2025, Vol. 46
工业革命以来, 二氧化碳的排放导致全球变暖问题日益严重, 对生态系统和人类的生存带来了一系列的负面影响[1, 2]. 2020年中国政府提出力争于2030年前达到“碳达峰”, 努力争取在2060年完成“碳中和”的目标, 并将其纳入“十四五”规划[3]. 在“双碳”战略目标背景下, 如何减少碳排放, 提高陆地生态系统的固碳能力成为学者研究热点[4~6]. 碳储量是生态系统碳汇功能中的重要环节, 陆地生态系统是全球碳储量的重要组成部分[7], 相关研究表明, 土地利用变化造成的碳排放已经成为仅次于化石燃料燃烧的第二大温室气体排放源[8]. 当前, 土地资源结构的优化被认为是最经济有效的固碳途径[9]. 因此, 基于土地利用变化分析区域碳储量时空变化、预测不同情景下未来碳储量以及探究碳储量空间分异驱动力对于土地资源优化、提升固碳能力和落实“双碳”目标具有重要意义.
近年来, 关于生态系统碳储量的评价主要凭借实地调查采样、遥感反演和模型模拟等方法[10, 11], 实地调查采样在大尺度上无法正确对碳储量进行评价, 存在一定的局限性[12]. 遥感反演一般用于对特定的地类生态系统地上生物量的监测[13], 相比较这两种方法, 模型模拟的方法由于数据获取容易、便于操作以及对不同尺度碳储量研究适用性强等优点被广泛应用[14]. 在众多模型中, 运用InVEST模型对特定时间某区域碳储量进行估算, 并探究由土地利用变化引起的碳储量变化, 具有参数需求量小、运行速度快和评价准确度高等优点[15~17]. 目前常用的土地利用模型主要有CA-Markov[18]、SD-CLUE-S[19]、CLUES-S[20]、FLUS[21]等. 已经有学者将InVEST模型与土地利用模型进行结合, 来研究碳储量的时空变化以及未来情景预测. 如李雪等[22]把FLUS模型和InVEST模型结合起来对大庆市2030年不同情景下碳储量进行评估, 分析了土地利用变化对碳储量的影响. 彭云妮等[23]、方赞山等[24]和杨宇萍等[25]均将InVEST模型和土地利用模型结合, 探究未来多情景土地利用格局下碳储量的时空变化. 但是随着区域发展与土地资源优化要求的提高, 这些模型已经满足不了模拟需求, 忽略了政策对未来土地资源规划的影响, 具有一定的局限性. PLUS模型[26, 27]可以灵活处理多类土地利用斑块变化的机制, 用于模拟精细尺度的土地利用变化, 填补了政策的制定对土地利用变化影响的模拟需求, 结果可以更好地支持土地资源优化和未来不同情景下碳储量的评价[28, 29]. 石晶等[30]、吴楠等[31]、孙方虎等[32]和Li等[33]均通过耦合PLUS-InVEST模型探讨基于未来情景土地利用的碳储量时空变化规律. 上述研究表明, 对碳储量的研究已经趋向于未来情景下的土地利用模拟. 但是对于碳储量驱动机制的分析一般是从土地利用角度出发, 碳储量的变化是多种因素综合作用的结果, 需要探索自然环境因子和社会经济因子对碳储量的影响.
安徽省处于长三角一体化发展国家战略地带, 地貌涵盖了山地、丘陵和平原等, 随着生态环境工作的开展和长三角一体化进程的推进, 对安徽省内生态系统碳储量的评价是当前急需解决的问题. 本研究耦合PLUS-InVEST模型对安徽省1990~2020年碳储量时空分布进行了分析, 模拟预测了2035年自然发展、生态保护、耕地保护和耕地生态双保护这4种情景下碳储量变化, 并通过GeoDetector模型对碳储量的驱动因素进行了探讨, 旨在为安徽省实现“双碳”目标以及可持续发展提供科学参考.
1 材料与方法 1.1 研究区概况安徽省地处中国华东长江三角洲地区, 地理坐标介于114°54′~119°37′E, 29°41′~34°38′N, 占地14.01万km2（图 1）. 安徽省境内地势复杂多样, 主要由江淮丘陵、皖南山地和淮北平原组成, 气候类型属于亚热带与暖温带过渡地区, 年平均降雨在773~1 670 mm, 年平均气温为14~17℃. 安徽省是长三角的重要组成部分, 是中国经济发展的战略地区, 2023年常住人口6 121万人, 生产总值为47 050.6亿元.
|
图 1 安徽省示意 Fig. 1 Schematic of Anhui Province |
研究数据由土地利用数据、社会经济数据、自然因素数据和碳密度数据组成. 土地利用数据从中国科学院资源环境科学与数据中心（https://www.resdc.cn/）下载, 包括1990、年、2000年、2010年和2020年这4个时间节点的数据, 分辨率为30 m, 通过重分类得到耕地、林地、草地、水域、城镇用地和未利用地6种土地类型；社会经济数据中的人口和GDP来源于中国科学院资源环境科学与数据中心, 分辨率为1 km；距道路距离（一级、二级、三级、高速公路、铁路）、距水域距离和距政府驻地距离来源于OpenStreetMap（https://www.openstreetmap.org/）, 分辨率为300 m；自然因素数据中的DEM从地理空间数据云（http://www.gscloud.cn）下载, 分辨率90 m, 坡度通过ArcGIS提取获得, 土壤类型、年平均气温和年降雨量从中国科学院资源环境科学数据中心下载, 分辨率1 km. 上述数据通过处理全部重采样为30 m, 投影坐标系为WGS-1984-UTM-zone-50N. 碳密度数据从国家生态系统观测研究网络科技资源服务系统（http://www.cnern.org.cn）获取, 并根据前人研究经验修正.
