能源资源开发区域大气CO₂时空变化及影响因素分析

Analysis of spatio-temporal variations and influencing factors of atmospheric CO₂ concentrations in energy resources development areas

摘要

分析能源资源开发区域大气碳浓度的时空变化和影响因素,对于探索“碳达峰”“碳中和”背景下能源资源开发高质量发展路径至关重要。新疆维吾尔自治区是我国重要的能源和战略资源基地,本文面向新疆维吾尔自治区的能源资源开发现状,采集并预处理了2015—2021年轨道碳观测卫星-2(Orbiting Carbon Observatory-2,OCO-2)二氧化碳L3数据产品,分析研究区大气碳浓度的时间变化趋势和空间分布格局,构建深度森林回归模型,并分析各影响因素对碳浓度时空变化的驱动作用。结果表明:(1)新疆维吾尔自治区、准噶尔盆地、吐哈盆地和塔里木盆地XCO₂浓度在2015—2021年均呈周期性上升趋势,增长率呈“先减后增”,且季节变化趋势呈现明显的“春季高冬季低”;(2)在春、秋和冬季,新疆XCO₂浓度空间格局呈现“北高南低”的趋势,在盆地区域及能源资源开发区域出现XCO₂高浓度积聚现象,夏季则呈现“北低南高”趋势;(3)地形起伏、风场流速、NDVI、地表温度、降水量、10 mV风、10 mU风和能源开发强度对区域XCO₂浓度时空分布有显著影响,各因素呈现明显的空间异质性和显著差异。研究结果有助于理解能源资源开采区域的大气碳浓度时空演变机制,在国家碳减排目标的实现、指导碳中和策略、追踪碳减排效果等方面具有深远意义。

关键词

能源资源开发 / XCO₂时空变化 / 影响因素 / 深度森林回归模型

Key words

energy resources development / spatio-temporal variations of XCO₂ / influencing factor / deep forest regression model

0 引言

能源资源开发在满足能源需求促进经济增长的同时,也产生了相应的大气污染^[1]、植被破坏^[2]、土地退化^[3]等问题,使得生态系统碳循环的收支平衡遭到破坏,造成能源资源开发区域的协同增汇能力下降^[4]。为此,我国迫切需要统筹资源开发与生态环境保护,并将“碳达峰”“碳中和”贯穿于能源资源开发、利用和保护过程之中,充分发挥能源资源在双碳工作中的基础性作用^[5]。

新疆维吾尔自治区作为中国能源资源战略保障基地,全面推进国家“三基地一通道”建设^[6],为国家能源安全和西部大开发战略做出了显著贡献,更为经济社会发展提供了源源不竭的动力^[7]。新疆不仅拥有中国最大的海相沉积盆地——塔里木盆地,还涵盖准噶尔盆地和吐哈盆地,上述盆地区域内部化石能源和矿产资源丰富,对于国家能源资源开发至关重要。塔里木盆地作为我国最大的内陆盆地,石油和天然气资源蕴藏丰富,是中国能源资源开发的重点区域,但在极端干旱气候下,该区域的绿洲生态系统非常脆弱,受石漠化和沙漠化的威胁,人口密度较低^[8];相对而言,准噶尔盆地和吐哈盆地位于天山北坡经济带,既是重要的能源资源开采基地,也是人口聚集区域,地形起伏、气象环境和能源资源开发等自然和人类活动因素对大气CO₂浓度影响显著^[9]。针对能源资源开发区域特色,对比分析新疆维吾尔自治区和盆地区域XCO₂浓度时空变化特征及其影响因素,对探索“双碳”背景下能源资源高质量发展路径至关重要。

大气CO₂时空变化及其影响因素研究是理解区域碳排状况和碳汇潜力的关键,大气XCO₂浓度的时空分布具有显著的空间相关性和局部积聚特征^[10],目前全球多数地区XCO₂浓度在全年大部分时间都已高于400×10^-6,并且仍在逐年升高,北半球的XCO₂浓度大于南半球,高纬度地区XCO₂呈现梯度增加趋势,而低纬度热带地区则呈现下降趋势,同纬度陆地区域XCO₂浓度大于海洋区域^[11];中国区域范围内XCO₂空间分布具有明显的时空差异,在2011年之前呈现“西低东高”和“北高南低”的空间分布特征,随后高值区逐渐向东南和西北省份迁移^[12],时间变化呈现明显的“春季高夏季低”的季节变化特征^[13]。区域大气碳浓度的时空变化存在不确定性,目前,主要从地形起伏、植被覆盖、气象环境、经济发展和人口密度等自然和社会经济因素方面^[14⇓-16],应用最小二乘法^[17]、地理加权回归^[18]、地理探测器^[19]等方法进行大气碳浓度影响因素研究。当前研究主要聚焦于全球、国家或省域尺度,由于能源资源开发数据缺乏,尚未有研究从新疆所具有的能源资源开发的区域特色出发,结合机器学习方法优势和地理学典型地貌类型区划视角,以盆地为空间尺度进行大气碳浓度时空变化和影响因素分析。

本文面向新疆维吾尔自治区的能源资源开发区域特色,以天山北坡经济带典型能源资源开发区域的准噶尔盆地和吐哈盆地为重点研究区域,采用OCO-2卫星观测数据分析并对比自治区、准噶尔盆地、吐哈盆地和塔里木盆地2015—2021年的碳浓度时空变化,综合考虑研究区域的能源资源开发特征及其独特的盆地地形,将地形起伏、风场流速、NDVI、地表温度、降水量、10 mV风、10 mU风和能源开发强度作为碳浓度影响因素,构建深度森林回归模型分析各影响因素对碳浓度时空分布的驱动作用,为揭示能源资源开发与碳排放之间的影响机制提供崭新视角,为规划实施“双碳”目标下的减污减碳协同增效提供数据参考和决策支持。

