2025, Vol. 46
, JI Guang-xing
, HUANG Jun-chang , CHENG Ming-yue , GENG Jian-xi , GUO Yu-long , CHEN Wei-qiang
生态环境对人类有着极其重要的价值, 它直接关系到人类的生存和发展, 为人类提供了各种物质资源[1], 这些资源是人类生活和生产的基础, 直接满足了人类的需求. 由于人类对生态环境的重视不足, 很多地区过度消耗自然资源, 乱砍乱伐, 随意将污水排进河流湖泊, 导致自然资源受损, 人与自然的矛盾不断升级[2]. 土壤污染是影响生态环境的重要因素之一, 氮素面源污染会严重影响土壤生态[3~5], 土壤污染会间接导致农产品污染, 污染环境和破坏生态系统会对人类健康产生严重影响.
未来时期不同的发展情景模拟是当前土地利用预测的热点问题[6~8], 国内外土地利用预测多以自然发展及耕地保护为主要设定条件来进行研究. 目前土地利用模拟方法有三大类, 分别是耦合模型, 土地类型数量模拟和空间预测模型. 数量预测模型以Markov为代表, 空间预测模型以元胞自动机为代表[9, 10]. 耦合模型结合了多个模型方法的优点, 能够避免单一方法的局限性. PLUS模型与其他模型相比, 增加了对土地利用变化底层非线性关系的理解, 可以帮助研究人员调查潜在的土地利用转换规则. 它所提出的方法结合了模拟、知识发现和决策过程, 可以为用户提供重要信息[11]. 基本原理是基于两期土地利用数据, 找到各类用地增加的部分, 用随机森林法, 获取土地类型变化发生概率, 了解驱动因素对各土地类型变化的贡献水平, 有着较好的模拟效果, 不少学者采用PLUS模型对土地模拟展开研究[12~16].
对于土地利用变化对生态服务功能的影响, 学者展开了深入的研究[17~20]. Lv等[21]提出了“PLUS-ESI-电路理论耦合”框架, 先用PLUS模型模拟未来发展情景, 进而对生态服务功能进行研究. Jiang等[22]研究了土地利用覆被变化对滨海湿地生态服务系统和功能的影响, 结果显示土地利用使自然植被发生了退化, 进而对生态系统服务造成了破坏. Chen等[23]基于若尔盖高原2000~2020年土地利用变化格局, 采用相关性分析和Plus模型对研究区生态系统服务价值（ESV）进行了核算. InVEST模型对面源污染的测算也较为成熟, 吴哲[24]用InVEST模型对海南省的氮磷污染进行了研究. 李威等[25]基于InVEST模型模拟了北盘江流域的氮磷污染空间分布情况.
土地利用是制约生态服务功能的重要因素[26~28], 已有研究多是基于历史时期土地利用变化来探究生态服务功能时空变化, 而对未来情景预测, 一般通过自行设定未来发展情景. 较少有研究结合国际耦合模式比较计划第六阶段（coupled model intercomparison project 6, CMIP6）土地利用数据集进行预测, 有关模拟未来不同（shared socioeconomic pathway）SSP发展情景下氮素面源污染的研究很少, 而PLUS模型在模拟预测未来发展情景下土地利用具有较大优势, 因此, 本研究将InVEST模型和PLUS模型相结合, 能够更准确地测研究区未来氮素面源污染情况. 京津冀地区是中国三大经济圈之一, 聚集了大量人口, 随着工业化的发展, 人类对该地区的开发利用强度不断增大, 给该地区生态环境带来了越来越大的压力和威胁, 在这种大背景之下, 全面了解京津冀地区历史时期和未来时期不同发展方式情景下的氮素面源污染情况, 可以提高保护生态环境的意识, 有利于科学规划利用土地, 对实现该地区生态可持续发展具有重要的指导意义.
1 材料与方法 1.1 研究区概况本文的研究区为京津冀地区, 是中国的首都经济圈, 包括北京市、天津市和河北省. 属大陆性季风气候, 地势从西北到东南由高到低分布[29], 研究区如图 1所示.
|
图 1 研究区示意 Fig. 1 Research area |
北京市面积1.64万km2, 2022年地区生产总值41 610.9亿元, 是我国的政治、经济和文化中心. 天津市面积1.19万km2, 2022年地区生产总值16 311.34亿元, 拥有丰富的湿地资源, 森林覆盖率达13.07%, 森林蓄积量5.46×106 m3. 河北省面积18.88万km2, 2022年地区生产总值42 370.4亿元, 山地占总面积的48.1%[30, 31].
1.2 数据来源历史时期的土地数据、降水数据、气温数据、蒸发数据、DEM数据、GDP和人口密度公里网格数据来自于中国科学院资源环境科学与数据中心（http://www.resdc.cn/）.
开放街道图（https://www.openstreetmap.org/）提供了道路和城镇地理数据, 河流矢量数据来源于全国一级到五级河流数据（http://www.ngcc.cn/ngcc/）, 本文利用ArcGIS中的欧氏距离分析方法, 分别计算得到了距城市、乡镇、高速公路、国道、省道、铁路和河流距离数据. 土壤数据来自世界土壤数据库（https://www.fao.org/soils-portal/data-hub/soil-maps-and-databases/harmonized-world-soil-database-v12/en/）和北京大学城市与环境学院地理数据平台（https://geodata.pku.edu.cn/）. 土壤含氧量、土壤适耕性和土壤含盐量数据从此土壤数据获得.
不同SSP情景各地类预测数据来源于土地利用协调数据集（Land-use Harmonization version 2, LUH2）, 该数据集是第六次国际耦合模式比较计划（CMIP6）的基础驱动数据, 其精度为0.25°×0.25°. 本文选取了2030~2050年土地覆盖数据进行研究.
未来时期2030~2050年不同SSP情景下的降水、气温和蒸发数据则来源于国家地球系统科学数据中心（https://www.geodata.cn）.
1.3 研究方法 1.3.1 SSP情景世界气候研究计划（WCRP）所开发的耦合模式比较计划已经升级到了第6版（CMIP6）. 新情景考虑了社会、经济、人口等因素的变化, 以及人类采取保护环境的措施, CMIP6土地利用协调数据集涵盖了不同共享社会经济路径（SSP）与典型浓度路径（representative concentration pathway, RCP）的组合情景（SSP-RCP情景）, 提供了可靠性更高的气候变化预估结果, 模拟了8种不同SSPs情景和RCPs情景的组合下的未来土地利用数据[32]. 土地利用类型以分数形式表示, 分辨率也仅为0.25°. 已有研究的土地利用预测大多采用较粗的空间分辨率进行显示, 忽略了区域和地方层面上的差异, 导致土壤、地形和当地气候等小尺度环境变量对当地土地利用动态的显著影响变得模糊, 粗空间分辨率的土地利用预测结果也会在环境影响评估中对研究结果造成一定程度的不确定性[33].
本文采用PLUS模型对最新发布的CMIP6土地利用协调数据集进行降尺度模拟, 模拟了京津冀地区SSP119（可持续发展路径, 低碳排放, 全球变暖幅度较小）、SSP245（自然发展路径, 中等碳排放, 全球变暖幅度较小）和SSP585（经济发展路径, 高碳排放, 全球变暖幅度较大）这3种情景下2030~2050年1 km×1 km分辨率的土地利用情况.
1.3.2 PLUS模型该模型涉及数据包括土地利用数据、驱动因子数据（社会因素及自然因素）. 不同来源的数据已经处理为分辨率1 km×1 km. 如表 1所示.
|
表 1 驱动因子数据 Table 1 Driver factor data |
利用ArcGIS软件, 对各驱动因子统一坐标系为Asia_North_Albers_Equal_Area_Conic, 统一分辨率为1 km×1 km, 将其保存为TIFF格式.
