊性，本文基于POI点所得核密度差异，按照其比值等量计算混合用地对应的碳排放值，结果如表 1和图 4所示，五类建设用地与碳排放均有显著的正向相关性. 说明资源型城市建设用地土地利用对碳排放的影响极为显著.

表 1 (Table 1)

表 1 城市不同功能区面积与碳排放的Pearson系数及显著性1) Table 1 Pearson coefficient of area of different functional areas and carbon emissions and significance 用地类型 相关性系数 居住用地 0.434** 商业用地 0.457** 交通设施用地 0.448** 工矿用地 0.591** 公共管理与公共服务用地 0.436** 1)**为P < 0.01

表 1 城市不同功能区面积与碳排放的Pearson系数及显著性1) Table 1 Pearson coefficient of area of different functional areas and carbon emissions and significance

图 4

Fig. 4

1.居住用地，2.商业用地，3.交通设施用地，4.工矿用地，5.公共管理与公共服务用地 图 4 城市不同功能区面积与碳排放的Pearson系数 Fig. 4 Pearson coefficient of area of different functional areas and carbon emissions

随后，引入随机森林模型，图 5展示出不同建设用地利用强度对碳排放影响的重要性得分. 模型R²=62.28，说明研究结果解释了62.28%的碳排放差异，具有较高的准确性. 研究结果表明，工矿用地均呈现了最高的重要性(66.4%)，是碳排放的主要影响因素，占压倒性优势，而其他因素重要性程度排序结果和Pearson模型所得相关性分析并不完全一致. 主要是因为Pearson相关分析仅反映两个变量之间的线性关系，不考虑其他变量的影响，而城市用地强度和碳排放之间可能存在非线性关系和复杂的交互效应，随机森林模型能够捕捉到这些复杂关系.

图 5

Fig. 5

1.居住用地，2.商业用地，3.交通设施用地，4.工矿用地，5.公共管理与公共服务用地 图 5 城市不同功能区对碳排放影响的重要性排序 Fig. 5 Ranking the importance of the impact of different functional areas on carbon emissions

基于前文的分析，城市建设用地尤其是城市工矿用地对碳排放具有显著影响，因此可以通过优化工矿用地空间格局来降低城市碳排放. 为了确定微观尺度影响碳排放的主要影响因素的结构类型，本文运用目视解译法解译出用地内部结构，并且结合实地调研进行验证. 使用基于规则的特征提取工作流程工具，以面向对象的分类方法识别不同用地类型的内部组成. 综合考虑图像的波段信息和土地斑块的形态信息，以及不同类型工矿的分布差异，最终选出工矿企业中浇注室、厂房、冶炼区和烟囱作为高碳排放区，物料堆场、物料转运区和员工活动区作为低碳排放区域，绿色空间作为碳减排区共8种用地类型(表 2). 基于验证样本对分类结果进行评价，最低的总体分类准确率为85%，最低的Kappa系数为0.82，分类结果符合研究要求.

表 2 (Table 2)

表 2 用地内部结构分类1) Table 2 Classification of land internal structure 类型 烟囱 冶炼区 浇注室 厂房 影像 ① ② ③ ④ 特征 多有白烟，呈现圆形立体结构 由于常年烟熏，多呈现褐色，并且表面分布着一定的管道 蓝色和红色屋顶为主，顶部多分布着散热孔 多以蓝色或红色屋顶为主，一般呈现大面积集中分布，顶部没有散热孔 类型 物料堆场 物料转运区 员工活动区 绿色空间 影像 ⑤ ⑥ ⑦ ⑧ 特征 多以黑色为主，露天分布 多在冶炼区、物料堆场或者厂房周围，以灰色为主 多呈现浅灰色，在绿色空间附近，形状不规则 多呈现绿色，主要是绿色植物广泛分布，形状不规则

表 2 用地内部结构分类1) Table 2 Classification of land internal structure

本文进行了工矿用地内部结构差异分析，分别基于自然断点法按照工矿用地面积分为大、中和小这3种类型，分别随机生成100、70和50个点，并对应到所属的工矿用地内部结构类型. 随机选择不同数量的点可以更真实地模拟实际情况下不同规模企业的内部结构，保证了点密度的随机性、合理性和空间分布的均匀性. 本研究共生成147 800个点数据，通过计算各点数据对应的碳排放值，发现数据不符合正态分布，且不具备方差齐性，无法选择方差分析判断工矿用地内部不同用地类型的碳排放之间是否存在显著性差异. 因此，本文引入Kruskal-Wallis检验判断用地内部碳排放差异.

