2024, Vol. 45
2. 长安大学地质工程与测绘学院, 西安 710054
2. College of Geological Engineering and Surveying, Chang'an University, Xi'an 710054, China
碳储存是当前生态系统服务评估、气候变化和可持续发展研究领域的最受关注的前沿热点之一[1].对碳储量的研究有助于推动可持续发展实践, 包括土地规划、森林保护、农业和土壤改良等领域, 对于保护生物多样性、协调生态经济发展水平和维持生态系统供需平衡具有重要意义[1~3]. CO2作为一种温室性气体, 直接影响全球气候和生态环境变化[4], 陆地生态系统通过碳吸收从而调节气候和生态环境[5], 其所固存的碳对于农业生产、土壤质量和全球碳循环有重要影响.因此, 碳储量作为生态环境的表征, 是衡量区域生态系统稳定的重要指标[6].
植物作为生态系统中主要的碳固者, 植被的生长速度、种类和覆盖程度都会影响碳的固定和储存[7].森林是十分重要的碳储量库, 已有研究表明, 世界上近24%的森林、灌木和草原生物量都储存在地下, 地下植被储存的碳大致相当于全球10年的碳排放量[8], 林业管理中的伐木、还林和疏伐方式, 都会影响森林碳库的碳储量[9].土壤中的碳储量则主要与土壤类型、有机质含量等息息相关.土地则通过在时间和空间上的利用方式变化, 带来包括由耕地、林地、草地、湿地和建设用地等不同类型的土地所组成的土地利用格局的改变, 能够直接造成陆地生态系统的变化, 从而对碳的储存和释放产生影响[10].不断增长的人口和科学技术的日益进步推动了活跃的人类活动, 如采矿、土地开发和土地开垦, 深刻影响了土地利用的空间格局.因此, 定量评估土地利用变化下的碳储量的动态响应, 对于深入了解碳储存与土地利用之间的关系, 制定针对性的土地利用规划和管理策略, 促进碳平衡和气候变化的缓解具有重要意义.
近年来, 许多国内外学者基于土地利用变化对碳储量展开了广泛而深入的研究, 从多个层面探讨了人类活动导致的土地利用对于生态系统碳储量的影响, 卢雅焱等[11]运用InVEST模型测度了新疆天山的碳储量时空格局变化, 发现草地、永久冰川和积雪、未利用地这3种土地利用类型的转化是新疆天山碳储量时空演变的主要贡献者.Toru等[12]通过在埃塞俄比亚东部哈迪斯次流域的研究中发现种植多年生木本植物的土地比没有种植多年生植物的土地具有更高的碳储量, 通过调整农业土地利用结构, 可以对碳平衡产生积极影响.在全球尺度上, Richards等[13]利用红树林砍伐和造林数据以及红树林损失和增加过程中碳储量的比例变化, 发现1996~2016年间全球红树林碳储量下降了158.4 Mt.在研究范围上, 学者们大多关注流域和湿地等重要生态保护区或生态脆弱地区和大尺度的全球生态系统碳储量估算, 聚焦于省域范围的较少, 而省域作为国家分级行政管理的重要单元, 在制定统一的环保政策进行生态保护活动方面具有天然优势.此外, 以往学者大多注重于评估历史年份下的土地利用变化对碳储量的影响, 本研究重点关注未来碳储量变化的模拟预测, 有助于填补未来不同土地利用策略影响下的碳储量未来演析相关研究的空白.
在时间和空间上精确预测和分析土地利用变化, 有利于展开对陆地生态系统中的碳储量评估.国内外学者在土地利用结构与格局方面开展了大量的土地利用模拟研究, 探讨土地利用系统的机制, 并开发出一系列的预测模型.CA-Markov模型根据邻近元胞的状态和一组规则来决定土地利用的未来状态[14].CLUE-S模型因其高可行性和小区域高分辨率模拟精度, 而适用于土地利用变化及其影响的小区域扩张模型[15].FLUS模型是一种将自上而下的系统动力学（SD）与自下而上的CA模型交互集成的方法[16].相较于其他模型, FLUS模型仅需要对最近时期的土地利用数据进行采样, 从而可以更有效地处理非线性关系, 同时其在区域尺度上具有良好的可操作性和解释性[17].通过多模型耦合构建不同的土地利用情景, 基于土地利用结果掌握不同情景下的碳储量情况是预测碳储量变化的有效方法[18], 通过构建不同的情景来模拟不同的发展路径, 评估土地利用政策对碳封存和储存等生态系统的时空影响, 对于历史模式和未来预测情景至关重要[19].InVEST作为一种广泛应用的生态系统服务评估模型, 由美国自然保护协会（TNC）开发, 模型中的Carbon Storage and Sequestration模块可以基于土地利用情况量化碳储存[20].相较于传统的GIS, InVEST模型在可视化碳储量和动态评估方面具有显著优势, 通过耦合FLUS模型可以实现多情景, 多目标下的生态系统碳储量评估[21].
陕西省主要分为陕北, 陕南和关中三大区域, 陕北地势较高, 气候较为干旱, 区域生态系统相对脆弱.陕南地势相对较低, 气候相对湿润, 生态系统较为多样化, 关中地区生态情况则受到城市化和人类活动的影响较大[22].本研究选取陕西省作为典型研究区域, 耦合Markov-FLUS模型, 旨在探索其各自的潜在驱动因素, 并结合InVEST模型评估陕西省在自然发展, 耕地保护和生态优先3种不同情景下碳储量动态变化的响应, 深入探讨陕西地区碳储量的时空演变, 从而支持对其定量评估的有限研究.
