2. 中国人民解放军93617部队, 北京 101400
2. People's Liberation Army of China Unit 93617, Beijing 101400, China
大气二氧化碳浓度升高引起的全球变暖导致生态系统服务和生物多样性退化, 进而影响人类生活和生态健康[1, 2]. 因此, 增加地球生态系统碳储量, 减少碳排放已成为社会发展共识[3]. 陆地生态系统作为全球碳储存的重要组成部分, 通过生物量捕获大气中的二氧化碳, 成功减缓了气候变化[4]. 有研究表明土地利用是地表系统最直观和最广泛的代表[5], 涵盖了地上生物量、地下生物量、土壤生物量和死亡生物量这4种碳储存载体[6]. 由于不同土地利用类型的固碳能力存在显著差异, 其变化直接影响植被和土壤的分布, 进而改变了陆地生态系统的碳储量[7]. Zhang等[8]研究表明, 1980~2010年的土地利用变化导致中国陆地生态系统的碳损失了279 Tg. 政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)报告指出, 土地利用变化导致碳以1.5 Pg·a-1的速率释放到大气中, 这表明土地利用变化极大地影响了全球陆地生态系统的碳循环[9, 10]. 因此, 根据土地利用类型的变化分析区域碳储量的动态特征成为学者们关注的重要内容, 包括土地利用结构变化引起的碳平衡变化[11]、未来情景下的碳储存潜力[12]以及土地资源管理对碳平衡的影响等[13].
已有研究中碳储量的计算包括2类研究方法, 一类是借助地球物理和化学过程进行量化评价的实地调查法, 主要应用于小尺度地区[14];另一类是基于不同土地利用类型碳密度的综合模型算法, 多运用于中宏观尺度[15]. 第二类方法的可操作性强, 应用较广, 在此基础上学者们通过CA-Markov模型对未来的土地利用类型进行了模拟[16~18], 进一步应用InVEST模型计算区域未来的碳储量[19]. 例如, Liang等[4]、Nie等[10]和Liu等[20]应用第二类方法对中国黄土高原地区、广西南宁和海南岛的土地利用类型与碳储量的动态演变特征进行了分析, 研究结果为区域发展规划制定提供了理论依据.
粤港澳大湾区作为中国开放程度最高、经济活力最强和人口最密集的区域之一, 经历了快速的城市扩张和经济发展[21], 此过程不可避免地导致区域碳排放增加, 影响了生态系统的平衡. 有研究表明, 广东省碳储量高值区分布在建设用地少、生态用地多且连片的粤北地区, 低值区分布在国土开发强度和生态用地破碎化程度高的珠江三角洲地区[22, 23]. 此外, 吴隽宇等[24, 25]和林媚珍等[26]对粤港澳大湾区不同时期的碳储量和生态系统服务价值变化进行了研究, 揭示了其动态变化的过程及影响因素. 尽管学者们针对粤港澳大湾区的碳储量变化进行了研究, 然而, “碳达峰碳中和”发展目标下, 粤港澳大湾区该如何减排, 如何协调区域发展和生态系统的关系, 这一系列问题的解决既需要掌握土地利用类型与碳储量的影响机制, 也需要进行未来土地利用类型和碳储量的模拟分析. 基于此, 本文首先分析2000~2020年粤港澳大湾区土地利用类型和碳储量的动态变化特征, 通过揭示二者的影响过程模拟2030年不同情景下(自然趋势情景、建设用地优先情景和生态优先情景)的土地利用类型和碳储量;然后基于研究结果为“双碳”目标下粤港澳大湾区的国土空间规划提出建议.
1 材料与方法 1.1 研究区域粤港澳大湾区位于珠江流域下游, 包括广州、深圳、珠海、佛山、惠州、东莞、中山、江门和肇庆这9个地级市, 及香港和澳门这2个特别行政区, 陆地总面积约5.6万km2(图 1). 研究区地理位置优越(21°34′~24°23′N, 111°21′~115°25′E), “三面环山, 三江汇聚”, 具有漫长的海岸线、良好的港口群和广阔的海域面, 东、西、北三面丘陵台地环抱, 中部平原广阔. 气候类型为亚热带湿润季风气候, 年均温度为21~22℃, 年降水量为1 600~2 000 mm. 粤港澳大湾区是国务院2015年提出的战略规划, 是珠江三角洲最重要的经济中心之一. 2020年末常住人口达8 617.19万人, 地区生产总值为11.5万亿元(港币和澳门币已换算为人民币, 下同), 占全国6%的人口和9.5%的经济总量, 是全球四大湾区之一, 也是我国建设高质量发展的世界级城市群的重要载体.