本研究结果表明(表 3)，工矿用地内部结构碳排放量存在显著差异(P=0.001). 这也为本文确定影响武安市碳排放的主要因素，进而合理控制资源型城市碳排放提供指导方向. 因此，为了识别最主要的碳排放来源，本文运用Mann Whitney U检验进行分析，讨论企业内部结构两两之间是否存在差异性，进而提出优化配置的方向.

表 3 (Table 3)

表 3 Kruskal-Wallis检验结果 Table 3 Kruskal-Wallis test results 项目 数量/个 平均值/kt 最大值/kt 最小值/kt Kruskal-Wallis 自由度 显著性 碳排放量 147 800 2 037.63 7 310.71 346.42 23.569 7 0.001

表 3 Kruskal-Wallis检验结果 Table 3 Kruskal-Wallis test results

本研究结果表明(表 4)，烟囱作为典型的高碳排放区域，与其他高碳排放区域、低碳排放区域和减排区域的P值均小于0.01，说明烟囱所造成的碳排放与其他用地结构存在显著差异，并且值得注意的是，烟囱的样本量最少，但其却造成了最为明显的碳排放的增加，说明其影响最为显著；对于冶炼区而言，其与其他高碳排放区域之间的碳排放也存在显著差异，表明其也是造成碳排放升高的重要的影响源. 对于浇注室和厂房而言，两者之间并不存在显著差异，并且与低碳排放的物料堆场之间不存在显著差异，说明物料堆场也是低碳排放区域里相对影响碳排放的主要因素，物料堆场与其他低碳排放区域之间的P值均小于0.01也证明了这一观点，其主要是因为会受到烟囱和冶炼区的碳排放扩散. 此外，对于碳减排区域的绿色空间，其与高碳排放区域的烟囱、冶炼区、浇注室和厂房的碳排放均存在显著差异，说明武安市工矿用地内部绿色空间对碳减排已经起到了一定作用，这与近年来武安市科技促进各类规模的工矿企业发展绿色低碳转型的众多举措有关. 但整体分布仍比较零散，尚有较大的发展潜力.

表 4 (Table 4)

表 4 Mann-Whitney U检验结果 Table 4 Mann-Whitney U test results 类型 类型 Mann-Whitney U Wilcoxon Z值 P值 烟囱 冶炼区 6 781 780.5 23 315 905.5 -15.302 0.000 浇注室 3 077 900 5 959 100 -8.205 0.000 厂房 67 068 185 1 487 539 835 -13.424 0.000 物料堆场 8 949 444 33 945 429 -11.181 0.000 物料转运区 17 922 799.5 163 163 245.5 -24.906 0.000 员工活动区 31 068 311 362 586 686 -16.188 0.000 绿色空间 41 187 811 580 798 337 -13.487 0.000 冶炼区 浇注室 6 587 445.5 23 121 570.5 -3.228 0.001 厂房 144 343 351.5 160 877 476.5 -7.242 0.000 物料堆场 19 447 868.5 35 981 993.5 -4.215 0.000 物料转运区 43 826 998 189 067 444 -11.987 0.000 员工活动区 73 063 910 404 582 285 -1.547 0.122 绿色空间 90 022 394 106 556 519 -5.676 0.000 浇注室 厂房 63 061 218.5 65 942 418.5 -1.166 0.243 物料堆场 8 466 404.5 33 462 389.5 -0.152 0.879 物料转运区 17 202 955 162 443 401 -12.619 0.000 员工活动区 28 868 172.5 360 386 547.5 5.333 0.000 绿色空间 39 292 258.5 42 173 458.5 -0.268 0.789 厂房 物料堆场 185 332 014 210 327 999 -2.239 0.025 物料转运区 380 979 924 526 220 370 -31.728 0.000 员工活动区 642 415 837 973 934 212 -14.565 0.000 绿色空间 864 089 292 1 403 699 818 -3.212 0.001 物料堆场 物料转运区 5 152 565 205 196 766 098.5 -17.724 0.000 员工活动区 86 583 047 418 101 422 -6.292 0.000 绿色空间 115 447 952 140 443 937 -0.774 0.439 物料转运区 员工活动区 199401034 344641480 -16.003 0.000 绿色空间 235818869 381059315 -28.917 0.000 员工活动区 绿色空间 395927111 727445806 -13.291 0.000