1.3 研究方法 1.3.1 InVEST模型InVEST（integrated valuation of ecosystem services and trade-offs）模型-生态系统服务和权衡的综合评估模型被广泛用于环境评估, 模型包含了碳储量、生境质量和水土保持等多个模块[34], 该模型由美国自然资本项目组开发, 为未来的可持续发展提供科学依据. 本文采用InVEST模型3.14.0版本的碳储量模块计算安徽省碳储量, 碳储量主要包括地上生物碳（Cabove）、地下生物碳（Cbelow）、土壤碳（Csoil）和死亡有机碳（Cdead）这4个碳库[35], 总碳储量的计算公式为：
|
(1) |
在碳储量模块中, 将土地利用数据和碳密度数据输入软件中来计算碳储量, 其中, 碳密度值会受到气候、土壤类型等因素的影响, 需要根据安徽省气候条件对碳密度系数进行修正, 本文根据陈光水等[36]、Alam等[37]、Giardina等[38]的方法进行修正.
|
(2) |
|
(3) |
|
(4) |
式中, P为年均降雨量；T为年均气温；CSP为根据年降雨量获取的土壤碳密度；CBP和CBT分别为根据年均降雨量和年均气温得到的生物量碳密度.
|
(5) |
|
(6) |
|
(7) |
|
(8) |
式中, KBP和KBT分别为生物量碳密度的降水因子和气温因子修正系数；C'BP和C'BT分别为安徽省根据年降雨量和年均气温得到的生物量碳密度数据；C″BP和C″BT分别为全国尺度根据年降雨量和年均气温得到的生物量碳密度数据；C'SP和C″SP分别为安徽省与全国尺度根据年均气温得到的土壤碳密度数据；KB和KS分别为生物量碳密度修正系数和土壤碳密度修正系数.
本文综合相关研究, 主要参考与本研究区域相近的文献[31, 32, 39], 经过整理得到各土地利用类型的碳密度值（表 1）.
|
表 1 安徽省不同地类碳密度/t·hm-2 Table 1 Carbon density of different land use types in Anhui Province /t·hm-2 |
1.3.2 PLUS模型
PLUS模型由中国地质大学（武汉）开发, 该模型主要用来研究土地利用变化模拟预测, 可以为未来的土地资源规划提供参考[27]. 模型中包括用地扩张分析策略（LEAS）和基于多类型随机种子机制的CA模型（CARS）, 用来挖掘土地扩张的驱动因素和预测斑块级土地利用格局演化[26]. LEAS模块需要输入两期土地利用数据和驱动因子, 该模块会提取各土地类型扩张的部分, 通过随机森林获取各土地类型扩张的发展概率, 并会分析各驱动因子对用地扩张的贡献. CARS模块通过输入土地利用数据和各地类扩张的发展概率, 输入土地利用成本矩阵和邻域权重, 经过软件计算模拟未来土地利用格局.
本文基于2010年和2020年土地利用数据, 先获取土地利用扩张数据, 在LEAS模块输入土地利用扩张数据和驱动因子, 经过软件计算得到各土地类型的发展概率和驱动因子贡献度. 在CARS模块中输入2010年土地利用数据以及上述得到的发展概率, 模拟2020年土地利用来进行精度验证. 验证结果：Kappa系数为0.95, 总体精度为0.97, FOM值为0.253, 说明该模型模拟精度较高, 符合研究需求, 可以用来多情景模拟2035年土地利用.
根据2018年安徽省人民政府印发《安徽省生态保护红线》（皖政密〔2018〕120号）[40]以及由住建部门牵头编制的《安徽省空间规划（2017-2035年）》, 结合国务院《2030年前碳达峰行动方案》[41]中“巩固生态系统固碳作用、提升生态系统碳汇能力”的重点任务, 设置自然发展（T1）、生态保护（T2）、耕地保护（T3）以及耕地和生态双保护（T4）这4种情景. 参考前人研究经验[42, 43], 以水体作为限制区, T1情景下, 保持原来土地转移概率, 不加以干扰；T2情景下, 林地和草地分别向耕地和城镇用地转移概率减少30%和20%；T3情景下, 设置耕地向城镇用地转移概率减少50%；T4情景下, 耕地、林地和草地向城镇用地转移概率分别减少50%、30%和20%.
邻域权重代表不同用地类型的扩张程度, 反映了各地类在空间驱动因子影响下的扩张能力[44], 计算公式为：
|
(9) |
式中, Xi为某一地类i的邻域权重参数, ΔTAi为研究时段内该地类TA的变化量, ΔTAmax和ΔTAmin分别为研究时段内TA的最大和最小变化量. 根据计算将耕地、林地、草地、水体、城镇用地和未利用地的邻域权重分别设置为0.952、0.075、0.024、0.033、1.000和0.008. 表 2为不同情景土地利用转移矩阵, 0表示不能转化, 1表示可转化.
|
|
表 2 不同情景土地利用转移矩阵1） Table 2 Land use transition matrix under different scenarios |
1.3.3 GeoDetector碳储量空间分异驱动机制分析
地理探测器可以用来探究碳储量空间分布的驱动因素, 其中包括单因子探测和交互因子探测[45], 探测结果q值越大, 说明该驱动因子对碳储量的空间分布解释强度越高, 交互因子探测可以用来判断因子X1与X2共同影响下对Y的作用是增强还是减弱, 交互探测结果分为非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强这5种. 探测器计算公式为：
|
(10) |
|
(11) |
式中, q为因子解释能力, 范围[0, 1]；h为因子的分层；Nh和N分别为层h和全区的单元数；δh2和δ2分别为层h和全区Y值的方差；SSW和SST分别为层内方差之和以及全区总方差.