1.3.3 InVEST模型InVEST模型以ArcGIS软件为基础, 构建生态系统功能评价模型. 通过输入不同种类的自然基础数据, 探讨生态系统服务量变化模式, 向区域决策者展示生态系统变化在人类福祉中具有何种程度的作用以及发生这种作用的概率[34]. 该模型把经济发展和社会需求结合起来考虑, 从而使资源得到有效配置. 它是目前全球最常用的生态系统服务功能分析平台, 已经在多个国家和地区被广泛应用, 且其准确性得到验证, 与其他模式相比, InVEST模式具有以下优点：首先是对数据要求少, 易于获得, 可解决许多复杂问题；其次, 该模型参数简单, 机制明确, 更容易操作, 适用于大范围的生态模拟, 并且估算结果有很好的空间性[35, 36], 适合用来进行大尺度生态模拟研究[37].
1.3.4 水质净化模块InVEST模式中的水质净化（NDR）模块是计算生态服务水质净化功能的重要工具, 它与复杂的养分计算模型不同, 该模型不代表养分循环的细节, 它是按照物质守恒原理, 采用经验公式, 模拟氮元素的来源与向水体输送的过程, 对这种长期稳定传输移动过程在空间上进行模拟[38]. 该模块通过构建基于土地利用/覆被、产水量、植被截留、产流系数等因子, 定量刻画土壤氮营养元素的空间特征. 植物和土壤能够在一定程度上降低区域径流中的污染物含量, 从而实现对流域水环境的净化. NDR通过计算氮营养物排入河流的入河系数, 从而估算京津冀地区氮负荷. 模型基本原理如下.
首先, 对研究区氮流失负荷按照一定比例进行地表和次表层分配, 计算公式为：
|
式中, x为养分物质氮, i为单个像元；loadsub,i为次表层营养物负荷.
地表营养物传输率计算公式为：
|
式中, NDR0,i为被下游像素保留的营养物传输率；ICj为地形指数；IC0和k为校准参数.
次表层营养物传输率计算公式为：
|
式中, NDRsubs,i为地下营养物传输率；effsubs为能够达到地下流的最大营养物截留效率；lsubs为地下水流的截留长度；即假设土壤保持其最大容量营养物的距离, l为从像素到流的距离.
营养物输出量计算公式为：
|
式中, Xexp,i为各栅格单元i的营养物氮输出负荷；loadsurf,i为地表营养物负荷；NDRsurf,i为地表营养物传输率；loadsub,i为次表层营养物负荷；NDRsubs,i为次表层营养物传输率；Xexptot为子流域营养物输出总负荷.
表 2为InVEST模型水质净化模块生物物理, 参考了张巧玲等[39]的研究成果.
|
|
表 2 生物物理 Table 2 Biophysical properties |
1.4 土地利用模拟
将2010年和2020年京津冀地区的土地利用数据作为基础, 将上文中列举的经济因素和自然因素作为驱动因子, 通过PLUS模型计算得到6种土地类型发展的适宜性概率, 将2010年真实土地利用数据和各土地类型发展适宜性概率结合模拟, 得到2020年土地利用模拟数据, 并将结果与真实土地利用情况进行验证. 为满足不同情形的社会经济发展需求, 结合全球未来发展情景, 通过改变转移矩阵设置, 预测京津冀地区10 a为间隔的2030~2050年不同SSP情景下的土地利用分布类型.
Kappa系数常被用来评估土地利用模型中土地模拟结果的准确性, 具体公式如下：
|
式中, P0为模拟正确的栅格占比；Pp为理想状态下模拟正确比例；Pc为随机状态下模拟正确比例；Kappa值介于0~1之间[40~42], 其判断标准通常如表 3所示.
|
|
表 3 Kappa值与模拟精度对应 Table 3 Correspondence of Kappa values and simulation accuracy |
利用PLUS模型本文得到了2020年京津冀土地利用预测数据, 为验证其准确性, 基于Kappa系数, 用2020年土地利用真实数据对2020年模拟土地利用数据进行精度检验. 结果发现其Kappa系数为0.875, 总精度为0.913, 说明本研究用PLUS模型模拟京津冀土地利用效果较好, 用该模型进行京津冀地区土地利用变化未来预测较为准确可信.
LUH2数据集是CMIP6中多项模式比较子计划的基础驱动数据, 本文利用全球LUH2数据集来确定京津冀地区2030~2050年3种情景（SSP119、SSP245和SSP585情景）下各土地利用类型的需求量. 该数据集已得到了较多使用, 例如汤琦等[43]基于该数据集对云贵高原不同SSP情景下的土地利用进行了模拟, 耿思筱等[44]则根据此数据集对宁夏2035年不同SSP情景土地利用进行了预测研究.
由于LUH2数据集中各类用地的面积与其实际面积有较大的出入, 直接用LUH2土地利用数据集会造成较大误差, 因此需要对面积进行偏差校正. 具体步骤为：基于LUH2未来不同情景2020年到2050年各年不同地类面积, 计算各地类由2020年到未来各年份的变化比率, 然后用不同年份的地类变化比率乘以2020年实际土地利用类型面积, 即可得到未来情景2030~2050年每10 a为间隔的各土地利用类型的预测面积. 各类土地预测面积是PLUS模型运行的所需数据.
根据不同情景, 在PLUS模型中本文设置土地利用转移矩阵如表 4所示. 通过多次实验, 对比不同实验结果精度, 本研究最终确定各地类权重如表 5所示.
|
|
表 4 多情景土地利用转移矩阵1） Table 4 Multi-scenario land use transfer matrix |
|
|
表 5 地类权重 Table 5 Land type weights |
基于PLUS模型, 本研究获得了京津冀地区SSP119、SSP245和SSP585发展情景下2030~2050年每10 a为间隔的土地利用模拟数据.
2 结果与讨论 2.1 京津冀地区土地利用变化特征 2.1.1 历史时期土地利用变化根据土地利用历史数据, 通过计算得到了2000年、2010年和2020年土地利用类型面积变化情况（表 6）.
|
|
表 6 2000~2020年京津冀地区土地利用类型面积变化 Table 6 Changes in land use types and areas in the Beijing Tianjin Hebei region from 2000 to 2020 |
2000~2020年耕地面积减少了9 241 km2, 占比下降了4.29%, 虽然有大量其他类型土地转入耕地, 但耕地面积仍不断减少, 这会造成人地矛盾的扩大, 将来应当推行严格的耕地保护政策；林地面积增加了919 km2, 占比上升了0.43%, 这可能是由于大量植树造林, 使得林地面积显著增加；草地面积减少了1 362 km2, 占比下降了0.63%；水域面积增加了185 km2, 占比上升了0.09%；建设用地面积增加了9 862 km2, 占比上升了4.58%；未利用地面积减少了363 km2, 占比下降了0.17%. 在这20 a间, 建设用地、水域和林地面积为正增长, 耕地、草地和未利用地面积为负增长, 沙尘暴的恶劣天气促使人们植树造林, 但其他生态用地没有增加, 说明人们的生态保护意识还有待进一步提升.
2000~2020年京津冀地区土地利用变化如图 2所示, 可以看出：2000~2020年建设用地面积显著增加, 主要集中在北京市、天津市和沿海城市, 以及各个地级市中心地带；北京市建设用地在2000~2010年增长最快, 但在2010~2020年速度放缓. 耕地、林地和草地是京津冀地区最主要的用地类型, 耕地主要集中在京津冀地区的南部、西北部和东南部；林地和草地主要集中在京津冀地区的西部、东北部和西南部. 承德市境内草地和林地最多, 邯郸市、邢台市、衡水市、沧州市、廊坊市和唐山市境内耕地最多.
|
图 2 2000~2020年京津冀地区土地利用 Fig. 2 Land use of the Beijing Tianjin Hebei region from 2000 to 2020 |
经过验证, 本研究用PLUS模型进行土地利用模拟可信度较高, 基于CMIP6土地利用数据集, 进行偏差校正, 将自然因素和社会经济因素作为驱动因子, 本文得到了不同SSP情景下2030~2050年京津冀地区土地利用模拟数据.
