2000~2021中国土地利用碳排放时空特征演变及碳排放预测

引用本文

于嘉伟, 程祖恒, 安德兴, 张文林, 牛玉芬, 佟钧. 2000~2021中国土地利用碳排放时空特征演变及碳排放预测[J]. 环境科学, 2026, 47(9): 5907-5924.

YU Jia-wei, CHENG Zu-heng, AN De-xing, ZHANG Wen-lin, NIU Yu-fen, TONG Jun. Spatial-temporal Characteristics Evolution of Land Use Carbon Emissions in China from 2000 to 2021 and Carbon Emission Prediction[J]. Environmental Science, 2026, 47(9): 5907-5924.

2000~2021中国土地利用碳排放时空特征演变及碳排放预测

于嘉伟, 程祖恒, 安德兴, 张文林, 牛玉芬, 佟钧

河北工程大学矿业与测绘工程学院，邯郸 056038

收稿日期: 2025-01-13; 修订日期: 2025-10-10

基金项目: 国家自然科学基金项目（42307255）；河北省自然科学基金项目（D2023402033）；河北省教育厅科学研究项目（QN2024231）

作者简介: 于嘉伟（2004~），男，硕士研究生，主要研究方向为土地利用的碳达峰与碳中和，E-mail：yujiaweihhhhh@outlook.com

通信作者: 牛玉芬，E-mail：niuyufen@hebeu.edu.cn

摘要: 碳排放的时空演变及其未来趋势预测，作为应对全球气候变化的重要科学问题，已成为气候学、环境科学与政策研究的关键领域. 中国作为全球最大碳排放国，其土地利用变化对碳排放的动态变化产生了深远影响. 利用武汉大学年度土地利用数据集、《中国统计年鉴》（2001~2022年）的社会经济数据以及MODIS的全球净初级生产力（NPP）数据，考察不同区域建筑用地、耕地和林地等类型的碳排放和碳吸收，系统分析2000~2021年间中国土地利用变化对碳排放的具体影响，并通过高斯过程回归（GPR）模型进行碳排放预测，同时结合基尼系数和TAPIO脱钩模型分析碳排放的空间分布与经济发展的关系. 结果表明：①2000~2021年，建筑用地扩张67.28%（2000~2021年），年均增速超4%，东部耕地转化显著. 林地、水体面积增2.12%和10.38%，西部生态修复成效突出. 草地、耕地和未利用地减少1.86%~3.28%，集约利用特征明显. ②2000~2021年，建筑用地碳排放占比处于主导地位，总量增长235%（年均6.07%），空间扩散至中西部. 林地碳汇量增至17.49×10⁸ t（年均增长0.77%），草地碳吸收微降，东西部碳功能分化加剧. ③碳排放基尼系数从2000年的0.592 2下降到2021年的0.540 7，表明碳排放分布更加均匀. 前10%网格的碳排放量从1.089×10⁸ t增加到3.304×10⁸ t，显示出高排放区域仍在推动碳排放的增长，西部内部差异最大（基尼系数为0.847 3）. ④从2000~2013年，我国处于“弱脱钩”状态，经济增长的同时碳排放量有所增加. 2014~2016年则进入“强脱钩”阶段，GDP增长而碳排放减少. 自2017年起，碳排放再次上升，恢复到“弱脱钩”状态. ⑤ GPR模型预测中国将在2028年碳达峰，2060年前碳中和；西部已成碳汇，东中部2027年前后碳达峰. 云、藏、蒙具碳中和潜力，鲁、辽等重工业省域压力突出，需负碳技术与生态补偿协同.

关键词: 土地利用碳排放时空特征脱钩效应高斯过程回归（GPR）

Spatial-temporal Characteristics Evolution of Land Use Carbon Emissions in China from 2000 to 2021 and Carbon Emission Prediction

YU Jia-wei , CHENG Zu-heng , AN De-xing , ZHANG Wen-lin , NIU Yu-fen , TONG Jun

School of Mining and Geomatics Engineering, Hebei University of Engineering, Handan 056038, China

Abstract: The spatiotemporal evolution of carbon emissions and its future trend prediction, as an important scientific issue in response to global climate change, has become a key area of research in climate science, environmental science, and policy studies. As the world's largest emitter of carbon, China's land use changes have had a profound impact on the dynamic changes in carbon emissions. This study utilizes the annual land use dataset from Wuhan University, socioeconomic data from the China Statistical Yearbook, and MODIS global net primary productivity (NPP) data to examine the carbon emissions and carbon sequestration from various 3land types such as urban areas, arable land, and forest land in different regions. It systematically analyzes the specific impact of land use changes in China on carbon emissions from 2000 to 2021. Additionally, the study employs a Gaussian Process Regression (GPR) model for carbon emission forecasting and analyzes the spatial distribution of carbon emissions in relation to economic development using the Gini coefficient and the TAPIO decoupling model. The results indicate that: ① From 2000 to 2021, construction land expanded by 67.28% (2000-2021), with an average annual growth rate exceeding 4%. Significant conversion of arable land occurred in the eastern region. Forest land/water body areas increased by 2.12% and 10.38%, respectively, with notable ecological restoration in the western region. Grassland, arable land, and unused land decreased by 1.86%-3.28%, showing clear characteristics of intensive land use. ② From 2000 to 2021, carbon emissions from construction land dominated in proportion, with total emissions increasing by 235% (an annual growth rate of 6.07%) and spatial diffusion extending to the central and western regions. Forest carbon sequestration increased by 16.6% (an annual growth rate of 0.77%), while carbon absorption by grasslands slightly declined, and the carbon function differentiation between the eastern and western regions intensified. ③ The carbon emission Gini coefficient decreased from 0.592 2 in 2000 to 0.540 7 in 2021, indicating a more even distribution of carbon emissions. The carbon emissions of the top 10% grids increased from 108.9 million tons to 330.4 million tons, showing that high-emission areas were still driving the growth of carbon emissions. The internal differences in the western region were the largest (Gini coefficient of 0.847 3). ④ From 2000 to 2013, China was in a "weak decoupling" state, with economic growth accompanied by an increase in carbon emissions. From 2014 to 2016, China entered a "strong decoupling" phase, where GDP growth occurred alongside a reduction in carbon emissions. From 2017 onwards, carbon emissions began to rise again, returning to a "weak decoupling" state. ⑤ The GPR model predicted that China's carbon emissions will peak in 2028, and carbon neutrality will be achieved before 2060. The western region has already become a carbon sink, while the central and eastern regions will reach their peak around 2027. The potential for carbon neutrality in regions like Tibet, Qinghai, and Inner Mongolia is significant, while heavy industrial provinces such as Shandong, Liaoning, and others face notable pressure, requiring collaborative solutions of carbon-negative technologies and ecological compensation.

Key words: land use carbon emissions spatiotemporal characteristics decoupling effect Gaussian process regression (GPR)

自2006年起，中国已成为全球最大的能源消费国，能源消耗约占世界总量的15%^[1]. 能源使用是碳排放的主要来源，因此中国自同年也成为全球最大的碳排放国，其碳排放量约占全球总排放的30%^[2]. 作为负责任的大国，中国积极应对气候变化，2020年正式提出“双碳”目标，承诺力争于2030年前实现碳达峰，努力争取2060年前实现碳中和，展现了推动绿色发展和履行国际责任的决心，同时为全球气候治理提供支持^[3，4]. 土地利用和覆盖变化是继能源排放之后的第二大碳排放来源^[5]，深入研究各省级区域的土地利用碳排放情况，对于实现中国的“双碳”目标至关重要^[6]. 这种研究不仅能帮助制定更精确的减排策略，还能促进区域间的协调合作，从而有效推动碳达峰和碳中和目标的实现^[7].

针对不同生态系统的碳排放，全球学者已经进行了大量研究，主要涵盖农田生态系统^[8，9]、森林生态系统^[10，11]、湿地生态系统^[12，13]、草地生态系统^[14，15]、土壤生态系统^[16，17]以及城市生态系统^[18，19]. 以上核算生态系统碳排放的主要方法包括样地调查法^[20]、模型模拟^[21]以及碳排放系数法^[22]. 样地清查法通过测量植被或土壤碳密度来推算碳排放量，耗时长、成本高，通常用于小尺度计算，虽然精度较高，但不易大规模推广^[23]. 模型模拟法基于高分辨率遥感数据，需大量样本验证和参数优化，适合大尺度碳排放研究，能高效处理大规模数据并提供较高精度的结果^[21]. 赵金奇等^[24]基于SAR数据对武汉和黄梅县的洪水作了检测实验，验证了高分辨率遥感技术在动态环境监测中的有效性，其分析方法为碳排放空间分布的动态追踪提供了重要参考. 同样，王子璇等^[25]在黄河三角洲湿地制图中取得了88.1%的总体精度（OA）和0.859的Kappa系数，证明了多源遥感数据在提升土地分类精度方面的潜力，为碳排放模型模拟提供了高精度土地利用数据支持. 碳排放系数法则通过土地利用遥感数据和人类活动水平数据来核算不同土地类型的碳排放. 由于其计算简便、基础数据易获取，因此被广泛应用于大尺度碳排放估算^[26]. 值得注意的是，Zhao等^[27]提出的CFFormer框架创新性地融合频率校正模块（FCM）与特征融合模块（FFM），显著提升了多源遥感影像（光学和SAR）的土地利用分类精度（WHU-OPT-SAR数据集mIoU达58%），为碳排放系数法中静态土地类型的高效识别提供了技术支撑. 近年来，土地利用碳排放研究逐步从国家^[28]和省域尺度向城市^[4]、县域^[29]精细化. 尽管栅格尺度的碳排放研究在国家层面上仍较稀缺且关注不足，但其能精确揭示碳排放的空间微观差异，对政策制定意义重大^[1]. 为分析碳排放空间的不均衡性，部分学者采用基尼系数进行量化，提供碳排放差异的精确依据^[30]. 在研究经济发展与碳排放关系时，脱钩指数成为主流工具，现在常用的脱钩模型是Tapio，以芬兰道路交通为例，首次将弹性引入脱钩理论，并界定8种脱钩类型的具体含义^[31]. 脱钩指数不仅揭示了经济发展与碳排放之间的关系，还为制定差异化减排政策提供科学依据，有助于提高区域减排效率和政策效果^[32].