1 研究区域与数据来源

1.1 研究区域概况

新疆维吾尔自治区位于我国的西北地区(73°32'E~96°21'E,34°22'N~49°33'N),总面积166×10⁴ km^2[20]。新疆的地形特点是“三山夹两盆”,其中“三山”指的是北部的阿尔泰山、中部的天山和南部的昆仑山,“两盆”则分别指北部的准噶尔盆地和南部的塔里木盆地^[21]。新疆作为我国西北的生态安全战略屏障,也是国家最重要的煤炭、油气、清洁能源基地和运输通道之一,紧扣“三基地一通道”的战略定位,建成了“西电东输”“疆电外送”等能源资源开发转化重大工程,形成了煤炭、油气和水电全面发展的能源体系^[22],如图1所示。

准噶尔盆地位于新疆维吾尔自治区北部,地处哈萨克斯坦—准噶尔板块的东部,南部、西部和北部分别与北天山造山带和博格达构造带、西准噶尔造山带和克拉美丽造山带相邻,面积约13×10⁴ km²。作为新疆区域内地貌类型区人口密度最大的地质单元,截至2020年,准噶尔盆地人口达899.7万人^[23],准噶尔盆地内煤炭、石油和天然气等能源资源储量丰富,盆地东部北缘的准东煤田是煤炭资源极其丰富的超大型整装煤田,是我国重要煤炭生产基地,预计煤炭资源储量可达3 900亿t,此外,盆地内还存在着克拉玛依煤田、准南煤田、达坂城煤田和卡姆斯特煤田等,对新疆优势资源转换起到积极的推动作用^[24]。同时准噶尔盆地作为中国六大陆相超级含油盆地之一,第四次油气资源评价指出,准噶尔盆地的石油资源量为80.1×10⁸ t,天然气资源量为2.31×10¹² m³,石油和天然气资源探明率仅为21.54%和3.08%,开发潜力巨大。

吐哈盆地位于新疆维吾尔自治区东部,地处塔里木板块、哈萨克斯坦板块和西伯利亚板块交汇处,西端与东端分别为喀拉乌成山和喀尔里克山,面积约5.35×10⁴ km²。行政区划隶属于吐鲁番市和哈密市,截至2020年,吐哈盆地总人口达136.7万人。盆地内能源资源丰富,埋深浅于2 000 m的资源量达5 300亿t,区域内有托克逊煤田、吐鲁番煤田、鄯善煤田、哈密煤田、沙尔湖煤田、野马泉煤田和艾维尔沟煤产地等大型煤炭资源区^[25]。同时吐哈盆地作为煤成油盆地,油气资源丰富,与塔里木盆地、准噶尔盆地并称为新疆三大含油气盆地,第四次油气资源评价指出,吐哈盆地的石油资源量为10.90× {10}^8 {\mathrm{m}}^3,探明率为15.40%,整体仍处于中等勘探程度,油气勘探前景巨大^[26]。

塔里木盆地位于中国新疆维吾尔自治区南部,地处天山山脉和昆仑山脉之间,是中国最大的内陆盆地,面积约为53×10⁴ km²。盆地四周高山环绕,地势自边缘向中心逐渐降低,中央为塔克拉玛干沙漠,气候干旱少雨。作为新疆重要的地质单元之一,截至2020年,塔里木盆地人口达899.7万人。塔里木盆地能源资源储量丰富,盆地北缘的库拜煤田预测碳储量达1 300亿t,盆地内还存有中天山、罗布泊和昆仑山—喀喇昆仑山等煤田^[27]。盆地内已探明多个大型油田和天然气田,截至第四次油气评价,塔里木盆地已探明油气资源总量约为168×10⁸ t,其中石油资源量为108×10⁸ t,天然气资源为8.4×10¹² m³,勘探前景广阔。

1.2 数据来源

1.2.1 XCO₂浓度卫星观测数据

OCO-2(Orbiting Carbon Observatory-2)是NASA(National Aeronautics and Space Administration)发射的专门用于研究大气CO₂的轨道碳监测卫星,搭载的高分辨率光谱仪从捕捉太阳光在穿越大气时的光谱中反演出XCO₂的浓度^[28]。本文采用OCO2_GEOS_L3CO2_MONTH 10r三级数据产品,时间覆盖为2015—2021年,时间分辨率为月,空间分辨率为0.5°×0.625°。

1.2.2 数字高程模型数据

采用GEBCO(General Bathymetric Chart of the Oceans)组织提供的2021年数字高程模型(Digital Elevation Model,DEM)数据,空间分辨率为500 m,裁剪得到新疆区域的DEM数据,并通过计算栅格单元与其邻域的高程差值生成地形起伏度数据,具体公式如下:

(1)RF=H_max-H_min

式中:RF为地形起伏度;H_max为分析窗口内的最大高程值;H_min为分析窗口内的最小高程值。

1.2.3 归一化植被指数

归一化植被指数(Normalized Difference Vegetation Index,NDVI)作为重要的植被遥感指数,基于植物叶片组织对不同波长光的反射和吸收特性的差异,通过测量近红外波段和红波段反射率的差异来量化植被覆盖程度和健康状况,本文基于NASA提供的MOD13A3数据集来分析植被影响,时间覆盖为2015—2021年,时间分辨率为月,空间分辨率为1 km。