为对比在不同SSP情景下社会经济发展情景下土地利用的差别, 将2030~2050年不同SSP情景模拟的京津冀地区土地利用情况与2020年土地利用实际情况进行对比, 得到表 7.
|
|
表 7 2030~2050年（SSP119、SSP245和SSP585情景）京津冀地区土地利用类型面积模拟变化 Table 7 Simulated changes of land use type area in Beijing-Tianjin-Hebei region from 2030 to 2050 (SSP119, SSP245, and SSP585 scenarios) |
在SSP119情景下, 2020~2030年耕地面积减少了3 185 km2, 占比降低了1.48%；林地面积增加了115 km2, 占比增加了0.06%；草地面积减少了229 km2, 占比降低了0.31%；水域面积减少了49 km2, 占比降低了0.02%；建设用地面积增加了3 870 km2, 占比提高了1.8%；未利用地面积减少了543 km2, 占比降低了0.25%. 2020~2050年耕地面积减少了789 km2, 占比降低了0.36%；林地面积增加了1 626 km2, 占比增加了0.76%；草地面积减少了4 097 km2, 占比降低了1.9%；水域面积增加了204 km2, 占比增加了0.1%；建设用地面积增加了4 197 km2, 占比提高了1.95%；未利用地面积减少了1 162 km2, 占比降低了0.54%.
在SSP245情景下, 2020~2030年耕地面积增加了2 208 km2, 占比提高了1.03%；林地面积减少了2 554 km2, 占比降低了1.18%；草地面积增加了46 km2, 占比提高了0.02%；水域面积增加了13 km2, 占比提高了0.01%；建设用地面积增加了815 km2, 占比提高了0.38%；未利用地面积减少了549 km2, 占比降低了0.26%. 2020~2050年耕地面积增加了6 903 km2, 占比提高了3.21%；林地面积减少了8 118 km2, 占比降低了3.77%；草地面积减少了816 km2, 占比降低了0.38%；水域面积增加了65 km2, 占比提高了0.03%；建设用地面积增加了2 758 km2, 占比提高了1.28%；未利用地面积减少了813 km2, 占比降低了0.38%.
在SSP585情景下, 2020~2030年耕地面积增加了336 km2, 占比提高了0.16%；林地面积减少了9 km2, 占比变化不明显；草地面积减少了805 km2, 占比降低了0.37%；水域面积减少了157 km2, 占比降低了0.07%；建设用地面积增加了644 km2, 占比提高了0.3%；未利用地面积减少了30 km2, 占比降低了0.01%. 2020~2050年耕地面积增加了884 km2, 占比提高了0.42%；林地面积同2030年一致；草地面积减少了1 236 km2, 占比降低了0.57%；水域面积减少了245 km2, 占比降低了0.11%；建设用地面积增加了600 km2, 占比提高了0.28%；未利用地面积减少了15 km2, 占比降低了0.01%.
根据3个SSP情景地类模拟, 可以得出：按照SSP119情景进行发展, 建设用地面积会有所增加. 按照SSP245情景发展, 京津冀地区土地利用变化更为剧烈, 耕地面积会显著增加, 林地面积会显著减少, 到2040年以后建设用地面积会明显增加；按照SSP585情景进行发展, 土地利用变化较为平稳, 无剧烈变化, 京津草地面积会明显减少, 建设用地和耕地面积会有所增加.
基于2020年京津冀土地利用数据和驱动因子数据, 通过PLUS模型模拟, 得到京津冀地区2030~2050年10 a为间隔的不同SSP情景下的土地利用时空分布情况, 如图 3所示.
|
图 3 2030~2050年SSP119、SSP245和SSP585情景京津冀地区土地利用 Fig. 3 SSP119, SSP245, and SSP585 scenarios for land use in the Beijing-Tianjin-Hebei region from 2030 to 2050 |
在3种情景下, 2030~2050年间, 建设用地主要集中在北京市和天津市, 以及各个地级和县级市中心地带；与历史时期相比, 耕地、林地和草地依然是京津冀地区最主要的用地类型, 耕地主要分布在京津冀的南部、西北部和东南部地区, 这里地势比较平缓, 适合耕作；林地和草地主要集中在京津冀地区的西部、东北部和西南部的山地. SSP245情景下的2050年承德市林地面积要显著少于SSP585情景下的.
2.2 历史时期氮负荷变化特征 2.2.1 氮负荷时间变化基于InVEST模型水质净化模块, 分别计算2000年、2010年和2020年北京市、天津市和河北省的氮负荷变化情况, 用氮负荷总值除以地区面积可以得到氮负荷密度, 如表 8所示. 2000年北京市氮负荷密度为1.49 kg·hm-2, 氮负荷密度是这3个地区中最低的, 氮负荷总值为0.24万t, 在京津冀地区占比为5.9%. 天津市氮负荷密度为2.11 kg·hm-2, 是这3个地区中最高的, 表明2000年天津污染最严重, 氮负荷总值为0.24万t, 在京津冀地区占比为5.93%, 略高于北京市. 河北省氮负荷密度为1.94 kg·hm-2, 氮负荷总值为3.64万t, 在京津冀地区占比为88.17%, 因为河北省面积最大, 所以氮负荷最大. 京津冀地区氮负荷密度为1.92 kg·hm-2, 氮负荷总值为4.13万t.
|
|
表 8 2000~2020年京津冀各地区氮负荷时间变化 Table 8 Time variation in nitrogen load in different regions of Beijing⁃Tianjin⁃Hebei from 2000 to 2020 |
不少学者对和本研究相似研究区的氮输出量做了估算, 朱梅等[45]基于输出系数模型对研究区2007年的总氮负荷进行估算, 结果为5.20万t；王道芸[46]利用InVEST模型对相似研究区2015年的氮污染输出量进行估算, 得出总氮输出量为3.49万t. 张巧玲[39]对相似研究区2005年的氮输出测算为4.11万t, 氮输出负荷均值为2.89 kg·hm-2. 本研究的氮负荷计算结果和已有学者的结论在数量级上是一致的, 具体估算值有所差异. 这可能与不同学者的模型、数据源、研究时期以及模拟精度等有关.
2000~2010年北京市氮负荷密度增加了0.08 kg·hm-2, 氮负荷总值增加了0.01万t, 氮负荷总值占比增加了0.35%；天津市氮负荷密度增加了0.20 kg·hm-2, 氮负荷总值增加了0.02万t, 氮负荷总值占比上升了0.59%；河北省氮负荷密度减少了0.03 kg·hm-2, 氮负荷总值减少了0.06万t, 氮负荷总值占比下降了0.94%；京津冀地区氮负荷密度减少了0.01 kg·hm-2, 氮负荷总值减少了0.02万t.
2020年北京市氮负荷密度为1.47 kg·hm-2, 氮负荷总值为0.24万t, 在京津冀地区占比为5.89%. 天津市氮负荷密度为2.19 kg·hm-2, 氮污染是3个地区最严重的, 氮负荷总值为0.25万t, 在京津冀地区占比为6.22%. 河北省氮负荷密度为1.92 kg·hm-2, 氮负荷总值为3.59万t, 在京津冀地区占比为87.89%. 京津冀地区氮负荷密度为1.9 kg·hm-2, 氮负荷总值为4.09万t.
