高潜水位资源型城市水域转化及其碳排放分析

陈孝杨,黄美琴,张红梅,张旭阳,解 雯

(安徽理工大学地球与环境学院,安徽 淮南 232001)

中国是世界上最大的煤炭生产消费国之一,超过90%的煤炭产量来自地下采煤,且多为走向长壁全塌方开采。这种开采方式容易导致地面塌陷,尤其在我国东部平原的资源型城市,如淮南、淮北、徐州、济宁等,地下潜水位高,在经过长期煤炭开采后,形成大量的塌陷积水区[1]。这些塌陷积水区的形成导致城市水域的面积和空间结构发生显著变化,并且水域的转化过程既能增加植被和土壤的固碳能力,又会释放大量的碳,进而改变区域碳排放规模[2]。因此,研究高潜水资源型城市的水域时空转化及其碳排放,对于制定固碳减排策略和实现碳中和目标具有重要意义,也可为水资源治理提供科学依据。

遥感技术是快速大规模监测土地利用/覆盖变化和水体提取的有效手段之一,而Google Earth Engine(GEE)作为一个具有直接访问海量遥感数据和在线处理与分析功能的云平台,进一步促进了遥感技术的广泛应用[3]。文献[4]通过GEE平台调用Landsat系列数据对淮南市的土地利用进行分类,取得较好的分类结果。文献[5-6]在GEE平台运用随机森林和Landsat系列数据,分别实现地区的土地分类和水域提取。水域转化通常是由土地利用转型拓展而来,文献[7]对2000～2015年东北三省的土地利用类型叠加分析,表明水域向农田转化导致水域面积缩减。对于中国东部高潜水位平原的矿区,文献[8]利用土地转移矩阵分析淮南矿区土地利用变化,表明矿区水域面积的增加源于耕地转入。

目前,关于从土地利用变化角度研究碳排放,主要聚焦在耕地利用转型产生的碳排放以及区域土地利用碳排放核算、机制与效应及影响因素等方面。文献[9]基于碳排放系数法计算松花江流域哈尔滨段耕地利用转型产生的碳排放量,并揭示了碳排放空间异质性与形成机理。文献[10]利用碳排放系数法从县域和区域角度估算其土地利用变化导致的碳排放量,进一步分析了引起土地利用碳排放变化的驱动因素。文献[11]采用碳排放系数对四川省广元市近20年不同土地利用类型的碳排放估算。文献[12]基于IPCC模型估算30个省份城市建设用地的碳排放,并利用LMDI模型分析碳排放的驱动因素。文献[13]运用碳排放系数法估算长江三角洲不同土地利用类型的碳排放量。但是,关于水域转化对区域碳源和碳汇影响的研究涉及尚少,特别是针对高潜水位资源型城市水域转化所引起的碳排放研究十分有限。

淮南市位于中国中东部平原地区,是一个典型高潜水位资源型城市,拥有丰富的煤炭资源和地下水资源。长期的煤炭开采,导致淮南市地表塌陷严重,进而形成大量的塌陷积水区。本文以淮南市为例,通过对遥感数据的长时序监测,研究1987～2019年淮南市水域的时空变化情况。在此基础上,重点研究2007～2019年淮南市水域转化的时空分布及其碳排放量,并与矿区水域转化情况进行对比分析,旨在为淮南市在低碳经济背景下的水资源管理和生态修复提供科学依据,也可为类似城市的研究提供参考。

1 研究区与数据

1.1 研究区概况

淮南市位于淮河中游地区,受亚热带季风气候影响,年均温度约16.6℃。全市多年平均降水量为893.4mm,但年内分配不均。地形以平原和丘陵为主,淮河以北为平原,淮河以南为不连续的丘陵,如图1(a)所示。淮南市是中国13个亿吨煤炭开采基地之一,矿区地势平坦,煤层厚而稳定,埋藏较深,超过95%的煤炭产量来自井工开采。由于开采强度大且覆岩损坏严重,地表塌陷范围不断扩大、塌陷速率加快并存在持续扩大的风险[14]。这些塌陷区受到浅层地下水、地表径流和降雨补给的影响,形成各种塌陷水域[15]。研究区所占面积约2 596.4km2。基于中国煤炭开采黄金十年的背景和淮南市矿区开采/关闭情况,将2007、2013和2019年3期作为土地利用分类的源数据。依据各矿区空间邻近关系和开采时间,将淮南市的矿区分为5部分[16],如图1(b)所示。孔李矿区于20世纪40～60年代投入生产,目前已全部闭矿;其他矿区主要形成于20世纪70～90年代,在2001年以后一些新矿区被投入生产。其中,新集三矿区、潘一和潘三矿区分别在2016年和2019年闭矿。考虑到寿县未受煤炭开采的影响,不将其纳入研究。

