2024, Vol. 45
2. 新疆水利工程安全与水灾害防治重点实验室, 乌鲁木齐 830052
2. Xinjiang Key Laboratory of Hydraulic Engineering Security and Water Disasters Prevention, Urumqi 830052, China
全球变暖是人类在21世纪面临的国际挑战[1]. 温室气体排放, 尤其CO2排放是全球变暖的主要驱动因素[2, 3], 土地利用变化是碳排放的关键来源[4, 5]. 加强土地利用调控, 优化土地利用方式将会改变碳循环变化过程, 减弱地表碳排放量, 增强植被固碳能力, 减少大气中CO2浓度, 从而对全球气候变化产生积极影响[6]. 不同土地利用类型产生的碳排放各不相同, 土地利用结构变化也可能会导致不同类型的碳源、碳汇功能变化[7]. 因此, 从土地利用变化的角度开展碳排放效应及其影响因素研究, 对于推动经济社会低碳转型与可持续发展、维持生态系统与社会经济平衡、助力碳达峰与碳中和目标[8, 9]的实现, 具有重要意义和现实价值.
近年来, 国内外学者运用不同方法对土地利用碳排放时空轨迹及其影响因素展开探究, Houghton等[10]利用“薄记”模型估算中国过去300年陆地生态系统碳排放量（以C计）在17.1 ~ 33.4 Pg之间；赵先超等[11]利用碳排放系数法估算了湖北省土地利用碳排放, 结果表明建设用地和耕地为主要碳源, 空间上呈从东到西、从北到南波动减少的态势；王天福等[12]利用InVEST模型定量评估陕西省植被碳储量时空演变特征及分布格局, 结果表明陕西省生态系统碳储量呈增加趋势, 空间上呈“总体上南高北低、局部地区明显过高或过低”；张梅等[13]将全国分为六大区域, 利用RS和GIS技术测算各土地利用类型碳排放的时空变化, 结果表明林地向其他土地利用类型转变表现出强烈的碳排放作用, 而其他土地利用类型向林地转变一般表现出最高的碳汇. Gingrich等[14]利用Kaya恒等式分析奥地利和捷克斯洛伐克碳排放的影响因素, 主要是人口、能源强度和能源构成；张勇等[15]利用STIRPAT模型分析安徽省池州市土地利用碳排放的影响因素, 主要是人口总量和人均GDP；Wang等[16]利用LMDI分解法分析山东省能源碳排放的主要影响因素是人口和经济增长. 综上所述, 关于土地利用碳排放时空轨迹的研究多集中在国家及省域尺度上, 其影响因素研究主要集中在经济、人口和产业等社会经济方面, 且影响因素分析多采用影响因素分解分析的方法, 如STIRPAT模型[17]、Kaya恒等式[18]和LMDI分解法[19]等, 对于本文研究具有较强的指导意义, 但由于以上研究并未涵盖全部土地利用类型的碳排放特征, 且国内学者对土地利用碳排放研究主要集中在我国中南部及东北三省, 对干旱区内陆河流域土地利用碳排放时空轨迹及影响因素研究较为鲜见[20]. 同时, 影响因素分析方面并未考虑研究单元之间的相互影响和空间上的变化差异, 具有一定的局限性[4].
基于此, 本文以干旱区内陆河流域阿克苏河流域为研究对象, 基于1990 ~ 2020年的4期土地利用数据与同期社会经济数据, 采用碳排放系数法测算土地利用碳排放总量, 结合土地利用动态度和转移矩阵探究土地利用碳排放轨迹时空演变规律, 采用空间自相关分析法分析流域土地利用碳排放空间关联特征, 利用随机森林模型和时空地理加权回归（GTWR）模型对流域土地利用碳排放影响因素进行探究, 以期为干旱区内陆河流域土地低碳利用、植被碳汇能力提质增效和科学制定碳减排政策提供针对性建议.
1 材料与方法 1.1 研究区概况阿克苏河流域位于天山南麓中段西部, 塔里木盆地西北边缘, 地形以山区和平原为主, 地势从北向南, 从西向东逐渐降低, 平均海拔在1 030 ~ 1 060 m[21], 流域面积约为4.8 × 104 km2（见图 1）. 流域多年平均气温在10℃左右, 多年平均降水量为137.7 mm, 属暖温带大陆性干旱气候, 具有大陆性气候的显著特征. 阿克苏河是典型的中纬度高山跨境河流, 发源于吉尔吉斯斯坦境内, 地处东经75°35′ ~ 82°00′, 北纬40°00′ ~ 42°27′, 由托什干河和库玛拉克河两大支流在阿克苏西大桥以上12 km处汇合而成, 于肖夹克汇入塔里木河, 阿克苏河干流多年平均径流为63.11 × 108 m3, 流域多年平均来水量为83.08 × 108 m3, 多年平均下泄塔里木河水量占塔里木河干流补给量的70% ~ 80%, 是塔里木河的最大源流.
|
图 1 阿克苏河流域地理位置示意 Fig. 1 Location of Aksu River Basin |
土地利用数据（1990、2000、2010和2020年）来源于中国科学院资源环境科学与数据中心（网址：https://www.resdc.cn/）, 空间分辨率30 m, 其地类按照《土地利用现状分类》（GB/T 21-010-2017）划分为耕地、林地、草地、水域、建设用地和未利用地. 能源消耗数据来源于国家统计部门公布的中国能源统计年鉴（1990 ~ 2020年）, 部分数据来源于中国县域统计年鉴（1990 ~ 2020年）和新疆统计年鉴（1990 ~ 2020年）.
