县域视角下土地利用变化与土地利用碳排放的关联性研究

Correlation Between Land Use Change and Land Use Carbon Emissions from the County Perspective：A Case Study of Hohhot

摘要

为助推城市低碳开发利用土地，通过土地利用动态度、碳排放量计算、灰色关联度等方法，探究 呼和浩特市土地利用变化与土地碳排放之间的关联性。研究结果表明：（1）研究区的土地利用变化程度最大为建设用地，2010—2020年平均动态度达到3.34%，其次为未利用地、耕地、草地、水域、林地，玉泉区的土地利用变化程度高于其他旗县；（2）土地利用碳排放效应研究发现，建设用地的碳排放量最大，赛罕区的土地利用碳排放量最多，武川县的土地利用碳汇量最大，土地利用净碳排放量中赛罕区最大；（3）各地类变化与土地利用碳排放量变动的关联度均大于0.5，说明土地利用变化对土地利用碳排放有显著影响，其中，建设用地的影响最大，其次是水域，林地，草地，耕地和未利用地。因此，建设用地面积的变化对土地利用碳排放的影响是最大的，如要缓解建设用地带来的碳排放压力，一方面要对建设用地扩张进行合理的规划和管控，更新能源结构，提升可再生清洁能源的使用；另一方面增加碳汇土地，保护林地、草地、人造湖泊等利用类型，增加碳汇储备。

Abstract

To promote the low-carbon development and utilization of urban land， this study explores the correlation between land use change and land use carbon emissions in Hohhot by using land use dynamics， carbon emission calculation， and grey correlation degree. The followings are found from the research. （1） Construction land had the highest land use change degree in the study area with an average dynamic degree of 3.34% from 2010 to 2020， followed by unused land， cultivated land， grassland， water area， and woodland. The degree of land use change in Yuquan District was higher than those in other banners and counties. （2） The research on the carbon emission effect of land use shows that the carbon emission of construction land is the largest. The land use carbon emissions in Saihan District are the largest， and land use in Wuchuan County has the largest carbon sink. The net land use carbon emissions are the largest in Saihan District. （3） The correlation between land use change and land use carbon emissions is greater than 0.5. This indicates that land use change has a significant influence on land use carbon emissions， with construction land having the greatest influence， which is followed by water area， woodland， grassland， cultivated land， and unused land. Therefore， the change of construction land area has the greatest impact on land use carbon emissions. To alleviate the pressure of carbon emissions from construction land， reasonable planning and control of construction land expansion is necessary， and energy structure update is needed to enhance the use of renewable and clean energy. Additionally， efforts should be made to increase carbon sink land and protect woodland， grassland， man-made lakes， etc.， so that carbon sink reserves can be enhanced.

Graphical abstract

关键词

土地利用变化 / 县域单元 / 土地利用碳排放 / 关联性 / 灰色关联度

Key words

land use change / county level / land use carbon emissions / relevance / grey correlation degree

近年来，碳排放已经成为全球的重点研究课题，我国对碳排放量的控制极为重视，在《“十四五”规划和2035年远景目标纲要》中提出加快推动绿色低碳发展，制定2030年前碳达峰行动方案，努力争取到2060年实现碳中和。2010—2019年近十年间，全球土地利用碳排放量占全球人类活动碳排放量的14%，陆地生态系统（林地、草地、水域、未利用地）吸收固定了31%的人类活动碳排放量^［1］，土地利用碳排放成为全球第二大碳排放来源，第一是化石燃料燃烧^［2］。因此，研究土地利用碳排放量具有重要的现实意义。学者们对土地利用碳排放的研究主要集中在三个方面。（1）土地利用碳排放的测算，众学者对畜牧业^［3］、农业^［4］碳排放和建设用地^［5］、湿地^［6］、森林^［7］和陆地植被^［8⁃9］等土地利用碳排放进行了测算。赵成义^［8］利用田间试验数据和地面调查数据，研究了干旱区典型陆地生态系统的碳源碳汇关系。（2）土地利用碳排放预测^［10］与土地利用碳排放的时空变化^{［11⁃12］}。魏媛等^［10］基于碳达峰、碳中和研究背景，探究并预测贵州省2002—2019年土地利用碳排放演变规律；Zhang等^［11］分析了2000—2019年黄河三角洲碳排放的时空分布特征。（3）土地利用碳排放与其他要素相结合做关联性研究，包括土地利用碳排放与经济发展水平的关系^{［13⁃14］}、土地利用碳排放的影响因素^{［15⁃16］}和土地利用碳排放与土地利用变化的关系^{［17⁃19］}。张中秋等^［14］借助经济合作与发展组织（OECD）脱钩模型，评估了广东省土地利用碳排放与经济增长的脱钩情况；黄蕊等^［15］利用STIRPAT和岭回归模型分析了人口、技术进步、城镇化水平、富裕度四个因子对碳排放的影响程度；李彦旻等^［18］利用安徽省2000—2020年的土地利用变化数据，评估并分析了安徽省净碳排放量、碳排放时空特征，并研究了安徽省的碳足迹、碳生态承载力和碳生态赤字。