1 材料与方法 1.1 研究区概况陕西省地处中国西北部腹地, 黄河中游, 与多个重要的省份和自治区相邻, 拥有丰富的交通联系和地缘优势.介于东经105°29′~111°15′, 北纬31°42′~39°35′之间（图 1）, 总面积205 326.56 km2.陕西省在地理上呈现出高山、丘陵、盆地和平原等多样的地貌, 从北至南依次为黄土高原区（陕北地区）、关中平原区（关中地区）和秦巴山区（陕南地区）, 纵跨3个气候带[23].陕西的地理特点为其生态系统提供了丰富多样的条件, 包括山地生态、水生态和农田生态等, 耕地、林地和草地在全省土地利用中占据主导地位, 多样的陆地生态系统蕴藏着丰富的碳储资源, 这使得研究陕西省的土地利用变化与碳储量之间的关系具有重要意义.
|
图 1 陕西省地形地貌示意 Fig. 1 Shaanxi Province topography map |
本研究主要结合自然条件数据集、社会经济发展数据集、土地利用数据来实现. ①数字高程模型（DEM）数据来源于地理空间数据云（https://www.gscloud.cn）, 主要用做地形和海拔分析. ②土地利用数据（2015年, 2020年）来自中国土地利用/覆被数据库（China's Land-Use/cover Datasets, CLUDs, https://zenodo.org/record/5816591）, 总体精度在76.5% ~82.5%[24].并依据LULC体系将地类划分为耕地、林地、草地、水域、建设用地和荒地6类. ③年均气温和年均降水数据来自于中国气象要素年度空间插值数据集（http://www.resdc.cn/DOI）. ④土壤质地数据来自中国土壤质地空间分布数据集（https://www.resdc.cn/data.aspx?DATAID=260）, 数据是根据1∶100万土壤类型图和第2次土壤普查获取到的土壤剖面数据编制而成. ⑤GDP数据来自于中国GDP空间分布公里网格数据集（https://www.resdc.cn/DOI/DOI.aspx?DOIID=33）. ⑥人口密度数据来自于开放的空间人口数据集（https://hub.worldpop.org/）. ⑦夜间灯光数据来自中国地区的夜间灯光年度数据集, 该数据集结合校准DMSP-OLS数据（1992~2013年）和由SNPP.VIIRS数据转换的类DMSP-OLS数据（2013~2022年）计算得到改进的类DMSP-OLS数据集[25].⑧来自开放街道地图（https://www.openstreetmap.org）的主要道路、次要道路和河流系统的矢量数据（shp文件；2020）, 使用ArcGIS 10.7对欧式距离进行分析.⑨不同地类碳密度数据来源于国家生态科学数据中心（http://www.cnern.org.cn/）并参考文献[26~28].为了确保模型的稳定性和空间数据精度的一致性, 统一使用双线性方法将栅格层重采样到250 m × 250 m的分辨率[29].
1.3 研究方法 1.3.1 Logistic回归Logistic回归模型可以用于预测2分类问题的结果.土地利用变化驱动因子是指影响土地利用变化的各种因子, 可以包括自然因子和人为因子.通过Logistic回归模型探索不同的驱动因子对土地利用变化的影响程度, 进而可以预测未来的土地利用变化趋势.研究将陕西省2020年土地利用数据重分类为250 m × 250 m的栅格单元, 将各用地类型转换为2分类变量, 出现用地类型i 用1表示, 不出现用地类型i用0表示.
|
式中, P（Y=1|X）为给定自变量X条件下因变量Y为1的概率；exp（）为自然指数函数. β0, β1, β2, …, βp为回归系数, 表示各个驱动因子对土地利用变化的影响程度；X1、X2, …, Xp为自变量, 表示各个驱动因子的取值.Logistic回归方法主要有3种：Enter, Forward和Backward.通过多次验证, 综合考虑模型精度, 本研究采用Forward方法进行回归.
1.3.2 FLUS模型FLUS模型可以高精度模拟土地利用长时序的空间变化.FLUS模型的使用已在高精度土地利用变化模拟中得到验证[30, 17].本研究主要采用自然数据与社会数据来对陕西省2025年和2030年的土地利用情况进行模拟预测.FLUS模型主要包括基于神经网络模型算法的发生概率估计和基于轮盘赌的自适应惯性和竞争机制计算, 同时为了提高模型预测精度需要重点考虑土地转换成本矩阵和邻域权重参数.
（1）基于神经网络模型算法的适应性概率估计 本研究选取自然因子中的坡度、高程、土壤类型、年均降水和年均气温, 社会数据中的人口密度, 夜间灯光, 路网和水系作为土地利用变化驱动因子, 结合2015年与2020年土地利用现状数据, 通过神经网络模型算法估计适应性概率, 公式如下：
|
式中, sg（g, k, t）为当时间为t时, 在栅格g上第k种土地利用类型的适宜性概率；wn, k为隐藏层和输出层间的权重；sigmoid（）为隐藏层至输出层的激励函数；net（g, t）为在时间t上从栅格g接收到的信号.
（2）基于轮盘赌的自适应惯性和竞争机制计算 基于轮盘赌的自适应惯性和竞争机制计算考虑了在多演化迭代过程中不同类型的土地利用之间的相互作用和竞争关系.由此定义了每种土地利用类型的自适应惯性系数, 根据宏观需求与分配的土地利用量之间的差异, 自动调整每个网格单元上当前土地利用的继承.
|
式中, Intertiakt为迭代时间t时土地利用类型k的惯性系数；Dtk-1和Dtk-2 分别为迭代时刻t-1和t-2的用地需求与土地利用类型 k 的分配量之间的差值.
