格网尺度下滨州市土地利用碳排放核算及驱动因素分析.pdf

1第 40 卷，第 3 期 2023 年 6 月 15 日国土资源科技管理Vol.40，No.3 Jun.15，2023Scientific and Technological Management of Land and Resourcesdoi：10.3969/j.issn.1009-4210.2023.03.001格网尺度下滨州市土地利用碳排放核算及驱动因素分析杨一佳，曹天宇（青岛理工大学管理工程学院，山东青岛266520）摘要：本研究基于 ODIAC 公布的全球碳排放栅格数据和土地利用数据，运用碳排放系数法和空间叠加技术以网格为单元估算滨州市 2010 年、2015 年、2020 年土地利用碳排放，并借助地理加权回归分析（GWR）模型探究影响土地利用碳排放的驱动机理，为推动土地利用方式向低碳化转变及制订精细化管理措施提供科学依据。结果表明：（1）从时间上看，20102020 年滨州市土地利用碳排放整体呈增长趋势，其中增长幅度较大用地类型为耕地和建设用地；（2）从空间上看，滨州市土地利用碳排放呈现明显的全局正相关和稳定的局部自相关特征，集聚效应明显；碳排放高值区整体由各区县主城区向四周蔓延，其中滨城区最为明显，而无棣县和沾化区北部呈现轻微的碳汇量增加趋势。（3）基于 GWR 模型运行结果发现，各影响因素在不同时间、不同地区对碳排放的影响程度均不相同。其中，2010 年、2015 年、2020 年人口数量、地区生产总值（GDP）、工业密度与土地利用碳排放始终呈正相关，其中工业密度影响最显著；而土地利用综合指数由负相关转变为明显的正相关，耕地破碎化指数由正相关转为明显的负相关，且具有明显的空间依赖效应。基于上述研究结果，滨州市应兼顾经济发展，并制订差别化的碳减排政策及目标，城市化方面应制订低碳城市建设计划，促进能源转型；农业方面利用现代农业的先进技术，发展新型绿色低碳新农业。关键词：土地利用碳排放；GWR 模型；空间自相关；格网尺度中图分类号：F301.2文献标志码：文章编号：1009-4210-（2023）03-001-16On Analysis of Land Use Carbon Emissions Accounting and Its Driving Factors at Grid-scale in Binzhou City YANG Yi-jia，CAO Tian-yu(School of Management Engineering，Qingdao University of Technology，Qingdao 266520，Shandong，China)Abstract:Based on the global carbon emissions grid data and land use data published by ODIAC，this study used the carbon emission co-efficient method and spatial superposition technology to estimate the carbon emissions of land use in Binzhou City in 2010，2015 and 2020.By using the grid as a unit，the author explored the driving mechanism of land use carbon emissions with the help of the geographically 收稿日期：2023-02-26；改回日期：2023-04-03 基金项目：青岛市哲学社会科学规划项目（QDSKL2201184）作者简介：杨一佳（1991），女，博士，副教授，从事土地生态过程与功能研究。