多数学者从碳排放的时空分异^［12］和相关系数^［18］（如土地利用碳生态承载系数、土地利用碳排放经济贡献系数等）角度研究土地利用变化和碳排放的关系，直观研究地类变化与碳排放变化关联性的文献较为缺乏。目前的文献中关于土地利用和碳排放的关联模型多采用空间自相关模型^{［17，19］}，利用空间自相关模型研究各单元间土地利用碳排放的空间关联，未能体现土地利用变化与碳排放的直接关联程度，而灰色关联度模型可以对母序列和子序列的关联性进行大小排列，能够直观判断各地类变化对碳排放的影响程度。在现有的研究尺度中，多以区域^{［12，16］}、省市^{［13⁃15］}等作为研究对象，细化到县域的较少，县域尺度的研究难度在于结果受数据精度的影响。本文以呼和浩特市为例，以县域为评价单元，利用灰色关联度模型，探索各地类影响土地利用碳排放的强度，为减少温室气体排放、提高呼和浩特市低碳用地提供借鉴参考。

1 研究区概况与数据来源

1.1 研究区概况

呼和浩特市是内蒙古自治区的首府城市，下辖4个市辖区（新城区、回民区、玉泉区、赛罕区）、5个旗县（土默特左旗、托克托县、和林格尔县、清水河县、武川县）。呼和浩特市地处内蒙古自治区中部（110°46′E~112°10′E，40°51′N~41°8′N），是环渤海经济圈、西部大开发、振兴东北老工业基地三大战略交会处，同时是东部地区连接西北、华北的桥头堡；是中国向蒙古国、俄罗斯开放的重要沿边开放中心城市；是连接黄河经济带、亚欧大陆桥、环渤海经济区域的重要桥梁^［20］。“一带一路”倡议带动呼和浩特市经济实力快速提升的同时，大量林地、草地和河流湖泊被建设用地侵占，土地利用冲突和碳中和的压力也随之增大，有效平衡土地利用碳排放和经济发展之间的关系是目前面临的重要问题。

1.2 数据来源

采用栅格、矢量和社会经济三类数据。栅格数据包括2010年、2015年、2020年呼和浩特市30 m分辨率的LUCC数据，来源于中国科学院地理科学与资源研究所网站（http：//www.Igsnrr.Ac.cn/），并利用ArcGIS10.4将栅格数据转化为矢量数据。矢量数据包括呼和浩特市行政矢量边界，来源于中国科学院地理科学与资源研究所网站。社会经济数据包括呼和浩特市各旗县能源消耗量、工业产值、地区GDP等，来源于《内蒙古自治区统计年鉴》《呼和浩特市统计年鉴》、呼和浩特市政府工作报告、国民经济和社会发展纲要等。

