2025, Vol. 46
全球气候变化已成为世界各国共同面临的挑战. 随着温室气体排放的不断累积, 多国政府都在积极寻求减缓气候变化的解决方案. 在2021年联合国气候变化大会（COP26）之前对过往承诺的量化分析表明, 迫切需要在10 a内采取政策和行动, 使之与中期全球净零排放目标保持一致, 实现急剧的减排[1]. 应对气候变化《巴黎协定》代表了全球绿色低碳转型的大方向, 是保护地球家园需要采取的最低限度行动[2]. 在此背景下, 中国作为最大的碳排放国家也积极响应相关政策, 习近平主席在2020年宣布中国力争于2030年前实现碳达峰、努力争取2060年前实现碳中和的承诺[3~5], 并将其纳入“十四五”规划. 这一决策的发布, 引起了世界的高度关注, 并对全球气候治理产生了积极影响. 在此背景下长三角城市群作为中国参与国际竞争和推动经济社会发展的重要引擎之一, 中国式现代化的重要建设高地. 同时也是全球气候变化的前沿阵地, 其在减缓温室气体排放、提高生态碳储量方面的努力将对全球气候治理产生重要影响. 因此, 通过探究长三角城市群土地利用变化所导致的碳储量时空演变情况, 以及提出相应的减排固碳策略[6~9]将具有示范和引领作用.
过去为分析未来土地利用对碳储量的影响, 不同学者采用了CLUE-S[10]、FLUS[11]和CA-Markov[12]等模型进行未来土地利用类型的模拟. 以上模型逐步具备了土地利用的跳跃式模拟能力, 能够使真实土地利用变化中的随机性得到体现. 但不足之处在于较难确定土地利用变化的潜在驱动因素且无法动态捕捉多类土地利用斑块的演变, 特别是自然用地类型的变化, 缺乏对长时序碳储量时空演变的整体视角[13, 14]. 因此, 相较于上述模型, PLUS模型更关注如何促进提高对LUCC底层非线性关系的理解[15~17], 能够有效挖掘土地利用演变趋势, 更准确地模拟土地利用的变化情况以及对碳储量产生的影响[18]. 另一方面, 对于生态系统碳储量的核算, 则主要是基于地面调查、生态系统通量监测、大气监测与反演、模型模拟等手段以此开展的研究[19]. 本研究所采用的InVEST模型[20]就属于模型模拟工具中的一种, 相较于其他测算方法, 该模型具备更高效率和更准确的碳储量评估和分析能力. 鉴于此, 通过耦合PLUS模型与InVEST模型综合考虑土地利用变化对碳储量的影响[21, 22], 能够利用两者优势整体提高模拟结果的可信度.
长三角城市群作为“一带一路”和长江经济带的交汇点, 国家现代化和开放战略的关键角色, 过去高速发展的同时也暴露出诸多生态环境相关的协调问题[23, 24]. 因此, 本文基于2000~2020年长三角城市群土地利用数据, 通过上述两个模型预测3种不同情景下2030年长三角城市群碳储量, 并探究其土地利用变化对国土空间碳储量的影响, 以期为长三角城市群未来实现“双碳”战略目标提供科学支撑和决策依据.
1 材料与方法 1.1 研究区概况长三角城市群位于中国长江下游（图 1）, 面积21.17万km2, 濒临黄海和东海, 处于江海交汇处. 属于亚热带季风气候, 年降水量1 000 mm以上, 年均水量53 779亿m3. 地貌类型主要为平原和丘陵, 植被主要为亚热带常绿阔叶林. 拥有中国最高的河网密度、复杂的生态系统和多样的地表覆盖率. 长三角拥有包括江苏、浙江、上海和安徽在内的26个地级市, 是中国新型城镇化的首个探索区域, 并为国家经济发展做出了贡献. 截至2021年, 该地区常住人口达到2.3亿, 占全国总人口的16.7%. 地区生产总值（GDP）为27.7万亿元, 占全国GDP的24.2%. 但近20 a间, 长三角城市群虽作为我国经济发展活跃、开放程度高以及创新能力强的重要区域之一, 但快速城镇化导致碳汇流失严重[25~27], 对于巩固提升长三角城市群碳储量迫在眉睫.
|
图 1 长三角城市群研究区概况 Fig. 1 Overview of the Yangtze River Delta urban agglomeration study area |
土地利用数据分辨率为30 m, 选择研究区2000年、2010年和2020年的土地覆被数据, 结合实际情况将地类合并为耕地、林地、草地、水域、建设用地和未利用地这6种类型. 为确保分析工作的准确性, 栅格数据需逐像元对应, 并按研究需要将栅格数据重采样至300 m×300 m空间分辨率.
1.2.2 驱动因子数据本文涉及模拟未来土地利用类型的驱动因子数据来源于地理空间数据云、中国科学院资源环境科学与数据中心和全球地理信息资源目录服务系统, 主要包括：到水体的距离、土壤类型和年平均降水等14个数据, 具体信息如表 1所示.
|
表 1 数据来源及说明 Table 1 Data source and explanation |
1.3 研究方法 1.3.1 基于InVEST模型的碳储量评估
InVEST模型为生态系统服务和权衡交易评价模型, 由美国自然资本项目组开发, 能够实现生态系统服务的定量化评估并能够实现空间上的可视化[28, 29]. InVEST模型碳储量模块将生态系统的碳储量划分为4个基本碳库：地上生物碳、地下生物碳、土壤碳和死亡有机碳[30]. 其计算公式如下：
|
(1) |
式中, Ci为某地类i的碳密度；Cabove、Cbelow、Csoil和Cdead分别为地上生物碳密度、地下生物碳密度、土壤有机物碳密度和死亡有机物碳密度. 本研究中根据生态空间的研究需求和不同地类的碳密度值计算不同土地利用类型的碳储量之和TC, 公式如下：
|
(2) |
|
(3) |
式中, TC为总的碳储量, Ti为地类i的碳储量, 区域共有n种地类, Ci为地类i的碳密度, Ai为地类i的面积.