E-mail：国土资源科技管理第 40 卷2weighted regression analysis(GWR)model，which provided a scientific basis for promoting the low-carbon transformation of land use and formulating refined management measures.The results showed that：(1)From the perspective of time，the carbon emissions of land use in Binzhou city showed an overall growth trend from 2010 to 2020，and the types of land with a large growth rate were cultivated land and construction land；(2)From the perspective of space，the carbon emissions of land use in Binzhou city were characterized by obviously global positive correlation and stable local autocorrelation，and the agglomeration effect was obvious.The high-value areas of carbon emissions spread from the main urban areas of each district and county to their surrounding areas，among which Bincheng District is the most obvious，while Wudi County and the northern part of Zhanhua District showed a slight increase in carbon sink；(3)Based on the operating results of GWR model，it was found that the influence degree of each factor on carbon emissions was different in different time and different regions.Among them，the population，GDP and industrial density in 2010，2015 and 2020 were always positively correlated with land use carbon emissions，with industrial density exerting the most significant impact.Whats more the land use comprehensive index changed from negative correlation to obviously positive correlation，and the cultivated land fragmentation index changed from positive correlation to obviously negative correlation，and had an obvious spatial dependence effect.Based on the above research results，Binzhou city should take economic development into account and formulate differentiated policies and objectives for carbon emissions reduction.In terms of urbanization，a low-carbon urban construction plan should be formulated to promote energy transformation；in agriculture，the advanced technology of modern agriculture should be used to develop new green low-carbon new agricultural production methods.Key words:land use carbon emissions；GWR model；spatial autocorrelation；grid-scale全球变暖问题持续恶化，严重制约社会、经济、生态三者的协调且可持续发展，甚至直接威胁人类生存1-2。