2025, Vol. 46
2. 中国地质调查局西宁自然资源综合调查中心，西宁 810021
2. Xining Natural Resources Comprehensive Surver Center, China Geological Survey, Xining 810021, China
土地作为陆域生态系统的主要载体, 是人类赖以生存的基础资料和社会经济活动的依附[1], 土地利用类型的变化已成为影响区域碳循环重要因素之一[2], 而气候变暖和城镇化率提升是导致土地利用方式变化的诱因. 研究表明, 气候变暖加剧了西北干旱区极端气候的频发和冰川积雪消融后释放出更多的碳[3, 4]；另外城市面积的扩张将会导致区域碳储量大量损失[5]. 随着“双碳”目标纳入生态文明建设总体布局中, 对于探究如何优化土地利用空间格局、减少碳损失争取“双碳目标”实现, 以及统筹推进区域生态治理和可持续发展意义深远.
当前, 国内外学者在土地利用变化和碳储量方面研究不断深入[6~8]. 研究范围包括省市县三级和流域尺度等. 区域碳储量测算方式主要有实地调研法[9, 10]、遥感数据建模[11]和模型模拟[12]等. InVEST模型主要是基于土地利用类型进行计算, 数据需求相对简单, 短时间即可操作完成, 且最大优点在于评估结果的可视化表达, 解决了以往生态系统服务功能评估靠文字叙述而不够直观的问题, 在碳储量计算方面应用广泛[13, 14]. 在土地利用模拟方面常见模型主要有Logistic-CA[15]、ANN-CA[16]、CLUE-S[17]、Fore-SCE[18]、FLUS[19]和PLUS[20]模型等. 相比而言, PLUS模型在多地类斑块级模拟、大尺度长时间序列模拟上更具优势, 同时可更好量化自然保护区、水域及政策措施等限制因素对土地利用精细化模拟的影响, 近年来该模型已成研究未来土地利用变化的热点. 付玮等[21]对塔里木河流域碳储量预测发现, 2020年后流域内碳损失较为严重, 草地转向未利用地是其主因；石晶等[22]对利用PLUS-InVEST模型对酒泉市生态系统碳储量时空演变与预测揭示酒泉市1990~2020年酒泉市草地转换成未利用地是造成区域碳储量损失的主要原因, 2035年碳储量均为增加趋势, 其中生态保护情景增幅最为显著；贾天朝等[23]基于PLUS-InVEST-Geodector模型, 探究了三江源国家公园历史及未来情景下的碳储量时空变化情况, 结合探测器对其历史碳储量时空分异驱动力进行了探析. 目前, 对未来不同发展情景下区域土地利用类型的变化以及碳储量的变化的预测研究还不普遍, 探究不同发展情景下的地类变化和碳储量估算, 对于优化国土空间格局、实现双碳目标具有重要的指导意义.
海西蒙古族藏族自治州（简称“海西州”）位于我国西北干旱区, 处在青甘新藏四省区交汇的中心位置, 是我国西部地区的重要交通枢纽, 战略位置十分重要, 因地理区位等因素制约, 生态质量和社会经济发展受限. 以往对研究区土地利用类型变化做了相关研究[24~26], 但缺乏对研究区整体的地类变化研究和碳储量计算分析. 本研究结合PLUS-InVEST模型, 以海西州2000年和2010年土地利用数据为基础, 耦合13个自然环境和社会经济因子作为模型驱动要素来模拟预测2030年研究区自然发展情景、生态保护情景和城镇发展情景下的土地利用状况、碳储量空间分布特征. 其成果可为海西州优化土地利用结构和“双碳”战略目标实施, 保障青海省国家生态安全主体功能区战略地位提供数据参考.
1 材料与方法 1.1 研究区概况本研究以青海省海西州作为研究区（图 1）, 海西州州府驻德令哈市, 是青海的8个地级行政区之一, 地处青藏高原北部、青海省西部, 地势西北高, 东南低. 全州总面积30.09万km2, 州域主体为中国四大盆地之一的柴达木盆地, 北靠阿尔金山、祁连山, 南依昆仑山, 海拔2 579~6 199 m, 2020年均气温为3.5℃, 年均降水量仅为156.6 mm, 全年日照时数为2 850.6 h, 具干旱少雨强蒸发的特点, 属典型的高原大陆性气候[27].
|
图 1 研究区概况 Fig. 1 Overview of the study area |
海西州现辖三市三县一个行政委员会, 分别是德令哈市、格尔木市、茫崖市、都兰县、乌兰县、天峻县和大柴旦行政委员会. 2020年全州国内生产总值为619.8亿元, 其中第二产业为支柱产业, 占比高达63.20%；根据第七次人口普查数据, 截至2020年11月, 海西蒙古族藏族自治州市常住人口为468 216人[28].
1.2 数据来源及处理① 研究区2000年、2010年和2020年GlobeLand30土地利用类型数据. 将GlobeLand30数据集结合研究区实际情况划分耕地、林地、草地、水域、建设用地和未利用地等6个一级分类；②高程和坡度由ASTER GDEM V3数据经ArcGIS Pro工具提取；③年均气温、年均降水量、人口密度和夜间灯光栅格数据经ArcGIS Pro重采样得到；④到高速、到主干道路、到次级道路、到铁路、到政府驻地和到河流水系距离经提取后利用ArcGIS Pro做欧氏距离计算得到；⑤土壤类型数据提取自联合国粮农组织的HWSD v1.1数据库；⑥自然保护区数据由ArcGIS Pro矢量化得到. 所有数据栅格化后采用与土地利用数据相同的行列号和WGS_1984_UTM投影坐标系, 数据分辨率均重采样至30 m（表 1）.