土地利用数据源于GlobalLand(www.globallandcover.com), 分辨率为30 m, 选择研究区2000、2010和2020年的土地覆被数据, 结合实际情况将地类合并为耕地、林地、草地、湿地、水体、建设用地和裸地这7种类型. 土地利用类型的碳密度数据分为地上生物、地下生物、土壤有机质和死亡有机质这4类. 参考相关研究结果[20, 22~24, 26, 27], 总结出适用于本研究区域的碳密度数据, 如表 1所示.
模拟未来土地利用类型的驱动因子数据来源于地理空间数据云、中国科学院资源环境科学与数据中心和OpenStreetMap(OSM), 具体信息如表 2所示.
1.3 研究方法 1.3.1 土地利用动态变化分析
研究采用土地利用转移矩阵对其动态变化过程进行分析, 主要借助ArcGIS 10.2中的Field Calculator和Origin 2022绘制土地利用转换的空间位置图和转移矩阵图. 矩阵变化公式如下:
(1) |
式中, P为不同年份间土地利用的转移矩阵, 矩阵中的元素pij为类型i转移到类型j的概率或绝对面积.
1.3.2 土地利用类型模拟分析首先, 确定影响土地利用变化的自然和社会因子, 基于可获得的10个因子数据, 利用PLUS模型中的用地扩张分析策略(LEAS)模块计算各种土地利用类型的发展概率. 之后基于CA-Markov模型对研究区的土地利用状况进行模拟. 相关计算公式如下:
(1)马尔可夫模型(Markov)土地利用需求预测
(2) |
式中, Dt2为t2时的用地需求, Dt1为t1时的土地利用状态, P为不同年份间土地利用转移矩阵, a为年份差.
(2)未来土地利用类型的模拟与验证
随机森林算法(RFC)是一种基于决策树的综合分类器, 需要从土地利用扩张的图中随机抽取一个样本, 计算不同土地利用类型扩张与影响因子之间的关系, 由此获得不同用地类型分析单元的变化率, 计算公式如下[18]:
(3) |
式中, Pi, k为土地利用类型k在i位置扩张的概率;d的值为1或0;x为影响因子;I[hn(x)= d]为决策树集合的指示函数;hn(x)为影响因子x的第n棵决策树的预测类型;M为决策树的总数.
CA模型通过自适应因子影响土地利用类型, 以达到任意类型所需的数量, 将多类型随机斑块种子与下降阈值相结合, 可实现对土地利用斑块自动生成的时空动态模拟, 公式如下:
(4) |
式中, St和S(t+1)分别为土地利用类型在t时刻和t+1时刻的状态;N为邻近的单元格;f为土地利用类型的转换规则.
1.3.3 碳储量变化分析将表 1中不同土地利用类型的碳密度数据输入InVEST模型对区域碳储量进行模拟. 公式如下[28~30]:
(5) |
式中, C为研究区碳储量;i为土地利用类型;n为土地利用类型的个数;Ai为土地利用类型i的面积;Cai、Cbi、Csi和Cdi分别为i种土地利用类型地上生物、地下生物、土壤有机质和死亡有机质的碳密度.
本研究借助Moran's I指数分析碳储存的空间集聚特征[31, 32], 取值范围是[-1, 1]. 指数值大于0且越接近1, 表明碳储存在空间上正向相关, 集聚特征越显著;指数值小于0且越接近-1, 表明碳储存在空间上负相关, 集聚特征越显著;指数值为0表明碳储存在空间分布上是离散的[30, 33, 34].
1.3.4 未来模拟情景设定根据研究区的土地利用变化特征, 利用CA-Markov模型模拟自然趋势情景(natural trend scenario, NT)、建设用地优先情景(built-up land priority scenario, BP)和生态优先情景(ecological priority scenario, EP)下2030年的土地利用类型. 其中:①自然趋势情景假设未来土地利用变化将延续前一时期的变化趋势;②建设用地优先情景, 即经济发展加快, 其他土地利用类型转化为建设用地的比例增加. 模拟中将耕地、林地、草地和裸地向建设用地转移概率增加20%, 建设用地向其余用地类型的转移概率降低20%;③生态优先情景, 结合2020年的提出的“双碳”目标, 将生态保护放在重要位置, 限制森林、草地和湿地等向其他土地利用类型的转换. 模拟中将耕地、林地和草地向建设用地转移的概率降低20%, 湿地和水体向建设用地转换的概率降低30%[30, 35].