随着我国“双碳”战略的深入推进，动态预测碳排放趋势成为关键. 目前常用的预测模型有灰色模型（grey model，GM）^[33]、STIRPAT（stochastic impacts by regression on population，affluence，and technology）^[34]、长短期记忆（long short-term memory，LSTM）^[35]和自回归积分滑动平均模型（autoregressive integrated moving average model，ARIMA）^[36]以及TCN-LSTM（temporal convolutional network-long short-term menory）^[37]等. 鉴于二氧化碳排放的复杂性，使用高斯过程回归（Gaussian process regression，GPR）模型更为适合，因其能够灵活处理非线性关系. 然而，目前该领域关于GPR的研究仍较少，具有较大的研究潜力^[38].

本研究在系统梳理既有研究成果的基础上，实现了理论方法与实证应用的双重突破. 针对现有研究在空间解析度与预测效度方面的局限性，突破性地采用千米级栅格化分析方法，构建2000~2021年间多源异构时空数据集，实现了国家尺度下土地利用碳排放的精细解构，有效克服了传统行政单元分析的空间异质性遮蔽效应. 创新性地构建GPR动态预测模型，通过核函数自适应优化与长时序数据融合，显著提升了土地利用变化与碳排放非线性关系的建模精度，其贝叶斯概率框架为不确定性量化提供了新的方法论工具.

在方法论层面，创新性地构建了融合栅格尺度分析与GPR模型的集成分析框架，突破了传统土地利用碳排放研究的空间解析局限. 基于长时序高分辨率时空数据的实证研究，系统揭示了区域碳排放的空间异质性特征及其多维驱动机制，以期为建立空间显式的碳排放核算体系提供重要的数据支撑. 尤为重要的是，通过精准识别高排放热点区域及其关键驱动因子，研究成果直接服务于“双碳”战略目标，并为制定差异化、精细化的区域低碳发展路径提供了科学依据. 本研究不仅深化了对土地利用碳排放时空演变规律的理论认知，其方法学创新更形成了具有区域特色的分析范式，在拓展全球变化研究的空间分析方法论体系方面具有积极意义，同时为中国实现碳中和目标提供了可操作的技术路径.

1 研究区概况及数据来源 1.1 研究区概况

中国位于东亚，地处北半球，国土面积约960万km²，国土面积位列世界第三，自21世纪以来，中国经济快速发展，GDP从2000年的约10万亿元增长至2020年的约101.6万亿元，年均增速超过8%，常住人口也达到了约14.1亿，成为全球人口最多、经济实力显著提升的发展中国家之一. 根据研究需要及地域划分，将34个省（区、市）分为东部、中部、西部和东北地区（图 1）^[4].

地图基于自然资源部审图号GS（2025）3699标准地图制作，底图无修改图 1 中国东、中、西和东北区域分布 Fig. 1 Distribution of eastern, central, western, and northeastern regions of China

1.2 数据来源

本研究使用的土地利用类型数据集（CLCD）由武汉大学黄昕教授团队基于Landsat影像开发，涵盖了1985~2023年间的年度土地利用情况，并且每年更新. 该数据集具有30 m的空间分辨率，且目前仍在持续更新中（https://zenodo.org/record/8176941）. 植被净初级生产力数据（NPP）来源于MOD17A3HGF产品数据（https://earthexplorer.usgs.gov/），空间分辨率为500 m，时间范围为2000~2021年（https://earthexplorer.usgs.gov/）. 社会经济相关数据主要来自《中国统计年鉴》（2001~2022年），其中包括人口、能源和作物面积等多个领域的统计指标（https://www.stats.gov.cn/sj/ndsj/）.

2 数据处理方法和原理

在2000~2021年期间，本研究探讨了中国土地利用变化对碳排放的影响，并对未来碳排放趋势进行了预测. 研究通过结合土地利用变化数据、社会经济统计信息以及碳排放模型，分析了不同土地类型对碳排放及碳吸收的影响. 使用GPR型进行了碳排放的预测，并结合基尼系数与TAPIO脱钩模型，分析了碳排放和经济增长之间的相互作用.

本研究的核心方法和研究步骤如图 2所示.

图 2 技术流程 Fig. 2 Technical process

2.1 土地利用类型变化幅度

本研究通过对土地利用类型总量变化的分析，进一步推导出土地利用变化的趋势. 计算公式如下：

C_{i} = U_{i b} - U_{i c}

(1)

式中，i为土地利用类型；C_i为研究期间第i类土地的净变化量，km²；U_i_c和U_i_b分别为研究初期和末期第i类土地的面积，km².

2.2 核算碳排放

根据现有的分类标准，6种土地利用类型为：水体、林地、耕地、草地、未利用地和建筑用地^[39]. 接下来，本文将以上类型分为碳源类和碳汇类. 碳源类涵盖耕地（施用农药、化肥）和建筑用地等；碳汇类则包括林地、草地、水体和未利用地，以及植物生长过程中所吸收的碳.

耕地的碳源部分主要包括：在种植作物所使用的化肥、农药和农膜所产生的碳排放，使用农机翻地所导致的有机物流失导致的碳排放，以及在灌溉作物所产生的碳排放，本文采用的计算公式如下^[40]：

E_{f} = \sum S_{i} \times θ_{i}

(2)

式中，E_f为耕地总的碳排放量，S_i为第个i耕地碳源部分所使用的面积，θ_i为第i个耕地碳源部分的碳排放系数，在本文中化肥、农药、农膜、农机和灌溉的碳排放系数分别取值0.86、4.93、5.18、312.60和20.48 kg·kg^-1.

根据现有的研究，建筑用地的碳排放通常用能源的消耗来表示. 但在研究的过程中缺乏城市层面的能源数据，所以通常使用工业产值、建筑业产值和城乡居民人口数等社会经济数据作为各个城市能源消费的分配系数，利用排放因子法估算建设用地碳排放量，计算公式如下^[41]：

E_{c} = \sum e_{i} \times v_{i} \times {\bar{ω}}_{i}

(3)

式中，E_c为建筑用地总的碳排放量，i为能源的类型，本文从《中国统计年鉴》（2001~2022年）选取了8种不同类型的能源（表 1），包括煤炭、柴油、原油、燃料油、汽油、焦炭、煤油以及天然气，e_i为第i种能源的消耗量，v_i为第i种能源与标准煤之间的转换系数，来自于《中国能源统计年鉴》， $\bar{ω}$ _i为第i种能源对应的碳排放系数，来自于IPCC 2006所给的公式计算得到^[42].

表 1 不同能源类型的标准煤转换系数和碳排放系数 Table 1 Conversion coefficients of standard coal and carbon emission coefficients for different energy types

耕地的碳汇部分主要是作物在生长过程中进行的光合作用所吸收的碳，根据现有的研究经验，耕地的碳吸收计算公式如下^[43]：

C_{f} = \frac{\sum_{i = 1}^{n} C_{i} \times (1 - W_{i}) \times Y_{i}}{E_{i}}

(4)

式中，C_f为农作物生长过程中总的碳吸收量，C_i为第i种作物光合作用合成每单位干物质的碳吸收率，W_i为第i种作物的含水率，Y_i为第i种作物的总产量，E_i为第i种作物的经济系数（表 2）^[44].

表 2 中国主要农作物的作物系数 Table 2 Crop coefficients of major crops in China

根据现有的研究，草地、水体以及未利用地的碳排放量，通过参考IPCC提供的碳排放系数法，进行量化估算. 公式如下^[45]：

C_{t} = \sum T_{i} \times δ_{i}

(5)

式中，C_t为草地、水体和未利用地总的碳排放量，T_i为第i种土地利用类型的面积， $δ_{i}$ 为第种i土地利用类型的碳吸收系数，草地、水体和未利用地的碳排放系数分别取2.10×10^-3、6.13×10^-5和5.00×10^-4 kg·（m²·a）^-1.

林地碳吸收在中国的碳循环中起着关键作用，对全国总碳吸收量的贡献率高达67.8%. 林地的碳吸收量与平均植被净初级生产力和林地面积密切相关，两者共同决定了林地在碳循环中的吸收能力，公式如下^[22]：

C_{w} = N P P \times S

(6)

式中，C_w为林地总的碳吸量，NPP为植被净初级生产力，S为林地面积，由CLCD林地的栅格面积获得.

2.3 基尼系数

洛伦兹曲线和基尼系数最初用于评估地区或国家之间的收入分配差异. 本文结合这两种工具，探讨了栅格尺度上土地利用碳排放的空间分布不均衡性. 公式如下^[46]：

G i n i = 1 - \sum_{i = 1}^{n} (x_{i} - x_{i - 1}) (y_{i} - y_{i - 1})

(7)

式中，Gini为基尼系数，n为总的网格数，x_i为栅格数目占总栅格数的累积量，y_i为第网格中的累计碳排放量.

2.4 TAPIO脱钩模型

脱钩指数用于描述“脱钩”的程度和方向，通常将GDP总量作为驱动变量，能源消费量或碳排放量作为被解释变量，公式如下^[47]：

D I_{t_{1} t_{0}} = \frac{E P_{t_{1}} / E P_{t_{0}}}{D F_{t_{1}} / D F_{t_{0}}}

(8)

式中， $D I_{t_{1} t_{0}}$ 为脱钩指数， $E P_{t_{1}}$ / $E P_{t_{0}}$ 为环境压力变量，本文用净碳排放的变化率来表示， $D F_{t_{1}}$ / $D F_{t_{0}}$ 为经济驱动变量，本文用中国的国内生产总值变化率表示，划分标准如表 3所示.