1.3.2 碳密度系数修正InVEST模型中碳储存与固持模块所需碳密度数据, 综合参考《2010年中国陆地生态系统碳密度数据集》及相关研究资料. 由于不同学者得出碳密度值存在差异, 且相关研究认为处于同一气候带的土地类型碳密度差异较小. 由于不同学者得出碳密度存在较大差异, 尽可能选择以南方, 特别是以东南沿海和长三角地区为研究区的研究数据为参考[31, 32], 土壤碳密度根据前人研究的结论取均值而来[33, 34], 并再对相关临近地区研究密度值经过研究区域的年均降水量及年均气温对碳密度进行修正[35, 36], 公式为：
|
(4) |
|
(5) |
|
(6) |
|
(7) |
|
(8) |
|
(9) |
式中, KBP和KBT分别为植被碳密度降水因子和气温因子修正系数；KB为地上、地下植被碳密度修正系数；KS为土壤碳密度修正系数；C'和C″分别为长三角调整后的碳密度和周边地区的碳密度；MAP为年均降水量；MAT为年均气温；CBP和CBT分别为根据降水量和气温得到的植被碳密度；CSP为根据降水量得到的土壤碳密度. 具体修正后的长三角城市群不同土地利用类型碳密度值如表 2所示.
|
|
表 2 长三角城市群不同土地利用类型碳密度/t·hm-2 Table 2 Carbon density of different land use types in the Yangtze River Delta Urban Agglomeration/t·hm-2 |
1.3.3 基于PLUS模型的土地利用预测
PLUS模型的土地利用模拟系统, 其中包括LEAS和CARS两个模块[37]. LEAS模块通过提取土地利用类型扩张区域并应用随机森林算法, 分析土地扩张与驱动因子的关系；而CARS模块则需要设置土地利用转换规则和领域权重等参数. 本研究中先对前文选取14个驱动因子进行预处理（图 2）. 此外, 设置3种未来情景模拟, 即自然发展情景、耕地保护情景和生态优先情景, 以2020年为基准, 输入各种情景下的数据, 设置转移矩阵（表 3）和邻域权重（表 4）. 领域权重参数范围在0~1间, 数值越大表示邻域对当前地类的影响越大. 基于长三角城市群2010~2020年土地利用类型扩张比例, 确定自然发展情景下的参数设定. 其他情景则结合情景设定和专家知识进行调整[38, 39], 以确保预测的合理性和准确性, 最终得到3种未来情景下的土地利用类型变化.
|
图 2 长三角城市群土地利用变化影响因子 Fig. 2 Factors influencing land use change in the Yangtze River Delta Urban Agglomeration |
|
|
表 3 多情景土地转移矩阵1） Table 3 Multi-scenario land transfer matrix |
|
|
表 4 3种模拟情景下各类型用地领域权重 Table 4 Weights of various land use categories in three simulation scenarios |
研究采用Kappa系数和Fom来验证模拟精度, Kappa系数为0.823 7, 该值大于0.8, 因此从土地利用数量来看PLUS模型模拟精度较高；Fom指数为0.272 6, 通过对比使用PLUS模型和其他模型进行土地利用模拟的相关研究[40~43], 可知本研究所得的Fom指数相对较高, 从土地利用空间变化来看（图 3）, PLUS模型模拟精度较高并且结果可信.
|
图 3 2020年长三角城市群土地利用现状与模拟情况对比 Fig. 3 Comparison of land use status and simulation scenarios in the Yangtze River Delta Urban Agglomeration in 2020 |
为更好探究碳储量聚集情况以及变化动态, 本研究借助空间自相关分析找寻空间要素之间聚集性关系, 通过全局空间自相关与局部空间自相关[44], 分别表示空间要素在区域整体与局部的相关性[45].
全局空间自相关通过全局Moran's I指数来反映研究区内空间要素的总体空间聚集程度, 其计算公式为：
|
(10) |
局部空间自相关通过局部Moran's I指数来反映某一位置的空间要素与相邻位置的空间要素的相关性, 其计算公式为：
|
(11) |
|
(12) |
式中, n为矢量空间单元总数, xi和xj分别为矢量空间单元i和矢量空间单元j的数值, x为平均值, Wij为矢量空间单元i和矢量空间单元j之间的空间权重矩阵, S2为方差. 通过采用Moran指数和Lisa指数来表征研究量与空间分布的关系, Moran指数取值一般为（-1, 1）, 小于0表示负相关, 等于0表示不相关, 大于0表示正相关；Lisa指数的具体表现为：LL型（低低聚集）、HH型（高高聚集）、HL型（高低聚集）和LH型（低高聚集）这4种类型.
