中国资源型城市碳平衡的多尺度时空演化与驱动机制：基于“格局-过程-服务-可持续性”（PPSS）框架与可解释机器学习

《Sustainable Cities and Society》：Using machine learning to unravel the driving mechanisms of carbon balance in resource-based cities: a “pattern-process-service-sustainability” framework

　　

研究人员构建了“格局-过程-服务-可持续性”（Pattern-Process-Service-Sustainability, PPSS）理论框架，以解释碳平衡（carbon balance）机制。研究人员开发了可解释机器学习（explainable machine learning）与偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM），用于碳平衡机制研究。2012年后，中国资源型城市（resource-based cities, RBCs）碳平衡下降速率减缓。生态系统服务（ecosystem services）显著将景观格局与碳固持（carbon sequestration）联系起来。煤基和油气基城市是碳平衡提升的关键区域。

研究背景与问题。人类活动产生的温室气体，尤其是CO₂，已成为全球变暖的重要驱动因素，并威胁生态系统。城市集中了全球一半以上人口和大量经济活动，贡献约70%的全球CO₂排放。城市化、化石能源消费、工业生产和土地利用变化不仅直接增加碳排放（carbon emissions, CE），还通过建设用地扩张、景观破碎化和生态用地转化削弱区域碳固持（carbon sequestration, CS）。碳排放与碳固持共同塑造区域碳平衡（carbon balance, CB）；当排放超过生态系统碳固持能力时，区域由碳汇转向碳源。资源型城市（resource-based cities, RBCs）长期依赖化石燃料开采和加工，低碳转型尤为紧迫。21世纪以来，采矿导致的森林损失达1.98×10⁴ km²，相关排放达7.50亿 t CO₂。中国资源型地区在快速工业化和城市化中贡献了全国GDP的30%以上，同时承受高碳排放和环境退化压力。已有研究多聚焦碳排放或碳固持的单一过程，较少将二者纳入统一碳平衡核算框架；驱动机制的理论框架不足；传统统计和空间计量方法难以识别非线性、阈值效应和多维传导机制，而机器学习虽拟合能力较强，却难揭示层级结构和直接、间接路径。因此，研究人员以中国125个地级RBCs为对象，研究2002—2023年碳平衡时空演化与驱动机制，并构建PPSS框架，结合可解释机器学习与PLS-SEM，为碳平衡优化和低碳转型提供依据。该研究发表于《Sustainable Cities and Society》，作者为 Peiyue Feng、Meiyu Sun 和 Wenxin Liu。

主要关键技术方法。研究人员整合多源遥感、土地利用、统计年鉴和气候数据，构建1 km分辨率空间碳平衡数据集与PPSS驱动指标体系；以MEIC约束ODIAC生成高分辨率碳排放，以MODIS NPP代理植被碳固持，计算CB=CS?CE；从Pattern、Process、Service维度选取23个解释变量，分析CE、CS和CB。驱动分析采用贝叶斯堆叠集成学习，先评估8种候选模型，再选取前3名堆叠，并以线性回归为元学习器；采用城市分块60%、20%、20%划分训练、验证和测试集，避免空间信息泄漏。解释分析使用SHAP（SHapley Additive exPlanations）与广义可加模型识别非线性响应，随后用PLS-SEM识别潜变量直接和间接路径。样本队列来源为中国125个地级资源型城市2002—2023年数据，来源于ODIAC、MEIC、Terra NPP、CLCD、ERA5-Land、MOD13Q1 NDVI、LandScan、中国统计年鉴和夜间灯光等数据集。

研究结果。4.1 时空格局演变。4.1.1 碳排放：2002—2023年CE持续上升，地级平均CE由2.78×10⁶ t·C增至8.51×10⁶ t·C；2002—2011年年均增长10.66%，2012年后降至1.78%。地级尺度上，高排放城市增多并集中于华北，煤基和油气基城市突出；栅格尺度上，CE热点集中在城市建成区、工业矿区及周边，并向外扩展。4.1.2 碳固持：CS总体波动上升，地级平均CS由8.76×10⁶ t·C增至1.03×10⁷ t·C；2012年前后增长较明显。高CS城市多为金属基和林业基城市，低CS城市多为煤基和油气基城市；栅格尺度显示CS在华北平原、东北和部分西南地区改善明显。4.1.3 碳平衡：125个RBCs平均CB保持为正，但2002—2023年CB下降69.73%，由5.98×10⁶ t·C降至1.81×10⁶ t·C；2012年前年均下降9.65%，之后降至1.70%。碳赤字城市比例由28.00%升至48.80%，赤字集中于华北煤基和油气基城市，盈余城市主要在西南和东北。栅格尺度上，碳赤字区域扩张，但54.80%栅格CB增加，表明城市内部存在局地改善。