表 3 脱钩状态划分标准 Table 3 Standards for decoupling status classification

脱钩状态		环境压力变量（ $E P_{t_{1}}$ / $E P_{t_{0}}$ ）	经济驱动变量( $D F_{t_{1}}$ / $D F_{t_{0}}$ )	脱钩指数(DI)
脱钩	衰弱脱钩	< 0	< 0	DI > 1.2
	强脱钩	< 0	> 0	DI < 0
	弱脱钩	> 0	> 0	0 < DI < 0.8
连接	增长连接	> 0	> 0	0.8 < DI < 1.2
连接	衰退连接	< 0	< 0	0.8 < DI < 1.2
负脱钩	扩张负脱钩	> 0	> 0	DI > 1.2
	强负脱钩	> 0	< 0	DI < 0
	弱负脱钩	< 0	< 0	0 < DI < 0.8

表 3 脱钩状态划分标准 Table 3 Standards for decoupling status classification

2.5 高斯过程回归

高斯过程回归是一种用于回归分析的非参数贝叶斯方法. 它通过高斯过程（Gaussian process，gp）来描述数据点之间的分布，并通过核函数计算输入数据之间的相似度. 高斯过程回归的基本原理假定数据点服从联合高斯分布，依据训练数据推测新数据点的概率分布.

高斯过程是一组满足高斯分布的随机变量，对于任意的输入x₁，x₂，x₃，x₄，x₅，…，x_n，有如下公式：

f (x) ~ g p [m (x), k (x, x')]

(9)

式中，gp为高斯过程函数，m（x）为均值函数，k（x，x'）为核密度函数，用于衡量x和x'的相似度.

本文采用的核密度函数形式如下：

k (x, x') = e x p (- \frac{x - {x'}^{2}}{2 l^{2}})

(10)

式中，x-x'为两个输入点x和x'之间的欧几里得距离，l为长度尺度参数.

3 结果与分析 3.1 土地利用变化特征

根据2000~2021年我国不同时间段的土地利用类型分布（图 3）以及各类土地利用面积变化的数据（图 4），土地利用类型的空间分布特征与面积变化趋势得以呈现，我国建筑用地是土地利用类型中变化最为突出的，其年增长率最高可超4%. 快速的工业化和城市化，使得建筑用地面积从2000年的15.14×10⁴ km²到2021年的25.42×10⁴ km²，增幅为67.28%. 我国的生态建设也效果显著，林地面积从2000年的330.10×10⁴ km²上升到2021年的337.10×10⁴ km²，水体面积从2000年的19.37×10⁴ km²上升到2021年的21.37×10⁴ km²，增幅分别为2.12%和10.38%. 相反的，草地面积从2000年的401.25×10⁴ km²减少到2021年的393.79×10⁴ km²，耕地面积从2000年的272.81×10⁴ km²减少到2021年的263.87×10⁴ km²，未利用地面积从2000年的272.56×10⁴ km²减少到266.04×10⁴ km²，降幅分别为1.86%、3.28%和2.39%.

地图基于自然资源部审图号GS（2025）3699标准地图制作，底图无修改图 3 2000~2021年中国土地利用类型分布示意 Fig. 3 Schematic of land use type distribution in China from 2000 to 2021

图 4 2000~2021年中国土地利用类型面积变化 Fig. 4 Changes in land use type area in China from 2000 to 2021

从土地利用转移的弦图所提土地利用的转移情况来看（图 5），在2000~2010年期间，耕地向林地转移了约0.008 8×10⁴ km²，向建筑用地转移了约0.004 6×10⁴ km²；林地则向草地转移了约0.025 3×10⁴ km²，向建筑用地转移了约0.001 6×10⁴ km²；草地向林地转移了约0.029 9×10⁴ km²，向建筑用地转移了约0.004 3×10⁴ km²；水体向建筑用地转移了约0.003 9×10⁴ km²，未利用地向建筑用地转移了约0.002 0×10⁴ km². 建筑用地的扩展则主要是从草地转移了约0.004 9×10⁴ km²，未利用地转移了约0.001 2×10⁴ km². 整体来看，建筑用地的扩展占据了较大的比例，导致了自然用地，特别是耕地、草地、林地和水体的减少. 在2010~2021年期间，耕地向林地转移了约0.008 7×10⁴ km²，向建筑用地转移了约0.004 5×10⁴ km²；林地向草地转移了约0.025 5×10⁴ km²，向建筑用地转移了约0.001 8×10⁴ km²；草地向林地转移了约0.029 5×10⁴ km²，向建筑用地转移了约0.004 9×10⁴ km²；水体向建筑用地转移了约0.003 7×10⁴ km²，未利用地向建筑用地转移了约0.002 0×10⁴ km². 建筑用地的转移则主要是向草地转移了约0.004 9×10⁴ km²，未利用地转移了约0.001 3×10⁴ km². 与2000~2010年相比，建筑用地的扩展趋势更为明显，反映了城市化进程的加快.

图 5 2000~2021年中国土地利用转移矩阵弦图 Fig. 5 Sankey diagram of land use transition matrix in China from 2000 to 2021

在构建中国土地利用转移矩阵后（图 6），可见东部地区用地类型变化剧烈，在22 a间耕地减少3.687 8×10⁴ km²，大部分流向了建筑用地，使得建筑用地显著增加至4.565 9×10⁴ km²，从以上数据可以反映出东部地区快速的城市化进程以及城市建设用地的显著扩张. 其他的用地类型变化不大，林地仅有微幅增加（0.008 8×10⁴ km²），草地、水体和未利用地略有减少（分别为-0.656 2×10⁴、-0.070 1×10⁴和-0.159 9×10⁴ km²）. 东部地区的变化总体呈现出高度的城市化和土地集约利用特征，经济发展带动了土地向城市和基础设施用地的转移.

图 6 2000~2021年各区域土地利用类型转移 Fig. 6 Land use type transitions in different regions of China from 2000 to 2021

通过分析中国区域的用地转移的空间分布数据可见（图 7），东北部地区的土地利用变化较为平稳，各类土地类型的变化幅度较小. 其中，耕地、林地、草地和未利用地分别减少了约0.278 4×10⁴、0.474 7×10⁴、0.436 7×10⁴和0.126 0×10⁴ km²；相反，水体略微增加了0.053 6×10⁴ km²，建筑用地显著增加1.262 3×10⁴ km².

1、2、3、4、5和6分别表示耕地、林地、草地、水体、未利用地及建设用地，“→”表示转移过程；地图基于自然资源部审图号GS（2025）3699标准地图制作，底图无修改图 7 2000~2021年中国土地利用转移的空间分布 Fig. 7 Spatial distribution of land use transition in China from 2000 to 2021

以上研究结果表明，尽管东北地区在工业化和城市化进程中土地利用类型的变化不如其他地区的土地利用类型变化剧烈，但仍呈现出耕地向建筑用地转化的趋势，并伴随着一定程度的生态恢复. 西部地区呈现出与其他地区显著不同的土地利用特征，林地增加幅度最大，约增加了5.085 5×10⁴ km²，草地和未利用地则分别减少3.083 0×10⁴ km²和4.333 0×10⁴ km²，这表明西部地区受退耕还林和退牧还草等生态政策的推动，未利用地大规模转化为林地，使得区域生态环境得到进一步改善. 建筑用地增加了约2.055 6×10⁴ km²，显示出西部地区基础设施建设的增长，西部的经济发展得到了一定的复苏.

2000~2021年中国土地利用类型在不同区域存在着明显的空间分布的特性：东部地区耕地向城市建设用地大规模转化，中部地区土地利用变化相对稳定但也表现出城市化趋势；东北部变化较平缓，生态用地和耕地略有下降，建筑用地有所增加；西部地区则受生态保护和政策驱动，林地显著增加，未利用地减少. 这一空间分布特征体现了不同区域的经济发展、城市化进程及生态保护政策对土地利用的综合影响.

3.2 土地利用碳排放的时空演变趋势

在不同时期不同用地类型的碳排放数据中（图 8），可以看出随着我国在经济建设上的发展，越发注重人与自然和谐发展，每种地物类型呈现出不同的碳排放趋势. 碳排放最为显著的变化出现在建筑用地上，其碳排放量从2000年的9.81×10⁸ t急剧增至2021年的32.85×10⁸ t，年均增长率高达6.07%. 这种增长幅度的背后反映了城市化的快速推进以及随之而来的建筑活动和工业化进程. 建筑用地的碳排放在整体碳平衡中占据越来越大的比例，对生态环境的影响尤为突出. 相应地，林地的碳吸收能力在这20多年中不断增强，碳吸收量从15.00×10⁸ t增加到17.49×10⁸ t，年均增长率约为0.77%. 这一变化与植被覆盖的增加、森林恢复以及生态政策的推进密切相关，使得林地在碳汇中发挥了越来越重要的作用. 相比之下，草地的碳吸收能力略有下降，从2000年的0.060×10⁸ t减少到2021年的0.059×10⁸ t，呈现出年均降低率为0.09%的轻微下降. 而水体的碳吸收在这段时期微增，从0.000 085×10⁸ t增至0.000 094×10⁸ t，年均增长率为0.47%，虽然水体在碳平衡中所占比例较小，但其吸收能力的相对提升也表明水体生态功能在一定程度上的得到了强化. 未利用地的碳吸收量则出现了一定程度的下降，从2000年的0.009 7×10⁸ t降低到2021年的0.009 5×10⁸ t，年均降低率为0.11%，变化幅度并不明显. 整体来看，我国碳排放呈现出前期上升快，后期增长缓慢的变化趋势.

图 8 2000~2021年中国各土地利用类型碳排放量变化 Fig. 8 Changes in carbon emissions of different land use types in China from 2000 to 2021

使用栅格尺度（栅格大小为3 km）碳排放空间数据进行分析可得（图 9），从2000~2021年，中国的碳排放呈现出显著增长的趋势并且区域分布的变化更加明显，概括来说：碳排放从局部的低强度向广泛的高强度发展，总体呈现由东向西扩散、由轻排放向高排放转变的特征. 2000年时，中国的碳吸收区主要分布在西部占全国碳吸收的88.05%，中部地区和东北部地区也有少量的碳吸收分别为3.72%和8.23%，东部地区贡献了全国大部分的碳排放. 到了2021年，全国的碳排放格局发生了根本的变化，部分中碳排放区向高碳排放区转变，碳吸收区也有部分向碳排放区转变. 从2000年的碳排放全部由东部地区贡献转变到东部地区的碳排放贡献率下降到61.89%，而中部和东北部从之前碳吸收区转变为了碳排放区分别贡献碳排放的25.33%和12.79%，碳吸收区只剩西部地区但是由于城市化的推进西部地区的碳吸收能力下降了35.8%. 总的来看，全国的碳排放从2000年的大部分地区碳吸收少部分地区碳排放，整体仍为碳吸收的格局转变为2021年大部分地区以碳排放为主.

