多情景下土地利用与碳排放耦合关系研究:基于冠豪猪优化器增强且融合注意力机制的深度学习碳排放预测模型

《Energy》:Unveiling multi-scenario land use-carbon nexus: Crested Porcupine Optimizer-enhanced deep learning model with attention mechanisms for predicting carbon emissions

【字体: 大 中 小 】 时间:2026年08月28日 来源:Energy 10.1

编辑推荐:

   摘要:准确预测土地利用相关的碳排放对于区域低碳规划至关重要,尤其是在快速城市化的地区,土地利用转化、能源消费与社会经济发展密切交织。本研究建立了一个多情景建模框架,集成了能源消费预测、基于深度学习的碳排放预测以及土地利用模拟。利用城市特定的灰色预测模型预测建设用地相关的能源消

  

摘要:准确预测土地利用相关的碳排放对于区域低碳规划至关重要,尤其是在快速城市化的地区,土地利用转化、能源消费与社会经济发展密切交织。本研究建立了一个多情景建模框架,集成了能源消费预测、基于深度学习的碳排放预测以及土地利用模拟。利用城市特定的灰色预测模型预测建设用地相关的能源消费,同时通过排放系数估算其他土地利用类型的排放量。采用冠豪猪优化器(CPO)增强的CNN-GRU-Attention模型,整合土地利用、能源消费、社会经济、环境及空间可达性变量,以表征区域碳排放预测中的非线性关系和特征交互。利用Opti-LEAS模型估算土地扩张概率,并基于细胞自动机的CARS模块通过多种随机种子模拟自然发展、城市发展和生态保护情景下的土地利用变化。该框架应用于中国汾渭平原。大多数城市级能源消费序列满足灰色预测的适用性要求,并根据验证误差选择城市特定的模型变体。在主要训练-测试划分下,所提模型测试集R2达到0.9574,优于基准模型。在十次随机重复划分(70%训练、30%测试)中,平均测试R2为0.9798 ± 0.0267,平均加权绝对百分比误差(WAPE)为7.31% ± 2.80%,尽管个别划分下性能有所下降。在指定的基于文献的转换规则下,生态保护情景到2030年产生的区域净碳排放水平在三种情景中最低。该框架为低碳土地利用规划和区域碳减排政策制定提供了定量支持。

引言:全球变暖的加速步伐已将碳排放控制和减排提升至国际优先事项的核心地位[1]。全球CO2排放仍处于历史高位[2],而持续的人为温室气体排放加剧了全球变暖,增加了与气候相关的极端事件风险[3]。气候变化已经对生态系统、生物多样性、人类健康及资源安全造成了广泛的不利影响[4]。因此,在区域和城市尺度上进行准确的碳排放核算对于制定基于证据的减缓策略至关重要[5]。中国作为全球最大的二氧化碳排放国,已承诺实现"双碳"目标,即2030年前碳排放达峰、2060年前实现碳中和[6]。实现这些目标需要对产业结构、能源使用和空间发展格局进行协调调整。相应地,提高能源效率、降低能源强度以及促进清洁能源体系已成为中国低碳转型的重要组成部分。在区域尺度上,基于土地利用的可解释机器学习模型已被用于表征和预测空间碳排放格局[7]。在过程尺度上,与燃烧相关的研究表明燃料组成和氧化剂条件可能影响污染物生成和排放特征[8]。在区域尺度上,碳排放评估需要将能源消费信息与土地利用及空间发展分析相结合。因此,开发可靠的方法来表征和预测区域碳排放格局对于支持不同发展路径下的排放控制策略具有重要意义。

土地利用和土地覆盖变化为理解区域碳排放提供了重要的空间基础。不同土地利用类型通过其独特的生态功能、开发强度以及与人类活动的关联性影响碳源和碳汇格局[9]。特别是,建设用地扩张与人口集聚、产业活动、基础设施建设和能源消费密切相关,而林地、草地和水域通常有助于碳储存、碳固定和生态调节[10]。因此,分析土地利用相关碳排放的时空特征可以提高对区域排放异质性的理解,并为差异化的低碳土地管理提供支持[11]。

然而,在土地利用转化、能源消费增长与社会经济发展密切交织的快速城市化地区,区域碳排放预测仍面临挑战。如果将土地利用变化、能源消费动态和碳排放预测分开处理,可能无法充分捕捉不同空间发展路径的碳后果。因此,需要建立一个将碳排放核算、能源消费预测和多情景土地利用模拟联系起来的系统化分析框架。这样的框架可以帮助评估不同的土地利用发展路径如何影响未来碳排放,并为低碳土地利用规划和区域碳减排政策制定提供定量支持。