2 研究方法

2.1 碳排放计算

根据石洪昕等 ^［21］的研究，碳活动分为碳源和碳汇。林地、草地、水域、未利用地碳汇能力较强，林地和草地在植物生长过程中，通过光合作用将二氧化碳转化为有机物，形成陆地碳库^［12］，林地固定碳的能力较强；二氧化碳具有溶于水的特性，故水域可以吸收二氧化碳；荒草地和裸土地等未利用地也有一定的固碳能力，但固碳能力很弱^［22］。耕地和建设用地为主要碳源，耕地本身具有碳源和碳汇的双重属性，农作物在生长过程中进行光合作用，吸收大量的二氧化碳实现了碳汇的作用，但在耕作过程中又会排放二氧化碳，形成碳源。根据车敏^［23］的研究结果，耕地的碳排放量大于碳吸收量，将耕地确定为碳排放土地利用类型；建设用地人类活动居多，各类工业活动以及车辆尾气排放都会产生二氧化碳。根据靳晓雯 ^［5］的研究，建设用地增长与能源消费碳排放之间的关系呈正相关，且建设用地对能源消费碳排放的影响度持续增加，本文利用研究区域的能源消耗量间接估算建设用地的碳排放量。综上，耕地和建设用地碳排放量计算公式为

E_{\mathrm{C}i}={\beta }_i\times S_i,

其中，i为耕地、林地、草地、水域、未利用地，E_{\mathrm{C}i}为五种地类的碳排放量；\beta为五种地类的碳排放系数；S为五种地类的面积。将碳排放系数定为耕地0.372 \mathrm{t}/\mathrm{h}{\mathrm{m}}^{\mathrm{2}} ^{［22⁃23］}、林地-0.487 \mathrm{t}/\mathrm{h}{\mathrm{m}}^{\mathrm{2}} ^{［22，24］}、草地-0.191 \mathrm{t}/\mathrm{h}{\mathrm{m}}^{\mathrm{2}} ^［9，22］、水域-0.41 \mathrm{t}/\mathrm{h}{\mathrm{m}}^{\mathrm{2}} ^［5，22］、未利用地-0.005 \mathrm{t}/\mathrm{h}{\mathrm{m}}^{\mathrm{2}} ^{［22，24］}。

E_{\mathrm{C}j}=E_j\times A_j\times {\gamma }_j,

其中，j为各能源的类型；E_{\mathrm{C}j}表示建设用地的间接碳排放量；A_j表示各能源的标准煤折算系数；{\gamma }_j表示各能源的碳排放系数。根据呼和浩特市统计年鉴，呼和浩特市主要消费能源包括原煤、焦炭、汽油、柴油、电力、热力，根据《中国能源统计年鉴》及IPCC碳排放计算指南（2006），得到上述能源的标准煤折算系数及碳排放系数。根据统计年鉴得到的能源消费量为各工业行业能源消费量的总和，故本文利用各旗县的工业产值占呼和浩特市工业总产值的比重作为呼和浩特市各旗县能源消费量占全市能源消费总量的比重，得到各旗县的近似能源消费量。呼和浩特市主要能源及其标准煤折算系数和碳排放系数见表1。

2.2 土地利用动态度

土地利用单一动态度反映某一地类在某段时间内的增减幅度，单一动态度“+”号表示面积扩张，“－”号表示面积缩减，土地利用单一动态度绝对值越大，代表某种土地利用类型在特定时间段内的变化越大，反之则越小。公式为

Q=\frac{P_{\mathrm{b}}-P_{\mathrm{a}}}{P_{\mathrm{a}}}\times \frac{\mathrm{1}}{t}\times \mathrm{100}\mathrm{\%}，

其中，Q为某地类的土地利用单一动态度，P_a表示某地类研究初期面积，P_b表示某地类研究末期面积，t为研究期持续年数。

土地利用综合动态度可以反映研究区某段时间内全部地类的整体变化程度，公式为

G=\left[\frac{{\sum }_{i=\mathrm{1}}^n∆G_{i-j}}{\mathrm{2}{\sum }_{i=\mathrm{1}}^n{G}_i}\right]\times \frac{\mathrm{1}}{t}\times \mathrm{100}\mathrm{\%}，

其中，i为土地利用类型，本研究涉及的土地利用类型有6种；G为土地利用综合动态度；∆G_{i-j}为研究初期至末期第i种地类转换为其他地类的面积总和；G_i为研究初期第i种地类总面积。

