2022, Vol. 43
2. 桂林理工大学广西空间信息与测绘重点实验室, 桂林 541004
, CHEN Jian-jun1,2
, ZHANG Kai-qi1 , ZHOU Guo-qing1,2 , YOU Hao-tian1,2 , HAN Xiao-wen1,2
2. Guangxi Key Laboratory of Spatial Information and Geomatics, Guilin University of Technology, Guilin 541004, China
全球气候变化问题日益严重, 为人类生存与可持续发展带来重大挑战[1].陆地生态系统碳储存是全球碳储存的重要组成部分, 通过吸收和释放大气中的温室气体有效调节区域气候, 对于减缓全球气候变暖具有至关重要的作用[2, 3].土地利用变化是影响生态系统碳循环过程的重要因素之一.土地利用变化会改变生态系统的结构、功能和能量循环, 由此导致的碳排放仅次于化石燃料的燃烧[4, 5].黄河源区地处青藏高原东缘, 是中国典型的生态脆弱区.源区丰富的草地资源、水资源和湿地资源为黄河流域提供了重要的生态系统服务[6, 7].然而过去几十年受自然和人为因素的影响, 黄河源区出现水土流失加剧、草场退化和生态系统功能衰退等环境问题[8, 9].近年来, 为加强三江源地区的生态保护建设, 中国政府在黄河源区先后实施了退牧还草、退牧还湿、禁牧封育、黑土滩治理和草原有害生物防控等生态保护工程[10].以上生态保护工程的实施促进了各类土地利用类型间的相互转移, 使得黄河源区的土地利用结构及其碳储量发生了显著变化[11, 12].因此, 有效且及时地评估黄河源区土地利用变化对生态系统碳储量的影响对于区域碳储功能的可持续发展具有重要意义.
目前评估土地利用变化对碳储量影响的方法包括实地调查法[13]和模型模拟法[14].相较于传统的实地调查法, 模型模拟法可以评估不同尺度的碳储量变化并实现评估结果的空间可视化表达[15~17], 被广泛应用在区域尺度. 在众多评估模型中, InVEST(integrated valuation of ecosystem services and tradeoffs)模型以其需求数据少, 运行速度快、评估精度高等特点得到广泛应用[18~20].近年来, 国内外学者应用InVEST模型从不同角度(城镇化、政策保护)、不同尺度(行政区划、流域)探究了土地利用变化对碳储量的影响.如Zhang等[21]从城镇化角度探讨了1990~2015年上海市土地利用变化对碳储量的影响, 结果表明城镇化进程是导致碳储量减少的主要原因.徐自为等[22]分析了新疆尉犁县2010~2016年土地利用变化对区域碳储量的影响, 结果表明林地的增加可以提高生态系统固碳能力.以上研究表明, 土地利用变化对生态系统碳储量的影响主要取决于生态系统类型以及不同类型土地利用类型间的转移方式.
探索不同情景下土地利用变化对生态系统碳储量的影响, 可以提供量化和可视化的分布结果, 有助于决策者制定合理的生态保护方案[23~27].但现有研究多侧重于分析过去时期土地利用变化引起的碳储量变化, 对未来土地利用变化进行多情景预测并分析其碳储量变化的研究尚不多见.因此, 本研究基于2000~2020年黄河源区的土地利用数据, 采用GeoSOS-FLUS模型模拟未来自然变化和生态保护情景下的土地利用格局, 并运用InVEST模型评估黄河源区2000~2020年以及2040年不同情景下土地利用变化对生态系统碳储量的影响, 以期为黄河源区土地资源的合理配置以及碳储功能的可持续发展提供科学依据.
1 材料与方法 1.1 研究区概况黄河源区位于青藏高原东北部(图 1), 作为三江源之一, 是青藏高原的重要组成部分, 包含青海、甘肃和四川这3个省的部分城市.黄河源区面积约为12万km2, 占黄河流域总面积的16%[28].其地理位置位于北纬32°16′~36°09′, 东经95°48′~103°28′, 地势起伏险峻, 表现为西北高, 东南低, 海拔在2 666~6 108 m之间.该区域地貌复杂多样, 分布有高山、盆地、山地、丘陵、沙漠和沼泽等[29].黄河源区的植被类型以高寒草甸和高寒草原为主, 占黄河源区总面积的70%.该区气候为典型的大陆性高寒气候, 光照充足, 日照强烈; 雨量相对偏少, 干湿季分明.黄河源区年平均气温为-4.2℃; 多年年平均降水量为270~540 mm[30].
|
图 1 黄河源区位置及高程示意 Fig. 1 Location and elevation of the source region of the Yellow River |
本研究所使用的黄河源区2000、2010和2020年土地利用类型数据来源于中国科学院资源环境数据中心(http://www.resdc.cn/data), 该数据包括6个一级类型和25个二级类型, 是目前我国分类精度比较高的土地利用数据产品.本文根据黄河源区实际情况和研究需要, 将研究区土地利用类型重新分为耕地、林地、高覆盖度草地、中覆盖度草地、低覆盖度草地、水域、建设用地、未利用地和湿地这9类, 裁剪后得到三期黄河源区土地利用类型图, 分辨率为1 km×1 km.
