2024, Vol. 45
2. 湖南师范大学地理科学学院, 洞庭湖流域生态环境变化与固碳增汇湖南省重点实验室, 长沙 410081
2. Hunan Provincial Key Laboratory for Eco-environmental Changes and Carbon Sequestration of the Dongting Lake Basin, School of Geographic Sciences, Hunan Normal University, Changsha 410081, China
为积极应对气候变化, 2020年9月中国政府在联合国大会上郑重承诺, 力争于2030年前达到二氧化碳（CO2）排放峰值, 2060年前实现碳中和.要实现碳中和目标, 减排与增汇是两条根本途径.从增汇角度来看, 陆地生态系统碳增汇被认为是应对气候变化的环境友好且经济可行的重要途径之一[1].陆地生态系统碳汇是由于环境变化导致系统碳输入过程的促进作用大于碳输出过程, 其主要驱动因子除温室效应导致的成熟生态系统碳失衡之外, 生态工程、耕作管理等土地利用变化同样会导致碳汇功能提升.故评估不同气候变化与管理政策背景下陆地生态系统增汇潜力可为流域土地资源配置提供科学决策.
固碳服务是陆地生态系统碳汇能力的重要表征[2].近年来众多研究表明, 人类活动和地表自然覆被改变会影响生态系统固碳服务.例如, Li等[3]对2000~2020年塔里木河流域的土地利用变化与碳储量变化的关系进行研究发现, 生态供水计划促进林地和草地向耕地转移造成碳损失, 使得塔里木河流域表现为碳源；Nunes等[4]对巴西亚马逊地区土地利用变化产生的影响进行研究发现, 为养牛而砍伐森林会导致地上碳库完全丧失, 虽然在该区域原始森林退化和森林砍伐同样频繁, 但森林退化造成的影响比砍伐要小得多.在理清土地利用变化对生态系统固碳服务影响的基础上, 另一些研究模拟了不同情景下生态系统固碳服务潜力, 以期为探索碳增汇方案提供科学依据.例如, Xu等[5]模拟黄河流域未来的土地利用格局和碳储量变化发现, 以生态保护和低碳发展为导向的环境管理可以促使流域碳增汇.Feitosa等[6]从生态系统服务的视角探索碳储量和土地利用变化造成的影响进行研究发现, 亚马逊森林若是能维持现有的限制森林砍伐政策, 并实施生态系统服务付费计划, 既能实现区域经济多样化, 又能减少对森林砍伐活动的依赖.不同的自然环境条件、经济发展目标和区域政策背景下土地利用类型变化对固碳服务的影响存在较大的差异, 所以流域定向治理已成为生态保护与高质量发展领域的热点问题[7].洞庭湖流域地处我国长江开放经济带与沿海开放经济带的结合部, 是保障长江中下游生态安全的重要屏障, 承担着维系生态平衡与经济发展协调的重大责任.而近年间, 快速的经济发展、长期的农业活动和巨大的人口压力加快了流域内湿地退化、建设用地扩张以及生态用地缩减, 进而导致陆地生态系统碳汇能力降低[8].在“双碳”发展目标下, 如何通过实施合理的土地利用管理策略, 有效缓和流域经济发展和碳增汇之间的矛盾.既需要了解土地利用对碳储量的影响, 也需要对未来土地利用及碳储量变化进行模拟分析.
近年来, 众多专家学者开发使用多种模型模拟土地利用变化对固碳服务的影响[9 ~ 12].其中, 由Liang等[13]开发的斑块生成土地利用模拟（PLUS）模型保留了现有模型的自适应惯性竞争和轮盘竞争机制的优点, 并通过随机森林算法准确模拟土地利用空间分布的变化.陆地生态系统碳储量估算通常使用InVEST模型中基于静态碳密度计算的碳储存模块[14], 该模块对数据需求量少、且空间表达明晰, 但忽略了植被类型和植被生长对碳密度的影响[15].相比于InVEST模型, 《2006年IPCC国家温室气体清单指南》（清单指南）提供了评估碳库变化的方法框架, 并给出了不同气候带区域碳储量计算的缺省值, 以便于评估不同区域环境碳储量的动态变化.基于此, 本文根据洞庭湖流域的区域特征, 结合联合国政府间气候变化专门委员会（IPCC）的SSP-RCP复合情景及地区生态保护政策设置3种气候-政策情景, 采用PLUS模型和清单指南预测2030~2060年不同情景的土地利用和碳储量变化趋势, 并分析不同情景下增汇潜力的差异, 以期为开展区域陆地生态系统碳增汇潜力有效核查提供概念框架和技术体系, 也为洞庭湖流域制定土地资源分配、生态和环境管理以及社会经济发展政策提供科学依据, 服务于国家碳中和战略.
1 材料与方法 1.1 研究区概况洞庭湖流域（24°38′~ 30°24′N, 107°16′~114°15′E, 图 1）位于长江中游, 由湘江、资水、沅江和澧水4个子流域及洞庭湖平原组成.流域属亚热带湿润季风气候, 年平均气温约为17℃, 年平均降水量约为1 500 mm.流域境内经济较为发达, 人地关系紧张, 到2020年流域总人口约为7 330万, 人均GDP约为7×104元、城镇化率为57.2%[16], 土地利用结构与方式发生较大变化.洞庭湖流域林地面积占60.0%以上, 其次是耕地和草地, 未利用地仅占0.01%. 1980~2020年期间有1 500 km2的林地转入建设用地, 而林地仅有524 km2新增.建设用地新增的3 300 km2中97%由耕地、林地和草地转入, 生态用地的面积逐渐被侵占, 生态系统的碳平衡被打破.虽然这40年期间流域陆地生态系统一直呈现碳汇特征, 且碳汇量保持在9.4×107 t∙a-1以上.但碳排放随着建设用地的大幅扩张而激增, 由1980年的3.6×107 t增加至2020年的6.6×107 t[17].