2.3 灰色关联度分析

灰色关联分析是一种用来分析参考序列和比较序列关系密切程度的统计方法。本文利用灰色关联度模型分析净碳排放量和各用地类型变化之间的关联性。关联度越大，表示某一用地类型对土地利用碳排放的影响程度越大；反之，则表示某一用地类型对土地利用碳排放的影响越小。以下为灰色关联分析的步骤^{［25⁃26］}。

（1） 选择参考序列X_{\mathrm{0}}=(x_{\mathrm{01}},x_{\mathrm{02}},x_{\mathrm{03}})；比较序列X_{i\mathrm{1}}=(x_{i\mathrm{1}},x_{i\mathrm{2}},x_{i\mathrm{3}})。其中i为1，2，3，…，n。

（2） 无量纲化处理参考序列和比较序列。无量纲的方法包括初值法和均值法，本文运用初值法，得到X{\mathrm{\text{'}}}_i=X_i/x{\mathrm{\text{'}}}_{i\mathrm{1}},x{\mathrm{\text{'}}}_{i\mathrm{2}},x{\mathrm{\text{'}}}_{i\mathrm{3}}\dots x{\mathrm{\text{'}}}_{in}，i=\mathrm{0,1},\mathrm{2},\dots ,m。

（3） 计算差序列，在差序列的基础上求最大差和最小差：差序列{∆}_{\mathrm{0}i}(k)=\left|x{\mathrm{\text{'}}}_{\mathrm{0}}(k)-x{\mathrm{\text{'}}}_i(k)\right|，k=1，2，3，…，n；最大差M=\mathrm{M}\mathrm{a}{\mathrm{x}}_i\mathrm{M}\mathrm{a}{\mathrm{x}}_k{∆}_{i(k)}；最小差m=\mathrm{m}\mathrm{i}{\mathrm{n}}_i\mathrm{m}\mathrm{i}{\mathrm{n}}_k{∆}_{i(k)}。

（4） 计算关联系数：r(x_{\mathrm{0}}(b),x_i(b))=(m+\delta M)/({\mathrm{\Delta }}_{\mathrm{0}i}(b)+\delta M)，其中\delta \in (\mathrm{0,1})，b=1，2，…，n，

i=0，1，2，…，m。\delta为分辨系数，一般而言\delta \mathrm{的取}\mathrm{值为}\mathrm{0.5}。

（5） 求关联度：r(x_{\mathrm{0}},x_i)=\frac{\mathrm{1}}{n}{\sum }_{ki=\mathrm{1}}^n\sum r({\mathrm{x}}_{\mathrm{0}}(b),x_i(b))，i=0，1，2，…，m。

（6） 分析结果：若r(x_{\mathrm{0}},x_i)>r(x_{\mathrm{0}},x_j)>r(x_{\mathrm{0}},x_k)>\dots >r(x_{\mathrm{0}},x_z)，则表示x_i比x_j关联度强，x_j比x_k强，记作x_i>x_j>x_k>\dots >x_z。其中，x_i>x_j代表相比于x_j，x_i与参考序列X_{\mathrm{0}}的关联度更强。关联度越大，代表此因素与参考序列的联系更加紧密。

3 结果分析

3.1 土地利用变化分析

（1）土地利用数量变化

呼和浩特市用地面积最大的是草地和耕地，草地面积占比达37.72%，耕地面积占比达36.79%；其次是林地，占全市土地总面积的14.46%；建设用地、水域和未利用地占比均在10%以下，具体变化见表2。

从表2可知，建设用地土地利用动态度最高，是变化最剧烈的地类。10年平均动态度在3.34%，2010—2015年的单一动态度远高于2015—2020年，说明建设用地在2010—2015年扩张更快。其次变化较为剧烈的是未利用地，且呈递减趋势，在2010—2015年减少的面积最多，说明城市的开发建设占用较多未利用地。第三是耕地，十年间呈减少趋势，且2010—2015年的动态率是2015—2020年的4.3倍，说明2010—2015年耕地减少的速度更快。变化程度最低的是草地、水域和林地，且2010—2015年的变化程度大于2015—2022年。从土地利用综合动态度来看，2010—2015年的土地综合动态度是2015—2020年的8.5倍，说明2010—2015年呼和浩特市用地变化幅度剧烈，用地类型之间发生转移的面积大，2015—2020年用地类型变化较为平缓，趋于稳定。

