2024, Vol. 45
2. 黑龙江省森林保护研究所, 哈尔滨 150040
2. Heilongjiang Forest Protection Research Institute, Harbin 150040, China
全球气候变暖已经给全球自然和经济造成巨大影响[1].生态系统的碳储量能够直观反映生态系统固碳功能[2], 提升陆地生态系统碳库碳储量有利于促进地球系统碳循环向固碳方向演变, 提升固碳潜力, 早日实现“双碳”目标, 从而缓解气候变暖[3].土地利用/覆盖变化（LUCC）对维持陆地生态系统碳储服务起着关键作用, 是目前缓解全球气候变化研究的重要方向[4~6].
近年来, 诸多国内外学者已经对LUCC对碳储量的影响开展了大量研究[7~10].孙健等[3]探究台州市2000~2020年土地利用及陆地生态系统碳储量的变化特征, 发现耕地转为建设用地是导致这一时期碳储量下降速度加快的主要原因；卢雅焱等[11]利用InVEST模型的碳储模块探讨新疆天山土地利用变化对碳储量时空变化的驱动机制, 发现研究区碳储量时空演变的主要贡献者是草地、永久冰川积雪和未利用地的转化；国外学者Rajbanshi等[12]分析了总碳储量的过去时空变化并预测了2030年的碳储量并以货币形式进行估值, 但是没有对未来情景进行设置与研究.多情景预测可以将未来不同发展情景下的发展情况进行对比, 明确未来发展趋势, 有利于为未来城市发展与规划提供决策战略[13]. 目前, 已有研究者从不同情景对碳储量进行对比分析[14~17], 主要设置自然发展、生态保护、耕地保护和经济发展情景. 邹桃红等[18]设定自然发展、耕地保护和生态优先这3种情景, 研究发现应基于生态优先情景并保护好耕地, 可以有效提升碳储量及碳密度；孙欣欣等[19]利用PLUS模型预测2040年南京市不同发展情景下碳储量分布, 发现加强对耕地和生态保护, 以此控制碳储量减少更加有效.对未来情景预测主要通过CA模型[20]、CLUE模型[21]、PLUS模型[22]和FLUS模型[23]等模型, 有研究表明FLUS模型[23~27], 综合了以上多种模型的优势, 考虑了数量和时空及土地覆盖/利用（LULC）间相互转化的影响, 简化部分结构构建机制, 突破了模拟非线性系统的限制, 且模拟精度较高, 总体上具有更高的可信度.
现有研究大多数以中国南方城市为研究对象进行探讨[28~30], 对北方城市尤其东北地区的研究较缺乏, 然而不同气候带碳密度差异较大[31], 此外大多研究只停留在LUCC对碳储量的影响机制, 对固碳能力热点区域识别甚少.热点区域识别可以有效找出碳汇的重点区域, 进一步明确固碳能力较强的位置, 以期在未来规划中给予重点关注与保护[32]. 大庆市是中国东北地区典型的石油资源枯竭型城市[33], 由于石油开采导致LULC发生了巨大变化, 现如今面临资源转型问题, 亟需科学政策指引.实现碳减排目标的首要任务是改造所谓的“资源枯竭型城市”, 资源枯竭型城市转型发展成为低碳生态型城市已是大势所趋[34].因此, 有必要对北方资源枯竭型城市大庆进行多情景预测, 探讨土地覆盖变化对碳储量的影响及固碳能力热点区域识别.
鉴于此, 本文以大庆市为研究区, 基于2010年和2020年土地覆盖数据, 运用FLUS模型预测2030年自然演替情景、生态保护情景、城市发展情景和综合发展情景土地覆盖变化, 结合InVEST模型Carbon模块估算其碳储量, 最后运用热点分析工具, 识别固碳能力热点区域, 以期为大庆市未来城市转型提供决策参考.
1 材料与方法 1.1 研究区概况大庆市（北纬45°46′~47°27′, 东经123°31′~125°42′）地处于黑龙江省西部（图 1）, 松辽盆地北部, 是哈长城市群区域中心城市, 市域总面积21 219 km2, 市区面积5 105 km2, 常住人口278万, 常住人口城镇化率72.50%.大庆位于北温带, 呈现温带大陆性季风气候, 四季分明, 春季多风, 夏季炎热, 秋季凉爽, 冬季寒冷漫长.全年平均气温4.2℃, 年均降水量644 mm.作为世界著名的石油城市, 拥有60多年的油田开发史, 已探明石油地质储量64亿t, 具有“绿色油化之都、天然百湖之城、北国温泉之乡”等美誉.随着石油的开发, 占用了大面积地表, 土地覆被因此发生了巨大变化.现大庆市开启资源转型创新城市建设, 重点在于降碳, 促进经济社会发展全面绿色转型.
