长江三角洲碳平衡与失衡风险的时空演变：基于空间驱动因子阈值的研究

《Journal of Environmental Management》：Spatiotemporal evolution of carbon balance and imbalance risk in the Yangtze River Delta: A study based on spatial driving factors thresholds

　　

• •
  建立了碳平衡动态分析模型，并从三个维度评估了碳失衡风险。
• •
  忽视空间异质性会低估自然环境因素对碳平衡动态的影响。
• •
  人类活动因素构成区域碳平衡变化的核心驱动力。
• •
  将碳失衡风险与驱动因子阈值相结合，有助于各地区实现和维持碳平衡。

引言

自中国改革开放以来，快速的城市发展和密集的工业生产活动导致了大量的温室气体排放，其中二氧化碳（CO₂）占比最大（Abbasi等人，2022）。碳排日益增长已导致区域生态环境恶化，进一步引发气候变化等问题（Zhao等人，2022）。为应对这些问题，中国在第二十一届联合国气候变化大会上承诺于2030年前实现碳排放达峰，并于2060年前实现碳中和（Chen等人，2025a；Lu等人，2020；C. Wang等人，2020；Yang等人，2024）。这一承诺不仅是国内环境目标，更是置于推进环境转型、促进可持续资源治理、推动社会经济发展这一更广泛使命之中的（Xu和Zhang，2023）。在这一框架下，碳平衡——即碳排放与碳汇之间的平衡——是评估区域低碳转型和资源分配的关键指标。然而，实现碳平衡并非仅仅是技术挑战，它与资源治理、循环经济原则以及环境成本与收益的公平分配密切相关。因此，实现中国"双碳"目标需要精细化的区域碳平衡评估、深入的机制分析以及针对失衡区域的精准管理。

碳排放的变化对碳平衡产生显著影响。传统的基于政府间气候变化专门委员会（IPCC）的碳排放核算方法通常依赖面板数据和统计数据（Ma等人，2024；Shan等人，2018；van de Ven等人，2025；J. Xu等人，2024）。这些方法根据土地利用类型将排放分配至特定网格，并将单个土地利用类别视为碳排放载体（Li等人，2023；Liu等人，2024a，Liu等人，2024b；Zhang等人，2024）。此类方法忽视了碳排放的空间异质性，未能捕捉网格尺度的排放变化及其时间动态（Liu等人，2024a，Liu等人，2024b；Rong等人，2022；Zhang等人，2022）。随着遥感技术的进步，利用高分辨率遥感影像反演碳排放动态已成为可能。夜间灯光（NTL）遥感数据作为分析人类活动和城市扩张的空间监测数据，具有高分辨率和长时间序列信息的特点。大量研究已证实碳排放与NTL数据之间存在强相关性，能够准确估算网格尺度的碳排放变化，并显著提高排放核算的空间分辨率（Liu等人，2026；X. Wang等人，2026；T. Zhang等人，2025；Zhao等人，2026）。

区域碳平衡的下限由碳汇能力决定。净生态系统生产力（NEP）被广泛用于评估网格尺度的陆地生态系统碳汇变化，其核心计算参数为净初级生产力（NPP）和土壤异养呼吸（R_h）（Abbasi等人，2022；Zhao等人，2022）。传统的NPP估算主要依赖实地调查，虽然数据准确，但在大规模研究中成本过高（Liu等人，2025）。遥感技术的快速发展使得通过遥感反演实现大规模NPP估算成为可能；然而，该方法受气候、植被和土壤条件的区域差异影响，需要大量的参数校准（Gong等人，2025）。基于光能利用效率（LUE）理论的卡内基-阿默斯-斯坦福方法（CASA），将光合有效辐射（PAR）与温度、湿度等环境因子相结合，实现了大面积NPP的动态模拟（Dong等人，2025；Field等人，1995；Liang等人，2015；Xu等人，2016）。大量证据表明，CASA模型在不同尺度和环境条件下表现出良好的适用性和较高的模拟精度（He等人，2025；Pan等人，2026；Yang等人，2021）。此外，调整输入参数以匹配实际研究区可进一步优化模型性能，达到与实地调查相当的结果。

