2000~2022年三峡库区碳排放时空特征及其情景分析

Spatio-Temporal Characteristics and Scenario Analysis of Carbon Emission in the Three Gorges Reservoir Area in 2000~2022

摘要: 土地利用/覆被变化(Land Use/Cover Change, LUCC)所引发的碳排放问题是当前生态环境研究领域的热点，分析和预测典型区域LUCC时空变化有助于区域土地利用结构优化与固碳减排目标的实现。本文基于三峡库区2000~2022年土地利用数据，分析该区20多年LUCC导致的碳排放时空变化特征，利用地理探测器揭示三峡库区碳排放的关键驱动因素，并综合GeoSOS-Logistic-CA模型和灰色预测模型模拟2030~2050年惯性发展、耕地保护和生态保护三种情景下库区土地利用碳排放的时空差异。结果表明：(1) 2000~2022年三峡库区土地利用净碳排放量逐年上升，22年间增幅超360%，其中建设用地为最大碳源，林地为最大碳汇，重庆主城区等为主要碳排放高值区，库腹等区域为碳汇区域。(2) 人口密度与GDP总量是影响三峡库区土地利用碳排放的主要驱动力。(3) 惯性情景下2030~2050年三峡库区土地利用净碳排放量仍呈高位增长趋势，耕地保护和生态保护情景下未来20年库区土地利用净碳排放量扩张趋势得到明显遏制。三峡库区土地利用碳排放存在明显时空异质性，通过区域性减源增汇的有效策略，可以促进库区绿色低碳可持续发展。

Abstract: The carbon emission caused by Land Use/Cover Change (LUCC) is a hot research topic at present. Analyzing and predicting the temporal and spatial changes of LUCC-induced carbon emission in typical regions are conducive to the optimization of regional land use structure and the realization of carbon sequestration and emission reduction targets. Based on the land use data of the Three Gorges Reservoir area (TGRa) from 2000 to 2022, this paper analyzes the spatio-temporal changes of carbon emissions caused by LUCC over the past 20 years. Geodetector model was used to reveal the key drivers of land use on carbon emissions in TGRa, and GeoSOS-Logistic-CA model and grey prediction model were combined to simulate the spatio-temporal difference of land use and carbon emissions in TGRa from 2030 to 2050 under three development scenarios: inertial development, cultivated land protection and ecological protection. The results show that: (1) The net carbon emissions from land use in TGRa increased year by year with an increase of >360% from 2000 to 2022. The construction land was the largest carbon source, while the forest land was the largest carbon sink. The main urban area of Chongqing City was the key area of high-value carbon emission, and the warehouse area was a significant carbon sink area. (2) Population density and total GDP are the main driving forces affecting land use carbon emissions in TGRa. (3) Under the inertia scenario, the net carbon emissions of land use in the TGRa will still show a high growth trend from 2030 to 2050, and the expansion trend of net carbon emissions of land use in the TGRa in the next 20 years will be significantly curbed under the scenarios of cultivated land protection and ecological protection. There is obvious spatiotemporal heterogeneity of land use carbon emissions in the TGRa. Effective strategies for regional source reduction and carbon sequestration enhancement can promote sustainable green and low-carbon development in the reservoir area.

1. 引言

土地利用/覆被变化(Land Use/Cover Change, LUCC)是人类活动的直观反映，改变了生态系统的结构与功能，直接影响着陆地生态系统的碳收支平衡，从而加剧全球气候变化[1] [2]。LUCC引发的碳排放量占人类碳排放总量的1/3，成为一个地区碳排放的重要影响因素[3] [4]。土地作为关联自然生态和社会经济的复杂系[5]，深入探究区域LUCC对碳排放的影响，优化土地利用模式以遏制区域碳排放量的增长，对于区域绿色高质量发展与缓解全球变暖趋势具有重要作用。近年来，不少学者开展了区域碳排放对LUCC的响应研究，证实了土地利用变化往往伴随大量碳交换过程，导致大气中的碳含量增加[6] [7]。其中，建设用地是区域碳排放的主要来源[8]，其扩张是造成区域碳储量下降的主要原因[9] [10]。在不同区域人类活动影响下，土地利用方式与碳排放模式存在显著时空差异，揭示典型区域土地利用对碳收支的影响机制，将有助于“因地而异”制定精准的减排策略，增强区域碳封存能力，助力我国的碳中和与可持续发展目标的实现。