4.2 碳平衡驱动因子分析。4.2.1 多重共线性分析与模型评价：相关分析后剔除DIVISION和ETP，采用城市分块建模，最终模型在未参与训练城市上保持可接受预测性能。4.2.2 可解释模型分析结果。4.2.2.1 碳排放主导驱动因子识别：SHAP结果显示GDP贡献最高，LSI和Shannon次之，TEM、NL和GS也重要；前六变量占总贡献73.58%。GDP、LSI、Shannon和NL存在阈值或非线性关系，GS高于35%时多对应负贡献。4.2.2.2 碳固持主导驱动因子识别：SDR、WY和HQ贡献最大，共占41.77%，LSI、GS和Cropland也重要；SDR、WY、HQ、GS、LSI和Cropland均显示阶段性或阈值型关联。4.2.2.3 碳平衡主导驱动因子识别：SDR、HQ和WY合计贡献36.80%，GS和NL也重要；NL平均绝对SHAP值为1112.57，HQD也具解释贡献。CB响应曲线显示，SDR、GS、HQ、NL、WY和HQD对CB预测的贡献随变量值变化而呈非线性。

4.3 碳平衡驱动路径识别。4.3.1 PLS-SEM构建与验证：基于SHAP结果和PPSS框架构建潜变量路径，删除近零载荷的LSI和FS；复合信度为0.673—0.897，AVE为0.402—0.745，内生构念R²为0.369—0.653。4.3.2 碳平衡驱动路径分析：因CB为CS与CE之差，路径系数仅按符号和方向解释。CE路径中，Pattern对CE直接正关联最强，Process次之，Service demand为负关联；Pattern和Process还可经Service demand间接关联CE。CS路径中，Service supply对CS正关联最强，Process为负关联；Pattern对CS直接关联弱，但通过Process和Service supply间接关联CS。总体上，Service supply是CB相关结构路径的重要中介，Pattern对CB具较强正总效应，Process对CB总关联为负。

讨论部分总结。5.1 碳平衡阶段变化：华北CE远高于其他地区，也是碳赤字集中区，煤基和油气基城市重工业活动及复杂景观格局放大了排放；西南和东北因生境质量和绿空间较高、建设用地扩张受限，碳平衡相对较高。CB存在尺度依赖，城市级下降而栅格级多改善，反映碳源汇空间分离及变化幅度差异。碳固持改善不一定带来CB改善，若工业排放、能源消费和建设用地扩张导致的碳源增长更快，CB仍可下降。2012年后CE增速和CB下降均放缓，CE驱动由建设用地扩张、人类活动增强和资源开采扰动，转为更多受现有土地利用强度、人口集聚和自然条件影响。5.2 驱动机制分析：贝叶斯堆叠集成模型精度高于基模型，适合高维非线性数据。GDP、LSI和Shannon与较高CE密切关联；SDR对CS具有关键作用，WY和HQ也重要。CB与生态碳固持条件及NL反映的人类活动强度均相关。非线性阈值和间接路径明显，例如Shannon和PD对CS直接效应弱，但可经Process和Service supply产生间接影响。煤基和油气基城市中，景观复杂性和人类活动相关因素对CE和CB影响更突出；林业基城市中SDR边际效应较弱。5.3 政策启示：应从碳排放控制转向碳源汇协同空间治理，限制建设用地、工业和矿区蔓延，保护连续绿空间和优质耕地，建立多尺度治理体系；应从增量扩张转向存量优化，在GDP超过约1020亿元、夜间灯光超过3时加强预警，严控新增建设用地和能源密集型项目；应从一般绿化转向关键生态系统服务提升，优先改善土壤保持、生境质量和产水量；应按资源类型和碳平衡状态实施差异化转型路径。5.4 局限与未来研究：时间分辨率有限，未纳入土壤碳固持和土壤呼吸排放，也未充分纳入能源技术进步、产业结构调整、绿色市场和消费模式等因素，未显式检验空间溢出。未来可整合高分辨率清单或多模型集合、采用更细时间尺度、应用空间自回归等模型，并检验框架在其他国家资源依赖区的可转移性。

研究结论翻译。本研究考察了中国125个地级RBCs碳平衡的时空特征，并系统揭示了其演化模式与驱动机制。结果表明，2002—2023年碳排放与碳固持均增加，RBCs总体保持碳盈余。值得注意的是，碳固持能力改善并不必然带来碳平衡改善。CB持续下降69.73%，尽管这一趋势在2012年后放缓。空间上，碳赤字城市集中于华北煤基和油气基城市，碳盈余城市主要位于东北和西南林业城市。可解释机器学习模型识别了碳平衡的多维预测因子。GDP、景观复杂性和景观多样性对碳排放贡献最大，而碳固持对土壤保持、产水量和生境质量等生态系统服务更敏感。碳平衡反映城市化相关排放压力与生态系统服务供给能力的综合效应。还观察到明显阈值效应，关键驱动因子的边际效应越过临界点后显著改变。此外，生态系统服务是景观格局与碳固持之间的重要链接。在碳排放路径中，格局和过程因子既与排放直接关联，也通过服务需求间接关联。这一结构模式在碳固持路径中更明显，格局因子与碳固持直接关联较弱，但主要经服务供给和气候过程与其关联。通过聚焦中国地级RBCs碳平衡，本研究提供了更精细、空间显式的碳平衡评估，并开发PPSS分析框架，整合可解释机器学习与PLS-SEM，系统解释中国RBCs碳平衡时空演化与驱动机制。这些发现可支持中国双碳目标，并为全球资源型地区超越“资源诅咒”提供可转移空间治理路径，从而为全球可持续发展提供理论贡献。