2024, Vol. 45
, QIAN Bao-wei , JI Guang-xing
, CHEN Wei-qiang , HUANG Jun-chang , GUO Yu-long , CHEN Yi-nan
当前, 全球变暖日趋严重, 气候变化成为世界面临的巨大挑战之一, 各国正积极致力于减缓温室气体排放速度[1].在2020年, 习总书记宣布中国力争于2030年前实现碳达峰, 2060年前实现碳中和[2, 3].陆地生态系统碳储量作为缓解温室效应对全球影响最经济可行和环境友好的重要途径之一, 成为各国政府和学者研究关注的焦点之一[4~7].陆地生态系统碳储量包括植被地上和地下生物有机碳、凋落物有机碳以及土壤有机碳储量[8], 主要是通过光合作用吸收CO2并固定在植被和土壤中调节区域碳循环, 减缓气候变化, 维持全球生态平衡[9~11].而引起碳储量变化最主要的因素之一是土地利用变化, 它通过改变生态系统结构功能和过程来影响碳储量变化[12, 13].因此定量评估和预测土地利用变化对区域碳储量的影响, 探究优化土地利用结构提高区域碳储量, 对维持区域可持续发展以及减轻气候变化具有重要意义[12, 14].
近年来, 国内外学者对不同区域土地利用变化对碳储量的影响做了大量的研究.最常用的方法为样地实测、3S遥感技术和模型模拟法[15], 其中样地实测法[16~18]精度高, 但仅适用于较小范围的区域并且无法反映碳储量的动态变化.3S遥感技术[19]可以进行大尺度的碳储量估算, 但多用于计算特定的生物量.模型模拟法能够模拟、预测和评估不同尺度下的碳储量[20, 21].因此大多数学者在研究不同区域生态系统碳储量变化时, 选择用模型模拟的方法去模拟预测碳储量并进行评估[22~26].杨洁等[27]运用CA-Markov和InVEST模型, 以黄河流域2005~2018年的土地利用数据为基础, 得出2005~2030年黄河流域的碳储量时空并对其变化进行分析研究. Li等[28]利用CA-Markov和InVEST模型对云南省不同时期生态系统碳储量以及土地利用类型变化与生态系统碳储量变化之间的关系进行了评估与分析.联合国政府间气候变化专门委员会发布5种共享社会经济路径（SSPs）, 描述了未来人类社会经济发展模式[29], 而在研究中使用SSPs情景去模拟预测土地利用变化对碳储量的影响比用其他未来情景模拟预测的要少[30, 31], 同时研究使用的PLUS模型的模拟精度较其他模型更准确[32~34], 能够更好地模拟土地利用变化.
淮河流域是我国南北气候过渡带, 同时也是我国的人口密集区以及粮食主产区, 它的未来区域可持续发展对我国是至关重要的.许多学者对该流域进行了多方面综合系统地研究, 但主要是基于历史时期的分析[35, 36], 对淮河流域未来多情景土地利用变化、碳储量的模拟预测及其相互影响等问题还尚不清楚.因此, 本文以淮河流域中上游为研究区, 基于1980~2020年的土地利用数据, 预测SSP1-2.6、SSP2-4.5、SSP5-8.5以及现状延续4种情景下2030~2100年的土地利用类型, 运用InVEST模型模拟1980~2020年以及各个情景下2030~2100年的碳密度, 进而分析淮河流域中上游未来碳储量时空变化特征, 以期为淮河流域中上游未来土地资源合理配置、生态系统碳储量平衡以及区域可持续发展提供科学依据.
1 材料与方法 1.1 研究区概况淮河流域地处中国华中河南与华东苏皖（图 1）, 位于长江和黄河流域之间, 东经111°55′~121°25′, 北纬30°55′~36°36′, 流域面积为27万km2.淮河流域西起桐柏山和伏牛山, 东临黄海, 南以大别山、江淮丘陵、通扬运河及如泰运河南堤与长江分界, 北以黄河南堤和泰山为界与黄河流域毗邻.流域西部、西南部及东北部为山区和丘陵区, 其余为平原.淮河流域是我国南北气候过渡带, 也是我国的粮食生产基地、能源矿产基地和制造业基地.淮河流域分为上游、中游以及下游, 其中上游是洪河口以上, 中游为洪河口以下至洪泽湖出口中渡, 而本研究选取淮河流域中上游, 中游到蚌埠站, 占淮河流域总面积的40.1%.
|
图 1 研究区概况示意 Fig. 1 Schematic overview of the study area |
（1）土地利用现状数据包括1980~2020年5期土地利用数据, SSPs情景选取SSP1-2.6、SSP2-4.5和SSP5-8.5这3种情景下2030~2100年8期土地利用数据, 驱动因子包括社会经济和气候环境共10项, 具体如表 1所示.以上数据皆为全国范围, 后通过裁剪得到研究区所需数据.
|
表 1 数据来源 Table 1 Data source |
（2）设置碳密度数据及修正时, 有研究表明碳密度受气候、土壤性质和土地利用等影响[37], 而生物量碳密度和土壤有机碳密度与年降水量和年均气温具有相关性[11, 27], 因此, 本研究采用降水和气温两个气候因子对碳密度进行修正, 利用修正公式[27, 38, 39]对其进行修正.
|
(1) |
|
(2) |
|
(3) |
|
(4) |
|
(5) |
式中, P为年平均降水量（mm）, T为年平均气温（℃）, CSP为根据年平均降水量得到的土壤碳密度, CBP和CBT分别为根据年平均降水量和年平均气温得到的生物碳密度.C1为淮河流域中上游, C2为安徽省. KBP和KBT为生物量碳密度降水因子和气温因子的修正系数；KB和KS分别为生物量和土壤碳密度修正系数.