|
图 1 研究区域地理位置示意 Fig. 1 Geographic location of the study area |
土地利用模拟选取的驱动因子包括年平均气温、年降水量、DEM、坡度、净初级生产力（NPP）、归一化差异植被指数（NDVI）、到道路网络/景点/河流/政府的距离、夜间灯光指数、GDP和人口密度.其中, ①土地利用数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn）, 类型分为耕地、林地、草地、水域、建设用地、湿地和未利用地这7类；②DEM、夜间灯光指数、NDVI和NPP数据由中国科学院资源环境科学与数据中心（https://www.resdc.cn）提供.通过ArcGIS10.8对DEM处理得到坡度数据；③水系、路网和行政驻地矢量数据来自洞庭湖流域土地利用现状数据, 并利用ArcGIS中欧氏距离工具计算到河流的距离、到一/二/三级道路的距离、到高铁/地铁/火车站的距离和到行政中心/景区的距离；④未来情景下的GDP[18]和人口密度[19]由科学数据（figshare-credit for all your research）提供, 未来年平均气温[20]和年降水量数据[21]由国家青藏高原科学数据中心（https://data.tpdc.ac.cn）提供.所有数据均重采样, 分辨率为90 m.
1.3 未来土地利用情景模拟本文选取PLUS模型对未来土地利用/覆被变化进行模拟.该模型集成了土地扩张分析策略（LEAS）模型的规则挖掘框架和基于多类型随机补丁种子（CARS）的CA模型, 可用于探究土地利用变化潜在因子, 模拟未来土地利用空间分布.
1.3.1 驱动因子本文参考相关研究并结合洞庭湖流域实际土地利用变化模式[22 ~ 25], 选取了包含自然环境、社会经济和区位特征这3个层面共计13项驱动因子.其中自然环境因素包含年平均气温、年降水量、DEM、坡度、NPP和NDVI, 其主要影响自然覆被类型和发展方向.社会经济因素包含夜间灯光指数、GDP和人口密度, 其直接影响建设用地的扩展与耕地面积的需求.区位特征因素包含到道路网络的距离、到景点的距离、到河流的距离和到行政中心的距离, 该要素体现了土地利用变化成本.采用Spearman相关分析方法对土地利用模拟的驱动因子和土地利用变化进行显著性分析, 来探讨不同种类的驱动因子对地类扩张的影响情况, 显著性水平P = 0.1和P= 0.05.
通过LEAS模块分析历史土地利用变化与驱动因子的关系, 得到每种土地利用类型的过渡规则即每种土地利用类型的发展潜力.随后, 为了模拟多种土地利用类型的演变, CARS模型将传统的CA模型与补丁生成和下降阈值机制相结合, 基于已有的土地利用数据和每种土地类型的开发潜力进行土地利用模拟.最后, 对模型模拟结果进行精度验证.模型验证可用于测试模拟和调整参数, 以确保模型可以应用于研究区域的土地利用变化模拟.本文利用Kappa系数验证了PLUS模型的仿真精度. Kappa系数的范围在0~1之间, 值越接近1, 仿真精度越好, 反之则越差[11].
1.3.2 情景设置最新阶段的耦合模型比较项目（CMIP6）是IPCC的第六份评估报告, 与CMIP5相比, CMIP6结合了不同的SSP-RCP情景, 强调了不同社会经济发展模式对气候变化的驱动作用[26]. SSP119为可持续路径, 人口相对较少, 经济增长趋势放缓, 能源和资源需求减少, 可再生能源使用率提高. SSP245为中间路径, 人口缓慢增长, 与历史时期的发展相似. SSP585为以传统化石燃料为主的发展路径, 化石燃料的需求加剧.由于过度重视经济发展, 对环境问题和能源结构调整没有有效措施.
结合现有情景模拟的研究与《湖南省国土空间总体规划（2021~2035年）》和《主要功能区规划》等政策, 设置了自然发展情景、生态优先情景和经济协调情景（表 1）. 3种排放情景对应3种依据洞庭湖流域发展设计的未来土地利用变化情景. SSP245对应自然发展情景, 按照洞庭湖流域的历史土地利用对未来进行预测, 不施加政策影响. SSP119对应生态优先情景, 按照山脉分布设立功能限制区, 对耕地和草地进行土地管理.SSP585对应经济协调情景, 在大力发展经济的同时对耕地和草地进行土地管理.
|
表 1 洞庭湖流域土地利用模拟情景设置 Table 1 Scenario settings for simulating land use pattern in Dongting Lake Basin |
1.4 碳储量估算
碳储量通常是指一定面积的植被、土壤和死有机碳储量总和, 它是反映生态系统碳存储能力的重要指标之一.碳储量包括地上生物量碳库（C_above）、地下生物量碳库（C_below）、土壤碳库（C_soil）和死有机物碳库（C_dead）.
本研究使用的是清单指南中缺省值方法, 在计算时会考虑气候、土壤及区域特征, 并结合土地利用、管理措施及有机质投入的库变化因子, 并按各自缺省值进行估算.研究中涉及的排放/清除因子和地类转移后的碳库值使用的是清单指南中给出的缺省值.清单指南计算时需要用到各地类4个碳库的初始碳密度值, 便于与其他研究结果进行比较.本研究中的初始碳密度值根据洞庭湖流域的特征选择, 参考了周文强等[27]、徐丽等[28]和An等[29]的研究（表 2）.
|
|
表 2 洞庭湖流域不同土地利用类型初始碳密度/t·hm-2 Table 2 Initial carbon intensity of different land use types in the Dongting Lake Basin /t·hm-2 |
在使用清单指南计算时, 考虑到政策设置和洞庭湖流域实际情况.计算耕地和草地的土壤碳库变化时假设未来对地类进行严格管理, 将种植产生的大量残余物的作物和使用绿肥等耕地投入措施和改良草地并进行高投入, 所以草地和耕地的土壤碳库会产生大量的碳汇.对于林地, 靳佳[30]和周国逸等[31]的研究认为, 洞庭湖流域的林地即使是处于成熟林阶段也会产生碳汇, 所以研究中按照清单指南给出的天然林地上生物量净生长量（亚洲大陆 > 20 a）的数据来计算.另外, 参考段晓男等[32]和赖力[33]的研究结果计算湿地碳汇.对于建设用地、水域和未利用地都假设其保持面积不变部分的4个碳库碳收支保持平衡, 仅计算地类转移部分产生的碳储量变化.
