2023, Vol. 44
2. 甘肃省绿洲资源环境与可持续发展重点实验室, 兰州 730070;
3. 兰州大学资源与环境学院, 兰州 730030
2. Key Laboratory of Resource Environment and Sustainable Development of Oasis, Lanzhou 730070, China;
3. College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730030, China
全球气候变化是当今人类社会所面临最严峻的挑战之一, 它对生态环境和社会经济的可持续发展有着深远影响[1].CO2等温室气体大量排放是全球气候变暖的主要原因[2], 陆地生态系统通过植物光合作用能够吸收大气中的CO2并将其转化为稳定的有机碳存储下来[3], 是减少大气中CO2浓度最为经济可行的方式之一[4].然而, 土地利用/覆盖变化(LUCC)通过改变生态系统的结构和功能来影响区域碳储量[5], 是陆地生态系统碳储量变化的主要因素[6], 由LUCC导致的碳排放是仅次于化石燃料燃烧的碳排放来源[7].LUCC往往受到经济和生态等多种因素综合影响, 制定合理的土地利用优化方案能够有效增加陆地生态系统碳储量[8].因此, 深入挖掘区域LUCC对陆地生态系统碳储量的影响机制, 探索土地利用优化方案以提高未来陆地生态系统碳储量, 这对于区域可持续发展及减缓全球气候变化具有重要的意义.
目前, 国内外学者对于LUCC与碳储量间的关系进行了大量研究, 有学者利用簿记法(bookkeeping)[9]、IPCC清单法[10]、CASA模型[11]、GLO-PEM模型[12]和InVEST模型等基于区域不同土地利用类型特征进行了碳储量评估, 如：陈耀亮等[13]利用簿记法估算了中亚地区碳储量, 并指明森林的退化是导致中亚地区碳储量下降的主要原因; Li等[14]利用InVEST模型评价了生态工程对黄土高原地区碳储量的影响, 结果表明生态工程的实施能够有效增加区域碳储量, 由于InVEST模型输入参数简单、适用性和准确性较高, 能够有效揭示LUCC与碳储量之间的关系而被广泛应用[15].但是, 目前的研究大多集中在利用InVEST模型探索LUCC对碳储量的影响机制, 却没有综合考量各项土地利用指标, 将提升区域碳储量纳入未来土地利用优化当中.此外, 土地利用优化通常涉及多个目标相互竞争的复杂过程, 尤其是生态脆弱区的土地利用优化往往需要在经济发展和生态保护中权衡[16].对于未来土地利用优化的方法主要可以分为两类：数量结构优化和空间布局优化[17], 以往的研究大多关注的是其中一个方面[18, 19].灰色多目标决策(GMMOP)模型能够解决土地利用数量结构优化过程中多目标冲突问题, 并能准确预测各种土地利用类型的数量[20], 而CA-Markov[21]、CLUE-S[22]、FLUS[23]和PLUS等土地利用预测模型能够优化土地利用空间布局, 其中, PLUS模型能够精确地模拟多种土地利用类型斑块变化过程中的非线性关系, 具有很高的模拟精度[24].所以, 将GMMOP、PLUS和InVEST模型集成不仅能够实现区域土地利用数量结构和空间布局上的双重优化, 而且还能最大限度地增加未来陆地生态系统碳储量.
因此, 本文以中国西北地区为研究区, 利用GMMOP-PLUS-InVEST模型, 分析了区域尺度上的LUCC对碳储量的影响, 并预测了不同土地利用优化情景下的2030年中国西北地区的碳储量, 探索了西北地区的最优土地利用优化方案, 并提出了合理的土地利用优化建议, 以期为中国西北地区的高质量发展提供科学依据.
1 材料与方法 1.1 研究区概况中国西北地区(73°41′~111°15′E, 31°39′~49°33′N)位于中国西北部, 在行政区划上包括陕西省、甘肃省、青海省、宁夏回族自治区和新疆维吾尔自治区5个省及自治区(图 1), 总面积约308万km2[25].气候以温带季风气候和温带大陆性气候为主、局部为高寒气候, 降水量由东至西、由南向北递减, 地形以高原、平原和盆地为主, 地貌以高原、草原和荒漠居多[26].由于该地区降水量少, 蒸发量大, 植被覆盖率低, 土地沙化和荒漠化严重, 是典型的生态脆弱区, 再加上近年来大力发展经济, 不断加剧的人类活动对其生态环境造成了巨大压力, 经济和生态协调稳定发展成为了亟待解决的问题.
