2025, Vol. 46
2. 自然资源部长三角国土生态与土地利用野外科学观测研究站, 南京 211017
2. Observation Research Station of Land Ecology and Land Use in the Yangtze River Delta, Ministry of Natural Resources, Nanjing 211017, China
全球变暖已经威胁到人类生活环境和健康状况, 成为21世纪面临的严峻挑战[1]. 为了应对全球变暖的影响, 我国大力提倡节能减排, 承诺在2030年单位GDP碳排放比2005年减少60%~65%, 力争2030年前实现碳达峰, 努力争取2060年前实现碳中和[2]. 在工业减排和产业结构优化改革的基础上, 增加生态系统碳储量也是关键. 据统计, 全球陆地生态系统碳贮量约为2 100×109 t, 是大气碳库的两倍, 是全球碳储存的重要组成部分, 有效减缓了气候变化[3, 4]. 陆地生态系统的碳汇功能体现在碳库储量和积累速率, 碳库包括植被活体、残体和土壤部分, 积累过程包括光合作用和土壤碳吸收[5~7]. 政府间气候变化专门委员会(International Panel on Climate Change, IPCC)报告表明, 土地利用是陆地系统最直观的代表, 其变化是碳储量的重要影响因素之一, 不同用地类别的固碳能力具有显著差异[8, 9].
国内外学者对土地利用/覆被变化与碳储量问题已经开展了大量研究. 模拟土地利用变化的方法主要有马尔科夫链[10]、系统动力学模型[11]、元胞自动模型[12]和多元统计模型[13]等. 其中FLUS模型在区域研究尺度可以达到更高模拟精度和更接近真实景观的格局度量[14, 15]. 王旭等利用FLUS模型基于2010年、2015年土地利用数据及包含自然和人文因素的15种驱动因子, 对2035年湖北省生态空间进行模拟预测[16]. 传统的碳储量计算方法是借助地球物理和化学变化过程进行量化评估的实地考察法, 主要应用于小尺度研究范围, 在区域尺度主要应用土地利用结构碳密度的综合模型算法来估算碳储量[17]. 学者们应用InVEST模型从保护政策、城市扩张等视角, 从不同尺度探索了土地利用演变对碳储量的影响[18], 如侯建坤等使用InVEST模型评估了黄河源区2000~2040年不同情景下土地利用变化对碳储量的影响[19]. 以上研究表明, 土地利用/覆被变化是引起碳平衡变化的重要因素, 土地资源的变化情况和未来情景的碳储潜力模拟是当下研究的热点问题.
江苏省是中国人口密度和经济发展水平较高的地区之一, 用地情况十分复杂. 探究江苏省不同时期土地利用/覆被变化及其对碳储量的影响, 并基于土地利用现状预测未来不同情景下土地利用分布格局及碳储量的变化趋势, 对于优化研究区土地利用格局, 提高生态系统碳固定能力具有重要意义. 因此, 本文以江苏省为研究对象, 耦合FLUS-InVEST模型分析土地利用/覆被和碳储量变化情况, 并以国家“双碳”目标时间节点为依据, 模拟2030年土地利用/覆被在自然发展情景、经济优先情景和对其产生的碳储量时空特征进行评估和预测, 以期为江苏省土地资源优化利用及碳储功能的科学发展提供依据和现实参考.
1 材料与方法 1.1 研究区域概况江苏省位于中国东部沿海中纬度地带, 位于116°22′~121°55′E, 30°46′~35°07′N之间, 属东亚季风气候. 江苏省下辖13个地级市, 辖区面积为10.72万km2, 区域内水网密布, 地形以平原为主. 江苏省是我国经济最发达的省份之一, 化石能源消费占比较高, 生态环境受人类活动影响较大, 近年来用地格局发生剧烈的变化, 碳排放量逐步上升, 居全国前列[20, 21].
1.2 数据来源本研究使用1995年、2000年、2005年、2010年、2015年和2020年江苏省1∶10万土地利用数据集, 来源于国家科技基础条件平台——国家地球系统科学数据共享服务平台-长江三角洲科学数据中心(http://geodata.nnu.edu.cn), 空间分辨率为30 m×30 m. 该数据集综合评价精度达到95%, 符合1∶10万比例尺制图精度标准, 数据为ESRI Shape格式, 空间投影为Krasovsky_1940_Albers. 数据集包括6个一级类型及25个二级类型, 根据研究需求, 按照一级类型划分江苏省土地利用类别为耕地、林地、草地、水域、建设用地和未利用地.