2 结果与分析 2.1 长三角城市群2000~2020年土地利用时空演变特征长三角城市群土地利用时空变化显示（表 5）, 2000~2020年期间, 各用地类型的占比基本保持一致, 但建设用地的快速扩张导致土地利用结构发生了显著变化. 2000~2020年期间, 耕地和林地面积占比明显减少, 分别由54.71%减至46.89%和25.79%减至25.54%. 草地和水域面积占比呈现波动上升趋势, 分别增加了191.81 km2和879.34 km2. 建设用地面积比例持续上升, 由5.86%增至13.42%, 共增加了16 318.38 km2. 未利用地面积增加了27.50 km2, 在面积占比上无明显变化.
|
|
表 5 2000~2020年长三角城市群各类型土地利用结构 Table 5 Land use structure of the Yangtze River Delta Urban Agglomeration by land type from 2000 to 2020 |
长三角城市群土地利用变化在20 a间, 耕地和林地面积减少, 草地和水域面积波动上升, 而建设用地呈现快速扩张. 这表明建设用地在土地利用中的重要性不断增加, 对于城市群的发展具有显著意义.
在空间布局上（图 4）, 2000年、2010年和2020年三年间的空间布局呈现出一定的特征. 耕地广阔且集中, 主要分布于北部和中部地区, 而浙江南部的耕地分布较为零散. 林地主要集中于西部和南部地区, 呈连片分布. 相较之下, 草地规模较小且分布零散, 主要集中于西南部地区. 水域则多分布于中部太湖、长江及其相关支流, 呈带状或片状分布. 未利用地较少, 零散分布于各处, 主要集中于西部地区. 而建设用地则以集中块状和卫星点状分布为主, 集聚分布在东部沿海城市向内扩张的城市群周围, 如上海、杭州、苏州、南京等. 土地利用的空间转移主要集中在东部、中部和北部地区, 以耕地转化为建设用地、北部水域转化为耕地以及林地转化为耕地为主. 西南部的浙南地区是耕地转化为林地较大规模的区域. 相比之下, 西北部的转移活动较少, 空间发展相对稳定.
|
图 4 2000~2020年土地利用格局时空演变情况 Fig. 4 Spatio-temporal evolution of land use patterns from 2000 to 2020 |
根据表 6可知, 在2000~2010年, 主要的土地转化包括耕地转化为建设用地、水域转化为耕地、耕地转化为水域、耕地转化为林地以及林地转化为耕地. 这段时间内, 最大的土地转化接受地类为建设用地, 总计5 929.98 km2, 来源主要是耕地、水域和林地. 而耕地作为最大的转出地类, 总计转移了5 518.94 km2. 此外, 林地转化为耕地、耕地转化为林地、水域转化为耕地以及耕地转化为水域的转移行动也十分剧烈.
|
|
表 6 2000~2010年长三角城市群土地转移矩阵分析 Table 6 Analysis of land transfer matrix in the Yangtze River Delta Urban Agglomeration from 2000 to 2010 |
由表 7可知, 在2010~2020年, 长三角城市群各土地利用类型面积的变化呈现出不同的趋势. 耕地的面积变化幅度最大, 以10.09%的速度减少了11 360.3 km2, 主要因为建设用地扩张占用了大量耕地. 建设用地的变化幅度较大, 以55.88%的速度增加了10 388.38 km2, 主要来源于耕地、水域和草地, 这是由于人口和经济的快速增长, 加强了对建设用地的需求, 导致耕地的侵占与开发活动增加. 水域面积以4.61%的速度增加了1 093.14 km2, 主要是由于加大了湿地保护和恢复力度, 通过退耕还湿、生态修复等措施, 使一些湿地地区得以恢复, 同时加大了水污染的治理力度, 促进了水域的生态修复和恢复.
|
|
表 7 2010~2020年长三角城市群土地转移矩阵分析 Table 7 Analysis of land transfer matrix in the Yangtze River Delta Urban Agglomeration from 2010 to 2020 |
在过去20 a中, 长三角城市群土地利用格局发生了显著变化, 建设用地和耕地之间的相互转换规模较大. 耕地不断被侵占, 而建设用地则以持续且加速地侵占式增长为特征.
2.2 长三角城市群2000~2020年碳储量时空分布格局根据表 8显示, 运用InVEST模型对2000年、2010年和2020年的长三角城市群碳储量进行了分析, 并得到碳储量空间分布情况（图 5和图 6）. 2000年、2010年和2020年的长三角城市群碳储量总量分别为2 759.23×106、2 741.94×106和2 708.15×106 t. 在过去20 a中, 长三角城市群的碳储量总量呈现出持续下降的趋势, 损失了51.08×106 t, 降幅为1.85%. 具体而言, 2000~2010年, 碳储量下降了17.29×106 t, 降幅为0.63%；而2010~2020年, 下降速率进一步加大, 损失了33.79×106 t, 降幅为1.23%.
|
|
表 8 2000年、2010年和2020年长三角城市群不同土地利用类型碳储量 Table 8 Carbon storage of different land use types in the Yangtze River Delta Urban Agglomeration in 2000, 2010, and 2020 |
|
图 5 2000~2020年长三角城市群碳储量分布 Fig. 5 Carbon storage distribution in the Yangtze River Delta Urban Agglomeration from 2000 to 2020 |
|
图 6 2000~2020年长三角城市群市域碳储量分布 Fig. 6 Carbon storage distribution at the municipal level in the Yangtze River Delta urban agglomeration from 2000 to 2020 |
就各土地利用类型的碳储量变化而言, 耕地碳储量呈持续下降趋势, 尤其在2010~2020年期间下降幅度更为显著, 损失了203.11×106 t. 林地碳储量也在持续下降, 但在2010~2020年期间的下降速率有所减缓, 损失了8.13×106 t. 草地碳储量经历了一定程度的上升后再下降, 总体上增加了2.68×106 t. 水域碳储量在经历小幅下降后又出现上升趋势, 共增加了6.98×106 t. 未利用地的碳储量呈现出小幅上升的趋势, 至2020年增加了0.33×106 t. 与之相反, 建设用地碳储量持续增加, 增长速率更加迅速, 共增加了150.15×106 t.