早期研究确立了估算与土地利用和土地覆盖变化相关的全局和区域碳通量的定量方法[12]。在此基础上,后续研究逐步深化了对土地利用碳排放的认识,取得了显著的方法论和分析进展。研究还扩展到了特定生态系统碳汇的未来脆弱性,包括变化环境条件下的全球泥炭地碳汇[13]。Chen等[14]采用FLUS模型预测了到2050年土地利用变化对栖息地的影响,揭示了高质量栖息地的持续缩减和低成本栖息地的扩张。Lin等[15]将土地利用和土地覆盖(LULC)数据集与三维建筑结构相结合,更准确地解释了高密度地区的CO2排放,强调了在健康城市规划早期阶段纳入这些要素的重要性。卫星遥感技术促进了土地利用和土地覆盖数据集的高分辨率获取[16]。土地利用转换信息也被纳入计量经济学碳汇模型以估算相关的碳储存变化[17]。历史评估进一步表明,土地利用变化引起的CO2排放可能比先前假设的更大[18]。最近,研究从碳汇评估扩展到碳源、碳汇和未来土地利用路径的综合分析。Dong等[19]结合Markov、多目标优化和FLUS模型模拟未来土地利用需求并评估替代发展情景的碳排放效应。Feng等[20]预测了中国未来土地利用格局及相关陆地碳储变化,Cheng等[21]评估了历史土地利用相关碳排放并模拟了未来区域碳排放格局。在城市尺度上,Zhou等[22]通过结合基于能源消费的修正与基本土地利用排放系数来估算土地利用碳排放。土地利用政策情景也被用于量化陆地碳排放、碳固定和野火风险之间的权衡[23]。然而,仅凭土地面积不能完全代表生产和居住用能产生的碳排放。建筑和建筑部门的研究报告表明,纳入规模相关、经济、技术和分类因素,并比较替代机器学习回归模型,可以改善碳排放评估和预测[24]。在基于区域土地利用的碳排放预测中,对土地利用、能源消费和社会经济信息的类似整合仍然研究不足。

为进一步提高预测结果的可靠性和适用性,选择合适的回归和模拟模型引起了广泛关注。Victoria等[25]开发了一种用于早期嵌入碳预测的参数化模型。Yang等[26]量化了土地利用类型转移的碳传导效应并分析了其时空差异,Wang等[27]采用系统动力学模型进行情景预测。Niu等[28]应用多元线性回归预测建设用地的碳排放。然而,这些传统方法往往预测精度有限,受限于线性假设、低模型拟合度以及对时空动态考虑的不足。因此,机器学习方法越来越多地应用于碳排放预测,以表征土地利用特征与排放之间的非线性关系[29]、[30]、[31]。Luo等[29]为西安开发了基于土地利用的碳排放预测模型,相关研究利用可解释机器学习表征了长三角区域的多尺度碳排放格局[7],并引入了空间矩阵增强的神经网络来预测商业和住宅碳排放[31]。尽管机器学习模型可以提高预测性能,但其对空间变化关系的解释可能仍然有限。因此,空间显式和基于数据驱动的方法已被应用于碳排放和能源消费分析的不同方面。Lin等[32]考察了中国地级行政单元陆地生态系统碳排放和固定的时空特征及驱动因素。Hong等[33]利用地理城市标度分析研究了城市人口规模、人口密度与多碳源排放之间的关系。Wang和Lu[34]通过整合土地利用类型、景观格局和夜间灯光影像对电力消费进行建模。这些研究表明了纳入空间信息和异质性解释变量的价值,同时也指出了需要能够联合表征非线性关系、空间特征和可解释特征效应的建模框架。

土地利用转型连接了生态系统与人类活动,可以重塑碳源与碳汇之间的平衡,从而影响区域碳排放结果[35]。现有碳排放核算研究越来越多地整合了土地利用和碳储存效应[36]、能源相关的城市排放[37]以及土地利用变化的土壤碳响应[38]。除生物物理碳排放核算外,Guo和Wang[39]考察了中国制度开放性的碳减排效应。Garofalo等[40]量化了巴西与农产品相关的市级土地利用变化CO2排放。基于情景的土地利用优化也被用于协调城市发展目标与碳排放约束[41]。因此,采用多情景分析将多样的社会[42]、经济[43]和能源相关因素[44]动态整合到排放预测中变得越来越关键。现有研究已考察了土壤碳模拟[45]、耕地净碳汇的时空演变与综合分区[46]、基于情景的土地利用预测[47]、土地利用碳排放情景预测[48]以及城市土地利用强度对CO2排放的影响与预测[49]。Zhao等[50]进一步将多情景土地利用模拟与西安区县级CO2–PM2.5协同效益及成本效益评估相结合。然而,城市特定的未来能源消费很少被明确纳入统一情景框架中的建设用地碳排放预测。因此,整合能源消费预测、数据驱动的碳排放预测和政策导向的土地利用情景对于评估未来区域碳排放轨迹仍然十分必要。