（2）土地利用空间变化

耕地在武川县和和林格尔县分布最多，这两个县的耕地面积占到全市耕地的50.22%，林地在武川县和土默特左旗分布最多，草地在武川县和清水河县分布较多，水域在武川县和和林格尔县分布面积较大。相较于其他用地类型，建设用地在各旗县分布相对平均，其中在武川县、和林格尔县、土默特左旗等工业园区聚集地相对较多，未利用地在土默特左旗分布最多，远超其他旗县（图1）。

从表2和图1可以看出，2010—2015年研究区各旗县的土地利用变化程度均高于2015—2020年，说明研究区2015—2020年经济发展对土地的需求依赖性更强。其中，玉泉区的土地利用变化最为强烈，其他旗县的土地利用变化程度大小是回民区>赛罕区>新城区>和林格尔县>土默特左旗>托克托县>清水河县>武川县。

3.2 土地利用碳排放量及碳吸收量

3.2.1 土地利用碳排放量

2010—2020年呼和浩特市土地利用碳排放量呈逐年上升趋势，土地利用碳排放量的增长率在2010—2015年为2.58%，2015—2020年为10.93%，2015—2020年增长速度加快，原因是2015—2020年能源消耗颇多（表3）。呼和浩特市9个旗县土地利用碳排放程度有所不同，从大到小依次是赛罕区>托克托县>和林格尔县>土默特左旗>玉泉区>新城区>回民区>清水河县>武川县（图2）。赛罕区有两个呼和浩特市的大型工业园区（金桥工业园区和如意开发园区），土地利用碳排放量高。托克托县的土地利用碳排放量次之，其地处呼包鄂“金三角”开发区腹地，工业产业集聚，有托克托产业园，也是国家重点建设项目大唐托克托电厂的坐落地。和林格尔县土地利用碳排放量排名第三，和林格尔县经济园区云谷片区和空港经济区有大数据和云计算产业基地，乳业开发区有蒙牛、盛健羊乳、正大、蒙草等龙头企业入驻，也具有较大的碳排放基础。此外，各旗县的土地利用碳排放特征的年变化有所不同，详见图2。

（1）2010—2020年玉泉区、赛罕区、托克托县的土地利用碳排放量呈持续增加趋势。

（2）2010—2020年回民区、土默特左旗、和林格尔县、清水河县、武川县土地利用碳排放量呈先减少再增加。

（3）2010—2020年新城区呈先增加再减少。

3.2.2 土地利用碳吸收量

2010—2020年全市土地利用碳吸收量基本保持在同一水平，各地类土地利用碳吸收量由大到小依次为草地、林地、水域、未利用地（表4）。一般单位面积的林地碳吸收量最大，但由于呼和浩特市草地面积远大于林地面积，所以研究区草地的年碳吸收总量高于林地。

呼和浩特市各旗县土地利用碳吸收量由大到小排序为武川县>清水河县>和林格尔县>土默特左旗>新城区>托克托县>赛罕区>回民区>玉泉区，如图3所示。武川县生态环境基础好，土地利用碳汇量最多，因有哈达门国家森林公园、淖尔梁高山草原等，同时还积极开展退耕还林工程、京津风沙源治理工程和森林抚育项目等，大气污染防治、固体废弃物综合利用及污染防治、土壤污染治理、矿山地质环境保护与恢复治理等环境治理举措取得积极成效。清水河县由于城镇化率不高，建设用地规模较小，能源消耗较少，同时大力开展国土绿化，实施京津风沙源治理、天然林治理和退耕还林等国家重点生态建设工程，清水河县的碳汇得到有效发展。和林格尔县碳吸收量在九个旗县中排名第三，依托蒙草、蒙树等生态龙头企业培育壮大特色绿色产业，树立了生态兴业的旗帜，大力发展现代草种业，支持蒙草建设国家级种业重点实验室，生态产业发展为碳汇做出了贡献。而各旗县土地利用碳吸收量的年际变化基本不变，保持在同一水平。