1.2.4 气象再分析数据

ERA5是欧洲中期天气预报中心(European Centre for Mediun-Range Weather Forecast,ECMWF)对1950年1月至今全球气候的第五代大气再分析数据集。本文选用ERA5-Land月均再分析数据集,提取研究区域范围内逐月10 mU风、10 mV风、2 m温度和降水量,时间跨度为2015—2021年,空间分辨率为0.1°×0.1°,借助流场计算公式计算风场流速,具体公式如下:

(2)W_(x,y)= \sqrt{U_{(x,y)}^2+V_{(x,y)}^2}

式中:W_(x,y)为对应(x,y)坐标处的风场流速;U_(x,y)为对应位置的U风分量;V_(x,y)为对应的V风分量。

1.2.5 能源资源开发数据

本文依托新疆第三次综合科学考察项目,能源资源开发数据主要来自实地调查和单位调研,结合新疆维吾尔自治区地质局、自治区国民经济和社会发展统计公报及统计年鉴数据,获取自治区内大中型煤矿、石油和天然气等能源资源的分布现状数据集,包括矿区名称、矿种类型、矿产规模、中心坐标和共生矿种等基础数据。基于空间配置和输入点数计算搜索半径,经过核密度分析处理得到新疆区域能源开发强度数据。

1.3 研究方法

遵循“数据处理-时空变化-模型分析-驱动机制”的思路,首先对XCO₂浓度卫星观测、数字高程模型、归一化植被指数、气象再分析数据和能源资源开发数据,进行拼接、裁剪、重采样和数值计算等预处理;其次分析新疆区域和盆地尺度的碳浓度数据年、季和月均浓度的时间变化趋势和空间分布变化;然后采用Pearson相关性和VIF检验,对碳浓度和影响因素的显著性和多重共线性进行检查,基于精度评估指标分析并对比普通最小二乘、随机森林回归和深度森林回归方法的模型适用性,并采用重要性评分和部分依赖评价影响因素对XCO₂浓度分布的响应效果,以盆地尺度视角进行碳浓度影响因素空间异质性分析;最后结合多视角进行能源资源开发区域碳浓度影响因素分析,探讨能源资源开发区域碳浓度影响因素的驱动机制,如图2所示。

1.3.1 数据处理

首先,将数字高程模型等影响因素数据统一至GCS-WGS-1984坐标系,并重采样至分辨率为0.1°×0.1°,实现XCO₂年均浓度和所有解释变量数据的空间匹配,提取并处理得到2015—2021年新疆范围内共计122 955个匹配样本用于碳浓度时空变化及影响因素分析,以2021年为例,所有影响因素数据的空间分布如图3所示。

1.3.2 普通最小二乘模型

普通最小二乘(Ordinary Least Square, OLS)模型基于观察值计算因变量与多个解释变量之间的残差平方和,通过对残差平方和的最小化构建求解参数的估计值,是一种常见的用于解释变量和因变量关系的回归方法。回归方程如下:

(3) \mathrm{Y} = {\beta }_0 + \stackrel{p}{\sum _{i=1}} {\beta }_i X_i + \epsilon

式中:Y为因变量XCO₂浓度;X_i为解释变量,即地形起伏度、归一化植被指数、风场流速、10 mU风、10 mV风、地表温度和能源开发强度;β₀为模型的截距;β_i为自变量的回归系数;p为解释变量的个数;ε为模型的残差。

1.3.3 随机森林回归模型

随机森林回归(Random Forest Regression, RFR)模型是一种基于决策树的集成学习方法,通过Bagging集成多个决策树模型来解决回归问题。在构建每棵决策树时,RFR通过随机选择一部分特征进行考虑,并尝试不同的阈值来寻找最优的分割点,以最小化训练误差。这种方法赋予每棵决策树一定的差异性,提高了整个模型的泛化能力。RFR的训练过程持续进行直到每个叶子节点上的数值变得唯一,或者达到预先设定的终止条件。这种方式使得RFR能够适应不同类型的回归问题,并通常具有较好的预测性能。回归方程如下:

(4)XCO2_g,d=f_RFR(RF_g,d,NDVI_g,d,W_g,d,U_g,d,V_g,d,TEM_g,d,EDI_g,d)

式中:XCO2_g,d为随机森林回归模型在空间位置为g、时间为d的预测值;f_RFR表示所使用的回归方法为随机森林回归;RF_g,d,NDVI_g,d,W_g,d,U_g,d,V_g,d,TEM_g,d,EDI_g,d分别为空间位置为g、时间为d的地形起伏度、归一化植被指数、风场流速、10 mU风、10 mV风、地表温度和能源开发强度。

1.3.4 深度森林回归模型

深度森林回归(Deep Forest Regression, DFR)模型是基于决策树森林的算法,本文采用DF21算法大气碳浓度影响因素进行回归分析^[29]。DF21算法引入多粒度扫描,利用不同尺寸大小滑动窗口扫描原始特征,得到不同粒度的特征向量,并将提取的特征向量作为正/反实例,用于生成类向量后将其作为变换后的特征进行连接,进一步丰富了特征的多样性,显著增强了模型的识别效果。