本文优先选取与研究区相似或邻近的地区的碳密度对其进行修正[40, 41].本研究选取安徽省[42]的碳密度修正, 安徽省和淮河流域中上游的年降水量和年均温分别是1 195.6 mm、15.49℃和910 mm、15.03℃, 利用安徽省碳密度乘以修正系数即为淮河流域中上游碳密度（表 2）.
|
|
表 2 修正后的淮河流域中上游碳密度/t·hm-2 Table 2 Revised carbon density in the middle and upper reaches of the Huai River (MUHHR)/t·hm-2 |
1.3 研究方法 1.3.1 基于PLUS模型预测不同土地利用类型变化
PLUS可以获得更高的仿真精度和更相似的景观[33, 43], 该模型主要包括两大模块, 其中用地扩张分析策略模块（LEAS）能提取两期土地利用数据间各类用地扩张部分并利用驱动因子生成各地类的发展潜力, 该模块融合了多种算法, 多重共线性问题得到更好的处理, 使土地利用扩张有更好的解释[44].多类型随机斑块种子机制的元胞自动机模块（CARS）能结合随机种子生成和阈值递减机制, 在发展潜力下, 设置相应的邻域权重和转移成本矩阵, 生成模拟斑块[33].
在设置邻域权重时, 本研究对模型参数进行多次实验, 通过对比不同模拟结果精度, 最终得到各地类的邻域权重, 具体设置如下：耕地为0.5、林地为0.08、草地为0.03、水域为0.08、建设用地为0.7和未利用地为0.为了保证模型可以用于研究区的未来土地利用模拟预测, 研究采用Kappa系数和FoM来验证模拟精度, 其中Kappa系数为0.76, FoM为0.07, 总体精度为0.88, 由相关研究可知[45, 46], 结果模拟精度较高, 可以用来模拟预测未来土地利用变化.
在本研究中, 经过多方面综合考虑, 共设置了4种未来情景模拟, 即SSP1-2.6、SSP2-4.5、SSP5-8.5和土地利用现状延续, 以2020年为基准, 输入各种情景下的数据, 设置领域权重和转移矩阵（表 3）, 得到4种未来情景下的土地利用类型变化.
|
|
表 3 多情景土地转移矩阵1） Table 3 Multi-scenario land transfer matrix |
1.3.2 InVEST模型Carbon模块
InVEST模型广泛应用于生态系统服务功能评估, 该模型实现了生态系统服务功能价值定量评估的空间化.本研究将利用InVEST模型Carbon模块, 得到不同土地利用类型的碳储量, 其中碳储量分为地上生物碳（Cabove）、地下生物碳（Cbelow）、土壤有机碳（Csoil）和死亡有机碳（Cdead）4个碳库.根据不同土地利用情况, 对4个碳库的碳密度进行计算, 然后用每种土地利用类型的面积乘以其碳密度并求和, 得到最终的总碳储量.
|
(6) |
|
(7) |
式中, i为每种土地利用的平均碳密度, Ai为该土地利用的面积.
1.3.3 未来情景设置本次预测模拟研究所设置的情景为SSP1-2.6、SSP2-4.5和SSP5-8.5这3种SSPs情景和现状延续情景.
（1）SSPs情景 共享社会经济路径（shared socioeconomic pathways, SSPs）是由不同社会经济模式驱动下的排放情景构成, 而本研究只探讨其中的3种情景, 即SSP1-2.6、SSP2-4.5和SSP5-8.5.
SSP1-2.6情景是低社会脆弱性和低辐射强迫水平相结合, 该情景属于生态友好可持续发展, 即低排放低耗能, 所排放的温室气体浓度低.SSP2-4.5情景是中社会脆弱性和中辐射强迫水平的结合, 该情景为中等经济发展水平, 其温室气体排放处于中等.SSP5-8.5情景是高社会脆弱性和高强迫水平相结合, 该情景为推动经济发展, 以化石为燃料, 其温室气体排放浓度高[47, 48].
（2）现状延续情景 该情景为历史延续情景, 即不考虑任何规划政策的变化, 仅仅延续历史土地利用转换规律和排放规律[49], 该情景采用马尔科夫链（Markov Chain）预测.本研究将基于2010~2020年的数据, 利用马尔科夫链预测淮河流域中上游2030~2100年的各类土地利用状况.
2 结果与分析 2.1 1980~2020年淮河流域中上游土地利用变化以及碳储量时空变化在1980~2020年（表 4）, 耕地是淮河流域中上游最主要的地类, 其面积占总面积的一半多；其次是林地和建设用地, 两者占比基本维持在12%左右, 甚至在近几年发展中, 建设用地面积渐渐赶超林地；之后是草地和水域, 面积占比都为3%左右, 其中水域面积要少于草地面积；未利用地是6种地类中面积最少的地类, 甚至可以忽略不计.
|
|
表 4 1980~2020年淮河流域中上游土地利用类型和碳储量 Table 4 Land use types and carbon stocks in the MUHHR from 1980 to 2020 |
在这40年中, 淮河流域中上游耕地面积持续减少, 到2020年减少了4 699 km2.林地面积持曲线变化, 总体来说, 林地面积变化较少, 共增加了308 km2.草地面积在前后10年中都有所增加, 中间时段面积减少, 总体草地面积减少601 km2.水域面积一直在缓慢增加, 截至2020年, 水域面积增加了441 km2.建设用地持续增加, 40年中建设用地共增加了4 592 km2.未利用地面积较少, 变化较小, 在此不做过多解释.