2 结果与分析 2.1 洞庭湖流域2010~2020年土地利用时空变化及影响因素分析根据洞庭湖流域2010年和2020年土地利用数据的分布表明（表 3）, 林地占洞庭湖流域总面积的60%以上, 是主要的土地利用类型.其次是耕地, 主要分布在湘江流域、沅江流域和洞庭湖平原区域.林地和耕地沿流域中线位置呈现两种不同的格局, 西部以林地为主, 东部以耕地为主, 草地分布在林地和耕地周围.水域分布在洞庭湖平原的湖区和贯穿整个流域的河流, 湿地通常与水域相邻分布.建设用地以侵占耕地、林地和草地为主, 2020年建设用地占流域面积由2010年的1.8%增加到2.5%.
|
|
表 3 2010~2020年洞庭湖流域土地利用转移矩阵1） Table 3 Land use transfer matrix for the Dongting Lake Basin from 2010 to 2020 |
通过Spearman相关系数衡量驱动因子对地类变化的影响（图 2）.自然环境因素是土地开发的基本决定因素[34].其中高程与地类变动的相关性最大, 与林地和草地均呈显著正相关关系, 与耕地均呈显著负相关关系.耕地、建设用地、水域和湿地分布在海拔相对较低的区域, 海拔相对较高的区域为林地和草地.社会经济因素是土地利用变化的主要驱动力[22].夜间灯光指数与耕地呈显著负相关关系, 与林地和草地呈显著正相关关系, 而人口密度则正好相反.人口增加导致建设用地与耕地的需求增加, 推动建设用地和耕地侵占其他地类.区位特征因素中, 交通网络因素被证明显著影响土地利用类型的变化[35], 交通便利的地方会因为容易获得社会经济资源而产生人群聚集, 到一级/二级/三级公路的距离与耕地和林地均呈显著相关关系.
|
*为P < 0.1, **为P < 0.05 图 2 Spearman相关关系及显著性检验 Fig. 2 Spearman correlation and significance test |
以洞庭湖流域2010年的土地利用遥感影像解译图像为基础, 利用PLUS模型模拟2020年的土地利用情况, 将模拟结果与2020年遥感影像解译数据进行对比.经过PLUS模型的Kappa精度测试, Kappa系数为0.89, 总体精度为94%.说明所选择的驱动因子具有较好的仿真效果和较高的精度, 满足了未来土地利用变化的模拟需求.
2.2.2 驱动因子贡献率分析通过PLUS模型的LEAS模块分析得出驱动因子对土地利用变化的贡献率, 结果如图 3所示.自然环境因素中, 高程是贡献率最大的因素, 约为10%以上.所以在进行地类转移时, 会尽量避开坡度较陡、海拔较高的地方进行开发, 这些地方开发成本相对较高[35].社会经济因素对水域、耕地、未利用地和建设用地的贡献率较大.人口增长需要更多的土地来供应粮食和住宿, 同时人口增长意味着用水需求会随之增加.区位特征因素对草地、建设用地和未利用地的贡献率较高.交通路网发达的区域发展相对较好, 对区域土地利用的变化方向和速率产生影响[36].
|
（a）自然环境因素, （b）社会经济因素, （c）区位特征因素 图 3 驱动因子对每种土地利用类型的贡献率 Fig. 3 Contribution of driver factors to each land use type |
基于2020年的土地利用数据, 采用PLUS模型以10 a为时间间隔模拟2030~2060年洞庭湖流域在自然发展情景、经济协调情景和生态优先情景下土地利用变化（图 4）.
|
（a）生态优先情景, （b）自然发展情景, （c）经济协调情景 图 4 2020~2060年各情景土地利用转移情况 Fig. 4 Land use transfers under different scenarios from 2020 to 2060 |
自然发展情景下, 2020~2060年流域约有2.7%的面积发生地类转换, 其中耕地和林地向建设用地转移的面积占比为2.2%.新增建设用地主要分布在湘江流域的长株潭城市群, 其次是沅江流域.耕地和林地向水域转移的面积占比为0.3%, 新增水域主要在沅江流域.
生态优先情景下, 地类转移数量是由非限制区域边界向中部减少, 洞庭湖平原基本无变动.在2020~2060年间, 整个流域预计会有0.3%的面积发生地类转移, 转移面积中以草地向林地转移为主, 约占所有增加面积的98.0%.林地预计会增加740 km2, 比2020年的林地面积增加了0.5%, 新增林地主要分布湘江流域.
经济协调情景下, 2020~2060年流域约有1.5%的面积发生地类转移.林地和草地转入建设用地的面积占比为1.4%, 其中湘江流域的新增建设用地面积高达0.9%.在规划开发区内建设用地变得更加密集, 长株潭城市群区域中11.2%的林地和51.7%的草地向建设用地转移, 宜荆荆恩城市群有8.0%的林地和44.0%的草地转入建设用地.水域和耕地主要由洞庭湖平原的湿地、贵州东北部沅江流域附近的草地和林地转入.