|
图 1 研究区概况 Fig. 1 Overview of the study area |
主要包括2000、2010和2020年3期土地利用数据, 社会经济和气候环境两类共11项驱动因子数据以及统计年鉴数据(表 1).其中, 2010年和2020年的土地利用数据经第三方验证, 总体精度OA值分别为0.84和0.86, Kappa系数分别为0.78和0.82[27].本文将土地利用数据重分类为耕地、林地、草地、水域、湿地、建筑用地和未利用地共7种土地利用类型, 并将土地利用和驱动因子数据重采样为100 m分辨率进行土地利用模拟.
|
表 1 数据来源 Table 1 Data sources |
1.2.2 碳密度数据
碳密度数据来源于国家生态科学数据中心(http://www.cnern.org.cn)并参考了部分学者的研究成果[28, 29], 将其归纳为全国范围的碳密度数据.本文根据Alam等[30]和陈光水等[31]提出的碳密度修订方法对全国碳密度数据进行修正后得到研究区碳密度数据(表 2).
|
|
表 2 研究区不同土地利用类型碳密度/t·hm-2 Table 2 Carbon density of different land use types in study area/t·hm-2 |
1.3 研究方法
本文构建的GMMOP-PLUS-InVEST模型框架主要由3部分组成(图 2).首先, GMMOP模型算法能够优化未来的土地利用数量结构, 目的是使不同情景下受到社会经济和生态约束的土地利用情景达到目标最大化.其次, PLUS模型能够优化土地利用空间布局, 它不仅可以将预测的土地利用数量进行合理的空间分配, 而且还可以在土地利用发展过程中纳入空间发展和限制政策.最后, InVEST模型通过估算区域碳储量, 能够探索LUCC对碳储量的影响机制, 最终制定科学的土地利用优化方案.
|
图 2 模型框架 Fig. 2 Model frame |
GMMOP模型是由GM(1, 1)和MOP模型集成得到的[32].其中, GM(1, 1)模型用于预测未来不同土地利用类型价值系数并用于设定目标函数, MOP用于求解不同情景下的多目标优化问题, 最终得到ED、EP和CD情景下2030年各土地利用类型面积.
(1) 土地利用价值计算 本文以GM(1, 1)预测得到的2030年单位面积农业、林业、畜牧业、渔业和第二产业与第三产业创造的经济价值作为耕地、林地、草地、水域和建筑用地的经济价值系数[16], 未利用地的经济价值系数为0, 湿地的经济价值系数为草地和水域的均值[33].利用各土地利用类型单位面积内产生的生态系统服务价值作为生态价值系数[24], 研究区生态系统服务价值参考了谢高地等[34]的生态系统服务价值当量表, 并根据Dai等[35]提出的修订方法对其修订得到研究区2030年生态价值系数.土地利用类型价值系数如表 3所示.
|
|
表 3 2030年土地利用类型价值系数/元·hm-2 Table 3 Value coefficient of land use type in 2030/Yuan·hm-2 |
(2) 土地利用情景设定与目标函数构建 本文为了协调经济发展和生态保护之间的矛盾, 设定了未来4种土地利用情景, ND情景是没有政策干预的基线, ED、EP和CD场景是3种受到优化条件约束的优化情景.
① ND情景利用PLUS模型的CA-Markov模块, 预测了2030年每种土地利用类型面积.
② ED情景以经济发展为目标, 使得研究区经济价值最高.
|
(1) |
③ EP情景以生态保护为目标, 使得研究区生态价值最高.
|
(2) |
④ CD情景以生态和经济协调发展为目标, 使得研究区综合价值最高.
|
(3) |
式中, Ak和Bk分别为生态和经济价值系数(元·hm-2), F1(X)、F2(X)和F3(X)分别为经济、生态和综合价值(元), Xk为土地利用类型k的面积(hm2).
设定约束条件：
① 总面积约束.保证优化情景各土地利用类型总面积等于研究区面积.
|
(4) |
② 经济价值增长约束.保证优化情景的区域经济价值不小于ND情景.
|
(5) |
③ 生态价值增长约束.保证优化情景的区域生态价值不小于ND情景.
|
(6) |
④ 碳储量增长约束.保证优化情景的陆地生态系统碳储量不低于ND情景.
|
(7) |
⑤ 植被覆盖度约束.植被覆盖度基于“生态绿色当量”计算, 满足绿色等效的土地利用类型包括耕地、林地和草地, 其系数分别为0.46、1和0.49[36], 保证优化情景的植被覆盖度不小于ND情景.
|
(8) |
⑥ 景观多样性约束.为了降低生态风险, 维护生物多样性, 保证优化情景的林地、草地、水域和湿地面积总比例不小于ND情景.