1.2.2 模型变量土地利用变化是影响土地利用碳排放变化的主要因素[4], 本文参考前人研究成果[22, 23], 从自然和社会经济两个方面选取可能影响流域土地利用碳排放空间分异的影响因素（见表 1）.
|
表 1 模型变量选取 Table 1 Model variable selection |
1.3 研究方法 1.3.1 土地利用变化时空动态分析
本文采用土地利用转移矩阵和土地利用动态度模型对研究区4期土地利用及其时空变化进行分析, 土地利用转移矩阵[25]和土地利用动态度模型[26]原理见文献[27, 28].
1.3.2 土地利用碳排放量测算碳排放系数法[6]计算土地利用碳排放量. 其中, 耕地、林地、草地、水域和未利用地的碳排放量采用直接碳排放系数法, 建设用地的碳排放量采用间接碳排放系数法.
直接碳排放系数法：
|
(1) |
式中, E为直接碳排放总量；ei为第i类土地利用类型的碳排放量；Si为第i类土地利用类型的面积；Qi为第i类土地利用类型的碳排放系数. 碳排放系数参考已有研究成果[29 ~ 33], 耕地、林地、草地、水域和未利用地的碳排放（吸收）系数分别为0.442、-0.644、-0.021、-0.253和-0.005 t·hm-2.
间接碳排放系数法：
|
(2) |
式中, EC为建设用地碳排放总量；Ei为第i类能源消耗量；fi为第i类能源的碳排放系数；根据IPCC碳排放计算指南及已有相关研究成果[31, 34], 煤炭、石油和天然气的碳排放系数（以标准煤计）分别为0.748 8、0.583和0.444 t·t-1.
1.3.3 空间自相关分析空间自相关可揭示研究对象之间的空间相互作用关系, 包括全局空间自相关和局部空间自相关[35, 36]. 其中, 采用全局Moran's I指数判断研究对象在区域内是否有聚集现象存在[6], 计算公式为：
|
(3) |
式中, I为全局Moran's I值；n为研究对象的个数；xi和xj为目标属性特征在研究对象i和j上的观测值；Wij为研究对象i和j的相邻权重, 邻接是为1, 反之为0；x为变量的平均值.
采用局部Moran's I指数表征统计显著性的热点、冷点和空间异常值[37]. 计算公式为：
|
(4) |
|
(5) |
式中, Ii为单元i的Moran's I指数；Zi为空间单元i属性观测值的标准化值；xi为某一变量在空间单位i上的观测值；x为变量的平均值；Wij为i和j之间的空间权重；n为变量观测值的数量；m为与空间单位i相邻接的空间单元总个数. Moran's I指数在[-1, 1], Moran's I > 0, 表示空间正相关, 反之为空间负相关.
1.3.4 随机森林模型随机森林模型[38]能处理高维度数据、在样本选择上具有随机性且能够评估变量的重要性程度, 在算法上具有明显且独特的优势[39]. 采用随机森林模型对影响流域土地利用碳排放的主要因素进行重要性排序, 筛选其主导影响因素, 评价指标包括决定系数（R2）和均方根误差（RMSE）, 重要性排序采用IncMSE法, 计算公式为：
|
(6) |
|
(7) |
|
(8) |
式中, Oi和Pi分别为第i个实测值和拟合值；O和P分别为实测值和拟合值的平均值；I为影响因素增加的均方根误差；Error1i为选择决策树时不参与决策树训练的数据, Error2i为加入随机干扰后, 选择决策树时不参与决策树训练的数据, R2越接近1, RMSE越接近0, 模型的解释精度越高. 基于Matlab软件将80%的数据作为训练样本, 20%的数据作为测试样本, 经过反复测试, 最优叶子数为5, 决策树为100.
1.3.5 GTWR模型GTWR模型[40]自变量的回归参数随时空位置的变化而变化, 该模型能较好地表示自变量和因变量的时空关系, 使模型的估计结果更有效[41]. 计算公式如下：
|
(9) |
式中, yi为因变量；β0为截距；μi、vi和ti为第i个点的经纬度和时间；βk（μi, vi, ti）为第k个变量在第i个点的拟合系数；Xik为第k个自变量在第i个点的数值；εi为随机误差.