本研究用于模拟未来土地利用变化的驱动因素包括地形、气候和社会经济因素.地形因素包括高程、坡度和坡向, 其中DEM(digital elevation model)数据来自ASTER GDEM(https://earthexplorer.usgs.gov/), 该数据以Terra卫星数据为数据源, 由日本(METI)和美国(NASA)联合研制并免费面向公众分发, 坡度、坡向数据是基于DEM数据由ArcGIS软件解析得来.气候因素包括年均气温和年均降水, 均来源于中国科学院资源环境科学与数据中心(http://www.resdc.cn/).社会经济数据包括人均GDP和人口密度, 均来源于中国科学院资源环境科学与数据中心.为保证数据的一致性, 将以上数据的空间分辨率统一重采样到1km×1km, 地理坐标系均采用GCS_WGS_1984.
1.3 研究方法 1.3.1 基于InVEST模型的生态系统碳储量评估本研究采用InVEST模型中的碳储存模块来评估黄河源区碳储量的变化.该模块主要通过结合土地利用数据和碳密度数据计算生态系统的碳储量.它将生态系统碳储量划分为4个基本碳库：地上植被碳库(Cabove)、地下植被碳库(Cbelow)、土壤碳有机碳库(Csoil)和死亡有机碳库(Cdead), 其中, 地上植被碳库包括地表以上所有存活植被(树皮、树干、树枝和树叶等)中的碳储量; 地下植被碳库是指植物存活根系中的碳储量; 土壤有机碳库一般是指矿质土壤和有机土壤中的有机碳储量; 死亡有机碳库表示凋落物和已死亡植物中的碳储量.碳储量计算公式为：
|
(1) |
|
(2) |
式中, i为某种土地利用类型; Ci为土地利用类型i的碳密度, Ci-above为土地利用类型i的地上植被碳密度(t·hm-2); Ci-below为土地利用类型i的地下植被碳密度(t·hm-2); Ci-soil为土地利用类型i的土壤碳密度(t·hm-2); Ci-dead为土地利用类型i的死亡有机碳密度(t·hm-2); Ctot为生态系统的总碳储量(t); Ai为土地利用类型i的面积(hm2); n为土地利用类型的数量, 本文n为9.本研究所使用的植被碳密度和土壤碳密度数据来自中国陆地生态系统碳密度数据集[31], 为了尽可能覆盖研究区域, 共选取347个样本数据, 将所有样本中各类土地利用类型碳密度取均值作为最终碳密度, 死亡有机碳密度主要参考前人的研究结果[32, 33].具体碳密度数据如表 1所示.
|
表 1 黄河源区各类土地利用类型碳密度/t·hm-2 Table 1 Carbon density of various land use types in the source area of the Yellow River/t·hm-2 |
1.3.2 基于GeoSoS-FLUS模型的未来土地利用变化模拟
本研究采用GeoSoS-FLUS模型预测黄河源区2040年不同情景下的土地利用变化, 该模型是由Liu等[34]基于FLUS模型原理开发的多类土地利用变化情景模拟模型, 已被广泛用于模拟全球和区域尺度的土地利用变化.该模型主要包括以下3个方面.
(1) 计算适宜性概率 适宜性概率是指每种土地利用类型在每个像元上的出现概率, GeoSoS-FLUS模型结合土地利用数据和气温、高程以及人口密度等多种驱动因子数据, 采用神经网络算法(ANN)来训练和估计各种土地利用类型的适宜性概率.本研究以2000年黄河源区土地利用数据为基础, 采用随机取样的方法提取3%的栅格数据作为训练样本, 通过计算得到黄河源区每种土地利用类型的适宜性概率.
(2) 设置邻域因子参数和转移成本矩阵 土地利用类型的邻域因子参数代表该土地类型的扩张能力, 参数范围为0~1, 越接近1代表该土地类型的扩张能力越强.本研究对模型参数进行多次实验, 通过对比不同参数设置的模拟结果, 最终将耕地、林地、高覆盖度草地、中覆盖度草地、低覆盖度草地、水域、建设用地、未利用地和湿地的邻域因子分别设置为0.7、0.7、0.6、0.6、0.9、0.6、0.8、0.5和0.7.土地利用转移成本矩阵表示各地类间的转移规则, 当一种用地类型不允许转化为另一种时, 本研究将矩阵的对应值设为0, 允许转化时设为1, 参照2000~2020年的土地利用转移矩阵得到黄河源区土地利用转移成本矩阵(表 2).
|
|
表 2 土地利用转移成本矩阵1) Table 2 Cost matrix of land use transfer |
(3) 模拟精度检验 为了确保模型可以适用于研究区域的土地利用变化模拟, 本研究采用Kappa系数和FoM值对模拟结果进行精度检验, 其中Kappa系数越大则表示模拟结果精度越高; 而FoM值越小则代表模拟精度越高.
1.3.3 未来情景设置本研究设定了自然发展和生态保护两种情景, 情景的具体设置如下.
(1) 自然发展情景 该情景是历史土地利用变化趋势的延续.以2000~2020年的土地利用转移概率矩阵为基础, 采用马尔科夫链预测黄河源区2040年自然变化情境下的各类型土地利用的面积.该情景下各用地类型的邻域因子参数和转移成本矩阵不变, 与2000~2020年保持一致.