从1980~2020年（表 4）, 耕地的碳储量是淮河流域中上游总碳储量中最多的, 占全部碳储量的60%以上；其次是林地, 碳储量大致为总碳储量的1/4；草地与建设用地碳储量基本持平, 其碳储量皆不超过总碳储量的10%；水域的碳储量虽大于未利用地, 但两者的碳储量都是极少的, 甚至连总碳储量的1%都不到.
从时间上看, 耕地碳储量在这40年中呈下降趋势, 其碳储量一共减少了1.73×107 t, 是所有地类中碳储量减少最多的, 究其原因和耕地面积的减少有很大关系；林地碳储量有增有减, 但总体呈上升趋势, 40年中碳储量共增加2.47×106 t；草地碳储量到2020年减少4.17×106 t；建设用地面积不断增加致使其碳储量也不断增加, 40年来, 建设用地碳储量共增加了8.48×106 t；水域碳储量也在逐年增加, 到2020年, 共增加了2.12×104 t；未利用地碳储量虽少, 但也发生了变化, 40年中碳储量增加了1.08×103 t.从总碳储量来看, 研究区1980~2020年的总碳储量一直处于下降趋势, 在40年中共减少了1.05×107 t, 由此可知耕地面积的减少以及建设用地的增加对流域总碳储量具有较大的影响.
从空间特征来看（图 2）, 淮河流域中上游碳储量高值主要分布在西部至南部的边缘地带, 该地带多为草地和林地；碳储量低值则呈零星状分布在研究区的其他区域, 东南部以及北部为碳储量低值聚集区, 碳储量低值区域多为建设用地以及河流经过地区.从图 2可以看出, 碳储量低值区域也在不断增加.
|
图 2 1980~2020年淮河流域中上游碳储量 Fig. 2 Carbon storage in the MUHHR from 1980 to 2020 |
为了更清楚地了解研究区碳储量的空间变化, 本文利用ArcGIS中的栅格计算器, 用后一年的碳储量减去前一年的碳储量, 得到了每10年碳储量空间变化（图 3）.从图 3中可以看出, 1980~2020年每10年碳储量增加与减少基本是呈零星状混合分布在淮河流域中上游. 1980~1990年碳储量增加和减少较为密集的地区主要分布在南部；1990~2000年碳储量的空间变化和1980~1990年相差不大, 1990~2000年北部碳储量减少的地区相对有所增加；2000~2010年北部发生了明显的碳储量减少的情况, 东部碳储量减少区域相较于之前有所下降, 在西南部分有一块地区碳储量增加较密集；2010~2020年研究区碳储量不变地区较多, 碳储量减少的区域主要零星地分布在西北部和中部, 且范围较小.
|
图 3 1980~2020年淮河流域中上游碳储量变化 Fig. 3 Changes of carbon storage in the MUHHR from 1980 to 2020 |
研究设置了SSP1-2.6、SSP2-4.5、SSP5-8.5和现状延续情景这4种未来情景, 在模拟预测SSP1-2.6、SSP2-4.5和SSP5-8.5情景时, 将水域面积设置为固定值, 即水域面积不随着时间和SSPs情景变化而变化, 其值为3 545 km2, 故在分析土地利用变化时不过多考虑水域变化（图 4）.同时在4种情景下, 未利用地面积过小, 占比近为0, 其变化可忽略不计, 故在此不加以分析.
|
图 4 2030~2100年各个情景下土地利用类型 Fig. 4 Land use types under various scenarios from 2030 to 2100 |
在SSP1-2.6情景中（图 4）, 耕地面积占总面积的60%多, 是淮河流域中上游主要地类, 其次是建设用地, 在该情景中建设用地面积比林地多, 为淮河流域中上游的第二地类；草地和水域面积相近, 均不超过总面积的5%.从2030~2100年, 研究区耕地面积先减少后增加, 总体增加了1 391 km2；林地面积变化趋势不稳定, 但占比保持在13%多, 总体面积增加了325 km2, 且该情景的林地是4个情景中占比最多的；草地面积有增有减, 共减少了321 km2；建设用地先增加后减少, 总体减少1 395 km2, 但建设用地依旧是淮河流域中上游第二地类.
在SSP2-4.5情景中, 耕地为淮河流域中上游主要地类, 其次为建设用地、林地、草地、水域和未利用地.在该情景中, 耕地面积先增加后减少, 共减少了1 683 km2；林地面积占总面积的比例在12%左右, 其面积在不断下降, 占比由12.55%下降到11.62%；草地面积先减小后增大, 总体面积增加18 km2；建设用地所占比例在15%左右, 总体面积增加了2 791 km2.
在SSP5-8.5情景中, 耕地为研究区的主要地类, 其余地类依次为建设用地、林地、草地、水域和未利用地.从2030~2100年, 耕地面积占比都在67%以上, 其面积先增加后减少, 但总体增加了0.5%, 该情景的耕地占比是4个情景中最多的；林地面积一直在减少, 面积共减少1 523 km2；草地变化较小, 总体仅增加了0.02%；建设用地在不断地增加, 共增加面积894 km2.