2 结果与分析 2.1 土地利用和碳储量的动态变化 2.1.1 土地利用变化特征如表 3所示, 粤港澳大湾区的主要用地类型是林地, 2000~2020年的占比分别是52.75%、53.20%和50.83%, 呈下降趋势, 空间分布于东、北、西三面丘陵台地(图 2). 耕地面积次之, 亦呈现不断下降的趋势. 建设用地面积占比从2000年的7.57%增加至2020年的16.25%, 集中于中部平原及环珠江口沿岸城市. 巨大的人口和资本流动是20年来建设用地迅速扩张的重要原因[24].
2000~2020年, 粤港澳大湾区土地类型总转移面积12 177.44 km2, 两个阶段的转移面积分别为8 547.89 km2(2000~2010年)和8 419.08 km2(2010~2020年), 见图 3. 不同阶段, 均以耕地的面积变化最为显著, 主要转换为林地(2000~2010年)和建设用地(2010~2020年). 另外, 受生态保护政策的影响, 部分耕地转变为水体. 2000~2010年, 耕地分别向建设用地和水体转出655.61 km2和835.72 km2. 2010~2020年, 耕地分别向建设用地和水体转出2 228.33 km2和642.43 km2. 第二阶段耕地向建设用地的转换面积约是第一阶段的3.4倍, 主要受到国家发展政策的支持. 2008年《珠江三角洲地区改革发展规划纲要(2008~2020)》发布, 2009年粤港澳三地编制《大珠江三角洲城镇群协调发展规划研究》, 2019年《粤港澳大湾区发展规划纲要》出台, 提出了大湾区的基本原则、战略定位、发展目标和空间布局, 在一系列政策的支持下, 粤港澳三地深入开展合作, 经济往来和区域建设的步伐显著加快. 另外, 2000~2010年耕地转为水体的面积大于2010~2020年的转换面积, 归因于粤港澳大湾区在第二阶段较快的发展速率, 尽管有政策法规提出保护水体, 仍不可避免被占用.
粤港澳大湾区2000、2010和2020年的碳储量分别为573.59×106、573.31×106和553.47×106 Mg, 累计损失了20.12×106 Mg. 2000~2020年碳储量的Moran's I指数值分别为0.811 6、0.828 5和0.825 8, 表明其空间分布集中, 高密度的碳储存区集中于东、北、西三面丘陵和台地地区, 最高值为25.15 Mg·hm-2;低密度的碳储存区集中于珠江口沿岸的广州市、深圳市、中山市、东莞市、珠海市和佛山市, 最低值为0(图 4). 总体来看, 空间分布格局呈现出“中部平原低、三面环山高”的特点, 在过去20 a保持相对稳定.
为进一步分析粤港澳大湾区碳储量的局部变化特征, 通过栅格计算将空间变化值分为3类:增加(0~25.15)、减少(-25.15~0)和基本不变(0). 如图 5所示, 2000~2020年, 东、北、西三面的丘陵和台地碳储量基本稳定, 土地类型以林地和草地为主. 碳储量增加区仅7.12%, 空间分布零散. 碳储量下降区占比14.20%, 集中于环珠江口沿岸城市, 这些地区的城市化水平高, 土地开发利用程度大, 人口密集, 对建设用地需求高, 开发过程中生态空间被蚕食, 导致区域碳储量不断下降. 分阶段来看, 碳储量基本稳定区占比达85%, 增加区和减少区的占比存在一定差异. 2000~2010年, 碳储量增加区和减少区分别占7.20%和7.38%, 增加区空间分布零散, 减少区集中于各市的中心城区;2010~2020年, 碳储量增加区占比减少, 仅为3.35%, 减少区占比增加至10.43%, 空间分布范围明显扩大, 城市发展水平相对较低的江门、肇庆和惠州等边缘城市随着建设用地面积的增加, 碳储量降低.
粤港澳大湾区不同土地利用类型的面积及碳密度均影响区域碳储量. 例如, 耕地的碳密度值7.37 Mg·hm-2, 随着面积下降, 碳储量从2000年的110.25×106 Mg减少为2020年的86.27×106 Mg. 林地的碳密度值(12.132 Mg·hm-2)较高, 碳储量亦占比较大(67%). 不同用地类型之间的转换改变了区域碳储量及其空间格局, 耕地、林地和建设用地是影响粤港澳大湾区碳储量变化的主要地类.
