2024, Vol. 45
2. 甘肃省土地利用与综合整治工程研究中心, 兰州 730070
2. Gansu Engineering Research Center of Land Utilization and Comprehension Consolidation, Lanzhou 730070, China
气候变化作为全球性热点话题之一, 是当前人类社会面临的重大挑战.气候变化将导致全球范围极端天气频发和局部区域生态环境持续退化等问题.1990年以来, IPCC六次评估报告陆续表明人类活动对气候变化贡献度及影响的可能性明显增强.为积极应对全球气候变化, 中国政府向国际社会做出2030年碳达峰、2060年碳中和的重要承诺, 并将其纳入“十四五”规划.土地利用变化作为人类活动影响气候变化最直接的表现形式, 主要通过地类转换改变陆地生态系统中植被和土壤的碳循环过程, 进而影响区域碳储量变化[1].有研究表明, 土地利用变化造成的碳排放已成为仅次于化石燃料燃烧的第二大温室气体排放源[2, 3].目前, 土地利用结构调整和布局优化被认为是最经济有效的固碳途径, 可有效推进形成绿色低碳发展模式和建立健全“双碳”政策体系.中国西北干旱区生态环境本底脆弱, 是碳达峰、碳中和的重点和难点区域, 持续巩固提升干旱区生态系统碳汇增量迫在眉睫.因此, 基于土地利用变化视角定量评估干旱区城市生态系统碳储量时空演变特征及空间分异驱动力, 对加快落实“双碳”战略目标和推动构建减污降碳及协同管控的生态保护空间格局具有重要现实意义[4, 5].
近年来, 基于土地利用模拟模型预测未来多情景下碳储量变化的研究成果已较为丰富.土地利用模拟是碳储量多情景评估的基础, 目前应用较为广泛的土地利用模拟模型主要有CA-Markov[6, 7]、SD[8]、ABM（agent-based model）[9]、CLUES-S[5]和GeoSOS[10]等模型.如朱文博等[5]采用Markov-CLUE-S复合模型和InVEST模型评估了太行山淇河流域2025年自然发展、生态保护和耕地保护3种情景下土地利用变化对碳储量的影响.赫晓慧等[11]采用Dyna-CLUE模型和InVEST模型预测了中原城市群2030年不同土地利用发展情景下碳储量变化特征.但随着区域发展对土地利用规划要求的进一步提高, 这些模型已然不能满足模拟需求, 它们一般只考虑空间规划政策的约束作用（如保护区、禁建区）, 忽略了空间规划政策对未来土地变化的驱动和引导（开发区规划、交通规划）机制, 因而存在一定局限性[12].PLUS模型集成了基于随机森林的规划开发区和交通规划随机种子机制, 在模拟过程中能挖掘土地利用变化机制, 填补城市发展中由空间规划政策引导土地利用变化的模拟需求[13], 其结果可更好地支持空间规划政策实施及未来碳储量多情景评估.在情景设置方面, 诸多研究遵循国家宏观战略要求, 以兼顾生态经济协调发展和统筹空间要素协同优化为目标设置情景, 但同时也缺乏区域针对性, 无法揭示生态环境、资源现状及发展水平的空间差异.如传统的城市发展和耕地保护情景是在满足人口增长和经济发展需求的基础上对耕地和建设用地面积进行最低限制[14, 15].但对干旱区而言, 水资源是制约其发展的主要因素, “以水定需、量水而行”是干旱区致力可持续发展的先决条件, 盲目增加耕地和城镇用地面积势必会过度消耗水资源, 导致生态环境逐步退化[16, 17], 进而对区域生态系统碳储量造成损失.因此, 在情景设置中还需考虑限制区域发展的客观因素, 并根据区域发展现状及需求设置具有针对性和符合未来发展趋势的情景.
酒泉市位于中国西北干旱区, 是甘肃省乃至全国沙漠化最严重和水资源最为缺乏的地区之一[18], 水资源短缺是制约酒泉市经济发展的主要因素.近年来, 酒泉市为提高用水效率和缓解生态压力, 政府先后出台了《关于加快节水型社会建设的实施意见》和《酒泉市地下水资源管理办法》等系列水资源管控政策, 并取得一定成效.但随着人口增长和城镇规模持续扩张, 区域内耕地和建设用地面积不断增加, 农业和城镇用水总量居高不下, 生态环境依旧面临威胁, 对提高区域生态系统碳储量产生严重影响.基于此, 本文根据酒泉市自然地理特征和发展需求设置自然发展、集约发展、水资源约束和生态保护这4个未来发展情景, 采用PLUS-InVEST模型预测2035年不同发展情景的土地利用和碳储量变化趋势, 并分析土地利用变化对碳储量的影响及碳储量空间分异驱动机制, 以期为加快酒泉市节水型社会建设及促进生态经济协调发展提供依据.
1 材料与方法 1.1 研究区概况酒泉市（图 1）位于中国西北内陆地区（38°09′ ~ 42°48′N, 92°20′ ~ 100°20′E）, 全市辖一区（肃州区）两市（玉门市和敦煌市）四县（金塔县、瓜州县、肃北蒙古族自治县和阿克塞哈萨克族自治县）, 全市戈壁荒漠及沙化土地面积占66.8%, 适宜人类居住的绿洲面积仅占8.7%[19].2022年常住人口105.31万人, 生产总值840.9亿元.酒泉市地势南北高、中间低, 自西南向东北倾斜, 南部为阿尔金山及祁连山, 北部为马鬓山, 中间地势相对平缓, 整体海拔在660 ~ 5 842 m之间.区域内光热资源丰富, 年平均降水量仅有40 ~ 176 mm, 蒸发量高达2 100 ~ 3 100 mm, 是典型的大陆性干旱气候.酒泉市境内有疏勒河、黑河和哈尔腾河三大主要水系, 均发源于南山冰川积雪区, 可利用水资源量约为3.1×109 m3, 每km2国土面积水资源量仅有2.1×105 m3, 是全国平均水平的1/17, 水资源短缺是长期制约酒泉市经济发展的关键因素.
