2025, Vol. 46
2. 苏州科技大学地理科学与测绘工程学院, 苏州 215009
2. School of Geographical Science and Geomatics Engineering, Suzhou University of Science and Technology, Suzhou 215009, China
在全球碳减排日益受到关注的背景下, 中国政府于2020年正式确立了旨在应对全球气候变化的“双碳”战略, 即力争在2030年前实现碳达峰, 并努力争取2060年前实现碳中和[1]. 随着“双碳”战略目标的提出, 城市碳储量研究的重要性日益凸显. 深入研究土地利用变化对城市碳储量的影响, 对于提升城市生态系统的碳固定能力、减缓气候变暖效应和实现“双碳”目标具有重要意义[2~5].
目前, 碳储量的研究已经取得了显著进展, 许多研究关注了不同生态系统中的碳储量及其动态变化. 付玉杰等[6]发现森林生态系统在全球碳循环中扮演关键角色, 阐明了气候变化和人类活动对森林碳储量的影响；袁可等[7]通过不同的机器学习模型研究了中国不同地区土壤有机碳的空间分布特征, 发现土地利用类型、气候和土壤类型等因素对土壤有机碳的分布有重要影响；智菲等[8]耦合了PLUS和InVEST模型估算了合肥市碳储量；胡安琪[9]采用CA-Markov模型分析了碳排放量和碳排放强度的发展趋势；赵胤程[10]使用GeoSOS-FLUS模型预测出了3种不同预设情境下北部湾城市群生态空间碳汇的演变规律. 尽管已有大量研究表明对土地利用变化与碳储量进行多情景分析的方法切实有效, 但上述研究主要聚焦于多情景下地类转换引起碳储量变化差异的比较分析, 甚少从整体上探究土地利用程度与碳储量之间的关联性, 人为与自然活动对碳储量变化的影响机制也尚待深入研究.
为了更好理解和管理城市碳储量, 本研究在借鉴前人研究基础上, 以苏州市为研究区, 依据土地利用数据, 结合PLUS和InVEST模型对2030年不同情景下的土地利用及其对苏州市碳储量的影响进行预测和分析, 并利用地理探测器模型探讨碳储量的空间分异驱动机制, 以期为苏州市的碳平衡管理和气候适应策略提供科学支撑.
1 材料与方法 1.1 研究区概况以苏州全市为研究区域, 如图 1所示. 苏州市（东经119°49'55.10″~121°26'46.17″, 北纬30°43'46.88″~32°04'50.13″）位于长江三角洲地区的地理中心. 地势相对较低, 气候温和, 雨量充沛, 境内河流纵横交错.
|
图 1 研究区概况 Fig. 1 General situation of study area |
本研究采用GlobeLand30全球地表覆盖数据（http://www.globallandcover.com/）中苏州市2000年、2005年、2010年、2015年和2020年5期土地利用类型数据, 依据《土地利用现状分类》（GB/T21010-2017）标准将数据重分类为6类.
1.2.2 土地利用驱动因子考虑到自然环境和社会经济因素的作用, 选取了10个土地利用驱动因子（表 1）. 其中, 水系、主要道路和铁路数据由OpenStreetMap下载, 再利用空间分析中欧氏距离工具分别计算得到距水域距离、距道路距离和距铁路距离.
|
表 1 土地利用驱动因子及数据来源 Table 1 Land use driving factors and data sources |
1.2.3 碳储量影响因子
合理选择影响因子有助于揭示碳储量变化的机制. 本文分别从自然和人为影响两个类型中选取了9个碳储量影响因子（表 2）, 分别为高程（X1）、坡度（X2）、年均气温（X3）、年均降水（X4）、人口密度（X5）、GDP密度（X6）、NDVI（X7）、MNDWI（X8）和土地利用程度综合指数（X9）. 对这9个影响因子进行最优离散化处理[11], 以分析苏州市碳储量的空间分异驱动力. 其中, 土地利用程度综合指数基于土地利用现状处理获得.
|
|
表 2 碳储量影响因子及数据来源 Table 2 Carbon storage driving factors and data sources |
1.3 研究方法
首先, 基于2000、2010和2020年的苏州市三期土地利用数据, 利用ArcGIS计算转移矩阵, 分析不同土地利用类型之间的变化趋势和关联性, 以揭示土地利用演变的规律；然后, 结合土地利用驱动因子, 利用PLUS模型模拟2020年的土地利用情况, 并通过模拟结果与实际数据的对比验证模型可靠性, 进而预测苏州市2030年于惯性发展、耕地保护、生态保护和防止城市扩张这4种城市发展情景下的土地利用格局；接着利用InVEST模型基于4种已修正的碳密度核算分析了2000~2020年间及2030年苏州市4种发展情景下生态系统的碳储量, 并分析碳储量的时空变化. 最后, 基于参数最优地理探测器模型探究自然和人为等驱动因素对碳储量空间分布的影响程度. 本研究技术路线框架如图 2所示.