|
(9) |
⑦ 耕地红线约束.由于我国实施了严格的耕地保护政策, 优化情景耕地面积应不小于ND情景.
|
(10) |
⑧ 模型准确性约束.由于CA-Markov模块在预测ND情景土地利用面积时有较高的精度, 因此其它情景在满足以上约束的同时还应以ND情景为基准, 保证各土地利用类型在ND情景的20%范围内变化[16].
|
(11) |
式中, Xk和Wk(k=1, 2, …, 7)分别为优化情景和ND情景的耕地、林地、草地、水域、湿地、建筑用地和未利用地面积(hm2), Ck为土地利用类型k的总碳密度(t·hm-2).
1.3.2 PLUS模型优化土地利用空间布局本文利用PLUS模型预测得到的2020年土地利用数据与实际2020年土地利用数据进行对比验证, OA值为0.89, Kappa系数为0.81, 该模型用于研究区的未来土地利用模拟具有较高精度[24], 模型具体设置如下.
(1) 邻域权重 邻域权重表示不同土地利用类型的扩张能力, 由于同时间尺度各土地利用类型面积(TA)的变化量可以较好反映各自的扩张能力[37], 本文利用2000~2020年的TA变化量的无量纲值计算得到邻域权重, 如表 4所示.
|
|
表 4 邻域权重 Table 4 Neighborhood weight |
(2) 转移规则矩 阵土地利用转移规则矩阵表示土地利用类型之间的转换规则, 当一种土地利用类型不能转换成另一种时, 矩阵对应值为0, 反之为1, 本文设置的土地利用转移矩阵, 如表 5所示.
|
|
表 5 不同情景下土地利用转移规则矩阵1) Table 5 Land use transfer rule matrix under different scenarios |
1.3.3 InVEST模型计算碳储量
InVEST模型的Carbon模块将陆地生态系统碳储量分为地上生物、地下生物、土壤和死亡有机物碳库, 它能够估算不同土地利用情景下的陆地生态系统碳储量[15], 每种土地利用类型的4个碳库对应着不同的碳密度, 陆地生态系统的碳储量是通过每种土地利用类型的总碳密度乘以它们对应的面积得到, 计算公式如下：
|
(12) |
|
(13) |
式中, Ck_above、Ck_below、Ck_soil和Ck_dead分别为土地利用类型k的地上生物、地下生物、土壤、死亡有机物碳库的碳密度(t·hm-2), Ck和Areak分别为土地利用类型k的总碳密度(t·hm-2)和面积(hm2), CT为总碳储量(t), n为土地利用类型总数量.
2 结果与分析 2.1 2000~2020年中国西北地区土地利用时空变化从面积占比来看, 中国西北地区主要土地利用类型为未利用地和草地, 其次为耕地、林地、水域、建筑用地和湿地.从面积变化来看(表 6), 2000~2020年耕地、林地、水域、湿地、建筑用地和未利用地面积分别增加了201.19×104、208.47×104、91.54×104、51.30×104、157.40×104和971.09×104 hm2, 草地面积减少了1 680.99×104 hm2.从LUCC空间格局来看(图 3), 草地面积变化主要集中在新疆北部、甘肃南部及青海大部分区域; 水域在新疆中北部有明显的增加; 建筑用地面积变化主要集中在各省会城市及周边区域, 特别在陕西的中部地区变化显著, 其它土地利用类型变化较小.从土地利用动态度[38]来看, 2000~2020年西北地区大力发展经济使得建筑用地变化最为强烈, 面积显著增加, 湿地、水域、林地和耕地也随着生态保护政策的实施, 面积小幅度增加.
|
|
表 6 2000~2020年土地利用面积变化及其动态度 Table 6 Land use area change and its dynamic from 2000 to 2020 |
|
图 3 土地利用时空变化 Fig. 3 Spatial and temporal changes in land use |
从碳储量的数量变化来看(图 4), 2000~2020年中国西北地区总碳储量显著减少, 总减少量为677.97×106 t, 其中2000~2010年减少了589.49× 106 t, 2010~2020年减少了88.48×106 t, 总体来说西北地区的总碳损失速率减缓; 土壤碳储量和地下碳储量分别减少了715.32×106 t和11.68×106 t, 死亡有机物碳储量和地上碳储量分别增加了4.9×106 t和44.13×106 t.从碳储量空间分布特征来看(图 5), 中国西北地区碳储量空间上呈现明显东南高西北低的差异, 其中, 总碳储量较大区域主要集中在陕西、宁夏、青海和甘肃的南部以及新疆的西北部地区; 新疆的西北部地区由于草地大量退化使得碳储量显著减少, 甘肃和青海也出现不均匀的局部碳储量减少现象, 此外, 新疆的西部和沙漠绿洲交错带以及甘肃的南部碳储量出现明显的增加, 陕西和宁夏的碳储量较为稳定, 无明显变化.