随着不同时空尺度LUCC对碳排放影响研究的深入，相关研究方法得到不断更新和完善。土地利用变化格局与过程的模拟与预测研究涵盖了国家[3]，[11]、流域[8]、省际[12]、都市圈[13]、县域[14]等空间尺度，多采用小区域土地利用转换及其效应模型[15]，[16] (Conversion of Land Use and its Effects at Small Region Extent, CLUE-S)、未来用地模拟模型[17]，[18] (Future Land Use Simulation, FLUS)、斑块生成土地利用变化模拟模型[19] (Patch-generating Land Use Simulation, PLUS)、地理模拟优化系统[20] (Geographical Simulation and Optimization System, GeoSOS)等。土地利用碳排放兼具自然、社会属性，其核算方法包括自下而上、自上而下两种类型[5]。前者主要包括模型模拟法[21]、样地清查法[22]、遥感估算法[23]等，主要通过自然生态系统中的具体土地利用过程来核算碳排放。后者则是以排放系数法[8]、因素分解法[14]、实测法[24]等为主，依赖宏观数据来核算土地所承载的社会经济活动的碳排放。诸多方法中，GeoSOS通过耦合地理元胞自动机、多智能体建模和空间优化，能对复杂地理格局和过程进行模拟与预测[20]。排放系数法也因其方法论的成熟性、数据获取的便利性，成为碳排放研究的重要途径。综上，GeoSOS理论结合排放系数法为三峡库区土地利用碳排放效应研究提供了重要的手段与方法。

三峡库区作为长江经济带上特殊的地理单元，是典型的生态敏感区、长江上游重要生态环境屏障，关乎长江中下游地区的生态安全，是长江经济带高质量发展关键片区[25]，[26]。近年来，受长江三峡工程建设蓄水水位升高的影响，约632 km²的土地被淹没[27]；库区城镇化率逐年上升，城市扩展速度已高于全国平均水平[28]。三峡库区人地矛盾异常突出，其碳排放效应成为推动库区绿色低碳高质量发展的难题。以往研究多侧重于三峡库区绿色植被[29]、森林生态系统[30]、土壤[31]、农业[32]等角度的碳源/汇情况，缺乏库区碳排放对LUCC的响应研究和系统评估。因此，本研究利用2000、2010、2022年三峡库区3期土地利用数据，量化不同历史阶段三峡库区碳排放对LUCC的响应，通过耦合GeoSOS理论与灰色预测模型，模拟分析不同土地利用变化情景下库区碳排放的时空变化及其趋势，可为三峡库区科学利用土地资源、助力双碳目标与实现高质量发展提供依据与参考。

2. 材料与方法

2.1. 研究区概况与数据来源

注：该图基于自然资源部标准底图服务网站下载的审图号为GS(2020)4619号的标准地图制作，底图无修改。下同。

Figure 1. Geographical location map of the study area

图1. 研究区地理位置图

三峡库区地处四川盆地与长江中下游平原的结合部(29˚16' N~31˚44' N, 106˚16' E~111˚28' E)，覆盖21个县市区，约占5.8 × 10⁴ km²。因跨鄂中山区峡谷及川东岭谷地带，地形较为复杂，以丘陵、山地为主，约占库区总面积的95%以上[33] (图1)。库区属亚热带季风气候，年均降水量为1000~1800 mm，年均气温为14.9℃~18.5℃。土壤以紫色土、黄壤为主，植物种类组成丰富，其中乔木层植物57种、灌木层植物119种、草本层植物78种[34]。2022年底库区常住人口约2000万，城镇化率超60%，库区生产总值超10,000亿元。

本研究所使用的数据如表1所示，2000~2022年土地利用分为耕地、林地、草地、水域、建设用地和未利用地六大类[35]。选用高程、坡度、年降水量、年均温、距公路距离、距铁路距离、距城市驻点距离、人口密度、GDP总量等作为土地利用变化影响因素。能源消耗数据用于建设用地碳排放核算。所有空间数据重采样为250 m空间分辨率，统一投影为WGS_1984坐标系。