1.3.3 模型参数确定（1）转换成本矩阵 转换成本矩阵是一个二维矩阵, 其中行表示当前土地利用类型, 列表示目标土地利用类型.矩阵中的每个元素表示从当前土地利用类型转变为目标土地利用类型的转换成本[31].在FLUS模型中, 转换成本矩阵的作用是影响模型中的土地利用转换规则.本研究设置3种未来发展情景：自然发展情景（Q1）、耕地保护情景（Q2）和生态优先情景（Q3）.在自然发展情景下, 利用Markov链预测未来的土地需求情况, 期间6种土地利用类型可以相互转化；在耕地保护情景下, 原有耕地维持现状, 除建设用地外, 其他用地类型均可转换为耕地, 同时将其它地类向耕地的转移概率增加20%；在生态优先情景下, 按照土地的生态效益进行转换排序, 低级别不能向高级别生态用地转换.表 1为3种不同情景下土地转换成本矩阵, 0表示一种用地类型被禁止向另一种转化, 1表示一种用地类型被允许向另一种转化.
|
表 1 不同情景下土地利用的转换成本矩阵 Table 1 Conversion cost matrix of land use under different scenarios |
（2）邻域权重参数 FLUS模型考虑了人口增长、经济发展、交通网络、土地供应和需求等因素对未来的土地利用变化做出预测.确定FLUS模型中的各用地类型的领域权重, 对于提高模型的有效性和可靠性尤为重要, 基于历史情景的设置方法和土地利用客观变化的分析来确定FLUS模型的领域权重, 有效地规避研究人员主观判断的偏差, 提高模型的客观性和科学性[32].在假定相同时间尺度下各类型土地的扩张能力保持相对稳定的前提下, 本研究采用2000~2020年各土地类型的斑块面积变化量来定量表征2020~2030年间对应类型土地的扩张强度, 并通过对于TA结果的无量纲化来确定模型中6种土地利用类型的领域权重, 得到表 2.
|
|
|
表 2 各用地类型的领域权重参数 Table 2 Domain weight parameters for each land use type |
式中, TA为斑块面积变化量；n为斑块数量；a为斑块面积；X*为离差标准化值；Xmax为数据最大值；Xmin为数据最小值.
1.3.4 InVEST模型（1）碳储量的计算 碳储量是指生态系统或地球上的植物、土壤和水体等各个组成部分中储存的碳的量.InVEST是美国自然资本项目组开发的一个用于评估生态系统提供的服务和自然资本的模型.InVEST的Carbon Storage and Sequestration模块可以用于基于LULC估算陆地生态系统的碳储量, 该模块评估的碳储量包括地上碳储量、地下碳储量、死亡有机质碳储量和土壤有机质碳储量[33].
|
式中, Ai为某种土地利用类型；Ci为土地利用类型i的总碳密度；Ci-above为土地利用类型i地上植被的碳密度；Ci-below为土地利用类型i地下活根的碳密度；Ci-soil为土地利用类型i土壤中的碳密度；Ci-dead为土地利用类型i植被枯落物的碳密度；Ctotal表示碳储总量；Ai为土地利用类型i的总面积；n为土地利用类型的总数.
（2）碳密度的确定 地上碳密度、地下碳密度和土壤碳密度数据的确定优先选用陕西省的实测数据, 并对实测数据利用箱型图剔除异常值, 取均值来确定各地类的对应的碳密度.由于死亡有机质碳库数据难以获取, 故本研究仅考虑三大碳库碳储量.表 3为不同地类的地上碳密度、地下碳密度和土壤碳密度.
|
|
表 3 不同土地类型的碳密度/t·hm-2 Table 3 Carbon density of different land types/t·hm-2 |
2 结果与分析 2.1 驱动因子诊断及模型精度验证 2.1.1 驱动因子诊断
为了验证土地利用变化的驱动因子的有效性, 对于实验选取的7种自然栅格数据和6种经济社会栅格数据共13种土地利用变化的驱动因子采用logistics回归分析.表 4中β为回归模型中的系数, 表示自变量对因变量的影响程度.EXP（B）表示当自变量增加一个单位时, 因变量的几率变化的倍数.
|
|
表 4 土地利用变化驱动因子logistics回归结果1） Table 4 Land use change driving factors logistic regression results table |
ROC值是用来评估回归模型的预测准确度, 数值范围从0~1, 越接近1表示模型精度越高, 一般情况下, 若ROC > 0.5表明驱动因子对土地利用的空间格局具有较好的解释能力[34].如图 2所示, 通过ROC曲线检验驱动因子, 发现6种地类的ROC值均在0.7以上, 这表示驱动因子可以很好地解释土地利用格局的变化.不同的驱动因子对多个土地利用类型具有显著影响, 坡度、海拔、年均降水和夜间灯光对于6种土地利用类型均产生显著影响.其中坡度对于耕地具有较强驱动力, 坡度每增加1°, 耕地的分布概率将减少5.63%.海拔对于建设用地具有较强驱动力, 海拔每上升1 m, 建设用地的分布概率将减少0.29%.年均降水对于草地具有较强驱动力, 降水每增加1 mm, 草地的分布概率将减少0.5%.夜间灯光对于建设用地具有较强驱动力, 夜间光照强度每增加1卡特拉, 建设用地的分布概率将增加3.81%.对于耕地, 海拔和坡度与其呈负相关, 这可能是因为高海拔和大坡度地区不适宜农作物生长.而降水、黏土含量和砂土含量对其呈正相关, 表明较高的降水量和适宜的土壤条件有利于耕地的发展和扩大.对于林地, 海拔对其呈正相关, 这可能是因为高海拔地区更适宜森林生长.坡度对其呈负相关, 大坡度地区可能不利于森林的形成和生长.对于草地, 海拔和坡度对其呈正相关, 较高的海拔和较小的坡度地区更适宜草地的生长.黏土含量对其呈负相关, 表明草地的形成和扩张需要适宜的土壤条件.对于水域, 海拔对其呈负相关, 较高海拔地区水域面积较小.对于建设用地, 坡度和夜间灯光对其呈正相关, 这可能是由于城市化和人类活动导致建设用地的增加.对于未利用地, 海拔和坡度对其呈负相关, 在较高海拔和较大坡度地区更容易形成未利用地.
|
图 2 不同土地利用类型的ROC曲线 Fig. 2 ROC curve for different land use types |
出于对未来土地需求做出精确预测的考量, 本研究基于选取的驱动因子和2015年的土地利用数据, 通过耦合FLUS和Markov模型对2020年的土地利用状况进行预测, 并采用Kappa系数, OA精度进行模型的精度验证.Kappa系数是一种评估分类模型性能的统计指标, 它考虑了分类的准确性与随机分类之间的差异, 值越接近1表示模型的分类性能越好.OA精度是指模型在整体样本上的分类准确率.将耦合FLUS和Markov模型模拟所得2020年土地利用数据与2020年实际土地利用数据进行精度验证发现, Kappa系数为0.90, OA精度为0.94.由精度检验结果可以看出, 模型具有高精度和较好的分类性能, 在总体样本上具有94%的分类准确率, Kappa系数为0.90表明模型准确率和分类性能方面的优秀.