中国作为一个负责任的大国，肩负着节能减排的重任，到 2030 年单位 GDP 碳排放量要比 2005 年下降 60 65%。2020 年 9 月，我国领导人在第七十五届联合国大会发表重要讲话，宣布中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030 年前达到峰值，努力争取 2060 年前实现碳中和3。滨州市地处黄河三角洲区域，作为济南省会都市群和环渤海经济圈的主要城市以及山东半岛蓝色经济开发区和黄河三角洲生态经济区开发建设的重点城市，未来如何在协调滨州市经济发展和生态文明建设的前提下，实现节能减排、保护生态环境是值得思考的问题。因此，深入探究碳排放，加快实现碳达峰、碳中和具有重要的理论价值和现实意义。一文献综述碳排放问题作为经济社会发展的重大约束，受到了学界高度关注4。而土地承载着几乎所有的人类活动5，因此土地利用碳排放的研究极具重要性。目前，土地利用变化作为仅次于能源消耗的第二大碳排放源，为人们开展碳排放研究提供了重要分析视角6。土地利用变化不仅会改变其承载的碳通量，还会改变人类活动密集地区的碳排放，从而影响碳平衡7。作为长期以来学界关注的热点，土地利用碳排放的现有研究主要集中在土地利用碳排放效应、土地利用碳排放强度、土地利用碳排放测算及影响因素等问题，研究尺度涵盖了全球、省域、区域、城市群、市域第 3 期杨一佳，等：格网尺度下滨州市土地利用碳排放核算及驱动因素分析3等多个层面。土地利用碳排放测算是土地利用碳排放的基础研究，为后续深入研究提供基础保障。目前，已有的研究对不同地理尺度下的碳排放量进行了测算，主要集中在国家8、省级9、市级10和县级11等尺度，在一定程度上阻碍了精细化碳减排工作的开展。同时，核算土地利用碳排放模型主要有簿记模型，即 bookkeeping(BK)model12；Century 模型13；全球变化评估模型，即GCAM model14；IPCC 排放因子模型15等。其中，IPCC 排放因子模型既考虑了土地利用变化引起的直接碳排放，也考虑了土地利用和规划过程中能源消耗产生的间接碳排放，为碳排放的核算研究提供了整体参考16。随着遥感技术发展，美国化石燃料公司（ODIAC）平台率先结合夜间灯光数据和单个发电厂排放/位置分布来估计全球空间范围内化石燃料 CO2排放，实现了 1 km1 km 的全球化石燃料碳排放栅格数据。同时，该数据集已应用于碳排放规律探索、碳排放模拟与预测等各种研究，其模拟精度高达 80%以上17-18。可见，在遥感数据帮助下，结合土地利用数据，有助于研究尺度进一步精细化，实现网格尺度下微观土地利用碳排放总量的监测。土地利用碳排放影响因素研究是通过分析碳排放过程，从中找出影响土地利用碳排放的主要因素，为碳减排提供现实意义。结合国内外学者的研究成果，发现影响土地利用碳排放的驱动因素主要有经济发展、土地利用变化、人口规模和政府政策调控等19-20，这为本研究驱动因素的筛选奠定了基础。目前识别碳排放影响因素的模型主要有 LMDI 分解法21、投入产出模型22、STIRPAT 模型23和 Laspeyres 指数法24等，均在国内外相关领域有广泛的应用。已有研究多利用统计数据，通过定量和定性的方法探索影响碳排放的驱动机理25-26，影响因素分析多侧重时间维度影响水平的变化，忽视了区域土地利用碳排放影响因素的空间效应差异27，在一定程度上影响结果的准确性。目前，由于空间计量模型的大量运用，土地利用碳排放空间问题逐渐成为焦点，学者们通过不同模型分析了不同尺度下土地利用碳排放的时空规律、空间异质性、土地利用碳排放驱动因素等问题。其中，地理加权回归（GWR）模型是在多元线性回归的基础上将数据的地理位置引入回归系数中的局部估计，该模型可较好从空间尺度上揭示驱动机理28。需要说明的是，无论自然因素还是人文因素在空间尺度上均表现出一定程度的差异，鉴于此，本研究借助 GWR模型可以更好地从空间角度挖掘土地利用碳排放的驱动机理，并有针对性制定碳减排措施，具有重大意义。综上所述，已有研究缺少微观尺度下土地利用碳排放测算，忽视土地利用碳排放影响因素的空间效应差异，基于此，本研究采用 ODIAC 公布的全球碳排放栅格数据和土地利用数据，运用统计、探索性空间数据分析等方法估算格网尺度下滨州市土地利用碳排放水平，从时间和空间两个维度掌握滨州市土地利用碳排放的异质性，并基于 GWR 模型，探究影响滨州市土地利用碳排放驱动机理，以期为区域碳减排提供理论参考和实践借鉴。