在现状延续下, 耕地为主要地类, 其次是建设用地、林地、草地、水域以及未利用地, 其中耕地占比在60%以上, 在2030~2100年, 耕地面积持续减少, 占比下降了3.65%；林地面积缓慢减少, 70年林地面积共减少了283 km2；草地面积缓慢增加, 共增加161 km2；水域面积发生小幅度变化；建设用地不断上升, 占比上升了3.76%.
在4种情景下相较于实际2020年的土地利用变化中（表 5）, SSP1-2.6情景下, 2020~2030年虽然耕地面积减少较多, 但从2020~2100年耕地只减少了602 km2, 建设用地虽在2020~2030年增加得多, 但2030~2100年有所减少, 2020~2100年总体变化相较于其他情景较小. SSP2-4.5情景下, 2020~2030年林地和草地面积减少, 耕地和建设用地面积增加, 但2020~2100年总体耕地和林地大幅度减少, 建设用地大幅度增加. SSP5-8.5情景下, 2020~2030年林地和草地有所减少, 耕地和建设用地增加, 2020~2100年耕地和建设用地面积增加, 但林地和草地均减少, 其中林地减少2 416 km2, 建设用地增加了1 350 km2.现状延续下, 2020~2030年耕地以及林地减少, 水域、草地以及建设用地增加, 2020~2100年耕地面积减少5 818 km2, 相较于其他情景是减少最多的, 同时建设用地增加了5 924 km2, 为4种情景中增加最多的.4种情景中, SSP1-2.6情景总体是变化较小的, 符合生态保护的设定.
|
|
表 5 4种情景下淮河流域中上游面积变化/km2 Table 5 Changes in the area of the MUHHR under four scenarios/km2 |
通过4种情景下的土地利用分布可知（图 5）, 淮河流域中上游的林地和草地主要分布在西部至南部的边缘地带, 耕地则分布在除此之外的区域, 建设用地呈零星状散落在耕地范围内, 水域主要分布在研究区的东部, 主要部分是淮河.
|
图 5 2030~2100年4种情景下淮河流域中上游土地利用类型分布 Fig. 5 Distribution of land use types in the MUHHR under four scenarios from 2030 to 2100 |
以4种未来情景下淮河流域中上游土地利用类型为基础, 利用InVEST模型中的Carbon模块来模拟预测各种情景下2030~2100年的碳储量, 并对此进行分析.
从时间上来看（图 6）, SSP1-2.6情景的碳储量变化趋势是下降-上升-下降, 在2090年时其碳储量达到最高值, 为4.85×108 t, 从2030~2010年, 该情景下的碳储量增加了2.98×106 t. SSP2-4.5情景碳储量的变化趋势是缓慢下降, 70 a碳储量减少了9.93×106 t. SSP5-8.5情景碳储量变化呈下降趋势, 直至2100年共减少了8.18×106 t.现状延续碳储量变化也是呈下降趋势, 70 a共减少了9.05×106 t.
|
图 6 2030~2100年4种情景下淮河流域中上游总碳储量变化 Fig. 6 Changes in total carbon storage in the MUHHR under four scenarios from 2030 to 2100 |
综合4种情景下的碳储量变化, 可以看出, SSP1-2.6情景是4种情景下碳储量模拟最好的一种情景, 而这也符合该情景生态友好型的设定；SSP2-4.5情景和现状延续情景碳储量变化基本相同, 但现状延续相较SSP2-4.5情景碳储量要多；在2030~2090年SSP5-8.5情景碳储量, 都是4种情景下最低的, 在2090~2100年碳储量稍微多于SSP2-4.5情景, 其原因可能是SSP5-8.5情景过多开垦耕地, 而耕地碳储量要比建设用地多.
表 6是4种未来情景下相较于实际2020年碳储量变化. SSP1-2.6情景下, 2020~2030年耕地碳储量减少为4种情景下最多的, 但2030~2100年耕地碳储量有所增加, 2020~2100年碳储量总变化较小；林地碳储量变化都呈增加趋势, 草地与之相反；建设用地在2020~2030年增加了34.96×105 t, 在2030~2100年减少了25.75×105 t, 2020~2100年总体增加9.21×105 t, 相比其他情景增加较少, 这说明建设用地面积扩张得到了明显的控制.SSP2-4.5情景下林地碳储量和草地碳储量均减少, 2020~2100年所有土地利用类型碳储量总变化减少了142.81×105 t. SSP5-8.5情景下林地碳储量发生大幅度减少, 2020~2100年总碳储量减少了133.69×105 t.现状延续下耕地碳储量大幅度减少, 建设用地碳储量大幅度增加, 其余地类变化不大, 2020~2100年碳储量总变化减少了122.50×105 t.
|
|
表 6 4种情景下淮河流域中上游碳储量变化×105/t Table 6 Changes of carbon storage in the MUHHR under four scenarios×105/t |
从空间特征上看（图 7）, 4种情景下碳储量分布特征基本一致, 即碳储量高值主要分布在淮河流域中上游的西部至南部的边缘地带, 而此处多为林地和草地；碳储量低值主要以零星状散落在研究区内, 主要为建设用地所在区域, 在研究区东部的碳储量低值区较密集, 该区域主要是河流.