|
表 1 数据来源描述 Table 1 Data source information of the study |
1.3 研究方法 1.3.1 PLUS模型
PLUS模型是由中国地质大学（武汉）地理与信息工程学院和国家GIS工程技术研究中心的高性能空间计算智能实验室（HPSCIL）开发的基于斑块级土地利用预测研究的模拟工具[29], 能够较为精确地模拟在年份、环境等不同条件下的土地斑块级变化[30]. 该模型主要包括土地扩张策略分析模块（LEAS）和基于多类型随机斑块种子机制的元胞自动机模块（CARS）. 首先基于模型中的Extract and Expansion工具得到多年间土地利用扩张数据, 通过每个地类像元变化计算其所占的权重；其次, 基于LEAS模块, 按照需求将DEM、坡度、年均气温、年降水、到各级公路的距离、到铁路的距离、到水系的距离、夜间灯光数据和人口密度等13个要素作为该模块的驱动因子, 通过随机森林算法得到各个地类的发展概率, 随机森林算法参数设置为：回归树为20；采样率为0.01；在保证软件正常运行情况下提高运行速率, 将回归线程设置为5；最后, 在CARS模块下通过设置不同情景下地类变化需求、转移矩阵和各地类领域权重等关键参数对研究区未来土地利用变化进行模拟.
领域权重主要用来表征各个地类发生转移的难易程度, 范围为[0, 1][31]. 权重设置主要依据研究区2010和2020年两期地类面积变化情况. 值越高表明该地类具有更强的转移能力（表 2）.
|
|
表 2 研究区不同土地利用类型领域权重值 Table 2 Weights of different land use types in the study area |
1.3.2 土地利用情景模拟
区域发展往往是多种要素共同作用的结果[32], 本研究在进行海西州未来土地利用模拟中要充分考虑自然地理、社会经济等各方面的因素. PLUS模型在对土地利用变化需求量预测中, 紧紧结合实际土地利用的变化情况, 不断调试优化模型中的参数, 从而确定土地利用转移矩阵. 同时, 本文综合考虑了《青海省国土空间规划（2021~2035年）》和《海西州国土空间规划（2021~2035年）》等政策规划指导性文件, 在研究区内分别设置自然发展情景、生态保护情景和城镇发展情景, 模拟海西州2030年土地利用变化情况[33, 34], 3种情景设定如下.
自然发展情景：该情景即按一切照旧的原则进行设置, 假设土地利用趋势延伸2000~2020年的历史变化规律, 2020~2030年各地类变化需求依照2010~2020年地类需求进行预测. 该情景下考虑到海西州特殊的地理区位, 将水域作为地类变化的限制性因子（图 2）, 且不考虑其他政策文件对于土地利用变化的影响. 同时, 自然发展情景是其他情景设置的基础.
|
图 2 未来情景下研究区限制区域 Fig. 2 Restricted portion of the study area under future scenario |
生态保护情景：《青海省国土空间规划（2021~2035年）》中明确提出要系统优化国土空间开发保护格局, 要保障国家生态安全的主体功能. 研究区内林地、湖泊湿地和草地等生态要素类型多样, 受气候变化带来的连锁反应, 土地沙化、冰川退缩等生态问题日益凸显[35]. 在该情景下, 优先考虑生态保护重于经济发展的战略地位, 限制城镇的过速发展, 要严格限制环境友好型的林地、草地和水域向其他地类的转移, “十四五”期间, 海西州要重点治理柴达木盆地生态环境区, 特别是矿山生态、退化土地的综合修复治理, 构建以国家公园和自然保护区为主体的自然保护地体系, 为青海省国家生态文明高地创建做重要支撑. 参考自然情景发展, 将水域和自然保护区作为限制性扩张区域（图 2）, 将耕地与建设用地之间的转移概率降低40%, 建设用地向林地、草地转移的转移概率增加30%, 未利用地向林地、草地转移的转移概率增加20%[36].
城镇发展情景：海西州地处青甘新藏四省区交汇的中心位置, 是我国西部地区的重要交通枢纽, 在持续深化区域发展、新型城镇化建设及乡村振兴中扮演重要角色. 依据“十四五”规划提出的全面助推乡村振兴, 提升格尔木、德令哈等重要节点城镇功能和集聚能力, 大力发展经济, 全方位提升城乡公共服务设施水平. 在该情境下不会设置任何限制发展区, 城镇发展速度会得到显著提升, 建设用地向林地、草地、水域和未利用地的转移概率降低20%, 耕地、林地、草地及未利用地向建设用地转移概率增加20%. 基于自然发展情景, 按照10 a为间隔, 模拟得到海西州2030城镇发展情景下的土地利用需求.
1.3.3 PLUS模型精度检验本研究根据2000和2010年海西州30 m分辨率土地利用数据, 借助PLUS模型来模拟出研究区2020年土地利用类型空间分布（图 3）, 通过将模拟得到的2020年土地利用数据和2020年研究区实际的土地利用数据做比较来判断模型精度是否满足要求. 研究中共使用13个驱动因子, 分别为自然环境数据5个：高程、坡度、年均气温、年均降水量和土壤类型；社会经济数据8个：夜间灯光数据、人口密度、到政府驻地距离、到河流水系距离、到高速距离、到主干道路数据、到次级道路数据和到铁路距离. 经检验, 其Kappa系数达到0.79, 总体精度为89.22%. 研究认为Kappa系数高于0.75时[37], 表明模拟结果具有较高的可靠性, 可以用PLUS来模拟海西州2030年土地利用需求.