土地利用变化与自然环境、社会经济发展和区位息息相关, 本文用于模拟未来土地利用演化的驱动因素包括地形因素(高程、坡度、坡向)、气候变化(年均降水、年均气温)、社会经济(人口密度、GDP)和区位分布(行政区划)[21]. 其中DEM(digital elevation model)数据来源于ASTER GDEM数据产品(http://gdem.ersdac.jspacesystems.or.jp/), 坡度和坡向数据是由ArcGIS软件解析DEM数据得出的, 空间分辨率为30 m×30 m. 年均降水量和年均气温数据是按照行政区划统计；人口密度和GDP数据的空间分辨率为1 km×1 km, 均获取自国家地球系统科学数据共享服务平台.
1.3 研究方法 1.3.1 InVEST模型InVEST模型(integrated valuation of ecosystem services and trade-offs, 生态系统服务功能权衡综合评估模型)的碳储存模块可以根据土地利用类型和碳密度值估算生态系统碳储量[22, 23]. 将生态系统的碳储量划分为4个基本碳库, 即地上生物碳(C地上)、地下生物碳(C地下)、土壤有机碳(C土壤)和死亡有机碳(C死亡)[23]. 碳储量计算公式为：
|
(1) |
式中, C总表示生态系统固碳服务总量；Ci-地上、Ci-地下、Ci-土壤和Ci-死亡分别表示第i种土地利用类型的地上碳密度、地下碳密度、土壤碳密度和死亡有机物碳密度；Ai表示第i种土地利用类型的面积. 相同气候条件下, 相同土地利用类型的碳密度相似, 本研究使用的碳密度数据来源于中国陆地生态系统碳密度数据集, 并依据江苏省自然环境进行碳密度修正[24, 25].
1.3.2 碳密度修正碳密度值与气候、土壤和土地利用密切相关. 有研究表明, 地处同一气候带的区域碳密度较为接近, 可通过年均气温和降水因子进行修正[21, 26]. 本研究碳密度数据来源于中国科学院生态科学数据中心, 选取与江苏省经纬度相近区域碳密度数据取平均值, 并进行修正[27]. 碳密度参数的降水和气温因子修正系数公式如下：
|
(2) |
|
(3) |
|
(4) |
|
(5) |
式中, KBP和KBT分别表示植被碳密度降水因子和气温因子修正系数；KB表示地上、地下植被碳密度修正系数；KS表示土壤碳密度修正系数；死亡有机物碳密度参数不作修正. C'和C″分别表示江苏省和全国尺度陆地生态系统碳密度. 碳密度修正公式为：
|
(6) |
|
(7) |
|
(8) |
式中, MAP表示年均降水量(mm)；MAT为年均气温(℃)；CBP和CBT分别表示根据降水量和气温修正后求得的碳密度(Mg·hm-2)；CSP表示根据降水量求得的土壤碳密度(Mg·hm-2). 分别将江苏省和中国的年均温和年降水量代入上述公式(1995~2020年江苏省和全国尺度的年均气温、年均降水量分别为16.2℃和9.83℃、1 283.4 mm和643.5 mm), 两者之比即为修正系数. 修正后的江苏省碳密度数据见表 1.
|
表 1 江苏不同用地类型碳密度修正值/kg·m-2 Table 1 Modified carbon density of different land use types in Jiangsu/kg·m-2 |
1.3.3 FLUS模型和土地利用转移矩阵
FLUS(future land use simulation)模型是基于传统元胞自动机原理的一种改进模型, 使用基于ANN发生概率估计算法获得每种土地利用类型的发展概率, 并将其与自适应惯性和竞争机制元胞自动机拟合, 能够有效模拟未来不同情景下的用地格局[28~30]. 综合考虑江苏省历史土地利用演变情况、《江苏省“十四五”自然资源保护和利用规划》和《江苏省生态保护红线》, 设计了自然发展情景、经济优先情景和生态保护情景来模拟江苏省2030年土地利用格局. 各情景的规则设定如下.
(1) 自然发展情景(S1) 延续2020年以前江苏省土地利用的发展趋势, 遵循自然发展规律预测2030年江苏省土地利用类型的总需求面积.
(2) 生态保护情景(S2) 限制城市化使土地利用朝生态保护的方向发展. 江苏省《“十四五”林业草原保护发展规划纲要》提出2025年全省林木覆盖率要达到24.1%、2030年森林覆盖率要达到26%的目标[31]. 因此, 基于2030年S1情景下各类土地需求总量, 综合考虑生态、农业、城镇等用地结构, 设定各类用地的转换概率, 其中, 耕地、林地、草地变为建设用地的概率下降20%, 耕地变为林地和草地的概率提高60%, 禁止水域变为建设用地, 区域内生态红线范围为限制扩张区域.