在过去20 a间, 长三角地区的碳储量经历了显著的变化（图 7）. 从2000~2010年, 安徽东部和浙江北部山区的碳储量相对稳定, 但东部地区的变化更为剧烈和密集, 尤其是在上海市、苏州市、金华市和宁波市等地, 大量耕地转化为碳密度较低的建设用地, 而像舟山市、湖州市和马鞍山市等地的碳储量却有所增加, 主要是由于耕地和建设用地被转化为更具碳储能力的林地.
|
图 7 2000~2010年和2010~2020年长三角城市群碳储量变化空间分布 Fig. 7 Spatial distribution of carbon storage changes in the Yangtze River Delta urban agglomeration from 2000 to 2010 and 2010 to 2020 |
2010~2020年碳储量变化区域分布更加均衡, 太湖周边地区和泰州市西南部的碳储量减少明显, 这些地区大规模的耕地被转化为城镇空间, 而太湖周边的湖州市、扬州市、杭州市和宁波市等城市周边地区, 由于城市化和城市扩张, 碳储量也呈现出明显减少的趋势. 然而, 少数地区的碳储量有所增加, 主要是由于耕地和草地转化为林地, 以及沿海地区进行围海造田等活动. 整体而言, 长三角地区的碳储量变化呈现出零星分布的趋势.
2.3 长三角城市群2030年不同情景下土地利用与碳储量时空变化特征 2.3.1 不同情景下土地利用时空变化基于2020年土地利用数据并结合前文所设定的3种情景的土地转移概率矩阵和领域权重, 通过PLUS模型预测2030年土地利用数量结构（表 9）, 以及不同情景的土地利用变化（图 8）.
|
|
表 9 2030年3种模拟情景下长三角城市群各类型土地利用结构 Table 9 Land use structure of the Yangtze River Delta urban agglomeration under three simulation scenarios in 2030 |
|
图 8 2030年3种模拟情景下土地利用格局时空演变情况 Fig. 8 Spatio-temporal evolution of land use patterns under three simulation scenarios in 2030 |
在2030年的预测中, 自然发展情景下建设用地占比由2020年的13.42%上升到17.00%, 而耕地占比由46.89%下降到43.51%. 林地、草地、水域、未利用地4类用地共占比由39.69%略微下降至39.49%；耕地保护情景预测中, 耕地占比由46.89%上升到48.41%, 而建设用地由13.42%上升至13.55%；在生态优先的情景中, 由林地、草地、水域、未利用地4类用地共占比由39.69%扩大至40.92%, 建设用地由13.42%缩小至11.60%, 而耕地由46.89%下降至47.48%.
2.3.2 不同情景下的碳储量时空变化运用InVEST模型得出2030年自然发展情景、耕地保护情景、生态优先情景长三角城市群碳储量空间分布情况. 根据表 10可知, 生态优先情景碳储量总量最高, 为2700.62×106 t, 其次为耕地保护情景, 碳储量总量共计2 674.59×106 t, 自然发展情景碳储量总量最低, 共计2 650.17×106 t. 2020~2030年, 生态优先情景下的碳储量总量得到稳定, 略微下降了7.53×106 t, 降幅为0.28%, 碳储量基本维持不变, 表明生态保护修复工作与城镇集约发展可有效维持区域碳储能力. 而自然发展情景与耕地保护情景下的碳储量总量出现更高程度的减少, 自然发展情景下的碳储量损失57.98×106 t, 降幅为2.19%, 说明研究区在历史发展趋势下建设用地仍然持续扩张, 碳储量仍有流失风险；耕地保护情景的碳储量损失33.57×106 t, 降幅为1.25%, 下降速率相对自然发展情景放缓, 说明耕地保护虽然有效维持了农业空间的发展, 但生态空间受到挤压使得碳储量值受损严重.
|
|
表 10 2030年3种模拟情景下长三角城市群碳储量 Table 10 Carbon reserves in the Yangtze River Delta urban agglomeration under three simulation scenarios in 2030 |
在空间分布上（图 9和图 10）, 长三角城市群2030年各模拟情景下的碳储量分布总体相似. 在自然发展情景下, 舟山、台州、上海和宁波等地下降较严重, 其他城市也均出现下滑, 原因在于城镇空间扩张过快导致碳储量下降. 在耕地保护情景下, 部分地区的碳储量呈现不同程度的上升, 上升幅度较大的城市有芜湖、常州、泰州和南京等周边, 这主要得益于这些城市地处平原, 土壤肥沃, 周边有着大量农业空间分布, 而农业空间碳储量的保持使得碳储量呈现不同程度的上升. 在生态优先情景下, 长三角西南地区的碳储量均有上升, 以林地为主的生态空间面积的保持, 稳定了区域的碳储量. 由此可见, 农业优先和生态优先情景下, 长三角城市群的碳储量保持了较高水平.
|
图 9 2030年3种模拟情景下长三角城市群碳储量分布 Fig. 9 Carbon storage distribution in the Yangtze River Delta urban agglomeration under three simulation scenarios in 2030 |
|
图 10 2030年3种模拟情景下长三角城市群市域碳储量分布 Fig. 10 Carbon storage distribution at the municipal level in the Yangtze River Delta urban agglomeration under three simulation scenarios in 2030 |
使用ArcGIS数据管理工具中的创建渔网工具, 创建一个以研究区域边界为范围, 像元高宽度设置为3 km×3 km的格网. 通过前文得出的2000年、2010年和2020年以及2030年自然发展情景、耕地保护情景和生态优先情景的碳储量空间分布情况, 根据研究需要选取对应的数据处理工具, 将碳储量数据赋值于该格网中进行矢量分析.