Table 1. Data sources and descriptions

表1. 数据来源与说明

数据类型	数据特征	来源
土地利用	2000、2010、2022年三期数据，空间分辨率为30 m	武汉大学杨杰、黄昕[36]
DEM	空间分辨率为30 m	地理空间数据云(http://www.gscloud.cn/)
坡度	由DEM经表面分析生成	-
降水、气温、GDP	空间分辨率为1000 m	中科院资源环境科学与数据中心(https://www.resdc.cn/)
人口密度	LandScan人口密度数据集，空间分辨率为1000m	美国能源部橡树岭国家实验(https://landscan.ornl.gov/)
城镇驻点、 公路、铁路	计算欧式距离	OSM公开地图网 (https://www.openstreetmap.org/)
能源数据	能源消费总量，以标准煤计	重庆市、恩施州、宜昌市统计年鉴

2.2. 研究方法

2.2.1. 土地利用碳排放核算

(1)直接核算法耕地、林地、草地、水域及未利用地等造成碳排放借鉴IPCC (2006)提出的碳排放因子估算法[37]，各类土地利用类型的碳排放/吸收系数见表2。土地利用碳排放核算表达式如下：

$I_i=S_i\times {\sigma }_i$ (1)

式中：I_i为第i类土地利用类型的碳排放量/吸收量(t)；S_i为第i类土地利用类型面积(hm²)；σ_i为第i类土地利用类型的碳排放/吸收系数(t/hm²)。

Table 2. Carbon budget coefficient of land use

表2. 土地利用碳收支系数

土地利用类型	碳吸收系数	碳排放系数	来源
林地	−0.49	-	蓝家程等[38]
草地	−0.02	-	蓝家程等[38]
水域	−0.46	-	方精云等[39]
未利用地	−0.005	-	段晓男等[40]
耕地	-	0.37	禹康康等[8]

(2) 间接核算法：建设用地承载着人类生产活动所造成的大量碳排放，故利用能源消耗所造成的碳排放来间接核算建设用地所造成的碳排放，本文采用韩方红等[41]的方法进行核算，其表达式为：

$I={\displaystyle \sum E_i}\times f_i$ (2)

式中，I为建设用地碳排放量(t)；E为能源消耗总量(t)；f为能源消耗碳排放系数(以标准煤计)，借鉴相关成果[42]，取0.7488 (t/t)。

2.2.2. 土地利用碳排放预测

(1) 土地利用变化模拟：GeoSOS提供人工神经网络方法(ANN-CA)、决策树方法(DT-CA)、逻辑回归方法(Logistic-CA)三种数学模型对元胞自动机进行模拟，三种方法对元胞自动机(cellular automata, CA)的模拟均具有较高精度，而Logistic-CA在训练阶段较另外两种方法耗时更短，且可以对随机扰动强度参数δ值进行控制，能更好模拟城市用地扩张情况[43]，故本研究运用Logistic-CA对库区土地利用进行模拟。在模型训练阶段，按照5%比例对影响土地利用变化的各空间变量进行随机抽样，并将抽样数据进行逻辑回归，获得回归常数及各空间变量的回归系数。模拟阶段，通过逻辑回归模型所得相关参数及转移概率值来判别当前栅格是否可以转换，并将随机扰动强度参数δ值设置为3。模拟过程结束后，采用Kappa系数和FoM精度值来检验模拟结果的准确性和可靠性。

(2) 灰色预测模型：GM (1 ,1)模型可通过少量、不完整的信息进行有效预测，模型精度较高，检验方便，适用于指数增长性的中短期预测，如人口数量、能源消耗、工业产值等。本文基于此模型对三峡库区能源消耗数据进行趋势预测，从而对其带来的建设用地碳排放进行间接核算，并通过后验差比值C与平均相对误差ε对模拟结果进行精度验证[44] [45]。

(3) 情景设置：根据三峡库区当前社会经济发展水平，结合区域发展规划，本研究设置惯性发展、耕地保护、生态保护三种情景来预测库区2030~2050年土地利用变化。惯性发展情景是基于2010~2022年土地利用转移概率进行Logistic-CA模拟预测得到；耕地保护与生态保护情景是根据《重庆市自然资源保护和利用“十四五”规划》《湖北省自然资源保护和开发“十四五”规划》中对土地开发强度的约束性设定，严格控制建设用地规模(面积增长率 ≤ 15%)，即将建设用地像元数目的增长速率设定为15%，并结合2010~2022年土地利用转移概率矩阵，前者严格控制耕地向其他地类转变；后者严格控制林地、水域等生态用地流失。