地图基于自然资源部审图号GS（2025）3699标准地图制作，底图无修改图 9 2000~2021年中国栅格尺度土地利用碳排放的时空分布 Fig. 9 Temporal and spatial distribution of land use carbon emissions at grid scale in China from 2000 to 2021

本文通过高精度栅格化碳排放数据，系统解析了中国四大区域（东北、东部、中部和西部）碳排放强度的空间演变规律[图 10（a）~10（c）]. 通过构建碳排放强度梯度分类体系，揭示了2000~2020年间各区域碳排放格局的梯度跃迁特征. 研究发现，碳排放演变主要表现为碳汇功能退化和排放强度升级双重过程，具体表现为：碳吸收区向轻/高碳排放区的转型，以及中碳排放区向高排放区的跃升. 通过计算不同转型类型的栅格面积占比，量化揭示了碳排放空间重构的强度与模式差异. 就碳吸收区退化而言，中部地区呈现最显著的碳汇衰减特征，其向轻碳排放区转型面积占比达23.6%，这主要归因于“中部崛起”战略驱动下的工业集群扩张与城市空间蔓延. 东北地区（17.2%）和东部地区（6.3%）的转型强度次之，反映出老工业基地振兴与沿海城市群发展的环境影响. 值得注意的是，西部地区仅4.0%的碳吸收区发生退化，凸显了其生态屏障功能的相对稳定性. 在碳排放强度跃升方面，中部地区同样表现出最强的升级动能：碳吸收区直接跃迁至高碳排放区的面积占比达1.3%，中碳排放区升级比例更达1.9%，这与其大规模承接产业转移引发的土地利用剧变密切相关. 东部地区（0.76%）与东北地区（0.64%）的高碳排放转型热点多分布于城市外围工业带，而西部地区（0.13%）的微弱变化则印证了其发展梯度差异. 空间异质性分析揭示：中部地区构成碳排放升级的核心区，其单位面积碳排放强度增幅达东部地区的1.8倍，凸显后发地区“压缩式”发展的环境代价. 东北与东部呈现“存量优化”与“增量管控”并存的转型特征，而西部地区则维持着碳排放强度的相对稳态，其碳汇保护区面积占比超过全国平均水平. 本研究构建的“梯度-空间-动力”分析框架，为实施差别化的区域碳治理策略提供了新视角. 建议：①中部地区建立产业准入的碳预算制度，遏制“蛙跳式”排放升级；②东部沿海探索存量空间碳排放强度递减机制；③东北地区耦合产业升级与碳汇修复；④西部生态脆弱区实施碳汇增益型补偿政策. 后续研究可融合夜间灯光数据与产业转移图谱，深化碳排放空间重构的驱动机制解析.

地图基于自然资源部审图号GS（2025）3699标准地图制作，底图无修改图 10 2000~2021年基于栅格级别的中国多尺度碳排放强度梯度跃迁空间分布 Fig. 10 Spatial distribution of multi-scale carbon emission intensity gradient transitions in China from 2000 to 2021 based on grid-level data

从中国省级尺度碳排放空间格局的演化规律与区域异质性特征来看[图 10（d）~10（f）]，结果发现：①研究期内碳排放演变呈现显著的非均衡性，主要表现为碳吸收区向轻碳/高碳排放区的转化以及中碳排放区的高碳化升级；②空间分异特征显著，三大直辖市与东部省份成为碳排放跃升的热点区域，而西部及特别行政区则保持相对稳定. 在碳汇功能退化方面（碳吸收区→轻碳排放区），河南（33.98%）、山东（33.35%）和安徽（32.23%）的栅格转化率居全国前三，其空间分布与黄淮海平原农业集约化区域高度吻合，印证了耕地利用强度加剧与生态空间压缩的叠加效应. 对比而言，西藏（0.6‰）、青海（0.52%）的微弱变化则凸显高原生态屏障的固碳韧性. 值得关注的是，江苏（27.81%）、浙江（11.66%）等沿海发达省域虽转型压力相对较小，但其碳汇损失已呈现从城市群向周边蔓延的态势. 就碳源激增现象（碳吸收区→高碳排放区）而言，天津（7.75%）、北京（4.53%）构成核心跃迁区，其空间分布与京津冀、长三角城市群建设用地扩张轨迹高度耦合. 以上区域超过60%的转化栅格原为城郊农田或生态绿地，佐证了土地城镇化对碳排放的驱动机制. 反观海南（0.1‰）的低转化率，既受限于岛屿地理边界的刚性约束，也得益于旅游导向型经济的低排放特性. 在中碳向高碳排放区的升级梯度中，天津（10.36%）和北京（6.63%）再次成为焦点，其碳排放强度年均增长率（3.8%~4.2%）远超全国均值（2.1%），反映出超大城市群发展带来的环境代价. 与之形成鲜明对比，青海（0. 012‰）、西藏（0.037‰）和新疆（0.295‰）等西部省域因工业化进程滞后，仍维持低水平碳排放格局. 值得注意的是，山东（7.05%）和广东（1.27%）等传统工业大省的温和增长态势，可能预示其产业转型初现成效. 本研究通过省级尺度时空分析，揭示了中国碳排放演变的“核心-边缘”结构：三大直辖市构成高碳化核心，东部省份形成转型压力带，西部生态区则发挥碳汇稳定器功能. 这种空间分异既是区域发展梯度的映射，也是政策干预效果的体现. 建议：①超大城市群应建立碳排放总量与强度双控机制，推行建设用地减量化战略；②东部转型区需构建“蓝绿碳汇+分布式新能源”的复合系统；③西部生态区亟需完善生态补偿制度，探索“固碳增汇-特色产业”协同发展路径. 后续研究将融合夜间灯光、企业地理等多元数据，深化对碳排放驱动机制的解析.

在地级行政单元的角度进行分析，揭示了中国289个地级行政单元碳排放空间重构的梯度演化特征[图 10（g）~10（i）]. 通过建立碳排放强度4级分类体系量化解析了2000~2020年间城市碳排放格局的跃迁路径及其空间异质性. 研究发现，城市碳排放演变呈现显著的“梯度跨越”特征，具体表现为碳汇功能退化（碳吸收区→轻/高排放区）与排放强度升级（中排放区→高排放区）的双重过程. 在碳汇退化维度，研究识别出3类典型模式：①内陆集约转型型：以湖北省仙桃市（55.22%）和河南省周口市（48.95%）为代表，其碳吸收区向轻排放区转化面积占比超全国均值，这与“中部崛起”战略下农业现代化与产业承接基地建设导致的耕地破碎化密切相关；②沿海渐进演变型：如江苏省盐城市（41.20%）和浙江省嘉兴市（39.45%），其碳汇损失主要源于滨海湿地开发与城市空间扩张的协同作用；③生态稳定型：西藏拉萨市、青海果洛州等西部城市保持零转化率，印证了国家生态屏障工程的实施成效. 碳排放跃迁分析揭示出显著的空间分异规律：在碳吸收区→高排放区的极端转化中，广东省东莞市（15.99%）和新疆石河子市（17.14%）等新兴工业城市呈现“蛙跳式”升级特征，其转化强度是直辖市天津（7.75%）和上海（5.80%）的2.2~3.0倍，折射出产业转移承接地的环境代价. 中排放区→高排放区的持续升级方面，东莞（12.25%）和中山（10.50%）等珠三角城市形成连片高值区，其升级速率较京津冀城市群快1.3倍，凸显区域发展模式的差异. 从地级行政单元的角度构建的“城市-路径-机制”三维分析框架，为差异化碳治理提供了新范式. 建议：①针对东莞式“蛙跳升级”城市，建立产业转移的碳准入清单制度；②对仙桃式“集约转型”城市实施耕地保护与新能源替代的协同策略；③在盐城等沿海城市构建蓝碳交易机制；④强化西部生态城市的碳汇产权界定. 后续研究将整合企业级排放数据，深入解析城市内部碳排放演变的微观机制.

从基尼系数前10%的网格统计数据（表 4）中，可以分析出2000~2021年，中国碳排放基尼系数和前10%网格的碳排放量都呈现出明显的变化趋势，在这20多a间，基尼系数从0.592 2逐渐下降至0.540 7，而前10%网格的碳排放量从1.089×10⁸ t增加至3.304×10⁸ t，可以看出碳排放的分布趋于更加均匀化，但仍然主要集中在一些高排放区域.

表 4 2000-2021基尼系数及前10%网格的排放量 Table 4 Gini coefficient and emissions of the top 10% grids from 2000 to 2021

在不同时期的洛伦兹曲线中（图 11）可以看出，基尼系数的持续下降表明了碳排放在全国范围内的空间分布正在变得更加均衡，区域间的不平等程度有所减弱. 从最初的2000年，碳排放相对集中在少数区域，基尼系数有着很高比例，但随着均衡发展，城市化和工业化向全国范围扩散，碳排放从东部向内陆扩展，导致排放向着均匀分布. 整体来说，基尼系数的下降表明碳排放不再主要集中于特定区域，而是逐渐扩散到更多区域，体现了碳排放来源的多样化.

图 11 2000~2020年中国土地利用碳排放分布的洛伦兹曲线 Fig. 11 Lorenz curve of land use carbon emission distribution in China from 2000 to 2020

然而，与基尼系数下降相对的是，前10%网格的碳排放量持续大幅增加. 以上网格为碳排放最集中的区域，从2000年的1.089×10⁸ t增长到2021年的3.304×10⁸ t，增长了约3倍. 这一趋势显示出尽管碳排放在空间上的分布更为均匀，但碳排放总量的增加仍主要由以上高排放区域推动. 这表明中国的经济增长、工业化和城市化仍然主要集中在一些高排放区域.