|
图 3 海西州2020年土地利用现状与预测 Fig. 3 Present situation and forecast of land use in the Haixi Prefecture in 2020 |
InVEST模型中碳储量模块以研究区土地利用数据为基础, 将区内总碳储量划分为地上碳库、地下碳库、土壤碳库及死亡有机质碳库等4个基本的碳库, 即研究区总碳量为4个基本碳库的总和, 计算公式为：
|
(1) |
式中, Ctot为研究区总碳储量；C地上为地上生物碳储量；C地下为地下生物碳储量；C土壤为土壤碳储量；C死亡有机质为死亡有机物碳储量. 区内碳储量计算的关键是获取各个地类的碳密度数据. 本文碳密度数据参考及修正了前人相关研究成果[38~43], 获取研究区不同地类地上、地下及土壤的碳密度数据, 最终得到海西州不同地类碳密度如表 2.
|
|
表 2 海西州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 Haixi Prefecture/t·hm-2 |
2 结果与分析 2.1 土地利用变化及其驱动因子贡献 2.1.1 历史时期海西州土地利用演化特征
由表 3分析可知, 海西州2000~2020年土地利用方式以未利用地和草地为主要类型, 占比分别高达97.47%、96.66%和95.92%. 未利用地主要集中在研究区的中西部, 草地分布在研究区南部、东部及东北部一带. 耕地主要分布在研究区中东部的德令哈市、都兰县、乌兰县及天峻县一带. 2010年以后是海西州加速推进工业化、城镇化和市场化的关键时期, 建设用地面积扩张显著, 面积占比由2000的0.05%增至2020年的0.23%, 增幅达78.26%. 2000~2020年海西州各种地类均发生不同程度的变化. 2000~2010年未利用地面积增加了2 412.04 km2, 水域面积增加1 288.28 km2, 林地增加了798.21 km2, 建设用地仅增加2.17 km2, 而草地面积减少4 470.21 km2, 耕地面积减少40.15 km2. 2010~2020年未利用地增加4 214.83 km2, 水体面积增加1 323.71 km2, 耕地增加了474.52 km2, 建设用地面积增加436.50 km2. 相反, 林地面积减少366.47 km2, 草地面积减少了6 084.26 km2. 在20 a间未利用地面积增加趋势明显, 占比分别高达58.59%、59.55%和61.21%, 而草地面积呈持续减少的趋势, 表明海西州生态环境形势并不乐观.
|
|
表 3 2000~2020年海西州土地利用面积变化 Table 3 Change in land use area in the Haixi Prefecture from 2000 to 2020 |
从2000~2020年地类转移情况来看（图 4）, 未发生地类转移面积占全区的88.19%. 耕地主要流向未利用地和建设用地, 转移面积分别为116.51 km2和56.29 km2, 林地向草地、未利用地转移面积为94.93 km2和85.26 km2, 草地向不同地类转移面积大小排序为：未利用地 > 水体 > 林地 > 耕地 > 建设用地, 流失面积分别为15 824.71、1 243.67、267.97、223.13和94.19 km2, 水体主要向草地和未利用地发生转移, 建设用地向未利用地和耕地转移了27.56 km2和12.23 km2, 未利用地向草地、水体转移面积分别为6 121.92 km2和3 034.44 km2. 综上所述, 耕地的增加来源主要是未利用地、草地和水体, 林地草地的增加来源主要是未利用地和水体的转移, 建设用地增加主要来自未利用地、耕地和草地的转移.
|
图 4 2000~2020年海西州土地利用类型空间变化 Fig. 4 Spatial changes in land use types in the Haixi Prefecture from 2000 to 2020 |
研究区基于2020年海西州土地利用数据, 设置自然发展、生态保护和城镇发展这3种情景模拟预测2030年海西州土地利用状况（表 4和图 5）.
|
|
表 4 2000~2020年海西州土地利用面积变化1） Table 4 Change in land use area in the Haixi Prefecture from 2000 to 2020 |
|
图 5 2 030年海西州多情景下土地利用状况空间分布 Fig. 5 Spatial distribution of land use in the Haixi Prefecture under multiple scenarios in 2 030 |
在自然发展情景下, 耕地面积为1 490.45 km2, 较2020年增加162.60 km2, 增幅为12.24%；水体面积达8 509.00 km2, 增加了925.15 km2, 增幅达12.20%；未利用地面积为158 421.24 km2, 增幅为2.17%. 而林地、草地和建设用地面积均有不同程度地减少, 其中林地面积为642.25 km2, 降幅达24.18%；草地面积83 763.65 km2, 较2020年减少4 167.02 km2；建设用地面积486.15 km2, 减少了87.27 km2.
在生态保护情景下, 以研究区自然保护地和水域为限制区, 采取限制林地、草地等生态地类向其他地类的转移, 放缓建设用地扩张的速度, 达到防风固沙、减缓荒漠化, 保障生态环境良性发展的目的. 在此情景下, 林地面积为902.58 km2, 增加面积为55.47 km2；草地面积增加了929.41 km2；水体面积7 928.92 km2, 较2020年增加345.07 km2, 增幅分别为6.55%、1.06%和4.55%. 耕地面积减少了106.33 km2；建设用地和未利用地的面积分别为544.14 km2和153 863.24 km2, 呈明显减少的特点, 分别减少29.28 km2、1 194.35 km2, 降幅为5.11%、0.77%. 生态保护情景较2020年林草地面积均有明显地增长, 而建设用地和未利用地面积呈减少趋势, 生态环境得到一定水平的提升.