2.2 土地利用格局变化特征表 5为2000~2020年的土地利用转移矩阵.由表 5可知, 陕西省2020年的土地利用类型以耕地, 林地和草地为主, 面积占比分别为24.50%、45.52%和27.02%, 其次为建设用地（2.57%）和水域（0.31%）, 未利用地占比最少, 为0.09%.在陕西省20年的发展期间, 未利用地和耕地面积分别减少了93.03%和17.19%, 建设用地、水域、林地和草地则不同程度地增加了110.37%、25.11%、10.85%和1.38%.通过土地利用转移矩阵可以发现, 耕地主要转入的土地利用类型是林地（22.21%）和草地（74.37%）, 面积则减少了10 442.13 km2.林地主要转入的土地利用类型是耕地（57.60%）和草地（42.39%）, 面积增加了9 146.31 km2.草地主要转入的土地利用类型是耕地（76.90%）、未利用地（21.09%）和林地（1.91%）, 面积增加了754.94 km2.水域主要转入的土地利用类型是耕地（52.17%）、草地（12.91%）和建设用地（31.76%）, 面积增加了128.56 km2.建设用地主要转入的土地利用类型是耕地（87.63%）和草地（8.56%）, 面积增加了2 764.06 km2. 未利用地主要转入的土地利用类型是耕地（88.32%）和草地（8.37%）, 面积则减少了2 351.75 km2.通过表 5的分析, 可以看出各个土地利用类型之间的转移关系.耕地、林地和草地之间的转移较为频繁, 这可能是由于农业和林业的发展、土地利用政策等因素的影响[35].城市化和工业化发展带来城市建设和基础设施建设需求增加, 导致建设用地面积扩大[36].未利用地的减少可能是由于土地开发和利用的增加, 包括城市扩张、工业用地的开发等.而具体的土地利用变化原因可能受到多种因素的综合影响, 包括政府政策、经济发展、环境保护、土地资源利用规划等.
|
|
表 5 2000~2020年土地利用转移矩阵/km2 Table 5 Land use transfer matrix 2000 to 2020/km2 |
2.3 不同情景下的土地利用预测
基于陕西省研究区建立的模型参数, 利用2020年实际土地利用数据和相应的驱动因子, 以5 a为间隔对2025年和2030年的3种不同情景下土地利用情况进行预测.
在表 6和图 3中, 自然发展情景下, 2025年与2030年的耕地面积分别减少了3.51%和6.66%, 建设用地面积分别增加10.24%和20.06%, 这反映了自然发展的情况下, 随着陕西省的城市化进程正常推进, 水域、林地和草地缓慢增加, 耕地和未利用地有较大幅度减少.在生态优先情景下, 2025年与2030年耕地面积均呈现略微减少的趋势, 变化幅度分别为1 764 km2和3 350.81 km2, 由土地转移矩阵发现耕地转变为林地和草地.2025年和2030年的林地面积分别呈现增加的趋势, 增加幅度分别为2.07%和4.03%, 生态优先政策推动了林地的增加, 以保护和恢复生态系统功能.2025年和2030年的草地面积则变化不大, 说明在生态优先情景下, 保护和维持草地的稳定, 可能有益于牧业和草原生态系统的可持续发展.2025年和2030年的水域、建设用地和未利用地面积均呈现减少趋势, 可能是生态优先情景下的土地治理和植被恢复等生态保护措施导致了这一现象.在耕地保护情景下, 2025年和2030年的耕地和林地面积小幅增加, 建设用地面积缓慢增长, 水域和未利用地面积略微减少, 草地面积缩减明显, 这表明耕地保护情景下的政策推动导致了这些变化, 林地恢复和基本农田保护等土地规划管理等措施可以维持耕地的可持续利用.
|
|
表 6 2020~2030年陕西省不同土地利用情景下的景观格局结构/km2 Table 6 Landscape pattern structure under different land use scenarios in Shaanxi from 2020 to 2030/km2 |
|
图 3 2020~2030年不同情景下陕西省各地类的土地利用变化矩阵 Fig. 3 Land use change matrix of various types in Shaanxi under different scenarios from 2020 to 2030 |
图 4是陕西省各地市的碳储量在2000年和2020年之间的时空变化.从2000~2020年, 各地市的碳储量整体上呈现出增加的趋势, 表明碳储量在这段时间内有所积累.宝鸡、商洛、安康、汉中和延安等地市在20年间的碳储量增长较为显著, 分别增加了8.28、12.08、16.19、12.62和18.89 Tg的碳储量, 其中延安的碳储量增长最为显著, 增加了18.89 Tg, 这期间延安市对于生态环境保护的重视和退耕还林工程的推进取得了巨大成效[37].而西安、渭南和榆林的碳储量在20年间呈现减少趋势, 分别减少了0.31、0.36和3.29 Tg, 可能是因为近30年来, 西安和渭南城市化势头强劲, 城市工业规模不断扩大, 大量其他类型用地向建设用地转移[38, 39], 而榆林由于其独特的能源性城市定位, 对煤炭产业的高度依赖性, 城市发展过程中可能会忽视对于生态效益的关注[40].整体上看, 陕西省在20年间的碳储量增加了69.17 Tg, 表明整个省份在这段时间内的碳储量有所增长.总的来说, 陕西省各地市的碳储量在20年间整体上呈增加趋势, 但不同地市之间存在差异.这些变化可能受到各地市经济发展、工业结构、能源消耗和环保政策等因素的影响.