2.3 不同情景下碳储量的时空变化从年际变化来看, 40 a间各情景的碳储量均呈现上升趋势（表 4）, 到2060年总储量由大到小依次为：生态优先情景（4.12×109 t）、经济协调情景（4.10×109 t）和自然发展情景（3.88×109 t）.各情景的碳汇量呈现下降趋势, 下降速度由慢到快为生态优先情景、经济协调情景和自然发展情景.生态优先情景平均碳汇量约为1.2×107 t∙a-1, 到2040年以后碳汇量保持不变.自然发展情景平均碳汇量在2020~2040年间为0.6×107 t∙a-1, 2040年之后降至0.5×107 t∙a-1.经济协调情景平均碳汇量为1.1×107 t∙a-1, 与生态优先情景类似, 碳储量上升幅度处于前两个情景中间, 在2030~2060年间的碳汇出现了小幅上升后又下降.
|
|
表 4 2020~2060年不同情景碳储量和碳汇量结果 Table 4 Carbon storage and sink results for various scenarios from 2020 to 2060 |
为了进一步明确洞庭湖流域不同情景下的碳储量空间变化, 将碳储量变化分为减少、基本不变和增加这3类（图 5）. 3个情景下的碳储量变化均以增加区域为主, 但生态优先情景中建设用地区域基本无变化；自然发展情景中碳储量减少区域分布相对分散, 大部分出现在建设用地和水域周边；经济协调情景中碳储量减少区域集中在规划开发区内, 由建设用地扩张造成.小部分分布在洞庭湖平原的湿地区域, 由湿地转入水域产生的碳损失.
|
图 5 2020~2060年洞庭湖流域各情景碳储量变化分布格局 Fig. 5 Distribution pattern of carbon stock changes among scenarios in Dongting Lake Basin from 2020 to 2060 |
以2020年的碳库值为基础比较各个情景下4个碳库的变化（图 6）, 生态优先情景的4个碳库都在增加, 经济协调和自然发展情景只有死有机物碳库在减少.生态优先情景下的4个碳库在所有情景中增长速率最快, 其中地下生物量增加比例超过59.9%. 3个情景的地上生物量碳库增加速率基本一致, 均在21%以上.生态优先情景和经济协调情景下的土壤碳库增加速率在8%以上, 自然发展情景下仅有0.4%.经济协调情景和自然发展情景的死有机物碳库降低速率在1%左右, 而生态优先情景下却以1%的速率增加.
|
图 6 2020~2060年各情景下4个碳库变化情况 Fig. 6 Changes in the four carbon pools under various scenarios from 2020 to 2060 |
土地利用变化受到气候变化和社会经济发展的共同影响, 但目前被广泛使用的Logistic-CA、ANN-CA和FLUS等[37, 38]模型在分析驱动土地利用类型变化的因素时, 使用的是过渡分析策略（TAS）或模式分析策略（PAS）.以上基于这两种策略的模型无法提供有关单个土地利用类型转变背后的驱动因子及其对未来变化的影响, 限制了气候和经济情景在未来土地利用变化模拟的应用.而PLUS模型结合了TAS和PAS的优点, 使用基于阈值下降的创新型多类型随机斑块播种机制, 可以更好地将各种空间因子与地理单元融合, 达到更高的模拟精度[13].Li等[39]认为, PLUS模型通过随机森林算法进行模拟预测, 无论是从模拟精度、元胞尺度变化和景观格局的相似度都优于其他模型.虽然PLUS模型可以结合未来气候及经济发展数据进行未来土地利用变化模拟, 但变化过程涉及复杂气候、社会政策和经济政策的转变等因素, 无法做到有效的模拟, 使得模拟结果缺乏时效性[40], 未来可以通过自组织映射（SOM）[41]、CLUmondo模型框架[42]等方法对研究区域进行分区规划来降低这些因素的影响.
在评估土地利用变化对碳储量影响的方法中, InVEST模型因为输入参数简单、通用性高且置信度高等特点[9], 常被用于研究土地利用动态分布对碳储量的影响[14].但InVEST模型是基于碳密度恒定的假设, 忽略了环境因素对各土地利用类型碳密度的影响[10].而清单指南提供了完整的方法框架来评估土地利用变化引起的碳库变化, 可以适配从微观到宏观不同尺度的研究, 也能保证生物量与蓄积量之间的协调性, 同时计算参数较易获得[43].清单指南在计算时可以根据研究区的气候带和生态系统类型等条件进行参数设置, 相比InVEST模型, 该方法更适合在没有预知未来植被和土壤碳密度数据下估算碳储量变化[44].虽然其中只提供大尺度参数, 在用于小尺度研究时可能会产生偏差.所以, 有必要根据研究区域的实际情况, 参考区域的自然属性以确定区域特征数据, 从而更深入地估算碳储量变化.
3.2 土地利用变化对陆地生态系统碳储量的影响土地利用方式会改变地表覆盖, 最终作用于生态系统碳循环过程引起碳储量改变.本研究设置的3种不同气候-政策情景在未来40年间碳储量均呈现增长的趋势, 但增速各有不同.其中碳储量增加最快的是生态优先情景, 最慢的是自然发展情景.在自然发展情景和经济协调情景下94%以上的碳损失是由建设用地扩张导致的, 其中由林地转出产生的碳损失占总碳损失的74%以上, 表明林地面积减少是碳损失的主要原因.在优先扩张林地的情况下, 生态优先情景中林地面积增加740 km2, 林地总碳储量增加了2.37×108 t, 占该情景总碳储量增量的50%.由此可见, 建设用地的扩张和林地的减少是导致碳损失的主要原因[45].根据Yu等[46]对中国林地在1980~2019年期间的碳汇变化的研究发现, 林地扩张可产生约2.1×1012 t∙a-1的碳积累, 占全国陆地碳汇的44%.然而陆地面积有限, 城市化和经济快速发展必然会导致建设用地侵占耕地、林地和草地等高碳密度地类.这与Ye等[47]的研究结果一致, 其通过对中国建设用地扩张的碳汇/碳源变化研究发现, 中国一半以上的建设用地扩张与区域碳汇增长呈负相关, 洞庭湖流域包括在内.因此, 综合3个情景的结果来看, 生态优先情景在有效保护林地和耕地等高碳密度地类的基础上, 限制建设用地的扩张, 对流域碳增汇起到重要作用.
除了保护林地和限制建设用地扩张外, 保护水域和湿地同样有助于碳增汇.有研究发现, 在经常性积水条件下这两种地类是碳汇, 但在遭遇排水和破坏等干扰后会促使积累的有机质加速分解成为碳源[48].虽然水域和湿地仅占洞庭湖流域总面积的4%, 但从20世纪40年代到世纪末, 洞庭湖区的水域面积持续减少至2 918 km2, 湿地面积先减后增[49], 两种地类因面积减少造成的碳损失约为2.2×105 t.从2005~2020年湖南省的湿地严重破碎化, 而湿地越聚集, 固碳能力越强[50].对于这种情况, 在制定政策时应尽量不占用河流、湖泊和沼泽等自然湿地, 保证湿地的聚集性.