3.2.3 土地利用净碳排放量

土地利用净碳排放量是土地利用碳排放量与碳吸收量的差值。2010—2020年土地利用净碳排放量逐年递增，且2015—2020年土地利用净碳排放量的增长程度最大，2015—2020年研究区建设大量基础设施，如航天大道、县道X009、和林至机场公路、河西专用公路等，建设用地扩张，能源消耗加剧（表5）。

各旗县土地利用净碳排放量排序为赛罕区>托克托县>和林格尔县>土默特左旗>玉泉区>新城区>回民区>清水河县>武川县，如图4所示。赛罕区土地利用净碳排放量最大，是因赛罕区在“十二五”规划中明确提出2015年进入全国先进城区行列，在此之前石化、电力产业、硅业和光伏材料等优势特色产业和战略新兴产业发展，同时，城中村、旧城区改造、卫星城镇建设的开展，建设用地面积增加。赛罕区2015—2020年现代农牧业、新型农畜产品加工区得到发展，金桥经济技术开发区成为国家级高新技术产业开发区，打造了全区重要的石油化工示范基地、国内最大的光伏产业示范基地和高端装备制造业基地，能源消耗加剧，建设用地扩张导致土地利用碳排放量增加。综合来看：（1）新城区土地利用净碳排放量呈先增加后减少趋势；（2）回民区、土默特左旗、和林格尔县、武川县呈先减少后增加趋势；（3）玉泉区、赛罕区、托克托县、清水河县呈持续增加的趋势。

3.3 土地利用变化与土地利用碳排放量的灰色关联度分析

将2010—2020年土地利用净碳排放量作为参考序列，2010—2020年各地类面积作为比较序列，在此基础上利用初值法对参考序列和比较序列进行无量纲化处理，减少由统计单位不同带来的计算偏差。继而在差序列的基础上得到最大差M=0.899，最小差m=0。在此基础上得出了2010—2020年各地类变化与净碳排放量的关联系数，见表6。对各地类的灰色关联系数取均值进而得到最终的灰色关联度，见表7。

表 7　土地类型与土地利用净碳排放量的

灰色关联度

Tab. 7　The grey correlation degree between

land type and net carbon emissions

from land use

结果显示，建设用地的面积变化与土地利用碳排放量的变化关联度最高，其次是水域、林地、草地、耕地和未利用地。

（1）建设用地灰色关联度最高，原因是建设用地本身碳排放量高，且建设用地扩张速度快。首先，建设用地所排放的二氧化碳远高于草地、林地、水域等可吸收和可固定的二氧化碳，2020年呼和浩特市的碳汇量是25.68万吨，而建设用地的二氧化碳排放量达到了2 405 396万吨。其次，10年间建设用地扩张迅速，建设用地的单一动态度是所有地类中最高的，达到了3.34%；2010—2020年，呼和浩特市房地产行业蓬勃发展，房地产开发投资总额超过2 101.82亿元；交通方面呼包集城际动车组开通，同时开工建设了呼张高铁、呼准鄂城际铁路；白塔空港物流园区、中国电信信息园和中国联通西北基地一期工程部分项目投入使用，建设用地急速扩张。因此，建设用地变化与土地利用净碳排放量的关联度最高。

（2）林地和草地的灰色关联度次于建设用地和水域。林地的单位碳汇能力强，草地的面积大，对于净碳排放量的影响较大。林地的碳汇能力是所有的地类中最强的，每年一公顷林地可以固定二氧化碳487千克，呼和浩特市林地面积的比例为14%，而林地的碳汇量占到全部碳汇量的47%；草地的单位碳汇能力低于林地，每年一公顷草地的碳汇量为191万吨，但草地在呼和浩特市分布广泛，草地占呼和浩特市全域面积的37%左右，所固定的二氧化碳占全部碳汇量的48%，林地和草地对呼和浩特市碳汇的贡献较大。10年间，呼和浩特市开展人工育林护林，林业生态建设超过208.8万亩，2020年大青山自然保护区内100家工矿企业全部退出，完成国土绿化55.5万亩，全市生态能力有所提升，碳汇能力提升。

（3）耕地的碳排放能力较弱，且耕地的变动幅度较小，故灰色关联度较低。在种植农作物的过程中使用机械农具会排放二氧化碳，但农作物的光合作用可以吸收一部分二氧化碳，故耕地的碳排放能力较弱。2010—2020年耕地的单一动态度为0.32%，变动幅度较小。