从时间演变趋势来看，本研究期内所有区域基尼系数均呈现持续下降态势（图 12）. 其中，西部区域基尼系数由0.906 9降至0.847 3（降幅6.6%），东北部由0.652 0降至0.574 3（11.9%），东部由0.696 7降至0.606 8（降幅12.9%），中部降幅最为显著，从0.717 1降至0.589 2（降幅17.8%）. 这种普遍下降趋势表明，各区域内部碳排放分布的不均衡性均得到不同程度改善，可能与国家层面的碳减排政策实施、技术进步及产业结构调整密切相关. 区域对比分析显示显著的空间异质性特征. 西部区域始终维持最高基尼系数值（2021年为0.847 3），表明其内部碳排放分布不均衡程度持续高于其他区域. 这或与其特殊的能源经济结构相关——作为国家能源战略基地，内蒙古和陕西等资源型省域与传统农业省域（如西藏和青海）间的碳排放差异形成显著两极分化. 相较之下，东北地区基尼系数最低（2021年为0.574 3），反映出相对均衡的碳排放分布格局，这可能与区域经济转型过程中传统重工业衰退、新兴产业尚未形成显著增长极的过渡期特征有关. 值得注意的是，各区域演变轨迹呈现差异化驱动机制. 东部地区基尼系数呈现稳定下降趋势，12.9%的降幅主要源于长三角和珠三角等经济核心区通过产业升级和清洁技术应用实现的碳排放集约化发展. 中部地区17.8%的显著降幅则与“中部崛起”战略下产业承接的有序推进相关，产业转移带来的区域发展均衡化有效缓解了碳排放的空间集聚. 西部地区尽管降幅最小，但其高基尼系数揭示出深层结构性矛盾：能源基地建设带来的局部碳排放激增与生态保护区低碳发展之间的张力持续存在. 本研究验证了碳排放分布均衡性与区域发展阶段间的非线性关系. 东部发达地区通过技术替代实现排放效率提升，而中西部地区仍处于工业化进程中的碳排放再平衡阶段. 特别需要关注西部地区呈现的“高基尼系数陷阱”现象，其0.847 3的基尼系数不仅显著高于全国平均水平，更提示需要建立差异化的区域碳治理策略. 建议在“双碳”目标实施过程中，应建立基尼系数动态监测机制，针对高基尼系数区域设计补偿性政策，通过碳配额分配优化和跨区域生态补偿促进碳排放空间均衡.

地图基于自然资源部审图号GS（2025）3699标准地图制作，底图无修改图 12 2000~2021年中国四区划基尼系数 Fig. 12 Gini coefficients of the four regions in China from 2000 to 2021

本研究通过基尼系数测度模型揭示了2000~2021年中国省级碳排放空间分布特征（图 13）. 实证数据显示，全国碳排放基尼系数主要分布在0.4~0.5区间，表明省际碳排放差异处于相对均衡状态. 部分省份呈现显著的空间非均衡特征，如北京（0.447 9）和江苏（0.349 8）等经济发达地区基尼系数持续低于全国均值，其碳排放均衡格局可能与超大型城市群的空间规划优化、清洁能源技术渗透率提升以及现代服务业主导的产业结构转型密切相关. 与之形成对比的是，云南（0.97）、贵州（0.90）和海南（0.88）等省域基尼系数持续高位运行，揭示出碳排放空间分布呈现显著非均衡特征. 研究表明，这种空间集聚特征可能源于区域发展模式的异质性：云贵地区的高系数或与“西电东送”能源基地建设导致的火电产能集中，以及喀斯特地貌区生态碳汇空间分异有关；海南则因其旅游经济主导的产业形态与离岛型能源供给体系，形成独特的碳排放空间分布格局. 时序演变分析显示，不同区域呈现差异化演变轨迹. 以广东和浙江为代表的沿海发达省份，其基尼系数在2000~2010年波动幅度达15.3%，而2010年后变异系数降至4.2%以下，这种趋势转变与碳减排政策的持续深化及智能电网等新型基础设施的布局完善存在显著相关性. 湖南等中部省份则展现出渐进式收敛特征，其基尼系数年均降幅达1.8%，实证反映了绿色能源政策的系统性推进对区域碳排放空间均衡的促进作用.

地图基于自然资源部审图号GS（2025）3699标准地图制作，底图无修改图 13 2000~2021中国省级基尼系数 Fig. 13 Provincial Gini coefficients of China from 2000 to 2021

在省级尺度上，碳排放基尼系数的测算结果与既有研究结论基本吻合，但当研究尺度细化至市级和区县级时，空间异质性特征显著增强（图 14）. 本研究显示，西部多数地区呈现显著的碳汇特征，这一空间属性在省级基尼系数分析中已有所体现：当采用区县级数据计算省级基尼系数时，云南省的数值接近0.97，贵州省亦达到0.9，而西藏自治区则持续表现为净碳汇状态. 这种空间异质性特征表明，在开展全国碳排放空间分析时，研究尺度的细化会显著加剧空间分布的不均衡性. 值得注意的是，区县级尺度的基尼系数反而低于市级尺度，这一看似矛盾的现象源于数据聚合效应：区县级尺度分析中碳汇区域占比相对提升，形成更均衡的表象. 但深入分析表明，这种表面均衡性实际掩盖了更深层次的空间异质性——在西部生态功能区与东部工业化区域的交错地带，仍存在显著的碳排放梯度差异. 这种多尺度空间分析的反常现象提示，在碳排放公平性评估中，需要构建兼顾空间尺度效应和区域功能定位的综合评估体系.

图 14 2000~2021中国不同尺度下的基尼系数 Fig. 14 Gini coefficients at different scales in China from 2000 to 2021

3.3 土地利用碳排放压力分析

2000~2021年期间，中国的环境变量（净碳排放量）与经济变量[国内生产总值（GDP）]呈现出多种脱钩关系，这种多样化的变化揭示了经济增长与环境压力之间的复杂互动. 在这段时间里中国的经济实现了快速增长，但碳排放的变化趋势并非线性. 进一步地分析脱钩指数可以更深入地揭示经济扩展与碳排放之间的动态关系，帮助理解不同发展阶段下二者的互动方式.

通过分析不同时期中国的土地利用碳排放和国民经济的关系（图 15），从时间跨度上看，2000~2021年间，经济变量表现为持续增长，而环境变量在不同年份则有所变化，整体为上升趋势，经济发展与环境保护平衡仍要进行.

图 15 2000~2021中国土地利用碳排放与国民经济变化 Fig. 15 Changes in land use carbon emissions and national economic development in China from 2000 to 2021

综合分析土地利用碳排放和国民经济得出的脱钩指数（图 16），2000~2013年，GDP从100 280.1×10⁸元增长至592 963.2×10⁸元，净碳排放量从11.953×10⁸ t上升至34.023×10⁸ t. 这一阶段大多数年份为“弱脱钩”状态，即经济快速增长，但环境压力也随之增大. 以2001年为例，2001年净碳排放量增长了2.11%，而GDP增长了10.55%，脱钩指数为0.200 3，这表明碳排放量的增长速度远低于经济增速，但二者仍呈正相关.

图 16 2000~2021中国能源碳排放与经济增长脱钩状态变化 Fig. 16 Changes in the decoupling status of land use carbon emissions and economic growth in China from 2000 to 2021

其中2013年是“扩张负脱钩”的典型代表，净碳排放量增长了14.42%，而GDP增速仅为10.10%，此时脱钩指数为1.428 0，表明环境压力增加速度超过了经济增长的速度.

从2014~2016年，中国表现出“强脱钩”的特征，这期间GDP持续增长，而净碳排放量出现下降. 2014年净碳排放量下降0.58%、GDP增长8.53%，脱钩指数为-0.0677，这意味着尽管经济仍在扩张，但碳排放量得到了有效控制甚至减少，这也表明意识到经济发展与环境之间的平衡.

从2017~2021年，净碳排放量再次呈上升趋势，与GDP一同增长，表现为“弱脱钩”状态. 其中，2018年净碳排放量增加了3.03%、GDP增长10.49%，脱钩指数为0.289 4，说明我国经济与环境之间仍存在不平衡，需继续注重环境保护.

3.4 碳排放量的预测

从2000~2021年中国碳排放量的GPR结果及模型预测结果的绝对误差来看，整体上来说模型表现稳健，大部分年份的相对误差保持在较低水平，拟合精度较高. 即使在误差稍大的年份，绝对误差依然控制在合理范围内，说明模型仍较好地捕捉了整体趋势（图 17）.

图 17 2000~2050年中国土地利用碳排放量实际值与GPR预测趋势图及预测碳排放绝对误差 Fig. 17 Actual values and GPR predicted trends of land use carbon emissions in China from 2000 to 2050, along with predicted carbon emission absolute errors

根据模型的预测结果，2023~2028年，中国的碳排放量总体呈现平缓的增长，预测峰值年为2028年左右. 从2028年之后，碳排放量开始逐渐下降，呈现出明显的碳减排趋势，这与中国的碳中和目标保持一致. 根据预测，到2060年之前，中国有望实现碳中和，即碳排放量将逐步减少至接近于零或与碳吸收量平衡. 模型拟合结果表明中国的碳排放发展路径符合国家的碳减排目标，先碳达峰后逐步下降，并在本世纪中叶前完成碳中和. 该模型为中国的低碳发展和能源转型提供了科学依据，也反映出未来能源结构的深刻变化和环境政策的有力推进.

中国区域碳排放呈现显著差异，东部、中部和东北部在2027年前后碳达峰后逐步下降，西部作为持续碳汇区已实现碳中和，但全国碳中和目标仍需通过技术创新和区域协同实现（图 18）. 中部区域碳排放呈现显著的三阶段特征：2000~2027年持续增长期，碳排放量从-0.44×10⁸ t增至4.88×10⁸ t，年均增长率达8.58%；2027~2050年进入平稳下降期，预计2050年排放量将降至2.88×10⁸ t，降幅40.98%. 东部区域作为主要排放区，其碳排放轨迹表现出更强的经济驱动特征，2000~2026年排放量从1.78×10⁸ t激增至11.77×10⁸ t，增长幅度达561.24%，达峰后虽呈现下降趋势，但2050年预计仍维持8.05×10⁸ t高位排放. 东北部区域演变趋势与中部相似但规模较小，2028年达峰2.52×10⁸ t后，预计2050年降至1.27×10⁸ t，降幅达49.6%. 值得注意的是西部区域作为持续碳汇区，净排放量始终为负值，2020年达到-4.30×10⁸ t的排放拐点后，碳吸收能力逐步回升，预计2050年达-5.31×10⁸ t.