2000~2020年, 粤港澳大湾区从耕地向其它地类转换导致的碳储存损失量为607 524.60 Mg(表 4). 耕地向建设用地的转换面积最大, 为2 717.86 km2, 损失了667 533.57 Mg的碳. 随着粤港澳大湾区建设规划的快速推进, 区域建设的步伐加快, 2010年之后耕地向建设用地的转换速率明显快于2010年之前, 由此导致的碳储存损失率是之前的3.40倍. 耕地向林地(990.4 km2)、草地(181.72 km2)和湿地(0.64 km2)的转变受益于国家退耕还林还湿的生态政策, 碳储量增加了523 704.57 Mg. 鉴于湿地(25.15 Mg·hm-2)的碳密度高于林地(12.13 Mg·hm-2)和草地(10.19 Mg·hm-2), 其转换面积虽小, 碳储量仍增加了1 138.75 Mg.
2000~2020年, 林地分别向耕地和草地转出1020.72 km2和1 080.78 km2, 导致碳储量损失了696 267.61 Mg(表 5). 其中, 向耕地转变导致的碳损耗量大, 主要因为耕地的碳密度值低于草地, 转换面积相当的情况下, 耕地的碳损耗大于草地. 此外, 林地向建设用地转换的过程也导致了大量的碳损耗, 以2010年为界, 2010~2020年林地向建设用地的转换面积约为2000~2010年转换面积的5.64倍, 造成了739 525.05 Mg的碳损耗. 归因于研究区一系列发展政策[2008年《珠江三角洲地区改革发展规划纲要(2008~2020)》和2009年《大珠江三角洲城镇群协调发展规划研究》]的支持, 建设步伐加快, 对建设用地的需求量提升, 林地被侵占的过程导致区域碳储量降低.
2000~2020年, 建设用地面积增加导致的碳储存减少量为1 530 658.32 Mg(表 6). 耕地和林地向建设用地转换引起的碳损失量占92%, 草地和湿地向建设用地的转换导致的碳损量约311 314.22 Mg. 水体向建设用地的转变使得碳储量增加了187 714.52 Mg, 由于水体具有很高的生态价值, 一般来说应该得到更多的保护, 然而粤港澳大湾区在土地利用的过程中部分水体被侵占为建设用地, 这种建设用地的扩张存在一定的不合理性. 以2010年为界, 2010~2020年各地类向建设用地的转换速率快于2000~2010年的转换速率, 受此影响的碳储存损失速率也呈现类似特征.
2.3 模拟情景下土地利用和碳储量的变化
为验证PLUS模型对景观类型模拟结果的可靠性, 本文分别以2000年和2010年的土地覆被数据为基础, 结合自然因素和社会经济因素这两方面的10个影响因子获取各地类发展概率. 基于CA模型, 并设置相关参数, 模拟得到2010年和2020年土地利用分布, 与实际土地利用分布格局进行比较. 精度验证值分别为0.869 6和0.856 2, Kappa系数为0.810 2和0.783 66, FoM为0.139 8和0.121 2, 表明模型模拟精度较高, PLUS模型可用于粤港澳大湾区未来土地利用变化的模拟研究.
如表 7所示, 3种发展情景下, 到2030年建设用地面积(km2)快速扩张, 分别为:3 175.95(NT)、3 826.54(BP)和2 429.85(EP). 同时期, 耕地、林地和草地的面积不同程度地减少, 其中, BP情景下3种地类面积的减少量最大, NT情景的减少量次之, EP情景下的减少量最小. 另外, NT和BP情景下, 水体的面积也有所减少. 受土地利用类型变化的影响, 3种情景下碳储量分别为537.59 × 106、534.77 × 106和540.17 × 106 Mg, 均低于2020年的碳储量, 表明模拟情景下粤港澳大湾区的碳排放量依然是增长的, 但增加趋势有所降低.
虽然3种情景下的土地利用类型与碳储存在数量上有所不同, 但空间分布格局未发生明显变动. 建设用地集中于环珠江口的6个城市, 港深(香港-深圳)、广佛(广州-佛山)和澳珠(澳门-珠海)极点城市的联合发展使得建设用地空间格局稳步扩张;林地和草地集中分布于东、北、西三面的丘陵和台地地区, 耕地的面积占比较小, 零散分布于台地和丘陵间(图 6). 与土地利用类型的空间分布模式相对应, 碳储存高值和中值区集中于台地和丘陵地区, 低值区集中于大湾区各市的中心城区, 以伶仃洋东西两岸的城市为主(图 7). 模拟2030年3种发展情景下的碳储量, 结果显示EP情景的碳储量最大, BP情景的碳储量最小, 这表明以扩展建设用地为主导的发展方式对生态的负面影响日益加剧[36], 为实现“双碳”目标, 促进大湾区经济的可持续发展, 需要采取有利的生态发展措施.