表 4 Mann-Whitney U检验结果 Table 4 Mann-Whitney U test results

资源型城市作为中国实现“双碳”目标的重要压力源，研究如何合理控制城市结构，实现有效地减碳降排具有重要意义. 首先本文分析了典型资源型城市武安的建设用地强度，以及碳排放的时空变化趋势，之后运用随机森林模型识别了各类建设用地对碳排放的影响差异. 再从精细化的内部用地结构出发，识别用地结构内部造成碳排放差异的主要原因. 根据本文的研究结果，鉴于交通设施用地在建设用地中面积占比较大，也是碳排放高值区，因此，未来资源型城市的转型发展需要优化交通设施的布局和规划，尽可能减少其对环境的负面影响^[44]. 对于公共管理和公共服务用地的广泛分散分布，可以考虑确保公共管理和服务用地的交通便捷性，优化道路网络和公共交通线路覆盖，提升居民公共出行的可达性. 此外，在混合用地区域可以进一步推广生态工业园区模式，充分发挥混合用地优势，通过资源共享和循环利用，减少碳排放和资源浪费.

工矿用地作为资源型城市碳排放增加的主要来源，已经受到广泛关注^[45~47]. 就工矿用地内部结构而言，本文研究表明烟囱和冶炼区是碳排放的重要来源，对碳排放增加具有显著的影响. 这与冶炼区的高能耗过程涉及燃烧大量化石燃料有关，烟囱作为重要的排放装置，一些工业企业可能缺乏足够先进的排放控制技术或设备导致了碳排放显著高于内部其他区域. 由于武安市主要以钢铁产业，装备制造业等重工业为主^[29]，未来还需要继续推动资源型城市工业企业绿色转型发展，积极发展绿色工业，引导企业进行能源结构优化，逐步减少对化石燃料的依赖. 此外，已有研究表明城市绿色空间对于资源型城市碳排放有明显的遏制作用^[48~50]. 在本文中进一步发现，对于工矿用地内部，近年来随着工矿用地结构的合理化，工矿企业内部的绿色空间也起到了一定的碳汇作用. 这也说明未来在绿色转型的过程中，工矿企业还是需要关注烟囱和冶炼区等主要碳源的合理规划，增加其周围内外部绿色空间的分布. 并且需要合理规划和管理工矿用地周边的城市发展，减少碳排放密集区的扩张，避免新建高碳排放项目的集中. 最后，随着当前大数据的广泛运用，未来可以通过实时模拟预测等高科技对碳排放量进行长期预测监督，建立完善的碳排放监测和评估机制，及时掌握碳排放高值区的变化趋势，适时调整管理策略和措施.

不可否认的是，本文虽然识别了工矿用地内部的主要结构，但受限于数据精度差异，可能会存在一定误差. 虽然本文探讨了工矿用地内部结构对碳排放的影响，但随着我国经济形势的变化和碳减排政策的逐步推进，如国家大力推广节能技术、新能源等，绿色专利数量、清洁能源使用等其他因素越来越值得进一步探讨，未来如果能获取到更多最新数据进行研究，将更具现实意义.

(1) 交通设施用地、公共管理和公共服务用地以及商业-居住混合用地在武安市广泛分布，交通设施用地占比高达35.3%，且主要分布在城市外围以及工矿用地附近. 交通运输对资源型城市发展极为重要，合理的交通设施的布局和规划是未来武安市转型发展的重要发展方向.

(2) 武安市碳排放空间差异显著，整体呈现“山峰状”中高西低的空间趋势. 碳排放高值区分布受人类活动影响，主要集中于武安市中心城区武安镇，其居住类、商业类以及混合用地分布密集，尤其是商业-居住混合用地占武安镇总面积的37.02%. 此外，武安市碳排放的高值区还集中在以“带状”分布为特征的工矿用地附近.

(3) 不同功能区呈现显著的碳排放差异，工矿用地是资源型城市碳排放增加的主要来源，随机森林模型结果显示其重要性高达66.4%，其内部结构烟囱和冶炼区的碳排放量显著高于其他区域，是导致工矿用地碳排放增加的主要原因. 近年来随着工矿用地内部结构的合理化，绿色空间起到了一定的碳汇作用. 未来资源型城市实现低碳可持续发展目标，需要优化工矿用地的配置，优化产业空间组织模式，避免碳排放高值区的高强度集中，并合理增加绿源在碳排放高值区周围的分布.