|
图 4 2000~2020年陕西省碳储量的时空变化 Fig. 4 Spatiotemporal changes in carbon reserves in Shaanxi from 2000 to 2020 |
以往的研究一直未清楚解释造成碳储量的时空变化特征的原因. RDA分析作为一种多元统计分析方法, 可以用来探究多个解释变量与多个响应变量之间的关系[41].本研究基于13个变量, 包括7个自然因子和6个社会经济因子来探索2020~2030年不同地类固碳变化的潜在驱动因素.如图 5所示, RDA的解释率占整个研究区的70%以上, 说明驱动因子对于不同地类固碳有着显著影响[29].其中, 海拔（r为0.27~0.36, P < 0.01）、降水（r为0.19~0.25, P < 0.01）和气温（r为0.07~0.08, P < 0.01）是对2020~2030年总体固碳变化贡献最大的3个因子, 可能是因为海拔、降水和气温能显著影响地表植被生长, 从而直接影响区域碳储量分布变化.研究表明, 在2020~2030年, 人口密度对耕地固碳的影响变得愈加明显.从图 5中还可以看出耕地固碳与许多驱动因子呈现负相关性, 与海拔之间的负相关最为显著, 草地固碳则与气温呈现显著的负相关.
|
响应变量：Y1、Y2、Y3、Y4、Y5和Y6分别为耕地、林地、草地、水域、建设用地和未利用地的固碳量；解释变量：X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11、X12和X13分别为海拔、坡度、降水、气温、黏土、砂土、粉砂土、GDP、人口密度、夜间灯光、与道路的距离、与铁路的距离和与水系的距离；箭头越长, 说明对不同地类的固碳影响越大, 不同地类固碳与驱动因子之间的夹角代表贡献大小, 夹角越小, 贡献越大 图 5 2020~2030年陕西各地类固碳的RDA分析 Fig. 5 RDA analysis of carbon sequestration by various types in Shaanxi from 2020 to 2030 |
从表 7可以看出, 2020~2030年, 不同情景下的耕地固碳值变化不大, 基本保持稳定.在所有情景下, 林地的固碳值都呈现增加的趋势. 2020~2030年, 不同情景下林地的固碳值有所增加, 增加幅度在15 Tg以上.在2025年的自然发展情景下, 碳储量相较于2020年增加了15.09 Tg, 这表明自然发展情景下的土地利用政策可能促进了碳的吸收和存储.在2025年的生态优先情景下, 碳储量相较于2020年增加了16.02 Tg.这表明生态优先情景下的土地管理措施和生态保护政策对于增加碳储量起到了积极的作用.在2025年的耕地保护情景下, 碳储量增额较生态优先情景有明显差距, 这意味退耕还林政策可能会影响森林碳库的碳储量.在2030年的自然发展、生态优先和耕地保护情景下, 碳储量进一步增加.相较于2020年, 2030年的自然发展情景下碳储量增加了29.54 Tg, 生态优先情景下增加了31.19 Tg, 耕地保护情景下增加了14.36 Tg.
|
|
表 7 2020~2030年不同土地利用情景下的各地类固碳值/Tg Table 7 Carbon sequestration values of various types under different land use scenarios from 2020 to 2030/Tg |
上述结果表明, 在生态保护和土地管理措施的推动下, 陕西省的土地利用情景有助于增加碳储量, 从而对气候变化的调节起到积极作用.这些情景下的政策和实践可能有助于降低温室气体排放, 并促进生态系统的健康和可持续发展. 2025年与2030年的3种不同情景下, 生态优先注重对于生态环境与效益的提高, 林地增加和生态系统保护等措施有助于增加碳储量, 从而带来相对较高的碳储量增加值.耕地保护情景下的重点在于保护现有的耕地资源, 减少耕地面积的转变和土地的破坏, 这可能限制了土地利用的变化和转换, 从而导致碳储量的增加相对较低.
从图 6可以看出陕西省在不同土地利用情景下的碳储量变化情况.在自然发展情景下, 碳储量明显增加区域占比显著高于生态优先情景和耕地保护情景, 但碳储量明显增加区占比和碳储量明显减少区基本持平, 碳储量明显增加区主要集中在延安市北部地区, 明显减少区则主要分散在榆林市全域；在耕地保护情景下, 碳储量明显增加区占比明显高于碳储量明显减少区, 相比于自然发展情景, 陕北黄土高原区的碳储量减少区域显著下降, 耕地保护政策在一定程度上限制了建设用地的扩张速度；在生态优先情景下, 碳储量明显减少区域占比低于自然发展情景, 碳储量明显增加区域占比高于耕地保护情景, 碳储量增加区域基本上在全域都有分布, 主要集中在延安市的中部和北部地区, 造成这一情况的主要原因是建设用地的扩张速度减缓, 耕地转为生态效益更高的林地和草地.通过对比研究, 发现在3种情景下, 陕北黄土高原区的南部和北部均存在碳储量的降低, 这些城市的快速扩张和重工业的发展需要引起关注, 在未来的发展规划中, 这些区域要兼顾生态系统功能的改善.
|
图 6 2020~2030年陕西省碳储量的时空演变特征 Fig. 6 Spatiotemporal evolution characteristics of Shaanxi carbon reserves from 2020 to 2030 |
本研究多方位探究陕西省碳储量对于土地利用变化的响应, 通过文献参考、模型实验和精度分析筛选出的13种因子能够很好地解释土地利用变化的驱动机制, 其中坡度、海拔、年均降水和夜间灯光对每个地类均有显著影响, 模型最终的Kappa系数和检验精度均高于94%, 说明对于模拟结果具有很强的的可靠性.过去20年间, 建设用地的扩张并没有影响陕西省的碳储量在20年间整体上的增加, 从2000年的1 546.95 Tg增长至2020年的1 616.25 Tg, 其中延安市的碳储量增长最为显著.研究结果还表明, 影响陕西省碳储量时空变化的因素主要是自然因素, 这与前人的研究结果基本一致[42].高海拔地区通常具有较低的生产力和植被覆盖, 这可能导致相对较低的碳储量[43].降水不仅是植被分布的重要因素, 也与土壤侵蚀和碳流失息息相关[44].气温是植物生长速度的重要决定因素, 影响植被光合作用和碳固定[45].海拔、降水和气温作为影响2020~2030年陕西省碳储量时空变化的三大驱动因素, 三者之间的相互作用影响着陕西省碳储量的时空变化.