同时为进一步提升输入数据的分类能力,DF21算法还利用级联森林结构构造多层结构的深度森林,使得模型能够更好地捕捉数据的内在规律和特征。DF21算法的结构不依赖于大量数据的生成,即使在训练数据较少的情况下,DF21算法也能够获得较好的特征表示和学习性能,在实际应用中具有广泛的适应性和实用性^[30]。DF21算法总体框架如图4所示。

1.3.5 精度评估指标

为验证各模型的可靠性,需要对预测结果进行评估。采用的精度评定指标为决定系数(Coefficient of determination,R²)、平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)。具体公式如下:

(5) R^2 = 1 - \frac{\stackrel{n}{\sum _{i=1}}(x_i-{\widehat{x}}_i{)}^2}{\stackrel{n}{\sum _{i=1}}(x_i-{\stackrel{-}{x}}_i{)}^2}

(6) M A E = \frac{1}{n} \stackrel{n}{\sum _{i=1}} \left|x_i-{\widehat{x}}_i\right|

(7) \mathrm{R} \mathrm{M} \mathrm{S} \mathrm{E} = \sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}(x_i-{\widehat{x}}_i{)}^2}

式中:n为验证样本的数量;x_i为验证样本的测量值; {\stackrel{-}{x}}_i为验证样本平均值; {\widehat{x}}_i为验证样本预测值。精度越高,则R²越接近1,且MAE和RMSE越小。MAE直接衡量预测值与真实值之间的平均绝对差异,能直观反映误差的大小。RMSE对于异常值的敏感性较高,当数据中存在噪声时,RMSE能够更好识别。本文同时采用R²、MAE和RMSE分析讨论各模型方法的优缺点并评估模型性能。

2 区域碳浓度时空变化

2.1 大气XCO₂浓度时间变化

2015—2021年自治区、准噶尔盆地、吐哈盆地和塔里木盆地的XCO₂平均浓度整体上均呈现出逐年持续上涨的趋势,总体增长率分别约为3.90%、3.88%、3.91%和3.92%,年均增长为0.640%、0.637%、0.642%和0.643%,增长率均呈现“先减后增”的状态^[31],均在2015年增长率达到最高,分别约为0.818%、0.775%、0.819%和0.839%,2017年增长率达到最低值0.521%、0.508%、0.534%和0.527%后增长率逐年递增,如图5所示。

本文采用年度月均XCO₂浓度数据分析新疆和盆地区域碳浓度的时间变化差异情况(图6),整体呈现明显的季节变化特征,春季(3—5月)平均XCO₂浓度最高,夏季(6—8月)最低,且夏季(6—8月)<秋季(9—11月)<冬季(12—2月)<春季(3—5月)。其中,1—4月,准噶尔盆地、吐哈盆地和塔里木盆地的年度月均XCO₂浓度高于自治区,而5—9月,准噶尔盆地、吐哈盆地和塔里木盆地的年度月均XCO₂浓度低于自治区,10—12月,准噶尔盆地、吐哈盆地和塔里木盆地的年度月均XCO₂浓度又逐渐超过自治区,主要原因在于盆地区域人口密度相对较大,采暖时间一般为10月至次年4月,同时在此时期植被生长和光合作用减缓,使得盆地区域的年度月均碳浓度高于自治区,同时冬季盆地内XCO₂浓度与盆地内人口密度从高到低排序也趋于一致,即准噶尔盆地>吐哈盆地>塔里木盆地。在5月至9月,植被恢复生长,相比自治区其他区域,盆地归一化植被指数较高,植被生长茂盛,所以光合作用强,盆地碳浓度低于自治区,且浓度差距不断拉大直到8月前后,塔里木盆地内生态环境相对脆弱,因此夏季塔里木盆地内部XCO₂浓度相对较高。

2.2 大气XCO₂浓度空间分布

2015—2021年新疆维吾尔自治区多数地区XCO₂浓度多年平均高于406×10^-6,呈逐年上升趋势,碳浓度空间分布逐渐趋于稳定,并具有明显的东西分异和盆地空间集聚特征,如图7所示。新疆维吾尔自治区碳浓度总体呈东高西低,由于自治区“三山夹两盆”的独特地形,在天山、昆仑山和阿尔泰山的联合作用下,以准噶尔盆地、吐哈盆地和塔里木盆地区域为界呈“盆地高边缘低”的空间分布格局,盆地内XCO₂多年平均浓度为407.31×10^-6明显高于非盆地区域的406.96×10^-6,准噶尔盆地XCO₂多年平均浓度出现高值(407.90×10^-6),非盆地区域出现低值(406.13×10^-6)。大气碳浓度高的区域主要集中于准噶尔盆地、吐哈盆地和塔里木盆地等盆地区域,其主要原因可能在于这些地区化石能源资源丰富,能源资源的开发和利用活动活跃且广泛。

新疆维吾尔自治区春(3—5月)、夏(6—8月)、秋(9—11月)和冬(12—次年2月)四季XCO₂年均季度浓度分布如图8所示。在图8a,c和d中,春、秋和冬季新疆XCO₂浓度空间格局均呈现“北高南低”的趋势,而夏季则呈现“北低南高”趋势(图8b)。主要原因在于:(1)自治区北部具有较高的植被覆盖率,植被光合作用的活跃度在夏季达到高峰,相较南部具有更为丰富的植被光合作用活动;(2)自治区的风向特征全年以偏北风为主导,在影响大气水汽输送的同时也影响着XCO₂浓度分布,使得南部地区更易受到来自其他区域的浓度输送;(3)昆仑山脉及青藏高原的冰川正经历着急速消融,其储存的碳元素释放后进入大气层,导致当地XCO₂浓度上升^[32]。