运用GTWR模块中AICc法则, 自适应带宽, 计算各影响因素的回归系数. 为了统一多源数据格式和分辨率, 提高计算效率, 选择1 km × 1 km的格网作为研究土地利用碳排放空间变化和随机森林模型筛选主导因素的单元尺度. 由于GTWR模型运算量巨大, 受目前计算方法和计算机性能的限制, 选择10 km × 10 km的格网作为研究回归分析的单元尺度.
2 结果与分析 2.1 1990 ~ 2020年流域土地利用变化时空动态分析1990 ~ 2020年阿克苏河流域土地利用动态变化分析结果见表 2和图 2. 可以看出, 1990 ~ 2000年, 研究区耕地、林地、水域和未利用地整体呈增加趋势, 草地和建设用地整体呈减少态势, 其中林地的增幅最大, 10年间变化率为31.84%, 动态度为3.18%, 以0.31 × 104 hm2·a-1的速度增加, 草地减幅最大, 10年间变化率为-7.26%, 动态度为-0.73%, 以1.56 × 104 hm2·a-1的速度减少. 2000 ~ 2010年, 耕地、建设用地和未利用地呈增加趋势, 林地、草地和水域呈减少态势, 其中建设用地的增幅最大, 10年间变化率为56.64%, 动态度为5.66%, 以0.13 × 104 hm2·a-1的速度增加, 水域减幅最大, 10年间变化率为-53.76%, 动态度为-5.38%, 以1.12 × 104 hm2·a-1的速度减少. 2010 ~ 2020年, 耕地、水域、建设用地和未利用地均呈增长趋势, 林地和草地呈减少态势, 其中建设用地的增幅最大, 10年间变化率为21.13%, 动态度为2.11%, 以0.08 × 104 hm2·a-1的速度增加；草地的减幅最大, 10年间变化率为-5.64%, 动态度为-0.56%, 以1.11 × 104 hm2·a-1的速度减少. 1990 ~ 2020年, 耕地、林地、建设用地和未利用地均呈增加趋势, 草地和水域呈减少态势, 其中建设用地的增幅最为明显, 30年间变化率为85.18%, 动态度为2.84%, 以0.07 × 104 hm2·a-1的速度增加；水域的减少速度最快, 30年间变化率为-40.65%, 动态度为-1.35%, 以0.26 × 104 hm2·a-1的速度减少.
|
|
表 2 1990 ~ 2020年阿克苏河流域各土地利用类型动态度变化/% Table 2 Changes in dynamic attitudes of land use types in the Aksu River Basin from 1990 to 2020/% |
|
图 2 1990 ~ 2020年阿克苏河流域土地利用面积变化 Fig. 2 Land use area changes in the Aksu River Basin from 1990 to 2020 |
1990 ~ 2000年阿克苏河流域土地利用类型变化见图 3. 可以看出, 1990 ~ 2000年流域土地利用类型空间变化特征[见图 3（a）]表现为, 草地转换为耕地和未利用地, 其中61.38%的耕地转换区域集中在阿克苏市和温宿县南部, 60.79%的未利用地转换区域集中在柯坪县东部、阿克苏市西部及中部；2000 ~ 2010年流域土地利用类型空间变化特征表现为草地转换为未利用地、未利用地转换为草地[见图 3（b）], 其中79.06%的未利用地转换区域集中在柯坪县边缘、温宿县中部及南部、阿瓦提县中西部和阿克苏市西南部, 82.81%草地的转换区域集中在阿合奇县北部、乌什县南部和温宿县西部；2010 ~ 2020年流域土地利用类型空间变化特征表现为草地转换为耕地和未利用地[见图 3（c）], 其中77.03%的耕地转换区域集中在温宿县南部和阿克苏市中部, 87.93%的未利用地转换区域集中在温宿县北部；整体看, 1990 ~ 2020年流域土地利用类型空间变化特征表现为草地转换为耕地和未利用地以及未利用地转换为草地[见图 3（d）], 其中83.58%的耕地转换区域集中在温宿县西南部、阿克苏市和阿瓦提县北部, 81.15%的未利用地的转换区域集中在柯坪县、阿瓦提县西北部、温宿县和阿克苏市；86.21%的草地转换区域集中在阿合奇县、温宿县和乌什县.
|
图 3 1990 ~ 2020年阿克苏河流域土地利用类型空间变化 Fig. 3 Spatial change in land use types in the Aksu River Basin from 1990 to 2020 |
1990 ~ 2020年阿克苏河流域土地利用碳排放变化见表 3. 从碳源方面来看, 流域总碳源量在1990 ~ 2020年整体呈持续增加趋势, 累计增加了13.44 × 104 t. 其中, 耕地碳排放量呈持续快速增加趋势, 其贡献占总碳源增加量的90.46%；建设用地碳排放量呈先略微下降后上升的总体增加趋势, 其贡献仅占总碳源增加量的9.54%. 耕地面积增加是引起流域总碳源量增加的主要因素.