(2) 生态保护情景 该情景主要参考青海省2010年发布的土地利用总体规划[35]设置土地利用变化方式为生态保护优先, 即加强对林地、草地、水域和湿地的保护, 遏制草地退化以及建设用地扩张的趋势.以自然发展情景下2020~2040年土地利用转移矩阵为基础, 将林地、草地、水域和湿地向未利用地和建设用地的转化面积减少50%, 同时将高覆盖度草地和中覆盖度草地向低覆盖转移的面积减少30%得到生态保护情景下各类型土地利用的面积.由于降低了建设用地、低覆盖度草地和未利用地的扩张强度, 因此分别将建设用地、低覆盖度草地和未利用地的邻域因子参数减小到0.7、0.6和0.4, 其他地类的邻域因子参数不变.另外, 该情景下各用地类型的转移成本矩阵依旧不变.
2 结果与分析 2.1 2000~2020年黄河源区碳储量时空变化特征黄河源区2000~2020年碳储量和碳密度呈现“先减少后增加”的波动状态, 2000、2010和2020年黄河源区碳储总量分别为855.83×106、852.82×106和867.42×106 t, 碳密度平均值为69.61、69.36和70.55 t·hm-2, 20年间总碳储量和碳密度平均值分别增加了11.59×10 6 t和0.94t·hm-2. 2000~2010年区域总碳储量减少了30.1×106 t(表 3), 其中高、中、低覆盖度草地的碳储量分别减少28.5×106、14.5×106和10.9×106 t, 占总碳储量损失的98%.2010~2020年区域总碳储量增加了14.59×106 t, 其中低覆盖度草地和湿地的碳储增量为31.62×106 t和11.07×106 t, 占总碳储增量的91%.总体分析20年来草地、湿地和未利用地碳储量变化是黄河源区碳储量变化的主要贡献者.
|
|
表 3 黄河源区不同时期各土地利用类型碳储量变化×106/t Table 3 Variation in carbon storage in different land use types in the source region of the Yellow River in different periods×106/t |
从碳库角度来看(图 2), 2000~2010年4个碳库都处于减少状态.土壤碳库(SOC)减少了2.36×106 t, 占总损失量的81.36%, 死亡有机碳库(DOC)损失最小, 仅减少0.01×106t. 2010~2020年4个碳库都呈增加趋势, 其中土壤碳库(SOC)贡献最大, 碳储增量高达9.75×106 t, 死亡有机碳库(DOC)的碳储增量最少, 仅增加了0.13×106 t. 20年间, 土壤碳库(SOC)在碳储存中占据主导地位, 增加了7.38×106 t, 占总碳储增量的63.7%, 死亡有机碳库(DOC)变化最小, 仅增加0.11×106 t.
|
图 2 黄河源区各碳库碳储量变化 Fig. 2 Variation in carbon storage in various carbon pools in the source region of the Yellow River |
在空间分布上(图 3), 黄河源区2000~2020年碳储量均呈“由西向东逐渐升高”的空间分布特征.具体表现为碳储量高值区域主要分布在黄河源区东部的若尔盖县和玛曲县, 该区域主要土地利用类型为高覆盖度草地和湿地, 碳密度均高于91.17t·hm-2; 碳储量低值区域主要分布在黄河源区西部和南部的玛多县和达日县, 相比其他区域, 该区域未利用地、低覆盖度草地和水域的面积占比较大, 碳密度最高为47.58t·hm-2. 2000~2020年黄河源区碳储量空间变化较明显, 碳储量基本不变区域占区域总面积的比值最大(63.1%), 碳储量增加区域所占比例较小(20.45%), 碳储量减少区域所占比例最低(16.45%), 各变化区交错分布.
|
图 3 2000、2010和2020年黄河源区碳储量及其变化量的空间分布 Fig. 3 Spatial distribution of carbon storage and its variation in the source region of the Yellow River in 2000, 2010, and 2020 |
由图 4可知, 草地是黄河源区的主要用地类型, 各覆盖度草地面积所占比重均高于18%, 其次是林地和未利用地, 所占比重均高于7%, 水域和湿地所占比重较小, 均超2%, 耕地和建设用地所占比重极小, 均小于1%. 20年来, 研究区内低覆盖度草地、耕地和建设用地扩张明显, 面积分别增加22.31%、23.13%和237.84%.水域和湿地面积分别增加16.35%和14.04%, 林地面积增加了354 km2, 未利用地面积明显减少, 降幅为48.19%, 高覆盖度草地和中覆盖度草地面积分别减少4%和2.02%.