在未来的不同情景模拟下, 碳储量均有不同程度的增加.陕西作为全国退耕还林还草政策的策源地[46], 政策发挥出了很好的作用.在生态优先情景下, 林地的生态效益被很好地保持, 城市发展受到限制, 耕地由于退耕还林而面积减少, 陕西省植被覆盖相对较高的地区位于秦巴山区, 特别是秦岭地区, 生态环境较为优越[47], 在生态优先情景下秦巴山区的森林植被能得到很好地保护与恢复.在耕地保护情景下, 耕地向其他地类的转换受到限制, 建设用地扩张减缓, 同时研究发现林地面积未受明显影响, 依靠耕地创造经济的农民们的权益受到保护.2017年开始中国颁布文件加强耕地保护, 逐步重视对于农业资源的保护需求[48], 耕地保护情景下的土地利用格局变化可以为探究城市化和工业化等发展需求与农业资源的保护之间的关系提供参考.但在自然情景下, 城市化推进, 人类活动的加剧, 带来经济效益发展的同时显著缩减了耕地面积, 这可能会对粮食产量造成一定影响, 中国发展需要人类与自然和谐相处的区域经济, 而目前城市化趋势的加剧可能会持续打破这种平衡[49].
本研究通过耦合Markov-FLUS模型和InVEST模型预测模拟陕西省生态系统碳储量对于土地利用变化的响应.FLUS模型能够通过耦合人类活动和自然环境的影响, 明确模拟情景下多个土地利用变化的空间轨迹, 从而设计不同土地利用类型之间的相互作用和竞争, 与Markov链的结合使用, 可以实现土地利用变化在时空上的表现[3].InVEST模型能够综合考虑不同生态系统和地类中的碳储量, 直观和定量的可视化地区的碳储量情况, 通过与地理信息系统技术的结合可以识别和区分不同地区的碳储量变化.在未来全球生态系统和气候变化问题逐渐加剧的今天, 迫切需要了解土地利用格局变化对于生态的影响, 碳储量作为生态系统健康的关键指标[50], 评估碳储量在一定程度上能反映区域发展对于生态环境的影响, 通过本研究的结果发现, 基于过去20年土地利用变化预测的不同情景下的碳储量均有增加, 其中在生态优先情景下的碳储量增速相对最快, 耕地保护情景下的碳储量增速相对最慢.在不同的情景中, 林地作为6种地类中的主要碳储库, 在维持生态系统稳定和健康中都发挥着举足轻重的作用[51].
研究确定的碳密度数据参考全国尺度下或者邻近区域的碳密度优先选用陕西省的实测数据, 并对异常值进行了剔除, 但是由于人类活动或者自然因素带来的碳密度的时空动态变化难以避免, 从而可能导致测算的碳密度结果存在一定程度的不确定性.同时本研究选取的13种因子虽然涉及了高相关度的自然因子与社会经济发展因子, 但未充分考虑地方相关政策的影响, 使得模拟结果具有一定的不确定性, 今后的研究中可以加入地方政策的影响, 以评估政策引导下的碳储量对于土地利用变化的响应, 为未来的国土空间规划提供参考.
4 结论（1）6种地类的ROC值均在0.7以上, Kappa系数为0.90, OA精度为0.94.由精度检验结果可以看出, 模型具有高精度和优秀的分类性能.
（2）2000~2020年, 陕西省的耕地大幅减少, 由60 744.31 km2减至50 302.19 km2, 林地显著增加, 由84 317.63 km2增至93 463.94 km2, 耕地受人类活动影响导致面积减少, 但在一系列生态环保政策的影响下, 具有高固碳效益的林地面积显著增加, 这使得陕西省的碳储量从1 546.95 Tg上升到1 616.25 Tg, 增幅达4.5%, 省内各地市的变化互有差异, 延安的碳储量显著增加了18.89 Tg, 榆林的碳储量在20年间显著减少了3.29Tg.
（3）陕西省的碳储量变化与土地利用变化密切相关, 海拔、坡度和降水是影响碳储量时空变化的主要驱动因素.在2025年与2030年的3种不同情景下, 林地对碳储量的贡献最大, 其固碳值相对较高, 耕地、草地以及其他土地类型的固碳值相对较低.生态优先情景注重对于生态环境与效益的提高, 因而其所带来的碳储量增幅最大, 而耕地保护情景下的碳储量增幅最低, 高标准农田建设是未来的一个发展趋势, 未来的农业发展应当注重由量到质的转变, 需要考虑到耕地保护对于生态系统的影响.
（4）本研究发现在自然发展情景下, 碳储量明显增加区域和明显减少区域占比均显著高于生态优先情景和耕地保护情景, 且增加区和减少区占比基本持平生态优先情景下, 碳储量明显减少区域占比低于自然发展情景, 碳储量明显增加区域占比高于耕地保护情景, 增加区基本上在全域都有分布, 同时在3种情景下, 陕北黄土高原区的南部和北部均存在碳储量的降低, 这些区域在未来的发展中需要兼顾生态环境的保护.