2.2.3. 土地利用碳排放驱动因子探测

本研究利用因子探测器与交互探测器[46]量化不同历史时期各因子及因子之间交互作用对土地利用碳排放时空变化的驱动机制，度量库区碳排放的空间分异程度，并进行显著性检验和归因分析。

(1) 因子探测：通过q值度量某驱动因子(X)对于因变量(Y)的解释力大小，其表达式为：

$q=1-\frac{{\displaystyle \sum _{h=1}^L{N}_h{\sigma }_h^2}}{N{\sigma }^2}=1-\frac{SSW}{SST}$ (3)

$SSW={\displaystyle \sum _{h=1}^L{N}_h{\sigma }_h^2}$ (4)

$SST=N{\sigma }^2$ (5)

式中：q代表探测因子(X)对于因变量(Y)的解释力，值域为[0, 1]，q值越大说明解释力越强；$h=1,2,\cdots ,L$ 表示变量Y或X的分层；N_h和N分别为层h和全区的单元数；${\sigma }_h^2$ 和σ²分别为层h与全区Y的方差；SSW与SST分别代表层类方差之和与全区总方差。

(2) 交互探测：探测两种因子对因变量Y的交互作用，并与单因子探测的q值相比较，从而评估双因子交互作用对因变量的解释力是否会增加或减弱，其交互作用类型可分为非线性减弱、双因子增强、单因子非线性减弱、非线性增强、相互独立等五类。

(3) 指标选取：借鉴樊舒迪等[47]、李辉丹等[48]的研究，选取不同用地类型的碳排放量代表因变量Y值；选取高程(X1)、坡度(X2)、年降水量(X3)、年均温(X4)、距公路距离(X5)、据铁路距离(X6)、距城市驻点距离(X7)、人口密度(X8)、GDP总量(X9)作为自变量，所有因子按自然断点分级法分为5类。考虑到采样点数量对于模型运行效率的影响，将研究区划分为5 km × 5 km格网，并对各个像元进行采样，累计生成2288个有效采样点。

3. 结果与分析

3.1. 三峡库区土地利用碳排放时空分布特征

2000~2022年三峡库区土地利用碳排放量(表3)估算得到，2000年、2010年、2022年三峡库区净碳排放量分别为8.94 × 10⁶ t、2.67 × 10⁷ t、4.12 × 10⁷ t。对应地，三个时期建设用地面积分别为4.3431.12 hm²、70143.12 hm²、131946.39 hm²。22年间土地利用净碳排放量随着建设用地面积的增加而显著增加，其增幅高达360.08%。其中，2000~2010年增幅为198.22%，而近12年来增幅下降，为54.28%。

从碳源/汇的视角看，耕地和建设用地为库区的主要碳源，2000~2022年建设用地急剧扩张，其碳排放量对碳源的贡献率由91.98%增长至98.35%。与建设用地相比，耕地碳源贡献率较小，为1.65~8.01%，随着耕地不断减少，2022年耕地碳排放量下降了15.26%。22年间，库区碳汇呈现上升趋势，累计增加9.3%。林地、草地、水域碳吸收贡献分别为97.5~98.04%、0.01~0.08%、1.88%~2.32%，林地碳汇量显著大于草地和水域。

Table 3. Carbon budget of different land use types in the Three Gorges Reservoir Area from 2000 to 2022 (10⁴ t)

表3. 2000~2022年三峡库区不同土地利用类型碳收支量(10⁴ t)

年份		碳源				碳汇		净碳排放量
	耕地	建设用地	合计	林地	草地	水域	未利用地	合计
2000	84.83	973.68	1058.51	−160.84	−0.13	−3.08	−0.000001	−164.05	894.46
2010	75.03	2843.62	2918.65	−171.77	−0.11	−4.3	−0.000006	−176.18	2742.47
2022	71.88	4294.55	4366.43	−175.12	−0.02	−4.16	−0.0003	−179.3	4187.13

Figure 2. Spatio-temporal change pattern of land use carbon emissions in the Three Gorges Reservoir area in 2000~2022