2 结果与分析 2.1 1990~2020年土地利用面积分布与动态变化安徽省土地利用面积分布如表 3所示, 主要的土地类型是耕地、林地和城镇用地, 占安徽省总面积的85%以上, 其中耕地在面积上占据绝对优势, 面积占比高达55%以上. 1990~2020年, 耕地从81 459.12 km2减少为77 537.75 km2, 减少了3 921.37 km2, 呈现持续衰减的趋势；林地从32 435.51 km2变化为32 098.07 km2, 面积减少了337.44 km2, 其中2000~2010年间几乎没有变化；草地从8 307.90 km2增加为8 314.01 km2, 其中1990~2000年面积增加了61.87 km2, 2000~2020年面积逐渐减少, 减少了55.76 km2, 总体来看面积略微增加；水域面积不断扩张, 但是扩张的速率较慢；城镇用地面积大幅增加, 从10 637.62 km2增加为14 758.77 km2, 共增加了4 121.15 km2, 扩张幅度极为迅速；未利用地面积变化较小, 略微有些增加. 安徽省土地利用变化的主要特征表现为耕地面积不断减少, 城镇用地面积迅猛扩张的趋势.
|
|
表 3 土地利用面积分布/km2 Table 3 Land use area distribution/km2 |
1990~2020年安徽省土地利用动态变化如图 2所示, 从转出来看, 耕地在转出的土地类型中占主体地位, 转出面积为4 319.80 km2, 占总转出面积的82%, 主要转移为城镇用地, 转移面积高达3 893.99 km2；林地转出面积为478.34 km2, 占总转出面积的9%, 主要转移为耕地、草地和城镇用地, 转移面积分别为106.17、188.41和178.07 km2；草地和水域转出面积分别为212.61 km2和203.00 km2, 占比均为4%, 水域主要转移为耕地；城镇用地和未利用地转出面积比较少, 不予讨论. 从转入来看, 城镇用地是主要的转入土地类型, 转入面积为4 178.29 km2, 占总转入面积的79.30%, 主要是由耕地和林地转移而来, 耕地转移占比高达93.20%；耕地转入面积为399.92 km2, 主要是林地和水域转移得到；水域转入面积为314.92 km2, 95%以上的面积由耕地转化而来；林地和草地转入面积为141.50 km2和219.13 km2, 林地大部分由耕地转移而来, 草地大部分由林地转移而来. 总体上, 安徽省1990~2020年土地利用动态变化主要特点是耕地向城镇用地转移.
|
图 2 土地利用转移桑基图 Fig. 2 Sankey diagram of land use transfer |
安徽省1990~2020年碳储量如表 4所示, 从碳储量总量来看, 1990~2020年碳储量分别为1 911.39×106、1 908.15×106、1 904.88×106和1 897.54×106 t, 呈现不断减少的趋势, 1990~2020年碳储量一共减少了1.39×107 t, 平均每年减少了4.62×105 t. 从土地类型碳储量来看, 耕地的碳储量占据全部碳储量的一半以上, 是安徽省最主要的碳库, 1990~2020年, 耕地碳储量不断衰减, 从1 115.99×106 t减少到1 062.27×106 t, 减少了5.37×107 t, 是碳储量减少的主要地类, 其中2010~2020年减少最多, 减少了2.65×107 t；林地碳储量由518.97×106 t变化为513.57×106 t, 减少了5.40×106 t, 其中1990~2000和2010~2020两个时间段减少较多, 分别减少了2.97×106 t和2.42×106 t, 2000~2010年变化极小；城镇用地碳储量从116.31×106 t增加到161.36×106 t, 增加了4.51×107 t, 其中1990~2000年和2000~2010年碳储量增加相近, 2010~2020年碳储量增加最多, 增加了2.24×107 t, 是安徽省碳储量增加的主要土地类型；草地、水域以及未利用地碳储量变化比较小.
|
|
表 4 1990~2020年各土地类型碳储量×106/t Table 4 Carbon storage of each land type from 1990 to 2020×106/t |
安徽省地形复杂多样, 主要可以概括为淮北平原区、江淮丘陵区和皖南山区, 1990~2020年碳储量的分布如图 3所示, 碳储量最高的区域主要分布在皖南山区, 尤其是黄山市、池州市、铜陵南部、六安市西南部、安庆市西北部以及宣城市南部碳储量最多, 除此之外, 在滁州市中部碳储量同样很高, 这些地区主要的土地类型是林地和草地, 碳密度相对较高；其次是包含亳州市、阜阳市和蚌埠市在内的淮北平原以及江淮丘陵区, 这些地区土地类型主要是耕地并且面积很大, 这也是安徽省主要的碳库是耕地的主要原因；碳储量最少的地方主要分布在水系周围, 这是因为水域的碳密度较低, 其中安徽境内巢湖、淮河和长江碳储量最少.
|
图 3 1990~2020年碳储量分布 Fig. 3 Carbon storage distribution from 1990 to 2020 |
土地利用类型的转化会引起陆地生态系统各碳库碳储量的变化, 安徽省碳储量对土地利用类型转化的响应如表 5所示, 根据表中的数据可以看出, 1990~2020年间, 植被碳储量减少了8.39×106 t, 占碳储量变化总量的60.67%, 土壤碳储量减少了4.44×106 t, 占碳储量变化总量的32.10%, 死亡有机质碳储量减少了1.00×106 t, 占碳储量变化总量的7.24%, 碳储量减少主要在植被和土壤两个碳库. 由土地利用转化面积和总碳储量变化数据可以看出, 从耕地转移向其他土地类型导致碳储量总量减少了1.45×107 t, 其中植被碳储量减少了9.47×106 t, 占损失碳储量的65.49%, 耕地转移为城镇用地减少的碳储量最显著, 减少的碳储量为1.08×107 t；林地转移为其他土地类型导致碳储量总量减少了0.75×106 t, 其中林地转移为城镇用地减少碳储量为0.90×106 t, 林地转移为草地增加碳储量为0.48×106t；草地转移为其他土地类型导致碳储量总量减少了1.17×106 t, 其中土壤碳储量减少了0.88×106 t, 占损失碳储量的75.55%；水域转移为其他土地类型导致碳储量增加了2.53×106t, 其中土壤碳储量增加了1.58×106 t, 占增加碳储量的62.69%, 水域转移为耕地增加的碳储量最为明显, 增加了2.09×106 t；城镇用地和未利用地土地利用变化导致的碳储量变化较小. 从不同的地类转化来看, 耕地、林地和草地转出引起碳储量大量减少, 共计减少1.64×107 t, 耕地转为城镇用地是碳储量减少的主要原因, 占损失碳储量总量的65.96%.
|
|
表 5 1990~2020年土地转移对应的碳储量 Table 5 Carbon storage corresponding to land transfer from 1990 to 2020 |
2.4 碳储量空间分异驱动力分析
本研究以地理探测器为工具, 经过综合考虑选取自然环境因子和社会经济因子共14个, 分别是：距政府距离（X1）、距二级道路距离（X2）、距铁路距离（X3）、距三级道路距离（X4）、年平均气温（X5）、土壤类型（X6）、年降雨量（X7）、人口（X8）、坡度（X9）、距一级道路距离（X10）、距高速公路距离（X11）、距水域距离（X12）、GDP（X13）和高程（X14）.