|
图 1 大庆市高程及地理位置示意 Fig. 1 Elevation and location of Daqing City |
本研究所用的数据主要包括（表 1）：高程数据（DEM）, 来源于地理空间数据云（www.gscloud.cn）, 在ArcGIS中进行合并、按掩膜提取；坡度、坡向数据, 由DEM数据经过坡度、坡向计算得到；年均气温和年均降水数据, 来源于高分辨率网格化数据集（https://crudata.uea.ac.uk/cru/data/hrg/）, 通过反距离权重法进行处理；人口密度数据来源于World Pop（https://www.worldpop.org/）, 人均GDP公里格网数据, 来源于地理空间数据云（www.gscloud.cn）；距离水系、国道、高速、省道和铁路距离等数据, 均来源于全球地理信息资源目录服务系统（https://www.webmap.cn/）, 运用欧氏距离算取；大庆市域自然保护区数据, 来源于资源环境科学与数据中心（https://www.resdc.cn/）, 进行栅格化处理；碳密度数据, 主要参考同一作者的相同区域或者相邻地区研究数据结果, 并通过修正公式进行精确；土地覆被数据, 来源于Globe Land30全球地表覆盖数据（http://www.globallandcover.com/）, 根据Globe Land30分类系统, 将土地覆盖数据分为耕地、林地、草地、湿地、水体、人造地表和裸地, 在ArcGIS中对土地覆盖数据进行去黑边、合并和裁剪.运用ArcMap10.2将所有数据重采样为90 m×90 m分辨率, 并统一坐标系为（WGS_1984_UTM_Zone_51N）.
|
表 1 数据信息与来源 Table 1 Data information and sources |
1.3 研究方法 1.3.1 情景设置
在2010~2020年大庆市土地覆盖变化规律和大庆市规划政策基础上, 本研究设置了自然演替情景、生态保护情景、城市发展情景和综合发展情景4种情景进行土地覆盖模拟.
（1）自然演替情景（情景A） 遵循自然发展规律, 保持自身演变进程, 延续2010~2020年的人口、经济和环境变化趋势.该情景下依据2010~2020年的土地覆盖转移矩阵, 设置邻域因子和转移成本矩阵, 不设置任何限制因素.
（2）生态保护情景（情景B） 把生态效益放在首位, 坚持生态环境的保护与发展.依据大庆市“十四五”生态环境保护规划, 推进碳达峰碳中和, 以降碳为重点战略方向, 强调推动减污降碳协同增效, 全面贯彻落实新发展理念.根据国务院颁布的《2030年前碳达峰行动方案》, 该情景下严控生态空间占用, 统筹推进山水林田湖草沙冰一体化保护和修复, 实行退耕还林还草还湿, 控制城市建设用地的发展.
（3）城市发展情景（情景C） 优先发展市域的经济, 以经济效益作为首要.根据大庆市2023年国民经济和社会发展计划草案的报告, 要求推动工业加速增长, 发展现代服务业, 全力服务油田产能建设, 抓好招商引资.该情景下, 在自然演替的基础上, 城市建设用地进一步发展, 其他用地则相应地受到限制.
（4）综合发展情景（情景D） 兼顾生态环境和经济情况两者的发展, 发展经济的同时不能忽略生态环境维护, 也杜绝过度保护生态而延误了经济发展.该情景下, 适当发展经济, 确保建设用地和耕地等经济收入, 同时做好林草湿地等生态空间的保护工作.
1.3.2 土地利用预测模型本研究使用FLUS模型对大庆市土地覆盖进行不同情景模拟.第一步, 需要用软件中的神经网络算法（ANN）模块进行适宜性概率图集获取, 该过程中需要将驱动因子进行归一化处理, 并确保数据具有相同的行列号, 本研究采用随机取样策略, 采样参数设置为20, 神经网络的隐藏层数设为12；第二步, 利用元胞自动机CA模块, 加入限制因子, 提高适用性；第三步, 使用马尔可夫链（Markov chain）模块, 计算未来土地利用需求；最后, 根据情景设置邻域因子和转移成本矩阵, 获取不同情景下的土地覆盖数据.邻域因子越接近1则该土地覆盖类型越容易转化, 成本矩阵中0代表不能够发生转化, 1则代表可以发生转化.
1.3.3 精度验证Kappa指数是衡量分类精度的指标, 即用来检验模型预测结果和实际分类结果是否一致, 取值范围为[0, 1].如果Kappa指数大于0.70, 则认为代表该模型具有较高的可信度, Kappa指数越大精度越高, 计算公式为：
|
(1) |
式中, Po为模拟的正确率；Pe为随机条件下期望的正确率.
本研究的Kappa指数为0.751 219, 大于0.70, 因此本研究的FLUS模型可用, 且具有较好的模拟效果.
1.3.4 碳储量计算模型InVEST模型中的碳储存模块可以计算陆地生态系统中的碳储量. InVEST模型中碳储模块将生态系统碳储量划分成4个基本碳库：地上生物碳库（位于土壤以上存活的植物中的碳）、地下生物碳库（位于地下的植物根系中的碳）、土壤碳库（土壤中的有机碳）、死亡有机碳库（凋落物和已死亡的植物中的碳）.本研究利用该模型对研究区域土地覆盖碳储量进行计算, 计算公式为：
|
(2) |
|
(3) |
式中, Ct为总体碳储量（t）, i为土地覆盖类型, Ci为土地类型i的碳密度（t·hm-2）, n为土地覆盖类型的数量, Cai、Cbi、Csi和Cdi分别为植被的地上生物碳密度、地下生物碳密度、土壤碳密度和死亡有机质碳密度（t·hm-2）.