在城镇发展情景下, 城镇建设用地面积将会显著增加. 2030年建设用地面积为672.84 km2, 较2020年新增99.42 km2, 增幅为17.34%；林地和草地面积呈下降趋势, 分别减少204.94 km2和4 180.14 km2, 降幅分别为24.19%、4.75%；耕地和水体面积呈增长趋势, 面积分别为1 393.19 km2和8 501.86 km2, 未利用地面积达158 352.17 km2, 增加了3 294.58 km2, 增幅为2.12%. 林地草地不断向建设用地转化, 将对研究区生态质量产生影响.
2.1.3 土地利用驱动因子贡献率特征基于PLUS模型的土地扩张策略分析模块可以得到在驱动因子作用下不同地类发生转移的概率, 概率越高表明该地类越有可能向其他地类产生转移, 也说明选取的驱动因子更合理[44]. 由图 6可知, 耕地是生产生活的基础, 发展概率高的区域呈斑块状集中分布在政府驻地等人口密集区、气候适宜区, 从驱动因子贡献率来看, 人口密度、年均气温、高程及年均降水贡献率值均超过10%；林地发展高概率区域集中在研究区西南部和祁连山保护区一带, 影响林地扩张驱动因子贡献率超过10%的有5个, 一方面与海拔降水等自然因素相关, 另一方面与干旱区还林工程等政府政策实施有直接联系；影响草地扩张的主要驱动因子是年均降水、年均气温、高程和到道路的距离；水体扩张贡献率最高的驱动因子是高程、气温和降水；建设用地除在原有城区周围有扩张迹象外, 在研究区西北部扩张趋势显著, 贡献率高的驱动因子有人口密度、夜间灯光和到政府驻地距离. 一方面建设用地发展与人口基数呈正比例关系, 另一方面研究区自然资源丰富, 光伏产业和矿产资源的开发将会有大面积人类工程实施. 而未利用地作为研究区分布面积最大的用地类型, 其驱动因子贡献率在8%以上的占77%, 表明未利用地类扩张的趋势显著, 应当引起足够重视, 确保研究区生态环境质量向好发展.
|
图 6 研究区不同地类发展概率及驱动因子贡献率 Fig. 6 Developmental probability and contribution rate of driving factors for different land types in the study area |
基于InVEST模型和研究区碳密度数据对海西州2000~2020年的碳储量进行了计算（图 7）. 海西州2000年、2010年和2020年的总碳储量分别为2 034.57×106、1 972.93×106和1 872.53×106 t, 碳储量整体呈现持续下降的趋势. 由图 7（a）~7（c）可知, 海西州2000~2020年碳储量空间分布基本一致, 表现出“中西部低、东南部高”的分布格局. 其中中部和西北部为碳储量的低值区域, 以柴达木盆地为主要分布范围, 盆地景观类型主要以旱区荒漠为主, 植被覆盖度低, 导致碳储量低. 碳储量高值区域主要集中在西南部、东南及东北部一带, 行政区划上以天峻县、乌兰县和都兰县部分以及格尔木市西南部为主要分布区, 这与大面积的草地分布相吻合. 自2000年以来, 海西州碳储量共计减少162.04×106 t. 其中因草地面积向其他地类转移10 556.39 km2, 而损失的总碳储量达190.86×106 t, 耕地、林地、水体、建设用地和未利用地的碳储量值均有所增加, 分别为4.60×106、6.64×106、7.56×106、0.05×106和9.97×106 t.
|
图 7 2000~2020年碳储量空间分布及变化特征 Fig. 7 Spatial distribution and change characteristics of carbon stocks from 2000 to 2020 |
基于模型预测了2030年海西州自然发展、生态保护和城镇发展这3种情景下的总碳储量[见表 5和图 8（a）~8（c）]. 整体上2030年各情景碳储量空间分布与2000~2020年碳储量分布具相似的格局. 预测情景下总碳储量分别为1 803.49×106、1 888.27×106和1 802.11×106 t. 自然发展情景不过多考虑政策规划限制, 相比于2020年碳储量分别减少了69.04×106 t. 生态保护情景下, 限制了林草地向其他地类的转移, 碳储量增加明显, 比2020年和其余两种情景的碳储量分别增加15.74×106、84.78×106和86.16×106 t, 表明生态保护措施取得良好的固碳效应. 其中较2020年林地增加0.85×106 t, 增幅为6.53%；草地增加16.81×106 t, 增幅为1.06%；而未利用地减少1.80×106 t, 降幅为0.77%；耕地总碳储量减少1.12×106 t, 降幅达7.95%. 城镇发展情景结合规划需求, 2030年建设用地总碳储量达0.08×106 t, 较2020年增加0.01×106 t. 耕地、水体和未利用地碳储量较2020年分别增加0.70×106、2.65×106和4.96×106 t, 增幅分别为4.97%、12.07%和2.13%. 而林地草地碳储量均有所损失, 分别减少3.15×106和75.95×106 t, 降幅达24.19%和4.78%. 该情景相对于生态保护情景, 林地减少4.00×106 t, 草地减少92.40×106 t. 因此, 经济发展的同时应当兼顾生态用地的保护.
|
|
表 5 海西州各情景下的不同土地利用类型碳储量×106/t Table 5 Carbon storage of different land use types under different scenarios in the Haixi Prefecture×106/t |
|
图 8 2030年和2000~2030年海西州多情景模拟碳储量空间分布 Fig. 8 Spatial distribution of carbon storage in the Haixi Prefecture in 2030 and 2000-2030 |
由于海西州地处西北内陆干旱区, 特殊的地理区位导致降水偏少而蒸发强烈, 加上资源的不合理开发、鼠害以及畜牧超载等原因, 草地面积呈持续减少趋势, 而未利用地扩张明显, 导致草地固碳减弱而损失大量的碳.