|
a表示耕地, b表示林地, c表示高覆盖度草地, d表示中覆盖度草地, e表示低覆盖度草地, f表示水域, g表示建设用地, h表示未利用地, i表示湿地 图 4 2000~2020年黄河源区土地利用面积占比 Fig. 4 Proportion of land use area in the source area of the Yellow River from 2000 to 2020 |
2000~2020年黄河源区土地利用类型发生转移的面积共45 453 km2(表 4), 约占黄河源区总面积的37%.其中未利用地转出(9 313 km2)导致的碳储量增加(24.31×106 t)最大, 主要转化为各覆盖度草地(6 876 km2), 其次是低覆盖度草地转化为中、高覆盖度草地的面积为6 554 km2, 由此导致的碳储量增加为19.67×106 t, 各覆盖度草地转化为湿地的面积共2 513 km2, 由此导致的碳储量增加为15.92×106 t.中、高覆盖度草地转化为低覆盖度草地的面积共8 317 km2, 由此导致的碳储量损失为24.74×106 t, 是该阶段碳储量损失的主要原因.
|
|
表 4 2000~2020年黄河源区各类土地利用转移矩阵1)/km2 Table 4 Transition matrix of various land uses in the source region of the Yellow River from 2000 to 2020/km2 |
2.3 2040年黄河源区不同情境下土地利用变化及碳储量时空变化特征 2.3.1 不同情境下土地利用变化
以2000年黄河源区土地用数据为基础, 采用GeoSOS-FLUS模型模拟得到2020年土地利用格局.通过对比2020年模拟结果和2020年实际土地利用格局获得模拟精度, 结果显示Kappa系数为0.752, FoM值为0.413, 故本研究选用GeoSOS-FLUS模型对黄河源区2040年的土地利用进行模拟具有可行性.
由表 5可知, 高覆盖度草地和中覆盖度草地的面积在自然变化情景下呈缩减态势, 分别减少了345 km2和613 km2, 而在生态保护情景下得到了有效的保护, 分别增加了273 km2和1 409 km2.低覆盖度草地在自然变化情景下呈扩张趋势, 增加了1 465 km2, 而在生态保护情景下由于减少了中、高覆盖度草地向低覆盖度草地的流转, 导致低覆盖度草地面积减少了298 km2.另外, 生态保护情景下草地的总面积较自然变化情景增加了877 km2.建设用地在自然变化情景下呈扩张趋势, 增加了36 km2, 在生态保护情境下扩展趋势得到遏制, 仅增加了12 km2.未利用地面积在两种情景下呈不同程度的减少趋势, 分别减少1 551 km2和2 418 km2.耕地、林地、水域和湿地的面积在两种情景的变化趋势相似, 皆呈扩张趋势.
|
|
表 5 2040年黄河源区两种情景下的土地利用面积及其与2020年土地利用面积的差值/km2 Table 5 Land use area of the source region of the Yellow River in 2040 under two scenarios and its difference with the land use area in 2020/km2 |
2.3.2 不同情境下碳储量时空变化特征
2040年自然变化情景下黄河源区碳储量和平均碳密度分别为871.34×106 t和70.86t·hm-2, 较2020年两者分别增加3.92×106 t和0.31t·hm-2, 生态保护情景下两者上升的幅度明显增加, 分别增加13.53×106 t和1.1 t·hm-2. 从碳库角度来看, 自然变化情景下地上植被碳库(AGC)、地下植被碳库(BGC)、土壤碳库(SOC)和死亡有机碳库(DOC)分别增加1.14×106、0.51×106、2.21×106和0.05×106 t (图 5), 土壤碳库(SOC)的碳储量增加最大, 占总碳储增量的56.39%, 其次是地上植被碳库(AGC)和地下植被碳库(BGC), 其占比分别29.22%和13.15%, 死亡有机碳库(DOC)占比极小(1.24%), 生态保护情境下4个碳库依旧呈增加趋势, 分别增加1.34×106、2.08×106、10.01×106和0.08×106 t, 土壤碳库(SOC)的占比显著提高, 高达74.02%, 死亡有机碳库(DOC)的占比依旧最小.
|
图 5 2020~2040年两种情景下各碳库碳储量变化 Fig. 5 Changes in carbon storage in each carbon pool under two scenarios from 2020 to 2040 |
2040年黄河源区两种情景下碳储量皆呈“由西向东逐渐升高”的空间分布特征, 但空间变化出现区域差异性(图 6).两种情景下碳储量变化皆以不变为主, 所占比例均高于79%, 自然变化情境下, 碳储量减少区和增加区所占比例分别为7.46%和7.73%, 在黄河源区东部和北部以增加为主, 在西部以减少为主; 生态保护情景下, 碳储量减少区所占比例小幅增加(8.98%), 碳储量增加区显著增加(11.85%), 在黄河源区西部和南部两者交错分布, 在东部和北部以增加为主.