本研究的生物量碳密度来源于韩晋榕[35]的研究数据, 土壤碳密度使用于兵等[36]和郭树平[37]的研究结果.因为死亡有机质碳密度数据获取难度加大, 且所占比重和影响都较小[38, 39], 本研究不考虑死亡有机质碳库.由于参考的生物量碳密度是黑龙江省范围数据, 为减少误差, 采用Alam等[40]和陈光水等[41]研究的降水因素和年均气温因素的修正公式对生物量碳密度数据进行修正, 具体计算公式如下.
|
(4) |
|
(5) |
|
(6) |
|
(7) |
|
(8) |
式中, P为年均降水量（mm）, T为年均气温（℃）, CBP和CBT分别为通过年降水量和年均气温得到的生物量碳密度（t·hm-2）, CBP1和CBT1分别为大庆市域根据降水量和年均温得到的生物量碳密度数据, CBP2和CBT2分别为黑龙江省域根据年降水量和年均温得到的生物量碳密度数据, KBP为生物量碳密度的降水因子修正系数, KBT为生物量碳密度的气温因子修正系数, KB为生物量碳密度修正系数.修正后的碳密度数据如表 2所示.
|
|
表 2 大庆市土地覆盖类型修正后碳密度/t·hm-2 Table 2 Carbon density after land cover type modification in Daqing City/t·hm-2 |
1.3.5 固碳能力冷热点区域识别
研究区域的碳密度可以用来量化固碳能力, 冷热点分析可以展现一定空间范围研究指标的聚集度高值和低值分布规律[42].本研究利用Arc GIS 10.2的Hot Spot Analysis工具对大庆市域2030年4种不同情景的固碳能力冷热点进行识别, 阈值设为500, 在进行热点分析过程中会生成Z值用来表示统计学意义.根据Z值进行冷热区划分[43], 具体划分为：Z < -2.58, 99%置信区间, 为一级冷点区；-2.58 < Z < -1.96, 95%置信区间, 为二级冷点区；-1.96 < Z < -1.65, 90%置信区间, 为三级冷点区；-1.65 < Z < 2.58, 为不显著区；Z > 2.58, 99%置信区间, 为一级热点区；1.96 < Z < 2.58, 95%置信区间, 为二级热点区；1.65 < Z < 1.96, 90%置信区间, 为三级热点区.具体计算方法如下：
|
(9) |
|
(10) |
|
(11) |
|
(12) |
式中, n为总斑块数；xj为斑块j的属性值；Wij为斑块i和j间的空间权重；Gi*为Getis-Ord局部统计；Z为区域内要素的Gi*进行标准化Z值.
2 结果与分析 2.1 土地利用变化特征分析2010~2020年（图 2）, 耕地、水体和人造地表面积有所增加, 其中耕地增加最多, 增加了1 121.70 km2, 水体和人造地表分别增加了75.55 km2和83.28 km2.其余土地覆盖类型均处于减少状态, 草地减少了1 115.83 km2, 占总减少量的87.14%, 位列第一.林地减少的最少, 仅减少了12.20 km2, 占比0.95%.耕地增加主要是由于草地的转换, 转换了1 440.77 km2, 林地转换的最少, 10年间只转换了12.60 km2, 耕地则主要转化为草地和人造地表, 分别转化了416.68 km2和127.16 km2, 这也是人造地表增加的主要原因, 而人造地表转化最多的也是耕地, 共95.75 km2. 转化为水体最多的也是草地, 转移了102.08 km2, 而林地、水体和裸地在这10年间转化为最多的类型均是草地, 分别为35.85、61.84和217.91 km2, 湿地则主要转化为水体共83.58 km2.
|
图 2 2010~2020年大庆市土地覆盖转移桑基图 Fig. 2 Sankey map of land cover transfer in Daqing City from 2010 to 2020 |
在2020~2030年情景A[图 3（a）和3（b）], 因遵循之前的土地变化趋势, 所以土地覆盖变化同2010~2020年的变化相同（表 3）.耕地面积增加也是最多的, 达到932.13 km2, 占总增加量的86.67%.草地减少最多, 林地减少最少, 分别占总损失量的86.03%和1.05%.在2030年情景B下[图 3（c）], 耕地、水体和人造地表则处于减少状态, 其余土地覆盖类型面积增加.其中湿地面积增加最多为57.88 km2, 占比67.64%, 草地面积增加相对较少, 只增加了4.84 km2.水体面积减少最多, 占比81.95%.在2020~2030年情景C[图 3（a）和3（d）], 土地覆盖变化趋势同情景A相同, 与情景B相反.但是耕地和人造地表面积增加量比情景A更多, 其余土地覆盖类型减少量相对于情景A较少.该情景下, 耕地面积增加最多为943.21 km2, 比情景A多了11.08 km2, 草地减少最多为940.06 km2. 2030年情景D[图 3（e）], 相对于2020年, 耕地和水体分别增加了49.18 km2和64.40 km2, 其余土地类型面积均有所减少, 人造地表减少最少, 仅占总减少量的1.21%.该情景下的林地、草地和湿地面积不及情景B的相应土地覆盖面积, 但优于情景C的情况.耕地、水域和人造地表的面积则相反, 远大于情景B却小于情景C的情形.
|
（a）2020年, （b）2030年情景A, （c）2030年情景B, （d）2030年情景C, （e）2030年情景D 图 3 2020年和2030年大庆市土地覆盖分布 Fig. 3 Land cover distribution in Daqing City in 2020 and 2030 |
|
|
表 3 2020~2030年大庆市土地覆盖面积及变化/km2 Table 3 Land cover area and its change in Daqing City from 2020 to 2030 /km2 |
2.2 碳储量时空变化特征 2.2.1 碳储量时间变化特征
大庆市域总碳储量在这10年间呈下降趋势, 2010年和2020年的碳储量分别为5.661 0×108 t和5.652 4×108 t, 共减少了8.6×105 t（表 4）.耕地、水体和人造地表分别增加了3.239×107、8.2×105和4.2×105 t碳储量, 耕地的碳储增量占总增量的96.29%.草地碳储量减少最多, 占碳储总损失量的79.03%.这10年间耕地和草地的碳储量是研究区碳储量的变化的主要驱动因素.2030年情景A、情景B、情景C和情景D总碳储量分别为5.640 8×108、5.677 7×108、5.640 4×108和5.642 5×108 t.情景A、情景C和情景D相比于2020年总碳储量均有所减少, 情景C下碳储量减少得最多, 共减少了1.20×106 t, 其中草地碳储量减少的最多, 占总碳损失量的77.69%.情景B下碳储量有所提升, 比2020年碳储量增加了2.53×106 t, 湿地碳储量增加的最多, 占总贡献量的74.26%.