地理探测器单因子探测结果如图 4所示. 结果表明, 单因子探测条件下, 驱动力解释强度最高的因子是高程（0.185）, 其他解释强度较强的因子是坡度（0.178）、年降雨量（0.12）和年平均气温（0.077）, 解释强度较弱的是距三级道路距离（0.006）、距铁路距离（0.008）和距高速公路距离（0.009）. 很明显可以看出自然环境因子对碳储量时空分布的解释力占据主导地位.
|
图 4 单因子探测结果 Fig. 4 Single-factor detection results |
从交互因子探测结果来看（图 5）, 与单因子探测对比可以看出任意两个因子交互作用对碳储量的响应更强, 所有交互因子探测结果均为非线性增强和双因子增强, 说明碳储量的分布受到多种因素的影响. X6与X7、X9和X14表现为明显的非线性增强, 说明土壤类型与年降雨量、坡度和高程在不同组合情况下可以增强因子对碳储量分布的影响. X14与X4和X6呈现非线性增强, 与其他因子交互均呈现双因子增强, 说明高程和各因子交互作用对碳储量分布起到很大作用.
|
图 5 交互因子探测结果 Fig. 5 Interaction factor detection results |
通过PLUS模型对2035年不同情景下安徽省土地利用格局进行了模拟预测, 得到各地类的面积分配（表 6）以及土地利用分布（图 6）. 与2020年相比, 2035年T1情景下, 耕地、林地和草地面积分别减少了1 872.51、139.73和46.67 km2, 水体、城镇用地和未利用地分别增加了67.2、1 985.63和6.09 km2, 这说明在T1情景下, 耕地和林地流失的面积较多, 城镇用地呈现大幅度扩张的状态；在T2情景下, 耕地面积减少1 873.72 km2, 林地面积则稍微增加, 草地仍然处于减少的趋势, 减少面积为35.08 km2, 城镇用地增加了1 869.16 km2, 虽然依旧大幅扩张, 但与T1相比速率有所减缓, 说明在实施生态保护的政策下, 可以在一定程度上保护生态用地, 限制城镇用地扩张的速度；在T3情景下, 耕地面积呈现增长的趋势, 面积增加了77.12 km2, 林地和草地略微减少, 城镇用地面积增加116.12 km2, 扩张速率得到了大幅度地抑制, 说明耕地保护政策的实施可以有效约束城镇用地的扩张, 同时也能保证耕地面积, 保障粮食安全, 这主要是由于城镇用地的扩张是通过侵占耕地来实现的；在T4情景下, 耕地增加面积与T3情景相当, 林地与水体面积增加得比较少, 草地、城镇用地以及未利用地面积有不同程度地减少, 说明实施耕地生态双保护措施下, 耕地和林地得到了最好的保护, 面积分别增加了80.08 km2和0.19 km2, 但是城镇用地减少了43.49 km2, 主要原因是双保护政策下限制了耕地和林地向城镇用地转移.
|
|
表 6 2035年不同情景下各地类面积/k2 Table 6 Area of different regions in different scenarios by 2035/km2 |
|
图 6 2035年不同情景下土地利用格局 Fig. 6 Land use patterns under different scenarios in 2035 |
表 7为2020年和2035年各情景下不同地类的碳储量, 从碳储量总量来看, 2035年不同情景碳储量与2020年相比均有所下降, T1情景下碳储量减少最多, 减少了6.98×106 t, T2情景下碳储量减少速度与T1情景相比有所减缓, 说明生态保护措施对抑制碳储量减少起到了一定作用. T3情景与2020年相比碳储量减少了0.94×106 t, 与自然发展情景相比碳储量增加了6.04×106 t, 说明实施耕地保护政策通过限制碳密度高的耕地向碳密度低的城镇用地转移来减缓碳储量下降. T4情景的碳储量与2020年比较接近, 仅减少了0.02×106 t, 说明耕地和生态双保护的政策可以最大限度地限制碳储量的下降. 从不同地类碳储量来看, T1情景下, 碳密度高的地类（耕地、林地、草地）面积均有所减少, 导致这几种地类的碳储量下降, 碳密度低的地类（水体、城镇用地、未利用地）面积增加导致碳储量上升, 碳密度高的地类向碳密度低的地类转移是导致总碳储量下降的主要原因；T2情景比T1情景碳储量下降减缓的原因是在生态保护措施下林地碳储量增加, T3情景下, 由于耕地保护政策限制了耕地向城镇用地转移, 导致耕地碳储量增加；T4情景下, 耕地面积增加使得碳储量上升, 林地的碳储量基本不变, 城镇用地碳储量有所下降, 原因在于该情境下减少了耕地和林地的转出.
|
|
表 7 2035年不同情景下各地类碳储量×106/t Table 7 Carbon storage of different regions under different scenarios in 2035×106/t |
图 7是2020年和2035年不同情景下碳密度空间变化情况. 安徽省碳储量分布差异比较明显, 主要体现为皖南山区和大别山一带碳储量较高, 这些地区主要地类为林地和草地, 固碳能力强, 而皖北和皖中碳储量较低, 主要包括蚌埠、淮北、阜阳、亳州以及合肥等地, 空间分布表现为“南高北低”的特点. T1情景下, 碳储量减少的地区零散分布在皖北平原和皖中, 这与城镇用地侵占耕地有关, 碳储量增加的地区主要集中在皖南山区. T2情景下, 碳储量减少区域零星分布在城镇周围, 碳储量增加的区域主要在皖南山区, 原因是安徽牯牛降国家级自然保护区的存在, 这恰恰说明生态保护对碳储量增加可以起到作用；T3情景下, 碳储量减少地区主要分布在安徽省南部, 零散分布在城镇附近, 碳储量增加区域主要集中在皖中和皖北地带, 这是因为耕地保护情景限制了城镇用地的扩张, 耕地面积得到了保障；T4情景下, 与T3情景相似, 碳储量增加地区主要集中在皖中、皖北和皖南大别山周围, 碳储量减少区域在皖南部分城市以及长江附近.