土地利用系统一方面受人类活动的影响, 另一方面又影响着社会的发展. 本文以粤港澳大湾区为例分析了2000~2020年土地利用与碳储量的动态演化特征, 结果表明碳储量的局部变化反映了土地利用类型的转变, 主要包括碳储量增加、减少和基本不变这3种类型. 粤港澳大湾区碳储量相对稳定地区的主要用地类型是林地和草地, 碳密度和面积占比未显著变化的情况下, 碳储量保持不变;碳储量增加区空间分布零散, 其用地类型由碳密度值较低的耕地转变为碳密度值较高的林地、草地或湿地, 面积占比较小;碳储量减少的中部平原区主要受碳密度值较低的建设用地面积增加和碳密度值较高的耕地、林地和草地面积减少的影响.
21世纪以来, 粤港澳大湾区的建设用地面积一直高速扩张, 这是社会经济迅速发展的结果, 但也带来了碳储量减少的负面影响, 这一点与很多学者的研究结果一致. Li等[37]以武汉市为例研究发现城市扩张导致碳储量减少了2.62 Tg(2000~2015年). Xiang等[38]同样研究发现重庆市的碳储量减少了5.78 Tg(2000~2020年), 建设用地对其他用地类型的侵占是最主要的原因. 生态政策的影响下, 城市的发展仍以侵占耕地为主. 建设用地对耕地的侵占以及城市化过程中出现的各类问题导致区域生态碳储量的降低. Sadat等[39]对伊朗Qaem Shahr县的研究发现城镇化的发展和建设用地的增加对减少区域碳储量有巨大的影响. 基于土地利用类型与碳储量之间的密切联系, 在未来人地耦合开发过程中, 需要将碳储存作为规划的重要参考因素, 实现最优权衡.
3.2 优化策略土地利用和区域碳储量存在时间和空间差异, 粤港澳大湾区作为我国重要的经济板块, 集各项优势发展政策于一身, 生态区位极其重要. 伴随着《粤港澳大湾区发展规划纲要》的印发, 区域发展将进一步加速, 生态环境压力增大. 为实现“双碳”目标, 促进区域可持续发展, 建议从以下几方面采取措施.
首先, 林地作为粤港澳大湾区的主要用地类型及碳库, 在发展的过程中应加强森林的保护和管理, 保障其主导地位, 减少或最大限度地避免对林地的侵占. 其次, 耕地作为被侵占最大的用地类型, 可以从两方面对其进行保护. 一方面, 耕地与林地一样具有较强的固碳能力[40], 农作物自身生长可以进行碳吸收, 农田土壤可以固碳, 秸秆还田亦可以增强土壤碳储量[41]. 因此, 提高耕地的利用效率是一种有效的方式. 另一方面, Jiang等[42]研究发现加强耕地的保护有助于减缓长株潭城市群碳储功能的下降. 因此, 确保耕地面积, 严禁不合理的占用亦是行之有效的措施.
除此以外, 在《粤港澳大湾区发展规划纲要》中, 大湾区将继续推进极点带动、轴带支撑、辐射周边的空间发展格局, 对建设用地的优化布局将有助于区域的可持续发展. 与建筑业相比, 高科技产业和智慧密集型产业占用的耕地、林地和草地面积较小[43], 发展技术导向型产业将优化区域经济发展模式. 政府部门还可以增强土地利用功能的复杂性, 通过建设生产性城市提高建设用地集约节约能力, 逐渐形成平衡协调、低碳发展的土地利用格局[44].