|
|
表 4 2010、2020和2030年大庆市碳储量及变化×106/t Table 4 Carbon storage and changes in Daqing in 2010, 2020, and 2030×106/t |
2.2.2 碳储量空间变化特征
从空间分布上看（图 4）, 2010~2020年[图 4（a）]和2020~2030年4种情景[图 4（b）~4（e）]的碳储量变化大部分区域处于基本不变的状态, 基本不变的区域面积均超过总区域的84.04%, 情景B下[图 4（c）], 碳储量基本不变的区域高达99.21%. 2010~2020年期间, 整体上呈现小聚集和零星分布的特点, 碳储量明显增加的区域主要位于大庆市杜尔伯特蒙古族自治县、让胡路区和大同区的交界处及肇源县的北部和东部地区, 以上区域均是含有湖泊和湿地的区域, 总体增加区域占比9.78%.
|
（a）2010~2020年, （b）2020 ~2030年情景A, （c）2020 ~2030年情景B, （d）2020 ~2030年情景C, （e）2020 ~2030年情景D 图 4 2010~2020年和2020~2030年大庆市碳密度变化分布 Fig. 4 Carbon density change distribution in Daqing City from 2010 to 2020 and 2020 to 2030 |
情景A[图 4（b）]和情景C[图 4（d）]呈现整体点分布, 碳储量增加区域分别占比5%和4.54%.相比于情景A, 情景C下位于杜尔伯特蒙古族自治县东部的碳储量减少区域向南偏移, 位于大同区和肇川县交界处和大同区和肇源县交界处碳储量减少区域增多.情景B下碳储量变化区域比较集中, 主要位于杜尔伯特蒙古族自治县中西地区, 该区域主要是连环湖温泉景区, 增加区域仅占0.68%, 减少区域占比0.11%.情景D[图 4（e）]碳储量变化区域同情景B的相似, 但是相比于情景B, 该情景的减少区域占比更多, 是情景B的3.49倍.
2.3 土地覆盖变化对碳储量的影响根据研究区2010、2020和2030年4种不同情景的土地覆盖和碳储量变化特征综合分析（表 5）.2010~2020年间及2020~2030年情景A和情景C, 耕地面积增加最多, 由此导致的耕地碳储量增加也是最多的, 但是以上时期总体碳储量处于减少状态.草地面积减少得最多, 由此导致的碳储量损失也是最多的, 但是不及因耕地而产生的增加量.湿地面积减少量远低于耕地和草地的变化量, 但比其他土地覆盖类型变化明显, 且湿地每减少1 km2, 碳储量损失近4.62×104 t.因此以上时期的主导因素是草地和湿地变化.情景B下, 湿地面积增加最多, 水体面积减少最多, 且变化量远大于湿地面积变化量, 但是因水引起的碳储量损失远小于由湿地引起的碳储量增加量, 两者相差1.91×106 t, 因此在该情景下的主要驱动因素是湿地.情景D下水域面积增加最多, 但其引起的碳储量增加不到耕地的1/2, 然而该情景下总碳储量处于减少状态, 其中草地引起的碳储损失量最多达2.24×106 t, 其余土地覆盖类型引起的碳储损失量均不到其1/4, 因此该情景的驱动因素是耕地和草地.
|
|
表 5 2010~2020年及2020~2030年大庆市的碳储量变化及占比1） Table 5 Change and proportion of carbon storage in Daqing City from 2010 to 2020 and 2020 to 2030 |
2.4 固碳能力热点区域识别
从不同情景的固碳能力冷热点分析来看（图 5）, 不同情景的冷热点区域有明显的差异. 2030年情景A[图 5（a）]、情景B[图 5（b）]、情景C[图 5（c）]和情景D[图 5（d）]大部分区域处于不显著区域, 占比均超过80%.情景A和情景C的热点区分布相似, 但是情景A下的热点区分布范围更大一点.两者二级热点区域主要分布在市域西北边界处, 包括杜尔伯特蒙古族自治县北部和林甸县西部, 该区域主要分布着大量湿地——育苇场, 地处扎龙湿地核心区.这两种情景下的三级热点区主要零星分布在市域南部地区, 一级热点区分布较少, 情景A下主要分布在肇源县中部地区和龙凤区东部, 仅占0.36%.此外情景A下存在较大面积的冷点区域, 分布在林甸县东部边界、林甸县、杜尔伯特蒙古族自治县和让胡路区的相交处以及大庆市主城区中心部分, 分别是情景B和情景C的2.93倍和3.79倍.情景B下相对于情景A和情景C的二级热点区区域降为三级热点区域, 一级热点区域主要分布在杜尔伯特蒙古族自治县的阿木塔渔场、连环湖三分场和连环湖四分场区域, 占0.34%.该情景固碳能力冷点区域主要分布在大庆市区主城区中心部分, 是建设用地的主要位置.情景D下没有明显的大面积热点区域集中分布, 二级和三级热点区域在杜尔伯特蒙古族自治县西南边界和北部及肇源县、大同区和肇州县三区交界处零散分布.该情景的冷点区域多为二级冷点区域, 约占比4.11%, 是情景B的1.38倍, 在市域的北部和南部地区零散分布, 在中部地区的杜尔伯特蒙古族自治县西部边界和主城区中心地区有较大面积的集中分布.