(3) 经济发展情景(S3) 江苏省的城市化发展水平一直处于全国前列, 预计各类用地变为建设用地的可能性均有所提升. 基于2030年S1情景下各土地类型的总需求面积, 林地、草地和水体转化为建设用地的比例分别增加了15%、10%和10%, 建设用地转换为其他类型的可能性下降60%, 其他类型的用地之间可以自由转移.
土地利用转移矩阵是应用马尔科夫链来研究不同时期土地利用演变特征, 生成的转移概率矩阵可以预测未来发展趋势[32, 33]. 土地利用转移矩阵公式如下：
|
(9) |
式中, n表示土地利用类型；Sij表示研究期初的第i种用地类型转换为研究期末的第j种用地类型的面积. 当i=j时, 则表示该用地类型未发生转换.
土地利用类型转换成本矩阵作为实现不同情景的条件之一, 可以定量描述两种土地利用类型之间是否能够发生转换. 国土空间规划通过调整土地利用类型和空间分布来确定未来的用地状态, 针对不同情景的发展特点, 土地利用转移成本矩阵如表 2所示.
|
|
表 2 各情景下土地利用转移成本矩阵1) Table 2 Land use transfer cost matrix under different scenarios |
1.3.4 交叉敏感性系数模型
交叉敏感性系数模型(coefficient of improved cross‐sensitivity, CICS)用于分析不同土地利用类型转换时引发的陆地生态碳储量变化敏感性[34, 35]. 通常, 土地利用类型的转换过程是双向的, 因此不同土地利用类型之间的净转型才导致生态服务价值的实际变化. 当CICS > 0, 表示碳储量增减变化与不同地类净变化同向；反之, 当CICS < 0, 表示碳储量增减变化与不同地类净变化反向；|CICS|越大, 说明碳储量对某两种地类净变化越敏感.
|
(10) |
式中, CICSki表示基期年和目标年下k地类和i地类净变化对碳储量的敏感性系数, Ck和Ci分别表示k和i地类总碳密度, ΔSki表示k地类和i地类净变化面积, ΔC表示基期年和目标年碳储量变化.
2 结果与分析 2.1 江苏省土地利用/覆被时空演变1995~2020年江苏省土地利用/覆被分布及变化情况如图 1所示, 用地类型以耕地为主, 占比为61.28%~69.99%, 其次是建设用地, 占比为13.32%~20.95%, 水域占比为12.16%~13.92%, 林地和草地的面积较少, 占比仅为0.71%~3.41%(表 3). 从空间分布来看, 耕地范围较广, 在江苏省中部和东部地区形成集聚；建设用地在北部和长江以南地区呈现明显的集聚特征, 且苏南地区的扩张趋势较为显著. 从时间进程看, 1995~2020年间耕地的减少幅度最大, 达12.44%；建设用地扩张最为显著, 面积增加了7 778 km2, 增幅达57.34%, 主要集中在长江以南城市和北部的徐州、扬州等中心节点城市, 是江苏经济高速增长和城市化发展的结果.
|
图 1 1995~2020年江苏省土地利用分布变化 Fig. 1 Land use and cover change of Jiangsu from 1995 to 2020 |
|
|
表 3 1995~2020年江苏省用地面积及碳储量变化情况 Table 3 Change in land use and cover change and carbon storage from 1995 to 2020 |
2.2 江苏省碳储量时空演变分析
江苏省1995~2020年总碳储量变化如图 2所示, 呈现持续减少的态势, 期间总碳储量从1 441.49 Tg减少到1 404.80 Tg, 累计损失36.69 Tg, 该地区的陆地生态系统碳汇功能呈现逐年下降的趋势. 从碳密度空间分布来看具有显著的空间异质性, 总体上呈现“东北高, 西南低”的分布特征(图 3). 高值区域主要分布在长江以南的东部沿海城市, 耕地资源丰富, 水源涵养占据优势, 因此碳储量较高, 碳汇能力较强；低值区主要分布在长江以南城市和北部的徐州等区域, 这些地区城镇化程度较高, 以建设用地和耕地为主, 受人类活动影响大, 经济发展工业化程度较高, 因此碳储量相对较低.