根据全局自相关系数统计（表 11）, 长三角城市群碳储量的空间分布呈现出异质性与相关性共存的特征. 在相关性方面由图 11可知, 表现为高值区域相互聚集、低值区域相互聚集. Moran's I指数增加, 表明碳储量的空间依赖性增强, 呈现出空间聚集的趋势. 不同情景下, 碳储量的空间分布受到影响, 从均匀分布向聚集发展. 通过局部空间自相关特性的测度, 高值区域主要分布在长三角城市群南部与西部地区, 低值区域集中在中部、北部及东部沿海区域. 在演变特征上, 高值区域范围逐渐缩小, 而低值区域则呈现出扩张趋势.
|
|
表 11 长三角城市群格网碳储量全局自相关系数 Table 11 Spatial autocorrelation coefficient of carbon storage in the Yangtze River Delta urban agglomeration grid |
|
图 11 长三角城市群格网碳储量空间关联局域指标（LISA）分布 Fig. 11 Spatial distribution of local indicators of spatial association (LISA) for grid-based carbon storage in the Yangtze River Delta urban agglomeration |
长三角城市群2000~2020年碳储量总量呈持续下降的趋势, 具体表现为：在2000~2010年城镇空间的高需求发展侵占了更高碳储能力的林地与耕地, 较为显著发生转化的空间主要分布在长三角东部沿海地区和江苏中部的耕地转化为建设用地, 北部的水域转化为耕地以及林地转化为耕地. 这是由于过去对林地欠缺保护管控措施, 生态空间内部出现了林地退化为草地的现象, 使得长三角地区碳储量出现一定程度下降.
在2010~2020年碳储量净流失速率在保持前一时期的趋势上进一步加速, 无论是上海、杭州和南京等中心大城市还是以环太湖为核心的次级城市经济圈都迈入了高速城市化的新进程, 这就使得城镇空间大量蚕食了有着更高碳密度的农业空间. 同时由于较为严格的生态保护政策, 通过退耕还林、维护植被、土壤修复以及深化“五水共治”工程等生态修复持续进行流域生态补偿, 使得浙西和浙南等地高碳密度的林地以及苏北地区部分水域面积得以恢复, 进而碳储量在生态空间的流失速率得以降低.
就演变特征来看, 长三角城市群局部高高聚集区域主要分布在浙南、浙西和安徽东部地区, 受到地理位置优势、生态用地的覆盖和绿色基础设施建设投入等影响. 低低聚集区域则主要集中在长三角中部、北部和东部沿海地区, 主要受到经济过度开发和资源配置及要素聚集等因素影响. 而高低聚集区域主要处于中部低值聚集区域周围和研究区边界处, 受到邻近高值聚集区域的影响, 但受自身发展局限性的影响. 低高聚集区域则主要分布于高高聚集区域周围, 如浙西、安徽东部等地. 这是由于高值区域的辐射效应吸引了低值区域的资源和人口流动, 但仍保留着一定程度的低值特征.
3.2 2030年3种情景下的碳储量对未来政策影响在3种预测情景下2030年长三角城市群碳储量均有不同程度下降. 在自然发展情景下, 延续了过往城市化加速导致大量的耕地转化为建设用地, 这使得碳储量普遍下降. 而生态优先情景下, 碳储量总量基本维持不变, 这表明生态保护政策的有效性. 在耕地保护情景下, 尽管力求坚守耕地红线和耕地占补平衡, 但碳储量仍然有所下降. 因此, 未来针对长三角城市群碳储量变化的政策需综合多方面因素, 一方面, 要强化对耕地的保护监管, 限制建设用地对耕地的占用, 完善耕地保护政策并牢守耕地保护红线, 优化农业结构以提高土地利用效率, 减少耕地转化对碳储量的不利影响. 另一方面, 需更加强调生态文明建设, 坚守“两山”理论, 积极推动生态产业发展来实现“双碳”目标, 确保碳储量维持稳定.
3.3 不足与展望本研究仍存在以下部分需要改进：①对长三角城市群碳储量进行评估时需要准确的碳密度数据和土地利用数据, 但现有研究中碳密度数据假设静态, 未来需要通过持续监测或实地调研获取动态碳密度数据. ②模型自身局限性, 利用PLUS模型进行模拟时较易考虑到自然和社会经济因素, 但难以量化相关规划和政策措施. 未来需要进一步综合考虑人为因素提高模拟精度. ③未来可依据碳储量空间相关性分析结果提出分级管控和多情景优化对策, 制定以固碳为导向的国土空间规划, 实现碳储量研究与政策制定的有效结合.