图 18 2000~2050年中国四区划碳排放预测 Fig. 18 Carbon emission predictions for the four regions of China from 2000 to 2050

预测结果显示，中部、东部和东北部三大区域均在2027年前后实现碳达峰，峰值分别为4.88×10⁸、11.77×10⁸和2.52×10⁸ t，呈现显著的区域发展同步性. 这种同步达峰现象可能与国家层面的政策调控和产业转移密切相关. 西部区域作为生态功能区，其碳汇能力在2020年达到-4.30×10⁸ t的最低值后逐步增强，形成独特的“逆向达峰”特征，这一现象凸显了区域功能定位对碳排放轨迹的决定性影响.

基于2050年预测数据，区域碳中和能力呈现显著差异. 西部区域作为持续碳汇区，2000~2050年间年均碳吸收量达5.75×10⁸ t，已形成稳定的碳中和能力. 相比之下，东部区域虽呈现下降趋势，但2050年预计排放量仍达8.05×10⁸ t，需通过跨区域碳补偿机制实现碳中和目标. 中部和东北部区域分别保留2.88×10⁸ t和1.27×10⁸ t排放量，其碳中和路径需依赖技术创新和能源结构转型. 特别值得注意的是，三大排放区域2050年预计排放总量达12.2×10⁸ t，与西部碳汇能力形成5.31×10⁸ t缺口，凸显建立全国性碳交易市场的必要性.

各区域碳排放轨迹差异折射出发展模式与生态功能的深度耦合. 东部区域的高位缓降特征反映了经济惯性与减排政策的角力，中部和东北部的平缓下降趋势则体现了传统产业转型的渐进性. 西部碳汇能力的波动回升揭示了生态保护的阶段性成效. 建议构建差异化区域政策：东部着力发展负碳技术，中东北部推进产业升级，西部完善生态补偿机制，最终通过区域协同实现整体碳中和目标.

本研究利用2000~2021年间各省份的真实碳排放数据以及基于高斯过程回归模型生成的2022~2050年预测值（图 19），对中国各省市的碳排放趋势进行了系统分类. 通过分析碳排放量的长期变化特征，本研究将各省份划分为3类：持续增长型、达到峰值后下降型以及稳定或波动型，并在此基础上探讨其实现碳中和的可能性.

图 19 2000~2050年中国各省碳排放预测 Fig. 19 Carbon emission predictions for each province in China from 2000 to 2050

对于持续增长型的省域，如北京、天津、山东、辽宁、安徽、福建、陕西和重庆，2000~2021年间碳排放量呈现显著的上升趋势，且预测值在2022~2050年间趋于稳定. 具体而言，山东（1.01×10⁸ t）、辽宁（1.20×10⁸ t）和安徽（1.01×10⁸ t）的预测值难以趋于0，表明以上地区未来碳排放量将维持较高水平，难以满足碳中和的要求. 相比之下，北京（0.29×10⁸ t）和天津（0.39×10⁸ t）的预测值接近于0，但数值仍然偏高，显示出较大的减排压力. 然而，福建（-0.26×10⁸ t）、陕西（-0.13×10⁸ t）和重庆（-0.16×10⁸ t）的预测值趋于0，表明以上地区在未来具有较强的碳中和潜力.

在达到峰值后下降型的省域中，包括内蒙古、吉林、黑龙江、宁夏、甘肃、青海、西藏和贵州，其碳排放量在某一历史年份达到最高值后出现下降趋势，且预测值在2022年后趋于稳定. 例如，内蒙古（-0.13×10⁸ t）、黑龙江（-0.001×10⁸ t）、甘肃（-0.17×10⁸ t）、青海（-0.05×10⁸ t）、西藏（-0.74×10⁸ t）和贵州（-0.62×10⁸ t）的预测值均为负值或接近0，显示出显著的减排趋势和较高的碳中和潜力. 宁夏（0.09×10⁸ t）的预测值虽为正，但极度接近于0，同样具备较好的减排前景. 吉林的预测值（0.38×10⁸ t）虽趋于0，但相较其他同类省域偏高，其碳中和潜力略显不足.

稳定或波动型的省域，如云南、四川和台湾，其碳排放量在2000~2021年间未表现出明显的增长或下降趋势，而是呈现相对稳定的波动状态. 云南（-1.70×10⁸ t）和四川（-0.90×10⁸ t）的预测值均为负值，表明其碳排放水平较低，具有显著的减排能力和碳中和潜力. 台湾的预测值（0.16×10⁸ t），显示出良好的减排前景.

通过研究各省域的碳中和潜力，结果表明，内蒙古、黑龙江、宁夏、甘肃、青海、西藏、贵州、云南、四川、台湾、吉林、陕西、重庆、福建、北京和天津的预测值趋于0，其中内蒙古、黑龙江、甘肃、青海、西藏、贵州、云南和四川等省域的预测值极度趋于0甚至为负值，表明其碳排放水平极低，有望在2060年实现碳中和目标. 吉林、北京和天津的预测值接近于0，但数值相对较高，仍需进一步加大减排力度以确保实现碳中和. 与此形成对比的是，山东、辽宁和安徽的预测值难以趋于0，显示其2060年实现碳中和的难度较大.

通过对碳排放趋势的分类与预测分析，识别出内蒙古、黑龙江、甘肃、青海、西藏、贵州、云南和四川等省域在碳中和方面具有较强的潜力，而山东、辽宁和安徽则面临较为严峻的减排挑战. 为实现2060年碳中和目标，各地区应根据其碳排放特征采取差异化的减排策略. 对于碳中和潜力较高的地区，需巩固现有减排成果，推广低碳技术和碳汇措施以进一步降低净排放；对于预测趋势可以达到碳中和的地区，应加快减排步伐并强化政策支持；对于预测趋势难以碳中和的地区，则需制定更为严格的排放控制计划，推动产业结构优化和技术革新. 本研究为中国碳中和目标的区域化实施提供了数据支撑和理论依据，为制定科学的减排政策提供了重要参考.

4 讨论

2000~2021年间，中国土地覆被格局呈现显著空间重构特征. 建筑用地面积由15.14×10⁴ km²扩张至25.42×10⁴ km²，增幅达67.28%，其空间扩张呈现显著沿海集聚态势，与东部地区快速城镇化进程形成空间耦合. 生态保护政策驱动下，林地和水体面积分别实现2.12%和10.38%的净增长，其中西部地区林地恢复尤为突出. 耕地、草地及未利用地则呈现系统性缩减趋势，分别减少3.28%、1.86%和2.39%，其空间转化路径主要指向建筑用地需求. 区域异质性分析表明，东部地区土地转型强度显著高于中部和东北地区，西部生态屏障区则表现出政策驱动的林地修复特征. 基于碳排放与土地利用的耦合机制，本研究提出三阶递进的国土空间治理框架. 空间管控维度：建立“主体功能-碳排放”双约束机制，在东部城市群推行建设用地减量规划，将碳强度指标纳入土地出让合同条款. 针对中部粮食主产区，实施耕地保护与新能源融合开发，通过“农光互补”模式提升单位土地碳汇产能. 西部地区需完善生态保护红线动态调整机制，探索碳汇权益交易制度. 系统修复层面：构建“源地-廊道-节点”的生态修复网络，重点加强东北老工业基地棕地修复与碳汇功能再造. 创新“土地整治+”实施模式，将碳汇提升目标嵌入高标准农田建设、矿山生态修复等工程标准体系. 制度创新领域：推动跨区域碳补偿机制实质化运作，建立基于生态系统生产总值（GEP）核算的横向转移支付制度. 完善国土空间规划“一张图”系统的碳核算功能模块，实现土地利用变化与碳排放的实时监测预警.

土地利用转型引致碳排放格局发生深刻演变. 建筑用地碳排放以年均6.07%的增速从9.81×10⁸ t攀升至32.85×10⁸ t，成为主导排放源. 这一结论与宋金昭等^[48]的研究结果一致. 林地碳汇功能持续强化，碳吸收量增至17.49×10⁸ t（年均增长0.77%），而草地与未利用地碳汇能力呈现弱化趋势此结果与郝瑞军^[49]的研究相符，表明植被碳吸收量的增加主要集中在实施生态工程的地区，反映了森林保护政策在增强碳吸收能力方面的有效性. 空间分异特征显示，碳排放重心呈现由东部向中西部扩散态势，东部排放占比下降至61.89%，中部和东北地区则转型为新兴排放区域. 省级尺度分析揭示显著差异，河南（33.98%）和山东（33.35%）展现高强度转型特征，天津（7.75%）则维持高排放强度.

基于基尼系数的空间均衡性分析表明，碳排放分布呈现趋同态势，基尼系数由0.592 2下降至0.540 7，反映区域排放不平等程度有所缓解. 该结论与卢俊宇等^[50]基于碳排放生态压力模型的研究结果一致，其指出中国各区域的碳排放与生态容量高度不协调，且基尼系数（0.540 2）远高于警戒线，表明碳排放的区域分配极为不公平. 值得注意的是，前10%高排放网格贡献量激增203.3%，达到3.304×10⁸ t，揭示核心排放区的持续强化作用. 区域基尼系数呈现梯度差异，西部（0.847 3）显著高于东北（0.574 3），表明了碳排放在空间组织上的非均衡特性.

脱钩效应分析揭示经济发展与碳排放的复杂互动关系. 研究期内经历4个典型阶段：2000~2013年持续弱脱钩状态（经济增速 > 排放增速），2013年出现扩张负脱钩拐点（脱钩指数为1.428 0），2014~2016年实现强脱钩突破（2014年指数为-0.067 7），2017年后回归弱脱钩路径（2018年指数为0.289 4）. 这种波动轨迹反映出经济转型期环境库兹涅茨曲线的阶段性特征. 该结果与宋嫣琦^[51]的研究一致，她指出2001~2013年间我国处于弱脱钩状态，2014~2017年则表现为“强脱钩-弱脱钩”交替变化.