|
（a）2030年情景A, （b）2030年情景B, （c）2030年情景C, （d）2030年情景D 图 5 2030年大庆市4种情景固碳能力冷热点区域分布 Fig. 5 Distribution of hot and cold spots of carbon fixation capacity under four scenarios in Daqing City in 2030 |
碳储量变化与各类土地覆盖变化密切相关, 碳储量降低主要是由碳密度较高土地覆盖类型向碳密度较低土地覆盖类型转化引起的. 2010~2020年, 2020~2030年情景A、情景C和情景D中, 本研究的大庆市碳储量均处于减少状态, 主要表现为林地、草地和湿地转化为耕地、水体和人造地表.诸多研究已经证明林地碳密度较高, 具有较强的固碳能力, 是陆地生态系统中光合作用的主体, 森林生态系统固定的碳占整个陆地生态系统的约2/3[44].根据本研究结果表明, 草地和湿地在提升区域碳储量起着重要作用.草本植物的根系通常比较发达, 能够很好地积累有机碳[45], 而湿地除了湿地植物通过光合作用吸收大气中的CO2, 泥炭的厌氧特性还可以有效固定动植物残体中的碳[46]. 耕地兼具碳源和碳汇的双重属性, 在进行农业等相关活动中会释放碳, 而相应的农作物在生长过程中会吸收大量的碳[47].水体储碳主要通过溶解度泵、碳酸盐泵和生物泵参与碳循环过程, 分别对应物理、化学和生物这3种方式[48].人造地表的扩张则会间接导致不透水面的面积增加, 侵占自然生态用地, 引起碳储量下降, 此外, 因为工业化发展需要, 人造地表由于大量人类活动还会产生大量的碳排放[49].
由于研究区是以石油为主的资源型城市, 林地总面积相对较少, 裸地面积较多.尽管由于研究区特殊的地下资源, 裸地的地下生物碳密度较高. 随着资源逐渐枯竭, 裸地的碳储量也将趋于不稳定. 现有的林地过少, 难以发挥森林生态系统固碳的能力, 因此, 该区域的草地和湿地的保护是提升大庆市域碳储量的关键.情景C的碳储量最少, 该情景为了发展经济, 依靠人造地表、耕地和水域分别获取工业、农业和旅游服务业等收入, 其中人造地表和水域的碳密度较低, 它们的扩张会导致草地和湿地等面积缩减[50].情景B下碳储量增加, 是由于该情景有效保护了森林和草地, 尤其是湿地的维护, 仅湿地提升的碳储占总碳储增加量超74%, 相比于其他情景对草地的破坏, 该情景则重点保护草地, 防止其退化, 大大减少了草地碳储的损失.
3.2 固碳能力热点区域不同情景的研究区固碳能力冷热点区域不同, 热点区级别越高固碳能力越强.从不同情景上分析, 情景A固碳能力冷点区域面积较大, 主要是由于人类活动导致, 人为干扰越严重的地区, 地块的固碳能力越弱.情景B的一级热点区域集中分布在杜尔伯特蒙古族自治县的连环湖地区, 该地区是由于生态保护政策指引, 发展形成了高固碳能力的湿地.情景C的固碳能力热点区域相对于情景A下区域极具缩小降级, 为了发展经济大力开发农业, 导致了大量草地转化为耕地, 固碳能力不显著区域因此增加.情景D相对于情景B有更大面积的冷点区域和不显著区域, 分布在杜尔伯特蒙古族自治县的连环湖地区, 是因为该情景保护生态同时要发展经济, 所以优先发展水域, 实现生态和经济两手抓.整体上综合分析, 湿地分布区域属于固碳能力热点区域, 人类活动频繁的人造地表区域皆属于固碳能力冷点区域, 耕地分布区域属于固碳能力不显著区.
3.3 局限性本研究运用FLUS模型和InVEST模型结合Hot Spot分析, 为探讨不同情景土地覆盖变化对碳储量的影响及其固碳能力提供了可借鉴的方法, 本研究结论可以适用于类似的石油资源枯竭型城市, 而研究方法可以适用于任何研究区域.然而, 本研究存在一定的局限性.首先, 碳密度数据的获取, 虽然对数据进行了修正减小了误差, 但是由于不同的研究测量会有所差异, 造成最后的结果不够准确；其次, FLUS模型的驱动因子的选择和参数设定存在一定的主观性, 不够客观；此外, InVEST模型过于依赖土地覆盖分类, 忽略了内部异质性的影响[2].
3.4 政策建议本研究发现, 当大庆市按照情景B来发展, 在2030年的碳储量会增加.结合土地覆盖对碳储量的影响和固碳能力冷热点区域结果, 提出以下几点建议：首先, 坚持退耕还林、还草和还湿的政策, 特别加大还湿力度；其次, 具体在杜尔伯特蒙古族自治县的连环湖地区开展湿地营建和保护工作；最后, 在大庆市主城区让胡路区、萨尔图区、红岗区和龙凤区的交汇处, 增加绿色基础设施, 减少城市用地的扩建.