|
图 4 各类碳储量变化 Fig. 4 Changes in various types of carbon storage |
|
图 5 总碳储量时空变化 Fig. 5 Temporal and spatial changes in total carbon storage |
由于不同土地利用类型的碳密度不同, 所以不同土地利用类型转换后会导致区域陆地生态系统碳储量发生变化.因此, 本文量化了2000~2020年中国西北地区各土地利用类型变化对陆地生态系统碳储量的影响(表 7).结果表明, 2000~2020年中国西北地区的耕地、林地、草地和湿地变化导致了碳储量减少, 在此期间, 草地转换成为未利用地、建筑用地和水域导致总碳储量损失了1 101.09×106 t, 草地面积大量转换成未利用地是总碳储量减少的主要原因; 耕地转换成建筑用地、草地、水域和未利用地导致总碳储量损失87.49×106 t; 林地转换成草地、耕地、水域、建筑用地和未利用地导致总碳储量损失130.04×106 t; 湿地转换成耕地、林地、草地、水域、建筑用地和未利用地导致总碳储量损失40.54×106 t; 水域、建筑用地和未利用地的转换分别增加了68.10×106、15.58×106和597.52×106 t总碳储量.
|
|
表 7 2000~2020年土地利用和碳储量变化矩阵1) Table 7 Land use and carbon stock change matrix from 2000 to 2020 |
2.4 未来不同情景下土地利用及碳储量变化
本文将2030年研究区土地利用状况及碳储量与2020年进行了对比分析(图 6和表 8).结果表明, ND情景下, 草地和未利用地面积减少, 其余土地利用类型面积增加, 草地面积变化主要集中在新疆北部和青海东部区域, 总碳储量减少63.12×106 t.ED情景下, 未利用地和草地面积减少, 甘肃和陕西南部草地出现明显的退化, 但新疆和甘肃的大部分区域未利用地朝着林地、耕地和湿地转换, 各类碳储量都显著增加, 总碳储量增加759.19×106 t.EP情景下, 中国西北地区加大生态保护力度, 耕地、林地、水域和湿地面积大量增加, 未利用地和草地面积依然减少, 各类碳储量都呈现增加趋势, 总碳储量增加804.57×106 t. CD情景下, 中国西北地区经济和生态协调发展, 草地和未利用地面积大量减少, 其余土地利用类型面积增加, 各类碳储量都呈现增加趋势, 总碳储量增加了817.89×106 t, 该情景下的中国西北地区碳储量高于其它情景.
|
图 6 不同情景下土地利用及碳储量空间变化 Fig. 6 Spatial change in land use and carbon storage under different scenarios |
|
|
表 8 2020~2030年不同情景下土地利用和碳储量变化1) Table 8 Changes in land use and carbon storage under different scenarios from 2020 to 2030 |
3 讨论 3.1 模型的优势与局限性
目前, 对于LUCC与碳储量的综合研究主要是基于模型模拟[39], 将增加区域碳储量纳入土地利用优化过程通常需要多个模型集成来共同完成, 集成模型在探索区域陆地生态系统结构和功能方面具有很大的优势, 同时也是土地利用规划的重要工具[16].本文构建的GMMOP-PLUS-InVEST模型能够克服单一模型的缺陷, 它以提高区域碳储量为目标, 通过设定约束条件, 充分将经济和生态因素纳入未来土地利用数量结构和空间布局优化过程, 对区域经济和生态进行了权衡, 为土地利用决策提供了新的视角.需要注意的是该模型在实际的土地利用优化过程中还需要与当地的土地利用规划政策相结合[40], 在碳储量估算中应该充分考虑各种土地利用类型碳密度年际变化对碳储量估算的影响, 虽然基于以往的研究结果可以看出区域碳密度数据年度变化较小, 对大尺度陆地生态系统碳储量估算无显著影响[28, 41], 但利用年际实测数据会极大提高模型估算碳储量的精度.本文利用GMMOP-PLUS-InVEST模型对中国西北地区未来土地利用进行了优化, 优化情景下的碳储量均大于ND情景, 特别是对区域经济发展和生态保护进行权衡后的CD情景碳储量达到了最大值, 这足以表明该模型在解决未来多目标土地利用优化及碳储量估算问题时具有很好的性能, 能够成为探索未来陆地生态系统结构和功能的有利工具.