|
由于增加和减少的部分面积较小, 图中变化不明显 图 7 2020~2035年不同情景下碳密度空间变化特征 Fig. 7 Spatial variation characteristics of carbon density under different scenarios from 2020 to 2035 |
从土地利用变化来看, 安徽省1990~2020年耕地面积从81 459.12 km2减少为77 537.75 km2, 城镇用地面积从10 637.62 km2增加为14 758.77 km2, 碳储量从1 911.39×106 t下降到1 897.54×106 t, 表现为持续减少的趋势, 孙方虎等[32]发现安徽省陆地生态系统的碳汇能力逐渐下降, 与本研究结果一致. 这是由于固碳能力强的耕地转移到固碳能力低的城镇用地导致的, 吴楠等[31]得到同样的研究结果, 可与本研究相互印证. 从碳储量空间分布来看, 安徽省皖北、皖中地区固碳能力下降, 安徽省是农业大省, 农业主要集中在淮北平原地区, 退耕还林政策的实施以及城市化的发展, 使得耕地面积减少, 城镇用地侵占耕地的现象愈发严重. 耕地是安徽省主要的碳库, 耕地面积的减少直接影响安徽省的碳储量. 林地主要分布在皖南山区, 近些年风景区的开发以及山区的伐木毁林现象也导致了碳储量的流失[32].
对2035年4种情景下的碳储量进行模拟预测, 结果表明, 与2020年相比, 4种情景下的碳储量均有所下降, 结果与汪勇政等[39]结论一致. 其中耕地生态双保护情景下碳储量下降最少, 说明对耕地和生态用地实施保护政策可以产生一定的效果, 在此情景下, 耕地面积增加, 城镇用地减少, 很好地保障了粮食安全, 同时最大限度地限制了城镇用地的扩张. 因此, 在今后的规划中, 应该考虑耕地和生态用地的保护工作, 约束城镇用地的扩张.
3.2 安徽省碳储量影响因子分析地理探测器分析表明, 高程和坡度是安徽省碳储量空间分异的主要驱动因子, 年降雨量和年平均气温等驱动因子对碳储量的空间分异产生一定的作用, 这与于芝琳等[42]的研究结果较为吻合. 交互探测结果显示, 不同驱动因子之间的结合均可增强对碳储量空间分异的影响力, 这与前人的研究结果相同[46~48]. 说明在实际应用中可以充分考虑不同驱动因子结合对碳储量空间分异的影响, 例如在不同高程梯度下种植固碳能力强的植被来达到提高碳汇的目的. 安徽省的碳储量分布主要受到自然环境因子的影响, 这包括地形、气候等因素. 然而, 这对合肥等经济发展较好的城市并不适用, 可能是因为这些城市的发展和人类活动对碳储量的影响更为显著. 一方面是城市发展对碳储量的影响, 这些城市作为快速发展的城市, 城市化进程对土地利用和覆盖产生了显著影响[49]. 城市建设、道路扩展和人口增长等因素可能导致土壤有机碳的损失[50]. 此外, 城市中的能源消耗和工业生产也是碳排放的主要来源, 这些都会对碳储量产生影响. 另一方面是自然环境因子与城市发展的相互作用, 虽然自然环境因子对碳储量的分布有重要影响, 但在城市地区, 这些因子可能会受到人类活动的干扰和改变. 例如, 市区的植被覆盖可能受到城市化进程的影响, 导致植被减少和土壤有机碳的流失[51]. 同时, 城市的气候条件也可能发生变化, 如温度升高和降水减少等, 这些变化可能会对碳储量产生影响[52]. 与以往大尺度区域研究[53~55]普遍采用定性分析不同, 本研究使用地理探测器定量分析影响安徽省碳储量空间分异的驱动因子, 这在碳储量研究领域是一种较新的尝试, 为未来的碳储量研究提供了新思路.
3.3 不确定性分析本研究耦合PLUS-InVEST模型对未来碳储量时空分布进行模拟, 其结果可以在一定程度上表现出碳储量的变化趋势, 土地利用变化受到自然环境因子和社会经济因子等众多因素综合作用的影响, 但是在预测未来土地利用格局时只选取了14个驱动因子, 这在一定程度上降低了模拟精度. 另外, 虽然本研究定量分析安徽省碳储量空间分异的成因, 但是在确定成因时没有讨论驱动因子作用的方向, 未来可以结合空间统计的方法进行更完整的驱动因子研究. 碳密度的数据会根据气候的变化而变化, 虽然本文参考前人文献对碳密度数据进行了修正, 但对碳储量的估算结果仍然存在不确定性, 因此在未来的研究中, 需要用碳密度实测数据进行验证.
4 结论（1）安徽省主要的土地类型为耕地, 面积占比高达55%以上. 1990~2020年安徽省耕地和林地面积持续减少, 城镇用地面积大幅度扩张, 地类转移主要是耕地转移为城镇用地. 与其他情景相比较, 2035年耕地生态双保护情景中耕地面积增加最多, 对城镇用地扩张的约束力最强.
（2）1990~2020年安徽省碳储量减少了1.39×107t, 呈持续减少的趋势, 耕地转为城镇用地是碳储量减少的主要原因. 耕地是安徽省最主要的碳库. 从空间上看, 碳储量较高的区域主要分布在皖南山区, 安徽省内巢湖、淮河和长江碳储量较低.
（3）2035年不同情景下碳储量的空间分布与2020年相差不大, 但各情景下碳储量空间变化存在差异. 自然发展情景、生态保护情景、耕地保护情景和耕地生态双保护情景下碳储量分别为1 890.56×106、1 892.23×106、1 896.60×106和1 897.52×106 t. 4种情景下碳储量均有所减少, 耕地生态双保护情景下抑制碳储量减少最为显著. 在今后的规划中应重点考虑耕地与生态用地的保护工作.