高斯过程回归（GPR）预测模型显示，中国有望在2028年实现碳达峰，并于2060年前达成碳中和目标. 该趋势与何晓博^[52]的研究一致，其研究指出碳排放峰值将在2024~2043年间出现，且在碳达峰后的逐步减少趋势预计能够实现2060年碳中和目标. 区域情景模拟表明，中、东、东北部地区于2027年前后碳达峰，预计2050年排放量将分别降至2.88×10⁸、8.05×10⁸和1.27×10⁸ t，西部地区碳汇能力则有望提升至-5.31×10⁸ t. 省域尺度分析揭示显著差异：山东、辽宁等重工业省域面临较大碳中和压力，而内蒙古、西藏和云南则具备显著生态优势. 以上发现为差异化区域碳治理政策制定提供了科学依据.

虽然本研究系统揭示了2000~2021年中国土地利用演变与碳排放的时空耦合特征，但在研究深度和方法论层面仍存在若干改进空间. 多源异构数据的整合处理存在技术瓶颈，研究中采用的栅格数据、省级统计和区县级调查数据虽经过标准化处理，但不同空间尺度数据的衔接机制及历史数据校准方法仍有待完善. 例如2000~2010年与2010~2021年土地转移矩阵的细微差异，可能源于国土调查技术规范的迭代更新，但未深入剖析统计口径变化对纵向可比性的具体影响.

在驱动机制解析方面，研究虽识别出建设用地扩张与碳排放增长的显著相关性，但对深层政策驱动力的解构尚显不足. 新型城镇化战略实施过程中的土地财政依赖、产业园区扩张模式等制度性因素，以及区域间产业梯度转移带来的碳泄漏效应，均需构建更系统的分析框架. 碳排放空间均衡性改善与区域协调发展之间的因果关系链，仍需结合双重差分模型等计量手段进行验证.

研究采用的GPR预测模型在技术路线设计上存在改进空间，特别是对关键参数的经济学含义阐释不足. 模型假设中保持现有能源消费结构和经济增长模式不变的基准情景，可能低估了“双碳”目标下政策干预的乘数效应. 跨区域碳补偿机制和生态产品价值实现路径的缺位，导致预测模型未能充分反映国土空间治理体系改革的潜在影响.

5 结论

（1）2000~2021年，建筑用地扩张67.28%（2000~2021），年均增速超4%，东部耕地转化显著. 林地、水体面积增2.12%和10.38%，西部生态修复成效突出. 草地、耕地、未利用地减少1.86%~3.28%，集约利用特征明显.

（2）2000~2021年，建筑用地碳排放占比处于主导地位，总量增长235%（年均6.07%），空间扩散至中西部. 林地碳汇增16.6%（年均0.77%），草地碳吸收微降，东西部碳功能分化加剧.

（3）碳排放基尼系数从2000年的0.592 2下降到2021年的0.540 7，表明碳排放分布更加均匀. 前10%网格的碳排放量从1.089×10⁸ t增加到3.304×10⁸ t，显示出高排放区域仍在推动碳排放的增长，西部内部差异最大（基尼系数0.847 3）.

（4）从2000~2013年，我国处于“弱脱钩”状态，经济增长的同时碳排放量有所增加. 2014年至2016年则进入“强脱钩”阶段，GDP增长而碳排放减少. 自2017年起，碳排放再次上升，恢复到“弱脱钩”状态.

（5）GPR模型预测中国将在2028年碳达峰，2060年前碳中和；西部已成碳汇，东中部2027年前后碳达峰. 云、藏、蒙具碳中和潜力，鲁辽等重工业省域压力突出，需负碳技术与生态补偿协同.

致谢: 感谢武汉大学黄昕教授团队提供的中国土地利用类型数据集（CLCD）；感谢美国宇航局提供的MODIS的全球净初级生产力（NPP）数据.