|
图 2 1995~2020年江苏省总碳储量变化 Fig. 2 Change in carbon storage of Jiangsu from 1995 to 2020 |
|
图 3 1995~2020年江苏省碳密度分布 Fig. 3 Distribution of carbon storage of Jiangsu from 1995 to 2020 |
进一步对江苏省1995年和2020年的碳储量进行叠加分析, 划分为减少、稳定和增加这3类, 得出1995~2020年碳储量变化(图 4). 结果表明, 江苏省大部分区域碳储量相对稳定, 但是总碳储量减少的趋势非常明显, 碳储量减少区域的面积远高于增加区域的面积. 总体来看, 苏中区域生态环境较为稳定, 整体呈现稳定的状态, 苏南和苏北区域由于经济高速发展和对工业的依赖程度较高, 土地开发程度高, 导致碳储量大范围地下降. 耕地转变为建设用地是导致江苏省碳储量大幅度减少的主要原因. 同时, 受到退耕还林还草政策的影响, 部分区域实施了有效生态保护政策, 一定程度上增加了碳储量.
|
图 4 1995~2020年江苏省碳储量变化情况 Fig. 4 Change in carbon storage of Jiangsu from 1995 to 2020 |
以2000年和2010年江苏省土地利用/覆被数据为基准, 基于FLUS模型和选取的驱动因子预测2020年土地利用分布格局, 将预测结果与2020年实际土地利用情况进行比较, 得到Kappa系数为86.7%, 整体精度为93.2%, 说明FLUS模型在研究区域尺度上有较好的模拟能力, 可用于江苏省土地利用的预测分析.
科学合理的国土空间规划是实现“双碳”目标的重要干预手段, 近年来由新版国土空间规划引导的用地类别转变引起了区域碳汇能力的剧烈波动, 因此从不同发展情景对未来土地利用格局进行预测具有重要意义[36, 37]. 根据3种发展情景对2030年江苏省土地利用格局进行预测(图 5), 耕地仍是江苏省最主要的用地类别, 从转型过程来看, 不同情景存在明显差异, 自然发展情景下大量耕地转变为建设用地, 生态保护情景下耕地转变为建设用地的同时部分转变为林地、草地和水域, 经济发展情景下耕地转变为建设用地最显著.
|
图 5 2030年3种情景下江苏省土地利用分布 Fig. 5 Land use and cover change from three development scenarios of Jiangsu in 2030 |
由表4~6可知, 耕地在自然发展情景、生态保护情景和经济发展情景下均呈现缩减的态势, 分别减少了2 336、2 336和3 342 km2. 林地、草地和水域在自然发展情景下的变化情况分别为减少了175 km2、117 km2和增加了603 km2, 在生态保护情景下三者均得到了有效的生态政策保护, 其变化情况分别为增加了312、450和542 km2, 而在经济发展情景下变化情况分别为减少了174 km2、83 km2和增加了104 km2. 建设用地在3种发展情景下均以不同的程度呈现增长态势, 分别增加了2 025、1 032和3 495 km2. 从空间格局来看, 自然发展情景较为破碎, 呈现主城区向远郊蔓延的态势, 经济发展情景下建设用地明显扩张, 进一步形成集聚；而在生态保护情景下, 国土空间规划政策的实施促使耕地布局集中连片, 林地和建设用地等实现了发展目标且空间得到优化.
|
|
表 4 2020~2030年自然发展情景下土地利用转移矩阵/km2 Table 4 Land use and cover change transfer matrix under the scenario of natural development from 2020 to 2030/km2 |
|
|
表 5 2020~2030年生态保护情景下土地利用转移矩阵/km2 Table 5 Land use and cover change transfer matrix under the scenario of ecological protection from 2020 to 2030/km2 |
|
|
表 6 经济发展情景下2020~2030土地利用转移矩阵/km2 Table 6 Land use and cover change transfer matrix under the scenario of economic development from 2020 to 2030/km2 |
2.4 2030年多情景下江苏省碳储量变化
使用InVEST模型模拟江苏省2030年不同情景下的碳密度空间分布(图 6)和碳储量(表 7)情况. 自然发展情景、生态保护情景和经济发展情景的总碳储量分别为1 393.17、1 423.37和1 389.61 Tg, 总碳储量大小情况为：生态保护情景 > 自然发展情景 > 经济发展情景. 相比2020年, 自然发展情景和经济发展情景的总碳储量分别减少了11.63 Tg和15.19 Tg, 降幅0.83%和1.08%, 生态保护情景下的总碳储量增加了18.57 Tg, 增幅1.32%. 从碳密度空间分布特征来看, 总体上与1995~2020年相似, 在经济发展情景和自然发展情景下, 空间上呈现以城市节点为中心向四周扩散的大幅度减少[图 6(a)和图 6(c)]. 生态保护情景下设置了生态类型用地转换限制, 但由城镇化发展导致大量建设用地扩张, 仍然呈现以城市为中心向四周扩散的碳密度减小趋势[图 6(b)], 由于复垦、复绿等保护政策落实, 一些地区的碳密度有所增加, 使得该情景下总碳储量得到恢复. 以建设用地扩张为主的城市发展模式加剧了生态环境恶化, 因此为了实现“双碳”目标, 促进全省经济社会的可持续发展, 亟需采取有效的生态保护措施.