|
图 7 2030~2100年4种情景下淮河流域中上游碳储量 Fig. 7 Carbon storage in the MUHHR under four scenarios from 2030 to 2100 |
为了更清楚地了解各个情景下碳储量的空间变化特征, 本文利用ArcGIS中的栅格计算器, 用各个情景下的2030年碳储量减去实际2020年碳储量以及用2100年碳储量减去2030年碳储量, 得到两个碳储量变化图（图 8）. SSP1-2.6情景下2020~2030年碳储量减少主要分布在北部到东部地区以及中部, 范围较大, 碳储量增加主要在南部的边缘区, 2030~2100年, 碳储量增加和减少的地区相互混杂地分散在北部、中部和东部地区. SSP2-4.5情景下2020~2030年碳储量基本不变, 减少的区域主要集中在北部、西部以及南部的边缘地区, 增加区域较少, 2030~2100年碳储量减少的区域明显扩大.SSP5-8.5情景下2020~2030年碳储量大部分不变, 在北部、西部以及南部的边缘地区碳储量减少, 基本无增加区域, 2030~2100年碳储量减少的区域分布基本不变, 同时在其周围地区碳储量少量增加.现状延续下碳储量变化较4种情景更明显, 其中2020~2030年西部至南部碳储量减少区域较多, 西南部碳储量增加较密集, 2030~2100年碳储量减少区域明显增加, 尤其是北部至东部, 碳储量增加的区域很少, 主要分布在东部和西部.
|
图 8 2020~2100年4种情景下淮河流域中上游碳储量变化 Fig. 8 Changes of carbon storage in the MUHHR under four scenarios from 2020 to 2100 |
本文研究了历史时期以及不同未来情景下的淮河流域中上游土地利用变化和碳储量时空变化.从1980~2020年, 淮河流域中上游的耕地逐年减少, 大部分转变为建设用地, 其碳储量减少了1.05×107 t.SSP1-2.6情景属于生态友好型, 在该情景下, 各地类变化较小, 总体碳储量增加8.7×104 t, 这表明一定的生态保护有利于固碳能力的提高, 对林地、草地和耕地数量有一定的保护, 对建设用地的扩张有一定的限制, 边蕊等[40]研究认为生态发展情景可以有效保护草地和林地等高碳密度地类基础上, 限制建设用地扩张, 这与研究结果相对一致.SSP2-4.5情景是中等发展水平模式, 在该情景下建设用地扩张严重加之林地减少, 导致碳储量减少.SSP5-8.5情景是高耗能高排放, 虽然耕地面积有所增加, 但林地大幅度减少以及建设用地增加, 导致碳储量减少133.69×105 t, 表明碳密度大的地类转变为小的地类会引起总碳储量的减少, 这与祁迷等[22]的研究结果相一致.现状延续延续历史发展, 耕地大量减少, 建设用地大量增加, 使得碳储量减少.
在空间上, 碳储量在历史时期和4种情景下的分布相对一致, 碳储量在不同时期的变化较小, 研究区西部至南部为碳储量高值区, 此处多是林地与草地, 低值区则零星散落在研究区, 多为建设用地, 这与汪勇政等[42]研究认为的碳储量高值分布在林地密集的山区, 低值分布在城市发展区结果相一致.
不足与展望：①考虑到不同的发展情景, 本文共设置了4种未来情景, 基本能概括未来发展模拟, 但4种情景与现实还存在一些差距, 无法涵盖未来全部发展. ②在数据选取上, 由于现实的限制性, 无法全面详细地获取, 并且对于未来社会经济变化以及政策干预等的影响没有过多地考虑.在后续会多关注未来发展来完善数据.③InVEST模型中的Carbon模块只将土地利用类型变化作为碳储量变化的假设因素, 简化了陆地生态系统碳循环的过程[50].基于此, 在后续研究中会加入实测数据提高准确度.
随着时代发展, 研究区中大量的耕地转变为建设用地, 为了维持生态保护, 实行“退耕还林还草”政策, 使得耕地无法增加甚至有所减少, 而建设用地却一直在扩张, 使得研究区固碳能力减弱.近年来为了坚守18亿亩耕地红线, 在不占用林地、草地等生态用地的前提下, 政府出台一系列政策, 如占补平衡、占优补优等, 来协调各类用地, 目前成果显著.可以明确的是在未来发展中, 已经无法再大量地退耕还林还草, 同时为了生态建设, 亦不能伐木造田等, 若要增加研究区碳储量、维持可持续发展, 应该走生态保护这条路, 坚守“绿水青山就是金山银山”的理念, 协调好各类土地利用类型之间的结构, 构建生态网络, 坚持节约、集约用地, 生态与发展齐行, 为研究区做长远打算.
4 结论（1）1980~2020年, 淮河流域中上游耕地和草地面积有所减少, 建设用地、林地以及水域有所增加. 1980~2020年淮河流域中上游碳储量持续减少, 40 a中共减少了1.05×107 t.
（2）在4种未来情景下, 从2020~2100年, SSP1-2.6情景在土地利用变化中变化最小, 其中耕地和草地面积减少, 林地和建设用地面积增加. SSP2-4.5情景中耕地、林地和草地面积减少, 建设用地增加.SSP5-8.5情景林地和草地面积减少, 耕地和建设用地增加.现状延续下耕地、林地和水域面积减少, 草地和建设用地增加, 主要表现为耕地转移为建设用地.