3 时空变化影响因素分析

3.1 模型适用性评估

回归模型自变量与因变量之间若存在无显著相关性,会导致模型准确性降低和解释性受限等问题,甚至产生误导性结论。以XCO₂浓度为因变量,以地形起伏、风场流速、NDVI、地表温度、降水量、10 mV风、10 mU风和能源开发强度为解释变量分别进行相关系数计算。结果表明,XCO₂浓度与各影响因素均在0.01水平上显著相关(表1)。

计算XCO₂浓度各影响因素的方差膨胀因子(Variance Inflation Factor, VIF)如表1所示,最大的方差膨胀因子(VIF)为2.406,远小于经验判断值10;且平均方差膨胀因子值为1.896,小于经验判断值2。证明各变量之间没有多重共线性关系,可基于以上因素构建回归模型。

在相同时空尺度下,以XCO₂年均浓度为因变量,地形起伏、风场流速、NDVI、地表温度、降水量、10 mV风、10 mU风和能源开发强度为解释变量,分别构建普通最小二乘、随机森林回归、深度森林回归模型。卫星XCO₂观测浓度及3种模型的预测碳浓度空间分布如图9所示,深度森林回归方法和随机森林回归方法可以较好地刻画观测碳浓度的空间分布,能够体现出碳浓度在空间分布上的差异效果,而最小二乘法在空间分布上的预测较弱,无法精准把握新疆各种复杂因素对碳浓度的影响。比较3种方法的精度(R²、MAE和RMSE),可以发现深度森林回归方法的拟合精度(R²)最高,平均绝对误差(MAE)和均方根误差(RMSE)最低(图10)。

3.2 影响因素响应效果评价

图11显示了随机森林回归模型与深度森林回归模型中各影响因素的重要性评分,结合两个回归模型的重要性评分排序可以看出,地表温度和能源开发强度重要性评分明显高于其他多个因素。降水量和地形起伏度的重要性评分在不同的模型中具有显著差异,在深度森林回归模型中地形起伏度重要性评分排序第四,次于地表温度、降水量和能源开发强度,而随机森林回归模型中地形起伏度重要性评分最低。降水量的重要性评分在深度森林回归模型中排序第二,仅次于地表温度,而随机森林回归模型中降水量重要性评分排序较为靠后。

部分依赖图显示XCO₂与影响因素之间的相关性,使用深度森林预测结果进行部分依赖分析(Partial Dependence Plot,PDP)如图12所示。地表温度与XCO₂浓度分布呈非线性正相关关系,随着地表温度的增加,XCO₂浓度明显增加(图12a)。年降水量与XCO₂浓度分布呈非线性负相关关系,当年降水量位于0~1 mm时,随着年降水量的提升,XCO₂浓度迅速下降,当年降水量达到3 mm时,影响趋于平稳(图12b)。能源开发强度与XCO₂浓度分布呈明显非线性正相关,能源开发强度越高,XCO₂浓度越高(图12c)。

地形起伏度与XCO₂浓度分布整体呈非线性负相关关系,地形起伏度小于280 m时,随着地形起伏度的提高,XCO₂浓度迅速上升;当地形起伏度大于280 m时,XCO₂浓度小幅下降并趋于平稳(图12d)。风场流速与XCO₂浓度分布的关系为“下降-上升-下降”的趋势,当风场流速小于1.0 m/s时,随着风场流速的增加,XCO₂浓度有明显下降;当风场流速在1.0~1.5 m/s时,XCO₂浓度急剧上升;当风场流速大于1.5m/s时,XCO₂浓度逐渐下降并趋于平稳(图12e)。

10 mU风与XCO₂浓度分布整体呈非线性负相关关系,当10 mU风小于0.2 m/s时,随着10 mU风的增加,XCO₂浓度分布缓慢提升;当10 mU风大于0.2 m/s时,XCO₂浓度分布下降并逐渐趋于平稳(图12f)。10 mV风与XCO₂浓度分布的关系为“下降-上升-下降”的趋势,当10 mV风小于-0.5 m/s时,随着10 mV风的增加,XCO₂浓度分布有下降趋势;当10 mV风在-0.5~0.3m/s时,XCO₂浓度逐渐上升;当10 mV风大于0.3 m/s时,XCO₂浓度逐渐下降并趋于平稳(图12g)。NDVI与XCO₂浓度分布的关系为“上升-下降-上升”的趋势,当NDVI低于0.12时,随着NDVI升高,CO₂浓度呈快速上升趋势;当NDVI在0.12~0.28时,随着NDVI的升高,XCO₂浓度呈下降趋势;当NDVI大于0.28时,XCO₂浓度逐渐上升,并在NDVI达到0.4时趋于平稳(图12h)。

3.3 影响因素盆地尺度差异分析

充分考虑影响作用的空间异质性是地学研究科学问题的一个独特且重要的视角,为研究大气碳浓度影响因素的区域性差异,对不同盆地分别进行深度森林回归拟合,模型R²均大于0.9,基于各盆地构建的深度森林回归模型计算得到的重要性评分如图13。在不同盆地区域,影响因素重要性评分排序不同,但仍具有一致趋势,在各盆地深度森林回归模型中,风场流速与能源开发强度重要性评分均处于前四位,以平均值角度观察,各影响因素重要性评分排序为地表温度>能源开发强度>降水量>归一化植被指数>风场流速>10 mV风>10 mU风>地形起伏度。鉴于重要性评分排序前四位的影响因素评分远超其他因素,在盆地尺度影响碳浓度变化中占据主导地位,因此重点分析重要性评分排序前四的影响因素。