图1 淮南市的地形特征和矿区分布情况

1.2 数据来源及预处理

本研究所采用的数据包括数字高程模型(Digital Elevation Model,DEM)数据、遥感数据和社会经济统计数据。遥感数据包括空间分辨率为30m的Landsat 5 TM和Landsat 8 OLI,时间跨度为1987～2019年。DEM数据和遥感数据均直接在GEE平台调用。采用GEE平台的Fmask算法遥感影像进行去云和去阴影等预处理,鉴于遥感影像仍会受到云污染或水质不佳因素的影响,经按日期过滤后,采用时间聚合技术对云量小于30%的遥感影像进行像素的中值合成[17]。社会经济统计数据包括安徽省能源平衡表、能源消耗量、建设用地面积、分配指标数据和原煤开采量,来源于《中国能源统计年鉴》、《安徽省统计年鉴》、《淮南市统计年鉴》、淮南市经济公报和寿县经济公报。

2 方法

2.1 随机森林模型的土地利用分类和水体提取

随机森林分类器是由Breiman在2001年提出的一种基于统计理论的算法[18],这种属于集成学习算法的分类器由多棵决策树组成,具有多树和重复采样的特点;与单个决策树相比,它在分类过程中具有更强的鲁棒性和良好的泛化能力。目前,随机森林被认为是土地利用分类中应用最为广泛的算法之一[19],在水体提取方面也表现出较高的准确性[20]。一般来说,该分类器包括以下几个优点:对异常值和噪声具有鲁棒性;高效快速地进行分类;不易过度拟合。

本文参考国家标准《土地利用现状分类》(GB/T21010—2017),结合淮南市实际情况[21],将淮南市的土地利用类型分为:水体、建设用地(城乡居民点、工矿用地、交通运输地类)、耕地、林地和草地(荒草地)。由于不同地类在遥感影像数据中具有特定的光谱特征,故利用Google Earth Pro历史高分辨率影像和实地考察对各期遥感影像进行目视解译获取标准样区:70%作为训练样区,30%作为验证样区。再利用GEE平台调用随机森林模型对淮南市进行土地利用分类和水体提取,并对分类结果进行精度验证,2007、2013、2019年3个时期土地利用分类总体分类精度均达到80%以上,kappa系数均大于0.8;1987～2019年的水体提取,总体精度均超过85%,kappa系数均大于0.9,结果均符合研究的精度需求。

2.2 土地利用转移矩阵

土地利用转移矩阵能够定量研究特定时段内淮南市不同地类之间相互转化的情况,可以全面分析特定时间内土地利用类型的数量变迁和土地利用结构的变化。本文在ArcGIS软件中将2007、2013和2019年3期土地利用栅格数据依次两两叠加分析,得到2007～2013年和2013～2019年的两个土地利用转移矩阵。具体表达式如下

(1)

式中,S为土地利用面积,Sij为初期地类i转化为末期地类j的面积,i,j=1,2,…,m,其中m为土地利用类型数(耕地、草地、林地、建设用地和水域5种地类)。

2.3 碳排放估算

1)建设用地碳排放系数的估算 建设用地引起的间接碳排放主要来源于化石能源燃烧[22]。为量化水域与建设用地相互转化产生的碳排放量,将研究区各时期的间接碳排放量与相应的建设用地面积相匹配,以估算平均碳排放系数,即建设用地单位面积产生的碳排放量,如式(2)所示。

(2)

式中,f为建设用地的碳排放系数,t/km2;EC为能源消耗碳排放量,104t;D为建设用地面积,km2。

本文采用文献[23]提出的碳排放求算方法。即,通过省级能源平衡表(Energy Balance Tuble,EBT)计算市级能源消耗产生的碳排放量。该方法已被多位学者[24-25]用来计算一般地级市或县的能源消耗量及其产生的碳排放量,均表现出较好的结果。该方法共分为3个步骤。

第一步 使用IPCC推荐的方法[26]计算省级EBT中27种类型的化石燃料产生的碳排放量,计算公式如下:

(3)

(4)

表1 各种化石能源燃料的碳排放系数

第二步 通过建立市级与省级之间的分配系数[27](见表2),将省级数据分配到市级以计算市级EBT中各类别对应的能源消耗产生的碳排放量,见式(5)和式(6)。

(5)