|
|
表 3 1990 ~ 2020年阿克苏河流域土地利用类型碳排放情况× 104/t Table 3 Carbon emissions from land use types in the Aksu River Basin from 1990 to 2020 × 104/t |
从碳汇方面来看, 流域总碳汇量在1990 ~ 2000年呈增加趋势, 而在2000 ~ 2020年呈下降趋势. 其中, 林地对碳汇贡献率最大, 占碳汇总量的37.65%以上, 草地、水域和未利用地碳汇量则分别占碳汇总量的25.40%、16.08%和5.98%, 林地和草地是流域的主要碳汇. 整体看, 1990 ~ 2020年流域净碳排放量呈现持续上升趋势, 由2.62 × 104 t上升至17.4 × 104 t, 累计增加了14.78 × 104 t, 且从2000年开始, 增长率呈快速增加态势, 2000 ~ 2010年累计增加10.58 × 104 t, 年均增长率为33.17%, 2010 ~ 2020年累计增加3.63 × 104 t, 年均增长率为2.64%, 2000 ~ 2010年为较快增长阶段, 与耕地变化趋势一致. 碳源是引起流域净碳排放量变化的主要原因, 由于耕地碳排放量是总碳源量的主要来源, 因此, 1990 ~ 2020年耕地面积快速增加导致的耕地碳排放量增长是导致阿克苏河流域净碳排放量增长的关键因素.
1990 ~ 2020年阿克苏河流域土地利用碳排放空间分布及变化轨迹见图 4. 可以看出, 1990 ~ 2020年多年平均情形下, 流域土地利用碳排放量空间上呈中间高四周低的分布格局, 高值区集中在托什干河、库玛拉克河和阿克苏河各干渠附近, 主要原因为水域周围分布大量耕地, 而耕地是其主要的净碳排放量来源, 低值区集中在阿克苏河流域边缘自然生态系统及人工-自然生态系统过渡带地区, 主要原因是其边缘分布大量的林草地, 而林草地是流域主要的碳汇来源. 从1990 ~ 2020年, 以流域水系为中心, 高值区呈现出逐渐扩大趋势, 从不同年代土地利用碳排放强度空间变化量分布看, 流域净碳排放量显著变化区域主要分布在温宿县南部、阿克苏市、阿瓦提县和阿拉尔市, 与流域耕地显著增加区域基本保持一致.
|
图 4 1990 ~ 2020年阿克苏河流域土地利用碳排放量及变化量空间分布 Fig. 4 Spatial distribution of carbon emissions and changes in land use in the Aksu River Basin from 1990 to 2020 |
1990 ~ 2020年阿克苏河流域土地利用碳排放全局空间自相关分析结果（见表 4）. 可以看出, 不同年份Moran's I值均大于0, 通过99%的显著性水平检验, 表明流域土地利用碳排放具有空间正相关性, 且Moran's I值呈上升趋势, 表明与其土地利用碳排放相似的区域在空间上聚集程度不断上升, 且处于高聚集状态.
|
|
表 4 1990 ~ 2000年阿克苏河流域土地利用碳排放全局空间自相关结果 Table 4 Global spatial autocorrelation results of carbon emissions from land use in the Aksu River Basin from 1990 to 2000 |
2.3.2 局部空间自相关特征
1990 ~ 2020年阿克苏河流域土地利用碳排放局部空间自相关特征结果见图 5. 可以看出, 1990 ~ 2020年土地利用碳排放高-高聚集区位于乌什县中部、温宿县西南部、阿克苏市和阿瓦提县北部, 这一区域靠近水域, 耕地分布较多, 碳排放量较大, 形成高值聚集区；低-高聚集区位于温宿县南部、阿克苏市和阿瓦提县北部, 碳排放量较小, 但其处于耕地中间, 被高值区包围, 形成低值孤立区域；低-低聚集区位于阿克苏市边缘地带, 该区域土地利用类型主要以林地和水域为主, 是主要的碳源, 碳排放量较小, 形成低值聚集区.
|
图 5 1990 ~ 2020年土地利用碳排放局部空间自相关指数空间分布 Fig. 5 Spatial distribution of local spatial autocorrelation index of land use carbon emissions from 1990 to 2020 |
土地利用碳排放量受多种因素影响, 且往往会引发重共线问题, 从而降低各因素对土地利用碳排放的解释作用. 随机森林模型则不需要考虑这一点, 而且可以评估各影响因素的重要性, 根据重要性排名, 筛选影响土地利用碳排放的主导因素[39]. 将所有变量统计至1 km格网, 进行z-score标准化, 计算模型的r2和RMSE, 得到拟合值和核算值比较的散点图（见图 6）. 结果表明, 随机森林模型应用于该流域拟合效果良好, 所有模型r2均大于0.95, 同时模型精确性较高, RMSE均小于0.22.