|
图 6 2040年两种情景下黄河源区碳储量及其变化量的空间分布 Fig. 6 Spatial distribution of carbon storage and its variation in the source region of the Yellow River under two scenarios in 2040 |
碳储量估算结果的准确性主要受输入参数数据的影响, 因此选择合理的碳密度数据是模型模拟的关键.与以往研究大多采用其他相近区域或全国尺度的碳密度值的方法不同, 本研究所使用的碳密度数据主要来自2010年代中国陆地生态系统碳密度数据集, 选取了所有位于黄河源区的数据并取均值得到黄河源区碳密度数据.将本研究所得碳密度数据与相近区域通过实测方法得到的碳密度数据进行对比, 吴雅琼等[36]的研究发现青藏高原耕地土壤碳密度约为37.8t·hm-2, 与本研究得到的耕地土壤碳密度(36.37t·hm-2)较为接近; 朴世龙等[37]的研究发现青海省草地地上和地下生物量碳密度为0.51t·hm-2和3.59t·hm-2, 与本研究得到的低覆盖度草地地上和地下生物量碳密度(0.55t·hm-2和3.71t·hm-2)相一致; 王振群[38]的研究发现青海湖北岸不同草地类型土壤碳密度的平均值为67.83t·hm-2, 略高于本研究得到的草地土壤碳密度的平均值(62.27t·hm-2); 袁杰[39]研究发现祁连山黑河源区林地土壤碳密度约为45.75t·hm-2, 与本研究得到的林地土壤碳密度(47.48t·hm-2)较为一致.整体来看, 本研究所使用的碳密度数据具有一定的准确性和可靠性, 有利于提高碳储量估算结果的准确性.
3.2 土地利用变化对碳储量的影响本研究结果表明, 2000~2020年黄河源区碳储量增加了11.59×106 t, 整体呈先减少后增加的趋势, 表明黄河源区由碳源逐渐转变为碳汇, 生态系统的固碳功能有所提高.杨洁[40]的研究表明2000~2018年黄河流域碳储量整体呈增加趋势, 与本研究结果相似.赵苗苗等[41]的研究发现2000~2010年青海省生态系统碳储服务价值呈下降趋势, 可以与本结果相互印证.由于模型设定的原因, 碳储量的变化主要取决于区域内不同地类之间的相互转化.黄河源区是中国典型的生态脆弱区, 其生态环境容易因外界的干扰而发生改变, 而近年来退牧还草和草场治理等生态保护工程的实行也导致区域内土地利用发生显著变化[42]. 20年来黄河源区草地、湿地和林地的面积显著增加, 未利用地大幅减少, 这表明由于一系列生态保护政策的实施, 黄河源区的土地利用结构逐渐优化, 生态环境有所改善, 这与许茜等[43]研究三江源土地利用变化的结果一致.本研究结果表明大面积碳密度较低的未利用地转化为碳密度较高的草地和林地以及低覆盖度草地转化为中覆盖度草地和高覆盖度草地是黄河源区碳储量增加的主要原因, 这一定程度上表明生态保护工程的实施有利于提高生态系统碳储量, 与Li等[44]从碳储功能视角分析黄土高原地区生态保护成效的结果一致.
3.3 未来土地利用格局优化建议陆地生态系统碳储存是全球碳储存的主要组成部分[45], 其中草地、湿地和森林的碳储能力高于其他生态系统[46].草地是黄河源区的主要地类, 其面积占比高达70%以上, 同时, 畜牧业作为黄河源区经济的支柱产业[47], 使得草地与人类活动的关系更加密切.因此, 保护草地是实现黄河源区碳储功能可持续发展的关键.本研究生态保护情境下控制了高、中覆盖度草地向低覆盖度的转化, 同时加强未利用地向草地和林地的转变.结果显示, 生态保护情景下, 黄河源区2040年碳储增量为13.53×106 t, 而在自然变化情境下碳储增量为3.92×106 t.结合不同情境下碳储量变化可知, 黄河源区未来应重点保护草地资源, 防止草地退化.注重以低碳为导向的土地利用结构优化方式, 通过设立禁牧保护区、未利用地开发和加强草地法制管理等手段促进低覆盖度草地和未利用地向高覆盖度草地和湿地的转变, 同时需完善草地变化监测网络, 巩固草地生态建设成果.
3.4 研究的局限性首先, 土地利用变化是一个复杂的过程, 受多种社会经济和自然驱动因素的影响.本研究选取DEM、坡度、坡向、年均降水、年均气温和GDP作为模拟未来土地利用格局的驱动因子, 虽然这些因素对各类土地利用类型有较好的拟合效果, 最终模拟的结果也具有较高的精度, 但却忽略了如生态保护红线以及城市发展边界等政策因素对土地利用变化的影响.为了进一步提高未来土地利用模拟的准确性, 应当将相关政策因素加入驱动因子体系.其次, 本研究所使用的碳密度数据的时间跨度为2010~2014年, 未考虑不同土地利用类型碳密度的时间变化.同时, InVEST模型的碳储量模块只考虑不同土地利用类型的碳密度变化, 忽视了相同土地利用类型内部碳密度的空间异质性.因此在未来的研究中应当结合实测数据对碳密度进行验证.
4 结论(1) 2000~2020年黄河源区碳储量整体呈由西向东逐渐增加的空间分布特征.20年间碳储量整体呈上升趋势, 共增加11.59×106 t, 增加的碳储量主要储存在土壤碳库.未利用地大面积减少以及草地和湿地的面积增加是导致碳储量增加的主要原因.
(2) 2000~2020年黄河源区土地利用变化以低覆盖度草地、建设用地和湿地的面积增加和高覆盖度草地、中覆盖度草地和未利用地面积减少为主.自然变化情境下低覆盖度草地、建设用地和湿地的面积继续增加, 高覆盖度草地、中覆盖度草地和未利用地面积继续减少; 生态保护情境下高覆盖度草地和中覆盖度草地转为增加趋势, 建设用地扩张趋势得到遏制, 扩张的幅度减少.