|
图 1 研究区概况 Fig. 1 Overview of the study area |
本文涉及数据主要包括土地利用、高程、人口密度、GDP密度、气象、道路、市级政府驻地、水资源及碳密度数据.其中, 土地利用数据来源于中国科学院资源环境科学与数据中心（www.resdc.cn）.该土地利用数据是采用人机交互目视判读方式解译, 空间分辨率为30 m, 总体精度均在88.95%以上, 包括6个一级分类和25个二级分类.DEM数据由地理空间数据云平台（www.gscloud.cn）提供, 坡度数据利用DEM数据计算得到.人口密度、GDP密度、气象、道路和市级政府驻地数据均来源于中国科学院资源环境科学与数据中心（www.resdc.cn）.水资源数据来源于《甘肃省水资源公报》.碳密度数据通过查阅相关研究, 并根据酒泉市气候条件, 对酒泉市碳密度进行修正, 最终得到酒泉市各土地利用类型的碳密度[3, 4].
1.3 研究方法本文研究思路如图 2所示, 首先利用土地利用、自然和社会经济等数据对2035年土地利用进行多情景模拟, 再结合InVEST模型对酒泉市1990 ~ 2020年及2035年不同情景的碳储量进行核算并分析其变化趋势.最后从时间上分析土地利用转移对碳储量变化的影响, 从空间上探讨高程、坡度和气温等影响因子对碳储量空间分布的影响程度.
|
图 2 研究思路 Fig. 2 Research framework |
InVEST模型（生态系统服务功能权衡综合评估模型）将生态系统的碳储量划分为4个基本碳库[1], 包括地上生物碳、地下生物碳、土壤碳和死亡有机碳.碳储量计算见公式（1）和公式（2）：
|
(1) |
|
(2) |
式中, i为某种土地利用类型；Ci 为第i类土地利用类型碳密度；Ci- above、Ci- below、Ci- soil和Ci- dead分别为第i类土地利用类型地上植被碳密度（t·hm-2）、地下植被碳密度（t·hm-2）、土壤碳密度（t·hm-2）和死亡有机碳密度（t·hm-2）；Ctot为生态系统碳储总量（t）；Ai 为第i类土地利用类型面积（hm2）；n为土地利用类型数量[20].
碳密度会受区域气候和土壤类型等因素影响, 需根据酒泉市气候条件及前人修正方法对碳密度系数进行修正（表 1）.年均降水量与生物量和土壤碳密度的关系采用Alam等[21]研究中的修正方法进行修正, 年均温与生物量碳密度的关系借鉴Giardina等[22]和陈光水等[23]研究中的修正方法进行修正.
|
表 1 酒泉市不同土地利用类型碳密度/t·hm-2 Table 1 Carbon density of different land use types in Jiuquan City/t·hm-2 |
|
(3) |
|
(4) |
|
(5) |
式中, CSP为年均降雨量修正下的土壤碳密度（kg·m-2）；MAP为年均降雨量（mm）；CBP和CBT分别为年均降雨量和年均气温修正下得到的生物量碳密度（kg·m-2）；MAT为年均气温（℃）.
|
(6) |
|
(7) |
|
(8) |
|
(9) |
式中, KBP为生物量碳密度降雨因子修正系数；KBT为生物量碳密度气温因子修正系数；KB为生物量碳密度修正系数；KS表示土壤碳密度修正系数；C′和C″分别为酒泉市及全国碳密度数据.
1.3.2 PLUS模型介绍PLUS模型包括土地扩张分析策略（LEAS）和基于多类型随机斑块种子的元胞自动机（CA）这两个模块[24].在LEAS模块中首先提取土地利用类型扩张区域, 并结合随机森林算法分析土地扩张与驱动因子间的关系.在CARS模块中需对土地利用转换规则和领域权重等参数进行设置.其中, 转换规则是结合前人研究成果和研究区特征设置[25], 领域权重是根据各类型土地扩张面积与区域总面积的比值确定.根据已有研究经验和酒泉市实际情况, 选取了高程、坡度、气温、降水、距水域距离、距公路距离、距居民点距离、距铁路距离、距政府距离、人口密度和GDP密度这11个驱动因子进行土地利用模拟[4]（图 3）.
|
图 3 酒泉市土地利用变化影响因素 Fig. 3 Influencing factors of land use change in Jiuquan City |
本文以2010年为初始年份模拟2020年土地利用数据, 对2020年土地利用模拟结果进行一致性检验（图 4）.结果显示Kappa值为0.887, 总体精度为95.89%.一般情况下, 当Kappa≥0.75时, 实际数据和模拟结果的一致性较高[26].因此, 该模型模拟的2020年土地利用数据结果精度较高, 可以用于模拟酒泉市2035年土地利用变化情况.
|
图 4 酒泉市2020年土地利用模拟结果和实际数据对比 Fig. 4 Comparison of land use simulation results and actual data in Jiuquan City in 2020 |
情景模拟旨在预测未来不同发展情景的土地利用变化趋势, 为区域发展决策提供借鉴.综合《甘肃省国土空间规划（2019—2035年）》中酒泉市未来发展规划要求和自然地理特征设定了以下4种情景；
（1）自然发展情景（SN） 此情景为参考情景, 完全遵循1990 ~ 2020年间的土地利用变化规律, 不考虑发展政策及规划要求, 对土地利用类型转变规则不做任何限制.
（2）集约发展情景（SI） 在此情景中并不盲目追求经济增长和城镇规模扩张, 而是在满足人口和经济增长的同时实现集约发展.根据《甘肃省国土空间规划（2019—2035年）》对酒泉市未来城镇开发边界（图 4）进行限制, 并根据规划要求设定2035年建设用地面积不少于531.4 km2.同时禁止建设用地向其它地类转换, 并增加城镇开发边界内其它地类向建设用地的转换概率.