碳排放和碳汇受多种因素影响，可将其归为自然环境和人类活动因素两类，二者的作用效果和机制存在显著差异（Cui等人，2022a，2022b）。由于碳平衡由碳排放和碳汇共同决定，其时空动态背后的驱动机制涉及复杂的交互作用，而非简单的线性叠加，因此需要进行深入和系统的再审视。传统的线性回归和地理加权模型等方法可以解释部分机制，但无法捕捉深层的非线性关系。机器学习已被证明在建模复杂非线性关系方面十分有效；事实上，越来越多的文献将机器学习方法应用于环境和资源管理问题，在排放预测和政策分析方面展现了其效能（Jin和Xu，2025a，2025b；Kang等人，2026）。然而，这些应用主要在汇总空间尺度上运作，未能充分考虑空间异质性——这是环境治理中的关键维度，其影响和驱动因子在地理空间上差异显著。此外，即使采用机器学习模型，其本质上也不具备表征空间异质性的能力，不同于地统计学模型（Chen等人，2026；Kang等人，2024）。未能将空间异质性整合到机器学习框架中，代表了现有文献中的一个重大空白，因为它限制了制定针对性空间政策的能力，而这些政策需要应对特定区域的环境挑战——大多数现有研究在区域汇总尺度上运用机器学习探索碳平衡变化的驱动因素，无法解决更细空间尺度上的驱动因子变化，导致空间信息的丢失并损害整体评估结果（Acheampong和Boateng，2019；Hamrani等人，2020；Magazzino等人，2021）。作为一种融合地统计学和机器学习的混合模型，地理加权随机森林（GWRF）结合了两者的优势，能够在任何空间尺度上分析空间异质性和非线性关系，从而成为探索大面积研究区精细尺度驱动因子变化的有力工具。

驱动因子的变化表现出显著的阈值效应（Chen等人，2024；Sun等人，2025）。当核心驱动因子的值超过临界阈值时，区域碳平衡从均衡转向失衡。此外，不同驱动因子表现出不同的阈值和范围，部分因子甚至可能施加多重阈值，反复影响碳平衡（Huang和Duan，2020；Ming等人，2025；Wu等人，2023）。一个关键的科学挑战在于系统量化每个驱动因子的非线性阈值，综合核心要素的关键阈值，有效识别碳平衡和碳失衡区域，定位优先保护或治理区域，并支持有针对性的分区管理策略。

尽管阈值识别在环境管理中的重要性已得到公认，但现有研究很少将其与空间异质性分析整合到统一框架中。GWRF-SHAP-GAM框架弥补了这一空白，通过结合空间变化的非线性驱动因子-碳平衡关系（GWRF）、网格单元级驱动因子贡献（SHAP）以及非线性阈值效应（GAM），提供空间显式的归因以定位优先管理区域，以及基于阈值的不同区域界定，从而为可持续资源分配和循环经济原则提供信息支持。将该框架应用于长三角地区——中国最经济活力地区之一，面临排放激增和异质性生态条件，使得传统分析方法不再适用（Xu等人，2024a，Xu等人，2024b）——本研究整合多源遥感数据分析碳平衡动态，评估碳风险格局，识别关键驱动因子，并划定优先管理区域，为更广泛的环境转型讨论做出贡献，并为长三角地区实现"双碳"目标提供可操作的洞见。

章节摘要

研究框架

本研究提出了一个探索碳平衡变化的研究框架，以帮助揭示碳风险（图1）。该框架由三个核心部分组成：（1）2001年至2024年高分辨率碳排放和碳汇制图，以分析区域和网格尺度的碳平衡时空变化；（2）多时期碳平衡动态评估，从三个维度捕捉碳平衡的三维稳定性，并进一步推导出碳风险；（3）构建综合分析

省级尺度碳排放和碳汇的时间趋势

2001年至2024年间，长三角地区碳排放总量呈急剧增长趋势，从6.46×10⁸吨上升至1.99×10⁹吨，累计增长208.1%。碳汇总量整体呈稳步上升趋势，从6.35×10⁷吨增至9.69×10⁷吨，累计增长52.6%（图8a–e）。在此期间，区域碳排放与碳汇之间的绝对差距持续扩大。区域碳排放与碳汇之比

碳平衡的演变

整个研究期间，长三角地区始终处于碳失衡状态。区域碳排放增长率显著高于碳汇增长率，导致年度碳赤字持续扩大，这与先前研究结果一致（Liu等人，2018；Shen等人，2025；Wei等人，2022）。区域碳平衡的空间演变呈现出两个明显阶段。早期（2001-2012年），碳源与碳汇之间的转换相对

结论

本研究分析了长三角地区碳平衡和碳失衡风险的时空动态，进一步探索了驱动因子与碳平衡的空间关联，并在模型框架内识别了它们的非线性统计阈值。主要结论如下：

碳平衡的时空演变：长三角地区一直处于持续的碳赤字状态，且逐渐恶化。碳

CRediT作者贡献声明

吴大：撰写——原稿、软件、方法论、数据整理。邵光城：撰写——审阅与编辑、监督、资源、方法论。田伟堂：撰写——审阅与编辑、监督、资源、方法论。郭瑞琪：撰写——审阅与编辑、数据整理。潘星辰：撰写——审阅与编辑、方法论。卢佳：撰写——审阅与编辑、资金获取。

利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢与资助信息

作者感谢编辑和匿名审稿人对本文早期版本提出的宝贵意见。本工作得到了国家自然科学基金委员会（52309045）的资助。

吴大|邵光城|田伟堂|郭瑞琪|潘星辰|卢佳