图2. 2000~2022年三峡库区土地利用碳排放时空演变格局

2000~2022年三峡库区土地利用碳排放呈现出西部高、东部低的空间格局(图2)。重庆主城区、万州区及夷陵区等属于碳排放高值区，与这些区域城镇化水平高、建设用地面积占比大密切相关；长江、嘉陵江等沿岸属于碳排放中值区，主要由于大面积的耕地毗邻水源，而耕地为仅次于建设用地的第二大碳源；库区东北部及其腹地是碳排放低值区，主要因为该区域林地、草地广布，成为最大的库区碳汇。综上，22年三峡库区土地利用碳排放高值区呈不断扩张趋势，2010~2022年碳排放高值区扩张趋势尤为明显，主要体现以重庆主城区为代表的集聚扩大与库腹、库尾为代表的零星扩大，这与库区建设用地面积扩张趋势基本保持一致。

3.2. 三峡库区土地利用碳排放驱动因素

Figure 3. Single factor detection radar map of land use carbon emissions in the Three Gorges Reservoir area

图3. 三峡库区土地利用碳排放的单因子探测雷达图

(a) 2000年 (b) 2010年 (c) 2022年

Figure 4. Interactive detection of driving factors of land use carbon emissions in the Three Gorges Reservoir area

图4. 三峡库区土地利用碳排放驱动因子的交互探测

基于2000、2010、2022年三个时期碳排放时空分异的驱动因素的q值排序分析(图3)发现：2000年，高程与年均温的q值均大于0.2，是影响土地利用碳排放空间分异的主导因子，这与生产活动多集中在温暖且地势低平地区密切相关；而坡度、年降水量的q值仅为0.1左右，其解释碳排放空间分异的能力一般。在社会经济因素中，人口密度与GDP总量具有较强的解释能力，q值均大于0.12。2010年，自然环境因子的解释力均呈下降态势，而人口密度与GDP总量的解释力均增大，表明随着科技进步，自然条件对用地变化的限制逐渐减弱，社会经济发展成为碳排放空间分异的主要驱动力。与2010年相比，2022年各因子对三峡库区土地利用碳排放的解释力变化不大，但距公路距离、距铁路距离的q值有所提升，渝万高铁、三峡翻坝高速等交通基础设施的建设驱动着库区土地利用的相互转化，从而增加了碳排放。综合来看，社会经济因素，尤其是人口密度和GDP总量，是三峡库区土地利用碳排放的关键驱动因素，交通基础设施的发展对碳排放的影响也日益显著。

对三峡库区土地利用碳排放空间分异的多因子交互分析发现，两两因子交互的q值均表现出不同程度的提高，不同时段各因子交互后的解释力存在差异(图4)。2000年，高程与坡度(X1 ∩ X2)、高程与年均温(X1 ∩ X4)、高程与人口密度(X1 ∩ X8)、高程与GDP总量(X1 ∩ X9)、坡度与年均温(X2 ∩ X4)、年降水量与年均温(X3 ∩ X4)、年均温与距公路距离(X4 ∩ X5)、年均温与距铁路距离(X4 ∩ X6)、年均温与距城市驻点距离(X4 ∩ X7)、年均温与人口密度(X4 ∩ X8)、年均温与GDP总量(X4 ∩ X9)等11对因子的交互作用具有较强的解释力，其q值均大于0.25，表明海拔高度、年均温、人口密度及GDP总量是影响2000年库区碳排放空间分布的关键因素。2000~2010年间，各因子的交互作用解释力有所增强。与单因子分析相比，人口密度、GDP总量与其他因子的交互作用解释力显著增强，q值在0.17~0.34之间，显示出人口与经济要素与自然环境因子的结合对碳排放空间分异的影响更加显著。与2010年类似，2022年各因子的交互作用解释力也有一定提升。其中高程 ∩ 人口密度、坡度 ∩ 人口密度、年均温 ∩ 人口密度等11对因子q值均大于0.25。2010~2020年，人口密度 ∩ GDP总量是三峡库区土地利用碳排放的最强解释因子，q值分别为0.38和0.41，与单因子分析结果吻合。综上所述，在自然环境因子和社会经济因子的共同作用下，人口密度和GDP总量是三峡库区土地利用碳排放空间分异的关键驱动因素，进一步证实了土地利用类型的变化是一个多因素综合作用的过程。