（3）水资源约束情景（SW） 根据生产生活实践, 本文将区域用水类型划分为农田灌溉、林牧渔畜、生产生活（包括工业、城镇公共和居民生活用水）和生态环境用水四大类[27].假设各类用地单位面积用水量不变, 则农田灌溉用水总量与耕地面积以及生产生活用水总量与建设用地面积直接相关.以年均每m2耕地需水量和年均每m2建设用地综合需水量约束2035年耕地和建设用地最大面积.《甘肃省国土空间规划（2019—2035年）》规定2035年酒泉市用水总量应控制在22.45亿m3内, 考虑到用水效率问题, 本文只计算了2016 ~ 2020年期间的年均每平方米耕地和建设用地综合需水量, 分别为0.538 m3·m-2和0.259 m3·m-2.2035年最大耕地和建设用地面积计算如下.
区域用水总量计算见公式（10）：
|
(10) |
多年平均用水总量计算见公式（11）：
|
(11) |
式中, W为用水总量；Wa为农田灌溉用水；Wf为林牧渔畜用水；Wpl为生产生活用水；We为生态环境用水；W为年均用水总量.2035年最大耕地和建设用地面积计算见公式（12）和公式（13）：
|
(12) |
|
(13) |
式中, W35为2035年用水总量；Sf35和Sb35分别为2035年耕地和建设用地面积.最终计算得出在水资源约束情景下2035年耕地和建设用地面积应在3 481.2 km2和538.2 km2之内.在此情景中为提高水资源保护力度, 设置禁止水域向其它地类转换.
（4）生态保护情景（SE） 综合考虑酒泉市粮食安全及资源环境承载力, 为提高生态保护力度需加入耕地保护和生态环境保护理念, 将《甘肃省国土空间规划（2019—2035年）》要求的永久基本农田保护区、生态保护区以及水域设为禁止转换区（图 5）.
|
图 5 酒泉市限制转换区域 Fig. 5 Restricted conversion area in Jiuquan City |
土地利用程度不仅可以表征土地的自然属性, 也可反映人类对土地的综合利用程度.土地利用程度与生态系统结构和功能的转变密切相关, 计算见公式（14）：
|
(14) |
式中, L为土地利用程度指数；Ai 为第i类土地利用程度分级指数；Ci 为第i类土地利用类型面积占总面积的百分比；n为土地利用程度分级数[27].本研究将土地利用分为4级, 未利用地分级指数为1, 林地、草地和水域为2, 耕地为3, 建设用地为4[28].
1.3.6 参数最优地理探测器地理探测器能对碳储量与筛选出的因子进行探测分析, 揭示其空间分异驱动力.传统地理探测器对连续型变量进行离散化时具有较强的主观性, 一定程度上影响空间分层异质性最佳尺度的确定.本文借助R语言中的GD包, 运用相等间隔、自然断点、分位数、几何间隔和标准差5种分类方法[29], 将分类等级数设置为5 ~ 10类, 从中选择q值最高的参数组合方式进行空间离散化.通过计算单一因子q[q（X1）, q（X2）]值及双因子交互q值q（X1 ∩ X2）判断双因子是否存在交互作用及交互作用的程度.q值计算见公式（15）和公式（16）：
|
(15) |
|
(16) |
式中, q为因子解释力, 值域为[0, 1], 值越大解释力越强；h为解释变量或被解释变量的分层（Strata）；Nh 和N为层h和全区的单元数；σh2和σ 2分别代表层h和全区Y值的方差；SSW和SST分别为层内方差之和及全区总方差[30].
2 结果与分析 2.1 土地利用变化特征分析酒泉市未利用地覆盖了79%的面积, 是主要的景观类型（表 2）.耕地、林地和建设用地主要分布在疏勒河和黑河两岸的绿洲区（图 6）.草地除在疏勒河沿岸呈水平带状分布外, 在瓜州北部、玉门南部及阿克塞和肃北分布均较广泛.其余区域均为未利用地.研究期间各类用地面积均有所变化.1990 ~ 2020年间, 耕地、水域和建设用地面积均呈显著增加趋势, 尤其是耕地和建设用地在2000年后增幅明显加快, 30年内分别增加了899.86 km2和229.22 km2.林地、草地和未利用地面积总体呈减小趋势, 分别减少了12.57、51.06和1 259.41 km2.其中, 耕地面积的增加主要是由草地和未利用地转换而来（表 3）, 分别占耕地转入总面积的27.64%和62.9%.水域面积的增加主要是由未利用地转换而来, 占水域转入总面积的84.05%, 建设用地面积的增加主要由耕地、草地和未利用地转换而来, 分别占建设用地转入总面积的9.73%、9.17%和79.88%.综上, 未利用地向其它地类转换、草地向耕地和建设用地转换以及耕地向建设用地转换是研究区土地利用类型转换的主要方式.
|
|
表 2 酒泉市1990 ~ 2035年各土地利用类型面积 Table 2 Area of Jiuquan City by land use type from 1990 to 2035 |
|
图 6 酒泉市2035年不同情景土地利用分布 Fig. 6 Land use distribution map of Jiuquan City in different scenarios in 2035 |
|
|
表 3 酒泉市1990 ~ 2020年土地利用转移矩阵/km2 Table 3 Jiuquan City land use transfer matrix from 1990 to 2020/km2 |
2035年模拟结果显示, 酒泉市4种情景的土地利用空间分布格局基本一致, 但不同情景各类用地变化有所差异.在自然保护和集约发展情景中, 林地和未利用地面积呈减少趋势, 其余地类均呈增加趋势.自然保护情景中因延续历史发展规律建设用地面积增幅最大, 主要以外延式扩张为主（图 6）, 对草地和耕地的侵占作用较为明显.而在集约发展情景中建设用地面积增幅相对较小, 扩张方式明显不同于自然发展情景, 分别在敦煌、瓜州、玉门和酒泉等绿洲区的城镇开发边界内扩张较为显著, 主要以填充式为主.可见, 城镇开发边界将在一定程度上限制建设用地扩张趋势, 对生态用地起到一定的保护作用.在水资源约束和生态保护情景中, 除未利用地面积减小外其余地类均呈增加趋势.因受2035年用水总量限制, 水资源约束情景中耕地和建设用地面积增幅最小.在生态保护情景中因对生态环境保护力度大, 耕地、林地、草地和水域面积增幅最大, 且主要由未利用地转换而来.综上, 生态保护情景中耕地、林地、草地和水域面积均大于其它情景, 生态保护发展模式可在一定程度上改善区域生态环境质量.