|
图 6 2030年不同情景下江苏省碳密度分布 Fig. 6 Carbon density distribution under different scenarios in 2030 |
|
|
表 7 2030年3种情景下各地类碳储量/Tg Table 7 Carbon storage under three scenarios in 2030/Tg |
2.5 多情景碳储量对土地利用敏感性
分析结果表明, 3种情景下碳储量对土地利用变化敏感性存在明显差异(表 8~10). 自然发展情景下碳储量呈现减少态势, 其中林地转化为耕地、耕地转化为建设用地是重要因素, 碳储量变化对林地减少以及建设用地增加较为敏感. 生态保护情景下, 碳储量总量有一定程度增长, 由于国土空间规划政策限制了建设用地扩张, 碳储量变化对非建设用地增加更加敏感. 如碳储量增加对耕地向林地转换敏感性为56%, 是生态保护情景下敏感性最高的变化过程, 增加的碳储量主要来源于由耕地转化而来的林地. 经济发展情景下政策制定偏重城镇化发展, 碳储量下降相对于自然发展情景更加显著, 非建设用地向建设用地转换为碳储量减少提供了支撑. 碳储量变化对建设用地增加在3种情景中最敏感, 耕地转化为建设用地是碳储量减少的首要影响因素.
|
|
表 8 自然发展情景下碳储量对土地利用变化敏感性/% Table 8 Sensitivity of carbon storage and land use transition under natural development scenario/% |
|
|
表 9 生态保护情景下碳储量对土地利用变化敏感性/% Table 9 Sensitivity of carbon storage and land use transition under ecological protection development scenario/% |
|
|
表 10 经济发展情景下碳储量对土地利用变化敏感性/% Table 10 Sensitivity of carbon storage and land use transition under economic development scenario/% |
3 讨论
用地格局的变化一方面受到人类活动的影响, 同时又反作用于人类社会的发展, 国土空间规划政策的落实, 在平衡和优化空间格局方面发挥了积极的作用. 本文分析了江苏省1995~2020年间土地利用/覆被和陆地生态系统碳储量的动态演化, 结果表明各地区受到经济、社会、人文、环境和政策的不同影响, 使得各个时期的变化过程具有显著差异. 1995~2010年间, 随着城市化进程的加速, 江苏省经济社会得到迅速发展, 城市建设用地高速扩张. 2010年之后, 随着生态文明建设的进程, 建设用地高速扩张的同时, 城市林草地等陆续增加, 生态环境呈现一定程度上的改善.
区域固碳能力与土地利用/覆被变化情况高度相关, 本研究显示江苏省总碳储量呈现“东北高、西南低”的空间分布特征, 与全省经济社会发展总体上趋于一致, 这与诸多学者提出经济社会的发展引发了碳储量减少的观点是一致的[38~40]. 国土空间规划政策的有效实施在均衡城乡发展和生态保护方面能够发挥积极作用, 促进用地空间格局优化升级, 在保障粮食安全、支撑经济社会发展、维持生态环境稳定等方面可以实现共赢局面. 至2030年, 自然发展情景下碳储量减少11.63 Tg, 经济发展情景下碳储量减少15.19 Tg, 而生态保护情景下碳储量增加18.57 Tg, 3种情景下存在明显差异. 主要原因是顾及生态保护要求的国土空间规划政策综合考虑了城镇化进程中社会经济发展、基本农田保护和生态绿地保护等各类空间诉求, 通过用地结构变化约束和调整, 实现了在保障经济发展的前提下, 通过空间优化提升区域碳储量[41]. 碳储量对各类用地变化的敏感性差异显著, 在进行规划编制时, 保障耕地和建设用地等关键地类指标的同时, 应加强森林、绿地的保护和管理, 保障其主导地位有助于减缓碳储能力的流失. 本研究耦合了InVEST和FLUS模型对碳储量进行分析和预测, 取得了一定的成果, 但是FLUS模型没有考虑生态保护红线划定、自然保护地划定等社会经济因素, 以及国家相关政策的持续出台对土地利用变化产生的潜在影响. 国土空间规划政策具有较强的区域差异性, 不同地区的管控指标和准入条件等均存在明显差异, 因此建模时应充分考虑政策的空间异质性, 按照不同参数条件分区进行模拟以提升模拟结果准确度. 另外, 本研究使用的碳密度数据是基于江苏省所在经纬度范围已确定的碳密度数据, 通过气温和降水进行本地化修正, InVEST模型没有考虑相同土地利用/覆被类型中碳密度的空间异质性, 使得碳储量模拟分析的空间格局存在误差. 因此, 在后续研究中需强化碳密度数据获取的精准性, 并对碳密度数据获取的时效性加以验证.