3.3. 三峡库区土地利用碳排放情景分析

2030~2050年三峡库区土地利用碳收支情景分析表明，6种用地类型碳收支格局基本保持稳定(表4)，但不同情景下的净碳排放差异显著。2030年三峡库区3种情景模式下的土地利用碳排放仍未达峰。惯性发展情景下，因建设用地持续扩张，库区净碳排放量增长显著，由2030年的7.54 × 10⁷ t增长到2050年的2.36 × 10⁸ t，平均增长率超75%。而耕地保护和生态保护情景碳排放量虽仍有所增加，但增速相对较缓，表现出更有效的碳减排效果。与2022年相比，2030年两种情景分别增加46.9%和51.8%的碳排放；预测到2040年，较2030年分别增加46.5%和47.5%；到2050年，较2040年分别增加46.5%和46.1%。2030~2050年，两种保护情景较惯性发展情景分别减少24.7%和20.8%、50.1%和44.4%、80.2%和73.9%的碳支出，显示出二者在抑制碳排放增长方面的显著优势。2030~2050年碳汇量总体保持稳定，林地碳汇量变幅为−1.33~0.02%、−2.45~0.02%、−3.68~0.02%，波动相对较小，草地、水域碳汇量基本保持不变。碳汇量最大的是生态保护情景，惯性情景次之，耕地保护情景最少。

Table 4. Carbon budget of different land use types in the Three Gorges Reservoir Area under different scenarios during 2030~2050 (10⁴ t)

表4. 2030~2050年不同情景下三峡库区不同土地利用类型碳收支量(10⁴ t)

情景	年份	碳源				碳汇				净碳 排放量
		耕地	建设用地	合计	林地	草地	水域	未利用地	合计
惯性 发展 情景	2030	68.26	7653.73	7721.99	−174.56	−0.02	−4.16	−0.00001	−178.74	7543.25
	2040	62.46	13415.60	13478.06	−172.79	−0.02	−4.16	−0.000001	−176.98	13301.09
	2050	53.79	23515.11	23568.90	−167.53	−0.02	−4.16	−0.000001	−171.71	23397.19
耕地 保护 情景	2030	71.84	6153.42	6225.26	−172.41	−0.02	−4.16	−0.000001	−176.59	6048.66
	2040	71.84	964.65	9036.49	−168.19	−0.02	−4.16	−0.000001	−172.37	8864.12
	2050	71.84	13077.48	13149.32	−162.00	−0.02	−4.16	−0.000001	−166.19	12983.14

续表

生态 保护 情景	2030	69.50	6355.58	6425.08	−175.15	−0.02	−4.16	−0.00002	−179.34	6245.74
	2040	66.12	9323.16	9389.28	−175.15	−0.02	−4.16	−0.000002	−179.34	9209.94
	2050	61.28	13573.98	13635.26	−175.15	−0.02	−4.16	−0.000001	−179.34	13455.92

2030~2050年三峡库区土地利用碳排放高值区呈持续扩张趋势(图5)。惯性发展情景下，库尾的碳排放高值区扩张尤为显著，库腹的高值区则从早期零星分布、不明显的状态逐渐过渡到斑块状分布，三个阶段高值区面积分别占4.21%、7.57%、13.52%。这与城市化和基础设施建设的驱动作用密切相关，导致碳排放区域快速扩展。耕地保护情景下，碳排放高值区在库尾仅有小幅扩张，其扩展趋势得到有效遏制，但在库腹地区高值区由零星分布转向多条带式分布，伴随着碳汇区域的缩减，表明耕地保护会导致一些林地和草地的转变，进而影响到区域碳汇能力。生态保护情景下，碳排放高值区虽然在库尾也呈扩张趋势，但较惯性发展情景较弱，扩张幅度略大于耕地保护情景。这两种情景在保持区域生态平衡和减缓碳排放方面具有积极影响，可有效实现库区碳减排与环境与经济的协调发展。

Figure 5. Spatial-temporal change pattern of land use carbon emissions in the Three Gorges Reservoir area under different scenarios in 2030~2050

图5. 2030~2050年不同情景下三峡库区土地利用碳排放时空演变格局

4. 讨论

4.1. 三峡库区土地利用碳排放时空特征及驱动机制

2000~2022年，随着三峡库区城市化进程的加快，土地利用格局发生了显著变化，尤其是建设用地的扩张推动了碳排放的增加。这一过程中，耕地逐渐被建设用地侵占，而受严格的“占补平衡”耕地保护制度的约束[49]，流失的耕地必须得到补充，通常新开垦的耕地来源于林地[9]。林地作为碳密度较高的土地类型，其减少不仅削弱了库区的碳汇能力，还进一步推动了碳排放的增长。从空间分布特征看，三峡库区土地利用碳排放在空间上呈现出明显的“西高东低”的分布格局，与鄂施璇等[50]的研究结论一致。库区西部因高度城市化及高密度人口分布等多种复杂因素影响，使得碳排放水平相对较高，且在空间上呈现出较为明显的连续性和集中性；而库区东北部大面积位于武陵山区、秦巴山区，森林覆盖率高，形成了与西部鲜明对比的低碳排放区。