|
图 2 研究技术路线框架 Fig. 2 Research methodology framework |
考虑苏州市的气候条件, 根据前人的修正方法确定碳密度系数, 结果如表 3所示. 利用Alam等[12]研究的公式对土壤碳密度进行修正. 生物碳密度修正则参考Giardina等[13]和陈光水等[14]的方法. 相关计算公式如下所示：
|
(1) |
|
(2) |
|
(3) |
|
|
表 3 苏州市土地利用类型碳密度/t·hm-2 Table 3 Carbon density of land use types in Suzhou City/t·hm-2 |
式中, CSP表示基于年均降水修正的土壤碳密度（t·hm-2）；P表示年均降水（mm）；CBP和CBT分别表示基于年均降水和年均气温修正的生物碳密度（t·hm-2）；T表示年均气温（℃）.
|
(4) |
|
(5) |
|
(6) |
|
(7) |
式中, KBP和KBT分别表示降水和气温因子用于修正生物碳密度的系数；KB表示生物碳密度综合修正系数；KS表示土壤碳密度修正系数；CBP'和CBP″分别表示苏州市和全国在年均降水修正下的生物碳密度（t·hm-2）；CBT'和CBT″分别表示苏州市和全国根据年均气温获得的生物碳密度（t·hm-2）；CSP'和CSP″则分别表示苏州市和全国根据年均气温获得的土壤碳密度（t·hm-2）.
1.3.2 基于InVEST模型的碳储量计算使用能够量化多种生态系统服务功能的InVEST模型计算碳储量[15], 公式如下：
|
(8) |
|
(9) |
式中, Ci-above、Ci-below、Ci-soil和Ci-dead分别表示土地利用类型i的地上和地下生物、土壤和死亡有机物碳密度（t·hm-2）；Ctat表示总碳储量（t）；Si表示土地利用类型i的面积（hm2）；n表示土地利用类型种类.
1.3.3 基于PLUS模型的未来土地模拟PLUS模型是一种基于元胞自动机和马尔科夫链的土地利用变化模拟工具[16], 能通过整合多种社会经济和生物物理因素对未来土地利用格局进行空间显式模拟和预测[17~19]. 本文通过PLUS模型, 基于当前土地利用状况和规划设定的转移概率并考虑邻域关系的权重设置, 对苏州市2030年的4种情景下的土地利用格局进行模拟.
（1）转移矩阵 转移矩阵是一种表示不同土地利用类型之间转换概率的工具, 矩阵中的数值“1”表示某种地类能转换成另一种, 而“0”则表示不能转换[20, 21]. 基于《苏州市国土空间总体规划（2021~2035年）》中“统筹划定永久基本农田、生态保护红线、城镇开发边界3条控制线”的相关要求, 设定以下4种情景（表 4）. 其中惯性发展情景（IDS）模拟在没有特别干预的情况下, 土地利用按照现有趋势惯性发展的情况, 允许不同地类自由转换而不作任何限制（故未在表 4中体现）；耕地保护情景（FPS）主要强化对耕地的保护, 确保农业用地不被其他用途侵占, 故遏制耕地向其它地类转移, 允许其它地类（除建设用地）向耕地转移和相互转移[22~24]；生态保护情景（EPS）参考《苏州市国土空间总体规划（2021~2035）》严控新增建设用地, 落实节约集约发展要求, 划定生态保护范围. 以“三条控制线”为依据, 将永久基本农田、生态保护红线和城镇开发边界线作为限制转化区域, 禁止林地、草地和水域转为其他地类, 防止大规模、高速率的土地转换对生态环境造成不可逆的损害；防止城市扩张情景（PUES）则是限制城市扩张, 防止城市对周边生态系统和农业用地的侵占, 故允许建设用地转出但不允许由其它地类转入.
|
|
表 4 多情景土地利用转移矩阵1） Table 4 Multi-scenario land use transition matrix |
（2）邻域权重 在PLUS模型中, 邻域权重用于描述特定土地利用类型对其周围区域的影响力. 通过调整土地利用类型的转换概率, 邻域权重能更准确地模拟土地利用类型的空间分布和变化, 提高模拟结果的精确性和可靠性. 本文基于2010~2020年的土地利用类型面积变化量, 参考王保盛等[25]赋值方法计算得出各地类的邻域权重值[26]（表 5）.
|
|
表 5 邻域权重参数 Table 5 Neighborhood weights of land use types |
为了检验模拟的准确性[27], 先将基于2010年土地利用数据模拟得出的2020年土地利用数据与2020年实测数据进行比较, 得出Kappa系数为0.81. 根据相关标准, 当Kappa系数≥0.75时, 可以认为实际数据和模拟结果的一致性较高[28].
1.3.4 土地利用程度土地利用程度综合指数是衡量某区域土地利用程度及程度变化的常见指标[29], 本文参考庄大方等[30]的分级方法对土地利用类型进行赋值, 将苏州市土地利用类型分为4个等级[31]（表 6）, 公式如下[32]：
|
(10) |
|
|
表 6 土地利用类型分级指数 Table 6 Classification index of land use types |
式中, L表示土地利用程度综合指数；Ai表示第i级的土地利用程度分级指数；Ci表示第i级土地利用类型面积占总面积的百分比；n表示土地利用程度分级数. 经过实验对比发现, 于苏州市而言, 500 m×500 m的格网尺度能最好地呈现区域间的土地利用程度变化差异, 故本研究采用500 m×500 m的格网进行采样.