本研究结合2000年、2010年和2020年土地利用现状数据分析了海西州近20 a不同地类时空分布特征, 以草地和未利用地占主导地位, 地类转移变化方向与徐润宏等[45]和牛乐乐[46]研究结论相一致. 碳储量值分布与区域土地利用类型有直接联系, 植被类型的变化将对碳储量产生显著影响[47, 48]. 郝嘉元等[49]在对青藏高原土地利用格局时空演变研究结果显示, 青藏高原碳储量水平呈现“西北低, 东南高”的空间分布格局, 同时, 研究区北部建设用地面积的增加影响区域碳储量的降低, 这与本研究中碳储量“中西部低, 东南部高”的空间分布格局一致. 张丽亚[50]研究青海省东部农田土壤质量及碳库中揭示了在农田面积持续减少下土壤碳库储量降低. 周沛芳[9]在对青海省土壤有机碳估算研究中得到青海省东南部地区土壤有机碳含量较西北部地区高, 区域碳储量易受到人类活动和土地利用变化的影响的结论. 这与研究区20 a间因未利用地和建设用地面积增加而导致区域碳储量空间分布差异的结果相近. 韩良煜等[40]指出青海省海西州地广人稀, 特别是未利用地面积广阔, 碳汇潜力巨大, 与本研究中未利用地碳密度低, 但面积分布广, 其碳储量呈增加趋势的结论较为一致.
青海省自2000年6月全面实施退耕还林工程, 到2010年林地面积增加, 森林固碳能力增强. 随着西部大开发的深入推进, 城镇建设发展步入快速轨道, 耕地和建设用地面积增加显著. 但土地沙化、荒漠化的加剧, 也导致未利用地面积呈增长趋势. 2000~2020年海西州总碳储量呈下降趋势, 在2030年自然发展情景和城镇发展情景下碳储量仍然呈现“碳损失”的状况. 青海省省委十三届四次全会中指出“青海最大的价值在生态”, 生态保护情景遵照《青海省“十四五”规划》中有力的生态保护干预措施和政策规划指导, 碳储量增加, 表明生态保护成效显著. 因此, 要紧紧围绕海西州生态状况实际, 坚决扛起生态保护职责, 提升生态系统碳汇增量, 确保青海省2030年碳达峰目标顺利完成.
3.2 不确定性分析PLUS模型模拟过程是依照土地利用现状数据和多个驱动因素计算得到各个地类的发展概率, 概率越高表明该地类拥有优先转换的权利. 本研究主要选取了自然因子和社会经济因子共计13个, 仍存在未能利用的因子或者不能量化的环境因子等. 因此, 驱动因子的合理取舍对模型精度高低存在影响. 同时, 在设置转移矩阵时, 矩阵中“0”表示不能发生转移, “1”表示能够转移, 但地类的转移往往是众多因素共同作用的结果, 需要紧紧围绕区域政策的引导, 使转移矩阵的设置更接近现实状况, 但可能与实际情况存在差异.
研究区碳储量计算利用比较成熟的InVEST模型碳储量模块, 对于量化区域总碳变化具合理性. 碳储量值是以土地利用类型为基础数据, 而获取不同地类碳密度是估算碳储量的重要参量[51], 同时, 模型中假定碳密度是稳定不变的. 本研究各个地类的碳密度主要借鉴参考前人在青海省省域、青海湖流域以及三江源地区开展的相关研究成果. 但碳密度因年份和地理区位差异可能会发生变化[52], 这与实际情况相比存在误差. 因此, 为确保碳储量的准确性, 今后研究中应当基于实测碳密度进行纠正, 使模型结果更可靠.
4 结论（1）海西州主要土地类型以草地和未利用地为主, 2000年、2010年和2020年两者分别占全区总面积的97.47%、96.66%和95.92%. 其中耕地、林地、水体、建设用地和未利用地面积呈增加趋势, 而草地面积持续减少, 主要向未利用地和建设用地发生转移.
（2）研究区2000年、2010年和2020年总碳储量分别为2 034.57×106、1 972.93×106和1 872.53×106 t, 碳储量整体呈现持续下降的趋势, 其主要原因是城镇发展用地增加和生态用地向未利用地的转移.
（3）2030年, 自然发展情景下的林地、草地和建设用地面积均有不同程度地减少, 其中林地面积降幅达24.18%；生态保护情景下, 林地和草地面积分别增加55.47 km2和929.41 km2；城镇发展情景下建设用地面积较2020年新增99.42 km2.
（4）2030年3种情景下的总碳储量分别为1 803.49×106、1 888.27×106和1 802.11×106 t. 其中生态保护情景比2020年增加69.04×106 t, 表明生态保护措施成效显著. 因此, 在考虑经济发展的同时应兼顾生态用地保护来减少碳损失.