|
图 6 随机森林模型流域拟合结果 Fig. 6 Random forest model fitting results |
利用IncMSE方法确定各影响因素的重要性排名（图 7）, MSE越大, 说明越重要[42]. 结果显示, 社会经济因素对土地利用碳排放的影响更为重要, 社会经济和自然因素中的主导因素分别是HAI和TMP. 选取前4位（HAI、TMP、POPD和PRE）作为流域土地利用碳排放的主导因素, 利用GTWR模型探究各主导因素的时空异质性.
|
图 7 影响因素重要性排名 Fig. 7 Ranking the importance of influencing factors |
运用ArcGIS 10.5的GTWR分析模块, 计算影响因素的回归系数及模型参数（见表 5）. GTWR模型的AICc数值比OLS模型的数值更低, 且r2的值更高, 所以GTWR模型的效果更为理想, 能够较好地衡量各主导因素对土地利用碳排放的影响.
|
|
表 5 OLS与GTWR模型参数比较 Table 5 Comparison of OLS and GTWR model parameters |
1990 ~ 2020年阿克苏河流域土地利用碳排放量主导因素回归系数空间分布见图 8. 可以看出, 不同区域主导因素作用强度和波动方向各不相同, 从HAI回归系数的整体分布来看, 人类活动对土地利用碳排放呈显著的正向作用, 影响方向和影响强度自东部向西部逐渐增大, 且正向高值区向西部逐渐扩大, 说明人类活动对流域土地利用碳排放量的影响作用呈逐年上升趋势；TMP回归系数正值区在1990 ~ 2000年由从中部向西部扩散, 在2000 ~ 2020年逐渐转变为由中部向东部扩散, 正向高值区逐渐移动至阿克苏市东部和阿瓦提县北部, 表明TMP对该区域土地利用碳排放量促进作用较强, 负向高值区则逐渐聚集于乌什县北部和阿合奇县西部, 该区域在研究时段内土地利用碳排放量均值下降了67.93%, TMP下降了103.2%, 高于土地利用碳排放的下降幅度, 因此表现出较强的负向影响；PRE回归系数正值区从北向南增大, 正向高值区由东北向西南移动, 表明PRE对流域西南部土地利用碳排放的促进作用较强, 负向高值区逐渐聚集于温宿县北部和阿合奇县西部区域, 该地区在研究时段内PRE均值上升了17.16%, 碳排放量下降了2.05倍, 表现出极强的负向影响；POPD对土地利用碳排放量的影响呈正向促进作用, 正向高值区逐渐聚集于阿图什市吐古买提乡.
|
图 8 阿克苏河流域土地利用碳排放量主导因素回归系数空间分布 Fig. 8 Spatial distribution of regression coefficients of dominant factors of carbon emissions from land use in the Aksu River Basin |
HAI是影响阿克苏河流域土地利用碳排放时空分异的最主要因素, 与土地利用碳排放相反, HAI呈现“中间低四周高”的空间格局, 同时GTWR结果也表明二者是存在显著的空间正相关. 与地形、气候等短期不会变化的自然因素相比, 人类活动可在短期内引起土地利用类型发生剧烈变化[43], 从而对土地利用碳排放量的影响更为显著.
TMP和PRE也是影响土地利用碳排放量时空分布的主要因素. 研究时段内流域TMP和PRE的涨幅分别为115.75%和30.81%, 二者重要性的变化趋势相反, 回归系数总体分布特征在1990 ~ 2000年相异, 在2000 ~ 2010年相同. TMP和PRE的正向影响区逐渐集中在流域东南部, 说明PRE对该地区农作物生长起正向作用, 对土地利用碳排放量起正向作用.
POPD在数值上呈上升趋势, 其上升速率放缓, 重要性整体下降, 表明POPD对土地利用碳排放的影响趋于稳定. 具体而言, POPD的增长对土地利用碳排放呈正向影响, 因为人口增长会增加耕地面积和能源消耗, 从而引起土地利用碳排放量增加. 但在2000年POPD对阿克苏河流域中部的土地利用碳排放起抑制作用, 主要原因可能是POPD增加, 将该区域的草地转化为林地, 使得该地区的碳汇量增加, 从而引起该地区土地利用碳排放量降低.
3.2 不足与展望本研究可为阿克苏河流域土地利用资源可持续利用、区域生态文明建设和国家低碳减排政策实施提供科学依据和理论支撑. 但仍有以下不足：①由于地形因素重要性排名靠后, 未考虑地形对土地利用碳排放的影响, 然而坡度坡长因子会对土壤保持功能产生影响[44]；②受数据的可得性影响, 1990年的POPD数据和年度净初级生产力未能收集, 因此在利用随机森林模型筛选土地利用碳排放量的主导因素时舍弃1990年的POPD和年度净初级生产力；③由于GTWR模型运算量巨大, 受目前计算方法和计算机性能的限制, 在运行GTWR模型时选择10 km的格网作为分析影响因素的研究单元, 然而较大的格网尺度可能会降低各变量的空间聚集程度, 不同地理尺度的内在差异也可能对影响因素的分析结果造成影响[45]. 因此, 在今后的研究中, 应聚焦于利用地形因子改进土地利用碳排放估算模型, 并通过改进回归模型实现多尺度回归分析.