3.3 研究不足本文研究基本厘清了粤港澳大湾区土地利用与碳储量变化之间关系, 为区域发展规划的制定提供了理论依据, 但仍存在一些不足. 首先, 对区域生态系统碳储量的评估一方面取决于碳密度数据, 一方面取决于已有土地利用数据及其模拟结果. 局限于数据的可得性, 评估中使用的碳密度数据在研究区间内假定不变, 但实际不同土地利用类型的碳密度存在动态变化. 未来的研究需要通过连续监测或者实地调研, 获取研究区多年动态碳密度数据. 其次, 利用PLUS模型对未来土地利用数据模拟的过程中, 选定了自然和社会经济两方面多项因子, 虽然模拟结果较好, 但仍无法避免模型本身的局限性. 例如, 相关规划及政策措施难以量化, 会在很大程度上影响土地利用模拟的结果, 未来需要继续优化模型, 将定性、定量因素综合纳入考量. 最后, 基于研究结果提出的发展建议, 其应用效果需要在未来进一步验证和探讨.
4 结论(1)粤港澳大湾区的主要用地类型是林地, 受生态保护政策的影响, 其面积占比在过去20年保持在50%左右, 耕地(减少5.38%)和建设用地(增加8.68%)是变化最显著的2种地类, 其余土地利用类型的变化较小.
(2)受不同用地类型转换的影响, 研究区的碳储量减少了20.12 × 106 Mg, 耕地和林地面积的减少以及建设用地面积的增加是导致碳损耗的主要原因. 与土地利用类型的空间分布格局一致, 碳储存在空间分布上呈现集聚特征. 高值区集中于东、北、西三面的丘陵和台地地区, 主要用地类型为草地和林地;低值区集中于中部平原及环珠江口的城市中心, 主要用地类型为建设用地.
(3)2030年模拟情景中, 粤港澳大湾区的碳储量均低于2020年的碳储量. 相比而言, 生态优先情景将增加2.58 × 106 Mg的碳, 是大湾区未来发展的最优路径. “双碳”目标下, 加强森林的保护和管理, 保持耕地面积, 提高农作物的碳汇能力可以有效提高碳固存. 此外, 政府应当转变经济发展方式, 适当控制建设用地的扩张, 加强核心区建设用地的集约利用, 减少城市扩张对碳平衡的影响.
[1] | Bellard C, Marino C, Courchamp F. Ranking threats to biodiversity and why it doesn't matter[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-30339-y |
[2] | Li G D, Fang C L, Li Y J, et al. Global impacts of future urban expansion on terrestrial vertebrate diversity[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-29324-2 |
[3] | Stankovic M, Ambo-Rappe R, Carly F, et al. Quantification of blue carbon in seagrass ecosystems of Southeast Asia and their potential for climate change mitigation[J]. Science of the Total Environment, 2021, 783. DOI:10.1016/j.scitotenv.2021.146858 |
[4] | Liang Y J, Hashimoto S, Liu L J. Integrated assessment of land-use/land-cover dynamics on carbon storage services in the Loess Plateau of China from 1995 to 2050[J]. Ecological Indicators, 2021, 120. DOI:10.1016/j.ecolind.2020.106939 |
[5] | Zhao Z Q, Sharifi A, Dong X, et al. Spatial variability and temporal heterogeneity of surface urban heat island patterns and the suitability of local climate zones for land surface temperature characterization[J]. Remote Sensing, 2021, 13(21). DOI:10.3390/rs13214338 |
[6] | Houghton R A. Carbon emissions and the drivers of deforestation and forest degradation in the tropics[J]. Current Opinion in Environmental Sustainability, 2012, 4(6): 597-603. DOI:10.1016/j.cosust.2012.06.006 |
[7] | Landman W. Climate change 2007: the physical science basis[J]. South African Geographical Journal, 2010, 92(1): 86-87. DOI:10.1080/03736245.2010.480842 |
[8] | Zhang M, Huang X J, Chuai X W, et al. Impact of land use type conversion on carbon storage in terrestrial ecosystems of China: a spatial-temporal perspective[J]. Scientific Reports, 2015, 5. DOI:10.1038/srep10233 |
[9] | Kertész Á, Nagy L A, Balázs B. Effect of land use change on ecosystem services in Lake Balaton Catchment[J]. Land Use Policy, 2019, 80: 430-438. DOI:10.1016/j.landusepol.2018.04.005 |
[10] | Nie X, Lu B, Chen Z P, et al. Increase or decrease? Integrating the CLUMondo and InVEST models to assess the impact of the implementation of the Major Function Oriented Zone planning on carbon storage[J]. Ecological Indicators, 2020, 118. DOI:10.1016/j.ecolind.2020.106708 |
[11] | Tang L P, Ke X L, Zhou Q S, et al. Projecting future impacts of cropland reclamation policies on carbon storage[J]. Ecological Indicators, 2020, 119. DOI:10.1016/j.ecolind.2020.106835 |
[12] | Pan Z Z, He J H, Liu D F, et al. Predicting the joint effects of future climate and land use change on ecosystem health in the Middle Reaches of the Yangtze River Economic Belt, China[J]. Applied Geography, 2020, 124. DOI:10.1016/j.apgeog.2020.102293 |