二研究区概况与数据处理（一）研究区概况滨州市隶属于山东省，位于山东省最北部、华北平原东部、黄河三角洲区域，地处黄河三角洲高效生态经济区、山东半岛蓝色经济区和环渤海经济圈、济南都市圈“两区两圈”叠加地带，是山东的北大门（图 1）。滨州地势南高北低，大致上由西南向东北倾斜。截至 2021 年，滨州市辖 2 区、4 县，代管一个县级市，总面积 9 660 km2，滨州市常住人口约 393 万人。国土资源科技管理第 40 卷4图 1研究区区位示意2021 年，滨州市实现生产总值 2 872.11 亿元，同比增长 8.3 个百分点。近年来，滨州市社会经济水平迅速提高，城市人口数量持续增加，工业规模不断扩大，城市扩张不断侵占周边的耕地、林地以及未利用地，碳源、碳汇发生快速变换，区域生境质量遭到破坏，生态系统健康受到严重威胁。（二）数据来源第一，土地利用数据。该数据来源于中国科学院资源环境科学与数据中心（https:/ 30 m30 m。第二，工业密度数据。该数据主要借助 POI 数据进行核密度分析获取，其数据源于网络爬虫技术对高德地图（https:/ GDP 分布格网数据。该数据源于中国科学院资源环境科学与数据中心（https:/ 1 km1 km。第四，化石燃料燃烧碳排放数据。该数据来源于 ODIAC 公布的全球碳排放栅格数据（http:/db.cger.nies.go.jp/dataset/ODIAC/data_policy.html），其数据源主要基于化石燃料数据，并结合区域发电厂数据和卫星观测的夜间灯光进行分配与修正，数据精度为 1 km1 km。三研究方法（一）土地利用变化分析方法本文借助土地利用转移矩阵分析滨州市土地利用变化情况。土地利用转移矩阵是根据同一地区不同时相的土地覆盖现状的转化关系求得的一个二维矩阵29-30。通过对土地利用转移矩阵进行分析，得到两个时点不同的土地利用类型之间相互转化的情况。结合实际情况，本文中我们主要选择耕地、林地、草地、水域、未利用地、建设用地六种用地类型进行分析（图 2）。第 3 期杨一佳，等：格网尺度下滨州市土地利用碳排放核算及驱动因素分析5图 220102020 年研究区土地利用分布（二）土地利用碳排放量计算方法本研究将土地利用碳排放量计算分为两种：直接碳排放量计算和间接碳排放量计算，具体如下。1.直接碳排放量计算直接碳排放量计算针对的是林地、草地、水域和未利用地，可以直接根据碳排放系数进行估算。本研究在计算直接碳排放量时，借鉴袁壮壮等31、贺大为等32的研究成果，计算公式如下：EdeiTi i（1）式中：Ed表示直接碳排放量；i 表示土地类型，i 取值 1、2、3、4，分别对应林地、草地、水域和未利用地；ei表示第 i 种类型土地的碳排放量；Ti表示第 i 种类型土地的面积；i为碳排放系数。其中直接碳排放系数见表 1。表 1山东省非建设用地碳排放系数地类碳排放系数/(kgC/(m2a)参考来源林地 0.0644孙贤斌33，方精云等34草地 0.0021孙赫等35，石洪昕等36水域 0.0253孙赫等35，石洪昕等36未利用地 0.0005孙赫等35，石洪昕等362.间接碳排放量计算间接碳排放量计算针对的是耕地和建设用地，需要考虑社会经济发展活动所消耗化学燃料产生的碳排放，因此，需要借助 ODIAC 发布的化石燃料燃烧产生的二氧化碳排放的高空间分辨率全球排放数据产品进行估算。即本研究在计算间接碳排放量时，借助 ODIAC 平台公布的碳排放栅格数据量化 2010 年、2015 年、2020 年研究区耕地和建设用地的碳排放量。Ei V （2）国土资源科技管理第 40 卷6式中：Ei为间接碳排放量；V 为 1 km 网格内耕地和建设用地所产生的碳排放量（对应 ODIAC 公布的碳排放栅格数据值）。3.土地利用碳排放总量计算根据滨州市地域面积，划定 1 km1 km 网格，将直接碳排放量与间接碳排放量计算结果进行运算、合并、汇总，得到 2010 年、2015 年、2020 年研究区土地利用碳排放总量（Es）。Es Ed Ei （3）（三）土地利用碳排放空间分析方法本研究借助全局空间自相关和局部空间自相关分析研究区土地利用碳排放空间分布规律。在众多空间分析方法中，莫兰指数的应用最为广泛37，分为全局莫兰指数和局部莫兰指数。全局莫兰指数用来反应属性值在空间上的总体特征，局部莫兰指数用于具体度量属性值高值和低值的聚集区域。