XCO₂浓度与地表温度两者密切关联相互作用,CO₂作为重要的温室气体,其浓度的增加会使地球表面的平均温度上升,同时温度上升会影响大气碳循环,使生物呼吸和有机物的分解速率加快,同时加速水体、冰层和冻土中CO₂的释放,导致大气XCO₂浓度增加^[33]。吐哈盆地和准噶尔盆地城市群聚集,人口较多,人类活动导致盆地内部地表温度差异明显,地表温度方差均大于塔里木盆地,同时准噶尔盆地年平均温度低于塔里木盆地(表2),表现为两盆地地表温度对XCO₂浓度影响重要性评分相对于塔里木盆地较强,地表温度重要性评分在不同盆地的排序为吐哈盆地>准噶尔盆地>塔里木盆地。

新疆维吾尔自治区作为我国重要的能源基地,能源资源开发活动频繁,能源资源开发时进行的资源开采、原材料加工和交通物流过程中均会排放出大量CO₂,对区域碳浓度时空分布产生显著影响^[34]。能源开发强度解释度在不同盆地区域差异较大,其主要原因在于不同区域进行能源资源开发活动数量、规模和开采工艺不同,能源开发强度从高到低分别为准噶尔盆地、吐哈盆地和塔里木盆地(表2),重要性评分在不同盆地的排序也相应体现为准噶尔盆地>吐哈盆地>塔里木盆地。

降水会直接或间接参与影响大气碳循环,大气中的CO₂在与降水接触后可以溶解为碳酸盐,将大气中的CO₂转移至土壤或水体中,同时降水可以为植物提供光合作用所需的水分,提高植物吸收CO₂的速率^[35]。塔里木与吐哈盆地年平均降水均小于准噶尔盆地,气候干旱导致土壤水分和植被生长受限,从而使得降水对该地区的碳循环重要性评分较高,同时塔里木盆地年降水方差远大于吐哈盆地(表2)。使得降水量在不同盆地的重要性评分排序表现为塔里木盆地>吐哈盆地>准噶尔盆地。

植被的生长状况直接影响着生态系统的碳循环过程,通过光合作用吸收大气中的二氧化碳,将其转化为有机物。NDVI作为一种反映地表植被覆盖状况的指数,其值越高表示植被覆盖度越高。不同盆地的生态环境状况具有显著差异,塔里木盆地与吐哈盆地NDVI平均值均小于准噶尔盆地,同时吐哈盆地方差远小于塔里木盆地(表2),与NDVI对XCO₂浓度影响的重要性评分在不同盆地的排序表现一致:准噶尔盆地>吐哈盆地>塔里木盆地。

此外,风场流速、10 mU风、10 mV风和地形起伏度在全域模型构建时重要性评分较高,但在3个盆地模型构建时重要性评分较低。这是由整体与局部视角不同导致,气象环流是影响区域大气CO₂浓度时空分布的重要原因,大气CO₂受风向风速的传输作用扩散或聚集,从而影响其时空分布格局。地形起伏承载着地表覆盖类型和人类活动强弱等重要的自然因素,新疆地形复杂,具有“三山夹两盆”的独特地势,天山山脉、昆仑山脉等较高山脉的阻挡使得CO₂在山脉北坡积聚偏高,同时气象环流作用使CO₂容易在盆地处聚集。而在盆地内部地形起伏度相对于新疆整体而言较为平缓,人类活动相对于新疆其他区域更加频繁;同时由于盆地边缘阻隔,在静稳天气下,近地层易产生逆温层,也会使CO₂浓度不易扩散。因此,风场流速、10 mU风、10 mV风和地形起伏度在盆地内部回归模型与新疆全域回归模型中的重要性评分有显著差异。

3.4 能源资源开发区域影响因素分析

基于影响因素响应效果评价和盆地尺度差异分析可知,地形起伏、风场流速、NDVI、地表温度、降水量、10 mV风、10 mU风和能源开发强度均对能源资源开发区域XCO₂浓度时空变化有显著影响。其中,能源开发强度作为能源资源开发区域的特征性指标,是影响碳浓度时空分布的关键因素,在新疆全域回归模型和各盆地回归模型中均有着较高的重要性评分,对于能源资源开发区域碳浓度时空变化影响因素研究有着重要意义。同时,为充分理解能源资源开发区域碳浓度演变机制,仍需要进一步探讨能源资源开发对XCO₂的影响。

提取2021年1—12月能源矿产开采区域局部月平均XCO₂浓度并结合新疆全域月平均XCO₂浓度进行对比分析如图14,可以发现能源矿产开采区域局部XCO₂浓度明显高于新疆全域平均XCO₂浓度,主要可能是由以下原因导致的。

(1)产业活动剧烈。矿区中大量的资源开采和原材料加工活动,往往需要消耗大量的能源,而矿区常用的能源往往来自化石燃料,如煤、石油和天然气,这些燃料在燃烧过程中会排放大量的二氧化碳,从而导致该区域大气中XCO₂浓度显著提升。同时,在能源矿产开采过程中,会因瓦斯抽采等活动在开采区域发生CH₄逃逸^[36],这些逃逸的CH₄在自然碳循环中会受甲烷氧化细菌等影响转变为CO₂存留在局部^[37],并对区域碳浓度造成显著影响。