2.2 碳储量变化特征分析 2.2.1 时间变化特征由表 4可知, 1990 ~ 2020年酒泉市碳储量虽先增后减, 但总体呈增加趋势, 增量为61 562.87 t.其中1990 ~ 2010年碳储量呈增加趋势, 主要原因是由耕地面积增加所致.而在2010 ~ 2020年碳储量呈小幅减小趋势, 其原因是这一时期建设用地面积迅速扩张, 10年间增加了224.73 km2, 建设用地扩张使得林地和草地面积萎缩, 进而导致区域碳储量有所减小.从土地利用类型看, 草地碳储量贡献最大, 贡献率均值为54.338%, 其次是未利用地和耕地, 贡献率均值分别约为38.996%和4.795%, 林地、水域和建设用地贡献率均值较小, 分别为1.885%、0.012%和0.003%.
|
|
表 4 酒泉市1990 ~ 2035年各土地利用类型碳储量及贡献率1） Table 4 Carbon storage and contribution rate of various land use types in Jiuquan City from 1990 to 2035 |
相比2020年, 2035年自然发展、集约发展、水资源约束和生态保护这4个情景的碳储量均呈增加趋势, 分别增加了21 098.87、23 134.86、21 416.19和76 989.29 t.从各土地利用类型看, 4种情景下耕地、草地、水域和建设用地碳储量均有所增加, 未利用地碳储量则有所减少.其中自然发展情景碳储量增幅最小, 表明传统的发展模式已不适合酒泉市未来发展趋势, 需及时调整发展策略.水资源约束情景中为实现2035年节约用水目标对耕地面积进行约束, 相比其它情景一定程度上减弱了此情景耕地的固碳作用.集约发展中因对城镇开发边界进行约束, 对绿洲区的耕地和草地起到了较好的保护作用, 再加上未利用地向其它地类的转化, 使得研究区整体固碳能力和碳储量明显增加.生态保护情景中因对耕地、林地、草地和水体等生态用地保护力度加强, 使得该情景碳储量增幅最高.相比其它3种情景, 该情景中耕地、林地、草地和水体的碳储量增幅均最为明显, 表明生态保护情景是提高酒泉市生态系统碳储量的最佳发展模式.
2.2.2 空间变化特征如图 7所示, 酒泉市1990 ~ 2020年和2035年4种情景的碳储量空间分布格局基本一致.南部阿尔金山和党河南山等地区因常年受冰川积雪融水补给, 植被覆盖度较高, 碳储量也较高.中部区域碳储量高值区主要沿疏勒河呈水平带状分布, 其中敦煌、瓜州和玉门等绿洲区域碳储量高值最为集中.北部地区以马鬃山为中心的局部区域碳储量较高.
|
图 7 酒泉市1990 ~ 2035年碳储量空间分布及变化 Fig. 7 Spatial distribution and variation in carbon storage in Jiuquan City from 1990 to 2035 |
为更加清晰地反映不同时段碳储量的空间演变趋势, 本文将酒泉市1990 ~ 2020年以及2020 ~ 2035年各情景的碳储量进行空间叠加分析和可视化处理, 将碳储量空间变化类型分为减少区（< -100 kg·km-2）、几乎不变区（增减量= ± 100 kg·km-2）和增加区（增加量 > 100 kg·km-2）这3类.统计不同时段内碳储量的空间变化对识别生态环境恶化区、制定多元生态调控对策至关重要.1990 ~ 2020年酒泉市碳储量基本不变区、减少区和增加区分别占区域总面积的91.69%、3.73%和4.85%.碳储量变化较为明显的区域主要集中在黑河及疏勒河流域的绿洲区, 该区因受城市建设及耕地开发影响, 土地利用类型转换较为频繁, 导致碳储量空间变化明显.除绿洲区外, 其余地区也有较为明显的变化, 但分布较为零散.2020 ~ 2035年各情景碳储量空间变化存在一定差异.在自然发展和集约发展情景下中部和东部地区建设用地和耕地扩张明显, 碳储量明显降低.集约发展情景中因对城镇开发边界进行限制, 一定程度上缓解了部分区域碳储量的减小趋势, 同时该区也伴随着未利用地向碳储量较高的其它地类转变, 因此也有明显的碳储量增加区.而在水资源约束和生态保护情景中建设用地扩张面积相对较小, 在中部和东部地区碳储量并无明显减小现象.其中, 生态保护情景中研究区南部、中部和北部地区碳储量增加最为显著.
2.3 地类转换对碳储量变化的影响因不同土地利用类型碳密度差异的影响, 区域地类发生转变必然会导致碳储量变化.本文对酒泉市1990 ~ 2020年间由地类转换引起的碳储量变化进行定量分析（表 5）.结果显示, 1990 ~ 2020年间酒泉市耕地、林地和草地向其它地类转换使得总碳储量损失较为明显, 其中耕地大面积转换为水域、建设用地和未利用地导致总碳储量损失6 372.55 t.林地向其它地类转换导致总碳储量损失16 185.04 t, 草地转换为耕地、水域、建设用地和未利用地导致总碳储量损失126 168.87 t, 草地面积大量转换成未利用地是造成碳储量损失的主要原因, 约占损失总量的85%.水域、建设用地和未利用地转换使得总碳储量增加了6 355.32、6 577.31和197 356.71 t.综上, 耕地、林地和草地向其它地类转换是造成生态系统碳损失和改变区域碳收支平衡的关键因素, 加强对耕地、林地和草地的保护力度、积极实施生态保护重大修复工程是提高区域碳储量的必要手段.
|
|
表 5 基于土地利用转换的碳储量变化 Table 5 Carbon stock change based on land use conversion |
2.4 碳储量空间分异驱动因素
本文选择高程（X1）、坡度（X2）、气温（X3）、降水（X4）、NDVI（X5）、土地利用程度（X6）、人口密度（X7）、GDP密度（X8）和MNDWI（X9）这9个影响因子对酒泉市碳储量空间分异驱动力进行分析, 并对其进行最优离散化处理（图 8）.结果显示, 不同离散方式和不同区间组合的q值明显不同, 以高程为例, 自然断点分类法区间数量为9时q值最大, 因此高程在地理探测器中应以自然断点分类法分为9类为最优参数选择, 其余驱动因子同理[29].