[13] | Zhou J J, Zhao Y R, Huang P, et al. Impacts of ecological restoration projects on the ecosystem carbon storage of inland river basin in arid area, China[J]. Ecological Indicators, 2020, 118. DOI:10.1016/j.ecolind.2020.106803 |
[14] | Wang Q X, Masataka W, Ouyang Z. Simulation of water and carbon fluxes using BIOME-BGC model over crops in China[J]. Agricultural and Forest Meteorology, 2005, 131(3-4): 209-224. DOI:10.1016/j.agrformet.2005.06.002 |
[15] | Quesada B, Arneth A, Robertson E, et al. Potential strong contribution of future anthropogenic land-use and land-cover change to the terrestrial carbon cycle[J]. Environmental Research Letters, 2018, 13(6). DOI:10.1088/1748-9326/aac4c3 |
[16] | Nurwanda A, Zain A F M, Rustiadi E. Analysis of land cover changes and landscape fragmentation in Batanghari Regency, Jambi Province[J]. Procedia - Social and Behavioral Sciences, 2016, 227: 87-94. DOI:10.1016/j.sbspro.2016.06.047 |
[17] | Tan Z, Guan Q Y, Lin J K, et al. The response and simulation of ecosystem services value to land use/land cover in an oasis, Northwest China[J]. Ecological Indicators, 2020, 118. DOI:10.1016/j.ecolind.2020.106711 |
[18] | 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 |
[19] | Thompson T M. Modeling the climate and carbon systems to estimate the social cost of carbon[J]. WIREs Climate Change, 2018, 9(5). DOI:10.1002/wcc.532 |
[20] | 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 |
[21] | Li C, Ng M K, Tang Y Z, et al. From a 'world factory' to China's bay area: a review of the outline of the development plan for the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Planning Theory & Practice, 2022, 23(2): 310-314. |
[22] |
吴佩君, 刘小平, 黎夏, 等. 基于InVEST模型和元胞自动机的城市扩张对陆地生态系统碳储量影响评估——以广东省为例[J]. 地理与地理信息科学, 2016, 32(5): 22-28, 36. Wu P J, Liu X P, Li X, et al. Impact of urban expansion on carbon storage in terrestrial ecosystems based on InVEST Model and CA: A case study of Guangdong Province, China[J]. Geography and Geo-information Science, 2016, 32(5): 22-28, 36. |
[23] |
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. |
[24] |
吴隽宇, 张一蕾, 江伟康. 粤港澳大湾区生态系统碳储量时空演变[J]. 风景园林, 2020, 27(10): 57-63. Wu J Y, Zhang Y L, Jiang W K. Spatio-temporal evolution of ecosystem carbon storage in Guangdong-Hong Kong-Macao Greater Bay Area[J]. Landscape Architecture, 2020, 27(10): 57-63. |
[25] |
吴隽宇, 江伟康, 黄钰婷. 粤港澳大湾区生态系统服务价值时空演变研究[J]. 南方建筑, 2022(6): 52-61. Wu J Y, Jiang W K, Huang Y T. Spatial-temporal changes of ecosystem service value in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. South Architecture, 2022(6): 52-61. |
[26] |
林媚珍, 刘汉仪, 周汝波, 等. 多情景模拟下粤港澳大湾区生态系统服务评估与权衡研究[J]. 地理研究, 2021, 40(9): 2657-2669. Lin M Z, Liu H Y, Zhou R B, et al. Evaluation and trade-offs of ecosystem services in Guangdong-Hong Kong-Macao Greater Bay Area under multi-scenario simulation[J]. Geographical Research, 2021, 40(9): 2657-2669. |
[27] | Chuai X W, Huang X J, Lai L, et al. Land use structure optimization based on carbon storage in several regional terrestrial ecosystems across China[J]. Environmental Science & Policy, 2013, 25: 50-61. |
[28] | Lai L, Huang X J, Yang H, et al. Carbon emissions from land-use change and management in China between 1990 and 2010[J]. Science Advances, 2016, 2(11). DOI:10.1126/sciadv.1601063 |
[29] | 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, 685: 1181-1192. DOI:10.1016/j.scitotenv.2019.06.275 |