（4）碳储量变化受到多重因素共同作用的影响. 高程是碳储量空间分异解释力最强的因子, 其次为坡度, 自然环境因子对碳储量空间分异的解释力占主体地位. 各因子在交互作用下均呈现为双因子增强或非线性增强, 高程和坡度是安徽省碳储量空间分异的主要交互因子.
| [1] | Jiang P, Sonne C, You S M. Dynamic carbon-neutrality assessment needed to tackle the impacts of global crises[J]. Environmental Science & Technology, 2022, 56(14): 9851-9853. |
| [2] | Cramer W, Guiot J, Fader M, et al. Climate change and interconnected risks to sustainable development in the Mediterranean[J]. Nature Climate Change, 2018, 8(11): 972-980. DOI:10.1038/s41558-018-0299-2 |
| [3] |
习近平. 坚定信心共克时艰共建更加美好的世界——在第七十六届联合国大会一般性辩论上的讲话[J]. 中华人民共和国国务院公报, 2021(28): 8-10. Xi J P. Bolstering confidence and jointly overcoming difficulties to build a better world——Statement at the general debate of the 76th session of the united nations general assembly[J]. Gazette of the State Council of the People's Republic of China, 2021(28): 8-10. |
| [4] | Ghosh S, Dinda S, Chatterjee N D, et al. Spatial-explicit carbon emission-sequestration balance estimation and evaluation of emission susceptible zones in an Eastern Himalayan city using Pressure-Sensitivity-Resilience framework: An approach towards achieving low carbon cities[J]. Journal of Cleaner Production, 2022, 336. DOI:10.1016/j.jclepro.2022.130417. |
| [5] |
曾赞青, 宋涵晴, 高俊宏, 等. 北京市森林植被固碳与能源碳排放时空变化及潜力预测[J]. 林业科学, 2023, 59(12): 51-60. Zeng Z Q, Song H Q, Gao J H, et al. Spatial and temporal change and potential prediction of carbon sequestrating and energy carbon emissing of forest vegetation in Beijing[J]. Scientia Silvae Sinicae, 2023, 59(12): 51-60. |
| [6] |
夏龙龙, 遆超普, 朱春梧, 等. 中国粮食生产的温室气体减排策略以及碳中和实现路径[J]. 土壤学报, 2023, 60(5): 1277-1288. Xia L L, Ti C P, Zhu C W, et al. Mitigation strategies of greenhouse gas emissions from crop production in China and the pathways to agricultural carbon neutrality[J]. Acta Pedologica Sinica, 2023, 60(5): 1277-1288. |
| [7] |
贾天朝, 胡西武. 基于PLUS-InVEST-Geodector模型的三江源国家公园碳储量时空变化及驱动力[J]. 环境科学, 2024, 45(10): 5931-5942. Jia T C, Hu X W. Spatial-temporal change and driving force of carbon storage in three-river-source national park based on PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(10): 5931-5942. |
| [8] |
蔡博峰, 朱松丽, 于胜民, 等. 《IPCC 2006年国家温室气体清单指南2019修订版》解读[J]. 环境工程, 2019, 37(8): 1-11. Cai B F, Zhu S L, Yu S M, et al. The interpretation of 2019 refinement to the 2006 IPCC guidelines for national greenhouse gas inventory[J]. Environmental Engineering, 2019, 37(8): 1-11. |
| [9] |
傅楷翔, 贾国栋, 余新晓, 等. 耦合PLUS-InVEST-Geodector模型的新疆地区碳储量时空变化及驱动机制分析[J]. 环境科学, 2024, 45(9): 5416-5430. Fu K X, Jia G D, Yu X X, et al. Analysis of temporal and spatial carbon stock changes and driving mechanism in Xinjiang region by coupled PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(9): 5416-5430. |
| [10] |
许信旺, 潘根兴, 侯鹏程. 不同土地利用对表层土壤有机碳密度的影响[J]. 水土保持学报, 2005, 19(6): 193-196, 200. Xu X W, Pan G X, Hou P C. Impact of different land use on topsoil organic carbon density in Anhui Province[J]. Journal of Soil and Water Conservation, 2005, 19(6): 193-196, 200. |
| [11] |
许泉, 芮雯奕, 何航, 等. 不同利用方式下中国农田土壤有机碳密度特征及区域差异[J]. 中国农业科学, 2006, 39(12): 2505-2510. Xu Q, Rui W Y, He H, et al. Characteristics and regional differences of soil organic carbon density in farmland under different land use patterns in China[J]. Scientia Agricultura Sinica, 2006, 39(12): 2505-2510. |
| [12] | Wang Q X, Watanabe M, Ouyang Z. Simulation of water and carbon fluxes using BIOME-BGC model over crops in China[J]. Agricultural and Forest Meteorology, 2005, 131(3-4): 209-224. |
| [13] |
陈利军, 刘高焕, 励惠国. 中国植被净第一性生产力遥感动态监测[J]. 遥感学报, 2002, 6(2): 129-135. Chen L J, Liu G H, Li H G. Estimating net primary productivity of terrestrial vegetation in China using remote sensing[J]. Journal of Remote Sensing, 2002, 6(2): 129-135. |
| [14] |
毛永发, 周启刚, 王陶, 等. 耦合PLUS-InVEST-Geodector模型的三峡库区碳储量时空变化及其定量归因[J]. 长江流域资源与环境, 2023, 32(5): 1042-1057. Mao Y F, Zhou Q G, Wang T, et al. Spatial-temporal variation of carbon storage and its quantitative attribution in the three gorges reservoir area coupled with PLUS-InVEST Geodector model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(5): 1042-1057. |
| [15] |
刘雅璇, 彭秋志, 黄培依, 等. 川西高原土地利用碳储量估算及多情景预测[J]. 水土保持学报, 2024, 38(1): 207-219. Liu X Y, Peng Q Z, Huang P Y, et al. Estimation and multi scenario prediction of land use carbon storage in western Sichuan plateau[J]. Journal of Soil and Water Conservation, 2024, 38(1): 207-219. |