4 结论(1) 由于城市化水平提升, 1995~2020年间地类转化整体以碳密度较高地类向较低地类转换为主. 江苏省土地利用/覆被变化对碳储量影响整体呈现出递减的发展态势.
(2) 由于土地利用/覆被的类型转换, 江苏省总碳储量减少了36.69 Tg, 耕地向建设用地的转变是导致固碳能力减弱的主要原因. 碳密度的空间分布呈现明显的区域集聚特征, 高值区域集中在长江南部的城市中心, 低值区域集中在中部和东北部以村镇为主的区域.
(3) 2030年多种发展情景对比分析可知, 生态保护情景下的碳储量比自然发展情景增加30.2 Tg, 严格保护耕地、林地对维护生态环境和推进绿色可持续发展具有重要的作用, 是未来发展的优选路径. 江苏省未来碳储量变化主要受城市发展进程建设用地扩张侵占林地、耕地等其他高碳密度用地影响, 应加强产业结构升级, 以国土空间规划为手段, 适度控制建设用地扩张, 提高土地节约集约利用效率, 助力“双碳”目标实现, 推动生态文明建设高质量发展.
| [1] | Sáez-Sandino T, Maestre F T, Berdugo M, et al. Increasing numbers of global change stressors reduce soil carbon worldwide[J]. Nature Climate Change, 2024, 14(7): 740-745. DOI:10.1038/s41558-024-02019-w |
| [2] | 习近平: 实现"双碳"目标是一场广泛而深刻的变革[J]. 经济导刊, 2022, (1): 2. |
| [3] | Bongaarts J. Intergovernmental panel on climate change special report on global warming of 1.5℃, Switzerland: IPCC, 2018[J]. Population and Development Review, 2019, 45(1): 251-252. DOI:10.1111/padr.12234 |
| [4] |
朴世龙, 何悦, 王旭辉, 等. 中国陆地生态系统碳汇估算: 方法、进展、展望[J]. 中国科学: 地球科学, 2022, 65(6): 1010-1020. Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. |
| [5] |
李建豹, 陈红梅, 张彩莉, 等. 长三角地区碳源碳汇时空演化特征及碳平衡分区[J]. 环境科学, 2024, 45(7): 4090-4100. Li J B, Chen H M, Zhang C L, et al. Spatiotemporal evolution characteristics of carbon sources and carbon sinks and carbon balance zoning in the Yangtze River Delta region[J]. Environmental Science, 2024, 45(7): 4090-4100. |
| [6] |
王锴, 朴世龙, 何悦, 等. 中国陆地生态系统碳汇稳定性的空间分布特征及驱动机制[J]. 中国科学: 地球科学, 2023, 66(2): 216-226. Wang K, Piao S L, He Y, et al. Spatial variations and mechanisms for the stability of terrestrial carbon sink in China[J]. Science China Earth Sciences, 2023, 66(2): 227-236. |
| [7] |
解玲玲, 王邵军, 肖博, 等. 土壤碳库积累与分配对热带森林恢复的响应[J]. 生态学报, 2023, 43(23): 9877-9890. Xie L L, Wang S J, Xiao B, et al. Responses of soil carbon component accumulation and allocation to tropical forest restoration[J]. Acta Ecologica Sinica, 2023, 43(23): 9877-9890. |
| [8] |
赵荣钦, 张帅, 黄贤金, 等. 中原经济区县域碳收支空间分异及碳平衡分区[J]. 地理学报, 2014, 69(10): 1425-1437. Zhao R Q, Zhang S, Huang X J, et al. Spatial variation of carbon budget and carbon balance zoning of Central Plains Economic Region at county-level[J]. Acta Geographica Sinica, 2014, 69(10): 1425-1437. |
| [9] |
刘坤, 张慧, 孔令辉, 等. 陆地生态系统碳汇评估方法研究进展[J]. 生态学报, 2023, 43(10): 4294-4307. Liu K, Zhang H, Kong L H, et al. An overview of terrestrial ecosystem carbon sink assessment methods towards achieving carbon neutrality in China[J]. Acta Ecologica Sinica, 2023, 43(10): 4294-4307. |
| [10] | Mansour S, Ghoneim E, El-Kersh A, et al. Spatiotemporal monitoring of urban sprawl in a coastal city using GIS-based markov chain and artificial neural network (ANN)[J]. Remote Sensing, 2023, 15(3). DOI:10.3390/rs15030601 |
| [11] | Zhang P, Liu L, Yang L W, et al. Exploring the response of ecosystem service value to land use changes under multiple scenarios coupling a mixed-cell cellular automata model and system dynamics model in Xi'an, China[J]. Ecological Indicators, 2023, 147. DOI:10.1016/j.ecolind.2023.110009 |
| [12] | Xu Q L, Zhu A X, Liu J. Land-use change modeling with cellular automata using land natural evolution unit[J]. CATENA, 2023, 224. DOI:10.1016/j.catena.2023.106998 |