4 结论（1）耕地、林地、建设用地和未利用地呈增加趋势, 草地和水域面积呈减少趋势. 净碳总排放量呈持续上升趋势, 耕地面积快速增加导致的耕地碳排放量增长是导致流域净碳排放量增长的关键因素, 空间上呈中间高四周低的分布格局, 流域净碳排放量显著变化区域与流域耕地显著增加区域基本保持一致.
（2）阿克苏河流域土地利用碳排放正相关性整体较强. 全局Moran's I值总体呈上升趋势, 空间上处于聚集状态, 并且呈现高值聚集状态. 高值集聚区域主要位于乌什县中部、温宿县西南部、阿克苏市和阿瓦提县北部, 低值集聚区域主要位于温宿县北部和柯坪县南部.
（3）社会经济因素对土地利用碳排放的重要程度更高, 自然因素次之. 重要性排名前4位的分别是HAI、TMP、POPD和PRE. 其中, 人类活动对土地利用碳排放的驱动作用最强, 呈现正相关, 且其影响由东部向西部逐渐增大；TMP的正向影响区域主要集中在阿克苏市东部和阿瓦提县北部；PRE的正向影响区域在阿克苏河流域西南部；POPD对土地利用碳排放呈正向促进作用, 在阿图什市吐古买提乡最为明显.
| [1] | Wang F, Shackman J, Liu X. Carbon emission flow in the power industry and provincial CO2 emissions: evidence from cross-provincial secondary energy trading in China[J]. Journal of Cleaner Production, 2017, 159: 397-409. DOI:10.1016/j.jclepro.2017.05.007 |
| [2] | Bamminger C, Poll C, Marhan S. Offsetting global warming-induced elevated greenhouse gas emissions from an arable soil by biochar application[J]. Global Change Biology, 2018, 24(1): e318-e334. |
| [3] | Yu P J, Han K X, Li Q, et al. Soil organic carbon fractions are affected by different land uses in an agro-pastoral transitional zone in Northeastern China[J]. Ecological Indicators, 2017, 73: 331-337. DOI:10.1016/j.ecolind.2016.10.002 |
| [4] |
张杰, 陈海, 刘迪, 等. 基于县域尺度土地利用碳排放的时空分异及影响因素研究[J]. 西北大学学报(自然科学版), 2022, 52(1): 21-31. Zhang J, Chen H, Liu D, et al. The spatial and temporal variation and influencing factors of land use carbon emissions at county scale[J]. Journal of Northwest University (Natural Science Edition), 2022, 52(1): 21-31. |
| [5] |
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 CSAE, 2008, 24(S2): 102-107. |
| [6] |
袁霄, 倪九派, 谢德体. 重庆市县域空间土地利用碳排放的时空格局分析[J]. 应用基础与工程科学学报, 2021, 29(1): 25-38. Yuan X, Ni J P, Xie D T. Spatial-temporal pattern analysis of land use-related carbon emissions in Chongqing based on county space[J]. Journal of Basic Science and Engineering, 2021, 29(1): 25-38. |
| [7] |
周嘉, 杨琳, 董美娜, 等. 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, 2015, 35(3): 322-327. Zhou J, Yang L, Dong M N, et al. Carbon emissions intensity change analysis based on land use in Harbin City from 2004 to 2012[J]. Scientia Geographica Sinica, 2015, 35(3): 322-327. |
| [8] |
吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [9] |
张帆, 徐宁, 吴锋. 共享社会经济路径下中国2020-2100年碳排放预测研究[J]. 生态学报, 2021, 41(24): 9691-9704. Zhang F, Xu N, Wu F. Research on China's CO2 emissions projections from 2020 to 2100 under the shared socioeconomic pathways[J]. Acta Ecologica Sinica, 2021, 41(24): 9691-9704. |
| [10] | Houghton R A, Hackler J L. Sources and sinks of carbon from land-use change in China[J]. Global Biogeochemical Cycles, 2003, 17(2). DOI:10.1029/2002GB001970 |
| [11] |
赵先超, 朱翔, 周跃云. 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, 2013, 33(3): 941-949. Zhao X C, Zhu X, Zhou Y Y. Effects of land uses on carbon emissions and their spatial-temporal patterns in Hunan Province[J]. Acta Scientiae Circumstantiae, 2013, 33(3): 941-949. |
| [12] |
王天福, 龚直文, 邓元杰. 基于土地利用变化的陕西省植被碳汇提质增效优先区识别[J]. 自然资源学报, 2022, 37(5): 1214-1232. Wang T F, Gong Z W, Deng Y J. Identification of priority areas for improving quality and efficiency of vegetation carbon sinks in Shaanxi province based on land use change[J]. Journal of Natural Resources, 2022, 37(5): 1214-1232. |
| [13] |
张梅, 赖力, 黄贤金, 等. 中国区域土地利用类型转变的碳排放强度研究[J]. 资源科学, 2013, 35(4): 792-799. Zhang M, Lai L, Huang X J, et al. The carbon emission intensity of land use conversion in different regions of China[J]. Resources Science, 2013, 35(4): 792-799. |