1.3.5 基于Geodector模型的空间分异性分析地理探测器（Geodector）旨在探测因子并分析空间分异性[33], 进而深入解析地理现象背后的驱动机制与空间分布特征. 本研究利用R语言的GD包, 使用不同的空间离散方法[34, 35], 对苏州市碳储量空间分异性进行探测, 探究各影响因子对区域碳储量分异的影响程度和影响因子的交互作用[36].
分异因子探测计算公式如下：
|
(11) |
|
(12) |
式中, q的值域在[0, 1], 是评估影响因子X对目标变量Y空间分布控制作用的关键指标. q值越大, X的解释效应越强. Nh表示层h的样本数, N表示总样本数；σh2表示层h内因变量的方差, σ2表示研究区域因变量的总方差；SSW表示层h内方差之和, SST表示研究区域的总方差[37].
2 结果与分析 2.1 苏州市土地利用时空变化苏州市2000~2020年的土地利用分布如图 3所示, 20 a间的各地类面积及其变化情况见表 7和表 8. 结果表明, 苏州市土地利用结构自2000年以来发生了较大的变化. 耕地作为主要用地类型, 占地面积持续萎缩, 截至2020年, 已下降35.01%；林地和草地主要分布在吴中区的丘陵地区, 占总面积约2%和0.87%；建设用地则显著增加, 相较于基期增长140.43%, 主要分布在工业园区、虎丘区和昆山等地；水域占比相对稳定, 保持在35%左右, 主要包括太湖、阳澄湖以及周庄古镇内的运河等水体；其余为未利用土地, 占比不到0.1%.
|
图 3 2000~2020年苏州市土地利用格局演变 Fig. 3 Land use pattern evolution in Suzhou City from 2000 to 2020 |
|
|
表 7 2000~2020年苏州市地类转移矩阵/km2 Table 7 Transition matrix of land categories in Suzhou City from 2000 to 2020/km2 |
|
|
表 8 2000~2030年苏州市土地利用类型面积及占比 Table 8 Area and proportion of land use types in Suzhou City from 2000 to 2030 |
结合2030年4种发展情景的土地利用分布（图 4）与表 8可以发现, 与2020年相比, 2030年防止城市扩张情景下, 耕地面积减少15.847 km2, 草地面积有所增加, 达到3.37 km2, 而水域面积显著扩大, 增加33.961 km2, 建设用地面积减少了19.158 km2, 以控制城市无序蔓延；2030年耕地保护情景下, 整体土地利用类型比例与2020年相差不大, 耕地面积增加了0.244 km2；2030年生态保护情景下, 林地与草地面积均有所增加, 其中草地的增加幅度高达39.983 km2, 其新增的草地主要源自建设用地的转化；而在惯性发展情景下, 土地利用变化基本延续过去20 a的整体趋势, 新增建设用地主要源于耕地的转化. 模拟预测结果与穆清等[38]得出的结论一致, 其中生态保护情景下变化趋势与《苏州市国土空间总体规划（2021-2035年）》中提出的城市在发展的同时要严守耕地底线, 注重生态环境, 明确界定城镇发展边界的政策相符. 该情景强化了对耕地和永久基本农田的严格保护, 避免无序扩张对生态环境造成的破坏, 具备一定参考价值.
|
图 4 2030年4种情景模拟下的土地利用格局 Fig. 4 Land use patterns under four scenarios in 2030 |
2000~2020年间, 苏州市的碳储量分布（图 5）呈现出明显的空间异质性特征, 由北向南逐渐增加. 碳储量高值区域主要聚集在研究区的南部, 尤其是吴中区. 这一地区的植被覆盖率相对较高, 水域和林地为主要土地利用类型, 因此碳储量较为丰富. 相比之下, 姑苏区、虎丘区、工业园区和昆山等地的碳储量较低, 这一现象主要归因于这些区域高度城市化, 土地利用结构以建成区为主导. 城市化进程导致的土地利用变化直接影响了区域碳储存能力, 此种空间分布差异也反映了人类活动对碳储量的影响. 总体来说, 苏州市的碳储量分布在时间和空间上呈现出复杂的格局, 这一分布特征对城市的碳平衡和可持续发展产生了深远影响.
|
图 5 2000~2020年苏州市碳储量分布格局 Fig. 5 Carbon storage distribution patterns in Suzhou City from 2000 to 2030 |
通过分析土地利用类型碳储量及其贡献率（表 9）, 可以发现在2000~2020年的时间段内, 苏州市的碳储量呈持续下降趋势, 总体减少了3 750 195.27 t. 这一减少趋势可以分为两个阶段. 首先, 从2000~2010年, 城市化和经济快速发展导致了建设用地的显著扩张, 同时对农田资源产生了显著影响, 尤其是耕地面积急剧减少, 碳储量出现了显著的下降, 减少了3 408 132.5 t, 降幅为4.28%. 然后, 在2010~2020年, 尽管耕地面积继续减少, 但由于城市绿化和生态保护措施的实施, 草地面积相较前10 a出现了增加, 增加了54.89 km2. 因此, 2010~2020年期间, 碳储量呈轻微下降趋势, 减少了342 062.77 t, 但降幅仅为0.45%. 从土地利用类型的角度分析, 耕地和水域对碳储量的贡献较为显著, 平均贡献率分别达到了39.93%和33.65%. 林地、草地和未利用地的贡献率均值相对较小, 分别为3.66%、0.88%和0.01%.