| [13] | Kahsay A, Haile M, Gebresamuel G, et al. Assessing land use type impacts on soil quality: application of multivariate statistical and expert opinion-followed indicator screening approaches[J]. CATENA, 2023, 231. DOI:10.1016/j.catena.2023.107351 |
| [14] | Liao W L, Liu X P, Xu X Y, et al. Projections of land use changes under the plant functional type classification in different SSP-RCP scenarios in China[J]. Science Bulletin, 2020, 65(22): 1935-1947. |
| [15] |
吴欣昕, 刘小平, 梁迅, 等. FLUS-UGB多情景模拟的珠江三角洲城市增长边界划定[J]. 地球信息科学学报, 2018, 20(4): 532-542. Wu X X, Liu X P, Liang X, et al. Multi-scenarios simulation of urban growth boundaries in Pearl River Delta based on FLUS-UGB[J]. Journal of Geo-information Science, 2018, 20(4): 532-542. |
| [16] |
王旭, 马伯文, 李丹, 等. 基于FLUS模型的湖北省生态空间多情景模拟预测[J]. 自然资源学报, 2020, 35(1): 230-242. Wang X, Ma B W, Li D, et al. Multi-scenario simulation and prediction of ecological space in Hubei province based on FLUS model[J]. Journal of Natural Resources, 2020, 35(1): 230-242. |
| [17] |
朱文博, 张静静, 崔耀平, 等. 基于土地利用变化情景的生态系统碳储量评估——以太行山淇河流域为例[J]. 地理学报, 2019, 74(3): 446-459. Zhu W B, Zhang J J, Cui Y P, et al. Assessment of territorial ecosystem carbon storage based on land use change scenario: a case study in Qihe river basin[J]. Acta Geographica Sinica, 2019, 74(3): 446-459. |
| [18] |
陈宁, 辛存林, 唐道斌, 等. 中国西北地区多情景土地利用优化与碳储量评估[J]. 环境科学, 2023, 44(8): 4655-4665. Chen N, Xin C L, Tang D B, et al. Multi-scenario land use optimization and carbon storage assessment in Northwest China[J]. Environmental Science, 2023, 44(8): 4655-4665. |
| [19] |
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. |
| [20] |
何莎莎, 方斌, 李欣, 等. 城市土地利用效率与高质量发展时空演变及交互响应——以江苏省为例[J]. 地理与地理信息科学, 2022, 38(5): 79-87. He S S, Fang B, Li X, et al. Spatiotemporal pattern evolution and interactive response of urban land use efficiency and high-quality development level: a case study of Jiangsu province[J]. Geography and Geo-Information Science, 2022, 38(5): 79-87. |
| [21] |
戚丽萍, 栾兆擎, 魏勉, 等. 基于土地利用的江苏省各市生态系统服务价值时空变化研究[J]. 南京林业大学学报(自然科学版), 2023, 47(4): 200-208. Qi L P, Luan Z Q, Wei M, et al. Spatial and temporal variations of ecosystem service values in Jiangsu province based on land-use change[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(4): 200-208. |
| [22] |
张学儒, 周杰, 李梦梅. 基于土地利用格局重建的区域生境质量时空变化分析[J]. 地理学报, 2020, 75(1): 160-178. Zhang X R, Zhou J, Li M M. Analysis on spatial and temporal changes of regional habitat quality based on the spatial pattern reconstruction of land use[J]. Acta Geographica Sinica, 2020, 75(1): 160-178. |
| [23] |
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. |
| [24] |
徐丽, 何念鹏, 于贵瑞. 2010s中国陆地生态系统碳密度数据集[J]. 中国科学数据(中英文网络版), 2019, 4(1). Xu L, He N P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s)[J]. China Scientific Data, 2019, 4(1). DOI:10.11922/sciencedb.603 |
| [25] |
徐丽, 于贵瑞, 何念鹏. 1980s-2010s中国陆地生态系统土壤碳储量的变化[J]. 地理学报, 2018, 73(11): 2150-2167. Xu L, Yu G R, He N P. Changes of soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s[J]. Acta Geographica Sinica, 2018, 73(11): 2150-2167. |
| [26] |