（3）2020~2100年, SSP1-2.6情景总碳储量增加了8.7×104 t, 是4种情景下唯一一种碳储量增加的情景；SSP2-4.5情景总碳储量减少了142.24×105 t, 主要是建设用地的增加以及林地的减少；SSP5-8.5情景总碳储量减少133.69×105 t；现状延续下总碳储量减少122.50×105 t.
| [1] |
牛书丽, 陈卫楠. 全球变化与生态系统研究现状与展望[J]. 植物生态学报, 2020, 44(5): 449-460. Niu S L, Chen W N. Global change and ecosystems research progress and prospect[J]. Chinese Journal of Plant Ecology, 2020, 44(5): 449-460. |
| [2] |
康欢倩, 傅雪罡, 王林, 等. 不同经营水平下江西森林碳汇贡献力预测分析[J]. 南方林业科学, 2022, 50(6): 45-49. Kang H Q, Fu X G, Wang L, et al. Analysis on the contribution of forest carbon sink in Jiangxi Province under different management levels[J]. South China Forestry Science, 2022, 50(6): 45-49. |
| [3] |
付帅, 彭雨欣, 徐炳先. 基于PLUS与InVEST模型的鄱阳湖流域碳储量时空变化与预测[J]. 环境工程, 2023, 41(10): 163-172. Fu S, Peng Y X, Xu B X. Spatial and temporal evolution of carbon storage in Poyang Lake basin based on PLUS and InVEST model[J]. Environmental Engineering, 2023, 41(10): 163-172. |
| [4] |
苏永中, 赵哈林. 土壤有机碳储量、影响因素及其环境效应的研究进展[J]. 中国沙漠, 2002, 22(3): 220-228. Su Y Z, Zhao H L. Advances in researches on soil organic carbon storages‚ affecting factors and its environmental effects[J]. Journal of Desert Research, 2002, 22(3): 220-228. DOI:10.3321/j.issn:1000-694X.2002.03.004 |
| [5] | 季劲钧, 黄玫, 李克让. 21世纪中国陆地生态系统与大气碳交换的预测研究[J]. 中国科学D辑: 地球科学, 2008, 38(2): 211-223. DOI:10.3321/j.issn:1006-9267.2008.02.007 |
| [6] |
方精云, 于贵瑞, 任小波, 等. 中国陆地生态系统固碳效应——中国科学院战略性先导科技专项"应对气候变化的碳收支认证及相关问题"之生态系统固碳任务群研究进展[J]. 中国科学院院刊, 2015, 30(6): 848-857. Fang J Y, Yu G R, Ren X B, et al. Carbon sequestration in China's terrestrial ecosystems under climate change-progress on ecosystem carbon sequestration from the CAS strategic priority research program[J]. Bulletin of Chinese Academy of Sciences, 2015, 30(6): 848-857. |
| [7] |
戴尔阜, 黄宇, 吴卓, 等. 内蒙古草地生态系统碳源/汇时空格局及其与气候因子的关系[J]. 地理学报, 2016, 71(1): 21-34. Dai E F, Huang Y, Wu Z, et al. Spatial-temporal features of carbon source-sink and its relationship with climate factors in Inner Mongolia grassland ecosystem[J]. Acta Geographica Sinica, 2016, 71(1): 21-34. |
| [8] |
高扬, 何念鹏, 汪亚峰. 生态系统固碳特征及其研究进展[J]. 自然资源学报, 2013, 28(7): 1264-1274. Gao Y, He N P, Wang Y F. Characteristics of carbon sequestration by ecosystem and progress in its research[J]. Journal of Natural Resources, 2013, 28(7): 1264-1274. |
| [9] |
谢立军, 白中科, 杨博宇, 等. 碳中和背景下国内外陆地生态系统碳汇评估方法研究进展[J]. 地学前缘, 2023, 30(2): 447-462. Xie L J, Bai Z K, Yang B Y, et al. Carbon sequestration assessment methods at home and abroad for terrestrial ecosystems: Research progress in achieving carbon neutrality[J]. Earth Science Frontiers, 2023, 30(2): 447-462. |
| [10] | Houghton R A. Revised estimates of the annual net flux of carbon to the atmosphere from changes in land use and land management 1850-2000[J]. Tellus B, 2003, 55(2): 378-390. |
| [11] |
王志远, 吴凡, 万鼎, 等. 多情景模拟区域土地利用变化对碳储量的影响[J]. 中国环境科学, 2023, 43(11): 6063-6078. Wang Z Y, Wu F, Wan D, et al. Multi-scenario simulation of the impact of regional land use change on carbon reserve[J]. China Environmental Science, 2023, 43(11): 6063-6078. DOI:10.3969/j.issn.1000-6923.2023.11.043 |
| [12] |
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. |
| [13] | Baumann M, Gasparri I, Piquer-Rodríguez M, et al. Carbon emissions from agricultural expansion and intensification in the Chaco[J]. Global Change Biology, 2017, 23(5): 1902-1916. DOI:10.1111/gcb.13521 |
| [14] |
陈宁, 辛存林, 唐道斌, 等. 中国西北地区多情景土地利用优化与碳储量评估[J]. 环境科学, 2023, 44(8): 4655-4665. Chen N, Xin C L, Tang D B, et al. Multi-scenario land use optimization and carbon storage assessment in Northwest China[J]. Environmental Science, 2023, 44(8): 4655-4665. |
| [15] |
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. |
| [16] | Huang Q X, Robinson D T, Parker D C. Quantifying spatial-temporal change in land-cover and carbon storage among exurban residential parcels[J]. Landscape Ecology, 2014, 29(2): 275-291. DOI:10.1007/s10980-013-9963-0 |
| [17] |