4 结论（1）大庆市域在情景A和情景C土地覆盖变化趋势同2010~2020年间趋势相同, 与情景B下的趋势相反.情景D下耕地和水域面积增加, 其他土地类型面积均减少, 人造地表面积仅高于情景B.
（2）2010年和2020年平均碳密度分别为267.32 t·hm-2和266.92 t·hm-2. 2030年情景A、情景B、情景C和情景D碳储量分别为5.640 8×108、5.677 7×108、5.640 4×108和5.642 5×108 t.情景A和情景C碳储量变化呈现整体点分布, 情景B和情景D下碳储量变化区域集中在杜尔伯特蒙古族自治县中西地区.
（3）2010~2020年间及2020~2030年情景A和情景C导致碳储量减少的主要因素是草地和湿地面积的减少, 情景B下碳储量增加的主要贡献者是湿地, 情景D碳储量变化的主要驱动因素是耕地和草地.
（4）情景A二级热点区域主要分布在西北边界, 与情景C相似, 冷点区域分布是情景B和情景C的2.93倍和3.79倍.情景B一级热点区域主要分布在杜尔伯特蒙古族自治县, 冷点区域主要分布在大庆市主城区中心部分.情景D下没有明显的热点区域集中分布, 二级冷点区域主要在杜尔伯特蒙古族自治县西部边界和主城区中心地区集中分布.
| [1] |
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. |
| [2] | Cabral P, Feger C, Levrel H, et al. Assessing the impact of land-cover changes on ecosystem services: a first step toward integrative planning in Bordeaux, France[J]. Ecosystem Services, 2016, 22: 318-327. DOI:10.1016/j.ecoser.2016.08.005 |
| [3] |
孙健, 於静, 莫晨剑, 等. 2000—2020年台州市陆地生态系统碳储量对土地利用变化的响应研究[J]. 中国资源综合利用, 2023, 41(3): 185-187. Sun J, Yu J, Mo C J, et al. Study on response of carbon storage of terrestrial ecosystem to land use change in Taizhou City from 2000 to 2020[J]. China Resources Comprehensive Utilization, 2023, 41(3): 185-187. |
| [4] |
李月, 罗红芬. 基于InVEST模型的黔中喀斯特地区建设用地扩张碳储量变化研究[J]. 西北林学院学报, 2024, 39(1): 185-192, 199. Li Y, Luo H F. Carbon storage change of construction land expansion in central Guizhou's Karst region based on InVEST model[J]. Journal of Northwest Forestry University, 2024, 39(1): 185-192, 199. DOI:10.3969/j.issn.1001-7461.2024.01.25 |
| [5] |
陈新云, 王甜, 李宝健. 北京市西北部生态涵养区未来土地利用及生态系统服务变化情景模拟[J]. 西北林学院学报, 2021, 36(1): 86-95. Chen X Y, Wang T, Li B J. Simulation of the future land use and ecosystem services in the ecological conservation area in Northwestern Beijing[J]. Journal of Northwest Forestry University, 2021, 36(1): 86-95. DOI:10.3969/j.issn.1001-7461.2021.01.12 |
| [6] | 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 |
| [7] |
雷馨, 海新权. 祁连山地区土地利用变化对碳储量的影响及经济价值估算[J]. 干旱区研究, 2023, 40(11): 1845-1854. Lei X, Hai X Q. Impacts of land use change on carbon storage and estimation of economic value in Qilian Mountain region[J]. Arid Zone Research, 2023, 40(11): 1845-1854. |
| [8] |
王宇滨, 曹良中, 王妍, 等. 土地利用/土地覆被对江西陆地碳储量的影响[J]. 遥感信息, 2023, 38(4): 96-105. Wang Y B, Cao L Z, Wang Y, et al. Impact of land use/land cover on terrestrial carbon storage in Jiangxi[J]. Remote Sensing Information, 2023, 38(4): 96-105. |
| [9] | 张志国, 班高晗. 土地利用变化驱动下洛阳市生态系统碳储量时空变异[J]. 江苏农业科学, 2021, 49(14): 226-230. |
| [10] |
任玺锦, 裴婷婷, 陈英, 等. 基于碳密度修正的甘肃省土地利用变化对碳储量的影响[J]. 生态科学, 2021, 40(4): 66-74. Ren X J, Pei T T, Chen Y, et al. Impact of land use change on carbon storage in Gansu Province based on carbon density correction[J]. Ecological Science, 2021, 40(4): 66-74. |
| [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] | Rajbanshi J, Das S. Changes in carbon stocks and its economic valuation under a changing land use pattern-A multitemporal study in Konar catchment, India[J]. Land Degradation & Development, 2021, 32(13): 3573-3587. |
| [13] |
杨清可, 段学军, 金志丰, 等. 南通市建设用地扩张情景模拟与景观生态效应[J]. 地理科学, 2017, 37(4): 528-536. Yang Q K, Duan X J, Jin Z F, et al. Spatial scenario simulation and landscape ecological effect based on construction land expansion of Nantong City[J]. Scientia Geographica Sinica, 2017, 37(4): 528-536. |
| [14] |
卫泽柱, 董斌, 许海锋, 等. 鄱阳湖地区典型湿地碳储量时空演变与情景预测[J]. 水土保持通报, 2023, 43(3): 290-300. Wei Z Z, Dong B, Xu H F, et al. Spatio-temporal evolution and scenario prediction of carbon storage in typical wetlands in Poyang Lake Region[J]. Bulletin of Soil and Water Conservation, 2023, 43(3): 290-300. |
| [15] |
任胤铭, 刘小平, 许晓聪, 等. 基于FLUS-InVEST模型的京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响[J]. 生态学报, 2023, 43(11): 4473-4487. Ren Y M, Liu X P, Xu X C, et al. Multi-scenario simulation of land use change and its impact on ecosystem services in Beijing-Tianjin-Hebei region based on the FLUS-InVEST Model[J]. Acta Ecologica Sinica, 2023, 43(11): 4473-4487. |