|
|
表 9 2000~2030年苏州市不同地类碳储量1） Table 9 Carbon stocks of different land use types in Suzhou City from 2000 to 2030 |
在防止城市扩张、耕地保护、生态保护和惯性发展这4种情景下, 与2020年相比, 2030年碳储量的总体变化差异显著（图 6）. 首先, 防止城市扩张和耕地保护情景下的碳储量变化较小, 前者减少了5 231.59 t. 这两种情景限制了城市建设和发展边界的扩张, 因此对耕地和草地起到了较好的保护作用, 整体固碳能力和碳储量与2020年相比没有显著差异. 而在惯性发展情景下, 碳储量显著下降, 共减少356 224.31 t. 生态保护情景的碳储量则呈增加趋势, 增加了129 752.65 t. 生态保护情景下, 林地、草地和水体的碳储量增长显著高于其他情景. 这一结果表明, 在城市规划中实施生态保护措施能有效提升苏州市生态系统碳储能力. 这不仅支持了生态保护政策的重要性, 也为城市可持续发展目标提供了科学依据.
|
图 6 2030年4种情景模拟下的碳储量分布格局 Fig. 6 Carbon storage distribution patterns under four scenarios in 2030 |
2000~2020年间, 苏州市基于土地利用转换的碳储量变化由表 10所示. 大量耕地转化为水域、建设用地和未利用地, 共计转出1 632.758 km2, 这与苏州市统计局2021年发布的苏州市统计年鉴数据基本一致（苏州市统计局官网：http://tjj.suzhou.gov.cn/）, 直接导致了高达3 916 241.609 t的碳储量损失. 同时, 林地和草地的地类转换也分别造成了105 891.842 t和19 137.302 t的碳储量损失. 其中, 耕地向建设用地转换是碳储量损失的主要原因, 占比达89.36%. 尽管水域、建设用地和未利用地的转换在一定程度上增加了碳储量, 分别为131 184.929、140 024.741和18 641.031 t, 但总体而言, 20 a间地类转换对碳储量的影响以损失为主. 从中可以发现耕地、林地和草地的转变, 对生态系统碳储量和碳收支平衡影响较大.
|
|
表 10 2000~2020苏州市碳储量对土地利用转移的响应 Table 10 Response of carbon storage to land use changes in Suzhou City from 2000 to 2020 |
2.4 碳储量空间分异驱动因素
地理探测器的单因子分析结果如图 7所示. 9个驱动因子的P值均小于0.001, 通过显著性检验, 能较准确地解释苏州市碳储量的变化情况. 因子对于区域碳储量的影响程度大小排序为：NDVI（X7）、高程（X1）、坡度（X2）、人口密度（X5）、GDP密度（X6）、MNDWI（X8）、气温（X3）、土地利用程度（X9）和降水（X4）. 高程（X1）和NDVI（X7）的解释力在0.2以上, 是影响区域碳储量变化的主要因子；坡度（X2）、人口密度（X5）、GDP密度（X6）和MNDWI（X8）的解释力皆不低于0.1, 是次要影响因子；其余因子对碳储量变化的直接影响较小. 交互作用探测结果如图 8所示, 任意因子间的交互作用都增强了对碳储量变化的影响, 呈现出双因子增强和非线性增强的关系. 这表明苏州市碳储量的变化是各种影响因子复合作用的结果. 其中, 高程（X1）和NDVI（X7）交互解释力最大, 为0.399；其次是GDP密度（X6）和NDVI（X7）, 为0.383；其余交互作用中, NDVI（X7）与其他因子, 高程（X1）与气温（X3）, 高程（X1）与人口密度（X5）, 高程（X1）与GDP密度（X6）, 高程（X1）与MNDWI（X8）, 高程（X1）与土地利用程度（X9）, 坡度（X2）与人口密度（X5）, 坡度（X2）与GDP密度（X6）等因子交互, 解释力均超过0.3, 呈双因子增强和非线性增强效果, 交互因子解释效果均为非线性增强.
|
*** 表示P < 0.01 图 7 单因子探测结果 Fig. 7 Single of actor detection results |
|
图 8 交互因子探测结果 Fig. 8 Multi-factors interaction detection results |
分析土地利用变化与碳储量之间的关系不仅有助于了解区域的碳储量状况, 更能为优化国土空间规划体系, 加强生态脆弱区域的系统性治理与监管提供科学依据. 2000~2010年由于城市化和经济快速发展, 建设用地显著扩张[39], 耕地面积锐减, 整体土地利用变化显著, 2010~2020年, 随着城镇化进程的持续推进, 其带来的发展动力促使土地利用格局发生变革, 耕地面积不断缩减, 而土地利用的转化速度逐渐趋向于平缓[40]. 该研究结果与部分学者的研究结果一致, 如郭晓敏等[41]研究表明扬子江城市群在2005~2010年的时间段内发展迅速, 土地利用变化显著. 植被覆盖区域减少, 尤其是耕地、林地与草地的转化影响了生态系统稳定与碳收支平衡. 邱国强[42]在对苏锡常都市圈土地利用空间冲突研究中也表明城市扩张过程中, 以苏州为代表的区域经历了显著的土地利用转变, 大量耕地、林地与草地转换为建设用地导致了区域碳储量的持续下降. 故2000~2010年碳储量呈大幅减少趋势, 降幅为4.28%. 而在2010~2020年碳储量呈小幅减小趋势, 虽耕地面积持续萎缩, 但由于城市绿化和生态保护, 草地面积较前10 a不减反增, 2010~2020年区域碳储量降幅仅为0.45%. 需要特别关注的是, 研究区的南部特别是吴中区, 拥有良好的自然环境. 该地区的气候湿润, 降雨充沛, 生物多样性丰富, 拥有较好的林业资源. 因此, 建议将该区划定为碳储量的优先保护区.