[30] | Zheng H L, Zheng H F. Assessment and prediction of carbon storage based on land use/land cover dynamics in the coastal area of Shandong Province[J]. Ecological Indicators, 2023, 153. DOI:10.1016/j.ecolind.2023.110474 |
[31] | Bosso L, Smeraldo S, Russo D, et al. The rise and fall of an alien: why the successful colonizer Littorina saxatilis failed to invade the Mediterranean Sea[J]. Biological Invasions, 2022, 24(10): 3169-3187. DOI:10.1007/s10530-022-02838-y |
[32] | Liu Y, Tian J W, Zheng W F, et al. Spatial and temporal distribution characteristics of haze and pollution particles in China based on spatial statistics[J]. Urban Climate, 2022, 41. DOI:10.1016/j.uclim.2021.101031 |
[33] | Li H, Huang K, Fu Q Y, et al. Airborne black carbon variations during the COVID-19 lockdown in the Yangtze River Delta megacities suggest actions to curb global warming[J]. Environmental Chemistry Letters, 2022, 20(1): 71-80. DOI:10.1007/s10311-021-01327-3 |
[34] | Zheng H L, Li H. Spatial-temporal evolution characteristics of land use and habitat quality in Shandong Province, China[J]. Scientific Reports, 2022, 12(1). DOI:10.1038/s41598-022-19493-x |
[35] |
李琛, 高彬嫔, 吴映梅, 等. 基于PLUS模型的山区城镇景观生态风险动态模拟[J]. 浙江农林大学学报, 2022, 39(1): 84-94. Li C, Gao B P, Wu Y M, et al. Dynamic simulation of landscape ecological risk in mountain towns based on PLUS model[J]. Journal of Zhejiang A&F University, 2022, 39(1): 84-94. |
[36] | Carpio A, Ponce-Lopez R, Lozano-García D F. Urban form, land use, and cover change and their impact on carbon emissions in the Monterrey Metropolitan area, Mexico[J]. Urban Climate, 2021, 39. DOI:10.1016/j.uclim.2021.100947 |
[37] | Li L, Song Y, Wei X H, et al. Exploring the impacts of urban growth on carbon storage under integrated spatial regulation: A case study of Wuhan, China[J]. Ecological Indicators, 2020, 111. DOI:10.1016/j.ecolind.2020.106064 |
[38] | Xiang S J, Wang Y, Deng H, et al. Response and multi-scenario prediction of carbon storage to land use/cover change in the main urban area of Chongqing, China[J]. Ecological Indicators, 2022, 142. DOI:10.1016/j.ecolind.2022.109205 |
[39] | Sadat M, Zoghi M, Malekmohammadi B. Spatiotemporal modeling of urban land cover changes and carbon storage ecosystem services: case study in Qaem Shahr County, Iran[J]. Environment, Development and Sustainability, 2020, 22(8): 8135-8158. DOI:10.1007/s10668-019-00565-4 |
[40] | Sasaki N, Myint Y Y, Abe I, et al. Predicting carbon emissions, emissions reductions, and carbon removal due to deforestation and plantation forests in Southeast Asia[J]. Journal of Cleaner Production, 2021, 312. DOI:10.1016/j.jclepro.2021.127728 |
[41] |
吴昊玥, 孟越, 黄瀚蛟, 等. 中国耕地低碳利用绩效测算与时空分异[J]. 自然资源学报, 2022, 37(5): 1148-1163. Wu H Y, Meng Y, Huang H J, et al. Estimation and spatio-temporal divergence of the low-carbon performance of cropland use in China[J]. Journal of Natural Resources, 2022, 37(5): 1148-1163. |
[42] | Jiang W G, Deng Y, Tang Z H, et al. Modelling the potential impacts of urban ecosystem changes on carbon storage under different scenarios by linking the CLUE-S and the InVEST models[J]. Ecological Modelling, 2017, 345: 30-40. DOI:10.1016/j.ecolmodel.2016.12.002 |
[43] | Liu Y Z, Yang R J, Sun M Y, et al. Regional sustainable development strategy based on the coordination between ecology and economy: a case study of Sichuan Province, China[J]. Ecological Indicators, 2022, 134. DOI:10.1016/j.ecolind.2021.108445 |
[44] | Song Q J, Liu T L, Qi Y. Policy innovation in low carbon pilot cities: lessons learned from China[J]. Urban Climate, 2021, 39. DOI:10.1016/j.uclim.2021.100936 |