| [16] | Li K M, Cao J J, Adamowski J F, et al. Assessing the effects of ecological engineering on spatiotemporal dynamics of carbon storage from 2000 to 2016 in the loess plateau area using the InVEST model: a case study in Huining County, China[J]. Environmental Development, 2021, 39. DOI:10.1016/j.envdev.2021.100641 |
| [17] | Li X Y, Huang C S, Jin H J, et al. Spatio-Temporal patterns of carbon storage derived using the InVEST model in Heilongjiang province, Northeast China[J]. Frontiers in Earth Science, 2022, 10. DOI:10.3389/feart.2022.846456 |
| [18] | Yulianto F, Maulana T, Khomarudin M R. Analysis of the dynamics of land use change and its prediction based on the integration of remotely sensed data and CA-Markov model, in the upstream Citarum Watershed, West Java, Indonesia[J]. International Journal of Digital Earth, 2019, 12(10): 1151-1176. |
| [19] | Luo G P, Yin C Y, Chen X, et al. Combining system dynamic model and CLUE-S model to improve land use scenario analyses at regional scale: a case study of Sangong watershed in Xinjiang, China[J]. Ecological Complexity, 2010, 7(2): 198-207. |
| [20] | Feng H, Lei X, Yu G, et al. Spatio-temporal evolution and trend prediction of urban ecosystem service value based on CLUE-S and GM (1, 1) compound model[J]. Environmental Monitoring and Assessment, 2023, 195(11). DOI:10.1007/s10661-023-11853-y |
| [21] | Çağlıyan A, Dağlı D. Monitoring land use land cover changes and modelling of urban growth using a future land use simulation model (FLUS) in Diyarbakır, Turkey[J]. Sustainability, 2022, 14(15). DOI:10.3390/su14159180 |
| [22] |
李雪, 李文, 高宇. 基于FLUS-InVEST模型的大庆市土地覆盖模拟与碳储量评估[J]. 环境科学, 2024, 45(10): 5983-5993. Li X, Li W, Gao Y. Land cover simulation and carbon storage assessment in Daqing city based on FLUS-InVEST model[J]. Environmental Science, 2024, 45(10): 5983-5993. |
| [23] |
彭云妮, 桑会勇, 翟亮, 等. 基于InVEST模型的京津冀土地利用变化及碳储量时空分异研究[J]. 测绘通报, 2024(1): 19-24, 31. Peng Y N, Sang H Y, Zhai L, et al. Study on land use change and spatiotemporal variation of carbonstorage in Beijing-Tianjin-Hebei based on InVEST model[J]. Bulletin of Surveying and Mapping, 2024(1): 19-24, 31. |
| [24] |
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. |
| [25] |
杨宇萍, 胡文敏, 贾冠宇, 等. 基于InVEST与ANN-CA模型的环洞庭湖区土地利用碳储量情景模拟[J]. 南京林业大学学报(自然科学版), 2023, 47(4): 175-184. Yang Y P, Hu W M, Jia G Y, et al. Scenario simulation integrating the ANN-CA model with the InVEST model to investigate land-based carbon storage in the Dongting Lake area[J]. Journal of Nanjing Forestry University (Natural Science Edition), 2023, 47(4): 175-184. |
| [26] | Liang X, Liu X P, Li D, et al. Urban growth simulation by incorporating planning policies into a CA-based future land-use simulation model[J]. International Journal of Geographical Information Science, 2018, 32(11): 2294-2316. |
| [27] | 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 |
| [28] |
周佳佳, 刘宇, 奉莉君, 等. 土地利用变化背景下浙中地区生态系统碳储量变化模拟与影响因素分析[J]. 环境科学, 2024, 45(10): 5957-5969. Zhou J J, Liu Y, Feng L J, et al. Simulating changes in ecosystem carbon storage and analyzing influencing factors in the central Zhejiang under the background of LUCC[J]. Environmental Science, 2024, 45(10): 5957-5969. |
| [29] |
杨熙萌, 钱宝蔚, 姬广兴, 等. 淮河流域中上游碳储量时空变化特征及未来多情景模拟预测[J]. 环境科学, 2024, 45(10): 5970-5982. Yang X M, Qian B W, Ji G X, et al. Characteristics of spatial and temporal changes in carbon stocks in the middle and upper reaches of the Huaihe river basin and future multi-scenario simulation prediction[J]. Environmental Science, 2024, 45(10): 5907-5982. |
| [30] |
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. |
| [31] |
吴楠, 陈凝, 程鹏, 等. 安徽省陆地生态系统碳储量变化对未来土地覆被情景的响应[J]. 长江流域资源与环境, 2023, 32(2): 415-426. Wu N, Chen N, Cheng P, et al. Evaluation of carbon storage on terrestrial ecosystem responses to land cover change under five future scenarios in Anhui Province[J]. Resources and Environment in the Yangtze Basin, 2023, 32(2): 415-426. |
| [32] |
孙方虎, 方凤满, 洪炜林, 等. 基于PLUS和InVEST模型的安徽省碳储量演化分析与预测[J]. 水土保持学报, 2023, 37(1): 151-158. Sun F H, Fang F M, Hong W L, et al. Evolution analysis and prediction of carbon storage in Anhui province based on PLUS and InVEST model[J]. Journal of Soil and Water Conservation, 2023, 37(1): 151-158. |
| [33] | Li X, Liu Z S, Li S J, et al. Multi-scenario simulation analysis of land use impacts on habitat quality in Tianjin based on the PLUS model coupled with the InVEST model[J]. Sustainability, 2022, 14(11). DOI:10.3390/su14116923 |
| [34] |
赫晓慧, 徐雅婷, 范学峰, 等. 中原城市群区域碳储量的时空变化和预测研究[J]. 中国环境科学, 2022, 42(6): 2965-2976. He X H, Xu Y T, Fan X F, et al. Temporal and spatial variation and prediction of regional carbon storage in Zhongyuan urban agglomeration[J]. China Environmental Science, 2022, 42(6): 2965-2976. |