为实现这一目标, 建议采取以下措施：严格控制主城区建设用地的扩张, 限制城市化对土地的影响, 确保主城区的碳储量不受过度压缩；实施耕地用途管制制度, 以保护耕地资源, 确保土地的多功能性, 同时维护碳储量；巩固低碳储量区域的碳固定能力, 特别是关注林地、草地和水域等生态用地的变化. 通过自然恢复和人工干预保护及修复这些生态用地, 扩大碳储量潜力；提升苏州市碳汇功能, 通过改善生态系统管理和土地利用规划, 提高碳储量的固定和储存效率. 以上建议旨在维护苏州市的生态平衡, 增强碳储量管理, 助力城市的可持续发展和碳减排目标.
3.2 不同情景碳储量结果对未来规划的启示本研究结果表明, 2030年的4种情景中, 仅有生态保护情景表现出碳储量呈增加趋势, 而防止城市扩张和耕地保护情景通过对城市建设边界的约束, 保护了耕地和草地, 使得研究区整体碳储量与2020年相比差异不大. 相反, 惯性发展情景下碳储量减少最为明显. 这是因为在惯性发展情景中, 建设用地持续扩张, 导致原有的耕地、林地和草地被转化为建设用地, 不利于碳汇的形成. 值得注意的是, 在这些情景中, 生态保护情景表现出最佳的碳储量保护效果. 鉴于当前双碳政策的深入实施以及土地资源供应的日趋紧张, 苏州市在城市规划与发展过程中应有效管控建设用地规模, 并致力于构建稳固的生态安全体系. 特别是通过严守永久基本农田、划定生态保护红线和严格管理城镇开发边界, 以减少人为活动对自然耕地和林草地的负面影响, 促进城市建设与生态保护的和谐共生, 进而提升区域碳储量的积累.
综合所述, 在碳汇视角下, 生态保护情景为苏州市的绿色发展描绘出一条最佳路径, 为自然资源的可持续管理与低碳发展策略的制定提供了强有力的支撑. 这一模式的引入, 不仅有助于苏州市在生态保护与经济发展间找到平衡点, 更推动其向更加绿色、低碳的未来迈进. 通过科学规划和有效管理, 苏州市能够充分发挥其生态优势, 实现自然资源的可持续利用, 进而促进整个区域的绿色发展和低碳转型.
3.3 碳储量空间分异驱动因素单因子分析结果显示, 自然影响因子中的NDVI（0.290）和高程（0.262）对研究区碳储量的空间分异影响较为显著, 这与先前研究的结果相符[43]. 苏州市地处长江三角洲经济区, 气候温和、雨量充沛, 植被繁茂, 特别是在城市郊区和丘陵地带, 较高的NDVI值代表着更为茂盛的植被覆盖[44], 从而有利于碳的固定和储存. 其次, 苏州市地形起伏较小, 高程的影响相对较小, 但仍可能通过影响水文过程和土壤形成过程对碳储量产生一定影响. 例如, 在苏州市的湿地和低洼地区, 由于水分积聚和植被分解缓慢, 可能有更高的碳储量. 人为影响因子中人口密度（0.123）对苏州市碳储量空间分异的解释力较强, 人口密度反映了人类活动的强度和分布[45], 进而影响了土地利用结构、植被覆盖以及碳储量的分布情况. 随着人口密度的增加, 土地利用结构可能呈现出更多的城市化特征, 导致植被覆盖减少、土地利用更加集中, 从而影响了碳储量的空间分布. 因此, 人口密度作为一个人为影响因子, 在苏州市的碳储量空间分异中具有显著的影响力. 交互作用分析显示, 自然因素中的高程、坡度、气温以及NDVI等与人口密度和GDP密度等人为因素相互作用, 共同增强了对碳储量空间分布的影响. 该发现表明苏州市碳储量的空间异质性是自然地理环境与社会经济发展复杂交互的产物, 这种多因素耦合机制凸显了区域碳储量格局形成的复杂性. 今后苏州市应根据不同影响因子的特性实施差异化的多元调控策略以进行生态保护与风险管控工作. 在全面考量区域的自然条件与社会经济发展状况以保障所选模式与区域特性契合的同时, 保持高度警觉, 以防不合理的人为干预与其他因素产生协同效应而对区域生态系统施加过度压力, 以实现可持续的土地利用和生态保护[46].
3.4 不足与展望目前碳密度数据获取难度较大, 且受到人类活动的影响, 其精度还需进一步提高. 本文所采用的PLUS模型, 被广泛应用于模拟和预测各种情景的土地利用情况. 然而, 此模型也存在一些局限性. 一方面, 所选用的土地利用变化驱动因子对模拟结果具有显著影响, 故因子的选择需谨慎. 另一方面, 对未来各土地利用类型的需求预测主要依赖于文献查阅和前人经验, 受主观因素影响较大, 可能导致预测结果存在偏差. 为了克服这些局限性, 未来研究将进一步探讨如何更准确地选择和量化驱动因子, 并尝试采用更加客观、科学的方法来预测未来土地利用需求.