综上所述,先前的研究为土地利用相关碳排放的估算和预测提供了重要的方法论基础。然而,仍存在若干局限性。建设用地排放通常由土地利用面积表示,但实际上它们与城市生产和居住活动产生的能源消费更为直接相关。随着多源数据集的日益使用,土地利用变化、能源消费动态和碳排放核算之间的联系仍需要进一步整合,尤其是在快速城市化地区。另一项局限性在于,未来能源消费并非总是被明确纳入土地利用相关碳排放预测中。在许多研究中,建设用地排放是从静态土地利用特征或历史排放模式推断得出的,这可能会限制模型反映区域能源需求未来变化的能力。此外,传统回归模型和独立的机器学习模型在联合表征异质性预测变量之间的非线性关系和复杂交互方面的能力可能有限。虽然混合深度学习模型在许多应用中提高了预测性能,但结合不同组件的理由及其各自贡献的评估往往不够明确。

为弥补这些不足,本研究开发了一个多阶段建模框架,整合了能源消费预测、土地利用碳核算、基于深度学习的碳排放预测和多情景土地利用模拟。选择中国汾渭平原作为案例研究区域,因为其正在经历快速的土地利用转型,并面临城市扩张、生态保护和碳减排目标之间日益增长的平衡压力。具体而言,本研究旨在:(1)构建一个土地利用碳核算框架,其中建设用地排放通过纳入预测能源消费进行估算,而其他土地利用类型使用基于系数的碳核算方法进行估算;(2)开发并验证CPO-CNN-GRU-Attention模型用于区域碳排放预测,并将其性能与传统回归和机器学习模型进行比较;以及(3)模拟自然发展、城市发展和生态保护情景下的未来土地利用格局,并评估其对2030年碳排放的影响。

本研究的主要贡献在于将能源消费预测与土地利用碳核算和基于情景的碳排放预测联系起来。通过使用预测能源消费而非仅凭土地面积来估算建设用地排放,该框架提高了土地利用变化与碳排放核算之间的一致性。CPO优化的CNN-GRU-Attention模型被纳入区域碳排放预测中以表征非线性关系和潜在特征交互,其性能与基准模型和组件消融变体进行了比较评估。此外,土地利用模拟与碳排放预测相联系,以比较不同的土地利用路径如何可能影响未来区域排放。

该框架并非旨在识别一种普遍最优的土地利用路径,而是为评估不同空间发展轨迹的碳排放后果、支撑低碳土地利用管理提供情景比较基准。研究区域汾渭平原位于中国中部,被选为研究对象是因为该地区具有以下特征:城市与工业开发密集、土地利用持续转化,以及土地利用相关碳排放与PM2.5污染之间协调性的空间差异显著[51]。该地区呈盆地-谷地地形结构,四周被山脉环绕。这一地形导致了环境条件存在显著的空间异质性,并可限制大气土地利用分类根据图3,汾渭平原土地利用类型的空间分布在2010年至2020年间发生了显著变化。建设用地显著扩张,主要集中在中心城区,表明城镇化驱动的土地转化速度较快。这一扩张侵占了耕地,对区域农业生产能力造成了压力。林地和草地总体上保持稳定,局部出现的轻微波动归因于植被恢复土地利用扩张相关的空间解释变量图11和图12展示了用于估算汾渭平原土地利用扩张概率的社会经济、通达性和环境变量的空间分布。社会经济变量包括人口密度、国内生产总值和夜间灯光强度;通达性相关变量包括到主要道路、次要道路、铁路、行政中心和河流的距离。人口密度、国内生产总值和夜间灯光强度呈现显著讨论多情景模拟结果表明,汾渭平原的碳排放响应与建设用地和生态用地的空间再分配密切相关。扩张概率结果表明,在宝鸡、西安、渭南、咸阳和三门峡等经济活跃的城市节点周边,建设用地扩张的预测概率相对较高,而在吕梁、晋中和运城则观察到较低的概率。这种空间分异结论本研究开发了一个综合框架,将差异化土地利用碳核算、能源消耗预测、CPO-CNN-GRU-Attention预测模型和多情景土地利用模拟相结合,以评估汾渭平原未来的碳排放格局。通过区分建设用地的能源相关排放与其他土地利用类型的面积相关排放或固碳,本研究考察了替代土地利用路径如何影响区域碳排放利益冲突声明作者声明不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。CRediT作者贡献声明刘新宇:数据整理。赵雪:撰写—初稿、可视化、软件、方法学、形式化分析。田宁:软件、方法学。赵伟:验证、数据整理。邵碧林:可视化、监督、概念构思。苏佳:可视化、方法学数据可用性数据可根据要求提供。伦理声明作者声明本研究不涉及人类或动物受试者。利益冲突声明? 作者声明不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。致谢本研究受国家自然科学基金(编号:72504216)、重庆市自然科学基金(编号:CSTB2025NSCQ-GPX0990)、陕西省基础科学研究计划(编号:2025JC-YBMS-830)、重庆市教委科技研究计划(编号:KJQN202500503)和陕西高校青年创新团队(编号:Z20230765)资助。赵雪|邵碧林|苏佳|田宁|赵伟|刘新宇西安建筑科技大学管理学院,西安 710055,中国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号