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. |
| [27] | 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 |
| [28] |
张凯琪, 陈建军, 侯建坤, 等. 耦合InVEST与GeoSOS-FLUS模型的桂林市碳储量可持续发展研究[J]. 中国环境科学, 2022, 42(6): 2799-2809. Zhang K Q, Chen J J, Hou J K, et al. Study on sustainable development of carbon storage in Guilin coupled with InVEST and GeoSOS-FLUS model[J]. China Environmental Science, 2022, 42(6): 2799-2809. |
| [29] |
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. |
| [30] | Li J Y, Gong J, Guldmann J M, et al. Carbon dynamics in the northeastern Qinghai-Tibetan Plateau from 1990 to 2030 using landsat land use/cover change data[J]. Remote Sensing, 2020, 12(3). DOI:10.3390/rs12030528 |
| [31] | 江苏省林业局. 江苏省"十四五"林业发展规划[EB/OL]. https://lyj.jiangsu.gov.cn/art/2021/11/9/art_86520_10572543.html, 2024-05-02. |
| [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] | Zhao M M, He Z B, Du J, et al. Assessing the effects of ecological engineering on carbon storage by linking the CA-Markov and InVEST models[J]. Ecological Indicators, 2019, 98: 29-38. |
| [34] |
陈相标, 丁文荣, 李孝川. 滇中城市群土地利用转型及生态系统服务价值交叉敏感性分析[J]. 水土保持研究, 2022, 29(6): 233-241. Chen X B, Ding W R, Li X C. Analysis of cross-sensitivity of land use transition and ecosystem service value of urban agglomeration in central Yunnan[J]. Research of Soil and Water Conservation, 2022, 29(6): 233-241. |
| [35] |
唐天君, 周华, 韩敏. 国土空间规划政策下快速城镇化地区土地利用变化及碳储量研究——以贵阳市为例[J]. 现代城市研究, 2023(6): 8-16. Tang T J, Zhou H, Han M. Evolution simulation of carbon sinks in rapid urbanization areas under territorial spatial planning policy: a study on Guiyang[J]. Modern Urban Research, 2023(6): 8-16. |
| [36] |
向书江, 张骞, 王丹, 等. 近20年重庆市主城区碳储量对土地利用/覆被变化的响应及脆弱性分析[J]. 自然资源学报, 2022, 37(5): 1198-1213. Xiang S J, Zhang Q, Wang D, et al. Response and vulnerability analysis of carbon storage to LUCC in the main urban area of Chongqing during 2000-2020[J]. Journal of Natural Resources, 2022, 37(5): 1198-1213. |
| [37] | Piyathilake I D U H, Udayakumara E P N, Ranaweera L V, et al. Modeling predictive assessment of carbon storage using InVEST model in Uva Province, Sri Lanka[J]. Modeling Earth Systems and Environment, 2022, 8(2): 2213-2223. |
| [38] |
揣小伟, 黄贤金, 郑泽庆, 等. 江苏省土地利用变化对陆地生态系统碳储量的影响[J]. 资源科学, 2011, 33(10): 932-1939. Chuai X W, Huang X J, Zheng Z Q, et al. Land use change and its influence on carbon storage of terrestrial ecosystems in Jiangsu province[J]. Resources Science, 2011, 33(10): 1932-1939. |
| [39] |
雷金睿, 陈毅青, 陈宗铸, 等. 基于InVEST模型的海南岛三大流域生境质量时空演变[J]. 应用生态学报, 2022, 33(9): 2511-2520. Lei J R, Chen Y Q, Chen Z Z, et al. Spatiotemporal evolution of habitat quality in three basins of Hainan Island based on InVEST model[J]. Chinese Journal of Applied Ecology, 2022, 33(9): 2511-2520. |
| [40] |
张梅, 杨雨霏, 黄贤金, 等. 新常态下中国城镇建设用地扩张演变的碳效应及其驱动因素研究[J]. 长江流域资源与环境, 2023, 32(10): 2212-2224. Zhang M, Yang Y F, Huang X J, et al. Carbon effects and driving factors of urban construction land expansion in China under the new normal[J]. Resources and Environment in the Yangtze Basin, 2023, 32(10): 2212-2224. |
| [41] |
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. |