4 结论（1）2000~2020年, 苏州市的土地利用类型中耕地、林地面积持续减少, 耕地尤为明显, 主要转变为建设用地, 分布在工业园区、高新区和昆山等地.
（2）2000~2020年, 苏州市碳储量累计损失3 750 195.27 t. 耕地和水域是碳储量的主要来源, 分别占总碳储量的39.93%和33.65%. 在空间上呈“由北向南逐渐升高”的分布特征.
（3）2000~2020年, 耕地向建设用地的转换是造成碳流失的主要原因, 转出面积1 632.758 km2, 碳累计流失3 916 241.609 t, 占总损失的96.9%. 水域、建设用地和未利用土地转换分别增加了131 184.929、140 024.741和18 641.031 t碳储量.
（4）2020~2030年, 苏州市的碳储量在生态保护情景下显著增长了129 752.65 t, 惯性发展情景下则大幅减少了356 224.31 t. 生态用地中的耕地、林地、水域构成研究区主要碳库, 建设用地扩张、侵占生态用地面积是惯性发展情景下碳储量减少的关键因素. 在固碳方面, 生态保护情景效果最优, 为苏州市后续碳政策的制定提供了重要参考.
（5）苏州市碳储量的空间分异受到多种因素的影响, 是自然地理环境与社会经济发展协同交互的产物. 高程、气温、人口密度以及NDVI是主要的影响因子, NDVI的解释力最强, 为0.29.
| [1] |
赵震宇, 姚舜, 杨朔鹏, 等. "双碳"目标下: 中国CCUS发展现状、存在问题及建议[J]. 环境科学, 2023, 44(2): 1128-1138. Zhao Z Y, Yao S, Yang S P, et al. Under goals of carbon peaking and carbon neutrality: status, problems, and suggestions of CCUS in China[J]. Environmental Science, 2023, 44(2): 1128-1138. |
| [2] |
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. |
| [3] |
郑慧玲, 郑辉峰. 基于土地利用/覆被动态变化的粤港澳大湾区碳储量评价与预测[J]. 环境科学, 2024, 45(4): 2321-2331. Zheng H L, Zheng H F. Assessment and prediction of carbon storage based on land use/land cover dynamics in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Environmental Science, 2024, 45(4): 2321-2331. DOI:10.13227/j.hjkx.202304158 |
| [4] |
韩楚翘, 郑江华, 王哲, 等. 基于PLUS-InVEST模型吐哈盆地陆地生态系统碳储量时空变化及多情景模拟[J]. 干旱区地理, 2024, 47(2): 260-269. Han C Q, Zheng J H, Wang Z, et al. Spatiotemporal variation and multiscenario simulation of carbon storage in terrestrial ecosystems in the Turpan-Hami Basin based on PLUS-InVEST model[J]. Arid Land Geography, 2024, 47(2): 260-269. |
| [5] |
张斌, 李璐, 夏秋月, 等. "三线"约束下土地利用变化及其对碳储量的影响——以武汉城市圈为例[J]. 生态学报, 2022, 42(6): 2265-2280. Zhang B, Li L, Xia Q Y, et al. Land use change and its impact on carbon storage under the constraints of "three lines": a case study of Wuhan City circle[J]. Acta Ecologica Sinica, 2022, 42(6): 2265-2280. |
| [6] |
付玉杰, 田地, 侯正阳, 等. 全球森林碳汇功能评估研究进展[J]. 北京林业大学学报, 2022, 44(10): 1-10. Fu Y J, Tian D, Hou Z Y, et al. Review on the evaluation of global forest carbon sink function[J]. Journal of Beijing Forestry University, 2022, 44(10): 1-10. DOI:10.12171/j.1000-1522.20220242 |
| [7] |
袁可, 张晨, 赵建林, 等. 有限样本下土壤有机碳密度空间分布预测模型对比分析[J]. 水土保持研究, 2024, 31(5): 173-181, 191. Yuan K, Zhang C, Zhao J L, et al. Comparative analysis on models for predicting the spatial distribution of soil organic carbon density with limited samples[J]. Research of Soil and Water Conservation, 2024, 31(5): 173-181, 191. |
| [8] |
智菲, 周振宏, 赵铭, 等. 基于PLUS和InVEST模型的合肥市生态系统碳储量时空演变特征[J]. 水土保持学报, 2024, 38(2): 205-215. Zhi F, Zhou Z H, Zhao M, et al. Temporal and spatial evolution characteristics of carbon storage in Hefei ecosystem based on PLUS and InVEST models[J]. Journal of Soil and Water Conservation, 2024, 38(2): 205-215. |
| [9] |
胡安琪. 基于CA-Markov模型的徐州市土地利用碳排放效应及预测研究[D]. 徐州: 中国矿业大学, 2023. Hu A Q. Research on carbon emission effects of land use and forecast in Xuzhou based on CA-Markov model[D]. Xuzhou: China University of Mining and Technology, 2023. |
| [10] |
赵胤程. 北部湾城市群生态空间碳汇演变及其驱动因子研究[D]. 南宁: 广西大学, 2022. Zhao Y C. The evolution simulation and driving factors of carbon sink in Beibu Gulf urban agglomeration[D]. Nanning: Guangxi University, 2022. |
| [11] |
季建万, 姜琳琳, 刘文亮, 等. 基于多参数优选地理探测器的京津冀城市群地质灾害影响因子分析[J]. 地理与地理信息科学, 2023, 39(2): 39-45. Ji J W, Jiang L L, Liu W L, et al. Analysis on influence factors of geological hazards in Beijing-Tianjin-Hebei urban agglomeration based on multi-parameters optimized by geodetector[J]. Geography and Geo-Information Science, 2023, 39(2): 39-45. |
| [12] | Alam S A, Starr M, Clark B J F. Tree biomass and soil organic carbon densities across the Sudanese woodland savannah: a regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89: 67-76. DOI:10.1016/j.jaridenv.2012.10.002 |