与2000年相比, 2020年北京市氮负荷密度减少了0.02 kg·hm-2, 氮负荷总值变化不明显；天津市氮负荷密度增加了0.08 kg·hm-2, 氮负荷总值增加了0.01万t, 氮负荷总值占比上升了0.30%；河北省氮负荷密度减少了0.02 kg·hm-2, 氮负荷总值减少了0.05万t, 氮负荷总值占比下降了0.29%；京津冀地区氮负荷密度减少了0.02 kg·hm-2, 氮负荷总值减少了0.04万t. 在这20 a间, 北京市和河北省氮负荷密度都呈下降趋势, 从整体上看, 天津市氮负荷密度高于北京市和河北省, 北京市氮负荷密度最低.
2.2.2 氮负荷空间变化刘灿均等[38]对各地类水质净化能力研究发现, 净化能力顺序为：林地 > 建设用地. 因此在土地利用类型转换过程中, 林地转出为建设用地在一定程度上会引起水质净化能力的减弱. 缺少绿色植被覆盖的地区, 由于缺少较大型植物根部固持, 容易发生土壤侵蚀、水土流失等现象, 难以拦截氮营养物, 水质净化能力会下降, 因此氮负荷会随着耕地及建设用地的扩张而逐步增加, 会导致水质净化服务下降. 而在大面积绿化的区域, 由于植被根部具有固土培根、减小水土流失、阻截氮素养分、提高水体净化功能等作用, 使得水体中氮负荷逐渐减少, 从而提高了水体净化功能. 基于2000~2020年京津冀地区土地利用数据、DEM数据和降水数据, 结合ArcGIS软件进行可视化分析, 得到京津冀地区2000~2020年氮输出空间分布（图 4）.
|
图 4 2000~2020年京津冀地区氮负荷空间分布 Fig. 4 Spatial distribution of nitrogen load in the Beijing Tianjin Hebei region from 2000 to 2020 |
从图 4中可以看出, 氮负荷高值区主要分布在京津冀的南部和东部区域, 如邯郸市、邢台市、唐山市和秦皇岛市南部；低值区主要分布在京津冀西部和北部的山地区域, 如承德市、秦皇岛市北部、张家口市、北京市北部、保定市西部和石家庄西部, 这是由于这些区域地形起伏较大, 河水流速快, 氮营养物还来不及与其他物质交换就被冲刷下去, 降低了氮负荷的进一步延伸. 因此氮负荷较小, 并且该区域的林地和草地具有较好的氮污染去除能力, 能起到滞留污染物, 净化水体的作用；中值区和耕地分布相似, 这是由于耕地氮负荷能力在地类中处于中间位置, 耕地区域一般地势平坦, 水流流速会较慢, 水体附近的污染物会有充分的时间与水体中的物质进行交换. 2000年京津冀地区单位氮输出负荷最高为3.1 kg·hm-2, 2010年京津冀地区单位氮输出负荷最高为2.82 kg·hm-2, 2020年京津冀地区单位氮输出负荷最高为2.84 kg·hm-2. 2000~2020年氮输出负荷最高值呈不断下降趋势.
为探究京津冀地区氮负荷的时空变化情况, 基于ArcGIS软件, 用2010年氮负荷图层减去2000年氮负荷图层, 得到2000~2010年京津冀地区氮负荷时空变化, 同样得到2010~2020年和2000~2020年京津冀地区氮负荷时空变化. 将氮负荷变化设置为：小于-50 kg·hm-2为负增长, -50~50 kg·hm-2为无明显变化, 大于50 kg·hm-2为正增长. 如图 5所示.
|
图 5 2000~2020年京津冀地区氮负荷时空变化 Fig. 5 Spatial and temporal variation in nitrogen load in the Beijing⁃Tianjin⁃Hebei Region from 2000 to 2020 |
从图 5可以得出, 2000~2010年京津冀大部分区域无明显变化, 氮负荷正增长主要分布在京津冀的东部和东北部地区, 如秦皇岛市、唐山市和承德市东北部, 这是由于建设用地增多, 林地减少；氮负荷负增长主要集中在京津冀的南部和中部地区, 如邯郸市和邢台市. 2000~2020年氮负荷正增长同样主要分布在京津冀的东部和东北部地区；负增长主要分布在京津冀的南部和张家口市的西北部地区.
京津冀地区2000~2020年氮负荷变化如表9, 2020年有2.79万km2的地区氮负荷负增长, 面积占比为12.95%；有16.7万km2的地区氮负荷无明显变化, 面积占比为77.57%；有2.04万km2的地区氮负荷正增长, 面积占比为9.48%. 2010~2020年有1.46万km2的地区氮负荷负增长, 面积占比为6.80%；有18.99万km2的地区氮负荷无明显变化, 面积占比为88.23%；有1.07万km2的地区氮负荷正增长, 面积占比为4.97%. 在2000~2020年之间, 有2.87万km2的地区氮负荷负增长, 面积占比为13.55%；有16.51万km2的地区氮负荷无明显变化, 面积占比为76.69%；有2.14万km2的地区氮负荷正增长, 面积占比为9.96%.
|
|
表 9 2000~2020年京津冀地区氮负荷变化 Table 9 Changes in nitrogen load in the Beijing Tianjin Hebei region from 2000 to 2020 |
2.3 基于InVEST模型生态系统氮负荷变化特征多情景模拟
为了解京津冀地区在未来SSP119、SSP245和SSP585发展情景下2030~2050年的氮负荷变化情况, 根据模拟得到的未来时期土地利用数据, 以及其他所需数据, 基于InVEST模型水质净化模块, 本文得到了京津冀地区未来不同SSP发展情景下2030~2050年的氮负荷模拟数据.
2.3.1 氮负荷模拟时间变化为探明各个地区氮负荷变化情况, 将各地区氮负荷总量除以地区面积得到各地区氮负荷密度, 通过计算得到了SSP119、SSP245和SSP585情景下2030~2050年以10 a为间隔的北京市、天津市和河北省的氮负荷变化情况（表 10）. 在SSP119情景下, 模拟初期2030年北京市氮负荷密度为1.55 kg·hm-2, 氮负荷总值为0.25万t；天津市氮负荷密度为2.47 kg·hm-2, 氮负荷总值为0.29万t；河北省氮负荷密度为1.87 kg·hm-2, 河北省氮负荷总值为3.51万t；京津冀地区氮负荷密度为1.88 kg·hm-2, 氮负荷总值为4.05万t. 与2020年相比, 模拟初期2030年北京市氮负荷密度增加了0.08 kg·hm-2, 氮负荷总值增加了0.012万t, 氮负荷总值在京津冀地区占比增加了0.36%；天津市氮负荷密度增加了0.28kg·hm-2, 氮负荷总值增加了0.03万t, 氮负荷总值在京津冀地区占比增加了0.86%. 河北省氮负荷密度减少了0.05 kg·hm-2, 河北省氮负荷总值减少了0.09万t, 氮负荷总值在京津冀地区占比下降了1.23%；京津冀地区氮负荷密度减少了0.02 kg·hm-2, 京津冀地区氮负荷总值减少了0.04万t.
|
|
表 10 2030~2050年（SSP119、SSP245和SSP585情景）京津冀各地区氮负荷时间变化 Table 10 Temporal changes in nitrogen load in Beijing-Tianjin-Hebei Region from 2030 to 2050 (SSP119, SSP245, and SSP585 scenarios) |
模拟末期2050年北京市氮负荷密度为1.46 kg·hm-2, 氮负荷总值为0.24万t；天津市氮负荷密度为2.23 kg·hm-2, 氮负荷总值为0.26万t；河北省氮负荷密度为2.03 kg·hm-2, 河北省氮负荷总值为3.79万t；京津冀地区氮负荷密度为1.99 kg·hm-2, 氮负荷总值为4.29万t. 与2020年相比, SSP585情景模拟末期2050年北京市氮负荷密度增减少了0.01 kg·hm-2, 氮负荷总值变化不大, 氮负荷总值在京津冀地区占比下降了0.33%；天津市氮负荷密度增加了0.03 kg·hm-2, 氮负荷总值变化不大, 氮负荷总值在京津冀地区占比增加了0.11%. 河北省氮负荷密度增加了0.11 kg·hm-2, 河北省氮负荷总值增加了0.2万t, 氮负荷总值在京津冀地区占比上升了0.53%. 京津冀地区氮负荷密度增加了0.09 kg·hm-2, 京津冀地区氮负荷总值减少了0.2万t.