根据于靖靖等38的研究，其具体公式为：（4）（5）式中：I 为全局莫兰指数；IL为局部莫兰指数；n 为网格总数；xi和 xj分别为在格网 i 和 j 上的碳排放量；为所有网格碳排放量的平均值；i,j为空间权重矩阵。（四）土地利用碳排放驱动因素分析方法1.驱动因素确定区域土地利用碳排放量涉及社会经济的各方面，不同因素对区域碳平衡状况的影响程度不同。已有研究表明碳排放受到多种因素影响。首先，城市化进程加快伴随土地利用农地非农化，不仅会造成土地利用类型转变而减少碳汇形成土地利用直接碳效应，同时农村劳动力剩余，加速人口向城市聚集，从而通过其他生产和消费行为对碳排放量产生影响。其次，经济增长过程中，土地作为经济活动的载体，同时是驱动和体现经济发展的重要工具，我国仍处于经济发展存量阶段，生产投资和基础设施投入带动经济发展，同时工业部门的能源消耗是经济发展中消耗最大的部门，因此经济发展往往伴随着碳排放，较高的能源强度意味着较低的能源利用效率，增加了碳排放。最后，城市发展对土地存量造成影响，目前土地整治多集中于恢复农用地面积及质量以保证我国耕地红线不被破坏，土地整治下土地利用类型转变，农田生态系统碳汇量发生改变必然导致碳源、碳汇间的转变，影响碳平衡。基于本文计算得到的土地利用碳排放，为了更加全面分析影响土地利用碳排放的影响因素，本研究主要考虑人口规模、收入水平、土地利用变化和工业方面确定影响土地利用碳排放的 5 个驱动因素，即人口数量、地区生产总值（GDP）、土地利用综合指数、耕地破碎化指数和工业密度，空间分布情况见图 3。选取结果如下。第 3 期杨一佳，等：格网尺度下滨州市土地利用碳排放核算及驱动因素分析7图 320102020 年研究区土地利用碳排放驱动因素空间分布（注：人口数量、地区 GDP 数据来源于中国科学院资源环境科学与数据中心，该数据分别以 1 平方千米内人口数、GDP 总和与土地利用类型、夜间灯光亮度、居民点密度加权计算所得，数据格式为 gird，单位分别为人、万元。）（1）人口数量。人类因呼吸作用导致其参与一切社会、经济活动都将伴随二氧化碳的产生，且人口数量的多少会间接影响碳排放量的变化。该数据由人口分布格网栅格提取所得。（2）地区 GDP。随着地区 GDP 提高使得居民生产与消费模式产生改变，而居民消费水平提升导致对能源的直接消耗增加，直接影响碳排放；同时，消费水平提高带来的需求提升反作用于整个国民经济产业的发展，间接影响碳排放。该数据由地区 GDP 分布格网栅格提取所得。（3）土地利用综合指数。该指数在一定程度上表征土地利用集约化程度，是判定区域空间发展潜力的重要指标，不同空间利用程度导致碳源、碳汇用地组合差异，同时土地利用集约化存在一定的外部性，对生态环境造成影响，因此土地利用综合指数与土地利用碳排放存在密切的关系。其公式为：国土资源科技管理第 40 卷8 （6）式中：Ld 是土地利用综合指数；Ai是第 i 级土地利用面积；Ci是第 i 级土地利用程度分级指数；Hi是区域内土地总面积；m 为土地利用程度等级。（4）工业密度。工业发展带来的碳排放总量占我国碳排放总量的 85%，也具有显著地区差异性，较高的能源强度意味着较低的能源利用效率，将导致碳排放增加，因此将工业密度列为影响因素。该数据由工业 POI 进行核密度估计所得。（5）耕地破碎化指数。耕地破碎化是由于自然或社会因素影响，导致耕地由连续的整体向破碎的斑块的演变过程，该指数影响耕地碳储量及农业用品及机械的投入，同时是影响耕地质量和土地利用集约化程度的重要因素，2010 年以来，大量土地整治项目改变着耕地面积及质量，耕地因农田生态系统碳循环的存在对土地利用碳排放有着举足轻重的影响，所以该指标对土地利用碳排放有重要考察意义，其公式为：（7）式中：Qj为第 j 个格网的耕地破碎化指数；Pij为第 j 个格网的第 i 个评价指标值；Wi为第 i 个评价指标的权重；l 为指标个数。2.GWR 模型本研究在运行 GWR 模型时，先通过 OLS 模型检验因素之间的共线性，使结果更加具有空间尺度的可靠性39-41。其中，OLS 是随机变量(y)与确定性变量(x1，x2，xi)的多元线性函数，这是一种基于全局回归的函数见式（8）。其中，GWR 模型核函数默认选择固定距离法（FIXED），这种方法能够生成更加平滑的核表面。带宽是指权重与距离之间函数关系的正衰减参数，带宽的大小直接影响 GWR 模型的空间变化，可以将带宽看作光滑参数，数越大越光滑，本研究采用 AICc 法选取合适的带宽42。