张萌萌, 刘梦云, 常庆瑞, 等. 1985—2015年陕西黄土台塬表层土壤有机碳空间分布[J]. 自然资源学报, 2018, 33(11): 2032-2045. Zhang M M, Liu M Y, Chang Q R, et al. Spatial Distribution of organic carbon in topsoil of the Loess Tableland in Shaanxi Province during 1985-2015[J]. Journal of Natural Resources, 2018, 33(11): 2032-2045. |
| [18] |
董凌勃, 海旭莹, 汪晓珍, 等. 黄土高原退耕还草地植物群落动态对生态系统碳储量的影响[J]. 生态学报, 2020, 40(23): 8559-8569. Dong L B, Hai X Y, Wang X Z, et al. Effects of plant community dynamics on ecosystem carbon stocks since returning farmlands to grasslands on the Loess Plateau[J]. Acta Ecologica Sinica, 2020, 40(23): 8559-8569. |
| [19] |
黄绍霖, 徐涵秋, 林娜, 等. 亚热带地区马尾松林碳储量的遥感估算——以长汀河田盆地为例[J]. 生态学报, 2013, 33(10): 2992-3001. Huang S L, Xu H Q, Lin N, et al. Remote-sensing estimate of the carbon storage of subtropical Pinus massoniana forest in the Hetian Basin of County Changting, China[J]. Acta Ecologica Sinica, 2013, 33(10): 2992-3001. |
| [20] | 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 |
| [21] |
王慧敏, 曾永年. 青海高原东部土地利用的低碳优化模拟——以海东市为例[J]. 地理研究, 2015, 34(7): 1270-1284. Wang H M, Zeng Y N. Land use optimization simulation based on low-carbon emissions in eastern part of Qinghai Plateau[J]. Geographical Research, 2015, 34(7): 1270-1284. |
| [22] |
祁迷, 王飞, 滑永春, 等. 基于PLUS与InVEST模型的内蒙古自治区土地利用变化及碳储量评估[J]. 水土保持学报, 2023, 37(6): 194-200. Qi M, Wang F, Hua Y C, et al. Assessment of land use change and carbon storage in Inner Mongolia Autonomous region based on PLUS and InVEST models[J]. Journal of Soil and Water Conservation, 2023, 37(6): 194-200. |
| [23] | Gong W F, Duan X Y, Sun Y X, et al. Multi-scenario simulation of land use/cover change and carbon storage assessment in Hainan coastal zone from perspective of free trade port construction[J]. Journal of Cleaner Production, 2023, 385. DOI:10.1016/j.jclepro.2022.135630 |
| [24] |
唐玉芝. 基于CBM-CFS3模型的贵州高原森林生态系统碳储量时空变化[J]. 测绘学报, 2023, 52(10): 1800. Tang Y Z. Simulating spatio-temporal dynamics of forest carbon stocks in Guizhou Plateau by CBM-CFS3[J]. Acta Geodaetica et Cartographica Sinica, 2023, 52(10): 1800. DOI:10.11947/j.AGCS.2023.20220379 |
| [25] |
种方方, 杜加强, 朱晓倩, 等. 京津冀陆地生态系统碳储量估算与空间格局分析[J]. 环境科学研究, 2023, 36(11): 2065-2073. Chong F F, Du J Q, Zhu X Q, et al. Carbon storage estimation and spatial pattern analysis of terrestrial ecosystems in the Beijing-Tianjin-Hebei Region[J]. Research of Environmental Sciences, 2023, 36(11): 2065-2073. |
| [26] |
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. |
| [27] |
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. |
| [28] | Li L, Fu W, Luo M C. Spatial and temporal variation and prediction of ecosystem carbon stocks in Yunnan province based on land use change[J]. International Journal of Environmental Research and Public Health, 2022, 19(23). DOI:10.3390/ijerph192316059 |
| [29] |
汤琦, 余珮珩, 陈泽怡, 等. 共享社会经济路径下土地利用变化模拟[J]. 水土保持研究, 2022, 29(1): 301-310. Tang Q, Yu P H, Chen Z Y, et al. Simulation of land use change based on the shared socioeconomic pathways[J]. Research of Soil and Water Conservation, 2022, 29(1): 301-310. |
| [30] |
李福香, 刘殿锋, 孔雪松, 等. 基于动态模拟视角与共享社会经济路径的多情景县域可持续发展潜力评价[J]. 地球信息科学学报, 2022, 24(4): 684-697. Li F X, Liu D F, Kong X S, et al. Multi-scenario evaluation of county-scale development potential based on shared socioeconomic pathways and dynamic simulation approach[J]. Journal of Geo-Information Science, 2022, 24(4): 684-697. |
| [31] |
冯雨柯, 翟石艳, 姜昕彤, 等. 中原城市群"三生"空间模拟及生态效应评估——基于未来土地利用模拟模型和共享社会经济路径情景[J]. 生态学报, 2023, 43(20): 8292-8308. Feng Y K, Zhai S Y, Jiang X T, et al. Simulating spatio-temporal pattern of production-living-ecological space and evaluating eco-environmental effects in Zhongyuan Urban Agglomeration based on FLUS model and shared socioeconomic pathways[J]. Acta Ecologica Sinica, 2023, 43(20): 8292-8308. |
| [32] | 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 |
| [33] | 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 |
| [34] |
丁岳, 王柳柱, 桂峰, 等. 基于InVEST模型和PLUS模型的环杭州湾生态系统碳储量[J]. 环境科学, 2023, 44(6): 3343-3352. Ding Y, Wang L Z, Gui F, et al. Ecosystem carbon storage in Hangzhou Bay area based on InVEST and PLUS models[J]. Environmental Science, 2023, 44(6): 3343-3352. |