表2 能源平衡表能源消耗类别和分配指标

(6)

第三步 EBT的消费部分如表2所示。根据安徽省和淮南市的实际情况,参考文献[28]提出的基于EBT修正后的“消费量合计”方法,分别计算省级和地级市能源消耗产生的碳排放量,如公式(7)所示。

EC=FEC+Lost+|IE(-)|-NEU

(7)

由于炼油、炼焦等活动产生的二氧化碳相对较低,故IE(-)中不考虑;IE(-)中已包括本地生产的电热碳排放,FEC中无须再计算;去除工业中被用作原材料燃料(NEU)的碳排放量。

2)水域转化的碳排放量 因为各地类的碳排放系数不同,所以地类转化会引起碳排放变化。因此,利用水域与其他地类相互转化前后的碳排放系数差和转化面积,来量化水域与其他地类相互转化产生的碳排放/吸收量,具体估算公式[29]如下

E=∑Sk×δk

(8)

采用式(8)估算除建设用地外,水域分别与耕地、草地和林地相互转化产生的碳排放量。

在T1～T2时段内水域转化为建设用地产生的碳排放量估算如下

E=Sbuild-water×(fT1-δwater)

(9)

在T1～T2时段由建设用地转化为水域产生的碳排放量计算如下

E=Swater-build×(δwater-fT2)

(10)

将碳排放量(碳源)设为正值,碳吸收量(碳汇)设为负值。其中,E为水域转化产生的碳排放/吸收总量,t;Sk为水域与其他地类相互转化对应产生的转化面积,km2;δk为水域与其他地类相互转化对应的碳排放/吸收系数差,t/km2。对于耕地的碳排放既要考虑农作物生产过程中的碳排放系数[30],还要考虑农作物生育过程的碳吸收系数[31],故取两者差为净碳排放系数。对于林地和草地均参考文献[32]的研究成果,前者取其平均值。对于水域,参考文献[33-34]的研究成果,取平均值作为水域的碳排放系数,由于研究区存在大量煤炭开采形成的积水特征,还需要将水域视为负碳汇[35]。故耕地、林地、草地和水域用于研究的碳排放系数分别为0.049 7、-0.058 6、-0.002 1和0.053 8kg(C)/m2。fT1和fT2分别表示T1年和T2年建设用地的碳排放系数(104t/km2);Sbuild-water和Swater-build分别表示建设用地转为水域的面积和水域转为建设用地的面积(km2)。

3 结果与分析

3.1 水域面积时空变化

1987～2019年,淮南市和矿区的水域面积均呈现明显的上升趋势,对应的水域面积增量分别为30.09km2和25.40km2。具体而言,淮南市水域面积变化可以分为“缓慢-快速-较缓慢”3个阶段,如图2(a)所示。1987～2007年为缓慢上升期,年均增长率为0.83%,水域面积从198.64km2增至234.47km2;2007～2013年为快速上升期,淮南市水域面积急剧上升,年均增长率为2.31%,增加34.44km2;2013～2019年为较缓慢上升期,年均增长率为1.07%。

图2 研究区1987～2019年水域面积变化

矿区的水域面积变化也可以分为3个阶段:1987～2007年为缓慢上升期,年均增长率为2.89%,矿区水域面积增量为35.84km2,潘集矿区的水域变化呈明显的上升趋势,增量为9.78km2;2007～2013年为快速上升期,水域面积的增量29.52km2,年均增量为8.78%,其中潘集矿区和凤台矿区增幅最大;2013～2019年为较缓慢上升期,年均增长率为1.07%,潘集矿区和凤台矿区同样为较缓慢上升,而丁集朱集矿区开始增加,如图2(b)所示。综上所述,各阶段矿区水域面积的年均增长率均大于或等于淮南市,表明淮南市水域面积主要受矿区水域变化的影响。

在空间上,同样可以表明淮南市水域面积变化主要发生在矿区,如图3所示。1987～2007年,淮南市和矿区水域面积变化不明显,矿区内塌陷积水相对较少;2007～2013年,矿区内水域面积变化显著,从东向西逐渐增加,尤其是潘集矿区和凤台矿区的水域变化最为显著;2013～2019年,虽然矿区水域面积变化更为缓慢,但是凤台矿区和潘集矿区水域面积仍然在增加。图3(a)和图3(b)显示,2007～2019年矿区的水域范围不断向外延伸,特别是凤台矿区和丁集矿区,这进一步表明淮南市的水域变化主要受矿区水域变化的影响。