3.3 对未来的发展建议土地利用变化影响着陆地生态系统的结构和功能, 最终影响着碳汇[51].洞庭湖流域在2000~2015年期间由建设用地扩张而产生的碳排放占总碳排放的比重最大, 建设用地增加1 hm2约产生661 t的碳排放, 而增加1 hm2林地的碳吸收量仅为0.581 t[52].由此可见, 建设用地扩张速度会影响该区域的碳排放强度, 建设用地的碳排放强度增加会导致林地碳汇效应不显著.想实现碳储量的稳定增长, 要通过政策约束人类活动, 抑制盲目的地类流转和增加土地管理投入[53].
从地类流转来看, 3个情景的碳储量变化表明林地的流转至关重要.自然发展情景中耕地转入建设用地的总面积比林地多27 km2, 但林地转出造成的总碳损失为耕地的4.5倍.生态优先情景下实施渐进式造林, 碳汇维持在5.8×106 t∙a-1, 并且在不断增加.Xu等[54]的研究结果也证明了, 渐进式造林和控制建设用地的扩张可以产生持续碳汇.因为达到成熟年龄的树林对碳汇的贡献有限, 通过系统地规划种植区域可以维持长期碳吸收和对区域经济做出贡献[55].自然发展情景中林地为一次性大面积种植, 所以在2020~2040年期间会产生大量的林地碳汇, 平均碳汇量6.1×106 t∙a-1.而在2040年后新增林地归为成熟林后, 林地平均碳汇量仅有5.5×106 t∙a-1.与此同时, 建设用地大量侵占林地和草地等, 平均造成6.6×105 t∙a-1的碳损失.所以天然林保护和耕地保护等生态保护政策是增加碳储量的重要保障.但是生态保护政策的严格实施必然会与经济发展需求产生矛盾, 而土地利用优化是权衡这一矛盾的有效途径.在自然发展情景中, 建设用地无约束地侵占林地和耕地, 碳损失区域分散在建设用地周围.而在经济协调情景中, 快速发展经济的同时对耕地和水域进行保护, 并划定规划开发区和限制区, 将地类扰动影响控制在一定区域范围内, 所以碳损失区域相对自然发展情景更加集中.说明规划开发区的划定有利于控制建设用地的开发速度, 减少其对水域、耕地的侵占, 从而避免碳储量因经济发展而产生严重损失[11].因此, 流域未来应定期种植林地, 划定规划开发区并控制建设用地的扩张, 增强土地利用的集约化, 以保持相对稳定的碳吸收.
从土地管理投入来看, 耕地和草地的土地管理能抵消建设用地扩张而产生的碳损失.经济协调情景中建设用地扩张产生的总碳损失为0.4×106 t∙a-1, 草地在没有新增面积的情况下, 依靠增加土地管理投入, 预计可以增加1.5×106 t∙a-1.以生态优先情景与经济协调情景进行对比, 预计到2060年, 生态优先情景和经济协调情景下的总碳储量仅相差2.7×107 t.若是不对草地和耕地进行管理, 经济协调情景的碳储量将是3个情景中最低值.所以要在草地丰富的地区加强对放牧的管控, 进行草地改良、种植C4植物、豆科植物和添加生物质炭等[56], 以促进草地碳增汇.对于耕地, 农田管理措施对耕地碳汇具有决定性作用, 主要从增加有机碳的输入量（如草田轮作、保留残茬以及施用肥料等）和减少土壤有机碳的矿化（少耕免耕等）两方面入手[57].
3.4 优势与不足本文以SSP-RCP情景预测的GDP、人口和气候数据以及未来土地利用需求作为PLUS模型的模拟参数, 利用马尔可夫模型预测各区域的需求, 然后分配空间格局.在土地模拟模型中, PLUS模型结合了TAS和PAS的优点, 使用基于阈值下降的创新型多类型随机斑块播种机制, 提高了模拟精度[13].处理未来气候数据时使用了3种全球气候模式（EC-Earth3、GFDL-ESM4和MRI-ESM2-0）[58, 59]进行算术平均, 该方法可以减少单一气候模式的不确定性. InVEST模型在计算碳储量变化时会受到专家认识的约束, 并忽略了土地利用不变的情况下由于自然演替增加的碳储量.而清单指南给碳储量评估提供了统一的计算方法, 相对于InVEST模型, 该方法更能体现出碳密度在时间上的变化.清单指南中考虑了地类转移过渡时期和植被生长对碳密度的影响, 但缺省方法计算时涉及的缺省值是按照气候带进行区分的, 这也是这项计算误差来源之一.在今后的研究中, 如果能收集到更多当地的碳密度数据和碳吸收/排放因子对碳库流转过程的变化进行计算, 预测结果也将更精确.另外, 本研究在碳储量变化计算中, 将水域和湿地分开计算.因为在碳储量研究中, 通常湿地会被归为水域来进行计算, 并将水域碳密度视为0.实际上, 湿地碳密度仅次于林地, 同样也会产生重要的碳汇[33, 48].本研究中的湿地碳收支计算, 除了考虑受到地类变动产生的碳储量变化外, 保持面积不动的区域也会计算碳吸收.对于水域, 参考其他相似研究, 仅计算因地类变动产生的变化.
4 结论（1）2020~2060年间, 自然发展情景的耕地、林地和草地减少并转为建设用地、水域和湿地；经济协调情景主要由林地和草地转出, 建设用地、耕地和水域面积增加；生态优先情景主要由草地转入林地.
（2）2020~2060年间, 不同情景下碳储量呈上升趋势.在生态优先情景下, 控制建设用地扩张与增加林地面积和土地管理投入预计可使碳储量增加4.7×108 t, 并能减缓碳汇下降速度, 有利于持续产生碳汇；在经济协调情景下, 控制建设用地扩张、限制耕地转出和增加土地管理投入预计可使碳储量增加4.5×108 t, 能减缓碳汇下降速度, 但不利于持续产生碳汇；在自然发展情景下, 无任何控制和管理措施碳储量预计增加2.3×108 t, 不利于减缓碳汇速度和持续产生碳汇.