（8）（9）式中：yi为样点 i 的因变量；xik为第 i 个点上第 k 个变量的观测值；(i,vi)为第 i 个点的位置坐标；0、0(i,vi)为截距；k、k(i,vi)为第 i 个点的回归系数；i为误差项。四结果分析（一）土地利用变化分析根据 2010 年、2015 年、2020 年 3 期土地利用数据，借助 ArcGIS10.6 软件与其空间分析工具，得出 20102015 年、20152020 年土地利用转移矩阵（表 2、表 3）。滨州市土地利用类型和面积均已经发生了不同程度的改变。从土地总量来看，20102015 年，耕地、草地及未利用地均呈现下降的趋势，水域及建设用地则呈现出迅猛增长的态势；20152020 年，建设用地面积增速仍较大，且出现大面积占用耕地的情况。具体来看，相比 2010 年，2015 年耕地面积减少 268.866 km2，第 3 期杨一佳，等：格网尺度下滨州市土地利用碳排放核算及驱动因素分析9减少幅度较大，水域面积增长 105.109 km 2，建设用地面积增长 226.489 km2；相比 2015 年，2020年耕地面积减少 522.408 km2，建设用地面积增加 255.906 km2，水域面积增加 282.354 km2。可见滨州市发展对建设用地的需求量大，城镇化进程速度比 2010 年之前更快。从整体来看，城市扩张不断侵占周边的耕地、草地及未利用地的现象严重，导致滨州市面临碳减排压力增大的可能。表 220102015 年研究区各地类面积土地利用转移矩阵单位：km22010 年土地类型2015 年土地类型及面积草地耕地建设用地林地水域未利用地合计草地2.6650.8450.2700.5190.4290.0684.796耕地0.9106498.585218.8216.22865.2227.6196797.385建设用地00.3911265.124024.9135.6451296.073林地0.0291.9590.08338.6960040.767水域0.00214.72816.6910487.97368.782588.176未利用地0.00512.01121.5730114.748137.067285.404合计3.6116528.5191522.56245.443693.285219.1819012.601表 320152020 年研究区各地类面积土地利用转移矩阵单位：km22015 年土地类型2020 年土地类型及面积草地耕地建设用地林地水域未利用地合计草地2.355 0.318 0.014 0.863 0.029 0.032 3.611耕地108.422 5653.676 636.838 33.631 64.590 31.362 6528.519建设用地12.058 326.945 1031.849 4.251 135.777 11.682 1522.562林地11.351 1.248 0.100 32.575 0.004 0.165 45.443水域1.864 14.117 7.968 0.144 668.424 0.768 693.285未利用地0.363 9.807 101.699 0.036 106.815 0.461 219.181合计136.4136006.1111778.46871.5975.63944.479012.601（二）土地利用碳排放分析1.时间变化分析 经计算，滨州市土地利用净碳排放量总体呈增加趋势（表 4），其值由 2010 年的 608.368104 t增加到 2015 年的 686.540104 t，2020 年更是达到了 897.824104 t，其中 20102020 年，碳源增加 291.418104 t，增幅达到 47.8%，年均增长 29.141104 t，这主要是由于研究区城镇化水平大幅度上升，建设用地扩张以及农业大规模机械化生产伴随着产生了大量能源消耗。碳汇增加了1.962104 t，对比碳源增幅较为微小。同时不难看出，建设用地与耕地对净碳排放量的贡献量较大，水域对碳汇的贡献量较大，林地、草地基本保持不变。由于碳源量与碳汇量相差悬殊，因此滨州市碳减排的工作重心应是碳源的控制与碳汇的增加。