图3 不同时期研究区水域面积变化

3.2 水域时空转化特征

基于土地利用转移矩阵分别建立2007～2019年淮南市和矿区的水域转化矩阵及其空间分布,从而揭示水域的时空转化特征,如表3～表4和图3～图4所示。

表3 2007～2013年淮南市和矿区的水域转化矩阵

表4 2013～2019年淮南市和矿区的水域转化矩阵

图4 2007—2019年水域转化的空间分布图

2007～2013年间,淮南市水域转入面积为57.12km2,主要为耕地转化为水域,面积为53.77km2,占比94.14%;其次是建设用地转化为水域,面积为3.28km2,占比5.74%;林地仅占0.12%。淮南市水域转出总面积为22.68km2,其中转化为耕地的面积最大,为17.07km2,占比75.26%,转化为建设用地的面积为5.57km2,占比24.56%,林地和草地仅占0.18%。综合来看,由于水域转入量大于转出量,2007～2013年淮南市水域面积呈上升趋势,增加量为34.43km2,主要源于水域与耕地、建设用地的相互转化引起。基于矿区水域转化情况,淮南市近乎一半的水域转化均发生在矿区,其中矿区内耕地转化为水域的面积是淮南市的59.83%,而水域转化耕地仅占19.39%,它们的净转化面积占比78.64%,导致淮南市水域面积增加的区域主要发生在矿区,且多以损坏耕地增加水域;水域与建设用地之间的转化主要发生在矿区以外,矿区内水域与建设用地相互转化的净面积为正值。

2013～2019年淮南市由其他地类转化为水域的总面积为51.91km2。其中,耕地转化为水域的面积是45.76km2,占比88.15%;其次,是建设用地,占比11.42%。而水域转化为其他地类的总面积为34km2,主要流向耕地和建设用地,转化面积分别为28.80km2和5.15km2,占比分别为84.70%和15.15%。整体而言,2013～2019年淮南市水域面积呈上升趋势,6年内净增加17.91km2,耕地和建设用地为其面积的增加作正向贡献,其中耕地与水域相互转化的净面积为16.96km2,起主导作用。结合矿区水域转化情况,淮南市46.11%的水域转化过程均发生于矿区内,其中矿区内耕地转化为水域的面积占淮南市的57.58%,水域转化为耕地占比29.86%。尽管矿区水域与建设用地的转化仅占淮南市的41.79%,但是矿区内其净转化面积大于淮南市。

2007～2013年,耕地向水域的转化广泛发生,主要分布于矿区,河湖周围和淮南市东部地区也存在聚集现象,其他区域则呈离散分布。而水域转化为耕地主要在焦岗湖,源于该地区在2009年左右发生围湖造田,其余部分主要分布在淮南市东南部和南部地区。水域转化为建设用地集中分布在淮南市东北部地区,其余部分多分布在矿区,如图4(a)所示。2013～2019年,淮南市整体的转化方向是耕地转化为水域,主要发生在矿区内,其余分布于焦岗湖、淮河流域、淮南市东南部和南部地区,焦岗湖的变化源于响应国家要求实施退耕还湖。其次,水域转化为耕地占比相对较大,主要分布在淮南市东部地区,少部分离散分布在焦岗湖、河湖周围和矿区。而建设用转化为水域主要分布于矿区,源于煤炭开采导致居民用地塌陷,从而形成塌陷积水区,如图4(b)所示。

3.3 水域转化碳排放特征

为量化水域转化过程中引起的碳排放量,根据式(8)～式(10)分别估算淮南市和矿区在不同时期水域与其他地类相互转化引起的碳排放量,如表5～表6所示。

表5 淮南市和矿区2007～2013年水域转化碳排放量 t

表6 淮南市和矿区2013～2019年水域转化碳排放量 t

2007～2013年淮南市水域转化碳排放量为58 569.49t,此转化过程中碳排放量大于碳吸收量,使得水域转化碳排放最终呈现为碳源。其中,水域与建设用地之间相互转化产生的碳排放量占比最大,为421 203.52t;其次,水域与耕地的相互转化,碳排放量为150.47t;最后,水域与林地的相互转化,碳排放量为5.62t。而水域与草地之间的相互转化最终表现为碳汇,碳排放量为-1.12t。矿区内水域转化总体上表现为碳汇,相较于淮南市,矿区内水域与建设用地转化的净面积为正值,而淮南市的为负值,进而使得矿区水域与建设用地的相互转化为固定碳,其碳排放量为-11 856.62t,而碳源产生的过程仅来自于水域与耕地的相互转化,碳排放量为118.33t,如表5所示。