| [13] | Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature[J]. Nature, 2000, 404(6780): 858-861. DOI:10.1038/35009076 |
| [14] |
陈光水, 杨玉盛, 刘乐中, 等. 森林地下碳分配(TBCA)研究进展[J]. 亚热带资源与环境学报, 2007, 2(1): 34-42. Chen G S, Yang Y S, Liu L Z, et al. Research review on total belowground carbon allocation in forest ecosystems[J]. Journal of Subtropical Resources and Environment, 2007, 2(1): 34-42. |
| [15] | Li M Y, Liang D, Xia J, et al. Evaluation of water conservation function of Danjiang River Basin in Qinling Mountains, China based on InVEST model[J]. Journal of Environmental Management, 2021, 286. DOI:10.1016/j.jenvman.2021.112212 |
| [16] |
杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟——以汉中市为例[J]. 干旱区资源与环境, 2022, 36(10): 86-95. Yang S, Su H, Zhao G P, et al. Multi-scenario simulation of urban ecosystem service value based on PLUS model: a case study of Hanzhong city[J]. Journal of Arid Land Resources and Environment, 2022, 36(10): 86-95. |
| [17] | 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 |
| [18] | Li X, Fu J Y, Jiang D, et al. Land use optimization in Ningbo city with a coupled GA and PLUS model[J]. Journal of Cleaner Production, 2022, 375. DOI:10.1016/j.jclepro.2022.134004 |
| [19] |
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. |
| [20] | Xie L, Wang H W, Liu S H. The ecosystem service values simulation and driving force analysis based on land use/land cover: a case study in inland rivers in arid areas of the Aksu River Basin, China[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108828 |
| [21] | Wang Y, Li S C. Simulating multiple class urban land-use/cover changes by RBFN-based CA model[J]. Computers & Geosciences, 2011, 37(2): 111-121. |
| [22] | Zhou J J, Zhao Y R, Huang P, et al. Impacts of ecological restoration projects on the ecosystem carbon storage of inland river basin in arid area, China[J]. Ecological Indicators, 2020, 118. DOI:10.1016/j.ecolind.2020.106803 |
| [23] | Zhu G F, Qiu D D, Zhang Z X, et al. Land-use changes lead to a decrease in carbon storage in arid region, China[J]. Ecological Indicators, 2021, 127. DOI:10.1016/j.ecolind.2021.107770 |
| [24] |
卿苗, 赵军, 冯超, 等. 1980—2030年石羊河流域生态系统碳储存服务对土地利用变化的响应[J]. 生态学报, 2022, 42(23): 9525-9536. Qing M, Zhao J, Feng C, et al. Response of ecosystem carbon storage service to land-use change in Shiyang River Basin from 1980 to 2030[J]. Acta Ecologica Sinica, 2022, 42(23): 9525-9536. |
| [25] |
王保盛, 廖江福, 祝薇, 等. 基于历史情景的FLUS模型邻域权重设置——以闽三角城市群2030年土地利用模拟为例[J]. 生态学报, 2019, 39(12): 4284-4298. Wang B S, Liao J F, Zhu W, et al. The weight of neighborhood setting of the FLUS model based on a historical scenario: a case study of land use simulation of urban agglomeration of the Golden Triangle of Southern Fujian in 2030[J]. Acta Ecologica Sinica, 2019, 39(12): 4284-4298. |
| [26] |
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. DOI:10.13227/j.hjkx.202306233 |
| [27] |
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. DOI:10.13227/j.hjkx.202310046 |
| [28] |
孙毅中, 杨静, 宋书颖, 等. 多层次矢量元胞自动机建模及土地利用变化模拟[J]. 地理学报, 2020, 75(10): 2164-2179. Sun Y Z, Yang J, Song S Y, et al. Modeling of multilevel vector cellular automata and its simulation of land use change[J]. Acta Geographica Sinica, 2020, 75(10): 2164-2179. |
| [29] |
张颖, 赵宇鸾. 黔桂岩溶山区土地利用程度演变的空间分异特征[J]. 水土保持研究, 2018, 25(1): 287-297. Zhang Y, Zhao Y L. Spatial difference of land use degree evolution in Guizhou-Guangxi karst mountainous areas[J]. Research of Soil and Water Conservation, 2018, 25(1): 287-297. |
| [30] |
庄大方, 刘纪远. 中国土地利用程度的区域分异模型研究[J]. 自然资源学报, 1997, 12(2): 105-111. Zhuang D F, Liu J Y. Study on the model of regional differentiation of land use degree in China[J]. Journal of Natural Resources, 1997, 12(2): 105-111. |