国土资源科技管理第 40 卷10表 42010 年2020 年研究区土地利用类型碳排放量单位：104 t碳排放形式用地类型碳排放量2010 年2015 年2020 年碳源耕地226.698242.996273.25建设用地383.435445.59628.302合计610.133688.586901.552碳汇草地 0.001 0.00076 0.029林地 0.262 0.293 0.462水域 1.488 1.741 3.235未利用地 0.014 0.011 0.002合计 1.765 2.046 3.728净碳排放量608.368686.54897.8242.空间变化分析 利用 GIS 对滨州市土地利用碳排放进行空间分析，得到 2010 年、2015 年、2020 年土地利用碳排放空间分布图（图 4）。由图 4 可知，土地利用碳排放高值区主要集中在滨城区、邹平市南部、博兴县中西部、惠民县北部、阳信县中部、无棣县南部、沾化区中南部等地，碳排放强度最大值从2010 年的 1 833.54 t/km2增长到 2015 年的 2 859.329 t/km2，2020 年则增加至 3 595.887 t/km2，增长了近 2 倍。原因主要是该部分区域以县政府驻地为中心，建设用地更加集中，城市化水平高，人口基数大，在 2010 年、2015 年、2020 年相关数据均可体现；同时随着时间的推移，土地利用碳排放量与经济发展水平、城市化水平以及土地利用变化有直接的关系，即土地利用变化会导致不同程度碳排放增减。通过 2020 年与 2010 年的土地利用碳排放空间图对比可见 2020 年碳排放量在城市中心位置相较于 2010 年有明显的增幅，该现象印证了以上说法。图 420102020 年研究区土地利用碳排放空间分布示意通 过 ArcGIS 10.6 软 件 对 滨 州 市 20102020 年 土 地 利 用 碳 排 放 空 间 自 相 关 分 析 得 到MoranI 指数及 P 值、Z 值，结果见表 5，发现 MoranI 指数在 2010 年为 0.714 3，2015 年为 0.677 8，2020 年为 0.353 5，均呈现出明显的空间正相关，同时，三个年份 P 值和 Z 值均通过了检验，证明其空间具有相关性。第 3 期杨一佳，等：格网尺度下滨州市土地利用碳排放核算及驱动因素分析11表 520102020 年研究区土地利用碳排放全局自相关指数指数类型2010 年2015 年2020 年MoranI 指数0.71430.67780.3535P 值000Z 值44.693041.762524.4385为探究 20102020 年滨州市土地利用碳排放空间集聚效应，通过 Geoda 软件对其进行局部空间自相关分析得到图 5 所示结果，结果显示，20102020 年滨州市空间上局部自相关特征明显且稳定。从图 5 看出，高高值区主要分布在滨州市 7 个区县中心位置，以滨城区范围最大，且2020 年相较于 2010 年、2015 年范围有所扩大；低低值区主要集中在滨州市北部（无棣县域）以及南部部分区域，同时也出现了明显的扩展现象。图 520102020 年研究区土地利用碳排放 LISA 聚类（三）土地利用碳排放驱动因素分析通过 ArcGIS 10.6 软件对滨州市 2010 年、2015 年、2020 年的数据分别进行普通最小二乘法回归（OLS）和地理加权回归（GWR），回归结果如表 6 所示，表中包括残差平方和、AICc 值、R2和调整后的 R2。从表中不难看出，三个年份 GWR 模型的残差平方和和 AICc 值均小于 OLS 模型，而 GWR 模型的 R2和调整后的 R2均大于 OLS 模型，这表明对于本研究区来说，GWR 模型明显优于 OLS 模型。表 6GWR 模型与 OLS 模型结果对比年份模型残差平方和AICcR2调整后的 R22010 年OLS6.971 76170.34400.3427GWR4.994 83790.53000.51932015 年OLS5.7865393370.33100.3297GWR4.1126386180.51350.50152020 年OLS2.288 104020.19480.1932GWR2.029 106660.28600.2771国土资源科技管理第 40 卷12通过GWR模型得到的各影响因素与土地利用碳排放的拟合系数空间分布（图6），人口数量、地区 GDP 和工业密度对土地利用碳排放的影响高于土地利用综合指数和耕地破碎化指数，其中工业密度对土地利用碳排放的影响最大；此外，土地利用综合指数对土地利用碳排放产生了正向的影响，耕地破碎化指数在 2010 年对土地利用碳排放部分区域呈现负相关，而 2020 年该指数对碳排放影响均呈现负相关。