在2013～2019年,淮南市水域转化过程中引起的碳源主要来自耕地、林地和草地转化为水域和水域转化为建设用地的过程,其碳排放量为119 364.47t。碳汇是由水域转化为耕地、林地和草地以及建设用地转化为水域构成。在水域转化过程中,建设用地转化为水域积累的碳储量远大于水域转化过程中产生的碳排放量,故淮南市在水域转化过程中表现为碳汇,其值为-17 381.12t。在矿区内,水域转化为建设用地产生的碳排放量远小于建设用地转化为水域产生的碳储量,最终使得矿区水域转化呈现为碳汇,且碳储量是淮南市的1.75倍,如表6所示。

4 讨论与结论

4.1 讨论

经研究发现,在1987～2019年淮南市和矿区的水域面积均呈上升趋势,且该过程主要发生在矿区内。这一变化主要受煤炭开采量在不同时间尺度上的影响,在长时间尺度上煤炭开采量是驱动淮南市水域面积变化的主要因素,而短期内的变化主要受降雨量影响[36]。故从煤炭开采量的角度对1987～2019年淮南市水域面积变化进行分析:1987～2007年,由于煤炭开采技术落后且规模相对较小,水域面积仅略微增长;2007～2013年,在国家能源需求的推动下,煤炭开采规模逐渐扩大,原煤开采量从4.67×107t增至8.49×107t,这段时期矿区水域变化显著;2013年以后,由于环境保护和能源结构调整的需要,一些不符合安全和环保标准的中小型煤矿被关闭,促使煤炭开采量逐渐减少,区域水域面积的增长速度相对减缓。

2007～2019年淮南市水域转化碳排放量先增加后减少,而矿区水域转化碳吸收量持续增加,归因于水域与高碳排放系数的建设用地之间的相互转化。具体而言,水域与建设用地相互转化产生的碳排放量直接影响淮南市和矿区在水域转化过程中的碳源/碳汇表现,表明建设用地在土地利用转型的碳排放中占据重要地位。这表明,政府可以采取措施来引导这种转化,以降低碳排放,从而有助于实现碳减排目标。首先,在本研究中水域与建设用地的转化并不频繁,但是对于煤炭开采的资源型城市,其建设用地的碳排放系数明显高于其他地类,说明区域建设用地不断新增,而资源型城市的能源消耗量也在增加。因此,政府可以通过合理控制新增建设用地、减少化石能源消耗量和应用绿色新能源来降低碳排放量。另外,研究还显示在高潜水位资源型城市将建设用地转化为水域可以减少碳排放量,但这需要对塌陷积水区进行治理,才能达到固碳减排的目的。因此,可以通过对于已形成的塌陷积水区挖深埋浅,对难以复垦的积水区构建湿地生态系统和水生态环境治理等措施,来提高水域的碳汇能力,将塌陷水域的负碳汇转为正碳汇。综上所述,本研究可为政府在城市规划、资源管理和固碳减排政策的制定提供理论支撑。通过合理运用这些成果,政府可以积极引导城市发展,实现可持续发展目标,并降低碳排放水平,实现社会经济发展和环境保护的协同推进。

4.2 结论

1)1987～2019年,淮南市和矿区的水域面积整体上均呈增长趋势,但是在各阶段的增长率却并不相同。1987～2007年淮南市水域面积变化较小,矿区积水区域尚未稳定;2007～2013年淮南市和矿区的水域面积变化均明显;2013～2019年由于环境保护和资源枯竭等因素的影响,淮南市和矿区水域面积的增长开始放缓。在空间尺度上,淮南市的水域变化主要分布在矿区内。

2)2007～2013年淮南市和矿区水域面积均呈上升趋势,主要源于耕地的转入,该转化过程主要分布在矿区;2013～2019年淮南市和矿区水域面积仍呈上升趋势,其中水域与耕地和建设用地的转化最为频繁。在两个阶段中,淮南市近乎一半的水域转化过程均发生在矿区。

3)2007～2019年,淮南市水域转化碳排放量先增加后减少,矿区水域转化碳排放始终处于固碳状态,其中2007～2013年水域转化碳排放最为剧烈,淮南市和矿区水域转化碳排放分别为58 569.46t和-17 381.12t。2013～2019年淮南市和矿区水域转化碳排放量分别为-11 738.85t和-30 402.66t。