3.2 中国西北地区碳储量演变机制LUCC是生态系统对人类活动的响应[42], 在全球范围内LUCC正在加剧陆地生态系统的碳损失[43], 2000~2020年中国西北地区草地面积大量转换为未利用地导致总碳损失达到了1 161.32×106 t(表 7), 尤其在新疆的西北部地区出现大规模由草地退化引起的碳储量减少现象, 这与Zhang等[44]研究的结果一致, 主要原因是在全球性气候变暖的情况下, 该地区气候变暖, 降水量减少, 持续干旱, 草原生物灾害发生十分频繁, 再加上过度的放牧使得草地受到严重破坏, 大面积草地退化成为未利用地使得总碳储量下降, 预计到2030年ND情景下的中国西北地区碳储量还会继续减少.然而, 未来的碳储量在同一地区的不同土地利用优化情景之间存在显著差异, 2030年中国西北地区EP情景下的碳储量远大于ED情景, 主要原因是国家在西北地区大力实施了退耕还林、天然林保护、退牧还草和耕地保护等一批重点生态保护工程[45], 极大地减缓了碳损失速率.在EP情景下即使在黄土高原和西北沙漠绿洲交错带地区, 生态保护政策也能明显地增加区域碳储量[46](图 6), 所以生态保护政策是增加陆地生态系统碳储存的重要保障[47].但是, 生态保护政策的严格实施必定会与经济的快速发展需求相矛盾, 而土地利用优化是权衡这一矛盾的重要手段, 如CD情景下, 中国西北地区以生态和经济协调发展为目标, 耕地、林地和湿地面积快速增长, 草地退化速率减慢, 碳储量达到最大值.对于西北地区来说, 土地利用优化过程中增加植被覆盖度是提升碳储量的关键, 据以往的研究表明, 中国西北地区的土壤碳密度仅占全国平均水平的23.65%, 但土壤碳密度会随着植被覆盖度的增加随之增加[48]; 不同土地利用类型对碳储量的贡献也具有明显的差异, 在优化情景下, 增加植被覆盖度被作为优化目标纳入土地利用优化之中, 使得各类碳储量均大幅度增加, 所以植被覆盖度的增加能够加快提升区域碳储量.但是, 中国西北地区常年干旱少雨, 生态环境脆弱, 自然生长的草木植被易受到水资源的约束, 植被退化现象一直存在[49], 未来水资源仍然是制约中国西北地区碳储量增加的重要因素.
3.3 中国西北地区可持续发展策略不同土地利用结构的碳储量、生态价值和经济价值差异性显著(表 9), 权衡区域经济、生态和碳储量, 制定土地利用优化方案, 是保证西北地区可持续发展的重中之重.在ED情景下, 经济价值达到最大, 大规模的经济增长增加了土地资源的消耗, 建筑用地大规模扩张导致生态系统服务能力下降[50], 总碳储量和生态价值都低于EP情景; EP情景下, 严格的生态保护政策控制了建筑用地增长, 耕地和林地面积大幅度增加, 生态价值达到最大值, 但是经济价值低于ED情景; CD情景下, 经济和生态协调发展, 耕地和林地面积增加, 草地面积退化减缓, 总碳储量和总价值均大于其它情景, 这是最优的发展模式.
|
|
表 9 各情景的碳储量和价值1) Table 9 Carbon storage and value of each scenario |
综合优化情景的发展模式, 未来中国西北地区可持续发展策略如下：①科学制定土地利用规划方案.土地利用规划的目的在于合理利用土地资源, 促进经济生态协调稳定发展, 它是土地利用规划的核心内容, CD情景下的碳储量和总价值均高于其它情景, 该情景的优化方案可以为西北地区土地利用规划提供科学参考.②严格实施生态保护政策.政策需要加强草地、林地和耕地的保护, 防止草地退化, 提倡退耕还林, 提高植被质量, 优化作物类型, 生态的良性发展是提高区域碳储量和保证可持续发展的重要手段.③加快中国西北地区的经济转型.积极探索绿色产业发展, 优化农业生产模式, 大力生产生态产品, 科学布局城镇工业生产空间, 形成绿色低碳和安全高效的经济发展模式.
4 结论(1) 2000~2020年, 中国西北地区土地利用变化具体特征为草地在新疆西北部地区大量转换成未利用地, 总面积减少了1 680.99×104 hm2, 耕地、林地、水域、湿地、建筑用地和未利用地面积分别增加了201.19×104、208.47×104、91.54×104、51.30×104、157.40×104和971.09×104 hm2, 建筑用地扩张最为剧烈.