从整体上看, SSP119情景2030~2050年, 北京市呈现先下降后上升趋势, 天津市氮负荷处于不断下降趋势, 河北省氮负荷值呈不断上升趋势, 整个京津冀地区呈上升趋势.
在SSP245情景下, 模拟初期2030年北京市氮负荷密度为1.48 kg·hm-2, 低于地区均值, 是3个地区中氮负荷密度最低的, 氮负荷总值为0.24万t, 在京津冀地区占比为5.76%；天津市氮负荷密度为1.98 kg·hm-2, 氮负荷总值为0.23万t, 在京津冀地区占比为5.47%；河北省氮负荷密度为1.99 kg·hm-2, 是3个地区中氮负荷密度最高的, 氮负荷总值为3.73万t, 在京津冀地区占比为88.77%；京津冀地区氮负荷密度为1.95 kg·hm-2, 氮负荷总值为4.20万t. 与2020年相比, 模拟初期北京市氮负荷密度增加了0.01 kg·hm-2, 氮负荷总值增加了0.001万t, 氮负荷总值在京津冀地区占比减少了0.13%；天津市氮负荷密度减少了0.21 kg·hm-2, 氮负荷总值减少了0.02万t, 氮负荷总值在京津冀地区占比减少了0.75%. 河北省氮负荷密度增加了0.07 kg·hm-2, 河北省氮负荷总值增加了0.13万t, 氮负荷总值在京津冀地区占比减少了0.89%；京津冀地区氮负荷密度增加了0.05 kg·hm-2, 京津冀地区氮负荷总值增加了0.11万t.
SSP245情景模拟末期2050年北京市氮负荷密度为2.15 kg·hm-2, 氮负荷密度不再是3个地区中最低的, 氮负荷总值为0.35万t, 在京津冀地区占比为7.98%；天津市氮负荷密度为2.48 kg·hm-2, 是3个地区中最高的, 氮负荷总值为0.29万t, 在京津冀地区占比为6.53%；河北省氮负荷密度为2.02 kg·hm-2, 是3个地区氮负荷密度最低的. 河北省氮负荷总值为3.77万t, 在京津冀地区占比为85.49%；京津冀地区氮负荷密度为2.05 kg·hm-2, 氮负荷总值为4.41万t. 与2020年相比, 模拟末期北京市氮负荷密度增加了0.68 kg·hm-2, 氮负荷总值增加了0.11万t, 氮负荷总值在京津冀地区占比增加了2.08%；天津市氮负荷密度增加了0.29 kg·hm-2, 氮负荷总值增加了0.03万t, 氮负荷总值在京津冀地区占比上升了0.31%. 河北省氮负荷密度增加了0.1 kg·hm-2, 河北省氮负荷总值增加了0.18万t, 氮负荷总值在京津冀地区占比下降了2.39%；京津冀地区氮负荷密度增加了0.15 kg·hm-2, 京津冀地区氮负荷总值增加了0.32万t.
从整体上看, SSP245情景2030~2050年, 北京市和天津市氮负荷都呈上升趋势, 河北省氮负荷呈先下降后上升趋势, 京津冀整个地区氮负荷呈先下降后上升趋势, 这是由于河北省面积占有绝对优势.
在SSP585情景下, 模拟初期2030年北京市氮负荷密度为1.67 kg·hm-2, 氮负荷总值为0.27万t；天津市氮负荷密度为2.7 kg·hm-2, 氮负荷总值为0.31万t；河北省氮负荷密度为1.87 kg·hm-2, 河北省氮负荷总值为3.51万t；京津冀地区氮负荷密度为1.9 kg·hm-2, 氮负荷总值为4.1万t. 与2020年相比, 模拟初期2030年北京市氮负荷密度增加了0.2 kg·hm-2, 氮负荷总值增加了0.03万t, 氮负荷总值在京津冀地区占比增加了0.79%；天津市氮负荷密度增加了0.51 kg·hm-2, 氮负荷总值增加了0.06万t, 氮负荷总值在京津冀地区占比增加了1.43%. 河北省氮负荷密度减少了0.05 kg·hm-2, 河北省氮负荷总值减少了0.09万t, 氮负荷总值在京津冀地区占比下降了2.22%；京津冀地区氮负荷密度减少了0.002 kg·hm-2, 京津冀地区氮负荷总值减少了0.01万t.
模拟末期2050年北京市氮负荷密度为1.82 kg·hm-2, 氮负荷总值为0.3万t；天津市氮负荷密度为2.58 kg·hm-2, 氮负荷总值为0.3万t；河北省氮负荷密度为1.85 kg·hm-2, 河北省氮负荷总值为3.46万t；京津冀地区氮负荷密度为1.89 kg·hm-2, 氮负荷总值为4.06万t. 与2020年相比, SSP585情景模拟末期2050年北京市氮负荷密度增加了0.35 kg·hm-2, 氮负荷总值增加了0.06万t, 氮负荷总值在京津冀地区占比上升了1.44%；天津市氮负荷密度增加了0.39 kg·hm-2, 氮负荷总值增加了0.05万t, 氮负荷总值在京津冀地区占比增加了1.17%. 河北省氮负荷密度减少了0.07 kg·hm-2, 河北省氮负荷总值减少了0.13万t, 氮负荷总值在京津冀地区占比下降了2.61%. 京津冀地区氮负荷密度减少了0.01 kg·hm-2, 京津冀地区氮负荷总值减少了0.03万t.
从整体上看, SSP585情景2030~2050年, 北京市和天津市氮负荷处于先下降后上升趋势, 河北省氮负荷总值呈先上升后下降趋势, 整个京津冀地区呈下降趋势.
3个情景相比较, 到模拟期末2050年, 京津冀地区SSP245情景氮负荷要高于SSP199情景和SSP585情景, 这其中北京市和河北省氮负荷在SSP585情景下显著高于SSP245情景, 而天津市氮负荷在两种情景下变化基本持平. 郭洪伟[47]研究发现, 建设用地的面积变化与氮输出呈显著正相关, 林地和草地的面积与氮输出呈显著负相关, 说明建设用地对氮负荷有明显的促进作用, 而林地和草地对氮负荷有强烈的抑制作用. 在SSP245情景下模拟期末2050年, 林地转出面积达8 118 km2, 建设用地转入面积为2 758 km2, 林地面积显著减少, 建设用地面积显著增加, 而在SSP585情景下模拟期末2050年, 林地面积只转出了9 km2, 建设用地转入面积为600 km2, 林地面积基本无明显变化, 建设用地面积少量增加, 这可能是SSP245情景下氮负荷显著高于SSP585情景的原因.
2.3.2 氮负荷模拟空间变化通过InVEST模型计算得出京津冀地区2030~2050年不同SSP情景氮负荷输出空间分布（图 6）.
|
图 6 2030~2050年（SSP119、SSP245和SSP585情景）京津冀地区氮负荷空间分布 Fig. 6 Spatial distribution map of nitrogen load in Beijing⁃Tianjin-Hebei region from 2030 to 2050 (SSP119, SSP245, and SSP585 scenarios) |
从图 6可以得出, 在SSP119情景下, 2030年氮负荷高值主要分布在京津冀的东部地区, 如天津市东部、唐山市南部. 2050年氮负荷高值主要分布在京津冀的南部地区, 比如邯郸市、邢台市. 2030~2050年氮负荷低的地区变化不大, 2030年京津冀地区氮负荷最高值为2.9 kg·hm-2, 2040年京津冀地区氮负荷最高值为3.04 kg·hm-2, 2050年京津冀地区氮负荷最高值为3.19 kg·hm-2. SSP119情景下, 京津冀地区2030~2050年氮负荷最高值呈不断上升趋势.