（3）对耕地和草地加大土地管理投入及实施渐进式造林有利于保持持续碳汇.控制建设用地的扩张和优化开发建设用地的区域, 以减少因建设用地扩张而产生的碳损失.
| [1] | Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Science China Life Sciences, 2022, 65(5): 861-895. DOI:10.1007/s11427-021-2045-5 |
| [2] |
徐彩瑶, 任燕, 孔凡斌. 浙江省土地利用变化对生态系统固碳服务的影响及其预测[J]. 应用生态学报, 2023, 34(6): 1610-1620. Xu C Y, Ren Y, Kong F B. Impacts and prediction of land use change on ecosystem carbon sequestration in Zhejiang Province, China[J]. Chinese Journal of Applied Ecology, 2023, 34(6): 1610-1620. |
| [3] | Li W W, Jia S N, He W, et al. Analysis of the consequences of land-use changes and soil types on organic carbon storage in the Tarim River Basin from 2000 to 2020[J]. Agriculture, Ecosystems & Environment, 2022, 327. DOI:10.1016/j.agee.2021.107824 |
| [4] | Nunes C A, Berenguer E, França F, et al. Linking land-use and land-cover transitions to their ecological impact in the Amazon[J]. Proceedings of the National Academy of Sciences of the United States of America, 2022, 119(27). DOI:10.1073/pnas.2202310119 |
| [5] | Xu C L, Zhang Q B, Yu Q, et al. Effects of land use/cover change on carbon storage between 2000 and 2040 in the Yellow River Basin, China[J]. Ecological Indicators, 2023, 151. DOI:10.1016/j.ecolind.2023.110345 |
| [6] | Feitosa T B, Fernandes M M, Santos C A G, et al. Assessing economic and ecological impacts of carbon stock and land use changes in Brazil's Amazon Forest: a 2050 projection[J]. Sustainable Production and Consumption, 2023, 41: 64-74. DOI:10.1016/j.spc.2023.07.009 |
| [7] | Zhang C H, Dong X, Zhang Z. Spatiotemporal dynamic distribution, regional differences and spatial convergence mechanisms of carbon emission intensity: evidence from the urban agglomerations in the Yellow River Basin[J]. International Journal of Environmental Research and Public Health, 2023, 20(4). DOI:10.3390/ijerph20043529 |
| [8] |
杨伶, 邓敏, 王金龙, 等. 近40年来洞庭湖流域土地利用及生态风险时空演变分析[J]. 生态学报, 2021, 41(10): 3929-3939. Yang L, Deng M, Wang J L, et al. Spatial-temporal evolution of land use and ecological risk in Dongting Lake Basin during 1980—2018[J]. Acta Ecologica Sinica, 2021, 41(10): 3929-3939. |
| [9] |
帕茹克·吾斯曼江, 艾东, 方一舒, 等. 基于InVEST与CA-Markov模型的昆明市碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 287-299. Paruke W, Ai D, Fang Y S, et al. Spatial and temporal evolution and prediction of carbon storage in Kunming City based on InVEST and CA-Markov model[J]. Environmental Science, 2024, 45(1): 287-299. |
| [10] |
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. |
| [11] |
石晶, 石培基, 王梓洋, 等. 基于PLUS-InVEST模型的酒泉市生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 300-313. Shi J, Shi P J, Wang Z Y, et al. Spatial-temporal evolution and prediction of carbon storage in Jiuquan City ecosystem based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(1): 300-313. |
| [12] | Yang Y L, Wang H, Li X B, et al. How will ecosystem carbon sequestration contribute to the reduction of regional carbon emissions in the future? Analysis based on the MOP-PLUS model framework[J]. Ecological Indicators, 2023, 156. DOI:10.1016/j.ecolind.2023.111156 |
| [13] | Liang X, Guan Q F, Clarke K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: a case study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85. DOI:10.1016/j.compenvurbsys.2020.101569 |
| [14] |
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. |
| [15] |
于芝琳, 赵明松, 高迎凤, 等. 基于InVEST-PLUS模型的淮北市碳储量时空演变及预测[J]. 环境科学, 2024, 45(6): 3270-3283. Yu Z L, Zhao M S, Gao Y F, et al. Spatio-temporal evolution and prediction of carbon storage in Huaibei City based on InVEST-PLUS model[J]. Environmental Science, 2024, 45(6): 3270-3283. DOI:10.3969/j.issn.1000-6923.2024.06.033 |
| [16] | Zhou W Q, Wang J L, Han Y, et al. Scenario simulation of the relationship between land-use changes and ecosystem carbon storage: a case study in Dongting Lake Basin, China[J]. International Journal of Environmental Research and Public Health, 2023, 20(6). DOI:10.3390/ijerph20064835 |
| [17] |
杨扬, 周浩, 文高辉, 等. 1980-2020年洞庭湖流域土地利用变化及其碳效应[J]. 水土保持通报, 2023, 43(3): 390-397. Yang Y, Zhou H, Wen G H, et al. Land use change and its carbon effect in Dongting Lake Basin during 1980-2020[J]. Bulletin of Soil and Water Conservation, 2023, 43(3): 390-397. |
| [18] | Wang T T, Sun F B. Global gridded GDP data set consistent with the shared socioeconomic pathways[J]. Scientific Data, 2022, 9(1). DOI:10.1038/s41597-022-01300-x |
| [19] | Wang X Y, Meng X F, Long Y. Projecting 1 km-grid population distributions from 2020 to 2100 globally under shared socioeconomic pathways[J]. Scientific Data, 2022, 9(1). DOI:10.1038/s41597-022-01675-x |