| [1] |
易丹, 欧名豪, 郭杰, 等. 土地利用碳排放及低碳优化研究进展与趋势展望[J]. 资源科学, 2022, 44(8): 1545-1559. Yi D, Ou M H, Guo J, et al. Progress and prospect of research on land use carbon emissions and low-carbon optimization[J]. Resources Science, 2022, 44(8): 1545-1559. |
| [2] |
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. |
| [3] |
王澄海, 张晟宁, 张飞民, 等. 论全球变暖背景下中国西北地区降水增加问题[J]. 地球科学进展, 2021, 36(9): 980-989. Wang C H, Zhang S N, Zhang F M, et al. On the increase of precipitation in the northwestern China under the global warming[J]. Advances in Earth Science, 2021, 36(9): 980-989. |
| [4] |
韩其飞, 陆研, 李超凡. 气候变化对中亚草地生态系统碳循环的影响研究[J]. 干旱区地理, 2018, 41(6): 1351-1357. Han Q F, Lu Y, Li C F. Impact of climate change on grassland carbon cycling in Central Asia[J]. Arid Land Geography, 2018, 41(6): 1351-1357. |
| [5] |
如克亚·热合曼, 阿里木江·卡斯木, 希丽娜依·多来提, 等. 天山北坡城市群碳储量时空变化及预测研究[J]. 中国环境科学, 2022, 42(12): 5905-5917. Reheman R, Kasimu A, Duolati X, et al. Temporal and spatial variation and prediction of carbon storage in urban agglomeration on the northern slope of Tianshan Mountains[J]. China Environmental Science, 2022, 42(12): 5905-5917. DOI:10.3969/j.issn.1000-6923.2022.12.048 |
| [6] |
吴则禹, 刘星根, 曾金凤. 基于InVEST-PLUS模型的东江源流域碳储量时空演变与预测[J]. 环境科学学报, 2024, 44(3): 419-430. Wu Z Y, Liu X G, Zeng J F. Spatio-temporal change and prediction of carbon storage in Dongjiang River source watershed based on InVEST-PLUS model[J]. Acta Scientiae Circumstantiae, 2024, 44(3): 419-430. |
| [7] |
杨潋威, 赵娟, 朱家田, 等. 基于PLUS和InVEST模型的西安市生态系统碳储量时空变化与预测[J]. 自然资源遥感, 2022, 34(4): 175-182. Yang L W, Zhao J, Zhu J T, et al. Spatial-temporal change and prediction of carbon stock in the ecosystem of Xi'an based on PLUS and InVEST models[J]. Remote Sensing for Natural Resources, 2022, 34(4): 175-182. |
| [8] |
李月, 罗红芬. 黔中喀斯特地区典型县域碳储量时空演变及多情景模拟预测: 以普定县为例[J]. 环境科学, 2024, 45(2): 961-973. Li Y, Luo H F. Spatio-temporal evolution and multi-scenario simulation of carbon storage in karst regions of central Guizhou province: taking Puding county as an example[J]. Environmental Science, 2024, 45(2): 961-973. |
| [9] |
周沛芳, 周涛, 刘霞, 等. 青海省土壤有机碳估算及其不确定性分析[J]. 地理科学进展, 2022, 41(12): 2327-2341. Zhou P F, Zhou T, Liu X, et al. Estimation of soil organic carbon and its uncertainty in Qinghai Province[J]. Progress in Geography, 2022, 41(12): 2327-2341. |
| [10] |
杨明新, 杨秀春, 赵云, 等. 黄河源园区高寒草地碳储量估算及其影响因素[J]. 生态学报, 2023, 43(9): 3546-3557. Yang M X, Yang X C, Zhao Y, et al. Estimated carbon storage and influencing factors of alpine grassland in the source region of the Yellow River[J]. Acta Ecologica Sinica, 2023, 43(9): 3546-3557. |
| [11] | Lindeskog M, Smith B, Lagergren F, et al. Accounting for forest management in the estimation of forest carbon balance using the dynamicvegetation model LPJ-GUESS (v4.0, r9710): implementation and evaluation of simulations for Europe[J]. Geoscientific Model Development, 2021, 14(10): 6071-6112. |
| [12] |
李井浩, 柳书俊, 王志杰. 基于FLUS和InVEST模型的云贵高原土地利用与生态系统服务时空变化多情景模拟研究[J]. 水土保持研究, 2024, 31(3): 287-298. Li J H, Liu S J, Wang Z J. Multi-scenario simulation of spatiotemporal changes of land use pattern and ecosystem services in Yunnan-Guizhou Plateau based on FLUS and InVEST models[J]. Research of Soil and Water Conservation, 2024, 31(3): 287-298. |
| [13] | Li Y X, Liu Z S, Li S J, et al. Multi-scenario simulation analysis of land use and carbon storage changes in Changchun City based on FLUS and InVEST model[J]. Land, 2022, 11(5). DOI:10.3390/land11050647 |
| [14] |
严莉, 曹广超, 康利刚, 等. 基于InVEST模型的共和县生境质量时空变化及驱动因素[J]. 干旱区研究, 2024, 41(2): 314-325. Yan L, Cao G C, Kang L G, et al. Analysis of spatial and temporal changes in habitat quality and driving factors in Gonghe County using the InVEST model[J]. Arid Zone Research, 2024, 41(2): 314-325. |
| [15] | Long Y, Liu X, Luo S Q, et al. Evolution and prediction of urban fringe areas based on Logistic⁃CA⁃Markov models: the case of Wuhan City[J]. Land, 2023, 12(10). DOI:10.3390/land12101874 |
| [16] | Xu Q L, Wang Q, Liu J, et al. Simulation of land-use changes using the partitioned ANN-CA model and considering the influence of land-use change frequency[J]. ISPRS International Journal of Geo-Information, 2021, 10(5). DOI:10.3390/ijgi10050346 |