4 结论（1）长三角城市群碳储量在2000~2020年呈现下降幅度持续增加的趋势, 共损失51.08×106 t, 降幅1.85%. 2000~2010年碳储量出现一定幅度下降, 损失17.29×106 t, 降幅0.63%；2010~2020年碳储量下降速率进一步加大, 损失33.79×106 t, 降幅1.23%. 这主要是受到建设用地侵蚀耕地而产生的影响, 其中耕地和林地作为长三角城市群最主要的碳库, 在过去20 a间持续减少；而建设用地则呈现持续增加, 以环太湖为核心的周边城市扩张区域受影响最为明显.
（2）从空间分布来看, 长三角城市群碳储量高值区域主要集中在长三角城市群西南部地区, 西部地区分布在安庆市、宜城市以及杭州市的天目山脉等, 南部地区则以金华市的大盘山脉以及台州市的天台山脉为主. 该区域聚集着大量山林地, 对保持长三角地区土壤稳定性和调节气候, 维护生态平衡起着至关重要的作用. 此外, 江苏省北部的盐城市拥有大量耕地平原, 也是碳储量高值区域.
（3）与2020年相比较, 2030年生态优先、耕地保护和自然发展情景下的长三角城市群碳储量均有不同程度下降. 生态优先情景碳储量总量最高, 为2 700.62×106 t, 下降了7.53×106 t；其次为耕地保护情景, 碳储量总量共计2 674.59×106 t, 损失了33.57×106 t；自然发展情景碳储量总量最低, 共计2 650.17×106 t, 损失了57.98×106 t. 3种情景下长三角城市群碳储量减少的区域主要分布在上海市、宁波市和舟山市等东部沿海地区, 未来可通过加大对沿海生态系统的保护力度以维持碳储量平衡.
| [1] | Meinshausen M, Lewis J, McGlade C, et al. Realization of Paris Agreement pledges may limit warming just below 2 ℃[J]. Nature, 2022, 604(7905): 304-309. |
| [2] |
田云, 林子娟. 巴黎协定下中国碳排放权省域分配及减排潜力评估研究[J]. 自然资源学报, 2021, 36(4): 921-933. Tian Y, Lin Z J. Provincial distribution of China's carbon emission rights and assessment of its emission reduction potential under the Paris Agreement[J]. Journal of Natural Resources, 2021, 36(4): 921-933. |
| [3] |
习近平. 在第七十五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, 2020(28): 5-7. Xi J P. Statement at the general debate of the 75th session of the United Nations general assembly[J]. Gazette of the State Council of the People's Republic of China, 2020(28): 5-7. |
| [4] | Wang W W, Chen H, Wang L Z, et al. Exploration of spatio-temporal characteristics of carbon emissions from energy consumption and their driving factors: a case analysis of the Yangtze River Delta, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(15). DOI:10.3390/ijerph19159483 |
| [5] | Bellard C, Marino C, Courchamp F. Ranking threats to biodiversity and why it doesn't matter[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-30339-y |
| [6] |
张娜, 孙芳城, 胡钰苓, 等. 长江经济带三大城市群土地利用碳排放的区域差异及空间收敛性[J]. 环境科学, 2024, 45(8): 4656-4669. Zhang N, Sun F C, Hu Y L, et al. Regional difference and spatial convergence of land use carbon emissions in three urban agglomerations of Yangtze River Economic Belt[J]. Environmental Science, 2024, 45(8): 4656-4669. |
| [7] |
王诗逸, 李艳, 杨佳钰, 等. 杭州都市圈碳收支的土地利用变化驱动和优化[J]. 环境科学, 2024, 45(8): 4670-4682. Wang S Y, Li Y, Yang J Y, et al. Land use change driving and optimization of carbon budget in Hangzhou metropolitan area[J]. Environmental Science, 2024, 45(8): 4670-4682. |
| [8] | Vizcaíno-Bravo Q, Williams-Linera G, Asbjornsen H. Biodiversity and carbon storage are correlated along a land use intensity gradient in a tropical montane forest watershed, Mexico[J]. Basic and Applied Ecology, 2020, 44: 24-34. DOI:10.1016/j.baae.2019.12.004 |
| [9] | Qin M L, Zhao Y C, Liu Y T, et al. Multi-scenario simulation for 2060 and driving factors of the eco-spatial carbon sink in the Beibu Gulf Urban Agglomeration, China[J]. Chinese Geographical Science, 2023, 33(1): 85-101. DOI:10.1007/s11769-023-1327-3 |
| [10] |
李媛洁, 叶长盛, 黄小兰. 基于CLUE-S模型的南昌市"三生"空间时空演变及情景模拟研究[J]. 水土保持研究, 2021, 28(5): 325-332. Li Y J, Ye C S, Huang X L. Temporal-spatial evolution and scenario simulation of production-living-ecological space in Nanchang based on CLUE-S model[J]. Research of Soil and Water Conservation, 2021, 28(5): 325-332. |
| [11] |
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. |
| [12] |
高星, 杨刘婉青, 李晨曦, 等. 模拟多情景下白洋淀流域土地利用变化及生态系统服务价值的空间响应[J]. 生态学报, 2021, 41(20): 7974-7988. Gao X, Yang L W Q, Li C X, et al. Land use change and ecosystem service value measurement in Baiyangdian Basin under the simulated multiple scenarios[J]. Acta Ecologica Sinica, 2021, 41(20): 7974-7988. |
| [13] |
李琛, 高彬嫔, 吴映梅, 等. 基于PLUS模型的山区城镇景观生态风险动态模拟[J]. 浙江农林大学学报, 2022, 39(1): 84-94. Li C, Gao B P, Wu Y M, et al. Dynamic simulation of landscape ecological risk in mountain towns based on PLUS model[J]. Journal of Zhejiang A & F University, 2022, 39(1): 84-94. |
| [14] |
胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125-1136. Hu F, Zhang Y, Guo Y, et al. Spatial and temporal changes in land use and habitat quality in the Weihe River Basin based on the PLUS and InVEST models and predictions[J]. Arid Land Geography, 2022, 45(4): 1125-1136. |
| [15] |
林彤, 杨木壮, 吴大放, 等. 基于InVEST-PLUS模型的碳储量空间关联性及预测——以广东省为例[J]. 中国环境科学, 2022, 42(10): 4827-4839. Lin T, Yang M Z, Wu D F, et al. Spatial correlation and prediction of land use carbon storage based on the InVEST-PLUS model-A case study in Guangdong Province[J]. China Environmental Science, 2022, 42(10): 4827-4839. |
| [16] |
罗芳, 潘安, 陈忠升, 等. 四川省宜宾市1980-2018年耕地时空格局变化及其驱动因素[J]. 水土保持通报, 2021, 41(6): 336-344. Luo F, Pan A, Chen Z S, et al. Spatiotemporal pattern change of cultivated land and its driving forces in Yibin City, Sichuan Province during 1980-2018[J]. Bulletin of Soil and Water Conservation, 2021, 41(6): 336-344. |
| [17] | Zhang Z H, Wang X T, Zhang Y, et al. Simulating land use change for sustainable land management in rapid urbanization regions: a case study of the Yangtze River Delta region[J]. Landscape Ecology, 2023, 38(7): 1807-1830. DOI:10.1007/s10980-023-01657-3 |
| [18] |
李天润, 陈爽. 1990年以来卢旺达森林转型路径及趋势模拟[J]. 资源科学, 2022, 44(3): 494-507. Li T R, Chen S. Forest transition paths in Rwanda since 1990 and trend prediction[J]. Resources Science, 2022, 44(3): 494-507. |
| [19] |
杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学: 生命科学, 2022, 65(4): 534-574. 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. |
| [20] | Wang A, Zhang M M, Kafy A A, et al. Predicting the impacts of urban land change on LST and carbon storage using InVEST, CA-ANN and WOA-LSTM models in Guangzhou, China[J]. Earth Science Informatics, 2023, 16(1): 437-454. |
| [21] |
雒舒琪, 胡晓萌, 孙媛, 等. 耦合PLUS-InVEST模型的多情景土地利用变化及其对碳储量影响[J]. 中国生态农业学报(中英文), 2023, 31(2): 300-314. Luo S Q, Hu X M, Sun Y, et al. Multi-scenario land use change and its impact on carbon storage based on coupled Plus-Invest model[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 300-314. |
| [22] |
巩晟萱, 张玉虎, 李宇航. 基于PLUS-InVEST模型的京津冀碳储量变化及预测[J]. 干旱区资源与环境, 2023, 37(6): 20-28. Gong S X, Zhang Y H, Li Y H. Spatio-temporal variation and prediction of carbon storage in Beijing-Tianjin-Hebei region-A PLUS-InVEST model approach[J]. Journal of Arid Land Resources and Environment, 2023, 37(6): 20-28. |
| [23] |
刘咏梅, 朱彦蓉. 基于InVEST模型的长三角地区陆地生态系统固碳特征变化研究[J]. 南京晓庄学院学报, 2020, 36(6): 82-90. Liu Y M, Zhu Y R. Research of carbon storage changes in terrestrial ecosystems based on InVEST model in the Yangtze River Delta Region[J]. Journal of Nanjing Xiaozhuang University, 2020, 36(6): 82-90. |
| [24] | Cao J X, Chen Y, Hu Y, et al. Spatiotemporal trends of forest carbon stock and its response to environmental factors in the Yangtze River Basin during 2005-2020[J]. Forests, 2023, 14(9). DOI:10.3390/f14091793 |
| [25] |
钱志权, 韩佳银. 长三角城市群新型城镇化与低碳发展耦合过程与机理[J]. 长江流域资源与环境, 2023, 32(11): 2285-2297. Qian Z Q, Han J Y. Coupling process and mechanism of new-type urbanization and low-carbon development in Yangtze River Delta urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2285-2297. |
| [26] |
贺小荣, 夏凡, 彭坤杰. 新型城镇化与旅游产业协同发展的时空演化及驱动因素——以长三角城市群为例[J]. 现代城市研究, 2022(10): 73-80, 87. He X R, Xia F, Peng K J. Spatial and temporal evolution and driving factors of synergistic development of new urbanization and tourism industry: a case study of Yangtze River Delta City cluster[J]. Modern Urban Research, 2022(10): 73-80, 87. |
| [27] |
余思勤, 孙佳会. 长三角港口群与城市群协调发展分析[J]. 同济大学学报(自然科学版), 2021, 49(9): 1335-1344. Yu S Q, Sun J H. Analysis on coordinated development of port cluster and urban agglomeration in Yangtze River Delta[J]. Journal of Tongji University (Natural Science), 2021, 49(9): 1335-1344. |
| [28] |
张徐, 李云霞, 吕春娟, 等. 基于InVEST模型的生态系统服务功能应用研究进展[J]. 生态科学, 2022, 41(1): 237-242. Zhang X, Li Y X, Lyu C J, et al. Research progress on application of ecosystem service functions based on InVEST model[J]. Ecological Science, 2022, 41(1): 237-242. |
| [29] |