|
图 8 连续型因子最优离散 Fig. 8 Continuous factor is optimally discrete |
从单因子分析来看[图 9（a）], 各因子对酒泉市碳储量空间分布特征均有显著驱动作用（P值均小于0.01）.人为影响因子中土地利用程度、人口密度和GDP密度q值较高, 其中土地利用程度对碳储量空间分异解释力最强, q值为0.849.自然影响因子中仅NDVI对碳储量空间分异具有较强的解释力, q值为0.234.从交互因子分析来看[图 9（b）], 任意两个因子交互q值均大于单因子q值, 其中X7和X8与X1、X2、X3和X4交互均呈明显非线性增强, 表明人口密度和GDP密度与高程、坡度、气温和降水在特定组合条件下会极大地增强各因子对碳储量空间分布的影响.土地利用程度与其它因子交互虽多为线性增长, 但交互值均较高（q > 0.85）, 表明土地利用程度与其它因子相互作用是造成酒泉市碳储量空间分布特征的决定性因素.
|
图 9 单因子探测和交互因子作用结果 Fig. 9 Factor detection and interactive detection results |
土地利用变化会改变生态系统的结构和功能, 进而影响生态系统碳循环过程, 而碳储量也可在一定程度上反映区域内土地利用状况[30, 31].本研究表明, 酒泉市1990 ~ 2010年碳储量呈增加趋势, 主要原因是耕地面积增加所致.自1983年以来, 酒泉市陆续实施两西计划移民、疏勒河建设项目移民和九甸峡移民等多项移民计划, 截至2008年累计移民约15万人, 开发耕地面积超过7 500 km2, 主要集中在瓜州、玉门和酒泉等绿洲区[32].因此耕地增加是该时期碳储量快速增长的主要原因.此外, 酒泉市始终高度重视生态环境保护.一是着力实施封滩育林、退耕还林和退牧还草等重点生态建设工程, 二是全面推进节水型社会建设, 相继出台了禁止无序移民、禁止无序开垦和禁止无序打井的“三禁”决定, 并实施灌区续建配套与节水改造等工程[19], 促使区域生态环境持续改善, 对防止生态系统碳储量损失起到关键作用[33, 34].而在2010 ~ 2020年酒泉市碳储量呈小幅减小趋势, 其原因是建设用地面积迅速扩张所致, 且建设用地扩张主要以未利用地、耕地和草地为代价.耕地和草地面积的减少对区域生态系统碳储量造成一定损失.值得注意的是, 本研究期间草地和林地面积萎缩虽导致碳储量有所减少, 但未利用地转换为其它地类也使得碳储量大幅增加[35, 36].因此, 1990 ~ 2020年间酒泉市碳储量仍呈总体上升趋势.
本研究表明, 2035年4个情景中碳储量均呈增加趋势, 这与相关研究结论有所差异.其一, 部分研究结果中以经济发展为目标的情景碳储量呈下降趋势[4, 37], 而本文集约发展情景碳储量呈增加趋势.主要原因是近年来国家始终高度重视生态、农业空间保护, 不断加大“三线”管控力度[38], 本文在集约发展情景中对城镇开发边界进行限制, 一定程度上缓解了建设用地对草地、耕地和水域的侵占力度.因此, 该情景中城镇扩张并未对碳储量造成严重损失.其二, 有研究表明, 近年来东部地区碳储量呈下降趋势, 且未来几十年内将持续下降[39, 40].主要原因是东部地区城市化速度快, 建设用地扩张大量侵占耕地、林地和草地, 进而导致区域碳储量明显下降.而西北干旱区城市化速度相对缓慢, 城镇扩张主要以碳储量较低的草地和未利用地为代价, 并未对区域碳储量造成严重损失, 因此区域生态系统碳储量变化也与城市化速度及水平密切相关[41 ~ 43].4个情景中, 生态保护情景碳储量最高且空间上增加最为明显, 仅野马南山、敦煌绿洲和肃州区局部区域有轻微减小现象.因此, 基于“双碳”战略目标, 生态保护情景最有利于提高酒泉市生态系统碳储量.但值得注意的是, 酒泉市水资源短缺, 生产力发展水平与水资源供给矛盾突出, 严重制约该区经济发展.酒泉市今后发展中应在提高生态系统碳储量的基础上实施节水优先发展战略.酒泉市耕地类型均为水浇地, 农业用水占区域用水总量的83%以上, 同时以高耗水农作物类型和漫灌式灌溉方式为主[16].压减传统耕地面积及提高农业用水效率是酒泉市建设节水型社会的关键.农业种植应大力发展基质枕栽培模式、积极推广滴灌、管灌、喷灌和微灌等节水工程, 不断完善节水农业体系建设.同时还应加强地下水开采综合治理, 落实禁采区、限采区及年限划定, 建立地下水水位和取水总量双控指标体系.并在工业用水方面积极开展重点行业清洁生产审核和严控企业废水达标排放, 提高工业废水处理回用水平[16, 33].此外, 在生态保护情景中耕地和建设用地面积远超水资源约束情景耕地和建设用地面积的最高限制.为保障区域用水安全, 规避过度耗水导致生态环境退化的潜在风险, 需对耕地和建设用地面积及扩张边界进行限制, 同时加强林地和草地等生态用地保护, 以此进一步提高区域生态系统碳储量, 促进区域可持续发展.