(3) 2040年自然变化情景下和生态保护情境下, 黄河源区碳储量分别为871.34×106 t和880.95×106 t, 与2020年相比, 两种情境下生态系统碳储量分别增加3.92×106 t和13.53×106 t, 生态保护情境下碳储量的增幅更为显著, 控制草地退化和建设用地扩张可以有效提高生态系统碳储量.
| [1] |
徐冠华, 刘琦岩, 罗晖, 等. 后疫情时代全球气候变化的应对与抉择[J]. 遥感学报, 2021, 25(5): 1037-1042. Xu G H, Liu Q Y, Luo H, et al. Responses and choices of global climate change in the post-epidemic era[J]. National Remote Sensing Bulletin, 2021, 25(5): 1037-1042. |
| [2] |
方精云, 于贵瑞, 任小波, 等. 中国陆地生态系统固碳效应——中国科学院战略性先导科技专项"应对气候变化的碳收支认证及相关问题"之生态系统固碳任务群研究进展[J]. 中国科学院院刊, 2015, 30(6): 848-857. Fang J Y, Yu G R, Ren X B, et al. Carbon sequestration in China's terrestrial ecosystems under climate change-progress on ecosystem carbon sequestration from the CAS strategic priority research program[J]. Bulletin of the Chinese Academy of Sciences, 2015, 30(6): 848-857. |
| [3] | Ito A, Nishina K, Noda H M. Impacts of future climate change on the carbon budget of northern high-latitude terrestrial ecosystems: An analysis using ISI-MIP data[J]. Polar Science, 2016, 10(3): 346-355. DOI:10.1016/j.polar.2015.11.002 |
| [4] | Mendoza-Ponce A, Corona-Núñez R, Kraxner F, et al. Identifying effects of land use cover changes and climate change on terrestrial ecosystems and carbon stocks in Mexico[J]. Global Environmental Change, 2018, 53: 12-23. DOI:10.1016/j.gloenvcha.2018.08.004 |
| [5] |
马晓哲, 王铮. 土地利用变化对区域碳源汇的影响研究进展[J]. 生态学报, 2015, 35(17): 5898-5907. Ma X, Wang Z. Progress in the study on the impact of land-use change on regional carbon sources and sinks[J]. Acta Ecologica Sinica, 2015, 35(17): 5898-5907. |
| [6] |
卢慧, 丛静, 刘晓, 等. 三江源区高寒草甸植物多样性的海拔分布格局[J]. 草业学报, 2015, 24(7): 197-204. Lu H, Cong J, Liu X, et al. Plant diversity patterns along altitudinal gradients in alpine meadows in the Three River Headwater Region, China[J]. Acta Prataculturae Sinica, 2015, 24(7): 197-204. |
| [7] |
尹云鹤, 吴绍洪, 赵东升, 等. 过去30年气候变化对黄河源区水源涵养量的影响[J]. 地理研究, 2016, 35(1): 49-57. Yi Y H, Wu S H, Zhao D S, et al. Ecosystem water conservation changes in response to climate change in the source region of the Yellow River from 1981 to 2010[J]. Geographical Research, 2016, 35(1): 49-57. DOI:10.3969/j.issn.1004-9479.2016.01.006 |
| [8] |
王莺, 李耀辉, 孙旭映. 气候变化对黄河源区生态环境的影响[J]. 草业科学, 2015, 32(4): 539-551. Wang Y, Li Y H, Sun X Y. Impact of climate change on the eco-environment in the Yellow River Source[J]. Pratacultural Science, 2015, 32(4): 539-551. |
| [9] |
孟宪红, 陈昊, 李照国, 等. 三江源区气候变化及其环境影响研究综述[J]. 高原气象, 2020, 39(6): 1133-1143. Meng X H, Chen H, Li Z G, et al. Review of climate change and its environmental influence on the Three-River Regions[J]. Plateau Meteorology, 2020, 39(6): 1133-1143. |
| [10] | 财政部驻青海专员办课题组. 关于三江源区生态环境建设资金效绩的调查报告[J]. 财政研究, 2004(3): 7-9. |
| [11] | Yang J B, Wang Y C, Guo L, et al. Patterns and structures of land use change in the three rivers headwaters region of China[J]. PLoS One, 2015, 10(3). DOI:10.1371/journal.pone.0119121 |
| [12] |
胡光印, 金会军, 董治宝, 等. 黄河源区土地利用/覆盖变化(LUCC)研究[J]. 冰川冻土, 2014, 36(3): 573-581. Hu G Y, Jin H J, Dong Z B, et al. Research of land-use and land-cover change (LUCC) in the source regions of the Yellow River[J]. Journal of Glaciology and Geocryology, 2014, 36(3): 573-581. |
| [13] | Zhang C H, Ju W M, Chen J M, et al. Disturbance-induced reduction of biomass carbon sinks of China's forests in recent years[J]. Environmental Research Letters, 2015, 10(11). DOI:10.1088/1748-9326/10/11/114021 |
| [14] | Sohl T L, Sleeter B M, Zhu Z L, et al. A land-use and land-cover modeling strategy to support a national assessment of carbon stocks and fluxes[J]. Applied Geography, 2012, 34: 111-124. DOI:10.1016/j.apgeog.2011.10.019 |