(2) 2000、2010和2020年中国西北地区总碳储量分别为13 148.20×106、12 558.70×106和12 470.23×106 t, 2000~2020年中国西北地区总碳储量、土壤碳储量和地下碳储量显著减少, 死亡有机物碳储量和地上碳储量却略有增加, 总碳损失为677.97×106 t, 碳储量减少主要是耕地、林地、草地和湿地变化导致的, 其中草地退化是碳储量减少的主要因素.
(3) 2020~2030年中国西北地区不同情景下土地利用和碳储量变化具有明显的差异, ND情景下草地面积继续减少, 总碳储量减少了63.12×106 t, ED、EP和CD优化情景下总碳储量分别增加759.19×106、804.57×106和817.89×106 t, CD情景是最优的发展模式.
| [1] | Sokolov Y I. Risks of global climate change[J]. Issues of Risk Analysis, 2021, 18(3): 32-45. DOI:10.32686/1812-5220-2021-18-3-32-45 |
| [2] | Hopf H, Krief A, Matlin S A, et al. Climate change: reasons, requirements, and realities[J]. Nachrichten aus der Chemie, 2022, 70(3): 11-14. DOI:10.1002/nadc.20224123828 |
| [3] |
朴世龙, 何悦, 王旭辉, 等. 中国陆地生态系统碳汇估算: 方法、进展、展望[J]. 中国科学: 地球科学, 2022, 65(6): 1010-1020. Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. |
| [4] |
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, 875. 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 Chinese Academy of Sciences, 2015, 30(6): 848-857, 875. |
| [5] | Wang K, Li X, Lyu X, et al. Optimizing the land use and land cover pattern to increase its contribution to carbon neutrality[J]. Remote Sensing, 2022, 14(19): 4751-4771. DOI:10.3390/rs14194751 |
| [6] | Houghton R A, House J I, Pongratz J, et al. Carbon emissions from land use and land-cover change[J]. Biogeosciences, 2012, 9(12): 5125-5142. DOI:10.5194/bg-9-5125-2012 |
| [7] | Foley J A, DeFries R, Asner G P, et al. Global consequences of land use[J]. Science, 2005, 309(5734): 570-574. DOI:10.1126/science.1111772 |
| [8] | Wang G Z, Han Q, De Vries B. The multi-objective spatial optimization of urban land use based on low-carbon city planning[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107540 |
| [9] | Friedlingstein P, Jones M W, O'Sullivan M, et al. Global carbon budget 2019[J]. Earth System Science Data, 2019, 11(4): 1783-1838. DOI:10.5194/essd-11-1783-2019 |
| [10] | Sun W L, Liu X H. Review on carbon storage estimation of forest ecosystem and applications in China[J]. Forest Ecosystems, 2020, 7(1): 4. DOI:10.1186/s40663-019-0210-2 |
| [11] | Potter C S, Randerson J T, Field C B, et al. Terrestrial ecosystem production: a process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841. DOI:10.1029/93GB02725 |
| [12] | Prince S D, Goward S N. Global primary production: a remote sensing approach[J]. Journal of Biogeography, 1995, 22(4-5): 815-835. |
| [13] |
陈耀亮, 罗格平, 叶辉, 等. 1975-2005年中亚土地利用/覆被变化对森林生态系统碳储量的影响[J]. 自然资源学报, 2015, 30(3): 397-408. Chen Y L, Luo G P, Ye H, et al. Sources and sinks of carbon caused by forest land use change from 1975 to 2005 in central Asia[J]. Journal of Natural Resources, 2015, 30(3): 397-408. |
| [14] | 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 |
| [15] | Wang Z, Zeng J, Chen W X. Impact of urban expansion on carbon storage under multi-scenario simulations in Wuhan, China[J]. Environmental Science and Pollution Research, 2022, 29(30): 45507-45526. DOI:10.1007/s11356-022-19146-6 |
| [16] | Wang Y, Li X M, Zhang Q, et al. Projections of future land use changes: multiple scenarios-based impacts analysis on ecosystem services for Wuhan city, China[J]. Ecological Indicators, 2018, 94: 430-445. DOI:10.1016/j.ecolind.2018.06.047 |
| [17] | Liu Y L, Tang W, He J H, et al. A land-use spatial optimization model based on genetic optimization and game theory[J]. Computers, Environment and Urban Systems, 2015, 49: 1-14. DOI:10.1016/j.compenvurbsys.2014.09.002 |
| [18] |
侯建坤, 陈建军, 张凯琪, 等. 基于InVEST和GeoSoS-FLUS模型的黄河源区碳储量时空变化特征及其对未来不同情景模式的响应[J]. 环境科学, 2022, 43(11): 5253-5262. Hou J K, Chen J J, Zhang K Q, et al. Temporal and spatial variation characteristics of carbon storage in the source region of the Yellow River based on InVEST and GeoSoS-FLUS models and its response to different future scenarios[J]. Environmental Science, 2022, 43(11): 5253-5262. DOI:10.13227/j.hjkx.202201267 |