3.2 碳储量空间分异驱动因素单因子检测结果表明, 人为影响因子中土地利用程度（0.849）、人口密度（0.285）和GDP（0.233）密度对酒泉市碳储量空间分异的解释力较强, 这与前人研究成果较为一致[4].研究区内酒泉、玉门、瓜州和敦煌等绿洲区人口聚集, 经济发展水平高, 大面积开垦荒地和城市开发建设使得部分草地被改造为碳储量较低的耕地和建设用地, 与周围绿洲区域形成明显对比, 表明人类对土地的利用方式和开发程度是造成碳储量空间分布特征的主要驱动力.自然因子中NDVI（0.234）对研究区碳储量空间分异的解释力较强, 林地和草地是陆地生态系统极为重要的碳库, 因此植被覆盖度高的区域碳储量高.酒泉市南部地区碳储量高值最为集中, 主要原因是该区涵盖祁连山国家公园、盐池湾、昌马河和南山等多个自然保护区, 区域受降水和冰川积雪融水的长期补给使得植被覆盖度明显高于其他区域.中部区域碳储量高值多集中在疏勒河和黑河流域的绿洲区, 土地利用类型以草地、耕地为主, 碳储量明显高于周围荒漠地区.北部马鬓山区域碳储量较高, 植被类型以草地为主.从交互因子看, 人为影响因子中的土地利用程度、人口密度和GDP密度与高程、坡度、气温和降水等自然因素在特定组合条件下会极大地增强各因子对碳储量空间分布的影响, 说明酒泉市碳储量空间分异是自然地理与社会经济因素共同作用的结果.因此, 未来酒泉市在生态保护与风险管控实践中应根据不同驱动因子作用特点采取差异化多元调控策略, 选择与区域自然条件和社会经济发展水平相适应的土地利用开发模式, 避免不合理的人类活动与自然及社会经济因子的协同作用对区域生态系统产生更大的压力[44].
3.3 本研究的创新、不确定性和展望本文根据干旱区自然地理特征从水资源约束角度构建了一个新的土地利用变化情景, 即水资源约束情景.并在集约发展情景中增加了空间规划政策对土地利用变化的引导机制.此外, 本文还采用参数最优地理探测器模型对连续型变量因子进行最优离散化处理, 更加客观地分析了各驱动因子对碳储量空间分异的影响程度.然而本文也存在一些不确定性.首先, 本文在水资源约束情景中忽略了用水效率提高对未来耕地和建设用地面积的影响作用.酒泉市水资源资料显示, 2006 ~ 2020年农业用水总量和建设用地综合用水总量均在减小, 但建设用地和耕地面积在持续增加, 表明用水效率会随生产技术水平的提高而提高.因此, 在2035年水资源总量一定时, 采用近5年用水量平均值计算的耕地和建设用地面积可能偏小.其次, 本文忽略了节约水资源对区域碳储量的潜在影响.节约用水必然会减少对酒泉市地表与地下水的开采量, 节约水资源将有可能改善地表植被分布特征[45], 而由此间接性带来的碳储量变化是很难衡量的.因此, 在今后的研究中还需对水资源约束情景中用水效率提高问题和节约用水与碳储量之间的关系进行深入探究, 并不断完善干旱区碳储量多情景评估体系.
4 结论（1）酒泉市未利用地为主要用地类型, 占研究区总面积的79%.1990 ~ 2020年酒泉市耕地、水域和建设用地面积均呈显著增加趋势, 其余地类面积呈减小趋势.相比其他情景, 2035年生态保护情景中耕地、林地、草地和水域面积增幅最高.
（2）1990 ~ 2020年, 酒泉市碳储量整体呈增加趋势, 增量为61 562.87 t.从土地利用类型看, 草地碳储量贡献最大, 贡献率均值为54.338%.2035年4个情景中生态保护情景碳储量增加最为显著, 增量为76 989.29 t.酒泉市北部、南部高海拔地区及中部绿洲区碳储量较高, 其余区域均较低.
（3）酒泉市耕地、林地和草地向其它地类转换使得总碳储量减少, 分别损失了6 372.55、16 185.04和126 168.87 t, 草地向未利用地转换是造成碳储量损失的主要原因, 约占损失总量的85%.水域、建设用地和未利用地向其它地类转换使得总碳储量增加了6 355.32、6 577.31和197 356.71 t.
（4）土地利用程度、人口密度、人均GDP密度和NDVI是酒泉市碳储量空间分异的主要驱动因子, 其中土地利用程度解释力最强（q值为0.849）.自然与人为因子的交互作用增强了各因子对碳储量空间分异的解释力.
| [1] |
刘杰, 马艳婷, 王宪玲, 等. 渭北旱塬土地利用方式对土壤团聚体稳定性及其有机碳的影响[J]. 环境科学, 2019, 40(7): 3361-3368. Liu J, Ma Y T, Wang X L, et al. Impact of land use type on the stability and organic carbon content of soil aggregates in the Weibei Dryland[J]. Environmental Science, 2019, 40(7): 3361-3368. |
| [2] | IPCC. 2019 Refinement to the 2006 IPCC guidelines for national greenhouse gas inventories [R]. Switzerland: Intergovernmental Panel on Climate Change, 2019. |
| [3] |
邵壮, 陈然, 赵晶, 等. 基于FLUS与InVEST模型的北京市生态系统碳储量时空演变与预测[J]. 生态学报, 2022, 42(23): 9456-9469. Shao Z, Chen R, Zhao J, et al. Spatio-temporal evolution and prediction of carbon storage in Beijing's ecosystem based on FLUS and InVEST models[J]. Acta Ecologica Sinica, 2022, 42(23): 9456-9469. |
| [4] |
如克亚·热合曼, 阿里木江·卡斯木, 希丽娜依·多来提, 等. 天山北坡城市群碳储量时空变化及预测研究[J]. 中国环境科学, 2022, 42(12): 5905-5917. Reheman·Rukeya, Kasimu·Alimujiang, Duolat·Xilinayi, et al. Temporal and spatial variation and prediction of carbon storage in urban agglomeration on the northern slope of Tianshan Mountains[J]. China Environmental Science, 2022, 42(12): 5905-5917. DOI:10.3969/j.issn.1000-6923.2022.12.048 |
| [5] |
朱文博, 张静静, 崔耀平, 等. 基于土地利用变化情景的生态系统碳储量评估——以太行山淇河流域为例[J]. 地理学报, 2019, 74(3): 446-459. Zhu W B, Zhang J J, Cui Y P, et al. Assessment of territorial ecosystem carbon storage based on land use change scenario: a case study in Qihe River Basin[J]. Acta Geographica Sinica, 2019, 74(3): 446-459. |
| [6] |
高星, 杨刘婉青, 李晨曦, 等. 模拟多情景下白洋淀流域土地利用变化及生态系统服务价值的空间响应[J]. 生态学报, 2021, 41(20): 7974-7988. Gao X, Yang L W Q, Li C X, et al. Land use change and ecosystem service value measurement in Baiyangdian Basin under the simulated multiple scenarios[J]. Acta Ecologica Sinica, 2021, 41(20): 7974-7988. |
| [7] | Hu S, Chen L Q, Li L, et al. Simulation of land use change and ecosystem service value dynamics under ecological constraints in Anhui Province, China[J]. International Journal of Environmental Research and Public Health, 2020, 17(12). DOI:10.3390/ijerph17124228 |
| [8] | Zhao Q Q, Li J, Cuan Y D, et al. The evolution response of ecosystem cultural services under different scenarios based on system dynamics[J]. Remote Sensing, 2020, 12(3). DOI:10.3390/rs12030418 |
| [9] | van Vliet J, Hurkens J, White R, et al. An activity-based cellular automaton model to simulate land-use dynamics[J]. Environment and Planning B: Urban Analytics and City Science, 2012, 39(2): 198-212. |