| [16] |
古圳威, 刘京, 陈怡, 等. 陕西渭北旱塬区生境质量及碳储量时空演变分析与模拟[J]. 环境科学, 2023, 44(8): 4666-4678. Gu Z W, Liu J, Chen Y, et al. Analysis and simulation of the spatiotemporal evolution of habitat quality and carbon storage in the Weibei Dry Plateau Region of Shaanxi[J]. Environmental Science, 2023, 44(8): 4666-4678. |
| [17] |
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. |
| [18] |
邹桃红, 陈鹏, 刘家福, 等. 不同土地利用情景下四平市生态系统碳储量时空演变[J]. 中国环境科学, 2023, 43(10): 5508-5518. Zou T H, Chen P, Liu J F, et al. Spatio-temporal dynamics of territorial ecosystem carbon storage under different land use scenarios in Siping City[J]. China Environmental Science, 2023, 43(10): 5508-5518. DOI:10.3969/j.issn.1000-6923.2023.10.048 |
| [19] |
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. |
| [20] | Darvishi A, Yousefi M, Marull J. Modelling landscape ecological assessments of land use and cover change scenarios. Application to the Bojnourd Metropolitan Area (NE Iran)[J]. Land Use Policy, 2020, 99. DOI:10.1016/j.landusepol.2020.105098 |
| [21] | Aydın A, Eker R. Future land use/land cover scenarios considering natural hazards using Dyna-CLUE in Uzungöl nature conservation area (Trabzon-NE Türkiye)[J]. Natural Hazards, 2022, 114(3): 2683-2707. DOI:10.1007/s11069-022-05485-7 |
| [22] | Li C, Wu Y M, Gao B P, et al. Multi-scenario simulation of ecosystem service value for optimization of land use in the Sichuan-Yunnan ecological barrier, China[J]. Ecological Indicators, 2021, 132. DOI:10.1016/j.ecolind.2021.108328 |
| [23] | Liu X P, Liang X, Li X, et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017, 168: 94-116. DOI:10.1016/j.landurbplan.2017.09.019 |
| [24] |
苏迎庆, 刘庚, 赵景波, 等. 基于FLUS模型的汾河流域生态空间多情景模拟预测[J]. 干旱区研究, 2021, 38(4): 1152-1161. Su Y Q, Liu G, Zhao J B, et al. Multi-scenario simulation prediction of ecological space in the Fenhe River Basin using the FLUS model[J]. Arid Zone Research, 2021, 38(4): 1152-1161. |
| [25] | Lin W B, Sun Y M, Nijhuis S, et al. Scenario-based flood risk assessment for urbanizing deltas using future land-use simulation (FLUS): Guangzhou Metropolitan Area as a case study[J]. Science of the Total Environment, 2020, 739. DOI:10.1016/j.scitotenv.2020.139899 |
| [26] |
杨露, 颉耀文, 宗乐丽, 等. 基于多目标遗传算法和FLUS模型的西北农牧交错带土地利用优化配置[J]. 地球信息科学学报, 2020, 22(3): 568-579. Yang L, Xie Y W, Zong L L, et al. Land use optimization configuration based on multi-objective genetic algorithm and FLUS model of Agro-pastoral ecotone in Northwest China[J]. Journal of Geo-information Science, 2020, 22(3): 568-579. |
| [27] |
赵林峰, 刘小平, 刘鹏华, 等. 基于地理分区与FLUS模型的城市扩张模拟与预警[J]. 地球信息科学学报, 2020, 22(3): 516-530. Zhao L F, Liu X P, Liu P H, et al. Urban expansion simulation and early warning based on geospatial partition and FLUS model[J]. Journal of Geo-information Science, 2020, 22(3): 516-530. |
| [28] |
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. |
| [29] |
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. |
| [30] |
方赞山, 钟才荣, 王凤霞, 等. 耦合InVEST与FLUS模型的海南岛生态系统碳储量时空演变与预测[J]. 水土保持通报, 2023, 43(5): 320-329, 342. Fang Z S, Zhong C R, Wang F X, et al. Spatial-temporal evolution and prediction of ecosystem carbon storage on Hainan island by coupling InVEST and FLUS models[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 320-329, 342. |
| [31] | 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 |
| [32] |
王蓓, 赵军, 胡秀芳. 基于InVEST模型的黑河流域生态系统服务空间格局分析[J]. 生态学杂志, 2016, 35(10): 2783-2792. Wang B, Zhao J, Hu X F. Spatial pattern analysis of ecosystem services based on InVEST in Heihe River Basin[J]. Chinese Journal of Ecology, 2016, 35(10): 2783-2792. |
| [33] |