| [1] | Wang B, Mu C C, Lu H C, et al. Ecosystem carbon storage and sink/source of temperate forested wetlands in Xiaoxing'anling, northeast China[J]. Journal of Forestry Research, 2022, 33(3): 839-849. DOI:10.1007/s11676-021-01366-0 |
| [2] | Girmay G, Singh B R, Mitiku H, et al. Carbon stocks in Ethiopian soils in relation to land use and soil management[J]. Land Degradation & Development, 2008, 19(4): 351-367. |
| [3] |
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. |
| [4] | Yoro K O, Daramola M O. CO2 emission sources, greenhouse gases, and the global warming effect[A]. In: Rahimpour M R, Farsi M, Makarem M A (Eds. ). Advances in Carbon Capture: Methods, Technologies and Applications[M]. Oxford: Woodhead Publishing, 2020. 3-28. |
| [5] | Ning K, Chen J, Li Z W, et al. Land use change induced by the implementation of ecological restoration Programs increases future terrestrial ecosystem carbon sequestration in red soil hilly region of China[J]. Ecological Indicators, 2021, 133. DOI:10.1016/j.ecolind.2021.108409 |
| [6] | 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 |
| [7] |
蒋婧, 宋明华. 植物与土壤微生物在调控生态系统养分循环中的作用[J]. 植物生态学报, 2010, 34(8): 979-988. Jiang J, Song M H. Review of the roles of plants and soil microorganisms in regulating ecosystem nutrient cycling[J]. Chinese Journal of Plant Ecology, 2010, 34(8): 979-988. |
| [8] | Ma H Z, Mo L D, Crowther T W, et al. The global distribution and environmental drivers of aboveground versus belowground plant biomass[J]. Nature Ecology & Evolution, 2021, 5(8): 1110-1122. |
| [9] |
王森, 王海燕, 谢永生, 等. 延安市退耕还林前后土壤保持生态服务功能评价[J]. 水土保持研究, 2019, 26(1): 280-286. Wang S, Wang H Y, Xie Y S, et al. Evaluation of ecological service function of soil conservation before and after grain for green project in Yan'an city[J]. Research of Soil and Water Conservation, 2019, 26(1): 280-286. |
| [10] | Meena R S, Kumar S, Yadav G S. Soil carbon sequestration in crop production[M]. Singapore: Springer, 2020: 1-39. |
| [11] |
卢雅焱, 徐晓亮, 李基才, 等. 基于InVEST模型的新疆天山碳储量时空演变研究[J]. 干旱区研究, 2022, 39(6): 1896-1906. Lu Y Y, Xu X L, Li J C, et al. Research on the spatio-temporal variation of carbon storage in the Xinjiang Tianshan Mountains based on the InVEST model[J]. Arid Zone Research, 2022, 39(6): 1896-1906. |
| [12] | Toru T, Kibret K. Carbon stock under major land use/land cover types of Hades sub-watershed, eastern Ethiopia[J]. Carbon Balance and Management, 2019, 14(1). DOI:10.1186/s13021-019-0122-z |
| [13] | Richards D R, Thompson B S, Wijedasa L. Quantifying net loss of global mangrove carbon stocks from 20 years of land cover change[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-18118-z |
| [14] |
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. |
| [15] | Huang D Q, Huang J, Liu T. Delimiting urban growth boundaries using the CLUE-S model with village administrative boundaries[J]. Land Use Policy, 2019, 82: 422-435. DOI:10.1016/j.landusepol.2018.12.028 |
| [16] | 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. DOI:10.1016/j.landurbplan.2017.09.019 |
| [17] | Chen Z Z, Huang M, Zhu D Y, et al. Integrating remote sensing and a markov-FLUS model to simulate future land use changes in Hokkaido, Japan[J]. Remote Sensing, 2021, 13(13). DOI:10.3390/rs13132621 |
| [18] | Ponce-Hernandez R, Koohafkan P, Antoine J. Assessing carbon stocks and modelling win-win scenarios of carbon sequestration through land-use changes[M]. Rome: Food and Agriculture Organization, 2004. |
| [19] | Bindajam A A, Mallick J, Talukdar S, et al. Integration of artificial intelligence—based LULC mapping and prediction for estimating ecosystem services for urban sustainability: past to future perspective[J]. Arabian Journal of Geosciences, 2021, 14(18). DOI:10.1007/s12517-021-08251-4 |
| [20] | Sharps K, Masante D, Thomas A, et al. Comparing strengths and weaknesses of three ecosystem services modelling tools in a diverse UK river catchment[J]. Science of the Total Environment, 2017, 584⁃585: 118-130. |
| [21] | Guo W, Teng Y J, Yan Y G, et al. Simulation of land use and carbon storage evolution in multi-scenario: a case study in Beijing-Tianjin-Hebei Urban Agglomeration, China[J]. Sustainability, 2022, 14(20). DOI:10.3390/su142013436 |
| [22] | Zhou J, Cao X S. What is the policy improvement of China's land consolidation? Evidence from completed land consolidation projects in Shaanxi Province[J]. Land Use Policy, 2020, 99. DOI:10.1016/j.landusepol.2020.104847 |
| [23] | Xu J, Yang M S, Hou C P, et al. Distribution of rural tourism development in geographical space: a case study of 323 traditional villages in Shaanxi, China[J]. European Journal of Remote Sensing, 2021, 54(S2): 318-333. |
| [24] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [25] | Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-like data (1992-2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. DOI:10.1109/TGRS.2021.3135333 |
| [26] |
崔高阳, 陈云明, 曹扬, 等. 陕西省森林生态系统碳储量分布格局分析[J]. 植物生态学报, 2015, 39(4): 333-342. Cui G Y, Chen Y M, Cao Y, et al. Analysis on carbon stock distribution patterns of forest ecosystems in Shaanxi Province[J]. Chinese Journal of Plant Ecology, 2015, 39(4): 333-342. |
| [27] |
刘京, 常庆瑞, 陈涛, 等. 陕西省土壤有机碳密度空间分布及储量估算[J]. 土壤通报, 2012, 43(3): 656-661. Liu J, Chang Q R, Chen T, et al. Spatial distribution characteristics and estimation of soil organic carbon density and storage in Shanxi Province, in China[J]. Chinese Journal of Soil Science, 2012, 43(3): 656-661. |