(2)交通物流频繁。矿区的运营通常需要大量的运输活动,包括使用重型车辆和各种大型机械,这些都是CO₂排放的重要来源。另外,开采和处理矿产也需要大量重型设备,这些设备通常由燃烧化石燃料的内燃机驱动,进一步加剧了CO₂的排放。

综上所述,能源资源开发存在产业活动和交通物流,需要大量化石能源支撑,化石能源燃烧直接导致区域碳浓度提升,从而显现出盆地能源资源开采处的XCO₂浓度在观测期内明显高于盆地全域平均水平的现象。结合区域碳浓度影响因素综合分析,为降低能源资源开发区域碳浓度,减少能源资源开发区域碳排放,可从以下两个方面开展重点工作:减少碳源,建立健全资源开发区域碳排放全过程监管体系,提高资源开采技术,减少开采全流程能源消耗,优化瓦斯抽采-利用全周期碳减排关键技术,减少瓦斯逃逸,避免瓦斯就地燃烧,从源头减少CO₂的生成与转化;增加碳汇,以“CCUS+生态碳汇”全域自然碳汇负碳排放技术为核心,做好地质碳封存区域土壤-地表-大气全生命周期监测,同时结合影响因素合理规划开展能源资源开发区域生态修复工作。

4 结论

研究基于新疆维吾尔自治区2015—2021年OCO-2卫星观测数据、数字高程数据、归一化植被指数数据、气象再分析数据和能源资源开发数据,分析了自治区、准噶尔盆地、吐哈盆地和塔里木盆地的大气XCO₂浓度时空变化规律,构建并对比普通最小二乘模型、随机森林回归模型和深度森林回归模型,选择拟合精度更高的深度森林回归模型进行碳浓度影响因素分析,对能源资源开发区域的影响因素进行深入分析。主要研究结论如下。

(1)自治区大气XCO₂浓度分布具有显著的时间变化趋势和空间分布格局。新疆维吾尔自治区、准噶尔盆地、吐哈盆地和塔里木盆地XCO₂平均浓度均呈逐年上升趋势,春季达到最高而夏季达到最低,具有显著的季节周期变化规律;春季、秋季和冬季自治区XCO₂浓度均呈现出“北高南低”的趋势,在能源资源开发区域出现XCO₂浓度积聚的现象,夏季自治区全域包括资源开发区域呈现出了反常的“北低南高”趋势。

(2)XCO₂浓度与各影响因素之间存在非线性关系,地表温度、能源开发强度与XCO₂浓度分布呈非线性正相关,年降水量、地形起伏度、10 mU风与XCO₂浓度分布呈非线性负相关性,风场流速、10 mV风与XCO₂浓度分布的关系为“下降-上升-下降”趋势,NDVI与XCO₂浓度分布的关系为“上升-下降-上升”趋势。

(3)各影响因素对区域XCO₂浓度的影响呈现出明显的空间异质性,不同盆地构建的深度森林回归模型中各因素重要性评分排序不同,分模型和分区域视角构建的回归模型中地表温度和能源开发强度重要性评分明显高于其他多个因素;能源开发强度作为能源资源开发区域特征性指标,对能源开发区域的影响主要表现在能源资源开发过程中存在的产业活动和交通物流,需要大量化石能源消耗为支撑。

本文对新疆维吾尔自治区资源开发区域的大气CO₂浓度时空变化和影响因素进行了深入地分析,在国家碳减排目标的实现、指导碳中和策略和追踪碳减排效果等方面具有深远意义。后期将考虑进一步精炼并融合影响因素构建区域温室气体排放预测模型,从而进一步深化能源资源开采区域的碳排放过程研究,为碳减排的政策实施提供更加有效的科学依据。

参考文献

[1] 曾强, 李根生, 董敬宣, 新疆煤炭资源开采典型生态环境问题及对策[J]. 矿业安全与环保, 2017, 44(1): 106-110.

[2] 李文昌, 李建威, 谢桂青, 中国关键矿产现状、研究内容与资源战略分析[J]. 地学前缘, 2022, 29(1): 1-13.

[3] 陈军, 成金华. 中国矿产资源开发利用的环境影响[J]. 中国人口·资源与环境, 2015, 25(3): 111-119.

[4] 胡鞍钢. 中国实现2030年前碳达峰目标及主要途径[J]. 北京工业大学学报(社会科学版), 2021, 21(3): 1-15.

[5] 国家发展改革委员会资源节约和环境保护司. 统筹资源开发与生态保护促进人与自然和谐发展: 将碳达峰碳中和贯穿于自然资源开发利用和保护的方方面面[EB/OL]. (2021-11-05)[2023-09-12]. https://www.ndrc.gov.cn/xxgk/jd/jd/202111/t20211105_1303106.html.

[6] 李虎威, 赵红超, 牙生·吾甫尔, 新疆煤炭资源科学开采发展趋势与前景分析[J]. 煤炭工程, 2017, 49(6): 20-22.

[7] 王长建, 杜宏茹, 汪菲. 能源消费对新疆经济发展的影响机理[J]. 干旱区研究, 2014, 31(6): 1163-1169.

[8] 陈亚宁. 塔里木盆地资源环境与区域可持续发展[J]. 干旱区资源与环境, 1999, 13(1): 11-15.