（4）未利用地的单位碳汇能力最小，占地面积最小，故而灰色关联度最小。未利用地的单位碳汇量仅有5 kg/hm²，其碳汇量仅占全部碳汇量的0.06%，未利用地的占地面积也仅在1.68%左右，是占地面积最小的地类。

4 讨论和结论

4.1 讨论

本文参照《中国能源统计年鉴》及IPCC碳排放计算指南（2006）的标准煤折算系数及碳排放系数，在县域尺度上借助灰色关联度模型实现了土地利用变化与碳排放的关联度计算。研究结果中建设用地、林地、草地、耕地及未利用地的关联度随着各地类的碳排放/碳吸收能力大小依次降低，与实际相符。但林地的碳排放系数绝对值高于水域，而林地的关联度却在水域之下，原因或为林地的变化率低于水域，这一点尚需严格验证。未来需要进一步探究影响土地利用变化与碳排放关联度大小的具体因素。

4.2 结论

（1）建设用地的动态度最大，其次是未利用地、耕地、草地、水域、林地，2010—2015年的土地利用类型的变化程度强于2015—2020年；从空间上看，2010年—2020年呼和浩特市各旗县土地利用综合动态度最高的是玉泉区，其次是回民区、赛罕区、新城区、和林格尔县、土默特左旗、托克托县，清水河县和武川县。

（2）碳源主要是指排放二氧化碳，耕地和建设用地是主要的碳源土地利用类型。2015—2020年土地利用碳排放量增长率高于2010—2015年，其中建设用地的碳排放最高。在呼和浩特市九个旗县中，碳排放最高的是赛罕区，其次是托克托县，和林格尔县，土默特左旗，玉泉区，新城区，回民区，清水河县，武川县。

（3）碳汇主要是吸收二氧化碳，林地、草地、水域、未利用地是主要的碳汇土地利用类型。呼和浩特市草地的碳吸收量最大，其次是林地、水域和未利用地。武川县的土地利用碳吸收量最大，其次是清水河县，和林格尔县，土默特左旗，新城区，托克托县，赛罕区，回民区，玉泉区。十年间呼和浩特市土地利用碳吸收量基本保持在同一水平。

（4）2015年土地利用净碳排放量比2010年多，赛罕区的土地利用净碳排放量最高，其次是托克托县，和林格尔县，土默特左旗，玉泉区，新城区，回民区，清水河县，武川县。

（5）利用灰色关联度模型探究地类变化对土地利用碳排放的影响发现，各地类变化对土地利用碳排放量变动的关联度均大于0.5，说明土地利用变化对土地利用碳排放有显著影响，其中，建设用地的影响最大，其次是水域，林地，草地，耕地和未利用地。

（6）建设用地是最大的碳源地，林地、草地、水域是主要的碳汇地，缓解建设用地带来的碳排压力，一方面要对建设用地扩张进行合理的规划和管控，更新能源结构，更多采用可再生清洁能源，探索光伏用地的试点工作；另一方面保护碳汇土地，保护并增加林地、草地、人造湖泊，增加碳汇储备。此外，建议在编制国土空间总体规划时纳入低碳利用的考量，建立并严格执行土地利用功能分区，保护生态用地和永久基本农田，防止建设用地的扩张挤压生态空间和永久基本农田的空间，开展建设用地的内部潜力挖掘。

参考文献

[1] 武爱彬， 赵艳霞， 郭小平， 等. 基于土地利用和夜间灯光数据的京津冀区域碳排放时空分异研究［J］. 地理与地理信息科学， 2022， 38（6）： 36-42.

[2] 张余， 姜博， 赵映慧， 等. 东北地区城市土地利用碳排放效应研究［J］. 环境科学与技术， 2022， 45（7）： 209-217.

[3] 刘子瑜. 内蒙古自治区畜牧业碳排放影响因素研究［D］. 延吉： 延边大学， 2022.

[4] 朱舰伟， 刘卫柏， 刘金丹. 内蒙古自治区农业碳排放时序变化与影响因素研究［J］. 湖南师范大学自然科学学报， 2023， 46（1）： 20-28.