人口增长和经济活动扩张是库区碳排放增加的主要驱动因素，这与尹珂等[51]的研究结论一致。早期阶段，高程、年均温等自然因素对碳排放的影响较显著，而后续社会经济因素的影响增强，比如人口增长导致对住房、基础设施等需求增加，导致建设用地扩张，对碳排放产生重要影响。且交通基础设施对碳排放的影响也不可忽视[52]，发达完善的路网体系，不仅促进了地区间的经济联动与人员流动，还加速了对城市边缘地区的开发，推动了建设用地向外扩展。这种扩展不仅改变原有的土地利用模式，还可能导致区域土地碳汇能力的下降，从而进一步增加碳排放。

4.2. 多情景下三峡库区土地利用碳排放变化及对策

2030~2050年惯性发展情景下三峡库区土地利用碳排放仍保持高位增长趋势，耕地保护和生态保护情景下碳排放虽得到有效遏制，但三种情景模式均与2030年碳达峰目标冲突。惯性发展情景假设现有土地利用开发强度不变，城市化、基础设施建设等高碳排放活动将持续，而由于缺乏有效的减排政策和调控，碳排放将继续高速增长，影响碳达峰目标的实现。耕地保护情景虽保障了粮食安全，但扩大耕地面积并未显著提升碳吸收能力。生态保护情景尽管通过保护林地和草地增加了碳汇，但减排效果不足以完全抵消建设用地碳排放的增长。

为实现三峡库区的低碳发展目标，应以减源增汇为导向，合理规划各类土地利用方式。针对库尾的重庆中心城区及长江干流沿线的城建区域，需严格控制建设用地扩张，并科学合理规划城市用地。一方面强化对周边未利用地的开发，降低对现有生态用地的占有；另一方面，提升单位面积的立体容纳能力，促进城市空间的紧凑化发展等。武隆、奉节、巫山、巫溪、石柱、秭归等库腹、库首区县需强化对林地等高碳密度地类的保护和修复，通过生态补偿机制提高森林覆盖率[53]，增加碳汇功能。江津、涪陵、长寿、丰都等库尾、库腹区县则须挖掘耕地减源潜力，如改良耕作方式与优化施肥模式等，同时推广可持续农业和土壤增汇技术以提升耕地碳吸收能力[54]。在交通基础设施领域，应合理规划路网布局，避免其对生态区的干扰，同时大力推广新能源汽车的使用，减少交通领域的碳排放。

5. 结论

(1) 2000~2022年三峡库区碳排放总量和净碳排放量均呈上升趋势，其中建设用地的贡献最大。库区土地利用碳排放在空间上大致呈西高东低分布格局，碳排放高值区主要分布于重庆主城区等区域；碳汇区域主要分布于库区东北部及库区腹部。

(2) 人口密度与GDP总量是影响三峡库区土地利用碳排放空间分异的主要驱动因子，社会经济因素对土地利用碳排放格局演变的解释力均大于自然环境因素。

(3) 惯性发展情景下2030~2050年三峡库区建设用地面积持续扩张，土地利用净碳排放量进一步上升，而耕地保护与生态保护情景下建设用地扩张趋势得到遏制，相应的净碳排放量也有望得到遏制。

(4) 应继续巩固退耕还林、退耕还草政策，特别是在库区东北部等碳汇功能强的区域。此外，在高碳排放区如重庆中心城区，需提升土地利用效率，最大限度地减少碳排放并提升土地的碳汇能力。

本研究在三峡库区土地利用碳排放的估算方面有待完善，未来研究应进一步优化碳排放核算方法，充分考虑碳排放系数的区域异质性以及清洁能源应用趋势。同时，将土地利用类型情景模拟有效整合具体减排措施，更加系统地预测碳排放趋势，深入探索实现双碳目标的低碳发展路径，支持库区的高质量发展。

基金项目

国家自然科学基金项目(42171149)，中国地质调查局地质调查项目(DD20221929)。

NOTES

^*通讯作者。