| [28] | Zhang P P, Wang Y Q, Sun H, et al. Spatial variation and distribution of soil organic carbon in an urban ecosystem from high-density sampling[J]. CATENA, 2021, 204. DOI:10.1016/j.catena.2021.105364 |
| [29] | Shi M J, Wu H Q, Jiang P G, et al. Food-water-land-ecosystem nexus in typical Chinese dryland under different future scenarios[J]. Science of the Total Environment, 2023, 880. DOI:10.1016/j.scitotenv.2023.163183 |
| [30] | Chen L L, Zhao H S, Song G, et al. Optimization of cultivated land pattern for achieving cultivated land system security: a case study in Heilongjiang Province, China[J]. Land Use Policy, 2021, 108. DOI:10.1016/j.landusepol.2021.105589 |
| [31] | Wang Y, Li S C. Simulating multiple class urban land-use/cover changes by RBFN-based CA model[J]. Computers & Geosciences, 2011, 37(2): 111-121. |
| [32] |
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. |
| [33] | Zhu L Y, Song R X, Sun S, et al. Land use/land cover change and its impact on ecosystem carbon storage in coastal areas of China from 1980 to 2050[J]. Ecological Indicators, 2022, 142. DOI:10.1016/j.ecolind.2022.109178 |
| [34] | Pontius R G, Schneider L C. Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA[J]. Agriculture, 2001, 85(1-3): 239-248. |
| [35] | Deng X Z, Huang J K, Rozelle S, et al. Cultivated land conversion and potential agricultural productivity in China[J]. Land Use Policy, 2006, 23(4): 372-384. DOI:10.1016/j.landusepol.2005.07.003 |
| [36] | Xiao Y, Zhong J L, Zhang Q F, et al. Exploring the coupling coordination and key factors between urbanization and land use efficiency in ecologically sensitive areas: a case study of the Loess Plateau, China[J]. Sustainable Cities and Society, 2022, 86. DOI:10.1016/j.scs.2022.104148 |
| [37] |
孙亚荣, 白应飞, 王亚娟, 等. 1999-2018年延安市各区县退耕还林草实施效果分析[J]. 水土保持研究, 2023, 30(1): 209-215. Sun Y R, Bai Y F, Wang Y J, et al. Analysis on the implementation effect of returning farmland to forestland and grassland in various districts and counties of Yan'an City from 1999 to 2018[J]. Research of Soil and Water Conservation, 2023, 30(1): 209-215. |
| [38] | Ullah M, Li J, Wadood B. Analysis of urban expansion and its impacts on land surface temperature and vegetation using RS and GIS, a case study in Xi'an City, China[J]. Earth Systems and Environment, 2020, 4(3): 583-597. |
| [39] | Fu H, Liu X L, Li X X. Study on spatial and temporal changes of ecological vulnerability in Weinan area based on GIS[J]. IOP Conference Series: Earth and Environmental Science, 2019, 371(3). DOI:10.1088/1755-1315/371/3/032016 |
| [40] | Zhu Y, Tong Q L, Yan X X, et al. Development of an uncertain Gaussian diffusion model with its application to production-emission system management in coal-dependent city- a case study of Yulin, China[J]. Energy Procedia, 2019, 158: 3253-3258. |
| [41] | Dou H S, Li X B, Li S K, et al. Mapping ecosystem services bundles for analyzing spatial trade-offs in inner Mongolia, China[J]. Journal of Cleaner Production, 2020, 256. DOI:10.1016/j.jclepro.2020.120444 |
| [42] | Zhang X R, Wang Y S, Yuan X F, et al. Identifying ecosystem service supply-demand imbalance for sustainable land management in China's Loess Plateau[J]. Land Use Policy, 2022, 123. DOI:10.1016/j.landusepol.2022.106423 |
| [43] |
张哲, 时振钦, 朱文博, 等. 基于InVEST模型的伏牛山地区生态系统碳储量时空变化模拟[J]. 环境科学, 2024, 45(4): 2332-2341. Zhang Z, Shi Z Q, Zhu W B, et al. Simulation of temporal and spatial changes of ecosystem carbon storage in Funiu Mountains based on InVEST model[J]. Environmental Science, 2024, 45(4): 2332-2341. |
| [44] |
聂小东, 李忠武, 王晓燕, 等. 雨强对红壤坡耕地泥沙流失及有机碳富集的影响规律研究[J]. 土壤学报, 2013, 50(5): 900-908. Nie X D, Li Z W, Wang X Y, et al. Effect of rainfall intensity on soil loss from slope farmland of red soil and organic carbon enrichment in sediment[J]. Acta Pedologica Sinica, 2013, 50(5): 900-908. |
| [45] |
孙迈, 李鹏, 任培鑫, 等. 青藏高原植被物候对不同强度极端温度和降水的差异化响应[J]. 中国科学: 地球科学, 2023, 66(10): 2231-2242. Sun M, Li P, Ren P X, et al. Divergent response of vegetation phenology to extreme temperatures and precipitation of different intensities on the Tibetan Plateau[J]. Science China Earth Sciences, 2023, 66(10): 2200-2210. |
| [46] | Wang T F, Gong Z W. Evaluation and analysis of water conservation function of ecosystem in Shaanxi Province in China based on "Grain for Green" Projects[J]. Environmental Science and Pollution Research, 2022, 29(55): 83878-83896. |
| [47] | Bai Y. Analysis of vegetation dynamics in the Qinling-Daba Mountains region from MODIS time series data[J]. Ecological Indicators, 2021, 129. DOI:10.1016/j.ecolind.2021.108029 |
| [48] | 中共中央, 国务院. 关于加强耕地保护和改进占补平衡的意见[EB/OL]. https://www.gov.cn/zhengce/2017-01/23/content_5162649.htm, 2023-08-03. |
| [49] | Xie X, Fang B, Xu H Z Y, et al. Study on the coordinated relationship between Urban Land use efficiency and ecosystem health in China[J]. Land Use Policy, 2021, 102. DOI:10.1016/j.landusepol.2020.105235 |
| [50] | Were K, Bui D T, Dick Ø B, et al. A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape[J]. Ecological Indicators, 2015, 52: 394-403. |
| [51] | Dahar D, Handayani B, Mardikaningsih R. Urban Forest: the role of improving the quality of the urban environment[J]. Bulletin of Science, 2022, 1(1): 25-29. |