[5] 靳晓雯， 张宇.建设用地扩张对碳排放的影响研究：以呼和浩特市为例［J］.内蒙古师范大学学报（自然科学汉文版）， 2016， 45（4）： 551-555.

[6] 段晓男， 王效科， 逯非， 等. 中国湿地生态系统固碳现状和潜力［J］. 生态学报， 2008， 28（2）： 463-469.

[7] HOURHTON R A. Releases of carbon to the atmosphere from degradation of forests in tropical Asia［J］. Canadian Journal of Forest Research， 1991， 21（1）： 132-142.

[8] 赵成义. 陆地不同生态系统土壤呼吸及土壤碳循环研究［D］. 北京： 中国农业科学院， 2004.

[9] 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， 37（6）： 804-812.

[10] 魏媛， 简小玉. 基于碳达峰碳中和的贵州省土地利用碳排放演变及预测研究［J］. 生态经济， 2022， 38（4）： 108-114.

[11] ZHANG C Y， ZHAO L， ZHANG H T， et al. Spatial-temporal characteristics of carbon emissions from land use change in Yellow River Delta region， China［J］. Ecological Indicators， 2022， 136： 108623.

[12] 景勇， 左玲丽， 彭文甫. 四川盆地西北部土地利用碳排放时空变化分析： 以绵阳市为例［J］. 环境科学与技术， 2021，44（6）： 172-185.

[13] 李玉玲. 陕西省土地利用碳排放及其与经济增长的脱钩性研究［D］. 咸阳： 西北农林科技大学， 2018.

[14] 张中秋， 劳燕玲， 赵宁俊， 等. 广东省土地利用-碳减排-经济增长的脱钩关系［J］. 水土保持通报， 2022， 42（1）： 250-258.

[15] 黄蕊， 王铮， 丁冠群， 等. 基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测［J］. 地理研究， 2016， 35（4）： 781-789.

[16] 李键， 毛德华， 蒋子良， 等. 长株潭城市群土地利用碳排放因素分解及脱钩效应研究［J］. 生态经济， 2019， 35（8）： 28-34 .

[17] 张玥， 代亚强， 陈媛媛， 等. 土地利用隐性转型与土地利用碳排放空间关联研究［J］. 中国土地科学， 2022， 36（6）： 100-112.

[18] 李彦旻， 沈育生， 王世航. 基于土地利用变化的安徽省陆地碳排放时空特征及效应［J］. 水土保持学报， 2022， 36（1）： 182-188.

[19] 王胜蓝， 周宝同. 重庆市土地利用碳排放空间关联分析［J］. 西南师范大学学报（自然科学版）， 2017， 42（4）： 94-101.

[20] 岑雪婷. 呼和浩特市新型城镇化的SWOT分析及对策研究［J］. 中国商贸， 2015（8）： 90-92.

[21] 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.

[22] 吴彤. 内蒙古城市土地利用效率与碳排放测度及关联研究［D］. 包头： 内蒙古科技大学， 2020.

[23] 车敏， 阿如旱. 准格尔旗土地利用碳排放效应及空间格局分析［J］. 草原与草业， 2017， 29（3）： 15-21.

[24] 赖力. 中国土地利用的碳排放效应研究［D］. 南京： 南京大学， 2010.

[25] 刘思峰. 灰色系统理论及其应用［M］. 北京： 科学出版社， 2000.

[26] 张玉春， 于鹏生， 任剑翔.甘肃省产业结构与经济增长的灰色关联分析［J］.中国管理信息化， 2011， 14（16）： 55-57.

基金资助

内蒙古自治区社会科学基金资助项目“内蒙古土地资源节约集约利用现状、问题和对策研究”(2023A02)

内蒙古自治区自然科学基金资助项目“内蒙古沿黄地区耕地利用转型与生态安全协同研究”(2023LHMS04012)

内蒙古自治区高等学校自然科学重点研究资助项目“内蒙古中部沿黄地区耕地健康诊断与风险识别研究”(NJZZ23022)

内蒙古师范大学研究生科研创新基金资助项目“高质量发展视角下呼和浩特市土地利用碳排放及其影响因素研究”。