在SSP245情景下, 2030年氮负荷高值主要分布在京津冀的南部和西南部地区, 如邯郸市西部、邢台市西部和石家庄市西部. 2050年氮负荷高值主要分布在京津冀的南部、中部和东部地区, 比如邯郸市、邢台市、北京市中南部、廊坊市北部、唐山市和秦皇岛市. 2030~2050年氮负荷低的地区变化不大, 都是主要分布在京津冀的北部、西部和西南部地区. 2030年京津冀地区氮负荷最高值为3.14 kg·hm-2, 2040年京津冀地区氮负荷最高值为2.86 kg·hm-2, 2050年京津冀地区氮负荷最高值为2.83 kg·hm-2. SSP245情景下, 京津冀地区2030~2050年氮负荷最高值呈不断下降趋势.
在SSP585情景下, 2030年氮负荷高值主要分布在京津冀的东南部地区, 如北京市西南部、天津市东部、唐山市南部和秦皇岛市南部. 2050年氮负荷高值主要分布在京津冀的中部地区, 比如北京市西南部、廊坊市北部和唐山市西南部. 2030~2050年氮负荷低的地区变化不大, 和SSP245情景相似. 2030年京津冀地区氮负荷最高值为2.6 kg·hm-2, 2040年京津冀地区氮负荷最高值为3.23 kg·hm-2, 2050年京津冀地区氮负荷最高值为2.60 kg·hm-2. SSP585情景下, 京津冀地区2030~2050年氮负荷最高值呈先上升后下降趋势.
利用ArcGIS软件, 对京津冀地区未来情景氮负荷时空变化进行分析, 用预测3种SSP情景下的2030年、2040年和2050年氮负荷图层分别减去2020年实际氮负荷图层, 分别得到2020~2030年、2020~2040年和2020~2050年京津冀地区氮负荷时空变化, 氮负荷变化等级设定与历史时期相同, 如图 7所示.
|
图 7 2030~2050年（SSP119、SSP245和SSP585情景）京津冀地区氮负荷时空变化 Fig. 7 Spatial-temporal changes in nitrogen load in Beijing-Tianjin-Hebei Region from 2030 to 2050 (SSP119, SSP245, and SSP585 scenarios) |
由图 7可以得出, 在SSP119情景下, 京津冀绝大部分其余地区基本无明显变化.
在SSP245情景下, 2020~2030年氮负荷变化明显, 氮负荷正增长主要集中在京津冀地区的西部, 如张家口市西部、保定市西部和石家庄市西部；氮负荷负增长主要集中在京津冀的东部和东北部地区, 如唐山市、秦皇岛市和承德市东部；其余地区基本无明显变化. 2020~2050年氮负荷正增长主要集中在京津冀地区的中北部, 如北京市和承德市南部；氮负荷负增长区域主要集中在京津冀的西南部和东北部地区, 如石家庄市西部、邯郸市西部和承德市北部；其余地区基本无明显变化.
在SSP585情景下, 2020~2030年氮负荷正增长主要集中在京津冀的东南部和西北部地区, 如天津市、沧州市和张家口市；氮负荷负增长主要集中在京津冀的南部、东部和北部地区, 如邯郸市、邢台市、石家庄市西部、秦皇岛市东部和承德市东北部；其余地区基本无明显变化. 2020~2050年氮负荷正增长主要集中在京津冀地区的中部和西北部, 如北京市、廊坊市、天津市和张家口市；氮负荷负增长主要集中在京津冀的南部和东部地区, 如石家庄市西部、邢台市、邯郸市、唐山市东南部和秦皇岛市；其余地区基本无明显变化.
表 11为京津冀地区未来时期氮负荷变化情况, 在SSP119情景下, 2020~2030年有0.01万km2的地区氮负荷负增长, 面积占比为0.05%；有21.48万km2的地区氮负荷无明显变化, 面积占比为99.79%；有0.04万km2的地区氮负荷正增长, 面积占比为0.16%. 2020~2050年有0.02万km2的地区氮负荷负增长, 面积占比为0.08%；有21.31万km2的地区氮负荷无明显变化, 面积占比为99.00%；有0.2万km2的地区氮负荷正增长, 面积占比为0.92%. 从整体上看, SSP119情景2020~2050年30 a间, 京津冀地区氮负荷正增长面积都不断增加.
|
|
表 11 2030~2050年（SSP245、585和119情景）京津冀地区氮负荷变化情况 Table 11 Changes in nitrogen load in Beijing-Tianjin-Hebei Region from 2030 to 2050 (SSP245, SSP585, and SSP119 scenarios) |
在SSP245情景下, 2020~2030年有2.07万km2的地区氮负荷负增长, 面积占比为9.60%；有17.39万km2的地区氮负荷无明显变化, 面积占比为80.82%；有2.06万km2的地区氮负荷正增长, 面积占比为9.58%. 2020~2050年有1.12万km2的地区氮负荷负增长, 面积占比为5.20%；有17.46万km2的地区氮负荷无明显变化, 面积占比为81.12%；有2.95万km2的地区氮负荷正增长, 面积占比为13.68%. 从整体上看, SSP245情景2020~2050年30 a间, 京津冀地区氮负荷负增长面积呈下降趋势, 正增长面积呈上升趋势. 2030年负增长面积大于正增长面积, 2040和2050年正增长面积大于负增长面积.
在SSP585情景下, 2020~2030年有2.54万km2的地区氮负荷负增长, 面积占比为11.80%；有16.45万km2的地区氮负荷无明显变化, 面积占比为76.42%；有2.54万km2的地区氮负荷正增长, 面积占比为11.79%. 2020~2050年有3.47万km2的地区氮负荷负增长, 面积占比为16.12%；有14.98万km2的地区氮负荷无明显变化, 面积占比为69.62%；有3.07万km2的地区氮负荷正增长, 面积占比为14.26%. 从整体上看, SSP585情景2020~2050年30 a间, 京津冀地区氮负荷正增长和负增长面积都不断增加, 基本无变化面积不断减少. 2030年正增长面积与负增长面积持平, 2040年正增长面积大于负增长面积, 2050年负增长面积大于正增长面积.
3 结论（1）2000~2020年京津冀地区耕地、林地、草地、水域、建设用地和未利用地面积分别变化了：-9 241、919、-1 362、185、9 862和-363 km2. 与2020年相比, SSP119情景2050年, 耕地、林地、草地、水域、建设用地和未利用地面积分别变化了：-789、1 626、-4 097、204、4 197和-1 162 km2；SSP245情景2050年, 耕地、林地、草地、水域、建设用地和未利用地面积分别变化了：6 903、-8 118、-816、65、2 758和-813 km2；SSP585情景2050年, 耕地、林地、草地、水域、建设用地和未利用地面积分别变化了：884、-9、-1 236、-245、600和-15 km2. SSP245情景, 林地大量转为了耕地, SSP585情景, 各地类面积变化不大.
（2）2000~2020年京津冀地区氮负荷总值减少了0.04万t. 与2020年相比, SSP119情景2050年京津冀地区氮负荷总值增加了0.2万t；SSP245情景2050年京津冀地区氮负荷总值增加了0.32万t；SSP585情景2050年京津冀地区氮负荷总值减少了0.03万t. SSP585情景发展更有利于研究区水质净化生态服务功能的提升.