| [17] |
顾汉龙, 马天骏, 钱凤魁, 等. 基于CLUE-S模型县域土地利用情景模拟与碳排放效应分析[J]. 农业工程学报, 2022, 38(9): 288-296. Gu H L, Ma T J, Qian F K, et al. County land use scenario simulation and carbon emission effect analysis using CLUE-S model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(9): 288-296. |
| [18] | Flanagan P X, Mahmood R, Sohl T, et al. Simulated atmospheric response to four projected land-use land-cover change scenarios for 2050 in the North-Central United States[J]. Earth Interactions, 2021, 25(1): 177-194. |
| [19] |
秦埼瑞, 李雪梅, 陈庆伟, 等. 基于FLUS模型的天山山区未来土地利用变化预估[J]. 干旱区研究, 2019, 36(5): 1270-1279. Qin Q R, Li X M, Chen Q W, et al. Estimation of future land use change in the Tianshan Mountainous based on FLUS model[J]. Arid Zone Research, 2019, 36(5): 1270-1279. |
| [20] |
胡俊聪, 何华贵, 陈朝霞. 基于PLUS模型的土地利用多情景模拟与时空特征分析[J]. 测绘通报, 2023(10): 28-33. Hu J C, He H G, Chen Z X. Multi-scenario simulation and spatial-temporal analysis of landuse based on PLUS model[J]. Bulletin of Surveying and Mapping, 2023(10): 28-33. |
| [21] |
付玮, 夏文浩, 樊童生, 等. 塔里木河流域生态系统碳储量的情景预测分析[J]. 干旱区地理, 2024, 47(4): 634-647. Fu W, Xia W H, Fan T S, et al. Scenario projection analysis of ecosystem carbon stocks in the Tarim River basin[J]. Arid Land Geography, 2024, 47(4): 634-647. |
| [22] |
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. |
| [23] |
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. |
| [24] |
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. |
| [25] |
山中雪, 曹广超, 赵霞, 等. 2000~2010年柴达木盆地土地利用变化与景观格局分析[J]. 青海师范大学学报(自然科学版), 2015, 31(2): 72-78. Shan Z X, Cao G C, Zhao X, et al. Land use change and landscape pattern of Qaidam Basin from year 2000 to 2010[J]. Journal of Qinghai Normal University (Natural Science), 2015, 31(2): 72-78. |
| [26] |
丁文广, 耿怡颖, 张慧琳, 等. 近40 a海西蒙古族藏族自治州沙漠化时空变化及驱动力分析[J]. 沙漠与绿洲气象, 2017, 11(3): 1-8. Ding W G, Geng Y Y, Zhang H L, et al. Analysis on spatial-temporal evolution of desertification and its driving force over Haixi Mongolian and Tibetan Autonomous Prefecture in recent 40 years[J]. Desert and Oasis Meteorology, 2017, 11(3): 1-8. |
| [27] |
陈伟, 耿涌, 黄斌斌, 等. 西部欠发达地区生态经济系统能值分析——以青海省海西蒙古族藏族自治州为例[J]. 生态学报, 2019, 39(21): 7904-7913. Chen W, Geng Y, Huang B B, et al. Emergy accounting of a western underdeveloped eco-economic system: a case study of Haixi in Qinghai[J]. Acta Ecologica Sinica, 2019, 39(21): 7904-7913. |
| [28] | 青海省地方志编纂委员会. 青海年鉴2021[M]. 西宁: 青海年鉴社, 2021. |
| [29] | Zhang Z, Hu B Q, Jiang W G, et al. Spatial and temporal variation and prediction of ecological carrying capacity based on machine learning and PLUS model[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110611 |
| [30] | Wang C Y, Li T Z, Guo X H, et al. PLUS-InVEST study of the Chengdu-Chongqing urban agglomeration's land-use change and carbon storage[J]. Land, 2022, 11(10). DOI:10.3390/land11101617 |
| [31] |
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. |
| [32] |
孙永胜, 佟连军. 吉林省限制开发区域绿色发展水平的时空演变特征与影响因素[J]. 中国农业资源与区划, 2020, 41(8): 154-161. Sun Y S, Tong L J. Spatial-temporal evolution characteristics and influencing factors of green development in restricted development zone of Jilin Province[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(8): 154-161. |
| [33] |
王犇, 甄志磊, 席茹阳, 等. 不同情景下太原市土地利用及碳储量变化研究[J]. 环境科学与技术, 2023, 46(10): 219-227. Wang B, Zhen Z L, Xi R Y, et al. Land use and carbon stock changes in Taiyuan under different scenarios[J]. Environmental Science & Technology, 2023, 46(10): 219-227. |
| [34] |
马瑞, 范燕敏, 武红旗, 等. 耦合GMOP与PLUS模型的干旱区土地利用格局模拟[J]. 农业资源与环境学报, 2023, 40(1): 143-153. Ma R, Fan Y M, Wu H Q, et al. Simulation of land-use patterns in arid areas coupled with GMOP and PLUS models[J]. Journal of Agricultural Resources and Environment, 2023, 40(1): 143-153. |
| [35] | 潘雪娇, 孙怡欣. 协同治理视域下青海省生态环境保护的路径优化研究——以木里矿区为例[J]. 青藏高原论坛, 2022, 10(3): 56-62. |
| [36] |
杜怀玉, 俞金凤, 张媛, 等. 石羊河流域多情景土地利用优化及碳储量评估[J]. 环境科学, 2024, 45(7): 4164-4176. Du H Y, Yu J F, Zhang Y, et al. Land use optimization and carbon reserve assessment in Shiyang River basin[J]. Environmental Science, 2024, 45(7): 4164-4176. |
| [37] |