| [31] |
刘卫林, 何昊, 朱圣男, 等. 1980-2015年江西省土地利用迁移变化分析及驱动机制研究[J]. 水土保持研究, 2023, 30(2): 361-368. Liu W L, He H, Zhu S N, et al. Spatial and temporal variability characteristics and driving mechanisms of land use in Jiangxi Province from 1980 to 2015[J]. Research of Soil and Water Conservation, 2023, 30(2): 361-368. |
| [32] |
王思远, 刘纪远, 张增祥, 等. 中国土地利用时空特征分析[J]. 地理学报, 2001, 56(6): 631-639. Wang S Y, Liu J Y, Zhang Z X, et al. Analysis on spatial-temporal features of land use in China[J]. Acta Geographica Sinica, 2001, 56(6): 631-639. |
| [33] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [34] |
李琛, 吴映梅, 高彬嫔, 等. 高原湖泊乡村聚落空间分异及驱动力探测——以环洱海地区为例[J]. 经济地理, 2022, 42(4): 220-229. Li C, Wu Y M, Gao B P, et al. Spatial differentiation and driving factors of rural settlement in plateau lake: a case study of the area around the Erhai[J]. Economic Geography, 2022, 42(4): 220-229. |
| [35] |
牟凤云, 黄淇, 陈林. 基于优化地理探测器的生态环境质量驱动力分析[J]. 水土保持研究, 2024, 31(1): 440-449. Mu F Y, Huang Q, Chen L. Eco-environmental quality driving force detection using optimized geographic detector[J]. Research of Soil and Water Conservation, 2024, 31(1): 440-449. |
| [36] |
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. |
| [37] |
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. |
| [38] |
穆清, 姜琳琳, 朱元航, 等. 苏州市土地利用及生境质量变化预测[J]. 环境监测管理与技术, 2023, 35(6): 15-21. Mu Q, Jiang L L, Zhu Y H, et al. Prediction of changes in land use and habitat quality in Suzhou[J]. The Administration and Technique of Environmental Monitoring, 2023, 35(6): 15-21. |
| [39] | Xiao Y, Zhong J L, Zhang Q F, et al. Exploring the coupling coordination and key factors between urbanization and land use efficiency in ecologically sensitive areas: a case study of the Loess Plateau, China[J]. Sustainable Cities and Society, 2022, 86. DOI:10.1016/j.scs.2022.104148 |
| [40] |
葛欣怡, 李宗怡. 苏州市土地利用变化及其驱动力研究[J]. 中国林业经济, 2020(4): 28-31. Ge X Y, Li Z Y. Research on land use change and driving forces in Suzhou city[J]. China Forestry Economics, 2020(4): 28-31. |
| [41] |
郭晓敏, 揣小伟, 张梅, 等. 扬子江城市群土地利用时空变化及其对陆地生态系统碳储量的影响[J]. 长江流域资源与环境, 2019, 28(2): 269-280. Guo X M, Chuai X W, Zhang M, et al. Spatio-temporal analysis of land-use change and the impact on terrestrial ecosystems carbon storage in Yangtze River city group[J]. Resources and Environment in the Yangtze Basin, 2019, 28(2): 269-280. |
| [42] |
邱国强. 苏锡常都市圈土地利用空间冲突及其生态效应分析[D]. 徐州: 中国矿业大学, 2022. Qiu G Q. Assessment and ecological effects of land use spatial conflict in Su-Xi-Chang urban agglomeration[D]. Xuzhou: China University of Mining and Technology, 2022. |
| [43] |
杨羽佳, 张怡, 匡天琪, 等. 利用改进城市遥感生态指数的苏州市生态分析[J]. 测绘科学技术学报, 2021, 38(3): 323-330. Yang Y J, Zhang Y, Kuang T Q, et al. Ecological analysis of Suzhou City using improved urban remote sensing ecological index[J]. Journal of Geomatics Science and Technology, 2021, 38(3): 323-330. |
| [44] |
马小宾, 章锦河, 郭丽佳, 等. 生态环境研究中压力-状态-响应模型应用的陷阱与改善[J]. 生态学报, 2024, 44(12): 4923-4932. Ma X B, Zhang J H, Guo L J, et al. Traps and improvements of PSR model: an eco-environmental perspective[J]. Acta Ecologica Sinica, 2024, 44(12): 4923-4932. |
| [45] |
曾立安. 土地利用视野下的长江经济带陆地生态系统碳储量时空演化特征[D]. 南昌: 南昌大学, 2023. Zeng L A. Spatio-temporal evolution characteristics about carbon storage in terrestrial ecosystems of the Yangtze River economic belt under the perspective of land use[D]. Nanchang: Nanchang University, 2023. |
| [46] |
张弛, 李枝坚, 曾辉. 基于小波变换的生态系统服务权衡尺度效应与影响因素研究——以珠江三角洲为例[J]. 地理研究, 2022, 41(5): 1279-1297. Zhang C, Li Z J, Zeng H. Scale effects on ecosystem service trade-off and its influencing factors based on wavelet transform: a case study in the Pearl River Delta, China[J]. Geographical Research, 2022, 41(5): 1279-1297. |