[9] 张东升, 刘洪林, 范钢伟, 新疆大型煤炭基地科学采矿的内涵与展望[J]. 采矿与安全工程学报, 2015, 32(1): 1-6.

[10] 任杨千千, 连懿, 李海笑, 中国大陆CO₂浓度时空分布特征及驱动因素[J]. 中国环境科学, 2023, 43(4): 1919-1929.

[11] 姚依欣, 李贵才, 唐世浩, 2010年—2020年全球陆地区域大气CO₂时空变化特征分析[J]. 遥感学报, 2023, 27(8): 1782-1791.

[12] 何茜, 余涛, 程天海, 大气二氧化碳遥感反演精度检验及时空特征分析[J]. 地球信息科学学报, 2012, 14(2): 250-257.

[13] ZHANG L L, ZHANG J Y. Analysis of the seasonal variation of CO₂ concentration in China based on GOSAT satellite data[J]. Journal of the Indian Society of Remote Sensing, 2018, 46(10): 1667-1675.

[14] SIABI Z, FALAHATKAR S, ALAVI S J. Spatial distribution of XCO₂ using OCO-2 data in growing seasons[J]. Journal of Environmental Management, 2019, 244: 110-118.

[15] 吕松, 王先华, 叶函函, 地表高程对大气CO₂反演的影响[J]. 光学学报, 2019, 39(5): 162-168.

[16] 王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素[J]. 地理学报, 2021, 76(12): 3103-3118.

[17] 徐晓. 基于地理加权回归模型的山西省CO₂时空分布驱动因素分析[D]. 徐州: 中国矿业大学, 2022.

[18] 吴健生, 晋雪茹, 王晗, 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.

[19] 李凯旋, 杨丽萍, 张静, 基于TanSat的中国大陆CO₂浓度监测及驱动因子分析[J]. 中国环境科学, 2023, 43(11): 5645-5654.

[20] 包佳玉, 李祥龙, 胡启文, 新疆能源消费碳排放时空特征及能源结构调整路径探讨[J]. 干旱区研究, 2024, 41(03): 490-498.

[21] 王玲, 吕新. 基于DEM的新疆地势起伏度分析[J]. 测绘科学, 2009, 34(1): 113-116.

[22] 邓铭江, 明波, 李研, “双碳” 目标下新疆能源系统绿色转型路径[J]. 自然资源学报, 2022, 37(5): 1107-1122.

[23] 杨梅花, 程锦涛, 郭佳星, 新疆城市规模分布与自然地理相关性分析[J]. 干旱区地理, 2022, 45(6): 1958-1967.

[24] 郑孟林, 樊向东, 何文军, 准噶尔盆地深层地质结构叠加演变与油气赋存[J]. 地学前缘, 2019, 26(1): 22-32.

[25] 王永, 康高峰. 新疆煤炭资源的地质特征及其开发前景[J]. 西北地质, 2007, 40(4): 81-86.

[26] 支东明, 李建忠, 陈旋, 吐哈盆地油气勘探新领域、新类型及资源潜力[J]. 石油学报, 2023, 44(12): 2122-2140.

[27] 卞正富, 张益东, 王猛, 新疆煤炭资源开发潜力与开发策略[J]. 煤炭学报, 2024, 49(2): 967-977.

[28] 刘良云, 陈良富, 刘毅, 全球碳盘点卫星遥感监测方法、进展与挑战[J]. 遥感学报, 2022, 26(2): 243-267.

[29] ZHOU Z H, FENG J. Deep forest[J]. National Science Review, 2019, 6(1): 74-86.

[30] LIU X B, WANG R L, CAI Z H, et al. Deep multigrained cascade forest for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(10): 8169-8183.

[31] 杨慧, 范怀伟, 王文峰, 空地一体化的地质碳封存泄露风险监测方法[J]. 工程地质学报, 2023, 31(4): 1461-1473.

[32] 刘焰. 人类巨量碳排放后果分析: 来自青藏高原综合调查的启示[J]. 中国地质调查, 2019, 6(3): 1-13.

[33] 陈玉敏, 唐伟, 刘雪原, 基于卫星遥感的四川省XCO₂高分辨率时空分布[J]. 环境科学与技术, 2023, 46(2): 133-140.

[34] 苏现波, 赵伟仲, 王乾, 煤层气井地联合抽采全过程低负碳减排关键技术研究进展[J]. 煤炭学报, 2023, 48(1): 335-356.

[35] 孔春芳, 岳永财, 徐凯. 2000—2015年江汉平原区域植被NPP时空特征及其对气候变化的响应[J]. 长江流域资源与环境, 2019, 28(6): 1460-1469.

[36] 李树刚, 张静非, 林海飞, 双碳战略中煤气共采技术发展路径的思考[J]. 煤炭科学技术, 2024, 52(1): 138-153.

[37] 张坚超, 徐镱钦, 陆雅海. 陆地生态系统甲烷产生和氧化过程的微生物机理[J]. 生态学报, 2015, 35(20): 6592-6603.

基金资助

科学技术部第三次新疆综合科学考察项目(2022xjkk1006)

新疆维吾尔自治区重点研发任务专项(2022B01012-1)

国家自然科学基金面上项目(41971335)

江苏省自然资源科技计划项目(2023018)

江苏省自然资源科技计划项目(2022004)

智能地学信息处理湖北省重点实验室开放基金课题“基于图神经网络的地面站点CO₂浓度时空预测(KLIGIP-2023-A04)