刘赛艳, 张永江, 解阳阳, 等. 基于CA-Markov模型的淮河流域土地利用变化研究[J]. 灌溉排水学报, 2024, 43(1): 52-59, 96. Liu S Y, Zhang Y J, Xie Y Y, et al. Research on land use change in Huaihe River basin based on the CA-Markov model[J]. Journal of Irrigation and Drainage, 2024, 43(1): 52-59, 96. |
| [38] |
张琛悦, 赵霞, 辛玉春, 等. 青海省草地生态系统碳储量及其分布特征[J]. 北京师范大学学报(自然科学版), 2022, 58(2): 286-292. Zhang C Y, Zhao X, Xin Y C, et al. Carbon storage and distribution of grassland ecosystems in Qinghai Province[J]. Journal of Beijing Normal University (Natural Science), 2022, 58(2): 286-292. |
| [39] |
马勇洁, 仲俊涛, 米文宝, 等. 基于青海湖流域土地利用多情景模拟预测的碳储量评估及其脆弱性分析[J]. 干旱区资源与环境, 2023, 37(10): 46-55. Ma Y J, Zhong J T, Mi W B, et al. Assessment and vulnerability analysis on carbon storage based on multi-scenarios simulation and prediction of land use in Qinghai Lake basin[J]. Journal of Arid Land Resources and Environment, 2023, 37(10): 46-55. |
| [40] |
韩良煜, 周群星, 李宏波, 等. 青海省生态系统碳储量、碳汇量预测及碳中和潜力评估[J]. 环境污染与防治, 2023, 45(12): 1704-1709. Han L Y, Zhou Q X, Li H B, et al. Carbon storage and carbon sink prediction of ecosystem and carbon neutrality potential assessment for Qinghai Province[J]. Environmental Pollution & Control, 2023, 45(12): 1704-1709. |
| [41] | Wu X Y, Shen C T, Shi L N, et al. Spatio-temporal evolution characteristics and simulation prediction of carbon storage: a case study in Sanjiangyuan Area, China[J]. Ecological Informatics, 2024, 80. DOI:10.1016/j.ecoinf.2024.102485 |
| [42] | Delaney M, Brown S, Lugo A E, et al. The Quantity and turnover of dead wood in permanent forest plots in six life zones of Venezuela[J]. Biotropica, 1998, 30(1): 2-11. |
| [43] |
郑吉林, 蔡艳龙, 郭晓宇, 等. 基于InVEST模型的晋北土地利用变化与碳储量研究[J]. 地质通报, 2024, 43(1): 173-180. Zheng J L, Cai Y L, Guo X Y, et al. Study on land use change and carbon stock in Northern Shanxi Province based on InVEST model[J]. Geological Bulletin of China, 2024, 43(1): 173-180. |
| [44] |
张睿姝. 基于PLUS模型的阿拉善左旗土地利用景观格局变化研究[D]. 呼和浩特: 内蒙古农业大学, 2023. Zhang R S. Study on landscape pattern change of land use in Alxa Left Banner based on PLUS model[D]. Hohhot: Inner Mongolia Agricultural University, 2023. |
| [45] |
徐润宏, 史培军, 高妙妮, 等. 碳达峰碳中和目标下青藏高原土地利用变化趋势[J]. 中国科学: 地球科学, 2023, 66(6): 1392-1407. Xu R H, Shi P J, Gao M N, et al. Projected land use changes in the Qinghai-Tibet Plateau at the carbon peak and carbon neutrality targets[J]. Science China Earth Sciences, 2023, 66(6): 1383-1398. |
| [46] |
牛乐乐. 基于CLUE-S模型的青海省海西蒙古藏族自治州土地利用变化模拟研究[D]. 北京: 中国科学院大学(中国科学院教育部水土保持与生态环境研究中心), 2021. Niu L L. Simulation of land use change in Haixi Mongolian Tibetan autonomous prefecture of Qinghai province based on the CLUE-S model[D]. Beijing: University of Chinese Academy of Sciences (Water and Soil Conservation and Ecological Environment Research Center of the Ministry of Education, Chinese Academy of Sciences), 2021. |
| [47] |
武爱彬, 陈辅国, 赵艳霞, 等. 京津冀城市群建设用地扩张多情景模拟及其对生态系统碳储量的影响[J]. 环境科学, 2024, 45(5): 2828-2839. Wu A B, Chen F G, Zhao Y X, et al. Multi-scenario simulation of construction land expansion and its impact on ecosystem carbon storage in Beijing-Tianjin-Hebei Urban Agglomeration[J]. Environmental Science, 2024, 45(5): 2828-2839. |
| [48] |
祁迷, 王飞, 滑永春, 等. 基于PLUS与InVEST模型的内蒙古自治区土地利用变化及碳储量评估[J]. 水土保持学报, 2023, 37(6): 194-200. Qi M, Wang F, Hua Y C, et al. Assessment of land use change and carbon storage in Inner Mongolia Autonomous region based on PLUS and InVEST models[J]. Journal of Soil and Water Conservation, 2023, 37(6): 194-200. |
| [49] |
郝嘉元, 智烈慧, 李晓文, 等. 青藏高原土地利用格局和生态系统服务的时空演变特征及关系[J]. 应用生态学报, 2023, 34(11): 3053-3063. Hao J Y, Zhi L H, Li X W, et al. Temporal and spatial variations and the relationships of land use pattern and ecosystem services in Qinghai-Tibet Plateau, China[J]. Chinese Journal of Applied Ecology, 2023, 34(11): 3053-3063. |
| [50] |
张亚丽. 青藏高原东部农田土壤质量与土壤碳库研究[D]. 杨凌: 西北农林科技大学, 2018. Zhang Y L. Study of cropland soil quality and carbon stock in eastern Qinghai-Tibetan Plateau[D]. Yangling: Northwest A & F University, 2018. |
| [51] |
刘洋, 张军, 周冬梅, 等. 基于InVEST模型的疏勒河流域碳储量时空变化研究[J]. 生态学报, 2021, 41(10): 4052-4065. Liu Y, Zhang J, Zhou D M, et al. Temporal and spatial variation of carbon storage in the Shule River basin based on InVEST model[J]. Acta Ecologica Sinica, 2021, 41(10): 4052-4065. |
| [52] |
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. |