| [10] | Ji Z X, Wei H J, Xue D, et al. Trade-off and projecting effects of land use change on ecosystem services under different policies scenarios: a case study in central China[J]. International Journal of Environmental Research and Public Health, 2021, 18(7). DOI:10.3390/ijerph18073552 |
| [11] |
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. DOI:10.3969/j.issn.1000-6923.2022.06.052 |
| [12] | Liang X, Liu X P, Li D, et al. Urban growth simulation by incorporating planning policies into a CA-based future land-use simulation model[J]. International Journal of Geographical Information Science, 2018, 32(11): 2294-2316. DOI:10.1080/13658816.2018.1502441 |
| [13] | 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 |
| [14] | Gao X, Wang J, Li C X, et al. Land use change simulation and spatial analysis of ecosystem service value in Shijiazhuang under multi-scenarios[J]. Environmental Science and Pollution Research, 2021, 28(24): 31043-31058. DOI:10.1007/s11356-021-12826-9 |
| [15] | Goldstein J H, Caldarone G, Duarte T K, et al. Integrating ecosystem-service tradeoffs into land-use decisions[J]. Proceedings of the National Academy of Sciences of the United States of America, 2012, 109(19): 7565-7570. |
| [16] |
周欣, 秦绪明, 徐怒潮, 等. 酒泉市水生态环境问题及保护修复对策[J]. 环境保护科学, 2021, 47(2): 62-70. Zhou X, Qin X M, Xu N C, et al. Main problems and restoration countermeasures of water eco-environment in Jiuquan City[J]. Environmental Protection Science, 2021, 47(2): 62-70. |
| [17] |
欧阳兴涛, 廖浩宇, 姜秋香, 等. 基于改进水资源生态足迹模型的中国水资源可持续利用仿真及调控[J]. 环境科学, 2023, 44(3): 1368-1377. Ouyang X T, Liao H Y, Jiang Q X, et al. Simulation and regulation of sustainable utilization of water resources in China based on improved water resources ecological footprint model[J]. Environmental Science, 2023, 44(3): 1368-1377. DOI:10.3969/j.issn.1000-6923.2023.03.038 |
| [18] | 张玲. 借鉴以色列沙漠农业成功经验促进酒泉市戈壁农业发展的几点思考[J]. 甘肃农业, 2019(4): 77-78. |
| [19] | 曹诚, 陈永宁. 生态脆弱地区绿色金融发展[J]. 中国金融, 2017(20): 92-93. |
| [20] |
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. |
| [21] | 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 |
| [22] | Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature[J]. Nature, 2000, 404(6780): 858-861. DOI:10.1038/35009076 |
| [23] |
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. |
| [24] |
杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟——以汉中市为例[J]. 干旱区资源与环境, 2022, 36(10): 86-95. Yang S, Su H, Zhao G P. Multi-scenario simulation of urban ecosystem service value based on PLUS model: a case study of Hanzhong city[J]. Journal of Arid Land Resources and Environment, 2022, 36(10): 86-95. |
| [25] | Xie L, Wang H W, Liu S H. The ecosystem service values simulation and driving force analysis based on land use/land cover: a case study in inland rivers in arid areas of the Aksu River Basin, China[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108828 |
| [26] |
孙毅中, 杨静, 宋书颖, 等. 多层次矢量元胞自动机建模及土地利用变化模拟[J]. 地理学报, 2020, 75(10): 2164-2179. Sun Y Z, Yang J, Song S Y, et al. Modeling of multilevel vector cellular automata and its simulation of land use change[J]. Acta Geographica Sinica, 2020, 75(10): 2164-2179. |
| [27] |
包志炎, 郑高安, 王萱, 等. 基于模糊数据挖掘的灌区水资源配置研究[J]. 农业机械学报, 2020, 51(8): 270-277. Bao Z Y, Zheng G A, Wang X, et al. Water resources allocation of irrigation district based on fuzzy data mining[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(8): 270-277. |
| [28] |
牛志君, 周亚鹏, 王树涛, 等. 县域土地利用变化对碳储量的影响与评价——以黑龙港流域巨鹿县为例[J]. 水土保持研究, 2018, 25(3): 292-297, 304. Niu Z J, Zhou Y P, Wang S T, et al. Influence and evaluation of land use change on carbon storage on county scale——a case study of Julu County in Heilonggang basin[J]. Research of Soil and Water Conservation, 2018, 25(3): 292-297, 304. |
| [29] |
李琛, 吴映梅, 高彬嫔, 等. 高原湖泊乡村聚落空间分异及驱动力探测——以环洱海地区为例[J]. 经济地理, 2022, 42(4): 220-229. Li C, Wu Y M, Gao B P, et al. Spatial differentiation and driving factors of rural settlement in plateau lake: a case study of the area around the Erhai[J]. Economic Geography, 2022, 42(4): 220-229. |
| [30] |