| [19] | Wang Z Y, Li X, Mao Y T, et al. Dynamic simulation of land use change and assessment of carbon storage based on climate change scenarios at the city level: a case study of Bortala, China[J]. Ecological Indicators, 2022, 134. DOI:10.1016/j.ecolind.2021.108499 |
| [20] | Zhao X Q, Li S N, Pu J W, et al. Optimization of the national land space based on the coordination of urban-agricultural-ecological functions in the Karst areas of southwest China[J]. Sustainability, 2019, 11(23). DOI:10.3390/su11236752 |
| [21] | Subedi P, Subedi K, Thapa B. Application of a hybrid cellular automaton-Markov (CA-Markov) model in land-use change prediction: a case study of Saddle Creek Drainage Basin, Florida[J]. Applied Ecology and Environmental Sciences, 2013, 1(6): 126-132. DOI:10.12691/aees-1-6-5 |
| [22] | Verburg P H, Soepboer W, Veldkamp A, et al. Modeling the spatial dynamics of regional land use: the CLUE-S model[J]. Environmental Management, 2002, 30(3): 391-405. DOI:10.1007/s00267-002-2630-x |
| [23] | 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. DOI:10.1016/j.landurbplan.2017.09.019 |
| [24] | Liang X, Guan Q F, Clarke K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: a case study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85. DOI:10.1016/j.compenvurbsys.2020.101569 |
| [25] |
李哲, 丁永建, 陈艾姣, 等. 1960—2019年西北地区气候变化中的Hiatus现象及特征[J]. 地理学报, 2020, 75(9): 1845-1859. Li Z, Ding Y J, Chen A J, et al. Characteristics of warming hiatus of the climate change in Northwest China from 1960 to 2019[J]. Acta Geographica Sinica, 2020, 75(9): 1845-1859. |
| [26] |
孙才志, 魏亚琼, 赵良仕. 干旱区水—能源—粮食纽带系统协同演化——以中国西北地区为例[J]. 自然资源学报, 2022, 37(2): 320-333. Sun C Z, Wei Y Q, Zhao L S. Co-evolution of water-energy-food nexus in arid areas: Take Northwest China as an example[J]. Journal of Natural Resources, 2022, 37(2): 320-333. |
| [27] | Chen Y H, Wang J, Xiong N N, et al. Impacts of land use changes on net primary productivity in urban agglomerations under multi-scenarios simulation[J]. Remote Sensing, 2022, 14(7). DOI:10.3390/rs14071755 |
| [28] | Tang X L, Zhao X, Bai Y F, et al. Carbon pools in China's terrestrial ecosystems: new estimates based on an intensive field survey[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4021-4026. |
| [29] |
杨洁, 谢保鹏, 张德罡. 基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究[J]. 中国生态农业学报(中英文), 2021, 29(6): 1018-1029. Yang J, Xie B P, Zhang D G. Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models[J]. Chinese Journal of Eco-Agriculture, 2021, 29(6): 1018-1029. |
| [30] | Alam S A, Starr M, Clark B J F. Tree biomass and soil organic carbon densities across the Sudanese woodland savannah: a regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89: 67-76. DOI:10.1016/j.jaridenv.2012.10.002 |
| [31] |
陈光水, 杨玉盛, 刘乐中, 等. 森林地下碳分配(TBCA)研究进展[J]. 亚热带资源与环境学报, 2007, 2(1): 34-42. Chen G S, Yang Y S, Liu L Z, et al. Research review on total belowground carbon allocation in forest ecosystems[J]. Journal of Subtropical Resources and Environment, 2007, 2(1): 34-42. |
| [32] | Zhang H B, Zhang X H. Land use structural optimization of Lilin based on GMOP-ESV[J]. Transactions of Nonferrous Metals Society of China, 2011, 21(S3): s738-s742. |
| [33] |
曹帅, 金晓斌, 杨绪红, 等. 耦合MOP与GeoSOS-FLUS模型的县级土地利用结构与布局复合优化[J]. 自然资源学报, 2019, 34(6): 1171-1185. Cao S, Jin X B, Yang X H, et al. Coupled MOP and GeoSOS-FLUS models research on optimization of land use structure and layout in Jintan district[J]. Journal of Natural Resources, 2019, 34(6): 1171-1185. |