参考文献

[1]	孙彩凤, 姜巍, 高卫东. 山东省土地利用碳排放变化的时空特征及影响因素分析[J]. 环境科学, 2025, 46(1): 30-40. Sun C F, Jiang W, Gao W D. Spatial-temporal evolution and influencing factors of land use carbon emissions in Shandong Province[J]. Environmental Science, 2025, 46(1): 30-40. DOI:10.13227/j.hjkx.202401241
[2]	Zhang H N, Zhang X P, Yuan J H. Driving forces of carbon emissions in China: a provincial analysis[J]. Environmental Science and Pollution Research, 2021, 28(17): 21455-21470. DOI:10.1007/s11356-020-11789-7
[3]	Zhang Y S, Hou G F, Zhang Y. Carbon emission heterogeneity in developed countries: insights for China's Neutrality Strategy[J]. Sustainability, 2024, 16(13): 5318. DOI:10.3390/su16135318
[4]	李素娟, 马奇飞, 叶芳. 中国碳中和潜力的区域差异及影响因素的时空异质性分析[J]. 环境科学, 2025, 46(7): 4075-4089. Li S J, Ma Q F, Ye F. Regional differences and spatial-temporal heterogeneity influencing factors of carbon neutrality capacity in China[J]. Environmental Science, 2025, 46(7): 4075-4089. DOI:10.13227/j.hjkx.202406288
[5]	Santini M, Caccamo G, Laurenti A, et al. A multi-component GIS framework for desertification risk assessment by an integrated index[J]. Applied Geography, 2010, 30(3): 394-415. DOI:10.1016/j.apgeog.2009.11.003
[6]	杨柏, 秦广鹏, 邬钦. "双碳"目标下中国省域碳排放核算分析[J]. 环境科学, 2022, 43(12): 5840-5849. Yang B, Qin G P, Wu Q. Analysis of provincial CO₂ emission accounting in China under the carbon peaking and carbon neutrality goals[J]. Environmental Science, 2022, 43(12): 5840-5849. DOI:10.13227/j.hjkx.202202083
[7]	江越. "双碳"目标下长三角城市群土地利用碳排放路径分析[D]. 上海: 上海师范大学, 2023.
[8]	赵明月, 刘源鑫, 张雪艳. 农田生态系统碳汇研究进展[J]. 生态学报, 2022, 42(23): 9405-9416. Zhao M Y, Liu Y X, Zhang X Y. A review of research advances on carbon sinks in farmland ecosystems[J]. Acta Ecologica Sinica, 2022, 42(23): 9405-9416.
[9]	夏龙龙, 颜晓元, 蔡祖聪. 我国农田土壤温室气体减排和有机碳固定的研究进展及展望[J]. 农业环境科学学报, 2020, 39(4): 834-841. Xia L L, Yan X Y, Cai Z C. Research progress and prospect of greenhouse gas mitigation and soil carbon sequestration in croplands of China[J]. Journal of Agro-Environment Science, 2020, 39(4): 834-841.
[10]	朱建华, 田宇, 李奇, 等. 中国森林生态系统碳汇现状与潜力[J]. 生态学报, 2023, 43(9): 3442-3457. Zhu J H, Tian Y, Li Q, et al. The current and potential carbon sink in forest ecosystem in China[J]. Acta Ecologica Sinica, 2023, 43(9): 3442-3457.
[11]	朱教君, 高添, 于立忠, 等. 森林生态系统碳汇: 概念、时间效应与提升途径[J]. 应用生态学报, 2024, 35(9): 2313-2321. Zhu J J, Gao T, Yu L Z, et al. Carbon sink of forest ecosystems: concept, time effect and improvement approaches[J]. Chinese Journal of Applied Ecology, 2024, 35(9): 2313-2321.
[12]	周念清, 郭梦申, 蔡奕, 等. 湿地关键带碳循环与碳源碳汇转化机制及碳交换量化模式[J]. 地学前缘, 2024, 31(6): 436-449. Zhou N Q, Guo M S, Cai Y, et al. Mechanism of carbon cycle and source-sink conversion and quantitative carbon exchange model in critical zone of wetland[J]. Earth Science Frontiers, 2024, 31(6): 436-449.
[13]	沙晨燕, 王敏, 王卿, 等. 湿地碳排放及其影响因素[J]. 生态学杂志, 2011, 30(9): 2072-2079. Sha C Y, Wang M, Wang Q, et al. Wetland methane and carbon dioxide emission and affecting factors[J]. Chinese Journal of Ecology, 2011, 30(9): 2072-2079.
[14]	刘允芬, 欧阳华, 曹广民, 等. 青藏高原东部生态系统土壤碳排放[J]. 自然资源学报, 2001, 16(2): 152-159. Liu Y F, Ouyang H, Cao G M, et al. Soil carbon emission from ecosystems of eastern Qinghai Tibet Plateau[J]. Journal of Natural Resources, 2001, 16(2): 152-159.
[15]	樊江文, 钟华平, 梁飚, 等. 草地生态系统碳储量及其影响因素[J]. 中国草地, 2003, 25(6): 51-58. Fan J W, Zhong H P, Liang B, et al. Carbon stock in grassland ecosystem and its affecting factors[J]. Grassland of China, 2003, 25(6): 51-58.
[16]	刘英, 刘宇, 岳辉, 等. 荒漠化矿区土壤碳排放高光谱遥感反演[J]. 光谱学与光谱分析, 2024, 44(10): 2840-2849. Liu Y, Liu Y, Yue H, et al. Remote sensing inversion of soil carbon emissions in desertification mining areas[J]. Spectroscopy and Spectral Analysis, 2024, 44(10): 2840-2849.
[17]	张明辉, 李鹏, 许垚涛. 格网尺度下陕西省土地利用碳排放时空特征及其影响因素[J]. 中国水土保持, 2026(1): 50-55. Zhang M H, Li P, Xu Y T. Spatio-temporal characteristics and influencing factors of land use carbon emissions in Shaanxi Province at grid scale[J]. Soil and Water Conservation in China, 2026(1): 50-55.
[18]	史霄斌, 康建军, 栾志理. 黄河中下游城市群碳排放水平与经济高质量发展耦合研究[J]. 人民黄河, 2024, 46(11): 22-28. Shi X B, Kang J J, Luan Z L. Study on the coupling of carbon emission levels and high quality economic development in urban agglomerations in the middle and lower reaches of the Yellow River[J]. Yellow River, 2024, 46(11): 22-28.
[19]	董秀萍, 杨治杰. 基于夜间灯光数据的关中平原城市群碳排放时空演变多尺度分析[J]. 西部学刊, 2024(17): 28-32. Dong X P, Yang Z J. Multi scale analysis of temporal and spatial evolution of carbon emissions in Guanzhong Plain urban agglomeration based on night light data[J]. Journal of Western, 2024(17): 28-32.
[20]	Fernández-Martínez M, Sardans J, Chevallier F, et al. Global trends in carbon sinks and their relationships with CO₂ and temperature[J]. Nature Climate Change, 2019, 9(1): 73-79. DOI:10.1038/s41558-018-0367-7
[21]	王婧, 刘毅, 杨东旭. 探寻我国碳汇分布: 从大气CO₂探测入手[J]. 科学通报, 2021, 66(7): 709-710. Wang J, Liu Y, Yang D X. To explore the distribution of carbon sink in China: from atmospheric CO₂ measurements[J]. Chinese Science Bulletin, 2021, 66(7): 709-710.
[22]	Cheng J, Huang C B, Gan X T, et al. Can forest carbon sequestration offset industrial CO₂ emissions? A case study of Hubei Province, China[J]. Journal of Cleaner Production, 2023, 426. DOI:10.1016/j.jclepro.2023.139147
[23]	方精云, 黄耀, 朱江玲, 等. 森林生态系统碳收支及其影响机制[J]. 中国基础科学, 2015, 17(3): 20-25. Fang J Y, Huang Y, Zhu J L, et al. Carbon budget of forest ecosystems and its driving forces[J]. China Basic Science, 2015, 17(3): 20-25.
[24]	赵金奇, 李宇轩, 刘子蓉, 等. 基于相似性衡量函数优化的SAR时空极化信息一体化洪涝变化检测方法[J]. 测绘学报, 2024, 53(12): 2375-2390. Zhao J Q, Li Y X, Liu Z R, et al. Flood change detection method using optimized similarity measurement function with temporal-spatial-polarized SAR information[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(12): 2375-2390.
[25]	王子璇, 曹婧淼, 舒菲娅, 等. 融合Sentinel-1/2深层特征与支持向量机的湿地制图方法[J]. 测绘科学, 2025, 50(1): 114-124. Wang Z X, Cao J M, Shu F Y, et al. Wetland mapping method integrating deep features and SVM using Sentinel-1/2[J]. Science of Surveying and Mapping, 2025, 50(1): 114-124.
[26]	刘坤, 张慧, 孔令辉, 等. 陆地生态系统碳汇评估方法研究进展[J]. 生态学报, 2023, 43(10): 4294-4307. Liu K, Zhang H, Kong L H, et al. An overview of terrestrial ecosystem carbon sink assessment methods towards achieving carbon neutrality in China[J]. Acta Ecologica Sinica, 2023, 43(10): 4294-4307.
[27]	Zhao J Q, Zhang M, Zhou Z H, et al. CFFormer: a cross-fusion transformer framework for the semantic segmentation of multisource remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2025, 63. DOI:10.1109/TGRS.2024.3507274
[28]	He Q S, Tan S K, Xie P, et al. Re-assessing vegetation carbon storage and emissions from land use change in China using surface area[J]. Chinese Geographical Science, 2019, 29(4): 601-613. DOI:10.1007/s11769-019-1058-7
[29]	唐先腾, 唐章英, 宋超, 等. 1997—2021年川渝地区区县尺度碳排放时空格局特征分析[J]. 西华师范大学学报(自然科学版), 2025, 46(4): 358-366. Tang X T, Tang Z Y, Song C, et al. Characterization of spatial and temporal patterns of county-scale carbon emissions in the Sichuan-Chongqing region[J]. Journal of China West Normal University (Natural Sciences), 2025, 46(4): 358-366.
[30]	Safi M N, Zobitz J M. Quantifying distribution in carbon uptake and environmental measurements with the Gini coefficient[J]. Letters in Biomathematics, 2016, 3(1): 1-12. DOI:10.30707/LiB3.1Safi
[31]	Tapio P. Towards a theory of decoupling: degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137-151. DOI:10.1016/j.tranpol.2005.01.001
[32]	曹俊文, 张钰玲. 中国省域碳排放特征与碳减排路径研究[J]. 生态经济, 2022, 38(8): 13-19. Cao J W, Zhang Y L. Research on carbon emission characteristics and reduction pathways of provinces in China[J]. Ecological Economy, 2022, 38(8): 13-19.
[33]	张巨峰. 基于GM(1,1)模型的甘肃省碳排放灰色预测研究[J]. 煤, 2024, 33(10): 1-5. Zhang J F. Grey prediction of carbon emission in Gansu province based on GM(1,1) model[J]. Coal, 2024, 33(10): 1-5.
[34]	杨霖, 王敏, 李丽平, 等. 基于STIRPAT模型的长三角区域四省市碳排放预测[J]. 环境工程技术学报, 2025, 15(1): 81-89. Yang L, Wang M, Li L P, et al. Prediction of carbon emissions of four provinces in the Yangtze River delta region based on STIRPAT model[J]. Journal of Environmental Engineering Technology, 2025, 15(1): 81-89.
[35]	Lin X Y, Zhu X P, Feng M F, et al. Economy and carbon emissions optimization of different countries or areas in the world using an improved Attention mechanism based long short term memory neural network[J]. Science of the Total Environment, 2021, 792. DOI:10.1016/j.scitotenv.2021.148444
[36]	Kour M. Modelling and forecasting of carbon-dioxide emissions in South Africa by using ARIMA model[J]. International Journal of Environmental Science and Technology, 2023, 20(10): 11267-11274. DOI:10.1007/s13762-022-04609-7
[37]	Wei X Y, Xu Y. Research on carbon emission prediction and economic policy based on TCN-LSTM combined with attention mechanism[J]. Frontiers in Ecology and Evolution, 2023, 11. DOI:10.3389/fevo.2023.1270248
[38]	Fang D B, Zhang X L, Yu Q, et al. A novel method for carbon dioxide emission forecasting based on improved Gaussian processes regression[J]. Journal of Cleaner Production, 2018, 173. DOI:10.1016/j.jclepro.2017.05.102
[39]	袁壮壮, 叶长盛, 李辉丹. 基于土地利用变化的南昌市碳排放效应分析[J]. 湖南师范大学自然科学学报, 2021, 44(5): 30-39. Yuan Z Z, Ye C S, Li H D. Impacts of land use changes in Nanchang on carbon emission[J]. Journal of Natural Science of Hunan Normal University, 2021, 44(5): 30-39.
[40]	孟成民, 刘清, 王建武. 广东省农田生态系统碳源汇时空差异[J]. 广东农业科学, 2014, 41(8): 198-201. Meng C M, Liu Q, Wang J W. Temporospatial variation analysis on carbon source/sink of farmland ecosystem in Guangdong[J]. Guangdong Agricultural Sciences, 2014, 41(8): 198-201.
[41]	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.
[42]	Eggleston H S, Buendia L, Miwa K, et al. 2006 IPCC guidelines for national greenhouse gas inventories[R]. Hayama: Institute for Global Environmental Strategies (IGES), 2006.
[43]	Rong T Q, Zhang P Y, Li G H, et al. Spatial correlation evolution and prediction scenario of land use carbon emissions in the Yellow River Basin[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110701
[44]	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. DOI:10.1007/s11430-007-0049-1
[45]	陈慧灵, 蒋莉莎, 王振波. 黄河流域土地利用碳排放与生态系统服务价值时空耦合及影响因素[J]. 环境科学, 2025, 46(6): 3536-3545. Chen H L, Jiang L S, Wang Z B. Spatial temporal coupling and influencing factors of land-use carbon emissions and ecosystem service value in the Yellow River Basin[J]. Environmental Science, 2025, 46(6): 3536-3545. DOI:10.13227/j.hjkx.202404136
[46]	王珊, 张泽矩, 王梦涵, 等. 中国省域旅游业碳排放效率综合测度及成因分析[J]. 财经理论研究, 2025(1): 71-83. Wang S, Zhang Z J, Wang M H, et al. Comprehensive measurement and causal analysis of carbon emission efficiency in China's provincial tourism industry[J]. Journal of Finance and Economics Theory, 2025(1): 71-83.
[47]	陈柔, 何艳秋, 朱思宇, 等. 我国农业碳排放双重性及其与经济发展的协调性研究[J]. 软科学, 2020, 34(1): 132-138. Chen R, He Y Q, Zhu S Y, et al. Duality of agricultural carbon emissions and coordination with economic development in China[J]. Soft Science, 2020, 34(1): 132-138.
[48]	宋金昭, 苑向阳, 王晓平. 中国建筑业碳排放强度影响因素分析[J]. 环境工程, 2018, 36(1): 178-182. Song J Z, Yuan X Y, Wang X P. Analysis on influencing factors of carbon emission intensity of construction industry in China[J]. Environmental Engineering, 2018, 36(1): 178-182.
[49]	郝瑞军. 基于能源碳排放/植被碳吸收视角的碳收支研究[D]. 兰州: 西北师范大学, 2023. Hao R J. Research on the carbon budget based on the perspective of energy carbon emissions and vegetation carbon absorption[D]. Lanzhou: Northwest Normal University, 2023.
[50]	卢俊宇, 黄贤金, 戴靓, 等. 基于时空尺度的中国省级区域能源消费碳排放公平性分析[J]. 自然资源学报, 2012, 27(12): 2006-2017. Lu J Y, Huang X J, Dai L, et al. Spatio-temporal scale analysis on the equality of energy consumption carbon emission distribution in China[J]. Journal of Natural Resources, 2012, 27(12): 2006-2017.
[51]	宋嫣琦. 中国碳排放、能源消费与经济增长动态均衡关系与脱钩效应研究——基于总量与分类视角[D]. 大连: 东北财经大学, 2020. Song Y Q. Research on the dynamic equilibrium relationship and decoupling effect among China's carbon emissions, energy consumption and economic growth——based on the perspective of total and classification[D]. Dalian: Dongbei University of Finance and Economics, 2020.
[52]	何晓博. 中国碳排放峰值预测研究[D]. 保定: 华北电力大学, 2019. He X B. Study on the prediction of carbon emission peak in China[D]. Baoding: North China Electric Power University, 2019.


环境科学 2026, Vol. 47 Issue (9): 5907-5924	PDF