| [15] | Houghton R A, Nassikas A A. Global and regional fluxes of carbon from land use and land cover change 1850-2015[J]. Global Biogeochemical Cycles, 2017, 31(3): 456-472. DOI:10.1002/2016GB005546 |
| [16] | Fu Y C, Lu X Y, Zhao Y L, et al. Assessment impacts of weather and land use/land cover (LULC) change on urban vegetation Net Primary Productivity (NPP): A Case Study in Guangzhou, China[J]. Remote Sensing, 2013, 5(8): 4125-4144. DOI:10.3390/rs5084125 |
| [17] | Han Q F, Luo G P, Li C F, et al. Modeling the grazing effect on dry grassland carbon cycling with Biome-BGC model[J]. Ecological Complexity, 2014, 17: 149-157. |
| [18] | Fatichi S, Leuzinger S, Körner C. Moving beyond photosynthesis: from carbon source to sink-driven vegetation modeling[J]. New Phytologist, 2014, 201(4): 1086-1095. |
| [19] |
杨园园, 戴尔阜, 付华. 基于InVEST模型的生态系统服务功能价值评估研究框架[J]. 首都师范大学学报(自然科学版), 2012, 33(3): 41-47. Yang Y Y, Dai E F, Fu H. The assessment framework of ecosystem service value based on InVEST model[J]. Journal of Capital Normal University (Natural Sciences Edition), 2012, 33(3): 41-47. |
| [20] | Clerici N, Cote-Navarro F, Escobedo F J, et al. Spatio-temporal and cumulative effects of land use-land cover and climate change on two ecosystem services in the Colombian Andes[J]. Science of the Total Environment, 2019, 6865: 1181-1192. |
| [21] | Zhang F, Xu N, Wang C, et al. Effects of land use and land cover change on carbon sequestration and adaptive management in Shanghai, China[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2020, 120. DOI:10.1016/j.pce.2020.102948 |
| [22] |
徐自为, 张智杰. 基于土地利用变更调查的2010-2016年新疆尉犁县生态系统碳储量时空变化[J]. 环境科学研究, 2018, 31(11): 1909-1917. Xu Z W, Zhang Z J. Spatiotemporal variation of carbon storage in Yuli County during 2010-2016[J]. Research of Environmental Sciences, 2018, 31(11): 1909-1917. |
| [23] | Gomes E, Inácio M, Bogdzevič K, et al. Future land-use changes and its impacts on terrestrial Ecosystem services: a review[J]. Science of the Total Environment, 2021, 781. DOI:10.1016/j.scitotenv.2021.146716 |
| [24] |
张丁轩, 付梅臣, 陶金, 等. 基于CLUE-S模型的矿业城市土地利用变化情景模拟[J]. 农业工程学报, 2013, 29(12): 246-256. Zhang D X, Fu M C, Tao J, et al. Scenario simulation of land use change in mining city based on CLUE-S model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(12): 246-256. |
| [25] |
赵冬玲, 杜萌, 杨建宇, 等. 基于CA-Markov模型的土地利用演化模拟预测研究[J]. 农业机械学报, 2016, 47(3): 278-285. Zhao D L, Du M, Yang J Y, et al. Simulation and forecast study of land use change based on CA-Markov model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 278-285. |
| [26] | Jian K, Wang S N, Guo L X, et al. Spatial distribution simulation and trend analysis of land use in Sanya based on GeoSOS-FLUS model[J]. Urban and Regional Planning, 2020, 5(4): 97-108. |
| [27] | Sun Q, Qi W, Yu X Y. Impacts of land use change on ecosystem services in the intensive agricultural area of North China based on Multi-scenario analysis[J]. Alexandria Engineering Journal, 2021, 60(1): 1703-1716. |
| [28] |
蓝永超, 鲁承阳, 喇承芳, 等. 黄河源区气候向暖湿转变的观测事实及其水文响应[J]. 冰川冻土, 2013, 35(4): 920-928. Lan Y C, Lu C Y, La C F, et al. The fact of climate shift to warm-humid in the source regions of the Yellow River and its hydrologic response[J]. Journal of Glaciology and Geocryology, 2013, 35(4): 920-928. |
| [29] |
刘启兴, 董国涛, 景海涛, 等. 2000-2016年黄河源区植被NDVI变化趋势及影响因素[J]. 水土保持研究, 2019, 26(3): 86-92. Liu Q X, Dong G T, Jing H T, et al. Change trend of vegetation NDVI and its influencing factors in the source region of the Yellow River in the period from 2000 to 2016[J]. Research of Soil and Water Conservation, 2019, 26(3): 86-92. |
| [30] |