| [14] | Gingrich S, Kušková P, Steinberger J K. Long-term changes in CO2 emissions in Austria and Czechoslovakia-Identifying the drivers of environmental pressures[J]. Energy Policy, 2011, 39(2): 535-543. DOI:10.1016/j.enpol.2010.10.006 |
| [15] |
张勇, 张乐勤, 汪应宏, 等. 安徽省池州市土地利用碳排放演变及其影响因素[J]. 中国农业大学学报, 2014, 19(2): 216-223. Zhang Y, Zhang L Q, Wang Y H, et al. Research on the carbon emission evolution of land use and its influential factors of Chizhou City in Anhui Province[J]. Journal of China Agricultural University, 2014, 19(2): 216-223. |
| [16] | Wang C J, Wang F, Zhang H O, et al. Carbon emissions decomposition and environmental mitigation policy recommendations for sustainable development in Shandong Province[J]. Sustainability, 2014, 6(11): 8164-8179. DOI:10.3390/su6118164 |
| [17] | York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 46(3): 351-365. DOI:10.1016/S0921-8009(03)00188-5 |
| [18] |
郭旋, 张良茂, 胡荣桂, 等. 华中地区种植业生产碳排放驱动因素分析[J]. 长江流域资源与环境, 2016, 25(5): 695-701. Guo X, Zhang L M, Hu R G, et al. Influencing factor decomposition of planting carbon emission in central China[J]. Resources and Environment in the Yangtze Basin, 2016, 25(5): 695-701. DOI:10.11870/cjlyzyyhj201605001 |
| [19] |
王亮. 盐城市土地利用变化碳排放效益及影响因素分解研究[J]. 生态科学, 2015, 34(5): 122-128. Wang L. Research for decomposition results of impact factors about carbon emission by land use patterns in Yancheng City[J]. Ecological Science, 2015, 34(5): 122-128. |
| [20] |
阿如旱, 牡丹, 苏德苏日古格, 等. 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, 2019, 33(4): 17-22. Aruhan, Mu D, Sudesuriguge, et al. Analysis on land use carbon emissions and influencing factors in Duolun county, Inner Mongolia[J]. Journal of Arid Land Resources and Environment, 2019, 33(4): 17-22. |
| [21] |
汤秋鸿, 田富强, 胡和平. 干旱区平原绿洲散耗型水文模型-Ⅱ模型应用[J]. 水科学进展, 2004, 15(2): 146-150. Tang Q H, Tian F Q, Hu H P. Runoff-evaporation hydrological model for arid plain oasis, 2, applications of the model[J]. Advances in Water Science, 2004, 15(2): 146-150. DOI:10.3321/j.issn:1001-6791.2004.02.003 |
| [22] |
付乐, 迟妍妍, 于洋, 等. 2000-2020年黄河流域土地利用变化特征及影响因素分析[J]. 生态环境学报, 2022, 31(10): 1927-1938. Fu L, Chi Y Y, Yu Y, et al. Characteristics and driving forces of land use change in the Yellow River Basin from 2000 to 2020[J]. Ecology and Environmental Sciences, 2022, 31(10): 1927-1938. |
| [23] |
赵晓, 周文佐, 田罗, 等. 土地利用变化对三峡库区重庆段植被净初级生产力的影响[J]. 生态学报, 2018, 38(21): 7658-7668. Zhao X, Zhou W Z, Tian L, et al. Effects of land-use changes on vegetation net primary productivity in the Three Gorges Reservoir Area of Chongqing[J]. Acta Ecologica Sinica, 2018, 38(21): 7658-7668. |
| [24] |
严恩萍, 林辉, 王广兴, 等. 1990-2011年三峡库区生态系统服务价值演变及驱动力[J]. 生态学报, 2014, 34(20): 5962-5973. Yan E P, Lin H, Wang G X, et al. Analysis of evolution and driving force of ecosystem service values in the Three Gorges Reservoir region during 1990-2011[J]. Acta Ecologica Sinica, 2014, 34(20): 5962-5973. |
| [25] | Wang J, Chen Y Q, Shao X M, et al. Land-use changes and policy dimension driving forces in China: present, trend and future[J]. Land Use Policy, 2012, 29(4): 737-749. DOI:10.1016/j.landusepol.2011.11.010 |
| [26] | Mooney H A, Duraiappah A, Larigauderie A. Evolution of natural and social science interactions in global change research programs[J]. Proceedings of the National Academy of Sciences of the United States of America, 2013, 110(S1): 3665-3672. |
| [27] | Wang P Q, Li R J, Liu D J, et al. Dynamic characteristics and responses of ecosystem services under land use/land cover change scenarios in the Huangshui River Basin, China[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109539 |