| [35] |
黄颖, 李鑫. 1995—2015年淮河生态经济区生态系统服务评估与时空变化分析[J]. 生态与农村环境学报, 2021, 37(1): 49-56. Huang Y, Li X. Ecosystem services evaluation and spatiotemporal analysis of Huaihe River eco-economic zone from 1995 to 2015[J]. Journal of Ecology and Rural Environment, 2021, 37(1): 49-56. |
| [36] |
乔旭宁, 杨祯, 杨永菊. 1995—2020年淮河流域生态系统服务权衡协同关系的尺度效应[J]. 地域研究与开发, 2023, 42(2): 150-154, 166. Qiao X N, Yang Z, Yang Y J. Trade-off and synergy of ecosystem services and their scale effects in the Huaihe river basin from 1995 to 2020[J]. Areal Research and Development, 2023, 42(2): 150-154, 166. DOI:10.3969/j.issn.1003-2363.2023.02.024 |
| [37] | Fu Q, Xu L L, Zheng H Y, et al. Spatiotemporal dynamics of carbon storage in response to urbanization: A case study in the Su-Xi-Chang Region, China[J]. Processes, 2019, 7(11). DOI:10.3390/pr7110836 |
| [38] |
冀新慧, 曹永强, 么嘉棋, 等. 海河流域土地利用与生态系统碳储量变化及预测[J]. 南水北调与水利科技(中英文), 2023, 21(5): 985-995. Ji X H, Cao Y Q, Yao J Q, et al. Land use and ecosystem carbon storage change and prediction in the Haihe River basin[J]. South-to-North Water Transfers and Water Science & Technology, 2023, 21(5): 985-995. |
| [39] | 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 |
| [40] |
边蕊, 赵安周, 刘宪锋, 等. 关中平原城市群土地利用变化对碳储量的影响[J]. 环境科学, 2024, 45(6): 3260-3269. Bian R, Zhao A Z, Liu X F, et al. Impact of land use change on carbon storage in urban agglomerations in the Guanzhong Plain[J]. Environmental Science, 2024, 45(6): 3260-3269. |
| [41] |
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 InVEST model[J]. Journal of Ecology and Rural Environment, 2023, 39(1): 41-51. |
| [42] |
汪勇政, 徐雅利, 余浩然. 基于PLUS-InVEST模型的安徽省碳储量时空变化预测[J]. 水土保持通报, 2023, 43(3): 277-289. Wang Y Z, Xu Y L, Yu H R. Prediction of spatial and temporal changes of carbon stocks in Anhui Province based on PLUS-InVEST model[J]. Bulletin of Soil and Water Conservation, 2023, 43(3): 277-289. |
| [43] |
孙一帆, 徐梦菲, 汪霞. 基于InVEST-PLUS模型的郑州市碳储量时空演变及空间自相关分析[J]. 水土保持通报, 2023, 43(5): 374-384. Sun Y F, Xu M F, Wang X. Spatial-temporal evolution of carbon storage and spatial autocorrelation analysis in Zhengzhou City based on InVEST-PLUS model[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 374-384. |
| [44] |
杜文武, 胡瑶, 刘渝杰, 等. 基于PLUS模型的金佛山自然保护地毗邻区土地利用变化模拟与多情景预测[J]. 园林, 2023, 40(10): 4-13. Du W W, Hu Y, Liu Y J, et al. Simulation and multi-scenario prediction of land use change in the adjacent area of Jinfo Mountain Reserve based on PLUS model[J]. Landscape Architecture Academic Journal, 2023, 40(10): 4-13. |
| [45] |
田一豆, 赵先超. 基于Markov-PLUS模型的长株潭城市群建设用地扩张模拟及碳排放响应分析[J]. 生态学报, 2024, 44(1): 129-142. Tian Y D, Zhao X C. Simulation of construction land expansion and carbon emission response analysis of Changsha-Zhuzhou-Xiangtan urban agglomeration based on Markov-PLUS model[J]. Acta Ecologica Sinica, 2024, 44(1): 129-142. |
| [46] |
胡俊聪, 何华贵, 陈朝霞. 基于PLUS模型的土地利用多情景模拟与时空特征分析[J]. 测绘通报, 2023(10): 28-33. Hu J C, He H G, Chen Z X. Multi-scenario simulation and spatial-temporal analysis of landuse based on PLUS model[J]. Bulletin of Surveying and Mapping, 2023(10): 28-33. |
| [47] |
范泽孟. 基于SSP-RCP不同情景的京津冀地区土地覆被变化模拟[J]. 地理学报, 2022, 77(1): 228-244. Fan Z M. Simulation of land cover change in Beijing-Tianjin-Hebei region under different SSP-RCP scenarios[J]. Acta Geographica Sinica, 2022, 77(1): 228-244. |
| [48] |
刘泽淼, 黄贤金, 卢学鹤, 等. 共享社会经济路径下中国碳中和路径预测[J]. 地理学报, 2022, 77(9): 2189-2201. Liu Z M, Huang X J, Lu X H, et al. China's carbon neutrality path prediction under the shared social economic paths[J]. Acta Geographica Sinica, 2022, 77(9): 2189-2201. |
| [49] |
李语诗, 夏志业, 张蕾. 基于SSPs多情景目标的2030年成渝经济圈土地利用碳排放预测及其空间优化[J]. 生态环境学报, 2023, 32(3): 535-544. Li Y S, Xia Z Y, Zhang L. Carbon emission prediction and spatial optimization of land use in Chengdu-Chongqing economic circle in 2030 based on SSPs multi-scenarios[J]. Ecology and Environmental Sciences, 2023, 32(3): 535-544. |
| [50] | 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(2). DOI:10.1016/j.ecolind.2020.106803 |