| [20] | 彭守璋. 2021-2100年中国1km分辨率多情景多模式逐月平均气温数据集[DB/OL]. 国家青藏高原科学数据中心. https://poles.tpdc.ac.cn/zh-hans/data/7f0fce77-2cba-4bdc-ab02-b2d7c69e8e4b/?q=2021-2100%E5%B9%B4%E4%B8%AD%E5%9B%BD1km%E5%88%86%E8%BE%A8%E7%8E%87%E5%A4%9A%E6%83%85%E6%99%AF%E5%A4%9A%E6%A8%A1%E5%BC%8F%E9%80%90%E6%9C%88%E5%B9%B3%E5%9D%87%E6%B0%94%E6%B8%A9%E6%95%B0%E6%8D%AE%E9%9B%86. |
| [21] | 彭守璋. 2021-2100年中国1km分辨率多情景多模式逐月降水量数据集[DB/OL]. 国家青藏高原科学数据中心. https://doi.org/10.11866/db.loess.2021.002. |
| [22] | Wang Q X, Song G, Ren G F, et al. Dynamic simulation and analysis of land use competition patterns to support sustainable territorial spatial management: a case study of Shenyang City, Northeast China[J]. Environmental Science and Pollution Research, 2023, 30(48): 106480-106501. DOI:10.1007/s11356-023-29796-9 |
| [23] |
李姣, 汪杰, 李朗, 等. 洞庭湖生态经济区土地利用变化对碳储量的影响[J]. 生态学杂志, 2022, 41(6): 1156-1165. Li J, Wang J, Li L, et al. Impact of land use change on carbon storage in the Dongting Lake Eco-economic Zone[J]. Chinese Journal of Ecology, 2022, 41(6): 1156-1165. |
| [24] |
糜毅, 李涛, 吴博, 等. 基于优化模拟的长株潭3+5城市群碳储量时空演变与预测[J]. 环境工程技术学报, 2023, 13(5): 1740-1751. Mi Y, Li T, Wu B, et al. Spatio-temporal evolution and prediction of carbon storage in Chang-Zhu-Tan 3+5 urban agglomeration based on optimization simulation[J]. Journal of Environmental Engineering Technology, 2023, 13(5): 1740-1751. |
| [25] | Zhang S Q, Yang P, Xia J, et al. Land use/land cover prediction and analysis of the middle reaches of the Yangtze River under different scenarios[J]. Science of the Total Environment, 2022, 833. DOI:10.1016/j.scitotenv.2022.155238 |
| [26] | Zhang Y Q, You Q L, Ullah S, et al. Substantial increase in abrupt shifts between drought and flood events in China based on observations and model simulations[J]. Science of the Total Environment, 2023, 876. DOI:10.1016/j.scitotenv.2023.162822 |
| [27] |
周文强, 韩宇, 王金龙, 等. 洞庭湖流域生态系统碳储量的时空异质性及驱动力分析[J]. 中国环境科学, 2024, 44(4): 1851-1862. Zhou W Q, Han Y, Wang J L, et al. Spatiotemporal heterogeneity and driving forces of ecosystem carbon storage in the Dongting Lake Basin[J]. China Environmental Science, 2024, 44(4): 1851-1862. |
| [28] |
徐丽, 何念鹏, 于贵瑞. 2010s中国陆地生态系统碳密度数据集[J]. 中国科学数据, 2019, 4(1): 86-92. Xu L, He L P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s)[J]. China Scientific Data, 2019, 4(1): 86-92. |
| [29] | An X X, Jin W P, Long X R, et al. Spatial and temporal evolution of carbon stocks in Dongting Lake wetlands based on remote sensing data[J]. Geocarto International, 2022, 37(27): 14983-15009. |
| [30] |
靳佳. 亚热带次生林固碳能力及其对碳中和贡献的预测[D]. 长沙: 中南林业科技大学, 2021. Jin J. Prediction of carbon (C) sequestration capacity of secondary forest and its contribution to C neutrality in subtropical China[D]. Changsha: Central South University of Forestry and Technology, 2021. |
| [31] |
周国逸, 陈文静, 李琳. 成熟森林生态系统土壤有机碳积累: 实现碳中和目标的一条重要途径[J]. 大气科学学报, 2022, 45(3): 345-356. Zhou G Y, Chen W J, Li L. Soil organic carbon accumulation in mature forest ecosystems: an important way to achieve the goal of carbon neutral[J]. Transactions of Atmospheric Sciences, 2022, 45(3): 345-356. |
| [32] |
段晓男, 王效科, 逯非, 等. 中国湿地生态系统固碳现状和潜力[J]. 生态学报, 2008, 28(2): 463-469. Duan X N, Wang X K, Lu F, et al. Carbon sequestration and its potential by wetland ecosystems in China[J]. Acta Ecologica Sinica, 2008, 28(2): 463-469. |
| [33] |
赖力. 中国土地利用的碳排放效应研究[D] 南京: 南京大学, 2010. Lai L. Carbon emission effect of land use in China[D] Nanjing: Nanjing University, 2010. |
| [34] | Jiang S, Meng J J, Zhu L K, et al. Spatial-temporal pattern of land use conflict in China and its multilevel driving mechanisms[J]. Science of the Total Environment, 2021, 801. DOI:10.1016/j.scitotenv.2021.149697 |
| [35] | Wang K, Zhou W Q. Do local factors or teleconnections control urbanization? The shifting balance in a Chinese megaregion[J]. Landscape and Urban Planning, 2018, 180: 179-186. |
| [36] |
王佳楠, 张志. 基于Markov-PLUS模型的柴北缘土地利用变化及模拟分析[J]. 西北林学院学报, 2022, 37(3): 139-148, 179. Wang J N, Zhang Z. Land use change and simulation analysis in the northern margin of the Qaidam Basin based on Markov-PLUS model[J]. Journal of Northwest Forestry University, 2022, 37(3): 139-148, 179. |
| [37] | Zhao M M, He Z B, Wang S Y. Potential effects of oasis expansion on ecosystem service value in a typical inland river basin of northwest China[J]. Environmental Science and Pollution Research, 2023, 30(16): 48401-48414. |
| [38] | Li Z, Jiang W G, Peng K F, et al. Comparative analysis of land use change prediction models for land and fine wetland types: taking the wetland cities Changshu and Haikou as examples[J]. Landscape and Urban Planning, 2024, 243. DOI:10.1016/j.landurbplan.2023.104975 |