| [28] |
王欣珂, 林弘, 谢香群, 等. 闽江流域土地利用时空变化特征及驱动因子分析[J]. 生态科学, 2023, 42(4): 171-181. Wang X K, Lin H, Xie X Q, et al. Spatiotemporal change characteristics and driving factors of landuse in Minjiang River Basin[J]. Ecological Science, 2023, 42(4): 171-181. |
| [29] | 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. |
| [30] |
苏雅丽, 张艳芳. 陕西省土地利用变化的碳排放效益研究[J]. 水土保持学报, 2011, 25(1): 152-156. Su Y L, Zhang Y F. Study on effects of carbon emission by land use patterns of Shaanxi Province[J]. Journal of Soil and Water Conservation, 2011, 25(1): 152-156. |
| [31] |
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. |
| [32] |
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. |
| [33] |
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. |
| [34] |
石洪昕, 穆兴民, 张应龙, 等. 四川省广元市不同土地利用类型的碳排放效应研究[J]. 水土保持通报, 2012, 32(3): 101-106. Shi H X, Mu X M, Zhang Y L, et al. Effects of different land use patterns on carbon emission in Guangyuan City of Sichuan Province[J]. Bulletin of Soil and Water Conservation, 2012, 32(3): 101-106. |
| [35] | Cheng Y Q, Wang Z Y, Ye X Y, et al. Spatiotemporal dynamics of carbon intensity from energy consumption in China[J]. Journal of Geographical Sciences, 2014, 24(4): 631-650. DOI:10.1007/s11442-014-1110-6 |
| [36] | Rey S J. Spatial empirics for economic growth and convergence[J]. Geographical Analysis, 2010, 33(3): 195-214. |
| [37] |
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 |
| [38] | Ishwaran H, Kogalur U B, Blackstone E H, et al. Random survival forests[J]. Annals of Applied Statistics, 2008, 2(3): 841-860. |
| [39] |
王超, 阚瑷珂, 曾业隆, 等. 基于随机森林模型的西藏人口分布格局及影响因素[J]. 地理学报, 2019, 74(4): 664-680. Wang C, Kan A K, Zeng Y L, et al. Population distribution pattern and influencing factors in Tibet based on random forest model[J]. Acta Geographica Sinica, 2019, 74(4): 664-680. |
| [40] | Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science, 2010, 24(3): 383-401. DOI:10.1080/13658810802672469 |
| [41] |
吴小影, 杨山, 尹上岗, 等. 基于GTWR模型的长三角地区城市建设用地时空动态特征及其驱动机理[J]. 长江流域资源与环境, 2021, 30(11): 2594-2606. Wu X Y, Yang S, Yin S G, et al. Spatial-temporal dynamic characteristics and its driving mechanism of urban built-up Area in Yangtze River Delta based on GTWR model[J]. Resources and Environment in the Yangtze Basin, 2021, 30(11): 2594-2606. |
| [42] |
闫广华, 陈曦, 张云. 基于随机森林模型的东北地区收缩城市分布格局及影响因素研究[J]. 地理科学, 2021, 41(5): 880-889. Yan G H, Chen X, Zhang Y. Shrinking cities distribution pattern and influencing factors in Northeast China based on random forest model[J]. Scientia Geographica Sinica, 2021, 41(5): 880-889. |
| [43] |
姚志强, 陈实, 胡文海, 等. 皖江城市带双核地区ESV时空演变及人为驱动因素识别[J]. 长江流域资源与环境, 2022, 31(8): 1776-1786. Yao Z Q, Chen S, Hu W H, et al. Temporal and spatial evolution of ESV in dual core area of Wanjiang Urban Belt and identification of human driving factors[J]. Resources and Environment in the Yangtze Basin, 2022, 31(8): 1776-1786. |
| [44] |
郑晓豪, 陈颖彪, 郑子豪, 等. 湖北省生态系统服务价值动态变化及其影响因素演变[J]. 生态环境学报, 2023, 32(1): 195-206. Zheng X H, Chen Y B, Zheng Z H, et al. Dynamic changes of ecosystem service value and evolution of its influencing factors in Hubei Province[J]. Ecology and Environmental Sciences, 2023, 32(1): 195-206. |
| [45] | Shen J S, Li S C, Liu L B, et al. Uncovering the relationships between ecosystem services and social-ecological drivers at different spatial scales in the Beijing-Tianjin-Hebei region[J]. Journal of Cleaner Production, 2021, 290. DOI:10.1016/j.jclepro.2020.125193 |