（3）土地利用变化对氮素面源污染影响较大, 要想增加京津冀地区的生态服务功能, 应该科学规划利用土地, 限制建设用地的盲目无序扩张, 多设立生态保护区, 植树造林, 涵养水源, 固持土壤.
| [1] |
孙梓渊, 王赛鸽, 陈彬. 基于生态系统服务的生态安全格局构建与生态韧性评估——以长株潭城市群为例[J]. 生态学报, 2024, 44(11): 4650-4661. Sun Z Y, Wang S G, Chen B. Construction of ecological security pattern and assessment of ecological resilience based on ecosystem services: a case study of Changsha-Zhuzhou-Xiangtan urban agglomeration[J]. Acta Ecologica Sinica, 2024, 44(11): 4650-4661. |
| [2] |
任会源. 黄河流域生态系统服务功能时空变化及影响因素研究[D]. 济南: 山东建筑大学, 2023. Ren H Y. Research on spatio-temporal changes and influencing factors of ecosystem service functions of the Yellow River Basin[D]. Ji'nan: Shandong Jianzhu University, 2023. |
| [3] |
董斯齐, 黄翀. 粤港澳大湾区陆源氮污染来源结构与空间分布[J]. 环境科学, 2021, 42(11): 5384-5393. Dong S Q, Huang C. Land-based nitrogen pollution source structure and spatial distribution in Guangdong-Hong Kong-Macao greater bay area[J]. Environmental Science, 2021, 42(11): 5384-5393. |
| [4] |
俞珂, 严琰, 唐张轩, 等. 千岛湖地区上梧溪流域地表径流非点源氮污染分类识别[J]. 环境科学, 2023, 44(7): 3923-3932. Yu K, Yan Y, Tang Z X, et al. Classification and identification of non-point source nitrogen pollution in surface flow of the Shangwu River watershed in the Qiandao Lake region[J]. Environmental Science, 2023, 44(7): 3923-3932. |
| [5] |
李桂芳, 杨恒, 叶远行, 等. 高原湖泊周边浅层地下水: 氮素时空分布及驱动因素[J]. 环境科学, 2022, 43(6): 3027-3036. Li G F, Yang H, Ye Y H, et al. Shallow groundwater around plateau lakes: spatiotemporal distribution of nitrogen and its driving factors[J]. Environmental Science, 2022, 43(6): 3027-3036. |
| [6] |
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. |
| [7] |
张亚丽, 陈亮, 田义超, 等. 模拟多情景下桂西南峰丛洼地流域土地利用变化及生态系统服务价值的空间响应[J]. 环境科学, 2024, 45(12): 6935-6948. Zhang Y L, Chen L, Tian Y C, et al. Land use change and ecosystem service value measurement in the peak cluster depression basin in Southwest Guangxi under the simulated multiple scenarios[J]. Environmental Science, 2024, 45(12): 6935-6948. DOI:10.3969/j.issn.1000-6923.2024.12.040 |
| [8] |
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 |
| [9] |
王洁宁, 王文超, 海蒙蒙. 基于PLUS模型的山东省土地利用变化模拟分析[J]. 国土与自然资源研究, 2022(6): 1-8. Wang J N, Wang W C, Hai M M. Simulation analysis of land use change in Shandong Province based on PLUS model[J]. Territory & Natural Resources Study, 2022(6): 1-8. DOI:10.3969/j.issn.1003-7853.2022.06.001 |
| [10] |
林素丽, 王枫. 基于PLUS模型并顾及交通规划的广州市土地利用情景模拟与分析[J]. 农业资源与环境学报, 2023, 40(3): 557-569. Lin S L, Wang F. Simulation and analysis of land use scenarios in Guangzhou based on the PLUS model and traffic planning scenario[J]. Journal of Agricultural Resources and Environment, 2023, 40(3): 557-569. |
| [11] |
谢向东, 林孝松, 王莹, 等. 基于PLUS模型的重庆市南川区土地利用多情景模拟[J]. 长江科学院院报, 2023, 40(6): 86-92, 113. Xie X D, Lin X S, Wang Y, et al. Multi-scenario simulation of land use in Nanchuan District of Chongqing based on PLUS model[J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(6): 86-92, 113. |
| [12] |
胡佶熹, 勒先文, 王卫林, 等. 基于PLUS-InVEST模型的江西省生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(6): 3284-3296. Hu J X, Le X W, Wang W L, et al. Temporal and spatial evolution and prediction of ecosystem carbon storage in Jiangxi Province based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(6): 3284-3296. |
| [13] |
张廷, 胡玉柱, 胡海辉, 等. 基于PLUS-InVEST模型的哈尔滨市土地利用及生境质量预测[J]. 环境科学, 2024, 45(8): 4709-4721. Zhang T, Hu Y Z, Hu H H, et al. Prediction of land use and habitat quality in Harbin City based on the PLUS-InVEST model[J]. Environmental Science, 2024, 45(8): 4709-4721. |
| [14] |
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. |
| [15] |
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. |
| [16] |
杨顺法, 昝梅, 袁瑞联, 等. 基于PLUS与InVEST模型的新疆碳储量变化及预测[J]. 环境科学, 2025, 46(1): 378-387. Yang S F, Zan M, Yuan R L, et al. Carbon stock changes and forecasting in Xinjiang based on PLUS and InVEST model approach[J]. Environmental Science, 2025, 46(1): 378-387. |
| [17] |
赵恒谦, 刘哿, 杨姿涵, 等. 2000~2020年辽宁省生态系统服务评估与多情景预测[J]. 环境科学, 2024, 45(7): 4137-4151. Zhao H Q, Liu G, Yang Z H, et al. Ecosystem services assessment and multi-scenario prediction in Liaoning Province from 2000 to 2020[J]. Environmental Science, 2024, 45(7): 4137-4151. |
| [18] |
陈智勇, 吴耀炜, 林港特, 等. 基于遥感生态指数的粤港澳生态环境质量与土地利用变化空间关系[J]. 环境科学, 2024, 45(11): 6433-6447. Chen Z Y, Wu Y W, Lin G T, et al. Spatial relationship between eco-environment quality and land use change in Guangdong Province-Hong Kong-Macao, China based on remote sensing-based ecological index[J]. Environmental Science, 2024, 45(11): 6433-6447. |
| [19] |
叶博文, 孙标, 史小红, 等. 巴彦淖尔市土地利用变化及其对生态环境质量的影响[J]. 环境科学, 2024, 45(12): 6899-6909. Ye B W, Sun B, Shi X H, et al. Land use changes and its impact on ecological environment quality in Bayannur City[J]. Environmental Science, 2024, 45(12): 6899-6909. |
| [20] |
刘佳楠, 姬广兴, 高红凯, 等. 基于PLUS模型的河南省"三生空间"多情景模拟及生态环境效应分析[J]. 环境科学, 2025, 46(2): 990-1001. Liu J N, Ji G X, Gao H K, et al. Multi-scenario simulation and eco-environmental effect analysis of production-living-ecological space in Henan Province based on PLUS model[J]. Environmental Science, 2025, 46(2): 990-1001. |
| [21] | Lv L, Guo W, Zhao X S, et al. Integrated assessment and prediction of ecological security in typical ecologically fragile areas[J]. Environmental Monitoring and Assessment, 2024, 196(3). DOI:10.1007/s10661-024-12453-0 |
| [22] | Jiang Y H, Yao Y P, Mustafa G, et al. The impact of land use and biological invasions on ecological service values of coastal wetland ecosystems: a case study in Jiangsu Province, China[J]. Water, 2023, 16(1). DOI:10.3390/W16010056 |