| [39] | Li X, Fu J Y, Jiang D, et al. Land use optimization in Ningbo City with a coupled GA and PLUS model[J]. Journal of Cleaner Production, 2022, 375. DOI:10.1016/j.jclepro.2022.134004 |
| [40] |
黄韬. 基于PLUS-InVEST模型的福建省土地利用变化与碳储量评估[J]. 水土保持学报, 2024, 38(2): 246-257. Huang T. Evaluation of land use change and carbon storage in Fujian Province based on PLUS-InVEST model[J]. Journal of Soil and Water Conservation, 2024, 38(2): 246-257. |
| [41] | He F, Yang J, Zhang Y Q, et al. Does partition matter? A new approach to modeling land use change[J]. Computers, Environment and Urban Systems, 2023, 106. DOI:10.1016/j.compenvurbsys.2023.102041 |
| [42] | Domingo D, Palka G, Hersperger A M. Effect of zoning plans on urban land-use change: a multi-scenario simulation for supporting sustainable urban growth[J]. Sustainable Cities and Society, 2021, 69. DOI:10.1016/j.scs.2021.102833 |
| [43] |
聂薇, 邓华锋. 使用二类调查数据对森林碳储量评估及多因素预测[J]. 东北林业大学学报, 2024, 52(2): 52-59. Nie W, Deng H F. Forest carbon storage assessment and multi-factor prediction based on two-class survey data[J]. Journal of Northeast Forestry University, 2024, 52(2): 52-59. |
| [44] |
孔君洽, 杜泽玉, 杨荣, 等. 黑河中游土地利用/覆被变化及其对碳储量影响的预测[J]. 中国沙漠, 2019, 39(3): 87-97. Kong J Q, Du Z Y, Yang R, et al. Prediction of land use change and its influence on carbon stocks in the middle reaches of Heihe River[J]. Journal of Desert Research, 2019, 39(3): 87-97. |
| [45] |
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. |
| [46] | Yu Z, Ciais P, Piao S L, et al. Forest expansion dominates China's land carbon sink since 1980[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-32961-2 |
| [47] | Ye X, Chuai X W. Carbon sinks/sources' spatiotemporal evolution in China and its response to built-up land expansion[J]. Journal of Environmental Management, 2022, 321. DOI:10.1016/j.jenvman.2022.115863 |
| [48] |
姚程, 王谦, 姜霞, 等. 湖泊生态系统碳汇特征及其潜在碳中和价值研究[J]. 生态学报, 2023, 43(3): 893-909. Yao C, Wang Q, Jiang X, et al. Review of lake ecosystem's characteristics of carbon sink and potential value on carbon neutrality[J]. Acta Ecologica Sinica, 2023, 43(3): 893-909. |
| [49] |
赵淑清, 方精云. 围湖造田和退田还湖活动对洞庭湖区近70年土地覆盖变化的影响[J]. AMBIO-人类环境杂志, 2004, 33(6): 289-293, 361. Zhao S Q, Fang J Y. Impact of impoldering and lake restoration on land-cover changes in Dongting Lake Area, Central Yangtze[J]. AMBIO-A Journal of the Hunman Environment, 2004, 33(6): 289-293, 361. |
| [50] |
范育蕾, 夏哲一, 魏雪, 等. 四个时期长江经济带湿地生态系统服务对景观格局响应研究[J]. 湿地科学, 2024, 22(1): 139-147. Fan Y L, Xia Z Y, Wei X, et al. The response of wetland ecosystem services to landscape pattern of the Yangtze River Economic Belt during four periods[J]. Wetland Science, 2024, 22(1): 139-147. |
| [51] |
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, 875. 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, 875. |
| [52] |
阳凯, 王奕文, 黄春华, 等. 洞庭湖区域土地利用变化的碳排放效应研究[J]. 生态科学, 2023, 42(2): 193-201. Yang K, Wang Y W, Huang C H, et al. Effect of land use change on carbon emission in Dongting Lake region[J]. Ecological Science, 2023, 42(2): 193-201. |
| [53] | Ma S M, He L Y, Fang Y, et al. Intensive land management through policy intervention and spatiotemporal optimization can achieve carbon neutrality in advance[J]. Journal of Cleaner Production, 2023, 385. DOI:10.1016/j.jclepro.2022.135635 |
| [54] | Xu H, Yue C, Zhang Y, et al. Forestation at the right time with the right species can generate persistent carbon benefits in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2023, 120(41). DOI:10.1073/pnas.2304988120 |
| [55] | Arneth A, Sitch S, Pongratz J, et al. Historical carbon dioxide emissions caused by land-use changes are possibly larger than assumed[J]. Nature Geoscience, 2017, 10(2): 79-84. |
| [56] |
彭云峰, 常锦峰, 赵霞, 等. 中国草地生态系统固碳能力及其提升途径[J]. 中国科学基金, 2023, 37(4): 587-602. Peng Y F, Chang J F, Zhao X, et al. Grassland carbon sink in China and its promotion strategies[J]. Bulletin of National Natural Science Foundation of China, 2023, 37(4): 587-602. |
| [57] |
苑明睿, 杨峰山, 蔡柏岩, 等. 农业土壤碳汇研究进展[J]. 中国农学通报, 2023, 39(8): 37-42. Yuan M R, Yang F S, Cai B Y, et al. Research progress of agricultural soil carbon sink[J]. Chinese Agricultural Science Bulletin, 2023, 39(8): 37-42. |
| [58] | Peng S Z, Ding Y X, Wen Z M, et al. Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011-2100[J]. Agricultural and Forest Meteorology, 2017, 233: 183-194. |
| [59] | Ding Y X, Peng S Z. Spatiotemporal trends and attribution of drought across China from 1901-2100[J]. Sustainability, 2020, 12(2). DOI:10.3390/su12020477 |