| [35] |
刘杰, 马艳婷, 王宪玲, 等. 渭北旱塬土地利用方式对土壤团聚体稳定性及其有机碳的影响[J]. 环境科学, 2019, 40(7): 3361-3368. Liu J, Ma Y T, Wang X L, et al. Impact of land use type on the stability and organic carbon content of soil aggregates in the Weibei Dryland[J]. Environmental Science, 2019, 40(7): 3361-3368. DOI:10.13227/j.hjkx.201811189 |
| [36] |
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. |
| [37] | 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. |
| [38] | Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature[J]. Nature, 2000, 404(6780): 858-861. |
| [39] |
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. |
| [40] | 安徽省人民政府. 安徽省人民政府关于发布安徽省生态保护红线的通知(皖政秘〔2018〕120号)[EB/OL]. https://www.ah.gov.cn/public/1681/7926661.html , 2018-06-27. |
| [41] | 国务院. 国务院关于印发2030年前碳达峰行动方案的通知(国发〔2021〕23号)[EB/OL]. http://www.gov.cn/gongbao/content/2021/content_5649731.htm , 2021-10-24. |
| [42] |
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. |
| [43] |
段绪萌, 韩美, 孔祥伦, 等. 退耕还林(草)工程前后黄河流域生态系统碳储量时空演变与模拟预测[J]. 环境科学, 2024, 45(10): 5943-5956. Duan X M, Han M, Kong X L, et al. Spatiotemporal evolution and simulation prediction of ecosystem carbon storage in the Yellow River Basin before and after the grain for green project[J]. Environmental Science, 2024, 45(10): 5943-5956. |
| [44] |
牛统莉, 熊立华, 陈杰, 等. 基于PLUS模型的长江流域土地利用变化模拟与多情景预测[J]. 武汉大学学报(工学版), 2024, 57(2): 129-141, 151. Niu T L, Xiong L H, Chen J, et al. Land use simulation and multi-scenario prediction of the Yangtze River Basin based on PLUS model[J]. Engineering Journal of Wuhan University, 2024, 57(2): 129-141, 151. |
| [45] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [46] |
张爽, 高启晨, 张戎, 等. 基于PLUS-InVEST模型的纳帕海流域碳储量时空演变及驱动因素分析[J]. 中国环境科学, 2024, 44(9): 5192-5201. Zhang S, Gao Q C, Zhang R, et al. Evaluating the changes and driving factors of carbon storage in Napa Sea Basin using the PLuS-InVEST model[J]. China Environmental Science, 2024, 44(9): 5192-5201. |
| [47] |
闵婕, 刘晓煌, 肖粤新, 等. 基于PLUS模型和InVEST模型的新安江流域生态系统碳储量时空变化分析与预测[J]. 现代地质, 2024, 38(3): 574-588. Min J, Liu X H, Xiao Y X, et al. Analysis and prediction of spatial and temporal variation of ecosystem carbon storages in the Xin'an River Basin based on PLUS and InVEST models[J]. Geoscience, 2024, 38(3): 574-588. |
| [48] |
周文强, 韩宇, 王金龙, 等. 洞庭湖流域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 carbon storage in the Dongting Lake Basin[J]. China Environmental Science, 2024, 44(4): 1851-1862. |
| [49] |
解铭威, 冉藜, 贾文贞, 等. 忻州市生态系统服务时空变化及其对城镇化的响应[J]. 中国环境科学, 2024, 44(8): 4557-4566. Xie M W, Ran L, Jia W Z, et al. Spatiotemporal changes of ecosystem services and their response to urbanization in Xinzhou City[J]. China Environmental Science, 2024, 44(8): 4557-4566. |
| [50] |
王子昊, 王冰, 张宇飞, 等. 基于PLUS-InVEST模型的呼和浩特市多情景土地利用变化动态模拟及碳储量评估[J]. 农业资源与环境学报, 2024, 41(2): 292-304. Wang Z H, Wang B, Zhang Y F, et al. Dynamic simulation of multi-scenario land use change and carbon storage assessment in Hohhot City based on PLUS-InVEST model[J]. Journal of Agricultural Resources and Environment, 2024, 41(2): 292-304. |
| [51] |
冉棋月, 米潭, 詹宇, 等. 基于InVEST模型的重庆市碳储量不确定性分析[J]. 环境科学与技术, 2023, 46(11): 59-68. Ran Q Y, Mi T, Zhan Y, et al. Uncertainty analysis of carbon storage in Chongqing based on InVEST model[J]. Environmental Science & Technology, 2023, 46(11): 59-68. |
| [52] | Li H Y, Qu Y, Zeng X Y, et al. Dynamic response of the vegetation carbon storage in the Sanjiang plain to changes in land use/cover and climate[J]. Heritage Science, 2021, 9(1). DOI:10.1186/s40494-021-00605-1 |
| [53] |
尤海舟, 毕君, 王超, 等. 河北小五台山不同海拔白桦林土壤有机碳密度分布特征及影响因素[J]. 生态环境学报, 2018, 27(3): 432-437. You H Z, Bi J, Wang C, et al. Altitudinal distribution rule of betula platyphylla forest's soil organic carbon density and its influencing factors in Xiaowutai mountain in Hebei[J]. Ecology and Environmental Sciences, 2018, 27(3): 432-437. |
| [54] | Contosta A R, Lerman S B, Xiao J F, et al. Biogeochemical and socioeconomic drivers of above- and below-ground carbon stocks in urban residential yards of a small city[J]. Landscape and Urban Planning, 2020, 196. DOI:10.1016/j.landurbplan.2019.103724 |
| [55] |
杨小琬, 张丽君, 秦耀辰, 等. 1995年以来黄河下游碳储量时空变化及驱动因素[J]. 河南大学学报(自然科学版), 2022, 52(1): 20-33. Yang X W, Zhang L J, Qin Y C, et al. Temporal and spatial variation and driving factors of carbon storage in the lower Yellow River since 1995[J]. Journal of Henan University (Natural Science), 2022, 52(1): 20-33. |