图 620102020 年研究区各影响因素与碳排放回归系数空间分布（1）人口数量。如图 6 所示，滨州市相邻网格的回归系数差异较小，人口数量对土地利用碳排放的影响有明显的空间依赖效应，2015 年相较 2010 年空间相关性变化较小，相关性较强部分整体向郊区移动，但 2020 年相较 2015 年，空间相关性产生较明显的差异。2010 年，滨城区、惠民县、博兴县和邹平市等区域出现连片的正相关，该区域主要特点是人口基数大、增长速度快，城市化水平高，经济发展快。滨州市北部相关性较弱甚至出现了负相关，说明人口数量对土地利用碳排放的影响由滨州市北部向南部逐渐增大。2015 年前后，郊区工业发展导致人口聚集，人口对碳第 3 期杨一佳，等：格网尺度下滨州市土地利用碳排放核算及驱动因素分析13排放的影响开始出现向郊区移动的趋势。2020 年，滨城区、惠民县、博兴县和邹平市的驱动力较2015 年明显下降，甚至出现了负相关，原因主要有两个方面：一是该部分区域社会、经济发展快速上升期已过，城市化进程推进速度放缓，人口增长速率趋于稳定，对土地利用碳排放的影响程度逐年减弱；二是滨州市 2014 年以来受精准扶贫政策的影响，经济发展重心向无棣县、沾化区等较为贫困的区域转移，人口发生转移，影响了土地利用碳排放。（2）地区 GDP。从整体上看，地区 GDP 对土地利用碳排放的影响呈现逐年下降的趋势，由2010 年的 0.147，0.392 下降到 2020 年的 0.235，0.110，地区 GDP 对土地利用碳排放影响正相关区域主要集中在无棣县西部、阳信县、惠民县、滨城区、博兴县以及邹平市部分区域，空间位置上大致呈现由西北向东南的对角线分布,该区域是各县级市主城区的所在地；2015 年、2020年地区 GDP 对土地利用碳排放的影响出现下降趋势，其原因主要是滨州市扶贫摘帽政策带动其他区域经济发展，呈现追赶之势，同时主城区相对经济饱和，整体上呈现出该种态势。（3）土地利用综合指数。该指数对滨州市土地利用碳排放的驱动性呈现较明显的相关性及空间集聚特征，具有明显的空间依赖效应。2010 年，滨州市北部地区呈现正相关，中、南部出现较为明显的负相关，整体来看，以负相关为主；2015 年其指数有所上升，高值区有向北方城市化水平高且工业密集地转移的趋势；2020 年土地利用综合指数相关性明显上升，整体上转变为正相关，空间位置与 2015 年变化不大，主要原因是 20102020 年间滨州市土地利用变化大，土地整治进展快，土地利用集约程度大幅提高，对土地利用碳排放产生了正向的影响。（4）工业密度。从图 6 中不难看出，工业密度对土地利用碳排放的影响较大，多呈正相关且20102020 年相关性逐年上升，其中工业对滨城区中部以北地区、沾化区和无棣县部分地区的影响较大。该区域是滨州市工业转移重心，工业发展整体北移，开发的速度相较于其他区域更快，对土地利用转型影响大，而中南部区域工业发展已有饱和之势，对土地利用碳排放的影响趋于稳定。工业快速发展导致化石能源使用量激增且转换效率较低，产生了大量的碳排放，因此工业化的迅猛发展对土地利用碳排放产生较大的负面影响。（5）耕地破碎化指数。如图所示，2010 年该指数与碳排放呈正相关，在滨城区北部、沾化区南部等滨州市中部地区影响最大，该区域用地类型以建设用地为主，耕地分布更加趋向于破碎化，对土地利用碳排放产生正向影响；2015 年和 2020 年该指数与土地利用碳排放呈负相关，即耕地破碎化程度越高，对土地利用碳排放的影响反而降低，耕地整齐化越高对碳排放的影响越高，出现这一情况的主要原因是滨州市农业技术进步，在生产作业中，不断引入大型机械，规模化农业生产不断加强，机械对化石燃料的需求及农药、化肥等使用需求不断增加，同时人工需求随之上升共同导致土地利用碳排放增加。五结论与建议（一）结论本文在大量文献分析基础上，针对研究区特殊性，采用合理微观格网尺度，借用 2010 年、2015 年、2020 年三年土地利用数据及 ODIAC 权威夜间灯光数据，运用碳排放系数法及地理加权回归（GWR）模型分别进行了土地利用碳排放测算及影响因素分析，得出以下结论。（1）20102020 年，滨州市净碳排放量呈现增长的变化趋势，由 2010 年的 608.368104 t 增国土资源科技管理第 40