向书江, 张骞, 王丹, 等. 近20年重庆市主城区碳储量对土地利用/覆被变化的响应及脆弱性分析[J]. 自然资源学报, 2022, 37(5): 1198-1213. Xiang S J, Zhang Q, Wang D, et al. Response and vulnerability analysis of carbon storage to LUCC in the main urban area of Chongqing during 2000-2020[J]. Journal of Natural Resources, 2022, 37(5): 1198-1213. |
| [31] |
付超, 于贵瑞, 方华军, 等. 中国区域土地利用/覆被变化对陆地碳收支的影响[J]. 地理科学进展, 2012, 31(1): 88-96. Fu C, Yu G R, Fang H J, et al. Effects of land use and cover change on terrestrial carbon balance of China[J]. Progress in Geography, 2012, 31(1): 88-96. |
| [32] | 田生才. 酒泉市移民政策完善对策研究[D]. 兰州: 西北师范大学, 2015. |
| [33] |
罗志桢. 酒泉市水资源现状及面临的问题与对策[J]. 中国农业资源与区划, 2007, 28(4): 13-16. Luo Z Z. Present status of water resources in Jiuquan city and problems facing it and countermeasures[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2007, 28(4): 13-16. |
| [34] |
刘海龙, 石培基. 绿洲型城市空间扩展的模拟及多情景预测——以酒泉、嘉峪关市为例[J]. 自然资源学报, 2017, 32(12): 2075-2088. Liu H L, Shi P J. The simulation and multi-scenario forecast of urban spatial expansion in oasis cities —Take Jiuquan and Jiayuguan cities as examples[J]. Journal of Natural Resources, 2017, 32(12): 2075-2088. |
| [35] | Cao S X, Chen L, Shankman D, et al. Excessive reliance on afforestation in China's arid and semi-arid regions: lessons in ecological restoration[J]. Earth-Science Reviews, 2011, 104(4): 240-245. DOI:10.1016/j.earscirev.2010.11.002 |
| [36] | Liu Z F, Yang Y J, He C Y, et al. Climate change will constrain the rapid urban expansion in drylands: a scenario analysis with the zoned Land Use Scenario Dynamics-urban model[J]. Science of the Total Environment, 2018, 651: 2772-2786. |
| [37] |
孙欣欣, 薛建辉, 董丽娜. 基于PLUS模型和InVEST模型的南京市生态系统碳储量时空变化与预测[J]. 生态与农村环境学报, 2023, 39(1): 41-51. Sun X X, Xue J H, Dong L N. Spatiotemporal change and prediction of carbon storage in Nanjing ecosystem based on PLUS model and In-VEST model[J]. Journal of Ecology and Rural Environment, 2023, 39(1): 41-51. |
| [38] |
张斌, 李璐, 夏秋月, 等. "三线"约束下土地利用变化及其对碳储量的影响——以武汉城市圈为例[J]. 生态学报, 2022, 42(6): 2265-2280. Zhang B, Li L, Xia Q Y, et al. Land use change and its impact on carbon storage under the constraints of "three lines": a case study of Wuhan City circle[J]. Acta Ecologica Sinica, 2022, 42(6): 2265-2280. |
| [39] |
林彤, 杨木壮, 吴大放, 等. 基于InVEST-PLUS模型的碳储量空间关联性及预测——以广东省为例[J]. 中国环境科学, 2022, 42(10): 4827-4839. Lin T, Yang M Z, Wu D F, et al. Spatial correlation and prediction of land use carbon storage based on the InVEST-PLUS model- a case study in Guangdong Province[J]. China Environmental Science, 2022, 42(10): 4827-4839. |
| [40] |
朱志强, 马晓双, 胡洪. 基于耦合FLUS-InVEST模型的广州市生态系统碳储量时空演变与预测[J]. 水土保持通报, 2021, 41(2): 222-229, 239. Zhu Z Q, Ma X S, Hu H. Spatio-temporal evolution and prediction of ecosystem carbon stocks in Guangzhou city by coupling FLUS-InVEST models[J]. Bulletin of Soil and Water Conservation, 2021, 41(2): 222-229, 239. |
| [41] |
安佑志, 张庆军. 快速城市化对上海地区植被和土壤碳储量时空变化的影响研究[J]. 环境科学与管理, 2016, 41(8): 152-155, 170. An Y Z, Zhang Q J. Impact of rapid urbanization on temporal and spatial variation of Shanghai vegetation and soil carbon storage[J]. Environmental Science and Management, 2016, 41(8): 152-155, 170. |
| [42] |
徐丽, 于贵瑞, 何念鹏. 1980s-2010s中国陆地生态系统土壤碳储量的变化[J]. 地理学报, 2018, 73(11): 2150-2167. Xu L, Yu G R, He N P. Changes of soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s[J]. Acta Geographica Sinica, 2018, 73(11): 2150-2167. |
| [43] |
陈美景, 王庆日, 白中科, 等. 碳中和愿景下"三生空间"转型及其碳储量效应——以贵州省为例[J]. 中国土地科学, 2021, 35(11): 101-111. Chen M J, Wang Q R, Bai Z K, et al. Transition of "Production-Living-Ecological" space and its carbon storage effect under the vision of carbon neutralization: a case study of Guizhou Province[J]. China Land Science, 2021, 35(11): 101-111. |
| [44] |
张弛, 李枝坚, 曾辉. 基于小波变换的生态系统服务权衡尺度效应与影响因素研究——以珠江三角洲为例[J]. 地理研究, 2022, 41(5): 1279-1297. Zhang C, Li Z J, Zeng H. Scale effects on ecosystem service trade-off and its influencing factors based on wavelet transform: a case study in the Pearl River Delta, China[J]. Geographical Research, 2022, 41(5): 1279-1297. |
| [45] |
邓铭江. 中国西北"水三线"空间格局与水资源配置方略[J]. 地理学报, 2018, 73(7): 1189-1203. Deng M J. Three Water Lines" strategy: its spatial patterns and effects on water resources allocation in northwest China[J]. Acta Geographica Sinica, 2018, 73(7): 1189-1203. |