王根绪, 李琪, 程国栋, 等. 40a来江河源区的气候变化特征及其生态环境效应[J]. 冰川冻土, 2001, 23(4): 346-352. Wang G X, Li Q, Cheng G D, et al. Climate change and its impact on the eco-environment in the source regions of the Yangtze and Yellow Rivers in recent 40 years[J]. Journal of Glaciology and Geocryology, 2001, 23(4): 346-352. |
| [31] |
徐丽, 何念鹏, 于贵瑞. 2010s中国陆地生态系统碳密度数据集[J]. 中国科学数据, 2019, 4(1): 86-92. Xu L, He N P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s)[J]. China Scientific Data, 2019, 4(1): 86-92. |
| [32] |
赵忠贺, 刘高焕, 徐增让. 2001-2010年西藏生态系统碳蓄积量数据集[J]. 全球变化数据学报(中英文), 2018, 2(1): 67-71, 198-202. Zhao Z H, Liu G H, Xu Z R. The ecosystem carbon storage dataset in Tibet (2001-2010)[J]. Journal of Global Change Data & Discovery, 2018, 2(1): 67-71, 198-202. |
| [33] |
刘洋, 张军, 周冬梅, 等. 基于InVEST模型的疏勒河流域碳储量时空变化研究[J]. 生态学报, 2021, 32(10): 4052-4065. Liu Y, Zhang J, Zhou D M, et al. Temporal and spatial variation of carbon storage in the Shule River Basin based on InVEST model[J]. Acta Ecologica Sinica, 2021, 32(10): 4052-4065. |
| [34] | Liu X P, Liang X, Li X, et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017, 168: 94-116. |
| [35] | 辛学磊. 基于生态足迹模型的青海省土地利用总体规划研究[D]. 北京: 中国地质大学(北京), 2012. |
| [36] |
吴雅琼, 刘国华, 傅伯杰, 等. 青藏高原土壤有机碳密度垂直分布研究[J]. 环境科学学报, 2008, 28(2): 362-367. Wu Y Q, Liu G H, Fu B J, et al. Study on the vertical distribution of soil organic carbon density in the Tibetan Plateau[J]. Acta Scientiae Circumstantiae, 2008, 28(2): 362-367. |
| [37] |
朴世龙, 方精云, 贺金生, 等. 中国草地植被生物量及其空间分布格局[J]. 植物生态学报, 2004, 28(4): 491-498. Pu S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Chinese Journal of Plant Ecology, 2004, 28(4): 491-498. |
| [38] | 王振群. 土地利用方式和植被退化对青海湖北岸高寒草原土壤碳氮含量的影响[D]. 西宁: 青海大学, 2009. |
| [39] | 袁杰. 祁连山黑河源区土壤储碳蓄水能力及潜力研究[D]. 西宁: 青海师范大学, 2019. |
| [40] | 杨洁. 黄河流域草地生态系统服务功能及其权衡协同关系研究[D]. 兰州: 甘肃农业大学, 2021. |
| [41] |
赵苗苗, 赵海凤, 李仁强, 等. 青海省1998-2012年草地生态系统服务功能价值评估[J]. 自然资源学报, 2017, 32(3): 418-433. Zhao M M, Zhao H F, Li R Q, et al. Assessment on grassland ecosystem services in Qinghai Province during 1998-2012[J]. Journal of Natural Resources, 2017, 32(3): 418-433. |
| [42] |
邵全琴, 刘纪远, 黄麟, 等. 2005-2009年三江源自然保护区生态保护和建设工程生态成效综合评估[J]. 地理研究, 2013, 32(9): 1645-1656. Shao Q Q, Liu J Y, Huang L, et al. Integrated assessment on the effectiveness of ecological conservation in Sanjiangyuan National Nature Reserve[J]. Geographical Research, 2013, 32(9): 1645-1656. |
| [43] |
许茜, 李奇, 陈懂懂, 等. 近40a三江源地区土地利用变化动态分析及预测[J]. 干旱区研究, 2018, 35(3): 695-704. Xu Q, Li Q, Chen D D, et al. Land use change in the Three-River Headwaters in recent 40 years[J]. Arid Zone Research, 2018, 35(3): 695-704. |
| [44] | Li K M, Cao J J, Adamowski J F, et al. Assessing the effects of ecological engineering on spatiotemporal dynamics of carbon storage from 2000 to 2016 in the Loess Plateau area using the InVEST model: A case study in Huining County, China[J]. Environmental Development, 2021, 39. DOI:10.1016/j.envdev.2021.100641 |
| [45] | Tardieu L, Roussel S, Thompson J D, et al. Combining direct and indirect impacts to assess ecosystem service loss due to infrastructure construction[J]. Journal of Environmental Management, 2015, 152: 145-157. |
| [46] | Krogh L, Noergaard A, Hermansen M, et al. Preliminary estimates of contemporary soil organic carbon stocks in Denmark using multiple datasets and four scaling-up methods[J]. Agriculture, Ecosystems & Environment, 2003, 96(1-3): 19-28. |
| [47] |
刘树超, 邵全琴, 杨帆, 等. 黄河源区放牧家畜数量及空间分布无人机遥感调查[J]. 地球信息科学学报, 2021, 23(7): 1286-1295. Liu S C, Shao Q Q, Yang F, et al. Using UAVs remote sensing for population and distribution of grazing livestock in the source region of the Yellow River[J]. Journal of Geo-information Science, 2021, 23(7): 1286-1295. |