杨秀丽, 江玉珍, 寇晨欢. 资源型城市构建创新生态系统的机制研究——以黑龙江省大庆市为例[J]. 生态经济, 2022, 38(12): 89-96. Yang X L, Jiang Y Z, Kou C H. Research on the mechanism of building innovation ecosystem in resource-based cities: a case study of Daqing City, Heilongjiang province[J]. Ecological Economy, 2022, 38(12): 89-96. |
| [34] | Li X, Wang D P. Does transfer payments promote low-carbon development of resource-exhausted cities in China[J]. Earth's Future, 2022, 10(1). DOI:10.1029/2021EF002339 |
| [35] |
韩晋榕. 基于InVEST模型的城市扩张对碳储量的影响分析[D]. 长春: 东北师范大学, 2013. Han J R. The impact of urban sprawl on carbon stocks based on the InVEST model[D]. Changchun: Northeast Normal University, 2013. |
| [36] | 于兵, 邸雪颖, 臧淑英. 大庆地区植被和土壤碳氮储量动态变化的预测[J]. 江苏农业科学, 2011, 39(4): 417-422. DOI:10.3969/j.issn.1002-1302.2011.04.171 |
| [37] |
郭树平. 黑龙江省碳储量及碳汇潜力分析[J]. 森林工程, 2011, 27(3): 9-11, 16. Guo S P. Analysis on carbon stock and potential carbon sequestration in Heilongjiang province[J]. Forest Engineering, 2011, 27(3): 9-11, 16. DOI:10.3969/j.issn.1001-005X.2011.03.003 |
| [38] |
张燕, 师学义, 唐倩. 不同土地利用情景下汾河上游地区碳储量评估[J]. 生态学报, 2021, 41(1): 360-373. Zhang Y, Shi X Y, Tang Q. Carbon storage assessment in the upper reaches of the Fenhe River under different land use scenarios[J]. Acta Ecologica Sinica, 2021, 41(1): 360-373. |
| [39] |
揣小伟, 黄贤金, 郑泽庆, 等. 江苏省土地利用变化对陆地生态系统碳储量的影响[J]. 资源科学, 2011, 33(10): 1932-1939. Chuai X W, Huang X J, Zheng Z Q, et al. Land use change and its influence on carbon storage of terrestrial ecosystems in Jiangsu province[J]. Resources Science, 2011, 33(10): 1932-1939. |
| [40] | 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 |
| [41] |
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. DOI:10.3969/j.issn.1673-7105.2007.01.005 |
| [42] |
林一诚, 郑景明, 周怡宁, 等. 基于InVEST模型的围场县小滦河流域碳储量空间分布及热点区域分析[J]. 生态学杂志, 2023, 42(10): 2536-2544. Lin Y C, Zheng J M, Zhou Y N, et al. Analyzing spatial distribution of carbon storage and hot spots in Xiaoluan River basin in Weichang County based on InVEST model[J]. Chinese Journal of Ecology, 2023, 42(10): 2536-2544. |
| [43] |
常晓敏, 王少丽, 管孝艳, 等. 湟水流域典型区农业面源污染特征解析及空间格局[J]. 灌溉排水学报, 2023, 42(6): 81-88. Chang X M, Wang S L, Guan X Y, et al. Spatiotemporal distribution of Nonpoint source pollution from agriculture in the Huangshui River Basin[J]. Journal of Irrigation and Drainage, 2023, 42(6): 81-88. |
| [44] |
贾松伟. 河南省乔木林碳储量动态变化及其碳汇经济价值估算[J]. 河南农业科学, 2014, 43(5): 149-153. Jia S W. Dynamic changes of carbon storage and estimation of carbon sink economic value of high-forest in Henan province[J]. Journal of Henan Agricultural Sciences, 2014, 43(5): 149-153. DOI:10.3969/j.issn.1004-3268.2014.05.034 |
| [45] |
宇万太, 于永强. 植物地下生物量研究进展[J]. 应用生态学报, 2001, 12(6): 927-932. Yu W T, Yu Y Q. Advances in the rescarch of underground biomass[J]. Chinese Journal of Applied Ecology, 2001, 12(6): 927-932. DOI:10.3321/j.issn:1001-9332.2001.06.030 |
| [46] |
刘子刚, 张坤民. 黑龙江省三江平原湿地土壤碳储量变化[J]. 清华大学学报(自然科学版), 2005, 45(6): 788-791. Liu Z G, Zhang K M. Wetland soils carbon stock in the Sanjiang plain[J]. Journal of Tsinghua University (Science & Technology), 2005, 45(6): 788-791. DOI:10.3321/j.issn:1000-0054.2005.06.019 |
| [47] | Bouwman A F. Soils and the greenhouse effect[M]. Chichester, England: John Wiley & Sons Company, 1990. 78. |
| [48] | Haywood B J, White J R, Cook R L. Investigation of an early season river flood pulse: carbon cycling in a subtropical estuary[J]. Science of the Total Environment, 2018, 635: 867-877. DOI:10.1016/j.scitotenv.2018.03.379 |
| [49] | Lui X P, Wang S J, Wu P J, et al. Impacts of urban expansion on terrestrial carbon storage in China[J]. Environmental Science & Technology, 2019, 53(12): 6834-6844. |
| [50] |
时宇, 李明阳, 杨玉锋, 等. 基于CLUE-S模型的城市森林公园土地利用情景规划方法研究[J]. 西北林学院学报, 2014, 29(5): 163-168. Shi Y, Li M Y, Yang Y F, et al. CLUE-S based scenario planning of land use in urban forest park[J]. Journal of Northwest Forestry University, 2014, 29(5): 163-168. DOI:10.3969/j.issn.1001-7461.2014.05.31 |