朱志强, 马晓双, 胡洪. 基于耦合FLUS-InVEST模型的广州市生态系统碳储量时空演变与预测[J]. 水土保持通报, 2021, 41(2): 222-229, 239. Zhu Z Q, Ma X S, Hu H. Spatio-temporal evolution and prediction of ecosystem carbon stocks in Guangzhou City by coupling FLUS-InVEST models[J]. Bulletin of Soil and Water Conservation, 2021, 41(2): 222-229, 239. |
| [30] |
邵壮, 陈然, 赵晶, 等. 基于FLUS与InVEST模型的北京市生态系统碳储量时空演变与预测[J]. 生态学报, 2022, 42(23): 9456-9469. Shao Z, Chen R, Zhao J, et al. Spatio-temporal evolution and prediction of carbon storage in Beijing's ecosystem based on FLUS and InVEST models[J]. Acta Ecologica Sinica, 2022, 42(23): 9456-9469. |
| [31] |
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. |
| [32] |
周杰, 张学儒, 牟凤云, 等. 基于CA-Markov的土壤有机碳储量空间格局重建研究——以泛长三角地区为例[J]. 长江流域资源与环境, 2018, 27(7): 1565-1575. Zhou J, Zhang X R, Mu F Y, et al. Spatial pattern reconstruction of soil organic carbon storage based on CA-Markov: a case study in Pan-Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2018, 27(7): 1565-1575. |
| [33] |
张煜星, 王雪军, 蒲莹, 等. 1949—2018年中国森林资源碳储量变化研究[J]. 北京林业大学学报, 2021, 43(5): 1-14. Zhang Y X, Wang X J, Pu Y, et al. Changes in forest resource carbon storage in China between 1949 and 2018[J]. Journal of Beijing Forestry University, 2021, 43(5): 1-14. |
| [34] |
童荣鑫, 梁迅, 关庆锋, 等. 2000—2020年中国陆地土壤碳储量及土地管理碳汇核算[J]. 地理学报, 2023, 78(9): 2209-2222. Tong R X, Liang X, Guan Q F, et al. Estimation of soil carbon storage change from land use and management at a high spatial resolution in China during 2000-2020[J]. Acta Geographica Sinica, 2023, 78(9): 2209-2222. |
| [35] |
侯瑞萍, 夏朝宗, 陈健, 等. 长江经济带林地和其他生物质碳储量及碳汇量研究[J]. 生态学报, 2022, 42(23): 9483-9498. Hou R P, Xia C Z, Chen J, et al. Carbon storage and carbon sink of forest land and other biomass in the Yangtze River Economic Belt[J]. Acta Ecologica Sinica, 2022, 42(23): 9483-9498. |
| [36] | Tang X L, Zhao X, Bai Y F, et al. Carbon pools in China's terrestrial ecosystems: New estimates based on an intensive field survey[J]. Proceedings of the National Academy of Sciences, 2018, 115(16): 4021-4026. |
| [37] |
李安林, 周艳, 唐丽毅, 等. 怒江州土地利用模拟及生态系统服务价值评估——基于PLUS模型的多情景分析[J]. 中国农业资源与区划, 2023, 44(1): 140-149. Li A L, Zhou Y, Tang L Y, et al. Land use simulation and ecosystem services values evaluation in Nujiang Prefecture: a multiple-scenario analysis based on PLUS model[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2023, 44(1): 140-149. |
| [38] | Zhao H H, Guo B, Wang G J. Spatial-temporal changes and prediction of carbon storage in the Tibetan Plateau based on PLUS-InVEST model[J]. Forests, 2023, 14(7). DOI:10.3390/f14071352 |
| [39] | Wang Q Z, Guan Q Y, Sun Y F, et al. Simulation of future land use/cover change (LUCC) in typical watersheds of arid regions under multiple scenarios[J]. Journal of Environmental Management, 2023, 335. DOI:10.1016/j.jenvman.2023.117543 |
| [40] | 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 |
| [41] |
伍丹, 朱康文, 张晟, 等. 基于PLUS模型和InVEST模型的成渝经济区碳储量演化分析[J]. 三峡生态环境监测, 2022, 7(2): 85-96. Wu D, Zhu K W, Zhang S, et al. Evolution analysis of carbon stock in Chengdu-Chongqing economic zone based on PLUS model and InVEST model[J]. Ecology and Environmental Monitoring of Three Gorges, 2022, 7(2): 85-96. |
| [42] |
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): 517-530. 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): 517-530. |
| [43] | Zheng L, Wang Y, Li J F. Quantifying the spatial impact of landscape fragmentation on habitat quality: a multi-temporal dimensional comparison between the Yangtze River Economic Belt and Yellow River Basin of China[J]. Land Use Policy, 2023, 125. DOI:10.1016/j.landusepol.2022.106463 |
| [44] |
雷金睿, 陈宗铸, 吴庭天, 等. 海南岛东北部土地利用与生态系统服务价值空间自相关格局分析[J]. 生态学报, 2019, 39(7): 2366-2377. Lei J R, Chen Z Z, Wu T T, et al. Spatial autocorrelation pattern analysis of land use and the value of ecosystem services in northeast Hainan Island[J]. Acta Ecologica Sinica, 2019, 39(7): 2366-2377. |
| [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. |