| [23] | Chen X, He L, Luo F, et al. Dynamic characteristics and impacts of ecosystem service values under land use change: a case study on the Zoigê plateau, China[J]. Ecological Informatics, 2023, 78. DOI:10.1016/J.ECOINF.2023.102350 |
| [24] |
吴哲. 基于InVEST模型的海南岛氮磷营养物负荷的风险评价[D]. 海口: 海南大学, 2014. Wu Z. Risk assessment of nitrogen and phosphorus loads in Hainan Island based on InVEST model[D]. Haikou: Hainan University, 2014. |
| [25] |
李威, 赵祖伦, 吕思思, 等. 基于InVEST模型的水质净化功能时空分异研究[J]. 灌溉排水学报, 2022, 41(3): 105-113. Li W, Zhao Z L, Lv S S, et al. Attenuation of pollutants in Beipanjiang River Basin calculated using the InVEST model[J]. Journal of Irrigation and Drainage, 2022, 41(3): 105-113. |
| [26] |
王梓洋, 石培基, 李雪红, 等. 河西走廊地区生境质量对土地利用变化的响应机制及提升路径[J]. 环境科学, 2024, 45(12): 6910-6921. Wang Z Y, Shi P J, Li X H, et al. Response mechanism and promotion path of habitat quality to land use change in Hexi Corridor area[J]. Environmental Science, 2024, 45(12): 6910-6921. |
| [27] |
徐文彬, 饶良懿. 土地利用和气候变化对农牧交错带生态系统服务的影响[J]. 环境科学, 2023, 44(9): 5114-5124. Xu W B, Rao L Y. Impacts of land use and climate change on ecosystem services in Agro-pastoral ecotone[J]. Environmental Science, 2023, 44(9): 5114-5124. |
| [28] |
杨雪荻, 陈兴鹏, 车磊, 等. 融入生态安全的兰西城市群土地利用功能布局优化[J]. 生态学报, 2023, 43(7): 2583-2593. Yang X D, Chen X P, Che L, et al. Optimization of land use function layout incorporating ecological security in the Lanxi urban agglomeration[J]. Journal of Ecology, 2023, 43(7): 2583-2593. |
| [29] |
胡鑫, 吴成亮. 京津冀地区湿地生态系统服务影响因素研究[J]. 中南林业科技大学学报(社会科学版), 2019, 13(5): 40-49. Hu X, Wu C L. Study on influencing factors of wetland ecosystem services in Beijing-Tianjin-Hebei region[J]. Journal of Central South University of Forestry & Technology (Social Sciences), 2019, 13(5): 40-49. |
| [30] |
秦张瑶. 京津冀土地利用变化对生态系统服务价值的影响研究[D]. 北京: 首都经济贸易大学, 2019. Qin Z Y. Impact of land-use changes on the ecosystem service value in Beijing, Tianjin and Hebei[D]. Beijing: Capital University of Economics and Business, 2019. |
| [31] |
李素晓. 京津冀生态系统服务演变规律与驱动因素研究[D]. 北京: 北京林业大学, 2019. Li S X. The dynamics of ecosystem services and their driving factors in the Jing-Jin-Ji region[D]. Beijing: Beijing Forestry University, 2019. |
| [32] |
崔写, 董燕, 张露尹, 等. 基于SSP-RCP情景的黄土高原土地变化模拟及草原碳储量[J]. 环境科学, 2024, 45(5): 2817-2827. Cui X, Dong Y, Zhang L Y, et al. Land change simulation and grassland carbon storage in the Loess Plateau based on SSP-RCP scenarios[J]. Environmental Science, 2024, 45(5): 2817-2827. |
| [33] |
岳艳琳. 气候变化下长江流域未来径流与旱涝变化特征研究[D]. 上海: 华东师范大学, 2022. Yue Y L. The changes of future runoff and drought and flood in the Yangtze River Basin under climate change[D]. Shanghai: East China Normal University, 2022. |
| [34] |
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. |
| [35] |
刘晓娟, 黎夏, 梁迅, 等. 基于FLUS-InVEST模型的中国未来土地利用变化及其对碳储量影响的模拟[J]. 热带地理, 2019, 39(3): 397-409. Liu X J, Li X, Liang X, et al. Simulating the change of terrestrial carbon storage in China based on the FLUS-InVEST model[J]. Tropical Geography, 2019, 39(3): 397-409. |
| [36] |
唐尧, 祝炜平, 张慧, 等. InVEST模型原理及其应用研究进展[J]. 生态科学, 2015, 34(3): 204-208. Tang Y, Zhu W P, Zhang H, et al. A review on principle and application of the InVEST model[J]. Ecological Science, 2015, 34(3): 204-208. |
| [37] |
黄从红, 杨军, 张文娟. 生态系统服务功能评估模型研究进展[J]. 生态学杂志, 2013, 32(12): 3360-3367. Huang C H, Yang J, Zhang W J. Development of ecosystem services evaluation models: research progress[J]. Chinese Journal of Ecology, 2013, 32(12): 3360-3367. |
| [38] |
刘灿均, 门宝辉, 申耀铎, 等. 滦河流域土壤保持和水质净化服务及其权衡与协同关系[J]. 生态学报, 2023, 43(14): 5740-5752. Liu C J, Men B H, Shen Y D, et al. Soil conservation and water purification services and their trade-offs and synergies in Luanhe River Basin[J]. Acta Ecologica Sinica, 2023, 43(14): 5740-5752. |
| [39] |
张巧玲, 胡海棠, 王道芸, 等. 海河流域农田氮磷面源污染的空间分布特征及关键源区识别[J]. 灌溉排水学报, 2021, 40(4): 97-106. Zhang Q L, Hu H T, Wang D Y, et al. Spatial distribution of nitrogen and phosphorus in Haihe basin and their determinants[J]. Journal of Irrigation and Drainage, 2021, 40(4): 97-106. |
| [40] |
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. |
| [41] |
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. |
| [42] |
蒋小芳, 段翰晨, 廖杰, 等. 基于PLUS-SD耦合模型的黑河流域中游甘临高地区土地利用研究[J]. 干旱区研究, 2022, 39(4): 1246-1258. Jiang X F, Duan H C, Liao J, et al. Land use in the Gan-Lin-Gao region of middle reaches of Heihe River Basin based on a PLUS-SD coupling model[J]. Arid Zone Research, 2022, 39(4): 1246-1258. |
| [43] |
汤琦, 余珮珩, 陈泽怡, 等. 共享社会经济路径下土地利用变化模拟[J]. 水土保持研究, 2022, 29(1): 301-310. Tang Q, Yu P H, Chen Z Y, et al. Simulation of land use change based on the shared socioeconomic pathways[J]. Research of Soil and Water Conservation, 2022, 29(1): 301-310. |
| [44] |
耿思筱, 杨志, 党小虎, 等. 基于SD-FLUS模型的宁夏土地利用多情景模拟[J]. 地球科学与环境学报, 2023, 45(4): 806-818. Geng S X, Yang Z, Dang X H, et al. Multi-scenarios simulation of Ningxia land use in China based on SD-FLUS model[J]. Journal of Earth Sciences and Environment, 2023, 45(4): 806-818. |
| [45] |
朱梅, 吴敬学, 张希三. 海河流域种植业非点源污染负荷量估算[J]. 农业环境科学学报, 2010, 29(10): 1907-1915. Zhu M, Wu J X, Zhang X S. Estimation on non-point source pollution loads of crop farming in Hai Basin[J]. Journal of Agro-Environment Science, 2010, 29(10): 1907-1915. |
| [46] |
王道芸. 基于InVEST模型的海河流域农业面源污染负荷估算[D]. 南昌: 东华理工大学, 2019. Wang D Y. Estimation of agricultural non-point source pollution load in Haihe River Basin based on InVEST model[D]. Nanchang: East China University of Technology, 2019. |
| [47] | 郭洪伟. 基于InVEST模型的南四湖流域生态系统服务空间格局研究[D]. 济宁: 曲阜师范大学, 2017. |