| [34] |
谢高地, 甄霖, 鲁春霞, 等. 一个基于专家知识的生态系统服务价值化方法[J]. 自然资源学报, 2008, 23(5): 911-919. Xie G D, Zhen L, Lu C X, et al. Expert knowledge based valuation method of ecosystem services in China[J]. Journal of Natural Resources, 2008, 23(5): 911-919. |
| [35] | Dai X, Wang L C, Huang C B, et al. Spatio-temporal variations of ecosystem services in the urban agglomerations in the middle reaches of the Yangtze River, China[J]. Ecological Indicators, 2020, 115. DOI:10.1016/j.ecolind.2020.106394 |
| [36] | Liu Y F, Ming D P, Yang J Y. Optimization of land use structure based on ecological GREEN equivalent[J]. Geo-spatial Information Science, 2002, 5(4): 60-67. |
| [37] |
王保盛, 廖江福, 祝薇, 等. 基于历史情景的FLUS模型邻域权重设置——以闽三角城市群2030年土地利用模拟为例[J]. 生态学报, 2019, 39(12): 4284-4298. Wang B S, Liao J F, Zhu W, et al. The weight of neighborhood setting of the FLUS model based on a historical scenario: a case study of land use simulation of urban agglomeration of the golden triangle of southern Fujian in 2030[J]. Acta Ecologica Sinica, 2019, 39(12): 4284-4298. |
| [38] |
刘纪远, 宁佳, 匡文慧, 等. 2010-2015年中国土地利用变化的时空格局与新特征[J]. 地理学报, 2018, 73(5): 789-802. Liu J Y, Ning J, Kuang W H, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010-2015[J]. Acta Geographica Sinica, 2018, 73(5): 789-802. |
| [39] | Zhu G F, Qiu D D, Zhang Z X, et al. Land-use changes lead to a decrease in carbon storage in arid region, China[J]. Ecological Indicators, 2021, 127. DOI:10.1016/j.ecolind.2021.107770 |
| [40] |
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, 41(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, 41(10): 4052-4065. |
| [41] |
赫晓慧, 徐雅婷, 范学峰, 等. 中原城市群区域碳储量的时空变化和预测研究[J]. 中国环境科学, 2022, 42(6): 2965-2976. Hao X H, Xu Y T, Fan X F, et al. Temporal and spatial variation and prediction of regional carbon storage in Zhongyuan urban agglomeration[J]. China Environmental Science, 2022, 42(6): 2965-2976. |
| [42] | Kalantari Z, Ferreira C S S, Page J, et al. Meeting sustainable development challenges in growing cities: coupled social-ecological systems modeling of land use and water changes[J]. Journal of Environmental Management, 2019, 245: 471-480. |
| [43] | 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. |
| [44] | Zhang R P, Liang T G, Guo J, et al. Grassland dynamics in response to climate change and human activities in Xinjiang from 2000 to 2014[J]. Scientific Reports, 2018, 8(1). DOI:10.1038/s41598-018-21089-3 |
| [45] | Bryan B A, Gao L, Ye Y Q, et al. China's response to a national land-system sustainability emergency[J]. Nature, 2018, 559(7713): 193-204. |
| [46] | Liu Q, Yang D D, Cao L, et al. Assessment and prediction of carbon storage based on land use/land cover dynamics in the tropics: a case study of Hainan Island, China[J]. Land, 2022, 11(2). DOI:10.3390/land11020244 |
| [47] | Standish R J, Prober S M. Potential benefits of biodiversity to Australian vegetation projects registered with the emissions reduction fund—is there a carbon-biodiversity trade-off?[J]. Ecological Management & Restoration, 2020, 21(3): 165-172. |
| [48] | Zhang K, Dang H, Tan S, et al. Change in soil organic carbon following the 'grain-for-green' programme in China[J]. Land Degradation & Development, 2010, 21(1): 13-23. |
| [49] | Feng X M, Fu B J, Lu N, et al. How ecological restoration alters ecosystem services: an analysis of carbon sequestration in China's Loess Plateau[J]. Scientific Reports, 2013, 3. DOI:10.1038/srep02846 |
| [50] | Li C, Wu Y M, Gao B P, et al. Multi-scenario simulation of ecosystem service value for optimization of land use in the Sichuan-Yunnan ecological barrier, China[J]. Ecological Indicators, 2021, 132. DOI:10.1016/j.ecolind.2021.108328 |